Irarrazaval - Analisis de Senales 2ed

Análisis de Señales
Pablo Irarrázaval M.
Departamento de Ingenierı́a Eléctrica
Pontificia Universidad Católica de Chile
Análisis de Señales
c
Derechos Reservados 1999
McGraw-Hill/Interamericana de Chile Ltda. (primera edición)
c
Derechos Reservados 2008
Pablo Irarrázaval (segunda edición)
Dedicado a mi familia,
Isabel, Isabelita, Sofı́a, Pablito y Tomás
En memoria de mi abuelo,
Alberto Irarrázaval L.
Prefacio
A pesar que las transformadas de Laplace y Fourier se conocen desde la se-
gunda mitad del siglo 18, sólo en los últimos 50 años se han transformado en
herramientas indispensables en las áreas de control automático, telecomunica-
ciones, electrónica, procesamiento de imágenes, etc. Es más, su aplicabilidad no
sólo se limita a estas áreas que tradicionalmente se consideran parte de la Inge-
nierı́a Eléctrica, sino también incluye campos del conocimiento tan diversos como
la economı́a, sismologı́a o hidrologı́a.
Las transformadas de Laplace o Fourier de una señal son una representación
de la misma señal en otro dominio. Se puede entender como un cambio de base.
Evidentemente, la base de Fourier no es una base más, de las muchas que existen,
es una base que en cierta forma nos es natural. Con un poco de práctica y esfuerzo
resulta cómodo entender las señales en el dominio de la frecuencia. Es formalizar
un tipo de análisis que todos los dı́as empleamos en forma intuitiva. Claramente
se ve cuando usamos los sentidos de la audición y visión. En el caso del sonido,
la frecuencia juega un papel preponderante. Algo similar ocurre con las imágenes
en las que quizás igualmente importante que la intensidad del color es la textura.
Este libro fue escrito para servir de base a un curso de análisis de señales
de un semestre de duración. La filosofı́a es explicar las materias de lo particular
a lo general, es decir, primero se presentan los conceptos en su forma más sim-
ple para luego agregar complejidad. Esta manera de presentar la materia, junto
con muchas explicaciones gráficas, apunta a facilitar el aprendizaje del alumno.
También se han agregado algunas reseñas históricas para motivar a los alumnos
a investigar sobre los orı́genes del área.
El primer capı́tulo es una introducción al análisis de señales donde se aprovecha
de presentar la notación empleada en el libro. Especialmente relevante es la pre-
sentación del sı́mbolo para el impulso. El resto de los capı́tulos se pueden agrupar
en tres partes: en la primera se estudian las señales continuas; en la segunda las
señales discretas; y en la última se tratan, en forma introductoria, algunos temas
afines más avanzados.
Tanto para señales continuas (capı́tulo 2) como discretas (capı́tulo 5), se pre-
senta primero los sistemas lineales y respuesta al impulso. En el capı́tulo 5 se
hace la conexión de los sistemas discretos con los continuos a través del muestreo
de señales. En los capı́tulos 3 y 6 se trata la transformada de Fourier en forma
continua y discreta. Los capı́tulos 4 y 7 hacen lo propio con la transformada de
Laplace y transformada Z (versión discreta de la transformada de Laplace).
En el capı́tulo 8 se presentan otras posibles transformadas, tanto continuas
como discretas. Y finalmente, en el capı́tulo 9, se extiende la transformada de
Fourier a dos dimensiones.
v
VI
Este libro no habrı́a sido posible si no es por el trabajo de mis ayudantes.

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

Esta segunda edición del libro tiene tres tipos de modificaciones respecto de
la anterior. La primera es que los derechos de autor fueron traspasados desde la
editorial Mac-Graw Hill a mi persona, por lo que estoy en libertad de distribiur el
libro en la forma que mejor me parezca. En segundo lugar, fueron arreglados todos
los errores que durante estos años de uso han sido descubiertos. Y finalmente, he
extendido considerablemente el número de problemas al final de cada capı́tulo.
Pablo Irarrázaval
Santiago, Marzo 2008
ÍNDICE GENERAL
1. Introducción 1
1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Sistemas de entrada-salida . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Señales fı́sicas y lógicas . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4. Señales y funciones continuas versus discretas . . . . . . . . . . . . 4
1.5. Modelos, ecuaciones diferenciales y de diferencias . . . . . . . . . . 5
1.6. Causalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.7. ¿Cómo graficar funciones complejas? . . . . . . . . . . . . . . . . . 11
1.8. Simetrı́as . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.9. Algunas funciones importantes . . . . . . . . . . . . . . . . . . . . 17
1.9.1. Sinusoide . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.9.2. Exponencial compleja . . . . . . . . . . . . . . . . . . . . . 18
1.9.3. Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.9.4. Uno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.9.5. Triángulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.9.6. Impulso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.9.7. Rect . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.9.8. Sinc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.9.9. Asinc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.9.10. Escalón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.9.11. Signo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.9.12. Shah . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.9.13. Horquilla y antihorquilla . . . . . . . . . . . . . . . . . . . . 28
vii
VIII ÍNDICE GENERAL
1.10. El impulso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.10.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.10.2. La propiedad del cedazo . . . . . . . . . . . . . . . . . . . . 33
1.10.3. El impulso de una función . . . . . . . . . . . . . . . . . . . 34
1.11. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2. Sistemas lineales y convolución 41

2.1. Linealidad e invariancia . . . . . . . . . . . . . . . . . . . . . . . . 41
2.1.1. Linealidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.1.2. Invariancia . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.2. Convolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3. Respuesta al impulso . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3. Transformada de Fourier 59
3.1. Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.1.1. Forma trigonométrica . . . . . . . . . . . . . . . . . . . . . 59
3.1.2. Forma de laboratorio . . . . . . . . . . . . . . . . . . . . . . 62
3.1.3. Forma compleja . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.1.4. Relaciones de ortogonalidad e integrales . . . . . . . . . . . 65
3.2. Transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . 65
3.3. Ejemplos de la transformada de Fourier . . . . . . . . . . . . . . . 69
3.3.1. Transformada del impulso . . . . . . . . . . . . . . . . . . . 69
3.3.2. Transformada de un coseno . . . . . . . . . . . . . . . . . . 71
3.3.3. Transformada del rect . . . . . . . . . . . . . . . . . . . . . 71
3.4. Simetrı́as de la transformada de Fourier . . . . . . . . . . . . . . . 73
3.5. Propiedades de la transformada de Fourier . . . . . . . . . . . . . . 77
3.6. Función de transferencia . . . . . . . . . . . . . . . . . . . . . . . . 80
3.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4. Transformada de Laplace 91
4.1. Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . 92
4.2. Relación entre las transformadas de Fourier y Laplace . . . . . . . 93
4.3. Ejemplos de la transformada de Laplace . . . . . . . . . . . . . . . 94
4.4. Región de convergencia . . . . . . . . . . . . . . . . . . . . . . . . 97
4.5. Polos y ceros en el plano S . . . . . . . . . . . . . . . . . . . . . . . 103
4.6. Transformada de Laplace inversa . . . . . . . . . . . . . . . . . . . 108
4.7. Propiedades de la transformada de Laplace . . . . . . . . . . . . . 109
4.8. Función de transferencia . . . . . . . . . . . . . . . . . . . . . . . . 110
4.9. Transformada de Laplace unilateral . . . . . . . . . . . . . . . . . . 115
ÍNDICE GENERAL IX
4.10. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5. Muestreo, sistemas lineales y convolución discreta 127

5.1. Muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.2. Convertidor análogo digital . . . . . . . . . . . . . . . . . . . . . . 129
5.3. Teorema del muestreo . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.4. Convolución discreta . . . . . . . . . . . . . . . . . . . . . . . . . . 131
5.5. Convolución cı́clica . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
5.6. Respuesta al impulso . . . . . . . . . . . . . . . . . . . . . . . . . . 134
5.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
6. Transformada de Fourier discreta 139

6.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
6.2. Transformada de Fourier de tiempo discreto . . . . . . . . . . . . . 140
6.3. Transformada de Fourier de frecuencia discreta . . . . . . . . . . . 144
6.3.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
6.3.2. Relación con las series de Fourier . . . . . . . . . . . . . . . 147
6.4. Transformada de Fourier discreta . . . . . . . . . . . . . . . . . . . 148
6.4.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
6.4.2. Interpretación matricial . . . . . . . . . . . . . . . . . . . . 154
6.4.3. Propiedades de la transformada de Fourier discreta . . . . . 156
6.4.4. Transformada rápida de Fourier . . . . . . . . . . . . . . . . 159
6.5. Convolución lineal versus cı́clica . . . . . . . . . . . . . . . . . . . . 162
6.6. Consideraciones prácticas . . . . . . . . . . . . . . . . . . . . . . . 165
6.6.1. Aliasión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
6.6.2. Interpolación sinc . . . . . . . . . . . . . . . . . . . . . . . . 172
6.6.3. Apodización y derrame . . . . . . . . . . . . . . . . . . . . 174
6.6.4. Aproximación a la transformada de Fourier . . . . . . . . . 177
6.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
7. Transformada Z 195
7.1. Transformada de Laplace de tiempo discreto . . . . . . . . . . . . . 195
7.2. Transformadas de Laplace y Fourier de tiempo discreto . . . . . . 197
7.3. Transformada Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
7.3.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
7.3.2. Región de convergencia . . . . . . . . . . . . . . . . . . . . 201
7.4. Propiedades de la transformada Z . . . . . . . . . . . . . . . . . . . 203
7.5. Polos y ceros en el plano Z . . . . . . . . . . . . . . . . . . . . . . . 205
7.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
X ÍNDICE GENERAL
8. Otras transformadas 213

8.1. Transformadas continuas . . . . . . . . . . . . . . . . . . . . . . . . 213
8.1.1. Transformada coseno y transformada seno . . . . . . . . . . 214
8.1.2. Transformada de Hankel . . . . . . . . . . . . . . . . . . . . 214
8.1.3. Transformada de Mellin . . . . . . . . . . . . . . . . . . . . 215
8.1.4. Transformada de Abel . . . . . . . . . . . . . . . . . . . . . 215
8.1.5. Transformada de Hilbert . . . . . . . . . . . . . . . . . . . . 216
8.1.6. Transformada de Gabor . . . . . . . . . . . . . . . . . . . . 217
8.2. Transformadas discretas . . . . . . . . . . . . . . . . . . . . . . . . 219
8.2.1. Transformadas seno y coseno discretas . . . . . . . . . . . . 219
8.2.2. Transformada de Walsh-Hadamard . . . . . . . . . . . . . . 220
8.3. Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
8.3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . 221
8.3.2. Transformada de Hermite . . . . . . . . . . . . . . . . . . . 223
8.3.3. Transformada de Laguerre . . . . . . . . . . . . . . . . . . . 223
8.3.4. Transformada de Legendre . . . . . . . . . . . . . . . . . . 224
8.3.5. Transformada de Chebyshev . . . . . . . . . . . . . . . . . . 224
8.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
9. Transformada de Fourier en dos dimensiones 227

9.1. Funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
9.1.1. Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
9.1.2. Uno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
9.1.3. Rect . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
9.1.4. Signo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
9.1.5. Jinc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
9.1.6. Impulso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
9.1.7. Impulsos de lı́nea . . . . . . . . . . . . . . . . . . . . . . . . 232
9.1.8. Shah . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
9.2. Respuesta al impulso y convolución . . . . . . . . . . . . . . . . . . 233
9.3. Transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . 235
9.3.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
9.3.2. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
9.3.3. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
9.4. Transformada de Fourier discreta . . . . . . . . . . . . . . . . . . . 242
9.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
A. Contexto histórico de la teorı́a de Fourier 251
B. Expansión en fracciones parciales 257

ÍNDICE GENERAL XI
Bibliografı́a 259
XII ÍNDICE GENERAL
CAPÍTULO 1
INTRODUCCIÓN
En este capı́tulo introductorio se define la idea de sistema y señal, tanto en

forma continua como discreta. Se presenta su modelación a través de ecuaciones
diferenciales o de diferencias. Y se establece la notación necesaria para el resto
del libro.
1.1. Introducción
Una señal1 , en forma simplificada, se puede entender como cualquier mecan-

ismo que es empleado para transmitir información. Ejemplos de señales son: una
conversación telefónica, ondas electromagnéticas enviadas por un radar, ondas
luminosas del semáforo en una intersección de avenidas, sonido viajando en el
aire, señales de humo, etc. En este libro nos interesa entender cómo las señales
son modificadas cuando son procesadas por un sistema. Por ejemplo, nos interesa
saber cómo difiere la música reproducida por un toca-cinta de audio de la origi-
nal. Para entender ésto primero debemos estudiar las propiedades de las señales
y cómo modelar los sistemas. Haremos una “disección” de las señales por medio
del análisis2 matemático de las mismas y de los sistemas.
1
del latı́n sign(um): signo, marca, señal, imagen
2
La palabra análisis deriva del griego analý(ein): soltar, escarmenar
1
2 Introducción
1.2. Sistemas de entrada-salida

Un sistema es un conjunto de objetos diseñados para realizar una tarea. Por
ejemplo, un sistema amplificador de sonido está formado por un micrófono, un
amplificador y un parlante. La tarea para la cual fue diseñado el amplificador es
convertir un sonido de poco volumen como la voz humana en un sonido de alto
volumen como la que se necesita para que los jóvenes en un concierto escuchen
mejor — por lo menos en el corto plazo, ya que en el largo plazo se hacen cada
vez más sordos — a su cantante preferido. Aunque describir un sistema puede ser
tan simple o tan complejo como se quiera, todos se pueden describir definiendo
una variable o señal de entrada, una de salida, y especificando cómo se puede
obtener la señal de salida si se conoce la de entrada. Para el ejemplo del am-
plificador la señal de entrada es la voz del cantante, la de salida el sonido en
el parlante y la correspondencia entre entrada y salida, en una primera aprox-
imación, es que la salida es igual a la entrada pero con mayor volumen. En la
práctica es claro que eso no es ası́ y que habrá diferencias, no sólo de volumen,
entre la entrada y la salida, por lo que la descripción del sistema debe ser más
compleja. Por ejemplo se puede suponer que las componentes de alta frecuencia
del sonido se ven menos amplificadas que las de baja frecuencia — el sistema no
es capaz de reproducir fidedignamente los sonidos agudos. La descripción exacta
del sistema, indudablemente requerirá conocer el funcionamiento preciso de cada
componente y subcomponente. Sin embargo, en la mayorı́a de los casos es posible
tratar al sistema como una caja negra en que sólo basta conocer la dependencia
matemática entre la señal de entrada y la de salida. Al emplear una modelación
matemática es posible independizarse de las variables fı́sicas para sólo tratar con
la señal lógica o matemática.
1.3. Señales fı́sicas y lógicas

Las señales, tanto de entrada como de salida, de un sistema pueden ser de
distinta naturaleza. Por ejemplo, pueden ser señales de sonido (ondas de presión)
como en el ejemplo anterior. Si se considera solamente el micrófono, tenemos
que la entrada es de tipo sonido y la salida de tipo eléctrico. En el sistema
amplificador, la entrada es eléctrica y la salida es eléctrica. Finalmente, en el
parlante la entrada es eléctrica y la salida es de sonido. En otros sistemas las
señales pueden ser de imágenes de televisión, luz, ondas de radio, incluso se puede
tener señales económicas, como por ejemplo el ı́ndice de actividad bursátil. Una
señal es una variable de una o más dimensiones, y por definición de variable ésta
puede tomar distintos valores. En muchos casos toma diferentes valores a medida
1.3 Señales fı́sicas y lógicas 3
x u ω = 2πu
s Hz = 1/s rad/s
cm 1/cm rad/cm
dı́as 1/dı́as rad/dı́as
m 1/m rad/m
Tabla 1.1: Unidades para espacio y frecuencia
que el tiempo transcurre, es decir, como en el ejemplo, es función del tiempo.

El sonido puede ser descrito como la presión en el aire, en un lugar especı́fico,
como función del tiempo. Pero también puede ser descrito como la presión del
aire en un momento especı́fico, como función del lugar. En general, las señales
son funciones del tiempo y del espacio, pero es común sólo preocuparse de una
dependencia a la vez. Para describir el sistema amplificador, la señal de entrada
será el sonido en el micrófono y la salida, el sonido en el parlante como función del
tiempo. Existen otros sistemas en los que es mucho más importante preocuparse
de la dependencia espacial. Ese es el caso de la fotografı́a. La señal de entrada
es la luz que llega al lente de la cámara, y aquı́ lo importante es a qué lugar del
lente llegó, es decir, la luz como función de la posición. Algo similar ocurre con
la salida, la fotografı́a revelada, donde lo importante es la distribución espacial
del color y no el tiempo que tomó el revelado.
Desde el punto de vista matemático, evidentemente, que la dependencia sea

espacial o temporal es indiferente, es decir, da lo mismo que la señal sea f (x) o
f (t). En este libro, al tratar las transformadas de Fourier, continua o discreta, en
general se usará x como la variable independiente en vez del tiempo t. La razón de
esto es que el tiempo tiene unas propiedades peculiares, como por ejemplo, que la
salida no puede ocurrir antes que la entrada (causalidad), lo que normalmente no
es cierto en el espacio. Otra ventaja de usar x en vez de t es que obliga al alumno a
pensar en un concepto más general de frecuencia, que ya no es medida en ciclos por
segundo, sino que en ciclos por centı́metro, por ejemplo. Para las transformadas
de Laplace, como es común, se usará el tiempo como variable independiente ya
que éstas son casi exclusivamente empleadas en ese dominio. Consistentemente
con emplear x se usará la variable u para denotar la frecuencia, recı́proco de x,
en vez de f u ω. No usaremos la variable f para evitar la tentación de pensar
que se mide en Hertz y por un aspecto práctico, para no confundirla con las
funciones f (·). La variable ω tendrá la interpretación de frecuencia angular, es
decir ω = 2πu. Algunos ejemplos de unidades se muestran en la tabla 1.1.
4 Introducción
f(t)
Figura 1.1: Señales continuas (el tiempo es continuo)
1.4. Señales y funciones continuas versus discretas
Una primera clasificación que se puede hacer de las señales es en continuas

o discretas. Una señal continua, del tiempo por ejemplo, tiene un valor para
cualquier instante, mientras que una señal discreta del tiempo, sólo está defini-
da para algunos instantes de tiempo. Una señal continua puede ser representada
matemáticamente por una función, de las que se usan en cálculo, no es ası́ para
una señal discreta, en las que la función estarı́a indefinida para la mayorı́a del
dominio. Que una señal sea discreta o continua no hace referencia a los posibles
valores que pueda tomar, éstos pueden o no tener limitaciones. Por ejemplo, la
luminosidad roja de un semáforo es una señal continua, a pesar de que sólo puede
tomar dos valores (rojo o negro). En realidad, la clasificación de continuas o disc-
retas hace referencia al dominio de la señal, es decir, a la variable independiente.
Por ejemplo, una señal continua del tiempo significa que el tiempo es continuo y
que la señal tiene un valor para todo tiempo, por otro lado, una señal discreta
del tiempo significa que el tiempo es discreto y que la señal sólo puede tomar
valores (¡Cualquier valor!) para los valores discretos del tiempo. En resumen, no
se debe confundir la definición matemática de una función continua con una señal
continua. Es la variable independiente de la señal la que satisface la definición de
continuidad matemática y no los valores de la señal (ver figuras 1.1 y 1.2).
Las señales continuas las representaremos con f (x) y las discretas con f [x].
Los paréntesis cuadrados indican que x sólo puede tomar valores enteros.
1.5 Modelos, ecuaciones diferenciales y de diferencias 5
f[t]
Figura 1.2: Señal discreta
El análisis de señales continuas y el de las discretas difieren considerablemente.

En este libro los capı́tulos 2, 3 y 4 tratan las señales continuas y los capı́tulos 5,
6 y 7 son para las señales discretas.
La gran mayorı́a de las señales fı́sicas son continuas, por lo menos a escalas
naturales en las que la mecánica cuántica y clásica coinciden. La presión del aire
que forma el sonido tiene un valor para cualquier instante de tiempo. En teorı́a esa
presión se puede medir a las 9:00 y también un nanosegundo después de las 9:00.
Un ı́ndice bursátil como el IPSA es una señal discreta, ya que sólo tiene valores
para instantes discretos de tiempo (uno por dı́a, sin incluir los festivos). Que el
IPSA sea discreto no hace referencia a que su cálculo haya involucrado toda una
mañana de actividad bursátil que se podrı́a considerar continua a una escala de
minutos. Lo importante, para efectos de su clasificación, es cuándo toma un valor
y no lo que ese valor representa. De hecho, la mayorı́a de las señales discretas
provienen de señales continuas que han sido muestreadas, por ejemplo, el audio
digital de los discos compactos. Cada muestra (tiempo discreto) representa una
media de un intervalo pequeño de tiempo del audio continuo.
1.5. Modelos, ecuaciones diferenciales y de diferencias

En nuestra vida cotidiana abundan sistemas que dependen simultáneamente
de una variable y sus derivadas. En la mecánica clásica, tı́picamente se encuen-
tran sistemas continuos que dependen de la longitud, de su primera derivada
6 Introducción
temporal (la velocidad) y de su segunda derivada temporal (la aceleración). Del

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

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

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

R
Z R

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

también la solución homogénea del siguiente sistema de segundo orden:
p2 y(t) + apy(t) + by(t) = 0.
Al resolver la ecuación cuadrática en p, se tiene dos raı́ces p1 y p2 . Dependiendo

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

1
b(t) + + y(t)
- - b(t)
a(t)
p = d/dt p = d/dt
Figura 1.4: Diagrama de flujo de una ecuación diferencial de segundo orden
√
donde ωn = 12 4b − a2 . A este caso se le denomina sub-amortiguado. Si p1 y p2
son reales, se llama sobre-amortiguado.
Si p1 = p2 (ambos reales) se tiene
yh (t) = c1 ep1 t + c2 tep1 t .
Este es el caso crı́ticamente amortiguado.

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

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

Transformada Z, que puede entenderse a priori como una versión discreta de la
Transformada de Laplace.
Por último, como se puede ver en las figuras 1.5 y 1.6, también es posible
obtener una representación gráfica del sistema a través de diagramas de flujo.
10 Introducción
x(t) y(t)
Sistema
Causal
T t T t
Figura 1.7: Entrada y salida de un sistema causal
1.6. Causalidad
Un sistema se dice que es causal si para un valor de la variable independiente,
x0 , las salidas de éste sólo dependen de los valores de las entradas en x < x0 . Este
sistema, cuando es función del tiempo, también es conocido como no anticipativo,
ya que las salidas del sistema no anticipan valores futuros de la entrada. Los
sistemas fı́sicos son no anticipativos, ya que en la naturaleza los efectos nunca
preceden a las causas.
Si la entrada f (x) a un sistema lineal se aplica en el instante cero, es decir,
f (x) toma valores distintos de cero sólo para x mayor que cero. El sistema es
causal si la salida g(x), en respuesta a la entrada f (x), cumple g(x) = 0 ∀ x < 0.
No puede haber una respuesta para valores de x menores al valor en que se
produce la entrada.
Es común suponer que x = 0 en la posición o instante en que la entrada deja
de ser cero, de ser ası́, llamaremos función causal (salida de un sistema causal) a
g(x), si
dn
g(x) = 0 y g(x) = 0, para x < 0.
dx
La figura 1.7 muestra un sistema causal con una entrada x(t) y una salida
y(t). El sistema empieza a responder después del instante T , en el que se presenta
la entrada.
Los sistemas fı́sicos son siempre causales si la variable independiente es el
tiempo, pero tı́picamente no lo son en función de la posición.
Ejemplo 1.6.1 Un ejemplo de un sistema no causal son los suavizadores de

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

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

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

14 Introducción
Re f(x) Re f(x)
Im f(x) Im f(x)
x x
(a) Partes real e imaginarias combinadas (b) Partes real e imaginarias separadas
Figura 1.12: Gráfico tridimensional de una función compleja de argumento real
Las señales, tı́picamente son mejor representadas por funciones complejas de

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

16 Introducción
f(x) f(x)
x x
(a) Función par (b) Función impar
Re f(x) Re f(x)
Im f(x) Im f(x)
x x
(c) Función hermitiana (d) Función anti-hermitiana
Figura 1.14: Simetrı́as
medida de la caracterı́stica de la función que se desee resaltar y en menor medida

del gusto personal.
1.8. Simetrı́as
La existencia de simetrı́as facilita el análisis de señales y tı́picamente sirven
para comprobar resultados. Veamos algunos conceptos de simetrı́as. Se define
como función par aquella que cumple con:
f (x) = f (−x) ∀x
Gráficamente, en un espacio de dos dimensiones, las funciones pares son simétricas

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

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

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

de un punto de la semi-circunferencia al diámetro. En términos marinos todavı́a
se habla, por ejemplo, del “seno de la espı́a” (cuerda para atarse al muelle). La
palabra seno proviene del latı́n sin(us) que significa curva, doblez o bolsillo, y
que a su vez es sinónimo del arábico jaib que significa cuerda de un arco (de esos
que tiran flechas). Coseno, por supuesto, es el complemento del seno.
Al referirnos a la función seno (o coseno) sin indicar los parámetros, empleare-
mos las siguientes definiciones:
f (x) = sen πx o f (x) = cos πx
Es evidente que la función seno es periódica y en esta definición el periodo es

2, es decir la frecuencia de oscilación es 1/2 (se eligió el argumento πx en vez de
x para evitar tener el factor π en la frecuencia). Un coseno es igual a un seno que
ha sido desplazado en −1/2, es decir cos πx = sen π(x + 1/2).
El valor en el origen de la función seno es sen π0 = 0 y de la función coseno,
cos π0 = 1. La función seno es impar y la función coseno, par.
Sus derivadas e integrales indefinidas son
d 1
Z
sen πx = π cos πx sen πx dx = − cos πx
dx π
y
d 1
Z
cos πx = −π sen πx cos πx dx = sen πx
dx π
El área bajo la curva para estas funciones, es decir, la integral definida de
−∞ a +∞, no existe, sin embargo sabemos que está acotada en el rango −1 a 1.
Convendremos en que el valor de esta integral es cero. Esta decisión es motivada
por el área debajo de la curva e(x) sen πx, donde e(x) es una envolvente par, por
2
ejemplo, e(x) = e−πx o e(x) = u(x) (ver definición en sección 1.9.7). Como se
verá más adelante, el considerar el área bajo el seno (y el coseno) como cero tiene
algunas ventajas desde el punto de vista operativo.
Z ∞ Z ∞
! !
sen πx dx = cos πx dx = 0
−∞ −∞
1.9.2. Exponencial compleja

La exponencial compleja, definida por
f (x) = ei2πx
real
imag
Figura 1.16: Exponencial compleja
√
con i = −1, es una generalización de las funciones sinusoidales. De hecho, por
Euler, se tiene que
ei2πx = cos 2πx + i sen 2πx.
La importancia de esta función radica en que es la base para la transformada
de Fourier, y es una forma de incluir senos (función impar) y cosenos (función
par) en la misma función.
Las figuras 1.16 y 1.17 grafican la exponencial compleja. Nótese que el sentido
de giro es contrario a los punteros del reloj al avanzar en el sentido +x. Para
cambiar el sentido de giro se debe cambiar el signo del exponente (−i2πx). La
amplitud se mantiene constante en 1 y la fase varı́a linealmente con x.
1.9.3. Gauss
Definiremos la función Gauss como
2
Gauss(x) = e−πx
Como se muestra en la figura 1.18, la función Gauss tiene algunas propiedades

que la hacen interesante. Es una función continua y suave (∈ C (∞) ) que decae a
cero para x tendiendo a ∞ o −∞.
Nótese que esta función es equivalente a la distribución
√ de probabilidades
normal con media cero y desviación estándar σ = 1/ 2π.
1 2 2
Normal(x) = √ e−x /2σ .
σ 2π
20 Introducción
real
1
imag
1
1
x
Figura 1.17: Exponencial compleja
Gauss(x)
1
x
Figura 1.18: La función Gauss

Reseña histórica Johann Carl Friederich Gauss
Johann Gauss nació en Brunswick el 30 de Abril

de 1777 y murió en Gottingen el 23 de Febrero de
1855. Gauss es considerado uno de los matemáticos
más grandes que han existido y quizás el genio
más bien dotado del cual se tenga recuerdo. Las
áreas entre las cuales realizó sus trabajos más im-
portantes están la teorı́a de números, geometrı́a
diferencial, estadı́stica, geodesia, magnetismo, as-
tronomı́a y óptica.
Su primer gran aporte fue en 1798 cuando de-
scribe como construir un polı́gono de 17 lados con
regla y compás. De ese momento en adelante pro-
dujo un resultado importante tras otro. Su tesis Johann Carl Friederich Gauss
doctoral fue, de hecho, un hito para las matemáticas
puras cuando demostró, en forma satisfactoria, el teorema fundamental del algebra
(toda función polinomial de orden n, tiene n raices reales y/o complejas). Su principal
pasión fue la teorı́a de los números.
Tambien se dedicó a la astronomı́a, trabajó como director del observatorio de
Gottingen donde realizó muchos aportes a la astronomı́a y la estadı́stica, como fue el
método de aproximación de los mı́nimos cuadrados y teorı́as sobre los movimientos
de cuerpos celestes. Más tarde en su vida se dedicó al campo de la geodesia donde
sus múltiples investigaciones lo llevaron a presentar más de 70 publicaciones en 10
años.
A partir de 1832 Gauss, junto a W. Weber, comienza a investigar en el campo del
magnetismo. Demostró que la Tierra sólo puede tener 2 polos; determinó la posición
del polo sur; y publicó un atlas geomagnético de la Tierra.
Descubrió las leyes de Kirchhoff e inventó un telégrafo primitivo. Al final de
su vida se dedicó a poner en orden el fondo para viudas de la universidad donde
aprendió mucho sobre materias financieras, logrando hacer una fortuna invirtiendo su
dinero en bonos.
A todos sus avances, publicados en vida, se agregan muchos otros que quedaron
en sus libros sin publicar. Se destaca su diario de anotaciones personal (publicado
en 1898), de sólo 19 páginas que contienen nada menos que 146 conclusiones de
estudios en los que estuvo ocupado desde 1796 a 1814.
22 Introducción
La función Gauss es una función par. Su valor en el origen es uno, y el área

bajo la curva también es uno
Z ∞
−π02 2
e = e−πx dx = 1
−∞
La derivada de Gauss es
d 2
Gauss(x) = −2πxe−πx
dx
y su integral
x √
1
Z
2
e−πt dt = erf πx
0 2
donde erf es la función de error estadı́stica definida como
Z x
1 2
erf x = √ e−t dt
π 0
La función Gauss es importante en el análisis de señales por al menos dos ra-

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

intercambiables. Sólo cuando queramos recalcar la idea de función le colocaremos
argumento al 1.
1.9.5. Triángulo
La función triángulo, que se muestra en la figura 1.19 se define como

1 − |x| si |x| < 1
∧(x) =
0 si |x| ≥ 1
Triang(x)
1
x
Figura 1.19: La función triángulo y su derivada

delta(x)
Figura 1.20: El impulso
La función triángulo es par, su valor en el origen es uno y el área bajo la curva

también lo es. La derivada del triángulo (en lı́nea segmentada en la figura) es

d  1 si − 1 < x < 0
∧ (x) = −1 si 0 < x < 1
dx
0 en otros casos

Para los valores en las discontinuidades ver la discusión acerca de la función

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

caremos una sección especial. Por ahora, sólo mencionaremos que cumple con las
siguientes dos condiciones
δ(x) = 0 si x 6= 0
y Z ∞
δ(x) dx = 1
−∞
y que lo representaremos como una flecha, ver figura 1.20.

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

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

es muy importante, después de todo, ¿Qué es un simple punto? Por simetrı́a se
puede suponer que la función rect vale 1/2 en la discontinuidad. Otra manera
de ver el rect y no complicarse con la discontinuidad es suponer que hay una
transición suave entre el cero y el uno, ası́ el rect se obtiene tomando el lı́mite
de la función suave cuando la derivada en x = 1/2 y x = −1/2 tiende a ∞. A
sinc(x)
1
x
Figura 1.22: La función de interpolación sinc
esta función la llamaremos la función aproximante. Por ejemplo se puede usar la

función que aparece con lı́nea de segmentos en la figura 1.21, es decir
si |x| < 1−α


 1 2
1 1+α
si 2 < |x| < 1+α
1−α

uα (x) = α 2 − |x| 2
0 si |x| < 1+α

2
y se define
u(x) = lı́m uα (x).
α→0
De esta manera se puede calcular la derivada de la función rect, primero cal-

culándola en la función aproximante y luego tomando el lı́mite. Como veremos
más adelante la derivada del rect es
d
u (x) = δ(x + 1/2) − δ(x − 1/2)
dx
La función uα nos da una herramienta para trabajar con el rect como fun-
ción continua, sin embargo, su derivada no es continua. Si quisiéramos obtener
derivadas de mayor orden es conveniente emplear una función aproximante más
suave.
1.9.8. Sinc
La función sinc (fig. 1.22), o función de filtraje o interpolación, se define como
sen πx
sinc x =
πx
La importancia de esta función proviene del hecho que es la transformada
de Fourier del rect (la transformada de Fourier se trata en el capı́tulo 3). Esto
implica, entre otras cosas, que: una señal que tiene forma de sinc es de ancho
de banda limitado; la respuesta al impulso de un filtro pasa bajos perfecto es un
26 Introducción
asinc(x)
Figura 1.23: La función asinc
sinc; y que la mejor interpolación que se puede hacer para obtener una muestra
donde no la hay es con un sinc.
La función sinc cruza por cero en |x| = 1, 2, 3..., su valor en el origen es uno
y el área total bajo la curva es también uno.
sen πα π cos πα
sinc 0 = lı́m = lı́m =1
α→0 πα α→0 π
Z ∞
sinc x dx = 1
−∞
El máximo en el lóbulo central es 1, el mı́nimo en el segundo lóbulo es aprox-

imadamente -0,21 y el máximo en el tercero es aproximadamente 0,13. Es bueno
tener una idea de estos valores. Por lo menos sirven para dibujar el sinc correc-
tamente.
1.9.9. Asinc
La función asinc (fig. 1.23) se define como
sen πx(2N + 1)
asincN (x) =
sen πx
y corresponde a una función sinc que ha sido aliada (ver sección 6.6.1), es decir,
está formada por la suma de funciones sinc, desplazadas en 2N unas de otras.
∞
X
asincN (x) = sinc (x − j2N )
j=−∞
La importancia de esta función aparece en el dominio de tiempo discreto. Es

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

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

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

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

función escalón
sgn(x) = (x) − (−x) = 2 (x) − 1(x)

Por convención diremos que sgn(0) = 0.
1.9.12. Shah
El impulso es un sı́mbolo que facilita mucho la operación matemática de tomar
una muestra. Como es natural que se deseen tomar muchas muestras a intervalos
28 Introducción
sgn(x)
1
x
Figura 1.25: La función signo
shah(x)
1
x
Figura 1.26: Shah
regulares, emplearemos un sı́mbolo especial para un impulso replicado, como se

muestra en la figura 1.26. Se define la función shah3 , (x) como
∞
X
(x) = δ(x − n)
n=−∞
1.9.13. Horquilla y antihorquilla

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

30 Introducción
y la función antihorquilla como (fig 1.28)
1
↑↓ (x) = [δ(x + 1/2) − δ(x − 1/2)]
2
Nótese que el área total bajo la curva es uno para la horquilla y cero para la
antihorquilla.
1.10. El impulso
1.10.1. Definición
Es muy común encontrarse con cantidades fı́sicas que concentran mucha en-
ergı́a en un instante de tiempo muy breve o en un espacio muy reducido, ası́ es
como sucede con las masas puntuales, cargas puntuales, fuentes de luz puntuales,
fuerzas concentradas, cargas superficiales, etc. Resulta útil contar con un sı́mbolo
que sea apropiado para representar estas cantidades y a la vez provea una op-
eratoria matemática. Se define un pulso de área unitaria muy breve e intenso
llamado impulso. Este impulso concentrado e infinitamente fuerte, δ(x) satisface
las siguientes dos condiciones:
δ(x) = 0 para x 6= 0
y Z ∞
δ(x) dx = 1. (1.2)
−∞
Hay que hacer notar que el sı́mbolo δ(x) (empleado por Dirac en vez de
p1 empleado por Heaviside) no es una función matemática en estricto rigor, no
obstante, la usaremos como tal; y que la integral (1.2) no es una cantidad con
significado a menos que se establezcan algunas convenciones que nos permitan su
interpretación. Por ejemplo, lo que la integral (1.2) puede representar es:
∞
1 x
Z
lı́m u dx.
τ →0 τ −∞ τ
La función τ1 u ( τx ) es un pulso rectangular de alto τ1 y ancho τ , por lo que

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

pulso rectangular de área uno, τ1 u ( xτ ), pero bien pudo ser un pulso triangular de
2
área uno, τ1 ∧ ( xτ ), o un perfil de gauss de la forma τ1 exp( −πx
τ2
), u otro.
Reseña histórica Paul Dirac
Paul Adrien Maurice Dirac nació en Bristol,

Gloucestershire, Inglaterra el 8 de agosto de 1902 y
murió en Tallahassee, Florida, Estados Unidos el 20
de octubre de 1984. Dirac recibió el premio Nobel
de fı́sica en 1933 por su trabajo en fı́sica cuántica
descrito en The principles of Quantum Mechan-
ics (1930). La función impulso, definida por Heavi-
side, se conoce también como el delta de Dirac, ya
que fue este último quien definió la notación δ(t).
Además es un reconocimiento a su interés en la
relación entre las matemáticas y la fı́sica.
Paul Dirac
32 Introducción
Esta forma de presentar el impulso, trae una consecuencia importante desde

el punto de vista computacional: uno puede siempre remplazar δ(x) por τ1 u ( xτ ),
o por otra forma de pulso, y tomar lı́mite, haciendo τ tender a cero.
La siguiente es una receta para operar con impulsos. Supóngase que se desea
realizar la operación O{·} sobre un problema que involucra impulsos.
1. Reemplazar los impulsos por una función aproximante.
2. Realizar la operación O{·}.
3. Tomar lı́mite del resultado para que la función aproximante tienda al im-
pulso.
Reseña histórica Oliver Heaviside
Oliver Heaviside nació en Camden Town, Lon-

dres, Inglaterra el 18 de mayo de 1850 y murió en
Torquay, Devon, Inglaterra el 3 de febrero de 1925.
Heaviside contribuyó enormemente al desarrollo de
la electricidad. Después de leer Treatise on Elec-
tricity and Magnetism de Maxwell (1873), simplif-
icó las 20 ecuaciones con 20 incógnitas encontradas
por Maxwell para describir el comportamiento de
los campos eléctrico y magnético a 2 ecuaciones
en 2 variables. Las “ecuaciones de Maxwell” son,
en realidad, las “ecuaciones de Heaviside”. A pesar
de lo impresionante de los resultados que Heaviside
Oliver Heaviside obtuvo en electromagnetismo, es más conocido por
el cálculo operacional que desarrolló entre 1880 y
1887 como herramienta en sus investigaciones. Él reemplazó el operador diferencial
d/dt por p para transformar las ecuaciones diferenciales en ecuaciones algebraicas. No
era claro la validez de la metodologı́a hasta que fue demostrada por Bromwich cerca
de la muerte de Heaviside. La función impulso era denotada por Heaviside como p1,
significando la derivada de la función escalón (conocida como el escalón de Heaviside
hoy).
Los impulsos se representan gráficamente como una flecha de altura igual a

su integral de área, es decir, altura uno para δ(x).
1.10 El impulso 33
f(x)
f(0)/ τ
−τ /2 τ /2 x
Figura 1.30: Propiedad del cedazo
Una relación válida

R x entre el impulso y escalón unitario, se deriva de la propiedad
de que la integral −∞ δ(ξ)dξ es igual a la unidad cuando x es positivo e igual a
cero cuando x es negativo. Entonces, siendo (x) la función escalón unitario, o
de Heaviside, se tiene: Z x
δ(ξ)dξ = (x)
−∞
o
d
δ(x) = (x)
dx
1.10.2. La propiedad del cedazo

Analicemos, ahora, el significado de la expresión:
Z ∞
δ(x)f (x) dx
−∞
Para aplicar la receta de la sección anterior, substituimos τ1 u ( τx ) por δ(x) en

la integral y luego, tomando lı́mite, tenemos:
Z ∞ Z ∞
1 x
δ(x)f (x) dx = lı́m u ( )f (x) dx.
−∞ τ →0 −∞ τ τ
En la figura 1.30 el integrando se muestra con lı́nea punteada. Su área es

aproximadamente τ1 veces el área sombreada τ f (0), cuando τ → 0. Es decir
34 Introducción
tenemos Z ∞
δ(x)f (x) dx = f (0),
−∞
o también Z ∞
δ(x − a)f (x) dx = f (a)
−∞
y Z ∞
δ(x)f (x − a) dx = f (−a).
−∞
La importancia de esta propiedad es que permite extraer el valor de una
función en un punto en particular. De ahı́ su nombre: propiedad del cedazo4 .
1.10.3. El impulso de una función

Es válido preguntarse qué significa δ(f (x)), después de todo, la definición del
impulso depende de un lı́mite en el que el rango de la variable independiente juega
un papel importante. Está claro que δ(f (x)) vale cero para todos los valores de
x en que f (x) sea distinto de cero. No es tan claro cuál es la magnitud, es decir,
el área bajo la curva, del impulso.
Considerando al impulso como el lı́mite de una función rect, se tiene
1 x
δ(x) = lı́m u( )
T →0 T T
La figura 1.31 muestra el rango (en el eje X) donde la función rect vale 1.
De la misma manera el rango para la función rect es mostrado en la figura
1.32 para δ(y) = δ(f (x)). En la figura, por simplicidad hemos considerado que
f (0) = 0 y sólo un cruce por cero. Nótese que la función delta es ahora función
de y, por lo que lo relevante es el rango en y para que la función rect valga 1
(−1/2T < y < 1/2T ). Con la ayuda de la figura se desprende que el rango para
x se ve aumentado por el factor 1/f 0 (0), donde se ha reemplazado la función
por una recta en torno a cero (lo que es muy válido ya que tomaremos el lı́mite
cuando el rango tiende a cero). Obviamente no importa si la pendiente es positiva
o negativa, por lo que debemos considerar el valor absoluto de la derivada, |f 0 (x)|.
Si el rango, es decir, la base de la función rect es distinta de 1/T , el área del rect
deja de ser 1 y por lo tanto el área del impulso también.
En definitiva para el caso en que f (x) sea monotónica y f (0) = 0 se tiene
δ(x)
δ(f (x)) = .
|f 0 (0)|
4
En inglés, sifting
1.10 El impulso 35
−1/2T 1/2T x
Figura 1.31: Rango para el impulso
1/2T
−1/2T
Figura 1.32: Rango para el impulso de una función

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

1.11 Ejercicios 37
1.11. Ejercicios
1. Encuentre la parte par e impar de las siguientes funciones (t y x son reales):
a) f (t) = cos πt
b) f (t) = sen πt
c) f (t) = t
1
√
d) f (t) = log(2i) (i =
2 −1)
√
e) f (x) = x
3
√
f ) f (x) = x
√
g) f (x) = −x
h) f (t) = et
i) f (x) = log x
j ) f (t) = 42π
k ) f (x) = u(x)
l) f (x) = u0 (x) (derivada con respecto a x)
m) f (x) = δ(x)
n) f (x) = δ0 (x)
2. Cambie el origen de x para que f (x) sea impar.
d −π(x−2)2
f (x) = e
dx
3. ¿Es impar una función impar de una función impar? ¿Qué se puede decir de
funciones impares de funciones pares? ¿Y de funciones pares de funciones
impares?
4. Demuestre que Z ∞
sinc x dx = 1
−∞
5. Grafique las partes par e impar de
1
1 + (t − 1)2
38 Introducción
6. Escriba la ecuación diferencial que describe el sistema de suspensión de un

automóvil en que el resorte tiene una constante K [N/cm] y el amortiguador
una constante C [Ns/cm]. Considere que la entrada del sistema es la cota
del camino (en función del desplazamiento) y la salida la cota del automóvil.
7. Intente graficar y comente la función
lı́m τ sen τ x
τ →∞
8. Defina δ(x) de dos maneras distintas (como lı́mite de dos funciones difer-
entes) y pruebe que son equivalentes. ¿Qué significa equivalencia en este
caso?
9. Grafique una secuencia de funciones que defina δ0 (x).
10. Sea
3(θ − |x|)2 x
gθ (x) = 3
u ( ).
2θ 2θ
Emplee gθ (x) como función aproximante de δ(x) para calcular
Z ∞
δ00 (x) dx.
−∞
11. Calcule Z ∞
δ0 (x) dx
−∞
12. Demuestre que

R∞ 0
a) −∞ δ (x − ξ)f (ξ) dξ = f 0 (x)
b) δ0 (−x) = −δ0 (x)
c) xδ0 (x) = −δ(x)
d) δ(x) = (1 − ex )δ0 (x)
e) f (x)δ0 (x) = f (0)δ0 (x) − f 0 (0)δ(x)
13. Calcule Z ∞
∧(x − 1) (100x) dx
−∞
14. ¿Puede encontrar una solución general para f [f (x)] = f (x)? Note que
f (x) = sgn(x) es una solución.
1.11 Ejercicios 39
15. Demuestre que

√ √ 1
↑↑ (x/ 3) = 3δ(4x3 − 3x) + √ δ(x)
3
16. Demuestre que
πδ(sen πx) = (x)
17. Exprese (2x) como la suma de dos shah.

18. La integral siguiente no está plenamente definida. Identifique el conjunto
de números reales que con seguridad no puede valer.
Z 1/2
(x) − 2πδ(i + ei2πx ) dx

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

que se le aplica la derivada de una fuerza impulsiva en el extremo de la
barra de largo l. ¿Existe un ángulo de equilibrio? ¿Cuál es?
k δ’(l)
θ
l
20. ¿Existe un ángulo de equilibrio para el sistema de la figura si además se

aplica la derivada de una fuerza impulsiva en l/2 de signo contrario? ¿Cuál
es?
k δ’(l)
δ’(l)
21. Se tiene la ecuación diferencial para y(t)

y 00 + ay 0 + by = x0 + cx
con condiciones iniciales y 0 (0+) = y00 , y(0+) = y0 y x(0+) = x0 (a, b y
c son constantes reales). ¿Para qué valores de b, y(t) presenta un compor-
tamiento oscilatorio? ¿Qué suposición se debe hacer con respecto a los otros
parámetros?
40 Introducción
22. Calcule Z ∞
(x/a) u (x/5a) dx
−∞
23. ¿Es causal la señal

d 2
s(t) = lı́m e−αx ?
dx α→0
Justifique su respuesta.
24. Encuentre la parte par de la función f (x) = ln x.
25. Encuentre cuánto vale la siguiente integral

Z ∞
√ √
I= { x − −x} dx
−∞
26. Grafique aproximadamente la salida al sistema de entrada x(t) y salida

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

seis de esos impulsos.
CAPÍTULO 2
SISTEMAS LINEALES Y
CONVOLUCIÓN
En este capı́tulo se introducen tres conceptos que son esenciales para el desar-
rollo de la teorı́a de las señales, estos son: la propiedad de linealidad, la operación
de convolución, y la respuesta al impulso.
2.1. Linealidad e invariancia

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

L{f1 (x) + f2 (x)} = L{f1 (x)} + L{f2 (x)}.
Lo que también se puede resumir en una sóla ecuación:
L{αf1 (x) + βf2 (x)} = αL{f1 (x)} + βL{f2 (x)}
41
42 Sistemas lineales y convolución
La propiedad de linealidad permite desarrollar la teorı́a de los sistemas lin-

eales. Esta teorı́a es muy poderosa, en el sentido que proporciona herramientas
de manipulación que no sólo son fáciles de emplear, sino también proveen una
interpretación intuitiva de los datos.
En la realidad, prácticamente todos los sistemas son no lineales, sin embargo
la teorı́a lineal es una aproximación útil y buena porque facilita la comprensión
intuitiva del sistema fı́sico.
2.1.2. Invariancia
Una operación es invariante con respecto a alguna variable, si es que una
traslación de la entrada en la dirección de esa variable, sólo produce una traslación
en la salida. La operación es invariante en el tiempo si es que esa variable es el
tiempo.
Formalmente, sea L{f (x)} = g(x) y τ un desplazamiento en x, L{·} se dice
invariante en x si
L{f (x − τ )} = g(x − τ )
e invariante en el tiempo si
L{f (t − τ )} = g(t − τ ).
A pesar que el concepto de invariancia es muy simple matemáticamente, puede

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

al sistema es un afiche que se coloca frente a la máquina para fotografiarlo. La
salida del sistema es la fotografı́a. La respuesta del sistema (la fotografı́a) depende
de la hora del dı́a en que se coloque la entrada — evidentemente la fotografı́a
será diferente si se hace a mediodı́a o a medianoche a pesar que la entrada (el
afiche) es el mismo. De esta manera definido, el sistema es variante en el tiempo.
Muy importante resulta aquı́ la definición de entrada. Esta fue definida como el
afiche y no como la imagen en la cual se enfoca la cámara. Si la entrada fuera
definida como ésta última, el sistema serı́a invariante.
Expresemos este concepto matemáticamente, sea f (t) la entrada (el afiche, en
realidad, quedarı́a mejor definido por f (t, x, y)) y sea g(t) la salida (la fotografı́a).
Digamos que la salida g(t) = h(t)f (t), en que h(t) es la luminosidad incidente
sobre el afiche. Para comprobar la invariancia del sistema, se debe comparar la
respuesta a f (t) con la respuesta a f (t − T ), es decir, h(t)f (t) con h(t)f (t − T ).
En el caso general, entonces, el sistema es variante. Algunos se preguntarán por
2.2 Convolución 43
qué no comparar h(t)f (t) con h(t−T )f (t−T ). La respuesta viene por la definición
de entrada al sistema. Debo estudiar la respuesta al sistema al atrasar sólo la
entrada — en este caso el afiche no cambia con el tiempo — y no atrasar el
sistema mismo — hacer que el sol de la mañana brille en la tarde —.
2.2. Convolución
La integral de convolución de dos funciones f (x) y g(x) está definida por
Z ∞
{f ∗ g}(x) = f (ξ)g(x − ξ) dξ.
−∞
Por simplicidad y aunque no es una expresión rigurosamente correcta, muchas

veces se prefiere escribir la convolución como
Z ∞
h(x) = f (x) ∗ g(x) = f (ξ)g(x − ξ) dξ.
−∞
Lo importante de notar es que la función que está evaluada en x es la con-

volución de f (·) y g(·) y no cada una de ellas.
Ejemplo 2.2.1 Encontraremos la convolución de la función u(t) consigo mismo.

Reemplazando en Z ∞
f (t) ∗ g(t) = f (τ )g(t − τ ) dτ,
−∞
f (t) = g(t) = u(t), se tiene,

Z ∞
u(t) ∗ u(t) = u(τ ) u (t − τ ) dτ.
−∞
La evaluación gráfica de esta integral, además de simplificar el cálculo, permite

entender mejor el significado de la operación de convolución. La serie de gráficos
de la figura 2.1 muestra cómo se construye la función resultante para todo t. El
valor de la convolución en t es la integral en todo el rango τ del producto f (·)g(·)
con g(·) desplazada en t. El área achurada de la figura.
El resultado es
u(t) ∗ u(t) = ∧(t).
f( τ ) f*g
g(− τ )
τ t
f( τ ) f*g
g(− τ )
τ t
f( τ ) f*g
g(− τ )
τ t
f( τ ) f*g
g(− τ )
τ t
f( τ ) f*g
g(− τ )
τ t
f( τ ) f*g
g(− τ )
τ t
Figura 2.1: Desarrollo gráfico de la convolución de rect consigo mismo (en la

segunda columna se grafica el área de la región achurada)
2.3 Respuesta al impulso 45
Hay que notar que la integral es realizada con g(−τ ), es decir, la función
g(·) reflejada en torno al eje τ , que en el ejemplo anterior no se nota ya que,
por simetrı́a, es la misma función, y no como la más familiar definición de la
correlación de dos funciones:
Z ∞
{f ? g}(x) = f (ξ)g(x + ξ) dξ.
−∞
Notando que la propiedad del cedazo (sec. 1.10.2) no es otra cosa que una
convolución con el impulso, se tiene,
δ(x) ∗ f (x) = f (x) ∗ δ(x) = f (x).
Otra propiedad interesante de la convolución es la siguiente:

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

La propiedad de superposición de los sistemas lineales provee una herramienta
práctica de análisis. Ésta es: descomponer la señal de entrada; aplicar el sistema
lineal a cada componente; y superponer los resultados. Como se verá, la descom-
posición de una señal en funciones impulso resulta muy conveniente.
Sea f (x) la señal de entrada al sistema lineal L{·}. La salida g(x) estará dada
por
g(x) = L{f (x)}
pero f (x) por la propiedad del cedazo (sec. 1.10.2) puede ser descompuesta como
Z ∞
f (x) = f (ξ)δ(x − ξ) dξ.
−∞
Esta ecuación representa una suma infinita de funciones delta uniformemente

repartidas en el espacio, cada una con un peso correspondiente al valor de la señal
f (x) en ese lugar (fig. 2.2).
La salida del sistema lineal es
Z ∞
g(x) = L{ f (ξ)δ(x − ξ) dξ}
−∞
y por la propiedad de linealidad

Z ∞
g(x) = f (ξ)L{δ(x − ξ)} dξ
−∞
f(x)
Figura 2.2: Descomposición de una función en impulsos
de manera que la respuesta del sistema a la función delta, L{δ(x − ξ)} (para
todos los valores de x y ξ) es suficiente para definir el sistema por completo. Esta
respuesta se conoce como respuesta al impulso, h(x, ξ).
h(x, ξ) = L{δ(x − ξ)}

es decir Z ∞
g(x) = f (ξ)h(x, ξ) dξ
−∞
Esta última ecuación se conoce como integral de superposición. Indica que la
salida de un sistema lineal a una señal de entrada cualquiera es la integral de
superposición de la entrada con la respuesta al impulso.
Si el sistema lineal es también invariante en x, se tiene
h(x, ξ) = h(x − ξ) = L{δ(x − ξ)}
por lo que Z ∞
g(x) = f (ξ)h(x − ξ) dξ
−∞
que es la convolución entre f (·) y h(·).
g(x) = f (x) ∗ h(x).
En resumen la salida de un sistema lineal e invariante es la convolución de la

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

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

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

no, y si es invariante en x o no. Demuestre su respuesta.
(a) a = x
(b) a = f (x) (la entrada)
4. Se tiene un sistema cuya entrada está dada por A1 cos ω0 t y cuya salida es
A2 cos 2ω0 t. ¿Existe algún sistema lineal que se comporte ası́? Opcional: Si
existe, encuéntrelo.
5. En los siguientes sistemas, f (t) es la entrada y g(t) es la salida. A, ω y k

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

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

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

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

impulso es
h(t) = (t − T )
a las siguientes entradas:
a) f (t) = sen t
b) f (t) = u(t)
c) f (t) = δ(t)
d) f (t) = δ0 (t)
e) f (t) = ∧(t)
f ) f (t) =↑↑ (t)
g) f (t) =↑↓ (t)
2.4 Ejercicios 49
9. Se tiene un sistema lineal e invariante cuya respuesta al impulso es h(x) =

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

parcelada (con paréntesis de llaves). Emplee las funciones definidas en el
libro.
a) u(x) ∗ δ(x)
b) u(x)∗ ↑↑ (x)
c) ∧(x) ∗ u(x)
d) ∧(x) ∗ (x)
e) {2 u (x/2) + u(x)} ∗ u(x)
f) (x)∗ ↑↑ (2x)
11. Se define la auto-convolución de f (t) como f (t) ∗ f (t). La función f (t) es

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

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

al impulso son
h(t) = (t)e−ct
y
h(t) = (t − T )
con c y T reales, positivas y distintas de b; a las siguientes entradas:
a) f (t) = (t)e−bt
b) f (t) = sen 3t
c) f (t) = (t) sen 3t
d) f (t) = u( t−1
2 )
e) f (t) = δ(t) − 3δ(t − 2) + δ(t − 5)
f ) f (t) = u( t−π/2
π ) sen t
17. La salida a la entrada f (x) de un sistema cuya respuesta al impulso es h(x)

es g(x). ¿Cómo se modifica la respuesta del sistema a f (x) si la respuesta
al impulso se encoge en x en un factor k, h(kx)? ¿Cuál es la salida si la
entrada también se encoge en k?
18. Un sistema tiene una respuesta al impulso h(t) u ( t−TT11 /2 ). Si la entrada al

sistema es f (t) u ( t−T2 /2
T2 ), ¿Para qué valores de t la salida será 0?
19. La respuesta a la entrada f (x) de un sistema es g(x). ¿Cuál es la respuesta

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

respuesta al impulso:
1 −t/RC
h(t) = e (t)
RC
Encuentre la salida v2 (t) para las siguientes entradas:
a) v1 (t) = A
b) v1 (t) = A cos ω0 t/2
c) v1 (t) = A cos ω0 t
d) v1 (t) = A cos 2ω0 t
e) v1 (t) = A cos 3ω0 t
2.4 Ejercicios 51
f ) v1 (t) = A cos 4ω0 t
A es una constante y ω0 = 1/RC.

Grafique la amplitud de la salida versus la frecuencia de la entrada. Cuénteme
por qué cree usted que el filtro se llama “pasabajos”.
21. Se tiene un sistema lineal e invariante cuya respuesta al impulso es h(x) =

(x). Encuentre la salida g(x) del sistema si la entrada es f (x) = [3 u (x/6) − u(x/4) − u(x/2)] sg
22. El sistema de la figura multiplica la entrada por a. Es decir, la salida es

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

no, y si es invariante en x o no. Demuestre su respuesta.
(a) a = x
(b) a = f (x) (la entrada)
23. Se define la autocorrelación para una función real como
f (x) ∗ f (−x)
f (x) ? f (x) =
A
con A el área total de f (x). Es decir, es la auto-convolución sin invertir una
de las funciones y normalizada por el área.
Encuentre la parte par e(x) e impar o(x) de f (x) ? f (x).
24. (a) Un sistema AM está definido por
g(t) = f (t) cos 2πup t
donde f (t) es la entrada, g(t), la salida, y cos 2πup t la portadora de

frecuencia up .
¿Es el sistema lineal? Demuestre su respuesta.
(b) ¿Es el sistema de la pregunta anterior invariante en el tiempo? Si lo

es, demuéstrelo, si no lo es, ¿cuánto tendrı́a que valer up para que lo
sea?
25. Suponga que alguien erróneamente cree que la regla de la cadena se aplica a
la convolución, (f ∗ g)0 = f 0 ∗ g + f ∗ g0 . Encuentre el error e(x), la diferencia
entre el resultado erróneo y el correcto, si f (x) = u(x) y g(x) = (x).
26. Se tiene un sistema lineal e invariante cuya respuesta a la rampa (x (x)) es
(x− 1). ¿Cuál es la respuesta del sistema si la entrada es (ex − x− 1) (x)?
27. Demuestre que si g(x) = f (x) ∗ h(x) entonces
Z ∞ Z ∞ Z ∞
g(x)dx = f (x)dx · h(x)dx
−∞ −∞ −∞
28. Calcule u(x) ∗ gσ (x), donde

1 2 2
gσ (x) = √ e−x /2σ
σ 2π
Le puede ayudar saber que si f (x) y g(x) representan funciones de densidad
de probabilidades, entonces f (x) ∗ g(x) representa la función de probabili-
dades de la suma de las variables originales. Y también que por el teorema
del lı́mite central sabemos que f (x)∗n tiende a una distribución gaussiana
cuando n tiende a infinito (la notación ∗n indica que la función f (x) fue
convolucionada consigo mismo n veces, es decir f (x)∗2 = f (x) ∗ f (x)).
29. ¿Es p(t) igual a q(t) para todo f (t) si S1 y S2 son lineales e invariantes?
Demuestre su respuesta
f(t) S1 S2 p(t)
f(t) S2 S1 q(t)
30. ¿Es p(t) igual a q(t) para todo f (t) si S1 y S2 son sólo lineales? Demuestre
su respuesta.
31. ¿Es p(t) igual a q(t) para todo f (t) si S1 y S2 son sólo invariantes? De-
muestre su respuesta.
32. Se define el sistema nulo como S{f (t)} = 0. Demuestre si el sistema es
o no lineal y si es o no invariante. De ser lineal e invariante encuentre la
respuesta al impulso.
2.4 Ejercicios 53
33. Encuentre las funciones a(x), b(x) y c(x) para que la siguiente igualdad sea
verdad.
f (x) ∗ [x2 (x)] = a(x)M0 (x) + b(x)M1 (x) + c(x)M2 (x)
donde Mi (x) es el momento de orden i de la función f (x), definido por

Z x
Mi (x) = ξ i f (ξ)dξ
−∞
34. Una señal digital es una señal discreta que sólo puede tomar dos valores:
1 (verdad) ó 0 (falso). Digamos que un sistema digital es lineal cuando
cumple con la misma propiedad que los sistemas continuos pero en la que
se ha sustituido la operación de multiplicación (×) por un “y lógico” (∧)
y la adición (+) por un “o lógico” (∨). Se tiene un sistema digital cuya
entrada es una señal digital y cuya salida es una señal digital que indica
si la cantidad de unos en la entrada, hasta ese momento, es impar o par,
es decir, y[n] = y[n − 1] ⊕ x[n], con ⊕ la operación “o exclusivo lógico”
(0 ⊕ 0 = 0, 0 ⊕ 1 = 1, 1 ⊕ 0 = 1, 1 ⊕ 1 = 0).
Demuestre si el sistema digital es o no lineal.
35. Repita el problema anterior, pero para la definición de linealidad en vez de

sustituir la adición por “o lógico” se sustituye por “o exclusivo lógico”.
36. Se tiene un sistema de entrada x(t), cuya salida está dada por y(t) =
E{x(t)∗g(t)}, donde g(t) = au(t/b), con a una variable aleatoria distribuida
normal de media m y varianza σ 2 y b una variable aleatoria, independiente
de a, distribuida uniformemente en el intervalo (1, 2).
Demuestre que el sistema es lineal.
37. Encuentre la respuesta al impulso para el sistema del problema anterior.
38. Se tiene un sistema mecánico formado por un resorte y una masa (todo
ideal y sin roce) como se observa en la figura.
k
m f(t)
x
Se define x = 0 para la posición en reposo con la fuerza externa f (t) = 0.

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

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

posible almacenar otra información en esas frecuencias sin distorsionar el
audio percibido. Diseñe el sistema de la figura para que permita grabar
audio de voz en esas frecuencias.
m(t)
I m’(t)
+
v(t)
II III v’(t)
grabacion
o transmision
La señal m(t) es música y v(t) es voz de la cual sólo interesa grabar frecuen-
cias menores a 4 kHz (calidad telefónica). La señal m0 (t) debe ser idéntica a
m(t) con la excepción de las frecuencias menores a 100 Hz (imperceptibles).
2.4 Ejercicios 55
La señal v 0 (t) debe ser idéntica a v(t) para frecuencias menores a 4 kHz y
nula para frecuencias mayores a 4 kHz. Su diseño consiste en describir los
sistemas I, II y III. Los que sean lineales e invariantes los debe describir
empleando la respuesta al impulso o la función de transferencia. Los que no
lo sean con alguna formulación matemática.
42. Se tiene un sistema lineal e invariante en el que:
si la entrada es f1 (x) = u(x) entonces la transformada de Fourier de

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

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

a ) para
cualquier a constante. Encuentre y grafique la salida de este sistema para
la entrada u(x).
45. Suponga que un sistema para fotografiar el firmamento tiene una función de
transferencia H(u) = sinc 2 (8u). Esta función incluye todas las distorsiones
introducidas por la atmósfera, el sistema óptico y el sistema fotográfico.
¿Cuál es la mı́nima separación (en coordenadas de la fotografı́a) a la que
pueden estar dos estrellas de manera que se pueda reconocer la presencia
de ambas en la fotografı́a?
46. Se tiene un sistema lineal e invariante cuya respuesta al impulso es h(t) =

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

t = ξ.
b) ¿Es el sistema lineal? Si lo es, exprese la salida como una integral de
superposición.
c) ¿Es el sistema invariante en t? Si lo es, indique cuál es la respuesta al

impulso.
48. Se tiene el siguiente sistema, que produce un retardo,
S{x(t)} = x(t − ∆T )
a) Determine si el sistema es lineal para ∆T = t.

b) Determine si el sistema es invariante en el tiempo para ∆T = t.
49. Calcule ∞
cos πx
Z
δ(x) dx
−∞ sinc x
50. Encuentre ∧(x) ∗ (x).

2
51. Sea F (u) la transformada de Fourier de f (x) = e−πx ln(x + 1), ¿cuánto
vale Z ∞
F (u) du?
−∞
52. Si la salida de un sistema es g(x), cuando la entrada es f (x). ¿qué

R xcondición
o condiciones debe cumplir el sistema para que la salida sea sea −∞ g(ξ) dξ
Rx
cuando la entrada es −∞ f (ξ) dξ?
53. Se tiene un sistema descrito por y 0 (t) = −2y(t) − x(t). La entrada es x(t)
y la salida y(t), con y(0) = y0 . Sea f (t) la salida del sistema si x(t) = 0 y
g(t) la salida del sistema para t >> 0.
a) Encuentre f (t).
b) Encuentre la ecuación diferencial que desgribe a g(t).
54. Grafique las señales 2[1−sgn(1/2−ξ)]∧(1/2−ξ) y u(ξ/3)−u(ξ), en función

de ξ en el mismo gráfico. ¿Cuánto vale la convolución de {2[1 − sgn(x)] ∧
(x)} ∗ {u(x/3) − u(x)} evaluada en x = 1/2?
55. Encuentre la siguiente integral (la convolución es una convolución de dos

dimensiones):
ZZ ∞
u(x){sgn(x)δ(y) ∗ δ(x) u (y)} dxdy
−∞
2.4 Ejercicios 57
56. El sistema H consiste de un balde que se deja a la interperie en una zona

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

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

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

de Fourier permite representar en las bases de Fourier (frecuencia) una señal
que originalmente está representada en las bases del espacio o tiempo. Antes de
presentar la transformada de Fourier general, se estudiará el caso particular de las
señales periódicas y las series de Fourier. Dependiendo de las caracterı́sticas de
las señales (periódicas o aperiódicas) y de las caracterı́sticas de espacio donde se
analizan (tiempo y frecuencia discretos o continuos), se definen distintas formas
para la transformada de Fourier (FT, DTFT, DFFT, DFT). En el apéndice A se
sigue el mismo raciocinio de Joseph Fourier por el cual encontró la transformada
de Fourier.
3.1. Series de Fourier

3.1.1. Forma trigonométrica
Una función periódica f (x) se puede expresar como una combinación lineal
de funciones senos y cosenos. Es decir, una señal periódica de periodo X0 siempre
puede representarse como una serie trigonométrica de la forma
∞
X
f (x) = a0 + (ak cos kω0 x + bk sen kω0 x), (3.1)
k=1
que se conoce como forma trigonométrica, donde ω0 es la frecuencia fundamental

ω0 = 2π/X0 , y los coeficientes a0 , ak y bk constituyen un conjunto de números
59
60 Transformada de Fourier
asociados unı́vocamente con la función f (x).

Cada término de la suma, fk (x) = ak cos kω0 x + bk sen kω0 x, corresponde a
una armónica de la función. Ası́, kω0 es el múltiplo k-ésimo de la frecuencia funda-
mental ω0 . Si los coeficientes, ak y bk , asociados a la frecuencia kω0 son conocidos,
se tiene toda la información acerca de la función f (x). Es decir, la función puede
ser sintetizada a partir de los coeficientes ak y bk . De forma inversa, es posible
determinar los coeficientes de la función f (x), ya que ak y bk representan las am-
plitudes de las ondas seno y coseno asociadas. Éstos son obtenidos empleando las
propiedades de ortogonalidad (sec. 3.1.4) de las funciones sinusoidales. La función
f (x) es multiplicada por una onda sinusoidal de frecuencia mω0 y amplitud uno,
y luego se integra en el intervalo de duración X0 , con lo que se tiene:
Z Z
f (x) cos mω0 x dx = a0 cos mω0 x dx
X0 X0
Z ∞
X
+ ak cos kω0 x cos mω0 x dx
X0 k=1
Z X ∞
+ bk sen kω0 x cos mω0 x dx.
X0 k=1
Usando las relaciones de ortogonalidad e integrales de la sección 3.1.4, y con

m = 0, se tiene que
Z X0
1
a0 = f (x) dx.
X0 0
Para m = k 6= 0 resulta
X0
2
Z
ak = f (x) cos kω0 x dx,
X0 0
ya que m toma los valores 1, 2, . . . y las integrales en las sumas se hacen cero,
excepto para aquella en que m = k.
Para encontrar bk , se multiplica la expansión en serie de (3.1) por sen mω0 x
y se integra en un periodo X0 , con lo que se obtiene análogamente
X0
2
Z
bk = f (x) sen kω0 x dx.
X0 0
Estas son las ecuaciones de análisis que permiten obtener los coeficientes a0 ,
ak y bk , dado f (x). Aunque aquı́ no se ha probado la validez de la expansión de
Fourier, la forma de obtener los coeficientes es válida si esta expansión también
3.1 Series de Fourier 61
f(x)
−X/2 −X/4 X/4 X/2 x
Figura 3.1: Función periódica rectangular
lo es. Para cualquier función periódica f (x) de interés práctico esta expansión es
usable.
El coeficiente a0 es conocido como valor promedio o componente continua de
la señal f (x); comúnmente a0 se puede determinar por simple inspección de un
gráfico de f (x).
Aprovechando ciertas propiedades de simetrı́a de las funciones se pueden
obtener versiones simplificadas de las integrales.
Si f (x) es par, o sea,
f (x) = f (−x),
se puede simplificar las expresiones para ak y bk usando como intervalo de inte-
gración (−X0 /2, X0 /2), y gracias a que f (x) es simétrica en torno a x = 0. Se
prueba fácilmente que
Z X0 /2
4
bk ≡ 0, ak ≡ f (x) cos kω0 x dx
X0 0
X0
2
Z
2
a0 = f (x) dx
X0 0
Si f (x) es impar, es decir,
f (−x) = −f (x)
Entonces, en forma similar, se tiene

Z X0 /2
4
ak ≡ 0, bk ≡ f (x) sen kω0 x dx
X0 0
Ejemplo 3.1.1 Consideremos la señal periódica f (x) dada por la figura 3.1. Por
inspección del gráfico, podemos decir que f (x) tiene un valor promedio de A/2;
la señal vale A la mitad del tiempo, y la otra mitad vale cero. Luego
A
a0 =
2
La función es par, bk = 0 para todos los valores de k. Para obtener ak se tiene
2 X/4
Z kω0 X/4
2
Z
ak = A cos kω0 xdx = A cos x dx.
X −X/4 Xkω0 −kω0 X/4
Pero como
ω0 X = 2π,
se tiene
+kπ/2
1 2A kπ
Z
ak = A cos x dx = sen = A sinc k/2.
kπ −kπ/2 kπ 2
Finalmente, la expansión de f (x) es
∞
A X
f (x) = + ak cos kω0 x,
2
k=1
con
sen kπ/2
ak = A
kπ/2
= A sinc k/2.
3.1.2. Forma de laboratorio

Usando la identidad trigonométrica
r cos(A + φ) = p cos A + q sen A,
donde p
r= p2 + q 2 , tan φ = −q/p,
sobre cada par seno-coseno de la expansión, resulta
∞
X
f (x) = A0 + Ak cos(kω0 x + φk ).
k=1
Esta expresión se conoce a veces como forma de laboratorio, donde

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

suma están armónicamente relacionadas por el entero k. El término con k = 1 se
3.1 Series de Fourier 63
dice que es la primera armónica en la serie y se conoce también como componente

fundamental.
Si f (x) es par, φk = 0 y la expansión se reduce a una suma de cosenos. Si
f (x) es impar, φk = −90o y resulta una suma de senos.
Esta forma es más directa en cuanto a su significado fı́sico. La amplitud y fre-
cuencia kωo que se requiere para sintetizar una forma de onda es ahora evidente;
cada término es de la misma forma de la que se observarı́a en un osciloscopio si
se midieran varias armónicas por separado.
3.1.3. Forma compleja

Las dos formas anteriores requieren de la especificación de dos parámetros
independientes por cada componente de frecuencia. Una armónica de ı́ndice k se
determina por los coeficientes ak y bk , en la forma trigonométrica
fk (x) = ak cos kω0 x + bk sen kω0 x,
y en la forma de laboratorio se determina por la amplitud Ak y por la fase φk
fk (x) = Ak cos(kω0 x + φk )
Una forma más compacta se logra con notación compleja y el uso de expo-
nenciales complejas. Expresando los senos y cosenos con las fórmulas de Euler:
1 ix
cos x = (e + e−ix ),
2
1 ix
sin x = (e − e−ix ),
i2
se tiene que la armónica de ı́ndice k es
ak ikω0 x bk
fk (x) = (e + e−ikω0 x ) + (eikω0 x − e−ikω0 x )
2 i2
1 1
= (ak − ibk )eikω0 x + (ak + ibk )e−ikω0 x .
2 2
Se definen los coeficientes asociados a las exponenciales, como
Ck = 12 (ak − ibk ) C−k = 12 (ak + ibk ) k > 0,
con C0 = a0 . Y puesto que C0 puede escribirse como C0 ei0 , se tiene que la

ecuación de sı́ntesis de la forma exponencial compleja de la serie de Fourier es
∞
X
f (x) = Ck eikω0 x .
k=−∞
Nótese que la relación C−k = Ck∗ asegura que para cada exponencial positiva
de la forma Ck e+ikω0 x habrá una exponencial negativa que al combinarse forman
una sinusoidal real.
Las integrales empleadas para determinar los coeficientes de la serie 3.1 en su
forma trigonométrica, ak y bk , tienen su equivalente en la ecuación de análisis de
la forma compleja, dado por
1
Z
Ck = f (x)e−ikω0 x dx. (3.2)
X0 X0
Reseña histórica Joseph Fourier
Jean Baptiste Joseph Fourier nació en Aux-

erre, Bourgogne, Francia el 21 de Marzo de 1768
y murió en Paris, Francia el 16 de mayo de 1830.
Fourier, un excelente fı́sico matemático, era amigo
de Napoleón (por lo menos conocido) y lo acom-
pañó a Egipto en 1798. A su regreso fue prefecto
del distrito de Isère en el sudeste francés. Como tal
construyó el primer camino de Grenoble a Turı́n.
También fue amigo del joven Champollion, que más
tarde descifró la piedra Rosetta en el primer paso
para entender los jeroglı́ficos de Egipto.
Al igual que otros cientı́ficos de su época, Fouri-
Joseph Fourier er se dedicó a estudiar el problema de la transmisión
del calor. Fourier envió un trabajo para ser publi-
cado sobre conducción de calor a la Academia de Ciencias de Parı́s en 1807. El
trabajo fue juzgado por Lagrange, Laplace y Legendre, quienes lo rechazaron. Pero
a la Academia le interesaba que Fourier continuara desarrollando sus ideas, y para
eso estableció un premio a entregar en 1812. Fourier envió una nueva versión de su
trabajo en 1811 que fue juzgado por los mismos tres cientı́ficos. Ganó el premio,
pero fue criticado por su falta de rigurosidad y no fue publicado en ese momento
en las Mémoires de la Academia. Fourier quedó resentido por el trato que tuvo,
pero siguió trabajando en el tema de calor y, en 1822, publicó uno de los clásicos
matemáticos, Théorie analytique de la chaleur. Incorporaba la primera parte de su
trabajo de 1811, prácticamente sin ningún cambio. Este libro es la principal fuente
que se tiene de las ideas de Fourier. Dos años después fue nombrado secretario de
la Academia con lo que pudo publicar finalmente el trabajo de 1811, en su forma
original, en las Mémoires.
3.2 Transformada de Fourier 65
Fourier, en su trabajo relativo a la conducción del calor, estableció que cualquier

distribución inicial de temperaturas en un cuerpo puede escribirse como
Z ∞ Z ∞
1
F (x) = eiqx F (α)e−iqα dα dq
2π −∞ −∞
donde se establece por primera vez la expresión de una función cualquiera como suma
de exponenciales sinusoidales.
Fue Cauchy en su trabajo Théorie de la propagation des ondes de 1816 el primero
en establecer explı́citamente la transformada de Fourier.
3.1.4. Relaciones de ortogonalidad e integrales

A continuación se presentan algunas relaciones de ortogonalidad e integrales
de las funciones trigonométricas que son de utilidad (ver sección 8.3.1).
Z
sen kω0 x dx = 0, k = 0, 1, 2, . . . (3.3)
X0
Z
0, k = 1, 2, . . .
cos kω0 x dx = (3.4)
X0 X 0 , k =0
Z
m = 0, 1, 2, . . .
sen mω0 x cos kω0 x dx = 0, (3.5)
X0 k = 0, 1, 2, . . .
Z
0, m 6= k
sen mω0 x sen kω0 x dx = (3.6)
X0 X0 /2, m = k
Z
0, m 6= k
cos mω0 x cos kω0 x dx = (3.7)
X0 X0 /2, m = k
3.2. Transformada de Fourier

En la sección anterior vimos como una función cualquiera periódica puede
expresarse como una suma de funciones seno y coseno. El descubrimiento de
las series de Fourier representó, sin duda, un gran avance en las matemáticas.
Los coeficientes de Fourier expresan directamente el contenido de frecuencia de
la función, es decir, expresan cuáles son las armónicas que nos entregarı́an una
mejor aproximación de la función original. Pero no queremos limitarnos exclu-
sivamente a funciones periódicas. El análisis de Fourier también se puede hacer
para funciones no periódicas. Una manera de hacerlo, es suponer que el periodo
T0Fk
f(t)
1
kw0
1 T0 t
T1Fk
f(t)
1
kw1
1 T1 t
F(u)
f(t)
1
u
1 t
Figura 3.2: La transformada de Fourier como el lı́mite de la serie de Fourier

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

de una señal periódica. Como se vio en el ejemplo de la sección anterior, los coefi-
cientes de la serie de Fourier para una función rectangular se obtienen al evaluar
en las frecuencias armónicas la función sinc. En otras palabras, la función sinc
es la envolvente de los coeficientes de Fourier, como se aprecia en la figura. Al
aumentar el periodo, la frecuencia fundamental 1/T se hace menor, por lo que
los coeficientes son muestras del sinc a intervalos menores. En el lı́mite, las mues-
tras están una al lado de la otra, es decir, se tiene una función continua de la
frecuencia.
La figura 3.3 representa una clasificación de las señales considerando su peri-
odicidad y continuidad, tanto en el espacio como en la frecuencia ([16]). La figura
nos indica, por ejemplo, que las señales continuas y aperiódicas en el espacio cor-
responden a señales continuas y aperiódicas en la frecuencia. La transformada de
Fourier es, justamente, aplicable a este tipo de señales.
Formalmente la transformada de Fourier se define como
Z ∞
F (u) = f (x)e−i2πux dx,
−∞
donde u es la variable de frecuencia, análoga a kω0 de la ecuación (3.2) en la

página 64. La frecuencia u tiene unidades que son el recı́proco de las unidades
de x, es decir, si x está medido en segundos, entonces u tiene unidades de Hertz
(1/s). Los coeficientes de Fourier Ck , en el análisis continuo pasan a ser los valores
F (u) de la transformada de Fourier.
Re W(x) Re W(x) Re W(x)
Im W(x) Im W(x) Im W(x)
x x x
Re W(x)
Re W(x)
Im W(x) Im W(x)
x x
Figura 3.4: Bases de la transformada de Fourier, frecuencias negativas, frecuencia

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

Fourier se puede expresar como
Z ∞ Z ∞
F (u) = f (x) cos(2πux) dx − i f (x) sen(2πux) dx,
−∞ −∞
que a su vez es
F (u) = FC (u) − iFS (u).
donde FC (u) es la transformada coseno de la parte par de f (x) y FS (u) es la
transformada seno de la parte impar de f (x), ambas transformadas definidas en
la sección 8.1.1.
Dado que las funciones W (x) = e−i2πux constituyen una base ortonormal
de funciones (fig. 3.4), existe una transformada inversa, es decir, una fórmula
que a partir de la transformada de Fourier permite encontrar la función original
(ecuación de sı́ntesis). La transformada inversa de Fourier es
Z ∞
f (x) = F (u)ei2πux du.
−∞
Es decir, se debe cumplir la relación F −1 Ff (x) = f (x), o

Z ∞ Z ∞
−i2πuξ
f (ξ)e dξ ei2πux du = f (x),
−∞ −∞
3.3 Ejemplos de la transformada de Fourier 69
lo que ocurre cuando f (x) cumple con las condiciones de Dirichlet1 , las condi-
ciones de existencia de la transformada de Fourier. No es la intención de este libro
abordar el tema de las condiciones matemáticas que debe cumplir f (x) para que
exista transformada de Fourier, sólo se dirá que para señales fı́sicas (señales que
se pueden medir en la naturaleza), siempre se cumplirán.
3.3. Ejemplos de la transformada de Fourier

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

Para encontrar la transformada de Fourier del impulso es conveniente emplear
la propiedad del cedazo. Ésta es
Z ∞
δ(x)f (x) dx = f (0).
−∞
Sustituyendo f (x) por el núcleo de Fourier e−i2πux se tiene

Z ∞
F{δ(x)} = δ(x)e−i2πux dx = e−i2πu0 = 1(u),
−∞
es decir, la transformada de Fourier del impulso es una función constante que vale
1, independientemente de la frecuencia. En otras palabras, si se suman senos y
cosenos de todas las frecuencias posibles (infinitas) se obtiene la función impulso.
Intuitivamente, esto no es tan raro. Pensemos en los cosenos. En una posición x 6=
0 los cosenos van a tomar todos los posibles valores entre -1 y 1, dependiendo de
la frecuencia del coseno. Como las frecuencias están uniformemente distribuidas
la suma de estos valores se cancela y se obtiene cero. El único lugar de x para
el cual no se produce cancelación es para x = 0, ya que el coseno siempre vale
1, independientemente de la frecuencia. La suma, por lo tanto, es infinito en el
origen (fig. 3.16). Para verificar que la función obtenida es el impulso, sólo falta
mostrar que la integral bajo la curva vale 1.
1
R∞
−∞
|f (x)|dx < ∞, f (x) tiene un número finito de máximos y mı́nimos, y un número finito
de discontinuidades en cualquier intervalo finito.
gauss(x) gauss(u)
x u
Figura 3.5: Gauss(x) −→ Gauss(u)
rect(x) sinc(u)
x u
Figura 3.6: u(x) −→ sinc (u)
sinc(x) rect(u)
x u
Figura 3.7: sinc (x) −→ u(u)
sinc^2(x) triangulo(u)
x u
Figura 3.8: sinc 2 (x) −→ ∧(u)
1(x) delta(u)
x u
Figura 3.9: 1(x) −→ δ(u)

3.3 Ejemplos de la transformada de Fourier 71
cos(x)
horquilla(u)
x
u
Figura 3.10: cos πx −→↑↑ (u)
3.3.2. Transformada de un coseno

Encontremos la transformada de Fourier de la función coseno, cosπx. Sabemos
que la transformada sólo puede tener un valor distinto a cero para la frecuencia
del coseno. Ésta es una función muy especial porque sólo tiene una armónica, la
principal, cuya frecuencia es 1/2 (periodo 2). Aplicando la definición, la transfor-
mada de Fourier es
Z ∞
F (u) = cos(πx)e−i2πux dx
Z−∞
∞ Z ∞
= cos(πx) cos(2πux) dx − i cos(πx) sen(2πux) dx
−∞ −∞
La segunda integral es cero, porque el producto de una función par con otra
impar es impar, por lo que la integral desde −∞ a +∞ es cero. La primera
integral es distinta de cero sólo para valores de u igual ±1/2, donde la integral
toma un valor infinito. Esta función corresponde a dos impulsos de magnitud 1/2
ubicados justamente en las frecuencias correspondientes a la armónica. Es decir,
1 1 1 1
cos πx −→↑↑ (u) = δ(u − ) + δ(u + )
2 2 2 2
3.3.3. Transformada del rect

Una transformada que juega un papel importante en el análisis de señales es
la transformada de la función rect. Esta transformada se puede calcular analı́tica-
mente como
Z ∞ Z 1
2
u(x)e−i2πux dx = e−i2πux dx
−∞ − 21
Z 1
2
= cos 2πux dx
− 21
sen πu
=
πu
= sinc u
sen(x) i*antihorquilla(u)
x u
Figura 3.11: sen πx −→ i ↑↓ (u)
shah(x) shah(u)
x u
Figura 3.12: Shah(x) −→ Shah(u)
exp(−(abs(x))
x u
2
Figura 3.13: e−|x| −→ 1+(2πu)2
escalon(x)
Figura 3.14: Escalón(x) −→ 21 δ(u) − i

2πu
sgn(x)
i
Figura 3.15: sgn(x) −→ − πu
3.4 Simetrı́as de la transformada de Fourier 73
Figura 3.16: Representación de un impulso como suma de cosenos
es decir
u(x) −→ sinc u.
3.4. Simetrı́as de la transformada de Fourier

En esta sección se analizará cómo es el comportamiento tanto en el espacio
como en la frecuencia de señales que presentan algún tipo de simetrı́a. En la
sección 1.9 se vio que una función asimétrica puede ser descompuesta en una
suma de su parte par e impar, es decir, si f (x) es asimétrica, se puede reescribir
como f (x) = e(x) + o(x), donde e(x) es una función par y o(x) es una función
impar 2 .
1 1
e(x) = (f (x) + f (−x)) y o(x) = (f (x) − f (−x))
2 2
Utilizando tanto esta descomposición como las igualdades de Euler, se puede
encontrar una nueva expresión para la transformada de Fourier de una función
f (x) = e(x) + o(x),
Z ∞
F{f (x)} = f (x)e−i2πux dx
Z−∞
∞ Z ∞
= f (x) cos(2πux) dx − i f (x) sen(2πux) dx
Z−∞
∞ Z −∞
∞
= e(x) cos(2πux) dx − i e(x) sen(2πux) dx
−∞ −∞
Z ∞ Z ∞
+ o(x) cos(2πux) dx − i o(x) sen(2πux) dx
−∞ −∞
Notando que e(x) sen(2πux) y o(x) cos(2πux) son funciones impares en térmi-
2
Usaremos e(x) y o(x), del inglés even y odd en vez de P (x) e I(x) para reservar las
√mayúsculas
para las transformadas. Tampoco podemos usar i(x) porque i lo reservamos para −1.
Re(f(x)) Re(F(u))
Im(f(x)) Im(F(u))
x u
Figura 3.17: real par −→ real par
Re(f(x)) Re(F(u))
Im(f(x)) Im(F(u))
x u
Figura 3.18: real impar −→ imaginaria impar
nos de x, su integral en todo el dominio es cero. De manera que

Z ∞ Z ∞
F{f (x)} = e(x) cos(2πux) dx − i o(x) sen(2πux) dx.
−∞ −∞
Finalmente
F{f (x)} = F C {e(x)} − iF S {o(x)} = Ec (u) − iOs (u),
donde Ec (u) es la transformada coseno de e(x) y Os (u) es la transformada seno

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

3.4 Simetrı́as de la transformada de Fourier 75
Re(f(x)) Re(F(u))
Im(f(x)) Im(F(u))
x u
Figura 3.19: imaginaria par −→ imaginaria par
Re(f(x)) Re(F(u))
Im(f(x)) Im(F(u))
x u
Figura 3.20: imaginaria impar −→ real impar
Re(f(x)) Re(F(u))
Im(f(x)) Im(F(u))
x u
Figura 3.21: compleja par −→ compleja par
Re(f(x)) Re(F(u))
Im(f(x)) Im(F(u))
x u
Figura 3.22: compleja impar −→ compleja impar

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

3.5 Propiedades de la transformada de Fourier 77
Si f (x) = io(x) (imaginaria impar), se tiene:
F{f (x)} = −iF S {io(x)} = −i2 Os (u) = Os (u)
luego, la transformada de Fourier de f (x) es real e impar.
Si f (x) = g(x) + ih(x), con g(x) y h(x) pares (f (x) compleja par), se tiene:
F{f (x)} = F C {g(x)}+F C {ih(x)} = F C {g(x)}+iF C {h(x)} = Gc (u)+iHc (u)
luego, la transformada de Fourier de f (x) es compleja y par.
Si f (x) = e(x) + io(x) (hermitiana), se tiene:
F{f (x)} = F C {e(x)}−iF S {io(x)} = F C {e(x)}−i2 F S {o(x)} = Ec (u)+Os (u)
luego, la transformada de Fourier de f (x) es real.
3.5. Propiedades de la transformada de Fourier

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

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

3.5 Propiedades de la transformada de Fourier 79
g(t) G(u)
t u
x
*
t
u
gm[n]
=
G(u)
=
t
u
Figura 3.28: Modulación
4. Desplazamiento (fig. 3.27)

Si a es una constante real, se tiene:
f (x − a) −→ e−i2πau F (u)
5. Convolución
f (x) ∗ g(x) −→ F (u)G(u)
6. Producto
f (x)g(x) −→ F (u) ∗ G(u)
7. Modulación. Caso particular de la propiedad del producto (fig. 3.28)
1 w 1 w π π
f (x)cos(wx) −→ F (u − ) + F (u + ) = F (u) ∗ ↑↑ ( u)
2 2π 2 2π w w
8. Teorema de la Potencia
Z ∞ Z ∞
f (x)g∗ (x) dx = F (u)G∗ (u) du
−∞ −∞
donde g∗ (x) es el complejo conjugado de g(x)

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

Z ∞ Z ∞
2
|f (x)| dx = |F (u)|2 du
−∞ −∞
10. Autocorrelación Z ∞
f ∗ (ξ)f (x + ξ) dξ −→ |F (u)|2
−∞
11. Derivada
f 0 (x) −→ i2πuF (u)
3.6. Función de transferencia

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

dominio de la frecuencia en términos de P (u), Q(u) y H(u). Donde H(u) recibe
el nombre de función de transferencia del sistema y corresponde a la transformada
de Fourier de la respuesta al impulso y puede ser evaluada como el cuociente
Q(u)
H(u) =
P (u)
para valores de u en que P (u) 6= 0.
3
Equivalente al teorema de Parseval para series de Fourier
3.7 Ejercicios 81
3.7. Ejercicios
1. Encuentre y grafique los coeficientes de Fourier para las siguientes funciones:
a) T ∧ (2x/T ) ∗ (x/T )
b) T ∧ (2x/T ) ∗ (x/T − 1/2)
c) T x u (x/T ) ∗ (x/T )
d) T x u (x/T ) ∗ (x/T − 1/2)
e) −T x u (x/T ) ∗ (x/T )
f ) T | cos πx/T | u (x/T ) ∗ (x/T )
2. Muestre que las series de Fourier representan un operador lineal.

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

f (x).
4. ¿Qué es una base ortogonal de funciones? (por ejemplo: {ei2πxu })
5. En un sistema de Amplitud Modulada (AM), la señal f (t) es modulada a
fAM (t) = f (t) cos 2πuc t,
donde uc es la frecuencia portadora (¿Por qué estoy usando el subı́ndice

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

transformada de Fourier para las siguientes funciones:
a) f (x) = cos ω0 x
b) f (x) = 1
c) f (x) = (x)
d) f (x) = (x) sen ω0 x
e) f (x) = (x) cos ω0 x
f ) f (x) = (x)e−αx sen ω0 x
g) f (x) = (x)e−αx cos ω0 x

h) f (x) = eiω0 t
i) f (x) = e−|2x|
j ) f (x) = (x)e−x sen 2x
k ) f (x) = (x)e−5x cos 2x
l) f (x) = e−|5x| cos 2x
8. Encuentre la transformada de Fourier de

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

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

¿En términos de frecuencia, qué son las teclas de ebonita del piano?
12. Investigue cuál es la respuesta de frecuencia de un oı́do humano normal.

¿Cómo es el oı́do de un perro?
13. Encuentre la transformada de Fourier de las siguientes funciones (A positi-

vo):
sen x
a) x
sen Ax 2

b) Ax
2
c) e−x
d) δ(Ax)
e) eix
f ) ∧(x − 1)
g) u(x)sgnx
14. A la señal f (x) = (x)cosω0 x se le aplica un filtro pasabajos ideal de

frecuencia de corte ωc . Encuentre la señal filtrada para ω0 > ωc y ω0 < ωc .
3.7 Ejercicios 83
15. Repita el problema anterior para

x − π/ω0
f (x) = u
2π/ω0
16. Calcule la transformada de Fourier de


 0 |x| > 2
f (x) = 2 − |x| 1 < |x| < 2
1 |x| < 1

2
17. Encuentre la transformada de Fourier de xe−πx .
18. Suponga que se quiere aproximar Shah agregando impulsos sucesivamente

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

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

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

20. Encuentre la función periódica cuyos coeficientes de Fourier son

sen2 πkT
Ck =
(πkT )2
21. Veamos cómo funciona el siguiente sistema para hacer Karaoke. La idea es
que no se escuche la voz, manteniendo lo más posible de los instrumentos.
Supongamos que para un momento en particular, se puede modelar el sonido
de los instrumentos como finst (t) = 4 sinc 2t + 20 sinc 20t y la voz como
fvoz (t) = 4 sinc 2 t cos(10πt). La señal, que es la suma de los instrumentos
más la voz, se pasa por un filtro cuya respuesta al impulso es h(t) = δ(t) −
4 sinc (2t) cos(10πt). Calcule la proporción de energı́a proveniente de los
instrumentos que se pierde en el filtro. La energı́a de una señal se define
como f 2 (t)dt.
R
√
22. Sea F (u) = ea u (1 − u) la transformada de Fourier de f (x). Calcule f (x) ∗
(x) evaluada en −∞ y +∞. Es decir, calcule
lı́m f (x) ∗ (x)

x−→∞
y
lı́m f (x) ∗ (x)
x−→−∞
23. Encuentre la transformada de Fourier de
a)
1 x
lı́m u ( ) ∗ {δ(x + a/2) − δ(x − a/2)}
a−→0 a2 a
b)
1 x
lı́m 3
u ( ) ∗ {δ(x + 2a) − 2δ(x) + δ(x − 2a)}
a−→0 8a 2a
24. Sea f (x) una función real. Demuestre que
F{f (x) ∗ f (−x)} ≥ 0 para todo u.
25. Encuentre y grafique la transformada de Fourier de la siguiente función
f (x) = u(x)∗ ↑↑ (x)+∧(x)+{ (x)∧(x)}∗δ(x+1)+{ (−x)∧(x)}∗δ(x−1)
26. Encuentre todos los coeficientes ak y bk de la expansión en series de Fourier

de
f (x) = 1 + eix
3.7 Ejercicios 85
27. Suponga que se quiere aproximar Shah agregando impulsos sucesivamente

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

Fourier de n (x). Para verificar si Fn (u) → (u) cuando n → ∞ vamos
a ver qué sucede para un valor particular de u a medida que n crece. Para
eso grafique el valor de Fn (u), en función de n evaluado en
(a) u = 1/2
(b) u = 1/4
Opcional: Encuentre el gráfico para Fn (u) evaluado en u = 1/100.
28. Se define la potencia promedio P̄ de una señal continua periódica, x(t),

como
1
Z
P̄ {x(t)} = |x(t)|2 dt
T T
donde la integral se realizó en el intervalo de un periodo T . Encuentre
P̄ {x(t)} en función de los coeficientes de la serie de Fourier, Ck .
29. Se define una nueva transformada continua que emplea la siguiente base
u(u)ei2πux .
Diga qué condiciones debe cumplir la señal f (x) para que su transformada
tenga inversa. ¿Cuál es la inversa en ese caso?
30. Se sabe que

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

Z x
2 2
erf x = √ e−ξ dξ
π 0
√
Exprese erf( πx) como una convolución de escalón con gauss y calcule su
transformada de Fourier.
32. El circuito de la figura representa el módulo alfa. El módulo alfa está com-
puesto por un retardo de ∆T , dos integradores y un multiplicador por
1/∆T , conectado como se indica en la figura. ¿Si se conectan 5 módulos
alfa en cascada, cuánto debe ser el retardo ∆T para que la frecuencia de
0,1 Hz sea atenuada a la mitad, es decir, para que la magnitud de una sinu-
soide de 0,1 Hz a la salida del quinto módulo sea la mitad de la magnitud
de esa sinusoide a la entrada del primer módulo?
Int +− 1
∆Τ
retardo
∆Τ Int
33. Se desea emplear una serie finita de Fourier, SN (x), para aproximar una
función f (x) en el rango −T /2 < x < T /2, es decir,
N
a0 X
f (x) ≈ SN (x) = + (ak cos kω0 x + bk sen kω0 x)
2
k=1
con ω0 = 2π/T . Encuentre los coeficientes a0 , ak y bk (k = 1...N ) de manera

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

es F (u). Z ∞ Z ∞
|f 0 (x)|2 dx = 4π 2 u2 |F (u)|2 du
−∞ −∞
35. El principio de incertidumbre en el análisis espectral establece que
1
∆x∆u ≥
4π
donde la dispersión ∆x en x está dada por
Z ∞
2 1
(∆x) = (x − x̄)2 |f (x)|2 dx
||f ||2 −∞
3.7 Ejercicios 87
con el centro de gravedad x̄ dado por

Z ∞
1
x̄ = x|f (x)|2 dx
||f ||2 −∞
y Z ∞
2
||f || = |f (x)|2 dx
−∞
Análogamente, la dispersión ∆u en u está dada por (en esta dimensión

ū = 0) Z ∞
2 1
(∆u) = u2 |F (u)|2 du
||F ||2 −∞
con Z ∞
||F ||2 = |F (u)|2 du.
−∞
Calcule ∆x∆u para f (x) = axe−ax (x) (a > 0) y compruebe que se cumple
el principio de incertidumbre. Puede usar el teorema del problema anterior.
Algunas integrales que pueden serles útil:
1 −2at 3
R −2at R 3 −2at 3 2 −2at
R e −2atdt = − 2a e 1 −2at R t4 e−2at dt = (b3 t4 + b2 t3 + b1 t2− 8a4 )e 3 −2at
R te2 −2atdt = (b1 t − 4a2
)e t e dt = (b4 t + b3 t + b2 t + b1 t − 4a5 )e
t e dt = (b2 t2 + b1 t − 4a13 )e−2at
36. Alicia propone un sistema para reducir los tonos altos de una grabación
en CD. El sistema consiste en convolucionar (linealmente) las muestras de
audio con h[n] = n1 (1 1 ... 1), es decir, el promedio móvil de n muestras.
En un CD, el audio es muestreado a 44 kHz. Si la grabación consiste de un
tono puro (f [n] = f (nT ), con f (t) = cos(2πut)) de frecuencia u y amplitud
máxima unitaria, interesa conocer la amplitud máxima, P (u, n), de la salida
del sistema, g[n] = f [n] ∗l h[n] en función de u y n. Puede suponer que la
primera muestra se toma en t = 0 y que no interesa el transiente.
a) Si u = 11 kHz y n = 2, grafique f [n] y g[n], y encuentre P (u, n).

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

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

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

b) Encuentre la transformada de Fourier de f (x) = (3 − 2x) − 1/2.
39. Encuentre la transformada de Fourier de u(x/w)∗ ↑↑ (x).
40. Sea f (x) una función par y real, y sea G(u) la transformada de Fourier de
f (x − a). Encuentre Z ∞
Im{G(u)} du
−∞
41. ¿Qué condición o condiciones debe cumplir f (x), cuya transformada de

Fourier es F (u), para que se cumpla la siguiente igualdad?
Z ∞ Z ∞
2
f (x) dx = F 2 (u) du
−∞ −∞
42. Encuentre dos funciones diferentes, f1 (x) y f2 (x) que cumplan con la sigu-
iente condición: Z ∞
fi (x)dx = Fi (1).
−∞
donde fi (x) −→ Fi (u).
43. Encuentre la transformada de Fourier inversa de

1
F (u) = para todo a real.
a + i2πu
3.7 Ejercicios 89
44. Grafique la transformada de Fourier inversa de
[( (u) + 2 cos πu) sinc 2 u + 4 sinc 2 (2u)]e−i4πu
45. Un sistema tiene una respuesta al impulso dada por
h(t) = sinc (2t − 0,2)
Grafique la función de transferencia en Fourier (magnitud y fase) del sis-

tema.
CAPÍTULO 4
TRANSFORMADA DE LAPLACE
En los capı́tulos anteriores se estudió la transformada de Fourier y sus apli-

caciones a señales y sistemas de tiempo continuo. La transformada de Fourier es
una herramienta de gran utilidad porque no sólo permite un análisis matemático
sino también por su conexión intuitiva con la realidad fı́sica.
La transformada de Laplace puede ser vista como una extensión a la de Fouri-
er, o, lo que es lo mismo, la transformada de Fourier es un caso particular de la
transformada de Laplace. En muchos textos de estudio se presenta primero la
transformada de Laplace y luego la de Fourier como un caso particular. En este
libro hemos preferido presentar primero la de Fourier de manera que se puedan
asimilar los conceptos de frecuencia en forma más simple e intuitiva. Al gener-
alizar a Laplace mucho de la conexión intuitiva se pierde, sin embargo el número
de aplicaciones de la transformada de Laplace es mayor que el de la de Fourier.
Ver figura 4.1.
La transformada de Laplace introduce una nueva variable compleja s, que
representa una frecuencia compleja, a diferencia de la frecuencia exclusivamente
imaginaria i2πu de la transformada de Fourier. Las razones que hacen a la trans-
formada de Laplace útil son: aplicable a un mayor número de funciones, incluye
información de transientes y facilita la manipulación algebraica para la solución
de ecuaciones diferenciales.
Dado que la frecuencia en el dominio de Laplace incluye una parte real, existen
funciones que no tienen transformada de Fourier pero que sı́ tienen transformada
de Laplace. Para estas funciones la región de convergencia como veremos más
adelante no incluirá el eje imaginario, donde está definida la transformada de
91
92 Transformada de Laplace
po
em
Ti
T. de Laplace
Aperiódica
Continua
FT DFFT
DTFT DFT
Discreta
Periódica
ia
nc
Continua Discreta
ue
ec
Fr
Figura 4.1: Clasificación de las transformadas según periocidad y continuidad
Fourier. Veremos que la función ya no necesita decaer en el tiempo para tener

transformada de Laplace.
La parte imaginaria de la frecuencia compleja s corresponde a la frecuencia
tal como la vimos para la transformada de Fourier. La extensión es en la parte
real que reúne información acerca de los transientes y no del régimen permanente
como es el caso de la parte imaginaria. Por esta razón la transformada de Laplace
es una caracterización más completa de sistemas lineales, al incluir la parte real
de la frecuencia s, y sus respectivas regiones de convergencia.
Finalmente la transformada de Laplace facilita la manipulación algebraica de
la solución de ecuaciones diferenciales lineales, y por lo tanto de sistemas lineales.
Una variación de la transformada de Laplace conocida como la transformada de
Laplace unilateral es muy adecuada para el estudio de sistemas causales con
condiciones iniciales.
4.1. Transformada de Laplace

Se define la transformada de Laplace de una función f (t), como
Z ∞
F (s) = f (t)e−st dt, α < Re{s} < β
−∞
donde la variable compleja s es s = σ + i2πu ó s = σ + iω, siendo σ y ω las partes

real e imaginaria respectivamente. Tanto la función en el tiempo f (t) como su
transformada F (s) en la frecuencia pueden tomar valores complejos. La expresión
4.2 Relación entre las transformadas de Fourier y Laplace 93
α < Re{s} < β con α y β reales define la región de convergencia: el conjunto

de valores de s para el cual la transformada de Laplace existe. La región de
convergencia se representa en el plano complejo (plano s).
Que la función f (t) tenga la transformada de Laplace F (s) lo indicaremos
como
F (s) = L{f (t)}
o
L
f (t) −→ F (s).
A menos que sea necesario no indicaremos el sı́mbolo L sobre la flecha ya que
si la frecuencia es indicada por la variable s se subentenderá la transformada de
Laplace y si la frecuencia se indica con u, la transformada de Fourier.
Nótese que en el caso particular cuando s = i2πu, se tiene
Z ∞
F (s) = f (t)e−i2πut dt,
−∞
que corresponde a la transformada de Fourier.

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

Laplace
En esta sección expondremos la motivación, desde el punto de vista de Fourier,
para definir la transformada de Laplace.
Si se tiene una función f (t) para la cual no existe transformada de Fourier
porque no se cumple la condición
Z ∞
|f (t)| dt < ∞, (4.1)
−∞
es razonable pensar en una envolvente de esta función para que sus valores tien-
dan a cero para tiempos lejanos (aproximando a −∞ y +∞). La exponencial
es especialmente apta para esto. Muchas funciones que no cumplen con (4.1)
sı́ cumplirán con la condición
Z ∞
|f (t)e−σt | dt < ∞. (4.2)
−∞
En estos casos podemos tomar la transformada de Fourier de f (t)e−σt en vez

de f (t). Esta transformada no sólo dependerá de la frecuencia u sino también del
parámetro σ que define la envolvente. Llamémosla F (σ, u).
Abs L(f(t))
Im s
Re s
Figura 4.2: Relación Transformada de Fourier - Transformada de Laplace
Z ∞ Z ∞
−σt −i2πut
F (σ, u) = f (t)e e dt = f (t)e−(σ+i2πu)t dt
−∞ −∞
Al definir s = σ + i2πu, tenemos que

Z ∞
F (s) = F (σ + i2πu) = F{f (t)e−σt } = f (t)e−st dt
−∞
Es decir, la transformada de Laplace se puede calcular obteniendo la trans-

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

En los siguientes ejemplos se calculará la transformada de Laplace para las
funciones (t) y e−at (t) y se presentará una tabla con pares de transformadas
de Laplace (tabla 4.1). Se aprovechará de dar una idea acerca del efecto de σ, la
constante de decaimiento en la exponencial.
4.3 Ejemplos de la transformada de Laplace 95
Im s
Re s
Figura 4.3: Región de convergencia de la transformada de Laplace del escalón
Ejemplo 4.3.1 Calculemos la transformada de Laplace, F (s), del escalón (t).
Z ∞
F (s) = (t)e−st dt
Z−∞
∞
= e−st dt
0
∞
e−st
=
−s 0
1
= Re{s} > 0
s
Nótese que para valores negativos de σ la transformada de Laplace no existe. La

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

a>0
cero: e−at (t). La transformada de Laplace es

Z ∞
F (s) = f (t)e−st dt
Z−∞
∞
= e−at (t)e−st dt
−∞
Z ∞
= e−(a+s)t dt
0
1
= Re{s} > −a
s+a
Las figuras 4.4 y 4.5 grafican la región de convergencia como un semi-plano dere-
cho en el espacio s para Re{s} > −a. Si a es positivo (fig. 4.4), o sea, el lı́mite
de la región de convergencia está a la izquierda del eje imaginario, la transfor-
mada de Fourier existirá, ya que ésta es la transformada de Laplace evaluada
en σ = 0, que está dentro de la región de convergencia. Si a < 0 (fig. 4.5), la
transformada de Fourier no existe ya que el eje imaginario está fuera de la región
de convergencia de la transformada de Laplace.
La figura 4.6 grafica la función compleja est de argumento real t en el plano s

para distintos valores de σ y ω. Observamos que al variar el valor de σ se modifica
4.4 Región de convergencia 97
Im s
Re s
Figura 4.5: Región de convergencia de la transformada de Laplace de e−at , t > 0,

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

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

de Laplace existe o converge se conocen como región de convergencia.
La región de convergencia es parte integral de la transformada de Laplace, ya
que dos señales diferentes pueden tener idénticas expresiones analı́ticas para la
transformada de Laplace y se distinguirán únicamente por la región de conver-
gencia.
La región de convergencia está formada por bandas paralelas al eje iω (i2πu)
en el plano s. Es decir, la región de convergencia depende solamente de la parte
real de s, σ o Re{s}. Ésta es la que determina la convergencia, porque e−σt
modifica la amplitud de la señal. La parte imaginaria e−iω no cambia la amplitud,
sólo su fase.
Re f(t)
Re f(t) Re f(t)
Im f(t)
Im f(t) Im f(t)
t t
Re f(t) Re f(t) Re f(t)
Im f(t) Im f(t) Im f(t)
t t t
Re f(t) Re f(t)
Re f(t)
Im f(t)
Im f(t) Im f(t)
t t
Figura 4.6: Tabla generalizada para est en el plano s en función de σ y ω
Im f(t)
1
Re f(t) Re f(t)
1
Im f(t) Im f(t)
Re f(t)
t t
Figura 4.7: Función est para σ < 0 y ω < 0

f (t) −→ F (s) Convergencia
e−at (t) −→ 1 σ > −a

s+a
−e−at (−t) −→ 1 σ < −a

s+a
(t) −→ 1 0<σ
s
t (t) −→ 1 0<σ
s2
δ(t) −→ 1 ∀s
δ0 (t) −→ s ∀s
(1 − e−at ) (t) −→ a max(0, −a) < σ

s(s + a)
cos(2πuc t) (t) −→ s 0<σ

s2 + (2πuc )2
sen(2πuc t) (t) −→ 2πuc 0<σ

s2 + (2πuc )2
te−at (t) −→ 1 −a < σ

(s + a)2
e−a|t| −→ 2a −a < σ < a

a2 − s2
senh( 12 s)
u(t) −→ 1 ∀s
2s
2
senh( 12 s)

∧(t) −→ 1 ∀s
2s
↑↑ (t) −→ cosh( 12 s) ∀s
↑↓ (t) −→ senh( 12 s) ∀s
Tabla 4.1: Pares de transformadas de Laplace

f(t)
Figura 4.8: f (t) = e−t (t > 0)

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

Z ∞ Z ∞
−|t| −st
F (s) = e e dt = e−|t| e−σt e−i2πut dt
−∞ −∞
Para t > 0 (figura 4.8) tenemos que
e−|t| e−σt = e−(1+σ)t

expresión que converge para σ > −1.
Para t < 0 (figura 4.9) tenemos que
et e−σt = e(1−σ)t
expresión que converge para σ < 1, luego la región de convergencia de la trans-

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

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

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

y por la izquierda (f (t) = 0, ∀t < a), la región de convergencia es el plano
s completo (suponiendo una función integrable), dado que
Z ∞
F (s) = f (t)e−st dt
−∞
Zb
= f (t)e−st dt
a
Z b
= [f (t)e−σt ]e−iωt dt
a
Z b
< M e−iωt dt
a
< ∞
y que f (t)e−σt es acotada en el intervalo (a, b).
En general todas las funciones limitadas en el tiempo convergen para todo
s.
Ejemplo 4.4.2 Sea f (t) = u(t). Su transformada de Laplace se puede

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

(f (t) = 0, ∀t < a) y tiene transformada de Laplace, la región de convergen-
cia corresponderá a todos los valores de s para los cuales Re{s} > σ0 , un
semi-plano derecho, ya que se puede encontrar un σ0 para el cual
|f (t)| = |g(t) (t − a)| < M eσ0 t (t − a)
luego
Z ∞ Z ∞
−st
|F (s)| ≤ |g(t) (t − a)e | dt = |g(t) (t − a)|e−σt dt
−∞ −∞
donde e−σt representa la magnitud de e−st , luego
∞
M e(σ0 −σ)a
Z
|F (s)| < M e(σ0 −σ)t dt = , σ > σ0
a σ − σ0
Nótese que σ0 puede tener un valor en el rango que va desde −∞ a +∞.
3. Análogamente, si f (t) = g(t) (b − t) es una función limitada en el tiempo

por la derecha (f (t) = 0, ∀t > b) y tiene transformada de Laplace, la
región de convergencia corresponderá a todos los valores de s para los cuales
Re{s} < σ0 , un semi-plano izquierdo.
4. Si f (t) es una función que no está limitada en el tiempo y Re{s} = σ0

está en la región de convergencia, la región de convergencia está formada
por una banda en el plano s, que incluye a Re{s} = σ0 .
4.5 Polos y ceros en el plano S 103
4.5. Polos y ceros en el plano S

Los valores de s para los cuales la transformada de Laplace diverge son cono-
cidos como los polos de la función, o polos del sistema si es que la función es
la respuesta al impulso de un sistema. En estricto rigor es donde la fórmula en
función de s de la transformada de Laplace, F (s), diverge, ya que la transformada
consta de dos partes: la fórmula F (s) y la región de convergencia, α < Re{s} < β.
Fuera de la región de convergencia la transformada de Laplace no existe aunque
la fórmula F (s) no diverja. En los polos, F (s) diverge, lo que forzosamente sig-
nifica que por un lado, en el lı́mite de la región de convergencia hay un polo, y
por otro que no hay polos dentro de la región de convergencia.
Los ceros de la función, o sistema, son los valores de s para los cuales F (s) es
cero.
Una clase de transformadas de Laplace muy importante, debido a la común
ocurrencia de exponenciales en sistemas reales, es la de fracciones polinomiales.
Es decir,
Z(s)
F (s) = , α < Re{s} < β
P (s)
donde Z(s) = am sm + am−1 sm−1 + · · · + a0 y P (s) = bn sn + bn−1 sn−1 + · · · + b0

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

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

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

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

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

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

La transformada de Laplace inversa es
Z c+i∞
1
f (t) = F (s)est ds
i2π c−i∞
donde c es una constante real cualquiera perteneciente a la región de convergencia
de F (s) (para la cual F (s) existe).
Esta fórmula de inversión es fácilmente encontrada si se emplea la relación
entre la transformada de Fourier y Laplace
F{f (t)e−σt } = F (s) /F −1

f (t)e−σt = F −1 {F (s)}
f (t) = eσt F −1 {F (s)}
Z ∞
= eσt F (σ + i2πu)ei2πut du
Z ∞ −∞
= F (σ + i2πu)e(σ+i2πu)t du.
−∞
Sustituyendo s = σ + i2πu, o sea du = ds/i2π, se tiene,

Z σ+i∞
1
f (t) = F (s)est ds.
i2π σ−i∞
Para encontrar la transformada inversa de Laplace raramente se recurre a
esta fórmula. Resulta más rápido aplicar las propiedades de la transformada para
4.7 Propiedades de la transformada de Laplace 109
reducir la expresión a un par conocido. Si F (s) tiene la forma de una fracción

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

Supongamos que f (t) −→ F (s) con α < Re{s} < β, entonces se tienen las
siguientes propiedades para la transformada de Laplace:
1. Similitud
1 s σ
f (at) −→ F α< <β
|a| a a
En particular, si a = −1 se tiene
f (−t) −→ F (−s) − β < σ < −α
2. Linealidad
af1 (t) + bf2 (t) −→ aF1 (s) + bF2 (s) máx(α1 , α2 ) < σ < mı́n(β1 , β2 )
3. Desplazamiento
f (t − a) −→ e−as F (s) α<σ<β
4. Convolución
f1 (t) ∗ f2 (t) −→ F1 (s)F2 (s) máx(α1 , α2 ) < σ < mı́n(β1 , β2 )
5. Multiplicación
c+i∞
1
Z
f1 (t)f2 (t) −→ F1 (ξ)F2 (s − ξ) dξ α1 + α2 < σ < β1 + β2
i2π c−i∞
α1 < c < β1
α2 < σ − c < β2
6. Modulación
La modulación es un caso especial de la propiedad de multiplicación, uno
muy importante por cierto.
1 1
f (t) cos ωt −→ F (s − iω) + F (s + iω) α<σ<β
2 2
La generalización de esta propiedad es
e−at f (t) −→ F (s + a) α < σ + Re{a} < β
7. Autocorrelación
f (t) ∗ f (−t) −→ F (s)F (−s) |σ| < mı́n(|α|, |β|)
8. Diferenciación
f 0 (t) −→ sF (s) α<σ<β
f (n) (t) −→ sn F (s) α<σ<β
9. Integración
t
1
Z
f (ξ) dξ −→ F (s) máx(0, α) < σ < β
−∞ s
∞
1
Z
f (ξ) dξ −→ F (s) α < σ < mı́n(0, β)
t s
4.8. Función de transferencia

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

salida y de la respuesta al impulso respectivamente, de un sistema (fig. 4.16).
La función H(s) es conocida como la función de transferencia del sistema.
H(s) es una función importante ya que como adelantamos en la sección 4.5
muchas propiedades de los sistemas lineales e invariantes en el tiempo están es-
trechamente relacionadas con la localización de polos y ceros en el plano s de esta
función, lo que a su vez se relaciona con la estabilidad del sistema.
4.8 Función de transferencia 111
Respuesta al impulso
x(t) x(t)*h(t)
*h(t)
Función de transferencia
X(s) X(s)H(s)
H(s)
Figura 4.16: Función de transferencia

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

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

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

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

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

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

4.8 Función de transferencia 113
Re H (Im H) Abs H (Ang H)
u u
Figura 4.18: Función de transferencia H(s) en función de u
que por linealidad es
L{y 00 } + aL{y 0 } + bL{y} = cL{x0} + dL{x}
que, a su vez, en vista de la propiedad de diferenciación, es
s2 Y (s) + asY (s) + bY (s) = csX(s) + dX(s)
Y (s)(s2 + as + b) = X(s)(cs + d)
cs + d
Y (s) = X(s)
s2 + as + b
Y (s) = H(s)X(s)
con
Y (s) cs + d
H(s) = = 2
X(s) s + as + b
Debido a que la transformada involucra una integral de −∞ a +∞, en la
función de transferencia no están consideradas las condiciones iniciales. Sı́ se
incluyen en la transformada de Laplace unilateral que veremos más adelante.
Ejemplo 4.8.2 Se tiene el sistema mecánico de la figura 4.19, el cual está con-
stituido por una masa m unida a un resorte de constante k y sometida a una
fuerza de roce fr , proporcional a la velocidad con constante µ .
Este sistema da origen a la siguiente ecuación diferencial:
d2 y dy
m 2
+ µ + ky = r(t),
dt dt
111111111
000000000
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111 111
000
0
1
k
000000000
111111111 0
1
y1
0
000000000
111111111
000000000 1
111111111 0
1
0
0
1 000000000
111111111 0
1
0
1 000000000 1
111111111 0
0
1
fr1
0 000000000
111111111
000000000
111111111
0
1
0
1 000000000
111111111
000000000
111111111
M
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
Figura 4.19: Modelo fı́sico
donde r(t) es la fuerza externa aplicada. Aplicando la transformada de Laplace

se tiene
ms2 Y (s) + µsY (s) + kY (s) = R(s)
y si r(t) = δ(t), Y(s) será la función de transferencia H(s)
ms2 H(s) + µsH(s) + kH(s) = 1,
es decir
1 1/M
H(s) = = 2
M s2 + µs + k s + sµ/M + k/M
Supongamos para poder graficarla, que k = 1, m = 0, 5 y µ = 1, 5, con lo que se
tiene
2
H(s) = ,
(s + 1)(s + 2)
empleando la transformada de Laplace inversa de la función de transferencia se
tiene la respuesta al impulso (fig. 4.20)
h(t) = 2(e−t − e−2t ).
La respuesta al escalón, que describe el hecho de soltar la masa en el instante

t=0 para dejar que la gravedad la tire hacia abajo, se puede encontrar convolucio-
nando la respuesta al impulso con el escalón o resolviendo nuevamente la ecuación
diferencial
4.9 Transformada de Laplace unilateral 115
h(t)
0.5
1 2 t
Figura 4.20: Respuesta al impulso para el sistema de segundo orden
Si r(t) = (t), entonces
y(t) = h(t) ∗ (t)

Z t
= h(ξ) dξ
= (1 − 2e−t + e−2t ) (t).
O, en el dominio de Laplace, empleando fracciones parciales

2 1 2 1
= − +
s(s + 1)(s + 2) s s+1 s+2
encontramos que la respuesta al escalón es
(1 − 2e−t + e−2t ) (t).
4.9. Transformada de Laplace unilateral

Se define la transformada de Laplace unilateral como
Z ∞
F1 (s) = f (t)e−st dt, Re(s) > α.
0
La diferencia con la transformada de Laplace (bilateral) está en que sólo se

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

elar fenómenos fı́sicos, ya que es apta para considerar condiciones iniciales. La
propiedad de la derivada (diferente a la de la transformada bilateral) como se ve
a continuación incluye las condiciones para el instante cero.
Para calcular la transformada de Laplace unilateral de la derivada tenemos
Z ∞
0
L1 {f (t)} = f 0 (t)e−st dt.
0
Integrando por partes
Z ∞
∞
L1 {f 0 (t)} = f (t)e−st 0 − f (t)(−se−st ) dt
Z ∞0
= −f (0) + s f (t)e−st dt
0
luego
L1 {f 0 (t)} = sF1 (s) − f (0)
En general
L1 (f (n) (t)) = sn F1 (s) − (f (n−1) (0) + sf (n−2) (0) + ... + sn−2 f 0 (0) + sn−1 f (0)).
Análogamente, para la propiedad de la integral se tiene
F (s) 1 0
Z Z
L1 { f (t) dt} = + f (t) dt
s s −∞
Ejemplo 4.9.1 La figura 4.21 muestra un circuito eléctrico RLC serie provisto
de una fuente de tensión continua y un interruptor que es cerrado en t = 0
(R = 5[Ω], L = 1[H] y C = 1/6[F ]).
4.9 Transformada de Laplace unilateral 117
Las condiciones iniciales del sistema son
i(0) = 0[A]
VC (0) = −6[V ]
y la ecuación diferencial que representa al circuito (válida con el interruptor
cerrado) es
di(t)
Z
+ 5i(t) + 6 i(t) dt = V (t) = (t),
dt
aplicando transformada de Laplace unilateral
Z 0
6 1
[sI(s) − i(0)] + 5I(s) + I(s) + i(t) dt =
s −∞ s
R0
donde C1 −∞ i(t)dt es el voltaje inicial en el condensador (t = 0).
Z 0
2
s I(s) + 5sI(s) + 6I(s) = 1 + si(0) − 6 i(t) dt
−∞
I(s)(s2 + 5s + 6) = 1 + 6
7
I(s) = 2
s + 5s + 6
separando en fracciones parciales
7 7
I(s) = −
s+2 s+3
y aplicando la transformada de Laplace inversa se tiene
i(t) = 7(e−2t − e−3t ) (t)
Bajo la suposición de que f (t) es una función causal y que f (t) no contiene
impulsos o funciones singulares en el origen se puede calcular el valor de f (0+ )
(valor inicial, se denota con 0+ para indicar que ocurre inmediatamente después
del cero y no en el transiente) directamente a partir de la transformada de Laplace,
con
f (0+ ) = lı́m sF (s)
s→∞
y por otra parte el valor de f (t) cuando t → ∞ (valor final) es
lı́m f (t) = lı́m sF (s)

t→∞ s→0
4.10. Ejercicios
1. Encuentre la región de convergencia de la transformada de Laplace para las
siguientes funciones (basta inspeccionar la función, no es necesario encontrar
la transformada completa):
a) (t)
b) t (t)
c) t2 (t)
d) te−t (t)
e) 3e−2t (t)
f ) u(t)
√
g) e− t (−t)
h) (1 + t2 )−1
i) (1 + t3 )−1 (t)
j ) (1 + t3 )−1
k ) (log t) (t)
l) sgn(t)
m) log t
n) t−1 u (t)
ñ) t−1
o) δ(t)
2. Encuentre la transformada de Laplace, indicando la región de convergencia

de las siguientes funciones:
a) (e−t − et ) (t)
b) e−|t|
c) (et − e−t ) (−t)
d) u(t)
e) u(t − 1/2)
f ) ∧(t)
4.10 Ejercicios 119
3. Encuentre tres funciones diferentes que tengan la transformada de Laplace

1
F (s) = .
(s − 1)(s + 1)
Para cada función determine la región de convergencia. ¿Cuál de ellas tiene

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

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

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

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

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

f (t) y el segundo g(t). La entrada al sistema total es x(t) y la salida es y(t).
Si
f (t) = (b − a)ebt (t) + δ(t)
g(t) = eat (t)
y
x(t) = δ0 (t) − bδ(t)
encuentre y(t).
10. Para el sistema de la figura
a) Encuentre la respuesta al impulso

b) Encuentre la función de transferencia (Laplace y Fourier)
c) Explique cómo es la salida del sistema si la entrada es (t)f (t)
x(t) y(t)
+ Integral
-
Retardo T
11. Si dos sistemas causales tienen respuestas al impulso h1 (t) y h2 (t) cuyas
transformadas de Laplace son H1 (s) y H2 (s), se dicen inversos si la re-
spuesta al impulso del sistema resultante de colocarlos en cascada es δ(t).
¿En general, cuál es la relación que debe existir entre H1 (s) y H2 (s)? ¿Si
la respuesta al impulso de los dos sistemas decae en forma exponencial con
el tiempo, qué puede decir de la ubicación de los polos y ceros de H1 (s)? Si
h1 (t) = (t)(1 − e−2t ) encuentre H2 (s) y h2 (t). Grafique h1 (t), h2 (t) y el
diagrama de polos y ceros para H1 (s) y H2 (s).
12. Resuelva las siguientes ecuaciones diferenciales para y(t), (t > 0), sujetas a
las condiciones iniciales y(0+ ), y 0 (0+ ), ...
a) y 0 (t) + 2y(t) = 1
b) y 0 (t) + 2y(t) = 0
c) 3y 0 (t) − y(t) = sen t
d) y 00 (t) + 2y 0 (t) + y(t) = 2
e) y 00 (t) + 2y(t) = 1
f ) y 00 (t) + 2y 0 (t) = sen t
g) y 00 (t) + 2y 0 (t) + 3y(t) = cos t
13. Encuentre las funciones causales que tienen las siguientes transformadas de
Laplace. Indique cuál es la región de convergencia.
a)
1
F (s) =
s(s + 1)
b)
s+1
F (s) =
(s + 2)(s + 3)
4.10 Ejercicios 121
c)
e−s
F (s) =
s−1
d)
(s + 3)(s + 4)(s + 5)
F (s) =
(s + 1)(s + 2)
e)
s
F (s) =
(s + 1)2 (s + 2)
14. Demuestre las siguientes propiedades para la transformada de Laplace bi-

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

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

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

puede suponer que F (c + i2πu) → 0 y G(c + i2πu) → 0 cuando u → ±∞.
a)
∂
G(s) = F (s)
∂u
b)
G(s) = F 0 (s)
c)
c+i2πu
1
Z
G(s) = F (ξ) dξ (c ∈ Región de convergencia)
i2π c−i∞
17. La función de transferencia de un sistema es
H(s) = e−sT cosh(s/8).
¿Es el sistema lineal? ¿Es el sistema invariante en el tiempo? Justifique su

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

tre la transformada de Laplace de

t−c
g(t) = ebt f .
p
¿Qué puede decir de los polos de G(s)?
19. Encuentre la transformada de Laplace inversa de
eαT − e−sT
F (s) = , σ > −α.
s+α
20. Sea F (s) la transformada de Laplace de f (t) y sea A un cı́rculo centrado

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

ida sea x(t) = (t){Ae−t + 43 te−3t } cuando la entrada es u(t) = (t)e−t .
Encuentre el valor de A.
22. La figura representa un sistema de control realimentado, en el que la planta

está definida por una función de transferencia dada por el cuociente de
polinomios en s:
N (s) n0 + n1 s + n2 s2 + · · ·
H(s) = = .
D(s) d0 + d1 s + d2 s2 + · · ·
4.10 Ejercicios 123
¿Qué condición deben cumplir los coeficientes de los polinomios de la planta

para que el error tienda a cero, es decir, para que lı́mt→∞ e(t) = 0, cuando
la entrada r(t) es (t)?
23. Encuentre cualquier función f (x) que tenga el siguiente diagrama de polos
en el plano s (los 16 polos están uniformemente repartidos en la circunfer-
encia unitaria) y cuya región de convergencia es σ > 1.
24. Se sabe que la transformada de Fourier de sechπx = 2(eπx + e−πx )−1 es

sechπu. Encuentre la transformada de Laplace de sechπx con su región de
convergencia.
25. La transformada de Laplace de la respuesta al impulso, h(t), de un sistema

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

sistema de control, Hc (s). La respuesta al impulso del sistema de control es
hc (t) = kδ(t) y la del proceso es h(t) = e2t (t).
a) ¿Es estable el proceso H(s) (entrada x(t) y salida y(t))? ¿Por qué?
b) ¿Qué valores puede tomar k para que el sistema total, de entrada r(t)
y salida y(t), sea estable?
27. Se define la señal dientes(t) como en la figura (0 para t < 0).
a) Encuentre la transformada de Laplace de dientes(t) en forma cerrada,

es decir, una fórmula que no involucre series. No olvide especificar la
región de convergencia.
b) Encuentre la transformada de Laplace de f (t) = δ(t) − δ(t − 2).
c) Grafique la convolución f (t) ∗ dientes(t).
d) Encuentre la transformada de Laplace de la convolución dientes(t) ∗
f (t) y compruebe que es el producto de lo encontrado en las letras (a)
y (b).
1
28. La transformada de Laplace (LT) de f (t) = e−t (t) es F (s) = s+1 con
σ > −1. Si hacemos la división larga, se tiene
1
= s−1 − s−2 + s−3 − · · ·
s+1
∞
X
= − (−1)k s−k = G∞ (s)
k=1
El lado derecho siguie siendo la LT de f (t), pero ahora con σ > 0, de manera
que cada s−k tiene una LT inversa. Si quisieramos aproximar F (s) con n
términos, se tiene
F (s) = Gn (s) + R(s)
a) Encuentre el residuo R(s) y su LT inversa (σ > 0).

b) Encuentre gn (t), la LT inversa de Gn (s) con σ > 0.
4.10 Ejercicios 125
c) ¿Si se quiere aproximar f (t) con gn (t) en el rango t =] − ∞ 32 ] con

una precisión de a lo más 25 %, qué valor de n elegirı́a? La precisón se
define como
f (t) − g(t)
p = máx

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

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

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

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

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

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

s
F (s) = con Re{s} > 1?
s−1
36. ¿Cuál es la transformada de Laplace de (t)? No olvide especificar la región

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

CAPÍTULO 5
MUESTREO, SISTEMAS
LINEALES Y CONVOLUCIÓN
DISCRETA
El avance tecnológico de los computadores digitales ha permitido que el cálcu-

lo y procesamiento de números sea muy rápido, versátil y preciso. Los computa-
dores son, por esto, herramientas poderosas para procesar señales discretas. En él,
una señal discreta es simplemente una lista de números. Como la mayorı́a de los
sistemas fı́sicos entregan señales continuas, para emplear un computador es nece-
sario convertir la señal continua en una discreta. En el procesamiento de señales
eléctricas, el componente que cumple esta función es conocido como convertidor
análogo/digital (A/D).
Ası́ como las señales continuas son representadas por la función continua
f (t), las señales discretas serán descritas con una secuencia de números f [n]. Los
paréntesis cuadrados indican que n sólo puede tomar valores enteros. La variable
n es un ı́ndice que numera las muestras.
Ejemplos de señales discretas son
f [n] = (..,2, 1, 2, 1, 2, ...),
y
f [n] = (..,0, 0, 0, 0, 1, 2, 0, 0, 0, ...) = (1, 2).
Para abreviar escritura, los ceros del comienzo y el final, como en el segundo
ejemplo, se pueden omitir. Para que la representación de la señal sea completa,
127
128 Muestreo, sistemas lineales y convolución discreta
es necesario especificar cuál es el origen para el ı́ndice n. Cuando sea necesario lo

indicaremos subrayando el valor en el origen n = 0. Por ejemplo f [n] = (1, 2) o
f [n] = (1, 2).
En relación a las señales discretas, surgen con frecuencia funciones periódicas,
por lo que adoptaremos una notación especial para explicitar la periodicidad. Si
la función continua f (x) es periódica, la denotaremos como f˜(x). Lo mismo para
las señales discretas, f˜[n]. De esta manera, basta especificar un solo periodo, por
ejemplo, f˜[n] = (1, 2) significa f [n] = (..,2, 1, 2, 1, 2, ...).
5.1. Muestreo
El proceso de convertir una señal continua en una discreta se conoce como
muestreo, es decir, consiste en obtener muestras, un número finito de ellas (o por
lo menos numerable), de una función continua. Es corriente que las muestras sean
tomadas a distancias o intervalos regulares. Por ejemplo, si la función continua
es f (x) y el intervalo de muestreo con el que se obtuvo las muestras f [n] es T ,
las muestras serán obtenidas en los valores x = nT .
Si las muestras tienen un valor igual al valor de la función continua, evaluada
en la posición de la muestra, es decir, f [n] = f (nT ), el muestreo se conoce como
muestreo de amplitud. Esta operación está estrechamente ligada a la propiedad
del cedazo del impulso (sección 1.10.2),
Z ∞
δ(x − nT )f (x) dx = f (nT ),
−∞
que indica que δ(x − nT )f (x) tiene un área bajo la curva de f (nT ), es decir, el
impulso δ(x − nT )f (x) tiene una magnitud igual a f (nT ). Esta propiedad nos
permite establecer un nexo entre las funciones continuas y discretas. Se puede
decir que una función discreta es la secuencia que forman las magnitudes de un
tren de impulsos. Llamaremos fs (x) a tal tren de impulsos. Nótese que fs (x) es
una función continua que vale cero en todo el dominio, excepto en las posiciones
de las muestras,
∞
X
fs (x) = f (x)δ(x − nT )
n=−∞
1 x
= ( )f (x).
T T
La función shah es conocida, por esto, como la función de muestreo. En este
caso 1/T (x/T ) representa un tren de impulsos unitarios (el factor 1/T se explica
5.2 Convertidor análogo digital 129
f(x)
1/T Shah(x/T)
x
f[n]
=
Figura 5.1: Muestreo
en la sección 1.10.3) ubicados a intervalos T . La figura 5.1 grafica la operación

de muestreo como una multiplicación con un shah.
Debido a razones, tanto de orden práctico (no existe un instrumento que
pueda medir en forma instantánea una amplitud) como teórico (conservación
de energı́a), se prefiere emplear muestreo de área. En el muestreo de área las
muestras no son iguales a la amplitud sino a un área. En el caso más simple y
más común, esa área corresponde a la multiplicación del intervalo de muestreo T
por la amplitud, f [n] = T f (nT ), con lo que el tren de impulsos asociado es
∞
X
fs (x) = T f (x)δ(x − nT )
n=−∞
x
= ( )f (x).
T
5.2. Convertidor análogo digital

Un convertidor análogo digital (A/D) es un circuito eléctrico que transforma
una señal continua (análoga) en una señal discreta (digital). En estricto rigor, una
señal digital es más restrictiva que una señal discreta. La señal digital no sólo
es discreta en la variable independiente, el tiempo por ejemplo, (una secuencia

de números) sino que también lo es en amplitud. Los números que componen la
secuencia de una señal digital tienen una precisión limitada, dada por el número
de bits empleados para representar cada muestra, por lo que sólo pueden tomar
valores discretos.
El convertidor A/D puede pensarse como un muestreador ideal seguido de
un cuantizador. El primero entrega una secuencia de números reales (precisión
infinita) y el segundo los aproxima a una representación binaria con un número
limitado de bits. Si N es el número de bits empleados para representar cada
muestra, ésta tomará un valor de entre los 2N posibles. La diferencia entre la
muestra con precisión infinita y la aproximación digital se conoce como ruido de
cuantización. En muchos casos el ruido de cuantización es una variable aleatoria
con distribución uniforme de −1/2 bit a +1/2 bit.
En este libro no se considera cuantización, es decir, se suponen señales disc-
retas y no digitales. En la mayorı́a de los casos, ésto no es una limitación fun-
damental porque la velocidad cada vez mayor y el costo cada vez menor de los
sistemas digitales permiten emplear mayores precisiones, con la cual el ruido de
cuantización es minimizado. Claro que también se podrı́a argumentar, con las
mismas razones, que el muestreo puede hacerse cada vez con menores intervalos
de tiempo o espacio con lo que bastarı́a estudiar las señales continuas ya que las
discretas se le aproximarı́an cada vez más. En cierta medida, eso puede ser cierto
y explica el fuerte hincapié que se le da a la relación entre las transformadas
discretas y las continuas en los próximos capı́tulos.
5.3. Teorema del muestreo

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

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

5.4 Convolución discreta 131
En otras palabras, el teorema de Nyquist establece que una función continua

de ancho de banda limitado puede ser recuperada de sus muestras, siempre que
éstas hayan sido obtenidas con una frecuencia de muestreo superior a dos veces
la máxima frecuencia contenida en la función original.
La demostración de este teorema surgirá en forma trivial cuando veamos el
nexo entre la transformada de Fourier y la transformada de Fourier de tiempo
discreto.
5.4. Convolución discreta

La convolución discreta lineal, o producto serial, de las funciones discretas
f [n] y g[n] se define como
∞
X ∞
X
f [n] ∗l g[n] = f [m]g[n − m] = f [n − m]g[m],
m=−∞ m=−∞
donde se ha empleado el sı́mbolo ∗l para especificar claramente que esta con-

volución es lineal, en contraposición a la convolución cı́clica que veremos más
adelante.
Ejemplo 5.4.1 Sea f [n] = (1 2 4 3 2) y g[n] = (1 2 2), entonces f [n]∗l g[n] =

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

y Q son los largos de las secuencias originales.
5.5. Convolución cı́clica

La convolución lineal de señales periódicas tı́picamente diverge. Por ejemplo
¿Cuánto es f˜[n] ∗l g̃[n], con f˜[n] = (1 2 3 4) y g̃[n] = (1 2)?
(... 1 2 3 4 1 2 3 4 1 ...) ∗l (... 1 2 1 2 1 2 1 2 1 ...)

Evidentemente la convolución lineal diverge. Dado que las señales periódicas son
naturales para el análisis de señales discretas, es necesario definir la convolución
de ellas.
La convolución de señales discretas se conoce como convolución cı́clica. Sea
f [n] una secuencia de largo P y g[n] una secuencia de largo Q, con P ≥ Q. Se
define la convolución cı́clica como
Q−1
X
f [n] ∗ g[n] = f [n − m|P ]g[m]
m=0
donde la notación [x|P ] indica el ı́ndice x módulo P . En general la convolución

cı́clica se usa para señales del mismo largo (o igual perı́odo). Quizás el uso más
tı́pico para P 6= Q es cuando se quiere aplicar un filtro de respuesta al impulso
finita (FIR) a una señal dada. Nótese que esta fórmula es directamente aplicable
a señales periódicas si sólo se considera un perı́odo
h[n] = f [n] ∗ g[n]
y
h̃[n] = f˜[n] ∗ g̃[n]
donde h̃[n], f˜[n] y g̃[n] tienen periodos iguales a h[n], f [n] y g[n] respectivamente.
Ejemplo 5.5.1 La convolución cı́clica de una función cualquiera
f˜[n] = ( −1, 4 − 1, 1 − 0, 4 0, 0 0, 1 − 0, 2 − 0, 4 − 0, 2 0, 3 0, 9
1, 1 0, 9 0, 6 0, 6 1, 1 1, 7 2, 1 2, 0 1, 7 1, 6)
y la función asinc
g̃[n] = ( 6, 5 2, 8 − 1, 3 − 0, 2 0, 8 − 0, 5 − 0, 2 0, 6 − 0, 3 − 0, 2
0, 5 − 0, 2 − 0, 3 0, 6 − 0, 2 − 0, 5 0, 8 − 0, 2 − 1, 3 2, 8)
es
f˜[n] ∗ g̃[n] = ( −8, 8 − 13, 8 − 3, 7 1, 9 − 0, 3 − 1, 6 − 2, 8 − 2, 9 3, 3

9, 7 10, 3 8, 8 6, 7 5, 1 10, 3 18, 3 19, 6 19, 2 20, 5 10, 5)
La figura 5.2 muestra una representación gráfica en que las señales son dispuestas
en forma circular (de ahı́ el nombre cı́clica).
Finalmente, es importante recalcar que el sı́mbolo de convolución ∗ cuando

esté aplicado a señales discretas, siempre se referirá a la convolución cı́clica.
5.5 Convolución cı́clica 133
(a) f [n]
(b) g[n]
(c) f [n] ∗ g[n]
Figura 5.2: convolucion cı́clica (c) entre un asinc (b) y una función cualquiera
(a)
5.6. Respuesta al impulso

Siguiendo exactamente el mismo raciocinio que para los sistemas continuos
(sec. 2.3), la salida de un sistema discreto lineal e invariante es una convolución
lineal de la entrada con la respuesta al impulso.
Un impulso discreto es
δ[n] = (1) = (... 0 0 1 0 0 ...).
Sea f [n] la señal de entrada al sistema lineal discreto L{·}. La salida g[n]
estará dada por
g[n] = L{f [n]},
pero f [n] puede ser descompuesta como
∞
X
f [n] = f [m]δ[n − m],
m=−∞
es decir, una suma de funciones delta discretas uniformemente repartidas en el

espacio, cada una con un peso correspondiente al valor de la señal f [n] en ese
lugar.
La salida del sistema es
∞
X
g[n] = L{ f [m]δ[n − m]},
m=−∞
y por la propiedad de linealidad

∞
X
g[n] = f [m]L{δ[n − m]},
m=−∞
de manera que la respuesta del sistema a la función delta, h[n, m] = L{δ[n − m]}
(para todos los valores de n y m) es suficiente para definir el sistema por completo:
∞
X
g[n] = f [m]h[n, m].
m=−∞
Si el sistema lineal es también invariante en n, se tiene
h[n, m] = h[n − m] = L{δ[n − m]}
por lo que
∞
X
g[n] = f [m]h[n − m].
m=−∞
5.6 Respuesta al impulso 135
Esta última ecuación es una convolución lineal de las funciones f [n] y h[n],
g[n] = f [n] ∗l h[n]
En el caso de los sistemas continuos es posible definir una función de transfer-

encia debido a que la propiedad de la convolución involucra la convolución lineal.
Es decir, se puede expresar la convolución en el espacio como una multiplicación
en la frecuencia. Como veremos más adelante, en el caso discreto, la propiedad
de la convolución de la transformada de Fourier conecta la multiplicación con la
convolución cı́clica y no la lineal. Esto hace que no se pueda definir una función de
transferencia de Fourier para sistemas discretos, por lo menos en forma directa.
¡Qué lástima!
5.7. Ejercicios
1. Muestre que una función periódica p(t) de perı́odo unitario siempre puede
ser expresada en la forma (t) ∗ f (t) de infinitas maneras. Relacione esto
con el hecho que infinitas funciones distintas pueden compartir el mismo
conjunto de muestras.
2. Exprese el tren de pulsos cuadrados

∞
X
u(10(x − n))
n=−∞
en la forma (x) ∗ f (x) de tres maneras distintas.
3. La función cos(ωt − φ) es muestreada a la frecuencia crı́tica (ω/2π Hz).

Divida la función en su parte par e impar y muestre que las muestras corre-
sponden sólo a las muestras de la parte par. Explique cómo es muestreada
la parte impar.
4. Calcule las siguientes convoluciones discretas
a) (1 2 1) ∗ (1 2 1)
b) (1 2 1) ∗l (1 2 1)
c) (1 1) ∗l (1 1 1 4 1 1 1)
d) (1 − 1) ∗l (1 1 1 4 1 1 1)
e) (1 0 1 0) ∗ (0 1 0 1)
f ) (1 0 1 0) ∗l (0 1 0 1)
g) (1 1) ∗l (1 1) ∗l (1 1)
h) (1 − 1) ∗l (1 − 1)
i) (1 − 1) ∗l (1 − 1) ∗l (1 − 1)
j ) (1 0 0 0 0) ∗ (1 2 3 4 5)
k ) (0 0 0 0 1) ∗ (1 2 3 4 5)
5. Conecte uno o más (los menos posibles) de los siguientes bloques para re-
alizar una convolución cı́clica discreta entre f [n] y g[n], ambas de largo
N.
h es la correlación discreta lineal entre f y g.
g es una secuencia con los mismos elementos que f pero en orden
inverso.
5.7 Ejercicios 137
g es la secuencia formada al replicar f s veces (s es entero real).
g es una secuencia igual a f , pero con s ceros después del último

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

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

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

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

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

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

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

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

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

CAPÍTULO 6
DISCRETA
En este capı́tulo se examinarán las distintas versiones que adopta la transfor-

mada de Fourier para el análisis de señales en las que el tiempo (o espacio), la
frecuencia o ambos son variables discretas. Las versiones discretas de la transfor-
mada de Laplace se verán en el capı́tulo siguiente.
6.1. Introducción
La teorı́a de sistemas lineales continuos, incluyendo el análisis de Fourier,
habı́a alcanzado un gran desarrollo cuando aparecieron los sistemas digitales y
los primeros computadores. A partir de entonces los sistemas discretos han ido
tomando cada vez más importancia.
A pesar que es posible presentar los sistemas discretos como una teorı́a inde-
pendiente, hemos preferido presentarlos en conexión con los sistemas continuos y
ası́ aprovechar la intuición ya formada en éstos. Obtendremos la transformada de
Fourier discreta a partir de la continua apoyándonos en los conceptos relativos al
muestreo de señales.
Las distintas formas que adopta la transformada de Fourier quedan determi-
nadas por el tipo de señal que se está interesado en examinar, es ası́ como para
realizar un análisis de frecuencia de una señal discreta, es necesario antes definir
una transformada de Fourier de tiempo discreto o DTFT (Discrete Time Fourier
139
140 Transformada de Fourier discreta
po
em
Ti
Aperiódica
Continua
FT DFFT
DTFT DFT
Discreta
Periódica
ia
nc
Continua Discreta
ue
ec
Fr
Figura 6.1: Transformada de Fourier de tiempo discreto
Transform)1 . Por razones históricas se habla de la transformada de Fourier de

tiempo discreto y no de espacio discreto. El tiempo era la variable independiente
más común, quizás la única, en el pasado. Para señales de frecuencia discreta, no
el espacio (éste es el caso de las señales periódicas), se define la transformada de
Fourier de frecuencia discreta o DFFT (Discrete Frequency Fourier Transform).
Por último, para aquellas funciones en que tanto espacio como frecuencia son
variables discretas, se define la transformada de Fourier discreta o simplemente
DFT (Discrete Fourier Transform).
6.2. Transformada de Fourier de tiempo discreto

Una señal discreta se puede representar como muestras de una señal continua.
Aunque esta representación pueda no tener ninguna relación con la realidad,
es una buena herramienta matemática para obtener la transformada de Fourier
de una función discreta en el tiempo. La figura 6.1 muestra la clasificación de
la DTFT como una transformación válida para señales de tiempo discretas y
frecuencia continua y periódica.
En esta sección encontraremos una expresión para la transformada de Fourier
en el caso en que la señal es discreta (explı́citamente usaremos tiempo y no espacio
discreto). Sea f [n] la señal de tiempo discreto de la cual nos interesa conocer su
contenido de frecuencia. Para aprovechar toda la teorı́a que ya desarrollamos
1
Conservaremos las siglas en inglés para evitar confusión con textos en ese idioma.
6.2 Transformada de Fourier de tiempo discreto 141
para la transformada de Fourier continua, emplearemos una función auxiliar f (t)

continua. A esta función continua le pedimos que en t = nT sea igual a f [n]/T , es
decir, f [n] = T f (nT ). El factor T aparece porque queremos emplear muestreo de
área. Para no complicar el desarrollo también le vamos a pedir a f (t) que sea de
ancho de banda limitado, es decir, si F (u) es la transformada de Fourier de f (t),
entonces F (u) = 0 para |u| > 1/2T . Esta condición simplifica la representación
gráfica del procedimiento, pero no es una condición necesaria, aunque siempre es
posible encontrar tal función.
Sea f (t) una función continua tal que f [n] = T f (nT ) y sea fs (t) la función
f (t) muestreada con impulsos a intervalos regulares distanciados en T .
∞
X
fs (t) = (t/T )f (t) = T f (t)δ(t − nT )
n=−∞
Vamos a definir la transformada de Fourier de tiempo discreto (DTFT) de f [n]

como la transformada de Fourier de fs (t). Recordando que fs (t) es una función
continua, por lo que es válido tomar la transformada de Fourier continua, se tiene
∞
X
Fs (u) = T f (nT )F{δ(t − nT )}
n=−∞
X∞
= T f (nT )e−i2πunT .
n=−∞
Se define la transformada de Fourier de tiempo discreto como

∞
X
F̃ (u) = f [n]e−i2πunT
n=−∞
Para encontrar la inversa usaremos

Z ∞
−1
f (t) = F {F (u)} = F (u)ei2πut du,
−∞
que es equivalente a
Z 1/T
f (t) = F̃ (u)ei2πut du,
0
porque en el intervalo [−1/2T, 1/2T ] las funciones F (u) y F̃ (u) son idénticas y
porque se supone F (u) = 0 fuera de ese intervalo. Ya que F̃ (u) es periódica el
intervalo se puede reemplazar por [0, 1/T ].
f(t) F(u)
t u
Shah(t/T) Shah(Tu)
x *
t u
f[n] F(u)
= =
t u
Figura 6.2: Representación grafica de la obtención de la DTFT
Para encontrar f [n] a partir de f (t), usamos f [n] = T f (nT ), por lo que la
transformada de Fourier de tiempo discreto inversa es
Z 1/T
f [n] = T F̃ (u)ei2πunT du.
0
La figura 6.2 muestra el proceso de muestreo de una señal continua y su efecto

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

reta. Consideremos g(t) = u( τt ) cuya transformada de Fourier es G(u). Si g(t)
es muestreada con ((2N + 1) τt ) de manera que existen 2N + 1 muestras en el
intervalo τ se obtiene la señal discreta de la figura 6.3.
6.2 Transformada de Fourier de tiempo discreto 143
f(t)
F(u)
t u
x
Shah(t/T)
* Shah(Tu)
t u
=
f[n]
= F(u)
t u
Figura 6.3: La DTFT de la función rect.
La DTFT de g[n] es
N
X
G̃(u) = e−i2πunT
n=−N
τ
con T = 2N +1
Redefiniendo n como m-N se tiene
2N
X
G̃(u) = e−i2πu(m−N )T
m=0
2N
X
= ei2πuN T e−i2πumT
m=0
utilizando la serie geométrica

M −1
X 1 − xM
xn =
1−x
n=0
1 − e−i2πu(2N +1)T
G̃(u) = ei2πuN T
1 − e−i2πuT
cio
pa
Es
Aperiódica
Continua
FT DFFT
DTFT DFT
Discreta
Periódica
ia
nc
Continua Discreta
ue
ec
Fr
Figura 6.4: Transformada de Fourier de frecuencia discreta
que se puede escribir como

T T T
e−i2πu 2 ei2πu(2N +1) 2 − e−i2πu(2N +1) 2
G̃(u) = T T T ,
e−i2πu 2 ei2πu 2 − e−i2πu 2
es decir,
sen[πuT (2N + 1)]

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

6.3.1. Definición
En esta sección encontraremos la transformada de Fourier de frecuencia disc-
reta (DFFT). Esta transformada encuentra las componentes de Fourier para una
función periódica y continua en el tiempo o espacio(fig 6.4). La transformada
resulta discreta, es decir, tiene valores para un conjunto finito de frecuencias,
y como veremos , no es otra cosa que la serie de Fourier que ya empleamos co-
mo introducción a la transformada de Fourier continua (sección 3.1). En forma
6.3 Transformada de Fourier de frecuencia discreta 145
análoga a la DTFT vamos a derivar una expresión para la DFFT empleando una
función auxiliar f (x). Esta función será limitada en el espacio, es decir, f (x) = 0
para |x| > 1/2U . La transformada de Fourier de f (x), F (u) será muestreada
a intervalos regulares en la frecuencia de largo U . Al igual que para la DTFT
emplearemos muestreo de área:
F [k] = U F (kU ).
La versión muestreada de F (u) es

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

F [k] como la transformada de Fourier inversa de Fs (u). Nuevamente es bueno
recordar que Fs (u) es una función continua, por lo que es válido tomar la trans-
formada de Fourier inversa continua.
∞
X
fs (x) = U F (kU )F −1 {δ(u − kU )}
k=−∞
X∞
= U F (kU )ei2πkU x
k=−∞
Se define la transformada de Fourier de frecuencia discreta inversa

como
∞
˜
X
f (x) = F [k]ei2πkU x
k=−∞
Para encontrar la transformada directa usaremos

Z ∞
F (u) = F{f (x)} = f (t)e−i2πux dx,
−∞
que es equivalente a
Z 1/U
F (u) = f˜(x)e−i2πux dx,
0
porque en el intervalo [−1/2U, 1/2U ] las funciones f (x) y f˜(x) son idénticas y
porque se supone f (x) = 0 fuera de ese intervalo. Ya que f˜(t) es periódica el
intervalo se puede reemplazar por [0, 1/U ].
f(x) F(u)
x u
Shah(Ux) Shah(u/U)
* x
x u
f(x) F[k]
= =
x u
Figura 6.5: Representación gráfica de la obtención de la DFFT
Para encontrar F [k] a partir de F (u), usamos F [k] = U F (kU ), por lo que la
transformada de Fourier de frecuencia discreta es
Z 1/U
F [k] = U f˜(x)e−i2πkU x dx
0
La figura 6.5 muestra la obtención de la DFFT en forma gráfica.
Ejemplo 6.3.1 Como en el ejemplo 3.1.1 calcularemos la DFFT de una señal

periódica rectangular.
Aplicando la definición de la DFFT se tiene, con U = 1/T
6.3 Transformada de Fourier de frecuencia discreta 147
T
T
1 1
Z Z
4
−i2πk Tx x
F [k] = e dx + e−i2πk T dx
T 0 T 3T
4

1 T −i2πk 41 −i2πk −i2πk 34
= (e −1+e −e )
T −i2πk

1 T kπ 3kπ
= (−i sen( ) + i sen( ))
T −i2πk 2 2
sen(kπ/2)
=
kπ
es decir,
1
sinc (k/2)
F [k] =
2
exactamente igual a las series de Fourier
6.3.2. Relación con las series de Fourier

Como introducción a la transformada de Fourier, presentamos las series de
Fourier, que son aplicables a funciones periódicas, y con las que se obtienen
coeficientes discretos en la frecuencia. Es evidente como lo muestra el ejemplo
6.3.1 que las series de Fourier no son otra cosa que la DFFT.
De la sección 3.1.3 sabemos que toda función periódica f˜(x) puede ser expre-
sada como una combinación lineal de senos y cosenos a través de la expresión
∞
f˜(x) =
X
Ck eikω0 x ,
k=−∞
donde ω0 corresponde a la frecuencia fundamental.

Nótese que Ck corresponde a un parámetro discreto, es decir, solo existe para
valores enteros de k. Luego, tanto las series de Fourier como la DFFT son apli-
cables a funciones periódicas y cuyo resultado es discreto.
La transformada de Fourier de frecuencia discreta inversa es
∞
f˜(x) =
X
F [k]ei2πkU x .
k=−∞
Mediante la simple sustitución de Ck por F [k] y de ω0 por 2πU , observamos

que ambas expresiones son idénticas. En consecuencia podemos darle una nueva
cio
pa
Es
Aperiódica
Continua
FT DFFT
DTFT DFT
Discreta
Periódica
ia
nc
Continua Discreta
ue
ec
Fr
Figura 6.6: Transformada de Fourier discreta
interpretación a la DFFT, ésta es, entenderla como una combinación lineal de

sinusoides de distinta magnitud.
De igual forma podemos encontrar la equivalencia para la DFFT y los coefi-
cientes de la serie de Fourier
T0 1/U
1
Z Z
Ck = f˜(x)e−ikω0 x dx = U f˜(x)e−i2πkU x dx = DF F T (f˜(x))
T0 0 0
1 2π
donde T0 = U y ω0 = T0 .
6.4. Transformada de Fourier discreta

6.4.1. Definición
La transformada de Fourier discreta se emplea para encontrar el contenido
de frecuencia de funciones que son periódicas y discretas. Esto implica que en el
dominio de la frecuencia también serán periódicas (porque en el espacio son disc-
retas) y discretas (porque en el espacio son periódicas) como se ve en la figura 6.6.
Es importante mencionar que históricamente la transformada de Fourier discreta
(DFT) fue desarrollada en forma prácticamente independiente de la transformada
de Fourier continua. La conexión entre ambas se limitó sólo, por mucho tiempo,
a decir que la DFT es una aproximación de la transformada de Fourier. Es rela-
tivamente reciente la conexión teórica que desarrollaremos en esta sección.
6.4 Transformada de Fourier discreta 149
Cuando en las secciones anteriores encontramos la DTFT y la DFFT llegamos

a la mitad del camino entre la FT y la DFT. En la DTFT falta discretizar la
frecuencia y en la DFFT falta discretizar el espacio. A pesar de que serı́a suficiente
trabajar a partir de sólo una transformada semi-discreta (la DTFT o la DFFT),
vamos a emplear las dos para encontrar la DFT.
Primero usemos el par DFFT
f˜(x) −→ F [k]
y discreticemos el tiempo con
f˜[n] = T f˜(nT ),
lo que se logra considerando la función muestreada
∞
f˜s (x) = (x/T )f˜(x) = T f˜(x)δ(x − nT ).
X
n=−∞
La transformada DFFT de f˜s (x) está dada por
Z 1/U
F̃ [k] = U f˜s (x)e−i2πkU x dx
0
Z 1/U ∞
f˜(nT )δ(x − nT )e−i2πkU x dx
X
= UT
0 n=−∞
.
Antes de continuar es necesario estudiar la relación entre U y T . Una función

discreta puede ser periódica sólo si el periodo es un múltiplo entero del intervalo
de muestreo. Llamemos N a este múltiplo. En el espacio, el intervalo de muestreo
es T y el periodo es 1/U (el inverso del intervalo de muestreo en la frecuencia),
se tiene que N T = 1/U . O, en la frecuencia, el intervalo de muestreo es U y el
periodo es 1/T (el inverso del intervalo de muestreo en el espacio), se tiene que
N U = 1/T . Es decir, N U T = 1.
Volviendo a nuestro desarrollo, la integral entre 0 y 1/U limita el número de
impulsos δ(x − nT ) incluidos en la integral a N (la región de integración, 1/U ,
dividida por el intervalo de muestreo T ). Con lo que se tiene

Z ∞ N −1
X
F̃ [k] = U T
−∞ n=0
N −1 Z ∞
X
= UT
n=0 −∞
N −1 Z ∞
f˜(nT )
X
= UT δ(x − nT )e−i2πkU x dx
n=0 −∞
N −1
f˜(nT )e−i2πkU nT
X
= UT
n=0
,
pero
1
f˜(nT ) = f˜[n]
T
de manera que la transformada se puede expresar en la siguiente forma (se de-
spejó el parámetro U )
N −1
1 X ˜
F̃ [k] = f [n]e−i2πkn/N
N T n=0
de donde se define la transformada de Fourier discreta como

N −1
1 X ˜
F̃ [k] = f [n]e−i2πkn/N ,
N
n=0
en la que se ha considerado un periodo unitario. La figura 6.7 muestra las bases

W [n] = e−i2πkn/N .
Para calcular la transformada de Fourier discreta inversa haremos un análisis
similar a partir del par DTFT
f [n] −→ F̃ (u)
Sea
F̃ [k] = U F̃ (kU )
y
∞
X
F̃s (u) = U F̃ (u)δ(u − kU ).
k=−∞
Re f(t) Re f(t) Re f(t)
Im f(t)
Im f(t) Im f(t)
t
t t
Re f(t)
Re f(t)
Re f(t)
Im f(t)
Im f(t)
Im f(t)
t t t
Figura 6.7: Bases de la DFT
Encontraremos la transformada de Fourier discreta inversa como la DTFT

inversa de F̃s (u).
Z 1/T
f˜[n] = T F̃s (u)ei2πunT du
0
Z 1/T ∞
X
= UT F̃ (u)δ(u − kU )ei2πunT du
0 n=−∞
N
X −1 Z ∞
= UT F̃ (kU )δ(u − kU )ei2πunT du
k=0 −∞
N
X −1
= UT F̃ (kU )ei2πkU nT ,
k=0
donde se han empleado argumentos análogos al desarrollo para la DFT directa,

es decir, que los lı́mites de la integral sólo dejan participar a N impulsos y que
N U T = 1. De esta manera se tiene
N −1
f˜[n] = T
X
F̃ [k]ei2πkn/N ,
k=0
y si T = 1 se define la transformada de Fourier discreta inversa como

N −1
f˜[n] =
X
F̃ [k]ei2πkn/N .
k=0
Se puede observar todo este razonamiento en forma gráfica en la figura 6.8.

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

una función rectangular periódica. Lo que queremos es llevarla a frecuencia disc-
reta,
L
1 X −i2πkn/N
F̃ [k] = e
L
n=−L
si hacemos n = l − L
2L
1 X −i2π(l−L)k/N
F̃ [k] = e
L
l=0
reorganizando
2L
1 i2πLk/N X −i2πk/N l
F̃ [k] = e (e )
L
l=0
1 i2πLk/N 1 − e−i2π(2L+1)k/N
F̃ [k] = e
L 1 − e−i2πk/N
manipulando esta expresión, F̃ [k] se puede escribir como
1 sen[(2L + 1)πk/N ]
F̃ [k] =
L sen(πk/N )
o
1 sen[(2L + 1)πkU ]
F̃ (kU ) =
L sen(πkU )
asumiendo T = 1.
f(x) F(u)
x u
Shah(x/T) Shah(Tu)
x *
x u
f[n] F(u)
= =
x u
Shah(Tx) Shah(u/T)
* x
x u
f[n] F[k]
= =
x u
Figura 6.8: Representación gráfica de la obtención de la DFT

Figura 6.9: Número 6 en el tono del teléfono
Ejemplo 6.4.2 La figura 6.9 representa una señal real. Se trata de un tono de
teléfono (el número 6), ésta es una señal muestreada a 12,5 ms obteniéndose un
total de 400 muestras. Una simple observación de la señal revela la presencia de
dos sinusoides predominantes, incluso da la impresión que una de las sinusoides
predominantes tiene una frecuencia que es múltiplo de la otra. En la figura 6.10
se puede ver el módulo de la DFT de la señal. Se comprueba la existencia de dos
frecuencias fundamentales; una aproximadamente de 750 Hz y otra de 1450 Hz.
Como se esperaba de una señal real, la DFT es hermitiana, lo que se manifi-
esta como magnitud par.
6.4.2. Interpretación matricial
Debido al creciente uso de herramientas computacionales cuyo manejo de

datos se realiza en términos vectoriales y matriciales, resulta práctico expresar la
DFT como una multiplicación matricial. Ésta es
F = Wf
donde
f = [ f [0] f [1] f [2] . . . f [N − 1] ]T ,
F = [ F [0] F [1] F [2] . . . F [N − 1] ]T

750 1450 u(Hz)
Figura 6.10: Espectro de frecuencias del tono 6
y
W 0·0 W 1·0 W 2·0 W (N −1)·0
 
···
 W 0·1 W 1·1 W 2·1 ··· W (N −1)·1 
1 
W 0·2 W 1·2 W 2·2 ··· W (N −1)·2

W=
 
N
 
 .. .. .. .. 
 . . . ··· . 
W 0·(N −1) W 1·(N −1) W 2·(N −1) · · · W (N −1)·(N −1)
con W = e−i2π/N . Nótese además que W N = W 0 = 1; W k+N = W k y |W k | = 1.

La interpretación matricial, como un cambio de bases, es todo otro mundo
con el cual se pueden interpretar los datos. En este libro hemos preferido la
interpretación escalar ya que provee una noción más intuitiva de cómo son las
señales en el mundo fı́sico.
Ejemplo 6.4.3 Calculemos la matriz de transformación, para N = 4

 
1 1 1 1
−i2π 14 1 3
 1 e
1  e−i2π 2 e−i2π 4 
W=

−i2π 12 −i2π −i2π 23 
N 1 e e e


−i2π 34 −i2π 23 −i2π 94
1 e e e
que es equivalente a  
1 1 1 1
1 
 1 −i −1 i  .

W=
N  1 −1 1 −1 
1 i −1 −i
Ya que el módulo de cada elemento de la matriz es uno, la matriz se puede rep-
resentar por rotaciones en el cı́rculo unitario, dado por (cos(2π kn kn
N )−i sen(2π N )),
 
↑ ↑ ↑ ↑
1 
 ↑ ← ↓ → ,

W=
N  ↑ ↓ ↑ ↓ 
↑ → ↓ ←
es decir en la primera fila se produce una rotación progresiva de 00 , en la segunda

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

rotada en 00 , luego en 450 , luego en 900 , etc.
↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑
 
 ↑ - ← . ↓ & → % 
 
 ↑ ← ↓ → ↑ ← ↓ → 
 
 ↑ . → - ↓ % ← & 
1  
W=  ↑ ↓ ↑ ↓ ↑ ↓ ↑ ↓ 
N  ↑ & ← % ↓ - →

 . 

 ↑ → ↓ ← ↑ → ↓ ← 
 
 ↑ % → & ↓ . ← - 
Los valores de los elementos se obtienen de e−i2πr/N para r = 0 · · · (N − 1).

Compárese esta representación pictórica con los gráficos de las bases de la DFT
de la figura 6.7.
6.4.3. Propiedades de la transformada de Fourier discreta

En general, muchas de las propiedades de la transformada de Fourier también
se cumplen para la DFT, a pesar de tratarse de señales discretas. Las simetrı́as
de la DFT son las mismas que las de la transformada de Fourier continua como
se resume en la tabla 6.1. Para las definiciones de simetrı́a se debe recordar la
f˜[n] −→ F̃ [k]
real par −→ real par
real impar −→ imaginaria impar
imaginaria par −→ imaginaria par
imaginaria impar −→ real impar
compleja par −→ compleja par
compleja impar −→ compleja impar
real −→ hermitiana
imaginaria −→ antihermitiana
Tabla 6.1: Simetrı́as de la DFT
inherente periodicidad de las señales. Por la definición de la DFT, la componente

continua es el primer elemento de la salida.
Algunas de las propiedades de la DFT se presentan a continuación. Si f˜[n] −→
F̃ [k] y g̃[n] −→ G̃[k] se tiene:
1. Dualidad
1 ˜
DFT{DFT{f˜[n]}} = f [−n]
N
2. Conjugado
f˜∗ [n] −→ F˜∗ [−k]
3. Inverso
f˜[−n] −→ F̃ [−k]
4. Superposición
Si f˜[n] y g̃[n] tienen periodos iguales, se tiene
f˜[n] + g̃[n] −→ F̃ [k] + G̃[k]
5. Desplazamiento
Para todo a entero, se tiene
f˜[n − a] −→ e−i2πka/N F̃ [k]

6. Operador diferencial
Para todo a entero, se tiene
∆a f˜[n] = f˜[n] − f˜[n − a] −→ (1 − e−i2πka/N )F̃ [k]

en que [n-a] es de modulo N
7. Suma
n
F̃ [k] − F̃ [0]
f˜[j] −→
X
para k 6= 0.
j=0
1 − e−i2πk/N
Para k = 0 no hay una representación simple
N −1 n
1 XX ˜
F̃ [0] = f [j]
N n=0
j=0
8. Convolución periódica, cı́clica o circular

Si f˜[n] y g̃[n] tienen periodos del mismo largo, se tiene:
f˜[n] ∗ g̃[n] −→ N F̃ [k]G̃[k]
9. Producto
Si f˜[n] y g̃[n] tienen periodos del mismo largo, se tiene:
f˜[n]g̃[n] −→ F̃ [k] ∗ G̃[k]
10. Área
N −1
f˜[n] = N F̃ [0]
X
n=0
11. Valor central

N −1
f˜[0] =
X
F̃ [k]
k=0
12. Rayleigh o Energı́a2
N −1 N −1
|f˜[n]|2 = N
X X
|F̃ [k]|2
n=0 k=0
2
Equivalente al teorema de Parseval para series de Fourier
f[n] F[k]
N n
−→ N k
fa[n] Fa[k]
N 2N n
−→ N 2N k
Figura 6.11: Función original con el valor absoluto de su DFT y función acolchada
con el valor absoluto de su DFT
En la práctica muchas veces es necesario cambiar el largo de la señal. Esto

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

Se llama transformada rápida de Fourier, o bien FFT (fast Fourier transform),
a un algoritmo desarrollado para obtener la DFT de una forma más rápida y efi-
ciente [6]. El tiempo de procesamiento de la FFT es considerablemente más rápido
que calcular la DFT directamente de su definición, porque explota la simetrı́a de
la matriz de transformación con la consiguiente reducción en el número de op-
eraciones matemáticas
Esta reducción en el número de operaciones se logra básicamente a través de
la descomposición del vector x̃[n] sucesivamente en varias secuencias de menor
tamaño aplicándoles DFT a cada una de ellas.
n −→ k
n −→ k
Figura 6.12: Señal original con la magnitud de su DFT y señal estirada con la
magnitud de su DFT
Una versión de la FFT consiste en separar la secuencia x[n] de largo N en

dos, donde N es un entero potencia de 2, es decir N = 2ν . La primera mitad
corresponde a aquellos puntos donde n es par y la segunda donde n es impar.
Con esto se tiene
N −1
1 X
X̃[k] = x̃[n]e−i2πkn/N
N
n=0
subdividiendo x̃[n]
1 X X
X̃[k] = ( x̃[n]e−i2πkn/N + x̃[n]e−i2πkn/N )
N n par
n impar
mediante la sustitución n = 2r para los pares y n = 2r + 1 para los impares se

tiene
N N
2
−1 2
−1
1 X −i4πkr/N
X
X̃[k] = ( x̃[2r]e + x̃[2r + 1]e−i2πk(2r+1)/N )
N
r=0 r=0
N N
2
−1 2
−1
1 X −i4πkr/N −i2πk/N
X
= ( x̃[2r]e +e x̃[2r + 1]e−i4πkr/N )
N
r=0 r=0
G(0)
x(0) 2X(0)
DFT WN0
G(1)
x(2) 2X(1)
N WN
1
G(2)
x(4) 2 2X(2)
2
WN
G(3)
x(6) 2X(3)
WN3
x(1) 2X(4)
H(0)
DFT WN4
x(3) 2X(5)
N H(1)
WN5
x(5) 2 2X(6)
H(2) 6
WN
x(7) 2X(7)
H(3) 7
WN
Figura 6.13: Diagrama para el cálculo de la FFT en el que se calcula una DFT
de N componentes como 2 DFT de N2 componentes (para N = 8)
si llamamos al factor e−i2π/N = WN tenemos

N N
2
−1 2
−1
1 X kr
X
X̃[k] = ( x̃[2r]WN/2 + WNk kr
x̃[2r + 1]WN/2 )
N
r=0 r=0
Por último, si llamamos a la DFT de los pares G̃[k] y a la de los impares H̃[k],
podemos reescribir esta expresión como
2X̃[k] = G̃[k] + WNk H̃[k].
La figura 6.13 es una representación gráfica del procedimiento. Con el resul-

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

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

N N
4
−1 4
−1
1 X lk k
X
lk
G̃[k] = ( g̃[2l]WN/4 + WN/2 g̃[2l + 1]WN/4 )
N
l=0 r=0
De igual forma, H̃[k] puede expresarse como

N N
4
−1 4
−1
1 X lk lk
X
lk
H̃[k] = ( h̃[2l]WN/4 + WN/2 h̃[2l + 1]WN/4 )
N r=0
l=0
Producto de esta nueva descomposición el factor (N/2)2 se reemplaza por

N/2 + 2(N/4)2 , luego el nuevo número, tanto de sumas complejas como de mul-
tiplicaciones complejas a realizar, es 2N + 4(N/4)2 .
Si se cumple que N = 2ν el mismo procedimiento se puede repetir ν = log2 N
veces. Descomponiendo ν veces el vector de entrada, es posible realizar la DFT
en N log2 N sumas complejas e igual número de multiplicaciones complejas.
Para tener una noción de cuál es la reducción efectiva de operaciones, con-
sideremos por ejemplo una secuencia de largo N = 210 = 1024. Por el método
directo tendremos que realizar N 2 = 220 = 1, 048, 576 sumas y multiplicaciones
para obtener la DFT, en cambio, sólo bastan N log2 N = 10, 240 si se emplea la
FFT, esto es más de 100 veces más rápido.
Si N no es una potencia de dos, la FFT puede ser empleada en un vector
acolchado de manera que su largo sı́ sea potencia de dos.
Además del algoritmo aquı́ descrito existen una serie de variantes que se
pueden usar para explotar caracterı́sticas particulares de la señal. Por ejemplo,
si se sabe que la señal es real.
6.5. Convolución lineal versus cı́clica

Las propiedades de la DFT relacionadas con productos o convoluciones están
definidas para convoluciones cı́clicas. Sin embargo, la relación entre las señales de
entrada, la respuesta al impulso y la salida de los sistemas discretos se expresa
como una convolución lineal (sec. 5.6). Por este motivo no se puede definir una
6.5 Convolución lineal versus cı́clica 163
función de transferencia en el dominio de Fourier para los sistemas discretos.

Ası́ todo, si se toman algunas precauciones, que exploraremos en esta sección,
se puede trabajar en el dominio de la frecuencia. La razón de querer hacerlo es
porque se puede tener una mejor intuición del sistema y también se pueden lograr
ventajas computacionales.
Si x[n] es la entrada de un sistema y h[n] es la respuesta al impulso, entonces
la salida y[n] es la convolución lineal (∗l ) entre x[n] y h[n].
Por otra parte, si x[n] y h[n] tienen largo L y P respectivamente, es fácil
comprobar que y[n] tiene largo L + P − 1.
x[n] = (x0 , x1 , x2 , ..., xL−1 )
h[n] = (h0 , h1 , h2 , ..., hP −1 )
y[n] = x[n] ∗l h[n] = (y0 , y1 , y2 , ..., yL+P −2 )
Estamos interesados en expresar y[n] en función de la convolución cı́clica entre

la entrada y la respuesta al impulso del sistema. Una posibilidad para expresar
una convolución lineal en términos de una circular es acolchar la función periódica
x̃[n] (o bien h̃[n]) con tantos ceros como sea necesario para evitar una distorsión
de la señal que se conoce con el nombre de aliasión3 . Veamos en un ejemplo lo
que sucede.
Ejemplo 6.5.1 Se tiene un sistema discreto con respuesta al impulso h[n] =

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

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

3
Debido a que no existe una buena traducción para el término en inglés Aliasing, hemos
decidido crear nuestro propio vocablo haciendo referencia al término anglosajón ya mencionado
y al latı́n Alias que significa: como en otro tiempo.
y[0] = ae
y[1] = af + be
y[2] = ag + bf + ce
y[3] = bg + cf + de
y[4] = cg + df
y[5] = dg
y
ũ[0] = ae + cg + df
ũ[1] = af + be + dg
ũ[2] = ag + bf + ce
ũ[3] = bg + cf + de
Las diferencias entre y[n] y ũ[n], en los primeros cuatro valores, están mar-
cadas en negrita. Lo que pasó es que y[5] se sumó con y[1] e y[4] con y[0], como
si alguien hubiera escrito el vector en una esfera y los dos últimos términos se
sobrepusieron a los dos primeros. Este fenómeno se conoce como aliasión. Para
evitarlo se puede acolchar x̃[n].
Sea
x̃[n] = (a, b, c, d, 0, 0)
ahora
ũ[n] = x̃[n] ∗ h̃[n]
con lo que
y[n] = ũ[n]
para un periodo de ũ[n].
El número de ceros necesarios para evitar aliasión (sec. 6.6.1) en el vector

y[n] depende del largo de los vectores x[n] y h[n]. Observando con detenimiento
el ejemplo se puede ver que se tienen m − 1 términos de aliasión, donde m es el
mı́nimo entre L y P . Será necesario agregar a lo menos P − 1 ceros al vector x̃[n],
o bien L − 1 ceros al vector h̃[n] para evitar la aliasión.
El siguiente ejemplo muestra lo que sucede en el dominio de la frecuencia
cuando los vectores son acolchados en el dominio del tiempo.
6.6 Consideraciones prácticas 165
Ejemplo 6.5.2 Supongamos que
x̃[n] = (a, b, c, d) −→ X̃[k] = (A, B, C, D),
h̃[n] = (a0 , b0 , c0 , d0 ) −→ H̃[k] = (A0 , B 0 , C 0 , D0 )

e
y[n] = x[n] ∗l h[n].
Acolchando x̃[n] y h̃[n] se tiene
x̃[n] = (a, b, 0, 0, 0, 0, c, d)
h̃[n] = (a0 , b0 , 0, 0, 0, 0, c0 , d0 )
Aplicando DFT se tiene
1
x̃[n] −→ (A, α, B, β, C, γ, D, δ)
2
1
h̃[n] −→ (A0 , α0 , B 0 , β 0 , C 0 , γ 0 , D0 , δ0 )
2
donde α, β, γ y δ son los términos que aparecen por interpolación sinc (propiedad
de acolchamiento). Luego, utilizando la propiedad de la convolución
1
ỹ[n] −→ (AA0 , αα0 , BB 0 , ββ 0 , CC 0 , γγ 0 , DD0 , δδ0 )
4
6.6. Consideraciones prácticas

6.6.1. Aliasión
Como ya se mencionó en el caso discreto, la aliasión (ver pie de página 163) es
el fenómeno en el que las muestras de un extremo de una secuencia se sobreponen
(se suman) a las muestras del otro extremo. La aliasión también puede ocurrir
con señales continuas, donde réplicas de la señal se sobreponen o suman entre
ellas. Tı́picamente la aliasión ocurre en su forma continua en el dominio de la
frecuencia. Surge de muestrear una señal continua a una frecuencia baja (menor
que la de Nyquist).
Las figuras 6.14, 6.15 y 6.16 nos muestran un ejemplo del proceso tı́pico de
muestreo de una señal continua y luego su recuperación a partir de las muestras.
Cada figura representa el mismo proceso realizado con tres diferentes frecuencias
f(x) F(u)
x uL u
Shah(x/T) Shah(Tu)
x *
T x 1/T u
f[n] F(u)
= =
x u
sinc(x/T) rect(Tu)
* x
x u
f(x) F(u)
= =
x u
Figura 6.14: Muestreo y aliasión: función sobremuestreada

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

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

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

máxima de uL . En la figura 6.14, la frecuencia de muestreo es suficientemente alta,
es decir 1/T > 2uL ; en la figura 6.15, la frecuencia de muestreo es exactamente la
frecuencia de Nyquist, 1/T = 2uL ; y en la figura 6.16 , la frecuencia de muestreo
es inferior a la de Nyquist, 1/T < 2uL . En este último caso es cuando encontramos
aliasión.
El muestreo es representado como una multiplicación con la función shah,
(x/T ), que en el dominio de la frecuencia es equivalente a la convolución con una
serie de impulsos a una distancia 1/T . El resultado de la convolución en frecuencia
es una réplica del espectro de la señal. Si los impulsos están suficientemente
alejados (para frecuencias de muestreo iguales o mayores que la de Nyquist) las
réplicas no se aliarán (fig. 6.14 y 6.15).
Para recuperar la señal a partir de las muestras, se emplea un filtro pasabajos
ideal, es decir, se convoluciona (en el tiempo) con un filtro cuya respuesta de
frecuencia es u(T u). La frecuencia de corte para este filtro debe ser elegida de
manera que sólo “sobrevivan” las frecuencias correspondientes a una sola réplica
en frecuencia de la señal. Es el caso de las dos primeras figuras en las que la
señal es recuperada completamente. Para la figura 6.16, no es posible recuperar
la misma señal porque el espectro sufrió aliasión en la que se combinaron los
valores de dos o más réplicas. Como se puede ver, la señal recuperada no es la
señal original.
Las figuras 6.17 y 6.18 también ilustran la aliasión, en este caso, de una
señal sinusoidal. En la figura 6.17, la frecuencia de muestreo es suficiente para
que no se produzca aliasión, y es fácil encontrar un filtro pasabajos ideal que
recupera la señal original. En la figura 6.18 se tiene un caso severo de aliasión.
En él se muestrea una señal sinusoidal de alta frecuencia con una frecuencia de
muestreo absolutamente insuficiente. El espectro de esta señal muestreada resulta
ser el mismo que en el primer ejemplo, y la señal recuperada claramente no es la
original.
En conclusión, para evitar la aliasión es necesario muestrear a una frecuencia
igual o mayor que la de Nyquist. En la práctica, la frecuencia de muestreo no
puede ser todo lo alta que se requiere por problemas de costos o simplemente
imposibilidad tecnológica. En esos casos, es conveniente filtrar previamente la
señal continua, eliminando todas las frecuencias altas y ası́ evitar la aliasión y
por lo tanto la distorsión, no sólo de las frecuencias altas, sino también de las más
bajas a las que las altas se alı́an. La idea es que es mejor no tener información a
esas frecuencias que tenerla distorsionada. Este filtro se conoce como filtro anti-
aliasión (anti-aliasing). Especialmente útil son estos filtros cuando la información
no es relevante a esas frecuencias, sino más bien ruido. Un buen ejemplo es lo
f(x)
Im F(u)
x u
Shah(x/T) Shah(Tu)
x *
T x u
1/T
f[n] Im Fm(u)
= =
x u
Figura 6.17: Muestreo y aliasión de una sinusoide sobremuestreada

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

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

porque se supone que el oı́do humano, por muy buen estado en que esté, no es
capaz de discernir frecuencias mayores que 20 kHz. La frecuencia de Nyquist es
por lo tanto 40 kHz, pero se emplea 44 kHz para darle un margen de error. En
este caso un filtro anti-aliasión con una frecuencia de corte de 22 kHz, sólo elimina
componentes no audibles (ruido). Por ejemplo, si existiera un tono de 29 kHz,
que el oı́do humano no escucha (quizás una resonancia en la guitarra eléctrica)
y no se empleara filtro anti-aliasión, éste se verı́a aliado en los 15 kHz, donde
sı́ podrı́a ser escuchado.
6.6.2. Interpolación sinc
Como se vio en los ejemplos anteriores, la señal continua es recuperada de las

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

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

Para analizar señales discretas se emplean computadores, que por supuesto
tienen capacidad limitada y no pueden procesar — por ejemplo, calcular la DFT
— señales muy largas, como podrı́a ser el audio de una pieza musical. Esta lim-
itación nos obliga a analizar las señales por parte, es decir, a tomar sólo una
sección de la secuencia total. Esta limitante también ocurre en el sentido inverso
en el que, para sintetizar una señal muy larga, es necesario hacerlo por tramos.
La forma más obvia de extraer una sección de la señal, es multiplicando por
un rect. La operación de multiplicar la señal por una ventana se conoce como
apodización4 .
El dilema aquı́, es que si se apodiza con un rect, por ejemplo, en la frecuencia se
está convolucionando con un sinc, y el sinc es una función de extensión ilimitada.
Es decir, la apodización nos deja con una función de ancho de banda ilimitado,
por lo que al muestrear se producirá aliasión. Es por esto, que la elección de una
buena función de apodización es importante y ha constituido el tema de muchos
trabajos. En general se busca un compromiso entre las extensiones en ambos
dominios. Algunas funciones normalmente empleadas incluyen las funciones de
Hamming, Hanning, Coseno elevado, Gauss truncado, etc.
La apodización no sólo afecta a la aliasión, sino también puede producir el
fenómeno conocido como derrame5 . En las figuras 6.21 y 6.22 se ejemplifica este
4
Al igual que para aliasión, al no existir una buena traducción para el inglés windowing,
acuñamos el vocablo apodizar, que hace alusión a la palabra griega podos, que significa pie,
luego entiéndase apodizar como cortar los pies.
5
Traducción del inglés leakage.
f(x)
F(u)
Tc x
1/Tc u
h(x/3Tc)
H(u)
x *
x
T= 1.5Tc u
=
=
x
u
Shah(x/3Tc) Shah(3Tcu)
* x
1/u1 x u1 u
f(x)
= F[k]
=
x
1/Tc k
Figura 6.21: Apodización y derrame

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

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

Un uso común de la DFT es como aproximación a la transformada de Fourier.
Se tiene una señal continua que interesa procesarla en el dominio de la frecuencia.
El ejemplo de las figuras 6.23 y 6.24 muestra los pasos que se pueden seguir.
En ella se muestra la señal original continua f (x) y su respectiva transformada
de Fourier F (u). Se ha elegido una señal par, con el fin de evitar en el análisis
el estudio de la fase. Tı́picamente la señal tendrá pequeñas perturbaciones de
considerable amplitud pero de escasa energı́a, atribuibles a ruido. Dichas pertur-
baciones corresponden, en el dominio de la frecuencia, a alteraciones de escasa
magnitud que se reparten en un amplio espectro.
El primer paso es aplicar un filtro anti-aliasión consistente en un pasabajos
de ancho de banda 1/T , donde T es el perı́odo de muestreo, eliminando ası́ todas
las componentes de frecuencias que puedan producir aliasión, y entre ellas, gran
parte del ruido. Para establecer cuál será la frecuencia de muestreo, supongamos
que T0 es el largo del segmento a examinar de la señal f (x) y N es el número
de muestras que vamos a transformar. De esta manera el perı́odo de muestreo es
T = T0 /N . Se ve también la importancia de aplicar un filtro anti-aliasión, para
que las muestras tomadas no coincidan con las perturbaciones.
Sólo analizaremos un intervalo de largo T0 , es decir, la señal es apodizada,
fL (x). En este ejemplo la apodización consiste en multiplicar la función en el
tiempo por u(x/T0 ), o bien convolucionar en frecuencia con sinc (u/T0 ). La fun-
ción u, en general, no es una buena función de apodización, sólo se emplea para
ejemplificar el proceso.
f(x) F(u)
x u
g(x) G(u)
* x
T x 1/2 T u
fl(x) Fl(u)
= =
x u
h(x)
h(u)
x *
x
T0 u
= FL(u)
fL(x)
=
x u
Figura 6.23: Uso de la transformada discreta de Fourier como aproximación de

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

aproximación de la transformada de Fourier
A continuación muestreamos la función resultante en el tiempo con el tren de

pulsos (x/T ), obteniendo como resultado fd[n] y su respectiva transformada de
Fourier de tiempo discreto F̃ (u).
Por último debemos muestrear F̃ (u), logrando ası́ el resultado buscado en el
dominio de la frecuencia, bastando sólo aplicar la transformada inversa de Fourier
discreta a la expresión anterior, para obtener su equivalencia en el tiempo, con
lo que se completa el análisis.
6.7 Ejercicios 181
6.7. Ejercicios
1. Encuentre el análogo a todas las propiedades de la FT que sean aplicables
a la DTFT y la DFFT. De un ejemplo didáctico y ojalá gráfico para cada
una. Las propiedades deben incluir (por lo menos):
a) similaridad
b) linealidad
c) desplazamiento
d) convolución
e) multiplicación
f ) modulación
g) diferenciación
h) integración
2. Encuentre la DTFT de las siguientes funciones discretas (suponga que el

intervalo de muestreo es T ). Grafique la función en los dos dominios (tiempo
y frecuencia).
a) f [n] = 0, 8n [n]
b) f [n] = (−0, 8)n [n]
c) f [n] = a|n| con 0 < a < 1
d) f [n] = cos ω0 nT
e) f [n] = sen ω0 nT
NOTA: [n] = 0 para n < 0 y [n] = 1 para n ≥ 0.
3. Demuestre que f [n] =DFT{DFT−1 {f [n]}}.
4. La DTFT (F̃ (u)) es una función periódica compleja de la variable continua

u. Dado que la DTFT está definida para funciones discretas infinitamente
largas, y además es función de una variable continua, en Matlab sólo pode-
mos encontrar una aproximación.
Defina una función de Matlab, F = dtft(f,N) que entregue un vector com-
plejo F correspondiente a N muestras de la DTFT del vector f. Es decir, si
L es el largo del vector f,
L−1
X
F (uk ) = F (k/N T ) = f [n]e−i2πkn/N para k = 0, 1, ..., N − 1
n=0
Si N= L esta fórmula no es otra que la transformada discreta de Fourier

(DFT). La función dtft debe ser válida para N≥ L.
Emplee las funciones predefinidas de Matlab fft y fftshift. Asegúrese de
que la componente continua esté donde usted la desea.
5. Escriba la definición de DFT de Matlab y compárela con nuestra definición.
Si ésta fuera diferente modifique la función dtft para que ésta corresponda
a nuestra definición. ¿Necesita o no pasar a la rutina el periodo de muestreo,
T?
6. Usando Matlab, grafique la magnitud y fase de la DTFT, R(u), del rect,
r[n]:
1 |n − a| < L
r[n] =
0 otro caso
para −1/2 ≤ u ≤ 1/2 con T = 1. Hágalo para diferentes valores de a y L.
Pruebe con L par y L impar.
7. Use la función dtft para encontrar la DTFT de r[n], dada en el problema
anterior con L = 12. Haga un gráfico del módulo y de la fase de la DTFT
para el rango −1/2T ≤ u < 1/2T con T = 1. Para que el gráfico sea
suave elija entre 5 a 10 veces más muestras de la frecuencia que largo de la
secuencia (Experimente un poco).
8. Grafique la magnitud y fase de la DFT, R[k], de la función rect, r[n] de N
muestras:
1 |n| < L
r[n] =
0 otro caso
Grafique y compare con el gráfico anterior la función continua sinc, s(u),
que mejor calza con F [k].
9. Explique cómo modificarı́a la función dtft para que calcule la DTFT de
una secuencia desplazada en n0.
10. Encuentre la DTFT de un rect, r[n], de 23 puntos (L = 23) que comienza en
n = −11. La transformada debe ser puramente real y par. Haga un gráfico
de ella.
11. Haga un gráfico de la función triangular de largo 2L − 1 con L = 11 para
el rango −20 ≤ n ≤ 20. Calcule manualmente y con Matlab la DTFT.
Calcule la DFT de una secuencia f [n] de 32 elementos, en la que los últimos
16 son cero (en el sentido periódico). Se conoce la DFT de los 16 primeros
elementos como F [k].
6.7 Ejercicios 183
12. Calcule la DFT de f [n] = e−n/4 para 1 ≤ n ≤ 31 y f [0] = 0, 5. Compare

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

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

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

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

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

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

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

T ).
b) Por muestreo en la frecuencia: Sea Fu [k] = U F (kU ) (N muestras a
intervalos U en la frecuencia). Y sea fu [n] la DFT inversa de Fu [k].
c) Por muestreo en la frecuencia desplazado: Sea Fd [k] = U F ((k −1/2)U )
(N muestras a intervalos U en la frecuencia). Y sea fd [n] la DFT
inversa de Fd [k].
¿Si f (t) es limitada en el tiempo (f (t) = 0 para |t| > N T /2) cómo se
diferencian fu [n] y fd [n] con ft [n]? ¿Si f (t) no es limitada en el tiempo
(f (t) 6= 0 para |t| > N T /2) cómo se diferencian fu [n] y fd [n] con ft [n]?
Responda las preguntas (4 respuestas) en forma cualitativa dando un argu-
mento matemático.
√
19. Sea DTFT{f [n]} = sen πu + 2 y el escalón discreto definido por [n] = 1
si n ≥ 0 y 0 si n < 0. Calcule f [n] ∗l [n] evaluada en −∞ y +∞.
20. ¿Por qué f (x) y su derivada en la ecuación A.10 del apéndice A deben ser
continuas?
∞
X νπx
f (x) = bν sen
l
ν=1
21. Sea F̃ [k] la DFT de f˜[n] de largo N par. Encuentre, en función de los
elementos de f˜[n],
a) F̃ [0] + F̃ [2] + ... + F̃ [N − 2]

b) F̃ [1] + F̃ [3] + ... + F̃ [N − 1]
6.7 Ejercicios 185
22. Encuentre la DFFT de
∞
t − nT0
f˜(t) =
X
u( ).
n=−∞
τ
Evalúe la DFFT para T0 = 2 y τ = 1. Compare sus resultados con los

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

ción estadı́stica del tamaño de los pies de sus clientes. Para esto anota los
números pedidos por cada persona que entra y los coloca en un vector x[n].
Los datos los ingresa en Matlab y les calcula la transformada de Fourier
(por jugar). Justo en ese instante ocurre una desgracia (se corta la luz)
y se borra el vector x[n] y el matlab. Afortunadamente pudo rescatar la
transformada de Fourier X[k]. Su misión es calcular la media y desviación
estándar de los números originales en función de los X[k] (no se puede hacer
la transformada inversa).
24. Describa un algoritmo que calcule la convolución lineal de dos vectores de

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

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

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

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

6.7 Ejercicios 187
par).
F [k] = 2f [k] + f [k + N/2]
Defina la transformada inversa correspondiente.
29. Encuentre y grafique la DTFT, suponiendo T = 1, de
a) f˜[n] = (1 − 1)
b) f˜[n] = (1 0)
c) f˜[n] = (0 1)
d) f˜[n] = (1)
30. Las primeras dos figuras muestran el registro de un acelerómetro para el

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

DFT de g[n] = (a b c d) en función de los valores de F [k]?
32. Un alumno sugirió que la versión correcta de la propiedad de la suma de la
DFT para f [n] −→ F [k], es
n
X F [k] − F [0]
f [j] −→ para k 6= 0.
j=0
1 − e−i2πk/N
¿Es correcta esta sugerencia? Demuestre su respuesta — ya sea positiva o

negativa — para el caso N = 4.
33. a) Suponga que se quiere recuperar la señal f (x) de sus muestras. f (x)
tiene un ancho de banda de 2, F (u) = 0 ∀ |u| ≥ 1, y las muestras
fueron tomadas al intervalo de Nyquist (∆x = 1/2). Pero hay una
buena y una mala noticia. La mala es que se perdieron la mitad de las
muestras, es decir, sólo se tiene · · · f (−2∆x) f (0) f (2∆x) · · · , represen-
tadas por g(x) = (x)f (x). La buena noticia es que además se tiene la
derivada de esa función en esos lugares, es decir, · · · f 0 (−2∆x) f 0 (0) f 0 (2∆x) · · · ,
representadas por g0 (x) = (x)f 0 (x) (nótese que g0 (x) no es la deriva-
da de g(x)). Encuentre las transformadas de Fourier de g(x) y de g0 (x),
G(u) y G0 (u), en función de F (u) para el rango −1 ≤ u ≤ 1.
b) Exprese F (u) en función de G(u) y G0 (u). Tome la transformada de
Fourier a esta expresión para obtener f (x) en la forma
f (x) = a(x) ∗ g(x) + b(x) ∗ g0 (x).
6.7 Ejercicios 189
Con esto demostró que es posible recuperar la señal.
34. Se tiene el siguiente par de Fourier,
[a+bi, x1 , a−bi, −a, x4 , −a, a−bi, −a] −→ [y0 , y1 , bi/2, 0, a, y5 , bi/2, y7 ]
Encuentre cualquier valor para los números x1 , x4 , y0 , y1 , y5 e y7 de manera

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

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

∞
X
g(α) = sinc 2 (m + α)
m=−∞
para cualquier α. Ayuda: Use la DTFT de una función triangular.
38. Se tienen unos walkie-talkies para comunicar audio con contenidos de fre-
cuencia sólo en el rango 1 a 2 kHz. ¿Si se dispone de una licencia para
emplear las frecuencias de radio de 88,1 a 88,2 MHz, cuál es el máximo
número de canales de modulación AM independientes que se pueden tener?
¿Cuáles serı́an las frecuencias de modulación de cada uno?
39. Se calcula el número NZ de la siguiente manera NZ = sum(abs(F)<1e-6);.

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

de funciones reales. Pretendemos usar este algoritmo para calcular la
DFT de la función compleja f [n] de largo N . Para esto se almacena
en un vector de largo 2N la parte real de f [n] en los ı́ndices pares y la
parte imaginaria en los ı́ndices impares (g[2n] = realf [n] y g[2n + 1] =
imagf [n]). La DFT de largo 2N de g[n] es G[k]. Encuentre la DFT de
f [n] en función de G[k]
6.7 Ejercicios 191
42. Los pulsos empleados en radares son de la forma “pı́o” para facilitar la
detección de ecos. La señal pı́o es
2 /T
p(t) = u(t/Tm )eiπW t m
Después de esta prueba escuche la función pı́o y especule por qué se llama
ası́.
a) Grafique una estimación aproximada de |P (u)|, el valor absoluto de

la transformada de Fourier de p(t). No calcule la transformada, sólo
haga un trazado a mano alzada, indicando los valores para el eje de la
frecuencia. AYUDA: busque la “frecuencia instantánea”.
b) La versión muestreada de la señal pı́o a una frecuencia um = pW es
2
p[n] = ei2πα(n−N/2) 0 ≤ n < N.
Encuentre α y N .
c) Si p = 1 y N es múltiplo de 4, se tiene que P [k], la DFT de p[n], es
también un pı́o discreto. Encuentre P [k].
43. Se desea diseñar un implante para el caracol del oı́do humano que funciona
de la siguiente manera:
La entrada de audio, que no contiene frecuencias superiores a 8 kHz,

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

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

b) N , el número de muestras de cada DFT.
c) M , la duración de cada “trozo” de señal.
d) k1 , el ı́ndice de la frecuencia discreta correspondiente a u1 .
44. Se tiene un filtro anti-aliasión H(u). Interesa minimizar las distorsiones

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

b) [2 ptos] ¿Cuál es la mı́nima frecuencia de muestreo con la que no ocurre
aliasión para ese n?
45. Suponga que Romualdo programó una rutina para obtener la DFT: F =
calculaDFT(f,N), donde f y F son vectores de largo N. Desgraciadamente
Romualdo se equivocó y usó la siguiente definición:
N −1
1 X
F [k] = f [n]e−i4πkn/N
N n=0
a) ¿Si Ud. está interesado en obtener la DFT (correcta) de x[n] (largo

N ), cómo emplearı́a la rutina de Romualdo?
b) ¿Cómo recuperarı́a la DFT (correcta) de x[n] (largo N ) a partir de la
salida de calculaDFT(y,2N) con y = (0..,0 x[0] x[1]...x[N − 1] 0..,0)?
(y tiene N/2 ceros al principio y N/2 ceros al final, N par).
46. Se define la transformada de González discreta (DGT) como

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

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

47. Sea
N/2−1
X
M̃N [n] = δ[n − 2i]
i=0
y f˜[n] = (a, b, c, d, a, b, c, d), cuya DFT es F̃ [n] con N = 8.

6.7 Ejercicios 193
a) Encuentre F [n]MN [n]

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

N
X −1
F [k] = 2 f [n]e−i2πkn/N
n=0
¿Cuál serı́a la DFT inversa?
49. ¿Cómo se llama el fenómeno que ocurre cuando una señal continua es
muestreada sin cumplir con la frecuencia de Nyquist?
50. Si x es un vector de 128 elementos cualquiera, ¿cuánto vale la siguiente

expresión? Se está empleando notación Matlab.
sum(abs(fft(x)) - abs(fft(fftshift(x))))
51. Si la DFT de [a b c] es [A B C], ¿cuál es la DFT de [a b c a b c]?
52. Encuentre la DFT de f [n] = a + (−1)n b, n = 0...N (N impar).
53. Encuentre A−1 si

   
1 1 1 0 0 0
A = − cos 2π/3  1 1 1  + i sen 2π/3  0 -1 1 
1 1 1 0 1 -1
54. Encuentre los productos internos < a(m), b(n) > para todo m, n = 0 . . . N−1
donde a(m) = [a0 (m) a1 (m) . . . aN −1 (m)] y b(n) = [b0 (n) b1 (n) . . . bN −1 (n)]
con
ak (m) = ei2πkm/N y bk (n) = ei2πkn/N .
55. Grafique un periodo de la función expandida por la serie de Fourier cuyos

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

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

CAPÍTULO 7
TRANSFORMADA Z
La transformada de Laplace es una extensión de la transformada de Fourier

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

Para definir la transformada de Laplace de tiempo discreto emplearemos un
raciocinio muy similar al de la sección 6.2, en la que se define la transformada de
195
196 Transformada Z
po
em
Ti
Aperiódica
Continua
FT DFFT
DTFT DFT
Discreta
Periódica
Transformada Z
ia
nc
Continua Discreta
ue
ec
Fr
Figura 7.1: Clasificación de las transformadas según periocidad y continuidad
Fourier de tiempo discreto.

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

∞
X
Fm (s) = T f (nT )L{δ(t − nT )}
n=−∞
X∞
= T f (nT )e−snT α < Re{s} < β
n=−∞
donde α y β son constantes reales que definen la región de convergencia de la

sumatoria, y como T f (nT ) = f [n], se tiene la definición de la DTLT como,
∞
X
F̃ (s) = f [n]e−snT α < Re{s} < β
n=−∞
7.2 Transformadas de Laplace y Fourier de tiempo discreto 197
Para encontrar la DTLT inversa, comenzamos con la inversa de la transfor-

mada de Laplace
Z c+i∞
1
f (t) = F (s)est ds α<c<β
i2π c−i∞
Como se supone que F (s) = 0 para |u| > 1/2T y además F (s) y F̃ (s) son idénticas
en un periodo,
Z c+i2π/T
1
f (t) = F̃ (s)est ds α<c<β
i2π c
que finalmente es
c+i2π/T
T
Z
f [n] = F̃ (s)esnT ds α<c<β
i2π c
Al igual que para la transformada de Laplace inversa continua, c es una constante

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

discreto
Siguiendo el mismo argumento que en la sección 4.2, es decir,
Z ∞
−σt
F (s) = F (σ + i2πu) = F{f (t)e } = f (t)e−st dt,
−∞
definiremos la DTLT a partir de la DTFT.

Recordando la definición de DTFT
∞
X
F̃ (u) = f [n]e−i2πunT ,
n=−∞
la idea es multiplicar la señal f [n] por una exponencial discreta e−σnT antes de
tomar la transformada de Fourier,
∞
X
F̃ (s) = F̃ (σ + i2πu) = DTFT{f [n]e−σnT } = f [n]e−(σ+i2πu)nT
n=−∞
con lo que se define la DTLT como

∞
X
F̃ (s) = f [n]e−snT α < Re{s} < β
n=−∞
198 Transformada Z
donde α y β son los lı́mites para σ, región en la cual existe la transformada

de Fourier de la función original multiplicada por la exponencial. Nótese que la
periodicidad de la función F̃ (s) ocurre en la dirección imaginaria (u) y no en la
dirección real (σ).
La DTLT inversa se puede encontrar similarmente a lo que se hizo en la
sección 4.6 para encontrar la inversa de la transformada de Laplace continua.
DTFT{f [n]e−σnT } = F̃ (s)

f [n]e−σnT = DTFT−1 {F̃ (s)}
f [n] = eσnT DTFT−1 {F̃ (s)}
Z 1/T
= eσnT T F̃ (σ + i2πu)ei2πunT du
0
Z 1/T
= T F̃ (σ + i2πu)e(σ+i2πu)nT du
0
Sustituyendo s = σ + i2πu, o sea, du = ds/i2π, se tiene que la transformada

de Laplace de tiempo discreto inversa es
σ+i2π/T
T
Z
f [n] = F̃ (s)esnT ds α<σ<β
i2π σ
donde σ es una constante real cualquiera que pertenece a la región de convergencia

de F̃ (s).
7.3. Transformada Z
7.3.1. Definición
Supóngase que para ahorrar escritura se definiera la variable z como z = esT .
La DTLT serı́a entonces
X∞
F (z) = f [n]z −n .
n=−∞
Esta es la definición de la transformada Z. La transformada Z no es otra

cosa que la DTLT en la que se hace el cambio de variable z = esT . Este cambio
de variable tiene implicancias importantes que hacen de la transformada Z una
herramienta empleada universalmente para describir señales y sistemas discretos.
En primer lugar nótese que e−sT es la DTLT de δ[n−1], es decir, z −1 está aso-
ciado a un atraso (desplazamiento) de una unidad. La consecuencia de esto es
7.3 Transformada Z 199
que la transformada Z es extremadamente fácil de obtener para secuencias finitas.

Por ejemplo, la transformada Z de f [n] = (3, 4, 5, 1, 3) con el origen en 5 es
F (z) = 3z 2 + 4z + 5 + z −1 + 3z −2 .
No fue casualidad llamar z −1 al operador de las ecuaciones de diferencias de
la sección 1.5.
La figura 7.2 muestra la correspondencia entre los planos s y z a través de
z = esT . En ella se puede ver cómo las rectas verticales (σ = constante) pasan a
ser circunferencias concéntricas (|z| = constante) y las rectas horizontales (u =
constante), rayos (6 z = constante).
Recordando que la DTLT es periódica en u, vemos cómo la periocidad se
manifiesta naturalmente en el plano z. Nos podemos imaginar recorriendo la recta
vertical en s y pasando de periodo en periodo. El mismo recorrido en el plano
z es por una circunferencia con lo que llegamos al mismo punto de partida una
y otra vez. Evidentemente la correspondencia de s a z está determinada por el
intervalo de muestreo T , sin embargo, independientemente del valor de T se tiene
que: el semi plano izquierdo de s es “mapeado” al interior del cı́rculo unitario; el
semi plano derecho es “mapeado” al exterior del cı́rculo unitario y el infinito real
negativo (la recta vertical infiinitamente a la izquierda) se convierte en el origen
de z.
Al igual que la DTLT, la transformada Z puede ser definida en términos de
la DTFT, considérese z = rei2πuT , con r = eσT ,
∞
X
F (z) = f [n]z −n
n=−∞
X∞
F (rei2πuT ) = f [n]r −n e−i2πunT
n=−∞
i2πuT
F (re ) = DTFT{f [n]r −n }
La DTFT de f [n] definida en el eje imaginario del plano s, está entonces

definida en el cı́rculo unitario (r = 1 o σ = 0) del plano z. La DTFT existirá si
la región de convergencia de la transformada z incluye al cı́rculo unitario. Si
f [n] −→ F (z), entonces la DTFT es
F̃ (u) = F (ei2πuT )
Ejemplo 7.3.1 Consideremos una señal causal de 2 exponenciales
1 1
f [n] = n
[n] + n [n]
2 3
200 Transformada Z
La transformada Z es
∞
X 1 1
F (z) = ( n
[n] + n [n])z −n
n=−∞
2 3
∞ ∞
X 1 X 1
F (z) = ( z −1 )n + ( z −1 )n
2 3
n=0 n=0
que, utilizando la serie geométrica infinita

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

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

Z σ+i2π/T
T
f [n] = F̃ (s)esnT ds α<σ<β
i2π σ
haciendo el cambio de variable z = esT , es decir,

1 1
s= ln z ds = dz
T Tz
se obtiene
1
I
f [n] = F (z)z n−1 dz
i2π Γ
donde Γ es una circunferencia en el interior del anillo de convergencia.
En muy raras ocasiones la transformada z inversa se calcula empleando direc-
tamente esta fórmula, lo más común es reducir la transformada a pares conocidos
empleando las propiedades y fracciones parciales (ver anexo B.
De todas maneras existen varias metodologı́as para simplificar el cálculo de
esta integral compleja.
7.3 Transformada Z 201
Reseña histórica Transformada Z
Es natural preguntarse por qué la transformada Z se llama ası́, y más aún, quién la
descubrió (nunca he sabido si las fórmulas se inventan o descubren). La transformada
Z, como fórmula fue empleada por De Moivre (1667 - 1754), quien la introdujo como
función generadora de momentos en teorı́a de probabilidades
∞
X
Γ(z) = p[n]z n
n=−∞
donde p[n] es la probabilidad que una variable aleatoria tome el valor n [7]. Más
tarde fue extensamente empleada por Laplace (1749 - 1827) en su forma continua,
la transformada de Laplace, también como función generadora de momentos.
Debido al advenimiento de los computadores digitales y los sistema de muestreo,
a comienzos de la década de 1950 se renovó el interés en esta transformada. Los
primeros intentos de caracterizar sistemas discretos entrada-salida en el dominio de
frecuencia por parte de Shannon (1945) fueron en base a la transformada de Fourier.
Luego Hurewicz (1947) emplea las funciones generadoras de momentos, llamadas
transformada de Laplace generalizadas por Stone (1948), y que finalmente son lla-
madas transformadas Z por Ragazzini y Zadeh (1952). Ellos además establecen clara-
mente su correspondencia con la transformada de Laplace (llamada transformada S
por Salzer, 1951) [18, 14]
7.3.2. Región de convergencia

Como se aprecia en el ejemplo 7.3.1 la transformada z no necesariamente existe
para todos los valores de z. La región del plano z en el cual exsite la transformada
z se llama región de convergencia.
Los lı́mites para z estrán dados por α < σ < β Ya que la región de conver-
gencia para la transformada de Laplace es una franja en el plano s, es evidente
que en el plano z será un anillo. en efecto
si α < σ < β, implica que
eαT < |z| < eβT
o si rα = eαT y rβ = eβT
rα < |z| < rβ
202 Transformada Z
1111111
0000000
0 1
1 0u
0000000
1111111
0 1
1 0 Im z
0000000
1111111
0 1
1
000000
1111110
0000000
1111111
0
1
000000
1111110
1
0
1
000000
111111
0000
1111
000
1110
1
0
1
0000
1111
000
1110
1
0
1
0000
1111
000
111
0
1 0
1
0
1 11111111111111
00000000000000
0000
1111
000
111
0
1 0
1 00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 00000000000000
11111111111111
0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1
0000
1111
000
1110
1 0000000000
1111111111
00000000000000
11111111111111
0
1
0000
1111
000
1110
1 0000000000
1111111111
00000000000000
11111111111111
0
1
0000
1111
000
1110
1 0000000000
1111111111
00000000000000
11111111111111
0
1
0000
1111
000
111
0
1 0
1
0
1 0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 0000000000
1111111111
00000000000000
11111111111111
0000000000
1111111111
0000
1111
000
111
0
1
0000
1111
000
111
0 1
1
0
1
00 σ 00000000000000
11111111111111
0000000000 1
1111111111
00000000000000
11111111111111
0000000000
1111111111 Re z
0000
1111
000
111
0
1 0
1 00000000000000
11111111111111
0000000000
1111111111
0000
1111
000
111
0
1 0
1 00000000000000
11111111111111
0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1
0000
1111
000
1110
1 0000000000
1111111111
00000000000000
11111111111111
0
1
0000
1111
000
1110
1 0000000000
1111111111
00000000000000
11111111111111
0
1
0000
1111
000
111
0
1 0
1
0
1 00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 00000000000000
11111111111111
0000
1111
000
111
0 1
1 0
1 00000000000000
11111111111111
0000
1111
000
111
0
1
000000
1111110
0000
1111
000
111
0
1
000000
1111110
1
0
1
000000
1111110
1
0
1
0000000
1111111
000000
1111110
1
0
1
0000000
11111110
1
0
1
0 1
0000000
1111111
1 0
0
1
0000000
1111111
Plano "s" Plano "z"
Figura 7.2: Relación entre los planos s y z
La función z = esT crea una correspondencia entre los puntos del plano s y
el plano z (ambos son complejos). La correspondencia es fácilmente apreciable si
se escribe
z = esT = eσT ei2πuT
donde la primera exponencial es el módulo de z,
|z| = eσT
y el ángulo está definido por u.

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

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

f [n] con f [n] = 0 para n < n0 está al exterior de una circunferencia en
el espacio z. Intuitivamente esto se puede verificar de la siguiente manera:
7.4 Propiedades de la transformada Z 203
la transformada Z tendrá infinitos términos de la forma f [n]z −n que serán

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

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

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

Las propiedades de la transformada Z se derivan directamente de las propiedades
de la DTLT, que a su vez son equivalentes a las de la DTFT.
Sea
f [n] −→ F (z) rα < |z| < rβ
204 Transformada Z
1/2 1
1
Figura 7.3: | z |> 2
y
g[n] −→ G(z) sα < |z| < sβ
Se tienen las siguientes propiedades:
1. Linealidad
af [n] + bg[n] −→ aF (z) + bG(z) máx(rα , sα ) < |z| < mı́n(rβ , sβ )
2. Inversión
f [−n] −→ F (z −1 ) rα < |z|−1 < rβ
3. Desplazamiento
f [n − m] −→ z −m F (z) rα < |z| < rβ
4. Convolución
f [n] ∗l g[n] −→ F (z)G(z) máx(rα , sα ) < |z| < mı́n(rβ , sβ )
5. Diferenciación en la frecuencia
d
nf [n] −→ −z F (z) rα < |z| < rβ
dz
7.5 Polos y ceros en el plano Z 205
6. Escalamiento en frecuencia
z0n f [n] −→ F (z0−1 z) rα < |z/z0 | < rβ
Si z0 es complejo la transformada Z es rotada en el plano z (la transformada

de Laplace es trasladada). El módulo de z0 produce un escalamiento del
plano z.
7. Decimación
f(k) [n] −→ F (z k ) rα < |z|1/k < rβ
donde
f [n/k] si n es múltiplo de k
f(k) [n] =
0 otro caso
7.5. Polos y ceros en el plano Z

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

cada una de las siguientes funciones:
a) f (t) = eαt (t)

b) f [n] = eαn [n]
c) f [n] = an [n]
Encuentre las transformadas (no olvide encontrar la región de convergencia

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

de una función causal f [n] (análogas a las propiedades de la transformada
de Laplace):
f [0] = F (z)|z=∞
lı́m f [N ] = lı́m (1 − z −1 )F (z)

N →∞ z→1
4. Describa el algoritmo FZT (Fast Z Transform), análogo al algoritmo FFT

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

pansión en fracciones parciales y en una serie de potencias. Para esta última
se debe realizar la división de polinomios, para encontrar los coeficientes de
z −n . La región de convergencia es el plano que está afuera de una circun-
ferencia (centrada en el origen) que contiene todos los polos.
7.6 Ejercicios 207
a)
z −1 − 5
Fa (z) =
(az −1 − 1)(bz −1 − 1)
b)
z −1 − 5
Fb (z) =
(az −1 − 1)(bz −1 + 1)
c)
z −2 − z −1 − 5
Fc (z) =
(az −1 − 1)(bz −1 + 1)
d)
z −3 + 2z −2 − z −1 − 5
Fd (z) =
(az −1 − 1)(bz −1 + 1)(0, 2z −1 − 1)
6. Se tiene tres sistemas caracterizados por las siguientes ecuaciones de difer-

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

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

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

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

a)
∞ −n
X 1
e−n
2
n=0
b)
∞ −n
X 1
sen 0, 1n
3
n=0
c)
∞
X
e−0,3n sen 0, 1n
n=0
d)
∞
X
2−2n sen2 0, 1n
n=0
10. Se tiene un sistema lineal causal, descrito por y 0 (t) + ay(t) = x(t). Para
simularlo en el computador se discretiza empleando la aproximación y 0 (t) ≈
y(nT ) − y(nT − T ).
a) ¿Para qué valores de a el sistema continuo es estable?

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

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

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

7.6 Ejercicios 209
b)
N
X
F (z) = (2/3)k z −k
k=−N
con una región de convergencia dada por |z| < 1.

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

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

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

en un gráfico su región de convergencia.
16. Encuentre la función causal cuya transformada Z es
z−2
F (z) =
(z + 0,4)(z − 0,3)
17. Sea G(z −1 ) una transformada Z racional con polos singulares en λ0 , λ1 ,...
que puede ser expresada por su expansión en fracciones parciales:
P (z −1 ) ρ0 ρ1
G(z −1 ) = = + + ···
D(z −1 ) 1 − λ0 z −1 1 − λ1 z −1
Encuentre
P (z −1 )

xj = 0 −1
D (z ) z=λj
en función de los residuos ρ0 , ρ1 ,... y de los polos λ0 , λ1 ,..., donde D 0 (z −1 ) =

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

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

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

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

formada Z de g[n]
n
X
f [n] = g[k]
k=−∞
7.6 Ejercicios 211
a) Encuentre la señal causal f [n], cuya transformada Z es

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

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

24. Si la transformada Z de f [n] es F (z) con |z| > a, ¿cuál es la región de
convergencia de f [n − 1]?
25. Empleando división larga, encuentre la transformada Z inversa de
3z 2 + z + 1 − 4z −1 + 2z −2 − 3z −3
F (z) =
1 − z −1
con región de convergencia en todo el plano.
26. ¿Qué puede decir del siguiente lı́mite si se sabe que la región de convergencia
de la transformada Z de f [n] es 0, 5 < |z| < 2?
f [n]
lı́m
n→∞ f [−n]
27. Encuentre la transformada Z de f [n] = (. . . 0, 0, 0, 1, 0, −1, 0, 1, 0, −1 . . .).

28. Encuentre los valores de f [n], para −7 < n < 7, la transformada Z inversa
de
z 2 + 2z − 1
F (z) = 3 |z| > rα
z + 2z 2 + 3z 3 + 4
212 Transformada Z
29. Encuentre los valores de f [n], para −4 < n < 4, la transformada Z inversa
de
z 2 + 2z − 1
F (z) = 3 |z| < rα
z + 2z 2 + 3z 3 + 4
30. Se sabe que la región de convergencia de la transformada Z de una señal
f [n] derecha (f [n] = 0 para n < n0 ) se extiende hacia afuera del cı́rculo
|z| = rα , para algún rα . Encuentre los valores de n0 para que esa región de
convergencia incluya a z = ∞.
31. Se conocen los siguientes pares de Laplace

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

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

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

Z ∞
f (x) = F (u)k0 (u, x) du.
−∞
Para la transformada de Fourier, k(u, x) = e−i2πux y k0 (u, x) = ei2πux . En

esta sección definiremos otros núcleos k(u, x) que a su vez definen diferentes
transformadas.
213
214 Otras transformadas
8.1.1. Transformada coseno y transformada seno

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

Z ∞
f (x) = 2 FC (u) cos 2πux du.
0
Nótese que la transformada coseno ignora los valores de f (x) para x < 0 y asume
implı́citamente que f (x) es par.
Análogamente se define k(u, x) = 2 sen 2πx (x) en la transformada seno
Z ∞
FS (u) = 2 f (x) sen 2πux dx,
0
cuya transformada inversa es

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

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

Si se define k(q, r) = 2πJ0 (2πqr)r (r), la transformada de Hankel es
Z ∞
FH (q) = 2π f (r)J0 (2πqr)r dr
0
y su inversa Z ∞
f (r) = 2π FH (q)J0 (2πqr)q dq
0
8.1 Transformadas continuas 215
donde J0 es la función de Bessel de primer tipo y orden 0, definida, por ejemplo

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

interpretada como la transformada de Fourier para objetos de 2 dimensiones con
simetrı́as circulares. Si se tiene un objeto circularmente simétrico f (x, y) = f (r)
con r 2 = x2 + y 2 , la transformada de Fourier es también circularmente simétrica,
esto es, F (u, v) = F (q) con q 2 = u2 + v 2 , siendo F (q) la transformada de Hankel
de f (r).
La transformada de Hankel se puede generalizar a n dimensiones:
Z ∞
2π 1
FH n(q) = n −1 f (r)J n2 −1 (2πqr)r 2 n dr,
q2 0
donde la función de Bessel Jn (primer tipo, orden n) se puede definir como
( z2 )n
Z π
Jn (z) = cos(z cos φ) sen2n φ dφ.
Γ(n + 21 )Γ( 12 ) 0
Esta transformada también se puede interpretar como la transformada de

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

Si se define k(x, s) = xs−1 (x), se tiene la transformada de Mellin
Z ∞
FM (s) = f (x)xs−1 dx,
0
cuya inversa es
c+i∞
1
Z
f (x) = FM (s)x−s ds.
2πi c−i∞
La transformada de Mellin está relacionada con la transformada de Laplace,
a través del cambio de variable x = e−t .
8.1.4. Transformada de Abel

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

∞
f (r)r
Z
fA (x) = 2 √ dr
x r 2 − x2
y su inversa
∞
1 f 0 (x)
Z
f (r) = − √ A dx,
π r x2 − r 2
donde fA0 (x)
es la derivada respecto de x de fA (x).
Esta transformada unidimensional cobra importancia si la utilizamos para
analizar sistemas de dos dimensiones con simetrı́a circular, ya que en estos casos
la transformada de Abel representa la proyección de la función en un ángulo
cualquiera.
Existe además una relación intrı́nseca entre esta transformada, la transfor-
mada de Hankel y la de Fourier para objetos circularmente simétricos como se
muestra en la figura 8.1 en la que el sentido de la flecha indica la dirección de la
transformada directa.
Esta relación es utilizada para reconstruir imágenes tomográficas a partir de
proyecciones.
8.1.5. Transformada de Hilbert

Si se define
1 1
k(s, x) =
πx−s
8.1 Transformadas continuas 217
se tiene la transformada de Hilbert,

∞
1 f (x)
Z
FHi (s) = dx
π −∞ x−s
y su transformada inversa es
∞
1 FHi (s)
Z
f (x) = − ds.
π −∞ s−x
La transformada de Hilbert es de especial relevancia para definir señales

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

Si se define
k(u, x) = gα (x − b)e−i2πux
con
1 x2
gα (x) = √ e− 4α ,
2 πα
se tiene la transformada de Gabor,
Z ∞
Fbα (u) = f (x)gα (x − b)e−i2πux dx,
−∞
cuya inversa es
∞
ei2πux
Z
f (x) = Fbα (u) du.
−∞ gα (x − b)
Como se puede apreciar esta transformada es muy similar a la transformada

de Fourier en la que la señal es previamente apodizada por la ventana de Gauss
gα (x − b). Esta ventana depende de dos parámetros: α > 0 define el ancho de
la ventana y b la posición en la que está centrada. La motivación para esto es
obtener el contenido de frecuencia de la señal en forma localizada en el espacio.
Esta es también la idea básica de las transformadas de wavelet. La localización
en el espacio tiene como consecuencia que la transformada inversa sea difı́cil de
evaluar para valores de x muy diferentes de b, ya que gα (x − b) tiende a cero.
Algunas bases de la transformada de Gabor se muestran en la figura 8.2.
real real
imag imag
x x
(a) α = 2 (b) α = 1
real real
imag imag
x x
(c) α = 1/4 (d) α = 1/16
Figura 8.2: Bases de la transformada de Gabor con b = 0 y u = 1 para α =

2, 1, 1/4 y 1/16
8.2 Transformadas discretas 219
8.2. Transformadas discretas

Si f es un vector en el espacio, la multiplicación matricial
F = Wf
representa un cambio de base, es decir, una transformación discreta, que también

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

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

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

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

Las transformadas de Walsh y Hadamard fueron de las primeras empleadas
para el procesamiento de imágenes. La gran ventaja sobre transformadas de bases
sinusoidales es su facilidad de computación, sólo requieren de sumas y restas. La
idea es reemplazar las sinusoides por trenes de pulsos cuadrados, por lo que tam-
bién se las conoce como representación de Fourier binaria. Ambas son idénticas,
excepto por un reordenamiento de las filas en la matriz de transformación. Es
común hablar de la transformada de Walsh-Hadamard para referirse a cualquiera
de las dos.
La transformada de Hadamard se define como
N −1
1 X P n−1
FH [k] = f [n](−1) i=0 bi (n)bi (k) ,
N n=0
donde bi (n) es el bit número i de la representación binaria de n.

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

nales, las transformadas inversas están definidas por la misma ecuación, excepto
por el factor N1 :
N
X −1 P n−1
f [n] = FH [k](−1) i=0 bi (n)bi (k) ,
k=0
1
ISO, International Standarization Organization
2
CCITT, Consultative Committee of the International Telephone and Telegraph
3
JPEG, Joint Photographic Experts Group
4
MPEG, Motion Picture Experts Group
8.3 Series 221
N
X −1 n−1
Y
f [n] = FW [k] (−1)bi (n)bn−1−i (k) .
k=0 i=0
Para N = 8, la matriz de transformación de la transformada de Walsh es
1 1 1 1 1 1 1 1
 
 1 1 1 1 −1 −1 −1 −1 
 
 1 1 −1 −1 1 1 −1 −1 
 
 1 1 −1 −1 −1 −1 1 1 
W=  1
,
 −1 1 −1 1 −1 1 −1  
 1 −1 1 −1 −1 1 −1 1 
 
 1 −1 −1 1 1 −1 −1 1 
1 −1 −1 1 −1 1 1 −1
y la de Hadamard
1 1 1 1 1 1 1 1
 

 1 −1 1 −1 1 −1 1 −1 


 1 1 −1 −1 1 1 −1 −1 

 1 −1 −1 1 1 −1 −1 1 
W= .

 1 1 1 1 −1 −1 −1 −1 


 1 −1 1 −1 −1 1 −1 1 

 1 1 −1 −1 −1 −1 1 1 
1 −1 −1 1 −1 1 1 −1
Ejemplo 8.2.1 Sea f [n] = (1 2 −1 3), con N = 4, la transformada de Hadamard

es       
F [0] 5 1 1 1 1 1
 F [1]  1  −5  1  1 −1 1 −1   2 .
 
 F [2]  = 4  1  = 4  1
    
1 −1 −1   −1 
F [3] 3 1 −1 −1 1 3
Es decir, F [n] = (5/4 − 5/4 1/4 3/4).
8.3. Series
8.3.1. Introducción
Una función expresada como una serie es la suma de las funciones bases
ponderadas por los coeficientes de la serie. Por ejemplo, la serie de Fourier suma
senos y cosenos para representar funciones periódicas. Naturalmente, se pueden
definir series que emplean bases no sinusoidales. Para que sea posible encontrar
los coeficientes de la serie a partir de la función original, es necesario que la base
sea una clase ortogonal de funciones. Por otro lado, para que la expansión exista
es necesario que la base sea un conjunto ortogonal completo y que la función
original cumpla con las condiciones de Dirichlet (ver nota al pie de página 69).
Las funciones Wk (x) son ortogonales en el rango [x1 , x2 ] con respecto a la
ponderación p(x) si
Z x2
p(x)Wj (x)Wk∗ (x) dx = λk δ[j − k],
x1
donde p(x) > 0 y λk es una constante. Las funciones se llaman ortonormales si

λk = 1.
Si Wk (x) es ortogonal y además es completo, se puede escribir la expansión
de f (x) como
X∞
f (x) = ak Wk (x) x1 ≤ x ≤ x2 ,
k=−∞
donde ak son los coeficientes constantes de la serie, o
∞
X
f (x) = ak Wk (x) x1 ≤ x ≤ x2 ,
k=0
cuando Wk (x) son reales.

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

Z x2
= p(x)(f (x) − g(x))2 dx
x1
8.3 Series 223
cuando bk = ak para −N, . . . N .

A continuación se definirán transformadas (series) a partir de algunos poli-
nomios conocidos.
8.3.2. Transformada de Hermite

Los polinomios de Hermite se definen como
dk −x2 2
Hk (x) = (−1)k ex
e ,
dxk
y son ortogonales en el rango −∞ ≤ x ≤ ∞ con el ponderador
2
p(x) = e−x
Z ∞ √
2
e−x Hj (x)Hk (x) dx = 2k k! πδ[j − k].
−∞
La transformada de Hermite se puede definir como
Z ∞
1 2
F [k] = k √ f (x)e−x Hk (x) dt
2 k! π −∞
y su inversa
∞
X
f (x) = F [k]Hk (x) − ∞ ≤ x ≤ ∞.
k=0
8.3.3. Transformada de Laguerre

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

Los polinomios de Legendre se definen como
1 dk 2
Pk (x) = (x − 1)k ,
2k k! dxk
y son ortogonales en el rango −1 ≤ x ≤ 1 con el ponderador
p(x) = 1
1
2
Z
Pj (x)Pk (x) dx = δ[j − k].
−1 2k + 1
La transformada de Legendre se puede definir como
2k + 1 1
Z
F [k] = f (x)Pk (x) dx
2 −1
y su inversa
∞
X
f (x) = F [k]Pk (x) − 1 ≤ x ≤ 1.
k=0
8.3.5. Transformada de Chebyshev

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

1
p(x) = √
1 − x2
1
1 π
Z
√ Tj (x)Tk (x) dx = δ[j − k].
−1 1 − x2 2 − δ[k]
La transformada de Chebyshev se puede definir como
2 − δ[k] 1 1
Z
F [k] = f (x) √ Tk (x) dx
π −1 1 − x2
y su inversa
∞
X
f (x) = F [k]Tk (x) − 1 ≤ x ≤ 1.
k=0
8.4 Ejercicios 225
8.4. Ejercicios
1. Encuentre la transformada coseno y seno de u(x).
2. Encuentre la transformada de Hankel de u(r/2) y de 1/r.
3. Si las transformadas de Hankel de f (r) y g(r) son F (q) y G(q), encuentre

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

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

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

Z ∞
F (u) = f (x)k(ux) dx
0
es Z ∞
f (x) = F (u)k(ux) du
0
si K(s)K(1 − s) = 1, donde K(s) es la transformada de Mellin de k(x).
7. Demuestre que
1
F = − K ∗ FA0
π
donde Z ∞
FA (x) = K(x − r)F (r) dr
0
con
1
K(x) = √ (−x).
−x
Esta es la versión modificada de la transformada de Abel.
2
8. Si f (r) = e−πr , encuentre la transformada de Abel, fA (x) y la transformada
de Hankel, F (q). Compruebe que la transformada de Fourier de fA (x) es
F (q).
9. Encuentre la señal analı́tica f (t) − iFHi (t) para f (t) = cos ωt.
10. Muestre que la magnitud del espectro de una señal f (x) y la magnitud del
espectro de su transformada de Hilbert, FHi (x) son iguales. ¿Qué puede
decir de las fases?
11. Si FC [k] es la DCT de f [n], encuentre FC [0] en función de f [n].
12. Obtenga la DCT de f [n] = δ[n] y f [n] = 1[n] en función de N . Obtenga la

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

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

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

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

el caso continuo y f [n] en el caso discreto. Es evidente que estas transformadas son
sólo aplicables, en general, a problemas basados en señales de una dimensión, tales
como sonido, ondas de radio, aceleraciones en movimientos telúricos, corriente
eléctrica en función del tiempo, etc.
Con un mı́nimo de esfuerzo es posible generalizar la transformada de Fourier
a dos o más dimensiones para poder aprovechar su potencial como herramienta
de análisis en problemas que naturalmente son de dos o más dimensiones. La
transformada de Fourier de dos dimensiones es particularmente útil para analizar
imágenes, pero también se la emplea en problemas tan variados como membranas,
antenas, difracción, etc.
En este capı́tulo se extenderá la transformada de Fourier a dos dimensiones,
tanto en el caso continuo como discreto.
9.1. Funciones
Una función de dos dimensiones puede definirse por una fórmula de la for-
ma f (x, y) que asigna un valor, real o complejo, para cada posición x e y. La
función f (x, y) se dice separable si f (x, y) = f1 (x)f2 (y).
p La función f (x, y) es cir-
cularmente simétrica si f (x, y) sólo depende de r = x2 + y 2 , es decir, se puede
expresar como f (r).
227
228 Transformada de Fourier en dos dimensiones
Gauss(x,y)
Figura 9.1: Gauss(x, y)
9.1.1. Gauss
Empleando la misma definición que para una dimensión, tenemos
2 +y 2 ) 2
Gauss(x, y) = Gauss(r) = e−π(x = e−πr .
La figura 9.1 muestra un gráfico de esta función. Esta es una función separable,
ya que
Gauss(x, y) = Gauss(x)Gauss(y).
Al igual que para una dimensión, la función de Gauss en dos dimensiones se
transforma en sı́ misma.
9.1.2. Uno
La función uno en dos dimensiones representa un plano de altura uno, es decir,
1(x, y) = 1.
Evidentemente, la función uno es separable, ya que
1(x, y) = 1(x)1(y).
9.1.3. Rect
La función rect en dos dimensiones se define como
si |x| < 12 e |y| < 12

1
u(x, y) =
0 en todo otro caso
9.1 Funciones 229
rect(x,y)
Figura 9.2: u(x, y)
circ(x,y)
Figura 9.3: circ (x, y) = u(r)
La figura 9.2 muestra la función rect.

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

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

valor −1 en el segundo y cuarto cuadrante del plano x-y, como se aprecia en la
figura 9.4.
Podemos suponer que el valor de la función en los lı́mites entre cuadrantes,
es decir para x = 0 y para y = 0, es cero.
9.1.5. Jinc
Debido a la importancia que tiene la función circ y su transformada de Fourier,
es conveniente definir la función jinc. La función jinc es una función de una
dimensión definida como
J1 (πx)
jinc x =
2x
donde J1 es la función de Bessel de primer tipo y primer orden ( jinc (0) = π/4).
La función jinc en una dimensión se grafica en la figura 9.5.
La función jinc interpretada como una función circularmente simétrica de dos
dimensiones, en la que la variable independiente es el radio se aprecia en la figura
9.6. Esta es la transformada de Fourier de la función circ.
9.1 Funciones 231
jinc x
Figura 9.5: jinc x
jinc r
p
Figura 9.6: jinc x2 + y 2
9.1.6. Impulso
Al igual que para una dimensión, es muy útil definir un impulso en dos di-
mensiones. Este representa una cantidad muy intensa y localizada en el espacio.
Se define el impulso en dos dimensiones de manera que satisface las siguientes
dos condiciones:
2
δ(x, y) = 0 x 6= 0 ó y 6= 0
y Z ∞ Z ∞
2
δ(x, y) dx dy = 1.
−∞ −∞
Esto significa que la amplitud del impulso es infinito en el origen. Para traba-
jar con este sı́mbolo es conveniente definir una función aproximante que tienda
al impulso, por ejemplo se puede usar la siguiente definición
2 1 x y
δ(x, y) = lı́m u ( , ).
τ →0 τ2 τ τ
De esta definición se puede apreciar que la función impulso es separable ya que
la función rect lo es, es decir,
2
δ(x, y) = δ(x)δ(y).
9.1.7. Impulsos de lı́nea

En dos dimensiones existen más variantes para el impulso. El impulso de la
sección anterior, 2 δ(x, y), está localizado en un punto y tiene volumen unitario.
También es posible definir un impulso que esté localizado en una lı́nea y que
tenga un volumen unitario por unidad de longitud. Esto es un impulso de lı́nea.
El impulso de lı́nea se puede definir empleando la función impulso para una
dimensión como
δ(f (x, y)).
Este impulso de lı́nea estará localizado en la lı́nea definida por f (x, y) = 0. La
magnitud del impulso (volumen por unidad de longitud) no es necesariamente
unitaria. Dependerá de la curvatura de f (x, y). De hecho, la magnitud del impulso
es
1
|∇f |f (x,y)=0
Ejemplo 9.1.1 Calculemos la magnitud de un impulso de lı́nea circular

p
δ(r − R) = δ( x2 + y 2 − R).
9.2 Respuesta al impulso y convolución 233
Es evidente que el impulso estará definido

p en la circunferencia centrada en el
origen y de radio R. Ya que f (x, y) = x2 + y 2 − R, tenemos
∂f x
=p
∂x x + y2
2
y
∂f y
=p ,
∂y x + y2
2
por lo que s
∂f 2 ∂f
|∇f | = ( ) + ( )2 = 1.
∂x ∂y
Es decir, un impulso de lı́nea circular tiene magnitud unitaria (volumen unitario
por unidad de longitud). En otras palabras la integral de volumen en todo el
espacio es 2πR.
9.1.8. Shah
Para muestrear una función de dos dimensiones en forma uniforme resulta
muy conveniente definir el sı́mbolo shah de dos dimensiones
∞
X ∞
X
2
(x, y) = δ(x − n, y − m).
n=−∞ m=−∞
El sı́mbolo shah distribuye impulsos en una malla cartesiana con separación uni-
taria entre ellos. Si cada impulso es representado por una flecha, shah parece una
cama de clavos.
Por separabilidad del impulso se tiene que
(x, y) = (x) (y).
9.2. Respuesta al impulso y convolución

De la misma manera de como se definió la respuesta al impulso y convolución
para sistemas de una dimensión, tanto continuos como discretos, se tiene para
sistemas de dos dimensiones que
Z ∞Z ∞
g(x, y) = f (ξ, η)L{2 δ(x − ξ, y − η} dξ dη
−∞ −∞
donde g(x, y) es la salida del sistema lineal L{·} a la entrada f (x, y).
La respuesta al impulso es
h(x, y, ξ, η) = L{2 δ(x − ξ, y − η}
por lo que la salida del sistema es la integral de superposición

Z ∞Z ∞
g(x, y) = f (ξ, η)h(x, y, ξ, η) dξ dη.
−∞ −∞
Si el sistema es además invariante en x e y, la salida es la convolución de la

entrada con la respuesta al impulso
Z ∞Z ∞
g(x, y) = f (x, y) ∗ h(x, y) = f (ξ, η)h(x − ξ, y − η) dξ dη.
−∞ −∞
La convolución, por supuesto, es muy similar a la correlación, definida por

Z ∞Z ∞
f (x, y) ? h(x, y) = f (ξ, η)h(x + ξ, y + η) dξ dη.
−∞ −∞
La correlación en dos dimensiones es relevante en el procesamiento de imágenes

como un método para buscar patrones. Para encontrar la posición del patrón
h(x, y) en la imagen f (x, y), el máximo de la correlación entre esas dos señales es
un buen estimador.
Es fácil obtener una intuición de la correlación y convolución (que invierte
una de las señales) si se las piensa como el desplazamiento de una imagen sobre
la otra. Para cada desplazamiento se computa el volumen del producto de ambas
imágenes. Este volumen es el valor de la correlación para ese desplazamiento.
Ejemplo 9.2.1 La función u(x)δ(y) es un impulso de lı́nea que es diferente de

cero sólo para el eje x desde −1/2 a +1/2. Calculemos la convolución
u(x)δ(y) ∗ δ(x) u (y).
Como se puede apreciar de la figura 9.7, la convolución se puede obtener gráfi-

camente. En ésta se representa las dos funciones a convolucionar. Una de ellas,
u(x)δ(y), está en su posición original. La otra, δ(x) u (y) está desplazada en 1/2
en el sentido x y algo en el sentido y. Con lı́nea segmentada se indican desplaza-
mientos de −1/2 a 1/2 en el sentido y. Cuando un rect no intercepta al otro,
la convolución vale cero. Esto ocurre para valores de desplazamiento superiores a
Figura 9.7: Obtención gráfica de u(x)δ(y) ∗ δ(x) u (y)
1/2. Para desplazamientos menores, la convolución valdrá el volumen bajo el pro-

ducto de dos impulsos de lı́nea que se cruzan. Por ejemplo, para desplazamientos
de x = 0 e y = 0, Z ∞ Z ∞
δ(x)δ(y) dx dy,
−∞ −∞
que por separabilidad del impulso en dos dimensiones es

Z ∞Z ∞ Z ∞Z ∞
2
δ(x)δ(y) dx dy = δ(x, y) dx dy = 1.
−∞ −∞ −∞ −∞
Es decir,
u(x)δ(y) ∗ δ(x) u (y) = u(x, y)
9.3. Transformada de Fourier

9.3.1. Definición
La transformada de Fourier en dos dimensiones se define como
Z ∞Z ∞
F (u, v) = f (x, y)e−i2π(ux+vy) dx dy
−∞ −∞
y su inversa como
Z ∞ Z ∞
f (x, y) = F (u, v)ei2π(ux+vy) du dv,
−∞ −∞
donde u y v son las variables recı́procas, es decir frecuencias, de x e y.

Análogamente al caso de una dimensión, la transformada F (u, v) define la
amplitud y fase de las funciones bases de Fourier en dos dimensiones, que son
Wuv (x, y) = e−i2π(ux+vy) .
Las funciones bases tienen magnitud uno y una fase que varı́a linealmente en la
dirección definida por el vector [u v]. En la figura 9.8 se observa la parte real e
imaginaria de algunas de estas funciones
Wuv (x, y) = e−i2π(ux+vy) = cos 2π(ux + vy) − i sen 2π(ux + vy).
9.3.2. Propiedades
La mayorı́a de las propiedades de la transformada de Fourier en una dimen-
sión (sección 3.5) se pueden extender en forma inmediata a dos dimensiones. Si
f (x, y) −→ F (u, v) y g(x, y) −→ G(u, v), se tiene
1. Dualidad
F (x, y) −→ f (−u, −v)
2. Linealidad
Si a y b son constantes (reales o complejas) se tiene:
af (x, y) + bg(x, y) −→ aF (u, v) + bG(u, v)
3. Similitud o Escalamiento
Si a y b son constantes reales, se tiene:
1 u v
f (ax, by) −→ F( , )
|ab| a b
4. Desplazamiento
Si a y b son constantes reales, se tiene:
f (x − a, y − b) −→ e−i2π(au+bv) F (u, v)
Real(f(x,y)) Im(f(x,y)) Im(f(x,y))

Real(f(x,y))
y y y
y
x x x
x
(a) u = −0, 5, v = −0, 5 (b) u = −0, 5, v = 0

Real(f(x,y)) Im(f(x,y))
Im(f(x,y)) Real(f(x,y))
y y
y y
x x
x x
(c) u = −0, 5, v = 0, 5 (d) u = 0, v = −0, 5

Im(f(x,y)) Real(f(x,y)) Im(f(x,y))
Real(f(x,y))
y y y
y
x x x
x
(e) u = 0, v = 0 (f) u = 0, v = 0, 5
Real(f(x,y)) Im(f(x,y)) Im(f(x,y))
Real(f(x,y))
y y y
y
x x x
x
(g) u = 0, 5, v = −0, 5 (h) u = 0, 5, v = 0

Real(f(x,y)) Im(f(x,y))
y y
x x
(i) u = 0, 5, v = 0, 5
Figura 9.8: Partes real (cos 2π(ux+vy)) e imaginaria (sen 2π(ux+vy)) de algunas
bases de Fourier en dos dimensiones
5. Convolución
f (x, y) ∗ g(x, y) −→ F (u, v)G(u, v)
6. Producto
f (x, y)g(x, y) −→ F (u, v) ∗ G(u, v)
7. Teorema de la Potencia
Z ∞Z ∞ Z ∞ Z ∞
∗
f (x, y)g (x, y) dx dy = F (u, v)G∗ (u, v) du dv
−∞ −∞ −∞ −∞
donde g∗ (x, y) es el complejo conjugado de g(x, y)
8. Teorema de Rayleigh o Energı́a (caso especial del Teorema de la Potencia)

Z ∞ Z ∞ Z ∞ Z ∞
2
|f (x, y)| dx dy = |F (u, v)|2 du dv
−∞ −∞ −∞ −∞
9. Derivada
∂
f (x, y) −→ i2πuF (u, v)
∂x
y
∂
f (x, y) −→ i2πvF (u, v).
∂y
También se tiene
2
∂2

∂
+ + f (x, y) −→ −2π 2 (u2 + v 2 )F (u, v)
∂x2 ∂y 2
A continuación se destacan tres propiedades que son propias de la bidimen-

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

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

mostrar si se considera que las bases de Fourier también son separables,
Z ∞Z ∞
F (u, v) = f (x, y)e−i2π(ux+vy) dx dy
−∞ −∞
Z ∞Z ∞
= f1 (x)e−i2πux f2 (y)e−i2πvy dx dy
Z−∞
∞
−∞
Z ∞
−i2πux
= f1 (x)e dx f2 (y)e−i2πvy dy
−∞ −∞
= F1 (u)F2 (v).
Mucho cuidado se debe tener en no confundir la propiedad de la convolución

con la separabilidad. Alguien que despreocupadamente no notara que las
variables son distintas podrı́a no darse cuenta que f (x)g(y) −→
6 F (u)∗F (v).
2. Transformación afı́n
Ya se presentó la propiedad del escalamiento para la transformada de Fouri-
er de dos dimensiones. Esta propiedad permite conocer cómo se modifica la
transformada de Fourier si el plano x-y es “remapeado” al plano ax-by. Es
indudable, que éste es un caso particular de transformación afı́n. La pre-
gunta es cómo cambia la transformada de Fourier al realizar el siguiente
cambio de variable
x0 = S x x + σ x y + x0 e y 0 = σy x + S y y + y 0 .
Teorema de la transformación afı́n. Si F (u, v) es la transformada de

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

1 1 i2π[(Sy x0 −σx y0 )u+(Sx y0 −σy x0 )v] Sy u − σy v −σx u + Sx v
e ∆ F ,
|∆| ∆ ∆
donde
S x σx
∆=
= S x S y − σx σy .
σy S y
Los coeficientes Sx y Sy representan escalamiento puro; los coeficientes σx

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

propiedad de desplazamiento
f (x + x0 , y + y0 ) −→ ei2π[x0 u+y0 v] F (u, v).
Si σx = σy = 0 y x0 = y0 = 0 (∆ = Sx Sy ), se tiene la propiedad de
escalamiento,
1 u v
f (Sx x, Sy y) −→ F , .
|Sx Sy | Sx Sy
Si Sx = cos θ, Sy = cos θ, σx = − sen θ, σy = sen θ y x0 = y0 = 0 (∆ = 1),
se tiene la propiedad de la rotación
f (x cos θ − y sen θ, x sen θ + y cos θ) −→ F (u cos θ − v sen θ, u sen θ + v cos θ),
es decir, una rotación en un ángulo θ en el plano x-y implica una rotación

también, en el plano u-v y en el mismo ángulo. Es sorprendente que la
rotación en ambos planos sea en el mismo sentido.
3. Teorema de la sección central
Existe una interesante relación entre las proyecciones de una función y su
transformada de Fourier. Esta dice que la transformada unidimensional de
una proyección es la sección de la transformada bidimensional en el mismo
ángulo. Esta propiedad ha sido fundamental en el desarrollo de la tomo-
grafı́a computarizada. En el caso de los tomógrafos de rayos X, los datos
recolectados son precisamente proyecciones del cuerpo a variados ángulos.
El proceso de reconstrucción consiste en reconstituir la función (imagen) a
partir de sus proyecciones. Usando el teorema de la sección central, el pro-
ceso se reduce a ensamblar la transformada de Fourier de dos dimensiones a
partir de secciones de ella. Cada sección, por el teorema, es la transformada
unidimensional de la proyección.
Una proyección de f (x, y) en el ángulo θ, es decir sobre la lı́nea recta ξ =
x cos θ + y sen θ, es gθ (ξ) y se puede encontrar como
Z ∞
gθ (ξ) = f (ξ cos θ − η sen θ, ξ sen θ + η cos θ) dη
−∞
donde ξ es un parámetro definido a lo largo de la recta y η es la distancia

perpendicular a la recta. Para estos propósitos se define la transformada de
Radon haciendo k(θ, ξ, x, y) = δ(ξ − x cos θ − y sen θ), es decir,
Z ∞Z ∞
gθ (ξ) = Radon{f (x, y)} = f (x, y)δ(ξ − x cos θ − y sen θ) dx dy.
−∞ −∞
La sección central de la función F (u, v) en un ángulo θ se define como
F (w cos θ, w sen θ),
es decir, es un corte al ángulo θ que pasa por el origen.
Teorema de la sección central. Sea gθ (ξ) la proyección de f (x, y) en

el ángulo θ y sea F (u, v) la transformada de Fourier en dos dimensiones
de f (x, y). La transformada de Fourier en una dimensión de gθ (ξ) es la
sección central de F (u, v) en el ángulo θ.
Es instructivo analizar el caso θ = 0. Para otros ángulos basta aplicar la

propiedad de la rotación. Si la proyección es en el eje x = 0 (θ = 0) se tiene
ξ = x y η = y, por lo que la proyección es
Z ∞
g0 (ξ) = f (ξ, η) dη.
−∞
La transformada de Fourier en una dimensión de la proyección es

Z ∞
F{g0 (ξ)} = g0 (ξ)e−i2πξu dξ
−∞
Z ∞Z ∞
= f (ξ, η) dηe−i2πξu dξ
Z−∞ −∞
∞ Z ∞
= f (ξ, η)e−i2π(ξu+η0) dξ dη
−∞ −∞
= F (u, v = 0).
9.3.3. Ejemplos
A continuación se presentan algunos ejemplos simples de transformadas de
Fourier en dos dimensiones. Nótese que r 2 = x2 + y 2 , q 2 = u2 + v 2 , x = r cos θ,
y = r sen θ, u = q cos φ y v = q sen φ.
2 2
Gauss(x, y) −→ Gauss(u, v) (e−πr −→ e−πq )
u(x, y) −→ sinc u sinc v

sinc x sinc y −→ u(u, v)
u(x) −→ sinc uδ(v)
2
δ(x, y) −→ 1(u, v)
1(x, y) −→ 2 δ(u, v)
δ(x) −→ δ(v)
δ(y) −→ δ(u)
(x, y) −→ (u, v)
(x) −→ (u)δ(v)
↑↑ (x)δ(y) −→ cos πu
↑↑ (x) −→ δ(v) cos πu
u(r) −→ jinc q
2 2
Gauss(x) −→ Gauss(u)δ(v) (e−πx −→ e−πu δ(v))
−1
sgn(x, y) −→
π 2 uv
sen 2θ −→ 2 δ(u, v) sen 2φ
2 2
e−πr sen 2θ −→ e−πq sen 2φ
9.4. Transformada de Fourier discreta

La transformada de Fourier discreta de dos dimensiones (2DFT) se define
como
N −1 M −1
1 X X ˜
F̃ [k, l] = f [n, m]e−i2π(nk/N +ml/M ) .
N M n=0 m=0
La transformada inversa es
N −1 M −1
f˜[n, m] =
X X
F̃ [k, l]ei2π(nk/N +ml/M ) .
k=0 l=0
Al igual que para una dimensión, la discretización de la función en el espacio

implica periodicidad en la frecuencia, y la discretización en frecuencia implica
periodicidad en el espacio. La figura 9.9 muestra un ejemplo de la representación
continua de la señal periódica. En ella se ven las islas que se producen producto
de la periodicidad. Para una correcta separación de estas islas existe una mı́nima
frecuencia de muestreo (para evitar aliasión), la frecuencia de Nyquist.
f(x,y)
Figura 9.9: f˜(x, y)
El algoritmo FFT para calcular la DFT en una dimensión se puede aplicar

primero a las filas y luego a las columnas de f [n, m] para calcular la 2DFT, es
decir, para cada m se tiene
N −1
1 X
F 0 [k, m] = f [n, m]e−i2πnk/N m = 0...M − 1
N n=0
y para cada k se tiene

M −1
1 X 0
F [k, l] = F [k, m]e−i2πml/M k = 0...N − 1.
M
m=0
La aplicación más común de la 2DFT es como una aproximación de la trans-

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

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

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

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

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

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

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

numerosos puntos (a, b), con a2 + b2 < 5 y la respuesta es siem-
2 2
pre e−(x−a) −(y−b) hasta el lı́mite del instrumento de medición por
lo menos. ¿Hay alguna razón para pensar que el sistema pueda ser
variante?
2 2
Otro sistema siempre entrega la salida e−x −y independiente de la
entrada. ¿Es el sistema invariante y por qué?
5. Sea f3 (x, y) = f1 (x, y)∗f2 (x, y). f1 y f2 son comprimidos en x por un factor
k. ¿Cuál es la relación entre f4 (x, y) = f1 (kx, y) ∗ f2 (kx, y) y f3 (x, y)?
6. Observando que u(r) y jincρ, que forman un par de la transformada Han-

kel, tienen área unitaria, un alumno propone la siguiente
R∞ conjetura:
R ∞ “Si f (r)
tiene una transformada de Hankel F (ρ), entonces 0 f (r) dr = 0 F (ρ) dρ”
¿Será cierto? Demuestre o entregue un contraejemplo.
7. Grafique la siguiente función
{ (x) (x) ↑↓ (y) ∗ (x)δ(y)} ∗ δ(x) u (y)
8. Sea f (x, y) = ( sinc 2 x sinc y (x, y)) ∗ Gauss(x, y)

9.5 Ejercicios 249
a) Encuentre F (u, v), simplificándola lo más posible.

q
b) Grafique F (u, 0) y F (u, π1 ln 2). Indique cuánto vale el máximo para
ambos casos.
c) Evalúe Z ∞ Z ∞
f (x, y)dxdy
−∞ −∞
9. Calcule la magnitud
√ (volumen por unidad de longitud) del impulso de linea
δ(y − x2 ) en x = 2, y = 2.
10. Encuentre la transformada de Fourier en 2D de las siguientes funciones:
a) u(x) u (y)
b) u(x)δ(x, y)
c) (x)δ(y)
d) (x, y) u (y)
11. Se tiene una señal discreta de dos dimensiones f [n, m] cuya 2DFT es F [k, l].
Encuentre la matriz WNM para N = 2 y M = 4 de manera que
F [0, 0] f [0, 0]
   
F [1, 0] f [1, 0]
   
F [0, 1] f [0, 1]
   
F [1, 1] f [1, 1]
=W
NM f [0, 2]
  
F [0, 2]
   
F [1, 2] f [1, 2]
   
F [0, 3] f [0, 3]
F [1, 3] f [1, 3]
APÉNDICE A
CONTEXTO HISTÓRICO DE LA
TEORÍA DE FOURIER
Para entender cómo Fourier llegó a la idea de expresar una función como
una suma de senos y cosenos, lo que hoy conocemos como series de Fourier, es
necesario comprender primero el problema que estaba resolviendo [15].
Al igual que otros cientı́ficos de su época, Fourier se dedicó a estudiar el
problema de la transmisión del calor. El flujo de calor era de interés como un
problema práctico, en el manejo de metales en la industria, y como un problema
cientı́fico, en el intento de determinar la temperatura en el interior de la tierra, la
variación de esa temperatura con el tiempo, y preguntas por el estilo. En el interior
de un cuerpo que está ganando o perdiendo calor, generalmente la temperatura
no está uniformente distribuida y cambia en cada lugar con el tiempo. Es decir, la
temperatura T es una función del tiempo y del espacio. Esta función depende de
la forma del cuerpo, la densidad, el calor especı́fico del material, la distribución
inicial de T , y las condiciones en la superficie del cuerpo. El primer problema
mayor que abordó Fourier en su libro fue la determinación de la distribución de
temperatura T en un cuerpo homogéneo e isotrópico en función de x, y, z y t. El
demostró, en base a principios fı́sicos que T debe satisfacer la ecuación diferencial
parcial, conocida como la ecuación de calor, en tres dimensiones,
2
∂2T ∂2T

∂ T ∂T
+ + = k2 (A.1)
∂x2 ∂y 2 ∂z 2 ∂t
donde k2 es una constante que depende del material.
251
252 Contexto histórico de la teorı́a de Fourier
Fourier, entonces, resolvió problemas especı́ficos de conducción de calor. Con-

sideremos el caso, que es tı́pico de su método para resolver la ecuación (A.1), de
una barra cilı́ndrica de largo l, cuyos extremos son mantenidos a una temperatura
de 0◦ y cuya superficie lateral es aislada, de manera que no hay flujo de calor a
través de ella. Como para esta barra sólo se necesita una dimensión, la ecuación
(A.1) se reescribe como
∂2T ∂T
2
= k2 (A.2)
∂x ∂t
sujeta a las condiciones de bordes
T (0, t) = 0, T (l, t) = 0, para t > 0 (A.3)
y la condición inicial
T (x, 0) = f (x) para 0 < x < l. (A.4)
Para resolver este problema, Fourier, al igual que d’Alambert en 1763, em-
pleó el método de la separación de variables. Escribió
T (x, t) = φ(x)ψ(t) (A.5)
y lo sustituyó en la ecuación diferencial, obteniendo
φ00 (x) ψ 0 (t)

2
= .
k φ(x) ψ(t)
Cada una de estas fracciones debe ser una constante, digamos −λ, de manera que
φ00 (x) + λk2 φ(x) = 0 (A.6)
y
ψ 0 (t) + λψ(t) = 0. (A.7)
Las condiciones de borde (A.3), y en vista de (A.5), implican que φ(0) = 0 y
φ(l) = 0. La solución general de (A.6) es
√
φ(x) = b sen( λkx + c)
La condición φ(0) =√0 implica que c = 0. La condición φ(l) = 0 impone una

limitación en λ, que λ debe ser un multiplo entero de π/kl. De manera que hay
un número infinito de valores posibles λν para λ, que son de la forma
νπ 2
λν = ( ) (ν entero). (A.8)
kl
253
Estos λν son los que ahora nosotros llamamos valores propios. Como la solución
a (A.7) es de la forma exponencial, y λ ya está limitado a los valores λν , Fourier
tenı́a hasta ahı́ que
νπ 2 νπx
Tν (x, t) = bν e−( kl ) t sen
l
donde ahora bν es la constante en vez de b y ν = 1, 2, 3, ..., pero la ecuación (A.2)
es lineal por lo que la suma de soluciones es también una solución, con lo que
Fourier encontró
∞
X νπ 2 νπx
T (x, t) = bν e−( kl ) t sen (A.9)
l
ν=1
Para satisfacer la condición inicial (A.4), se debe tener para t = 0
∞
X νπx
f (x) = bν sen (A.10)
ν=1
l
Fourier se encontró entonces con la pregunta ¿Puede f (x) ser representada

como una serie trigonométrica? ¿En particular, se puede determinar los bν ?
Para responder a estas preguntas Fourier tuvo el cuidado de ser riguroso al
estilo del siglo 18. Por simplicidad vamos a suponer l = π, con lo que consideramos
∞
X
f (x) = bν sen νx para 0 < x < π. (A.11)
ν=1
Fourier tomó cada función seno y la expandió en una serie de potencias por el
teorema de Maclaurin, es decir, usó
∞
X (−1)n−1 ν 2n−1
sen νx = x2n−1 (A.12)
n=1
(2n − 1)!
en vez de sen νx en (A.11). Intercambiando el orden de las sumas, una operación

aceptada en la época, obtuvo
∞ ∞
!
X (−1)n−1 X 2n−1
f (x) = ν bν x2n−1 . (A.13)
n=1
(2n − 1)! ν=1
De esta manera expresó f (x) como una serie de potencias en x, lo que impone
una fuerte restricción en f (x) que no fue presupuesta. Esta serie debe ser la serie
de Maclaurin para f (x),
∞
X 1 (k)
f (x) = f (0)xk . (A.14)
k!
k=0
Igualando los coeficientes de las mismas potencias de las ecuaciones (A.13) y

(A.14), Fourier encuentra que f (k) (0) = 0 para k par y además
∞
X
ν 2n−1 bν = (−1)n−1 f (2n−1) (0) n = 1, 2, 3, ...
ν=1
Como las derivadas de f (x) son conocidas porque f (x) es la condición inicial
dada, se tiene que los bν son un conjunto infinito de incógnitas en un sistema
algebraico de infinitas ecuaciones lineales.
En un problema anterior, donde se habı́a econtrado con el mismo tipo de
sistema de ecuaciones, Fourier tomó los primeros k términos y las constantes del
lado derecho de las primeras k ecuaciones. Resolvió el sistema de k ecuaciones
obteniendo una expresión general para bν,k , que es la proximación de bν , y con-
cluyó que bν = lı́mk→∞ bν,k . Pero, esta vez no resultó tan sencillo. Optó por tomar
muchas funciones f (x) y mostró como determinar los bν para cada una de ellas
por procedimientos muy complicados que involucraban expresiones divergentes.
Usando estos casos epeciales como guı́a, fue capaz de obtener una expresión para
bν en base a productos y sumas infinitas. Fourier se dio cuenta que esta expre-
sión era, en general, inútil, por lo que con pasos osados e ingeniosos, aunque
cuestionables, llegó a la fórmula
2 π
Z
bν = f (ξ) sen νξ dξ (A.15)
π 0
Esta conclusión en cierta forma no era nueva. Euler (1729) y Clairaut (1757)
habı́an expandido algunas funciones en series de Fourier y habı́an obtenido las
fórmulas
1 π 1 π
Z Z
an = f (x) cos nx dx bn = f (x) sen nx dx n ≥ 1 (A.16)
π −π π −π
Aún más, los resultados de Fourier hasta ahı́ derivados eran limitados porque
asumı́an que f (x) tenı́a una expansión de Maclaurin, lo que significa un número
infinito de derivadas. Finalmente, el método de Fourier era, ciertamente, no
riguroso y más complicado que el de Euler. Mientras Fourier tenı́a que usar
un sistema de ecuaciones lineales infinito, Euler simplemente se basaba en las
propiedades de las funciones trigonométricas.
Pero Fourier en ese momento hizo una observación genial. Notó que cada bν
puede ser interpretado como el área bajo la curva y = π2 f (x) sen νx para x entre
0 y π. Un área de este tipo tiene sentido incluso para funciones muy arbitrarias.
La función no necesita ser continua o se puede conocer sólo gráficamente. Fourier
255
concluyó que toda función f (x) puede ser representada como

∞
X
f (x) = bν sen νx para 0 < x < π (A.17)
ν=1
Esta posibilidad habı́a sido rechazada por todos los grandes maestros del siglo
dieciocho, excepto por Daniel Bernoulli.
Cuánto sabı́a Fourier del trabajo de sus predecesores no está claro. En una
publicación de 1825 él dice que Lacroix lo ha informado del trabajo de Euler, pero
no dice cúando sucede esto. En todo caso, Fourier no fue amilanado por la opinión
de sus predecesores. Tomó una gran variedad de funciones f (x), calculó algunos
bν para cada función y graficó la suma de los primeros términos de la serie (A.17).
De esta evidencia gráfica él concluye que la serie siempre representa f (x) en el
intervalo 0 < x < π, independientemente de lo que sucede fuera del intervalo. En
su libro dice que dos funciones pueden igualarse un un intervalo determinado pero
no necesariamente fuera de él. La incapacidad de los matemáticos anteriores a él
de ver ésto, explica por qué no podı́an aceptar que una función arbitraria pueda
ser expandida en series trigonométricas. Lo que la serie entrega es una función
periódica en la que un perı́odo, en este caso de 0 a π, coincide con la función
f (x).
Una vez obtenido este resultado simple para bν , Fourier, como Euler, se da
cuenta que cada bν puede ser obtenido multiplicando la serie (A.17) por sen νx e
integrando de 0 a π. También estableció que este procedimiento es aplicable a la
representación
∞
a0 X
f (x) = + aν cos νx (A.18)
2
ν=1
Luego Fourier consideró la representación de cualquier f (x) en el intervalo

(−π, π). La serie (A.17) representa una función impar y la serie (A.18), una
función par. Pero cualquier función puede ser expresada como la suma de una
parte par y una parte impar, de manera que cualquier función en el intervalo
(−π, π) puede ser representada por
∞
a0 X
f (x) = + (aν cos νx + bν sen νx) (A.19)
2
ν=1
y los coeficientes pueden ser determinados multiplicando por cos νx o sen νx e

integrando de −π a π, lo qe resulta en (A.16).
Fourier nunca demostró en forma completa que una función “arbitraria” pue-
da ser representada por una serie como la (A.19). En su libro da argumentos
sueltos y en la discusión final acerca de este punto da los lineamientos de una de-
mostración. Pero incluso ahı́, Fourier no establece las condiciones que la función
debe satisfacer. De todas maneras, su convicción de que la expansión es siem-
pre posible queda demostrada a lo largo de todo el libro. También dice que su
serie converge sin importar qué sea f (x), si tiene o no una expresión analı́tica o
si sigue o no alguna regla. Su convicción se basaba en la evidencia geométrica,
relativo a lo cual él dice “Nada nos parece más apropiado que la construcción
geométrica para demostrar la verdad de los nuevos resultados y para manifestar
comprensiblemente la forma que el análisis usa para sus expresiones”.
El trabajo de Fourier significó una serie de avances cientı́ficos importantes.
Además de avanzar en el desarrollo de las ecuaciones diferenciales parciales,
forzó la revisión del concepto de función que ya no necesariamente requerı́a de una
expresión analı́tica, en oposición al pensamiento de Euler y Lagrange. Su trabajo
marca un quiebre de las funciones analı́ticas, es decir, que se puedan expandir en
series de Taylor.
El trabajo de Fourier explicitó también otro hecho que estaba implı́cito en el
trabajo de Euler y Laplace. Ellos habı́an expandidos algunas funciones en series de
funciones de Bessel y polinomios de Legendre para resolver problemas especı́ficos.
El hecho general que una función puede ser expandida en una serie de funciones
como las funciones trigonométricas, las funciones de Bessel o los polinomios de
Legendre salió a la luz gracias a Fourier.
Possoin (1781–1840), uno de los grandes del análisis del siglo 19 y fı́sico
matemático de primera clase que habı́a sido muy crı́tico del trabajo de Fouri-
er, fue fuertemente impresionado por los resultados de éste, que se convenció que
todas las ecuaciones diferenciales parciales pueden ser resueltas por expansión en
series. También creı́a que si una expansión divergı́a siginificaba que no se habı́a
elegido correctamente las funciones de la serie. Obviamente, Poisson fue demasi-
ado optimista.
La forma más exitosa para resolver ecuaciones diferenciales parciales fue la
integral de Fourier que surge del trabajo preliminar de Laplace. La idea se debe a
Fourier, Cauchy y Poisson. Es imposible asignar prioridades del descubrimiento,
porque los tres presentaron trabajos orales en la Academia de Ciencias que no
fueron publicados hasta un tiempo después. Además se escucharon entre ellos.
APÉNDICE B
EXPANSIÓN EN FRACCIONES
PARCIALES
Es corriente encontrar que la transformada de Laplace o Z son fracciones de

polinomios. En esos casos las transformadas inversas se pueden obtener fácilmente
si se descompene la fracción de polinomios en fracciones parciales. Cada una de
ellas suficientemente simple como para tener su transformada inversa (calculada
o de tablas).
Supóngase que la fracción polinomial es
B(s) B(s)
F (s) = = ,
A(s) (s − a1 )(s − a2 ) · · · (s − an )
donde el grado de A(s) es mayor que el de B(s).

Si no hay raices repetidas en el denominador, es posible representar la fracción
polinomial por fracciones parciales de la forma
B(s) K1 K2 Kn
F (s) = = + + ··· + .
A(s) (s − a1 ) (s − a2 ) (s − an )
Para encontrar el valor de Ki se puede multiplicar ambos lados por (s − ai ) y

luego tomar el lı́mite s → ai , con lo que se obtiene
B(s)(s − ai )
Ki = lı́m .
s→ai A(s)
257
258 Expansión en fracciones parciales
Si hay raices repetidas (múltiples polos), la expansión debe hacerse con-

siderando tantas potencias del polo repetido como repeticiones. Supongamos que
la raiz a1 está repetida r veces. La expansión será
B(s) Cr−1 Cr−2 C0 K2 Kn

F (s) = = + 2
+···+ r
+ +···+ .
A(s) (s − a1 ) (s − a1 ) (s − a1 ) (s − a2 ) (s − an )
Los coeficientes Ki se siguen obteniendo como en el caso anterior y los coeficientes

Cj son
1 dj B(s)(s − a1 )r

Cj = lı́m .
s→ai j! dsj A(s)
Ejemplo B.0.1 Se desea encontrar la expansión en fracciones parciales de
2s2 + 7s + 10
F (s) = .
(s + 1)3
Sabemos que
C2 C1 C0
F (s) = + 2
+ .
(s + 1) (s + 1) (s + 1)3
F (s)(s + 1)3 = 2s2 + 7s + 10
por lo que
C0 = lı́m 2s2 + 7s + 10 = 5
s→−1
C1 = lı́m 4s + 7 = 3
s→−1
y
1
C2 = lı́m 4 = 2,
s→−1 2!
es decir,
2s2 + 7s + 10 2 3 5
3
= + 2
+ .
(s + 1) (s + 1) (s + 1) (s + 1)3
BIBLIOGRAFÍA
[1] M. Abramowitz, I. A. Stegun, “Handbook of Mathematical Functions” Dover

Publications, Inc., 1972.
[2] N. Ahmed, K. R. Rao, “Orthogonal Transforms for Digital Signal Process-

ing” Springer-Verlag, 1975.
[3] R. N. Bracewell, “The Fourier Transforms and Its Applications” M c Graw

Hill, Inc, 1986.
[4] R. N. Bracewell, “Two-Dimensional Imaging” Prentice Hall, Inc., 1995.
[5] C. S. Burrus, J. H. McClellan, A. V. Oppenheim, T. W. Parks, R. W. Schafer,

H. W. Schuessler, “Computer-Based Excercises for Signal Processing, Using
Matlab”, Matlab Curriculum Series, Prentice Hall, 1994.
[6] J. W. Cooley, J. W. Tukey, “An Algorithm for the Machine Computation of

Complex Fourier Series”, Mathematical Computation, vol 19, 1965, 297–301.
[7] W. K. Chen, “The Circuits and Filters”, CRC Press, IEEE Press, 1995.
[8] P. M. Chirlian, “Signals and Filters” Van Nostrand Reinhold, 1994.
[9] C. K. Chui, “An Introduction to Wavelets” Academic Press, Inc., 1992
[10] R. C. Gonzalez, R. E. Woods, “Digital Image Processing” Addison-Wesley,

1992.
259
260 BIBLIOGRAFÍA
[11] I. S. Gradshteyn, I. M. Ryzhik, “Table of Integrals, Series and Products”

Academic Press, Inc., 1980.
[12] H. P. Hsu, “Análisis de Fourier” Addison-Wesley Iberoamerica, 1987.
[13] J. F. James, “A Student’s Guide to Fourier Transforms” Cambridge Univer-

sity Press, 1995.
[14] E. I. Jury, “Sampled-Data Control Systems” John Wiley & Sons, 1958.
[15] M. Kline, “Mathematical Thought from Ancient to Modern Times”, Oxford

University Press, 1972.
[16] P. Kraniauskas, “Transforms in Signals and Systems” Addison-Wesley, 1992
[17] A. V. Oppenheim, A. S. Willsky, I. T. Young “Señales y Sistemas” Prentice-

Hall Hispanoamerica, S.A., 1994.
[18] J. R. Ragazzini, L. A. Zadeh, “Analisys of Sampled-Data Systems” Trans.

A.I.E.E., vol. 71, no. 2, pp. 225-234, 1952.
[19] G. Simmons, “Calculus Gems, Brief lives and memorable mathematics”

M c Graw Hill, Inc, 1992.
ÍNDICE ALFABÉTICO
2DFT, véase tansformada de Fourier242 diagrama de polos y ceros, 11

efecto de los, 104
Abel, transformada de, 215 plano Z, 205
acolchar, 159 Chebyshev, transformada de, 224
aliasión, 165 circ, función, 229
aliasing, véase aiasión165 condiciones de Dirichlet, 69
análogo digital, convertidor, 129 condiciones iniciales, 115
analı́tica, señal, 217 convergencia, región de, véase tansfor-
anti-hermitiana, función, 17 mada de Laplace93, 97, véase
anti-horquilla, función, 28 tansformada Z201
apodización, 174, 177 convertidor análogo digital, 129
asinc, función, 26 convolución
autocorrelación 2D, 233
problema, 49, 186 cı́clica, 131, 162
propiedad de la, 80, 110
definición, 43
bases de Fourier discreta, 131
1D, 68 integral de, 43
2D, 236 lineal, 162
bases de Laplace, 93 propiedad de la, 79, 109
bases discretas de Fourier, 150 correlación
Bessel, función de, 215 1D, 45
2D, 234
causalidad, 10 coseno
cedazo, propiedad del, 33 función, 17
ceros transformada, 68, 214
de un sistema, 103 transformada de Fourier del, 71
261
262 ÍNDICE ALFABÉTICO
transformada discreta, 219 final, valor, 117

cuantización, 130 Fourier, Joseph, 64
Fourier, transformada de, véase tans-
DCT, 219 forma de Fourier67
delta, véase ipulso23 Fourier, transformada rápida de, 159
derivada, propiedad de la, 80, 110 fracciones parciales, 257
derrame, 174 frecuencia compleja, 91
desplazamiento, propiedad del, 79, 109 función de transferencia, 80, 110
DFFT, 144 funciones complejas, 11
directa, 146 gráfico de, 11
inversa, 145 funciones en 2 dimensiones, 227
DFFT y series de Fourier, 147 funciones ortogonales, 222
DFT, 148 funciones ortonormales, 222
directa, 150
interpretación matricial, 154 Gabor, transformada de, 217
inversa, 152 Gauss, función, 19
diagrama de polos y ceros, 11 2D, 228
Dirac, Paul, 31 Gauss, Johann, 21
Dirichlet, condiciones de, 69
DST, 219 Hadamard, transformada de, 220
DTFT, 140 Hankel, transformada de, 214
directa, 141 Heaviside, función, véase ecalón27
inversa, 142 Heaviside, Oliver, 32
DTLT, 195 Hermite, transformada de, 223
directa, 196 hermitiana, función, 17
inversa, 197 Hilbert, transformada de, 216
dualidad, propiedad de, 77 homogeneidad, 41
horquilla, función, 28
ecuaciones diferenciales, 6
primer orden, 7 impar, función, 16
segundo orden, 7 impulso, 23
solución con Laplace, 112 2D, 232
energı́a, teorema de la, 80 de lı́nea, 232
escalón, función, 27 de una función, 34
escalamiento, véase smilitud77 definición, 30
estirar, 159 propiedad del cedazo, 33
exponencial compleja, 18 transformada de Fourier, 69
impulso discreto, 134
FFT, 159 inicial, valor, 117
filtro anti-aliasión, 177 integración, propiedad de la, 110
ÍNDICE ALFABÉTICO 263
integral de superposición, 46 de un sistema, 103

interpolación sinc, 172 diagrama de, 11
invariancia, 42 efecto de los, 104
plano Z, 205
jinc, función, 230 potencia, teorema de la, 79
JPEG, 220 producto serial, 131
producto, propiedad del, 79
Laguerre, transformada de, 223
propiedad
Laplace, bases de, 93
autocorrelación, 80, 110
Laplace, transformada de, véase tans-
convolución, 79, 109
formada de Laplace92
derivada, 80, 110, 116
leakage, véase drrame174
desplazamiento, 79, 109
Legendre, transformada de, 224
dualidad, 77
linealidad, 41
energı́a, 80
propiedad de, 77, 109
escalamiento, véase smilitud77
Mellin, transformada de, 215 integración, 110
modelos linealidad, 77, 109
ecuaciones de diferencia, 8 modulación, 79, 109
ecuaciones diferenciales, 6 multiplicación, 109
modulación, propiedad de la, 79, 109 potencia, 79
MPEG, 220 producto, 79
muestreo, 128, 177 similitud, 77, 109
de área, 129 propiedad de superposición, 41
función de, 128 propiedades
teorema del, 130 2DFT, 236
multiplicación, propiedad de la, 109 DFT, 156
transformada de Fourier, 77
Nyquist, teorema de, 130 transformada de Fourier 2D, 236
transformada de Fourier discreta, 156
ortogonales, funciones, 222 proyección, 240
ortogonalidad, relaciones de, 65
ortonormales, funciones, 222 Radon, transformada de, 240
Rayleigh, teorema de, véase eergı́a80
packing, véase aolchar159 rect
par, función, 16 transformada de Fourier del, 71
pares de transformadas de Fourier, 69 rect, función
pares de transformadas de Laplace, 97 1D, 24
plano Z, 199 2D, 228
polinomiales, fracciones, 103 región de convergencia, véase tansfor-
polos mada de Laplace93, véase tans-
264 ÍNDICE ALFABÉTICO
formada Z201 simetrı́as, 16

respuesta al impulso DFT, 156
2D, 233 dominio de Fourier, 73
continua, 45 similitud, propiedad de, 77, 109
discreta, 134 sinc
rotación, 240 función, 25
interpolación, 172
señal analı́tica, 217 sinusoide, 17
señales sistema, 2
continuas, 4 invariante, 42
discretas, 4 lineal, 41
discretas periódicas, 128 superposición, 41
discretas, representación, 127 integral de, 46
en el espacio, 3 propiedad de, 41
en el tiempo, 3
en la frecuencia, 3 teorema de la energı́a, 80
etimologı́a, 1 teorema de la potencia, 79
fı́sicas, 2 teorema de la transformación afı́n, 239
lógicas, 2 teorema de Nyquist, 130
periódicas, 128 teorema de Rayleigh, véase torema de
sección central, 240 la energı́a80
sección central, teorema de la, 241 teorema del muestreo, 130
seno transferencia, función de, 80, 110
función, 17 transformación afı́n, 239
transformada, 68, 214 transformada coseno, 214
transformada discreta, 219 transformada coseno discreta, 219
separabilidad, 227, 238 transformada de Abel, 215
series de Fourier transformada de Chebyshev, 224
forma compleja, 63 transformada de Fourier
forma de laboratorio, 62 continua
forma trigonométrica, 59 bases, 68
función impar, 61 definición, 67
función par, 61 del impulso, 69
shah, función del rect, 71
1D, 27 directa, 67
2D, 233 ejemplos, 69
sifting, véase cdazo33 inversa, 68
signo, función, 27 propiedades, 77
2D, 230 relación con Laplace, 93
simetrı́a circular, 215, 227 discreta
ÍNDICE ALFABÉTICO 265
bases, 150 unilateral, 115

directa, 150 transformada de Legendre, 224
interpretación matricial, 154 transformada de Mellin, 215
inversa, 152 transformada de Radon, 240
propiedades, 156 transformada de Walsh, 220
rápida, 159 transformada rápida de Fourier, 159
simetrı́as, 156 transformada seno, 214
frecuencia discreta transformada seno discreta, 219
directa, 146 transformada Z, 198
inversa, 145 directa, 198
series de Fourier, 147 inversa, 200
tiempo discreto propiedades, 203
directa, 141 región de convergencia, 201
inversa, 142 reseña histórica, 201
transformada de Fourier 2D tren de impulsos, véase sah27
continua triángulo, función, 22
bases, 236 unidades, 3
definición, 235 unilateral, transformada de Laplace, véase
ejemplos, 241 tansformada de Laplace115
propiedades, 236 uno, función, 22
discreta 2D, 228
definición, 242
ejemplos, 243 valor final, 117
transformada de Gabor, 217 valor inicial, 117
transformada de Hadamard, 220
transformada de Hankel, 214 Walsh, transformada de, 220
transformada de Hermite, 223 wavelet, 217
transformada de Hilbert, 216 windowing, véase aodización174
transformada de Laguerre, 223 Z, transformada, véase tansformada Z198
transformada de Laplace
definición, 92
ecuaciones diferenciales, 112
inversa, 108
pares de, 97
propiedades, 109
región de convergencia, 93
relación con Fourier, 93
tiempo discreto, 195
tiempo discreto inversa, 197

Irarrazaval - Analisis de Senales 2ed

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Irarrazaval - Analisis de Senales 2ed

Enviado por

Direitos autorais:

Formatos disponíveis

Análisis de Señales

Este libro no habrı́a sido posible si no es por el trabajo de mis ayudantes.

Prefacio a segunda edición

2. Sistemas lineales y convolución 41

4.10. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118

5. Muestreo, sistemas lineales y convolución discreta 127

6. Transformada de Fourier discreta 139

8. Otras transformadas 213

9. Transformada de Fourier en dos dimensiones 227

A. Contexto histórico de la teorı́a de Fourier 251

B. Expansión en fracciones parciales 257

En este capı́tulo introductorio se define la idea de sistema y señal, tanto en

Una señal1 , en forma simplificada, se puede entender como cualquier mecan-

1.2. Sistemas de entrada-salida

1.3. Señales fı́sicas y lógicas

Tabla 1.1: Unidades para espacio y frecuencia

que el tiempo transcurre, es decir, como en el ejemplo, es función del tiempo.

Desde el punto de vista matemático, evidentemente, que la dependencia sea

Figura 1.1: Señales continuas (el tiempo es continuo)

1.4. Señales y funciones continuas versus discretas

Una primera clasificación que se puede hacer de las señales es en continuas

Figura 1.2: Señal discreta

El análisis de señales continuas y el de las discretas difieren considerablemente.

1.5. Modelos, ecuaciones diferenciales y de diferencias

temporal (la velocidad) y de su segunda derivada temporal (la aceleración). Del

y 0 (t) = a(t)y(t) + b(t)

es una ecuación diferencial de primer orden, y

y 00 (t) + a(t)y 0 (t) + b(t)y(t) = c(t),

es de segundo orden, donde a(t), b(t) o c(t) pueden depender de la entrada al

pyh (t) = a(t)yh (t)

donde c es una constante de integración (depende de las condiciones iniciales del

Por lo que la solución completa al sistema de primer orden es

Debido a la común ocurrencia de sistemas de segundo orden, recordaremos

p2 y(t) + apy(t) + by(t) = 0.

Al resolver la ecuación cuadrática en p, se tiene dos raı́ces p1 y p2 . Dependiendo

Figura 1.3: Diagrama de flujo de una ecuación diferencial de primer orden

Figura 1.4: Diagrama de flujo de una ecuación diferencial de segundo orden

yh (t) = c1 ep1 t + c2 tep1 t .

Este es el caso crı́ticamente amortiguado.

Figura 1.5: Diagrama de flujo de una ecuación de diferencias de primer orden

Figura 1.6: Diagrama de flujo de una ecuación de diferencias de segundo orden

En el primer caso el valor de y para un instante de tiempo depende del valor en

y[n] = a[n]z −2 y[n] + b[n]z −1 y[n] + c[n]

Por lo general para resolver este tipo de sistemas de ecuaciones se utiliza la

Figura 1.7: Entrada y salida de un sistema causal

Ejemplo 1.6.1 Un ejemplo de un sistema no causal son los suavizadores de

(a) Imagen entrada (b) Imagen salida (suavizada)

Figura 1.8: Sistema no causal en el espacio

1.7. ¿Cómo graficar funciones complejas?

Figura 1.9: Gráfico de una función real de argumento real

Figura 1.10: Gráfico de una función real de argumento complejo

(a) Parte real (b) Parte imaginaria

(c) Magnitud (d) Fase

(e) Partes real e imaginaria (f) Magnitud y fase

Figura 1.11: Gráfico de una función compleja de argumento real

Figura 1.12: Gráfico tridimensional de una función compleja de argumento real

Las señales, tı́picamente son mejor representadas por funciones complejas de

(a) Parte real (b) Parte imaginaria

(c) Magnitud (d) Fase

(e) Diagrama de polos y ceros

Figura 1.13: Gráficos de una función compleja de argumento complejo

(a) Función par (b) Función impar

(c) Función hermitiana (d) Función anti-hermitiana

Figura 1.14: Simetrı́as