Apuntes de procesamiento digital de señales

1 Introducción
1.1Señales
Una señal es cualquier cantidad física que varía en función del tiempo, espacio o cualquier otra
variable o variables.

Las señales llevan información y su procesamiento involucra la adquisición, almacenamiento

transmisión y transformación en otras señales.

1.1.1 Representación matemática de señales

Clasificación de señales
Dependiendo de los valores que toman sus variables dependientes e independientes se clasifican
en:

 señales de tiempo continuo

 señales de tiempo discreto.

Las señales de tiempo continuo también denominadas señales analógicas, debido a que su
amplitud es análoga a la cantidad física que representa, están definidas de manera continua en el
tiempo.

Las señales de tiempo discreto están definidas sólo en tiempos discretos.

Muestreo de señales de tiempo continuo

La mayoría de las señales de interés práctico son señales de tiempo continuo.

Sin embargo, el procesamiento digital de señales requiere disponer de una representación de la

señal en tiempo discreto.

Esto se hace muestreando una señal de tiempo continuo en puntos aislados, igualmente espaciados
en el tiempo (muestreo periódico).

El resultado es la secuencia:

𝑠[𝑛] ≜ 𝑠(𝑡)|𝑡=𝑛𝑇 = 𝑠(𝑛𝑇) (1.1)

donde 𝑛 es un entero y 𝑇 es el periodo de muestreo.

La cantidad 𝐹𝑠 ≜ 1⁄𝑇 es la frecuencia de muestreo, proporciona el número de muestras por

segundo.

Una señal de tiempo discreto 𝑠[𝑛] cuya amplitud toma valores en un conjunto finito de 𝐾 números
reales se conoce como señal digital.

1.1.2 Representación de señales físicas

Existen dos formas básicas para representar los valores numéricos de las cantidades físicas:

 analógica
 digital.

En la representación analógica, una cantidad se representa por un voltaje o corriente proporcional

al valor de la cantidad.

La característica clave de las cantidades analógicas es que varían en un rango continuo de valores.

En la representación digital, una cantidad se representa por una combinación de pulsos ON/OFF
correspondientes a los dígitos de un número binario.

1.1.3 Señales aleatorias y determinísticas

El comportamiento de las señales determinísticas es completamente predecible, mientras las
señales aleatorias tienen algún grado de incertidumbre asociado a su comportamiento.

 Las señales determinísticas se pueden describir por funciones matemáticas, a través de

fórmulas matemáticas explícitas.
 Sin embargo, existen señales determinísticas que no se pueden describir por fórmulas simples.
 En principio, se asume que cada señal determinística está descrita por una función 𝑠(𝑡) aunque
no exista una fórmula matemática explícita.
 Las señales aleatorias no pueden ser descritas por funciones matemáticas debido a que sus
valores futuros son desconocidos.
 Por tanto, las herramientas matemáticas para la representación y análisis de señales aleatorias
son diferentes a las usadas con señales determinísticas.
 Las señales aleatorias se estudian usando conceptos y técnicas de la teoría de probabilidad y
estadística.
1.2 Sistemas
En procesamiento de señales, un sistema es un proceso que transforma una señal de entrada a una
señal de salida.

Dependiendo del tipo de las señales de entrada y de salida, los sistemas se clasifican en:

 Sistemas de tiempo continuo

 Sistemas de tiempo discreto

1.2.1 Sistemas de tiempo continuo

Un sistema de tiempo continuo transforma una señal de entrada de tiempo continuo 𝑥(𝑡) a una
señal de salida de tiempo continuo 𝑦(𝑡).

La relación simbólica entrada-salida de un sistema de tiempo continuo se representa por:

ℋ
𝑥(𝑡) → 𝑦(𝑡) o 𝑦(𝑡) = ℋ{𝑥(𝑡)} (1.7)
donde ℋ es un operador matemático que caracteriza al sistema.
1.2.2 Señales de tiempo discreto
Un sistema que transforma una señal de entrada de tiempo discreto 𝑥[𝑛] a una señal de salida de
tiempo discreto 𝑦[𝑛] se llama sistema de tiempo discreto.

Simbólicamente, se tiene:
ℋ
𝑥[𝑛] → 𝑦[𝑛] o 𝑦[𝑛] = ℋ{𝑥[𝑛]} (1.8)

1.2.3 Sistemas de interfaz

Proporcionan las interfaces entre señales analógicas y digitales.

Conversión analógica a digital (ADC).- Consiste de dos partes: muestreo y cuantificación:

 El muestreo convierte una señal de tiempo continuo a una señal de tiempo discreto midiendo
el valor de la señal en intervalos regulares de tiempo.
 La cuantificación convierte una amplitud continua 𝑥 a una amplitud discreta 𝑥𝑑 .
 El resultado es una señal digital diferente de la señal de tiempo discreto, debido al error o ruido
de cuantificación.

Convertidor ADC.- Acepta como entrada una señal analógica 𝐴 y una referencia analógica 𝑅 y
después del tiempo de conversión, proporciona una salida digital 𝐷 tal que:

𝐴 ≈ 𝑅𝐷 = 𝑅(𝑏1 2−1 + 𝑏2 2−2 + ⋯ + 𝑏𝐵 2−𝐵 ) (1.10)

 La salida del ADC es una palabra digital que representa el número de 𝐵 de bits 𝑏1 , 𝑏2 ⋯ 𝑏𝐵 .
 El valor 𝐷 es la aproximación más cercana a la razón 𝐴⁄𝑅 dentro de la resolución ∆= 2−𝐵 .
 Este proceso se repite cada intervalo de muestreo.
 Para obtener una conversión precisa, las señales de entrada se conmutan a un circuito de
almacenamiento analógico que las mantiene constantes durante el tiempo de conversión.
 Tal circuito se llama muestreador-retenedor.
 A medida que el número 𝐵 de bits se incrementa, la precisión ∆ del cuantificador se incrementa
y la diferencia entre las señales de tiempo discreto y las digitales disminuye.
 Por esta razón, un muestreador puede ser considerado como un convertidor ADC ideal.

Conversión digital a analógica (DAC).- Se hace con un convertidor DAC.

 Un DAC ideal, o interpolador ideal, esencialmente llena los espacios entre las muestras de una
secuencia de números para producir una función de tiempo continuo.
 Un DAC práctico toma un valor representado en código digital y lo convierte a un voltaje o
corriente, proporcional al valor digital.
 El DAC acepta un código digital 𝐷 y una referencia analógica 𝑅 como entradas y genera un
valor analógico 𝐴̂ = 𝑅𝐷 como salida.
 Este proceso se repite cada intervalo de muestreo.
 Los DACs prácticos convierten la entrada binaria al correspondiente nivel analógico y luego
retienen ese valor hasta que ocurra la siguiente muestra, produciendo una forma de onda
escalonada, la cual se suaviza subsecuentemente usando un filtro analógico.
1.3 Procesamiento de señales analógico, digital y mixto
El procesamiento de señales es una disciplina que trata la adquisición, representación,
manipulación y transformación de señales.

El procesamiento de señales involucra la realización física de operaciones matemáticas esenciales

en aplicaciones prácticas.

Algunos objetivos claves del procesamiento de señales son:

 separar señales previamente combinadas

 preparar las señales para su almacenamiento o transmisión.

Procesamiento de señales analógicas.- El procesamiento de señales analógicas convierte

señales analógicas a señales eléctricas, mediante transductores o sensores, y luego las procesa
mediante circuitos analógicos eléctricos y/o electrónicos.

La salida de un sensor requiere alguna forma de acondicionamiento, usualmente amplificación,

antes de que pueda ser procesada por el procesador de señales analógicas.

Procesamiento de señales digitales.- El procesamiento digital de señales (DSP) representa las

señales analógicas mediante secuencias de números, que se procesan mediante técnicas de cálculo
numérico cuyo resultado se convierten a señales analógicas.

En la práctica, debido a las limitaciones inherentes del mundo real, un sistema típico de
procesamiento digital de señales analógicas incluye las siguientes partes:

 El sensor convierte la cantidad física a una variable eléctrica.

 La salida del sensor se somete a alguna forma de acondicionamiento, usualmente amplificación,
tal que el voltaje de las señales esté dentro del rango de sensibilidad de voltaje del convertidor.
 El pre-filtro analógico suaviza la señal de entrada, antes del muestreo, para evitar un artefacto
de muestreo conocido como distorsión de aliasing.
 El ADC convierte la señal analógica a señal digital. La tasa de muestreo y el número de bits usado
por el ADC determinan la precisión del sistema.
 El DSP ejecuta los algoritmos de procesamiento de señales.
 Es un chip computacional similar a un microprocesador. Sin embargo, el DSP es diseñado para
efectuar ciertos cálculos numéricos extremadamente rápidos.
 El DAC convierte la señal digital a una señal analógica.
 El DAC es usualmente seguido por un circuito muestreador-retenedor.
 Los ADC y DAC generalmente operan a la misma tasa de muestreo.
 El post-filtro analógico (conocido como filtro de reconstrucción) suaviza la salida escalonada
del DAC, proporcionando una reproducción analógica más fiel de la señal digital.

Los sistemas de tiempo discreto pueden ser implementados en tiempo real o fuera de línea, pero
el ADC y el DAC siempre operan en tiempo real.

Tiempo real significa completar el procesamiento dentro de tiempos permisibles entre muestras.

Procesamiento de señales mixtas.- Este término, algunas veces se usa para describir un sistema
que incluye tanto partes de procesamiento digital como partes de procesamiento analógico.

Sin embargo, también se lo usa para enfatizar que tanto los componentes analógicos como los
digitales se implementan sobre el mismo circuito integrado.

1.4 Aplicaciones
Operaciones claves: convolución, correlación, filtrado, transformaciones discretas finitas,
modulación, análisis espectral, filtrado adaptivo.

Procesamiento de audio: compresión y descompresión, ecualización, mezcla y edición,

reverberación artificial, síntesis de sonido, sonido estéreo, sonido surround y cancelación de ruido.

Procesamiento de voz: síntesis de voz, compresión y descompresión, reconocimiento de voz,

identificación del locutor y mejoramiento de la voz.

Procesamiento de imágenes y video: compresión y descompresión de imágenes, mejoramiento de

imágenes, transformaciones geométricas, extracción de características, codificación de video,
detección de movimiento y reconstrucción de imágenes tomográficas.

Telecomunicaciones (transmisión de audio, video y datos): modulación y demodulación, detección

y corrección de errores, codificación, encriptación, des-encriptación, cancelación de eco acústico,
ecualización de múltiples trayectos, redes de computadoras, radio y televisión y telefonía celular.

Sistemas computacionales: procesamiento de sonido y video, control de disco, control de

impresora, módems, teléfono por internet, radio, televisión.

Sistemas de control: regulación, estabilización, semejanza con un modelo de referencia,

seguimiento de trayectoria y control robusto aplicados en: procesos industriales, sistemas
mecatrónicos, vehículos automotrices y aeroespaciales, sistemas biomédicos, etc.
Identificación de sistemas.- Obtención de modelos de tiempo discreto, lineales o no lineales de
sistemas físicos.

Sistemas militares: guiado y navegación, formado de haces, procesamiento de radares y sonares,

procesamiento de imágenes hiper-espectrales y radio por software.
2 Señales y sistemas de tiempo discreto

2.1Señales de tiempo discreto

Una señal de tiempo discreto 𝑥[𝑛] es una secuencia de números definidos para cada valor de la
variable entera 𝑛.

 La notación 𝑥[𝑛] se usa para representar la 𝑛-ésima muestra de la secuencia

𝑁
 La notación {𝑥[𝑛]}𝑁21 representa las muestras en el rango 𝑁1 ≤ 𝑛 ≤ 𝑁2
 La notación {𝑥[𝑛]} representa toda la secuencia.

Cuando 𝑥[𝑛] se obtiene a partir del muestreo de una señal de tiempo continuo 𝑥(𝑡):

 El intervalo 𝑇 entre dos muestras sucesivas se conoce como periodo o intervalo de muestreo.
 La cantidad 𝐹𝑠 = 1⁄𝑇, llamada frecuencia de muestreo o tasa de muestreo, es igual al número
de muestras por unidad de tiempo.
 Si 𝑇 se mide en segundos, las unidades de 𝐹𝑠 son el número de muestras por segundo (tasa de
muestreo) o Hertz (Hz) (frecuencia de muestreo).

Representación de señales.- Existen muchas formas de representar una señal de tiempo discreto.
Las más ampliamente usadas son:

 funcional
 tabular
 secuencia
 pictórica.

La duración o longitud 𝐿𝑥 de una señal de tiempo discreto 𝑥[𝑛] es el número de muestras desde la
primera muestra diferente de cero 𝑥[𝑛1 ] a la última muestra diferente de cero 𝑥[𝑛2 ], es decir, 𝐿𝑥 =
𝑛2 − 𝑛1 + 1.

El rango 𝑛1 ≤ 𝑛 ≤ 𝑛2, denotado por [𝑛1 , 𝑛2 ], se llama soporte de la secuencia.

Energía y potencia.- La energía de una secuencia 𝑥[𝑛] está definida por:

∞

ℰ𝑥 ≜ ∑ |𝑥[𝑛]|2 (2.1)
𝑛=−∞

Similarmente, la potencia de una secuencia 𝑥[𝑛] está definida como la energía promedio por
muestra:
𝐿
1
𝒫𝑥 ≜ lim [ ∑ |𝑥[𝑛]|2 ] (2.2)
𝐿→∞ 2𝐿 + 1
𝑛=−𝐿
 Cuando 𝑥[𝑛] representa una señal física, ambas cantidades están directamente relacionadas
con la energía y la potencia de la señal.
 Las secuencias de duración finita tienen energía finita pero potencia cero.
 Sin embargo, cuando la duración de una secuencia se incrementa, la energía o potencia pueden
o no permanecer finitas.

Señales elementales de tiempo discreto

Las señales prácticas en general son difíciles de representar por funciones matemáticas; sin
embargo, existen algunas señales simples que son útiles en la representación y análisis de señales y
sistemas de tiempo discreto.

Secuencia muestra unitaria: La señal más simple de tiempo discreto está definida por:
1, 𝑛=0
𝛿[𝑛] ≜ { (2.3)
0, 𝑛≠0
Secuencia escalón unitario: Está dada por:
1, 𝑛≥0
𝑢[𝑛] ≜ { (2.4)
0, 𝑛<0
y puede ser pensada como una sucesión infinita de muestras unitarias que empiezan en 𝑛 = 0.

Secuencia sinusoidal: Tiene la forma general:

𝑥[𝑛] = 𝐴 cos(𝜔0 𝑛 + 𝜙) ; −∞ < 𝑛 < ∞ (2.5)

donde 𝐴 (amplitud) y 𝜙 (fase) son constantes reales. La cantidad 𝜔0 es la frecuencia de la sinusoide,

la cual tiene unidades de radianes por intervalo de muestreo.

 Los valores de esta secuencia se mantienen en oscilación entre ±|𝐴|.

Secuencia exponencial: Tiene la forma general:

𝑥[𝑛] ≜ 𝐴𝑎𝑛 ; −∞ < 𝑛 < ∞ (2.6)
donde 𝐴 y 𝑎 pueden tomar valores reales o complejos.

 Si tanto A como a son números reales, entonces x[n] es denominada secuencia exponencial
real.
 Si |𝑎| < 1, el valor absoluto |𝑥[𝑛]| de la secuencia decrece en magnitud y si |𝑎| > 1, esta
magnitud se incrementa.
 Los valores de 𝑥[𝑛] alternan en signo cuando 𝑎 < 0.
 Si tanto A = |A|ejφ como a = σ0 + jω0 son valores complejos, entonces se tiene que:

𝑥[𝑛] = |𝐴|𝑒 𝑗𝜑 𝑒 𝜎0 𝑛+𝑗𝜔0 𝑛 = |𝐴|𝑒 𝜎0 𝑛 𝑒 𝑗(𝜔0 𝑛+𝜑) (2.7a)

o bien:

𝑥[𝑛] = |𝐴|𝑒 𝜎0 𝑛 cos(𝜔0 𝑛 + 𝜑) + 𝑗|𝐴|𝑒 𝜎0 𝑛 sin(𝜔0 𝑛 + 𝜑) (2.7b)

 Para 𝝈𝟎 ≠ 𝟎, los valores reales e imaginarios de esta secuencia oscilan.

 Si 𝝈𝟎 < 𝟎 el valor absoluto |𝑥[𝑛]| de la secuencia decrece en magnitud, cuando 𝑛 se
incrementa, y si 𝝈𝟎 > 𝟎 dicho valor crece.

Secuencia sinusoidal compleja: Un caso especial de la secuencia exponencial es cuando A es real

pero a = ejω0 n es compleja; es decir:

𝑥[𝑛] = 𝐴 cos(𝜔0 𝑛) + 𝑗𝐴 sin(𝜔0 𝑛) (2.8)

Esta secuencia es también es denominada secuencia exponencial compleja.

Secuencia periódica: Una secuencia 𝑥[𝑛] se llama periódica si:

𝑥[𝑛] = 𝑥[𝑛 + 𝑁]; ∀𝑛 (2.9)
El valor más pequeño de 𝑁 se conoce como periodo fundamental o simplemente periodo de 𝑥[𝑛].

 La secuencia sinusoidal es periódica si cos(𝜔0 𝑛 + 𝜙) = cos(𝜔0 𝑛 + 𝜔0 𝑁 + 𝜙).

 Esto es posible si 𝜔0 𝑁 = 2𝜋𝑘, donde 𝑘 es un entero.
 Cuando 𝑘 y 𝑁 son números primos, 𝑁 es igual al número de muestras en un periodo
fundamental de la secuencia.

Las secuencias sinusoidales y las exponenciales complejas, obtenidas usando la identidad de Euler
𝑒 𝑗𝜃 = cos 𝜃 + 𝑗 sin 𝜃 juegan un rol central en el análisis de señales y sistemas de tiempo discreto.

2.3 Sistemas de tiempo discreto

Un sistema de tiempo discreto es un proceso computacional o algoritmo que transforma o mapea
una secuencia 𝑥[𝑛], llamada señal de entrada, a otra secuencia 𝑦[𝑛], llamada señal de salida.

 En la práctica, un sistema de tiempo discreto es un algoritmo numérico que procesa una

secuencia de entrada 𝑥[𝑛] de longitud finita para producir una secuencia de salida de longitud
finita 𝑦[𝑛].
 Simbólicamente se denota por:
ℋ
𝑥[𝑛] → 𝑦[𝑛] o 𝑦[𝑛] = ℋ{𝑥[𝑛]} (2.15)

 El término filtro es usado intercambiablemente con el término sistema.

 Sin embargo, estrictamente hablando, un filtro es un sistema especial diseñado para remover
algunos componentes de la señal de entrada o para modificar algunas de sus características.

2.3.1 Causalidad y estabilidad

Definición 2.1.- Un sistema se llama causal si el valor presente de la salida no depende de los
valores futuros de la entrada, es decir, 𝑦[𝑛0 ] está determinado por los valores de 𝑥[𝑛] sólo para
𝑛 ≤ 𝑛0 .

 Si la salida de un sistema depende de los valores futuros de su entrada, el sistema es no causal.

 La causalidad implica que el sistema no puede producir una salida antes de que se le aplique la
entrada.
 Aunque la causalidad es necesaria para la implementación en tiempo real de sistemas de
tiempo discreto, no es realmente un problema en aplicaciones fuera de línea donde la señal de
entrada ya ha sido registrada.

Definición 2.2.- Se dice que un sistema es estable, en el sentido entrada acotada-salida acotada
(BIBO), si cada señal de entrada acotada resulta en una señal de salida acotada, es decir:

𝑥[𝑛] ≤ 𝑀𝑥 < ∞ ⇒ |𝑦[𝑛]| ≤ 𝑀𝑦 < ∞ (2.18)

Una señal 𝑥[𝑛] es acotada si existe una constante finita positiva 𝑀𝑥 tal que 𝑥[𝑛] ≤ 𝑀𝑥 ; ∀𝑛.

2.3.2 Linealidad e invariancia

Las propiedades que hacen que el análisis de los sistemas de tiempo discreto sea matemáticamente
tratable son:

 linealidad
 invariancia en el tiempo.

Un sistema es lineal si y sólo si para cada constante real o compleja 𝑎1 , 𝑎2 y cada señal de entrada
𝑥1 [𝑛], 𝑥2 [𝑛]:

ℋ{𝑎1 𝑥1 [𝑛] + 𝑎2 𝑥2 [𝑛]} = 𝑎1 ℋ{𝑥1 [𝑛]} + 𝑎2 ℋ{𝑥2 [𝑛]}; ∀𝑛 (2.19)

 La ecuación anterior se la conoce como principio de superposición; dice que una combinación
lineal de las señales de entrada produce la misma combinación lineal de las salidas.
 Si 𝑎2 = 0 se tiene que ℋ{𝑎1 𝑥1 [𝑛]} = 𝑎1 ℋ{𝑥1 [𝑛]}, la cual es conocida como propiedad de
homogeneidad o escalamiento.
 Si 𝑎1 = 𝑎2 = 1 se tiene que ℋ{𝑥1 [𝑛] + 𝑥2 [𝑛]} = ℋ{𝑥1 [𝑛]} + ℋ{𝑥2 [𝑛]}, la cual es conocida
como propiedad aditiva.
 La linealidad simplifica el análisis de los sistemas de tiempo discreto, debido a que una señal de
entrada compuesta, se puede descomponer en sus componentes más simples, determinar la
respuesta de cada componente individual separadamente y luego calcular la suma de todas las
respuestas individuales.

El sistema que no satisface el principio de superposición se dice que es no lineal.

Si las características de un sistema no cambian con el tiempo, el sistema es llamado invariante en

el tiempo; de otra manera es llamado variante en el tiempo.

Esto significa que la forma de la salida de un sistema invariante en el tiempo depende sólo de la
forma de la señal de entrada y no del instante de tiempo en que se aplica la entrada al sistema.

Definición 2.4.- Un sistema es invariante en el tiempo sí y sólo si:

𝑦[𝑛] = ℋ{𝑥[𝑛]} ⇒ 𝑦[𝑛 − 𝑛0 ] = ℋ{𝑥[𝑛 − 𝑛0 ]} (2.22)
para cada entrada 𝑥[𝑛] y cada corrimiento de tiempo 𝑛0 .

Es decir, un corrimiento de tiempo en la entrada resulta en un corrimiento de tiempo en la salida.

En resumen:

 Linealidad significa que la salida debida a la suma de señales de entrada es igual a la suma de
salidas debidas a cada señal de entrada.
 Invariancia en el tiempo significa que el sistema no cambia con un corrimiento en el tiempo.

2.3.3 Diagramas de bloques, gráficas de flujo de señal y realizabilidad

práctica
Las operaciones requeridas en la implementación de un sistema de tiempo discreto se pueden
describir de dos maneras:

 Mediante un diagrama de bloques

 Mediante una gráfica de flujo de señal.

Un diagrama de bloques proporciona una vista pictórica de la operación global del sistema usando
una interconexión simple de bloques básicos de construcción.

Un diagrama de flujo de señal define el conjunto preciso de operaciones necesarias para la

implementación del sistema.

Elementos de un diagrama de bloques

Los diagramas de bloques proporcionan una representación pictórica del algoritmo requerido para
implementar un sistema de tiempo discreto y pueden servir como base para el desarrollo de
software o hardware en su implementación práctica.

Elementos de una gráfica de flujo de señal

Realizabilidad práctica.- Un sistema de tiempo discreto es prácticamente realizable si su

implementación práctica requiere:

 una cantidad finita de memoria para el almacenamiento de las muestras de la señal y los
parámetros del sistema
 un número finito de operaciones aritméticas para el cálculo de cada muestra de salida.

Resumen de propiedades de sistemas de tiempo discreto

2.4Descripción de la convolución de sistemas lineales invariantes en el
tiempo
Descomposición de señales en impulsos.- Defina la secuencia:
𝑥[𝑘], 𝑛=𝑘
𝑥𝑘 [𝑛] = { (2.29)
0, 𝑛≠𝑘
la cual consiste de la muestra 𝑥[𝑘] de 𝑥[𝑛] en 𝑛 = 𝑘 y cero en otro lado.

La secuencia 𝑥𝑘 [𝑛] puede ser obtenida multiplicando la secuencia {𝑥[𝑛]} por la secuencia:
1, 𝑛=𝑘
𝛿[𝑛 − 𝑘] = { (2.30)
0, 𝑛≠𝑘
Por su parte, la secuencia 𝑥[𝑛] puede ser expresada como:
∞

𝑥[𝑛] = ∑ 𝑥[𝑘]𝛿[𝑛 − 𝑘] ; −∞ < 𝑛 < ∞ (2.31)

𝑘=−∞

El lado izquierdo representa la secuencia 𝑥[𝑛] como un todo, mientras que la sumatoria del lado
derecho representa la secuencia de una superposición de secuencias corridas de muestras unitarias.

Suma de convolución.- Cualquier secuencia 𝑥[𝑛] puede ser descompuesta en una superposición
de impulsos escalados y corridos.

Considere un sistema lineal (pero posiblemente variante en el tiempo) y denote por ℎ𝑘 [𝑛] su
respuesta a la señal básica 𝛿[𝑛 − 𝑘].

Entonces, de la propiedad de superposición, la respuesta 𝑦[𝑛] a la entrada 𝑥[𝑛] es la misma

combinación lineal de las respuestas básicas ℎ𝑘 [𝑛], es decir:
∞

𝑦[𝑛] = ∑ 𝑥[𝑘]ℎ𝑘 [𝑛] (2.34)

𝑘=−∞

la cual se conoce como suma de superposición.

La ecuación anterior proporciona la respuesta de un sistema lineal variante en el tiempo en

términos de las respuestas del sistema a los impulsos 𝛿[𝑛 − 𝑘].
Si se impone la restricción adicional de que el sistema es invariante en el tiempo, se tiene:
ℋ ℋ
𝛿[𝑛] → ℎ[𝑛] ⇒ 𝛿[𝑛 − 𝑘] → ℎ𝑘 [𝑛]= ℎ{𝑛 − 𝑘} (2.35)
Por tanto:
∞

𝑦[𝑛] = ∑ 𝑥[𝑘]ℎ{𝑛 − 𝑘} (2.36)

𝑘=−∞

La anterior ecuación, llamada suma de convolución, se denota por 𝑦[𝑛] = 𝑥[𝑛] ∗ ℎ[𝑛].

 La respuesta de un sistema lineal invariante en el tiempo a cualquier señal de entrada 𝑥[𝑛]

puede ser determinada a partir de su respuesta al impulso ℎ[𝑛], usando la suma de convolución.
 Si no se tuviera acceso a la implementación interna del sistema, pudiera ser posible hacer
ingeniería inversa del sistema a partir de su respuesta al impulso.

Entendimiento de la suma de convolución

Expandiendo la sumatoria y escribiendo explícitamente las expresiones resultantes para nuevos
valores de 𝑛, por ejemplo 𝑛 = −1.0,1,2,3, se obtiene el siguiente resultado:

𝑦[−1] = ⋯ + 𝑥[−1]ℎ[0] + 𝑥[01]ℎ[−1] + 𝑥[1]ℎ[−2] + 𝑥[2]ℎ[−3] + ⋯

𝑦[0] = ⋯ + 𝑥[−1]ℎ[1] + 𝑥[01]ℎ[0] + 𝑥[1]ℎ[−1] + 𝑥[2]ℎ[−2] + ⋯
𝑦[1] = ⋯ + 𝑥[−1]ℎ[2] + 𝑥[01]ℎ[1] + 𝑥[1]ℎ[0] + 𝑥[2]ℎ[−1] + ⋯
𝑦[2] = ⋯ + 𝑥[−1]ℎ[3] + 𝑥[01]ℎ[2] + 𝑥[1]ℎ[1] + 𝑥[2]ℎ[0] + ⋯
𝑦[3] = ⋯ + 𝑥[−1]ℎ[4] + 𝑥[01]ℎ[3] + 𝑥[1]ℎ[2] + 𝑥[2]ℎ[1] + ⋯
(2.37)

Existen dos formas de ver a la ecuación anterior:

 una ecuación a la vez

 todas las ecuaciones como un bloque.

Cada método conduce a diferente interpretación e implementación de la suma de convolución.

Convolución como operación de escaneo.- De la ecuación:

∞

𝑦[𝑛] = ∑ 𝑥[𝑘]ℎ[𝑛 − 𝑘]
𝑘=−∞

se pueden hacer las siguientes observaciones:

 Las muestras de la secuencia 𝑥[𝑘] están en orden natural mientras que las muestras de la
secuencia ℎ[𝑘] están en orden revertido.
 Para determinar el valor de 𝑦[𝑛] en 𝑛 = 𝑛0 , la secuencia de la respuesta al impulso en reversa
es corrida tal que la muestra ℎ[0] esté alineada con la muestra 𝑥[𝑛0 ] de la entrada.
El cálculo de la convolución de dos secuencias involucra los siguientes pasos:

1 Cambiar el índice de las secuencias ℎ[𝑛] y 𝑥[𝑛] de 𝑛 a 𝑘 y graficarlas como una función de 𝑘.
2 Revertir la secuencia ℎ[𝑘] alrededor de 𝑘 = 0 y obtener la secuencia ℎ[−𝑘].
3 Correr la secuencia revertida, ℎ[−𝑘], 𝑛 muestras a la derecha, si 𝑛 > 0, o bien, a la izquierda si
𝑛 < 0.
4 Multiplicar las secuencias 𝑥[𝑛] y ℎ[𝑛 − 𝑘] para obtener la secuencia 𝑧𝑛 [𝑘] = 𝑥[𝑛]ℎ[𝑛 − 𝑘].
5 Sumar todas las muestras diferentes de cero de 𝑧𝑛 [𝑘] para determinar la muestra de salida en
el valor de corrimiento 𝑛.
6 Repetir los pasos 3 – 5 para todos los valores deseados de 𝑛.

Si se intercambian ℎ[𝑛] y 𝑥[𝑛], es decir, se escriben los productos en cada ecuación de (2.37) a la
inversa, el resultado de la convolución no cambia.

Por tanto:
∞ ∞

𝑦[𝑛] = ∑ 𝑥[𝑘]ℎ[𝑛 − 𝑘] = ∑ ℎ[𝑘]𝑥[𝑛 − 𝑘] (2.43)

𝑘=−∞ 𝑘=−∞

Esto es, cuando se convolucionan dos secuencias se puede revertir la secuencia que hace que el
cálculo de la suma de convolución sea más sencillo.

Convolución como superposición de réplicas escaladas y corridas.- Observe las columnas de

(2.37), note que cada columna es una secuencia de la respuesta al impulso corrida ℎ[𝑛 − 𝑘]; −∞ <
𝑛 < ∞, multiplicada por el valor 𝑥[𝑛] de la entrada en 𝑛 = 𝑘.

La suma de todas estas secuencias escaladas y corridas produce la secuencia de salida 𝑦[𝑛].

Este punto de vista puede ser reforzado considerando una derivación alternativa de la suma de
convolución descrita por los siguientes pasos:

Respuesta al impulso
ℋ
𝛿[𝑛] → ℎ[𝑛]
Invariancia en el tiempo
ℋ
𝛿[𝑛 − 𝑘] → ℎ[𝑛 − 𝑘]
Homogeneidad
ℋ
𝑥[𝑘]𝛿[𝑛 − 𝑘] → 𝑥[𝑘]ℎ[𝑛 − 𝑘]
Aditividad
∞ ∞
ℋ
∑ 𝑥[𝑘]𝛿[𝑛 − 𝑘] → ∑ 𝑥[𝑘]ℎ[𝑛 − 𝑘]
⏟
𝑘=−∞ ⏟
𝑘=−∞
𝑥[𝑛] 𝑦[𝑛]
Sistemas FIR versus IIR.- La duración de la respuesta al impulso conduce a dos tipos de sistemas
lineales invariantes en el tiempo:

 Si la respuesta al impulso tiene un número finito de muestras diferentes de cero (soporte finito)
se tiene un sistema FIR caracterizado por una respuesta al impulso de duración finita.
 De otra manera, se tiene un sistema IIR caracterizado por una respuesta al impulso de duración
infinita.

2.5 Propiedades de los sistemas lineales invariantes en el tiempo

2.5.1 Propiedades de convolución

Propiedad de identidad

𝑥[𝑛] ∗ 𝛿[𝑛] = 𝑥[𝑛]

Propiedad de retardo

𝑥[𝑛] ∗ 𝛿[𝑛 − 𝑛0 ] = 𝑥[𝑛 − 𝑛0 ]

Propiedad conmutativa

𝑥[𝑛] ∗ ℎ[𝑛] = ℎ[𝑛] ∗ 𝑥[𝑛]

Propiedad asociativa

(𝑥[𝑛] ∗ ℎ1 [𝑛]) ∗ ℎ2 [𝑛] = 𝑥[𝑛] ∗ (ℎ1 [𝑛] ∗ ℎ2 [𝑛])

Propiedad distributiva

𝑥[𝑛] ∗ (ℎ1 [𝑛] + ℎ2 [𝑛]) = 𝑥[𝑛] ∗ ℎ1 [𝑛] + 𝑥[𝑛] ∗ ℎ2 [𝑛]

Implicaciones en la interconexión de sistemas
2.5.2 Causalidad y estabilidad
Resultado 2.5.1.- Un sistema lineal invariante en el tiempo con respuesta al impulso ℎ[𝑛] es
causal si:

ℎ[𝑛] = 0; 𝑛 < 0 (2.50)

Resultado 2.5.2.- Un sistema lineal invariante en el tiempo con respuesta al impulso ℎ[𝑛] es
estable en el sentido entrada acotada – salida acotada, si y sólo si la respuesta al impulso es
absolutamente sumable, es decir, si:
∞

∑ |ℎ[𝑛]| < ∞ (2.52)

𝑛=−∞

Los sistemas FIR siempre son estables.

En efecto se tiene:
∞ 𝑀

𝑠ℎ = ∑ |ℎ[𝑘]| = ∑|ℎ[𝑘]| < ∞ (2.56)

𝑘=−∞ 𝑘=0

debido a que 𝑀 es finita.

Sin embargo, los sistemas IIR pueden o no ser estables

Ejemplo 2.5.- Considere el sistema con respuesta al impulso ℎ[𝑛] = 𝑏𝑎𝑛 𝑢[𝑛].
Para ver si el sistema es estable se debe verificar si la siguiente suma es finita:
∞ ∞

𝑠ℎ = ∑ |ℎ[𝑘]| = |𝑏| ∑|𝑎|𝑛 (2.57)

𝑘=−∞ 𝑘=0

Si |𝑎| < 1, usando la fórmula de series geométricas, la suma converge a |𝑏|⁄(1 − |𝑎|).

Por tanto, el sistema es estable sólo cuando |𝑎| < 1.

En este caso, la respuesta al impulso decae asintóticamente a cero.

2.5.3 Convolución de secuencias periódicas

Cuando una o ambas secuencias a ser convolucionadas son periódicas, la suma de convolución no
siempre es finita.

Note que la respuesta de un sistema lineal invariante en el tiempo estable a una entrada periódica
es periódica con el mismo periodo.

En efecto, si se reemplaza 𝑛 por 𝑛 + 𝑁 en:

∞

𝑦[𝑛] = ∑ 𝑥[𝑘]ℎ{𝑛 − 𝑘} (2.36)

𝑘=−∞

se obtiene:
∞

𝑦[𝑛 + 𝑁] = ∑ ℎ[𝑘]𝑥[𝑛 + 𝑁 − 𝑘] (2.58)

𝑘=−∞

Puesto que la condición de periodicidad 𝑥[𝑛 + 𝑁] = 𝑥[𝑛] se tiene para todo 𝑛, reemplazando 𝑛 por
𝑛 − 𝑘 da:

𝑥[𝑛 + 𝑁 − 𝑘] = 𝑥[𝑛 − 𝑘]

Sustituyendo esta relación en (2.58), se obtiene:

𝑦[𝑛 + 𝑁] = 𝑦[𝑛]

Por tanto, la suma de convolución puede ser usada tanto para entradas no periódicas como
periódicas, en la medida en que el sistema lineal invariante en el tiempo sea estable.

Si ℎ[𝑛] es periódica con periodo 𝑁 entonces el sistema es inestable debido a que la suma:
∞

∑ |ℎ[𝑘]|
𝑘=−∞

es siempre infinita.

Si
∞

∑ |𝑥[𝑘]|
𝑘=−∞

es finita, entonces la convolución 𝑦[𝑛] existe y es periódica con periodo 𝑁.

 Si 𝑥[𝑛] es periódica, por ejemplo con periodo 𝐿, entonces la suma de convolución no puede ser
finita.
 Sin embargo, si 𝑁 y 𝐿 son conmensurables, 𝑥[𝑛] ∗ ℎ[𝑛] es periódica con periodo igual al mínimo
común múltiplo de 𝑁 y 𝐿.
Entonces se puede definir la convolución periódica simplemente como la suma de convolución
sobre un periodo.

2.5.4 Respuesta a señales de prueba simples

Repuesta al escalón.- Ayuda a entender la reacción de un sistema a entradas súbitamente

aplicadas.

Está dada por:

∞ 𝑛

𝑠[𝑛] = ∑ ℎ[𝑘]𝑢[𝑛 − 𝑘] = ∑ ℎ[𝑘] (2.59)

𝑘=−∞ 𝑘=−∞

debido a que 𝑢[𝑛 − 𝑘] = 0 para 𝑛 − 𝑘 < 0 o 𝑘 > 𝑛.

Por tanto, la respuesta al escalón es la suma acumulativa de la respuesta al impulso.

Alternativamente, la respuesta al impulso es la primera diferencia de la respuesta al escalón, es

decir:

ℎ[𝑛] = 𝑠[𝑛] − 𝑠[𝑛 − 1]

Respuesta a una secuencia exponencial.- Considere la respuesta a la secuencia:

𝑥[𝑛] = 𝑎𝑛 ; −∞ < 𝑛 < ∞

donde 𝑎 puede tomar valores reales o complejos.

Usando la suma de convolución se tiene:

∞ ∞
𝑛−𝑘
𝑦[𝑛] = ∑ ℎ[𝑘]𝑎 = ( ∑ ℎ[𝑘]𝑎−𝑘 ) 𝑎𝑛 (2.60)
𝑘=−∞ 𝑘=−∞

La cantidad dentro del paréntesis es una función 𝐻(𝑎) del parámetro 𝑎.

La cantidad 𝐻(𝑎) existe si |𝐻(𝑎)| < ∞.

Por ejemplo, si ℎ[𝑛] = 𝑢[𝑛] − 𝑢[𝑛 − 𝑀] se tiene:

∞ 𝑀−1
−𝑘
1 − 𝑎𝑀
𝐻(𝑎) = ∑ ℎ[𝑘]𝑎 = ∑ 𝑎−𝑘 = (2.61)
1−𝑎
𝑘=−∞ 𝑘=0

lo que conduce a:
 1 − 𝑎𝑀 𝑛
𝑦[𝑛] = 𝐻(𝑎)𝑎𝑛 = ( ) 𝑎 (2.62)
1−𝑎

Por tanto, la respuesta de un sistema lineal invariante en el tiempo y estable, a la secuencia

exponencial 𝑥[𝑛] = 𝑎𝑛 ; −∞ < 𝑛 < ∞, es la misma secuencia multiplicada por la constante
dependiente del sistema 𝐻(𝑎).

Respuesta a la señal sinusoidal compleja.- Un caso especial importante ocurre para 𝑎 = 𝑒 𝑗𝜔 ,

es decir la secuencia exponencial compleja:

𝑥[𝑛] = 𝑒 𝑗𝜔𝑛

La respuesta es tan sólo la secuencia de entrada escalada por una constante compleja:
∞

𝑦[𝑛] = ( ∑ ℎ[𝑘]𝑒 −𝑗𝜔𝑘 ) 𝑒 𝑗𝜔𝑛 = 𝐻(𝑒 𝑗𝜔 )𝑒 𝑗𝜔𝑛 (2.63)

𝑘=−∞

La cantidad 𝐻(𝑒 𝑗𝜔 ), conocida como una función de respuesta en frecuencia, juega un rol
prominente en el análisis y diseño de sistemas lineales invariantes en el tiempo, usando técnicas en
el dominio de la frecuencia.

Resumen de las respuestas a estas señales de prueba básicas

2.6 Evaluación analítica de la convolución

Aquí se describe un procedimiento gráfico que ilustra cómo determinar los rangos de la suma de
convolución y el soporte de la secuencia de convolución 𝑦[𝑛] = ℎ[𝑛] ∗ 𝑥[𝑛] de dos secuencias de
𝑁 𝑀
longitud finita, arbitrariamente particionadas {𝑥[𝑛]}𝑁21 y {ℎ[𝑛]}𝑀21 .

Empiece dibujando los sobres de dos secuencias; la forma de los sobres no es importante. La
siguiente figura muestra las secuencias 𝑥[𝑘] y ℎ[𝑛 − 𝑘] como una función del índice 𝑘.
La secuencia ℎ[𝑛 − 𝑘] se obtiene volteando ℎ[𝑘] para obtener ℎ[−𝑘] y luego recorriendo 𝑛
muestras para obtener ℎ[𝑛 − 𝑘].

Note que la muestra ℎ[𝑀1 ] está ahora localizada en 𝑘 = 𝑛 − 𝑀1 y la muestra ℎ[𝑀2 ] en 𝑘 = 𝑛 − 𝑀2 .

Puesto que 𝑀1 ≤ 𝑀2 , esto refleja la reversa de tiempo de la secuencia ℎ[𝑘 ].

Sin pérdida de generalidad, elija 𝑛 para posicionar ℎ[𝑛 − 𝑘] a la izquierda de 𝑥[𝑘]. Cambiando el
parámetro 𝑛 se corre ℎ[𝑛 − 𝑘] a una posición diferente a lo largo del eje 𝑘.

Con referencia a la siguiente figura, dependiendo del traslape entre las secuencias 𝑥[𝑘] y ℎ[𝑛 − 𝑘]
existen tres límites distintos de la suma de convolución. Estos límites se indican por el inicio y el fin
de los intervalos sombreados:
Claramente, la suma de convolución es cero cuando 𝑛 − 𝑀1 < 𝑁1 o 𝑛 − 𝑀2 > 𝑁2 , debido a que las
secuencias 𝑥[𝑘] y ℎ[𝑛 − 𝑘] no se traslapan.

Por tanto, 𝑦[𝑛] es diferente de cero en el rango 𝐿1 = 𝑀1 + 𝑁1 ≤ 𝑛 ≤ 𝐿2 = 𝑀2 + 𝑁2 .

Estos tres rangos distintos de la suma de convolución están definidos como sigue:

Traslape parcial a la izquierda.- El rango de la suma, es desde 𝑘 = 𝑁1 a 𝑘 = 𝑛 − 𝑀1 .

Este rango es válido en 𝑛 − 𝑀1 ≥ 𝑁1 o 𝑛 ≥ 𝑁1 + 𝑀1 y 𝑛 − 𝑀2 ≤ 𝑁1 o 𝑛 ≥ 𝑁1 + 𝑀2 .

Por tanto se tiene:

𝑛−𝑀1

𝑦[𝑛] = ∑ 𝑥 [𝑘 ]ℎ[𝑛 − 𝑘 ] ; 𝑁1 + 𝑀1 ≤ 𝑛 ≤ 𝑁1 + 𝑀2
𝑘=𝑁1

Traslape completo.- El rango de la sumatoria es desde 𝑘 = 𝑛 − 𝑀2 a 𝑘 = 𝑛 − 𝑀1 .

Este rango es válido en 𝑛 − 𝑀2 > 𝑁1 o 𝑛 ≥ 𝑁1 + 𝑀2 y 𝑛 − 𝑀1 < 𝑁2 o 𝑛 < 𝑁2 + 𝑀1 .

Por tanto:
𝑛−𝑀1

𝑦[𝑛] = ∑ 𝑥[𝑘]ℎ[𝑛 − 𝑘] ; 𝑁1 + 𝑀2 < 𝑛 < 𝑁2 + 𝑀1

𝑘=𝑛−𝑀2

Traslape parcial a la derecha.- El rango de la sumatoria es desde 𝑘 = 𝑛 − 𝑀2 a 𝑘 = 𝑁2 .

Este rango es válido en 𝑛 − 𝑀1 ≥ 𝑁2 o 𝑛 ≥ 𝑁2 + 𝑀1 y 𝑛 − 𝑀2 ≤ 𝑁2 o 𝑛 ≤ 𝑁2 + 𝑀2 .

Por tanto:
𝑁2

𝑦[𝑛] = ∑ 𝑥[𝑘]ℎ[𝑛 − 𝑘] ; 𝑁2 + 𝑀1 < 𝑛 < 𝑁2 + 𝑀2

𝑘=𝑛−𝑀2

En conclusión, la convolución de ℎ[𝑛], 𝑛 ∈ [𝑀1 , 𝑀2 ] y 𝑥[𝑛], 𝑛 ∈ [𝑁1 , 𝑁2 ] es una secuencia 𝑦[𝑛], 𝑛 ∈

[𝑀1 + 𝑁1 , 𝑀2 + 𝑁2 ].

Este resultado se tiene para cualquier valor positivo o negativo de los límites.

2.7 Cálculo numérico de la convolución

Suponga que se desea calcular la convolución 𝑦[𝑛]de las secuencias de longitud finita {ℎ[𝑛]}𝑀−1
0 y
𝑁−1
{𝑥[𝑛]}0 .

Para ilustración asuma que 𝑀 = 3 y 𝑁 = 6.

La convolución es válida en el rango de 𝑛 ∈ [0, 𝑀 + 𝑁 − 2] = [0,7].

Por tanto, los valores distintos de cero de la suma de convolución están dados por:
 (2.70)

Este conjunto de ecuaciones puede ser más concisamente expresado por la multiplicación de una
matriz por un vector:

* (2.71)

La forma matricial de la convolución involucra una matriz conocida como matriz de Toeplitz, debido
a que los elementos a lo largo de cada diagonal son los mismos.

Empezando con (2.70) o bien con (2.71) se puede desarrollar dos tipos diferentes de algoritmos para
calcular la suma de convolución.

El método más simple, desde el punto de vista de programación es expresar (2.71) como una
combinación lineal de los vectores columna:

(2.72)

Esta fórmula expresa la secuencia de convolución como una superposición de réplicas escaladas y
retardadas de la secuencia de entrada.

Este método puede ser eficientemente implementado en Matlab usando la función:

Sin embargo, se puede fácilmente obtener una versión con cálculos escalares reemplazando el lazo
en convvec con un doble lazo para obtener la función:

Las funciones convvec y convser proporcionan funcionalidad idéntica a la función de Matlab

y=conv(h,x).

 La convolución de dos secuencias arbitrariamente posicionadas ℎ[𝑛]; 𝑛 ∈ [𝑀1 , 𝑀2 ] y 𝑥[𝑛]; 𝑛 ∈

[𝑁1 , 𝑁2 ], es una secuencia 𝑦[𝑛]; 𝑛 ∈ [𝑀1 + 𝑁1 , 𝑀2 + 𝑁2 ].
 Este resultado que se tiene para cualquier valor positivo o negativo de los límites, se implementa
fácilmente en Matlab mediante la función [y,ny]=conv0(h,nh,x,nx) donde nh, nx y ny son los
vectores índices de las secuencias correspondientes:

De (2.72) es claro que el cálculo de la convolución requiere 𝑀𝑁 multiplicaciones y 𝑀𝑁 adiciones.

 Todas estas funciones de convolución requieren que las secuencias a ser convolucionadas estén
disponibles y almacenadas en memoria antes de que se inicie el procesamiento.
 La secuencia de salida estará disponible después de que el procesamiento se haya completado.

Este tipo de procesamiento se conoce como procesamiento de bloque o procesamiento de tramas.

2.8 Implementación en tiempo real de filtros FIR

En la mayoría de las aplicaciones de tiempo real, se desea calcular la muestra de salida 𝑦[𝑛]
inmediatamente después del arribo de la muestra de entrada 𝑥[𝑛].
 Este método, que procede muestra por muestra sobre la secuencia de entrada, es conocido
como procesamiento de flujo.
 El cálculo debe ser completado antes de que llegue la siguiente entrada. Es decir, el procesador
debe tener la potencia de procesamiento para completar los cálculos requeridos dentro de un
periodo de muestreo.
 Esta es la esencia de la operación en tiempo real del procesamiento digital de señales.
 El retardo 𝜏 < 𝑇, entre la llegada de una muestra de entrada y la generación de la
correspondiente muestra de salida se conoce como latencia.
 Con respecto a la convolución, el procesamiento de flujo tiene que calcular una fila a la vez de
la ecuación (2.70), mientras que el procesamiento de bloque involucra el cálculo de un bloque
de tamaño fijo de filas a la vez.

En el procesamiento de bloques, la operación en tiempo real significa que el procesamiento de un

bloque debería ser completado antes de la acumulación del siguiente bloque.

 Claramente, la latencia en el procesamiento de bloque es más grande que la latencia en el

procesamiento de flujo.
 Para ilustrar cómo implementar un sistema FIR con operación de flujo, considere un sistema
con respuesta al impulso ℎ[𝑛]; 0 ≤ 𝑛 ≤ 𝑀 − 1; entonces se necesitan 𝑀 localizaciones de
memoria para almacenar los valores ℎ[0], … , ℎ[𝑀 − 1] y 𝑀 localizaciones para almacenar las
muestras de entrada 𝑥[𝑛], … , 𝑥[𝑛 − 𝑀 + 1] requeridas para calcular la muestra de salida 𝑦[𝑛].

De (2.70), las muestras de la secuencia de entrada deben ser ingresadas al arreglo de la señal en
orden inverso como se muestra en la siguiente figura para 𝑀 = 5:

La figura anterior muestra que si se empieza acumulando el producto h(i)*s(i) desde la derecha a la
izquierda, se puede correr los contenidos de s(i-1) a s(i) después de haber calculado y acumulado
este producto.

Este único lazo “multiplicar-acumular-correr” se ilustra en el script firststream de Matlab mostrado

a continuación:
La operación multiplicar-acumular-correr es muy importante para la implementación en tiempo
real de filtros digitales.

Así, todos los procesadores digitales de señales de propósito especial ejecutan esta operación como
una sola instrucción.

Cálculo en Matlab
 En Matlab, la función y=filter(h,1,x) calcula la convolución 𝑦[𝑛] de las secuencias ℎ[𝑛]; 0 ≤ 𝑛 ≤
𝑀 − 1 y 𝑥[𝑛]; 0 ≤ 𝑛 ≤ 𝑁 − 1, en el mismo rango 0 ≤ 𝑛 ≤ 𝑁 − 1 que la secuencia de entrada.
 En contraste, y=conv(h,x) calcula la convolución en el rango completo 0 ≤ 𝑛 ≤ 𝑁 + 𝑀 − 2.

2.9 Sistemas descritos por ecuaciones de diferencias lineales con coeficientes

constantes
La suma de convolución no puede ser usada en la práctica debido a que requiere un número infinito
de operaciones aritméticas y localizaciones de memoria.

Una subclase prácticamente realizable de sistemas lineales invariantes en el tiempo, cuya respuesta
al impulso es de longitud infinita (IIR), relaciona las secuencias de salida y entrada mediante una
ecuación de diferencias lineal con coeficientes constantes.

Sistemas recursivos generales.- Estos sistemas están descritos por la ecuación de diferencias:
 𝑁 𝑀

𝑦[𝑛] = − ∑ 𝑎𝑘 𝑦[𝑛 − 𝑘] + ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘] (2.94)

𝑘=1 𝑘=0

la cual es conocida como una ecuación de diferencias lineal con coeficientes constantes.

 Si los coeficientes de realimentación 𝑎𝑘 y los coeficientes de pre-alimentación 𝑏𝑘 son fijos, el

sistema es invariante en el tiempo; si dependen de 𝑛, el sistema es variante en el tiempo.
 El número 𝑁 es conocido como el orden del sistema.

Para 𝑁 = 0 se tiene:
𝑀

𝑦[𝑛] = ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘] (2.95)

𝑘=0

el cual es un sistema no recursivo con respuesta al impulso de duración finita ℎ[𝑛] = 𝑏𝑛 ; 0 ≤ 𝑛 ≤

𝑀 y ceros donde sea.

 Este sistema es lineal e invariante en el tiempo.

 Los sistemas no recursivos son sistemas FIR pero existen sistemas FIR que pueden ser
implementados en forma recursiva.

Cálculo de las ecuaciones de diferencias.- La implementación de sistemas descritos por ecuaciones

de diferencias, puede ser efectuada usando el método de procesamiento de flujo.

Esto requiere dos estructuras de la forma mostrada en:

 Una estructura para la parte de pre-alimentación (feedforward)

 Otra para la parte de realimentación de la ecuación de diferencias.

La función filter, proporciona una implementación eficiente de (2.94).

Los argumentos de entrada y salida de esta función están especificados como sigue:
Existen dos observaciones importantes con respecto a la función y=filter(b,a,x):

 Primero, los coeficientes de realimentación entran en el vector de parámetros a=[1 a1…aN] con
su signo invertido.
Esto es debido a que Matlab asume que todos los términos de realimentación en (2.94) han sido
movidos del lado izquierdo como sigue:
𝑁 𝑀

𝑦[𝑛] + ∑ 𝑎𝑘 𝑦[𝑛 − 𝑘] = ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘] (2.99)

𝑘=1 𝑘=0

 Segundo, la secuencia de salida se calcula en el mismo intervalo de tiempo que la secuencia de

entrada.

Ejemplo 2.8 Generación de eco y reverberación.-

 Cuando se ejecuta música en una sala de concierto, un torrente de ecos de las diferentes
superficies en la sala impactan al oído, produciendo una impresión de espacio al oyente.
 Más específicamente, el sonido que llega al oyente consiste de muchos componentes; sonido
directo, reflexiones tempranas y reverberaciones.
 Las reflexiones tempranas corresponden a unas cuantas primeras reflexiones provenientes de
las paredes
 La reverberación está compuesta por reflexiones tardías densamente empaquetadas como se
muestra en la siguiente figura:
 La música grabada en estudios, usando micrófonos ubicados cerca de los instrumentos y
reproducidos en la casa o en el auto, no suena natural.
 La solución típica a este problema es crear y añadir alguna reverberación artificial a la grabación
original antes de su distribución.

Un solo eco es fácilmente generado usando un filtro FIR:

𝑦[𝑛] = 𝑥[𝑛] + 𝑎𝑥[𝑛 − 𝐷]; −1 < 𝑎 < 1 (2.100)

donde 𝑥[𝑛] es la señal original, 𝐷 es el retardo de viaje redondo en número de intervalos de
muestreo y 𝑎 es el factor de atenuación debido a la propagación y reflexión.

 Si el retardo 𝜏 = 𝐷⁄𝐹𝑠 es mayor que aproximadamente 40 ms, entonces se oirá un eco.

 Un segundo eco estará dado por 𝑎2 𝑥[𝑛 − 2𝐷], un tercer eco por 𝑎3 𝑥[𝑛 − 3𝐷] y así
sucesivamente.
 Por tanto, un eco múltiple será generado por un filtro FIR dado por:

𝑦[𝑛] = 𝑥[𝑛] + 𝑎𝑥[𝑛 − 𝐷] + 𝑎2 𝑥[𝑛 − 2𝐷] + 𝑎3 𝑥[𝑛 − 3𝐷] + ⋯ (2.101)

el cual tiene respuesta al impulso dada por:

𝑦[𝑛] = 𝛿[𝑛] + 𝑎𝛿[𝑛 − 𝐷] + 𝑎2 𝛿[𝑛 − 2𝐷] + 𝑎3 𝛿[𝑛 − 3𝐷] + ⋯ (2.102)

Este filtro genera una secuencia infinita de ecos que tienen amplitudes que decaen
exponencialmente espaciados 𝐷 periodos de muestreo.

Una implementación recursiva eficiente está dada por:

𝑦[𝑛] = −𝑎𝑦[𝑛 − 𝐷] + 𝑥[𝑛]; −1 < 𝑎 < 1 (2.103)

3 La transformada z
3.2 La transformada z
La transformada z de una secuencia 𝑥[𝑛] es una función 𝑋(𝑧) definida por:
∞

𝑋(𝑧) = ∑ 𝑥[𝑛]𝑧 −𝑛 (3.9)

𝑛=−∞

donde la variable independiente 𝑧 puede representar cualquier número complejo.

Puesto que 𝑧 es una variable compleja, es conveniente interpretar la transformada z usando la

correspondencia entre números complejos y puntos en el plano.

Esta correspondencia se ilustra en la siguiente figura:

 El círculo unitario, definido por |𝑧| = 1, muestra el lugar geométrico de todos los puntos a una
distancia 1 desde el origen.
 La transformada z puede o no ser finita para todas las secuencias o todos los valores de 𝑧.
 Para cualquier secuencia dada, el conjunto de valores de 𝑧 para el cual la transformada z
converge, es conocido como región de convergencia (ROC) de la transformada z.
 Los valores de 𝑧 para los cuales 𝑋(𝑧) = 0 se llaman ceros de 𝑋(𝑧) y los valores de 𝑧 para los
cuales 𝑋(𝑧) = ∞ se conocen como polos.
 La ROC es una parte esencial de la transformada z y, por definición, no puede incluir ningún
polo.

Una ilustración gráfica de la transformada z se ilustra en la siguiente figura:

Ejemplo 3.1 Secuencia muestra unitaria.- La transformada z de la secuencia muestra unitaria
está dada por:
∞

𝑋(𝑧) = ∑ 𝛿[𝑛]𝑧 −𝑛 = 𝑧 0 = 1; ROC: todo 𝑧 (3.10)

𝑛=−∞

Ejemplo 3.2 Secuencia pulso cuadrado.- La transformada z de una secuencia pulso cuadrado
1, 0≤𝑛≤𝑀
𝑥[𝑛] = { (3.11)
0, de otra manera
está dada por:
𝑀
−𝑛
1 − 𝑧 −(𝑀+1) 𝑧 (𝑀+1) − 1
𝑋(𝑧) = ∑ 1𝑧 = = 𝑀 ; ROC: 𝑧 ≠ 0 (3.12)
1 − 𝑧 −1 𝑧 (𝑧 − 1)
𝑛=0

Ejemplo 3.3 Secuencia pulso exponencial.- La transformada z de la secuencia pulso exponencial

𝑎𝑛 0≤𝑛≤𝑀
𝑥[𝑛] = { (3.13)
0 de otra manera
está dada por:
 𝑀 𝑀
𝑛 −𝑛
1 − 𝑎𝑀+1 𝑧 −(𝑀+1)
𝑋(𝑧) = ∑ 𝑎 𝑧 = ∑(𝑎𝑧 −1 )𝑛 = ; ROC: 𝑧 ≠ 0 (3.14)
1 − 𝑎𝑧 −1
𝑛=0 𝑛=0

Ejemplo 3.4 Secuencia exponencial causal.- La transformada z de la secuencia exponencial

causal 𝑥[𝑛] = 𝑎𝑛 𝑢[𝑛]está dada por:
∞
1 𝑧
𝑋(𝑧) = ∑(𝑎𝑧 −1 )𝑛 = −1
= ; ROC: |𝑧| > |𝑎| (3.15)
1 − 𝑎𝑧 𝑧−𝑎
𝑛=0

 La serie geométrica infinita converge si |𝑎𝑧 −1 | < 1 o |𝑧| > |𝑎|.

 Por tanto, existe un cero en 𝑧 = 0 y un polo en 𝑝 = 𝑎.
 Para 𝑎 = 1 se obtine la transformada de la secuencia escalón unitario:
1
𝑋(𝑧) = ; ROC: |𝑧| > 1 (3.16)
1 − 𝑧 −1

Ejemplo 3.5 Secuencia exponencial anticausal.- La transformada z de la secuencia exponencial

anticausal:
0 𝑛≥0
𝑦[𝑛] = −𝑏 𝑛 𝑢[−𝑛 − 1] = { 𝑛 (3.17)
−𝑏 𝑛<0
Está dada por:
−1

𝑌(𝑧) = ∑ 𝑏 𝑛 𝑧 −𝑛 = −𝑏−1 𝑧(1 + 𝑏 −1 𝑧 + 𝑏 −2 𝑧 −2 + ⋯ )

𝑛=−∞

La serie geométrica infinita dentro del paréntesis converge si |𝑏 −1 𝑧| < 1 o |𝑧| < |𝑏|.

De esta manera:

−𝑏𝑧 −1 1 𝑧
𝑌(𝑧) = −1
= −1
= ; ROC: |𝑧| > |𝑏| (3.18)
1 − 𝑏 𝑧 1 − 𝑏𝑧 𝑧−𝑏
La transformada z de la función 𝑌(𝑧) tine un cero en 𝑧 = 0 y un polo en 𝑝 = 𝑏.
Note que para 𝑏 = 𝑎 se tiene que 𝑌(𝑧) = 𝑋(𝑧), pero 𝑥[𝑛] ≠ 𝑦[𝑛].

Por tanto, la especificación única de una secuencia 𝑥[𝑛] requiere tanto la función 𝑋(𝑧) y su ROC

Ejemplo 3.6 Secuencia exponencial de dos lados.- La transformada z de la secuencia

exponencial de dos lados:
𝑎𝑛 𝑛≥0
𝑥[𝑛] = { 𝑛 (3.19)
−𝑏 𝑛<0
Se obtiene sustituyendo (3,19) en:
∞

𝑋(𝑧) = ∑ 𝑥[𝑛]𝑧 −𝑛
𝑛=−∞

Y dividiendo la sumatoria en dos parte como sigue:

−1 ∞

𝑋(𝑧) = − ∑ 𝑏 𝑛 𝑧 −𝑛 + ∑ 𝑎𝑛 𝑧 −𝑛 (3.20)
𝑛=−∞ 𝑛=0

La primera suma converge a 1⁄(1 − 𝑏𝑧 −1 ) para |𝑧| < |𝑏|. La segunda suma converge a
1⁄(1 − 𝑎𝑧 −1 ) para |𝑧| > |𝑎|.

 Para que 𝑋(𝑧) exista, ambas sumas deben converger para un conjunto común de valores de 𝑧.
Esto requiere que se satisfagan |𝑧| < |𝑏| y |𝑧| > |𝑎|.
 Los dos conjuntos se traslapan sólo cuando |𝑏| > |𝑎|, en cuyo caso la ROC es la región anular
|𝑎| < |𝑧| < |𝑏|.
 La transformada z no existe cuando |𝑏| < |𝑎|.

Ejemplo 3.7 Secuencia exponencialmente oscilatoria.- Considere una secuencia causal

sinusoidal con amplitud exponencialmente variante:
 𝑥[𝑛] = 𝑟 𝑛 (cos(𝜔0 𝑛))𝑢{𝑛}; 𝑟 > 0, 0 ≤ 𝜔0 < 2𝜋 (3.21)

 La constante 𝜔0 determina el número de muestras por perido de la oscilación en la secuencia

cos(𝜔0 𝑛).
 La periodicidad requiere que cos(𝜔0 𝑛) = cos(𝜔0 (𝑛 + 𝑁)) ; ∀𝑛 o equivalentemente 𝜔0 𝑁 =
2𝑘𝜋.
 Un periodo de 2𝜋 radianes contiene 𝑁 muestras, donde 𝑁 = 2𝜋⁄𝜔0
 Por ejemplo, si 𝜔0 = 𝜋⁄4 radianes, la sinusoide es periódica con periodo fundamental de 𝑁 =
8 muestras.
1 1
Usando la identidad cos 𝜃 = 2 𝑒 𝑗𝜃 + 2 𝑒 −𝑗𝜃 se tiene:
∞ ∞ ∞
𝑛 (cos(𝜔 −𝑛
1 𝑛 1 𝑛
𝑋(𝑧) = ∑ 𝑟 0 𝑛))𝑧 = ∑(𝑟𝑒 𝑗𝜔0 𝑧 −1 ) + ∑(𝑟𝑒 −𝑗𝜔0 𝑧 −1 ) (3.22)
2 2
𝑛=0 𝑛=0 𝑛=0

Puesto que |𝑒 ±𝑗𝜔0 | = 1, ambas sumas convergen si |𝑟𝑧 −1 | < 1 o equivalnetemente |𝑧| > 𝑟. Por
tanto:
1 1 1 1
𝑋(𝑧) = 𝑗𝜔 −1
+ −𝑗𝜔
; 𝑅𝑂𝐶: |𝑧| > 𝑟 (3.23)
2 1 − 𝑟𝑒 𝑧0 2 1 − 𝑟𝑒 0 𝑧 −1

o combinando los dos términos:

1 − (𝑟 cos 𝜔0 )𝑧 −1 1 − (𝑟 cos 𝜔0 )𝑧 −1
𝑋(𝑧) = = (3.24)
(1 − 𝑟𝑒 𝑗𝜔0 𝑧 −1 )(1 − 𝑟𝑒 −𝑗𝜔0 𝑧 −1 ) 1 − 2(𝑟 cos 𝜔0 )𝑧 −1 + 𝑟 2 𝑧 −2

Multiplicando tanto el numerador como el denominador por 𝑧 −2 , se tiene:

𝑧(𝑧 − 𝑟 cos 𝜔0 )
𝑋(𝑧) = (3.25)
(𝑧 − 𝑟𝑒 𝑗𝜔0 )(𝑧 − 𝑟𝑒 −𝑗𝜔0 )
De esta manera, 𝑋(𝑧) tiene dos ceros en 𝑧1 = 0 𝑦 𝑧2 = 𝑟 cos 𝜔0 y dos polos complejos conjugados
en 𝑝1 = 𝑟𝑒 𝑗𝜔0 y 𝑝2 = 𝑟𝑒 −𝑗𝜔0 .

La gráfica de polos-ceros y la ROC se muestran en:

Pares de transformadas z

De los ejemplos anteriores y de la tabla anterior se ve que la ROC de cualquier transformada z tiene
las siguientes propiedades:

 La ROC no puede incluir a ningún polo

 La ROc es una región conectada (es decir, es un solo contiguo)
 Para secuencias de duración finita, la ROC es todo el plano z, con la posible excepción de 𝑧 = 0
o𝑧=∞
 Para secuencias de duración infinita, la ROC puede tener una de las siguientes formas:

Finalmente, es importante enfatizar los siguientes puntos importantes:

 La transformada z de una secuencia consiste de una fórmula algebraica y su ROC asociada. De

esta manera, para especificar de manera única una secuencia 𝑥[𝑛] se necesita 𝑋(𝑧) y su ROC.
 La función 𝑋(𝑧) es legítima sólo para 𝑧 dentro de su ROC.
 Note que 𝑋(𝑧) no está definida cuando z está fuera de la ROC, aunque la fórmula de 𝑋(𝑧)
produzca resultados significativos para estos valores.
3.3 La transformada z inversa
La recuperación de una secuencia 𝑥[𝑛] a partir de su transformada z (𝑋(𝑧) y ROC) está dada por:

1
𝑥[𝑛] = ∫ 𝑋(𝑧)𝑧 𝑛−1 𝑑𝑧 (3.27)
2𝜋𝑗 𝐶

La cual involucra integración compleja usando de acuerdo al teorema de los residuos de la teoría
de variable compleja.

Sin embargo, para la mayoría de las secuencias y transformadas z encontradas en el análisis de

sistemas LTI, son suficientes los siguientes procedimientos más simples:

 Expansión en una serie de términos en las variables 𝑧 y 𝑧 −1 ; los coeficientes resultantes dan los
valores de la secuencia resultante.
Para funciones racionales esto se hace usando división larga.
Esto se implementa en Matlab usando la función deconv y es mayormente usada para calcular
unos cuantos valores para propósitos de verificación.
 Expansión en fracciones parciales y tablas, la cual se impementa en Matlab usando la función
residuez.
Este es el método usado en la mayoría de las aplicaciones prácticas.

Si se tiene una función racional con polos distintos

𝑏0 + 𝑏1 𝑧 −1 + ⋯ + 𝑏𝑀 𝑧 −𝑀
𝑋(𝑧) = (3.41)
1 + 𝑎1 𝑧 −1 + ⋯ + 𝑎𝑁 𝑧 −𝑁
La expansión en fracciones parciales completa toma la forma:
𝑀−𝑁 𝑁
−𝑘
𝐴𝑘
𝑋(𝑧) = ∑ 𝐶𝑘 𝑧 +∑ (3.42)
1 − 𝑝𝑘 𝑧 −1
𝑘=0 𝑘=1

donde:

𝐴𝑘 = (1 − 𝑝𝑘 𝑧 −1 )𝑋(𝑧)|𝑧=𝑝𝑘 (3.43)

y 𝐶𝑘 = 0 cuando 𝑀 < 𝑁, es decir, cuando la función racional es propia.

Los parámetros {𝐴𝑘 , 𝑝𝑘 , 𝐶𝑘 } en la expansión (3.42) puede ser calculados usando la función de
Matlab:

[A,p,C]=residuez(b,a) (3.44)

La función residuez puede manejar múltiples polos (polos repetidos); sin embargo, este caso no se
encuentra a menudo en aplicaciones prácticas.

3.4 Propiedades de la transformada z

Puesto que existe una única correspondencia entre una secuencia 𝑥[𝑛] y su transformada 𝑋(𝑧) se
puede cambiar una secuencia manipulando su transformada z.

Aquí se discuten algunas propiedades claves de la transformada z que son útiles en el análisis y
diseño de sistemas LTI.

Linealidad.- La transformada z es un operador lineal, es decir:

𝒵
𝑎1 𝑥1 [𝑛] + 𝑎2 𝑥2 [𝑛] ↔ 𝑎1 𝑋1 [𝑧] + 𝑎2 𝑋2 [𝑧]; ROC contiene 𝑅𝑥1 ∩ 𝑅𝑥2 (3.46)

 Cuando se combinan transformadas z, entonces, la transformada z resultante existe, sólo si las

ROCs de todas las transformadas individuales se traslapan.
 Por tanto, la ROC de la combinación lineal en (3.46) es al menos la intersección de 𝑅𝑥1 y 𝑅𝑥2 .

Corrimiento en tiempo.- Considere:

𝒵
𝑥[𝑛 − 𝑘] ↔ 𝑧 −𝑘 𝑋[𝑧]; ROC = 𝑅𝑥1 (excepto 𝑧 = 0 𝑜 𝑧 = ∞) (3.47)

 Si 𝑘 > 0, la secuencia original 𝑥[𝑛] es corrida a la derecha y el corrimiento introduce un polo en

𝑧 = 0.
 Si 𝑘 < 0, la secuencia original 𝑥[𝑛] es corrida a la izquierda y el corrimiento introduce un polo
en 𝑧 = ∞.
 Claramente, estos polos deberían ser excluidos de la ROC de la transformada z resultante.

Convolución de dos secuencias.- Es equivalente a multiplicar sus transformadas z:

𝒵
𝑥1 [𝑛] ∗ 𝑥2 [𝑛] ↔ 𝑋1 [𝑧]𝑋2 [𝑧]; ROC contiene 𝑅𝑥1 ∩ 𝑅𝑥2 (3.52)

 Puesto que 𝑌(𝑧) se obtiene multiplicando 𝑋1 (𝑧) y 𝑋2 (𝑧), su ROC debería incluir la intersección
de las ROCs de 𝑋1 (𝑧) y 𝑋2 (𝑧).
 La propiedad de convolución juega un rol muy importante en el análisis de sistemas LTI.

Multiplicación por una secuencia exponencial.- De acuerdo a esta propiedad

𝒵
𝑎𝑛 𝑥[𝑛] ↔ 𝑋(𝑧⁄𝑎); ROC = |𝑎|𝑅𝑥 (3.55)
En efecto, si 𝑦[𝑛] = 𝑎𝑛 𝑥[𝑛], se tiene:
∞ ∞
𝑛 −𝑛
𝑌(𝑧) = ∑ 𝑎 𝑥[𝑛]𝑧 = ∑ 𝑥[𝑛](𝑧⁄𝑎)−𝑛 = 𝑋(𝑧⁄𝑎) (3.56)
𝑛=−∞ 𝑛=−∞

Diferenciación de la transformada z de 𝑿(𝒛).- Multiplicando el valor de cada muestra 𝑥[𝑛] por

su índice 𝑛, es equivalente a diferenciar 𝑋(𝑧).

Más específicamente:
𝒵 𝑑𝑋(𝑧)
𝑛𝑥[𝑛] ↔ −𝑧 ; ROC = 𝑅𝑥 (3.57)
𝑑𝑧
La cual se obtiene diferenciando ambos lados de (3.9).
En efecto, se tiene:
∞ ∞
𝑑𝑋(𝑧)
= ∑ 𝑥[𝑛](−𝑛)𝑧 −𝑛−1 = −𝑧 −1 ∑ 𝑛𝑥[𝑛]𝑧 −𝑛 (3.58)
𝑑𝑧
𝑛=−∞ 𝑛=−∞

Note que ambas secuencias tienen la misma ROC.

Conjugación de una secuencia compleja.- Mediante la propiedad de conjugación:

𝒵
𝑥 ∗ [𝑛] ↔ 𝑋 ∗ (𝑧 ∗ ); ROC = 𝑅𝑥 (3.59)

Reversa de tiempo.- La reversa de tiempo o propiedad de volteo es expresada como:

𝒵 1
𝑥[−𝑛] ↔ 𝑋(1⁄𝑧); ROC = (3.60)
𝑅𝑥
1
 La notación ROC = 𝑅 significa que 𝑅𝑥 está invertida; es decir, si 𝑅𝑥 = {𝑟1 < |𝑧| < 𝑟2 }, entonces
𝑥
1⁄𝑅𝑥 = {1⁄𝑟1 < |𝑧| < 1⁄𝑟2 }.

Teorema del valor inicial.- Si 𝑥[𝑛] es una secuencia causal, es decir, 𝑥[𝑛] = 0; 𝑛 < 0, entonces:
𝑥[0] = lim 𝑋(𝑧) (3.61)
𝑧→∞

Resumen de las propiedades de la transformada z

3.5 Función del sistema de sistemas LTI

Usando la respuesta al impulso ℎ[𝑛], se puede calcular la salida del sistema para cualquier entrada
via la sumatoria de convolución:
 ∞

𝑦[𝑛] = ∑ ℎ[𝑘]𝑥[𝑛 − 𝑘] (3.62)

𝑘=−∞

verificando que el sistema sea causal y estable.

Relación entrada-salida.- De la ecuación anterior y de la propiedad de convolución

𝒵
𝑥1 [𝑛] ∗ 𝑥2 [𝑛] ↔ 𝑋1 [𝑧]𝑋2 [𝑧]; ROC contiene 𝑅𝑥1 ∩ 𝑅𝑥2

se obtiene:

𝑌(𝑧) = 𝐻(𝑧)𝑋(𝑧) (3.63)

 𝐻(𝑧) es conocida como la función sistema o función de transferencia del sistema.

 Puesto que existe una única relación entre ℎ[𝑛] y 𝐻(𝑧), muchas propiedades del sistema se
pueden inferir de 𝐻(𝑧) y su ROC.

La ecuación anterior proporciona un método conveniente para la evaluación analítica de la

convolución usando la transformada z:

Es importante notar que este método requiere que las ROCs de 𝐻(𝑧) y 𝑋(𝑧) se traslapen.

Causalidad.- Un sistema LTI causal tiene una respuesta al impulso ℎ[𝑛] que es cero para 𝑛 < 0.
Por tanto, para sistemas causales la serie de potencia:
∞

𝐻(𝑧) = ∑ ℎ[𝑛]𝑧 −𝑛 (3.69)

𝑛=0

no incluye ninguna potencia positiva de 𝑧 y su ROC se extiende fuera de un círculo para algún radio
𝑟, es decir, |𝑧| > 𝑟.

Puesto que cada secuencia de lado derecho (causal o no causal) tiene ROC |𝑧| > 𝑟 para algún 𝑟, se
tiene la siguiente propiedad:

Resultado 3.5.1.- Una función sistema 𝐻(𝑧), cuya ROC es el exterior de un círculo que se extiende
al infinito, es una condición para que el correspondiente sistema LTI de tiempo discreto sea causal,
pero no una condición suficiente.

Estabilidad.- Para que un sistema LTI sea estable, la respuesta al impulso debe ser absolutamente
sumable, es decir:
 ∞

∑ |ℎ[𝑛]| < ∞ (3.70)

𝑛=−∞

Esto es equivalente a la condición:

∞
|𝐻(𝑧)| ≤ ∑ |ℎ[𝑛]𝑧 −𝑛 | < ∞ (3.71)
𝑛=−∞

para |𝑧| = 1; esto implica que la ROC de 𝐻(𝑧) debe incluir el círculo unitario.

Por tanto:

Resultado 3.5.2.- Un sistema LTI es estable si y sólo si la ROC de la función del sistema 𝐻(𝑧) incluye
el círculo unitario |𝑧| = 1.

Sistema causal y estable.- Combinando las dos propiedades anteriores se puede ahora establecer
que:

Resultado 3.5.3.- Un sistema LTI con función racional 𝐻(𝑧) es tanto causal como estable sí y sólo
si todos los polos de 𝐻(𝑧) están dentro del círculo unitario y su ROC está en el exterior de un círculo
que se extiende al infinito.

 La estabilidad y la causalidad no son propiedades interrelacionadas; un sistema causal puede o

mo ser estable, y viceversa.

Algebra de funciones sistema.- La transformada z permite el reemplazo de operaciones en el

dominio del tiempo, como el corrimiento de tiempo y la convolución, con operaciones algebraicas
más simples.

Esto conduce a un álgebra de funciones sistema que facilita el análisis y síntesis de sistemas LTI
involucrando interconexiones en serie, paralelas y realimentadas de bloques de construcción de
sistemas más simples.

Considere la interconexión paralela de dos sistemas como se muestra en la siguiente figura:

La respuesta al impuso del sistema global es

 ℎ[𝑛] = ℎ1 [𝑛] + ℎ2 [𝑛] (3.72)

y de la propiedad de linealidad de la transformada z, se tiene:

𝐻[𝑧] = 𝐻1 [𝑧] + 𝐻2 [𝑧] (3.73)

La potencia de la transformada z es más evidente cuando se trata de interconexiones serie de

sistemas LTI.

La respuesta al impulso del sistema global:

está dada por:

ℎ[𝑛] = ℎ1 [𝑛] ∗ ℎ2 [𝑛] (3.74)

y de la propiedad de convolución de la transformada z, se tiene:

𝐻[𝑧] = 𝐻1 [𝑧]𝐻2 [𝑧] (3.75)

Estos resultados pueden ser usados de manera directa para analizar interconexiones más complejas
de sistemas LTI.

3.6 Sistemas LTI caracterizados por ecuaciones de diferencias lineales con

coeficientes constantes
Considere la clase de sistemas LTI cuyas secuencias de entrada y salida satisfacen una ecuación de
diferencias lineal con coeficientes constantes de la forma:
𝑁 𝑀

𝑦[𝑛] + ∑ 𝑎𝑘 𝑦[𝑛 − 𝑘] = ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘] (3.76)

𝑘=1 𝑘=1

o bien:
𝑁 𝑀

𝑦[𝑛] = − ∑ 𝑎𝑘 𝑦[𝑛 − 𝑘] + ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘] (3.77)

𝑘=1 𝑘=1

 Asuma que el sistema es causal, entonces la ecuación anterior puede ser usada para calcular la
salida de manera recursiva empezando con un conjunto de condiciones iniciales.
 En aplicaciones de procesamiento de señales, es común aumir que el sistema está inicialmente
en reposo, es decir 𝑥[𝑛] = 𝑦[𝑛] = 0 para 𝑛 < 0.
 De esta manera, las condiciones iniciales en 𝑛 = 0 son puestas a cero, es decir:

𝑥[−1] = ⋯ = 𝑥[−𝑀] = 0 y 𝑦[−1] = ⋯ = 𝑦[−𝑁] = 0

y luego se procede a calcular recursivamente los valores de la salida 𝑦[0], 𝑦[1], … 𝑦[𝐿].

Polos y ceros.- Recuerde que un polinomio de grado 𝑀 tine M raíces.

Si 𝑧1 , 𝑧2 , … , 𝑧𝑀 son las raíces del polinomio numerador de la función sistema:
𝐵(𝑧)
𝐻(𝑧) =
𝐴(𝑧)
entonces se tiene:
𝑏1 𝑀−1 𝑏𝑀
𝐵(𝑧) = 𝑏0 𝑧 −𝑀 (𝑧 𝑀 + 𝑧 + ⋯ + ) = 𝑏0 𝑧 −𝑀 (𝑧 − 𝑧1 ) ⋯ (𝑧 − 𝑧𝑀 ) (3.81)
𝑏0 𝑏0
Similarmente, si 𝑝1 , 𝑝2 , … , 𝑝𝑁 son las raíces del polinomio denominador de la función sistema, se
tiene:

𝐴(𝑧) = 𝑧 −𝑁 (𝑧 𝑁 + 𝑎1 𝑧 𝑁−1 + ⋯ + 𝑎𝑁 ) = 𝑧 −𝑁 (𝑧 − 𝑝1 ) ⋯ (𝑧 − 𝑝𝑁 ) (3.82)

Por tanto:

𝐵(𝑧) 𝑧 −𝑀 ∏𝑀
𝑘=1(𝑧 − 𝑧𝑘 ) ∏𝑀 −1
𝑘=1(1 − 𝑧𝑘 𝑧 )
𝐻(𝑧) = = 𝑏0 −𝑁 𝑁 = 𝑏0 𝑁 (3.83)
𝐴(𝑧) 𝑧 ∏𝑘=1(𝑧 − 𝑝𝑘 ) ∏𝑘=1(1 − 𝑝𝑘 𝑧 −1 )

donde 𝑏0 es un término de ganancia constante.

 Cada uno de los factores (1 − 𝑧𝑘 𝑧 −1 ) contribuye con un cero en 𝑧 = 𝑧𝑘 y con un polo en 𝑧 = 0.

 Similarmente, cada uno de los factores (1 − 𝑝𝑘 𝑧 −1 ) contribuye con un polo en 𝑧 = 𝑝𝑘 y con un
cero 𝑧 = 0.

Respuesta al impulso.- Recuerde que cualquier función racional 𝑋(𝑧) con polos distintos puede
ser expresada de la forma:
𝑀−𝑁 𝑁
−𝑘
𝐴𝑘
𝑋(𝑧) = ∑ 𝐶𝑘 𝑧 +∑
1 − 𝑝𝑘 𝑧 −1
𝑘=0 𝑘=1

En particular, la transformada z de la respuesta al impulso con polos distintos, se puede expresar de

la misma manera:
𝑀−𝑁 𝑁
−𝑘
𝐴𝑘
𝐻(𝑧) = ∑ 𝐶𝑘 𝑧 +∑
1 − 𝑝𝑘 𝑧 −1
𝑘=0 𝑘=1

donde se incluye la primera sumatoria sólo si 𝑀 ≥ 𝑁.

 Cuando el sistema es causal, la ROC es el exterior de un círculo que empieza en los polos más
internos.
 Aplicando la transformada z inversa, se obtiene la respuesta al impulso dada por:
𝑀−𝑁 𝑁

ℎ[𝑛] = ∑ 𝐶𝑘 𝛿[𝑛 − 𝑘] + ∑ 𝐴𝑘 𝑝𝑘𝑛 𝑢[𝑛] (3.85)

𝑘=0 𝑘=1

Causalidad y estabilidad.- La ecuación de diferencias:

𝑁 𝑀

𝑦[𝑛] + ∑ 𝑎𝑘 𝑦[𝑛 − 𝑘] = ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘]

𝑘=1 𝑘=1

no especifica de manera única la respuesta al impulso de un sistema LTI, debido a que existen un
número de elecciones para la ROC de la función sistema

𝑌(𝑧) ∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘
𝐻(𝑧) = =
𝑋(𝑧) 1 + ∑𝑁
𝑘=1 𝑎𝑘 𝑧
−𝑘

 Por tanto, sin información o suposición adicional no se pueden hacer inferencias acerca de la
causalida y estabilidad del sistema.

En aplicaciones prácticas, donde se asume que el sistema es causal, la respuesta al impulso es una
secuencia causal dada por:
𝑀−𝑁 𝑁

ℎ[𝑛] = ∑ 𝐶𝑘 𝛿[𝑛 − 𝑘] + ∑ 𝐴𝑘 𝑝𝑘𝑛 𝑢[𝑛]

𝑘=0 𝑘=1

 Para que este sistema causal sea estable, la respuesta al impulso debe ser absolutamente
sumble, es decir:
∞ 𝑀−𝑁 𝑁 ∞

∑|ℎ[𝑛]| ≤ ∑ |𝐶𝑘 | + ∑|𝐴𝑘 | ∑|𝑝𝑘 |𝑛 < ∞ (3.86)

𝑛=0 𝑘=0 𝑘=1 𝑛=0

Esto es posible sí y sólo si |𝑝𝑘 | < 1 para 𝑘 = 1, … , 𝑁. Por tanto, la condición para la estabilidad
es:

Resultado 3.6.1.- Un sistema LTI causal con función del sistema racional es estable sí y sólo si todos
los polos de 𝐻(𝑧) están fuera del círculo unitario en el plano z. Los ceros pueden estar donde sea.

Clasificaciones de sistemas.- Los sistemas lineales invariantes en el tiempo puede ser clasificados
en diferentes clases en base a la longitud de su respuesta al impulso, la presencia de realimentación
en su implementación y el patrón de polos y ceros:

Longitud de la respuesta
Si al menos un polo diferente de cero de 𝐻(𝑧) no es cancelado por un cero, existirá un término de
la forma 𝐴𝑘 (𝑝𝑘 )𝑛 en
 𝑀−𝑁 𝑁

ℎ[𝑛] = ∑ 𝐶𝑘 𝛿[𝑛 − 𝑘] + ∑ 𝐴𝑘 𝑝𝑘𝑛 𝑢[𝑛]

𝑘=0 𝑘=1

En este caso, ℎ[𝑛] tiene duración inifinita y el sistema es llamado sistema IIR.

Si 𝑁 = 0, la función del sistema

𝑌(𝑧) ∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘
𝐻(𝑧) = =
𝑋(𝑧) 1 + ∑𝑁
𝑘=1 𝑎𝑘 𝑧
−𝑘

se vuelve un polinomio.

La respuesta al impulso está dada por:

𝑀
𝑏 0≤𝑛≤𝑀
ℎ[𝑛] = ∑ 𝑏𝑘 𝛿[𝑛 − 𝑘] = { 𝑛 (3.87)
0 de otra manera
𝑘=0

y los sistemas correspondientes se denominan sistemas FIR

Realimentación en la implementación
Si 𝑁 ≥ 1 la salida del sistema es realmentada a la entrada y el sistema se conoce como sistema
recursivo.

 Si 𝑁 = 0 la salida sólo es una combinación lineal de las entradas presentes y anteriores. Tales
sistemas se llaman sistemas no recursivos.

Polos y ceros
Si 𝑎𝑘 = 0; 𝑘 = 1, … , 𝑁, entonces el sistema tiene sólo 𝑀 ceros y el sistema es denominados sistema
todo ceros.

Si 𝑏𝑘 = 0; 𝑘 = 1, … , 𝑀, entonces el sistema tiene sólo 𝑁 polos y el sistema es denominado sistema

todo polos.

Análisis de sistemas LTI con Matlab.- En la práctica se trabaja con sistemas FIR (causales o no
causales) y sistemas IIR causales especificados por ecuaciones de diferencias de la forma:
𝑁 𝑀

𝑦[𝑛] = − ∑ 𝑎𝑘 𝑦[𝑛 − 𝑘] + ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘]

𝑘=1 𝑘=1

El análisis de sistemas causales con funciones del sistema racionales usando Matlab involucra los
siguientes pasos:

1.- Determinar los coeficientes de los vectores a y b a partir de la ecuación de diferencias:

𝑁 𝑀

𝑦[𝑛] = − ∑ 𝑎𝑘 𝑦[𝑛 − 𝑘] + ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘]

𝑘=1 𝑘=1

o la función sistema
 𝑌(𝑧) ∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘
𝐻(𝑧) = =
𝑋(𝑧) 1 + ∑𝑁
𝑘=1 𝑎𝑘 𝑧
−𝑘

2.- Graficar el patrón de polos y ceros con la función zplane(b,a). Si los polos están dentro del círculo
unitario, se concluye que el sistema es estable.

3.- Calcular y graficar la respuesta al impulso ℎ[𝑛] usando la función impz(b,a,L), con 𝐿 = 100. Si el
sistema es estable, los valores de ℎ[𝑛] deberían tender asintóticamente a cero.

4.- Después de inspeccionar la gráfica, elegir 𝐿 tal que sólo los valores diferentes de cero de ℎ{𝑛}
estén incluidos en la gráfica.

5.- Calcular la respuesta 𝑦[𝑛] a una entrada arbitratia 𝑥[𝑛] usando la función y=filter(b,a,x).

3.7 Conexiones entre localizaciones de polos y ceros y comportamiento en el

dominio del tiempo.
Las funciones sistema racionales con polos distintos pueden ser descompuestas como:
𝑀−𝑁 𝑁
𝐵(𝑧) ∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘
𝐴𝑘
𝐻(𝑧) = = 𝑁 = ∑ 𝐶𝑘 𝑧 −𝑘 + ∑ (3.89)
𝐴(𝑧) 1 + ∑𝑘=1 𝑎𝑘 𝑧 −𝑘 1 − 𝑝𝑘 𝑧 −1
𝑘=0 𝑘=1

donde se incluye la primera sumatoria sólo si 𝑀 ≥ 𝑁 y 𝐴𝑘 está dado por:

𝐴𝑘 = (1 − 𝑝𝑘 𝑧 −1 )𝐻(𝑧)|𝑧=𝑝𝑘 (3.90)

 La ecuación (3.89) muestra que un sistema de orden 𝑁 puede ser obtendio conectando un
sistema FIR de orden 𝑀 − 𝑁 y 𝑁 sistemas de primer orden.
 Los coeficientes 𝐶𝑘 son siempre reales, sin embargo, los polos 𝑝𝑘 pueden ser reales o complejos.

Para evitar el uso de los sistemas de primer orden con coeficientes complejos se usa el siguiente
resultado:

Resultado 3.7.1.- Las raíces de un polinomio con coeficientes reales o son real o bien ocurren en
pares complejos conjugados.

 Por tanto, cualquier sistema con una función racional 𝐻(𝑧) es equivalente a una combinación
de sistemas FIR, 𝐾1 sistemas de primer orden con polos reales y 𝐾2 sistemas de segundo orden
con polos complejos conjugados, donde 𝑁 = 𝐾1 + 𝐾2 .

Más específicamente:
𝑀−𝑁 𝐾1 𝐾2
−𝑘
𝐴𝑘 𝑏𝑘0 + 𝑏𝑘1 𝑧 −1
𝐻(𝑧) = ∑ 𝐶𝑘 𝑧 +∑ + ∑ (3.94)
1 − 𝑝𝑘 𝑧 −1 1 − 𝑎𝑘1 𝑧 −1 + 𝑎𝑘2 𝑧 −2
𝑘=0 𝑘=1 𝑘=1

3.7.1 Sistemas de primer orden

Cada sistema de primer orden corresponde a un sistema con función sistema:
 𝑏
𝐻(𝑧) = ; 𝑎, 𝑏 reales (3.95)
1 − 𝑎𝑧 −1
Asumiendo un sistema causal la respuesta al impulso está dada por la siguiente secuencia
exponencial:

ℎ[𝑛] = 𝑏𝑎𝑛 𝑢[𝑛] (3.96)

El sistema es estable sí y sólo si el polo 𝑝 = 𝑎 está dentro del círculo unitario, es decir, −1 < 𝑎 < 1.

La siguiente figura muestra cómo la localización del polo real afecta a la forma de la respuesta al
impulso:

3.7.2 Sistemas de segundo orden

Cada sistema de segundo orden en:
𝑀−𝑁 𝐾1 𝐾2
𝐴𝑘 𝑏𝑘0 + 𝑏𝑘1 𝑧 −1
𝐻(𝑧) = ∑ 𝐶𝑘 𝑧 −𝑘 + ∑ + ∑
1 − 𝑝𝑘 𝑧 −1 1 − 𝑎𝑘1 𝑧 −1 + 𝑎𝑘2 𝑧 −2
𝑘=0 𝑘=1 𝑘=1

Corresponde a un sistema con función sistema:

 𝑏0 + 𝑏1 𝑧 −1 𝑧(𝑏0 𝑧 + 𝑏1 )
𝐻(𝑧) = −1 −2
= 2 (3.97)
1 − 𝑎1 𝑧 + 𝑎2 𝑧 𝑧 + 𝑎1 𝑧 + 𝑎2

 El sistema tiene dos ceros reales en 𝑧1 = 0 y 𝑧2 = − 𝑏1 ⁄𝑏0.

 Los polos se obtienen resolviendo la ecuación cuadrá tica 𝑧 2 + 𝑎1 𝑧 + 𝑎2 = 0. Esto resultan en:

−𝑎1 ± √𝑎12 − 4𝑎2

𝑝12 = (3.98)
2
Existen tres casos posibles:

La respuesta al impulso de un sistema causal con un par de polos complejos conjugados se puede
encontrar como sigue:

𝑏0 + 𝑏1 𝑧 −1 𝐴 𝐴∗
𝐻(𝑧) = = +
1 − 𝑎1 𝑧 −1 + 𝑎2 𝑧 −2 1 − 𝑝𝑧 −1 1 − 𝑝∗ 𝑧 −1
donde:

𝑏0 = 2ℛℯ(𝐴) = 2|𝐴| cos 𝜃

𝑏1 = −2ℛℯ(𝐴𝑝∗ ) = 2𝑟|𝐴| cos(𝜔0 − 𝜃)
𝑎1 = −2ℛℯ(𝑝) = −2𝑟 cos(𝜔0 )

𝑎2 = |𝑝|2 = 𝑟 2
Antitransformando al dominio del tiempo:

ℎ[𝑛] = 𝐴𝑝𝑛 𝑢[𝑛] + 𝐴∗ (𝑝∗ )𝑛 𝑢[𝑛] = |𝐴|𝑒 𝑗𝜃 𝑟 𝑛 𝑒 𝑗𝜔0 𝑛 𝑢[𝑛] + |𝐴|𝑒 −𝑗𝜃 𝑟 𝑛 𝑒 −𝑗𝜔0 𝑛 𝑢[𝑛]
= |𝐴|𝑟 𝑛 [𝑒 𝑗(𝜔0 𝑛+𝜃) + 𝑒 −𝑗(𝜔0 𝑛+𝜃) ]𝑢[𝑛] = 2|𝐴|𝑟 𝑛 cos(𝜔0 𝑛 + 𝜃) 𝑢[𝑛]

donde 𝜔0 y 𝑟 están dados por:

𝑎1 = −2𝑟 cos(𝜔0 )

𝑎2 = 𝑟 2

 Por tanto, la respuesta al impulso de un sistema causal de segundo orden con polos complejos
conjugados es una secuencia sinusoidal con amplitud exponencialmente variante.

Más específicamente:

ℎ[𝑛] = 2|𝐴|𝑟 𝑛 cos(𝜔0 𝑛 + 𝜃) 𝑢[𝑛] (3.99)

donde 𝑟 determina el tipo de variación de la amplitud exponencial y 𝜔0 determina la frecuencia de
la oscilación sinusooidal.
 Los coeficientes 𝑏0 y 𝑏1 o equivalentemente los dos ceros del sistema simplemente introducen
un factor de escalamiento constante y un corrimiento de fase.
 De la anterior ecuación se puede ver fácilmente que el sistema es estable si 𝑟 < 1, es decir, si
los polos complejos conjugados están dentro del círculo unitario.

La siguiente figura ilustra cómo la localización de los polos afecta la forma de la respuesta al impulso
y la estabilidad del sistema:

3.8Tranformada z unilateral
La transformada z definida por
∞

𝑋(𝑧) = ∑ 𝑥[𝑛]𝑧 −𝑛
𝑛=−∞

es conocida como la transformada z bilateral debido a que representa la secuencia entera de dos
lados.
Sin embargo, existen problemas cuyas soluciones requieren el uso de la transformada z unilateral
definida por la fórmula:
∞
+ (𝑧) + {𝑥[𝑛]}
𝑋 ≜𝒵 ≜ ∑ 𝑥[𝑛]𝑧 −𝑛 (3.100)
𝑛=0

La diferencia entre la transformada z unilateral y la transformada z bilateral es que el límite inferior

de la suma en (3.100) es siempre cero, sin considerar los valores de 𝑥[𝑛]para 𝑛 < 0.

 Por tanto, las secuencias que son iguales para 𝑛 ≥ 0 y difieren para 𝑛 < 0 tienen la misma
transformada z unilateral.

Puesto que

𝒵 + {𝑥[𝑛]} = 𝒵{𝑥[𝑛]𝑢[𝑛]}
la ROC de 𝑋 + (𝑧) siempre es el exterior de un círculo.

 Casi todas las propiedades que se han estudiado para la transformada z bilateral se pueden
llevar a cabo sobre la transformada z unilateral con excepción de la propiedad de corrimiento
de tiempo.

Para ilustrar esta propiedad, se determinará 𝒵 + {𝑥[𝑛 − 1]}.

De la ecuación anterior se tiene:

𝒵 + {𝑥[𝑛 − 1]} = 𝑥[−1] + 𝑥[0]𝑧 −1 + 𝑥[1]𝑧 −2 + 𝑥[2]𝑧 −3 + ⋯

= 𝑥[−1] + 𝑧 −1 (𝑥[0] + 𝑥[1]𝑧 −2 + 𝑥[2]𝑧 −3 + ⋯ ) = 𝑥[−1] + 𝑧 −1 𝑋 + (𝑧) (3.101)

De forma similar, se puede mostrar que:

𝒵 + {𝑥[𝑛 − 1]} = 𝑥[−2] + 𝑥[−1]𝑧 −1 + 𝑧 −2 𝑋 + (𝑧) (3.102)

En general, para cualquier 𝑘 > 0 se puede demostrar que:

𝑘

𝒵 + {𝑥[𝑛
− 𝑘]} = 𝑧 −𝑘
𝑋 + (𝑧)
+ ∑ 𝑥[−𝑚]𝑧 (𝑚−𝑘) (3.103)
𝑚=1

Esta propiedad hace posible la solución de ecuaciones de diferencias lineales con coeficientes
constantes con condiciones iniciales diferentes de cero.

Ejemplo 3.17.- Sea:

𝑦[𝑛] = 𝑎𝑦[𝑛 − 1] + 𝑏𝑥[𝑥]; 𝑛 ≥ 0 (3.104)
con 𝑦[−1] ≠ 0.

Tomando la transformada z unilateral de la anterior ecuación y usando linealidad y la propiedad de

corrimiento:

𝒵 + {𝑥[𝑛 − 1]} = 𝑥[−1] + 𝑧 −1 𝑋 + (𝑧)

Se tiene:
 𝑌 + (𝑧) = 𝑎𝑦[−1] + 𝑎𝑧 −1 𝑋 + (𝑧) (3.105)

Resolviendo para 𝑌 + (𝑧) se obtiene:

𝑎𝑦[−1] 𝑏
𝑌 + (𝑧) = + 𝑋 + (𝑧) (3.106)
⏟
1 − 𝑎𝑧 −1 ⏟
1 − 𝑎𝑧 −1
𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑖𝑛𝑖𝑐𝑖𝑎𝑙 𝐸𝑠𝑡𝑎𝑑𝑜 𝑐𝑒𝑟𝑜

Si la entrada 𝑥[𝑛] = 0 para todo 𝑛, entonces la respuesta 𝑦[𝑛] sólo se debe a la condición inicial
𝑦[−1].

Por tanto, el primer término en el lado derecho de la anterior ecuación puede ser identificado como
la respuesta a la condición inicial o la respuesta a la entrada cero 𝑦𝑧𝑖 [𝑛], la cual está dada por:

𝑦𝑧𝑖 [𝑛] = 𝑎𝑦[−1]𝑎𝑛 = 𝑦[−1]𝑎𝑛+1 ; 𝑛 ≥ 0 (3.107)

Por otro lado, si la condición inicial es cero en:

𝑦[𝑛] = 𝑎𝑦[𝑛 − 1] + 𝑏𝑥[𝑥]; 𝑛 ≥ 0

Entonces el sistema está en reposo o en estado cero.

El primer término de
𝑎𝑦[−1] 𝑏
𝑌 + (𝑧) = + 𝑋 + (𝑧)
⏟− 𝑎𝑧 −1
1 ⏟
1 − 𝑎𝑧 −1
𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑖𝑛𝑖𝑐𝑖𝑎𝑙 𝐸𝑠𝑡𝑎𝑑𝑜 𝑐𝑒𝑟𝑜

es ahora cero y se tiene que:

𝑌 + (𝑧) = 𝐻(𝑧)𝑋 + (𝑧)

donde
𝑏
𝐻(𝑧) =
1 − 𝑎𝑧 −1
o la respuesta al impulso es ℎ[𝑛] = 𝑏𝑎𝑛 𝑢[𝑛] y, por tanto, el segundo término puede ser identificado
como la respuesta al estado cero 𝑦𝑧𝑠 [𝑛].

La respuesta completa está dada por:

𝑛
𝑛+1
𝑦[𝑛] = 𝑦[−1]𝑎 + ∑ ℎ[𝑘]𝑥[𝑛 − 𝑘] ; 𝑛 ≥ 0 (3.108)
𝑘=0

Para obtener la respuesta transitoria al escalón, se hace 𝑥[𝑛] = 𝑢[𝑛] en

𝑦[𝑛] = 𝑎𝑦[𝑛 − 1] + 𝑏𝑥[𝑥]; 𝑛 ≥ 0

Entonces de la ecuación:
𝑎𝑦[−1] 𝑏
𝑌 + (𝑧) = + 𝑋 + (𝑧)
⏟
1 − 𝑎𝑧 −1 ⏟
1 − 𝑎𝑧 −1
𝑐𝑜𝑛𝑑𝑖𝑐𝑖ó𝑛 𝑖𝑛𝑖𝑐𝑖𝑎𝑙 𝐸𝑠𝑡𝑎𝑑𝑜 𝑐𝑒𝑟𝑜
Se tiene:
𝑏 𝑏𝑎
𝑎𝑦[−1] 𝑏 𝑎𝑦[−1] 1 − 𝑎 −1− 𝑎
+ (𝑧)
𝑌 = + = + +
1 − 𝑎𝑧 −1 (1 − 𝑎𝑧 −1 )(1 − 𝑧 −1 ) 1 − 𝑎𝑧 −1 1 − 𝑧 −1 1 − 𝑎𝑧 −1
Y por tanto, la respuesta completa está dada por:
𝑏
𝑦[𝑛] = 𝑦[−1]𝑎𝑛+1 + (1 − 𝑎𝑛+1 ); 𝑛 ≥ 0 (3.109)
1−𝑎
 El ejemplo anterior ilustra el uso de la transformada z unilateral en la obtención de la respuesta
de salida de un sistema de tiempo discreto descrito por una ecuación de diferencias lineal con
coeficientes constante y condiciones iniciales cero.

En Matlab esta solución se obtiene la función filter con invocación:

y=filter(b,a,x,xic) (3.110)

donde xic es un arreglo obtenido de los valores iniciales de las señales de entrada y salida usando:

xic=filtic(b,a,Y,X) (3.111)

en la cual Y y X son los respectivos arreglos de las condiciones iniciales. De esta manera, en el
ejemplo anterior las sentencias:

xic=filtic(b,[1,-a],yic,0]; %yic=y[-1]

y=filter(b.[1,-a],x,xic);

calcularán la respuesta completa.

4 Representación de Fourier de señales
4.1 Señales sinusoidales y sus propiedades
El objetivo del análisis de Fourier de señales es dividir todas las señales en sumatorias y
componentes sinusoidales.

 El análisis de Fourier es como un prisma de vidrio que divide un haz de luz en componentes de
frecuencias correspondientes a diferentes colores.

4.1.1 Sinusoides de tiempo continuo

Una señal sinusoidal de tiempo continuo puede ser representada como una función del tiempo 𝑡
mediante la ecuación:

𝑥(𝑡) = 𝐴 cos(2𝜋𝐹0 + 𝜃) ; −∞ < 𝑡 < ∞ (4.1)

donde 𝐴 es la amplitud, 𝜃 es la fase en radianes y 𝐹0 es la frecuencia.

Si se asume que 𝑡 es medida en segundos, las unidades de 𝐹0 son ciclos por segundo o Hertz (Hz).

En manipulaciones analíticas es más conveneinte usar frecuencia angular o frecuencia en radianes:

Ω0 = 2𝜋𝐹0 (4.2)

medida en radianes por segundo.

El significado de estas cantidades se ilustra en:

Usando la identidad de Euler, 𝑒 ±𝑗𝜙 = cos 𝜙 ± 𝑗 sin 𝜙, se puede expresar cada señal sinusoidal en
términos de dos exponenciales complejas con la misma frecuencia, como sigue:
𝐴 𝑗𝜃 𝑗Ω 𝑡 𝐴 −𝑗𝜃 −𝑗Ω 𝑡
𝐴 cos(Ω0 𝑡 + 𝜃) = 𝑒 𝑒 0 + 𝑒 𝑒 0 (4.3)
2 2
 Por tanto, se puede estudiar las propiedades de la señal sinusoidal mediante las propiedades de
la exponencial 𝑥(𝑡) = 𝑒 𝑗Ω0 𝑡 .
La frecuencia, vista como el numero de ciclos completados por unidad de tiempo, es una cantidad
inherentemente positiva.

 Sin embargo, el uso de frecuencias negativas es una forma conveniente para describir señales
en términos de exponenciales complejas.
 El concepto de frecuencias negativas es usado, principlamente por conveniencia matemática.

Para entender la importancia de las exponenciales complejas en el estudio de sistemas LTI, se

determina la respuesta 𝑦(𝑡) del sistema a la entrada 𝑥(𝑡) = 𝑒 𝑗Ω0 𝑡 usando la integral de
convolución.

El resultado es:
∞ ∞ ∞
𝑦(𝑡) = ∫ ℎ(𝜏)𝑥(𝑡 − 𝜏)𝑑𝜏 = ∫ ℎ(𝜏)𝑒 𝑗Ω0 (𝑡−𝜏) 𝑑𝜏 = ∫ ℎ(𝜏)𝑒 𝑗Ω0 𝑡 𝑒 −𝑗Ω0 𝜏 𝑑𝜏
−∞ −∞ −∞
∞
= (∫ ℎ(𝜏)𝑒 −𝑗Ω0 𝜏 𝑑𝜏) 𝑒 𝑗Ω0 𝑡 (4.4)
−∞

Cuando la integral en el paréntesis de (4.4) existe, su valor es una constante compleja, por ejemplo
𝐻(𝑗Ω), cuyo valor depende de la frecuencia de entrada.

De esta manera, la respuesta a 𝑒 𝑗Ωt es de la forma:

𝑦(𝑡) = 𝐻(𝑗Ω)𝑒 𝑗Ωt ; −∞ < 𝑡 < ∞ (4.5)

 Esto implica que las exponenciales complejas son funciones propias de sistemas LTI de tiempo
continuo.
 Para un valor específico de Ω, la constante 𝐻(𝑗Ω) es un valor propio asociado con la función
propia 𝑒 𝑗Ωt .
 Eligiendo ℎ(𝑡) tal que 𝐻(𝑗Ω) ≈ 1 sobre algún rango de frecuencias y 𝐻(𝑗Ω) ≈ 0 sobre otro
rango de frecuencias, proporciona la base para el diseño de filtros de frecuencia selectiva.

La sinusoide de tiempo continuo:

𝑥(𝑡) = 𝐴 cos(2𝜋𝐹0 + 𝜃) ; −∞ < 𝑡 < ∞ (4.1)

está caracterizada por las siguientes propiedades:

1.- Una sinusoide de tiempo continuo es periódica, con periodo fundamental 𝑇0 = 1⁄𝐹0 , para cada
valor de la frecuencia 𝐹0 . En efecto, puesto que 𝑒 𝑗2𝜋 = 1, se tiene que 𝑒 𝑗2𝜋𝐹0 (𝑡+𝑇0 ) =
𝑒 𝑗2𝜋𝐹0 𝑡 𝑒 𝑗2𝜋𝐹0 𝑇0 = 𝑒 𝑗2𝜋𝐹0 𝑡 .

2.- Dos sinusoides con frecuencias diferentes son diferentes. Es decir, si 𝐹1 ≠ 𝐹2 entonces 𝑥1 (𝑡) =
𝑒 𝑗2𝜋𝐹1 𝑡 ≠ 𝑥2 (𝑡) = 𝑒 𝑗2𝜋𝐹2 𝑡 . Más aún, 𝑇1 > 𝑇2 implica que 𝐹1 < 𝐹2 y viceversa.
3.- La tasa de oscilación (es decir, el número de ciclos completados en un segundo) de una sinusoide
de tiempo continuo se incrementa indefinidamente con el incremento de la frecuencia.

En efecto, puesto que 𝑡 es una variable continua, 𝐹0 = 1⁄𝑇0 → ∞ cuando 𝑇0 → 0.

Señales complejas armónicamente relacionadas

Un conjunto de señales exponenciales complejas armónicamente relacionadas, con frecuencia
fundamental Ω0 = 2𝜋⁄𝑇0 = 2𝜋𝐹0 está definida por:

𝑠𝑘 (𝑡) = 𝑒 𝑗𝑘Ω0 𝑡 = 𝑒 𝑗2𝜋𝑘F0 𝑡 ; 𝑘 = 0, ±1, ±2, … (4.6)

 𝑠1 (𝑡) es la armónica fundamental del conjunto

 𝑠𝑘 (𝑡) es la 𝑘-ésima armónica del conjunto.
 Todas las armónicas 𝑠𝑘 (𝑡) son periódicas con periodo 𝑇0 .
 Si 𝑘1 ≠ 𝑘2 , entonces 𝑠𝑘1 (𝑡) ≠ 𝑠𝑘2 (𝑡).

Una característica muy importante de las exponenciales armónicamente relacionadas es la siguiente

propiedad de ortogonalidad:

∗ (𝑡)𝑑𝑡 𝑇 𝑘=𝑚
∫ 𝑠𝑘 (𝑡)𝑠𝑚 = ∫ 𝑒 𝑗𝑘Ω0 𝑡 𝑒 −𝑗𝑚Ω0 𝑡 𝑑𝑡 = { 0 (4.7)
𝑇0 𝑇0 0 𝑘≠𝑚

donde la integral denota la integración sobre cualquier intervalo de longitud 𝑇0 , es decir, desde 𝑡0
a 𝑡0 + 𝑇0 para cualquier elección de 𝑡0 .

 La elección de 𝑡0 es usualmente una asunto de conveniencia.

La siguiente figura muesta una señal periódica compuesta de tres sinusoides con frecuencias
armónicamente relacionadas:
1 1 1
𝑥1 (𝑡) = cos(2𝜋𝐹0 𝑡) − cos(2𝜋3𝐹0 𝑡) + cos(2𝜋5𝐹0 𝑡) (4.8)
3 10 10
donde 𝐹0 = 10 Hz.

El periodo fundamental está dado por 𝑇0 = 1⁄𝐹0 = 0.1 s.

Suponga ahora que las frecuencias de las tres sinusoides no son armónicamente relacionadas.

Por ejemplo:
1 1 1
𝑥2 (𝑡) = cos(2𝜋𝐹0 𝑡) − cos(2𝜋√8𝐹0 𝑡) + cos(2𝜋√51𝐹0 𝑡) (4.9)
3 10 10
Aunque cada señal sinusoidal en el lado derecho de la ecuación anterior es periódica, no existe un
periodo 𝑇0 en el cual los valores de 𝑥2 (𝑡) se repiten.

La señal 𝑥2 (𝑡), la cual se muestra en la siguiente figura se dice que es casi periódica o quasi
periódica.

4.1.2 Sinusoides de tiempo discreto

Una señal sinusoidal de tiempo discreto convenientemente se obtiene muestreando la sinusoide
de tiempo continuo:

𝑥(𝑡) = 𝐴 cos(2𝜋𝐹0 𝑡 + 𝜃) ; −∞ < 𝑡 < ∞

en puntos igualmente espaciados 𝑡 = 𝑛𝑇 como se muestra en la siguiente figura:

La secuencia resultante es:

 𝐹0
𝑥[𝑛] = 𝑥(𝑛𝑇) = 𝐴 cos(2𝜋𝐹0 𝑛𝑇 + 𝜃) = 𝐴 cos (2𝜋 𝑛 + 𝜃) (4.10)
𝐹𝑠
Si se define la variable de frecuencia normalizada:
𝐹
𝑓≜ = 𝐹𝑇 (4.11)
𝐹𝑠
y la variable de frecuencia angular normalizada:
𝐹
𝜔 ≜ 2𝜋𝑓 = 2𝜋 = Ω𝑇 (4.12)
𝐹𝑠
se puede expresar la sinusoide de tiempo discreto como:

𝑥[𝑛] = 𝐴 cos(2𝜋𝑓0 𝑛 + 𝜃) = 𝐴 cos(𝜔0 𝑛 + 𝜃) ; −∞ < 𝑛 < ∞ (4.13)

donde 𝐴 es la amplitud, 𝑓0 ( u 𝜔0 ) la frecuencia y 𝜃 la fase:

Si la entrada a una sistema LTI de tiempo discreto es una secuencia exponencial compleja, su salida
es una exponencial compleja con la misma frecuencia. En efecto, se tiene:
ℋ
𝑥[𝑛] = 𝑒 𝑗𝜔0 𝑛 → 𝑦[𝑛] = 𝐻(𝑒 𝑗𝜔 )𝑒 𝑗𝜔𝑛 ; ∀𝑛 (4.14)

la cual se obtiene de la relación:

𝑦[𝑛] = 𝐻(𝑧)𝑧 𝑛 ; ∀𝑛

haciendo 𝑧 = 𝑒 𝑗𝜔 .

 De esta manera las exponenciales complejas 𝑒 𝑗𝜔𝑛 son funciones propias de los sistema LTI de
tiempo discreto con valores propios dados por la función de sistema 𝐻(𝑧) evaluada en 𝑧 = 𝑒 𝑗𝜔 .
 Esta propiedad es de principal importancia en el análisis de sistemas.
 El hecho de que 𝑛 sea una variable discreta mientras que 𝑡 es una variable continua conduce a
algunas diferencias importantes entre señales sinusoidales de tiempo discreto y tiempo
continuo.

Periodicidad en tiempo.- Por definición 𝑥[𝑛] es periódica si 𝑥[𝑛 + 𝑁] = 𝑥[𝑛]; ∀𝑛.

Para que la secuencia:
 𝑥[𝑛] = 𝐴 cos(2𝜋𝑓0 𝑛 + 𝜃) = 𝐴 cos(𝜔0 𝑛 + 𝜃) ; −∞ < 𝑛 < ∞

sea periódica, se debería tener:

𝑥[𝑛 + 𝑁] = 𝐴 cos(2𝜋𝑓0 𝑛 + 2𝜋𝑓0 𝑁 + 𝜃) = 𝐴 cos(2𝜋𝑓0 𝑛 + 𝜃) = 𝑥[𝑛] (4.15)

Esto es posible sí y sólo si 2𝜋𝑓0 𝑁 = 2𝜋𝑘, donde 𝑘 es un entero.

Por tanto:

Resultado 4.1.1.- La secuencia 𝑥[𝑛] = 𝐴 cos(2𝜋𝑓0 𝑛 + 𝜃) es periódica sí y sólo si 𝑓0 = 𝑘⁄𝑁, es

decir, 𝑓0 es un número racional.

 Si 𝑘 y 𝑁 son un par de números primos, entonces 𝑁 es el periodo fundamental de 𝑥[𝑛].

Para entender el significado físico de esta propiedad, suponga que se muestrea una sinusoide de
tiempo continuo cada 𝑇 segundos.

La frecuencia relativa es:

𝐹0 𝑘 1⁄𝑇0 𝑇
𝑓0 = = = = (4.16)
𝐹𝑠 𝑁 1⁄𝑇 𝑇0
lo cual implica que 𝑁𝑇 = 𝑘𝑇0.

De esta manera, una sinusoide de tiempo discreto, obtenida por muestreo es periódica si su periodo
en segundos, 𝑁𝑇, es igual a un número entero de periodos, 𝑘𝑇0, de la correspondiente sinusoide de
tiempo continuo.

Periodicidad en frecuencia.- A partir de la definición:

𝑥[𝑛] = 𝐴 cos(2𝜋𝑓0 𝑛 + 𝜃) = 𝐴 cos(𝜔0 𝑛 + 𝜃) ; −∞ < 𝑛 < ∞
se puede fácilmente ver que:

𝐴 cos((𝜔0 + 𝑘2𝜋)𝑛 + 𝜃) = 𝐴 cos(𝜔0 𝑛 + 𝑘𝑛2𝜋 + 𝜃) = 𝐴 cos(𝜔0 𝑛 + 𝜃)

debido a que (𝑘𝑛)2𝜋 es siempre un múltiplo entero de 2𝜋.

Por tanto, se tiene el resultado:

Resultado 4.1.2.- La secuencia 𝑥[𝑛] = 𝐴 cos(𝜔0 𝑛 + 𝜃) es periódica en 𝜔0 con periodo

fundamental 2𝜋 y periódica en 𝑓0 con periodo fundamental uno.

Esta propiedad tiene un número de implicaciones importantes:

1.- Las secuencia sinusoidales con frecuencias en radianes separadas por múltiplos enteros de 2𝜋
son idénticas.

2.- Todas las secuencias sinusoidales distintas tienen frecuencias dentro de un intervalo de 2𝜋
radianes.

Se usarán los denominados rangos de frecuencia fundamental:

−𝜋 < 𝜔 < 𝜋 o 0 ≤ 𝜔 < 2𝜋 (4.17)

 Por tanto, si 0 ≤ 𝜔0 < 2𝜋, las frecuencias 𝜔0 y 𝜔0 + 𝑚2𝜋 son indistinguibles a partir de la
observación de las secuencias correspondientes.

3.- Puesto que 𝐴 cos(𝜔0 (𝑛 + 𝑛0 ) + 𝜃) = 𝐴 cos(𝜔0 𝑛 + (𝜔0 𝑛0 + 𝜃)), un corrimiento de tiempo es

equivalente a un cambio de fase.

4.- La tasa de oscilación de una sinusoide de tiempo discreto se incrementa cuando 𝜔0 se

incrementa desde 𝜔0 = 0 a 𝜔0 = 𝜋:
 Sin embargo, a medida que 𝜔0 se incrementa a partir de 𝜔0 = 𝜋 a 𝜔0 = 2𝜋, las oscilaciones se
vuelven más lentas.
 Por tanto, las frecuencias bajas (oscilaciones lentas) están en la vecindad de 𝜔0 = 𝑘2𝜋 y las
frecuencias altas (oscilaciones rápidas) están en la vecindad de 𝜔0 = 𝜋 + 𝑘2𝜋

Propiedades similares se tienen para las exponenciales complejas de tiempo discreto:

𝑠𝑘 [𝑛] = 𝐴𝑘 𝑒 𝑗𝜔𝑘 𝑛 ; −∞ < 𝑛 < ∞ (4.18)

 Para que 𝑠𝑘 [𝑛] sea periódica con periodo fundamental 𝑁, la frecuencia 𝜔𝑘 debería ser un
múltiplo racional de 2𝜋, es decir, 𝜔𝑘 = 2𝜋𝑘⁄𝑁.
 Por tanto, todas las exponenciales complejas distintas con periodo 𝑁 y frecuencia en el rango
fundamental, tienen frecuencias dadas por 𝜔𝑘 = 2𝜋𝑘⁄𝑁 ; 𝑘 = 0,1, … , 𝑁 − 1.

El conjunto de secuencias:
2𝜋
𝑠𝑘 [𝑛] = 𝑒 𝑗 𝑁 𝑘𝑛 ; −∞ < 𝑘, 𝑛 < ∞ (4.19)
es un conjunto de secuencias periódicas tanto en tiempo 𝑛 como en frecuencia 𝑘 con periodo
fundamental 𝑁.

 Como resultado de la periodicidad en 𝑘, existen sólo 𝑁 exponenciales complejas distintas

armónicamente relacionadas con frecuencia fundamental 𝑓0 = 1⁄𝑁 y armónicas en frecuencias
𝑓𝑘 = 𝑘⁄𝑁 ; 0 ≤ 𝑘 ≤ 𝑁 − 1.

En resumen, se tiene las propiedades:

𝑠𝑘 [𝑛 + 𝑁] = 𝑠𝑘 [𝑛]; (𝒑𝒆𝒓𝒊ó𝒅𝒊𝒄𝒂 𝒆𝒏 𝒕𝒊𝒆𝒎𝒑𝒐) (4.20)

𝑠𝑘+𝑁 [𝑛] = 𝑠𝑘 [𝑛]; (𝒑𝒆𝒓𝒊ó𝒅𝒊𝒄𝒂 𝒆𝒏 𝒇𝒓𝒆𝒄𝒖𝒆𝒏𝒄𝒊𝒂) (4.21)
Otra caracteristica importante de las exponenciales complejas de tiempo discreto armónicamente
relacionadas es la siguiente propiedad de ortogonalidad:
2𝜋 2𝜋
𝑁 𝑘=𝑚
∗ [𝑛]
∑ 𝑠𝑘 [𝑛]𝑠𝑚 = ∑ 𝑒 𝑗 𝑁 𝑘𝑛 𝑒 −𝑗 𝑁 𝑘𝑚 = { (4.22)
0 𝑘≠𝑚
𝑛=(𝑁) 𝑛=(𝑁)

donde el rango de la sumatoria denota la sumatoria sobre cualquier rango de longitud 𝑁, es decir,
desde 𝑛 = 𝑛0 a 𝑛 = 𝑛0 + 𝑁 − 1 para cualquier elección de 𝑛0 .
 La elección de 𝑛0 es usualmente un tema de conveniencia.
 A menudo se elige 𝑛0 = 0.

Variables de frecuencia y unidades.- Después de estudiar señales sinusoidales de tiempo

continuo y discreto es bastante obvio que se está tratando con variables de frecuencia diferentes
(pero no relacionadas).

 Para mantener estas variables en perspectiva y para evitar confusión es importante ser
cuidadoso y consistente cuando se usan unidades para expresarlas.

En el caso de tiempo continuo, es natural representar la variable de tiempo 𝑡 en unidades de

segundos; el argumento de la función coseno, 2𝜋𝐹𝑡, en unidades de radianes; y la constante 2𝜋 en
unidades de radianes por ciclo (o revolución).

 Por tanto, es razonable expresar la frecuencia analógica, 𝐹, en unidades de ciclos por segundo
o Hertz (Hz) y la frecuencia angular analógica, Ω = 2𝜋𝐹, en unidades de radianes por segundo.

En el caso de tiempo discreto, si se asume que las unidades del índice entero sin dimensión son
muestras (intervalos de muestreo es un término más apropiado), entonces las unidades de la
frecuencia normalizada, 𝑓, son ciclos por muestra y las unidades de frecuencia angular normalizada,
𝜔, son radianes por muestra.

 En la literatura, esta frecuencia normalizada es también conocida como frecuencia digital.

 La frecuencia es normalizada en el sentido de que no depende del intervalo de muestreo.
 Sin embargo, si se especifica el intervalo de muestreo, 𝑇, en segundos (o equivalentemente, la
frecuencia de muestreo, 𝐹𝑠 , en muestras por segundo), se puede usar la variable de tiempo
natural 𝑡 = 𝑛𝑇 en lugar del índice 𝑛.
 En este caso, se puede retornar a las variables de frecuencia no normalizadas (o analógicas) 𝐹
(ciclos por segundo) y Ω (radianes por segundo).
 Básicamente, el significado de frecuencia es el mismo tanto en tiempo continuo como en tiempo
discreto: número de ciclos por unidad de variable independiente; sólo cambian las unidades.

Estas nociones de variables de frecuencia y sus unidades se explican gráficamente en la siguiente

figura:
4.2 Representación de Fourier de señales de tiempo continuo
En 1807, Fourier junto con algunos de sus contemporáneos, sugirieron que una función
arbitrariamente periódica puede ser expresada como una combinación lineal de senos y cosenos
(series de Fourier).

Euler y Lagrange pensaban que esto era sólo posible para funciones de tiempo continuo.

El descubriiento de Fourier fue que las representaciones en series de Fourier son también válidas
para funciones discontinuas.

Sin embargo una prueba matemática rigurosa de este resultado fue proporcionado por Dirichlet en
1837.

4.2.1 Series de Fourier para señales periódicas de tiempo continuo

Dado un conjunto de exponenciales complejas armónicamente relacionadas 𝑒 𝑗𝑘Ω0 𝑡 ; 𝑘 =
0, ±1, ±2, …, una señal 𝑥(𝑡) se sintetiza usando una combinación lineal de la forma:
∞

𝑥(𝑡) = ∑ 𝑐𝑘 𝑒 𝑗𝑘Ω0 𝑡 (4.23)

𝑘=−∞

donde los coeficientes 𝑐𝑘 son constantes.

 Cada término en la sumatoria es periódico con periodo 𝑇0 = 2𝜋⁄Ω0 .

 De esta manera, si la sumatoria infinita converge para todo 𝑡, entonces su suma 𝑥(𝑡) es también
periódica con periodo 𝑇0 .
 Note que el término 𝑒 𝑗𝑘Ω0 𝑡 tiene periodo fundamental 𝑇0 ⁄𝑘. Sin embargo, 𝑇0 es el perido
compartido por todos los términos de la serie.
Si se multiplica ambos lados de la ecuación anterior por 𝑒 𝑗𝑚Ω0 𝑡 , se cambia el orden de integración
de la sumatoria, se integra sobre el periodo completo y luego se simplifica el resultado usando la
expresión:

𝑇 𝑘=𝑚
∫ 𝑒 𝑗𝑘Ω0 𝑡 𝑒 −𝑗𝑚Ω0 𝑡 𝑑𝑡 = { 0
𝑇0 0 𝑘≠𝑚

donde la integral denota la integración sobre cualquier intervalo de longitud 𝑇0 , es decir, desde 𝑡0
a 𝑡0 + 𝑇0 para cualquier elección de 𝑡0 ; entonces se obtiene:

1
𝑐𝑘 = ∫ 𝑥(𝑡)𝑒 𝑗𝑘Ω0 𝑡 𝑑𝑡 (4.24)
𝑇0 𝑇0

El par de ecuaciones (4.23) y (4.24), cuando existen, define la representación en series de Fourier
de una señal periódica de tiempo continuo.

Se dice que 𝑥(𝑡) y 𝑐𝑘 son un par de la serie de Fourier de tiempo continuo (CTFS) denotado por:

 El conjunto de coeficientes {𝑐𝑘 } se conoce como coeficientes de la serie de Fourier.

 La ecuación análisis analiza (divide) una señal periódica en un conjunto de componentes
armónicos {𝑐𝑘 𝑒 𝑗𝑘Ω0 𝑡 }, mientras que la ecuación de síntesis recupera la señal a partir de los
coeficientes de Fourier.
 La gráfica de 𝑥(𝑡) como una función del tiempo 𝑡 (forma de onda) proporciona una descripción
de la señal en el dominio del tiempo.
 La gráfica de 𝑐𝑘 como una función de la frecuencia 𝐹 = 𝑘𝐹0 (espectro) constituye una
descripción de la señal en el dominio de la frecuencia.
 Las dos descripciones son equivalentes debido a que pueden ir de 𝑥(𝑡) a 𝑐𝑘 y volver de 𝑐𝑘 a 𝑥(𝑡)
usando la transformada inversa.
 En este sentido, la CTFS es un par de relaciones mutuamente inversas en la que una deshace lo
que la otra hace.

Puesto que los coeficientes 𝒄𝒌 son, en general, números complejos, se puede expresarlos en forma
polar:

𝑐𝑘 = |𝑐𝑘 |𝑒 𝑗∠𝑐𝑘 (4.26)

 La gráfica de |𝑐𝑘 | es conocida como el espectro de magnitud de 𝑥(𝑡), mientras que la gráfica de
∠𝑐𝑘 es conocida como el espectro de fase de 𝑥(𝑡).
 Si 𝑐𝑘 es un número real, se puede usar una sola gráfica, conocida como espectro de amplitud.

Relación de Parseval.- La potencia promedio en un periodo de 𝑥(𝑡) puede ser expresada en

términos de los coeficientes de Fourier usando la relación de parseval:
 ∞
1
𝑃𝑎𝑣 = ∫ |𝑥(𝑡)|2 𝑑𝑡 = ∑ |𝑐𝑘 |2 (4.27)
𝑇0 𝑇0
𝑘=−∞

 El valor de |𝑐𝑘 |2 proporciona la porción de la potencia promedio de la señal 𝑥(𝑡) que está
contribuida por la 𝑘-ésima armónica de la componente fundamental.
 La gráfica de |𝑐𝑘 |2 como una función de 𝐹 = 𝑘𝐹0 es conocida como espectro de potencia de la
señal periódica 𝑥(𝑡).
 Debido a que la potencia está distribuida en un conjunto discreto de frecuencias, se dice que las
señales periódicas de tiempo continuo tiene un espectro discreto o espectro de línea.

Las siguientes observaciones son útiles cuando se trata con espectros de señales periódicas:

 Para facilitar la interpretación en el dominio de la frecuencia se define 𝑐(𝑘𝐹0 ) = 𝑐𝑘 y se grafican

|𝑐(𝑘𝐹0 )| y ∠𝑐(𝑘𝐹0 ) como funciones de la frecuencia 𝐹 = 𝑘𝐹0 .
 Las líneas espectrales tiene un espaciamiento uniforme 𝐹0 = 1⁄𝑇0 determinado por el periodo
fundamental 𝑇0 de 𝑥(𝑡). La forma de 𝑥(𝑡) está especificada por los valores de los coeficientes
de Fourier 𝑐𝑘 .
 Si 𝑥(𝑡) es una función real del tiempo, se tiene:
𝑐−𝑘 = 𝑐𝑘∗ = |𝑐𝑘 | 𝑒 −𝑗∠𝑐𝑘 (4.28)
la cual sigue de
1
𝑐𝑘 = ∫ 𝑥(𝑡)𝑒 𝑗𝑘Ω0 𝑡 𝑑𝑡
𝑇0 𝑇0
con 𝑘 reemplazada por −𝑘.
Por tanto:
|𝑐−𝑘 | = |𝑐𝑘 | 𝑦 ∠(𝑐−𝑘 ) = −∠𝑐𝑘 (4.29)
lo que significa que el espectro de magnitud tiene simetría par y el espectro de fase tiene
simetría impar.

Ejemplo 4.1 Tren de pulsos rectangular.- Considere el tren de pulsos rectangular que se
muesstra en la figura:

Los coeficientes de Fourier están dados por:

𝜏⁄2
1 𝜏⁄2 𝐴 𝑒 −𝑗2𝜋𝑘𝐹0 𝑡 𝐴 𝑒 𝑗𝜋𝐹0 𝜏 − 𝑒 −𝑗𝜋𝐹0 𝜏 𝐴𝜏 sin(𝜋𝑙𝐹0 𝜏)
𝑐𝑘 = ∫ 𝐴𝑒 −𝑗2𝜋𝑘𝐹0 𝑡 𝑑𝑡 = [ ] = = ;𝑘
𝑇0 −𝜏⁄2 𝑇0 −𝑗2𝜋𝑘𝐹0 −𝜏⁄2 𝜋𝐹0 𝑘𝑇0 2𝑗 𝑇0 𝜋𝑘𝐹0
= 0, ±1, ±2, … (4.30)
 Los valores de 𝑐𝑘 se obtienen evaluando la función (𝐴𝜏⁄𝑇0 ) sin(𝜙)⁄𝜙 en puntos equidistantes
𝜙 = 𝑘(𝜋𝐹0 𝜏).
 Puesto que lim [sin(𝜙)⁄𝜙] = 1, se tiene que 𝑐0 = 𝐴𝜏⁄𝑇0 .
𝜙→0
 La función sin(𝜙)⁄𝜙 tiene cruces por cero en múltiplos de 𝜋, es decir, en 𝜙 = 𝑚𝜋; 𝑚 =
0, ±1, ±2, …
 Los cruces por cero ocurren en 𝜙 = 𝜋𝐹𝜏 = 𝑚𝜋 o en 𝐹 = 𝑚⁄𝜏.
 El espaciamiento 𝐹 = 1⁄𝜏 entre los cruces por cero está determinado por el ancho 𝜏 del pulso.
 El espaciamiento 𝐹0 = 1⁄𝑇0 entre las líneas espectrales está determinado por el periodo
fundamental 𝑇0 .

Espectros de magnitud y de fase

Cuando los coeficientes de Fourier son reales, se puede graficar 𝑐𝑘 en una sola gráfica.

Sin embargo, por consistencia, se grafica el espectro de magnitud y de fase como se muestra en:

Para obtener estos espectros de magnitud y de fase, se usan las siguientes convenciones generales:

 Los ángulos de fase siempre se miden con respecto a las ondas coseno.
De esta manera, las ondas seno tienen una fase de − 𝜋⁄2 puesto que sin Ω𝑡 = cos(Ω𝑡 − 𝜋⁄2).
 Los espectros de magnitud siempre son positivos.
Por tanto, los signos negativos deberían ser absorbidos en la fase usando la identidad:
−𝐴 cos Ω𝑡 = cos(Ω𝑡 ± 𝜋).
 No importa si se toma +𝜋 o – 𝜋 debido a que cos(−𝜋) = cos 𝜋.
 Sin embargo, se usa tanto +𝜋 como – 𝜋 para obtener simetría impar de la fase.

Función Sinc
La función sin(𝜙)⁄𝜙, conocida como función sinc, surge frecuentemente en el análisis de Fourier y
en el estudio de sistemas LTI.

Una definición comúnmente usada es:

sin 𝜋𝜃
sinc(𝜃) = (4.31)
𝜋𝜃
De la ecuación (4.31) y de la figura:

se ve que la función sinc tiene las siguientes propiedades:

1.- La función sinc es una función par de 𝜃, es decir sinc(−𝜃) = sinc(𝜃).

2.- sinc(𝜃) = 0 cuando sin(𝜃) = 0, excepto en 𝜃 = 0, donde aparece indeterminada.

 Esto significa que sinc(𝜃) = 0 cuando 𝜃 = ±1, ±2, …

3.- Usando la regla de l’Hopital, se puede demostrar que sinc(0) = 1

4.- sinc(𝜃) es el producto de la función periódica sin(𝜋𝜃) con una función monotónicamente
decreciente 1⁄(𝜋𝜃).

 Por tanto, sinc(𝜃) exhibe oscilación sinusoidal de periodo 𝜃 = 2 con amplitud continuamente
decreciente conforme a 1⁄(𝜋𝜃).

En Matlab la ecuación
sin 𝜋𝜃
sinc(𝜃) =
𝜋𝜃
puede ser evaluada usando la función sinc(theta).
Condiciones de convergencia de la serie de Fourier
Para que una señal periódica 𝑥(𝑡) tenga una representación en series de Fourier, es necesario que:

(1) los coeficientes obtendios a partir del análisis de la ecuación:

1
𝑐𝑘 = ∫ 𝑥(𝑡)𝑒 𝑗𝑘Ω0 𝑡 𝑑𝑡
𝑇0 𝑇0

deban ser finitos

(2) cuando estos coeficientes son sustituidos en la ecuación de síntesis:

𝑥(𝑡) = ∑ 𝑐𝑘 𝑒 𝑗𝑘Ω0 𝑡
𝑘=−∞

la serie infinita resultante debe converger (en algún sentido) a la señal 𝑥(𝑡).

El siguiente conjunto de condiciones suficientes, conocido como condiciones de Dirichlet, garantiza

la existencia de la serie de Fourier para todas las señales periódicas de interés práctico:

1.- La señal periódica 𝑥(𝑡) es absolutamente integrable sobre cualquier periodo, es decir, 𝑥(𝑡) tine
un área finita por periodo:

∫ |𝑥(𝑡)|𝑑𝑡 < ∞ (4.32)

𝑇0

 Esta condición garantiza que los coeficientes de la serie de Fourier sean finitos.

2.- La señal periódica 𝑥(𝑡) tiene un número de máximos, mínimos y discontinuidades finitas por
periodo.

 Esta condición garantiza que a medida que 𝑚 → ∞, la suma parcial:

𝑚

𝑥𝑚 (𝑡) = ∑ 𝑐𝑘 𝑒 𝑗𝑘Ω0 𝑡 (4.33)

𝑘=−𝑚

converge a x(t) donde quiera que x(t) sea continua y al valor promedio de los lados de 𝑡0 ; es
decir, a [𝑥(𝑡0− ) + 𝑥(𝑡0+ )]⁄2, si 𝑥(𝑡) tiene una discontinuidad finita en 𝑡0 .

Para entender cómo la serie de Fourier representa señales periódicas, considere cómo la suma
parcial de la ecuación anterior se aproxima a una señal periódica 𝑥(𝑡) y cuál es la naturaleza del
error de aproximación:
𝑚

𝑒𝑚 (𝑡) = 𝑥(𝑡) − 𝑥𝑚 (𝑡) = 𝑥(𝑡) − ∑ 𝑐𝑘 𝑒 𝑗𝑘Ω0 𝑡 (4.36)

𝑘=−𝑚
 Observando las gráficas de 𝑥𝑚 (𝑡) o el error 𝑒𝑚 (𝑡) o comparándolas con la gráfica de 𝑥(𝑡), se
puede intiuitivamente ver si una función dada puede ser representada por una serie de Fourier
y cuándo la función puede ser representada de esta manera, por el número de términos
necesarios para obtener una buena aproximación de la función.

Aproximación por series de Fourier de un tren de pulsos triangular

Aproximación por series de Fourier de un tren de pulsos rectangular

 La diferencia clave entre los pulsos rectangular y triangular son los saltos finitos del tren de
pulsos rectangular.
 Puesto que los valores de la función 𝑥(𝑡) no están definidos en estos puntos de discontinuidad,
no es razonable esperar la convergencia de la serie de Fourier en estos puntos.
 Sin embargo, la serie de Fourier maneja dichas sistuaciones de manera muy razonable: converge
al promedio de los límites del lado izquierdo y del lado derecho en los saltos.
 Como se esperaba, la aproximación es más pobre en la vecindad de los puntos de salto.

Fenómeno de Gibbs
Sin considerar si una señal periódica es absolutamente integrable o cuadráticamente integrable, la
serie de Fourier exhibe un comportamiento conocido como fenómeno de Gibbs en la vecindad de
los puntos de discontinuidad de la señal 𝑥(𝑡).

La siguiente figura ilustra este efecto para una de las discontinuidades del pulso rectangular.
 La suma parcial, aún para valores grandes de 𝑚, exhibe un sobrepaso oscilatorio con periodo
𝑇0 ⁄(2𝑚) y valor pico de alrededor de 9% de la altrua del salto.
 A medida que 𝑚 se incrementa, los rizos más cercanos a la discontinuidad y el área bajo los rizos
decrece; eventualmente el área se vuelve cero a medida que 𝑚 → ∞.
 Sin embargo, el tamaño del sobrepaso no decrece y permanece el mismo para cualquier valor
finitio de 𝑚.
 Por tanto, cuando se aproxima una señal discontinua con una serie de Fourier truncada, se
debería elegir un valor grande de 𝑚 para asegurar que la energía total de los rizos sea poco
significativa.

El fenómeno de Gibbs tine implicaciones importantes en el diseño de filtros prácticos para el

procesamiento de señales del mundo real.

4.2.2 Transformada de Fourier para señales no periódicas de tiempo

continuo
Para encontrar la expresión matemática para la representación de Fourier de señales no periódicas,
considere un señal de duración fintita 𝑥(𝑡) tal que 𝑥(𝑡) = 0 para |𝑡| > 𝜏⁄2.

Luego repita esta señal con periodo 𝑇0 > 𝜏 cuyo resultado es una señal periódica 𝑥𝑝 (𝑡),
denominada extensión periódica de la señal 𝑥(𝑡).

La reprsentaciónen series de Fourier de 𝑥𝑝 (𝑡) es:

∞

𝑥𝑝 (𝑡) = ∑ 𝑐𝑘 𝑒 𝑗2𝜋𝑘𝐹0 𝑡 (4.40)

𝑘=−∞

1 𝑇0⁄2
𝑐𝑘 = ∫ 𝑥 (𝑡)𝑒 −𝑗2𝜋𝑘𝐹0 𝑡 𝑑𝑡 (4.41)
𝑇0 −𝑇0⁄2 𝑝

Puesto que 𝑥(𝑡) = 𝑥𝑝 (𝑡) para |𝑡| > 𝑇0 ⁄2 y 𝑥(𝑡) = 0 para |𝑡| > 𝑇0 ⁄2, la anterior ecuación se puede
escribir como:
∞
𝑐𝑘 (𝑘𝐹0 )𝑇0 = ∫ 𝑥(𝑡)𝑒 −𝑗2𝜋𝑘𝐹0 𝑡 𝑑𝑡 (4.42)
−∞
si se hace que 𝐹 = 𝑘𝐹0 , la integral en la ecuación anterior se vuelve una función 𝑋(𝑗2𝜋𝐹𝑡) la cual
es básicamente la envoltura de 𝑐𝑘 𝑇0 .

Por tanto, la ecuación anterior se puede expresar como:

∞
𝑋(𝑗2𝜋𝐹𝑡) = ∫ 𝑥(𝑡)𝑒 −𝑗2𝜋𝐹𝑡 𝑑𝑡 (4.43)
−∞

la cual se llama transformada de Fourier o integral de Fourier de 𝑥(𝑡).

Comparando la ecuación anterior con

∞
𝑐𝑘 (𝑘𝐹0 )𝑇0 = ∫ 𝑥(𝑡)𝑒 −𝑗2𝜋𝑘𝐹0 𝑡 𝑑𝑡
−∞

se obtiene:
𝑋(𝑗2𝜋𝑘𝐹0 )
𝑐𝑘 = = 𝐹0 𝑋(𝑗2𝜋𝐹)|𝐹=𝑘𝐹0 = 𝑋(𝑗2𝜋𝑘∆𝐹)∆𝐹 (4.44)
𝑇0

 De esta manera, los coeficientes de Fourier ck de una señal periódica xp (t) son proporcionales
a muestras espaciadas uniformemente de la transformada de Fourier de un periodo de xp (t).

Esta relación se tiene para cada señal 𝑥(𝑡) que es igual a 𝑥𝑝 (𝑡) sobre exactamente un periodo, es
decir:
𝑥𝑝 (𝑡) 𝑡0 < 𝑡 < 𝑡0 + 𝑇0
𝑥(𝑡) = { (4.45)
0 de otra manera
La serie de Fourier:
∞

𝑥𝑝 (𝑡) = ∑ 𝑐𝑘 𝑒 𝑗2𝜋𝑘𝐹0 𝑡
𝑘=−∞

representa la señal periódica 𝑥𝑝 (𝑡) como una sumatoria de exponenciales complejas.

Para obtener la ecuación correspondiente para la señal no periódica 𝑥(𝑡), recuerde de la ecuación:
𝑥 (𝑡) 𝑡0 < 𝑡 < 𝑡0 + 𝑇0
𝑥(𝑡) = { 𝑝
0 de otra manera
y que 𝑐𝑘 = 𝑋(𝑗2𝜋∆𝐹)∆𝐹, luego exprese 𝑥𝑝 (𝑡) como sigue:
∞

𝑥𝑝 (𝑡) = ∑ 𝑋(𝑗2𝜋∆𝐹)𝑒 𝑗2𝜋𝑘𝐹0 𝑡 ∆𝐹 (4.46)

𝑘=−∞

Note que cuando 𝑇0 → ∞, 𝑥𝑝 (𝑡) → 𝑥(𝑡).

Más aún, ∆𝐹 → 0 cuando 𝑇0 → ∞, y el lado decho de la ecuación anterior se vuelve una integral.

El resultado es:
 ∞
𝑥(𝑡) = ∫ 𝑋(𝑗2𝜋𝐹)𝑒 𝑗2𝜋𝐹𝑡 𝑑𝐹 (4.47)
−∞

la cual se llama transformada inversa de Fourier.

 La integral de la ecuación anterior proporciona una representación de señales no periódicas

como una sumatoria continua de exponenciales complejas.
 Básicamente, la serie de Fourier se vuelve una integral de Fourier en el límite cuando 𝑇0 → ∞.

Esto se ilusta en la siguiente figura:

Se dice que 𝑥(𝑡) y 𝑋(𝑗2𝜋𝐹) constituye un par de transformadas de Fourier de tiempo continuo
(CTFT), el cual se denota por:

o más concisamente
𝐶𝑇𝐹𝑇
𝑥(𝑡) = ℱ −1 {𝑋(𝑗2𝜋𝐹)} ↔ 𝑋(𝑗2𝜋𝐹) = ℱ{𝑥(𝑡)} (4.49)

Una comparación de:

indica que 𝑋(𝑗2𝜋𝐹) juega el mismo rol en las señales no periódicas que el que juega 𝑐(𝑘𝐹0 ) en
señales periódicas.

De esta manera, 𝑋(𝑗2𝜋𝐹) es el espectro de la señal no periódica 𝑥(𝑡).

Las señales periódicas deben tener espectros discretos con líneas en frecuencias armónicamente
relacionadas; de otra manera no pueden ser periódicas.
Un espectro continuo resulta en una señal no periódica debido a que casi todas las frecuencias en
un intervalo continuo no son armónicamente relacionadas.

Es útil tener en cuenta que la CTFT es de la misma naturaleza que la CTFS con frecuencia
fundamental 𝐹0 = 1⁄𝑇0 → 0.

Convergencia.- Las condiciones para la convergencia de la CTFT son similares a las requeridas por
la CTFS.

Si 𝑥(𝑡) tiene un número finito de mínimos, máximos y discontinuidades en cualquier intervalo finito
y es absoutamente integrable, es decir
∞
∫ |𝑥(𝑡)|𝑑𝑡 < ∞ (4.50)
−∞

La señal 𝑥̂(𝑡) = ℱ −1 {𝑋(𝑗2𝜋𝐹)} converge a 𝑥(𝑡) para cualquier 𝑡 donde 𝑥(𝑡) es continua.

En una discontinuidad, 𝑥̂(𝑡) es igual al promedio de los valores sobre cualquier lado de la
discontinuidad.

Si 𝑥(𝑡) tiene energía finita, es decir si el cuadráticamente integrable:

∞
∫ |𝑥(𝑡)|2 𝑑𝑡 < ∞ (4.51)
−∞

sólo se garantiza que la energía de la señal de error 𝑒(𝑡) = 𝑥(𝑡) − 𝑥̂(𝑡) es cero.

Sin embargo, las señales 𝑥(𝑡) y 𝑥̂(𝑡) pueden diferir significativamente en puntos individuales.

Relación de Parseval.- Para señales no periódicas con energía finita, la relación de Parseval está
dada por:
∞ ∞
∫ |𝑥(𝑡)|2 𝑑𝑡 = ∫ |𝑋(𝑗2𝜋𝐹)|2 𝑑𝐹 (4.52)
−∞ −∞

y establece que la energía total de 𝑥(𝑡) puede ser obtenida a partir de la propia señal o a partir de
su espectro.

 La cantidad |𝑋(𝑗2𝜋𝐹)|2 ∆𝐹, para un ∆𝐹 pequeño, proporciona la energía de la señal en una

banda estrecha de frecuencia de ancho ∆𝐹, centrada en la frecuencia 𝐹.
 Las frecuencias solas no contribuyen a la energía total puesto que ∆𝐹 = 0.
 Por esta razón |𝑋(𝑗2𝜋𝐹)|2 es conocida como espectro de densidad de energía de la señal 𝑥(𝑡).

Por conveniencia, algunas veces se expresa la CTFT en términos de la frecuencia en radianes Ω =

2𝜋𝐹 como sigue:

4.3 Representación de Fourier de las señales de tiempo discreto

En esta sección, se desarrollan representaciones de Fourier para señales de tiempo discreto
siguiendo un método paralelo al de las señales de tiempo continuo.

4.3.1 Series de Fourier para señales periódicas de tiempo discreto

Considere una combinación lineal de 𝑁 exponenciales complejas armónicamente relacionadas:
𝑁−1
2𝜋
𝑥[𝑛] = ∑ 𝑐𝑘 𝑒 𝑗 𝑁 𝑘𝑛 (4.63)
𝑘=0

La secuencia 𝑥[𝑛] es periódica con periodo fundamental 𝑁.

En efecto, se tiene:
𝑁−1
2𝜋
𝑥[𝑛 + 𝑁] = ∑ 𝑐𝑘 𝑒 𝑗 𝑁 𝑘𝑛 𝑒 𝑗2𝜋𝑛 = 𝑥[𝑛] (4.64)
𝑘=0

Para determinar los coeficientes 𝑐𝑘 a partir de los valores de la señal periódica 𝑥[𝑛], se explota la
propiedad de ortogonalidad de exponenciales armónicamente relacionadas:
2𝜋 2𝜋
𝑁 𝑘=𝑚
∗ [𝑛]
∑ 𝑠𝑘 [𝑛]𝑠𝑚 = ∑ 𝑒 𝑗 𝑁 𝑘𝑛 𝑒 −𝑗 𝑁 𝑘𝑚 = {
0 𝑘≠𝑚
𝑛=(𝑁) 𝑛=(𝑁)

En efecto, después de multiplicar ambos lados de:

𝑁−1
2𝜋
𝑥[𝑛] = ∑ 𝑐𝑘 𝑒 𝑗 𝑁 𝑘𝑛
𝑘=0
2𝜋
por 𝑒 −𝑗 𝑁 𝑚𝑛 y sumando desde 𝑛 = 0 a 𝑛 = 𝑁 − 1, se obtiene:
𝑁−1 𝑁−1 𝑁−1
2𝜋 2𝜋
𝑗 𝑚𝑛 (𝑘−𝑚)𝑛
∑ 𝑥[𝑛]𝑒 𝑁 = ∑ ∑ 𝑐𝑘 𝑒 𝑗 𝑁 (4.65)
𝑘=0 𝑛=0 𝑘=0

Después de intercambiar el orden de la sumatoria sobre en el lado derecho, se tiene:

𝑁−1 𝑁−1 𝑁−1
2𝜋 2𝜋
𝑗 𝑚𝑛 (𝑘−𝑚)𝑛
∑ 𝑥[𝑛]𝑒 𝑁 = ∑ 𝑐𝑘 ∑ 𝑒 𝑗 𝑁 (4.66)
𝑘=0 𝑘=0 𝑛=0

Usando la relación:
2𝜋 2𝜋
𝑁 𝑘=𝑚
∗ [𝑛]
∑ 𝑠𝑘 [𝑛]𝑠𝑚 = ∑ 𝑒 𝑗 𝑁 𝑘𝑛 𝑒 −𝑗 𝑁 𝑘𝑚 = {
0 𝑘≠𝑚
𝑛=(𝑁) 𝑛=(𝑁)

el lado derecho es igual a 𝑁𝑐𝑚 para 𝑘 = 𝑚 y cero para 𝑘 ≠ 𝑚.

Resolviendo para 𝑐𝑚 y cambiando el índice 𝑚 a 𝑘, se obtiene:

 𝑁−1
1 2𝜋
𝑐𝑘 = ∑ 𝑥[𝑛]𝑒 −𝑗 𝑁 𝑘𝑛 (4.67)
𝑁
𝑛=0

La secuencia 𝑐𝑘 ; 𝑘 = 0, ±1, ±2, …, es periódica con periodo fundamental 𝑁.

La ecuación anterior proporciona una expresión de forma cerrada para la obtención de los
coeficientes de la serie de Fourier requeridas por las serie de Fourier:
𝑁−1
2𝜋
𝑥[𝑛] = ∑ 𝑐𝑘 𝑒 𝑗 𝑁 𝑘𝑛
𝑘=0

El resultado es el par de series de Fourier de tiempo discreto (DTFS):

Relación de Parseval.- La potencia promedio en un periodo de 𝑥[𝑛] puede ser expresada en

términos de los coeficientes de la serie de Fourier usando la siguiente forma de la relación de
Parseval:
𝑁−1 𝑁−1
1
𝑃𝑎𝑣 = ∑|𝑥[𝑛]|2 = ∑|𝑐𝑘 |2 (4.69)
𝑁
𝑛=0 𝑛=0

|2
El valor de |𝑐𝑘 proporciona la porción de la potencia promedio de 𝑥[𝑛] que es contribuida por su
𝑘-ésima componente armónica.

Puesto que 𝑐𝑘+𝑁 = 𝑐𝑘 , existen sólo 𝑁 componentes armónicas distintas.

La gráfica de |𝑐𝑘 |2 como una función de 𝑓 = 𝑘⁄𝑁 ; 𝜔 = 2𝜋𝑘⁄𝑁, o simplemente 𝑘, es conocida

como el espectro de potencia de la señal periódica 𝑥[𝑛].

Función Dirichlet.- Es conveniente definir la función:

sin(𝜔𝐿⁄2)
𝐷𝐿 (𝜔) = (4.80)
𝐿 sin(𝜔⁄2)
la cual algunas veces es conocida como función de Dirichlet.

La función de Dirichlet es la contraparte de tiempo discreto de la función sinc:

sin 𝜋𝜃
sinc(𝜃) =
𝜋𝜃
 En Matlab puede ser evaluada mediante la función x=diric(omega,L). La presencia de la función
seno en el denominador hace que la función de Direchlet sea periódica en 𝜔.

La siguiente figura muestra tres periodos de la función de Dirichlet para 𝐿 = 7:

 Se puede demostrar que 𝐷𝐿 (𝜔) tiene periodo 2𝜋 para 𝐿 impar y periodo 4𝜋 para 𝐿 par.

Cálculo numérico de la DTFS.- Las ecuaciones de análisis y síntesis de la DTFS involucran el cálculo
de un número finito de items usando sumatorias finitas.

Por tanto, pueden ser exactamente evaluadas mediante cálculos numéricos.

En Matlab, las fórmulas de análisis y síntesis de la DTFS son implementadas usando las siguientes
funciones fft e ifft:
𝑁−1
1 2𝜋 fft(x)
𝑐𝑘 = (∑ 𝑥[𝑛]𝑒 −𝑗 𝑁 𝑘𝑛 ) ⇒ c = = dtfs(x) (4.81)
𝑁 N
𝑛=0
𝑁−1
1 2𝜋
𝑥[𝑛] = 𝑁 ( ∑ 𝑐𝑘 𝑒 𝑗 𝑁 𝑘𝑛 ) ⇒ x = N ∗ ifft(c) = idtfs(x) (4.82)
𝑁
𝑘=0

 Las funciones fft e ifft son implementaciones computacionalmente eficientes de las ecuaciones
dentro de las paréntesis.
 Se enfatiza que Matlab asume que el vector x incluye las 𝑁 primeras muestras de la secuencia
𝑥[𝑛], es decir, 𝑥[0], 𝑥[1], … , 𝑥[𝑁 − 1].
 Cuando 𝑐𝑘 o 𝑥[𝑛] asumen valores reales, se debería usar sólo la parte real de c o x.
 Las partes imaginarias, debido a las limitaciones de precisión numérica no son cero, toman
valores pequeños en el rango de ±10−6 alrededor de cero.

4.3.2 Tansformadas de Fourier de señales no periódicas de tiempo discreto

Puesto que una secuencia no periódica puede ser vista como una secuencia periódica con periodo
infinito, se podría obtener su representación de Fourier tomando los límites de la DTFS cuando el
periodo se incrementa indefinidamente.
Ejemplo 4.8.- Tren de pulsos rectangular.- Considere la secuencia tren de pulsos rectangular
que se muestra en la siguiente figura, donde 𝑁 > 2𝐿 + 1.

Debido a la simetría par de 𝑥[𝑛], es conveniente calcular los coeficientes de Fourier usando la
siguiente sumatoria:
𝐿
1 2𝜋
𝑐𝑘 = ∑ 𝑒 −𝑗 𝑁 𝑘𝑛 (4.76)
𝑁
𝑛=−𝐿

Cambiando el índice de la sumatoria desde 𝑛 a 𝑚 = 𝑛 + 𝐿, la ecuación anterior se conveirte en:

2𝐿 2𝐿
1 2𝜋 1 2𝜋 2𝜋 𝑚
𝑐𝑘 = ∑ 𝑒 −𝑗 𝑁 𝑘(𝑚−𝐿) = 𝑒 𝑗 𝑁 𝑘𝐿 ∑ (𝑒 −𝑗 𝑁 𝑘 ) (4.77)
𝑁 𝑁
𝑚=0 𝑚=0

 Para 𝑘 = 0 se puede fácilmente ver que 𝑐0 = (2𝐿 + 1)⁄𝑁.

 Para determinar 𝑐𝑘 ; 𝑘 = 1, … , 𝑁 − 1, se usa la fórmula de sumatoria geométrica. El resultado
es:
2𝜋 2𝜋 1
1 𝑗2𝜋𝑘𝐿 1 − 𝑒 −𝑗 𝑁 𝑘(2𝐿+1) 1 sin [ 𝑁 𝑘 (𝐿 + 2)]
𝑐𝑘 = 𝑒 𝑁 [ 2𝜋 ]= (4.78)
𝑁 −𝑗 𝑘 𝑁 2𝜋 1
1−𝑒 𝑁 sin [ 𝑁 𝑘 2]

donde se ha usado la identidad:

(1 − 𝑒 −𝑗𝜃 ) = 𝑒 −𝑗𝜃⁄2 (𝑒 𝑗𝜃⁄2 − 𝑒 −𝑗𝜃⁄2 ) = 2𝑗𝑒 −𝑗𝜃⁄2 sin(𝜃⁄2)

 Los coeficientes restantes se obtienen mediante repetición periódica.

Por tanto:
2𝐿 + 1
𝑘 = 0, ±𝑁, ±2𝑁, …
𝑁
𝑐𝑘 = 1 sin [2𝜋 𝑘 (𝐿 + 1)] (4.79)
𝑁 2 de otra manera
𝑁 2𝜋 1
{ sin [ 𝑁 𝑘 2]

El espectro de amplitud de 𝑥[𝑛], para 𝐿 = 2 y 𝑁 = 10 está dado en la siguiente figura:

 Se mantiene el ancho 2𝐿 + 1 = 5 del pulso fijo y se grafican los coeficientes escalados 𝑁𝑐𝑘
como una función de la frecuencia 𝜔𝑘 = (2𝜋⁄𝑁)𝑘 para 𝑁 = 10,20,40.
 Note que el espaciamiento ∆𝜔 = (2𝜋⁄𝑁) de las líneas espectrales decrece a medida que el
periodo 𝑁 crece.
 Eventualmente, cuando 𝑁 → ∞, 𝑥[𝑛] se vuelve una secuencia periódica y su representación de
Fourier se vuelve una función continua de 𝜔.

Este proceso se ilustra en:

De las series de Fourier a la transformada de Fourier

Considere una secuencia de duración finita 𝑥[𝑛], tal que 𝑥[𝑛] = 0 fuera del rango −𝐿1 ≤ 𝑛 ≤ 𝐿2 ,
como se muestra en la siguiente figura:

A partir de esta señal no periódica, se construye una señal periódica 𝑥𝑝 [𝑛] repitiendo 𝑥[𝑛] cada 𝑁 >
𝐿2 + 𝐿1 + 1 muestras como se muestra en la siguiente figura:

La DTFS de 𝑥𝑝 [𝑛] está dada por:

𝑁−1
2𝜋
𝑥𝑝 [𝑛] = ∑ 𝑐𝑘 𝑒 𝑗 𝑁 𝑘𝑛 (4.84)
𝑘=0
𝑁−1
1 2𝜋
𝑐𝑘 = ∑ 𝑥𝑝 [𝑛]𝑒 −𝑗 𝑁 𝑘𝑛 (4.85)
𝑁
𝑛=0

Recuerde que los límites en las anteriores ecuaciones pueden ser elegidos sobre cualquier intervalo
que cubra un periodo.

Puesto que 𝑥𝑝 [𝑛] = 𝑥[𝑛] para −𝐿1 ≤ 𝑛 ≤ 𝐿2 , la última ecuación se puede expresar como:
∞
1 2𝜋
𝑐𝑘 = ∑ 𝑥[𝑛]𝑒 −𝑗 𝑁 𝑘𝑛 (4.86)
𝑁
𝑛=−∞

Si se define la función envoltura como:

∞
𝑗𝜔
𝑋(𝑒 ) = ∑ 𝑥[𝑛]𝑒 −𝑗𝜔𝑛 (4.87)
𝑛=−∞

se ve que los coeficiente de la serie 𝑐𝑘 pueden ser obtenidos tomando muestras equidistantes de
𝑋(𝑒 𝑗𝜔 ) como sigue:
 1
𝑐𝑘 = 𝑋(𝑒 𝑗𝜔 )|𝜔=𝑘𝜔 (4.88)
𝑁 0

donde 𝜔0 = 2𝜋⁄𝑁 = ∆𝜔 es el espaciamiento entre muestras espectrales sucesivas.

Usando (4.86) y (4.88) y 1⁄𝑁 = ∆𝜔⁄(2𝜋) se obtiene:

𝑁−1
1
𝑥𝑝 [𝑛] = ∑ 𝑋(𝑒 𝑗𝑘∆𝜔 )𝑒 𝑗(𝑘∆𝜔)𝑛 ∆𝜔 (4.89)
2𝜋
𝑘=0

 Recuerde que, cuando 𝑁 → ∞, 𝑥𝑝 [𝑛] = 𝑥[𝑛] para cualquier 𝑛 finito.

 Más aún, cuando 𝑁 → ∞, ∆𝜔 → 0, la sumatoria de la ecuación anterior se vuelve la integral de
𝑋(𝑒 𝑗𝜔 )𝑒 𝑗𝜔𝑛 sobre el rango de frecuencia de 0 a2𝜋, puesto que (2𝜋⁄𝑁)(𝑁 − 1) → 2𝜋 cuando
𝑁 → ∞.
 De esta manera la ecuación anterior se convierte en:

1 2𝜋
𝑥[𝑛] = ∫ 𝑋(𝑒 𝑗𝜔 )𝑒 𝑗𝜔𝑛 𝑑𝜔 (4.90)
2𝜋 0

 Puesto que 𝑋(𝑒 𝑗𝜔 )𝑒 𝑗𝜔𝑛 es periódica con periodo 2𝜋, se puede usar cualquier intervalo de
integración de longitud 2𝜋.

Las ecuaciones (4.87) y (4.90) son conocidas como par de transformadas de Fourier de tiempo
discreto (DTFT):

Las cantidades 𝑋(𝑒 𝑗𝜔 ), |𝑋(𝑒 𝑗𝜔 )| y ∠𝑋(𝑒 𝑗𝜔 ) son conocidas como espectro, espectro de magnitud
y espectro de fase de la secuencia no periódica 𝑥[𝑛], respectivamente.

Finalmente, note que la derivación de la DTFT revela una relación importante entre la DTFT y la
DTFS.

Si 𝑥𝑝 [𝑛] = 𝑥𝑝 [𝑛 + 𝑁] y para cualquier 𝑛0 se tiene que:

𝑥𝑝 [𝑛] 𝑛0 ≤ 𝑛 ≤ 𝑛0 + 𝑁 − 1
𝑥[𝑛] = { (4.92)
0 de otra manera
y los coeficientes de Fourier de 𝑥𝑝 [𝑛] pueden ser expresados en términos de muestras igualmente
espaciadas de la DTFT 𝑋(𝑒 𝑗𝜔 ) de 𝑥[𝑛] mediante:
1 2𝜋
𝑐𝑘 = 𝑋 (𝑒 𝑗 𝑁 𝑘 ) (4.93)
𝑁
Ejemplo 4.11 Pulso de longitud finita.- Considere la secuencia:
𝑥[𝑛] = 𝛿[𝑛 + 1] + 𝛿[𝑛] + 𝛿[𝑛 − 1]
De la definición de la DTFT

se tiene:
1
𝑗𝜔
𝑋(𝑒 ) = ∑ 𝑥[𝑛]𝑒 −𝑗𝜔𝑛 = 𝑒 𝑗𝜔 + 1 + 𝑒 −𝑗𝜔 = 1 + 2 cos(𝜔)
𝑛=−1

por tanto:

|𝑋(𝑒 𝑗𝜔 )| = |1 − 2 cos(𝜔)|

0 𝑋(𝑒 𝑗𝜔 ) > 0
∠𝑋(𝑒 𝑗𝜔 ) = {
𝜋 𝑋(𝑒 𝑗𝜔 ) < 0

La función 𝑋(𝑒 𝑗𝜔 ) cambia de signo cuando 1 + 2 cos(𝜔) = 0 o en 𝜔 = 2𝜋⁄3 y 𝜔 = 4𝜋⁄3.

Las gráficas de magnitud y de fase de 𝑋(𝑒 𝑗𝜔 ) se muestran en:

Relación de Parseval.- Si 𝑥[𝑛] tiene energía finita, se tiene la siguiente relación de Parseval:
1 2
𝐸𝑥 = ∑∞ 2 𝑗𝜔
𝑛=−∞|𝑥[𝑛]| = 2𝜋 ∫2𝜋|𝑋(𝑒 )| 𝑑𝜔 (4.94)
la cual permite determinar la energía de la señal en el dominio del tiempo a partir de 𝑥[𝑛] o en el
dominio de la frecuencia a partir de 𝑋(𝑒 𝑗𝜔 ).

Si se considera una banda pequeña ∆𝜔, centrada en 𝜔 = 𝜔0 , entonces la energía de los

componentes de frecuencia en esta banda ∆𝜔 está dada por:
2
|𝑋(𝑒 𝑗𝜔0 )| 2
∆𝜔 = |𝑋(𝑒 𝑗2𝜋𝑓0 )| ∆𝑓
2𝜋
2
|𝑋(𝑒 𝑗𝜔0 )|
es decir, el área 2𝜋
bajo la banda ∆𝜔.
2
|𝑋(𝑒 𝑗𝜔0 )| 2
Por tanto, 2𝜋
o |𝑋(𝑒 𝑗𝜔0 )| son conocidas como espectro de densidad de energía de 𝑥[𝑛].

Condiciones de convergencia.- Aunque el par DTFT fue derivado para una señal de duración finita,
las fórmulas se tienen para señales de duración infinita si la sumatoria infinita de la ecuación de
análisis converge.

Si se considera la aproximación parcial:

𝑀
𝑗𝜔
𝑋𝑀 (𝑒 ) = ∑ 𝑥[𝑛]𝑒 −𝑗𝜔𝑛 (4.95)
𝑛=−𝑀

la condición de convergencia uniforme es:

∞

∑ |𝑥[𝑛]| < ∞ ⇒ lim 𝑋𝑀 (𝑒 𝑗𝜔 ) = 𝑋(𝑒 𝑗𝜔 ) (4.96)

𝑀⇢∞
𝑛=−∞

mientras que la condición de convergencia media cuadrática es:

∞
2
∑ |𝑥[𝑛]|2 < ∞ ⇒ lim ∫ |𝑋(𝑒 𝑗𝜔 ) − 𝑋𝑀 (𝑒 𝑗𝜔 )| 𝑑𝜔 = 0 (4.97)
𝑀⇢∞ 2𝜋
𝑛=−∞

Cálculo numérico de la DTFT.- Si 𝑥[𝑛] tiene duración finita, se puede calcular 𝑋(𝑒 𝑗𝜔 ) en cualquier
frecuencia 𝜔𝑘 usando la sumatoria infinita:
𝑁2

𝑋(𝑒 𝑗𝜔𝑘 ) = ∑ 𝑥[𝑛]𝑒 −𝑗𝜔𝑘 𝑛 (4.98)

𝑛=𝑁1

El cálculo exacto de la DTFT inversa:

1 2𝜋
𝑥[𝑛] = ∫ 𝑋(𝑒 𝑗𝜔 )𝑒 𝑗𝜔𝑛 𝑑𝜔
2𝜋 0

no es posible debido a que requiere integración.

Matlab proporciona la función

X=freqz(x,1,om) (4.99)
la cual calcula la ecuación (4.98) para 𝑁1 = 0, 𝑁2 = 𝑁 y 𝐾 frecuencias 𝜔𝑘 ; 0 ≤ 𝑘 ≤ 𝐾 − 1.

Cuando 𝑋(𝑒 𝑗𝜔 ) o 𝑥[𝑛] asumen valores reales, se debería usar sólo la parte real de X o x.

Las partes imaginarias, debido a las limitaciones de precisión numérica, no son cero; toman valores
pequeños en el rango de ±10−16.

Para calcular
𝑁2

𝑋(𝑒 𝑗𝜔𝑘 ) = ∑ 𝑥[𝑛]𝑒 −𝑗𝜔𝑘 𝑛

𝑛=𝑁1

para 𝑁1 y 𝑁2 arbitrarios, primero note que cambiando el índice de la sumatoria de 𝑛 a 𝑚 = 𝑛 − 𝑁1

se produce:
𝑁2 −𝑁1
𝑗𝜔𝑘 −𝑗𝜔𝑘 𝑁1
𝑋(𝑒 )=𝑒 ∑ 𝑥[𝑛 + 𝑁1 ]𝑒 −𝑗𝜔𝑘 𝑛 (4.100)
𝑛=0

El cálculo de la ecuación anterior puede hacerse usando la siguiente función de Matlab:

donde x es el vector que contiene la muestras de la señal y Nstart es el índice de la primera muestra.

4.4Resumen de series de Fourier y transformada de Fourier

El principio de la representación de Fourier de señales es dividirlas en sumatorias de componentes
sinusoidales o exponenciales complejas.

Las representaciones analíticas, numéricas o gráficas de magnitud y fase de cada componente como
una función de la frecuencia se conocen como espectro de magnitud y espectro de fase de la señal.
Los espectros de magnitud y de fase colectivamente son llamados espectro de Fourier o
simplemente espectro de una señal.

 La forma exacta de las fórmulas matemáticas usadas para determinar el espectro de la señal
(ecuación de análisis de Fourier) y la señal a partir de su espectro (ecuación de síntesis de
Fourier) dependen de si el tiempo es continuo o discreto y de si la señal es periódica o no
periódica.

Esto conduce a cuatro representaciones diferentes de Fourier las cuales se resumen en la siguient
tabla:

Una inspección cuidadosa de esta tabla conduce las siguientes conclusiones:

 Las señales periódicas de tiempo continuo están representadas por una serie de Fourier infinita
de exponenciales complejas armónicamente relacionadas.
Por tanto, el espectro existe sólo en 𝐹 = 0, ±𝐹0 , ±2𝐹0 , …, es decir, en valores discretos de 𝐹.
El espaciameinto entre las líneas de este espectro discreto o espectro de línea es 𝐹0 = 1⁄𝑇0, es
decir es el recíproco del periodo fundamental.
 Las señales no periódicas de tiempo continuo están representadas por una integral de Fourier
de exponenciales complejas sobre el eje entero de la frecuencia.
Por tanto, el espectro existe para todo 𝐹; −∞ < 𝐹 < ∞.
El conocimiento de 𝑋(𝑗2𝜋𝐹); −∞ < 𝐹 < ∞ es necesario para representar 𝑥(𝑡); −∞ < 𝑡 < ∞.
 Las señales periódicas de tiempo discreto se representan por una serie de Fourier finita de
exponenciales complejas armónicamente relacionadas.
El espaciamiento entre las líneas del espectro discreto resultante es ∆𝜔 = 2𝜋⁄𝑁, donde 𝑁 es
el periodo fundamental.
Los coeficientes de la DTFS de una señal periódica son periódicos y la ecuación de análisis
involucra una suma finita sobre un rango de 2𝜋.
 Las señales no periódicas de tiempo discreto son representadas por una integral de Fourier de
exponenciales complejas sobre cualquier rango de frecuencias de longitud igual a 2𝜋 radianes.
El conocimiento de la función DTFT periódica 𝑋(𝑒 𝑗𝜔 ) sobre cualquier intervalo de longitud 2𝜋
es necesario para recuperar 𝑥[𝑛]; −∞ < 𝑛 < ∞.
 Las exponenciales complejas de tiempo discreto que difieren en frecuencia por un múltiplo de
2𝜋 son idénticas. Esto tiene las siguientes implicaciones:
o Las bajas frecuencias, correspondientes a señales que varían lentamente, están en los
puntos 𝜔 = 0, ±2𝜋, ±4𝜋, …
o Las altas frecuencias, correspondientes a señales que varían rápidamente, están
alrededor de los puntos 𝜔 = ±𝜋, ±3𝜋, …

La clave de las características de la periodicidad del muestreo de las representaciones de Fourier en

la talba anterior pueden ser resumidas por la siguiente regla:

Resultado 4.4.1 La periodicidad con periodo 𝜶 en un dominio implica discretización con

espaciamiento de 𝟏⁄𝜶 en el otro dominio y viceversa.

Señales de banda limitada.- La señales cuyos componentes de frecuencia son cero o pequeños
fuera de un intervalo finito 0 ≤ 𝐵1 ≤ |𝐹| ≤ 𝐵2 < ∞ se dice que son de banda limitada.

 La cantidad 𝐵 = 𝐵2 − 𝐵1 es conocida como el ancho de banda de la señal.

 Para señales de tiempo discreto, se debería también tener la condición de que 𝐵2 < 𝐹𝑠 ⁄2.

Dependiendo de los valores de 𝐵1 y 𝐵2 se distinguen los siguientes tipos de señal:

4.5 Propiedades de la transformada de Fourier de tiempo discreto

Las diferentes propiedades de la DTFT son usadas para simplificar la solución de problemas y algunas
veces verificar la validez de una solución.

 Cuando una señal tiene una propiedad de simetría en el dominio del tiempo, esta propiedad
impone otra única simetría sobre su DTFT.
 Más aún, algunas operaciones sobre una señal o entre dos señales resultan en operaciones
diferentes entre sus DTFTs.
4.5.1 Relación entre transformada z y la periodicidad
La transformada z de una secuencia 𝑥[𝑛] está definida por:
∞

𝑋(𝑧) = ∑ 𝑥[𝑛]𝑧 −𝑛 (4.101)

𝑛=∞
Si la ROC de 𝑋(𝑧) incluye el círculo unitario, definido por 𝑧 = 𝑒 𝑗𝜔 o equivalentemente |𝑧| = 1, se
obtiene:
∞

𝑋(𝑧)|𝑧=𝑒 𝑗𝜔 = ∑ 𝑥[𝑛]𝑒 −𝑗𝜔𝑛 = 𝑋(𝑒 𝑗𝜔 ) (4.102)

𝑛=∞

es decir, la transformada z se reduce a la transformada de Fourier.

La magnitud de la DTFT es obtenida intersectando la superficie |𝑋(𝑧)| con un cilindro vertical de

radio uno, centrado en 𝑧 = 0. Esto se ilustra en la siguiente figura:

la cual proporciona una demostración clara de la periodicidad de la DTFT.

 La frecuencia radiante 𝜔 se mide con respecto al eje real positivo y el círculo unitario es
mapeado a un eje de frecuencia lineal.
 Las múltiples rotaciones alrededor del círculo unitario crean una periodicidad inherente, con
periodo 2𝜋 radianes, en el dominio de la frecuencia.

Si se expresa 𝑧 en forma polar como 𝑧 = 𝑟𝑒 𝑗𝜔 , la transformada z puede ser escrita como:

∞
𝑗𝜔
𝑋(𝑟𝑒 ) = ∑ (𝑥[𝑛]𝑟 −𝑛 )𝑒 −𝑗𝜔𝑛 (4.103)
𝑛=−∞

la cual muestra que la transformada z de 𝑥[𝑛] es igual a la DTFT de la secuencia exponencialmente

ponderada 𝑥[𝑛]𝑒 −𝑗𝜔𝑛 .
 Debido a la ponderación exponencial, es posible que la transformada z exista aún si la DTFT no
existe.
 Sin embargo, note que existen secuencias que tienen DTFT pero no una transformada z y
viceversa.

4.5.2 Propiedades de simetría

Señales complejas.- Suponga que tanto la señal 𝑥[𝑛] como su DTFT 𝑋(𝑒 𝑗𝜔 ) son funciones que
asumen valores complejos.

Entonces se las puede expresar en forma rectangular como sigue:

𝑥[𝑛] = 𝑥𝑅 [𝑛] + 𝑗𝑥𝐼 [𝑛] (4.104)

𝑋(𝑒 𝑗𝜔 ) = 𝑋𝑅 (𝑒 𝑗𝜔 ) + 𝑗𝑋𝐼 (𝑒 𝑗𝜔 ) (4.105)

Luego se sustituye (4.104) y 𝑒 −𝑗𝜔 = cos 𝜔 − 𝑗 sin 𝜔 en la DTFT:

∞
𝑗𝜔
𝑋(𝑒 ) = ∑ 𝑥[𝑛]𝑒 −𝑗𝜔𝑛
𝑛=−∞

y se separan las partes real e imaginaria.

El resultado es:
∞
𝑗𝜔
𝑋𝑅 (𝑒 ) = ∑ {𝑥𝑅 [𝑛] cos(𝜔𝑛) + 𝑥𝐼 [𝑛] sin(𝜔𝑛)} (4.106)
𝑛=−∞
∞
𝑗𝜔
𝑋𝐼 (𝑒 ) = ∑ {𝑥𝑅 [𝑛] sin(𝜔𝑛) + 𝑥𝐼 [𝑛] cos(𝜔𝑛)} (4.107)
𝑛=−∞

Si se sustituye (4.105) y 𝑒 𝑗𝜔 = cos 𝜔 + 𝑗 sin 𝜔 en la DTFT inversa:

1 2𝜋
𝑥[𝑛] = ∫ 𝑋(𝑒 𝑗𝜔 )𝑒 𝑗𝜔𝑛 𝑑𝜔
2𝜋 0

y se separan las partes real e imaginaria, se obtiene:

1 2𝜋
𝑥𝑅 [𝑛] = ∫ {𝑋𝑅 (𝑒 𝑗𝜔 ) cos(𝜔𝑛) − 𝑋𝐼 (𝑒 𝑗𝜔 ) sin(𝜔𝑛)}𝑑𝜔 (4.108)
2𝜋 0

1 2𝜋
𝑥𝐼 [𝑛] = ∫ {𝑋𝑅 (𝑒 𝑗𝜔 ) sin(𝜔𝑛) + 𝑋𝐼 (𝑒 𝑗𝜔 ) cos(𝜔𝑛)}𝑑𝜔 (4.109)
2𝜋 0

Señales reales.- Si 𝑥[𝑛] es real entonces 𝑥𝑅 [𝑛] = 𝑥[𝑛] y 𝑥𝐼 [𝑛] = 0.

En este caso, las partes real e imaginaria de la DTFT se simplifican a:
 ∞
𝑗𝜔
𝑋𝑅 (𝑒 ) = ∑ {𝑥𝑅 [𝑛] cos(𝜔𝑛)} (4.110a)
𝑛=−∞
∞
𝑗𝜔
𝑋𝐼 (𝑒 ) = − ∑ {𝑥𝑅 [𝑛] sin(𝜔𝑛)} (4.110b)
𝑛=−∞

Puesto que cos(−𝜔𝑛) = cos(𝜔𝑛) y sin(−𝜔𝑛) = − sin(𝜔𝑛) se puede fácilmente ver que:

𝑋𝑅 (𝑒 −𝑗𝜔 ) = 𝑋𝑅 (𝑒 𝑗𝜔 ); (𝒔𝒊𝒎𝒆𝒕𝒓í𝒂 𝒑𝒂𝒓) (4.111)

𝑋𝐼 (𝑒 −𝑗𝜔 ) = −𝑋𝐼 (𝑒 𝑗𝜔 ); (𝒔𝒊𝒎𝒆𝒕𝒓í𝒂 𝒊𝒎𝒑𝒂𝒓) (4.112)

o combinando en una sola ecuación:

𝑋 ∗ (𝑒 𝑗𝜔 ) = 𝑋(𝑒 −𝑗𝜔 ); (𝒔𝒊𝒎𝒆𝒕𝒓í𝒂 𝑯𝒆𝒓𝒎𝒊𝒕𝒊𝒂𝒏𝒂) (4.113)

 De esta manera, la DTFT de una señal real tiene simetría Hermitiana (o compleja conjugada).

La magnitud y fase de la DTFT están dadas por:

|𝑋(𝑒 𝑗𝜔 )| = √𝑋𝑅2 (𝑒 𝑗𝜔 ) + 𝑋𝐼2 (𝑒 𝑗𝜔 ) (4.114)

𝑋𝐼 (𝑒 𝑗𝜔 )
∠𝑋(𝑒 𝑗𝜔 ) = tan−1 (4.115)
𝑋𝑅 (𝑒 𝑗𝜔 )
Usando las propiedades de simetría (4.111) y (4.112), se obtienen las siguientes propiedades de
simetría para los espectros de magnitud y fase;

|𝑋(𝑒 −𝑗𝜔 )| = |𝑋(𝑒 𝑗𝜔 )|; (𝒔𝒊𝒎𝒆𝒕𝒓í𝒂 𝒑𝒂𝒓) (4.116)

∠𝑋(𝑒 −𝑗𝜔 ) = −∠𝑋(𝑒 𝑗𝜔 ); (𝒔𝒊𝒎𝒆𝒕𝒓í𝒂 𝒊𝒎𝒑𝒂𝒓) (4.117)

La DTFT inversa para señales reales está dada por:

1 2𝜋
𝑥𝑅 [𝑛] = ∫ {𝑋𝑅 (𝑒 𝑗𝜔 ) cos(𝜔𝑛) − 𝑋𝐼 (𝑒 𝑗𝜔 ) sin(𝜔𝑛)}𝑑𝜔 (4.108)
2𝜋 0

reemplazando 𝑥𝑅 [𝑛] por 𝑥[𝑛] se obtiene la DTFT inversa:

1
𝑥[𝑛] = ∫ [𝑋 (𝑒 𝑗𝜔 ) cos(𝜔𝑛) − 𝑋𝐼 (𝑒 𝑗𝜔 ) sin(𝜔𝑛)]𝑑𝜔 (4.118)
2𝜋 2𝜋 𝑅

Puesto que 𝑋𝑅 (𝑒 𝑗𝜔 ) cos(𝜔𝑛) y 𝑋𝐼 (𝑒 𝑗𝜔 ) sin(𝜔𝑛) son funciones pares de 𝜔, se tiene:

1 𝜋
𝑥[𝑛] = ∫ [𝑋 (𝑒 𝑗𝜔 ) cos(𝜔𝑛) − 𝑋𝐼 (𝑒 𝑗𝜔 ) sin(𝜔𝑛)]𝑑𝜔 (4.119)
𝜋 0 𝑅

la cual requiere integración sobre la mitad del rango de la frecuencia fundamental.

Señales reales y pares.- Si 𝑥[𝑛] es real y par, es decir, 𝑥[−𝑛] = 𝑥[𝑛], entonces 𝑥[𝑛] cos 𝜔𝑛 es una
función par y 𝑥[𝑛] sin 𝜔𝑛 es una función impar de 𝑛.
Señales reales e impares.- Si 𝑥[𝑛] es real e impar, es decir, 𝑥[−𝑛] = −𝑥[𝑛], entonces 𝑥[𝑛] cos 𝜔𝑛
es una función impar y 𝑥[𝑛] sin 𝜔𝑛 es una función par de 𝑛.

Resumen de las propiedades de simetría de la DTFT

Valor del ángulo principal.- El valor del ángulo principal de un número complejo está definido
como el ángulo entre – 𝜋 y +𝜋 radianes.

El ángulo principal es típicamente calculado usando la subrutina angle, que en Matlab se

implementa mediante la función atan2 como sigue:

4.5.3 Propiedades operacionales de la DTFT

Correlación de señales.- Existen aplicaciones, como radar y comunicaciones digitales donde se
desea medir la similitud entre una señal de interés y una señal de referencia.

La secuencia de correlación entre dos señales que se asume toman valores reales 𝑥[𝑛] y 𝑦[𝑛] está
definida por:
∞

𝑟𝑥𝑦 [ℓ] ≜ ∑ 𝑥[𝑛]𝑦[𝑛 − ℓ] ; −∞ < ℓ < ∞ (4.154)

𝑛=−∞

 La secuencia 𝑟𝑥𝑦 [ℓ] esiste si al menos una de las señales tiene energía finita.
 La secuencia 𝑦[𝑛] es corrida a la derecha cuando el retardo ℓ > 0 y a la izquierda cuando ℓ <
0.

Para entender el significado de la correlación primero note que la energía 𝐸𝑧 de una secuencia
𝑧[𝑛] = 𝑎𝑥[𝑛] + 𝑦[𝑛 − ℓ], la cual es no negativa, puede ser expresada como:

𝐸𝑧 = 𝑎2 𝐸𝑥 + 2𝑎𝑟𝑥𝑦 [ℓ] + 𝐸𝑦 ≥ 0 (4.155)

 Esta es una ecuación cuadrática con coeficientes 𝐸𝑥 , 2𝑟𝑥𝑦 [ℓ] y 𝐸𝑦 .

La desigualdad en (4.155) se satisface si el discriminante de la ecuación cuadrática no es positivo, es

2 [ℓ]
decir si 4𝑟𝑥𝑦 − 4𝐸𝑥 𝐸𝑦 ≤ 0.

Por tanto, se tiene:

 𝑟𝑥𝑦 [ℓ]
−1 ≤ 𝜌𝑥𝑦 [ℓ] ≜ ≤ 1 (4.156)
√𝐸𝑥 𝐸𝑦

La secuencia 𝜌𝑥𝑦 [ℓ], que es conocida como coeficiente de correlación normalizado, mide la
similitud entres dos secuencia.

 Si 𝑥[𝑛] = 𝑐𝑦[𝑛 − 𝑛0 ]; 𝑐 > 0, se obtiene 𝜌𝑥𝑦 [𝑛0 ] = 1 (correlación máxima)

 Si 𝑥[𝑛] = −𝑐𝑦[𝑛 − 𝑛0 ]; 𝑐 > 0, se obtiene 𝜌𝑥𝑦 [𝑛0 ] = −1 (correlación negativa máxima).
 Si 𝜌𝑥𝑦 [ℓ] = 0 para todos los retardos, las dos secuencias se dice que están descorrelacionadas.

Una inspección cuidadosa de

∞

𝑟𝑥𝑦 [ℓ] ≜ ∑ 𝑥[𝑛]𝑦[𝑛 − ℓ] ; −∞ < ℓ < ∞ (4.154)

𝑛=−∞

revela que la diferencia fundamental entre la convolución y la correlación es que la secuencia y[n]
es volteada antes de la operación de corrimiento.

La ausencia de volteo implica que:

𝑟𝑥𝑦 [ℓ] = 𝑟𝑥𝑦 [−ℓ] (4.157)

es decir, la correlación no tiene la propiedad conmutativa.

Se puede calcular la correlación usando una función para el cálculo de la convolución primero
voltenado la secuencia 𝑦[𝑛], es decir:

𝑟𝑥𝑦 [ℓ] = 𝑥[𝑙] ∗ 𝑦[−ℓ] (4.158)

En Matlab se puede calcular la correlación de dos secuencias usando la función:

rxy=conv(x,flipud(y)) (4.159)

si x, y son vectores columna.

Tomando la transformada de Fourier (4.158) se produce:

𝐷𝑇𝐹𝑇
𝑟𝑥𝑦 [ℓ] = 𝑥[ℓ] ∗ 𝑦[−ℓ] ↔ 𝑅𝑥 (𝜔) = 𝑋(𝑒 𝑗𝜔 )𝑌(𝑒 −𝑗𝜔 ) (4.160)

Cuando 𝑦[𝑛] = 𝑥[𝑛] se obtiene la secuencia de autocorrelación 𝑟𝑥𝑥 [ℓ] o 𝑟𝑥 [ℓ], en corto.

Puesto que 𝑥[𝑛] es una secuencia real se tiene que: 𝑋(−𝜔) = 𝑋 ∗ (𝜔).

Por tanto la transformada de Fourier de tiempo discreto de 𝑟𝑥 [ℓ] es:

𝐷𝑇𝐹𝑇 2
𝑟𝑥𝑦 [ℓ] = 𝑥[ℓ] ∗ 𝑦[−ℓ] ↔ 𝑅𝑥 (𝜔) = |𝑋(𝑒 𝑗𝜔 )| (4.161)

Este par de transformada de Fourier es conocido como teorema de Wiener-Khinchine.

Para secuencias de longitud finita, la correlación es una medida significativa de similaridad para
pequeños retardos (más pequeño que 20% de la longitud); a medida que el número de retardos se
incrementa, el número de muestras usado para el cálculo de la correlación disminuye.
4.5.5 Señales con polos sobre el círculo unitario
La DTFT de una secuencia 𝑥[𝑛] puede ser determinada evaluando su transformada z sobre el círculo
unitario, dado que la ROC incluye el círculo unitario.

Sin embargo, existen algunas secuencias no periódicas útiles que tienen polos sobre el círculo
unitario.

 Por ejemplo la secuencia escalón unitario, tiene un polo en 𝑧 = 1:

1
𝑋(𝑧) = ; ROC: |𝑧| > 1 (4.165)
1 − 𝑧 −1
 La DTFT es finita si 𝑧 = 𝑒 𝑗𝜔 ≠ 1 u 𝜔 ≠ 2𝜋𝑘; 𝑘 entero.
 Similarmente, la transformada z de una sinusoide causal, 𝑥[𝑛] = cos(𝜔0 𝑛) 𝑢[𝑛], tiene un par
de polos complejos conjugados sobre el círculo unitario en 𝑧 = 𝑒 ±𝑗𝜔0 :

1 − (cos 𝜔0 )𝑧 −1
𝑋(𝑧) = ; ROC: |𝑧| > 1 (4.166)
1 − 2(cos 𝜔0 )𝑧 −1 + 𝑧 −2

 La DTFT existe para 𝜔 ≠ 𝜔0 + 2𝜋𝑘.

Es necesario comentar que la DTFT de secuencias con polos sobre el círculo unitario puede ser
formalmente definida para todos los valores de 𝜔, permitiendo las funciones al impulso de Dirac en
las frecuencias de los polos.

Resumen de cuatro representaciones de Fourier

5 Análisis de transformadas de sistemas LTI
5.1 Respuesta sinusoidal de sistemas LTI
La respuesta de un sistema LTI a una excitación exponencial perpetua es otra exponencial perpetua,
es decir:
ℋ
𝑥[𝑛] = 𝑧 𝑛 → 𝑦[𝑛] = 𝐻(𝑧)𝑧 𝑛 ; ∀𝑛 (5.1)
donde
∞

𝐻(𝑧) ≜ ∑ ℎ[𝑘]𝑧 −𝑘 (5.2)

𝑘=−∞

es la función sistema, es decir, la transformada z de la respuesta al impuslo ℎ[𝑛].

Funciones propias de sistemas LTI.- Si el sistema es estable, la ROC de 𝐻(𝑧) contiene al círculo
unitario.

En este caso, se puede evaluar (5.1) y (5.2) para 𝑧 = 𝑒 𝑗𝜔 . El resultado es:

ℋ
𝑥[𝑛] = 𝑒 𝑗𝜔𝑛 → 𝑦[𝑛] = 𝐻(𝑒 𝑗𝜔 )𝑒 𝑗𝜔 ; ∀𝑛 (5.3)

donde
∞
𝑗𝜔
𝐻(𝑒 ) ≜ 𝐻(𝑧)|𝑧=𝑒 𝑗𝜔 = ∑ ℎ[𝑘]𝑒 −𝑗𝜔𝑘 (5.4)
𝑘=−∞

es la transformada de Fourier de la secuencia de respuesta al impulso.

 La función sistema 𝐻(𝑧) de un sistema estable, evaluada sobre el círculo unitario 𝑧 = 𝑒 𝑗𝜔 y vista
como una función de 𝜔, es conocida como la función de respuesta en frecuencia del sistema.
 De la ecuación (5.3) se ve que las exponenciales complejas 𝑒 𝑗𝜔𝑛 ; −∞ < 𝑛 < ∞, son funciones
propias de los sistemas LTI.
 La constante 𝐻(𝑒 𝑗𝜔 ) para un valor específico de 𝜔 es entonces el valor propio asociado con la
función propia 𝑒 𝑗𝜔𝑛 .

Las exponenciales complejas son sólo funciones propias de los sistemas LTI:

𝑦[𝑛] = 𝐻(𝑒 𝑗𝜔 )𝑥 [𝑛] sí y sólo si 𝑥[𝑛] = 𝑒 𝑗𝜔𝑛 ; ∀𝑛 (5.5)

Esta propiedad es poco significativa para cualquier otra señal, incluyendo las exponenciales
complejas de longitud finita o unilaterales.

 Para que la propiedad (5.5) sea válida, la respuesta en frecuencia 𝐻(𝑒 𝑗𝜔 ) debe estar bien
definida y ser finita.
 Esto es factible sólo para sistemas estables; la respuesta en frecuencia es poco significativa para
sistemas inestables.

La respuesta en frecuencia es una función compleja que puede ser expresada ya sea en forma polar
o rectangular:
𝑗𝜔 )
𝐻(𝑒 𝑗𝜔 ) = |𝐻(𝑒 𝑗𝜔 )|𝑒 𝑗∠𝐻(𝑒 = 𝐻𝑅 (𝑒 𝑗𝜔 ) + 𝑗𝐻𝐼 (𝑒 𝑗𝜔 ) (5.6)

Sin embargo, sólo la forma polar revela el significado físico de la función de respuesta en frecuencia.

En efecto, usando (5.3):

ℋ
𝑥[𝑛] = 𝑒 𝑗𝜔𝑛 → 𝑦[𝑛] = 𝐻(𝑒 𝑗𝜔 )𝑒 𝑗𝜔 ; ∀𝑛 (5.3)

la propiedad de linelidad y la notación polar se obtiene:

ℋ 𝑗𝜔 )]
𝑥[𝑛] = 𝐴𝑒 𝑗(𝜔𝑛+𝜙) → 𝑦[𝑛] = 𝐴|𝐻(𝑒 𝑗𝜔 )|𝑒 𝑗[𝜔𝑛+𝜙+∠𝐻(𝑒 (5.7)

Por tanto, la respuesta de un sistema LTI estable a una secuencia exponencial compleja es una
secuencia exponencial compleja con la misma frecuencia; sólo la amplitud y la fase son cambiadas
por el sistema.

Respuesta sinusoidal de sistemas LTI reales.- Suponga a continuación que la entrada es una
secuencia sinusoidal real:
𝐴𝑥 𝑗𝜙 𝑗𝜔𝑛 𝐴𝑥 −𝑗𝜙 −𝑗𝜔𝑛
𝑥[𝑛] = 𝐴𝑥 cos(𝜔𝑛 + 𝜙𝑥 ) = 𝑒 𝑥𝑒 + 𝑒 𝑥𝑒 (5.8)
2 2
𝐴𝑥 𝑗𝜙 𝑗𝜔𝑛
De (5.7), la respuesta a la exponencial compleja 𝑥1 [𝑛] = 𝑒 𝑥𝑒 es:
2

𝐴𝑥 𝑗𝜙 𝑗[𝜔𝑛+∠𝐻(𝑒 𝑗𝜔 )]
𝑦1 [𝑛] = |𝐻(𝑒 𝑗𝜔 )| 𝑒 𝑥𝑒 (5.9)
2
𝐴𝑥 −𝑗𝜙 −𝑗𝜔𝑛
Similarmente, la respuesta a la exponencial compleja 𝑥2 [𝑛] = 2
𝑒 𝑥𝑒 es:

𝐴𝑥 −𝑗𝜙 𝑗[−𝜔𝑛+∠𝐻(𝑒 𝑗𝜔 )]
𝑦2 [𝑛] = |𝐻(𝑒 −𝑗𝜔 )| 𝑒 𝑥𝑒 (5.10)
2
Usando el principio de superposición, se puede fácilmente ver que:
𝐴𝑥 𝑗𝜔 𝐴𝑥 −𝑗𝜔
𝑦[𝑛] = |𝐻(𝑒 𝑗𝜔 )|𝑒 𝑗[𝜔𝑛+𝜙𝑥 +∠𝐻(𝑒 )] + |𝐻(𝑒 −𝑗𝜔 )|𝑒 𝑗[−𝜔𝑛−𝜙𝑥 +∠𝐻(𝑒 )] (5.11)
2 2
Si se asume que la respuesta al impulso ℎ[𝑛] asume valores reales, se tiene que |𝐻(𝑒 −𝑗𝜔 )| =
|𝐻(𝑒 𝑗𝜔 )| y que ∠𝐻(𝑒 −𝑗𝜔 ) = −∠𝐻(𝑒 𝑗𝜔 ).

Por tanto (5.11) se puede escribir como:

𝑦[𝑛] = 𝐴𝑥 |𝐻(𝑒 𝑗𝜔 )| cos[𝜔𝑛 + 𝜙𝑥 + ∠𝐻(𝑒 𝑗𝜔 )] (5.12)

Por tanto, se obtiene la siguiente propiedad única de los sistemas LTI:

 ℋ
𝑥[𝑛] = 𝐴𝑥 cos[𝜔𝑛 + 𝜙𝑥 ] → 𝑦[𝑛] = 𝐴𝑦 cos[𝜔𝑛 + 𝜙𝑦 ] (5.13)

donde

𝐴𝑦 = 𝐴𝑥 |𝐻(𝑒 𝑗𝜔 )|; 𝜙𝑦 = ∠𝐻(𝑒 𝑗𝜔 ) + 𝜙𝑥 (5.14)

En conclusión, todo lo que un sistema LTI puede hacer con una entrada sinusoidal es escalar su
amplitud y cambiar su fase; la forma de su respuesta permanece la misma.

Si un sistema cambia la frecuencia de una entrada sinusoidal, tiene que ser no lineal o variante en
el tiempo.

Esta propiedad proporciona una prueba conveniente para verificar si un sistema es lineal e
invariante en el tiempo.

Repuestas de ganancia y de fase

 Puesto que 𝐴𝑦 = 𝐴𝑥 |𝐻(𝑒 𝑗𝜔 )|, en la frecuencia 𝜔, la cantidad |𝐻(𝑒 𝑗𝜔 )| es conocida como la
respeutas de magnitud o ganancia del sistema.
 De la misma forma 𝜙𝑦 = ∠𝐻(𝑒 𝑗𝜔 ) + 𝜙𝑥 es llamada la respuesta de fase del sistema.
 Las gráficas de |𝐻(𝑒 𝑗𝜔 )| y ∠𝐻(𝑒 𝑗𝜔 ) versus 𝜔 muestran como un sistema cambia la amplitud y
fase de las sinusoides de entrada en varias frecuencias.
 Por tanto, 𝐻(𝑒 𝑗𝜔 ) es conocida como la función de respuesta en frecuencia del sistema.
 Cuando |𝐻(𝑒 𝑗𝜔 )| es pequeña en la frecuencia 𝜔 = 𝜔0 , la componente en esta frecuencia es
esencialmente removida, es decir, filtrada, a partir de la señal de entrada.
 Por esta razón, los sistemas LTI a menudo son llamados filtros.
 Sin embargo, es más apropiado usar el término de filtro para los sistemas LTI diseñados para
eleminar algunos componentes de frecuencia a partir de de la señal de entrada.

Ejemplo 5.1 Ilustración de la función de respuesta en frecuencia.- Considere el sistema:

𝑦[𝑛] = 𝑎𝑦[𝑛 − 1] + 𝑏𝑥[𝑛]; −1 < 𝑎 < 1 (5.15)

Para determinar la función de respuesta en frecuencia, se puede asumir una solución de la forma
de (5.3), sustituirla en la ecuación de diferencias (5.15) y luego resolver para 𝐻(𝑒 𝑗𝜔 ).

En efecto, se tiene:

𝐻(𝑒 𝑗𝜔 )𝑒 𝑗𝜔𝑛 = 𝑎𝐻(𝑒 𝑗𝜔 )𝑒 𝑗𝜔(𝑛−1) + 𝑏𝑒 𝑗𝜔𝑛 (5.16)

Resolviendo para 𝐻(𝑒 𝑗𝜔 ) se obtiene la fórmula:

𝑏
𝐻(𝑒 𝑗𝜔 ) = (5.17)
1 − 𝑎𝑒 −𝑗𝜔
Puesto que 1 − 𝑎𝑒 −𝑗𝜔 = (1 − 𝑎 cos 𝜔) + 𝑗𝑎 sin 𝜔 se siguie que:

|1 − 𝑎𝑒 −𝑗𝜔 | = √(1 − 𝑎 cos 𝜔)2 + (𝑎 sin 𝜔)2 = √1 + 𝑎2 − 2𝑎 cos 𝜔

 𝑎 sin 𝜔
∠(1 − 𝑎 cos 𝜔) = tan−1 [ ]
1 − 𝑎 cos 𝜔
Por tanto, las respuestas de magnitud y de fase son:
|𝑏|
|𝐻(𝑒 𝑗𝜔 )| = (5.18)
√1 + 𝑎2 − 2𝑎 cos 𝜔
𝑎 sin 𝜔
∠𝐻(𝑒 𝑗𝜔 ) = ∠𝑏 − tan−1 (5.19)
1 − 𝑎 cos 𝜔
Es costumbre elegir 𝑏 tal que el máximo de |𝐻(𝑒 𝑗𝜔 )| sea igual a uno.

 Si 𝑎 > 0, el denominador de |𝐻(𝑒 𝑗𝜔 )| llega a su mínimo en 𝜔 = 0.

Por tanto, se requiere que |𝐻(𝑒 𝑗0 )| = |𝑏|⁄(1 − 𝑎) = 1.
Esto produce 𝑏 = ±(1 − 𝑎).
 Si 𝑎 < 0, el máximo de |𝐻(𝑒 𝑗𝜔 )| ocurre en 𝜔 = 𝜋.
Requiriendo que |𝐻(𝑒 𝑗𝜋 )| = |𝑏|⁄(1 + 𝑎) = 1, se obtiene 𝑏 = ±(1 + 𝑎).
Ambos casos pueden ser satisfechos eligiendo:

𝑏 = 1 − |𝑎| (5.20)
lo cual implica que |𝑏| = 1 − |𝑎| y ∠𝑏 = 0 debido a que −1 < 𝑎 < 1.

La siguiente figura muestra las gráficas de las respuestas de magnitud y fase para 𝑎 = 0.8 y un par
entrada-salida para la frecuencia 𝜔 = 2𝜋⁄20;
 Claramente se ve que las entradas sinusoidales con frecuencias cercanas a 𝜔 = 0 pasan con
pequeña atenuación
 En contraste, las sinusoides con frecuencias cercanas a 𝜔 = 𝜋 son severamente atenuadas.
 Puesto que para 𝑎 > 0, |𝐻(𝑒 𝑗𝜔 )|𝑚𝑎𝑥 ⁄|𝐻(𝑒 𝑗𝜔 )|𝑚𝑖𝑛 = (1 + 𝑎)⁄(1 − 𝑎), el pico de la respuesta
de magnitud se vuelve más estrecho a medida que 𝑎 se aproxima a uno.
 A partir de las gráficas de las respuestas de magnitud y fase de la figura anterior, la ganancia
normalizada en 𝜔 = 2𝜋⁄20 es de alrededor de 0.58 mientras que el corrimiento de fase es de
alrededor de −0.26𝜋 radianes ( o − 0.26𝜋⁄𝜔 = −2.55 muestras).
 Estos valores son evidentes de las gráficas de entrada salida en la figura anterior.

Funciones continua y de fase principal.- Cuando se trata con la función exponencial compleja,
existen dos observaciones claves a tomar en cuenta:

1.- La determinación de la función de fase tiene una ambigüedad intrínseca debido a que, para
cualquier entero 𝑚:
𝑗𝜔 ) 𝑗𝜔 )+2𝑚𝜋]
𝐻(𝑒 𝑗𝜔 ) = |𝐻(𝑒 𝑗𝜔 )|𝑒 ∠𝐻(𝑒 = |𝐻(𝑒 𝑗𝜔 )|𝑒 [∠𝐻(𝑒 (5.26)

 Esto es consistente con el hecho de que la señal sinusoidal corrida un número múltiple de
periodos es indistinguible a partir de la señal original.
2.- Los algoritmos numéricos calculan el valor principal de la fase, la cual está siempre dentro del
siguiente rango:

−𝜋 < 𝐴𝑅𝐺[𝐻(𝑒 𝑗𝜔 )] ≤ 𝜋 (5.27)

 Si la respuesta de fase excede los límites en (5.27) la función 𝐴𝑅𝐺[𝐻(𝑒 𝑗𝜔 )] es discontinua.

 Las discontinuidades introducidas por (5.27) son saltos de 2𝑚𝜋 radianes, donde 𝑚 es un entero.

Ejemplo 5.3 Funciones de fase.- Considere la respuesta en frecuencia del sistema:

𝐻(𝑧) = [(1 + 𝑧 −1 )⁄2]6
la cual está dada por:

𝐻(𝑒 𝑗𝜔 ) = cos 6(𝜔⁄2) 𝑒 −𝑗3𝜔

 Su función de fase continua, Ψ(𝜔) = −3𝜔, varía continuamente de 0 a −6𝜋 cuando 𝜔 cambia
de 0 a 2𝜋.
 Note que al evaluar la respuesta de fase ∠𝐻(𝑒 𝑗𝜔 ) usando la función de Matlab angle, se obtiene
la curva lineal a pedazos con saltos de 2𝜋 en 𝜔 = 𝜋⁄3, de 4𝜋 en 𝜔 = 𝜋 y de 6𝜋 en 𝜔 = 5𝜋⁄3.
 El símbolo ∠𝐻(𝑒 𝑗𝜔 ) es usado para denotar la función de respuesta de fase de un sistema, en
general.
 La notación Ψ(𝜔) se reserva para la función de fase continua.
 Sin embargo, el valor principal de la fase es suficiente para la mayoría de las aplicaciones
prácticas.

Estado estacionario y respuesta transitoria

La propiedad de función propia:
ℋ
𝑥[𝑛] = 𝑒 𝑗𝜔𝑛 → 𝑦[𝑛] = 𝐻(𝑒 𝑗𝜔 )𝑒 𝑗𝜔 ; ∀𝑛

se tiene si la secuencia de entrada 𝑥[𝑛] es una secuencia exponencial compleja que existe sobre
todo el intervalo −∞ < 𝑛 < ∞.

Sin embargo, en la práctica cada entrada empieza en un tiempo finito.

Para ver las implicaciónes de esta restricción considere una exponencial compleja que se inicia en
el tiempo 𝑛 = 0, es decir:

𝑥[𝑛] = 𝑒 𝑗𝜔𝑛 𝑢[𝑛] (5.28)

La respuesta de un sistema causal (ℎ[𝑛] = 0; 𝑛 < 0) a la entrada (5.28) es:
 𝑛 𝑛

𝑦[𝑛] = ∑ ℎ[𝑘]𝑥[𝑛 − 𝑘] = ∑ ℎ[𝑘]𝑒 𝑗𝜔(𝑛−𝑘)

𝑘=0 𝑘=0
𝑛 ∞
𝑗𝜔𝑘 𝑗𝜔𝑛
= (∑ ℎ[𝑘]𝑒 )𝑒 − ( ∑ ℎ[𝑘]𝑒 −𝑗𝜔𝑘 ) 𝑒 𝑗𝜔𝑛
𝑘=0 𝑘=𝑛+1
∞
𝑗𝜔 𝑗𝜔𝑛
= 𝐻(𝑒
⏟ )𝑒 − ( ∑ ℎ[𝑘]𝑒 −𝑗𝜔𝑘 ) 𝑒 𝑗𝜔𝑛 (5.29)
𝑦𝑠𝑠 [𝑛] ⏟𝑘=𝑛+1
𝑦𝑡𝑟 [𝑛]

El término 𝑦𝑡𝑟 [𝑛] es conocido como la respuesta transitoria.

Si el sistema es estable, se tiene:

∞ ∞

𝑦𝑡𝑟 [𝑛] ≤ ∑ |ℎ[𝑘]| ≤ ∑|ℎ[𝑘]| < ∞

𝑘=𝑛+1 𝑘=0

la cual muestra que la respuesta transitoria se vuelve progresivamente más pequeña cuando 𝑛 →
∞ debido a que más pocas y más pequeñas muestras de la respuesta al impulso están incluidas en
la sumatoria.

Para un sistema FIR con ℎ[𝑛] = 0; 𝑛 > 𝑀, la respuesta transitoria se desvanece para 𝑛 > 𝑀.

 Por tanto, para valores grandes de 𝑛, la respuesta transitoria de un sistema estable decae a cero
dejando sólo la respuesta en estado estacionario; es decir:

lim 𝑦[𝑛] = 𝐻(𝑒 𝑗𝜔 )𝑒 𝑗𝜔 = 𝑦𝑠𝑠 [𝑛] (5.30)

𝑛→∞

 En la práctica, se tiene la propiedad de función propia después de que la respuesta transitoria

ha disminuido.
 Es importante notar que en la mayoría de las aplicaciones de procesamiento de señales, uno
está principalmente interesado en la respuesta en estado estacionario de un sistema.

5.2 Respuesta de sistemas LTI en el dominio de la frecuencia

Puesto que cada señal puede ser representada por una superposición de componentes sinusoidales,
la respuesta en frecuencia proporciona una forma simple e intuitiva para determinar y entender lo
que un sistema LTI hace con la secuencia de la señal de entrada.

 Más aún, la respuesta en frecuencia conduce a una relación simple entre los espectros de las
señales de entrada y salida de los sistemas LTI.

La forma de esta relación depende de si la secuencia de entrada es periódica o no periódica.

5.2.1 Respuesta a entradas periódicas

Considere una entrada periódica 𝑥[𝑛] = 𝑥[𝑛 + 𝑁] con periodo fundamental 𝑁.

La secuencia 𝑥[𝑛] puede ser expresada como una suma de exponenciales complejas usando la
IDTFS:
 𝑁−1
2𝜋
(𝑥)
𝑥[𝑛] = ∑ 𝑐𝑘 𝑒 𝑗 𝑁 𝑘𝑛 (5.31)
𝑘=0

Usando la propiedad de función propia y la propiedad de linealidad, se tiene:

2𝜋 ℋ 2𝜋 2𝜋
𝑒 𝑗 𝑁 𝑘𝑛 → 𝐻 (𝑒 𝑗 𝑁 𝑘 ) 𝑒 𝑗 𝑁 𝑘𝑛

𝑁−1 𝑁−1
2𝜋 ℋ 2𝜋 2𝜋
(𝑥) (𝑥)
𝑥[𝑛] = ∑ 𝑐𝑘 𝑒 𝑗 𝑁 𝑘𝑛 → ∑ 𝑐𝑘 𝐻 (𝑒 𝑗 𝑁 𝑘 ) 𝑒 𝑗 𝑁 𝑘𝑛 = 𝑦[𝑛]
𝑘=0 𝑘=0

De la última ecuación, se deduce que la secuencia de salida es periódica con coeficientes de Fourier
dados por:
2𝜋
(𝑦) (𝑥)
𝑐𝑘 = 𝐻 (𝑒 𝑗 𝑁 𝑘 ) 𝑐𝑘 ; −∞ < 𝑘 < ∞ (5.32)

 Por tanto, la respuesta de un sistema LTI a una secuencia de entrada periódica es una secuencia
periódica con el mismo periodo fundamental.
 Esto no debería sorprender ya que los sistemas LTI no pueden alterar las frecuencias de las
señales de entrada; sólo pueden cambiar su amplitud y fase.

De la ecuación anterior se tiene:

2𝜋
(𝑦) (𝑥)
|𝑐𝑘 | = |𝐻 (𝑒 𝑗 𝑁 𝑘 )| |𝑐𝑘 | (5.33)

2𝜋
(𝑦) (𝑥)
∠𝑐𝑘 = ∠𝐻 (𝑒 𝑗 𝑁 𝑘 ) + ∠𝑐𝑘 (5.34)

 Estas relaciones son esencialmente las ecuacioens

𝐴𝑦 = 𝐴𝑥 |𝐻(𝑒 𝑗𝜔 )|; 𝜙𝑦 = ∠𝐻(𝑒 𝑗𝜔 ) + 𝜙𝑥

aplicadas a cada componente de frecuencia de la señal de entrada periódica.

Usando (5.33) y el terema de Parseval:

𝑁−1 𝑁−1
1
𝑃𝑎𝑣 = ∑|𝑥[𝑛]|2 = ∑|𝑐𝑘 |2
𝑁
𝑛=0 𝑘=0

se encuentra que la potencia de la secuencia de salida es:

𝑁−1 𝑁−1 2 𝑁−1
1 (𝑦) 2
2𝜋
(𝑥) 2
𝑃𝑎𝑣 = ∑ |𝑦[𝑛]|2 = ∑ |𝑐𝑘 | = ∑ |𝐻 (𝑒 𝑗 𝑁 𝑘 )| |𝑐𝑘 | (5.35)
𝑁
𝑛=0 𝑘=0 𝑘=0

5.2.2 Respuesta a señales no periódicas

Las secuencias no periódicas pueden ser expresadas como una superposición continua de
exponenciales complejas, usando la DTFT inversa, como sigue:
 1 𝜋 1
𝑥[𝑛] = ∫ 𝑋(𝑒 𝑗𝜔 )𝑒 𝑗𝜔𝑛 𝑑𝜔 = lim ∑ 𝑋(𝑒 𝑗𝑘∆𝜔 )𝑒 𝑗(𝑘∆𝜔)𝑛 ∆𝜔 (5.38)
2𝜋 −𝜋 ∆𝜔→0 2𝜋
𝑘∆𝜔→𝜔 𝑘

Usando la propiedad de función propia y el principio de superposición de los sistemas LTI, la

respuesta 𝑦[𝑛] a la entrada (5.38) es:
1 𝑗𝑘∆𝜔 𝑗𝑘∆𝜔 𝑗(𝑘∆𝜔)𝑛
1 𝜋
𝑦[𝑛] = lim ∑ 𝐻(𝑒 )𝑋(𝑒 )𝑒 ∆𝜔 = ∫ 𝐻(𝑒 𝑗𝜔 )𝑋(𝑒 𝑗𝜔 )𝑒 𝑗𝜔𝑛 𝑑𝜔 (5.39)
∆𝜔→0 2𝜋 2𝜋 −𝜋
𝑘∆𝜔→𝜔 𝑘

Por tanto, se concluye que la transformada de Fourier de la secuencia de salida es:

𝑌(𝑒 𝑗𝜔 ) = 𝐻(𝑒 𝑗𝜔 )𝑋(𝑒 𝑗𝜔 ) (5.40)

Una derivación formal está dada por el teorema de convolución:

𝐷𝑇𝐹𝑇
𝑦[𝑛] = 𝑥[𝑛] ∗ ℎ[𝑛] ↔ 𝑌(𝑒 𝑗𝜔 ) = 𝑋(𝑒 𝑗𝜔 )𝐻(𝑒 𝑗𝜔 )

La ecuación (5.40) también puede ser obtenda evaluando sobre el círculo unitario la relación
entrada-salida:

𝑌(𝑧) = 𝐻(𝑧)𝑋(𝑧)
Si se expresan las transformadas de Fourier en (5.40) en coordenadas polares, se obtiene:

|𝑌(𝑒 𝑗𝜔 )| = |𝑋(𝑒 𝑗𝜔 )||𝐻(𝑒 𝑗𝜔 )| (5.41)

∠𝑌(𝑒 𝑗𝜔 ) = ∠𝑋(𝑒 𝑗𝜔 ) + ∠𝐻(𝑒 𝑗𝜔 ) (5.42)

 Note que (5.41) y (5.42) son esencialmente la ecuación:

𝐴𝑦 = 𝐴𝑥 |𝐻(𝑒 𝑗𝜔 )|; 𝜙𝑦 = ∠𝐻(𝑒 𝑗𝜔 ) + 𝜙𝑥

aplicada a cada componente de frecuencia de la señal de entrada no periódica.

De:
2𝜋
(𝑦) (𝑥)
𝑐𝑘 = 𝐻 (𝑒 𝑗 𝑁 𝑘 ) 𝑐𝑘 ; −∞ < 𝑘 < ∞

𝑌(𝑒 𝑗𝜔 ) = 𝐻(𝑒 𝑗𝜔 )𝑋(𝑒 𝑗𝜔 )

se ve que las componentes de frecuencia de la entrada son suprimidas a partir de la salida si

|𝐻(𝑒 𝑗𝜔 )| es pequeña en aquellas frecuencias.

 Esta propiedad proporciona la base para el diseño de filtros de frecuencia selectriva.

De la ecuación:

𝑌(𝑒 𝑗𝜔 ) = 𝐻(𝑒 𝑗𝜔 )𝑋(𝑒 𝑗𝜔 )

y del teorema de Parseval:

 ∞
1 2
𝐸𝑥 = ∑ |𝑥[𝑛]|2 = ∫ |𝑋(𝑒 𝑗𝜔 )| 𝑑𝜔
2𝜋 2𝜋
𝑛=−∞

la energía de la secuencia de salida es:

∞
1 𝜋 2 2
𝐸𝑦 = ∑ |𝑦[𝑛]|2 = ∫ |𝑋(𝑒 𝑗𝜔 )| |𝐻(𝑒 𝑗𝜔 )| 𝑑𝜔 (5.43)
2𝜋 −𝜋
𝑛=−∞

5.2.3 Energía o ganancia de potencia

De (5.43) y
𝑁−1 𝑁−1 2 𝑁−1
1 (𝑦) 2
2𝜋
(𝑥) 2
𝑃𝑎𝑣 = ∑ |𝑦[𝑛]|2 = ∑ |𝑐𝑘 | = ∑ |𝐻 (𝑒 𝑗 𝑁 𝑘 )| |𝑐𝑘 |
𝑁
𝑛=0 𝑘=0 𝑘=0
2
se ve que |𝐻(𝑒 𝑗𝜔 )| muestra cómo el sistema transfire energía o potencia desde la señal de entrada
a la señal de salida.
2
 A menudo se refiere a |𝐻(𝑒 𝑗𝜔 )| como la ganancia (de potencia o energía) del sistema.

Puesto que la ganancia puede tomar valores muy grandes, es conveniente expresar la ganancia en
una unidad logarítimica, conocida como decibel (dB), usando la fórmula:
2
Ganancia en dB = |𝐻(𝑒 𝑗𝜔 )|𝑑𝐵 ≜ 10 log10 |𝐻(𝑒 𝑗𝜔 )| (5.44)

 Note que cero dB corresponde a un valor de |𝐻(𝑒 𝑗𝜔 )| = 1. Si |𝐻(𝑒 𝑗𝜔 )| = 2𝑚 , entonces

|𝐻(𝑒 𝑗𝜔 )|𝑑𝐵 ≈ 6𝑚 𝑑𝐵, es decir, cada vez que se dobla la respuesta de magnitud, se incrementa
la ganancia por 6 𝑑𝐵.
 Cuando |𝐻(𝑒 𝑗𝜔 )| < 1, en vez de ganancia se tiene atenuación; en este caso la ganancia
|𝐻(𝑒 𝑗𝜔 )|𝑑𝐵 es negativa.

Otra ventaja de usar unidades logarítmicas es que las relaciones multiplicativas:

2𝜋
(𝑦) (𝑥)
|𝑐𝑘 | = |𝐻 (𝑒 𝑗 𝑁 𝑘 )| |𝑐𝑘 |

|𝑌(𝑒 𝑗𝜔 )| = |𝑋(𝑒 𝑗𝜔 )||𝐻(𝑒 𝑗𝜔 )|

se vuelven aditivas, es decir:

2𝜋
(𝑦) (𝑥)
|𝑐𝑘 | = |𝐻 (𝑒 𝑗 𝑁 𝑘 )| + |𝑐𝑘 | (5.45)
𝑑𝐵 𝑑𝐵 𝑑𝐵

|𝑌(𝑒 𝑗𝜔 )|𝑑𝐵 = |𝑋(𝑒 𝑗𝜔 )|𝑑𝐵 + |𝐻(𝑒 𝑗𝜔 )|𝑑𝐵 (5.46)

 De esta manera, los efectos tanto de las respuestas de magnitud como de fase se vuelven
aditivas.
5.3 Distorsión de señales que pasan a través de sistemas LTI
Un sistema LTI cambia la señal de entrada 𝑥[𝑛] a una señal de salida 𝑦[𝑛].

La naturaleza de este cambio puede ser entendida examinando la respuesta en frecuencia del
sistema.

 En efecto, el sistema cambia las magnitudes relativas y fases de las componentes de frecuencia
en una señal de entrada en una forma dictada por la función de respuesta en frecuencia.
 Estos cambios pueden ser ya sea deseables, es decir, la señal de entrada es modificada en una
forma útil. o bien indeseables; es decir, la señal de entrada está sujeta a distorsiones.

En esta seccción se formulan condiciones para sistemas con una respuesta sin distorsión y se
discuten los tipos de distorsión que resultan cuando se violan estas condiciones.

Sistemas con respuesta sin distorsión.- Un sistema tiene una respuesta sin distorsión si la señal
de entrada 𝑥[𝑛] y la señal de salida 𝑦[𝑛] tienen la misma forma.

Esto significa que las señales de entrada y salida satisfacen la condición:

𝑦[𝑛] = 𝐺𝑥[𝑛 − 𝑛𝑑 ]; 𝐺 > 0 (5.47)

donde 𝐺 y 𝑛𝑑 son constantes.

Tomando la transformada de Fourier de ambos lados, se tiene:

𝑌(𝑒 𝑗𝜔 ) = 𝐺𝑒 −𝑗𝜔𝑛𝑑 𝑋(𝑒 𝑗𝜔 ) (5.48)

De la ecuación

𝑌(𝑒 𝑗𝜔 ) = 𝐻(𝑒 𝑗𝜔 )𝑋(𝑒 𝑗𝜔 )

y de (5.48), la función de respuesta en frecuencia es:

𝑌(𝑒 𝑗𝜔 )
𝐻(𝑒 𝑗𝜔 ) = = 𝐺𝑒 −𝑗𝜔𝑛𝑑 (5.49)
𝑋(𝑒 𝑗𝜔 )
De esta ecuación se sigue que:

|𝐻(𝑒 𝑗𝜔 )| = 𝐺 (5.50)

∠𝐻(𝑒 𝑗𝜔 ) = −𝜔𝑛𝑑 (5.51)

Lo cual muestra que para que un sistema LTI tenga una respuesta sin distorsión, la respuesta de
magnitud |𝐻(𝑒 𝑗𝜔 )| debe ser una constante y la respuesta de fase ∠𝐻(𝑒 𝑗𝜔 ) debe ser una función
lineal de 𝜔 con pendiente −𝑛𝑑 , donde 𝑛𝑑 es el retardo de la salida con respecto a la entrada.

 Se enfatiza que la respuesta de fase no debería sólo ser una función lineal de la frecuencia, sino
que también debería pasar a través del origen 𝜔 = 0.

Si la pendiente 𝛼 de una función de respuesta de fase lineal no es un entero 𝑛𝑑 , es decir, 𝐻(𝑒 𝑗𝜔 ) =

𝐺𝑒 −𝑗𝜔𝑛𝑑 , la relación
 𝑦[𝑛] = 𝐺𝑥[𝑛 − 𝑛𝑑 ]; 𝐺 > 0
no tiene significado formal debido a que se puede correr 𝑥[𝑛] por un número entero de muestras.

 Sin embargo, si 𝑥[𝑛] = 𝑥𝑐 (𝑛𝑇) y 𝑦[𝑛] = 𝑦𝑐 (𝑛𝑇), entonces 𝑦𝑐 (𝑡) = 𝐺𝑥𝑐 (𝑡 − 𝛼).
 A este retardo se le denomina retardo fraccional.

Distorsión de magnitud.- Se dice que un sistema introduce distorsión de magnitud si:

|𝐻(𝑒 𝑗𝜔 )| ≠ 𝐺 (5.52)

En palabras, el sistema distorsiona la señal de entrada cambiando la proporción correcta de las

componentes de frecuencia de la entrada.

Los sistemas sin distorsión de magnitud, es decir, sistemas que satisfacen que |𝐻(𝑒 𝑗𝜔 )| = 𝐺, se
conocen como sistemas pasa todo.

 Los sistemas pasa todo tienen una respuesta de magnitud plana y sus características están
completamente determinadas por la respuesta de fase.

Por su parte, es fácil describir, en el dominio de la frecuencia, la distorsión de magnitud; pero sus
efectos sobre la forma de la señal están lejos de ser obvios.

Para ilustrar este punto, considere una señal de prueba simple:

1 1
𝑥[𝑛] = cos(𝜔0 𝑛) − cos(3𝜔0 𝑛) + cos(5𝜔0 𝑛) (5.53)
3 5
la cual es una aproximación de un tren de pulsos rectangular.

Suponga ahora que un sistema 𝐻𝑖 (𝑒 𝑗𝜔 ) con entrada 𝑥[𝑛] produce una señal de salida 𝑦𝑖 [𝑛] dada
por:

𝑦𝑖 [𝑛] = 𝑐1 cos(𝜔0 𝑛 + 𝜙1 ) − 𝑐2 cos(3𝜔0 𝑛 + 𝜙2 ) + 𝑐3 cos(5𝜔0 𝑛 + 𝜙3 ) (5.54)

La siguiente figura muestra las señales 𝑥[𝑛], 𝑦1 [𝑛] y 𝑦2 [𝑛] obtenida para 𝜔0 = 0.004𝜋 radianes y
las siguentes amplitudes y fases:
 Note que si un sistema atenúa las componentes de baja frecuencia 𝑐1 a 1⁄4, la señal resultante
𝑦1 [𝑛] se vuelve más aguda.
 En contraste, la atenaución de las componentes de alta frecuencia en 𝑦2 [𝑛] resulta en una señal
más suave.
 Sin embargo, no se puede predecir el grado a agudeza o suavidad sin calcular la señal de salida.

Distorsión de fase o retardo.- Si la respuesta de fase no es una función lineal de la frecuencia, es

decir:

∠𝐻(𝑒 𝑗𝜔 ) ≠ −𝜔𝑛𝑑 (5.55)

la distorsión resultante es conocida como distorsión de fase o distorsión de retardo.

La respuesta de fase ∠𝐻(𝑒 𝑗𝜔 ) da el corrimiento de fase (en radianes) experimentado por cada
componente sinusoidal de la señal de entrada.

Si se reescribe la ecuación:

𝑦[𝑛] = 𝐴𝑥 |𝐻(𝑒 𝑗𝜔 )| cos[𝜔𝑛 + 𝜙𝑥 + ∠𝐻(𝑒 𝑗𝜔 )]

como:

𝑗𝜔
𝜙𝑥 ∠𝐻(𝑒 𝑗𝜔 )
𝑦[𝑛] = 𝐴𝑥 |𝐻(𝑒 )| cos {𝜔 [𝑛 + + ]} (5.57)
𝜔 𝜔
 ∠𝐻(𝑒 𝑗𝜔 )
se nota que la cantidad 𝜔
muestra el corrimiento de tiempo (en número de intervalos de
muestreo) experimentado por cada componente sinusoidal de la señal de entrada.

Por tanto, algunas veces es más significativo usar el retardo de fase definido por:

∠𝐻(𝑒 𝑗𝜔 )
𝜏𝑝𝑑 (𝜔) ≜ − (5.58)
𝜔
Para ilustrar la diferencia entre el corrimiento de fase constante y el retardo de tiempo constante,
considere nuevamente la señal:
1 1
𝑥[𝑛] = cos(𝜔0 𝑛) − cos(3𝜔0 𝑛) + cos(5𝜔0 𝑛)
3 5
Ahora considere un sistema pasa todo que cambia la fase de la señal de entrada como se muestra
en la lista de a continuación:

Estas señales de fase distorsionadas se muestran en la siguiente figura:

Note que:

 El corrimiento constante de fase en 𝑦3 [𝑛] causa distorsión debido a que cada componente de
frecuencia es retardado una cantidad diferente.
 El corrimiento de fase lineal en 𝑦4 [𝑛] no causa ninguna distorsión debido a que resulta en un
retardo de fase constante 𝜏𝑝𝑑 (𝜔) = 62.5 intervalos de muestreo.
 El corrimiento de fase no lineal arbitrario en 𝑦5 [𝑛] resulta en un cambio más drástico de la forma
de la señal de entrada.

En la mayoría de los casos, las distorsiones de magnitud y de fase están presentes simultáneamente
y es difícil sino imposible separar sus efectos.

Se concluye que:

 Para la transmisión sin distorsión no es suficiente que el sistema amplifique (o atenúe) todas las
componentes de frecuencia por igual.
 Todas estas componentes de frecuencia deben también experimentar un retardo de tiempo
idéntico para calcularse correctamente.
 Esto demanda un retardo de fase constante, es decir, un corrimiento de fase proporcional a la
frecuencia.
 Las respuestas de fase no lineales pueden conducir a severas alteraciones de forma.

Retardo de grupo.- Una forma conveniente de verificar la linealidad de la respuesta de fase es usar
el retardo de grupo, definido como el negativo de la pendiente de la fase continua como sigue:
𝑑Ψ(𝜔)
𝜏𝑔𝑑 ≜ − (5.59)
𝑑𝜔
 La derivada en esta definición requiere que la respuesta de fase sea una función continua de la
frecuencia.
 Por tanto, para calcular el retardo de grupo se debería usar la respuesta de fase continua Ψ(𝜔).

La respuesta de fase continua puede ser obtenida a partir del retardo de grupo mediante
integración como:
𝜔
Ψ(𝜔) = − ∫ 𝜏𝑔𝑑 (𝜃)𝑑𝜃 + Ψ(0) (5.60)
0

Para sistemas reales Ψ(0) = 0 puesto que Ψ(𝜔) tiene simetría impar.

 Las respuestas de fase que son lineales en la frecuencia corresponden a un retardo de fase
constante y un retardo de grupo constante; ambos retardos son idénticos y cada uno puede ser
interpretado como un retardo de tiempo.
 Si la respuesta de fase es no lineal, entonces la fase relativa de cada componente de frecuencia
es retardada por una cantidad diferente resultando en serveras distorsiones de forma.

Note que tanto la respuesta de fase lineal ∠𝐻(𝑒 𝑗𝜔 ) = −𝜔𝑛𝑑 y la respuesta de fase lineal
generalizada:

∠𝐻(𝑒 𝑗𝜔 ) = 𝜃0 − 𝜔𝑛𝑑 (5.61)

tienen un retardo de grupo constante.

 De esta manera, un retardo de grupo constante es una condición más relajada que un retardo
de fase constante.

Para ilustrar mejor la diferencia entre fase y retardo de grupo, considere una señal pasa banda
obtenida modulando una señal pasabajo tal como:

𝑥[𝑛] = 𝑠[𝑛] cos(𝜔𝑐 𝑛) (5.62)

donde 𝑠[𝑛] es una señal pasa bajos con frecuencia máxima 𝜔𝑚 ≪ 𝜔𝑐 .

Si la respuesta de fase Ψ(𝜔) alrededor de 𝜔 = 𝜔𝑐 es aproximadamente lineal, puede ser expresada

usando la expansión en series de Taylor mediante:

𝑑Ψ(𝜔)
Ψ(𝜔) ≈ Ψ(𝜔𝑐 ) + | (𝜔 − 𝜔𝑐 ) = −𝜏𝑝𝑑 (𝜔𝑐 )𝜔𝑐 − 𝜏𝑔𝑑 (𝜔𝑐 )(𝜔 − 𝜔𝑐 ) (5.63)
𝑑𝜔 𝜔=𝜔
𝑐

donde se han usado

∠𝐻(𝑒 𝑗𝜔 )
𝜏𝑝𝑑 (𝜔) ≜ −
𝜔
𝑑Ψ(𝜔)
𝜏𝑔𝑑 ≜ −
𝑑𝜔
Usando las ecuaciones (5.62) y (5.63), se puede mostrar que:

𝑦[𝑛] ≈ |𝐻(𝑒 𝑗𝜔𝑐 )|𝑠[𝑛 − 𝜏𝑔𝑑 (𝜔𝑐 )] cos{𝜔𝑐 [𝑛 − 𝜏𝑝𝑑 (𝜔𝑐 )]} (5.64)

De la ecuación anterior, se ve que el retardo de grupo evaluado en la frecuencia portadora 𝜔𝑐 es el

retardo de la envoltura 𝑠[𝑛] de la entrada y el retardo de fase es igual al retardo de la portadora.

 El nombre de retardo de grupo viene debido a que 𝜏𝑔𝑑 (𝜔𝑐 ) muestra el retardo del haz de
componentes de frecuenica alrededor de 𝜔𝑐 .
 Si no se satisface (5.63), entonces la salida ya no está dada por (5.64).

Ejemplo 5.6 Distorsiones de magnitud y retardo de grupo.- Considere un filtro con función
sistema:
𝑏0
𝐻(𝑧) = (5.65)
[1 − 2𝑟 cos(𝜔0 )𝑧 −1 + 𝑟 2 𝑧 −2 ]𝐾

La siguiente figura muestra la respuesta de magnitud y la respuesta de retardo de grupo de este

filtro con 𝑟 = 0.9, 𝜔0 = 𝜋⁄3 y 𝐾 = 8:
 El coeficiente 𝑏0 se elige para asegurar una ganancia máxima de 0 dB.
 La señal de entrada 𝑥[𝑛] consiste de dos pulsos Gaussianos de banda estrecha consecutivos
seguidos por una tira de ceros.

Para crear esta señal, primero se calculan 𝑁 = 100 muestras de un pulso Gaussiano:

1 1 (𝑡 − 𝜇)2
𝑠(𝑡) = exp {− } (5.66)
√2𝜋𝜎 2 𝛼2

con 𝜇 = 0 y 𝜎 = 2 en el rango −5 ≤ 𝑡 ≤ 5.

 Estos valores son usados para definir una secuencia 𝑠(𝑛); 0 ≤ 𝑛 ≤ 𝑁 − 1.

 Los dos pulsos modulados son generados por 𝑠[𝑛] cos(𝜔1 𝑛) y 𝑠[𝑛] cos(𝜔2 𝑛), donde 𝜔1 =
0.34𝜋 y 𝜔2 = 0.6𝜋.

El espectro de 𝑥[𝑛] se muestra en la siguiente figura:

Las señales de entrada y salida del filtro se muestran en la siguiente figura:

 El primer pulso, el cual está centrado en la banda de paso del filtro pasa a través de él con un
retardo de grupo o envoltura de alrededor de 50 muestras.
 La atenuación de la envoltura se debe a la distorsión de magnitud del filtro.
 Note que el pulso centrado en 𝜔2 está atenuado por más de 100 dB y no aparece en la salida.

5.4 Filtros ideales y prácticos

Los sistemas diseñados para pasar algunas componentes de frecuencia sin distorsión significativa
mientras que eliminan otras serveramente, son conocidos como filtros de frecuencia selectiva.

Por definición, un filtro ideal de frecuencia selectiva satisface los requerimientos de respuesta sin
distorsión sobre una o más bandas de frecuencia y tiene una respuesta cero en las frecuencias
restantes.

Por ejemplo, un filtro ideal pasa banda (BPF) está definido por:
−𝑗𝜔𝑛𝑑
𝐻(𝑒 𝑗𝜔 ) = {𝑒 𝜔𝑙 ≤ |𝜔| ≤ 𝜔𝑢 (5.67)
0 de otra manera
donde 𝑛𝑑 ≥ 0 y 0 ≤ 𝜔𝑙 ≤ 𝜔𝑢 ≤ 𝜋.

 Puesto que 𝐻(𝑒 𝑗𝜔 ) es periódica con perido 2𝜋 radianes, sólo se especifica y se grafica la
respuesta en frecuencia sobre un solo periodo.
 Las bajas frecuencias están localizadas alrededor de 𝜔 = 0 y las altas frecuenas son cercanas a
𝜔 = 𝜋 radianes.
 Los parámetros 𝜔𝑙 y 𝜔𝑢 , los cuales satisfacen los puntos terminales de la banda de paso, se
llaman frecuencias de corte inferior y superior, respectivamente.
 El ancho de banda del filtro, definido como el ancho de la banda de paso en la parte positiva
del eje de la frecuencia, está dado por:

∆𝜔 = 𝜔𝑢 − 𝜔𝑙 (5.68)

Un filtro pasa bajos ideal está definido por (5.67) con 𝜔𝑙 = 0, mientras que un filtro pasa altos
ideal tiene 𝜔𝑢 = 𝜋.

Los filtros de rechazo de banda tienen un respuesta sin distorsión sobre todas las frecuencia
excepto alguna banda de paro, 𝜔𝑙 ≤ |𝜔| ≤ 𝜔𝑢 donde 𝐻(𝑒 𝑗𝜔 ) = 0.

Se enfatiza que se requiere que la respuesta de fase ∠𝐻(𝑒 𝑗𝜔 ) sea lineal sólo en la banda de paso;
no existe necesidad de que esté defindo en otro lugar, puesto que la respuesta del filtro es cero.

La siguiente figura muestra las respuestas en frecuencia de cuatro tipos de filtros ideales:

Para entender las implicaciones de la transición empinada desde la banda de paso a la banda de
paro en los filtros ideales, considere un filtro ideal pasa bajos con respuesta en frecuencia:

𝑒 −𝑗𝜔𝑛𝑑 |𝜔| < 𝜔𝑐

𝐻𝑙𝑝 (𝑒 𝑗𝜔 ) = { (5.69)
0 𝜔𝑐 < |𝜔| ≤ 𝜋
La respuesta al impulso correspondiente a la ecuación anterior está dada por:
sin[𝜔𝑐 (𝑛 − 𝑛𝑑 )]
ℎ𝑙𝑝 [𝑛] = (5.70)
𝜋(𝑛 − 𝑛𝑑 )
La respuesta al impulso y la respuesta al escalón de un filtro pasabajos ideal para 𝑛𝑑 = 0 se ilustran
en la siguiente figura:
 Note que ℎ𝑙𝑝 [𝑛] se extiende desde −∞ a ∞; por tanto, no se puede calcular la salida del filtro
pasabajos ideal usando la sumatoria de convolución.
 La respuesta al impulso ℎ𝑙𝑝 [𝑛] tiene una DTFT 𝐻𝑙𝑝 (𝑒 𝑗𝜔 ) debido a que tiene energía finita.
 Sin embargo, se debería notar que ℎ𝑙𝑝 [𝑛] no es absolutamente sumable, es decir:
∞

∑ |ℎ𝑙𝑝 [𝑛]| = ∞ (5.71)

𝑛=−∞

 Por tanto, el filtro pasa bajos ideal es inestable.

 Más aún, puesto que 𝑟 −𝑛 ℎ𝑙𝑝 [𝑛] no es absolutamente sumable para cualquier valor de 𝑟, la
secuencia ℎ𝑙𝑝 [𝑛] no tiene una transformada z.
 Puesto que sólo los sistemas con una función sistema racional pueden ser calculados
recursivamente, se deduce que no se puede calcular la salida del filtro pasabajos ideal ya sea
recursivamente o bien no recursivamente.

En conclusión el filtro pasabajos ideal es inestable y prácticamente no realizable.

La respuesta al impulso de un filtro pasa banda ideal puede ser obtendia modulando la respuesta
al impulso de un filtro pasabajos ideal con 𝜔𝑐 = (𝜔𝑢 − 𝜔𝑐 )⁄2 = ∆𝜔⁄2 usando una portadora con
frecuencia 𝜔0 = (𝜔𝑢 − 𝜔𝑙 )⁄2.

El resultado es:
sin[𝜔𝑐 (𝑛 − 𝑛𝑑 )]
ℎ𝑏𝑝 [𝑛] = 2 cos(𝜔0 𝑛) (5.72)
𝜋(𝑛 − 𝑛𝑑 )
La respuesta al impulso de los filtros pasa altos y de rechazo de banda están dados por:

ℎℎ𝑝 [𝑛] = 𝛿[𝑛] − ℎ𝑙𝑝 [𝑛] (5.73)

 ℎ𝑏𝑠 [𝑛] = 𝛿[𝑛] − ℎ𝑏𝑝 [𝑛] (5.74)

puesto que 𝐻ℎ𝑝 (𝑒 𝑗𝜔 ) = 1 − 𝐻𝑙𝑝 (𝑒 𝑗𝜔 ) y 𝐻𝑏𝑠 (𝑒 𝑗𝜔 ) = 1 − 𝐻𝑏𝑝 (𝑒 𝑗𝜔 ).

Por tanto, todos los filtros ideales son inestables y no realizables.

Puesto que todos los filtros ideales pueden ser expresados en términos de:

𝑒 −𝑗𝜔𝑛𝑑 |𝜔| < 𝜔𝑐

𝐻𝑙𝑝 (𝑒 𝑗𝜔 ) = {
0 𝜔𝑐 < |𝜔| ≤ 𝜋

a 𝐻𝑙𝑝 (𝑒 𝑗𝜔 ) se la refiere como filtro prototipo pasa bajos ideal.

 Los filtros ideales son usados en las etapas tempranas de un proceso de diseño para especificar
los módulos en un sistema de procesamiento de señales.
 Sin embargo, puesto que no son realizables en la práctica, deben ser aproximados por filtros
prácticos no ideales.
 Esto usualmente se hace minimizando algún error de aproximación entre el filtro no ideal y un
filtro ideal prototipo.

Para entender la naturaleza de las aproximaciones requeridas para obtener un filtro práctico a partir
de un filtro ideal, note que se puede obtener un filtro causal FIR truncando la respuesta al impulso
de un filtro pasa bajos ideal como sigue:

sin[𝜔𝑐 (𝑛 − 𝑛𝑑 )]
ℎ̂𝑙𝑝 [𝑛] = { 0 ≤ 𝑛 ≤ 𝑀 − 1 (5.75)
𝜋(𝑛 − 𝑛𝑑 )
0 de otra manera

A medida que el retardo 𝑛𝑑 y la longitud 𝑀 de ℎ̂𝑙𝑝 [𝑛] se incrementan, el filtro resultante 𝐻𝑙𝑝 (𝑒 𝑗𝜔 )
será una mejor aproximación del filtro pasa bajos ideal.

Un aspecto que surge en este punto es cómo evaluar la calidad de un filtro práctico.

La siguiente figura muestra la respuesta de magnitud de un típico filtro pasa banda práctico:

Comparando con el filtro idel de la siguiente figura:

Se observa:

 Una banda de paso donde |𝐻(𝑒 𝑗𝜔 )| fluctúa alrededor de uno y las bandas de paso donde
|𝐻(𝑒 𝑗𝜔 )| fluctúa cerca de cero.
 Entre la banda de paso y las bandas de paro están las bandas de transición, donde el filtro ni
pasa ni rechaza las componentes de frecuencia de la entrada.
 Un buen filtro debería tener sólo un pequeño rizo en la banda de paso, alta atenuación en la
banda de paro y bandas de transición muy estrechas.
 En algunas aplicaciones, las especificaciones de las características de fase o las características
en el dominio del tiempo (por ejemplo, el sobrepaso de la respuesta al escalón) son también
importantes.
5.5 Respuesta en frecuencia para funciones de sistema racionales
Anteriormente se demostró que todos los sistemas LTI de interés práctico están descritos por una
ecuación de diferencias de la forma:
𝑁 𝑀

𝑦[𝑛] = − ∑ 𝑎𝑘 𝑦[𝑛 − 𝑘] + ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘] (5.76)

𝑘=1 𝑘=0

y tiene una función de sistema racional:

∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘
𝐵(𝑧)
𝐻(𝑧) = 𝑁 −𝑘
= (5.77)
1 + ∑𝑘=1 𝑎𝑘 𝑧 𝐴(𝑧)

Para un sistema estable, la función sistema converge sobre el círculo unitario.

Por tanto, de las ecuaciones:

∞
𝑗𝜔
𝐻(𝑒 ) ≜ 𝐻(𝑧)|𝑧=𝑒 𝑗𝜔 = ∑ ℎ[𝑘]𝑒 −𝑗𝜔𝑘
𝑘=−∞

∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘
𝐵(𝑧)
𝐻(𝑧) = 𝑁 =
1 + ∑𝑘=1 𝑎𝑘 𝑧 −𝑘 𝐴(𝑧)

se obtiene:

𝐵(𝑧) ∑𝑀
𝑘=0 𝑏𝑘 𝑒
−𝑗𝜔𝑘
𝐻(𝑒 𝑗𝜔 ) = | = (5.78)
𝐴(𝑧) 𝑧=𝑒 𝑗𝜔 1 + ∑𝑁
𝑘=1 𝑎𝑘 𝑒
−𝑗𝜔𝑘
la cual expresa 𝐻(𝑒 𝑗𝜔 ) como la razón de dos polinomios en la variable 𝑒 𝑗𝜔 .

La función de respuesta en frecuencia dada en la ecuación anterior también se puede expresar en

términos de polos y ceros como sigue:

∏𝑀 −1
𝑘=0(1 − 𝑧𝑘 𝑧 ) ∏𝑀
𝑘=1(1 − 𝑧𝑘 𝑒
−𝑗𝜔
)
𝐻(𝑒 𝑗𝜔 ) = 𝑏0 𝑀 −1
| = 𝑏0 𝑀 −𝑗𝜔
| (5.79)
∏𝑘=1(1 − 𝑝𝑘 𝑧 ) 𝑧=𝑒 𝑗𝜔 ∏𝑘=1(1 − 𝑝𝑘 𝑒 )

donde {𝑧1 , 𝑧2 , … , 𝑧𝑀 } son los ceros y {𝑝1 , 𝑝2 , … , 𝑝𝑁 } son los polos del sistema.

De la ecuación anterior, se sigue que las respuestas de magnitud, fase y retardo de grupo están
dadas por:

𝑗𝜔
∏𝑀
𝑘=1|1 − 𝑧𝑘 𝑒
−𝑗𝜔
|
|𝐻(𝑒 )| = |𝑏0 | 𝑁 | (5.80)
∏𝑘=1|1 − 𝑝𝑘 𝑒 −𝑗𝜔 |
𝑀 𝑁
𝑗𝜔 −𝑗𝜔
∠𝐻(𝑒 ) = ∠𝑏0 + ∑ ∠(1 − 𝑧𝑘 𝑒 ) − ∑ ∠(1 − 𝑝𝑘 𝑒 −𝑗𝜔 ) (5.81)
𝑘=1 𝑘=1
𝑀 𝑁
𝑑 𝑑
𝜏𝑔𝑑 (𝜔) = ∑ [∠(1 − 𝑧𝑘 𝑒 −𝑗𝜔 )] − ∑ [∠(1 − 𝑝𝑘 𝑒 −𝑗𝜔 )] (5.82)
𝑑𝜔 𝑑𝜔
𝑘=1 𝑘=1

donde las derivadas en (5.82) se evalúan usando la función de respuesta de fase continua.

Cada uno de estos términos de primer orden pueden ser expresados en notación polar como
𝐶(𝜔) = (1 − 𝛼𝑒 𝑗𝛽 𝑒 −𝑗𝜔 ).

Entonces, se puede fácilmente mostrar que:

𝐶(𝜔) = (1 − 𝛼𝑒 𝑗𝛽 𝑒 −𝑗𝜔 ) = 1 − 𝛼 cos(𝜔 − 𝛽) + 𝑗𝛼 sin(𝜔 − 𝛽) (5.83)

|𝐶(𝜔)|2 = 𝐶(𝜔)𝐶 ∗ (𝜔) = (1 − 𝛼𝑒 𝑗𝛽 𝑒 −𝑗𝜔 )(1 − 𝛼𝑒 −𝑗𝛽 𝑒 𝑗𝜔 ) = 1 + 𝛼 2 − 2𝛼 cos(𝜔 − 𝛽) (5.84)

ℛℯ{𝐶(𝜔)} 𝛼 sin(𝜔 − 𝛽)
∠𝐶(𝜔) = tan−1 ( ) = tan−1 ( ) (5.85)
ℐ𝓂{𝐶(𝜔)} 1 − 𝛼 cos(𝜔 − 𝛽)

𝑑Ψ(𝜔) 𝛼 2 − 𝛼 cos(𝜔 − 𝛽)
𝜏𝑔𝑑 (𝜔) = − = (5.86)
𝑑𝜔 1 + 𝛼 2 − 2𝛼 cos(𝜔 − 𝛽)

Expresando los ceros y los polos en notación polar como 𝑧𝑘 = 𝑞𝑘 𝑒 𝑗𝜃𝑘 y 𝑝𝑘 = 𝑟𝑘 𝑒 𝑗𝜙𝑘 y usando las
ecuaciones (5.84) a (5.86) se obtiene:

∏𝑀 2
𝑘=1 √1 + 𝑞𝑘 − 2𝑞𝑘 cos(𝜔 − 𝜃𝑘 )
𝑗𝜔
|𝐻(𝑒 )| = |𝑏0 | || (5.87)
𝑁 2
∏𝑘=1 √1 + 𝑟𝑘 − 2𝑟𝑘 cos(𝜔 − 𝜙𝑘 )

𝑀 𝑁
𝑗𝜔 −1
𝑞𝑘 cos(𝜔 − 𝜃𝑘 ) 𝑟𝑘 cos(𝜔 − 𝜙𝑘 )
∠𝐻(𝑒 ) = ∠𝑏0 + ∑ tan ( ) − ∑ tan−1 ( ) (5.88)
1 − 𝑞𝑘 cos(𝜔 − 𝜃𝑘 ) 1 − 𝑟 cos(𝜔 − 𝜙𝑘 )
𝑘=1 𝑘=1
 𝑁 𝑀
𝑟𝑘2 − 2𝑟𝑘 cos(𝜔 − 𝜙𝑘 ) 𝑞𝑘2 − 2𝑞𝑘 cos(𝜔 − 𝜃𝑘 )
𝜏𝑔𝑑 (𝜔) = ∑ − ∑ (5.89)
1 + 𝑟𝑘2 − 2𝑟𝑘 cos(𝜔 − 𝜙𝑘 ) 1 + 𝑞𝑘2 − 2𝑞𝑘 cos(𝜔 − 𝜃𝑘 )
𝑘=1 𝑘=1

El significado de (5.87) a (5.89) es que explícitamente muestran la influencia de cada polo o cero
individual sobre las respuestas de magnitud, fase y retardo de grupo del sistema.

Cálculo de la respuesta en frecuencia.- Matlab proporciona la función freqz para calcular 𝐻(𝑒 𝑗𝜔 ) a
partir de los coeficientes 𝑎𝑘 y 𝑏𝑘 sobre la variable de frecuencia 𝜔, en intervalos igualmente
espaciados.

Esto se hace evalualuando las DTFTs de las secuencias 𝑏𝑘 y 𝑎𝑘 en 𝜔 = 2𝜋𝑘⁄𝐾 ; 0 ≤ 𝑘 ≤ 𝐾 − 1,

usando la función fft:
DTFT{𝑏𝑘 }| 2𝜋𝑘
𝜔=
𝑗𝜔 𝐾
𝐻(𝑒 )| 2𝜋𝑘 = = 𝑓𝑓𝑡(𝑏, 𝐾./𝑓𝑓𝑡(𝑎, 𝐾) (5.90)
𝜔=
𝐾 DTFT{𝑎𝑘 }| 2𝜋𝑘
𝜔=
𝐾

Las funciones abs y angle son luego usadas para extraer las respuestas de magnitud y fase.
Recuerde la la función angle calcula el valor principal de la fase.

La funcionalidad de freqz se ilustra mediante la función de Matlab:

[H.omega]=freqz0(b,a) (5.91)

mostrada en:

Las líneas de código anteriores muestran cómo se puede calcular 𝐻(𝑒 𝑗𝜔 ) en el rango 0 ≤ 𝜔 ≤ 𝜋 o
en el rango −𝜋 ≤ 𝜔 ≤ 𝜋. El último caso, el cual es útil para enfatizar simetrías alrededor de 𝜔 = 0,
explota la periodicidad de 𝐻(𝑒 𝑗𝜔 ) adjuntando la primera mitad del periodo al final del periodo.

Cálculo del retardo de grupo.- Si se expresa la respuesta en frecuencia en coordenadas polares y se

toma su logaritmo complejo, se tiene:

𝐻(𝑒 𝑗𝜔 ) = 𝐻𝑅 (𝑒 𝑗𝜔 ) + 𝑗𝐻𝐼 (𝑒 𝑗𝜔 ) = 𝐺(𝜔)𝑒 𝑗Ψ(𝜔) (5.92)

̅ (𝜔) ≜ ln 𝐻(𝑒 𝑗𝜔 ) = ln 𝐺(𝜔) + 𝑗Ψ(𝜔) (5.93)
𝐻
Diferenciando ambos lados de (5.93) se produce:
𝑗𝜔
𝐻 ′(𝑒 ) 𝐺 ′(𝜔)
̅ ′(𝜔)
𝐻 = = + 𝑗Ψ ′(𝜔) (5.94)
𝐻(𝑒 𝑗𝜔 ) 𝐺(𝜔)
donde la prima denota la derivada con respecto a 𝜔. Por tanto:
𝑗𝜔
𝐻 ′(𝑒 )
𝜏𝑔𝑑 (𝜔) = −Ψ ′(𝜔) ̅ ′(𝜔)} = −ℐ𝓂 {
= −ℐ𝓂{𝐻 } (5.95)
𝐻(𝑒 𝑗𝜔 )

La derivada de 𝐻(𝑒 𝑗𝜔 ) está determinada por la relación:

𝐷𝑇𝐹𝑇 𝑑𝑋(𝑒 𝑗𝜔 )
𝑛𝑥[𝑛] ↔ −𝑗
𝑑𝜔
esdecir, comola DTFT dela secuencia 𝑛ℎ[𝑛]:

𝐻𝑛 (𝑒 𝑗𝜔 ) = 𝐷𝑇𝐹𝑇{𝑛ℎ[𝑛]} = 𝑗𝐻′ ((𝑒 𝑗𝜔 )) (5.96)

Por tanto:

𝐻 ′ (𝑒 𝑗𝜔 ) 𝐻𝑛 (𝑒 𝑗𝜔 ) 𝐻𝑛 (𝑒 𝑗𝜔 )
𝜏𝑔𝑑 (𝜔) = −ℐ𝓂 { } = ℐ𝓂 {𝑗 } = ℛℯ { } (5.97)
𝐻(𝑒 𝑗𝜔 ) 𝐻(𝑒 𝑗𝜔 ) 𝐻(𝑒 𝑗𝜔 )

Este método está implementado mediante la función de Matlab:

[gd,omega]=grpdelay0(b,a) (5.98)

mostrada en:
Si el sistema tiene ceros sobre el círculo unitario, 𝐻(𝑒 𝑗𝜔 ) = 0 en las frecuencias correspondientes.
Puesto que las componentes de entrada en estas frecuencias son filtradas por el sistema, sus fases
son indeterminables.

Para propósitos de graficación se puede hacer que estos valores sean NaN. Sin embargo, si se desea
usar la función 𝜏𝑔𝑑 (𝜔), se puede reemplazar cada NaN con ela media de los dos valores adyacentes.

La función de Matlab grpdelay usa (5.96) y (5.97) para sistemas FIR y (5.89) para sistemas con
funciones de transferencia racionales.

Note que grpdelay0 es suficiente para la mayoría de los propósitos prácticos.

La siguiente figura muestra la gráfica de polos y ceros, la respuesta de magnitud, la respuesta de

fase (valor principal y función continua) y el retardo de grupo del sistema, evaluada usando las
funciones freqz, angle y gprdelay:
1+1.655𝑧 −1 +1.655𝑧 −2 +𝑧 −3
𝐻(𝑧) = (5.99)
1−1.57𝑧 −1 +1.264𝑧 −2 −0.4𝑧 −3

La fase continua Ψ(𝜔) es evaluada a partir del retardo de grupo usando integración trapezoidal
simple.

Este método es implementado con la función de Matlab contphase, la cual se muestra a

continuación:
 Para entender las discontinuidades de la respuesta de fase en la figura anterior, recuerde que
el valor de fase principal salta un múltiplo de 2𝜋 cuando |Ψ(𝜔)| > 𝜋.
 Esto explica los saltos de 2𝜋 en la primera y última discontinuidad.
 Las restantes tres discontinuidades de tamaño 𝜋 resultan de las inversiones de signo debido al
cero real en 𝜔 = 𝜋 y los ceros complejos conjugados en 𝜔 = ± 3𝜋⁄5.

Herramienta de visualización interactiva de filtros.- La función de Matlab fvtool(b,a) proporciona

una utilidad conveneinte para evaluar y desplegar la magnitud, fase, retardo de grupo, respuesta al
impulso, respuesta al escalón , patrón de polos y ceros, y coeficientes de cualquier sistema con una
función de sistema racional.

La funcionalidad de esta herramienta es ilustrada en la siguiente figura usando la función de sistema

(5.99):
Esta utilidad usa las funciones phasez y phasedelay para determinar la respuesta de fase en radianes
y el retardo de fase en muestras del sistema.

5.6 Dependencia de la respuesta en frecuencia con respecto a los polos y

ceros
La forma de la respuesta en frecuencia está determinada por la respuesta al impulso o los
coeficientes de la ecuación de diferencias.

Sin embargo, no se puede adivinar la forma de |𝐻(𝑒 𝑗𝜔 )| y de ∠𝐻(𝑒 𝑗𝜔 ) inspeccionando los valoes
de ℎ[𝑛] o {𝑎𝑘 , 𝑏𝑘 }.

Sin embargo, existe una fuerte dependencia de la forma de la respuesta en frecuencia con respecto
a la localización de polos y ceros del sistema. Se puede usar esta dependencia:

 para otener un procedimiento simple e intuitivo para determinar rápidamente la magnitud y la

respuesta de fase
 para obtener una intuición física de las características de filtraje de los sistema LTI.

5.6.1 Evaluación geométrica de 𝑯(𝒆𝒋𝝎 ) a partir de los polos y ceros

Note que la ecuación:
 ∏𝑀 −1
𝑘=0(1 − 𝑧𝑘 𝑧 ) ∏𝑀
𝑘=1(1 − 𝑧𝑘 𝑒
−𝑗𝜔
)
𝐻(𝑒 𝑗𝜔 ) = 𝑏0 𝑀 −1
| = 𝑏0 𝑀 −𝑗𝜔
|
∏𝑘=1(1 − 𝑝𝑘 𝑧 ) 𝑧=𝑒 𝑗𝜔 ∏𝑘=1(1 − 𝑝𝑘 𝑒 )

puede equivalentemente ser escrita como:

∏𝑀
𝑘=1(𝑒
𝑗𝜔
− 𝑧𝑘 )
𝐻(𝑒 𝑗𝜔 ) = 𝑏0 𝑒 𝑗𝜔(𝑁−𝑀) 𝑀 𝑗𝜔
| (5.100)
∏𝑘=1(𝑒 − 𝑝𝑘 )

Esta ecuación consiste de factores de la forma (𝑒 𝑗𝜔 − 𝑧𝑘 ) y (𝑒 𝑗𝜔 − 𝑝𝑘 ).

El factor (𝑒 𝑗𝜔 − 𝑧𝑘 ) es un número complejo representado por un vector 𝑍 ⃗⃗⃗⃗⃗⃗⃗

𝑘 𝑍 dibujado desde el
𝑗𝜔
punto 𝑧𝑘 (cero) al punto 𝑧 = 𝑒 en el plano complejo, como se ilustra en la siguiente figura:

Este número complejo puede ser escrito en forma polar como sigue:

⃗⃗⃗⃗⃗⃗⃗
(𝑒 𝑗𝜔 − 𝑧𝑘 ) =𝑍 𝑘 𝑍= 𝑄𝑘 𝑒
𝑗Θ𝑘
(5.101)

donde 𝑄𝑘 es la distancia desde el cero 𝑧𝑘 al punto 𝑒 𝑗𝜔 y Θ𝑘 es el ángulo del vector ⃗⃗⃗⃗⃗⃗⃗

𝑍𝑘 𝑍 con el eje
real positivo (horizontal).

Similarmente, el factor (𝑒 𝑗𝜔 − 𝑝𝑘 ) es un número complejo que puede ser expresado como:

⃗⃗⃗⃗⃗⃗⃗
(𝑒 𝑗𝜔 − 𝑝𝑘 ) =𝑃 𝑘 𝑍= 𝑅𝑘 𝑒
𝑗Φ𝑘
(5.102)

donde 𝑃𝑘 es la distancia desde el cero 𝑝𝑘 al punto 𝑒 𝑗𝜔 y Φ𝑘 es el ángulo del vector ⃗⃗⃗⃗⃗⃗⃗

𝑃𝑘 𝑍 con el eje
real positivo.

Sustituyendo (5.101) y (5.102) en (5.100) se tiene:

𝑀 𝑁
𝑗𝜔
∏𝑀
𝑘=1 𝑄𝑘 (𝜔)
𝐻(𝑒 ) = |𝑏0 | 𝑀 | × exp [∠𝑏0 + 𝜔(𝑁 − 𝑀) + ∑ Θ𝑘 (𝜔) − ∑ Φ𝑘 (𝜔)] (5.103)
∏𝑘=1 𝑅𝑘 (𝜔)
𝑘=1 𝑘=1
Note que ∠𝑏0 = 𝜋 radianes cuando 𝑏0 < 0, debido a que 𝑒 𝑗𝜋 = −1 y ∠𝑏0 = 0 para 𝑏0 ≥ 0, debido
a que 𝑒 𝑗0 = 1.

De la ecuación anterior, se obtienen fácilmente las respuestas de magnitud y de fase:

∏𝑀
𝑘=1 𝑄𝑘 (𝜔)
|𝐻(𝑒 𝑗𝜔 )| = |𝑏0 | | (5.104a)
∏𝑀
𝑘=1 𝑅𝑘 (𝜔)
𝑀 𝑁
𝑗𝜔
∠𝐻(𝑒 ) = ∠𝑏0 + 𝜔(𝑁 − 𝑀) + ∑ Θ𝑘 (𝜔) − ∑ Φ𝑘 (𝜔) (5.104b)
𝑘=1 𝑘=1

donde 𝜔 es el ángulo del punto 𝑧 = 𝑒 𝑗𝜔 con el eje real positivo y:

𝑄𝑘 (𝜔) = distancia del 𝑘-ésimo cero desde 𝑧 = 𝑒 𝑗𝜔

𝑅𝑘 (𝜔) = distancia del 𝑘-ésimo polo desde 𝑧 = 𝑒 𝑗𝜔

Θ𝑘 (𝜔) = ángulo del 𝑘-ésimo cero con el eje real

Φ𝑘 (𝜔) = ángulo del 𝑘-ésimo polo con el eje real

Por tanto, la respuesta de magnitud en una cierta frecuencia 𝜔 está dada por el producto de las
longitudes de los vectores dibujados desde los polos a 𝑧 = 𝑒 𝑗𝜔 .

Similarmente, la respuesta de fase se obtiene sustrayendo de la suma de los ángulos de los ceros la
suma de los ángulos de los polos.

Todos los ángulos se determinan con respecto al eje real positivo.

Usando este procedimiento geométrico, se puede determinar 𝐻(𝑒 𝑗𝜔 ) para cada valor de 𝜔 o,
equivalentemente, cualquier localización del punto 𝑒 𝑗𝜔 sobre el círculo unitario.

5.6.3 Significancia de polos y ceros

Para entender el efecto de los polos y ceros sobre las respuestas de magnitud y fase, sonsidere
separadamente el caso de un solo polo y un solo cero.

Mejoramiento de la ganancia mediante un polo.- Considere un polo 𝑝𝑘 = 𝑟𝑘 𝑒 𝑗𝜙𝑘 como se ilustra

en la siguiente figura:
Para encontrar la respuesta de magnitud |𝐻(𝑒 𝑗𝜔 )| para un cierto valor de 𝜔, se conecta el polo
(punto 𝑃𝑘 ) a la punta del vector 𝑧 = 𝑒 𝑗𝜔 (punto 𝑍 sobre el círculo unitario).

Si la longitud de esta linea es 𝑅𝑘 (𝜔), entonces:

𝜅 𝜅
|𝐻(𝑒 𝑗𝜔 )| = = (5.105)
̅̅̅̅̅
(𝑃 𝑘𝑍 ) 𝑅𝑘 (𝜔)

donde la barra denota la longitud de un vector. El valor exacto de la constante 𝜅 no es importante

en este punto.

 El segmento de línes 𝑃𝑘 𝑍 toma su valor mínimo 1 − 𝑟𝑘 en 𝜔 = 𝜙𝑘 y su valor máximo 1 + 𝑟𝑘 en

𝜔 = 𝜙𝑘 + 𝜋.
 Por tanto, la longitud ̅̅̅̅̅
𝑃𝑘 𝑍 se incrementa progresivamente cuando 𝜔 se incrementa desde 𝜙𝑘
hasta 𝜙𝑘 + 𝜋 y luego decrece continuamente hasta que 𝜔 se aproxima al valor 𝜙𝑘 .
 Entonces, de acuerdo a (5.105), |𝐻(𝑒 𝑗𝜔 )| decrece cuando 𝜔 va desde 𝜙𝑘 hasta 𝜙𝑘 + 𝜋 y luego
progresivamente se incrementa cuando 𝜔 se mueve más cerca a 𝜙𝑘 .
 Se concluye que un polo 𝑝𝑘 = 𝑟𝑘 𝑒 𝑗𝜙𝑘 resulta en una respuesta de frecuencia selectiva que
mejora la ganancia alrededor de 𝜙𝑘 (ángulo del polo) y atenúa la ganancia cuando se mueve
fuera de 𝜙𝑘 .

El rango dinámico de la respuesta de magnitud:

|𝐻(𝑒 𝑗𝜔 )|𝑚𝑎𝑥 1 + 𝑟𝑘
= (5.106)
|𝐻(𝑒 𝑗𝜔 )|𝑚𝑖𝑛 1 − 𝑟𝑘
se incrementa cuando el polo se mueve más cerca del círculo unitario.

 Como resultado el pico de |𝐻(𝑒 𝑗𝜔 )| en 𝜔 = 𝜙𝑘 se vulve más punteagudo a medida que el polo
se aproxima al círculo unitario.
 La ganancia máxima |𝐻(𝜙𝑘 )| se va al infinito cuando el polo se mueve sobre el círculo unitario.
 Sin embargo, esto se debería evitar, debido a que los sistemas LTI causales con polos sobre o
fuera del círculo unitario son inestables.

Para evaluar la respuesta de fase de un solo polo, primero recuerde de (5.104) que ∠𝐻(𝑒 𝑗𝜔 ) = 𝜔 −
Φ𝑘 (𝜔).

Puesto que los ángulos del triángulo 𝑂𝑃𝑘 𝑍 suman 𝜋, se tiene que 𝛼𝑘 + (𝜙𝑘 − 𝜔) +
(Φ𝑘 + 𝜋 − 𝜙𝑘 ) = 𝜋 o 𝜔 − Φ𝑘 = 𝛼𝑘 .

Por tanto:

∠𝐻(𝑒 𝑗𝜔 ) = 𝜔 − Φ𝑘 (𝜔) = 𝛼𝑘 (5.107)

Moviendo el punto 𝑍 alrededor del círculo unitario, se ve que ∠𝐻(𝑒 𝑗𝜔 ) se vuelve cero y cambia de
signo en 𝜔 = 𝜙𝑘 y 𝜔 = 𝜋 + 𝜙𝑘 .

Sin embargo, no es fácil obtener una forma razonablemente precisa para la respuesta de fase con
este método.

Note que estos cambios de signo y el uso del valor principal son la causa de las discontinuidades
observadas en la evaluación numérica de la respuesta de fase.

La interpretación geométrica proporciona una bonita forma para ilustrar las propiedades de
simetría de las respuestas de magnitud y de fase.

Una ciuidadosa inspección de la figura:

muestra que, en general se tiene:
𝜅 𝜅
|𝐻(𝑒 𝑗𝜔 )| = ≠ = |𝐻(𝑒 −𝑗𝜔 )| (5.108)
̅̅̅̅̅̅ ̅̅̅̅̅̅
(𝑃1 𝑍1 ) (𝑃2 𝑍2 )

∠𝐻(𝑒 𝑗𝜔 ) = 𝛼1 ≠ 𝛼2 = −∠𝐻(𝑒 −𝑗𝜔 ) (5.109)

Sin embargo, si el polo 𝑝𝑘 se mueve sobre el eje real se tiene que ̅̅̅̅̅̅
𝑃1 𝑍1 = ̅̅̅̅̅̅
𝑃1 𝑍2 y 𝛼1 = 𝛼2 .

Por tanto |𝐻(𝑒 𝑗𝜔 )| = |𝐻(𝑒 −𝑗𝜔 )| (par) y ∠𝐻(𝑒 𝑗𝜔 ) = −∠𝐻(𝑒 −𝑗𝜔 ) (impar), como se esperaba para
sistemas con coeficientes reales (ver tabla).
Otra manera de reforzar esta simetría es ubicar un polo complejo conjugado en 𝑝𝑘∗ = 𝑟𝑘 𝑒 −𝑗𝜙𝑘 , como
se muestra en la siguiente figura:
En este caso, debido a la simetría de los polos alrededor del eje real, siempre se tiene:
𝜅 𝜅
|𝐻(𝑒 𝑗𝜔 )| = =
̅̅̅̅̅ ̅̅̅̅̅
= |𝐻(𝑒 −𝑗𝜔 )| (5.110)
̅̅̅̅̅ ̅̅̅̅̅
(𝑃1 𝑍)(𝑃2 𝑍) (𝑃1 𝑍̅)(𝑃 𝑍̅ )
1

donde 𝑍 y 𝑍̅ son puntos sobre el círculo unitario en frecuencias 𝜔 y – 𝜔.

Supresión de ganancia mediante un cero.- Suponga ahora que el polo en la figura:

es reemplazado por un cero 𝑧𝑘 = 𝑞𝑘 𝑒 𝑗𝜃𝑘 . La magnitud de la respuesta en una frecuencia dada 𝜔

está dada por:
̅̅̅̅̅
|𝐻(𝑒 𝑗𝜔 )| = 𝜅(𝑍 𝑘 𝑍) = 𝜅𝑄𝑘 (𝜔) (5.111)
que es proporcional a la distancia del cero desde el punto sobre el círculo unitario correspondiente
a 𝑧 = 𝑒 𝑗𝜔 .

Se puede fácilmente ver que |𝐻(𝑒 𝑗𝜔 )| se sumerge brúscamente en 𝜔 = 𝜃𝑘 y se incrementa cuando

el cero se aproxima al círculo unitario.

La ganancia mínima es |𝐻(𝑒 𝑗𝜔 )| = 0 cuando el cero cae sobre el círculo unitario; por tanto, el
sistema suprime completamente las componentes sinusoidales con frecuencia 𝜔 = 𝜃𝑘 .

De esta manera, se concluye que los ceros tienen el efecto opuesto de los polos.

De (5.104):

∏𝑀
𝑘=1 𝑄𝑘 (𝜔)
|𝐻(𝑒 𝑗𝜔 )| = |𝑏0 | | (5.104a)
∏𝑀
𝑘=1 𝑅𝑘 (𝜔)
𝑀 𝑁
𝑗𝜔
∠𝐻(𝑒 ) = ∠𝑏0 + 𝜔(𝑁 − 𝑀) + ∑ Θ𝑘 (𝜔) − ∑ Φ𝑘 (𝜔) (5.104b)
𝑘=1 𝑘=1

y el triángulo 𝑂𝑍𝑍𝑘 en la figura:

se puede mostrar que la respuesta de fase para un solo cero es:

∠𝐻(𝑒 𝑗𝜔 ) = −𝜔 + Θ𝑘 (𝜔) = 𝛽𝑘 (5.112)

y cambia de signo en 𝜔 = θ𝑘 y en 𝜔 = θ𝑘 + 𝜋. Añadiendo un cero complejo complejo conjugado,

para asegurar un sistema con coeficientes reales, hace que la función de respuesta en magnitud sea
simétrica alrededor de 𝜔 = 0.

Esto puede ser probado usando argumentos similares a los usados para los polos complejos
conjugados.
Ceros fuera del círculo unitario.- Aunque los ceros de sistemas causales y estables pueden estar
dentro o fuera dentro del círculo unitario, tienen un efecto interesante sobre su respuesta de fase.

Estos efectos se ilustran usando la construcción geométrica de la siguiente figura:

La respuesta de fase del cero dentro del cículo unitario es igual a 𝛼𝑖𝑛 (𝜔) = Θ𝑖𝑛 (𝜔) − 𝜔 y
continuamente cambia de signo en 𝜔 = 0.

En contraste, para un cero fuera del círculo unitario, la respuesta de fase cambia desde – 𝜋 en 𝜔 =
0 − 𝜖 a 𝜋 en 𝜔 = 0 + 𝜖, donde 𝜖 es un número positivo arbitrariamente pequeño.

Más aún, puesto que Θ𝑜𝑢𝑡 (𝜔) ≥ Θ𝑖𝑛 (𝜔) se tiene que α𝑜𝑢𝑡 (𝜔) ≥ α𝑖𝑛 (𝜔).

De esta manera, los ceros fuera del círculo unitario introducen corrimentos de fase más grandes
que los ceros dentro del círculo unitario.

Para un cero 𝑧 = 𝑟𝑒 𝑗𝜃 que no está sobre la línea real se puede simplemente rotar las curvas en la
figura anterior mediante 𝜃 y añadir una constante para obtener las respuestas de fase.

Interpretación visual.- Los términos polos y ceros y su efecto sobre la respuesta de magnitud tienen
sentido cuando se grafica |𝐻(𝑧)| como una función de 𝑧.

El resultado es una superficie, cuya distancia arriba del plano z es igual a la magnitud de 𝐻(𝑧).

Los ceros son los puntos donde la superficie parece como una membbrana flexible como se muestra
en la siguiente figura:
Dominio del tiempo, dominio de la frecuencia y dominio de z.- Las señales y sistemas de tiempo
discreto existen en el dominio del tiempo, es decir, son funciones del índice de tiempo 𝑛.

Cualquier sistema LTI realizable está definido por la ecuación de diferencias:

𝑁 𝑀

𝑦[𝑛] = − ∑ 𝑎𝑘 𝑦[𝑛 − 𝑘] + ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘] (5.113)

𝑘=1 𝑘=0

la cual proporciona el algoritmo básico para el cálculo de la secuencia de salida 𝑦[𝑛] a partir de la
secuencia de entrada 𝑥[𝑛].

En el dominio de z, el sistema está descrito por la función sistema, la cual se obtiene a partir de los
coeficientes de la ecuación de diferencias:

∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘 ∏𝑀 −1
𝑘=1(1 − 𝑧𝑘 𝑧 )
𝐻(𝑧) = = 𝑏0 𝑁 (5.114)
1 − ∑𝑁
𝑘=1 𝑎𝑘 𝑧
−𝑘 ∏𝑘=1(1 − 𝑝𝑘 𝑧 −1 )

Finalmente, si el sistema es estable, la evaluación de 𝐻(𝑧) sobre el círculo unitario produce la

función de respuesta en frecuencia 𝐻(𝑒 𝑗𝜔 ) = 𝐻(𝑧)|𝑧=𝑒 𝑗𝜔 .

La forma de la respuesta al impulso ℎ[𝑛] y la respuesta de magnitud |𝐻(𝑒 𝑗𝜔 )| (es decir, la forma de
las bandas de paso y bandas de paro) son fuertemente dependientes de la localización de los polos
y ceros con respecto al círculo unitario.

Los tres dominios, cuyas relaciones se muestran en la siguiente figura, permiten representar la
información de diferentes formas pero complementariamente
5.7 Diseño de filtros simples mediante localización de polos y ceros
Existe una fuerte dependencia intuitiva entre las localizaciones de los polos y ceros y la respuesta
en frecuencia de un sistema.

Esta relación puede ser usada para diseñar filtros siples con características de frecuencia deseadas
pero interactivamente situando los polos y ceros sobre el plano z.

Este procedimiento está basado en la siguiente guía:

 Para suprimit una componente de frecuencia en 𝜔 = 𝜔0 , se debería ubicar un cero en el ángulo

𝜃 = 𝜔0 sobre el círculo unitario. En efecto, ̅̅̅̅̅
𝑍𝑘 𝑍 = 0 implica que 𝐻(𝑒 𝑗𝜔0 ) = 0.
 Para mejorar o amplificar una componente de frecuencia en 𝜔 = 𝜔0 , se debería ubicar un polo
en el ángulo 𝜙 = 𝜔0 cerca pero dentro del círculo unitario. En efecto, cuando ̅̅̅̅̅ 𝑃𝑘 𝑍 se vuelve
𝑗𝜔0 ̅̅̅̅̅
muy pequeño, la respuesta de magnitud |𝐻(𝑒 )| ∝ 1⁄𝑃𝑘 𝑍 se vuelve muy grande.
 Los polos o ceros complejos deberían aparecer en pares de complejos conjugados para asegurar
que el sistema tenga coeficientes reales. Esto se origina del hecho de que la frecuencia 𝜔 está
definida como el ángulo con respecto al eje real positivo. Por tanto, todas las simetrías deberían
estar definidas con respecto al eje real positivo.
 Los polos y ceros en el origen no influyen en la respuesta en magnitud ya que su distancia a
cualquier punto sobre el círculo unitario es la unidad.
 Sin embargo, un polo (o cero) en el origen añade (sustrae) una fase lineal de 𝜔 radianes a la
respuesta de fase. A menudo se introducen polos y ceros en en el origen para asegurar que 𝑁 =
𝑀.

5.7.1 Resonadores de tiempo discreto

Considere un sistema con dos polos complejos conjugados en 𝑝1,2 = 𝑟𝑒 ±𝑗𝜙 :
 𝑏0 𝑏0
𝐻(𝑧) = = (5.115)
(1 − 𝑟𝑒 𝑗𝜙 𝑧 −1 )(1 − 𝑟𝑒 −𝑗𝜙 𝑧 −1 ) 1 − (2𝑟 cos 𝜙)𝑧 −1 + 𝑟 2 𝑧 −2

donde 0 < 𝑟 < 1 y 0 ≤ 𝜙 ≤ 𝜋. La relación entrada-salida está dada por:

𝑦[𝑛] = (2𝑟 cos 𝜙)𝑦[𝑛 − 1] − 𝑟 2 𝑦[𝑛 − 2] + 𝑏0 𝑥[𝑛] (5.116)

Usando expansión en fracciones parciales, se puede mostrar que la respuesta al impulso es:
sin[(𝑛 + 1)𝜙]
ℎ[𝑛] = 𝑏0 𝑢[𝑛] (5.117)
sin 𝜙
la cual es una sinusoide amortiguada por la frecuencia 𝜙:

La siguiente figura muestra el patrón de polos y ceros, la respuesta de magnitud, la respuesta de

fase y el retardo de grupo para 𝑝1,2 = 0.9𝑒 ±𝑗𝜋⁄3 :

Estas cantidades pueden ser determinadas a partir de:

 ∏𝑀 2
𝑘=1 √1 + 𝑞𝑘 − 2𝑞𝑘 cos(𝜔 − 𝜃𝑘 )
𝑗𝜔
|𝐻(𝑒 )| = |𝑏0 | ||
𝑁 2
∏𝑘=1 √1 + 𝑟𝑘 − 2𝑟𝑘 cos(𝜔 − 𝜙𝑘 )

𝑀 𝑁
𝑗𝜔 −1
𝑞𝑘 cos(𝜔 − 𝜃𝑘 ) 𝑟𝑘 cos(𝜔 − 𝜙𝑘 )
∠𝐻(𝑒 ) = ∠𝑏0 + ∑ tan ( ) − ∑ tan−1 ( )
1 − 𝑞𝑘 cos(𝜔 − 𝜃𝑘 ) 1 − 𝑟 cos(𝜔 − 𝜙𝑘 )
𝑘=1 𝑘=1
𝑁 𝑀
𝑟𝑘2 − 2𝑟𝑘 cos(𝜔 − 𝜙𝑘 ) 𝑞𝑘2 − 2𝑞𝑘 cos(𝜔 − 𝜃𝑘 )
𝜏𝑔𝑑 (𝜔) = ∑ −∑
1 + 𝑟𝑘2 − 2𝑟𝑘 cos(𝜔 − 𝜙𝑘 ) 1 + 𝑞𝑘2 − 2𝑞𝑘 cos(𝜔 − 𝜃𝑘 )
𝑘=1 𝑘=1

para 𝑀 = 0, 𝑁 = 2, 𝑟1 = 𝑟2 = 𝑟 y 𝜙1 = −𝜙2 = 𝜙.

La forma de |𝐻(𝑒 𝑗𝜔 )| puede ser fácilmente justificada geométricamente a partir del patrón de polos
y ceros.

Se puede demostrar que el pico de la respuesta de magnitud puede ser localizado en la frecuencia
𝜔𝑐 , dada por:

cos 𝜔𝑐 = [(1 + 𝑟 2 )⁄(2𝑟)] cos 𝜙 (5.118)

Puesto que 1 + 𝑟 2 > 2𝑟 para 𝑟 < 1 y que se tiene que cos 𝜔𝑐 > cos 𝜙, el pico es mas bajo cuando
la frecuencia del polo está en el rango de 0 < 𝜙 < 𝜋⁄2 y más alto cuando la frecuencia del polo
está en el rango de 𝜋⁄2 < 𝜙 < 𝜋.

Para polos cerca del círculo unitario el pico ocurre en 𝜔𝑐 ≈ 𝜙.

De (5.115):
𝑏0 𝑏0
𝐻(𝑧) = = (5.115)
(1 − 𝑗𝜙 −1
𝑟𝑒 𝑧 )(1 − 𝑟𝑒 −𝑗𝜙 𝑧 −1 ) 1 − (2𝑟 cos 𝜙)𝑧 −1 + 𝑟 2 𝑧 −2
se obtiene que:

|𝐻(𝑒 𝑗𝜙 )| = 𝑏0 ⁄[(1 − 𝑟)√1 + 𝑟 2 − 2𝑟 cos(2𝜙)]

De esta manera, se puede normalizar la ganancia del filtro eligiendo;

𝑏0 = (1 − 𝑟)√1 + 𝑟 2 − 2𝑟 cos(2𝜙) (5.119)

El ancho del pico está determinado por el ancho de banda a 3 dB, el cual se calcula determinando
las dos frecuencias más cercanas 𝜔1 y 𝜔2 alrededor de 𝜔𝑐 donde |𝐻(𝑒 𝑗𝜔 )| es igual a
(1⁄√2)|𝐻(𝑒 𝑗𝜔𝑐 )|.

El ancho de banda a 3 dB puede ser aproximado por:

∆𝜔 ≈ 2(1 − 𝑟); 𝑟 ≲ 1 (5.120)

lo cual muestra que el pico se vuelve más punteagudo cuando el polo se aproxima al círculo unitario.

El sistema:
 𝑦[𝑛] = (2𝑟 cos 𝜙)𝑦[𝑛 − 1] − 𝑟 2 𝑦[𝑛 − 2] + 𝑏0 𝑥[𝑛]
es conocido como resonador de tiempo discreto puesto que tiene una respuesta de magnitud
grande, es decir, entra en resonancia en el vecindad de las localizaciones de los polos.

Puesto que el resonador es esencialmente un filtro pasa bajos, sus características de la banda de
paso puede mejorarse atenuando las bajas y altas frecuencias, situando un cero en 𝑧 = 1 y un cero
en 𝑧 = −1.

El resultado es un resonador con función sistema:

1 − 𝑧 −2
𝐻(𝑧) = 𝑏0 (5.121)
1 − (2𝑟 cos 𝜙)𝑧 −1 + 𝑟 2 𝑧 −2
Osciladores sinusoidales de tiempo discreto.- Si los polos del resonador:

𝑦[𝑛] = (2𝑟 cos 𝜙)𝑦[𝑛 − 1] − 𝑟 2 𝑦[𝑛 − 2] + 𝑏0 𝑥[𝑛]

se situan sobre el círculo unitario, es decir, si se hace 𝑟 = 1 y 𝑏0 se hace igual a 𝐴 sin 𝜙 se obtiene:

ℎ[𝑛] = 𝐴[(𝑛 + 1)𝜙]𝑢[𝑛] (5.122)

Por tanto, se puede generar una señal sinusoidal usando la ecuación de diferencias:

𝑦[𝑛] = (2𝑟 cos 𝜙)𝑦[𝑛 − 1] − 𝑦[𝑛 − 2] + 𝑏0 𝛿[𝑛]; 𝑦[−1] = 𝑦[−2] = 0 (5.123)

La frecuencia de oscilación 𝜙 es determinada mediante el ángulo de los polos.

Este sistema, el cual es una forma límite de un resonador, se conoce como oscilador sinusoidal.

El sistema es marginalmente estable debido a que los polos están sobre el círculo unitario.

5.7.2 Filtros Notch (recha banda)

Un filtro FIR con dos ceros complejos conjugados está definido por:

𝐻(𝑧) = 𝑏0 [1 − (2𝑟 cos 𝜙)𝑧 −1 + 𝑟 2 𝑧 −2 ] (5.124)

el cual es el recíproco de (5.115):
𝑏0 𝑏0
𝐻(𝑧) = = (5.115)
(1 − 𝑗𝜙 −1
𝑟𝑒 𝑧 )(1 − 𝑟𝑒 −𝑗𝜙 𝑧 −1 ) 1 − (2𝑟 cos 𝜙)𝑧 −1 + 𝑟 2 𝑧 −2
excepto por el factor 𝑏0 .

De esta manera, las gráficas de respuesta en frecuencia de estos sistemas FIR están horizontalmente
volteados de los de la figura:
La respuesta de magnitud de este filtro contiene dos huecos en 𝜔 = ±𝜙.

Si se ponen en cascada varias secciones de segundo orden, se pueden crear filtros FIR con mejores
bandas de paro.

Si los ceros se situan sobre el círculo unitario haciendo que 𝑟 = 1, las componentes de la frecuencia
de entrada en 𝜔 = ±𝜙 son eliminadas.

Los filtros que tienen nulos perfectos en ciertas frecuencias se conocen como filtros notch.

El filtro FIR tipo notch de segundo orden tiene la función de sistema:

𝐻(𝑧) = 𝑏0 [1 − (2𝑟 cos 𝜙)𝑧 −1 + 𝑟 2 𝑧 −2 ] (5.125)

El problema con los filtros FIR tipo notch es que el ancho de banda de los notches es grande.

Una forma simple para crear notches más punteagudos es ubicar los ceros en el círculo unitario y
dos polos complejos conjugados en el mismo ángulo que los ceros, cerca de los ceros pero dentro
del círculo unitario.

La función de sistema para el filtro notch resultante es:

1 − (2 cos 𝜙)𝑧 −1 + 𝑧 −2
𝐺(𝑧) = (5.126)
1 − (2𝑟 cos 𝜙)𝑧 −1 + 𝑟 2 𝑧 −2
La creación de los notches más agudos se ilustra en la siguiente figura:
la cual muestra la magnitud de las respuestas de (5.125) y (5.126) para 𝑟 = 0.9 y 𝜙 = 0.4𝜋 radianes.
La ganancia 𝑏0 es elegida tal que la máxima respuesta de magnitud sea igual a 1.

5.7.3 Filtros combo

El resonador tiene una sola banda de paso y el filtro notch tiene un sola banda de paro en el intervalo
0 ≤ 𝜔 ≤ 𝜋.

Sin embargo, existen aplicaciones que requieren filtros simples con múltiples bandas de paso y
bandas de paro, conocidos como filtros combo.

Para diseñar un filtro combo, inicie con un filtro 𝐻(𝑧) que tenga una sola banda de paso o banda de
paro en el intervalo −𝜋 ≤ 𝜔 ≤ 𝜋.

La respuesta en frecuencia 𝐻(𝑒 𝑗𝜔 ) es periódica con periodo 2𝜋 radianes.

Si se reemplaza 𝑧 −1 por 𝑧 −𝐿 en 𝐻(𝑧), es decir, si se reemplaza cada retardo unitario por un retardo
de 𝐿 unidades, se obtiene un nuevo sistema definido por:
∞
𝐿)
𝐺(𝑧) ≜ 𝐻(𝑧 = ∑ ℎ[𝑛]𝑧 −𝑛𝐿 (5.127)
𝑛=−∞

donde 𝐿 es un entero.

La respuesta en frecuencia está dada por:

∞
𝑗𝜔
𝐺(𝑒 ) = ∑ ℎ[𝑛]𝑒 −𝑗𝜔𝐿𝑛 = 𝐻(𝑒 𝑗𝜔𝐿 ) (5.128)
𝑛=−∞
Por tanto, 𝐺(𝑒 𝑗𝜔 ) es periódica con periodo 2𝜋⁄𝐿 radianes; cada nuevo periodo es una versión
comprimida del viejo periodo.

La respuesta al impulso 𝑔[𝑛] se obtiene insertando (𝐿 − 1) ceros entre las muestras sucesivas de
ℎ[𝑛].

En efecto, una inspección cuidadosa de (5.127) produce la fórmula:

ℎ[𝑛⁄𝐿] 𝑛 = 0, ±𝐿, ±2𝐿, …
𝑔[𝑛] = { (5.129)
0 de otra manera
Para ilustrar estas ideas considere el filtro de primera diferencia:

𝐻(𝑧) = 1 − 𝑧 −1 (5.130)
el cual produce el siguiente filtro combo:

𝐺(𝑧) = 1 − 𝑧 −𝐿 (5.131)

La siguiente figura muestra |𝐻(𝑒 𝑗𝜔 )| y |𝐺(𝑒 𝑗𝜔 )| para 𝐿 = 8:

Note que 𝐺(𝑒 𝑗𝜔 ) es periódica con periodo 2𝜋⁄8 radianes, como se esperaba.

El nombre de filtro combo tiene su origen en la forma combo de la respuesta de magnitud

resultante.

5.7.4 Rotación de patrones polos y ceros – transformaciones de frecuencia

El filtro media móvil de 𝑀 puntos, el cual es un sistema FIR, definido por:
 𝑀−1
1
𝑦[𝑛] = ∑ 𝑥[𝑛 − 𝑘] (5.134)
𝑀
𝑘=0

es ampliamente usado para suavizar las señales de tiempo discreto.

La función sistema es:

𝑀−1
1 1 1 − 𝑧 −𝑀 1 𝑧𝑀 − 1
𝐻(𝑧) = ∑ 𝑧 −𝑘 = = (5.135)
𝑀 𝑀 1 − 𝑧 −1 𝑀 𝑧 𝑀−1 (𝑧 − 1)
𝑘=0

La expresión polinomial conduce a una implementación no recursiva, mientras que la forma racional
resulta en una implementación recursiva.

Para entende la equivalencia de las dos funciones sistema en (5.135), recuerde que la ecuación 𝑧 𝑀 −
1 = 0 tine 𝑀 raíces dadas por:

𝑧𝑘 = 𝑊𝑀𝑘 ; 𝑘 = 0.1, … , 𝑀 − 1 (5.136)

donde 𝑊𝑀 = exp(𝑗 2𝜋⁄𝑀).

Por tanto, el sistema tiene 𝑀 ceros dados por (5.136), un polo en 𝑧 = 0 y 𝑀 − 1 polos en 𝑧 = 0.

El polo en 𝑧 = 1 es cancelado por el cero 𝑧0 = 1.

Esto se muestra como el patrón de polos y ceros de la siguiente figura para 𝑀 = 10:

 La respuesta al impulso es real debido a que los ceros son simétricos con respecto al eje real.
 Los 𝑀 − 1 ceros distribuidos sobre el círculo unitario mantienen las respuesta de magnitud
pequeña, excepto en 𝑧 = 1, donde el cero faltante permite valores más grandes.
 Esto produce un filtro pasabajos con la respuesta de magnitud mostrada en la figura anterior.
 Los notches del filtro, uno para cada cero, están localizados en 𝜔𝑘 = 2𝜋𝑘⁄𝑀 ; 𝑘𝑎1,2, … , 𝑀 − 1.

Filtros pasa banda complejos.- Se puede mover la banda de paso del filtro pasa bajos (5.135):
𝑀−1
1 1 1 − 𝑧 −𝑀 1 𝑧𝑀 − 1
𝐻(𝑧) = ∑ 𝑧 −𝑘 = = (5.135)
𝑀 𝑀 1 − 𝑧 −1 𝑀 𝑧 𝑀−1 (𝑧 − 1)
𝑘=0

a una frecuencia 𝜔𝑚 = 2𝜋𝑚⁄𝑀, usando la propiedd de corrimiento de frecuencia de la DTFT:

 𝐷𝑇𝐹𝑇
𝑒 𝑗𝜔𝑚 𝑘 ℎ[𝑘] ↔ 𝐻(𝑒 𝑗(𝜔−𝜔𝑚) ) (5.137)

La función de sistema del filtro pasa banda resultante 𝑔[𝑘] = 𝑊𝑀𝑚𝑘 ℎ[𝑘] está dada por:
𝑀−1
1 1 1 − (𝑊𝑀−𝑚 𝑧)−𝑀
𝐺(𝑧) = ∑ (𝑊𝑀−𝑚 𝑧)−𝑘 = (5.138)
𝑀 𝑀 1 − (𝑊𝑀−𝑚 𝑧)−1
𝑘=0
𝑀−1
1 1 − (𝑊𝑀−𝑚 𝑧)−𝑀 1
𝐺(𝑧) = = ∏ 1 − 𝑊𝑀𝑘 𝑧 −1 (5.139)
𝑀 1 − (𝑊𝑀−𝑚 𝑧)−1 𝑀
𝑘=0
𝑘≠𝑚

De las ecuaciones anteriores, se tiene 𝐺(𝑧) = 𝐻(𝑊𝑀−𝑚 𝑧), la cual corresponde a una rotación en el
sentido contrario a las manecillas del reloj del patrón de polos y ceros de 2𝜋𝑚⁄𝑀 radianes.

De acuerdo a (5.139) esto es equivalente a la cancelación del cero en 𝑧 = 𝑊𝑀𝑚 por el polo en la
misma localización.

El patrón de polos y ceros y la respuesta de magnitud del filtro pasa banda complejo se muestran
en la siguiente figura:

Puesto que el patrón de polos y ceros carece de simetría alrededor del eje real, la respuesta al
impulso 𝑔[𝑘] = 𝑒 𝑗2𝜋𝑚⁄𝑀 ; 𝑘 = 0,1, … , 𝑀 − 1 es compleja.

Filtros pasa banda reales.- Para obtener un filtro pasa banda con respuesta al impulso real se utiliza
la propiedad de modulación de la DTFT:
𝐷𝑇𝐹𝑇 1 1
ℎ[𝑘] cos(𝜔𝑚 𝑘) ↔ 𝐻(𝑒 𝑗(𝜔−𝜔𝑚) ) + 𝐻(𝑒 𝑗(𝜔+𝜔𝑚) ) (5.140)
2 2
La función de sistema de un filtro con respuesta al impulso 𝑓[𝑘] = cos[(2𝜋𝑚⁄𝑀)𝑘] está dada por:
𝑀−1 𝑀−1
2𝜋𝑚 1
𝐹(𝑧) = ∑ cos ( 𝑘) 𝑧 −𝑘 = ∑ (𝑊𝑀−𝑚𝑘 + 𝑊𝑀𝑚𝑘 )𝑧 −𝑘 (5.141)
𝑀 2
𝑘=0 𝑘=0

1 1 − 𝑧 −𝑀 1 1 − 𝑧 −𝑀
𝐹(𝑧) = + (5.142)
2 1 − 𝑊𝑀−𝑚 𝑧 −1 2 1 − 𝑊𝑀𝑚 𝑧 −1
 2𝜋
(1 − 𝑧 −𝑀 ) (1 − 𝑧 −1 cos ( 𝑚))
𝐹(𝑧) = 𝑀 (5.143)
(1 − 𝑊𝑀𝑚 𝑧 −1 )(1 − 𝑊𝑀−𝑚 𝑧 −1 )

Note que (5.142) expresa el sistema FIR (5.141) como la conexión paralela de dos sistemas
pasabanda complejos obtenidos eliminando los dos ceros complejos conjugados.

De acuerdo con (5.143), esto es equivalente a introducir un cero en la parte real de los ceros
complejos conjugados eliminados.

El patrón de polos y ceros y la respuesta de magnitud del filtro pasa banda resultante se muestran
en la siguiente figura:

Puesto que el denominador de (5.143) puede ser escrito como 1 − ((2 cos(2𝜋𝑚))⁄𝑀)𝑧 −1 + 𝑧 −2 ,
es posible obtener una implementación recursiva con coeficientes reales.

Eliminando el término 1 − ((2 cos(2πm))⁄M)z −1 de (5.143) se produce una filtro pasa banda
ligeramente diferente con coeficientes reales.

Transformaciones de frecuencia.- El teroema de modulación de frecuencia:

𝐷𝑇𝐹𝑇 1 1
ℎ[𝑘] cos(𝜔𝑚 𝑘) ↔ 𝐻(𝑒 𝑗(𝜔−𝜔𝑚) ) + 𝐻(𝑒 𝑗(𝜔+𝜔𝑚) ) (5.140)
2 2
proporciona una técnica simple para generar filtros pasa banda a partir de un prototipo pasa bajos.

Una simplificación interesante ocurre si 𝜔𝑚 = 𝜋 en:

𝐷𝑇𝐹𝑇
𝑒 𝑗𝜔𝑚 𝑘 ℎ[𝑘] ↔ 𝐻(𝑒 𝑗(𝜔−𝜔𝑚) )

Entonces, se puede fácilmente mostrar que:

𝐷𝑇𝐹𝑇
𝑔[𝑛] = (−1)𝑛 ℎ[𝑛] ↔ 𝐺(𝑒 𝑗𝜔 ) = 𝐻(𝑒 𝑗(𝜔−𝜋) ) (5.144)

es decir, se puede convertir un filtro pasa bajos en un filtro pasa altos cambiando los signos de las
muestras numeradas con impares de su respuesta al impulso y viceversa.

El mismo truco puede ser usado para los coeficientes de la ecuación de diferencias:
𝑁 𝑀

𝑦[𝑛] = − ∑(−1) 𝑎𝑘 𝑦[𝑛 − 𝑘] + ∑(−1)𝑘 𝑏𝑘 𝑥[𝑛 − 𝑘] (5.145)

𝑘

𝑘=1 𝑘=0
Este método proporciona una visión del concepto de transformaciones de frecuencia que corre la
respuesta en frecuencia de filtros pasa bajos prototipos.

5.8 Relación entre las respuestas de magnitud y de fase

La respuesta en frecuencia 𝐻(𝑒 𝑗𝜔 ) es igual a la función de sistema 𝐻(𝑧) evaluada sobre el círculo
unitario.

Se desea encontrar si existe una transformada z 𝑅(𝑧) tal que:

2
𝑅(𝑧)|𝑧=𝑒 𝑗𝜔 = |𝐻(𝑒 𝑗𝜔 )| = 𝐻(𝑒 𝑗𝜔 )𝐻 ∗ (𝑒 𝑗𝜔 ) (5.146)

Esto requiere encontrar una transformada z 𝑉(𝑧) tal que 𝑉(𝑧)|𝑧=𝑒 𝑗𝜔 = 𝐻 ∗ (𝑒 𝑗𝜔 ).

Tomando el complejo conjugado de la ecuación:

∞

𝐻(𝑧) ≜ ∑ ℎ[𝑘]𝑧 −𝑘
𝑘=−∞

se tiene que:
∞ ∞
∗ 𝑗𝜔 ∗ [𝑘]𝑒 𝑗𝜔𝑘
𝐻 (𝑒 )= ∑ ℎ = ∑ ℎ∗ [𝑘]𝑧 𝑘 | = 𝑉(𝑧)|𝑧=𝑒 𝑗𝜔 (5.147)
𝑘=−∞ 𝑘=−∞ 𝑧=𝑒 𝑗𝜔

Comparando las dos ecuaciones anteriores se obtiene:

∞ ∞ ∗ ∞ ∗
∗ [𝑘]𝑧 𝑘 ∗ )𝑘 ∗ )−𝑘
𝑉(𝑧) = ∑ ℎ = [ ∑ ℎ[𝑘](𝑧 ] = [ ∑ ℎ[𝑘](1⁄𝑧 ] = 𝐻 ∗ (1⁄𝑧 ∗ ) (5.148)
𝑘=−∞ 𝑘=−∞ 𝑘=−∞

Por tanto, la función 𝑉(𝑧) = 𝐻 ∗ (1⁄𝑧 ∗ ) es obtenida conjugando los coeficientes de 𝐻(𝑧) y
reemplazando donde sea 𝑧 −1 por 𝑧.

Si ℎ[𝑛] tiene valores reales, se tiene la forma simplificada 𝑉(𝑧) = 𝐻(1⁄𝑧).

Por tanto, la función 𝑅(𝑧) deseada es:

𝑅(𝑧) = 𝐻(𝑧)𝐻 ∗ (1⁄𝑧 ∗ ); ℎ[𝑛] compleja (5.149)

𝑅(𝑧) = 𝐻(𝑧)𝐻(1⁄𝑧); ℎ[𝑛] real (5.150)

Si se consideran sistemas con funciones de sistema racionales de la forma:

∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘
𝐵(𝑧)
𝐻(𝑧) = 𝑁 −𝑘
=
1 + ∑𝑘=1 𝑎𝑘 𝑧 𝐴(𝑧)

se tiene:

∏𝑀 −1 ∗
𝑘=1(1 − 𝑧𝑘 𝑧 )(1 − 𝑧𝑘 𝑧)
𝑅(𝑧) = |𝑏0 |2 (5.151)
∏𝑁 −1 ∗
𝑘=1(1 − 𝑝𝑘 𝑧 )(1 − 𝑝𝑘 𝑧)
Note que:

 Para cada polo 𝑝𝑘 de 𝐻(𝑧), existen dos polos de 𝑅(𝑧) en 𝑝𝑘 y en 1⁄𝑝𝑘∗ .

 Similarmente, para cada cero 𝑧𝑘 de 𝐻(𝑧), existen dos ceros de 𝑅(𝑧) en 𝑧𝑘 y en 1⁄𝑧𝑘∗ .
 Por tanto, los polos y ceros de 𝑅(𝑧) ocurren en pares recíprocos conjugados.
1
 Si 𝑤 = 𝑟𝑒 𝑗𝜙 es un polo (o cero), entonces (1⁄𝑤 ∗ ) = 𝑟 𝑒 𝑗𝜙 es un polo (o cero).
 Claramente, si 𝑤 está dentro del círculo unitario, entonces 1⁄𝑤 ∗ tiene que estar en la misma
localización sobre el círculo unitario.

Ejemplo 5.8.- Considere un sistema FIR de segundo orden con función de sistema:

𝐻(𝑧) = (1 − 𝑎𝑧 −1 )(1 − 𝑏𝑧 −1 ); −1 < 𝑎 < 1, −1 < 𝑏 < 1 (5.152)

Este sistema tiene dos ceros reales dentro del círculo unitario. La transformada z:

𝑅(𝑧) = 𝐻(𝑧)𝐻(1⁄𝑧) = (1 − 𝑎𝑧 −1 )(1 − 𝑏𝑧 −1 )(1 − 𝑎𝑧)(1 − 𝑏𝑧) (5.153)

tiene dos ceros de 𝐻(𝑧) en 𝑧1 = 𝑎, 𝑧2 = 𝑏 y dos ceros de de 𝐻(1⁄𝑧) en 𝑧3 = 1⁄𝑎 , 𝑧4 = 1⁄𝑏.

Dada 𝑅(𝑧), emparejando los diferentes ceros, se pueden formar cuatro sistemas FIR diferentes de
segundo orden:

𝐻1 (𝑧) = (1 − 𝑎𝑧 −1 )(1 − 𝑏𝑧 −1 ) (5.154a)

𝐻2 (𝑧) = (1 − 𝑎𝑧 −1 )(1 − 𝑏𝑧) (5.154b)

𝐻3 (𝑧) = (1 − 𝑎𝑧)(1 − 𝑏𝑧 −1 ) (5.154c)
𝐻1 (𝑧) = (1 − 𝑎𝑧)(1 − 𝑏𝑧) (5.154d)
Como se esperaba de (5.153), estos sistemas tienen la misma respuesta de magnitud pero
diferentes respuestas de fase.

En general, dada la función racional 𝑅(𝑧) en (5.151):

∏𝑀 −1 ∗
𝑘=1(1 − 𝑧𝑘 𝑧 )(1 − 𝑧𝑘 𝑧)
𝑅(𝑧) = |𝑏0 |2 (5.151)
∏𝑁 −1 ∗
𝑘=1(1 − 𝑝𝑘 𝑧 )(1 − 𝑝𝑘 𝑧)

existen 2𝑁−𝑀 sistemas diferentes 𝐻𝑘 (𝑧) de la forma:

∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘
𝐵(𝑧)
𝐻(𝑧) = 𝑁 −𝑘
=
1 + ∑𝑘=1 𝑎𝑘 𝑧 𝐴(𝑧)

que satisfacen
2
𝑅(𝑧)|𝑧=𝑒 𝑗𝜔 = |𝐻(𝑒 𝑗𝜔 )| = 𝐻(𝑒 𝑗𝜔 )𝐻 ∗ (𝑒 𝑗𝜔 )

Todos estos sistemas tienen la misma respuesta de magnitud pero diferentes respuestas de fase.

Por tanto, dada |𝐻(𝑒 𝑗𝜔 )| no se puede identicar de manera única la respuesta de fase ∠𝐻(𝑒 𝑗𝜔 ) sin
información adicional.
Sin embargo, es igualmente importante entender que las respuestas de magnitud y de fase no
pueden ser especificadas independientemente debido a la necesidad de realizabilidad del sistema.

 Esto tiene impolicaciones muy importantes en el problema de diseño del filtro.

 Una 𝐻(𝑧) única puede ser especificada eligiendo los polos y ceros de 𝑅(𝑧) dentro del círculo
unitario.
 El problema se vuelve más difícil si 𝑀 y 𝑁 no etán definidas o tienden al infinito.
 Para sistemas arbitrarios, el conocimiento acerca de la magnitud no proporciona información
acerca de la fase y viceversa.
2
El problema de obtener la función de sistema 𝐻(𝑧) a partir de 𝑅(𝑒 𝑗𝜔 ) = |𝐻(𝑒 𝑗𝜔 )| o de la
secuencia de autocorrelación 𝑟[ℓ] = 𝒵 −1 {𝑅(𝑧)} es conocida como factorización espectral.

5.9 Sistemas pasa todo

La respuesta en frecuencia de un sistema pasa todo tiene una magnitud constante 𝐺 > 0 en todas
las frecuencias, es decir:

|𝐻(𝑒 𝑗𝜔 )| = 𝐺 (5.155)

Si se asume que 𝐺 = 1, las siguientes ecuaciones:

𝑁−1 𝑁−1 𝑁−1 2
1 (𝑦) 2
2𝜋
(𝑥) 2
𝑃𝑎𝑣 = ∑ |𝑦[𝑛]|2 = ∑ |𝑐𝑘 | = ∑ |𝐻 (𝑒 𝑗 𝑁 𝑘 )| |𝑐𝑘 |
𝑁
𝑛=0 𝑘=0 𝑘=0
∞
1 𝜋 2 2
𝐸𝑦 = ∑ |𝑦[𝑛]|2 = ∫ |𝑋(𝑒 𝑗𝜔 )| |𝐻(𝑒 𝑗𝜔 )| 𝑑𝜔
2𝜋 −𝜋
𝑛=−∞

implican que todos los sistemas pasa todo preservan la potencia o energía de sus señales de entrada.

En este sentido, se dice que los sistemas pasa todo son sistemas sin pérdida.

Los sistemas pasa todo más simples, simplemente escalan y retardan la señal de entrada.

Por tanto:

𝐻𝑎𝑝 (𝑧) = 𝐺𝑧 −𝑘 (5.156)

Una familia no trivial más interesante de sistemas pasa todo (conocidos como sistemas pasa todo
dispersivos) puede ser obtenida notando que los factores (1 − 𝑝𝑘 𝑒 −𝑗𝜔 ) y sus complejos conjugados
(1 − 𝑝𝑘∗ 𝑒 𝑗𝜔 ) tienen la misma magnitud.

Por tanto, el sistema:

1 − 𝑝𝑘∗ 𝑧 𝑧 −1 − 𝑝𝑘∗
𝐻𝑘 (𝑧) = 𝑧 −1 = (5.157)
1 − 𝑝𝑘 𝑧 −1 1 − 𝑝𝑘 𝑧 −1
es un pasa todo.
El término 𝑧 −1 , el cual tiene magnitud 1 sobre el círculo unitario, ha sido introducido para hacer que
el sistema sea causal.

Los sistemas pasa todo pueden ser obtenidos poniendo en cascada múltiples secciones de primer
orden como:
𝑁
𝑗𝛽
𝑧 −1 − 𝑝𝑘∗
𝐻𝑘 (𝑧) = 𝑒 ∏ (5.158)
1 − 𝑝𝑘 𝑧 −1
𝑘=1

donde 𝛽 es una constante (usualmente 𝛽 = 0).

 Para sistemas con coeficientes reales, las raíces complejas deberías aparecer en pares complejos
conjugados.
 Por ejemplo, los sistemas 𝐻1 (𝑧) = 1 y 𝐻2 (𝑧) = 𝑧 −1 son pasa todo, pero 𝐻(𝑧) = 𝐻1 (𝑧) +
𝐻2 (𝑧) = 1 + 𝑧 −1 no es pasa todo debido a que 𝐻(𝑒 𝑗𝜔 ) = 2 cos(𝜔⁄2).

De (5.158) note que:

 Cada polo 𝑝𝑘 de un sistema pasa todo debería estar acompañado por un cero recíproco
complejo 1⁄𝑝𝑘∗ .
 Puesto que todos los sistemas pasa todos causales y estables deben tener todos sus polos
dentro del círculo unitario, todos los ceros están fuera del círculo unitario.

Las propiedades claves de los sistemas pasa todo pueden ser ilustrados geométricamente usando
la gráfica de polos y ceros de la siguiente figura:

Note que el círculo unitario es el lugar de todos los puntos 𝑍 tales que:
̅̅̅̅̅
𝑃𝑘 𝑍 |𝑒 𝑗𝜔 − 1⁄𝑝𝑘∗ | 1
= = ; |𝑝𝑘 | < 1 (5.159)
̅̅̅̅̅
𝑍 𝑘𝑍
𝑗𝜔
|𝑒 − 𝑝𝑘 | |𝑝𝑘 |
es decir, la razón de las distancias de 𝑍 desde el polo 𝑝𝑘 = 𝑟𝑘 𝑒 𝑗𝜙𝑘 y desde el cero 1⁄𝑝𝑘∗ =
(1⁄𝑟𝑘 )𝑒 𝑗𝜙𝑘 es constante.

 La fasede este par polo-cero, la cual es 𝛼𝑘 (𝜔) = Θ𝑘 (𝜔) − Φ𝑘 (𝜔), decrecemonotónicamente

desde 𝜋 a cero cuando 𝜔 se incrementa desde 𝜙𝑘 a 𝜙𝑘 + 𝜋.
 Puesto que 𝐻𝑘 (𝑒 𝑗𝜔 ) = − [𝑝𝑘∗ (𝑒 𝑗𝜔 − 1⁄𝑝𝑘∗ )]⁄(𝑒 𝑗𝜔 − 𝑝𝑘 ), note que ∠𝐻𝑘 (𝑒 𝑗𝜔 ) = ∠𝑝𝑘 +
𝛼𝑘 (𝜔).
 Puesto que 𝑝𝑘 es constante, las funciones ∠𝐻𝑘 (𝑒 𝑗𝜔 ) y 𝛼𝑘 (𝜔) tienen la misma forma; sólo sus
rangos de valores son diferentes.

Las respuestas de magnitud, fase y retardo de grupo del sistema pasa todo de primer orden (5.157);

1 − 𝑝𝑘∗ 𝑧 𝑧 −1 − 𝑝𝑘∗
𝐻𝑘 (𝑧) = 𝑧 −1 = (5.157)
1 − 𝑝𝑘 𝑧 −1 1 − 𝑝𝑘 𝑧 −1

con 𝑝𝑘 = 𝑟𝑘 𝑒 𝑗𝜙𝑘 , están dadas por:

|𝐻𝑘 (𝑒 𝑗𝜔 )| = 1 (5.160)

𝑟𝑘 sin(𝜔 − 𝜙𝑘 )
∠𝐻𝑘 (𝑒 𝑗𝜔 ) = −𝜔 − 2 tan−1 ( ) (5.161)
1 − 𝑟𝑘 cos(𝜔 − 𝜙𝑘 )

1 − 𝑟𝑘2
𝜏𝑘 (𝜔) = (5.162)
1 + 𝑟𝑘2 − 2𝑟𝑘 cos(𝜔 − 𝜙𝑘 )

La siguiente figura muestra la grpafica de polos y ceros, la respuesta de magnitud logarítmica la

respuesta de fase y el retardo de grupo para 𝑝𝑘 = 0.8𝑒 𝑗𝜋⁄4 .
La respuesta de fase continua Ψ(𝜔) ha sido evaluada usando la ecuación:
𝜔
Ψ(𝜔) = − ∫ 𝜏𝑔𝑑 (𝜃)𝑑𝜃 + Ψ(0)
0

La función de Matlab angle que calcula el valor principal, produce la curva discontinua rayada.

Puesto que 𝑟𝑘 < 0, para sistemas pasa todo causales y estables, el retardo de grupo (5.162):

1 − 𝑟𝑘2
𝜏𝑘 (𝜔) = (5.162)
1 + 𝑟𝑘2 − 2𝑟𝑘 cos(𝜔 − 𝜙𝑘 )

es siempres positivo.

A partir de la interpretación geométrica de la figura:

y la gráfica de fase de la siguiente figura:

se concluye que la fase decrece monotónicamente a partir de ∠𝐻(𝑒 −𝑗𝜋 ) a ∠𝐻(𝑒 −𝑗𝜋 ) − 2𝜋 para
cada polo.
Por tanto, la respuesta de fase de un sistema pasa todo de orden 𝑁 decrece monotónicamente en
el rango:

Ψ(−𝜋) ≤ Ψ(𝜔) ≤ Ψ(−𝜋) − 2𝜋𝑁; −𝜋 ≤ 𝜔 ≤ 𝜋 (5.163)

Para polos reales y complejos conjugados, la respuesta de fase tiene simetría impar alrededor de
𝜔 = 0 y el retardo de grupo tiene simetría par alrededor de 𝜔 = 0 como se muestra en las siguiente
figuras:

Por tanto, para los sistemas pasa todo con coeficientes reales la respuesta de fase continua cambia
monotónicamente desde 𝑁𝜋 a – 𝑁𝜋 cuando 𝜔 varía desde – 𝜋 a 𝜋 radianes.

De (5.158):
𝑁
𝑧 −1 − 𝑝𝑘∗
𝐻𝑘 (𝑧) = 𝑒 𝑗𝛽 ∏ (5.158)
1 − 𝑝𝑘 𝑧 −1
𝑘=1

con 𝛽 = 0 y 𝑁 = 2, se puede mostrar que la función de sistema de un sistema pasa todo de

segundo orden puede ser expresada como:

𝑎2∗ + 𝑎1∗ 𝑧 −1 + 𝑧 −2 −2
𝐻𝑎𝑝 (𝑧) = = 𝑧
1 + 𝑎1 𝑧 −1 + 𝑎2 𝑧 −2
donde 𝑎1 = −(𝑝1 + 𝑝2 ) y 𝑎2 = 𝑝1 𝑝2 .
1 + 𝑎1∗ 𝑧 + 𝑎2∗ 𝑧 2
(5.164)
1 + 𝑎1 𝑧 −1 + 𝑎2 𝑧 −2

Por tanto, en general, se tiene:

 1 + 𝑎1∗ 𝑧 + ⋯ + 𝑎𝑁
∗ 𝑁
𝑧 𝐴∗ (1⁄𝑧 ∗ )
𝐻𝑎𝑝 (𝑧) = 𝑧 −𝑁 = 𝑧 −𝑁
(5.165)
1 + 𝑎1 𝑧 −1 + ⋯ + 𝑎𝑁 𝑧 −𝑁 𝐴(𝑧)
Note que:

 Para 𝑎𝑘 real, se tiene que 𝐴∗ (1⁄𝑧 ∗ ) = 𝐴(1⁄𝑧).

 Los polinomios 𝐴(𝑧) y 𝑧 −𝑁 𝐴∗ (1⁄𝑧 ∗ ) se dice que forman un par conjugado reverso.
 Si los 𝑎𝑘 son reales, los términos de la ecuación de diferencias que implementa la ecuación
(5.165) pueden ser agrupados de tal forma que sólo se requieren 𝑁 multiplicaciones.

Los sistemas pasa todo tienen muchas aplicaciones, incluyendo el diseño de compensadores de fase
para mitigar la distorsión de fase o de retardo de grupo sin alterar la respuesta de magnitud,
transformaciones de frecuencia y filtrado multitasa.

5.10 Invertibilidad y sistemas de fase mínima

Un sistema LTI 𝐻(𝑧) con entrada 𝑥[𝑛] y salida 𝑦[𝑛] se dice que es invertible si se puede determinar
de manera única 𝑥[𝑛] a partir de 𝑦[𝑛].

El sistema 𝐻𝑖𝑛𝑣 (𝑧) que produce 𝑥[𝑛] cuando se lo excita con 𝑦[𝑛] se llaman sistema inverso.

Por definición, la cascada de un sistema y su inverso es igual al sistema identidad, es decir:

ℎ[𝑛] ∗ ℎ𝑖𝑛𝑣 [𝑛] = 𝛿[𝑛] (5.170)

𝐻(𝑧)𝐻𝑖𝑛𝑣 (𝑧) = 1 (5.171)
donde ℎ[𝑛] y ℎ𝑖𝑛𝑣 [𝑛] son las respuestas al impulso correspondientes.

 Dada h[n], se puede obtener hinv [n] resolviendo la ecuación de convolución (5.170).
 Un método simple es usar la ecuación algebraica (5.171).

Para la función sistema racional:

∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘
𝐵(𝑧)
𝐻(𝑧) = 𝑁 −𝑘
= (5.77)
1 + ∑𝑘=1 𝑎𝑘 𝑧 𝐴(𝑧)

se tiene:
1 𝐴(𝑧)
𝐻𝑖𝑛𝑣 (𝑧) = = (5.172)
𝐻(𝑧) 𝐵(𝑧)

 Por tanto, los ceros de 𝐻(𝑧) se vuelven los polos de sus sistema inverso y viceversa.
 Un sistema causal y estable 𝐻(𝑧) debería tener sus polos dentro del círculo unitario; sus ceros
pueden estar donde sea.
 En aplicaciones de filtrado inverso, el sistema 𝐻𝑖𝑛𝑣 (𝑧) = 1⁄𝐻(𝑧) debería ser causal y estable
también.
 Un sistema LTI causal y estable con inversa causal y estable es un sistema de fase mínima.
 De esta manera, las secuencias de la respuesta al impulso ℎ[𝑛] y ℎ𝑖𝑛𝑣 [𝑛] deberían ser causales
y absolutamente sumables.
 Algunas vece,s para permitir polos o ceros sobre el círculo unitario, sólo se requiere que las
respuestas al impulso tengan energía finita.

El sistema racional

∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘
𝐵(𝑧)
𝐻(𝑧) = 𝑁 −𝑘
=
1 + ∑𝑘=1 𝑎𝑘 𝑧 𝐴(𝑧)

es de fase mínima si tanto sus polos como sus ceros están dentro del círculo unitario.

Descomposición de fase mínima y pasa todo.- Cualquier sistema con función racional se puede
decomponer en un sistema de fase mínima y un sistema pasa todo.

Para este fin, suponga que 𝐻(𝑧) tine un cero en 𝑧 = 1⁄𝑎∗ , donde |𝑎| < 1, fuera del círculo unitario,
y todos los otros polos y ceros dentro del círculo unitaio.

Entonces 𝐻(𝑧) se puede factorizar como:

𝐻(𝑧) = 𝐻1 (𝑧)(𝑧 −1 − 𝑎∗ ) (5.173)

donde, por definición, 𝐻1 (𝑧) es de fase mínima.

La ecuación (5.173) puede ser escrita como:

𝑧 −1 − 𝑎∗
𝐻(𝑧) = 𝐻1 (𝑧)(1 − 𝑎𝑧 −1 ) (5.174)
1 − 𝑎𝑧 −1
𝑧 −1 −𝑎∗
donde 𝐻1 (𝑧)(1 − 𝑎𝑧 −1 ) es de fase mínima y 1−𝑎𝑧 −1 es pasa todo. Si se repite este proceso para
cada cero fuera del círculo unitario, se obtiene:

𝐻(𝑧) = 𝐻𝑚𝑖𝑛 (𝑧)𝐻𝑎𝑝 (𝑧) (5.175)

De esta manera, cualquier función sistema racional puede ser descompuesto en el producto de una
función de sistema de fase mínima y una función de sistema pasa todo.

Propiedad del retardo mínimo.- Explica el origen del nombre de sistemas de fase mínima.

Los sistemas 𝐻(𝑧) y 𝐻𝑚𝑖𝑛 (𝑧) en (5.175) tienen obviamente la misma respuesta de magnitud.

Por tanto, reflejando un cero en su localización recíproca conjugada no cambia la magnitud de la

respuesta de un sistema.

Para ver el efecto sobre la respuesta de fase, considere un cero 𝑧 = 𝑟𝑒 𝑗𝜃 dentro del círculo unitario
(𝑟 < 1).

De las ecuaciones:
𝑀 𝑁
𝑗𝜔 −1
𝑞𝑘 cos(𝜔 − 𝜃𝑘 ) 𝑟𝑘 cos(𝜔 − 𝜙𝑘 )
∠𝐻(𝑒 ) = ∠𝑏0 + ∑ tan ( ) − ∑ tan−1 ( )
1 − 𝑞𝑘 cos(𝜔 − 𝜃𝑘 ) 1 − 𝑟 cos(𝜔 − 𝜙𝑘 )
𝑘=1 𝑘=1
 𝑁 𝑀
𝑟𝑘2 − 2𝑟𝑘 cos(𝜔 − 𝜙𝑘 ) 𝑞𝑘2 − 2𝑞𝑘 cos(𝜔 − 𝜃𝑘 )
𝜏𝑔𝑑 (𝜔) = ∑ − ∑
1 + 𝑟𝑘2 − 2𝑟𝑘 cos(𝜔 − 𝜙𝑘 ) 1 + 𝑞𝑘2 − 2𝑞𝑘 cos(𝜔 − 𝜃𝑘 )
𝑘=1 𝑘=1

el corrimiento de fase negativa −Ψ(𝜔) (atraso de fase) y el retardo de grupo están dados por:
sin(𝜔 − 𝜃)
−Ψ(𝜔) = − tan−1 (5.178)
1⁄𝑟 − cos(𝜔 − 𝜃)
𝑟 − cos(𝜔 − 𝜃)
𝜏(𝜔) = (5.179)
(𝑟 + 1⁄𝑟) − 2 cos(𝜔 − 𝜃)

Suponga ahora que se refleja el cero 𝑧 = 𝑟𝑒 𝑗𝜃 a su localización recíproca conjugada 1⁄𝑧 ∗ =

(1⁄𝑟)𝑒 𝑗𝜃 , la cual está fuera del círculo unitario.

Si se reemplaza 𝑟 por 1⁄𝑟 en (5.178), el atraso de fase se incrementa debido a que el denominador
decrece.

Una prueba geométrica sigue de la siguiente figura:

Fácilmente se puede ver que 𝛽𝑜𝑢𝑡 (𝜔) ≥ 𝛽𝑖𝑛 (𝜔) (recuerde que ∠𝐻(𝑒 𝑗𝜔 ) = −𝜔 + Θ𝑘 (𝜔) = 𝛽𝑘 ).

Similarmente, el numerador de (5.179):

𝑟 − cos(𝜔 − 𝜃)
𝜏(𝜔) = (5.179)
(𝑟 + 1⁄𝑟) − 2 cos(𝜔 − 𝜃)
se incrementa debido a que 𝑟 es reemplazodo por 1⁄𝑟, el cual es más grande; el denominador
permanece el mismo.

Por tanto, reflejando un cero fuera del círculo unitario a su localización recíproca conjugada
incrementa el retardo de grupo.
Las gráficas muestran el atraso de fase de la ecuación (5.178) y el retardo de grupo (5.179) para 𝑧 =
0.8𝑒 𝑗𝜋⁄4 y su conjugado recíproco 1⁄𝑧 ∗.

 Se concluye que un sistema de fase mínima tiene atraso de fase mínimo (algebraicamente) y el
retardo de grupo mínimo entre todos los sistemas con la misma respuesta de magnitud.
 Aunque los términos de atraso de fase mínimo o sistema de retardo de grupo mínimo serían
más apropiados, el término de fase mínima ha sido establecido en la literatura.

Sistemas de fase máxima y mezclada.- Un sistema causal y estable con función de sistema racional
se llama de fase máxima si todos sus ceros están fuera del círculo unitario.

 Un sistema con 𝐻(𝑧) arbitraria es de fase máxima, si es causal, estable y 𝐻(𝑧) ≠ 0 para |𝑧| <
1.
 Un sistema que ni es de fase mínima ni de fase máxima se llama sistema de fase mezclada.

Ejemplo 5.11 Sistemas de fase mínima, máxima y mezclada.- Considere un sistema de fase mínima
con función de sistema:

𝐻𝑚𝑖𝑛 (𝑧) = (1 − 𝑎𝑧 −1 )(1 − 𝑏𝑧 −1 ) = 1 − (𝑎 + 𝑏)𝑧1 + 𝑎𝑏𝑧 −2 (5.180)

donde −1 < 𝑎, 𝑏 < 1.

Este sistema tiene dos ceros dentro del círculo unitario en 𝑧 = 𝑎 y 𝑧 = 𝑏, si sólo se refleja un cero
afuera del círculo unitario, se obtiene el siguiene sistema de fase mezclada:

𝐻𝑚𝑖𝑥1 (𝑧) = 𝑎(1 − 𝑎−1 𝑧 −1 )(1 − 𝑏𝑧 −1 ) (5.181)

𝐻𝑚𝑖𝑥2 (𝑧) = 𝑏(1 − 𝑎𝑧 −1 )(1 − 𝑏 −1 𝑧 −1 ) (5.182)

Reflejando ambos ceros fuera del círculo unitario se produce un sistema de fase máxima:

𝐻𝑚𝑎𝑥 (𝑧) = 𝑎𝑏(1 − 𝑎−1 𝑧 −1 )(1 − 𝑏 −1 𝑧 −1 ) = 𝑎𝑏 − (𝑎 + 𝑏)𝑧 −1 + 𝑧 −2 (5.183)

Comparando (5.180) y (5.183) se muestra que 𝐻𝑚𝑎𝑥 (𝑧) es el polinomio en reversa de 𝐻𝑚𝑖𝑛 (𝑧).

Esto puede ser formalmente expresado como:

𝐻𝑚𝑎𝑥 (𝑧) = 𝑧 −2 𝐻𝑚𝑖𝑛 (1⁄𝑧) (5.184)

el cual ilustra cómo los ceros de 𝐻𝑚𝑖𝑛 (𝑧), los cuales están dentro del círculo unitario, son reflejados
fuera del círculo unitario para convertirse en los ceros de 𝐻𝑚𝑎𝑥 (𝑧).

La siguiente figura muesta la respuesta de magnitud, la respuesta de fase (valor principal), la

respuesta de atraso de fase −Ψ(𝜔) y el retardo de grupo de los sistemas de fase mím¿nima, mezcla
y máxima discutidos:
Como se esperaba,

 todoslos sistemas tienen la misma respuesta de magnitud,

 el sistema de fase mínima (máxima) tiene retardo de grupo mínimo (máximo) y atraso de fase
algeraicamente mínimo (máximo)
 el retardo de grupo y el atraso de fase de los sistemas de fase mezclada están entre los de los
sistemas de fase mínima y máxima.

La ecuación (5.184):

𝐻𝑚𝑎𝑥 (𝑧) = 𝑧 −2 𝐻𝑚𝑖𝑛 (1⁄𝑧) (5.184)

puede fácilmente ser generalizada para cualquier polinomio con coeficientes complejos o reales.

En efecto, dado un sistema de fase mínima:

𝐴𝑚𝑖𝑛 (𝑧) = 1 + 𝑎1 𝑧 −1 + ⋯ + 𝑎𝑁 𝑧 −𝑁 (5.185)

el siguiente polinomio en reversa conjugado produce un sistema de fase máxima:

∗
𝐴𝑚𝑎𝑥 (𝑧) = 𝑎𝑁 ∗
+ 𝑎𝑁−1 𝑧 −1 + ⋯ + 𝑧 −𝑁 = 𝑧 −𝑁 𝐴∗𝑚𝑖𝑛 (1⁄𝑧 ∗ ) (5.186)

De la ecuación:

−𝑁
1 + 𝑎1∗ 𝑧 + ⋯ + 𝑎𝑁
∗ 𝑁
𝑧 −𝑁
𝐴∗ (1⁄𝑧 ∗ )
𝐻𝑎𝑝 (𝑧) = 𝑧 =𝑧 (5.165)
1 + 𝑎1 𝑧 −1 + ⋯ + 𝑎𝑁 𝑧 −𝑁 𝐴(𝑧)
se puede fácilmente concluir que el sistema 𝐴𝑚𝑎𝑥 (𝑧)⁄𝐴𝑚𝑖𝑛 (𝑧) es pasa todo.
Inversión de sistemas de fase no mínima.- En muchas aplicaciones, la magnitud y la fase de una
señal se distorsionan cuando pasa a través de un sistema 𝐻(𝑧).

La distorsión puede ser tratada, al menos en principio, poniendo en cascada un ecualizador 𝐻𝑒𝑞 (𝑧)
con 𝐻(𝑧).

 La salida del sistema combinado será sin distorsión si 𝐻(𝑧)𝐻𝑒𝑞 (𝑧) = 𝐺𝑧 −𝑛𝑑 , donde 𝐺 y 𝑛𝑑 son
constantes arbitrarias.
 El ecualizador 𝐻𝑒𝑞 (𝑧) = 𝐺𝑧 −𝑛𝑑 ⁄𝐻(𝑧) es causal y estable si 𝐻(𝑧) es de fase mínima.

Si 𝐻(𝑧) es de fase no mínima, se usa:

𝐺𝑧 −𝑛𝑑
𝐻𝑒𝑞 (𝑧) = (5.187)
𝐻𝑚𝑖𝑛 (𝑧)
donde 𝐻𝑚𝑖𝑛 (𝑧) = 𝐻(𝑧)⁄𝐻𝑎𝑝 (𝑧).

Entonces, el sistema global está dado por:

𝐻(𝑧)𝐻𝑒𝑞 (𝑧) = 𝐺𝐻𝑎𝑝 (𝑧)𝑧 −𝑛𝑑 (5.188)

el cual es un sistema pasa todo.

Por tanto, 𝐻𝑒𝑞 (𝑧) ecualiza la respuesta de magnitud a 𝐺 y modifica la respuesta de fase a ∠𝐻𝑎𝑝 (𝜔).
6 Muestreo de señales de tiempo continuo
6.1 Muestreo periódico ideal de señales de tiempo continuo
El muestreo periódico esta definido por:

𝑥[𝑛] ≜ 𝑥𝑐 (𝑡)|𝑡=𝑛𝑇 = 𝑥𝑐 (𝑛𝑇); −∞ < 𝑛 < ∞ (6.1)

El sistema que implementa la operación en (6.1) se conoce como convertidor analógico a digital
(ADC) o muestreador ideal:

La siguiente figura muestra que un número infinito de señales pueden generar el mismo conjunto
de muestras.

Por tanto, las muestras no dicen nada acerca de los valores de la señal entre los instantes de
muestreo:

Cada vez que una señal de tiempo continuo 𝑥𝑐 (𝑡) es muestreada uniformemente con periodo de
muestreo 𝑇 = 1⁄𝐹𝑠 , el espectro de 𝑥[𝑛] = 𝑥𝑐 (𝑛𝑇) se obtiene escalando el espectro de 𝑥𝑐 (𝑡) por
1⁄𝑇 y poniendo copias en todos los múltiplos enteros de 𝐹𝑠 ;
∞
𝑗2𝜋𝐹𝑇
1
𝑋(𝑒 ) = ∑ 𝑋𝑐 [𝑗2𝜋(𝐹 − 𝑘𝐹𝑠 )]
𝑇
𝑘=−∞

La frecuencia más alta 𝐹𝐻 presente en 𝑥𝑐 (𝑡) es llamada frecuencia de Nyquist.

La mínima tasa de muestreo, 2𝐹𝐻 , requerida para evitar el traslape de las copias repetidas de
𝑋𝑐 (𝑗2𝜋𝐹) (distorsión de aliasing) es conocida como la tasa de Nyquist.

Interpretación en el dominio de la frecuencia del muestreo uniforme

Espectro de la señal de banda limitada de tiempo continuo 𝑥𝑐 (𝑡):
Espectro de la señal de tiempo discreto 𝑥[𝑛] = 𝑥𝑐 (𝑛𝑇) con Ω𝑠 > 2Ω𝐻

Espectro de 𝑥[𝑛], mostrando la distorsión de aliasing cuando Ω𝑠 < 2Ω𝐻

Terminología en la operación de muestreo

Teorema del muestreo

Teorema del muestreo.- Sea 𝑥𝑐 (𝑡) una señal de tiempo continuo de banda limitada con
transformada de Fourier:

𝑋𝑐 (𝑗Ω) = 0; |Ω| > Ω𝐻 (6.18)

entonces 𝑥𝑐 (𝑡) puede ser únicamente determinada por sus muestras 𝑥[𝑛] = 𝑥𝑐 (𝑛𝑇), donde 𝑛 =
0, ±1, ±2, …, si la frecuencia de muestreo Ω𝑠 satisface la condición:
2𝜋
Ω𝑠 = ≥ 2Ω𝐻
𝑇

6.2Reconstrucción de señales de banda limitada a partir de sus muestras

Una fórmula general que describe una amplia clase de procesos de reconstrucción está dada por:
∞

𝑥𝑟 (𝑡) = ∑ 𝑥[𝑛]𝑔𝑟 (𝑡 − 𝑛𝑇) (6.20)

𝑛=−∞

donde 𝑥𝑟 (𝑡) es la señal reconstruida y 𝑔𝑟 (𝑡) es una función de reconstrucción por interpolación.

El proceso de ajustar una función continua a un conjunto de muestras se conoce en análisis

numérico como interpolación.

La idea se muestra en la siguiente figura:

Una señal de banda limitada con 𝑋𝑐 (𝑗2𝜋𝐹) = 0 para |𝐹| > 𝐹𝐻 puede ser exactamente reconstruida
a partir de la secuencia de muestras 𝑥𝑐 (𝑛𝑇), donde 𝐹𝑠 = 1⁄𝑇 ≥ 2𝐹𝐻 , usando la fórmula de
interpolación de banda limitada ideal:
∞
sin[𝜋(𝑡 − 𝑛𝑇)⁄𝑇]
𝑥𝑐 (𝑡) = ∑ 𝑥𝑐 (𝑛𝑇) (6.25)
𝜋(𝑡 − 𝑛𝑇)⁄𝑇
𝑛=−∞

El sistema usado para implementar la ecuación anterior, conocido como DAC ideal, se describe en
forma de diagrama de bloques como en la siguiente figura:

Características en el dominio de la frecuencia de in filtro DAc ideal:

Debido a que 𝑔𝐵𝐿 (𝑡) tiene grado infinito, cada valor de muestra contribuye a la reconstrucción de
𝑥𝑟 (𝑡) de 𝑥𝑐 (𝑡) para todos los valores de 𝑡.

La interpolación de banda limitada en el dominio del tiempo se muestra en la siguiente figura:

Las realciones entre el par de transformadas de Fourier para señales de tiempo continuo y los pares
de transformadas de Fourier para señales de tiempo discreto, formadas mediante muestreo
uniforme de señales de tiempo continuo, se resumen en:
6.3El efecto del submuestreo: aliasing
Demostración del aliasing en señales sinusoidales.- Las señales 𝑥(𝑡) = cos(2𝜋𝐹1 𝑡),𝐹1 = 1 Hz y
𝑥2 (𝑡) = cos(2𝜋𝐹2 𝑡),𝐹2 = 5 Hz, muestreadas a una tasa de 𝐹𝑠 = 6 Hz generan el mismo conjunto
de muestras.

El DAC ideal reconstruye la sinusoide cuya frecuencia está en el rango fundamental.

Frecuencia aparente
Considere el diagrama de bloques de la siguiente figura
La frecuencia aparente es la frecuencia más baja de una sinusoide que tiene exactamente las
mismas muestras que la sinusoide de entrada, y se la denota por 𝐹𝑎 .

Se puede usar la identidad

cos[2𝜋(𝑘𝐹𝑠 + 𝐹0 )𝑛𝑇] = cos[2𝜋𝑘𝑛 + 2𝜋𝐹0 𝑛𝑇] = cos[2𝜋𝐹0 𝑛𝑇] (6.32)

para entender el aliasing de frecuencieas fuera del rango 0 ≤ 𝐹0 ≤ 𝐹𝑠 .

 Una sinuoide de frecuencia 𝐹 > 𝐹𝑠 aparece como una sinusoide de freccuencia 𝐹0 = 𝐹 − 𝑘𝐹𝑠 ,
donde 𝑘 se elige tal que 0 ≤ 𝐹0 ≤ 𝐹𝑠 .
 Si 0 ≤ 𝐹0 ≤ 𝐹𝑠 ⁄2, la frecuencia aparente dela señal reconstruida es 𝐹𝑎 = 𝐹0
 Si 𝐹𝑠 ⁄2 ≤ 𝐹0 ≤ 𝐹𝑠 , entonces 𝐹𝑎 = 𝐹0 − 𝐹𝑠 .

La relación entre la frecuencia original 𝐹 y la frecuencia aparente 𝐹𝑎 se describe gráficamente en la

siguiente figura:

 El DAC ideal siempre reconstruye una señal seno o coseno con frecuencia en el rango de
− 𝐹𝑠 ⁄2 ≤ 𝐹0 ≤ 𝐹𝑠 ⁄2.
 Puesto que cos(−2𝜋𝐹𝑎 𝑡 + 𝜃) = cos(2𝜋𝐹𝑎 𝑡 − 𝜃), el valor aparente de −𝐹𝑎 también es 𝐹𝑎 con
una reversa de cambio de signo en la fase.

Esto implica que la frecuencia aparente de cualquier sinusoide se sitúa en el rango de 0 ≤ 𝐹0 ≤

𝐹𝑠 ⁄2 como se muestra en la siguiente figura:
Volteo de frecuencia
La distorsión de aliasing puede ser explicada también:

 considerando los traslapes de las colas de las réplicas corridas del espectro de la señal de
entrada
 volteando las colas de la derecha del espectro a la entrada alrededor de 𝐹𝑠 ⁄2 y cero hasta que
la cola entera esté en el rango de 0 ≤ 𝐹0 ≤ 𝐹𝑠 ⁄2, como se muestra en la siguiente figura:

Muestreo de una señal FM lineal

Muestreo de una señal FM lineal de tiempo continuo:
 señal
 muestras conectadas por segmentos de línea
 salida del DAC ideal

Ejemplo 6.3 Aliasing en señales de banda no limitada

Señal de tiempo continuo 𝑥𝑐 (𝑡)

Espectro de 𝑥𝑐 (𝑡)
Señal de tiempo discreto 𝑥[𝑛] muestreada en 𝑇 = 1 seg.

Espectro de 𝑥[𝑛]

Reconstrucción de banda no limitada 𝑦𝑟 (𝑡)

En este caso la distorsión de aliasing es inevitable

Ejemplo 6.4 Muestreo de una señal periódica

Señal periódica:
Coeficientes CTFS de secuencia periódica

Coeficientes DTFS de señal que muestra una versión con alias de la correspondiente CTFS

Del ejemplo anterior, se tiene que el muestreo de una señal periódica produce una secuencia
periódica, cuya DTFS es una versión con alias de los coeficientes CTFS correspondientes. La DTFS
está dada por:
∞

𝑐̅𝑘 = ∑ 𝑐𝑘−ℓ𝑁 ; 𝑘 = 0, ±1, ±2, … (6.37)

ℓ=−∞

donde 𝑁 es el periodo de la señal muestreada.

6.4Procesamiento de tiempo discreto de señales de tiempo continuo

Procedimiento de filtrado de tiempo discreto de señales de tiempo continuo

ADC ideal.- La entrada al filtro ideal ADC es una señal de tiempo continuo y la salida es una secuencia
de muestras 𝑥[𝑛] definida por:
 𝑥[𝑛] = 𝑥𝑐 (𝑡)|𝑡=𝑛𝑇 = 𝑥𝑐 (𝑛𝑇) (6.38)

Operación del ADC ideal tanto en el dominio del tiempo como en el dominio de la frecuencia:

Sistemas LTI de tiempo discreto

La operación del sistema LTI está descrita por las siguientes realciones:
∞

𝑦[𝑛] = ∑ ℎ[𝑘]𝑥[𝑛 − 𝑘] (6.40)

𝑘=−∞

𝑌(𝑒 𝑗𝜔 ) = 𝐻(𝑒 𝑗𝜔 )𝑋(𝑒 𝑗𝜔 ) (6.41)

La siguiente figura ilustra este proceso para un filtro ideal pasa bajos:
DAC ideal.- La entrada al filtro ideal DAC es una secuencia de números 𝑦[𝑛] y su salida es una señal
de tiempo continuo𝑦𝑟 (𝑡). La salida del DAC ideal está dada por:
∞

𝑦𝑟 (𝑡) = ∑ 𝑦[𝑛]𝑔𝐵𝐿 (𝑡 − 𝑛𝑇) (6.43)

𝑛=−∞

𝑌𝑟 (𝑗Ω) = 𝐺𝐵𝐿 (𝑗Ω)𝑌(𝑒 𝑗Ω𝑇 ) (6.44)

donde 𝑔𝐵𝐿 (𝑡) es la función de interpolación ideal y 𝐺𝐵𝐿 (𝑗Ω) es su transformada de Fourier.

El DAC ideal ejecuta las operaciones que se muestran en la siguiente figura:

Filtro efectivo de tiempo continuo.- La operación global del sistema resulta en:
∞
1 2𝜋
𝑌𝑟 (𝑗Ω) = 𝐺𝐵𝐿 (𝑗Ω)𝐻(𝑒 𝑗ΩT )𝑋(𝑒 𝑗ΩT
) = 𝐺𝐵𝐿 (𝑗Ω)𝐻(𝑒 𝑗ΩT ) ∑ 𝑋 (𝑗Ω − j 𝑘) (6.45)
𝑇 𝑇
𝑘=−∞

Si 𝑋𝑐 (𝑗Ω) es de banda limitada a 2𝜋𝐹𝐻 , la frecuencia se muestreo satisface que 𝐹𝑠 > 2𝐹𝐻 y se usa
un DAC ideal entonces:
 𝑌𝑟 (𝑗Ω) = 𝐻𝑒𝑓𝑓 (𝑗Ω)𝑋𝑐 (𝑗Ω) (6.47)

donde

𝐻(𝑒 𝑗ΩT ) |Ω| ≤ 𝜋⁄𝑇

𝐻𝑒𝑓𝑓 (𝑗Ω) = { (6.48)
0 |Ω| > 𝜋⁄𝑇

Note que aunque los ADC y DAC ideales son sistemas lineales variantes en el tiempo, el sistema
global es equivalente a un sistema LTI de tiempo continuo efectivo cuya respuesta en frecuencia
está dada por (6.48).

Esto es posible sólo si:

 el sistema de tiempo discreto es LTI

 no existe aliasing durante el proceso de muestreo.
6.5Muestreo práctico y reconstrucción
El diagrama de bloques de la siguiente figura muestra un modelo más realista de un sistema práctico
para procesamiento digital de señales analógicas.

6.5.1 Conversión analógica a digital

Involucra tres sistemas esenciales:

 un filtro pasa bajos

 un circuito muestreador-retenedor
 un convertidor AD.

Filtro antialiasing pasa bajos.- La única función de un filtro pasa bajos analógico antes del circuito
muestreador-retenedor es limitar la banda de la señal de entrada a la frecuencia 𝐹𝑠 ⁄2 sin introducir
distorsión excesiva lineal o no lineal y sin generar ruido excesivo.
 Es una operación crítica debido a que la señal de salida del filtro es muestreada; cualquier
componente de frecuencia arriba de la frecuencia de muestreo resultará en una distorsión de
aliasing.
 Requiere un filtro pasabajos analógico 𝐻𝑎 (𝑗Ω) con una caída empinada y muy alta atenuación
en todas las componentes de frecuencia arriba de 𝐹𝑠 ⁄2.
 El diseño e implementación de buenos filtros antialiasing para el muestreo a la tasa de Nyquist
es difícil y caro.
 Se pueden usar filtros antialiasing más simples y baratos, si se permite sobremuestreo seguido
de compensación mediante filtrado digital.

Circuito muestreador-retenedor.- Cuando un voltaje analógico se conecta directamente a la

entrada de un ADC, el proceso de conversión puede ser afectado adversamente si el voltaje
analógico cambia durante el proceso de conversión.

La calidad del proceso de conversión se puede mejorar usando un circuito muestreador-retenedor

que mantenga constante el voltaje analógico cuando tiene lugar la conversión.

En la implementación más simple de la función de muestreo y retención se usa un switch y un

capacitor como:

 Cuando el switch está en la posición muestreo, el S/H sigue la señal de entrada y el capacitor se
carga hasta el valor de la entrada.
 Cuando el switch se muesve a la posición de Hold, el capacitor no tiene un trayecto de descarga
y almacena una cantidad analógica que representa a la señal en el instante de muestreo.
 Este proceso se repite en cada intervalo de muestreo como se ilustra en la siguiente figura:
 Usualmente un ADC tiene una función de muestrador retendor construida internamente; este
tipo de ADC se conoce como ADC de muestreo.
 La salida de un circuito S/H puede ser modelada como una forma de onda escalera, donde cada
valor de la muestra retenida es constante hasta la adquisición de la siguiente muestra, como se
muestra en la siguiente figura:

 El sistema S/H es lineal pero variante en el tiempo.

Convertidor ADC.- El convertidor ADC es un dispositivo físico que convierte el valor de voltaje o
corriente en su entrada a una palabra binaria, la cual es la representación numérica de un valor
cuantificado más cercano al valor de la entrada.

 En el ADC tiene lugar tanto la cuantización como la codificación binaria.

 La función básica de un cuantificador es electrónicamente definir un rango de valores de
entrada, subdividir el rango en un conjunto de subregiones y luego decidir dentro de qué
subregión se sitúa la muestra de entrada.
 El codificador genera la palabra binaria correspondiente al nivel asignado.
 El tipo de representación binaria usado no es importante para la presente discusión; el punto
crítico es que un cuantificador de 𝐵 bits puede representar 2𝐵 números diferentes.

La idea básica se ilusta en la siguiente figura:

Se pueden clasificar los convertidores AD en tres amplias familias:

Convertidores seriales o de integración.- Deciden examinando una subregión a la vez. Van de un

extremo del rango al otro haciendo una búsqueda lineal. Esto requiere 2𝐵 periodos de reloj.

 Aunque tienen un bajo rendimiento, son ampliamente usados en aplicaciones de

instrumentación debido a su simplicidad e insensibilidad a imperfecciones en el hardware.

Convertidores de aproximaciones sucesivas.- Encuentran la subregión donde la señal de entrada

se sitúa, usando un método de búsqueda binaria.

 Primero se compara el voltaje de entrada con un valor de referencia que es la mitad del máximo.
 Si el voltaje de entrada es mayor, la señal es luego comparada con un nivel de referencia de tres
cuartos del máximo y así sucesivamente.
 La ventaja es que el resultado puede ser obtenido en el orden de 𝐵 periodos de reloj
 Sin embargo, el costo es más alto debido a que requiere un DAC de alta velocidad altamente
precisio.
 Tales convertidores son usados en las aplicaciones de telecomunicaciones.
Convertidores paralelos o flash.- Examina todas las subregiones simultáneamente usando un
comparador por subregión.

 El resultado puede ser obtenido en el orden de un ciclo de reloj, pero el costo de hardware es
mucho más grande que los convertidores de aproximaciones sucesivas.
 Tales convertidores son usados para aplicaciones de alta tasa de muestreo, como radar, sonar
y video.

Ruido de cuantización.- Los dos tipos principales de error introducidos por un ADC son: error de
aliasing y error de cuantización.

Puesto que la cuantización es una operación no lineal, el análisis del error de cuantización se hace
usando técnicas estadísticas, es decir, es tratado como una señal aleatoria.

Sin embargo, si se asume que 𝐹𝑠 satisface el teorema de muestreo y, por tanto, no existe error de
aliasing, entonces se puede obtener una fórmula útil para la potencia del error de cuantización,
cuantificando la señal de tiempo continuo 𝑥𝑐 (𝑡) en vez de la señal de tiempo discreto 𝑥[𝑛] =
𝑥𝑐 (𝑛𝑇).

La idea básica se ilustra en la siguiente figura que muestra la cuantización de una señal sinusoidal
de tiempo continuo:

El criterio universalmente aceptado de desempeño de un cuantificador ideal es el de la razón de

señal a ruido de cuantización (SQNR), la cual está definida por:
𝑃𝑆 3
𝑆𝑄𝑁𝑅 ≜ = × 22𝐵 (6.62)
𝑃𝑄 2
2𝜋
donde 𝑃𝑆 es la potencia promedio de una señal sinusoidal 𝑥𝑐 (𝑡) = 𝑋𝑚 sin ( 𝑡) con periodo 𝑇𝑝 que
𝑇𝑝
expande el rango del cuantificador y está dada por:

1 𝑇𝑝 2 2𝜋 𝑋𝑚2
𝑃𝑆 = ∫ 𝑋𝑚 sin2 ( ) 𝑑𝑡 = (6.61)
𝑇𝑝 0 𝑇𝑝 2

y 𝑃𝑄 es la media cuadrática de la potencia del error de cuantización, dada por:

1 𝜏 2 ∆2
𝑃𝑄 = ∫ 𝑒𝑐 (𝑡)𝑑𝑡 = (6.60)
2𝜏 −𝜏 12
donde 𝑒𝑐 (𝑡) ≜ 𝑥𝑞 (𝑡) − 𝑥𝑐 (𝑡) es la señal de error de cuantización; en un intervalo típico está dado
por:
∆
𝑒𝑐 (𝑡) = 𝑡; −𝜏 ≤ 𝑡 ≤ 𝜏 (6.59)
2𝜏
donde ∆ es el ancho de la incertidumbre en el redondeo.

6.5.2 Conversión digital a analógica

El DAC genera un voltaje analógico en su salida que está determinado por la palabra binaria en su
entrada.

 La idea básica detrás de la operación del DAC es que los bits binarios causan que los switches
electrónicos se abran o cierren, enrutando la corriente eléctrica a través de una red apropiada
de resistencias para generar el nivel correcto de voltaje.
 Debido a que no se requiere conteo o búsqueda, los convertidores DA tienden a ser mucho más
rápidos que los convertidores AD.

El siguiente sistema es un amplificador S/H especial que evita los problemas internos de
conmutación en el DAC que aparecen en la señal analógica de salida.

 Esto se hace reteniendo el voltaje de salida constante del DAC durante un periodo de muestreo;
el resultado es una señal escalera de tiempo continuo.
 Puesto que el DAC simplemente mapea la palabra binaria de entrada al valor cuantificado 𝑥𝑞 [𝑛],
la interpolación se efectúa mediante el amplificador S/H.

De esta manera, la salida del S/H está dada por:

∞

𝑥𝑆𝐻 (𝑡) = ∑ 𝑥𝑞 [𝑛]𝑔𝑆𝐻 (𝑡 − 𝑛𝑇) (6.65)

𝑛=−∞

El pulso característico del circuito S/H y su transformada de Fourier están dados por el par:

1 0 ≤ 𝑡 ≤ 𝑇 𝐶𝑇𝐹𝑇 2 sin(Ω𝑇⁄2) −𝑗Ω𝑇⁄2

𝑔𝑆𝐻 (𝑡) = { ↔ 𝐺𝑆𝐻 (jΩ) = 𝑒 (6.66)
0 de otra manera Ω
La siguiente figura compara el comportamiento en el dominio de la frecuencia de un circuito S/H
con el de un convertidor DAC ideal:
Para compensar los efectos del circuito S/H se usa un post-filtro pasa bajos 𝐻𝑟 (𝑗Ω) tal como
𝐺𝑆𝐻 𝐻𝑟 (𝐹) = 𝐺𝐵𝐿 (𝐹) como se muestra en la siguiente figura:
Esto implica que:
Ω𝑇⁄2 𝑗Ω𝑇⁄2 |Ω| < 𝜋⁄𝑇
𝐻𝑟 (𝑗Ω) = {sin(Ω𝑇⁄2) 𝑒 (6.67)
0 de otra manera

6.6Muestreo de señales pasa banda

Sea 𝑥𝑐 (𝑡) una señal rela que es de banda limitada en el rango (𝐹𝐿 , 𝐹𝐻 ):
0 |Ω| ≤ Ω𝐿 = 2𝜋𝐹𝐿
𝑋𝑐 (𝑗Ω) = { (6.68)
0 |Ω| ≥ Ω𝐻 = 2𝜋𝐹𝐻
donde 0 < Ω𝐿 < Ω𝐻 < ∞.

A esta señal se la llama pasa banda con frecuencia centro Ω𝐶 = 2𝜋𝐹𝐶 = (Ω𝐿 + Ω𝐻 )⁄2 y ancho de
banda en Hz:

𝐵 ≜ F𝐻 − F𝐿 = (Ω𝐻 − Ω𝐿 )⁄(2𝜋) (6.69)

Se puede demostrar que una tasa de muestreo dentro del rango

2𝐵 ≤ 𝐹𝑠 ≤ 4𝐵
es suficiente para reconstruir una señal pasa banda bajo la condición de que 𝐹𝐻 ⁄𝐵 es un entero.
7 Transformada discreta de Fourier
7.1Análisis computacional de Fourier
Cualquier señal puede ser expresada como una superposición lineal, es decir, una suma o integral
de señales sinusoidales.

La forma exacta de la representación depende de si la señal es de tiempo continuo o de tiempo

discreto y de si es periódica o no periódica:

Las ecuaciones de la DTFS involucran cálculos sobre un número finito de coeficientes o muestras
usando sumas finitas de productos, por lo que pueden ser exactamente evaluadas mediante cálculo
numérico.

Cálculo de la CTFT.- Se puede obtener una aproximación numérica de 𝑋𝑐 (𝑗Ω), primero muestreando
𝑥𝑐 (𝑡) y luego reemplazando la integral de Fourier mediante una suma:
∞ ∞

𝑋𝑐 (𝑗Ω) = ∫ 𝑥𝑐 (𝑡)𝑒 −𝑗Ωt 𝑑𝑡 ≈ ∑ 𝑥𝑐 (𝑛𝑇)𝑒 −𝑗ΩnT 𝑇 ≜ 𝑋̂𝑐 (𝑗Ω) (7.1)

−∞ 𝑛=−∞

 La aproximación mejora cuando el espaciamiento 𝑇 entre las muestras decrece.

La suma en la ecuación anterior puede ser expresada como:

𝑋̂𝑐 (𝑗Ω) = 𝑇𝑋̃(𝑒 𝑗𝜔 )|𝜔=ΩT (7.2)

donde 𝑋̃(𝑒 𝑗𝜔 ) es la DTFT de 𝑥[𝑛] = 𝑥𝑐 (𝑛𝑇), la cual es periódica.

Debido al muestreo, el espectro verdadero 𝑋𝑐 (𝑗Ω) y el espectro estimado 𝑋̃(𝑒 𝑗𝜔 ) están
relacionados por:
∞
1 2𝜋
𝑋̃(𝑒 𝑗𝜔
) = ∑ 𝑋𝑐 (𝑗Ω − jℓ ) (7.3)
𝑇 𝑇
ℓ=−∞

El espectro periódico de interés, 𝑋𝑐 (𝑗Ω), es aproximado por un espectro periódico, 𝑋̂𝑐 (𝑗Ω), que se
forma mediante una repetición periódica de 𝑋𝑐 (𝑗Ω).

Por tanto, la aproximación proporcionada por (7.1):

∞ ∞

𝑋𝑐 (𝑗Ω) = ∫ 𝑥𝑐 (𝑡)𝑒 −𝑗Ωt 𝑑𝑡 ≈ ∑ 𝑥𝑐 (𝑛𝑇)𝑒 −𝑗ΩnT 𝑇 ≜ 𝑋̂𝑐 (𝑗Ω) (7.1)

−∞ 𝑛=−∞

es significativa sólo en el rango |Ω| < 𝜋⁄𝑇.

Si 𝑋𝑐 (𝑗Ω) = 0; |Ω| > 𝜋⁄𝑇, la repetición periódica de 𝑋𝑐 (𝑗Ω) no crea ningún error de aliasing.

En este caso se tiene:

𝑇𝑋̃ 𝑗ΩT |Ω| < 𝜋⁄𝑇

𝑋𝑐 (𝑗Ω) = { (𝑒 ) (7.4)
0 de otra manera
 Si existe aliasing, se tiene que 𝑋𝑐 (𝑗Ω) ≈ 𝑇𝑋̃(𝑒 𝑗ΩT ).
 Esta aproximación mejora cuando 𝑇 → 0 o bien cuando 𝐹𝑠 → ∞.
 Puesto que no existe nada que pueda mitigar la distorsión de aliasing despues del muestreo, el
foco está en el cálculo de 𝑋̃(𝑒 𝑗ΩT ).

Cálculo de la CTFS.- Si se muestrea una señal periódica 𝑥̃𝑐 (𝑡 + 𝑇0 ) = 𝑥̃𝑐 (𝑡) con periodo 𝑇 = 𝑇0 ⁄𝑁,
la señal resultante 𝑥̃[𝑛] = 𝑥̃𝑐 (𝑛𝑇), es una secuencia periódica 𝑥̃[𝑛 + 𝑁] = 𝑥̃[𝑛].

Usando integración rectangular, la CTFS puede ser aproximada por la suma finita:
𝑁−1 𝑁−1
𝑡 1 2𝜋
𝑐𝑘 ≈ ∑ 𝑥̃𝑐 (𝑛𝑇)𝑒 −𝑗𝑘Ω0 𝑛𝑇 (𝑇) = ∑ 𝑥̃[𝑛]𝑒 −𝑗 𝑁 𝑘𝑛 = 𝑐̃𝑘 (7.5)
𝑇0 𝑁
𝑛=0 𝑛=0

donde Ω0 = 2𝜋⁄𝑇0 = (2𝜋⁄𝑁)𝑇.

Puesto que el intervalo de integración es finito, la única fuente de error es aliasing.

Si no existe error de aliasing, se tiene que 𝑐𝑘 = 𝑐̃𝑘 .

Cálculo de la DTFT.- La DTFT de una secuencia 𝑥[𝑛] está dada por:

∞

𝑋̃(𝑒 𝑗𝜔 ) = ∑ 𝑥[𝑛]𝑒 −𝑗𝜔𝑛 (7.6)

𝑛=−∞

Existen dos aspectos principales con el cálculo de (7.6):

Primero: La sumatoria infinita tiene que ser evaluada para todas las muestras diferentes de cero de
𝑥[𝑛]; esto sería imposible con señales de duración infinita.

En este caso, uno tiene que aproximar 𝑋̃(𝑒 𝑗𝜔 ) por la sumatoria finita:
𝑁−1

𝑋̃(𝑒 𝑗𝜔
) ≈ ∑ 𝑥[𝑛]𝑒 −𝑗𝜔𝑛 ≜ 𝑋̃𝑁 (𝑒 𝑗𝜔 ) (7.7)
𝑛=0

Esta aproximación es razonable si los valores de 𝑥[𝑛] fuera del intervalo 0 ≤ 𝑛 ≤ 𝑁 − 1 son cero o
bien despreciablemente pequeños.

Ahora bien, note que 𝑋̃𝑁 (𝑒 𝑗𝜔 ) no es el espectro de 𝑥[𝑛], pero sí es el espectro de la secuencia:

𝑥𝑁 [𝑛] ≜ 𝑥[𝑛]𝑝𝑁 [𝑛] (7.8)

donde 𝑝𝑁 [𝑛] es la secuencia pulso rectangular:
1 0≤𝑛 ≤𝑁−1
𝑝𝑁 [𝑛] ≜ { (7.9)
0 de otra manera
Esta operación de ventaneo, la cual extrae un segmento finito de la señal, tiene el mayor impacto
en la precisión del espectro estimado.

Segundo: Se puede sólo calcular la función 𝑋̃𝑁 (𝑒 𝑗𝜔 ) de la variable continua 𝜔 en un conjunto finito
de frecuencias 0 ≤ 𝜔𝑘 < 2𝜋, 0 ≤ 𝑘 < 𝐾 − 1.

Si se definen las cantidades:

𝑋[𝑘] ≜ 𝑋̃𝑁 (𝑒 𝑗𝜔𝑘 ); 𝑘 = 0,1, … , 𝐾 − 1 (7.10)

se pueden espresar el conjunto de ecuaciones (7.7) en forma matricial como:

𝑋[0] 𝑒 𝑗𝜔0 0 𝑒 𝑗𝜔0 1 ⋯ 𝑒 𝑗𝜔0 (𝑁−1) 𝑥[0]
𝑋[1] 𝑗𝜔1 0 𝑗𝜔1 1 ⋯ 𝑗𝜔 (𝑁−1) 𝑥[1]
]=[ 𝑒 𝑒 𝑒 1
[ ⋱ ][ ] (7.11)
⋮ ⋮ ⋮ ⋮ ⋮
𝑋[𝐾 − 1] 𝑒 𝑗𝜔𝐾−1 0 𝑒 𝑗𝜔𝐾−1 1 … 𝑒 𝑗𝜔𝐾−1 (𝑁−1) 𝑥[𝑁 − 1]
o en forma más compacta

𝑿 = 𝑾𝒙 (7.12)
Si 𝐾 = 𝑁 se tiene un sistema lineal de 𝑁 ecuaciones con 𝑁 incógnitas.

En este caso, se pueden determinar exactamente los valores de 𝑥[0], 𝑥[1], … , 𝑥[𝑁 − 1] a partir de
las muestras espectrales 𝑋[0], 𝑋[1], … , 𝑋[𝑁 − 1] resolviendo (7.12).

Si la matriz 𝐖 de 𝑁 × 𝑁 es no singular, su inversa existe y la solución formalmente se expresa como:

𝐱 = 𝐖 −𝟏 𝐗 (7.13)

La solución de (7.12) requiere efectuar operaciones de punto flotante una cantidad del orden de 𝑁 3
operaciones.

La solución de (7.13) puede ser simplificada usando 𝑁 frecuencias igualmente espaciadas:

 2𝜋
𝜔𝑘 = 𝑘; 𝐾 = 0,1, … , 𝑁 − 1 (7.14)
𝑁
En efecto, sustituyendo (7.14) en (7.7) se tiene:
𝑁−1
2𝜋
𝑋[𝑘] = ∑ 𝑥[𝑛]𝑒 −𝑗 𝐾 ; 𝐾 = 0,1, … , 𝑁 − 1 (7.15)
𝑛=0

Si se hace que 𝑥̃[𝑛] = 𝑥[𝑛] y se calcula (7.15) con la fórmula DTFS, se obtiene:
1
𝑐̃𝑘 = 𝑋[𝑘] (7.16)
𝑁
Sustituyendo (7.16) en la fórmula de la IDTFS se tiene:
𝑁−1
1 2𝜋
𝑥[𝑛] = ∑ 𝑋[𝑘]𝑒 𝑗 𝐾 𝑘𝑛 ; 𝑛 = 0,1, … , 𝑁 − 1 (7.17)
𝑁
𝑘=0

la cual proporciona un cálculo específico de (7.13) sin tener que invertir una matriz.

Resumen
Las ecuaciones (7.15) y (7.17) proporcionan la base para el análisis computacional de Fourier.

Dado un conjunto de muestras 𝑥[𝑛]; 0 ≤ 𝑛 ≤ 𝑁 − 1, se puede usar (7.15) para calcular un conjunto
de coeficientes 𝑋[𝑘]; 0 ≤ 𝑘 ≤ 𝑁 − 1.

Las 𝑁 muestras de la señal siempre pueden ser exactamente recuperadas a partir de los 𝑁
coeficientes usando (7.17).

Sin embargo, el significado o interpretación de los coeficientes depende del origen de las 𝑁
muestras de la señal:

Si 𝑥[𝑛] tiene longitud finita 𝑁, es decir, 𝑥[𝑛] = 0 fuera del rango 0 ≤ 𝑛 ≤ 𝑁 − 1, entonces se tiene:
2𝜋
𝑋[𝑘] = 𝑋̃ (𝑒 𝑗 𝑁 𝑘 ) (7.18)

Si 𝑥[𝑛] tine longitud finita 𝐿 > 𝑁, o longitud infinita, entonces se tiene:

2𝜋
𝑋[𝑘] = 𝑋̃𝑁 (𝑒 𝑗 𝑁 𝑘 ) (7.19)

Si 𝑥[𝑛]; 0 ≤ 𝑛 ≤ 𝑁 − 1 es un periodo de una secuencia periódica, entonces:

𝑋[𝑘] = 𝑁𝑐̃𝑘 (7.20)

Se concluye que las fórmulas (7.15) y (7.17) pueden ser usadas para calcular, ya sea exactamente o
aproximadamente, todas las descomposiciones de Fourier (DTFS, CTFS, DTFT, CTFT).

Esta es una de las principales razones para definir el par de operaciones reversibles (715 y (7.17)
como una transformada bien definida.
Esta nueva transformada es conocida como transformada discreta de Fourier.

7.2 Transformada discreta de Fourier (DFT)

La DFT y su inversa pueden ser eficientemente calculadas usando una familia de algoritmos que
colectivamente se conocen como transformada rápida de Fourier FFT.

El descubrimiento de los algoritmos FFT establecieron la DFT como una de las herramientas
fundamentales en el procesamiento digital de señales.

7.2.1 Formulación algebraica de la DFT

Dadas 𝑁 muestras consecutivas 𝑥[𝑛]; 0 ≤ 𝑛 ≤ 𝑁 − 1 de una secuencia periódica o no periódica, la
transformada discreta de Fourier de 𝑁 puntos, 𝑋[𝑘]; 0 ≤ 𝑘 ≤ 𝑁 − 1 está definida por:
𝑁−1
2𝜋
𝑋[𝑘] ≜ ∑ 𝑥[𝑛]𝑒 −𝑗 𝑁 𝑘𝑛 (7.21)
𝑛=0

Dados los 𝑁 coeficientes de la DFT, 𝑋[𝑘]; 0 ≤ 𝑘 ≤ 𝑁 − 1, los 𝑁 valores de muestra 𝑥[𝑘]; 0 ≤ 𝑛 ≤

𝑁 − 1 pueden ser recuperados usando la DFT inversa de 𝑁 puntos dada por:
𝑁−1
1 2𝜋
𝑥[𝑛] = ∑ 𝑋[𝑘]𝑒 𝑗 𝑁 𝑘𝑛 (7.22)
𝑇
𝑘=0

Puesto que 𝑋[𝑘] es una función del índice 𝑘 de frecuencia discreta, el cual corresponde al conjunto
de frecuencias 𝜔𝑘 = (2𝜋⁄𝑁); 𝑘 = 0,1, … , 𝑁 − 1, se dice que (7.21) y (7.22) forman un par de
transformada discreta de Fourier (DFT).

Este nombre es usado para enfatizar el hecho de que tiene una transformada tipo Fourier la cual es
discreta tanto en el tiempo como en la frecuencia.

Por conveniencia en la notación a menudo las ecuaciones DFT se expresan de la siguiente forma:

donde la cantidad compleja 𝑊𝑁 , conocida como factor de giro, está definido como:
2𝜋
𝑊𝑁 ≜ 𝑒 −𝑗 𝑁 (7.24)

 La DFT únicamente describe 𝑁 muestras consecutivas 𝑥[0], 𝑥[1], … , 𝑥[𝑁 − 1] de una secuencia
en términos de 𝑁 coeficientes de transformada 𝑋[0], 𝑋[1], … , 𝑋[𝑁 − 1].

Para mostrar que (7.23) es una transformada válida reversible se cambia el índice de la sumatoria
en la suma de la IDFT de 𝑘 a 𝑚 y se inserta el resultado a la fórmula de la DFT.

Esto produce:
 𝑁−1 𝑁−1 𝑁−1 𝑁−1
1 1 (𝑘−𝑚)𝑛
𝑋[𝑘] = ∑ ∑ 𝑋[𝑚]𝑊𝑁−𝑚𝑛 𝑊𝑁𝑘𝑛 = ∑ 𝑋[𝑚] ∑ 𝑊𝑁 (7.25)
𝑁 𝑁
𝑛=0 𝑚=0 𝑚=0 𝑛=0

Para proseguir, se necesita la siguiente identidad,la cual expresa la ortogonalidad de las

exponenciales complejas:
𝑁−1 𝑁−1
1 (𝑘−𝑚)𝑛 1 2𝜋
(𝑘−𝑚)𝑛 1 𝑘 − 𝑚 = 𝑟𝑁
∑ 𝑊𝑁 = ∑ 𝑒 −𝑗 𝑁 ={ (7.26)
𝑁 𝑁 0 de otra manera
𝑛=0 𝑛=0

De (7.26) se ve que sólo el término de la suma sobre 𝑚 en (7.25), la cual es diferente de cero, es el
término correspondiente a 𝑚 = 𝑘 para cualquier 𝑘 en el rango 0 ≤ 𝑘 ≤ 𝑁 − 1.

Esto establece que el lado derecho de (7.25) es de hecho igual a 𝑋[𝑘].

Raíces unitarias.- Considere 𝑁 números complejos 𝑊𝑁−𝑘 ; 𝑘 = 0,1, … , 𝑁 − 1.

Estos son llamados la 𝑁-ésima raiz unitaria puesto que satisface la ecuación:

𝑁 2𝜋 𝑁
−𝑗 𝑘
(𝑊𝑁−𝑘 ) = (𝑒 𝑁 ) = 𝑒 𝑗2𝜋𝑘 = 1 (7.27)

y por tanto son ceros del polinomio 𝑧 𝑁 − 1.

2𝜋
 Puesto que 𝑒 −𝑗 𝑁 𝑘 es periódica con periodo 𝑁, se puede elegir 𝑊𝑁−𝑘 para cualquier conjunto de
𝑁 valores consecutivos de 𝑘 como raíces unitarias.
 Usualmente se eligen los valores 𝑊𝑁−𝑘 ; 𝑘 = 0,1, … , 𝑁 − 1.

La siguiente figura muestra que estas raíces son números complejos igualmente espaciados
alrededor del círculo unitario:

El espaciamiento angular entre ellos es 2𝜋⁄𝑁 radianes.

Este diagrama explica por qué la suma 𝑊80𝑚 + 𝑊81𝑚 + ⋯ + 𝑊87𝑚 es igual a 8 para 𝑚 = 0 y cero
para 𝑚 = 1.

7.2.2 Formulación matricial de la DFT

Las 𝑁 ecuaciones de los coeficientes de la DFT pueden ser expresadas en forma matricial como:

𝑋[0] 1 1 ⋯ 1 𝑥[0]
𝑁−1
𝑋[1] 𝑊𝑁 ⋯ 𝑊 𝑥[1]
] = [1
𝑁
[ ⋱ ⋮ ][ ] (7.30)
⋮ ⋮ ⋮ ⋮
𝑋[𝑁 − 1] 1 𝑊𝑁𝑁−1 ⋯ 𝑊 (𝑁−1)(𝑁−1) 𝑥[𝑁 − 1]
𝑁

o en forma compacta como

𝐗 𝑁 = 𝐖𝑁 𝐱𝑁 ; (DFT) (7.31)

 La ecuación (7.30) muestra que la DFT puede ser vista como un operador matricial o como una
transformación lineal de un veector de señal 𝐱𝑁 a un vector de coeficientes de la DFT 𝐗 𝑁 .
 Note que la matriz DFT es simétrica, es decir 𝐖𝑁 = 𝐖𝑁𝑇 .

Si la inversa de 𝐖𝑁 existe, se obtiene:

𝐱𝑁 = 𝐖𝑁−1 𝐗 𝑁 (7.32)
La solución en (7.32) proporciona una fórmula ineficiente para el cáclculo de la IDFT.

Sea 𝐰𝑘 la 𝑘-ésima columna de la matriz DFT, es decir:

(𝑁−1)𝑘 𝑇
𝐰𝑘 ≜ [1 𝑊𝑁𝑘 ⋯ 𝑊𝑁 ] (7.33)

La transpuesta conjugada de 𝐰𝑘 , denotada por 𝐰𝑘𝐻 , es obtenida tomando el complejo conjugado

de cada elemento de 𝐰𝑘𝑇 .

Usando (7.26):
𝑁−1 𝑁−1
1 (𝑘−𝑚)𝑛 1 2𝜋
(𝑘−𝑚)𝑛 1 𝑘 − 𝑚 = 𝑟𝑁
∑ 𝑊𝑁 = ∑ 𝑒 −𝑗 𝑁 ={ (7.26)
𝑁 𝑁 0 de otra manera
𝑛=0 𝑛=0

se puede mostrar que el producto interno de la 𝑘-ésima y la 𝑚-ésima columna está dado por:
𝑁−1
𝑁 𝑘=𝑚
𝐰𝑘𝐻 𝑤𝑚 = ∑ 𝑊𝑁−𝑘𝑛 𝑊𝑁𝑚𝑛 = { (7.34)
0 𝑘≠𝑚
𝑛=0

Por tanto, las columnas de la matriz DFT son vectores mutuamente ortogonales.

Se puede fácilmente ver que los elementos de la matriz 𝐂 = 𝐖𝑁𝐻 𝐖𝑁 están dados por 𝑐𝑘𝑚 = 𝐰𝑘𝐻 𝐰𝑚 .

Esto conduce a la identidad:

𝐖𝑁𝐻 𝐖𝑁 = 𝑁𝐈𝑁 (7.35)

donde 𝐈𝑁 es la matriz identidad de 𝑁 × 𝑁.

Multiplicando ambos lados de (7.35) desde el lado derecho por 𝐖𝑁−1 y recordando que 𝐖𝑁 es
simétrica, se obtiene:
 1 𝐻 1 ∗
𝐖𝑁−1 = 𝐖 = 𝐖 (7.36)
𝑁 𝑁 𝑁 𝑁
De esta manera, las filas de la matriz inversa se obtienen conjugando las columnas de la matriz DFT
y luego dividiendo por 𝑁.

Sustituyendo (7.36) en (7.32) se produce la forma matricial de la IDFT:

1 𝐻 1
𝐱𝑁 = 𝐖𝑁 𝐗 𝑁 = 𝐖𝑁∗ 𝐗 𝑁 ; (IDFT) (7.37)
𝑁 𝑁
 La matriz normalizada 𝐖̅ 𝑁 ≜ 𝐖𝑁 ⁄√𝑁 es unitaria debido a que satisface la condición 𝐖
̅ 𝑁𝐻 𝐖
̅𝑁 =
𝐈𝑁 .
 Las columnas de 𝐖̅ 𝑁 son vectores ortonormales debido a que 𝐰
̅ 𝑘𝐻 𝐰
̅ 𝑚 = 𝛿[𝑘 − 𝑚], es decir, son
mutuamente ortogonales y tienen longitud unitaria.

La IDFT de la ecuación anterior se puede escribir en términos de las columnas de 𝐖𝑁∗ como sigue:
𝑁−1
1
𝐱𝑁 = ∑ 𝑋[𝑘]𝐰𝑘∗ (7.38)
𝑁
𝑘=0

Esta fórmula proporciona una descomposición del vector de señal 𝐱𝑁 en una base ortogonal
especificada por las columnas de la matriz DFT.

 Cada vector de la base es una secuencia exponencial compleja de longitud finita

 Su contribución a la representación es igual al coeficiente DFT correspondiente.

Cálculo de la DFT.- El cálculo de la DFT o su inversa involucra una multiplicación de una matriz por
un vector, la cual requiere operaciones del orden 𝑂(𝑁 2 ) peraciones.

El cálculo directo de 𝑊𝑁 en Matlab puede ser hecho mediante la sentencia:

W=exp(-i*(2*pi/N)*(1:N-1)*(1:N-1)’) (7.39)

Matlab usa la función W=dftmtx(N), la cual incluye la sentencia:

W=fft(eye(N)) (7.40)

De (7.30):

𝑋[0] 1 1 ⋯ 1 𝑥[0]
𝑋[1] 𝑊 ⋯ 𝑊𝑁𝑁−1 𝑥[1]
[ ] = [1 𝑁
⋱ ⋮ ][ ] (7.30)
⋮ ⋮ ⋮ ⋮
⋯ 𝑊 (𝑁−1)(𝑁−1)
𝑋[𝑁 − 1] 1 𝑊𝑁𝑁−1 𝑁 𝑥[𝑁 − 1]

se ve que si 𝑥[𝑘] = 1 y 𝑥[𝑛] = 0 para todo otro 𝑛, la DFT es igual a la 𝑘-ésima columna de 𝑊𝑁 . Los
vectores de señal de entrada para 𝑘 = 0,1, … , 𝑁 − 1 forman las columnas de la matriz identidad
eye(N). Puesto que la función de Matlab fft calcula la DFT de cada columna, el resultado de (7.40)
es la matriz DFT.

Ejemplo 7.2.- Usar (7.31):

 𝐗 𝑁 = 𝐖𝑁 𝐱𝑁 ; (DFT) (7.31)

para determinar los coeficientes de la DFT del segmento de 4 puntos 𝑥[0] = 0, 𝑥[1] = 1, 𝑥[2] =
2, 𝑥[3] = 3 de una secuencia 𝑥[𝑛].

Solución.- Primero calcule los elementos de la matriz 𝐖4 usando la propiedad:

2𝜋 2𝜋 2𝜋
𝑊𝑁𝑘+𝑁 = 𝑊𝑁𝑘 = 𝑒 −𝑗 𝑁 𝑘 = cos ( 𝑘) − 𝑗 sin ( 𝑘) (7.41)
𝑁 𝑁
El resultado es una matriz compleja dada por:

𝑊40 𝑊40 𝑊40 𝑊40 1 11 12 13 1 1 1 1

𝑊0 𝑊41 𝑊42 𝑊43
1 𝑊4 𝑊4 𝑊4 1 −𝑗 −1 𝑗
𝑊4 = 40 6 = 1 𝑊 2 𝑊 0 𝑊 2 = [1 −1 1 −1]
𝑊4 𝑊42 𝑊44 𝑊4 4 4 4
[𝑊40 𝑊42 𝑊46 9
𝑊4 ] [1 𝑊4
2
𝑊4
2
𝑊 1
4]
1 𝑗 −1 −𝑗

Los coeficientes de la DFT se evalúan mediante la multiplicación matriz-vector (7.30) como:

𝑋[0] 1 1 1 1 0 6
𝑋[1] −𝑗 𝑗 −2 + 𝑗2
[ ] = [1 −1 ] [1] = [ ]
𝑋[2] 1 −1 1 −1 2 −2
𝑋[3] 1 𝑗 −1 −𝑗 3 −2 − 𝑗2

En Matlab estos cálculos se hacen usando los comandos:

x=[0 1 2 3]’; W=dftmtx(4); X=W*x

La DFT inversa, x=conj(W)*X/N, también puede ser evaluada usando inversión matricial x=inv(W)*X
o resolviendo el sistema lineal x=W\X.

7.2.3 Periodicidad inherente de la DFT e IDFT

Se ha mostrado que la DFT es una transformación lineal reversible de 𝑁 × 𝑁 finita que relaciona
cualesquiera muestras consecutivas {𝑥[0], 𝑥[1], … , 𝑥[𝑁 − 1]} de una señal 𝑥[𝑛]; −∞ < 𝑛 < ∞ a 𝑛
coeficientes {𝑋[0], 𝑋[1], … , 𝑋[𝑁 − 1]}.

Claramente, no se puede obtener ninguna información acerca de las muestras no usadas de 𝑥[𝑛] a
partir de la inversa de la DFT.

Se pueden asignar valores a las muestras no disponibles sólo si se tiene información adicional:

 Si se conoce a priori que 𝑥[𝑛] tiene longitud finita 𝑁, se pueden asignar los valores 𝑥[𝑛] = 0
para 𝑛 < 0 y 𝑛 ≥ 𝑁.
 Si 𝑥[𝑛] es periódica con periodo 𝑁, entonces se puede usar extensión periódica 𝑥[𝑛 − 𝑚𝑁] =
𝑥[𝑛] para obtener valores para todo 𝑛.

¿Qué pasa si se permite que los índices 𝑘 y 𝑛 toman valores fuera del rango 0 ≤ 𝑘, 𝑛 ≤ 𝑁 − 1?
2𝜋
El factor 𝑊𝑁𝑘𝑛 = 𝑒 −𝑗 𝑁 𝑘𝑛 es periódico en 𝑘 y periódico en 𝑛 con periodo fundmantal 𝑁, es decir:
(𝑘+𝑁)𝑛
𝑊𝑁 = 𝑊𝑁𝑘𝑛 y 𝑊𝑁𝑘(𝑁+𝑛) = 𝑊𝑁𝑘𝑛 (7.42)
Esta doble periodicidad tiene las siguientes implicaciones fundamentales:

 Si 𝑘 toma valores fuera del conjunto {0,1, … , 𝑁 − 1}, los coeficientes de la DFT, 𝑋[𝑘], se
repetirán con periodo fundamental 𝑁.
Esta extensión periódica puede ser llamada la serie de Fourier discreta (DFS) y denotada por
𝑋̃[𝑘] para enfatizar su naturaleza periódica, es decir:
𝑁−1

𝑋̃[𝑘 + 𝑁] = 𝑋̃[𝑘] = ∑ 𝑥[𝑛]𝑊𝑁𝑘𝑛 ∀𝑘 (7.43)

𝑛=0

donde el periodo primario es igual al de la DFT 𝑋[𝑘] = 𝑋̃[𝑘]𝑝𝑁 [𝑘].

Note cuidadosamente que la DFS (que es la extensión periódica inherente de la DFT) no es la
misma que la DTFS. Sin embargo, estas dos cantidades están relacionadas.
 Si se trata de recuperar 𝑥[𝑛] a partir de 𝑋[𝑘] usando la DFT y se pemite que 𝑛 tome valores
fuera del conjunto {0,1, … , 𝑁 − 1}, los valores de 𝑥[𝑛] se repetirán con periodo fundamental
𝑁.
Esta secuencia periódica puede ser denominada la inversa de la serie discreta de Fourier (IDFS):

𝑥̃[𝑛 + 𝑁] = 𝑥̃[𝑛]; ∀𝑛 (7.44)

donde el periodo primario es igual al segmento inicial 𝑥[𝑛] = 𝑥̃[𝑛]𝑝𝑁 [𝑛].
 Estas periodicidades son una propiedad inherente de la DFT y se originan a partir de la
naturaleza discreta de las variables de tiempo y frecuencia.

La significancia e implicaciones de esta periodicidad inherente se debe tomar en cuenta para una
interpretación significativa de los resultados:
Básicamente, todas las señales con las mismas muestras en el rango de 0 ≤ 𝑛 ≤ 𝑁 − 1, pero valores
diferentes en otra parte

 Tienen los mismos coeficientes DFT

 Son tratados por la DFT de 𝑁 puntos como secuencias periódicas con periodo 𝑁.
7.3Muestreo de la transformada de Fourier de tiempo discreto
El muestreo de una señal de tiempo continuo cada 𝑇 segundos causa repetición periódica de su
transformada de Fourier cada 2𝜋⁄𝑇 radianes/segundo.

A continuación se muestra que el muestreo de la DTFT 𝑋̃(𝑒 𝑗𝜔 ) de una secuencia 𝑥[𝑛] cada 2𝜋⁄𝑇
radianes, para obtener la DFT, causa repetición periódica de 𝑥[𝑛] cada 𝑁 muestras.

7.3.1 Muestreo en el dominio de la frecuencia

Primero recuerde que todas las muestras de una secuencia no periódica 𝑥[𝑛]; −∞ < 𝑛 < ∞,
pueden ser únicamente recuperadas a partir de sus DTFT 𝑋̃(𝑒 𝑗𝜔 ) usando la DTFT inversa:

1 2𝜋
𝑥[𝑛] = ∫ 𝑋̃(𝑒 𝑗𝜔 ) 𝑒 −𝑗𝜔𝑛 𝑑𝜔 (7.45)
2𝜋 0

Suponga ahora que se muestrea 𝑋̃(𝑒 𝑗𝜔 ) en 𝑁 frecuencias igualmente espaciadas, es decir:

∞
2𝜋 2𝜋
𝑋[𝑘] ≜ 𝑋̃ (𝑒 𝑗 𝑁 𝑘 ) = ∑ 𝑥[𝑛]𝑒 −𝑗 𝑁 𝑘𝑛 (7.46)
𝑛=−∞

donde 𝑘 = 0.1. … , 𝑁 − 1. El resultado de esta operación de muestreo es un conjunto de 𝑁

coeficientes DFT 𝑋[𝑘]; 0 ≤ 𝑘 ≤ 𝑁 − 1.

Puesto que la DTFT es igual a la transformada z evaluada sobre el círculo unitario, se sigue que el
mismo resultado puede ser obtenido muestreando 𝑋(𝑧) en 𝑁 puntos igualmente espaciados sobre
el círculo unitario.

De esta manera:
2𝜋
𝑋[𝑘] = 𝑋(𝑧)|𝑧=𝑒 𝑗(2𝜋⁄𝑁)𝑘 = 𝑋̃ (𝑒 𝑗 𝑁 𝑘 ) (7.47)

Esta interpretación que se ilustra en la siguiente figura, demuestra la inherente periodicidad de la

DFT de 𝑁 puntos:
Si se conocen todos los valores de la DTFT 𝑋̃(𝑒 𝑗𝜔 ) en el rango continuo 0 ≤ 𝜔 ≤ 2𝜋, se pueden
recuperar todos los valores de 𝑥[𝑛], desde 𝑛 = −∞ a 𝑛 = ∞, usando la IDTFT.

Esto resulta como se ilustra en la siguiente figura:

Ahora, ¿Cómo muchas muestras de la secuencia 𝑥[𝑛] se pueden recuperar a partir de las muestras
(7.46) de la DTFT?

 Esto es diferente del problema de recuperar una secuencia de 𝑁 puntos a partir de DFT de 𝑁
puntos.
 Para abordar esta pregunta, primero recuerde que la secuencia DFS 𝑋̃[𝑘] correspondiente a la
DFT 𝑋[𝑘] es periódica en 𝑘 con periodo 𝑁.
 Por tanto, debería existir una secuencia periódica 𝑥̃[𝑛 + 𝑁] = 𝑥̃[𝑛] con coeficientes de Fourier
relacionados con las muestras de la DTFT.

Para encontrar esta relación se divide la sumatoria infinita (7.46) en un número infinito de
sumatorias finitas, cada una de longitud 𝑁, como sigue:
∞ ℓ𝑁+𝑁−1
2𝜋
𝑋[𝑘] = ∑ ∑ 𝑥[𝑛]𝑒 −𝑗 𝑁 𝑘𝑛 ; 0 ≤ 𝑘 ≤ 𝑁 − 1 (7.48)
ℓ=−∞ 𝑛=ℓ𝑁
Luego se cambia el índice de la sumatoria interna de 𝑛 a 𝑛 − ℓ𝑁 y se intercambia el orden de la
sumatoria. El resultado es:
𝑁−1 ∞
2𝜋
𝑋[𝑘] = ∑ ( ∑ 𝑥[𝑛 − ℓ𝑁]) 𝑒 −𝑗 𝑁 𝑘𝑛 ; 0 ≤ 𝑘 ≤ 𝑁 − 1 (7.49)
𝑛=0 ℓ=−∞

El término dentro del paréntesis es una secuencia 𝑥̃[𝑛] definida por:

∞

𝑥̃[𝑛] ≜ ∑ 𝑥[𝑛 − ℓ𝑁] (7.50)

ℓ=−∞

Este proceso es llamdo extensión periódica o replicación periódica o periodization.

Puesto que 𝑥̃[𝑛] es obtendio mediante la repetición periódica de 𝑥[𝑛] cada 𝑁 muestras, es periódica
con periodo fundamental 𝑁.

Por tanto, se puede expresar 𝑥̃[𝑛] como una serie de Fourier:

𝑁−1
2𝜋
𝑥̃[𝑛] = ∑ 𝑐̃𝑘 𝑒 𝑗 𝑁 𝑘𝑛 (7.51)
𝑘=0

en la cual los coeficientes de Fourier están dados por:

𝑁−1
1 2𝜋
𝑐̃𝑘 = ∑ 𝑥̃[𝑛]𝑒 −𝑗 𝑁 𝑘𝑛 (7.52)
𝑁
𝑛=0

Comparando (7.52) con (7.49) se tiene:

1 1 2𝜋
𝑐̃𝑘 = 𝑋[𝑘] = 𝑋̃ (𝑒 𝑗 𝑁 𝑘 ) ; 0 ≤ 𝑘 ≤ 𝑁 − 1 (7.53)
𝑁 𝑁
Si se sustituye (7.53) en (7.51) se obtiene la expresión:
𝑁−1 𝑁−1
1 2𝜋 2𝜋 1
𝑥̃[𝑛] = ∑ 𝑋̃ (𝑒 𝑗 𝑁 𝑘 ) 𝑒 𝑗 𝑁 𝑘𝑛 = ∑ 𝑋[𝑘]𝑊𝑁−𝑘𝑛 (7.54)
𝑁 𝑁
𝑘=0 𝑘=0

la cual muestra cómo calcular la secuencia periódica 𝑥̃[𝑛] a partir de las muestras 𝑋[𝑘] de 𝑋̃(𝑒 𝑗𝜔 )
usando la IDFT.

 Para recuperar la secuencia original no periódica 𝑥[𝑛] a partir de 𝑥̃[𝑛] se tiene que usar (7.50).
 Puesto que 𝑥̃[𝑛] es periódica con periodo 𝑁, se pueden recuperar a lo más 𝑁 muestras de 𝑥[𝑛].
 Esto debería esperarse puesto que sólo se usan 𝑁 muestras de la DTFT.
 Alternativamente, si se crea un secuencia de longitud finida de 𝑁 puntos a partir de un periodo
de una secuencia periódica, es decir 𝑥𝑁 [𝑛] ≜ 𝑥̃[𝑛]𝑝𝑁 [𝑛], los coeficientes de la serie de Fourier
de 𝑥̃[𝑛] y la transformada de Fourier de 𝑥𝑁 [𝑛] están relacionados por (7.53).

7.3.2 Aliasing en el dominio del tiempo

La siguiente figura ilusta la generación de la extensión periódica 𝑥̃[𝑛] de una secuencia 𝑥[𝑛] de
acuerdo con la ecuación (7.54):

Note que si 𝑥[𝑛] es cero fuera del rango 0 ≤ 𝑛 ≤ 𝐿 − 1 y 𝑁 ≥ 𝐿, las réplicas corridas de 𝑥[𝑛] no se
traslapan.

En este caso, se puede exactamente recuperar 𝑥[𝑛] a partir de su extensión periódica 𝑥̃[𝑛] usando
la fórmula:

𝑥[𝑛] = 𝑥̃[𝑛]𝑝𝑁 [𝑛] (7.55)

Por otro lado, si 𝑁 < 𝐿, no es posible recuperar 𝑥[𝑛] a partir de su extensión periódica 𝑥̃[𝑛] debido
a que las réplicas corridas de 𝑥[𝑛] se traslapan.

Este caso se ilustra en la siguiente figura:

Este fenómeno, el cual es conocido como aliasing en el dominio del tiempo, es la contraparte del
aliasing en el dominio de la frecuencia.

 El aliasing en el dominio del tiempo puede ser evitado sólo si 𝑥[𝑛] es de tiempo limitado a 0 ≤
𝑛 ≤ 𝐿 − 1 y el periodo de muestreo en el dominio de la frecuencia ∆𝜔 = 2𝜋⁄𝑁 satisface la
condición 𝑁 ≥ 𝐿.
̃ (𝒆𝒋𝝎 )
7.3.3 Reconstrucción del la DTFT 𝑿
Si no existe aliasing en el dominio del tiempo entonces 𝑥[𝑛] es una secuencia de 𝑁 puntos y por
tanto se puede determinar 𝑋̃(𝑒 𝑗𝜔 ) a partir de la secuencia 𝑥[𝑛] dada por:
 ∞

𝑋̃(𝑒 𝑗𝜔 ) = ∑ 𝑥[𝑛]𝑒 −𝑗𝜔𝑛

𝑛=−∞

como
𝑁−1

𝑋̃(𝑒 𝑗𝜔 ) = ∑ 𝑥[𝑛]𝑒 −𝑗𝜔𝑛 (7.60)

𝑛=0
2𝜋
Sin embargo, es posible expresar 𝑋̃(𝑒 𝑗𝜔 ) directamente en términos de sus muestras 𝑋̃ (𝑒 𝑗 𝑁 𝑘 ).

Para derivar una fórmula de interpolación primero se sustituye (7.57) en (7.55).

El resultado es:
𝑁−1
1 2𝜋 2𝜋
𝑥[𝑛] = [ ∑ 𝑋̃ (𝑒 𝑗 𝑁 𝑘 ) 𝑒 𝑗 𝑁 𝑘𝑛 ] 𝑝𝑁 [𝑛] (7.61)
𝑁
𝑘=0

Tomando la DTFT de (7.61) mediante (7.60) y usando la propiedad de modulación:

𝐷𝑇𝐹𝑇
𝑒 𝑗𝜔𝑐 𝑛 𝑥[𝑛] ↔ 𝑋(𝑒 𝑗(𝜔−𝜔𝑐 ) )

se obtiene:
𝑁−1
1 2𝜋 2𝜋
𝑗(𝜔− )𝑘
𝑋[𝑒 𝑗𝜔
] = ∑ 𝑋̃ (𝑒 𝑗 𝑁 𝑘 ) 𝑃̃𝑁 [𝑒 𝑁 ] (7.62)
𝑁
𝑘=0

la cuales válida para secuencias con longitud 𝐿 ≤ 𝑁.

La función de intepolación 𝑃̃𝑁 (𝑒 𝑗𝜔 ) es una versión corrida de la función de Dirichlet:

sin(𝜔 𝑁⁄2) −𝑗𝜔(𝑁−1)⁄2

𝑃̃𝑁 (𝑒 𝑗𝜔 ) = 𝑒 (7.63)
𝑁 sin(𝜔⁄2)
 2𝜋
Puesto que 𝑃̃𝑁 (𝑒 𝑗𝜔 ) = 1 y 𝑃̃𝑁 (𝑒 𝑗 𝑁 𝑘 ) = 0; 𝑘 = 1,2, … , 𝑁 − 1:

2𝜋
la fórmula de interpolación (7.62) da exactamente los valores muestra originales 𝑋̃ (𝑒 𝑗 𝑁 𝑘 ) ; 𝜔 =
(2𝜋⁄𝑛)𝑘.

 Los valores de 𝑋̃[𝑒 𝑗𝜔 ]; 𝜔 ≠ (2𝜋⁄𝑛)𝑘 se obtienen de (7.62) usando la propiedad de

combinación lineal ponderada de los valores muestra originales.
 La fórmula de reconstrucción (7.62) es útil para un entendimiento cualitativo del proceeso de
interpolación en el dominio de la frecuencia.
 En la práctica, se interpola un conjunto más denso de frecuencias usando la DFT y un
procedimiento conocido como relleno de ceros.
2𝜋
Relleno de ceros.- Suponga que se dan muestras 𝑋[𝑘] ≜ 𝑋̃ (𝑒 𝑗 𝑁 𝑘 ) ; 0 ≤ 𝑘 ≤ 𝑁 − 1, de la DTFT de
una secuencia de longitud finita 𝑥[𝑛].

Como se nota de (7.54), se puede usar la IDFT de 𝑁 puntos para obtener la secuencia 𝑥[𝑛]; 0 ≤ 𝑛 ≤
𝑁 − 1.

Entonces se puede evaluar 𝑋̃(𝑒 𝑗𝜔 ) en un conjunto de 𝐾 frecuencias equi-espaciadas 𝜔𝑘 =

(2𝜋⁄𝐾 )𝑘 mediante:
𝑁−1
2𝜋 2𝜋
𝑗 𝑘
𝑋̃ (𝑒 𝑁 ) = ∑ 𝑥[𝑛]𝑒 −𝑗 𝐾 𝑘𝑛 ; 0 ≤ 𝑘 ≤ 𝐾 − 1 (7.64)
𝑛=0
2𝜋
Usualmente se elige 𝐾 mucho más grande que 𝑁, tal que la gráfica de 𝑋̃ (𝑒 𝑗 𝑁 𝑘 ) parezca ser
continua.

Si se define la secuencia de relleno de ceros:

 𝑥[𝑛] 0 ≤ 𝑛 ≤ 𝑁 − 1
𝑥𝑧𝑝 [𝑛] ≜ { (7.65)
0 𝑁 ≤𝑛 ≤𝐾−1
entonces se puede ver fácilmente que:
𝑁−1 𝐾−1
2𝜋 2𝜋
𝑋̃ (𝑒 𝑗 𝑁 𝑘 ) = ∑ 𝑥[𝑛]𝑒 −𝑗 𝐾 𝑘𝑛 = ∑ 𝑥𝑧𝑝 [𝑛]𝑊𝐾𝑘𝑛 = 𝑋𝑧𝑝 [𝑘] (7.66)
𝑛=0 𝑛=0

es decir, la DFT de 𝐾 puntos 𝑋𝑧𝑝 [𝑘] de la secuencia de relleno de ceros proporciona valores de la
DTFT en una resolución más fina de frecuencias equi-espaciadas.

 El resultado es una mejor representación de 𝑋̃(𝑒 𝑗𝜔 ) para propósitos de despliegue

 No existe información adicional que pueda ser explotada por algoritmos de procesamiento de
señal.

Ejemplo 7.4 Relleno de ceros de un pulso rectangular.- Para ilustrar el concepto de relleno de ceros,
considere la secuencia de pulso rectangular de duración finita:
1 0≤𝑛≤𝑁−1
𝑥[𝑛] = 𝑢[𝑛] − 𝑢[𝑛 − 𝑁] = { (7.67)
0 de otra manera
con 𝑁 = 4. La siguiente figura muestra la secuencia 𝑥[𝑛] y la magnitud de su DTFT:

La siguientes figuras muestran la DFT de 𝐾 puntos de 𝑥[𝑛]; 𝐾 = 4,8 y 16 muestras:

Puesto que 𝑥[𝑛] = 0; 𝑛 ≥ 𝑁 la DFT de 𝐾 puntos para 𝐾 > 𝑁 es la DFT de la secuencia original
rellenada por 𝐾 − 𝑁 ceros. La DFT de 𝑁 puntos es suficiente para representar únicamente las 𝑁
muestras de la secuencia original.

Sin embargo, no proporciona una buena imagen de la composición espectral de 𝑥[𝑛].

Esta mejor imagen se obtiene rellenando la secuencia de 𝑁 puntos 𝑥[𝑛] por 𝐾 − 𝑁 ceros y
calculando la DFT de 𝐾 puntos.

Para explicar esta mejora en la apariencia visual con el incremento de 𝐾, note que la composición
espectral de 𝑥[𝑛] está proporcionada por su DTFT, la cual está dada por:
𝑁−1
1 − 𝑒 −𝑗𝜔𝑁 sin(𝜋𝑁𝑘⁄𝐾 ) −𝑗𝜋(𝑁−1)𝑘⁄𝐾
𝑋̃(𝑒 𝑗𝜔 ) = ∑ 𝑒 −𝑗𝜔𝑛 = = 𝑒 (7.69)
1 − 𝑒 −𝑗𝜔 sin(𝜋𝑘⁄𝐾 )
𝑛=0

Si se selecciona 𝐾 = 𝑁, la DFT (7.69) se vuelve:

𝑁 𝑘=0
𝑋̃[𝑘] = { (7.70)
0 𝑘 = 1,2, … , 𝐾 − 1
Esto corresponde a muestrear la DTFT en sus cruces pero cero (excetpo en 𝜔 = 0.

La siguiente figura muestra la magnitud y la fase de 𝑋̃(𝑒 𝑗𝜔 ) cuando 𝑁 = 8 y las muestras son
evaluadas mediante la DFT de 𝐾 puntos con relleno de ceros para 𝐾 = 8 y 𝐾 = 64:
Claramente, el relleno de ceros ayuda a dar forma a la DTFT de manera más evidente evaluando las
muestras en una resolución de frecuencias más densa.

Reconstrucción de 𝑿(𝒛).- Se observó que cuando 𝑥[𝑛] es cero fuera del rango 0 ≤ 𝑛 ≤ 𝐿 − 1 y 𝐿 ≤
𝑁, se pueden recuperar los valores de 𝑥[0], 𝑥[1], … , 𝑥[𝑁 − 1] a partir de las muestras
2𝜋
𝑋̃ (𝑒 𝑗 𝑁 𝑘 ) ; 0 ≤ 𝑘 ≤ 𝑁 − 1 de su DTFT. Consecuentemente, se puede únicamente determinar la
transformada z de 𝑥[𝑛] usando:
𝑁−1

𝑋(𝑧) = ∑ 𝑥[𝑛]𝑧 −𝑛 (7.71)

𝑛=0
2𝜋
Sustituyendo (7.61) en (7.71) se puede expresar 𝑋(𝑧) como una función de 𝑋̃ (𝑒 𝑗 𝑁 𝑘 ) como:
𝑁−1 𝑁−1 𝑁−1 𝑁−1 𝑛
1 2𝜋 2𝜋 1 2𝜋 2𝜋
𝑋(𝑧) = ∑ [ ∑ 𝑋̃ (𝑒 𝑗 𝑁 𝑘 ) 𝑒 𝑗 𝑁 𝑘𝑛 ] 𝑧 −𝑛 = ∑ 𝑋̃ (𝑒 𝑗 𝑁 𝑘 ) ∑ (𝑒 𝑗 𝑁 𝑘 𝑧 −1 )
𝑁 𝑁
𝑛=0 𝑘=0 𝑘=0 𝑘=0

Calculando la última sumatoria usando la fórmula de suma geométrica se tiene:

 2𝜋
𝑁−1 𝑋 ̃ (𝑒 𝑗 𝑁 𝑘 )
1 − 𝑧 −𝑁
𝑋(𝑧) = ∑ 2𝜋 (7.72)
𝑁 𝑗 𝑘 −1
𝑘=0 1 − 𝑒 𝑁 𝑧

Para 𝑧 = 𝑒 𝑗𝜔 , la fórmula (7.72) toma una forma conocida como interpolación polinomial de
Lagrange.

Esta forma puede ser reducida a (7.62) mediante manipulaciones algebraicas simples.

7.3.4 Relaciones entre la CTFT, la DTFT y la DFT

Existen dos propiedades importantes que hacen que la DFT sea eminentemente útil en el
procesamiento de señales.

 Primero, la DFT de 𝑁 puntos proporciona una representación única de la 𝑁 muestras de una

secuencia de duración finita.
 Segundo, la DFT proporciona muestras de la DTFT de la secuencia en un conunto igualmente
espaciado de frecuencias.

Este proceso de muestreo resulta en una periodicidad inherente de la DFT.

El entendimiento de la periodicidad fundamental de la DFT es absolutamente crítico para la correcta

aplicación de la DFT y la interpretación significativa de los resultados obtenidos.

Para entender la relación entre la CTFT y la DFT, considere la siguiente figura:

Suponga que se tiene una señal de tiempo continuo 𝑥𝑐 (𝑡) con transformada de Fourier 𝑋𝑐 (𝑗Ω).

La aplicación del procesamiento de la señal en tiempo discreto se inicia muestreando

uniformemente 𝑥𝑐 (𝑡) en 𝑡 = 𝑛𝑇.

Esto resulta en una señal de tiempo discreto 𝑥[𝑛] = 𝑥𝑐 (𝑛𝑇) con DTFT especificada por:
∞ ∞
1 2𝜋
𝑋̃(𝑒 𝑗ΩT
) = ∑ 𝑥𝑐 (𝑛𝑇)𝑒 −𝑗Ω𝑇𝑛 = ∑ 𝑋𝑐 (𝑗Ω − j 𝑚) (7.73)
𝑇 𝑇
𝑛=−∞ 𝑚=−∞

Puesto que 𝜔 = Ω𝑇, la DFT de 𝑁 puntos 𝑋[𝑘] se obtiene muestreando la DTFT 𝑋̃(𝑒 𝑗ω ) en 𝜔 =
2𝜋𝑘⁄𝑁 o 𝑋̃(𝑒 𝑗ΩT ) en Ω = 2𝜋𝑘⁄𝑁𝑇 ; 0 ≤ 𝑘 ≤ 𝑁 − 1.

El resultado es:
∞
1 2𝜋𝑘 2𝜋
𝑋[𝑘] = ∑ 𝑋𝑐 (𝑗 −𝑗 𝑚) ; 𝑘 = 0,1, … , 𝑁 − 1 (7.74)
𝑇 𝑁𝑇 𝑇
𝑚=−∞

El muestreo de la DTFT de 𝑥[𝑛] es equivalente a la repetición periódica de 𝑥[𝑛] con periodo 𝑁 o

equivalentemente de 𝑥𝑐 (𝑛𝑇) con periodo 𝑁𝑇.

El resultado es una secuencia periódica:

∞

𝑥̃[𝑛] = ∑ 𝑥𝑐 (𝑛𝑇 − ℓ𝑁𝑇) (7.75)

ℓ=−∞

De la discusión en el la sección anterior, 𝑋[𝑘] es la DFT de 𝑁 puntos de 𝑥̃[𝑛].

Por tanto, se tiene el siguiente par DFT de 𝑁 puntos:

∞ ∞
𝐷𝐹𝑇 1 2𝜋𝑘 2𝜋
∑ 𝑥𝑐 (𝑛𝑇 − ℓ𝑁𝑇) ↔ ∑ 𝑋𝑐 (𝑗 −𝑗 𝑚) (7.76)
𝑁 𝑇 𝑁𝑇 𝑇
ℓ=−∞ 𝑚=−∞

donde 0 ≤ 𝑛 ≤ 𝑁 − 1 y 0 ≤ 𝑘 ≤ 𝑁 − 1.

 Se concluye que el muestreo de una señal de tiempo continuo 𝑥𝑐 (𝑡) en 𝑡 = 𝑛𝑇 y luego

transformando a Fourier la frecuencia resultante 𝑥[𝑛] = 𝑥𝑐 (𝑛𝑇) en Ω = 2𝜋𝑘⁄𝑁𝑇 resulta en un
par DFT de 𝑁 puntos.
 La ecuación anterior revela el aliasing en el dominio de la frecuencia causado por el muestreo
en el dominio del tiempo y el aliasing en el dominio del tiempo causado por el muestreo en el
dominio de la frecuencia, lo cual a su vez explica la periodicidad inherente de la DFT.
 La relación en (7.76) que se ilustra en la figura anterior demuestra las trampas potenciales de la
CTFT usando la DFT.
7.4Propiedades de la transformada discreta de Fourier
La DFT de 𝑁 puntos proporciona una representación única en el dominio de la frecuencia de 𝑁
muesttas consecutivas de una señal de tiempo discreto.
También se ha establecido relaciones entre la DFT, las series de Fourier, la transformada de Fourier
y la transformada z.

Como resultado se espera que la DFT tenga propiedades que reflejen las propiedades de estas otras
transformadas.

Sin embargo, existen también slgunas diferencias importantes debido a la periodicidad inherente
de la DFT.

El entendemiento de estas propiedades es muy importante para el uso correcto de la DFT en

aplicaciones de procesamiento de señales.

7.4.1 Linealidad
Sean 𝑥1 [𝑛] y 𝑥2 [𝑛] secuencias de duración finita que tienen longitudes 𝑁1 y 𝑁2 , respectivamente.
La combinación lineal:

𝑦[𝑛] ≜ 𝑎1 𝑥1 [𝑛] + 𝑎2 𝑥2 [𝑛] (7.77)

tiene una longitud máxima 𝑁𝑦 = max(𝑁1 , 𝑁2 ).

La DFT de 𝑁 puntos de 𝑦[𝑛], donde la longitud satisface la condición 𝑁 ≥ 𝑁𝑦 , está dada por:
𝑁1 −1 𝑁2 −1

𝑌[𝑘] = 𝑎1 ∑ 𝑥1 [𝑛]𝑊𝑁𝑘𝑛 + 𝑎2 ∑ 𝑥2 [𝑛]𝑊𝑁𝑘𝑛 ; 0 ≤ 𝑘 ≤ 𝑁 − 1 (7.78)

𝑛=0 𝑛=0

La primera sumatoria en (7.78) es la DFt de 𝑥1 [𝑛] rellenada por 𝑁 − 𝑁1 ceros y la segunda sumatoria
es la DFt de 𝑥2 [𝑛] rellenada por 𝑁 − 𝑁2 ceros.

De esta manera se tiene:

𝑌[𝑘] = 𝑎1 𝑋1 [𝑘] + 𝑎2 𝑋2 [𝑘]; 0 ≤ 𝑘 ≤ 𝑁 − 1 (7.79)

donde 𝑋1 [𝑘] y 𝑋2 [𝑘] son las DFTs de 𝑁 puntos de 𝑥1 [𝑛] y 𝑥2 [𝑛], respectivamente.

Es necesario enfatizar que 𝑁 debe satisfacer la condición 𝑁 = max(𝑁1 , 𝑁2 ).

7.4.2 Operaciones periódica, circular y módulo-N

La DFT trata la señal de 𝑁 puntos 𝑥[𝑛] y sus coeficientes DFT 𝑋[𝑘] como periodos primarios de
secuencias periódicas 𝑥̃[𝑛] y 𝑋̃[𝑘], respectivamente.

Este puento de vista se ilustra en las figuras:

las cuales muestran un secuencia de longitud finita 𝑥[𝑛] y su extensión periódica 𝑥̃[𝑛].

Otra forma de visualizar informalmente este periodicidad inherentes es envolver la secuencia de 𝑁

puntos 𝑥[𝑛] alrededor de un cilindro con una circunferencia igual a la longitud de la secuencia.

Este método se iluestra en la siguiente figura:

 El viaje alrededor del círculo una vez, empezando en 𝑛 = 0, produce la secuencia de 𝑁 puntos
𝑥[𝑛].
 Si se mantiene repetidamente vueltas alrededor del círculo se obtiene la extensión periódica
𝑥̃[𝑛] de 𝑥[𝑛].
 Geométricamente, la secuencia de duración finita 𝑥[𝑛] es recuperada desenvolviendo el cilindro
y volviéndolo plano tal que el eje de tiempo circular sea mapeado sobre el eje de tiempo lineal.

La relación entre el índice de tiempo lineal y el índice de tiempo circular, conocido como operación
módulo-𝑁, está definida por:

𝑛 = 𝑙𝑁 + 𝑟; 0 ≤ 𝑟 ≤ 𝑁 − 1 ⟹ 〈𝑛〉𝑁 ≜ 𝑛 modulo 𝑁 = 𝑟 (7.80)

es decir, dados 𝑛 y 𝑁, se elige 𝑙 tal que el índice 𝑟 sea siempre un enterio entre 0 y 𝑁 − 1.
Esta notación compacta permite expresar la extensión periódica 𝑥̃[𝑛] de una secuencia de longitud
finita de 𝑁 puntos 𝑥[𝑛]; 0 ≤ 𝑛 ≤ 𝑁 − 1 como:

𝑥̃[𝑛] = 𝑥[〈𝑛〉𝑁 ]; ∀𝑛 (7.81)

usando la operación de indexación circular sobre 𝑛.

Note que todas estas propiedades e interpretaciones también se tienen para la secuencia DFT de 𝑁
puntos, 𝑋[𝑘].

De esta manera, la DFS periódica en términos de la DFT está dada por:

𝑋̃[𝑘] = 𝑋[〈𝑘〉𝑁 ]; ∀𝑘 (7.82)

En Matlab, la operación módulo-𝑁 es efectuada por la función:

m=mod(n,M) (7.83)

Buffer circular.- Esta ideas conduce al concepto de buffer circular, donde los datos son almacenados
en el sentido contrario a las maneceillas del reloj de una manera circular como se muestra en la
siguiente figura:

 Los buffers circulares usando direccionamiento módulo-𝑁 y el índice se mueve desde 𝑁 − 1 a 0

envolviéndose alrededor del círculo.
 Todas las operaciones que modifican el índice 𝑛 de una secuencia de longitud finita en
aplicaciones DFT deberían ser interpretadas en el contexto de la indexación circular o módulo-
𝑁.

Nota importante.- En resumen, se enfatiza que la periodicidad inherente impuesta por la DFT de 𝑁
puntos 𝑋[𝑘] de una secuencia de longitud finita de 𝑁 puntos 𝑥[𝑛] puede ser tratada usando
operaciones de extensión periódica o bien operaciones de mapeo circular.

Reversa circular.- La operación 𝑧[𝑛] = 𝑥[−𝑛] de reversa de tiempo no está definida cuando 𝑥[𝑛]
no está disponible fuera del rango 0 ≤ 𝑛 ≤ 𝑁 − 1.

 Sin embargo, basada en la periodicidad inherente de la DFT, se puede definir esta operación en
forma matemáticamente consistente usando la extensión periódica 𝑥̃[𝑛].
Este proceso involucra los siguientes pasos:

(a) generación de la extensión periódica 𝑥̃[𝑛]

(b) reversa de tiempo alrededor de 𝑛 = 0 para obtener 𝑧̃ [𝑛] = 𝑥̃[−𝑛]
(c) extracción de un solo periodo de 𝑧̃ [𝑛] para obtener la secuencia deseada 𝑧[𝑛] = 𝑧̃ [𝑛]𝑝𝑁 [𝑛]

Esto se ilustra en la siguiente figura:

El mismo resultado se obtiene, en un solo paso, envolviendo la secuencia 𝑥[𝑛] alrededor de un

cilindro en el sentido de las manecillas del reloj.

Esta opeación que es conocida como reversa circular, definida por:

𝑥[0] 𝑛=0
𝑧[𝑛] = 𝑥[〈−𝑛〉𝑁 ] ≜ { (7.84)
𝑥[𝑛 − 𝑁] 1 ≤ 𝑛 ≤ 𝑁 − 1

 Note que, como se esperaba, esta definición mantiene la secuencia en tiempo reverso en el
rango 0 ≤ 𝑛 ≤ 𝑁 − 1.
 La muestra 𝑥[0] permanece en su posición y las restantes muestras son arregladas en orden
reverso, es decir, se tiene 𝑥[0]. 𝑥[𝑁 − 1]. … , 𝑥[2], 𝑥[1].

Una función de Matlab, circfold, para implementar la operación reversa circular de la anterior
ecuación está dada por:
La propiedad de reversa de tiempo de la DFT es:
𝐷𝐹𝑇
𝑥[〈−𝑛〉𝑁 ] ↔ 𝑋[〈−𝑘〉𝑁 ] (7.85)
𝑁

la cual también resulta en una reversa circular de 𝑋[𝑘] (reversa de frecuencia) y es análogamente
definida, es decir:
𝑋[0] 𝑘=0
𝑋[〈−𝑘〉𝑁 ] ≜ { (7.86)
𝑋[𝑁 − 𝑘] 1 ≤ 𝑘 ≤ 𝑁 − 1
Simetría circular.- En general, una secuencia tiene simetría par si la reversa de tiempo resulta en
una secuencia idéntica; si la reversa de tiempo cambia los signos de las muestras, la secuencia tiene
simetría impar.

 De esta manera, la diferencia entre reversa de tiempo lineal o circular tiene implicaciones sobre
la definición de simetría para secuencias de longitud finita.
 Para secuencias definidas para todo 𝑛, la simetría está determinada alrededor del punto 𝑛 = 0.

En el contexto circular, la simetría está determinada con respecto al diámetro del círculo que pasa
a través del punto 𝑛 = 0.

De esta manera, para una secuencia real de longitud finita 𝑥[𝑛], la simetría circular está definida
por las condiciones:

𝑥[𝑛] = 𝑥[〈−𝑛〉𝑁 ] (simetría circular par) (7.87)

𝑥[𝑛] = −𝑥[〈−𝑛〉𝑁 ] (simetría circular impar) (7.88)
Si se usa (7.84), se puede definir simetría circular evitando el cálculo de índices módulo-𝑁.

Las condiciones equivalentes están dadas por:

𝑥[0] 𝑛=0
𝑥(𝑛) = { (simetría circular par) (7.89)
𝑥[𝑁 − 𝑛] 1 ≤ 𝑛 ≤ 𝑁 − 1
0 𝑛=0
𝑥(𝑛) = { (simetría circular impar) (7.80)
−𝑥[𝑁 − 𝑛] 1 ≤ 𝑛 ≤ 𝑁 − 1
Note que se verifica la secuencia 𝑥[1]. 𝑥[2]. … , 𝑥[𝑁 − 1] para simetría par o impar alrededor del
punto 𝑁⁄2; el valor de la muestra 𝑥[0] debería ser cero para asegurar la simetría circular impar.

7.4.3 Propiedades de la DFT

La DTFT de secuencias reales tiene algunas propiedades de simetría útiles.

Un conjunto de propiedades similares se tiene para la DFT si se interpreta simetría en el contexto

circular definido por (7.89) y (7.90).

Para desarrollar estas propiedades inicie con el caso más general de una secuencia compleja de 𝑁
puntos 𝑥[𝑛] con su DFT compleja 𝑋[𝑘].

Los números complejos 𝑥[𝑛] y 𝑋[𝑘] pueden ser expresados en forma rectangualr como:

𝑥[𝑛] = 𝑥𝑅 [𝑛] + 𝑗𝑥𝐼 [𝑛]; 0 ≤ 𝑛 ≤ 𝑁 − 1 (7.91)

𝑋[𝑘] = 𝑋𝑅 [𝑘] + 𝑗𝑋𝐼 [𝑘]; 0 ≤ 𝑘 ≤ 𝑁 − 1 (7.92)

Sustituyendo (7.91) en la definición de la DFT:

𝑁−1
2𝜋
𝑋[𝑘] ≜ ∑ 𝑥[𝑛]𝑒 −𝑗 𝑁 𝑘𝑛
𝑛=0

se obtiene:
𝑁−1
2𝜋 2𝜋
𝑋𝑅 [𝑘] = ∑ [𝑥𝑅 [𝑛] cos ( 𝑘𝑛) + 𝑥𝐼 [𝑛] sin ( 𝑘𝑛)] ; 0 ≤ 𝑘 ≤ 𝑁 (7.93)
𝑁 𝑁
𝑛=0
𝑁−1
2𝜋 2𝜋
𝑋𝐼 [𝑘] = ∑ [𝑥𝑅 [𝑛] sin ( 𝑘𝑛) − 𝑥𝐼 [𝑛] cos ( 𝑘𝑛)] ; 0 ≤ 𝑘 ≤ 𝑁 (7.94)
𝑁 𝑁
𝑛=0

Similarmente, sutituyendo (7.92) en la DFT inversa:

𝑁−1
1 2𝜋
𝑥[𝑛] = ∑ 𝑋[𝑘]𝑒 𝑗 𝑁 𝑘𝑛 (7.22)
𝑇
𝑘=0

se obtiene:
𝑁−1
1 2𝜋 2𝜋
𝑥𝑅 [𝑛] = ∑ [𝑋𝑅 [𝑘] cos ( 𝑘𝑛) − 𝑋𝐼 [𝑘] sin ( 𝑘𝑛)] ; 0 ≤ 𝑛 ≤ 𝑁 (7.95)
𝑁 𝑁 𝑁
𝑛=0
𝑁−1
1 2𝜋 2𝜋
𝑥𝐼 [𝑛] = ∑ [𝑋𝑅 [𝑘] sin ( 𝑘𝑛) + 𝑋𝐼 [𝑘] cos ( 𝑘𝑛)] ; 0 ≤ 𝑛 ≤ 𝑁 (7.96)
𝑁 𝑁 𝑁
𝑛=0

Secuencias reales.- Si 𝑥[𝑛] es real, haciendo 𝑥𝐼 [𝑛] = 0 en (7.93) y (7.94) se produce:

𝑁−1 𝑁−1
2𝜋 2𝜋
𝑋𝑅 [𝑘] = ∑ 𝑥𝑅 [𝑛] cos ( 𝑘𝑛) = ∑ 𝑥[𝑛] cos ( 𝑘𝑛) (7.97)
𝑁 𝑁
𝑛=0 𝑛=0
𝑁−1 𝑁−1
2𝜋 2𝜋
𝑋𝐼 [𝑘] = ∑ 𝑥𝑅 [𝑛] sin ( 𝑘𝑛) = ∑ 𝑥[𝑛] sin ( 𝑘𝑛) (7.98)
𝑁 𝑁
𝑛=0 𝑛=0
lo cual, usando la periodicidad inherente implica que 𝑋̃𝑅 [−𝑘] = 𝑋̃𝑅 [𝑘] y 𝑋̃𝐼 [−𝑘] = −𝑋̃𝐼 [𝑘]. Por
tanto se tiene:

𝑋̃ ∗ [𝑘] = 𝑋̃𝑅 [𝑘] − 𝑗𝑋̃𝐼 [𝑘] = 𝑋̃𝑅 [−𝑘] + 𝑗𝑋̃𝐼 [−𝑘] = 𝑋̃[−𝑘] (7.99)
para todo 𝑘.

Ahora, usando la indexación circular para representar la DFT, se puede esccribir:

𝑋𝑅 [0] 𝑘=0
𝑋𝑅 [𝑘] = 𝑋𝑅 [〈−𝑘〉𝑁 ] = { (7.100)
𝑋𝑅 [𝑁 − 𝑘] 1 ≤ 𝑘 ≤ 𝑁 − 1
0 𝑘=0
𝑋𝐼 [𝑘] = −𝑋𝐼 [〈−𝑘〉𝑁 ] = { (7.101)
−𝑋𝐼 [𝑁 − 𝑘] 1 ≤ 𝑘 ≤ 𝑁 − 1
𝑋[0] 𝑘=0
𝑋̃ ∗ [𝑘] = 𝑋[〈−𝑘〉𝑁 ] = { (7.102)
𝑋[𝑁 − 𝑘] 1 ≤ 𝑘 ≤ 𝑁 − 1
para 0 ≤ 𝑘 ≤ 𝑁 − 1.

La siguiente figura muesta una secuencia de 𝑁 puntos y su DFT para 𝑁 = 8 (par) y 𝑁 = 7 (impar):

 Note que 𝑋𝑅 [𝑘]; 1 ≤ 𝑘 ≤ 𝑁 − 1 y 𝑋𝐼 [𝑘]; 1 ≤ 𝑘 ≤ 𝑁 − 1 tienen simetría par e impar

alrededor del punto 𝑁⁄2, respectivamente.
 El centro de simetría 𝑁⁄2 es una muestra de la secuencia, si 𝑁 es par intermedio entre dos
muestras si 𝑁 es impar.
Descomposición en componentes circulares par e impar.- Cualquier secuencia real de 𝑁 puntos
𝑥[𝑛] puede ser descompuesta en una suma de componentes circularmente par e impar como:

𝑥[𝑛] = 𝑥 𝑐𝑒 [𝑛] + 𝑥 𝑐𝑜 [𝑛]; 0 ≤ 𝑛 ≤ 𝑁 − 1 (7.103)

donde
𝑥[𝑛] + 𝑥[〈−𝑛〉𝑁 ]
𝑥 𝑐𝑒 [𝑛] ≜ = 𝑥 𝑐𝑒 [〈−𝑛〉𝑁 ] (7.104𝑎)
2
1
(𝑥[𝑛] + 𝑥[𝑁 − 𝑛]) 1 ≤ 𝑛 ≤ 𝑁 − 1
= {2 (7.104𝑏)
𝑥[0] 𝑛=0
𝑥[𝑛] − 𝑥[〈−𝑛〉𝑁 ]
𝑥 𝑐𝑜 [𝑛] ≜ = 𝑥 𝑐𝑜 [〈−𝑛〉𝑁 ] (7.105𝑎)
2
1
= {2 (𝑥[𝑛] − 𝑥[𝑁 − 𝑛]) 1 ≤ 𝑛 ≤ 𝑁 − 1 (7.105𝑏)
0 𝑛=0
Secuencias reales con simetrías circulares.- Si 𝑥[𝑛] es real y circularmente par, es decir:
𝑥[0] 𝑛=0
𝑥[𝑛] = 𝑥[〈−𝑛〉𝑁 ] = { (7.106)
𝑥[𝑁 − 𝑛] 1 ≤ 𝑛 ≤ 𝑁 − 1
entonces (7.98) produce 𝑋𝐼 [𝑘] = 0.

Esto conduce al siguiente par DFT:

𝑁−1 𝑁−1
1 2𝜋 𝐷𝐹𝑇 2𝜋
𝑥[𝑛] = ∑ 𝑋[𝑘] cos ( 𝑘𝑛) ↔ 𝑋[𝑘] = ∑ 𝑥[𝑛] cos ( 𝑘𝑛) (7.107)
𝑁 𝑁 𝑁 𝑁
𝑘=0 𝑛=0

lo que muestra que la DFT de una secuencia real y circularmente par es también real y circularmente
par.

Si 𝑥[𝑛] es real y circularmente impar, es decir:

0 𝑛=0
𝑥[𝑛] = −𝑥[〈−𝑛〉𝑁 ] = { (7.108)
−𝑥[𝑁 − 𝑛] 1 ≤ 𝑛 ≤ 𝑁 − 1
entonces (7.97) produce 𝑋𝑅 [𝑘] = 0.

Esto conduce al siguiente par DFT:

𝑁−1 𝑁−1
1 2𝜋 𝐷𝐹𝑇 2𝜋
𝑥[𝑛] = 𝑗 ∑ 𝑋[𝑘] sin ( 𝑘𝑛) ↔ 𝑋[𝑘] = −𝑗 ∑ 𝑥[𝑛] cos ( 𝑘𝑛) (7.109)
𝑁 𝑁 𝑁 𝑁
𝑘=0 𝑛=0

la cual muestra que la DFT de una secuencia real y circularmente impar es imaginaria y circularmente
impar.

Secuencias imaginarias con simetrías circulares.- Si 𝑥[𝑛] es puramente imaginaria, es decir: 𝑥[𝑛] =
𝑗𝑥𝐼 [𝑛], entonces (7.93) y (7.94) producen:
 𝑁−1 𝑁−1
2𝜋 2𝜋
𝑋𝑅 [𝑘] = ∑ 𝑥𝐼 [𝑛] sin ( 𝑘𝑛) 𝑦 𝑋𝐼 [𝑘] = − ∑ 𝑥𝐼 [𝑛] cos ( 𝑘𝑛) (7.110)
𝑁 𝑁
𝑛=0 𝑛=0

lo cual muestra que 𝑋𝑅 [𝑘] es circularmente impar y 𝑋𝐼 [𝑘] es circularmente par.

 Más aún, si 𝑥𝐼 [𝑛] es circularmente impar, entonces 𝑋𝐼 [𝑘] = 0 y por tanto 𝑋[𝑘] es puramente
real.
 Por otro lado, si 𝑥𝐼 [𝑛] es circularmente par, entonces 𝑋𝑅 [𝑘] = 0 y por tanto 𝑋[𝑘] es puramente
imaginario.

Secuencias complejas.- Usando (7.91) y (7.103) se puede mostrar que cualquier secuencia compleja
puede ser descompuesta como sigue:

𝑥[𝑛] = 𝑥𝑅𝑐𝑒 [𝑛] + 𝑥𝑅𝑐𝑜 [𝑛] + 𝑗𝑥𝐼𝑐𝑒 [𝑛] + 𝑥𝐼𝑐𝑜 [𝑛] (7.111)
Una descomposición similar se tiene para los coeficientes de la DFT:

𝑋[𝑘] = 𝑋𝑅𝑐𝑒 [𝑘] + 𝑋𝑅𝑐𝑜 [𝑘] + 𝑗𝑋𝐼𝑐𝑒 [𝑘] + 𝑗𝑋𝐼𝑐𝑒 [𝑘] (7.112)
Similarmente a (7.103)-(7.105), cualquier secuencia 𝑥[𝑛] puede ser descompuesta a una suma de
un componente circularmente conugado par y un componente circularmente conjugado impar
como:

𝑥[𝑛] = 𝑥 𝑐𝑐𝑒 [𝑛] + 𝑥 𝑐𝑐𝑜 [𝑛] (7.113)

donde
𝑥[𝑛] + 𝑥 ∗ [〈−𝑛〉𝑁 ]
𝑥 𝑐𝑐𝑒 [𝑛] ≜ = (7.114𝑎)
2
𝑥𝑅 [0] 𝑛=0
= {1 (7.114𝑏)
(𝑥[𝑛] + 𝑥 ∗ [𝑁 − 𝑛]) 1 ≤ 𝑛 ≤ 𝑁 − 1
2
𝑥[𝑛] − 𝑥 ∗ [〈−𝑛〉𝑁 ]
𝑥 𝑐𝑐𝑜 [𝑛] ≜ (7.115𝑎)
2
𝑗𝑥𝐼 [0] 𝑛=0
= {1 (7.115𝑏)
(𝑥[𝑛] − 𝑥 ∗ [𝑁 − 𝑛]) 1 ≤ 𝑛 ≤ 𝑁 − 1
2
Note que 𝑥 𝑐𝑐𝑒 [𝑛] = 𝑥𝑅𝑐𝑒 [𝑛] + 𝑗𝑥𝐼𝑐𝑒 [𝑛] y 𝑥 𝑐𝑐𝑜 [𝑛] = 𝑥𝑅𝑐𝑜 [𝑛] + 𝑗𝑥𝐼𝑐𝑜 [𝑛].

Usando estas descomposiciones y la propiedad de unicidad de la DFT, se obtienen las propiedades

de simetría resumidas en las siguientes tablas:
Estas propiedades pueden ser explotadas para facilitar el cálculo eficiente de la DFT en algunas
aplicaciones prácticas.
DFTs de dos secuencias reales.- Un uso interesante de las propiedades de simetría y
descomposición de la DFT está en el cálculo eficiente de las DFTs de dos secuencias reales usando
la operación DFT.

Sean 𝑥1 [𝑛] y 𝑥2 [𝑛] dos secuencias reales de 𝑁 puntos con DFTs 𝑋1 [𝑘] y 𝑋2 [𝑘], respectivamente.

Si se forma una secuencia compleja 𝑥[𝑛] como

𝑥[𝑛] = 𝑥1 [𝑛] + 𝑗𝑥2 [𝑛] (7.116)

con DFT 𝑋[𝑘], entonces, usando la Tabla 7.3, se puede mostrar que:

𝑋1 [𝑘] = 𝑋 𝑐𝑐𝑒 [𝑘] 𝑦 𝑗𝑋2 [𝑘] = 𝑋 𝑐𝑐𝑜 [𝑘] (7.117)

De esta manera, usando un cálculo de la DFT seguida de una descomposición de simetría conjugada,
da las dos DFTs requeridas.

7.4.4 Corrimiento circular de una secuencia

Consider una secuencia 𝑥[𝑛] con transforma de Fourier de tiempo discreto 𝑋(𝑒 𝑗𝜔 ).

 Entonces 𝑒 −𝑗𝜔𝑚 𝑋(𝑒 𝑗𝜔 ) es la transformada de Fourier de la secuencia corrida en el tiempo

𝑥[𝑛 − 𝑚].
 Entonces es natural preguntar qué pasa con una secuencia de 𝑁 puntos si se multiplica su DFT
de 𝑁 puntos 𝑋[𝑘] por 𝑊𝑁𝑚𝑘 = 𝑒 −𝑗(2𝜋𝑚⁄𝑁)𝑘 .
 El resultado es una secuencia 𝑧[𝑛] obtenida por la DFT inversa de 𝑍[𝑘] = 𝑊𝑁𝑚𝑘 𝑋[𝑘].

Por tanto se tiene:

𝑁−1
1
𝑥[𝑛] = ∑ 𝑋[𝑘]𝑊𝑁−𝑘𝑛 (7.118)
𝑁
𝑘=0
𝑁−1 𝑁−1
1 1 −𝑘(𝑛−𝑚)
𝑧[𝑛] = ∑ 𝑊𝑁𝑘𝑛 𝑋[𝑘]𝑊𝑁−𝑘𝑛 = ∑ 𝑋[𝑘]𝑊𝑁 (7.119)
𝑁 𝑁
𝑘=0 𝑘=0

Una comparación superficial de (7.118) y (7.119) produce 𝑧[𝑛] = 𝑥[𝑛 − 𝑚].

Sin embargo, debido a que 𝑥[𝑛] no está disponible fuera del intervalo 0 ≤ 𝑛 ≤ 𝑁 − 1, no se puede
obtener 𝑧[𝑛] mediante un simple corrimiento de tiempo de 𝑥[𝑛].

Para obtener el resultado correcto, recuerde que 𝑊𝑁−𝑘(𝑛−𝑚) = 𝑊𝑁−𝑘(𝑛−𝑚+𝑙𝑁) .

Esta propiedad implica que se puede reemplazar el índice 𝑛 − 𝑚 en (7.119) mediante el índice
módulo-𝑁 〈𝑛 − 𝑚〉𝑁 .

Por tanto, la respuesta correcta está dada por:

𝑧[𝑛] = 𝑥[〈𝑛 − 𝑚〉𝑁 ]; 0 ≤ 𝑛 ≤ 𝑁 − 1 (7.120)

Esta operación, la cual es llamada corrimiento circular o rotación, se ilustra en la siguiente figura,
usando interpretaciones tanto de extensión periódica como de mapeo circular:
Note que si 𝑚 > 0, 𝑥̃[𝑛 − 𝑚] es corrida a la derecha y 𝑥[〈𝑛 − 𝑚〉𝑁 ] es rotada en el sentido contrario
a las manecillas del reloj; las operaciones opuestas tienen lugar cuando 𝑚 < 0.

En conclusión, la propiedad de corrimiento circular de la DFT es:

𝐷𝐹𝑇
𝑥[〈𝑛 − 𝑚〉𝑁 ] ↔ 𝑊𝑁𝑘𝑚 𝑋[𝑘] (7.121)
𝑁

Una función de Matlab llamada cirshift0 para implementar (7.121) es la siguiente:

7.4.5 Convoución circular

La multiplicación de las DTFTs de dos secuenias corresponde a la DTFT de su convolución lineal, es
decir:
∞
𝐷𝑇𝐹𝑇
𝑦[𝑛] = ∑ ℎ[𝑚]𝑥[𝑛 − 𝑚] ↔ 𝑌̃(𝑒 𝑗𝜔 ) = 𝐻
̃ (𝑒 𝑗𝜔 )𝑋̃(𝑒 𝑗𝜔 ) (7.122)
𝑚=−∞

En la práctica, la suma de convolución lineal es obtenida llevando a cabo la sumatioria.

El cálculo de la suma de convolución tomando la DTFT inversa del producto de dos transformadas
no puede ser llevado a cabo numéricamente.

Ahora, ¿qué clase de operación corresponde la la multiplicación de dos DFTs de 𝑁 puntos?

Para responder esta pregunta inicie evaluando el producto de las DFTs de 𝑁 puntos 𝐻[𝑘] y 𝑋[𝑘].

El resultado es las secuencia DFT de 𝑁 puntos:

𝑌[𝑘] = 𝐻[𝑘]𝑋[𝑘]; 0 ≤ 𝑘 ≤ 𝑁 − 1 (7.123)

Se desea expresar la DFT inversa de 𝑌[𝑘], la cual es una secuencia de 𝑁 puntos 𝑦[𝑛], en términos
de las secuencias ℎ[𝑛] y 𝑥[𝑛].

Usando
𝑁−1
2𝜋
𝑋[𝑘] ≜ ∑ 𝑥[𝑛]𝑒 −𝑗 𝑁 𝑘𝑛 (7.21)
𝑛=0
𝑁−1
1 2𝜋
𝑥[𝑛] = ∑ 𝑋[𝑘]𝑒 𝑗 𝑁 𝑘𝑛 (7.22)
𝑇
𝑘=0
2𝜋
𝑊𝑁 ≜ 𝑒 −𝑗 𝑁 (7.24)
se obtiene:
𝑁−1 𝑁−1 𝑁−1 𝑁−1
1 1
𝑦[𝑛] = ∑ 𝐻[𝑘]𝑋[𝑘]𝑊𝑁−𝑘𝑛 = ∑ [ ∑ ℎ[𝑚]𝑊𝑁𝑘𝑛 ] [∑ 𝑥[𝑙]𝑊𝑁𝑘𝑙 ] 𝑊𝑁−𝑘𝑛
𝑁 𝑁
𝑘=0 𝑘=0 𝑚=0 𝑙=0
𝑁−1 𝑁−1 𝑁−1
1 𝑘(𝑚+𝑙−𝑛)
= ∑ ℎ[𝑚] ∑ 𝑥[𝑙] [ ∑ 𝑊𝑁 ] (7.124)
𝑁
𝑚=0 𝑙=0 𝑘=0

La última relación fue obtenida rearreglando el orden de las tres sumatorias finitas.

Usando la condición de ortogonalicad:

𝑁−1 𝑁−1
1 (𝑘−𝑚)𝑛 1 2𝜋
(𝑘−𝑚)𝑛 1 𝑘 − 𝑚 = 𝑟𝑁
∑ 𝑊𝑁 = ∑ 𝑒 −𝑗 𝑁 ={ (7.26)
𝑁 𝑁 0 de otra manera
𝑛=0 𝑛=0

la última sumatoria está dada por:

𝑁−1
1 1 𝑚 + 𝑙 − 𝑛 = 𝑟𝑁
∑ 𝑊𝑁𝑘(𝑚+𝑙−𝑛)𝑛 = { (7.125)
𝑁 0 de otra manera
𝑘=0

De esta manera, la sumatoria en (7.125) no es cero si el índice 𝑙 satisface la condición:

𝑙 = 𝑛 − 𝑚 + 𝑟𝑁 = (𝑛 − 𝑚)módulo 𝑁 = 〈𝑛 − 𝑚〉𝑁 (7.126)

En este caso, se puede sustituir (7.126) en (7.124) para obtener la expresión deseada:
 𝑁−1

𝑦[𝑛] = ∑ ℎ[𝑚]𝑥[〈𝑛 − 𝑚〉𝑁 ] ; 0 ≤ 𝑛 ≤ 𝑁 − 1 (7.127)

𝑚=0

Si se ignora la operación módulo 𝑁, la relación (7.127) refleja la operación de convolución lineal.

Sin embargo, la presencia de la operación módulo 〈𝑛 − 𝑚〉𝑁 implica que las operaciones de reversa
de tiempo y corrimiento de tiempo requeridas para obtener 𝑥[〈𝑛 − 𝑚〉𝑁 ] se efectúan de manera
circular.

Por esta razón la operación descrita por (7.127) es conocida como convolución circular.

La convolución circular de 𝑁 puntos (7.127) será denotada por:

𝑦[𝑛] ≜ ℎ[𝑛] ⊛𝑁 𝑥[𝑛] (7.128)

para enfatizar el efecto de 𝑁 en la operación de convolución en (7.126).

Un función de Matlab llamada circonv que usa las funciones cirfold y dirshift0 se da a continuación:

En resumen, la propiedad de convolución circular de la DFT es:

𝐷𝐹𝑇
𝑦[𝑛] ≜ ℎ[𝑛] ⊛𝑁 𝑥[𝑛] ↔ 𝑌[𝑘] = 𝐻[𝑘]𝑋[𝑘] (7.129)
𝑁

Las operaciones de reversa circular, y corriiento circular se ilustraron en las siguientes figuras:
El corrimiento circular es también ilustrado en la siguiente figura usando el concepto de un buffer
circular:
 Las 𝑁 muestras de la señal se almacenan en forma circular como se ilustra en la figura (a) para
𝑁 = 8.
 Para obtener 𝑥[〈𝑛 − 2〉𝑁 ] se puede físicamente correr las muestras en el sentido contrario a las
manecillas del reloj dos localizaciones como se muestra en la figura (b).
 Sin embargo, como se muestra en la figura (c), los buffers circulares pueden evitar esta
operación que consume tiempo ajustando el apuntador de la dirección de inicio sin físicamente
correr ninguna muestra de datos en la memoria.

Esta operación que se conoce como direccionamiento circular o direccionamiento de módulo, es

ampliamente usada en los procesadores de señales digitales.

La mecánica de la convolución circular se muestra en los siguientes ejemplos.

Ejemplo 7.5 Cálculo de la convolución circular en el dominio del tiempo.- Determine la convolución
circular de 4 puntos de las siguientes secuencias de 4 puntos

ℎ[𝑛] = {ℎ[0] ℎ[1] ℎ[2] ℎ[3]} = {1 0 1 1}

𝑥[𝑛] = {𝑥[0] 𝑥[1] 𝑥[2] 𝑥[3]} = {0 1 2 3}
Solución.- El primer paso es cambiar el índice de tiempo de 𝑛 a 𝑚. Para 𝑛 = 0 se necesitan muestras
de las secuencias ℎ[𝑚] y 𝑥[〈−𝑚〉4 ], las cuales se arreglan en dos círculos concéntricos como se
muestra en la siguiente figura:
Como se esperaba, las muestras de la secuencia de tiempo reverso están situadas en el sentido
contrario a las maneceillas del reloj.

La suma para a par de productos da el valor de la convoución circular para 𝑛 = 0, es decir:

𝑦[0] = ℎ[0]𝑥[0] + ℎ[1]𝑥[3] + ℎ[2]𝑥[2] + ℎ[3]𝑥[1] = 3 (7.130)

Para 𝑛 = 1 se rota 𝑥[〈−𝑚〉4 ] una muestra para obtener 𝑥[〈1 − 𝑚〉4 ]. Esto produce:

𝑦[1] = ℎ[0]𝑥[1] + ℎ[1]𝑥[0] + ℎ[2]𝑥[3] + ℎ[3]𝑥[2] = 6 (7.131)

Los valores de la convolución circular para 𝑁 = 2,3 se obtienen de manera similar:

𝑦[2] = ℎ[0]𝑥[2] + ℎ[1]𝑥[1] + ℎ[2]𝑥[0] + ℎ[3]𝑥[3] = 6 (7.132)

𝑦[3] = ℎ[0]𝑥[3] + ℎ[1]𝑥[2] + ℎ[2]𝑥[1] + ℎ[3]𝑥[0] = 6 (7.131)
La convolución circular de 4 puntos de las ecuaiones (7.130) a (7.133) pueden ser escritas en forma
matricial como:
 𝑦[0] 𝑥[0] 𝑥[3] 𝑥[2] 𝑥[1] ℎ[0]
𝑦[1] 𝑥[1] 𝑥[0] 𝑥[3] 𝑥[2] ℎ[1]
=[ ][ ] (7.134)
𝑦[2] 𝑥[2] 𝑥[1] 𝑥[0] 𝑥[3] ℎ[2]
[𝑦[3]] 𝑥[3] 𝑥[2] 𝑥[1] 𝑥[0] ℎ[3]

 Note que la primera fila de la matriz es obtenida mediante reversa circular de la secuencia 𝑥[𝑛].
 Para obtener la segunda fila, se corre la primera fila un elemento a la derecha.
 El última elemento 𝑥[1], ek cual sale de la fila de la matriz, entra a la fila desde la izquierda; esto
es esencialmente el significado de corrimiento circular.
 La tercera y cuarta columna son generadas de manera similar. Una matriz generada mediante
este proceso se llama matriz circulante.
 Note que cada matriz circulante es Toeplitz, es decir, todos los elementos sobre las diagnoales
paralelas a la dignonal principalson iguales; sin embargo, una matriz Toeplitz no es
necesariamente circulante.
 Es facil ver que la matriz circulante en (7.134) puede también ser generada mediante
corriemiento circular de su primera columna ( es decir, la secuencia 𝑥[𝑛]).
 Finalmente es fácil mostrar que (7.130) a (7.133) pueden ser expresadas en forma matricial
usando ℎ[𝑛] para formar la matriz circulante y 𝑥[𝑛] el vector del lado derecho.

En Matlab la forma matricial (7.134) de la convolución circular puede ser implementada usando la
función toepliz como sigue:

y=toeplitz(x,circfold(x,N))*h (7.135)

Se puede usar esta función para verificar el resultado dado por (7.130) a (7.133).

Ejemplo 7.6 Cálculo de la convolución circular usando la DFT.- Determine la convolución circular
de 4 puntos de las secuencias de 4 puntos del ejemplo anterior usando la DFT.

ℎ[𝑛] = {ℎ[0] ℎ[1] ℎ[2] ℎ[3]} = {1 0 1 1}

𝑥[𝑛] = {𝑥[0] 𝑥[1] 𝑥[2] 𝑥[3]} = {0 1 2 3}
Solución.- El primer paso es calcular las DFTs de las dos secuencias.

Esto se hace usando las fórmulas del ejemplo 7.2. La DFT de 4 puntos de 𝑥[𝑛] se obtiene mediante:
𝑋[0] 1 1 1 1 0 6
𝑋[1] −𝑗 𝑗 −2 + 𝑗2
[ ] = [1 −1 ] [1] = [ ]
𝑋[2] 1 −1 1 −1 2 −2
𝑋[3] 1 𝑗 −1 −𝑗 3 −2 − 𝑗2

Similarmente, la DFT de ℎ[𝑛] está dada por:

𝐻[0] 1 1 1 1 1 3
𝐻[1] −𝑗 𝑗 𝑗
[ ] = [1 −1 ] [ 0] = [ ]
𝐻[2] 1 −1 1 −1 1 1
𝐻[3] 1 𝑗 −1 −𝑗 1 −𝑗

En el segundo paso se calcula el producto 𝑌[𝑘] = 𝐻[𝑘]𝑋[𝑘]; 𝑘 = 0,1,2,3 de las dos DFTs. El
resultado es la DFT de 4 puntos:
 𝑌[0] = 18, 𝑌[1] = −2 − 𝑗2, 𝑌[2] = −2, 𝑌[3] = −2 + 𝑗2

La convolución circular se obtiene calculando la DFT inversa de 𝑌[𝑘] usando la fórmula 𝑦 =

(1⁄4)𝑊4∗ 𝑌. El resultado es:

𝑦[0] 1 1 1 1 18 3
𝑦[1] 1 1 −𝑗 −1 𝑗 −2 − 𝑗2
= [ ][ ] = [6]
𝑦[2] 4 1 −1 1 −1 −2 5
[𝑦[3]] 1 𝑗 −1 −𝑗 −2 + 𝑗2 4

El método matricial presentado en este ejemplo es usado para propósitos pedagógicos.

En la práctica se usa la siguiente implementación de Matlab:

y=ifft(fft(h).*fft(x)) (7.136)

la cual puede ser usada para verificar el resultado de este ejemplo.

 Aunque la convolución circular es la operación natural cuando se trabaja con DFTs, la operación
requerida por las aplicaciones de procesamiento de señales es la convolución lineal.
 Una cuestión lógica es, ¿se puede usar convoución circular para obtener convolución lineal?

7.4.7 DFT de secuencias estrechadas y muestreadas

Dada una secuencia 𝑥[𝑛]; 0 ≤ 𝑛 ≤ 𝑁 − 1, se puede construir una nueva secuencia 𝑥 (𝐿) [𝑛]
insertando 𝐿 − 1 ceros entre muestras consecutivas.

La secuencia etrechada o expandida formalmente está definida por:

𝑥[𝑛⁄𝐿] 𝑛 = 0, 𝐿, … , (𝑁 − 1)𝐿
𝑥 (𝐿) [𝑛] ≜ { (7.139)
0 de otra manera
La DFT de 𝐿𝑁 puntos de la secuencia estrechada 𝑥 (𝐿) [𝑛] está dada por 𝐿 periodos consecutivos de
la DFS 𝑋̃[𝑘].

Similarmente, la DFT inversa de la secuencia estrechada 𝑋 (𝐿) [𝑘] es igual a 𝐿 periodos consecutivos
de 𝑥̃[𝑛].

Es decir se tiene:
𝐷𝐹𝑇
𝑥 (𝐿) [𝑛] ↔ 𝑋̃[𝑘] = 𝑋[〈𝑘〉𝑁 ] (7.140)
𝑁𝐿

1 1 𝐷𝐹𝑇
𝑥[〈𝑛〉𝑁 ] = 𝑥̃[𝑛] ↔ 𝑋 (𝐿) [𝑘] (7.141)
𝐿 𝐿 𝑁𝐿

Dada una secuencia 𝑥[𝑛]; 0 ≤ 𝑛 ≤ 𝑁 − 1 y un entero positivo 𝑀 que divide a 𝑁, se define la

secuencia muestreada 𝑥(𝑀) [𝑛] por:
𝑁
𝑥(𝑀) [𝑛] = 𝑥[𝑛𝑀]; 0 ≤ 𝑛 ≤ − 1 (7.142)
𝑀
La DFT de 𝑁⁄𝑀 puntos de 𝑥(𝑀) [𝑛] es obtenida mediante el traslape de la sumatoria de la DFT de
𝑥[𝑛] usando la fórmula:
 𝑀−1
𝐷𝐹𝑇1 𝑁
𝑥(𝑀) [𝑛] ↔ ∑ 𝑋 [𝑘 + 𝑚 ] (7.143)
𝑁 𝑀𝑀
⁄ 𝑀
𝑚=0

Similarmente, la DFT inversa de 𝑋(𝑀) [𝑘] se obtiene traslapando y sumando la secuencia 𝑥[𝑛] como
sigue:
𝑀−1
1 𝑁 𝐷𝐹𝑇
∑ 𝑥 [𝑛 + 𝑚 ] ↔ 𝑋(𝑀) [𝑘] (7.144)
𝑀 𝑀 𝑁⁄𝑀
𝑚=0

Las operaciones de traslape y sumatoria en (7.143) y (7.144) puede resultar en aliasing en el dominio
de la frecuencia o aliasing en el dominio del tiempo, respectivamente.

Estas propiedades son útiles para el entendimiento e interpretación de algoritmos rápidos usados
para el cálculo de la DFT.

7.4.8 Resumen de las propiedades de la DFT

La siguiente tabla resume las propiedades operacionales de la DFT.

Las propiedades de simetría fueron resumidas en la tabla 7.3:

Se enfatiza que la presencia del operador de indexación módulo 𝑁 asegura que todas las secuencias
en sus DFTs están especificados en el rango de 0 a 𝑁 − 1.

El hecho de que las fórmulas de la DFT y de la DFT inversa diferan sólo en un factor de 1⁄𝑁 y en el
signo del exponente de 𝑊𝑁 , resulta en una fuerte dualidad entre las dos transformaciones.

Para establecer esta dualidad, primero se reemplaza 𝑛 por −𝑛 en la fórmula de la DFT inversa para
obtener:
𝑁−1

𝑁𝑥[−𝑛] = ∑ 𝑋[𝑘]𝑊𝑁𝑘𝑛 (7.145)

𝑘=0

Intercambiando los roles de 𝑛 y 𝑘 en (7.145) se produce:

𝑁−1

𝑁𝑥[−𝑘] = ∑ 𝑋[𝑛]𝑊𝑁𝑘𝑛 (7.146)

𝑛=0
La suma en (7.146) esla DFT de la secuencia de 𝑁 puntos obtendia a partir de los coeficientes DFT
de 𝑥[𝑛].

Para asegurar que 𝑥[−𝑘] esté especificada en el rango 0 ≤ 𝑘 ≤ 𝑁 − 1, se usa el operado módulo
N.

Esto conduce a la siguiente propiedad de dualidad:

𝐷𝐹𝑇 𝐷𝐹𝑇
𝑥[𝑛] ↔ 𝑋[𝑘] ⇒ 𝑋[𝑛] ↔ 𝑁𝑥[〈−𝑘〉𝑁 ] (7.147)
𝑁 𝑁

La dualidad puede ser usada para derivar muchas propiedades de la DFT.

Por ejemplo, se puede mostrar que la DFT del producto de dos secuencias de 𝑁 puntos es la
convolución circular de sus DFTs, es decir:
𝐷𝐹𝑇 1
𝑣[𝑛]𝑥[𝑛] ↔ 𝑉[𝑘] ⊛𝑁 𝑋[𝑘] (7.148)
𝑁 𝑁

7.5Convolución lineal usando la DFT

En esta sección se dicuten técnicas para el cálculo de la convolución lineal usando la convolución
circular implementada usando la DFT como se muestra en:

Este método es computacionalmente más eficiente para filtros FIR con respuestas al impulso largas
si se usan algoritmos rápidos para el cálculo de la DFT:

7.5.1 Convolución lineal usando convolución circular

La convolución lineal de dos secuencias de longitud final, poe ejemplo, 𝑥[𝑛]; 0 ≤ 𝑛 ≤ 𝐿 − 1 y ℎ[𝑛],
0 ≤ 𝑛 ≤ 𝑀 − 1, es una secuencia 𝑦[𝑛] de longitud 𝐿 + 𝑀 − 1, dada por:
∞

𝑦[𝑛] = ∑ ℎ[𝑘]𝑥[𝑛 − 𝑘] ; 0 ≤ 𝑛 ≤ 𝐿 + 𝑀 − 2 (7.149)

𝑘=−∞

La secuencia de convolución 𝑦[𝑛] tiene transformada de Fourier dada por:

𝑌(𝑒 𝑗𝜔 ) = 𝐻(𝑒 𝑗𝜔 )𝑋(𝑒 𝑗𝜔 ) (7.150)

Si se muestrea 𝑌(𝑒 𝑗𝜔 ) en frecuencias 𝜔𝑘 = 2𝜋𝑘⁄𝑁 ; 𝑁 ≥ 𝐿 + 𝑀 − 1, se puede únicamente
recuperar la secuencia 𝑦[𝑛]; 0 ≤ 𝑛 ≤ 𝑁 − 1 a partir de los coedificnes DFT:

𝑌[𝑘] = 𝑌(2𝑗2𝜋𝑘⁄𝑁 ); 0 ≤ 𝑘 ≤ 𝑁 − 1 (7.151)

Las DFTs inversas de 𝐻[𝑘] = 𝐻(2𝑗2𝜋𝑘⁄𝑁 ) y 𝑋[𝑘] = 𝑋(2𝑗2𝜋𝑘⁄𝑁 ) producen las secuencias ℎ[𝑛] y 𝑥[𝑛]
rellenadas con 𝑁 − 𝑀 y 𝑁 − 𝐿 ceros, respectivamente.

Por tanto, (7.150) conduce al siguiente par DFT:

𝐷𝐹𝑇
𝑦𝑧𝑝 [𝑛] = ℎ𝑧𝑝 [𝑛] ⊛𝑁 𝑥𝑧𝑝 [𝑛] ↔ 𝑌[𝑘] = 𝐻[𝑘]𝑋[𝑘] 7.152)
𝑁

Note que si 𝑁 ≥ 𝐿 + 𝑀 − 1, 𝑦[𝑛] = 𝑦𝑧𝑝 [𝑛]; 0 ≤ 𝑛 ≤ 𝐿 + 𝑀 − 2,es decir, la convolución circular es

idéntica a la convolución lineal.

Si 𝑁 < 𝐿 + 𝑀 − 1, debido al aliasing en el dominio del tiempo, 𝑦𝑧𝑝 [𝑛] puede no ser igual a 𝑦[𝑛]
para algunos o todos los valores de 𝑛.

El cálculo de la convolución lineal de dos secuencias de longitud finita usando la DFT se ilustra en la
siguiente figura:

Para apreciar este resultado, recuerde que la DFT inversa de 𝑌[𝑘] no produce 𝑦[𝑛] pero es una
réplica periódica 𝑦̃[𝑛]:
∞
𝐷𝐹𝑇
𝑦̃[𝑛] = ∑ 𝑦[𝑛 − 𝑙𝑁] ↔ 𝑌[𝑘] = 𝐻[𝑘]𝑋[𝑘] (7.153)
𝑁
𝑙=−∞

La secuencia 𝑦[𝑛] puede ser completamente recuperada a partir de 𝑦̃[𝑛] sólo si 𝑁 ≥ Ñ + 𝑀 − 1;

de otra manera, algunas o todas las muestras pueden sufrir distorsión de aliasing.

Una función de Matlab llamada circonvtfft que calcula la convolución lineal usando el método de la
DFT en (7.153) está dada por:
La longitud 𝑀 de la respuesta al impulso en la cual el método basado en DFT es más eficiente que
el cálculo directo de la convolución depende del hardware y software disponible para implementar
los cálculos.

Una interpretación del método matricial.- La convolución lineal se puede expresar en forma
matricial como una multiplicación de una matriz por un vector. Para 𝑀 = 3 y 𝐿 = 5, la suma de
convulación (7.149) puede ser escrita como:

La secuencia de salida 𝑦[𝑛] tiene longitud 𝑁 = 𝑀 + 𝐿 − 1 = 7 muestras.

 Note que la primera columan de la matriz Toeplitz en (7.154) es la secuencia de 𝐿 puntos 𝑥[𝑛]
rellenada con 𝑀 − 1 ceros.
 La segunda columna es obtenida mediante corrimiento circular de la primera solumna hacia
abajo; el elemento que abandona el fondo entra al tope.

Similarmente, el corrimiento circular de la segunda columna produce a tercera columna.

Si se repite este proceso 𝐿 − 1 veces y se adjunta la secuencia de 𝑀 puntos ℎ[𝑛] con 𝐿 − 1 ceros,
se obtiene la siguiente ecuación matricial:

 La matriz de 𝑁 × 𝑁 en (7.155) es circulante, debido a que la primera fila es la reversa circular

de la primera columna.
 Cada otra fila es obtendia mediante corrimiento circuladorio de la fila anterior una posición a la
derecha.
 De esta manera, la multiplicación matricial en (7.155) produce la convolución circular de las
secuencias rellenadas con ceros definidas por la primera columna de la matriz y el vecto del
lado derecho.
 Sin embargo, una cuidadosa inspección de (7.155) revela que los ceros azules (rellenados) en
ℎ[𝑛] cancelan la constribución de las últimas 𝐿 − 1 columnas azules de la matriz circulante.
 Por tanto, la convolución circular (7.152) produce los mismos resultados que la convolución
lineal (7.149).
7.5.2 Implementación de filtros FIR usando la DFT
La implementación de un filtro FIR usando la DFT, como se muestra en la siguiente figura:

puede no ser prácticamente factible por las sifuientes razones:

 En muchas aplicaciones prácticas, como procesamiento de voz y comunicaciones, la secuencia

de entradapuede tener longitud infinita.
 La longitud de una secuencia de entrada puede ser muy grande para que el almacenamiento y
los cáclulos de la DFT sean prácticos.
 El cálculo de la secuencia de salida no puede ser iniciada hasta que todas la muestras de la señal
de entrada hayan sido adquiridas.
 Esto puede causar retardos inaceptables en muchas aplicaciones.

Para superar estos problemas se puede segmentar la secuencia de entrada en bloques de longitud
𝑄 y usar uno de los métodos de convolución de bloque descritos a continuación.

Método de traslape-añadir.- La salida de un filtro FIR con respuesta al impulso ℎ[𝑛] de longitud
𝑀 = 3 a una secuencia de entrada 𝑥[𝑛] con longitud 𝐿 = 8 está dada por:
Suponga ahora que se segmenta la secuencia de entrada 𝑥[𝑛] en dos bloques (negro y azul) de
longitud 𝑄 = 4.

 La multiplicación de la matriz grande por el vector en (7.156) puede ser dividida en dos más
pequeñas: la parte negra proporciona las muestras de la salida 𝑦[0], … , 𝑦[5] y la parte azul las
muestras 𝑦[4], … , 𝑦[9].
 Para calcular las muestras 𝑦[4] y 𝑦[5], se necesita añadir las contribuciones tanto del bloque
negro como del bloque azul.
 Este traslape de bloques de salida sucesivos 𝑀 − 1 muestras, conduce al nombre de traslape y
adición para este método de convolución de bloques.

Cada convolución de bloque puede ser implementada usando el método de la DFT en la siguiente
función:
Método de traslape-guardar.- En elmétodo traslape-anadir, se necesatia la salida del siguiente
bloque para completar el cálculo del bloque actual.

 Para evitar esta dificultad, se permite que segmentos sucesivos de la entrada se traslapen 𝑀 −
1 muestras.
 Para explicar este método se calcula la convolución en (7.149) usando los bloques de entrada
de longitud 𝑄 = 5 que se traslapen 𝑀 − 1 = 2 muestras.

Una ilustración gráfica es obtendia particionando (7.156) como sigue:

Para entender la idea básica, note que la multiplicación de la matriz negra por vector proporciona
los valores correctos de la salida para 𝑦[0], … , 𝑦[4].

 La multiplicación de la matriz azul por el vector proporciona valores erróneos para 𝑦[3] y 𝑦[4]
y los valores correctos de 𝑦[5], … , 𝑦[7].
 Sin embargo, no existe problema con eso ya que 𝑦[3] y 𝑦[4] han sido calculados correctamente
en el bloque anterior.
 La matriz de respuesta al impulso de 𝑄 × 𝑄 usada en las convoluciones de los bloques puede
ser fácilmente modificada para volverse circulante.

En efecto, si se cambian los últimos ceros en las primeras 𝑀 − 1 = 2 filas de esta matriz, se obtiene
la siguiente convolución circular:

La últimas 𝑄 − (𝑀 − 1) = 3 muestras de la convolución circular son iguales a las muestras

requeridas de la convolución lineal.

Las primeras 𝑀 − 1 = 2 muestras han sido calculadas en el paso previo.

Para obtener los valores 𝑦[0], 𝑦[1], … , 𝑦[𝑄 − 𝑀 − 1] se inicia el proceso con el bloque de entrada
artificial obtenido reemplazando los últimos 𝑄 + 1 − 𝑀 = 3 elementos de primer bloque de
entrada 𝑥[0], 𝑥[1], … , 𝑥[𝑄 − 1] por ceros.

Este método que es conocido como método traslape-guardar, es implementado usando la función
de Matlab:

El método es llamdo tralape-guardar debido a que los segmentos de entrada se traslapan tal que
cada convolución circular de bloque de 𝑄 × 𝑄 calcula 𝑄 − 𝑀 + 1 nuevas muestras de salida y usa
𝑀 − 1 muestras de salida del bloque previo.

7.6Análisis de Fourier de señales usando la DFT

La DFT puede ser usada para calcular cualquier serie o transformada de Fourier (ya sea exactamente
o aproximadamente).

De esta manera, la DFT, a través de su implementación eficiente del algoritmo FFT, proporciona la
herramienta computacional fundamental para el análisis práctico.

La aplicación de la DFT requiere tres pasos:

(a) muestrear la señal de tiempo continuo

(b) seleccionar un número finito de muestras para análisis
(c) calcular el espectro en un número finito de frecuencias

Asuma que el muestreo ha sido hecho satisfactoriamente y que los efectos de aliasing son
despreciables y concéntrese específicamente en los efectos de la selección de un segmento de
longitud finita de la señal muestreada, debido al mayor impacto sobre la precisión del espectro
estimado.

7.6.1 Efectos del ventaneo de tiempo sobre las señales sinusoidales

La operación de seleccionar un número finito de muestras es equivalente a multiplicar la secuencia
actual 𝑥[𝑛], definida en el rango −∞ < 𝑛 < ∞ por una secuencia de longitud finita 𝑤[𝑛] llamada
ventana de datos o simplemente ventana.

Por ejemplo, si se define la ventana rectangular:

1 0≤𝑛 ≤𝐿−1
𝑤[𝑛] = { (7.159)
0 de otra manera
la operación de ventaneo produce una secuencia:

𝑥̂[𝑛] = 𝑤[𝑛]𝑥[𝑛] (7.160)

la cual consiste de 𝐿 muestras de 𝑥[𝑛].

El término ventaneo es usado para enfatizar el hecho de que sólo se puede ver una parte finita de
la señal a través de una ventana.

Por tanto, la DFT proporciona muestras de la DTFT de las señal ventaneada 𝑥̂[𝑛] = 𝑤[𝑛]𝑥[𝑛], no de
la señal original 𝑥[𝑛].

Esta interpretación se ilustra en la siguiente figura:

Para entender cómo la operación de ventaneo de tiempo cambia el espectro de la señal original se
intercambia el orden del muestreo y las operaciones de ventaneo como se muestra en la siguiente
figura:
 Claramente, la ventana 𝑤𝑐 (𝑡) debería ser diferente de cero en el intervalo 0 ≤ 𝑡 ≤ 𝑇0 , donde
(𝐿 − 1)𝑇 < 𝑇0 < 𝐿𝑇.
 Los dos sistema son equivalentes en la medida en que la ventaja de tiempo continuo satisface
la condición 𝑤[𝑛] = 𝑤𝑐 (𝑛𝑇).

En efecto, el muestreo de la señal ventaneada de tiempo continuo:

𝑥̂𝑐 (𝑡) = 𝑤𝑐 (𝑡)𝑥𝑐 (𝑡) (7.161)

produce la secuencia ventaneada:

𝑥̂[𝑛] = 𝑥̂𝑐 (𝑛𝑇) = 𝑤𝑐 (𝑛𝑇)𝑥𝑐 (𝑛𝑇) = 𝑤[𝑛]𝑥[𝑛] (7.162)

la cual es idéntica a la dada por (7.160).

 La operación de ventaneo de tiempo continuo (7.161) puede ser usada para entender los
efectos de un intervalo de observación finito, en términos del tiempo físico y variables de
frecuencia, sin interferencia del tiempo subsecuente y de las operaciones de muestreo de
frecuencia.
 Más aún, se evitan las complicaciones del tratamiento con espectros periódicos.
 Se introducirán los efectos espectrales del ventaneo progresivamente a partir de modelos
simples a más complicados.
 Se empieza con una señal sinusoidal de una sola frecuencia y se obtine su espectro ventaneado
para estudiar el efecto del ventaneo.
 Luego se modela una señal pasa banda como una suma de sinusoides aisladas con frecuencias
estrechamente separadas y se estudia su espectro ventaneado.
 En el límite este modelo luego conduce al espectro de una señal no periódica ventaneada como
una convolución entre el espectro de señal dado y el espectro de la ventana.

Se pueden ilustrar los efectos del ventaneo de tiempo usando la señal sinusoidal:

𝑥𝑐 (𝑡) = 𝐴1 cos(Ω1 𝑡 + 𝜙1 ) ; −∞ < 𝑡 < ∞ (7.163)

El espectro de esta señal, como se puede ver de la siguiente expansión, consiste de dos líneas
1
espectrales con amplitudes complejas 2 𝐴1 𝑒 ±𝑗𝜙1 en frecuencias Ω = Ω1 y Ω = −Ω1 :

1 1
𝑥𝑐 (𝑡) = 𝐴1 𝑒 −𝑗𝜙1 𝑒 −𝑗Ω1 𝑡 + 𝐴1 𝑒 𝑗𝜙1 𝑒 𝑗Ω1 𝑡 (7.164)
2 2
La señal ventaneada en tiempo 𝑥̂𝑐 (𝑡) está dada por:
 1 1
𝑥̂𝑐 (𝑡) = 𝑤𝑐 (𝑡)𝑥𝑐 (𝑡) = 𝐴1 𝑒 −𝑗𝜙1 𝑤𝑐 (𝑡)𝑒 −𝑗Ω1 𝑡 + 𝐴1 𝑒 𝑗𝜙1 𝑤𝑐 (𝑡)𝑒 𝑗Ω1 𝑡 (7.165)
2 2
Tomando la CTFT de (7.165) u usando la propiedad de corrimiento de frecuencia, se tiene:
1 1
𝑋̂𝑐 (𝑗Ω) = 𝐴1 𝑒 −𝑗𝜙1 𝑊𝑐 (𝑗(Ω + Ω1 )) + 𝐴1 𝑒 𝑗𝜙1 𝑊𝑐 (𝑗(Ω − Ω1 )) (7.166)
2 2
donde 𝑊𝑐 (𝑗Ω) es la CTFT dela ventana.

Como se puede ver de (7.166), el efecto del ventaneo de tiempo es reemplazar cada línea del
espectro discreto con una copia escalada de 𝑊𝑐 (𝑗Ω) centrada en la frecuencia de la línea.

La ventana rectangular:
1 0 ≤ 𝑡 ≤ 𝑇0
𝑤𝑐 (𝑡) ≜ 𝑤𝑅 (𝑡) = { (7.167)
0 de otra manera
tiene una CTFT dada por:
sin(Ω𝑇0 ⁄2) −𝑗Ω𝑇 ⁄2
𝑊𝑐 (𝑗Ω) ≜ 𝑊𝑅 (𝑗Ω) = 𝑒 0 (7.168)
Ω⁄2
 Esta definición de la ventana rectangular es útil para señales causales que empiezan en t = 0 y
es compatible con el rango DFT que empieza en n = 0.
 Sin embargo, se puede usar cualquier verisión corrida de wc (t); la única diferencia es el
corrimiento de fase lineal en Wc (jΩ).
 Para simplificar las ilustraciones pictóricas se corre la ventana rectangular en el intervalo
− T0 ⁄2 ≤ t ≤ T0 ⁄2.
 El resultado es una ventana simétrica con transformada de Fourier WR (jΩ) =
sin(ΩT0 ⁄2)⁄(Ω⁄2).

Los efectos del ventaneo de tiempo sobre el espectro de una señal sinusoidal se ilustran en la
siguiente figura:
 El espectro de la señal sinusoidal de duración infinita consiste de dos líneas en las frecuencias
Ω = ±Ω1 ; por tanto, como se muestra en (a), su potencia está perfectamente localizada a sólo
dos puntos del eje de la frecuencia.
 En (b) se muestra una ventana rectangular simétrica y su transformada de Fourier.
 La forma de 𝑊𝑅 (𝑗Ω) es típica para la mayoría de las ventanas de interés práctico.
 Existe un gran pico, o lóbullo principal en el origen junto con una serie de picos subsidiarios es
espúreos de magnitud decreciente o lóbulos laterales a ambos lados del origen.
 El lóbulo principal tiene cruces por cero en múltiples de 2𝜋⁄𝑇0 rad/seg y un ancho de banda
aproximado de 3 dB de 2𝜋⁄𝑇0 rad/seg.
 Cada línea del espectro original es reemplazada por una copia de 𝑊𝑅 (𝑗Ω) escalada por la
amplitud de la correspondiente exponencial compleja, como se muestra en (c).
 La suma de copias escaladas y corridas de la transformada de Fourier de la señal sinusoidal
ventaneada, 𝑋̂𝑐 (𝑗Ω), la cual se muestra en (d). Note que la adición de los lóbulos laterales en
fase (fuera de fase) pueden incrementar (reducir) las alturas de los picos.
 Por esta razón, el pulso izquierdo (derecho) en (d) no es simétrico alrededor de Ω = −Ω1 (Ω =
Ω1 ).
Comparando los espectros de 𝑥𝑐 (𝑡) y 𝑥̂𝑐 (𝑡) = 𝑤𝑐 (𝑡)𝑥𝑐 (𝑡) se revelan los efectos del ventaneo
rectangular (truncación).

 Primero, note que las líneas espectrales de 𝑋𝑐 (𝑗Ω), las cuales tienen ancho cero, se han
esparcido en 𝑋̂𝑐 (𝑗Ω). La cantidad de lo esparcido está determinada por el ancho del lóbulo
principal del espectro de la ventana. Este efecto es conocido como esparcimiento espectral.
 Segundo, se ve que aunque el espectro de 𝑥𝑐 (𝑡) es cero en todo lado excepto en Ω = ±Ω1 , el
espectro de 𝑥̂𝑐 (𝑡) no es cero en ninguna parte debido a los lóbulos laterales. Este efecto, el cual
es llamado escape, causa transferencia de potencia desde una banda a otra. Usualmente el
problema es escape espectral de una banda fuerte, donde el espectro es grande, a una banda
débil donde el espectro es pequeño o cero. El escape crea picos falsos, es decir, picos en
frecuencias erróneas, picos no existentes o cambios de amplitud de los picos existentes.

Si el espaciamiento ΔΩ = Ω2 − Ω1 entre dos líneas espectrales es más pequeño que el ancho de

bando 2𝜋⁄𝑇0 de la ventana, las dos copias corridas de 𝑊𝑅 (𝑗Ω) se funden en una, como se muestra
en la siguiente figura:

Como resultado, la componente sinusoidal (línea espectral) en Ω1 no es resuelta a partir de la

componente sinusoidal (líea espectral) en Ω2 .

Por tanto, para resolver las dos componentes de freuencia aprtadas ΔΩ rad/seg, la longitud de la
ventana rectangular debería satisfacer la condición:
 2𝜋 1
ΔΩ = Ω2 − Ω1 ≥ o 𝑇0 ≥ (7.169)
𝑇0 𝐹2 − 𝐹1
1
Para ver otra implicación importante de (7.169), note que 𝐹1 = 0 produce 𝑇0 ≥ 𝐹 .
2

 De esta manera, la longitud de la ventana determina la frecuencia más baja que puede ser vista
en el espectro de la señal ventaneada.
 En otras palabras, la longitud de la ventana rectangular requerida para distinguir una sinusoide
a partir de DC debería se mas grande que su periodo fundamental.
7.6.2 Efectos del ventaneo de tiempo sobre señales con espectros continuos
Las ideas discutidas en la sección anterior pueden ser fácilmente extendidas a un número arbitrario
de señales sinusoidales.

Esto se ilustra en la siguiente figura para un número de sinusoides con frecuencias igualmente
espaciadas:

Claramente, a medida que el número de sinusoides se incrementa el espaciamiento entre las líneas
espectrales disminuye; en el límite el resultado es un espectro pasa banda de tiempo continuo ideal.
El espectro de una señal no periódica ventaneada es obtenida tomando la CTFT de (7.161). El
resultado es la siguiente integral de convolución:
1 ∞
𝑋̂𝑐 (𝑗Ω) = ∫ 𝑋 (𝑗𝜃)𝑊𝑐 (𝑗(Ω − 𝜃))𝑑𝜃 (7.170)
2𝜋 −∞ 𝑐

De esta manera, la transformada de Fourier de la señal ventaneada es obtenida convolucionando la

transformada de Fourier de la señal original con la transformada de Fourier de la ventana.

Para entender cómo esta operación cambia el espectro original, se aproxima la integral (7.170)
usando integración trapezoidal como sigue:
∞
1
𝑋̂𝑐 (𝑗Ω) ≈ ∑ 𝑋𝑐 (𝑗𝜃𝑘 )𝑊𝑐 (𝑗(Ω − 𝜃𝑘 ))∆𝜃 (7.171)
2𝜋
𝑘=−∞

Esta relación muestra que el efecto del ventaneo de tiempo es crear un conjunto continuo de copias
corridas en frecuencia de 𝑊𝑐 (𝑗Ω), cada una escalada por la correspondiente amplitud del espectro
original.

La CTFT, 𝑋̂𝑐 (𝑗Ω), es la suma de todas estas copias; este proceso se ilustra en la figura anterior.

Alternativamente, 𝑋̂𝑐 (𝑗Ω) puede ser expresada como una integral ponderada de 𝑋𝑐 (𝑗Ω), donde la
función de peso 𝑊𝑐 (𝑗Ω), es la transformada de Fourier de la ventana.

 La operación de convolución (7.170) produce un promedio ponderado de los valores de 𝑋𝑐 (𝑗𝜃)

con los pesos más grandes adjuntos a las frecuencias en la vecindad de 𝜃 = Ω.
 En otras palabras, 𝑋̂𝑐 (𝑗Ω) corresponde a un promedio ponderado localmente de 𝑋𝑐 (𝑗𝜃) en la
vecindad de la frecuencia Ω.

Otra forma de entender los efectos del ventaneo de tiempo sobre el espectro original es asumir que
el lóbulo principal actúa como un operador de suavización (pasa bajos) y los lóbulos laterales actúan
como un operador de mejoramiento de pico (pasa alto).

7.6.3 Buenas ventanas y el principio de incertidumbre

En resumen, el ventaneo de tiempo de una señal introduce dos tipos de distorsiones espectrales:

Esparcimiento.- El efecto predominante del lóbulo principal es esparcir el espectro original.

 El resultado es la pérdida de resolución.

 Una línea espectral ideal en el espectro original tendrá un ancho de alrededor 2𝜋⁄𝑇0 después
del ventaneo.
 Dos sinusoides apartadas con frecuencias menores que 2𝜋⁄𝑇0 se mezclarán una con otra y
pueden aparecer como una solo sinusoide.

Escape.- El principal efecto de los lóbulos laterales es transferir potencia de las bandas de frecuencia
que contienen grandes cantidades de potencia de señal a bandas que contienen poco o ninguna
potencia.
 Esta transferencia de potencia, la cual se llama escape, puede crear picos falsos (es decir, picos
en frecuencias erróneas) picos no existentes o cambioar la amplitud de los picos existentes.

El esparcimiento y el escape son especialmente críticos para espectros con fuertes picos y valles
mientras que sus efectos sobre espectros suaves o relativamente planos son despreciables.

 Una buena ventana debería tener un lóbulo principal estrecho (para minimizar el esparcimiento
espectral) y lóbulos laterales bajos (para minimizar el escape espectral).
 Desafortunadamente, es imposible satisfacer ambos de estos requerimientos
simultáneamente.
 Esta es una consecuencia de principio de incertidumbre de la transformada de Fourier.

La ventana rectangular 𝑤𝑅 (𝑡) tiene duración finita 𝑇0 y un espectro 𝑊𝑅 (𝑗Ω) de grado infinito.

 Sin embargo, la mayor parte de su energía está contenida en el lóbulo principal de la función
sinc, |Ω| < 2𝜋⁄𝑇0 .
 A medida que la duración 𝑇0 se incrementa, el ancho 4𝜋⁄𝑇0 del lóbulo principal disminuye y
viceversa.

Propiedad de escalamiento de tiempo y frecuencia.- Este resultado es una consecuencia de

una propiedad más general de la transformada de Fourier, conocida como teorema de
escalamiento, la cual establece que si 𝑥𝑐 (𝑡) tiene transformada de Fourier 𝑋𝑐 (𝑗Ω), entonces para
cualquier constante real 𝑎 se tiene:
𝐶𝑇𝐹𝑇 1 𝑗Ω
𝑥𝑐 (𝑡) ↔ 𝑋𝑐 ( ) (7.172)
|𝑎| 𝑎
La propiedad de escalamiento implica que si 𝑥𝑐 (𝑡) se vuelve más ancho, su espectro se vuelve más
estrecho y viceversa. Intuitivamente, la compresión (expansión) en el eje del tiempo por un factor
𝑎 > 1 (𝑎 < 1) significa que la señal está variando más rápido (más lento) por un factor 𝑎.

Esto puede ser fácilmente visto mediante el escalamiento de la señal 𝑥𝑐 (𝑡) = cos[Ω0 𝑡]. El resultado
es:

𝑥𝑐 (𝑎𝑡) = cos[Ω0 (𝑎𝑡)] = cos[(𝑎Ω0 )𝑡] (7.173)

Por ejemplo, si 𝑎 > 1, comprimiendo el eje del tiempo por un factor 𝑎 se incrementa la frecuencia
de la sinusoide por un factor de 𝑎.

Principio de incertidumbre.- La propiedad de escalamiento describe la naturaleza general de las

relación inversa entre el tiempo y el grado de frecuencia de una señal de tiempo continuo.

 Para obtener una expresión analítica se necesitan definiciones precisas de la duración de tiempo
y del encho de banda (grado de frecuencia).
 Una definición conveniente y ampliamente usada se ha originado del concepto estadístico de
variancia.

Sin pérdidad de generalidad, se considera una señal 𝑥𝑐 (𝑡), la cual es normalizada para tener energía
unitaria, es decir:
 ∞
1 ∞
𝐸𝑥 = ∫ |𝑥𝑐 (𝑡)|2 𝑑𝑡 = ∫ |𝑋 (𝑗Ω)|2 𝑑Ω = 1 (7.174)
−∞ 2𝜋 −∞ 𝑐

Para asegurar la existencia de las diferentes integrales, se impone la condición √|𝑡|𝑥𝑐 (𝑡) → 0
cuando |𝑡| → ∞.

Más aún, se asume que 𝑥𝑐 (𝑡) es centrada alrededor del origen tal que el valor medio 𝑚𝑡 de |𝑥𝑐 (𝑡)|2
satisface la condición:
∞
𝑚𝑡 ≜ ∫ 𝑡|𝑥𝑐 (𝑡)|2 𝑑𝑡 = 0 (7.175)
−∞

La duración de tiempo 𝜎𝑡 de 𝑥𝑐 (𝑡) está definida por la siguiente fórmula:

∞
𝜎𝑡2 ≜ ∫ 𝑡 2 |𝑥𝑐 (𝑡)|2 𝑑𝑡 (7.176)
−∞

 Una señal 𝑥𝑐 (𝑡) que es grande para valores grandes de 𝑡 tendrá duración más grande que una
señal con valores grandes para pequeños valores de 𝑡.
 De esta manera, 𝜎𝑡 mide el esparcimiento de la curva |𝑥𝑐 (𝑡)|2 alrededor de 𝑡 = 0.

Similarmente, el ancho de banda está definido por:

1 ∞ 2
𝜎Ω2 ≜ ∫ Ω |𝑋𝑐 (𝑗Ω)|2 𝑑Ω (7.177)
2𝜋 −∞
∞
donde nuevamente se asume que la media 𝑚Ω ≜ ∫−∞ Ω|𝑋𝑐 (𝑗Ω)|2 𝑑Ω = 0.

El principio de incertidumbre, el cual fue primero introducido en mecánica cuántica es una

interpretación diferente y unidades, establece que el producto tiempo-ancho de banda de una
señal, está acotado por debajo de acuerdo a la relación:
1
𝜎𝑡 𝜎Ω ≥ (7.178)
2
En otras palabras, el producto de la duración y el ancho de banda de cualquier señal no puede ser
arbitrariamente pequeño simultáneamente.

De esta manera, las señales de corta duración deben tener ancho de banda grande y la señales de
banda estrecha deben tener duración larga.

Para probar (7.178) se usará la famosa desigualdad de Schwarz:

∞ 2 ∞ ∞
|∫ 𝑥𝑐1 (𝑡)𝑥𝑐2 (𝑡)𝑑𝑡| ≤ ∫ |𝑥𝑐1 (𝑡)|2 𝑑𝑡 ∫ |𝑥𝑐2 (𝑡)|2 𝑑𝑡 (7.179)
−∞ −∞ −∞

La igualda se tiene cuando 𝑥𝑐1 (𝑡) esproporcional a 𝑥𝑐2 (𝑡), es decir, 𝑥𝑐1 (𝑡) = 𝑘𝑥𝑐2 (𝑡); ∀𝑡.

Si ahora se define las funcioes 𝑥𝑐1 (𝑡) y 𝑥𝑐2 (𝑡) como:

𝑥𝑐1 (𝑡) = 𝑡𝑥𝑐 (𝑡) (7.180)

 𝑑𝑥𝑐 (𝑡)
𝑥𝑐1 (𝑡) = (7.181)
𝑑𝑡
entonces el lado izquierdo de (7.179) produce:
∞ ∞
𝑑𝑥𝑐 (𝑡) 𝑥𝑐2 (𝑡) 1 ∞ 2 1
∫ 𝑡𝑥𝑐 (𝑡) 𝑑𝑡 = 𝑡 | − ∫ 𝑥𝑐 (𝑡)𝑑𝑡 = − (7.182)
−∞ 𝑑𝑡 2 −∞ 2 −∞ 2

Luego, recuerde que:

𝐶𝑇𝐹𝑇
𝑥𝑐 (𝑡) ↔ 𝑋𝑐 (𝑗Ω) (7.183)
𝑑𝑥𝑐 (𝑡) 𝐶𝑇𝐹𝑇
↔ 𝑗Ω𝑋𝑐 (𝑗Ω) (7.184)
𝑑𝑡
Por tanto, (7.179) se convierte en:
∞
1 1 ∞ 2
≤ ∫ 𝑡 2 |𝑥𝑐 (𝑡)|2 𝑑𝑡 ∫ Ω |𝑋𝑐 (𝑗Ω)|2 𝑑Ω (7.185)
4 −∞ 2𝜋 −∞

a partir de la cual se sigue inmediatamente (7.178).

La igualdad en (7.178) se tiene cuando 𝑘𝑡𝑥𝑐 (𝑡) = 𝑥𝑐′ (𝑡) o 𝑥𝑐′ (𝑡)⁄𝑥𝑐 (𝑡) = 𝑘𝑡. Integrando, se tiene
que ln[𝑥𝑐 (𝑡)] = 𝑘𝑡 2 ⁄2 + 𝑐1 o:
2 ⁄2
𝑥𝑐 (𝑡) = 𝑐2 𝑒 𝑘𝑡 (7.186)

Para 𝑘 < 0 esta es una señal de energía finita conocida como pulso Gaussiano.

 Los pulsos Gaussianos son las únicas señales que satisfacen el principio de incertidumbre (7.178)
con la igualdad.
 Otras definiciones de duración de tiempo y ancho de banda conducen a desigualdades con una
cota inferior diferente.
 Principios de incertidumbre análogos pueden ser derivados para las otras representaciones de
Fourier.

Elecciones de ventanas.- Una buena ventana debería tener un lóbulo principal estrecho y sin lóbulos
laterales, es decir, debería ser una buena aproximación a una función delta.

 Sin embargo, de acuerdo al principio de incertidumbre, un ancho de banda pequeño requeriría

una ventana extremadamente larga.
 Dada una ventana de longitud fija, se puede sólo cambiar su forma.
 Desafortunadamente, no existen procedimientos sistemáticos para diseñar ventanas con
formas deseadas.

La ventana rectangular, que corresponde a la truncación de señal sin reformado, puede ser usada
como el punto de inicio para el diseño de algunas ventanas úties.

Para simplificar las derivaciones se consideran ventanas de banda limitada 𝑤𝑐 (𝑡) = 0; |𝑡| > 𝑇0 ⁄2,
las cuales están centradas en 𝑡 = 0 y normalizadas tal que:
 1 ∞
𝑤𝑐 (0) = ∫ 𝑊 (jΩ)𝑑Ω = 1 (7.187)
2𝜋 −∞ 𝑐

Una forma simple de reducir el nivel de lóbulos laterales de la ventana rectangular por un factor de
2 (en dB) está basada en elevar al cuadrado 𝑊𝑅 (jΩ).

Esta ventana en el dominio del tiempo se obtiene mediante la convolución 𝑤𝑅 (𝑡) ∗ 𝑤𝑅 (𝑡) lo que
produce un pulso triangular con duración 2𝑇0 .

Ajustando la duración a 𝑇0 y normalizando de acuerdo a (7.187) se produce:

2|𝑡| 𝐶𝑇𝐹𝑇 4 sin2 (Ω𝑇0 ⁄4)

𝑤𝐵 (𝑡) = (1 − ) 𝑤𝑅 (𝑡) ↔ 𝑊𝐵 (𝑗Ω) = (7.188)
𝑇0 Ω2 𝑇0 ⁄2

Esta ventana es conocida como ventana triangular debido a su forma o ventana de Bartlett después
de su descubrimiento.

Otra forma de reducir el nivel de los lóbulos laterales es correr dos réplica apropiadamente
ponderadas de 𝑊𝐵 (𝑗Ω) en ± 2𝜋⁄𝑇0 rad/seg para lograr la cancelación parcial mediante
superposición.

La transformada de Fourier de la nueva ventana es:

𝑊𝑐 (𝑗Ω) = 𝑎𝑊𝑅 (𝑗Ω) + 𝑏𝑊𝑅 (𝑗(Ω − 2𝜋⁄𝑇0 )) + 𝑏𝑊𝑅 (𝑗(Ω + 2𝜋⁄𝑇0 )) (7.189)

La elección 𝑎 = 0.5, 𝑏 = 0.25, hecha porl el científico australiano Julius von Hann, produce la
ventana de Hann.

La elección de 𝑎 = 0.54, 𝑏 = 0.23, hecha por Richard Hamming usando prueba y error para
minimizar el nivel del lóbulo lateral más alto, resulta en la ventana de Hamming.

Tomando la transformada inversa de Fourier (7.189) se obtiene:

2𝜋𝑡
𝑤𝐻𝑎𝑛 (𝑡) = [0.50 + 0.50 cos ( )] 𝑤𝑅 (𝑡) (7.190)
𝑇0
2𝜋𝑡
𝑤𝐻𝑎𝑚 (𝑡) = [0.54 + 0.46 cos ( )] 𝑤𝑅 (𝑡) (7.191)
𝑇0
La siguiente figura muestra las cuastro ventanas discutidas y sus espectros en una combinación de
escalas lineales y logarítmicas:
 Note que la concentración incrementada de las tres ventanas no rectangulares incrementa el
ancho de su lóbulo principal por un factor de dos comparada con la ventana rectangualr.
 Esto es una consecuencia del principio de incertidumbre.
 De esta manera, si se desea mejor resolución espectral se debería elegir la ventana rectangular.
 Sin embargo, esta ganancia en resolución espectal se vuelve gasto en escape espectral.
 Para reducir el escape, se necesita una ventana con nivel más bajo de lóbulos laterales con una
tasa mayor de decaimiento.
 La ventana rectangular tiene un salto de discontinuida y su espectro decae asintóticamente
como 1⁄Ω. La ventana triangular, que tiene una primera derivada discontinua, tiene un espectro
que decae como 1⁄Ω2 .
 En general, la suavidad de una señal es medida mediante el número de derivadas continuas que
posee. Mientras más suave sea la señal, más rápido es el decaimiento de su espectro.
 De esta manera, se puede mejorar el comportamiento de escape eligiendo una ventana más
suave.
 Para una duración dada, la suavización de la ventana para reducir el nivel de los lóbulos laterales
decrece la duración de time efectivo y por tanto, incrementa el ancho del lóbulo principal.
 De esta manera, no se puede simultáneamente incrementar la resolución espectral y decrecer
el escape.

La característica clave de las cuatro ventanas se resume en la siguiente tabla:

 La ventana rectangular tiene el ancho de lóbulo principal más pequeño (4𝜋⁄𝑇0 ) y el más alto
nivel de lóbulos laterales.
 Entre las tres ventanas, con ancho de lóbulo principal 8𝜋⁄𝑇0 , la ventana de Hamming tienen el
nivel de lóbululo lateral más bajo y la ventana de Hann tiene el decaimiento más rápida de
lóbulos laterales.
 Aunque muchas ventanas con propiedades óptimas han sido propuestas en la literatura, la
ventana de Hann es suficiente para el análisis espectral de señales del mundo real.

Ejemplo 7.7.- En este ejemplo, se ilustran los efectos de la forma de ventana sobre el espectro de
sinusoides ventaneadas. Considere una señal de tiempo continuo que consiste de una suma de 𝑘 +
1 componentes sinusoidales:
𝐾

𝑥𝑐 (𝑡) = ∑ 𝐴𝑘 cos(Ω𝑘 𝑡 + 𝜙𝑘 ) ; −∞ < 𝑡 < ∞ (7.192)

𝑘=0

La CTFT de la señal ventaneada 𝑥̂𝑐 (𝑡) = 𝑤𝑐 (𝑡)𝑥𝑐 (𝑡) está dada por:
𝐾
1
𝑋̂𝑐 (𝑗Ω) = ∑ 𝐴𝑘 𝑒 −𝑗𝜙𝑘 𝑊𝑐 (𝑗(Ω + Ω𝑘 )) + 𝐴𝑘 𝑒 𝑗𝜙𝑘 𝑊𝑐 (𝑗(Ω − Ω𝑘 )) (7.193)
2
𝑘=0

donde 𝑊𝑐 (𝑗Ω) es la transformada de Fourier de la ventana.

Se eligen tres sinusoides con amplitud uno, fase cero y frecuencias 𝐹0 = 1 Hz, 𝐹1 = 3 Hz y 𝐹2 = 4
Hz. La longitud 𝑇0 = 2 seg de las ventanas fue elegida para satisfacer la condición 𝑇0 > 1⁄(𝐹2 − 𝐹1 ).

La siguiente figura muestra que es posible distinguir los picos en 𝐹1 y 𝐹2 con una ventana rectangular
de longitud 𝑇0 , pero no con las otras ventanas:
 Como se esperaba, la ventana de Hann tiene los lóbuos laterales más pequeños a expensas de
una ligera resolución más baja. Para distinguir dos picos en las frecuencias 𝐹1 y 𝐹2 con ventanas
no rectangulares, sus longitudes deberían satisfacer la condición 𝑇0 > 2⁄(𝐹2 − 𝐹1 ).
 Esto no es sorprendente ya que el lóbulo principal de la ventana no rectangular tiene el doble
de ancho comparado con el de la ventana rectangular.
7.6.4 Efectos del muestreo en el dominio de la frecuencia
La siguiente figura muestra los pasos básicos requeridos para determinar el contenido de frecuencia
de una señal de tiempo continuo usando la DFT:
El primer paso es el del ventaneo, el cual como se ha discutido tiene el mayor impacto sobre la
calidad del espectro calculado.

Para evitar complicaciones innecesarias a partir de la periodicidad de la DTFT, se han explicado los
efectos del ventaneo en tiempo continuo usando la CTFT.

Sin embargo, en la práctica la operación del ventaneo tiene lugar en tiempo discreto.

Por tanto, ultimadamente, lo que está disponible para el cálculo digital es la secuencia ventaneada.

𝑥̂[𝑛] = 𝑤𝑐 (𝑛𝑇)𝑥𝑐 (𝑛𝑇) = 𝑤[𝑛]𝑥[𝑛]; 0 ≤ 𝑛 ≤ 𝐿 − 1 (7.194)

La DTFT de 𝑥̂[𝑛] está dada por la fórmula de convolución periódica, es decir:
1 𝜋
𝑋̂(𝑒 𝑗𝜔 ) = ∫ 𝑋(𝑒 𝑗𝜃 )𝑊(𝑒 𝑗(𝜔−𝜃) )𝑑𝜃 (7.195)
2𝜋 −𝜋

 El objetivo es determinar 𝑋𝑐 (𝑗Ω), la CTFT de 𝑥𝑐 (𝑡); lo que se puede calcular es la DTFT 𝑋̂(𝑒 𝑗𝜔 )
de la señal muestreada y ventaneada 𝑥̂[𝑛].
 El muestreo de 𝑥𝑐 (𝑡) con periodo 𝑇 es equivalente a la periodización de 𝑋𝑐 (𝑗Ω) con periodo
2𝜋⁄𝑇.
 El muestreo, el cual puede crear distorsión de aliasing, limita el rango de frecuencia útil a |Ω| ≤
𝜋 ⁄𝑇 .
 El ventaneo de tiempo discreto suaviza los picos agudos y las discontinuidades (efectos del
lóbulo principal) y pueden crear picos falsos (efectos de los lóbulos laterales), como el ventaneo
de tiempo continuo. La forma de 𝑊(𝑒 𝑗𝜔 ); |Ω| ≤ 𝜋⁄𝑇, es muy similar a la forma de 𝑊𝑐 (𝑗Ω) para
valores típicos de 𝐿.

Por ejemplo, la DTFT de la ventana rectangular de tiempo discreto es la función de Dirichlet:

sin(𝜔𝐿⁄2) −𝑗𝜔(𝐿−1)⁄2
𝑊𝑅 (𝑒 𝑗𝜔 ) = 𝑒 (7.196)
sin(𝜔⁄2)
Para 𝐿 grande, la función de Dirichlet (7.196) y la función sin (7.168) son esencialmente idénticas en
la región alrededor del lóbulo principal.

El paso final es calcular las muestras de la DTFT en frecuencias 𝜔𝑘 = 2𝜋𝑘⁄𝑁.

Esto es equivalente a periodizar la secuencia 𝑥̂[𝑛] con periodo 𝑁. El cálculo real es efectuado
calculando la DFT de 𝑁 puntos (𝑁 ≥ 𝐿) de la señal ventaneada 𝑥̂[𝑛]; 0 ≤ 𝑛 ≤ 𝐿 − 1 usando un
algoritmo FFT.

La correspondencia entre el índice de los coeficientes DFT y las frecuencias de tiempo continuo es:
2𝜋𝑘
Ω𝑘 = 2𝜋𝐹𝑘 = ; 0 ≤ 𝑛 ≤ 𝑁 − 1 (7.197)
𝑁𝑇
La cantidad 2𝜋⁄(𝑁𝑇) determina el espaciamiento entre las muestras de la DTFT evaluada mediante
la DFT; típicamente se usa relleno de ceros para obtener una representación visual fiel de la DTFT.

 La resolución espectral física, depende de la longitud 𝐿 de la ventana.

 Es importante notar que la ventana debería ser aplicada al segmento de señal (datos actuales)
antes del relleno de ceros.
 De esta manera, se debería elegir la longitud de la ventana 𝐿, evitando cualquier cero líder o de
arrastre en los datos.

Todas las implementaciones rápidas de la DFT claculan la DTFT en estas frecuencias.

Sin embargo, algunas veces se necesitan muestras de la DTFT en el rango −𝜋 < 𝜔 < 𝜋, en vez del
rango de 0 ≤ 𝜔 < 2𝜋.

La conversión entre los dos rangos, que está basada en la periodicidad de la DTFT, se hace usando
la función de Matlab:

X=fftshift(X) (7.198)

 Esta función rearregla la salida de la fft moviendo la componente de frecuencia cero al centro
del arreglo.
 Es útil para visualizar la transformada de Fourier con la componente de frecuencia cero en el
medio del espectro.

Los efectos de fftshift son deshechos usando la función:

X=ifftshift(X) (7.199)

Se pueden evitar más dificultades relacionadas con la aplicación de a DFT en el análisis espectral, si
se tiene en cuenta las siguientes observaciones:

 La frecuencia de muestreo, 𝐹𝑠 = 1⁄𝑇, la cual se elige para evitar la distorsión de aliasing,

determina el límite superior del rango de frecuencia útil 0 ≤ 𝐹 ≤ 𝐹𝑠 ⁄2
 La longitud y forma de la ventana, 𝑇0 = 𝐿𝑇, determina la resolución espectral. Para resolver dos
componentes sinusoidales en frecuencias 𝐹1 y 𝐹2 , se debería elegir 𝑇0 > 1⁄(𝐹2 − 𝐹1 ), para una
ventana rectangular, y 𝑇0 > 2⁄(𝐹2 − 𝐹1 ), para una ventana no rectangular
 La ventana de Hann proporciona un buen compromiso entre resolución especctral y escape para
la mayoría de las aplicaciones prácticas. La ventana de Hann de tiempo discreto es:
0.5 − 0.5 cos(2𝜋𝑛⁄𝑁) 0 ≤ 𝑛 ≤ 𝑁 − 1
𝑤[𝑛] = { (7.200)
0 de otra manera
La ventana de Hann es implementada en Matlab por la función w=hann(N) y sus características
en el dominio de la frecuencia pueden ser examinadas usando la función herramienta de
visualización de ventanas wvtool (winname(N)).
 La longitud 𝑁 de la DFT debería ser mucho más grande que 𝐿 = 𝑇0 ⁄𝑇 para obtener una buena
representación visual de la DTFT. Si se hace que 𝑁 sea una potencia de dos, es decir, 𝑁 = 2𝑄 , la
fft de Matlab corre más rápido-

Ejemplo 7.9 Sinusoides con frecuencias que no coinciden con los cajones (bins) DFT.- Considere la
secuencia:
2𝜋 3 4𝜋
𝑥[𝑛] = {cos ( 𝑛) + cos ( 𝑛) 0 ≤ 𝑛 ≤ 31 (7.202)
9 4 7
0 de otra manera
En este caso, las frecuencias 𝜔1 = 2𝜋⁄9 y 𝜔2 = 4𝜋⁄7 caen entre los cajones (cracks) de la DFT.

En efecto, se puede fácilmente ver que 3⁄32 < 3⁄27 < 4⁄32 y 9⁄32 < 8⁄28 < 10⁄32.

Como en el ejemplo 7.8, el espectro de la señal ventaneada está dada por la DTFT, la cual se muestra
en la siguiente figura con una línea azul continua:

 Debido a la falta de coincidencia entre los cruces por cero de la ventana rectangular y las cajas
DFt, todas las muestras de la DFT son diferentes de cero.
 En este sentido, existe una diferencia visual significativa entre las DFTs de las ventanas
rectangulares en las figuras anteriores.
 En contraste, las DFTs de las señales ventaneadas con Hann son remarcablement similares.
 De esta manera, para evitar falsas conclusiones siempre se usa una ventana de Hann y una DFT
con relleno de ceros grande.
7.6.5 El espectrograma
La validez del análisis del espectro usando la DFT está basada en una suposición fundamental
implícita: las amplitudes, frecuencias y fases de las componentes sinusoidales de la señal analizada
no cambia con el tiempo dentro de la ventana de análisis.

Puesto que incrementando la longitud de la ventana resulta en mejor resolución de frecuencia, sería
bueno usar ventanas largas.

Sin embargo, existen dos problemas principales que prohiben el uso de ventanas muy largas en
aplicaciones prácticas.
 Primero, la espera que significa adquirr las muestras necesarias introduce largos retardos y
requiere el cálculo de enormes DFTs.
 Segundo, el contenido de frecuencia de la voz, el radar, el sonar y otras señals prácticas cambia
con el tiempo.

De esta manera, la longitud de la ventana debería ser suficientemente corta para asegurar que el
contenido espectral no varíe significativamente dentro de la ventana por propósitos prácticos.

Si el contenido espectral cambia significativamente dentro de la ventana de análisis, la DFT

proporcionará resultados erróneos de análisis de frecuencia.

Una solución práctica razonable a estos problemas es dividir una señal larga en segmentos pequeños
y analizar cada uno con el DFT.

Para formalizar este método se define la DFT dependiente del tiempo de DFT de corto tiempo de la
señal 𝑥[𝑛] mediante:
𝐿−1

𝑋[𝑘, 𝑛] ≜ ∑ 𝑤[𝑚]𝑥[𝑛 + 𝑚]𝑒 −𝑗(2𝜋𝑘⁄𝑁)𝑚 (7.203)

𝑚=0

donde 𝐿 es el longitud de la ventana 𝑤[𝑛] y 𝑘? 0,1, … , 𝑁 − 1.

 Esta ecuación tiene una interpretación simple: el conjunto de números 𝑋[𝑘, 𝑛]; 0 ≤ 𝑘 ≤ 𝑁 − 1
es la DFT de 𝑁 puntos de un segmento ventaneado de 𝑥[𝑚] empezando en 𝑚 = 𝑛 y terminando
en 𝑀 = 𝑛 + 𝐿 − 1.
 La ventana es fijada en el intervalo desde 𝑚 = 0 a 𝑚 = 𝐿 − 1.

A medida que el índice de corrimiento 𝑛 cambia, la señal 𝑥[𝑛 + 𝑚] se desliza y la ventana extrae un
segmento diferente de la señal para análisis.

 Esencialmente, para cada valor de 𝑛 se extrae un segmento ventaneado de la señal 𝑥[𝑚] y se

evalúa el espectro local.
 Este proceso es también conocido como análisis de Fourier de tiempo corto.
 La secuencia de dos dimensiones 𝑋[𝑘, 𝑛], que representa la contribución de la componente de
frecuencia 𝜔𝑘 = 2𝜋𝑘⁄𝑁 en el segmento especificado por el índice de tiempo 𝑛, es llamado
espectrograma.
 Usualmente la gráfica |𝑋[𝑘, 𝑛]| o log|𝑋[𝑘, 𝑛]| como una escala de grises o imagen psudocolor
dende el eje horizontal representa el tiempo y el eje vertical la frecuencia.
 La escala logarítmica ayuda a ver pequeños componentes de amplitud.

Para ilustrar estas ideas, considere el siguiente ejemplo.

Ejemplo 7.10 Espectrograma de la señal FM (chirp).- Considere la señal FM lineal de tiempo

continuo (chirp) definida por:

𝑥𝑐 (𝑡) = sin[𝜋(𝐹1 ⁄𝜏)𝑡 2 ] ; 0 ≤ 𝑡 ≤ 𝜏 (7.204)

La frecuencia instantánea, es decir, la derivada del ángulo está dada por:
 1 𝑑 𝑡
𝐹𝑖 (𝑡) = (𝜋𝑡 2 𝐹1 ⁄𝜏) = 𝐹1 ; 0 ≤ 𝑡 ≤ 𝜏 (7.205)
2𝜋 𝑑𝑡 𝜏
De esta manera, la frecuencia de 𝑥𝑐 (𝑡) incrementa la linealidad desde 𝐹 = 0 a 𝐹 = 𝐹1 .

Si se muestrea 𝑥𝑐 (𝑡) con 𝐹𝑠 = 1⁄𝑇 y se elige 𝜏 = 𝐿𝑇, se obtiene la secuencia:

𝑥[𝑛] ≜ 𝑥𝑐 (𝑛𝑇) = sin(𝜋𝑓1 𝑛2⁄𝐿) (7.206)

donde 𝑓1 ≜ 𝐹1 ⁄𝐹𝑠 .

La frecuencia normalizada instantánea está dada por:

𝑛
𝑓𝑖 (𝑛) = 𝑓1 ; 0 ≤ 𝑛 ≤ 𝐿 − 1 (7.207)
𝐿
Eligiendo 𝐹1 = 500 Hz, 𝜏 = 10 seg y 𝐹𝑠 = 1000 Hz, se generan 𝐿 = 𝜏𝐹𝑠 = 10000 muestras de la
secuencia 𝑥[𝑛].

 La siguiente figura (a) muestra las primeras 2000 muestras de 𝑥[𝑛] graficadas como forma de
onda continua (las muestras sucesivas son conectadas mediante líneas rectas).
 Note que a medida que progresa el tiempo, los picos se vuelven más cercanos, lo que indica que
la frecuencia se incrementa con el tiempo.
 Luego se calcula la DFT de este segmento y se grafica su magnitud después del corrimiento de
la frecuencia cero al medio con la función fftshift (7.198).
 El resultado, el cual se muestra en (b), sugiere que la señal contine todas las componentes de
frecuencia desde alrededor de o Hz a 100 Hz- en aproximadamente la misma cantidad.
 Esta conclusión que sigue de la suposición fundamental del análisis de Fourier que la amplitud,
la frecuencia y la fase de cada componente de frecuencia permanecen constantes en el tiempo,
es obviamente incorrecta.

En efecto, de (7.124) se conoce que la señal se hace a partir de una sinusoide cuya frecuencia cambia
linealmente con el tiempo.
 Si se observa en cualquier segmento corto de 𝑥[𝑛], se refleja una sinusoide con una frecuencia
casi constante.
 Por tanto, si se ventanea un segmento suficientemente corto y se calcula su DFT, se podría
obtener un espectro local representativo de la señal.

Esta idea se ilustra en la siguiente figura:

 Puesto que la ventana está centreada alrededor de 𝑡 = 0.8 seg, la frecuencia instantánea está
alrededor de 𝐹𝑖 (𝑡) = 40 Hz y el espectro es un pico estrecho centrado en 𝐹 = 40 Hz.
 Para obtener estos resultados se ha usado la ventana de Hann con longitud 𝐿 = 200 y una DFT
con 𝑁 = 256 puntos.

El contenido de frecuencia variante en el tiempo de la señal chirp es capturado por los

espectrogramas mostrados en la siguiente figura:
Los espectrogramas son obtenidos mediante la función de Matlab spectrogram0:
 Esta función calcula la DFT de 𝑁 puntos de segmentos sucesivos usando la ventana de Hann de
longitud 𝐿 ≤ 𝑁, la cual es corrida cada 𝑀 ≤ 𝐿 muestras.
 Las escalas del eje del tiempo (seg) y del eje de la frecuencia (Hz) son determinadas mediante
la frecuencia de muestreo 𝐹𝑠 .

La instrucción está dada por:

S=spectrogram0(x,L,N,M,Fs) (7.208)

Matlab incluye una función más general spectrogram en el toolbox de Signal Processing; sin
embargo, spectrogram0 ilustra más claramente cómo calcular y desplegar el espectrograma.

 La figura (a) anterior muestra el espectrograma de una señal chirp con duración 𝜏 = 10 seg,
𝐹1 = 500 Hz y 𝐹𝑠 = 1000 Hz, obtenida usando una ventana de Hann con 𝐿 = 50 y una DFT con
𝑁 = 256 puntos.
 Como se esperaba, la frecuencia instantánea crece linealmente desde 𝐹 = 0 Hz hasta 𝐹 =
𝐹𝑠 ⁄2 = 500 Hz. El valor de 20 log|𝑋[𝑘, 𝑛]| sobre un rango restringido de 100 dB está
representado por el tono de gris del pixel en [𝑘, 𝑛].
 Para desplegar sobre una pantalla de computadora es preferible usar una represeentación de
pseudocolor.
 El ancho de la línea está relacionado con el ancho del lóbulo principal, el cual aproximadamente
es 4𝐹𝑠 ⁄𝐿 Hz; la resolución de tiempo es proporcional a la longitud de la ventana.
 Por tanto, no se puede simultáneamente mejorar la resolución de tiempo y frecuencia.
 La figura anterior en (b) muestra el espectrograma con una resolución de frecuencia mejorada
incrementando la longitud de la ventana a 𝐿 = 200. Si se hace que 𝐹1 = 𝐹𝑠 = 1000 Hz, se
obtiene el espectrograma de la figura (c).
 Puesto que la frecuencia más alta que se puede ver en una señal de tiempo discreto es 𝐹𝑠 ⁄2,
note que la frecuencia crece linealmente desde 0 a 500 Hz y luego decae linealmente a 0 debido
al aliasing.

Este ejemplo ilustra cómo aplicar el princiío del análisis espectral a señales cuyas propiedades
cambian con el tiempo.

El espectrograma es la herramienta más práctica para el análisis de señales con espectros variantes
en el tiempo y es extensivamente usada en aplicaciones de procesamiento de voz.
8 Cálculo de la transformada discreta de Fourier
Cálculo directo de la DFT de 𝑵 puntos
La DFT de una secuencia de longitud finita de longitud 𝑁 está definida por:
𝑁−1

𝑋[𝑘] = ∑ 𝑥[𝑛]𝑊𝑁𝑘𝑛 ; 𝑘 = 0,1, … , 𝑁 − 1 (8.1)

𝑛=0
2𝜋
−𝑗
donde 𝑊𝑁 = 𝑒 𝑁 , la raíz unitaria, es también conocida como factor de giro. La DFT inversa está
dada por:
𝑁−1

𝑥[𝑛] = ∑ 𝑋[𝑘]𝑊𝑁−𝑘𝑛 ; 𝑛 = 0,1, … , 𝑁 − 1 (8.2)

𝑘=0

 La complejidad computacional del algoritmo DFT directo es del orden de 𝑁 2 o 𝑂(𝑁 2 )

operacioness.
 Para una DFT de tamaño fijo 𝑁 los valores de los coeficientes 𝑊𝑁𝑘𝑛 usualmente se calculan y
almacenan antes de la ejecución del algoritmo; pro tanto, no están incluidos cuando se evalúa
la complejidad del algoritmo DFT.

Puesto que el tiempo de cálculo de los algoritmos 𝑂(𝑁 2 ) se vuelve muy grande para valores grandes
de 𝑁, uno está interesado en algoritmos computacionales que reduzcan el número de operaciones.

 La complejidad computacional tradicionalmente se evalúa mediante el número de

multiplicaciones seguido del número de adiciones.
 Sin embargo, con la tecnología computacional actual también se consideran factores en la
implementación como: arquitecctura de la computadora, diseño del compilador y otros
factores.

Algoritmos de la transformada rápida de Fourier (FFT)

Los algoritmos FFT explotan la periodicidad de las propiedades de simetría compeja conjugada de
los factores 𝑊𝑁𝑘𝑛 , los cuales tienen una complejidad computacional de 𝑂(𝑁 log 2 (𝑁)).

Estos algoritmos usan la estrategia “dividir y conquistar”; es decir, descomponen la DFT de una
secuencia de longitud 𝑁 en DFTs de longitud más pequeña que se fusionan para formar la DFT de 𝑁
puntos.

Los algoritmos que descomponen la secuencia 𝑥[𝑛] en secuencias más pequeñas se conocen como
algoritmos FFT de decimación en tiempo; mientras que los algoritmos que descomponen la DFT
𝑋[𝑘] en secuencias más pequeñas se llaman FFTs de decimación en frecuencia.

La idea de la FFT
La mayoría de los algoritmos para la computación eficiente de la DFT explotan las propiedades de
peridicidad y simetría del factor de giro 𝑊𝑁𝑘𝑛

Estas propiedades son:

(𝑘+𝑁)𝑛
𝑊𝑁𝑘𝑛 = 𝑊𝑁𝑘(𝑛+𝑁) = 𝑊𝑁 (periodicidad en 𝑘 y en 𝑛) (8.5)
∗
𝑊𝑁𝑘(𝑁−𝑛) = 𝑊𝑁−𝑘𝑛 = (𝑊𝑁𝑘𝑛 ) (simetría compleja conjugada) (8.6)

Las propiedades de peridicidad y simetría de la matriz DFT pueden ser visualizadas mediante la
representación de cada factor de giro 𝑊𝑁𝑘𝑛 como un fasor en el plano complejo.

Para la matriz 𝑊8 esta representación pictórica toma la siguiente forma en la cual el ángulo del fasor
de 0 es mostrado verticalmente hacia arriba y el fasor rota en la dirección del sentido de las
manecillas del reloj:

Para desarrollar algoritmos eficientes para el cálculo de la DFT primero se expresa la DFT de 𝑁
puntos, para 𝑁 = 8 en forma matricial.

El resultado es:

Note que cambiando el orden de las columnas de la matriz y los elementos del vector del lado
derecho de la misma forma no se altera el resultado final.

De esta manera, se puede poner primero las columnas para las muestras pares 𝑥[0], 𝑥[2], 𝑥[4], 𝑥[6]
y luego las columna para las muestras impares 𝑥[1], 𝑥[3], 𝑥[5], 𝑥[7].

Si se usa la identidad 𝑊84 = −1 y se rearregla la matriz anterior agrupando los términos pares e
impares, se obtiene:
donde se ha particionado la matriz DFT como una matriz de 2 × 2 con bloques de 4 × 4 Si se usa la
identidad 𝑊82 = 𝑊4 , resultando en:
𝐗 𝐖 𝐃8 𝐖4 𝐱𝐸
[ 𝑇] = [ 4 ] [ ] (8.10)
𝐗𝐵 𝐖4 −𝐃8 𝐖4 𝐱𝑂
donde 𝐖4 es la matriz DFT de 4 puntos y 𝐷8 es una matriz diagnonal:

1 1 1 1 1 0 0 0
𝑊 2 𝑊3
𝑊 0 𝑊 0 0
𝐖4 = 1
4 4 4 8
𝑦 𝐃8 = [ ] (8.11)
1 𝑊42 1 𝑊42 0 0 𝑊82 0
2 3
[1 𝑊43 𝑊4 𝑊4 ] 0 0 0 𝑊8
𝑁
Ahora defina la DFTs de 2 puntos (𝑁 = 8):

𝐗 𝐸 = 𝐖𝑁 𝐱𝐸 (8.12𝑎)
2

𝐗 𝑂 = 𝐖𝑁 𝐱𝑂 (8.12𝑏)
2

La DFT en (8.10) puede ser expresada como:

𝐗 𝑇 = 𝐗 𝐸 + 𝐃𝑁 𝐗 𝑂 (8.13𝑎)
𝐗 𝐵 = 𝐗 𝐸 − 𝐃𝑁 𝐗 𝑂 (8.13𝑏)
𝑁
Se ha expresado la DFT de 𝑁 puntos en términos de dos DFTs de 2 puntos.

Esquemáticamente:
 𝑁
La fusión de las dos DFTs requiere de multiplicaciones y 𝑁 adiciones
2

Si 𝑁 = 2𝑣 se puede repetir este proceso hasta 𝑁 = 1; la DFT de 1 punto es trivial 𝑋[0] = 𝑥[0].

El resultado es un algoritmo con complejidad copmputaciona 𝑂(𝑁 log 2 (𝑁)).

Claramente, el algoritmo obtenido pertenece a la clase de deciminación en tiempo.

Una función de Matlab llamada fftrecur se da en:

Algoritmos FFT de decimación en tiempo

Derivación algebraica
Para desarrollar el algoritmo FFT de decimación en tiempo se divide la sumatoria de la DFT de 𝑁
𝑁
puntos asumiendo que 𝑁 es un entero par en dos sumatorias de 2
puntos; una suma sobre los
puntos con indexación par de 𝑥[𝑛] y la otra suma sobre los puntos con indexación impar de 𝑥[𝑛].

De esta manera, después de algunas manipulaciónes algebraicas simples se obtiene:

𝑁−1

𝑋[𝑘] = ∑ 𝑥[𝑛]𝑊𝑁𝑘𝑛 ; 𝑘 = 0,1, … , 𝑁 − 1

𝑛=0
𝑁 𝑁
−1 −1
2 2
𝑘(2𝑚) 𝑘(2𝑚+1)
𝑋[𝑘] = ∑ 𝑥[2𝑚]𝑊𝑁 + ∑ 𝑥[2𝑚 + 1]𝑊𝑁
𝑚=0 𝑚=0
𝑁 𝑁
−1 −1
2 2

= ∑ 𝑥[2𝑚]𝑊𝑁𝑘(2𝑚) + 𝑊𝑁𝑘 ∑ 𝑥[2𝑚 + 1]𝑊𝑁𝑘(2𝑚) (8.18)

𝑚=0 𝑚=0
𝑁
Por conveniencia, se definen las siguientes secuencias de 2
puntos:

𝑁
𝑎[𝑛] ≜ 𝑥[2𝑛]; 𝑛 = 0,1, … , − 1 (8.19𝑎)
2
𝑁
𝑏[𝑛] ≜ 𝑥[2𝑛 + 1]; 𝑛 = 0,1, … , − 1 (8.19𝑏)
2
Debido a que las secuencias más cortas 𝑎[𝑛] y 𝑏[𝑛] se obtienen muestreando (o decimando) la
secuencia 𝑥[𝑛], este proceso se llama descomposición por decimación en tiempo. Sustituyendo
estas definiciones en (8.18) y usando 𝑊𝑁2 = 𝑊𝑁 se tiene:
2

𝑋[𝑘] = 𝐴[𝑘] + 𝑊𝑁𝑘 𝐵[𝑘]; 𝑘 = 0,1, … , 𝑁 − 1 (8.20)

donde:
𝑁
−1
2
𝑁
𝐴[𝑘] ≜ ∑ 𝑎[𝑚]𝑊𝑁𝑘𝑚 ; 𝑘 = 0,1, … , − 1 (8.21𝑎)
2 2
𝑚=0
𝑁
−1
2
𝑁
𝐵[𝑘] ≜ ∑ 𝑏[𝑚]𝑊𝑁𝑘𝑚 ; 𝑘 = 0,1, … , − 1 (8.21𝑏)
2 2
𝑚=0
𝑁
La DFT de 𝑁 puntos se puede calcular a partir de las DFTxde 2
puntos 𝐴[𝑘] y 𝐵[𝑘] usando las
siguientes fórmulas de fusión:
𝑁 𝑁
𝑋 [𝑘 + ] = 𝐴[𝑘] − 𝑊𝑁𝑘 𝐵[𝑘]; 𝑘 = 0,1, … , − 1 (8.23𝑏)
2 2
 𝑁
𝑋[𝑘] = 𝐴[𝑘] + 𝑊𝑁𝑘 𝐵[𝑘]; 𝑘 = 0,1, … , − 1 (8.23𝑎)
2
Por tanto, si 𝑁 = 2𝑣 la descompasición par-impar de la secuencia de entrada puede ser aplicada
recursivamente hasta alcanzar el punto donde las longitudes de la DFT sea igual a dos.

El cálculo de la DFT de 2 puntos es trivial:

𝑋[0] = 𝑋[0] − 𝑊20 𝑥[1] = 𝑥[0] + 𝑥[1] (8.24𝑎)

𝑋[1] = 𝑋[0] − 𝑊21 𝑥[1] = 𝑥[0] − 𝑥[1] (8.24𝑏)

Puesto que la DFT de 1 punto es el propio punto de entrada, se puede pensar que (8.24) esla fusión
de dos DFTs de 1 punto.

El algoritmo FFT de decimación en tiempo fue introducido por Cooler y Tukey (1965)

Ejemplo 8.1 FFT de decimación en tiempo para 𝑵 = 𝟖

Suponga que se desea calcular los siguientes coeficientes de la DFT de 8 puntos:

𝑋[𝑘] = 𝐷𝐹𝑇8 {𝑥[0], 𝑥[1], 𝑥[2], 𝑥[3], 𝑥[4], 𝑥[5], 𝑥[6], 𝑥[7]}; 0 ≤ 𝑘 ≤ 7 (8.25)

usando el método dividir y conquistar descrito en (8.23).

Esto requiere las DFTs de 4 puntos de las secuencias decimadas en tiempo con indexación par e
impar

𝐴[𝑘] = 𝐷𝐹𝑇4 {𝑥[0], 𝑥[2], 𝑥[4], 𝑥[6]}; 0 ≤ 𝑘 ≤ 3 (8.26𝑎)

𝐵[𝑘] = 𝐷𝐹𝑇4 {𝑥[1], 𝑥[3], 𝑥[5], 𝑥[7]}; 0 ≤ 𝑘 ≤ 3 (8.26𝑏)
Para calcular 𝐴[𝑘] y 𝐵[𝑘] se necesitan las siguientes transformadas de 2 puntos:

𝐶[𝑘] = 𝐷𝐹𝑇2 {𝑥[0], 𝑥[4]}; 𝑘 = 0,1 (8.27𝑎)

𝐷[𝑘] = 𝐷𝐹𝑇2 {𝑥[2], 𝑥[6]}; 𝑘 = 0,1 (8.27𝑏)
𝐸[𝑘] = 𝐷𝐹𝑇2 {𝑥[1], 𝑥[5]}; 𝑘 = 0,1 (8.27𝑐)
𝐹[𝑘] = 𝐷𝐹𝑇2 {𝑥[3], 𝑥[7]}; 𝑘 = 0,1 (8.27𝑑)
La descomposición para debido a que las DFTs de dos puntos on fácilmente calculables mediante la
fusión de las DFTs de 1 punto como en (8.24).

Por tanto, el principal esfuerzo computacional es fundir 𝐶[𝑘] con 𝐷[𝑘], 𝐸[𝑘] con 𝐹[𝑘] y 𝐴[𝑘] con
𝐵[𝑘] usando (8.23) para 𝑁 = 4 y 𝑁 = 8.

Se asume que los factores de giro ya han sido calculados y almacenados.

Las fórmulas para fusionar las DFTs de 4 puntos son:

𝐴[𝑘] = 𝐶[𝑘] + 𝑊82𝑘 𝐷[𝑘]; 𝑘 = 0,1 (8.28𝑎)

𝐴[𝑘 + 2] = 𝐶[𝑘] − 𝑊82𝑘 𝐷[𝑘]; 𝑘 = 0,1 (8.28𝑏)

 𝐵[𝑘] = 𝐸[𝑘] + 𝑊82𝑘 𝐹[𝑘]; 𝑘 = 0,1 (8.29𝑎)

𝐵[𝑘 + 2] = 𝐸[𝑘] − 𝑊82𝑘 𝐹[𝑘]; 𝑘 = 0,1 (8.29𝑏)

Finalmente se fusionan las DFTs de 4 puntos usando:

𝑋[𝑘] = 𝐴[𝑘] + 𝑊8𝑘 𝐵[𝑘]; 𝑘 = 0,1, … 3 (8.30𝑎)

𝑋[𝑘 + 2] = 𝐴[𝑘] − 𝑊8𝑘 𝐵[𝑘]; 𝑘 = 0,1, … 3 (8.30𝑏)

Note que se ha usado la identidad 𝑊4𝑘 = 𝑊82𝑘 tal que los factores de giro para todas las ecuaciones
de fusión correspondan a 𝑁 = 8.

Las fórmulas de fusión comparten la misma forma:

𝑋𝑚 [𝑝] = 𝑋𝑚−1 [𝑝] + 𝑊𝑁𝑟 𝑋𝑚−1 [𝑞] (8.31𝑎)

𝑋𝑚 [𝑞] = 𝑋𝑚−1 [𝑝] − 𝑊𝑁𝑟 𝑋𝑚−1 [𝑞] (8.31𝑏)

La siguiente figura muestra una gráfica de flujo de esta operación, la cual es conocida como cálculo
mapriposa debido a su forma:

Los factores de giro proporcioan el ajuste requerido para doblar el tamaño de la DFT de entrada.

El cálculo mariposa requiere una adición compleja, una resta compleja y una multiplicación
compleja.

La siguiente figura muestra la gráfica de flujo del algoritmo FFT de decimación en tiempo de 8 puntos
usando la operación mariposa:
Algoritmos FFT de decimación en frecuencia
Los algoritmos FFT de decimación en tiempo están basados en la descomposición recursiva de la
secuencia de entrada en subsecuencias con indexación par e impar.

Otro algoritmo con la misma complejidad computacional puede ser derivado aplicando la misma
descomposición de dividir y conquistar sobre los coeficientes de la DFT.

Como antes, el punto de inicio es la definición de la DFT de 𝑁 puntos:

𝑁−1

𝑋[𝑘] = ∑ 𝑥[𝑛]𝑊𝑁𝑘𝑛 ; 𝑘 = 0,1, … , 𝑁 − 1 (8.34)

𝑛=0

donde se asume que 𝑁 = 2𝑣 .

Los coeficientes con indexación para están dados por

𝑁−1 𝑁−1
(2𝑘)𝑛 𝑘(2𝑚+1) 𝑁
𝑋[2𝑘] = ∑ 𝑥[𝑛]𝑊𝑁 + ∑ 𝑥[𝑛]𝑊𝑁 ; 𝑘 = 0,1, … , − 1 (8.35)
2 2
𝑛=0 𝑛=0
𝑁
donde se ha usado la identidad 𝑊𝑁2 = 𝑊𝑁 . Aunque esto parece una DFT de puntos, en realidad
2
2
no lo es puesto que el rango de la sumatoria es desde 𝑛 = 0 hasta 𝑛 = 𝑁 − 1.

Para evadir este problema se divide la sumatoria en dos partes como sigue:
 𝑁 𝑁 𝑁 𝑁
−1 −1 −1 −1
2 2 𝑁 2 2
𝑁 𝑘(𝑛+ ) 𝑁
𝑋[2𝑘] = ∑ 𝑥[𝑛]𝑊𝑁𝑘𝑛 + ∑ 𝑥 [𝑛 + ] 𝑊𝑁 2
= ∑ 𝑥[𝑛]𝑊𝑁𝑘𝑛 + ∑ 𝑥 [𝑛 + ] 𝑊𝑁𝑘𝑛
2 2 2 2 2 2
𝑛=0 𝑛=0 𝑛=0 𝑛=0
𝑁
−1
2
𝑁 𝑁
= ∑ (𝑥[𝑛] + 𝑥 [𝑛 + ]) 𝑊𝑁𝑘𝑛 ; 𝑘 = 0,1, … , − 1 (8.36)
2 2 2
𝑛=0

Siguiendo un procedimiento similar para los coeficientes DFT con indexación impar, se obtiene:
𝑁
−1
2
𝑁 𝑁
𝑋[2𝑘 + 1] = ∑ [(𝑥[𝑛] − 𝑥 [𝑛 + ]) 𝑊𝑁𝑛 ] 𝑊𝑁𝑘𝑛 ; 𝑘 = 0,1, … , − 1 (8.37)
2 2 2
𝑛=0
𝑁
Las ecuaciones (8.36) y (8.37) expresan las DFT original de 𝑁 puntos en términos de dos DFTs de 2
puntos: Los algoritmos FFT basados en la descomposición de la secuencia DFT 𝑋[𝑘] a subsecuencias
con indexación par e impar se llaman algoritmos de decimación en frecuencia.
𝑁
Para desarrollar el algoritmo dividir y conquistar se definen las secuencias de puntos:
2

𝑁 𝑁
𝑎[𝑛] ≜ 𝑥[𝑛] + 𝑥 [𝑛 + ] ; 𝑛 = 0,1, … − 1 (8.38𝑎)
2 2
𝑁 𝑁
𝑏[𝑛] ≜ (𝑥[𝑛] − 𝑥 [𝑛 + ]) 𝑊𝑁𝑛 ; 𝑛 = 0,1, … − 1 (8.38𝑏)
2 2
𝑁
y calcular sus DFTs de puntos:
2
𝑁
−1
2
𝑁
𝐴[𝑘] = ∑ 𝑎[𝑛]𝑊𝑁𝑘𝑛 ; 𝑘 = 0,1, … , − 1 (8.39𝑎)
2 2
𝑛=0
𝑁
−1
2
𝑁
𝐵[𝑘] = ∑ 𝑏[𝑛]𝑊𝑁𝑘𝑛 ; 𝑘 = 0,1, … , − 1 (8.39𝑏)
2 2
𝑛=0

Para encontrar la DFT de 𝑁 puntos de la secuencia original 𝑥[𝑛], se iteran los valores de los dos DFTs
𝑁
de 2 puntos como sigue:

𝑁
𝑋[2𝑘] = 𝐴[𝑘]; 𝑘 = 0,1, … , − 1 (8.40𝑎)
2
𝑁
𝑋[2𝑘 + 1] = 𝐵[𝑘]; 𝑘 = 0,1, … , − 1 (8.40𝑏)
2
De esta manera, la tarea de calcular la DFT de 𝑁 puntos ha sido reemplazada por la tarea de calcular
𝑁
dos DFTs de 2 puntos.
Como en el caso de la decimación en tiempo, no se para aquí. La misma estrategia es aplicada para
𝑁
calcular las DFTs de 𝑎[𝑛] y 𝑏[𝑛], luego nuevamente se calculan las DFTs de 4
puntos, hasta que
eventualente se alcance la DFT de 1 punto, las cuales son triviales de calcular.

Por tanto, el único trabajo involucra la preparación de las secuencias de entrada para cada DFT
sucesiva aplicando las relaciones (8.38) con el valor apropiado de 𝑁. La FFT de decimación en
frecuencia fue encontrada independientemente por Sande; Cooley y Sockham en 1967.

Por muchos años, el tiempo de cálculo de la FFT estuvo dominado por multiplicaciones y adiciones.

El desempeño de las FFTs sobre las computadoras actuales depende de la estructura del algoritmo,
el compilador y la arquitectura de la máquina.

Para aplicaciones que no requieren todos los coeficientes de la DFT de N puntos, se pueden usar
algoritmos basados en operaciones de filtraje lineal; estos incluyen el algoritmo de Goertzel y el
algoritmo de la transformada chirp.
9 Estructuras de sistemas de tiempo discreto
Diagramas de bloques y diagramas de flujo de señal
Considere un filtro IIR de primer orden descrito por:

𝑦[𝑛] = 𝑏0 𝑥[𝑛] + 𝑏1 𝑥[𝑛 − 1] − 𝑎1 𝑦[𝑛 − 1] (9.1)

La función sistema está dada por:

𝑏0 + 𝑏1 𝑧 −1
𝐻[𝑧] = (9.2)
1 + 𝑎1 𝑧 −1
La siguiente figura muestra la implementación del diagrama de bloques y el diagrama de flujo de
señal de la ecuación de diferencias (9.1):

El digrama de bloques muestra las operaciones descritas por la ecuación de diferencias usando
elementos computacionales básicos, mientras que la gráfica de flujo de señal proporciona una
representación equivalente del flujo de señales y sus operaciones.

Note que en el caso de las gráficas de flujo de señal, la rama de entrada aplica la señal externa 𝑥[𝑛]
al sistema en el nodo de la rama izquierda y la salida de la señal está disponible en la rama de salida
conectada a nodo de la rama derecha.

Más aún, las gráficas de flujo de señal no sólo proporcionan una representación gráfica sino que
también puesen ser manipuladas en forma muy similar a las ecuaciones matemáticas para obtener
estructuras alternativas equivalentes.

Transposición de las gráficas de flujo de señal.- Un método para lograr estructuras alternativas
de la misma función seistema es usar el procedimiento conocido como transposición.

La gráfica reultante es llamada forma transpuesta mientras que la original se llama forma normal.

Las estructuras transpuestas pueden ser derivadas usando el teorema de transposición para gráficas
de flujo.

De acuerdo al este teorema se puede derivar una estructura equivalente a partir de una realizació
dada mediante el siguiente conjunto de operaciones
 Reversa de las direcciones de rama
 Remplazo de los nodos de rama por nodos de suma y viceversa
 Intercambio de los nodos de entrada y salida

Aplicando los tres pvasos anteriores a la gráfica de flujo de señal de la figura anterior

se obtiene el diagrama de la siguiente figura:

Puesto que el método acostumbrado es mostrar la rama de entrada ala izquierda y la rama de salida
a la derecha, se voltea el diagrama anterior para obtener la forma transpuesta de la siguiente figura:

Para verificar que la nueva estructura representa la misma función sistema de (9.2) denote la señal
del nodo central por 𝑣[𝑛].

Entonces en el node de suma de la izquierda se tiene:

1
𝑣[𝑛] = 𝑥[𝑛] − 𝑎1 𝑣[𝑛 − 1] 𝑜 𝑉(𝑧) = 𝑋(𝑧) (9.3)
1 + 𝑎1 𝑧 −1
y en le nodo de suma del lado derecho se tiene:

𝑦[𝑛] = 𝑏0 𝑣[𝑛] − 𝑏1 𝑣[𝑛 − 1] 𝑜 𝑌(𝑧) = (𝑏0 + 𝑏1 𝑧 −1 )𝑉(𝑧) (9.4)

Combinando (9.3 y (9.4) la función sistema está dada por:

𝑌(𝑧) 𝑉(𝑧) 𝑏0 + 𝑏1 𝑧 −1
𝐻(𝑧) = = (9.5)
𝑉(𝑧) 𝑋(𝑧) 1 + 𝑎1 𝑧 −1
que es la misma que en (9.2).

Estructuras de sistemas IIR

Considere ahora tres estructuras útiles: una forma directa que se obtiene directamente de la función
sistema que tiene dos variaciones; una forma en cascada que se obtiene expresando la función
sistema como un producto de secciones de segundo orden y una forma parallela que se obtiene
expresando la función sistema como una suma de secciones de segundo orden.

Cada una de estas estructuras también tienen sus variaciones de forma transpuesta.

Estructuras de forma directa

Estas estructuras son más fáciles de obtener dada una función sistema o ecuación de diferencias.
Considere un sistema causal de orden 𝑁 descrito por la siguiente ecuación de diferencias:
𝑁 𝑁

𝑦[𝑛] = − ∑ 𝑎𝑘 𝑦[𝑛 − 𝑘] + ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘] (9.6)

𝑘=1 𝑘=1

La función sistema correspondiente está dada por:

𝑌(𝑧) ∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘
𝐻[𝑧] = = (9.7)
𝑋(𝑧) 1 + ∑𝑁
𝑘=1 𝑎𝑘 𝑧
−𝑘

Forma directa I.- De (9.6), para 𝑁 = 𝑀 = 2 se obtiene:

Esta estructura es llamada forma directa I debido a que puede ser escrita directamente de la función
sistema o de la ecuación de diferencias por simple inspección; en otras palabras, los coeficientes
{𝑎𝑘 , 𝑏𝑘 } son usadas directamente para formar la estructura

Esta estructura requiere (𝑀 + 𝑁) elementos de retardo, (𝑀 + 𝑁 + 1) multiplicaciones y (𝑀 + 𝑁)

adiciones.

La función sistema puede ser obtendia implementando la parte de todos ceros y luego la parte de
todos polos como sigue:
 𝑌(𝑧) 𝑌(𝑧) 𝑆(𝑧)
𝐻(𝑧) = = = 𝐻2 (𝑧)𝐻1 (𝑧) (9.12)
𝑋(𝑧) 𝑆(𝑧) 𝑋(𝑧)
donde
𝑀
𝑆(𝑧)
𝐻1 (𝑧) = = ∑ 𝑏𝑘 𝑧 −𝑘 (todo ceros)
𝑋(𝑧)
𝑘=0

𝑆(𝑧) 1
𝐻2 (𝑧) = = 𝑁 (todo polos)
𝑋(𝑧) 1 + ∑𝑘=1 𝑎𝑘 𝑧 −𝑘

Estructura de forma directa transpuesta I.- La estructura dada en la figura anterior está en la forma
normal. Usando el teorema de transposición se obtiene la estructura mostrada en la siguiente
figura:

La estructura mostrada en la figura anterior puede ser implementada mediante el siguiente

conjunto de ecuaciones de diferencias:
𝑁

𝑤[𝑛] = − ∑ 𝑎𝑘 𝑤[𝑛 − 𝑘] + 𝑥[𝑛] (9.13𝑎)

𝑘=1
𝑀

𝑦[𝑛] = ∑ 𝑏𝑘 𝑤[𝑛 − 𝑘] (9.13𝑏)

𝑘=0

Forma directa II.- Puesto que en teoría, el orden de los sistemas interconectados no afecta a la
función sistema global, la ecuación (9.12) se puede expresar equivalentemente por:

𝐻(𝑧) = 𝐻1 (𝑧)𝐻2 (𝑧) (9.14)

es decir, primero se implementa la parte recursiva (polos) y luego la parte no recursive (ceros).

En este caso, el sistema puede ser descrrito por las ecuaciones de diferencias:
𝑁

𝑤[𝑛] = − ∑ 𝑎𝑘 𝑤[𝑛 − 𝑘] + 𝑥[𝑛] (9.18)

𝑘=1
 𝑀

𝑦[𝑛] = ∑ 𝑏𝑘 𝑤[𝑛 − 𝑘] (9.20)

𝑘=0

La estructura de las ecuaciones de diferencias (9.18) y (9.20) se muestra en la siguiente figura:

Esta estructura está en la forma normal y también se le llama forma directa canónica debido a que
requiere el mínimo número posible de retardos, el cual está dada por max(𝑁, 𝑀).

Aunque las estructuras de forma directa I y II son teóricamente equivalentes, pueden haber
diferencias en sus salidas cuando se implementan con aritmética de precisión finita.

Estructura forma directa II transpuesta.- La estructura más ampliamente usada es la forma directa
II transpuesta, la cual se obtiene transponiendo la estructura de forma directa II.

La aplicación del teorema de transposición produce la estructura mostrada en la siguiente figura,

donde por simplicidad se asume que 𝑁 = 𝑀; de otra manera, se hace 𝑁 = max(𝑁, 𝑀).

Ejemplo 9.2 Estructura de forma directa IIR.- Considere un sistema IIR con función sistema:

10 + 𝑧 −1 + 0.9𝑧 −2 + 0.8𝑧 −3 − 5.8𝑧 −4

𝐻(𝑧) = (9.24)
1 − 2.54𝑧 −1 + 3.24𝑧 −2 − 2.06𝑧 −3 + 0.66𝑧 −4
Puesto que los coeficientes en la función sistema corresponden directamente a los valores de rama
en las estructuras de forma directa, es fácil dibujar estas estructuras por inspección.

La siguiente figura muestra las cuatro estructuras de forma directa:

Estructuras en cascada
Cualquier función sistema racional puede ser expresada en forma de polos y ceros como sigue:

∏𝑀1 −1 𝑀2 −1 ∗ −1
𝑘=1(1 − 𝑧𝑘 𝑧 ) ∏𝑘=1(1 − 𝑧𝑘 𝑧 )(1 − 𝑧𝑘 𝑧 )
𝐻(𝑧) = 𝑏0 (9.25)
∏𝑁1
𝑘=1
(1 − 𝑝𝑘 𝑧 −1 ) ∏𝑁2
𝑘=1
(1 − 𝑝𝑘 𝑧 −1 )(1 − 𝑝𝑘∗ 𝑧 −1 )

donde 𝑀 = 𝑀1 + 2𝑀2 y 𝑁 = 𝑁1 + 2𝑁2 . los pares de polos (ceros) complejos conjugados pueden
ser combinados en términos de segundo orden con coeficientes reales. Si 𝑁1 o 𝑀1 son números
impares entonces se incluye un polo o cero en 𝑧 = 0, respectivamento para hacerlos números
pares.

Ahora se pueden combinar pares de polos reales y ceros reales en términos de segundo orden.

Asumiendo por simplicidad que 𝑁 = 𝑀, se puede expresar (9.25) como:

𝐾 𝐾
𝐵𝑘0 + 𝐵𝑘1 𝑧 −1 + 𝐵𝑘2 𝑧 −2
𝐻(𝑧) ≜ 𝐺 ∏ ≜ 𝐺 ∏ 𝐻𝑘 (𝑧) (9.26)
1 + 𝐴𝑘1 𝑧 −1 + 𝐴𝑘2 𝑧 −2
𝑘=1 𝑘=1

donde 𝐺 es la ganancia global del sistema, 𝐻𝑘 (𝑧) son las secciones de segundo orden con ganancias
arbitrarias tales que 𝑏0 = 𝐺 ∏𝐾𝑘=1 𝐵𝑘0 y 𝑁 = 𝑀 = 2𝐾. Si 𝑁 es impar, uno de los coeficientes 𝐵𝑘2 y
uno de los coeficientes 𝐴𝑘2 serán cero. La complejidad adicional debido a los dos coeficientes extra
se pondera por la estructura modular de (9.26).

En efecto, la descomposición en (9.26) permite usar la misma función o módulo de hardware para
implementar el sistema de alto orden.

La etructura en cascada resultante se muestra en la siguiente figura:

Las secciones de segundo orden {𝐻𝑘 (𝑧)} en (9.26) pueden ser implementadas ya sea usando la
estructura de forma directa normal II o la o la estructura directa II transpuesta.

La siguiente figura muestra una estructura en cascada para 𝑀 = 𝑁 = 4 usando secciones de

segundo orden de la forma directa II transpuesta:

El emparejamiento de polos y ceros y el ordenamiento de las secciones de segundo orden pueden

ser hechos de muchas formas diferentes.

Los sistemas resultantes son teóricamente equivalentes cuando se usa precisión aritmética infinita;
sin embargo, el comportamiento puede variar significativamente con aritmética de precisión finita.
Ejemplo 9.3 IIR de forma en cascada.- Considere el sistema IIR:

10 + 𝑧 −1 + 0.9𝑧 −2 + 0.8𝑧 −3 − 5.8𝑧 −4

𝐻(𝑧) = (9.29)
1 − 2.54𝑧 −1 + 3.24𝑧 −2 − 2.06𝑧 −3 + 0.66𝑧 −4
La función sistema para la forma en cascada está dada por:

1 + 0.1𝑧 −1 − 0.7199𝑧 −2 1 + 0𝑧 −1 + 0.8099𝑧 −2

𝐻(𝑧) = 10 × (9.30)
1 − 1.1786𝑧 −1 + 0.7246𝑧 −2 1 − 1.3614𝑧 −1 + 0.9109𝑧 −2
La siguiente figura muestra la estructura en cascada usando secciones de segundo orden de forma
directa II:

Estructuras de forma paralela

Las estructuras de forma parallela están basadas en una representación de expansión en fracciones
parciales de la función sistema y por tanto, resultan en una suma de secciones de segundo orden en
contraposición al producto de secciones de segundo orden como en la forma en cascada.

Combinando tanto pares de polos reales y complejos de los factores parciales se obtiene:
𝑀−𝑁 𝐾
−𝑘
𝐵𝑘0 + 𝐵𝑘1 𝑧 −1
𝐻(𝑧) = ∑ 𝐶𝑘 𝑧 +∑ (9.31)
1 + 𝐴𝑘1 𝑧 −1 + 𝐴𝑘2 𝑧 −2
𝑘=0 𝑘=1

La primera sumatoria no está incluida si 𝑀 < 𝑁. Si el número de polos es impar, se añade un polo
en cero y se hace 𝐾 = (𝑁 + 1)⁄2.

La implementación de (9.31) conduce a la interconexión paralela de un sistema FIR 𝐻0 (𝑧) y 𝐾

sistemas de segundo orden 𝐻𝑘 (𝑧); 𝑘 = 1,2, … , 𝐾 como se muestra en la siguiente figura:
Ejemplo 9.4. IIR de forma paralela

Considere el sistema:

10 + 𝑧 −1 + 0.9𝑧 −2 + 0.8𝑧 −3 − 5.8𝑧 −4

𝐻(𝑧) = (9.32)
1 − 2.54𝑧 −1 + 3.24𝑧 −2 − 2.06𝑧 −3 + 0.66𝑧 −4
De esta manera, la función sistema de forma paralela está dada por:

27.06 + 89.70𝑧 −1 −8.23 − 90.45𝑧 −1

𝐻(𝑧) = −8.83 + + (9.33)
1 − 1.36𝑧 −1 + 0.91𝑧 −2 1 − 1.18𝑧 −1 + 0.72𝑧 −2
La estructura resultante usando secciones de forma directa II transpuesta de segundo orden se
muestra en la siguiente figura:
Estructuras de sistemas FIR
Los sistemas causales FIR con coeficientes reales están caracterizados por la ecuación de diferencias
de media móvil:
𝑀

𝑦[𝑛] = ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘] (9.35)

𝑘=0

o por la función sistme de todos ceros (expcepto polos en 𝑧 = 0:

𝑀 𝑀
𝑌(𝑧)
𝐻(𝑧) = = ∑ 𝑏𝑛 𝑧 −𝑛 = ∑ ℎ[𝑛]𝑧 −𝑛 (9.37)
𝑋(𝑧)
𝑛=0 𝑛=0

Forma directa
De (9.37) es obvio que la función sistema tiene denominador unidad.
Por tanto, ambas estructuras de forma directa I y II son las mismas, lo que conduce a la realización
mostrada en la siguiente figura para 𝑀 = 4:

Uando el teroema de transposición se obtine la estructura mostrada en la siguiente figura:

Forma en cascada
La función sistema en (9.37) puede ser factorizada en secciones de segundo orden con coeficientes
reales como:
𝑀 𝐾

𝐻(𝑧) = ∑ ℎ[𝑛]𝑧 −𝑛 ≜ 𝐺 ∏(1 + 𝐵̃𝑘1 𝑧 −1 + 𝐵̃𝑘2 𝑧 −2 ) (9.38)

𝑛=0 𝑘=0

donde 𝑀 = 2𝐾. Si 𝑀 es impar, uno de los coeficientes 𝐵̃𝑘2 será cero. Las secciones resultantes de
segundo orden se conectan en cascada y cada sección de segundo orden puede ser implementada
usando la forma normal o transpuesta.

La siguiente figura muesta la estructura de forma en cascada para 𝑀 = 6 con secciones de forma
transpuesta:
Comentarios
La mejor estructura para la implementación de sistemas FIR es la forma directa transpuesta. La
mejor estructura para la implementación en punto flotante de sistemas IIR es la forma directa
transpuesta II, mientras que la mejor estructura para la implementación en punto fijo es la
interconexión en cascada de secciones de forma directa II transpuestas.

La estructura reticulada de filtros FIR (todos ceros) e IIR (todos polos) es principalmente usada en
aplicaciones de modelado de voz y aplicaciones de filtrado adaptivo.

Matlab proporciona un gran número de funciones para convertir entre diferentes estructuras, para
implementar una estructura dada y para verificar que las implementación específicas trabajen
apropiadamente.
10 Diseño de filtros FIR
El problema de diseño de filtros consiste en encontrar un filtro prácticamente realizable, es decir,
un filtro causal y estable con una función sistema racional, cuya respuesta en freuencia se aproxime
lo mejor posible a las respuestas deseadas de magnitud y fase, dentro de tolerancias especificadas.

El problema de diseño de filtros

El diseño de filtros de tiempo discreto de frecuencia selectiva incolucra las siguientes etapas:

Especificación.- Especificar la función de respuesta de frecuencia deseada para abordar las

necesidades de una aplicación específica.

Aproximación.- Aproximar la función de respuesta en frecuencia deseada medinate la respuesta en

frecuencia del filtro a la un polinomio o una función sistema racional. El objetivo es alcanzar las
especificaciones con mínima complejidad, es decir, haciendo que el filtro tenga el número más bajo
de coeficientes.

Cuantificación.- Cuantificar los coeficientes del filtro en la representación aritmética de punto fijo
requerida.

Verificación.- Verificar si el filtro satisface los requerimientos de desempeño mediante simulación

o comparación con datos reales. Si el filtro no satisface los requerimientos, regresar al paso de
aproximación o reducir los requerimientos de desempeño y repetir el paso de especificación.

Implementación.- Implementar el sistema obtenido en hardware, software o ambas estructuras

para la realización de los sistemas de tiempo discreto.

Aquí se consideran sólo las dos primeras etapas

Especificaciones del filtro

El diseño de filtros selectivos empieza con la especificación de su función de respuesta en
frecuencia.

Los filtros ideales no pueden ser implementados en la práctica y tienen que ser aproximados por
filtros prácticos realizables.

Los filtros prácticos difieren de los filtros ideales en muchos aspectos:

 las respuesta de la banda de paso no son perfectamente planas,

 las respuestas de la banda de paro no pueden rechazar completamente las bandas de frecuencia
y
 la transición entre las regiones de la banda de paso y la banda de paro tienen lugar en una banda
de transición finita.
La especificación de los filtros prácticos usualmente toma la forma del diagrama de tolerancia de la
siguite figura, para un filtro pasa bajos:

El borde la de banda de paso es denotado por 𝜔𝑝 y el borde de la banda de paro es denotado por
𝜔𝑠 . La respuesta de fase se deja o bien completamente no especificada o bien puede requerir que
sea lineal. Puesto que uno se enfoca en filtros con respuestas al impulso reales, se necesita prescribir
las especificaciones sólo en el intervalo 0 ≤ 𝜔 ≤ 𝜋.

Los filtros prácticos pueden tener rizos en la banda de paso y en la banda de paro y pueden exhibir
una caída suave o gradual en la banda de transición.

Especificaciones absolutas.- En la banda de paso, la respuesta de magnitud se requiere aproximar

a la unidad con un error de ±𝛿𝑝 , es decir se especifica mediante:

1 − 𝛿𝑝 ≤ |𝐻(𝑒 𝑗𝜔 )| ≤ 1 + 𝛿𝑝 (10.1)

donde 𝛿𝑝 ≪ 1 para un filtro bien diseñado.

En la banda de paro se requiere que la respuesta de magnitud se aproxime a cero con un error de
±𝛿𝑠 , con 𝛿𝑠 ≪ 1; de esta manera se tiene:

|𝐻(𝑒 𝑗𝜔 )| ≤ 𝛿𝑠 ; 𝜔𝑠 ≤ 𝜔 ≤ 𝜋 (10.2)

Los valores de rizo picos 𝛿𝑝 y 𝛿𝑠 especifican las tolerancias aceptables en términos de los valores
absolutos.

Especificaciones relativas.- Las especificaciones relativas están definidas por:

1 − 𝛿𝑝
≤ |𝐻(𝑒 𝑗𝜔 )| ≤ 1; 0 ≤ 𝜔 ≤ 𝜔𝑝 (10.3)
1 + 𝛿𝑝
𝛿𝑠
|𝐻(𝑒 𝑗𝜔 )| ≤ ; 𝜔𝑠 ≤ 𝜔 ≤ 𝜋 (10.4)
1 + 𝛿𝑝
Si se define el rizo de la banda de paso 𝐴𝑝 y la atencuación de la banda de paro 𝐴𝑠 en dB mediante:

1 − 𝛿𝑝 1 + 𝛿𝑝
𝐴𝑝 ≜ 20 log10 ( ), 𝐴𝑠 ≜ 20 log10 ( ) ≈ −20 log10 (𝛿𝑠 ) (10.5)
1 + 𝛿𝑝 𝛿𝑠

puesto que 𝛿𝑝 ≪ 1. Entonces se obtienen las siguientes especificaciones de tolerancia relativa:

−𝐴𝑝 ≤ 20 log10(|𝐻(𝑒 𝑗𝜔 )|) ≤ 0; 0 ≤ 𝜔 ≤ 𝜔𝑝 (10.6𝑎)

20 log10 (|𝐻(𝑒 𝑗𝜔 )|) ≤ −𝐴𝑠 ; 𝜔𝑠 ≤ 𝜔 ≤ 𝜋 (10.6𝑏)

Para un filtro bien diseñado, las cantidades 𝐴𝑝 y 𝐴𝑠 son positivas y,típicamente cumplen 𝐴𝑝 ≅ 0 y
𝐴𝑠 ≫ 1.

Especificaciones de filtros de tiempo continuo.- En aplicaciones prácticas, las frecuencias de borde

de banda de paso y banda de paro están especificadas en Hz.

Los valores de las frecuencias normalizadas 𝜔𝑝 y 𝜔𝑠 son calculados a partir de la frecuencia de

muestreo 𝐹𝑠 y de las frecuencias de borde 𝐹𝑝𝑎𝑠𝑠 y 𝐹𝑠𝑡𝑜𝑝 mediante:
𝐹𝑝𝑎𝑠𝑠 𝐹𝑠𝑡𝑜𝑝
𝜔𝑝 = 2𝜋 , 𝜔𝑠 = 2𝜋 (10.7)
𝐹𝑠 𝐹𝑠
Puesto que el diseño de filtros IIR se hace usualmente convirtiendo los filtros analógicos en sus
equivalentes filtros digitales, note que los filtros analógicos tradicionalmente se especifican usando
las cantidades 𝜖 y 𝐴 que se muestran en la figura anterior.

Estas cantidades están definidas por:

20 log10 (√1 + 𝜖 2 ) = 𝐴𝑝 y 20 log10(𝐴) = 𝐴𝑠 (10.8)

lo cual da:

𝜖 = √10(0.1𝐴𝑝 ) − 1 y 𝐴 = 10(0.05𝐴𝑠) (10.9)

Aproximación de filtros
Considere un filtro ideal con secuencia de respuesta al impulso ℎ𝑑 [𝑛] y función de respuesta en
frecuencia 𝐻𝑑 (𝑒 𝑗𝜔 ) de acuerdo a las especificaciones de diseño (10.6).

Puesto que el filtro práctico debería ser causal, estable y debería tener una función sistema racional
de orden finito:

∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘
𝐻(𝑧) = (10.10)
1 + ∑𝑁
𝑘=1 𝑎𝑘 𝑧
−𝑘

los requerimientos de estabilidad y causalidad tienen algunas implicaciones sobre las características
de 𝐻(𝑒 𝑗𝜔 ), las cuales siguen del siguiente teorema de Paley-Wiener:

Teorema (payley-Wiener).- Si ℎ[𝑛]tiene energía finita y ℎ[𝑛] = 0; 𝑛 < 0, entonces:

 𝜋
∫ |ln(|𝐻(𝑒 𝑗𝜔 )|)|𝑑𝜔 < ∞ (10.11)
−𝜋

A la inversa si |𝐻(𝑒 𝑗𝜔 )| es cuadráticamente integrable y la integral (10.11) es finita, entonces se

𝑗𝜔
puede obtener una respuesta de fase ∠𝐻(𝑒 𝑗𝜔 ) tal que 𝐻(𝑒 𝑗𝜔 ) = |𝐻(𝑒 𝑗𝜔 )| × 𝑒 ∠𝐻(𝑒 ) sea causal;
la solución ∠𝐻(𝑒 𝑗𝜔 ) es única si 𝐻(𝑧) es de fase mínima (ceros dentro del círculo unitario).

Una consecuencia importante de este teorema es que la respuesta en frecuencia de un sistema

estable y causal no puede ser cero sobre cualquier banda de frecuencias debido, en este caso, a que
la integral se vuelve infinita. Por tanto, cualquier filtro de frecuencia selectiva estable e ideal debe
ser no causal.

Por tanto, dada la respuesta de magnitud |𝐻(𝑒 𝑗𝜔 )| de un sistema causal y estable, no se puede
asignar su respuesta de fase arbitrariamente. Existen dos métodos para tratar con este problema:

 Imponer restricciones de la respeusta de fase, por ejemplo ∠𝐻(𝑒 𝑗𝜔 ) = −𝛼𝜔 y obtener un filtro
cuya respuesta de magnitud satisfaga las especificaciones de diseño.
 Obtener un filtro cuya respuesta de magnitud satisfaga las especificaciones de diseño
independientemente de la respeusta de fase resultante.

Se debería esperar la interdependencia entre la respuesta de magnitud y de fase de los sistemas

causales, dada la relación entre las partes real e imaginaria de sus respuestas en frecuencia. Por
ejemplo, una ℎ[𝑛] real puede ser descompuesta en sus partes par e impar como sigue:

ℎ[𝑛] = ℎ𝑒 [𝑛] + ℎ𝑜 [𝑛] (10.12)

donde
1
ℎ𝑒 [𝑛] = (ℎ[𝑛] + ℎ[−𝑛]) (10.13𝑎)
2
1
ℎ𝑜 [𝑛] = (ℎ[𝑛] − ℎ[−𝑛]) (10.13𝑏)
2
Si ℎ[𝑛] es causal, está definida únicamente por su parte par:

ℎ[𝑛] = 2ℎ𝑒 [𝑛]𝑢[𝑛] − ℎ𝑒 [0]𝛿[𝑛] (10.14)

Si ℎ[𝑛] es absolutamente sumable, la DTFT de ℎ[𝑛] existe y puede ser escrita como:

𝐻(𝑒 𝑗𝜔 ) = 𝐻𝑅 (𝑒 𝑗𝜔 ) + 𝑗𝐻𝐼 (𝑒 𝑗𝜔 ) (10.15)

donde 𝐻𝑅 (𝑒 𝑗𝜔 ) es la DFT de ℎ𝑒 [𝑛].

De esta manera, si un filtro es real, causal y estable, su respuesta en frecuencia 𝐻(𝑒 𝑗𝜔 ) está
únicamente definida por su parte real 𝐻𝑅 (𝑒 𝑗𝜔 ).

En efecto, primero se obtiene ℎ𝑒 [𝑛] inviertiendo 𝐻𝑅 (𝑒 𝑗𝜔 ), luego se determina ℎ[𝑛].

Esto implica una relación entre las partes real e imaginaria de 𝐻(𝑒 𝑗𝜔 ), la cual está formalmente
dada por la siguiente expresión de la transformada de Hilbert discreta:
 1 𝜋 𝜔−𝜃
𝐻𝐼 (𝑒 𝑗𝜔 ) = − ∫ 𝐻𝑅 (𝑒 𝑗𝜔 ) cot ( ) 𝑑𝜃 (10.16)
2𝜋 −𝜋 2

Criterio de optimalidad para el diseño de filtros

En cualquier aplicación específica se quiere encontrar una función sistema racional 𝐻(𝑧) tal que la
respuesta de magnitud 𝐻(𝑒 𝑗𝜔 ) o la respuesta de fase ∠𝐻(𝑒 𝑗𝜔 ) se aproxime a la forma de algunas
respuestas de filtros ideales.

Los coeficientes de 𝐻(𝑧) obtenidos dependen del criterio usado para determinar lo que se considera
como una aproximación óptima.

Aproximación del error cuadrático medio.- Un criterio de aproximación ampliamente usado es el

error cuadrático medio sobre el intervalo de frecuencias de interés ℬ, es decir:
1⁄2
1 2
𝐸2 = [ ∫ |𝐻𝑑 (𝑒 𝑗𝜔 ) − 𝐻(𝑒 𝑗𝜔 )| 𝑑𝜔] (10.17)
2𝜋 ℬ

Si algunas frecuencias son más importantes que otras, se podría usar una función de ponderación
apropiadamente seleccionada 𝑊𝑓 (𝑒 𝑗𝜔 ) ≥ 0 para ponderar el error en (10.17).

El intervalo ℬ usualmente es la unión de todas las bandas de paso y las bandas de paro del filtro.

Aproximación Minimax.- El error cuadrático medio mide el error total o promedio en el intervalo
ℬ; sin embargo, el error cuadrático medio pequeño no precluye la posibilidad de errores grandes
en frecuencias individuales.

Sin embargo, en algunas aplicaciones es muy importante que el error sea pequeño en todas las
frecuencias del intervalo ℬ; en tales casos, se puede minimizar la desviación absoluta máxima, es
decir el error:

𝐸∞ ≜ max|𝐻𝑑 (𝑒 𝑗𝜔 ) − 𝐻(𝑒 𝑗𝜔 )| (10.18)

𝜔∈ℬ

La norma máxima es el criterio natural a usar en el diseño de filtros que tienen la precisión asignada
a través del intervalo ℬ.

La solución que minimiza la función de error (10.18) es llamada aproximación minimax o mejor
uniforme o aproximación de Chebyshev.

Aproximación máximamente plana.- Un tercer método está basado en expansiones truncadas de

la serie de Taylor.
2
Por ejemplo, suponga que se quiere que la función 𝐴(𝜔) ≜ |𝐻(𝑒 𝑗𝜔 )| sea muy cercana a la función
2
𝐴𝑑 (𝜔) ≜ |𝐻𝑑 (𝑒 𝑗𝜔 )| en 𝜔 = 𝜔0 .

La expansión de ambas funciones en forma de series de Taylor, se obtiene:

(1) (2)
𝐴 (𝜔0 ) 𝐴 (𝜔0 )
𝐴𝑑 (𝜔) = 𝐴𝑑 (𝜔0 ) + 𝑑 (𝜔 − 𝜔0 ) + 𝑑 (𝜔 − 𝜔0 )2 + ⋯ (10.19𝑎)
1! 2!
 𝐴(1) (𝜔0 ) 𝐴(2) (𝜔0 )
𝐴(𝜔) = 𝐴(𝜔0 ) + (𝜔 − 𝜔0 ) + (𝜔 − 𝜔0 )2 + ⋯ (10.19𝑏)
1! 2!
La aproximación será muy buena en 𝜔 = 𝜔0 si 𝐴(𝜔0 ) = 𝐴𝑑 (𝜔0 ) y si tantas derivadas como sea
posible son iguales.

Si las primeras (𝑚 − 1) derivadas son iguales, el error empezará como el 𝑚-ésimo término, es decir:
(𝑚)
𝐴𝑑 (𝜔0 ) − 𝐴(𝑚) (𝜔0 )
𝐸(𝜔) ≜ 𝐴𝑑 (𝜔0 ) − 𝐴(𝜔) = (𝜔 − 𝜔0 )𝑚 + ⋯ (10.20)
𝑚!
Si todas las posibles derivadas son iguales, se dice que la función de error es completamente plana
en 𝜔 = 𝜔0 , debido a que la función no puede cambiar en valor desde 𝜔 = 𝜔0 .

Si 𝑚 es finita, se dice que la aproximación es óptima de acuerdo al criterio maximalmente plano.

Las aproximaciones de Taylor son muy buenas alrededor de algún punto 𝜔0 , pero se vuelven malas
fuera de ese punto.

La aproximación de Butterworth es un caso especial de una aproximación de Taylor.

También existen algunas técnicas de diseño de filtros que usan una combinación de estos criterios;
por ejemplo, una aproximación de Chebyshev en la banda de paso y una aproximación
maximalmente plana en la banda de paro.

Otros métodos de diseño popularesson, por ejemplo, los métodos de ventaneo, que no usan
directamente ningún criterio.

El propósito principal de cualquier técnica de diseño de filtros es determinar los coeficientes de una
función sistema o ecuaciones de diferencias que se aproximen a una respuesta de frecuencia
deseada o a una respuesta al impulso dentro de tolerancias especificadas.

En este sentido, el diseño de filtros FIR requiere la solución de problemas de aproximación

polinomial, mientras el diseño de los filtros IIR involucra problemas de aproximación con funciones
racionales.

Por tanto, las técnicas usadas para el diseño de filtros FIR son diferentes de las técnicas usadas para
diseñar filtros IIR.

Filtros FIR con fase lineal

Un filtro con respuesta de magnitud constante y fase lineal sobre una banda de frecuencias pasa
una señal con espectro sobre la misma banda de frecuencia no distorsionada.

Sin pérdida de generalidad, considere un filtro ideal pasa bajos; los mismos resultados se aplican a
todos los filtros ideales.

La respuesta en frecuencia de un filtro pasa bajos ideal con fase lineal es:

𝑒 −𝑗𝛼𝜔 |𝜔| < 𝜔𝑐

𝐻𝑙𝑝 (𝑒 𝑗𝜔 ) = { (10.21)
0 𝜔𝑐 < |𝜔| ≤ 𝜋
La correspondiente respuesta al impulso está dada por:
sin[𝜔𝑐 (𝑛 − 𝛼)]
ℎ𝑙𝑝 [𝑛] = (10.22)
𝜋(𝑛 − 𝛼)
Si 𝜔𝑐 = 𝜋 y 𝛼 = 𝑛𝑑 (enteros), se puede mostrar que ℎ𝑙𝑝 [𝑛] = 𝛿[𝑛 − 𝑛𝑑 ]; es decir, el filtro ideal pasa
bajos corresponde a una operación de retardo ideal.
𝑐 (𝑡)
La respuesta al impulso (10.22) puede ser obtendia muestreando la respuesta al impulso ℎ𝑙𝑝 de
un filtro ideal pasa bajos de tiempo continuo con frecuencia de corte Ω𝑐 = 𝜔𝑐 ⁄𝑇 en 𝑡 = 𝑛𝑇.

En efecto, se puede fácilmente ver que:

𝑐 (𝑡)|
sin[𝜔𝑐 (𝑛 − 𝛼)]
ℎ𝑙𝑝 [𝑛] = ℎ𝑙𝑝 = | (10.23)
𝑡=𝑛𝑇 𝜋(𝑛 − 𝛼) 𝑡=𝑛𝑇
𝑐 (𝑡)
La función ℎ𝑙𝑝 es simétrica alrededor de 𝑡 = 𝛼𝑇 para cualquier valor de 𝛼.
𝑐 (𝑛𝑇)
Sin embargo, la secuencia ℎ𝑙𝑝 [𝑛] = ℎ𝑙𝑝 puede o no puede ser simétricamente dependiente de
los valores del retardo 𝛼.

Existen tres casos:

 El retardo 𝛼 es un enterio 𝑛𝑑 . En este caso, la secuencia ℎ𝑙𝑝 [𝑛] es simétrica alrededor de su

muestra en 𝑛 = 𝑛𝑑 .
 La cantidad 2𝛼 es un entero o 𝛼 es un entero más un medio. En este caso, la secuencia es
simétrica alrededor del medio entre las muestras 𝛼 − 1⁄2 y 𝛼 + 1⁄2. Note que el centro de
simetría no es una muestra de la secuencia.
 La cantidad 2𝛼 no es un entero. En este caso, no existe simetría en todo debido a la falta de
alineamiento entre las respuesta al impulso de tiempo continuo y el grid de muestreo.

Estos tres casos se ilustran en la siguiente figura:

A continuación se crea un filtro FIR causal haciendo ℎ[𝑛] = ℎ𝑙𝑝 [𝑛]; 0 ≤ 𝑛 ≤ 𝑀 y cero de otra
manera. Note que si 2𝛼 = 𝑀 es un entero, el impulso ℎ[𝑛] es simétrico alrededor de 𝛼 = 𝑀⁄2 y
los filtros resultantes tienen fase lineal.

Esto se ilustra en la siguiente figura para 𝑀 = 12 (par):

Cuando 𝑀 = 13 (impar) se tiene:

El retardo de tiempo 𝛼 = 𝑀⁄2 es un múltiplo entero del intervalo de muestreo cuando 𝑀 es par.
Sin embargo, si 2𝛼 no es un entero, la simetría se pierde y el filtro de tiempo discreto resultante
tiene la respuesta de fase no lineal y un retardo de grupo variable, como se muestra en la siguiente
figura:
Si para un valor dad del retardo 𝛼, se elige un valor de 𝑀 > 2𝛼 la simería se pierde de ℎ[𝑛] y el filtro
resultante tiene una respuesta de fase no lineal; de esta manera, no se pueden tener filtros IIR
causales con fase lineal (𝑀 = ∞).

En los hechos, sólo los filtros FIR con fase lineal son prácticamente realizables; todos los filtros IIR
causales con función sistema racional tienen una respuesta de fase no lineal.

Dependiendo del tiempo de simetría (par o impar) y si el orden del filtro 𝑀 es un entero par o impar,
existen cuatro tipos de filtros FIR con fase lineal.

Si la respuesta en frecuencia está dada por:

𝑀
𝑗𝜔
𝐻(𝑒 ) = ∑ ℎ[𝑛]𝑒 −𝑗𝜔𝑛 (10.24)
𝑛=0

los cuatro casos de interés están especificados por las siguientes condiciones:

ℎ[𝑛] = ±ℎ[𝑀 − 𝑛], 𝑀 = entero par o impar (10.25)

Para evitar confución, se enfatiza que 𝑀 es el orden de la función sistema polinomial, mientras que
𝐿 ≜ 𝑀 + 1 es la longitud o duración de su respuesta al impulso.

Filtros FIR de fase lineal tipo I

La respuesta en frecuencia de un filtro FIR tipo I puede ser expresada como:
𝑀⁄2

𝐻(𝑒 𝑗𝜔
) = (∑ 𝑎[𝑘] cos(𝜔𝑘)) 𝑒 −𝑗𝜔𝑀⁄2 ≜ 𝐴(𝑒 𝑗𝜔 )𝑒 −𝑗𝜔𝑀⁄2 (10.27)
𝑘=0

donde 𝐴(𝑒 𝑗𝜔 ) es una función real, par y periódica de 𝜔 con coeficientes dados por:
 𝑎[0] = ℎ[𝑀⁄2], 𝑎[𝑘] = 2ℎ[(𝑀⁄2) − 𝑘]; 𝑘 = 1,2, … , 𝑀⁄2 (10.28)

Filtros FIR de fase lineal tipo II

La respuesta en frecuencia de un filtro FIR tipo II es:
(𝑀+1)⁄2
1
𝐻(𝑒 𝑗𝜔
)=( ∑ 𝑏[𝑘] cos (𝜔 (𝑘 − ))) 𝑒 −𝑗𝜔𝑀⁄2 ≜ 𝐴(𝑒 𝑗𝜔 )𝑒 −𝑗𝜔𝑀⁄2 (10.29)
2
𝑘=1

donde el retardo 𝑀⁄2 es un entero mas un medio y los coeficientes 𝐴(𝑒 𝑗𝜔 ) son:

𝑏[𝑘] = 2ℎ[(𝑀 + 1)⁄2 − 𝑘]; 𝑘 = 1,2, … (𝑀 + 1)⁄2 (10.30)

Los coeficientes 𝐴(𝑒 𝑗𝜔 ) también pueden ser expresados por:

(𝑀+1)⁄2
𝜔
𝐴(𝑒 𝑗𝜔 ) = cos ( ) ∑ 𝑏̃[𝑘] cos(𝜔𝑘) (10.31)
2
𝑘=1

donde
1
(𝑏̃[1] + 2𝑏̃[0]) 𝑘=1
2
1
𝑏[𝑘] = (𝑏̃[𝑘] + 𝑏̃[𝑘 − 1]) 2 ≤ 𝑘 ≤ (𝑀 − 1)⁄2 (10.32)
2
1
̃ [(𝑀 − 1)⁄2] 𝑘 = (𝑀 − 1)⁄2
{ 2𝑏
La expresión (10.32) es usada para el diseño de filtros FIR tipo II usando el criterio minimax.

El algoritmo de diseño proporciona 𝑏̃[𝑘]; la respuesta al impulso se obtiene usando (10.32) y (10.30).

Por esta razón se ha expresado 𝑏[𝑘] en términos de 𝑏̃[𝑘]; sin embargo es directo expresar 𝑏̃[𝑘] en
términos de 𝑏[𝑘].

Note de (10.31) que en 𝜔 = 𝜋, 𝐴(𝑒 𝑗𝜔 ) = 0, independientmente de 𝑏̃[𝑘] o equivalentemente ℎ[𝑘].

Esto implica que los filtros con una respuesta en frecuencia que no son cero en 𝜔 = 𝜋, por ejemplo,
un filtro pasa alto, no puede ser satisfactoriamente aproximado por un filtro tipo II.

Filtros FIR de fase lineal tipo III

En este caso, el retardo 𝑀⁄2 es un entero y la respuesta en frecuencia está dada por:
𝑀⁄2

𝐻(𝑒 𝑗𝜔
) = (∑ 𝑐[𝑘] sin(𝜔𝑘)) 𝑗𝑒 −𝑗𝜔𝑀⁄2 ≜ 𝑗𝐴(𝑒 𝑗𝜔 )𝑒 −𝑗𝜔𝑀⁄2 (10.34)
𝑘=1

donde

𝑐[𝑘] = 2ℎ[𝑀⁄2 − 𝑘]; 𝑘 = 1,2, … , 𝑀⁄2 (10.35)

Usando la identidad trigonométrica 2 sin 𝛼 cos 𝛽 = sin(𝛼 + 𝛽) + cos(𝛼 − 𝛽) se puede mostrar
que 𝐴(𝑒 𝑗𝜔 ) puede ser expresada como una combinación lineal de cosenos mediante:
𝑀⁄2

𝐴(𝑒 𝑗𝜔 ) = sin 𝜔 ∑ 𝑐̃ [𝑘] cos(𝜔𝑘) (10.36)

𝑘=0

donde
1
(2𝑐̃ [0] − 𝑐̃ [1]) 𝑘=1
2
1
𝑐[𝑘] = (𝑐̃ [𝑘 − 1] − 𝑐̃ [𝑘]) 2 ≤ 𝑘 ≤ 𝑀⁄2 − 1 (10.37)
2
1
[
{ 2 𝑐̃ 𝑀⁄2 − 1] 𝑘 = 𝑀 ⁄2

Note de (10.36) que 𝜔 = 0 y 𝜔 = 𝜋, 𝐴(𝑒 𝑗𝜔 ) = 0, independiente de 𝑐̃ [𝑘] o equivalentemente ℎ[𝑘].

Además, la presencia del factor 𝑗 = 𝑒 𝑗𝜋⁄2 en (10.34) muestra que la respuesta en frecuencia es
imaginaria.

De esta manera, los filtros tipo III son más apropiados para el diseño de diferenciadores y
transformadores de Hilbert.

Filtros de fase lineal tipo IV

Si la respeusta al impulso es antisimétrica (10.33) y 𝑀 es impar, se tiene:
(𝑀−1)⁄2
1
𝐻(𝑒 𝑗𝜔
)=( ∑ 𝑑[𝑘] sin (𝜔 (𝑘 − ))) 𝑗𝑒 −𝑗𝜔𝑀⁄2 ≜ 𝑗𝐴(𝑒 𝑗𝜔 )𝑒 −𝑗𝜔𝑀⁄2 (10.38)
2
𝑘=1

donde

𝑑[𝑘] = 2ℎ[(𝑀 − 1)⁄2 − 𝑘]; 𝑘 = 1,2, … , (𝑀 − 1)⁄2 (10.39)

Similarment a los filtros de tipo III, 𝐴(𝑒 𝑗𝜔 ) puede ser exprseado como una suma de cosenos:
(𝑀−1)⁄2
𝜔
𝐴(𝑒 𝑗𝜔
) = sin ( ) ∑ 𝑑̃[𝑘] cos(𝜔𝑘) (10.40)
2
𝑘=0

donde
1
(2𝑑̃[0] − 𝑑̃[1]) 𝑘=1
2
1
𝑑[𝑘] = (𝑑̃[𝑘 − 1] − 𝑑̃[𝑘]) 2 ≤ 𝑘 ≤ 𝑀⁄2 − 1 (10.41)
2
1
̃ [𝑀
{ 2 𝑑 ⁄2 − 1] 𝑘 = 𝑀 ⁄2
Para os filtros tipo IV se tiene que 𝐴(𝑒 𝑗𝜔 ) = 0 en 𝜔 = 0, independiente de 𝑑[𝑘] o equivalntemente
ℎ[𝑘].

Como para los de tipo III, esta clase de filtros es más apropiada para aroximar diferenciadores y
transformadores de Hilbert.

10.2.5Función de respuesta de amplitud de los filtros FIR con fase lineal

Todos los filtros FIR I-IV con fase lineal pueden ser expresados como:
𝑀
𝑗𝜔 𝑗𝜔 )
𝐻(𝑒 ) = ∑ ℎ[𝑛]𝑒 −𝑗𝜔𝑛 ≜ 𝐴(𝑒 𝑗𝜔 )𝑒 𝑗Ψ(𝑒 (10.42)
𝑛=0

en conformidad con la siguiente tabla:

La función real 𝐴(𝑒 𝑗𝜔 ), la cual puede tomar valores positivos o negativos, se llama respuesta de
amplitud para distinguirla de la respuesta de magnitud |𝐻(𝑒 𝑗𝜔 )|.

El ángulo Ψ(𝑒 𝑗𝜔 ) es una función lineal de 𝜔 definido por:

Ψ(𝑒 𝑗𝜔 ) ≜ −𝛼𝜔 + 𝛽 (10.43)

Representación unificada.- De (10.27), (10.31), (10-36) y (10.41) se concluye que la función 𝐴(𝑒 𝑗𝜔 )
puede ser expresada por el producto de dos términos:

𝐴(𝑒 𝑗𝜔 ) = 𝑄(𝑒 𝑗𝜔 )𝑃(𝑒 𝑗𝜔 ) (10.47)

donde 𝑄(𝑒 𝑗𝜔 ) es una función fija de 𝜔 dependiente del tipo del filtro y 𝑃(𝑒 𝑗𝜔 ) es una summa de
cosenos dependientes de los coeficientes del filtro.
Las formas diferentes de esta descomposición y su implicación en el diseño de filtros se resumen en
la siguiente tabla:

Esta representación unifica el diseño de los cuatro tipos de filtros FIR con fase lineal usando el
cirterio minimax.

El algoritmo de diseño proporciona los coeficientes de 𝑃(𝑒 𝑗𝜔 ), los cuales pueden ser usados para
obtener las muestras de la respuesta al impulso.

La representación alternativa, basada en los coeficientes {𝑎[𝑘], 𝑏[𝑘], 𝑐[𝑘], 𝑑[𝑘]}, es más propiada
para diseñar filtros que usan optimización de mínimos cuadrados o técnicas de programación lineal.

10.2.6Localización de los cersos de los filtros FIR con fase lineal

La simetría o antisimetría de la respuesta al impulso de los sistemas FIR y su longitud imponen
restricciones sobre las localizaciones de los ceros de la función sistema.

Estas restricciones sobre el patrón de ceros proporcionan una explicación alternativa para las
restricciones sobre la forma de la respuesta en frecuencia resumidas en la Tabla 10.2

Las siguientes figuras ilustran las propiedades de los filtros I-IV con fase lineal mostran ejemplos de
la respuesta al impulso, patrón de poos y ceros, respuesta en magnitud y respuesta de mplitud para
cada tipo de filtro.
Note que 𝐴(𝑒 𝑗𝜔 ) tiene periodo 2𝜋 para los filtros tipo I y tipo III y periodo 4𝜋 para filtros tipo II y
tipo IV.

También note que, puesto que |𝐻(𝑒 𝑗𝜔 )| es una función par, la función 𝐴(𝑒 𝑗𝜔 ) puede ser ya sea
par o impar alrededor de 𝜔 = 0.

Diseño de filtros FIR mediante ventaneo

La forma más fácil de obtener un filtro FIR es simplemente truncar la respuesta al impulso de un
filtro IIR. Aunque esta truncación minimiza el error cuadrático medio entre las respuestas en
frecuencia origina y obtenida, el filtro resultante tiene rizos de tamaño inaceptable.

El método de diseño por ventaneo reduce estos rizos a un nivel deseado aplicando una ventana a la
respuesta al impulso; sin embargo, el filtro obtenido ya no es óptimo en el sentido del error
cuadrático medio,

Truncado directo de una respuesta al impulso ideal

Suponga que se desea aproximar una función de respuesta ideal deseada:
∞
𝑗𝜔
𝐻𝑑 (𝑒 ) = ∑ ℎ𝑑 [𝑛]𝑒 −𝑗𝜔𝑛 (10.53)
𝑛=−∞

con un filtro FIR ℎ[𝑛]; 0 ≤ 𝑛 ≤ 𝑀, minimizando el error cuadrático medio:

1 𝜋 2
𝜀2 = ∫ |𝐻 (𝑒 𝑗𝜔 ) − 𝐻(𝑒 𝑗𝜔 )| 𝑑𝜔 (10.54)
2𝜋 −𝜋 𝑑

Usando la identidad de Parseval se puede expresar 𝜀 2 en el dominio del tiempo como:

𝑀 −1 ∞
2 2 [𝑛])2
𝜀 = ∑(ℎ𝑑 [𝑛] − ℎ[𝑛]) + ∑ (ℎ𝑑 + ∑ (ℎ𝑑 [𝑛])2 (10.55)
𝑛=0 𝑛=−∞ 𝑛=𝑀+1

Los últimos dos términos del lado derecho de la ecuación anterior dependen sólo de 𝐻𝑑 (𝑒 𝑗𝜔 ) y no
están afectados por la elección de ℎ[𝑛].

Puesto que el primer término es no negativo, el error cuadrático medio es minimizado sí y sólo si
este término es cero.

De esta manera, la solución óptima es:

ℎ [𝑛] 0≤𝑛≤𝑀
ℎ[𝑛] = { 𝑑 (10.56)
0 de otra manera
Note que la mejor aproximación FIR a una respuesta al impulso IIR ideal ℎ𝑑 [𝑛], en el sentido del
error cuadrático medio, se obtiene truncando.

La respuesta al impulso ideal ℎ𝑑 [𝑛] se obtiene a partir de 𝐻𝑑 (𝑒 𝑗𝜔 ) usando la DTFT inversa.

Efectos en el dominio de la frecuencia de la truncación.- Para entender los efectos de la truncación
sobre la función de respuesta en frecuencia se expresa la respuesta al impulso truncada como el
producto de la respuesta al impulso IIR deseada y la secuencia de ventana rectangular finita:
1 0≤𝑛≤𝑀
𝑤[𝑛] = { (10.57)
0 de otra manera
De esta manera, se puede expresar (10.56) como sigue:

ℎ[𝑛] = ℎ𝑑 [𝑛]𝑤[𝑛] (10.58)

Aplicando el teorema de ventaneo de la DTFT, se obtiene:

1 𝜋
𝐻(𝑒 𝑗𝜔 ) = ∫ 𝐻 (𝑒 𝑗(𝜔−𝜃) )𝑑𝜃 (10.59)
2𝜋 −𝜋 𝑑

De esta manera, la aproximación de la respuesta en frecuencia 𝐻(𝑒 𝑗𝜔 ) es la convolución periódica

de la respuesta en frecuencia ideal deseada con la transformada de Fourier de la ventana:
𝑀
𝑗𝜔
1 − 𝑒 −𝑗𝜔(𝑀+1) sin[𝜔 (𝑀 + 1)⁄2] −𝑗𝜔𝑀⁄2
𝑊(𝑒 ) = ∑ 𝑒 −𝑗𝜔𝑛 = = 𝑒 (10.60)
1 − 𝑒 −𝑗𝜔 sin(𝜔⁄2)
𝑛=0

Los efecctos de este proceso de convolución se ilustran en la siguiente figura:

donde se usa la respuesta de amplitud 𝐴𝑑 (𝑒 𝑗𝜔 ) del filtro pasa bajos ideal:

 𝑒 −𝑗𝛼𝜔 |𝜔| < 𝜔𝑐
𝐻𝑙𝑝 (𝑒 𝑗𝜔 ) = { (10.21)
0 𝜔𝑐 < |𝜔| ≤ 𝜋

para 𝛼 = 𝑀⁄2 y la función de amplitud 𝐴𝑤 (𝑒 𝑗𝜔 ) de la ventana rectangular dadas por:

1 |𝜔| ≤ 𝜔𝑐 sin[𝜔 (𝑀 + 1)⁄2]

𝐴𝑑 (𝑒 𝑗𝜔 ) ≜ { , 𝐴𝑤 (𝑒 𝑗𝜔 ) ≜ (10.61)
0 𝜔𝑐 < |𝜔| ≤ 𝜋 sin(𝜔⁄2)

 El valor de 𝐴(𝑒 𝑗𝜔 ) en 𝜔 = 𝜔0 es igual a la integral del área azul que cambia cuando
𝐴𝑤 (𝑒 𝑗(𝜔−𝜃) ) se desliza a lo largo del eje de la frecuencia.
 Cuando el lóbulo principal está dentro de la banda de paso o de la banda de paro, la integral
cambia lentamente debido a las variaciones en los lóbulos laterales.
 Esencialmente los lóbuos laterales insertan sus rizos a las regiones de la banda de paso plana y
bando de paro de la respuesta en frecuencia ideal.
 Sin embargo, cuando el lóbulo principal de gran tamaño se desliza a través de discontinuidad de
la respuesta ideal la integral decrece rápidamente.
 El resultado es dos bandas de transición graduales que reflejan los lados izquierdo y derecho del
lóbulo principal.
 Las regiones de transición son aproximadamente simétricas alrededor del punto de
discontinuidad.

Cálculo de los rizos y ancho de banda de la transición.- Para determinar cómo la truncación de la
respuesta al impulso determina el rizo de la banda de paso, la atenuación de la banda de paro y el
ancho de la banda de transición del filtro pasabajos ideal, se usa (10.59) para evaluar la respuesta
de amplitud del filtro diseñado:
1 𝜋 1 𝜔𝑐
𝐴(𝑒 𝑗𝜔 ) = ∫ 𝐴𝑑 (𝑒 𝑗𝜃 )𝐴𝑤 (𝑒 𝑗(𝜔−𝜃) )𝑑𝜃 = ∫ 𝐴 (𝑒 𝑗(𝜔−𝜃) )𝑑𝜃 (10.62)
2𝜋 −𝜋 2𝜋 −𝜔𝑐 𝑤

 La función amplitud de la ventana 𝐴𝑤 (𝑒 𝑗𝜔 ) en (10.61) tiene el primer cruce por cero en 𝜔1 =

± 2𝜋⁄𝐿 donde 𝐿 = 𝑀 + 1 es la longitud de la ventana; de esta manera, el ancho del lóbulo
principal es de alrededor de 4𝜋⁄𝐿.
 El pico negativo del primer lóbulo lateral ocurre en aproximadamente 3𝜋⁄𝐿; por tanto, se tiene
que |𝐴𝑤 (𝑒 𝑗3𝜋⁄𝐿 )⁄𝐴𝑤 (𝑒 𝑗0 )| = |sin(3𝜋⁄2)⁄sin(3𝜋⁄2𝐿)|⁄𝐿.
 Para valores grandes de 𝐿, donde se puede usar la aproximación sin 𝜃 ≈ 𝜃, esta razón es de
alrededor de 2⁄(3𝜋); por tanto, la magnitud del pico del lóbulo lateral es 13 dB por debajo del
pico del lóbulo principal como se muestra en la siguiente figura:
Para investigar las propiedades de 𝐴(𝑒 𝑗𝜔 ) en la vecindad de la frecuencia de corte 𝜔 = 𝜔𝑐 , primero
se considera el caso para 𝜔 < 𝜔𝑐 y se divide (10.62) en dos partes como sigue:
1 𝜔 𝜔𝑐
𝐴(𝑒 𝑗𝜔 ) = ∫ 𝐴𝑤 (𝑒 𝑗(𝜔−𝜃) )𝑑𝜃 + ∫ 𝐴𝑤 (𝑒 𝑗(𝜔−𝜃) )𝑑𝜃 (10.63)
2𝜋 −𝜔𝑐 𝜔

Usando el cambio de variables 𝜙 = 𝜔 − 𝜃 en la primera integral, 𝜙 = (𝜔 − 𝜃)𝐿⁄2 en la segunda

integral y la simetría de 𝐴𝑤 (𝑒 𝑗𝜔 ), se obtiene:

1 𝜔+𝜔𝑐 1 (𝜔𝑐 −𝜔)𝐿⁄2

𝐴(𝑒 𝑗𝜔 ) = ∫ 𝐴𝑤 (𝑒 𝑗𝜙 )𝑑𝜙 + ∫ 𝐴𝑤 (𝑒 𝑗(2𝜙⁄𝐿) )𝑑𝜙 (10.64)
2𝜋 0 𝐿𝜋 0

De la figura, se ve que para 𝜔 cercana a 𝜔𝑐 , la primera integral se puede aproximar por la integral
de 𝐴(𝑒 𝑗𝜔 ) desde 0 a 𝜋, la cual es igual a 𝜋.
También para 𝐿 grande se tiene que 𝐴𝑤 (𝑒 𝑗(2𝜙⁄𝐿) ) = sin 𝜙⁄(sin 𝜙⁄𝐿) ≈ 𝐿 sin 𝜙⁄𝜙. Por tanto, se
obtiene:

𝑗𝜔
1 1 (𝜔𝑐 −𝜔)𝐿⁄2 sin 𝜙 1 1
𝐴(𝑒 )≈ + ∫ 𝑑𝜙 = + Si[(𝜔𝑐 − 𝜔)𝐿⁄2] (10.65)
2 𝜋 0 𝜙 2 𝜋

donde la función integral seno está definida por:

𝜉
sin 𝜙
Si(𝜉) ≜ ∫ 𝑑𝜙 (10.66)
0 𝜙

Para 𝜔 > 𝜔𝑐 , se puede mostrar de manera similar que:

1 1
𝐴(𝑒 𝑗𝜔 ) ≈ − Si[(𝜔𝑐 − 𝜔)𝐿⁄2] (10.67)
2 𝜋
La función integral seno, como se muestra en la siguiente figura:
es lineal para pequeños valores de 𝜉, es decir, Si(𝜉) ≈ 𝜉, tiene un máximo global de valor 1.179 ×
0.5𝜋 en 𝜉 = 𝜋 y alcanza un valor asintótico de 0.5𝜋.

Usando estas propiedades, (10.65) y (10.67) se obtiene:

𝜔 = 𝜔𝑐 𝐴(𝑒 𝑗𝜔 ) = 0.5 (10.68𝑎)

𝜔 = 𝜔𝑐 − 2𝜋⁄𝐿 𝐴(𝑒 𝑗𝜔 ) = 0.5 + Si(𝜋)⁄𝜋 ≈ 1.0895 (10.68𝑏)

𝜔 = 𝜔𝑐 + 2𝜋⁄𝐿 𝐴(𝑒 𝑗𝜔 ) = 0.5 − Si(𝜋)⁄𝜋 ≈ 0.0895 (10.68𝑐)

Una inspección de la siguiente figura:

la cual muestra la función amplitud en la vecindad de 𝜔𝑐 y la ecuación (10.68) conduce a las
siguientes observaciones importantes:

 Tanto el rizo de la banda de paso 𝛿𝑝 como la atencuación de la banda de paso 𝛿𝑠 son

aproximadamente iguales, es decir:

𝛿𝑝 ≈ 𝛿𝑠 ≈ 0.0895 (10.69)

independientemente del orden 𝑀, aunque las especificaciones de diseño requieran que 𝛿𝑝 ≠

𝛿𝑠 .

 La truncación de la respuest al impulso ideal produce filtros FIR con rizo en la banda de paso
alrededor de 20 log10(1.0895) = 0.75 𝑑𝐵 y la atenuación mínima de la banda de paso
alrededor de 20 log10(1⁄0.0895) = 21 𝑑𝐵, independientemente de la longitud del filtro;
ambos no son suficientes para aplicaciones prácticas.
 El ancho de la banda de transición que está acotada por arriba mediante el ancho del lóbulo
principal de 𝐴𝑤 (𝑒 𝑗𝜔 ), está dado por:
1.8𝜋 4𝜋
∆𝜔 ≜ 𝜔𝑠 − 𝜔𝑝 ≈ ≤ (10.70)
𝑀 𝑀+1
debido a que, como se ilustra en la figura:

la banda de transición empieza en 𝐴(𝑒 𝑗𝜔 ) = 1 − 0.0895 y termina en 𝐴(𝑒 𝑗𝜔 ) = +0.0895, el

cual está alrededor de la mitad de la distancia entre el pico más alto y el valle más profundo de
𝐴(𝑒 𝑗𝜔 ).
Note que los rizos de la banda de paso y de la banda de paro del filtro diseñado están determinados
por la integral de la función amplitud de la ventana 𝐴𝑤 (𝑒 𝑗𝜔 ).

Una forma simple de determinar estas cantidades numéricamente es a partir de la gráfica de la

función amplitud de la ventana acumulada:
𝜔
𝑗𝜔
𝐴𝑎𝑐 (𝑒 ) ≜ ∫ 𝐴𝑤 (𝑒 𝑗𝜃 )𝑑𝜃 (10.71)
−𝜋

La siguiente figura muestra gráficas de 𝐴𝑤 (𝑒 𝑗𝜔 ) y 𝐴𝑎𝑐 (𝑒 𝑗𝜔 ) para ventanas rectangulares con 𝑀 =

20 y 𝑀 = 40:

 Note que a medida que se incrementa el orden 𝑀, el nivel del lóbulo lateral más alto permanece
constante en 13 dB y la atenuación de la banda de paro es fija alrededor de 21 dB-
 Los anchos del lóbulo principal y por tanto la banda de transición decrecen a medida que el
orden se incrementa.
 Sin embargo, la única forma de mejorar la atenuación de la banda de paro es reducir los lóbulos
laterales de la ventana, lo cual se puede hacer sóo cambiando la forma de la ventana.
 Existen ventanas no rectangulares que hacen posible diseñal filtros prácticos útiles.

Suavización de la respuesta en frecuencia usando ventanas fijas

El uso de ventanas rectangulares para obtener una menor truncación abrupta de la respuesta al
impulso reduce la altura de los rizos a expensas de una banda de transición más amplia.

Las ventanas más comúnmente usadas están definidas por las siguientes ecuaciones:
Rectangular
1 0≤𝑛≤𝑀
𝑤[𝑛] = { (10.72)
0 de otra manera
Bartlett (triangular)
2𝑛⁄𝑀 0 ≤ 𝑛 ≤ 𝑀⁄2 , 𝑀 par
𝑤[𝑛] = {2 − 2𝑛⁄𝑀 𝑀 ⁄2 < 𝑛 ≤ 𝑀 (10.73)
0 de otra manera

Hann
0.5 − 0.5 cos(2𝜋𝑛⁄𝑀) 0≤𝑛≤𝑀
𝑤[𝑛] = { (10.74)
0 de otra manera
Hamming
0.54 − 0.46 cos(2𝜋𝑛⁄𝑀) 0≤𝑛≤𝑀
𝑤[𝑛] = { (10.75)
0 de otra manera
Blackman
0.42 − 0.5 cos(2𝜋𝑛⁄𝑀) + 0.08 cos(4𝜋𝑛⁄𝑀) 0≤𝑛≤𝑀
𝑤[𝑛] = { (10.76)
0 de otra manera
La siguiente figura muestra la forma de onda de la magnitud de su trasformada de Fourier en dB
para estas ventanas comunes con 𝑀 = 50.
Note que, como se esperaba, las ventanas no rectangulares tienen lóbulos principales más anchos
y lóbulos laterales más bajos que la ventana rectangular.

Las transformadas de Fourier de las ventanas no rectangulares pueden ser expresadas en términos
de la transformada de ventanas rectangulares.

Las ventanas siempre son simétricas, es decir, satisfacen la condición

𝑤[𝑀 − 𝑛] 0≤𝑛≤𝑀
𝑤[𝑛] = { (10.77)
0 de otra manera
Para 𝑀 par o impar.

Por tanto, la respuesta al impulso ventaneada ℎ[𝑛] = 𝑤[𝑛]ℎ𝑑 [𝑛] tiene la misma simetría con la
respuesta al impulso ideal ℎ𝑑 [𝑛]; en otras palabras, el ventaneo de un filtro FIR con fase lineal no
cambia su tipo.

El efecto de la ventana sobre la respuesta de amplitud puede ser analizado siguiendo el método
usado para la ventana rectangular. Si se asume que 𝐴𝑑 (𝑒 𝑗𝜔 ) tiene una discontinuidad en 𝜔𝑐 tal que
− +
𝐴𝑑 (𝑒 𝑗𝜔𝑐 ) = 1 y 𝐴𝑑 (𝑒 𝑗𝜔𝑐 ) = 0 se puede mostrar que en la vecindad de 𝜔𝑐 se tiene:
1
0.5 + Λ 𝑤 [0.5(𝜔𝑐 − 𝜔)𝐿] 𝜔 < 𝜔𝑐
𝐴(𝑒 𝑗𝜔 ) ≈ { 𝜋 (10.78)
1
0.5 − Λ 𝑤 [0.5(𝜔 − 𝜔𝑐 )𝐿] 𝜔 > 𝜔𝑐
𝜋
donde Λ 𝑤 [𝜙] es la función amplitud integral de la ventana definida por:

1 𝜙
Λ 𝑤 [𝜙] = ∫ 𝐴𝑤 (𝑒 𝑗2𝜃⁄𝐿 )𝑑𝜃 (10.79)
𝐿 0

 Por tanto, los rizos de la banda de paso y de la banda de paro y el ancho de la banda de transición
están determinados por la corrida integral de la función amplitud de la ventana 𝐴𝑤 (𝑒 𝑗𝜔 ).
 Más aún, para una muy buena aproximación, el rizo de la banda de paso 𝛿𝑝 y la atencuación de
la banda de paro 𝛿𝑠 son iguales e independientes de 𝑀; pueden ser cambiados sólo cambiando
la forma de la ventana.
 El ancho de la banda de transición, la cual está controlada por el ancho del lóbulo principal de
𝐴𝑤 (𝑒 𝑗𝜔 ), puede ser reducido incrementando el orden 𝑀 del filtro.

La siguiente tabla resume las propiedades de las ventanas definidas en (10.72) a (10.76):

Así, estas ventanas son llamadas ventanas fijas puesto que la atencuación de su banda de paro es
independiente de la longitud de la ventana. Una inspección de la tabla muestra que la ventana de
Hamming proporciona la mejor elección para el diseño de filtros puesto que da un mejor
compromiso entre un ancho estrecho de transición y una alta atenuación de la banda de paro.

La siguiente figura muestra la respuesta en magnitud de un filtro FIR con 𝜔𝑐 = 𝜋⁄4 y 𝑀 = 40

diseñado usando ventanas rectangular, de Hann, de Hamming, y de Blackman.

Note que las ventanas con lóbulos laterales más pequeños y lóbulo principal más estrecho
proporcionan una mejor aproximación de la respuesta ideal alrededor de una discontinuidad.
Diseño de filtros FIR usando ventana fija.- Usando funciones de entanas y sus parámetros de la Tabla
10.3 se puede ahora proporcionar un proceedimiento sistemático para el diseño de filtros FIR.

Para filtros pasa bajos los pasos de diseño son:

 Dadas las especificaciones de diseño {𝜔𝑝 , 𝜔𝑠 , 𝐴𝑝 , 𝐴𝑠 }, determinar los rizos 𝛿𝑝 y 𝛿𝑠 y hacer 𝛿 =

min{𝛿𝑝 , 𝛿𝑠 }.
 Puesto que la banda de transición es simétrica alrededor de 𝜔𝑐 , determinar la frecuencia de
corte del prototipo ideal mediante 𝜔𝑐 (𝜔𝑝 + 𝜔𝑠 )⁄2.
 Determinar los parámetros de diseño 𝐴 = −20 log10 𝛿 y Δ𝜔 = 𝜔𝑠 − 𝜔𝑝
 De la tabla 10.3, elegir la función ventana que proporcione la atenuación más pequeña de la
banda de paro mayor que 𝐴. Para esta función ventana, determinar el valor requerido de 𝑀 =
𝐿 − 1 seleccionando el correspondiente valor de Δ𝜔 a partir de la columna etiquetada como
“Δ𝜔 exacto”. Si 𝑀 es impar, se puede incrementar por uno para tener un filtro tipo I flexible.
 Determinar la respuesta al impulso del filtro pasa bajos ideal mediante:
sin[𝜔𝑐 (𝑛 − 𝑀⁄2)]
ℎ𝑑 [𝑛] = (10.80)
𝜋(𝑛 − 𝑀⁄2)
 Calcular la respuesta al impulso ℎ[𝑛] = ℎ𝑑 [𝑛]𝑤[𝑛] usando la ventana elegida.
 Verificar si el filtro diseñado satisface las especificaciones prescritas; si no, incrementar el orden
𝑀 y volver a calcular ℎ𝑑 [𝑛].

Ejemplo 10.2.- Diseñe un filtro FIR pasa bajos de fase lineal para satisfacer las siguientes
especificaciones:
 𝜔𝑝 = 0.25𝜋, 𝜔𝑠 = 0.35𝜋, 𝐴𝑝 = 0.1 dB, 𝐴𝑠 = 50 dB

 Primero, usando:
1 − 𝛿𝑝 1 + 𝛿𝑝
𝐴𝑝 ≜ 20 log10 ( ), 𝐴𝑠 ≜ 20 log10 ( ) ≈ −20 log10 (𝛿𝑠 ) (10.5)
1 + 𝛿𝑝 𝛿𝑠
se obtiene 𝛿𝑝 = 0.0058 y 𝛿𝑝 = 0.0032.
 Por tanto, 𝛿 es puesto a 0.0032 o 𝐴 = 𝐴𝑝 = 50 dB.
 Luego se configura la frecuencia de corte del filtro pasa bajos ideal 𝜔𝑐 = (𝜔𝑝 + 𝜔𝑠 )⁄2 = 0.3𝜋
y se calcula el ancho de banda de transición Δ𝜔 = 𝜔𝑠 − 𝜔𝑝 = 0.1𝜋.
 De la Tabla 10.3 se elige una ventana de Hamming puesto que proporciona al menos una
atenuación de 53 dB que es mayor que 𝐴 = 50 dB.
 Para esta ventana, usando el ancho de banda de transición Δ𝜔 ≈ 6.6 𝜋⁄𝐿, la longitud es 𝐿 =
66.
 Se elige 𝐿 = 67 o 𝑀 = 66 para obtener un filtro tipo I.
 Ahora se eligen los parémtros de diseño necesarios y finalmente se calcula la respuesta al
impulso ℎ[𝑛] usando (10.80) y (10.75).

Estos pasos pueden fácilmente ser implementados en Matlab usando el script:

Las gráficas de las respuestas al impulso, error de aproximación y magnitud del filtro diseñado se
muestran en la siguiente figura
A partir del error de aproximación y la respuesta de magnitud se concluye que el filtro diseñado
satisface la especificación dada en (10.81).

Puesto que la banda de transición ∆𝜔 es proporcional a 1⁄𝑀, se puede controlar su ancho a través
de la longitud de la ventana.

Sin embargo, puesto que el tamaño de los rizos depende de la forma de la ventana, no existe forma
sistemática para controlar el rizo de la banda de paso y la atenuación de la banda de paro con
ventanas de forma fija.

La única forma de abordar este problema es usando ventanas cuya forma podría ser controlada con
parámetros ajustables.

Diseño de filtros usnado la ventana ajustable de Kaiser

Una ventana últil para el diseño de filtros tiene una transformada de Fourier que tiene un lóbulo
principal estrecho, un lóbulo lateral de pico relativamente pequeño, un buen decaimiento de los
lóbulos laterales.

Para una buena aproximación, el ancho del lóbulo principal determina el ancho de la banda de
transición, mientras que la altura relativa de los lóbulos laterales controla el tamaño de los rizos en
la respeuta de amplitud.

De acuerdo al principio de incertidumbre, existe un compromiso entre el ancho del lóbulo principal
y la altura del lóbulo lateral; en otras palabras, no se puede reducir ambas cantidades al mismo
tiempo.
Una clase de ventana óptima con parámetros ajustables puede ser diseñada maximizando la razón
de energía en una banda de frecuencia alrededor de 𝜔 = 0 sobre la energía total.

Para ventanas de tiempo continuo este problem ha sido resuelto en forma cerrada en términos de
una clase complicada de funciones llamadas funciones de onda esferoidales alargadas.

La solución de este problema en tiempo discreto conduce a un problema de valores propios mal
condicionado. Kaiser evitó la solución de este problem obteniendo una aproximación simple, pero
suficientemente preciso, a la ventana esferoidal alargada.

Otro método busca miniizar el nivel de los picos de los lóbulos laterales.

Una combinación de estos dos métodos ha sido desarrollado por Saramaki.

La ventana de Kaiser, que es estándar para el diseño de filtros está definida por:

𝐼0 [𝛽√1 − [(𝑛 − 𝛼)⁄𝛼 ]2 ]

𝑤[𝑛] = { 0≤𝑛≤𝑀 (10.82)
𝐼0 (𝛽)
0 de otra manera
donde 𝛼 = 𝑀⁄2 y 𝐼0 (∙) denota la función de Bessel de orden cero modificada de la primera clase:
∞
(𝑥 ⁄2)𝑚
𝐼0 (𝑥) = 1 + ∑ [ ] (10.83)
𝑚!
𝑚=1

Esta expresión puede ser evaluada mediante la siguiente función de Matlab que usa un algoritmo
debido a Kaiser:

La siguiente figura muestra que la forma de la ventana de Kaiser está controlada mediante el
parámetro 𝛽.
En efecto, la ventana de Kaiser puede ser usada para aproximarse más a las ventanas fijas de la
Tabla 10.3.

El caso 𝛽 = 0 produce la ventana rectangular; sin embargo, a medida que 𝛽 se incrementa el

estrechamiento en las terminales se incrementa conduciendo a una ventana más concentrada.

La figura (b) muestra que cuando 𝛽se incrementa, el lóbulo principal se vuelve más ancho, mientras
que los lóbulos laterales se vuelven más pequeños.

La figura (c) muestra que el incremento de 𝑀 mientras se mantiene 𝛽 constante causa un

decrecimineto en el ancho del lóbulo principal sin afectar la amplitud pico de los lóbulos laterales.

Puesto que una buena aproximación la atenuación de la banda de paro 𝐴𝑠 no depende de 𝑀, se

puede empezar el proceso de diseño encontrando el valor de 𝛽 requerido para obtener un valor
prescrito 𝐴 para 𝐴𝑠 .

A través de experimentación numérica extensiva Kaiser derivó la siguiente relación empírica:

0 𝐴 < 21
𝛽 = {0.5842(𝐴 − 21)0.4 + 0.07886(𝐴 − 21) 21 ≤ 𝐴 ≤ 50 (10.84)
0.1102(𝐴 − 8.7) 𝐴 > 50
donde 𝐴 = −20 log10 𝛿 es a altura del rizo en dB- Puesto que el método de ventaneo produce filtros
con 𝛿𝑝 ≈ 𝛿𝑠 , independientemente de las especificaciones de diseño; note que el rango 0 ≤ 𝛽 ≤ 8
proporciona ventanas útiles.
El caso 𝛽 = 0 corresponde a la ventana rectangular para la cual la atenuación de la banda de paro
es aproximadamente 21 dB.

Eligiendo apropiadamente 𝛽 se pueden aproximar otras ventanas fijas.

El orden 𝑀 requerido para lograr valores prescritos de 𝐴 y ∆𝜔 es estimado usando la fórmula:

𝐴−8
𝑀= (10.85)
2.285∆𝜔
Usando estas fórmulas se puede desarrollar un procedimiento sistemático para el diseño de filtros
FIR usando la ventana de Kaiser.

Para filtros pasa bajos, este procedimiento tiene los siguientes pasos:

 Dadas las especificaciones de diseño {𝜔𝑝 , 𝜔𝑠 , 𝐴𝑝 , 𝐴𝑠 }, determinar los rizos 𝛿𝑝 y 𝛿𝑠 y hacer 𝛿 =

max{𝛿𝑝 , 𝛿𝑠 }.
 Puesto que la banda de transición es simétrica alrededor de 𝜔𝑐 , determinar la frecuencia de
corte del prototipo ideal mediante 𝜔𝑐 (𝜔𝑝 + 𝜔𝑠 )⁄2.
 Determinar los parámetros de diseño 𝐴 = −20 log10 𝛿 y Δ𝜔 = 𝜔𝑠 − 𝜔𝑝
 Determinar los valores requeridos de 𝛽 y 𝑀 a partir de (10.84) y (10.85), respectivamente. Si 𝑀
es impar se la puede incrementar por 1 para tener un filtro tipo I flexible.
 Determinar la respuesta al impulso del filtro pasa bajos ideal usando (10.80):
 Calcular la respuesta al impulso ℎ[𝑛] = ℎ𝑑 [𝑛]𝑤[𝑛] usando la ventana de Kaiser.
 Verificar si el filtro diseñado satisface las especificaciones prescritas; si no, incrementar el orden
𝑀 y volver a calcular ℎ𝑑 [𝑛] a partir de (10.80).

Ejemplo 10.3.- Considere las especificaciones de un filtro FIR pasa bajos, de fase lineal, dadas por
(10.81): 𝜔𝑝 = 0.25𝜋, 𝜔𝑠 = 0.35𝜋, 𝐴𝑝 = 0.1 dB, 𝐴𝑠 = 50 dB.

Se diseñará el filtro usando la ventana de Kaiser.

Del ejemplo 10.2 se tiene que 𝐴 = 50 dB y que 𝜔𝑐 = (𝜔𝑝 + 𝜔𝑠 )⁄2 = 0.3𝜋. Usando (10.84) y
(10.85) se obtiene los valores requeridos para un filtro tipo I.

Finalmente se se calcula la respuesta al impulso ℎ[𝑛] usando (10.80) y (10.82).

Estos pasos pueden fácilmente ser implementados en Matlab usando el script:

Las gráficas de las respuestas al imulso, error de aproximación y magnitud del filtro diseñado se
muestran en la siguiente figura:
Apartir del error de aproximación y de la respuesta de magnitud se concluye que el filtro diseñado
satisface las especificaciones dadas en (10.81).

Más aún, el diseño de la ventana de Kaiser satisface las especificaciones usando una ventana de
longitud 𝐿 = 61 la cual es más pequeña que 𝐿 = 67 para la ventana de Hamming.

El método anterior puede ser generalizado al diseño de filtros pasa altos, pasa banda, rechazo de
banda y otros filtros multibanda, siempre que se pueda derivar una expresión analítica para la
respuesta al impulso ideal requerida.

Por ejemplo, considera un filtro ideal pasa banda con fase lineal y banda de paso 0 ≤ 𝜔𝑐1 < |𝜔| <
𝜔𝑐2 ≤ 𝜋.

Puesto que este filtro es equivalente a la diferencia de dos filtros pasa bajos con frecuencias de corte
𝜔𝑐1 y 𝜔𝑐2 , su respuesta al impulso está dada por:

sin[𝜔𝑐2 (𝑛 − 𝑀⁄2)] sin[𝜔𝑐1 (𝑛 − 𝑀⁄2)]

ℎ𝑏𝑝 [𝑛] = − (10.86)
𝜋(𝑛 − 𝑀⁄2) 𝜋(𝑛 − 𝑀⁄2)
El caso 𝜔𝑐2 = 𝜋 corresponde a un filtro pasa altos.

En general, la respuesta al impulso de un filtro multibanda está dado por:

𝐾
sin[𝜔𝑘 (𝑛 − 𝑀⁄2)]
ℎ𝑚𝑏 = ∑(𝐴𝑘 − 𝐴𝑘+1 ) (10.87)
𝜋(𝑛 − 𝑀⁄2)
𝑘=1
donde |𝐻𝑚𝑏 (𝑒 𝑗𝜔 )| = 𝐴𝑘 para 𝜔𝑘−1 ≤ 𝜔 ≤ 𝜔𝑘 ; 𝑘 = 1,2, … , 𝐾, 𝐴𝐾+1 = 0 y 𝐾 es el número de
bandas.

El comportamiento en cada banda de transición es similar a la mostrada en la siguiente figura:

y puede ser caracterizado con precisión por las fórmulas (10.78) y (10.79) siempre que las
frecuencias 𝜔𝑘 estén suficientemente alejadas y que los rizos en cada banda estén apropiadamente
escalados por la correspondiente ganancia 𝐴𝑘 .

Un filtro dideal de estas características se muestra en la siguiente figura:

Ejemplo 10.4.- Se diseñará un filtro pasabanda usando la ventana de Kaiser para satisfacer las
siguientes especificaciones:
 |𝐻(𝑒 𝑗𝜔 )| ≤ 0.01 |𝜔| ≤ 0.2𝜋
𝑗𝜔
0.99 ≤ |𝐻(𝑒 )| ≤ 1.01 0.3𝜋 ≤ |𝜔| ≤ 0.7𝜋 (10.88)
𝑗𝜔
|𝐻(𝑒 )| ≤ 0.01 0.78𝜋 ≤ |𝜔| ≤ 𝜋

En los filtros multibanda existen más de dos parámetros de rizo de banda y más de una banda de
transición.

El método de diseño de ventana puede satisface sólo un parámetro de rizo y un ancho de banda de
transición.

Por tanto, se diseña para el mínimo de los valores deseados.

En este ejemplo, el parámetro de rizo es 𝛿 = 0.01 o 𝐴 ≈ 40 dB.

Existen dos bandas de transición: 0.2𝜋 ≤ 𝜔 ≤ 0.3𝜋 y 0.7𝜋 ≤ 𝜔 ≤ 0.78𝜋 para las cuales las
frecuencias de corte son 𝜔𝑐1 = 0.25𝜋 y 𝜔𝑐2 = 0.74𝜋, respectivamente.

Similarmente, los anchos de banda de transición son ∆𝜔1 = 0.3𝜋 − 0.2𝜋 = 0.1𝜋 y ∆𝜔2 = 0.78𝜋 −
0.7𝜋 = 0.08𝜋.

Se hace que ∆𝜔 = 0.08𝜋. Usando (10.84) y (10.85) los valores requeridos de los parámetros de la
ventana de Kaiser son 𝛽 = 3.3953 y 𝑀 = 56, los cuales se eligen para un filtro tipo I.

La respuesta al impuslo ℎ[𝑛] ahora se calcula usando (10.80= y (10.82).

Las gráficas de las respuestas al impulso, el error de aproximación y magnitud del filtro diseñado se
muetran en la siguiente figura:
Del error de aproximación y de la respuesta de magnitud se convluye que el filtro diseñado satisface
las especificaciones dadas en (10.88).

Diseño de filtros FIR mediante muestreo de frecuencia

El método de ventaneo requiere de una expresión analítica para la respuesta en frecuencia deseada
𝐻𝑑 (𝑒 𝑗𝜔 ) y la respuesta al impulso ℎ𝑑 [𝑛] se obtiene a partir de la transformada inversa de Fourier.

Sin embargo, en ciertas aplicaciones el filtro deseado es especificado mediante muestras de su

función de respuesta en frecuencia sin necesariamente conocer la expresión analítica para 𝐻𝑑 (𝑒 𝑗𝜔 ).

Método de diseño básico.- Suponga que se dan muestras de una repuesta en frecuencia deseada
en 𝐿 puntos igualmente espaciados sobre el círculo unitario:

𝐻𝑑 [𝑘] ≜ 𝐻𝑑 (𝑒 𝑗2𝜋𝑘⁄𝐿 ); 𝑘 = 0,1, … , 𝐿 − 1 (10.89)

La respuesta al impulso deseada ℎ𝑑 [𝑛], la cual no está disponible, puede tener duración finita o
infinita.

La DFT inversa de 𝐻𝑑 [𝑘] está relacionada con ℎ𝑑 [𝑛] mediante la relación de aliasing:
𝐿−1 ∞
1
ℎ̃[𝑛] ≜ ∑ 𝐻𝑑 [𝑘]𝑊𝑁−𝑘𝑛 = ∑ ℎ𝑑 [𝑛 − 𝑚𝐿] (10.90)
𝐿
𝑘=0 𝑚=−∞

la cual es una secuencia periódica con periodo fundamental 𝐿.

Se puede diseñar un filtro FIR mediante la multiplicación de ℎ̃[𝑛] con una ventana de longitud 𝐿, es
decir:

ℎ[𝑛] = ℎ̃[𝑛]𝑤[𝑛] (10.91)

Puesto que ℎ̃[𝑛] es periódica, la respuesta en frecuencia del filtro diseñado se obtiene de la
siguiente manera:
𝐿−1
1
𝐻(𝑒 𝑗𝜔
) = ∑ 𝐻𝑑 [𝑘]𝑊(𝑒 𝑗(𝜔−2𝜋𝑘⁄𝐿) ) (10.92)
𝐿
𝑘=0

donde 𝑊(𝑒 𝑗𝜔 ) es la transformada de Fourier de la ventana.

De esta manera, la respuesta en frecuencia del diltro diseñado es obtenida interpolando entre las
muestras 𝐻𝑑 [𝑘] usando 𝑊(𝑒 𝑗𝜔 ) como una función de interpolación.

El proceso de interpolación (10.92) actúa similarmente a la convolución en el dominio de la

frecuencia (10.59) en el método de ventaneo.

El método de ventaneo crea un filtro FIR truncando ℎ𝑑 [𝑛]; el método de muestreo de frecuencia
crea un filtro FIR mediante el aliasing o estrechamiento de ℎ𝑑 [𝑛].
Si 𝑤[𝑛] es una ventana rectangular de 𝐿 puntos, entonces ℎ[𝑛] es el periodo primario de ℎ̃[𝑛]. En
este caso, el error de aproximación es cero en las frecuencias de muestreo y finita entre ellas debido
a que 𝑊(𝑒 𝑗𝜔 ) es una función de Dirichlet (sinc periódica).

Para ventanas no rectangulares, el error de aproximación no es exactamente cero en las frecuencias

de muestreo pero es muy cercano a cero, sin embargo, tienen ventajas en la reducción de los rizos
de la banda de paso y de la banda de paro.

En la práctica, para minimizar la distorsión de aliasing en el dominio del tiempo, se empieza con un
valor grande para 𝐿 en (10.89) y luego se elige un valor más pequeño para la longitud de la ventana
en (10.91).

Diseño de filtros FIR de fase lineal.- En general, el método de (10.89) a (10.91) resulta en filtros FIR
con fase arbitraria.

Para diseñar filtros FIR con fase lineal se debería incorporar restricciones apropiadas a las
ecuaciones de diseño.

Para asegurar que la secuencia ℎ[𝑛] sea real y satisfaga las restriciones de fase lineal:

ℎ[𝑛] = ±ℎ[𝐿 − 1 − 𝑛] (10.93)

se deberían formar los coeficientes DFT 𝐻𝑑 [𝑘] a partir de las muestras de la respuesta deseada muy
cuidadosamente.

Esto se hace usando las siguientes fórmulas:

𝐻𝑑 [𝑘] = 𝐴𝑑 [𝑘]𝑒 𝑗Ψ𝑑 [𝑘] (10.94𝑎)

𝐴𝑑 (𝑒 𝑗0 ) 𝑘=0
𝐴𝑑 [𝑘] = { 𝑗2𝜋(𝐿−𝑘)⁄𝐿
(10.94𝑏)
𝐴𝑑 (𝑒 ) 𝑘 = 1,2, … , 𝐿
𝜋 𝐿 − 1 2𝜋
± 𝑞− 𝑘 𝑘 = 0,1, … , 𝑄
Ψ𝑑 [𝑘] = { 2 2 𝐿 (10.94𝑐)
𝜋 𝐿 − 1 2𝜋
∓ 𝑞+ (𝐿 − 𝑘) 𝑘 = 𝑄 + 1, … , 𝐿 − 1
2 2 𝐿
done 𝑄 = [(𝐿 − 1)⁄2].

El parámetro 𝑞 = 0 para filtros FIR tipos I-II y 𝑞 = 1 para filtros FIR tipos III-IV.

La respuesta al impulso ℎ[𝑛] se obtiene usando (10.90) y (10.91) con una ventana rectangular.

Las muestras en el dominio de la frecuencia 𝐻𝑑 [𝑘] de un filtro pasa bajos ideal y la respuesta en
frecuencia interpolada resultante 𝐻(𝑒 𝑗𝜔 ) se ilustran en la siguiente figura, en la cual la frecuencia
de corte es de 0.45𝜋:
 Observe que 𝐻(𝑒 𝑗𝜔 ) es cero en las frecuencias de muestreo y que el error de aproximación es
más grande cerca de la transición y es más pequeña fuera de ella.
 Esto es debido al fenómeno de Gibbs (debido a la ventana rectangular) creada por la transición
entre la banda de paso y la banda de paro.
 El error de aproximación máximo de estama manera depende de la forma de la respuesta en
frecuencia ideal; es más pequeña para una transición suave y viceversa.

Mejores métodos de diseño.- Puesto que la banda de transición típicamente no se especifica, se

puede mejorar la calidad de la aproximación reforzando una banda de transición más suave.

Existen varios métodos; uno es óptimo en el sentido de obtener el rizo más pequeño para la longitud
dada, mientras que otros métodos son sub-óptimos y todavía peoducen resultados superiores.

Método de diseño óptimo.- Un método es hacer que un número pequeño de muestras de

frecuencia en la banda de transición sean variables no restringidas.

Puesto que 𝐻(𝑒 𝑗𝜔 ) es una combinación lineal de las muestras 𝐻𝑑 [𝑘], se usa optimización basada
en programación lineal para determinar los valores de las muestras no restringidas para minimizar
el error de aproximación del pico.

Para esto, se proporcionan tablas para elegir muestras de la banda de transición de una combinación
selecta de la longitud del filtro 𝐿, el ancho de la banda de paso 𝜔𝑝 y la atencuación de la banda de
paro 𝐴𝑠 .
Método de suavización de la banda de transición.- En este método se introduce una banda de
transición suave que hace que 𝐴𝑑 (𝑒 𝑗𝜔 ) sea continua; esto elimina el fenómeno de Gibbs y causa
que ℎ[𝑛] decaiga asintóticamente más rápido que ℎ𝑑 [𝑛].

Las funciones Spline proporcionan una muy atractiva elección para las funciones de transición.

Sin embargo, una spline de primer orden:

𝐴𝑑 (𝑒 𝑗𝜔 ) = (𝜔𝑠 − 𝜔)⁄(𝜔𝑠 − 𝜔𝑝 ) ; 𝜔𝑝 < 𝜔 < 𝜔𝑠 (10.95)

o bien una caída de coseno elevado (raised-cosine roll-off):

𝐴𝑑 (𝑒 𝑗𝜔 ) = 0.5 + 0.5 cos ; 𝜔𝑝 < 𝜔 < 𝜔𝑠 (10.96)

La siguiente figura muesta un ejemplo de un método de diseño de muestreo de frecuencia que usa
(10.95) y (10.96):

Método de diseño de ventana no rectangular.- También se puede obtener la respuesta al impulso

del filtro FIR ℎ[𝑛] multiplicando la ℎ̃[𝑛] periódica por la ventana no rectangular 𝑤[𝑛].

Las ventanas más populares son las de Hamming y Kaiser.

La siguiente figura muestra el efecto de la ventana de Hamming sobre la técnica de diseño básica
de muestreo de frecuencia.
La respuesta en frecuencia resultante es similar a la obtenida usando la transición suave raised-
cosine junto con el ancho de banda de transición más amplio.

Asimismo se muestra el resultado equivalente usando la ventana de Kaiser con 𝛽 = 4.

Note que en ambos casos la respuesta en frecuencia resultante no va a través de las muestras de la
respuesta en frecuencia deseada cerca de la banda de transición, mientras que la aproximación es
muy cercana para muestras fuera de la transición-

Para muchas aplicaciones, este método de diseño es aceptable y puede ser mejorado usando un
valor más alto de 𝑀 y una función ventana apropiada 𝑤[𝑛].

Procedimiento de diseño.- Para filtros de frecuencia selectiva con bandas de transición no definidas,
el procedimiento de diseño puede ser iterativo si no se usa el método de diseño óptimo.

Por ejemplo, para diseñar un filtro pasa bajos con especificaciones {𝜔𝑝 , 𝜔𝑠 , 𝐴𝑝 , 𝐴𝑠 }, se pueden usar
los siguientes pasos:

 Elegir el orden del filtro 𝑀 situando al menos dos muestras en la banda de transición.
 Para un método de diseño de ventana obtener muestras de la respuesta enfrecuencia deseada
𝐻𝑑 [𝑘] usando (10.94). Para un método de banda de transición suave, usar (10.95) o (10.96),
para las muestras de la banda de transición además de (10.94) paralas demás muestras.
 Calcular la IDFT de 𝑀 + 1 puntos de 𝐻𝑑 [𝑘] para obtener ℎ[𝑛]. Para un método de diseño de
ventana multiplicar ℎ[𝑛] por la función de ventana apropiada.
 Calcular la respuesta de magnitd loogarítmica 𝐻𝑑 (𝑒 𝑗𝜔 ) y verificar el diseño en la banda de paso
y la banda de paro.
 Si no se alcanzan las especificaciones de diseño volver al inicio.

Ejemplo 10.5 Diseño de un filtro pasabajos.- Considere las siguientes especificaciones para un filtro
pasabajos: 𝜔𝑝 = 0.25𝜋, 𝜔𝑠 = 0.35𝜋, 𝐴𝑝 = 0.1 dB y 𝐴𝑠 = 40 dB.

De la siguiente figura, debería se obvio que se necesitan dos o más muestras en la banda de
transición para reducir sustancialmente los rizos en la banda de paso y la banda de paro:

Puesto que la banda de transición es 0.1𝜋, se necesitarán más de 40 muestras dela respuesta en
frecuencia ideal. Eligiendo 𝑀 = 44 y usando las muestras de banda de transición raised cosine, los
pasos de diseño en Matlab son:
La atenuación de la banda de paro es decibeles del filtro diseñado se mide usando el script:

El valor medido de la atenuación de la banda de paro para este diseño es de 33.2 dB, el cual no
satisface las especificaciones dadas.

Claramente, se necesita incrementar 𝑀 o usar otro método. Puesto que la ventana de Hamming
proporciona más de 50 dB de atenuación, se la usa en el siguiente script:
El valor medido de la banda de atenuación es de 37.4 dB, el cual es mejor que con el método
anterior, pero todavía no es suficiente. Incrementando el valor de 𝑀 y verificando la atenuación de
la banda de paro resultante, se obtiene 𝑀 = 50 en ambos métodos que satisfacen las
especificaciones dadas.

Los valores medidos son 𝐴𝑠 = 40 dB para el diseño de ventana raised-cosine y 𝐴𝑠 = 40.4 dB para
el diseño de ventana de Hamming.

La siguiente figura muestra las gráficas de respuesta en magnitud de los filtros diseñados, las
muestras de las respuestas de frecuencia deseadas y las respuestas de magnitud logarítmica en dB:

El ejemplo anterior muestra que la técnica de muestreo en frecuencia no es muy apropiada para el
diseño de filtros de frecuencia selectiva tales como pasa bajos, pasa bandas, etc.

Debido a esto es difícil, sino imposible, determinar a priori el número de muestras necesarias para
el diseño correcto.
El siguiente ejemplo ilustra una aplicación donde la técnicas de muestreo de frecuencia es más
apropiada.