Procesamiento Digital de Se Nales: Tecnol Ogico de Costa Rica Escuela de Ingenier Ia Electr Onica

Tecnol ogico de Costa Rica Escuela de Ingenier a Electr onica
Notas de Clase
Procesamiento Digital de Se nales

EL-5805
Dr. Jos e Pablo Alvarado Moya
Versi on de 28 de julio de 2011
Prefacio
Estas notas de clase pretenden ofrecer al estudiante una gu a para el curso EL-5805 Procesamiento Digital de Se nales. No deben considerarse bajo ninguna circunstancia como fuente de informaci on u nica. En cada cap tulo se hace referencia a fuentes bibliogr acas adicionales que el estudiante debe revisar por su cuenta, con ejercicios adicionales y mayor detalle en su presentaci on. El concepto del curso se ha orientado en las sugerencias de los autores John G. Proakis y Dimitris G. Manolakis [15] para un programa semestral de curso de pregrado, con algunas adiciones y principalmente res umenes de la materia considerados necesarios. M as detalles de los temas tratados aqu se podr an entonces encontrar del cap tulo 1 al cap tulo 8 del mencionado libro de texto. Las presentes notas de clase se han adaptado espec camente al curso Procesamiento Digital de Se nales de la Escuela de Ingenier a Electr onica del Tecnol ogico de Costa Rica, pero se ponen a disposici on libre para que sean de provecho a quien las necesite.
Dr. Jos e Pablo Alvarado Moya Cartago, 28 de julio de 2011
Este trabajo se encuentra bajo una Licencia Creative Commons Atribuci onNoComercial-LicenciarIgual 3.0 Unported. Para ver una copia de esta Licencia, visite http://creativecommons.org/licenses/by-nc-sa/3.0/ o env e una carta a Creative Commons, 444 Castro Street, Suite 900, Mountain View, California, 94041, USA. c 2005-2011 Pablo Alvarado Escuela de Electr onica Tecnol ogico de Costa Rica
Indice general
Indice de tablas Indice de ejemplos Lista de s mbolos y abreviaciones 1 Introducci on 1.1 Se nales . . . . . . . . . . . . . . . 1.2 Sistemas . . . . . . . . . . . . . . 1.3 Elementos de un sistema PDS . . 1.4 Ventajas del procesamiento digital 1.5 Aplicaciones . . . . . . . . . . . . 1.5.1 Areas de aplicaci on . . . . 1.5.2 Algoritmos . . . . . . . . . 1.5.3 Implementaci on . . . . . . 1.5.4 Casos . . . . . . . . . . . 1.6 Problemas . . . . . . . . . . . . . v vii ix 1 1 3 4 5 7 7 8 9 10 12 13 13 14 16 21 22 22 26 27 27 29 31 35 35 35 36
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
2 Se nales y Sistemas de Variable Discreta 2.1 Se nales de variable discreta . . . . . . . . . . . . . . . . . . . . . 2.1.1 Manipulaciones elementales de se nales de variable discreta 2.1.2 Clasicaci on de se nales de variable discreta . . . . . . . . . 2.2 Se nales sinusoidales y el concepto de frecuencia . . . . . . . . . . 2.2.1 Se nal sinusoidal continua . . . . . . . . . . . . . . . . . . . 2.2.2 Se nal sinusoidal discreta . . . . . . . . . . . . . . . . . . . 2.2.3 Exponenciales complejos relacionados arm onicamente . . . 2.3 Sistemas en tiempo discreto . . . . . . . . . . . . . . . . . . . . . 2.3.1 Descripci on entrada-salida de sistemas . . . . . . . . . . . 2.3.2 Diagramas de bloques . . . . . . . . . . . . . . . . . . . . 2.3.3 Clasicaci on de los sistemas discretos . . . . . . . . . . . . 2.3.4 Interconexi on de sistemas discretos . . . . . . . . . . . . . 2.4 An alisis de sistemas discretos lineales e invariantes en el tiempo . 2.4.1 T ecnicas de an alisis . . . . . . . . . . . . . . . . . . . . . . 2.4.2 Descomposici on de una se nal en impulsos . . . . . . . . . . i
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
ii
Indice general
2.5
2.6
2.7
2.4.3 Convoluci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.4 Propiedades de la convoluci on . . . . . . . . . . . . . . . . . . . . 2.4.5 Sistemas LTI causales . . . . . . . . . . . . . . . . . . . . . . . . 2.4.6 Estabilidad de sistemas lineales e invariantes en el tiempo . . . . . 2.4.7 Sistemas de respuesta nita e innita . . . . . . . . . . . . . . . . Sistemas discretos descritos mediante ecuaciones de diferencias . . . . . . 2.5.1 Sistemas discretos recursivos y no recursivos . . . . . . . . . . . . 2.5.2 Sistemas LTI caracterizados por ecuaciones de diferencias con coecientes constantes . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.3 Soluci on de ecuaciones de diferencias con coecientes constantes . 2.5.4 Respuesta impulsional de un sistema recursivo LTI . . . . . . . . Correlaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6.1 Autocorrelaci on y correlaci on cruzada . . . . . . . . . . . . . . . . 2.6.2 Propiedades de la correlaci on . . . . . . . . . . . . . . . . . . . . 2.6.3 Correlaci on de secuencias peri odicas . . . . . . . . . . . . . . . . . 2.6.4 Secuencias de correlaci on de entrada-salida . . . . . . . . . . . . . Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . .
37 42 43 43 45 46 46 47 51 56 58 58 59 60 61 64 67 67 67 70 70 75 77 79 79 80 82 83 83 83 84 87 91 91 91 93 96 97 99
3 An alisis de sistemas LTI discretos con la transformada z 3.1 La transformada z . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.1 La transformada z directa . . . . . . . . . . . . . . . . . . . 3.2 Transformadas z racionales . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 Polos y ceros . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.2 Localizaci on de los polos y el comportamiento en el dominio para se nales causales . . . . . . . . . . . . . . . . . . . . . . 3.2.3 La funci on de transferencia de un sistema LTI . . . . . . . . 3.3 An alisis de sistemas LTI en el dominio z . . . . . . . . . . . . . . . 3.3.1 Respuesta de sistemas con funci on de transferencia racional . 3.3.2 Condiciones iniciales no nulas . . . . . . . . . . . . . . . . . 3.3.3 Respuesta transitoria y en r egimen permanente . . . . . . . 3.3.4 Causalidad y Estabilidad . . . . . . . . . . . . . . . . . . . . 3.3.5 Cancelaci on polo-cero . . . . . . . . . . . . . . . . . . . . . . 3.3.6 Polos de orden m ultiple y estabilidad . . . . . . . . . . . . . 3.3.7 Estabilidad de sistemas de segundo orden . . . . . . . . . . . 3.4 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 An alisis frecuencial 4.1 Espectro de se nales continuas . . . . . . . . . . 4.1.1 Espectro de se nales continuas peri odicas 4.1.2 Espectro de se nales continuas aperi odicas 4.2 Espectro de se nales en tiempo discreto . . . . . 4.2.1 Espectro de se nales discretas peri odicas . 4.2.2 Espectro de se nales discretas aperi odicas
c 2005-2011 P. Alvarado
. . . . . . . . de . . . . . . . . . . . . . . . . . . . . . .
. . . . n . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
Indice general
iii
4.3 4.4
4.5
4.6
4.7
4.2.3 Relaci on entre las transformadas de Fourier y z . . . . . . . . . . . 100 4.2.4 El teorema del muestreo . . . . . . . . . . . . . . . . . . . . . . . . 102 Propiedades de la transformada de Fourier de se nales discretas . . . . . . . 109 Sistemas LTI en el dominio de la frecuencia . . . . . . . . . . . . . . . . . 111 4.4.1 La funci on de respuesta en frecuencia . . . . . . . . . . . . . . . . . 111 4.4.2 Respuesta transitoria y en r egimen permanente a entradas sinusoidales113 4.4.3 Respuesta en r egimen permanente a se nales de entrada peri odicas . 114 4.4.4 Respuesta a se nales de entrada aperi odicas . . . . . . . . . . . . . . 115 4.4.5 Relaciones entre la funci on de transferencia y la respuesta en frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 4.4.6 C alculo de la respuesta en frecuencia . . . . . . . . . . . . . . . . . 116 Sistemas LTI como ltros selectivos en frecuencia . . . . . . . . . . . . . . 117 4.5.1 Filtros ideales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 4.5.2 Filtros paso alto, paso bajo y paso banda . . . . . . . . . . . . . . . 119 4.5.3 Resonadores digitales . . . . . . . . . . . . . . . . . . . . . . . . . . 122 4.5.4 Filtros ranura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 4.5.5 Filtros peine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 4.5.6 Filtros paso todo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128 4.5.7 Osciladores digitales . . . . . . . . . . . . . . . . . . . . . . . . . . 129 Sistemas inversos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130 4.6.1 Invertibilidad de sistemas LTI . . . . . . . . . . . . . . . . . . . . . 131 4.6.2 Sistemas de fase m nima, fase m axima y fase mixta . . . . . . . . . 132 4.6.3 Identicaci on de sistemas . . . . . . . . . . . . . . . . . . . . . . . . 135 Transformada Discreta de Fourier . . . . . . . . . . . . . . . . . . . . . . . 136 4.7.1 Muestreo en el dominio de la frecuencia . . . . . . . . . . . . . . . . 136 4.7.2 La transformada discreta de Fourier . . . . . . . . . . . . . . . . . . 139 4.7.3 Relaci on de la DFT con otras transformadas . . . . . . . . . . . . . 141 4.7.4 Propiedades de la DFT . . . . . . . . . . . . . . . . . . . . . . . . . 142 4.7.5 Filtrado lineal basado en la DFT . . . . . . . . . . . . . . . . . . . 146 4.7.6 Filtrado de secuencias de larga duraci on . . . . . . . . . . . . . . . 149 4.7.7 An alisis espectral de se nales usando la DFT . . . . . . . . . . . . . 150 153 . 154 . 156 . 156 . 160 . 162 . 162 . 164 . 167 . 167 . 168
5 Conversi on anal ogica/digital y digital/anal ogica 5.1 Muestreo de se nales anal ogicas . . . . . . . . . . . 5.1.1 Muestreo de se nales pasa-bajos . . . . . . 5.1.2 Muestreo de se nales pasa-banda . . . . . . 5.2 Cuanticaci on de se nales de amplitud continua . . 5.3 Codicaci on de los valores cuanticados . . . . . 5.3.1 N umeros codicados con coma ja . . . . 5.3.2 N umeros codicados con coma otante . . 5.4 Circuitos de conversi on anal ogica digital . . . . . 5.4.1 Circuito de muestreo y retenci on . . . . . 5.4.2 Contador . . . . . . . . . . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
iv
Indice general
5.5
5.6
5.4.3 Aproximaciones sucesivas . . . . 5.4.4 Convertidor paralelo . . . . . . 5.4.5 Convertidor en subrangos . . . 5.4.6 Convertidor delta-sigma . . . . Conversi on Digital/Anal ogica . . . . . 5.5.1 Fuentes de tensi on conmutadas 5.5.2 Resistencias conmutadas . . . . 5.5.3 Condensadores conmutados . . 5.5.4 Redes resistivas R 2R . . . . 5.5.5 Conversi on DAC delta-sigma . . Problemas . . . . . . . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
169 170 171 171 178 178 178 179 180 181 182
6 Implementaci on de sistemas discretos 6.1 N umero de Condici on . . . . . . . . . . . . . . . . . . . 6.2 Estructuras directas . . . . . . . . . . . . . . . . . . . . 6.2.1 Estructuras directas para ltros FIR sim etricos 6.3 Grafos de ujo de se nal y estructuras transpuestas . . . 6.4 Muestreo en frecuencia . . . . . . . . . . . . . . . . . . 6.5 Sistemas en cascada . . . . . . . . . . . . . . . . . . . . 6.6 Sistemas paralelos . . . . . . . . . . . . . . . . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
183 . 183 . 184 . 188 . 188 . 190 . 192 . 194
7 Introducci on al dise no de ltros digitales 197 7.1 Causalidad y sus implicaciones . . . . . . . . . . . . . . . . . . . . . . . . . 198 7.2 Filtros de respuesta de impulso nita . . . . . . . . . . . . . . . . . . . . . 201 7.2.1 Dise no de ltros FIR por el m etodo de ventanas . . . . . . . . . . . 203 7.2.2 Dise no de ltros o ptimos . . . . . . . . . . . . . . . . . . . . . . . . 208 7.3 Dise no de ltros de respuesta impulsional innita a partir de ltros anal ogicos211 7.3.1 Dise no por aproximaci on de derivadas . . . . . . . . . . . . . . . . 212 7.3.2 Dise no por invarianza impulsional . . . . . . . . . . . . . . . . . . . 213 7.3.3 La transformada z adaptada . . . . . . . . . . . . . . . . . . . . . . 214 7.3.4 Dise no por transformaci on bilineal . . . . . . . . . . . . . . . . . . 214 7.3.5 Filtros Anal ogicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215 7.4 Transformaci on de Frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . 215 Bibliograf a A Octave y Matlab B Respuestas a Problemas Indice alfab etico 219 221 225 231
Indice de tablas
1.1 2.1 2.2 2.3 2.4 Caracter sticas de las se nales . . . . . . . . . . . . . . . . . . . . . . . . . . Propiedades de se nales de variable discreta. . . . . . . . Propiedades de sistemas discretos. . . . . . . . . . . . . Ejemplo de convoluci on de dos secuencias nitas. . . . Forma general de la soluci on particular para diversos entrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . tipos . . . . . . . . . de . . . . . . . . . . . . . . . . . se nal de . . . . . 2
. 16 . 31 . 38 . 55
3.1 3.2 3.3 4.1 4.2 4.3 5.1 5.2 5.3 6.1
Propiedades de la transformada z bilateral. . . . . . . . . . . . . . . . . . . 69 Transformada z de algunas funciones comunes . . . . . . . . . . . . . . . . 72 Funciones de transferencia de segundo orden y equivalentes temporales . . 86 Propiedades de la Serie de Fourier . . . . . . . . . . . . . . . . . . . . . . . 94 Propiedades de la Transformada de Fourier . . . . . . . . . . . . . . . . . . 97 Propiedades de la DFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147 Est andar de coma otante IEEE 754-2008 . . . . . . . . . . . . . . . . . . 166 Algunos n umeros especiales en precisi on simple . . . . . . . . . . . . . . . 166 Algunos n umeros especiales en precisi on doble . . . . . . . . . . . . . . . . 167
+b2 z 0 +b1 z M odulos de segundo orden con funci on de transferencia H (z ) = b 1+a1 z 1 +a2 z 2 para sistemas en tiempo discreto. . . . . . . . . . . . . . . . . . . . . . . . 191
1 2
7.1 7.2 7.3 7.4 7.5 7.6
Simetr as en ltros FIR de fase lineal . . . . . . . . . . Funciones utilizadas como ventanas. . . . . . . . . . . . Descomposici on de ltros FIR en P ( ) y Q( ). . . . . Caracter sticas de Filtros Paso Bajo Anal ogicos . . . . Transformaciones de frecuencia para ltros anal ogicos. Transformaciones de frecuencia para ltros digitales. . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
203 204 210 215 216 217
vi
Indice de tablas
Indice de ejemplos
2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 2.10 2.11 2.12 2.13 2.14 2.15 2.16 2.17 2.18 2.19 2.20 2.21 2.22 2.23 4.1 4.2 Escal on unitario como suma de impulsos desplazados . . Operaciones b asicas con se nales . . . . . . . . . . . . . . Se nales de energ a y potencia . . . . . . . . . . . . . . . . Simetr a de funciones . . . . . . . . . . . . . . . . . . . . Descripci on entrada-salida . . . . . . . . . . . . . . . . . Salida de sistema acumulador . . . . . . . . . . . . . . . . Diagrama de bloques . . . . . . . . . . . . . . . . . . . . Invarianza en el tiempo . . . . . . . . . . . . . . . . . . . Sistemas lineales . . . . . . . . . . . . . . . . . . . . . . . Descomposici on en impulsos . . . . . . . . . . . . . . . . Convoluci on . . . . . . . . . . . . . . . . . . . . . . . . . Longitud de la convoluci on de dos se nales nitas . . . . . Reacci on de sistemas con respuesta exponencial . . . . . . Estabilidad y convergencia . . . . . . . . . . . . . . . . . Estabilidad y convergencia . . . . . . . . . . . . . . . . . Sistemas discretos recursivos y no recursivos . . . . . . . Linealidad de sistema de primer orden . . . . . . . . . . . Soluci on homog enea . . . . . . . . . . . . . . . . . . . . . Respuesta de entrada nula para sistema de segundo orden Respuesta de entrada nula con ra z de multiplicidad 2 . . Soluci on particular . . . . . . . . . . . . . . . . . . . . . . Soluci on total . . . . . . . . . . . . . . . . . . . . . . . . Respuesta impulsional de un sistema recursivo LTI . . . . Serie de Fourier de pulso rectangular continuo peri odico . Serie de Fourier de pulso rectangular continuo aperi odico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 15 18 20 27 28 31 32 33 36 37 38 40 45 45 47 50 52 52 53 54 55 56 92 96
vii
viii
Indice de ejemplos
Lista de s mbolos y abreviaciones

Notaci on general
A Matriz. a11 a12 a1m a21 a22 a2m A= . . . . . . . . . . . . an1 an2 anm + IN , IN Conjunto de los n umeros naturales sin cero IN+ = IN\{0}. IN, IN0 Conjunto de los n umeros naturales IN = {0, 1, 2, . . .}. Z Conjunto de los n umeros enteros Z = {. . . , 2, 1, 0, 1, 2, . . .}. Q Conjunto de los n umeros racionales Q = {q | q = n ; n, d Z}. d IR Conjunto de los n umeros reales. C Conjunto de los n umeros complejos. Cuanto. Distancia entre dos niveles de cuanticaci on. eq (t) o eq (n) Error de cuanticaci on. F Frecuencia en ciclos por unidad de tiempo para se nales de variable continua. f Frecuencia en ciclos por muestra para se nales de variable discreta. Fs Frecuencia de muestreo de una se nal anal ogica. Fs = 1/T h(n) Respuesta al impulso H ( ) Respuesta en frecuencia H ( ) Respuesta en fase | H ( ) | Respuesta en magnitud H (z ) Funci on de transferencia Im(z ) o zIm Parte imaginaria del n umero complejo z j j = 1 Mapeo de un dominio temporal al dominio frecuencial o z Mapeo de un dominio frecuencial al dominio temporal o z Re(z ) o zRe Parte real del n umero complejo z T [] Transformaci on realizada por un sistema T Intervalo de muestreo. T = 1/Fs Tp Periodo fundamental Tp = 1/F para se nales de variable continua. x(n) Se nal de variable discreta.
ix
Lista de s mbolos y abreviaciones
Vector.
y z
Escalar. Complejo conjugado de z Frecuencia angular en radianes por unidad de tiempo para se nales de variable continua. Frecuencia angular en radianes por muestra para se nales de variable discreta.
x1 x2 T x = [x1 x2 . . . xn ] = . . . xn
Abreviaciones
BIBO DSP FIR IIR LTI PDS SQNR Entrada acotada Salida acotada (bounded input bounded output ) Digital Signal Processing (o Processor ). Respuesta nita al impulso (Finite Impulse Response ) Respuesta innita al impulso (Innite Impulse Response ) Sistema lineal e invariante en el tiempo (Linear and Time Invariant ) Procesamiento Digital de Se nales. Relaci on se nal a ruido de cuanticaci on (signal to quantization noise ratio ).
Cap tulo 1 Introducci on

El Procesamiento Digital de Se nales (PDS) es un a rea de la ciencia y la ingenier a que se ha desarrollado r apidamente desde la segunda mitad del siglo XX. Tanto los aportes te oricos como de aplicaci on contin uan extendi endose desde y hacia varias a reas del saber. Los avances en el procesamiento y compresi on de audio y video, as como las nuevas tecnolog as en comunicaciones digitales (telefon a celular, modems ADSL, etc.) son quiz a los ejemplos de aplicaci on m as representativos del PDS.
1.1
Se nales
Para denir las tareas del PDS se requiere primero precisar el concepto de se nal , considerada aqu como aquella observaci on de una magnitud f sica en funci on de variables independientes de tiempo y espacio, realizada de tal modo que la se nal contenga informaci on de los procesos observados. En general, toda se nal contiene informaci on que se desea extraer o modicar de acuerdo a los requisitos de cada aplicaci on particular. Sism ografos, por ejemplo, registran se nales s smicas que contienen informaci on sobre intensidad y caracter sticas espectrales de los sismos, con ayuda de las cuales pueden determinarse entre otras cosas la ubicaci on de epicentros y la naturaleza de los s smos. Las se nales electrocardiogr acas permiten al m edico determinar el estado del coraz on de sus pacientes. La tabla 1.1 resume las caracter sticas utilizadas para clasicar las se nales. Las se nales son representadas por funciones matem aticas de una o m as variables. Una se nal de voz, por ejemplo, puede representarse como una funci on de una variable temporal f (t), im agenes se pueden considerar como funciones de dos variables espaciales f (x, y ), y v deo como una se nal espacio-temporal f (x, y, t). Las funciones pueden ser adem as escalares o vectoriales. Si la voz se captura con un micr ofono monof onico, la se nal el ectrica de salida tendr a por ejemplo un solo valor de tensi on el ectrica en cada instante de tiempo. Por otro lado, un electroencefalograma 1
1.1 Se nales
provee un conjunto o vector de se nales el ectricas provenientes de los diferentes electrodos para cada instante t: T f (t) = f1 (t) f2 (t) . . . fn (t) Otro ejemplo de se nales vectoriales utilizadas frecuentemente en ingenier a son las im agenes en color, en las que cada elemento de la imagen o pixel se representa como un vector en un espacio de color, donde las componentes del vector pueden, por ejemplo, representar los valores de los colores primarios rojo, verde y azul. A cada una de las componentes de las se nales vectoriales se les denomina usualmente canales y por lo tanto a la se nal se le denota como multicanal . Las variables de las que depende la se nal pueden ser discretas o continuas. La salida de un foto-transistor puede, por ejemplo, ser obtenida en todo instante de tiempo t (variable continua), mientras que el n umero de llamadas realizado por hora es una se nal que el ICE puede generar para instantes discretos de tiempo nT distanciados por un intervalo de T = 1 h (variable discreta). Los puntos donde la variable independiente de una se nal discreta est a denida no deben ser necesariamente equidistantes; sin embargo, usualmente este tipo de distribuci on homog enea de las muestras se utiliza por su conveniencia computacional y manejabilidad matem atica. Los valores que puede tomar una se nal pueden ser tambi en discretos o continuos. As , el voltaje del fototransistor puede tomar cualquier valor real en un intervalo, mientras que el n umero de llamadas es siempre un valor entero. Tambi en los valores de una funci on discreta pueden ser equidistantes o seguir otros patrones m as complejos (como el logar tmico). El t ermino digital se utiliza para se nales de variables independientes discretas y de valores discretos, mientras que anal ogica es una se nal con variables independientes continuas y valores continuos. El an alisis matem atico involucrado en el tratamiento de se nales digitales pueden simplicarse si se realiza a trav es de funciones de valor continuo y variable discreta, llamadas usualmente se nales en tiempo discreto, por representar la variable independiente generalmente instantes de tiempo denidos. Este ser a el enfoque utilizado en este documento. Un u ltimo criterio de car acter matem atico para clasicar las se nales es su naturaleza estad stica: las se nales pueden ser deterministas si puede especicarse con precisi on la forma de la funci on. Por ejemplo, para se nales determin sticas denidas en el tiempo, sus valores en el pasado, presente y futuro son siempre conocidos (por ejemplo, una Tabla 1.1: Caracter sticas de las se nales Caracter stica N umero de variables Dimensionalidad Variables independientes Valores de la se nal Naturaleza estad stica una variable escalar discretas discretos deterministas Valores multiples variables vectorial (multicanal) continuas continuos aleatorias
1 Introducci on
se nal senoidal). Por otro lado, las se nales aleatorias o estoc asticas solo permiten una descripcion aproximada de la forma de su funci on, por tener asociado un comportamiento impredecible (por ejemplo, un generador de ruido, una se nal s smica, una se nal ac ustica de voz). Asociado a la naturaleza estad stica de la se nal se distingue adem as entre se nales estacionarias y no estacionarias. Las se nales estacionarias son aquelas cuyos par ametros estad sticos no var an en el tiempo, lo que de ninguna manera implica que el valor de la se nal se constante. Por otro lado, la se nales no estacionarias tienen par ametros estad sticos que var an en el tiempo. En el presente texto se estudiar an se nales de una variable, de valor escalar, digitales y de naturaleza determinista. En cursos de procesamiento de im agenes se extienden los conceptos a se nales vectoriales (usualmente tres dimensiones) de dos variables discretas espaciales (x, y ). El an alisis de se nales estoc asticas es tema usual para cursos de posgrado; sin embargo, es en este curso introductorio donde se presentan todas las bases necesarias para comprender los conceptos avanzados. En principio las se nales pueden corresponder a cualquier tipo de magnitud f sica observada; sin embargo, por medios electr onicos solo se nales el ectricas pueden ser procesadas, por lo que usualmente se requieren transductores o sensores que realicen la correspondiente conversi on.
1.2
Sistemas
El t ermino sistema denota a una colecci on o conjunto de elementos interrelacionados que conforman un todo unicado. Su ra z etimol ogica es el t ermino latino syst ema, que a su vez proviene del griego relacionado con los conceptos combinar e instalar. Un sistema puede formar parte de otro sistema de mayor nivel, en cuyo caso al primero se le denomina subsistema del segundo. Los diferentes subsistemas intercambian por lo general informaci on, materia o energ a para lograr alg un objetivo. Los t erminos se nales de entrada o de salida se utilizan entonces para abstraer ese ujo de informaci on, materia o energ a en el concepto matem atico de funciones. El sistema entonces puede interpretarse como un conjunto de subsistemas que logran transformar una se nal en otra. Estos dispositivos pueden ser entes f sicos, como un circuito electr onico, o virtuales, como algoritmos implementados en software. En la literatura actual se tiende a diferenciar entre dos tipos de tareas de los sistemas: procesamiento y an alisis . Se dice que un sistema procesa una se nal si la se nal de salida tiene las mismas caracter sticas sem anticas de la entrada: por ejemplo, si la entrada representa una se nal de voz, la salida de un sistema procesador ser a tambi en voz aunque quiz a modicada para cumplir ciertos requisitos de la aplicaci on. Se dice que un sistema realiza an alisis de la se nal, si la salida tiene otra naturaleza sem antica a la entrada.
1.3 Elementos de un sistema PDS
Por ejemplo, un m odulo de un reconocedor de habla puede extraer de una se nal de voz informaci on sobre la presencia de la vocal a en ella. Usualmente el an alisis de una se nal se realiza a trav es de diversos pasos de procesamiento de la se nal, junto con tareas de reconocimiento o codicaci on de patrones. En resumen, el procesamiento digital de se nales1 , abreviado PDS o DSP por sus siglas en ingl es (Digital Signal Processing ) se reere al proceso de modicaci on de una se nal digital en un sistema, realizado para destacar o suprimir diferentes caracter sticas de la se nal que tienen alg un signicado especial para una aplicaci on en particular.
1.3
Elementos de un sistema PDS
La mayor a de las se nales en ciencia e ingenier a tienen una naturaleza anal ogica , es decir, tanto las variables independientes de las funciones que las representan como sus valores son continuos. Matem aticamente estas se nales se representan como funciones f (t) f : IR IR es decir, relaciones matem aticas que mapean valores reales en valores reales. Este tipo de se nales pueden ser tratadas directamente utilizando sistemas anal ogicos, como por ejemplo ltros pasivos o analizadores de frecuencia (gura 1.1).
Se nal de Entrada Anal ogica Procesador Anal ogico de Se nal Se nal de Salida Anal ogica
Figura 1.1: Procesamiento anal ogico de una se nal [15].
El procesamiento digital (gura 1.2) requiere transformar las se nales de entrada a un formato digital, es decir, a funciones f (n) f : Z Z. Esto ocurre en una etapa llamada conversi on anal ogica-digital (A/D). La se nal digitalizada es tratada luego en el procesador digital de se nales, que puede ser desde un computador de prop osito general, pasando por sistemas empotrados basados en microcontroladores, hasta circuitos digitales espec camente dise nados para realizar las tareas de procesamiento deseadas; sin embargo, las conguraciones programables tanto en software como en hardware recongurable son las que han brindado al procesamiento
En la literatura en castellano se encuentran los t erminos tratamiento o procesamiento de se nales como sin onimos. La preferencia de autores y traductores espa noles por el primero radica en la acepci on principal de proceso en la variante dialectal ib erica como causa civil o criminal, que no se aplica tanto en Latino Am erica.
1
1 Introducci on
Se nal de Entrada Anal ogica
Convertidor A/D
Procesador Digital de Se nal
Convertidor D/A
Se nal de Salida Anal ogica
Figura 1.2: Procesamiento digital de una se nal anal ogica [15].
digital una exibilidad inalcanzable con sistemas anal ogicos equivalentes. El vertiginoso avance en la electr onica digital ha permitido el uso cada vez m as generalizado de las t ecnicas digitales de procesamiento. En la actualidad hasta los m as peque nos tel efonos celulares utilizan algoritmos de alta complejidad que hace tan solo 15 a nos hubieran requerido computadores de gran tama no y costo. El u ltimo paso del procesamiento digital consiste en convertir la salida del bloque procesador a una se nal anal ogica, lo que ocurre en el llamado convertidor digital-anal ogico (D/A). En aplicaciones de an alisis de se nal, la u ltima etapa puede no ser necesaria, cuando la informaci on a extraer se obtiene directamente de las representaciones digitales.
1.4
Ventajas del procesamiento digital
Para poder representar una se nal anal ogica por medio de una se nal digital sin que sufra p erdidas de informaci on considerables, la se nal anal ogica debe ser digitalizada con una tasa de muestreo sucientemente alta (esto se analizar a con suciente detalle en cap tulos posteriores). La tecnolog a digital impone l mites de velocidad de procesamiento, que, aunque cada vez menos restrictivos, determinan los anchos de banda de se nales que pueden ser tratadas digitalmente. Es por esto que los sistemas anal ogicos siguen siendo irreemplazables en aplicaciones con se nales de anchos de banda en el orden de los gigaherz. Otro a mbito de dominio anal ogico son sistemas de bajo consumo de potencia (en el orden de los microwatts). Tanto los m odulos de conversi on ADC como DAC, as como los microcontroladores o microprocesadores digitales tendr an siempre un mayor consumo de potencia en la implementaci on de ltros digitales que ltros hom ologos anal ogicos, o de capacitores conmutados, implementados en tecnolog as integradas. En casos donde las se nales pueden ser digitalizadas sin perder informaci on de forma considerable y se cuenta con suciente tiempo y potencia para realizar las conversiones y los c alculos necesarios, es preferible utilizar un sistema digital sobre su equivalente anal ogico. Esto por varias razones: Los sistemas digitales son usualmente m as baratos y conables para el procesamiento de se nales. Como ya se mencion o, pueden utilizarse sistemas programables, por lo que a trav es de cambios en el software pueden modicarse o adaptarse sus caracter sticas, proveyendo as un alto grado de exibilidad en el dise no. Adem as, las precisiones alcanzables con sistemas digitales son usualmente mucho mayores que los circuitos anal ogicos, en los que el error acumulado en forma de ruido aumenta con cada etapa de procesamiento.
1.4 Ventajas del procesamiento digital
Un sistema digital funciona en toda su vida u til exactamente de la misma manera, y la fabricaci on de dispositivos asegurar a en todos ellos un comportamiento id entico. Esto contrasta con los dise nos anal ogicos, donde las caracter sticas de los componentes, pasivos y activos, var an con el tiempo y donde la tolerancia de cada componente alterar a en alguna medida el funcionamiento del sistema total. Adem as del envejecimiento de los circuitos, el funcionamiento de los sistemas anal ogicos tiende a ser m as sensible a cambios en la temperatura y a fuentes externas de interferencia que los sistemas digitales. En este sentido se dice que los sistemas digitales son m as robustos que los sistemas anal ogicos. Otra ventaja de los sistemas de procesamiento digital tiene que ver con las posibilidades de almacenamiento. Los niveles de ruido introducidos en sistemas de almacenamiento anal ogicos (como cintas magn eticas) son extremadamente altos comparados con el almacenamiento pr acticamente sin p erdidas (excepto las introducidas por la propia digitalizaci on) de se nales digitales. Por este motivo, con se nales digitales es m as factible realizar los llamados procesamientos fuera de l nea (o-line ), donde el tratamiento de la se nal se realiza en otro tiempo al de la captura de la se nal. Esto es muy u til por ejemplo en astronom a, donde las altas cantidades de informaci on capturadas por los radio-telescopios pueden ser entonces analizadas mucho despu es de la adquisici on de datos, sin riesgos de producir conclusiones incorrectas producto de imprecisiones del almacenaje. Otro ejemplo es el an alisis de im agenes m edicas, donde altos vol umenes de informaci on son analizados en procesos autom aticos o semi-autom aticos a posteriori en la detecci on de enfermedades y el planeamiento de operaciones quir urgicas. Pero quiz a una de las ventajas fundamentales del procesamiento digital es la complejidad alcanzable por medio de algoritmos de software, para los cuales pueden incluso no existir equivalentes anal ogicos. Debido a las consiguientes simplicaciones en los procesos de dise no de sistemas digitales y considerando la predictibilidad en el incremento de las capacidades de procesamiento y memoria (por ejemplo, por medio de la Ley de Moore), se acostumbra desarrollar los modernos y complejos algoritmos para el tratamiento digital de se nales utilizando equipos de alto costo y tal vez de dimensiones volum etricas que exceden las limitaciones espaciales, puesto que se asume que en los pr oximos a nos se podr a integrar y mejorar el hardware utilizado hasta satisfacer las expectativas de aparatos dom esticos. Como ejemplo, los nuevos est andares de codicaci on de video del grupo MPEG necesitan varios microprocesadores de u ltima generaci on para funcionar, y a un as no alcanzan las velocidades necesarias para desplegar los videos con la naturalidad deseada. Se parte del hecho que en un corto plazo los prototipos actuales podr an ser integrados y comercializados hasta en sistemas port atiles.
1 Introducci on
1.5
1.5.1
Aplicaciones
Areas de aplicaci on
Las aplicaciones del procesamiento digital de se nal son hoy en d a incontables. Las m as conocidas, pero no las u nicas, se resumen a continuaci on: Aplicaciones automotrices Control del motor, sistemas antibloqueo (ABS), sistemas de navegaci on, analisis de vibraci on, etc. Electr onica de consumo Radio y televisi on digital, sistemas de video (DVD, Blue-Ray, etc.), juguetes educativos, instrumentos musicales, sistemas de impresi on y despliegue, como monitores de plasma, LED, LCD, etc. Industria Control num erico, monitorizaci on de l neas de potencia, rob otica, sistemas de seguridad. Instrumentaci on Generaci on de funciones, emparejamiento de patrones, procesamiento s smico, an alisis espectral, an alisis de transcientes. Medicina Equipo de diagn ostico, monitorizaci on de pacientes, pr otesis auditivas, visuales y mec anicas, equipos de ultrasonido, tomograf a, MRI, etc. Telecomunicaciones Modems, ecualizadores de se nal, codicadores y decodicadores, telefon a celular, multiplexaci on, cancelaci on de eco, repetidores de se nal, compensaci on de canal, modulaciones de espectro ensanchado, video-conferencia, cifrado de datos Voz/Habla Vericaci on de locutor, mejoramiento de se nal, reconocimiento de habla, s ntesis de habla El tratamiento de se nales ac usticas es utilizado entre otros en el almacenamiento y transmisi on ecientes de sonido digital (MP3, OggVorbis, etc.), el procesamiento profesional de sonido en industria musical y cinematogr aca, el manejo de se nales de ultrasonido para elaboraci on de im agenes m edicas, o el procesamiento de voz humana, necesario para codicar, encriptar, reconocer o sintetizar el habla. El procesamiento de im agenes bidimensionales permite analizar las se nales obtenidas por medio de c amaras industriales, hoy en d a frecuentemente encontradas en las l neas de producci on; adem as, el procesamiento de im agenes tomadas por sat elite permiten identicar entre otras cosas el tipo de uso del suelo, facilitan la construcci on de mapas actualizados, etc. Esta a rea es central en la codicaci on y compresi on de se nales de video, tal y como los establecen los est andares MPEG (Motion Picture Expert Group).
1.5 Aplicaciones
El procesamiento de im agenes tridimensionales se utiliza por ejemplo en el an alisis y generaci on de im agenes de resonancia magn etica (MRI), utilizadas en medicina como instrumento de observaci on de tejidos internos de un paciente, sin tener la necesidad de utilizar procedimientos quir urgicos. Las t ecnicas modernas de an alisis permiten obtener mejores resoluciones y aumentar la conabilidad de la informaci on producida por sonares y radares. Por otro lado, el estudio digital de se nales s smicas y volc anicas permite incorporar t ecnicas de simulaci on y reconocimiento de patrones que mejoran la predicci on de zonas y periodos de riesgo. En los procesos de automatizaci on industrial el procesamiento digital es en la actualidad omnipresente, pues a pesar de que la mayor a de los sensores producen salidas anal ogicas, estas son transformadas casi inmediatamente a se nales digitales para permitir una transmisi on m as conable y sin mayores p erdidas a las unidades de procesamiento, para facilitar la aplicaci on de algoritmos de extracci on de la informaci on de inter es, y para hacer posible la utilizaci on de t ecnicas conables de almacenamiento de la informaci on, que puede ser la base luego para el mejoramiento de los procesos productivos, en el c alculo de costos, etc. En la preparaci on de se nales para su transmisi on y en su decodicaci on y mejoramiento del lado de los receptores, el procesamiento digital juega un papel cada vez m as importante. Un ejemplo lo representan los m odems utilizados actualmente para permitir enlaces de alta velocidad a trav es de las l neas telef onicas de cobre, denominado ADSL (Asymmetric Digital Subscriber Line ), donde el procesamiento digital es utilizado para codicar y decodicar las tramas y las se nales de acuerdo a los est andares de modulaci on digitales.
1.5.2
Algoritmos
Conceptos algor tmicos cl asicos del procesamiento digital, encontrados en las a reas de aplicaci on anteriores son: compresi on, cifrado, reconocimiento, identicaci on, sintetizaci on, eliminaci on de ruido, estimaci on espectral y ltrado, solo por mencionar algunos. La compresi on consiste en la reducci on de capacidad necesaria para almacenar o transmitir una se nal. En telefon a celular se nal de la voz es comprimida para poder transmitirla en anchos de banda relativamente peque nos, comparados con los utilizados en telefon a ja. Los est andares MPEG contienen sosticados algoritmos de compresi on de im agenes que permiten reducir en factores de 8 a 12 veces las se nales de video. El cifrado es necesario cuando la condencialidad de la informaci on en las se nales debe ser asegurada. Algoritmos complejos codican la informaci on de forma tal que solo el destinatario pueda decodicarla. Tareas de reconocimiento intentan inferir de patrones en la se nal, informaci on contenida de forma impl cita. Por ejemplo, de una se nal de voz puede reconocerse tanto el mensaje hablado, como el hablante (reconocimiento de habla y de voz, respectivamente). En im agenes m edicas pueden utilizarse algoritmos para reconocer tejidos malignos y benignos,
1 Introducci on
o en im agenes industriales pueden ser reconocidos caracteres, formas de productos, el ensamblaje correcto de partes, etc. La identicaci on est a relacionada con el reconocimiento. Aqu no se intenta descubrir una identicaci on para el contenido de una se nal, sino vericar que una identidad previamente dada es compatible con la se nal. M etodos de identicaci on se utilizan, junto con la encriptaci on, en aplicaciones de alta seguridad. La sintetizaci on permite producir se nales articiales similares a aquellas generadas a trav es de fen omenos f sicos. Es utilizada por ejemplo en la elaboraci on de efectos ac usticos e imitaci on de instrumentos musicales en sintetizadores de sonido. Otro ejemplo es la sintetizaci on de voz humana, utilizada en interfaces avanzadas hombre-m aquina. Las se nales transmitidas por canales anal ogicos usualmente son perturbadas con ruido , es decir, con alteraciones indeseables que no contienen ninguna informaci on relevante para la aplicaci on. Por medio del procesamiento digital es posible aplicar diversos algoritmos que permiten reducir el efecto de dichas distorsiones. El ltrado es un concepto b asico del procesamiento digital que forma parte de pr acticamente cualquier otro algoritmo. El sistema que realiza esta tarea se denomina ltro , y permite el paso de solo ciertas componentes de su se nal de entrada, y bloqueando el paso de otras. Algunos detalles ser an presentados en los cap tulos 4.5 y 7. La estimaci on espectral es utilizada en varias a reas de las comunicaciones para encontrar los rangos de frecuencias en que se concentra la energ a de una se nal (como en el caso del arriba mencionado ADSL).
1.5.3
Implementaci on
El dise no de algoritmos para resolver las tareas mencionadas anteriormente se fundamenta en teor as matem aticas que aseguran su funcionamiento bajo limitaciones pre-establecidas. Para cada algoritmo se puede elegir aquella estrategia de implementaci on que mejor satisfaga los requisitos de una aplicaci on particular. Esto puede involucrar plataformas de prop osito general, como un computador personal; plataformas empotradas, incluyendo tel efonos celulares, PDA, controles en m aquinas, etc. Seg un sea la demanda computacional requerida, estas plataformas se pueden basar en microprocesadores de prop osito general, o microcontroladores especializados en el tratamiento de se nales digitales (PDS, Procesadores Digitales de Se nales) hardware recongurable, que se emplea en aplicaciones de alto desempe no, para el cual los PDS no tienen sucientes prestaciones, circuitos integrados de aplicaci on espec ca (ASIC), utilizados si se espera una producci on en masa (como decodicadores del formato de audio Mp3) implementaci on de circuitos de procesamiento en tiempo discreto.
10
1.5 Aplicaciones
En la u ltima estrategia la se nal nunca es convertida a un formato digital, pero se incluye aqu por basarse su dise no en las teor as de an alisis de se nales en tiempo discreto, a tratar en este documento. El desarrollo de tecnolog as de implementaci on de algoritmos ha tendido en los u ltimos a nos a simplicar los procesos, de modo que utilizando lenguajes de alto nivel (como por ejemplo el lenguaje C, o MatLab) sea posible obtener con los compiladores adecuados el c odigo optimizado para el procesador particular utilizado o incluso la descripci on en VHDL o Verilog del circuito que realiza la tarea descrita en C. Esto reduce costos al acelerar los procesos de implementaci on y evita el entrenamiento de los ingenieros en tecnolog as cuya vigencia se restringe a unos pocos a nos. Sin embargo, en casos con restricciones cr ticas es inevitable recurrir ya sea a la optimizaci on de algoritmos en ensamblador del PDS empleado o la optimizaci on manual de los circuitos.
1.5.4
Casos
Los codicadores de voz (o codecs) utilizados en telefon a celular son un ejemplo de algoritmos complejos imposibles de realizar con circuitos anal ogicos, al menos en el tama no de un tel efono celular actual. En GSM, por ejemplo, la se nal anal ogica adquirida por el micr ofono es muestreada a 8 kHz, con 13 bits por muestra, lo que equivale a 104 000 bit/s. Seg un la calidad deseada o disponible, la salida de los codecs reducen el ancho de banda a un rango entre 4,75 kbit/s y 13 kbit/s, es decir, permiten factores de compresi on de 21 a 8 veces. Otro caso impresionante es el de los diversos algoritmos para compresi on de video. Considerando que una imagen de televisi on tiene 320200 pixels aproximadamente y cada pixel necesita 24 bits para ser representado digitalmente con suciente precisi on, entonces una sola imagen necesita, sin compresi on alguna, 187,5 kB para ser almacenada. Un segundo de video, asumiendo una frecuencia de 30 im agenes por segundo, necesitar a 5,6 MB. Una pel cula que tarde 90 minutos requerir a entonces m as de 30 GB, lo que ser a imposible de almacenar en las tecnolog as actuales de DVD. Solo con los sosticados algoritmos de codicaci on de video y sonido pueden almacenarse no solo la se nal de video, sino varias versiones ac usticas en diferentes idiomas, y materiales adicionales con video y audio, en poco m as de 4 GB de espacio, con factores de compresi on m as de 10 veces. La implementaci on de los codicadores y decodicadores se realiza en circuitos integrados de aplicaci on espec ca tanto en las c amaras comerciales, como en las unidades de DVD y Blue-ray. Incluso los sistemas de transmisi on de radio y televisi on modernos est an cambiando de ser completamente anal ogicos a conceptos digitales. Los nuevos formatos de televisi on de alta denici on (HDTV) son completamente digitales, que no ser an pr acticos sin la presencia de los algoritmos para el procesamiento y compresi on adecuadas de las se nales en cuesti on. Los discos Blue-Ray se utilizan para almacenar v deo apto para HDTV. Soportan el formato 1080p24, lo que implica una resoluci on de 19201080 p xeles con exploraci on
1 Introducci on
11
progresiva2 , as como una tasa de 24 cuadros por segundo. Una imagen tiene as casi 2,1 millones de p xeles que requieren un espacio de 5,93 MB de almacenamiento sin compresi on. Esto implica que para la tasa de 24 im agenes por segundo se requiere almacenar 142,4 MB por cada segundo de v deo sin comprimir. La tasa de transmisi on de datos estandarizada para este formato de HDTV es de 4,5MB/s, que es un factor aproximadamente 32 veces menor al de la se nal cruda (sin compresi on). Las t ecnicas de compresi on del v deo utilizan algoritmos de PDS m as avanzados que sus equivalentes en un DVD, para lograr alcanzar dicha tasa y as poder almacenar todos los datos (v deo, texto, audio) en un disco con 25 GB de capacidad. Medicina es quiz a una de las areas que m as ventajas ha tomado del procesamiento digital de se nales. Las nuevas tecnolog as de visualizaci on de ultrasonido permiten por ejemplo la reconstrucci on de una imagen tridimensional del feto en el vientre de la madre, ayudando as al ginec ologo a tomar las precauciones del caso cuando algo no est e en orden. El manejo digital de tomograf as computarizadas y de im agenes de resonancia magn etica permite la visualizaci on de tejidos internos en formatos legibles para los m edicos. Los equipos m as modernos permiten incluso hacer uso de la llamada realidad aumentada, donde im agenes reconstruidas a partir de las mediciones se superponen a las reales para guiar a los cirujanos en operaciones delicadas. La creaci on de pr otesis cada vez m as complejas es tambi en posible gracias a las t ecnicas de procesamiento digital. El implante de c oclea, por ejemplo, permite a personas sordas volver a escuchar utilizando el an alisis digital de las se nales ac usticas obtenidas con un micr ofono. Similar a este u ltimo se trabaja en la actualidad en los implantes de retina, donde complejos algoritmos de PDS intentan transformar la se nal capturada por una c amara en impulsos el ectricos que pueden ser acoplados al nervio o ptico en el ojo de personas ciegas.
la exploraci on progresiva implica que la imagen se genera progresivamente l nea por l nea en un solo cuadro, y es lo opuesto a la exploraci on entrelazada, donde la imagen se genera a trav es de dos cuadros, uno que contiene las l neas pares y otro con las impares.
12
1.6 Problemas
1.6
Problemas
Problema 1.1. Busque un ejemplo de se nal para cada una de las 32 posibles combinaciones de las caracter sticas de las se nales indicadas en la Tabla 1.1. Problema 1.2. Una se nal puede clasicarse seg un cinco criterios: (Una variable (Escalar (Discretas (Discretas (Determinista o o o o o Multiples variables) Vectorial ) Continuas ) Continuas ) Aleatoria )
N umero de variables Dimensi on del valor Variables independientes Valores de la se nal Naturaleza estad stica
Utilice las letras may usculas indicadas en negrita para identicar las caracter sticas de las se nales a continuaci on. Si alguna caracter stica no se aplica o puede interpretarse con cualquier valor de la propiedad, ind quelo con . Se nal Caracter stica N um. Variables (U/M/) Estad stica (D/A/)
Dimensi on (E/V/)
Variables (D/C/)
Imagen tomada por una c amara digital a color Registro mensual de la posici on de una bandada de aves migratorias Se nales de salida de un micr ofono est ereo Se nal digital Se nal anal ogica
Valores (D/C/)
Cap tulo 2 Se nales y Sistemas de Variable Discreta

2.1 Se nales de variable discreta
Sea x(n) una se nal de variable discreta, es decir, una funci on denida para n entero. La gura 2.1 muestra una t pica representaci on gr aca de una se nal de este tipo. A n se le denomina n umero de muestra y a x(n) la n- esima muestra de la se nal.
x (n )
Figura 2.1: Representaci on gr aca de una funci on real de variable discreta x(n).
N otese que x(n) no est a denida para n no entero. Un error com un es considerar que la se nal es cero entre las muestras, cuando en realidad all simplemente la funci on no est a denida. La suposici on de que la se nal es cero entre muestras es v alido solo para una se nal de variable real x(t), que es otro concepto diferente. Adem as de la representaci on gr aca se utilizan aqu otras tres notaciones: 1. Funcional: 1 para n = 1 el resto para 2 n 4
x(n) =
Esta representaci on es la forma m as compacta de representar se nales cuyo comportamiento puede ser expresado directamente por expresiones algebraicas cerradas. 13
5n 0
14
2. Tabular n . . . -1 0 1 2 3 4 5 . . . x(n) . . . 0 0 1 3 2 1 0 . . . En programas computacionales como MatLab[12] u Octave[5] las se nales se representan con esta notaci on, donde las dos las de la tabla se interpretan como dos arreglos de datos independientes. 3. Como secuencia. Una secuencia de duraci on innita con el origen en n = 0 (indicado con ) se representa como x(n) = {. . . , 0, 0, 1, 3, 2, 1, 0, . . .}
Si la secuencia es 0 para n < 0 se suele representar como x(n) = {0, 1, 3, 2, 1, 0, . . .}
y si es nita x(n) = {0, 1, 3, 2, 1}
Si la secuencia inicia en cero, entonces usualmente se omite la echa: x(n) = {0, 1, 3, 2, 1} Por su brevedad y simpleza notacional, esta ser a la representaci on de se nales de preferencia en el presente texto.
2.1.1
Manipulaciones elementales de se nales de variable discreta
Se describen a continuaci on algunas transformaciones elementales para se nales de variable independiente discreta (o tiempo discreto). Estas transformaciones son la base de operaciones m as complejas en el procesamiento digital de se nales y se utilizar an a menudo en este y los siguientes cap tulos. Desplazamiento La se nal x(n) se desplaza k muestras sustituyendo la variable n por n k . Si k > 0 la se nal se retarda k muestras y si k < 0 la se nal se adelanta k muestras. En la manipulaci on fuera de l nea (o-line ) ambos tipos de desplazamiento son posibles; sin embargo, en sistemas de tiempo real o en l nea (on-line ), solo el retraso de la funci on es realizable. Ejemplo 2.1 Utilizando desplazamientos exprese el escal on unitario u(n) en t erminos de una suma de impulsos (n) desplazados. Soluci on:
2 Se nales y Sistemas de Variable Discreta
15
u(n) = (n) + (n 1) + (n 2) + . . . =
i=0
(n i)
2.1
Reexi on Consiste en plegar la se nal x(n) en el instante n = 0, sustituyendo la variable n por su inverso aditivo n. N otese que las operaciones de reexi on y desplazamiento no son conmutativas, es decir, no es lo mismo reejar una se nal y luego retardarla k unidades que retardar la se nal y luego reejarla, puesto que: x((n) k ) = x(n k ) = x((n k )) = x(n + k )
Desplazamiento, Reexi on Reexi on, Desplazamiento
Escalado de variable o submuestreo En el escalado de variable o submuestreo (en ingl es downsampling ) se sustituye la variable + discreta n por n con IN . Si la se nal anal ogica original xa (t) fue muestreada de forma homog enea con el intervalo de muestreo T entonces x(n) = xa (nT ), de donde se deriva que x(n) = xa (n(T )). Esto implica que el submuestreo equivale a utilizar un intervalo de muestreo de mayor duraci on, igual a T . Suma, multiplicaci on y escalado de secuencias Todas estas operaciones afectan la amplitud de las muestras de una secuencia. Escalado de amplitud: y (n) = Ax(n) Suma de secuencias: y (n) = x1 (n) + x2 (n) Producto: y (n) = x1 (n)x2 (n) Ejemplo 2.2 Dadas las secuencias x1 (n) = ur (n) = {0, 1, 2, 3, 4, 5, 6, . . .}
x2 (n) = (1)n ur (n) = {0, 1, 2, 3, 4, 5, 6, . . .} x3 (n) = {0, 0, 1}
16
Calcule la secuencia x4 (n) = 2x3 (2 n) x1 (2n 1) + x2 (4 n)u(n) Soluci on: El primer t ermino 2x3 (2 n) corresponde a una reexi on seguida por un atraso (de la reexi on), escalado por un factor 2. Esto resulta en 2x3 (2 n) = {2}
El segundo t ermino representa un submuestreo retrasado: x1 (2n 1) = {0, 1, 3, 5, 7 . . .}
El primer factor del tercer t ermino contiene una inversi on atrasada: x2 (4 n) = {. . . , 6, 5, 4, 3, 2, 1, 0}
y al multiplicarlo por el escal on unitario u(n) se eliminan todas las muestras anteriores a n = 0: x2 (4 n)u(n) = {4, 3, 2, 1, 0}
Finalmente, se deben combinar estos tres resultados parciales aditivamente: x4 (n) = {6, 4, 1, 6, 7, 9, 11, 13 . . .}
2.2
2.1.2
Clasicaci on de se nales de variable discreta
La tabla 2.1 presenta cinco propiedades que caracterizan a las se nales de variable discreta. Tabla 2.1: Propiedades de se nales de variable discreta. Propiedad Clasicaci on Se nal Se nal Se nal Se nal Se nal de potencia aperi odica asim etrica no acotada innita
Energ a Se nal de energ a Periodicidad Se nal peri odica Simetr a Se nal sim etrica Acotaci on Se nal acotada Longitud Se nal nita
17
p(t) =
i (t ) v (t ) R
|v (t)|2 v (t)v (t) = R R

t
p(t) = i(t)i (t)R = |i(t)|2 R

t
e(t) =
p( ) d
t
e(t) =
2
p( ) d
t
1 = R
|v ( )| d
=R
|i( )|2 d
Figura 2.2: Potencia instant anea p(t) y energ a e(t) de una se nal anal ogica.
Se nales de energ a y potencia La gura 2.2 muestra el c alculo de potencia instant anea p(t) y de energ a disipada e(t) en un circuito el ectrico simple. El valor de resistencia R representa una constante que u nicamente repercutir a en factores de escala de las funciones p(t) y e(t), es decir, el valor de R no altera la forma de p(t) o e(t). Usualmente, a las funciones de forma |f (t)|2 se les denomina entonces funciones de potent cia de f (t) y a su integral hasta el instante t, |f (t)|2 dt, funci on de energ a de f (t), por la similitud con las funciones de energ a y potencia en el circuito mostrado (asuma por ejemplo R = 1 ). De forma an aloga, para una se nal de variable discreta x(n) se dene su energ a total como

E=
n=
x(n)x (n) =
n=
|x(n)|2
donde el uso de la magnitud de la se nal permite aplicar la denici on a se nales de valor complejo. Si E es nita entonces a x(n) se le denomina se nal de energ a . Muchas se nales de energ a innita poseen potencia promedio nita: P = lim 1 |x(n)|2 N 2N + 1 n=N
N
En caso de que P sea nita, se dice que x(n) es una se nal de potencia . Si se dene la energ a EN de x(n) en un intervalo nito como
N
EN =
n=N
|x(n)|2
entonces E = lim EN
N
y la potencia promedio puede entonces tambi en expresarse como 1 P = lim EN N 2N + 1 con lo que se deriva que si E es nita entonces P = 0 y a su vez que si P > 0 entonces E , o en otras palabras, toda se nal de potencia tiene energ a innita.
18
Ejemplo 2.3 Especique si el escal on unitario u(n), la rampa ur (n) y la se nal expoj0 n nencial x(n) = Ae son se nales de energ a o potencia. Soluci on: 1. Si x(n) = u(n) entonces 1 P = lim |u(n)|2 N 2N + 1 n=N 1 = lim N 2N + 1 = lim
N N
1
n=0
N +1 1 = N 2N + 1 2
lo que implica que u(n) es una se nal de potencia. 2. Para la se nal rampa unitaria ur (n) se tiene que 1 |ur (n)|2 P = lim N 2N + 1 n=N 1 = lim N 2N + 1 = lim
N 2N N N
n2
n=0
1 N (N + 1)(2N + 1) = +1 6 por lo que no es ni se nal de energ a ni se nal de potencia al ser tanto E como P innitas. 3. La se nal x(n) = Aej0 n , A IR, tiene una potencia media P = lim 1 |u(n)|2 N 2N + 1 n=N
N N
1 = lim N 2N + 1 = lim
n=0
|A|2
1 |A|2 (N + 1)|A|2 = N 2N + 1 2 y es por lo tanto una se nal de potencia.

2.3
Se nales acotadas y no acotadas Una se nal x(n) se dice ser acotada (en ingl es bounded signal ) si existe un n umero real positivo nito M tal que |x(n)| < M para todo n. Por el contrario, si la magnitud de cualquier muestra es innita, entonces la se nal no es acotada. Esta propiedad es fundamental para el concepto de estabilidad de sistemas, que se revisar a con detalle posteriormente.
19
Se nales peri odicas y aperi odicas Una se nal es peri odica con periodo N (N > 0) si y solo si x(n + N ) = x(n), para todo n (2.1)
El valor m as peque no de N para el que se cumple lo anterior se denomina periodo fundamental . Si no existe ning un N que satisfaga (2.1) la se nal es entonces aperi odica. Se demostrar a en la siguiente secci on como ejemplo particular que la se nal x(n) = k cos(2f0 n) es peri odica si y solo si f0 es un n umero racional f0 = N , donde si k y N son primos relativos entonces el periodo es exactamente N . Si una se nal peri odica no toma valores innitos (es decir, es una se nal acotada) entonces es a su vez una se nal de potencia, por ser su potencia promedio nita e igual al promedio en un periodo: P = 1 N
N 1
n=0
|x(n)|2
Se nales pares e impares Una se nal es sim etrica o par si x(n) = x(n) Se dice ser asim etrica o impar si x(n) = x(n) en cuyo caso siempre debe cumplirse que x(0) = 0. As umase que toda se nal x(n) se puede expresar como la suma de una se nal par xp (n) y otra se nal impar xi (n), de forma que x(n) = xp (n) + xi (n) Considerando la naturaleza par e impar de las componentes se debe cumplir x(n) = xp (n) + xi (n) = xp (n) xi (n) (2.4) (2.3) (2.2)
(2.5)
Sumando y restando (2.4) y (2.5) se despeja xp (n) = x(n) + x(n) 2 xi (n) = x(n) x(n) 2 (2.6)
20
Ejemplo 2.4 Dada una se nal x(n) = {0, 1, 2} encuentre sus componentes par e impar.
Soluci on: Para calcular la componente par se realiza la suma de la se nal con su reexi on, y luego se divide por dos: x(n) x(n) x(n) + x(n) xp (n) =
x(n)+x(n) 2
= { 0, = { 2, = { 2,
0, 1, 1,
0,
1, 0, 1,
2 } 0 } 2 }
0,
0,

= { 1, 1/2, 0, 1/2, 1 }
Para calcular la componente impar se le substrae la reexi on a la se nal, y luego se divide por dos: x(n) = { 0, 0, 0, 1, 2 }

x(n) x(n) x(n) xi (n) =

x(n)x(n) 2
= {
2,
1, 1,
0, 0,
0, 1,
0 } 2 }
= { 2,
= { 1, 1/2, 0, 1/2, 1 }
2.4
Se comprueba directamente que se cumple x(n) = xp (n) + xi (n). Se nales herm ticas y anti-herm ticas
Una se nal de valor complejo se denomina herm tica (sim etrica conjugada o par conjugada) si cumple x(n) = x (n) (2.7) de lo que se deduce que |x(n)| = |x(n)|
Re{x(n)} = Re{x(n)} es decir, tanto la magnitud como la parte real de una se nal herm tica tienen simetr a par. Por otro lado arg x(n) = arg x(n)
Im{x(n)} = Im{x(n)} lo que indica que el argumento ( angulo o fase) y la parte imaginaria de una se nal herm tica son se nales impares. La se nal es anti-herm tica (asim etrica conjugada o impar conjugada) si cumple x(n) = x (n)
(2.8)
21
de lo que se deduce que |x(n)| = |x(n)|
Im{x(n)} = Im{x(n)} es decir, tanto la magnitud como la parte imaginaria de una se nal anti-herm tica tienen simetr a par. Por otro lado arg x(n) = arg x(n) que no tiene exhibe ninguna simetr a, aunque si se multiplica ambos lados de la ecuaci on por dos se obtiene 2 arg x(n) = 2 2 arg x(n) 2 arg x(n) = 2 arg x(n)
es decir, el doble del a ngulo tiene simetr a impar. Para la parte real de la funci on anti-herm tica se cumple Re{x(n)} = Re{x(n)} es decir, tiene simetr a impar. As umase ahora que es posible realizar una descomposici on lineal de cualquier funci on x(n) de valor complejo en una componente herm tica xh (n) y otra anti-herm tica x (n), de forma que x(n) = xh (n) + x (n) (2.9)
Considerando la naturaleza herm tica y anti-herm tica de las componentes se debe cumplir x (n) = x h (n) + x (n) = xh (n) x (n) Sumando y restando (2.9) y (2.10) se despeja x(n) + x (n) xh (n) = 2 x(n) x (n) x (n) = 2 (2.11)
(2.10)
2.2
Se nales sinusoidales y el concepto de frecuencia
El estudio cl asico de se nales se basa en su representaci on como combinaci on de una serie de se nales elementales con un comportamiento conocido o predecible en los sistemas con que se trabaja. En cursos anteriores se han introducido conceptos del an alisis de Fourier, transformada de Laplace, donde las se nales elementales se caracterizan por su frecuencia y fase respecto a alguna referencia com un. El concepto de frecuencia ser a revisado en las siguientes secciones, donde se apreciar an las diferencias que existen entre los dominios discreto y continuo. El punto de partida para el an alisis ser an la funciones sinusoidales, como representantes espectrales puras.
22
2.2 Se nales sinusoidales y el concepto de frecuencia
2.2.1
Se nal sinusoidal continua
Una oscilaci on arm onica simple se describe matem aticamente a trav es de la se nal continua [15]: xa (t) = A cos(t + ), < t < (2.12) donde el sub ndice a indica que es una se nal anal ogica. A representa la amplitud de la se nal, es la frecuencia angular en radianes por segundo (rad/s) y es la fase en radianes. Es tambi en com un utilizar la frecuencia F en ciclos por segundo o Hertz (Hz) con = 2F con lo que (2.12) se puede expresar como xa (t) = A cos(2F t + ), < t < .
Si F es constante, entonces xa es peri odica xa (t + Tp ) = xa (t) con per odo fundamental Tp = 1/F (gura 2.3).
x (t ) A A cos
0
Tp = 1/F
Figura 2.3: Ejemplo de una se nal anal ogica sinusoidal.
2.2.2
Se nal sinusoidal discreta
La se nal sinusoidal en tiempo discreto se expresa como x(n) = A cos(n + ), < n < (2.13)
con la variable entera n Z (tambi en denominada n umero de muestra ), A la magnitud, es la frecuencia en radiantes por muestra y la fase en radianes. De forma similar al caso continuo, puede utilizarse = 2f para reescribir (2.13) como x(n) = A cos(2 f n + ), < n < . (2.14)
23
En este caso las dimensiones de la frecuencia son ciclos por muestra, y tal como estas unidades lo indican, usualmente tiene valores menores que la unidad. La gura 2.4 muestra un ejemplo con f = 1/12 y = /3.
x(n)
Figura 2.4: Ejemplo de una se nal sinusoidal discreta ( = /6 y = /3) [15].
Periodicidad de un sinusoide discreto Por denici on una se nal de variable discreta x(n) es peri odica con periodo N (N > 0) si y solo si x(n + N ) = x(n) para todo n (2.15) El menor valor de N para el que se cumple (2.15) se denomina periodo fundamental . Una se nal sinusoidal de frecuencia f0 es peri odica si cos (2 f0 (N + n) + ) = cos (2 f0 n + ) lo que se cumple solo si existe un entero k tal que 2 f0 N = 2k o, en otros t erminos k (2.16) N que es siempre un n umero racional. Esto quiere decir, que una se nal sinusoidal discreta con un valor irracional de frecuencia no es peri odica. f0 = Para determinar el periodo fundamental de una se nal sinusoidal se expresa su frecuencia como en (2.16) y se simplican los factores comunes de tal forma que k y N formen n umeros primos relativos. Por ejemplo si f1 = 5/32 = 0,15625 el periodo fundamental es N = 32, pero si la frecuencia es f2 = 4/32 = 0,125 el periodo fundamental es N = 8 (gura 2.5). Esto quiere decir que a un cuando los valores de frecuencia se encuentren relativamente cerca, sus periodos pueden cambiar radicalmente.
24
x(n)

x(n)
(a)
(b)
Figura 2.5: Comparaci on de dos frecuencias cercanas en se nales de variable discreta. (a) Frecuencia f = 5/32, periodo N = 32. (b) Frecuencia f = 4/32, periodo N = 8. La l nea punteada denota una se nal continua con frecuencia equivalente para simplicar la comparaci on.
Equivalencia de frecuencias en sinusoides discretos Consid erese de nuevo la se nal sinusoidal cos(0 n + ). Es f acil de obtener que: cos ((0 + 2 )n + ) = cos(0 n + 2n + ) = cos(0 n + ) por lo que todas las secuencias sinusoidales xk (n) = A cos(k n + ), con k = 0 + 2k son id enticas. Por otro lado, las secuencias de cualesquiera dos se nales sinusoidales discre1 1 tas con frecuencias en el rango ( o 2 f 2 ) son diferentes. Combinando los resultados anteriores se obtiene que cualquier secuencia sinusoidal de frecuencia | | > 1 1 ( o |f | > 2 ) tiene una se nal equivalente con | | ( o |f | 2 ). A las frecuencias | | 1 ( o |f | 2 ) se les considera frecuencias fundamentales y a las frecuencias | | > ( o 1 |f | > 2 ) se les denomina alias . Equivalencia de frecuencias entre sinusoides continuos y discretos Para analizar la relaci on entre frecuencias continuas y discretas as umase que una se nal anal ogica xa (t) = cos(2F t) se muestrea cada Ts unidades de tiempo para dar origen a la se nal en tiempo discreto x(n) = xa (nTs ) = cos(2f n). La igualdad es posible solo si los argumentos de las se nales cosenoidales son iguales, por lo que 2f n = 2F nTs
k = 0, 1, 2, . . .
25
y deniendo la frecuencia de muestreo Fs = 1/Ts entonces f= F Fs
de donde se deriva el nombre de frecuencia normalizada para f . De modo similar se deriva para las frecuencias angulares con s = 2Fs que = 2 s
Tasa m axima de oscilaci on Consid erese ahora la secuencia sinusoidal x0 (n) = cos(0 n) para el rango de frecuencias 0 [0, ]. La gura 2.6 muestra algunos casos particulares como ejemplo. Se puede apreciar que la tasa de oscilaci on aumenta conforme la frecuencia aumenta.
x(n) x(n) x(n)
0 = 0 (f = 0)
x(n)
0 = /6 (f = 1/12)
x(n)
0 = /3 (f = 1/6)
0 = /2 (f = 1/4)
0 = (f = 1/2)
Figura 2.6: Secuencia sinusoidal con diferentes frecuencias.
Ahora, para analizar el caso de frecuencias angulares mayores que consid erese el caso especial de 1 = 2 0 . Si 0 [0, ] entonces 1 [, 2 ] de tal forma que si 0 aumenta 1 disminuye.
26
Debido a que x1 (n) = A cos(1 n) = A cos((2 0 )n) = A cos(0 n) = x0 (n) la frecuencia angular 1 es un alias de 0 . De aqu se concluye que si la frecuencia angular aumenta de hacia 2 la tasa de oscilaci on se reduce, al representar estos alias frecuencias que bajan de a 0. De forma similar al caso de senoides de variable continua puede utilizarse la identidad de Euler en el caso discreto para introducir el concepto de frecuencia negativa: x(n) = A cos(n + ) = A j (n+) A j (n+) e + e 2 2
Debido a que las se nales sinusoidales de variable discreta con frecuencias separadas por un entero m ultiplo de 2 son id enticas, entonces todas las frecuencias en un intervalo [0 , 0 + 2 ] representan todas las frecuencias existentes para estas se nales. En otras palabras, el rango de frecuencias distinguibles para sinusoides de variable discreta es nito con un ancho de banda de 2 . Usualmente se utilizan los rangos de frecuencias 1 1 angulares [, ] (f [ 2 , 2 ]) o [0, 2 ] (f [0, 1]) y reciben el nombre de rango fundamental .
2.2.3
Exponenciales complejos relacionados arm onicamente
Las se nales de variable continua sk (t) = ejk0 t = ej 2kF0 t k = 0, 1, 2, . . .
se denominan se nales exponenciales relacionadas arm onicamente. El periodo fundamental de la se nal sk (t) es 1/(kF0 ) = Tp /k , lo que equivale a una frecuencia fundamental de kF0 . Puesto que una se nal peri odica con periodo Tp /k es tambi en peri odica con periodo k (Tp /k ) = Tp con k Z entonces todas las se nales sk (t) tienen como periodo com un Tp . El nombre proviene de la relaci on de estas funciones con las oscilaciones de una cuerda, que tienen relaciones arm onicas (mantienen los nodos externos jos) cuando las frecuencias son m ultiplos enteros de una frecuencia fundamental. En este caso de variable continua, para k1 = k2 se cumple siempre que sk1 (t) = sk2 (t), o en otros t erminos, existe un n umero innito de se nales complejas relacionadas arm onicamente j 2F0 t con e . Para el caso de se nales exponenciales complejas de variable discreta, puesto que son se nales peri odicas solo si su frecuencia es racional, se escoge f0 = 1/N y se dene el conjunto de se nales relacionadas arm onicamente como sk (n) = ejk0 n = ej 2kf0 n k = 0, 1, 2, . . . (2.17)
A diferencia del caso continuo se tiene para k1 = k + N sk+N (n) = ej 2

(k+N ) n N
= ej 2 N ej 2n = ej 2 N = sk (n)
kn
kn
27
Esto signica que en el caso discreto solo existen N se nales complejas relacionadas arm onicamente, donde todos los miembros del conjunto descrito en (2.17) tienen como periodo com un N muestras.
2.3
Sistemas en tiempo discreto
A los dispositivos que operan sobre se nales de variable discreta (o tiempo discreto) se les denomina sistemas discretos . En general, reciben una se nal de entrada x(n) para producir una se nal de salida y (n). Se dice que el sistema transforma x(n) en y (n), lo que se expresa como y (n) = T [x(n)] donde T [] representa al operador de transformaci on o procesamiento realizado por el sistema sobre x(n) para producir y (n).
2.3.1
Descripci on entrada-salida de sistemas
La descripci on de entrada-salida dene la relaci on entre x(n) y y (n). La estructura interna del sistema es desconocida o ignorada, es decir, el sistema se considera como una caja negra cuyo funcionamiento interno no interesa, sino el comportamiento espec co ante cierta entrada (gura 2.7).
x(n)
Sistema Discreto
y (n)
Figura 2.7: Entrada-salida de un sistema discreto
Ejemplo 2.5 Determine la salida de los siguientes sistemas para la entrada x(n) = 1. 2. 3. 4. 5. 6. 3 |n| para 2 n 2 en el resto
y (n) = x(n) y (n) = x(n 2) y (n) = x(n + 1) y (n) = 1 [x(n + 1) + x(n) + x(n 1)] 3 y (n) = max {x(n + 1), x(n), x(n 1)} y (n) = n k= x(k )
Soluci on:
28
2.3 Sistemas en tiempo discreto
1. Al sistema y (n) = x(n) se le denomina identidad , pues su salida es id entica a la entrada: y (n) = {1, 2, 3, 2, 1}
2. El sistema y (n) = x(n 2) retarda la entrada dos muestras: y (n) = {1, 2, 3, 2, 1}.
3. El sistema y (n) = x(n + 1) adelanta la se nal una unidad y solo puede ser realizado fuera de l nea, por ser imposible en un sistema de tiempo real determinar el valor de una muestra en el futuro: y (n) = {1, 2, 3, 2, 1}.
4. El ltro de media mobil y (n) = 1 [x(n + 1) + x(n) + x(n 1)] calcula el promedio 3 de tres muestras: y (n) = {1/3, 1, 2, 7/3, 2, 1, 1/3}.
5. El ltro de rango y (n) = max {x(n + 1), x(n), x(n 1)} entrega el valor m aximo de la muestra actual, la anterior y la futura: y (n) = {1, 2, 3, 3, 3, 2, 1}. Este ltro
puede considerarse como ltro paso bajos. 6. El acumulador y (n) = n on discreta de la entrada: k= x(k ) realiza la integraci y (n) = {1, 3, 6, 8, 9, 9, . . .}. N ote que el acumulador puede reescribirse como
n n1
y (n) =
k=
x( k ) =
k=
x(k ) + x(n) = y (n 1) + x(n)
y (n1)
2.5
En general, la salida y (n) en el instante n puede depender no solo de la muestra actual x(n), sino tambi en de la se nal en instantes anteriores y posteriores a n. Adem as, la salida de un sistema puede depender de un estado interno. Por ejemplo, en el acumulador y (n) = y (n 1) + x(n) si una secuencia de entrada se aplica en dos instantes de tiempo distintos, las dos reacciones del sistema dieren, dependiendo de la historia anterior del sistema y (n1). Para determinar la salida del acumulador en un instante n0 es necesario conocer y (n0 1). El c alculo de la secuencia de salida y (n) para todo instante n > n0 tiene como condici on inicial al valor y (n0 1), que en cierta forma resume todo el pasado del sistema. Si todas las condici ones iniciales son cero se dice que el sistema estaba en reposo . Siempre se asume que en n = todo sistema estuvo en reposo. La salida de un sistema en reposo puede expresarse entonces utilizando u nicamente la se nal de entrada, puesto que por denici on todas las salidas anteriores son cero. En la literatura se encuentra el t ermino condiciones de reposo iniciales (IRC, Initial Rest Conditions ) para indicar que se asume y (n) = 0 para n < n0 donde la entrada deja de ser cero justo en n0 y x(n) = 0 para n < n0 . Adem as, se utiliza el concepto de condiciones de reposo nales (FRC, Final Rest Conditions ) para indicar el caso contrario, es decir, se asume que y (n) = 0 para n > n0 , y la entrada se hace cero justo despu es de n0 , es decir, x(n) = 0 para n > n0 .
29
Ejemplo 2.6 Determine la salida del sistema acumulador para la entrada x(n) = nu(n) con condici on inicial y (1) = . Soluci on:
n 1 n
y (n) =
k=
x(k ) =
k=
x(k ) +
k=0 y (1)=
k =+
n(n+1) 2
n(n + 1) 2
Recuerde que
n k=0 k n k=0 k n k=0 k n k=0 n k=0
2 2
= = =
1 n n+1
+ 2 + 3 + ... + n + n 1 + n 2 + ... + 1 + n + 1 + n + 1 + ... + n + 1
k = n(n + 1) =
n(n+1) 2
2.6
2.3.2
Diagramas de bloques
En el cap tulo anterior se indic o que un sistema est a conformado por subsistemas, es decir, bloques de procesamiento de se nal con tareas espec cas dentro del sistema total. Este concepto se aplica recursivamente, de tal modo que un subsistema se descompone a su vez en otros subsistemas m as sencillos, que a su vez pueden estar constituidos por otros subsistemas, y as sucesivamente, hasta llegar a ciertos componentes elementales descritos a continuaci on.
Sumador El sumador es un bloque sin memoria, que se representa como lo indica la gura 2.8. Tal
x1 (n) x2 (n)
y (n) = x1 (n) + x2 (n)
Figura 2.8: Diagrama de un sumador.
y como lo indica su nombre, su tarea es sumar dos se nales o m as se nales muestra por muestra.
30
Multiplicador por constante El multiplicador por constante es un bloque sin memoria, que se representa como lo indica la gura 2.9. Se utiliza para escalar toda una secuencia por un mismo factor.
x (n ) a y (n) = ax (n)
Figura 2.9: Diagrama de un multiplicador por constante.
Multiplicador de se nal El multiplicador de se nal es un bloque sin memoria, que se representa como lo indica la gura 2.10, y que genera una nueva secuencia a partir de los productos entre muestras de
x1 (n) y (n) = x1 (n)x2 (n)
x2 (n)
Figura 2.10: Diagrama de un multiplicador de se nales.
las se nales de entrada correspondientes a un mismo instante n.
Retardador de un elemento El retardador es un bloque con memoria de longitud 1, representado como lo indica la gura 2.11. Es uno de los elementos de procesamiento digital m as utilizados. Su
x (n ) y (n) = x (n 1)
z 1
Figura 2.11: Diagrama de elemento retardador.
s mbolo est a muy relacionado con las propiedades de la transformada z que se analizar an posteriormente.
Adelantador de un elemento El adelantador no es realizable f sicamente y solo existe en sistemas de tratamiento de se nales fuera de l nea. Se representa como lo indica la gura 2.12.

x (n ) y (n) = x (n + 1)
31
Figura 2.12: Diagrama de elemento adelantador.
Ejemplo 2.7 Realice el diagrama de bloques para 1 1 1 y (n) = y (n 1) + x(n) + x(n 1) 4 2 2 Soluci on: N otese primero que esta expresi on puede reescribirse de la siguiente forma: 1 1 y (n) = y (n 1) + (x(n) + x(n 1)) 4 2 con lo que se deriva f acilmente el diagrama mostrado en la gura 2.13.
1 2
(2.18)
y (n ) z 1
x (n ) z 1
1 4
Figura 2.13: Diagrama de bloques de la ecuaci on 2.18.
2.7
2.3.3
Clasicaci on de los sistemas discretos
Un sistema se dice tener una determinada propiedad, si dicha propiedad se cumple para todas las se nales de entrada posibles. Un contraejemplo basta para descartar que un sistema posea una determinada propiedad. La tabla 2.2 resume las propiedades de sistemas discretos, que se detallan a continuaci on. Tabla 2.2: Propiedades de sistemas discretos. Propiedad Clasicaci on din amico invariante en el tiempo no lineal no causal inestable
Memoria Sistema est atico Sistema Varianza Sistema variante en el tiempo Sistema Linealidad Sistema lineal Sistema Causalidad Sistema causal Sistema Estabilidad Sistema estable Sistema
32
Sistemas est aticos y din amicos En un sistema est atico, o sin memoria, la salida y (n) depende solo de la entrada x(n) en el mismo instante n, y no de las entradas pasadas o futuras. Todos los otros casos son sistemas din amicos. Si la salida y (n) depende de las entradas de x(n N ) a x(n) se dice que el sistema tiene memoria de duraci on N , donde N puede ser nita o innita. Por ejemplo, y (n) = ax(n) + nx2 (n) + bx3 (n) representa un sistema est atico, mientras que n y (n) = k=0 ak x(n k ) es un sistema din amico. Sistemas variantes e invariantes en el tiempo Un sistema T en reposo es invariante en el tiempo o invariante al desplazamiento si y solo si T T x(n) y (n) x(n k ) y (n k ) En el diagrama de bloques de la gura 2.14 el sistema T es invariante en el tiempo si y solo si la salida d(n) es cero para todas las entradas x(n) y para todos los valores de retardo k .
T x (n ) z
k
z k d (n ) T
Figura 2.14: Vericaci on de la invarianza en el tiempo.
Ejemplo 2.8 Determine si los siguientes sistemas son o no invariantes en el tiempo: 1. y (n) = x(n) x(n 1) 2. y (n) = x(n) cos(0 n) Soluci on: El sistema y (n) = x(n) x(n 1) es invariante en el tiempo. Para demostrarlo se calcula la respuesta del sistema en reposo a la entrada desplazada x(n k ), que resulta en yk (n) = x(n k ) x(n k 1). La respuesta a x(n), retrasada k muestras es y (n k ) = x(n k ) x(n k 1). Como y (n k ) = yk (n) el sistema es invariante en el tiempo. El sistema modulador y (n) = x(n) cos(0 n) es variante en el tiempo, puesto que su respuesta yk (n) a x(n k ) es yk (n) = x(n k ) cos(0 n), y la repuesta a x(n), retardada k muestras es y (n k ) = x(n k ) cos(0 (n k )) que es diferente a yk (n). 2.8
33
Sistemas lineales y no lineales Un sistema es lineal si satisface el teorema de superposici on, es decir, para cualesquiera dos constantes a1 , a2 y para toda se nal x1 (n) y x2 (n) se cumple T [a1 x1 (n) + a2 x2 (n)] = a1 T [x1 (n)] + a2 T [x2 (n)] . (2.19)
La gura 2.15 ilustra un esquema de vericaci on de linealidad, donde el sistema es lineal si y solo si para todo par de entradas x1 (n) y x2 (n) y para cualesquiera dos constantes a1 , a2 siempre la salidad d(n) es cero.
x1 (n) a1 T a1 a2 d (n )
x2 (n)
a2 T T
Figura 2.15: Vericaci on de linealidad.
Como consecuencia de (2.19) todo sistema lineal cumple la propiedad multiplicativa o de escalado T [a1 x1 (n)] = a1 T [x1 (n)] (2.20) y la propiedad aditiva T [x1 (n) + x2 (n)] = T [x1 (n)] + T [x2 (n)] . El principio de superposici on puede generalizarse para M se nales como
M M
x(n) =
k=1
ak xk (n) y (n) =
k=1
ak T [xk (n)]
De la propiedad de escalado se deduce adem as que un sistema lineal en reposo con entrada cero (x(n) = 0, n Z) debe tener como salida una se nal nula y (n) = 0. Si para un sistema la propiedad de superposici on no se cumple, entonces el sistema se dice ser no lineal. Ejemplo 2.9 Compruebe si los siguientes sistemas son lineales. 1. y (n) = nx(n) 2. y (n) = x(n2 )
34
3. y (n) = x2 (n) 4. y (n) = Ax(n) + B 5. y (n) = ex(n) Soluci on: 1. Para el sistema 1 se obtiene primero la respuesta del sistema a una entrada igual a la suma ponderada de dos se nales x1 (n) y x2 (n), es decir, para una entrada total x(n) = a1 x1 (n) + a2 x2 (n) y se obtiene yT (n) = n(a1 x1 (n) + a2 x2 (n)) = a1 nx1 (n) + a2 nx2 (n). Ahora, la suma ponderada de las salidas del sistema para x1 (n) y x2 (n) por separado es yS (n) = a1 y1 (n) + a2 y2 (n), con y1 (n) = nx1 (n) y y2 (n) = nx2 (n), lo que es igual a yS (n) = a1 nx1 (n) + a2 nx2 (n). Como yT (n) = yS (n) se puede armar que el sistema y (n) = nx(n) es lineal. 2. Para y (n) = x(n2 ) las salidas yT (n) = a1 x1 (n2 )+ a2 x2 (n2 ) y yS = a1 x1 (n2 )+ a2 x2 (n2 ) son id enticas y por tanto el sistema es lineal. 2 2 2 3. Para y (n) = x2 (n) la salida yT (n) = (a1 x1 (n) + a2 x2 (n))2 = a2 1 x1 (n) + a2 x2 (n) + 2 2 2 2a1 a2 x1 (n)x2 (n) y la salida yS (n) = a2 1 x1 (n) + a2 x2 (n) evidentemente son diferentes y por tanto el sistema no es lineal. 4. Para y (n) = Ax(n) + B la salida yT (n) = A(a1 x1 (n) + a2 x2 (n)) + B y la salida yS (n) = Aa1 x1 (n) + B + Ax2 (n) + B = Aa1 x1 (n) + Ax2 (n) + 2B dieren para todo B = 0 y por tanto el sistema, a pesar de su apariencia, no es lineal. 5. Para y (n) = ex(n) la salida yT = ea1 x1 (n)+a2 x2 (n) = ea1 x1 (n) ea2 x2 (n) y la salida yS = ea1 x1 (n) + ea2 x2 (n) son diferentes y por tanto el sistema tampoco es lineal.
2.9
Sistemas causales y no causales Un sistema es causal si y (n) depende u nicamente de las entradas presentes y pasadas (x(n), x(n 1), x(n 2), . . .), y salidas pasadas (y (n 1), y (n 2), . . .), pero no de las entradas o salidas futuras (x(n +1), x(n +2), . . .; y (n +1), y (n +2), . . .). En caso contrario, el sistema es no causal. Sistemas que funcionan en l nea deben ser causales por la imposibilidad de determinar el valor de la entrada o la salida en el futuro. A una se nal x(n) que es cero para n 0 y diferente de cero para n < 0 se le denomina se nal anticausal . Las implicaciones de la causalidad junto con la linealidad e invarianza en el tiempo no son triviales, y se profundizar a en ellas en los pr oximos cap tulos.
Sistemas estables e inestables Un sistema arbitrario en reposo se denomina estable de entrada acotada - salida acotada (BIBO: bounded input bounded output ) si toda entrada acotada produce una salida
35
acotada: |x(n)| Mx < |y (n)| My < ,

T
n Z
Basta con que alguna entrada acotada produzca una salida no acotada (es innita), para que el sistema sea inestable .
2.3.4
Interconexi on de sistemas discretos
Hay dos maneras fundamentales de interconectar sistemas discretos: interconexi on en cascada (o serie) e interconexi on paralela (gura 2.16). La interconexi on en cascada se describe con sistemas de la forma: y (n) = T2 [T1 [x(n)]] = Tc [x(n)] En general, el orden de los bloques para la conexi on en cascada es relevante. Sin embargo, si los sistemas son lineales e invariantes en el tiempo entonces Tc es a su vez lineal e invariante en el tiempo, y T1 [T2 []] = T2 [T1 []]. La interconexi on en paralelo se describe por y (n) = T1 [x(n)] + T2 [x(n)] = Tp [x(n)] .
T1 x (n ) T1 y1 (n) (a) T2 y (n ) x (n ) T2 (b) y2 (n) y1 (n)
y (n )
Figura 2.16: Interconexi on de sistemas discretos. (a) Cascada. (b) Paralelo
2.4
An alisis de sistemas discretos lineales e invariantes en el tiempo
El an alisis de sistemas se simplica enormemente si estos son lineales e invariantes en el tiempo (LTI: Linear and Time Invariant ).
2.4.1
T ecnicas de an alisis
Existen dos m etodos b asicos para el an alisis del comportamiento de un sistema: 1. Descomposici on de la se nal de entrada en se nales elementales, cuya respuesta es conocida. 2. Soluci on de la ecuaci on de diferencias.
36
2.4 An alisis de sistemas discretos lineales e invariantes en el tiempo
La soluci on de la ecuaci on de diferencias se revisar a en la secci on 2.5. El concepto fundamental del an alisis de sistemas lineales por descomposici on es el siguiente: sup ongase que la entrada x(n) puede expresarse como una suma ponderada de funciones elementales {xk (n)} x(n) = ck xk (n)
k
donde ck son los coecientes de ponderaci on o pesos de la descomposici on de la se nal x(n). Si la respuesta del sistema en reposo a xk (n) es yk (n), es decir yk (n) = T [xk (n)] entonces con la propiedad de linealidad se obtiene y (n) = T [x(n)] = T ck xk (n) =
k k
ck T [xk (n)] =
ck yk (n)
k
En otras palabras, si el sistema es lineal, la respuesta y (n) del sistema a una entrada x(n) es igual a la suma ponderada de las repuestas yk (n) a cada una de las componentes xk (n) en que se puede descomponer x(n), donde adem as los coecientes ck de ponderaci on de las salidas corresponden a los coecientes de ponderaci on de la entrada. En esta descomposici on, la elecci on de las funciones elementales depender a de las caracter sticas de las se nales a evaluar. Dos clases de funciones son usuales: impulsos ( (n k )) y funciones exponenciales complejas ejk n , esta u ltima utiliz andose frecuentemente en el llamado an alisis frecuencial (ver cap tulo 4). En los u ltimos a nos ha cobrado fuerza el uso de otras familias de funciones elementales caracterizadas a partir de la teor a de wavelets, tema que sin embargo excede el marco de este curso.
2.4.2
Descomposici on de una se nal en impulsos
Utilizando impulsos desplazados como funciones elementales puede expresarse cualquier se nal x(n) como:
x(n) =
k=
x(k ) (n k )
Ejemplo 2.10 Descomponga la se nal x(n) = {0, 1, 2, 1, 1/2, 1}
en sus impulsos. Soluci on:

37
Esta se nal puede expresarse como x(n) = 1 (n 1) + 2 (n 2) 1 (n 3) 1 (n 4) + 1 (n 5) 2

2.10
2.4.3
Convoluci on
Si se denota con h (n, k ) la respuesta del sistema a un impulso desplazado k unidades (n k ) h (n, k ) = T [ (n k )] entonces la salida de un sistema lineal puede calcularse con las repuestas elementales a dichos impulsos desplazados: y (n) =
k
ck yk (n) =
k
x(k )h (n, k )
donde se han utilizado xk (n) = (n k ) como entradas elementales y por lo tanto los coecientes ck = x(k ). Si el sistema es adem as invariante en el tiempo, entonces con h(n) = T [ (n)] se tiene que h (n, k ) = h(n k ) y por lo tanto
y (n) =
k=
x(k )h(n k ) = x(n) h(n)
que se denomina sumatoria de convoluci on . Se dice entonces que la respuesta del sistema LTI y (n) a una entrada x(n) es igual a la convoluci on de x(n) con la respuesta al impulso h(n). Esto quiere decir que en un sistema LTI en reposo su respuesta a cualquier entrada puede determinarse con solo conocer dicha entrada y la respuesta al impulso h(n). El c alculo de la convoluci on involucra cuatro pasos: 1. Reexi on de h(k ) con respecto a k = 0 para producir h(k ). 2. Desplazamiento del origen de h(k ) hacia el punto n que se desea calcular. 3. Multiplicaci on de x(k ) y h(n k ) para obtener la secuencia producto vn (k ) = x(k )h(n k ). 4. Suma de todos los valores de vn (k ) para obtener y (n). Los pasos del 2 al 4 deben realizarse para todo instante n que se dese e calcular. Ejemplo 2.11 Determine la respuesta a la se nal de entrada x(n) = {1, 2, 3, 1}
38
de un sistema LTI con respuesta al impulso h(n) = {1, 2, 1, 1}
Soluci on: Siguiendo el procedimiento indicado, primero se calcula la reexi on de la respuesta al impulso h(k ) = {1, 1, 2, 1} .
Los pasos siguientes se resumen en la tabla 2.3. Tabla 2.3: Ejemplo de convoluci on de dos secuencias nitas. 2. Desplazamiento 3. Multiplicaci on por x(k ) = {1, 2, 3, 1}

4. Suma
h(1 k )={1, 1, 2, 1}
v1 ={0, 0, 0, 1, 0, 0, 0} y1 =1 v0 ={0, 0, 2, 2, 0, 0}
h(0 k )={1, 1, 2, 1}
y0 =4 y1 =8 y2 =8 y3 =3 y4 =-2 y5 =-1
h(1 k )={1, 1, 2, 1}
v1 ={0, 1, 4, 3, 0}
h(2 k )={1, 1, 2, 1}
v2 ={1, 2, 6, 1}
h(3 k )={0, 1, 1, 2, 1}
v3 ={0, 2, 3, 2}
h(4 k )={0, 0, 1, 1, 2, 1}
v4 ={0, 0, 3, 1}
h(5 k )={0, 0, 0, 1, 1, 2, 1}
v5 ={0, 0, 0, 1}
Con lo que resulta la se nal de salida en y (n) = {1, 4, 8, 8, 3, 2, 1}
2.11
Ejemplo 2.12 Para el caso en que la entrada x(n) y la respuesta impulsional h(n) sean de longitud nita, calcule la longitud de la salida en t erminos de las longitudes de x(n) y h(n). Soluci on: Una se nal nita tiene longitud N si el intervalo m as peque no con muestras diferentes de cero tiene N muestras. Asuma que los ndices menor y mayor de la entrada x(n) son ki y kf respectivamente, y los de la respuesta impulsional h(n) son li y lf (gura 2.17). La longitud de x(n) es entonces Nx = kf ki + 1, y la longitud de la respuesta impulsional es Nh = lf li + 1.

x (n ) h (n )
39
ki
kf
li
lf
Figura 2.17: Indices de las se nales de entrada y repuesta impulsional.
El desplazamiento menor nmin para el que puede haber salida es (gura 2.18): nmin = ki + li
x (k )
ki h (n k )
kf
lf
li nmin = ki + li
Figura 2.18: Menor desplazamiento para el que puede haber salida.
El desplazamiento mayor nmax para el que puede haber salida es (gura 2.19): nmax = kf + lf La longitud de la se nal de salida es entonces Ny = nmax nmin + 1
= (kf + lf ) (ki + li ) + 1 + (1 1) = (kf ki + 1) + (lf li + 1) 1 = Nx + Nh 1
es decir, el resultado de la convoluci on tiene una longitud que es tan solo una muestra menor que la suma de las longitudes de las dos se nales sobre las que ella opera. 2.12 En el ejemplo anterior se observa que para los valores nmin y nmax , es decir, los l mites del intervalo de muestras donde existe salida no nula, es irrelevante qu e funci on representa la entrada y qu e funci on representa la respuesta al impulso del sistema. Esto indica cierta
40

x (k )
ki
kf h (n k )
lf nmax = kf + lf
li
Figura 2.19: Mayor desplazamiento para el que puede haber salida.
simetr a en la convoluci on. Con un simple cambio de variables es posible demostrar que la convoluci on es de hecho totalmente conmutativa, y no solo el valor de sus ndices:

y (n) = x(n) h(n) = =
k=
x(k )h(n k ) h(k )x(n k )
=
m=nk m=
x(n m)h(m)
k=
= h(n) x(n) Ejemplo 2.13 Encuentre a trav es de la convoluci on la respuesta de un sistema con respuesta exponencial al impulso: h(n) = an u(n), ante el escal on unitario u(n). Soluci on: Obs ervese que an = en ln a , con lo que se establece la relaci on con los sistemas anal ogicos de respuesta exponencial ha (t) = et/ (gura 2.20). Para encontrar m as detalles de esta relaci on as umase que la se nal ha (t) se discretiza en el tiempo con un intervalo de muestreo T: T ! ha (nT ) = enT / = en ln a ln a = a = eT / Puede observarse que este tipo de sistemas anal ogicos solo permiten a 0, mientras que los sistemas discretos permiten adem as a < 0 sin ninguna complejidad computacional adicional. Para determinar la salida y (n) del sistema con la entrada escal on unitario u(n) se utiliza
|a| < 1 .

R
1 t/ vsal = e ,
41
vent (t ) = (t )
vsal (t )
= RC
Figura 2.20: Circuito anal ogico con respuesta exponencial al impulso.
la sumatoria de convoluci on:

y (n) =
k=
x(n k )h(k ) =
k=
u(n k )h(k )
(2.21)
Puesto que las secuencias producto son 0 para n < 0 entonces y (n) = 0 para n < 0. Evaluando entonces (2.21) para varios n se obtiene: y (0) = h(0) = 1 y (1) = h(0) + h(1) = 1 + a y (2) = h(0) + h(1) + h(2) = 1 + a + a2 . . .
n n
y (n) =
k=0
h(k ) =
k=0
ak
Recordando
n k k=0 a n k k=0 a a) n k=0
a (1 con lo que se deriva
ak
= 1 +a +a2 + . . . +an = a +a2 + . . . +an +an+1 = 1 an+1
ak =
k=0
1 an+1 1a
1 . 1a
Si |a| < 1 entonces lim an+1 = 0 lo que implica que y () = n un ejemplo de la respuesta para a = 0,9.
La gura 2.21 muestra
N otese la similitud con la respuesta del sistema anal ogico al escal on continuo de la forma t/ k (1 e ). M as tarde en el curso se retomar an estas similitudes. 2.13
42
x(n)
10 9 8 7 6 5 4 3 2 1 0 0
1 1 a
n
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Figura 2.21: Respuesta al sistema exponencial con a = 0,9.
2.4.4
Propiedades de la convoluci on
Conmutatividad y (n) = x(n) h(n) = h(n) x(n)

x (n ) y (n ) h (n ) y (n )
h (n )
x (n )
Figura 2.22: Representaci on de la propiedad de la convoluci on de conmutatividad.
Asociatividad [x(n) h1 (n)] h2 (n) = x(n) [h1 (n) h2 (n)]

x (n ) h 1 (n ) h 2 (n ) x (n ) h 1 (n ) h 2 (n )
Figura 2.23: Representaci on de la propiedad de la convoluci on de asociatividad.
Distributividad x(n) [h1 (n) + h2 (n)] = x(n) h1 (n) + x(n) h2 (n) Las tres propiedades pueden generalizarse para m as de dos subsistemas.
43
h 1 (n ) x (n ) h 1 (n ) + h 2 (n ) h 2 (n ) y (n ) x (n ) y (n )
Figura 2.24: Representaci on de la propiedad de la convoluci on de distributividad.
2.4.5
Sistemas LTI causales
En un sistema causal la salida en n = n0 depende solo de valores de entrada x(n) para n n0 , es decir, de valores pasados. Como
1
y (n0 ) =
k=
h(k )x(n0 k ) =
k=0
h(k )x(n0 k ) +
Muestras pasadas y actual
k=
h(k )x(n0 k )
Muestras futuras
se deriva que h(k ) = 0 para todo k 1, pues solo as la salida podr a ser independiente de entradas futuras. Dado que h(n) es la respuesta impulsional de un sistema LTI en reposo, h(n) = 0 para n < 0 es condici on necesaria y suciente para la causalidad. Un sistema es causal entonces si y solo si h(n) = 0, n < 0. Si un sistema es causal entonces la convoluci on puede simplicarse en
n
y (n) =
k=0
h(k )x(n k ) =
k=
x(k )h(n k )
Generalizando, a una secuencia x(n) con x(n) = 0 para alg un n < 0 se le denomina secuencia no causal, y de lo contrario, secuencia causal. A secuencias con x(n) = 0 para n 0 y con x(n) = 0 para alguna muestra con n < 0 se les denomina secuencias anticausales . Si tanto la entrada x(n) como la respuesta impulsional son causales, entonces la convoluci on se simplica en:
n n
y (n) =
k=0
h(k )x(n k ) =
k=0
x(k )h(n k )
N otese que esta respuesta es a su vez causal, es decir, y (n) = 0 para todo n < 0.
2.4.6
Estabilidad de sistemas lineales e invariantes en el tiempo
Un sistema se dice estable si para toda entrada acotada su salida es tambi en acotada: |x(n)| Mx < |y (n)| My < n
44
Dada la convoluci on y (n) =
k=
h(k )x(n k )
y su valor absoluto

|y (n)| =
k=
h(k )x(n k ) |h(k )|
k=
|h(k )||x(n k )|
k=
|h(k )|Mx
|y (n)| Mx
k=
lo que implica que |y (n)| es acotada solo si
Sh =
k=
|h(k )|
En consecuencia un sistema LTI es estable si su respuesta impulsional es absolutamente sumable. Esta condici on es necesaria y suciente. Si h(n) no es absolutamente sumable entonces, derivado de lo anterior, deber a existir al menos una entrada que produce una salida no acotada y por tanto el sistema es inestable. Si para un sistema con respuesta al impulso h(n) se elige como entrada la se nal x(n) =
h (n) |h(n)|
para h(n) = 0
para h(n) = 0
basta entonces con demostrar que existe alg un valor de n para el que y (n) no est a acotada para concluir inestabilidad. Por ejemplo, calc ulese y (0)
y (0) =
k=
x(k )h(k ) =
|h(k )|2 = |h(k )| = Sh | h ( k ) | k= k=
Quiere decir que si h(n) no es absolutamente sumable (Sh ) entonces la salida no es acotada y el sistema es inestable. La condici on k= |h(k )| < implica que h(n) tiende a cero cuando n , lo que a su vez implica que si la entrada x(n) es cero para todo n > n0 entonces la salida tiende a cero para n :
N 1
y (n0 + N ) =
k=
h(k )x(n0 + N k ) +
(x(n)=0,n>n0 )
k=N
h(k )x(n + N k )
=0
|y (n0 + N )| =
k=N
h(k )x(n + N k )
k=N
|h(k )||x(n + N k )| Mx
Mx
k=N
|h(k )|
45
Si N entonces limN
k =N
|h(k )| = 0 y de ah que lim y (n0 + N ) = 0.

N
Esto implica que en un sistema estable cualquier excitaci on de duraci on nita a la entrada produce una respuesta transitoria, es decir, una respuesta cuya amplitud decrece y se anula con el tiempo. Ejemplo 2.14 Determine el rango del par ametro a para el que el sistema LTI de resn puesta al impulso h(n) = a u(n) es estable. Soluci on: El sistema es estable si

k=0
|ak | =
k=0
|a|k = 1 + |a| + |a|2 + . . .
converge. Esto ocurre si y solo si |a| < 1 y esta suma converge a
k=0
|ak | =
1 1 | a|
2.14
Ejemplo 2.15 Determine el rango de valores de a y b para los cuales el sistema LTI de respuesta an n 0 h(n) = bn n < 0 es estable. Soluci on: La condici on de estabilidad es
1
n=
|h(n)| =
n=
|b| +
n=0
|a| =
n=1
1 b
+
n=0
|a|n =
1 |b| + |b| 1 1 |a|
Converge si |b| > 1
Converge si |a| < 1

2.15
El sistema es estable si |a| < 1 y si |b| > 1.
2.4.7
Sistemas de respuesta nita e innita
Es u til distinguir los sistemas entre aquellos con una respuesta nita al impulso (FIR: Finite Impulse Response ) y aquellos con respuesta innita al impulso (IIR: Innite Impulse Response ) por las consideraciones pr acticas que los distintos conceptos conllevan:
46
2.5 Sistemas discretos descritos mediante ecuaciones de diferencias
la implementaci on de los primeros se puede realizar directamente, mientras que algunos de los segundos pueden realizarse por medio de ecuaciones de diferencias. Para los sistemas causales FIR la convoluci on se reduce a
M 1
y (n) =
k=0
h(k )x(n k ),
h(k ) = 0, k < 0 k M
(2.22)
El sistema se comporta como una ventana que solo permite ver M muestras para calcular la salida. Se dice que el sistema FIR tiene memoria nita de M muestras.
2.5
Sistemas discretos descritos mediante ecuaciones de diferencias
El c alculo de la convoluci on: y (n) =

k=
h(k )x(n k )
s olo es posible para sistemas FIR, puesto que en el caso de sistemas IIR se requerir a de una memoria innita para almacenar h(n), y un n umero innito de multiplicaciones y adiciones para calcular una sola muestra de la salida. Las llamadas ecuaciones de diferencias permiten trabajar con sistemas IIR.
2.5.1
Sistemas discretos recursivos y no recursivos
Un sistema es recursivo si su salida en el instante n depende de valores anteriores de la salida, y (n 1), y (n 2), . . .: y (n) = F [y (n 1), y (n 2), . . . , y (n N ), x(n), x(n 1), . . . , x(n M )] donde F [] denota una funci on cualquiera, y sus argumentos son las entradas y salidas presentes y pasadas. El sistema es no recursivo si solo depende de las entradas presentes y pasadas, mas no de salidas pasadas: y (n) = F [x(n), x(n 1), . . . , x(n M )] N otese que los sistemas LTI FIR causales, cuya salida se expresa como la suma nita de convoluci on (2.22) no son recursivos. El lazo de realimentaci on da origen a una diferencia fundamental en el c alculo de la salida: La salida recursiva debe determinarse en orden, pues para calcular y (n0 ) se necesitan todos los N valores anteriores, mientras que en un sistema no recursivo las salidas anteriores no son necesarias y se puede calcular un valor directamente para cualquier n.

x (n ) F [x (n), x (n 1), x (n 2), ... , x (n M )] y (n ) Sistema no recursivo
47
x (n )
F [y (n 1), ... , y (n N ) x (n), ..., x (n M )] z 1
y (n )
Sistema recursivo
Figura 2.25: Diagrama de bloques de sistemas recursivos y no recursivos.
Ejemplo 2.16 Determine una expresi on recursiva para el sistema de media acumulativa. Soluci on: El sistema de media acumulativa y (n) = es recursivo pues
n n
1 n+1
x( k )
k=0
(n + 1)y (n) =
k=0 n1
x(k )
ny (n 1) = (n + 1)y (n) = y (n) =
x(k )
k=0 n1
k=0
x(k ) + x(n) = ny (n 1) + x(n)
n 1 y (n 1) + x(n) n+1 n+1 1 = (ny (n 1) + x(n)) n+1
(2.23)
N otense los coecientes no constantes para la salida anterior y (n 1) y la entrada actual n 1 x(n), que son n+1 y n+1 respectivamente; estos implican que el sistema es variante en el tiempo. La gura 2.26 muestra el diagrama de bloques correspondiente.
2.16
2.5.2
Sistemas LTI caracterizados por ecuaciones de diferencias con coecientes constantes
Los sistemas descritos por ecuaciones de diferencias con coecientes constantes son una subclase de los sistemas recursivos y no recursivos.
48

1 n+1 x (n ) y (n )
z 1 n
Figura 2.26: Diagrama de bloques del sistema de media acumulativa.
Consid erese un sistema causal representado por (ver adem as la gura 2.27) y (n) = ay (n 1) + x(n)
x (n ) y (n )
z 1
Figura 2.27: Diagrama de bloques de un sistema LTI.
que a pesar de su similitud con (2.23), diere por la naturaleza de los coecientes, lo que tiene implicaciones sobre la invarianza en el tiempo. En este u ltimo caso, el coeciente a es constante y el sistema es invariante en el tiempo. Para la media acumulativa, el coeciente es dependiente del tiempo y el sistema es entonces variante en el tiempo. Eval uese ahora la respuesta de este sistema ante una entrada x(n) con x(n) = 0, n < 0, y con una condici on inicial y (1): y (0) = ay (1) + x(0) y (1) = ay (0) + x(1) = a2 y (1) + ax(0) + x(1)
y (2) = ay (1) + x(2) = a3 y (1) + a2 x(0) + ax(1) + x(2) . . .

n
y (n) = an+1 y (1) + an x(0) + an1 x(1) + . . . + a0 x(n) =a

n+1
y (1) +
yzi (n)
k=0
ak x(n k ), n 0
yzs (n)
El t ermino yzi (n) depende de las condiciones iniciales y se obtendr a si la entrada fuese cero (zero input ), como producto del estado inicial del sistema y de sus caracter sticas propias. A yzi (n) se le denomina respuesta natural o libre del sistema, o tambi en, respuesta a entrada nula.
49
El t ermino yzs (n) se obtiene cuando el estado del sistema es cero (zero state ), es decir, con una entrada x(n) cuando el sistema est a en reposo, y se le denomina respuesta en estado nulo o respuesta forzada. N otese que en el ejemplo yzs (n) puede interpretarse como la convoluci on de x(n) con la respuesta impulsional: h(n) = an u(n) donde los ndices son nitos por la causalidad de ambas se nales x(n) y h(n). Este ejemplo corresponde a una ecuaci on de diferencias de primer orden, y es un caso particular de la ecuaci on de diferencias:
N M
y (n) = o con a0 = 1:
N
k=1
ak y (n k ) +
k=0
bk x(n k )
k=0
ak y (n k ) =
k=0
bk x(n k )
donde el entero N recibe el nombre de orden de la ecuaci on de diferencias u orden del sistema. Las condiciones iniciales y (1), . . . , y (N ) resumen toda la historia pasada del sistema, y son necesarias para efectuar el c alculo de las salidas presentes y futuras. N otese que la ecuaci on de diferencias por s sola no describe un sistema, en el sentido de que una entrada x(n) no produce una u nica salida: para cada conjunto de condiciones iniciales se obtiene una salida particular. De este modo, un sistema es caracterizado tanto por la ecuaci on de diferencias como por las condiciones iniciales. Anteriormente se introdujo la propiedad de escalado (2.20) de un sistema lineal, de la que se deduce que un sistema lineal con entrada cero debe tener una entrada nula, puesto que de otro modo aparece una inconsistencia de escalado: multiplicando cualquier entrada con cero, debe producir una salida multiplicada tambi en por cero, que debe ser nula. Con el esquema anterior compuesto de respuestas forzada y natural se nota que la respuesta natural de un sistema descrito con una ecuaci on de diferencias produce una salida a pesar de que la entrada es nula, y por tanto viola la propiedad de escalado lo que indica que la ecuaci on en el caso general representa a un sistema no lineal. El concepto de linealidad debe entonces replantearse como la satisfacci on de tres requisitos: 1. La respuesta total es igual a la suma de las respuestas de entrada nula y en estado nulo (y (n) = yzi (n) + yzs (n)). 2. El principio de superposici on se aplica a la respuesta en estado nulo (lineal en estado nulo).
50
3. El principio de superposici on se aplica a la respuesta a la entrada nula (lineal a entrada nula). La redenici on del concepto para cada una de las componentes de la respuesta permite resolver las inconsistencias introducidas por las condiciones iniciales.
Ejemplo 2.17 Determine que un sistema descrito por la ecuaci on de diferencias de primer orden es lineal. Soluci on: 1. y (n) = ay (n 1) + x(n) = a Con la entrada cero se obtiene: yzi (n) = an+1 y (1) Con estado inicial cero se obtiene:
n n+1 n
y (1) +
k=0
ak x(n k )
yzs (n) =
k=0
ak x(n k ) y (n) = yzi (n) + yzs (n)
2. Para x1 (n),
n
yzs1 (n) =
k=0
ak x1 (n k )
Para x2 (n),
n
yzs2 (n) =
k=0 n k
ak x2 (n k )
n
yzs1 (n) + yzs2 (n) =

k=0 n
a x1 (n k ) +
k=0
ak x2 (n k )
=
k=0
ak (x1 (n k ) + x2 (n k ))
que equivale a la respuesta del sistema a x1 (n) + x2 (n) y, por lo tanto, el sistema es lineal en estado nulo. 3. Con yzi1 (n) = an+1 y1 (1) y yzi2 (n) = an+1 y2 (1), se obtiene yzi1 + yzi2 = an+1 y1 (1) + an+1 y2 (1) = an+1 (y1 (1) + y2 (1)) que equivale a la respuesta de entrada cero del sistema con condiciones iniciales y (1) = y1 (1) + y2 (1), por lo que el sistema es lineal a entrada nula.
51
De forma similar, es posible demostrar que todo sistema descrito por una ecuaci on de diferencias con coecientes constantes es lineal. Estos sistemas son a su vez invariantes en el tiempo, al ser sus coecientes constantes. El estudio de estabilidad en sistemas de orden mayor a 1, requiere de otras t ecnicas que ser an estudiadas posteriormente. 2.17
2.5.3
Soluci on de ecuaciones de diferencias con coecientes constantes
El objetivo de solucionar la ecuaci on de diferencias

N M
k=0
ak y (n k ) =
k=0
bk x(n k )
(2.24)
es encontrar la salida y (n) de un sistema para una determinada entrada x(n) dado un conjunto de condiciones iniciales (o nales). Se puede asumir que la ecuaci on de diferencias corresponde a un sistema causal, o anticausal, para lo cual usualmente se plantea la ecuaci on de y (n) en t erminos de salidas anteriores o futuras, respectivamente. En el presente documento se tratar a el caso causal, que es el m as usual. Si se tiene la ecuaci on de diferencias m as condiciones de reposo iniciales y (1) = . . . = y (N ) = 0, se asume que se tiene un sistema causal. Por otro lado, la misma ecuaci on de diferencias junto a condiciones de reposo nales y (0) = y (1) = . . . = y (N 1) = 0 caracterizan a un sistema anticausal. Utilizando el llamado m etodo directo, se asume que la soluci on se compone de dos partes: y (n) = yh (n) + yp (n) (2.25)
donde yh (n) es la soluci on homog enea o complementaria, y yp (n) es la soluci on particular . La soluci on homog enea de una ecuaci on de diferencias Para solucionar la ecuaci on (2.24) se asume primero una entrada nula x(n) = 0, para as resolver:
N k=0
ak y ( n k ) = 0
(2.26)
De forma an aloga a la soluci on de ecuaciones diferenciales, se asume que la soluci on es de forma exponencial: yh (n) = n (2.27) Sustituyendo (2.27) como soluci on tentativa en (2.26), se obtiene:
N
ak nk = 0
k=0
52
que se puede reescribir como: nN (N + a1 N 1 + a2 N 2 + . . . + aN 1 + aN ) = 0

polinomio caracter stico
El t ermino entre par entesis es llamado polinomio caracter stico y tiene en general N ra ces, denotadas 1 , 2 , . . . , N , que pueden ser reales o complejas, apareciendo en el u ltimo caso como pares complejos conjugados, siempre y cuando los coecientes {ak } sean reales. Algunas de las ra ces pueden ser id enticas (de orden m ultiple). Asumiendo que las ra ces son distintas, la soluci on m as general a la ecuaci on de diferencias homog enea es: n n yh (n) = C1 n 1 + C 2 2 + . . . + C N N con los coecientes de ponderaci on Ck , que se calculan a partir de las condiciones iniciales especicadas para el sistema. Ejemplo 2.18 Determine la soluci on homog enea para la ecuaci on de diferencias de primer orden: y (n) + a1 y (n 1) = x(n) (2.28) Soluci on: Con x(n) = 0 y yh (n) = n se obtiene: n + a1 n1 = 0 n1 ( + a1 ) = 0 = a1 y la soluci on ser a: yh (n) = Cn = C (a1 )n Sustituyendo en (2.28) para n = 0, junto con x(n) = 0, se obtiene: y (0) + a1 y (1) = 0 y (0) = a1 y (1) y con yh (0) = C = a1 y (1) yh (n) = a1 y (1)(a1 )n = y (1)(a1 )n+1 = yzi (n), n 0 que corresponde adem as con la respuesta de entrada nula.
2.18
Ejemplo 2.19 Determine la respuesta a entrada nula del sistema descrito por la ecuaci on de diferencias homog enea de segundo orden y (n) 3y (n 1) 4y (n 2) = 0 . Soluci on:
53
Suponiendo yh (n) = n , se obtiene: n 3n1 4n2 = n2 (2 3 4) = n2 ( 4)( + 1) Por lo que la forma general de la soluci on homog enea es:
n n n yh (n) = C1 n 1 + C2 2 = C1 (1) + C2 (4)
Para la respuesta a entrada nula se plantea: y (0) = 3y (1) + 4y (2) = C1 + C2 y (1) = 3y (0) + 4y (1) = 3(3y (1) + 4y (2)) + 4y (1) (2.29)
= 13y (1) + 12y (2) = C1 + 4C2
Sumando y (0) y y (1) resulta en C2 = 16y (1) + 16y (2) 5
y considerando (2.29) se deriva adem as 3y (1) + 4y (2) C2 = C1 16y (1) + 16y (2) 3y (1) + 4y (2) = C1 5 4y (2) y (1) C1 = 5 Finalmente yzi (n) = 4y (2) y (1) 16y (1) + 16y (2) n (1)n + 4 . 5 5
2.19
Si 1 es una ra z de multiplicidad m, entonces:

n 2 n m1 n yh (n) = C1 n 1 1 + C2 n1 + C3 n 1 + . . . + Cm n
+ Cm+1 n 2 + ...
Ejemplo 2.20 Repita el ejemplo anterior para: y (n) 4y (n 1) + 4y (n 2) = 0 Soluci on: Suponiendo yh (n) = n , resulta en el polinomio caracter stico n2 (2 4 + 4) = n2 ( 2)2 = 0
54
por lo que la soluci on general es

n yh (n) = C1 n 1 + C2 n1 ,
1 = 2
Se deja como ejercicio al lector demostrar que yzi (n) = [y (1) y (2)]2n+2 + [y (1) 2y (2)]n2n+1
2.20
La soluci on particular de la ecuaci on de diferencias La soluci on particular yp (n) debe satisfacer:

N M
k=0
ak yp (n k ) =
k=0
bk x(n k ),
a0 = 1
lo que generalmente depende de la forma de x(n). Ejemplo 2.21 Determine la soluci on particular de y (n) + a1 y (n 1) = x(n), |a1 | < 1 para x(n) = u(n) Soluci on: Como x(n) es constante para n 0, se asume que la soluci on tambi en es constante para n 0. La soluci on particular es entonces: yp (n) = Ku(n) Sustituyendo esto en (2.30) se obtiene: Ku(n) + a1 Ku(n 1) = u(n) y para n 1 esto equivale a: K + a1 K = 1 K (1 + a1 ) = 1 K= lo que implica que la soluci on particular es: yp (n) = 1 u(n) 1 + a1
2.21
(2.30)
(2.31)
1 1 + a1
En el ejemplo anterior se asumi o yp (n) como un escal on porque la entrada ten a esta forma. Si x(n) fuera exponencial, yp (n) tambi en lo ser a. Si x(n) fuera senoidal, entonces yp (n) tambi en lo ser a. La tabla 2.4 muestra algunas formas de soluci on particular para entradas particulares.
55
Tabla 2.4: Forma general de la soluci on particular para diversos tipos de se nal de entrada Se nal de entrada x(n) (n) A(cte) AM n AnM A n nM A cos 0 n A sin 0 n Solucion particular yp (n) 0 K KM n K0 nM + K1 nM 1 + . . . + KM An (K0 nM + K1 nM 1 + . . . + KM ) K1 cos 0 n + K2 sin 0 n
Soluci on total a la ecuaci on de diferencias Por la linealidad de los sistemas descritos por ecuaciones de diferencias con coecientes constantes, la soluci on total se calcula como la suma de las soluciones homog enea y particular (2.25). Las constantes {Ck }, de la soluci on homog enea, sin embargo, deben recalcularse para poder satisfacer las condiciones iniciales.
Ejemplo 2.22 Determine la soluci on total y (n), n 0 de la ecuaci on de diferencias y (n) + a1 y (n 1) = x(n), con x(n) = u(n) y condici on inicial y (1). Soluci on: De los ejemplos anteriores se tiene: yh (n) = C (a1 )n , y (n) = C (a1 )n + Con n = 1 se obtiene: y (1) = y por lo tanto: y (n) = (a1 )n+1 y (1) + 1 (a1 )n+1 1 + a1 C 1 a1 + a1 y (1) + =C a1 1 + a1 1 + a1 yp (n) = 1 1 + a1 1 1 + a1
N otese que el valor de C depende no s olo de las condiciones iniciales, sino tambi en de la entrada. 2.22
56
2.5.4
Respuesta impulsional de un sistema recursivo LTI
En general, las condiciones iniciales de una ecuaci on de diferencias adem as de obligar a la revisi on del concepto de linealidad, tienen efecto sobre la invarianza temporal del sistema. Esto obliga entonces a redenir el concepto de respuesta impulsional. La respuesta impulsional h(n) en sistemas recursivos es igual a la respuesta de estado cero del sistema cuando la entrada x(n) = (n), es decir, para la respuesta impulsional siempre se considera que el sistema est a inicialmente en reposo. Por ejemplo, en el sistema recursivo de primer orden tratado anteriormente, la respuesta de estado cero es: n yzs (n) =
k=0
ak x(n k )
y con x(n) = (n), se obtiene:

n
yzs (n) = =a ,
k=0 n
ak (n k ) n0
As , su respuesta impulsional es h(n) = an u(n), que coincide con lo calculado previamente. En el caso general de sistemas recursivos LTI (considerados causales), la respuesta de estado cero en t erminos de convoluci on con una entrada causal se expresa como
n
yzs (n) =
k=0
h(k )x(n k ) = h(n) x(n),
n0
Si la entrada es un impulso, lo anterior se reduce a: yzs (n) = h(n) (n) = h(n) Con la entrada (n), la soluci on particular es cero, puesto que x(n) = 0 para n > 0. Consecuentemente, la respuesta de un sistema a un impulso consiste en la soluci on a la ecuaci on homog enea con los coecientes Ck determinados para satisfacer las condiciones iniciales. Ejemplo 2.23 Determine la respuesta impulsional h(n) del sistema y (n) 3y (n 1) 4y (n 2) = x(n) + 2x(n 1) Soluci on: En el ejemplo 2.19 se obtuvo: yh (n) = C1 (1)n + C2 (4)n ,
(2.32)
n0
(2.33)
57
que corresponde tambi en a la respuesta impulsional h(n), debido a que para x(n) = (n), yp (n) = 0. Sustituyendo (2.33) en (2.32), y considerando que el sistema est a en reposo (y (1) = y (2) = 0): y (0) = 1 = C1 + C2 y (1) 3y (0) = 2 y (1) = 5 = C1 + 4C2 6 1 5C2 = 6 C2 = , C1 = 5 5 y nalmente 6 1 h(n) = (1)n + (4)n u(n) 5 5
2.23
Cualquier sistema recursivo descrito por una ecuaci on de diferencias lineal con coecientes constantes es un sistema IIR, pero no todo sistema IIR LTI puede ser descrito con estas ecuaciones. La respuesta impulsional de un sistema de orden N , descrito por una ecuaci on de diferencias lineal de orden N :
N M
y (n) =
k=1
ak y (n k ) +
k=0
bk x(n k )
se obtiene a trav es de la soluci on homog enea:

N
yh (n) =
k=1
C k n k = h(n)
cuando las ra ces del polinomio caracter stico son distintas, donde los coecientes {Ck } se obtienen con las condiciones iniciales y (1) = y (2) = . . . = y (N ) = 0 Considerando que
N N
n=0
|h(n)| =
Ck n k
n=0 k=1
k=1
|Ck |
n=0
|k |n
n si |k | < 1 para todo k , entonces n |k | < , y por lo tanto n=0 |h(n)| < . Si uno o m as de los |k | > 1, entonces h(n) no es absolutamente sumable y en consecuencia el sistema es inestable.
Por lo tanto, un sistema IIR causal descrito por una ecuaci on de diferencias con coecientes constantes, es estable si todas las ra ces del polinomio son menores que uno en valor absoluto. Esto es as a un con ra ces de multiplicidad m.
58
2.6 Correlaci on
2.6
Correlaci on
La correlaci on es una operaci on similar a la convoluci on que se utiliza para medir la similitud entre dos secuencias. Se aplica en diversas a reas de la ingenier a como radar, sonar, comunicaciones digitales, geolog a, etc.
2.6.1
Autocorrelaci on y correlaci on cruzada
La correlaci on cruzada de las secuencias x(n) e y (n), ambas reales y de energ a nita, se dene como:
rxy (n) =
k=
x(k )y (k n), n = 0, 1, 2, . . .
o lo que es equivalente:
rxy (n) =
k=
x(k + n)y (k ), n = 0, 1, 2, . . .
El ndice n es el par ametro de desplazamiento o retardo en el tiempo, y los sub ndices xy indican cu ales se nales han sido correlacionadas. De esta forma se tiene entonces que:

ryx (n) =
k=
y (k )x(k n) =
k=
y (k + n)x(k ) = rxy (n)
Por lo tanto, ryx (n) es la correlaci on rxy (n) reejada con respecto a n = 0. N otese que exceptuando el paso de reexi on de una de las se nales, la correlaci on es id entica con la convoluci on: se desplaza la segunda se nal, se calcula la secuencia producto, y se determina su suma. El lector puede demostrar que: rxy (n) = x(n) y (n) Si y (n) = x(n), entonces se obtiene la autocorrelaci on de x(n), que se dene como la secuencia:

rxx (n) =
k=
x(k )x(k n) =
x(k + n)x(k )
k=
Si x(n) e y (n) son se nales causales nitas de longitud N (esto es, x(n) = y (n) = 0, n < 0, n N ) la correlaci on puede expresarse como:
N +min{0,n}1
rxy (n) =
k=max{n,0}
x(k )y (k n)
59
2.6.2
Propiedades de la correlaci on
Sean x(n) y y (n) dos se nales de energ a nita. La energ a de la se nal: w(k ) = ax(k ) + by (k n) es:

k=
[ax(k ) + by (k n)] = a
2 k= 2
x (k ) + b
2
2 k=
y (k n) + 2ab
k=
x(k )y (k n)
= a rxx (0) + b ryy (0) + 2abrxy (n) N otese que rxx (0) = Ex es la energ a de la se nal x(n) y ryy (0) = Ey la energ a de y (n). Puesto que la energ a es una suma de valores positivos debe cumplirse que: a2 rxx (0) + b2 ryy (0) + 2abrxy (n) 0 y suponiendo que b = 0, se obtiene dividiendo por b2 : rxx (0) a b
2
+ 2rxy (n)
a + ryy (0) 0 b
que se puede considerar como ecuaci on cuadr atica de variable (a/b) con coecientes rxx (0), 2rxy (n) y ryy (0), que para ser no negativa requiere que el discriminante sea no positivo:
2 4[rxy rxx (0)ryy (0)] 0 |rxy (n)|
rxx (0)ryy (0) =
Ex Ey
y para y (n) = x(n): |rxx (n)| rxx (0) = Ex es decir, la autocorrelaci on alcanza su valor m aximo para el retardo cero, cuando por decirlo as la se nal es id entica a s misma. Un escalado de la se nal por un escalar, escala la correlaci on de la misma manera, y por tanto carece en el an alisis de importancia por ser m as relevante la forma de la correlaci on. Por ello en la pr actica se normaliza la correlaci on para producir as valores entre -1 y 1. La autocorrelaci on normalizada se dene como: xx (n) = y la correlaci on cruzada como: xy (n) = rxy (n) rxx (0)ryy (0) rxx (n) rxx (0)
Como rxy (n) = ryx (n), se cumple para la autocorrelaci on rxx (n) = rxx (n), es decir, es una funci on par.
60
2.6 Correlaci on
Ejemplo 2.24 Calcule la autocorrelaci on de la se nal: x(n) = an u(n), Soluci on: Para n 0: rxx (n) =
k =n N
0<a<1
x(k )x(k n) =
a a
k=n
k k n
=a
n k=n
a2
y puesto que lim N +1 = 0 si < 1 entonces
k = lim
k=n
n n N +1 = N 1 1 a2n 1 a2
rxx (n) = an para n < 0: rxx (n) = =
an 1 a2
k=0 n
x(k )x(k n) =
|n|
ak akn = an
k=0 k=0
a2
a a = 2 1a 1 a2 a|n| 1 a2
1 1a2
y combinando ambas partes se obtiene: rxx (n) =
que es, como se predijo, una funci on par rxx (n) = rxx (n). Con rxx (0) = la autocorrelaci on normalizada: xx (n) = rxx (n) = a|n| rxx (0)
se obtiene
2.24
2.6.3
Correlaci on de secuencias peri odicas
La correlaci on anterior fue denida para se nales de energ a. Si las se nales x(n) e y (n) son se nales de potencia, su correlaci on cruzada se dene como: rxy (n) = l m 1 x(k )y (k n) M 2M + 1 k=M
M
y la autocorrelaci on de una se nal de potencia como: rxx (n) = l m 1 x(k )x(k n) M 2M + 1 k=M
61
Si las se nales son peri odicas con periodo N , entonces este promedio puede calcularse en un solo periodo: rxy (n) = 1 N
N 1
k=0
x(k )y (k n)
En la pr actica se utiliza la correlaci on para encontrar periodicidades en se nales f sicas alteradas por interferencias aleatorias. Si por ejemplo y (n) = x(n) + (n), donde x(n) es peri odica y (n) es una se nal aleatoria, entonces la correlaci on es: ryy (n) = = 1 M 1 M 1 M
M 1
k=0 M 1
y (k )y (k n)
k=0 M 1
[x(k ) + (k )][x(k n) + (k n)] [x(k )x(k n)] + [x(k ) (k n)] + [ (k )x(k n)] + [ (k ) (k n)]
k=0
= rxx (n) + rx (n) + rx (n) + r (n) considerando s olo M muestras y asumiendo y (n) = 0 para n < 0, n M . La periodicidad de x(n) permite asumir que rxx (n) tambi en es peri odica y presenta picos en n = 0, N, 2N, etc.. Por la consideraci on de tan solo M muestras, conforme N tiende a M la magnitud de estos picos tiende a cero, por lo que debe escogerse M N y n no debe evaluarse, como regla emp rica, para n > M/2. Si (n) es aleatoria puede asumirse que rx (n) y rx (n) son muy peque nas, por no estar relacionada con x(n). Por la naturaleza aleatoria de (n) puede asumirse adem as que r (n) tiende r apidamente a cero, por lo que en r (n) dominar a rxx (n), lo que permite detectar el periodo. La gura 2.28 muestra un segmento de 701 muestras de una se nal ac ustica representando la vocal a. La se nal original tiene una longitud de 57000 muestras. La gura 2.29 muestra el resultado de la autocorrelaci on, donde se aprecia claramente un periodo de aproximadamente 100 muestras, lo que se puede corroborar con la se nal original en la gura 2.28.
2.6.4
Secuencias de correlaci on de entrada-salida
Si se aplica la se nal x(n) con autocorrelaci on rxx (n) a un sistema con respuesta al impulso h(n), entonces:
y (n) = h(n) x(n) =
k=
h(k )x(n k )
62
0.65 0.6 0.55 0.5 0.45 0.4 0.35 0.3 0.25 0.2 700 1.2 1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 700 800 900 1000 1100 1200 800 900 1000 1100 1200 Senal y ruido Senal
2.6 Correlaci on
1300
1300
Figura 2.28: Se nal ac ustica representando la vocal a, en la parte superior pura, y en la parte inferior con ruido.
5800 Autocorrelacion 5600
5400
5200
5000
4800
4600
4400
4200
4000 -300
-200
-100
100
200
300
Figura 2.29: Autocorrelaci on de la se nal con ruido en la gura 2.28.
La correlaci on entre la salida y la entrada es ryx (n) = y (n) x(n) = h(n) rxx (n)
= [h(n) x(n)] x(n)
63
que depende solo de la respuesta impulsional h(n) y la autocorrelaci on de la entrada rxx (n). La autocorrelaci on de la salida es ryy (n) = y (n) y (n)
= [h(n) x(n)] [h(n) x(n)] = rhh (n) rxx (n)
= [h(n) h(n)] [x(n) x(n)]
que equivale a la convoluci on de la autocorrelaci on de la respuesta impulsional rhh (n) con la autocorrelaci on de la entrada rxx (n).
64
2.7 Problemas
2.7
Problemas
Problema 2.1. Encuentre expresiones algebraicas que permitan generar a partir de la se nal x(n) las siguientes secuencias, utilizando para ello las operaciones fundamentales de reexi on y desplazamiento. x(n) = {. . . , a2 , a1 , a0 , a1 , a2 , a3 , . . .}
1. x1 (n) = {. . . , a4 , a3 , a2 , a1 , a0 , a1 , a2 . . .}
2. x2 (n) = {. . . , a1 , a2 , a3 , a4 , a5 , a6 , a7 . . .}
3. x3 (n) = {. . . , a4 , a3 , a2 , a1 , a0 , a1 , a2 . . .}
4. x4 (n) = {. . . , a1 , a2 , a3 , a4 , a5 , a6 , a7 . . .}
Problema 2.2.
Si x1 (n) = {4, 2, 1, 5, 1, 3} y x2 (n) = {1, 2, 3, 4, 5}, calcule
1. x3 (n) = x1 (n) + x2 (n) 2. x4 (n) = x1 (n)x2 (n) 3. x5 (n) = 3x1 (n)x2 (n) Problema 2.3. Sea f = k/N la frecuencia normalizada de una se nal x(n) periodica en tiempo discreto con periodo N muestras. Si se asume que k y N son n umeros primos relativos, y se sabe que x(n) = xa (nT ) donde xa (t) es una se nal anal ogica peri odica de periodo Ta que es muestreada entonces con un intervalo de muestreo T , encuentre el n umero de veces que cabe el periodo de la se nal anal ogica dentro del periodo de la se nal muestreada. Problema 2.4. Determine si cada una de las se nales siguientes es peri odica, y de ser as determine su periodo fundamental. Asuma t IR y n Z. 1. xa (t) = 2. x(n) = 5 sen(4t + /3)
5 sen(4n + /3)
3. x(n) = 2ej (n/6) 4. x(n) = cos(n/8) cos(n/8) 5. x(n) = sen(n/4) + sen(n/8) + 3 cos(n/2 + /6)
Problema 2.5. En la secci on 2.2.3 se demostr o que una se nal exponencial compleja jk0 n discreta sk (n) = e solo tiene N 1 se nales arm onicamente relacionadas, cuando se
65
cumple 0 = 2/N . Demuestre que si la frecuencia es 0 = 2M/N con M < N , M y N n umeros primos relativos, el n umero de frecuencias arm onicamente relacionadas sigue siendo N . Problema 2.6. Genere y muestre las siguientes secuencias en GNU/Octave: 1. 2. 3. 4. 5. 6. 7. 8. 9. x1 (n) = 0,75 (n 5) para 0 n 10 x2 (n) = 0,9 (n) para 7 n 7 x3 (n) = 1,5 (n 250) para 300 n 350 x4 (n) = 4,5 (n + 7) para 10 n 0 x5 (n) = . . . , 0, 1, 2, 3, 4, 0, 1, 2, 3, 4, 0, 1 . . . para 5 n 9
x6 (n) = sen 17 n para 0 n 25 x7 (n) = sen 17 n para 15 n 25 x8 (n) = sen(3n + ) para 10 n 10 2 x9 (n) = cos( 23 n) para 0 n 50
Problema 2.7.
Dada una se nal x(n) = {2, 3, 4, 1, 0, 2, 3, 2}.
Represente esta se nal en GNU/Octave y mu estrela gr acamente. Calcule las componentes par e impar de esta se nal xp (n) e xi (n). Verque que la suma de ambas componentes generan la se nal de entrada original. Problema 2.8. Genere y visualice en GNU/Octave una representaci on para la se nal h(n) = {2/7, 2/7, 3/14, 1/7, 1/14, 0}, y otra para la se nal x(n) = {1, 0, 0, 0, 0, 1}.

Calcule y visualice la convoluci on de las se nales h(n) y x(n) utilizando el operador conv. Para una se nal constante, qu e salida tiene un sistema con respuesta impulsional h(n)? Qu e tipo de ltro es h(n)? Problema 2.9. Genere y visualice en GNU/Octave una representaci on para la se nal h(n) = {1, 1}, y otra para la se nal x(n) = {1, 0, 0, 0, 0, 1}.

Calcule y visualice la convoluci on de ambas se nales Para una se nal constante, qu e salida tiene un sistema con respuesta impulsional h(n)? Qu e tipo de ltro es h(n)? Problema 2.10. Programe una funci on de GNU/Octave que reciba dos se nales nitas y retorna su convoluci on. Verique el funcionamiento de su funci on compar andola con el operator conv.
66
2.7 Problemas
Problema 2.11. Genere una funci on de GNU/Octave que reciba un vector con los coecientes ak y otro vector con los coecientes bk , adem as de la se nal de entrada, y que utilizando la expresi on del sistema como ecuaci on de diferencias genere la se nal de salida para un n umero dado de muestras. Las condiciones iniciales deben poder darse en forma opcional, asumiendo un valor de cero en todas ellas si se omiten.
Cap tulo 3 An alisis de sistemas LTI discretos con la transformada z

La transformada z es a los sistemas discretos lo que la transformada de Laplace es a los sistemas continuos. Ambas representan herramientas para el an alisis de ciertas propiedades de las se nales, que en el dominio del tiempo s olo pueden ser evaluadas con un mayor n umero de pasos.
3.1
3.1.1
La transformada z
La transformada z directa
La transformada z directa de una se nal x(n) se dene como la serie de potencias:
X (z )
x(n)z n
n=
(3.1)
que mapea la se nal x(n) en el dominio del tiempo discreto a la funci on X (z ) en el dominio z , lo que se denota como: X (z ) Z {x(n)} La relaci on entre ambos dominios se indica como: x(n)
X (z )
x(n) X (z )
Como la transformada z es una serie innita de potencias, esta existe solo para los valores de z para los que la serie converge. La regi on de convergencia (ROC, region of convergence ) de X (z ) es entonces el conjunto de valores de z para los que X (z ) es nita. N otese que siempre que se hable de la transformada z de una se nal x(n), debe incluirse la ROC. 67
68
3.1 La transformada z
Si se expresa z en su forma polar z = rej , con r = |z | y = z , entonces
X (z ) =
n=
x(n)rn ejn .
Puesto que dentro de la ROC de X (z ) se debe cumplir |X (z )| < , entonces:

|X (z )| =
n=
x(n)rn ejn
x(n)rn
n=
(3.2)
es decir, |X (z )| es nita si y s olo si x(n)rn es absolutamente sumable. Para encontrar la ROC se debe entonces encontrar el rango de valores de r para los que la secuencia x(n)rn es absolutamente sumable. Ahora bien, la ecuaci on (3.2) puede reescribirse como:
1
|X (z )| =
x(n)r
n=
+
n=0
x(n)r
=
n=1
|x(n)r | +
x(n)rn
n=0
y ambas sumatorias deben converger si |X (z )| ha de ser nito. Para la primera suma, que corresponde a los elementos anticausales, deben existir valores de r sucientemente peque nos para que x(n)rn sea absolutamente sumable (r < r1 ) (gura 3.1).
Im{z } Plano z r1 ROC de Re{z }
n=1
|x ( n ) r n |
Figura 3.1: Representaci on gr aca de la ROC para r sucientemente peque nos.
Para la segunda suma, correspondiente a los elementos causales de x(n), se necesitan valores de r sucientemente grandes para que x(n)rn sea absolutamente sumable y por tanto converja. Por ello, la ROC ser an los puntos fuera de una circunferencia r > r2 (gura 3.2). Como ambas sumas deben converger, la ROC de X (z ) es la regi on anular del plano z , r2 < r < r1 (gura 3.3). La gura 3.4 muestra un resumen de lo discutido hasta el momento en cuanto a la relaci on de la causalidad de una se nal con respecto a la ROC de su transformada z . Las propiedades de la transformada z se resumen en la tabla 3.1.
Tabla 3.1: Propiedades de la transformada z bilateral. Dominio n ROC R = {z | r2 < |z | < r1 } R1 R2 por lo menos R1 R2 R \ {0} si k > 0 y R \ {} si k < 0 |a|r2 < |z | < |a|r1 1 1 < |z | < r1 r2 R Incluye R Incluye R r2 < |z | < r1 X1 (z )X2 (z ) x(0) = lim X (z )
z
Propiedad x(n) x1 (n) x2 (n) a1 x1 (n) + a2 x2 (n) x(n k ) an x(n) x(n) x (n) Re{x(n)} Im{x(n)} nx(n) x1 (n) x2 (n) Si x(n) es causal X (z ) X (z 1 ) X (a1 z ) z k X (z ) a1 X1 (z ) + a2 X2 (z ) X2 ( z ) X (z ) X1 ( z )
Dominio z
Notaci on
Linealidad
Desplazamiento en n
Escalado en z
3 An alisis de sistemas LTI discretos con la transformada z
Reexi on en n
Conjugaci on
Parte real
Parte imaginaria
Derivaci on en z
1 [X (z ) + X (z )] 2 1 [X (z ) X (z )] 2 dX (z ) z dz
Convoluci on
Por lo menos R1 R2
Teorema del valor inicial
69
70
Im{z } Plano z r2
3.2 Transformadas z racionales
Re{z }
Figura 3.2: Representaci on gr aca de la ROC para r sucientemente grandes.

Im{z } Plano z r1
r2 Re{z }
Figura 3.3: Representaci on gr aca completa de la ROC.
3.2
Transformadas z racionales
Una clase de transformadas z encontradas con frecuencia en sistemas digitales presentan una forma racional, es decir, un cociente de polinomios en z 1 o z . La tabla 3.2 resume la transformada z de algunas funciones comunes con transformadas de este tipo.
3.2.1
Polos y ceros
Los ceros de la transformada z racional X (z ) son aquellos valores de z para los que X (z ) = 0, y los polos , aquellos z para los que X (z ) = y la serie de Laurent centrada en z contiene un n umero nito de t erminos en su parte principal. Como X (z ) es racional, entonces: X (z ) = b0 + b1 z 1 + . . . + bM z M N (z ) = = D(z ) a0 + a1 z 1 + . . . + aN z N
M k k=0 bk z N k k=0 ak z
Asumiendo a0 = 0 y b0 = 0 y factorizando b0 z M y a0 z N para eliminar las potencias

71
Funciones de duraci on nita Causal z \ {0} n
Anticausal z \ {} n
Bilateral z \ {0, } n
Funciones de duraci on innita Causal r 2 < |z | n
Anticausal |z | < r 1 n
Bilateral r 2 < |z | < r 1 n
Figura 3.4: Familia de Se nales y sus ROC[15].
72
Tabla 3.2: Transformada z de algunas funciones comunes Se nal x(n) (n) u(n) an u(n) nan u(n) (an )u(n 1) n(an )u(n 1) cos(0 n)u(n) sen(0 n)u(n) an cos(0 n)u(n) an sen(0 n)u(n) Transformada z , X (z ) 1 1 1 z 1 1 1 az 1 az 1 (1 az 1 )2 1 1 az 1 az 1 (1 az 1 )2 1 z 1 cos 0 1 2z 1 cos 0 + z 2 z 1 sen 0 1 2z 1 cos 0 + z 2 1 az 1 cos 0 1 2az 1 cos 0 + a2 z 2 az 1 sen 0 1 2az 1 cos 0 + a2 z 2 ROC Plano z |z | > 1 |z | > |a| |z | > |a| |z | < |a| |z | < |a| |z | > 1 |z | > 1 |z | > 1 |z | > 1
negativas se obtiene:
b M 1 M z + . . . + bbM N (z ) b0 z M z + b1 0 0 X (z ) = = aN 1 N 1 D (z ) a0 z N z N + a z + . . . + a0 a0
Puesto que N (z ) y D(z ) son polinomios en z , y debido al teorema fundamental del algebra, X (z ) se puede expresar como: N (z ) b0 (z z1 )(z z2 ) . . . (z zM ) X (z ) = = z N M = Gz N M D (z ) a0 (z p1 )(z p2 ) . . . (z pN )
M k=1 (z N k=1 (z
pk )
zk )
b0 donde la constante G es igual a a ; los ceros {zk } y los polos {pk } corresponden a las 0 ra ces de los polinomios N (z ) y D(z ) respectivamente, y hay N M ceros en el origen si N > M , o M N polos en el origen si M > N . Tambi en se dice que hay un cero en innito si X () = 0, o un polo si X () = . Si se cuentan estos u ltimos, el n umero de polos y ceros es siempre id entico.
X (z ) puede representarse mediante un diagrama de polos y ceros en el plano complejo z , donde los ceros se denotan con y los polos con . La multiplicidad se denota con un ndice al lado del s mbolo (por ejemplo, un polo de tercer orden se denota con 3 ).
73
Evidentemente la ROC no puede contener ning un polo, puesto que en el la funci on no converge. Si los coecientes de los polinomios son reales, entonces sus ra ces ser an o reales, o aparecer an en pares complejos conjugados. De lo anterior se deriva que si un polinomio es de orden impar, deber a entonces tener al menos una ra z real. Por otro lado, para la factorizaci on de dicho polinomio se pueden agrupar las ra ces complejas conjugadas para conformar t erminos de segundo orden con coecientes reales. Ejemplo 3.1 Determine el diagrama de polos y ceros de la se nal x(n) = an u(n), para a real positivo. Soluci on:
1 Con X (z ) = 1az 1 = z = a (gura 3.5). z , z a
ROC : |z | > |a|, se obtiene un cero en z = 0 y un polo en

Im{z } Plano z a
Re{z }
Figura 3.5: Diagrama de polos y ceros del ejemplo 3.1.

3.1
Ejemplo 3.2 Determine la transformada z de x(n) = con a real positivo. Soluci on:
M 1 M 1
an , 0 n M 1 0 en el resto
X (z ) =
n=
x(n)z
=
n=0
a z
n n
=
n=0
(az 1 )n
Puesto que
M 1 n=0
n =
1M , 1
entonces:
M
1 a 1 (az 1 )M z X (z ) = = 1 (az 1 ) 1 a z
z M aM zM z a z
z M aM z M 1 ( z a)
74
con a = a 1 = a ej 2k , z M aM = 0 z M = aM = aM ej 2k de donde se deduce que z = aej 2k/M . Es decir, z M aM tiene M ra ces aej 2k/M , k = 0, . . . , M 1. En resumen, X (z ) tiene un polo en z = 0 con multiplicidad M 1 y otro polo en z = a, que se cancela con el cero en a, y M 1 ceros distribuidos en un c rculo de radio |a| (gura 3.6).
Im{z } Plano z
M 1
a Re{z }
Figura 3.6: Diagrama de polos y ceros del ejemplo 3.2 con M = 4.

3.2
Ejemplo 3.3 Determine la transformada z y la se nal correspondiente al diagrama de polos y ceros de la gura 3.7.
ROC
Im{z} p1 z1 r p2 0 0 z2 Re{z}
Figura 3.7: Diagrama de polos y ceros para el ejemplo (3.3).
Soluci on: La transformada tiene dos ceros y dos polos: z1 = 0, z2 = r cos 0 , p1 = r(cos 0 + j sen 0 ) = rej0 , p2 = r(cos 0 j sen 0 ) = rej0 . X (z ) = G (z z1 )(z z2 ) z (z r cos 0 ) =G (z p1 )(z p2 ) (z rej0 )(z rej0 ) 1 1 rz cos 0 , ROC: |z | > r =G 1 2rz 1 cos 0 + r2 z 2
3.3
De la tabla 3.2 se obtiene x(n) = G(rn cos 0 n)u(n)

75
3.2.2
Localizaci on de los polos y el comportamiento en el dominio de n para se nales causales
Si una se nal real tiene una transformada z con un solo polo, este tiene que ser real, y la se nal correspondiente es entonces la exponencial real: X (z ) = 1 z , = 1 az 1 za ROC : |z | > |a|
1 , corresponde a X (z )z 1 y que tiene adem as un cero en z = 0. N otese que X2 (z ) = z a por tanto la se nal correspondiente a X2 (z ) x2 (n) = x(n 1) que sigue siendo una exponencial real.
x(n) = an u(n)
x(n) Plano z
1
x(n) Plano z n
1
n
-1 1 -1
-1
1 -1
x(n) Plano z
1
x(n) Plano z n
1
n
-1 1 -1
-1
1 -1
Plano z
10 x(n) 5
Plano z n
10 x(n) 5
n
-1 1 -5 -10
-1
1 -5 -10
Figura 3.8: Comportamiento de la se nal en relaci on con la posici on de un polo real.
La gura 3.8 muestra el comportamiento de la se nal en relaci on con la posici on del polo real, incluyendo su magnitud y signo. De la tabla 3.2, se obtiene que: X (z ) = az 1 az 1 az = = , ROC: |z | > |a| 1 2 2 2 (1 az ) z ( z a) (z a)2
x(n) = nan u(n)
es una funci on con un polo en z = a de multiplicidad dos y un cero en z = 0. Su comportamiento se muestra en la gura 3.9. N otese que si |a| = 1 y el polo es simple, la se nal correponde a la respuesta al impulso de un sistema, este es entonces condicionalmente estable, pero no as si el polo es de mayor multiplicidad. Un par de polos complejos conjugados simples conducen a una se nal discreta sinusoidal, multiplicada por una envolvente exponencial discreta cuya forma est a determinada por la
76
x(n) Plano z
2

x(n) Plano z n
1 -1 -1
2
n
-1
-1
Plano z
2
10 x(n) 5
Plano z n
2
10 x(n) 5
n
-5 -10
-1
1 -5 -10
-1
Plano z
2
100 x(n) 50
Plano z n
2
100 x(n) 50
n
-50 -100
-1
1 -50 -100
-1
Figura 3.9: Comportamiento de la se nal esi su transformada tiene un polo doble real, de acuerdo con la posici on del polo.
x(n) Plano z
2
n
1 -1
-1
Plano z
2
x(n)
2 1
n
1 -1 -2
-1
Plano z
2
70 x(n) 35
n
1 -35 -70
-1
Figura 3.10: Se nales en relaci on con la ubicaci on de un par de polos simples conjugados en su transformada z .
magnitud de los polos (gura 3.10). Las se nales reales causales con polos reales simples o pares de polos simples complejos conjugados que est an dentro de la circunferencia unitaria son acotadas en magnitud. Una se nal con polos cerca del origen decrece m as r apidamente que otra con polos m as cercanos a la circunferencia unitaria. El efecto de la posici on de los ceros no es tan determinante como la posici on de los polos. Por ejemplo, en el caso
77
de las se nales senoidales, s olo afectan la fase.
3.2.3
La funci on de transferencia de un sistema LTI
En el cap tulo 2 se encontr o que la salida y (n) de un sistema LTI con respuesta impulsional h(n) y entrada x(n) est a dada por la convoluci on y (n) = h(n) x(n), que ya se demostr o en el dominio z ser equivalente a Y (z ) = H (z )X (z ), con y (n) Y (z ), x(n) X (z ) y h(n) H (z ). A H (z ), la transformada z de la respuesta impulsional, se le denomina funci on de transferencia del sistema. N otese que conociendo H (z ) y la transformada z de la entrada X (z ) es posible calcular f acilmente la transformada z de la salida del sistema, por medio de su producto. Sin embargo, es tambi en posible, conociendo Y (z ) y X (z ), obtener la funci on de transferencia con:
H (z ) =
Y (z ) X (z )
a partir de la cual se puede determinar la respuesta impulsional por medio de la transformada z inversa. Con la ecuaci on de diferencias del sistema
N M
y (n) =
k=1
ak y (n k ) +
k=0
bk x(n k )
se obtiene transformando al dominio z ambos lados:

N M
Y (z ) =
ak Y ( z ) z
k=1 N
+
k=0
b k X (z )z k
M
= Y (z )
N
ak z k + X ( z )
k=0
bk z k
k=1 M
Y (z ) 1 +
k=1
ak z k
= X (z )
k=0 M
bk z k bk z k
H (z ) =
Y (z ) = X (z )
k=0 N
1+
k=1
ak z k
Lo que implica que un sistema lineal descrito por una ecuaci on de diferencias lineal con coecientes constantes tiene una funci on de transferencia racional. Si ak = 0 para k [1, N ] (sistema no recursivo), entonces
M
H (z ) =
k=0
bk z
1 = M z
bk z M k
k=0
78
es decir, el sistema tiene un polo en el origen de multiplicidad M y M ceros determinados por los par ametros {bk }. Dado que el sistema contiene M polos triviales en z = 0 y M ceros no triviales, se le denomina sistema de todos ceros . Un sistema as es evidentemente FIR y se le denomina sistema de media ponderada m ovil. Si bk = 0 para k [1, M ] el sistema es recursivo y: H (z ) = 1+
k=1
b0
N
= ak z k
b0 z N
N
a0 = 1
ak z N k
k=0
que tiene un cero trivial en z = 0 de orden N y N polos determinados por los coecientes {ak }. A este sistema se le denomina sistema de todos polos , que siempre corresponde a un sistema IIR. La forma general se denomina sistema de polos y ceros , con N polos y M ceros. Los polos y ceros en z = 0 y z = , usualmente no se consideran de forma expl cita. Por la presencia de polos, este sistema es tambi en IIR. Ejemplo 3.4 Determine la funci on de transferencia y la respuesta impulsional del sistema descrito por: 1 y (n) = y (n 1) + 2x(n) 2 Soluci on: 1 Y (z ) = Y (z )z 1 + 2X (z ) 2 1 Y (z ) 1 z 1 2 = 2X (z ) 2 2z Y (z ) = 1 1 = X (z ) 1 2z z1 2
H (z ) = que tiene un polo en z = obtiene:

1 2
y un cero en z = 0. Utilizando la tabla de transformadas se H (z )
h(n) = 2
1 2
u(n)
3.4
Ejemplo 3.5 As umase que un sistema se rige por el diagrama de polos y ceros mostrado en la gura 3.7. Encuentre la ecuaci on de diferencias que lo realiza. Soluci on: En el diagrama se observa una regi on de convergencia externa al c rculo de radio r, lo que implica que el sistema es causal.
79
Utilizando los resultados del ejemplo 3.3 se obtiene que la funci on de transferencia equivalente al diagrama de polos y ceros corresponde a:
H (z ) =
Y (z ) (z z1 )(z z2 ) =G X (z ) (z p1 )(z p2 ) 1 r cos 0 z 1 =G , 1 2r cos 0 z 1 + r2 z 2
ROC: |z | > r
y por tanto Y (z ) 1 2r cos 0 z 1 + r2 z 2 = X (z )G 1 r cos 0 z 1
y (n) 2r cos 0 y (n 1) + r2 y (n 2) = Gx(n) Gr cos 0 x(n 1) y nalmente y (n) = 2r cos 0 y (n 1) r2 y (n 2) + Gx(n) Gr cos 0 x(n 1)
3.5
3.3
3.3.1
An alisis de sistemas LTI en el dominio z

Respuesta de sistemas con funci on de transferencia racional
Sea un sistema dado por la ecuaci on de diferencias:

N M
y (n) =
k=1
ak y (n k ) +
Y (z ) 2r cos 0 Y (z )z 1 + r2 Y (z )z 2 = GX (z ) Gr cos 0 X (z )z 1
k=0
bk x(n k )
B (z ) , A(z )
Su funci on de transferencia H (z ) es racional de la forma H (z ) = B (z ) determina los ceros y A(z ) los polos de H (z ).
donde el polinomio
Si se asume adem as que el sistema est a en reposo, esto es, y (1) = y (2) = . . . = y (N ) = 0, y que la entrada X (z ) tambi en puede representarse en forma racional como N (z ) X (z ) = Q(z) , entonces se tiene que la transformada de la funci on de salida es de la forma: Y (z ) = B (z )N (z ) A(z )Q(z )
80
3.3 An alisis de sistemas LTI en el dominio z
L 1 1 Sup ongase ahora que A(z ) = N k=1 (1 pk z ), Q(z ) = k=1 (1 qk z ) y pk = qm , k, m, y que ning un cero coincide con los polos, entonces se cumple que: N
Y (z ) =
k=1
Ak Qk + 1 1 pk z 1 qk z 1 k=1
L
y por lo tanto su transformada inversa ser a:

N
y (n) =
k=1
A k pn k u(n)
respuesta natural
+
k=1
n u(n) Qk qk
respuesta forzada
Esta secuencia se compone de dos partes: las respuestas natural y forzada. La respuesta natural depende de los polos {pk } del sistema y es inuenciada por la entrada x(n) a trav es de los coecientes {Ak }. La respuesta forzada depende de los polos de la entrada {qk } y es inuenciada por el sistema a trav es de los coecientes {Qk }. Si X (z ) o H (z ) tienen polos m ultiples o polos en com un, entonces la respuesta Y (z ) tendr a m 1 t erminos de la forma l=1 (1pk z1 )l , donde m es el orden del polo, lo que conducir aa l1 n t erminos en y (n) de la forma n pk u(n).
3.3.2
Condiciones iniciales no nulas
Para calcular la respuesta de un sistema a una entrada causal x(n) con condiciones iniciales no nulas, se utiliza la transformada z unilateral:
N M
y (n) =
k=1
ak y (n k ) +
k=1
bk x ( n k )
Y + (z ) =
ak z k Y + (z ) +
k=1 n=1
y (n)z n
Puesto que x(n) es causal, entonces X + (z ) = X (z ) y se tiene:

N M N
+ + bk z k X (z ) + k=1
M k k k n=1
=0 por causalidad
x(n)z n n=1
k
Y (z ) 1 +
k=1
ak z
= X (z )
k=0
bk z
ak z
k=1
y (n)z n ,
de donde se despeja: Y + (z ) =
M k k=0 bk z X (z ) N k k=1 ak z
1+
N k=1
ak z k
k n=1 N k=1
1+
ak z k
y (n)z n
= H (z )X (z ) +
N0 (z ) A(z )
81
La salida del sistema consta entonces de dos partes, la respuesta de estado nulo Yzs (z ) = H (z )X (z ) y la respuesta de entrada nula que depende de las condiciones iniciales
+ Yzi (z ) =
+ puesto que Y + (z ) = Yzs (z )+ Yzi (z ) y (n) = yzs (n)+ yzi (n). Al ser A(z ) el denominador + de Yzi (z ) sus polos ser an {pk }, y la respuesta a entrada nula tendr a la forma: N
zu
N0 (z ) A(z )
yzi =
k=1
Dk pn k u(n)
lo que puede a nadirse a la respuesta natural y combinarse para dar:

N L
y (n) =
k=1
Ak p n k u(n) +
k=1
n Qk qk u(n), con Ak = Ak + Dk
En resumen, las condiciones iniciales alteran la respuesta natural del sistema modicando los factores de escala {Ak }. No se introducen nuevos polos ni se modica la respuesta forzada. Ejemplo 3.6 Determine la respuesta al escal on u(n) del sistema dado por y (n) = 0,9y (n 1) 0,81y (n 2) + x(n) para las condiciones iniciales: 1. y (1) = y (2) = 0 2. y (1) = y (2) = 1 Soluci on: La funci on de transferencia est a dada por: H (z ) = 1 1 0,9z 1 + 0,81z 2
cuyos polos son complejos conjugados: p1,2 = 0,9ej 3 x(n) = u(n) Con lo que se obtiene directamente: Yzs (z ) =
1 1 z 1
1 (1 0,9ej 3 z 1 )(1 z 1 ) 0,542 j 0,049 0,542 + j 0,049 1,099 = + + j j 1 1 1 z 1 1 0,9e 3 z 1 0,9e 3 z

0,9ej 3 z 1 )(1 c 2005-2011 P. Alvarado
82
Por lo que: yzs (n) = 1,099 + 1,088(0,9)n cos Para 1. y (n) = yzs (n) Para 2., con las condiciones iniciales se obtiene:
N k
n 5.2 3
u(n)
N0 =
ak z
k=1 1
k n=1
y (n)z n
= (a1 z {y (1)z } + a2 z 2 {y (1)z + y (2)z 2 }) = (a1 y (1) + a2 y (1)z 1 + a2 y (2)) = (0,9 + 0,81 + 0,81z 1 ) = 0,09 0,81z 1
Yzi (z ) =
N0 (z ) 0,09 0,81z 1 = A(z ) 1 0,9z 1 + 0,81z 2 0,026 j 0,4936 0,026 + j 0,4936 + = j 1 1 0,9ze 3 z 1 0,9zej 3 z 1 yzi (n) = 0,988(0,9)n cos n + 87 u(n) 3
y por tanto:
y Y (z ) = Yzs (z ) + Yzi (z ) Y (z ) = que equivale a: y (n) = 1,099u(n) + 1,44(0,9)n cos n + 38 u(n) 3

3.6
1,099 0,568 + j 0,445 0,568 j 0,442 + + j 1 1 3 1z 1 0,9ze z 1 0,9zej 3 z 1
3.3.3
Respuesta transitoria y en r egimen permanente
Si para todos los polos del sistema {pk } se cumple que |pk | < 1, entonces la respuesta natural del sistema:
N
ynr (n) =
k=1
Ak p n k u(n)
decae si n tiende a innito, y se le denomina respuesta transitoria . Su tasa de decaimiento depender a de qu e tan cerca est en los polos de la circunferencia unidad. Si los polos {qk } de la respuesta forzada tienen magnitudes |qk | < 1, la respuesta a la entrada tambi en decae. Si la entrada es sinusoidal implica que hay polos en la circunferencia unitaria, y la respuesta forzada tambi en tendr a esos polos y ser a sinusoidal, y la respuesta se denomina de estado permanente .
83
3.3.4
Causalidad y Estabilidad
Un sistema es causal si h(n) = 0 para n < 0, lo que implica que su ROC es el exterior de una circunferencia. El sistema es estable si:
n=
|h(n)| <
lo que ocurre s olo si |z | = 1 est a dentro de la ROC, o de otro modo, si los polos se encuentran dentro de la circunferencia unitaria, puesto que
H (z ) =
n=
h(n)z n |h(n)||z n |
|H (z )| y evaluando en |z | = 1
n=
|H (z )||z|=1
n=
|h(n)|
Un sistema LTI ser a entonces estable s olo si |z | = 1 est a en la ROC de H (z ). Esta condici on tambi en se cumple para sistemas anticausales, es decir, la ROC deber a ser el interior de una circunferencia que contenga |z | = 1.
3.3.5
Cancelaci on polo-cero
Los efectos de un polo del sistema pueden cancelarse o reducirse con un cero ya sea del mismo sistema o de la entrada. Sin embargo, posibles efectos como la estabilizaci on de un sistema inestable por medio de ceros en la entrada deben evitarse, porque la posici on de los polos y ceros no puede alcanzarse con precisi on arbitraria en sistemas digitales reales.
3.3.6
Polos de orden m ultiple y estabilidad
Un sistema con polos en la circunferencia unitaria es inestable pues basta encontrar una entrada con un polo en el mismo sitio para producir una salida no acotada.
Ejemplo 3.7 Determine la respuesta al escal on de: y (n) = y (n 1) + x(n) Soluci on:
84

1 1z 1
Con H (z ) =
y X (z ) =
1 1z 1
se obtiene: 1 (1 z 1 )2
Y (z ) = H (z )X (z ) =
y (n) = (n + 1)u(n + 1)
que contiene un polo doble en z = 1, y equivale a una rampa no acotada. Esto se explica por el hecho de que si Y (z ) contiene polos m ultiples, entonces y (n) tendr a t erminos de la forma: Ak nb (pk )n u(n) que son acotados s olo si |pk | < 1.
3.7
3.3.7
Estabilidad de sistemas de segundo orden
Los sistemas de segundo orden (con dos polos) se utilizan como bloque b asico para la construcci on de sistemas de mayor orden, y por ello requieren de un poco de atenci on. Consid erese entonces el sistema: y (n) = a1 y (n 1) a2 y (n 2) + b0 x(n) con a1 , a2 IR. Su funci on de transferencia es H (z ) = b0 b0 z 2 Y (z ) = = X (z ) 1 + a1 z 1 + a2 z 2 z 2 + a1 z + a2 b0 z 2 b0 z 2 = = 2 (z p1 )(z p2 ) z (p1 + p2 )z + p1 p2
Este sistema tiene dos ceros en el origen y dos polos en p1,2 = a1 2 a2 1 4a2 4
El sistema es estable BIBO si |p1,2 | < 1. Puesto que se cumple que a1 = (p1 + p2 ) y a2 = p1 p2 , se debe cumplir que |a2 | = |p1 p2 | = |p1 ||p2 | < 1 y |a1 | < 1 + a2 a2 > |a1 | 1 En el plano a1 , a2 estas inecuaciones delimitan una regi on triangular (gura 3.11). Para obtener estas ecuaciones se sabe que |p1,2 | < 1. Primero as umase que los polos son 2 a1 2 reales, es decir, 2 a2 , que equivale a la parte inferior de la par abola a2 = a21 . En

2
85
a2 a2 =
a2 1 4
Polos complejos a1
0 1 2 3
0 -3 -2 -1
Polos reales
-1
a2 = a1 1
a2 = a1 1
Figura 3.11: Tri angulo de estabilidad en el plano de coecientes (a1 , a2 ) para un sistema de segundo orden.
a1 2 2
a2
a1 2 2
a2
1 a 2
Figura 3.12: Desplazamiento de los polos a la izquierda y a la derecha.
esta regi on, los polos est an centrados en a21 , con un desplazamiento hacia la izquierda y derecha de
a1 2 2
a2 (gura 3.12). |a1 | > 2 a1 2

2
Por lo tanto, debe cumplirse que: 1 a2
Elevando al cuadrado ambos lados y considerando que a1 IR se obtiene: 1 | a1 | + |a1 | 2

2
>
a1 2
a2
1 + a2 > |a1 |
En caso de que p1,2 sean complejos (n otese que a2 es positivo puesto que debe ser mayor 2 que (a1 /2) ), entonces: a1 |p1,2 |2 = j 2 a1 a2 2
2 2
a1 2
+ a2
a1 2
= a2
86
y por tanto, para que |p1,2 | < 1, entonces 0 < a2 < 1, lo que conrma la anterior condici on |a2 | < 1. Los pares (a1 , a2 ) en la parte superior a la par abola conducen entonces a polos complejos conjugados, y bajo la par abola a polos reales y distintos. Los pares (a1 , a2 ) en la par abola a1 2 = a2 conducen a un polo de orden 2. 2 Las funciones de transferencia y sus equivalentes en el dominio del tiempo se resumen en la tabla 3.3, con p = rej0 , por lo que a1 = 2r cos 0 , a2 = r2 . Tabla 3.3: Funciones de transferencia de segundo orden y equivalentes temporales
Polos Reales y distintos Reales e iguales Complejos conjugados Condici on a2 1 > 4a2 a2 1 = 4a2 a2 1 < 4a2
b0 p1 p2 b0 j 2 sen 0
H (z )
p1 p2 1p1 z 1 1p2 z 1 b0 (1pz 1 )2 j0 ej0 e 1+re j0 z 1 1rej0 z 1 b0 p 1 p 2
n
h(n)
+1 +1 pn pn u(n) 1 2
b0 (n + 1)pn u(n)
b0 r sen 0
sen[(n + 1)0 ]u(n)
87
3.4
Problemas
Problema 3.1. Graque las siguientes funciones e indique cualitativamente qu e regiones de convergencia (ROC) tiene su transformada z : 1. x(n) = sen(n)u(n) 2. x(n) = u(n + 4) u(n 2) 3. x(n) = u(n 2) 4. x(n) = ur (n) 2ur (n 5) + ur (n 10)
1 5. x(n) = 2 |n|
6. x(n) = ur (n + 5)u(n 5)
Problema 3.2. Encuentre las regiones del plano z donde las siguientes series convergen:
1.
n=2
1 3
n+2
3.
n=2
1 3 1 3
n+2
zn
|n|
2.
n=0
1 + (1)n n z 2
4.
n=
cos
n zn 4
Problema 3.3.
Encuentre la transformada z de u(n 2) x(n) = 4n con su correspondiente ROC. Problema 3.4. Sea x(n) = (1)n u(n) + n u(n n0 ) Encuentre para qu e valores de y n0 es la ROC de la transformada z de x(n) 1 < |z | < 2 Problema 3.5. Encuentre la transformada z de x(n) =
1 n 2
cos
n 4
n0 n>0
Indique los polos, ceros y ROC. Problema 3.6. innitos. 1. 2. Para las siguientes expresiones identique los ceros y polos nitos e z 2 (1 z 1 ) 1 1 1 1 z 1 1 + 4 z 4
z 1 1 1 z 1 2 1 1 1 3 z 1 1 z 1 4 (1 z 1 ) (1 2z 1 ) (1 3z 1 ) (1 4z 1 )
3.
88
3.4 Problemas
Problema 3.7. Si x(n) es absolutamente sumable y tiene transformada z racional, con un polo en 1/2, entonces podr a x(n) ser 1. una se nal nita? 2. una se nal izquierda? 3. una se nal derecha? 4. una se nal bilateral?
Problema 3.8.
Sea X (z ) = 1+ 1 z 2 4 1 1 z 2 4 5 1 1+ 4 z +3 z 2 8
Indique cu antas y cu ales regiones de convergencia son posibles para X (z ). Problema 3.9. Encuentre para todas las se nales discretas x(n) mostradas en la tabla 3.2 la transformada z correspondiente utilizando la denici on. Problema 3.10. Sea x(n) una se nal con transformada z racional X (z ), que tiene un polo en z = 1/2. Se sabe adem as que x1 (n) = es absolutamente sumable, pero x2 (n) = 1 8
n
1 4
x(n)
x(n)
no es absolutamente sumable. Con esta informaci on indique si x(n) es izquierda, derecha, bilateral o nita. Problema 3.11. Encuentre las funciones en tiempo discreto equivalentes a las transformadas z indicadas en la tabla 3.2 utilizando la denici on integral de la transformada z inversa. Problema 3.12. Utilizando la denici on de la transformada z inversa, encuentre la secuencia en el tiempo discreto equivalente a
1 1 z 1 3 X (z ) = , 1 (1 z )(1 + 2z 1 )
ROC: |z | > 2
Problema 3.13.
Encuentre por divisi on polinomial la transformada z inversa de X (z ) = 1 + z 1 1+ 1 z 1 3
para ROC: |z | > 1/3 y para ROC: |z | < 1/3.

89
Problema 3.14.
Encuentre la transformada inversa de X (z ) = 1 1 z 1 3 (1 z 1 )(1 + 2z 1 )
para todas las posibles regiones de convergencia por medio de descomposici on en fracciones parciales. Problema 3.15. Encuentre la transformada z inversa de X (z ) = 1 256 z 8 , 1 1 256 1 2 z ROC: |z | > 0
Problema 3.16.
Para la ventana rectangular x(n) = 1 0nk
0 en el resto
sea g (n) = x(n) x(n 1) 1. Encuentre una expresi on para g (n) y su transformada z . 2. Encuentre la transformada z de x(n) considerando que
n
x(n) =
k=
g (k )
Problema 3.17. Para las siguientes funciones de transferencia de sistemas discretos, si se sabe que estos son estables indique si adem as son causales: 1.
4 1 1 2 1 3 z +2 z 1 1 1 1 1 2z 1 3 z
z 1
2. 3.
1 z2 z2 + 1 z 2 4 3
3 16
z+1 1 2 z+ 2 z 2 z 3 3
Problema 3.18. Un sistema LTI tiene funci on de transferencia H (z ) y respuesta al impulso h(n). Se sabe 1. h(n) es real 2. h(n) es derecha
90
3.4 Problemas
3. lim H (z ) = 1
z
4. H (z ) tiene dos ceros 5. H (z ) tiene uno de sus polos en una ubicaci on no real en el c rculo |z | = 3/4 Es el sistema causal? Es estable? Problema 3.19. 1 4 Encuentre la transformada z unilateral de las siguientes se nales.
n
1. x1 (n) =
u(n + 5)
2. x2 (n) = (n + 3) + (n) + 2n u(n) 3. x3 (n) = 1 2

|n|
Problema 3.20. diferencias:
Un sistema de entrada x(n) y salida y (n) se rige por la ecuaci on de y (n 1) + 2y (n) = x(n)
1. Determine la respuesta de entrada cero al sistema si su condici on inicial es y (1) = 2. 2. Encuentra la respuesta de estado cero si su entrada es x(n) = (1/4)n u(n). 3. Determine la salida del sistema para n 0 si y (1) = 2 y x(n) = (1/4)n u(n)
Cap tulo 4 An alisis frecuencial

El cursos anteriores se deriv o la descomposici on de una funci on peri odica en componentes sinusoidales (o exponenciales complejos). La importancia de esta descomposici on es que en sistemas LTI u nicamente las se nales sinusoidales y exponenciales complejas conservan su forma y su frecuencia (son funciones propias ). Tan solo magnitud y fase de cada componente son alteradas por estos sistemas. El an alisis frecuencial proporciona entonces mecanismos para la extracci on de esas componentes. El t ermino espectro se utiliza para referirse al contenido de frecuencias de una se nal. En la pr actica, puesto que no se conoce toda la se nal en su extensi on innita, pasada y futura, debe utilizarse la estimaci on espectral , para la que se utilizan instrumentos y algoritmos denominados analizadores espectrales .
4.1
4.1.1
Espectro de se nales continuas

Espectro de se nales continuas peri odicas
Las se nales continuas peri odicas se analizan por medio de la serie de Fourier. Para la s ntesis de la se nal se utiliza
x(t) =
k=
ck ej 0 kt
y para el an alisis: ck = 1 Tp
t0 +Tp t0
x(t)ej 0 kt dt
Si la se nal peri odica tiene potencia media nita Px entonces 1 Px = Tp

t0 +Tp t0
|x(t)|2 dt
91
92
4.1 Espectro de se nales continuas
y puesto que |x(t)|2 = x(t)x (t) se cumple que Px = = =

k=
1 Tp 1 Tp
t0 +Tp t0 t0 +Tp t0
|x(t)|2 dt =
1 Tp
t0 +Tp t0
x(t)x (t) dt
x(t)
k=
ck ej 0 kt dt
t0 +Tp t0
ck
1 Tp
x(t)ej 0 kt dt
=
k=
ck ck =
k=
|ck |2
que se conoce como la relaci on de Parseval, e implica que la potencia media de la se nal equivale a la suma de las potencias medias de cada uno de sus componentes frecuenciales, tambi en llamados arm onicos . A la gr aca de |ck |2 para cada frecuencia kF0 (con la frecuencia fundamental F0 = 0 /2 ) se le denomina densidad espectral de potencia, espectro de la densidad de potencia o simplemente espectro de potencia. Si x(t) es real, puesto que |ck | = |ck | = |ck | entonces la densidad espectral de potencia es una funci on de simetr a par. Al par de gr acas de |ck | vs. kF0 y k = ck vs. kF0 se le denomina espectro de tensi on. Puesto que para funciones reales k = ck = ck = k , la fase es impar.
Ejemplo 4.1 La serie de Fourier de un tren peri odico de pulsos rectangulares de ancho en tiempo continuo (gura 4.1a) tiene como coecientes A sen(kF0 ) . Tp kF0
ck =
Analice el efecto del periodo Tp y el ancho del pulso en el espectro de la se nal. Soluci on: La distancia entre dos l neas espectrales correspondientes a ck y ck+1 es F0 = 1/Tp y el t ermino , adem as de determinar el ancho del pulso temporal, indica qu e tan extensa resulta la funci on sen(x)/x. Las guras 4.1(b) y (c) permiten comparar que si se modica el ancho del pulso temporal manteniendo el periodo, la distancia entre cada l nea espectral se mantiene, mientras que el espectro se contrae (si aumenta). Por otro lado, si Tp aumenta (o lo que es equivalente, la frecuencia fundamental F0 baja), pero se mantiene el ancho del pulso , la misma funci on en la frecuencia sen(kF0 )/(kF0 ) es muestreada m as a menudo (la densidad de l neas espectrales aumenta).
4.1
La tabla 4.1 resume algunas propiedades de la serie de Fourier.

4 An alisis frecuencial
93
x (t )
ck
Tp
Tp
t
-15 -10 -5 0 5 10
k
15
(a)
ck
(b)
ck
k
-15 -10 -5 0 5 10 15
k
-30 -25 -20 -15 -10 -5 0 5 10 15 20 25 30
(c)
(d)
Figura 4.1: Secuencia peri odica de pulsos rectangulares en tiempo continuo. (a) Representaci on temporal. (b) L neas espectro de (a) con = 1 y Tp = 5. (c) L neas espectrales de (a) con = 2 y Tp = 5. (d) L neas espectrales de (a) con = 1 y Tp = 10.
4.1.2
Espectro de se nales continuas aperi odicas
La distancia entre dos l neas espectrales en el caso de se nales peri odicas es F0 = 1/Tp , lo que implica que a mayor periodo, las l neas espectrales se acercan (compare por ejemplo la gura 4.1b con 4.1d). Retomando el c alculo de los coecientes de la serie de Fourier utilizando como t0 = Tp /2 se tiene que 1 Tp
Tp /2
ck =
x(t)ej 2F0 kt dt .
Tp /2
(4.1)
Dejando crecer el periodo Tp se puede alcanzar una frecuencia F0 arbitrariamente peque na, que puede entonces reemplazarse por F0 de tal forma que si Tp (se nal aperi odica) entonces F0 se transforma en un diferencial dF y k F0 se convierte en una variable de valor continuo F . La transformada de Fourier se obtiene con estos conceptos eliminando
94
4.1 Espectro de se nales continuas
Tabla 4.1: Propiedades de la Serie de Fourier Propiedad Se nal en el tiempo x(t) x1 (t) x2 (t) 1 x1 (t) + 2 x2 (t) x(t) = x(t) x(t) = x(t) x(t) IR x(t ) x (t) x(t) x(t), > 0
Tp
Coecientes ck c1k c2k 1 c1k + 2 c2k 2 ck = Tp ck IR

Tp 2
Linealidad Simetr a par
x(t) cos(0 kt) dt

0
Tp 2
Simetr a impar Funci on real Desplazamiento temporal Conjugaci on Inversi on en el tiempo Escalamiento en el tiempo Convoluci on peri odica Multiplicaci on Diferenciaci on Integraci on
2j ck = Tp ck j IR ck = c k ej0 k ck c k ck ck Tp c1k c2k
x(t) sen(0 kt) dt

0
x1 ( )x2 (t ) d
x1 (t)x2 (t)
l=
c1l c2kl jk0 ck ck jk0 |x(t)| dt =

2
dx(t) dt
t
x(t) dt, c0 = 0
Relaci on de Parseval
1 Tp
t0 +Tp t0
k=
|ck |2
el factor
1 Tp
y haciendo Tp : X (F ) =
x(t)ej 2F t dt
(4.2)
y est a relacionada directamente por lo tanto con los coecientes de la serie a trav es de X (F ) = lim Tp ck
Tp
En t erminos de la frecuencia angular = 2F esta transformaci on equivale a
X () =
x(t)ej t dt
Puede demostrarse adem as [1] que la transformada inversa de Fourier est a dada por:
x(t) =
X (F )ej 2F t dF
x (t )
95
t (a) xp (t )
Tp
(b)
Tp
Figura 4.2: Una funci on nita x(t) y su extensi on peri odica xp (t)
o con d = 2dF
1 X ()ej t d . 2 Si x(t) es una se nal de extensi on nita entonces existe una extensi on peri odica xp (t) de periodo Tp mayor a la extensi on de x(t), como lo muestra la gura 4.2. En este caso se pueden comparar las ecuaciones (4.1) y (4.2) y se obtiene que 1 ck = X (kF0 ) Tp
x(t) =
es decir, la extensi on peri odica de una se nal aperi odica conduce al muestreo del espectro de la transformada de Fourier con una tasa F0 . Las condiciones de Dirichlet para la existencia de la transformada de Fourier son equivalentes a las ya mencionadas en las series de Fourier de se nales peri odicas continuas, excepto que la se nal debe ser ahora absolutamente integrable en todo t y no solo en un periodo:

|x(t)|dt <

lo que se deduce del hecho que
|X (F )| =
x(t)ej 2F t dt
|x(t)| ej 2F t dt =
|x(t)| dt <
De forma similar a las se nales peri odicas puede demostrarse que Ex =
|x(t)| dt =
|X (F )|2 dF
que es la relaci on de Parseval para se nales aperi odicas de energ a nita. La cantidad 2 Sxx (F ) = |X (F )| representa la distribuci on de energ a de la se nal en funci on de la frecuencia, por lo que a Sxx se le denomina densidad espectral de energ a . Para se nales reales se tiene que |X (F )| = |X (F )| y X (F ) = X (F ) por lo que Sxx (F ) = Sxx (F ).
96
4.2 Espectro de se nales en tiempo discreto
Ejemplo 4.2 Calcule la transformada de Fourier de (gura 4.3a) A |t| /2 0 |t| > /2
x(t) =
Utilizando la ecuaci on (4.2) se obtiene (gura 4.3b):

/2
X (F ) =
/2
Aej 2F t dt =
A sen F F
x (t ) A
X (F )
(a)
(b)
Figura 4.3: Pulso de ancho temporal (a) y su transformada de Fourier (b).

4.2
N otese que mientras x(t) sea m as localizada en el tiempo, es decir, mientras m as peque no sea , mucho m as amplio es su espectro puesto que 1/ crece. Este llamado principio de incertidumbre es general para todas la se nales, e indica que algo muy localizado en el tiempo no puede ser localizado con precisi on en el dominio de la frecuencia, y algo con frecuencias muy puntuales no tiene una ubicaci on espec ca en el tiempo. La tabla 4.2 resume algunas propiedades de la Transformada de Fourier.
4.2
Espectro de se nales en tiempo discreto
En la secci on anterior se present o que el espectro de se nales continuas abarca frecuencias de a , donde en el caso de se nales peri odicas solo se encontrar an frecuencias discretas m ultiplos de F0 = 1/Tp , donde Tp es el periodo fundamental de la se nal. En cap tulos anteriores se demostr o que, sin embargo, para se nales de naturaleza discreta solo existe unicidad para frecuencias normalizadas en el intervalo ] 1/2; 1/2], o [0; 1[.
97
Tabla 4.2: Propiedades de la Transformada de Fourier Propiedad Se nal en el tiempo x(t) x1 (t) x2 (t) 1 x1 (t) + 2 x2 (t) x(t) = x(t) x(t) = x(t) Transformada X (j ) X1 (j ) X2 (j ) 1 X1 (j ) + 2 X2 (j )
Linealidad Simetr a par
2
0
x(t) cos(t) dt
X (j ) IR Simetr a impar Funci on real Dualidad Desplazamiento temporal Desplazamiento en frecuencia Modulaci on Conjugaci on Inversi on en el tiempo Escalamiento en el tiempo Convoluci on Multiplicaci on Diferenciaci on 2j x(t) sen(t) dt
0
Integraci on Relaci on de Parseval
X (j ) j IR x(t) IR X (j ) = X (j ) X (jt) 2x( ) x(t ) ej X (j ) ej0 t x(t) X (j j0 ) 1 1 cos(0 t)x(t) X (j j0 ) + 2 X (j + j0 ) 2 x (t) X (j ) x(t) X (j ) 1 j x(at) X |a| a x1 (t) x2 (t) X1 (j )X2 (j ) 1 X1 (j ) X2 (j ) x1 (t)x2 (t) 2 dx(t) jX (j ) dt d tx(t) j X (j ) d t 1 x(t) dt X (j ) + X (0) ( ) j 1 |x(t)|2 dt = |X (j )|2 d 2
4.2.1
Espectro de se nales discretas peri odicas
Una se nal discreta peri odica con periodo fundamental N puede tener componentes frecuenciales separadas por = 2/N radianes o f = 1/N ciclos, que se representan por los exponenciales complejos arm onicamente relacionados: sk (n) = ej 2kn/N , k = 0...N 1
Utilizando la serie generalizada de Fourier con estas se nales como base se obtiene para la
98
s ntesis de una se nal:

N 1
x(n) =
k=0
ck ej 2kn/N
(4.3)
N a=1 an = 1 aN a=1 n=0 1a se puede armar para las exponenciales complejas

N 1 N 1
y considerando que
ej 2kn/N =
n=0
N 0
en el resto
k = 0, N, 2N, . . .
tomando a = ej 2k/N por lo que aN = 1. Multiplicando (4.3) por ej 2ln/N y sumando de 0 a N 1.

N 1 N 1 N 1
x(n)e
n=0
j 2ln/N
=
N 1
ck ej 2kn/N ej 2ln/N
n=0 k=0 N 1
=
k=0
ck
n=0
ej 2(kl)n/N
= N cl y nalmente 1 cl = N
N 1
x(n)ej 2ln/N ,
n=0
l = 0, 1, . . . , N 1
N otese que en esta serie de Fourier en tiempo discreto (DTFS, discrete time Fourier series) el coeciente ck representa la amplitud y fase de la componente frecuencial sk (n) = ej 2kn/N = ejk n con frecuencia angular normalizada k = 2k/N (o lo que es equivalente fk = k/N ). Puesto que sk (n) es peri odica al ser fk un n umero racional (sk (n) = sk (n+N )), entonces los coecientes ck tambi en son peri odicos con periodo fundamental N : ck+N 1 = N
N 1
x(n)e
n=0
j 2 (k+N )n/N
1 = N
N 1
x(n)ej 2kn/N ej 2n = ck
n=0
Por conveniencia se utiliza para ck normalmente el intervalo k = 0 . . . N 1. La relaci on de Parseval es en este caso 1 N
N 1 N 1
n=0
|x(n)| =
k=0
|ck |2
es decir, la potencia media de la se nal es igual a la suma de las potencias medias de cada componente en el dominio de la frecuencia.
99
4.2.2
Espectro de se nales discretas aperi odicas
La transformada de Fourier de una se nal de energ a nita en tiempo discreto x(n) se dene como:
X ( ) =
n=
x(n)ejn
N otese que X ( ) = X ( + 2k ), lo que implica que el rango de frecuencias u nicas se limita a [0, 2 [, o de forma equivalente a ] , ], que contrasta con el rango [, ] de las se nales continuas. Como la se nal x(n) es discreta, una sumatoria reemplaza la integral del caso continuo. Puede demostrarse adem as que x(n) = 1 2
X ( )ejn d .
La transformada de Fourier converge si

|X ( )| =
x(n)e
n=
jn
n=
|x(n)| <
es decir, si la se nal es absolutamente sumable. La relaci on de Parseval en este caso es:
Ex =
n=
|x(n)|2 =
1 2
|X ( )|2 dt
Para se nales reales, el espectro X ( ) tiene magnitud par y fase impar, es decir, se cumple que X ( ) = X ( ), por lo que usualmente basta determinar el espectro para [0, ], pues la contraparte puede generarse por simetr a. Debe notarse en los cuatro casos anteriores la correspondencia entre periodicidad en un dominio y la naturaleza discreta de la representaci on en el dominio complementario. Es decir, si la se nal es peri odica, su espectro ser a discreto y si el espectro es peri odico, es porque la se nal es discreta. Si la distancia entre las muestras o la l neas espectrales es entonces la periodicidad en el otro dominio ser a 1/. peri odico discreto
aperi odico continuo Por ejemplo, una se nal continua peri odica tendr a un espectro aperi odico discreto; una se nal discreta aperi odica tendr a un espectro peri odico continuo.
100
4.2.3
Relaci on entre las transformadas de Fourier y z
La transformada z de la secuencia x(n) se ha denido como
X (z ) =
n=
x(n)z n ,
ROC : r2 < |z | < r1
(4.4)
Expresando z como z = rej (r = |z |, = z ), entonces (4.4) se puede reescribir como
X (z )|z=rej =
x(n)rn ejn
n=
que equivale a la transformada de Fourier de la secuencia x(n)rn . Para el caso especial de r = 1 se obtiene X (z )|z=ej = X ( ) = x(n)ejn
n=
es decir, la transformada de Fourier de x(n) equivale a su transformada z evaluada en la circunferencia unitaria z = ej . La gura 4.4 muestra como ejemplo la magnitud de la transformada z de una secuencia x(n) y a la derecha la misma funci on recortada en |z | = 1. La silueta formada en |z | = 1 corresponde entonces a X ( ).
7 6 5 4
7 6 5 4
|X ( z ) |
3 2 1
|X ( z ) |
3 2 1
Im{z0 }
1 0.5 0 1 1 0.5
Im{z0 }
1 0.5 0 1 1 0.5
Re{z }
Re{z }
(a)
(b)
Figura 4.4: Correspondencia entre X ( ) y X (z ) para una funci on con un par de polos com plejos conjugados en z = 0,95ej 30 y un cero en z = 0. (a) |X (z )|. (b) |X (z )| para |z | < 1.
Si X (z ) no converge en |z | = 1 entonces la transformada de Fourier no existe. Por otro lado, existen funciones con transformada de Fourier, que no tienen transformada z . Por
101
ejemplo, x(n) =
sen c n n
tiene transformada de Fourier 1 | | c
X ( ) =
0 c < | | <
sen c n n z n= n
mas no posee transformada z , puesto que para la serie regi on de convergencia.
no existe ninguna
Algunas secuencias con polos en |z | = 1 en su transformada z pueden tener una transformada de Fourier si se extiende la denici on de transformada para utilizar impulsos de Dirac =0 ( ) = ( ) d = 1 0 =0
Ejemplo 4.3 Determine la transformada de Fourier de las se nales 1. x1 (n) = u(n) 2. x2 (n) = (1)n u(n) 3. x3 (n) = cos(0 n)u(n) 1 z = con una ROC |z | > 1, pues 1 1z z1 se obtiene = 2k, k Z
1. La transformada de x1 (n) es X1 (z ) = tiene un polo en z = 1. Con z = ej X1 ( ) =
ej ej/2 1 j 2 ; = = e ej 1 ej/2 ej/2 2 sen(/2)
cuya magnitud y fase se muestran en la gura 4.5.

|X1 ( )| 3.5
3
X1 ( )
2
2.5
1.5
0.5
(a)
(b)
Figura 4.5: Espectros de magnitud y fase para la funci on escal on u(n). (a) Espectro de magnitud. (b) Espectro de fase.
102
Puesto que solo en = 2k X1 ( ) est a indenido, se sustituye all la transformada por ( ), donde la constante se obtiene de un desarrollo matem atico riguroso 1 que excede el contexto de estas notas. 2. X2 (z ) = 1 z con un polo en z = 1 = ej . La transformada de Fourier = 1 + z 1 z+1 ej/2 es entonces X2 ( ) = , con = 2k + , k Z. Donde se agregan los 2 cos(/2) impulsos en las frecuencias = y = (gura 4.6).
|X2 ( )| 3.5
3
X2 ( )
2
2.5
1.5
0.5
(a)
(b)
Figura 4.6: Espectros de magnitud y fase para la funci on (1)n u(n). (a) Espectro de magnitud. (b) Espectro de fase.
3. X3 (z ) =
1 z 1 cos 0 , ROC |z | > 1 puesto que tiene dos polos complejos 1 2z 1 cos 0 + z 2 conjugados en ej0 . Por lo tanto, la transformada de Fourier es X3 ( ) = 1 ej cos 0 (1 ej (0 ) )(1 ej (+0 ) )
con = 0 + 2k (gura 4.7).

4.3
4.2.4
El teorema del muestreo
Derivaci on conceptual por an alisis de Fourier La funci on puente pT (t) mostrada en la gura 4.8 se utiliza para modelar la toma de muestras con el intervalo T de la se nal anal ogica xa (t). La se nal muestreada xs (t) se modela a trav es del producto de la se nal xa (t) y pT (t) (gura 4.9): xs (t) = xa (t)pT (t)
3.5
103
|X3 ( ) | X3 ( )
2
2.5
1.5
2 0
0.5
(a)
(b)
Figura 4.7: Espectros de magnitud y fase para la funci on cos(n/3). (a) Espectro de magnitud. (b) Espectro de fase.
p T (t )
2T
3T
Figura 4.8: Funci on puente utilizada para tomar muestras peri odicas en el tiempo de se nales continuas.
Puesto que la funci on puente pT (t) es peri odica, se puede expresar por medio de una serie de Fourier con coecientes Pn :
pT (t) =
n=
Pn ejn0 t ;
ejt
0 =
2 = 2F T
El desarrollo parte del hecho que ejt dt = 2 ( ).
d = 2 (t), o haciendo un cambio de variable
xa (t )
T xs (t )
2T
3T
2T
3T
Figura 4.9: Muestreo de se nal utilizando la funci on puente.
104
de modo que se cumple xs (t) = xa (t)
Pn ejn0 t
n=
Aplicando la transformada de Fourier a ambos lados de la ecuaci on y utilizando la propiedad de linealidad se obtiene

Xs (j ) = F {xs (t)} = F
xa (t)
n=
Pn ejn0 t
=
n=
Pn F xa (t)ejn0 t
y considerando la propiedad de desplazamiento en frecuencia, lo anterior equivale a
Xs (j ) =
n=
Pn Xa (j jn0 )
= P0 Xa (j ) +
n= n=0
Pn Xa (j jn0 )
de donde se deduce que con el muestreo se producen r eplicas del espectro original de la se nal Xa (j ), separadas en el dominio de la frecuencia por 0 = 2/T y ponderadas por los coecientes de la representaci on de la funci on puente como serie de Fourier (gura 4.10).
x (t ) X (j )
t (a) xs (t )
2 B
2 B Xs (j )
t (b)
2 Fs
2 B
2 B
Figura 4.10: Replicaci on del espectro por medio del muestreo.
Si el espectro original Xa (j ) es de banda limitada, es decir, si a partir de cierta frecuencia 2B (donde B es el llamado ancho de banda ) se cumple Xa (j ) = 0, entonces eligiendo el periodo de muestreo sucientemente alto es posible evitar que las r eplicas se traslapen con el espectro original. Si xa (t) es real, entonces la magnitud de su espectro es par, y por tanto para evitar el traslape la siguiente r eplica se deber a posicionar al menos en 0 > 4B lo que es equivalente a armar que la frecuencia de muestreo fs debe ser al menos el doble del ancho de banda B del espectro Xa (j ) para evitar que las replicas se traslapen.
105
Se puede demostrar que si no hay traslape entonces es posible rescatar a partir de la se nal muestreada xs (t) la se nal original xa (t) utilizando un ltro paso-bajos que permita pasar u nicamente el rango de frecuencias angulares desde 2B hasta 2B . Estos principios se resumen en el llamado teorema del muestreo que establece que para muestrear una se nal anal ogica sin p erdidas de informaci on se requiere una tasa de muestreo de al menos el doble del ancho de banda del espectro de la se nal. En los u ltimos a nos han tomado fuerza nuevas propuestas2 para requerir a un menos muestras que las establecidas por este teorema, aunque su funcionamiento parte de requisitos adicionales impuestos a la funci on xa (t), donde la posici on de las muestras deja de ser regular, y el comportamiento matem atico pasa a ser m as basado en procesos estoc asticos que deterministas. Derivaci on algebraica En la secci on 2.2.2 se revis o el hecho de que la m axima frecuencia normalizada repreFmax 1 sentable en una se nal muestreada es fmax = Fs = 2 . Puesto que la representaci on de Fourier de la se nal discreta es x(n)
X ( ) =
n=
x(n)ejn ,
] , ]
y X ( ) es peri odico con periodo fundamental 2 , se obtiene que la frecuencia m nima de muestreo Fs debe ser elegida de tal modo que sea al menos el doble de la frecuencia m axima de la se nal(gura 4.11).
X ( )
2 1 Fs
1 2
s B F 2
0 0 B
1 2 Fs 2
2 1 Fs
f F
Figura 4.11: Espectro de se nal discreta con banda limitada sin aliasing.
De otro modo existir a entre las repeticiones peri odicas del espectro de la se nal anal ogica un traslape, denominado aliasing . Sea xa (t) la se nal anal ogica muestreada peri odicamente cada T segundos para producir la se nal en tiempo discreto x(n): x(n) = xa (nT ),
2
< n < .
El lector interesado puede buscar entre otros los temas de compressive sampling y el nite rate of innovation.
106
Si xa (t) es aperi odica de energ a nita, entonces se cumple para su espectro:
Xa (F ) =
xa (t)ej 2F t dt
xa (t) =
Xa (F )ej 2F t dF
En el dominio discreto se tiene:
X (f ) =
n=
x(n)e
j 2f n
1 2
x(n) =
1 2
X (f )ej 2f n df
Puesto que para la se nal muestreada se tiene t = nT = entonces se cumple que
n Fs
x(n) = xa (nT ) =
Xa (F )ej 2nF/Fs dF =
1/2
1/2
X (f )ej 2f n df
Considerando que f = F/Fs y df = dF/Fs se obtiene entonces 1 Fs

Fs /2 j 2nF/Fs
X (F/Fs )e
Fs /2
dF =
Xa (F )ej 2nF/Fs dF
El lado derecho se puede segmentar en bloques de ancho Fs de la siguiente manera:

(k+1/2)Fs
Xa (F )e
j 2nF/Fs
dF =
k= (k1/2)Fs
Xa (F )ej 2nF/Fs dF
Con un cambio de variable en la integral F = F kFs , dF = dF , se obtiene un desplazamiento del k - esimo bloque al intervalo [Fs /2, Fs /2]:
(k+1/2)Fs Fs /2
Xa (F )ej 2nF/Fs dF =
(k1/2)Fs Fs /2 Fs /2
Xa (F + kFs )ej 2n
F +kFs Fs
dF
=
Fs /2
Xa (F + kFs )ej 2nF/Fs dF
por lo que 1 Fs
Fs /2
X
Fs /2
F Fs
Fs /2
j 2nF/Fs
dF =
k= Fs /2 Fs /2
Xa (F + kFs )ej 2nF/Fs dF Xa (F + kFs ) ej 2nF/Fs dF

Fs /2 k=
107
es decir X F Fs
= X (f ) = Fs
k=
Xa ((f k )Fs )
N otese que el espectro de la se nal discreta X (f ) es igual a la repetici on peri odica con periodo Fs del espectro escalado Fs Xa (F ). Si el espectro de la se nal anal ogica es de banda limitada, es decir, Xa (F ) = 0 si |F | B , entonces si se elige Fs mayor a 2B se cumple para el rango de frecuencias u nicas |F | Fs /2: F X = Fs Xa (F ), |F | Fs /2 . Fs En este caso no existe aliasing y los espectros de las se nales continua y discreta son id enticos en el intervalo de frecuencias |F | Fs /2, exceptuando el factor de escala Fs (gura 4.12).
xa (t ) X a (F )
t (a) x (n )
B X
B
F Fs
T x (n )
n (b)
Fs
B X
B
F Fs
Fs =
1 T
n (c)
Fs
Fs
Figura 4.12: Se nal anal ogica de espectro nito y los efectos de diferentes frecuencias de muestreo. (a) Se nal anal ogica xa (t) y su espectro. (b) Muestreo con Fs > 2B . (c) Muestreo con Fs < 2B .
Si Fs < 2B entonces el solapamiento espectral impide que la se nal original pueda ser recuperada a partir de las muestras. Si no hay solapamiento, entonces 1X F |F | Fs /2 Fs Xa (F ) = Fs 0 |F | > Fs /2 y puesto que X F Fs
=
n=
x(n)ej 2F n/Fs
108
y adem as
Fs /2
xa (t) =
Fs /2
Xa (F )ej 2F t dF
se tiene que 1 xa (t) = Fs = Para t = n/Fs se cumple

Fs /2 Fs /2 Fs /2 Fs /2
x(n)ej 2F n/Fs ej 2F t dF
n= Fs /2
1 Fs
x(n)
n= Fs /2
ej 2F (t Fs ) dF
ej 2F (t Fs ) dF =
Fs /2
dF = Fs
Fs /2
y puesto que para t = n/Fs se tiene

Fs /2 Fs /2
j 2F (
n t F s
) dF =
ej 2F (t Fs ) j 2 t
n Fs
Fs /2
=
Fs /2 n Fs
ejFs (t Fs ) ejFs (t Fs ) j 2 t
n Fs
sen Fs t t
n Fs
Fs sen Fs t Fs t
n Fs
n Fs
con lo que se cumple para todo t

Fs /2 Fs /2
ej 2F (t Fs ) dF = Fs sa Fs t
n Fs n Fs
entonces xa (t) =
n=
x(n) sa Fs t
=
n=
xa (nT ) sa (Fs [t nT ])
que es la interpolaci on de las muestras utilizando el interpolador ideal

t sen T g (t) = t T
= sa
t T
(4.5)
N otese que g (t) es cero para t = kT , k Z \ 0. En otras palabras, si xa (t) es de banda limitada B y x(n) = xa (nT ) es muestreada con Fs 2B entonces xa (t) puede ser reconstruida completamente y de forma u nica utilizando el interpolador g (t) dado en (4.5). Debe advertirse, sin embargo, que g (t) tiene extensi on innita y no es causal, por lo que en aplicaciones pr acticas suele aproximarse con interpoladores nitos. La gura 4.13 muestra un ejemplo de interpolaci on de una secuencia nita de muestras x(n) = {0, 3, 2, 1, 1, 0}. Se aprecia que la funci on interpolada atraviesa todas las muestras, mientras que para valores de t no enteros todas las muestras contribuyen al valor interpolado.
x(n), xa (t)
4
109
0 -1 -1 0 1 2 3 4 5 6
n, t
-2
Figura 4.13: Ejemplo de iterpolaci on ideal para una secuencia de muestras nita.
4.3
Propiedades de la transformada de Fourier de se nales discretas
Simetr a: Anteriormente se discuti o el hecho de que cualquier se nal puede representarse como la suma de una componente par y otra impar. Esto se puede aplicar tanto a la parte real como a la imaginaria del espectro y de su se nal. Se puede demostrar que la relaci on entre estas componentes es la siguiente: x(n) = [ xe R (n) + jxe I (n)] + [ xo R (n) + jxo I (n)]
X2 ( ), entonces:
e e o o X ( ) = [XR ( ) + jXI ( )] + [jXI ( ) + XR ( )]
Si x(n) es real, entonces X ( ) = X ( ) Linealidad: Si x1 (n)
X1 ( ) y x2 (n)
a1 x1 (n) + a2 x2 (n)
a1 X1 ( ) + a2 X2 ( )
Desplazamiento temporal: x(n)
X ( ) x(n k )
ejk X ( )
Reexi on temporal: x(n)
X ( ) x(n)
X ( )
110
4.3 Propiedades de la transformada de Fourier de se nales discretas
Teorema de la Convoluci on: x1 (n) x1 (n) x2 (n) Teorema de la Correlaci on: x1 (n) rx1 x2 (n)
X1 ( ), x2 (n) X1 ( )X2 ( )
X2 ( )
X1 ( ), x2 (n)
Sx1 x2 ( ) = X1 ( )X2 ( )
X2 ( )
Si la se nal es real, puesto que X ( ) = X ( ) entonces: rxx (n)
X ( )X ( ) = X ( )X ( ) = |X ( )|2 = Sxx ( )
que se conoce como el teorema de Wiener-Khinchin. Desplazamiento frecuencial: x(n)
X ( ) ej0 n x(n)
X ( 0 )
Teorema de modulaci on: x(n)
X ( ) x(n) cos(0 n)
1 2
1 {X ( + 0 ) + X ( 0 )} 2
Teorema de Parseval: x1 (n)
X1 ( ), x2 (n)
X2 ( ) X1 ( )X2 ( )d
Demostraci on: 1 2
x1 (n)x2 (n) =
n=
1 X1 ( )X2 ( )d = 2

x1 (n)ejn
n=
X2 ( )d
=
n=
x1 (n)
1 2
X2 ( )ejn d
Para el caso x1 (n) = x2 (n) = x(n)
1 2
x1 (n)x2 (n)
n=
X ( ):

Ex =
n=
|x(n)|2 =
|X ( )|2 d =
1 2
Sxx ( )d
111
Teorema del enventanado (multiplicaci on de secuencias): x1 (n) x3 (n) = x1 (n)x2 (n)
X1 ( ), x2 (n) 1 X3 ( ) = 2
X2 ( )
X1 ()X2 ( )d = X1 ( ) X2 ( )
donde el s mbolo a la derecha, denota la convoluci on peri odica en el dominio de la frecuencia. Diferenciaci on en el dominio de la frecuencia: x(n)
X ( ) nx(n)
dX ( ) d
4.4
4.4.1
Sistemas LTI en el dominio de la frecuencia

La funci on de respuesta en frecuencia
En el cap tulo 2 se demostr o que la respuesta de cualquier sistema LTI en reposo a una se nal de entrada x(n), est a determinada por la convoluci on con la respuesta impulsional h(n):
y (n) =
k=
h(k )x(n k )
Para analizar este sistema en el dominio de la frecuencia se analiza su respuesta a una se nal exponencial compleja x(n) = Aejn . Se obtiene como salida:

y (n) =
k=
h(k )Ae
j (nk)
= Ae
jn k=
h(k )ejk = AH ( )ejn

n=
N otese que H ( ) existe si el sistema es estable, puesto que
|h(n)| < .
La respuesta del sistema LTI a una entrada exponencial compleja es entonces otra se nal exponencial compleja de la misma frecuencia, pero con una nueva amplitud y fase determinadas por H ( ). Puesto que H ( ) = |H ( )|ej H () entonces es claro que la magnitud cambia de acuerdo a |H ( )| y la fase de acuerdo a H ( ). Puesto que h(n) es discreta, entonces H ( ) h(n) = 1 2
h(n) es peri odica y se cumple entonces:
H ( )ejn d
Adem as, por las propiedades de simetr a, si h(n) es real, entonces H ( ) tiene simetr a herm tica, es decir H ( ) = H ( ), lo que implica que |H ( )| = |H ( )| (simetr a par), H ( ) = H ( ) (impar), Re{H ( )} = Re{H ( )} (par), Im{H ( )} = Im{H ( )} (simetr a impar).
112
4.4 Sistemas LTI en el dominio de la frecuencia
A H ( ) se le denomina respuesta en frecuencia del sistema. Esta funci on determina la amplitud y fase para cada se nal exponencial compleja de entrada. Adem as, puesto que ejn +ejn cos(n) = , entonces la respuesta del sistema LTI con respuesta impulsional 2 h(n) ante la entrada x(n) = A cos(n), ser a: y (n) = A H ( )ejn + H ( )ejn 2 A = |H ( )| ej (n+H ()) + |H ( )| ej (nH ()) 2 A = |H ( )| ej (n+H ()) + ej (n+H ()) 2 = A|H ( )| cos(n + H ( ))
Es decir, |H ( )| determina la atenuaci on o amplicaci on de la componente frecuencial de la entrada con frecuencia angular , y por ende se le denomina respuesta en magnitud , mientras que H ( ) determina la fase a la salida de la misma componente (respuesta en fase ). Ejemplo 4.4 Para el sistema descrito por la ecuaci on: y (n) = ay (n 1) + bx(n), 1. Determine H ( ) 2. Elija b de tal modo que |H ( )| sea a lo sumo 1 y graque |H ( )| y H ( ) para a = 0,9 3. Determine la salida para x(n) = 5 + 12 sen( n) 20 cos n + 2 1. Puesto que Y (z ) = aY (z )z 1 + bX (z ) H ( ) =
Y (z ) X (z ) 4
0<a<1
a, b IR
b 1az 1
= H (z )
h(n) = ban u(n)
b 1 aej |b| |b| = |H ( )| = j |1 ae | |1 a(cos j sen )| |b| = (1 a cos )2 + (a sen )2 |b| |b| = = 2 2 2 2 1 2a cos + a cos + a sen 1 2a cos + a2 a sen H ( ) = b arctan 1 a cos 2. |H ( )| es m aximo si el denominador es m nimo, y esto ocurre, puesto que a [0, 1] cuando cos es m aximo, es decir, cuando = 0: |b| |b| |H (0)| = = |b| = 1 a 1a 1 2a + a2 Eligiendo b = 1 a se obtienen las gr acas en la gura 4.14.
1.2
113
3.14159
|H ( ) |
( )
0.8
1.5708
0.6
0
0.4
0 0.785398 1.5708 2.35619 3.14159
0.2
-1.5708
0 0 -0.2 1.5708
3.14159
-3.14159
(a)
(b)
Figura 4.14: Respuestas de magnitud y fase para el sistema en el ejemplo (4.4).
), H ( ) 3. Asumiendo a = 0,9, se requiere H (0), H ( 2 H (0) = 10 1a 0,1 = H = 0,074 = 2 1,81 1 + a2 H = arctan a = 42 2 0,1 1a = = 0,053 H ( ) = 0 |H ( )| = 1+a 0,9 entonces sen n + H 2 2 2 20|H ( )| cos n + + H ( ) 4 n 42 1,06 cos n + = 5 + 0,888 sen 2 4
4.4
y (n) = 5 + 12 H
4.4.2
Respuesta transitoria y en r egimen permanente a entradas sinusoidales
La secci on anterior analiz o la respuesta de sistemas LTI a una entrada cosenoidal o exponencial compleja eterna, es decir, aplicadas al sistema en n = . La respuesta observada es entonces en r egimen permanente, y no hay respuesta transitoria. Todo sistema LTI estable BIBO excitado por una se nal exponencial compleja en n = 0 u otro tiempo nito, tendr a una respuesta transitoria que tiende a cero a medida que n tiende a innito.
114
Ejemplo 4.5 Determine las respuestas transitoria y de estado permanente para: x(n) = Aejn u(n) del sistema y (n) = ay (n 1) + x(n) En la secci on 2.5.2 se demostr o que la respuesta de este sistema con condiciones iniciales no nulas es: n y (n) = an+1 y (1) + Sustituyendo x(n) = Ae
jn k=0
ak x(n k ), n 0
u(n) se obtiene:
n
y (n) = a
n+1
y (1) + A
ak ej(nk)
k=0 n
= an+1 y (1) + A = an+1 y (1) + A
ak ejk ejn
k=0
El sistema es estable si a < 1, con lo que se obtiene para n la respuesta de estado permanente (steady state ): yss (n) = lim y (n) =
n
1 an+1 ej(n+1) jn e 1 aej ejn an+1 ej(n+1) jn e + A = an+1 y (1) A 1 aej 1 aej
A ejn 1 aej
La respuesta transitoria est a dada por los otros t erminos: ytr (n) = an+1 y (1) = an+1 y tiende a cero para n . Aej(n+1) jn e 1 aej Aej y (1) 1 aej
4.5
4.4.3
Respuesta en r egimen permanente a se nales de entrada peri odicas
Sea x(n) una se nal peri odica, con periodo fundamental N , denida en el rango < n < , por lo que la respuesta de un sistema LTI estable ser a la respuesta en r egimen permanente. La se nal x(n) puede entonces expresarse por medio de una serie de Fourier:
N 1
x(n) =
k=0
ck ej 2k N
115
n
Puesto que la respuesta a xk (n) = ck ej 2k N es: yk (n) = ck H

n 2 k ej 2k N N
entonces, utilizando la linealidad del sistema se obtiene:

N 1
y (n) =
k=0
ck H
n 2 k ej 2k N = N
N 1
dk ej 2k N
k=0
k ). La respuesta tiene entonces el mismo periodo de la entrada, pero con dk = ck H ( 2 N otra forma de se nal debido a los cambios de amplitud y fase aportados por los coecientes dk .
4.4.4
Respuesta a se nales de entrada aperi odicas
Puesto que la salida de un sistema LTI en tiempo discreto es: y (n) = h(n) x(n) se obtiene en el dominio de la frecuencia: Y ( ) = H ( )X ( ) donde se deriva: Y ( ) = H ( ) + X ( ) La respuesta en magnitud |H ( )| indica cu ales frecuencias se amplican y cu ales se aten uan. N otese adem as que la salida de un sistema LTI no puede tener frecuencias que no est en presentes en la entrada y en la respuesta en frecuencia; s olo sistemas no lineales o variantes en el tiempo pueden generar nuevas frecuencias. A pesar de que la salida y (n) se puede obtener de la respuesta en frecuencia: y (n) = 1 2
|Y ( )| = |H ( )||X ( )|
Y ( )ejn d
no es usual emplear la transformada inversa de Fourier por ser relativamente m as simple el tratamiento con la transformada z . La relaci on entre las densidades espectrales de la entrada Sxx ( ) y de la salida Syy ( ) se obtiene f acilmente con: Syy ( ) = |Y ( )|2 = |H ( )|2 |X ( )|2 = |H ( )|2 Sxx ( ) La energ a de la salida es entonces: Ey = 1 2

Syy ( )d =
1 2
|H ( )|2 Sxx ( )d
116
4.4.5
Relaciones entre la funci on de transferencia y la respuesta en frecuencia
Si la ROC de la funci on de transferencia contiene a la circunferencia unitaria, entonces:
H ( ) = H (z )|z=ej = Si H (z ) es racional, H (z ) = H ( ) =
B (z ) A(z )
h(n)ejn
n=
y asumiendo que h(n) es real, entonces:

M jk k=0 bk e N jk k=1 ak e
B ( ) = A( ) 1+
= b0
M k=1 (1 N k=1 (1
pk ej )
zk ej )
con los coecientes reales {ak } y {bk }, y los ceros {zk } y polos {pk } que pueden ser complejos. Si h(n) es real, entonces H ( ) = H ( ) y as : |H ( )|2 = H ( )H ( ) = H ( )H ( ) = H (z )H (z 1 ) = Z {rhh (n)} |z=ej lo que conrma el teorema de Wiener-Khinchin |H ( )|2 Sea D(z ) = B (z )B (z 1 ) demostrarse que:
z =ej
(4.6) (4.7)
b(n) b(n) y C (z ) = A(z )A(z 1 )
rhh (n). a(n) a(n). Puede
N |n|
c(n) =
k=0 M |n|
a(k )a(k + n),
N n N, a(k ) = ak M n M, b(k ) = bk
d(n) =
k=0
b(k )b(k + n),
que corresponden a la autocorrelaci on de a(n) y b(n), los coecientes de denominador y jk y B ( ) = numerador de la funci on de transferencia. Puesto que A( ) = N k=0 a(k )e N jk , ck = ck y dk = dk : k=0 b(k )e |H ( )|2 = d0 + 2 c0 + 2
M k=1 dk cos k N k=1 ck cos k
m 2 donde con cos k = k on racional de polim=0 m (cos ) , entonces |H ( )| es una funci nomios de cos . Esto implica que la densidad espectral de energ a es continua, suave y si se indene, o se hace cero, lo hace en puntos nitos aislados.
4.4.6
C alculo de la respuesta en frecuencia
Para evaluar el efecto de los polos y ceros de la funci on de transferencia en la respuesta en frecuencia, eval uese entonces: H ( ) = b0
M k=1 (1 N k=1 (1
pk ej )
zk ej )
= b0 ej(N M )
M j k=1 (e N j k=1 (e
pk )
zk )
117
y con ej zk = Vk ( )ejk () , ej pk = Uk ( )ejk () , Vk ( ) = |ej zk |, k ( ) = (ej zk ), Uk ( ) = |ej pk |, k ( ) = (ej pk ), se obtiene: |H ( )| = |b0 | V1 ( ) . . . VM ( ) U1 ( ) . . . UM ( )
H ( ) = b0 + (N M ) + 1 ( ) + . . . + M ( ) [1 ( ) + . . . + N ( )] N otese que (ej pk ) puede interpretarse geom etricamente como el fasor que va del polo j pk al punto e que se encuentra en la circunferencia unitaria con el a ngulo . El mismo concepto se aplica a los ceros.
e j pk Im{z } ej
pk
Re{z }
Figura 4.15: Interpretaci on geom etrica del factor ej pk .
La respuesta en frecuencia H ( ) se har a muy peque na si z = ej pasa cerca de un cero, o se har a muy grande si pasa cerca de un polo. N otese que si la magnitud de H ( ) se expresa en decibelios, entonces:
M N
|H ( )|dB = 20 log10 |b0 | + 20
k=1
log10 Vk ( ) 20
log10 Uk ( )
k=1
4.5
Sistemas LTI como ltros selectivos en frecuencia
Filtro es un caso particular de sistema que discrimina alg un atributo de los objetos o se nales aplicados a su entrada, y permite o suprime el paso de dichos objetos o se nales si y solo si estos presentan ese atributo. As , ltros de aire y aceite permiten que estas sustancias los atraviesen, evitando que otras impurezas como polvo alcancen su salida; ltros de luz (por ejemplo, luz infraroja) permiten el paso de s olo una parte del espectro electromagn etico. En las secciones anteriores se present o la propiedad de los sistemas LTI de ltrar diferentes componentes en frecuencia de su se nal de entrada, caracterizada por la respuesta en frecuencia H ( ). Es por ello que los t erminos sistema LTI y ltro se utilizan con frecuencia como sin onimos. Eligiendo la posici on de los polos y ceros en la funci on de transferencia se eligen los coecientes ak y bk para obtener una determinada forma de la respuesta en frecuencia
118
4.5 Sistemas LTI como ltros selectivos en frecuencia
H ( ), que puede considerarse como funci on de ponderaci on o conformaci on espectral, pues la salida del sistema es Y ( ) = H ( )X ( ). Los sistemas LTI en estas funciones de ltrado selectivo de frecuencias o conformaci on espectral se utilizan de varias maneras: como eliminadores de ruido, conformaci on espectral para igualaci on de canales de comunicaci on, detecci on de se nales en radar y sonar, an alisis espectral, etc. En esta secci on se revisaran algunos conceptos b asicos, que ser an retomados en el cap tulo 7 con mayor detalle.
4.5.1
Filtros ideales
Como ltro ideal se conoce un sistema LTI con respuesta en frecuencia H ( ) = Cejn0 0 1 < < 2 en caso contrario
es decir, una ganacia constante C en la banda de paso, y cero en la banda eliminada. Algunos ltros selectivos se muestran en la gura 4.16.
|H ( ) | |H ( ) | |H ( ) | B B B c c 0 0
Paso Bajo
|H ( ) |
Paso Alto
|H ( ) |
Paso Banda
Supresor de Banda
Paso Todo
Figura 4.16: Respuesta en magnitud de algunos ltros ideales selectivos en frecuencia.
La respuesta de fase lineal permite que se nales de entrada con componentes frecuenciales connadas en el intervalo [1 , 2 ] sean simplemente escaladas y trasladadas en el tiempo, pues: Y ( ) = H ( )X ( ) = Cejn0 X ( ) = CX ( )ejn0
y (n) = Cx(n n0 )
El retardo no es considerado como una distorsi on grave de la se nal y es usualmente tolerado, tal y como el escalado en amplitud. En estos ltros la derivada de la fase tiene
119
unidades de retardo, y a la magnitud g ( ) = d( ) , d ( ) = H ( )
se le denomina retardo de envolvente o retardo de grupo del ltro. En el caso de los ltros ideales, puesto que ( ) = n0 , entonces g ( ) = n0 y es constante. En general, g ( ) indica el retardo temporal que experimenta la componente de frecuencia cuando pasa a trav es del sistema. Entonces, en los ltros ideales todas las componentes se retrasan. Los ltros ideales no son realizables. Por ejemplo, la respuesta impulsional del ltro paso bajo es: sen(c n) hlp (n) = , < n < n que es anticausal, innita y no es absolutamente sumable, por lo que el sistema es inestable. Algunos ltros digitales b asicos pueden dise narse colocando polos y ceros en el plano z , cerca de la circunferencia unitaria, de tal forma que se obtenga la forma de la respuesta en magnitud deseada, donde los polos deben estar en el interior de la circunferencia unidad, y si hay polos o ceros complejos, deben presentarse entonces en pares conjugados.
4.5.2
Filtros paso alto, paso bajo y paso banda
En el dise no de ltros paso bajo, los polos deben situarse cerca de los puntos de la circunferencia unidad correspondientes a las bajas frecuencias (cerca de = 0) y los ceros cerca de los puntos de la circunferencia unidad correspondientes a las altas frecuencias (cerca de = ). El caso contrario es para ltros paso alto. Ejemplo 4.6 Dise ne un ltro paso bajo con |H (0)| = 1 y 1. un solo polo en p1 = 0,9 2. un polo y un cero en p1 = 0,9 y z1 = 1 1. En general, un sistema LTI tiene la forma: H (z ) =
1+
= b0
M k=1 (1 N k=1 (1
pk z 1 )
zk z 1 )
Un ltro de primer orden sin ceros tendr a la funci on de transferencia H1 (z ) = b0 b0 b0 = H ( ) = 1 1 p1 z 1 1 0,9z 1 1 0,9ej
b0 0,1
Puesto que |H1 (0)| = 1 =
b0 = 0,1; H ( ) =
0,1 1,9
= 0,0526.
120
2. En este caso H2 ( ) = b0 (1 z1 z 1 ) 1 + z 1 1 + ej = b H ( ) = b 0 2 0 1 p1 z 1 1 0,9z 1 1 0,9ej

1 , H2 ( ) 20
= 20b0 b0 = y H2 (0) = b0 1+1 0,1
=0
1.2
| H1 ( ) | | H2 ( ) |
0.8
0.6
0.4
0.2
0 -3.14159 -1.5708 -0.2 0 1.5708 3.14159
Figura 4.17: Respuesta en magnitud de (1) ltro paso bajo de un polo, (2) ltro paso bajo de un polo y un cero; H1 (z ) = (1 a)/(1 az 1 ), H2 (z ) = [(1 a)/2][(1 + z 1 )/(1 az 1 )] y a = 0,9.
4.6
Reejando los polos y ceros con respecto al eje imaginario, se obtienen ltros paso alto: H1 ( ) = b0 , 1 + 0,9ej H2 ( ) = b0 (1 ej ) 1 + 0,9ej
Para ltros paso banda, se debe escoger un par de polos complejos conjugados cerca de la circunferencia unidad en la vecindad de la banda de paso.
Ejemplo 4.7 Dise ne un ltro paso banda de segundo orden con banda de paso en = , 2 4 1 con |H (0)| = |H ( )| = 0, H ( 9 ) = 2 , H ( 2 ) = 1. Soluci on: Los polos deben estar en p1,2 = rej 2 = rj, 0 < r < 1, y los ceros en z1 = 1
1.2
121
| H1 ( ) | | H2 ( ) |
0.8
0.6
0.4
0.2
0 -3.14159 -1.5708 -0.2 0 1.5708 3.14159
Figura 4.18: Respuesta en magnitud de un ltro paso alto H1 (z ) = (1 a)/(1+ az 1 ), H2 (z ) = [(1 a)/2][(1 z 1 )/(1 + az 1 )] y a = 0,9.
y z2 = 1, por lo que: H (z ) = b0 H H 2
2
4 9
(z 1)(z + 1) z2 1 e2j 1 = b0 2 H ( ) = b 0 2j (z jr)(z + jr) z + r2 e + r2 1 r2 2 2 ! = b0 = 1 b = = 1 b 0 0 1 r2 1 r2 2 8 2 2 2 2 cos 9 1r ! 1 = = 8 2 2 1 + r4 + 2r2 cos 9
La soluci on resulta en r2 = 0,7 (gura 4.19).

4.7
Otra manera de convertir un ltro paso bajos en uno paso altos es aplicar el desplazamiento en frecuencia la respuesta H ( ) radianes: Hhp = Hlp ( ) con Hhp ( ) la respuesta del ltro paso alto (hp: high pass) y Hlp ( ) la respuesta del ltro paso bajo (lp: low pass). N otese que la respuesta impulsional ser a hhp (n) = ej
n
hlp (n) = (1)n hlp (n)
Ahora interesa observar qu e le ocurre a los coecientes de la ecuaci on de diferencias con

122

1.2
|H ( ) |
0.8
0.6
0.4
0.2
0 -3.14159 -1.5708 -0.2 0 1.5708 3.14159
Figura 4.19: Respuesta en magnitud de ltro paso banda; 0,15[(1 z 2 )/(1 + 0,7z 2 )].
este desplazamiento en frecuencia. Puesto que:

N M
y (n) = Hlp ( ) = 1
k=1 M jk k=0 bk e jk + N k=1 ak e
ak y (n k ) +
k=0
bk x ( n k )
Sustituyendo por + se obtiene: Hhp ( ) = que equivale a:

N M M k jk k=0 (1) bk e N k jk k=1 (1) ak e
1+
y (n) =
k=1
(1)k ak y (n k ) +
k=0
(1)k bk x(n k )
y por lo tanto el u nico cambio debe hacerse a los coecientes ak y bk con k impar, quienes cambian su signo.
4.5.3
Resonadores digitales
Un resonador digital es un ltro paso banda con un par de polos complejos conjugados, que determinan con su posici on angular la frecuencia de resonancia del ltro y con un m aximo de dos ceros que se sit uan en el origen o en z = 1 (gura 4.20).
|H ( ) |
1
123
r = 0,8 r = 0,95 H ( )
2
r = 0,8 r = 0,95
0.8
0.6
r 0 0 r
0.4
2 4
0 0
0.2
0 0
Figura 4.20: Resonadores digitales todo-polos.
Para el caso con los ceros en el origen, se obtiene como funci on de transferencia: H (z ) = (1 b0 j 1 re 0 z )(1 rej0 z 1 ) = b0 1 (2r cos 0 )z 1 + r2 z 2
Dado que las bandas de paso se encuentran centradas en 0 o cerca de 0 , b0 se elige de tal modo que |H (0 )| = 1 b0 b0 = (1 rej0 ej0 )(1 rej0 ej0 ) (1 r)(1 rej 20 ) b0 =1 |H (0 )| = (1 r) 1 + r2 2r cos 20 H (0 ) = b0 = (1 r) 1 + r2 2r cos 20
0 Si se expresa |H ( )| como U1 (b y ( ) como 2 1 ( ) 2 ( ), donde (1 p1 z 1 ) = )U2 ( ) (1 rej0 z 1 ) = U1 ( )ej1 () , (1 p2 z 1 ) = (1 rej0 z 1 ) = U2 ( )ej2 () entonces
U1 ( ) =
1 + r2 2r cos( 0 ),
U2 ( ) =
1 + r2 2r cos( + 0 )
U1 alcanza su m nimo en = 0 (U1 (0 ) = 1 r) y U2 en = 0 (U2 (0 ) = 1 r). Sin embargo, su producto U1 ( )U2 ( ) alcanza su m nimo en (gura 4.21): r = cos1 1 + r2 cos 0 , 2r lim r = 0
r 1
Puede demostrarse que el ancho de banda de 3 dB es aproximadamente = 2(1 r) para r 1. Si los ceros se sit uan en = 0 y = , la funci on de transferencia es: H (z ) = G (1 z 1 )(1 + z 1 ) (1 z 2 ) = G (1 rej0 z 1 )(1 rej0 z 1 ) 1 (2r cos 0 )z 1 + r2 z 2
La presencia de ceros cambia la posici on de la frecuencia de resonancia (gura 4.22): es ahora m as cercana a 0 . Adem as, su ancho de banda es usualmente menor.
124
3 2.5 2
r 1.5
1 0.5 0 1 0.8 0.6 2.5 0.4 0.2 0.5 0 0 1 2 1.5 3
Figura 4.21: Posici on de la frecuencia de resonancia con respecto al radio y al angulo de los polos.
|H ( ) |
1
r = 0,8 r = 0,95
H ( )
2
r = 0,8 r = 0,95
0.8
0.6
0.4
2 4
0 0
0.2
0 0
Figura 4.22: Resonadores digitales con ceros en = 0 y = .
4.5.4
Filtros ranura
Un ltro ranura o muesca , es un ltro con uno o m as cortes profundos, idealmente ceros perfectos en su respuesta en frecuencia. Para crear estos en la frecuencia 0 , se introduce un par de ceros complejos conjugados en la circunferencia unitaria con a ngulo 0 . Es j0 decir, z1,2 = e , lo que resulta en: H (z ) = b0 (1 ej0 z 1 )(1 ej0 z 1 ) = b0 (1 2 cos 0 z 1 + z 2 ) El problema de esta conguraci on es que el corte tiene un ancho de banda relativamente grande. Esto puede ser atenuado situando polos complejos conjugados en p1,2 = rej0 , que introducen resonancia en la vecindad del cero, y por tanto reducen el ancho de banda de la banda suprimida. La funci on de transferencia resultante ser a: H ( z ) = b0 1 2 cos 0 z 1 + z 2 1 2r cos 0 z 1 + r2 z 2
|H ( )1.2 |
1
125
0.8
0.6
0.4
0.2
0 -3.14159 -1.5708 -0.2 0 1.5708
3.14159
Figura 4.23: Caracter stica de respuesta en frecuencia de un ltro ranura.

1.2
| H1 ( ) | | H2 ( ) |
0.8
0.6
0.4
0.2
0 -3.14159 -1.5708 -0.2 0 1.5708 3.14159
Figura 4.24: Caracter stica de respuesta en frecuencia de un ltro ranura con un cero en = 4; 12 cos 0 z 1 +z 2 Hi (z ) = Gi 12r cos z 1 +r2 z 2 , para r1 = 0,85 y r2 = 0,95
i 0 i
4.5.5
Filtros peine
Un ltro peine puede verse como un ltro ranura en el que los ceros aparecen peri odicamente en toda la banda de frecuencias. Se utilizan por ejemplo en el rechazo de arm onicos en l neas de potencia y en la separaci on de componentes solares y lunares de las medidas ionosf ericas de la concentraci on de electrones.
126
La forma m as sencilla de ltro peine es el ltro de media m ovil (FIR): 1 y (n) = M +1 con funci on de transferencia 1 H (z ) = M +1 y respuesta de frecuencia
+1 ej 2 sen M2 H ( ) = M + 1 sen 2
M
k=0
x( n k )
z k =
k=0
1 z (M +1) 1 z 1
De H (z ) se deduce con 1 z (M +1) = 0 1 = e2k = z M +1 z = e M +1 , k = 1, 2, . . . , M . N otese que el polo en z = 1 se cancela con el cero en z = 1 (k = 0), por lo que el u nico polo est a en z = 0.
|H ( ) |
1
2k
0 -3 -2 -1 0 1 2 3
Figura 4.25: Ejemplo de ltro peine FIR con M = 6.
Otra manera de generar ltros peine es a partir de cualquier ltro FIR con al menos un cero k en cierta frecuencia 0 . Si este ltro tiene funci on de transferencia H (z ) = M k=0 h(k )z y se reemplaza z por z L , con L Z, L > 0, entonces el nuevo ltro FIR tiene funci on de transferencia
M
HL (z ) =
k=0
h(k )z kL
Si la respuesta en frecuencia correspondiante a H (z ) es H ( ), entonces:

M
HL ( ) =
k=0
h(k )ejkL = H (L )
es decir, una repetici on de orden L de H ( ) en el rango 0 , donde H ( ) se comprime para que todas las repeticiones ocupen dicho intervalo.
127
Ejemplo 4.8 Dise ne un ltro peine a partir del ltro FIR 1 y (n) = (x(n) + x(n 1)) 2 tal que suprima las frecuencias = 4 + k . 2
x (n ) z
1 1 2
y (n )
Figura 4.26: Diagrama de bloques del ejemplo (4.8).
La funci on de transferencia es: H (z ) = y por lo tanto (gura 4.27)
1 + z 1 2

1 + ej ej 2 (e+j 2 + ej 2 ) H ( ) = = = ej 2 cos 2 2 2
|H ( ) |
1 0.8 0.6 0.4 0.2 0 0
replacemen
H ( )
0 0
Figura 4.27: Respuesta en frecuencia de y (n) = (x(n) + x(n 1))/2.
Utilizando L = 4 se obtiene HL ( ) = ej 2 cos(2 ), proveniente de H (z ) = ra 4.28).

|H ( ) |
1
1+z 4 2
(gu-
H ( )
0.8
0.6
0.4
0 0
0.2
0 0
Figura 4.28: Respuesta en frecuencia de y (n) = (x(n) + x(n 1))/2.

4.8
N otese entonces que si H ( ) tiene un cero en 0 , HL ( ) tendr a ceros en 0, 1, 2, . . . , L 1.

0 +2k , L
k =
128
4.5.6
Filtros paso todo
Un ltro paso todo tiene una respuesta en magnitud constante para todas las frecuencias: |H ( )| = 1, 0
El ejemplo m as simple es el registro de desplazamiento: H (z ) = z k H ( ) = ejk |H ( )| = 1 H ( ) = k
Otro caso est a dado por ltros con funciones de transferencia: H (z ) = z es decir, aN + aN 1 z 1 + . . . + a1 z N +1 + z N 1 + a1 z 1 + . . . + aN z N con el resultado de (4.6) en la p agina 116, H (z ) = |H ( )|2 = H (z )H (z 1 )
z =ej N
A(z 1 ) , con el polinomio A(z ) = A(z )
ak z k , a0 = 1 ,
k=0
= z N +N
A(z 1 ) A(z ) A(z ) A(z 1 )
= 1.
z =ej
j
1 p3
p3 p1 1 p3 p2 p1
1 p1
1 p2
1 p1 1 p3
Figura 4.29: Correspondencia entre polos y ceros de un ltro pasa-todo
N otese que si z0 es un cero, entonces z10 es un polo, lo que quiere decir que si alg un polo o cero est a dentro del c rculo unitario, la contraparte estar a fuera (gura 4.29). Si este ltro paso todo tiene polos reales k y polos complejos k entonces puede expresarse como: NR N z 1 k C (z 1 k )(z 1 k ) Hap (z ) = 1 k z 1 k=1 (1 k z 1 )(1 k z 1 ) k=1
129
donde hay NR polos y ceros reales, y NC pares de polos y ceros complejos conjugados. Si el sistema es causal y estable, entonces |k | < 1 y |k | < 1. Para analizar el comportamiento de la fase y retardo de grupo puede tomarse uno de los t erminos anteriores y con k = rej : z 1 k 1 k z 1 j ( ) ej rej j 1 re = e Hapk ( ) = 1 rej ej 1 rej () 1 r cos( ) jr sen( ) = ej 1 r cos( ) + jr sen( ) r sen( ) ap ( ) = (Hapk (z )) = 2 arctan 1 r cos( ) Hapk (z ) = y con
x
arctan(x) =
1 1+x2
se obtiene para el retardo de grupo:
( ) =
ap ( ) 1 1+
r2 sen2 ( ) (1r cos( ))2
= +1 + 2 = +1 + 2
r cos( )(1 r cos( )) r sen( )r sen( ) (1 r cos( ))2
(r cos( ) r2 cos2 ( ) r2 sen2 ( )) 1 2r cos( ) + r2 cos2 ( ) + r2 sen2 ( ) (r cos( ) r2 ) = +1 + 2 1 2r cos( ) + r2 1 + r2 2r cos( ) + 2r cos( ) 2r2 = 1 + r2 2r cos( ) 1 r2 = > 0, r < 1, r > 0 1 + r2 2r cos( ) Un sistema pasotodo con varios polos y ceros tendr a siempre un retardo de grupo positivo, por estar conformado el retardo total por la suma de t erminos como el anterior, que ser an siempre positivos. Este tipo de ltros se utilizan como igualadores de fase, coloc andolos en cascada con un sistema de respuesta en fase no deseada, de tal modo que se compensa la fase total del sistema para obtener un comportamiento lineal.
4.5.7
Osciladores digitales
Los osciladores son el caso extremo de un resonador digital, donde los polos complejos conjugados se encuentran sobre la circunferencia unidad. El sistema de segundo orden: H (z ) = 1 + a1 b0 z 1+ a2 z 2
130
4.6 Sistemas inversos
con a1 = 2r cos 0 , a2 = r2 , tiene polos complejos conjugados en p = rej0 y respuesta impulsional: b0 r n sen((n + 1)0 )u(n) h(n) = sen 0 Para el caso r = 1 entonces: b0 r n h(n) = sen((n + 1)0 )u(n) = A sen((n + 1)0 )u(n) sen 0
b0 . Es decir, cuando el sistema se alimenta con (n), oscila indenidamente. con A = sen 0 La ecuaci on de diferencias:
y (n) = a1 y (n 1) y (n 2) + b0 (n) = 2 cos 0 y (n 1) y (n 2) + A sen 0 (n) se puede realizar con el sistema mostrado en la gura 4.30.
(A sen 0 ) (n) z 1 a1 a1 = 2 cos 0 a2 = 1 y (n) = A sen(n + 1)0
z 1 a2
Figura 4.30: Generador digital de sinusoides.
N otese que el mismo resultado puede obtenerse con entrada cero, pero con y (n 1) = 0 y y (n 2) = A sen 0 .
4.6
Sistemas inversos
Por medio de la convoluci on, los sistemas LTI transforman una se nal x(n) en la salida y (n). En ciertos casos se desconocen exactamente las caracter sticas del sistema y se desea, teniendo y (n), determinar x(n). Esto ocurre por ejemplo cuando se desea contrarrestar los efectos de distorsi on que produce un canal de transmisi on de datos. Se desea entonces dise nar un sistema que en cascada con el sistema original, produzca la se nal de entrada.
x (n ) T y (n ) T 1 x (n )
Figura 4.31: Sistema T en cascada con su inverso T 1 .
A este segundo sistema se le denomina sistema inverso y a la operaci on que toma y (n) y produce x(n) se le denomina deconvoluci on .
131
La determinaci on del sistema inverso requiere conocimiento sobre la respuesta impulsional h(n) o la respuesta en frecuencia H ( ), que se obtienen en un proceso llamado identicaci on del sistema. Para esto se alimenta al sistema desconocido con se nales de entrada conocidas (por ejemplo, senoidales de frecuencia y amplitud conocidas) y se revisan las salidas.
4.6.1
Invertibilidad de sistemas LTI
Un sistema es invertible si existe una correspondencia biun voca entre sus se nales de entrada y de salida. Esto quiere decir que si se conoce la salida y (n) para todo n, entonces se puede inferir la entrada x(n). El sistema inverso se denota con T 1 y se cumple que: y (n) = T [x(n)], x(n) = T 1 [y (n)] = T 1 [T [x(n)]]
Para sistemas LTI, as umase que el sistema T tiene una respuesta impulsional h(n), y hI (n) es la respuesta del sistema inverso T 1 . Se debe cumplir entonces que: h(n) hI (n) = (n) de donde se obtiene HI (z ) = Para un sistema con H (z ) racional, si: H (z ) = entonces HI (z ) = B (z ) A(z ) A(z ) B (z )
H (z )HI (z ) = 1
1 H (z )
lo que quiere decir que los ceros de H (z ) se convierten en los polos de HI (z ) y viceversa. Esto a su vez implica que si H (z ) es todo ceros (FIR), entonces HI (z ) es todo polos (IIR) y viceversa. Ejemplo 4.9 Determine el sistema inverso de h(n) = u(n). H (z ) = 1 1 z 1 HI (z ) = 1 z 1
hI (n) = (n) (n 1)
4.9
Ejemplo 4.10 Determine el sistema inverso del sistema con respuesta impulsional h(n) = (n) (n 1). Con H (z ) = 1 z 1 HI (z ) = 1 1 z 1
132
que tiene dos posibles soluciones hI (n) = u(n) o hI (n) = u(n 1)

4.10
Otra manera m as algor tmica de obtener la respuesta impulsional hI (n) se basa en la convoluci on. Si se asume que h(n) y su inverso son causales, entonces:
n
h(n) hI (n) =
k=0
h(k )hI (n k ) = (n)

1 , h(0) n
(4.8)
Para n = 0 se cumple h(0)hI (0) = 1 hI (0) =

n
y puesto que para n > 0: h(k )hI (n k ) = 0
k=0
h(k )hI (n k ) = h(0)hI (n) +

n
k=1
hI (n) =
k=1
h(k )hI (n k ) h(0)
lo que se puede programar directamente. Si h(0) es cero, entonces debe introducirse un retardo en (4.8) sustituyendo (n) por (n m), donde para n = m, h(n) = 0 y h(n) = 0 si n < m. Este m etodo tiene, sin embargo, el problema de que conforme n crece, el error num erico acumulado crece. Ejemplo 4.11 Determine el inverso causal del sistema de respuesta impulsional h(n) = (n) (n 1). Con h(0) = 1, h(1) = y h(n) = 0 para n 2, entonces: hI (0) = 1 =1 h(0) h(1)h(0) hI (1) = = h(0) hI (2) = (h(1)hI (1) + h(2)hI (0)) = () = 2 hI (3) = (h(1)hI (2) + h(2)hI (1) + h(3)hI (0)) = 3 . . . hI (n) = n
4.11
4.6.2
Sistemas de fase m nima, fase m axima y fase mixta
Sean los sistemas H1 (z ) = 1 + 1 z 1 y H2 (z ) = 2 + z 1
133
1 H1 (z ) tiene un cero en z = 1 y H2 (z ) en z = . Puede demostrarse que si 1 = 2 2 = , entonces las respuestas en magnitud |H1 ( )| = |H2 ( )| son ambas id enticas a 2 1 + + 2 cos . Para la fase de H1 ( ) se tiene que:
H1 (z ) = 1 + 1 z 1 = z 1 (z + 1 ) H1 ( ) = arg(ej (ej + 1 )) H1 ( ) = + arctan y para H2 ( ) se tiene que: H2 (z ) = 2 + z 1 = z 1 (2 z + 1) H2 ( ) = arg(ej (2 ej + 1)) H2 ( ) = + arctan El t ermino arctan
sen( ) +cos
sen( ) 1 + cos
2 sen( ) 1 + 2 cos
= + arctan
1 2
sen + cos
se comporta de la siguiente manera: sen + cos , , 2 sen
arctan
si 0 si 1 si 1
La gura 4.32 muestra este u ltimo componente en funci on de y . El lado derecho de la misma gura presenta la fase Hi (z ), que es igual al lado izquierdo menos el aporte igual a del factor exponencial.
3 2 1
3 2 1
arctan
sen +cos 0
1 2 3 3 2 1 2.5 0 1 2 3 0 0.5 1.5 1 2 3
Hi ( z )
0 1 2 3 3 2 1 2.5 0 1 2 3 0 0.5 1.5 1 2 3
(a)
(b)
(a) Componente
Figura 4.32: Comportamiento de la fase de Hi (z ) = 1 + z 1 . sen sen arctan +cos . (b) Fase H ( ) = + arctan +cos
En las expresiones anteriores el denominador + cos corresponde a la parte real del segundo factor de la fase (1 + ej o 1 + 2 ej ). Si se asumen ahora frecuencias cercanas pero menores a = entonces sen /( + cos ) tiende a cero y puesto que para x 0 se cumple arctan x x entonces para > 1 se cumple que el aporte en fase de este t ermino aproximadamente cero. Si la parte real es negativa, es decir, si < 1, entonces el t ermino aportar a una fase cercana a .
134
Para un valor constante de con < 1, se observa entonces que la fase inicia con cero en = , luego oscila cruzando una sola vez cero, para nuevamente alcanzarlo en = . Por otro lado, si > 1 entonces la fase inicia con un valor de en = y baja monot onicamente hasta alcanzar en = . Esto quiere decir que el cambio neto de fase 1 ( ) 1 (0) para un particular es cero si 1 < 1, mientras que es si 1 > 1. El primer caso se conoce entonces como sistema de fase m nima y el segundo como sistema de fase m axima . Un sistema FIR de longitud M + 1 tiene M ceros y su respuesta en frecuencia se puede expresar como:
H ( ) = b0 (1 z1 ej )(1 z2 ej ) . . . (1 zM ej )
Si todos los ceros se encuentran dentro de la circunferencia unitaria, el cambio de fase neto ser a entonces tambi en de cero entre = 0 y = , por lo que al sistema se le denomina de fase m nima. Si todos los ceros se encuentran fuera de la circunferencia unidad, el cambio neto de fase ser a H ( ) H (0) = M , y el sistema se denomina de fase m axima. Un sistema es entonces de fase mixta si algunos de los ceros est an dentro de la circunferencia unitaria y otros fuera, y si el sistema tiene en total M ceros se cumple que el cambio de fase neto ser a menor a M radianes, entre = 0 y = . Puesto que la derivada de la funci on de fase representa en cierta medida el retraso de cada componente frecuencial, un sistema de fase m nima implica una funci on de retardo m nima, mientras que un sistema de fase m axima implica un retardo m aximo. Un sistema IIR descrito por la funci on de transferencia racional:
H (z ) =
B (z ) A(z )
se denomina de fase m nima si todos sus polos y ceros se encuentran dentro de la circunferencia unitaria, lo que implica adem as que el sistema es estable y causal. Si en un sistema causal y estable todos los ceros est an fuera de |z | = 1, entonces el sistema es de fase m axima, y si s olo algunos de sus ceros est an fuera de |z | = 1, entonces el sistema es de fase mixta.
A(z ) Puesto que el inverso de H (z ) es H 1 (z ) = B , entonces se deduce de lo anterior que (z ) el inverso de un sistema de fase m nima estable es tambi en un sistema de fase m nima estable. En general, la fase m nima de H (z ) asegura la estabilidad de su sistema inverso 1 H (z ), y la estabilidad de H (z ) asegura la fase m nima de H 1 (z ). Los sistemas de fase mixta o m axima tienen entonces sistemas inversos inestables.
135
Descomposici on de sistemas de polos y ceros de fase no m nima Cualquier sistema de funci on de transferencia racional y de fase no m nima puede descomponerse en la cascada de un sistema de fase m nima y un ltro pasa todos. H (z ) = Hmin (z )Hap (z )
(z ) Sea H (z ) = B . El numerador B (z ) se puede factorizar como B (z ) = B1 (z )B2 (z ), donde A(z ) B1 (z ) tiene todas sus ra ces dentro de |z | = 1 y B2 (z ) todas sus ra ces fuera. Esto a su 1 vez implica que B2 (z ) tiene todas sus ra ces dentro de |z | = 1. De esta forma:
Hmin (z ) =
B1 (z )B2 (z 1 ) , A(z )
Hap (z ) =
B2 (z ) B2 (z 1 )
N otese que Hap (z ) es estable puesto que todos los polos de B2 (z 1 ) se encuentran dentro de la circunferencia unitaria. Adem as, es un ltro paso todo como los descritos anteriormente, y es de fase m axima al estar todos sus ceros fuera de la circunferencia unitaria. Este sistema H (z ) de fase no m nima tiene el retardo de grupo
min ap g ( ) = g ( ) + g ( ) ap Puesto que g ( ) 0 para 0 , entonces se puede concluir que entre todos los sistemas con igual respuesta en magnitud, el menor retardo de grupo lo tiene el sistema de fase m nima.
4.6.3
Identicaci on de sistemas
Sup ongase que se observa una secuencia de salida y (n) cuando se excita a un sistema de respuesta desconocida con la entrada x(n). Se desea ahora determinar la respuesta impulsional del sistema. Si existen formas cerradas en el dominio z para x(n) y y (n), entonces h(n) se obtiene f acilmente con Y (z ) h(n) H (z ) = X (z )
Otro m etodo trata directamente la convoluci on en el dominio del tiempo, asumiendo que h(n) es causal:
n
y (n) =
k=0
h(k )x(n k ), n 0 y (0) x(0)
y (0) = h(0)x(0) h(0) =

n1
y (n) =
k=0
h(k )x(n k ) + h(n)x(0)

n1 k=0
h(n) =
y (n)
h(k )x(n k ) ,n 1 x(0)
(4.9)
136
4.7 Transformada Discreta de Fourier
Aqu se ha asumido que x(0) = 0. El problema se torna num ericamente inestable para n 1. Un tercer m etodo utiliza la correlaci on cruzada entrada-salida: ryx (n) = y (n) x(n) = h(n) x(n) x(n) = h(n) rxx (n)
=
k=0
h(k )rxx (n k )
Syx ( ) = H ( )Sxx ( ) = H ( )|X ( )|2 Syx ( ) Syx ( ) H ( ) = = Sxx ( ) |X ( )|2 Se puede aplicar entonces la f ormula de deconvoluci on (4.9) para determinar h(n) o la transformada inversa de Fourier de H ( ). Este m etodo tiene la ventaja de que el uso de las correlaciones puede eliminar t erminos de ruido en la identicaci on, que podr an alterar los resultados de los otros m etodos.
4.7
Transformada Discreta de Fourier
En las secciones anteriores se observ o que se nales discretas aperi odicas, como se nales digitales de audio, se nales digitales s smicas, se nales m edicas, etc., tienen un espectro peri odico pero cont nuo, que no tiene una representaci on directa para ser manejado por medios digitales. En esta secci on se estudia la transformada discreta de Fourier (DFT, Discrete Fourier Transform ) que representa un mecanismo para el estudio frecuencial por medios digitales para las mencionadas se nales.
4.7.1
Muestreo en el dominio de la frecuencia
Toda se nal aperi odica x(n) de energ a nita tiene un espectro cont nuo
X ( ) =
n=
x(n)ejn .
Si X ( ) se muestrea peri odicamente (gura 4.33) con un espaciado frecuencial = 2 N solo se necesitar an N muestras puesto que el espectro, por corresponder a una se nal 2 discreta, es a su vez peri odico con periodo 2 . Las muestras en = k = N k son entonces 2 X k = x(n)ej 2kn/N k = 0, 1, . . . , N 1 N n=
x(n)
1
137
|X ( k ) |
1
|X ( k ) |
1
0 -2 -1 0 1 2 3 4 5 6 7 8 9
n
10
-6 -5 -4 -3 -2 -1
0 0 1 2 3 4 5 6
k
-6 -5 -4 -3 -2 -1
0 0 1 2 3 4 5 6
(a)
(b)
(c)
Figura 4.33: Se nal discreta aperi odica, su espectro cont nuo, y su espectro muestreado.
donde descomponiendo la sumatoria en subintervalos de N elementos y haciendo un cambio de variable para trasladar cada subintervalo al origen se modica en X 2 k N
lN +N 1 N 1
=
l= n=lN
x(n)e
j 2kn/N
=
n=0 l=
x(n lN ) ej 2kn/N
xp (n)
con k = 0, 1, . . . , N 1. La se nal xp (n) =

l=
x(n lN )
se obtiene repitiendo peri odicamente x(n) cada N muestras, y por ser peri odica puede calcularse su serie de Fourier como
N 1
xp (n) =
k=0
ck ej 2kn/N ,
n = 0, 1, . . . , N 1
con los coecientes ck = 1 N

N 1
xp (n) ej 2kn/N =
n=0
1 X N
2 k N
Con esta serie, xp (n) puede ser reconstruido del espectro muestreado con 1 xp (n) = N
N 1
X
k=0
2 k ej 2kn/N , N
n = 0, 1, . . . , N 1
La se nal x(n) puede recuperarse de xp (n) si y solo si no hay aliasing en el dominio del tiempo, es decir, si la longitud L de x(n) es menor que el periodo N de xp (n) (gura 4.34): x(n) = xp (n), 0 n N 1 0, en el resto
138
x (n )
n xp (n), L < N
n xp (n), L > N
Figura 4.34: Extensi on peri odica por muestreo del espectro. a) Se nal original, b) Extensi on con L < N , c) Extensi on con L > N .
Si no hay aliasing en el tiempo (L < N ) entonces 1 x(n) = xp (n) = N con espectro

N 1 N 1 N 1
X
k=0
2 k ej 2kn/N , N
N 1
0nN 1
X ( ) =
n=0 N 1
x(n)e
jn
=
n=0
1 N
X
k=0
2k N
2 k ej 2kn/N ejn N )n
=
k=0 N 1
2 k N 2 k P N
1 N
N 1
ej (
n=0
=
k=0
N 1
2k N
donde P ( ) = 1 N ejn =
n=0
1 sen(N/2) j(N 1)/2 = e N sen(/2)
1 1 ejN N 1 ej (4.10)
139
es la funci on de interpolaci on que sustituye en este caso a sen()/ con una versi on de propiedades similares pero peri odica (gura 4.35): P 2 k N = 1 k=0 0 k = 1, 2, . . . , N 1
P ( )
1
0 0
Figura 4.35: Interpolador ideal P ( ) para espectro muestreado con N = 5.
Ejemplo 4.12 Determine el aliasing de la secuencia x(n) = an u(n), |a| < 1, si el espectro se muestrea a las frecuencias k = 2k/N . El espectro es X ( ) =
n=0
an ejn =
2 k N
1 1 aej
1 1aej 2k/N
Las muestras est an dadas por X (k ) = X
La secuencia peri odica xp (n) representada por este espectro discreto es

0
xp (n) =
l=
x(n lN ) =
1 1aN
a
l=
nlN
=a
n l=0
alN = an
1 , 1 aN
0nN 1
donde la constante esperar.
representa el aliasing y tiende a uno si N , como es de

4.12
4.7.2
La transformada discreta de Fourier
En la secci on anterior se demostr o que el espectro muestreado de una se nal x(n) de longitud nita L no representa a x(n) directamente sino a su extensi on peri odica xp (n) obtenida de xp (n) =
l=
x(n lN )
140
Si no hay aliasing temporal, entonces xp (n) es simplemente la concatenaci on peri odica de x(n) de longitud L , que se expande con ceros para alcanzar la longitud N > L: xp (n lN ) = x(n) 0 n L 1 0
LnN 1
N otese que el efecto de rellenar con ceros x(n) produce un muestreo m as detallado de su espectro X ( ) que tendr a N y no L muestras. Para todo N > L las muestras no proveen mayor informaci on que el caso N = L, solo una mejor representaci on (gura 4.36).
|X ( ) |
1
x (n )
0 -3 -2 -1 0 1 2 3
|X ( ) |
1
xp (n)
0 -3 -2 -1 0 1 2 3
|X ( ) |
1
xp (n)
0 -3 -2 -1 0 1 2 3
Figura 4.36: Efecto de extensi on de se nal con ceros y la DFT resultante.
La transformaci on de x(n) hacia su espectro muestreado X (k ) = X

N 1
2 k N
L1
=
n=0
x(n)ej 2kn/N k = 0, 1, . . . , N 1
=
n=0
x(n)ej 2kn/N ,
141
se conoce como transformada discreta de Fourier DFT y a la reconstrucci on de x(n) de las muestras espectrales 1 x(n) = N
N 1
X (k )ej 2kn/N ,
k=0
n = 0, 1, . . . , N 1
se le conoce como transformada discreta de Fourier inversa (IDFT). Estas transformaciones se expresan a menudo como
N 1
DFT:
X (k ) =
kn x(n)WN n=0 N 1
k = 0, 1, . . . , N 1
1 IDFT: x(n) = N
k=0
kn X (k )WN n = 0, 1, . . . , N 1
donde WN = ej 2/N es una ra z N - esima de la unidad. N otese que para cada k , X (k ) se puede expresar como el producto punto de la entrada x(n) y un vector que consiste en (N 1)k k 2k 1, WN , WN , . . . , WN , o, si se interpreta X (k ) tambi en como vector, entonces X (0) X (1) . . . 1 1 = . . . 1 WN . . . .. . 1
N 1 WN . . . (N 1)(N 1)
X (k ) XN = X (N 1) o en forma compacta
x(0) x(1) . . . x(N 1)
N 1 1 WN WN
XN = WN xN de donde se deduce
1 xN = WN XN =
1 W N XN N
4.7.3
Relaci on de la DFT con otras transformadas
Series de Fourier La secuencia xp (n) por ser peri odica con periodo N tiene una representaci on en series de Fourier
N 1
xp (n) = ck = Esto es X (k ) = N ck . 1 N
ck ej 2nk/N ,
k=0 N 1
< n <
n=0
xp (n)ej 2nk/N k = 0, 1, . . . , N 1
142
Transformada de Fourier de secuencias aperi odicas Ya se veric o la relaci on entre la DFT X (k ) como muestras del espectro continuo X ( ) X (k ) = X ( )|= 2 k
N
que a su vez corresponden con los coecientes de la DFT de xp (n), la extensi on peri odica de x(n). Ambas secuencias son id enticas para n = 0, 1, . . . , L 1 si no hay aliasing temporal, es decir, si x(n) es nita de longitud L y N > L. Transformada z Si la regi on de convergencia de la transformada z de x(n) incluye la circunferencia unitaria, entonces
X (k ) = X (z )|z=ej2k/N =
x(n)ej 2nk/N ,
n=
k = 0, 1, . . . , N 1
que representa al muestreo de la transformada z sobre el c rculo unitario con a ngulos distribuidos homog eneamente. Sin aliasing temporal se cumple entonces, con x(n) de longitud nita N
N 1 N 1
X (z ) =
n=0
x(n)z 1 N
N 1
=
n=0 N 1
1 N
N 1
X (k )ej 2kn/N z n
k=0 n
X (k )
k=0 N N 1 k=0 n=0
ej 2k/N z 1 X (k ) 1 ej 2k/N z 1
X (z ) =
1z N
que es la reconstrucci on de X (z ) a partir de la muestras X (k ) de la DFT. Evaluando en la circunferencia unitaria se obtiene para la transformada de Fourier 1 ejN X ( ) = N
N 1
k=0
X (k ) 2k 1 ej ( N )
que es otra forma de interpolaci on de las muestras X (k ) equivalente a la expresada anteriormente con P ( ) (ver ecuaci on 4.10 en la p agina 138).
4.7.4
Propiedades de la DFT
Sea x(n) una secuencia de longitud L < N y X (k ) su correspondiente DFT de longitud N . Se cumple que DFT: X (k ) = 1 IDFT: x(n) = N
N 1 kn n=0 x(n)WN N 1 kn k=0 X (k )WN
n = 0, 1, . . . , N 1
k = 0, 1, . . . , N 1
143
con WN = ej 2/N . La relaci on entre x(n) y su DFT X (k ) se denota con x(n) X (k )

N DF T
x(n)
X (k )
Linealidad Si x1 (n)
X1 (k ) y x2 (n)
X2 (k ) entonces
a1 x1 (n) + a2 x2 (n) Simetr a circular
a1 X1 (n) + a2 X2 (n)
Puesto que la DFT de N puntos de una secuencia nita x(n) de longitud L N es equivalente a la DFT de N puntos de una secuencia peri odica xp (n) de periodo N obtenida como (gura 4.37)
xp (n) =
l=
x(n lN )
x (n )
es equivalente a
3 4 2
Figura 4.37: Secuencia circular equivalente a x(n).
entonces un desplazamiento de xp (n) k unidades hacia la derecha equivale a un desplazamiento circular (gura 4.38). xp ( n k )
x(n k
mod N ) x((n k ))N
Una secuencia es circularmente par si es sim etrica con respecto al punto cero de la circunferencia (gura 4.39): x(N n) = x(n), 1nN 1
La secuencia es circularmente impar si es antisim etrica con respecto al punto cero (gura 4.40): x(N n) = x(n), 1nN 1
144
xp (n)
es equivalente a
3 4 2
Figura 4.38: Secuencia circular equivalente a xp (n 2).
-2 -1 0 1 2 3
5 4
Figura 4.39: Simetr a circular par
La reexi on temporal circular se obtiene con x((n))N = x(N n), Utilizando xp (n) en vez de x(n) se tiene par: impar: herm tica: anti-herm tica: xp (n) = xp (n) = xp (N n) xp (n) = xp (n) = xp (N n) xp (n) = x p (N n) (conjugada par) xp (n) = x p (N n) (conjugada impar) xp (n) = xpe (n) + xpo (n) 1 xpe (n) = [xp (n) + x p (N n)] 2 1 xpo (n) = [xp (n) x p (N n)] 2 0nN 1
La secuencia se puede descomponer en
-2 -1 0 1 2 3
5 4
Figura 4.40: Simetr a circular impar
145
Si x(n) = xR (n) + jxI (n), 0 n N 1, y X (k ) = XR (k ) + jXI (k ) entonces se obtiene con la denici on de la DFT.
N 1
XR (k ) = XI (k ) = xR (n) = xI (n) = 1 N 1 N
xR (n) cos
n=0 N 1
2kn N 2kn N
+ xI (n) sen xI (n) cos
2kn N 2kn N 2kn N 2kn N
xR (n) sen
n=0 N 1
XR (k ) cos
k=0 N 1
2kn N 2kn N
XI (k ) sen + XI (k ) cos
XR (k ) sen
k=0
Si x(n) es real, entonces X (N k ) = X (k ) = X (k ) |X (N k )| = |X (k )|, X (N k ) = X (k ) Si x(n) es real y par entonces x(n) = x(N n), para 0 n N 1, y la DFT se torna
N 1
X (k ) =
n=0
x(n) cos
2k n ,0 k N 1 N
que tambi en es real y par. Puesto que XI (k ) = 0 entonces 1 x(n) = N

N 1
X (k ) cos
k=0
2kn N
0nN 1
Si x(n) es real e impar entonces x(n) = x(N n),

N 1
0nN 1 2kn N , 0k N 1
X (k ) = j
x(n) sen
n=0
y puesto que XR (k ) = 0 entonces j x(n) = N

N 1
X (k ) sen
k=0
2kn N
0nN 1
146
Convoluci on circular Sean x1 (n) y x2 (n) dos secuencias de duraci on nita, ambas de longitud N , y sus respectivas DFT de N puntos
N 1
X1 (k ) =
n=0 N 1
x1 (n)ej 2nk/N , x2 (n)ej 2nk/N ,

n=0
k = 0, 1, . . . , N 1 k = 0, 1, . . . , N 1
X2 (k ) =
Si X3 = X1 (k )X2 (k ), k = 0, 1, . . . , N 1 entonces 1 x3 (m) = N = 1 N

N 1
X3 (k )ej 2km/N
k=0 N 1
X1 (k )X2 (k )ej 2km/N

k=0 N 1 N 1 N 1
1 = N = 1 N
x1 (n)e
k=0 N 1 n=0 N 1
j 2kn/N l=0 N 1
x2 (l)ej 2kl/N ej 2km/N ej 2k(mnl)/N
x1 (n)
n=0 l=0
x2 ( l )
k=0
y con a = ej 2(mnl)/N en
N 1
ak =
k=0
N
1aN 1a
= 0 si a = 1, puesto que aN = 1
si a = 1 m n l = pN l = ((m n))N
por lo que
N 1
x3 (m) =
n=0
x1 (n)x2 ((m n))N ,
m = 0, 1, . . . , N 1 = x1 (m) N x2 (m)
operaci on denominada convoluci on circular. N otese que esta funci on es para los elementos x3 (m) con m = 0, 1, . . . , N 1 equivalente a la convoluci on de x1 (n) con la extensi on peri odica con periodo N de x2 (n). Otras propiedades se resumen en la tabla 4.3.
4.7.5
Filtrado lineal basado en la DFT
La existencia de algoritmos ecientes para extraer la DFT (llamados FFT del ingl es Fast Fourier Transform ) hace posible que sea en ocasiones m as eciente calcular el efecto de un ltro en el dominio de la frecuencia que directamente en el dominio del tiempo.
147
Tabla 4.3: Propiedades de la DFT Propiedad Notaci on Periodicidad Linealidad Reexi on temporal Desplazamiento temporal circular Desplazamiento frecuencial circular Conjugaci on compleja Convoluci on circular Correlaci on circular Multiplicaci on de dos secuencias Teorema de Parseval
n=0
Dominio temporal x(n), y (n) x(n) = x(n + N ) a1 x1 (n) + a2 x2 (n) x( N n ) x((n l))N x(n)ej 2ln/N x (n) x1 (n) N x2 (n) x(n) N y (n) x1 (n)x2 (n)
N 1
Dominio frecuencial X (k ), Y (k ) X (k ) = X (k + N ) a1 X1 (k ) + a2 X2 (k ) X (N k ) X (k ) ej 2kl/N X ((k l))N X (N k ) X1 (k )X2 (k ) X (k )Y (k ) 1 X (k ) N X2 (k ) N 1 1 N

N 1
x(n)y (n)
X (k )Y (k )
k=0
Sea la entrada x(n) de longitud L y un ltro FIR con respuesta impulsional h(n) de longitud M . As umase adem as que ambas secuencias son causales, es decir x(n) = 0, n < 0, n L
h(n) = 0, n < 0, n M La salida del ltro puede calcularse en el dominio del tiempo con la convoluci on
M 1
y (n) =
k=0
h(k )x(n k ) = h(n) x(n)
que por la naturaleza nita de x(n) y h(n) tambi en es nita. En el ejemplo 2.12 (p ag. 38) se determin o que la salida tendr a longitud M + L 1. En el dominio de la frecuencia la salida es Y ( ) = X ( )H ( ) Si se desea representar y (n) a trav es de muestras de Y ( ) se necesitan entonces al menos N M + L 1 muestras para evitar as el aliasing temporal y se obtiene con la DFT: Y (k ) = Y ( )|=2k/N = X ( )H ( )|=2k/N = X (k )H (k ) donde X (k ) y H (k ) representan entonces la DFT de las secuencias x(n) y h(n) que han sido extendidas con ceros para alcanzar la longitud N . N otese que la compensaci on de longitud de x(n) y y (n) logra que la convoluci on circular sea equivalente a la convoluci on lineal.
148

1 1 1 , , 4 2 4
Ejemplo 4.13 Calcule la respuesta del ltro con respuesta impulsional h(n) = ante la entrada x(n) = {4, 2, 2, 4}.
La longitud de x(n) es L = 4 y la de h(n) es M = 3, por lo que la salida necesita al menos L + M 1 = 6 muestras. Se utilizar a N = 8 por simplicidad y porque los algoritmos de k FFT usualmente requieren N = 2 muestras, con k IN. As
7
X (k ) =
n=0
x(n)ej 2kn/8
3 k 4
= x(0) + x(1)ej 4 k + x(2)ej 2 k + x(3)ej = 4(1 + ej con lo que se obtiene X (0) = 12 X (1) = 4
3 k 4
) + 2(ej 4 k + ej 2 k )
X (2) = 2 + j 2 X (3) = 4 + 2 + j (2 3 2) X (4) = 0 X (5) = 4 +
2 j (2 + 3 2)
X (6) = 2 j 2 = X (2) X (7) = 4 2 + j (2 + 3 2) = X (1) De forma similar

7
2 j (2 3 2) = X (3)
H (k ) =
n=0
h(n)ej 2kn/8

= h(0) + h(1)ej 4 k + h(2)ej 2 k 1 1 = 1 + ej 2 k + ej 4 k 4 2 con lo que se obtiene H (0) = 1 1+ 2 1+ 2 j = H (7) H (1) = 4 4 j H (2) = = H (6) 2 1 2 1 2 H (3) = +j = H (5) 4 4 H (4) = 0
149
El producto de ambas secuencias es Y (0) = 12 3+ 2 5+2 2 Y (1) = j = Y (7) 2 2 Y (2) = 1 j = Y (6) 23 52 2 Y (3) = +j = Y (5) 2 2 Y (4) = 0 Y con la IDFT se obtiene nalmente
7
y (n) =
k=0
Y (k )ej 2kn/8 ,
n = 0, 1, . . . , 7
5 5 5 5 1, , , , , 1, 0, 0 2 2 2 2
4.13
4.7.6
Filtrado de secuencias de larga duraci on
En aplicaciones reales, la secuencia de entrada puede ser muy larga o incluso de longitud impredecible, por lo que el tratamiento, tanto por limitantes de espacio de memoria como por limitaciones en el retardo de la respuesta, debe realizarse separando en bloques esa se nal de entrada. Aqu se analizar an dos m etodos que dividen la se nal de entrada en bloques de longitud L y aplican por medio de la DFT el ltro h(n) de longitud M en el dominio de la frecuencia. La salida, de forma equivalente a la aplicaci on del ltro al bloque completo de la entrada, se obtiene por medio de la concatenaci on adecuada de cada bloque obtenido para cada bloque de entrada. Sin p erdida de generalidad se asume la longitud de la entrada mucho mayor que la del ltro (L M ).
M etodo de solapamiento y almacenamiento En el m etodo de solapamiento y almacenamiento (overlap-save ) la entrada se separa en bloques de N = L + M 1 muestras donde cada bloque contiene M 1 muestras del bloque de entrada anterior seguidas por L muestras nuevas. La respuesta impulsional del ltro se aumenta con L 1 ceros para alcanzar as la longitud N . La longitud de las DFT e IDFT es entonces N , y la salida para cada bloque se calcula a trav es de su producto. Puesto que el bloque de entrada tiene longitud N y el ltro longitud M , en el tiempo discreto la salida de la convoluci on deber a tener N + M 1 muestras (ver ejemplo 2.12), por lo que es de esperar que las primeras M 1 muestras de la salida est en distorsionadas
150
por aliasing, por lo que se descartan (gura 4.41). La salida para el m- esimo bloque se obtiene con m (k ) = H (k )Xm (k ), k = 0, 1, . . . , N 1 y m (n) Y
M 1 x (n ) 0 M 1
x1 (n) M 1 x2 (n) M 1 x3 (n) y (n ) y1 (n) M 1 y2 (n) M 1 y3 (n) M 1 y4 (n) M 1 x4 (n)
Figura 4.41: M etodo de solapamiento y almacenamiento.
La salida total se obtiene concatenando las u ltimas L muestras de cada bloque de salida. M etodo de solapamiento y suma En este m etodo la DFT se aplica a L muestras de la entrada, a las que se concatenan M 1 ceros. Los bloques de salida deben entonces traslaparse y sumarse para obtener el resultado nal (gura 4.42).
4.7.7
An alisis espectral de se nales usando la DFT
Para calcular el espectro exacto de una se nal, indiferentemente si esta es continua o discreta, es necesario contar con informaci on de todo instante de tiempo, en el intervalo t ], [. En aplicaciones reales esto es imposible y se debe utilizar un intervalo nito de muestras que tendr a repercusiones en la medici on espectral. El procedimiento para el an alisis espectral de una se nal anal ogica xa (t) involucra primero limitar el ancho de banda B con un ltro antialias seguido por el muestreo a una tasa
L x (n ) M 1 0 M 1 0 M 1 0 M 1 0 L L L
151
x1 (n)
x2 (n)
x3 (n) y (n ) y1 (n) + y2 (n) + y3 (n)
x4 (n)
+ y4 (n)
Figura 4.42: M etodo de solapamiento y suma.
Fs 2B , que asegura que la mayor frecuencia ser a Fs /2, equivalente a la frecuencia normalizada f = 1/2. Adem as, es necesario limitar la longitud temporal de la se nal a L muestras, lo que implica que T0 = LT es la duraci on del bloque de se nal analizado. No se estudia entonces la se nal x(n) sino otra obtenida por enventanado x (n) = x(n)w(n) con la ventana de longitud L w(n) = 1 0nL1
0 en el resto
Para el caso particular de una componente espectral x(n) = cos(0 n) con espectro X ( ) = 1 [ ( 0 ) + ( + 0 )] la se nal enventanada tendr a espectro: 2 x (n)
( ) = 1 [W ( 0 ) + W ( + 0 )] X 2
donde W ( ) es el espectro de la ventana que para el caso de la ventana rectangular es (gura 4.43) sen L 2 W ( ) = ej(L1)/2 sen 2
152
( ) X
Figura 4.43: Espectro del producto de una se nal cosenoidal de frecuencia = /2 con una ventana rectangular de longitud L = 25.
N otese que el espectro no se concentra en 0 , como la se nal original, sino que ha ocurrido un derrame o fuga de la potencia de la se nal a todo el intervalo de frecuencias (en ingl es leakage ). Este derrame impide adem as distinguir l neas espectrales que se encuentren muy cerca. Por ejemplo, con x(n) = cos(0 n) + cos(1 n) + cos(2 n) y 0 = 0,2 , 1 = 0,22 y 2 = 0,6 se obtienen las respuestas en magnitud de la gura 4.44.
( )| |X ( )| |X ( )| |X
(a)
(b)
(c)
Figura 4.44: Respuestas en magnitud para una superposici on de tres se nales cosenoidales con (a) L = 25, (b) L = 50 y (c) L = 100.
Los l obulos laterales pueden reducirse utilizando otras ventanas diferentes a las rectangulares, como la de Hanning: w(n) =
1 2 1 cos L2 n 1
0nL1 en el resto
a costa del mayor ancho del l obulo central.
Cap tulo 5 Conversi on anal ogica/digital y digital/anal ogica

Tal y como se describi o en la gura 1.2, para tratar se nales anal ogicas por medios digitales es necesario poder convertir entre representaciones anal ogicas y digitales. Conceptualmente en la conversi on de una se nal anal ogica a una representaci on digital intervienen tres pasos (gura 5.1): 1. Muestreo es la conversi on de una se nal de variable continua a otra de variable discreta que es el resultado de tomar muestras de la se nal de variable continua en ciertos instantes. Si xa (t) es la entrada al bloque de muestreo, entonces la salida es xa (nT ), donde a T se le denomina el intervalo de muestreo . 2. Cuanticaci on es la conversi on de la se nal de variable discreta y valores continuos a otra se nal de variable discreta pero con valores discretos. El valor de cada muestra es aproximado entonces con un valor de un conjunto nito de posibles valores. A la diferencia entre el valor continuo y su aproximaci on se le denomina error de cuanticaci on . 3. Codicaci on consiste en la asignaci on de una representaci on usualmente binaria para los valores cuanticados.
Convertidor A/D
x a (t)
Muestreo
x(n)
Cuanticaci on
xq (n)
Codicaci on
c(n)
Se nal Anal ogica
Se nal de Variable Discreta
Se nal Cuanticada
Se nal Digital
Figura 5.1: Pasos b asicos en la conversi on anal ogica/digital.
153
154
5.1 Muestreo de se nales anal ogicas
Estos pasos en la pr actica se realizan en un solo bloque operacional. La conversi on digital/anal ogica es necesaria en todos aquellos casos en los que la representaci on propiamente digital no tiene signicado para el usuario nal. Por ejemplo, la salida digital de un decodicador de voz debe ser convertida a una se nal anal ogica ac ustica para poder ser comprendida por los usuarios. Este proceso de conversi on debe interpolar la se nal discreta.
5.1
Muestreo de se nales anal ogicas
Existen diversas posibilidades de seleccionar las muestras de una se nal anal ogica en la fase de muestreo. En el an alisis cl asico se utiliza el llamado muestreo peri odico o uniforme por las facilidades que este brinda al an alisis matem atico, lo cual ha hecho que sea el tipo de muestreo m as utilizado en aplicaciones reales. En el muestreo peri odico la relaci on entre la se nal anal ogica y la se nal de variable discreta est a dada por x(n) = xa (nT ) <n<
donde la secuencia x(n) contiene entonces muestras de la se nal anal ogica xa (t) separadas por un intervalo T (gura 5.2).
Se nal Anal ogica xa (t ) Fs = 1/T Muestreo xa (t ) x (n ) x (n) = xa (nT ) Se nal de variable discreta
xa (t ) x (n) = xa (nT )
Figura 5.2: Muestreo peri odico de una se nal anal ogica.
Las variables t y n de las se nales de variable continua y discreta respectivamente est an relacionadas a trav es del intervalo de muestreo T t = nT = n/Fs donde a Fs se le denomina tasa de muestreo. En la secci on 2.2.2 se demostr o que la relaci on entre las frecuencias de las se nales en los dominios continuo y discreto est a dada por = T
5 Conversi on anal ogica/digital y digital/anal ogica
155
o lo que es equivalente F (5.1) Fs por lo que a f se le denomina tambi en frecuencia normalizada . Con esto queda claro que la frecuencia f puede corresponder con las unidades de frecuencia de F (por ejemplo, en Hertz) si y solo si se conoce la frecuencia de muestreo Fs . f= En las secciones anteriores se obtuvo adem as que el rango para la frecuencia F es pr acticamente 1 1 innito, mientras que el rango de la frecuencia f es nito ([ 2 , 2 ]). Utilizando (5.1) se obtiene 1 1 <f 2 2 1 F 1 < 2 Fs 2 Fs Fs <F 2 2 El muestreo peri odico de la se nal de variable continua representa entonces un mapeo del rango innito de frecuencias F a un rango nito de frecuencias f . Puesto que la mayor 1 puede concluirse que con la tasa de muestreo Fs como m aximo frecuencia de f es f = 2 se podr a representar Fs 1 Fmax = = 2 2T max = Fs = T En cap tulos anteriores se demostr o que las frecuencias f son u nicas dentro de un rango nito: el rango fundamental, y que todas las frecuencias fuera de ese rango son alias de alguna frecuencia fundamental. Se demostr o adem as que para una se nal sinusoidal la frecuencia angular y + 2k son equivalentes para todo k Z, lo que implica que f + k es un alias de f . Con (5.1) se tiene que f +k = F f Fs + kFs F Fs
o en otras palabras f Fs + kFs es un alias de F = f Fs . Con esto, la relaci on entre las frecuencias de las se nales de variable continua y discreta puede gracarse como lo muestra la gura 5.3. La gura 5.4 muestra un ejemplo con las frecuencias F1 = 2/7 Hz y su alias F2 = 5/7 Hz para una tasa de muestreo de Fs = 1 Hz. Aqu se aprecia con claridad que las muestras tomadas para las dos se nales coinciden, por lo que estas muestras por si solas no pueden determinar de cu al de las dos se nales fue muestreada. La frecuencia Fs /2 corresponde entonces a la frecuencia m axima representable en forma 1 discreta con una tasa de muestreo Fs , que corresponde entonces a f = 2 . La frecuencia fundamental correspondiente a un alias de frecuencia mayor a Fs /2 se puede terminar utilizando Fs /2 como pivote para reejar el alias dentro del rango fundamental. A Fs /2 (o = ) se le denomina entonces frecuencia de plegado ,o en ingl es folding frequency.
156
f
1 2
Fs
s F 2
Fs 2
Fs
1 2
Figura 5.3: Relaci on entre las frecuencias de se nales de variable discreta y continua para el caso de muestreo uniforme.
x(n) F2 = 5 7 Hz
t[s]
F1 =
2 7
Hz
Figura 5.4: Muestreo de una se nal sinusoidal y de un alias.
5.1.1
Muestreo de se nales pasa-bajos
Como se nal pasabajos se considera aquella cuyo espectro tiene componentes de frecuencia diferentes de cero para un valor dado de frecuencia F < B . La gura 4.11 ilustra un espectro de se nal pasabajos. Tal y como se ha demostrado en la secci on 4.2.4, no hay p erdida de informaci on si una se nal se muestrea con Fs > 2B , pues las r eplicas del espectro original inducidas por el muestreo, y ubicadas cada Fs , no se traslapan y permiten la recuperaci on del espectro original por medio de un interpolador ideal aplicado a las muestras.
5.1.2
Muestreo de se nales pasa-banda
Una se nal pasa-banda es aquella cuyo espectro es cero para |F | < Fc B/2 y para |F | > Fc + B/2. A Fc se le conoce como frecuencia central de la banda o frecuencia portadora y a B como ancho de la banda. La gura 5.5 ilustra un ejemplo de espectro pasobanda de una se nal real. Seg un el teorema de muestreo es posible reconstruir la se nal si se

|H ()|
157
Fc
Fc B
Figura 5.5: Se nal pasa-banda
utiliza como frecuencia de muestreo al menos el doble de la frecuencia m axima encontrada en la se nal, es decir, Fs > 2Fc + B . En aplicaciones donde la frecuencia portadora es superior a la disponibilidad de muestreo de convertidores anal ogico digital comerciales, o la capacidad de procesamiento requerida no da abasto con el n umero de muestras capturado por intervalo de tiempo, es posible re-interpretar el teorema de muestreo para utilizar r eplicas espectrales en secciones de menor frecuencia y as utilizar submuestreo, o muestreo sub-Nyquist. La gura 5.6 ilustra un caso de muestreo de la se nal con ancho de banda B montada sobre una portadora en Fc utilizando como frecuencia de muestreo Fs = Fc B/2.
|H ()|
Fc Fs Fs Fs Fs Fs Fs
Fc Fs Fs
Figura 5.6: Muestreo de se nal pasa-banda sin aliasing
Respetando el teorema del muestreo, enunciado ahora como Fs > 2B , es posible elegir la frecuencia de muestreo de tal modo que las r eplicas de las bandas no se traslapen, evitando as que ocurran efectos de aliasing. La gura 5.7 ilustra un caso particular en el que se logran situar seis r eplicas entre las bandas de una se nal anal ogica. Obs ervese que en el rango 2Fc B , existente entre las dos bandas de la se nal, deben caber exactamente m r eplicas, por lo que se debe cumplir mFs = 2Fc B
158
2Fc B |H ()|
Fc
2Fs
Fs 2Fc B |H ()|
Fs
2Fs
Fc
Fc
Fc
2Fc + B |H ()|
Fc
2Fs
Fs
Fs
2Fs
Fc
Figura 5.7: Muestreo de se nal pasa-banda sin aliasing. Arriba se utiliza Fs = (2Fc /B )/6; al medio se muestrea con Fs < Fs ; abajo se utiliza la menor frecuencia posible.
y por tanto Fs = 2Fc B m (5.2)
donde el n umero natural m estar a limitado adem as por la restricci on Fs > 2B . Si la frecuencia de muestreo Fs se incrementa, las r eplicas se separar an entre s , causando un traslape y por tanto aliasing en la se nal muestreada. Si Fs se reduce, las r eplicas se acercar an entre s , y Fs puede reducirse hasta que ahora en el rango extendido que cubre a las dos bandas originales (2Fc + B ) quepan entonces m +1 r eplicas distribuidas de forma homog enea: (m + 1)Fs = 2Fc + B y por tanto Fs = 2Fc + B m+1 (5.3)
Si se reduce Fs aun m as, de nuevo ocurrir a un traslape entre las bandas. Resumiendo lo anterior, se debe cumplir para la frecuencia de muestreo Fs 2Fc + B 2Fc B Fs m+1 m donde, de nuevo, m es un n umero natural que debe adem as asegurar que Fs > 2B .
(5.4)
159
Def nase r como la raz on entre la mayor componente de frecuencia Fc + B/2 y el ancho de banda B de la se nal a muestrear. Reescribiendo (5.4) se obtiene 2Fc + B m+1 Fc + B 2 2 m+1 B Fc + B 2 B 2 m+1 2Br m+1 2r m+1 2Fc B m 2Fc B + B B Fs m B Fc + B 2 Fs 2 m Br B Fs 2 m Fs 2(r 1) B m Fs
La gura 5.8 ilustra la frecuencia de muestreo normalizada con el ancho de banda B en funci on del radio r. La zona sombreada representa conguraciones inv alidas.
10
m=1
m=2 m=3
Fs B
4
0 1 2 3 4 5 6 7 8 9
r
10
Figura 5.8: Rangos v alidos de frecuencias de sub-muestreo, en funci on del radio entre la frecuencia espectral m axima y el ancho de banda.
Debe notarse que si m es impar, la r eplicas cercanas a cero se invertir an, en el sentido que la r eplica de la banda original en frecuencias positivas se encontrar a en frecuencias negativas y la r eplica de la banda original en frecuencias negativas se encontrar a en frecuencias positivas. Si la aplicaci on requiere contar con el espectro sin invertir, es necesario utilizar m par. Al igual que en el caso de se nales pasa-bajo, para aplicaciones reales es necesario dejar un margen entre las bandas con el n de poder utilizar un ltros que rescaten las r eplicas inferiores, con las cuales usualmente se desea trabajar.
160
5.2 Cuanticaci on de se nales de amplitud continua
5.2
Cuanticaci on de se nales de amplitud continua
La cuanticaci on de una se nal de amplitud continua consiste en asignar a cada valor continuo otro valor tomado de un conjunto nito. El reemplazar los valores continuos por los valores cuanticados introduce el llamado error de cuanticaci on o ruido de cuanticaci on . Si x(n) es la secuencia de valores continuos entonces la secuencia de valores cuanticados ser a xq (n) = Q[x(n)] donde Q representa un operador de cuanticaci on. La secuencia de errores de cuanticaci on est a dada entonces por eq (n) = xq (n) x(n) Para analizar el error de cuanticaci on consid erese la se nal sinusoidal de variable continua mostrada en la gura 5.9. Es posible apreciar que alrededor de cada nivel de cuanticaci on
x (t)
-1
Figura 5.9: Se nal sinusoidal de variable continua cuanticada.
la se nal anal ogica se puede aproximar de forma lineal. En t erminos estad sticos este hecho se describe diciendo que el ruido de cuanticaci on sigue una distribuci on uniforme, donde los valores de error estar an distribuidos con las mismas probabilidades entre /2 y /2, donde es igual al cuanto , es decir la distancia entre dos niveles de cuanticaci on. Esta aproximaci on lineal se esquematiza en la gura 5.10, donde se ha asumido que los saltos hacia los otros cuantos de esta se nal ocurren en y . La potencia media del error cuadr atico Pq es Pq = 1 2
e2 q (t) dt =
e2 q (t) dt
0
que considerando la aproximaci on lineal del error eq (t) (/2 )t para t [, ] resulta en 2 1 2 Pq = (5.5) t2 dt = 0 2 12
161
eq (t ) /2 /2 /2 0 t 0 t
Figura 5.10: Error de cuanticaci on eq (t) = xa (t) xq (t).
Si el cuanticador utiliza b bits de precisi on y todo el rango posible con ellos para representar la amplitud de 2A, entonces se puede calcular el cuanto como = 2A/2b , lo que implica que A2 /3 Pq = 2b (5.6) 2 La potencia media de la se nal xa (t) se calcula como Px = 1 Tp
Tp
(A cos(0 t))2 dt =
0
A2 . 2
Con estos dos t erminos es posible entonces aproximar la relaci on se nal a ruido de cuanticaci on (SQNR signal to quantization noise ratio) como: SQNR = y expresada en decibels (dB) SQNR(dB) = 10 log10 SQNR = (1,76 + 6,02b) dB lo que implica que por cada bit a nadido a la palabra, y si se utiliza todo el rango, es decir, si se duplica la cantidad de cuantos utilizados, la calidad de la se nal mejora en 6 dB. El factor 3/2 en la raz on de potencias es espec co para se nales sinusoidales. En un caso m as general, si se asume que la se nal de entrada es generada por un proceso aleatorio de 2 media cero y con potencia Px = x , entonces la raz on SQNR es SQNR = y en decibels SQNR(dB) = 10 log10 = 10 log10
2 x A2 2 x A2 2 Px 2 x = A2 x 3 22b = 2 /3 Pq A 2b 2
3 Px = 22b Pq 2
+ 10 log10 3 + 2b log10 2 + 4, 77 dB + 6, 02b dB (5.7)
de donde se observa que el t ermino (6,02b) dB se mantiene.

162
5.3 Codicaci on de los valores cuanticados
Ejemplo 5.1 El sistema de audio digital utilizado en CD comerciales utiliza una frecuencia de muestreo de 44,1 kHz con 24 bits por muestra. Determine la frecuencia m axima representable por este sistema y el valor m aximo de la relaci on de se nal a ruido de cuanticaci on SQNR alcanzable para un tono puro. Cu antos bits son estrictamente necesarios por muestra si la aplicaci on require para un tono puro una SQNR de al menos 100 dB? Soluci on: Con 44,1 kHz de frecuencia de muestreo es posible representar a lo sumo frecuencias de 22,05 kHz. Los 24 bits por muestra permiten, si el convertidor A/D cubre exactamente el rango din amico de la se nal, un SQNR=(1,76+6,0224)=146,24 dB, asumiendo un tono sinusoidal. Si se requirieran 100 dB entonces bastar an para reproducir un tono puro (se nal sinusoidal) 17 bits por muestra. 5.1
5.3
Codicaci on de los valores cuanticados
El proceso de codicaci on asigna un n umero binario u nico a cada nivel de cuanticaci on. Si se disponen de L niveles entonces ser an necesarios al menos b = log2 (L) bits. Los convertidores A/D disponibles comercialmente usualmente utilizan precisiones de 8 a 16 bits. Dos familas de codicaci on se utilizan con frecuencia: coma ja y coma otante.
5.3.1
N umeros codicados con coma ja
En las representaciones con coma ja el peso de cada bit en la representaci on es constante. Dos codicaciones frecuentemente utilizadas consisten en los enteros sin signo y el complemento a dos. Enteros sin signo Sea x un n umero entero sin signo de N -bits
N 1
x=
n=0
bn 2n
donde bn {0, 1} es el n- esimo d gito de x. El rango representable es entonces desde 0 N hasta 2 1. El d gito b0 es el menos signicativo (LSB, least signicant bit ) y su peso relativo es igual a uno. El d gito bN 1 es el m as signicativo (MSB, most signicant bit ) N 1 y tiene un peso relativo de 2
163
Coma ja sin signo Sea x un n umero sin signo de N -bits 1 x= M

N 1
bn 2n
n=0
donde bn {0, 1} es el n- esimo d gito de x y M es una constante de normalizaci on elegida m N usualmente como 2 . El rango representable es entonces desde 0 hasta (2 1)/M . El d gito b0 es el menos signicativo (LSB, least signicant bit ) y su peso relativo es igual a 1/M . El d gito bN 1 es el m as signicativo (MSB, most signicant bit ) y tiene un peso N 1 relativo de 2 /M .
Complemento a dos La representaci on de N bits de un n umero entero con signo en complemento a dos est a dada por
N 2
x = bN 1 2 +
bn 2n
n=0
lo que permite representar n umeros en el rango desde 2N 1 hasta 2N 1 1. El d gito b0 es el menos signicativo (LSB, least signicant bit ) y su peso relativo es igual a uno. El d gito bN 2 es el m as signicativo (MSB, most signicant bit ) y tiene un peso relativo N 2 de 2 . El u ltimo bit bN 1 codica al signo. El uso del complemento a dos es quiz a el m as difundido de todas las representaciones de n umeros con signo. Esto se debe a que es posible sumar varios n umeros con signo, y siempre que el resultado nal se encuentre en el rango de representaci on, es irrelevante si resultados intermedios producen desbordamiento. Por ejemplo, sup ongase que se debe hacer la secuencia de operaciones 2 + 3 2 con n umeros de 3 bits. La secuencia de adiciones es entonces (xi )10 210 310 210 (xi )2 010 011 110 ( xi )2 010 101 011 ( xi )10 210 310 310
donde el resultado intermedio 5 fue representado por el n umero 3, sin afectar el resultado nal. Otra ventaja de esta representaci on es que permite encontrar el m odulo con respecto L a un n umero 2 utilizando u nicamente los L bits menos signicativos, lo que simplica la implementaci on de b uferes anulares. Por ejemplo, para el caso N = 4 y L = 2 se obtiene
164
(xi )10 810 710 610 510 410 310 210 110 010 110 210 310 410 510 610 710 Coma ja con signo
(xi )2 1000 1001 1010 1011 1100 1101 1110 1111 0000 0001 0010 0011 0100 0101 0110 0111
(xi mod 4)2 00 01 10 11 00 01 10 11 00 01 10 11 00 01 10 11
(xi mod 4)10 010 110 210 310 010 110 210 310 010 110 210 310 010 110 210 310
La representaci on de N bits de un n umero con signo en complemento a dos est a dada por 1 x= M
N 2
bN 1 2 +
bn 2n
n=0
con la constante de normalizaci on M elegida usualmente como 2m . El rango representable ser a entonces desde 2N 1 /M hasta (2N 1 1)/M . Un caso frecuentemente utilizado permite representar n umeros de valor absoluto igual o inferior a uno empleando M = 2N 1 con lo que se obtiene
N 2
x = 2bN 1 +
bn 2nN +1
n=0
5.3.2
N umeros codicados con coma otante
La representaci on en coma otante permite ampliar el rango de representaci on num erica. Las representaciones de 32 y 64 bits m as frecuentemente utilizadas han sido estandarizadas por la IEEE (est andar 754 en su versi on original de 1985 y su m as reciente versi on de 2008). Las unidades de manejo de coma otante integradas en algunos procesadores Digitales de Se nal avanzados (por ejemplo, la familia C674x de Texas Instruments) as como algunos m odulos disponibles gratuita y/o comercialmente en HDL (Verilog o VHDL) dan soporte a dicho est andar. La exibilidad del hardware recongurable permite sin
165
embargo utilizar formatos de coma otante adecuados para cada aplicaci on espec ca sin afectar el desempe no. Un n umero codicado con el est andar consiste en un bit de signo s, el exponente e con E bits y la mantisa m normalizada (fraccionaria) de M bits, y se codica como s Exponente e Mantisa m
De forma algebraica, el n umero representado es x = (1)s 1, m 2ebias con bias = 2E 1 1 N otese que la mantisa se completa con un 1 oculto (en el sentido de que no se indica expl citamente en la representaci on), mientras que los bits especicados en la mantisa representan solo la parte fraccionaria. Ejemplo 5.2 Indique cu al es la representaci on en coma otante del n umero 10, 12510 en un formato de 14 bits que utiliza E = 6 bits y M = 7 bits. Soluci on: Primero, el bias est a dado por bias = 2E 1 1 = 25 1 = 31 y para la mantisa 10, 12510 = 1010, 00102 = 1, 01000102 23 El exponente corregido se obtiene con e = 3 + bias = 3410 = 1000102 Finalmente, la representaci on del n umero es: s 0 Exponente e 1000102 Mantisa m 01000102
5.2
Ejemplo 5.3 Encuentre qu e n umero decimal es representado por el c odigo de coma otante con E = 6 bits y M = 7 bits: s 1 Exponente e 0111102 Mantisa m 10000002
166
Soluci on: El n umero representado est a dado por 1 1, 10000002 230bias = 1, 12 21 = 0, 112 = 0, 7510
5.3
La tabla 5.1 muestra las especicaciones del est andar IEEE 754. Adem as de la estructura Tabla 5.1: Est andar de coma otante IEEE 754-2008 Simple Ancho de palabra Mantisa Exponente Bias Rango 32 23 8 127 3, 4 1038 Doble 64 52 11 1023 1, 8 10308
2128
21024
de representaci on de los n umeros reales, el est andar especica adem as detalles como modos de redondeo, denormalizaciones, y representaciones de n umeros inv alidos o innitos (ver tablas 5.2 y 5.3). Tabla 5.2: Algunos n umeros especiales en precisi on simple Nombre -NaN (Quiet) s 1 e 11 . . . 11 m Hex
-NaN (Signal) 0 +0 + +NaN (Signal)
11 . . . 11
11 . . . 11 FFFFFFFFH . . . . . . 10 . . . 01 FFC00001H 01 . . . 11 FFBFFFFFH . . . . . . 00 . . . 01 00 . . . 00 00 . . . 00 00 . . . 00 00 . . . 00 00 . . . 01 . . . FF800001H FF800000H 80000000H 00000000H 7F800000H 7F800001H . . .
1 11 . . . 11 1 00 . . . 00 0 00 . . . 00 0 11 . . . 11 0 11 . . . 11
+NaN (Quiet)
11 . . . 11
01 . . . 11 7FBFFFFFH 10 . . . 01 7FC00000H . . . . . . 11 . . . 11 7FFFFFFFH
167
Tabla 5.3: Algunos n umeros especiales en precisi on doble Nombre -NaN (Quiet) s e m Hex
-NaN (Signal) 0 +0 + +NaN (Signal)
11 . . . 11 FFFFFFFFFFFFFFFFH . . . . 1 11 . . . 11 . . 10 . . . 01 FFC0000000000001H 01 . . . 11 FFF7FFFFFFFFFFFFH . . . . 1 11 . . . 11 . . 1 11 . . . 11 1 00 . . . 00 0 00 . . . 00 0 11 . . . 11 0 11 . . . 11 00 . . . 01 00 . . . 00 00 . . . 00 00 . . . 00 00 . . . 00 00 . . . 01 . . . FFF8000000000001H FFF0000000000000H 8000000000000000H 0000000000000000H 7FF0000000000000H 7FF0000000000001H . . .
+NaN (Quiet)
01 . . . 11 7FF7FFFFFFFFFFFFH 10 . . . 01 7FF8000000000000H . . . . 11 . . . 11 . . 11 . . . 11 7FFFFFFFFFFFFFFFH
5.4
Circuitos de conversi on anal ogica digital
Diferentes estrategias para la conversi on anal ogica a digital se han propuesto, cada una de ellas adecuada a factores como potencia, velocidad o precisi on, que caracterizar an a cada aplicaci on en particular. La selecci on del convertidor anal ogico digital es parte del dise no de un sistema de procesamiento digital.
5.4.1
Circuito de muestreo y retenci on
El circuito de muestreo y retenci on (o sample and hold ) es utilizado como etapa previa al circuito convertidor propiamente dicho para estabilizar el valor a ser muestreado. El periodo total de muestreo Ts = 1/Fs se divide en el tiempo de muestreo ts en el que la salida de tensi on U2 del retenedor se estabiliza siguiendo a la tensi on de entrada U1 (gura 5.11), y el tiempo de retenci on tH donde se mantiene el u ltimo valor de tensi on de la entrada del tiempo ts . Durante el tiempo de retenci on la salida U2 es constante y es convertida a una palabra digital en el proceso de cuanticaci on.
168
5.4 Circuitos de conversi on anal ogica digital

S/H
Entrada U1 Salida U2
U1
U2
tS
tH
Figura 5.11: Muestreo y retenci on
5.4.2
Contador
Una primera estrategia de conversi on anal ogica a digital utiliza el esquema ilustrado en la gura 5.12. Durante cada fase de retenci on del circuito S/H, una se nal con forma diente
Fs Contador
w bits
Registro
w bits
S/H xa (t )
Figura 5.12: Conversi on con contador
de sierra s(t) recorre todo el rango de valores anal ogicos representables y en paralelo un contador digital es reinicializado e inicia una cuenta ascendente sincronizada con la se nal s(t). En el instante en que s(t) supere a la salida del retenedor, el valor del contador es almacenado en un registro y utilizado como representaci on digital de la se nal. Esta t ecnica es utilizada para bajas frecuencias de muestreo (menores a 50 kHz) debido a la cantidad de ciclos de reloj requeridos por el contador para recorrer todo el rango de valores. Por las mismas razones, tampoco es posible utilizar un n umero elevado de bits. La precisi on de este m etodo est a limitada por la precisi on de generaci on de la se nal s(t),
169
as como la precisi on de la sincronizaci on de esta se nal con los contadores.
5.4.3
Aproximaciones sucesivas
En la conversi on por aproximaciones sucesivas se sigue la estrategia ilustrada en la gura 5.13. El registro de aproximaci on sucesiva (RAS) consiste en un sistema que verica
Fs
xa (t )
DAC
Figura 5.13: Conversi on por aproximaciones sucesivas
e inicializa los bits del c odigo digital del m as signicativo al menos signicativo. En un primer paso, a dicho bit se le asigna el valor de 1, y esa representaci on se convierte a un valor anal ogico con el DAC. Si la tensi on a la salida del DAC es menor que la salida del retenedor, eso indica que el bit m as signicativo debe ser uno, o de otra manera debe ser cero. El valor de dicho bit se almacena y se procede de igual forma con el siguiente bit de menor peso relativo. De esta manera, en un n umero de pasos w igual al n umero de bits de la representaci on digital se realiza la conversi on. Este proceso comparativo se ilustra en la gura 5.14.
Uref /2 MSB < < < Uref
LSB
< < < < < < < < < < < <
Figura 5.14: Registro de aproximaciones sucesivas
Con una resoluci on de 12 bits se alcanzan frecuencias de muestreo de hasta 1 MHz. Mayores resoluciones de hasta 16 bits se encuentran disponibles pero a menores frecuencias de muestreo. Obs ervese que la precisi on de este m etodo depende de qu e tan exacto sea el convertidor digital anal ogico (DAC).
RAS
w bits
Registro
S/H
w bits
170
5.4.4
Convertidor paralelo
La gura 5.15 muestra un m etodo directo de conversi on denominado convertidor ash o convertidor paralelo. En este m etodo, la salida del retenedor es comparada con 2w 1 tensiones de referencia obtenidas por una red resistiva. La salida de los comparadores se interpreta como una secuencia de 2w 1 bits que pueden ser codicados para obtener un c odigo de w bits.
Fs
S/H xa (t ) R /2 Uref R D 2w 2 Q w bits Codec D 2 R D 1 R /2 Comparadores Q Q 2w 1 D Q
Figura 5.15: Convertidor paralelo
Las tasas de muestreo obtenibles con estos convertidores oscilan entre 1 y 500 MHz para resoluciones de hasta 10 bits. Sin embargo, las tolerancias alcanzables en la fabricaci on de la red resistiva (por ejemplo 1023 resistencias en un convertidor de 10 bits) afectar a directamente la linealidad del convertidor, o en otras palabras, la homogeneidad del ancho anal ogico de tensi on asignado al bit menos signicativo en todo el rango de conversi on es dif cil de alcanzar con convertidores de este tipo.
171
5.4.5
Convertidor en subrangos
Una manera de reducir el n umero de resistencias requeridas en el convertidor anterior consiste en partir el problema en dos subproblemas con la mitad del n umero de bits, tal y como lo ilustra la gura 5.16. En un primer paso un convertidor ash se utiliza para
Fs m bits
S/H xa (t )
m bit ADC m bit DAC m bit ADC
m bits
2m
Figura 5.16: Convertidor half-ash
obtener los m bits m as signicativos de la tensi on a la salida del retenedor. A partir de ellos se obtiene una tensi on que aproxima a la entrada redondeada a solo m bits. La salida de convertidor DAC utilizado para generar dicha aproximaci on se substrae de la salida del retenedor para obtener la fracci on faltante, la cual es amplicada por un factor 2m y transformada con otro convertidor ash para obtener los m bits menos signicativos. El esquema anterior (denominado half-ash ) puede ser simplicado en una estructura de conversi on en subrangos como se ilustra en la gura 5.17. Con este esquema, solo se utiliza un convertidor ash. Las tasas de conversi on alcanzan entre 100 kHz y 40 MHz con
Fs m bits
S/H xa (t ) 2m
m bit ADC
L ogica L ogica
w bits
w bits
m bit DAC
Figura 5.17: Convertidor en subrangos
resoluciones de hasta 16 bits.
5.4.6
Convertidor delta-sigma
El convertidor delta-sigma () utiliza una estrategia completamente diferente a todos los circuitos ilustrados anteriormente. Los sistemas anteriores trabajan en frecuencias cercanas al l mite de Nyquist (Fs > 2B ) y por eso se les denomina convertidores ADC
172
en tasa de Nyquist. Estos requieren estructuras electr onicas complejas que determinan la linealidad de la conversi on, y su resoluci on est a determinada por el n umero de niveles en el cuanticador. Los sistemas operan por el contrario con sobre-muestreo (Fs 2B ) utilizando una resoluci on baja, t picamente de un u nico bit, por lo que se les denomina convertidores de un bit. Para reducir el error de cuanticaci on se utilizan t ecnicas del procesamiento digital de se nales. La gura 5.18 ilustra cualitativamente el compromiso entre ancho de banda y resoluci on de los diferentes tipos de conversi on, donde se aprecia que a pesar de utilizar un u nico bit
Resoluci on
Aprox. Sucesivas
Subrango
Flash Ancho de banda de se nal
Figura 5.18: Compromiso entre ancho de banda y resoluci on.
para la conversi on, esta estrategia es la que brinda mayor resoluci on. Los convertidores son utilizados por tanto en aplicaciones de voz (B =4 kHz) y audio (B = 20 24 kHz) con resoluciones de hasta 18 bits. En v deo se encuentran con m as frecuencia convertidores ash para B = 5 MHz y resoluciones de 8 bits. Sobremuestreo Se demostr o anteriormente que un cuanticador de b bits introduce un ruido de cuanticaci on uniformemente distribuido con potencia Pq = A2 /3 = 2b 12 2
Es evidente que dicha potencia no cambia si b se mantiene constante, aunque la frecuencia de muestreo Fs aumente considerable sobre el l mite de Nyquist Fsn = 2B . Sin embargo, al ser el ruido de cuanticaci on blanco, su energ a se distribuye en todo el rango v alido de frecuencias. Por otro lado, la relaci on de Parseval indica que la potencia en el tiempo y en la frecuencia son equivalentes, por lo que el a rea bajo la curva de la densidad espectral de potencia debe mantenerse constante independientemente de la frecuencia de muestreo
173
utilizada (gura 5.19), de modo que

Fsn /2 Fso /2
Pqn (F ) dF =
Fsn /2 Fso /2
Pqo (F ) dF = Pq
de donde se deriva Pqn (F ) = Pq Pq = Fsn 2B Pq Pqo (F ) = Fso
Por lo anterior, solo una fracci on de la potencia total del error de cuanticaci on coincide con la banda de frecuencia de la se nal de entrada [B, B ]. La potencia fuera de ese rango puede ser atenuada utilizando un ltro paso-bajos, dise nado para dejar pasar u nicamente la se nal de entrada. Siguiendo a este ltro, y debido a que su salida est a limitada en banda, es posible sub-muestrear o diezmar la se nal. La gura 5.20 ilustra el concepto de sobremuestreo, donde Fso = 1/Tso = L 2B . La potencia del ruido de cuanticaci on Pqo correpondiente al intervalo de frecuencias [B, B ] de la se nal sobremuestreada se obtiene con
B
Pqo =
B
Pqo (F ) dF = Pq
2B Pq = Fso L
donde L = Fso /Fsn y B = Fsn /2.

2 y pasa por el ltro pasa-bajos Si se asume que la se nal de entrada tiene potencia Px = x inalterada, entonces su potencia seguir a siendo Px a la salida del ltro y la relaci on se nal a ruido de la se nal sobremuestreada y ltrada es
SN RQ = 10 log10
Px Pqo
= 10 log10
P q (F )
Px Pq
+ 10 log10
Fso 2B
(5.8)
Fsn 2
Fso 2
Figura 5.19: Densidad espectral de potencia del ruido de cuanticaci on para la tasa Nyquist Fsn y una tasa de sobremuestreo Fso = 3Fsn .
174

Procesamiento Procesamiento digital anal ogico e (n )
Tso L x (t ) Anti Aliasing x (n ) Cuanticador y (n ) Filtro pasabajas Diezmado
Figura 5.20: Sistema de conversion con sobremuestreo.
donde el primer t ermino ya fue analizado en (5.7) y el segundo t ermino otorga mayor calidad de se nal conforme mayor sea la frecuencia de sobremuestreo con respecto al ancho de banda B de la se nal. Si se elige por ejemplo el muestreo de Nyquist con Fso = 2B entonces (5.8) se reduce a (5.7). Si se elige L = 2r entonces (5.8) se puede expresar como SN RQ = 10 log10 Px Pq + 3, 01r dB (5.9)
de donde se observa que cada duplicaci on de la frecuencia de muestreo equivale a una mejora de medio bit. Si bien es cierto este esquema de sobre-muestreo permite obtener m as resoluci on aumentando la frecuencia de muestreo, la tasa requerida para alcanzar resoluciones altas es muy elevada para las aplicaciones pr acticas. Modulaci on delta-sigma El modelo del cuanticador como combinaci on lineal del ruido de cuanticaci on e(n) con la se nal de entrada (gura 5.20) se ha expresado matem aticamente en el dominio del tiempo discreto como y (n) = x(n) + e(n) que transformado al dominio z equivale a Y (z ) = X (z ) + E (z ) (5.10)
Dicho modelo puede generalizarse utilizando subsistemas para modicar la entrada y el ruido de cuanticaci on de la siguiente forma: Y (z ) = Hx (z )X (z ) + He (z )E (z ) (5.11)
donde Hx (z ) es la funci on de transferencia de la se nal y He (z ) es la funci on de transferencia del ruido de cuanticaci on. En la secci on anterior se utiliz o Hx (z ) = He (z ) = 1, pero eligiendo otras conguraciones es posible manipular el ruido de cuanticaci on tal que se puedan alcanzar mejores resoluciones que con el simple sobremuestreo.
175
La estrategia a utilizar ser a entonces modicar el espectro del ruido de cuanticaci on de tal modo que la mayor parte de la energ a se coloque fuera del ancho de banda de la se nal y sea eliminado al aplicar el ltro pasobajas. La gura 5.21 muestra un convertidor ADC delta-sigma de primer orden, que consiste en un modulador delta-sigma seguido por una etapa de ltrado y diezmado.
Procesamiento anal ogico e (n ) Integrador discreto Tso z 1 x (t ) Anti Aliasing x (n ) ya (n) Cuanticador Filtro pasabajas Diezmado v (n ) y (n ) L Procesamiento digital
DAC
Modulador delta-sigma
Figura 5.21: Conversion delta-sigma de primer orden.
La se nal a cuanticar no es la entrada x(n) sino la salida de un integrador discreto cuya entrada es la diferencia entre x(n) y una representaci on anal ogica ya (n) de la salida. La 1 integraci on se realiza con la funci on de transferencia z /(1 z 1 ). Dicho integrador se realiza en circuitos reales con tecnolog a de capacitores conmutados, que permiten implementar sistemas anal ogicos en tiempo discreto. A la salida del cuanticador, usualmente de 1 bit, se cuenta con las representaciones digitales de m aximo y m nimo valor representables. Asumiendo que el convertidor DAC es ideal, su funci on de transferencia es unitaria, y se cumple para la salida Y (z ) del modulador Y (z ) = X (z )z 1 + E (z )(1 z 1 ) de modo que Hx (z ) = z 1 y He (z ) = 1z 1 . La salida del modulador equivale a la entrada retrasada una muestra m as el ruido modicado con un ltro pasa altos (o diferenciador discreto). La respuesta en frecuencia de He (f ) se obtiene con z = ej = ej 2f y se ilustra en la gura 5.22. Se observa que el ruido de cuanticaci on para el nivel CC es incluso cero. Para que el sistema anterior trabaje correctamente el DAC debe ser tan lineal como sea posible. Puesto que convertidores de 1 bit son perfectamente lineales, son los utilizados preferentemente en este tipo de circuitos, con la ventaja adicional que su implementaci on consiste en un comparador, que se acopla directamente a la cuanticaci on de 1 bit generalmente utilizada.
176
2 1.8 1.6 1.4 1.2 1 -20 0.8 0.6 0.4 0.2 0 0 0.1 0.2 0.3 0.4 0.5 -40 Primer orden Sobremuestreo

|H ( f ) |
20
|H (f )| (dB)
0 0 0.1 0.2 0.3 0.4 0.5
Primer orden Sobremuestreo
f
-60
Figura 5.22: Respuesta en frecuencia de la funci on de transferencia de ruido He (z ) en funci on de la frecuencia normalizada f = F/Fso .
Utilizando la relaci on de Parseval se obtiene que la potencia del ruido de cuanticaci on luego de pasar por el ltro He (z ) y por el ltro pasabajas estar a dada por
B
Pe =
B
Pqo (F )|He (F )|2 dF

B B B 0 B
Pq Fso Pq =2 Fso Pq =2 Fso
|He (F )|2 dF = 2
Pq Fso
B 0
|He (F )|2 dF
|1 ej 2F/Fso |2 dF 4 sen2 F Fso dF
y asumiendo que Fso
B y que sen(x) x para x 0 se tiene Pq Fso

B 0
Pe = 8 En decibelios
F Fso
dF = Pq
2 3
2B Fso
SN RQ(dB) = 10 log10 Px 10 log10 Pq 10 log10
2 Fso + 30 log10 3 2B = 10 log10 Px 10 log10 Pq 5, 17 dB + 30 log10 L
y si L = 2r entonces SN RQ(dB) = 10 log10 Px 10 log10 Pq 5, 17 dB + 9, 03r dB lo que equivale a 1,5 bits por cada duplicaci on de la frecuencia de sobremuestreo. A pesar de que ha mejorado con este modulador la ganancia obtenida por cada duplicaci on de frecuencia, no es a un suciente para aplicaciones reales. Por ello, se utilizan moduladores de mayor orden, como el ilustrado en la gura 5.23. El lector puede dec 2005-2011 P. Alvarado

e (n ) Integrador discreto Integrador discreto
177
z 1 x (n ) z
1
y (n ) Cuanticador
DAC
Figura 5.23: Modulador delta-sigma de segundo orden.
mostrar que la funci on de transferencia para el ruido es en este caso He (z ) = (1 z 1 )2 . Siguiendo un desarrollo similar al anterior se obtiene que SN RQ(dB) = 10 log10 Px 10 log10 Pq 10 log10 4 Fso + 50 log10 5 2B = 10 log10 Px 10 log10 Pq 12, 89 dB + 50 log10 L
y con L = 2r SN RQ(dB) = 10 log10 Px 10 log10 Pq 12, 89 dB + 15, 05r dB lo que implica que con este modulador se obtienen 2,5 bits por cada duplicaci on de la frecuencia de muestreo. La gura 5.24 presenta la respuesta en frencuencia de la funci on de transferencia del error de cuanticaci on para el sistema de sobremuestreo, y los sistemas de primer, segundo y tercer orden de modulaci on delta-sigma. Se aprecia como la atenuaci on energ etica en bajas frecuencias es compensada con una amplicaci on a altas frecuencias.
8 7 6 5 4 3 2
|H ( f ) |
20
|H (f )| (dB)
Primer orden Segundo orden Tercer orden Sobremuestreo
0 0 0.1 0.2 0.3 0.4 0.5
-20
-40
1 0 0 0.1 0.2 0.3 0.4 0.5
Primer orden Segundo orden Tercer orden Sobremuestreo
f
-60
Figura 5.24: Respuesta en frecuencia de la funci on de transferencia de ruido He (z ) en funci on de la frecuencia normalizada f = F/Fso para tres ordenes de modulaci on deltasigma.
178
5.5 Conversi on Digital/Anal ogica
5.5
Conversi on Digital/Anal ogica
Los principios utilizados para la conversi on de una representaci on digital a una se nal anal ogica se basan en t ecnicas de conversi on directas, lo que permite altas velocidades de conversi on. En secciones anteriores se determin o que en la conversi on ideal de una se nal digital a una anal ogica interviene el interpolador ideal sa(t) = sen(t)/t. Este interpolador tiene la propiedad de reconstruir a la perfecci on se nales con un espectro limitado en banda muestreadas con una tasa superior a dos veces dicho ancho de banda; sin embargo, la no causalidad y la innita extensi on de dicho interpolador obliga a utilizar simplicaciones, como el retenedor de orden cero presentado anteriormente (circuito S/H).
5.5.1
Fuentes de tensi on conmutadas
La conversi on con fuentes de tensi on conmutadas se ilustra en la gura 5.25. Esta se realiza
Fs Usal
Decodicador MSB 1 0
S/H
LSB 1 0
Uref R R
2w 1 ... 2w Uref 6 2w
R Uref
5 2w
R Uref
4 2w
R Uref
3 2w
R Uref
2 2w
R Uref
1 2w
R Uref
Figura 5.25: Fuentes de tensi on conmutadas
utilizando una tensi on de referencia Uref conectada a una red resistiva de 2w resistencias de igual valor y conmutada por etapas a trav es de un decodicador que logra llevar a la salida del retenedor la tensi on equivalente. Una obvia desventaja de esta estrategia est a en el tama no de la red resistiva, y del decodicador, que crecen exponencialmente con el n umero de bits a convertir.
5.5.2
Resistencias conmutadas
La gura 5.26 ilustra otra estrategia de conversi on basada en la conmutaci on de corrientes, donde se observa que la corriente correspondiente al bit bi es siembre el doble de la corriente
179
del bit bi1 . Sea U1 la tensi on a la salida del amplicador operacional. Esta tensi on se
MSB Uref R 2R 22 R 23 R 24 R ... 2w R LSB
S/N Usal
Figura 5.26: Conversi on digital-anal ogica con resistores ponderados
obtiene con U1 = RI = R b0 w 2 R + b1 w 2 1 R + ... bw 1 2R Uref
= b0 2w + b1 2w+1 + . . . + bw1 21 Uref
Si bien es cierto esta estrategia utiliza menos resistencias que las fuentes de tensi on conmutadas, su exacta calibraci on en un reto en el dise no del circuito integrado. Otra desventaja es claramente el consumo de potencia presente en todas las resistencias. Si bien es cierto este puede reducirse utilizando valores mayores de R, usualmente esto ir a acompa nado de una reducci on en la raz on se nal a ruido.
5.5.3
Condensadores conmutados
La conversi on digital anal ogica con condensadores conmutados se muestra en la gura 5.27. En este caso la conversi on requiere varios pasos. En el primer paso (denotado
Uref
C 2
C 4
C 8
C 2w 1
C 2w 1
S/N
U1
Usal
Figura 5.27: Conversi on digital-anal ogica con condensadores ponderados
180
5.5 Conversi on Digital/Anal ogica
con 1 en la gura), todos los condensadores se descargan conectando los bornes de todos ellos a referencia. En el segundo paso, el terminal positivo del seguidor de tensi on se desconecta de tierra y cada uno de los bits con valor 1 se conectan a la tensi on de referencia Uref , mientras que los bits 0 permanecen conectados a la tierra. La carga acumulada es entonces C C Uref Q = bw1 C + bw2 + . . . + b0 w1 2 2 En el u ltimo paso de la conversi on, la carga Q acumulada en los condensadores correspondientes a bits 1 es repartida entre la capacitancia total del circuito conmutando los interruptores a la referencia, como se ilustra en la gura 5.27. Dicha capacitancia es 2C gracias al condensador terminal de valor C/2w1 , por lo que Q = 2CU1 con U1 la tensi on a la salida del seguidor de tensi on. Combinando las dos ecuaciones anteriores se deriva U1 = bw1 21 + bw2 22 + . . . b1 2w+1 + b0 2w Uref
5.5.4
Redes resistivas R 2R
Otra manera de lograr conmutaci on de corrientes es a trav es de redes resistivas R 2R como la ilustrada en la gura 5.28. A diferencia de la estructura de resistencias conmutadas, solo se requieren aqu dos valores de resistencias con una raz on de valor 2:1. Obs ervese que en cada nodo la corriente que entra divide en dos tantos iguales, de modo
R R R
Uref
2R
2R
2R
2R
2R R
MSB
LSB
S/N Usal
Figura 5.28: Conversi on digital-anal ogica con redes R-2R
que la tensi on U1 a la salida del amplicador operacional es U1 = RI = R bw1 bw2 b1 b0 + + . . . w 1 + w 2R 4R 2 2 Uref
= Uref bw1 21 + bw2 22 + . . . + b1 2w+1 + b0 2w

181
5.5.5
Conversi on DAC delta-sigma
Los principios de modulaci on y conversi on delta sigma se pueden aplicar en sentido inverso, como lo muestra la gura 5.29. En este caso se traslada la se nal digital con c odigos de w bits a una secuencia con LFs de sobremuestreo de bits simples. Un ltro pasabajos anal ogico recupera la se nal anal ogica.
Procesamiento Digital Procesamiento Anal ogico
L Digital
H (z )
DAC Anal ogico
Figura 5.29: Conversi on DAC delta-sigma.
182
5.6 Problemas
5.6
Problemas
Problema 5.1. Investigue qu e circuitos se utilizan para realizar la conversi on de una se nal digital a una anal ogica.
Cap tulo 6 Implementaci on de sistemas discretos

Hasta ahora se ha visto el an alisis de sistemas LTI descritos mediante ecuaciones de diferencias lineales de coecientes constantes y el an alisis por convoluci on, en el dominio del tiempo (o de variable) discreto y en el dominio de la frecuencia. En la pr actica, el dise no y la implementaci on de sistemas digitales se tratan conjuntamente, y se deben considerar aspectos de costo, tama no, hardware, potencia, etc. Algunos esquemas b asicos de implementaci on se revisar an aqu .
6.1
N umero de Condici on
Los sistemas de procesamiento digital son implementados en computadores digitales que utilizan representaciones num ericas de precisi on limitada. Estas limitaciones afectan el desempe no de los sistemas y obliga a revisar con detalle su comportamiento num erico. En el area de an alisis num erico, el n umero de condici on de una funci on con respecto a un argumento indica, para el peor caso posible, cu anto puede cambiar el valor de la funci on con respecto a un cambio dado del argumento. Se dice entonces que un problema es mal condicionado (en ingl es ill-conditioned ) si el n umero de condici on es alto, es decir, si una peque na perturbaci on del argumento produce cambios grandes en la salida. Si el n umero de condici on es peque no (cercano a uno) entonces se habla de un problema bien condicionado (en ingl es, well-conditioned ). El n umero de condici on es una propiedad de cada problema particular, y por tanto un problema puede ser inherentemente bien condicionado o mal condicionado. Por ejemplo, el pron ostico del tiempo es un problema inherentemente mal condicionado al depender no solo de un elevado n umero de variables en tiempo y espacio (presi on atmosf erica, humedad relativa, temperatura, velocidades de viento, etc.), sino que el resultado es sensible a cambios leves en los valores de dichas variables. 183
184
6.2 Estructuras directas
La soluci on de un sistema de ecuaciones lineales expresado como el sistema matricial Ax = b (6.1)
donde A es una matriz cuadrada de N N y x y b son vectores N -dimensionales, tendr a un n umero de condici on dependiente totalmente de la matriz A que determina cu anto afecta un error en los valores b los valores encontrados para x. Si la determinante de A es un n umero peque no, entonces el problema es mal condicionado. No solo el problema es bien o mal condicionado, sino tambi en el algoritmo particular desarrollado para dar soluci on al problema. Si un problema es mal condicionado, ning un algoritmo podr a cambiar esa condici on. El cuidado debe tenerse en que un algoritmo mal condicionado puede producir errores considerables en la soluci on de problemas inherentemente bien condicionados. Para el caso de algoritmos, el n umero de condici on se redene entonces como la raz on de salida/entrada pero utilizando el algoritmo concreto. Por ejemplo, en la soluci on del sistema lineal de ecuaciones (6.1) pueden utilizarse algoritmos como la eliminaci on gaussiana (mal condicionado), la eliminaci on de Gauss-Jordan, descomposici on de valores singulares (SVD), o la descomposici on QR (bien condicionados), entre otros. El problema que compete directamente en este cap tulo es encontrar las ra ces zi de un polinomio expresado a trav es de sus coecientes ci :
N
P (z ) =
i=0
ci z i = c0 + c1 z + c2 z 2 + . . . + cN z N
(6.2)
es decir, encontrar los valores zi para los que se cumple P (zi ) = 0, para poder expresar al polinomio de la forma
N
P (z ) =
i=1
(z zi ) = (z z1 )(z z2 ) . . . (z zN )
(6.3)
Este problema es en general mal condicionado, en el sentido de que peque nos cambios en los valores de ci pueden producir grandes cambios en la posici on de las ra ces zi , hecho que empeora conforme aumenta el orden del polinomio. Las consecuencias del mal condicionamiento de este problema en el procesamiento digital tienen que ver con el posicionamiento de polos y ceros en la implementaci on de un sistema utilizando ecuaciones de diferencias que tratan ya sea (6.2) o (6.3).
6.2
Estructuras directas
Consid erese el sistema de primer orden: y (n) = a1 y (n 1) + b0 x(n) + b1 x(n 1) y su realizaci on directa (gura 6.1).
6 Implementaci on de sistemas discretos

x (n ) v (n ) y (n )
185
b0
b1 z
1
a1
z 1
Figura 6.1: Realizaci on directa del sistema de primer orden y (n) = a1 y (n 1) + b0 x(n) + b1 x(n 1).
que se puede interpretar como la serie de dos sistemas LTI: v (n) = b0 x(n) + b1 x(n 1) y y (n) = a1 y (n 1) + v (n) . Como la conexi on en serie de sistemas LTI es conmutativa, se puede reemplazar el sistema anterior por el indicado en la gura 6.2, donde se cumplen las ecuaciones: (n) = x(n) a1 (n 1)
y (n) = b0 (n) + b1 (n 1)
(n ) b0 y (n )
x (n )
a1
b1 z
1
Figura 6.2: Reemplazo del sistema de la gura 6.1.
Adicionalmente, se observa que los dos retardadores tienen la misma entrada (n) y por lo tanto la misma salida (n 1), y se pueden agrupar en uno solo seg un se muestra en la gura 6.3.
x (n ) b0 z 1 a1 b1 y (n )
Figura 6.3: Simplicaci on del sistema de la gura 6.2.
A esta estructura se le denomina forma directa II y utiliza s olo un elemento retardador, en lugar de los dos utilizados en la forma directa I (gura 6.1).
186
6.2 Estructuras directas
N otese que esto puede generalizarse para la ecuaci on de diferencias:

N M
y (n) =
k=1
ak y (n k ) +
k=0
bk x(n k )
(6.4)
compuesta de un sistema no recursivo:

M
v (n) =
k=0
b k x( n k )
y un sistema recursivo:
N
y (n) =
k=1
ak y (n k ) + v (n)
mostrados en la gura 6.4. Invirtiendo el orden y combinando los retardadores se obtiene,

x (n ) b0 v (n ) y (n )
z 1
b2
a1
z 1
z 1
b2
a2
z 1
. . . bM 1 bM
. . . aN 1 aN
. . .
z 1
z 1
Figura 6.4: Forma directa I.
con M < N , el diagrama mostrado en la gura 6.5. N otese que esta estructura requiere max{N, M } retardadores y M + N + 1 multiplicaciones, que contrastan con los N + M retardadores de la forma directa, aunque el n umero de multiplicaciones es el mismo. A esta forma II, por poseer el m nimo de retardadores, se le denomina tambi en forma can onica . Al caso especial no recursivo con ak = 0, k = 1 . . . N :
M
y (n) =
k=0
bk x(n k )

x (n ) (n ) b0 y (n )
187
z 1 a1 (n 1) b1
z 1 a2 (n 2) b2
z 1 a3 (n 3) b3
. . . aN 2
. . . (n M ) bM
. . .
z 1 aN 1
z 1 aN (n N )
Figura 6.5: Forma directa II.
se le denomina sistema de media ponderada m ovil o sistema MWA (moving weighted average ), que es un sistema FIR de respuesta impulsional: h(k ) = bk , 0 k M
0,
en otro caso
Con M = 0, el sistema de la ecuaci on (6.4) se torna puramente recursivo:

N
y (n) =
k=1
ak y (n k ) + b0 x(n)
y calcula la combinaci on lineal de las u ltimas N salidas y la entrada actual.

188
6.3 Grafos de ujo de se nal y estructuras transpuestas
6.2.1
Estructuras directas para ltros FIR sim etricos
El caso particular de ltros FIR de longitud M cuyos coecientes presentan condiciones de simetr a o antisimetr a h(n) = h(M 1 n) tiene aplicaciones particularmente en el caso de ltros de fase lineal. Este tipo de simetr a permite reducir el n umero de productos requeridos de una implementaci on convencional de M a M/2 o a (M 1)/2 para M par o impar respectivamente. Las guras 6.6 y 6.7 ilustran las estructuras en forma directa para estos ltros.
x (n ) z 1 z 1 z 1 z 1 z 1
z 1 h(0) y (n ) h(1)
z 1 h(2)
z 1
z 1 h
M 3 2
z 1 h
M 1 2
Figura 6.6: Filtro FIR sim etrico con M impar.

x (n )
z 1
z 1
z 1
z 1
z 1
z 1
z 1 h(0) y (n ) h(1)
z 1 h(2)
z 1 h(3) h
z 1
M 2
z 1 h
M 2
Figura 6.7: Filtro FIR sim etrico con M par.
6.3
Grafos de ujo de se nal y estructuras transpuestas
Una representaci on alternativa de los diagramas de bloques utilizados hasta ahora son los diagramas de ujo de se nal, caracterizados por ramas con transmitancias espec cas y nodos en donde convergen y se distribuyen las se nales. Los nodos suman todas las se nales que convergen en ellos y distribuyen la misma se nal en todas las ramas que salen de ellos. Un nodo que solo distribuye la misma se nal (es decir, un nodo en el que no converge ninguna se nal) recibe el nombre de nodo fuente, y uno a donde solo convergen se nales (es
189
decir, no sale ninguna se nal) se denomina nodo sumidero. La gura 6.8 ilustra el grafo de ujo de se nal correspondiente al diagrama de bloques de un sistema de segundo orden ilustrado en la parte superior, en donde se muestra que y (n) llega a un nodo sumidero y x(n) parte de un nodo fuente.
x (n ) b0 y (n )
z 1 a1 b1
z 1 a2 b2
x (n ) z 1 a1
b0
y (n )
b1 z a2 b2
1
Figura 6.8: Diagrama de bloques de sistema de segundo orden y su correspondiente grafo de ujo de se nal.
La representaci on de sistemas con una topolog a de grafos permite aplicar principios como el llamado teorema de transposici on, que especica una forma de transformar el grafo de modo que la relaci on entre entrada y salida no cambie. El teorema de transposici on especica que si se invierten las direcciones de todas las transmitancias de rama y se intercambia la entrada con la salida en el grafo, la funci on de transferencia del sistema no cambia. La transposici on del sistema de segundo orden de la gura 6.8 se ilustra en la gura 6.9. Obs ervese que en la transposici on los nodos se convierten en sumadores y los sumadores en nodos. Ejemplo 6.1 Encuentre las formas directas I y II y la forma transpuesta II para el sistema b0 + b1 z 1 + b2 z 2 H (z ) = 1 + a1 z 1 + a2 z 2 Soluci on:
6.1
190
y (n ) b0 z 1 a1 b1 z 1 a2 b2 x (n ) b0
6.4 Muestreo en frecuencia

x (n )
y (n )
z 1
b1
a1
z 1
b2
a2
Figura 6.9: Grafo de ujo de se nal transpuesto y el diagrama de bloques derivado.
6.4
Muestreo en frecuencia
M 1 , 2 M k = 0, 1, . . . , 1, 2 1 =0o 2 k = 0, 1, . . . ,
Dado un conjunto de frecuencias k espaciadas de forma homogenea k = 2 (k + ), M M impar M par
Se sabe que la respuesta en frecuencia H ( ) est a dada por la transformada de Fourier en tiempo discreto de la respuesta al impulso h(n):
M 1
H ( ) =
n=0
h(n)ejn
y los valores de H ( ) en las frecuencias k son entonces H (k + ) = H

!
2 (k + ) M
M 1
=
n=0
h(n)ej 2(k+)n/M ,
k = 1, 2, . . . , M 1

x (n ) b0 y (n )
191
Forma directa I
z 1 b1 a1
z 1
z 1 b2 a2
z 1
y (n) = b0 x(n) + b1 x(n 1) + b2 x(n 2) a1 y (n 1) a2 y (n 2)
x (n )
w (n )
b0
y (n )
Forma directa regular II
z 1 a1 w (n 1) b1 z 1 a2 w (n 2) b2 x (n ) b0 y (n )
w(n) = a1 w(n 1) a2 w(n 2) + x(n) y (n) = b0 w(n) + b1 w(n 1) + b2 w(n 2)
Forma directa transpuesta II
z 1 w1 (n) b1 a1 z 1 w2 (n) b2 a2
y (n) = b0 x(n) + w1 (n 1) w1 (n) = b1 x(n) + a1 y (n) + w2 w(n 1) w2 (n) = b2 x(n) a2 y (n)
Tabla 6.1: M odulos de segundo orden con funci on de transferencia H (z ) = para sistemas en tiempo discreto.
b0 +b1 z 1 +b2 z 2 1+a1 z 1 +a2 z 2
Obs ervese que si = 0 entonces la ecuaci on anterior corresponde a la DFT de M puntos de h(n). Utilizando los mismos principios de derivaci on de la IDFT se despeja: 1 h(n) = M
M 1
H (k + )ej 2(k+)n/M ,
k=0
k = 1, 2, . . . , M 1
(6.5)
que equivale a la IDFT si = 0. Se sabe que la funci on de transferencia del ltro est a dada por
M 1
H (z ) =
n=0
h(n)z n
y utilizando (6.5) se obtiene

M 1
H (z ) =
n=0
1 M
M 1
H (k + )ej 2(k+)n/M z n
k=0
192
6.5 Sistemas en cascada
e intercambiando el orden de las sumatorias

M 1
H (z ) =
k=0
H (k + ) 1z e
1 M
M 1
ej 2(k+)/M z 1
n=0
M j 2 M 1
k=0
H (k + ) 1 ej 2(k+)/M z 1
que est a expresada enteramente por las muestras del espectro H ( ). La anterior ecuaci on se interpreta como la cascada de dos sistemas: un ltro todo ceros del tipo peine caracterizado por 1 1 z M ej 2 H1 (z ) = M donde los ceros se encuentran equiespaciados sobre la circunferencia unitaria en zk = ej 2(k+)/M , k = 0, 1, . . . , M 1
El otro elemento de la cascada es un banco de ltros de primer orden, cada uno con un solo polo en pk = ej 2(k+)/M , k = 0, 1, . . . , M 1 Obs ervese que los polos coinciden en su posici on con los ceros. La gura 6.10 muestra la realizaci on de un ltro FIR por muestreo en frecuencia. Cuando la respuesta en frecuencia deseada es de banda angosta, la mayor parte de los coecientes H (k ) son cero, y la estructura se simplica. Adem as, si se requiere una respuesta impulsional real, entonces debido a la simetr a herm tica de H ( ) la estructura puede simplicarse aun m as combinando pares de ltros de primer orden en ltros de segundo orden.
6.5
Sistemas en cascada
Las formas directas I y II utilizan los coecientes de los polinomios en el numerador y denominador de la funci on de transferencia racional que implementan. Puesto que el posicionamiento de las ra ces polinomiales es un problema mal condicionado, la ubicaci on de los polos y ceros, considerando las precisiones nitas con las que los coecientes pueden ser representados, pueden variar considerablemente, convirtiendo por ejemplo sistemas estables en inestables. Los sistemas en cascada persiguen una utilizaci on directa de los valores de polos y ceros, que hacen m as predecible el efecto de cuanticaci on en sus representaciones digitales. Para ello se parte de una factorizaci on de los polinomios en el numerador y denominador de la funci on de transferencia del sistema H (z ) =
=A
M1 1 k=1 (1 fk z ) N1 1 k=1 (1 ck z )
M2 k=1 (1 N2 k=1 (1
dk z 1 )(1 d k z 1 )
gk z 1 )(1 g k z 1 )

H ( )
193
z 1 e j 2/M H (1 + )
z 1 e
j 2 (1+)/M
H (2 + )
1 M
x (n ) e z
M j 2 (2+)/M
z 1
e j 2 =0o
1 2
H (M 1 + ) y (n ) z 1 e
j 2 (M 1+)/M
Figura 6.10: Realilzaci on de ltro FIR por muestreo en frecuencia
donde M = M1 + 2M2 y N = N1 + 2N2 . Si ak y bk son reales entonces fk y ck tambi en lo son, mientras que gk y dk son complejos y aparecen junto a sus pares complejos conjugados g k y d k . Usualmente se combinan pares de factores reales o complejos cojugados en estructuras de segundo orden, de modo que H (z ) = b0k + b1k z 1 + b2k z 2 1 a1k z 1 + a2k z 2 k=1
Ns
(6.6)
con Ns = (N + 1)/2 . Aqu se ha asumido que M N . En caso de que hubiese un n umero impar de de ceros (o polos) reales, entonces uno de los t erminos b2k (o a2k ) ser a cero. Para cada uno de estos t erminos puede utilizarse la forma directa II, aunque se acostumbra utilizar una reducci on en el n umero de multiplicadores necesarios utilizando la factorizaci on Ns 1+ b1k z 1 + b2k z 2 H ( z ) = b0 (6.7) 1 a1k z 1 + a2k z 2 k=1 La forma (6.6) tiene sin embargo la ventaja sobre la forma (6.7) de que el valor de b0 queda
194
6.6 Sistemas paralelos
distribuido en todos los t erminos de la cascada, lo que es conveniente en implementaciones en punto jo. La gura 6.11 ilustra los conceptos presentados.
x (n) = x1 (n) H1 ( z ) x2 (n) y1 (n) H2 ( z ) y2 (n) xK (n) HK ( z ) y (n )
xK (n)
b0
yk (n) = xk +1 (n)
z 1 a1 w (n 1) b1 z 1 a2 w (n 2) b2
Figura 6.11: Estructura en cascada de sistemas de segundo orden.
6.6
Sistemas paralelos
De forma alternativa a la factorizaci on en t erminos de segundo orden, utilizando descomposici on en fracciones parciales es posible expresar la funci on de transferencia como
Np N1
H (z ) =
k=0
Ck z
+
k=1
2 Ak Bk (1 ek z 1 ) + 1 ck z 1 k=1 (1 dk z 1 )(1 d k z 1 )
donde N = N1 + 2N2 . El primer t ermino est a presente solo si H (z ) es una funci on racional impropia, es decir, si M N en cuyo caso Np = M N . Si los coecientes ak y bk son reales, tambi en lo son Ak , Bk , ek y dk . Esta expresi on puede interpretarse como la combinaci on en paralelo de sistemas IIR de primer y segundo orden, m as una cadena de Np retardadores. Agrupando tambi en los polos reales en pares, la funci on de transferencia se puede expresar como
Np N2
H (z ) =
k=0
Ck z
+
k=1
e0k e1k z 1 1 a1k z 1 a2k z 2
La gura 6.12 resume los conceptos presentados.
195
C x (n ) H1 ( z ) z 1 x (n ) H2 ( z ) ak 1 z 1 ak 2 bk 1 bk 0 yk (n)
y (n ) HK ( z )
Figura 6.12: Estructura en paralelo de sistemas de primer y segundo orden.
196
6.6 Sistemas paralelos
Cap tulo 7 Introducci on al dise no de ltros digitales

Por convenci on, cuando se utiliza el t ermino ltro digital impl citamente se hace referencia a sistemas LTI. Cuando se trata de sistemas no lineales, o sistemas variantes en el tiempo se hace menci on expresa de esa condici on. En general, el dise no de ltros se compone de cuatro fases: 1. Especicaci on: En esta etapa se eval ua la aplicaci on concreta y se levanta la lista de requisitos que debe cumplir el ltro, como factores de ganancia, frecuencias de corte, bandas pasantes, rizado en las bandas pasantes y de rechazo, etc. 2. Dimensionamiento: De acuerdo a las especicaciones se dimensiona el ltro, seleccionando orden y tipo de ltro, el dominio de dise no (anal ogico con transformaci on o directamente digital, por optimizaci on, etc.), decisi on si utilizar FIR o IIR, consideraciones de las implicaciones de causalidad, etc. 3. Realizaci on: Se establece aqu la estructura a utilizar, forma directa I o II, estructura en cascada, en paralelo, as como optimizaciones algor tmicas permitidas por la aplicaci on espec ca. 4. Implementaci on: Se ocupa de aspectos de lenguaje de programaci on (C, ensamblador, etc.), plataforma de prototipado (MatLab, LabVIEW), sistemas integrados de desarrollo (p. ej. Code Composer Studio), sistemas empotrados, etc. En ciertas aplicaciones es necesario el desarrollo de circuitos para hardware recongurable (FPGA, CPLD, etc.) o incluso el dise no de ASIC, si las restricciones de velocidad lo hacen necesario. La complejidad del dimensionamiento y realizaci on de los ltros llega a ser de similar complejidad que su implementaci on. Los tiempos requeridos para la implementaci on dependen del nivel de abstracci on del dise no. Mientras m as abstracto sea el nivel de dise no (por ejemplo, con herramientas de prototipado r apido), menor ser a el tiempo de 197
198
7.1 Causalidad y sus implicaciones
dise no y mayor la exibilidad, aunque el tiempo de ejecuci on es menos controlable. En el mercado laboral de PDS, es usual encontrar compa n as que elaboran las secciones cr ticas del procesamiento digital en lenguaje ensamblador, o que utilizan FPGA para dicho procesamiento. Esto requiere mayores tiempos en su desarrollo (lo que hace al proceso m as caro), y usualmente la exibilidad de cambios es menor comparada a las herramientas de prototipado r apido, o lenguajes de programaci on gen ericos. En general, el dise no de ltros digital se concentra en el dise no de un sistema que cumpla ciertos requisitos para su respuesta en magnitud. La fase queda determinada por las consideraciones de estabilidad (particularmente en ltros IIR) o consideraciones de fase lineal (en ltros FIR).
7.1
Causalidad y sus implicaciones
Sea h(n) la respuesta impulsional de un ltro paso bajo ideal con respuesta en frecuencia H ( ) = 1 | | C
0 C < <
que obviamente no es causal y por tanto no realizable. Pero c omo debe ser H ( ) para que h(n) sea causal? Esta pregunta la responde el Teorema de Paley-Wiener que arma: si h(n) tiene energ a nita y es causal (h(n) = 0, n < 0) entonces

C h(n) = C sen(C n) C n
n=0 en otro caso
| ln |H ( )| | d <
Si esta ecuaci on se cumple para |H ( )| entonces puede buscarse una respuesta de fase asociada ( ) tal que H ( ) = |H ( )|ej () represente una se nal causal. N otese que de acuerdo a este teorema la funci on |H ( )| puede ser cero en frecuencias puntuales aisladas, pero no en una banda nita, puesto que la integral se har a innita. Por lo tanto, ning un ltro ideal es causal. Puesto que h(n) se puede separar en componentes par e impar: h(n) = he (n) + ho (n) 1 he (n) = [h(n) + h(n)] 2 1 ho (n) = [h(n) h(n)] 2
7 Introducci on al dise no de ltros digitales
199
si h(n) es causal entonces se tiene adem as h(n) =2he (n)u(n) he (0) (n) = 2ho (n)u(n) + h(0) (n) n>0
he (n) =ho (n),
y si h(n) es absolutamente sumable (estable BIBO) entonces H ( ) = HR ( ) + jHI ( ) y puesto que h(n) es causal y real entonces he (n) ho (n)
HR ( ) HI ( )
con lo que se deduce que HR ( ) es suciente para establecer H ( ). En otras palabras HR ( ) y HI ( ) son interdependientes y no se pueden especicar libremente para sistemas causales. Para establecer la relaci on entre las partes real e imaginaria de la respuesta en frecuencia se plantea utilizando el teorema del enventanado H ( ) = HR ( ) + jHI ( ) = F {2he (n)u(n) he (0) (n)}
= 2 [HR ( ) U ( )] he (0) 1 = HR ()U ( ) d he (0)
que con u(n)
U ( ) = ( ) +
1 1 ej 1 1 = ( ) + j cot , 2 2 2
< <
es equivalente a H ( ) = 1

HR () ( ) d +
HR ( )
1 HR () d 2
he (0)
+ y puesto que
j HR () cot 2
d he (0)
j HR ( ) + jHI ( ) = HR ( ) HR () cot 2 2 1 HI ( ) = HR () cot d 2 2
denominada Transformada de Hilbert discreta de HR ( ).

200
|H ( ) | 1 + 1 1 1 1
7.1 Causalidad y sus implicaciones
Rizado de Banda de Paso
Rizado de Banda de Rechazo 2 P S
Banda de Paso
Banda de Transici on
Banda de Rechazo
Figura 7.1: Respuesta real de ltro pasa bajas.
La causalidad adem as tiene otras consecuencias aqu no demostradas, como por ejemplo que |H ( )| no puede ser constante en ning un rango nito de frecuencias y la transici on de la banda de paso a la banda de rechazo no puede ser innitamente abrupta. Por estas razones, las respuestas en magnitud de ltros reales solo pueden ser aproximaciones de las versiones ideales, tal y como lo muestra la gura 7.1. La frecuencia angular P dene el l mite superior de la banda de paso y as el ancho de banda del ltro. La frecuencia angular S indica el inicio de la banda de rechazo. El ancho de banda de transici on es entonces S P . Los rizados de las bandas de paso y rechazo son 1 y 2 respectivamente. En aplicaciones reales se debe especicar entonces antes de dise nar el ltro 1. M aximo rizado permitido en la banda de paso 1 2. M aximo rizado permitido en la banda de rechazo 2 3. Frecuencia de corte de la banda de paso P 4. Frecuencia de corte de la banda de rechazo S . donde las dos u ltimas se escogen usualmente en t erminos de potencia mitad. El grado en que H ( ) acata las especicaciones depende en parte de los criterios utilizados para seleccionar {ak } y {bk }, as como del n umero de polos y ceros utilizados. Generalmente el dise no de ltros se concentra en el tipo pasa bajos, para lo que existen gran variedad de t ecnicas. Algunas de ellas se muestran en la gura 7.2 y se ilustran con m as detalle en [15]. Existen m etodos para transformar los ltros pasa bajos a otros tipos como paso altos o paso banda.

Dise no de Filtros Digitales
201
FIR
IIR
Ventanas
Muestreo en frecuencia
Optimos
Anal ogicos
Directos
Aproximaci on de derivadas
Aproximaci on de Pad` e
Invarianza impulsional
M nimos cuadrados
Transformaci on bilineal
Dominio de frecuencia
Transformada z adaptada
Figura 7.2: Taxonom a de m etodos para el dise no de ltros.
7.2
Filtros de respuesta de impulso nita
Para un ltro FIR de longitud M la relaci on de entrada salida est a dada por la convoluci on y es
M 1 M 1
y (n) =
k=0
bk x(n k ) =
M 1
k=0
h(k )x(n k ) = h(n) x(n)

M 1
y la funci on de transferencia es H (z ) =
k=0
h(k )z
1 z M 1
h(k )z M 1k
k=0
cuyas ra ces son los ceros del ltro. Este ltro tiene fase lineal si su respuesta impulsional satisface las simetr as: h(n) = h(M 1 n), n = 0, 1, . . . , M 1
que para la transformada z de h(n), H (z ) implica los siguientes casos. Para M par
M 2
H (z ) = z
(M 1)/2 k=0
h(k ) z (M 12k)/2 z (M 12k)/2
202
7.2 Filtros de respuesta de impulso nita
y con z = ej y asumiendo simetr a circular par h(n) = h(M 1 n) entonces

M 2
H ( ) = e
j (M 1)/2 k=0
M 2
h(k ) ej(M 12k)/2 + ej(M 12k)/2

1
2 2
=e =e
j (M 1)/2
2
k=0
h(k ) cos
(M 1 2k ) 2
j (M 1)/2
Hr ( )
donde Hr ( ) es una funci on real por corresponder a una suma ponderada con coecientes reales h(k ) y t erminos cosenoidales con argumentos reales. De forma equivalente, para el caso antisim etrico circular h(n) = h(M 1 n): H ( ) = e
1 j M2 M 2
k=0 j (
1 M2 2
h(k ) ej(M 12k)/2 ej(M 12k)/2

M 2
2j 2j
=e
)2
k=0
h(k ) sen
(M 1 2k ) 2
= ej ( Para M impar:
1 M2 2
) H ( ) r
H (z ) = z (M 1)/2
M 1 2
M 3 2
+
k=0
h(k ) z
M 12k 2
M 12k 2
Con simetr a circular par h(n) = h(M 1 n) lo anterior, en el domino de la frecuencia, conduce a M 3 2 M 1 2k M 1 +2 H ( ) = ej(M 1)/2 h h(k ) cos 2 2 k=0 = ej(M 1)/2 Hr ( ) y con antisimetr a circular h(n) = h(M 1 n), que adem as implica h H ( ) = e
1 j ( M2 2) M 3 2
M 1 2
= 0:
2
k=0
h(k ) sen
M 1 2k 2
= ej ( N otese que se cumple adem as
1 M2 2
) H ( ) r
z (M 1) H (z 1 ) = H (z ) lo que implica que si zk es un cero, entonces z k , 1/zk y 1/z k tambi en lo son (gura 7.3). La tabla 7.1 resume las posibilidades brindadas por las diferentes simetr as para ltros FIR de fase lineal.
203
j
1 z3
z3 z1 1 z3 z2 z1
1 z1
1 z2
1 z1 1 z3
Figura 7.3: Posici on de los ceros en un ltro FIR de fase lineal.
Tabla 7.1: Simetr as en ltros FIR de fase lineal Simetr a M par Sim etrica h(n) = h(M 1 n)
M 2
Antisim etrica h(n) = h(M 1 n) Hr (0) = 0 no apto como ltro paso bajos
Hr (0) = 2
k=0
h(k )
M impar Hr (0) = h
M 1 2
M 3 2
+2
k=0
h(k ) Hr (0) = Hr ( ) = 0 no apto como ltro paso bajos o altos
7.2.1
Dise no de ltros FIR por el m etodo de ventanas
Sea Hd ( ) la respuesta en frecuencia deseada, que usualmente sigue la forma de un ltro ideal. En general, la respuesta impulsional correspondiente hd (n) es innita y dada por la transformada inversa de Fourier hd (n) = 1 2
Hd ( )ejn d
El ltro FIR se obtiene truncando hd (n) por medio de una ventana, como por ejemplo la ventana rectangular w(n) = es decir, h(n) = hd (n)w(n) = hd (n) n = 0, 1, . . . , M 1 0 en otro caso 1 n = 0, 1, . . . , M 1 0 en otro caso
204
En el dominio de la frecuencia H ( ) = Hd ( ) W ( ), donde

M 1
W ( ) =
n=0
w(n)ejn
Puesto que W ( ) tiene generalmente un l obulo central y l obulos laterales, el efecto de la convoluci on es suavizar la respuesta Hd ( ). Para reducir el efecto de los l obulos laterales se utilizan ventanas diferentes a la rectangular, caracterizadas por no tener cambios abruptos en el dominio del tiempo, lo que conduce a l obulos menores en el dominio de la frecuencia. Algunas ventanas t picas y sus caracter sticas se presentan en la tabla 7.2. Tabla 7.2: Funciones utilizadas como ventanas. Ventana Rectangular h(n), 0 n M 1 Ancho lobular 4/M 8/M 8/M 8/M Pico l obulo lateral [dB] 13 27 32 43
1 1 2 n M2 Bartlett (triangular) 1 M 1 2n Hamming 0,54 0,46 cos M 1 1 2n Hanning 1 cos 2 M 1
Las ventanas se ilustran en el dominio temporal en la gura 7.4, y en el dominio de la frecuencia, con su magnitud espectral en las guras 7.5 y 7.6. Ejemplo 7.1 Dise ne un ltro pasa bajos de longitud M que aproxime Hd ( ) = ej(M 1)/2 0 0 | | C en el resto
Se obtiene con la transformada inversa de Fourier hd (n) = 1 2

C C
ej(n
M 1 2
M 1 ) d = sen C n 2 1 n M2
Para el ltro FIR se toman solo M muestras: h(n) =

1 sen C n M2 , 1 n M2
0nM 1
7.1
El truncamiento de hd (n) conduce a un comportamiento oscilatorio cerca del l mite de la banda de paso denominado fen omeno de Gibbs . N otese que este m etodo no permite mayor control sobre el valor de los par ametros 1 , 2 , S y P resultantes.
205
Rectangular Hanning Hamming Bartlett
0.8
0.6
0.4
0.2
0 0 200 400 600 800 1000
Figura 7.4: Ventanas en el dominio del tiempo.
0.8
0.6
0.4
0.2
0 0 0.1 0.2 0.3 0.4 0.5
Figura 7.5: Ventanas en el dominio de la frecuencia (normalizado).
206
0
-20
-40
-60
-80
-100 0 0.1 0.2 0.3 0.4 0.5
Figura 7.6: Ventanas en el dominio de la frecuencia (en dB).
Dise no de ltros FIR de fase lineal por el m etodo de muestreo de frecuencia En este m etodo se muestrea la respuesta en frecuencia deseada en ciados k = 2 (k + ) M k = 0, 1, . . . ,
M 2
puntos equiespa-
M 1 M impar 2 M k = 0, 1, . . . , 1 M par 2 1 =0 o 2
y se calcula la respuesta impulsional h(n) correspondiente, donde para reducir los l obulos laterales se utilizan m etodos num ericos de optimizaci on que sit uan las muestras en la banda de transici on. Puesto que H (k + ) = H 2 (k + ) M
M 1
=
n=0
h(n)ej 2(k+)n/M ,
k = 0, 1, . . . , M 1
y haciendo uso de la ortogonalidad de la exponencial compleja se cumple adem as h(n) = 1 M

M 1
H (k + )ej 2(k+)n/M ,
k=0
n = 0, 1, . . . , M 1
Con = 0 estas ecuaciones equivalen a la DFT e IDFT respectivamente. Si h(n) es real,

207
entonces H (k + ) = H (M k ) lo que justica la utilizaci on de obtiene H (k + ) = Hr

M 2
muestras en vez de M . Utilizando la simetr a se
2 (k + ) ej [/22(k+)(M +1)/2M ] M
donde = 0 si h(n) es sim etrica y = 1 si h(n) es antisim etrica. Con G(k + ) = (1)k Hr se obtiene H (k + ) = G(k + )ejk ej [/22(k+)(M +1)/2M ] Respuesta impulsional h(n) = h(M 1 n) Simetr a circular par jk/M k = 0, 1, . . . , M 1 H (k ) = G(k )e 2k k G(k ) = G(M k ) G(k ) = (1) Hr M a = 0: M 1 2 2k 1 1 G(0) + 2 G(k ) cos n+ h(n) = M M 2 k=1 1 1 j j(2k+1)/2M H k+ =G k+ e 2e 2 2 1 1 1 G k+ =G M k a= : 2 2 2 M 1 2 2 1 2 h ( n ) = G k+ sen M k=0 2 M 2 (k + ) M k = 0, 1, . . . , M 1
k+
1 2
n+
1 2
Simetr a circular impar H (k ) = G(k )ej/2 ejk/M k = 0, 1, . . . , M 1 2k G(k ) = (1)k Hr G(k ) = G(M k ) M M 1 2 2 2k 1 a = 0: h ( n ) = G(k ) sen n+ M impar M M 2 k=1 M 1 2 1 1 2k n +1 h(n) = (1) G(M/2) 2 G(k ) sen n+ M M 2 k=1
M par
208
1 1 j(2k+1)/2M H k+ =G k+ e 2 2 1 2 1 k G k + = ( 1) H k + r 2 M 2 1 a= : 1 1 2 G k + = G M k ; G(M/2) = 0 para M impar 2 2 M 1 2 2 2 1 1 1 h(n) = cos k+ n+ G k+ M 2 M 2 2

k=0
Soluci on: h(n) es sim etrica y en este caso = 0. Con G(k ) = (1)k Hr 0, 1, . . . , 7 y las ecuaciones anteriores se obtiene h(0) h(1) h(2) h(3) h(4) h(5) h(6) = = = = = = = h(14) h(13) h(12) h(11) h(10) h(9) h(8) h(7) = 0,014112893 = 0,001945309 = 0,04000004 = 0,01223454 = 0,09138802 = 0,1808986 = 0,3133176 = 0,52
Ejemplo 7.2 Dise ne un ltro de longitud M = 15 con respuesta impulsional h(n) sim etrica y respuesta en frecuencia condicionada a k = 0, 1, 2, 3 1 2k = 0,4 k = 4 Hr 15 0 k = 5, 6, 7
2k 15
, k =
7.2
7.2.2
Dise no de ltros optimos
El dise no de ltros se denomina optimo si el error de aproximaci on entre la respuesta en frecuencia deseada y la actual se distribuye equitativamente a lo largo de las bandas de paso y rechazo. Dadas las frecuencias de corte para las bandas de paso y rechazo P y S respectivamente, el ltro debe satisfacer adem as 1 1 Hr ( ) 1 + 1 2 Hr ( ) 2 | | P
| | > S
por lo que 1 representa el rizado de la banda de paso y 2 la atenuaci on o rizado en la banda de rechazo.
209
Utilizando los ltros sim etricos y antisim etricos de fase lineal puede demostrarse que Hr ( ) = Q( )P ( ) con Q( ) y P ( ) dados en la tabla 7.3. El error de aproximaci on se dene entonces como E ( ) = W ( )[Hdr ( ) Hr ( )] = W ( )Q( )
= W ( )[Hdr ( ) Q( )P ( )]
Hdr ( ) P ( ) Q( )
donde W ( ) es una funci on de ponderaci on de error que usualmente se dene como W ( ) =

1 2
en la banda de paso en la banda de rechazo
y Hdr ( ) la respuesta ideal del ltro deseada que es 1 en la banda de paso y cero en la de rechazo. Con ( ) = W ( )Q( ) W dr ( ) = Hdr ( ) H Q( ) el error se puede reescribir como ( ) H dr ( ) P ( ) . E ( ) = W El dise no del ltro consiste entonces en buscar los par ametros {(k )} = {a(k )}, {b(k )}, {c(k )} o {d(k )} que conducen al menor valor m aximo de |E ( )|.
L
( ) H dr arg min max |E ( )| = arg min max W

{(k)} S {(k)} S
(k ) cos k
k=0
donde S representa el conjunto (disjunto) de bandas sobre las que se realiza la optimizaci on. Este problema de optimizaci on requiere tambi en m etodos num ericos de optimizaci on (por ejemplo el algoritmo de intercambio de Remez) basados en el teorema de la alterternancia, que establece que la funci on de error E ( ) debe exhibir al menos L + 2 frecuencias extremas en S , es decir, deben existir al menos L + 2 frecuencias {i } en S tales que 1 < 2 < . . . < L+2 , E (i ) = E (i1 ) y |E (i )| = max |E ( )|, i = 1, 2, . . . , L + 2 para
S
que P ( ) =
L k=0
dr ( ). (k ) cos k sea la mejor y u nica aproximaci on ponderada de H
El nombre del teorema se debe a la alternancia de signo entre dos extremos consecutivos.
Tabla 7.3: Descomposici on de ltros FIR en P ( ) y Q( ). Sim etrico h(n) = h(M 1 n) M Impar Caso 1 Caso 3 Q( ) = sen( )
(M 3)/2
Antisim etrico h(n) = h(M 1 n)
P ( ) = Q( ) = 1
(M 1)/2 k=0
c (k ) cos k M 3 c 2 M 5 2 c = 2h(0) = 4h(1) c (k 1) c (k + 1) = 4h 1 c (0) + c (2) = 2h 2 M 3 2 Caso 4 Q( ) = sen

M 2
P ( ) =
k=0
a(k ) cos k h 2h k
M 1 2 M 1 2
a(k ) =
k=0
1 k = 1, 2, . . . , M2
M 1 k , 2
2k
M 5 2
M Par
M 2
Caso 2 Q( ) = cos 2
1
2
1
P ( ) =
k=0
b(k ) cos(k ) M 1 2 M k b(k 1), 2
P ( ) =
k=0
(k ) cos(k ) d M 1 = 4h(0) d 2 (k 1) d (k ) = 4h M k , d 2 M 1 2
b(0) = h b(k ) = 4h
210
1k M b 1 2 = 4h(0)
M 2 2
2k (0) 1 d (1) = 2h d 2
M 1 2
211
7.3
Dise no de ltros de respuesta impulsional innita a partir de ltros anal ogicos
Puesto que el dise no de ltros anal ogicos es un campo maduro y bien desarrollado, puede hacerse uso de sus resultados transformando ltros anal ogicos, descritos en el dominio de frecuencia compleja s = + j como Ha (s) = B (s) = A(s)
M k k=0 k s N k k=0 k s
(7.1)
a ltros digitales utilizando alg un mapeo adecuado entre las variables s y z . La funci on de transferencia Ha (s) se relaciona con la respuesta impulsional h(t) a trav es de la Transformada de Laplace
Ha (s) =
h(t)est dt
que teniendo una forma racional como en (7.1) est a relacionada con la ecuaci on diferencial dk y (t) k = k dt k=0
N M
k
k=0
dk x(t) dtk
(7.2)
donde x(t) representa la entrada del ltro y y (t) su salida. Puesto que el sistema descrito por Ha (s) es estable si sus polos se encuentran al lado izquierdo del eje = 0 entonces el mapeo de s a z debe 1. Transformar s = j en la circunferencia unitaria en el plano z . 2. El semiplano izquierdo (LHP) de s debe corresponder con el interior de la circunferencia unitaria. En la secci on anterior se mencion o que un ltro tiene fase lineal si H (z ) = z N H (z 1 ) . Con ltros FIR esto se utiliza para ubicar los ceros, pero con ltros IIR esto implica que cada polo dentro de la circunferencia unitaria en z tiene otro polo correspondiente fuera de ella, lo que implica que el ltro ser a inestable. En otras palabras, si se requiere un ltro de fase lineal, debe utilizarse un ltro FIR como los tratados en la secci on anterior. Con ltros IIR usualmente se enfoca el dise no a la respuesta en magnitud, dejando que las interrelaciones existentes entre fase y magnitud determinen la fase, seg un corresponda con la metodolog a de dise no utilizada.
212
7.3 Dise no de ltros de respuesta impulsional innita a partir de ltros anal ogicos
7.3.1
Dise no por aproximaci on de derivadas
Si se cuenta con la ecuaci on diferencial del ltro (7.2), se pueden aproximar las derivadas haciendo uso de dy (t) dt y (n) y (n 1) y (nT ) y (nT T ) = T T
t=nT
con el intervalo de muestreo T . Transformando al dominio s y z se tiene s= 1 z 1 . T
Puede deducirse de forma similar que la k - esima derivada resulta en la relaci on s =

k
1 z 1 T
por lo que la aproximaci on para el ltro IIR digital es H (z ) = Ha (s)|s= 1z1

T
La equivalencia entre s y z se puede derivar de z= mapeo que se ilustra en la gura 7.7.

Im{z } 2 j
1 1 sT
0 -2 -1 0 1 2
Re{z }
-1
-2
Figura 7.7: Mapeo entre el plano s y el plano z para la aproximaci on de derivadas.
N otese que los polos del ltro digital solo se ubicar an en frecuencias peque nas, lo que restringe la utilidad de este m etodo a solo ltros paso bajo y paso banda con frecuencias resonantes relativamente bajas.
213
7.3.2
Dise no por invarianza impulsional
Este m etodo consiste en buscar una respuesta impulsional del ltro digital que corresponda a la respuesta impulsional muestreada del ltro anal ogico: h(n) = h(t)|t=nT , n = 0, 1, . . .
En cap tulos anteriores se analiz o el hecho de que el muestreo en el tiempo conduce a una extensi on peri odica que consiste en la superposici on del espectro anal ogico desplazado por m ultiplos de la frecuencia de muestreo Fs = 1/T .
H ( ) = Fs
k=
Ha (Fs 2Fs k )
El aliasing que ocurre a altas frecuencias hace este m etodo inapropiado para el dise no de ltros paso alto. En este caso puede demostrarse que la equivalencia entre los dos dominios es z = esT = e+j T = eT ej T = rej con r = eT y = T , lo que implica que el semiplano izquierdo (LHP) corresponde al interior de la circunferencia unitaria (r < 1). N otese que todos los intervalos de frecuencia (2k 1) T (2k + 1) T se proyectan en la circunferencia, lo que hace de esta correspondencia una relaci on inyectiva que proviene del efecto de aliasing debido al muestreo (ver secci on 2.2.2).
Im{z 3}
2
0 -3 -2 -1 0 1 2 3
Re{z }
-1
-2
-3
Figura 7.8: Mapeo entre el plano s y el plano z para la invarianza impulsional.
Puede demostrarse que el ltro anal ogico

M
Ha (s) =
k=1
ck equivale a H (z ) = s pk
k=1
ck 1 epk T z 1
y aunque los polos siguen la relaci on zk = epk T , esto no se satisface para los ceros.
214
7.3 Dise no de ltros de respuesta impulsional innita a partir de ltros anal ogicos
7.3.3
La transformada z adaptada
De forma similar al dise no por invarianza impulsional, se utiliza aqu el mapeo z = esT , pero tanto para polos como para ceros. As , transformaci on z adaptada se le denomina a aT 1 la equivalencia entre (s a) y (1 e z ). De esta forma
M M
H ( s) =
k=1 N
(s zk ) es equivalente a H (z ) =
k=1 N
1 ezk T z 1 1 epk T z 1
k=1
(s pk )
k=1
Con este m etodo debe seleccionarse T lo sucientemente peque no para evitar el aliasing.
7.3.4
Dise no por transformaci on bilineal
En este m etodo se utiliza la relaci on s= 2 T 1 z 1 1 + z 1
denominada relaci on bilineal y derivada de la f ormula trapezoidal para integraci on num erica. Este m etodo es apto para transformar ltros paso alto y paso banda por tener una representaci on biyectiva entre y . Con z= Ts + 2 Ts 2
se obtiene el mapeo mostrado en la gura 7.9.

Im{z } 2 j
0 -2 -1 0 1 2
Re{z }
-1
-2
Figura 7.9: Mapeo bilineal entre el plano s y el plano z .
215
7.3.5
Filtros Anal ogicos
Estas transformaciones pueden aplicarse para derivar ltros digitales, por ejemplo, ltros Butterworth, ltros Chebyshev (tipos I y II), ltros el pticos y ltros Bessel (tabla 7.4). Tabla 7.4: Caracter sticas de Filtros Paso Bajo Anal ogicos Filtro Butterworth (todo-polos) Funci on de Transferencia |H ()|2 = 1 1 + (/C )2N 1 1+
2T 2 N P
Caracter sticas |H ()| mon otona en las bandas de paso y rechazo.
C : frecuencia de corte |H ()|2 =
Chebyshev, Tipo I (todopolos)
TN : polinomio de Chebyshev T0 (x) = 1 T1 (x) = x TN +1 (x) = 2xTN (x) TN 1 (x) 1
Rizado constante en la banda de paso y caracter stica mon otona en la banda de rechazo.
Chebyshev, Tipo II (polos y ceros)
|H ()|2 =
1+
2 TN 2 TN
S P S
TN : polinomio de Chebyshev |H ()|2 = 1 1+

2U N P
Rizado constante en la banda de rechazo y caracter stica mon otona en la banda de paso.
El ptico o Cauer (polos y ceros)
UN : funci on el ptica Jacobiana de orden N H (s) = 1 BN (s)
Rizado constante tanto en la banda de paso como en la de rechazo.
Bessel polos)
(todo-
BN (s): funciones de Bessel B0 (s) = 1 B1 (s) = s + 1
Respuesta de fase lineal en la banda de paso (aunque se destruye en la conversi on a digital).
BN (s) = (2N 1)BN 1 (s) + s2 BN 2 (s)
7.4
Transformaci on de Frecuencia
Hay dos maneras de obtener un ltro digital paso bajo, paso alto, paso banda o supresor de banda a partir de un ltro paso bajo anal ogico: 1. Transformar en el dominio anal ogico al ltro deseado, y luego usar uno de los mapeos
216
7.4 Transformaci on de Frecuencia
de s a z presentados anteriormente para transformarlo al dominio digital. 2. Transformar el ltro paso bajo a un equivalente paso bajo digital, para luego hacer la transformaci on al ltro deseado en el dominido digital. Para el primer caso se utilizan las transformaciones mostradas en la tabla 7.5. Para el segundo se presentan las modicaciones en la tabla 7.6. Tabla 7.5: Transformaciones de frecuencia para ltros anal ogicos. Tipo de ltro deseado Transformaci on Nuevas frecuencias de corte P P u , l u , l
Paso bajo Paso alto Paso banda Supresor de banda

P : l : u :
P s P P P s s 2 s + l u s P s(u l ) s(u l ) s P 2 s + l u s
frecuencia de corte del prototipo frecuencia de corte inferior frecuencia de corte superior
217
Tabla 7.6: Transformaciones de frecuencia para ltros digitales. Tipo de ltro deseado Transformaci on Constantes Nuevas frecuencias de corte P P u , l
Paso bajo Paso alto Paso banda
z z
z 1 a 1 az 1 z 1 + a 1 + az 1 z 2 a1 z 1 + a2 a2 z 2 a1 z 1 + 1
sen
a=
sen cos
P P 2 P + P 2 P +P 2 P P 2
a=
cos
z 1
a1 = 2 KK +1 a2 = =
cos(
K 1 K +1 + cos( u 2 l )
u l 2 u l
)
P tan 2
K = cot Supresor de banda z 1 z 2 a1 z 1 + a2 a2 z 2 a1 z 1 + 1
a1 = 2 K1 +1 a2 = =
cos(
u , l
1K 1+K + cos( u 2 l )
u l 2 u l
K = tan
P : l : u :
P tan 2
frecuencia de corte normalizada del prototipo frecuencia de corte normalizada inferior frecuencia de corte normalizada superior
218
7.4 Transformaci on de Frecuencia
Bibliograf a
[1] P. Alvarado. Modelos de sistemas. Notas de clase, 2005. URL http://www.ie.itcr. ac.cr/palvarado/Modelos/modelos.pdf. [2] P.M. Aziz, H. V. Sorensen, and J. van der Spiegel. An overview of sigma-delta converters. IEEE Signal Processing Magazine, pages 6184, January 1996. [3] C. S. Burrus, J. H. McClellan, A. V. Oppenheim, T. W. Parks, R. W. Schafer, and H. W. Schuessler. Ejercicios de Tratamiento de la Se nal. Un enfoque pr actico. Prentice Hall, 1998. [4] H. F. Davis. Fourier series and orthogonal functions. Dover Publications, Inc., 1963. [5] John W. Eaton. Octave [online]. 1998 [visitado el 28 de julio de 2011]. URL http: //www.octave.org. [6] John W. Eaton. Octave repository [online]. 1998 [visitado el 28 de julio de 2011]. URL http://octave.sourceforge.net/afunclist.html. [7] S. Haykin and B. van Veen. Se nales y sistemas. Limusa Wiley, 2001. [8] G. James. Matem aticas Avanzadas para Ingenier a. Prentice Hall, 2da edition, 2002. [9] E. Kreyszig. Matem aticas Avanzadas para Ingenier a, volume I. Limusa Wiley, 3ra edition, 2000. [10] E. Kreyszig. Matem aticas Avanzadas para Ingenier a, volume II. Limusa Wiley, 3ra edition, 2000. [11] D. Lindner. Introducci on a las se nales y los sistemas. McGraw Hill, 2002. [12] MathWorks. Matlab [online]. 1994 [visitado el 28 de julio de 2011]. URL http: //www.matlab.com. [13] U. Meyer-Baese. Digital Signal Processing with Field Programmable Gate Arrays. Signals and Communication Technology. Springer, 3ra edici on edition, 2007. [14] A. Oppenheim, A. Willsky, and S. H. Nawab. Se nales y Sistemas. Prentice Hall, 2da edition, 1998. 219
220
Bibliograf a
[15] J. G. Proakis and D. G. Manolakis. Tratamiento Digital de Se nales. Prentice Hall, 1998. [16] J. G. Proakis and D. G. Manolakis. Tratamiento Digital de Se nales. Pearson Educaci on S.A., Madrid, 2007. [17] M. J. Roberts. Se nales y Sistemas. An alisis mediante m etodos de transformada y MatLab. McGraw Hill, 2005. [18] G. E. Shilov. Elementary Real and Complex Analysis. Dover Publications, Inc., 1973. [19] E. Soria Olivas, M. Mart nez Sober, J. V. Franc es Villora, and G. Camps Valls. Tratamiento Digital de Se nales. Problemas y ejercicios resueltos. Prentice Hall, Madrid, 2003. [20] F. G. Stremler. Introducci on a los sistemas de comunicaci on. Addison Wesley Longman, 1993. [21] Wikimedia. Wikipedia [online]. Diciembre 2005 [visitado el 28 de julio de 2011]. URL http://en.wikipedia.org/wiki. [22] U. Z olzer. Digital Audio Signal Processing. John Wiley and Sons, 2008.
Ap endice A Octave y Matlab

MatLab[12] y Octave[5] son programas utilizados en procesamiento num erico de datos, dentro de lo cual gura el area de procesamiento digital de se nales. Este ap endice es una brev sima introducci on a la utilizaci on del int erprete de ambos sistemas. Muchas de las funciones disponibles para MatLab deben ser instaladas por aparte para el Octave, y pueden ser encontradas en la base de datos del grupo que lo desarrolla [6]. La representaci on gr aca de se nales de variable discreta en MatLab se realiza con la funci on stem. Por ejemplo: nn = 0:30; % genere un vector de 31 elementos: 0, 1, 2 .. 30 sinus = sin(nn/2+1); % para cada x en nn genere sin(x/2+1) stem(nn,sinus); % muestre valores en sinus para las muestras nn El punto y coma ; le indica al MatLab que no debe mostrar el resultado de la operaci on. Si es omitido, el resultado se mostrar a directamente. Con los comandos hold y hold off se puede controlar si se debe gracar sobre la misma imagen o no. La funci on zeros(m,n) genera una matriz de m las por n columnas. As que para generar un impulso puede utilizarse imp=zeros(20,1); imp(5)=1; Depender a de los ndices generados para esta secuencia el n umero de muestra para el impulso. Por ejemplo, con nn=-5:14 el retardo del impulso es -1 pero con nn=0:19 el retardo ser a 4. Para generar se nales peri odicas puede utilizarse el siguiente concepto: x = [0;1;1;0;0;0] * ones(1,8); x = x(:); 221
222
Lo que ocurre en la primera l nea es generar una matriz con ocho las todas id enticas al vector dado antes del s mbolo . La segunda l nea convierte la matriz a un vector concatenando todas las las, lo que equivale una se nal peri odica con N = 6 periodos. Especial cuidado debe tenerse con la programaci on eciente en Octave. El uso de ciclos debe ser evitado al m aximo, y en vez de ello deben utilizarse las operaciones vectoriales en tanto se pueda. Por ejemplo, sup ongase que necesita generar una secuencia x(n) con n desde 10 hasta 40, que contenga un escal on unitario. Una implementaci on ingenua e ineciente es: n=[-10:40]; x=n; for i=1:length(n) if n(i)<0 x(i)=0; else x(i)=1; end end La versi on anterior funciona, pero requiere mucho m as tiempo que la versi on utilizando los conceptos del lenguaje en cuesti on: n=[-10:40]; x=(n>=0); Lo anterior genera un vector con 0 si el elemento correspondiente en n es menor que cero y 1 en caso contrario. Un concepto fundamental para la programaci on eciente es conocer la diferencia de sintaxis entre los operadores (por ejemplo ), y los operadores precedidos por un punto (por ejemplo .). El primero representa una operaci on matricial, y requiere que las dimensiones de los operandos a la izquierda y derecha sean compatibles con la operaci on. El segundo caso aplica el operador elemento por elemento a las dos matrices, que deben para ello tener exactamente las mismas dimensiones. Ejemplos: [1 2 3]*[1 -1 -2] % % [1 2 3]*[1 -1 -2] % % % [1 2 3]*[1 -1 -2] % Retorna un error, porque el primero o el segundo vector deber an ser un vector columna. El ap ostrofe en el segundo vector indica que e ste debe transponerse y por tanto es equivalente a un producto interno que devuelve el valor escalar -7 Ahora esto equivale al producto externo y retorna una
A Octave y Matlab
223
% matriz 3x3. [1 2 3].*[1 -1 -2] % Multiplique elemento por elemento para retornar [1 -2 -6]
224
Ap endice B Respuestas a Problemas

A continuaci on se presentan los esbozos de las soluciones a los problemas planteados en los diferentes cap tulos. Estos problemas tienen como objetivo ayudar en preparaci on del estudiante para las pruebas parciales y nal del curso. El estudiante debe solucionar los problemas por su cuenta antes de comparar sus respuestas con las versiones aqu presentadas. De otra forma no se asegurar a el aprendizaje. Problemas adicionales encontrar a el estudiante en abundancia en [19, 15]. Problema 1.1. El estudiante debe buscar ejemplos que el conoce: se nales de voz, se nales de video, sismos, se nales utilizadas en medicina, etc. Problema 1.2. Se nal N um. Variables (U/M) Caracter stica Estad stica (D/A) D A
Dimensi on (E/V)
Variables (D/C) D D C D C
Imagen tomada por una c amara digital a color Registro mensual de la posici on de una bandada de aves migratorias Se nales de salida de un micr ofono est ereo Se nal digital Se nal anal ogica Problema 2.1. 1. x1 (n) = x(n 2) 225
M U U
V V V
D C C D C
Valores (D/C)
226
2. x2 (n) = x(n + 3) 3. x3 (n) = x(n + 2) 4. x4 (n) = x(n 3) Problema 2.2. 1. x3 (n) = {4, 2, 0, 3, 4, 1, 5}

2. x4 (n) = {0, 0, 1, 10, 3, 12, 0} 3. x5 (n) = {0, 0, 3, 9, 12, 3, 15}
Problema 2.3. Puesto que la se nal en tiempo discreto es peri odica con periodo N , esta tarda N T , y el n umero de veces que cabe el periodo Ta en un periodo de la se nal discreta es N T /Ta . Se sabe que f = k/N = F/Fs = T /Ta y por tanto el n umero de veces que cabe el periodo Ta en el periodo de la se nal muestreada es k . Problema 2.5. N otese primero que el valor de M no afecta el periodo fundamental de la se nal, puesto que M y N son n umeros primos relativos. Las se nales arm onicamente relacionadas est an dadas por sk (n) = ej (2( N k)n) Determ nese la se nal arm onicamente relacionada sk+ (n): sk+ (n) = ej (2( N (k+))n) M Mk = ej (2( N + N )n) = ej (2(
Mk N n )n) ej (2( M N ) ) M M
El segundo t ermino del producto es igual a 1 cuando M /N Z, lo cual, bajo la restricci on de que M y N son primos relativos, es posible si y solo si es un m ultiplo de N . En otras palabras la frecuencia (k + iN )0 , con i Z es un alias de k0 . As que solo valores de < N generan frecuencias un vocas, pues con N es posible encontrar siempre un < N que da paso a una se nal equivalente. Problema 3.1. 1. x(n) = sen(n)u(n) ROC: exterior de un c rculo 2. x(n) = u(n + 4) u(n 2) ROC: todo el plano z menos cero e innito 3. x(n) = u(n 2) ROC: el interior de un c rculo 4. x(n) = ur (n) 2ur (n 5) + ur (n 10) ROC: todo el plano z menos cero
1 5. x(n) = 2 |n|
ROC: anillo
6. x(n) = ur (n + 5)u(n) ROC: todo el plano z menos innito

B Respuestas a Problemas
227
Problema 3.2. 1. |z | > 1/3 menos 2. |z | > 1 3. |z | < 1/3 4. 1/3 < |z | < 3 Problema 3.3. X (z ) = z 2 1 1 1 , 16 1 4 z
ROC: |z | > 1/4
Problema 3.4. || = 2, y todo n0 Problema 3.5. Polos en 1 ej/4 , ROC: |z | < 1/2. 2 Problema 3.6. 1. Ceros en 1/2 e , polos en 1/3 y 1/4. 2. Ceros en 1 y 2, polos en 3 y 4. 3. Ceros en 1 y en (este u ltimo doble), y polos 1/4. Problema 3.7. Si x(n) es absolutamente sumable, entonces su ROC incluye al c rculo unitario |z | = 1. Puesto que tiene un polo en 1/2 entonces la ROC puede ser un anillo delimitado por el c rculo interno de radio 1/2 o puede ser el exterior de dicho c rculo. Por tanto, x(n) puede ser bilateral o derecha. Problema 3.8. X (z ) tiene polos de primer orden en z = j/2, 1/2 y 3/4. As tiene tres posibles regiones de convergencia: |z | < 1/2, 1/2 < |z | < 3/4 y |z | > 3/4. Problema 3.9. Algunas de las transformaciones ya han sido demostradas en el texto. Aqu solo se indican algunas sugerencias para la demostraci on de las otras. La transformada de nan u(n) se realiza a partir de despejar el valor para
nn
n=0
De forma similar a lo hecho para otras series, esta se resuelve calculando el resultado de sumar
M M M
n
n=0
n
n=0
2 n=0
nn
228
Expandiendo cada t ermino y realizando las sumas de cada t ermino k se obtiene

M
nn =
n=0
(1 (N + 1)N + N N +1 ) 1 2 + 2
Si N entonces lo anterior converge solo si || < 1 a

M
nn =
n=0
1 = = 1 2 + 2 (1 )2 (1 1 )2
Tomando esto en cuenta se puede calcular la transformada de nan u(n) con la denici on:

X (z ) =
nan u(n)z n =
0
n az 1
az 1 (1 az 1 )2
donde se ha sustituido = az 1 . Lo anterior es v alido solo si || = |az 1 | < 1, es decir, si |z | > a. La otras f ormulas se derivan f acilmente reemplazando las se nales trigonom etricas por sus equivalentes exponenciales complejos por medio de la identidad de Euler. Problema 3.10. Puesto que X (z ) es racional, con un polo en z = 1/2 se sabe que la se nal es de duraci on innita (la descomposici on en fracciones parciales tendr a un t ermino con ese polo u nicamente, el cual corresponde a una exponencial de duraci on innita). Por la propiedad de escalado en la frecuencia se sabe que la ROC de X (z ) escalada por 1/4 contiene al c rculo unitario, no as si se escala por 1/8. Esto implica que hay alg un otro polo que al multiplicarlo por 1/8 queda dentro del c rculo unitario, pero si se multiplica por 1/4 queda fuera. En todo caso, la ROC de X (z ) debe ser para esto un anillo y por tanto x(n) debe ser bilateral. Problema 3.11. Problema 3.12. Problema 3.13. Problema 3.14. Problema 3.15. Problema 3.16. Problema 3.17. 1. No causal 2. Causal 3. No causal
B Respuestas a Problemas
229
Problema 3.18. El sistema es causal y estable, puesto que sus polos se encuentran dentro del c rculo unitario, al ser h(n) derecha entonces su ROC es externa a los polos. El t ermino lim H (z ) = 1 indica que H (z ) no tiene polos en el innito, lo que quiere decir z que el n umero de polos debe ser menor o igual al n umero de ceros, que se indican ser dos. Puesto que h(n) es real entonces deben haber al menos dos polos, y puesto que se dice que uno no es real, entonces debe haber otro complejo conjugado de igual magnitud. Problema 3.19. Problema 3.20. 1. (1/2)n u(n) 2.
1 3
1 2
+
n
1 6
1 n 4 1 6
u(n) u(n)
2 1 2 3. 3
1 n 4
Problema 5.1. El estudiante debe buscar las diferentes t ecnicas utilizadas para obtener mayores velocidades o mayores relaciones se nal a ruido. Por lo menos debe revisar las estructuras llamadas ash, el m etodo de aproximaciones sucesivas y el llamado (delta-sigma).
230
Indice alfab etico

alias, 24, 155 aliasing, 105 temporal, 137 amplitud, 22 an alisis, 3 anal ogica, 2 anal ogico, 4 analizador espectral, 91 ancho de banda, 104 anticausalidad, 43 arm onica relaci on exponencial, 26 arm onicos, 92 BIBO, 35 canales, 2 cascada, 35 cero, 70 cifrado, 8 codicaci on, 153 compresi on, 8 condici on inicial, 28 convoluci on, 37 correlaci on, 58 autocorrelaci on, 58 cruzada, 58 normalizada, 59 cuanticaci on denici on, 153 error, 153, 160 ruido, 160 cuanto, 160 deconvoluci on, 130 densidad espectral de energ a, 95 de potencia, 92 de tensi on, 92 derrame, 152 desplazamiento, 37 DFT, 136 digital, 2 DTFS, 98 ecuaci on de diferencias, 46 energ a, 17 espectro, 91 estimaci on espectral, 91 estructura forma directa I, 185 forma directa II, 185 exponencial relacionadas arm onicamente, 26 fase, 22 fen omeno de Gibbs, 204 ltrado, 9 ltro, 9, 117 paso todo, 128 peine, 125 ranura, 124 solapamiento y almacenamiento, 149 solapamiento y suma, 150 forma can onica, 186 directa I, 185 directa II, 185 frecuencia, 22 angular, 22 231
232
Indice alfab etico
de plegado, 155 fundamental, 24 normalizada, 25, 155 fuga, 152 funci on de energ a, 17 de potencia, 17 de transferencia, 77 funcion propia, 91 Gibbs, 204 Hilbert, 199 identidad, 28 identicaci on, 9 interconexi on cascada, 35 paralela, 35 interpolaci on, 154 memoria, 32 muestra n umero, 22 muestreo denici on, 153 intervalo, 153 peri odico, 154 teorema del, 105 uniforme, 154 multiplicaci on, 37 n umero de condici on, 183 osciladores, 129 Paley-Wiener Teorema, 198 paralelo, 35 Parseval se nales continuas peri odicas, 92 periodo fundamental, 19, 23 polinomio caracter stico, 52
polo, 70 potencia promedio, 17 principio de incertidumbre, 96 procesamiento, 3 rango fundamental, 26 reconocimiento, 8 reexi on, 37 reposo, 28 resonador digital, 122 respuesta de estado permanente, 82 en fase, 112 en frecuencia, 112 en magnitud, 112 entrada cero, 48 estado nulo, 49 forzada, 49, 80 natural, 80 transitoria, 82 retardo de grupo, 119 ruido, 9 se nal, 1 acotada, 18 anticausal, 34 asim etrica, 19 de energ a, 17 de potencia, 17 impar, 19 multicanal, 2 par, 19 peri odica, 19 sim etrica, 19 tiempo discreto, 2 simetr a circular impar, 143 par, 143 sintetizaci on, 9 sistema, 3 de fase m nima, 134 de fase m axima, 134 de polos y ceros, 78
Indice alfab etico
233
de todos ceros, 78 de todos polos, 78 discreto, 27 estable, 35 inestable, 35 inverso, 130 invertible, 131 LTI, 117 MWA, 187 no recursivo, 46 recursivo, 46 soluci on homog enea, 51 particular, 51 total, 55 SQNR, 161 submuestreo, 15 suma, 37 teorema del muestreo, 105 Wiener-Khinchin, 110 transformada de Fourier, 93 transformada z , 67 directa, 67 transformada de Hilbert, 199 vector, 2 Wiener-Khinchin, 110

Procesamiento Digital de Se Nales: Tecnol Ogico de Costa Rica Escuela de Ingenier Ia Electr Onica

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: Tecnol Ogico de Costa Rica Escuela de Ingenier Ia Electr Onica

Cargado por

Copyright:

Formatos disponibles

Tecnol ogico de Costa Rica Escuela de Ingenier a Electr onica

Procesamiento Digital de Se nales

Dr. Jos e Pablo Alvarado Moya

Versi on de 28 de julio de 2011

Dr. Jos e Pablo Alvarado Moya Cartago, 28 de julio de 2011

183 . 183 . 184 . 188 . 188 . 190 . 192 . 194

7.1 7.2 7.3 7.4 7.5 7.6

203 204 210 215 216 217

Lista de s mbolos y abreviaciones

Lista de s mbolos y abreviaciones

Cap tulo 1 Introducci on

1.3 Elementos de un sistema PDS

Elementos de un sistema PDS

Figura 1.1: Procesamiento anal ogico de una se nal [15].

Se nal de Entrada Anal ogica

Procesador Digital de Se nal

Se nal de Salida Anal ogica

Figura 1.2: Procesamiento digital de una se nal anal ogica [15].

Ventajas del procesamiento digital

1.4 Ventajas del procesamiento digital

Cap tulo 2 Se nales y Sistemas de Variable Discreta

2.1 Se nales de variable discreta

Si la secuencia es 0 para n < 0 se suele representar como x(n) = {0, 1, 3, 2, 1, 0, . . .}

y si es nita x(n) = {0, 1, 3, 2, 1}

Manipulaciones elementales de se nales de variable discreta

2 Se nales y Sistemas de Variable Discreta

x2 (n) = (1)n ur (n) = {0, 1, 2, 3, 4, 5, 6, . . .} x3 (n) = {0, 0, 1}

2.1 Se nales de variable discreta

El segundo t ermino representa un submuestreo retrasado: x1 (2n 1) = {0, 1, 3, 5, 7 . . .}

El primer factor del tercer t ermino contiene una inversi on atrasada: x2 (4 n) = {. . . , 6, 5, 4, 3, 2, 1, 0}

Clasicaci on de se nales de variable discreta

2 Se nales y Sistemas de Variable Discreta

|v (t)|2 v (t)v (t) = R R

p(t) = i(t)i (t)R = |i(t)|2 R

2.1 Se nales de variable discreta

1 |A|2 (N + 1)|A|2 = N 2N + 1 2 y es por lo tanto una se nal de potencia.

2 Se nales y Sistemas de Variable Discreta

2.1 Se nales de variable discreta

x(n) x(n) x(n) xi (n) =

2 Se nales y Sistemas de Variable Discreta

de lo que se deduce que |x(n)| = |x(n)|

Se nales sinusoidales y el concepto de frecuencia

2.2 Se nales sinusoidales y el concepto de frecuencia

Se nal sinusoidal continua

Figura 2.3: Ejemplo de una se nal anal ogica sinusoidal.

Se nal sinusoidal discreta

2 Se nales y Sistemas de Variable Discreta

Figura 2.4: Ejemplo de una se nal sinusoidal discreta ( = /6 y = /3) [15].

2.2 Se nales sinusoidales y el concepto de frecuencia

2 Se nales y Sistemas de Variable Discreta

y deniendo la frecuencia de muestreo Fs = 1/Ts entonces f= F Fs

Figura 2.6: Secuencia sinusoidal con diferentes frecuencias.

2.2 Se nales sinusoidales y el concepto de frecuencia

Exponenciales complejos relacionados arm onicamente

Las se nales de variable continua sk (t) = ejk0 t = ej 2kF0 t k = 0, 1, 2, . . .

A diferencia del caso continuo se tiene para k1 = k + N sk+N (n) = ej 2

2 Se nales y Sistemas de Variable Discreta

Sistemas en tiempo discreto

Descripci on entrada-salida de sistemas

Figura 2.7: Entrada-salida de un sistema discreto

2.3 Sistemas en tiempo discreto

x(k ) + x(n) = y (n 1) + x(n)

2 Se nales y Sistemas de Variable Discreta