PDS Mat

Texto Gua Para El Curso De
Procesamiento Digital De Se nales

Pedro Pablo Botero
1 de noviembre de 2005
Prefacio
Este texto es el resultado de la recopilaci on de las notas de clase del curso
procesamiento digital de se nales (PDS) que he dictado durante varios semestres
en la Universidad de Antioquia y consiste fundamentalemente en una intro-
ducci on al PDS y en una serie de ejemplos realizados en Matlab.
El objetivo, al realizar estas notas, fue el de tener un texto gua para el curso
que sea de f acil lectura, tenga muchos ejemplos y no sea tan voluminoso como
lo son los textos que se encuentran en el mercado.
Se han obviado en buena parte las demostraciones matem aticas rigurosas para
no aburrir al lector con demasiadas f ormulas, pues estas se pueden encontrar
en cualquiera de los textos disponibles sobre el tema y se hace m as enfasis en
la parte conceptual y en el manejo del software que facilita la carpinteria que
normalmente es tediosa.
En la primera parte se analiza lo que es un sistema de DSP, las se nales y sis-
temas discretos y su relaci on temporal, as como las interfaces del sistema DSP
con el mundo real, o sea, lo que tiene que ver con los procesos de conversi on de
an alogo a digital de las se nales y viceversa, de digital a an alogo.
Posteriormente se trata el tema de la transformada z como un instrumento simi-
lar a la transformada de Laplace que sirve para el an alisis del comportamiento
de las se nales y los sistemas en cuanto a la estabilidad en el mundo discreto y
como herramienta en la soluci on de ecuaciones en diferencias.
Luego se hace un an alisis de la transformada de Fourier que permite observar el
comportamiento en frecuencia de las se nales y los sistemas en tiempo discreto,
la transformada discreta de Fourier y el c alculo eciente de esta usando lo que
se llama la transformada r apida de Fourier.
Indice general
1. Introducci on al procesamiento de se nales 1
1.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. El canal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2. El transmisor . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3. El receptor . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Dominios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1. Dominio tiempo . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2. Dominio de la frecuencia . . . . . . . . . . . . . . . . . . . 3
1.2.3. Dominio estadstico . . . . . . . . . . . . . . . . . . . . . 3
1.2.4. Dominio an alogo . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.5. Dominio digital . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.6. Ventajas y desventajas del procesamiento digital . . . . . 5
1.3. Sistemas DSP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4. Proceso de conversi on de analogo a digital (ADC) . . . . . . . . 7
1.4.1. Teorema del muestreo . . . . . . . . . . . . . . . . . . . . 7
1.4.2. Cuantizaci on . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.3. Codicaci on . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.4.4. Filtrado antialiasing . . . . . . . . . . . . . . . . . . . . . 20
1.5. Proceso de conversi on de digital a anal ogica (DAC) . . . . . . . . 26
1.5.1. Mantenedor de orden cero . . . . . . . . . . . . . . . . . . 27
1.5.2. Mantenedor de primer orden . . . . . . . . . . . . . . . . 29
1.5.3. Interpolador lineal con retardo . . . . . . . . . . . . . . . 30
1.6. Procesadores de se nales digitales . . . . . . . . . . . . . . . . . . 32
1.7. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2. Se nales en tiempo discreto 35
2.1. Se nales elementales en tiempo discreto . . . . . . . . . . . . . . . 36
2.1.1. Impulso unitario . . . . . . . . . . . . . . . . . . . . . . . 36
2.1.2. Escal on unitario . . . . . . . . . . . . . . . . . . . . . . . 37
2.1.3. Rampa unitaria . . . . . . . . . . . . . . . . . . . . . . . . 38
2.1.4. Se nal sinusoidal . . . . . . . . . . . . . . . . . . . . . . . . 39
2.1.5. Se nal exponencial compleja . . . . . . . . . . . . . . . . . 40
2.2. Frecuencia y rangos de frecuencia . . . . . . . . . . . . . . . . . . 42
2.3. Exponenciales complejas relacionadas . . . . . . . . . . . . . . . 45
i
ii

INDICE GENERAL
2.4. Clasicaci on de las se nales . . . . . . . . . . . . . . . . . . . . . . 46
2.4.1. Se nal de energia . . . . . . . . . . . . . . . . . . . . . . . 46
2.4.2. Se nales de potencia . . . . . . . . . . . . . . . . . . . . . . 48
2.4.3. Se nales peri odicas o aperiodicas . . . . . . . . . . . . . . . 49
2.4.4. Se nales de simetra par e impar . . . . . . . . . . . . . . . 50
2.5. Manipulaciones de las se nales en tiempo discreto . . . . . . . . . 51
2.5.1. Retraso o adelanto . . . . . . . . . . . . . . . . . . . . . . 51
2.5.2. Reexi on . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.5.3. Escalado temporal (submuestreo) . . . . . . . . . . . . . . 52
2.5.4. Escalado de la se nal . . . . . . . . . . . . . . . . . . . . . 53
2.5.5. Suma de se nales . . . . . . . . . . . . . . . . . . . . . . . 53
2.5.6. Producto de dos se nales . . . . . . . . . . . . . . . . . . . 54
2.6. Sistemas en tiempo discreto . . . . . . . . . . . . . . . . . . . . . 54
2.6.1. Representaci on de sistemas por bloques . . . . . . . . . . 55
2.6.2. Clasicaci on de los sistemas . . . . . . . . . . . . . . . . . 56
2.6.3. Interconexi on de sistemas . . . . . . . . . . . . . . . . . . 58
2.7. Sistemas discretos recursivos y no recursivos . . . . . . . . . . . . 60
2.8. Analisis de sistemas discretos LTI . . . . . . . . . . . . . . . . . . 61
2.8.1. Sistemas LTI descritos por ecuaciones en diferencias . . . 63
2.8.2. Soluci on de ecuaciones en diferencias de coecientes cons-
tantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.8.3. Descripci on de una se nal en terminos de impulsos . . . . . 69
2.8.4. Respuesta de un sistema LTI a entradas arbitrarias . . . . 70
2.8.5. Propiedades de la convoluci on . . . . . . . . . . . . . . . . 73
2.8.6. Sistemas LTI causales . . . . . . . . . . . . . . . . . . . . 76
2.8.7. Estabilidad para los sistemas LTI . . . . . . . . . . . . . . 77
2.8.8. Sistemas con respuesta impulsional nita o innita . . . . 77
2.8.9. Correlacion de se nales discretas . . . . . . . . . . . . . . . 78
2.8.10. Autocorrelacion y correlacion cruzada para se nales de ener-
gia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.8.11. Propiedades de las secuencias de autocorrelacion y corre-
lacion cruzada . . . . . . . . . . . . . . . . . . . . . . . . 81
2.8.12. Autocorrelacion y correlacion cruzada de secuencias de
potencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
2.8.13. Secuencias de correlacion de entrada-salida . . . . . . . . 84
2.9. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3. Transformada Z 89
3.1. Transformada Z directa . . . . . . . . . . . . . . . . . . . . . . . 89
3.2. Transformada Z inversa . . . . . . . . . . . . . . . . . . . . . . . 96
3.3. Propiedades de la transformada Z . . . . . . . . . . . . . . . . . 97
3.3.1. Linealidad . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.3.2. Retardo temporal . . . . . . . . . . . . . . . . . . . . . . . 99
3.3.3. Escalado en el dominio de Z . . . . . . . . . . . . . . . . 100
3.3.4. Inversi on temporal . . . . . . . . . . . . . . . . . . . . . . 101
3.3.5. Diferenciaci on en Z . . . . . . . . . . . . . . . . . . . . . 101
INDICE GENERAL iii

3.3.6. Convoluci on de dos secuencias . . . . . . . . . . . . . . . 102
3.3.7. Multiplicaci on de dos secuencias . . . . . . . . . . . . . . 104
3.3.8. Relaci on de Parseval . . . . . . . . . . . . . . . . . . . . . 104
3.3.9. Teorema del valor inicial . . . . . . . . . . . . . . . . . . . 104
3.3.10. Correlaci on de dos secuencias . . . . . . . . . . . . . . . . 105
3.4. Transformadas Z racionales . . . . . . . . . . . . . . . . . . . . . 106
3.5. Relaci on entre polos y comportamiento temporal . . . . . . . . . 110
3.5.1. Un solo polo . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.5.2. Un polo doble . . . . . . . . . . . . . . . . . . . . . . . . . 114
3.5.3. Polos complejos conjugados . . . . . . . . . . . . . . . . . 118
3.5.4. Polos dobles complejos conjugados . . . . . . . . . . . . . 120
3.6. La funci on de transferencia de un sistema LTI . . . . . . . . . . . 122
3.7. Causalidad y estabilidad . . . . . . . . . . . . . . . . . . . . . . . 124
3.8. Inversi on de la transformada Z . . . . . . . . . . . . . . . . . . . 126
3.8.1. Metodo de expansi on en series de potencias . . . . . . . . 127
3.8.2. Metodo de expansi on en fracciones parciales . . . . . . . . 129
3.8.3. Metodo del residuo . . . . . . . . . . . . . . . . . . . . . . 139
3.8.4. Comparaci on entre los tres metodos . . . . . . . . . . . . 142
3.9. Transformada Z unilateral . . . . . . . . . . . . . . . . . . . . . . 142
3.9.1. Propiedad de retardo temporal . . . . . . . . . . . . . . . 143
3.9.2. Propiedad de avance temporal . . . . . . . . . . . . . . . 144
3.9.3. Soluci on de ecuaciones en diferencias con condiciones ini-
ciales distintas de cero utilizando la transformada z uni-
lateral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
3.10. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
4. Analisis frecuencial en tiempo discreto 151
4.1. An alisis espectral en tiempo continuo . . . . . . . . . . . . . . . . 152
4.1.1. Series de Fourier para se nales peri odicas . . . . . . . . . . 152
4.1.2. Transformada de Fourier para la representaci on de se nales
no peri odicas . . . . . . . . . . . . . . . . . . . . . . . . . 153
4.2. An alisis espectral en tiempo discreto . . . . . . . . . . . . . . . . 153
4.2.1. Serie de Fourier para se nales peri odicas . . . . . . . . . . 153
4.2.2. Serie de Fourier para se nales peri odicas reales . . . . . . . 163
4.2.3. Transformada de Fourier para se nales no peri odicas . . . 163
4.3. Transformada inversa de Fourier . . . . . . . . . . . . . . . . . . 167
4.4. La convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
4.5. Propiedades de la transformada de Fourier . . . . . . . . . . . . . 171
4.5.1. Propiedad lineal . . . . . . . . . . . . . . . . . . . . . . . 171
4.5.2. Propiedad de retardo temporal . . . . . . . . . . . . . . . 174
4.5.3. Propiedad de reexi on temporal . . . . . . . . . . . . . . 174
4.5.4. Propiedad de la convoluci on . . . . . . . . . . . . . . . . 175
4.5.5. Propiedad de correlaci on . . . . . . . . . . . . . . . . . . 177
4.5.6. Teorema de Wiener Kintchine . . . . . . . . . . . . . . . 177
4.5.7. Propiedad de desplazamiento frecuencial . . . . . . . . . 180
4.5.8. Propiedad de modulaci on . . . . . . . . . . . . . . . . . . 181
iv

INDICE GENERAL
4.5.9. Propiedad de enventanado . . . . . . . . . . . . . . . . . 182
4.6. Densidad espectral de energa . . . . . . . . . . . . . . . . . . . . 184
4.7. Relaci on de las transformadas Fourier y Z . . . . . . . . . . . . . 187
4.7.1. La transformada de Fourier de se nales que tienen polos
de la transformada Z en la circunferencia unidad . . . . 188
4.8. Sistemas LTI en el dominio de la frecuencia . . . . . . . . . . . . 189
4.8.1. Respuesta de los sistemas LTI a se nales peri odicas . . . . 191
4.8.2. Respuesta a se nales aperi odicas . . . . . . . . . . . . . . . 191
4.8.3. Relaci on entre la respuesta en frecuencia y la funci on de
transferencia . . . . . . . . . . . . . . . . . . . . . . . . . 192
4.9. La transformada de Fourier discreta . . . . . . . . . . . . . . . . 193
4.9.1. La transformada de Fourier discreta . . . . . . . . . . . . 197
4.9.2. Relaci on de la DFT con la serie de Fourier y otras trans-
formadas . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
4.9.3. Propiedades de la transformada discreta de Fourier . . . . 200
4.9.4. Multiplicaci on de dos DFT y convoluci on circular . . . . 206
4.9.5. Desplazamiento circular en el tiempo de una secuencia . . 209
4.9.6. Desplazamiento circular en frecuencia . . . . . . . . . . . 209
4.9.7. Multiplicaci on de dos secuencias . . . . . . . . . . . . . . 211
4.9.8. Teorema de Parseval . . . . . . . . . . . . . . . . . . . . 212
4.10. Metodos de ltrado lineal usando la DFT . . . . . . . . . . . . . 212
4.11. Calculo eciente de la DFT . . . . . . . . . . . . . . . . . . . . . 217
4.11.1. Metodo divide y vencer as . . . . . . . . . . . . . . . . . . 218
4.11.2. Metodo de diezmado en el tiempo . . . . . . . . . . . . . 222
4.11.3. Metodo de diezmado en frecuencia . . . . . . . . . . . . . 225
4.11.4. Algoritmos para la FFT base 2 . . . . . . . . . . . . . . . 227
4.12. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
5. Dise no de ltros digitales 243
5.1. Consideraciones generales . . . . . . . . . . . . . . . . . . . . . . 243
5.1.1. Causalidad y sus implicaciones . . . . . . . . . . . . . . . 244
5.1.2. Caractersticas de ltros pr acticos Selectivos en frecuencia 247
5.2. Dise no de ltros FIR . . . . . . . . . . . . . . . . . . . . . . . . 249
5.2.1. Filtros FIR simetricos y antisimetricos . . . . . . . . . . . 249
5.2.2. Filtros FIR usando ventanas . . . . . . . . . . . . . . . . 255
5.2.3. Filtros FIR de fase lineal mediante el metodo de muestreo
en frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . 261
5.2.4. Dise no de ltros optimos FIR de fase lineal y rizado cons-
tante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277
5.3. Dise no de ltros IIR . . . . . . . . . . . . . . . . . . . . . . . . . 285
5.3.1. Dise no de ltros IIR a partir de ltros anal ogicos . . . . . 285
5.3.2. Dise no de ltros IIR directamente en el mundo digital . . 308
5.4. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321
Indice de guras
1.1. Diagrama de bloques de un sistema de comunicaci on. . . . . . . . 1
1.2. Diagrama en bloques de un sistema de comunicaciones. . . . . . 2
1.3. Sistema DSP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4. Sistema DSP completo . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5. Diagrama de bloques del proceso de conversi on an alogo a digital. 7
1.6. Muestreo de una se nal an aloga. . . . . . . . . . . . . . . . . . . . 8
1.7. Tren de pulsos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.8. Espectro de la se nal antes del muestreo. . . . . . . . . . . . . . . 10
1.9. Espectro de la se nal despues del muestreo. . . . . . . . . . . . . . 10
1.10. Espectro con aliasing de una se nal muestreada. . . . . . . . . . . 10
1.11. Espectro resultante con la frecuencia mnima de muestreo. . . . . 11
1.12. Espectro de la se nal de banda pasante. . . . . . . . . . . . . . . . 12
1.13. Frecuencia de muestreo en terminos de la frecuencia m as baja y
el ancho de banda de se nales pasabanda. . . . . . . . . . . . . . . 12
1.14. Diagrama de bloques de un conversor A/D. . . . . . . . . . . . . 13
1.15. Respuesta de un circuito S/H. . . . . . . . . . . . . . . . . . . . . 13
1.16. Caracterstica entradasalida de un cuantizador con redondeo. . . 14
1.17. Diferenciaci on entre niveles de cuantizaci on y de decisi on. . . . . 15
1.18. Funci on densidad de probabilidad del ruido de cuantizaci on. . . . 15
1.19. Caractersticas ideal (a) y real (b), (c) y (d) del ltro antialiasing. 21
1.20. Esquema de cuantizaci on diferencial. . . . . . . . . . . . . . . . . 23
1.21. Esquema de modulaci on diferencial (Modulaci on Delta). . . . . . 24
1.22. Esquema de modulaci on diferencial en forma anal ogica. . . . . . 25
1.23. Esquema de modulaci on diferencial en forma anal ogica con inte-
grador a la entrada. . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.24. Esquema de modulaci on diferencial que usa un solo integrador. . 25
1.25. Modulador diferencial discreto. . . . . . . . . . . . . . . . . . . . 26
1.26. Filtro de reconstrucci on ideal. . . . . . . . . . . . . . . . . . . . . 26
1.27. Sistema conversor digital-anal ogico con sample and hold (S/H). . 27
1.28. Funci on de transferencia ideal del conversor DAC. . . . . . . . . 28
1.29. (a) Versi on en escalera de una se nal, obtenida mediante la funci on
S/H. (b) Respuesta al impulso del S/H. . . . . . . . . . . . . . . 28
1.30. Respuesta en frecuencia del S/H y del ltro reconstructor ideal. . 29
1.31. Se nal reconstruida con un mantenedor de primer orden. . . . . . 29
v
vi

INDICE DE FIGURAS
1.32. Respuesta al impulso del mantenedor de primer orden. . . . . . . 30
1.33. Respuesta en frecuencia del mantenedor de primer orden. . . . . 30
1.34. Reconstrucci on de una se nal con un interpolador lineal con retardo. 31
1.35. Respuesta al impulso del interpolador lineal con retardo. . . . . . 31
1.36. Respuesta en frecuencia del interpolador lineal con retardo. . . . 32
2.1. Funci on impulso unitario. . . . . . . . . . . . . . . . . . . . . . . 36
2.2. Funci on escal on unitario. . . . . . . . . . . . . . . . . . . . . . . . 37
2.3. Funci on rampa unitaria. . . . . . . . . . . . . . . . . . . . . . . . 38
2.4. Se nal sinusoidal. . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5. Funci on exponencial compleja. . . . . . . . . . . . . . . . . . . . 41
2.6. Gr aco polar de a
n
. . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.7. Se nal sinusoidal: (a) peri odica, (b) no peri odica. . . . . . . . . . . 43
2.8. Se nales sinusoidales de frecuencias crecientes entre 0 y 1.(a)f=0,
(b)f=0.125, (c)f=0.25, etc. . . . . . . . . . . . . . . . . . . . . . . 44
2.9. Onda cosenoidal de frecuencia m axima. . . . . . . . . . . . . . . 45
2.10. Exponencial decreciente bilateral. . . . . . . . . . . . . . . . . . . 47
2.11. Se nal discreta con su parte par e impar. . . . . . . . . . . . . . . 51
2.12. Submuestreo de una se nal. . . . . . . . . . . . . . . . . . . . . . . 52
2.13. Diagrama en bloques de un sistema. . . . . . . . . . . . . . . . . 54
2.14. Diagrama en bloques de un sumador. . . . . . . . . . . . . . . . . 55
2.15. Diagrama en bloques de un multiplicador. . . . . . . . . . . . . . 55
2.16. Diagrama en bloques de un sistema retardador. . . . . . . . . . . 55
2.17. Diagrama en bloques de un sistema adelantador. . . . . . . . . . 56
2.18. Diagrama en bloques de un multiplicador por una constante. . . 56
2.19. Diagrama en bloques de una conexi on en cascada. . . . . . . . . 58
2.20. Sistema equivalente de una conexi on en cascada. . . . . . . . . . 58
2.21. Diagrama en bloques de una conexi on paralela. . . . . . . . . . . 59
2.22. Sistema equivalente de una conexi on paralela. . . . . . . . . . . . 59
2.23. Sistema recursivo que calcula la media acumulativa. . . . . . . . 60
2.24. Sistema no recursivo. . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.25. Sistema recursivo. . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.26. Soluci on transitoria de la ecuaci on en diferencias del ejemplo. . . 66
2.27. Soluci on de estado cero de la ecuaci on del ejemplo. . . . . . . . . 68
2.28. Respuesta a la entrada nula del ejemplo. . . . . . . . . . . . . . . 68
2.29. Respuesta total del sistema descrito por la ecuaci on en diferencias
del ejemplo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.30. Proceso de la convoluci on paso a paso con x(n) = {4, 5, 6} y
h(n) = {1, 2, 3}. . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.31. Propiedad conmutativa de la convoluci on. . . . . . . . . . . . . . 73
2.32. Propiedad asociativa de la convoluci on. . . . . . . . . . . . . . . 73
2.33. Propiedad distributiva de la convoluci on. . . . . . . . . . . . . . . 75
2.34. Secuencia de correlaci on r
xy
(l) de dos se nales x(n) e y(n). . . . . 80
2.35. Secuencia de autocorrelaci on r
xx
(l) de una se nal x(n). . . . . . . 81
2.36. Correlaci on de una secuencia peri odica, una secuencia ruidosa y
la suma de las dos. . . . . . . . . . . . . . . . . . . . . . . . . . . 84
INDICE DE FIGURAS vii

2.37. Diagrama de bloques de un sistema LTI con salida y(n). . . . . . 84
2.38. Diagrama de bloques de un sistema LTI con salida r
yx
(n). . . . . 85
3.1. Diagrama de polos y ceros para X(z) con = 0,7. . . . . . . . . 91
3.2. Supercie de la magnitud de la transformada Z del ejemplo. . . . 93
3.3. Regi on de convergencia para la secuencia x(n)r
n
. . . . . . . . . 94
3.4. Regi on de convergencia para la secuencia x(n)r
n
. . . . . . . . . 95
3.5. Regi on de convergencia en anillo, con r
1
> r
2
. . . . . . . . . . . . 95
3.6. Diagrama de polos y ceros para X(z) con ROC: |z| > |a|. . . . . 108
3.7. Gr aco de la magnitud de la transformada Z del ejemplo. . . . . 108
3.8. Diagrama de polos y ceros para X(z) con M = 8. . . . . . . . . . 110
3.9. (a) Diagrama de polos y ceros para X(z) con |a| < 1, a positiva.
(b) Comportamiento temporal de la se nal. . . . . . . . . . . . . . 111
3.10. (a) Diagrama de polos y ceros para X(z) con |a| < 1 y a negativa.
3.11. (a) Diagrama de polos y ceros para X(z) con |a| = 1 y a positiva.
3.12. (a) Diagrama de polos y ceros para X(z) con |a| = 1 y a negativa.
3.13. (a) Diagrama de polos y ceros para X(z) con |a| > 1 y a positiva.
3.14. (a) Diagrama de polos y ceros para X(z) con |a| > 1 y a negativa.
3.15. (a) Diagrama de polos y ceros para X(z) con |a| < 1, a positiva.
3.16. (a) Diagrama de polos y ceros para X(z) con |a| < 1 y a negativa.
3.17. (a) Diagrama de polos y ceros para X(z) con |a| = 1 y a positiva.
3.18. (a) Diagrama de polos y ceros para X(z) con |a| = 1 y a negativa.
3.19. (a) Diagrama de polos y ceros para X(z) con |a| > 1 y a positiva.
3.20. (a) Diagrama de polos y ceros para X(z) con |a| > 1 y a negativa.
3.21. (a) Diagrama de polos y ceros para X(z) con |a| < 1. (b) Com-
portamiento temporal de la se nal. . . . . . . . . . . . . . . . . . . 118
3.22. ((a) Diagrama de polos y ceros para X(z) con |a| = 1. (b) Com-
3.23. (a) Diagrama de polos y ceros para X(z) con |a| > 1. (b) Com-
3.24. (a) Diagrama de polos y ceros para X(z) con |a| < 1.(b) Com-
3.25. (a) Diagrama de polos y ceros para X(z) con |a| = 1.(b) Com-
viii

INDICE DE FIGURAS
3.26. (a) Diagrama de polos y ceros para X(z) con |a| > 1.(b) Com-
3.27. (a) Diagrama de polos y ceros para H(z).(b)Respuesta al impulso
del sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
3.28. (a) Diagrama de polos y ceros para .(b) Comportamiento tempo-
ral de la se nal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
3.29. Comportamiento temporal de la se nal x(n). . . . . . . . . . . . . 128
3.30. Funci on x(n) con transformada X (z) =
0,8
(10,75z
1
)

0,8
(1+0,5z
1
)
. 134
3.31. Diagrama de polos y ceros de la funci on X (z) =
1+2z
1
+z
2
1z
1
+0,3561z
2
134
1+2z
1
+z
2
1z
1
+0,3561z
2
. . . . . . 136
3.33. Diagrama de polos y ceros de la funci on X (z) =
z
2
(z0,5)(z1)
2
. . 137
2
10,5z
1
2
1z
1
+
2
(1z
1
)
2
.138
2
10,5z
1
4
1z
1
+
2
(1z
1
)
2
.139
3.36. Serie de Fibonacci. . . . . . . . . . . . . . . . . . . . . . . . . . . 146
4.1. (a) Espectro de magnitud de la funci on x(n) = cos
_
n
3
_
. (b)
Espectro de fase . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
4.2. Espectro de x(n) = cos
_
n
3
_
, tomando tres perodos de la se nal. 157
4.3. Espectro distorsionado de la funci on x(n) = cos
_
n
3
_
. . . . . . . 157
4.4. (a) Espectro de magnitud de x(n) = sen
_
n
3
_
. (b) Espectro de
fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
4.5. (a) Parte real del espectro de x(n) = sen
_
n
3
_
. (b) Parte imagi-
naria. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
4.6. Tren de pulsos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
4.7. Espectro de un tren de pulsos. (a) Magnitud de C
k
. (b) Fase de
C
k
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
4.8. Espectro de la funci on. . . . . . . . . . . . . . . . . . . . . . . . . 164
4.9. Espectro de la funci on x(n) = (n k). . . . . . . . . . . . . . . 166
4.10. Espectro de un pulso. . . . . . . . . . . . . . . . . . . . . . . . . 167
4.11. Espectro X
N
(w) con N = 1. . . . . . . . . . . . . . . . . . . . . . 170
4.12. Espectro X
N
(w) con N = 3. . . . . . . . . . . . . . . . . . . . . . 170
4.13. Espectro X
N
(w) con N = 10. . . . . . . . . . . . . . . . . . . . . 170
4.14. Espectro X
N
(w) con N = 30. . . . . . . . . . . . . . . . . . . . . 171
4.15. Se nal x(n) = a
|n|
, |a| < 1. . . . . . . . . . . . . . . . . . . . . . . 172
4.16. Espectro de la funci on x
1
(n). . . . . . . . . . . . . . . . . . . . . 173
4.17. Espectro de la funci on x
2
(n). . . . . . . . . . . . . . . . . . . . . 173
4.18. Espectro resultante X(w). . . . . . . . . . . . . . . . . . . . . . . 174
4.19. Espectro X
1
(w) = X
2
(w). . . . . . . . . . . . . . . . . . . . . . . 175
4.20. Espectro X(w). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
4.21. Resultado de la convoluci on del ejemplo. . . . . . . . . . . . . . . 177
4.22. Funci on x(n) del ejemplo. . . . . . . . . . . . . . . . . . . . . . . 178
4.23. Autocorrelaci on r
xx
(l). . . . . . . . . . . . . . . . . . . . . . . . . 179
4.24. Densidad espectral S
xx
(w). . . . . . . . . . . . . . . . . . . . . . 180
4.25. Espectro de la funci on x(n) = a
n
(n). . . . . . . . . . . . . . . . 180
INDICE DE FIGURAS ix
n
(n) multiplicada por e
jn/3
. . 181
n
(n) multiplicada por cos
_
2
n
3
_
.181
4.28. Espectro de la funci on x(n) = 5 cos
_
2
n
64
_
. . . . . . . . . . . . . 183
4.29. Espectro de la funci onx(n) = 5 cos
_
2
n
64
_
con s olo 40 muestras. 183
4.30. Espectro de la se nal del ejemplo. . . . . . . . . . . . . . . . . . . 186
4.31. Densidad espectral de energa, S
xx
(w) de x(n). . . . . . . . . . . 187
4.32. (a) x(n), (b) Versi on peri odica sin aliasing temporal. (c) Versi on
peri odica con aliasing temporal. . . . . . . . . . . . . . . . . . . . 195
4.33. Transformada de Fourier de un tren de pulsos: (a) Un perodo,
(b) Tres perodos. . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
4.34. Transformada inversa de Fourier. . . . . . . . . . . . . . . . . . . 201
4.35. Magnitud de la transformada discreta de Fourier de las se nales
(a) x(n) = a
n
(n), (b) x(n) = a
n
cos (
0
n) (n) y (c) a
n
(n) +
a
n
cos (
0
n) (n). . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
4.36. (a) Secuencia x(n), (b) Secuencia desplazada 5 unidades. . . . . . 203
4.37. Secuencia circularmente par. . . . . . . . . . . . . . . . . . . . . 204
4.38. Secuencia circularmente impar. . . . . . . . . . . . . . . . . . . . 205
4.39. Secuencia x(n) y su versi on reejada. . . . . . . . . . . . . . . . . 206
4.40. (a) x(n), (b) h(n), (c) convoluci on circular de x(n) y h(n). . . . . 207
4.41. (a) y (b) Secuencias con inserci on de ceros, (c) Convoluci on cir-
cular de estas secuencias. . . . . . . . . . . . . . . . . . . . . . . 208
4.42. (a) x(n), (b) x(n 5)
N
. . . . . . . . . . . . . . . . . . . . . . . . 209
4.43. Magnitud y angulo del espectro de las se nales: (a) y (b): x(n),
(c) y (d) x(n) e
j2L
n
N
. . . . . . . . . . . . . . . . . . . . . . . . . 210
4.44. Espectro en magnitud y fase de dos se nales y el producto de ellas. 212
4.45. (a) x(n), (b) h(n), (c) Convoluci on circular de estas se nales con
aliasing. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
4.46. (a) x(n), (b) h(n), (c) Convoluci on circular de estas se nales sin
aliasing. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
4.47. Arreglo bidimensional para almacenar una secuencia. . . . . . . . 219
4.48. Arreglo bidimensional para almacenar una secuencia por las. . . 219
4.49. Arreglo bidimensional para almacenar una secuencia por columnas.221
4.50. Mariposa b asica para el c alculo de la DFT. . . . . . . . . . . . . 230
4.51. Algoritmo de diezmado en frecuencia. . . . . . . . . . . . . . . . 235
4.52. Mariposa b asica para el diezmado en frecuencia. . . . . . . . . . 235
5.1. Caractersticas generales de un ltro pasabajas. . . . . . . . . . . 248
5.2. Diagrama de polos y ceros de h(n). . . . . . . . . . . . . . . . . . 251
5.3. Respuesta en frecuencia de un sistema con respuesta al impulso
simetrica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
5.4. Respuesta en frecuencia de un sistema con respuesta al impulso
antisimetrica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
5.5. Realizaci on en forma directa de sistema FIR de fase lineal (M
impar). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
5.6. Espectro de una ventana rectangular de 31 puntos. . . . . . . . . 257
x

INDICE DE FIGURAS
5.7. Respuesta en frecuencia modicada por una ventana rectangular. 257
5.8. Formas de varias funciones ventana. . . . . . . . . . . . . . . . . 259
5.9. Ventana de Hamming de 31 puntos. . . . . . . . . . . . . . . . . 260
5.10. Espectro de una ventana de Hamming de 31 puntos. . . . . . . . 260
5.11. Respuesta en frecuencia modicada por la ventana de Hamming. 260
5.12. Realizaci on de muestreo en frecuencia de un ltro FIR. . . . . . . 264
5.13. Realizaci on de muestreo en frecuencia de un ltro FIR. . . . . . . 266
5.14. Respuesta al impulso del caso 1. . . . . . . . . . . . . . . . . . . 272
5.15. Respuesta en frecuencia del caso 1. . . . . . . . . . . . . . . . . . 273
5.22. Respuesta al impulso del ltro del ejemplo. . . . . . . . . . . . . 284
5.23. Respuesta en frecuencia del ejemplo. . . . . . . . . . . . . . . . . 284
5.24. (a) Sistema derivador en tiempo continuo. (b) Sistema que efect ua
la primera diferencia hacia atr as en tiempo discreto. . . . . . . . 286
5.25. Mapeo del plano s al plano z usando la aproximaci on de derivadas.288
5.26. Respuesta al impulso del sistema del ejemplo. . . . . . . . . . . . 289
5.27. Respuesta en frecuencia del sistema del ejemplo. . . . . . . . . . 289
5.28. Lugar de races del sistema equivalente digital. . . . . . . . . . . 291
5.29. Respuesta al impulso en tiempo discreto del sistema equivalente. 292
5.30. Respuesta en frecuencia del sistema equivalente. . . . . . . . . . 292
5.31. (a) Respuesta en frecuencia del ltro an alogo. (b) Resultado de
muestrear su respuesta al impulso. . . . . . . . . . . . . . . . . . 294
5.32. Mapeo del plano s al z utilizando la invarianza impulsional. . . . 295
5.33. Diagrama de polos y ceros del sistema. . . . . . . . . . . . . . . . 297
5.34. Respuesta al impulso del sistema an alogo. . . . . . . . . . . . . . 297
5.35. Respuesta en frecuencia del sistema an alogo. . . . . . . . . . . . 298
5.36. Diagrama de polos y ceros del sistema digital con T = 0,1. . . . . 299
5.37. Respuesta al impulso del sistema digital con T = 0,1. . . . . . . . 299
5.38. Respuesta en frecuencia del sistema digital con T = 0,1. . . . . . 300
5.39. Respuesta al impulso del sistema digital con T = 0,5. . . . . . . . 300
5.40. Respuesta en frecuencia del sistema digital con T = 0,5. . . . . . 301
5.41. Relaci on entre la frecuencia en el plano s y el plano z en la trans-
formacion bilineal. . . . . . . . . . . . . . . . . . . . . . . . . . . 303
5.42. Respuesta en frecuencia del ltro an alogo del ejemplo. . . . . . . 305
5.43. Respuesta en frecuencia del ltro digital del ejemplo. . . . . . . . 306
5.44. Respuesta en frecuencia del ltro anal ogico del ejemplo. . . . . . 307
5.45. Respuesta en frecuencia del ltro digital del ejemplo. . . . . . . . 308
5.46. Conexi on del ltro deseado con el inverso de su aproximaci on en
cascada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
5.47. Respuesta al impulso deseada del ejemplo. . . . . . . . . . . . . . 314
5.48. Respuesta en frecuencia del ltro del ejemplo. . . . . . . . . . . . 315
INDICE DE FIGURAS xi
5.49. Respuesta al impulso de la aproximaci on lograda con el programa
prony() para N = 3, M = 0. . . . . . . . . . . . . . . . . . . . . . 316
5.50. Respuesta en frecuencia de la aproximaci on lograda con prony()
para N = 3, M = 0. . . . . . . . . . . . . . . . . . . . . . . . . . 316
5.51. Respuesta al impulso de la aproximaci on usando prony() para
N = 10, M = 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317
5.52. Respuesta obtenida con N = 10, M = 0 utlizando prony (). . . . 317
5.53. Respuesta al impulso obtenida mediante la aproximaci on de prony()
para N = 5, M = 3. . . . . . . . . . . . . . . . . . . . . . . . . . 318
5.54. Respuesta en frecuencia obtenida mediante la aproximaci on de
prony() para N = 5, M = 3. . . . . . . . . . . . . . . . . . . . . . 318
5.55. Filtro todo polos en cascada con un ltro todo ceros. . . . . . . . 319
5.56. Respuesta en frecuencia obtenida con yulewalk() para las especi-
caciones del ejemplo. . . . . . . . . . . . . . . . . . . . . . . . . 321
xii

INDICE DE FIGURAS
Captulo 1
Introducci on al
procesamiento de se nales
1.1. Introducci on
La Ingeniera electr onica se dene como la rama de la ciencia que se encarga
de la transmisi on de informaci on por medio de se nales electricas. El uso de tales
se nales se debe fundamentalmente a la velocidad con la que viajan (cercana a
la de la luz) y a la facilidad con la que pueden ser manipuladas.
El trabajo en la electr onica est a relacionado con un sistema de comunicaciones,
cuya nalidad es la transmisi on de informaci on de manera eciente, el cual
puede visualizarse de manera esquem atica por medio del diagrama de bloques
mostrado en la gura 1.1.
Sistema
de
comunicaciones
entrada
de
Inf.
salida
de
Inf.
elctrica
Seal
elctrica
Seal
Figura 1.1: Diagrama de bloques de un sistema de comunicaci on.
El sistema de comunicaciones se puede dividir en tres bloques fundamentales,
como se aprecia en la gura 1.2, los cuales se describen de manera breve a
continuaci on.
1
2 CAP
ITULO 1. INTRODUCCI
ON AL PROCESAMIENTO DE SE
NALES
n Perturbaci
Transmisor Receptor Canal
elctrica
Seal
elctrica
Seal
Figura 1.2: Diagrama en bloques de un sistema de comunicaciones.
1.1.1. El canal
Es el medio de enlace entre el transmisor y el receptor y puede consistir
en cables (alambres), guas de onda, aire, vaco, tierra, bra optica, etc. Es
el causante de la mayora de los problemas en la comunicaci on, incluidos los
siguientes:
Atenuaci on.
Desfases (retardos).
Distorsiones generadas por alinealidades.
Respuesta en frecuencia no apropiada (Debido a que no hay respuesta
instant anea a variaciones de energa y a que esta respuesta es distinta a
diferentes frecuencias, lo que tiene que ver con el concepto de anchura de
banda).
Ruido e interferencia (Lo que se cuantica con el concepto de raz on
S
N
) .
El principal problema que genera el canal es que este trata de cambiar la forma
de la se nal y por lo tanto su contenido de informaci on.
1.1.2. El transmisor
Es la parte del sistema que se encarga de codicar apropiadamente la se nal
tal que supere ecientemente las limitaciones del canal (Amplica, ltra, mo-
dula, codica, etc.).
1.1.3. El receptor
Realiza las operaciones inversas a las del transmisor, tomando la mejor de-
cisi on acerca de lo que se le envi o (Al hacer esto puede equivocarse, lo que
conduce al concepto de rata de error de bit (BER)) .
1.2. DOMINIOS 3
De todo lo anterior se concluye que se necesita conocer (caracterizar o
analizar) las se nales y los sistemas y la forma como estos modican a aque-
llas, lo que normalmente se realiza en cinco dominios diferentes como se vera en
la siguente secci on.
1.2. Dominios (tiempo, frecuencia, estadstico,
analogo, digital)
1.2.1. Dominio tiempo
En este dominio se analiza la relaci on entrada salida del sistema mediante
las siguientes herramientas:
Las ecuaciones integro-diferenciales que caracterizan la relaci on entrada-
salida del sistema.
La correlaci on que mide la velocidad de variaci on de una se nal o el parecido
con otra.
La convoluci on que permite conocer la salida de un sistema en terminos
de la entrada y su respuesta al impulso.
Los promedios temporales que permiten calcular el nivel DC, la potencia
media, etc.
En estos casos se estudia como cambia la se nal al pasar por el sistema y que tan
r apidamente varia la se nal con el tiempo.
1.2.2. Dominio de la frecuencia
En este se pueden evaluar:
La respuesta en frecuencia(H()).
El contenido espectral de la se nal.
En este caso se analiza cuales son las componentes m as importantes de la se nal
en cuanto a que aportan la mayor cantidad de energa (Ancho de banda de
la se nal), cu ales son los componentes de esta que el sistema favorece y cu ales
desfavorece (Ancho de banda del sistema). Adem as se visualiza que sucede con
los componentes de la se nal cuando se realizan ciertas operaciones sobre ella
(Modulaci on, multiplicaci on de una se nal por otra, muestreo, etc.).
1.2.3. Dominio estadstico
Debido a que las se nales de informaci on (Y a un los sistemas) tienen un com-
portamiento netamente aleatorio (Si no fuera as no seran se nales de informa-
ci on), se concluye que estas s olo pueden ser conocidas con base en promedios. La
4 CAP
ITULO 1. INTRODUCCI
NALES
estadstica tiene herramientas que permiten conocer de manera muy apropiada
este comportamiento (Promedios estadsticos, funci on densidad de probabilidad,
etc.).
Con estas herramientas se pueden dise nar la se nal y el sistema (Sntesis) tal
que el proceso de comunicaci on sea eciente desde varios puntos de vista:
Costos (Uso optimo de los canales).
Velocidad de transmisi on de la informaci on.
Complejidad.
Conabilidad (En el sentido que la informaci on que se reciba sea la que
se envi o).
Privacidad.
Seguridad.
Los procesos de an alisis, sntesis y dise no pueden realizarse en dos ambientes
diferentes, el an alogo y el digital.
1.2.4. Dominio analogo
La se nal existe (O sea tiene importancia) en todos los instantes de tiem-
po y tiene innitos posibles valores dentro de un rango determinado (Rango
din amico de la se nal). El sistema se construye exclusivamente de hardware (Ac-
tivo y pasivo) y maneja innitos posibles estados (Procesamiento An alogo de
se nales, ASP), para realizar operaciones sobre la se nal tales como el ltrado, la
amplicaci on, la modulaci on, etc.
1.2.5. Dominio digital
La se nal existe (O tiene importancia) s olo en momentos discretos del tiempo
y tiene un n umero nito de valores dentro de un rango determinado. El sistema
es una mezcla de hardware y software digital con interfaces an alogas con el mun-
do real (Procesamiento Digital de Se nales, DSP) , que realizan operaciones de
c alculo y l ogicas para extraer informaci on de una se nal digital o modicarla.
En algunos casos los sistemas son hbridos en el sentido de que a pesar
de que manejan se nales digitales utilizan una representaci on an aloga de esas
se nales para su transmisi on, por ejemplo con el uso de se nales sinusoidales de
diferentes frecuencia (FSK) o fases (PSK) .
1.2. DOMINIOS 5
1.2.6. Ventajas y desventajas del procesamiento digital
La tendencia en este momento va en la direcci on de realizar todas las opera-
ciones que antes se hacan en ASP, y otras nuevas, con dispositivos o sistemas
DSP, esto se debe entre otras a las siguientes ventajas:
1. Se han dado enormes desarrollos en el dise no de circuitos integrados, MSI,
LSI y VLSI, lo que ha permitido grandes avances en los ordenadores en los
ultimos a nos de tal manera que estos presentan mayor potencia (Hacen
m as cosas), mayor abilidad en los c alculos, menor tama no, son m as r api-
dos y baratos, tienen menor consumo de potencia, no presentan variaci on
con la temperatura o la edad, adem as de que se han producido grandes
adelantos en el dise no de software, por ejemplo la implementaci on de la
Transformada R apida de Fourier (FFT).
2. Algunas se nales son inherentemente digitales.
3. El DSP permite realizar muchas operaciones imposibles o difciles de re-
alizar en ASP (Filtrado con desfase lineal, supresi on de ecos, encriptaci on,
compresi on, etc.).
4. Flexibilidad en la reconguraci on de operaciones. Si se desea cambiar el
comportamiento de un ASP hay que redise nar el hardware; en DSP s olo
se necesita cambiar el programa Software.
5. Reproducibilidad perfecta: Los sistemas DSP presentan desempe no identi-
co de unidad a unidad (No hay problemas de tolerancia).
6. Precisi on garantizada: En ASP la tolerancia de los componentes no per-
mite un buen control de esta; por el contrario en DSP se pueden especicar
la precisi on de los conversores A/D, la longitud de la palabra, el tipo de
aritmetica usada, etc. y estas s olo dependen del n umero de bits usados en
los conversores A/D y D/A y en el procesador.
7. Adem as con DSP se tiene f acil transportabilidad y almacenamiento en
medios magneticos sin deterioro o perdida de la abilidad, adem as de
procesamiento en tiempo real.
8. Baja sensibilidad al ruido (La se nal digital es menos susceptible al ruido
que la se nal an aloga).
Sin embargo el uso de sistemas DSP presenta algunas desventajas, tales
como:
1. Se requiere mayor ancho de banda para la transmisi on de se nales digitales.
2. Velocidad y costo (En los conversores A/D y D/A y en los procesadores
digitales), lo que genera problemas con se nales de gran ancho de banda.
6 CAP
ITULO 1. INTRODUCCI
NALES
3. Tiempo de dise no: Los dise nos de DSP son consumidores de tiempo y en
algunos casos imposibles de realizar.
4. Problemas con la longitud nita de palabra: Lo que implica degradaci on se-
ria de las se nales, hace imposible reconstruir exactamente la se nal anal ogi-
ca a partir de sus muestras y tambien degrada el desempe no de los DSP
(Produciendo deriva e inestabilidad).
5. Se requiere sincronizaci on en la transmisi on de se nales digitales.
1.3. Sistemas DSP
Un procesador DSP (Ya sea un procesador de prop osito general o especiali-
zado m as software) requiere a su entrada una se nal digital o sea discreta en el
tiempo (que s olo exista en instantes discretos del tiempo) y discreta en ampli-
tud (solo tiene un n umero nito de niveles), denotada por x (n) y produce a la
salida, luego de procesada una se nal que es tambien de naturaleza discreta. Ver
gura 1.3.
Tal procesador DSP puro no est a en capacidad de procesar se nales prove-
nientes de fen omenos del mundo real, las cuales son esencialmente an alogas
porque est an denidos en todo instante del tiempo y tienen un continuo de
amplitudes en cualquier intervalo nito.
Figura 1.3: Sistema DSP
Se requiere, entonces, que hayan interfaces entre el mundo real y el DSP que
conviertan las se nales an alogas en discretas (Dispositivos ADC) y viceversa
(Dispositivos DAC), tal como se muestra en la gura 1.4; aunque en algunos
casos es posible que no se necesiten uno o ambos procesos.
A continuaci on se entra a analizar cada uno de los tres bloques.
1.4. PROCESO DE CONVERSI
ON DE ANALOGO A DIGITAL (ADC) 7

Figura 1.4: Sistema DSP completo
1.4. Proceso de conversi on de analogo a digital
(ADC)
En este caso el sistema ADC toma una se nal an aloga proveniente de alg un
fen omeno fsico y entrega una discreta o digital al sistema DSP. De manera
te orica, el proceso de conversi on ADC requiere de cuatro pasos como se muestra
en la gura 1.5.
Figura 1.5: Diagrama de bloques del proceso de conversi on an alogo a digital.
La idea fundamental es que en este proceso se conserve la informaci on de la
se nal de entrada; la herramienta que permite predecir que en efecto esto se da
se llama el teorema del muestreo el cual se enuncia a continuaci on.
1.4.1. Teorema del muestreo
Una se nal de banda limitada a B Hz (Es decir sin contenido espectral apre-
ciable por encima de esta frecuencia) puede determinarse de manera unvoca a
partir de sus muestras tomadas a intervalos no mayores a T
s
=
1
2B
s.
Esto signica que para que no haya perdida de la informaci on contenida en
la se nal se deben tomar muestras a una rata mayor a f
s
= 2B muestras/s. En
la gura 1.6 se muestran la se nal an aloga y sus respectivas muestras.
8 CAP
ITULO 1. INTRODUCCI
NALES
Figura 1.6: Muestreo de una se nal an aloga.
El proceso de muestreo puede verse como el producto de la se nal por un tren
peri odico de pulsos como el que se muestra a continuaci on en la gura 1.7.
Figura 1.7: Tren de pulsos.
Este tren puede representarse por medio de una serie de Fourier as:
p(t) =
k=
c
k
e
jk
2
Ts
t
con:
c
k
=
A
T
s
sen
_
k
T
s
_
_
k
T
s
_ si k = 0 y, c
k
=
A
T
s
si k = 0
La se nal muestreada estar a dada, entonces, por la siguiente expresi on:

x
s
(t) = x(t)p(t)
=
k=
x(t)
A
T
s
S
a
_
k
T
s
_
e
jk2t
Ts
=
A
T
s
k=
x(t)S
a
_
k
T
s
_
e
jk2t
Ts
Se debe recordar que el espectro de x(t) est a dado por:
X() = F(x(t))
=
x(t)e
jt
dt
Y el espectro de x(t)
s
por:
X
s
() =
x
s
(t)e
jt
dt
=
A
T
s
k=
x(t)S
a
_
k
T
s
_
e
jk2t
Ts
e
jt
dt
Intercambiando el orden de la integral y la sumatoria se tiene:
X
s
() =
A
T
s
k=
S
a
_
k
T
s
_

_
x(t)e
jk2t
Ts e
jt
dt
La ultima integral representa a X(
2k
Ts
) o sea el espectro de la se nal desplaza-
do alrededor de la frecuencia de muestreo F
s
=
1
Ts
y sus innitos arm onicos.
De esta manera:
X
s
() =
A
T
s
k=
S
a
_
k
T
s
_
X
_

2k
T
s
_
Si el espectro original de x(t) tiene la forma mostrada en la gura 1.8, la forma
del espectro de la se nal resultante, luego del muestreo, ser a como se muestra en
la gura 1.9.
10 CAP
ITULO 1. INTRODUCCI
NALES
Figura 1.8: Espectro de la se nal antes del muestreo.
Figura 1.9: Espectro de la se nal despues del muestreo.
Se observa que, en este caso, se puede recuperar el espectro de la se nal
original (Y por tanto la se nal) usando un ltrado pasabajos ideal que elimine
los componentes espectrales que aparecieron en el muestreo, dado que no hubo
superposici on de estos con el original porque se escogi o adecuadamente la fre-
cuencia de muestreo F
s
.
Si la frecuencia de muestreo no hubiese sido escogida adecuadamente, el es-
pectro resultante pudiera haber quedado como se muestra en la gura 1.10.
Figura 1.10: Espectro con aliasing de una se nal muestreada.
En este caso es imposible recuperar el espectro original por medio del ltra-
do pasabajos ya que se produjo lo que se denomina aliasing o solapamiento

en la frecuencia. La frecuencia mnima de muestreo har a que las distintas com-
ponentes espectrales queden juntas como se muestra en la gura 1.11.
Figura 1.11: Espectro resultante con la frecuencia mnima de muestreo.
Esta frecuencia mnima se puede calcular as:
2
T
s
2B = 2B
2
T
s
= 4B
Esto nos indica que la frecuencia mnima de muestreo (Frecuencia de Nyquist)
ser a:
min
= 4B
F
s min
= 2B
Por ejemplo, en telefona se limita en banda a 3.4 KHz y se utiliza una rata de
muestreo de 8000 muestras/s, lo que da una banda de guarda de 1200 Hz.
En la pr actica siempre ocurrir a aliasing debido a que las se nales nunca son
de banda limitada y tambien a que siempre hay ruido presente, el cual tiene un
gran ancho de banda.
La idea es mantener el aliasing tan bajo como sea posible y tambien reducir la
rata de muestreo al mnimo para bajar las exigencias de velocidad al conversor
an alogo digital y del procesador, y disminuir las exigencias de ancho de banda
del sistema, lo cual se logra ltrando la se nal antes del muestreo.
En el caso de se nales pasa banda con un espectro como el que se muestra en la
gura 1.12.
12 CAP
ITULO 1. INTRODUCCI
NALES
Figura 1.12: Espectro de la se nal de banda pasante.
Se puede probar que la frecuencia de muestreo debe estar en el intervalo
2B F
s
4B
1
, lo cual depende de la frecuencia m as baja del espectro original
como se muestra en la gura 1.13
2
.
Figura 1.13: Frecuencia de muestreo en terminos de la frecuencia m as baja y el
ancho de banda de se nales pasabanda.
En donde el ancho de banda B esta dado por:
B = f
2
f
1
En algunos casos es conveniente sobre muestrear la se nal con el objetivo de
usar un conversor de baja resoluci on, aprovechando el hecho de que hay una
alta correlaci on entre muestras sucesivas y por tanto una menor varianza de la
diferencia entre dichas muestras que la de la se nal misma, como se ver a m as
adelante. Sobremuestrear tambien es util para reducir la complejidad del ltro
o permitir usar un ltro com un para varias se nales de diferente ancho de banda.
En la gura 1.14 se observa el diagrama en bloques de un conversor A/D.
1
PROAKIS, John y MANOLAKIS, Dimitris. Tratamiento digital de se nales. 3 ed. Madrid
: Prentice Hall, 1998. pp. 747-755.
2
Stremler, Ferrel. Introducci on a los sistemas de comunicaci on. 3 ed. Wilmington : Addison
Wesley, 1993. pp. 130.

Figura 1.14: Diagrama de bloques de un conversor A/D.
El comportamiento del dispositivo de muestreo y retenci on (Sample and
Hold: S/H) se observa en la gura 1.15.
Figura 1.15: Respuesta de un circuito S/H.
En el siguiente programa en Matlab permite cambiar la frecuencia de muestreo
y ver el espectro de la se nal muestreada:
funci on en Matlab: Crea un vector que contiene una se nal Sen(2pifrecuencia
n) la cual estara muestreada a una frecuencia f muestreo. En dos gracas se
vera el comportamiento de esta se nal en el tiempo y en la frecuencia.
function aliasing(f_muestreo,frecuencia)
n = 0:1/f_muestreo:(1/frecuencia - 0.5/f_muestreo);
y = sin(2*pi*frecuencia*n);
subplot(211)
plot(n,y)
xlabel(tiempo (Segundos))
title(Senal en el Tiempo)
L=length(y);
Y = fft(y,L)/L;
Pyy = Y.* conj(Y)
14 CAP
ITULO 1. INTRODUCCI
NALES
k=length(Pyy);
f = f_muestreo*(0:k-1)/length(Y);
f = [-1*fliplr(f) f(2:k)];
Pyy = [fliplr(Pyy) Pyy(2:k)]/max(Pyy);
subplot(212)
stem(f,Pyy);
title(Densidad Espectral)
xlabel(frecuencia (Hz))
1.4.2. Cuantizaci on
En el proceso de cuantizaci on se ajusta el valor de la muestra an aloga a uno
de 2
B
valores (niveles de cuantizaci on), en donde B es el n umero de bits del
conversor.
Este proceso de ajuste introduce un error irreversible llamado error (o ruido) de
cuantizaci on, el cual es funci on de B y es, como m aximo, igual a la mitad del
LSB (BIT menos signicativo). En la gura 1.16 se muestra la caracterstica de
transferencia de un cuantizador de redondeo
3
.
Figura 1.16: Caracterstica entradasalida de un cuantizador con redondeo.
Errores del conversor
4
:
Error de oset: La primera transici on no ocurre exactamente en
1
2
de
LSB.
3
4
: Prentice Hall, 1998. pp. 762.

Error de factor de escala (o de ganancia): La diferencia entre los
valores en los cuales ocurre la primera y la ultima transici on no son iguales
a F
s
2LSB.
De linealidad: Las diferencias entre los valores de transici on no son todas
iguales o cambian uniformemente.
En la cuantizaci on se divide el rango de amplitud en L intervalos, se asignan
L + 1 niveles de decisi on (x
1
para y x
L
para +) y L niveles de cuanti-
zaci on. como se muestra en la gura 1.17.
Figura 1.17: Diferenciaci on entre niveles de cuantizaci on y de decisi on.
Si se asigna el cero a un nivel de cuantizaci on, el cuantizador se llama de re-
dondeo y si se ja el cero a un nivel de decisi on el cuantizador es de truncamiento.
El intervalo entre niveles de cuantizaci on tiene un tama no q dado por:
q =
R
2
B
1
=
R
2
B
Para B
En donde R es el rango de escala completa del ADC con se nales de entrada
bipolares. La diferencia entre la muestra real y la muestra cuantizada o error de
cuantizaci on (e), tiene un comportamiento aleatorio, con una funci on densidad
de probabilidad uniforme en el intervalo
q
2
, como se muestra en la gura 1.18.
Figura 1.18: Funci on densidad de probabilidad del ruido de cuantizaci on.
La potencia de ruido est a dada por su varianza:
16 CAP
ITULO 1. INTRODUCCI
NALES
2
e
=
q
2
_
q
2
e
2
p
e
(e)de
=
1
q
q
2
_
q
2
e
2
de
=
q
2
12
El par ametro que permite determinar que tan bueno es el proceso de cuanti-
zaci on es la relaci on se nal a ruido de cuantizaci on,
_
S
N
_
q
,la cual preferiblemente
debe tener un valor alto.
La relaci on
_
S
N
_
q
depender a del comportamiento estadstico de la se nal (que
tambien es aleatoria), sin embargo, se pueden adelantar algunas conclusiones
utilizando una se nal de prueba sinusoidal de amplitud A; en este caso:
R = 2A
La potencia de la se nal (S), est a dada por:
S =
A
2
2
Por tanto la relaci on se nal a ruido de cuantizaci on,
_
S
N
_
q
est a dada por la sigui-
ente expresi on:
_
S
N
_
q
=
A
2
2
q
2
12
Con:
q =
R
2
B
=
2A
2
B
Se tiene:
_
S
N
_
q
=
A
2
2
(
2A
2
B
)
2
12
=
3 2
2B
2
Expresada en decibelios:

_
S
N
_
q
|
dB
= 10 log
_
3
2
_
+ 10 log
_
2
2B
_
= 20Blog 2 + 10 log
_
3
2
_
= 6,0206B + 1,7609[dB]
Como se observa, este par ametro depende del n umero de bits del conversor y
por tanto del n umero de niveles de cuantizaci on.
El n umero de bits usados depende de factores tales como la velocidad, la relaci on
se nal a ruido inherente de la se nal an aloga de entrada y los costos. En la may-
ora de las aplicaciones de DSP una resoluci on del ADC entre 12 y 16 bits es
adecuada.
Ejemplo 1.1:
Telefona: 8 bits.
CD: 16 bits/canal.
En el caso de que la se nal de entrada al cuantizador sea aleatoria, con una
varianza
2
x
:
_
S
N
_
q
= 10 log
P
x
P
n
= 10 log

2
x
2
n
= 20 log

x
n
= 20 log
12
x
q
= 20 log
12
x
2
B
R
= 20Blog 2 + 20 log
12 20 log
R
x
= 6,02B + 10,02 20 log
R
x
Debido a problemas de fabricaci on la
_
S
N
_
q
es menor que la dada por esta
ecuaci on y por tanto los bits efectivos son menores que el n umero de bits del
conversor.
Por otro lado las se nales con potencia instant anea mayor tendr an mayor
_
S
N
_
q
.
En este caso se procesa la se nal de tal manera que se distorsione antes de some-
terla al muestreo y la cuantizaci on, amplicando m as las amplitudes peque nas
que las grandes, tal proceso se denomina compresi on del rango din amico. En
la conversi on de digital a an alogo se debe hacer lo contrario o sea la expansi on.
18 CAP
ITULO 1. INTRODUCCI
NALES
El proceso completo se denomina compansi on.
En el sistema telef onico a nivel mundial se utilizan dos esquemas diferentes
de compansi on denominadas ley y ley A por el par ametro que utilizan en la
curva de transferencia de los compresores.
El siguiente programa en Matlab simula el proceso de cuantizaci on:
Funci on en Matlab: simula la aritmetica de punto otante. Retorna la se nal de
entrada v reducida a una longitud de palabra de bit bits y limitada en el rango
[-1,1]. El tipo de reducci on en la longitud de palabra y la limitaci on puede
escogerse con:
rmode: ROUND redondea al nivel m as cercano, TRUNC truncamiento en
complemento a 2, MAGN truncamiento en magnitud(Es decir al valor m as
cercano a cero) y CEIL redondeo hacia mas innito.
lmode: SAT limitador saturado, OVERFL sobre ujo en complemento a
2, TRIANG limitador triangular y NONE sin limitador.
function vq=fxquant(v, bit, rmode, lmode)
if bit<=0|abs(rem(bit,1))>eps;
error(La longitud de palabra debe ser un numero positivo);
end;
plus1=2^(bit-1);
vq=v*plus1;
if strcmp(rmode,round); vq=round(vq);
elseif strcmp(rmode,trunc); vq=floor(vq);
elseif strcmp(rmode,ceil); vq=ceil(vq);
elseif strcmp(rmode,magn); vq=fix(vq);
else error(Especificacion de reduccion de palabra desconocida);
end;
if strcmp(lmode,sat);
vq=min(plus1-1,vq);
vq=max(-plus1,vq);
elseif strcmp(lmode,overfl);
vq=vq+plus1*(1-2*floor((min(min(vq),0))/2/plus1));
vq=rem(vq,2*plus1)-plus1;
elseif strcmp(lmode,triang);
vq=vq+plus1*(1-2*floor((min(min(vq),0))/2/plus1));
vq=rem(vq,4*plus1)-plus1;
f=find(vq>plus1);
vq(f)=2*plus1-vq(f);
f=find(vq==plus1);
vq(f)=vq(f)-1;

elseif strcmp(lmode,none);
else error(Especificacion de limitacion desconocida);
end;
vq=vq/plus1;
El siguiente programa en Matlab cuantiza una se nal de audio, que tiene como
fuente el microfono del PC o un archivo de nombre prueba.wav, en cualquiera
de los dos casos el audio esta cuantizado a 16 bits/muestra y con una frecuencia
de muestreo de 8kHz, a esta se nal de entrada se le cuantiza, reproduce y graca:
Funci on en Matlab: Este programa usa la funcion fxquant mostrada anterior-
mente. Graba sonidos por medio del micr ofono del PC a 16 bits/muestra, con
una frecuencia de muestro de 8000 Hz durante 3 segundos. Esta grabaci on es
reproducida, cuantizada de acuerdo a los par ametros de fxquant y se reproduce
nuevamente la grabaci on cuantizada.
mic archi: Debe tener los valores 0 o 1 en donde 1 es para adquirir el
audio del micr ofono y 0 para usar el archivo prueba.wav, este ultimo debe tener
la misma raiz de la esta funci on.
bit: Longitud en bits de la palabra de cuantizaci on.
rmode: ROUND redondea al nivel ms cercano, TRUNC truncamiento en
complemento a 2, MAGN truncamiento en magnitud(Es decir al valor m as
cercano a cero) y CEIL redondeo hacia mas innito.
lmode: SAT limitador saturado, OVERFL sobre ujo en complemento a
2, TRIANG limitador triangular y NONE sin limitador.
function Cuantiza(mic_archi, bit, rmode, lmode)
n=3;
Fs = 8000;
% mic/archi
if mic_archi==1
%wavrecord graba a double es valor por defecto a (16 bits/muestra)
y = wavrecord(n*Fs,Fs);
elseif mic_archi==0
[y,Fs,bits] = wavread(prueba.wav);
else
error(mic_archi debe ser 1 0);
end
%reproduce
wavplay(y,Fs);
20 CAP
ITULO 1. INTRODUCCI
NALES
%cuantiza
vq=fxquant(y, bit, rmode, lmode);
%reproduce la cuantizacion
wavplay(vq,Fs)
%grafica
l=size(y,1);
plot(0:1/Fs:1/Fs*(l-1),y,0:1/Fs:1/Fs*(l-1),vq)
1.4.3. Codicaci on
Las muestras digitales que en la mayora de los casos est an en forma bina-
ria son luego codicadas de manera adecuada para su posterior manipulaci on.
Codicar signica asignar c odigos discretos a muestras cuantizadas. Las repre-
sentaciones m as comunes son en punto jo (complemento a 2), punto otante y
punto otante por bloques. Ver la tabla
5
1.
Tabla 1. C odigos bipolares Com unmente usados
N
o
Referencia Referencia Signo + Complemen- Desplazamien- Complemen-
Positiva Negativa Magnitud to a dos to Binario to a uno
+7 +
7
8

7
8
0 1 1 1 0 1 1 1 1 1 1 1 0 1 1 1
+6 +
6
8

6
8
0 1 1 0 0 1 1 0 1 1 1 0 0 1 1 0
+5 +
5
8

5
8
0 1 0 1 0 1 0 1 1 1 0 1 0 1 1 0
+4 +
4
8

4
8
0 1 0 0 0 1 0 0 1 1 0 0 0 1 0 1
+3 +
3
8

3
8
0 0 1 1 0 0 1 1 1 0 1 1 0 1 0 0
+2 +
2
8

2
8
0 0 1 0 0 0 1 0 1 0 1 0 0 0 1 1
+1 +
1
8

1
8
0 0 0 1 0 0 0 1 1 0 0 1 0 0 1 0
0 0+ 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1
0 0 0+ 1 0 0 0 (0 0 0 0) (1 0 0 0) 1 1 1 1
-1
1
8
+
1
8
1 0 0 1 1 1 1 1 0 1 1 1 1 1 1 0
-2
2
8
+
2
8
1 0 1 0 1 1 1 0 0 1 1 0 1 1 0 1
-3
3
8
+
3
8
1 0 1 1 1 1 0 1 0 1 0 1 1 1 0 0
-4
4
8
+
4
8
1 1 0 0 1 1 0 0 0 1 0 0 1 0 1 1
-5
5
8
+
5
8
1 1 0 1 1 0 1 1 0 0 1 1 1 0 1 0
-6
6
8
+
6
8
1 1 1 0 1 0 1 0 0 0 1 0 1 0 0 1
-7
7
8
+
7
8
1 1 1 1 1 0 0 1 0 0 0 1 1 0 0 0
-8
8
8
+
8
8
(1 0 0 0) (0 0 0 0)
1.4.4. Filtrado antialiasing
Para reducir los efectos del aliasing (solapamiento espectral) se usan nor-
malmente ltros de corte agudo que limiten el ancho de banda de la se nal, y/o
5
: Prentice Hall, 1998. Tabla 9.1, Pg. 761.

se incrementa la frecuencia de muestreo para ampliar la separaci on entre el es-
pectro de la se nal y sus im agenes.
Idealmente el ltro antialiasing debera rechazar todas las frecuencias por enci-
ma de la de plegado (foldover =
Fs
2
), como se muestra en la gura 1.19(a) pero
en la realidad se usan ltros como el mostrado en la gura 1.19(b) en donde F
c
y F
supresion
son las frecuencias de corte y de rechazo de banda respectivamente,
en las guras 1.19(b) y 1.19(c) se observa que hay una distorsi on de amplitud en
la se nal porque la respuesta en la banda de paso no es plana y las frecuencias por
encima de F
supresion
no son atenuadas completamente. Debido a la respuesta
no ideal de los ltros pr acticos, la frecuencia de Nyquist efectiva se toma como
2F
supresion
.
Figura 1.19: Caractersticas ideal (a) y real (b), (c) y (d) del ltro antialiasing.
La atenuaci on mnima del ltro, A
min
est a relacionada con la resoluci on del
ADC pues se busca que la se nal atenuada en la banda de rechazo sea menor que
el ruido de cuantizaci on.
Suponiendo una se nal de prueba sinusoidal de amplitud A y de frecuencia va-
riable, la atenuaci on mnima en la frecuencia F
supresion
se puede calcular as:
q =
2A
2
B
2
n
=
q
2
12
22 CAP
ITULO 1. INTRODUCCI
NALES
Es decir,
2
n
=
4A
2
12 2
2B
El valor rms de ruido est a dado por:
n
=
2A
12 2
2B
=
2A
12 2
B
Y el valor rms de la se nal
V
rms
=
A
2
Luego, la atenuaci on est a dada por
A
min
=
V
rms
n
=
A
2
2A
2
B
12
=
2
B
12
2
2
=
_
1,5 2
B
Para que la se nal quede atenuada por debajo del ruido de cuantizaci on se usa:
A
min
=
_
1,5 2
B+1
Expresada en decibelios:
A
mindB
= 20 log
_
_
1,5 2
B+1
_
= 20 log
_
1,5 + 20 log 2
B+1
= 7,7815 + 6,0206B
Como se muestra en la gura 1.19(d) una distorsi on adicional es la de fase,
en la cual los componentes de la se nal no est an igualmente retardados (o sea,
no est an linealmente desfasados en proporci on a su frecuencia). La cantidad
de distorsi on depende de las caractersticas del ltro, incluyendo la cada en la
banda de transici on, la cual mientras m as abrupta sea mayor es la distorsi on de
fase. Sin embargo, el uso de una banda de transici on m as estrecha permite bajar
la rata de muestreo, y por lo tanto se pueden usar conversores m as baratos y

lentos.
La tendencia en DSP en tiempo real es la de usar frecuencias de muestreo altas,
lo cual requiere ADC r apidos y costosos. Las razones para hacer esto son las
siguientes:
Se requieren ltros antialiasing simples, lo que minimiza la distorsi on de
fase y permite reducir los costos para sistemas multicanal.
El sobremuestreo combinado con DSP adicional conduce a mejorar la
relaci on se nal a ruido.
Para sistemas DSP que trabajen en diferentes aplicaciones, la frecuencia de
corte del ltro necesita ser variable y usar sobremuestreo permite el empleo
de tecnicas de conversi on de ratas de muestreo para alcanzar f acilmente los
requerimientos de frecuencia de corte variable ya que los ltros an alogos
programables no tienen buen desempe no y para sistemas multicanal son
caros.
En los conversores de sobremuestreo se incrementa la tasa de muestreo tal
que se pueda usar un cuantizador de baja resoluci on, porque se reduce el rango
din amico de la se nal de entrada.
La varianza del error de cuantizaci on:
2
n
=
q
2
12
con q =
R
2
B
El rango din amico de la se nal se debe adaptar a R y por tanto q es proporcional
a
x
.
Esto implica que para un n umero dado de bits, el ruido de cuantizaci on es
proporcional a la varianza de la se nal que se va a cuanticar y por tanto si se
disminuye esta se puede reducir el n umero de bits del cuantizador.
Para esto se usa un esquema de cuantizaci on diferencial como el que se muestra
en la gura 1.20.
Figura 1.20: Esquema de cuantizaci on diferencial.
En donde:
24 CAP
ITULO 1. INTRODUCCI
NALES
x(n) =
p
k=1
a
k
x
q
(n k), Filtro transversal.
El error de cuantizaci on:
e
q
(n) = d (n) d
q
(n)
= x(n) x(n) d
q
(n)
= x(n) x
q
(n)
Por tanto, el error para la se nal reconstruida es igual al error de cuantizaci on
para la muestra d(n), el cual es mucho menor que el error de cuantizaci on de la
muestra de x(n).
La forma m as simple de modulaci on diferencial es la modulaci on delta (DM) en
donde el cuantizador es de 1 bit y el predictor es de primer orden (Ver la gura
1.21), con una salida consistente en la entrada retrasada una vez.
En este caso se produce una versi on en escalera de la se nal (Lo que conduce a
distorsiones por sobre pendiente y granular).
Figura 1.21: Esquema de modulaci on diferencial (Modulaci on Delta).
De la gura 1.21 se obtiene:
x
q
(n) = ax
q
(n 1) +d
q
(n)
Si a = 1 : Integrador (Acumulador ideal).
Si a = 1 : Integrador con perdidas.
En la gura 1.22 se puede observar el esquema de modulaci on diferencial en
forma anal ogica.

Figura 1.22: Esquema de modulaci on diferencial en forma anal ogica.
El ltro pasabajas (FPB) es necesario para eliminar los componentes entre
B y
Fsupresion
2
.
Para disminuir el ruido por sobrecarga de pendiente y granular se usa un inte-
grador a la entrada, como se puede observar en la gura 1.23.
Figura 1.23: Esquema de modulaci on diferencial en forma anal ogica con inte-
grador a la entrada.
Esto incrementa la correlaci on entre muestras y reduce la variaci on de la se nal
de entrada, adem as evita el uso del integrador a la salida ya que tambien se
tendra que poner un derivador.
Como los integradores afectan las dos se nales de entrada, se pueden remplazar
por uno solo, as como se muestra en la gura 1.24.
Figura 1.24: Esquema de modulaci on diferencial que usa un solo integrador.
En la gura 1.25 se aprecia el caso discreto.
Se puede probar que el ruido de cuantizaci on en este conversor
6
est a dado por:
2
n

=
1
3
2
e
_
2B
F
supresion
_
3
6
26 CAP
ITULO 1. INTRODUCCI
NALES
Figura 1.25: Modulador diferencial discreto.
2
e
: : Potencia de ruido de cuantizaci on.
1.5. Proceso de conversi on de digital a anal ogica
(DAC)
La reconstrucci on de la se nal se logra de manera te orica usando un ltro
pasabajas ideal, ver gura 1.26.
Figura 1.26: Filtro de reconstrucci on ideal.
La respuesta al impulso de este ltro:
F (h(t)) = H (w)
h(t) = F
1
(H (w))
=
1
Fs
2
2Fs
2
_
2Fs
2
e
jwt
dw
=
sen F
s
t
F
s
t
= S
a
(F
s
t)
ON DE DIGITAL A ANAL
OGICA (DAC)27
O sea que si la entrada a este ltro es
x
s
(t) =
n=
x(nT
s
) (t nT
s
)
Entonces la salida reconstruida, consistir a en la superposici on de las respuestas
a los diferentes impulsos ponderados equivalentes a cada muestra:
y (t) =
n=
x(nT
s
)
sen
_

Ts
(t nT
s
)
_
Ts
(t nT
s
)
En donde la funci on:
sen
_

Ts
(t nT
s
)
_
Ts
(t nT
s
)
Se llama f ormula de interpolaci on ideal.
Como esta interpolaci on requiere de un ltro pasabajas ideal, no es realizable
fsicamente y se usan algunas otras tecnicas de interpolaci on pr acticas como las
siguientes:
1.5.1. Mantenedor de orden cero
En la gura 1.27 se presenta el diagrama en bloques de un conversor digital
anal ogico que usa un circuito mantenedor de orden cero. El matenedor de orden
cero, sera llamado en adelante S/H por su nombre en Ingles sample and hold.
Figura 1.27: Sistema conversor digital-anal ogico con sample and hold (S/H).
La relaci on entrada-salida ideal de este conversor se muestra en la gura 1.28;
pero en la realidad sufre los mismos problemas del conversor ADC
7
.
Un par ametro importante del DAC es su tiempo de establecimiento (Settling
time) que se dene como el tiempo requerido para que la salida del DAC al-
cance y se mantenga dentro de una fracci on dada (Normalmente
1
2
LBS) del
valor nal, despues de la aplicaci on de la palabra c odigo de entrada. Con fre-
cuencia esto produce una transici on de gran amplitud denominada glitch, lo
que normalmente se resuelve con un circuito S/H dise nado para servir como un
deglitcher.
La funci on del S/H es mantener la salida del DAC igual a su valor previo hasta
7
28 CAP
ITULO 1. INTRODUCCI
NALES
Figura 1.28: Funci on de transferencia ideal del conversor DAC.
que la nueva muestra en la salida del DAC alcance el estado estacionario, lo cual
produce una versi on en escalera como se muestra en la gura 1.29(a).
Figura 1.29: (a) Versi on en escalera de una se nal, obtenida mediante la funci on
S/H. (b) Respuesta al impulso del S/H.
En la gura 1.29(b) se muestra la respuesta al impulso del S/H y en la gura
1.30 su respuesta en frecuencia, comparada con la del pasabajo ideal.
Como consecuencia del proceso de sample and hold, el espectro de las mues-
tras es multiplicado por una funci on seno sobre su argumento modicando el
espectro de banda base y produciendo una distorsi on denominada distorsi on
por efecto de apertura de tal forma que aparecen componentes espectrales
im agenes del espectro original que se deben eliminar con un ltro pasabajos.
El error por efecto de apertura se puede eliminar aplicando un ltro digital
con caracterstica tiempo-frecuencia
x
sen(x)
a la se nal discreta antes de aplicarla
al DAC.
OGICA (DAC)29
Figura 1.30: Respuesta en frecuencia del S/H y del ltro reconstructor ideal.
1.5.2. Mantenedor de primer orden
Para suavizar la se nal de salida del DAC se utilizan otros tipos de interpo-
laci on tales como el de primer orden en el cual la se nal de salida es aproximada
a x(t) mediante segmentos de recta cuya pendiente est a dada por la muestra
actual x(nT
s
) y la muestra anterior x(nT
s
T
s
) tal como se muestra en la gu-
ra 1.31.
En este caso:
x(t) = x(nT
s
) +
x(nT
s
) x(nT
s
T
s
)
T
s
(t nT
s
) , para nT
s
t (n + 1) T
s
Figura 1.31: Se nal reconstruida con un mantenedor de primer orden.
La respuesta al impulso de este mantenedor se muestra en la gura 1.32 y
est a dada por:
h(t) =
_
_
1 +
t
T
s
, 0 t T
s
1
t
T
s
, T
s
t 2T
s
0 , En otro caso.
30 CAP
ITULO 1. INTRODUCCI
NALES
Figura 1.32: Respuesta al impulso del mantenedor de primer orden.
Ya que h(t) = T [(t)]
La correspondiente respuesta en frecuencia es (Ver gura 1.33):
H(F) = T
s
_
(1 + 4F
2
T
2
s
)
_
sen(FT
s
)
FT
s
_
2
e
j(F)
Con (F) = FT
s
+ tan
1
(2FT
s
)
Figura 1.33: Respuesta en frecuencia del mantenedor de primer orden.
En este caso tambien aparecen componentes de alta frecuencia que deben ate-
nuarse con un ltro pasabajos.
1.5.3. Interpolador lineal con retardo
Se evitan los saltos de x(t) a nadiendo un retardo a la muestra en el proceso
de reconstrucci on (Ver gura 1.34):
x(t) = x(nT
s
T
s
) +
x(nT
s
) x(nT
s
T
s
)
T
s
(t nT
s
)
para nT
s
t (n + 1) T
s
OGICA (DAC)31
T 2T 3T 4T 5T 6T 7T 8T 9T 10T . . .
S s s s s s s s s s
t
Figura 1.34: Reconstrucci on de una se nal con un interpolador lineal con retardo.
La respuesta al impulso es como se muestra en la gura 1.35 y est a dada por:
h(t) =
_
_
t
T
s
, 0 t T
s
2
t
T
s
, T
s
t 2T
s
0 , Enotro caso.
Figura 1.35: Respuesta al impulso del interpolador lineal con retardo.
Su correspondiente respuesta en frecuencia es (Ver gura 1.36):
H(F) = T
s
_
sen (FT
s
)
FT
s
_
2
e
j2FTs
En este caso la respuesta en frecuencia cae r apidamente lo mismo que los l obu-
los laterales, adem as que se introduce un desfase lineal con la frecuencia; los
componentes por encima de
Fs
2
se eliminan con un ltro pasabajos de corte
abrupto.
32 CAP
ITULO 1. INTRODUCCI
NALES
Figura 1.36: Respuesta en frecuencia del interpolador lineal con retardo.
1.6. Procesadores de se nales digitales
Los sistemas DSP se caracterizan por una rata efectiva alta de datos (o
throughput ) y por el uso de algoritmos intensivos en operaciones aritmeticas
(Multiplicaci on y suma o multiplicaci on y acumulaci on), que producen un ujo
pesado de datos a traves del procesador. Por esta raz on, la arquitectura de
los microprocesadores est andar es inapropiada para el procesamiento digital de
se nales, lo que ha conducido a la creaci on de nuevas clases de procesadores
cuya arquitectura y conjunto de instrucciones se dise nan especcamente para
operaciones DSP. Algunas de estas caractersticas incluyen:
1. Multiplicadores en hardware interno (Built-in) para multiplicaciones r api-
das. Los nuevos chips DSP incorporan instrucciones de multiplicaci on-
acumulaci on en un solo ciclo y algunos tienen varios multiplicadores tra-
bajando en paralelo.
2. Buses y memoria separados para programa y datos (Arquitectura Har-
vard) lo que permite solapamiento de Fetch de instrucci on y ejecuci on.
3. Instrucciones que salvan ciclos para ramicaci on y enlazado (Branching
and looping), como por ejemplo, en el TMS320C25 se tienen las siguientes
instrucciones:
a) RPTK N: Repite la siguiente instrucci on N veces.
b) MACD: Mueve datos en la memoria, multiplica y acumula con retar-
do.
4. Velocidad en bruto (Raw) r apida. El TMS320C25 usa un reloj de 40 MHz
y tiene un tiempo de ciclo de 100 ns.
5. Uso del pipeline, lo que reduce el tiempo de instrucci on e incrementa la
velocidad.
6. Los DSP m as nuevos son m as r apidos y vers atiles. Algunos ya tienen
capacidades de aritmetica de punto otante e incorporan caractersticas
encontradas en microprocesadores est andar, tales como una lnea serial,
espacio de memoria extendida, timers e interrupciones multinivel.
1.7. PROBLEMAS 33
1.7. Problemas
1. Considere la se nal anal ogica
8
x
a
(t) = 3 cos 50t + 10sen300t cos 100t
a. Cu al es la tasa de Nyquist para esta se nal?
b. Una vez hallada la tasa de Nyquist, analice que componente de la
se nal se perdera para esta tasa.
2. Para la siguiente se nal
9
x
a
= 3 cos 2000t + 5sen6000t + 10 cos 12000t
a. Cu al es la tasa de Nyquist para esta se nal?
b. Suponga ahora que muestreamos esta se nal con un velocidad F
s
=
5000 muestras/s. Cu al es la se nal en tiempo discreto que obten-
dramos tras el muestro?
c. Cu al es la se nal anal ogica que y
a
(t) que obtendramos al hacer la
reconstrucci on a partir de esas muestras, utilizando interpolaci on ide-
al?
3. Clasique las se nales siguientes conforme a si son: (1) uni o multidimen-
sional; (2) mono o multicanal; (3) en tiempo continuo o discreto y (4)
an alogas o digitales (en amplitud). De una explicaci on breve
10
.
a. Precios de cierre de las acciones de la bolsa de valores de Nueva York.
b. Una pelcula en color.
c. La posici on del volante de un autom ovil en movimiento con relaci on
a unos ejes de referencia situados en el autom ovil.
d. La posici on del volante de un autom ovil en movimiento con relaci on
a unos ejes de referencia situados en el suelo.
e. Las medidas de altura y peso de un ni no tomadas mensualmente.
4. Muestreo de se nales sinusoides: aliasing. Considere la siguiente se nal en
tiempo continuo
11
:
x
a
(t) = sen(2F
0
t) , < t <
8
: Prentice Hall, 1998. Pg 30.
9
10
11
34 CAP
ITULO 1. INTRODUCCI
NALES
Dado que x
a
(t) se ha descrito de forma matem atica, su versi on muestreada
puede describirse con valores tomados cada T segundos. La se nal muestrea-
da queda denida mediante la f ormula.
x(n) = x
a
(nT) = sen
_
2
F
0
F
s
n
_
, - < n <
Donde F
s
=
1
T
es la frecuencia de muestreo.
a. Dibuje la se nal x(n), 0 n 99 para F
s
= 5KHz y F
0
= 0.5, 2, 3
y 4.5 KHz. Explique las similitudes y diferencias entre los distintos
dibujos.
b. Suponga que F
0
= 50KHz F
s
= 50KHz.
1. Dibuje la se nal x(n). cu al es la frecuencia f
0
de la se nal x(n)?
2. Dibuje la se nal y(n) obtenida tomando la muestras pares de x(n).
Es sinusoidal esta se nal? Por que? Si es as, Cu al es su fre-
cuencia?
5. Error de cuanticaci on en la conversi on A/D de una se nal sinusoidal. Sea
x
q
(n) la se nal obtenida al cuanticar x(n) = sen(2f
0
n). La potencia del
error de cuanticaci on P
q
se dene como
12
P
q
=
1
N
N1
n=0
e
2
(n) =
1
N
N1
n=0
[x
q
(n) x(n)]
2
La calidad de la se nal cuanticada se mide mediante la relaci on se nal-
ruido de cuanticaci on (SQNR)
SQNR = 10 log
10
P
x
P
q
Donde P
x
es la potencia de la se nal sin cuanticar x(n).
a. Para f
0
=
1
50
y N = 200, escriba un programa para cuanticar la
se nal x(n) usando truncamineto, con 64, 128 y 256 niveles de cuan-
ticaci on. En cada caso dibuje las se nales x(n), x
q
(n) y e(n) y calcule
la SQNR correspondiente.
b. Repita el apartado (a) usando redondeo en vez de truncamiento.
c. Comente los resultados obtenidos entre los apartados (a) y (b).
d. Compare los valores de SQNR medidos con los obtenidos te orica-
mente usando la f ormula SQNR(dB) = 1,76 + 6,02b (b son los bits
de precisi on) y comente las similitudes y diferencias.
12
Captulo 2
Se nales en tiempo discreto
Las se nales en tiempo discreto pueden originarse de dos maneras:
1. Tomando muestras de una se nal an aloga y luego cuantic andola.
x
a
(t) x
a
(nT
s
) x
q
(nT
s
) = x(n)
2. Acumulando una variable a lo largo de un determinado perodo de tiempo.
(Ver gura 1.7, p agina 10 de Proakis)
1
.
En ambos casos se genera una secuencia de n umeros en funci on de la varia-
ble independiente n (n umero de muestra) el cual es el equivalente discreto del
tiempo. La se nal x(n) puede representarse de varias maneras:
Representaci on funcional:
x(n) =
_
_
_
1, Para n = 1, 3
4, Para n = 2
0, En otro caso
Representaci on tabular:
x(n) ... -2 5 3 1 4 ...
n ... -1 0 1 2 3 ...
Representaci on como secuencia:
x(n) = {3, 5, 2, 1, 0}
En este caso la echa () indica el origen de coordenadas (Es decir, n = 0

).
1
35
36 CAP
ITULO 2. SE
NALES EN TIEMPO DISCRETO

2.1. Se nales elementales en tiempo discreto
2.1.1. Impulso unitario
(n k) =
_
1, Para n = k
0, En otro caso
-10 -8 -6 -4 -2 0 2 4 6 8 10
0
0.5
1
1.5
Funcin impulso
n
x
(
n
)
Figura 2.1: Funci on impulso unitario.
La gura 2.1 se puede obtener en Matlab empleando una funci on como la
del siguiente ejemplo:
Funci on en Matlab: Genera una se nal impulso donde:
long: Unidades de tiempo de visualizaci on.
k: Unidades de tiempo de desplazamiento del impulso.
nota: Se hace auto ajuste de las unidades de tiempo de visualizaci on en caso
que k este fuera de este rango.
function impulso(long,k)
if long<abs(k)
long = abs(k)+1;
waitfor(warndlg(Presione OK para auto ajustar la visualizacion del ...
... impulso,!! Auto Ajuste !!))
end
if k<0
n=-long:0;
2.1. SE
NALES ELEMENTALES EN TIEMPO DISCRETO 37

L=length(n);
x=zeros(1,L);
x(L+k)=1;
else
n=0:long;
L=length(n);
x=zeros(1,L);
x(k+1)=1;
end
stem(n,x)
2.1.2. Escal on unitario
(n k) =
_
1, Para n k
0, Para n < k
-10 -8 -6 -4 -2 0 2 4 6 8 10
0
0.5
1
1.5
Funcin escaln unitario
n
x
(
n
)
Figura 2.2: Funci on escal on unitario.
Funci on en Matlab: Genera una se nal escal on donde:
k: Unidades de tiempo de desplazamiento del escalon.
38 CAP
ITULO 2. SE

function escalon(long,k)
if long<abs(k)
long = abs(k)+1;
... escalon,!! Auto Ajuste !!))
end
x=zeros(1,long+1);
if k<0
n=-long:0;
x(long+k+1:long+1)=1;
else
n=0:long;
x(k+1:long+1)=1;
end
stem(n,x)
2.1.3. Rampa unitaria
r
(n k) =
_
n Para n k
0 Para n < k
La gura 2.3 se puede obtener en Matlab empleando una funci on como la del
-10 -8 -6 -4 -2 0 2 4 6 8 10
0
1
2
3
4
5
6
7
8
9
10
Funcin rampa unitaria
n
x
(
n
)
Figura 2.3: Funci on rampa unitaria.
siguiente ejemplo:
2.1. SE

Funci on en Matlab: Genera una se nal rampa donde:
k: unidades de tiempo de desplazamiento del rampa.
function x=rampa(long,k)
if long<=abs(k)
... rampa,!! Auto Ajuste !!))
if k<0
long = abs(k)+1;
else
long = abs(k)+3;
end
end
x=zeros(1,long+1);
if k<0
n=-long:0;
m=0:abs(k);
x(long+k+1:long+1)=m;
else
n=0:long;
m=0:long-k;
x(abs(k)+1:long+1)=m;
end
stem(n,x)
2.1.4. Se nal sinusoidal
x(n) = Acos (n +), n +
Donde:
: [rad]
f : [ciclos/muestra]
: [rad/muestra]
= 2f
40 CAP
ITULO 2. SE

-20 -15 -10 -5 0 5 10 15 20
-5
-4
-3
-2
-1
0
1
2
3
4
5
Figura 2.4: Se nal sinusoidal.
Funci on en Matlab: La se nal x generada por esta funci on es una sinusoide,
donde:
A: Amplitud.
f0: Frecuencia entre 0 y 1(ciclos/muestra).
Theta: Fase en radianes.
Num ciclos: Numero de ciclos.
function x=seno(A,f0,Theta,Num_ciclos)
N=ceil(1/f0);
L=N*Num_ciclos;
n=0:L-1;
x=A*sin(2*pi*f0*n+Theta);
stem(n,x);
2.1.5. Se nal exponencial compleja
x(n) = a
n
, n
En donde,
a = re
j
x(n) = r
n
e
jn
= r
n
(cos (n) +jsen(n))
= X
R
(n) +jX
I
(n)
Y por tanto,
X
R
(n) = r
n
(cos (n))
X
I
(n) = r
n
(sen(n))
2.1. SE

La exponencial compleja se puede representar por medio de dos gr acas, una de
la parte real y otra de la parte compleja o por medio de un gr aco de magnitud
y otro de fase, en donde:
|x(n)| = r
n
arg (x(n)) = n
La gura 2.5 se puede obtener en Matlab empleando una funci on como la sigui-
ente.
Figura 2.5: Funci on exponencial compleja.
Funci on en Matlab: La se nal x generada por esta funci on es una exponencial
compleja, donde:
a: Magnitud.
f0: Frecuencia entre 0 y 1.
Theta: Fase en radianes.
longitud: Longitud determinada.
function x=exp_compleja(a,f0,Theta,longitud)
n=0:longitud-1;
x=(a.^n).*exp(j*2*pi*f0*n+Theta);
subplot(221)
stem(n,real(x))
subplot(222)
stem(n,imag(x))
subplot(223)
stem(n,abs(x))
subplot(224)
stem(n, angle(x))
42 CAP
ITULO 2. SE

2.2. Frecuencia y rangos de frecuencia en tiem-
pos continuo y discreto
Una se nal sinusoidal en tiempo continuo
x(t) = Acos (
0
t + )
Est a completamente caracterizada por tres par ametros:
A : Amplitud.
: Fase, [Rad].
0
: Frecuencia angular, [Rad/s].
F
0
: Frecuencia, [Hz. o ciclos/s].
0
= 2F
0
Esta se nal cumple lo siguiente:
Para todo valor de F
0
, la funci on es peri odica, con perodo fundamental
T =
1
F0
.
Dos sinusoides de frecuencias diferentes son diferentes.
Un aumento de la frecuencia implica un incremento de la tasa de oscilaci on.
Las mismas conclusiones se aplican para la exponencial compleja.
El rango de frecuencias est a en el intervalo (, +), en donde las fre-
cuencias positivas implican un giro del fasor en sentido antihorario y las
negativas implican un giro en sentido horario.
1
2
3
30
210
60
240
90
270
120
300
150
330
180 0
Grfico polar de a
n
Figura 2.6: Gr aco polar de a
n
.
2.2. FRECUENCIA Y RANGOS DE FRECUENCIA 43
En tiempo discreto:
La se nal coseno puede provenir del muestreo de una se nal an aloga:
x(t) = Acos (
0
t + )
x(nT
s
) = Acos (
0
nT
s
+ )
x(n) = Acos
_
2
F0
Fs
n +
_
para n
= Acos (2f
0
n + )
= Acos (
0
n + )
En donde:
f
0
=
F
0
F
S
Es la frecuencia normalizada en [ciclos/muestra].
En cuanto a la periodicidad x(n) ser a peri odica si existe un intervalo de
tiempo N (entero) en el cual la se nal se repite, es decir:
x(n) = x(n +N)
x(n +N) = cos (
0
(n +N) + )
= cos (
0
n +
0
N + )
= x(n) si
0
N = 2k o f
0
=
k
N
Es decir es peri odica si su frecuencia es una cantidad racional. En este caso
el perodo fundamental resulta de cancelar los factores comunes entre k y
N, hasta que estos sean primos relativos. En otras palabras la contraparte
discreta de una se nal peri odica de tiempo continuo no siempre es peri odica.
Como ejemplo, en la gura 2.7 se observa una se nal peri odica de frecuencia
f
0
=
1
8
y una no peri odica de frecuencia f
0
=
1
3
.
Figura 2.7: Se nal sinusoidal: (a) peri odica, (b) no peri odica.
44 CAP
ITULO 2. SE

Adem as las sinusoides con frecuencias separadas por un m ultiplo entero
de 2 son identicas, lo que quiere decir que un incremento en la frecuencia
no siempre implica un incremento en la tasa de oscilaci on:
cos ((
0
+ 2) n + ) = cos (
0
n + 2n + )
= cos (
0
n + )
Es decir que las se nales,
x
k
(n) = Acos (
k
n + )
Con
k
=
0
+ 2k,
0

Son indistinguibles. Como ejemplo, en la gura 2.8 se observan sinusoides
con frecuencias normalizadas entre 0 y 1 y separadas entre s 0.125 ci-
clos/muestra.
Figura 2.8: Se nales sinusoidales de frecuencias crecientes entre 0 y 1.(a)f=0,
(b)f=0.125, (c)f=0.25, etc.
Se concluye entonces, que el rango de frecuencias en tiempo discreto est a en
el intervalo:
0 f 1 0 2
O de manera similar,
1
2
f
1
2

2.3. EXPONENCIALES COMPLEJAS RELACIONADAS 45
Esto implica que las sinusoides con frecuencias || son unicas, y las
sinusoides con frecuencias || > son alias de las anteriores.
La mayor frecuencia que se puede reconstruir en tiempo continuo a partir
de muestras de tiempo discreto tiene que ver con la frecuencia de muestreo,
as:

Fs

F
s
F
s

Fs
2
F
Fs
2
La mayor tasa de oscilaci on la tiene la se nal con frecuencia o
_
o
1
2
y
1
2
_
ya que cos (n) = (1)
n
es la mayor oscilaci on posible en
una onda sinusoidal de tiempo discreto.
-10 -8 -6 -4 -2 0 2 4 6 8 10
-6
-4
-2
0
2
4
6
n
x
(
n
)
Figura 2.9: Onda cosenoidal de frecuencia m axima.
2.3. Exponenciales complejas relacionadas armoni-
camente
Escogiendo la frecuencia relativa como f
0
=
1
N
se denen las exponenciales
complejas arm onicamente relacionadas como:
S
k
(n) = e
j2kn
N
con k = 0, 1, 2,
De esta expresi on se puede concluir que:
S
k+N
(n) = e
j2(k+N)n
N
= e
j2f0n
= S
k
(n)
46 CAP
ITULO 2. SE

Esto quiere decir que existen s olo N exponenciales complejas relacionadas
arm onicamente, con perodo com un N.
De esta manera se puede escoger un conjunto consecutivo de N exponenciales
complejas, por ejemplo desde k = N
0
hasta k = N
0
+ N 1 para formar un
conjunto arm onicamente relacionado de frecuencia f
0
=
1
N
. Normalmente se
escoge el conjunto desde N
0
= 0, es decir:
S
k
(n) = e
j2kn
N
con k = 0, 1, , N 1
Es evidente que la combinaci on lineal
x(n) =
N1
k=0
C
k
S
k
(n) =
N1
k=0
C
k
e
j2kn
N
Es una se nal peri odica de perodo fundamental N (Serie de Fourier de x(n)).
2.4. Clasicaci on de las se nales
2.4.1. Se nal de energia
La energa en tiempo continuo est a denida por:
E =
|x(t)|
2
dt
Y en tiempo discreto, se calcula as:
E =
|x(n)|
2
Si E < se dice que la se nal es de energa.
La siguiente funci on de Matlab se puede usar para calcular la energa de una
se nal.
Funcion en Matlab:
function y=energia(x)
L=length(x);
y=0;
for i=1:L
y=y+x(i)^2;
end
2.4. CLASIFICACI
ON DE LAS SE
NALES 47
Ejemplo 2.1: Calcular la energa de la se nal a
|n|
, |a| < 1.
Esta se nal se muestra en la gura 2.10.
-25 -20 -15 -10 -5 0 5 10 15 20
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figura 2.10: Exponencial decreciente bilateral.
Teniendo en cuenta que la suma de una serie geometrica
x(n) = r
n
0 n N
Est a dada por
S =
N
n=0
r
n
=
1 r
N+1
1 r
, |r| < 1
Se tiene, entonces, que:
S =
1
n=
_
a
n
_
2
+
n=0
(a
n
)
2
=
n=1
(a
n
)
2
+
n=0
(a
n
)
2
= 2
n=0
(a
n
)
2
1
48 CAP
ITULO 2. SE

= 2
n=0
_
a
2
_
n
1
=
1
1 a
2
1 +
1
1 a
2
, |a| < 1
=
1 +a
2
1 a
2
En este caso se tiene que si a = 0,7, entonces la energa de x(n) ser a:
E = 2,9216
Ejemplo 2.2: A continuaci on se hace el mismo ejemplo usando Matlab y la
funci on energia() anteriormente mostrada en esta secci on.
n = (0:1:100);
a = 0.7;
an = a.^n;
e = energia(an);
%como la funcion es Exponencial decreciente bilateral, entonces
E = e + e - 1
% se resta 1 por que a^n, con n = 0 ya fue contemplado en el primer e
E =
2.9216
2.4.2. Se nales de potencia
La potencia media en tiempo continuo se dene como,
P = lm
T
1
T
T
2
_
T
2
|x(t)|
2
dt General
P =
1
T
_
T
|x(t)|
2
dt Para periodicas
Y en tiempo discreto:
P = lm
T
1
2N + 1
N
n=N
|x(n)|
2
General
P =
1
N
N1
n=0
|x(n)|
2
Para periodicas
2.4. CLASIFICACI
ON DE LAS SE
NALES 49
Si la potencia media es diferente de cero o innito se dice que la se nal es de
potencia.
La potencia de una se nal en tiempo discreto que no tenga nivel DC se puede
calcular con la funci on var(x,1) de Matlab.
Ejemplo 2.3:Calcular la potencia de la se nal x(n) = Acos
0
n.
P =
1
N
N1
n=0
|x(n)|
2
=
A
2
N
N1
n=0
cos
2
(
0
n)
=
A
2
2N
N1
n=0
(1 + cos (2
0
n))
=
A
2
2N
N1
n=0
1 +
A
2
2N
N1
n=0
cos (2
0
n)
=
A
2
2
Esto debido a que el segundo termino de la ecuaci on es el valor DC de la se nal
sinusoidal que es cero.
Se concluye entonces que la onda sinusoidal es una se nal de potencia.
Ejemplo 2.4: Calcular la potencia de una se nal sinusoidal de amplitud A = 10.
n = (0:1/10000:100);
A =10;
w = 2*pi*10;
senal = A*sin(w*n);
P = var(senal,1)
P =
50.0000
2.4.3. Se nales peri odicas o aperiodicas
Una se nal es peri odica con perodo N s y s olo s
x(n +N) = x(n) , n
El valor m as peque no de N se llama el perodo fundamental. Si no existe N la
se nal es aperi odica.
50 CAP
ITULO 2. SE

En el caso de se nales peri odicas si x(n) toma valores nitos en el perodo,
su potencia media es nita y coincide con la calculada sobre un perodo:
P =
1
N
N1
n=0
|x(n)|
2
Esto quiere decir que las se nales peri odicas son se nales de potencia.
2.4.4. Se nales de simetra par e impar
Se nal simetrica (par)
En este caso,
x(n) = x(n)
Se nal antisimetrica (impar)
En este caso,
x(n) = x(n)
Una se nal cualquiera puede representarse como la suma de su parte par y su
parte impar, en donde la parte par est a dada por:
x
e
(n) =
1
2
[x(n) +x(n)] Parte par de x(n)
La parte impar:
x
o
(n) =
1
2
[x(n) x(n)] Parte impar de x(n)
De tal manera que,
x(n) = x
e
(n) +x
o
(n)
La siguiente funci on en Matlab permite construir la parte par y la parte impar
de una funci on cualquiera.
Ejemplo 2.5:
function []=parimpar(x,n)
xe=(x+fliplr(x))/2;
xo=(x-fliplr(x))/2;
subplot(311)
stem(n,x)
subplot(312)
stem(n,xe)
subplot(313)
stem(n,xo)
2.5. MANIPULACIONES DE LAS SE
NALES EN TIEMPO DISCRETO 51

En la gura 2.11 se muestra una se nal y sus correspondientes componentes par
e impar.
Figura 2.11: Se nal discreta con su parte par e impar.
2.5. Manipulaciones simples de las se nales en
tiempo discreto
2.5.1. Retraso o adelanto
x(n) x(n k) , k : Entero
Si k > 0 : Retraso
Si k < 0 : Adelanto
2.5.2. Reexi on
x(n) x(n)
La reexi on de una se nal se puede realizar en Matlab utilizando la funci on
iplr(). Las operaciones de reexi on y retardo no son conmutativas, de tal ma-
nera que si T
d
es la operaci on de retardo y F
d
la de reexi on, se tiene:
T
d
k
[x(n)] = x(n k) , k > 0
F
d
[x(n)] = x(n)
T
d
k
[F
d
[x(n)]] = T
d
k
[x(n)]
= x(n +k)
52 CAP
ITULO 2. SE

F
d
[T
d
k
[x(n)]] = F
d
[x(n k)]
= x(n k)
Ejemplo 2.6: Uso de la funci on iplr().
n = 0:1:4
n =
0 1 2 3 4
N = fliplr(n)
N =
4 3 2 1 0
2.5.3. Escalado temporal (submuestreo)
En este caso se cambia n por n, con entero.
x(n) x(n)
En Matlab se puede usar la funci on decimate() para realizar la operaci on de
submuestreo, aunque hay que tener en cuenta que para hacer esto realiza un
ltrado de orden N, y por lo tanto para realizar el submuestreo unicamente se
escoge N=1.
En la gura 2.12 se observa una se nal y su versi on submuestreada, usando un
=2.
-50 -40 -30 -20 -10 0 10 20 30 40 50
0
0.2
0.4
0.6
0.8
1
0 10 20 30 40 50 60
0
0.2
0.4
0.6
0.8
1
Figura 2.12: Submuestreo de una se nal.
En esta operaci on se eliminan las muestras que est an en posiciones diferentes
a m ultiplos de , lo que es similar a cambiar la rata de muestreo de F
s
=
1
Ts
a
F
s
=
1
Ts
.
2.5. MANIPULACIONES DE LAS SE
NALES EN TIEMPO DISCRETO 53

Ejemplo 2.7: Codigo que genera la graca anterior.
n = 0:1:20;
a=0.7;
x=a.^n;
x=[fliplr(x) x(2:21)];
y = decimate(x,2,1);
figure
%Original
subplot(2,1,1); stem((-20:1:20),x)
%Submuestreada
subplot(2,1,2); stem((-20:2:20),y)
2.5.4. Escalado de la se nal
y (n) = Ax(n)
En este caso se multiplica el valor de cada muestra de la se nal por A.
Ejemplo 2.8: Escalado de un vector.
v = 0:1:5
v =
0 1 2 3 4 5
A = 10;
v = A*v
v =
0 10 20 30 40 50
2.5.5. Suma de se nales
y (n) = x
1
(n) +x
2
(n)
El valor de y(n) es la suma de los valores en cada instante de las dos se nales.
Ejemplo 2.9: Suma de vectores.
x = 0:1:5
x =
0 1 2 3 4 5
%vector aleatorio
y = random(Poisson,1:6,1,6)
y =
3 1 5 4 4 7
54 CAP
ITULO 2. SE

v = x + y
v =
3 2 7 7 8 12
2.5.6. Producto de dos se nales
y (n) = x
1
(n) x
2
(n)
El valor de y(n) es el resultado de multiplicar los valores de las dos se nales
en el mismo instante (Producto punto a punto).
Ejemplo 2.10: Producto de vectores.
x = 0:1:5
x =
0 1 2 3 4 5
% vector aleatorio
y = random(Poisson,1:6,1,6)
y =
0 2 4 5 9 8
fprintf(x * y\n)
v = x .* y
v =
0 2 8 15 36 40
2.6. Sistemas en tiempo discreto
Sistema:
Se puede denir como el conjunto de dispositivos de hardware y/o software
que transforman una se nal de entrada en una de salida, como se muestra de
manera esquem atica en la gura 2.13.
Figura 2.13: Diagrama en bloques de un sistema.
El sistema se simboliza as:
x(n)
T[ ]
y (n)
2.6. SISTEMAS EN TIEMPO DISCRETO 55
2.6.1. Representaci on de sistemas por bloques
Los operadores en un sistema por bloques son:
Sumador [x
1
(n) +x
2
(n)].
Multiplicador [x
1
(n) x
2
(n)].
Retardador [x(n) Z
1
].
Adelantador [x(n) Z]. La operaci on de adelanto no se puede realizar en
DSP en tiempo real, pero s sobre valores almacenados en la memoria.
Multiplicador por una constante [x(n)
a
y (n) = ax(n)].
Las diferentes representacione se observan en las guras 2.14 a 2.18.
Figura 2.14: Diagrama en bloques de un sumador.
Figura 2.15: Diagrama en bloques de un multiplicador.
Figura 2.16: Diagrama en bloques de un sistema retardador.
56 CAP
ITULO 2. SE

Figura 2.17: Diagrama en bloques de un sistema adelantador.
Figura 2.18: Diagrama en bloques de un multiplicador por una constante.
2.6.2. Clasicaci on de los sistemas
Los sistemas se clasican de acuerdo con sus propiedades, las cuales deben
cumplirse en todos los casos (o sea, para todas las se nales de entrada). Algunas
de las propiedades de interes son las siguientes:
Memoria ( Sistemas dinamicos o estaticos)
En un sistema sin memoria la salida depende de los valores presentes en la
entrada y no de valores pasados o futuros de esta, de tal manera que no requiere
almacenamiento.
En los sistemas con memoria la salida depende de valores presentes, pasados
y/o futuros de la se nal de entrada, y por esto requieren de capacidad de alma-
cenamiento en memoria de la se nal de entrada.
Invarianza en el tiempo
Un sistema es invariante en el tiempo si su caracterstica de entrada-salida
no cambia con el tiempo; es decir, al retrasarse k unidades de tiempo la en-
trada al sistema, la salida tendr a la misma forma que tendria sin retraso pero
estar a retrasada tambien k unidades.
x(n) y (n)
x(n k) y (n, k)
Si y (n, k) = y (n k): Sistema invariante
Si y (n, k) = y (n k): Sistema variante
Ejemplo 2.11: Si se tiene una relaci on de entrada salida de un sistema as:
y (n) = nx(n)
La respuesta a otra se nal retrasada ser a,
x
1
(n) y
1
(n) = nx
1
(n)
x
2
(n) y
2
(n) = nx
2
(n)
x
2
(n) = x
1
(n k) y
2
(n) = nx
1
(n k) = y
1
(n k)
Por lo tanto, este sistema es variante, lo que era de esperarse ya que tiene una
ganancia que vara con el tiempo.
Linealidad
Un sistema es lineal si cumple con el principio de superposici on, es decir si:
x
1
(n)
T[ ]
y
1
(n) = T [x
1
(n)]
x
2
(n)
T[ ]
y
2
(n) = T [x
2
(n)]
Entonces:
ax
1
(n) +bx
2
(n)
T[ ]
y
3
(n) = T [ax
1
(n) +bx
2
(n)]
= aT [x
1
(n)] +bT [x
2
(n)]
= ay
1
(n) + by
2
(n)
Para todo a y b y cualquier secuencia de entrada. Debe, adem as, cumplir
que si la entrada es cero la salida debe tambien ser cero.
Ejemplo 2.12: El sistema descrito por la relaci on entrada-salida,
y (n) = e
x(n)
Es no lineal ya que si
x
1
(n)
T[ ]
y
1
(n) = e
x1(n)
x
2
(n)
T[ ]
y
2
(n) = e
x2(n)
Entonces,
ax
1
(n) +bx
2
(n)
T[ ]
y
3
(n) = e
ax1(n)+bx2(n)
= ay
1
(n) +by
2
(n)
Estabilidad
Un sistema arbitrario en reposo se dice de entrada-salida acotada (BIBO
Bounded input bounded output ) s y s olo s toda entrada acotada produce una
salida acotada.
58 CAP
ITULO 2. SE

Ejemplo 2.13: El sistema descrito por la relaci on entrada-salida:
y (n) =
n
k=0
x(k)
Es inestable ya que si se le aplica una entrada acotada como la siguiente:
x(n) = (n)
La salida ser a no acotada:
y (n) =
n
k=0
(k)
= (n + 1) (n)
2.6.3. Interconexi on de sistemas
Conexi on en cascada
Esta conexi on se muestra en la gura 2.19:
Figura 2.19: Diagrama en bloques de una conexi on en cascada.
En este caso, se tiene:
y
1
(n) = T
1
[x(n)]
y (n) = T
2
[y
1
(n)]
= T
2
[T
1
[x(n)]]
Lo cual es equivalente a tener el sistema que se muestra en la gura 2.20:
Figura 2.20: Sistema equivalente de una conexi on en cascada.
En donde, en general:
T
c
= T
2
T
1
= T
1
T
2
Si los sistemas son invariantes en el tiempo, se tiene que:
x(n k)
T1
y
1
(n k)
y
1
(n k)
T2
y (n k)
Y por tanto:
x(n k)
Tc=T2T1
y (n k)
Luego la transformaci on T
c
es invariante en el tiempo. Si adem as, los sistemas
son lineales:
T
2
T
1
= T
1
T
2
Conexi on paralela
Este arreglo se muestra en la gura 2.21:
Figura 2.21: Diagrama en bloques de una conexi on paralela.
En este caso, se tiene que,
y (n) = y
1
(n) + y
2
(n)
= T
1
[x(n)] +T
2
[x(n)]
= (T
1
+T
2
) [x(n)]
= T
p
[x(n)]
El sistema equivalente se muestra en la gura 2.22:
Figura 2.22: Sistema equivalente de una conexi on paralela.
Se pueden construir sistemas m as complicados a partir de los dos anteriores
y tambien se pueden analizar sistemas m as complejos descomponiendolos en
combinaciones de estos.
60 CAP
ITULO 2. SE

2.7. Sistemas discretos recursivos y no recur-
sivos
En el sistema no recursivo los valores de la salida dependen exclusivamente
de los valores de la entrada en todo instante de tiempo; por el contrario en los
sistemas recursivos aquellos dependen de valores en tiempo pasado de la salida y
de la entrada y por lo tanto para calcular la salida es necesario tener la entrada
y unas condiciones iniciales.
Como ejemplo de un sistema no recursivo se tiene el que calcula la media
acumulativa:
y (n) =
1
n + 1
n
k=0
x(k) n = 0, 1,
Este sistema requiere innitas posiciones de memoria para almacenar la se nal
de entrada.
Una realizaci on alternativa se construye de la siguiente manera:
y (n) (n + 1) =
n1
k=0
x(k) +x(n)
= ny (n 1) +x(n)
y (n) =
ny (n 1)
(n + 1)
+
x(n)
(n + 1)
Este es un sistema recursivo equivalente (Ver gura 2.23) que requiere s olo una
posici on de memoria para almacenar la salida inmediatamente anterior.
Figura 2.23: Sistema recursivo que calcula la media acumulativa.
Un sistema recursivo causal y realizable en la pr actica (gura 2.25) se puede
expresar as:
y(n) = F[y (n 1) , y (n 2) , , y (n N) , x(n) , x(n 1) , , x(n M)]
2.8. ANALISIS DE SISTEMAS DISCRETOS LTI 61
Un sistema no recursivo(gura 2.24) se puede expresar as:
y (n) = F [x(n) , x(n 1) , , x(n M)]
La diferencia fundamental entre ambos est a en el lazo de realimentaci on, lo que
obliga a que haya un elemento (como mnimo) de memoria, porque el c alculo
de y(n) en terminos de y(n) es imposible en sistemas discretos.
Figura 2.24: Sistema no recursivo.
Figura 2.25: Sistema recursivo.
Otra diferencia entre los dos sistemas consiste en que la salida de un sistema
recursivo debe ser calculada en orden mientras que la de un sistema no recursivo
puede ser calculada en cualquier orden.
2.8. Analisis de sistemas discretos lineales e in-
variantes en el tiempo
Existen dos metodos de an alisis (o sea de caracterizaci on del comportamiento
del sistema ante cualquier se nal de entrada) en el dominio del tiempo para los
sistemas LTI, los cuales se explican a continuaci on:
1. Un primer metodo consiste en resolver la ecuaci on de entrada-salida del
sistema,
y(n) = F[y (n 1) , y (n 2) , ..., y (n N) , x(n) , x(n 1) , ..., x(n M)]
que para un sistema LTI tiene la forma:
y (n) =
N
k=1
a
k
y (n k) +
M
k=0
b
k
x(n k)
62 CAP
ITULO 2. SE

Esta relaci on se llama ecuaci on en diferencias y representa un sistema
lineal porque las potencias de x(n), y(n) y sus valores pasados no son
mayores a uno, e invariante debido a que los coecientes {a
k
} y {b
k
} de esta
ecuaci on no son funciones del tiempo y s olo dependen de las caractersticas
especcas del sistema.
Por ejemplo un sistema no lineal podra estar representado por una relaci on
entrada-salida de la siguiente forma:
y (n) = ax(n) +bx
2
(n)
De tal manera que este sistema no cumple la superposici on:
x
1
(n)
T[ ]
y
1
(n) = ax
1
(n) +bx
2
1
(n)
x
2
(n)
T[ ]
y
2
(n) = ax
2
(n) +bx
2
2
(n)
x
1
(n) +x
2
(n)
T[ ]
y
3
(n) = a (x
1
(n) +x
2
(n)) +b (x
1
(n) +x
2
(n))
2
y
3
(n) = y
1
(n) + y
2
(n)
Sin embargo este sistema es invariante en el tiempo porque a y b no de-
penden de este.
A pesar que existe una metodologa muy elaborada para resolver ecua-
ciones en diferencias lineales de coecientes constantes, algunas se pueden
resolver por metodos iterativos, como se ve en el siguiente ejemplo:
y (n) = ay (n 1) +x(n)
y (0) = ay (1) +x(0)
y (1) = ay (0) +x(1)
= a
2
y (1) +ax(0) +x(1)
y (2) = ay (1) +x(2)
= a
3
y (1) +a
2
x(0) +ax(1) +x(2)
En denitiva, la se nal de salida tendr a la siguiente forma:
y (n) = a
(n+1)
y (1) +
n
k=0
a
k
x(n k)
La primera componente a
(n+1)
y (1) se debe fundamentalmente a las
condiciones iniciales y a par ametros del sistema y se denomina la res-
puesta natural o respuesta a la entrada nula.
La segunda componente
n
k=0
a
k
x(n k) se debe a la se nal de entrada y a
par ametros del sistema y se denomina respuesta forzada.
2. El segundo metodo consiste fundamentalmente en descomponer la se nal
de entrada en suma de se nales elementales, determinar la respuesta a cada
una de esas se nales y luego aplicar la superposici on, o sea s,
x(n) =
k=
c
k
x
k
(n)
Y, adem as:
y
k
(n) = T [x
k
(n)]
Entonces,
y (n) = T
_
k
c
k
x
k
(n)
_
=
k
c
k
T [x
k
(n)]
=
k
c
k
y
k
(n)
Las se nales elementales m as usadas son:
x
k
(n) = (n k)
Para se nales de tipo general, y
x
k
(n) = e
j
k
n
Para se nales peri odicas de perodo N, En donde:
w
k
=
k2
N
con k = 0, 1, 2, , N 1
2.8.1. Sistemas LTI descritos por ecuaciones en diferencias
Como se dijo antes, la soluci on de la ecuaci on en diferencias que describe la
relaci on entrada-salida de un sistema LTI consta de dos partes:
La respuesta a la se nal de entrada con condiciones iniciales cero, denomi-
nada respuesta al estado nulo o respuesta forzada, y
zs
(n).
La respuesta a las condiciones iniciales sin se nal de entrada llamada res-
puesta a entrada nula o respuesta natural, y
zi
(n).
La respuesta total consiste en la superposici on de ambas,
y (n) = y
zs
(n) +y
zi
(n)
Esto nos indica que un sistema con condiciones iniciales distintas de cero no
est a en reposo en el sentido que puede producir una se nal de salida sin tener
aplicada una se nal de entrada.
64 CAP
ITULO 2. SE

La forma general de la relaci on entrada-salida de un sistema recursivo des-
crito por ecuaciones lineales de coecientes constantes, es:
y (n) =
N
k=1
a
k
y (n k) +
M
k=0
b
k
x(n k)
En donde N es el orden de la ecuaci on en diferencias u orden del sistema; para
calcular la salida para n 0 se deben conocer la entrada para n 0 y N
condiciones iniciales.
2.8.2. Soluci on de ecuaciones en diferencias de coecientes
constantes
Para resolver una ecuaci on en diferencias lineal de coecientes constantes se
utilizan tres metodos:
1. Metodo iterativo, similar al que se mostr o previamente.
2. Metodo directo.
3. Metodo indirecto, basado en la transformada Z.
El objetivo consiste en hallar la salida y(n) en terminos de la se nal de en-
trada y unas condiciones iniciales. Esta salida consta de dos partes: La salida
transitoria y
h
(n) y la salida forzada y
p
(n):
y (n) = y
h
(n) +y
p
(n)
Metodo directo
En este metodo se calculan de manera directa la soluci on transitoria y la
respuesta forzada, como se explica a continuaci on:
La soluci on transitoria y
h
(n) se puede calcular haciendo x(n) = 0 y suponien-
do y
h
(n) =
n
.
y (n) +
N
k=1
a
k
y (n k) = 0
k=0
a
k
(nk)
= 0, a
0
1
Esto conduce al polinomio caracterstico
N
+a
1
N1
+ +a
N
= 0
Con N races
1
,
2
, ,
N
reales o complejas, algunas de orden m ultiple.
Si son races unicas, la soluci on transitoria tiene la siguiente forma:
y
h
(n) = c
1
n
1
+ c
2
n
2
+ +c
N
n
N
Los coecientes c
1
, c
2
, , c
N
se calculan con las condiciones iniciales.
Si hay algunas races de orden m ultiple (Por ejemplo,
1
de orden m),
la respuesta transitoria tiene la siguiente forma:
y
h
(n) = c
1
n
1
+c
2
n
n
1
+c
3
n
2
n
1
+ +c
m
n
(m1)
n
1
+c
(m+1)
n
2
+ +c
(N1)
n
Nm1
Ejemplo 2.14: Resolver la siguiente ecuaci on en diferencias:
y (n) = ay (n 1) +x(n)
y (n) = y
h
(n) +y
p
(n)
Para hallar la soluci on transitoria se hace x(n) = 0 y se supone y
h
(n) =
n
, de
tal manera que:
n
+ (a)
n1
= 0
( a)
n1
= 0
Luego, = a O sea,
y
h
(n) = C
n
= Ca
n
Para determinar el valor de la constante, se eval ua la ecuaci on en diferencias
con x(n) = 0 :
y (0) = ay (1)
Ca
0
= ay (1)
De donde,
C = ay (1)
De tal manera que:
y
h
(n) = a
n+1
y (1)
En Matlab se puede calcular la soluci on total de la ecuaci on en diferencias o las
soluciones transitoria y permanente usando la funci on lter(B,A,X,Ci).
En donde,
B es el vector de coecientes de X,
A es el vector de coecientes de Y,
X es la se nal de entrada,
Ci es el vector de condiciones iniciales.
En el ejemplo anterior, se tiene:
A = [1, a]
B = [1]
Suponiendo y(1) = 1
C
i
= [1]
En la gura 2.26 se muestra la soluci on transitoria suponiendo que a = 0,7.
66 CAP
ITULO 2. SE

0 2 4 6 8 10 12 14 16 18 20
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figura 2.26: Soluci on transitoria de la ecuaci on en diferencias del ejemplo.
La soluci on particular y
p
(n) debe satisfacer la ecuaci on en diferencias para
la se nal x(n) ,n 0, o sea es cualquier soluci on que satisface la ecuaci on:
N
k=0
a
k
y (n k) =
M
k=0
b
k
x(n k) ,a
0
1
Tabla 2. Forma de la soluci on particular para diversos tipos de se nal de entrada
Se nal de entrada, x(n) Soluci on particular, y
p
(n)
A (constante) K
AM
n
KM
n
An
M
K
0
n
M
+K
1
n
M1
+ +K
M
A
n
n
M
A
n
(K
0
n
M
+K
1
n
M1
+ +K
M
)
_
Acos (w
0
n)
Asen(w
0
n)
_
K
1
cos (w
0
n) +K
2
sen(w
0
n)
En este caso se supone que y
p
(n) tiene una forma que depende de x(n), ver
tabla
2
2:
y
p
(n) = kx(n)
Se eval ua la ecuaci on en diferencias con esta y
p
(n) en valores de n donde no se
haga cero ning un termino.
Continuando con el ejemplo anterior: suponiendo una se nal de entrada x(n) =
(n), la soluci on particular se puede hallar as:
y
p
(n) = Kx(n)
y
p
(n) = K(n)
2
: Prentice Hall, 1998. Tabla 2.1 Pg. 104.
Reemplazando en la ecuaci on en diferencias, se tiene:
K(n) = Ka(n 1) +(n)
Todos los terminos de esta ecuaci on se hacen diferentes de cero para n 1.
K = Ka + 1, o sea:
K =
1
1 a
Luego, la soluci on particular ser a:
y
p
(n) =
1
1 a
(n)
La soluci on total
y (n) = y
h
(n) +y
p
(n)
y (n) = Ca
n
+
1
1 a
(n)
Usando las condiciones iniciales para calcular la constante C, se tiene:
y (0) = C +
1
1 a
Pero tambien
y (0) = ay (1) +x(0)
De aqu
C = ay (1)
a
1 a
Luego, la soluci on total es:
y (n) = a
n+1
y (1)
a
n+1
1 a
+
1
1 a
(n) , n 0
Esta soluci on se usa para calcular y
zs
(n) haciendo las condiciones iniciales
iguales a cero, como se muestra en la gura 2.27.
68 CAP
ITULO 2. SE

0 2 4 6 8 10 12 14 16 18 20
0
0.5
1
1.5
2
2.5
3
3.5
Figura 2.27: Soluci on de estado cero de la ecuaci on del ejemplo.
Si adem as se hacen las condiciones iniciales diferentes de cero se calcula la res-
puesta a la entrada nula y
zi
(n) que se muestra en la gura 2.28.
0 2 4 6 8 10 12 14 16 18 20
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figura 2.28: Respuesta a la entrada nula del ejemplo.
De tal manera que
y (n) = y
zs
(n) +y
zi
(n)
Como se muestra en la gura 2.29.
La soluci on particular se puede calcular de la respuesta en estado nulo as:
y
p
(n) =
lm
n
y
zs
(n) Respuesta en regimen permanente
0 2 4 6 8 10 12 14 16 18 20
0
0.5
1
1.5
2
2.5
3
3.5
Figura 2.29: Respuesta total del sistema descrito por la ecuaci on en diferencias
del ejemplo.
La respuesta en regimen permanente es la que persiste mientras la entrada lo
haga; la que se desvanece cuando n se denomina respuesta transitoria.
2.8.3. Descripci on de una se nal en terminos de impulsos
El producto entre x(n) y un impulso retrasado (n k):
x(n) (n k) = x(k) (n k)
Extrae el valor de la secuencia en n = k, de tal manera que si se multiplica
la secuencia por el impulso retrasado todos los posibles desplazamientos
k y se suman todos los resultados, se tiene:
x(n) =
k=
x(k) (n k)
Esta ecuaci on se denomina la propiedad separadora del impulso.
Por ejemplo, la secuencia
x(n) = {2, 4, 0, 3}
Se puede construir por medio de impulsos como:

x(n) = 2 (n + 1) + 4 (n) + 3 (n 2)
70 CAP
ITULO 2. SE

2.8.4. Respuesta de un sistema LTI a entradas arbitrarias
Sea la respuesta del sistema y(n, k) a un impulso situado en n = k, denotada
por h(n, k):
y (n, k) T [ (n k)] h(n, k)
Si el impulso est a ponderado por una cantidad x(k), la respuesta del sistema a
este impulso ser a:
x(k) (n k)
T[ ]
x(k) h(n, k)
Con una se nal de entrada arbitraria dada por la propiedad separadora:
x(n) =
k=
x(k) (n k)
La se nal de salida ser a la suma ponderada de las respuestas a cada impulso
y (n) = T [x(n)]
= T
_

k=
x(k) (n k)
_
=
k=
x(k) T [ (n k)]
=
k=
x(k) h(n, k)
Esta propiedad es aplicable a cualquier sistema lineal variante o invariante con
el tiempo.
Si, adem as, el sistema es invariante con el tiempo y haciendo
h(n) T [ (n)]
Entonces, por la invarianza temporal se tiene:
T [ (n k)] = h(n k) y por tanto,
y (n) =
k=
x(k) h(n k)
Esta operaci on se denomina la convoluci on entre x(n) y h(n) y se simboliza de
la siguiente manera:
y (n) = x(n) h(n)
El c alculo de la convoluci on requiere de los siguientes pasos:
1. Cambiar la variable independiente n por k.
2. Realizar la reexi on de la respuesta al impulso cambiando h(k) por h(k).
3. Desplazar h(k) un tiempo n
0
hacia la izquierda o hacia la derecha para
calcular y(n
0
).
4. Multiplicar x(k) con h(n
0
k).
5. Sumar todos los valores de la secuencia producto.
6. Repetir los pasos 3, 4, 5 para todos los valores de n necesarios.
La siguiente funci on en Matlab permite visualizar el proceso de la convolu-
ci on, mostrando en la parte izquierda una de las dos secuencias, en el centro
la otra secuencia girada y desplazada y a la derecha el resultado parcial de la
salida.
Funci on en Matlab:
function y=convolucion(x,h)
a=length(x);
b=length(h);
L=a+b-1;
y=zeros(1,L);
x=[zeros(1,b-1),x];
h=fliplr(h);
for i=0:L-1
hp=[zeros(1,i),h,zeros(1,a-1-i)]
hp=hp(1:L)
prod=x*hp;
y(i+1)=prod;
subplot(L,3,3*i+1)
stem(x)
pause
subplot(L,3,3*i+2)
stem(hp)
pause
subplot(L,3,3*i+3)
stem(y)
pause
end
En la gura 2.30 se muestra el proceso de la convoluci on para h(n) = {1, 2, 3}
y x(n) = {4, 5, 6}.
En Matlab existe una funci on que nos permite conocer la se nal de salida en
terminos de su respuesta al impulso y la se nal de entrada.
y = conv (x, h)
En donde x es un vector que contiene los valores de la se nal de entrada y h es
un vector que contiene la respuesta al impulso del sistema.
72 CAP
ITULO 2. SE

Figura 2.30: Proceso de la convoluci on paso a paso con x(n) = {4, 5, 6} y
h(n) = {1, 2, 3}.
Si la longitud de x es L y la longitud de h es M, entonces, la longitud del
vector resultante de salida y es L +M 1.
Si en la suma de convoluci on se cambia n k por m se tiene:
y (n) =
m=
x(n m) h(m)
Como m es un ndice auxiliar se puede cambiar por cualquier otro,
y (n) =
k=
x(n k) h(k)
Ejemplo 2.15: usando Matlab en el ejemplo anterior se tiene:
x=[4 5 6];
h=[1 2 3];
y=conv(x,h)
y = 4 13 28 27 18
y=conv(h,x)
y = 4 13 28 27 18
En resumen la sumatoria de convoluci on permite, conociendo la respuesta
al impulso del sistema LTI, calcular la respuesta a cualquier se nal arbitraria de
entrada.
Dicho de otra manera, dise nando adecuadamente la respuesta al impulso (Es
decir, los coecientes h(k)) se puede lograr la respuesta deseada y(n) ante una
se nal de entrada x(n).
2.8.5. Propiedades de la convoluci on
Conmutativa
Esta propiedad indica que es posible cambiar un sistema que tiene una res-
puesta al impulso h(n) y que genera una salida y(n) ante una se nal de entrada
x(n) por otro sistema que tiene una respuesta al impulso x(n) y que genera una
salida y(n) ante una se nal de entrada h(n).
x(n) h(n) = h(n) x(n)
El diagrama de bloques de la propiedad conmutativa se puede observar en la
gura 2.31.
Figura 2.31: Propiedad conmutativa de la convoluci on.
Asociativa
Esta propiedad es util cuando se tienen varios sistemas LTI en cascada (Ver
gura 2.32):
Figura 2.32: Propiedad asociativa de la convoluci on.
74 CAP
ITULO 2. SE

De la gura 2.32 se pueden establecer las siguientes ecuaciones:
[x(n) h
1
(n)] h
2
(n) = x(n) [h
1
(n) h
2
(n)]
y (n) = [x(n) h
1
(n)] h
2
(n)
=
_

k=
x(k) h
1
(n k)
_
h
2
(n)
=
l=
k=
x(k) h
1
(l k) h
2
(n l)
=
k=
x(k)
l=
h
1
(l k) h
2
(n l)
Si se hace s = l k l = s +k
y (n) =
k=
x(k)
s=
h
1
(s) h
2
(n s k)
Tambien, haciendo: m = n k, se tiene:
y (n) =
k=
x(k)
s=
h
1
(s) h
2
(ms)
=
k=
x(k) [h
1
(m) h
2
(m)]
Pero, m = n k:
y (n) =
k=
x(k) [h
1
(n k) h
2
(n k)]
= x(n) [h
1
(n) h
2
(n)]
Se concluye entonces que si se tienen N sistemas LTI en cascada se pueden
reemplazar por uno solo que cumpla la siguiente relaci on:
[x(n) h
1
(n)] h
2
(n) h
N
(n) = x(n) h(n)
En donde:
h(n) = h
1
(n) h
2
(n) h
N
(n)
A la inversa tambien es cierto, un sistema LTI complejo se puede reemplazar
por N sistemas LTI m as simples en cascada.
Distributiva
Esta propiedad es util cuando se tienen varios sistemas LTI en paralelo como
se muestra en la gura 2.33:
Figura 2.33: Propiedad distributiva de la convoluci on.
De la gura 2.33 se pueden obtener las siguientes ecuaciones:
x(n) [h
1
(n) +h
2
(n)] = x(n) h
1
(n) +x(n) h
2
(n)
= x(n) h(n)
En donde:
h(n) = h
1
(n) +h
2
(n)
Se concluye entonces que si se tienen N sistemas LTI en paralelo, se puede
generar un sistema LTI unico equivalente con una respuesta al impulso
h(n) = h
1
(n) +h
2
(n) + +h
N
(n)
Y viceversa, se puede descomponer un sistema LTI complejo en sistemas LTI
m as simples en paralelo.
Ejemplo 2.16: Propiedades de la convoluci on.
x = [1 2 3];
h1 = [4 5 6];
h2 = [7 8 9];
%Conmutativa
conv(x,h1)
ans =
4 13 28 27 18
conv(h1,x)
ans =
4 13 28 27 18
%Asocitiva
conv(conv(x,h1),h2)
76 CAP
ITULO 2. SE

ans =
28 123 336 530 594 387 162
conv(conv(h1,h2),x)
ans =
28 123 336 530 594 387 162
%Distributiva
conv(x,h1) + conv(x,h2)
ans =
11 35 74 69 45
conv(x,h1+h2)
ans =
11 35 74 69 45
2.8.6. Sistemas LTI causales
En este caso la respuesta al impulso debe ser cero para n < 0:
h(n) = 0, n < 0
Pero,
y (n) =
k=
h(k) x(n k)
Si el sistema es causal,
y (n) =
k=0
h(k) x(n k)
=
n
k=
x(k) h(n k)
Si, adem as, la secuencia de entrada es causal,
x(n) = 0, n < 0
Entonces, la se nal de salida estar a dada por:
y (n) =
n
k=0
x(k) h(n k)
=
n
k=0
h(k) x(n k)
Ejemplo 2.17: Determinar la respuesta al escal on unidad de un sistema LTI con
respuesta al impulso: h(n) = a
n
(n) con |a| < 1.
y (n) =
n
k=0
a
k
=
1 a
n+1
1 a
para n 0y
y (n) = 0 para n < 0
2.8.7. Estabilidad para los sistemas LTI
Sea x(n) acotada, tal que
|x(n)| M
x
<
Si el sistema es estable, la salida ser a tambien acotada, o sea:
|y (n)| M
y
<
Pero,
|y (n)| =
k=
h(k) x(n k)
k=
|h(k) x(n k)|
k=
|h(k)| |x(n k)|
M
x
k=
|h(k)|
Luego, un sistema es estable s:
k=
|h(k)| <
O sea, si la respuesta al impulso es absolutamente sumable. Esta forma de
chequear la estabilidad del sistema en muchos casos es menos eciente que si
se utiliza una herramienta similar a la transformada de Laplace llamada la
transformada Z.
2.8.8. Sistemas con respuesta impulsional nita o innita
Sistemas con respuesta impulsional nita (FIR)
Se denen como aquellos sistemas que tienen una respuesta al impulso dada
por:
h(n) = 0 para n < 0 y n M
78 CAP
ITULO 2. SE

De tal manera que:
y (n) =
M1
k=0
h(k) x(n k)
En este caso la salida es la suma ponderada de las M muestras m as recientes de
la se nal de entrada, por lo que se requiere una memoria nita de M posiciones
para almacenar las M muestras de la se nal de entrada.
Sistemas con respuesta impulsional innita (IIR)
Se denen como aquellos sistemas que tienen una respuesta al impulso dada
por:
y (n) =
k=0
h(k) x(n k)
En este caso el sistema no se puede implementar directamente de acuerdo con
esta ecuaci on porque se requeriran innitas posiciones de memoria. (Para al-
macenar un n umero innito de coecientes y de valores de entrada).
La soluci on a este problema consiste en utilizar una ecuaci on en diferencias para
describir la relaci on entrada-salida del sistema y resolver esta para determinar
la se nal de salida. Por esta raz on se puede concluir que un sistema recursivo
tiene un h(n) de duraci on innita (Sistema IIR), sin embargo, no todo sistema
IIR LTI puede ser descrito por medio de una ecuaci on en diferencias lineal de
coecientes constantes (Subclase este ultimo de los primeros).
2.8.9. Correlacion de se nales discretas
La correlaci on es una funci on que permite:
Medir el parecido que hay entre dos secuencias (Con aplicaciones en radar,
sonar, geologa, comunicaciones digitales, etc.).
Identicar la presencia o no de una se nal que llega contaminada con ruido
(En este caso se compara la se nal recibida con las posibles se nales trans-
mitidas que est an almacenadas en el receptor).
2.8.10. Autocorrelacion y correlacion cruzada para se nales
de energia
Por denici on la correlaci on cruzada de dos se nales reales est a expresada de
la siguiente manera:
r
xy
(l) =
n=
x(n) y (n l), l = 0, 1, 2,
r
xy
(l) =
n=
x(n +l) y (n), l = 0, 1, 2,
En donde:
l es el retardo entre una se nal y otra.
El subndice indica la direcci on en que una secuencia es desplazada con
respecto a la otra (x no se desplaza, y se desplaza l unidades).
La correlaci on cruzada entre y(n) y x(n) est a dada por:
r
yx
(l) =
n=
y (n) x(n l), l = 0, 1, 2,
r
yx
(l) =
n=
y (n +l) x(n), l = 0, 1, 2,
De estas ecuaciones se concluye que r
xy
(l) = r
yx
(l), y por lo tanto ambas
correlaciones cruzadas aportan la misma informaci on , pudiendose calcular la
una a partir de la otra.
La correlaci on est a relacionada con la convoluci on de la siguiente manera:
r
xy
(l) = x(l) y (l)
Por lo tanto se puede utilizar el algoritmo de la convoluci on para el c alculo de
la correlaci on cruzada. En Matlab se tiene una funci on xcorr(x,y) que realiza la
correlaci on de dos funciones x e y:
Ejemplo 2.18: Relaci on entre convoluci on y correlaci on.
x = [1 2 3];
h = [4 5 6];
%correlacion
xcorr(x,h)
ans =
6 17 32 23 12
%correlacion por medio de convolucion
h=fliplr(h);
conv(x,h)
ans =
6 17 32 23 12
La autocorrelaci on de una funci on est a dada por:
r
xx
(l) =
n=
x(n) x(n l), l = 0, 1, 2,
r
xx
(l) =
n=
x(n +l) x(n), l = 0, 1, 2,
80 CAP
ITULO 2. SE

Funci on en Matlab:
function z=correlacion(x,y)
%Esta funcion dibuja la correlacion entre las funciones x e y.
z=xcorr(x,y);
subplot(311)
stem(x)
ylabel(x(n))
subplot(312)
stem(y)
ylabel(y(n))
subplot(313)
stem(z)
ylabel(rxy(l))
En la gura 2.34 se muestran dos se nales x(n) e y(n) y su correspondiente
correlaci on.
Figura 2.34: Secuencia de correlaci on r
xy
(l) de dos se nales x(n) e y(n).
En la gura 2.35 se muestra una se nal aleatoria con comportamiento estadstico
normal y su respectiva funci on de autocorrelaci on.
0 5 10 15 20 25 30 35 40 45 50
-2
-1
0
1
2
3
x(n)
-50 -40 -30 -20 -10 0 10 20 30 40 50
-20
0
20
40
60
rxx(l)
Figura 2.35: Secuencia de autocorrelaci on r
xx
(l) de una se nal x(n).
2.8.11. Propiedades de las secuencias de autocorrelacion
y correlacion cruzada
Sea una secuencia z(n) el resultado de la combinaci on lineal de dos secuencias
de energa nita x(n) e y(n):
z (n) = ax(n) +by (n l)
Con:
a, b: Constantes.
l: Desplazamiento en el tiempo.
La energa de esta se nal est a dada por:
=
n=
[ax(n) +by (n l)]
2
= a
2
n=
x
2
(n) +b
2
n=
y
2
(n l) + 2ab
n=
x(n) y (n l)
= a
2
r
xx
(0) +b
2
r
yy
(0) + 2abr
xy
(l)
En donde:
r
xx
(0) = E
x
y r
yy
(0) = E
y
Entonces,
a
2
r
xx
(0) +b
2
r
yy
(0) + 2abr
xy
(l) 0 Se nal de energ
ia
Si b = 0:
r
xx
(0)
_
a
b
_
2
+ 2r
xy
(l)
_
a
b
_
+r
yy
(0) 0
82 CAP
ITULO 2. SE

Considerando la anterior como una ecuaci on cuadr atica se tiene:
4
_
r
2
xy
(l) r
xx
(0) r
yy
(0)
0
Ya que r
xy
r
xx
y r
xy
r
yy
(Las dos se nales se parecen menos entre ellas que
lo que se parecen a s mismas).
Entonces,
|r
xy
(l)|
_
r
xx
(0) r
yy
(0) =
_
E
x
E
y
Si y(n) = x(n):
|r
xx
(l)| r
xx
(0) = E
x
Esto implica que la correlaci on alcanza su valor m aximo para un retardo cero.
Por otra parte, si una se nal se escala en una cantidad su correlaci on lo
hace en la misma proporci on pero no cambia su forma, y por lo tanto en algu-
nas ocasiones es conveniente normalizar, tal que la autocorrelaci on normalizada
est a dada por:
xx
(l) =
r
xx
(l)
r
xx
(0)
Y la correlaci on cruzada normalizada es:
xy
(l) =
r
xy
(l)
_
r
xx
(0) r
yy
(0)
De las dos ecuaciones anteriores se puede concluir:
|
xx
(l)| 1 y |
xy
(l)| 1
Otra propiedad de la correlaci on:
r
xy
(l) = r
yx
(l) r
xx
(l) = r
xx
(l)
O sea que la autocorrelaci on es una funci on par y por tanto s olo es necesario
calcular r
xx
(l) para l 0.
2.8.12. Autocorrelacion y correlacion cruzada de secuen-
cias de potencia
Si x(n) e y(n) son secuencias de potencia, la correlaci on cruzada entre ellas
es:
r
xy
(l) = lm
M
1
2M + 1
M
n=M
x(n) y (n l)
Adem as, la autocorrelaci on de x(n):
r
xx
(l) = lm
M
1
2M + 1
M
n=M
x(n) x(n l)
Si x(n) e y(n) son se nales peri odicas de perodo N, los promedios sobre un
intervalo innito coinciden con los promedios tomados sobre un intervalo de
longitud N, luego, en este caso:
r
xy
(l) =
1
N
N1
n=0
x(n) y (n l)
r
xx
(l) =
1
N
N1
n=0
x(n) x(n l)
Ambas secuencias son peri odicas de perodo N, lo que sirve para identicar
periodicidades en secuencias contaminadas con ruido.
y (n) = x(n) +w(n)
En donde w(n) es una se nal aleatoria.
La autocorrelaci on de y(n) est a dada por:
r
yy
(l) = r
xx
(l) +r
xw
(l) +r
wx
(l) +r
ww
(l)
En este caso, las correlaciones r
xw
(l), r
wx
(l) son iguales y adem as muy peque nas,
ya que no hay mucho parecido entre x(n) y w(n), adem as r
ww
(l) tendr a un pico
en l = 0 y tender a r apidamente a cero por su naturaleza aleatoria, por tanto
r
xx
(l) ser a aproximadamente peri odica y exhibir a picos en l = 0, N, 2N, .
Si s olo se observan M muestras de la se nal y(n), la amplitud de los picos dis-
minuir a a medida que l tienda a M ya que muchos productos de x(n)x(nl) se
har an cero, luego se debe evitar calcular r
yy
(l) para valores grandes de l
_
l >
M
2
_
.
En la gura 2.36 se observan una se nal peri odica contaminada con ruido y
sus respectivas autocorrelaciones.
84 CAP
ITULO 2. SE

Figura 2.36: Correlaci on de una secuencia peri odica, una secuencia ruidosa y la
suma de las dos.
2.8.13. Secuencias de correlacion de entrada-salida
Sea un sistema LTI como el que se muestra en la gura 2.37:
Figura 2.37: Diagrama de bloques de un sistema LTI con salida y(n).
y (n) = x(n) h(n)
y (n) =
k=
h(k) x(n k)
La correlaci on entre las se nales de entrada y salida es:
r
yx
(l) = y (l) x(l) = h(l) [x(l) x(l)]
O sea (Ver gura 2.38):
r
yx
(l) = h(l) r
xx
(l)
2.9. PROBLEMAS 85
Figura 2.38: Diagrama de bloques de un sistema LTI con salida r
yx
(n).
Si se reemplaza l por l, se tiene:
r
xy
(l) = h(l) r
xx
(l)
Adem as:
r
yy
(l) = y (l) y (l)
= [h(l) x(l)] [h(l) x(l)]
= [h(l) h(l)] [x(l) x(l)]
= r
hh
(l) r
xx
(l)
Esta correlaci on existe si el sistema es estable. Adem as la estabilidad asegura
que una se nal de entrada de energa (potencia) produce a la salida una se nal de
energa (potencia).
Con l = 0:
r
yy
(0) =
k=
r
hh
(k) r
xx
(k)
Estas relaciones son v alidas tanto para se nales de energa como de potencia.
2.9. Problemas
1. Se tienen las se nales x(n) y f(n), donde f(n) es ruido y x(n) es un se nal
cualquiera. Dise ne un programa que realice la correlaci on cruzada entre
a. x(n) y y(n) = x(n) +f(n) y graque los valores de esta.
b. x(n) y y(n) = x(n) + f(n) y graque los valores de esta, pero con
x(n) peri odica.
c. Por medio de los resultados observados de los puntos (a) y (b) y la
teora de correlaci on, implemente un programa que simule el envi o de
un tono audible y que por medio de su eco (menor amplitud y ruido)
calcule la distancia del punto que lo reejo.
2. Considere un sistema con entrada x(n) y salida y(n). La relaci on entra-
da/salida para el sistema es denido por las siguientes dos propiedades
3
:
i. y(n) ay(n 1) = x(n)
3
OPPENHEIM, Alan y SCHAFER, Roland. Discrete-Time Signal Processing. New Jersey:
Prentice-Hall, 1989. Pg 73
86 CAP
ITULO 2. SE

ii. y(0) = 1
a. Determine si el sistema es invariante en el tiempo.
b. Determine si el sistema es lineal.
c. Asuma que la ecuaci on en diferencias (propiedad i) permanece igual
pero el valor de y(0) tiende a cero. Esto hace cambiar las respuestas
de los puntos (a) y (b)?
3. Considere la siguiente ecuaci on lineal de coecientes constantes
4
:
y(n)
3
4
y(n 1) +
1
8
y(n 2) = 2x(n 1)
Determine y(n) cuando x(n) = (n) y y(n) = 0, n < 0.
4. Sea T un sistema LTI, estable BIBO en reposo con entrada x(n) y salida
y(n). Demuestre que
5
:
a. Si x(n) es peri odica con periodo N [x(n) = x(n+N) para todo n 0],
la salida y(n) tiende una se nal peri odica con el mismo periodo.
b. Si x(n) es acotada y tiende a una constante, la salida tiende tambien
a una constate.
c. Si x(n) es una se nal de energa, la salida y(n) ser tambien una se nal
de energa.
5. Para cada uno de los siguientes sistemas, determine cuales son (1) estables,
(2) causal, (3) lineal, (4) invariante en el tiempo, y (5) sin memoria
6
.
a. T(x(n)) =
n
k=n0
x(k)
b. T(x(n)) =
n+n0
k=nn0
x(k)
c. T(x(n)) = x(n n
0
)
d. T(x(n)) = e
x(n)
e. T(x(n)) = ax(n) +b
f. T(x(n)) = x(n)
g. T(x(n)) = x(n) + 3u(n + 1)
4
5
6
2.9. PROBLEMAS 87
6. Dos sistemas discretos T
1
y T
2
se conectan en serie para formar un nuevo
sistema T. Demuestre si los siguientes enunciados son verdaderos o falsos
7
.
a. si T
1
y T
2
son invariantes en el tiempo, entonces T es invariante en
el tiempo.
b. si T
1
y T
2
son lineales entonces T es lineal.
c. si T
1
y T
2
son lineales e invariantes en el tiempo, entonces, si se
intercambia su orden, el sistema global T no cambia.
d. si T
1
y T
2
son no lineales, entonces T es no lineal.
7. Demuestre
8
a. Que cualquier se nal se puede descomponer en una parte par y una
parte impar.
b. Que la energa (potencia) de una se nal real es igual a la suma de las
energas (potencias) de sus partes par e impar.
8. Demuestre que
9
a. (n) = u(n) u(n 1)
b. u(n) =
n
k=
(k) =
k=0
(n k)
9. Una se nal discreta x(n) se dene como
10
x(n) =
_
_
_
1 +
n
3
, 3 n 1
1 , 0 n 3
0 , en el resto
a. Determine sus valores y dibuje x(n).
b. Dibujen las se nales que resultan si:
1. Prime reejamos x(n) y despues desplazamos la se nal cuatro
muestras.
2. Primero desplazamos x(n) cuatro muestras y despues reejamos
la se nal resultante.
c. Dibuje la se nal x(n + 4).
d. Compare los resultados de los apartados (b) y (c) y deduzca una regla
para obtener x(n +k) de x(n).
7
8
9
10
88 CAP
ITULO 2. SE

e. Puede expresar x(n) en terminos de (n) y u(n)?
10. Determine y(n) cuando la se nal x(n) es
11
x(n) =
_
|n| , 3 n 3
0 , en el resto
a. y(n) = x(n)
b. y(n) = x(n 1)
c. y(n) = x(n + 1)
d. y(n) = x(n)
e. x(n) =
1
3
[x(n + 1) +x(n) +x(n 1)]
11. Represente gr acamente las se nales
a. x(n 3)
b. x(n)
c. x(n + 2)
d. x(2n)
Cuando x(n) es la se nal
x(n) = {1 0 1 2 3 4 4 4 4 4}
11
Captulo 3
Transformada Z
La transformada Z tiene los siguientes usos:
Cambia operaciones complicadas por operaciones simples (Por ejemplo,
cambia la convoluci on por un producto).
Soluci on de ecuaciones en diferencias.
Caracterizaci on y analisis de estabilidad de un sistema LTI de acuerdo con
la localizaci on de los polos y los ceros de su funci on de transferencia.
3.1. Transformada Z directa
La transformada Z est a denida de la siguiente forma:
X (z) = Z (x(n))
=
n=
x(n) z
n
En donde z es una variable compleja, dada por:
z = re
j
Esta relaci on se simboliza como un par transformado de la siguiente manera:
x(n)
Z
X(z)
Por ser una serie innita de potencias es posible que la transformada no conver-
ja o que solamente lo haga para algunos valores de z; Se habla entonces de la
regi on de convergencia (ROC) como aquella regi on del plano z en donde X(z)
es nita.
Ejemplos 3.1: La secuencia
x
1
(n) = {1, 2, 5, 7, 0, 1}
89
90 CAP
ITULO 3. TRANSFORMADA Z
Tiene una transformada z dada por:
X
1
(z) = 1 + 2z
1
+ 5z
2
+ 7z
3
+z
5
De esta expresi on se concluye que la ROC es todo el plano z excepto, z = 0.
Igualmente la secuencia
x
2
(n) = {1, 2, 5, 7, 0, 1}

X
2
(z) = z
2
+ 2z + 5 + 7z
1
+z
3
Con una ROC dada por todo el plano z excepto, z = 0 y z = . De manera
similar, la secuencia
x
3
(n) = (n)
X
3
(z) =
n=
(n) z
n
= 1
En este caso la ROC es todo el plano z. Para la secuencia
x
4
(n) = (n k)
La transformada z se puede escribir como:
X
4
(z) = z
k
Con una ROC dada por todo el plano z, excepto z = 0.
Se concluye entonces, que las secuencias de duraci on nita tienen una ROC
en todo el plano z excepto quiz a en z = 0 y/o z = .
La transformada z es una manera alternativa de representar a x(n) porque
los coecientes del polinomio en z son los valores de x(n) en todo n, y el expo-
nente de z indica el valor de muestra del coeciente.
Ejemplo 3.2: La secuencia x(n) =
n
(n) tiene una transformada z.
X (z) =
n=0
n
z
n
=
n=0
_
z
1
_
n
=
n=0
(r)
n
3.1. TRANSFORMADA Z DIRECTA 91
Esta expresi on es la suma de una serie geometrica, que se puede hallar as:
S =
n=0
(r)
n
= lm
n
_
1 +r +r
2
+ +r
n
_
r S = lm
n
_
r +r
2
+ +r
n+1
_
S r S = lm
n
_
1 r
n+1
_
En denitiva,
S = lm
n
_
1 r
n+1
1 r
_
La cual converge si |r| < 1.
O sea que
X (z) =
1
1 z
1
Siempre y cuando,
z
1
< 1
|| < |z|
|z| > ||
La regi on de convergencia es aquella en donde |z| > ||.
Ejemplo 3.3: Si = 0,7, el gr aco de polos y ceros de X(z) es el que se muestra
en la gura 3.1.
-1 -0.5 0 0.5 1
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Real Part
I
m
a
g
i
n
a
r
y
P
a
r
t
Diagrama de polos y ceros de la transformada Z
Figura 3.1: Diagrama de polos y ceros para X(z) con = 0,7.
92 CAP
En este caso la regi on de convergencia es la parte externa del crculo que pasa
por el polo en z = 0,7, por la condici on |z| > ||.
Para construir este gr aco se utiliz o la funci on de Matlab zplane(B,A) en donde
B contiene los coecientes del numerador y A contiene los coecientes del de-
nominador de la transformada z, suponiendo que dicha transformada este dada
como una raz on de polinomios.
La siguiente funci on construida en Matlab permite dibujar la supercie de la
transformada Z:
Funci on en Matlab: Esta funci on dibuja la supercie de la magnitud de la trans-
formada Z, se debe introducir la funci on X(z) entre comillas simples y las di-
mensiones del rectangulo donde se dibujar a la supercie a y b.
function []=superficie(X,a,b)
x=-a:0.05:a;
y=-b:0.05:b;
M=length(y);
L=length(x);
z=zeros(L,M);
for i=1:L
for k=1:M
z(i,k)=[x(i)+j*y(k)];
end
end
surf(real(z),imag(z),abs(eval(X)))
La supercie de la magnitud de la transformada Z en el ejemplo anterior
calculada con esta funci on queda como se muestra en la gura 3.2. En donde
se observa que dicha magnitud tiende a innito cerca del polo y tiende a cero
cerca del cero de la funci on.
Figura 3.2: Supercie de la magnitud de la transformada Z del ejemplo.
Ejemplo 3.4:
x(n) =
n
(n 1)
X (z) =
1
n=
n
z
n
=
n=1
n
z
n
=
n=1
_
1
z
_
n
= 1
n=0
_
1
z
_
n
= 1
1
1
1
z
para
1
z
< 1
=
1
1 z
1
, ROC: |z| < ||
Comparando este resultado con la transformada de la secuencia x(n) =
n
(n)
se puede concluir, entonces, que aunque las dos secuencias son diferentes, sus
transformadas son identicas, excepto por la regi on de convergencia que, en este
caso, es el interior del crculo de radio r < ||. Esto nos indica que la trans-
formada z no especica de manera unica a una secuencia a no ser que vaya
acompa nada de su regi on de convergencia.
Tambien se puede concluir que la regi on de convergencia de una secuencia causal
es el exterior de un crculo y la de una secuencia anticausal es el interior de este.
En un caso m as general, si se tiene una secuencia x(n) bilateral, con z = re
j
,
94 CAP
entonces:
X (z) =
n=
x(n) z
n
X (z) =
n=
x(n) r
n
e
jn
|X (z)| =
n=
x(n) r
n
e
jn
n=
x(n) r
n
e
jn
n=
x(n) r
n
O sea que X(z) existe si x(n)r

n
es absolutamente sumable. De manera equi-
valente:
|X (z)|
1
n=
x(n) r
n
n=0
x(n) r
n
n=1
|x(n) r
n
|
. .
(1)
+
n=0
x(n) r
n
. .
(2)
Para que (1) converja deben existir valores de r lo sucientemente peque nos
para que la secuencia x(n)r
n
sea absolutamente sumable (Es decir, el interior
de un crculo de radio r
1
, ver gura 3.3).
-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
Regin de convergencia
Real(z)
Imag(z)
r1
Figura 3.3: Regi on de convergencia para la secuencia x(n)r
n
.
Para que (2) converja deben existir valores de r lo sucientemente grandes (Es
decir, el exterior de un crculo de radio r
2
, ver gura 3.4) para que x(n)r
n
(o
x(n)r
n
) sea absolutamente sumable.
-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
Real(z)
Imag(z)
r2
Figura 3.4: Regi on de convergencia para la secuencia x(n)r
n
.
Si r
1
> r
2
la regi on de convergencia ser a un anillo, ver gura 3.5.
-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
Real(z)
Imag(z)
Figura 3.5: Regi on de convergencia en anillo, con r
1
> r
2
.
Si r
1
< r
2
no existir a una regi on de convergencia y por tanto X(z) tampoco
existir a.
96 CAP
Como conclusi on, la ROC de una secuencia bilateral innita es un anillo. Adem as
si una secuencia es la superposici on de varias secuencias, la ROC resultante es
la intersecci on de las ROC individuales.
Por ejemplo la secuencia:
x(n) =
n
(n) +
n
(n 1)
X (z) =
1
1 z
1

1
1 z
1
De lo anterior se puede concluir que:
Si || < || no hay regi on de convergencia y por tanto X(z) no converge.
Por el contrario, si || > ||, entonces:
X (z) =
1
1 z
1

1
1 z
1
, ROC: || |z| ||
3.2. Transformada Z inversa
De manera te orica la transformada z inversa puede hallarse de la siguiente
manera:
X (z) =
k=
x(k) z
k
Multiplicando por z
n1
:
X (z) z
n1
=
k=
x(k) z
n1k
Integrando alrededor de una lnea que rodea la regi on de convergencia, se tiene:
_
c
X (z) z
n1
dz =
_
c
k=
x(k) z
n1k
dz
=
k=
x(k)
_
c
z
n1k
dz
La integral de lnea debe evaluarse en una trayectoria cerrada dentro de la re-
gi on de convergencia.
Por el teorema integral de Cauchy:
1
2j
_
c
z
n1k
dz =
_
1, para k = n
0, para k = n
3.3. PROPIEDADES DE LA TRANSFORMADA Z 97
O sea, en denitiva:
_
c
X (z) z
n1
dz = 2jx(n)
A manera de prueba, se tiene que:
_
c
z
1
dz = ln (z)
= ln
_
re
j
_
= j|
=0
=2
+ ln (r)|
r=r1
r=r1
= 2j
Adem as,
_
c
z
n1k
dz =
z
nk
n k
=
r
nk
e
j(nk)
n k
=2
=0
= 0
Para encontrar la transformada z inversa normalmente no se usa el procedimien-
to de evaluar la integral cerrada visto previamente, sino un metodo derivado de
este y tablas, como se ver a m as adelante.
3.3. Propiedades de la transformada Z
3.3.1. Linealidad
Si:
x
1
(n)
Z
X
1
(z)
x
2
(n)
Z
X
2
(z)
Entonces:
x(n) = ax
1
(n) + bx
2
(n)
Z
X(z) = aX
1
(z) +bX
2
(z)
98 CAP
Ejemplo 3.5:
x(n) = [3 (2
n
) 4 (3
n
)] (n)
x
1
(n) = 2
n
(n)
Z
X
1
(z) =
1
1 2z
1
, ROC: | z | > 2
x
2
(n) = 3
n
(n)
Z
X
2
(z) =
1
1 3z
1
, ROC: | z | > 3
X (z) = 3X
1
(z) 4X
2
(z)
=
3
1 2z
1

4
1 3z
1
, ROC: | z | > 3
Ejemplo 3.6: Desarrollo del ejemplo anterior en Matlab donde x(n) = [3(2
n
)
4(3
n
)]u(n).
%se define n como simbolo
syms n
x1 = (2^n);
%se hace la tranformada z
simplify(ztrans(x1))
ans =
z/(z-2)
x2 = (3^n);
ans =
z/(z-3)
X = 3*x1 - 4*x2;
%se comprueba la linealidad
simplify(ztrans(X))
ans =
-z*(z+1)/(z-2)/(z-3)
Ejemplo 3.7:
x(n) = cos (
0
n) (n)
=
1
2
_
e
j0n
+e
j0n
_
(n)
Pero,
e
j0n
(n)
Z
1
1 e
j0
z
1
, ROC: | z | > 1
e
j0n
(n)
Z
1
1 e
j0
z
1
, ROC: | z | > 1
X (z) =
1
2
1 e
j0
z
1
+
1
2
1 e
j0
z
1
, | z | > 1
=
1 z
1
cos (
0
)
1 2z
1
cos (
0
) +z
2
, | z | > 1
Ejemplo 3.8: Desarrollo del ejemplo anterior en Matlab donde x(n) =
cos(wn)u(n).
%se definen n e w como simbolos
syms e w n
x1 = exp(j*w*n);
ans =
-z/(-z+exp(i*w))
x2 = exp(-j*w*n);
ans =
-z/(-z+exp(-i*w))
X = cos(w*n);
%se comprueba la linealidad
simplify(ztrans(X))
ans =
(-z+cos(w))*z/(-z^2+2*z*cos(w)-1)
Ejemplo 3.9:
x(n) = sen (
0
n) (n)
=
1
2j
_
e
j0n
e
j0n
_
(n)
X (z) =
1
2j
1 e
j0
z
1

1
2j
1 e
j0
z
1
, | z | > 1
=
z
1
sen(
0
)
1 2z
1
cos (
0
) +z
2
, | z | > 1
3.3.2. Retardo temporal
Si,
x(n)
Z
X (z)
Entonces,
x(n k)
Z
z
k
X (z)
100 CAP
La ROC es igual que la de X (z) excepto para z = 0, si k > 0 o z = , si k < 0.
Ejemplo 3.10: La transformada Z del pulso
x(n) =
_
1, para 0 n N 1
0, otro caso
Se puede calcular a partir de la transformada del escal on unidad, as:
x(n) = (n) (n N)
X (z) = Z ((n)) Z ((n N))
= Z ((n)) z
N
Z ((n))
=
_
1 z
N
_
Z ((n))
Y por tanto se concluye que:
X (z) =
_
1 z
N
_
(1 z
1
)
, ROC: |z| > 1
3.3.3. Escalado en el dominio de Z
Si,
x(n)
Z
X (z) , ROC: r
1
|z| r
2
Entonces,
a
n
x(n)
Z
X
_
a
1
z
_
, ROC: |a| r
1
|z| |a| r
2
Con a constante real o compleja.
Z (a
n
x(n)) =
n=
x(n)
_
a
1
z
_
n
= X
_
a
1
z
_
, r
1

a
1
z
r
2
,
o sea: |a| r
1
|z| |a| r
2
Como
a = r
0
e
j0
, z = re
j
Entonces
a
1
z =
r
r
0
e
j(0)
Lo cual produce diferentes efectos sobre la transformada dependiendo de r
0
:
r
0
> 1: Contracci on y rotaci on.
r
0
< 1: Expansi on y rotaci on.
r
0
= 1: Rotaci on unicamente.
Ejemplo 3.11: Como un ejemplo del escalado, la transformada de la secuencia
x(n) = a
n
cos (
0
n) (n)
Estar a dada por:
X (z) =
1 az
1
cos
0
1 2az
1
cos
0
+a
2
z
2
, |z| > |a|
3.3.4. Inversi on temporal
Si,
x(n)
Z
X (z) , ROC: r
1
|z| r
2
Entonces:
x(n)
Z
X
_
z
1
_
, ROC:
1
r
2
|z|
1
r
1
Ejemplo 3.12: Para hallar la transformada z de la se nal
x(n) = (n)
Se utiliza el par transformado:
(n)
Z
1
1 z
1
, ROC: |z| > 1
Se tiene, entonces, que:
(n)
Z
1
1 z
, ROC: |z| < 1
3.3.5. Diferenciaci on en Z
Si,
x(n)
Z
X (z) , ROC: r
1
|z| r
2
Entonces,
nx(n)
Z
z
dX (z)
dz
Ejemplo 3.13:
x(n) = na
n
(n)
Z
az
1
(1 az
1
)
2
, ROC: |z| > a
102 CAP
Ejemplo 3.14: Desarrollo del ejemplo anterior en Matlab.
%se define n como simbolo
syms n
x = a^n;
trans_x = simplify(ztrans(x))
trans_x =
-z/(-z+a)
%se aplica la propiedad
-z*simplify(diff(trans_x))
ans =
z*a/(-z+a)^2
%se hace el cambio desde n
x1 = n*a^n;
%se comprueba la diferenciacion
trans_x1 = simplify(ztrans(x1))
trans_x1 =
z*a/(-z+a)^2
%se hace el proceso inverso (de z a n)
f = a*z^(-1)/(1-a*z^(-1))^2;
simplify(iztrans(f))
ans =
n*a^n
3.3.6. Convoluci on de dos secuencias
Si,
x
1
(n)
Z
X
1
(z)
x
2
(n)
Z
X
2
(z)
Entonces:
x(n) = x
1
(n) x
2
(n)
Z
X (z) = X
1
(z) X
2
(z)
La transformada Z cambia la operaci on de convoluci on entre dos secuencias por
el producto de sus respectivas transformadas.
Ejemplo 3.15:
x
1
(n) = {1, 2, 1}
Z
X
1
(z) = 1 2z
1
+z
2
x
2
(n) =
_
1, 0 n 5
0, otro caso
_
Z
X
2
(z) = 1 +z
1
+z
2
+z
3
+z
4
+z
5
Realizando el producto de las dos transformadas
X (z) = X
1
(z) X
2
(z)
Se tiene entonces,
1 +z
1
+z
2
+z
3
+ z
4
+z
5
1 2z
1
+z
2
1 + z
1
+ z
2
+ z
3
+ z
4
+ z
5
2z
1
2z
2
2z
3
2z
4
2z
5
2z
6
z
2
+ z
3
+ z
4
+ z
5
+ z
6
+ z
7
1 z
1
z
6
+ z
7
Luego:
X (z) = 1 z
1
z
6
+z
7
La convoluci on de las dos secuencia estar a dada entonces por:
x(n) = {1, 1, 0, 0, 0, 0, 1, 1}
De acuerdo con este resultado, la relaci on entrada-salida de un sistema LTI
estar a dada por:
Y (z) = H (z) X (z)
En donde H(z) es la transformada de la respuesta al impulso y se denomina
funci on de transferencia del sistema.
Ejemplo 3.16: Desarrollo del ejemplo anterior en Matlab
%se define z como simbolo
syms z
%se definen las funciones en n y en z
x1 = [1, -2 1];
X1 = [1,-2*z^(-1),z^(-2)];
x2 = ones(1,6);
X2 = 1+z^(-1)+z^(-2)+z^(-3)+z^(-4)+z^(-5);
%se hace la comvolucion
c = conv (x1,x2)
c =
1 -1 0 0 0 0 -1 1
%se hace la multiplicacion en z para comprobar la propiedad
XT = simplify(X1(1,1)*X2);
XT = simplify(XT + X1(1,2)*X2);
XT = simplify(XT + X1(1,3)*X2)
XT =
(z^7-z^6-z+1)/z^7
104 CAP
3.3.7. Multiplicaci on de dos secuencias
Si,
x
1
(n)
Z
X
1
(z)
x
2
(n)
Z
X
2
(z)
Entonces:
x(n) = x
1
(n) x
2
(n)
Z
X(z) =
1
2j
_
c
X
1
(v) X
2
_
z
v
_
v
1
dv
De tal manera que, si X
1
(v) converge para r
1l
|v| r
1u
y X
2
(z) converge
para r
2l
|z| r
2u
.
Entonces X
2
(z/v) converge para r
2l
|z/v| r
2u
, y por lo tanto la regi on
de convergencia de X(z) es como mnimo r
1l
r
2l
|z| r
1u
r
2u
.
Si, adem as,
x(n) = x
1
(n) x
2
(n)
Entonces,
X (z) =
1
2j
_
c
X
1
(v) X
2
_
z
_
v
1
dv
3.3.8. Relaci on de Parseval
n=
x
1
(n) x
2
(n) =
1
2j
_
c
X
1
(v) X
2
_
1
v
_
v
1
dv
Siempre que r
1l
r
2l
< 1 < r
1u
r
2u
.
3.3.9. Teorema del valor inicial
Si x(n) es una secuencia causal o sea, x(n) = 0, n < 0 entonces:
x(0) = lm
z
X (z)
X (z) =
n=0
x(n) z
n
= x(0) +x(1) z
1
+
Si z , entonces z
n
0 para n > 0.
3.3.10. Correlaci on de dos secuencias
Si,
x
1
(n)
Z
X
1
(z)
x
2
(n)
Z
X
2
(z)
Entonces:
r
x1x2
(l)
Z
R
x1x2
(z) = X
1
(z) X
2
_
z
1
_
Ya que,
r
x1x2
(l) = x
1
(l) x
2
(l)
Ejemplo 3.17: Correlaci on de dos secuencias.
%se define z como simbolo
syms z
%se definen la funciones en n y en z
x1 = [1, -2 1];
X1 = [1,-2*z^(-1),z^(-2)];
x2 = ones(1,3);
X2 = 1+z^(-1)+z^(-2);
%se hace la correlacion
c = int8(xcorr(x1,x2))
c =
1 -1 0 -1 1
%se aplica la propiedad
X2 = simplify(X2*z^5)
X2 =
(z^2+z+1)*z^3
% se hace la multiplicacion para comprobar la propiedad
XT = simplify(X1(1,1)*X2);
XT = simplify(XT + X1(1,2)*X2);
XT = simplify(XT + X1(1,3)*X2)
XT =
z^5-z^4-z^2+z
106 CAP
3.4. Transformadas Z racionales
Algunas transformadas, incluyendo la funci on de transferencia de sistemas
LTI, se pueden expresar como el cociente de dos polinomios:
X (Z) =
N (Z)
D(Z)
=
b
0
+b
1
z
1
+b
2
z
2
+ +b
M
z
M
a
0
+a
1
z
1
+a
2
z
2
+ +a
N
z
N
=
M
k=0
b
k
z
k
N
k=0
a
k
z
k
El comportamiento de la funci on en el tiempo x(n) correspondiente a la trans-
formada X(z), depende de las races de los polinomios del numerador y del
denominador, como se analizar a a continuaci on:
Se denen los ceros de X(z) como los valores de z para los cuales X(z) = 0
(races del numerador) y los polos de X(z) como los valores de z para los cuales
X(z) = (races del denominador).
Se pueden evitar las potencias negativas, suponiendo que a
0
y b
0
son diferentes
de cero, sacando factor com un b
0
z
M
y a
0
z
N
:
X (z) =
b
0
z
M
a
0
z
N

Z
M
+
_
b1
b0
_
z
M1
+ +
_
bM
b0
_
Z
N
+
_
a1
a0
_
z
N1
+ +
_
aN
a0
_
De tal manera que se puede expresar la transformada como una serie de factores
o races tanto en el numerador como en el denominador:
X (z) =
b
0
a
0
z
(M+N)
(z z
1
) (z z
2
) (z z
M
)
(z P
1
) (z P
2
) (z P
N
)
O, de manera equivalente:
X (z) = Gz
(NM)
k=1
(z z
k
)
N
k=1
(z p
k
)
En este caso se tienen:
3.4. TRANSFORMADAS Z RACIONALES 107
M ceros.
N polos.
|N M| ceros o polos en el origen.
Un cero en z = , si X() = 0 y un polo en z = 0, si X(0) = .
Igual n umero de polos y ceros.
Las transformadas z racionales pueden representarse mediante un diagrama de
polos (Que normalmente se representan por una X) y ceros (Representados por
una O), indic andose la multiplicidad por un n umero al lado del polo o del cero.
Por denici on la regi on de convergencia no puede contener polos.
Ejemplo 3.18: Determinar el diagrama de polos y ceros de la se nal:
x(n) = a
n
u (n) , a > 0
La transformada Z de esta secuencia, est a dada por:
X (z) =
1
1 az
1
=
z
z a
, ROC: |z| > |a|
Ejemplo 3.19: Desarrollo del ejemplo anterior en Matlab.
syms a n z
x = a^n;
z = simplify(ztrans(x))
z =
-z/(-z+a)
%De acuerdo a lo anterior si a=1 se tiene (grafica)
zplane(0,1)
En la gura 3.6 se puede observar el diagrama de polos y ceros correspondiente
a esta transformada.
108 CAP
-1 -0.5 0 0.5 1
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Diagrama de polos y ceros
Real(z)
Imag(z)
Figura 3.6: Diagrama de polos y ceros para X(z) con ROC: |z| > |a|.
En la gura 3.7 se observa el gr aco de la magnitud de dicha transformada:
Figura 3.7: Gr aco de la magnitud de la transformada Z del ejemplo.
Ejemplo 3.20: Determinar el diagrama de polos y ceros de la se nal:
x(n) =
_
a
n
, 0 n M 1
0 , el resto
3.4. TRANSFORMADAS Z RACIONALES 109
La correspondiente transformada z estar a dada por:
X (z) =
M1
n=0
a
n
z
n
X (z) =
M1
n=0
_
az
1
_
n
Lo que corresponde a la suma de una serie geometrica dada por:
X (z) =
1
_
az
1
_
M
1 az
1
O, de manera equivalente:
X (z) =
z
M
a
M
z a

z
z
M
Se puede concluir que esta funci on tiene M ceros en z
k
= ae
j
k
= ae
j2k
M
, k =
0, 1, 2, , M 1 Ya que si:
z = re
j
Entonces:
z
M
= a
M
Y por tanto, habra M raices distintas
r
M
e
jM
k
= a
M
r = a M
k
= 2k

k
=
2k
M
El cero en z = a se cancela con el polo en z = a.
Finalmente,
X (z) =
(z z
1
) (z z
2
) (z z
M1
)
z
M1
M 1 ceros en z = z
k
.
M 1 polos en Z = 0.
Suponiendo como un caso particular que M = 8:
110 CAP
Se tienen siete ceros en:
z
k
= ae
j
2k
8
, k = 1, 2, , 7
z
1
= ae
j
4
z
2
= ae
j
2
z
3
= ae
j
3
4
z
4
= ae
j
z
5
= ae
j
5
4
z
6
= ae
j
3
2
z
7
= ae
j
7
4
Adem as se tienen siete polos en z = 0.
El diagrama de polos y ceros para X(z) se observa en la gura 3.8:
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
Diagrama de polos y ceros
Real(z)
I
m
a
g
(
z
)
m = 7
Figura 3.8: Diagrama de polos y ceros para X(z) con M = 8
Si se tiene el diagrama de polos y ceros, entonces se puede determinar
X(z) excepto para el factor de escala G.
3.5. Relaci on entre los polos y el comportamien-
to temporal
El comportamiento en el tiempo de una se nal causal depende tanto del
n umero de polos de su transformada z, como de la localizaci on de estos.
3.5. RELACI
ON ENTRE POLOS Y COMPORTAMIENTO TEMPORAL111

3.5.1. Un solo polo
La unica que lo tiene es la transformada de la exponencial real.
x(n) = a
n
(n)
Z
X (z) =
1
1 az
1
, ROC: | z | > a
Ejemplo 3.21: Un polo en Matlab.
syms n a
x = a^n
simplify(ztrans(x))
ans =
-z/(-z+a)
Esta transformada tiene un polo en z = a, ver guras 3.9 a 3.14.
|a| < 1 y a positiva:
Figura 3.9: (a) Diagrama de polos y ceros para X(z) con |a| < 1, a positiva. (b)
Comportamiento temporal de la se nal.
112 CAP
|a| < 1 y a negativa:
Figura 3.10: (a) Diagrama de polos y ceros para X(z) con |a| < 1 y a negativa.
(b) Comportamiento temporal de la se nal.
|a| = 1 y a positiva:
Figura 3.11: (a) Diagrama de polos y ceros para X(z) con |a| = 1 y a positiva.
3.5. RELACI

|a| = 1 y a negativa:
Figura 3.12: ((a) Diagrama de polos y ceros para X(z) con |a| = 1 y a negativa.
|a| > 1 y a positiva:
Figura 3.13: (a) Diagrama de polos y ceros para X(z) con |a| > 1 y a positiva.
114 CAP
|a| > 1 y a negativa:
Figura 3.14: (a) Diagrama de polos y ceros para X(z) con |a| > 1 y a negativa.
3.5.2. Un polo doble
Al multiplicar la exponencial compleja por el tiempo se produce un polo de
orden dos en z = a:
x(n) = na
n
(n)
Z
az
1
(1 az
1
)
2
=
az
1
1 2az
1
+a
2
z
2
=
az
z
2
2az +a
2
Ejemplo 3.22: Un polo doble en Matlab.
syms n a
x = n*a^n;
[N,D]= numden(ztrans(x));
X = N/expand(D)
X =
z*a/(z^2-2*z*a+a^2)
Se puede observar nuevamente el comportamiento en el tiempo de la se nal,
dependiendo de si a es positiva o negativa o si es mayor, igual o menor que uno,
ver guras 3.15 a 3.20.
3.5. RELACI

|a| < 1 y a positiva:
Figura 3.15: (a) Diagrama de polos y ceros para X(z) con |a| < 1, a positiva.
|a| < 1 y a negativa:
Figura 3.16: (a) Diagrama de polos y ceros para X(z) con |a| < 1 y a negativa.
116 CAP
|a| = 1 y a positiva:
Figura 3.17: (a) Diagrama de polos y ceros para X(z) con |a| = 1 y a positiva.
|a| = 1 y a negativa:
Figura 3.18: (a) Diagrama de polos y ceros para X(z) con |a| = 1 y a negativa.
3.5. RELACI

|a| > 1 y a positiva:
Figura 3.19: (a) Diagrama de polos y ceros para X(z) con |a| > 1 y a positiva.
|a| > 1 y a negativa:
Figura 3.20: (a) Diagrama de polos y ceros para X(z) con |a| > 1 y a negativa.
118 CAP
3.5.3. Polos complejos conjugados
La exponencial compleja modulada:
x(n) = a
n
cos (
0
n) (n)
Z
1 a cos
0
z
1
1 2a cos
0
z
1
+a
2
z
2
=
z
2
a cos
0
z
z
2
2a cos
0
z +a
2
Tiene una transformada z con polos complejos conjugados (Ver guras 3.21 a
3.23) situados en:
p
1,2
= a cos
0
jasen
0
Ejemplo 3.23: Polos complejos conjugados en Matlab.
syms n a w
x = a^(n)*cos(w*n);
factor(ztrans(x))
ans =
-(-z+cos(w)*a)*z/(z^2-2*z*cos(w)*a+a^2)
|a| < 1:
Figura 3.21: (a) Diagrama de polos y ceros para X(z) con |a| < 1. (b) Compor-
tamiento temporal de la se nal.
3.5. RELACI

|a| = 1:
Figura 3.22: (a) Diagrama de polos y ceros para X(z) con |a| = 1. (b) Compor-
|a| > 1:
Figura 3.23: (a) Diagrama de polos y ceros para X(z) con |a| > 1. (b) Compor-
120 CAP
3.5.4. Polos dobles complejos conjugados
La siguiente funci on tiene una transformada Z que tiene polos complejos
conjugados:
x(n) = na
n
cos
0
nu (n)
X (z) =
a cos
0
z
1
2a
2
z
2
+a
3
cos
0
z
3
(1 2a cos
0
z
1
+a
2
z
2
)
2
=
a cos
0
z
3
2a
2
z
2
+a
3
cos
0
z
(z
2
2a cos
0
z +a
2
)
2
=
a cos
0
z
3
2a
2
z
2
+a
3
cos
0
z
z
4
4a cos
0
z
3
+ 2a
2
(1 + 2 cos
2
0
) z
2
4a
3
cos
0
z +a
4
Ejemplo 3.24: Polos dobles complejos conjugados.
syms n a w
x = n*a^(n)*cos(w*n)
factor(ztrans(x))
ans =
z*a*(z^2*cos(w)-2*z*a+cos(w)*a^2)/(z^2-2*z*cos(w)*a+a^2)^2
En este caso, ver guras 3.24 a 3.26, se tiene un par de polos complejos conju-
gados dobles en:
p
1,2
= a cos
0
jasen
0
Los ceros:
z
1
= 0
z
2,3
=
2a (1 sen
0
)
cos
0
z
4
=
3.5. RELACI

|a| < 1.
Figura 3.24: (a) Diagrama de polos y ceros para X(z) con |a| < 1.(b) Compor-
|a| = 1.
Figura 3.25: (a) Diagrama de polos y ceros para X(z) con |a| = 1.(b) Compor-
122 CAP
|a| > 1.
Figura 3.26: (a) Diagrama de polos y ceros para X(z) con |a| > 1.(b) Compor-
Los diagramas anteriores de polos y ceros fueron hechos en Matlab con la fun-
ci on zplane(N,D), en donde N es el vector de coecientes del numerador de la
transformada Z racional y D es el vector de coecientes del denominador de la
misma transformada.
Los diagramas de respuesta en el tiempo se realizaron con la funci on impz(N,D),
en donde N y D son los mencionados en el p arrafo anterior.
3.6. La funci on de transferencia de un sistema
LTI
Un sistema LTI tiene una relaci on entrada salida descrita por la relaci on de
convoluci on:
y (n) = x(n) h(n)
Z
Y (z) = X (z) H (z)
De tal manera que la funci on de transferencia est a dada por:
H (z) =
Y (z)
X (z)
Esto signica que al igual que la relaci on de convoluci on describe completamente
al sistema, tambien lo har a su funci on de transferencia H(z).
Si, por otro lado, se describe la relaci on entrada-salida del sistema por una
3.6. LA FUNCI
ON DE TRANSFERENCIA DE UN SISTEMA LTI 123

ecuaci on en diferencias de coecientes constantes:
y (n) =
N
k=1
a
k
y (n k) +
M
k=0
b
k
x(n k)
Y (z) =
N
k=1
a
k
Y (z) z
k
+
M
k=0
b
k
X (z) z
k
Y (z)
_
1 +
N
k=1
a
k
z
k
_
= X (z)
M
k=0
b
k
z
k
Lo que da una funci on de transferencia dada por:
H (z) =
M
k=0
b
k
z
k
1 +
N
k=1
a
k
z
k
=
M
k=0
b
k
z
k
N
k=0
a
k
z
k
, a
0
1
Se puede concluir, entonces, que la funci on de transferencia de un sistema LTI
descrito por una ecuaci on en diferencias de coecientes constantes es una fun-
ci on racional y por tanto, puede aplic arsele el an alisis realizado previamente en
cuanto a la ubicaci on de los polos y los ceros y el respectivo comportamiento
temporal, de tal manera que un sistema LTI causal que tenga polos por fuera
del circulo unitario es inestable debido a que su respuesta al impulso crece in-
denidamente y por lo tanto no es absolutamente sumable y viceversa, si un
sistema causal tiene los polos de su funci on de transferencia dentro de la cir-
cunferencia unitaria ser a estable porque su respuesta al impulso decrece con el
tiempo y es absolutamente sumable.
Ejemplo 3.25: Determinar la funci on de transferencia de un sistema LTI ca-
racterizado por la ecuaci on en diferencias:
y (n) =
1
2
y (n 1) + 2x(n)
La transformada Z de esta ecuaci on en diferencias es:
Y (z) =
1
2
Y (z) z
1
+ 2X (z)
Y, por tanto la funci on de transferencia estar a dada por:
H (z) =
2
1
1
2
z
1
De acuerdo con lo visto en ejemplos anteriores, la respuesta al impulso del
sistema estar a dada por:
h(n) = 2
_
1
2
_
n
u (n)
124 CAP
El diagrama de polos y ceros y la respuesta al impulso de este sistema se muestra
en la gura 3.27:
Figura 3.27: (a) Diagrama de polos y ceros para H(z).(b)Respuesta al impulso
del sistema.
3.7. Causalidad y estabilidad
Un sistema LTI causal es aquel que tiene una respuesta al impulso
h(n) = 0, n < 0
Esto implica que la ROC est a por fuera de un crculo, incluyendo z = . Si el
sistema es estable debe cumplir que su respuesta al impulso sea absolutamente
sumable, o sea:
n=0
|h(n)| <
Pero,
H (z) =
n=
h(n) z
n
|H (z)|
n=
h(n) z
n
n=
|h(n)|
z
n
Cuando esta expresi on se eval ua en la circunferencia unidad (|z| = 1), se tiene:

|H (z)|
n=
|h(n)|
3.7. CAUSALIDAD Y ESTABILIDAD 125
Luego, si el sistema es estable la circunferencia unidad est a contenida dentro
de la ROC de H(Z). Adem as, si el sistema es causal debe tener los polos de
su funci on de transferencia dentro de una circunferencia, esto quiere decir, en
denitiva, que para que un sistema LTI sea estable y causal, los polos de su fun-
ci on de transferencia deben estar contenidos dentro de la circunferencia unidad.
Ejemplo 3.26: ejemplo 3.6.3 tomado de Proakis
1
: Sea,
H (z) =
3 4z
1
1 3,5z
1
+ 1,5z
2
=
3z
2
4z
z
2
3,5z + 1,5
Luego:
H (z) =
3 4z
1
_
1
1
2
z
1
_
(1 3z
1
)
=
A
_
1
1
2
z
1
_ +
B
(1 3z
1
)
=
1
_
1
1
2
z
1
_ +
2
(1 3z
1
)
Esta expansi on en fracciones simples se puede realizar en Matlab utilizando la
funci on residuez asi:
a = [3 -4];
b = [1 -3.5 1.5];
[r,p,k] = residuez(a,b)
r =
2
1
p =
3.0000
0.5000
k =
[]
Especique la ROC y determine h(n) para las siguientes condiciones:
1. El sistema es estable.
2. El sistema es causal.
3. El sistema es anticausal.
1
: Prentice Hall, 1998.
126 CAP
Respuesta:
1. ROC:
1
2
< |z| < 3.
La respuesta al impulso:
h(n) =
_
1
2
_
n
(n) 2 (3)
n
(n 1)
2. ROC: |z| > 3.
h(n) =
_
1
2
_
n
(n) 2 (3)
n
(n)
En este caso el sistema es causal pero inestable.
3. ROC: |z| <
1
2
.
h(n) =
_
1
2
_
n
(n 1) 2 (3)
n
(n 1)
Nuevamente el sistema es inestable.
3.8. Inversi on de la transformada Z
El objetivo de hallar la transformada Z inversa es encontrar la funci on en el
tiempo cuya transformada Z se conoce. Como se vio anteriormente, esta funci on
est a dada por:
x(n) =
1
2j
_
c
X (z) z
n1
dz
Pero normalmente no se calcula as, sino por uno de los siguientes tres metodos:
1. Expansi on en series de potencias.
2. Expansi on en fracciones parciales.
3. Aplicando el teorema del residuo de Cauchy.
A continuaci on se analizan cada uno de estos metodos.
3.8. INVERSI
ON DE LA TRANSFORMADA Z 127
3.8.1. Metodo de expansi on en series de potencias
Debido a que X(z) se da normalmente como una raz on de polinomios de la
forma:
X (z) =
b
0
+b
1
z
1
+ +b
M
z
M
a
0
+a
1
z
1
+ + a
N
z
N
Se puede obtener x(n) por inspecci on, luego de realizar la divisi on larga entre el
numerador y el denominador, arreglando estos en potencias descendentes o as-
cendentes de z
1
, lo que conduce a dos tipos de se nales, causales o anticausales.
Ejemplo 3.27:
Sea:
X (z) =
1 + 2z
1
+z
2
1 z
1
+ 0,3561z
2
ROC:
_
|z| < r
1
, Se nal anticausal
|z| > r
1
, Se nal causal
Organizando los polinomios en potencias ascendentes de z
1
se tiene:
1 + 2z
1
+z
2
1 z
1
+ 0,3561z
2
= 1 + 3z
1
+ 3,6439z
2
+ 2,575z
3
+
Esto indica que la funci on es la siguiente:
x(n) = {1, 3, 3,6439, 2,575, }
El gr aco de la funci on se puede hallar usando la funci on lter(B,A,x) o
impz(B,A) y se observa en la gura 3.28:
Figura 3.28: (a) Diagrama de polos y ceros para .(b) Comportamiento temporal
de la se nal.
128 CAP
Organizando los polinomios en potencias descendentes de z
1
se tiene:
z
2
+ 2z
1
+ 1
0,3561z
2
z
1
+ 1
= 2,8082 + 13,5023z + 32,8396z
2
+
Esto nos indica que la funci on en el tiempo es,
x(n) = { , 32,8396, 13.5023, 2.8082}
El gr aco de esta funci on se observa en la gura 3.29:

-6 -5 -4 -3 -2 -1 0
-150
-100
-50
0
50
100
Figura 3.29: Comportamiento temporal de la se nal x(n).
De los resultados anteriores se concluye que dependiendo de la ROC de-
ber a realizarse la divisi on organizando los polinomios en forma ascendente o
descendente de potencias de z
1
.
La divisi on larga se puede realizar recursivamente de la siguiente manera:
x(0) =
a
0
b
0
x(1) =
[a
1
x(0) b
1
]
b
0
x(2) =
[a
2
x(1) b
1
x(0) b
2
]
b
0
O sea,
x(n) =
_
a
n
i=1
x(n i) b
i
_
b
0
, n = 1, 2,
Lo cual se puede implementar en lenguaje C as:
3.8. INVERSI
x[0]= a[0] / b[0]
for(n=1;n<=npt;++n)
{
sum=0;
k=n;
if(n>M) k=M;
for(i=1;i<=k;++i)
{
sum=sum+x[n-i]*b[i];
}
x[n]=( a[n]-sum) / b[0] ;
}
En este programa, M es el orden del polinomio del denominador y npt es
el n umero de puntos de la transformada inversa. Adem as, se asume que ambos
polinomios est an ordenados en potencias ascendentes de z
1
.
3.8.2. Metodo de expansi on en fracciones parciales
En este metodo se expresa la transformada z como una suma de fracciones
parciales simples y se obtiene la transformada inversa de cada una de ellas me-
diante tablas, procediendo luego a sumarlas.
Como se ha dicho previamente, normalmente X(z) es la raz on de dos poli-
nomios:
X (z) =
b
0
+b
1
z
1
+ +b
M
z
M
a
0
+a
1
z
1
+ + a
N
z
N
Si los polos son de primer orden y N = M:
X (z) = B
0
+
C
1
1 p
1
z
1
+
C
2
1 p
2
z
1
+ +
C
M
1 p
M
z
1
= B
0
+
C
1
z
z p
1
+
C
2
z
z p
2
+ +
C
M
z
z p
M
= B
0
+
M
k=1
C
k
z
z p
k
, B
0
=
a
N
b
N
Los C
k
se denominan los residuos de X(z).
Si N < M, entonces B
0
= 0.
Si N > M se debe realizar la divisi on larga hasta que se cumpla que el
polinomio resultante tenga un orden N < M escribiendo el numerador y
el denominador en potencias descendentes de Z
1
.
130 CAP
Los coecientes C
k
se obtienen multiplicando ambos miembros de la ecuaci on
por
zp
k
z
y haciendo z = p
k
, o sea:
C
k
= X (z)
(z p
k
)
z
z=p
k
Si X(z) contiene uno o m as polos de orden m ultiple se requieren termi-
nos extras; por ejemplo, si hay un polo en z = p
k
de m-esimo orden, la
expansi on en fracciones parciales incluye terminos de la forma,
m
i=1
D
i
z
(z p
k
)
i
Es decir,
X (z) = B
0
+
M
k=1
C
k
z
z p
k
+
m
i=1
D
i
z
(z p
k
)
i
. .
Polo de orden m
Los coecientes D
i
se calculan de la siguiente manera:
D
i
=
1
(mi) !
d
mi
dz
mi
_
(z p
k
)
m
X (z)
z
_
z=p
k
Ejemplo 3.28:
X (z) =
z
1
1 0,25z
1
0,375z
2
=
z
z
2
0,25z 0,375
Las races del denominador:
z
1,2
=
0,25
_
0,25
2
4 1 (0,375)
2
Lo que conduce a:
z
1
= 0,75, y
z
2
= 0,5
Estas races tambien se pueden hallar usando el comando roots(c) de Matlab:
Ejemplo 3.29: En Matlab las races se hallan con root()
c=[1 -0.25 -0.375]
R=roots(c)
R =
0.7500
-0.5000
3.8. INVERSI
X (z) =
z
(z 0,75) (z + 0,5)
=
C
1
z
(z 0,75)
+
C
2
z
(z + 0,5)
C
1
=
X (z) (z 0,75)
z
z=0,75
=
1
z + 0,5
z=0,75
= 0,8
Similarmente,
C
2
=
X (z) (z + 0,5)
z
z=0,5
=
1
z 0,75
z=0,5
= 0,8
Luego,
X (z) =
0,8z
(z 0,75)

0,8z
(z + 0,5)
=
0,8
(1 0,75z
1
)

0,8
(1 + 0,5z
1
)
Por los ejemplos vistos previamente, se tiene entonces que:
x(n) = 0,8 [(0,75)
n
(n) (0,5)
n
(n)]
Los residuos se pueden calcular en Matlab con la funci on residuez(A,B), la cual
se describe a continuaci on:
132 CAP
RESIDUEZ Z-transform partial-fraction expansion.
[R,P,K] = RESIDUEZ(B,A) finds the residues, poles and direct terms of the
partial-fraction expansion of B(z)/A(z),
B(z) r(1) r(n)
---- = ------------ +... ------------ + k(1) + k(2)z^(-1) ...
A(z) 1-p(1)z^(-1) 1-p(n)z^(-1)
B and A are the numerator and denominator polynomial coefficients,
respectively, in ascending powers of z^(-1). R and P are column vectors
containing the residues and poles, respectively. K contains the direct
terms in a row vector. The number of poles is
n = length(A)-1 = length(R) = length(P)
The direct term coefficient vector is empty if length(B) < length(A);
otherwise,
length(K) = length(B)-length(A)+1
If P(j) = ... = P(j+m-1) is a pole of multiplicity m, then the expansion
includes terms of the form
R(j) R(j+1) R(j+m-1)
-------------- + ------------------ + ... + ------------------
1 - P(j)z^(-1) (s - P(j)z^(-1))^2 (s - P(j)z^(-1))^m
[B,A] = RESIDUEZ(R,P,K) converts the partial-fraction expansion back to
B/A form.
See also RESIDUE, PRONY, POLY, ROOTS, SS2TF, TF2SS, TF2ZP AND ZP2SS.
En este caso se tiene que:
num=[0 1]
den=[1 -0.25 -0.375]
[R p k]=residuez(num,den)
R =
0.8000
-0.8000
p =
0.7500
-0.5000
k =
[]
3.8. INVERSI
k es un vector vaco debido a que la fracci on es propia.
La funci on en el tiempo x(n) que tiene la transformada X(z) planteada en el
ejercicio (Ver gura 3.30) se puede calcular en Matlab con la funci on impz(B,A),
de la siguiente manera:
IMPZ Impulse response of digital filter
[H,T] = IMPZ(B,A) computes the impulse response of the filter B/A
choosing the number of samples for you, and returns the response in
column vector H and a vector of times (or sample intervals) in T(T = [0
1 2 ...]).
[H,T] = IMPZ(B,A,N) computes N samples of the impulse response.
If N is a vector of integers, the impulse response is computed only at
those integer values (0 is the origin).
[H,T] = IMPZ(B,A,N,Fs) computes N samples and scales T so that samples
are spaced 1/Fs units apart. Fs is 1 by default.
[H,T] = IMPZ(B,A,[],Fs) chooses the number of samples for you and scales
T so that samples are spaced 1/Fs units apart.
IMPZ with no output arguments plots the impulse response using STEM(T,H)
in the current figure window.
See also IMPULSE in the Controls Toolbox for continuous systems.
En este caso, se tiene que:
num=[0 1]
den=[1 -0.25 -0.375]
impz(num,den)
Ejemplo 3.30:
X (z) =
1 + 2z
1
+z
2
1 z
1
+ 0,3561z
2
=
z
2
+ 2z + 1
z
2
z + 0,3561
= B
0
+
C
1
z
z p
1
+
C
2
z
z p
2
Las races del denominador:
134 CAP
0 5 10 15 20 25 30
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Funcin en el tiempo
n
x
(
n
)
Figura 3.30: Funci on x(n) con transformada X (z) =
0,8
(10,75z
1
)

0,8
(1+0,5z
1
)
den=[1 1 0.3562]
roots(den)
ans =
0.5000 + 0.3259i
0.5000 - 0.3259i
-1 -0.5 0 0.5 1
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Real Part
Im
a
g
i
n
a
r
y
P
a
r
t
2
Figura 3.31: Diagrama de polos y ceros de la funci on X (z) =
1+2z
1
+z
2
1z
1
+0,3561z
2
Como se observa en la gura 3.31, los polos son complejos conjugados y pueden
obtenerse con la funci on residuez(num,den):
3.8. INVERSI
[R,P,K]=residuez(num,den)
R =
-0.9037 - 5.9894i
-0.9037 + 5.9894i
P =
0.5000 + 0.3259i
0.5000 - 0.3259i
K =
2.8074
Tambien se puede hallar la expansi on en fracciones simples utilizando el pro-
cedimiento convencional:
X (z) = B
0
+
C
1
z
(z p
1
)
+
C
2
z
(z p
1
)
X (z)
z
=
B
0
z
+
C
1
(z p
1
)
+
C
2
(z p
1
)
En donde,
B
0
=
X (z) z
z
z=0
= 2,81
C
1
=
X (z) (z p
1
)
z
z=p1
=
z
2
+ 2z + 1
z (z p
1
)
z=p1
= 6,0698,58
= 0,9037 j5,9894
C
2
=
X (z) (z p
1
)
z
z=p
1
= 6,0698,58
= 0,9037 +j5,9894
136 CAP
X (z) = 2,81 +
6,06 98,58
1 p
1
z
1
+
6,0698,58
1 p
1
z
1
Lo que conduce a una se nal en el tiempo dada por:
x(n) = 2,81 (n) + (6,0698,58) (p
1
)
n
(n) + (6,0698,58) (p
1
)
n
(n)
x(n) = 2,81 (n) +
_
6,06e
98,58j
_ _
0,596e
33,02j
_
n
(n) +
_
6,06e
98,58j
_ _
0,596e
33,02j
_
n
(n)
x(n) = 2,81 (n) + 6,06 (0,596)
n
2 cos (33,02n 98,58)
Utilizando la funci on impz(num,den) se obtiene la funci on en el tiempo x(n),
ver gura 3.32.
0 2 4 6 8 10 12 14 16 18
-0.5
0
0.5
1
1.5
2
2.5
3
3.5
4
1+2z
1
+z
2
1z
1
+0,3561z
2
.
Ejemplo 3.31:
X (z) =
z
2
(z 0,5) (z 1)
2
En este caso se tiene un polo de orden 2 en z = 1, ver gura 3.33:
X (z)
z
=
C
1
(z 0,5)
+
D
1
(z 1)
+
D
2
(z 1)
2
Utilizando el metodo convencional para hallar el desarrollo en fracciones simples,
se tiene:
C
1
=
X (z) (z 0,5)
z
z=0,5
= 2
3.8. INVERSI
Figura 3.33: Diagrama de polos y ceros de la funci on X (z) =
z
2
(z0,5)(z1)
2
D
1
=
1
(2 1) !
d
21
dz
21
_
(z 1)
2
X (z)
z
_
z=1
=
d
dz
_
z
z 0,5
_
z=1
=
(z 0,5) z
(z 0,5)
2
z=1
=
0,5
0,5
2
= 2
D
2
=
1
(2 2) !
d
22
dz
22
_
X (z) (z 1)
2
z
_
z=1
=
z
z 0,5
z=1
= 2
Luego,
X (z) =
2z
z 0,5

2z
z 1
+
2z
(z 1)
2
X (z) =
2
1 0,5z
1

2
1 z
1
+
2
(1 z
1
)
2
La se nal en el tiempo, ver gura 3.34, est a dada por:
x(n) = 2 (0,5)
n
(n) 2(n) + 2n(n)
138 CAP
0 2 4 6 8 10 12 14
0
5
10
15
20
25
30
n
x
(
n
)
Seal en el tiempo
2
10,5z
1
2
1z
1
+
2
(1z
1
)
2
.
Usando residuez( ), se tiene:
num = [0 1];
den = [1 -2.5 2 -0.5];
[R P K] = residuez(num,den)
R =
-4.0000
2.0000
2.0000
P =
1.0000
1.0000
0.5000
K =
[]
De acuerdo con este resultado la expansi on que se obtiene es la siguiente:
X (z) =
2
1 0,5z
1
+
4
1 z
1
+
2
(1 z
1
)
2
Lo que implica que la se nal en el tiempo est a dada por:
x(n) = 2 (0,5)
n
(n) 4(n) + 2(n + 1)(n + 1)
Se observa que la expresi on resultante en el tiempo es diferente a la obtenida por
el metodo tradicional, pero al simplicarlas son identicas. La se nal resultante
en el tiempo es la misma como se observa en la gura 3.35:
3.8. INVERSI
0 2 4 6 8 10 12 14
0
5
10
15
20
25
30
n
x
(
n
)
2
10,5z
1
4
1z
1
+
2
(1z
1
)
2
.
3.8.3. Metodo del residuo
En este caso se eval ua la integral de contorno:
x(n) =
1
2j
_
c
X (z) z
n1
dz
La curva cerrada c en la que se eval ua esta integral debe encerrar todos los polos
de X(z).
Teorema del residuo de Cauchy
x(n) =
1
2j
_
c
X (z) z
n1
dz
x(n) es igual a la suma de todos los residuos de z
n1
X(z) en todos los polos
dentro de c.
En donde,
Res
_
z
n1
X (z) , p
k
=
1
(m1) !
d
m1
dz
m1
[(z p
k
)
m
F (z)]
z=p
k
, F (z) = z
n1
X (z)
y m es el orden de los polos.
Ejemplo 3.32: Hallar la se nal de tiempo discreto causal correspondiente a:
X (z) =
z
(z 0,75) (z + 0,5)
=
z
1
1 0,25z
1
0,375z
2
140 CAP
Asumir que c es el crculo de |z| = 1
F (z) =
z z
n1
(z 0,75) (z + 0,5)
=
z
n
(z 0,75) (z + 0,5)
F(z) tiene polos en:
z = 0,75
z = 0,5
Luego,
x(n) = Res [F (z) , 0,75] + Res [F (z) , 0,5]
En donde,
Res [F (z) , 0,75] =
1
(1 1) !
z
n
(z 0,75)
(z 0,75) (z + 0,5)
z=0,75
=
(0,75)
n
1,25
= 0,8 (0,75)
n
, n 0
Res [F (z) , 0,5] =
1
(1 1) !
z
n
(z + 0,5)
(z 0,75) (z + 0,5)
z=0,5
=
z
n
(z 0,75)
z=0,5
=
(0,5)
n
1,25
= 0,8 (0,5)
n
, n 0
Luego,
x(n) = 0,8 [0,75
n
(0,5)
n
] (n)
Ejemplo 3.33:
X (z) =
z
2
+ 2z + 1
z
2
z + 0,3561
En este caso,
F (z) =
z
n1
_
z
2
+ 2z + 1
_
(z
2
z + 0,3561)
F (z) =
z
n
_
z
2
+ 2z + 1
_
z (z
2
z + 0,3561)
F(z) tiene polos en:
z
1
= p
1
z
2
= p
1
y en z = 0 cuando n = 0, por lo tanto es necesario considerar los dos casos
separadamente:
3.8. INVERSI
n = 0.
En este caso
F (z) =
z
2
+ 2z + 1
z (z
2
z + 0,3561)
x(0) = Res [F (z) , 0] + Res [F (z) , p
1
] + Res [F (z) , p
1
]
Res [F (z) , 0] =
_
z
2
+ 2z + 1
_
z
z (z
2
z + 0,3561)
z=0
=
1
0,3561
= 2,81
Res [F (z) , p
1
] =
_
z
2
+ 2z + 1
_
(z p
1
)
z (z
2
z + 0,3561)
z=p1
, con p
1
= r
1
e
j1
En donde:
r
1
= 0,5967
1
= 33,08
Al sustituir se tiene:
Res [F (z) , p
1
] = 0,9041 j5,9928
Debido a que p
1
y p
1
son complejos conjugados, entonces
Res [F (z) , p
1
] = 0,9041 +j5,9928
Lo que conduce a:
x(0) = 2,81 0,9041 j5,9928 0,9041 +j5,9928
= 1
n > 0.
En este caso,
F (z) =
z
n
_
z
2
+ 2z + 1
_
z (z
2
z + 0,3561)
S olo se tienen dos polos: p
1
y p
1
.
Los residuos:
Res [F (z) , p
1
] =
z
n
_
z
2
+ 2z + 1
_
(z p
1
)
z (z p
1
) (z p
1
)
z =p1
Res [F (z) , p
1
] =
r
n
1
e
jn1
_
r
2
1
e
j21
+ 2r
1
e
j1
+ 1
_
r
1
e
j1
(r
1
e
j1
r
1
e
j1
)
Res [F (z) , p
1
] =
_
0,5967e
j33,08
_
n
_
6,06e
j98,58
_
=
_
0,5967e
j33,08
_
n
_
6,06e
j98,58
_
142 CAP
Luego,
x(n) = 12,12 (0,5967)
n
cos
_
2 33,08n
360

2 98,58
360
_
3.8.4. Comparaci on entre los tres metodos
La expansi on en series de potencias no da una expresi on cerrada pero
es simple y apropiada para implementar en un computador, aunque, por
su naturaleza iterativa, hay que ser cuidadosos en el c alculo de secuen-
cias largas que pueden dar lugar a acumulaci on de errores y por tanto se
requiere el uso de doble precisi on en los c alculos.
La expansi on en fracciones parciales y el teorema del residuo conducen a
soluciones cerradas pero la principal desventaja es la necesidad de factor-
izar el denominador y si hay polos de orden m ultiple hacer derivadas de
alto orden.
La expansi on en fracciones parciales es util para generar los coecientes
de estructuras en paralelo para ltros digitales. El metodo del residuo es
util en el an alisis de errores de cuantizaci on.
3.9. Transformada Z unilateral
El objetivo de esta transformada es hallar la soluci on a ecuaciones en dife-
rencias con condiciones iniciales distintas de cero.
Se dene de la siguiente manera:
X
+
(z) =
n=0
x(n) z
n
Lo cual se simboliza as:
x(n)
Z
+
X
+
(z)
A pesar de que X
+
(z) se eval ua para n 0 esto no signica necesariamente que
x(n) sea cero para n < 0.
Las siguientes son algunas de las caractersticas de la transformada z unilateral:
No contiene informaci on de x(n) para n < 0.
Es unica s olo para se nales causales.
La ROC es el exterior de un crculo y por tanto no es necesario denir
esta regi on.
3.9. TRANSFORMADA Z UNILATERAL 143
Ejemplos 3.34:
x
1
(n) = {1, 2, 5, 7, 0, 1}
Z
+
X
+
1
(z) = 5 + 7z
1
+z
3
x
2
(n) = {1, 2, 5, 7, 0, 1}
Z
+
X
+
2
(z) = 1 + 2z
1
+ 5z
2
+ 7z
3

+z
5
x
3
(n) = {0, 0, 1, 2, 5, 7, 0, 1}
Z
+
X
+
3
(z) = z
2
+ 2z
3
+ 5z
4

+7z
5
+z
7
x
4
(n) = {2, 4, 5, 7, 0, 1}
Z
+
X
+
4
(z) = z
1
x
5
(n) = (n)
Z
+
X
+
5
(z) = 1
x
6
(n) = (n k)
Z
+
X
+
6
(z) = z
k
x
7
(n) = (n +k)
Z
+
X
+
7
(z) = 0
Todas las propiedades de la transformada z bilateral se cumplen para la trans-
formada Z unilateral excepto la propiedad de desplazamiento temporal, cuya
versi on modicada se enuncia a continuaci on.
3.9.1. Propiedad de retardo temporal
Si,
x(n)
Z
+
X
+
(z)
Entonces,
x(n k)
Z
+
z
k
_
X
+
(z) +
k
n=1
x(n) z
n
_
, para k > 0
Sin embargo, si x(n) es causal,
x(n k)
Z
+
z
k
X
+
(z)
Ejemplo 3.35: Teniendo el siguiente par transformado:
x(n) = a
n
(n)
Z
+
X
+
(z) =
1
1 az
1
144 CAP
Hallar la transformada z unilateral de la funci on:
x
1
(n) = x(n 2)
= x(n 2)
Z
+
X
+
1
(z) = z
2
_
1
1 az
1
+x(1) z + x(2) z
2
_
X
+
1
(z) = z
2
_
1
1 az
1
+a
1
z +a
2
z
2
_
3.9.2. Propiedad de avance temporal
Si,
x(n)
Z
+
X
+
(z)
Entonces,
x(n +k)
Z
+
z
k
_
X
+
(z)
k1
n=0
x(n) z
n
_
, para k > 0
Ejemplo 3.36: Teniendo el siguiente par transformado:
x(n) = a
n
(n)
Z
+
X
+
(z) =
1
1 az
1
Hallar la transformada z unilateral de la funci on:
x
1
(n) = x(n + 2)
= x(n + 2)
Z
+
X
+
1
(z) = z
2
_
1
1 az
1
a
0
a
1
z
1
_
X
+
1
(z) =
_
a
2
1 az
1
_
3.9.3. Soluci on de ecuaciones en diferencias con condi-
ciones iniciales distintas de cero utilizando la trans-
formada z unilateral
Para resolver una ecuaci on en diferencias utilizando la transformada z uni-
lateral se deben realizar los siguientes pasos: Transformar la ecuaci on en dife-
rencias en una ecuaci on algebraica en el dominio de z. Aplicar las condiciones
iniciales. Obtener la soluci on en el tiempo hallando la transformada inversa.
Ejemplo 3.37: Resolver la ecuaci on en diferencias,
y (n) = y (n 1) +y (n 2)
3.9. TRANSFORMADA Z UNILATERAL 145
Con condiciones iniciales:
y (1) = 0
y (2) = 1
Determinar y(n) para n 0.
La soluci on a esta ecuaci on es lo que se denomina la serie de Fibonacci.
Y
+
(z) = z
1
[Y
+
(z) +y (1) z] + z
2
[Y
+
(z) +
y (1) z +y (2) z
2
Y
+
(z) = z
1
Y
+
(z) +y (1) +z
2
Y
+
(z) +y (1) z
1

+y (2)
Y
+
(z)
_
1 z
1
z
2
= y (1) + y (1) z
1
+y (2)
Y
+
(z) =
1
1 z
1
z
2
=
z
2
z
2
z 1
=
z
2
(z p
1
) (z p
2
)
En donde,
p
1
=
1 +
5
2
p
2
=
1
5
2
Y
+
(z) =
z
2
_
z
1+
5
2
__
z
1
5
2
_
Y
+
(z)
z
=
A
_
z
1+
5
2
_ +
B
_
z
1
5
2
_
En donde,
A =
p
1
5
B =
p
2
5
146 CAP
Luego,
y (n) =
_
1 +
5
2
5
_
1 +
5
2
_
n
5
2
5
_
1
5
2
_
n
_
(n)
y (n) =
1
5
_
1
2
_
n+1 _
_
1 +
5
_
n+1
_
1
5
_
n+1
_
(n)
Esta funci on se muestra en la gura 3.36:
0 1 2 3 4 5 6 7 8 9
0
10
20
30
40
50
60
Figura 3.36: Serie de Fibonacci.
3.10. Problemas
1. La transformada z de h(n) es
2
H(z) =
z
1
z
2
1 +z
1
, |z| > 1
a. Dibuje el diagrama de polos y ceros.
b. Halle h(n) para todo n.
c. Determine si es estable.
2. Determine cuales de las funciones puden ser la transformada z de una
secuencia causal. No evalue la transformada inversa. Debe responder por
medio de inspecci on. Exponga claramente sus razones para cada caso
3
.
2
JACKSON, Lealnd. Digital Filters and Signal Processing. 3rd ed. Boston: Kluwer
Academia Publishers, 1996. Pg. 51
3
Prentice-Hall, 1989 Pg 194
3.10. PROBLEMAS 147
a.
(1 z
1
)
2
1
1
2
z
1
b.
(z 1)
2
z
1
2
c.
(z
1
4
)
5
(z
1
2
)
6
d.
(z
1
4
)
6
(z
1
2
)
5
3. a. Hallar, usando el metodo de series de potencias, los primeros cinco
valores de la secuencia causal en tiempo discreto correspondiente a
cada una de las siguientes transformadas z
4
:
i. X(z) =
z 1
(z 0,7071)
2
ii. X(z) =
1
(z 0,5)(z 0,9)
3
iii. X(z) =
z
3
z
2
+z 1
(z 0,9)
3
b. Repita el punto (a) usando el metodo de expansi on en series de po-
tencias.
c. Repita el punto (a) usando el metodo de residuo.
4. a. Se tiene una transformada z, X(z), en la forma
5
X(z) =
N(z)
D(z)
Donde N(z) y D(z) son polinomios, y se asume que X(z) tiene un
polo en el z = p
k
, demuestre que
Res [X(z), p
k
] =
N(p
k
)
D
(p
k
)
Donde
D
(p
k
) =
dD(z)
dz
b. Use este resultado para hallar la transformada z inversa de :
X(z) =
1
z
4
1
4
IFEACHOR, Emmanuel y BARRIE, Jervis. Digital Signal Processing. Addison Wesley
Publishers Ltd, 1996. Pg 153.
5
148 CAP
5. Considere una secuencia con transformada z X(z) =
P(z)
Q(z)
; donde P(z)
y Q(z) son polinomios en z. Si la secuencia es absolutamente sumable y
todas las races de Q(z) est an en el interior del circulo unitario, Es la
secuencia necesariamente causal? Si responde SI, explique claramente. Si
su respuesta es NO, de un contra ejemplo.
6
6. Halle h(n) para los siguientes casos de H(z)
7
:
H(z) =
2 z
1
1 z
1
0,75z
2
a. H(z) convergente para z = 0.
b. H(z) convergente para z = 1.
c. H(z) convergente para z = .
d. Cu al respuesta obtiene al usar el comando lter en Matlab?
7. Halle
8
H(z) para h(n) = Ar
n
cos(nw
0
+)u(n).
a. Graque el diagrama de polos y ceros para 0 < r < 1, y muestre la
regi on de convergencia.
b. Use la funci on prony para varios valores de , w
0
y r y discutalos.
8. Si la entra a un sistema LTI es x(n) = u(n) y la salida es
9
y(n) =
_
1
2
_
n1
u(n + 1)
a. Halle H(z),la transformada z de la respuesta al impulso del sistema
y graque su diagrama de polos y ceros.
b. Halle la respuesta al impulso h(n).
c. Es estable el sistema?
d. Es causal el sistema?
9. La funci on
10
de transferencia de un sistema en tiempo discreto tiene polos
en z = 0,5, z = 0,1 j0,2 y un cero de tercer orden en z = 1 y z = 1.
a. Bosqueje el diagrama de polos y ceros para el sistema.
b. Deduzca la funci on de transferencia del sistema, H(z), del diagrama
de polos y ceros.
6
7
8
9
10
Publishers Ltd, 1996. Pg 154
3.10. PROBLEMAS 149
c. Desarrolle la ecuaci on en diferencias.
10. Use la propiedad de convoluci on para
11
:
a. Expresar la transformada z de
y(n) =
n
k=
x(k)
En terminos de X(z).
b. Determinar la transformada z de x(n) = (n + 1)u(n). (Ayuda: De-
muestre primero que x(n) = u(n) u(n).)
11. La transformada
12
z X(z) de una se nal real x(n) incluye un par de ceros
complejos conjugados y un par de polos complejos conjugados. Que ocurre
con estos pares de polos y ceros si multiplicamos x(n) por e
jw0n
? (Ayuda:
Use el teorema del escalado en el dominio z).
11
: Prentice Hall, 1998. Pg 225
12
: Prentice Hall, 1998. Pg 225
150 CAP
Captulo 4
Analisis frecuencial en
tiempo discreto
El objetivo en este caso es analizar el comportamiento de la se nal en el tiem-
po, expres andola como una superposici on de se nales m as simples sinusoidales o
exponenciales complejas.
Tambien se puede realizar el an alisis de dichas se nales en el dominio de la fre-
cuencia representando las amplitudes de las diferentes componentes, calculando
su aporte en energa o potencia y determinando el intervalo de frecuencias en
donde est a concentrada la mayor cantidad de esta; este intervalo es el m as rele-
vante en la construcci on de la se nal, y conduce al concepto de ancho de banda
de la se nal.
El comportamiento de los sistemas lineales e invariantes en el tiempo tambien
se puede analizar de manera sencilla por este metodo ya que la respuesta de un
sistema LTI a una sinusoide es otra sinusoide de la misma frecuencia pero de
distinta amplitud y fase. La se nal de salida ser a, entonces, la superposici on de
las respuestas a cada una de estas sinusoides.
Si se representa en el dominio de la frecuencia la relaci on entre las amplitudes
y las fases de las sinusoides de entrada y de salida se puede determinar cu al
es el rango de frecuencias en donde el sistema responde bien a tales se nales de
entrada, lo que conduce al concepto de ancho de banda del sistema.
La representaci on de las se nales en el dominio de la frecuencia es diferente
dependiendo del tipo de se nal. Si la se nal es peri odica se utilizan las series de
Fourier y si no lo es se usa la transformada de Fourier.
151
152 CAP
ITULO 4. AN
ALISIS FRECUENCIAL EN TIEMPO DISCRETO

4.1. Analisis espectral en tiempo continuo
4.1.1. Series de Fourier para se nales peri odicas
Una se nal peri odica en tiempo continuo se puede representar como una su-
perposici on de se nales exponenciales complejas de la siguiente manera:
x(t) =
k=
C
k
e
jk0t
, Ecuaci on de sntesis
Los coecientes C
k
representan las amplitudes y retardos (o fases) de cada una
de las componentes y se pueden calcular as:
C
k
=
1
T
T/2
_
T/2
x(t) e
jk0t
dt, Ecuaci on de an alisis
En estas dos ecuaciones se tiene que :
0
=
2
T
y F
0
=
1
T
T y F
0
se denominan el perodo y la frecuencia fundamental respectivamente.
La potencia de la se nal se eval ua, suponiendo que esta se aplica sobre una
resistencia de 1 (potencia normalizada), as:
P =
k=
|C
k
|
2
=
1
T
_
T
|x(t)|
2
dt
A esta relaci on se le denomina el Teorema de Parseval y permite evaluar la
potencia tanto en el dominio del tiempo como en el de la frecuencia.
El ancho de banda de la se nal se determina calculando el valor de k que per-
mite obtener con la f ormula anterior el 90 % o m as de su potencia, dicho ancho
de banda ser a entonces, kF
0
, sin embargo debe tenerse en cuenta que la repre-
sentaci on se hace por medio de exponenciales complejas con frecuencias positivas
y negativas y por tanto cada lado del espectro deber a aportar s olo el 45 %.
Se puede construir un gr aco de la magnitud de los C
k
contra las frecuencias
arm onicas de F
0
llamado espectro de barras de amplitud o uno de la magnitud
al cuadrado denominado espectro de barras de potencia, dicho gr aco permite
una visualizaci on r apida acerca de la distribuci on de la potencia de la se nal en
funci on de la frecuencia y por tanto, de cu ales son los componentes espectrales
m as importantes desde el punto de vista de que son los que m as aportan en la
4.2. AN
ALISIS ESPECTRAL EN TIEMPO DISCRETO 153

construcci on de la se nal.
Similarmente, se puede hacer un gr aco de las fases de cada una de las ex-
ponenciales complejas en cada arm onico de la frecuencia fundamental, el cual
permite identicar los retrasos que deben tener cada uno de los arm onicos para
que la suma de todos ellos sintetice correctamente la se nal.
4.1.2. Transformada de Fourier para la representaci on de
se nales no peri odicas
Las se nales no peri odicas de energa se pueden construir como una suma
innita de exponenciales complejas, as:
x(t) =
1
2
X () e
jt
d, Ecuaci on de sntesis
La cantidad X() se denomina densidad espectral y se calcula con la siguiente
expresi on:
X () =
x(t) e
jt
dt, Ecuaci on de an alisis
La energa de la se nal est a dada por el teorema de Parseval:
E =
|x(t)|
2
dt
=
1
2
|X ()|
2
d
En donde |X ()|
2
se denomina densidad espectral de energa.
4.2. Analisis espectral en tiempo discreto
Al igual que en tiempo continuo existen dos representaciones dependiendo
de la naturaleza de la se nal en tiempo discreto, si esta es peri odica se emplean
las series de Fourier y si no lo es, se utiliza la transformada de Fourier de tiempo
discreto.
4.2.1. Serie de Fourier para se nales peri odicas
En tiempo continuo el rango de frecuencias est a en el intervalo (, ) y
por tanto la representaci on de la se nal se hace con innitas componentes sinu-
soidales o exponenciales complejas separadas en frecuencia
1
T
Hz.
154 CAP
ITULO 4. AN

En tiempo discreto el rango de frecuencias est a en el intervalo [, ] y por
tanto una se nal con perodo fundamental N se puede representar como la suma
de sinusoides o exponenciales complejas separadas
2
N
y por lo tanto son nece-
sarias s olo N componentes.
La ecuaci on de sntesis:
x(n) =
N1
k=0
C
k
e
j2kn
N
La ecuaci on de an alisis:
C
k
=
1
N
N1
n=0
x(n) e
j2kn
N
De esta ecuaci on se puede deducir que los C
k
tienen periodo N, es decir:
C
k+N
= C
k
O sea que el espectro de una se nal peri odica tambien lo es con periodo N, de tal
manera que se requieren solamente N coecientes consecutivos para describir
completamente a x(n).
Ejemplo 4.1: La se nal
x(n) = cos
n
3
Tiene una frecuencia
0
=

3
, [rad/muestra]
= 2f
0
Tal que,
f
0
=
1
6
, [ciclos/muestra]
=
1
N
Por tanto esta se nal se puede representar por medio de una serie de Fourier, as:
x(n) =
5
k=0
C
k
e
jk2n
6
Con:
C
k
=
1
6
5
n=0
x(n) e
jkn
3
Pero,
x(n) = cos
_
n
3
_
=
e
jn
3
+e
jn
3
2
4.2. AN

Comparando este resultado con la expresi on de la serie se concluye que,
k = 1
O sea,
C
1
= C
1
=
1
2
Por otro lado,
C
1
= C
5
Ya que
C
k+N
= C
k
La siguiente funci on dibuja el espectro de una se nal peri odica.
Funci on en Matlab: Esta funci on dibuja la magnitud y la fase del espectro
discreto de una funci on para frecuencias entre 0 y (N 1) W
0
. Para que el
espectro dibujado sea el correcto es necesario que la funci on este denida en un
periodo completo N (Es decir, desde 0 hasta N-1).
function []=espectro_discreto(x)
L=length(x);
y=fft(x,L)/L;
n=0:L;
theta=[zeros(1,L+1)];
for i=1:L
if abs(imag(y(i)))<=10^-6
theta(i)=0;
else
theta(i)=angle(y(i));
end
end
y=[y 0];
subplot(211)
stem(n,abs(y))
ylabel(| Ck |);
title((a))
subplot(212)
stem(n,theta)
ylabel(Fase (Ck));
xlabel((b))
156 CAP
ITULO 4. AN

El espectro de esta se nal se observa en la gura 4.1.
Figura 4.1: (a) Espectro de magnitud de la funci on x(n) = cos
_
n
3
_
. (b) Espec-
tro de fase
Ejemplo 4.2: C odigo en Matlab que produce la graca 4.1 por medio del uso de
la funci on espectro discreto().
n=0:1:5;
x = cos(pi*n/3);
espectro_discreto(x)
El valor de k depende del n umero de muestras de la se nal, en este caso
particular se tom o un solo periodo (N = 6). Si se toman tres periodos, el
resultado ser a el que se muestra en la gura 4.2, en la cual se observa que el
valor de k resulta multiplicado por el n umero de perodos enteros de la se nal.
Ejemplo 4.3: Ahora tomando tres periodos de la se nal (ver gura 4.2).
n=0:1:17;
x = cos(pi*n/3);
4.2. AN

Figura 4.2: Espectro de x(n) = cos
_
n
3
_
, tomando tres perodos de la se nal.
Hay que tener precauci on al escoger el n umero de muestras porque se pueden
producir resultados incorrectos, como en el siguiente caso (Ver gura 4.3) donde
se toman s olo 15.
Figura 4.3: Espectro distorsionado de la funci on x(n) = cos
_
n
3
_
.
Esto se debe fundamentalmente a que en Matlab no es posible generar ondas
peri odicas, sino pulsos peri odicos en un intervalo, lo que es similar a multiplicar
la onda peri odica por un pulso rectangular (Lo que se denomina enventanado);
esto signica que el espectro de la onda peri odica ser a modicado por el espectro
de dicho pulso.
158 CAP
ITULO 4. AN

Ejemplo 4.4: C odigo en Matlab que genera la graca 4.3 y muestra el enven-
tanado.
n=0:1:15;
x = cos(pi*n/3);
Ejemplo 4.5: Hallar el espectro de la se nal
x(n) = sen
_
n
3
_
=
e
jn
3
e
jn
3
2j
De esta expresi on se puede concluir que C
1
=
j
2
y que C
1
=
j
2
, y por tanto
el espectro resultante es el que se observa en la gura 4.4.
Figura 4.4: (a) Espectro de magnitud de x(n) = sen
_
n
3
_
. (b) Espectro de fase.
Para dibujar con Matlab el angulo de una cantidad compleja se usa la funci on
angle(x) en donde hay que tener cuidado con los resultados, porque si la parte
real de la cantidad es muy peque na el resultado tender a a ser
2
independiente
del valor de la parte imaginaria.
En la representaci on de la se nal tambien se podran haber dibujado tanto la
parte real (real(x)) como la parte imaginaria (imag(x)) contra la frecuencia,
como se muestra en la gura 4.5.
4.2. AN

Figura 4.5: (a) Parte real del espectro de x(n) = sen
_
n
3
_
. (b) Parte imaginaria.
La gura 4.5 fue realizada con la siguiente funci on en Matlab:
Funci on en Matlab: Dibuja la parte real y la parte imaginaria del espectro
discreto de una funci on para frecuencias entre 0 y (N 1) W
0
. Para que el
espectro dibujado sea el correcto es necesario que la funci on este denida en un
periodo completo N (Es decir, desde 0 hasta N 1).
function []=espectro_discreto1(x)
L=length(x);
y=fft(x,L)/L;
n=0:L;
for i=1:L
if abs(imag(y(i)))<=10^-2
y(i)=real(y(i))
end
if abs(real(y(i)))<=10^-2
y(i)=j*imag(y(i))
end
end
y=[y 0];
subplot(211)
stem(n,real(y))
title((a))
subplot(212)
stem(n,imag(y))
xlabel((b))
160 CAP
ITULO 4. AN

Ejemplo 4.6: C odigo que produce las gracas 4.4 y 4.5 del ejemplo anterior
por medio del uso de las funciones espectro discreto() y espectro discreto1(),las
cuales son mostradas en esta secci on.
n=0:1:5;
x = sin(pi*n/3);
figure
espectro_discreto1(x)
Ejemplo 4.7: Hallar el espectro del tren de pulsos que se observa en la gura
4.6:
Figura 4.6: Tren de pulsos.
El cual fue generado en Matlab utilizando la siguiente funci on:
Funci on en Matlab: Genera una funci on periodica y(n) a partir de una se nal no
periodica x(n) y el numero de periodos deseados num period.
function[y]=periodico(x,num_period)
x=x;
x=x*ones(1,num_period);
y=x(:);
n=0:length(y)-1;
stem(n,y)
4.2. AN

Suponiendo, para simplicar, que el tren de pulsos arranca en n = 0, con un
ciclo de dureza
L
N
, siendo N el perodo, se tiene:
x(n) =
N1
k=0
C
k
e
jk2n
N
C
k
=
1
N
N1
n=0
x(n) e
jk2n
N
Pero, en este caso,
C
k
=
1
N
L1
n=0
e
jk2n
N
=
1
N
L1
n=0
r
n
con r = e
jk2
N
C
k
=
1
N
1 r
L
1 r
, si k = 0
C
k
=
L
N
, si k = 0
En denitiva:
C
k
=
1
N
1 e
jk2L
N
1 e
jk2
N
, si k = 0
C
k
=
L
N
, si k = 0
Manipulando un poco este resultado, se obtiene la expresi on denitiva:
C
k
=
1
N
e
jk2(L1)
2N
sen
_
2kL
2N
_
sen
_
2k
2N
_ , k = 0
Esta funci on se representa en la gura 4.7.
Ejemplo 4.8: C odigo que produce las gracas del tren de pulsos y su espectro
(4.6 y 4.7) usando las funciones periodico() y espectro discreto().
x = [ones(1,5),zeros(1,5)];
periodico(x,4);
162 CAP
ITULO 4. AN

Figura 4.7: Espectro de un tren de pulsos. (a) Magnitud de C
k
. (b) Fase de C
k
.
La potencia de una se nal peri odica se puede calcular usando la relaci on de
Parseval en tiempo discreto,
P =
1
N
N1
n=0
x(n) x
(n)
=
1
N
N1
n=0
|x(n)|
2
=
N1
k=0
|C
k
|
2
La potencia se puede calcular en Matlab usando la funci on mean(x), la cual
calcula el valor promedio del vector x. Su representaci on es:
x =
1
n
n
i=1
x
i
Ejemplo 4.9: Calculo de la potencia en Matlab del tren peri odico anterior.
x=[ones(1,5),zeros(1,5)].^2
pot=mean(x)
Genera:
4.2. AN

x =
1 1 1 1 1 0 0 0 0 0
pot =
0.5000
4.2.2. Serie de Fourier para se nales peri odicas reales
Si x(n) es real, entonces
x(n) = x
(n)
Y, por lo tanto,
C
k
= C
k
Tal que,
|C
k
| = |C
k
| Simetra par en la magnitud.
C
k
= C
k
Simetra impar en la fase.
La serie exponencial de Fourier se modica de tal manera que se puede repre-
sentar la se nal en terminos de funciones elementales sinusoidales:
x(n) = C
0
+ 2
L
k=1
|C
k
| cos
_
2kn
N
+
k
_
x(n) = a
0
+
L
k=1
_
a
k
cos
_
2kn
N
_
b
k
sen
_
2kn
N
__
En donde,
a
0
= C
0
Equivalente al nivel DC en tiempo contin uo.
a
k
= 2 |C
k
| cos (
k
)
b
k
= 2 |C
k
| sen(
k
)
L =
N
2
, si N es par
L =
N 1
2
, si N es impar
4.2.3. Transformada de Fourier para se nales no peri odicas
Esta transformada se usa para representar en el dominio de la frecuencia
se nales no peri odicas y se dene de la siguiente manera:
X () =
n=
x(n) e
jn
Ecuaci on de an alisis
164 CAP
ITULO 4. AN

Como el rango de frecuencias en tiempo discreto est a en el intervalo [, ],
entonces se tiene que:
X ( + 2k) =
n=
x(n) e
j(+2k)n
= X ()
De tal manera que la transformada de Fourier es peri odica con perodo 2.
x(n) = (n)
X () =
n=
(n) e
jn
= 1
Figura 4.8: Espectro de la funci on.
Como se observa en la gura 4.8 el espectro es real y constante para todas
las frecuencias y por lo tanto la fase es cero.
Este gr aco se realiz o con la siguiente funci on en Matlab:
4.2. AN

Funci on en Matlab: Graca el espectro de la funci on x.
function[y]=espectro(x)
w=-pi:0.1:pi;
y=fft(x,length(w));
z=fftshift(y);
subplot(211)
plot(w,abs(z))
xlabel(w(rad/s))
ylabel(Magnitud)
subplot(212)
plot(w,unwrap(angle(z)))
xlabel(w(rad/s))
ylabel(angulo(rad))
Ejemplo 4.11: C odigo en Matlab que genera la graca 4.8 por medio de la funci on
espectro().
x = [1];
espectro(x);
Ejemplo: Hallar el espectro de la se nal
x(n) = (n k)
X () =
n=
(n k) e
jn
=
s=
(s) e
j(s+k)
= e
jk
En este caso el espectro es complejo y por lo tanto para su representaci on se
requieren dos gr acos, ya sea de la magnitud y la fase contra la frecuencia como
es lo usual, o de la parte real y la parte imaginaria contra la frecuencia.
Para construir el espectro que se observa en la gura 4.9 se asumi o un im-
pulso retrasado 4 unidades de tiempo.
166 CAP
ITULO 4. AN

Figura 4.9: Espectro de la funci on x(n) = (n k).
x(n) =
_
1, 0 n N 1
0, El resto
X () =
N1
n=0
e
jn
=
1 e
jN
1 e
j
=
e
jN
2
_
e
jN
2
e
jN
2
_
e
j
2
_
e
j
2
e
j
2
_
=
e
j(N1)
2
sen
_
N
2
_
sen
_
2
_
Este espectro, suponiendo una duraci on de pulso de 5 unidades de tiempo, se
puede ver en la gura 4.10. Este es el equivalente en tiempo discreto de la funci on
seno sobre su argumento de tiempo continuo.
4.3. TRANSFORMADA INVERSA DE FOURIER 167
Figura 4.10: Espectro de un pulso.
Ejemplo 4.13: C odigo que produce la graca 4.10 para el ejemplo anterior
x = [1 1 1 1 0 0 0 0];
espectro(x);
4.3. Transformada inversa de Fourier
Para hallar la transformada inversa se procede a multiplicar por e
jwm
la
ecuaci on de la transformada y se integra en un intervalo de frecuencias [, ]:
X () e
jm
d =
n=
x(n) e
jn
e
jm
d
Intercambiando el orden de la integral y la sumatoria, se tiene:
X () e
jm
d =
n=
x(n)
e
j(mn)
d
Este intercambio puede hacerse si,
X
N
() =
N
n=N
x(n) e
jn
Converge cuando N
Por otro lado,
e
j(mn)
d =
_
2 si m = n
0 si m = n
168 CAP
ITULO 4. AN

O sea,
X () e
jm
d = 2x(m)
En denitiva,
x(n) =
1
2
X () e
jn
d Ecuaci on de sntesis.
4.4. La convergencia
La transformada de Fourier converge (Es decir, existe) si su magnitud es
diferente de innito, o sea, si:
|X ()| =
n=
x(n) e
jn
n=
|x(n)| <
Por lo tanto, X(w) converge si la secuencia x(n) es absolutamente sumable.
Algunas secuencias no cumplen lo anterior, pero s son cuadr aticamente su-
mables, tal que:
E
x
=
n=
|x(n)|
2
<
En este caso la transformada de Fourier converge en sentido cuadr atico medio:
lm
N
|X () X
N
()|
2
d = 0
Tal que la energa del error tiende a cero pero no as el error.
4.4. LA CONVERGENCIA 169
Ejemplo 4.14: Sea
X () =
_
1, || <
c
0,
c
||
x(n) =
1
2
c
_
c
X () e
jn
d
=
sen(
c
n)
n
,n = 0
x(0) =
1
2
c
_
c
X () d
=

c
La energa de esta se nal est a dada por el teorema de Parseval, como se ver a m as
adelante:
E =
1
2
c
_
c
|X ()|
2
d
=

c
El espectro,
X
N
() =
N
n=N
sen(
c
n)
n
e
jn
Se muestra en las guras 4.11 a 4.14 para diversos valores de N.
170 CAP
ITULO 4. AN

Figura 4.11: Espectro X
N
(w) con N = 1.
N
(w) con N = 3.
N
(w) con N = 10.
4.5. PROPIEDADES DE LA TRANSFORMADA DE FOURIER 171
N
(w) con N = 30.
Se observan oscilaciones alrededor de w = w
c
independientemente del valor
de N (fen omeno de Gibbs), lo que permite concluir que la se nal y su repre-
sentaci on por medio de la ecuaci on de sntesis no coinciden completamente, sino
que lo hacen en sentido cuadr atico medio.
4.5. Propiedades de la transformada de Fourier
4.5.1. Propiedad lineal
Si,
x
1
(n)
F
X
1
() y,
x
2
(n)
F
X
2
()
Entonces,
ax
1
(n) +bx
2
(n)
F
aX
1
() +bX
2
()
Ejemplo 4.15: Hallar el espectro de la se nal (Ver gura 4.15):
x(n) = a
|n|
, |a| < 1
En este caso se puede expresar la se nal como la superposici on de dos se nales:
x(n) = x
1
(n) +x
2
(n)
172 CAP
ITULO 4. AN

Figura 4.15: Se nal x(n) = a
|n|
, |a| < 1.
En donde,
x
1
(n) =
_
a
n
,n 0
0 ,n < 0
x
2
(n) =
_
a
n
,n < 0
0 ,n 0
La transformada de la primera funci on:
X
1
() =
n=0
a
n
e
jn
=
1
1 ae
j
Siempre que,
ae
j
= |a|
e
j
= |a| < 1
El espectro de esta se nal se observa en la gura 4.16. De manera similar, para
Figura 4.16: Espectro de la funci on x
1
(n).
la segunda componente se tiene:
X
2
() =
1
n=
a
n
e
jn
=
ae
j
1 ae
j
El espectro de esta se nal se muestra en la gura 4.17.
Figura 4.17: Espectro de la funci on x
2
(n).
Sumando los dos resultados anteriores se obtiene el espectro buscado, ver
gura 4.18.
X () =
1 a
2
1 2a cos () +a
2
174 CAP
ITULO 4. AN

En esta gura se observa que nuevamente el espectro es real y por lo tanto, el
angulo de fase es cero.
Figura 4.18: Espectro resultante X(w).
4.5.2. Propiedad de retardo temporal
Si,
x(n)
F
X ()
Entonces,
x(n k)
F
e
jk
X ()
Al desplazar la se nal k unidades de tiempo, la magnitud del espectro no cambia
pero su fase s lo hace en kw radianes.
Ejemplo 4.16:
x(n) = (n)
F
X () = 1
x(n k) = (n k)
F
X () = e
jk
4.5.3. Propiedad de reexi on temporal
Si,
x(n)
F
X ()
Entonces,
x(n)
F
X ()
Al girar una funci on en el tiempo, la magnitud de su espectro no se altera, pero
su fase se invierte.
4.5.4. Propiedad de la convoluci on
Si,
x
1
(n)
F
X
1
() y
x
2
(n)
F
X
2
()
Entonces,
x(n) = x
1
(n) x
2
(n)
F
X
1
() X
2
()
Este resultado permite una va alterna para calcular la convoluci on de dos se-
cuencias, hallando primero la transformada de cada una de ellas, realizando
luego el producto de las transformadas y, por ultimo resolviendo la transforma-
da inversa de dicho producto. Este procedimiento se vuelve muy eciente cuando
se utiliza la Transformada R apida de Fourier (FFT), como se ver a m as adelante.
Ejemplo 4.17: Determinar la convoluci on de las secuencias siguientes:
x
1
(n) = x
2
(n) = {1, 1, 1}
Primero se calcula la transformada de Fourier de las dos secuencias, la cual se

dibuja en la gura 4.19:
X
1
() = X
2
() = e
j
+ 1 +e
j
= 1 + 2 cos ()
1
(w) = X
2
(w).
Se observa que aunque la fase debi o ser cero, en Matlab se agrega un desfase
lineal debido a que la secuencia no se toma simetrica con respecto al origen
176 CAP
ITULO 4. AN

sino retrasada (En media longitud de la secuencia), al efectuar el c alculo con la
funci on t(x).
El producto de las dos transformadas se muestra en la gura 4.20 y est a dado
por:
X () = X
1
() X
2
() = (1 + 2 cos ())
2
= 3 + 4 cos () + 2 cos (2)
= 3 + 2
_
e
j
+e
j
_
+
_
e
j2
+ e
j2
_
= e
j2
+ 2e
j
+ 3 + 2e
j
+e
j2
Figura 4.20: Espectro X(w).
Y por tanto el resultado de la convoluci on ser a,
x(n) = {1, 2, 3, 2, 1}
El cual se puede obtener en Matlab con la funci on it(x), ver gura 4.21. En
donde nuevamente se observa el retraso mencionado previamente.
Figura 4.21: Resultado de la convoluci on del ejemplo.
4.5.5. Propiedad de correlaci on
Si,
x
1
(n)
F
X
1
() y
x
2
(n)
F
X
2
()
Entonces,
r
x1x2
(m)
F
S
x1x2
() = X
1
() X
2
()
La funci on S
x1x2
(w) se denomina densidad espectral de energa cruzada de las
dos se nales.
4.5.6. Teorema de Wiener Kintchine
Si x(n) es real, entonces:
r
xx
(l)
F
S
xx
()
Este resultado indica que la autocorrelaci on y la densidad espectral de energa
contienen la misma informaci on acerca de la se nal. El problema es que varias
se nales pueden tener la misma funci on de autocorrelaci on y por tanto la misma
densidad espectral ya que en estas operaciones se pierde la informaci on de la fase.
Ejemplo 4.18: Determinar la densidad espectral de energa de la se nal (Ver
gura 4.22):
x(n) = a
n
(n) , 1 < a < 1
178 CAP
ITULO 4. AN

Por la denici on de la autocorrelaci on de una se nal de energa, se tiene que,
r
xx
(l) =
n=
x(n) x(n l)
r
xx
(l) =
n=0
a
n
a
nl
Figura 4.22: Funci on x(n) del ejemplo.
Esta correlaci on depender a del valor de l, as:
Para l 0,
r
xx
(l) =
n=l
a
n
a
nl
= a
l
n=l
_
a
2
_
n
= a
l
1
1 a
2
Si l < 0,
r
xx
(l) =
n=0
a
n
a
nl
= a
l
n=0
_
a
2
_
n
= a
l
1
1 a
2
En denitiva, se tiene
r
xx
(l) =
1
1 a
2
a
|l|
, < l <
La cual se obtiene en Matlab usando la funci on xcorr(x), como se muestra en la
gura 4.23.
Figura 4.23: Autocorrelaci on r
xx
(l).
La densidad espectral ser a entonces, ver gura 4.24.
S
xx
() = F (r
xx
(l))
=
1
1 2a cos () +a
2
180 CAP
ITULO 4. AN

Figura 4.24: Densidad espectral S
xx
(w).
4.5.7. Propiedad de desplazamiento frecuencial
Si,
x(n)
F
X ()
Entonces,
x(n) e
j0n
F
X (
0
)
Ejemplo 4.19: El espectro de la se nal x(n) = a
n
(n) tiene la forma que se
muestra en la gura 4.25.
Figura 4.25: Espectro de la funci on x(n) = a
n
(n).
Al multiplicar la se nal por e
j
n
3
, el espectro resulta desplazado tal como se
muestra en la gura 4.26:
n
(n) multiplicada por e
jn/3
.
4.5.8. Propiedad de modulaci on
Si,
x(n)
F
X ()
Entonces,
x(n) cos (
0
n)
F
1
2
[X (
0
) +X ( +
0
)]
El resultado de esta operaci on es el desplazamiento del espectro de la se nal
alrededor de la frecuencia de la sinusoide.
As por ejemplo, al realizar el producto de a
n
(n) por cos
_
2
n
3
_
, se logra el
espectro que se observa en la gura 4.27.
n
(n) multiplicada por cos
_
2
n
3
_
.
182 CAP
ITULO 4. AN

Ejemplo 4.20: Con este c odigo en Matlab que usa la funci on espectro() se logra
la graca 4.27.
n = 0:1:12-1/6;
a = 0.7;
x = a.^n;
espectro(x);
coseno = cos(2*pi*(1/3)*n);
figure
espectro(x.*coseno);
4.5.9. Propiedad de enventanado
Si,
x
1
(n)
F
X
1
() y
x
2
(n)
F
X
2
()
Entonces,
x
3
(n) = x
1
(n) x
2
(n)
F
X
3
() =
1
2
X
1
()X
2
( ) d
Este resultado indica que multiplicar dos se nales en el tiempo equivale a la con-
voluci on de sus transformadas de Fourier.
La integral anterior se conoce como la convoluci on peri odica, dado que es la
convoluci on de dos transformadas peri odicas con el mismo perodo.
Ejemplo 4.21: La gura 4.28 muestra el espectro de la se nal x(n) = 5 cos
_
2
n
64
_
.
Ejemplo 4.22: El siguiente programa que implementa las funciones espec-
tro discreto() y espectro(), genera la graca 4.28.
n = 0:1:63;
x = 5*cos(2*pi*(1/64)*n);
figure
espectro_discreto(x);
figure
espectro(x);
Figura 4.28: Espectro de la funci on x(n) = 5 cos
_
2
n
64
_
.
La gura 4.29 muestra el espectro de 40 muestras de la se nal x(n) =
5 cos
_
2
n
64
_
, resultado de multiplicar la se nal por una ventana rectangular de
longitud 40. Se observa en esta gura la aparici on de l obulos laterales debidos a
la ventana, sin embargo se distinguen claramente dos picos en las dos frecuen-
cias, situados en
2
64
.
Figura 4.29: Espectro de la funci onx(n) = 5 cos
_
2
n
64
_
con s olo 40 muestras.
184 CAP
ITULO 4. AN

Ejemplo 4.23: Este c odigo es similar al ejemplo anterior de Matlab, pero en este
caso para ilustrar el enventanado se toman 40 muestras, de esta manera se logra
la graca 4.29.
n = 0:1:39;
x = 5*cos(2*pi*(1/64)*n);
espectro(x);
4.6. Densidad espectral de energa
La energa de una se nal se puede calcular en el tiempo as:
E
x
=
n=
|x(n)|
2
Pero tambien se puede calcular en el dominio de la frecuencia de la siguiente
manera:
E
x
=
1
2
|X ()|
2
d
Este resultado se conoce como el Teorema de Parseval para se nales de energa.
En donde la funci on
S
xx
() = |X ()|
2
Se denomina Densidad Espectral de Energa (DEE), debido a que el area bajo
la curva de esta funci on permite calcular la energa de la se nal. El intervalo de
frecuencias alrededor de la frecuencia central en donde est a contenido un por-
centaje importante de esta energa (90 % o m as) es lo que se denomina el ancho
de banda de la se nal.
La frecuencia central ser a aquella que minimiza el ancho de banda y est a dado
por la siguiente expresi on:
0
=
|F ()|
2
d
|F ()|
2
d
4.6. DENSIDAD ESPECTRAL DE ENERG
IA 185
La cual resulta de minimizar lo que se denomina el ancho de banda de radio de
giro, dado por:
W
2
=
(
0
)
2
|F ()|
2
d
|F ()|
2
d
En el caso en que la se nal es real,
X
() = X ()
Re (X ()) j Im(X ()) = Re (X ()) +j Im(X ())
Re (X ()) = Re (X ())
Im(X ()) = Im(X ())
De manera equivalente:
|X ()| = |X ()|
Se tiene entonces simetra par en la magnitud del espectro, lo que hace necesario
calcular solamente el espectro en un intervalo [0, ].
Adem as existe simetra impar en el angulo, con la misma implicaci on anterior.
X () = X ()
En cuanto a la densidad espectral, se cumple que
S
xx
() = S
xx
()
Y por tanto esta funci on tiene simetra par.
Esto quiere decir que para se nales reales s olo es necesario especicar el espectro
en el intervalo [0, ].
Funci on en Matlab: Esta funci on dibuja densidad espectral de x.
function[y]=densiad(x)
w=-pi:0.1:pi;
y=fft(x,length(w));
z=fftshift(y);
plot(w,(abs(z)).^2)
title(Densidad Espectral de x(n))
xlabel(w(rad/s))
ylabel(|X(w)|^2)
186 CAP
ITULO 4. AN

x(n) = a
n
(n) , 1 < a < 1
X () =
n=0
a
n
e
jn
Para vericar que la transformada converge, se tiene:
n=0
|x(n)| =
n=0
|a|
n
=
1
1 |a|
< , |a| < 1
Luego s existe la transformada, ver gura 4.30.
X () =
n=0
_
ae
j
_
n
=
1
1 ae
j
Figura 4.30: Espectro de la se nal del ejemplo.
La densidad espectral de energa (ver gura 4.31):
S
xx
() = |X()|
2
=
1
1 2a cos() +a
2
4.7. RELACI
ON DE LAS TRANSFORMADAS FOURIER Y Z 187

Figura 4.31: Densidad espectral de energa, S
xx
(w) de x(n).
Ejemplo 4.25: Produce las gracas 4.30 y 4.31 por medio de las funciones espec-
tro() y densiad().
n = 0:1:10;
a = 0.7;
x = a.^n;
espectro(x);
figure
densiad(x);
4.7. Relaci on de la transformada de Fourier con
la transformada Z
Recordando que la transformada Z est a dada por la siguiente expresi on:
X (z) =
n=
x(n) z
n
, r
2
|z| r
1
Y que adem as,
z = re
j
Se tiene:
X (z)
z=re
j
=
n=
x(n) r
n
e
jn
Luego X(z) es la transformada de Fourier de la secuencia x(n) r
n
. El factor
de ponderaci on crece con n si r < 1 y decrece si r > 1.
188 CAP
ITULO 4. AN

Adem as X(z) converge si
|X (z)|
n=
x(n) r
n
<
En el caso particular que X(z) converja para |z| = 1, se tiene:
X (z)
z=e
j
=
n=
x(n) e
jn
Lo cual signica que la transformada de Fourier es la transformada z evaluada
en la circunferencia unidad, si la ROC de la transformada z no incluye esta
circunferencia, entonces la transformada de Fourier no existe.
Sin embargo, la existencia de la transformada de Fourier no garantiza la exis-
tencia de la transformada z; as por ejemplo, la se nal:
x(n) =
sen(
c
n)
n
, n
Tiene una transformada de Fourier
X () =
_
1, ||
c
0, Resto
Pero no tiene transformada z, ya que
n=
x(n) r
n
=
4.7.1. La transformada de Fourier de se nales que tienen
polos de la transformada Z en la circunferencia unidad
Algunas se nales no son ni absoluta ni cuadr aticamente sumables, de tal ma-
nera que no tienen transformada de Fourier. Sin embargo, sera util extender la
transformada para estos casos; lo cual se hace permitiendo que esta contenga
impulsos en las frecuencias en donde est an ubicados los polos. En este caso se
eval ua la transformada de Fourier en la circunferencia unitaria y se coloca un
impulso en los puntos donde haya un polo.
Ejemplo 4.26: Calcular la transformada de Fourier de la se nal
x(n) = (n)
Como se sabe, la transformada z de esta funci on es,
X (z) =
1
1 z
1
, |z| > 1
4.8. SISTEMAS LTI EN EL DOMINIO DE LA FRECUENCIA 189
La cual tiene un polo en z = 1.
La transformada de Fourier, ser a entonces:
X () =
1
1 e
j
=
e
j
2
2jsen
_
2
_, = 2k con k = 0, 1,
Ejemplo 4.27: Hallar el espectro de la funci on
x(n) = cos (
0
n) (n)
La transformada z de esta secuencia:
X (z) =
1 z
1
cos (
0
)
1 2z
1
cos (
0
) +z
2
, ROC: |z| > 1
X () =
1 e
j
cos (
0
)
1 2e
j
cos (
0
) +e
2j
, =
0
+ 2k con k = 0, 1, 2,
4.8. Caractersticas en el dominio de la frecuen-
cia de los sistemas LTI
Una de las aplicaciones importantes de la representaci on de se nales por medio
de exponenciales complejas o sinusoidales consiste en la caracterizaci on de sis-
temas LTI. En este caso se aplican como excitaci on se nales sinusoidales y se
observa la respuesta a dichas funciones.
Como se ha analizado previamente la respuesta de un sistema LTI a cualquier
se nal de entrada est a dada por la sumatoria de convoluci on,
y (n) =
k=
h(k) x(n k)
Si aplicamos a dicho sistema una se nal exponencial compleja,
x(n) = Ae
jn
, < n < , < <
La salida ser a:
y (n) = A
k=
h(k) e
jk
e
jn
= Ae
jn
k=
h(k) e
jk
= Ae
jn
H ()
190 CAP
ITULO 4. AN

En donde la funci on:
H () =
k=
h(k) e
jk
= F (h(n))
Se denomina la respuesta en frecuencia del sistema y existe si,
n=
|h(n)| <
O sea si el sistema es estable BIBO.
Se dice entonces, que la funci on e
jwn
es una autofunci on del sistema y que
H(w) es un autovalor.
De los resultados anteriores se puede concluir que la respuesta de un sistema
LTI a una exponencial compleja depende de su frecuencia, cambiando esta de
amplitud y sufriendo un retraso.
H () = |H ()| e
j()
En donde,
H (): Respuesta en magnitud
(): Respuesta en fase.
A partir de la respuesta en frecuencia del sistema se puede calcular su respuesta
al impulso de la siguiente manera:
h(n) =
1
2
H () e
jn
d
La respuesta a funciones sinusoidales se puede calcular as:
x
1
(n) = Ae
jn
y
1
(n) = A|H ()| e
j()
e
jn
x
2
(n) = Ae
jn
y
2
(n) = A|H ()| e
j()
e
jn
Si se asume que la respuesta al impulso es real,
|H ()| = |H ()| y
() = ()
Y por lo tanto, si
x(n) = Acos (n) y (n) =
A
2
[y
1
(n) + y
2
(n)]
= A|H ()| cos (n + ())
4.8. SISTEMAS LTI EN EL DOMINIO DE LA FRECUENCIA 191
Adem as, si;
x(n) = Asen(n) y (n) =
A
2j
[y
1
(n) y
2
(n)]
= A|H ()| sen(n + ())
Esto quiere decir que la respuesta en frecuencia caracteriza completamente el
efecto de un sistema LTI sobre se nales sinusoidales de frecuencia arbitraria, de
tal manera que este s olo modica la amplitud de dichas se nales y les introduce
un retraso pero no cambia su forma.
En general, si la entrada es la suma de varias sinusoides, se aplica la super-
posici on de las respuestas a cada una de ellas:
x(n) =
L
i=1
A
i
cos (
i
n +
i
) , < n <
y (n) =
L
i=1
A
i
|H (
i
)| cos (
i
n +
i
+ (
i
))
Se puede tambien concluir de acuerdo con estos resultados que los sistemas LTI
son ltros que aten uan unas frecuencias y amplican otras.
4.8.1. Respuesta de los sistemas LTI a se nales peri odicas
Si se aplica a un sistema LTI una se nal peri odica x(n), la cual puede ser
expresada en terminos de exponenciales complejas como:
x(n) =
N1
k=0
C
k
e
jk2n
N
con k = 0, 1, , N 1
La respuesta estar a dada por:
y (n) =
N1
k=0
C
k
H
_
2k
N
_
e
j2kn
N
Se concluye de este resultado que la se nal de salida tambien es peri odica con
perodo N, pero de forma diferente a la de la entrada.
4.8.2. Respuesta a se nales aperi odicas
Por la propiedad de la convoluci on se tiene que la densidad espectral de
salida est a dada por:
Y () = X () H ()
192 CAP
ITULO 4. AN

El gr aco de |H ()| muestra cu ales frecuencias resultan favorecidas y cu ales
no. Para calcular la se nal de salida, se tiene:
y (n) =
1
2
Y ()e
jn
d
La densidad espectral de energa de salida,
|Y ()|
2
= |X ()|
2
|H ()|
2
S
yy
() = S
xx
() |H ()|
2
De tal manera que la energa de salida est a dada por:
E
y
=
1
2
S
yy
()d
=
1
2
|H ()|
2
S
xx
() d
4.8.3. Relaci on entre la respuesta en frecuencia y la fun-
ci on de transferencia
Si la funci on de transferencia H(z) converge en la circunferencia unidad se
puede obtener la respuesta en frecuencia evaluando la funci on de transferencia
en dicha circunferencia, es decir,
H () = H (z) |
z=e
j
En el caso de tener una funci on de transferencia racional, se tiene:
H (z) =
B(z)
A(z)
4.9. LA TRANSFORMADA DE FOURIER DISCRETA 193
Y por lo tanto,
H () =
B()
A()
H () =
M
k=0
b
k
e
jk
1 +
N
k=1
a
k
e
jk
= b
0
M
k=1
_
1 z
k
e
j
_
N
k=1
_
1 p
k
e
j
_
En cuanto a la densidad espectral de energa, se tiene:
|H ()|
2
= H () H
()
Pero,
H
() = b
0
M
k=1
_
1 z
k
e
j
_
N
k=1
(1 p
k
e
j
)
Esta expresi on se puede considerar como el resultado de evaluar la siguiente
ecuaci on:
H
_
1
z
z=e
j
=
M
k=1
(1 z
k
z)
N
k=1
(1 p
k
z)
z=e
j
Adem as, si h(n) es real se puede tener pares de polos y ceros complejos conju-
gados, de modo que:
H
_
1
z
_
= H
_
z
1
_
Y, por tanto,
H
() = H ()
De tal manera que
|H ()|
2
= H () H
() = H () H () = H (z) H
_
z
1
_
|
z=e
j
4.9. La transformada de Fourier discreta
Para realizar el an alisis espectral de una secuencia se recurre a realizar la
transformada de Fourier de la se nal en un procesador digital. El problema que
194 CAP
ITULO 4. AN

surge consiste en que la transformada es una funci on continua de la frecuen-
cia y por lo tanto requiere de innitos puntos para su representaci on en el
intervalo nito de frecuencias [, ] e innitas posiciones de memoria para su
almacenamiento. Se recurre entonces a una forma de representaci on equivalente
denominada la transformada discreta de Fourier, la cual consiste en el muestreo
de la transformada de Fourier en una serie de puntos distribuidos uniformemente
en el intervalo de frecuencias mencionado.
Tomando N muestras de la transformada de Fourier
X () =
n=
x(n) e
jn
En un intervalo de 2, se tiene:
X
_
2k
N
_
=
n=
x(n) e
j2kn
N
con k = 0, 1, , N 1
= +
1
n=N
x(n) e
j2kn
N
+
N1
n=0
x(n) e
j2kn
N
+
2N1
n=N
x(n) e
j2kn
N
+
X
_
2k
N
_
=
l=
lN+N1
n=lN
x(n) e
j2kn
N
=
l=
N1
n=0
x(n lN) e
j2kn
N
=
N1
n=0
l=
x(n lN)
. .
xp(n)
e
j2kn
N
La se nal x
p
(n) es una replica peri odica de x(n) con perodo N y por lo tanto se
puede representar por medio de una serie de Fourier, de la siguiente forma:
x
p
(n) =
N1
k=0
C
k
e
jk2n
N
con n = 0, 1, , N 1
Donde
C
k
=
1
N
N1
n=0
x
p
(n) e
jk2n
N
con k = 0, 1, , N 1
O sea,
C
k
=
1
N
X
_
2k
N
_
con k = 0, 1, , N 1
Por lo tanto,
x
p
(n) =
1
N
N1
k=0
X
_
2k
N
_
e
jk2n
N
con n = 0, 1, , N 1
Si L N no habr a aliasing en el tiempo en x
p
(n) y entonces se puede
recuperar x(n) a partir de x
p
(n), de lo contrario es imposible lograrlo. En la
gura 4.32 se muestra una funci on y su respectiva versi on peri odica con y sin
aliasing.
Figura 4.32: (a) x(n), (b) Versi on peri odica sin aliasing temporal. (c) Versi on
peri odica con aliasing temporal.
Esta gura se realiz o hallando primero el n umero de muestras deseado de
la transformada de Fourier con la funci on aliasing() que se muestra a contin-
uaci on y calculando luego la transformada inversa con la funci on idiscreta() que
tambien se muestra.
Funci on en Matlab: Permite construir cualquier n umero de muestras de la Trans-
formada de Fourier. Donde x es un la se nal y N es el numero de muestras
deseadas de la transformada.
function[y]=aliasing(x,N)
N1=length(x);
y=zeros(1,N);
for k=0:N-1
suma=0;
for n=0:N1-1
suma=suma+x(n+1)*exp(-j*2*pi*k*n/N);
end
196 CAP
ITULO 4. AN

y(k+1)=suma;
end
Funci on en Matlab: Permite construir cualquier n umero de puntos en varios
perodos de la transformada inversa discreta de Fourier. Donde x es un perodo
de la transformada discreta de Fourier y long es el n umero de puntos deseados
de la se nal.
function[y]=idiscreta(x,long)
N=length(x);
y=zeros(1,long);
for n=0:long-1
suma=0;
for k=0:N-1
suma=suma+x(k+1)*exp(j*2*pi*k*n/N);
end
y(n+1)=suma;
end
y=y/N;
Si no se produce aliasing temporal se tiene:
x(n) =
_
x
p
(n) , 0 n N 1
0, Otro caso
Tambien se puede recuperar el espectro X(w) a partir de sus N muestras si no
hay aliasing en el tiempo de la siguiente forma:
X () =
n=
x(n) e
jn
Con:
x(n) =
1
N
N1
k=0
X
_
2k
N
_
e
j2kn
N
, n = 0, 1, , N 1
X () =
N1
n=0
1
N
N1
k=0
X
_
2k
N
_
e
j2kn
N
e
jn
=
N1
k=0
X
_
2k
N
_
1
N
N1
n=0
e
j
2k
N
n
. .
P(
2k
N
)
En donde:
P () =
1
N
N1
n=0
e
jn
=
1
N
1 e
jN
1 e
j
=
sen
_
N
2
_
N sen
_
2
_e
j(N1)
2
Se concluye que,
X () =
N1
k=0
X
_
2k
N
_
P
_

2k
N
_
con N 1
4.9.1. La transformada de Fourier discreta
Las muestras de X(w) no representan de manera unvoca a x(n) si esta es
de duraci on innita, pero si x(n) es de duraci on L < N, X
_
2k
N
_
genera una
secuencia peri odica,
x
p
(n) =
_
x(n) , 0 n L 1
0 , L n N 1
Esto equivale a rellenar con N L ceros a x(n); para reconstruir a X(w) s olo se
requieren L muestras y aunque el relleno con ceros no aporta informaci on adi-
cional sobre X(w) s mejora la representaci on gr aca ya que produce un trazo
m as continuo.
Si x(n) = 0 para n < 0 y n L, entonces:
X () =
N1
n=0
x(n) e
jn
con 0 2
Tomando N muestras de X(w):
X
_
2k
N
_
= X (k) =
L1
n=0
x(n) e
j2kn
N
X (k) =
N1
n=0
x(n) e
j2kn
N
con k = 0, 1, , N 1
Esto convierte una se nal de longitud L en un conjunto de muestras en frecuencia
X(k) de longitud N denominado transformada discreta de Fourier (DFT).
198 CAP
ITULO 4. AN

De manera equivalente la transformada discreta de Fourier se puede expresar
como:
X (k) =
N1
n=0
x(n) W
kn
N
con k = 0, 1, , N 1
En donde:
W
N
e
j2
N
Por otro lado, la transformada inversa discreta de Fourier (IDFT), est a dada
por:
x(n) =
1
N
N1
k=0
X (k) e
j2kn
N
con n = 0, 1, , N 1
Similarmente, la transformada inversa se puede expresar as:
x(n) =
1
N
N1
k=0
X (k) W
kn
N
con n = 0, 1, , N 1
Las relaciones anteriores se pueden simbolizar as:
x(n)
DTF
N
X (k)
4.9.2. Relaci on de la DFT con la serie de Fourier y otras
transformadas
Relaci on con los coecientes de la serie de Fourier
x
p
(n) =
N1
k=0
C
k
e
jk2n
N
con n
C
k
=
1
N
N1
n=0
x
p
(n) e
jk2n
N con k = 0, 1, , N 1
De acuerdo con estas expresiones se puede concluir que
X (k) = NC
k
Relaci on con la transformada de Fourier
De acuerdo con los resultados anteriores se tiene que
X (k) = X ()
=
2k
N
La transformada inversa produce una secuencia peri odica
x
p
(n) =
l=
x(n lN)
De la cual se puede recuperar una secuencia con aliasing
x (n) =
_
x
p
(n) , 0 n N 1
0 , El resto
Si x(n) es de longitud L N entonces
x(n) = x(n) , 0 n N 1
Relaci on con la transformada Z
X (k) = X (z)
z=e
j2k
N
con k = 0, 1, , N 1
La transformada discreta de Fourier consiste en muestras de X(z) en N puntos
sobre la circunferencia unidad.
X (k) =
n=
x(n)e
jk2n
N
Siempre y cuando la ROC de la transformada Z incluya esta circunferencia.
Si x(n) es de longitud L N se puede recuperar unvocamente a partir de
su DFT de N puntos y por lo tanto tambien su transformada Z.
X (z) =
N1
n=0
x(n) z
n
=
N1
n=0
_
1
N
N1
k=0
X (k) e
jk2n
N
_
z
n
=
1
N
N1
k=0
X (k)
N1
n=0
_
e
j2k
N
z
1
_
n
=
1
N
_
1 z
N
_
N1
k=0
X (k)
1 e
j2k
N z
1
Tambien, de acuerdo con este resultado,
X () =
1 e
jN
N
N1
k=0
X (k)
1 e
j
2k
N
200 CAP
ITULO 4. AN

La funci on freqz de Matlab permite hallar N puntos de la respuesta en fre-
cuencia de un sistema o de la transformada de Fourier de una se nal con base en
la correspondiente transformada Z.
4.9.3. Propiedades de la transformada discreta de Fourier
La transformada discreta de Fourier cumple pr acticamente todas las propiedades
de la transformada de Fourier, con algunas diferencias importantes que se enfa-
tizar an oportunamente.
Periodicidad
Si
x(n)
DTF
N
X (k)
Entonces
x(n +N) = x(n) , n
X (k +N) = X (k) , k
Ejemplo: La siguiente funci on en Matlab permite construir cualquier n umero de
puntos en varios perodos de la transformada discreta de Fourier.
Funci on en Matlab: En este caso, x es un periodo de la se nal peri odica y long
es el n umero de puntos deseados.
function[y]=discreta(x,long)
N=length(x);
y=zeros(1,long);
for k=0:long-1
suma=0;
for n=0:N-1
suma=suma+x(n+1)*exp(-j*2*pi*k*n/long);
end
y(k+1)=suma;
end
k=0:long-1;
stem(k,abs(y))
La gura 4.33 muestra la magnitud de la transformada discreta de Fourier
de un tren peri odico de pulsos en uno y tres perodos.
Figura 4.33: Transformada de Fourier de un tren de pulsos: (a) Un perodo, (b)
Tres perodos.
La se nal correspondiente en el tiempo se puede calcular con un perodo completo
de la transformada discreta de Fourier utilizando la funci on idiscreta que se
mencion o previamente y se muestra en la gura 4.34.
Figura 4.34: Transformada inversa de Fourier.
Ejemplo 4.28: C odigo que usa las funciones idiscreta() y discreta() para producir
las gracas 4.33 y 4.34.
x = [1 1 1 0 0 0];
z = discreta(x,6);
202 CAP
ITULO 4. AN

figure
s = idiscreta(z,18);
stem(abs(s))
Linealidad
Si
x
1
(n)
DTF
N
X
1
(k)
x
2
(n)
DTF
N
X
2
(k)
Entonces,
ax
1
(n) +bx
2
(n)
DTF
N
aX
1
(k) +bX
2
(k)
La gura 4.35 muestra la magnitud de la transformada discreta de Fourier de
las se nales x(n) = a
n
(n), x(n) = a
n
cos (
0
n) (n) y de la suma de las dos.
Figura 4.35: Magnitud de la transformada discreta de Fourier de las se nales (a)
x(n) = a
n
(n), (b) x(n) = a
n
cos (
0
n) (n) y (c) a
n
(n) +a
n
cos (
0
n) (n).
Simetra circular de una secuencia
La DFT de N puntos de una secuencia de duraci on nita (L N), x(n), es
equivalente a la DFT de N puntos de una secuencia peri odica x
p
(n) de perodo
N:
x
p
(n) =
l=
x(n lN)
Si se desplaza x
p
(n) k unidades de tiempo se tiene lo siguiente:
x
p
(n) = x
p
(n k)
=
l=
x(n k lN)
La secuencia de duraci on nita
x
(n) =
_
x
p
(n) , 0 n N 1
0 , El resto
Se relaciona con x(n) mediante una operaci on de desplazamiento circular:
x
(n) = x(n k, m o dulo N)

= x((n k))
N
Esto quiere decir que el desplazamiento circular de una secuencia de N puntos
es equivalente al desplazamiento lineal de su extensi on peri odica y viceversa.
En la gura 4.36 se muestra una secuencia y su respectivo desplazamiento cir-
cular de 5 unidades, hecha con la funci on circular() en Matlab.
Figura 4.36: (a) Secuencia x(n), (b) Secuencia desplazada 5 unidades.
Funci on de Matlab: Realiza el desplazamiento circular basado en la transforma-
da discreta de Fourier.
function [xdesp]=circular(x,l)
x=fft(x);
204 CAP
ITULO 4. AN

N=length(x);
y=zeros(1,N);
for k=0:N-1
y(k+1)=x(k+1)*exp(-j*2*pi*l*k/N);
end
xdesp=ifft(y);
Ejemplo 4.29: El siguiente c odigo produce la gura 4.36 con el uso de la funci on
circular().
x = [1 1 1 0 0 0];
subplot 211
stem(x)
y = circular(x,5);
subplot 212
stem(abs(y))
Antes de hablar de la convoluci on circular es necesario precisar los siguientes
conceptos:
Secuencia circularmente par
En este tipo de secuencias (Ver gura 4.37) se cumple que:
x(N n) = x(n) con 1 n N 1
Figura 4.37: Secuencia circularmente par.
Secuencia circularmente impar
En este tipo de secuencias (Ver gura 4.38) se cumple que:
x(N n) = x(n) con 1 n N 1
Figura 4.38: Secuencia circularmente impar.
Reexi on temporal
En la reexi on temporal de una secuencia x(n) (Ver gura 4.39) se cumple
que:
x((n))
N
= x(N n) con 0 n N 1
La gura 4.39 fue lograda con el siguiente programa en Matlab.
Funci on en Matlab: Realiza la reexi on circular de una secuencia real.
function[y]=reflexion(x)
N=length(x);
y=fliplr(fft(x));
y=abs(ifft(y));
n=0:N-1;
subplot(211)
stem(n,x)
title((a))
subplot(212)
stem(n,y)
xlabel((b))
206 CAP
ITULO 4. AN

Figura 4.39: Secuencia x(n) y su versi on reejada.
4.9.4. Multiplicaci on de dos DFT y convoluci on circular
Si
x
1
(n)
DFT
N
X
1
(k)
x
2
(n)
DFT
N
X
2
(k)
Y, adem as
X
3
(k) = X
1
(k) X
2
(k) con k = 0, 1, , N 1
Entonces,
x
3
(m) =
1
N
N1
k=0
X
3
(k) e
j2km
N
x
3
(m) =
N1
n=0
x
1
(n) x
2
((mn))
N
con m = 0, 1, , N 1
Esta operaci on se denomina convoluci on circular de dos secuencias y se simboliza
de la siguiente manera:
{x
1
(n) x
2
(n)}
N
DFT
N
X
1
(k) X
2
(k)
Para el c alculo de la convoluci on circular se requieren los siguientes pasos:
1. Reexi on circular de una de las secuencias.
2. Multiplicaci on por la otra secuencia.
3. Suma de los puntos de la secuencia resultante para calcular el valor del
punto correspondiente de la salida.
4. Desplazamiento circular de una secuencia.
5. Repetir los pasos 2 a 4 hasta completar todos los desplazamientos posibles.
En la gura 4.40 se muestra el resultado de la convoluci on circular de dos
secuencias.
Figura 4.40: a) x(n), (b) h(n), (c) convoluci on circular de x(n) y h(n).
Se aprecia en esta gura que la convoluci on circular resultante no coincide
con la convoluci on lineal, cuyo resultado es el siguiente:
conv(x,h) = [1, 3, 6, 10, 9, 7, 4]
Esto se debe fundamentalmente a que se produjo aliasing en el tiempo por
una mala escogencia de la longitud de la convoluci on circular. Este problema
se resuelve teniendo en cuenta que la longitud de la convoluci on lineal es la
suma de las longitudes de cada una de las secuencias menos uno y por lo tanto
es necesario agregar ceros al nal de cada una de las secuencias, lo que no las
modica, y recalcular la convoluci on lineal como se muestra en la gura 4.41.
Ejemplo 4.30: C odigo en Matlab que crea la graca 4.41.
x = [1 2 3 4 0 0 0];
h = [1 1 1 1 0 0 0];
subplot 311
stem(x)
subplot 312
stem(h)
208 CAP
ITULO 4. AN

subplot 323
conv_circular(x,h,7);
Figura 4.41: (a) y (b) Secuencias con inserci on de ceros, (c) Convoluci on circular
de estas secuencias.
Funci on en Matlab: Devuelve la convoluci on circular de dos secuencias x(n) y
h(n), en donde L es la longitud deseada de la convoluci on circular.
function[y]=conv_circular(x,h,L)
x=[x,zeros(1,L-length(x))];
h=[h,zeros(1,L-length(h))];
xw=fft(x,L);
hw=fft(h,L);
yw=xw.*hw;
y=ifft(yw);
y=abs(y);
n=0:L-1;
subplot(311)
stem(n,abs(x));
ylabel(( a ))
subplot(312)
stem(n,abs(h));
ylabel(( b ))
subplot(313)
stem(n,abs(y));
ylabel(( c ))
4.9.5. Desplazamiento circular en el tiempo de una se-
cuencia
Si
x(n)
DFT
N
X (k)
Entonces,
x((n l))
N
DFT
N
X (k) e
j2kl
N
En la gura 4.42 se muestra una se nal y su correspondiente desplazamiento
circular de 5 unidades.
Figura 4.42: (a) x(n), (b) x(n 5)
N
.
4.9.6. Desplazamiento circular en frecuencia
Si
x(n)
DFT
N
X (k)
Entonces,
x(n) e
j2l
N
n
DFT
N
X ((k l))
N
La gura 4.43 muestra el espectro de una se nal y su correspondiente espectro
desplazado L unidades resultado de multiplicar la se nal por e
j2L
n
N
.
210 CAP
ITULO 4. AN

Figura 4.43: Magnitud y angulo del espectro de las se nales: (a) y (b): x(n), (c)
y (d) x(n) e
j2L
n
N
.
Esta gura fue construida con el siguiente programa elaborado en Matlab:
Funci on en Matlab: Realiza el desplazamiento circular de una secuencia basado
en la transformada discreta de Fourier.
function [xdesp]=circular_frecuencia(x,L)
z=fft(x);
N=length(x);
y=zeros(1,N);
for n=0:N-1
y(n+1)=x(n+1)*exp(-j*2*pi*L*n/N);
end
ydesp=fft(y);
n=0:N-1;
subplot(221)
stem(n,abs(z))
title((a))
subplot(222)
stem(n,angle(z))
title((b))
subplot(223)
stem(n,abs(ydesp))
title((c))
subplot(224)
stem(n,angle(ydesp))
title((d))
4.9.7. Multiplicaci on de dos secuencias
Si
x
1
(n)
DFT
N
X
1
(k)
x
2
(n)
DFT
N
X
2
(k)
Entonces,
x
1
(n) x
2
(n)
DFT
N
1
N
{X
1
(k) X
2
(k)}
N
En la gura 4.44 se muestra el espectro en magnitud y fase de dos se nales y su
producto, logrado con la siguiente funci on realizada en Matlab:
Funci on en Matlab: Devuelve la convoluci on circular de dos espectros, resultado
de multiplicar dos seales x(n) y h(n) en el tiempo.
function[y]=conv_circular_tiempo(x,h)
L=max(length(x), length(h));
x=[x,zeros(1,L-length(x))];
h=[h,zeros(1,L-length(h))];
z=x.*h;
xw=fft(x,L);
hw=fft(h,L);
zw=fft(z)/L;
n=0:L-1;
subplot(321)
stem(n,abs(xw));
ylabel(( a ))
subplot(322)
stem(n,angulo(xw));
ylabel(( b ))
subplot(323)
stem(n,abs(hw));
ylabel(( c ))
subplot(324)
stem(n,angulo(hw));
ylabel(( d ))
subplot(325)
stem(n,abs(zw));
ylabel(( e ))
212 CAP
ITULO 4. AN

subplot(326)
stem(n,angulo(zw));
ylabel(( f ))
Figura 4.44: Espectro en magnitud y fase de dos se nales y el producto de ellas.
4.9.8. Teorema de Parseval
Si
x(n)
DFT
N
X (k)
y (n)
DFT
N
Y (k)
Entonces,
N1
n=0
x(n) y
(n) =
1
N
N1
k=0
X (k) Y

(K)
En particular, si x(n) = y(n), entonces
N1
n=0
|x(n)|
2
=
1
N
N1
k=0
|X (k)|
2
4.10. Metodos de ltrado lineal usando la DFT
Como se vio previamente un sistema LTI tiene una relaci on entrada-salida
desde el punto de vista de la frecuencia dada por la expresi on,
Y () = H () X ()
4.10. M
ETODOS DE FILTRADO LINEAL USANDO LA DFT 213

O visto como un par transformado,
Y () = H () X ()
F
x(n) h(n)
El c alculo de esta relaci on en un procesador digital de se nales es problem atico
porque las funciones involucradas son continuas en la frecuencia.
Si se trabaja con la transformada discreta de Fourier se puede expresar la
relaci on entradasalida como:
Y (k) = Y ()
=
2k
N
con k = 0, 1, , N 1
O, de manera equivalente, como un par transformado:
Y (k) = H (k) X (k)
DFT
N
{x(n) h(n)}
N
Sin embargo, esta operaci on puede no ser equivalente a la convoluci on lineal
debido al aliasing temporal.
En la convoluci on lineal, si:
x(n) = 0 con n < 0 y n L
Y adem as,
h(n) = 0 con n < 0 y n M
Entonces,
y (n) =
M1
k=0
h(k) x(n k)
Lo que implica que la salida y(n) ser a cero para n < 0 y n L + M 1, es
decir, tendr a una longitud L+M 1 y por esta raz on las transformadas Y (k),
X(k) y H(k) deber an tener todas esta misma longitud, de tal manera que la
convoluci on circular coincida con la convoluci on lineal. Es necesario, entonces,
aumentar la longitud de x(n) y h(n) agregando ceros, hasta completar la longi-
tud igual a L +M 1 o superior.
En las guras 4.45 y 4.46 se muestran dos se nales y su respectiva convoluci on
circular para dos longitudes diferentes, en la primera se aprecia el efecto del
aliasing temporal por una selecci on incorrecta de la longitud de la convoluci on
circular y en la segunda se hace la elecci on adecuada de dicha longitud y por
tanto no se presenta aliasing.
214 CAP
ITULO 4. AN

Figura 4.45: (a) x(n), (b) h(n), (c) Convoluci on circular de estas se nales con
aliasing.
Figura 4.46: (a) x(n), (b) h(n), (c) Convoluci on circular de estas se nales sin
aliasing.
Si la secuencia a ltrar es de larga duraci on (O eventualmente de duraci on
innita) es ineciente usar la transformada discreta de Fourier de manera di-
recta porque se requeriran longitudes de DFT demasiado grandes y por tanto
es necesario partir la secuencia de entrada en bloques peque nos y realizar el
ltrado con una de las dos metodologas que se enuncian a continuaci on:
Metodo de solapamiento y almacenamiento
En este metodo se escogen bloques de entrada de tama no N = L+M1,
4.10. M
ETODOS DE FILTRADO LINEAL USANDO LA DFT 215

tomando al principio de cada uno M 1 datos del anterior (En el primer
bloque se a naden M 1 ceros porque no hay datos del anterior), se elige
la secuencia h(n) de longitud M y se le agregan L 1 ceros, luego se
calculan las transformadas de las dos secuencias, se realiza el producto de
ambos resultados y posteriormente se calcula la transformada inversa de
L +M 1 puntos.
Como las secuencias x(n) y h(n) tienen longitudes L+M1 y M respec-
tivamente, las de las transformadas deberan ser L+ 2M 2 para que no
existiera aliasing pero en realidad es N = L + M 1 y por tanto se con-
cluye que los primeros M 1 puntos tienen aliasing y deben desecharse,
los restantes est an correctos y se almacenan para obtener la secuencia de
salida, uniendola con los otros bloques resultantes.
Funci on en Matlab: Realiza el ltrado de una se nal de longitud grande, mediante
el metodo de solapamiento y almacenamiento. Donde:
x: Secuencia de entrada.
h: Respuesta al impulso.
Nt: Longitud de la transformada Con restricciones en las longitudes m axima
y mnima.
y: Secuencia de salida.
function[y]=overlap_save(x,h,Nfft)
M=length(h);
H=fft(h,Nfft);
L=Nfft-M+1;
bloque=[zeros(1,M-1),x(1:L)];
B=fft(bloque,Nfft);
y1=B.*H;
yseg=ifft(y1);
y(1:L)=yseg(M:Nfft);
for ix=L+1:L:length(x)
if ix+L-1>length(x)
x=[x,zeros(1,ix+L-1-length(x))];
end
bloque=x(ix-M+1:ix+L-1);
B=fft(bloque,Nfft);
y1=B.*H;
yseg=ifft(y1);
y(ix:ix+L-1)=yseg(M:Nfft);
end
if ~any(imag(h))& ~any(imag(x))
y=real(y);
end
216 CAP
ITULO 4. AN

En la secuencia siguiente se muestra el valor de la se nal, la respuesta al
impulso y los distintos bloques usados en el c alculo de la transformada de
la se nal de entrada.
x=1:20;
h=[1 0 1 0 1];
y=overlap_save(x, h, 10);
bloque = [ 0 0 0 0 1 2 3 4 5 6]
bloque = [ 3 4 5 6 7 8 9 10 11 12]
bloque = [ 9 10 11 12 13 14 15 16 17 18]
bloque = [15 16 17 18 19 20 0 0 0 0]
Metodo de solapamiento y suma
Se escogen bloques de longitud L y se le agregan M 1 ceros al nal de
cada uno. Se calculan las transformadas de longitud N = L+M1 tanto
de la secuencia de entrada como de la respuesta al impulso. Se hace el
producto de las transformadas y luego se calcula la transformada inversa
de longitud N.
Como la secuencia de entrada es de longitud L y la respuesta al impulso
de longitud M, la secuencia resultante de longitud L + M 1 no tiene
aliasing. Esto quiere decir que los M1 ultimos puntos de esta secuencia
se deben sumar con los primeros de la secuencia resultante siguiente.
Funci on en Matlab: Realiza el ltrado de una se nal de longitud grande mediante
el metodo de solapamiento y suma. Donde:
x: Secuencia de entrada.
h: Respuesta al impulso.
Nt: Longitud de la transformada Con restricciones en la longitud mnima.
y: Secuencia de salida.
function[y]=overlap_add(x,h,Nfft)
H=fft(h,Nfft);
M=Nfft-length(h)+1;
y=zeros(1,length(x)+Nfft-1);
for ix=1:M:length(x)
if ix+M-1>length(x)
x=[x,zeros(1,ix+M-1-length(x))];
end
x_seg=x(ix:ix+M-1)
X=fft(x_seg,Nfft);
Y=X.*H;
4.11. CALCULO EFICIENTE DE LA DFT 217
y_seg=ifft(Y);
y(ix:ix+Nfft-1)=y(ix:ix+Nfft-1)+y_seg(1:Nfft);
end;
if ~any(imag(h))& ~any(imag(x))
y=real(y);
end;
En la siguiente secuencia se muestra el valor de la se nal, la respuesta al
impulso y los distintos bloques usados en el c alculo de la transformada de
la se nal de entrada.
x=1:51;
h=[1 0 1 0 1];
y=overlap_add(x,h,12);
bloque = [ 1 2 3 4 5 6 7 8]
bloque = [ 9 10 11 12 13 14 15 16]
bloque = [17 18 19 20 21 22 23 24]
bloque = [25 26 27 28 29 30 31 32]
bloque = [33 34 35 36 37 38 39 40]
bloque = [41 42 43 44 45 46 47 48]
bloque = [49 50 51 0 0 0 0 0]
4.11. Calculo eciente de la DFT
A continuaci on se analizan algunos metodos de c alculo de la Transformada
de Fourier Discreta que son muy ecientes desde el punto de vista computa-
cional.
Como se vio previamente, la transformada discreta de Fourier est a dada por:
X (k) =
N1
n=0
x(n) W
kn
N
, con 0 k N 1
Y la transformada inversa se puede hallar mediante la siguiente expresi on:
x(n) =
1
N
N1
k=0
X (k) W
nk
N
, con 0 n N 1
En donde el factor de fase:
W
N
= e
j2
N
Tiene las siguientes propiedades que son utiles para simplicar el c alculo de la
transformada discreta de Fourier:
218 CAP
ITULO 4. AN

Simetra
W
k+
N
2
N
= W
k
N
W
k+
N
2
N
= e
j2
N
k+
N
2
= e
j2k
N
e
j
= e
j2k
N
= W
k
N
Periodicidad
W
k+N
N
= W
k
N
W
k+N
N
= e
j2
N
(k+N)
= e
j2k
N
e
j2
= e
j2k
N
= W
k
N
Para el c alculo de la transformada discreta directa o inversa de Fourier se tiene
que para cada valor de k se requieren:
N multiplicaciones complejas (4N productos reales).
N 1 sumas complejas ((4N 2) sumas reales).
En total N
2
productos complejos (4N
2
productos reales y N
2
N sumas
complejas).
Para el c alculo directo de la DFT utilizando funciones trigonometricas se tiene:
X
R
(k) =
N1
n=0
_
x
R
(n) cos
2kn
N
+x
I
(n) sen
2kn
N
_
X
I
(k) =
N1
n=0
_
x
R
(n) sen
2kn
N
x
I
(n) cos
2kn
N
_
En este caso se requiere realizar:
2N
2
c alculos de funciones trigonometricas.
4N
2
multiplicaciones reales.
4N(N 1) sumas reales, ya que sen(
2kn
N
) = 0 para k, n = 0.
Numerosas operaciones de direccionamiento e indexado.
4.11.1. Metodo divide y venceras
La estrategia para lograr una reducci on en el n umero de c alculos consiste
en descomponer la DFT de N puntos en DFTs m as peque nas, haciendo que la
longitud de la secuencia se fragmente en un par de factores enteros:
N = LM
Si N es un n umero primo se rellena la secuencia con ceros, de tal manera que
se pueda expresar la longitud resultante como el producto de dos enteros.
La secuencia x(n) se puede almacenar en una matriz bidimensional indexa-
da por l y m, como se muestra en la gura 4.47, de tal manera que:
0 l L 1 y 0 m M 1
Figura 4.47: Arreglo bidimensional para almacenar una secuencia.
Dependiendo de la correspondencia entre n, l y m se pueden generar dos
tipos de arreglos diferentes, as:
Almacenamiento por las:
En este caso:
n = Ml +m
Cada la contiene M elementos consecutivos de x(n), como se aprecia en
la gura 4.48.
Figura 4.48: Arreglo bidimensional para almacenar una secuencia por las.
220 CAP
ITULO 4. AN

Funci on en Matlab: Organiza el vector x en una matriz bidimensional (L,M).
Donde:
x: Vector a organizar.
M: Nmero de columnas deseadas.
function[y]=alm_filas(x,M)
long=length(x);
L=ceil(long/M);
x=[x,zeros(1,L*M-long)];
for l=0:L-1
y(l+1,1:M)=x(M*l+1:M*l+M);
end
Ejemplo 4.31: Usando el programa anterior se obtuvieron los siguientes
resultados:
x = [ 1 2 3 4 5 6 7 8 9 10 11 12
13 14 15 16 17 18 19 20 21 22 23 24 25 26
27 28 29 30 31 32 33 34 35 36 37 38 39 40
41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 68
69 70 71 72 73 74 75 76 77 78 79 80 81 82
83 84 85 86 87 88 89 90 91 92 93 94 95 96
97 98 99 100 ]
M = 12
y=alm_filas(x,M)
y =
1 2 3 4 5 6 7 8 9 10 11 12
13 14 15 16 17 18 19 20 21 22 23 24
25 26 27 28 29 30 31 32 33 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48
49 50 51 52 53 54 55 56 57 58 59 60
61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84
85 86 87 88 89 90 91 92 93 94 95 96
97 98 99 100 0 0 0 0 0 0 0 0
Almacenamiento por columnas:
En este caso:
n = Lm+l
Cada columna contiene L elementos consecutivos de x(n), como se aprecia
en la gura 4.49.
Figura 4.49: Arreglo bidimensional para almacenar una secuencia por columnas.
Funci on en Matlab: Organiza el vector x en una matriz bidimensional (L,M).
Donde:
x: Vector a organizar.
L: N umero de las deseadas.
function[y]=alm_columnas(x,L)
long=length(x);
M=ceil(long/L);
x=[x,zeros(1,L*M-long)];
for l=0:L-1
for m=0:M-1
y(l+1,m+1)=x(m*L+l+1);
end
end
Ejemplo 4.32: Usando el programa anterior se obtuvieron los siguientes
resultados:
x = [ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51
52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69
70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87
88 89 90 91 92 93 94 95 96 97 98 99 100 ]
L=12
y=alm_columnas(x,L)
222 CAP
ITULO 4. AN

y =
1 13 25 37 49 61 73 85 97
2 14 26 38 50 62 74 86 98
3 15 27 39 51 63 75 87 99
4 16 28 40 52 64 76 88 100
5 17 29 41 53 65 77 89 0
6 18 30 42 54 66 78 90 0
7 19 31 43 55 67 79 91 0
8 20 32 44 56 68 80 92 0
9 21 33 45 57 69 81 93 0
10 22 34 46 58 70 82 94 0
11 23 35 47 59 71 83 95 0
12 24 36 48 60 72 84 96 0
De manera similar, los resultados de la transformada discreta de Fourier X(k)
de la secuencia, se pueden almacenar de dos formas diferentes dependiendo de
la relaci on entre k, p y q, con:
0 p L 1 y 0 q M 1
Si:
k = Mp +q: Se produce almacenamiento por las de la transformada.
k = Lq +p: Almacenamiento por columnas de la transformada.
4.11.2. Metodo de diezmado en el tiempo
En el caso en que x(n) este almacenado por columnas (O sea, n = (mL+l)
y X(k) lo este por las con k = (pM + q)), se puede expresar la transformada
discreta de Fourier de la siguiente manera:
X (p, q) =
M1
m=0
L1
l=0
x(l, m) W
(pM+q)(mL+l)
N
Pero:
W
(pM+q)(mL+l)
N
= W
MLmp
N
W
mLq
N
W
Mpl
N
W
lq
N
W
Nmp
N
= 1
W
mqL
N
= W
mq
N
L
= W
mq
M
W
Mpl
N
= W
pl
N
M
= W
pl
L
X (p, q) =
L1
l=0
_
W
lq
N
_
M1
m=0
x(l, m) W
mq
M
__
W
lp
L
Esta expresi on implica el c alculo de DFT de longitudes M y L:
Primero se calcula la DFT de M puntos:
F (l, q) =
M1
m=0
x(l, m) W
mq
M
con 0 q M 1
Para cada una de las las, l = 0, 1, , L 1.
Luego se calcula la matriz producto:
G(l, q) = W
lq
N
F (l, q) con 0 l L 1 y 0 q M 1
Por ultimo se calcula la DFT de L puntos:
X (p, q) =
L1
l=0
G(l, q) W
lp
L
Para cada columna q = 0, 1, , M 1.
Complejidad de los calculos en esta metodologa
El primer paso requiere el c alculo de L transformadas discretas de Fourier
cada uno de M puntos, lo que requiere LM
2
multiplicaciones complejas y
LM(M 1) sumas complejas.
El segundo, requiere LM multiplicaciones complejas.
El tercero, exige ML
2
productos complejos y ML(L1) sumas complejas.
Se tiene entonces, el siguiente n umero de operaciones:
Multiplicaciones complejas: N(M +L+1), cuando antes se requeran N
2
.
224 CAP
ITULO 4. AN

Sumas complejas: N(M +L2), cuando antes se necesitaban: N(N 1).
Ejemplo 4.33: En el caso en que la longitud de la secuencia sea de 1000, se tiene:
N = 1,000 N
2
= 1,000,000
Con el metodo de diezmado en el tiempo para la misma secuencia se requieren:
L = 2, M = 500 503,000 multiplicaciones complejas.
501,000 sumas complejas.
Se observa que se produce una reducci on en los c alculos del orden de 2 a 1.
Si N puede descomponerse en un producto de n umeros primos:
N = r
1
r
2
r
3
r
v
Esta descomposici on puede repetirse (v 1) veces m as logr andose en cada una
de ellas la misma reducci on de 2 a 1 en los c alculos.
Funci on en Matlab: Calcula la transformada discreta de Fourier por el metodo
de diezmado en el tiempo. Donde L es el n umero de las.
function[x1] = diezmado_tiempo(x,L)
x1=alm_columnas(x,L); %Se almacena el vector en una matriz (L,M) por
[L1,L2]=size(x1); %columnas agregando ceros si es necesario
M=L1*L2/L; %Se calcula el numero de columnas resultantes
N=M*L; %Se halla la longitud del vector resultante al
%agregar ceros
x1=fft(x1.).; %Se realiza la transformada de la matriz por filas
w=zeros(L1,L2);
for l=0:L-1
for q=0:M-1
w(l+1,q+1)=exp(-j*2*pi*l*q/N); %Se calcula la matriz de fase
end
end
x1=x1.*w; %Se hace el producto de la transformada por el
%factor de fase
x1=fft(x1); %Se calcula la transformada por columnas
Ejemplo 4.34: A continuaci on se muestran todos los resultados intermedios del
metodo de diezmado en el tiempo obtenidos mediante el programa anterior:
Se nal a la que se le va a calcular la transformada:
x = [ 1 2 3 4 5 ]
Vector organizado por columnas:
x(L, M) =
_
_
1 4
2 5
3 0
_
_
Transformada por las de x(L, M):
F (l, q) =
_
_
5 3
7 3
3 3
_
_
Matriz de fase:
W
l q
N
=
_
_
1.0000 1.0000
1.0000 0.5000 0.8660 i
1.0000 0.5000 0.8660 i
_
_
Producto entre la matriz de fase y la transformada por las:
G(l, q) = W
l q
N
F (l, q) =
_
_
5.0000 3.0000
7.0000 1.5000 + 2.5981 i
3.0000 1.5000 2.5981 i
_
_
Transformada por columnas:
X (p, q) =
_
_
15.0000 6.0000
0.0000 3.4641 i 3.0000 + 0.0000 i
0 + 3.4641 i 6.0000 0.0000 i
_
_
4.11.3. Metodo de diezmado en frecuencia
En este caso se almacenan los datos de entrada por las y los datos de salida
por columnas, o sea:
n = Ml +m y k = Lq +p
De tal manera que la transformada discreta de Fourier X(k) se expresa de
la siguiente forma:
X (p, q) =
M1
m=0
L1
l=0
x(l, m) W
p m
N
W
p l
L
W
q m
M
=
M1
m=0
W
m q
M
_
L1
l=0
x(l, m) W
lp
L
_
W
m p
N
Esto implica que para calcular la transformada por este metodo se requiere
realizar los siguientes pasos:
226 CAP
ITULO 4. AN

Almacenamiento de la se nal por las.
C alculo de la DFT por columnas.
Multiplicaciones de la matriz resultante por los factores W
mp
N
.
C alculo de la DFT de M puntos por la.
Lectura por columnas de la matriz resultante.
Como resultado se logra una reducci on en la cantidad de c alculos similar a la
obtenida por el metodo de diezmado temporal.
Funci on en Matlab: Calcula la transformada discreta de Fourier por el metodo
de diezmado en frecuencia. Donde M es el n umero de columnas.
function[x2]=diezmado_frecuencia(x,M)
x1=alm_filas(x,M); %Se almacena el vector en una matriz (L,M) por
[L1,L2]=size(x1); %filas agregando ceros si es necesario
L=L1*L2/M; %Se calcula el numero de filas resultantes
N=M*L; %Se halla la longitud del vector resultante al
%agregar ceros
x1=fft(x1); %Se realiza la transformada de la matriz por
w=zeros(L1,L2); %columnas
for p=0:L-1
for m=0:M-1
w(p+1,m+1)=exp(-j*2*pi*m*p/N); %Se calcula la matriz de fase
end
end
x1=w.*x1; %Se realiza el producto de la transformada por el
%factor de fase
x2=fft(x1.).; %Se calcula la transformada por filas
Ejemplo 4.35: A continuaci on se muestran todos los resultados intermedios del
metodo de diezmado en frecuencia obtenidos mediante el programa anterior:
Se nal a la que se le va a calcular la transformada:
x = [ 0 1 2 3 4 5 ]
Vector organizado por las:
x(L, M) =
_
0 1 2
3 4 5
_
Transformada por columnas de x(L, M):
F (l, q) =
_
3 5 7
3 3 3
_
Matriz de fase:
W
l q
N
=
_
1.0000 1.0000 1.0000
1.0000 0.5000 0.8660 i 0.5000 0.8660 i
_
Producto entre la matriz de fase y la transformada por columnas:
G(l, q) = W
l q
N
F (l, q) =
_
3.0000 5.0000 7.0000
3.0000 1.5000 + 2.5981 i 1.5000 + 2.5981 i
_
Transformada por las:
X (p, q) =
_
15.0000 3.0000 + 1.7321 i 3.0000 1.7321 i
3.0000 + 5.1962 i 3.0000 0.0000 i 3.0000 5.1962 i
_
4.11.4. Algoritmos para la FFT base 2
Si en la descomposici on de N en productos de n umeros primos:
N = r
1
r
2
r
3
r
v
Se tiene que:
r
1
= r
2
= = r
v
r
O sea:
N = r
v
Entonces las transformadas son de tama no r, con r = 2 el m as usado, siendo r
la base del algoritmo para el c alculo de la FFT.
Algoritmo de diezmado en el tiempo
Sea:
N = 2
v
Y, adem as:
M =
N
2
y L = 2
Se divide la secuencia de datos en dos de longitud
N
2
, f
1
(n) y f
2
(n):
f
1
(n) = x(2n)
f
2
(n) = x(2n + 1)
_
con n = 0, 1, ,
N
2
1
228 CAP
ITULO 4. AN

f
1
(n) y f
2
(n) se obtienen diezmando x(n) por 2 y es por esta raz on que el
algoritmo se denomina de diezmado en el tiempo.
X (k) =
N1
n=0
x(n) W
k n
N
con k = 0, 1, , N 1
=
n par
x(n) W
k n
N
+
n impar
x(n) W
k n
N
=
N
2
1
m=0
x(2m) W
2m k
N
+
N
2
1
m=0
x(2m+ 1) W
(2m+1) k
N
Pero W
2
N
= W
N
2
X (k) =
N
2
1
m=0
f
1
(m) W
k m
N
2
+ W
k
N
N
2
1
m=0
f
2
(m) W
k m
N
2
= F
1
(k) +W
k
N
F
2
(k) con k = 0, 1, , N 1
De las expresiones de F
1
(k) y F
2
(k) se puede concluir que estas son peri odicas,
con perodo
N
2
:
F
1
_
k +
N
2
_
= F
1
(k)
F
2
_
k +
N
2
_
= F
2
(k)
Adem as,
W
k+
N
2
N
= W
k
N
Luego:
X (k) = F
1
(k) +W
k
N
F
2
(k) con k = 0, 1, ,
N
2
1
X
_
k +
N
2
_
= F
1
(k) W
k
N
F
2
(k)
El n umero de operaciones necesarias para el c alculo de la transformada est a dado
por:
_
N
2
_
2
productos complejos para calcular F
1
(k) y F
2
(k).
N
2
productos complejos para calcular W
k
N
F
2
(k).
En denitiva, el c alculo completo de multiplicaciones complejas requerido es:
2
_
N
2
_
2
+
N
2
=
N
2
2
+
N
2
Lo que comparado con los N
2
productos complejos del c alculo directo implica
una reducci on de aproximadamente la mitad.
Las expresiones anteriores se pueden escribir tambien de la siguiente manera:
G
1
(k) = F
1
(k) , k = 0, 1, ,
N
2
1
G
2
(k) = W
k
N
F
2
(k) , k = 0, 1, ,
N
2
1
X (k) = G
1
(k) + G
2
(k) , k = 0, 1, ,
N
2
1
X
_
k +
N
2
_
= G
1
(k) G
2
(k) , k = 0, 1, ,
N
2
1
El proceso de diezmado en el tiempo se puede repetir nuevamente, haciendo:
v
11
(n) = f
1
(2n) , n = 0, 1, ,
N
4
1
v
12
(n) = f
1
(2n + 1) , n = 0, 1, ,
N
4
1
v
21
(n) = f
2
(2n) , n = 0, 1, ,
N
4
1
v
22
(n) = f
2
(2n + 1) , n = 0, 1, ,
N
4
1
Calculando las DFTs de
N
4
puntos se obtienen las de
N
2
puntos F
1
(k) y F
2
(k):
F
1
(k) = V
11
(k) +W
k
N/2
V
12
(k) , k = 0, 1, ,
N
4
1
F
1
_
k +
N
4
_
= V
11
(k) W
k
N/2
V
12
(k) , k = 0, 1, ,
N
4
1
F
2
(k) = V
21
(k) +W
k
N/2
V
22
(k) , k = 0, 1, ,
N
4
1
F
2
_
k +
N
4
_
= V
21
(k) W
k
N/2
V
22
(k) , k = 0, 1, ,
N
4
1
El n umero de operaciones necesarias en este caso para el c alculo de la transfor-
mada est a dado por:
4
_
N
4
_
2
multiplicaciones para calcular los { v
ij
(k) }, o sea que los F
1
(K)
y F
2
(k) pueden calcularse con
N
2
4
+
N
2
multiplicaciones complejas.
N
2
multiplicaciones complejas m as para calcular X(k) a partir de F
1
(k) y
F
2
(k).
230 CAP
ITULO 4. AN

En denitiva, el n umero total de multiplicaciones es (
N
2
4
)+N, con una reducci on
de aproximadamente la mitad de los c alculos. Es posible repetir este proceso
hasta que las secuencias sean de un punto, de tal manera que para N = 2
v
el
diezmado puede realizarse v = log
2
N veces, tal que el n umero de operaciones
necesarias sea:
(
N
2
) log
2
N multiplicaciones complejas.
N log
2
N sumas complejas.
Como un caso particular si N = 8 la transformada se realiza en tres etapas:
1. Se comienza con el c alculo de 4 DFTs de 2 puntos.
2. Luego se hallan 2 DFTs de 4 puntos.
3. Por ultimo se encuentra la DFT de 8 puntos.
El c alculo b asico se parece a una mariposa, como se observa en la gura 4.50:
Figura 4.50: Mariposa b asica para el c alculo de la DFT.
Con esta metodologa de c alculo de la transformada:
Cada mariposa requiere una multiplicaci on y dos sumas complejas.
Para N = 2
v
se tienen
N
2
mariposas y log
2
N etapas y por tanto se re-
quieren (
N
2
) log
2
N productos y N log
2
N sumas.
Cada vez que se calcula una mariposa los resultados se pueden almacenar
en las mismas posiciones de la entrada, lo que implica una cantidad ja
de memoria es decir, 2N registros para N n umeros complejos.
La secuencia diezmada se encuentra en orden binario invertido y la se-
cuencia X(k) resultante se encuentra en orden normal.
Funci on en Matlab: calcula la transformada discreta de Fourier por el metodo
del diezmado temporal. En donde el vector de entrada debe tener una longitud
que sea potencia de dos, adem as se hace uso de la funci on alc(x,L) que almacena
el vector en una matriz de dos las y N/2 columnas.
function[y]=fft_diez_tem(x)
%USO:
% [y]=fft_diez_tem(x)
%En donde el vector de entrada debe tener una longitud que sea potencia
%de dos. Ademas se hace uso de la funcion alc(x,L) que almacena el
%vector en una matriz de dos filas y N/2 columnas.
%
y=alc(x,2); %Almacenamiento por columnas
[L1,L2]=size(y);
if L2 >1 %Si no se tiene una columna y dos filas se
%repite recursivamente
y1=fft_diez_tem(y(1,1:L2));
y2=fft_diez_tem(y(2,1:L2));
y=[y1(:).,y2(:).]; %Se recupera la secuencia en orden binario
%invertido
else
y=y(:).; %Idem
end
w=zeros(L1,L2); %Inicializacion de la matriz de fase
N=L1*L2; %tamano de la transformada
for l1=0:L1-1 %Calculo de la matriz de fase
for l2=0:L2-1
w(l2+1,l1+1)=exp(-j*2*pi*l1*l2/N);
end
end
w=w(:).;
y=y.*w; %Producto de las transformadas intermedias por
%la matriz de fase
for i=1:N/2 %Calculo de la mariposa
temp1=y(i);
temp2=y(i+N/2);
y(i)=temp1+temp2;
y(i+N/2)=temp1-temp2;
end
Ejemplo 4.36: A continuaci on se muestran los resultados intermedios del c alculo
de la transformada discreta de Fourier utilizando como entrada el siguiente
vector:
x = [ 0 1 2 3 4 5 6 7 ]
Vector en orden binario invertido:
y = [ 0 4 ]
232 CAP
ITULO 4. AN

Matriz de fase:
w = [ 1 1 ]
Producto del vector de fase por la matriz en orden binario invertido:
y = [ 0 4 ]
Resultado de la mariposa:
y = [ 4 4]
y = [ 2 6]
Matriz de fase:
w = [ 1 1 ]
y = [ 2 6]
y = [ 8 4]
y = [ 4 4 8 4]
Matriz de fase:
w =
_
1.0000 1.0000
1.0000 0.0000 1.0000 i
_
y = [ 4.0000 4.0000 8.0000 0.0000 + 4.0000 i]
y = [ 12.0000 4.0000 + 4.0000 i 4.0000 4.0000 4.0000 i]
y = [ 1 5 ]
Matriz de fase:
w = [ 1 1 ]
y = [ 1 5]
y = [ 6 4]
y = [ 3 7 ]
Matriz de fase:
w = [ 1 1 ]
y = [ 3 7 ]
y = [ 10 4]
y = [ 6 4 10 4]
Matriz de fase:
w =
_
1.0000 1.0000
1.0000 0.0000 1.0000 i
_
y = [ 6.0000 4.0000 10.0000 0.0000 + 4.0000 i]
y = [ 16.0000 4.0000 + 4.0000 i 4.0000 4.0000 4.0000 i]
Vector en orden binario invertido
y = [ 12.0000 4.0000 + 4.0000 i 4.0000 4.0000 4.0000 i
16.0000 4.0000 + 4.0000 i 4.0000 4.0000 4.0000 i ]
Matriz de fase:
w =
_
_
1.0000 1.0000
1.0000 0.7071 0.7071 i
1.0000 0.0000 1.0000 i
1.0000 0.7071 0.7071 i
_
_
y = [ 12.0000 4.0000 + 4.0000 i 4.0000 4.0000 4.0000 i
16.0000 0.0000 + 5.6569 i 0.0000 + 4.0000 i 0.0000 + 5.6569 i ]
y = [ 28.0000 4.0000 + 9.6569 i 4.0000 + 4.0000 i 4.0000 + 1.6569 i
4.0000 4.0000 1.6569 i 4.0000 4.0000 i 4.0000 9.6569 i ]
234 CAP
ITULO 4. AN

Algoritmo de diezmado en frecuencia
En este caso se escoge M = 2 y L =
N
2
y se realiza almacenamiento por
columnas de la secuencia de entrada y se parte la transformada en dos, de la
siguiente forma:
X (k) =
N
2
1
n=0
x(n) W
k n
N
+
N 1
n=
N
2
x(n) W
k n
N
=
N
2
1
n=0
x(n) W
k n
N
+ W
N k/2
N
N
2
1
n=0
x
_
n +
N
2
_
W
k n
N
El factor de fase se puede simplicar de la siguiente manera:
W
N k/2
N
= (1 )
k
X (k) =
N
2
1
n=0
_
x(n) + (1 )
k
x
_
n +
N
2
_ _
W
k n
N
Se diezma X(k) en las muestras pares e impares:
X (2k) =
N
2
1
n=0
_
x(n) + x
_
n +
N
2
_ _
W
k n
N/2
con k = 0, 1, ,
N
2
1
X (2k + 1) =
N
2
1
n=0
_ _
x(n) x
_
n +
N
2
_ _
W
n
N
_
W
k n
N/2
con k = 0, 1, ,
N
2
1
Donde:
W
2
N
= W
N/2
Si se denen:
g
1
(n) = x(n) +x
_
n +
N
2
_
con n = 0, 1, ,
N
2
1
g
2
(n) =
_
x(n) x
_
n +
N
2
_
W
n
N
con n = 0, 1, ,
N
2
1
Entonces:
X (2k) =
N
2
1
n=0
g
1
(n) W
k n
N/2
X (2k + 1) =
N
2
1
n=0
g
2
(n) W
k n
N/2
En la gura 4.51 se muestra la primera etapa del algoritmo para la FFT de
diezmado en frecuencia:
Figura 4.51: Algoritmo de diezmado en frecuencia.
Como se observa en la gura 4.52 el c alculo b asico es nuevamente una mari-
posa:
Figura 4.52: Mariposa b asica para el diezmado en frecuencia.
El procedimiento puede repetirse diezmando las DFTs de
N
2
puntos X(2k) y
236 CAP
ITULO 4. AN

X(2k+1) lo que conlleva a v = log
2
N etapas de diezmado con
N
2
mariposas por
etapa, por tanto el c alculo de una DFT de N puntos por medio de este algoritmo
requiere (
N
2
)log
2
N multiplicaciones complejas y Nlog
2
N sumas complejas. En
este caso los datos de entrada se encuentran en orden natural y la secuencia
de salida est a en orden binario invertido, adicionalmente los c alculos se realizan
tambien in situ.
Funci on en Matlab: realiza la transformada discreta de Fourier por el metodo de
diezmado en frecuencia, utilizando base 2. En donde el vector de entrada debe
tener una longitud que sea potencia de dos.
function[y]=fft_diez_frec(y)
N=length(y);
for k=1:N/2 %Calculo de la mariposa
temp1=y(k);
temp2=y(k+N/2);
y(k)=temp1+temp2;
y(k+N/2)=(temp1-temp2)*exp(-j*2*pi*(k-1)/N);
end
if N>2 %Se repite recursivamente el calculo de la mariposa
%hasta que se hace por pares.
y1=fft_diez_frec(y(1:N/2).);
y2=fft_diez_frec(y(N/2+1:N).);
y=[y1(:).,y2(:).];
else
y=y(:).;
end
Ejemplo 4.37: La siguiente secuencia muestra paso a paso los resultados del
c alculo de la FFT mediante el uso del programa anterior:
Vector al que se le calcula la mariposa:
y = [ 0 1 2 3 4 5 6 7 ]
y = [ 4.0000 6.0000 8.0000 10.0000
4.0000 2.8284 + 2.8284 i 0.0000 + 4.0000 i 2.8284 + 2.8284 i ]
y = [ 4 6 8 10 ]
y = [ 12.0000 16.0000 4.0000 0.0000 + 4.0000 i ]
y = [ 12 16 ]
y = [ 28 4 ]
Resultados parciales en orden binario invertido:
y = [ 28 4 ]
y = [ 4.0000 0.0000 + 4.0000 i ]
y = [ 4.0000 + 4.0000 i 4.0000 4.0000 i ]
y = [4.0000 + 4.0000 i 4.0000 4.0000 i ]
y = [ 28.0000 4.0000 4.0000 + 4.0000 i 4.0000 4.0000 i ]
y = [ 4.0000 2.8284 + 2.8284 i 0.0000 + 4.0000 i 2.8284 + 2.8284 i ]
y = [4.0000 + 4.0000 i 0.0000 + 5.6569 i 4.0000 4.0000
0.0000 + 5.6569 i]
y = [ 4.0000 + 4.0000 i 0.0000 + 5.6569 i ]
y = [ 4.0000 + 9.6569 i 4.0000 1.6569 i ]
y = [ 4.0000 + 9.6569 i 4.0000 1.6569 i ]
y = [ 4.0000 4.0000 i 0.0000 + 5.6569 i ]
238 CAP
ITULO 4. AN

y = [ 4.0000 + 1.6569 i 4.0000 9.6569 i ]
y = [ 4.0000 + 1.6569 i 4.0000 9.6569 i ]
y = [4.0000 + 9.6569 i 4.0000 1.6569 i 4.0000 + 1.6569 i
4.0000 9.6569 i]
Resultado denitivo:
y = [ 28.0000 4.0000 4.0000 + 4.0000 i
4.0000 4.0000 i 4.0000 + 9.6569 i 4.0000 1.6569 i
4.0000 + 1.6569 i 4.0000 9.6569 i ]
Como se puede observar el resultado est a en orden binario invertido.
h(0) = h
e
(0) + h
o
(0)
. .
0
4.12. Problemas
1. Para las siguientes DTFTs sobre el intervalo |w| , hallar cada una de
las se nales x(n) correspondientes. (Ayuda: use expansiones de facciones
parciales.)
1
a. X(e
jw
) = (w

4
) +(w +

4
)
b. X(e
jw
) = u(w +

2
) u(w

2
)
c. X(e
jw
) = 1 2e
jw
+ 2e
j2w
d. X(e
jw
) =
_
1 e
jw
+ 0,5e
j2w
_
1
e. X(e
jw
) = cos (kw) , con k entero
f. X(e
jw
) = cos
_
w
2
_
g. X(e
jw
) = e
jw
2
cos
_
w
2
_
h. X(e
jw
) = jsen
3
(w)
i. X(e
jw
) =
_
1 2e
jw
_
1
j. X(e
jw
) =
_
1 2e
jw
+ 2e
j2w
_
1
1
Academia Publishers, 1996. Pg. 180.
4.12. PROBLEMAS 239
2. Obtenga las partes impar y par de x(n), y halle la DTFTs de las partes
pares en cada uno de los siguientes casos
2
:
a. x(n) = (n n
0
)
b. x(n) = a
n
u(n), |a| < 1
c. x(n) = u(n) u(n N), N > 0
d. x(n) = sen(w
0
n) u(n), 0 < w
0
<
3. Demuestre que la DFT enventanada X
w
(k) usando la ventana de Hanning
puede ser calculada con la DFT no enventanada X(k) asi
3
:
X
w
(k) =
1
4
X(k 1) +
1
2
X(k)
1
4
X(k + 1)
4. Calcule la DFT de la secuencia de datos {0, 1, 1, 0} y verique la validez
de su respuesta por medio del calculo de su IDFT
4
.
5. Calcule la DFT de la secuencia de datos {0, 1, 1, 0} usando el algoritmo
de FFT de diezmado en el tiempo. Verique la respuesta con la del prob-
lema (4). Compare los n umeros de adici on compleja y la multiplicaci on en
los dos metodos
5
.
6. Calcule la IFFT de la respuesta del problema (5) para vericar que es
obtenida la secuencia de datos
6
{0, 1, 1, 0}.
7. Suponga x
c
(t) es una se nal peri odica de tiempo continuo , la cual tiene un
periodo de 1ms y su serie de Fourier es
7
x
c
(t) =
9
k=9
a
k
e
j(
2kt
10
3
)
Los coecientes de la serie de Fourier a
k
son cero para |k| > 9. x
c
(t) es
muestreada con un espaciado de muestra T =
1
6
10
3
s con lo que se
obtiene x(n). Esta es,
x(n) = x
c
_
n10
3
6
_
2
3
4
5
6
7
Prentice-Hall, 1989 Pg. 561.
240 CAP
ITULO 4. AN

a. Es x(n) peri odica y , si es as, con que periodo?
b. Esta la rata de muestreo sobre la rata de Nyquist, T es lo sucien-
temente peque na para evitar aliasing?
c. Halle los coecientes de la serie discreta de Fourier (DFS) de x(n) en
terminos de a
k
.
8. Una se nal de tiempo continuo es muestreada con una rata de muestreo
de 10 KHz y la DFT de 1024 muestras computadas. Determine el espaci-
amiento de frecuencia entre nuestras espectrales. Justique su respuesta
8
.
9. Asuma que un programa de computador esta disponible para calcular la
DFT
9
,
X(k) =
N1
n=0
x(n)e
j
2
N
kn
, k = 0, 1, . . . , N 1,
La entrada para el programa es la secuencia x(n) y la salida es la DFT
X(k). Demuestre como la secuencia de entrada y/o salida pueden ser re-
ordenadas tal que el programa puede tambien ser usado para calcular la
DFT inversa,
x(n) =
1
N
N1
k=0
X(k)e
j
2
N
kn
, n = 0, 1, . . . , N 1,
La entrada para el programa ser a X(k) o una secuencia estrechamente
relacionada con X(k), y la salida ser a x(n) o una secuencia estrechamente
relacionada con x(n). Hay varias aproximaciones posibles.
10. Los primeros cinco puntos de una DFT de ocho puntos de una secuencia re-
al son {0.25, 0.125 j0.3018, 0, 0.125 j0.0518, 0}. Determine los tres
puntos restantes
10
.
11. Para las secuencias
11
x
1
(n) = cos
_
2
N
n
_
x
2
(n) = sen
_
2
N
n
_
0 n N1
Determine:
a. la convoluci on circular de N puntos {x
1
(n) x
2
(n)}
N
b. la correlaci on circular de x
1
(n) y x
2
(n)
8
9
10
11
4.12. PROBLEMAS 241
c. la autocorrelaci on circular de x
1
(n)
d. la autocorrelaci on circular de x
1
(n)
12. Demuestre la identidad
12
l=
(n +lN) =
1
N
N1
k=0
e
j(
2
N
)kn
(Ayuda: Encuentre la DFT de la se nal peri odica del lado izquierdo.)
13. Explique
13
c omo puede usarse la DFT para calcular N muestras equies-
paciadas de la transformada z, de una secuencia de N puntos, sobre una
circunferencia de radio r.
14. a. Desarrolle un algoritmo inverso para la FFT base 2 de diezmado en
el tiempo comenzando con la denici on. Dibuje el diagrama de ujo
para N = 8 y calculo in situ y, comp arelo con el diagrama de ujo
correspondiente a la FFT directa. Puede obtenerse el diagrama de
ujo de la IFFT a partir del de la FFT directa?
b. Repita el punto (a) para el caso de diezmado en frecuencia.
c. Escriba los programas que permitan hacer IFFT con diezmado en el
tiempo y en la frecuencia.
12
13
242 CAP
ITULO 4. AN

Captulo 5
Dise no de ltros digitales
Para proceder al dise no de un ltro digital se realizan los siguientes pasos:
Se especica la caracterstica deseada en el dominio de la frecuencia.
Se elige el tipo de ltro (FIR o IIR) dependiendo de la naturaleza del
problema y de las caractersticas en frecuencia deseadas:
Filtros FIR
Se usan donde se desea desfase lineal con la frecuencia, Sin embargo
si no es esto lo que se desea, entonces se puede usar un FIR o un IIR.
Filtros IIR
Este tipo de ltros tiene l obulos laterales menores en la banda de rec-
hazo que los FIR y se preeren porque involucran menos par ametros,
menos memoria y menor complejidad computacional.
Se determinan los coecientes del ltro que aproximan las especicaciones
de respuesta en frecuencia.
Se escoge la estructura adecuada que tenga en cuenta lo siguiente:
Efectos de cuanticaci on (Longitud nita de palabra).
Complejidad computacional.
Requisitos de memoria.
Tipo de aritmetica.
5.1. Consideraciones generales
En los apartes que siguen se muestra por que un ltro ideal, a pesar de tener
una respuesta en frecuencia deseable no puede realizarse fsicamente.
243
244 CAP
ITULO 5. DISE
NO DE FILTROS DIGITALES
5.1.1. Causalidad y sus implicaciones
Sea un ltro ideal pasabajo con una respuesta en frecuencia dada por:
H () =
_
1 si | |
c
0 si
c
< | | <
Su correspondiente respuesta al impulso est a dada por:
h(n) =
_
_
_
si n = 0
sencn
cn
si n = 0
Este ltro es no causal y por tanto no realizable, adem as requiere innitos coe-
cientes y posiciones de memoria.
A continuaci on, basados en el teorema de Paley-Wiener se plantean las condi-
ciones necesarias y sucientes para que una respuesta en frecuencia dada H(w)
produzca un ltro causal.
Teorema de Paley-Wiener
1
Si h(n) tiene energa nita y h(n) = 0 para n < 0, entonces:
| ln |H ()| | d <
Recprocamente, si H(w) es cuadr aticamente integrable y si la integral previa
es nita, entonces se puede asociar a H(w) una respuesta en fase (w) tal que
el ltro con respuesta en frecuencia:
H () = | H () | e
j()
es causal.
De este teorema se puede concluir que H(w) puede ser cero en algunas fre-
cuencias pero no en un intervalo de frecuencias y tambien que cualquier ltro
ideal es no causal.
Por otro lado se puede probar que hay una fuerte dependencia entre H
R
(w)
y H
I
(w) o de manera equivalente, entre la magnitud y la fase y por lo tantos
estas no se pueden especicar independientemente.
1
WIENER, N. and PALEY, R. Fourier Transforms in the complex domain. Providence R.I.
: American Mathematical Society, 1934.
5.1. CONSIDERACIONES GENERALES 245
Sea:
h(n) = h
e
(n) +h
o
(n)
h
e
(n) =
1
2
[ h(n) +h(n) ]
h
o
(n) =
1
2
[ h(n) h(n) ]
h(n) = h
e
(n) +
1
2
[ h(n) h(n) ]
h(n) = 2h
e
(n) h(n)
De tal manera que si h(n) es causal:
h(n) = 2h
e
(n) (n) h(n) (n)
h(n) = 2h
e
(n) (n) h(0) (n)
Pero,
h(0) = h
e
(0) + h
o
(0)
. .
0
Luego,
h(0) = h
e
(0)
Entonces:
h(n) = 2h
e
(n) (n) h
e
(0) (n) con n 0
Adem as,
h(n) = 2h
o
(n) (n) h(0) (n) con n 1
Como h
0
(0) = 0 no se puede recuperar h(0) de h
0
(n) y por tanto se debe cono-
cer tambien h(0).
De lo anterior se concluye que h
0
(n) = h
e
(n) para n 1 o sea, hay una fuerte
relaci on entre h
0
(n) y h
e
(n).
Si h(n) es absolutamente sumable, existe la correspondiente respuesta en fre-
cuencia dada por:
H () = H
R
() +jH
I
()
Si se supone que h(n) es real y causal, se tiene que:
h
e
(n)
F
H
R
()
h
o
(n)
F
H
I
()
Y por lo tanto, puesto que h(n) est a completamente especicado por h
e
(n), en-
tonces H(w) se determina completamente por H
R
(w) o, de igual forma, H(w)
246 CAP
ITULO 5. DISE
se especica completamente por H
I
(w) y h(0), en conclusi on, H
R
(w) y H
I
(w)
o la magnitud y la fase de H(w) no se pueden especicar independientemente
si el sistema es causal.
A continuaci on se muestra la relaci on entre la parte real e imaginaria de la
respuesta en frecuencia de un sistema con h(n) real, causal y absolutamente
sumable:
H () = H
R
() +jH
I
() =
1
H
R
() U ( ) d h
e
(0)
En donde,
U ()
F
(n)
U () = () +
1
1 e
j
U () = () +
1
2

j
2
cot
_
2
_
con
Remplazando en la ecuaci on para H(w) se tiene:
H
I
() =
1
2
H
R
() cot
_

2
_
d
la cual se denomina Transformada de Hilbert Discreta de H
R
(w).
En resumen:
H(w) no puede ser cero, excepto en un conjunto nito de frecuencias.
Las componentes H
R
(w) y H
I
(w) no son independientes.
La magnitud y la fase de H(w) no se pueden elegir arbitrariamente.
La magnitud de H(w) no puede ser constante en ning un rango nito de
frecuencias.
La transici on de la banda de paso a la banda de rechazo no puede ser
innitamente abrupta
Las dos ultimas conclusiones se deben al fen omeno de Gibbs porque se debe
recortar la respuesta al impulso para lograr causalidad.
5.1. CONSIDERACIONES GENERALES 247
En los metodos de dise no de ltros que se propondr an posteriormente se traba-
jar a sobre sistemas LTI especicados por la ecuaci on:
y (n) =
N1
k=1
a
k
y (n k) +
M1
k=0
b
k
x(n k)
que son causales y fsicamente realizables y que tienen una respuesta en frecuen-
cia dada por:
H () =
M
k=0
b
k
e
j k
1 +
N
k=1
a
k
e
j k
El problema del dise no consiste en seleccionar los {a
k
}y {b
k
} tal que se aproxime
la respuesta en frecuencia H(w) deseada.
5.1.2. Caractersticas de ltros practicos Selectivos en fre-
cuencia
Las caractersticas de un ltro ideal son deseables pero no son absolutamente
necesarias y se pueden aproximar tanto como se desee. Normalmente se tolera
un peque no rizado en la banda de paso y un valor peque no distinto de cero en
la de rechazo, como se muestra en la gura 5.1.
En esta gura:
El rizado en la banda de paso es
1
o expresado en decibelios, 20log
1
.
La anchura de banda es w
p
.
La banda de transici on est a dada por w
s
w
p
.
El rizado en la banda de rechazo es
2
o expresado en decibelios, 20log
2
.
248 CAP
ITULO 5. DISE
Figura 5.1: Caractersticas generales de un ltro pasabajas.
En el proceso de dise no se especican:
El m aximo rizado tolerable en la banda de paso:
1
.
El m aximo rizado tolerable en la banda de rechazo:
2
.
La frecuencia de corte: w
p
.
La frecuencia de rechazo: w
s
.
Por ultimo se calculan los {a
k
} y {b
k
} en H(w) que mejor aproximen estas
especicaciones, lo cual depende del criterio usado en la selecci on de los coe-
cientes as como de su n umero (M, N).
A continuaci on se estudiar an algunas metodologas de dise no de ltros FIR
de fase lineal que requieren una respuesta al impulso causal con simetra par o
impar respecto a la mitad de su longitud. Posteriormente se har a lo mismo para
los ltros IIR los cuales no pueden garantizar una respuesta con fase lineal.
5.2. DISE
NO DE FILTROS FIR 249

5.2. Dise no de ltros FIR
5.2.1. Filtros FIR simetricos y antisimetricos
Un ltro FIR est a descrito por la siguiente ecuaci on en diferencias:
y (n) = b
0
x(n) +b
1
x(n 1) + +b
M1
x(n M + 1)
=
M1
k=0
b
k
x(n k)
O tambien:
y (n) =
M1
k=0
h(k) x(n k)
En esta ecuaci on se reeja la causalidad y la duraci on nita de la respuesta al
impulso y se requiere para su c alculo lo siguiente:
M coecientes.
M posiciones de memoria.
M productos para cada valor de n.
En el dominio de z, la funci on de transferencia de estos sistemas est a dada por:
H (z) =
M1
k=0
h(k) z
k
En donde se requieren:
M coecientes.
M productos complejos.
Un ltro FIR tiene fase lineal, como se mostrar a m as adelante, si su respuesta
al impulso tiene simetra par o impar tal que satisface la condici on:
h(n) = h (M 1 n) con n = 0, 1, , M 1
En este caso:
H (z) = h(0) +h(1) z
1
+h(2) z
2
+ +h(M 2) z
(M2)
+h(M 1) z
(M1)
Para M impar:
H (z) = z
(M1)/2
_
_
h
_
M1
2
_
+
M3
2
n=0
h(n)
_
z
(M12n)/2
z
(M12n)/2
_
_
_
250 CAP
ITULO 5. DISE
Con M par:
H (z) = z
(M1)/2
M
2
1
n=0
h(n)
_
z
(M12n)/2
z
(M12n)/2
_
Si se sustituye z
1
por z en:
H (z) =
M1
k=0
h(k) z
k
Y se multiplican ambos lados de la ecuaci on por z
(M1)
, se tiene:
z
(M1)
H
_
z
1
_
=
M1
k=0
h(k) z
k
z
(M1)
=
M1
k=0
h(k) z
(Mk1)
=
M1
s=0
h(M s 1)
. .
h(s)
z
s
con s = M k 1
k = M s 1
= H (z)
Las races de H(z) son las mismas de H(z
1
) por tanto deben ocurrir en pares
recprocos, por ejemplo, las races de la transformada z de la respuesta al im-
pulso:
h(n) = { 1, 2, 3, 4, 5, 6, 7, 8, 9, 0, 9, 8, 7, 6, 5, 4, 3, 2, 1 }
Se muestran en la gura 5.2, esta gura se realiz o con la funci on zplane() de
Matlab. Evaluando la transformada Z en la circunferencia unidad, se tiene:
5.2. DISE

Figura 5.2: Diagrama de polos y ceros de h(n).
Respuesta simetrica: En este caso h(n) = h(M 1 n)
H () = H
r
() e
j (M1)/2
Con M impar:
H
r
() = h
_
M 1
2
_
+ 2
(M3)/2
n=0
h(n) cos
_
M 1
2
n
_
Con M par:
H
r
() = 2
M
2
1
n=0
h(n) cos
_
M 1
2
n
_
La fase, para M par e impar:
() =
_
(M 1)
2
si H
r
() > 0
(M 1)
2
+ si H
r
() < 0
En la gura 5.3 se muestra la respuesta en frecuencia de un ltro con
respuesta al impulso simetrica:
h(n) = { 1, 2, 3, 4, 5, 6, 7, 8, 9, 0, 9, 8, 7, 6, 5, 4, 3, 2, 1 }
252 CAP
ITULO 5. DISE
Figura 5.3: Respuesta en frecuencia de un sistema con respuesta al impulso
simetrica.
Esta gura se realiz o con la funci on freqz() de Matlab.
Respuesta antisimetrica: En este caso h(n) = h(M1n) y h
_
M1
2
_
= 0
M impar.
La respuesta en frecuencia:
H () = H
r
() e
j [
(M1)
2
+
2
]
En donde:
H
r
() = 2
(M3)/2
n=0
h(n) sen
_
M 1
2
n
_
con M impar
H
r
() = 2
M
2
1
n=0
h(n) sen
_
M 1
2
n
_
con M par
La fase:
() =
_
2

(M 1)
2
si H
r
() > 0
2

(M 1)
2
+ si H
r
() < 0
5.2. DISE

En la gura 5.4 se muestra la respuesta en frecuencia de un ltro con
respuesta al impulso antisimetrica:
h(n) = { 1, 2, 3, 4, 5, 6, 7, 8, 9, 0, 9, 8, 7, 6, 5,
4, 3, 2, 1 }
Figura 5.4: Respuesta en frecuencia de un sistema con respuesta al impulso
antisimetrica.
Ejemplo 5.1: Uso de las funciones zplane(h) y freqz(h) de Matlab, el resultado
se ilustra en las guras 5.2, 5.3 y 5.4.
h = [ 1 2 3 4 5 6 7 8 9 0 9 8 7 6 5 4 3 2 1];
zplane(h)
figure
freqz(h)
h = [ 1 2 3 4 5 6 7 8 9 0 -9 -8 -7 -6 -5 -4 -3 -2 -1];
figure
freqz(h)
El n umero de coecientes L de la respuesta al impulso depende de si la
longitud de la respuesta al impulso es par o impar y de la simetra:
Respuesta simetrica:
M par: L =
M
2
M impar: L =
M+1
2
254 CAP
ITULO 5. DISE
Respuesta antisimetrica:
M par: L =
M
2
M impar: L =
M1
2
En la respuesta impulsional antisimetrica:
h(n) = h(M 1 n)
Si M es impar, H
r
(0) = H
r
() = 0
Si M es par, H
r
(0) = 0
Luego los ltros FIR antisimetricos no se pueden usar para ltros pasaba-
jos (o pasaaltos si M es impar) de fase lineal.
En la respuesta impulsional simetrica:
h(n) = h(M 1 n)
H
r
(0) = 0
H
r
(0) = h
_
M 1
2
_
+ 2
(M3)
2
n=0
h(n) con M impar
H
r
(0) = 2
M
2
1
n=0
h(n) con M par
En la gura 5.5 se muestra la realizaci on en forma directa del sistema FIR
de fase lineal para M impar.
5.2. DISE

Figura 5.5: Realizaci on en forma directa de sistema FIR de fase lineal (M impar).
5.2.2. Filtros FIR usando ventanas
Se especica H
d
(w) y se calcula h
d
(n)
h
d
(n) =
1
2
H
d
() e
j n
d
Pero h
d
(n) es innita en longitud y debe truncarse (dgase en n = M 1), esto
equivale a multiplicar por una ventana rectangular
(n) =
_
1 , n = 0, 1, , M 1
0, En otro caso
Luego:
h(n) = h
d
(n) (n)
h(n) =
_
h
d
(n) , n = 0, 1, , M 1
0 , En otro caso
La respuesta en frecuencia correspondiente es:
H () =
1
2
H
d
() W ( ) d
256 CAP
ITULO 5. DISE
En donde:
W () =
M1
n=0
e
j n
=
1 e
j M
1 e
j
=
e
j (M1)
sen
M
2
sen
2
| W () | =
sen
M
2
sen
con
() =
_
_
_
_
M1
2
_
cuando sen (
M
2
) 0
_
M1
2
_
+ cuando sen (
M
2
) < 0
El espectro de esta ventana W(w) tiene las siguientes caractersticas:
El ancho de su l obulo principal es
4
M
y por lo tanto si M aumenta, este
disminuye.
Los l obulos laterales son altos y no decrecen con M.
Los l obulos laterales de la ventana rectangular producen rizado en la res-
puesta en frecuencia y en los l obulos laterales de H
d
(w).
Por las razones anteriores se usan ventanas que no contienen discontinuidades
abruptas para disminuir el rizado.
Ejemplo 5.2: Sup ongase que se desea un ltro FIR con la siguiente respuesta en
frecuencia:
H
d
() =
_
1 para | | 0,1
0 El resto
La respuesta al impulso estar a dada por:
h
d
(n) =
1
2
0,1
_
0,1
e
j n
d
=
e
j n
2 j n
0,1
0,1
=
2j sen (0,1 n)
2 j n
= 0,1 S
a
(0,1 n) con n
5.2. DISE

Si se usa una ventana rectangular de 31 puntos con el espectro que se muestra en
la gura 5.6 para recortar la respuesta al impulso deseado, se logra la respuesta
en frecuencia de la gura 5.7.
Figura 5.6: Espectro de una ventana rectangular de 31 puntos.
Figura 5.7: Respuesta en frecuencia modicada por una ventana rectangular.
258 CAP
ITULO 5. DISE
En la tabla
2
3 y en la gura
3
5.8 se muestran algunas ventanas usadas para
suavizar el rizado de la respuesta en frecuencia recortada.
Tabla 3. Funciones ventana para el dise no de ltros FIR
Nombre de Secuencia en el dominio temporal,
la ventana h(n), 0 n M 1
Bartlett (triangular)
1
2
n
M1
2
M 1
Blackman 0,42 0,5 cos
_
2n
M1
_
+ 0,08 cos
_
4n
M1
_
Hamming 0,54 0,46 cos
_
2n
M1
_
Hanning
1
2
_
1 cos
2n
M1
_
Kaiser
I
0
_

_
_
M1
2
_
2
_
n
M1
2
_
2
_
I
0
_
_
M1
2
_
Lanczos
_
_
sen
_
2
n
M1
2
(M1)
_
2
n
M1
2
M1
2
_
L
L > 0
Tukey
1
2
_
1 + cos
_
n
(1+)(M1)
2
(1)(M1)
2
__
(M1)
2

n
M1
2
M1
2
2
: Prentice Hall, 1998. Tabla 8.1 Pg. 635
3
: Prentice Hall, 1998. Figura 8.5 Pg. 636
5.2. DISE

Figura 5.8: Formas de varias funciones ventana.
Estas ventanas tienen las siguientes caractersticas:
Disminuyen el rizado de H
d
(w), este suavizado disminuye con M.
Comparadas con la ventana rectangular, tienen l obulos laterales m as bajos
pero la anchura del l obulo principal es mayor.
En la convoluci on proporcionan un mayor suavizado pero la regi on de
transici on es m as amplia; para disminuirla se requiere aumentar la longitud
de la ventana lo que implica un ltro m as largo.
Ejemplo 5.3: Si en el ejemplo anterior se utiliza una ventana de Hamming de
longitud 31 como la que se muestra en la gura 5.9 con su correspondiente
espectro que se observa en la gura 5.10, se logra la respuesta en frecuencia que
se dibuja en la gura 5.11.
260 CAP
ITULO 5. DISE
Figura 5.9: Ventana de Hamming de 31 puntos.
Figura 5.10: Espectro de una ventana de Hamming de 31 puntos.
Figura 5.11: Respuesta en frecuencia modicada por la ventana de Hamming.
5.2. DISE

Las funciones r1 y r2 de Matlab calculan la respuesta al impulso utilizando
el metodo de enventanado.
5.2.3. Filtros FIR de fase lineal mediante el metodo de
muestreo en frecuencia
En este metodo se realizan los tres pasos siguientes:
Primero se especica H
d
(w) en un conjunto de frecuencias igualmente
espaciadas:
k
=
2
M
(k +)
Donde:
k = 0, 1, ,
M 1
2
con M impar
k = 0, 1, ,
M
2
1 con M par
El valor de es 0 o
1
2
y su escogencia modica ligeramente el compor-
tamiento en frecuencia del ltro.
Despues se calcula h(n) a partir de estas muestras de la respuesta en
frecuencia.
Por ultimo, para reducir los l obulos laterales se deben optimizar numeri-
camente las especicaciones en las frecuencias en la banda de transici on
usando un procesador digital con tecnicas de programaci on lineal
4
.
En el apendice C del libro de Proakis y Manolakis
5
se encuentra una serie de
tablas de valores optimos de la respuesta en frecuencia en la banda de transici on
de ltros FIR de fase lineal dise nados por el metodo de muestreo en frecuencia.
Utilizando el metodo de muestreo en frecuencia se tiene:
H
d
() =
M1
n=0
h(n) e
j n
H
d
(k +) = H
d
_
2
M
(k +)
_
H
d
(k +) =
M1
n=0
h(n) e
j2(k+)
n
M
con k = 0, 1, , M 1 (5.1)
4
RABINER, L. R., GOLD, B. and McGONEGAL, C. A. 1970. An Approach to the Apro-
ximation Problem for Nonrecursive Digital Filters. IEEE Transactions on Audio and Elec-
troacustics, Vol. AU18, p.p. 86106. June.
5
: Prentice Hall, 1998. pp. C1C6.
262 CAP
ITULO 5. DISE
Multiplicando ambos lados por e
j2km
M
con m = 0, 1, , M 1 y sumando
sobre k = 0, 1, , M 1:
M1
k=0
H
d
(k +) e
j2 k m/M
=
M1
k=0
M1
n=0
h(n) e
j2 (k+) n/M
e
j2 k m/M
Con m = 0, 1, , M 1
M1
k=0
H
d
(k +) e
j2 k m/M
=
M1
n=0
h(n)
M1
k=0
e
j2 [k (nm) + n]/M
=
M1
n=0
h(n) e
j2 n/M
M1
k=0
e
j2 k (nm)/M
Pero,
M1
k=0
e
j2 k (nm)/M
=
_
0 Para n = m
M Para n = m
Por lo tanto:
M1
k=0
H
d
(k +) e
j2 k m/M
= M h(m) e
j2 m/M
Luego,
h(n) =
1
M
M1
k=0
H
d
(k +) e
j2(k+)
n
M
con n = 0, 1, , M 1 (5.2)
Cuando = 0, las ecuaciones 5.1 y 5.2 son la DFT y su inversa.
Como se supone que h(n) es real, entonces:
H
d
(k +) = H
d
(M k )
Ya que:
H
d
(M k ) =
M1
n=0
h(n) e
j2 (Mk) n/M
con k = 0, 1, , M 1
=
M1
n=0
h(n) e
j2 (k+) n/M
con k = 0, 1, , M 1
Este resultado sirve para reducir las especicaciones en frecuencia a
M+1
2
puntos
para M impar y
M
2
puntos para M par con una disminuci on de aproximada-
mente
M
2
muestras de las M iniciales.
5.2. DISE

Como se vio previamente, para que un ltro FIR tenga fase lineal su respuesta
en frecuencia debe estar dada por:
H
d
() = H
r
() e
j [ (M1)/2 + /2]
Donde = 0 cuando {h(n)} es simetrico y = 1 cuando es antisimetrico.
Tomando muestras en frecuencia se tiene:
H
d
(k +) = H
r
_
2
M
(k +)
_
e
j

2

2 (k+) (M1)
2M
Deniendo un conjunto de muestras reales,

G(k +) = (1)
k
H
r
_
2
M
(k + )
_
con k = 0, 1, , M 1
De tal manera que:
H
d
(k +) = G(k +) e
jk
e
j

2

2 (k+) (M1)
2M
La condici on de simetra:
H
d
(k +) = H
d
(M k )
Se traduce en una condici on de simetra para G(k + ) que se aprovecha para
simplicar el c alculo de h(n):
h(n) =
1
M
M1
k=0
H
d
(k + ) e
j2(k+) n/M
con n = 0, 1, , M 1
La funci on de transferencia de este ltro est a dada por:
H (z) =
M1
n=0
h(n) z
n
=
M1
n=0
_
1
M
M1
k=0
H
d
(k +) e
j2(k+) n/M
_
z
n
Intercambiando el orden de los sumandos, se tiene:
H (z) =
M1
k=0
H
d
(k +)
_
1
M
M1
n=0
_
e
j2(k+) /M
z
1
_
n
_
=
1 z
M
e
j2
M
. .
H1(z)
M1
k=0
H
d
(k +)
1 e
j2(k+) /M
z
1
. .
H2(z)
= H
1
(z) H
2
(z)
264 CAP
ITULO 5. DISE
Esta ecuaci on conduce directamente a la estructura mostrada en la gura 5.12.
Figura 5.12: Realizaci on de muestreo en frecuencia de un ltro FIR.
En la expresi on anterior H
2
(z) se puede simplicar utilizando la condici on
de simetra:
H
d
(k +) = H
d
(M k )
De tal manera que un par de ltros de un solo polo se pueden combinar para
formar un ltro de dos polos con par ametros reales, as:
Si = 0:
M impar
H
2
(z) =
H
d
(0)
1 z
1
+
(M1)
2
k=1
A(k) +B(k) z
1
1 2 cos (2 k/M) z
1
+z
2
5.2. DISE

Para M par
H
2
(z) =
H
d
(0)
1 z
1
+
H
d
(M/2)
1 +z
1
+
(M1)
2
k=1
A(k) +B(k) z
1
1 2 cos (2 k/M) z
1
+z
2
Donde por denici on:
A(k) = H
d
(k) +H
d
(M k)
B(k) = H
d
(k) e
j2k/M
+H
d
(M k) e
j2k/M
Se pueden encontrar expresiones similares para =
1
2
. Con las ecuaciones
anteriores se puede lograr la arquitectura mostrada en la gura 5.13 para M
impar, la cual reduce a la mitad el n umero de multiplicaciones con respecto a
la realizaci on directa.
Las expresiones simplicadas
6
de la respuesta impulsional h(n) se calculan a
partir de las siguientes ecuaciones:
H
d
(k +) = G(k +) e
jk
e
j

2

2 (k+) (M1)
2M
G(k +) = (1)
k
H
r
_
2
M
(k +)
_
con k = 0, 1, , M 1
H
d
(k +) = H
d
(M k )
h(n) =
1
M
M1
k=0
H
d
(k +) e
j2(k+) n/M
con n = 0, 1, , M 1
Si = 0 y = 0:
La simplicaci on para H
d
(k) se logra de la siguiente manera:
H
d
(k) = G(k) e
jk
e
j

2 k (M1)
2M
= G(k) e
jk
e
jk
1
M
1
= G(k) e
jk/M
con k = 0, 1, , M 1
6
: Prentice Hall, 1998. p ag. 642.
266 CAP
ITULO 5. DISE
Figura 5.13: Realizaci on de muestreo en frecuencia de un ltro FIR.
La simplicaci on para G(k) se obtiene as:
G(k) = (1)
k
H
r
_
2 k
M
_
Por la condici on de simetra,
H
d
(k) = H
d
(M k)
Se tiene una condici on de simetra para G(k) de la siguiente forma:
H
d
(k) = G(k) e
jk
e
j

2 k (M1)
2M
d
(M k) = G(M k) e
j(Mk)
e
j

2 (Mk) (M1)
2M
5.2. DISE

= G(M k) e
j(Mk)
e
j
M
(M
2
MkM+k)
= G(M k) e
j
M
(Mk)
Como:
H
d
(k) = G(k) e
jk/M
Entonces:
G(k) e
jk/M
= G(M k) e
j
M
(Mk)
De tal manera que:
G(k) = G(M k)
La simplicaci on para h(n) se logra con los resultados anteriores de
la siguiente forma:
h(n) =
1
M
M1
k=0
H
d
(k) e
j2k
n
M
=
1
M
_
H
d
(0) +H
d
(1) e
j2
n
M
+H
d
(2) e
j4
n
M
+H
d
(3) e
j6
n
M
+ +H
d
(M 1) e
j2
(M1)n
M
_
=
1
M
_
G(0) +G(1) e
j
M
e
j2
n
M
+G(2) e
j2
M
e
j4
n
M
+G(3) e
j3
M
e
j6n
M
+ + G(M 1) e
j(M1)
M
e
j2(M1)n
M
_
=
1
M
_
G(0) +G(1)
_
e
j
M
e
j2
n
M
e
j
M1
M
e
j2
(M1)n
M
_
+G(2)
_
e
j2
M
e
j4
n
M
e
j
M2
M
e
j2
(M2)n
M
_
+
_
=
1
M
_
G(0) +G(1)
_
e
j 2
M
n+
1
2
e
j2
M
(M1)
n+
1
2
_
+G(2)
_
e
j4
M
n+
1
2
e
j2
M
(M2)
n+
1
2
_
+
_
268 CAP
ITULO 5. DISE
Pero,
e
j2
M
n+
1
2
e
j2
M
(M1)
n+
1
2
= e
j2
M
n+
1
2
+ e
j2
M
n+
1
2
= 2 cos
_
2
M
_
n +
1
2
_ _
e
j4
M
n+
1
2
e
j2
M
(M2)
n+
1
2
= e
j4
M
n+
1
2
+ e
j4
M
n+
1
2
= 2 cos
_
4
M
_
n +
1
2
_ _
En denitiva:
h(n) =
1
M
_
G(0) + 2
U
k=1
G(k) cos
_
2 k
M
_
n +
1
2
_ _
_
En donde:
U =
_
_
M 1
2
Para M impar
M
2
1 Para M par
Procediendo de forma similar, se tiene.
Si =
1
2
y = 0:
H
d
_
k +
1
2
_
= G
_
k +
1
2
_
e
j
2
e
j(2k+1)
2M
con k = 0, 1, , M1
G
_
k +
1
2
_
= (1)
k
H
r
_
2
M
_
k +
1
2
_
G
_
k +
1
2
_
= G
_
M k
1
2
_
h(n) =
2
M
U
k=0
G
_
k +
1
2
_
sen
_
2
M
_
k +
1
2
_ _
n +
1
2
_
En donde:
U =
_
_
M 1
2
Para M impar
M
2
1 Para M par
Si = 0 y = 1:
H
d
(k) = G(k) e
j
2
e
jk
M
con k = 0, 1, , M1
5.2. DISE

G(k) = (1)
k
H
r
_
2 k
M
_
G(k) = G(M k)
Con M impar
h(n) =
2
M
(M1)/2
k=1
G(k) sen
_
2 k
M
_
n +
1
2
__
con M par
h(n) =
1
M
_
_
(1)
(n+1)
G
_
M
2
_
2
M
2
1
k=1
G(k) sen
_
2 k
M
_
n +
1
2
__
_
_
Si =
1
2
y = 1:
H
d
_
k +
1
2
_
= G
_
k +
1
2
_
e
j (2k+1)/2M
con k = 0, 1, , M1
G
_
k +
1
2
_
= (1)
k
H
r
_
2
M
_
k +
1
2
_
G
_
k +
1
2
_
= G
_
M k
1
2
_
; G
_
M
2
_
= 0 Para M impar.
h(n) =
2
M
V
k=0
G
_
k +
1
2
_
cos
_
2
M
_
k +
1
2
_ _
n +
1
2
_
En donde:
V =
_
_
M 3
2
Para M impar
M
2
1 Para M par
La siguiente funci on realizada en Matlab calcula la respuesta al impulso simetrica
o antisimetrica basada en el metodo de muestreo en frecuencia:
Funci on en Matlab: En donde
Hr: especica M/2 o (M+1)/2 puntos de la magnitud de la respuesta en
frecuencia deseada.
Alpha: debe ser 0 o 1/2.
Beta: especica respuesta simetrica (0) o antisimetrica (1).
Se utilizan las ecuaciones de la tabla 8.3, p agina 642 de Proakis y Manolakis
function[h]=muestreo_frecuencia(Hr,M,alpha,beta)
G=zeros(1,M);
e=zeros(1,M);
H=zeros(1,M);
270 CAP
ITULO 5. DISE
if mod(M,2)==1
U=(M-1)/2; %M impar
else U=M/2-1; %M par
end
if alpha==0 & beta==0 %Primer caso: Alpha=0 y Beta=0
for k=0:length(Hr)-1
G(k+1)=(-1).^k*Hr(k+1);
G(M-k)=-G(k+1);
end
for k=0:M-1
e(k+1)=exp(j*pi*k/M);
end
H=G.*e;
for n=0:M-1
suma=G(1);
for k=1:U
suma=suma+2*G(k+1)*cos((2*pi*k/M)*(n+1/2));
end
h(n+1)=suma/M;
end
elseif alpha==0.5 & beta==0 %Segundo caso: Alpha=0.5 y Beta=0
G(k+1)=(-1).^k*Hr(k+1);
G(M-k)=G(k+1);
end
for k=0:M-1
e(k+1)=exp(j*pi*(2*k+1)/(2*M));
end
e=exp(-j*pi/2).*e;
H=G.*e;
for n=0:M-1
suma=0;
for k=0:U
suma=suma+2*G(k+1)*sin((2*pi/M)*(k+0.5)*(n+1/2));
end
h(n+1)=suma/M;
end
elseif alpha==0 & beta==1 %Tercer caso: Alpha=0 y Beta=1
G(k+1)=(-1).^k*Hr(k+1);
G(M-k)=G(k+1);
end
for k=0:M-1
e(k+1)=exp(j*pi*k/M);
end
5.2. DISE

e=e.*exp(j*pi/2);
H=G.*e;
if mod(M,2)==1
for n=0:M-1
suma=0;
for k=1:U
suma=suma+2*G(k+1)*sin((2*pi*k/M)*(n+1/2));
end
h(n+1)=-suma/M;
end
else
for n=0:M-1
suma=G(M/2+1)*(-1).^(n+1);
for k=1:U
suma=suma-2*G(k+1)*sin((2*pi*k/M)*(n+1/2));
end
h(n+1)=suma/M;
end
end
elseif alpha==0.5 & beta==1 %Cuarto caso: Alpha=0.5 y Beta=1
if mod(M,2)==1
V=(M-3)/2;
else V=M/2-1;
end
G(k+1)=(-1).^k*Hr(k+1);
G(M-k)=-G(k+1);
if mod(M,2)==1
G((M-1)/2+1)=0;
end
end
for k=0:M-1
e(k+1)=exp(j*pi*(2*k+1)/(2*M));
end
H=G.*e;
for n=0:M-1
suma=0;
for k=0:V
suma=suma+2*G(k+1)*cos((2*pi/M)*(k+0.5)*(n+1/2));
end
h(n+1)=suma/M;
end
else
error(No se especificaron alpha y beta correctamente)
end
272 CAP
ITULO 5. DISE
Ejemplo 5.4: Determine los coecientes de un ltro FIR de fase lineal de longi-
tud M = 15 que tiene una respuesta impulsional simetrica y una respuesta en
frecuencia que satisface las condiciones:
H
r
_
2 k
15
_
=
_
_
_
1 Para k = 0, 1, 2, 3
0,4 Para k = 4
0 Para k = 5, 6, 7
A continuaci on se muestran los resultados para los cuatro casos de la respuesta
al impulso y su correspondiente respuesta en frecuencia, ver guras 5.14 a 5.21:
Primer caso, = 0 y = 0:
h = [0.0141 0.0019 0.0400 0.0122 0.0914 0.0181 0.3133
0.5200 0.3133 0.0181 0.0914 0.0122 0.0400 0.0019 0.0141]
Ejemplo 5.5: Primer caso en Matlab que permite las hacer las guras 5.14 y 5.15
por medio del uso de la funci on muestreo frecuencia(H,M,alpha,beta).
alpha = 0;
beta = 0;
M = 15;
H = [1 1 1 1 0.4 0 0 0];
h=muestreo_frecuencia(H,M,alpha,beta)
l=length(h);
stem(0:1:l-1,h)
figure
freqz(h)
Figura 5.14: Respuesta al impulso del caso 1.
5.2. DISE

Figura 5.15: Respuesta en frecuencia del caso 1.
Segundo caso, = 0,5 y = 0:
h = [ 0.0067 0.0247 0.0133 0.0530 0.0647 0.0772 0.3024
0.5867 0.3024 0.0772 0.0647 0.0530 0.0133 0.0247 0.0067]
Ejemplo 5.6: C odigo en Matlab para el segundo caso, el resultado de este se
ilustra en las guras 5.16 y 5.17.
alpha = 0.5;
beta = 0;
M = 15;
H = [1 1 1 1 0.4 0 0 0];
h=muestreo_frecuencia(H,M,alpha,beta);
l=length(h);
stem(0:1:l-1,h)
figure
freqz(h)
274 CAP
ITULO 5. DISE
Tercer caso, = 0 y = 1:
h = [ 0.0122 0.0470 0.0462 0.0002 0.0761 0.2990 0.3332 0.0000
0.3332 0.2990 0.0761 0.0002 0.0462 0.0470 0.0122]
Ejemplo 5.7: Programa para las guras 5.18 y 5.19.
alpha = 0;
5.2. DISE

beta = 1;
M = 15;
H = [1 1 1 1 0.4 0 0 0];
h = muestreo_frecuencia(H,M,alpha,beta);
l = length(h);
stem(0:1:l-1,h)
figure
freqz(h)
276 CAP
ITULO 5. DISE
Cuarto caso, = 0,5 y = 1:
h = [ 0.0535 0.0761 0.1155 0.0585 0.0470 0.2929 0.4049 0.0000
0.4049 0.2929 0.0470 0.0585 0.1155 0.0761 0.0535]
Ejemplo 5.8: Para el cuarto caso se tiene las guras 5.20 y 5.21 que se producen
con el siguiente c odigo en Matlab.
alpha = 0.5;
beta = 1;
M = 15;
H = [1 1 1 1 0.4 0 0 0];
h = muestreo_frecuencia(H,M,alpha,beta);
l=length(h);
stem(0:1:l-1,h)
figure
freqz(h)
La forma como se obtienen los valores optimos para la banda de transici on se
explica en el libro de Proakis y Manolakis y est an tabulados en el apendice C
7
.
7
: Prentice Hall, 1998. pp. 645-646, C1-C6.
5.2. DISE

5.2.4. Dise no de ltros optimos FIR de fase lineal y rizado
constante
El problema fundamental de los dos metodos de dise no anteriores es que no
se tiene un control preciso de las frecuencias de corte (w
p
) y supresi on (w
s
). En
el metodo que se plantea en este caso, se aplica el criterio de dise no optimo en el
sentido que el error de aproximaci on ponderado entre la respuesta en frecuencia
deseada y la obtenida realmente se distribuye equitativamente a lo largo de las
bandas de paso y de rechazo del ltro que minimiza el error m aximo, el cual
tiene rizado en ambas bandas.
Si se considera el dise no de un ltro pasabajo con frecuencias w
p
y w
s
, la res-
puesta en frecuencia satisface las condiciones:
1
1
H
r
() 1 +
1
con | |
p
2
H
r
()
2
con | | >
s
En donde:
1
: Rizado en la banda de paso.
2
: Rizado en la banda de rechazo.
El par ametro adicional a especicar es M, la longitud del ltro o n umero de
coecientes; la expresi on de H
r
(w) depender a de si el ltro es simetrico o anti-
278 CAP
ITULO 5. DISE
simetrico y de si M es par o impar, present andose cuatro casos diferentes
8
como
se muestra a continuaci on:
Caso 1: Respuesta impulsional simetrica con M impar
H
r
() =
(M1)
2
k=0
a (k) cos ( k)
Con:
a (k) =
_
_
_
h
_
M1
2
_
con k = 0
2h
_
M1
2
k
_
con k = 1, 2, ,
M1
2
Caso 2: Respuesta impulsional simetrica con M par
H
r
() = cos
_
2
_
M
2
1
k=0
b (k) cos ( k)
En donde:
b (0) =
1
2
b (1)
b (k) = 2b (k)
b (k 1) con k = 1, 2, ,
M
2
2
b
_
M
2
1
_
= 2b
_
M
2
_
Con:
b (k) = 2h
_
M
2
k
_
con k = 1, 2, ,
M
2
Caso 3: Respuesta impulsional antisimetrica con M impar
H
r
() = sen()
(M3)
2
k=0
c (k) cos ( k)
En donde:
c
_
M3
2
_
= c
_
M1
2
_
c
_
M5
2
_
= 2c
_
M3
2
_
.
.
.
c (k 1) c (k + 1) = 2c (k) con 2 k
M5
2
c (0) +
1
2
c (2) = c (1)
8
5.2. DISE

Con:
c (k) = 2h
_
M 1
2
k
_
con k = 1, 2, ,
M 1
2
Caso 4: Respuesta impulsional antisimetrica con M par
H
r
() = sen
_
2
_
M
2
1
k=0
d (k) cos ( k)
En donde:
d
_
M
2
1
_
= 2d
_
M
2
_
d (k 1)

d (k) = 2d (k) con 2 k
M
2
1
d (0)
1
2
d (1) = d (1)
Con:
d (k) = 2h
_
M
2
k
_
con k = 1, 2, ,
M
2
En denitiva, para los cuatro casos se tiene una expresi on cerrada para la res-
puesta en frecuencia obtenida as:
H
r
() = Q() P ()
Con:
Q() =
_
_
1 caso 1
cos
_
2
_
caso 2
sen() caso 3
sen
_
2
_
caso 4
P () =
L
k=0
(k) cos ( k)
En donde (k) representan los par ametros del ltro, el lmite superior est a dado
por:
L =
_
_
M1
2
caso 1
M3
2
caso 3
M
2
1 casos 2 y 4
Se dene la respuesta deseada as:
H
dr
() =
_
1 En la banda de paso
0 En la banda de rechazo
280 CAP
ITULO 5. DISE
Se especica adem as, una funci on de ponderaci on W(w) para elegir el tama no
relativo de los errores en las diferentes bandas, en particular una elecci on de
esta puede ser:
W () =
_
1
En la banda de paso
1 En la banda de rechazo
O sea que W(w) reeja el tama no relativo del error entre la banda de paso y la
de rechazo.
Se dene el error ponderado as:
E () = W () [ H
dr
() H
r
() ]
=

W ()
_

H
dr
() P ()
_
En donde,
W () = W () Q() y

H
dr
() =
H
dr
()
Q()
En el dise no se trabaja con el problema de aproximaci on de Chebyshev que
consiste en determinar los par ametros {(k)} que minimizan el m aximo valor
absoluto del error ponderado E(w) en las bandas de frecuencia en las que se
realiza la aproximaci on:
mn
sobre {(k)}
h
m ax|E()|
S
i
=
mn
sobre {(k)}
"
m ax
S
W ()
"

H
dr
()
L
X
k=0
(k) cos (k)
#
#
En donde S es el conjunto de bandas de frecuencia sobre las que se realiza la
optimizaci on. La soluci on se debe a ParksMcClellan y se basa en el teorema de
la alternancia de la teora de aproximaci on de Chebyshev, el cual se enuncia a
continuaci on:
Teorema de alternancia
Sea S un subconjunto compacto de frecuencias en el intervalo [0, ); una
condici on necesaria y suciente para que:
P () =
L
k=0
(k) cos ( k)
Sea la mejor y unica representaci on ponderada de Chebyshev a

H
dr
() en S, es
que la funci on de error E(w) exhiba al menos L+ 2 frecuencias extremas en S:
1
<
2
< <
L+2
Tal que en esas frecuencias {w
i
}:
E(
i
) = E (
i+1
)
5.2. DISE

y
| E (
i
) | =
m ax
S
| E () | con i = 1, 2, , L + 2
En el caso que el ltro sea un pasabajos, se tiene que H
dr(w)
y W(w) son
constantes por tramos y por lo tanto
dE ()
d
=
d
d
{ W () [ H
dr
() H
r
() ] }
=
dH
r
()
d
= 0
Es decir, las frecuencias {w
i
} correspondientes a los picos de E(w) tambien se
corresponden con los picos en que H
r
(w) verica la tolerancia del error.
Como H
r
(w) es un polinomio trigonometrico de grado L, para el caso 1 se
tiene:
H
r
() =
L
k=0
(k) cos ( k)
H
r
() =
L
k=0
(k)
_
k
n=0
nk
( cos () )
n
_
=
L
k=0
(k) (cos ())

k
Se deduce que H
r
(w) puede tener al menos L1 m aximos y mnimos locales en
el intervalo 0 < w < , w = 0 y w = son normalmente extremos de H
r
(w) y
tambien de E(w), por tanto H
r
(w) tiene al menos L + 1 frecuencias extremas.
Adem as w
p
y w
s
son tambien extremos de E(w) ya que | E () | es m aximo
en w
p
y w
s
. Se concluye entonces que hay como mucho L + 3 frecuencias ex-
tremas de E(w) para la unica mejor aproximaci on del ltro ideal pasabajo. El
teorema de alternancia establece que hay al menos L+2 frecuencias extremas de
E(w). As la funci on de error para el ltro pasabajo tiene L+3 o L+2 extremos.
El teorema de alternancia garantiza una soluci on unica para el problema de
optimizaci on de Chebyshev. En las frecuencias extremas deseadas {
n
} se tiene
el conjunto de ecuaciones:
W (
n
)
_

H
dr
(
n
) P (
n
)
_
= (1)
n
con n = 0, 1, , L + 1
Donde representa el valor m aximo del error E(w), =
2
.
Reordenando, se tiene:
P (
n
) +
(1)
n
W (
n
)
=

H
dr
(
n
) con n = 0, 1, , L + 1
282 CAP
ITULO 5. DISE
Equivalentemente,
L
k=0
(k) cos (
n
k) +
(1)
n
W (
n
)
=

H
dr
(
n
) con n = 0, 1, , L + 1
Para hallar los par ametros {(k)} y , se expresa esta ecuaci on en forma ma-
tricial:
2
6
6
6
6
6
6
6
6
6
6
6
4
1 cos (
0
) cos (2
0
) cos (L
0
)
1
W(
0
)
1 cos (
1
) cos (2
1
) cos (L
1
)
1
W(
1
)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 cos
L+1
cos
2
L+1
cos
L
L+1
(1)
L+1
L+1
3
7
7
7
7
7
7
7
7
7
7
7
5
2
6
6
6
6
6
6
6
4
(0)
(1)
.
.
.
(L)
3
7
7
7
7
7
7
7
5
=
2
6
6
6
6
6
6
4
H
dr
(
0
)
H
dr
(
1
)
.
.
.
H
dr
L+1
3
7
7
7
7
7
7
5
Como inicialmente no se conoce {w
n
} ni {(k)} y , para encontrarlos se recurre
a un algoritmo recursivo llamado el algoritmo de intercambio de Remez, en
este se proponen inicialmente un conjunto de frecuencias extremas y se calcula
E(w), con esta funci on de error se determina otro conjunto de L+2 frecuencias
extremas y se repite iterativamente hasta que converge al conjunto optimo de
frecuencias extremas
9
.
Como la inversi on de esta matriz es muy ineciente desde el punto de vista
de costos computacionales, se propone el c alculo de analticamente, as:
=

0

H
dr
(
0
) +
1

H
dr
(
1
) + +
L + 1

H
dr
(
L + 1
)
0
W(0)

1
W(1)
+ +
(1)
L + 1
L + 1
W(L + 1)
Donde:
k
=
L+1
n=0
n=k
1
cos (
k
) cos (
n
)
Con el valor de calculado se puede encontrar:
P (
n
) =

H
dr
(
n
)
(1)
n
W (
n
)
con n = 0 , 1, L + 1
Con estos valores se obtiene P(w) usando la f ormula de interpolaci on de
Lagrange:
P () =
L
k=0
P (
k
)
_

k
x x
k
_
L
k=0
_

k
x x
k
_
9
5.2. DISE

En donde:
x = cos ()
x
k
= cos (
k
)
k
=
L
n=0
n=k
1
x
k
x
n
Con el valor de P(w) es posible calcular la funci on de error:
E () =

W ()
_

H
dr
() P ()
_
Se calcula E(w) en un conjunto denso de frecuencias (Por ejemplo 16M fre-
cuencias, M longitud del ltro) y si el valor absoluto del error es mayor que el
calculado se procede a escoger un nuevo conjunto de frecuencias correspon-
dientes a los L + 2 picos m as grandes de | E() | y se repite el procedimiento
computacional descrito desde el c alculo de cuantas veces sea necesario hasta
que se logre la convergencia. En cada iteraci on el valor de es incrementado
hasta que converge al lmite superior y por lo tanto a la soluci on optima. O
sea, cuando se logre que | E () | para todas las frecuencias en el conjunto
denso de frecuencias, se ha encontrado la soluci on optima.
Con esta soluci on optima para P(w) se puede calcular directamente la res-
puesta al impulso, utilizando el valor de la respuesta en frecuencia obtenida
H
r
(w) = P(w)Q(w), evaluando esta respuesta en w
k
=
2k
M
y usando las expre-
siones simplicadas de la respuesta impulsional h(n) de las p aginas 268 a 269
de estas notas.
Matlab permite calcular ltros FIR optimos de rizado constante con la fun-
ci on remez(N, F, M, W, tipo). Esta funci on devuelve una respuesta al impulso
de longitud N + 1 a partir de especicaciones de bandas de frecuencia (F), la
magnitud de la ganancia (M) y la ponderaci on del error en cada banda (W).
Tambien es posible especicarle a la funci on si se quiere un ltro diferenciador
(dierenciator) o un transformador de Hilbert (Hilbert) con el par ametro tipo.
Para una estimaci on del ltro se puede utilizar la funci on kaizerord() o la f ormu-
la propuesta en el libro de Proakis y Manolakis
10
.
Ejemplo 5.9: Dise nar un ltro pasabajos de rizado constante de longitud 21
y con frecuencias de corte de 0,4 y de supresi on de 0,45, utilizando la funci on
remez de Matlab.
10
284 CAP
ITULO 5. DISE
h = remez ( 20, [ 0, 0.4, 0.45, 1 ] , [ 1, 1, 0, 0 ] )
h = 0.0499 -0.0721 -0.0636 -0.0098 0.0448 0.0209 -0.0652
-0.0809 0.0716 0.3090 0.4248 0.3090 0.0716 -0.0809
-0.0652 0.0209 0.0448 -0.0098 -0.0636 -0.0721 0.0499
stem(0:1:length(h)-1,h)
figure freqz(h)
Figura 5.22: Respuesta al impulso del ltro del ejemplo.
Figura 5.23: Respuesta en frecuencia del ejemplo.
5.3. DISE
NO DE FILTROS IIR 285

5.3. Dise no de ltros IIR
5.3.1. Dise no de ltros IIR a partir de ltros anal ogicos
En este caso se convierte un ltro anal ogico dise nado en la forma cl asica en
uno digital, transformando la descripci on entrada-salida en tiempo continuo en
una equivalente digital.
El ltro anal ogico se puede describir a partir de su funci on de transferencia,
utilizando la transformada de Laplace:
Ha (s) =
B(s)
A(s)
=
M
k=0
k
s
k
N
k=0
k
s
k
Tambien se puede hacer una descripci on del sistema usando la convoluci on en-
tre la respuesta al impulso y la se nal de entrada, dicha respuesta al impulso
est a relacionada con la funci on de transferencia por medio de la transformada
de Laplace, as:
H
a
(s) =
h(t) e
s t
dt
Adicionalmente, el sistema se puede describir mediante una ecuaci on diferencial
de coecientes constantes de la siguiente manera:
N
k=0
k
d
k
y (t)
dt
k
=
M
k=0
k
d
k
x(t)
dt
k
Debe recordarse que un sistema anal ogico lineal e invariante en el tiempo es
estable si los polos de su funci on de transferencia H
a
(s) est an en el semiplano
izquierdo del plano complejo s, y por tanto si la tecnica de conversi on del ltro
an alogo a digital es efectiva cumplir a las siguientes propiedades:
1. El eje j en el plano s se corresponde con la circunferencia unidad en el
plano z.
2. El semiplano izquierdo en el plano s se corresponde con el interior de la
circunferencia unitaria, de tal manera que un ltro anal ogico estable se
transforme en uno digital tambien estable.
Un ltro IIR estable y fsicamente realizable no puede producir un desfase lineal
ya que para que esto suceda, como previamente se vio en los ltros de fase lineal,
286 CAP
ITULO 5. DISE
se debe satisfacer lo siguiente:
H (z) = z
N
H
_
z
1
_
Lo que implica que si se quisiera que el ltro tuviera fase lineal obligatoriamente
tendra polos especulares fuera de la circunferencia unidad y por lo tanto sera
inestable. De lo anterior se puede concluir que en los ltros IIR se especica la
magnitud de la respuesta en frecuencia que se requiere y se acepta la respuesta
en fase resultante ya que la una depende de la otra.
Dise no de ltros IIR mediante la aproximaci on en derivadas
En este caso se aproxima la ecuaci on diferencial a una en diferencias equi-
valente de la siguiente manera:
dy (t)
dt
t=nT
=
y (nT) y (nT T)
T
=
y (n) y (n 1)
T
En el dominio de s, el derivador tiene una funci on de transferencia dada por:
H (s) = s
En z, la aproximaci on de la derivada est a relacionada con la funci on de trans-
ferencia as:
y (n) y (n 1)
T
z
H (z) =
1 z
1
T
Las dos relaciones anteriores se pueden visualizar en la gura 5.24.
Figura 5.24: (a) Sistema derivador en tiempo continuo. (b) Sistema que efect ua
la primera diferencia hacia atr as en tiempo discreto.
Con esta aproximaci on se realiza la equivalencia,
s =
1 z
1
T
5.3. DISE

O viceversa:
z =
1
1 sT
Similarmente para la segunda derivada se tiene:
d
2
y (t)
dt
2
t=nT
=
d
dt
_
dy (t)
dt
_
t=nT
=
y(nT)y(nTT)
T

y(nTT)y(nT2T)
T
T
=
y (n) 2 y (n 1) +y (n 2)
T
2
Es decir:
s
2
=
1 2z
1
+z
2
T
2
=
_
1 z
1
T
_
2
Generalizando, la kesima derivada conduce a la siguiente transformaci on:
s
k
=
_
1 z
1
T
_
k
Luego, la funci on de transferencia para el ltro IIR digital obtenida con la
aproximaci on de las derivadas por diferencias nitas es:
H (z) = H
a
(s)|
s=
1z
1
T
En esta transformaci on para hallar el equivalente en z del eje imaginario se hace
s = j, lo que conduce a:
z =
1
1 j T
=
1
1 +
2
T
2
+
j T
1 +
2
T
2
Como vara desde hasta +, el lugar correspondiente en el plano z es
un crculo de radio
1
2
y centro en z =
1
2
. Como se observa en la gura 5.25.
De acuerdo con la gura 5.25 los polos localizados en el semiplano izquierdo
son trasladados al interior de la circunferencia sombreada y por tanto quedan
connados en la zona de frecuencias relativamente bajas lo que implica que por
este metodo s olo se puede dise nar ltros pasabajos y pasa banda con frecuen-
cias de corte o resonancia peque nas. Por la misma raz on con este procedimiento
no es posible transformar un ltro anal ogico pasaalto en uno equivalente digital.
288 CAP
ITULO 5. DISE
Figura 5.25: Mapeo del plano s al plano z usando la aproximaci on de derivadas.
Ejemplo 5.10: Convierta un ltro pasabanda anal ogico con funci on de trans-
ferencia:
H
a
(s) =
1
(s + 0,1)
2
+ 9
En un ltro IIR digital usando la aproximaci on en diferencia hacia atr as de las
derivadas.
Este ltro tiene una respuesta al impulso y una respuesta en frecuencia mostradas
en las guras 5.26 y 5.27, calculadas por medio de Matlab as:
C alculo de los polos y los ceros de la funci on de transferencia:
num = [0 0 1];
z = roots (num);
den = [1 0.2 0.901];
p = roots (den);
p = 0.1000 3.0000 i
La ganancia del sistema se asume como:
k = 1;
C alculo de la respuesta al impulso:
sys = zpk(z, p, k)
h = impulse(sys)
plot(h)
5.3. DISE

Zero/pole/gain:
1
s
2
+ 0,2s + 9,01
Figura 5.26: Respuesta al impulso del sistema del ejemplo.
C alculo de la respuesta en frecuencia:
freqs(num, den)
Figura 5.27: Respuesta en frecuencia del sistema del ejemplo.
290 CAP
ITULO 5. DISE
Sustituyendo s por
1z
1
T
en:
H
a
(s) =
1
(s + 0,1)
2
+ 9
Se tiene:
H (z) =
1
_
1z
1
T
+ 0,1
_
2
+ 9
=
T
2
1+0,2T+9,01T
2
1
2 ( 1+0,1T)
1+0,2T+9,01T
2
z
1
+
1
1+0,2T+9,01T
2
z
2
Escogiendo T lo sucientemente peque no se logra que el ltro sea un re-
sonador con los polos cercanos a la circunferencia unidad, por ejemplo, si
T = 0,1:
C alculo de numerador y denominador de la funci on de transferencia:
T = 0,1000
num =
_
T
2
1 + 0,2T + 9,01T
2
_
= [ 0.0090 ]
den =
_
1 ,
2 ( 1 + 0,1T)
1 + 0,2T + 9,01T
2
,
1
1 + 0,2T + 9,01T
2
_
= [ 1.0000 1.8197 0.9008 ]
C alculo del diagrama de polos y ceros, ver gura 5.28:
num = [0.0090];
den = [ 1 -1.8197 0.9008];
z = roots (num);
p = roots (den);
zplane (num, den);
p = 0.9098 0.2702 i
5.3. DISE

Figura 5.28: Lugar de races del sistema equivalente digital.
C alculo de la funci on de transferencia en z:
k = num;
sys = zpk (z, p, k)
Zero/pole/gain:
0,0090082
1 1,82z
1
+ 0,9008z
2
C alculo de la respuesta al impulso del sistema equivalente digital, ver
gura 5.29:
h = impz(num, den, 70);
stem(h)
292 CAP
ITULO 5. DISE
Figura 5.29: Respuesta al impulso en tiempo discreto del sistema equivalente.
C alculo de la respuesta en frecuencia, ver gura 5.30:
freqz(h)
Figura 5.30: Respuesta en frecuencia del sistema equivalente.
En la gura 5.30 se observa que la frecuencia de resonancia de 3 rad/s
= 0,4775 Hz resulta mapeada en una frecuencia de 0,0955 debido a que
con un T = 0,1 se tiene una frecuencia de muestreo de 10 Hz lo que implica
una frecuencia m axima de trabajo de 5Hz. Como en Matlab se normaliza
5.3. DISE

con respecto a la frecuencia de Nyquist de 5Hz entonces la frecuencia
de 0,4775Hz queda normalizada a 0,0955. De la misma gura se puede
concluir que el ltro digital conserva el mismo comportamiento espectral
del ltro an alogo.
Dise no de ltros IIR mediante invarianza impulsional
En este caso se dise na un ltro IIR con una respuesta al impulso h(n) que
sea la versi on muestreada de h(t), o sea:
h(n) =
n=
h(t) (t nT)
=
n=
h(nT) (t nT)
Esto implica una respuesta en frecuencia con innitas replicas de la respuesta
del ltro an alogo, ver gura 5.31.
H (f) = F
s
k=
H
a
[ (f k) F
s
] con f =
F
F
s
H () = F
s
k=
H
a
[ ( 2 k) F
s
]
H ( T) =
1
T
k=
H
a
_

2 k
T
_
De esta gura se concluye que si se elige T lo sucientemente peque no, el
aliasing ser a mnimo.
La funci on de transferencia del ltro an alogo est a dada en terminos de la res-
puesta al impulso, por:
H (s) =
h(t) e
s t
dt
Remplazando en esta expresi on la respuesta al impulso por las muestras de esta,
294 CAP
ITULO 5. DISE
Figura 5.31: (a) Respuesta en frecuencia del ltro an alogo. (b) Resultado de
muestrear su respuesta al impulso.
se tiene:
H
1
(s) =
n=
h(nT) (t nT) e
s t
dt
=
n=
h(nT)
(t nT) e
s t
dt
=
n=
h(nT) e
s nT
Comparando esta expresi on con la funci on de transferencia de un ltro digital:
H (z) =
n=
h(n) z
n
Se puede concluir que la funci on de transferencia de un ltro digital coincide
con la funci on de transferencia de un ltro an alogo calculado a partir de las
muestras de su respuesta al impulso si se hace:
z = e
sT
Como,
s = +j y z = re
j
w
Entonces:
r e
j
= e
T
e
j T
5.3. DISE

Y por tanto se concluye que:
r = e
T
y w = T
Luego:
< 0 0 < r < 1
> 0 r > 1
= 0 r = 1
Seg un esto el semiplano izquierdo en s se corresponde con el interior de la cir-
cunferencia unitaria en z y viceversa, adem as el eje j resulta mapeado en la
circunferencia unidad, pero no hay una correspondencia uno a uno, debido a
que como el rango de frecuencias w es unico en el intervalo (, ), la relaci on
w = T implica que el intervalo /T /T se traslada a los valores
, lo mismo para /T 3/T y as sucesivamente, como
se aprecia en la gura 5.32:
Figura 5.32: Mapeo del plano s al z utilizando la invarianza impulsional.
De esta gura se concluye que el metodo de invarianza impulsional es inapro-
piado para dise nar ltros pasaaltos debido al aliasing resultante en el espectro.
En Matlab se tiene la funci on impinvar para el dise no de ltros digitales a
partir del muestreo de la respuesta al impulso del ltro anal ogico.
296 CAP
ITULO 5. DISE
IMPINVAR:
Impulse invariance method for analog to digital filter conversion.
[BZ,AZ] = IMPINVAR(B,A,Fs)
Creates a digital filter with numerator and denominator coefficients
BZ and AZ respectively whose impulse response is equal to the impulse
response of the analog filter with coefficients B and A sampled at a
frequency of Fs Hertz.
If you dont specify Fs, it defaults to 1 Hz.
Ejemplo 5.11: Convierta el ltro anal ogico con funci on de transferencia
H
a
(s) =
s + 0,1
(s + 0,1)
2
+ 9
En un ltro IIR digital por medio del metodo de invarianza impulsional.
C alculo del diagrama de polos y ceros del sistema an alogo:
b = [ 1 0.1 ];
a = [ 1 0.2 9.01 ];
z = roots (b);
p = roots (a);
k = 1;
sys = zpk (z, p, k)
z = 0.1000
p = 0.1000 3.0000 i
Zero/pole/gain:
(s + 0,1)
s
2
+ 0,2s + 9,01
El diagrama de polos y ceros del sistema an alogo se puede calcular con la
funci on pzmap(sys) y se visualiza en la gura 5.33.
pzmap(sys)
5.3. DISE

Figura 5.33: Diagrama de polos y ceros del sistema.
Calculo de la respuesta al impulso y de la respuesta en frecuencia del sis-
tema an alogo:
La respuesta al impulso del sistema an alogo se puede calcular en Matlab
usando la funci on impulse(sys) y est a dibujada en la gura 5.34.
Figura 5.34: Respuesta al impulso del sistema an alogo.
La respuesta en frecuencia del sistema an alogo se puede calcular en Matlab
con la funci on freqs(b, a) y se visualiza en la gura 5.35.
298 CAP
ITULO 5. DISE
Figura 5.35: Respuesta en frecuencia del sistema an alogo.
C alculo del diagrama de polos y ceros del sistema digital equivalente para
F
s
= 10:
b = [ 1 0.1 ];
a = [ 1 0.2 9.01 ];
T = 0.1;
Fs =1/T;
[BZ,AZ] = impinvar (b, a, Fs);
zplane(BZ,AZ);
h = impz (BZ,AZ, 150);
figure
stem (h)
figure
freqz(h)
BZ = [ 0.1000 0.0946 ]
AZ = [ 0.1000 1.8917 0.9802 ]
El diagrama de polos y ceros del ltro digital se calcula en Matlab con la
funci on zplane(BZ, AZ) y se graca en la gura 5.36.
5.3. DISE

Figura 5.36: Diagrama de polos y ceros del sistema digital con T = 0,1.
C alculo de la respuesta al impulso y en frecuencia del sistema digital:
La respuesta al impulso del ltro digital se calcula con la funci on impz()
de Matlab y se dibuja en la gura 5.37.
stem (h)
Figura 5.37: Respuesta al impulso del sistema digital con T = 0,1.
La respuesta en frecuencia se calcula con freqz(h) y se visualiza en la gura
5.38.
300 CAP
ITULO 5. DISE
Figura 5.38: Respuesta en frecuencia del sistema digital con T = 0,1.
C alculo de la respuesta al impulso y en frecuencia para T = 0,5:
b = [ 1 0.1 ];
a = [ 1 0.2 9.01 ];
T = 0.5;
Fs =1/T;
[BZ,AZ] = impinvar (b, a, Fs);
stem (h)
Figura 5.39: Respuesta al impulso del sistema digital con T = 0,5.
5.3. DISE

freqz (h)
Figura 5.40: Respuesta en frecuencia del sistema digital con T = 0,5.
Comparando las guras 5.37, 5.38, 5.39 y 5.40 se puede concluir que la respuesta
en frecuencia y la respuesta al impulso dependen de la velocidad de muestreo.
Dise no de ltros IIR mediante la transformaci on bilineal
Los metodos anteriores s olo permiten dise nar ltros pasabajos y una clase
restringida de ltros pasabanda; la soluci on a estas limitaciones la ofrece la
transformaci on bilineal mapeando el eje j en la circunferencia unidad en el
plano z s olo una vez, con lo cual se evita el aliasing en frecuencia; esta trans-
formaci on est a relacionada con la f ormula trapezoidal utilizada para integraci on
numerica y se explicar a con el siguiente ejemplo:
El ltro anal ogico con una funci on de transferencia dada por:
H (s) =
b
s +a
Est a caracterizado en el tiempo por una relaci on entrada - salida dada por la
ecuaci on diferencial:
dy (t)
dt
+a y (t) = b x(t)
Si se integra la derivada se tiene:
y (t) =
t
_
t0
y
( ) d +y ( t
0
)
302 CAP
ITULO 5. DISE
La aproximaci on de esta integral mediante la f ormula trapezoidal en t = nT y
t
0
= nT T est a dada por:
y (nT) =
T
2
[ y
(nT) +y
(nT T) ] + y (nT T)
La ecuaci on diferencial en t = nT queda as:
y
(nT) = a y (nT) +b x(nT)

Con y (n) y (nT) y x(n) x(nT), y reemplazando, se tiene:
_
1 +
a T
2
_
y (n)
_
1
a T
2
_
y (n 1) =
b T
2
[ x(n) +x(n 1) ]
_
1 +
a T
2
_
Y (z)
_
1
a T
2
_
Y (z) z
1
=
b T
2
_
1 +z
1

X (z)
Se concluye de esta manera que la funci on de transferencia est a dada en este
caso por:
H (z) =
b T
2
_
1 +z
1
_
1 +
a T
2

_
1
a T
2
_
z
1
H (z) =
b
2
T
_
1z
1
1+z
1
_
+a
Comparando con la funci on de transferencia del ltro an alogo se tiene, entonces,
que:
s =
2
T
_
1 z
1
1 +z
1
_
A esta relaci on se le denomina la transformaci on bilineal y es igualmente v alida
para una ecuaci on diferencial de N-esimo orden.
Como, adem as:
z = r e
j
y s = + j
Entonces:
s =
2
T
_
z 1
z + 1
_
=
2
T
_
r e
j
1
r e
j
+ 1
_
=
2
T
_
r
2
1
1 +r
2
+ 2 r cos ()
+j
2 r sen()
1 +r
2
+ 2 r cos ()
_
5.3. DISE

Por tanto,
=
2
T
r
2
1
1 +r
2
+ 2 r cos ()
=
2
T
2 r sen()
1 +r
2
+ 2 r cos ()
Se concluye que si:
r < 1 entonces < 0
r > 1 entonces > 0
r = 1 entonces = 0 y adem as;
=
2
T
sen ()
1 + cos ()
=
2
T
2 cos (/2) sen(/2)
2 cos
2
(/2)
=
2
T
tan
_
2
_
O de forma equivalente,
= 2 tan
1
_
T
2
_
Dicha relaci on puede apreciarse por medio de la gura 5.41:
Figura 5.41: Relaci on entre la frecuencia en el plano s y el plano z en la trans-
formacion bilineal.
En esta gura se observa que:
El rango completo de frecuencias en tiempo continuo se corresponde
de forma unvoca con el rango en tiempo discreto w, sin embargo hay
deformaci on en frecuencia.
304 CAP
ITULO 5. DISE
Adem as, la transformaci on bilineal hace corresponder s = con z = 1.
Normalmente el dise no de un ltro digital empieza con especicaciones en fre-
cuencia en el dominio digital que implica a w, las cuales se convierten al dominio
anal ogico por medio de la transformaci on =
_
2
T
_
tan
_
w
2
_
, luego se dise na el
ltro anal ogico y se convierte a un ltro digital por medio de la transformaci on
bilineal. En este proceso T es transparente y se puede poner en cualquier valor,
por ejemplo 1.
De manera similar al metodo anterior, Matlab cuenta con la funci on bilinear()
que permite trasformar un ltro an alogo en uno digital usando la transformaci on
bilineal:
BILINEAR Bilinear transformation with optional frequency prewarping.
[Zd,Pd,Kd] = BILINEAR(Z,P,K,Fs) converts the s-domain transfer function
specified by Z, P, and K to a z-transform discrete equivalent obtained
from the bilinear transformation:
H(z) = H(s)
s = 2*Fs*(z-1)/(z+1)
Where column vectors Z and P specify the zeros and poles, scalar K
specifies the gain, and Fs is the sample frequency in Hz.
[NUMd,DENd] = BILINEAR(NUM,DEN,Fs), where NUM and DEN are row vectors
containing numerator and denominator transfer function coefficients,
NUM(s)/DEN(s), in descending powers of s, transforms to z-transform
coefficients NUMd(z)/DENd(z).
[Ad,Bd,Cd,Dd] = BILINEAR(A,B,C,D,Fs) is a state-space version.
Each of the above three forms of BILINEAR accepts an optional additional
input argument that specifies prewarping. For example,
[Zd,Pd,Kd] = BILINEAR(Z,P,K,Fs,Fp)
Applies prewarping before the bilinear transformation so that the
frequency responses before and after mapping match exactly at frequency
point Fp (match point Fp is specified in Hz).
Ejemplo 5.12: Convierta el ltro anal ogico con funci on de transferencia
H
a
(s) =
(s + 0,1)
(s + 0,1)
2
+ 16
En un ltro IIR digital por medio de la transformaci on bilineal. El ltro digital
tiene que tener una frecuencia resonante w
r
=

2
.
5.3. DISE

Calculo de la respuesta en frecuencia del ltro an alogo:
num = [1.0000 0.1000];
den = [1.0000 0.1000 16.0100];
freqs(num,den)
Figura 5.42: Respuesta en frecuencia del ltro an alogo del ejemplo.
Como se observa en la gura 5.42 el ltro an alogo tiene una frecuencia de
resonancia de 4Hz. La transformaci on bilineal requiere que la frecuencia
de muestreo sea F
s
= 2 para que la frecuencia an aloga
r
= 4 y la digital
r
=

2
se cumplan ya que,
r
= 2 tan
1
_
r
T
2
_
[ B,A] = bilinear(num,den,2)
B = [ 0.1250 0.0061 0.1189 ]
A = [ 1.0000 0.0006 0.9512 ]
Calculo de la respuesta en frecuencia digital, ver gura 5.43:
306 CAP
ITULO 5. DISE
freqz(B,A)
Figura 5.43: Respuesta en frecuencia del ltro digital del ejemplo.
Como se observa en la gura 5.43 se ha logrado con la transformaci on
bilineal la frecuencia resonante que se deseaba (w
r
=

2
o normalizado
1
2
).
Ejemplo 5.13: Dise nar un ltro digital pasabajos de un polo simple con
un ancho de banda de 3dB de 0,2, usando la transformaci on bilineal
aplicada al ltro anal ogico
H (s) =

c
s +
c
Donde
c
es el ancho de banda de 3dB del ltro anal ogico.
Se especica el ltro digital para que tenga su ganancia de 3dB a w
c
=
0,2. En el dominio de la frecuencia del ltro anal ogico w
c
= 0,2 se
corresponde con
c
=
2
T
tan (0,1)
=
0,65
T
5.3. DISE

As el ltro anal ogico tiene la funci on de transferencia:
H (s) =
0,65
T
s +
0,65
T
C alculo de la respuesta en frecuencia del ltro anal ogico, ver gura 5.44:
T = 1;
num = 0.65/T;
den = [1 0.65/T];
freqs (num, den)
num = [ 0.6500 ]
den = [ 1.0000 0.6500 ]
Figura 5.44: Respuesta en frecuencia del ltro anal ogico del ejemplo.
C alculo del ltro digital mediante la transformaci on bilineal y su corres-
pondiente respuesta en frecuencia, ver gura 5.45:
[BZ,AZ] = bilinear(num,den,1/T)
freqz(BZ,AZ)
BZ = [ 0.2453 0.2453]
AZ = [ 1.0000 0.5094]
308 CAP
ITULO 5. DISE
Figura 5.45: Respuesta en frecuencia del ltro digital del ejemplo.
Como se puede observar en las guras 5.44 y 5.45 el dise no cumple con las
especicaciones en frecuencia tanto para el ltro an alogo como digital.
5.3.2. Dise no de ltros IIR directamente en el mundo di-
gital
Dise no de ltros digitales basado en el metodo de mnimos cuadrados
En este metodo el dise no se hace directamente en el dominio de z, con algunas
variantes que se entran a analizar a continuaci on.
Aproximaci on de pade
En este caso se especica h
d
(n) para n 0 y se dise nan L = M + N + 1
par ametros {a
k
} y {b
k
} de la funci on de transferencia:
H (z) =
M
k=0
b
k
z
k
1 +
N
k=1
a
k
z
k
=
k=0
h(k) z
k
Tal que se satisfaga alg un criterio de error como el de mnimos cuadrados en
el que se busca minimizar la suma de errores al cuadrado:
=
u
n=0
[ h
d
(n) h(n) ]
2
5.3. DISE

Con respecto a los par ametros {a
k
} y {b
k
}; u es un lmite superior preselec-
cionado en la sumatoria, tal que si se selecciona u = L1 se puede ajustar h(n)
perfectamente a h
d
(n) para 0 n M +N como se muestra a continuaci on.
La ecuaci on en diferencias correspondiente a la funci on de transferencia anterior
es:
y (n) = a
1
y (n 1) a
2
y (n 2) a
N
y (n N)
+ b
0
x(n) +b
1
x(n 1) + +b
M
x(n M)
Si se asume x(n) = (n), entonces y(n) = h(n) y por tanto,
h(n) = a
1
h(n 1) a
2
h(n 2) a
N
h(n N)
+ b
0
(n) +b
1
(n 1) + +b
M
(n M)
Como (n k) = 0 para n = k, se tiene que, para 0 n M
h(n) = a
1
h(n 1) a
2
h(n 2) a
N
h(n N) +b
n
(5.3)
Y para n > M:
h(n) = a
1
h (n 1) a
2
h (n 2) a
N
h (n N) (5.4)
Con las ecuaciones 5.3 y 5.4 se pueden hallar los {a
k
} y {b
k
}, haciendo h(n) =
h
d
(n) para 0 n M+N y usando la ecuaci on 5.4 para calcular los {a
k
}, luego
se usan estos en la 5.3 para hallar los {b
k
} con lo que se logra un ajuste perfecto
entre h(n) y h
d
(n), esto es lo que se denomina el Metodo de aproximaci on
de Pade.
El metodo produce resultados aceptables dependiendo del n umero de par ame-
tros del ltro, as cuanto m as complejo es este mejor es la aproximaci on; como
consecuencia el ltro debe tener un gran n umero de polos y ceros.
Ejemplo 5.14: Dise nar un ltro digital con una funci on de transferencia
H (z) =
b
0
+b
1
z
1
1 +a
1
z
1
que aproxime la respuesta al impulso deseada
h
d
(n) = 2
_
1
2
_
n
(n)
utilizando el metodo de aproximaci on de Pade.
En general la funci on de transferencia de un ltro IIR est a dada por:
H (z) =
M
k=0
b
k
z
k
1 +
N
k=1
a
k
z
k
310 CAP
ITULO 5. DISE
y por tanto para este caso M = N = 1
Con (n) a la entrada se tiene a la salida:
h(n) = a
1
h(n 1) +b
0
(n) +b
1
(n 1)
Y para n > 1 se tiene:
h(n) = a
1
h(n 1)
Equivalentemente:
h
d
(n) = a
1
h
d
(n 1)
Sustituyendo para n = 2:
h
d
(2) = a
1
h
d
(2 1)
O sea,
a
1
=
1
2
y para n 1:
h(n) =
1
2
h(n 1) +b
0
(n) +b
1
(n 1)
De donde:
Para n = 0 se obtiene b
0
= 2.
Para n = 1 se obtiene b
1
= 0.
Lo que produce la funci on de transferencia:
H (z) =
2
1
1
2
z
1
Los resultados de la respuesta al impulso obtenida realmente y la deseada se
muestran a continuaci on:
C alculo de la respuesta al impulso deseada:
n = 0:1:10;
hd = 2*(1/2).^n;
h
d
= [ 2.0000 1.0000 0.5000 0.2500 0.1250 0.0625 0.0313 0.0156
0.0078 0.0039 0.0020 ]
C alculo de la respuesta al impulso obtenida mediante el metodo de Pade:
5.3. DISE

num = [2 0];
den = [1 -0.5];
h = impz (num,den,11)
h = [ 2.0000 1.0000 0.5000 0.2500 0.1250 0.0625 0.0313 0.0156
0.0078 0.0039 0.0020 ]
Como se puede observar en este caso particular coinciden la respuesta al impul-
so obtenida por el metodo de Pade con la deseada, porque esta aproximaci on
resulta en un ajuste perfecto a H
d
(z) cuando la funci on de transferencia deseada
es racional y se conoce a priori el n umero de polos y ceros del sistema. En la
pr actica esto no es as y por lo tanto se requiere un procedimiento de tanteo
en donde se supongan un n umero de polos y ceros determinados, se calcule la
respuesta en frecuencia y se repita cambiando este n umero hasta que se logre
el ajuste a la respuesta deseada, lo cual normalmente es un procedimiento que
consume mucho tiempo y es tedioso.
Metodo de mnimos cuadrados
En este caso tambien se especica h
d
(n) para n 0.
Suponiendo que se dise na un ltro todo polos:
H (z) =
b
0
1 +
N
k=1
a
k
z
k
Si se conecta en cascada el ltro deseado con un ltro inverso
1
H(z)
(Todo ceros)
como se muestra en la gura 5.46:
Figura 5.46: Conexi on del ltro deseado con el inverso de su aproximaci on en
cascada.
312 CAP
ITULO 5. DISE
En este caso, idealmente y
d
= (n) pero la salida real es:
y (n) =
1
b
0
_
h
d
(n) +
N
k=1
a
k
h
d
(n k)
_
Para obligar a que y
d
(0) y (0) = 1 se hace b
0
= h
d
(0) para n > 0, y(n)
representa el error entre y
d
(n) = 0 y la salida real. Se seleccionan los {a
k
} para
minimizar
=
n=1
y
2
(n)
=
n=1
_
h
d
(n) +
N
k=1
a
k
h
d
(n k)
_
2
h
2
d
(0)
Derivando con respecto a los {a
k
}, se tiene un conjunto de ecuaciones lineales:
N
k=1
a
k
r
hh
(k, l) = r
hh
(l, 0) con l = 1, 2, , N (5.5)
En donde:
r
hh
(k, l) =
n=1
h
d
(n k) h
d
(n l)
=
n=0
h
d
(n) h
d
(n +k l) = r
hh
(k l)
La soluci on de la ecuaci on 5.5 produce los par ametros deseados del sistema in-
verso
1
H(z)
.
En la pr actica se especica h
d
(n) para un conjunto nito de puntos: 0 n L
con L >> N, en tal caso r
hh
(k) se puede calcular con la secuencia nita h
d
(n):
r
hh
(k l) =
L | kl |
n=0
h
d
(n) h
d
(n +k l) con 0 k l N
Con estos valores se puede resolver la ecuaci on 5.5.
Suponiendo una aproximaci on H(z) a H
d
(z) con polos y ceros:
h(n) =
N
k=1
a
k
h(n k) +
M
k=0
b
k
(n k) con n 0
5.3. DISE

O equivalentemente:
h(n) =
N
k=1
a
k
h(n k) +b
n
con 0 n M (5.6)
Si n > M:
h(n) =
N
k=1
a
k
h(n k) con n > M (5.7)
Si H
d
(z) es un ltro de polos y ceros, su respuesta h
d
(n) podra satisfacer estas
mismas ecuaciones pero no es as. Sin embargo, se puede usar h
d
(n) para n > M
y estimar h
d
(n) usando la ecuaci on 5.7
h
d
(n) =
N
k=1
a
k
h
d
(n k)
Se pueden seleccionar los {a
k
} para minimizar la suma de errores del cuadrado
entre h
d
(n) y

h
d
(n) para n > M:
1
=
n=M+ 1
_
h
d
(n)
h
d
(n)
_
2
=
n=M+1
_
h
d
(n) +
N
k=1
a
k
h
d
(n k)
_
2
Derivando con respecto a {a
k
}, se tiene:
N
l=1
a
l
r
hh
(k, l) = r
hh
(k, 0) con k = 1, 2, , N (5.8)
Donde:
r
hh
(k, l)
n=M+1
h
d
(n k) h
d
(n l)
Con esto se calculan los {a
k
}.
Los par ametros {b
k
} se obtienen de la ecuaci on 5.6 haciendo h(n) = h
d
(n)
y sustituyendo los valores de { a
k
} obtenidos resolviendo 5.8:
b
n
= h
d
(n) +
N
k=1
a
k
h
d
(n k) con 0 n M
Por tanto los { a
k
} se obtienen por el metodo de mnimos cuadrados y los {b
k
} se
obtienen por el de aproximaci on de Pade, lo que se denomina metodo de Prony,
el cual puede no ser muy efectivo al estimar los {b
k
} porque no est a basado en
mnimos cuadrados. En Matlab se puede usar la funci on prony() que est a basada
en el metodo propuesto.
314 CAP
ITULO 5. DISE
Ejemplo 5.15:
PRONY Pronys method for time-domain IIR filter design.
[B,A] = PRONY(H, NB, NA) finds a filter with numerator order NB,
denominator order NA, and having the impulse response in vector H.
The IIR filter coefficients are returned in length NB+1 and NA+1
row vectors B and A, ordered in descending powers of Z. H may be
real or complex.
Ejemplo 5.16: Aproxime un ltro Butterworth de cuarto orden que tiene la
funci on de transferencia
H
d
(z) =
4,8334 10
3
( z + 1 )
4
( z
2
1,3205z + 0,6326 ) ( z
2
1,0482z + 0,2959 )
por medio de un ltro todo polos empleando el metodo de Prony.
num = [0.0048 0.0193 0.0290 0.0193 0.0048];
den = [1.0000 -2.3687 2.3126 -1.0538 0.1872];
La respuesta al impulso deseada se muestra en la gura 5.47.
impz(num, den)
Figura 5.47: Respuesta al impulso deseada del ejemplo.
5.3. DISE

La respuesta en frecuencia de este ltro se muestra en la gura 5.48.
freqz(num,den)
Figura 5.48: Respuesta en frecuencia del ltro del ejemplo.
C alculo de la aproximaci on al ltro por el metodo de Prony:
Suponiendo tres polos, se tiene:
NA = 3;
NB = 0;
[B,A] = prony(impz(num,den), NB, NA)
B = 0,0048
A = [1,0000 2,5430 2,4181 0,8538]
Con esta escogencia se logra una respuesta al impulso y en frecuencia como
se observa en las guras 5.49 y 5.50.
316 CAP
ITULO 5. DISE
Figura 5.49: Respuesta al impulso de la aproximaci on lograda con el programa
prony() para N = 3, M = 0.
Figura 5.50: Respuesta en frecuencia de la aproximaci on lograda con prony()
para N = 3, M = 0.
Con 10 coecientes se tiene:
NA = 10;
[B,A] = prony(impz(num,den), NB, NA};
5.3. DISE

B = 0,0048
A = [ 1.0000 4.8980 12.0672 19.9540 24.9177 24.8311 20.0872
13.0045 6.4052 2.1445 0.3666]
En la guras 5.51 y 5.52 se observa la respuesta al impulso y en frecuencia
lograda para este caso:
Figura 5.51: Respuesta al impulso de la aproximaci on usando prony() para N =
10, M = 0.
Figura 5.52: Respuesta obtenida con N = 10, M = 0 utlizando prony ().
Con tres coecientes en el numerador y cinco en el denominador se tiene:
318 CAP
ITULO 5. DISE
NA = 5;
NB = 3;
[B,A] = prony(impz(num,den), NB, NA)
B = [0.0048 0.0176 0.0225 0.0104 ]
A = [1.0000 2.7207 3.2084 2.0021 0.6684 0.0991 ]
En este caso se logran la respuesta al impulso y en frecuencia mostradas
en las guras 5.53 y 5.54:
Figura 5.53: Respuesta al impulso obtenida mediante la aproximaci on de prony()
para N = 5, M = 3.
Figura 5.54: Respuesta en frecuencia obtenida mediante la aproximaci on de
prony() para N = 5, M = 3.
5.3. DISE

Metodo de Shanks
Los {a
k
} se calculan con el metodo de mnimos cuadrados como se hizo
antes, lo que produce los { a
k
} que permite sintetizar el ltro todo polos.
H
1
(z) =
1
1 +
N
k=1
a
k
z
k
La respuesta al impulso de este ltro:
v (n) =
N
k=1
a
k
v (n k) + (n) con n 0
Usando este ltro para excitar un ltro todo ceros, ver gura 5.55:
H
2
(z) =
M
k=0
b
k
z
k
Figura 5.55: Filtro todo polos en cascada con un ltro todo ceros.
h
d
(n) =
M
k=0
b
k
v (n k)
Se dene una secuencia de error:
(n) = h
d
(n)
h
d
(n)
= h
d
(n)
M
k=0
b
k
v (n k)
Por lo tanto los {b
k
} tambien se pueden determinar por el criterio de mnimos
cuadrados:
2
=
n=0
_
h
d
(n)
M
k=0
b
k
v (n k)
_
2
M
k=0
b
k
r
vv
(k, l) = r
hv
(l) con l = 0, 1, , M
320 CAP
ITULO 5. DISE
En donde:
r
vv
(k, l) =
n=0
v (n k) v (n l)
r
hv
(k) =
n=0
h
d
(n) v (n k)
Existe un metodo para el c alculo de la aproximaci on de la respuesta en frecuencia
deseada directamente en el dominio de la frecuencia utilizando el criterio de
mnimos cuadrados y que se implementa en Matlab con la funci on yulewalk().
YULEWALK Recursive filter design using a least-squares method.
[B,A] = YULEWALK(N,F,M) finds the N-th order recursive filter coefficients
B and A such that the filter:
B(z)
A(z)
=
b (0) +b (1) z
1
+b (2) z
2
+ +b (M 1) z
(M1)
1 +a (1) z
1
+a (2) z
2
+ +a (N 1) z
(N1)
matches the magnitude frequency response given by vectors F and M. Vectors
F and M specify the frequency and magnitude breakpoints for the filter
such that PLOT(F,M) would show a plot of the desired frequency response.
The frequencies in F must be between 0.0 and 1.0, with 1.0 corresponding
to half the sample rate. They must be in increasing order and start with
0.0 and end with 1.0.
Ejemplo 5.17: Dise nar utilizando la funci on yulewalk() un ltro pasabajas con
frecuencia de corte de 0.1 y de supresi on de 0.2
N = 15;
M = [1 1 0 0];
F = [0 0.1 0.2 1];
[B,A] = yulewalk(N,F,M)
B = [0.0036 0.0324 0.1370 0.3574 0.6262 0.7390 0.5106 0.0021
0.4985 0.7001 0.5844 0.3367 0.1365 0.0376 0.0064 0.0005]
A = 1,0 e + 003
[ 0.0010 0.0120 0.0687 0.2472 0.6253 1.1778 1.7060 1.9343
1.7301 1.2204 0.6733 0.2853 0.0898 0.0198 0.0027 0.0002 ]
La respuesta obtenida se muestra en la gura 5.56.
5.4. PROBLEMAS 321
h = impz(B,A);
freqz(h)
Figura 5.56: Respuesta en frecuencia obtenida con yulewalk() para las especi-
caciones del ejemplo.
La funci on invfreqz() de Matlab trabaja de manera similar a la funci on yulewalk().
5.4. Problemas
1. Use Matlab para dise nar ltros pasa bajos Butterworth, Chebyshev-I,
Chebyshev-II y elptico que satisfaga las siguientes especicaciones
11
:
w
c
= 0,2
r
= 0,4
1
1
= 1 dB
2
= 40 dB
El orden del ltro puede ser determinado usando las funciones buttord,
cheblord, cheb2ord y elipord. Graque el diagrama de polos y ceros, y la
respuesta de magnitud en dB.
2. Repita el problema (1) para ltros pasa banda con las siguientes especi-
11
322 CAP
ITULO 5. DISE
caciones
12
:
w
c1
= 0,2
w
c2
= 0,4
w
r1
= 0,1
w
r2
= 0,6
1
1
= 1 dB
2
= 40 dB
3. Dise ne un ltro FIR de fase lineal aproximando la respuesta en frecuencia
ideal
13
H
d
(w) =
_
1, para |w|

6
0, para

6
< |w|
a. Determine los coecientes del ltro de 25 retardos basado en el meto-
do de ventana con una ventana rectangular.
b. Determine y represente la respuesta en magnitud y fase del ltro.
c. Repita los puntos (a) y (b) usando la ventana de Hamming.
4. Determine la respuesta impulsional {h(n)} de un ltro FIR de fase lineal
de longitud M = 4 para el cual la repuesta en frecuencia en w = 0 y
w =

2
se especica como
14
H
r
(0) = 1 H
r
(
2
) =
1
2
5. Obtenga los coecientes adecuados para un ltro digital usando el meto-
do de transformada bilineal y caractersticas elpticas para encontrar las
siguientes especicaciones
15
:
Banda de paso 4 KHz - 12 KHz
Banda de rechazo 0 - 3.4 KHz
Rizado de la banda de paso <0.1 dB
Atenuaci on de la banda de paso > 30dB
Frecuencia de muestreo 32 Khz
Determine una longitud de coeciente para asegurar que el ltro es es-
table y la respuesta en frecuencia esta en los limites especicados.
6. Determine los coecientes {h(n)} de un ltro FIR de fase lineal de longitud
M = 15 que tiene una respuesta impulsional simetrica y una respuesta en
12
13
14
15
5.4. PROBLEMAS 323
frecuencia que satisface la condici on
16
H
r
_
2k
15
_
=
_
1, para k = 0, 1, 2, 3
0, para k = 4, 5, 6, 7
7. Un ltro FIR tiene una respuesta al impulso, h(n), la cual esta denida
en el intervalo 0 n N 1. Demuestre que si N es par y h(n) satisface
la condici on de simetra positiva, esto es h(n) = h(N n 1), el ltro
tiene una respuesta de fase lineal. Obtenga la expresi on para la respuesta
de amplitud y fase del ltro.
8. Se necesita un ltro pasa bajo que satisfaga las siguientes especica-
ciones
17
:
Rizado en la banda de paso: 1 dB
Frecuencia de corte de la banda de paso: 4 dB
Atenuaci on en la banda de rechazo: 40 dB
Frecuencia de corte en la banda de rechazo: 6 KHz
Frecuencia de muestreo: 24 KHz
Se va a dise nar el ltro realizando una transformaci on bilineal sobre una
funci on de transferencia anal ogica. Determine el orden de los dise nos
anal ogicos de Butterworth, Chebyshev, y Elpticos que se deben usar para
satisfacer las especicaciones en la implementaci on digital.
9. Se requiere un ltro pasa bajo digital IIR que satisfaga las siguientes es-
pecicaciones
18
:
Rizado en la banda de paso (o rizado pico a pico): 0,5 dB
Frecuencia de corte en la banda de paso: 1.2 KHz
Atenuaci on en la banda de rechazo: 40 dB
Frecuencia de corte en la banda de rechazo 2.0 KHz
Frecuencia de muestreo: 8.0 KHz
Determine el orden requerido para el ltro para:
a. Un ltro digital Butterworth.
b. Un ltro digital Chebyshev.
c. Un ltro digital Elptico.
16
17
18

PDS Mat

Cargado por

Copyright:

Formatos disponibles

PDS Mat

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

PDS Mat

Cargado por

Copyright:

Formatos disponibles

Texto Gua Para El Curso De

Procesamiento Digital De Se nales

INDICE GENERAL iii

INDICE DE FIGURAS vii

ON DE ANALOGO A DIGITAL (ADC) 7

ON DE ANALOGO A DIGITAL (ADC) 9

ON DE ANALOGO A DIGITAL (ADC) 11

ON DE ANALOGO A DIGITAL (ADC) 13

ON DE ANALOGO A DIGITAL (ADC) 15

ON DE ANALOGO A DIGITAL (ADC) 17

ON DE ANALOGO A DIGITAL (ADC) 19

ON DE ANALOGO A DIGITAL (ADC) 21

ON DE ANALOGO A DIGITAL (ADC) 23

ON DE ANALOGO A DIGITAL (ADC) 25

En este caso la echa () indica el origen de coordenadas (Es decir, n = 0

NALES EN TIEMPO DISCRETO

NALES ELEMENTALES EN TIEMPO DISCRETO 37

NALES EN TIEMPO DISCRETO

NALES ELEMENTALES EN TIEMPO DISCRETO 39

NALES EN TIEMPO DISCRETO

NALES ELEMENTALES EN TIEMPO DISCRETO 41

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO 51

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO 53

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

Se puede construir por medio de impulsos como:

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

NALES EN TIEMPO DISCRETO

Tiene una transformada z dada por:

O sea que X(z) existe si x(n)r

ON ENTRE POLOS Y COMPORTAMIENTO TEMPORAL111

ON ENTRE POLOS Y COMPORTAMIENTO TEMPORAL113

ON ENTRE POLOS Y COMPORTAMIENTO TEMPORAL115

ON ENTRE POLOS Y COMPORTAMIENTO TEMPORAL117

ON ENTRE POLOS Y COMPORTAMIENTO TEMPORAL119

ON ENTRE POLOS Y COMPORTAMIENTO TEMPORAL121

ON DE TRANSFERENCIA DE UN SISTEMA LTI 123

Cuando esta expresi on se eval ua en la circunferencia unidad (|z| = 1), se tiene:

El gr aco de esta funci on se observa en la gura 3.29:

ALISIS FRECUENCIAL EN TIEMPO DISCRETO