Decimo Segunda Clase

Universidad Distrital Francisco Jos de Caldas - Anlisis de Seales y Sistemas - Marco A.
Alzate 1
Dcimo segunda clase. Espacios vectoriales de seales

En la clase pasada vimos el concepto de espacio vectorial en
n
, donde los vectores eran arreglos
verticales de n nmeros reales (o complejos) y los escalares eran nmeros reales (o complejos), para
los cuales definimos la suma entre vectores y el producto de un vector por un escalar. El espacio
vectorial lo definimos, entonces, como un subconjunto de
n
cerrado para las combinaciones
lineales de vectores y notamos que podamos encontrar bases de vectores (conjuntos de n vectores
linealmente independientes) que expandan el espacio vectorial. Este concepto es extremadamente
valioso en el estudio de la fsica, por ejemplo, donde los espacios vectoriales resultan ser modelos
matemticos de realidades muy concretas, como el campo gravitacional o los campos electro-
magnticos (Figura 1)

Figura 1. El concepto de espacio vectorial en
2
y
3
tiene muchas aplicaciones en fsica. (a) Campo gravitacional, (b)
campo magntico, (c) campo cuntico

Pues bien, este concepto lo podemos llevar a espacios vectoriales abstractos si definimos
adecuadamente el campo de escalares, la suma de vectores y la multiplicacin por escalares. Slo
falta dar estructuras adecuadas a algunos conjuntos abstractos y a algunas operaciones dentro de
ellos. Por ejemplo, as como los espacios vectoriales en
n
los definimos sobre el "campo escalar de
los reales", para espacios vectoriales ms abstractos debemos definir una estructura correspondiente
para el campo de escalares, por lo cual definiremos las estructuras de Grupo y de Campo, que ni
siquiera tienen que ver con nmeros. As podremos extender el concepto de espacio vectorial a
muchas clases de objetos diferentes a los elementos de
n
.

1. Espacios vectoriales abstractos

Un grupo {G,-} es un conjunto de elementos, G, y una operacin definida entre cualquier par de
esos elementos, -, que satisfacen los siguientes cuatro axiomas:
G es cerrado para -. Esto es, , a b G a b G e e
La operacin - es asociativa. Esto es,
( ) ( ) , , a b c G a b c a b c e =
La operacin - tiene un elemento identidad en G. Esto es, : , e G a G a e e a a - e e = =
Cada elemento de G tiene un elemento inverso para - en G. Esto es,
1 1 1
, : a G a G a a a a e

e - e = =
Un grupo Abeliano es un grupo que tambin satisface la propiedad de conmutatividad. Esto es:
Universidad Distrital Francisco Jos de Caldas - Anlisis de Seales y Sistemas - Marco A. Alzate 2
, a b G a b b a e =
Dada la notacin, es difcil dejar de pensar en el conjunto de nmeros reales y la multiplicacin,
{, }. Pero, claramente, los nmeros reales no pueden formar un grupo con respecto a la
multiplicacin porque el elemento cero no tiene un inverso multiplicativo en , por lo cual se
incumple el cuarto axioma. Debemos sacudirnos de estereotipos y notar que G no tiene que ser un
conjunto de nmeros o de arreglos de nmeros (aunque puede serlo) y - no tiene que ser la
multiplicacin entre nmeros (aunque puede serlo). Veamos, por ejemplo, un ejemplo muy ajeno a
los conjuntos de nmeros:

G = Conjunto de permutaciones de tres objetos
- = Aplicacin sucesiva de dos permutaciones

Por ejemplo, si tengo los tres objetos (Sol, Venus, Marte), les puedo aplicar seis permutaciones
diferentes:
(123)()=(), (132)()=(), (213)()=()
(231)()=(), (312)()=(), (321)()=()

Esto es, G = {(123),(132),(213),(231),(312),(321)}, donde el elemento (ijk) del conjunto G es la
permutacin que hace que en la posicin 1 se ubique el objeto que estaba en la posicin i, en la
posicin 2 se ubique el objeto que estaba en la posicin j, y en la posicin 3 se ubique el objeto que
estaba en la posicin k. Es {G,-} un grupo? Claramente G es cerrado para - porque la aplicacin
sucesiva de dos permutaciones da otra permutacin. Por ejemplo,
[(231)(321)]()=(231)()=()=(213)() (231)(321)=(213)

La asociatividad es evidente:
(z
(1)
z
(2)
z
(3)
)[(y
(1)
y
(2)
y
(3)
)(x
(1)
x
(2)
x
(3)
)] = (z
(1)
z
(2)
z
(3)
)[ x(y
(1)
) x(y
(2)
) x(y
(3)
)] = [x(y(z
(1)
)) x(y(z
(1)
)) x(y(z
(1)
))]
[(z
(1)
z
(2)
z
(3)
)(y
(1)
y
(2)
y
(3)
)](x
(1)
x
(2)
x
(3)
) = [ y(z
(1)
) y(z
(2)
) y(z
(3)
)](x
(1)
x
(2)
x
(3)
) = [x(y(z
(1)
)) x(y(z
(1)
)) x(y(z
(1)
))]
de donde (g
1
g
2
)g
3
= g
1
(g
2
g
3
).

El elemento identidad de {G,-} es (123) pues (ijk)(123)=(123)(ijk)=(ijk).
Por ltimo, el elemento inverso de cada elemento de G es la permutacin que retorna al orden
original. Es interesante notar que para cuatro elementos de G, g
-1
= g.
(123)
-1
= (123), (132)
-1
= (132), (213)
-1
= (213), (231)
-1
= (312), (312)
-1
= (231), (321)
-1
= (321)

De esta manera se ha verificado que {G,-} es un grupo, aunque tambin es evidente que no se trata
de un grupo Abeliano: (231)(321)=(213) = (132)=(321)(231). Pero queda claro que los grupos no
tienen que ser de nmeros con respecto a operaciones numricas, aunque pueden serlo:

Los enteros con respecto a la suma, (, +), forman un grupo Abeliano, as como (, +), (,
+) y (, +). En todos ellos, el elemento identidad es 0 y el inverso de x es x. (, +) no es
un grupo porque el nico inverso aditivo en es 0
-1
= 0.
Los reales distintos de cero con respecto a la multiplicacin, (\{0}, ), forman un grupo
Abeliano, as como (\{0}, ). El elemento identidad es 1 y el inverso multiplicativo es x
-1

= 1/x.
Las matrices que producen rotaciones en
2
,
cos( ) sin( )
( ) , 0 2
sin( ) cos( )
r
u u
u u t
u u
(
= s <
(

, forman
un grupo Abeliano con respecto a la multiplicacin de matrices, donde la identidad es r(0) y
el inverso de r(u)
-1
= r(-u).

Con los grupos se pueden formar campos, que constituirn los escalares de nuestros espacios
vectoriales abstractos. Un campo es un conjunto de elementos, F, y un par de operaciones, - y +,
definidas sobre los elementos de F, que satisfacen los siguientes axiomas:
{F,+} es un grupo Abeliano con identidad 0
{F\{0},-} es un grupo Abeliano con identidad 1
- se distribuye sobre +. Esto es, a,b,c e F a(b+c) = ab + ac
Por supuesto, la multiplicacin y la suma sobre los reales, los racionales y los complejos son los
campos ms fciles de identificar, debido a la familiaridad que tenemos con ellos. Pero es posible
imaginar muchos ms. Por ejemplo, ntese que el conjunto {0, 1} forma un campo finito sobre la
operacin AND (-) y la operacin XOR (+). Se le llama GF(2) Campo de Galois de orden 2, y
constituye el fundamento terico de los sistemas de comunicacin digital. Considerando que la
operacin lgica AND es la multiplicacin mdulo 2 y la operacin lgica XOR es la adicin
mdulo 2, se suele generalizar al campo de Galois de orden p, con p primo, donde los elementos
del campo son los enteros {0,1,2,,p-1} y las operaciones - y + son la multiplicacin y la suma
mdulo p, respectivamente. Estos campos GF(p) son fundamentales en el estudio de los mtodos de
control de error en comunicaciones digitales, donde la informacin se representa como polinomios
sobre campos de Galois. La siguiente figura muestra GF(3) como ejemplo de un campo finito.

Figura 2. Campo finito de Galois de orden 3

As como los espacios vectoriales en
n
que vimos en la clase anterior se desarrollaban sobre el
campo de los reales (o de los complejos), el concepto abstracto de Espacio Vectorial requiere un
campo de escalares y un conjunto abstracto de objetos (vectores). Sea V un conjunto de elementos
llamados vectores y F un campo de elementos llamados escalares. Adems de las operaciones (-,+)
definidas para F, introducimos otra operacin aditiva + entre vectores, que a dos vectores x y y en
GF(3)={0,1,2} 0+0=0, 0+1=1, 0+2=2,
1+0=1, 1+1=2, 1+2=0,
2+0=2, 2+1=0, 2+2=1
00=0, 01=0, 02=0,
10=0, 11=1, 12=2,
20=0, 21=2, 22=1
Grupo Abeliano con identidad 0
Grupo Abeliano con identidad 1
2(2+2)=22+ 22=2
2(2+1)=22+ 21=1
2(2+0)=22+ 20=1
2(1+1)=21+ 21=1
2(1+0)=21+ 20=2
2(0+0)=20+ 20=0
1(2+2)=12+ 12=1
1(2+1)=12+ 11=0
1(2+0)=12+ 10=2
1(1+1)=11+ 11=2
1(1+0)=11+ 10=1
1(0+0)=10+ 10=0
0(2+2)=02+ 02=0
0(2+1)=02+ 01=0
0(2+0)=02+ 00=0
0(1+1)=01+ 01=0
0(1+0)=01+ 00=0
0(0+0)=00+ 00=0
se distribuye sobre +
V asocia otro vector x+y en V. Tambin introducimos una operacin multiplicativa - que a cada
escalar a en F y cada vector x en V asocia otro vector ax en V. Entonces V forma un Espacio
Vectorial sobre el campo F si se satisfacen las siguientes condiciones:
V forma un grupo Abeliano para +
, a F x V a x V e e e
, , , ( ) , ( ) a b F x y V a x y a x a y a b x a x b x e e + = + + = +
, , ( ) ( ) a b F x V a b x a b x e e =
1 , 1 F x V x x e e =
Ntese que se debe distinguir muy bien cundo se trata de multiplicacin entre escalares, de
multiplicacin entre un escalar y un vector, de suma entre escalares y de suma entre vectores. El
contexto (la naturaleza de los operandos) permitir dilucidar cualquier duda.

2. Ejemplos de espacios vectoriales abstractos

Por supuesto, los primeros ejemplos de espacios vectoriales son los de algunos subconjuntos de
n

sobre el campo de los reales, con la suma y la multiplicacin ya conocidas: El espacio vectorial
expandido por las columnas de una matriz, o el espacio vectorial que constituido por el kernel de
una matriz
{ } ( )
( ) : 0
n
K A x Ax = e =
, etc. Pero ntese que con nuestra nueva definicin abstracta
podemos pensar en otros ejemplos ms imaginativos: El conjunto de matrices reales nn forma un
espacio vectorial sobre el campo de los reales. El conjunto de polinomios P en una variable real t
con coeficientes complejos forma un espacio vectorial sobre el campo de los complejos, etc.
Consideremos, por ejemplo, este ltimo caso: el espacio vectorial de los polinomios de grado menor
o igual a N se define como
0
: tales que ( ) , , ,
N
n
n n
n
V P P t t N t o o
=

= = e e e
`
)
. Es un espacio
vectorial sobre el campo escalar de los complejos porque forma un grupo Abeliano para la suma de
polinomios:
( ) , ( ) ( ) ( ) P Q V P Q t P t Q t V e + = + e
; es cerrado para la multiplicacin por escalar:
( ) ( )
0 0
, ( ) ( )
N N
n n
n n
n n
P t V P t P t t V o | | | |o
= =
= e e = = e

; el producto por escalar se distribuye
sobre la suma de polinomios:
( ) , , ( ) ( ) ( ) ( ) P Q V P Q t P t Q t | | | | e e + = +
; el producto por
vector se distribuye sobre la suma de escalares:
( ) , , ( ) ( ) ( ) ( ) P V P t P t Q t o | o | o | e e + = +
; el
producto entre vectores y escalares es asociativo:
( ) , , ( ) ( ) ( )( ) a b P V a b P t a b P t e e =
; la
identidad del producto escalar no cambia el producto entre escalar y vector: (1P)(t)=P(t).

Si los elementos de un espacio vectorial pueden ser tan abstractos como los polinomios de grado
dado, lejos de los vectores en
n
de la clase anterior, podemos imaginar muchos otros espacios
vectoriales con elementos an ms abstractos. Antes de pasar a los espacios vectoriales de seales,
veremos un ejemplo adicional de gran utilidad en el mundo de las comunicaciones digitales: Los
cdigos lineales de bloques.

Un cdigo q-ario de control de errores por bloques es un conjunto de M palabras clave C={c
0
, c
1
,
, c
M-1
}, cada una consistente en n coordenadas c
i
=[d
i0
, d
i1
, , d
in
], donde los d
ij
toman valores en
GF(q), el campo de Galois de orden q. El proceso de codificacin consiste en dividir un flujo de
datos en bloques y asociar cada uno de estos bloques biunvocamente con una de las palabras claves
en C. La coleccin de todas las n-tuplas sobre GF(q) forma un espacio vectorial sobre GF(q) con q
n

vectores, por lo que hay (q
n
-M) n-tuplas que no son palabras clave vlidas. Si M=q
k
, se trata de un
cdigo (n,k).

C forma un cdigo q-ario lineal si constituye un subespacio vectorial sobre GF(q). Una matriz G,
cuyas filas sean los vectores de una base del subespacio, es una matriz generadora para el cdigo C.
Para codificar un bloque de datos, simplemente se multiplica el vector fila del flujo de datos por la
matriz generadora G.

El complemento ortogonal de C, C
o
, es un subespacio vectorial de dimensin n-k. Una matriz H
cuyas columnas sean los vectores de una base del espacio C
o
es una matriz "verificadora de
paridad" para el cdigo C. En efecto, una secuencia c de n smbolos de GF(q) ser un cdigo vlido
slo si cH
T
=0.

Un ejemplo sencillo es el cdigo Hamming(7,4) en GF(2), en el que a cuatro bits de datos se aaden
tres bits de paridad para formar 16 palabras clave de 7 bits. Las matrices generadora y verificadora
de paridad son
1 1 0 1
1 0 1 1
1 0 1 0 1 0 1 1 0 0 0
, 0 1 1 0 0 1 1 0 1 1 1
0 0 0 1 1 1 1 0 1 0 0
0 0 1 0
0 0 0 1
G H
(
(
(
(
(
(
(
= =
(
(
(
(

(
(
(

Si el transmisor desea enviar 4 bits de datos, d = [d
1
d
2
d
3
d
4
], construye y enva la palabra clave
c = dG
T
., la cual tiene los bits de datos en las posiciones 3, 5, 6 y 7 y tiene bits de paridad en las
posiciones 1, 2 y 4. Durante la transmisin, algunos bits pueden sufrir errores, de manera que al
receptor llega una palabra y = c + e, donde ees una patrn de errores (recuerde que la suma en
GF(2) es la funcin lgica XOR). El receptor calcula el sndrome s = yH
T
= eH
T
, el cual indica la
posicin del bit equivocado si hay slo un bit equivocado (de manera que se puede corregir) o da
una secuencia distinta de 000 si hay dos bits equivocados (de manera que se pueden detectar). Esto
es posible precisamente porque las filas de G y H expanden espacios vectoriales C y C
o
que son
complementos ortogonales entre ellos.

En adelante, pues, hablaremos de espacios vectoriales abstractos y, ms tarde, nos concentraremos
en los espacios vectoriales de seales.

3. Espacios Vectoriales Normados

Sea V un espacio vectorial sobre algn campo F. Una funcin |||| : V es una norma en V si
satisface las siguientes propiedades:
(1) , 0 con igualdad si y slo si 0;
(2) , , ;
(3) , ,
x V x x
F x V x x
x y V x y x y
o o o
e > =
e e =
e + s +

Ya hemos visto ampliamente el caso Vc
n
y la norma Euclidiana, donde
| |
2
1 2
1
n
T
n i
i
x x x x V x x
=
= e =

, pero podemos definir normas en cada uno de los
espacios vectoriales abstractos que hemos revisado. Por ejemplo, en un espacio C de cdigos
binarios sobre el campo GF(2), una norma ampliamente utilizada para medir la capacidad de
deteccin y correccin de errores es el nmero de unos en el vector (o cdigo), conocida como el
peso del cdigo:
| | { }
1 2
1
0,1
n
T n
n i
i
c c c c C c c
=
= e c =

por ejemplo,
0011011001 5 =
.

Como ejemplo adicional, consideremos el espacio vectorial de las funciones continuas en un
intervalo dado, sobre el campo de los reales:
| | { }
: , tal que es continua V f a b f = . La suma
entre vectores y el producto con escalares se definen de manera obvia:
( )
( )
, ( ) ( ) ( )
, ( ) ( )
f g V f g t f t g t V
f V f t f t V o o o
e + = + e
e e = e

Tenemos muchas posibilidades para dotar a este espacio vectorial con una norma. Tres de las ms
usadas son las siguientes,
| |
1
2
2
,
(1) ( )
(2) ( )
(3) max ( )
b
a
b
a
t a b
f f t dt
f f t dt
f f t
e
=
=
=
}
}

Las tres son casos particulares de la norma-p
( )
1
( ) , 1
b
p p
p
a
f f t dt p = >
}

Un ejemplo semejante corresponde al espacio vectorial de las secuencias finitas, que podemos
representar tambin como funciones en tiempo discreto:
{ } { }
: 0,1,..., 1 V x n = , donde la suma
de vectores y el producto por escalar son semejantes al ejemplo anterior:
( )
( )
, [ ] [ ] [ ]
, [ ] [ ]
x y V x y n x n y n V
x V x n x n V o o o
e + = + e
e e = e

Ntese que este espacio vectorial, donde los vectores son series de tiempo con n muestras en el
tiempo discreto, es fundamentalmente idntico al espacio
n
. Es slo que la interpretacin no es la
de vectores fsicos en un espacio Euclidiano n-dimensional, sino la de series de tiempo con un
nmero finito de muestras. Ahora tenemos tambin muchas opciones para dotarlo de una norma:
{ }
1
1
0
1
2
2
0
0,1,..., 1
(1) [ ]
(2) [ ]
(3) max [ ]
n
i
n
i
i n
x x i
x x i
x x i
e
=
=
=

donde las tres normas son casos particulares de la norma-p generalizada,
1
1
0
[ ] , 1
n
p
p
p
i
x x i p
=
| |
= >
|
\ .

Cuando el nmero de muestras en la secuencia es 2, podemos graficar en el plano las normas
definidas anteriormente:

Figura 3. Normas en el espacio vectorial V = {x:{0,1}}

Pero si podemos considerar secuencias finitas, porqu no secuencias infinitas? El siguiente es el
espacio vectorial de las secuencias de longitud infinita, que podramos interpretar como un espacio
Euclidiano -dimensional:
{ } : V x = , con la misma definicin de suma y producto que en el
ejemplo anterior y con las mismas normas:
1
2
2
(1) [ ]
(2) [ ]
(3) max [ ]
n
n
n
x x n
x x n
x x n
e
=
=
=

que son formas particulares de la norma-p
1
[ ] , 1
p
p
p
n
x x n p
=
| |
= >
|
\ .

x
0
x
1
1
-1 1
-1
{ }
2
1
: 1 x x e =
x
0
x
1
1
-1 1
-1
{ }
2
2
: 1 x x e =
x
0
x
1
1
-1 1
-1
{ }
2
: 1 x x

e =
Sin embargo, en este ejemplo surge el problema de la convergencia: No tendra sentido definir este
espacio vectorial si para algunas secuencias de V la norma no converge. En este caso, para evitar
problemas, definimos espacios vectoriales de secuencias infinitas con caractersticas precisas de
convergencia. Por ejemplo, definamos los siguientes tres espacios vectoriales:
1
1
( ) : tales que [ ] sobre el campo , con norma [ ]
n n
l x x n x x n

= =

= < =
`
)

2 2
2
2
( ) : tales que [ ] sobre el campo , con norma [ ]
n n
l x x n x x n

= =

= < =
`
)

{ }
( ) : tales que max [ ] sobre el campo , con norma max [ ]
n n
l x x n x x n
e e
= < =
O, en general,
1
( ) : tales que [ ] sobre el campo , con norma [ ] , 1
p
p p
p
p
n n
l x x n x x n p

= =
| |
= < = >
`
|
) \ .

Todos ellos son espacios vectoriales vlidos sobre el campo de los reales, donde la suma entre
vectores y el producto entre un escalar y un vector se definen como antes:
( )
( )
, ( ) [ ] [ ] [ ] ( )
( ), [ ] [ ] ( )
p p
p p
x y l x y n x n y n l
x l x n x n l o o o
e + = + e
e e = e

Pero, si lo miramos bien, acabamos de definir espacios vectoriales de seales en tiempo discreto. En
particular, l
2
() es el espacio vectorial de las seales de energa en tiempo discreto.

4. Espacios vectoriales de seales

A continuacin definimos algunos espacios vectoriales de seales sobre el campo escalar de los
complejos (otros espacios semejantes se pueden definir sobre el campo escalar de los reales y
conservan los mismos nombres):

(1) Espacio de seales complejas absolutamente sumables en tiempo continuo
{ }
1
( ) : tales que ( ) sobre el campo L x x t dt
= <
}

(2) Espacio de seales complejas absolutamente sumables en tiempo discreto
1
( ) : tales que [ ] sobre el campo
n
l x x n
=

= <
`
)

(3) Espacio de seales complejas de energa en tiempo continuo
{ }
2
2
( ) : tales que ( ) sobre el campo L x x t dt
= <
}

(4) Espacio de seales complejas de energa en tiempo discreto
2
2
( ) : tales que [ ] sobre el campo
n
l x x n
=

= <
`
)

(5) Espacio de seales complejas acotadas en tiempo continuo
{ }
( ) : tales que max ( ) sobre el campo
t
L x x t
e
= <
(6) Espacio de seales complejas acotadas en tiempo discreto
{ }
( ) : tales que max [ ] sobre el campo
n
l x x n
e
= <
(7) Espacio de seales complejas de potencia en tiempo continuo
2
2
1
( ) : tales que lim ( ) sobre el campo
2
T
T T
P x x t dt
T

= <
`
)
}

(8) Espacio de seales complejas de potencia en tiempo discreto
2
2
1
( ) : tales que lim [ ] sobre el campo
2 1
N
N
n N
p x x n
N
=

= <
`
+
)

(9) Espacio de seales complejas peridicas de potencia en tiempo continuo
2
2
0
1
( ) : tales que ( ) ( ) y ( ) sobre el campo
T
T
P x x t T x t t x t dt
T

= + = e <
`
)
}

(10) Espacio de seales complejas peridicas de potencia en tiempo discreto
1
2
2
0
1
( ) : tales que [ ] [ ] y [ ] sobre el campo
N
N
n
p x x n N x n n x n
N
=

= + = e <
`
)

(11) Espacio de seales complejas de energa con simetra hermitiana en tiempo continuo
{ }
2
2 *
( ) : tales que ( ) y ( ) ( ) sobre el campo
par
L x x t dt x t x t t
= < = e
}

(en el campo , con la seal definida en los reales, el operador * (complejo conjugado) se
omite y la seal hermitiana toma el nombre se seal par)
(12) Espacio de seales complejas de potencia con simetra anti-hermitiana en tiempo discreto
2
2 *
1
( ) : tales que lim ( ) y ( ) ( ) sobre el campo
2
T
impar
T T
P x x t dt x t x t t
T

= < = e
`
)
}

(en el campo , con la seal definida en los reales, el operador * (complejo conjugado) se
omite y la seal anti-hermitiana toma el nombre se seal impar)
(13) etc.

Es fcil verificar que todos ellos forman espacios vectoriales. Slo como ejemplo, consideremos las
seales reales acotadas en tiempo continuo,
{ }
( ) : tales que max ( ) sobre
t
L x x t
e
= <
.
Sean , ( ), y ,
El producto escalar se define as:
: tal que ( )( ) ( )
y la suma vectorial se define as:
( ) : tal que ( )( ) ( ) ( )
de manera que ( ) ,
x y L a b
a x a x t a x t t
x y x y t x t y t t
a x y a x a y
e e
= e
+ + = + e
+ = +
( )
( ) ( )
ms an, ( ). En efecto,
max ( ) max ( ) ( ) max ( ) max ( )
t t t t
a b x a x b x
a b x a b x
z a x b y L
z z t a x t b y t a x t b y t a x b y

e e e e
+ = +
=
= + e
= = + s + = + <

5. Producto interno en espacios vectoriales de seales. Correlacin.

En el contexto abstracto en el que estamos trabajando, si V es un espacio vectorial definido sobre un
campo F (por ejemplo, ), un producto interno es una funcin que va del producto cartesiano
VV al campo escalar F, <,>:VV F, que satisface tres axiomas:
x,y,z e V y a,b e F,
(1) <x,y> = <y,x>*
(2) <ax + by, z> = a<x,z> + b<y,z>
(3) <x,x> > 0, con igualdad slo si x=0

De estos axiomas surgen propiedades interesantes como, por ejemplo, la familiar expansin del
binomio cuadrado:
<x+y, x+y> = <x, x> + <x, y> + <y, x> + <y, y>
que en toma la forma
<x+y, x+y> = <x, x> + 2<x, y> + <y, y>
y en toma la forma
<x+y, x+y> = <x, x> + 2Re(<x, y>) + <y, y>.
Considerando que <x, x> es la norma al cuadrado del vector x, <x, x> = ||x||
2
.
||x+y||
2
= ||x||
2
+ ||y||
2
+ 2Re(<x, y>).

Lo ms interesante (pues es aqu donde se aprovecha la visin geomtrica de las seales desde la
perspectiva de los espacios vectoriales) es que para cualquier producto interno que satisfaga los tres
axiomas de la definicin, la intuicin geomtrica del mismo como la proyeccin perpendicular de
un vector sobre el otro sigue siendo vlida. En efecto, de las propiedades descritas surge la
desigualdad de Cauchy-Schwarz,
|<x,y>|
2
s <x,x> <y,y>,
con igualdad si los vectores son linealmente dependientes, lo cual es fcil de demostrar: Si y es
igual a 0, la relacin se cumple trivialmente con igualdad. Y si y es diferente de 0, podemos
construir el vector
z = x [<x,y>/<y,y>] y
para encontrar que
<z, y> = <x, y> [<x, y> / <y, y>] <y, y> = <x, y> <x, y> = 0,
indicando que z y y son ortogonales. En consecuencia, al expresar
x = z + [<x, y> / <y, y>] y
estamos refirindonos a una relacin pitagrica, por lo que
||x||
2
= ||z||
2
+ |<x, y>/<y, y>|
2
||y||
2
= ||z||
2
+ |<x,y>|
2
/ ||y||
2
> |<x,y>|
2
/ ||y||
2
.
Multiplicando por ||y||
2
a ambos lados de la desigualdad obtenemos |<x,y>|
2
s ||x||
2
||y||
2
, que es la
desigualdad de Cauchy-Schwarz.

Claro, si se cumple la desigualdad de Cauchy-Schwarz en un entorno tan abstracto, tambin se
cumple la desigualdad del tringulo:
||x + y||
2
= <x+y, x+y> = <x, x> + 2Re(<x, y>) + <y, y> = ||x||
2
+ 2Re(<x, y>) + ||y||
2

de donde
||x + y||
2
s ||x||
2
+ 2|<x, y>| + ||y||
2
s ||x||
2
+ 2||x|| ||y|| + ||y||
2
= (||x|| + ||y||)
2

y, tomando races cuadradas, se obtiene la desigualdad del tringulo:
||x + y|| s ||x|| + ||y||

Gracias a estas desigualdades, toda la intuicin geomtrica que podemos obtener de los espacios
vectoriales en
3
, tan familiares para nosotros, es directamente aplicable a los espacios abstractos
de seales. Por ejemplo, la nocin del "ngulo" entre dos seales se puede extender mediante la
relacin conocida de los espacios Euclidianos,
,
cos( )
x y
x y
u =

A esta cantidad se le conoce como "coeficiente de correlacin", 0 s s 1.

Aunque existen muchas maneras de definir productos internos en diferentes espacios vectoriales,
conviene que recordemos cmo definamos el producto interno en
n
en la seccin 5 de la clase
anterior:
1
,
n
T
i i
i
x y y x x y
=
= =

En
n
la transposicin inclua tambin conjugacin:
*
1
,
n
H
i i
i
x y y x x y
=
= =

En estos dos casos, la desigualdad de Cauchy-Schwarz toma la siguiente forma:
2
2 2
*
1 1 1
n n n
i i i i
i i i
x y x y
= = =
| | | || |
s
| | |
\ . \ .\ .

Recordamos esta expresin porque, como extensin de la definicin del producto interno en
n
, en
los espacios de seales de energa el producto interno se define as:
( )
( )
2 *
2 *
: , [ ] [ ]
: , ( ) ( )
n
l x y x n y n
L x y x t y t dt
=
=
}

Si la definicin incluye un desplazamiento de tiempo en la segunda seal, tendramos la definicin
de la funcin de correlacin entre dos seales:
| |
( )
{ }
*
,
*
,
[ ] [ ],
( ) ( ) ,
x y
n
x y
R k x n y n k k
R x t y t dt t t t

= + e
`
)
= + e
}

Esto es, en espacios vectoriales de seales de energa, <x,y> = Rx,y(0).

En L
2
(), la desigualdad de Cauchy-Schwarz toma la siguiente forma:
( )( )
2
2 2
*
( ) ( ) ( ) ( ) x t y t dt x t dt y t dt

s
} } }

y la desigualdad del tringulo es
2 2 2
( ) ( ) ( ) ( ) x t y t dt x t dt y t dt

+ s +
} } }

En l
2
(), la desigualdad de Cauchy-Schwarz toma la siguiente forma:
2
2 2
*
[ ] [ ] [ ] [ ]
n n n
x n y n x n y n

= = =
| || |
s
| |
\ .\ .

y la desigualdad del tringulo es
2 2 2
[ ] [ ] [ ] [ ]
n n n
x n y n x n y n

= = =
+ s +

6. Espacio de Hilbert

Entre los muchos posibles espacios vectoriales abstractos, los ms adecuados para el anlisis de
seales son los que extienden los espacios Euclidianos a un nmero infinito de dimensiones, ya sea
un nmero contable (espacios de seales en tiempo discreto) o un nmero incontable de
dimensiones (espacios de seales en tiempo continuo). Estos espacios se conocen, en general, como
Espacios de Hilbert. Los espacios Euclidianos mismos forman los ejemplos ms clsicos de
espacios de Hilbert. Por ser sencillamente extensiones de dimensin infinita de los espacios
Euclidianos, la intuicin geomtrica juega un papel mucho ms preponderante, por la validez del
teorema de Pitgoras o la ley del paralelogramo, por ejemplo. En efecto, en los espacios de Hilbert
resulta muy claro hacer construcciones geomtricas como la proyeccin perpendicular de un vector
en un plano, por ejemplo, lo cual resulta en toda una teora de optimizacin basada en el error
cuadrado promedio. Es en estos espacios, por ejemplo, en donde los impulsos unitarios desplazados
forman una base cannica de infinitas dimensiones, idntica a la base cannica {(1,0,0), (0,1,0),
(0,0,1)} de
3
.

Al considerar infinitas dimensiones surgen cuestiones sobre la existencia de lmites dentro del
espacio vectorial, los cuales permitiran utilizar tcnicas de anlisis como el clculo diferencial e
integral. Por eso los espacios de Hilbert se enmarcan dentro de los espacios mtricos de Banach. Un
espacio mtrico es un espacio vectorial V dotado con una medida para la distancia entre dos
vectores, d(x, y) (mtrica), la cual satisface tres propiedades elementales: (1) d(x,y)>0 con igualdad
slo si x=y, (2) d(x,y) = d(y,x) y (3) para todo z e V, d(x,y) s d(x,z) + d(z,y). Un espacio de Banach
es un espacio normado en el que la mtrica es la norma del vector diferencia, d(x,y) = ||x y|| y
satisface un criterio adicional: Debe ser un espacio "completo". Un espacio vectorial V es completo
si para cualquier secuencia de vectores {x
1
, x
2
, x
3
, } en V, tal que la mtrica d(x
n
, x
n-1
) converge a
cero a medida que n tiende a infinito, todos los vectores de la secuencia, incluido el vector x
n
en el
lmite n, pertenecen al espacio V. Esta simple propiedad nos permite utilizar los conceptos del
clculo diferencial e integral en el anlisis de los espacios. Para hacer de un espacio de Banach un
espacio de Hilbert, slo necesitamos que la norma est dada por la raz cuadrada del producto
interno, ||x||
2
=<x,x>.

La siguiente figura repasa los conceptos vistos en esta clase, hasta llegar al espacio de Hilbert.

Figura 4. Resumen de los conceptos de espacios vectoriales abstractos, hasta los espacios de Hilbert

7. Ejemplos

Considere las siguientes tres seales en tiempo discreto: {|
k
[n] = u[n-k] - u[n-k-2], ne}
ke{0,1,2}
,
mostradas en la siguiente figura. {|
0
, |
1
, |
2
} son linealmente independientes porque la nica forma
de combinarlas linealmente para obtener el vector 0 (la seal en tiempo discreto que es
idnticamente igual a cero para cualquier ne) es haciendo que los coeficientes de la combinacin
lineal sean todos cero. En efecto, el espacio de seales expandido por {|
0
, |
1
, |
2
} es V
|
= {x:
tales que x = a|
0
+ b|
1
+ c|
2
, con a, b, c e}, que es el espacio vectorial de las seales x:
tales que x[n]=0 ne, excepto x[0] = a, x[1] = a+b, x[2] = b+c, x[3] = c. La siguiente figura
muestra las seales base {|
0
, |
1
, |
2
} y tres de las seales del espacio V
|
expandido por {|
0
, |
1
, |
2
}.
Espacio
de
Hilbert
Espacio vectorial
Espacio
normado
Espacio
de Banach
Espacio con
Producto
interno

Figura 5. Una base vectorial de seales y algunos vectores del respectivo espacio de seales expandido
Sin embargo, los vectores {|
0
, |
1
, |
2
} no forman una base ortogonal para el espacio V porque
0 0 0 0 0 0 0 0 0 1 1 0 0 1 0 1
1 1 1 1 1 1 1 1 1 2 2 1 1 2 1 2
2 2 2 2
, [ ] [ ] [0] [0] [1] [1] 2 , , [ ] [ ] [1] [1] 1
, [ ] [ ] [1] [1] [2] [2] 2 , , [ ] [ ] [2] [2] 1
, [ ] [ ]
n n
n n
n
n n n n
n n n n
n n
| | | | | | | | | | | | | | | |
| | | | | | | | | | | | | | | |
| | | | |

= =

= =
=
= = + = = = = =
= = + = = = = =
= =

2 2 2 2 0 2 2 0 0 2
[2] [2] [3] [3] 2 , , [ ] [ ] 0
n
n n | | | | | | | | |
=
+ = = = =

Pero podemos construir una base ortogonal para el mismo espacio si restamos a cada vector base las
proyecciones sobre los otros vectores. Este proceso se conoce como la ortogonalizacin de
Gramm-Schmidt.
0
0 0
0
1 1 0
1 1 0 1 0
1 0 0 0
2 0 2 1
2 2 0 1
0 0 1 1
El primer vector base, , se
escoge igual al anterior, .
El segundo vector base, , se escoge , 1
eliminando de su proyeccin sobre , 2
, ,
, ,
|
|
|
| |
|
| |
|

=
= =
=
2
2 1
2 0 1
El tercer vector base, , se escoge eliminando
2
de sus proyecciones sobre y sobre 3

|
|
=

Las seales resultantes se muestran en la siguiente figura, as como las nuevas coordenadas de las
seales mostradas en la figura anterior:
-2 0 2 4 6
-1
0
1
2
3
|
0
[n]
-2 0 2 4 6
-1
0
1
2
3
|
1
[n]
-2 0 2 4 6
-1
0
1
2
3
|
2
[n]
-2 0 2 4 6
-1
0
1
2
3
[2, 1, -1] : 2*|
0
[n] + |
1
[n] - |
2
[n]
-2 0 2 4 6
-1
0
1
2
3
[-1, 2, 1] : -|
0
[n] + 2*|
1
[n] + |
2
[n]
-2 0 2 4 6
-1
0
1
2
3
[1, 1, 1] : |
0
[n] + |
1
[n] + |
2
[n]

Figura 6. Otra base (esta vez ortogonal) para el mismo espacio vectorial de seales
Una representacin grfica para el proceso que acabamos de hacer con la ortogonalizacin de
Gramm-Schmidt se muestra en la siguiente figura: Escogimos a
0
idntica a |
0
y luego, para
asegurarnos que
0
y
1
sean perpendiculares, hicimos que
1
fuera el resultado de quitarle a |
1

cualquier componente en la direccin de
0
. Por ltimo, hicimos que
2
fuera el resultado de quitarle
a |
2
cualquier componente en las direcciones de
0
y
1
; en este caso, como |
2
ya era ortogonal a
0
,
bast con eliminar el componentes de |
2
en la direccin de
1
para obtener
2
.

Figura 7. Proceso de Ortogonalizacin de Gramm-Schmidt
La ortogonalidad de {
0
,
1
,
2
} es fcil de verificar:
0 0 0 0 0 1 1 0 0 1
1 1 1 1 0 2 0 2 0 2
2 2 2 2 1 2 1 2 1 2
, [ ] [ ] 2 , , [ ] [ ] 0
, [ ] [ ] 3/ 2 , , [ ] [ ] 0
, [ ] [ ] 4 / 3 , , [ ] [ ] 0
n n
n n
n n
n n n n
n n n n
n n n n

= =

= =

= =
= = = = =
= = = = =
= = = = =

Por ejemplo, fijndonos en la seal del extremo inferior derecho de la Figura 5 y la Figura 6, hemos
encontrado 2 expresiones para representarla, cada una en una base diferente:
x[n] = |
0
[n] + |
1
[n] + |
2
[n]
-2 0 2 4 6
-1
0
1
2
0
[n]
-2 0 2 4 6
-1
0
1
2
1
[n]
-2 0 2 4 6
-1
0
1
2
2
[n]
-2 0 2 4 6
-1
0
1
2
3
[5/2, 1/3, -1] : 5*
0
[n]/2 +
1
[n]/3 -
2
[n]
-2 0 2 4 6
-1
0
1
2
3
[0, 8/3, 1] : 0*
0
[n] + 8*
1
[n]/3 +
2
[n]
-2 0 2 4 6
-1
0
1
2
3
[3/2, 5/3, 1] : 3*
0
[n]/2 + 5*
1
[n]/3 +
2
[n]
0 0
| =
0 0
| =
1
|
1 0
0 0
0 0
, 1
, 2
|

=
Proyeccin ortogonal de |
1
sobre
0
0 0
| =
1
|
1 0
0 0
0 0
, 1
, 2
|

= 0
1
2

1 1 0
1
2
| =
0
y
1
son dos vectores
ortogonales que expanden
el mismo espacio vectorial
que |
0
y |
1
0 0
| =
1
|
1 1 0
1
2
| =
2 1
1 1
1 1
, 2
, 3
|

=
2
|
Proyeccin ortogonal
de |
2
sobre
1
|
2
ya es ortogonal a
0
0 0
| =
1
|
1 1 0
1
2
| =
2 1
1 1
1 1
, 2
, 3
|

=
1
2
3

2 2 1
2
3
| =
2
|
0 0
| =
1
|
1 1 0
1
2
| =
2 2 1
2
3
| =
2
|
0
,
1
y
2
son tres vectores
ortogonales que expanden
el mismo espacio vectorial
que |
0
, |
1
y |
2
(1) (2) (3)
(4) (5) (6)
x[n] = 3
0
[n]/2 + 5
1
[n]/3 +
2
[n]
Otra representacin posible, como ya vimos en la novena clase es
x[n] = o
0
[n] + 2o
1
[n] + 2o
2
[n] + o
3
[n]
donde {o
k
[n]=o[n-k], ne}
ke{0,1,2,3}
es otro conjunto de seales ortogonales constituido por algunos
desplazamientos del impulso unitario. Sin embargo, el espacio vectorial V
o
expandido por estas
cuatro seales es mucho mayor, pues incluye a todas las seales en tiempo discreto que toman el
valor cero para instantes menores que cero y para instantes superiores a tres. Claramente, V
|
c V
o
.

Si queremos expresar una seal que est dada como combinacin lineal de {|
0
, |
1
, |
2
}, por ejemplo
{x[n] = a|
0
[n] + b|
1
[n] + c|
2
[n], ne}, como combinacin lineal de {o
0
, o
1
, o
2
, o
3
}, por ejemplo
{x[n] = po
0
[n] + qo
1
[n] + ro
2
[n] + so
3
[n], ne}, usamos la siguiente matriz de cambio de base:
1 0 0
1 1 0
0 1 1
0 0 1
p a
a
q a b
b
r b c
c
s c
( ( (
(
( ( (
+
(
( ( (
= =
(
( ( ( +
(
( ( (

puesto que {a|
0
[n] + b|
1
[n] + c|
2
[n], ne} = {ao
0
[n] + (a+b)o
1
[n] + (b+c)o
2
[n] + co
3
[n], ne}.
Para hacer el cambio inverso de base (siempre que la seal est efectivamente en V
|
) tenemos
diferentes alternativas como, por ejemplo,
1 0 0 0 0 1 1 1
1 1 0 0 , 1 1 0 0 , .
0 0 0 1 1 1 1 0
p p
a p a q r s
q q
b q p b q p etc
r r
c s c p q r
s s
( (
+ ( ( ( ( ( (
( (
( ( ( ( ( (
( (
= = = =
( ( ( ( ( (
( (
( ( ( ( ( ( +
( (

En efecto, si el vector [p, q, r, s] pertenece a V
|
, debe ser de la forma [p=a, q=a+b, r=b+c, s=c], en
cuyo caso las transformaciones anteriores (que son slo un cambio de base) conducen al vector
[a,b,c]: {x[n] = po
0
[n] + qo
1
[n] + ro
2
[n] + so
3
[n], ne} = {a|
0
[n] + b|
1
[n] + c|
2
[n], ne}.

Pero qu pasa si la seal original xeV
o
no est en V
|
y queremos aproximarla como una
combinacin lineal de {|
0
, |
1
, |
2
}, x eV
|
? Por supuesto, no importa qu seal de V
|
escojamos,
siempre cometeremos un error. Por esta razn, lo que deberamos buscar es la aproximacin que
minimice el "error cuadrado promedio" (MSE por sus siglas en ingls, Mean Square Error) o,
equivalentemente, la aproximacin que minimice la energa del error. El problema es fcil de
plantear como un problema de optimizacin:
( )
3
2
* * *
, ,
0
1
[ , , ] argmin [ ] [ ]
4 a b c
n
a b c x n x n
e
=
=

La funcin objetivo, el MSE, no es ms que cuatro veces la energa total de la seal de error
{ }
[ ] [ ] [ ], e n x n x n n = e . Por eso el criterio estadstico de minimizar el error cuadrado promedio se
conoce en teora de seales como la minimizacin de la energa del error. Aunque podramos
aplicar directamente tcnicas de programacin matemtica para resolver el anterior problema de
optimizacin, es mucho ms interesante recurrir a nuestra visin geomtrica de las seales y aplicar
el principio de ortogonalidad.

Para visualizar el principio de ortogonalidad, representemos a V
o
como
3
y a V
|
como
2
, lo cual
indica el hecho de que V
|
c V
o
. Esta representacin se muestra en la siguiente figura.

Figura 8. La proyeccin perpendicular sobre el espacio de aproximacin minimiza el MSE
Claramente, para obtener la mejor aproximacin de x en V
|
, debemos escoger la proyeccin
perpendicular de x sobre V
|
. De esta manera, se minimiza la magnitud del error, y por consiguiente
el MSE (pues la magnitud es la raz cuadrada de la energa). Esto es, el error e x x = debe ser
perpendicular a cualquier otro vector de V
|
, lo que permite expresar el principio de ortogonalidad
as: , 0 x x z z V
|
= e . Si expresamos
* * *
0 1 2
x a b c | | | = + + y
0 1 2
z a b c | | | = + + , el principio de
ortogonalidad toma la siguiente forma:
( )
( )
( )
* * *
0 1 2 0 0 1 0 2 0
* * *
0 1 1 1 2 1
* * *
0 2 1 2 2 2
, , , , , ,
, , ,
, , , , ,
a x b x c x a a b c
b a b c
c a b c a b c
| | | | | | | | |
| | | | | |
| | | | | |
+ + = + + +
+ + +
+ + e

Lo cual exige que
*
0 0 1 0 2 0 0
*
0 1 1 1 2 1 1
*
0 2 1 2 2 2 2
, , , ,
, , , ,
, , , ,
a x
b x
c x
| | | | | | |
| | | | | | |
| | | | | | |
( ( (
( ( (
=
( ( (
( ( (

Este es el sistema de ecuaciones normales, que est dado en trminos de las correlaciones entre los
vectores base (matriz de coeficientes) y las correlaciones entre la seal a aproximar y los vectores
base (vector independiente). Con {x[n] = po
0
[n] + qo
1
[n] + ro
2
[n] + so
3
[n], ne}, las ecuaciones
normales conducen a la siguiente aproximacin ptima en el sentido MSE:
*
*
*
2 1 0
1 2 1
0 1 2
a p q
b q r
c r s
( + ( (
(
( (
= +
(
( (
(
( ( +

Qu hubiera pasado si expresamos V
|
en la base {
0
,
1
,
2
}? Que la matriz de coeficientes resulta
diagonal y su inversin es inmediata. Por ejemplo, para aproximar {x[n] = po
0
[n] + qo
1
[n] + ro
2
[n]
+ so
3
[n], ne} como {u
0
[n] + v
1
[n] + w
2
[n], ne} debemos escoger [u
*
,v
*
,w
*
] para satisfacer las
siguientes ecuaciones normales
*
*
*
2 0 0
3
0 0
2 2 2
4
0 0
3 3 3 3
p q
u
p q
v r
w
p q r
s
( (
( ( +
(
( (
(
( (
= + +
(
( (
(
( (

( ( + +

Por supuesto, {u
*
0
[n] + v
*
1
[n] + w
*
2
[n], ne} = {a
*
|
0
[n] + b
*
|
1
[n] + c
*
|
2
[n], ne}.
Espacio de aproximacin, V
|
e x x =
Para terminar esta larga clase, vamos a extender el ejemplo anterior usando unos espacios
vectoriales ms interesantes: El espacio de las seales peridicas de potencia en tiempo discreto,
con perodo N.
1
2
2
0
1
( ) : tales que [ ] [ ] y [ ] sobre el campo
N
N
n
p x x n N x n n x n
N
=

= + = e <
`
)

La representacin de una seal x e p
2
N
() en la base cannica de los impulsos desplazados es
inmediata:
{ } { } { }
1
0
[ ], [ ] [ ], [ ] [ ],
N
k k m
x n n x k n k n x k n k mN n o o

= = =
| |
e = e = e
|
\ .

Ya que slo hay N coeficientes en la combinacin lineal, sera interesante buscar una aproximacin
en algn espacio vectorial expandido por slo N seales. Como acabamos de ver, si escogemos un
conjunto de seales linealmente independientes
{ }
0,1,..., 1
[ ],
k
k N
n n |
=
e , queremos encontrar la mejor
aproximacin en el sentido MSE que tome la forma
1
0
[ ] [ ],
N
k k
k
x n a n n |
=

= e
`
)
. Si aseguramos que
cada uno de los vectores base sea peridico con perodo N, garantizaramos la periodicidad de x .
Suponiendo que ese es el caso, la correlacin como medida de energa sera infinita, por lo que
conviene definir la correlacin en trminos de la potencia acumulada en un perodo:
1 1
* *
0 0
, [ ] [ ], , [ ] [ ]
N N
k j k j j j
n n
n n x x n n | | | | | |

= =
= =

El operador de conjugacin aparece aqu porque estamos usando el campo escalar de los nmeros
complejos, y as se defini la correlacin en para que la correlacin de un vector consigo mismo
de en trminos de la suma de los cuadrados de la magnitud de sus componentes. Entonces, de
acuerdo con el principio de ortogonalidad, el error cuadrado promedio entre la seal y su
aproximacin se minimiza si satisfacemos las ecuaciones normales,
0 0 1 0 2 0 1 0 0 0
0 1 1 1 2 1 1 1 1 1
0 2 1 2 2 2 1 2 2 2
0 1 1 1 2 1 1 1 1 1
, , , , ,
, , , , ,
, , , , ,
, , , , ,
N
N
N
N N N N N N N
a x
a x
a x
a x
| | | | | | | | |
| | | | | | | | |
| | | | | | | | |
| | | | | | | | |

( ( (
( ( (
( ( (
( ( ( =
( ( (
( ( (
( ( (

Pero si notamos que estamos buscando N variables a partir de N ecuaciones, la condicin de
independencia lineal es suficiente para asegurar que no se trata de ninguna aproximacin, sino que
hemos logrado una representacin de la misma seal peridica en otra base del mismo espacio
vectorial. Adems, si conseguimos que los vectores base sean tambin ortogonales, las ecuaciones
normales se podran resolver inmediatamente, pues la matriz de coeficientes sera una matriz
diagonal:
,
, 0,1, 2,..., 1
,
k
k
k k
x
a k N
|
| |
= =

Todas estas propiedades (independencia lineal, periodicidad y ortogonalidad) son satisfechas por las
familias de exponenciales complejas armnicamente relacionadas,
{ }
2 /
0,1,..., 1
[ ] e ,
j kn N
k
k N
n n
t
|
=
= e
,
vistas en la novena clase, para las cuales
1
2 /
0
, , 0,1, 2,..., 1
, [ ] , 0,1, 2,..., 1
k k
N
j kn N
k
n
N k N
x x n e k N
t
| |
|

=
= =
= =

de manera que los coeficientes que determinan el cambio de base son
1
2 /
0
1
[ ] , 0,1, 2,..., 1
N
j kn N
k
n
a x n e k N
N
t
=
= =

De esta manera hemos encontrado dos formas de expresar cualquier seal x e p
2
N
() :
{ } { } { }
1 1
2 /
1
2 /
0 0
0
[ ], [ ] [ ], e ,
[ ]e , 0,1,..., 1
N N
j kn N
N
k j kn N
k m k k
n
x n n x k n k mN n a n
a x n k N
t
t
o

= = =
=
| |
e = e = e

|
= =
` \ .
)

La primera expresin es la expansin del espacio vectorial p
2
N
() en la base de los impulsos
unitarios repetidos cada N muestras y la segunda expresin es la expansin del mismo espacio
vectorial en la base de las exponenciales complejas armnicamente relacionadas. As pues, el par de
transformaciones
{ } { }
1 1
2 / 2 /
0 0
[ ], e , , [ ]e , 0,1,..., 1
N N
j kn N j kn N
k k
k n
x n n a n a x n k N
t t

= =

e = e = =
`
)

conocidas como frmulas de sntesis y anlisis de la serie de Fourier en tiempo discreto, son
solamente distintas expresiones para la misma seal en bases ortogonales diferentes. Este cambio de
bases se estudiar profundamente ms adelante.

Decimo Segunda Clase

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Decimo Segunda Clase

Caricato da

Copyright:

Formati disponibili

Universidad Distrital Francisco Jos de Caldas - Anlisis de Seales y Sistemas - Marco A.

Potrebbero piacerti anche