Introducción al análisis de señales y sistemas

discretos
Socasi Bryan, Viera Katherine

Universidad de las Fuerzas Armadas ESPE

Departamento de Eléctrica y Electrónica
Sangolquí - Ecuador
basocasi@espe.edu.ec, kaviera@espe.edu.ec

Resumen- En el presente informe se explora el análisis Parámetros de entrada:

de señales discretas utilizando Matlab, haciendo uso de
los comandos que nos permiten presentar señales y o Los valores de las ordenadas t en los que se van
sistemas en tiempo discreto, entre ellos se analiza y
ejemplifica comandos como conv, impz, stem, filter. a trazar los datos
Matlab nos permite ejecutar ciertas operaciones como la o Los valores de x a ser graficadas
convolución, también hallar la respuesta al impulso de un
sistema y varias gráficas. Ejemplo:
Palabras Clave- señales discretas, Matlab t=[0:0.1:2];
x=cos(pi*t+0.6);
I. INTRODUCCIÓN stem(t,x);
Una señal puede ser definida como una portadora física de
información. Por ejemplo, las señales de audio son
variaciones en la presión del aire llevando consigo un
mensaje a nuestros oídos y las señales visuales son ondas de
luz que llevan información a nuestros ojos. Desde un punto de
vista más matemático, las señales se representan por una
función de una o más variables, pero las funciones en tiempo
discreto que estamos estudiando son de una sola variable
independiente entera: el tiempo.

II. OBJETIVOS
 Familiarizar al estudiante con el tratamiento de señales
discretas en Matlab.
Fig. 1. Gráfica comando stem
 Entender la funcionalidad de los diversos comandos
existentes en Matlab para el procesamiento de señales
discretas.  conv: Realiza la convolución discreta de dos secuencias.
o Parámetros de entrada: los vectores a y b que
III. MATERIALES contienen las dos secuencias.
o Parámetro de salida: el vector y que contiene la
 Computador con Matlab versión R2017a instalado convolución de a y b.
IV. PROCEDIMIENTO Ejemplo
A. Señales y Sistemas en tiempo Discreto con Matlab
a=[1 1 1 1 1];
La caja de herramientas de procesamiento de señales en
b=[1 2 3 4 5 6 7 8 9];
Matlab tiene varias funciones que nos permiten procesar
c=conv(a,b);
señales discretas, entre los comandos más comunes stem(c);
encontramos:

 stem: Grafica una secuencia de datos como raíces del

eje x terminados en círculos.
 Ejemplo:

Encuentre la respuesta al impulso del sistema 𝑦[𝑛] =

1
𝑦[𝑛 − 1] = 𝑥[𝑛], suponiendo que el sistema está
𝛼
inicialmente relajado.

Una solución numérica para este problema puede ser

determinada para 𝛼 = 1.15 y 0 ≤ 𝑛 ≤ 30.

alpha = 1.15; N = 100;

x = [1 zeros(1,N)];
y = filter(1,[1 -1/alpha],x);
stem(y);
Fig. 2. Gráfica comando conv

 impz: Calcula la respuesta al impulso de un sistema 0.9

inicialmente en reposo descrito por una ecuación de 0.8
diferencias. Sus parámetros de entrada son:
0.7

o Vector b que contiene los valores de bl, para l= 0.6

0, 1, …, M; 0.5

o Vector a que contiene los valores de ai, para i= 0.4

0, 1, …, N; 0.3

o El número deseado de muestras n de la 0.2

respuesta de impulso. 0.1

0
Su parámetro de salida es el vector h que guarda la 0 20 40 60 80 100 120

respuesta al impulso del sistema.

Fig. 4. Gráfica comando filter
Ejemplo:

a=[1 -0.22 -0.21 0.017 0.01]; C. Muestreo

b=[1 2 1]; El proceso de muestreo se puede entender como la
h=impz(b,a,20); conversión de señales continuas a señales discretas en el
stem(h); dominio del tiempo. Definiendo una frecuencia de muestreo
adecuada dependiendo de la señal, eliminaremos la
2.5 incertidumbre de cuantas muestras tomar.

2
Ejemplo: Considere la función coseno a 3Hz 𝑓1 (𝑡) =
cos⁡(2𝜋3𝑡) muestreada a 𝑓𝑠 = 10⁡ muestras por segundo, para
un intervalo de 1seg, y la función coseno a 7Hz 𝑓2 (𝑡) =
1.5
cos⁡(2𝜋7𝑡).

1 time = 0:0.1:0.9;
f_1 = cos(2*pi*3.*time);
0.5 f_2 = cos(2*pi*7.*time);
time_aux = 0:0.001:(1-0.001);
0
figure(1);
0 2 4 6 8 10 12 14 16 18 20
stem(time,f_1);
hold on;
Fig. 3. Gráfica comando impz plot(time_aux, cos(2*pi*3.*time_aux));
hold off;
figure(2);
stem(time,f_2);
B. Sistemas recursivos hold on;
plot(time_aux,cos(2*pi*7.*time_aux));
 filter: este comando determina la solución de la
hold off;
ecuación general de diferencias 𝑦[𝑛] + 𝑎1 𝑦[𝑛 − 1] +
⋯ + 𝑎𝑁 𝑦[𝑛 − 𝑁] = 𝑏𝑜 𝑥[𝑛] + 𝑏1 𝑥[𝑛 − 1] + ⋯ +
𝑏𝑚 𝑥[𝑛 − 𝑚] cuando la señal de entrada está dada por el
vector x y el vector zi contiene las condiciones iniciales.
 1

0.8

0.6

0.4

0.2

-0.2

-0.4

-0.6

-0.8

-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Fig. 5. Gráfica 𝑓1 (𝑡) = cos⁡(2𝜋3𝑡) muestreada a 𝑓𝑠 = 10 Fig. 7. Señal x(t) = 5 𝑐𝑜𝑠(2π5t) + 2 𝑐𝑜𝑠(2π50t) original

0.8

0.6

0.4

0.2

-0.2

-0.4

-0.6

-0.8

-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Fig. 6. Gráfica 𝑓2 (𝑡) = cos⁡(2𝜋7𝑡) muestreada a 𝑓𝑠 = 10

Fig. 8. Señal x(t) = 5 𝑐𝑜𝑠(2π5t) + 2 𝑐𝑜𝑠(2π50t) con ruido aleatorio
D. Ruido y filtrado
Suponga que la señal 𝑥(𝑡) = 5 𝑐𝑜𝑠(2𝜋5𝑡) + 2 𝑐𝑜𝑠(2𝜋50𝑡) Se puede reducir el efecto del ruido calculando el
muestreada con 𝑓𝑠 = 1000 muestras por segundo, está dañada promedio de N muestras de x[n] = x_noisy,
por una pequeña cantidad de ruido, de acuerdo con los implementando la siguiente ecuación de diferencias:
comandos siguientes:
𝑥[𝑛] + 𝑥[𝑛 − 1]+. . . +𝑥[𝑛 − 𝑁 + 1]
𝑦[𝑛] =
𝑁
amplitude_1 = 5; freq_1 = 5; Mientras más grande sea N, más se eliminará el ruido, sin
amplitude_2 = 2; freq_2 = 50; embargo, si N es demasiado grande, esta ecuación
f_s = 1000; time = 0:1/f_s:(1-1/f_s); eliminará las frecuencias altas de las componentes
sine_1 = sinodales.
amplitude_1*sin(2*pi*freq_1.*time);
sine_2 = En el siguiente gráfico se muestra la señal original
amplitude_2*sin(2*pi*freq_2.*time); procesada con N=20 con este método para eliminar el
noise = randn(1,length(time)); ruido.
x_clean = sine_1 + sine_2;
x_noisy = x_clean + noise;
b = ones(1,N);
figure(1);
y = filter(b,1,x_noisy);
plot(time,x_clean);
plot(time,y);
figure(2);
plot(time,x_noisy);
 B. Calcule 𝒚[𝒏] = 𝒙[𝒏] ∗ 𝒙[𝒏] ∗ 𝒙[𝒏] ∗ 𝒙[𝒏] usando la
función de Matlab conv para la secuencia:
1,⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡0 ≤ 𝑛 ≤ 1
𝑥[𝑛] = {
0, 𝑐𝑎𝑠𝑜⁡𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

x=[1 1 0 0 0 0 0 0 0 0 0];
y=conv(conv(x,x),conv(x,x));
stem(y,'filled','m'),title
'y[n]=x[n]*x[n]x[n]*x[n]'

Fig. 9. Señal x(t) = 5 𝑐𝑜𝑠(2π5t) + 2 𝑐𝑜𝑠(2π50t) filtrada con el promedio

de N=20 muestras sucesivas

V. EJERCICIOS ADICIONALES

A. Calcular la suma de convolución del siguiente par de secuencias

utilizando la función “conv” de Matlab:

1,⁡⁡⁡⁡0 ≤ 𝑛 ≤ 2
0,⁡⁡⁡⁡3 ≤ 𝑛 ≤ 6
𝑥[𝑛] = {
1,⁡⁡⁡⁡7 ≤ 𝑛 ≤ 8
0,⁡⁡⁡⁡𝑜𝑡𝑟𝑜⁡𝑐𝑎𝑠𝑜

𝑛,⁡⁡⁡1 ≤ 𝑛 ≤ 4⁡
ℎ[𝑛] = {
0,⁡⁡⁡⁡𝑜𝑡𝑟𝑜⁡𝑐𝑎𝑠𝑜
Fig. 11. Señal de salida 𝑦[𝑛]

Explicación: Se desarrolló en un vector los puntos de la función

x=[1 1 0 0 0 0 1 1 0 0 0 0]; X[n], ya que la función conv tiene como argumentos los vectores de
h=[1 2 3 4 0 0 0 0 0 0 0 0]; las señales discretas que van a hacer la convolución. Y ya que la
y= conv(x,h); convolución es asociativa, se procedió a encontrar la convolución de
stem(y,'filled','m'),title esta manera:
'y[n]=x[n]*h[n]' 𝑦[𝑛] = [𝑥[𝑛] ∗ 𝑥[𝑛]] ∗ [𝑥[𝑛] ∗ 𝑥[𝑛]]
y valiéndonos de la función stem graficamos la salida y[n].

C. Escribir un programa en Matlab que obtenga la respuesta

a los impulsos para el sistema descrito por las siguientes
ecuaciones de diferencia para valores desde 𝒏 = 𝟎 a 𝒏 = 𝟐𝟎.

𝑦[𝑛] + 2𝑦[𝑛 − 1] + 𝑦[𝑛 − 2] = 0,⁡⁡⁡⁡⁡𝑦[0] = 1⁡⁡⁡˄⁡⁡⁡𝑦[1] = 1

A=[1,2,1];
B=[0,0,0];
z=zeros(1,20);
ini=filtic(B,A,[1,0]);
y=filter(B,A,z,ini);
stem(1:20,y,'filled','m'), title 'Salida
y[n]'

Fig. 10. Salida y[n]=x[n]*h[n]

Explicación: Para este ejercicio se desarrolló en un vector los puntos

de cada función, ya que la función conv tiene como argumentos los
vectores de las señales discretas que van a ser convolucionadas, y
valiéndonos de la función stem graficamos la salida y[n].
 z=impz(b,a,N);
stem(z,'filled','m')

Fig. 12. Salida y[n]

Fig. 14. Respuesta al impulso 𝑦[𝑛] + 𝑦[𝑛 − 1] + 𝑦[𝑛 − 2] = 𝑥[𝑛]

𝑦[𝑛] + 𝑦[𝑛 − 1] + 2𝑦[𝑛 − 2] = 0

K= [1, 1, 2];
S= [0, 0, 0];
v= zeros(1,20);
ini = filtic (S,K,[1,0]); D.2 4𝑦[𝑛] + 𝑦[𝑛 − 1] + 3𝑦[𝑛 − 2] = 𝑥[𝑛]6𝑥[𝑛 − 4]
y =filter (S,K,v,ini);
stem(1:20,y,'filled','m'), title 'Salida N=20; a=[4 1 3]; b=[1 0 0 1];
y[n]'; z=impz(b,a,N);
stem(z,'filled','m')

Fig. 13. Salida y[n]

Explicación: Se han generado dos vectores con los coeficientes de la
ecuación de diferencias y para ir guardando las respuestas a los
impulsos se generó el vector de ceros con 20 posiciones. Con el
comando filtic damos valores iniciales de reposo y el comando filter
nos permite obtener la salida del sistema. Finalmente graficamos el
resultado con el comando stem.
Fig. 15. Respuesta al impulso 4𝑦[𝑛] + 𝑦[𝑛 − 1] + 3𝑦[𝑛 − 2] = 𝑥[𝑛]6𝑥[𝑛 −
4]
Explicación: Se selecciona un N=20 para realizar la operación de la
respuesta al impulso, se utiliza el comando de Matlab para calcularlo
y se dibuja con “stem”

D. Escriba un programa en Matlab para calcular la respuesta
al impulso de los sistemas descritos por las siguientes
ecuaciones de diferencias.
D.1 𝑦[𝑛] + 𝑦[𝑛 − 1] + 𝑦[𝑛 − 2] = 𝑥 [𝑛]
E. Escriba un programa en Matlab para graficar la respuesta
de estado estacionario para la entrada 𝒙[𝒏] = 𝐬𝐢𝐧(𝝎𝒏) 𝝁[𝒏]
de los filtros descritos por las siguientes tres ecuaciones de
𝝅
diferencias. Considere 𝝎𝟏 = y 𝝎𝟐 = 𝝅.
𝟑

N=20; a=[1 1 1]; b=1; 𝑦[𝑛] = 𝑥[𝑛 − 2] + 𝑥[𝑛 − 1] + 𝑥[𝑛]

 Para w1=pi/3
t=30; 2

for i=1:t 1
x_1(i)=sin(pi/3*(i-1));
0
end
for i=1:t -1

x_2(i)=sin(pi*(i-1)); -2
end 0 5 10 15 20 25 30

y_1=filter([1 1 1],1, x_1); x 10

-14
Para w2=pi
y_2=filter([1 1 1],1, x_2); 1

subplot(2,1,1);stem(0:29,y_1,'r'),title
0
'Para w1=pi/3';
subplot(2,1,2);stem(0:29,y_2,'b'),title -1
'Para w2=pi';
-2
0 5 10 15 20 25 30
Para w1=pi/3
2
Fig. 17. Respuesta para x[n] para w1 y w2
1

0
𝑦[𝑛] = 𝑥[𝑛 − 2] + 2𝑥[𝑛 − 1] + 𝑥[𝑛]
-1

-2 t=30;
0 5 10 15 20 25 30
for i=1:t
x 10
-14
Para w2=pi x_1(i)=sin(pi/3 * (i-1));
2
end
1 for i=1:t
0 x_2(i)=sin(pi*(i-1));
end
-1
y_1=filter([1 2 1],1, x_1);
-2
0 5 10 15 20 25 30
y_2=filter([1 2 1],1, x_2);
subplot(2,1,1);stem(0:29,y_1,'r');title
'Para w1=pi/3';
Fig. 16. Respuesta para x[n] para w1 y w2 subplot(2,1,2);stem(0:29,y_2,'b'),title
'Para w2=pi';
1
𝑦[𝑛] − 𝑦[𝑛 − 1] = 𝑥[𝑛]
2
Para w1=pi/3
t=30; 4

for i=1:t 2
x_1(i)=sin(pi/3*(i-1)); 0
end
for i=1:t -2

x_2(i)=sin(pi*(i-1)); -4
0 5 10 15 20 25 30
end
y_1=filter(1,[1 -1/2], x_1); x 10
-14
Para w2=pi
2
y_2=filter(1,[1 -1/2], x_2);
subplot(2,1,1);stem(0:29,y_1,'r'),title 1

'Para w1=pi/3'; 0
subplot(2,1,2);stem(0:29,y_2,'b'),title
-1
'Para w2=pi';
-2
0 5 10 15 20 25 30

Fig. 18. Respuesta para x[n] para w1 y w2

Explicación: Primero se ha definido un periodo en el que se

graficará la respuesta de estado estacionario, en este caso lo hemos
realizado un proceso iterativo hasta n=30. Colocamos los
coeficientes de la ecuación y nos valemos de la función subplot para
colocar las gráficas juntas tanto para w1 y w2.

F. Suponga que se quiere procesar la señal continua 𝒙𝒂 (𝒕) =

𝟑 𝐜𝐨𝐬(𝟐𝝅𝟏𝟎𝟎𝟎𝒕) + 𝟕⁡𝐬𝐢𝐧⁡(𝟐𝝅𝟏𝟏𝟎𝟎𝒕) usando un sistema
discreto. La frecuencia de muestreo usada es de 4000
muestras por segundo. El procesamiento discreto es descrito
por la siguiente ecuación de diferencia 𝒚[𝒏] = 𝒙[𝒏] + 𝒙[𝒏 −
𝟐]. Después del procesamiento, las muestras de la salida 𝒚[𝒏]
son convertidas de nuevo a una forma continua. Escriba un
programa en Matlab para hacer una simulación de la solución
de este problema e interprete el efecto que tuvo el
procesamiento en la señal de entrada.

fs=4000; time=0:1/fs:(1-1/fs);
xa
=3*cos(2*pi*1000.*time)+7*sin(2*pi*1100.*
time);
xd=xa(1:100:length(xa));
y=filter([1 0 1],1,xd);
n=0:100:length(na); Fig. 21. Secuencia x[n]
h=sinc(-10:0.01:10);
for i=1:length(n),
aux(i,100*i-99:100*i-
100+length(h))=h*y(i);
end;
yc=sum(aux);
ya=yc(1001:length(yc)-1000);
Ta=1/400000;
figure(1);
stem(xd)
figure(2);
stem(y)
figure(3);
plot(na*Ta,xa)
figure(4); Fig. 22. Secuencia y[n]
plot(na*Ta,ya)

Explicación: Se procedió a ingresar la señal analógica 𝑥𝑎 ,

muestreada a 4000, luego de esa misma señal, se tomó muestras para
obtener 𝑥𝑑 . Se aplicó a esa señal un filtro y se guardó en 𝑦.
Posteriormente se interpoló truncando la función con la SINC para
obtener la 𝑦𝑎
Interpretación: Este procesamiento filtró una de las componentes
sinusoidales de la señal

VI. CONCLUSIONES Y RECOMENDACIONES

A. Conclusiones

 Matlab es una herramienta que nos permite ejecutar

procesos que serían muy extensos de realizar a mano,
Fig. 19. Señal analógica x[n] además de obtener gráficas con gran precisión.
 El estudiante se ha familiarizado con el tratamiento de
señales discretas en Matlab.
 Se ha entendido la funcionalidad de los diversos
comandos existentes en Matlab para el procesamiento de
señales discretas.

B. Recomendaciones

 Es importante definir la extensión de los ejes para

observar el gráfico con claridad.
 Usar las propiedades de la convolución para facilitar el
trabajo al momento de calcularla.
 Si se desea observar la diferencia entre una señal y otra
Fig. 20. Señal analógica y[n] muy parecida, graficarla en la misma figura de diferente
color.
 REFERENCIAS
[1] Paulo Diniz, Eduardo da Silva, and Sergio Netto. Digital Signal
Processing: System Analysis and Design, 2nd Edition. Cambridge
University Press, ISBN 978-0-521-88775-5, 2010.