Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Notas de clase
Procesamiento Digital de Se
nales
Prefacio
Estas notas de clase pretenden ofrecer al estudiante una gua para el curso Procesamiento
Digital de Se
nales. No deben considerarse bajo ninguna circunstancia como fuente de
informacion u
nica. En cada captulo se hace referencia a fuentes bibliograficas adicionales
que el estudiante debera revisar por su cuenta, con ejercicios adicionales y mayor detalle
en su presentacion.
El concepto del curso se ha orientado en las sugerencias de los autores John G. Proakis y
Dimitris G. Manolakis [13] para un programa semestral de curso de pregrado, con algunas
adiciones y principalmente res
umenes de la materia considerados necesarios. Mas detalles
de los temas tratados aqu se podran entonces encontrar del captulo 1 al captulo 8 del
mencionado libro de texto.
Las presentes notas de clase son para uso exclusivo del curso Procesamiento Digital de
Se
nales de la Escuela de Ingeniera Electronica del Instituto Tecnologico de Costa Rica.
Reservados todos los derechos. Ni la totalidad ni parte de este documento pueden reproducirse, registrarse o transmitirse en ninguna forma ni por ning
un medio sin permiso
previo del autor.
c 2005-2006 P. Alvarado Escuela de Electronica Instituto Tecnologico de Costa Rica
Indice general
Indice de tablas
vii
Indice de ejemplos
ix
Revisar
xi
xiii
1 Introducci
on
1.1 Se
nales y sistemas . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1 Se
nales . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.2 Sistemas . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.3 Elementos de un sistema de procesamiento de se
nales
1.1.4 Ventajas del procesamiento digital sobre el analogico
1.1.5 Aplicaciones . . . . . . . . . . . . . . . . . . . . . . .
1.2 Frecuencia en se
nales continuas y discretas . . . . . . . . . .
1.2.1 Se
nal sinusoidal continua . . . . . . . . . . . . . . . .
1.2.2 Se
nal sinusoidal discreta . . . . . . . . . . . . . . . .
1.2.3 Exponenciales complejos relacionados armonicamente
1.3 Conversiones analogica/digital y digital/analogica . . . . . .
1.3.1 Muestreo de se
nales analogicas . . . . . . . . . . . . .
1.3.2 Cuantificacion de se
nales de amplitud continua . . . .
1.3.3 Codificacion de los valores cuantificados . . . . . . .
1.3.4 Conversion Digital/Analogica . . . . . . . . . . . . .
1.4 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 Se
nales y Sistemas de Variable Discreta
2.1 Se
nales de variable discreta . . . . . . . . . . . . . . . . . . . . .
2.1.1 Se
nales elementales de variable discreta . . . . . . . . . . .
2.1.2 Manipulaciones elementales de se
nales de variable discreta
2.1.3 Clasificacion de se
nales de variable discreta . . . . . . . . .
i
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
1
3
4
5
6
10
10
12
16
17
18
20
22
23
24
.
.
.
.
27
27
29
32
34
Indice general
2.2
2.3
2.4
2.5
2.6
2.7
3 An
alisis de sistemas LTI discretos con la transformada z
3.1 La transformada z . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.1 La transformada z directa . . . . . . . . . . . . . . . . . . .
3.1.2 La transformada z inversa . . . . . . . . . . . . . . . . . . .
3.2 Propiedades de la transformada z . . . . . . . . . . . . . . . . . . .
3.3 Transformadas z racionales . . . . . . . . . . . . . . . . . . . . . . .
3.3.1 Polos y ceros . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.2 Localizacion de los polos y el comportamiento en el dominio
para se
nales causales . . . . . . . . . . . . . . . . . . . . . .
3.3.3 La funcion de transferencia de un sistema LTI . . . . . . . .
3.4 Inversion de la transformada z . . . . . . . . . . . . . . . . . . . . .
ii
c
2005-2006
P. Alvarado
. .
. .
. .
. .
. .
. .
de
. .
. .
. .
.
.
.
.
.
.
n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
38
38
41
43
46
47
47
48
48
54
55
55
58
58
59
.
.
.
.
.
.
.
.
.
.
.
60
63
68
71
71
74
75
75
77
80
81
.
.
.
.
.
.
83
83
83
89
92
98
98
. 101
. 102
. 105
Indice general
3.5
3.6
3.7
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5 An
alisis frecuencial
5.1 Espectro de se
nales continuas . . . . . . . . . . . . . . . . . . . . . .
5.1.1 Espectro de se
nales continuas periodicas . . . . . . . . . . . .
5.1.2 Espectro de se
nales continuas aperiodicas . . . . . . . . . . . .
5.2 Espectro de se
nales en tiempo discreto . . . . . . . . . . . . . . . . .
5.2.1 Espectro de se
nales discretas periodicas . . . . . . . . . . . . .
5.2.2 Espectro de se
nales discretas aperiodicas . . . . . . . . . . . .
5.2.3 Relacion de la transformada de Fourier con la transformada z
5.2.4 El teorema del muestreo . . . . . . . . . . . . . . . . . . . . .
5.3 Propiedades de la transformada de Fourier de se
nales discretas . . . .
5.4 Sistemas LTI en el dominio de la frecuencia . . . . . . . . . . . . . .
5.4.1 La funcion de respuesta en frecuencia . . . . . . . . . . . . . .
Borrador: April 20, 2006
c
2005-2006
P. Alvarado
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
131
. 131
. 132
. 133
. 134
. 136
. 138
. 139
. 139
. 140
. 143
.
.
.
.
.
.
.
.
.
.
.
145
. 145
. 145
. 147
. 150
. 150
. 152
. 153
. 156
. 161
. 163
. 163
iii
Indice general
5.4.2
5.4.3
5.4.4
5.4.5
5.5
5.6
5.7
6 Introducci
on al dise
no de filtros digitales
209
6.1 Causalidad y sus implicaciones . . . . . . . . . . . . . . . . . . . . . . . . . 209
6.2 Filtros de respuesta de impulso finita . . . . . . . . . . . . . . . . . . . . . 212
6.2.1 Dise
no de filtros FIR por el metodo de ventanas . . . . . . . . . . . 215
6.2.2 Dise
no de filtros optimos . . . . . . . . . . . . . . . . . . . . . . . . 219
6.3 Dise
no de filtros de respuesta impulsional infinita a partir de filtros analogicos222
6.3.1 Dise
no por aproximacion de derivadas . . . . . . . . . . . . . . . . 223
6.3.2 Dise
no por invarianza impulsional . . . . . . . . . . . . . . . . . . . 224
6.3.3 La transformada z adaptada . . . . . . . . . . . . . . . . . . . . . . 225
6.3.4 Dise
no por transformacion bilineal . . . . . . . . . . . . . . . . . . 225
6.3.5 Filtros Analogicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
6.4 Transformacion de Frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . 225
iv
c
2005-2006
P. Alvarado
Indice general
Bibliografa
229
A Octave y Matlab
231
B Respuestas a Problemas
233
Indice alfab
etico
241
c
2005-2006
P. Alvarado
Indice general
vi
c
2005-2006
P. Alvarado
Indice de tablas
1.1
Caractersticas de las se
nales . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1
2.2
2.3
2.4
Propiedades de se
nales de variable discreta. . . . . . . . . . . . . . . . . . .
Propiedades de sistemas discretos. . . . . . . . . . . . . . . . . . . . . . . .
Ejemplo de convolucion de dos secuencias finitas. . . . . . . . . . . . . . .
Forma general de la solucion particular para diversos tipos de se
nal de entrada
35
43
50
68
3.1
3.2
3.3
Propiedades de la transformada z. . . . . . . . . . . . . . . . . . . . . . . . 91
Transformada z de algunas funciones comunes . . . . . . . . . . . . . . . . 98
Funciones de transferencia de segundo orden y equivalentes temporales . . 126
5.1
6.1
6.2
6.3
6.4
6.5
6.6
vii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
215
216
220
226
227
228
Indice de tablas
viii
c
2005-2006
P. Alvarado
Indice de ejemplos
1.1
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
2.24
4.1
4.2
5.1
5.2
ix
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11
33
34
36
37
38
39
40
42
44
45
48
49
49
52
57
57
59
62
64
65
66
67
68
69
135
137
146
149
Indice de ejemplos
c
2005-2006
P. Alvarado
Revisar
Por
Por
Por
Por
Por
Por
Por
hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
xi
237
237
237
237
237
237
237
Revisar
xii
c
2005-2006
P. Alvarado
Matriz.
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 = nd ; n, d Z}.
IR
Conjunto de los n
umeros reales.
C
Conjunto de los n
umeros complejos.
j
j = 1
xiii
xa (t)
x(n)
x
Se
nal analogica.
Se
nal de variable discreta.
Vector.
x1
x2
x = [x1 x2 . . . xn ]T = .
..
xn
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.
Abreviaciones
BIBO
DSP
FIR
IIR
LTI
PDS
SQNR
xiv
c
2005-2006
P. Alvarado
Captulo 1
Introducci
on
1.1
Se
nales y sistemas
1.1.1
Se
nales
1 Introducci
on
f1 (t)
f2 (t)
f (t) = .
..
fn (t)
Otro ejemplo de se
nales vectoriales utilizadas frecuentemente en ingeniera son las imagenes
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
esta definida no deben ser necesariamente equidistantes; sin embargo, usualmente este tipo
de distribucion homogenea de las muestras se utiliza por su conveniencia computacional
y manejabilidad matematica.
Los valores que puede tomar una se
nal pueden ser tambien 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. Tambien los valores de una funcion
discreta pueden ser equidistantes o seguir otros patrones mas complejos (como el logartmico). El termino digital se utiliza para se
nales de variables independientes discretas
y de valores discretos, mientras que analogica es una se
nal con variables independientes continuas y valores continuos. Muchos aspectos del tratamiento de se
nales digitales
pueden ser analizados matematicamente de manera mas simple a traves de funciones de
valor continuo y variable discreta, llamadas usualmente se
nales en tiempo discreto, por
representar la variable independiente generalmente instantes de tiempo definidos. Este
sera el enfoque utilizado en la mayor parte del presente curso.
Un u
ltimo criterio de caracter matematico para clasificar las se
nales es su naturaleza
estadstica: las se
nales pueden ser deterministas si puede especificarse con precision la
forma de la funcion. Por ejemplo, para se
nales determinsticas definidas en el tiempo,
sus valores en el pasado, presente y futuro son siempre conocidos (por ejemplo, una
se
nal senoidal). Las se
nales aleatorias solo permiten una descripcion aproximada de la
forma de su funcion, por tener asociado un comportamiento impredecible (por ejemplo,
2
c
2005-2006
P. Alvarado
1.1 Se
nales y sistemas
Valores
N
umero de variables
Dimensionalidad
Variables independientes
Valores de la se
nal
Naturaleza estadstica
una variable
escalar
discretas
discretos
deterministas
multiples variables
vectorial (multicanal)
continuas
continuos
aleatorias
1.1.2
Sistemas
c
2005-2006
P. Alvarado
1 Introducci
on
1.1.3
La mayora de las se
nales en ciencia e ingeniera tienen una naturaleza analogica, es decir,
tanto las variables independientes de las funciones que las representan como sus valores
son continuos. Matematicamente estas se
nales se representan como funciones f (t)
f : IR IR
es decir, relaciones matematicas que mapean valores reales en valores reales. Este tipo
de se
nales pueden ser tratadas directamente utilizando sistemas analogicos, como por
ejemplo filtros pasivos o analizadores de frecuencia (figura 1.1).
Se
nal de
Entrada
Anal
ogica
Procesador
Anal
ogico
de Se
nal
Se
nal de
Salida
Anal
ogica
c
2005-2006
P. Alvarado
1.1 Se
nales y sistemas
Se
nal de
Entrada
Anal
ogica
Convertidor
A/D
Procesador
Digital de
Se
nal
Convertidor
D/A
Se
nal de
Salida
Anal
ogica
1.1.4
c
2005-2006
P. Alvarado
1 Introducci
on
1.1.5
Aplicaciones
Areas
de aplicaci
on
Las aplicaciones del procesamiento digital de se
nal son hoy en da incontables. Quiza las
areas mas conocidas, pero no las u
nicas, son el procesamiento y analisis digitales de
se
nales ac
usticas
imagenes bidimensionales o tridimensionales
se
nales de radar y sonar
se
nales ssmicas, volcanicas, etc.
6
c
2005-2006
P. Alvarado
1.1 Se
nales y sistemas
se
nales de sensores industriales para el control automatico
se
nales en comunicaciones electricas
El tratamiento de se
nales ac
usticas es utilizado entre otros en el almacenamiento y transmision eficientes de sonido digital (MP3, OggVorbis, etc.), el procesamiento profesional
de sonido en industria musical y cinematografica, el manejo de se
nales de ultrasonido
para elaboracion de imagenes medicas, o el procesamiento de voz humana, necesario para
codificar, encriptar, reconocer o sintetizar el habla.
El procesamiento de imagenes bidimensionales permite analizar las se
nales obtenidas por
medio de camaras industriales, hoy en da frecuentemente encontradas en las lneas de
produccion; ademas, el procesamiento de imagenes tomadas por satelite permiten identificar entre otras cosas el uso del suelo, facilitan la construccion de mapas actualizados,
etc. Esta area es central en la codificacion y compresion de se
nales de video, tal y como
los establecen los estandares MPEG (Motion Picture Expert Group).
El procesamiento de imagenes tridimensionales se utiliza por ejemplo en el analisis y
generacion de imagenes de resonancia magnetica (MRI), utilizadas en medicina como
instrumento de observacion de tejidos internos de un paciente, sin tener la necesidad de
utilizar procedimientos quir
urgicos.
Las tecnicas modernas de analisis permiten obtener mejores resoluciones y aumentar la
confiabilidad de la informacion producida por sonares y radares. Por otro lado, el estudio digital de se
nales ssmicas y volcanicas permite incorporar tecnicas de simulacion y
reconocimiento de patrones que mejoran la prediccion de zonas y periodos de riesgo.
En los procesos de automatizacion industrial el procesamiento digital es en la actualidad
omnipresente, pues a pesar de que la mayora de los sensores producen salidas analogicas,
estas son transformadas casi inmediatamente a se
nales digitales para permitir una transmision mas confiable y sin mayores perdidas a las unidades de procesamiento, para facilitar
la aplicacion de algoritmos de extraccion de la informacion de interes, y para hacer posible
la utilizacion de tecnicas confiables de almacenamiento de la informacion, que puede ser
la base luego para el mejoramiento de los procesos productivos, en el calculo de costos,
etc.
En la preparacion de se
nales para su transmision y en la decodificacion y mejoramiento de
la mismas del lado de los receptores, el procesamiento digital juega un papel cada vez mas
importante. Un ejemplo lo representan los modems utilizados actualmente para permitir
enlaces de alta velocidad a traves de las lneas telefonicas de cobre, denominado ADSL
(Asymmetric Digital Subscriber Line), donde el procesamiento digital es utilizado para
codificar y decodificar las tramas y las se
nales de acuerdo a los estandares de modulacion
digitales.
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
1 Introducci
on
Algoritmos
Conceptos algortmicos clasicos del procesamiento digital, encontrados en las areas de
aplicacion anteriores son: compresion, encriptacion, reconocimiento, identificacion, sintetizacion, eliminacion de ruido, estimacion espectral y filtrado, solo por mencionar algunos.
La compresion consiste en la reduccion de capacidad necesaria para almacenar o transmitir
una se
nal. En telefona celular se
nal de la voz es comprimida para poder transmitirla en
anchos de banda relativamente peque
nos, comparados con los utilizados en telefona fija.
Los estandares MPEG contienen sofisticados algoritmos de compresion de imagenes que
permiten reducir en factores de 8 a 12 veces las se
nales de video.
La encriptacion o cifrado es necesaria cuando la confidencialidad de la informacion en las
se
nales debe ser asegurada. Algoritmos complejos codifican la informacion de forma tal
que solo el destinatario pueda decodificarla.
Tareas de reconocimiento intentan inferir de patrones en la se
nal, informacion contenida
de forma implcita. 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
imagenes medicas pueden utilizarse algoritmos para reconocer tejidos malignos y benignos,
o en imagenes industriales pueden ser reconocidos caracteres, formas de productos, el
ensamblaje correcto de partes, etc.
La identificacion esta relacionada con el reconocimiento. Aqu no se intenta encontrar una
identificacion previamente desconocida en alguna se
nal sino verificar que una identidad
dada previamente es compatible con la se
nal. Metodos de identificacion se utilizan, junto
con la encriptacion, en aplicaciones de alta seguridad.
La sintetizacion permite producir se
nales artificiales similares a aquellas generadas a
traves de fenomenos fsicos. Es utilizada por ejemplo en la elaboracion de efectos ac
usticos
e imitacion de instrumentos musicales en sintetizadores de sonido. Otro ejemplo es la sintetizacion de voz humana, utilizada en interfaces avanzadas hombre-maquina.
Las se
nales transmitidas por canales analogicos usualmente son perturbadas con ruido, es
decir, con alteraciones indeseables que no contienen ninguna informacion relevante para
la aplicacion. Por medio del procesamiento digital es posible aplicar diversos algoritmos
que permiten reducir el efecto de dichas distorsiones.
El filtrado es un concepto basico del procesamiento digital que forma parte de practicamente
cualquier otro algoritmo. El sistema que realiza esta tarea se denomina filtro, y permite
el paso de solo ciertas componentes de su se
nal de entrada, y bloqueando el paso de
otras. Algunos detalles seran presentados en los captulos 5.5 y 6.
La estimacion espectral es utilizada en varias areas de las comunicaciones para encontrar
8
c
2005-2006
P. Alvarado
1.1 Se
nales y sistemas
Casos
Los codificadores de voz (o codecs) utilizados en telefona celular son un ejemplo de
algoritmos complejos imposibles de realizar con circuitos analogicos, al menos en el tama
no
de un telefono celular actual. En GSM, por ejemplo, la se
nal analogica adquirida por el
microfono 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
requerido de 4,75 kbit/s a 13 kbit/s, es decir, permiten factores de compresion de 21 a 8
veces.
Otro caso impresionante es el de los diversos algoritmos para compresion de video. Considerando que una imagen de television tiene 320x200 pixels aproximadamente y cada pixel
necesita 24 bits para ser representado digitalmente con suficiente precision, entonces una
sola imagen necesita, sin compresion alguna, 187,5 kB para ser almacenada. Un segundo
de video, asumiendo una frecuencia de 30 imagenes por segundo, necesitara 5,6 MB. Una
pelcula que tarde 90 minutos requerira entonces mas de 30 GB, lo que sera imposible
de almacenar en las tecnologas actuales de DVD. Solo con los sofisticados algoritmos de
codificacion de video y sonido pueden almacenarse no solo la se
nal de video, sino varias
versiones ac
usticas en diferentes idiomas, y especiales adicionales con video y audio, en
poco mas de 4 GB de espacio, con factores de compresion mas de 10 veces.
Incluso los sistemas de transmision de radio y television modernos estan cambiando de
ser completamente analogicos a conceptos digitales. Los nuevos formatos de television
de alta definicion (HDTV) son completamente digitales, que no seran practicos sin la
presencia de los algoritmos para el procesamiento y compresion adecuadas de las se
nales
en cuestion.
Medicina es quiza una de las areas que mas ventajas ha tomado del procesamiento digital
de se
nales. Las nuevas tecnologas de visualizacion de ultrasonido permiten por ejemplo la
reconstruccion de una imagen tridimensional del feto en el vientre de la madre, ayudando
as al ginecologo a tomar las precauciones del caso cuando algo no este en orden. El
manejo digital de tomografas computarizadas y de imagenes de resonancia magnetica
permite la visualizacion de tejidos internos en formatos legibles para los medicos. Los
equipos mas modernos permiten incluso hacer uso de la llamada realidad aumentada,
donde imagenes reconstruidas a partir de las mediciones se superponen a las reales para
guiar a los cirujanos en operaciones delicadas.
La creacion de protesis cada vez mas complejas es tambien posible gracias a las tecnicas
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
1 Introducci
on
1.2
Frecuencia en se
nales continuas y discretas
El estudio clasico de se
nales se basa en su representacion como combinacion 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 analisis 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 sera revisado en
las siguientes secciones, donde se apreciaran las diferencias que existen entre los dominios
discreto y continuo. El punto de partida para el analisis seran la funciones sinusoidales,
como representantes espectrales puras.
1.2.1
Se
nal sinusoidal continua
< t < .
c
2005-2006
P. Alvarado
1.2 Frecuencia en se
nales continuas y discretas
x(t)
A
A cos
0
Tp = 1/F
A j(t+) A j(t+)
e
+ e
2
2
c
2005-2006
P. Alvarado
11
1 Introducci
on
Im
A/2
Re
El primer termino del lado derecho de la ecuacion se puede interpretar como un fasor de
magnitud A/2 que gira en sentido contrario a las manecillas del reloj (frecuencia positiva),
mientras que el lado izquierdo es otro fasor que gira en el sentido de las manecillas del
reloj (frecuencia negativa), ambos a una frecuencia de F ciclos por unidad de tiempo
(figura 1.4).
1.1
1.2.2
Se
nal sinusoidal discreta
La se
nal sinusoidal en tiempo discreto se expresa como
x(n) = A cos(n + ),
< n <
(1.2)
< n < .
(1.3)
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 figura 1.5 muestra
un ejemplo con f = 1/12 y = /3.
12
c
2005-2006
P. Alvarado
1.2 Frecuencia en se
nales continuas y discretas
x(n)
c
2005-2006
P. Alvarado
13
1 Introducci
on
x(n)
x(n)
(a)
(b)
k = 0, 1, 2, . . .
con
k = 0 + 2k
son identicas. 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 || >
o |f | > 21 tiene una se
nal equivalente con || o |f | 12 . A las frecuencias || o
|f | 21 se les considera frecuencias fundamentales y a las frecuencias || > o |f | > 12
se les denomina alias.
Tasa m
axima de oscilaci
on
Considerese ahora la secuencia sinusoidal x0 (n) = cos(0 n) para el rango de frecuencias
0 [0, ]. La figura 1.7 muestra algunos casos particulares como ejemplo. Se puede
14
c
2005-2006
P. Alvarado
1.2 Frecuencia en se
nales continuas y discretas
x(n)
x(n)
0 = 0 (f = 0)
0 = /6 (f = 1/12)
x(n)
0 = /3 (f = 1/6)
x(n)
0 = /2 (f = 1/4)
0 = (f = 1/2)
Ahora, para analizar el caso de frecuencias angulares mayores que considerese el caso
especial de 1 = 2 0 . Si 0 [0, ] entonces 1 [, 2] de tal forma que si 0
aumenta 1 disminuye.
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 oscilacion 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 + ) =
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
A j(n+) A j(n+)
e
+ e
2
2
Uso exclusivo ITCR
15
1 Introducci
on
1.2.3
Las se
nales de variable continua
sk (t) = ejk0 t = ej2kF0 t
k = 0, 1, 2, . . .
se denominan se
nales exponenciales relacionadas armonicamente. 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 periodica con periodo Tp /k es tambien periodica 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 relacion de estas funciones con las oscilaciones de una cuerda, que
tienen relaciones armonicas (mantienen los nodos externos fijos) cuando las frecuencias
son m
ultiplos enteros de una frecuencia fundamental.
En este caso de variable continua, para k1 6= k2 se cumple siempre que sk1 (t) 6= sk2 (t), o en
otros terminos, existe un n
umero infinito de se
nales complejas relacionadas armonicamente
j2F0 t
con e
.
Para el caso de se
nales exponenciales complejas de variable discreta, puesto que son se
nales
periodicas solo si su frecuencia es racional, se escoge f0 = 1/N y se define el conjunto de
se
nales relacionadas armonicamente como
sk (n) = ejk0 n = ej2kf0 n
k = 0, 1, 2, . . .
(1.6)
(k+N )
n
N
kn
kn
c
2005-2006
P. Alvarado
1.3
Conversiones anal
ogica/digital y digital/anal
ogica
xa (t)
Se
nal
Anal
ogica
x(n)
Muestreo
Cuantificaci
on
Se
nal de
Variable Discreta
xq (n)
c(n)
Codificaci
on
Se
nal
Cuantificada
Se
nal
Digital
c
2005-2006
P. Alvarado
17
1 Introducci
on
1.3.1
Muestreo de se
nales anal
ogicas
<n<
xa (t)
Se
nal
de variable
discreta
x(n) = xa (nT )
Fs = 1/T
Muestreo
x(n)
xa (t)
xa (t)
x(n) = xa (nT )
c
2005-2006
P. Alvarado
F
(1.7)
Fs
lo que justifica que a f se le denomina tambien 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=
2
Fs
2
Fs
Fs
<F
2
2
El muestreo periodico de la se
nal de variable continua representa entonces un mapeo del
rango infinito de frecuencias F a un rango finito de frecuencias f . Puesto que la mayor
frecuencia de f es f = 21 puede concluirse que con la tasa de muestreo Fs como maximo
se podra representar
Fs
1
Fmax =
=
2
2T
max = Fs =
T
En los parrafos anteriores se demostro que las frecuencias f son u
nicas dentro de un rango
finito: el rango fundamental, y que todas las frecuencias fuera de ese rango son alias de
alguna frecuencia fundamental. Se demostro ademas 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 (1.7) se tiene que
f +k =
F
f Fs + kFs = F
Fs
c
2005-2006
P. Alvarado
19
1 Introducci
on
replacemen
f
1
2
Fs F2s
Fs
2
Fs
21
F2 = 57 Hz
t[s]
F1 =
2
7
Hz
1.3.2
Cuantificaci
on de se
nales de amplitud continua
La cuantificacion de una se
nal de amplitud continua consiste en asignar a cada valor continuo otro valor tomado de un conjunto finito. El reemplazar los valores continuos por
los valores cuantificados introduce el llamado error de cuantificacion o ruido de cuantificacion. Si x(n) es la secuencia de valores continuos entonces la secuencia de valores
20
c
2005-2006
P. Alvarado
t
-1
Figura 1.12: Se
nal sinusoidal de variable continua cuantificada.
cacion la se
nal analogica se puede aproximar de forma lineal. En terminos estadsticos este
hecho se describe diciendo que el ruido de cuantificacion sigue una distribucion uniforme,
donde los valores de error estaran distribuidos con las mismas probabilidades entre /2
y /2, donde es igual al cuanto, es decir la distancia entre dos niveles de cuantificacion.
Esta aproximacion lineal se esquematiza en la figura 1.13, donde se ha asumido que los
saltos hacia los otros cuantos de esta se
nal ocurren en y .
eq (t)
/2
/2
/2
c
2005-2006
P. Alvarado
21
1 Introducci
on
Px
3
= 22b
Pq
2
1.3.3
Codificaci
on de los valores cuantificados
c
2005-2006
P. Alvarado
1.3.4
Conversi
on Digital/Anal
ogica
c
2005-2006
P. Alvarado
23
1 Introducci
on
1.4
Problemas
(Una variable
(Escalar
(Discretas
(Discretas
(Determinista
o
o
o
o
o
Multiples variables)
Vectorial
)
Continuas
)
Continuas
)
Aleatoria
)
Estadstica (D/A/)
Valores (D/C/)
Variables (D/C/)
Dimension (E/V/)
Caracterstica
N
um. Variables (U/M/)
Se
nal
c
2005-2006
P. Alvarado
1.4 Problemas
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)
c
2005-2006
P. Alvarado
25
1 Introducci
on
26
c
2005-2006
P. Alvarado
Captulo 2
Se
nales y Sistemas de
Variable Discreta
En el captulo anterior se analizaron se
nales de la forma
x(n) = A cos(n + ) o x(n) = Aej(n+) .
Estas funciones tienen, por sus caractersticas y propiedades matematicas, gran importancia en el analisis de se
nales en tiempo discreto, pues constituyen la base del analisis
frecuencial a tratar en captulos posteriores. Antes de entrar en el detalle de dichas propiedades es necesario introducir otros tipos de se
nales basicas o elementales y algunos
conceptos de su manipulacion, que serviran de base para el analisis de se
nales y sistemas
expresados en un dominio de variable discreta.
2.1
Se
nales de variable discreta
2 Se
nales y Sistemas de Variable Discreta
x(n)
n
1
x(n) =
para n = 1
5n
para 2 n 4
el resto
...
...
-1 0
0 0
1
1
2 3
3 2
4 5
1 0
...
...
y si es finita
x(n) = {0, 1, 3, 2, 1}
28
c
2005-2006
P. Alvarado
2.1 Se
nales de variable discreta
2.1.1
Se
nales elementales de variable discreta
Ciertas se
nales aparecen frecuentemente en el analisis de sistemas y se
nales discretas.
Impulso unitario
El impulso unitario (n) esta definido como (figura 2.2a):
(
1 para n = 0
(n) =
0 para n 6= 0
y es el equivalente discreto del delta Dirac (t) en el dominio continuo.
Escal
on unitario
El escalon unitario u(n) se define como (figura 2.2b):
(
0 para n < 0
u(n) =
1 para n 0
Notese que el escalon se puede obtener a traves de la sumatoria
u(n) =
n
X
(i)
i=
que es el equivalente discreto de la integracion desde hasta t del delta Dirac (t).
Rampa unitaria
La rampa se genera a su vez a partir del escalon unitario y la sumatoria:
ur (n) =
n1
X
u(n)
i=
c
2005-2006
P. Alvarado
29
2 Se
nales y Sistemas de Variable Discreta
(
0
para n < 0
para n 0
replacemen
(n)
ur (n)
u(n)
n
3
n
3
(a)
(b)
n
3
(c)
Figura 2.2: Tres funciones elementales (a) Impulso unitario. (b) Escalon unitario. (c) Rampa
unitaria
Se
nal exponencial
La se
nal exponencial se define como
x(n) = an
c
2005-2006
P. Alvarado
2.1 Se
nales de variable discreta
x(n)
3
x(n)
1.5
2.5
2
1.5
1
0.5
0.5
0
-1
10 11 12
-1
(a)
x(n)
10 11 12
10 11 12
x(n)
1
0.5
0
0
(b)
1.5
-1
10 11 12
-0.5
-1
-1.5
3.5
3
2.5
2
1.5
1
0.5
0
-1 0
-0.5
-1
-1.5
-2
-2.5
-3
-3.5
n
1
(c)
(d)
Figura 2.3: Funciones exponenciales para valores de a reales. (a) 0 < a < 1 (b) a > 1
(c) 1 < a < 0 (d) a < 1.
|x(n)|
6
x(n)
2
1
-1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-1
-2
-1
-3
(a)
(b)
Figura 2.4: Magnitud y fase de la funcion exponencial compleja con a = rej , r < 1 y 0 <
< . (a) Magnitud. (b) Fase
c
2005-2006
P. Alvarado
31
2 Se
nales y Sistemas de Variable Discreta
Re{x(n)}
Im{x(n)}
-1
-1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-1
(a)
(b)
Figura 2.5: Partes real e imaginaria de la funcion exponencial con a compleja. (a) Parte real.
(b) Parte imaginaria
Im{x(n)}
Re{x(n)}
2.1.2
Manipulaciones elementales de se
nales de variable discreta
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 manipulacion fuera de lnea (off-line) ambos tipos de desplazamiento son posibles;
sin embargo, en sistemas de tiempo real o en lnea (on-line), solo el retraso de la funcion
32
c
2005-2006
P. Alvarado
2.1 Se
nales de variable discreta
es realizable.
Ejemplo 2.1 Utilizando desplazamientos exprese el escalon unitario en terminos de una
suma de impulsos desplazados.
Soluci
on:
u(n) = (n) + (n 1) + (n 2) + . . . =
N
X
(n i)
i=0
2.1
Reflexi
on
Consiste en plegar la se
nal x(n) en el instante n = 0, sustituyendo la variable n por su
inverso aditivo n.
Notese que las operaciones de reflexion y desplazamiento no son conmutativas, es decir,
no es lo mismo reflejar una se
nal y luego retardarla k unidades que retardar la se
nal y
luego reflejarla, puesto que:
x((n) k) = x(n k) 6= x((n k)) = (n + k)
|
{z
} |
{z
}
Reflexi
on,
Desplazamiento
Desplazamiento,
Reflexion
c
2005-2006
P. Alvarado
33
2 Se
nales y Sistemas de Variable Discreta
y al multiplicarlo por el escalon unitario u(n) se eliminan todas las muestras anteriores a
n = 0:
x2 (4 n)u(n) = {4, 3, 2, 1, 0}
2.2
2.1.3
Clasificaci
on de se
nales de variable discreta
c
2005-2006
P. Alvarado
2.1 Se
nales de variable discreta
Se
nal
Se
nal
Se
nal
Se
nal
Se
nal
p(t) =
i(t)
de energa
periodica
simetrica
acotada
finita
Se
nal
Se
nal
Se
nal
Se
nal
Se
nal
|v(t)|2
v(t)v(t)
=
R
Z R
t
v(t)
p( ) d
e(t) =
1
=
R
|v( )|2 d
de potencia
aperiodica
asimetrica
no acotada
infinita
Z t
=R
|i( )|2 d
Se
nales de energa y potencia
La figura 2.7 muestra el calculo de potencia instantanea p(t) y de energa disipada e(t)
en un circuito electrico simple. El valor de resistencia R representa una constante que
u
nicamente repercutira 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 potenRt
cia de f (t) y a su integral hasta el instante t, |f (t)|2 dx, funcion de energa de f (t),
por la similitud con las funciones de energa y potencia en el circuito mostrado (asuma
por ejemplo R = 1 ).
De forma analoga, para una se
nal de variable discreta x(n) se define su energa como
E=
x(n)x(n) =
n=
|x(n)|2
n=
c
2005-2006
P. Alvarado
35
2 Se
nales y Sistemas de Variable Discreta
N
X
|x(n)|2
n=N
entonces
E = lim EN
N
X
1
= lim
1
N 2N + 1
n=0
1
N +1
=
N 2N + 1
2
lo que implica que u(n) es una se
nal de potencia.
2. La se
nal rampa unitaria ur (n) no es ni se
nal de energa ni se
nal de potencia, puesto
que tanto E como P tienden a infinito.
3. La se
nal x(n) = Aej0 n , A IR, tiene una potencia media P = A2 y es por lo tanto
una se
nal de potencia.
= lim
2.3
Se
nales acotadas y no acotadas
Una se
nal x(n) se dice ser acotada (en ingles bounded signal ) si existe un n
umero finito M
tal que |x(n)| < M < para todo n. Por el contrario, si la magnitud de cualquier muestra
es infinita, entonces la se
nal no es acotada. Esta propiedad es de fundamental importancia
en el concepto de estabilidad de sistemas, que se revisara con detalle posteriormente.
36
c
2005-2006
P. Alvarado
2.1 Se
nales de variable discreta
Se
nales peri
odicas y aperi
odicas
Una se
nal es periodica con periodo N (N > 0) si y solo si
x(n + N ) = x(n),
para todo n
(2.1)
(2.2)
x(n) = x(n)
(2.3)
c
2005-2006
P. Alvarado
2.4
37
2 Se
nales y Sistemas de Variable Discreta
Soluci
on:
Para calcular la componente par se realiza la suma de la se
nal con su reflexion, y luego
se divide por dos:
x(n)
= { 0,
0,
0,
1,
2 }
x(n)
= { 2,
1,
0,
0,
0 }
x(n) + x(n)
= { 2,
1,
0,
1,
2 }
xp (n) =
x(n)+x(n)
2
= { 1, 1/2, 0, 1/2, 1 }
x(n)
x(n) x(n)
xi (n) =
x(n)x(n)
2
= {
2,
= { 2,
1,
0,
0,
0 }
1,
0,
1,
2 }
= { 1, 1/2, 0, 1/2, 1 }
Puede comprobarse directamente que con los anteriores resultados se cumple xp (n) +
xi (n) = x(n).
2.5
2.2
2.2.1
Descripci
on entrada-salida de sistemas
c
2005-2006
P. Alvarado
Sistema
Discreto
x(n)
y(n)
x(n) =
1.
2.
3.
4.
5.
6.
(
3 |n| para 2 n 2
0
en el resto
y(n) = x(n)
y(n) = x(n 2)
y(n) = x(n + 1)
y(n) = 13 [x(n + 1) + x(n) + x(n 1)]
y(n) = max {x(n + 1), x(n), x(n 1)}
P
y(n) = nk= x(k)
Soluci
on:
1. Al sistema y(n) = x(n) se le denomina identidad , pues su salida es identica 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}.
4. El filtro de media mobil y(n) = 13 [x(n + 1) + x(n) + x(n 1)] calcula el promedio
de tres muestras: y(n) = {1/3, 1, 2, 7/3, 2, 1, 1/3}.
5. El filtro de rango y(n) = max {x(n + 1), x(n), x(n 1)} entrega el valor maximo
de la muestra actual, la anterior y la futura: y(n) = {1, 2, 3, 3, 3, 2, 1}. Este filtro
c
2005-2006
P. Alvarado
39
2 Se
nales y Sistemas de Variable Discreta
P
6. El acumulador y(n) = nk= x(k) realiza la integracion discreta de la entrada:
y(n) = {1, 3, 6, 8, 9, 9, . . .}. Note que el acumulador puede reescribirse como
y(n) =
n
X
x(k) =
k=
n1
X
k=
{z
y(n1)
}
2.6
y(n) =
x(k) =
k=
1
X
k=
|
Recuerde que
Pn
k
Pk=0
n
k
Pk=0
n
2 k=0 k
P
2 nk=0 k
Pn
k=0 k
40
=
=
=
1
n
n+1
x(k) +
{z
y(1)=
n
X
k =+
|k=0
{z }
n(n + 1)
2
n(n+1)
2
+
2
+
3
+ ... +
n
+ n 1 + n 2 + ... +
1
+ n + 1 + n + 1 + ... + n + 1
= n(n + 1)
=
n(n+1)
2
c
2005-2006
P. Alvarado
2.7
2.2.2
Diagramas de bloques
En el captulo anterior se indico que un sistema esta conformado por subsistemas, es decir,
bloques de procesamiento de se
nal con tareas especficas dentro del sistema total. Este
concepto se aplica recursivamente, de tal modo que un subsistema se descompone a su
vez en otros subsistemas mas sencillos, que a su vez pueden estar constituidos por otros
subsistemas, y as sucesivamente, hasta llegar a ciertos componentes elementales descritos
a continuacion.
Sumador
El sumador es un bloque sin memoria, que se representa como lo indica la figura 2.9. Tal
replacemen
x1 (n)
x2 (n)
y(n) = ax(n)
Multiplicador de se
nal
El multiplicador de se
nal es un bloque sin memoria, que se representa como lo indica la
figura 2.11, y que genera una nueva secuencia a partir de los productos entre muestras de
las se
nales de entrada correspondientes a un mismo instante n.
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
41
2 Se
nales y Sistemas de Variable Discreta
x1 (n)
x2 (n)
Retardador de un elemento
El retardador es un bloque con memoria de longitud 1, representado como lo indica
la figura 2.12. Es uno de los elementos de procesamiento digital mas utilizados. Su
x(n)
z 1
y(n) = x(n 1)
smbolo esta muy relacionado con las propiedades de la transformada z que se analizaran
posteriormente.
Adelantador de un elemento
El adelantador no es realizable fsicamente y solo existe en sistemas de tratamiento de
se
nales fuera de lnea. Se representa como lo indica la figura 2.13.
x(n)
y(n) = x(n + 1)
(2.5)
42
c
2005-2006
P. Alvarado
1
2
y(n)
x(n)
z 1
1
4
z 1
2.2.3
Clasificaci
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 continuacion.
Tabla 2.2: Propiedades de sistemas discretos.
Propiedad
Memoria
Varianza
Linealidad
Causalidad
Estabilidad
Sistema
Sistema
Sistema
Sistema
Sistema
estatico
Sistema dinamico
variante en el tiempo Sistema invariante en el tiempo
lineal
Sistema no lineal
causal
Sistema no causal
estable
Sistema inestable
Sistemas est
aticos y din
amicos
En un sistema estatico, 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 dinamicos.
Si la salida y(n) depende de las entradas de x(n N ) a x(n) se dice que el sistema tiene
memoria de duracion N , donde N puede ser finita o infinita.
Por ejemplo, y(n) = ax(n) + nx2 (n) + bx3 (n) representa un sistema estatico, mientras que
P
y(n) = nk=0 ak x(n k) es un sistema dinamico.
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)
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
43
2 Se
nales y Sistemas de Variable Discreta
M
X
ak xk (n) y(n) =
k=1
M
X
ak T [xk (n)]
k=1
De la propiedad de escalado se deduce ademas 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 superposicion no se cumple, entonces el sistema se
dice ser no lineal.
44
c
2005-2006
P. Alvarado
y(n) = nx(n)
y(n) = x(n2 )
y(n) = x2 (n)
y(n) = Ax(n) + B
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 afirmar 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 identicas y por tanto el sistema es lineal.
3. Para y(n) = x2 (n) la salida yT (n) = (a1 x1 (n) + a2 x2 (n))2 = a21 x21 (n) + a22 x22 (n) +
2a1 a2 x1 (n)x2 (n) y la salida yS (n) = a21 x21 (n) + a22 x22 (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 difieren para todo
B 6= 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.
2.10
c
2005-2006
P. Alvarado
45
2 Se
nales y Sistemas de Variable Discreta
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 profundizara en ellas en los proximos captulos.
n Z
Basta con que alguna entrada acotada produzca una salida no acotada (es infinita), para
que el sistema sea inestable.
2.2.4
Interconexi
on de sistemas discretos
T1
x(n)
T1
y1 (n)
T2
y(n)
y1 (n)
x(n)
y(n)
T2
(a)
y2 (n)
(b)
46
c
2005-2006
P. Alvarado
2.3 An
alisis de sistemas discretos lineales e invariantes en el tiempo
2.3
An
alisis de sistemas discretos lineales e invariantes en el tiempo
2.3.1
T
ecnicas de an
alisis
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 ademas los coeficientes ck de ponderacion de
las salidas corresponden a los coeficientes de ponderacion de la entrada.
En esta descomposicion, la eleccion de las funciones elementales dependera de las caractersticas de las se
nales a evaluar. Dos clases de funciones son usuales: impulsos ((nk))
y funciones exponenciales complejas ejk n , esta u
ltima utilizandose frecuentemente en el
llamado analisis frecuencial (ver captulo 5). En los u
ltimos a
nos ha cobrado fuerza el uso
de otras familias de funciones elementales caracterizadas a partir de la teora de wavelets,
tema que sin embargo excede el marco de este curso.
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
47
2 Se
nales y Sistemas de Variable Discreta
2.3.2
Descomposici
on de una se
nal en impulsos
X
x(n) =
x(k)(n k)
k=
en sus impulsos.
Soluci
on:
Esta se
nal puede expresarse como
x(n) = 1 (n 1) + 2 (n 2) 1 (n 3)
1
(n 4) + 1 (n 5)
2
2.11
2.3.3
Convoluci
on
ck yk (n) =
x(k)h0 (n, k)
donde se han utilizado xk (n) = (n k) como entradas elementales y por lo tanto los
coeficientes ck = x(k).
Si el sistema es ademas invariante en el tiempo, entonces con h(n) = T [(n)] se tiene que
h0 (n, k) = h(n k) y por lo tanto
y(n) =
k=
48
c
2005-2006
P. Alvarado
2.3 An
alisis de sistemas discretos lineales e invariantes en el tiempo
que se denomina sumatoria de convolucion. Se dice entonces que la respuesta del sistema
LTI y(n) a una entrada x(n) es igual a la convolucion 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 calculo de la convolucion involucra cuatro pasos:
1. Reflexion 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. Multiplicacion 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 desee calcular.
Ejemplo 2.12 Determine la respuesta a la se
nal de entrada
x(n) = {1, 2, 3, 1}
Soluci
on:
Siguiendo el procedimiento indicado, primero se calcula la reflexion de la respuesta al
impulso
h(k) = {1, 1, 2, 1} .
2.12
Ejemplo 2.13 Para el caso en que la entrada x(n) y la respuesta impulsional h(n) sean
de longitud finita, calcule la longitud de la salida en terminos de las longitudes de x(n) y
h(n).
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
49
2 Se
nales y Sistemas de Variable Discreta
3. Multiplicacion
4. Suma
por x(k) = {1, 2, 3, 1}
h(1 k)={1, 1, 2, 1}
v1 ={0, 0, 0, 1, 0, 0, 0} y1 =1
h(0 k)={1, 1, 2, 1}
v0 ={0, 0, 2, 2, 0, 0}
y0 =4
h(1 k)={1, 1, 2, 1}
v1 ={0, 1, 4, 3, 0}
y1 =8
h(2 k)={1, 1, 2, 1}
v2 ={1, 2, 6, 1}
y2 =8
h(3 k)={0, 1, 1, 2, 1}
v3 ={0, 2, 3, 2}
y3 =3
h(4 k)={0, 0, 1, 1, 2, 1}
v4 ={0, 0, 3, 1}
y4 =-2
h(5 k)={0, 0, 0, 1, 1, 2, 1}
v5 ={0, 0, 0, 1}
y5 =-1
Soluci
on:
Una se
nal finita tiene longitud N si el intervalo mas 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 (figura 2.16).
replacemen
x(n)
ki
h(n)
kf
li
lf
c
2005-2006
P. Alvarado
2.3 An
alisis de sistemas discretos lineales e invariantes en el tiempo
x(k)
ki
h(n k)
lf
kf
li
nmin = ki + li
ki
kf
h(n k)
lf
li
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 convolucion 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.
2.13
En el ejemplo anterior se observa que para los valores nmin y nmax , es decir, los lmites del
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
51
2 Se
nales y Sistemas de Variable Discreta
intervalo de muestras donde existe salida no nula, es irrelevante que funcion representa la
entrada y que funcion representa la respuesta al impulso del sistema. Esto indica cierta
simetra en la convolucion. Con un simple cambio de variables es posible demostrar que
la convolucion es de hecho totalmente conmutativa, y no solo el valor de sus ndices:
y(n) = x(n) h(n) =
x(k)h(n k)
x(n m)h(m)
k=
m=nk m=
h(k)x(n k)
k=
= h(n) x(n)
Ejemplo 2.14 Encuentre a traves de la convolucion la respuesta de un sistema con
respuesta exponencial al impulso:
h(n) = an u(n),
|a| < 1 .
vsal (t)
vsal = 1 et/ ,
= RC
Puede observarse que este tipo de sistemas analogicos solo permiten a 0, mientras que
los sistemas discretos permiten ademas a < 0 sin ninguna complejidad computacional
adicional.
Para determinar la salida y(n) del sistema con la entrada escalon unitario u(n) se utiliza
la sumatoria de convolucion:
X
X
y(n) =
x(n k)h(k) =
u(n k)h(k)
(2.6)
k=
52
c
2005-2006
P. Alvarado
k=
2.3 An
alisis de sistemas discretos lineales e invariantes en el tiempo
Puesto que las secuencias producto son 0 para n < 0 entonces y(n) = 0 para n < 0.
Evaluando entonces (2.6) 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
X
X
ak
h(k) =
y(n) =
k=0
k=0
Recordando
Pn
ak
= 1 +a +a2 + . . . +an
Pk=0
a nk=0 ak
=
a +a2 + . . . +an +an+1
Pn
(1 a) k=0 ak = 1
an+1
con lo que se deriva
n
X
ak =
k=0
1 an+1
1a
1
.
1a
x(n)
10
1
1a
9
8
7
6
5
4
3
2
1
0
n
0
10
12
14
16
18
20
22
24
26
28
30
c
2005-2006
P. Alvarado
53
2 Se
nales y Sistemas de Variable Discreta
Notese la similitud con la respuesta del sistema analogico al escalon continuo de la forma
k(1 et/ ). Mas tarde en el curso se retomaran estas similitudes.
2.14
2.3.4
Propiedades de la convoluci
on
Conmutatividad
x(n) y(n) = y(n) x(n)
x(n)
h(n)
y(n)
h(n)
x(n)
y(n)
Asociatividad
[x(n) h1 (n)] h2 (n) = x(n) [h1 (n) h2 (n)]
x(n)
x(n)
h1 (n)
h2 (n)
h1 (n) h2 (n)
Distributividad
x(n) [h1 (n) + h2 (n)] = x(n) h1 (n) + x(n) h2 (n)
h1 (n)
x(n)
y(n)
x(n)
y(n)
h1 (n) + h2 (n)
h2 (n)
c
2005-2006
P. Alvarado
2.3 An
alisis de sistemas discretos lineales e invariantes en el tiempo
2.3.5
h(k)x(n0 k) =
X
k=0
k=
h(k)x(n0 k) +
| {z }
Muestras
pasadas y
actual
1
X
k=
h(k)x(n0 k)
| {z }
Muestras
futuras
se deriva que h(k) = 0 para todo k 1, pues solo as la salida podra 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 condicion necesaria y suficiente para la causalidad. Un sistema es causal entonces
si y solo si h(n) = 0, n < 0.
Si un sistema es causal entonces la convolucion puede simplificarse en
y(n) =
n
X
h(k)x(n k) =
x(k)h(n k)
k=
k=0
y(n) =
n
X
h(k)x(n k) =
k=0
n
X
x(k)h(n k)
k=0
Notese que esta respuesta es a su vez causal, es decir, y(n) = 0 para todo n < 0.
2.3.6
Un sistema se dice estable si para toda entrada acotada su salida es tambien acotada:
|x(n)| Mx <
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
|y(n)| My < n
Uso exclusivo ITCR
55
2 Se
nales y Sistemas de Variable Discreta
Dada la convolucion
y(n) =
h(k)x(n k)
k=
y su valor absoluto
X
X
X
h(k)x(n k)
|y(n)| =
|h(k)|Mx
|h(k)||x(n k)|
k=
|y(n)| Mx
k=
k=
|h(k)|
k=
|h(k)|
k=
|h(n)|
para h(n) 6= 0
para h(n) = 0
X
X
|h(k)|2
y(0) =
x(k)h(k) =
=
|h(k)| = Sh
|h(k)|
k=
k=
k=
c
2005-2006
P. Alvarado
2.3 An
alisis de sistemas discretos lineales e invariantes en el tiempo
y(n0 + N ) =
N
1
X
h(k)x(n0 + N k) +
h(k)x(n + N k)
k=N
k=
{z
=0
(x(n)=0,n>n0 )
X
X
X
h(k)x(n + N k)
|y(n0 + N )| =
|h(k)|
|h(k)||x(n + N k)| Mx
|
{z
}
k=N
k=N
Si N entonces limN
k=N
Mx
k=N
Esto implica que en un sistema estable cualquier excitacion de duracion finita a la entrada
produce una respuesta transitoria, es decir, una respuesta cuya amplitud decrece y se anula
con el tiempo.
Ejemplo 2.15 Determine el rango del parametro a para el que el sistema LTI de respuesta al impulso h(n) = an u(n) es estable.
Soluci
on:
El sistema es estable si
X
k=0
|a | =
k=0
|ak | =
k=0
1
1 |a|
2.15
Ejemplo 2.16 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:
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
57
2 Se
nales y Sistemas de Variable Discreta
La condicion de estabilidad es
1
X
X
X
1
|b|
1
|h(n)| =
|b| +
|a| =
|a|n =
+
b +
|b| 1 1 |a|
n=
n=
n=0
|n=0{z }
|n=1{z }
n
Converge
si |b| > 1
Converge
si |a| < 1
2.3.7
2.16
Es u
til distinguir los sistemas entre aquellos con una respuesta finita al impulso (FIR:
Finite Impulse Response) y aquellos con respuesta infinita al impulso (IIR: Infinite Impulse Response) por las consideraciones practicas que los distintos conceptos conllevan:
la implementacion de los primeros se puede realizar directamente, mientras que la de los
segundos se basa en ecuaciones de diferencias.
Para los sistemas causales FIR la convolucion se reduce a
y(n) =
M
1
X
h(k)x(n k),
h(k) = 0, k < 0 k M
(2.7)
k=0
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 finita de M muestras.
2.4
El calculo de la convolucion:
y(n) =
h(k)x(n k)
k=
solo es posible para sistemas FIR, puesto que en el caso de sistemas IIR se requerira de
una memoria infinita para almacenar h(n), y un n
umero infinito de multiplicaciones y
adiciones para calcular una sola muestra de la salida.
Las llamadas ecuaciones de diferencias permiten trabajar con sistemas IIR.
58
c
2005-2006
P. Alvarado
2.4.1
x(n)
F [x(n), x(n 1), x(n 2), . . . , x(n M )]
x(n)
Sistema no recursivo
y(n)
Sistema recursivo
z
Ejemplo 2.17 Determine una expresion recursiva para el sistema de media acumulativa.
Soluci
on:
El sistema de media acumulativa
n
y(n) =
1 X
x(k)
n + 1 k=0
c
2005-2006
P. Alvarado
59
2 Se
nales y Sistemas de Variable Discreta
es recursivo pues
(n + 1)y(n) =
ny(n 1) =
(n + 1)y(n) =
n
X
k=0
n1
X
k=0
n1
X
x(k)
x(k)
x(k) + x(n) = ny(n 1) + x(n)
k=0
n
1
y(n 1) +
x(n)
n+1
n+1
1
(ny(n 1) + x(n))
=
n+1
y(n) =
(2.8)
Notense los coeficientes 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 figura 2.25 muestra el diagrama de bloques correspondiente.
1
n+1
y(n)
x(n)
z 1
n
2.4.2
Los sistemas descritos por ecuaciones de diferencias con coeficientes constantes son una
subclase de los sistemas recursivos y no recursivos.
Considerese el sistema (ver ademas la figura 2.26)
y(n) = ay(n 1) + x(n)
60
c
2005-2006
P. Alvarado
x(n)
y(n)
z 1
que a pesar de su similitud con (2.8), difiere por la naturaleza de los coeficientes, lo que
tiene implicaciones sobre la invarianza en el tiempo. En este u
ltimo caso, el coeficiente
a es constante y el sistema es invariante en el tiempo. Para la media acumulativa, el
coeficiente 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 condicion 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)
..
.
y(n) = an+1 y(1) + an x(0) + an1 x(1) + . . . + a0 x(n)
n
X
n+1
= a y(1) +
ak x(n k), n 0
| {z }
}
|k=0 {z
yzi (n)
yzs (n)
El termino yzi (n) depende de las condiciones iniciales y se obtendra si la entrada fuese cero
(zero input), como producto del estado inicial del sistema y de sus caractersticas propias.
A yzi (n) se le denomina respuesta natural o libre del sistema, o tambien, respuesta a
entrada nula.
El termino yzs (n) se obtiene cuando el estado del sistema es cero (zero state), es decir, con
una entrada x(n) cuando el sistema esta en reposo, y se le denomina respuesta en estado
nulo o respuesta forzada. Notese que en el ejemplo, yzs (n) puede interpretarse como la
convolucion de x(n) con la respuesta impulsional:
h(n) = an u(n)
donde los ndices son finitos por la causalidad de ambas se
nales x(n) y h(n).
Este ejemplo corresponde a una ecuacion de diferencias de primer orden, y es un caso
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
61
2 Se
nales y Sistemas de Variable Discreta
N
X
ak y(n k) +
k=1
M
X
bk x(n k)
k=0
o con a0 = 1:
N
X
ak y(n k) =
k=0
M
X
bk x(n k)
k=0
n
X
ak x(n k)
k=0
n
X
k=0
62
c
2005-2006
P. Alvarado
2. Para x1 (n),
yzs1 (n) =
n
X
ak x1 (n k)
k=0
Para x2 (n),
yzs2 (n) =
n
X
ak x2 (n k)
k=0
n
X
ak x1 (n k) +
k=0
n
X
n
X
ak x2 (n k)
k=0
ak (x1 (n k) + x2 (n k))
k=0
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.
De forma similar, es posible demostrar que todo sistema descrito por una ecuacion de
diferencias con coeficientes constantes es lineal. Estos sistemas son a su vez invariantes
en el tiempo, al ser sus coeficientes constantes.
El estudio de estabilidad en sistemas de orden mayor a 1, requiere de otras tecnicas que
seran estudiadas posteriormente.
2.18
2.4.3
Soluci
on de ecuaciones de diferencias con coeficientes constantes
ak y(n k) =
k=0
M
X
bk x(n k)
(2.9)
k=0
es encontrar la salida y(n) de un sistema para una determinada entrada x(n), n 0, dado
un conjunto de condiciones iniciales. Utilizando el llamado metodo directo, se asume que
la solucion se compone de dos partes:
y(n) = yh (n) + yp (n)
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
(2.10)
63
2 Se
nales y Sistemas de Variable Discreta
La soluci
on homog
enea de una ecuaci
on de diferencias
Para solucionar la ecuacion (2.9) se asume primero una entrada nula x(n) = 0, para as
resolver:
N
X
ak y(n k) = 0
(2.11)
k=0
ak nk = 0
k=0
c
2005-2006
P. Alvarado
2.19
Ejemplo 2.20 Determine la respuesta a entrada nula del sistema descrito por la ecuacion
de diferencias homogenea de segundo orden
y(n) 3y(n 1) 4y(n 2) = 0 .
Soluci
on:
Suponiendo yh (n) = n , se obtiene:
n 3n1 4n2 = n2 (2 3 4) = n2 ( 4)( + 1)
Por lo que la forma general de la solucion homogenea es:
yh (n) = C1 n1 + C2 n2 = C1 (1)n + C2 (4)n
Para la respuesta a entrada nula se plantea:
y(0) = 3y(1) + 4y(2) = C1 + C2
(2.14)
16y(1) + 16y(2)
5
c
2005-2006
P. Alvarado
65
2 Se
nales y Sistemas de Variable Discreta
4y(2) y(1)
16y(1) + 16y(2) n
(1)n +
4 .
5
5
2.20
+ Cm+1 n2 + . . .
1 = 2
La soluci
on particular de la ecuaci
on de diferencias
La solucion particular yp (n) debe satisfacer:
N
X
k=0
ak yp (n k) =
M
X
bk x(n k),
a0 = 1
k=0
c
2005-2006
P. Alvarado
(2.15)
(2.16)
1
1 + a1
1
u(n)
1 + a1
2.22
En el ejemplo anterior se asumio yp (n) como un escalon porque la entrada tena esta
forma. Si x(n) fuera exponencial, yp (n) tambien lo sera. Si x(n) fuera senoidal, entonces
yp (n) tambien lo sera. La tabla 2.4 muestra algunas formas de solucion particular para
entradas particulares.
Soluci
on total a la ecuaci
on de diferencias
Por la linealidad de los sistemas descritos por ecuaciones de diferencias con coeficientes
constantes, la solucion total se calcula como la suma de las soluciones homogenea y
particular (2.10).
Las constantes {Ck }, de la solucion homogenea, sin embargo, deben recalcularse para
poder satisfacer las condiciones iniciales.
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
67
2 Se
nales y Sistemas de Variable Discreta
Solucion particular
yp (n)
(n)
A(cte)
AM n
AnM
An n M
A cos 0 n
A sin 0 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
yp (n) =
1
1 + a1
1
1 + a1
Con n = 1 se obtiene:
y(1) =
C
1
a1
+
a1 y(1) +
=C
a1 1 + a1
1 + a1
y por lo tanto:
y(n) = (a1 )n+1 y(1) +
1 (a1 )n+1
1 + a1
Notese que el valor de C depende no solo de las condiciones iniciales, sino tambien de la
2.23
entrada.
2.4.4
c
2005-2006
P. Alvarado
n
X
k=0
n
=a ,
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 terminos de convolucion con una entrada causal se expresa como
yzs (n) =
n
X
n0
k=0
(2.17)
Soluci
on:
En el ejemplo 2.20 se obtuvo:
yh (n) = C1 (1)n + C2 (4)n ,
n0
(2.18)
que corresponde tambien a la respuesta impulsional h(n), debido a que para x(n) =
(n), yp (n) = 0. Sustituyendo (2.18) en (2.17), y considerando que el sistema esta en
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
69
2 Se
nales y Sistemas de Variable Discreta
y(0) = 1 = C1 + C2
!
Cualquier sistema recursivo descrito por una ecuacion de diferencias lineal con coeficientes
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 ecuacion de diferencias lineal de orden N :
y(n) =
N
X
ak y(n k) +
M
X
bk x(n k)
k=0
k=1
N
X
Ck nk = h(n)
k=1
cuando las races del polinomio caracterstico son distintas, donde los coeficientes {Ck } se
obtienen con las condiciones iniciales
y(1) = y(2) = . . . = y(N ) = 0
Considerando que
X
N
N
X
X
X
n
|h(n)| =
Ck k
|Ck |
|k |n
n=0
n=0
n=0
k=1
k=1
P
si |k | < 1 para todo k, entonces n |k |n < , y por lo tanto
n=0 |h(n)| < . Si uno
o mas 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 ecuacion de diferencias con coeficientes
constantes, es estable si todas las races del polinomio son menores que uno en valor
absoluto. Esto es as a
un con races de multiplicidad m.
70
c
2005-2006
P. Alvarado
2.5
Implementaci
on de sistemas discretos
2.5.1
x(n)
y(n)
v(n)
b0
b1
a1
z 1
z 1
c
2005-2006
P. Alvarado
71
2 Se
nales y Sistemas de Variable Discreta
replacemen
x(n)
(n)
y(n)
b0
b1
a1
z 1
z 1
y(n)
b0
z 1
b1
a1
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 figura 2.29.
A esta estructura se le denomina forma directa II y utiliza solo un elemento retardador,
en lugar de los dos utilizados en la forma directa I (figura 2.27).
Notese que esto puede generalizarse para la ecuacion de diferencias:
y(n) =
N
X
ak y(n k) +
M
X
bk x(n k)
(2.19)
k=0
k=1
M
X
bk x(n k)
k=0
y un sistema recursivo:
y(n) =
N
X
ak y(n k) + v(n)
k=1
c
2005-2006
P. Alvarado
x(n)
y(n)
v(n)
b0
b2
a1
z 1
z 1
b2
a2
z 1
z 1
..
.
..
.
..
.
bM 1
aN 1
z 1
z 1
bM
aN
M
X
bk x(n k)
k=0
N
X
ak y(n k) + b0 x(n)
k=1
c
2005-2006
P. Alvarado
73
2 Se
nales y Sistemas de Variable Discreta
x(n)
(n)
y(n)
b0
z 1
(n 1)
a1
b1
z 1
(n 2)
a2
b2
z 1
(n 3)
a3
..
.
b3
..
.
aN 2
..
.
(n M )
bM
z 1
aN 1
z 1
aN
(n N )
2.6
Correlaci
on
c
2005-2006
P. Alvarado
2.6 Correlaci
on
2.6.1
Autocorrelaci
on y correlaci
on cruzada
La correlacion cruzada de las secuencias x(n) e y(n), ambas reales y de energa finita, se
define como:
X
rxy (n) =
x(k)y(k n), n = 0, 1, 2, . . .
k=
o lo que es equivalente:
rxy (n) =
x(k + n)y(k), n = 0, 1, 2, . . .
k=
y(k)x(k n) =
k=
k=
Por lo tanto, ryx (n) es la correlacion rxy (n) reflejada con respecto a n = 0.
Notese que exceptuando el paso de reflexion de una de las se
nales, la correlacion es identica
con la convolucion: 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 autocorrelacion de x(n), que se define como la
secuencia:
X
X
x(k + n)x(k)
x(n)x(k n) =
rxx (n) =
k=
k=
rxy =
x(k)y(k n)
k=max{n,0}
2.6.2
Propiedades de la correlaci
on
c
2005-2006
P. Alvarado
75
2 Se
nales y Sistemas de Variable Discreta
es:
k=
x2 (k) + b2
k=
2
y 2 (k n) + 2ab
k=
x(k)y(k n)
k=
a 2
b
+ 2rxy (n)
a
b
+ ryy (0) 0
que se puede considerar como ecuacion cuadratica de variable (a/b) con coeficientes
rxx (0), 2rxy (n) y ryy (0), que para ser no negativa requiere que el discriminante sea no
positivo:
q
p
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 autocorrelacion alcanza su valor maximo para el retardo cero, cuando por
decirlo as la se
nal es identica a s misma.
Un escalado de la se
nal por un escalar, escala la correlacion de la misma manera, y por
tanto carece en el analisis de importancia por ser mas relevante la forma de la correlacion.
Por ello en la practica se normaliza la correlacion para producir as valores entre -1 y 1.
La autocorrelacion normalizada se define como:
xx (n) =
rxx (n)
rxx (0)
c
2005-2006
P. Alvarado
2.6 Correlaci
on
0<a<1
Soluci
on:
Para n 0:
rxx (n) =
x(k)x(k n) =
k=n
N +1
ak akn = an
k=n
a2
k
k=n
= 0 si < 1 entonces
n N +1
n
=
N
1
1
k=n
2n
a
an
=
rxx (n) = an
1 a2
1 a2
para n < 0:
rxx (n) =
x(k)x(k n) =
k=0
n
k = lim
k kn
a a
=a
k=0
a2
k
k=0
|n|
a
a
=
2
1a
1 a2
a|n|
1 a2
que es, como se predijo, una funcion par rxx (n) = rxx (n). Con rxx (0) =
la autocorrelacion normalizada:
xx (n) =
1
1a2
se obtiene
rxx (n)
= a|n|
rxx (0)
2.25
2.6.3
Correlaci
on de secuencias peri
odicas
c
2005-2006
P. Alvarado
77
2 Se
nales y Sistemas de Variable Discreta
y la autocorrelacion de una se
nal de potencia como:
M
X
1
rxx (n) = lm
x(k)x(k n)
M 2M + 1
k=M
Si las se
nales son periodicas con periodo N , entonces este promedio puede calcularse en
un solo periodo:
N 1
1 X
rxy (n) =
x(k)y(k n)
N k=0
En la practica se utiliza la correlacion para encontrar periodicidades en se
nales fsicas
alteradas por interferencias aleatorias.
Si por ejemplo y(n) = x(n) + (n), donde x(n) es periodica y (n) es una se
nal aleatoria,
entonces la correlacion es:
ryy (n) =
M 1
1 X
y(k)y(k n)
M k=0
M 1
1 X
=
[x(k) + (k)][x(k n) + (k n)]
M k=0
M 1
1 X
[x(k)x(k n)] + [x(k)(k n)] + [(k)x(k n)] + [(k)(k n)]
=
M k=0
c
2005-2006
P. Alvarado
2.6 Correlaci
on
0.65
Senal
0.6
0.55
0.5
0.45
0.4
0.35
0.3
0.25
0.2
700
800
900
1000
1100
1200
1300
1.2
Senal y ruido
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
700
800
900
1000
1100
1200
1300
Figura 2.32: 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
c
2005-2006
P. Alvarado
79
2 Se
nales y Sistemas de Variable Discreta
2.6.4
Secuencias de correlaci
on de entrada-salida
Si se aplica la se
nal x(n) con autocorrelacion rxx (n) a un sistema con respuesta al impulso
h(n), entonces:
X
h(k)x(n k)
y(n) = h(n) x(n) =
k=
80
c
2005-2006
P. Alvarado
2.7 Problemas
2.7
Problemas
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 . . .}
6.
7.
8.
9.
x6 (n) = sen 17
n para 0 n 25
Represente esta se
nal en MatLab y muestrela graficamente.
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
81
2 Se
nales y Sistemas de Variable Discreta
82
c
2005-2006
P. Alvarado
Captulo 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 analisis de ciertas propiedades de las se
nales, que en el dominio del tiempo solo pueden ser evaluadas con un mayor
n
umero de pasos.
3.1
3.1.1
La transformada z
La transformada z directa
x(n)z n
(3.1)
n=
que mapea la se
nal x(n) en el dominio del tiempo discreto a la funcion X(z) en el dominio
z, lo que se denota como:
X(z) Z {x(n)}
La relacion entre ambos dominios se indica como:
x(n) X(z)
x(n) X(z)
Como la transformada z es una serie infinita de potencias, esta existe solo para los valores
de z para los que la serie converge. La region de convergencia (ROC, region of convergence)
de X(z) es entonces el conjunto de valores de z para los que X(z) es finita.
83
3. x3 (n) = (n)
4. x4 (n) = (n + k), k > 0
Soluci
on:
1.
2.
3.
4.
La ROC de se
nales finitas es todo el plano z excepto z = 0 y/o z = . Notese que el
exponente de z basta para identificar las muestras de la se
nal.
3.1
Ejemplo 3.2 Determine la transformada z de:
n
1
x(n) =
u(n)
2
Soluci
on:
X(z) =
x(n)z
n=
n
X
1
n=0
1 n
X
z
n=0
que converge si 21 z 1 < 1 |z| > 12 , a:
X(z) =
1
1
1 1 ,
z
2
1
2
3.2
x(n)rn ejn .
n=
84
c
2005-2006
P. Alvarado
3.1 La transformada z
Puesto que dentro de la ROC de X(z) se debe cumplir |X(z)| < , entonces:
X
X
n jn
x(n)rn
x(n)r e
|X(z)| =
n=
n=
(3.2)
1
X
X
X
X
n
n
n
x(n)rn
=
|x(n)r | +
+
x(n)r
|X(z)| =
x(n)r
n=1
n=0
n=
n=0
y ambas sumatorias deben converger si |X(z)| ha de ser finito. Para la primera suma,
que corresponde a los elementos anticausales, deben existir valores de r suficientemente
peque
nos para que x(n)rn sea absolutamente sumable (r < r1 ) (figura 3.1).
Im{z}
Plano z
r1
ROC de
|x(n)rn |
n=1
Re{z}
c
2005-2006
P. Alvarado
85
Im{z}
Plano z
r2
Re{z}
r1
r2
Re{z}
Soluci
on:
Se tiene que:
X(z) =
x(n)z
n=
1 n
{z } =
n=0
(z 1 )
n=0
1
,
1 z 1
1
,
1 z 1
86
c
2005-2006
P. Alvarado
3.1 La transformada z
x(n)z
n=
1
X
n n
n=
m m
z =
m=1
(1 z)m
m=1
1
1 z
1
1
=
=
1 1 z
1 1 z
1 z 1
Notese que esta expresion es identica a la obtenida para x(n) = n u(n). Se concluye que
la forma compacta de la transformada z no especifica una u
nica se
nal en el dominio del
tiempo. Esto solo ocurre indicando ademas la ROC. El termino transformada z de alguna
funcion de variable discreta x(n) indica entonces no solo la expresion X(z), sino tambien
su ROC.
De lo anterior se puede inferir ademas que la ROC de una se
nal anticausal es el interior de
una circunferencia, mientras que para se
nales causales es el exterior de una circunferencia.
3.4
X
n=
x(n)z n =
X
n=0
an z n +
1
X
n=
bn z n =
X
n=0
az 1
n
b1 z
n
n=1
La primera suma converge si |az 1 | < 1 (|z| > |a|) y la segunda si |b1 z| < 1 (|z| < |b|).
Esto implica que la transformada z existe si y solo si |b| > |a| y la ROC es un anillo en el
plano z.
3.5
La figura 3.4 muestra un resumen de lo discutido hasta el momento en cuanto a la relacion
de la causalidad de una se
nal con respecto a la ROC de su transformada z.
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
87
Funciones de duraci
on finita
Causal
z \ {0}
Anticausal
z \ {}
Bilateral
z \ {0, }
Funciones de duraci
on infinita
Causal
r2 < |z|
n
Anticausal
|z| < r1
n
Bilateral
r2 < |z| < r1
n
88
c
2005-2006
P. Alvarado
3.1 La transformada z
3.1.2
La transformada z inversa
I
C
f (z)
dz =
z z0
(
f (z0 )
0
Si z0 esta dentro de C
Si z0 esta fuera de C
(3.3)
donde C es cualquier contorno cerrado en el plano z, f (z) una funcion de variable compleja,
analtica dentro y sobre el contorno C.
De forma mas general, si la funcion f (z) es analtica dentro y sobre el contorno C, entonces
existen todas las derivadas de orden (k 1), y se cumple:
1
2j
I
C
1
dk1 f (z)
(k 1)! dz k1 z=z0
f (z)
dz =
(z z0 )k
0
Si z0 esta dentro de C
(3.4)
Si z0 esta fuera de C
Caso 1
n > k:
1
2j
I
C
z nk
dz =
z
(
z0nk = 0
0
Caso 2
n = k:
1
2j
I
C
1
dz =
z
(
1
0
c
2005-2006
P. Alvarado
89
Caso 3
n < k:
1
2j
puesto que k + 1 n 2 y
dk1
1
dz k1
I
C
1
z k+1n
dz = 0
= 0.
1
2j
z n1k dz =
(
1
k=n
k 6= n
(3.5)
si C contiene al origen z = 0.
Con la transformada z
X(z) =
x(k)z k ,
k=
n1
I
dz =
x(k)z k+n1 dz
C k=
n1
dz =
I
x(k)
k=
z k+n1 dz
X(z)z n1 dz
(3.6)
c
2005-2006
P. Alvarado
z k X(z)
x(n k)
Desplazamiento en n
c
2005-2006
P. Alvarado
Im{x(n)}
nx(n)
x1 (n) x2 (n)
Parte imaginaria
Derivacion en z
Convolucion
Correlacion
Multiplicacion
91
n=
x1 (n)x2 (n) =
Re{x(n)}
Parte real
x(n)
Conjugacion
Relacion de Parseval
x(n)
Reflexion en n
X1 (z)X2 (z)
X(z)
1
X(z) + X(z)
2
1
X(z) X(z)
2
dX(z)
z
dz
X(z 1 )
an x(n)
Escalado en z
X(a1 z)
a1 X1 (z) + a2 X2 (z)
X2 (z)
x2 (n)
a1 x1 (n) + a2 x2 (n)
X(z)
X1 (z)
x(n)
x1 (n)
Linealidad
Notacion
Propiedad
Incluye ROC
Incluye ROC
ROC
1
1
< |z| <
r1
r2
ROC
3.2
Propiedades de la transformada z
Linearidad
Si x1 (n) X1 (z) y x2 (n) X2 (z), entonces
1
,
1 z 1
3
4
,
1
1 2z
1 3z 1
Notese que la ROC final debe ser al menos la interseccion de las dos ROC individuales.
3.6
Desplazamiento en el tiempo
Si x(n) X(z), entonces x(n k) z k X(z).
La ROC de z k X(z) es la misma de X(z) excepto z = 0 si k > 0 y z = si k < 0.
Ya que el coeficiente de z n representa el valor de la muestra en el instante n, se aprecia que
retrasar una se
nal en k muestras (k > 0) es equivalente a multiplicar todos los terminos
de la transformada z por z k .
92
c
2005-2006
P. Alvarado
Escalado en el dominio z
Si x(n) X(z), ROC: r1 < |z| < r2 , entonces:
an x(n) X(a1 z),
para todo a C.
Demostracion:
Z {an x(n)} =
an x(n)z n =
n=
n=
Dado que la ROC de X(z) es r1 < |z| < r2 , entonces para X(a1 z) se cumple que
r1 < |a1 z| < r2 |a|r1 < |z| < |a|r2 .
Con a = r0 ej0 , z = rej y w = a1 z = r10 r ej(0 ) , se observa con Z {x(n)} = X(z)
y Z {an x(n)} = X(a1 z) = X(w), que r0 > 1 implica una contraccion del plano z, y
r0 < 1 una expansion del plano z, en combinacion con una rotacion (si 0 6= 2k).
Ejemplo 3.7 Determine la transformada z de la se
nal an cos(0 n)u(n)
Soluci
on:
Con la identidad de Euler se obtiene primero que:
1
1
cos(0 n) = ej0 n + ej0 n
2
2
y con Z {an u(n)} =
1
1az 1
1
1
1
+
Z {cos(0 n)u(n)} =
2 1 ej0 z 1 1 ej0 z 1
2 z 1 (ej0 + ej0 )
1
, (ej0 + ej0 ) = 2 cos 0
=
j
1
j
1
2
0
0
2 1e
z e z +z
1
1 z cos 0
=
; ROC: |z| > |ej0 | = 1
1 2z 1 cos 0 + z 2
por lo que
Z {an cos(0 n)u(n)} =
1 az 1 cos 0
,
1 2az 1 cos 0 + a2 z 2
c
2005-2006
P. Alvarado
93
Inversi
on temporal
x(n) X(z),
x(n)z n =
n=
x(l)(z 1 )l = X(z 1 )
l=
1
r2
1
r1
1
,
1z 1
1
,
1z
3.8
Diferenciaci
on en el dominio z
Si x(n) X(z), entonces nx(n) z dX(z)
.
dz
Demostracion: derivando ambos lados de la definicion con respecto a z se obtiene:
X
dX(z)
d X
n
=
x(n)z =
x(n)(n)z n1
dz
dz n=
n=
= z
(nx(n))z n = z 1 Z {nx(n)}
n=
dX(z)
= Z {nx(n)}
dz
c
2005-2006
P. Alvarado
1
1az 1
dX1 (z)
az 1
,
na u(n) X(z) = z
=
dz
(1 az 1 )2
n
z 1
,
(1 z 1 )2
Convoluci
on de dos secuencias
Si
x1 (n) X1 (z),
ROC1
x2 (n) X2 (z),
ROC2
entonces:
x(n) = x1 (n) x2 (n) X(z) = X1 (z)X2 (z)
la ROC es al menos ROC1 ROC2 .
Demostracion:
x(n) =
k=
x(n)z n =
n=
n=
k=
!
x1 (k)x2 (n k) z n
X
X
X(z) =
x1 (k)
x2 (n k)z n
n=
k=
= X2 (z)
k=
c
2005-2006
P. Alvarado
95
Correlaci
on de dos secuencias
x1 (n) X1 (z)
x2 (n) X2 (z)
rx1 x2 (n) =
k=
x2 (n) X2 (z)
I
z
1
x(n) = x1 (n)x2 (n) X(z) =
X1 (v)X2
v 1 dv
2j C
v
x(n)z n =
n=
1
2j
x1 (n)x2 (n)z n
n=
c
2005-2006
P. Alvarado
Conjugaci
on
Si x(n) X(z) entonces x(n) X(z). Esto se deduce a partir de la definicion y con
las propiedades de conjugacion:
Z {x(n)} =
x(n)z n
n=
x(n)z n
n=
= X(z)
Relaci
on de Parseval
1
x1 (n)x2 (n) =
2j
n=
1
X1 (v)X2
v 1 dv
v
C
n=0
c
2005-2006
P. Alvarado
97
3.3
Transformadas z racionales
Transformada z, X(z)
ROC
(n)
Plano z
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)
3.3.1
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
|z| > 1
|z| > |a|
|z| > |a|
|z| < |a|
|z| < |a|
|z| > 1
|z| > 1
|z| > 1
|z| > 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) = . Como X(z) es racional,
entonces:
PM
k
N (z)
b0 + b1 z 1 + . . . + bM z M
k=0 bk z
X(z) =
=
=
P
N
k
D(z)
a0 + a1 z 1 + . . . + aN z N
k=0 ak z
98
c
2005-2006
P. Alvarado
D(z)
a0 z N z N + aa10 z N 1 + . . . + aaN0
Puesto que N (z) y D(z) son polinomios en z, X(z) se puede expresar como:
QM
N (z)
b0 N M (z z1 )(z z2 ) . . . (z zM )
N M
k=1 (z zk )
X(z) =
= z
= Gz
QN
D(z)
a0
(z p1 )(z p2 ) . . . (z pN )
k=1 (z pk )
donde la constante G es igual a ab00 ; los ceros {zk } y los polos {pk } corresponden a las
races 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 . Tambien se dice que hay un cero en
infinito si X() = 0, o un polo si X() = . Si se cuentan estos u
ltimos, el n
umero de
polos y ceros es siempre identico.
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 smbolo (por ejemplo, un polo de tercer orden se denota con 3 ).
Evidentemente la ROC no puede contener ning
un polo, puesto que en el la funcion no
converge.
z
,
za
3.10
(
an , 0 n M 1
0
en el resto
c
2005-2006
P. Alvarado
99
Im{z}
Plano z
a
Re{z}
X(z) =
x(n)z n =
n=
Puesto que
PM 1
n=0
n =
1M
,
1
M
1
X
an z n =
M
1
X
n=0
(az 1 )n
n=0
entonces:
M
1 az
1 (az 1 )M
X(z) =
=
=
1 (az 1 )
1 az
z M aM
zM
za
z
z M aM
z M 1 (z a)
M 1
a
Re{z}
100
c
2005-2006
P. Alvarado
ROC
p1
z1
0
0
z2
Re{z}
r
p2
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 .
(z z1 )(z z2 )
z(z r cos 0 )
=G
(z p1 )(z p2 )
(z ej0 )(z ej0 )
1 rz 1 cos 0
=G
, ROC: |z| > r
1 2rz 1 cos 0 + r2 z 2
X(z) = G
3.3.2
3.12
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
1 az
za
1
que tiene ademas un cero en z = 0. Notese que X2 (z) = za
, corresponde a X(z)z 1 y
por tanto la se
nal correspondiente a X2 (z)
x2 (n) = x(n 1) que sigue siendo una
exponencial real.
c
2005-2006
P. Alvarado
101
x(n)
Plano z
x(n)
Plano z
n
-1
n
-1
-1
-1
x(n)
Plano z
x(n)
Plano z
n
-1
n
-1
-1
-1
10 x(n)
Plano z
10 x(n)
Plano z
n
-1
n
-1
-5
-10
-5
-10
az 1
az 1
az
=
=
, ROC: |z| > |a| x(n) = nan u(n)
1
2
2
2
(1 az )
z (z a)
(z a)2
3.3.3
La funci
on de transferencia de un sistema LTI
En el captulo 2 se encontro que la salida y(n) de un sistema LTI con respuesta impulsional
h(n) y entrada x(n) esta dada por la convolucion y(n) = h(n) x(n), que ya se demostro
en el dominio z ser equivalente a Y (z) = H(z)X(z), con y(n) Y (z), x(n) X(z)
102
c
2005-2006
P. Alvarado
x(n)
Plano z
x(n)
Plano z
-1
1
2
n
1
-1
-1
-1
10 x(n)
Plano z
10 x(n)
Plano z
-1
n
1
-1
-5
-10
100 x(n)
Plano z
-5
-10
100 x(n)
Plano z
50
50
-1
n
1
-1
-50
-100
n
-50
-100
1
2
-1
n
1
-1
x(n)
Plano z
2
1
2
-1
n
1
-1
-2
70
Plano z
x(n)
35
2
-1
n
1
-35
-70
Figura 3.10: Se
nales en relaci
on con la ubicacion de un par de polos simples conjugados en su
transformada z.
c
2005-2006
P. Alvarado
103
por medio de su producto. Sin embargo, es tambien posible, conociendo Y (z) y X(z),
obtener la funcion de transferencia con:
Y (z)
X(z)
H(z) =
a partir de la cual se puede determinar la respuesta impulsional por medio de la transformada z inversa.
Con la ecuacion de diferencias del sistema
y(n) =
N
X
ak y(n k) +
k=1
M
X
bk x(n k)
k=0
N
X
ak Y (z)z
= Y (z)
Y (z) 1 +
!
ak z k
= X(z)
bk X(z)z k
k=0
k=1
N
X
M
X
N
X
ak z
+ X(z)
k=1
M
X
M
X
bk z k
k=0
bk z k
k=0
M
X
k=1
bk z k
H(z) =
Y (z)
=
X(z)
k=0
N
X
1+
ak z k
k=1
Lo que implica que un sistema lineal descrito por una ecuacion de diferencias lineal con
coeficientes constantes tiene una funcion de transferencia racional.
Si ak = 0 para k [1, N ] (sistema no recursivo), entonces
H(z) =
M
X
k=0
bk z
M
1 X
= M
bk z M k
z k=0
c
2005-2006
P. Alvarado
b0
N
X
=
ak z k
k=1
b0 z N
,
N
X
ak z N k
a0 = 1
k=0
que tiene un cero trivial en z = 0 de orden N y N polos determinados por los coeficientes
{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 explcita. Por la
presencia de polos, este sistema es tambien IIR.
1
2
3.4
Inversi
on de la transformada z
c
2005-2006
P. Alvarado
105
3.4.1
Este metodo analtico directo se basa en las tecnicas de integracion compleja como la
formula integral de Cauchy o el teorema del residuo [1], para evaluar la integral de transformacion inversa. Como ya se reviso en la seccion 3.1.2, la formula integral de Cauchy
establece que
1
dk1 f (z)
Si z0 esta dentro de C
f (z)
1
(k 1)! dz k1 z=z0
dz
=
(3.4)
2j C (z z0 )k
0
Si z0 esta fuera de C
para f (z) analtica sobre y dentro de la trayectoria de integracion C, lo que implica que
no puede tener ninguna singularidad en z = z0 , donde el termino a la derecha corresponde
con el residuo de f (z)/(z z0 )k en el polo z0 .
H f (z)
1
Supongase que se desea calcular 2j
dz, donde f (z) no tiene polos dentro de C, y
C g(z)
g(z) es un polinomio con n races distintas simples dentro de C, entonces:
1
2j
I
C
f (z)
1
dz =
g(z)
2j
I X
n
Ai (z)
dz
C i=1 z zi
I
C
X
f (z)
dz =
Ai (zi )
g(z)
i=1
c
2005-2006
P. Alvarado
(z zi )X(z)z n1 |z=zi
siempre que los polos sean simples. Si X(z)z n1 no tiene polos dentro de C para uno o
mas valores de r, entonces el teorema de la integral de Cauchy establece que x(n) es cero
para esos valores.
X(z) =
Soluci
on: Con:
1
x(n) =
2j
I
C
z n1
1
dz =
1
1 az
2j
I
C
zn
dz
za
Como C debe estar dentro de la ROC, entonces se escoje una circunferencia de radio
mayor que |a|.
Se obtienen dos casos:
1. n > 0: z n solo tiene ceros y por tanto con (3.3) se obtiene con z0 = a
x(n) = an = f (z0 )
2. Con n < 0: f (z) tiene un polo de orden n en z = 0, que tambien esta dentro de C,
por lo que dos polos contribuyen al valor de la integral: z1 = 0, z2 = a.
Con n = 1:
1
2j
I
C
X
1
dz =
Ai (zi )
z(z a)
i=1
1
=
+
z a z=0
1 1
= + =0
a a
c
2005-2006
P. Alvarado
1
z z=a
107
Con n = 2:
1
2j
I
C
1
a1
a12
a2
+
+
dz
2
z
za
C z
1
1
=0 2 + 2 =0
a
a
1
1
dz =
2
z (z a)
2j
Esto se puede repetir para n < 2 y se demostrara que x(n) = 0, por tanto, resumiendo
para n < 0 y n 0:
x(n) = an u(n)
3.14
3.4.2
cn z
n=
x(n)z n
n=
1
,
11,5z 1 +0.5z 2
z
16
16
108
c
2005-2006
P. Alvarado
1 32 z 1 + 12 z 2
1 + 32 z 1 + 74 z 2 +
15 3
8 z
31 4
16 z
+ ...
x(n) = {1, 32 , 47 , 15
, 31 , . . .}
8 16
1
-(1 3z+2z 2 )
3z 2z 2
-( 3z 9z 2 +6z 3 )
7z 2 6z 3
-( 7z 2 21z 3 +14z 4 )
15z 3 14z 4
-( 15z 3 45z 4 +30z 5 )
31z 4 30z 5
1 2
2z
2
23 z 1 + 1
2z + 6z 3 + 14z 4 + 30z 5 + 62z 6 + . . .
3.15
Este metodo no provee la forma cerrada de x(n) y resulta tedioso si se desea determinar
x(n) para n grande.
Soluci
on:
Puesto que la serie de Taylor para log(1 + x), |x| < 1 es
log(1 + x) =
X
(1)n+1 xn
n=1
entonces
X(z) =
X
(1)n+1 an z n
n=1
(1)n+1 an
u(n
n
c
2005-2006
P. Alvarado
1)
3.16
109
3.4.3
Con el metodo de b
usqueda en tabla se expresa X(z) como una combinacion lineal:
X(z) = 1 X1 (z) + 2 X2 (z) + . . . + k Xk (z)
donde {Xi (z)} son las transformaciones de las se
nales {xi (n)} disponibles en las tablas.
Por linealidad se tendra que:
x(n) = 1 x1 (n) + 2 x2 (n) + . . . + k xk (n)
Si X(z) es una funcion racional, entonces:
X(z) =
N (z)
b0 + b1 z 1 + . . . + bM z M
=
D(z)
1 + a1 z 1 + . . . + aN z N
110
c
2005-2006
P. Alvarado
1 2
z
6
1
2z
+ 65 z 1 + 1
+1
X(z) = 1 + 2z 1 +
1+
1 1
z
6
5 1
z + 16 z 2
6
3.17
N1 (z)
N (z)
= c0 + c1 z 1 + . . . + cM N z (M N ) +
D(z)
D(z)
b0 z N + b1 z N 1 + . . . + bM z N M
z N + a1 z N 1 + . . . + aN
(z pk )
X(z)
Ak =
z
z=pk
1+z 1
.
1z 1 + 12 z 2
Soluci
on:
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
111
Multiplicando por
z2
z2
se obtiene:
z2 + z
X(z) = 2
z z+
1 12
2
1
2
j 12 y
1
2
X(z)
z
X(z)
z+1
= 2
z
z z+
A1
zp1
1
2
A2
.
zp2
(z + 1)(z p1 )
z + 1
p1 + 1
X(z)
1
3
=
=
=
A1 = (z p1 )
= j
z z=p1
(z p1 )(z p2 ) z=p1
z p2 z=p1
p1 p2
2
2
(z + 1)(z p2 )
z + 1
p2 + 1
X(z)
1
3
=
=
=
A2 = (z p2 )
= +j
z z=p2
(z p1 )(z p2 ) z=p2
z p1 z=p2
p2 p1
2
2
Puede demostrarse que si p1 = p2 , entonces A1 = A2 .
3.18
1
(1 + z 1 )(1 z 1 )2
Soluci
on:
Multiplicando numerador y denominador por z 3 resulta en:
X(z)
z2
A1
A2
A3
=
=
+
+
2
z
(z + 1)(z 1)
(z + 1) (z 1) (z 1)2
A1 y A3 se encuentran facilmente multiplicando por los denominadores parciales y
haciendo z = pi :
X(z)
z 2
1
A1 = (z + 1)
=
=
2
z z=1
(z 1) z=1 4
z 2
1
2 X(z)
=
=
A3 = (z 1)
z z=1
(1 + z) z=1 2
112
c
2005-2006
P. Alvarado
X(z)
(z 1)2
=
A1 + A2 (z 1) + A3
z
z+1
z
3
z
=
= = A2
dz z + 1 z=1
(z + 1)2 z=1 4
3.19
Para obtener la inversion de X(z) se utiliza entonces la linealidad junto con el hecho ya
demostrado de que:
Z 1
1
1 pk z 1
=
(
(pk )n u(n),
(pk )n u(n 1),
Notese que si la se
nal es causal, la ROC es |z| > pmax = max{|p1 |, |p2 |, . . . , |pN |} y
n
n
x(n) = (A1 p1 + A2 p2 + . . . + AN pnN )u(n).
Si hay un par de polos complejos conjugados, ya se menciono que los coeficientes tambien
seran complejos conjugados y por tanto:
xk (n) = [Ak pnk + Ak pk n ]u(n)
(3.7)
Expresando en forma polar: Ak = |Ak |ejk , pk = |pk |ejk y sustituyendo en (3.7), entonces:
xk (n) = |Ak ||pk |n [ej(k n+k ) + ej(k n+k ) ]u(n)
= 2|Ak ||pk |n cos(k n + k )u(n),
Notese entonces que en un par de polos complejos conjugados dan origen a una se
nal
sinusoidal causal con envolvente exponencial, donde la distancia del polo al origen determina la atenuacion exponencial, y el angulo de los polos respecto al eje real determina la
frecuencia de la se
nal senoidal.
Los ceros afectan la amplitud y fase a traves de su influencia a los coeficientes Ak .
Para el caso de polos m
ultiples se utilizan tablas, pero es usual encontrar
pz 1
1
Z
= npn u(n), ROC: |z| > |p|
(1 pz 1 )2
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
113
1
2
1 + z 1
A1
A2
+
1 2 =
1
1
1 + p1 z
1 + p2 z 1
1 z + 2z
j 32 ; p1 = p2 =
1
2
+ j 12 .
Soluci
on:
10
n
cos
4
10
2
y A1 = 71,56 y |p1 | =
1 ,
2
n 71,56 u(n)
3.20
3.5
3.5.1
La transformada z unilateral
Definici
on y propiedades
Zu {x(n)} = X + (z) =
x(n)z n
n=0
zu
114
c
2005-2006
P. Alvarado
4. x4 (n) = (n).
5. x5 (n) = (n k), k > 0.
6. x6 (n) = (n + k), k > 0.
Soluci
on:
1.
2.
3.
4.
5.
6.
1 + 2z 1 + 5z 2 + 7z 3 + 1z 5 .
5 + 7z 1 + z 3 .
5 + 7z 1 + z 3 .
1.
z k .
0.
3.21
zu
Pk
n=1
Demostracion:
Zu {x(n k)} =
x(n k)z n =
n=0
=z
X
m=k
x(m)z
=z
(
X + (z) +
1
X
x(m)z
m=k
k
X
x(m)z m z k
m=k
m=k
= z k
x(m)z (m+k) =
)
x(m)z
m=0
)
x(n)z n
n=1
La interpretacion del resultado anterior es que si se desplaza x(n) hacia la derecha entonces aparecen k nuevas muestras que tambien deben considerarse en la transformacion
unilateral.
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
115
Adelanto temporal
zu
zu
Pk1
n=0
Demostracion:
Zu {x(n + k)} =
x(n + k)z n =
n=0
(
= zk
(
x(m)z (mk) = z k
m=k
k1
X
x(m)z m
m=0
)
x(m)z m
m=k
)
x(m)z m
(
= zk
X + (z)
m=0
k1
X
)
x(m)z m
m=0
Analogo al retraso, si la se
nal se desplaza a la izquierda, entonces k muestras de la
+
transformada unilateral X (z) deben desaparecer.
Ejemplo 3.22 Calcule la transformada z unilateral de:
1. x1 (n) = an .
2. x2 (n) = x(n 2), con x(n) = an .
3. x3 (n) = x(n + 2), con x(n) = an .
Soluci
on:
1. Como la se
nal es causal, entonces: Zu {x1 (n)} = Z {x1 (n)} =
2.
(
)
2
X
Zu {x(n 2)} = z 2 X + (z) +
x(n)z n
1
.
1az 1
n=1
=z
z 2
+ a1 z 1 + a2
1
1 az
(
)
1
X
Zu {x(n + 2)} = z 2 X + (z)
x(n)z n
=
3.
n=0
1
= z2
1 az 1
1 az 1
z2
z 2 az
=
1 az 1
3.22
c
2005-2006
P. Alvarado
N
X
x(n)z n
n=0
y ademas
Zu {x(n + 1)} = zX (z) zx(0) = lim
N
X
x(n + 1)z n
n=0
= lim
= lim
n=0
N
X
x(n + 1)z n
n=0
N
1
X
n=0
N
1
X
!
x(n + 1)z n1
n=1
n=0
x(0)
N
1
X
!
x(n + 1)z n1
n=0
= lim
= lim
N
1
X
n=0
N
1
X
!
x(n + 1)(z n z n1 ) + x(N + 1)z N
x(0)
!
x(n + 1)z n1 (z 1) + x(N + 1)z N
x(0)
n=0
N
1
X
!
x(n + 1)z n1 (z 1) + x(N + 1)z N
+ (z 1)x(0)
n=0
z1
lo que se conoce como teorema del valor final . En la demostracion se ha asumido que la
ROC de (z 1)X + (z) incluye a |z| = 1.
Este teorema se utiliza para calcular el valor asintotico de la se
nal x(n) cuando n tiende
+
a infinito, si se conoce X (z) pero no x(n).
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
117
Ejemplo 3.23 Determine la respuesta del sistema con respuesta impulsional h(n) =
an u(n), |a| < 1, ante un escalon unitario, cuando n .
y(n) = h(n) x(n) Y (z) =
Soluci
on:
1
1
z2
=
, ROC : |z| > 1
1 az 1 1 z 1
(z a)(z 1)
1
z2
x() = lim (z 1)
=
z1
(z a)(z 1)
1a
|
{z
}
ROC: |z|>a<1
3.23
3.5.2
Soluci
on de ecuaciones de diferencias
Si las condiciones iniciales de una ecuacion de diferencias son distintas de cero, entonces
las transformada z unilateral es por su propiedad de desplazamiento, una herramienta
muy u
til.
Ejemplo 3.24 La serie de Fibonacci se puede definir como:
y(n) = y(n 1) + y(n 2),
y(0) = y(1) = 1
1 5
p1
p2
, A1 = , A2 =
p1,2 =
2
5
5
n+1
1
1
y(n) =
[(1 + 5)n+1 (1 5)n+1 ]u(n)
5 2
Y + (z)(1 z 1 z 2 ) = 1
Y + (z) =
3.24
118
c
2005-2006
P. Alvarado
3.6
3.6.1
An
alisis de sistemas LTI en el dominio z
Respuesta de sistemas con funci
on de transferencia racional
N
X
ak y(n k) +
k=1
M
X
bk x(n k)
k=0
B(z)
,
A(z)
donde el polinomio
Si se asume ademas que el sistema esta en reposo, esto es, y(1) = y(2) = . . . =
y(N ) = 0, y que la entrada X(z) tambien puede representarse en forma racional como
(z)
X(z) = N
, entonces se tiene que la transformada de la funcion de salida es de la forma:
Q(z)
Y (z) =
B(z)N (z)
A(z)Q(z)
QL
Q
1
1
Supongase ahora que A(z) = N
k=1 (1 pk z ), Q(z) =
k=1 (1 qk z ) y pk 6= qm , k, m,
y que ning
un cero coincide con los polos, entonces se cumple que:
Y (z) =
N
X
k=1
X
Ak
Qk
+
1
1 pk z
1 qk z 1
k=1
N
X
|k=1
Ak (pk ) u(n) +
{z
respuesta natural
L
X
|k=1
Qk (qk )n u(n)
{z
respuesta forzada
Esta secuencia se componde de dos partes: las respuestas natural y forzada. La respuesta
natural depende de los polos {pk } del sistema y es influenciada por la entrada x(n) a
traves de los coeficientes {Ak }. La respuesta forzada depende de los polos de la entrada
{qk } y es influenciada por el sistema a traves de los coeficientes {Qk }.
Si X(z) o H(z) tienen polos m
ultiples o polos en com
un, entonces la respuesta Y (z) tendra
Pm
1
terminos de la forma l=1 (1pk z1 )l , donde m es el orden del polo, lo que conducira a
terminos en y(n) de la forma nl1 pnk u(n).
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
119
3.6.2
Para calcular la respuesta de un sistema a una entrada causal x(n) con condiciones iniciales
no nulas, se utiliza la transformada z unilateral:
y(n) =
N
X
ak y(n k) +
bk x(n k)
k=1
k=1
M
X
Y (z) =
N
X
"
ak z
Y (z) +
k
X
#
y(n)z
M
X
n=1
k=1
bk z
k=1
k
X
+
X (z) +
x(n)z
|n=1 {z
}
=0 por causalidad
Y (z) 1 +
N
X
!
ak z
= X (z)
M
X
bk z
ak z
k=1
k=0
k=1
N
X
k
X
y(n)z n ,
n=1
de donde se despeja:
+
PM
Y (z) =
1+
k
k=0 bk z
X(z)
P
N
k
a
z
k
k=1
= H(z)X(z) +
PN
P
ak z k kn=1 y(n)z n
P
k
1+ N
k=1 ak z
k=1
N0 (z)
A(z)
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) =
N0 (z)
A(z)
zu
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 seran {pk }, y la respuesta a entrada nula tendra la forma:
yzi =
N
X
Dk pnk u(n)
k=1
120
c
2005-2006
P. Alvarado
lo que puede a
nadirse a la respuesta natural y combinarse para dar:
y(n) =
N
X
k=1
L
X
k=1
En resumen, las condiciones iniciales alteran la respuesta natural del sistema modificando
los factores de escala {Ak }. No se introducen nuevos polos ni se modifica la respuesta
forzada.
Ejemplo 3.25 Determine la respuesta al escalon 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 funcion de transferencia esta dada por:
H(z) =
1
+ 0,81z 2
0,9z 1
1
1 z 1
(1
0,9ej 3 z 1 )(1 z 1 )
0,542 j0,049
0,542 + j0,049
1,099
=
+
+
j 3 1
j 3 1
1 z 1
1 0,9e z
1 0,9e z
Yzs (z) =
0,9ej 3 z 1 )(1
Por lo que:
i
h
yzs (n) = 1,099 + 1,088(0,9)n cos
n 5.2 u(n)
3
Para 1. y(n) = yzs (n)
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
121
N
X
ak z
k
X
y(n)z n
n=1
k=1
1
j 3 1
1 0,9ze z
1 0,9zej 3 z 1
Yzi (z) =
y por tanto:
n
3
n + 87
u(n)
1,099
0,568 j0,442
0,568 + j0,445
+
+
j
1
1
1z
1 0,9ze 3 z
1 0,9zej 3 z 1
que equivale a:
n
3
n + 38
u(n)
3.25
3.6.3
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
X
ynr (n) =
Ak pnk u(n)
k=1
c
2005-2006
P. Alvarado
3.6.4
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:
|h(n)| <
n=
lo que ocurre solo si |z| = 1 esta dentro de la ROC, o de otro modo, si los polos se
encuentran dentro de la circunferencia unitaria, puesto que
H(z) =
|H(z)|
X
n=
h(n)z n
|h(n)||z n |
n=
y evaluando en |z| = 1
|H(z)|
|h(n)|
n=
Un sistema LTI sera entonces estable solo si |z| = 1 esta en la ROC de H(z). Esta
condicion tambien se cumple para sistemas anticausales, es decir, la ROC debera ser el
interior de una circunferencia que contenga |z| = 1.
3.6.5
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 estabilizacion de un
sistema inestable por medio de ceros en la entrada deben evitarse, porque la posicion de
los polos y ceros no puede alcanzarse con precision arbitraria en sistemas digitales reales.
3.6.6
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 3.26 Determine la respuesta al escalon de:
y(n) = y(n 1) + x(n)
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
123
Soluci
on:
Con H(z) =
1
1z 1
y X(z) =
1
1z 1
se obtiene:
Y (z) = H(z)X(z) =
1
y(n) = (n + 1)u(n)
(1 z 1 )2
3.6.7
Los sistemas de segundo orden (con dos polos) se utilizan como bloque basico para la
construccion de sistemas de mayor orden, y por ello requieren de un poco de atencion.
Considerese entonces el sistema:
y(n) = a1 y(n 1) a2 y(n 2) + b0 x(n)
con funcion de transferencia:
Y (z)
b0 z 2
b0
=
=
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
H(z) =
c
2005-2006
P. Alvarado
a2
a2 =
a21
4
Polos complejos
a1
0
-3
-2
-1
Polos reales
-1
a2 = a1 1
a2 = a1 1
a1 2
2
a2
a1 2
2
a2
a21
r
a 2
c
2005-2006
P. Alvarado
a2
125
1 + a2 > |a1 |
En caso de que p1,2 sean complejos (notese que a2 es positivo puesto que debe ser mayor
que (a1 /2)2 ), entonces:
r
a
a 2 2 a 2
a 2
1
1
1
1
2
|p1,2 | = j a2
+ a2
= a2
=
2
2
2
2
y por tanto, para que |p1,2 | < 1, entonces 0 < a2 < 1, lo que confirma la anterior condicion
|a2 | < 1.
Los pares (a1 , a2 ) en la parte superior a la parabola conducen entonces a polos complejos
conjugados, y bajo la parabola a polos reales y distintos. Los pares (a1 , a2 ) en la parabola
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
Condici
on
Reales y distintos
Reales e iguales
a21 = 4a2
Complejos conjugados
126
H(z)
h(n)
p1
p2
1p1 z 1 1p2 z 1
b0
(1pz 1 )2
j0
b0
e
ej0
j
j
1
1
0
0
j2 sen 0
1re
z
1+re
z
b0
p1 p2
c
2005-2006
P. Alvarado
b0
p1 p2
pn+1
p2n+1 u(n)
1
b0 (n + 1)pn u(n)
n
b0 r
sen 0
3.7 Problemas
3.7
Problemas
Problema 3.1. Grafique las siguientes funciones e indique cualitativamente que regiones
de convergencia (ROC) tiene su transformada z:
3. x(n) = u(n 2)
6. x(n) = ur (n + 5)u(n 5)
1. x(n) = sen(n)u(n)
Problema 3.2. Encuentre las regiones del plano z donde las siguientes series convergen:
n+2
X
1
1.
z n
3
n=2
2.
X
1 + (1)n
n=0
3.
n+2
X
1
n=2
zn
|n|
X
1
4.
cos
n zn
3
4
n=
z n
u(n 2)
4n
c
2005-2006
P. Alvarado
127
1.
2.
z 1 1 12 z 1
1 13 z 1 1 14 z 1
3.
z 2 (1 z 1 )
1 14 z 1 1 + 41 z 1
(1 z 1 ) (1 2z 1 )
(1 3z 1 ) (1 4z 1 )
3. una se
nal derecha?
2. una se
nal izquierda?
4. una se
nal bilateral?
1 14 z 2
1 + 14 z 2 1 + 45 z 1 + 38 z 2
1 13 z 1
,
(1 z 1 )(1 + 2z 1 )
c
2005-2006
P. Alvarado
3.7 Problemas
1 + z 1
1 + 13 z 1
para ROC: |z| > 1/3 y para ROC: |z| < 1/3.
Problema 3.14. Encuentre la transformada inversa de
X(z) =
1 13 z 1
(1 z 1 )(1 + 2z 1 )
para todas las posibles regiones de convergencia por medio de descomposicion en fracciones
parciales.
Problema 3.15. Encuentre la transformada z inversa de
1 256 z 8
X(z) =
, ROC: |z| > 0
256 1 12 z 1
Problema 3.16. Para la ventana rectangular
(
1 0nk
x(n) =
0 en el resto
sea
g(n) = x(n) x(n 1)
1. Encuentre una expresion para g(n) y su transformada z.
2. Encuentre la transformada z de x(n) considerando que
x(n) =
n
X
g(k)
k=
2.
z 1
1 43 z 1 + 12 z 2
1 12 z 1 1 31 z 1
z 12
z 2 + 21 z
3
16
c
2005-2006
P. Alvarado
129
3.
z+1
z + 21 z 2 32 z 3
4
3
Problema 3.20. Un sistema de entrada x(n) y salida y(n) se rige por la ecuacion de
diferencias:
y(n 1) + 2y(n) = x(n)
1. Determine la respuesta de entrada cero al sistema si su condicion 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)
130
c
2005-2006
P. Alvarado
Captulo 4
Ortogonalidad y Series de Fourier
El adjetivo ortogonal proviene del griego orthos (recto) y gonia (angulo). Este denota
entonces la perpendicularidad entre dos elementos: dos calles que se cruzan en un angulo
recto presentan una configuracion ortogonal. La ortogonalidad es un concepto fundamental para la comprension del analisis de funciones por medio de las transformadas de
Fourier, Laplace y la transformada z. Este captulo introduce el concepto en cuestion a
partir de un contexto usualmente mas familiar: la ortogonalidad de vectores. Para mas
informacion sobre la terminologa matematica puede consultarse [18, 1].
4.1
Espacios vectoriales
4.1.1
Combinaciones lineales
c
2005-2006
P. Alvarado
Un conjunto de vectores U = {u1 , u2 , . . . , un } V se dice ser un conjunto ligado o linealmente dependiente si al menos uno de ellos es una combinacion lineal de los demas. Se
denomina conjunto libre o linealmente independiente cuando los u
nicos escalares c1 , . . . , cn
para los que se cumple c1 u1 + c2 u2 + . . . + cn un = 0 son c1 = . . . = cn = 0. Se cumple
ademas que
un conjunto que contiene un solo vector no nulo es libre,
el vector neutro 0 no forma parte de ning
un sistema libre,
todo subconjunto de un sistema libre es tambien libre,
el n
umero maximo de vectores de un sistema libre es igual al n
umero de componentes
que tienen dichos vectores.
Un espacio se dice engendrado por el conjunto de vectores U = {u1 , u2 , . . . , un } V si
contiene todas las combinaciones lineales de los vectores de U, al que se denomina entonces
conjunto generador del espacio. A cada elemento del conjunto U se le denomina en este
contexto vector generador . Este espacio no vara si
se multiplica cualquier vector generador por un escalar no nulo,
se suma un generador con otro,
si se suprimen los generadores que son una combinacion lineal de los demas.
4.1.2
Subespacios y bases
Cualquier subconjunto W del espacio vectorial V que es cerrado ante las operaciones
vectoriales aditivas y de multiplicacion escalar se denomina subespacio de V. Se puede
apreciar que un subespacio de V es a su vez un espacio vectorial sobre el mismo cuerpo IF
del espacio vectorial original. Ejemplos de subespacios del espacio vectorial tridimensional
IR3 son por ejemplo todos los planos que pasan por el origen [0, 0, 0]T , si se utilizan las
definiciones convencionales de adicion y multiplicacion.
Los subespacios tienen las siguientes propiedades:
Todo espacio vectorial V tiene dos subespacios: el mismo V y {0}.
La interseccion W1 W2 de dos subespacios vectoriales W1 y W2 del mismo espacio
vectorial V es a su vez un subespacio vectorial.
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
133
4.2
Espacios de Hilbert
x, y V, x, y = y, x . (Simetra conjugada).
a IF, x, y V, x, ay = a x, y ;
a IF, x, y V, ax, y = a x, y
x, y, z V, x + y, z = hx, zi + y, z
1
N
otese que en este contexto el concepto de producto escalar es diferente a la multiplicacion escalar
utilizada en la definici
on de espacio vectorial. Para evitar confusiones se preferira aqu el uso del termino
producto interno sobre producto escalar .
134
c
2005-2006
P. Alvarado
p
hx, xi
(4.1)
producto interno x, y es 0. Ademas, el angulo entre los dos vectores se define indirectamente por medio de la ecuacion
x, y
cos (x, y) =
.
(4.2)
kxkkyk
con lo que se deduce entonces que la magnitud del angulo entre dos vectores ortogonales
es de /2, puesto que el coseno del angulo entre ellos es cero.
Si U = {u1 , u2 , . . . , un } V es una base de V y cualesquiera dos vectores ui y uk (i 6= k)
son ortogonales entre s, se dice que U es una base ortogonal de V. Si ademas se cumple
que la norma de todos los vectores generadores kui k es uno, entonces a U se le denomina
una base ortonormal .
Ejemplo 4.1 Si U es una base ortogonal de V, como se pueden calcular los coeficientes
para representar un vector x V en dicha base? Si U es una base ortogonal de V se
cumple para todo vector x V
n
X
x=
ci ui
(4.3)
i=1
i=1
i=1
= ck kuk k
huk , xi
kuk k2
(4.4)
4.1
c
2005-2006
P. Alvarado
135
4.3
Ortogonalidad de vectores
Para un n
umero entero positivo n, el espacio euclideano de n dimensiones se define como
el espacio de Hilbert de n-dimensiones sobre IR en el que ademas se define la funcion de
distancia d2 para dos puntos x = [x1 , . . . , xn ]T y y = [y1 , . . . , yn ]T como
v
u n
uX
d2 (x, y) = t (xi yi )2
i=1
x, y = x y =
n
X
xi yi .
(4.5)
i=1
kxk = hx, xi = x x = t
|xi |2 .
i=1
136
c
2005-2006
P. Alvarado
Ejemplo 4.2 Dado un vector x = [cos(), sen()]T en un espacio euclidiano bidimensional, encuentre otro vector de magnitud 1 ortogonal y demuestre que su producto interno
es cero.
Un vector ortogonal a x = [cos(), sen()]T forma un angulo de 90 con el. La figura 4.1
muestra una solucion grafica: el vector x = [ sen(), cos()]T es perpendicular a x.
cos()
x=
sen()
sen()
cos()
sen()
cos()
La misma conclusion puede obtenerse utilizando identidades trigonometricas en la expresion [cos( + 2 ), sen( + 2 )]T .
El producto hx, x i se calcula entonces como
sen()
= cos() sen() + cos() sen() = 0
hx, x i = [cos(), sen()]
cos()
4.2
c
2005-2006
P. Alvarado
137
a2
a2
u2
u2
a1
u1
u1
a1
ai
a1
a1
a2
a2
4.4
Ortogonalidad de funciones
x, y =
n2
X
x(i)y(i)
(4.7)
i=n1
138
c
2005-2006
P. Alvarado
donde n1 y n2 puede ser infinitas (n1 n2 ), expresion que generaliza al producto punto
definido anteriormente en (4.5).
A partir de esta representacion resulta una consecuencia natural eliminar la restriccion
de los ndices de ser n
umeros enteros, y generalizar el concepto de vectores a funciones.
El espacio vectorial se transforma entonces en un espacio funcional , donde todas los
conceptos introducidos anteriormente siguen siendo validos si las propiedades basicas se
mantienen.
Por ejemplo, el producto interno de dos funciones definidas en un intervalo (a, b) se generaliza entonces transformando la sumatoria (4.7) en la siguiente integral
Z b
hx(t), y(t)i =
x(t)y(t) dt
(4.8)
a
con lo que se concluye que dos funciones son ortogonales en el intervalo (a, b) si (4.8) es
cero.
La norma de la funcion se define utilizando la ecuacion (4.8), de igual forma que se hizo
para los vectores con la ecuacion (4.1):
s
Z b
p
kx(t)k = hx(t), x(t)i =
|x(t)|2 dt
(4.9)
a
Con estas definiciones se puede incluso tomar el concepto de angulo entre vectores (ecuacion
(4.2)) y generalizarlo como angulo entre funciones:
cos ((x(t), y(t))) =
hx(t), y(t)i
kx(t)kky(t)k
con lo que se puede afirmar que el angulo entre dos funciones ortogonales es /2.
4.5
4.5.1
Series de Fourier
Series generalizadas de Fourier
n2
X
ci ui (t)
(4.10)
i=n1
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
139
uk (t),
n2
X
+
ci ui (t)
i=n1
=
=
n2
X
i=n1
n2
X
i=n1
(4.11)
Una conclusion importante de (4.11) es que si se utiliza una base ortogonal para la aproximacion de una funcion, el valor optimo para los coeficientes depende tan solo de la funcion
generadora correspondiente al coeficiente a calcular y de la funcion que se desea aproximar. Estos coeficientes no dependen ni del n
umero de funciones en la base funcional, ni
de la forma u otra caracterstica de otras funciones generadoras.
Si la base funcional {uk (t)}, k Z es completa, es decir, si la aproximacion de la funcion
x(t) con la serie infinita converge a la funcion:
x(t) =
ck uk (t)
k=
con las funciones generadoras uk (t) ortogonales y los coeficientes ck calculados con (4.11),
entonces a la expansion en serie se le denomina serie generalizada de Fourier..
4.5.2
Series de Fourier
c
2005-2006
P. Alvarado
kZ
t0 +Tp
ui (t)uk (t) dt
t0
Z t0 +Tp
ej0 it ej0 kt
dt =
t0
t0 +Tp
t0 +Tp
ej0 it ej0 kt dt
t0
ej0 (ki)t dt
(4.12)
t0
t0 +Tp
j0 0x
Z
dt =
t0 +Tp
1 dt = Tp
(4.13)
y para k 6= i
t0 +Tp
ej0 (ki)t0 ej0 (ki)Tp 1
ej0 (ki)t
=
.
hui (t), uk (t)i =
j0 (k i) t0
j0 (k i)
(4.14)
j kt
R t+Tp j kt
e 0 , x(t)
e 0 x(t) dt
huk (t), x(t)i
t
=
=
=
kuk (t)k2
kej0 kt k2
kej0 kt k2
= ck
c
2005-2006
P. Alvarado
141
ck ej0 kt =
k=
1
X
k=
ck ej0 kt + c0 +
k=1
= c0 +
ck ej0 kt + c0 +
ck ej0 kt = c0 +
2 Re{ck ej0 kt } = c0 +
k=1
= c0 +
ck ej0 kt
k=1
X
k=1
ck ej0 kt + ck ej0 kt
k=1
k=1
2|ck | cos (0 kt + k )
(4.16)
k=1
Existe una tercera representacion de la serie de Fourier para funciones reales x(t), que se
obtiene de (4.16) utilizando la identidad trigonometrica cos(+) = cos cos sen sen :
x(t) = a0 +
k=1
(4.17)
x=t
Sin embargo, estas condiciones son suficientes, mas no siempre necesarias; es decir, existen
funciones con representaciones validas en series de Fourier que no satisfacen las condiciones
de Dirichlet.
142
c
2005-2006
P. Alvarado
4.6 Problemas
4.6
Problemas
Problema 4.1. Encuentre tres vectores ortonormales en el espacio euclidiano tridimensional y compruebe que el producto punto entre cualquier par de vectores es cero.
Problema 4.2. Sean ui (t) funciones de variable y valor complejos, ortogonales en el
intervalo [x1 , x2 ]. Si la representacion rectangular de dichas funciones se expresa como
ui (t) = ri (t) + jqi (t) demuestre que se cumple
Z x2
Z x2
ri (t)rk (t) dt =
qi (t)qk (t) dt
x1
x1
Z x2
Z x2
ri (t)qk (t) dt =
qi (t)rk (t) dt
x1
x1
para todo i 6= k.
Problema 4.3.
x2
|x(t) xn (t)|2 dt
x1
demuestre que para funciones y coeficientes complejos los coeficientes definidos en (4.11)
minimizan la funcion de error. (Sugerencia: Exprese ci en coordenadas rectangulares
como ci = ai + jbi , y utilice los resultados del problema 4.2.)
c
2005-2006
P. Alvarado
143
144
c
2005-2006
P. Alvarado
Captulo 5
An
alisis frecuencial
El captulo 4 derivo la descomposicion de una funcion periodica en componentes sinusoidales (o exponenciales complejos). La importancia de esta descomposicion 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 analisis frecuencial proporciona entonces mecanismos para la extraccion de esas componentes. El termino espectro se utiliza para referirse al contenido de frecuencias de una
se
nal. En la practica, puesto que no se conoce toda la se
nal en su extension infinita, pasada y futura, debe utilizarse la estimacion espectral , para la que se utilizan instrumentos
y algoritmos denominados analizadores espectrales.
5.1
5.1.1
Espectro de se
nales continuas
Espectro de se
nales continuas peri
odicas
Las se
nales continuas periodicas se analizan, como ya se describio en el captulo anterior,
por medio de la serie de Fourier. Para la sntesis de la se
nal se utiliza
x(t) =
ck ej0 kt
k=
y para el analisis:
1
ck =
Tp
t0 +Tp
x(t)ej0 kt dt
t0
145
5 Analisis frecuencial
Si la se
nal periodica tiene potencia media finita Px entonces
Z t0 +Tp
1
Px =
|x(t)|2 dt
Tp t0
y puesto que |x(t)|2 = x(t)x(t) se cumple que
Z t0 +Tp
1
|x(t)| dt =
x(t)x(t) dt
Tp t0
t0
Z t0 +Tp
X
1
=
ck ej0 kt dt
x(t)
Tp t0
k=
Z t0 +Tp
X
1
j0 kt
ck
dt
x(t)e
=
T
p t0
k=
1
Px =
Tp
t0 +Tp
ck ck =
k=
|ck |2
k=
A sen(kF0 )
.
Tp kF0
c
2005-2006
P. Alvarado
5.1 Espectro de se
nales continuas
ck
Tp
Tp
t
-15
-10
-5
(a)
10
15
(b)
ck
ck
k
-15
-10
-5
10
15
-30
-25
-20
-15
-10
(c)
-5
10
15
20
25
30
(d)
5.1.2
Espectro de se
nales continuas aperi
odicas
c
2005-2006
P. Alvarado
147
5 Analisis frecuencial
Tp /2
x(t)ej2F0 kt dt .
(5.1)
Tp /2
x(t)ej2F t dt
X(F ) =
(5.2)
y esta relacionada directamente por lo tanto con los coeficientes de la serie a traves de
X(F ) = lim Tp ck
Tp
Puede demostrarse ademas [1] que la transformada inversa de Fourier esta dada por:
Z
X(F )ej2F t dF
x(t) =
o con d = 2dF
1
x(t) =
2
X()ejt d .
Si x(t) es una se
nal de extension finita entonces existe una extension periodica xp (t) de
periodo Tp mayor a la extension de x(t), como lo muestra la figura 5.2. En este caso se
pueden comparar las ecuaciones (5.1) y (5.2) y se obtiene que
ck =
1
X(kF0 )
Tp
c
2005-2006
P. Alvarado
5.1 Espectro de se
nales continuas
x(t)
t
(a)
xp (t)
Tp
Tp
(b)
excepto que la se
nal debe ser ahora absolutamente integrable en todo t y no solo en un
periodo:
Z
|x(t)|dt <
|x(t)| ej2F t dt =
|x(t)| dt <
(
A |t| /2
0
c
2005-2006
P. Alvarado
|t| > /2
Uso exclusivo ITCR
149
5 Analisis frecuencial
/2
Aej2F t dt =
X(F ) =
/2
x(t)
X(F )
A sen F
F
(a)
(b)
Notese que mientras x(t) sea mas localizada en el tiempo, es decir, mientras mas peque
no
sea , mucho mas 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 precision en el dominio de la frecuencia, y algo con
frecuencias muy puntuales no tiene una ubicacion especfica en el tiempo.
5.2
Espectro de se
nales en tiempo discreto
5.2.1
Espectro de se
nales discretas peri
odicas
Una se
nal discreta periodica con periodo fundamental N puede tener componentes frecuenciales separadas por = 2/N radianes o f = 1/N ciclos, que se representan por los
150
c
2005-2006
P. Alvarado
5.2 Espectro de se
nales en tiempo discreto
k = 0...N 1
N
1
X
ck ej2kn/N
(5.3)
k=0
y considerando que
N
a=1
an = 1 aN
a 6= 1
n=0
1a
se puede afirmar para las exponenciales complejas
(
N
1
X
N k = 0, N, 2N, . . .
ej2kn/N =
0 en el resto
n=0
N
1
X
j2ln/N
x(n)e
n=0
N
1 N
1
X
X
ck ej2kn/N ej2ln/N
n=0 k=0
N
1
X
N
1
X
ck
k=0
ej2(kl)n/N
n=0
= N cl
y finalmente
N 1
1 X
cl =
x(n)ej2ln/N ,
N n=0
l = 0, 1, . . . , N 1
Notese que en esta serie de Fourier en tiempo discreto (DTFS, discrete time Fourier
series) el coeficiente ck representa la amplitud y fase de la componente frecuencial sk (n) =
ej2kn/N = ejk n con frecuencia angular normalizada k = 2k/N (o lo que es equivalente
fk = k/N ). Puesto que sk (n) es periodica al ser fk un n
umero racional (sk (n) = sk (n+N )),
entonces los coeficientes ck tambien son periodicos con periodo fundamental N :
ck+N =
N 1
1 X
1
x(n)ej2(k+N )n/N = ej2kn/N = ck
N n=0
N
c
2005-2006
P. Alvarado
151
5 Analisis frecuencial
5.2.2
Espectro de se
nales discretas aperi
odicas
X() =
x(n)ejn
n=
X
X
|X()| =
x(n)ejn
|x(n)| <
n=
n=
es decir, si la se
nal es absolutamente sumable.
La relacion de Parseval en este caso es:
1
Ex =
|x(n)| =
2
n=
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 simetra.
152
c
2005-2006
P. Alvarado
5.2 Espectro de se
nales en tiempo discreto
5.2.3
Relaci
on de la transformada de Fourier con la transformada z
x(n)z n ,
(5.4)
n=
Expresando z como z = rej (r = |z|, = z), entonces (5.4) se puede reescribir como
X(z)|z=rej
X
x(n)rn ejn
=
n=
X
X(z)|z=ej = X() =
x(n)ejn
n=
c
2005-2006
P. Alvarado
153
5 Analisis frecuencial
|X(z)|
|X(z)|
0
Im{z}
0
Im{z}
0.5
0.5
0
1
0.5
0
1
Re{z}
0.5
1
(a)
Re{z}
(b)
Figura 5.4: Correspondencia entre X() y X(z). (a) |X(z)|. (b) |X(z)| para |z| < 1.
ej
ej/2
1
j
2 ;
=
=
e
ej 1
ej/2 ej/2
2 sen(/2)
c
2005-2006
P. Alvarado
6= 2k, k Z
Borrador: 20 de abril de 2006
5.2 Espectro de se
nales en tiempo discreto
|X1 ()|3.5
6
X1 ()
2.5
1.5
0.5
(a)
(b)
Figura 5.5: Espectros de magnitud y fase para la funcion escalon u(n). (a) Espectro de magnitud. (b) Espectro de fase.
2. X2 (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
3. X3 (z) =
1 ej cos 0
X3 () =
(1 ej(0 ) )(1 ej(+0 ) )
con 6= 0 + 2k (figura 5.7).
5.3
c
2005-2006
P. Alvarado
155
5 Analisis frecuencial
|X2 ()|3.5
X2 ()
6
2.5
1.5
0.5
(a)
(b)
Figura 5.6: Espectros de magnitud y fase para la funcion (1)n u(n). (a) Espectro de magnitud. (b) Espectro de fase.
3.5
|X3 ()|
6
X3 ()
2.5
1.5
0.5
(a)
(b)
Figura 5.7: Espectros de magnitud y fase para la funcion cos(n/3). (a) Espectro de magnitud.
(b) Espectro de fase.
5.2.4
x(n)ejn ,
] , ]
n=
c
2005-2006
P. Alvarado
5.2 Espectro de se
nales en tiempo discreto
maxima de la se
nal (figura 5.8).
X()
21
1
2
Fs
F2s
Fs
2
Fs
f
F
x(n) = xa (nT ),
j2F t
xa (t)e
Xa (F ) =
Xa (F )ej2F t dF
dt xa (t) =
X(f ) =
j2f n
x(n)e
Z
x(n) =
1
2
X(f )ej2f n df
21
n=
n
Fs
x(n) = xa (nT ) =
j2nF/Fs
Xa (F )e
1/2
dF =
X(f )ej2f n df
1/2
c
2005-2006
P. Alvarado
157
5 Analisis frecuencial
1
Fs
Fs /2
j2nF/Fs
X(F/Fs )e
Xa (F )ej2nF/Fs dF
dF =
Fs /2
Z
X
j2nF/Fs
Xa (F )e
dF =
(k+1/2)Fs
Xa (F )ej2nF/Fs dF
(k1/2)Fs
k=
(k+1/2)Fs
j2nF/Fs
Xa (F )e
Fs /2
Xa (F 0 + kFs )ej2n
dF =
F 0 +kFs
Fs
dF 0
Fs /2
(k1/2)Fs
Fs /2
Xa (F + kFs )ej2nF/Fs dF
=
Fs /2
por lo que
1
Fs
Fs /2
X
Fs /2
F
Fs
j2nF/Fs
dF =
Z
X
Xa (F + kFs )ej2nF/Fs dF
Fs /2
k=
Fs /2
Fs /2
"
=
Fs /2
es decir
X
F
Fs
= X(f ) = Fs
#
Xa (F + kFs ) ej2nF/Fs dF
k=
Xa ((f k)Fs )
k=
c
2005-2006
P. Alvarado
5.2 Espectro de se
nales en tiempo discreto
xa (t)
Xa (F )
x(n)
(a)
F
Fs
n
T
Fs
(b)
x(n)
Fs =
B
X
F
Fs
Fs
(c)
n
T
1
T
Fs
Figura 5.9: Se
nal anal
ogica de espectro finito 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.
1X F
|F | Fs /2
Fs
Xa (F ) = Fs
0
|F | > Fs /2
y puesto que
X
F
Fs
=
x(n)ej2F n/Fs
n=
y ademas
Z
Fs /2
xa (t) =
Xa (F )ej2F t dF
Fs /2
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
159
5 Analisis frecuencial
se tiene que
1
xa (t) =
Fs
Fs /2
"
Fs /2
#
x(n)ej2F n/Fs ej2F t dF
n=
Z Fs /2
n
1 X
=
x(n)
ej2F (t Fs ) dF
Fs n=
Fs /2
y puesto que
Fs /2
jFs (t Fn )
jFs (t Fn )
)
s
s
s
e
e
e
j2F (t Fn )
s dF =
=
e
Fs /2
j2 t Fns
j2 t Fns
Fs /2
sen Fs t Fns
Fs sen Fs t Fns
=
=
n
n
t Fs
Fs t Fs
n
= Fs sa Fs t
Fs
j2F (t Fn
Fs /2
entonces
n
xa (t) =
x(n) sa Fs t
Fs
n=
=
xa (nT ) sa (Fs [t nT ])
n=
t
= sa
T
.
(5.5)
c
2005-2006
P. Alvarado
x(n), xa (t)
4
n, t
0
-1
-1
-2
Figura 5.10: Ejemplo de iterpolacion ideal para una secuencia de muestras finita.
5.3
[xoR (n)
+ jxoI (n)]
jxeI (n)]
= [xeR (n) +
x(n)
Desplazamiento temporal:
x(n) X() x(n k) ejk X()
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
161
5 Analisis frecuencial
Reflexi
on temporal:
x(n) X() x(n) X()
Teorema de la Convoluci
on:
x1 (n) X1 (), x2 (n) X2 ()
x1 (n) x2 (n) X1 ()X2 ()
Teorema de la Correlaci
on:
x1 (n) X1 (), x2 (n) X2 ()
rx1 x2 (n) Sx1 x2 () = X1 ()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
{X( + 0 ) + X( 0 )}
2
Teorema de Parseval:
x1 (n) X1 (), x2 (n) X2 ()
Z
X
1
X1 ()X2 ()d
x1 (n)x2 (n) =
2
n=
Demostracion:
1
2
X1 ()X2 ()d =
1
2
x1 (n)ejn X2 ()d
n=
1
=
x1 (n)
2
n=
X2 ()ejn d
x1 (n)x2 (n)
n=
162
c
2005-2006
P. Alvarado
X
1
1
2
2
|X()| d =
Sxx ()d
Ex =
|x(n)| =
2
2
n=
Teorema del enventanado (multiplicaci
on de secuencias):
x1 (n) X1 (), x2 (n) X2 ()
Z
1
x3 (n) = x1 (n)x2 (n) X3 () =
X1 ()X2 ( )d = X1 () X2 ()
2
donde el smbolo a la derecha, denota la convolucion periodica en el dominio de la
frecuencia.
Diferenciaci
on en el dominio de la frecuencia:
x(n) X() nx(n) j
5.4
5.4.1
dX()
d
X
y(n) =
h(k)x(n k)
k=
X
X
y(n) =
h(k)Aej(nk) = Aejn
h(k)ejk = AH()ejn
k=
k=
n=
|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()|ejH() entonces es claro que la magnitud
cambia de acuerdo a |H()| y la fase de acuerdo a H().
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
163
5 Analisis frecuencial
Puesto que h(n) es discreta, entonces H() h(n) es periodica y se cumple entonces:
1
h(n) =
2
H()ejn d
Ademas, por las propiedades de simetra, si h(n) es real, entonces H() = H(), lo que
implica que |H()| = |H()| (simetra par), H() = H() (impar), Re{H()} =
Re{H()} (par), Im{H()} = Im{H()} (simetra impar).
A H() se le denomina respuesta en frecuencia del sistema. Esta funcion determina la
amplitud y fase para cada se
nal exponencial compleja de entrada. Ademas, 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), sera:
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())
y(n) =
0<a<1
a, b IR
1. Determine H()
2. Elija b de tal modo que |H()| sea a lo sumo 1 y grafique |H()| y H() para
a = 0,9
3. Determine la salida para x(n) = 5 + 12 sen( 2 n) 20 cos n +
164
c
2005-2006
P. Alvarado
Y (z)
X(z)
b
1az 1
b
1 aej
|b|
|b|
|b|
=
=p
|H()| =
j
|1 ae |
|1 a(cos j sen )|
(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
H() =
|b|
|b|
|b| = 1 a
=
1a
1 2a + a2
1.2
()
3.14159
0.8
1.5708
0.6
0.4
0.785398
1.5708
2.35619
3.14159
0.2
-1.5708
0
0
1.5708
3.14159
-3.14159
-0.2
(a)
(b)
c
2005-2006
P. Alvarado
165
5 Analisis frecuencial
entonces
h
i
h
i
20|H()| cos n + + H()
y(n) = 5 + 12 H
sen n + H
2
2
2
4
= 5 + 0,888 sen
n 42 1,06 cos n +
2
4
5.4
5.4.2
Respuesta transitoria y en r
egimen permanente a entradas
sinusoidales
La seccion anterior analizo 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 regimen permanente, y no hay respuesta transitoria.
Todo sistema LTI estable BIBO excitado por una se
nal exponencial compleja en n = 0
u otro tiempo finito, tendra una respuesta transitoria que tiende a cero a medida que n
tiende a infinito.
Ejemplo 5.5 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 seccion 2.4.2 se demostro que la respuesta de este sistema con condiciones iniciales
no nulas es:
n
X
ak x(n k), n 0
y(n) = an+1 y(1) +
k=0
jn
Sustituyendo x(n) = Ae
u(n) se obtiene:
n
X
ak ej(nk)
k=0
"
n
X
#
ak ejk ejn
k=0
1 an+1 ej(n+1) jn
e
1 aej
an+1 ej(n+1) jn
ejn
= an+1 y(1) A
e
+
A
1 aej
1 aej
= an+1 y(1) + A
166
c
2005-2006
P. Alvarado
A
ejn
1 aej
5.4.3
5.5
Respuesta en r
egimen permanente a se
nales de entrada
peri
odicas
N
1
X
ck ej2k N
k=0
n
j2k N
es:
n
2
yk (n) = ck H
k ej2k N
N
5.4.4
Respuesta a se
nales de entrada aperi
odicas
c
2005-2006
P. Alvarado
167
5 Analisis frecuencial
5.4.5
h(n)ejn
n=
B(z)
,
A(z)
entonces:
PM
QM
j
jk
)
b
e
B()
k
k=1 (1 zk e
k=0
H() =
=
=
b
P
Q
0
N
N
jk
j
A()
1 + k=1 ak e
)
k=1 (1 pk e
con los coeficientes reales {ak } y {bk }, y los ceros {zk } y polos {pk } que pueden ser
complejos. Como h(n) es real, entonces H() = H() y as:
|H()|2 = H()H() = H()H() = H(z)H(z 1 )z=ej = Z {rhh (n)} |z=ej (5.6)
168
c
2005-2006
P. Alvarado
c(n) =
a(k)a(k + n),
N n N, a(k) = ak
b(k)b(k + n),
M n M, b(k) = bk
k=0
M |n|
d(n) =
X
k=0
P
jk
que corresponden a la autocorrelacion de a(n) y b(n). Puesto que A() = N
k=0 a(k)e
PN
y B() = k=0 b(k)ejk , ck = ck y dk = dk :
P
d0 + 2 M
dk cos k
2
|H()| =
Pk=1
N
c0 + 2 k=1 ck cos k
Pk
donde con cos k = m=0 m (cos )m , entonces |H()|2 es una funcion racional de polinomios de cos .
5.4.6
C
alculo de la respuesta en frecuencia
V1 () . . . VM ()
U1 () . . . UM ()
H() = b0 + (N M ) + 1 () + . . . + M () [1 () + . . . + N ()]
Notese que (ej pk ) puede interpretarse geometricamente como el fasor que va del polo
pk al punto ej que se encuentra en la circunferencia unitaria con el angulo . El mismo
concepto se aplica a los ceros.
La respuesta en frecuencia H() se hara muy peque
na si z = ej pasa cerca de un cero,
o se hara muy grande si pasa cerca de un polo.
Notese que si la magnitud de H() se expresa en decibelios, entonces:
|H()|dB = 20 log10 |b0 | + 20
M
X
log10 Vk () 20
k=1
c
2005-2006
P. Alvarado
N
X
log10 Uk ()
k=1
169
5 Analisis frecuencial
ej pk
Im{z}
ej
pk
Re{z}
Figura 5.12: Interpretacion geometrica del factor ej pk .
5.5
5.5.1
Filtros ideales
c
2005-2006
P. Alvarado
|H()|
|H()|
Paso Bajo
Paso Alto
|H()|
Paso Banda
|H()|
Supresor de Banda
Paso Todo
d()
,
d
() = H()
se le denomina retardo de envolvente o retardo de grupo del filtro. En el caso de los filtros
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 traves del sistema. Entonces, en los filtros ideales todas las componentes se retrasan.
Los filtros ideales no son realizables. Por ejemplo, la respuesta impulsional del filtro paso
bajo es:
sen(c n)
hlp (n) =
, < n <
n
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
171
5 Analisis frecuencial
5.5.2
En el dise
no de filtros 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 filtros paso alto.
Ejemplo 5.6 Dise
ne un filtro 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:
PM
H(z) =
1+
k
k=0 bk z
P
N
k
k=0 ak z
QM
k=1
= b0 Q N
k=1
(1 zk z 1 )
(1 pk z 1 )
b0
b0
b0
=
H1 () =
1
1
1 p1 z
1 0,9z
1 0,9ej
b0
0,1
b0 = 0,1, H() =
0,1
1,9
= 0,0526.
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
y H2 (0) = b0 1+1
= 20b0 b0 =
0,1
1
, H2 ()
20
=0
5.6
172
c
2005-2006
P. Alvarado
1.2
|H1 ()|
|H2 ()|
0.8
0.6
0.4
0.2
0
-3.14159
-1.5708
1.5708
3.14159
-0.2
Figura 5.14: Respuesta en magnitud de (1) filtro paso bajo de un polo, (2) filtro paso bajo de un
polo y un cero; H1 (z) = (1a)/(1az 1 ), H2 (z) = [(1a)/2][(1+z 1 )/(1az 1 )]
y a = 0,9.
Reflejando los polos y ceros con respecto al eje imaginario, se obtienen filtros paso alto:
H1 () =
b0
,
1 + 0,9ej
H2 () =
b0 (1 ej )
1 + 0,9ej
Para filtros 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 5.7 Dise
ne un filtro paso
banda
de segundo
orden con banda de paso en = 2 ,
con |H(0)| = |H()| = 0, H( 4
) = 12 , H( 2 ) = 1.
9
Soluci
on: Los polos deben estar en p1,2 = rej 2 = rj, 0 < r < 1, y los ceros en z1 = 1
y z2 = 1, por lo que:
e2j 1
(z 1)(z + 1)
z2 1
H()
=
b
H(z) = b0
= b0 2
0
(z jr)(z + jr)
z + r2
e2j + r2
1 r2
2 !
2
=
1
b
=
=
1
b
= b0
H
0
0
2
1 r2
1 r2
2
2
8
2
2 2 cos 9
1
H 4 = 1 r
=!
8
4
2
9
2
2
1 + r + 2r cos 9
La solucion resulta en r2 = 0,7 (figura 5.16).
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
173
5 Analisis frecuencial
1.2
|H1 ()|
|H2 ()|
0.8
0.6
0.4
0.2
0
-3.14159
-1.5708
1.5708
3.14159
-0.2
Figura 5.15: Respuesta en magnitud de un filtro paso alto H1 (z) = (1a)/(1+az 1 ), H2 (z) =
[(1 a)/2][(1 z 1 )/(1 + az 1 )] y a = 0,9.
1.2
|H()|
0.8
0.6
0.4
0.2
0
-3.14159
-1.5708
1.5708
3.14159
-0.2
Figura 5.16: Respuesta en magnitud de filtro paso banda; 0,15[(1 z 2 )/(1 + 0,7z 2 )].
5.7
Otra manera de convertir un filtro paso bajos en uno paso altos es aplicar el desplazamiento
174
c
2005-2006
P. Alvarado
N
X
ak y(n k) +
k=1
PM
jk
k=0 bk e
P
jk
+ N
k=1 ak e
M
X
bk x(n k)
k=0
Hhp () =
k
jk
k=0 (1) bk e
P
k
jk
1+ N
k=1 (1) ak e
que equivale a:
y(n) =
N
X
(1) ak y(n k) +
(1)k bk x(n k)
k=0
k=1
5.5.3
M
X
Resonadores digitales
Un resonador digital es un filtro paso banda con un par de polos complejos conjugados,
que determinan con su posicion angular la frecuencia de resonancia del filtro y con un
maximo de dos ceros que se sit
uan en el origen o en z = 1 (figura 5.17).
Para el caso con los ceros en el origen, se obtiene como funcion 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
(1
b0
j
j
re 0 e 0 )(1
b0
(1 r) 1 + r2 2r cos 20
b0
(1 r)(1 rej20 )
p
= 1 b0 = (1 r) 1 + r2 2r cos 20
rej0 ej0 )
c
2005-2006
P. Alvarado
175
5 Analisis frecuencial
|H()|
r = 0,8
r = 0,95
H()
r = 0,8
r = 0,95
0.8
4
0.6
0
0
r
0.4
0.2
, (1 p2 z 1 ) = (1 rej0 z ) = U2 ()ej2 ()
(1 rej0 z ) = U1 ()e
U1 () =
1 + r2 2r cos( 0 ),
U2 () =
p
1 + r2 2r cos( + 0 )
3
2.5
2
r 1.5
1
0.5
0
1
0.8
0.6
2.5
2
0.4
1.5
1
0.2
0
0.5
c
2005-2006
P. Alvarado
(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
r = 0,8
r = 0,95
H()
r = 0,8
r = 0,95
0.8
4
0.6
0.4
0.2
5.5.4
Filtros ranura
Un filtro ranura o muesca, es un filtro con uno o mas 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 angulo 0 . Es
decir, z1,2 = ej0 , 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 configuracion 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 funcion de transferencia resultante sera:
H(z) = b0
5.5.5
1 2 cos 0 z 1 + z 2
1 2r cos 0 z 1 + r2 z 2
Filtros peine
Un filtro peine puede verse como un filtro ranura en el que los nulos aparecen periodicamente
en toda la banda de frecuencias. Se utilizan por ejemplo en el rechazo de armonicos en
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
177
5 Analisis frecuencial
1.2
|H()|
0.8
0.6
0.4
0.2
0
-3.14159
-1.5708
1.5708
3.14159
-0.2
|H1 ()|
|H2 ()|
0.8
0.6
0.4
0.2
0
-3.14159
-1.5708
1.5708
3.14159
-0.2
c
2005-2006
P. Alvarado
1 X
y(n) =
x(n k)
M + 1 k=0
con funcion de transferencia
M
H(z) =
1 X k 1 z (M +1)
z =
M + 1 k=0
1 z 1
y respuesta de frecuencia
M
M +1
2
ej 2 sen
H() =
M + 1 sen
2k
0
-3
-2
-1
Otra manera de generar filtros peine es a partir de cualquier filtro FIR con al menos un cero
P
k
en cierta frecuencia 0 . Si este filtro tiene funcion 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 filtro FIR tiene funcion de
transferencia
M
X
HL (z) =
h(k)z kL
k=0
M
X
h(k)ejkL = H(L)
k=0
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
179
5 Analisis frecuencial
+ k 2 .
replacemen
1
2
x(n)
y(n)
1 + z 1
2
ej 2 (e+j 2 + ej 2 )
1 + ej
=
= ej 2 cos
H() =
2
2
2
|H()|
replacemen
H()
0.8
0.6
0.4
0.2
1+z 4
2
(fi-
5.8
c
2005-2006
P. Alvarado
0 +2k
,
L
k =
|H()|
H()
0.8
0.6
0.4
0.2
5.5.6
Un filtro paso todo tiene una respuesta en magnitud constante para todas las frecuencias:
|H()| = 1,
H() = k
Otro caso esta dado por filtros con funciones de transferencia:
N
H(z) = z
X
A(z 1 )
ak z k , a0 = 1 ,
, con el polinomio A(z) =
A(z)
k=0
es decir,
H(z) =
aN + aN 1 z 1 + . . . + a1 z N +1 + z N
1 + a1 z 1 + . . . + aN z N
NR
NC
Y
z 1 k Y
(z 1 k )(z 1 k )
1 k z 1 k=1 (1 k z 1 )(1 k z 1 )
k=1
c
2005-2006
P. Alvarado
181
5 Analisis frecuencial
j
1
p3
1
p1
p3
p1
p2
1
p2
p1
p3
1
p1
1
p3
donde hay NR polos y ceros reales, y NC 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 terminos 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
arctan(x) =
() =
1
1+x2
ap ()
= +1 + 2
1
1+
r2 sen2 ()
(1r cos())2
= +1 + 2
182
c
2005-2006
P. Alvarado
Un sistema pasotodo con varios polos y ceros tendra siempre un retardo de grupo positivo,
por estar conformado el retardo total por la suma de terminos como el anterior, que seran
siempre positivos..
Este tipo de filtros se utilizan como igualadores de fase, colocandolos 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.
5.5.7
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
1
z +
a2 z 2
5.6
Sistemas inversos
c
2005-2006
P. Alvarado
183
5 Analisis frecuencial
(A sen 0 )(n)
z 1
a1
a1 = 2 cos 0
z 1
a2 = 1
a2
teniendo y(n), determinar x(n). Esto ocurre por ejemplo cuando se desea contrarrestar
los efectos de distorsion que produce un canal de transmision de datos. Se desea entonces
dise
nar un sistema que en cascada con el sistema original, produzca la se
nal de entrada.
x(n)
y(n)
T
x(n)
T 1
A este segundo sistema se le denomina sistema inverso y a la operacion que toma y(n) y
produce x(n) se le denomina deconvolucion.
La determinacion del sistema inverso requiere conocimiento sobre la respuesta impulsional
h(n) o la respuesta en frecuencia H(), que se obtienen en un proceso llamado identificacion 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.
5.6.1
c
2005-2006
P. Alvarado
1
H(z)
B(z)
A(z)
HI (z) =
A(z)
B(z)
entonces
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 5.9 Determine el sistema inverso de h(n) = u(n).
H(z) =
1
1 z 1
Ejemplo 5.10 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
hI (n) = u(n 1)
5.10
n
X
h(k)hI (n k) = (n)
(5.7)
k=0
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
185
5 Analisis frecuencial
1
,
h(0)
k=0
n
X
h(k)hI (n k) = 0
k=1
n
X
hI (n) = k=1
h(k)hI (n k)
h(0)
5.6.2
H2 (z) = 2 + z 1
c
2005-2006
P. Alvarado
sen()
+cos
arctan
sen
+ cos
,
sen2
si 0
si 1
si 1
arctan
sen
+cos 0
Hi (z)
3
3
3
3
2
2.5
1.5
2
3
2
2.5
1.5
0.5
(a)
0.5
0
(b)
+
arctan
+cos
(a) Componente
c
2005-2006
P. Alvarado
187
5 Analisis frecuencial
B(z)
A(z)
se denomina de fase mnima si todos sus polos y ceros se encuentran dentro de la circunferencia unitaria, lo que implica ademas que el sistema es estable y causal. Si todos los
ceros estan fuera de |z| = 1, entonces el sistema es de fase maxima. Si solo algunos de los
ceros estan 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(z)
, entonces se deduce de lo anterior que
el inverso de un sistema de fase mnima estable es tambien un sistema de fase mnima
estable. En general, la fase mnima de H(z) asegura la estabilidad de su sistema inverso
H 1 (z), y la estabilidad de H(z) asegura la fase mnima de H 1 (z). Los sistemas de fase
mixta o maxima tienen entonces sistemas inversos inestables.
Descomposici
on de sistemas de polos y ceros de fase no mnima
Cualquier sistema de funcion de transferencia racional y de fase no mnima puede descomponerse en la cascada de un sistema de fase mnima y un filtro pasa todos.
H(z) = Hmin (z)Hap (z)
188
c
2005-2006
P. Alvarado
B1 (z)B2 (z 1 )
,
A(z)
Hap (z) =
B2 (z)
B2 (z 1 )
Notese que Hap (z) es estable puesto que todos los polos de B2 (z 1 ) se encuentran dentro de
la circunferencia unitaria. Ademas, es un filtro paso todo como los descritos anteriormente,
y es de fase maxima al estar todos sus ceros fuera de la circunferencia unitaria.
Este sistema H(z) de fase no mnima tiene el retardo de grupo
g () = gmin () + gap ()
Puesto que gap () 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 mnima.
5.6.3
Identificaci
on de sistemas
Supongase 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
facilmente con
Y (z)
h(n) H(z) =
X(z)
Otro metodo trata directamente la convolucion en el dominio del tiempo, asumiendo que
h(n) es causal:
n
X
y(n) =
h(k)x(n k), n 0
k=0
n1
X
y(0)
x(0)
h(k)x(n k) + h(n)x(0)
k=0
h(n) =
Borrador: 20 de abril de 2006
y(n)
Pn1
h(k)x(n k)
,n 1
x(0)
k=0
c
2005-2006
P. Alvarado
189
5 Analisis frecuencial
h(k)rxx (n k)
k=0
5.7
5.7.1
Toda se
nal aperiodica x(n) de energa finita tiene un espectro contnuo
X() =
x(n)ejn .
n=
X
2
X
k =
x(n)ej2kn/N
k = 0, 1, . . . , N 1
N
n=
donde descomponiendo la sumatoria en subintervalos de N elementos y haciendo un cam190
c
2005-2006
P. Alvarado
|X(k )|
x(n)
1
0
-2
-1
|X(k )|
10
0
-6
-5
-4
-3
-2
-1
(a)
-6
-5
-4
-3
-2
(b)
-1
(c)
Figura 5.30: Se
nal discreta aperi
odica, su espectro contnuo, y su espectro muestreado.
con k = 0, 1, . . . , N 1.
La se
nal
xp (n) =
x(n lN )
l=
se obtiene repitiendo periodicamente x(n) cada N muestras, y por ser periodica puede
calcularse su serie de Fourier como
xp (n) =
N
1
X
ck ej2kn/N ,
n = 0, 1, . . . , N 1
k=0
c
2005-2006
P. Alvarado
191
5 Analisis frecuencial
x(n)
n
xp (n), L < N
n
xp (n), L > N
0nN 1
con espectro
#
N
1
X
1
2
X() =
x(n)ejn =
X
k ej2kn/N ejn
N
N
n=0
n=0
k=0
" N 1
#
N
1
X
2
1 X j ( 2k
n
N )
=
X
k
e
N
N
n=0
k=0
N
1
X
2
2k
=
X
k P
N
N
k=0
N
1
X
192
N
1
X
"
c
2005-2006
P. Alvarado
donde
N 1
1 X jn
1 1 ejN
P () =
e
=
N n=0
N 1 ej
(5.8)
es la funcion de interpolacion que sustituye en este caso a sen()/ con una version de
propiedades similares pero periodica (figura 5.32):
(
1 k=0
2
k =
P
N
0 k = 1, 2, . . . , N 1
P ()
1
an ejn =
n=0
2
k
N
1
1 aej
1
1aej2k/N
X
l=
x(n lN ) =
0
X
nlN
=a
l=
c
2005-2006
P. Alvarado
X
l=0
alN = an
1
,
1 aN
0nN 1
193
5 Analisis frecuencial
1
1aN
donde la constante
esperar.
5.7.2
X
xp (n) =
x(n lN )
l=
(
x(n) 0 n L 1
LnN 1
Notese que el efecto de rellenar con ceros x(n) produce un muestreo mas detallado de su
espectro X() que tendra N y no L muestras. Para todo N > L las muestras no proveen
mayor informacion que el caso N = L, solo una mejor representacion (figura 5.33).
La transformacion de x(n) hacia su espectro muestreado
X(k) = X
2
k
N
=
L1
X
j2kn/N
x(n)e
n=0
N
1
X
x(n)ej2kn/N ,
k = 0, 1, . . . , N 1
n=0
n = 0, 1, . . . , N 1
X(k) =
N
1
X
x(n)WNkn
k = 0, 1, . . . , N 1
n=0
N 1
1 X
X(k)WNkn n = 0, 1, . . . , N 1
IDFT: x(n) =
N k=0
194
c
2005-2006
P. Alvarado
|X()|
1
x(n)
0
-3
-2
-1
|X()|
1
xp (n)
0
-3
-2
-1
|X()|
1
xp (n)
0
-3
-2
-1
donde WN = ej2/N es una raz N -esima de la unidad. Notese que para cada k, X(k)
se
h puede expresar como eliproducto punto de la entrada x(n) y un vector que consiste en
(N 1)k
, o, si se interpreta X(k) tambien como vector, entonces
1, WNk , WN2k , . . . , WN
X(0)
X(1)
..
.
1
1
= ..
.
X(k) XN =
X(N 1)
...
1
WN
..
.
1 WNN 1
1
WNN 1
..
.
x(0)
x(1)
..
.
(N 1)(N 1)
x(N 1)
WN
o en forma compacta
XN = WN xN
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
195
5 Analisis frecuencial
de donde se deduce
1
xN = WN
XN =
5.7.3
1
WN XN
N
Relaci
on de la DFT con otras transformadas
Series de Fourier
La secuencia xp (n) por ser periodica con periodo N tiene una representacion en series de
Fourier
xp (n) =
ck =
N
1
X
ck ej2nk/N ,
k=0
N
1
X
1
N
< n <
xp (n)ej2nk/N k = 0, 1, . . . , N 1
n=0
Esto es X(k) = N ck .
que a su vez corresponden con los coeficientes de la DFT de xp (n), la extension periodica
de x(n). Ambas secuencias son identicas para n = 0, 1, . . . , L 1 sin no hay aliasing
temporal, es decir, si x(n) es finita de longitud L y N > L.
Transformada z
Si la transformada z de x(n) incluye la circunferencia unitaria, entonces
X(k) = X(z)|z=ej2nk/N =
x(n)ej2nk/N ,
k = 0, 1, . . . , N 1
n=
c
2005-2006
P. Alvarado
de longitud N
X(z) =
N
1
X
x(n)z n =
n=0
X(z) =
1
N
N
1
X
"
n=0
N
1
X
X(k)
N
1
X
#
N 1
1 X
X(k)ej2kn/N z n
N k=0
ej2k/N z 1
n
n=0
k=0
N 1
X(k)
1 z N X
N
1 ej2k/N z 1
k=0
X() =
N 1
1 ejN X
X(k)
j ( 2k
z 1
N
N )
k=0 1 e
que es otra forma de interpolacion de las muestras X(k) equivalente a la expresada anteriormente con P () (ver ecuacion 5.8 en la pagina 193).
5.7.4
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
PN 1
kn
DFT: X(k) =
k = 0, 1, . . . , N 1
n=0 x(n)WN
1 PN 1
IDFT: x(n) =
X(k)WNkn
n = 0, 1, . . . , N 1
N k=0
con WN = ej2/N .
La relacion entre x(n) y su DFT X(k) se denota con
DF T
x(n) X(k)
N
x(n) X(k)
N
Linealidad
Si x1 (n) X1 (k) y x2 (n) X2 (k) entonces
N
c
2005-2006
P. Alvarado
197
5 Analisis frecuencial
Simetra circular
Puesto que la DFT de N puntos de una secuencia finita x(n) de longitud L N es
equivalente a la DFT de N puntos de una secuencia periodica xp (n) de periodo N obtenida
como (figura 5.34)
X
x(n lN )
xp (n) =
l=
x(n)
es equivalente a
3
2
entonces un desplazamiento de xp (n) k unidades hacia la derecha equivale a un desplazamiento circular (figura 5.35).
xp (n k) x(n k
N
xp (n)
es equivalente a
3
2
Una secuencia es circularmente par si es simetrica con respecto al punto cero de la circunferencia (figura 5.36):
x(N n) = x(n),
1nN 1
La secuencia es circularmente impar si es antisimetrica con respecto al punto cero (figura 5.37):
x(N n) = x(n),
1nN 1
198
c
2005-2006
P. Alvarado
-2
-1
-2
-1
0nN 1
xp (n) = xp (n) = xp (N n)
xp (n) = xp (n) = xp (N n)
xp (n) = xp (N n)
xp (n) = xp (N n)
c
2005-2006
P. Alvarado
199
5 Analisis frecuencial
N
1
X
2kn
2kn
XR (k) =
xR (n) cos
+ xI (n) sen
N
N
n=0
N
1
X
2kn
2kn
XI (k) =
xR (n) sen
xI (n) cos
N
N
n=0
N 1
1 X
2kn
2kn
xR (n) =
XR (k) cos
XI (k) sen
N k=0
N
N
N 1
2kn
1 X
2kn
xI (n) =
XR (k) sen
+ XI (k) cos
N k=0
N
N
N
1
X
x(n) cos
n=0
2k
n ,0 k N 1
N
0nN 1
0nN 1
2kn
, 0k N 1
X(k) = j
x(n) sen
N
n=0
N
1
X
c
2005-2006
P. Alvarado
0nN 1
Convoluci
on circular
Sean x1 (n) y x2 (n) dos secuencias de duracion finita, ambas de longitud N , y sus respectivas DFT de N puntos
X1 (k) =
X2 (k) =
N
1
X
n=0
N
1
X
x1 (n)ej2nk/N ,
k = 0, 1, . . . , N 1
x2 (n)ej2nk/N ,
k = 0, 1, . . . , N 1
n=0
y con a = ej2(mnl)/N en
N
1
X
ak =
k=0
(
N
si a = 1 m n l = pN l = m n pN = ((m n))N
1aN
1a
= 0 si a 6= 1, puesto que aN = 1
por lo que
x3 (m) =
N
1
X
m = 0, 1, . . . , N 1 = x1 (m)
N x2 (m)
n=0
operacion denominada convolucion circular. Notese que esta funcion es para los elementos
x3 (m) con m = 0, 1, . . . , N 1 equivalente a la convolucion de x1 (n) con la extension
periodica con periodo N de x2 (n).
Otras propiedades se resumen en la tabla 5.1.
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
201
5 Analisis frecuencial
Dominio temporal
Dominio frecuencial
Notacion
Periodicidad
Linealidad
Reflexion temporal
Desplazamiento temporal circular
Desplazamiento frecuencial circular
Conjugacion compleja
Convolucion circular
Correlacion circular
Multiplicacion de dos secuencias
x(n), y(n)
x(n) = x(n + N )
a1 x1 (n) + a2 x2 (n)
x(N n)
x((n l))N
x(n)ej2ln/N
x(n)
x1 (n)
N x2 (n)
x(n)
N y(n)
x1 (n)x2 (n)
N
1
X
x(n)y(n)
X(k), Y (k)
X(k) = X(k + N )
a1 X1 (k) + a2 X2 (k)
X(N k)
X(k) ej2kl/N
X((k l))N
X(N k)
X1 (k)X2 (k)
X(k)Y (k)
1
X (k)
N X2 (k)
N 1
N
1
1 X
X(k)Y (k)
N k=0
Teorema de Parseval
n=0
5.7.5
La existencia de algoritmos eficientes para extraer la DFT (llamados FFT del ingles Fast
Fourier Transform) hace posible que sea en ocasiones mas eficiente calcular el efecto de
un filtro en el dominio de la frecuencia que directamente en el dominio del tiempo.
Sea la entrada x(n) de longitud L y un filtro FIR con respuesta impulsional h(n) de
longitud M . As
umase ademas que ambas secuencias son causales, es decir
x(n) = 0, n < 0, n L
h(n) = 0, n < 0, n M
La salida del filtro puede calcularse en el dominio del tiempo con la convolucion
y(n) =
M
1
X
k=0
que por la naturaleza finita de x(n) y h(n) tambien es finita. En el ejemplo 2.13 (pag. 49)
se determino que la salida tendra longitud M + L 1.
En el dominio de la frecuencia la salida es
Y () = X()H()
Si se desea representar y(n) a traves 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()Y ()|=2k/N = X(k)H(k)
202
c
2005-2006
P. Alvarado
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 .
Notese que la compensacion de longitud de x(n) y y(n) logra que la convolucion circular
sea equivalente a la convolucion lineal.
Ejemplo 5.13 Calcule la respuesta del filtro con respuesta impulsional h(n) =
ante la entrada x(n) = {4, 2, 2, 4}.
1
, 1, 1
4 2 4
X(k) =
7
X
x(n)ej2kn/8
n=0
3
k
4
3
k
4
) + 2(ej 4 k + ej 2 k )
2 j(2 + 3 2)
X(2) = 2 + j2
X(3) = 4 + 2 + j(2 3 2)
X(4) = 0
X(5) = 4 +
2 j(2 3 2) = X(3)
X(6) = 2 j2 = X(2)
7
X
h(n)ej2kn/8
n=0
1
1
=
1 + ej 2 k + ej 4 k
4
2
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
203
5 Analisis frecuencial
1+ 2
1+ 2
j
= X(7)
X(1) =
4
4
j
X(2) =
= X(6)
2
1 2
1 2
X(3) =
+j
= X(5)
4
4
X(4) = 0
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 finalmente
y(n) =
7
X
Y (k)ej2kn/8 ,
n = 0, 1, . . . , 7
k=0
5 5 5 5
= 1, , , , , 1, 0, 0
2 2 2 2
5.13
5.7.6
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 analizaran dos metodos que dividen la se
nal de entrada en bloques de longitud L
y aplican por medio de la DFT el filtro h(n) de longitud M en el dominio de la frecuencia.
La salida, de forma equivalente a la aplicacion del filtro al bloque completo de la entrada,
se obtiene por medio de la concatenacion adecuada de cada bloque obtenido para cada
bloque de entrada. Sin perdida de generalidad se asume la longitud de la entrada mucho
mayor que la del filtro (L M ).
204
c
2005-2006
P. Alvarado
M
etodo de solapamiento y almacenamiento
En el metodo 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
filtro 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 traves de su producto.
Puesto que el bloque de entrada tiene longitud N y el filtro longitud M , en el tiempo
discreto la salida de la convolucion debera tener N + M 1 muestras (ver ejemplo 2.13),
por lo que es de esperar que las primeras M 1 muestras de la salida esten distorsionadas
por aliasing, por lo que se descartan (figura 5.38). La salida para el m-esimo bloque se
obtiene con
ym (n) Ym (k) = H(k)Xm (k),
N
M 1
x(n)
k = 0, 1, . . . , N 1
0
M 1
x1 (n)
M 1
x2 (n)
M 1
x3 (n)
y(n)
y1 (n)
M 1
M 1
x4 (n)
y2 (n)
M 1
y3 (n)
M 1
y4 (n)
c
2005-2006
P. Alvarado
205
5 Analisis frecuencial
M
etodo de solapamiento y suma
En este metodo 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 final (figura 5.39).
L
x(n)
x1 (n)
M 1
0
x2 (n)
M 1
0
x3 (n)
y(n)
M 1
0
y1 (n)
+
M 1
0
x4 (n)
y2 (n)
+
y3 (n)
+
y4 (n)
5.7.7
An
alisis frecuencial de se
nales usando la DFT
c
2005-2006
P. Alvarado
(
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 tendra espectro:
2
1
x(n) X()
= [W ( 0 ) + W ( + 0 )]
2
donde W () es el espectro de la ventana que para el caso de la ventana rectangular es
(figura 5.40)
sen L2 j(L1)/2
e
W () =
sen 2
X()
c
2005-2006
P. Alvarado
207
5 Analisis frecuencial
|X()|
|X()|
|X()|
(a)
(b)
(c)
Los lobulos laterales pueden reducirse utilizando otras ventanas diferentes a las rectangulares, como la de Hanning:
(
2
1
1 cos L1
n 0nL1
2
w(n) =
0
en el resto
a costa del mayor ancho del lobulo central.
208
c
2005-2006
P. Alvarado
Captulo 6
Introducci
on al dise
no de filtros
digitales
6.1
Sea h(n) la respuesta impulsional de un filtro paso bajo ideal con respuesta en frecuencia
(
1 || C
H() =
0 C < <
h(n) = C sen(C n)
C n
n=0
en otro caso
que obviamente no es causal y por tanto no realizable. Pero como debe ser H() para
que h(n) sea causal? Esta pregunta la responde el Teorema de Paley-Wiener que afirma:
si h(n) tiene energa finita y es causal (h(n) = 0, n < 0) entonces
Z
| ln |H()| | d <
Si esta ecuacion se cumple para |H()| entonces puede buscarse una respuesta de fase
asociada () tal que H() = |H()|ej() represente una se
nal causal.
Notese que de acuerdo a este teorema la funcion |H()| puede ser cero en frecuencias
puntuales aisladas, pero no en una banda finita, puesto que la integral se hara infinita.
Por lo tanto, ning
un filtro ideal es causal.
209
6 Introducci
on al dise
no de filtros digitales
n>0
= () + j cot ,
2
2
2
u(n) U () = () +
210
c
2005-2006
P. Alvarado
< <
es equivalente a
1
H() =
1
HR ()( ) d +
{z
} |
1
HR () d
2
{z
}
HR ()
j
HR () cot
2
he (0)
d he (0)
y puesto que
Z
j
HR () cot
d
HR () + jHI () = HR ()
2
2
Z
1
HI () =
d
HR () cot
2
2
denominada Transformada de Hilbert discreta de HR ().
La causalidad ademas tiene otras consecuencias aqu no demostradas, como por ejemplo
que |H()| no puede ser constante en ning
un rango finito de frecuencias y la transicion
de la banda de paso a la banda de rechazo no puede ser infinitamente abrupta. Por estas
razones, las respuestas en magnitud de filtros reales solo pueden ser aproximaciones de
las versiones ideales, tal y como lo muestra la figura 6.1. La frecuencia angular P define
el lmite superior de la banda de paso y as el ancho de banda del filtro. La frecuencia
angular S indica el inicio de la banda de rechazo. El ancho de banda de transicion es
entonces S P . Los rizados de las bandas de paso y rechazo son 1 y 2 respectivamente.
En aplicaciones reales se debe especificar entonces antes de dise
nar el filtro
1. Maximo rizado permitido en la banda de paso 1
2. Maximo 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 terminos de potencia mitad.
El grado en que H() acata las especificaciones 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 filtros se concentra en el tipo pasa bajos, para lo que existen
gran variedad de tecnicas. Algunas de ellas se muestran en la figura 6.2 y se ilustran con
mas detalle en [13]. Existen metodos para transformar los filtros pasa bajos a otros tipos
como paso altos o paso banda.
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
211
6 Introducci
on al dise
no de filtros digitales
|H()|
Rizado de Banda de Paso
1 + 1
1
1 1
Banda de Paso
Banda
de
Transici
on
Banda de Rechazo
6.2
Para un filtro FIR de longitud M la relacion de entrada salida esta dada por la convolucion
y es
M
1
M
1
X
X
y(n) =
bk x(n k) =
h(k)x(n k) = h(n) x(n)
k=0
k=0
y la funcion de transferencia es
H(z) =
M
1
X
h(k)z
k=0
M
1
X
1
z M 1
h(k)z M 1k
k=0
cuyas races son los ceros del filtro. Este filtro tiene fase lineal si su respuesta impulsional
satisface las simetras:
h(n) = h(M 1 n),
212
c
2005-2006
P. Alvarado
n = 0, 1, . . . , M 1
Uso exclusivo ITCR
Dise
no de
Filtros Digitales
FIR
IIR
Muestreo
en frecuencia
Ventanas
Optimos
Anal
ogicos
Directos
Aproximaci
on
de derivadas
Aproximaci
on
de Pad`e
Invarianza
impulsional
Mnimos
cuadrados
Transformaci
on
bilineal
Dominio de
frecuencia
Transformada z
adaptada
H(z) = z
(M 1)/2
1
X
h(k) z (M 12k)/2 z (M 12k)/2
k=0
j(M 1)/2
H() = e
1
X
k=0
2
h(k) ej(M 12k)/2 + ej(M 12k)/2
2
M
2
j(M 1)/2
=e
1
X
h(k) cos
k=0
2
(M 1 2k)
= ej(M 1)/2 Hr ()
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
213
6 Introducci
on al dise
no de filtros digitales
donde Hr () es una funcion real por corresponder a una suma ponderada con coeficientes reales h(k) y terminos cosenoidales con argumentos reales. De forma equivalente, para el caso antisimetrico circular h(n) = h(M 1 n):
j M21
H() = e
M
2
1
X
k=0
M21 2
j (
=e
2j
h(k) ej(M 12k)/2 ej(M 12k)/2
2j
M
2
)2
1
X
h(k) sen
k=0
M 1
2
2
= ej (
(M 1 2k)
) H ()
r
Para M impar:
M 3
2
M 1 X
h M 12k
i
M 12k
H(z) = z (M 1)/2 h
+
h(k) z 2 z 2
2
k=0
M 1
2
M 3
2
+2
h(k) cos
k=0
M 1 2k
2
= ej(M 1)/2 Hr ()
y con antisimetra circular h(n) = h(M 1 n), que ademas implica h
M 1
2
= 0:
M 3
j ( M21 2 )
H() = e
2
X
k=0
j ( M21 2 )
=e
M 1 2k
h(k) sen
2
Hr ()
c
2005-2006
P. Alvarado
j
1
z3
1
z1
z3
z1
z2
1
z2
z1
z3
1
z1
1
z3
M
2
M par
Hr (0) = 2
1
X
h(k)
Hr (0) = 0
k=0
M impar Hr (0) = h
M 1
2
+2
2
X
h(k) Hr (0) = Hr () = 0
k=0
6.2.1
Dise
no de filtros FIR por el m
etodo de ventanas
w(n) =
(
1 n = 0, 1, . . . , M 1
0 en otro caso
c
2005-2006
P. Alvarado
215
6 Introducci
on al dise
no de filtros digitales
es decir,
h(n) = hd (n)w(n) =
(
hd (n) n = 0, 1, . . . , M 1
0
en otro caso
En el dominio de la frecuencia H() = Hd () W (). Puesto que W () tiene generalmente un lobulo central y lobulos laterales, el efecto de la convolucion es suavizar la
respuesta Hd (). Para reducir el efecto de dichos lobulos laterales se utilizan ventanas
diferentes a la rectangular, caracterizadas por no tener cambios abruptos en el dominio
del tiempo, lo que conduce a lobulos menores en el dominio de la frecuencia. Algunas
ventanas tpicas y sus caractersticas se presentan en la tabla 6.2.
Tabla 6.2: Funciones utilizadas como ventanas.
h(n), 0 n M 1
Ventana
Rectangular
1
2 n M21
Bartlett (triangular)
1
M 1
2n
Hamming
0,54 0,46 cos
M 1
1
2n
Hanning
1 cos
2
M 1
Ancho
lobular
Pico lobulo
lateral [dB]
4/M
13
8/M
27
8/M
32
8/M
43
0nM 1
6.1
c
2005-2006
P. Alvarado
Dise
no de filtros FIR de fase lineal por el m
etodo de muestreo de frecuencia
En este metodo se muestrea la respuesta en frecuencia deseada en
ciados
k =
2
(k + )
M
M
2
puntos equiespa-
M 1
M impar
2
M
k = 0, 1, . . . ,
1 M par
2
1
= 0 o
2
k = 0, 1, . . . ,
y se calcula la respuesta impulsional h(n) correspondiente, donde para reducir los lobulos
laterales se utilizan metodos numericos de optimizacion que sit
uan las muestras en la
banda de transicion.
Puesto que
H(k + ) = H
M
1
X
2
(k + ) =
h(n)ej2(k+)n/M ,
M
n=0
k = 0, 1, . . . , M 1
n = 0, 1, . . . , M 1
c
2005-2006
P. Alvarado
217
6 Introducci
on al dise
no de filtros digitales
H(k) = G(k)ejk/M k = 0, 1, . . . , M 1
2k
G(k) = G(M k)
G(k) = (1) Hr M
a = 0:
M 1
b
2 c
1
1
2k
G(0) + 2
h(n) =
n+
G(k) cos
M
M
2
k=1
1
1
=G k+
ej 2 ej(2k+1)/2M
H k+
2
2
1
1
1
G k+
=G M k
a= :
2
2
2
M 1
bX
2 c
2
2
1
1
1
sen
k+
n+
G k+
h(n) =
M k=0
2
M
2
2
Simetra circular impar
2k
G(k) = G(M k)
G(k) = (1) Hr M
M 1
X
2k
2 2
1
a = 0:
G(k) sen
h(n) =
n+
M impar
M k=1
M
2
1
2k
1
1
G(k) sen
(1)n+1 G(M/2) 2
n+
h(n) =
M
M
2
k=1
M par
1 j(2k+1)/2M
1
=G k+
e
H k+
2
2
1
2
1
= (1) Hr
k+
G k+
2
M
2
1
a= :
1
1
2
G
k
+
=
G
M
2
2
1c
bM
1
2
2
1
1
h(n) =
G k+
cos
k+
n+
M k=0
2
M
2
2
218
c
2005-2006
P. Alvarado
k = 0, 1, 2, 3
1
2k
Hr
= 0,4 k = 4
15
0
k = 5, 6, 7
Solucion: h(n) es simetrica 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)
2k
15
, k =
= 0,014112893
= 0,001945309
= 0,04000004
= 0,01223454
= 0,09138802
= 0,1808986
=
0,3133176
=
0,52
6.2
6.2.2
Dise
no de filtros
optimos
El dise
no de filtros se denomina optimo si el error de aproximacion 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 filtro debe satisfacer ademas
1 1 Hr () 1 + 1
2 Hr () 2
|| P
|| > S
c
2005-2006
P. Alvarado
219
6 Introducci
on al dise
no de filtros digitales
M Impar
M Par
c(k) cos k
M
1
2
2k
2k
M 1
k ,
2
cos(k)
d(k)
M 3
2
c(k 1) c(k + 1) = 4h
Caso 4
Q() = sen
M
1
2
X
1 d(1)
= 2h
d(0)
2
k=0
M
d
1 = 4h(0)
2
M
d(k
1)
d(k)
=
4h
k ,
2
M
1
2
P () =
2
1
c(0) + c(2) = 2h
2
k=0
M 3
= 2h(0)
c
2
M 5
= 4h(1)
2
(M 3)/2
X
Simetrico
h(n) = h(M 1 n)
k=0
k = 1, 2, . . . , M21
P () =
Caso 1
a(k) cos k
b(k) cos(k)
1k
M
2
2
Caso 3
Q() = sen()
Q() = 1
(M 1)/2
X
M 1
2
M 1
2
( k=0
h
P () =
a(k) =
2h
1
2
X
Caso 2
Q() = cos
2
P () =
k=0
M
b(0)
=
h
1
2
M
b(k)
=
4h
k b(k 1),
2
b M 1 = 4h(0)
2
M 5
2
c
2005-2006
P. Alvarado
220
1
2
en la banda de paso
en la banda de rechazo
y Hdr () la respuesta ideal del filtro 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
i
() H
dr () P () .
E() = W
El dise
no del filtro consiste entonces en buscar los parametros {(k)} = {a(k)}, {b(k)}, {c(k)}
o {d(k)} que conducen al menor valor maximo de |E()|.
"
"
##
L
X
dr
(k) cos k
arg min max |E()| = arg min max W () H
{(k)} S
{(k)} S
k=0
donde S representa el conjunto (disjunto) de bandas sobre las que se realiza la optimizacion. Este problema de optimizacion requiere tambien metodos numericos de optimizacion (por ejemplo el algoritmo de intercambio de Remez) basados en el teorema de la
alterternancia, que establece que la funcion 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
S
PL
para que P () =
(k)
cos
k
sea
la
mejor
y
u
nica
aproximacion ponderada de
k=0
Hdr ().
El nombre del teorema se debe a la alternancia de signo entre dos extremos consecutivos.
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
221
6 Introducci
on al dise
no de filtros digitales
6.3
Dise
no de filtros de respuesta impulsional infinita
a partir de filtros anal
ogicos
h(t)est dt
Ha (s) =
que teniendo una forma racional como en (6.1) esta relacionada con la ecuacion diferencial
N
X
dk y(t) X dk x(t)
k
k
=
dtk
dtk
k=0
k=0
(6.2)
c
2005-2006
P. Alvarado
6.3 Dise
no de filtros de respuesta impulsional infinita a partir de filtros analogicos
6.3.1
Dise
no por aproximaci
on de derivadas
Si se cuenta con la ecuacion diferencial del filtro (6.2), se pueden aproximar las derivadas
haciendo uso de
dy(t)
y(nT ) y(nT T )
y(n) y(n 1)
=
dt t=nT
T
T
con el intervalo de muestreo T . Transformando al dominio s y z se tiene
s=
1 z 1
.
T
1
1 sT
Re{z}
0
-2
-1
-1
-2
Notese que los polos del filtro digital solo se ubicaran en frecuencias peque
nas, lo que
restringe la utilidad de este metodo a solo filtros paso bajo y paso banda con frecuencias
resonantes relativamente bajas.
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
223
6 Introducci
on al dise
no de filtros digitales
6.3.2
Dise
no por invarianza impulsional
Este metodo consiste en buscar una respuesta impulsional del filtro digital que corresponda
a la respuesta impulsional muestreada del filtro analogico:
h(n) = h(t)|t=nT ,
n = 0, 1, . . .
X
H() = Fs
Ha (Fs 2Fs k)
k=
El aliasing que ocurre a altas frecuencias hace este metodo inapropiado para el dise
no de
filtros paso alto.
En este caso puede demostrarse que la equivalencia entre los dos dominios es z = esT =
e+j T = eT ejT = rej con r = eT y = T , lo que implica que el semiplano izquierdo
(LHP) corresponde al interior de la circunferencia unitaria (r < 1). Notese que todos los
intervalos de frecuencia (2k 1) T (2k + 1) T se proyectan en la circunferencia, lo
que hace de esta correspondencia una relacion inyectiva que proviene del efecto de aliasing
debido al muestreo (ver seccion 1.2.2).
3
Im{z}
Re{z}
0
-3
-2
-1
-1
-2
-3
M
X
k=1
X
ck
ck
equivale a H(z) =
s pk
1 epk T z 1
k=1
y aunque los polos siguen la relacion zk = epk T , esto no se satisface para los ceros.
224
c
2005-2006
P. Alvarado
6.3.3
La transformada z adaptada
H(s) =
k=1
N
Y
M
Y
(s zk )
es equivalente a H(z) =
(s pk )
k=1
k=1
N
Y
1 ezk T z 1
1 epk T z 1
k=1
6.3.4
Dise
no por transformaci
on bilineal
1 z 1
1 + z 1
Ts + 2
Ts 2
6.3.5
Filtros Anal
ogicos
Estas transformaciones pueden aplicarse para derivar filtros digitales, por ejemplo, filtros
Butterworth, filtros Chebyshev (tipos I y II), filtros elpticos y filtros Bessel (tabla 6.4).
6.4
Transformaci
on de Frecuencia
Hay dos maneras de obtener un filtro digital paso bajo, paso alto, paso banda o supresor
de banda a partir de un filtro paso bajo analogico:
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
225
6 Introducci
on al dise
no de filtros digitales
Funcion de Transferencia
Butterworth
(todo-polos)
|H()|2 =
1
1 + (/C )2N
C : frecuencia de corte
1
|H()|2 =
1 + 2 TN2
Chebyshev,
Tipo I (todopolos)
Caractersticas
Rizado constante en la banda de paso y
caracterstica monotona en la banda de
rechazo.
TN : polinomio de Chebyshev
T0 (x) = 1
T1 (x) = x
TN +1 (x) = 2xTN (x) TN 1 (x)
Chebyshev,
Tipo II (polos
y ceros)
Elptico
o
Cauer (polos y
ceros)
|H()|2 =
1 + 2
S
P
2 S
TN
2
TN
TN : polinomio de Chebyshev
1
|H()|2 =
1 + 2 UN
de orden N
H(s) =
Bessel
polos)
(todo-
1
BN (s)
226
c
2005-2006
P. Alvarado
Im{z} 2
Re{z}
0
-2
-1
-1
-2
1. Transformar en el dominio analogico al filtro deseado, y luego usar uno de los mapeos
de s a z presentados anteriormente para transformarlo al dominio digital.
2. Transformar el filtro paso bajo a un equivalente paso bajo digital, para luego hacer
la transformacion al filtro deseado en el dominido digital.
Para el primer caso se utilizan las transformaciones mostradas en la tabla 6.5. Para el
segundo se presentan las modificaciones en la tabla 6.6.
Tabla 6.5: Transformaciones de frecuencia para filtros analogicos.
Tipo de filtro
deseado
Transformacion
P
s
0P
P 0P
Paso alto
s
s 2
s + l u
Paso banda
s P
s(u l )
s(u l )
Supresor de banda s P 2
s + l u
s
Paso bajo
P :
l :
u :
Nuevas
frecuencias
de corte
0P
0P
u , l
u , l
c
2005-2006
P. Alvarado
227
6 Introducci
on al dise
no de filtros digitales
Paso bajo
Paso alto
Transformacion
z 1
z 1 a
1 az 1
z 1
z 1 + a
1 + az 1
2
Paso banda
z 1
Constantes
0
P P
2
P + 0
P
sen
2
0
P +P
cos
2
sen
a=
a=
cos
P 0
P
2
cos(
u l
2
u l
z a1 z + a2
a2 z 2 a1 z 1 + 1
u , l
tan 2P
1
a1 = 2 K+1
a2 =
=
u , l
1K
1+K
+
cos( u 2 l )
cos(
u l
2
u l
K = tan
228
P0
de banda
P :
l :
u :
K1
K+1
+
cos( u 2 l )
K = cot
z 1
K
a1 = 2 K+1
a2 =
Supresor
P0
z a1 z + a2
a2 z 2 a1 z 1 + 1
Nuevas
frecuencias
de corte
tan 2P
c
2005-2006
P. Alvarado
Bibliografa
[1] P. Alvarado. Modelos de sistemas. Notas de clase, 2005. URL http://www.ie.itcr.
ac.cr/palvarado/Modelos/modelos.pdf. 90, 106, 131, 148
[2] 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 practico.
Prentice Hall, 1998.
[3] H. F. Davis. Fourier series and orthogonal functions. Dover Publications, Inc., 1963.
[4] John W. Eaton. Octave [online]. 1998 [visitado el 20 de abril de 2006]. URL
http://www.octave.org. 28, 231
[5] John W. Eaton. Octave repository [online]. 1998 [visitado el 20 de abril de 2006].
URL http://octave.sourceforge.net/afunclist.html. 231
[6] S. Haykin and B. van Veen. Se
nales y sistemas. Limusa Wiley, 2001.
[7] G. James. Matematicas Avanzadas para Ingeniera. Prentice Hall, 2da edition, 2002.
[8] E. Kreyszig. Matematicas Avanzadas para Ingeniera, volume I. Limusa Wiley, 3ra
edition, 2000.
[9] E. Kreyszig. Matematicas Avanzadas para Ingeniera, volume II. Limusa Wiley, 3ra
edition, 2000.
[10] D. Lindner. Introduccion a las se
nales y los sistemas. McGraw Hill, 2002.
[11] MathWorks. Matlab [online]. 1994 [visitado el 20 de abril de 2006]. URL http:
//www.matlab.com. 28, 231
[12] A. Oppenheim, A. Willsky, and S. H. Nawab. Se
nales y Sistemas. Prentice Hall, 2da
edition, 1998.
[13] J. G. Proakis and D. G. Manolakis. Tratamiento Digital de Se
nales. Prentice Hall,
1998. 3, 4, 5, 10, 13, 88, 211, 233
229
Bibliografa
[14] M. J. Roberts. Se
nales y Sistemas. Analisis mediante metodos de transformada y
MatLab. McGraw Hill, 2005.
[15] G. E. Shilov. Elementary Real and Complex Analysis. Dover Publications, Inc.,
1973.
[16] E. Soria Olivas, M. Martnez Sober, J. V. Frances Villora, and G. Camps Valls. Tratamiento Digital de Se
nales. Problemas y ejercicios resueltos. Prentice Hall, Madrid,
2003. 1, 233
[17] F. G. Stremler. Introduccion a los sistemas de comunicacion. Addison Wesley Longman, 1993.
[18] Wikimedia. Wikipedia [online]. Diciembre 2005 [visitado el 20 de abril de 2006].
URL http://en.wikipedia.org/wiki. 3, 131
230
c
2005-2006
P. Alvarado
Ap
endice A
Octave y Matlab
MatLab[11] y Octave[4] son programas utilizados en procesamiento numerico de datos,
dentro de lo cual figura el area de procesamiento digital de se
nales. Este apendice es
una brevsima introduccion a la utilizacion del interprete 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 [5].
La representacion grafica de se
nales de variable discreta en MatLab se realiza con la
funcion 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 operacion.
Si es omitido, el resultado se mostrara directamente.
Con los comandos hold y hold off se puede controlar si se debe graficar sobre la misma
imagen o no.
La funcion zeros(m,n) genera una matriz de m filas por n columnas. As que para generar
un impulso puede utilizarse
imp=zeros(20,1);
imp(5)=1;
Dependera 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 sera 4.
231
A Octave y Matlab
Para generar se
nales periodicas puede utilizarse el siguiente concepto:
x = [0;1;1;0;0;0] * ones(1,8);
x = x(:);
Lo que ocurre en la primera lnea es generar una matriz con ocho filas todas identicas
al vector dado antes del smbolo . La segunda lnea convierte la matriz a un vector
concatenando todas las filas, lo que equivale una se
nal periodica con N = 6 periodos.
232
c
2005-2006
P. Alvarado
Ap
endice B
Respuestas a Problemas
A continuacion se presentan los esbozos de las soluciones a los problemas planteados en
los diferentes captulos. Estos problemas tienen como objetivo ayudar en preparacion
del estudiante para las pruebas parciales y final 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 asegurara el aprendizaje.
Problemas adicionales encontrara el estudiante en abundancia en [16, 13].
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.
233
Variables (D/C)
Valores (D/C)
Estadstica (D/A)
Dimension (E/V)
Caracterstica
N
um. Variables (U/M)
Se
nal
U
U
V
V
D
C
D
C
C
C
D
C
B Respuestas a Problemas
Mk
N
El segundo termino del producto es igual a 1 cuando M /N Z, lo cual, bajo la restriccion 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 unvocas, pues con N es posible encontrar
siempre un < N que da paso a una se
nal equivalente.
Problema 1.5. El estudiante debe buscar las diferentes tecnicas utilizadas para obtener
mayores velocidades o mayores precisiones.
Problema 1.6. Con 44,1 kHz de frecuencia de muestreo es posible representar a lo sumo
frecuencias de 22,05 kHz.
Los 24 bits por pixel permiten, si el convertidor A/D cubre exactamente el rango dinamico
de la se
nal, un SQNR=(1,76+6,0224)=146,24 dB.
Si se requirieran 100 dB entonces bastaran 17 bits por muestra.
Problema 1.7. El estudiante debe buscar las diferentes tecnicas utilizadas para obtener
mayores velocidades o mayores relaciones se
nal a ruido. Por lo menos debe revisar las
estructuras llamadas flash, el metodo de aproximaciones sucesivas y el llamado
(delta-sigma).
Problema 2.1.
1.
2.
3.
4.
x1 (n) = x(n 2)
x2 (n) = x(n + 3)
x3 (n) = x(n + 2)
x4 (n) = x(n 3)
Problema 2.2.
1. x3 (n) = {4, 2, 0, 3, 4, 1, 5}
234
c
2005-2006
P. Alvarado
Problema 3.1.
1. x(n) = sen(n)u(n) ROC: exterior de un crculo
2. x(n) = u(n + 4) u(n 2) ROC: todo el plano z menos cero e infinito
3. x(n) = u(n 2) ROC: el interior de un crculo
4. x(n) = ur (n) 2ur (n 5) + ur (n 10) ROC: todo el plano z menos cero
5. x(n) = 21
|n|
ROC: anillo
z 2
1
,
16 1 14 z 1
c
2005-2006
P. Alvarado
235
B Respuestas a Problemas
nn
n=0
De forma similar a lo hecho para otras series, esta se resuelve calculando el resultado de
sumar
#
"M
"M
#
"M
#
X
X
X
nn 2
nn + 2
nn
n=0
n=0
n=0
nn =
n=0
(1 (N + 1)N + N N +1 )
1 2 + 2
1
n =
=
=
1 2 + 2
(1 )2
(1 1 )2
n=0
n
Tomando esto en cuenta se puede calcular la transformada de nan u(n) con la definicion:
X(z) =
nan u(n)z n =
X
n
n az 1 =
0
az 1
(1 az 1 )2
c
2005-2006
P. Alvarado
Por la propiedad de escalado en la frecuencia se sabe que la ROC de X(z) escalada por 1/4
contiene al crculo 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 crculo 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.
Por hacer:
Problema 3.12.
Por hacer:
Problema 3.13.
Por hacer:
Problema 3.14.
Por hacer:
Problema 3.15.
Por hacer:
Problema 3.16.
Por hacer:
Problema 3.17.
1. No causal
2. Causal
3. No causal
Problema 3.18. El sistema es causal y estable, puesto que sus polos se encuentran dentro
del crculo unitario, al ser h(n) derecha entonces su ROC es externa a los polos.
Problema 3.19.
Por hacer:
Problema 3.20.
1. (1/2)n u(n)
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
237
B Respuestas a Problemas
2.
1
3
21
n
+
1 n
3. 23 2
1 n
u(n)
4
1
6
1
6
1 n
u(n)
4
Problema 4.1. Utilizando coordenadas esfericas un vector de norma 1 en el espacio euclidiano tridimensional se puede expresar como x1 = [sen() cos(), sen() sen(), cos ]T .
Este vector es perpendicular a un plano, que contiene un n
umero infinito de vectores
perpendiculares a x.
Se toman arbitrariamente dos vectores: uno en la interseccion entre el plano que pasa por
el vector x1 y el eje z y el plano de los vectores perpendiculares a x1 . El tercer vector se
obtiene utilizando el producto cruz de los dos vectores anteriores.
h
iT
x2 = sen +
cos () , sen +
sen () , cos +
2
2
2
T
= [ cos () cos () , cos () sen () , sen ()]
El producto hx1 , x2 i resulta en
hx1 , x2 i = cos() sen() cos2 () cos() sen() sen2 () + cos() sen()
= cos() sen() cos2 () + sen2 () + cos() sen()
=0
con lo que la ortogonalidad entre ambos vectores queda demostrada.
El producto cruz de estos vectores resulta en
y
z
x
x3 = x1 x2 = sen() cos()
sen() sen()
cos
cos() cos() cos() sen() sen()
238
c
2005-2006
P. Alvarado
x1
x1
x1
x2
qi (t)rk (t) dt .
x1
x2
E(c) =
x1
2
n
X
ci ui (t) dt .
x(t)
i=0
i=0
x2
xRe (t)
E(c) =
x1
n
X
i=0
ai ri (t) +
n
X
!2
bi qi (t)
+ xIm (t)
n
X
i=0
i=0
ai qi (t)
n
X
!2
bi ri (t)
dt
i=0
c
2005-2006
P. Alvarado
E(c) !
=0
bk
Uso exclusivo ITCR
239
B Respuestas a Problemas
x1
i=0
|
{z
}
=0 para i6=k
n
X
x2
bi
x1
i=0
por lo que
E(c)
=
ak
x2
x2
ai
ri (t)qk (t) qi (t)rk (t) dt
x
1
i=0
{z
}
|
=0 para todo i
n
X
Z
bi
x1
i=0
|
con lo que se obtiene
R x2
bk =
x2
x1
240
c
2005-2006
P. Alvarado
Indice alfab
etico
alias, 14, 19
aliasing, 157
temporal, 191
amplitud, 10
analisis, 3
analogica, 2
analogico, 4
analizador espectral, 145
anticausalidad, 55
armonica
relacion exponencial, 16
armonicos, 146
base, 134
canonica, 134
ortogonal, 135
ortonormal, 135
BIBO, 46
canales, 2
cascada, 46
cero, 98
cifrado, 8
codificacion, 17
compresion, 8
condicion inicial, 40
conjunto generador, 133
conjunto libre, 133
conjunto ligado, 133
convolucion, 49
correlacion, 74
autocorrelacion, 75
cruzada, 75
normalizada, 76
cuantificacion
definicion, 17
error, 17, 20
ruido, 20
cuanto, 21
cuerpo, 131
deconvolucion, 184
densidad espectral
de energa, 149
de potencia, 146
de tension, 146
derrame, 207
desplazamiento, 49
DFT, 190
digital, 2
dimension, 134
DTFS, 151
ecuacion
de diferencias, 58
encriptacion, 8
energa, 35
espacio
completo, 136
euclidiano, 136
funcional, 139
Hilbert, 136
241
Indice alfabetico
pre-Hilbert, 134
producto interno, 134
vectorial, 131
espacio vectorial
finito, 134
espectro, 145
estimacion espectral, 145
estructura
forma directa I, 72
forma directa II, 72
exponencial
relacionadas armonicamente, 16
funcion
propia, 145
formula
integral de Cauchy, 89
fase, 10
fenomeno de Gibbs, 216
filtrado, 8
filtro, 8, 170
paso todo, 181
peine, 177
ranura, 177
solapamiento y almacenamiento, 205
solapamiento y suma, 206
forma
canonica, 72
directa I, 72
directa II, 72
frecuencia, 10
angular, 10
de plegado, 20
fundamental, 14
negativa, 11
normalizada, 19
funcion
de energa, 35
de potencia, 35
de transferencia, 103
impropia, 110
propia, 110
242
c
2005-2006
P. Alvarado
Gibbs, 216
Hilbert, 211
identidad, 39
identificacion, 8
interconexion
cascada, 46
paralela, 46
interpolacion, 17
norma, 135
ortogonal, 131
osciladores, 183
Paley-Wiener
Teorema, 209
paralelo, 46
Parseval
se
nales continuas periodicas, 146
periodo
fundamental, 13, 37
polinomio
caracterstico, 64
polo, 98
potencia promedio, 35
principio de incertidumbre, 150
Uso exclusivo ITCR
Indice alfabetico
procesamiento, 3
producto escalar, 134
producto interno, 134
producto punto, 136
rango fundamental, 16
reconocimiento, 8
reflexion, 49
reposo, 40
residuo, 106
resonador digital, 175
respuesta
de estado permanente, 122
en fase, 164
en frecuencia, 164
en magnitud, 164
entrada cero, 61
estado nulo, 61
forzada, 61, 119
natural, 119
transitoria, 122
retardo
de grupo, 171
ruido, 8
se
nal, 1
acotada, 36
anticausal, 46
asimetrica, 37
de energa, 35
de potencia, 36
impar, 37
multicanal, 2
par, 37
periodica, 37
simetrica, 37
tiempo discreto, 2
se
nal elemental, 27
secuencia de Cauchy, 136
serie
Borrador: 20 de abril de 2006
Fibonacci, 118
Fourier, 141
generalizada de Fourier, 140
simetra circular
impar, 198
par, 198
sintetizacion, 8
sistema, 3
de fase maxima, 188
de fase mnima, 188
de polos y ceros, 105
de todos ceros, 104
de todos polos, 105
discreto, 38
estable, 46
inestable, 46
inverso, 184
invertible, 184
LTI, 170
MWA, 73
no recursivo, 59
recursivo, 59
solucion
homogenea, 64
particular, 64
total, 67
SQNR, 22
subespacio, 133
submuestreo, 33
suma, 49
teorema
del valor final, 117
Wiener-Khinchin, 162
transformada
de Fourier, 148
transformada z, 83
directa, 83
inversa, 89
transformada de Hilbert, 211
c
2005-2006
P. Alvarado
243
Indice alfabetico
vector, 2
generador, 133
Wiener-Khinchin, 162
244
c
2005-2006
P. Alvarado