UNIVERSIDAD POLITÉCNICA SALESIANA PROCESAMIENTO DIGITAL DE SEÑALES

FECHA: 2020-07-21

TRANSFORMADA DE FOURIER Y FILTRO FIR

Monteros Jiménez Stalyn Alexander
e-mail: smonterosj@est.ups.edu.ec
Toaza Anago Jonathan Xavier
e-mail: jtoazaa@est.ups.edu.ec

Donde 'N' es el número de muestras de la ventana

que se va a analizar, 'T' es el periodo de muestreo
RESUMEN: En el presente trabajo se busca (inverso a la frecuencia de muestreo que
identificar, analizar y contrastar los conceptos vistos denominaremos 'f'), 'n' es el Índice de la frecuencia
en clases aplicando conceptos básicos y operaciones cuyo valor queremos obtener y 'm(kT)’ indica la
relacionadas con la transformada de Fourier y filtros muestra tomada en el instante 'kT' (muestra K-ésima)
FIR. Además, corroborar de una manera gráfica y de la ventana. Algunos de estos valores se ilustran en
mediante software (Matlab), las diferentes la figura 1.
propiedades básicas vistas  de dicha transformada y
filtro, así como la aplicación en el filtrado de señales.
Las  operaciones  que  se realizan están acompañadas
de un compendio de simulaciones que corroboran las
operaciones matemáticas presentadas en el informe.

PALABRAS CLAVE: Transformada de Fourier, filtros,

ancho de banda.

F
1. OBJETIVOS igura 1: Señal muestreada, con indicaciones del significado
de ‘m(k)’, ‘T’, y ‘kT’.
1.1 OBJETIVO GENERAL
El valor del parámetro 'n' determina la frecuencia
- Obtener los conocimientos referentes a la concreta que se va a analizar, es decir, representa
transformada de Fourier y Filtros FIR con sus una de las frecuencias en las que se va a tratar de
respectivos ejemplos en el análisis de descomponer la señal de partida, de esta manera,
señales. para hacer el estudio con todas las frecuencias,
usamos el rango completo de variación de 'n': n=0,1,2,
1.2 OBJETIVOS ESPECÍFICOS .... N-1.

Desarrollando la fórmula de la transformada de

- Entender mediante un ejemplo como
Fourier para los distintos valores de 'n', tenemos:
funcionan y para qué sirve la transformada de
Fourier. N −1
- Implementar el filtrado FIR digital utilizando la 1
plataforma Matlab.
n=0 ⇒ F ( 0 )=
N
∑ m ( kT ) ¿ e0
k=0

N −1 k
1 1 −j2π
2. MARCO TEÓRICO n=1⇒ F ( )
N
f =
N
∑ m ( kT ) ¿ e
k=0
N

2.1 Transformada de Fourier N −1 k

2 1 −j4 π

2.1.1 Conceptos Básicos

n=2⇒ F ( )
N
f =
N
∑ m ( kT ) ¿ e
k=0
N

Para explicar el funcionamiento de la transformada N −1 k

N −1 1 − j 2(N −1)π
de Fourier, partiremos de su formulación básica y
explicaremos los conceptos fundamentales.
n=N−1 ⇒ F
N (
f =
N ) ∑ m ( kT ) ¿ e
k=0
N

N−1 k Con las ecuaciones anteriores se obtienen las

n 1 − j2 πn
F ( )
NT
=
N
∑ m ( kT ) e
k=0
N
n=0,1 , …∗N−1 siguientes ideas:

(1)  La porción de la señal que se analiza se

encuentra en el bloque de muestras m(0),

1
UNIVERSIDAD POLITÉCNICA SALESIANA PROCESAMIENTO DIGITAL DE SEÑALES
FECHA: 2020-07-21

m(1), m(2), ...., m (N-1), debido al sumatorio n=2⇒

N−1

∑ m ( kT )∗… 2 1 −j4 π
99 k


k=0
La frecuencia f=0Hz. (correspondiente a n=0)
F (
100 )
10000 =F ( 200 Hz )= ∑
100 k=0
m ( kT ) ¿ e 100

se halla haciendo la media aritmética de los

valores de las muestras, por lo que n=49 ⇒
representa la componente continua de la
99 k
señal. 49 1 − j 98 π
 El parámetro 'n' actúa de índice para obtener
las distintas frecuencias de estudio, por ello
F ( 100 )
10000 =F ( 4900 Hz ) = ∑
100 k=0
m ( kT ) ¿ e 100

nos encontramos con la secuencia:

Como se puede observar, el análisis se realiza
sobre un ancho de banda de 5KHz. con una
F ( N0 f ) , F ( N1 f ) , F ( N2 f ) ,… , F ¿ donde n /N resolución espectral de 100 Hz.

Una vez explicados los conceptos básicos relativos

es una proporción (en este caso de ' f '.
a anchos de banda, resolución espectral, etc. del
análisis, vamos a pasar a detallar el significado y
 Los valores que se obtienen para
funcionamiento del sumatorio de la fórmula de la
0 ≤ n< N /2 coinciden con los obtenidos en transformada de Fourier.
el intervalo N /2 ≤n< N−1, (con ' n ' par)
por lo que es suficiente realizar los cálculos Con un' n ' (frecuencia) y 'N' fijados, el
en una de las dos mitades. Según el criterio N−1 k
− j 2 πn
de Nyquist, el ancho de banda de la señal N
coincide con la mitad de la frecuencia de
sumatorio ∑ m ( kT )∗e depende únicamente
k=0
muestreo ' f ', correspondiente a del parámetro ' k '. En este sumatorio la operación
n=0,1,2 , … , ( N /2 ) −1. primordial es la multiplicación de cada muestra m ( kT )
 Los valores
del bloque de datos por el valor exponencial. Esta
n=1⇒ 2 π , n=2 ⇒ 4 π ,… , n=N−1 ⇒2(N −1) π
multiplicación, como veremos más tarde, hace las
, indican las frecuencias de las señales funciones de comparador entre ambos operandos (
sinusoidales y cosenoidales con las que se m ( kT )y el valor exponencial).
comparará la señal original, este concepto se
explicará a lo largo del apartado. La expresión exponencial representa un número
 Si aumentamos el valor de ' N ' , complejo en coordenadas polares (r∗e jθ ), donde 'r'
conseguimos hacer el análisis con un mayor
es el módulo y ' θ ' el argumento. Gráficamente:
número de frecuencias (0 ≤ n ≤ N −1) , pero
a costa de un mayor tiempo para calcular las
operaciones del sumatorio (0 ≤ k ≤ N −1).

A modo de ejemplo, realizaremos el mismo

desarrollo suponiendo una señal de voz muestreada a
10000 muestras/sg. y un bloque de 100 datos
( N =100). Esto implica que se va a realizar el
análisis de 10 ms. de tiempo.

n=0 ⇒
Por lo que el argumento del valor complejo de nuestra
99
0 1 expresión depende de ' k ' , esto significa que nos
F
100( )
10000 =F ( 0 Hz )= ∑ m ( kT ) ¿ e 0
100 k=0 encontramos ante un complejo que va girando en el
círculo unidad con una velocidad angular θ=2 πn y
n=1⇒ con saltos discretos de k /N radianes del recorrido
total. La representación gráfica de este concepto se
99 k
1 1 − j 2expresa
π a continuación:
F
100( )
10000 =F ( 100 Hz )= ∑ m ( kT ) ¿ e
100 k=0
100

2
UNIVERSIDAD POLITÉCNICA SALESIANA PROCESAMIENTO DIGITAL DE SEÑALES
FECHA: 2020-07-21

sen ( x ) , sen (3 x ) y sen(10 x)), el resultado del

sumatorio (área de la función) se hace bastante mayor
que cero, mientras que si la frecuencia del seno no
forma parte de la señal original (el resto de los casos),
el valor del sumatorio se aproxima a cero.

La rotación del valor complejo en el círculo unidad

se puede representar mediante sus correspondientes
valores de senos y cosenos, de manera que el
sumatorio:

N−1

∑ m ( kT )∗{cos (−2 πn Nk )+ j∗sen (−2 πn Nk ) }

k=0

se convierte en un recorrido en ' k ' de cada muestra

del bloque por cada valor de la función seno (y Fig
coseno) correspondiente ura 4: Comparación de las funciones seno de diferentes
frecuencias con un bloque de la señal que se pretende
{m ( 0 )∗sen ( 0 )+ m ( 1 )∗sen(−2 πn/ N )+m(2)∗sen (−4 πn /N )+… } descomponer.
y análogamente con los cosenos.

Esta idea se representa en la figura 4, en la que

aparecen tres senos con frecuencias
2 π ( n=1 ) , 4 π ( n=2 ) , 6 π ¿. Estos senos se
comparan con un bloque (de tamafio ' N ' ) de la sefial
que se pretende descomponer. A simple vista se
adivina que el seno que mejor encaja es el segundo(
4 π ).
La razón por la que el sumatorio actúa de
comparador (y este razonamiento es clave para
entender el funcionamiento de la transformada de
Fourier), es que cuando el bloque de la señal
analizada es parecido al seno (o coseno) por el que se
multiplican las muestras, el valor final del sumatorio
será alto (alejado de cero), esto es así porque los
valores positivos del seno (o coseno) se multiplicarán
por valores positivos de la señal, y los valores
negativos por los negativos de la señal. En el caso de
que la señal no se parezca al seno (o coseno), los
valores positivos y negativos se irán contrarrestando, y
el resultado del sumatorio se aproximará más a cero.
Fi
Las figuras 5 y 6 muestran el resultado de gura 5: Señal que se pretende descomponer y resultado de
comparar una señal compleja (función superior de la compararla con senos de diferentes frecuencias.
figura 5) por señales sinusoidales de diferentes
frecuencias. Como se puede apreciar, cuando la
frecuencia del seno forma parte de la composición de
la señal original (en nuestro caso

3
UNIVERSIDAD POLITÉCNICA SALESIANA
FECHA: 2020-07-21
Fi
gura 6: Señal que se pretende descomponer y resultado de
compararla con senos de diferentes frecuencias
(continuación).
El resultado del sumatorio (para un ' n ' fijado) es
un número complejo que indica la similitud de la señal
analizada con el seno y coseno de la frecuencia
dependiente de ' n ' . La parte real del complejo
representa la semejanza entre la señal y el coseno, la
parte imaginaria se refiere al seno.
Obviamente un valor alto en el seno o en el coseno
indica que la señal original se puede descomponer en
un conjunto de señales simples entre las que se
encontrará una de esta frecuencia. Para ponderar la
importancia de ambos valores, habitualmente se utiliza
la distancia euclídea:
Módulo= √ Real 2+ Imaginario 2
2.1.2 Filtrado
Los filtros son una red que separa señales de
acuerdo a su frecuencia. Es un elemento que
discrimina una determinada frecuencia de una señal
eléctrica que pasa a través de él, pudiendo modificar
tanto su amplitud como su fase.
4
PROCESAMIENTO DIGITAL DE SEÑALES
Un filtro digital es un sistema que, dependiendo de
las variaciones de las señales de entrada en el tiempo
y amplitud, se realiza un procesamiento matemático
sobre dicha señal.
 Filtro pasa bajas: un filtro pasa bajos
corresponde a un filtro caracterizado por
permitir el paso de las frecuencias más bajas
y atenuar las frecuencias más altas.
Ventajas de los filtros activo s pasa bajas son:
 Tamaño reducido: debido al empleo de
amplificadores operacionales.
 Independencia entre etapas: permite la
realización de filtros de cualquier orden,
simplemente conectado en cascada
etapas de primer y segundo orden.
 Ganancia en la banda de paso: además
de proveer rechazo para las frecuencias,
no deseadas, amplifica las señales.
 Costo reducido: el costo del filtro lo
determina el amplificador operacional.
Desventajas que presentan los filtros activos:
 Las señales están referidas a tierra.
 Voltaje limitado.
 Potencia limitada.
 Filtro pasa altas: un filtro pasa alto (HPF) es
un tipo de filtro electrónico en cuya respuesta
de frecuencia se atenúan las componentes
de baja frecuencia, pero no las de alta
frecuencia, estas incluso pueden amplificarse
en los filtros activos.
 Filtro pasa banda: este filtro, como su nombre
parece indicar, se queda con una
determinada banda de frecuencias menores
al extremo inferior de la banda seleccionada,
y las frecuencias mayores al extremo
superior de dicha banda, son eliminadas de
la señal original.
 Filtro rechaza banda: el filtro elimina banda
es un filtro electrónico que no permite el paso
de señales cuyas frecuencias se encuentran
comprendidas entre las frecuencias de corte
superior e inferior.
2.2 Filtro FIR
2.2.1 Conceptos Básicos
Un filtro FIR (Finite Impulse Response) es aquel
que tiene una respuesta finita al impulso y que se
caracterizan por ser sistemas no recursivos, en auge
gracias a las implementaciones posibles debido al
avance de la tecnología.
UNIVERSIDAD POLITÉCNICA SALESIANA PROCESAMIENTO DIGITAL DE SEÑALES
FECHA: 2020-07-21

Un filtro FIR de orden L se describe mediante la los coeficientes, como se observa en la Figura 8. La
ecuación en diferencias: estructura transpuesta es generalmente la forma
preferida de implementar filtros FIR, puesto que
elimina la necesidad de introducir una etapa de
y ( n )=a0 x ( n ) +a 1 x ( n−1 ) +a 2 x ( n−2 ) +…+ aL x (n−L)segmentación adicional para implementar el árbol de
sumadores en cascada, que se convierte en
, donde la secuencia a k son los coeficientes del filtro.
obligatoria cuando se trata de conseguir la mayor tasa
A partir de esta ecuación en diferencias puede
de transferencia (throughput) para el filtro.
obtenerse la función de transferencia del filtro en el
dominio de Z:
L−1
F ( z )=∑ a [k ] z−k
k=0

En este tipo de filtrado no existe retroalimentación.

Además, la respuesta al impulso H(w), es de duración
finita ya que si la entrada se mantiene en cero durante
L periodos consecutivos la salida también será cero.
Algunas de las características de este tipo de filtros
son las siguientes:
 Un filtro FIR puede ser diseñado para tener
fase lineal.
 Siempre son estables porque son hechos
únicamente con ceros en el plano complejo.
 Los errores por desbordamiento no son
problemáticos porque la suma de productos
en un filtro FIR es desempeñada por un
conjunto finito de datos.
 Un filtro FIR es fácil de comprender e
implementar.
 La salida siempre es una combinación lineal
de los valores presentes y pasados de la
señal de entrada.
 Tiene memoria finita.
La interpretación gráfica de un filtro LTI FIR de
orden L se realiza directamente a partir de su
ecuación en diferencias, tal y como se muestra en la
Figura 7. Ésta es la denominada Implementación con
Estructura Directa. Puede observarse que para su
realización se utilizan básicamente una línea de
elementos de retardo, multiplicadores y sumadores,
con un número de etapas igual al orden del filtro.
Fi
gura 8: Filtro FIR con estructura directa transpuesta. FIR.
Aunque los anteriores son dos de los esquemas
más clásicos, en realidad existen un número
literalmente infinito de estructuras equivalentes que
realizan la misma función de transferencia, por lo que
en un supuesto ideal todas ellas serían equivalentes.
No obstante, al utilizar aritmética con precisión finita,
no todas obtienen los mismos resultados, por lo que
es de vital importancia elegir una estructura que tenga
los mínimos efectos sobre la cuantización de las
señales. Así pues, en la práctica se han propuesto
diferentes estructuras, cada una representando
diferentes compromisos entre precisión, velocidad y
tamaño. Además de las mencionadas, algunas
utilizadas frecuentemente son:
 Cascada de secciones de primer o segundo
orden (resultan de interés porque son menos
sensibles a la cuantización de los
coeficientes que las estructuras de mayor
orden).
 Descomposición polifase (en paralelo) de
secciones de primer o segundo orden.
Estructuras lattice (celosía).
3. Estructuras específicas para filtros de fase
lineal.

4. MATERIALES
- Software Matlab

5. DESARROLLO Y
Fi
gura 7: Estructura directa filtro FIR.
PROCEDIMIENTO

Una variación de este modelo es la llamada 5.1 Ejercicio 1 Transformada de

Implementación con Estructura Directa Transpuesta. Fourier
Esta puede derivarse de la Implementación Directa sin
más que modificar la posición de los elementos de Calculo de la transformada de Fourier de una señal
retardo, lo que obliga también a cambiar el orden de senoidal, grafica de la amplitud del espectro y de la

5
UNIVERSIDAD POLITÉCNICA SALESIANA PROCESAMIENTO DIGITAL DE SEÑALES
FECHA: 2020-07-21

potencia del espectro en todo el rango de la frecuencia

de muestreo y a rango medio Fs/2

Implementar el siguiente código:

close all;clear all;clc

% generador de secuencia para onda sinusoidal
fs=8000; %tasa de muestreo
n=1000; % numero de puntos para datos
x=2*sin(2000*pi*[0:1:n-1]/fs); % ecuacion 1
% aplicacion de algoritmo

figure(1) %genera figura 1

xf=abs(fft(x))/n; %calculo del espectro de amplitud
p=xf.*xf; %calculo de espectro de potencia
f=[0:1:n-1]*fs/n; %asigna el valor de bin a la frecuenca
(hz)
subplot(2,1,1); plot(f,xf);grid % divicion para a figura 1
grafica funcion f,fc con cuadricula
xlabel('frequency (hz)'); ylabel('amplitude spectrum
(dft)'); % titulos en ejes x frecuencia: y amplitud de
spectro
subplot(2,1,2);plot(f,p);grid %divicion de figura 1
grafica f,p
xlabel('frequency (hz)'); ylabel('power spectrum (dft)');
%titulos en ejes x frecuencia y espectro de potencia.
Figura 4.1.2: Convertidor a espectro lateral.
figure (3) %genera figura 3
% rellena de ceros la longitud necesaria hasta 1024
x=[x,zeros(1,24)]; %genera el vector x con ceros de 1
a 1024
n=length(x); % iguala el numero de componentes de
un vector al mismo tamaño
xf=abs(fft(x))/n; %calcula el espectro de amplitud
rellnado con ceros del vector n
p=xf.*xf; %calcula el espectro de pontencia
f=[0:1:n-1]*fs/n; %vector f desde 0 en pasos de 1 hasta
n-1
subplot(2,1,1); plot(f,xf);grid % divide grafica 3 grafica
f,fx
xlabel('frequency (hz)'); ylabel('amplitude spectrum
(fft)');%titulos en los ejes x frecuencia y amplitud de
espectro
subplot(2,1,2);plot(f,p);grid %divide grafica 3 grafica f,p
con cuadricula
xlabel('frequency (hz)'); ylabel('power spectrum (fft)');
%titulos en los ejes x frecuencia y espectro de
potencia.

Figura 4.1.1: Espectro de amplitud.

figure(2) %genera figura 2

%convertidor a espectro lateral
xf(2:n)=2*xf(2:n); % funcion para espectro en un solo
lado
p=xf.*xf; % calculo del espectro de potencia
f=[0:1:n/2]*fs/n; % maximo valor de la frecuencia hasta
la frecuencia de plegado
subplot(2,1,1); plot(f,xf(1:n/2+1));grid % divide la figura
2 grafica f ' fx con cuadriculas
xlabel('frequency (hz)'); ylabel('amplitude spectrum
(dft)');%titulos en ejes x frecuencia y amplitud de
espectro
subplot(2,1,2);plot(f,p(1:n/2+1));grid %divide figura 2
grafica f'p
xlabel('frequency (hz)'); ylabel('power spectrum (dft)'); Figura 4.1.3: Genera el vector x con ceros.
%subtitulos en los ejes x frecuencia y espectro de
potencia. figure(4) %genera figura 4
% convertidor a espectro unilateral
xf(2:n)=2*xf(2:n); %funcion para espectro unilateral
p=xf.*xf; %calculo espectro de potencia

6
UNIVERSIDAD POLITÉCNICA SALESIANA
FECHA: 2020-07-21
f=[0:1:n/2]*fs/n;%vector f desde 0 en pasos de 1 hasta
n/2
subplot(2,1,1); plot(f,xf(1:n/2+1));grid %divide la grafica
4 grafica f,fx con cuadricula
xlabel('frequency (hz)'); ylabel('amplitude spectrum
(fft)'); %titulos en los ejes x frecuencia y amplitud de
espectro
subplot(2,1,2);plot(f,p(1:n/2+1));grid %divide la grafica
4 grafica f y p
xlabel('frequency (hz)'); ylabel('power spectrum (fft)');
%titulos en los ejes x frecuencia y espectro de
potencia.
Figura 4.1.4: Convertidor al espectro unilateral.
5.2 Ejercicio 2 Transformada de Fourier
Utilización ventanas para reducción del manchado
espectral. Tipo de ventana Triangular, Hamming y
Hamming.
Implementar el siguiente código
close all;clear all;clc
% genera la secuencia de la onda sinusoidal
fs=8000; t=1/fs; % valores de tasa de muestreo y
periodo de muestreo
x=2*sin(2000*pi*[0:1:50]*t); %genera 51 muestras de
2000 hz mediante la funcion x
% utiliza el algoritmo fft
n=length(x);% longitud maxima del vector tomando la
funcion x
index_t=[0:1:n-1];%accede al elemento de la matris de
acuerdo al rango deseado
f=[0:1:n-1]*8000/n; %cambio del mapa bin a frecuencia
hz
xf=abs(fft(x))/n; %calcula la amplitud del espectro
figure(1) % genera la figura 1
%empieza la utilizacion de la ventna de bertlett
x_b=x.*bartlett(n)'; %aplica la funcion de la ventana
triangular
xf_b=abs(fft(x_b))/n; %calcula la amplitud del espectro
subplot(2,2,1);plot(index_t,x);grid %divide figura 1y
grafica index de t,x con cuadricula
xlabel('time index n'); ylabel('x(n)');%genera titulos en
los ejes x tiempo de index y valor de x(n)
subplot(2,2,3); plot(index_t,x_b);grid%divide la grafica
1 grafica index de t con variabes x,b con cuadricula
7
PROCESAMIENTO DIGITAL DE SEÑALES
xlabel('time index n'); ylabel('triangular windowed
x(n)');%genera titulos en los ejes x tiempo de index y
ventana de triangulo en funcion de x(n)
subplot(2,2,2);plot(f,xf);grid;axis([0 8000 0 1]);%divide
la grafica 1 grafica f'xf con cuadriculas
xlabel('frequency (hz)'); ylabel('ak (no window)');
%genera titulos en los ejes x frecuencia y no ventana
subplot(2,2,4); plot(f,xf_b);grid; axis([0 8000 0 1]);
%divide la gradica 1 grafica f,xf con cuadricula
xlabel('frequency (hz)'); ylabel('triangular windowed
ak');%genera los titulos en los ejes x frecuencia y
ventana de triangulo.
Figura 4.2.1: Para 51 muestras de 2000 Hz.
figure(2) %genera figura 2
% generate the sine wave sequence
x=2*sin(2000*pi*[0:1:100]*t); %genera la funcion para
tomar 101 muestras de 2000 hz
% aplyca el algoritmo fft
n=length(x);%longitud maxima del vector tomando la
funcion x
index_t=[0:1:n-1];%accede al elemento de la matris de
acuerdo al rango deseado
f=[0:1:n-1]*fs/n;%cambio del mapa bin a frecuencia hz
xf=abs(fft(x))/n; %calcula la amplitud del espectro
%aplica la ventana de hamming
x_hm=x.*hamming(n)'; %utiliza lal funcion de la
ventana de hamming
xf_hm=abs(fft(x_hm))/n; %calcula el espectro de
amplitud
subplot(2,2,1);plot(index_t,x);grid %divide la figura 2
grafica indext y x con cuadricula
xlabel('time index n'); ylabel('x(n)');%genera los titulos
en los ejes x tiempo de index y x(n)
subplot(2,2,3); plot(index_t,x_hm);grid%divide la figura
2 grafica indes t , x con cuadrigula
xlabel('time index n'); ylabel('hamming windowed x(n)');
% genera los titulos en los ejes x tiempo de indes y
ventana de hamming
subplot(2,2,2);plot(f,xf);grid;axis([0 fs 0 1]);%divide la
grafica grafica f,fx con cuadricula
xlabel('frequency (hz)'); ylabel('ak (no window)');
%genera titulos en ejes x frecuencua y ak no ventanda
subplot(2,2,4); plot(f,xf_hm);grid;axis([0 fs 0 1]);
%divide la figura 2 grafia f,fx limita la grafica con fs
xlabel('frequency (hz)'); ylabel('hamming windowed
ak');%genera los titulos en los ejes x frecuencia y
ventana de hamming.
UNIVERSIDAD POLITÉCNICA SALESIANA
FECHA: 2020-07-21
Figura 4.2.2: Para 151 muestras de 2000 Hz.
figure(3)%genera la figura 3
% genera la secuencia para la onda sinusoidal
x=2*sin(2000*pi*[0:1:150]*t); %función que genera 151
muestras de 1-khz
%aplica el algoritmo fft
n=length(x);%longitud máxima del vector tomando la
función x
index_t=[0:1:n-1];%accede al elemento de la matris de
acuerdo al rango deseado
f=[0:1:n-1]*fs/n;%cambio del mapa bin a frecuencia hz
xf=2*abs(fft(x))/n;xf(1)=xf(1)/2; %funcion del espectro
unilateral
%utiliza la funcion de vetnana de hamming
x_hn=x.*hann(n)';%calcula espectro de amplitud para
la funcion de hamming
xf_hn=2*abs(fft(x_hn))/n;xf_hn(1)=xf_hn(1)/2;%funcion
de espectro unilateral
subplot(2,2,1);plot(index_t,x);grid%divide grafica 3
grafica indes t,x con cuadricula
xlabel('time index n'); ylabel('x(n)');%genera titulos en
ejes x tiempo de index y x(n)
subplot(2,2,3); plot(index_t,x_hn);grid%divide
grafica 3 grafica indest y x
xlabel('time index n'); ylabel('hanning windowed x(n)');
%genera titulos en ejes x tiempo de index y y ventana
de hanning
subplot(2,2,2);plot(f(1:(n-1)/2),xf(1:(n-1)/2));grid;axis([0
fs/2 0 2]);%divide la grafica grafica f y xf
xlabel('frequency (hz)'); ylabel('ak (no window)');
%genera titulos en ejes x frecuencia y ak no ventana
subplot(2,2,4); plot(f(1:(n-1)/2),xf_hn(1:(n-
1)/2));grid;axis([0 fs/2 0 2]);%divide la figura 3 grafica f
y xf con cuadricula y limita a fs
xlabel('frequency (hz)'); ylabel('hanning windowed ak');
%genera los titulos en los ejes x frecuencia y ventana
de hanning
PROCESAMIENTO DIGITAL DE SEÑALES
FIGURA 4.2.3: Para 151 muestras de 1KHz.
5.3 Ejercicio 3 Filtro FIR
El siguiente es un filtro diseñado para una frecuencia
de corte de 800 HZ con frecuencia de muestreo de
8000 Hz.
La ecuación en diferencias es y(n)= 0.1871x(n-
2)+0.2x(n-1)+0.1871x(n).
Implementar el siguiente código
%Filtro para una frecuencia de corte de 800 Hz.
%con frecuencia de muestreo de 8000hz
[hz,w]=freqz([0.1871 0.2 0.1871], [1], 512);%genera
vector hz, y para diferentes frecuencias de muestreo
Phi=180*unwrap(angle(hz))/pi;%multiplica por 180 los
angulos del vector hz que esta en radianes --limita con
angle los valores dentro de menos pi a pi
Subplot(2,1,1), plot(w,20*log10(abs(hz))),grid;%genera
figura 1 la divide en dos y grafica magintud en db y
frecuencia en radianes
Xlabel('frequency (radians)'); %titulo en x frecuencia
la en radianes
Ylabel('magnitude response (db)')%titulo en y
magnitud de respuesta en db
Subplot(2,1,2), plot(w, phi); grid; %divide la grafica
grafica fase en grados y frecuencia en radianes
Xlabel('frequency (radians)');% titulo en x frecuencia
en radianes
Ylabel('phase (degrees)');%titulo en y fase en grados
8
UNIVERSIDAD POLITÉCNICA SALESIANA PROCESAMIENTO DIGITAL DE SEÑALES
FECHA: 2020-07-21

Figura 4.3.1: Genera vector hz, y para diferentes frecuencias

de muestreo.

6. ANALISIS Y RESULTADOS

7. CONCLUSIONES

 Se aprendió a usar una variedad de filtros

FIR de paso bajo con diferentes restricciones
y métodos de diseño. también se puede
utilizar para obtener diseños de paso alto,
paso de banda.
 Concluimos también que cuando realizamos
filtros con la interfaz de Matlab tenemos un
diseño de filtros mas detallado especificando
el tipo de ventanas dentro del programa.

8. RECOMENDACIONES

9. REFERENCIAS
[1] Tratamiento Digital de Señales: Problemas y
ejercicios resueltos. Soria, E.; Martínez, M.; Francés,
J.V.; Camps, G. ISBN: 84-205-3559-1. Capítulo 6:
Diseño de filtros digitales
[2]https://www.ub.edu/journalofexperimentalphonetics/
pdf-articles/EFE-X-JBobadilla_PGomez_JBernal-
FFT_una_vision_pedagogica.pdf
[3]http://bibing.us.es/proyectos/abreproy/11375/fichero
/MEMORIA%252FFundamentos+teoricos.pdf

9
UNIVERSIDAD POLITÉCNICA SALESIANA PROCESAMIENTO DIGITAL DE SEÑALES
FECHA: 2020-07-21

10