DSP

Tema: Introducción al DSP

Docente: Ing. CIP Julio Cernaqué Vera

Escuela Profesional de Semestre Académico: 2021-I

Ciclo: 9
Ingeniería Electrónica Sesión: A/B
Introducción
• El tratamiento digital de señales es un área de la ciencia y la ingeniería
que se ha desarrollado muy rápidamente a lo largo de los últimos
cincuenta años.
• Este rápido desarrollo es el resultado de los importantes avances en
➢ la tecnología digital en el campo de la informática
➢ la fabricación de los circuitos integrados.
• Las computadoras digitales y el hardware digital asociado de hace
cinco décadas eran de tamaño relativamente grande, además de
muy caros y, en consecuencia, su uso estaba limitado a las
aplicaciones de propósito general en tiempo no real (fuera de línea),
aplicaciones científicas y comerciales.
• El rápido desarrollo de la tecnología de circuitos integrados,
➢ con la integración a media escala (MSI, medium-scale integration),
➢ con la integración a gran escala (LSI, large-scale integration), y
➢ con la integración a muy gran escala (VLSI, very-large-scale
integration)
• Esto permite el desarrollo de computadoras digitales y hardware digital
de propósito especial más potente, de menor tamaño, más rápido y
menos costoso.
• Los circuitos digitales baratos y relativamente rápidos han hecho
posible la construcción de sistemas digitales altamente sofisticados
capaces de llevar a cabo tareas y funciones de tratamiento de
señales digitales, que normalmente son bastante complejas y/o caras
de implementar mediante circuitería analógica o sistemas de
tratamiento de señales analógicas.
• En consecuencia, muchas de las tareas de tratamiento de señales que
convencionalmente se realizaban por medios analógicos, actualmente
se llevan a cabo empleando hardware digital que es más barato y a
menudo más fiable.
• Es importante resaltar que el tratamiento digital de señales no
siempre es la solución adecuada para todos los problemas de
tratamiento de señales.
• Así, en el caso de muchas señales con anchos de banda muy
grandes (de frecuencias muy altas), el tratamiento en tiempo real es
un requisito. Para dichas señales, el procesamiento analógico es
optimo, y sea la única solución posible.
• Sin embargo, siempre que se disponga de circuitos digitales y se
tenga la velocidad suficiente se debe utilizar el tratamiento digital.
• Los sistemas digitales no sólo proporcionan sistemas de tratamiento de
señales más baratos y fiables, sino que presentan también otras
ventajas.
• En particular, el hardware de procesamiento digital permite realizar
operaciones programables. Mediante software, es más fácil modificar
las funciones de procesamiento de señales que mediante hardware.
• Por tanto, el hardware digital y el software asociado proporcionan un
mayor grado de flexibilidad al diseño del sistema.
• Además, generalmente, se consigue un mayor grado de precisión
con el hardware y el software digital que con los circuitos y sistemas
de procesamiento de señales analógicos. Por todas estas razones, en
las tres últimas décadas se ha producido un crecimiento explosivo en
la teoría del tratamiento digital de señales y sus aplicaciones.
 Señales, Sistemas y
Tratamiento de Señales
• Una señal se define como cualquier magnitud física que varía con el tiempo,
el espacio o cualquier otra variable o variables independientes.
Matemáticamente, describimos una señal como una función de una o más
variables independientes. Por ejemplo, las funciones
s1(t) = 5t
s2(t) = 20t2
describen dos señales, una que varía linealmente con la variable independiente t
(tiempo) y una segunda que varía cuadráticamente con t.

Veamos otro ejemplo, considere la función

s(x,y) = 3x+2xy+10y2
Esta función describe una señal de dos variables independientes x e y que
podrían representar las dos coordenadas espaciales de un plano.
• Las señales descritas por las Ecuaciones vistas antes pertenecen a una clase
de señales que se definen de forma precisa especificando la dependencia
funcional de la variable independiente. Sin embargo, existen casos en los
que tal relación funcional es desconocida o extremadamente compleja como
para tener ninguna utilidad práctica.
• Por ejemplo, una señal de voz (véase la Figura siguiente) no se puede
describir funcionalmente mediante expresiones como la Ecuaciones vistas
antes. En general, un segmento de voz se puede representar con un alto
grado de precisión como la suma de varias señales sinusoidales de
diferentes amplitudes y frecuencias, es decir, como:
donde {Ai(t)}, {Fi(t)} y {θi(t)} son los conjuntos de amplitudes, frecuencias y
fases (posiblemente variables con el tiempo), respectivamente, de las señales
sinusoidales.

De hecho, una forma de interpretar la información o el mensaje enviado

en un corto segmento de tiempo de la señal de voz consiste en medir las
amplitudes, frecuencias y fases contenidas en dicho segmento de la señal.
• Otro ejemplo de señal natural es la de un electrocardiograma (ECG). Una señal
de este tipo proporciona a un médico información sobre el estado del corazón
de un paciente. De la misma manera, la señal de un electroencefalograma
(EEG) proporciona información sobre la actividad del cerebro.

• Las señales de voz, de un electrocardiograma y de un electroencefalograma son

ejemplos de señales que contienen información y que varían como funciones
de una sola variable independiente que, normalmente, es el tiempo.

• Un ejemplo de una señal que es una función de dos variables

independientes es una señal de imagen. Las variables independientes en este
caso son las coordenadas espaciales. Se trata tan sólo de unos pocos ejemplos
de las innumerables señales naturales que pueden encontrarse en el mundo real.
• Asociados a las señales naturales se encuentran los medios con los que se
generan.

• Por ejemplo, las señales de voz se generan al pasar el aire a través de las cuerdas
vocales. Las imágenes se obtienen mediante la exposición de una película
fotográfica ante una escena u objeto. Por tanto, normalmente la generación de
señales está asociada con un sistema que responde a un estímulo o fuerza.

• En una señal de voz, el sistema está formado por las cuerdas vocales y el tracto
bucal, también conocido como cavidad bucal. El estímulo en combinación con
el sistema es lo que se denomina fuente de señal.

• Por tanto, existen fuentes de voz, fuentes de imágenes y muchos otros tipos de
fuentes de señal.
• Un sistema también se puede definir como un dispositivo físico que realiza
una operación sobre una señal. Por ejemplo, un filtro utilizado para reducir el
ruido y las interferencias que distorsionan una señal deseada que transporta
información es un sistema. En este caso, el filtro realiza ciertas operaciones
sobre la señal, que tienen el efecto de reducir (filtrar) el ruido y las
interferencias de la señal de información deseada.
• Cuando pasamos una señal a través de un sistema, como en el caso del filtro,
decimos que hemos procesado o tratado la señal. En este caso, el
procesamiento de la señal implica filtrar el ruido y las interferencias de la señal
deseada.
• En general, el sistema se caracteriza por el tipo de operación que realiza
sobre la señal. Por ejemplo, si la operación es lineal, el sistema es lineal. Si la
operación que se realiza sobre la señal no es lineal, se dice que el sistema es no
lineal, etc. Tales operaciones suelen referirse como tratamiento de la señal.
• Es conveniente ampliar la definición de sistema para incluir no sólo los
dispositivos físicos, sino también la implementación software de operaciones
sobre una señal.

• En el procesamiento digital de señales de una computadora digital, las

operaciones efectuadas sobre una señal consisten en una serie de operaciones
matemáticas especificadas por un programa de software. En este caso, el
programa representa una implementación del sistema por software.

• Luego tenemos un sistema que se implementa sobre una computadora digital por
medio de una secuencia de operaciones matemáticas; es decir, tenemos un
sistema de procesamiento digital de señales implementado por software. Por
ejemplo, una computadora digital puede programarse para llevar a cabo un
filtrado digital.
• Alternativamente, el tratamiento digital de señales se puede realizar
mediante hardware digital (circuitos lógicos) configurado para realizar las
operaciones especificadas. En una implementación de este tipo, tendremos
entonces un dispositivo físico que realizará las operaciones
especificadas.

• En un sentido amplio, un sistema digital puede implementarse como una

combinación de hardware y software digital, realizando cada uno de ellos su
propio conjunto de operaciones especificadas en forma matemática.

• El método o conjunto de reglas para implementar el sistema mediante

un programa que realice las operaciones matemáticas correspondientes
se denomina algoritmo.
• Por lo general, hay disponibles muchas formas o algoritmos mediante los que se
puede implementar un sistema, bien por software o por hardware, para realizar las
operaciones y cálculos deseados.

• En la práctica, solo es de interés aquellos algoritmos que sean eficientes y rápidos

en lo que respecta a los cálculos, y también sean fáciles de implementar.

• Por tanto, un tema importante en el estudio del procesamiento digital de la señal es

el empleo de algoritmos eficientes para realizar operaciones como el filtrado, la
correlación o el análisis de espectros.
Elementos básicos de un Sistema de
Tratamiento Digital de Señales
• La mayor parte de las señales con las que se trabaja en los distintos campos de la
ciencia y la ingeniería son analógicas por naturaleza. Es decir, las señales
analógicas son funciones de una variable continua, como por ejemplo, el
tiempo o el espacio, y normalmente toman valores en un rango continuo.
• Tales señales pueden procesarse directamente mediante sistemas analógicos
apropiados (como filtros, analizadores de frecuencias o multiplicadores de
frecuencia), con el fin de cambiar sus características o de extraer la información
deseada. En tal caso, podemos decir que la señal se ha procesado de forma
directa en su forma analógica, como se ilustra en la Figura siguiente:
Tratamiento de una señal analógica
mediante un Sistema analógico
• El tratamiento digital de señales proporciona un método alternativo de procesar
una señal analógica, como se ilustra en la Figura:
• Para poder realizar un tratamiento digital, es necesario disponer de una interfaz
entre la señal analógica y el procesador digital. Esta interfaz se denomina
convertidor analógico-digital (A/D). La salida del convertidor A/D es una señal
digital que es adecuada como entrada del procesador digital.
• El procesador digital de señales puede ser una computadora digital programable
grande o un pequeño microprocesador programado para realizar las operaciones
deseadas sobre la señal de entrada. También puede ser un procesador digital
cableado configurado para realizar un conjunto de operaciones especificado sobre
la señal de entrada.
• Las máquinas programables proporcionan la flexibilidad de poder
cambiar las operaciones de procesamiento de la señal mediante una
modificación del software, mientras que las máquinas cableadas son
difíciles de reconfigurar. En consecuencia, los procesadores de señal
programables son de uso muy común.
• Por el contrario, cuando las operaciones de tratamiento están bien
definidas, una implementación cableada de las operaciones puede
optimizarse, dando lugar a un procesador de señales más económico y que
normalmente trabaja más rápido que su contrapartida programable.
• En aplicaciones en las que la salida digital del procesador digital de señal
tenga que entregarse al usuario en formato analógico, como por ejemplo en
los sistemas de comunicación por voz, tendremos que proporcionar otra
interfaz entre el dominio digital y el analógico. Una interfaz así es un
convertidor digital-analógico (D/A). De este modo, la señal que se
proporciona al usuario está en forma analógica, como ilustra el diagrama de
bloques de la Figura 1.1.3.
• Sin embargo, existen otras aplicaciones prácticas que implican el análisis
de la señal, en las que la información deseada se encuentra en formato
digital y, por tanto, no es necesario emplear un convertidor D/A.
• Por ejemplo, en el procesamiento digital de las señales de radar, la
información extraída de la señal de radar, como por ejemplo la posición de
un avión y su velocidad, puede simplemente imprimirse en un papel. En este
caso, no hay necesidad de utilizar un convertidor D/A.
Ventajas del tratamiento digital de
señales sobre el analógico
• Existen muchas razones por las que el tratamiento digital de señales analógicas
es preferible a procesar dichas señales analógicas directamente en el
dominio analógico.
• En primer lugar, un sistema digital programable proporciona la flexibilidad de
reconfigurar las operaciones del tratamiento digital de la señal simplemente
modificando el programa.
• Sin embargo, normalmente, la reconfiguración de un sistema analógico implica
un rediseño del hardware seguido de los procesos de realización de pruebas
y de verificación que permiten comprobar que todo funciona correctamente.
• Segundo, las consideraciones de precisión desempeñan un papel importante en
la determinación de la forma del procesador de señales. Las tolerancias de los
componentes de los circuitos analógicos hacen extremadamente difícil que el
diseñador del sistema pueda controlar la precisión de un sistema de tratamiento
de señales analógicas.
• Por el contrario, un sistema digital proporciona un control mucho mejor en
lo que respecta a los requisitos de precisión. Tales requisitos, a su vez, sirven
para especificar los requisitos de precisión del convertidor A/D y del procesador
digital de señales, en términos de longitud de palabra, aritmética en coma
flotante o coma fija, y factores similares.
• Tercero, las señales digitales se almacenan fácilmente en soportes
magnéticos (cinta o disco) sin deteriorarse o perder fidelidad, aparte de la
introducida por la conversión A/D. Como consecuencia, las señales se hacen
transportables y pueden procesarse en tiempo no real en un laboratorio
remoto.
• El tratamiento digital de señales también permite la implementación de
algoritmos de tratamiento de señales más sofisticados.
• Normalmente, es muy difícil efectuar operaciones matemáticas precisas
sobre señales analógicas, pero esas mismas operaciones pueden
implementarse de forma rutinaria en una computadora digital mediante
software.
• En algunos casos, una implementación digital del sistema de procesamiento de
señales es más barata que su contrapartida analógica. Este menor coste puede
deberse al hecho de que el hardware digital es más barato o, quizás, es el resultado
de la flexibilidad de poder realizar modificaciones proporcionada por la
implementación digital.
• Como consecuencia de estas ventajas, el procesamiento digital de señales se ha
aplicado en sistemas prácticos cubriendo un amplio rango de disciplinas. Por
ejemplo, podemos citar la aplicación de técnicas de tratamiento digital de señales
en el procesamiento de voz y la transmisión de señales a través de canales
telefónicos, en el procesamiento y transmisión de imágenes, en los campos de la
sismología y la geofísica, en la prospección petrolífera, en la detección de
explosiones nucleares, en el tratamiento de señales recibidas del espacio exterior y
en muchas otras aplicaciones.
• Sin embargo, como ya hemos mencionado, la implementación digital
también tiene sus limitaciones.
• Una limitación práctica es la velocidad de operación de los convertidores
A/D y de los procesadores digitales de señales.
• Veremos que las señales que tienen anchos de banda extremadamente grandes
requieren convertidores A/D con una muy alta velocidad de muestreo y
procesadores digitales de señales rápidos.
• Así, existen señales analógicas con anchos de banda grandes para las que la
solución que proporciona el tratamiento digital se encuentra más allá del
estado del arte del hardware digital actual.
Clasificación de las señales
• Los métodos que se utilicen para procesar una señal o para analizar la respuesta
de un sistema dependerán enormemente de los atributos característicos de la
señal especificada.

• Existen técnicas que sólo se aplican a familias específicas de señales.

• En consecuencia, cualquier investigación que se haga sobre el procesamiento de

señales deberá comenzar por la clasificación de las señales implicadas en la
aplicación concreta.
1. Señales multicanal y
multidimensionales
• Como se ha explicado, una señal se describe mediante una función de una o más
variables independientes. El valor de la función (es decir, de la variable
dependiente) puede ser una magnitud escalar real, una magnitud compleja o
incluso un vector.

• Por ejemplo, la señal: s1(t) = Asen3πt es una señal real.

• Sin embargo, la señal: s2(t) = Ae j3πt = Acos3πt+ jAsen3πt es compleja.

• En algunas aplicaciones, múltiples fuentes o múltiples sensores generan las

señales. Dichas señales pueden representarse en forma vectorial. Como la
señal vectorial que representa la aceleración en la superficie terrestre debida a un
terremoto. Esta aceleración es el resultado de tres tipos básicos de ondas
elásticas.
• Las ondas primarias (P) y las ondas secundarias (S) se propagan dentro del
cuerpo de la roca y son longitudinales y transversales, respectivamente. El tercer
tipo de onda elástica recibe el nombre de onda superficial, porque se propaga
cerca de la superficie de la Tierra.

• Si sk(t), k = 1, 2, 3, denota la señal eléctrica procedente del sensor k como una

función del tiempo, el conjunto de p = 3 señales se puede representar mediante
un vector S3(t), donde:

• Decimos que un vector de señales así es una señal multicanal

• Por ejemplo, en electrocardiografía, se utilizan electrocardiogramas (ECG)
de 3 tomas y de 12 tomas, que generan señales de 3 y 12 canales.

• Fijémonos ahora en las variables independientes. Si la señal es una

función de una sola variable independiente, se dice que la señal es
unidimensional. Por otro lado, se dice que una señal es M-dimensional si
su valor es una función de M variables independientes.
 La imagen mostrada es un ejemplo
de una señal bidimensional, dado
que la intensidad o brillo I(x,y)
en cada punto es una función de
dos variables independientes.

Por otra parte, una imagen de

televisión en blanco y negro
puede representarse como I(x,y,t),
puesto que el brillo es una función
del tiempo. Por tanto, la imagen
de TV puede tratarse como una
Ejemplo de una señal bidimensional señal tridimensional.
• En cambio, una imagen de TV en color puede escribirse mediante tres
funciones de intensidad de la forma Ir(x,y,t), Ig(x,y,t) e Ib(x,y,t), las cuales
se corresponden con el brillo de los tres colores principales (rojo, verde,
azul) como funciones del tiempo.
• Por tanto, una imagen de TV en color es una señal tridimensional de tres
canales, que puede representarse mediante el vector:
• En este curso vamos a tratar fundamentalmente con señales unidimensionales
de un solo canal, reales o complejas, y vamos a referirnos a ellas simplemente
como señales.
• En términos matemáticos, estas señales se describen mediante una función de
un sola variable independiente. Aunque la variable independiente no tiene
por qué ser necesariamente el tiempo, es costumbre emplear t como la
variable independiente.
• En muchos casos, las operaciones y algoritmos para el procesamiento de
señales desarrollados para señales unidimensionales de un sólo canal pueden
extenderse a señales multidimensionales y multicanal.
2. Señales continuas y discretas en
el dominio del tiempo
• Las señales se pueden clasificar en cuatro categorías diferentes dependiendo
de las características de la variable independiente tiempo y de los valores que
éstas tomen.

• Las señales continuas en el tiempo o señales analógicas están definidas

para cada instante de tiempo y toman sus valores en el intervalo continuo
(a,b), donde a puede ser −∞ y b puede ser ∞.

• Matemáticamente, estas señales pueden describirse mediante funciones de

una variable continua. La onda de voz mostrada antes y las señales:
x1(t) = cosπ t,
x2(t) = e−|t|,
donde −∞ < t < ∞ son ejemplos de señales analógicas.
• Las señales discretas en el tiempo sólo están definidas en determinados
instantes específicos de tiempo. Dichos instantes de tiempo no tienen que ser
equidistantes, aunque, en la práctica, normalmente están igualmente espaciados
para facilitar los cálculos. La señal x(tn) = e−|tn|, n = 0, ±1, ±2, . . . es un ejemplo
de una señal discreta en el tiempo. Si utilizamos el índice n para los instantes de
tiempo discretos como la variable independiente, el valor de la señal será una
función de una variable entera (es decir, será una secuencia de números).

• Por tanto, una señal discreta en el tiempo se puede representar

matemáticamente mediante una secuencia de números reales o complejos.
Con el fin de resaltar la naturaleza discreta de una señal, denotaremos dicha
señal como x(n) en lugar de como x(t). Si los instantes de tiempo tn están
igualmente espaciados (es decir, tn = nT ), también se utiliza la notación x(nT).
Por ejemplo, la secuencia

es una señal discreta en el tiempo, que se ha representado gráficamente en la

Figura:
• En la práctica, las señales discretas en el tiempo pueden originarse de dos formas:

1. Seleccionando valores de una señal analógica en instantes discretos de

tiempo. Este proceso se denomina muestreo y se estudia más adelante.
Todos los instrumentos de medida que realizan medidas a intervalos de tiempo
regulares proporcionan señales discretas en el tiempo. Por ejemplo, la señal x(n)
de la Figura anterior puede obtenerse muestreando la señal analógica:
x(t) = 0.8t , t ≥ 0 y x(t) = 0, t < 0 una vez por segundo.

2. Acumulando una variable en un período de tiempo. Por ejemplo, el número

de coches que pasan por una calle determinada en una hora o el valor del oro
diario, dan lugar a señales discretas en el tiempo.
• La Figura muestra una gráfica del número de manchas solares de
Wölfer. Cada muestra de la señal discreta en el tiempo proporciona el
número de manchas observadas durante un intervalo de 1 año.
3. Señales continuas y
Señales discretas
• Los valores de una señal continua o discreta en el dominio del tiempo pueden ser
continuos o discretos. Si una señal toma todos los valores posibles en un rango
finito o infinito, se dice que es una señal continua.
• Alternativamente, si la señal toma valores dentro un conjunto finito de
posibles valores, se dice que la señal es discreta. Normalmente, estos valores
son equidistantes y, por tanto, pueden expresarse como un múltiplo entero de la
distancia entre dos valores sucesivos.
• Una señal discreta en el tiempo que tiene un conjunto de valores discretos es
una señal digital. La siguiente Figura muestra una señal digital que toma uno de
cuatro valores posibles.
Señal digital con cuatro valores de amplitud diferentes
• Para que una señal pueda ser procesada digitalmente, debe ser discreta
en el tiempo y sus valores tienen que ser discretos (es decir, tiene que ser
una señal digital).
• Si la señal que se va a procesar es una señal analógica, se convierte en una
señal digital muestreándola en instantes discretos de tiempo, obteniéndose
así una señal discreta en el tiempo, y cuantificando a continuación sus
valores en un conjunto de valores discretos.
• El proceso de conversión de una señal continua en una señal discreta se
denomina cuantificación, y es básicamente un proceso de aproximación.
• Puede realizarse de forma simple mediante redondeo o truncamiento. Por
ejemplo, si los valores permitidos de la señal digital son enteros, como por
ejemplo, de 0 hasta 15, la señal de valores continuos se cuantifica empleando
esos valores enteros.
• Por tanto, el valor de la señal 8.58 se aproximará al valor 8 si el proceso de
cuantificación se realiza mediante truncamiento, o se aproxima a 9 si el
proceso de cuantificación se realiza por redondeo al entero más próximo.
4. Señales deterministas y
Señales aleatorias
• El procesamiento y análisis matemático de señales requiere disponer de una
descripción matemática para la propia señal.
• Esta descripción matemática de la señal, a menudo se denomina modelo
de señal, y lleva a otra importante clasificación de las señales.
• Cualquier señal que se pueda describir unívocamente mediante una
expresión matemática explícita, una tabla de datos o una regla bien definida
se dice que es determinista.
• Este término se emplea para destacar el hecho de que todos los valores
pasados, presentes y futuros de la señal se conocen de forma precisa, sin
incertidumbre.
• En muchas aplicaciones prácticas, existen señales que o no se pueden
describir con un grado razonable de precisión mediante fórmulas
matemáticas o una descripción resulta demasiado compleja como para
resultar práctica.
• La falta de una relación de este tipo implica que dichas señales evolucionan
en el tiempo de manera no predecible. Decimos que este tipo de señales
son aleatorias.
• La salida de un generador de ruido, una señal sísmica, y una señal de voz,
son ejemplos de señales aleatorias.
• El marco de trabajo matemático para llevar a cabo el análisis teórico de las
señales aleatorias lo proporciona la teoría de la probabilidad y los
procesos estocásticos.
• Es importante y se debe insistir en que la clasificación de una señal real
como determinista o aleatoria no siempre es clara.
• En ocasiones, ambos enfoques llevan a resultados significativos que ayudan
a clarificar el comportamiento de la señal.
• En otros casos, una clasificación errónea puede llevar a resultados erróneos,
ya que algunas herramientas matemáticas sólo pueden aplicarse a señales
deterministas mientras que otras sólo pueden aplicarse a señales aleatorias.
Concepto de frecuencia
en señales continuas y
discretas en el tiempo
• El concepto de frecuencia es familiar en los estudiantes de ingeniería. Este
concepto es básico, por ejemplo, en el diseño de un receptor de radio, de un
sistema de alta fidelidad o de un filtro espectral para fotografías en color.
• De la Física, sabemos que la frecuencia está estrechamente relacionada con un
tipo específico de movimiento periódico denominado movimiento oscilatorio
armónico, que se describe mediante funciones sinusoidales.
• El concepto de frecuencia está directamente relacionado con el concepto
de tiempo, y su dimensión es la inversa de la del tiempo. En consecuencia,
la naturaleza del tiempo (continuo o discreto) afectará a la naturaleza de
la frecuencia.
 Señales sinusoidales
continuas en el tiempo
• Una oscilación armónica simple se describe matemáticamente mediante la
siguiente señal sinusoidal continua en el tiempo:

xa(t) = Acos(Ωt +θ ), −∞ < t < ∞ (1)

que se muestra en la Figura siguiente.

• El subíndice a utilizado con x(t) indica que se trata de una señal analógica.
• Esta señal queda completamente caracterizada mediante los tres parámetros
siguientes:
➢ A, que es la amplitud de la sinusoide,
➢ Ω, que es la frecuencia en radianes por segundo (rad/s) y
➢ θ , que es la fase en radianes.
➢ En lugar de Ω, a menudo utilizaremos la frecuencia F medida en ciclos
por segundo o hercios (Hz), donde Ω = 2πF
Ejemplo de una señal sinusoidal analógica
• En función de F, podemos escribir la expresión (1) como sigue

xa(t) = Acos(2π Ft +θ ), −∞ < t < ∞ (2)

Utilizaremos ambas formas, (1) y (2), para representar señales sinusoidales.

• La señal sinusoidal analógica descrita por (2) queda caracterizada por las
siguientes propiedades:

• A1. Para todo valor fijo de la frecuencia F, xa(t) es periódica. En efecto, se

puede demostrar fácilmente, utilizando trigonometría elemental, que
xa(t +Tp) = xa(t)
donde Tp = 1/F es el período fundamental de la señal sinusoidal.
• A2. Señales sinusoidales continuas en el tiempo con diferentes
frecuencias son diferentes.
• A3. Un incremento de la frecuencia F da lugar a un incremento de la
velocidad de oscilación de la señal, en el sentido de que se incluyen más
períodos en un intervalo de tiempo dado.
Observe que para F = 0, el valor Tp = ∞ es coherente con la relación
fundamental F = 1/Tp.
Debido a la continuidad de la variable tiempo t, podemos aumentar la
frecuencia F, sin límite, con el consiguiente aumento en la velocidad de
oscilación.
• La relación que hemos descrito para las señales sinusoidales es aplicable a la
clase de señales exponenciales complejas

xa(t) = Ae j(Ωt+θ ) (3)

• Esto puede verse fácilmente expresando estas señales en función de señales
sinusoidales aplicando la identidad de Euler

e±jφ = cosφ ± j sinφ (4)

• Por definición, la frecuencia es una magnitud física inheremente positiva. Esto
resulta obvio si interpretamos la frecuencia como el número de ciclos por unidad
de tiempo de una señal periódica. Sin embargo, en muchos casos, y únicamente
por conveniencia matemática, tendremos que emplear frecuencias negativas.

• Recordemos que la señal sinusoidal (1) se puede expresar de la forma siguiente:

xa(t) = Acos(Ωt +θ) = A/2 e j(Ωt+θ ) + A/2 e−j(Ωt+θ ) (5)

que se deduce de la identidad de Euler.

• Observe que se puede obtener una señal sinusoidal sumando dos señales
exponenciales complejas conjugadas de la misma amplitud, las cuales en ocasiones
se denominan fasores, como se muestra en la Figura siguiente:
Representación de una función coseno
mediante dos señales exponenciales
complejas conjugadas (fasores).
• A medida que transcurre el tiempo, los fasores giran en direcciones opuestas con
frecuencias angulares de ±Ω radianes por segundo.
• Dado que una frecuencia positiva se corresponde con un movimiento angular
uniforme en sentido antihorario, una frecuencia negativa se corresponderá
con un movimiento angular en sentido horario.
• Por comodidad para la realización de los cálculos matemáticos, utilizaremos
tanto frecuencias negativas como positivas a lo largo del curso.
• Por tanto, el rango de frecuencias para las señales sinusoidales es:
−∞ < F < ∞
 Señales sinusoidales
discretas en el tiempo
• Una señal sinusoidal discreta en el tiempo puede expresarse como sigue

x(n) = Acos(ω n+θ ), −∞ < n < ∞ (1)

Donde: n es una variable entera, que se denomina número de muestra,
➢ A es la amplitud de la sinusoide,
➢ ω es la frecuencia en radianes por muestra y
➢ θ es la fase en radianes.
• Si en lugar de ω utilizamos la variable frecuencia f definida por ω ≡ 2π f
la relación (1) se convierte en:

x(n) = Acos(2π f n+θ ), −∞ < n < ∞

• La frecuencia f tiene dimensiones de ciclos por muestra
• La frecuencia f tiene dimensiones de ciclos por muestra, consideremos la
sinusoide discreta en el dominio del tiempo dada por (1), independientemente de
la sinusoide continua en el tiempo dada por:

xa(t) = Acos(Ωt +θ ), −∞ < t < ∞

• La Figura siguiente muestra una sinusoide de frecuencia ω =π /6 radianes por
muestra ( f = 1/12 ciclos por muestra) y una fase θ =π /3.
Ejemplo de señal sinusoidal discreta en el tiempo
(ω =π /6 y θ =π /3).
• En comparación con las señales sinusoidales continuas en el tiempo, la señales
sinusoidales discretas en el tiempo se caracterizan por las propiedades
siguientes:

• B1. Una sinusoide discreta en el tiempo es periódica sólo si su frecuencia es

un número racional.
Por definición, una señal discreta en el tiempo x(n) es periódica de período N
(N > 0) si y sólo si

x(n+N) = x(n) para todo n

El valor mínimo de N para el que esta ecuación se cumpla es el período
fundamental.
• La demostración de la propiedad de periodicidad es sencilla. Para que una
sinusoide de frecuencia f0 sea periódica, se tiene que cumplir que

cos[2π f0(N +n)+θ] = cos(2π f0n+θ )

Esta relación es cierta si y sólo si existe un entero k tal que
2π f0N = 2kπ
o, lo que es lo mismo,

f0 = k /N (2)
De acuerdo con (2), una señal sinusoidal discreta en el tiempo sólo es
periódica si su frecuencia f0 se puede expresar como la relación de dos
enteros (es decir, f0 es racional).
• Para determinar el período fundamental N de una sinusoide periódica,
expresamos su frecuencia f0 como en (2) y cancelamos los factores
comunes, de modo que k y N sean primos relativos. Entonces el período
fundamental de la sinusoide es igual a N.
• Observe que una pequeña variación de la frecuencia puede dar lugar a una
variación muy grande del período.
• Por ejemplo, f1 = 31/60 implica que N1 = 60, mientras que f2 = 30/60 da
como resultado N2 = 2.
• B2. Las señales sinusoidales discretas en el tiempo cuyas frecuencias están
separadas un múltiplo entero de 2π son idénticas.
Para demostrar esta afirmación, consideremos la señal sinusoidal cos(ω0n+θ ).
Fácilmente se deduce que

cos[(ω0 +2π )n+θ] = cos(ω0n+2π n+θ) = cos(ω0n+θ )

Por tanto, todas las secuencias sinusoidales

xk(n) = Acos(ωkn+θ ), k = 0,1,2, . . .

 Donde:
ω k = ω0+2kπ , −π ≤ ω0 ≤ π
• son indistinguibles (es decir, idénticas). Cualquier secuencia resultante de una
sinusoide con frecuencia |ω | > π, o | f | > 1/2, es idéntica a una secuencia
obtenida a partir de una señal sinusoidal de frecuencia |ω | < π .
• Debido a esta similitud, decimos que la sinusoide que tiene la frecuencia |ω | > π
es un alias de la sinusoide cuya frecuencia es |ω | <π . Por tanto, consideremos
las frecuencias comprendidas en el rango −π ≤ ω ≤ π, o −1/2≤ f ≤ 1/2 como
únicas y todas las frecuencias tal que |ω | >π, o | f | > 12, como alias.
• El lector debe darse cuenta de la diferencia entre sinusoides discretas en el
tiempo y sinusoides continuas en el tiempo, ya que estas últimas dan lugar a
señales distintas para Ω o F en el rango completo −∞ < Ω < ∞ o −∞ < F < ∞.
• B3. La tasa de oscilación más alta de una señal sinusoidal discreta en el tiempo
se alcanza cuando ω = π (u ω = −π ) o, lo que es lo mismo, f = 1/2
(o f = −1/2).
• Para ilustrar esta propiedad, vamos a investigar las características de la siguiente
secuencia de señales sinusoidales

x(n) = cosω0n
• cuando la frecuencia varía entre 0 y π .
• Para simplificar el argumento, tomamos valores de ω0 = 0, π /8, π /4, π /2, π
correspondientes a f = 0, 1/16 , 1/8, 1/4, 1/2, lo que da como resultado
secuencias periódicas que tienen períodos N = ∞, 16, 8, 4, 2, como se ilustra en la
Figura siguiente para la señal x(n) = cosω0n para varios valores de la frecuencia ω0.
• Observe que el período de la sinusoide decrece cuando la frecuencia aumenta.
De hecho, podemos ver que la tasa de oscilación aumenta cuando aumenta la
frecuencia.
• Para ver lo que ocurre para π ≤ ω0 ≤ 2π , consideremos las sinusoides de
frecuencias ω1 = ω0 y ω2 = 2π −ω0.
• Observe que como ω1 varía entre π y 2π , ω2 varía entre π y 0. Podemos ver
fácilmente que
x1(n) = Acosω1n = Acosω0n
x2(n) = Acosω2n = Acos(2π −ω0)n
= Acos(−ω0n) = x1(n)
• Por tanto, ω2 es un alias de ω1. Si hubiéramos empleado una función seno en
lugar de una función coseno, el resultado sería básicamente el mismo, excepto por
una diferencia de fase de 180◦ entre las sinusoides x1(n) y x2(n).
• En cualquier caso, cuando aumentamos la frecuencia relativa ω0 de una señal
sinusoidal discreta en el tiempo de π a 2π, su tasa de oscilación disminuye.
• Para ω0 = 2π , el resultado es una señal constante, como en el caso de ω0 = 0.
Obviamente, para ω0 = π (o f = 1/2) obtenemos la máxima tasa de oscilación.
• Como en el caso de las señales continuas en el tiempo, pueden introducirse
frecuencias negativas también para las señales discretas en el tiempo. Para
este propósito, utilizamos la siguiente identidad:

x(n) = Acos(ω n+θ) = A/2e j(ω n+θ )+A/2e−j(ω n+θ )

• Puesto que las señales sinusoidales discretas en el tiempo con frecuencias
separadas entre sí un múltiplo entero de 2π son idénticas, se deduce que las
frecuencias de cualquier intervalo ω1 ≤ ω ≤ ω1 +2π constituyen todas las
sinusoides discretas en el tiempo o exponenciales complejas.
• Por tanto, el rango de frecuencias para sinusoides discretas en el tiempo es finito
con una duración de 2π .
• Normalmente, seleccionamos el rango 0 ≤ ω ≤ 2π o −π ≤ ω ≤π (0 ≤ f ≤ 1,
−1/2≤ f ≤ 1/2), el cual se denomina rango fundamental.
 Exponenciales complejas
armónicamente relacionadas
• Las señales sinusoidales y las exponenciales complejas desempeñan un papel
importante en el análisis de señales y sistemas. En algunos casos, trabajaremos con
conjuntos de exponenciales complejas (o sinusoides) armónicamente relacionadas.
• Se trata de conjuntos de exponenciales complejas periódicas con frecuencias
fundamentales que son múltiplos de una misma frecuencia positiva.
• Aunque se va a limitar nuestra exposición a las exponenciales complejas,
evidentemente estas propiedades son aplicables a las sinusoides.
• Se va a considerar exponenciales complejas armónicamente relacionadas tanto
continuas como discretas en el dominio del tiempo.
• Exponenciales continuas en el tiempo. Las señales básicas exponenciales
continuas en el dominio del tiempo y armónicamente relacionadas son:

sk(t) = e jkΩ0t = e j2πkF0t k = 0,±1,±2, . . .

• Observemos que para cada valor de k, sk(t) es periódica de período fundamental
1/(kF0) = Tp/k o frecuencia fundamental kF0.
• Dado que una señal periódica de período Tp/k también es periódica con período
k(Tp/k) = Tp para cualquier entero positivo k, tenemos que todas las sk(t) tienen
un período común igual a Tp.
• Además, como hemos visto en la antes, F0 puede tomar cualquier valor y todos
los miembros del conjunto son distintos, en el sentido de que si k1 es diferente
de k2, entonces sk1(t) es diferente de sk2(t).
• A partir de las señales básicas dadas por la Ecuación anterior, podemos
construir una combinación lineal de exponenciales complejas armónicamente
relacionadas de la forma

• donde ck, k = 0, ±1, ±2, . . . con constantes complejas arbitrarias.

• La señal xa(t) es periódica de período fundamental Tp = 1/F0, y su
representación en función de la Ecuación se denomina expansión de la serie
de Fourier de xa(t).
• Las constantes complejas son los coeficientes de la serie de Fourier y la señal
sk(t) es el armónico k-ésimo de xa(t).
• Exponenciales discretas en el tiempo. Dado que una exponencial compleja
discreta en el tiempo es periódica si su frecuencia relativa es un número racional,
seleccionamos f0=1/N y definimos los conjuntos de exponenciales complejas
armónicamente relacionadas como sigue

sk(n) = e j2π k f0n , k = 0, ±1, ±2, . . . (3)

• En contraste con el caso de señales continuas en el tiempo, observe que

sk+N(n) = e j2π n(k+N)/N = e j2π n sk(n) = sk(n)

• Lo que quiere decir que, de acuerdo con x(n+N) = x(n) para todo n, sólo hay N
exponenciales complejas periódicas distintas en el conjunto descrito por la
expresión (3). Además, todos los miembros del conjunto tienen un período
común de N muestras.
• Evidentemente, podemos elegir cualesquiera N exponenciales complejas
consecutivas, es decir, desde k = n0 hasta k = n0 +N −1, para formar un conjunto
armónicamente relacionado con una frecuencia fundamental f0 = 1/N.

• Por comodidad, generalmente, seleccionaremos el conjunto que se corresponde

con n0 = 0, es decir, el conjunto
• Como en el caso de las señales continuas en el tiempo, es obvio que la
combinación lineal

• da como resultado una señal periódica de período fundamental N.

• Como se verá más adelante, se trata de la representación de la serie de Fourier de
una secuencia periódica discreta en el tiempo con coeficientes de Fourier {ck}.
• La secuencia sk(n) es el armónico k-ésimo de x(n).
Conceptos básicos
En forma Práctica
Sistema analógico

Ejemplo: un Filtro Analógico, en este caso el sistema queda definido por su

topología de circuitos y los valores de los componentes discretos como son : R, L,
C, Am-Op, etc.
Sistema Digital

Por ejemplo: Los elementos básicos de un sistema de procesamiento digital

son:

• Filtro Anti-Alias
• Conversor Analógico-Digital (ADC)
• Procesador de Señales (DSP)
• Conversor Digital-Analógico (DAC)
• Filtro de Reconstrucción
Procesamiento Digital Vs Analógico

• La diferencia fundamental entre un sistema de procesamiento analógico y un

sistema digital, radica en que en un sistema analógico el comportamiento del
mismo queda definido completamente por la topología de un circuito y los
valores de los componentes; mientras que en un sistema digital, el
comportamiento queda fundamentalmente definido por un ALGORITMO y
los parámetros del mismo almacenados en memoria.
Ventajas del Procesamiento Digital Vs. Analógico

• Flexibilidad. Fácilmente modificable y actualizable.

• Fácilmente reproducible. No depende de la tolerancia de los componentes.
• Confiabilidad. No envejece ni sufre desvíos por causas ambientales.
• Complejidad. Facilita la implementación de sistemas complejos en un solo
chip.
Cadena de Procesamiento Digital Tipica
Acondicionamiento y adquisición de señal
Muestreo de señales continuas
El problema de Alias
Cuantización de Amplitud

• Conversión Analógico a Digital

• Cuantización en amplitud (nº de bits, Vref)
• Discretización del tiempo (Ts=1/Fs)
Procesador Digital de Señales
Procesador Digital de Señales

• Un procesador digital de señal es un dispositivo con capacidad de procesamiento

en línea, o en tiempo real, de información, que presenta, a la vez, características de
microcontrolador y microprocesador.

• Posee una CPU de gran potencia de cálculo preparada para el tratamiento digital
de señales en tiempo real y para la realización del mayor número de operaciones
aritméticas en el menor tiempo posible.

• Por tanto, su circuitería interna ha sido optimizada para la implementación de

funciones tales como el filtrado, la correlación, el análisis espectral, etc., de una
señal digital de entrada al sistema.
¿Que podemos hacer con un DSP?

• Prácticamente cualquier sistema lineal y no lineal

• Filtros Digitales IIR – FIR
• Sistemas Adaptativos (algoritmos tipo LMS)
• Moduladores y demoduladores
• Algoritmos matemáticamente intensivos (FFT-DCT-WT)
Implementación de un sistema LTI en Tiempo Continuo

• Un sistema LTI en tiempo continuo esta definido por su respuesta al impulso

h(t)
• La respuesta del mismo se puede hallar mediante una ecuación
Diferencial y/o su integral de convolución.
Implementacion de un sistema LTI en tiempo discreto

• Un sistema LTI en tiempo discreto queda definido por su respuesta al impulso

h[n]
• La respuesta del sistema se puede hallar mediante su ecuacion en diferencias
• Cuando todos los coeficientes Ap (p=1...N) son nulos (FIR) las
ecuaciones anteriores se transforman en la convolucion en tiempo
discreto
Convolución Discreta(Filtro FIR)

• Ejemplo de convolución discreta

• Filtro FIR Direct Form 1

Procesamiento En tiempo Real

• La definición de Tiempo real es fuertemente dependiente de la aplicación (se

debe trabajar mas rápido que la evolución del sistema)
• El tiempo de algoritmo (Ta) debe ser menor que el tiempo de muestreo
(Ts=1/Fs).
• El tiempo de algoritmo nos impone un limite a la máxima frecuencia que el
sistema puede trabajar.
• Podemos aumentar el Ta, mediante el procesamiento en bloques (a expensas de
mayor latencia en el sistema)
Filtro FIR Muestra a Muestra

Void ADC_ISR(void){ // rutina de interrupcion del ADC

// interrumpe cada Ts = 1/Fs
int ADC_New;
ADC_New = func_ReadADC(); // leo muestra nueva del ADC
func_UpdateDelayLine( VecSamples , ADC_New); // Actualizo línea de
demora
int Mult;
intAcum=0; //inicializo acumulador en cero
for(i=0 ; i< N ; i++){
Mult = VecSamples[i] * VecFilter[i] // calculo producto parcial
Acum = Acum + Mult ; // acumulo producto parcial
} func_WriteDAC( Acum ); // saco por el DAC el nuevo
} valor de salida del filtro
Características Deseables de un DSP
• Operaciones aritméticas optimizadas y combinaciones de estas (1 ciclo
de reloj)
• Modos de direccionamiento especiales :
➢ Buffers circulares
➢ Bit reversal
➢ Zero overhead loops
• Set de instrucciones:
➢ MAC con registro acumulador extendido (bits de guarda)
➢ shift aritmético
➢ aritmética con saturación
➢ modos de redondeo
➢ normalización y escalamiento
➢ extensión de signo
• Instrucciones especiales para: Video, Audio, Control
La operación mas importante en DSP
MAC

• MAC
• Bits de guarda
• Casting Acum-> Reg
Aritmetica con Saturacion y Redondeo

• Redondeo
➢ Round to nearest (biased-mode)
➢ Convergent (unbiased-mode)
➢ Truncation

• Saturacion
Modos de Direccionamiento

• Direccionamiento circular
Buffers Circulares

• Reg Base: indica la dirección de la base del buffer

• Reg Largo: indica el largo del buffer
• RegIndice: posición actual en el buffer
• Reg Incremento: incremento del puntero índice
Modos de Direccionamiento

• Bit Reversal (FFT)

Hardware Loops (ZOL)

• Zero Overhead Loop

• Reg Inicio: indica la direccion de la primera instrucción del Loop
• RegFin:indica la dirección de la ultima instrucción del Loop
• Reg Repetición: Cantidad de iteraciones del Loop
¡Muchas Gracias!
¿Preguntas?
 Bibliografía

Ing. Lucio J. Martinez Garbino - luciojmg@cae.cnea.gov.ar - SASE 2012 –

Simposium Argentino de Sistemas Embebidos

John G. Proakis, Dimitris G. Manolakis, (2007), Tratamiento Digital de Señales,

PEARSON EDUCACIÓN S.A., Madrid.