Procesamiento Digital de Se Nales: Universidad Tecnol Ogica de La Mixteca

Universidad Tecnológica de la Mixteca
Notas del curso
Procesamiento Digital de Señales
José Antonio Moreno Espinosa
Marzo 2020
Presentación
Este documento presentará el material que se debe cubrir en el curso Procesamiento Digital
de Señales para los alumnos de octavo semestre de Ingenierı́a en Electrónica e Ingenierı́a en Me-
catrónica en la Universidad Tecnológica de la Mixteca.
Con motivo de la suspensión de clases presenciales en este semestre 2020-B, es necesario hacer
la presentación del material en este formato. Después de que el alumno lea y experimente con
el material presentado y haya resuelto sus dudas, se le pide que realice ejercicios semejantes pa-
ra que desarrolle la habilidad y pueda representar el conocimiento que es el propósito de este curso.
Se sugieren algunos ejercicios al final del documento, pero el estudiante tiene la opción de cam-
biarlos por otros que tenga disponibles o sean mas de su agrado. Es altamente recomendable que
intente resolver problemas asociados a materias como Control Digital o algunas similares donde la
respuesta que obtengan puedan tener sentido de acuerdo a los resultados esperados en la aplicación.
El software que se usa para las simulaciones es Octave, pero puede ser cambiado por el de su
preferencia. El hardware usado será la tarjeta Launchpad TivaC 1294 de Texas Instruments, la
cual puede ser sustituida para los ejemplos expuestos por una tarjeta Arduino UNO.
Al igual que en una clase presencial, las preguntas de los alumnos son necesarias para un me-
jor aprendizaje. Los invito a ponerse en contacto conmigo por correo electrónico a las siguientes
direcciones joseamorenoe@gmail.com y jamoreno@mixteco.utm.mx, siendo la primera dirección
preferible porque las notificaciones llegan inmediatamente.
Esperando que se encuentren bien y que este documento sea útil, reciban un cordial saludo.
José Antonio Moreno Espinosa

Marzo 2020
1
Capı́tulo 1
Sistemas Discretos Lineales e Invariantes
Introducción
Los sistemas lineales han sido usados por mucho tiempo en ingenierı́a. Se han desarrollado una
gran cantidad de herramientas matemáticas que permiten estudiarlos. Sin embargo los sistemas
fı́sicos no son lineales en el concepto más amplio de la definición, por citar un caso, dejan de ser
lineales cuando las entradas son muy pequeñas o muy grandes. Si embargo, una gran cantidad de
sistemas fı́sicos pueden trabajarse en condiciones donde son muy próximos a ser lineales.
En este capı́tulo se presentará un sistema lineal y se mostrarán los métodos para encontrar su
solución. Una vez que el alumno haya entendido el ejemplo, debe de replicar los pasos usando otros
sistemas lineales e invariantes, con lo cual podrá desarrollar la habilidad de resolver otros sistemas
similares que sean de su interés en el desempeño de la ingenierı́a.
Un sistema discreto lineal e invariante (SDLI de aquı́ en adelante) está descrito por una
ecuación de diferencias de coeficientes constantes como se muestra en 1.1
N
X M
X
ak y[n − k] = bk x[n − k] (1.1)
k=0 k=0
1.1. Ejemplo; SDLI con condiciones iniciales cero

Un caso sencillo puede ser el sistema descrito por la ecuación 1.2. En este caso las condiciones
iniciales son cero, el sistema está en reposo . Después veremos que pasa con la solución cuando
tales condiciones son distintas de cero.
y[n] + 1,3y[n − 1] + 0,4y[n − 2] = u[n] (1.2)
Podemos ver que en 1.2, N = 2, a0 = 1, a1 = 1,3, a2 = 0,4, M = 0, b0 = 1 y x[n] = u[n]
La incognita es y[n] y la podemos encontrar de varias maneras, entre ellas podemos mencionar:
2
CAPÍTULO 1. SISTEMAS DISCRETOS LINEALES E INVARIANTES 3
Resolver la ecuación por iteración
Hacer un programa para resolver este sistema
Usando software orientado a procesamiento numérico
Usando métodos de solución de ecuaciones de diferencias
Usando transformada z
1.1.1. Solución de SDLI mediante iteración

El proceso iterativo de esta sección es una iteración que vamos a hacer a mano sobre la ecuación
1.3 la cual derivamos de la ecuación 1.2, que describe al sistema propuesto.
y[n] = u[n] − 1,3y[n − 1] − 0,4y[n − 2] (1.3)
Tomando el cuenta que las condiciones iniciales son cero, obtenemos los siguientes resultados:
y[0] = u[0] − 1,3y[−1] − 0,4y[−2] = 1 − 1,3(0) − 0,4(0) = 1
y[1] = u[1] − 1,3y[0] − 0,4y[−1] = 1 − 1,3(1) − 0,4(0) = −0,3
y[2] = u[2] − 1,3y[1] − 0,4y[0] = 1 − 1,3(−0,3) − 0,4(1) = 0,99
y[3] = u[3] − 1,3y[2] − 0,4y[1] = 1 − 1,3(0,99) − 0,4(−0,3) = −0,167
y[4] = u[4] − 1,3y[3] − 0,4y[2] = 1 − 1,3(−0,167) − 0,4(0,99) = 0,8211
y[5] = u[5] − 1,3y[4] − 0,4y[3] = 1 − 1,3(0,8211) − 0,4(−0,167) = −0,00063
y[6] = u[6] − 1,3y[5] − 0,4y[4] = 1 − 1,3(−0,00063) − 0,4(0,8211) = 0,672379
Este procedimiento es el que se usó desde hace mas de dos siglos y aunque puede considerarse que
no es difı́cil, si es muy tedioso, además de que el número de operaciones para resolver un sistema
de orden alto se incrementa mucho y una solución con este método es inviable para propósitos
prácticos.
1.1.2. Solución de SDLI mediante un programa de computadora

Las primeras computadoras se hicieron precisamente para realizar tareas tediosas y repetitivas
sobre grandes cantidades de datos, esto es, una situación muy parecida a la que planteamos en la
sección anterior. La manera de instruir a la computadora para que realice una tarea especı́fica se
conoce genéricamente como programa. Los programas actualmente se pueden hacer en una gran va-
riedad de lenguajes. En el área de Ingenierı́a Eléctrica (la que integra a Electrónica, Computación
y similares), el lenguaje C es muy usado, por lo que mostraremos un programa en este lenguaje.
El hardware para ejecutar un programa cada vez es más variado, puede ser desde una compu-
tadora con cientos de procesadores, muy cara y complicada de operar, hasta una tarjeta con un
microcontrolador de muy pocos dolares, sin sistema operativo y relativamente pocas entradas y
salidas, pero suficiente para realizar controles sobre procesos no muy rápidos. En este ejemplo usa-
mos la tarjeta Tiva C Series Connected Launchpad TM4C1294 de Texas Instruments, la cual tiene
un oscilador que puede funcionar hasta 120 MHz y se puede programar en Lenguaje C mediante
el ambiente integrado de desarrollo Code Composer Studio proporcionado por el fabricante de la
tarjeta de manera libre.
Estructura del programa

Para llevar a cabo los programas que realicen los SDLI, lo primero que tenemos que hacer es
un diagrama a bloques que solucione la ecuación de diferencias que describe al sistema. Ya que la
incognita es y[n], podemos despejarla de la ecuación 1.1 y obtenemos la ecuación 1.4
M
X N
X M
X N
X
y[n] = bk x[n − k] − ak y[n − k] = bk x[n − k] + (−ak )y[n − k] (1.4)
k=0 k=1 k=0 k=1
El diagrama mostrado en la figura 1.1 corresponde a la ecuación 1.4. Los elementos que existen
en el diagrama son: sumadores, multiplicadores y retardadores. Los retardadores son elementos de
memoria que van guardando valores anteriores. Recordando que los sistemas discretos solo tienen
cambios en valores enteros de la variable, n en nuestro caso, la entrada a un retardador en un
cierto tiempo, será la salida del mismo al siguiente tiempo. Su función es como la de un flip-flop
tipo D, pero en lugar de guardar solo un bit, guarda un entero o un flotante, según se requiera.
El sistema que estamos analizando (Ec. 1.2) puede reacomodarse para obtener la ecuación 1.3,
lo cual corresponderı́a a la figura 1.2
Como se puede observar en el diagrama a bloques de la figura 1.2, requerimos dos elementos de
memoria, tres multiplicadoores, aunque b0 = 1, por lo que se puede obviar, y sumar tres cantidades.
El programa en C que se puede ejecutar en la tarjeta Launchpad Tiva C 1294 es el que se muestra
en la figura 1.3
Analizando el código mostrado, se puede ver que no se usan librerı́as ni terminales de entra-
da/salida, incluso no se establece la velocidad de ejecución. Este código solo es un ejemplo para
mostrar como el procesador Tiva C puede realizar los cálculos y obtener resultados casi idénticos
a los obtenidos en la solución por iteración a mano. Para visualizar los resultados es necesario
generar un proyecto en Code Composer Studio, escribir el código de la figura 1.3, descargarlo a la
tarjeta y ejecutarlo. Después de realizar los cálculos de y[n] el programa se queda en un lazo ocioso
y los valores ya se encuentran en el vector y. Usando la opción del menú View - Expressions aparece
una tabla donde se puede escribir y en la pestaña Expressions y aparecerán los valores del vector y.
Figura 1.1: Forma Directa I para la descripción de un SDLI
Figura 1.2: Forma Directa I para describir el SDLI del ejemplo

Figura 1.3: Código para realizar el ejemplo en la tarjeta Launchpad Tiva C 1294
1.1.3. Solución de SDLI mediante software

Las computadoras personales ofrecen un sistema operativo que permite al usuario un nivel de
abstracción que permite ignorar el hardware donde se ejecutan los programas. Sobre esta base,
se usan programas o aplicaciones con una gran variedad de objetivos. Entre estas aplicaciones se
encuentra el software Octave que está orientado a el procesamiento numérico, siendo sus elementos
básicos las matrices. Cuenta con funciones y librerı́as para un gran número de areas de interés,
entre ellas, el procesamiento digital de señales.
En el software Octave existe una función llamada filter la cual puede ser usada para encontrar
la solución de un SDLI. Requiere como parámetros los coeficientes bk , ak y la señal de entrada x[n].
Puede usar la orden que se muestra en la figura 1.4. Si consulta la ayuda, (help filter) puede ver
que los parámetros se pasan como vectores, por lo que la entrada x[n] = u[n] solo se puede pasar
como un vector con un número limitado de elementos, aunque sabemos que es de longitud infini-
ta. Si usa más elementos de la entrada, la salida tendrá el mismo número de elementos. Observe
que se usa un apóstrofe para que la salida se muestre como un vector columna y sea más fácil de leer.
1.1.4. Solución analı́tica de la Ecuación de Diferencias que describe al

SDLI
La solución de la ecuación diferencial, y[n] está formada por dos partes. La primera es la solu-
ción homogenea yh [n], la cual es la respuesta del sistema cuando la entrada es cero y solo existen
las condiciones iniciales. La segunda es la solución particular yp [n], y es aquella que corresponde a
la salida del sistema cuando las condiciones iniciales son cero y solo la entrada es distinta de cero.
Figura 1.4: Cálculo de la salida del SDLI de ejemplo en Octave
La solución y[n] = yh [n] + yp [n]
La solución particular también es igual a la convolución de la entrada con la respuesta al

impulso del SDLI. En este caso la solución del sistema de ejemplo es solo la solución particular
porque las condiciones iniciales son cero. Por lo tanto, ya que hemos visto la equivalencia de los
métodos anteriores, podemos usar Octave para encontrar tanto la respuesta al impulso como la
convolución entre las dos secuencias. En la figura 1.5 se muestra como usando la función filter
podemos encontrar la respuesta al impulso, y en la figura 1.6 usando la función conv que realiza
la convolución entre la respuesta al impulso y la entrada, que es la solución particular y en este
caso la solución total porque las condiciones iniciales son cero.
Figura 1.5: Obtención de la respuesta al impulso h[n] del SDLI ejemplo mediante Octave
Es importante recalcar que este es un método que se puede hacer a mano, pero ya vista la equi-
valencia de las soluciones, se usa Octave hacer las notas más cortas. Se invita al alumno a realizar
estos calculos usando solo su calculadora, lápiz y papel, como hubiera sido en un hipotético examen.
Figura 1.6: Obtención de la solución particular yp [n] del SDLI ejemplo usando la función de con-
volución de Octave
1.1.5. Solución de SDLI mediante Transformada Z

La transformada Z, X(z), TZ en adelante, es una forma de expresar una señal discreta x[n]
como función de señales complejas, tal como se indica en la ecuación 1.5. La sumatoria puede no
converger para todo el plano complejo z, por lo que X(z) solo existe donde la sumatoria converge,
a esta región del plano z se le conoce como Region de convergencia, ROC y tiene como frontera
siempre una circunferencia centrada en el origen del plano z. La ROC de una señal causal siempre
es hacia afuera de la frontera.
∞
X
X(z) = x[n]z −n (1.5)
n=−∞
Ejemplo de Transformada Z
La TZ de la señal x[n] = αn u[n], de acuerdo a la ecuación 1.5, es la siguiente:
∞
X
X(z) = αn z −n
n=0
X∞
= (αz −1 )n
n=0
1
=
1 − αz −1
El resultado anterior es cierto si se cumple que |αz −1 | = | αz | < 1, lo cual requiere que |α| < |z|.
La condición anterior establece que la ROC de la TZ de x[n] = αn u[n] está formada por todos los
números complejos en el plano z que están hacia afuera de la circunferencia |α|.
La mayorı́a de las funciones que aparecen en las aplicaciones de ingenierı́a tienen una forma que
ya se encuentra calculada en una tabla de transformadas z, como el fragmento que se muestra en
la figura 1.7, por lo que serán las que usaremos en estas notas. En muchas ocasiones necesitamos
transformar toda una expresión que es una combinación lineal de funciones que podemos encon-
trar en la tabla mencionada, y dado que una de las propiedades de la TZ es la linealidad podemos
aplicarla para transformar dicha combinación lineal. En muchas ocasiones también es útil el uso
de una tabla de propiedades de la transformada z como la que se muestra en la figura 1.8.
Figura 1.7: Fragmento de tabla de transformadas z
Figura 1.8: Fragmento de una tabla de propiedades de la transformada z

En general los resultados los requerimos en el dominio de n, por lo que debemos aplicar la
Transformada z inversa (TZI) cuya definición es más complicada que la de la TZ y en general usa-
remos expansión en fracciones parciales de ser necesario para tener funciones sencillas que podemos
encontrar en la tabla de transformadas, y por linealidad encontramos la transformada inversa que
necesitamos.
En el caso del ejemplo que estamos resolviendo, consideramos la ecuación 1.2 y mediante tablas
y por propiedades de linealidad y desplazamiento en el tiempo, obtenemos la TZ de la ecuación de
diferencias del ejemplo como se muestra en la ecuación 1.6.
1
Y (z) + 1,3z −1 Y (z) − 0,4z −2 Y (z) = (1.6)
1 − z −1
Factorizando Y (z)
Y (z)[1 + 1,3z −1 + 0,4z −2 ] =

Y (z)[(1 + 0,8z −1 )(1 + 0,5z −1 ] =

4 −1 1 −1 1
Y (z) 1 + z 1+ z =
5 2 1 − z −1
La solución en el dominio de z de SDLI de ejemplo está expresado en la ecuación 1.7 donde

además se expande en fracciones parciales para realizar la transformada inversa.
1 A B C
Y (z) = = + 4 −1 + (1.7)
4 −1 1 −1
1 + 12 z −1
−1
(1 − z −1 ) 1+ 5
z 1+ 2
z 1−z 1 + 5z
10
Realizando la expansión en fracciones parciales encontramos que A = 27 , B = 32
27
y C = − 59 .
Por lo que usando una tabla de transformadas z obtenemos el resultado que se muestra en la
ecuación 1.8. En la figura 1.9 vemos el resultado que nos da Octave cuando evaluamos la ecuación
1.8
n n
10 32 4 5 1
y[n] = + − − − u[n] (1.8)
27 27 5 9 2
Hemos visto hasta ahora que todos los métodos usados nos arrojan el mismo resultado, aunque
solo se han visualizado los primeros elementos de la señal, que es infinita en duración, debido a
que es un sistema retroalimentado y por lo tanto su respuesta al impulso es infinita, es decir, es
un sistema IIR.
Figura 1.9: Evaluación en Octave de y[n] para el SDLI de ejemplo obtenida usando TZ
1.2. SDLI con condiciones iniciales distintas de cero

Cuando el SDLI no está en reposo para n < 0, tenemos una respuesta que va a tener dos
componentes como lo mencionamos anteriormente, una parte debida a la entrada unicamente y
otra debida unicamente a las condiciones iniciales. Para analizar los cambios que implica el tener
condiciones iniciales distintas de cero, repitamos el mismo ejemplo de la sección anterior pero cam-
biemos las condiciones iniciales.
El sistema analizado esta descrito nuevamente por la ecuación 1.9, pero ahora consideremos
que y[−1] = 0 y y[−2] = 1. Repitamos los mismos pasos para encontrar la solución y[n].
y[n] = u[n] − 1,3y[n − 1] − 0,4y[n − 2] (1.9)
Solución mediante iteración

El proceso de solución por iteración con lápiz, papel y calculadora es como el que se muestra
a continuación para los primeros 7 elementos de y[n]
y[0] = u[0] − 1,3y[−1] − 0,4y[−2] = 1 − 1,3(0) − 0,4(1) = 0,6

y[1] = u[1] − 1,3y[0] − 0,4y[−1] = 1 − 1,3(0,6) − 0,4(0) = 0,22
y[2] = u[2] − 1,3y[1] − 0,4y[0] = 1 − 1,3(0,22) − 0,4(0,6) = 0,474
y[3] = u[3] − 1,3y[2] − 0,4y[1] = 1 − 1,3(0,474) − 0,4(0,22) = 0,2958
y[4] = u[4] − 1,3y[3] − 0,4y[2] = 1 − 1,3(0,2958) − 0,4(0,474) = 0,42586
y[5] = u[5] − 1,3y[4] − 0,4y[3] = 1 − 1,3(0,42586) − 0,4(0,2958) = 0,328062
y[6] = u[6] − 1,3y[5] − 0,4y[4] = 1 − 1,3(0,328062) − 0,4(0,42586) = 0,4031754
Como se puede observar, los resultados son distintos a los que se obtuvieron para el sistema en
reposo.
Solución mediante un programa

El programa que se requiere para solucionar este SDLI se muestra en la figura 1.10 y puede
observarse que es muy parecido al que se muestra en la figura 1.3, ya que la única linea que cambia
es la linea 6, donde se especifica y[−2] = 1.
Figura 1.10: Código para realizar el ejemplo en la tarjeta Launchpad Tiva C 1294
Solución del SDLI mediante Octave

Las condiciones iniciales distintas de cero hacen necesario usar una libreria llamada signal pac-
kage donde se encuentra una función llamada filtic. Descargue signal e instalela y después ejecute
el código mostrado en la figura 1.11.
Método analı́tico para la respuesta homogenea

Como se mencionó anteriormente, las condiciones iniciales distintas de cero generan una señal
que se conoce como respuesta homogenea, yh [n], y es la solución a la ecuación 1.1 cuando la entrada
vale cero, por lo que queda la ecuación 1.10
N
X
ak y[n − k] = 0 (1.10)
k=0
Figura 1.11: Cálculo de la salida del SDLI de ejemplo en Octave cuando las condiciones iniciales
no son cero
Para el caso que analizamos, la ecuación 1.11 es la que se debe resolver.
y[n] + 1,3yh [n − 1] + 0,4yh [n − 2] = 0 (1.11)
Proponemos yh [n] = λn , por lo que al sustituir en la ecuación 1.11, tenemos
λn + 1,3λn−1 + 0,4λn−2 =
λn−2 [λ2 + 1,3λ + 0,4λ] =
λn−2 (λ + 0,8)(λ + 0,5) = 0
Las soluciones son la trivial, λ = 0 que no nos sirve porque genera una salida yh [n] = 0 y
sabemos que no es ası́. Las soluciones que nos son útiles son λ = −0,8 y λ = −0,5, por lo que la
solución que buscamos es la que se muestra en la ecuación 1.12
yh [n] = [C1 (−0,8)n + C2 (−0,5)n ]u[n] (1.12)
Considerando que −0,8 = − 54 y −0,5 = − 21 y usando las condiciones iniciales obtenemos el

siguiente sistema de ecuaciones
4 1 5C1
yh [−1] = C1 (− )−1 + C2 (− )−1 = − − 2C2 = 0
5 2 4
4 1 25C1
yh [−2] = C1 (− )−2 + C2 (− )−2 = + 4C2 = 1
5 2 16
Solucionando el sistema de ecuaciones, tenemos que la respuesta homogenea es la que se muestra

en la ecuación 1.13

16 n 2 n
yh [n] = − (−0,8) + (−0,5) u[n] (1.13)
15 3
En la ecuación 1.8 se muestra la expresión para la solución particular del sistema. Por lo tanto
la solución total será la solución homogenea mas la solución particular, como se muestra en la
ecuación 1.16
y[n] = yh [n] + yp [n] (1.14)

10 32 n n 4 n 1 n
− 54 − 59 − 21 − 16 2

= 27 + 27
− + − u[n] (1.15)
10 16
151
4 n
5
3
1 n
2
= 27
+ 135 −5 + 9 −2 u[n] (1.16)
En la figura 1.12 se muestra el resultado de evaluar en Octave el resultado obtenido anterior-

mente para y[n]
Figura 1.12: Evaluación en Octave de la solución total y[n] = yh [n] + yp [n] para el ejemplo con
condiciones iniciales distintas de cero
Solución mediante transformada z

Cuando las condiciones iniciales son distintas de cero, una de las propiedades de la transformada
z que se usa es la mostrada en la ecuación 1.17
n0
1 1 X
x[n − n0 ] ↔ n0 + n0 x[−k]z k (1.17)
z z k=1
A partir de la propiedad anterior, y considerando que las condiciones iniciales son y[−1] = 0 y
y[−2] = 0, la transformada del SDLI es la mostrada en la ecuación 1.18
1
Y (z) + 1,3z −1 Y (z) − 0,4z[−2 Y (z) + 1] = (1.18)
1 − z −1
Factorizando Y (z)
Y (z)[1 + 1,3z −1 + 0,4z −2 ] + 0,4 =

1
Y (z)[(1 + 0,8z −1 )(1 + 0,5z −1 ] = −1
− 0,4
1 − z
0,6 + 0,4z −1

4 −1 1 −1
Y (z) 1 + z 1+ z =
5 2 1 − z −1
La solución en el dominio de z de SDLI de ejemplo está expresado en la ecuación 1.19 donde

además se expande en fracciones parciales para realizar la transformada inversa.
0,6 + 0,4z −1 A B C
Y (z) = = + 4 −1 + (1.19)
4 −1 1 −1
1 + 12 z −1
−1
−1
(1 − z ) 1 + 5 z 1 + 2z 1−z 1 + 5z
Realizando la expansión en fracciones parciales encontramos que A = 10

27
16
, B = 135 y C = 19 . Por
lo que usando una tabla de transformadas z obtenemos el resultado que se muestra en la ecuación
1.20.
n n
10 16 4 1 1
y[n] = + − + − u[n] (1.20)
27 135 5 9 2
Esta solución es la misma del método analı́tico mostrado en la ecuación 1.16 y que se evaluó
usando Octave en la figura 1.12
1.3. Puntos importantes

Se ha mostrado como solucionar ecuaciones de diferencia con coeficientes constantes, tanto en
reposo como con condiciones iniciales distintas de cero. Estas ecuaciones decriben sistemas discre-
tos lineales e invariantes en el tiempo.
Aún no hemos estudiado de donde provienen estas ecuaciones. En el siguiente capı́tulo veremos
como al imponer restricciones al compartamiento en la frecuencia de un sistema llegamos a una
ecuación de diferencias que nos permite implementar un filtro.
Este material es el que corresponde a la primera parte del curso que se evaluarı́a en la semana
del 30 de marzo al 3 de abril. El examen hubiera consistido en solucionar un sistema descrito por
una ecuación de diferencias con coeficientes constantes por algún método analı́tico.
1.4. Ejercicios propuestos

Se proponen algunos ejercicios para resolver por todos los métodos mostrados en este documen-
to. Considerese libre de cambiar los ejercicios por algunos otros que le resulten mas convenientes.
2y[n] − 3y[n − 1] + y[n − 2] = 4x[n] − 3x[n − 1]

con y[−1] = 0, y[−2] = 1 y x[n] = (4)−n u[n]
4y[n] + 4y[n − 1] + y[n − 2] = x[n − 1]

con y[−1] = 0, y[−2] = 1 y x[n] = u[n]
2y[n] − 3y[n − 1] + 2y[n − 2] = x[n − 1]

con y[−1] = 2, y[−2] = 3 y x[n] = (3)n u[n]
y[n] − 2y[n − 1] + 2y[n − 2] = x[n]

con y[−1] = 1, y[−2] = 0 y x[n] = u[n]
Capı́tulo 2
Análisis en frecuencia de SDLI
Introducción
Después de aprender a encontrar la solución de Sistemas Discretos Lineales e Invariantes mos-
traremos la relación que tienen estos sistemas con las frecuencias contenidas en las señales que
entran a ellos. El análisis de las frecuencias contenidas en una señal se conoce como Transformada
de Fourier, mientras que la forma en que responde el sistema a distintas frecuencias se conoce
como Respuesta en Frecuencia. Desde el punto de vista de operaciones matemáticas, las opera-
ciones mencionadas son muy parecidas. El énfasis de esta segunda parte del curso estará en las
aplicaciones a sistemas que se pueden implantar en alguno de los modos vistos en la primera parte.
En tanto no tengamos acceso a un generador de funciones y un osciloscopio por lo menos,

implantaremos los sistemas en Octave. De acuerdo a lo visto anteriormente, implantar los sistemas
realizados en la computadora en una tarjeta de microcontrolador no implica cambios muy grandes.
2.1. La función de transferencia de SDLI

La transformada Z es importante en el estudio de los sistemas lineales e invariantes discretos,
ya que las señales z n son autofunciones de los sistemas lineales, es decir, cuando una señal z n
entra a un sistema lineal, la salida es la misma señal multiplicada por un valor complejo conocido
como la función de transferencia H(z), la cual es el autovalor asociado a la autofunción. La fun-
ción de transferencia modifica la entrada en magnitud y fase, tal como se muestra en la ecuación 2.1.
Y (z) = H(z)X(z) = |H(z)|∠H(z)X(z) (2.1)
Podemos expresar cualquier entrada x[n] como una combinación lineal de señales z n , es decir encon-
trar X(z), la transformada z de dicha señal. La respuesta de un sistema lineal a dicha combinación,
será entonces, la función de transferencia H(z) multiplicada por la transformada mencionada, esta
respuesta estará en el dominio de la variable compleja z. Para encontrar la respuesta del sistema
en el dominio de n, se puede usar la transformada inversa. Es importante mencionar que la función
de transferencia H(z) de un sistema lineal e invariante, es la transformada z de la respuesta al
17
CAPÍTULO 2. ANÁLISIS EN FRECUENCIA DE SDLI 18
impulso h[n] del sistema mencionado.
La variable z en H(z) puede ser cualquier complejo que se encuentre en la región de convergencia
(ROC) de H(z). La magnitud√ √
de z hace que z n se comporte de manera distinta. Supongamos
z1 = 0,9 + 0,9j, z2 = 22 + 22 j y z3 = 0,5 + 0,5j. En la figura 2.1 podemos ver que |z1 | ' 1,13,
|z2 | = 1 y |z3 | ' 0,92. Esta gráfica se obtuvo en Octave mediante la orden
>>pkg load signal
>> zplane([0.9+0.9i;0.7071+0.7071i; 0.5+0.5i])
Figura 2.1: Distintos valores de z para mostrar distintos comportamientos de |z n |
Usando Octave para ver el valor absoluto de z n cuando n = 1, ..., 6, obtenemos las gráficas que
se muestran en la figura 2.2. El código es
>> z1=0.9+0.9i; z2=0.7071+0.7071i; z3=0.5+0.5i;

>> n=0:6;
>> plot(n,abs(z1.^n),’ob’, n,abs(z2.^n),’xr’, n,abs(z3.^n),’*g’)
2.2. Transformada de Fourier de señales discretas

Podemos corroborar lo visto en la primera parte del curso, a medida que n crece, |z n | es cre-
ciente si |z| > 1, igual a 1 si |z| = 1 y decreciente si |z| < 1. Lo anterior es importante porque
la respuesta de un SDLI a una entrada con ampliud constante igual a 1 va a ser la amplitud de
la respuesta en frecuencia. La primera pregunta que surge es ¿Cómo uso unicamente |z| = 1 para
expresar una señal de entrada?, la respuesta es muy similar a la transformada z, usamos una trans-
formada llamada Transformada de Fourier (TF en adelante), que está expresada en la ecuación 2.2
∞
X
X(Ω) = x[n]e−jΩn (2.2)
n=−∞
Figura 2.2: Comportamiento de |z n | dependiendo de |z|
La TF nos describe una señal discreta en terminos de la frecuencia Ω. En cursos anteriores

quizá usó ω para expresar la frecuencia en sistemas o señales contı́nuos. En estas notas y algunos
libros, se usa Ω para referirse a las frecuencias relacionadas a señales y sistemas discretos. Son
conceptos muy similares, pero al recordar la primera parte del curso recordamos que el espacio de
Ω tiene señales senoidales con distintas frecuencias pero que son indistingibles estre si, y son aque-
llas frecuencias separadas 2mπ entre si, para m entero, esto es, en general las señales senoidales
discretas distinguibles entre si están en un intervalo de 2π, y si las señales además son reales, como
en la mayorı́a de las aplicaciones en ingenierı́a, el espacio de señales senoidales distintas entre si
solo son aquellas cuya frecuencia está en un intervalo de ancho π. En general se usa el intervalo
de 0 a π, y está formado por los valores complejos z = ejΩ que se encuentran en el semicirculo
superior de la circunferencia unitaria en el plano z, como se muestra en la figura 2.3. Las unidades
de Ω son radianes por muestra.
Figura 2.3: z = ejω son puntos que están sobre la circunferencia unitaria para todos los valores de
ω. En estas notas usamos Ω en lugar de ω para enfatizar que son frecuencias de sistemas discretos
2.2.1. Ejemplo de TF de una señal discreta

Si definimos x[n] = cos( πn
2
) para n = 0, ..., 7, la gráfica se muestra en la figura 2.4, nos damos
cuenta que x[0] = x[4] = 1 y x[2] = x[6] = −1, por lo que la TF de x[n] será como se muestra en
la ecuación 2.3.
Figura 2.4: x[n] = cos( πn

2
) para n = 0, ..., 7 para el ejemplo de TF
X(Ω) = e−j0Ω − e−j2Ω + e−j4Ω − e−j6Ω

= e−2jΩ (e2jΩ + e−2jΩ ) − e−4jΩ (e2jΩ + e−2jΩ )
= (e−2jΩ − e−4jΩ )(e2jΩ + e−2jΩ ) (2.3)
−3jΩ jΩ −jΩ 2jΩ −2jΩ
=e (e −e )(e +e )
−3jΩ
=e (2j sin Ω)(2 cos 2Ω)
Como se puede ver la TF es una función compleja, la cual se puede expresar como magnitud
y fase. En la figura 2.5 se muestra la amplitud de la TF del ejemplo, mientras que en la figura
2.6 se muestra la fase de la misma. La señal está graficada contra la frecuencia Ω y podemos dar-
nos cuenta que en ambos casos son señales periódicas con periodo 2π. En este caso particular las
señales son tambien periódicas con periodo π. En Octave podemos obtener las gráficas mediante
las siguientes ordenes
>> w=-7:1/1000:7;
>> tf=e.^(-3*i*w).*(2*i*sin(w)).*(2*cos(2*w));
>> plot(w,abs(tf))
>> grid on
>> figure(2)
>> plot(w,angle(tf))
>> grid on
Figura 2.5: Magnitud de la X(Ω)

del ejemplo
Figura 2.6: Fase de la X(Ω)

del ejemplo
2.2.2. Aspectos importantes de la TF de señales discretas

La TF de señales discretas es una función en general compleja y continua
La TF de señales discretas es periódica con periodo 2π
La TF de señales discretas se puede calcular usando la ecuación 2.2 pero también existen
tablas de pares de TF y propiedades de la misma
Para que una señal discreta tenga TF debe cumplir con ∞
P
n=−∞ |x[n]| < ∞
Dado que la TF de señales discretas se puede ver como una particularización de la TZ, existe
una relación muy grande entre la TF y la TZ de una misma señal cuando existen ambas
Para que una señal discreta tenga TF debe tener TZ y la ROC de ésta debe abarcar la
circunferencia unitaria. En el caso de señales causales, implica que todos los polos de la
TZ deben encontrarse dentro de la circunferencia unitaria. En caso de que esto no suceda,
tenemos una señal que diverge y por lo tanto puede tener TZ pero no TF.
En general la TF de una señal discreta sirve como una guı́a para analizar resultados o diseñar
sistemas, pero al ser continua no es muy fácil operar con ella al estilo de las señales discretas.
2.2.3. Ejercicios de TF de señales discretas

Proponga 5 señales discretas x[n] y obtenga su X(Ω) mediante la definición
Proponga 5 señales discretas x[n] y obtenga su X(Ω) usando una tabla de transformadas
Para todas las transformada de los puntos anteriores, verifique que en general son complejas
y que tanto la magnitud como la fase son periódicas con periodo 2π
2.3. Efecto de los polos y los ceros en la respuesta de un

SDLI
Una vez que hemos visto que un SDLI cumple con la relación Y (z) = H(z)X(z), si |z| = 1,
entonces X(z)|z=ejΩ = X(Ω) la amplitud de la salida Y (z) será unicamente |H(z)| y la fase de
Y (z) será ∠X(z) + ∠H(z). Lo anterior se conoce como Respuesta en frecuencia H(Ω) y se puede
obtener mediante la ecuación 2.4 o también como la TF de la respuesta al impulso.
H(Ω) = H(z)|z=ejΩ (2.4)
Efecto de los polos

1
La función H(z) = 1−0,8z −1 tiene un polo en z = 0,8. Usando el siguiente código de Octave
podemos evaluar la respuesta en frecuencia para Ω = [−10, 10]radianes/muestra
>> w=-10:0.001:10;
>> abshw=abs(1./(1-0.8*e.^(-i*w)));
>> plot(w,abshw)
>> grid on
En la figura 2.7 se muestra la magnitud de la respuesta en frecuencia del sistema con un polo
en z = 0,8. Podemos ver algo que ya sabemos, la respuesta es periódica con periodo 2π, y además
el intervalo de [0, 2π] es simétrico con respecto a π.
De la misma manera podemos evaluar la fase del sistema, sin embargo, Octave cuenta con una
función llamada freqz, a la cual podemos pasarle los coeficientes de los polinomios del numerador
y denominador de la función de transferencia y nos devuelve dos gráficas, una de amplitud y otra
de fase, normalizadas en el intervalo de frecuencia de [0, π]. La magnitud la expresa en decibeles,
la cual es una representación muy usada para la respuesta en frecuencia. La figura 2.8 muestra el
resultado mencionado. La orden en Octave para ejecutar freqz es la siguiente
1
Figura 2.7: Amplitud de la respuesta en frecuencia del sistema H(z) = 1−0,8z −1
evaluado para
Ω = [−10, 10]
1
Figura 2.8: Gráficas de magnitud y fase para la respuesta en frecuencia del sistema H(z) = 1−0,8z −1
obtenido en Octave usando la orden freqz
>> freqz([1],[1 -0.8])
Analicemos que pasa si cambiamos el sistema para que el polo esté en z = −0,8, esto es, que
1
el sistema sea H(z) = 1+0,8z −1 . Usando nuevamente freqz, obtenemos la respuesta que se muestra
en la figura 2.9
Dado que las ecuaciones que representan los SDLI tienen coeficientes constantes y reales,
la única manera de tener polos complejos es que ocurran en pares conjugados, ası́, el sistema
1
H(z) = 1+0,64z −2 tiene dos polos en z = ±0,8j y su respuesta en frecuencia se muestra en la figura
2.10
Podemos ver de los tres ejemplos anteriores que los polos provocan que la magnitud de la
respuesta en frecuencia del SDLI tenga un máximo en distintas frecuencias. Como es probable que
haya observado, si representamos los polos como z = rejθ , el máximo de la respuesta en frecuencia
ocurre en Ω = θ, y tiene una amplitud igual a |H(z = rejθ )|
1
Figura 2.9: Gráficas de magnitud y fase para la respuesta en frecuencia del sistema H(z) = 1+0,8z −1
Figura 2.10: Gráficas de magnitud y fase para la respuesta en frecuencia del sistema H(z) =
1
1+0,64z −2
2.3.1. Efecto de los ceros

Los ceros de la TZ de un SDLI están en el plano complejo y también se pueden expresar como
z = rejθ . La magnitud de la respuesta en frecuencia tiene un mı́nimo en Ω = θ y este mı́nimo es
más profundo a medida que el cero está más cerca de la circunferencia unitaria. Debido a que los
polinomios del numerador de H(z), cuyas raices son los ceros, son similares a los del denominador,
cuyas raices son los polos, los ceros reales pueden aparecer solos, pero los ceros complejos, al igual
que los polos complejos, siempre aparecen con su conjugado. Consideremos H(z) de la ecuación
π
2.5, cuyos ceros están en z = 0,8e±j 4 van a provocar un mı́nimo en la magnitud de la respuesta
en frecuencia en Ω = π4 , como se muestra en la figura 2.11.
√
4 2 −1
H(z) = 1 − z + 0,64z −2 (2.5)
5
En Octave, la respuesta en frecuencia del SDLI mencionado se determina mediante la orden
>>freqz([1, -0.8*sqrt(2), 0.64],[1])}
Figura
√
2.11: Gráficas de magnitud y fase para la respuesta en frecuencia del sistema H(z) =
1 − 5 z + 0,64z −2 obtenido en Octave usando la orden freqz
4 2 −1
2.3.2. Efectos en la respuesta en frecuencia de polos y ceros juntos

Para estudiar los efectos de un grupo de polos y ceros en la respuesta en frecuencia de un SDLI,
podemos analizarlos de forma casi individual. Supongamos que queremos un SDLI cuya ganancia
sea alta en la frecuencia Ω = 0 y en la frecuencia Ω = π (1 en la frecuencia normalizada), y tenga
un mı́nimo en la frecuencia Ω = 2π 3
. Por lo visto anteriormente, la ganancia la hacemos crecer con
polos y decrecer con zeros. Como los polos y los ceros son números complejos z = rejθ , debemos
poner dos polos, uno de ellos en z = rejθ con θ = 0 y otro en z = rejθ con θ = π y dos ceros en
z = re±jθ con θ = 2π 3
. La H(z) que cumple con las condiciones anteriores es la que se muestra en
la ecuación 2.6, donde tenemos un polo en z = 0,8 que es un real positivo y por lo tanto su fase
es 0, otro en z = −0,8 que es un real negativo y su fase es π, los ceros tienen que ser complejos
2π
conjugados y están en 0,8e−j 3
2π 2π
(z − 0,8ej 3 )(z − 0,8e−j 3 )
H(z) = (2.6)
(z − 0,8)(z + 0,8)
Para poder ver el resultado mediante la orden freqz requerimos manipular H(z) para que sea
un cociente de polinomios en z −1 . El polinomio que resulta es el que se muestra en la ecuación
2.7 y el resultado obtenido en Octave se muestra en la figura 2.12, donde podemos ver que los
objetivos iniciales se alcanzaron, dos máximos locales en Ω = 0 y Ω = π y un mı́nimo en Ω = 2π
3
1 + 0,8z −1 + 0,64z −2
H(z) = (2.7)
1 − 0,64z −2
Figura 2.12: Gráficas de magnitud y fase para la respuesta en frecuencia del sistema H(z) =
1+0,8z −1 +0,64z −2
1−0,64z −2
Una pregunta que puede surgir es, ¿Cómo se yo que la respuesta en frecuencia es en realidad
la que se muestra en la salida de freqz ?. Una forma de hacerlo es tomando el sistema y poniendo
a su entrada una señal x1[n] con frecuencia Ω = 0 y midiendo la amplitud de la salida para ver si
corresponde a lo esperado. En Octave lo podemos hacer con las siguientes ordenes
>> n=0:99;
>> x1=cos(0*n);
>> y1=filter([1 0.8 0.64],[1 0 -0.64],x1);
>> stem(n,y1)
La salida y1 se muestra en la figura 2.13 y se puede ver que en el estado estable la salida tiene
una amplitud de 6.88, mientras que la amplitud de la entrada es 1. Por otro lado, en la gráfica de
magnitud de la respuesta en frecuencia, en Ω = 0 tiene un valor de 16.75 dB, que equivale a una
ganancia de 6.87.
De forma similar, podemos hacer una medición igual en Ω = π, en este caso la salida, mostrada
en la figura 2.14 tiene una amplitud de 2.33, mientras que la gráfica de la ganancia marca 7.5 dB
en Ω = π, equivalente a 2.371, el error está en las centésimas.
1+0,8z −1 +0,64z −2
Figura 2.13: Salida del sistema H(z) = 1−0,64z −2
obtenido en Octave cuando la entrada es
una señal cos(0n)
1+0,8z −1 +0,64z −2
obtenido en Octave cuando la entrada es
una señal cos(πn)
Si intenta ver lo que pasa cuando la entrada tiene un frecuencia Ω = 2π 3

, mostrada en la figura
2.15, la salida, mostrada en la figura 2.16 le puede causar dudas al querer evaluarla como las ante-
riores. Es útil recordar que la salida es la entrada multiplicada por la magnitud de la respuesta en
frecuencia y defasada por el ángulo de la respuesta en frecuencia. En este caso la entrada tiene una
sola frecuencia, Ω = 2π 3
. En esa frecuencia la respuesta en frecuencia mostrada en la figura 2.12,
−13,2
tiene una magnitud de -13.2 dB y una fase de −4◦ , por lo que la salida es la señal 10 20 cos( 2π
3
−4◦ )
la que se muestra en la figura 2.17, donde podemos observar la gran similitud con la señal de salida
de la figura 2.16 en régimen estacionario.
Figura 2.15: Señal cos( 2πn

3
) usada para verificar la respuesta en frecuencia del SDLI con H(z) =
1+0,8z −1 +0,64z −2
1−0,64z −2
1+0,8z −1 +0,64z −2
obtenida en Octave cuando la entrada es
una señal cos( 2πn
3
)
2.3.3. Modificación de la amplitud de la respuesta en frecuencia

Es posible agregar una ganancia para multiplicar la amplitud de la respuesta en frecuencia para
todas las frecuencias. Si tenemos que diseñar un SDLI cuya amplitud máxima ocurra en Ω = 0,
sabemos que al colocar un polo en el eje real positivo, por ejemplo en z = 0,9 vamos a tener la
máxima ganancia en la frecuencia deseada, Ω = 0. La función que cumple con esta caracterı́stica
1
es H(z) = 1−0,9z −1 , y la respuesta se muestra en la figura 2.18
Sin embargo, puede haber otra condición, por ejemplo puede ser necesario que además de la
−13,2
Figura 2.17: Gráfica de la señal 10 20 cos( 2πn
3
− 4◦ )
1
amplitud máxima en Ω = 0 se pida que sea de 0 dB, esto es, una ganancia unitaria, lo cual no lo
cumple, según se muestra en la figura 2.18. La ganancia es 20 dB, por lo que si deseamos hacer la
ganancia unitaria debemos agregar una ganancia de -20 dB. Pero, ¿Cómo se obtiene la ganancia de
20 dB?, Evaluando H(z) en z = ejΩ , cuando Ω = 0 que es la frecuencia que nos interesa,
segun se muestra en la ecuación 2.8
1 1
H(z = ej0 ) = −1
|z=1 = = 10 = 20dB (2.8)
1 − 0,9z 1 − 0,9
Si queremos que la ganancia sea 1 (0dB) en Ω = 0, debemos agregar una ganancia que sea
el inverso de la amplitud en Ω = 0 cuando la ganancia G no se ha agregando. La nueva función
1 1 1
de transferencia será H(z) = G 1−0,9z −1 , donde G = |H(z=ej0 )| = 20dB = −20dB = 0,1. La nueva
función de transferencia se muestra en la figura 2.19
0,1
Como se puede ver, al agregar una ganancia, la amplitud de la respuesta en frecuencia del SDLI
se desplaza verticalmente la misma cantidad en dB, mientras que la fase permanece constante. Si
el requerimiento de la ganancia hubiera sido en otra frecuencia, la ganancia G se calcuları́a en base
a H(z) evaluada en la frecuencia requerida.
2.3.4. Ejercicios de tarea

Ejercicios de efecto de los polos en la respuesta en frecuencia
Considere cinco sistemas con un par de polos complejos conjugados cada uno en z = re±jθ ,
para cada uno de ellos:
Obtenga la respuesta en frecuencia y corrobore que el máximo se encuentra en la frecuencia

Ω = θ.
Varı́e el parámetro r, es decir, acerque o aleje el polo de la circunferencia unitaria y observe
que el máximo crece a medida que r → 1, pero sigue ocurriendo en la misma frecuencia y es
igual a |H(z = rejθ |.
Haga que los polos sean de segundo y tercer orden, esto es, que haya dos o tres polos en la
misma posición, y vea el efecto sobre la respuesta en frecuencia
Ejercicios de efecto de los ceros en la respuesta en frecuencia

Considere cinco sistemas con un par de ceros complejos conjugados cada uno en z = re±jθ ,
para cada uno de ellos:
Obtenga la respuesta en frecuencia y corrobore que el mı́nimo se encuentra en la frecuencia

Ω = θ.
Varı́e el parámetro r, es decir, acerque o aleje el polo de la circunferencia unitaria y observe

que el mı́nimo decrece a medida que r → 1, pero sigue ocurriendo en la misma frecuencia y
es igual a |H(z = rejθ )|.
Haga que los ceros sean de segundo y tercer orden, esto es, que haya dos o tres ceros en la
misma posición, y vea el efecto sobre la respuesta en frecuencia
Ejercicios de filtros
Cuando tenemos un SDLI al cual le ponemos restricciones a la respuesta en frecuencia, estamos
especificando un filtro.
Diseñe un SDLI cuya respuesta en frecuencia tenga una amplitud máxima igual a 1 (0dB) en
Ω = π. Evalue si la salida debida a entradas cos(Ωn) para Ω = 0, π3 , π2 , 2π
3
, π es la que espera
de acuerdo a las gráficas de la función de transferencia.
Diseñe un SDLI cuya respuesta en frecuencia tenga una amplitud máxima igual a 1 (0dB) en
Ω = π2 . Evalue si la salida debida a entradas cos(Ωn) para Ω = 0, π3 , π2 , 2π
3
, π es la que espera
de acuerdo a las gráficas de la función de transferencia.
2.4. Transformada Discreta de Fourier

La transformada de Fourier de una señal discreta es una señal continua, por un lado tiene toda
la información de frecuencia de la señal, pero por otro lado no es facil tratar con ella en la misma
forma que se trata con las señales y sistemas discretos, es decir, no se puede calcular en base a
operaciones básicas como multiplicaciones, desplazamientos y acumulaciones.
Existe una operación llamada Transformada Discreta de Fourier, X[k], DFT por sus siglas en
inglés. Es una señal compleja en general y discreta que está definida en la ecuación 2.9, para una
señal discreta (x[n] en este caso) de longitud finita N
N −1
2πnk
X
X[k] = x[n]e−j N (2.9)
n=0
Vamos a analizar dos aspectos importantes de la DFT. La relación que existe entre la DFT y
la Transformada de Fourier de la misma señal, y el costo computacional de calcularla.
Figura 2.20: Señal x[n] a la cual le vamos a calcular la T F y la DF T
2.4.1. Relación de la DFT con la TF de la misma señal discreta

Analicemos la señal que se muestra en la figura 2.20, la cual tiene cuatro muestras igual a 1 en
n = 0, 1, 2, 3, con lo cual podemos ver que N = 4.
La TF de x[n] está calculada en la ecuación 2.10 y la amplitud de la misma se muestra en la

figura 2.21. Como ya sabemos, la transformada es periódica con periodo 2π
X(Ω) = e−j0Ω + e−j1Ω + e−j2Ω + e−j3Ω

−3jΩ 3jΩ jΩ −jΩ −3jΩ
=e 2(e 2 + e 2 + e 2 + e 2 ) (2.10)

−3jΩ Ω 3Ω
=e 2 2 cos + 2 cos
2 2
La tranformada discreta de Fourier X[k] de la misma señal se puede calcular de acuerdo a la

ecuación 2.9. Los cálculos se muestran en la ecuación 2.11
−j2π(0)(0) −j2π(1)(0) −j2π(2)(0) −j2π(3)(0)

X[0] = (1)e 4 + (1)e 4 + (1)e 4 + (1)e 4 =4
−j2π(0)(1) −j2π(1)(1) −j2π(2)(1) −j2π(3)(1)
X[1] = (1)e 4 + (1)e 4 + (1)e 4 + (1)e 4 =0
−j2π(0)(2) −j2π(1)(2) −j2π(2)(2) −j2π(3)(2)
(2.11)
X[2] = (1)e 4 + (1)e 4 + (1)e 4 + (1)e 4 =0
−j2π(0)(3) −j2π(1)(3) −j2π(2)(3) −j2π(3)(3)
X[3] = (1)e 4 + (1)e 4 + (1)e 4 + (1)e 4 =0
La definición de la DFT (X[k]) nos muestra que es un conjunto de muestras de la TF (X(Ω)) de

la misma señal x[n]. Las N muestras están tomadas en k 2π
N
para k = 0, ..., N − 1. Si consideramos
Figura 2.21: Señal x[n] a la cual le vamos a calcular la T F y la DF T
que (X(Ω)) es periódica con periodo 2π, X[k] tiene muestras de todo la TF.
−3jΩ
Lo anterior se puede verificar para la x[n] considerada, evaluamos X(Ω) = e 2 2 cos Ω2 + 2 cos 3Ω

2
en k 2π
4
, para k = 0, 1, 2, 3. Lo podemos hacer usando Octave mediante las siguientes órdenes
>> n=0:3;
>> muestras=2*pi/4*n
muestras =
0.00000 1.57080 3.14159 4.71239
>> xk=e.^(-i*1.5*muestras).*(2*cos(0.5*muestras)+2*cos(1.5*muestras))
xk =
4.00000 - 0.00000i -0.00000 - 0.00000i 0.00000 - 0.00000i 0.00000 - 0.00000i
En la figura 2.22 se muestra |X(Ω)| en un periodo de 0 a 2π y se puede ver que efectivamente

la señal tiene la amplitud de X[k] en Ω = 0, π2 , π, 3π
2
No perdamos de vista que el propósito es obtener la información de frecuencia que nos da X(Ω)
a partir de las muestras que contiene X[k]. En el caso que estamos analizando parece que no es
facil llegar de la DFT a la TF.
En Octave existe una función llamada fft que calcula la DFT de la secuencia que recibe. Si no
le pasamos otro parámetro mas que la señal, nos devuelve la DFT con tantas muestras como las
que tiene la entrada. Si le pasamos como segundo parámetro un número real positivo, nos devuelve
esa cantidad de muestras de X(Ω) siempre en un intervalo de 0 a 2π. En la figura 2.23 se muestra
que pasa si la DFT es de un mayor número de puntos, en este ajemplo, además de 4 se toman 8 y
16 puntos. El código de Octave que nos permite obtener esa figura es el siguiente
Figura 2.22: Valor absoluto de X(Ω) en un periodo de 0 a 2π
>> subplot(311);stem(0:3,fft([1,1,1,1]))
>> subplot(312);stem(0:7,fft([1,1,1,1],8))
>> subplot(313);stem(0:15,fft([1,1,1,1],16))
Figura 2.23: X(Ω) muestreada en 4, 8 y 16 puntos equiespaciados en un periodo de 0 a 2π
Como vemos, a medida que tomamos más puntos estamos mas cerca de la información que nos
interesa en X(Ω), pero el costo computacional que implica agregarle mas muestras a X[k] puede
ser inaceptable, pero ese tema se tratará más adelante.
Consideremos la señal x[n] = cos( nπ 4

) mostrada en la figura 2.24 y su transformada que se
muestra en la figura 2.25, la cual en este caso es real.
Figura 2.24: x[n] = cos( nπ

4
) para n = 0, ..., 15
Figura 2.25: X[k] de la señal x[n] = cos( nπ

4
) para n = 0, ..., 15
Vemos que la DFT tiene solo dos muestras distintas de cero, en la posición k = 2 y k = 14.
Sabemos que son muestras de X(Ω) y estarán para este caso en (2)2π
16
= π4 y (14)2π
16
= 7π
4
. En la circun-
7π π
ferencia unitaria, la fase 4 = − 4 , ası́ que podemos ver que los máximos de la DFT se encuentran
jπn jπn
4 +e− 4
precisamente en la frecuencia de la señal x[n]. También es útil recordar que cos[ nπ
4
]= e
2
Los puntos importantes sobre la DFT X[k] de una señal discreta x[n], son:
X[k] es una señal discreta y en general compleja
X[k] son muestras de X(Ω) equiespaciadas en el intervalo de 0 a 2π
A medida que X[k] tiene mas elementos, la aproximación a X(Ω) es mayor
X[k] para x[n] real, es una señal simétrica en amplitud y antisimétrica en fase. Si se conocen
los elementos que corresponden al intervalo [0, π] conocemos lo que pasa en el intervalo (π, 2π)
2.4.2. Costo computacional del cálculo de la DFT

La TF X(Ω) contiene toda la información frecuencial de x[n], por lo tanto, es deseable que
sus caracterı́sticas puedan determinarse a través de sus muestras contenidas en la DFT X[k]. A
medida que se tengan más muestras en X[k], la información acerca de X(Ω) es mayor.
El cálculo de la DFT X[k] de una señal x[n] con N elementos, según se puede ver en la ecuación
2.9 y el ejemplo de la ecuación 2.11 implica realizar N 2 multiplicaciones complejas y (N −1)2 sumas
complejas, lo cual hace que agregar una sola muestra a X[k] agregue cada vez más operaciones
para su obtención.
Existe una variedad de algoritmos que aprovechan algunas caracterı́sticas de simetrı́a en el

cálculo de la DFT imponiendo condiciones sobre x[n] y logran una reducción del número de ope-
raciones para llegar al mismo resultado de la DFT. En general a estos algoritmos se les llama
Transformada Rápida de Fourier ó FFT por sus siglas en inglés.
2.4.3. El algoritmo de diezmado en el tiempo

Uno de los algoritmos más usados para calcular la DFT realizando un menor número de ope-
raciones (FFT) es el algoritmo de diezmado en el tiempo. Tiene como requisito que la secuencia
de entrada x[n] tenga un número de elementos N , par. Se obtienen dos subsecuencias, g[n] que
está formada por los elementos de x[n] con ı́ndice par, y h[n] que está formada por los elementos
de x[n] con ı́ndice impar. Se obtiene G[k] y H[k] que son las DFT de g[n] y h[n] respectivamente,
se combinan mediante la ecuación 2.12 y se obtiene X[k]. El beneficio en términos de ahorro de
operaciones es que N 2 es mayor que 2( N2 )2 mas un número de operaciones para reordenamiento y
combinación, y a medida que N es mayor, la diferencia en el número de operaciones requeridas es
más grande.
X[k] = G[k] + WNk H[k]

−j2πk (2.12)
WNk = e N
En la figura 2.26 se muestra la forma de combinar G[k] y H[k] para obtener X[k]. Es posible que
exista alguna confusión debido a que G[k] y H[k] tienen N2 elementos y requerimos N elementos
que son los que tiene X[k], pero debemos recordar que X(Ω) es periódica con periodo 2π, la DFT
son N muestras de X(Ω) equiespaciadas en un periodo de 2π, por lo que la DFT debe ser periódica
tambien. En un ejemplo práctico, si N = 8, G[4] = G[0], G[5] = G[1], G[6] = G[2], G[7] = G[3].
Figura 2.26: Aplicación del algoritmo de diezmado en el tiempo para obtener X[k] cuando la
entrada x[n] tiene ocho elementos
La DFT de g[n] o h[n] puede calcularse aplicando nuevamente el algoritmo de diezmado en el

tiempo, ası́, pasaremos de tener dos DFT de N2 elementos a tener 4 DFT de N4 elementos, haciendo
que el número de operaciones requeridas sea menor. Este procedimiento se puede continuar hasta
llegar a un número de elementos que no sea par o que sea 2. Si al inicio se tiene que N es una
potencia de dos, es posible tener la mayor reducción en el número de operaciones para obtener la
DFT, pasando de N 2 a N log2 N mas las operaciones para reordenamiento y combinación. En la
figura 2.27 se muestra el diagrama de flujo para realizar la DFT de una secuencia de 8 elementos
aplicando el algoritmo de diezmado en el tiempo en forma sucesiva hasta llegar a 4 DFT de 2 ele-
mentos. en el cso de la DFT de dos puntos, la entrada es x[0] y x[1] y la salida es X[0] = x[0] + x[1]
y X[1] = x[0] − x[1].
Aspectos importantes a tomar en cuenta para la realización del algoritmo de Diezmado en el

Tiempo
La forma de hacer las combinaciones para el cálculo de la DFT mediante el diezmado en el
tiempo se conoce como mariposa (butterfly. La mariposa básica es la de dos 2 puntos.
Calcular las exponenciales complejas cada vez que se requieren puede consumir mucho tiem-
po. Si se realiza la FFT para N constante, se sabe de antemano cuales son las exponenciales
complejas que se usarán. Se pueden calcular de forma anticipada y se almacenan en una tabla
de constantes para usarlas cuando se requiera.
En el diagrama de flujo mostrado en la figura 2.27 se puede observar que la entrada se debe
reordenar para que la salida esté en orden consecutivo X[k], k = 0, ..., N − 1. El orden de la
entrada se conoce como bit reversal, y en el caso particular de este ejemplo se representan los
números de 0 a 7 con tres bits, después se toma cada uno de los números cambiando el orden
Figura 2.27: Aplicación sucesiva del algoritmo de diezmado en el tiempo para obtener X[k] cuando
la entrada x[n] tiene ocho elementos
de la cadena de bits al revés. El número obtenido es el ı́ndice en bit reversal. Por ejemplo
1 = 001 en bit reversal es 100 = 4, 2 = 010 en bit reversal es 0100 = 2 lo que lo hace quedar
en el mismo lugar, pero solo en el caso de N = 8 = 23 , cuando se representan con tres bits,
para un N distinto el ı́ndice 2 ya no queda en el mismo lugar, pudiendo ser otro ı́ndice el
que no cambie de lugar. Los ı́ndices que no cambian de lugar independientemente de N son
el primero y el último, ya que son todos 0 y todos 1, aunque se tomen en bit reversal siguen
estando en el mismo lugar.
Para ver una explicación más extensa de este algoritmo y otros similares, puede consultar
el capı́tulo 9 del libro Discrete Time Signal Processing de A.V. Oppenheim. En el sitio del
MIT, donde el Dr. Oppenheim es profesor, están disponibles algunos videos sobre el tema,
muy bien explicados.
2.4.4. Ejercicios de tarea

Ejercicios de DFT
Proponga tres secuencias de 16 números reales. Para cada una de ellas
Obtenga la X(Ω)
Observe que la amplitud de X[k] son muestras de la amplitud de X(Ω) en un periodo de 0
a 2π
Observe que a medida que aumenta el número de muestras en X[k], las muestras están más
juntas en el mismo periodo de X(Ω) de 0 a 2π
Ejercicios de FFT
Proponga dos secuencias de ocho números reales, y dos secuencias de ocho números complejos,
para cada una aplique el algoritmo de la figura 2.27 para calcular la DFT. Verifique que sus
resultados sean correctos comparandolos con el obtenido en Octave
Realice programas para calcular en la tarjeta Tiva C launchpad la DFT y el algoritmo
de diezmado en el tiempo, para secuencias con un número de elementos 4,8, 16 y otras
potencias de 2 hasta donde sea posible con la memoria de programa presente en la tarjeta.
Determine una manera de calcular el tiempo de ejecución del programa. Grafique los tiempos
de ejecución de la DFT (del punto anterior) y la FFT contra el tamaño de los arreglos y diga
si el resultado es acorde o no con lo que esperaba, escriba sus argumentos para sustentar su
respuesta.
Haga versiones donde llame una función de librerı́a para calcular las exponenciales complejas
y otra donde las exponenciales complejas se calculen al inicio del programa y se almacenen
en una tabla para después tomarlos de ahı́ cuando se usen.
La entrada y la salida deben estar en arreglos dentro de la tarjeta y la salida se podrá ver
dentro de Code Composer Studio como ya lo habiamos hecho con anterioridad.
2.5. Muestreo
Las señales de naturaleza discreta provienen de varios ámbitos, por ejemplo el ı́ndice de coti-
zaciones de alguna bolsa de valores, el número de ejemplares de una especie en cada temporada
de avistamiento, el consumo en kW/h para una casa durante un año y otros más. Sin embargo las
señales continuas son muchas más, por ejemplo el sonido, las imágenes, la temperatura, la corriente
eléctrica y una gran cantidad de señales de interés ingenierı́a.
El Teorema del Muestreo nos indica la manera en que podemos tomar muestras de una señal
continua para obtener una señal discreta y considerar que éstas son la representación exacta o casi
exacta de la mencionada señal continua.
En la actualidad existen representaciones discretas de imágenes fijas y en movimiento, de voz

humana y audio en general, y un gran número de señales que consideramos de naturalez continua.
Una vez que la señal está discretizada, podemos hacer sobre ella distintos tipos de procesamiento.
Tal vez la mayor ventaja es que las señales se procesan de una sola forma, por ejemplo un filtro
pasabajas se puede usar para muestras que vengan de distintas fuentes, el algoritmo no cambia. Por
lo anterior un mismo dispositivo puede procesar señales de fuentes distintas entre sı́. El teléfono
inteligente es una muestra de un dispositivo que en procesa señales de distintas fuentes.
2.5.1. Teorema de muestreo

Para explicar este teorema de forma casi intuitiva, vamos a usar algunos conocimientos que ya
tenemos de Transformada de Fourier continua, sus propiedades y filtros contı́nuos. El caso más
sencillo para analizar es el muestreo de una señal pasabajas. El espectro de una señal real y cuyo
ω
ancho de banda es B se muestra en la figura 2.28. Las unidades 2π son iguales a Hz. ω es la fre-
cuencia angular dada en radianes/segundo, cuando la dividimos entre 2π obtenemos la frecuencia
lineal f , que está dada en ciclos/segundo = Hz.
En la figura 2.29 se muestra a la izquierda un tren de impulsos en el tiempo. Cada impul-

so tiene amplitud uno y está en multiplos enteros del periodo de muestreo T que está dado en
unidades de tiempo, en general segundos. A la derecha se muestra la transformada de Fourier de
ese tren de impulsos, el cual es otro tren de impulsos, la amplitud de estos impulos es 2π
T
y están
1
situados en multiplos enteros de Fs = T , que se conoce como la frecuencia de muestreo dada en Hz.
Figura 2.28: La señal x(t) es una señal pasabajas cuyo espectro es X(ω)
Figura 2.29: Tren de impulso de muestreo a la izquierda y su transformada a la derecha
La Transformada de Fourier continua tiene una propiedad que se llama propiedad de modula-
ción, la cual establece que la transformada de la multiplicación de dos señales en el tiempo es igual
a la convolución en la frecuencia de los dos espectros de las señales que se multiplican. Además, la
convolución de dos señales, donde una de ellas es un impulso, resulta en trasladar al impulso el ori-
gen de la otra señal, como es una operación lineal, si tenemos un tren de impulsos, la convolución de
los dos espectros es el traslado del primero de ellos a cada uno de los impulsos del segundo espectro.
El resultado se muestra en la figura 2.30. Como puede verse tenemos ahora en el tiempo un tren de
impulsos que sigue la forma de la señal continua, a este tren de impulsos se le conoce como la señal
muestreada. Por otro lado, se muestra también el espectro de la señal muestreada, el cual es un
tren de espectros de la señal continua situados en multiplos enteros de la frecuencia de muestreo Fs .
Figura 2.30: Señal muestreada a la izquierda y su transformada a la derecha
Para recuperar la señal continua a partir de la señal muestreada, lo que tenemos que hacer es
filtrar la señal muestreada con un filtro pasabajas y quedarnos unicamente con el espectro centrado
en cero, que se puede observar, es el que corresponde a la señal continua. Todo este proceso se
muestra en la figura 2.31
El proceso mencionado anteriormente tiene varios elementos ideales. Uno de ellos es el tren
de impulsos. La señal que se puede generar es un tren de pulsos muy angostos y que tienen un
Figura 2.31: Proceso de muestreo y recuperación de una señal continua
tiempo de subida y de bajada distinto de cero. Los cambios generados en el planteamiento anterior
es que el espectro de este tren de pulsos van a ser impulsos modulados for una función sinc, esta
función tiene un lóbulo principal cuya anchura es inversamente proporcional al ancho del pulso en
el tiempo. El hecho de que los pulsos no sean de ancho cero, sino de un ancho mayor, implica que
la señal muestreada puede tener distintos valores en el tiempo de duración del pulso, pero solo
se tiene que tener un valor que dependerá de la técnica usada para medir la señal. El resultado
más importante es que la señal que se recupera ya no es exactamente la señal que se muestreó, es
una aproximación, y ésta en general será mejor a medida que los pulsos sean mas estrechos Las
modificaciones a los planteamientos anteriores se muestran en la figura 2.32
Figura 2.32: Proceso de muestreo y recuperación de una señal usando pulsos reales
2.5.2. Aliasing
Un filtro pasabajas ideal es aquel que tiene una banda de paso desde f = 0 hasta f = fc y deja
pasar sin cambios todo lo que esté en ese rango y elimina totalmente todo lo queda fuera de él.
Todos los filtros reales, y por supuesto el filtro pasa bajas real, tienen tres rangos de frecuencias
donde se distingue su actuar; la banda de paso, la banda de transición y la banda de rechazo. La
banda de paso es una banda donde la salida se mantiene por encima de un valor de ganancia deter-
minado llamado ganancia de paso, la banda de rechazo es una banda donde la salida se mantiene
por abajo de una ganancia tambien determinada llamada ganancia de rechazo, pero nunca se hace
cero. La banda de transición es aquella donde la salida no se encuentra ni en la banda de paso ni
en la de rechazo, está por encima de la ganancia de rechazo y por abajo de la ganancia de paso.
Estas diferencias se muestran en la figura 2.33
Figura 2.33: Filtro pasabajas ideal y filtro pasa bajas real
En el proceso de recuperación de la señal a partir de sus muestras, vemos que se requiere un

filtro pasabajas. Como se mencionó, los espectros de la señal continua se repiten en cada multiplo
entero de la frecuencia de muestreo fs . Pero dependiendo de la relación que exista entre la frecuen-
cia máxima de la señal que se muestrea (B) y la frecuencia de muestreo, se tienen tres posibilidades
como se muestra en la figura 2.34
Figura 2.34: Variación del espectro de la señal muestreada cuando varı́a la frecuencia de muestreo
fs . La señal continua tiene un ancho de banda de B Hz
Si fs > 2B la señal continua se puede recuperar con un filtro aunque no sea ideal ya que existe
una banda de frecuencias entre el espectro que queremos recuperar y sus vecinos. Si fs = 2B la
única manera de recuperar la señal continua es mediante un filtro ideal. Si fs < 2B el espectro
de la señal continua está contaminado por sus vecinos, ya que en los extremos se combinan estos
espectros y ya no es posible recuperar la señal continua, ni con un filtro ideal ni con uno real, lo
que se recupera una señal distinta. A este efecto se le llama aliasing.
El Teorema de muestreo establece que una señal pasabajas se puede recuperar a partir de sus
muestras si se toman las muestras a una velocidad mı́nima de dos veces la frecuencia máxima
contenida en la señal en Hz.
La señal muestreada es una señal discreta y su espectro sigue todas las reglas de los espectros
que ya analizamos. Es un espectro periódico con periodo 2π, y si la señal que se está muestreando
es real, el espectro es simétrico con respecto a la frecuencia π, que sabemos que es la frecuencia
que corresponde a las señales discretas de máxima variación entre una muestra y la siguiente. Este
efecto de simetrı́a se muestra en la figura 2.35
Figura 2.35: Señal discreta a la izquierda y su espectro en un periodo de 0 a 2π
La señal que se recupera es siempre lo que corresponde al espectro de 0 y π. En el caso de que

exista aliasing, hay elementos en la señal continua, mas allá de f2s que aparecen en la frecuencia que
les corresponde, pero tambien aparecen en una frecuencia menor a f2s . En la figura 2.36 se muestra
este efecto, la frecuencia B aparece en el lugar que le corresponde, pero tambien en f2s − B, y con
el filtro pasabajas, ésta es la que se recupera y no B. Por eso se llama aliasing, porque se recupera
π
una que se parece en el dominio de la frecuencia discreta. Recuerde que la señal cos(π + 16 ) es
π
indistinguible de la señal cos(π − 16 ), podremos decir que esta última es un alias de la primera.
fs
Figura 2.36: En el efecto de aliasing, todo lo que se encuentra mas alla de 2
genera una reflejo y
son las frecuencias que se recuperan, las frecuencias alias
Como una idea más resumida, podemos decir que; Cuando se muestrea una señal analógica a
una cierta velocidad de muestreo fs , las frecuencias que se recuperan correctamente son las meno-
fs
res a 2
. Las que son mayores, generarán frecuencias alias en la señal recuperada.
Un ejemplo de las señales que se recuperan de forma incorrecta debido al aliasing, son las llan-
tas de los autos o las aspas de los helicopteros en una pelı́cula o programa de televisión, ya que
estas imagenes se han muestreado a la hora de grabarlas y cuando se recuperan en la proyección
se observan llantas o aspas girando en sentido contrario a lo que se grabó.
Las señales telefónicas enntre centrales, fueron de las primeras señales continuas que se mues-
trearon en el ámbito de las empresas comerciales. Antes de entrar al proceso de muestreo se decidió
limitarlas a una frecuencia máxima de 300 a 3.3kHz y se eligió una frecuencia de muestreo de 8
kHz, es decir más del doble de la frecuencia máxima contenida en la entrada para evitar el aliasing.
2.5.3. Aplicación de las señales muestreadas

Las ideas expresadas anteriormente son de un modelo que pretende mostrar el fundamento de
los sistemas que procesan muestras de señales continuas. Sin embargo puede quedar la idea de
un sistema puramente continuo y que debe tener el muestreo y la recuperación juntos. La idea
anterior no se ajusta a la realidad. En general vamos a tener sistemas que reciban señales continuas
y entreguen secuencias de digitos binarios y otros sistemas que reciban dı́gitos binarios y entreguen
señales continuas. A los primeros se les llama Convertidores Analógico a Digital (ADC por sus
siglas en inglés y a los segundos se les llama Comvertidores Digital a Analógico (DAC por sus
siglas en inglés). La figura 2.37 muestra este concepto.
Figura 2.37: El ADC recibe una señal continua y entrega una secuencia de digitos binarios y el
DAC recibe una secuencia de dı́gitos binarios y entrega una señal continua
Los ADC tienen en general algunos parámetros que regulan su funcionamiento:
El rango máximo que puede tener la señal de entrada, a lo que se le llama rango de conversión.
Cualquier señal fuera de ese rango va a provocar que el ADC se sature y las muestras no
correspondan a la señal de entrada. Puede ser fijo o variable.
El inicio de la conversión. Los ADC pueden esperar a una señal para realizar la conversión
de una muestra. Una señal periódica puede iniciar la conversión y se tendrá un muestreo
periódico. Todos los ADC tienen especificada una velocidad máxima a la que pueden tomar
muestras de forma correcta.
El número de bits que se usa para codificar cada muestra puede ser fijo o configurable. Si
se usan b digitos binarios para representar cada muestra, implica que el rango de conversión
se dividirá en 2b intervalos. Todas las muestras que correspondan a un mismo intervalo se
les asigna el mismo código. Entre mas bits se usen, la resolución es mayor. Este concepto se
muestra en la figura 2.38
Figura 2.38: El ADC recibe una señal continua y entrega una secuencia de digitos binarios. A
medida que se usan más dı́gitos binarios para representar cada muestra, la señal queda mejor
representada, o en otras palabras, el error de conversión es menor.
Los DAC tienen parámetros parecidos. Requieren una señal para generar una señal continua
de un cierto nivel. Dependiendo del número de bits que usen, habrá 2b valores que pueda generar
dentro de su rango de conversión. La señal que generará será en general escalonada y requerirá un
filtro pasabajas para suavizarla.
Aunque los ADC y los DAC son sistemas separados, pueden estar en el mismo circuito. En la
figura 2.39, se muestra un sistema de control digital, pero la entradas y salidas son continuas.
2.5.4. Frecuencia de una señal muestreada

La señal de entrada a un ADC, x(t), tiene una frecuencia ω dada en radianes/segundo o una
ω ciclos
frecuencia f = 2π dada en Hz = segundo . La señal de salida del ADC, x[n] ≈ x(nTs ), donde Ts es
el periodo de muestreo, tiene una frecuencia Ω dada en radianes
muestra
.
La relación que existe entre las frecuencias de la entrada y la salida de un DAC determina las
condiciones de diseño de los sistemas de Procesamiento Digital de Señales. Para encontrar esta
relación, debemos entender claramente los siguientes conceptos:
Dada una cierta frecuencia de muestreo fs , las frecuencias que se pueden muestrear correc-
tamente son las que se encuentran en el intervalo de 0 a f2s
Figura 2.39: Un sistema de control puede tener entradas y salidas analógicas pero realizar las
operaciones de forma digital
La frecuencia ω = 0 de la señal de entrada al DAC, corresponde a la frecuencia Ω = 0 de la

señal que contiene las muestras
La frecuencia ω = f2s de la señal de entrada al DAC, corresponde a la frecuencia Ω = π de la

señal que contiene las muestras
Las señales muestreadas en condiciones que provocan aliasing tendrán frecuencias discretas
Ω < π, que representan frecuencias ω que no existı́an en la entrada y pueden generar errores
la salida del sistema.
En el intervalo de frecuencias de entrada 0 ↔ f2s , la relación con las frecuencias de salida en

el intervalo 0 ↔ π es lineal, y se puede utilizar una regla de tres. Por ejemplo, si fs = 1kHz,
una frecuencia de entrada de f = 500Hz provocará una salida de frecuencia Ω = π y una
frecuencia de entrada de f = 100Hz provocará una salida de frecuencia Ω = π5
Requisitos de frecuencia en SDLI

Suponga que tiene que realizar un sistema que debe dejar pasar de la entrada a la salida una
frecuencia de 1kHz y un rango muy pequeño de frecuencias cercanas. La entrada tiene frecuencias
que varı́an entre 10 Hz y 4 kHz y tienen una amplitud de 1.5Vp . El sistema se puede realizar en la
tarjeta Tiva C, considerando los siguientes hechos:
La tarjeta Tiva C tiene incorporado un ADC de 12 bits de resolución, con un rango de

conversión de 0 a 3.3 V, y una velocidad de muestreo hasta de 1 millón de muestras por
segundo.
La tarjeta Tiva C no tiene incorporado un DAC, pero tiene la posibilidad de generar señales
PWM
Ya que la entrada es bipolar y el rango de conversión es unipolar, debemos agregar a la entra-

da un nivel de CD de 1.65 V para que la señal pueda muestrearse correctamenta con la fs adecuada.
Para determinar fs debemos considerar que la frecuencia máxima de entrada es de 4kHz, por lo
que fs ≥ 8kHz. Ya que tenemos la posibiilidad de muestrear a frecuencias muy altas comparadas
con estas condiciones, podemos elegir fs = 10kHz sin problema.
El sistema requerido se puede implementar mediante un SDLI que tenga una respuesta máxima
en la frecuencia Ω que esté asociada a ω1 = 1kHz. Por la regla vista anteriormente, si fs = 10kHz,
Ω1 = π5 . Un SDLI de los que ya se han analizado anteriormente y puede cumplir con el requeri-
miento es aquel que tiene polos en z = re±jθ con θ = π5 . El parámetro r debe ser tal que los polos
estén my cerca de la circunferencia unitaria para que la respuesta sea muy selectiva, y el último
requerimiento es que la ganancia máxima del SDLI debe ser unitaria (0 dB) para no saturar el
sistema.
Cada uno de los polos que se encuentran en p generan un factor (1 − pz −1 ), por lo tanto,
±jπ
dado que requerimos dos polos conjugados, colocaremos los polos en p = 0,99e 5 la función de
transferencia para el sistema especificado, se muestra en la ecuación 2.13.
1
H(z) = jπ −jπ
(1 − 0,99e z −1 )(1 − 0,99e 5 z −1 )
5
1
= π (2.13)
1 − 2(0,99)cos( 5 )z −1 + 0,992 z −2
1
=
1 − 1,6018z + 0,9801z −2
−1
Usando la función freqz de Octave obtenemos las gráficas de la respuesta en frecuencia para
la función de transferencia. Estas gráficas se muestran en la figura 2.40. Podemos observar que la
amplitud de la respuesta en frecuencia tiene un máximo en Ω = π5 , pero como el eje de frecuencias
está normalizado, esto es π corresponde a 1, π5 corresponde a 0,2. Además vemos que ese máximo
es distinto de cero decibeles, que es una de los requisitos del diseño.
El siguiente paso es normalizar la ganancia máxima. Para esto, evaluamos la |H(z)| del sistema
en el punto de la circunferencia unitaria más cercano a cualquiera de los polos complejos conju-
gados. Sin importar cual de los dos polos elijamos, el resultado va a ser el mismo. En este caso,
jπ jπ
elegimos el polo que está en 0,99e 5 , el punto de la circunferencia unitaria mas cercano es z = e 5 .
Evaluamos |H(z)| jπ5 = 85,488. Para la normalización de la ganancia máxima colocamos una
z=e
ganancia G = |H(z)|1 jπ = 85,488
1
= 0,0117.
z=e 5
La función de transferencia normalizada será Hn (z) = 1−1,6018z0,0117
−1 +0,9801z −2 . Las gráficas de la am-
plitud y fase de esta nueva función de transferencia se muestran en la figura 2.41. En estas gráficas
se puede ver que la ganancia máxima sigue estando en la misma frecuencia, pero su amplitud es 0
dB, o sea una ganancia unitaria. La fase no tiene cambios.
1
Figura 2.40: Gráficas de la respuesta en frecuencia para H(z) = 1−1,6018z −1 +0,9801z −2
. La ganancia
máxima no está normalizada
0,0117
Figura 2.41: Gráficas de la respuesta en frecuencia para Hn (z) = 1−1,6018z −1 +0,9801z −2
. La ganancia
máxima es unitaria, 0 dB
2.5.5. Verificación del sistema

Usaremos Octave para verificar nuestro sistema. Las señales de entrda serán de amplitud 1 y sin
offet para minimizar el código y sin alterar la esencia del sistema. La primera parte es generar la
señal muestreada. Recordemos que si tenemos una señal continua x(ωt) = x(2πf t), tomar muestras
cada multiplo entero m del periodo de muestreo Ts , es evaluar la señal continua en x(2πf mTs ).
1
Definimos que Ts = f1s , si fs = 10kHz, Ts = 10000Hz = 0,0001s. Vamos a tomar 800 muestras, por
lo que m = 0, ..., 799. Usaremos las frecuencias de 0Hz, 1kHz, 2kHz, 3kHz y 4kHz. La segunda
parte es procesarlas con el sistema diseñado. Las instrucciones en Octave para generar, procesar y
mostrar la señal de frecuencia 0 son las siguientes:
>> m=0:799;
>> f=0;
>> x0=cos(2*pi*f*m*Ts);
>> subplot(211);stem(m,x0);title(’Entrada’)
>> subplot(212); stem(m,filter([0.0117],[1,-1.6018, 0.9801],x0)); title(’Salida’)
Para generar, procesar y mostrar otras frecuencias solo se tienen que cambiar la definición de
f a la frecuencia deseada. Los resultados para las frecuencias 0Hz, 1kHz, 2kHz, 3kHz y 4kHz se
muestran en las figuras 2.42, 2.43, 2.44, 2.45 y 2.46.
Figura 2.42: Salida por el sistema Hn (z) = 1−1,6018z0,0117

−1 +0,9801z −2
cuando la entrada es una señal cos(2π0t) muestreada a 10 kHz.
Discusiones finales sobre el diseño

Las gráficas obtenidas muestran que en general el funcionamiento del sistema es el esperado.
Cuando la frecuencia de entrada es 1kHz, la entrada y la salida son iguales. En otras frecuencias
la amplitud de la entrada es 1 y la de la salida es sensiblemente menor a 1, tal como se muestra

−1 +0,9801z −2
en la gráfica de amplitud de la respuesta en frecuencia.
Se invita al lector para que haga más pruebas, mediciones y preguntas. La forma de la reali-
zación de este sistema en una tarjeta basada en microcontrolador con ADC y DAC posiblemente
externo, tiene algunos detalles a cuidar, sin embargo en términos generales es el mismo diseño.
2.5.6. Tarea de Muestreo

Para el sistema diseñado en esa sección, lleve a cabo los siguientes cambios y verifique la validez
de sus solución.
Use otra frecuencia de muestreo que realice el muestreo de la entrada de forma correcta.
Aleje o acerque los polos de la circunferencia unitaria.
Coloque ceros para hacer más selectivo el sistema.
Lo más interesante en el reporte son las observaciones que haga sobre su trabajo.

−1 +0,9801z −2

−1 +0,9801z −2


−1 +0,9801z −2

Procesamiento Digital de Se Nales: Universidad Tecnol Ogica de La Mixteca

Cargado por

Copyright:

Formatos disponibles

Procesamiento Digital de Se Nales: Universidad Tecnol Ogica de La Mixteca

Cargado por

Información del documento

Título original

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

Procesamiento Digital de Se Nales: Universidad Tecnol Ogica de La Mixteca

Cargado por

Copyright:

Formatos disponibles

Universidad Tecnológica de la Mixteca

Notas del curso

Procesamiento Digital de Señales

José Antonio Moreno Espinosa

José Antonio Moreno Espinosa

Sistemas Discretos Lineales e Invariantes

1.1. Ejemplo; SDLI con condiciones iniciales cero

y[n] + 1,3y[n − 1] + 0,4y[n − 2] = u[n] (1.2)

Podemos ver que en 1.2, N = 2, a0 = 1, a1 = 1,3, a2 = 0,4, M = 0, b0 = 1 y x[n] = u[n]

Resolver la ecuación por iteración

Hacer un programa para resolver este sistema

Usando software orientado a procesamiento numérico

Usando métodos de solución de ecuaciones de diferencias

1.1.1. Solución de SDLI mediante iteración

y[n] = u[n] − 1,3y[n − 1] − 0,4y[n − 2] (1.3)

y[0] = u[0] − 1,3y[−1] − 0,4y[−2] = 1 − 1,3(0) − 0,4(0) = 1

y[1] = u[1] − 1,3y[0] − 0,4y[−1] = 1 − 1,3(1) − 0,4(0) = −0,3

y[2] = u[2] − 1,3y[1] − 0,4y[0] = 1 − 1,3(−0,3) − 0,4(1) = 0,99

y[3] = u[3] − 1,3y[2] − 0,4y[1] = 1 − 1,3(0,99) − 0,4(−0,3) = −0,167

y[4] = u[4] − 1,3y[3] − 0,4y[2] = 1 − 1,3(−0,167) − 0,4(0,99) = 0,8211

y[5] = u[5] − 1,3y[4] − 0,4y[3] = 1 − 1,3(0,8211) − 0,4(−0,167) = −0,00063

y[6] = u[6] − 1,3y[5] − 0,4y[4] = 1 − 1,3(−0,00063) − 0,4(0,8211) = 0,672379

1.1.2. Solución de SDLI mediante un programa de computadora

Estructura del programa

Figura 1.1: Forma Directa I para la descripción de un SDLI

Figura 1.2: Forma Directa I para describir el SDLI del ejemplo

1.1.3. Solución de SDLI mediante software

1.1.4. Solución analı́tica de la Ecuación de Diferencias que describe al

Figura 1.4: Cálculo de la salida del SDLI de ejemplo en Octave

La solución y[n] = yh [n] + yp [n]

La solución particular también es igual a la convolución de la entrada con la respuesta al

1.1.5. Solución de SDLI mediante Transformada Z

Figura 1.7: Fragmento de tabla de transformadas z

Figura 1.8: Fragmento de una tabla de propiedades de la transformada z

Y (z)[1 + 1,3z −1 + 0,4z −2 ] =

La solución en el dominio de z de SDLI de ejemplo está expresado en la ecuación 1.7 donde

1.2. SDLI con condiciones iniciales distintas de cero

y[n] = u[n] − 1,3y[n − 1] − 0,4y[n − 2] (1.9)

Solución mediante iteración

y[0] = u[0] − 1,3y[−1] − 0,4y[−2] = 1 − 1,3(0) − 0,4(1) = 0,6

Solución mediante un programa

Solución del SDLI mediante Octave

Método analı́tico para la respuesta homogenea

Para el caso que analizamos, la ecuación 1.11 es la que se debe resolver.

y[n] + 1,3yh [n − 1] + 0,4yh [n − 2] = 0 (1.11)

Proponemos yh [n] = λn , por lo que al sustituir en la ecuación 1.11, tenemos

yh [n] = [C1 (−0,8)n + C2 (−0,5)n ]u[n] (1.12)

Considerando que −0,8 = − 54 y −0,5 = − 21 y usando las condiciones iniciales obtenemos el

Solucionando el sistema de ecuaciones, tenemos que la respuesta homogenea es la que se muestra

y[n] = yh [n] + yp [n] (1.14)

En la figura 1.12 se muestra el resultado de evaluar en Octave el resultado obtenido anterior-

Solución mediante transformada z

Y (z)[1 + 1,3z −1 + 0,4z −2 ] + 0,4 =

La solución en el dominio de z de SDLI de ejemplo está expresado en la ecuación 1.19 donde

Realizando la expansión en fracciones parciales encontramos que A = 10

1.3. Puntos importantes

1.4. Ejercicios propuestos

2y[n] − 3y[n − 1] + y[n − 2] = 4x[n] − 3x[n − 1]

4y[n] + 4y[n − 1] + y[n − 2] = x[n − 1]