Indice General

Índice general
1 PROCESAMIENTO DE SEÑALES 1
1.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Señales Analógicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Señales Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Señales Digitales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Procesamiento de Señales Analógicas Mediante Sistemas Discretos-Digitales . . . 7
1.5.1 Proceso de Digitalización . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.2 Errores en el Proceso de Digitalización . . . . . . . . . . . . . . . . . . . 22
1.6 Implementación de Sistemas de Tiempo Discreto . . . . . . . . . . . . . . . . . . 23
1.6.1 Implementación por Software . . . . . . . . . . . . . . . . . . . . . . . . 24
1.6.2 Implementación por Hardware . . . . . . . . . . . . . . . . . . . . . . . . 24
1.7 Panorama del Procesamiento de Señales . . . . . . . . . . . . . . . . . . . . . . 27
1.8 Ejemplos con MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.9 Referencias Bibliográficas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.10 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2 SEÑALES Y SISTEMAS DE TIEMPO DISCRETO 33

2.1 Señales de Tiempo Discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
i
ÍNDICE GENERAL ÍNDICE GENERAL
2.1.1 Señales Importantes en el Análisis de Sistemas Lineales . . . . . . . . . . 36

2.1.2 Señales de Energı́a y Potencia . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2 Operaciones sobre las Secuencias . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3 Convolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.3.1 Propiedades de la Convolución . . . . . . . . . . . . . . . . . . . . . . . . 51
2.3.2 Cálculo de la Convolución . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.3.3 Convolución de Secuencias Largas . . . . . . . . . . . . . . . . . . . . . . 60
2.3.4 Convolución Numérica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.3.5 Convolución Periódica o Circular . . . . . . . . . . . . . . . . . . . . . . 69
2.3.6 Cálculo de la Convolución Circular mediante Convolución Lineal . . . . . 77
2.3.7 Cálculo de la Convolución Lineal mediante Convolución Circular . . . . . 80
2.4 Deconvolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
2.5 Correlación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
2.5.1 Propiedades de la Correlación . . . . . . . . . . . . . . . . . . . . . . . . 88
2.5.2 Cálculo de la Correlación . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
2.5.3 Correlación Periódica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
2.6 Sistemas de Tiempo Discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
2.6.1 Representación de Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . 104
2.6.2 Tipos de Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
2.7 Ecuaciones en Diferencias Finitas . . . . . . . . . . . . . . . . . . . . . . . . . . 110
2.7.1 Ecuaciones en Diferencias de Primer Orden y de Orden Superior . . . . . 111
2.7.2 Sistemas de Ecuaciones en Diferencias . . . . . . . . . . . . . . . . . . . 120
2.8 Respuesta de Estado Cero y Entrada Cero . . . . . . . . . . . . . . . . . . . . . 124
2.9 Respuesta al Impulso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
2.9.1 Relación entre la Respuesta al Impulso y la Solución Homogénea . . . . . 128
2.9.2 Respuesta al Impulso de Sistemas de Primer y Segundo Orden . . . . . . 129
2.9.3 Respuesta al Impulso - Caso General . . . . . . . . . . . . . . . . . . . . 132
2.10 Configuraciones de Sistemas (Estructuras de Realización) . . . . . . . . . . . . . 134
ii
2.10.1 Estructura Directa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

2.10.2 Estructura en Paralelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
2.10.3 Estructura en Cascada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
2.10.4 Estructura Realimentada . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
2.11 Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
2.12 Respuesta en Frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
2.14 Referencias Bibliográficas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
2.15 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
3 TRANSFORMADA DISCRETA DE FOURIER 159

3.1 Serie y Transformada de Fourier de Tiempo Continuo . . . . . . . . . . . . . . . 160
3.2 Serie de Fourier de Señales de Tiempo Discreto . . . . . . . . . . . . . . . . . . 163
3.3 Transformada de Fourier de Señales de Tiempo Discreto . . . . . . . . . . . . . 168
3.3.1 Propiedades de la TFTD . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
3.3.2 Transformada de Fourier de Señales de Potencia . . . . . . . . . . . . . . 172
3.3.3 Respuesta en Frecuencia de Sistemas LIT . . . . . . . . . . . . . . . . . . 175
3.3.4 Sistemas de Primer y Segundo Orden . . . . . . . . . . . . . . . . . . . . 178
3.4 Transformada Discreta de Fourier (DFT) . . . . . . . . . . . . . . . . . . . . . . 182
3.4.1 Propiedades de la DFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
3.4.2 Método Matricial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
3.5 Transformada Rápida de Fourier (FFT) . . . . . . . . . . . . . . . . . . . . . . . 192
3.6 Decimación en Tiempo (Partición) - Radix 2 . . . . . . . . . . . . . . . . . . . . 193
3.7 Decimación en Frecuencia - Radix 2 . . . . . . . . . . . . . . . . . . . . . . . . . 205
3.8 DFT Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
3.9 Interpretación de los Resultados de la DFT . . . . . . . . . . . . . . . . . . . . . 209
3.10 DFT de Señales Sinusoidales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
3.11 DFT de Base General N . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
3.12 Análisis en Frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
iii
3.13 CEPSTRUM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213

3.15 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
4 TRANSFORMADA ZETA 217

4.1 Definición de la Transformada Zeta . . . . . . . . . . . . . . . . . . . . . . . . . 218
4.2 Región de Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
4.3 Propiedades de la Transformada Zeta . . . . . . . . . . . . . . . . . . . . . . . . 222
4.4 Convolución en el Dominio de la Transformada . . . . . . . . . . . . . . . . . . . 225
4.5 Transformada Unilateral Zeta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
4.6 Transformada Inversa Zeta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
4.7 Solución Ecuaciones en Diferencias . . . . . . . . . . . . . . . . . . . . . . . . . 234
4.8 Función de Transferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
4.9 Estabilidad en el Dominio de la Transformada . . . . . . . . . . . . . . . . . . . 239
4.10 Estructura de Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
4.10.1 Estructura Directa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
4.10.2 Estructura en Paralelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
4.10.3 Estructura en Cascada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
4.10.4 Estructura Realimentada . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
4.10.5 Estructura Canónica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
4.12 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
5 FILTROS DIGITALES 251

5.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
5.2 Diseño de Filtros Digitales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
5.3 Aproximación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
5.3.1 Filtros IIR (Infinite Impulse Response) . . . . . . . . . . . . . . . . . . . 255
5.3.2 Filtros FIR (Finite Impulse Response) . . . . . . . . . . . . . . . . . . . 272
iv
5.4 Realización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272

5.5 Estudio de Errores Aritméticos . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
5.6 Implentación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
5.7 Ejemplos MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
5.8 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
v
vi
1
PROCESAMIENTO DE
SEÑALES
Objetivos
Comprender los diferentes tipos de señal existentes y sus principales caracterı́sticas.
Comprender los fundamentos básicos para tratamiento de señales analógicas mediante la

implementación con sistemas discretos - digitales.
Comprender el proceso de digitalización basado en el teorema de muestreo y las condi-

ciones mı́nimas teórico y prácticas requeridas para recuperar la señal original.
Contenido
1.1 Introducción. 1.6 Implementación de sistemas de tiempo

discreto.
1.2 Señales analógicas.
1.7 Panorama del procesamiento de señales.
1.3 Señales discretas.
1.8 Ejemplos con MATLAB.
1.4 Señales digitales.
1.9 Referencias Bibliográficas.
1.5 Procesamiento de señales analógicas me-
diante sistemas discretos-digitales. 1.10 Ejercicios.
1
2 1.PROCESAMIENTO DE SEÑALES
La vivencia actual y cotidiana del ser humano está plagada del uso de la tecnologı́a electrónica
como los teléfonos celulares, computadoras, videodiscos, televisión, Internet, etc., además de
otras aplicaciones tecnológicas no tan usuales que se encuentran funcionando en los centros,
institutos o laboratorios de investigación de las universidades, ası́ como en los hospitales, por
ejemplo las imágenes de tomografı́a que permiten hacer un diagnóstico más preciso a un médico,
la predicción del clima, el monitoreo y análisis de los movimientos tectónicos; por medio de la
prensa escrita y oral se ha conocido que en los años 90 en el Japón se ha logrado modificar
el comportamiento fı́sico de insectos de tal forma que se comporten como robots manipulando
su sistema nervioso y sus ondas cerebrales; en Alemania se ha posibilitado que los parapléjicos
puedan conversar con la ayuda de sistemas expertos desarrollados en hardware y software, etc.
Todos los casos mencionados han sido y son posibles mediante sistemas desarrollados con las
técnicas de análisis y diseño en tiempo discreto, los cuales son implementados o construidos con
tecnologı́a electrónica digital. El tratamiento de señales en tiempo discreto o Procesamiento
Digital de Señales es un área de estudio que se ha incrementado drásticamente en los últimos
años debido fundamentalmente al desarrollo y progreso en la capacidad para incrementar la
densidad de transistores en un solo chip (VLSI), además del avances en los sistemas multimedia
y de las crecientes aplicaciones del procesado de señal.
1.1 Introducción
Se entiende por señal, a cualquier información que describa un fenómeno natural o artificial,
por ejemplo la temperatura del medio ambiente o un latido del corazón son fenómenos naturales,
en cambio la luminiscencia de una lámpara o el ruido del transporte vehicular son fenómenos
artificiales. Regularmente las señales se representan mediante funciones que dependen de una o
más variables, por ejemplo: el sonido puede ser representado como y = y(t), es decir una función
dependiente del tiempo, en cambio una imagen fotográfica serı́a z = z(x, y), que depende de
la posición X y Y del plano, tal como se muestra en la figura 1.1 donde se muestran ondas
cerebrales y una imagen tomográfica de la cabeza.
Figura 1.1: Señales. (a) Ondas cerebrales (unidimen.) y (b) Imagen tomográfica de la cabeza
(bidimen.).
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 3
Se entiende por procesamiento de señal, a cualquier proceso de transformación (o

aplicación de operaciones) que se realiza sobre la señal para extraer o resaltar algún parámetro
o una caracterı́stica de la misma (algo útil), es decir que se realiza una transformación no
destructiva. Se puede caracterizar tres tipos de señales de interés:
Señales analógicas.
Señales discretas.
Señales digitales.
El proceso o procesado de las señales lo realiza un objeto denominado sistema. Se define co-
mo sistema a un conjunto de elementos que se encuentran interaccionando de tal forma que
permitan la transformación de la señal. Los sistemas en general se pueden clasificar de acuer-
do a su comportamiento o caracterı́sticas propias, las cuales resaltan aspectos que interesan
para el análisis, por otra parte los sistemas son descritos mediante modelos que explican su
comportamiento y funcionamiento, estos modelos pueden ser matemáticos, simbólicos, gráficos,
lexicográficos, etc. Indiferentemente del tipo de modelo que representa al mismo se identifican
tres elementos fundamentales, la señal de entrada X, el modelo del sistema S y la señal de
salida Y , tal como se muestra en la figura 1.2.
X Y
- SISTEMA -
Entrada Salida
Figura 1.2: Modelo general de un sistema
Los tipos de sistemas que interesan para el estudio de las señales de tiempo discreto son:
los sistemas dinámicos, instantáneos, inversos, invariantes en el tiempo, lineales, analógicos,
discretos y digitales. Los modelos de los sistemas que se analizaran en el texto son en general
modelos matemáticos.
1.2 Señales Analógicas

Una señal analógica es una función de valores reales que existe de forma continua, es decir
se define mediante la aplicación:
x∈R −→ y∈R: y = y(x)
Para las aplicaciones de interés en el análisis de las señales y sistemas de tiempo continuo, la
variable independiente es el tiempo ”t”, la función y(t) puede ser cualquier parámetro, como la
temperatura en un horno, la voz o habla de una persona, etc.; por ejemplo la variación de la
temperatura del medio ambiente durante un dı́a de verano en la ciudad de La Paz, puede ser
expresado como T = T (t), como se muestra en la figura 1.3.
T [o C]
6
35 −
30 −
25 −
20 −
15 −
10 −
5−
- t [Hora]
1 7 12 18 23
Figura 1.3: Variación de la temperatura del medio ambiente durante un dı́a
En la naturaleza se presentan una gran cantidad de señales, la gran mayorı́a de estas son
analógicas, en la tabla 1.1 se muestra algunas de las más frecuentes.
TIPO DE SEÑAL SEÑAL RANGO DE FRECUENCIA

Biológicas Onda cardiaca (ECG) 0.05 - 150Hz
Onda cerebral (EEG) 0.05 - 100Hz
Onda muscular (EMG) 10 - 2000Hz
Voz humana 80 - 4000Hz
Acústica Audio 20Hz - 20KHz
Sı́smicas Ruido sı́smico 0.1 - 1Hz
Terremoto 0.01 - 10Hz
Exploración sı́smica 10 - 100Hz
Electromagnéticas Telefonı́a fija 0 - 4000Hz
Radiofonı́a AM 540 - 1500KHz
Radiofonı́a FM 88 - 108MHz
Televisión VHF 58 - 157MHz
Televisión UHF 163 - 451MHz
Telefonı́a Celular 500 - 1300MHz
Televisión Satelital 3 - 14GHz
Comunicaciones Satelitales 3 - 30GHz
Luz Infrarroja 3 · 102 GHz - 3 · 105 GHz
Luz Visible 3,7 · 105 GHz - 7,7 · 105 GHz
Luz Ultravioleta 3 · 106 GHz - 3 · 107 GHz
Rayos Rayos X 3 · 108 GHz - 3 · 109 GHz
Rayos Gamma 3 · 108 Hz - 3 · 1011 GHz
Cuadro 1.1: Rangos de frecuencia de señales analógicas

Por las caracterı́sticas de las señales de tiempo continuo el procesamiento de las mismas tiene
su fundamento en el mundo de las matemáticas de los números reales como ente fundamen-
tal por naturaleza; las herramientas son el cálculo diferencial e integral, con su ampliación
mediante el cálculo en variable compleja, métodos operacionales, transformadas de Fourier,
transformadas de Laplace, etc.; siendo estas herramientas matemáticas las que han permitido
construir los métodos de análisis y sı́ntesis de señales y sistemas analógicos. Regularmente los
sistemas analógicos son modelados mediante ecuaciones algebraicas (ley de Ohm), ecuaciones
diferenciales ordinarias (ecuación de movimiento armónico simple), ecuaciones diferenciales en
derivadas parciales (ecuación de onda), ecuaciones integrodiferenciales (circuito RLC), ecua-
ciones integrales (tautocrono), ecuaciones tensoriales (ecuación del efecto piezoeléctrico) y en
general cualquier otro tipo de ecuación que involucre variables continuas.
Por otra parte el procesado de las señales analógicas involucra ciertas operaciones de las
cuales las más relevantes y comunes son: amplificación, filtrado, modulación y multiplexado,
estas operaciones son realizadas por circuitos y sistemas eléctricos - electrónicos analógicos
diseñados para efecto. Los métodos analógicos estructurados permitieron el desarrollo de la
tecnologı́a hasta mediados del siglo pasado; sin embargo el transcurso del tiempo han mostrado
las limitaciones de los mismos, por ejemplo en la calidad de la información que reproduce una
cinta de audio, la lentitud de algunos procesos, su influencia al ruido ambiental o por la cercania
de equipos. Para ejemplificar el análisis de un caso, consideremos a un grupo de personas que
conversan entre ellas, si todas estuviesen hablando al mismo tiempo y solo se desea escuchar a
una de ellas, el cerebro de la persona que escucha debe realizar un esfuerzo para aislar el habla
de las personas restantes.
η(t) @
@
@ -
SISTEMA - y(t) = f [x(t)] + η(t)
x(t) -
Figura 1.4: Modelo de sistema con ruido ambiental
Se puede modelar el fenómeno planteado de la siguiente forma: sea x(t) el habla de la persona
que se desea escuchar, η(t) el habla del resto de las personas (ruido ambiental) y y(t) la señal
escuchada, como se muestra en la figura 1.4. Incorporando un subsistema de extracción de ruido
H(s) (cierto tipo de filtro), es posible extraer la señal del fondo de ruido como se muestra en la
figura 1.5, este proceso es mucho más factible resolver con sistemas de tiempo discreto en lugar
que con los de tiempo continuo.
η(t) @
@ x(t)
@ -
H(s) - SISTEMA - y(t)
x(t) -
Figura 1.5: Modelo del sistema con subsistema H(s) de eliminación de ruido
1.3 Señales Discretas

Una señal discreta es una función de valores reales, que existe para intervalos de discretos,
es decir:
n∈Z −→ y∈R: y = y[n]
El tratamiento de estas señales involucra operaciones básicamente aritméticas y algebraicas, sus

caracterı́sticas, métodos, técnicas de análisis y diseño, se discuten ampliamente en los capı́tulos
siguientes. Existen señales tı́picamente discretas, como: la cantidad de habitantes de una ciudad,
la estimación de la cantidad de automóviles que se venderán el siguiente año, el ı́ndices de
deserción escolar, etc.; las variables discretas se predisponen para ser analizadas por medio de
la estadı́stica descriptiva e inferencial. Por ejemplo la secuencia y[n] muestra la cantidad de
vehı́culos que pasan cada hora por una avenida de la ciudad durante todo un dı́a, asimismo se
expresa estos resultados la figura 1.6:
y[n] = {5, 10, 12, 14, 21, 40, 55, 60, 46, 45, 43, 57, 67, 70, 55, 38, 30, 56, 67, 49, 37, 21, 11, 7}
V EH

6 HORA
70 − •• •
60 − • • • • •
50 − ••• •
40 − • • •
30 − •
20 − • •
•
10 −• • • ••
- HORA
1 7 12 18 20 23
Figura 1.6: Numero de vehı́culos que pasan cada hora durante un dı́a
La media de vehı́culos que pasan entre las 11:00 a 14:00 es:
57 + 67 + 70
X= = 64,7[V eh]
3
1.4 Señales Digitales

Una señal digital es una función de valores discretos que existe para ciertos intervalos
discretos, es decir:
n ∈ Z −→ Y ∈ Z : Y = Y [n]
Los fundamentos matemáticos de estas señales y sistemas se basan en el álgebra de Boole y
desde el punto de vista tecnológico su procesamiento se enmarca dentro del análisis y diseño de
sistemas digitales. Regularmente para una mejor comprensión las señales digitales se encuen-
tran codificadas, siendo el código más común el binario, que es modo usual de trabajo de las
computadoras digitales. En la siguiente figura se muestra código binario natural para 8 valores:
NUMERO CODIGO
0 000
1 001
2 010
3 011
4 100
5 101
6 110
7 111
Cuadro 1.2: Codigo binario de 3 digitos para 8 valores
1.5 Procesamiento de Señales Analógicas Mediante

Sistemas Discretos-Digitales
Se ha mencionado que la mayor cantidad de señales en la naturaleza son del tipo continuo
o analógico y que además tanto los sistemas discretos como digitales son mucho más rápidos
para ciertos procesos, con la ventaja adicional de su alta inmunidad al ruido comparativamente
a los sistemas analógicos; por esta razón es que en la actualidad se diseña sistemas discretos para
procesar señales analógicas y se implementa mediante sistemas digitales en Hardware (circuitos)
o Software (computadora). En general un sistema de procesado de señales analógicas mediante
sistemas discreto–digitales se muestra en la figura 1.7.
Existe casos cotidianos de señales que deben ser procesadas con tecnologı́a electrónica digital
o computacional, tal es el caso de: la medida de temperatura, presión atmosférica, cantidad
de lluvia por unidad de tiempo, etc., en una estación meteorológica del Instituto Nacional de
Metereologı́a e Hidrologı́a (INMH); las señales resultantes de los movimientos tectónicos en
SISTEMA
x(t) - A/D - DISCRETO - D/A -
y(t)
DIGITAL
Figura 1.7: Esquema general de procesado de señal analógica mediante un sistema discreto–
digital
el observatorio sı́smico de San Calixto; el impacto de las partı́culas del espacio exterior en
la tierra en el observatorio de Rayos cósmicos de Chacaltaya; las señales biomédicas (latido
cardiaco, ondas cerebrales, capacidad pulmonar, etc.) en el Instituto Boliviano de Biologia de
la Altura (IBBA) o en un hospital, etc. Todas las señales analógicas mencionadas requieren de
cierto tratamiento adecuado por tecnologı́a electrónica previo a su análisis en cierto entorno
computacional. Básicamente todos los sistemas de adquisición de datos están compuestos de la
misma estructura, como se muestra en la figura 1.8.
El tratamiento previo de la señal analógica requiere de acuerdo al tipo de señal y sistema,
de pasar por ciertas fases.
Procesamiento discreto - digital
x(t) Sensores y x[n]

' $- Acondicionam. - A/D
de señal
?
M
E
D H(z)
I
O
@
I
@ Acondcionam.
& % @ de Señal D/A
y(t) y Actuadores y[n]
Figura 1.8: Diagrama en bloques del procesado de señal analógica mediante sistemas discretos-
digitales
La primera fase es la obtención ó captación de la señal, se lo realiza con dispositivos

especializados denominados sensores o transductores, estos transforman la energı́a del
medio en energı́a eléctrica (preferentemente); por ejemplo las temperaturas se encuentran
grados centı́grados, los biopotenciales corporales son debido a corriente iónica en el interior
del cuerpo humano, o los movimientos tectónicos que son mecánicos.
La segunda fase consiste en el acondicionamiento de la señal, una vez que el sensor

ha transformado la energı́a del medio en señal eléctrica, todavı́a no puede ser tratado
directamente por el sistema digital por varias razones, entre ellas porque la señal es
analógica, esta contaminada con el ruido ambiental, es de amplitud muy pequeña; por
ejemplo una onda cerebral es analógica y tiene una amplitud aproximada promedio de
20[µV] en el exterior del cuero cabelludo, una onda cardiaca tiene una amplitud de 20[mV]
aproximadamente en el exterior del tórax, en ambos casos existe contaminación de ruido
medioambiental y de la frecuencia de lı́nea (50Hz), por la cercanı́a de las fuentes de
energı́a eléctrica; entonces el acondicionamiento puede tener varias etapas según el caso:
amplificación, filtrado, multiplexado, aislamiento galvanico, etc., posteriormente se realiza
la conversión analógica a digital.
La tercera fase del procesado de la señal es realizado en el interior del sistema digital,
la implementación fı́sica la realizara los circuitos dedicados o una computadora, donde se
valorará la información obtenida del medio.
Si el sistema requiere de respuesta, es necesario una cuarta fase que es la de convertir

la señal de repuesta digital a analógica. Una ultima fase puede ser la transformación de
la energı́a eléctrica en otra forma de energı́a que requiera el medio, esta fase lo realiza un
dispositivo denominado actuador.
Los argumentos expuestos a cerca de la comparación entre sistemas discretos - digitales

y analógicos son contundentes en muchos casos, sin embargo esto no significa que los sistemas
digitales podrán reemplazar totalmente a los sistemas analógicos, por ejemplo para transmitir
información a grandes distancias sigue siendo óptimo a través de modulación analógica, puesto
que las señales digitales al ser transmitidas se atenúan a distancias cortas y posteriormente es
imposible recuperarlas. En el contexto del procesamiento de la señal entonces se pone de relieve
algunos aspectos importantes como ser, capacidad, velocidad, flexibilidad, facilidad de diseño,
costo, mantenimiento, portabilidad, calidad, etc.; por ejemplo el siguiente cuadro muestra una
comparación de algunas de estas caracterı́sticas para gran parte de los equipos electrónicos:
1.5.1 Proceso de Digitalización

Para analizar señales analógicas o continuas mediante las tecnicas discretas - digitales,
es necesario realizar el proceso denominado digitalización, este proceso consta de tres etapas:
muestreo, cuantificación y codificación; es este acapite se desarrolla los elementos conceptuales
CARACTERÍSTICA SISTEMA SISTEMA

DIGITAL ANALÓGICO
Capacidad Grande Media
Velocidad Media Alta
Flexibilidad Buena Baja
Diseño Medio Complejo
Costo Bajo Medio
Mantenimiento Simple Complejo
Portabilidad Buena Regular
Calidad Buena Regular
Cuadro 1.3: Comparación entre sistemas analógicos y digitales.
de este proceso (figura 1.9) y en el apéndice C se explica las condiciones de la implementación

fı́sica de todo este proceso.
La primera fase para garantizar mejores resultados en la digitalización es el filtro anti-
aliasing o prefiltro cuya frecuencia de corte es ΩC = Ωmax , este tiene doble finalidad, en primer
lugar elimina el ruido aditivo por encima de la banda de frecuencia de la señal que se desea
analizar y en segundo lugar minimiza el efecto de aliasing porque ΩC = ΩM ≥ 2Ωmax .
x(nT ) xq [n]
x(t) - MUESTREO - CUANTIFICACIÓN - CODIFICACIÓN - X
x[n]
Figura 1.9: Proceso de digitalización
a) Muestreo: Consiste en tomar muestras de las señales analógicas cada cierto intervalo de
tiempo T denominado periodo de muestreo, que conduce a la definición de frecuencia de
muestreo. Este tópico fue ampliamente discutido desde hace bastante tiempo (más de
un centenar de años), sin embargo al no existir la tecnologı́a apropiada para su imple-
mentación fı́sica quedo en el olvido y solo con el advenimiento de la tecnologı́a digital
es que se ha retomado todos estos principios y conceptos, de los cuales los métodos y
resultados de Shannon y Nyquist son los que mejor se han difundido.
En general, no es de esperar que en ausencia de alguna condición o información adicional,
una señal se pueda especificar unı́vocamente a partir de una secuencia de muestras igual-
mente espaciadas, por ejemplo la figura 1.10 muestra dos señales senoidales de diferente
periodo f1 (t) = sen(2πt) y f2 (t) = sen(12πt), en la misma se observa la existencia de
puntos f (nT ) donde ambas son iguales.
f (nT )
• f2 (t)
•

• •
t
•
• AKA
f1 (t)
Figura 1.10: Dos senoides de diferente periodo
Si las muestras de las señales han sido tomadas a razón de T = 0,2[seg], se obtienen las
siguientes valores
n 0 1 2 3 4 5 ······
f1 (nT ) 0.00 0.95 0.59 -0.59 -0.95 0.00 · · · · · ·
f2 (nT ) 0.00 0.95 0.59 -0.59 -0.95 0.00 · · · · · ·
como se observa ambas tienen los mismos valores, lo que involucra que al reconstruir la
señal existe ambiguedad en cual de las señales se ha recuperado. Las condiciones nece-
sarias para recuperar las señales son expresadas en el el teorema de Shannon - Nyquist.
Teorema de Shannon - Nyquist
Sea f (t) una señal de banda limitada, cuyo espectro de frecuencia F (Ω) existe solo para
|Ω| ≤ Ωmax , entonces f (t) esta univocamente determinada a partir de sus muestras f (nT ),
si se cumple que ΩM ≥ 2 Ωmax ; donde ΩM es la frecuencia de muestreo en radianes y
es ΩM = 2π T
, siendo T el periodo de muestreo, a esta frecuencia también se denomina
frecuencia de Nyquist; y Ωmax es la máxima frecuencia existente en la señal.
Si se expresa en términos de frecuencias naturales en [Hz], la relación de frecuencias
no varia es decir fM ≥ 2 fmax ; por ejemplo para digitalizar señal de voz es necesario
muestrear con 8[KHz] porque el canal de voz telefónico es de 4[KHz], aunque en la prática
la frecuencia de muestreo puede ser reducida un poco de acuerdo a la aplicación del proceso
de voz; si se desea digitalizar una onda cardiaca(ECG), suele muestrearse con 300[Hz] con
la consideración de que el ancho de banda de la onda cardiaca se asume de 150[Hz],
aunque una vez mas esto depende del tipo de análisis que se requiera realizar porque en
el analisis de la electrocardiografı́a de alta resolucion se utiliza un ancho de banda de
1[KHz].
El teorema de Shannon - Nyquist establece que bajo ciertas condiciones una señal analógi-
ca puede ser representada y reconstruida completamente partiendo de sus valores in-
stantáneos (muestras) igualmente espaciadas en el tiempo; este principio es el que permite
conectar las señales de tiempo continuo y discreto. Para probar el teorema, consideremos
f (t) una señal de tiempo continuo y de banda limitada, es decir su espectro F (Ω) solo
existe para la banda de frecuencias |Ω| ≤ Ωmax , como se muestra en la figura 1.11.
f (t) F (Ω)
6 ⇐⇒ 6
- t - Ω
−Ωmax Ωmax
Figura 1.11: Señal f (t) y su espectro de frecuencia F (Ω)
Ahora sea un tren de impulsos y su espectro de la forma

∞ ∞
X 2π X
P (t) = δ(t − nT ) ⇐⇒ P (Ω) = δ(Ω − nΩM )
n=−∞
T n=−∞
2π
denominada función de muestreo (función Shah), T es el periodo de muestreo y ΩM = T
la frecuencia de muestreo.
P (t) P (Ω)
6 ⇐⇒ 6
2π
T
1 6 6 6 6 6 6 6 6 6
66666666666666666
- t - Ω
T ΩM
Figura 1.12: Función de muestreo y su espectro
Para muestrear la señal f (t), se multiplica por el tren de impulsos, por lo que
1
fS (t) = f (t) · P (t) ⇐⇒ FS (Ω) =
F (Ω) ∗ P (Ω)
2π
∞
∞

1 2π
P P
fS (t) = f (t) · δ(t − nT ) ⇐⇒ FS (Ω) = 2π F (Ω) ∗ T δ(Ω − nΩM )
n=−∞ n=−∞
de donde
∞ ∞
X 1 X
fS (t) = f (nT ) δ(t − nT ) ⇐⇒ FS (Ω) = F (Ω − nΩM )
n=−∞
T n=−∞
La figura 1.13 muestra la señal muestreada y su espectro, en la versión del espectro de

la señal muestreada se observa que se forman imagenes del espectro original cada ΩM y
esta no es de banda limitada, ocupando todo el espectro de frecuencia.
1
fS (t) = f (t) · P (t) FS (Ω) = 2π
F (Ω) ∗ P (Ω)
6 ⇐⇒ 6
6 ΩM − Ωmax > Ωmax

6666 6
6 666666
6
6
6 - t - Ω
T @ ΩM
Ωmax@
I
ΩM − Ωmax
Figura 1.13: Señal f (t) muestreada y su espectro
Para reconstruir la señal original es necesario hacer pasar la señal muestreada por un
filtro pasa bajo ideal, de la forma:
(
ΩC senΩC t 1 |Ω| ≤ ΩC
PΩC (t) = ⇐⇒ PΩC (Ω) =
π ΩC t 0 |Ω| > ΩC
P (t) P (Ω)
6 6
ΩC
π
1
- t - Ω
τ ΩC
Figura 1.14: Filtro ideal en los dominios del tiempo y frecuencia
Si se hace que sa(x) = senx x , entonces PΩc (t) = Ωπc sa(Ωc t), ahora la frecuencia de corte
del filtro debe cumplir Ωmax ≤ Ωc ≤ ΩM − Ωmax y que en un caso extremo puede ser
Ωc = Ωmax = ΩM /2 = π/T .
Finalmente para reconstruir la señal original mediante su aproximación fA (t) ≈ f (t) a
partir de su espectro FA (Ω) ≈ F (Ω):
ΩC
FA (Ω) = T FS (Ω) PΩC (Ω) ⇐⇒ fA (t) = T fS (t) ∗ π
sa(ΩC t)
∞
P ΩC
FA (Ω) ⇐⇒ fA (t) = T f (nT ) δ(t − nT ) ∗ π
sa(ΩC t)
n=−∞
∞
T ΩC P
FA (Ω) ⇐⇒ fA (t) = π
f (nT ) sa[ΩC (t − nT )]
n=−∞
de donde ∞
X T Ωc sen[ΩC (t − nT )]
fA (t) = f (nT ) (1.1)
n=−∞
π ΩC (t − nT )
fA (t) FA (Ω)
6 ⇐⇒ 6
• •
f (T )
f (2T )
• • •
- t - Ω
I ΩM
Ω6@
C @
T 2T Ωmax ΩM − Ωmax
Figura 1.15: Reconstruccón de la señal original mediante filtro interpolador
El resultado (1.1) de la función fA (t) y la figura 1.15 muestra la reconstrucción de la señal

f (t), en la misma la función sa[ΩC (t−nT )], se denomina función de interpolación porque
permite interpolar los valores muestra f (nT ) para obtener f (t), tal como se observa en
el gráfico. Otra interpretación del ultimo resultado es que, la suma es la representación
ortogonal de la función original en terminos del conjunto base sa[ΩC (t − nT )] y que las
muestras T Ωπ C f (nT ) son los coeficientes de la serie generalizada de Fourier de la función
f (t).
De acuerdo a lo desarrollado se pueden presentar otros dos casos, los cuales son mostrados
en la figura 1.16: el primero ocurre cuando existe traslape ó solapamiento en el espectro,
esto sucede cuando ΩM −Ωmax < Ωmax , en este caso en la banda de filtrado correspondiente
hay una combinación de frecuencias que imposibilita la recuperación de la señal original
(aunque en la banda 0 ≤ Ω ≤ ΩM − Ωmax las frecuencias permanecen inalteradas, lo
cual por supuesto no garantiza la recuperación de la señal); el otro caso denominado
crı́tico ocurre para ΩM − Ωmax = Ωmax , es decir cuando la frecuencia de corte del filtro es
exactamente igual al doble de la banda de frecuencia de la señal y teóricamente se puede
reconstruir la señal original (lo que es imposible, por la dificultad de su construcción
fı́sica).
FS (Ω)
6 FS (Ω)
6
ΩM − Ωmax < Ωmax ΩM − Ωmax = Ωmax
ΩM
- Ω Ωmax ΩM
- Ω
Ωmax
6
ΩM − Ωmax ΩM − Ωmax
Figura 1.16: (a) Espectro solapado y (b) Espectro con caso crı́tico
En conclusión, para evitar traslape frecuencial de manera de lograr reconstruir la señal

original se debe cumplir que ΩM − Ωmax ≥ Ωmax , lo que permite comprobar el teorema,
de donde
ΩM ≥ 2 Ωmax −→ fM ≥ 2 fmax
Los pulsos resultantes del muestreo de la señal analógica se llaman señal PAM (Pulse
Amplitude Modulation = Modulación por Amplitud de Pulso) en el contexto de las
comunicaciones, siendo estas muestras iguales a las amplitudes momentáneas de la señal
analógica al tiempo de muestrear contiene un factor de la misma y por lo tanto puede ser
afectada directamente por el ruido, la distorsión y si se desea transmitir es afectada por
la diafonı́a, tal como le ocurre a la señal original; para evitar todos estos inconvenientes
es necesario transformarla al ambiente digital donde estos inconvenientes son reducidos.
EJEMPLO 1.1.- Considere la señal analógica x(t) = 3 sen(100πt). Si la señal x(t) es
muestreada a una tasa de fm = 300[muestras/seg]. Determine la frecuencia de la señal de
tiempo discreto x[n] = x(nT ), donde T = f1m , y demuestre que es periódica.
Solución: La señal x(t) = 3 sen(100πt) cuando es muestreada se ocurre que t → nT ,
1
donde T es el periodo de muestreo y T = f1m = 300 , entonces: si se muestrea
100
x(nT ) = 3 sen(100πnT ) = 3 sen( πn) −→ x[n] = x(nT ) = 3 sen( π3 n)
300
Por otra parte, se dice que una señal discreta x[n] es periódica cuando la misma se repite
cada N muestras, es decir si se cumple que x[n] = x[n + N ], donde N es el periodo de
la señal; ademas una señal senoidal discreta en general se define como x[n] = A sen ω0 n,
donde ω0 = 2π N
(N es el periodo). Ahora
x[n] = A sen ω0 n
x[n + N ] = A sen ω0 (n + N ) = A (sen ω0 n cos ω0 N − cos ω0 n sen ω0 N )
si se cumple que cos ω0 N = 1 y sen ω0 N = 0, entonces
x[n + N ] = A sen ω0 n = x[n]
esto ocurre cuando ω0 N = 2πk, con k = 1, 2, 3, ....., es decir

N 2π 2π
= −→ N= k
k ω0 ω0
la señal senoidal será periodica cuando el factor ω2π0 es un número racional. En este caso
se tiene que ω0 = π3 , por lo que ω2π0 = π/3
2π
= 6, lo que garantiza que la señal senoidal es
periodica, además
2π
N= k = 6k
ω0
con k = 1 se tiene el valor mı́nimo del periodo N = 6.
b) Cuantificación: La cuantificación es la operación con la cual se convierte el valor obtenido

a un valor finito dado, es decir se redondea el valor de la amplitud PAM muestreada de la
señal analógica a un valor aproximado de los N valores representativos Xi , denominados
niveles de cuantificación, donde a q se denomina paso cuántico.
EJEMPLO 1.2: Determinar el paso cuántico para una señal entre 0 − 5[VP ] con 1024
niveles de cuantificación uniforme.
Solución: El paso cuántico esta dado por:
5[VP ]
q= = 4,88[mV /paso]
1024[pasos]
Existe dos tipos de cuantificación: uniforme y no uniforme:
i) En la cuantificación uniforme o lineal, se asumen que los pasos cuánticos son del mismo
tamaño, como en el ejemplo mencionado. Para señales de voz se ha demostrado que
se requieren 2048 niveles de cuantificación lineal para garantizar la fidelidad de la
reproducción; las tarjetas de audio - digital en las computadoras utilizan 65536
niveles o pasos cuanticos (16 bits) y tiene regularmente una entrada con niveles de
3[VP P ], es decir cada paso cuantico es de 45.7[µ V/paso].
f (nT ) fq (nT )
6 6
•
• •
q •• ••• ••
• •••
•
•
- t - t
T T
Figura 1.17: Señal muestreada y cuantificada
Sin embargo pese a la supuesta ventaja de cuantificar con un número mayor de

pasos cuánticos, esto provoca por lo menos tres problemas colaterales: el primero
relacionado con el almacenamiento de la información, en el ejemplo de la tarjeta de
audio se requiere de 2 bytes por cada muestra, lo que duplica la cantidad de memoria
necesaria para almacenar la señal digital; el segundo problema esta relacionado con
la velocidad de procesado de la señal, puesto que debido a los dos bytes que requiere
su almacenamiento el tiempo de procesado sera incrementado; el tercer problema
ocurre cuando se requiere transmitir la señal digitalizada, si se lo realiza a gran
distancia se utiliza transmisión serial, por ejemplo la transmisión serial ası́ncrona
(protocolo RS232c u otro), el mismo requiere entre 9 a 12 bits para su composición,
tal como se muestra en la figura 1.18.
El protocolo muestra que se tiene un 1 bit de inicio, de 5 a 8 bits de datos, un

bit de paridad (par, impar o ninguno) y bit de stop (1,1 12 o 2), con velocidades de
transmisión de 110, 300, 1200, 2400, 9600 bits por segundo (bps) y en la actualidad los
puertos seriales de las PC pueden llegar hasta 921600bps. Tal como se ha observado
para transmitir una muestra de una señal digitalizada con 2 bytes, se requieren dos
palabras de transmisión lo que reducira la velocidad total de transmisión de la señal.
Bit de
Estado inactivo paridad Estado inactivo
5 a 8 bits de datos
-
1 ?
?
?
P
0
Bit de
inicio
Bit de Stop
Figura 1.18: Procolo serial ası́ncrono.
En el proceso de cuantificación uniforme como se observa en la figura 1.17 se produce

un error de redondeo al que se denomina ruido de cuantificación debido a la diferencia
entre los valores de la amplitud verdadera PAM y la establecida por el nivel cuántico.
El máximo error que se comete es de ±q/2 es decir de medio paso cuántico; en
cualquier otro caso existe un valor menor de error de cuantización 0 ≤ e(n) < q/2
vuya densidad de probabilidad se denomina ruido de cuantización. El número
de estados de salida expresado en bits (n) determina la resolución del cuantificador;
2n = N es el numero de estados, la siguiente tabla muestra el número de bits y el
ruido generado
Nro. de Bits 2n % dB
7 128 0,781250 -42,1
8 256 0,390625 -48,2
10 1024 0,097656 -60,2
11 2048 0,048828 -66,2
12 4096 0,024414 -72,2
16 65536 0,001526 -96,3
la diferencia entre el mayor valor y el menor valor aceptado a la entrada se denomina
margen de entrada M . En la cuantificación uniforme q es constante en todo el margen
M , y se cumple
M
q= n
2
n
En este caso hay 2 −1 puntos de desición en el margen de M para asignar un estado
a la señal de entrada. Si todos los valores del margen M tienen igual probabilidad, el
error de cuantificación se puede interpretar como si la entrada tuviera superpuesto
un ruido aleatorio con función de densidad de probabilidad (todos tiene la misma
probabilidad) como en la figura
P (e)
6
1/q
- e
−q/2 q/2
∞ q/2
1 e2 q/2
Z Z
1
e = E{e} = e P (e) de = e de = =0
−q/2 q q 2 −q/2

−∞
donde E{} es el operador esperanza matemática. La varianza será

Z ∞ q/2
q2
Z
2 2 2 2 1
var{e} = E{(e − e) } = E{e } − E {e} = e P (e) de − 0 = e2 de =
−∞ −q/2 q 12
El valor eficaz del ruido es la raiz cuadrada de la suma de la media al cuadrado y la

varianza, y será 2√q 3 . Resulta pues, que para reducir el valor eficaz de este ruido hay
que reducir proporcionalmente el intervalo de cuantificación; cuya limitación son los
factores tecnológicos.
La acción del cuantificador se puede describir en términos de la relación señala ruido
(S/N ), definida como el cociente entre la amplitud de la señal deseada y la amplitud
del ruido presente, regularmente se expresa en decibelios. Cuando se trata de ruido
aleatorio, ambas amplitudes se dan en valor eficaz. Ası́, para el caso de una señal
senoidal con amplitud entre 0 y (2n − 21 )q (es decir, unipolar), su valor cuadrático
medio es Z 2π
1 n 1 2 2
(2 − 2 )q sen2 α dα = (2n − 12 )2 q2
2π 0
la relación a ruido será,
2
S (2n − 21 )2 q2
= q2
= 6(2n − 21 )2 ≈ 6 · 22n ; (n > 4)
N
12
S
[dB] = 10 log 6 + 20n log 2 = 7,78 + 6,02 n
N
este valor es para señales senoidales con amplitud de pico igual al margen de entrada
del cuantificador. Si se realiza el mismo procedimiento para señales aleatorias con
densidad de probabilidad p(x), se analiza el distorsion cuadrática media D y resulta
coincidentemente
q2
D≈
12
siendo la relación señal a ruido
S
[dB] = 10 log( var[x]
D
)
N
la siguiente tabla muestra la relación S/N y se observa que la misma mejora a
razónde 6[dB] por cada bit adicional.
SEÑAL VALOR CUAD MED S/N[dB]

Continua unipolar ≈ 22n q 2 10,8 + 6n
Continua bipolar ≈ 22n q 2 /4 4,80 + 6n
Senoide unipolar ≈ 22n q 2 /2 7,78 + 6n
Aleatoria gausiana ≈ 22n q 2 /36 −4,8 + 6n
ii) La cuantificación no uniforme o no lineal, introduce un nuevo proceso denominado

compresión, que consiste en comprimir la señal de forma no lineal (regularmente
logarı́tmicamente), codificarla linealmente y luego transmitirla; al otro del sistema
la señal es recibida, luego es decodificada linealmente y finalmente es descomprimida
para obtener la señal original, tal como se muestra en la figura 1.19
x(t) - - COD - DECOD - - y(t)
Compresión Codificador Decodificador Descompresión

uniforme uniforme
Figura 1.19: Compresión y descompresión de una señal.
La cuantificación uniforme no es siempre la mejor opción, basta observar por ejemplo,

que mientras el error absoluto de cuantificación es constante de unos a otros interva-
los de cuantificación, el error relativo será en cambio mucho mayor para amplitudes
de entrada pequeñas. En consecuencia, S/N es menor para pequeñas amplitudes que
regularmente son las que más se presentan en las señales. Si se desea mantener S/N
constante en un amplio margen de amplitudes (cuantificación “robusta”), entonces
se puede variar, por ejemplo el intervalo de cuantificación proporcionalmente a la
amplitud de entrada.
El proceso explicado en general suele aplicarse a señales de voz, puesto que se ha
comprobado que la mayor cantidad de la se nal se encuentra concentrada en los
niveles bajos y con la compresión de la señal se puede reducir de los 2048 niveles
necesarios para garantizar la fidelidad de la señal, a 256 niveles con los que fucionan
los CODEC’s (Coder and Decoder) y repetidores de transmisión a alta velocidad
empleando 8 bits para la codificación de la señal de voz, esto es posible debido
compresión y expansión de la señal.
Existe dos técnicas de compresión denominadas ley A y ley µ. La ley A aproximada

en 15 segmentos, que es utilizada en EEUU y Japón, y la ley µ aproximada por 13
segmentos, regularmente utilizada en los paı́ses europeos; las fórmulas para obtener
las curvas de compresión son:
AX 1 + log(AX)
Y = (0 ≤ v ≤ VA ) ; Y = ( VA ≤ v ≤ V )
1 + log A 1 + log A
log(1 + µX)
Y =
log(1 + µ)
donde A = 87,6, µ = 100 y X = v/V , v el voltaje instantáneo y V el voltaje lı́mite,
Y = i/N donde i es la cantidad de pasos de cuantificación a partir del centro del
fC (nT )
6
•
111
•
110
•
101
•
100
•
011
•
010
•
001
•
000 f (nT )
-
Figura 1.20: Ley µ, aproximación por 8 segmentos
rango y N es la cantidad de pasos de cuantificación. En la figura 1.20 se muestra

la compresión y expansión conjuntamente con el sistema de conversión analógico a
digital.
c) Codificación: este proceso consiste en convertir la amplitud cuantificada en algún tipo de

codigo, el más utilizado es el binario y puede ser: binario natural, binario gray (reflejado)
y binario doblado (plegado), por ejemplo se muestra en la tabla 1.4 el codigo binario de
8 niveles en diferentes tipos de codigos.
NIVEL DE BINARIO BINARIO BINARIO

CUANTIFICACIÓN NATURAL GRAY DOBLADO
0 000 000 011
1 001 001 010
2 010 011 001
3 011 010 000
4 100 110 100
5 101 111 101
6 110 101 110
7 111 100 111
Cuadro 1.4: Códigos binarios y sus equivalentes.
Para ejemplificar y resumir el proceso de tratamiento de señal analógica mediante técnicas

discretas e implementadas con tecnologı́a digital, en la figura 1.21 se muestra el tratamiento de
una señal analógica con un filtro análogico H(s).
x(t) y(t)
6 6
x(t) • H(s) • y(t)

- t - t
Figura 1.21: Filtrado de señal analógica mediante filtro analógico
Ahora si se requiere realizar la misma tarea con un filtro digital H(z), tal como se muestra en la
figura 1.22, es necesario previamente cumplir con los requerimientos y condiciones mencionadas
anteriormente. La primera fase es procesar la señal con el prefiltro Hpf (s) de forma que la señal
xf (t) cumpla con la condición de ancho de banda limitado, cumpliendo el teorema de Nyquist
y además con este filtro se elimina el ruido de alta frecuencia; posteriormente se digitaliza la
señal mediante la conversión análogo - digital A/D (muestreo, cuantificación y codificación),
obteniéndose la señal digital X[n]; esta señal se procesa con el filtro digital H(z), que ha sido
diseñado e implementado con técnicas discretas - digitales que permite obtener la señal de
salida discreta-digital Y [n]; posteriormente se transforma la salida del filtro digital en señal
analógica ya (t) mediante el proceso de conversión digital - analógico D/A, esta etapa se realiza
a la misma frecuencia con el que ha sido digitalizada la señal original; finalmente es necesario
filtrar con el filtro de alisamiento Ha (s) que permite eliminar las altas frecuencias asociadas al
proceso de digitalización obteniendose la salida y(t).
xf (t) ya (t)
x(t) • Hpf (s) • A/D • H(z) • D/A • Ha (s) • y(t)

X[n] Y [n]
x(t) xf (t) 01001110 11011100 ya (t) y(t)

11001100 11111001
6 6 ········· ········· 6 6
- - - -
Figura 1.22: Filtrado de señal analógica mediante filtro digital
Debido al avance tecnológico y a la gran velocidad de proceso de los sistemas digitales es

posible realizar tratamiento de señal mediante cuantificación lineal con 12 o 16 bits en los
sistemas actuales sin degradar la calidad y perjudicar la velocidad del proceso de la señal y
bajo ciertas condiciones se puede decir que pueden trabajar en tiempo real, es decir a una
velocidad equivalente a los sistemas analógicos.
1.5.2 Errores en el Proceso de Digitalización

Durante el proceso de digitalización y en cada una de sus etapas se presentan una serie
de dificultades para realizar dicho proceso de manera fı́sica, por lo que se generan errores al
transformar la señal analógica en digital, los errores en el proceso de cuantificación ya se han
mencionado en la anterior sección, ahora se desarrolla otras condiciones y causas de error.Las
condiciones del teorema de muestreo son:
i) La señal f (t) es de duración infinita y de banda limitada.
ii) La función de muestreo es una suma de impulsos δ(t − nT ), que tiene amplitud infinita y
ancho cero.
iii) Para la reconstrucción se utiliza un filtro pasa bajo ideal.
Entonces por la falta de cumplimiento de cada una de estas condiciones se introduce ruido en
cada etapa y en todo el proceso de digitalización; otros aspectos como el tiempo de apertura o
cierre de los switch’s de conmutación no son tomados en cuenta, ası́como los relacionados con
los errores introducidos por el S&H, el conversor A/D y D/A, los mismos deberán ser nalizados
en otro contexto. En particular en cada uno de los puntos mencionados, se presenta:
i) Ruido imagen (fantasma): El teorema de muestreo esta planteado para señales f (t) de
duración infinita y banda limitada; sin embargo en las aplicaciones reales este no es el
caso, puesto que cualquier tipo de análisis de una señal se la realiza durante cierto tiempo
de duración [0, τ ], entonces la señal que se muestrea existe solo durante dicho intervalo de
tiempo de análisis; lo mencionado puede ser representado como el producto de f (t) con
una función ventana de tiempo Wτ (t), siendo la ventana el tipo cuadrada, es decir:
f (t) F (Ω)
6 ⇐⇒ 6
- t - Ω
τ −Ωmax Ωmax
Figura 1.23: Señal f (t), su espectro y la ventana de datos.
(
1 0≤t≤τ τ
τ
e−jΩ 2

Wτ (t) = ⇐⇒ τ sa 2
Ω
0 otros.
τ
τ

f (t) · Wτ (t) 2π
F (Ω) ∗ sa
2
Ω
6 ⇐⇒ 6
- t - Ω
τ −Ωmax Ωmax
Figura 1.24: Señal ventaneada y su espectro
Ahora, si se ventanea la señal

τ τ
τ
e−jΩ 2

f (t) · Wτ (t) ⇐⇒ F (Ω) ∗ sa 2
Ω
2π
Esta señal resultante como se puede constatar es de duración finita y de espectro de

frecuencia infinita, lo que contradice las condiciones del teorema de Nyquist, consecuente-
mente si se muestrea esta señal, su espectro seran imagenes del mismo cada cierto intervalo
de frecuencia lo que provoca solapamiento frecuencial (combinación de frecuencias), por
esta razón no se garantiza que la señal original pueda ser reconstruida perfectamente;
pese a esta circunstancia el error que se introduce no es muy apreciable y para minimizar
su efecto es necesario volver a filtrar mediante otra función ventana con mejor atenuación
en la banda rechazada, por ejemplo una ventana de Hamming, Hann, Blackman, Kaiser,
etc., realizado esto en el dominio discreto.
ii) Efecto de abertura: Como se explica en el apéndice C, la implementación fı́sica del proceso
de S&H, con los ciruitos que permiten muestrear generando pulsos de amplitud finita y
cuyo ancho no es cero, por lo que el ancho de banda de la señal PAM muestreada es
diferente a la ideal, al reconstruir la señal mediante la función de interpolación, esta no
∞
coincide con f (t) = Ωπc T
P
f (nT ) sa[ΩC (t − nT )], a este ruido se denomina de abertura
n=−∞
y el mismo puede ser minimizada reduciendo al máximo posible el ancho de los pulsos de
muestreo.
iii) Ruido de filtro reconstructor: Esto es provocado por dos razones, en primer lugar la
∞
suma de reconstrucción de la señal es infinita f (t) = Ωπc T
P
f (nT ) sa[ΩC (t − nT )], es
n=−∞
decir que para reconstruir una muestra cualquiera se requiere de las muestras pasadas,
presentes y futuras; por otra parte básicamente el filtro de reconstruccion es ideal y esto es
obviamente irrealizable fı́sicamente; sin embargo utilizando un filtro real la aproximación
es lo suficientemente aceptable para las aplicacionesque se presentan.
1.6 Implementación de Sistemas de Tiempo Discreto

En la perspectiva del curso se utiliza el término implementación como sinónimo de mate-
rialización, es decir la ejecución real del sistema. En el caso de los sistemas de tiempo discreto,
en particular aquellos que son SLIT se pueden implementar de dos formas:por Software o por
Hardware, la misma que se elige de acuerdo al tipo de aplicación.
1.6.1 Implementación por Software

Se denomina implementación por software a la forma de ejecución fı́sica donde forma
parte una computadora, tal como se muestra en la figura 1.25:
x(t) - -
y(t) TAD
Figura 1.25: Inplementación de sistemas discretos por software.
En este caso se requiere de una tarjeta de adquisición de datos que permita transformar en
primera instancia la señal analógica en señal digital que pueda ser procesada dentro de la
computadora, tal como se explicó a partir de la figura 1.8. Un ejemplo de esto es la tarjeta de
sonido que tienen incorporadas todas las computadoras para su sistema de audio.
El resultado de diseñar un sistema lineal e invariante en el tiempo proporciona la siguiente
ecuación:
a0 y[n] + a1 y[n − 1] + · · · + aN y[n − N ] = b0 x[n] + b1 x[n − 1] + · · · + bM x[n − M ]
siendo x[n] la señal de entrada y y[n] la señal de salida. De acuerdo a la estructura definida para
su realización se genera el algoritmo que debe ser resuelto por la computadora obteniendose la
solución y[n] y que, luego posiblemente debera ser tranformado en señal analógica y(t). Existen
programas especializados como el MATLAB, el LabVIEW y el MATHEMATICA que pueden
realizar tratamiento de señal con las herramientas que tiene incorporadas, asimismo existe otros
programas dedicados exclusivamente para el procesamiento digital de señales de cierto tipo de
señales como en el caso de Electrocardiografı́a.
Por otra parte también a partir de los algorı́tmos obtenidos se pueden implementar en
algún lenguaje de programación como el C y si se requiere que el procesamiento sea realizado
en tiempo real es posible quie sea necesario programar en lenguaje Ensamblador.
1.6.2 Implementación por Hardware

Se denomina implementación por Hardware a la forma de materialización fı́sica del sis-
tema donde intervienen en su constitución circuitos electrónicos análogos y digitales, que con-
juntamente implementan por ejemplo el sistema mostrado en la figura 1.8, donde el sistema
discreto-digital esta representado por H(z). En la década de los años 70’s el sistema H(z)
modelado por una ecuación en diferencias era ejecutado directamente por circuitos digitales
dicretos, es decir por un conjunto de registros y una ALU (Unidad Aritmético Lógica); pos-
teriormente en la decada de los 80’s este se implemento básicamente por microprocesadores y
luego por microcontroladores especializados para la realización de aritmética de punto flotante
y para el tratamiento de señal, a estos dispositivos se los conoce con el nombre genérico de
Procesador Digital de Señal (DSP= Digital Signal Processor); estos dispositivos aparecieron
aproximadamente desde 1979 con el DSP 2920 de INTEL, luego aparecieron otros como el
7720 de NEC, MC6805R2 de Motorola, el 80515 de Siemens, la familia TMS320X de Texas
Instruments, DSP2100 de Analog Device, Microchip (DSPIC), entre los maś difundidos. Las
caracterı́sticas más sobresalientes de los DSP’s son que:
Tiene incorporados internamente las unidades de conversion A/D y D/A.
Tiene incorporado un sistema de cálculo aritmético basado en varias ALU’s que conjun-
tamente tienen la facilidad de realizar cálculos en punto flotante.
Optimización de los accesos a memoria.
Longitud de palabra grande (el bus llega a ser de 512 bits).
A continuación se describe brevemente una arquitectura de un DSP mostrando sus ventajas

respecto a los procesadores convencionales. Los procesadores y microcontroladores en general
pueden ser de los siguientes tipos:
CISC: (Complex Instruction Set Computer), que son aquellas que tienen un conjunto de
instrucciones elevado, algunas de ellas muy sofisticadas y potentes, pero que como con-
trapartida requieren muchos ciclos de máquina para ejecutar las instrucciones complejas.
RISC: (Reduced Instruction Set Computer), que son aquellas que tienen un conjunto de
instrucciones reducido, regularmente las instrucciones son muy simples y suelen ejecutarse
en un ciclo máquina. Además los RISC regularmente tienen una estructura pipeline y
ejecutan todas las instrucciones a la misma velocidad.
SISC: (Specific Instruction Set Computer), que son aquellas que tienen un conjunto de
instrucciones especı́fico, es decir son maquinas dedicadas a una labor definida.
Otro aspecto que diferencia a los microcontroladores es su arquitectura, estas pueden ser:
Arquitectura Von Neumann: se caracteriza por disponer de una única memoria prin-
cipal(RAM) mostrado en la figura 1.26, en la misma se almacenan los datos y las instruc-
ciones del programa, la misma regularmente ha sido mapeada para su funcionamiento y
se accede a través de un sistema de buses único: Bus de datos, de direcciones de control.
Bus de Control
? ? ?
- Salida
RAM ROM E/S Entrada
CPU 6 6 6 6 6
? ? ? - Bus de Datos
RELOJ - - Bus de Direcciones
Figura 1.26: Arquitectura Von Neumann.
Arquitectura Harvard: (Arquitectura Ortogonal), este modelo se caracteriza por dispon-

er de dos memorias independientes: la Memoria de Datos y la Memoria de Programa. Cada
memoria dispone de su respectivo bus (que pueden ser de diferentes longitudes), lo que
permite que la CPU pueda acceder de forma independiente y simultánea a la memoria
de datos y a la de instrucciones y puesto que los buses son independientes, éstos pueden
tener distintos contenidos en la misma dirección; en la siguiente figura se ha obviado la
ROM por facilidad del dibujo.
Bus de Control
? ? ?
RAM RAM - Salida
(Prog.) (Datos) E/S Entrada
CPU B. Prog. 6 6 6 6 6 6
? ? - Bus de Datos
RELOJ - - Bus de Direcciones
Figura 1.27: Arquitectura Harvard.
En general el tipo de operaciones que se realiza internamente dentro del DSP, es de la

forma
A ←− A + B · C
siendo A, B y C los registros internos; por ejemplo un filtro digital de segundo orden
b0 + b1 z −1 + b2 z −2
H(z) =
1 + a1 z −1 + a2 z −2
se implementa mediante la ecuación
y[n] + a1 y[n − 1] + a2 y[n − 2] = b0 x[n] + b1 x[n − 1] + b2 x[n − 2]
y[n] = b0 x[n] + b1 x[n − 1] + b2 x[n − 2] − a1 y[n − 1] − a2 y[n − 2]
de donde se requieren realizar cuatro sumas y cinco productos, si se supone un comando
genérico OP que realiza la operación A ← A + BC, entonces la implementación puede ser
Nro. PASO OPERACION B C A

1 CLR A – – 0
2 OP −a1 y[n − 1] A ← 0 − a1 y[n − 1]
3 OP −a2 y[n − 2] A ← A − a2 y[n − 2]
4 OP b0 x[n] A ← A + b0 x[n]
5 OP b1 x[n − 1] A ← A − b1 x[n − 1]
6 OP b2 x[n − 2] A ← A − b1 x[n − 2] = y[n](solución)
1.7 Panorama del Procesamiento de Señales

Para encarar una determinada aplicación y su solución es necesario tener una buena
perspectiva del estado actual en el que se encuentra el procesamiento de señales, en lo referente
a los métodos y técnicas, es ası́que por ejemplo para analizar ciertas caracterı́sticas de la señal de
voz se prefiere realizar un Complex Cepstrum; ciertas patologı́as cardiacas puede ser mucho más
efectivo analizarlas mediante la transformada Wavelet; para analizar el espectro de las ondas
cerebrales puede ser suficiente el análisis en frecuencia cada cierto intervalo de tiempo, esto se
lo puede realizar con una transformada de Fourier o un CSA, etc. Por esta razón en la tabla 1.5
(pag. 28), se muestra un panorama general (no completo) de las técnicas para procesamiento
de señales, que son posibles utilizar de acuerdo a la aplicación y/o requerimiento.
1.8 Ejemplos con MATLAB
1.9 Referencias Bibliográficas

[1] OPPENHEIM & SCHAFFER. Tratamiento de señales de tiempo discreto. Prentice Hall
2000.
[2] PROAKIS & MANOLAKIS. Procesamiento digital de señales. Prentice Hall 1999.
[3] LUDEMAN L. Fundamentals of digital signal processing. Jhon Wiley & Sons 1987.
[4] ANTONIOU A. Digital filters: analysis and design. MacGraw Hill 1979.
[5] LIFERMANN J. Les methodes rapides de transformation du signal. Masson 1979.
[6] OPPENHEIM & WILLSKY. Señales y sistemas. Prentice Hall 1982.
[7] PALLAS R. Adquisición y distribución de señales. Marcombo 1993.
[8] STALLINGS J. Data and computer communications. MacMillan1988.
[9] MIYAMOTO T. Tecnologı́a de la transmisión digital. ICAPTEL 1987.
[10] GABEL & ROBERTS. Señales y sistemas lineales. Limusa 1975.

PROCESAMIENTO DE SEÑALES
VARIABLE MÉTODO
- Ecuaciones en Diferencias.
TIEMPO - Variables de Estado.
- Convolución y Deconvolución.
- Correlación y Autocorrelación.
- Media, Varianza, Skewness y Kurtosis.
- Modelado y Simulación de Señales y Sistemas.
- Filtrado Optimo:Wiener y Kalman.
FILTRADO
FRECUENCIA - Lineal: FIR, IIR y filtros enteros.
- No lineal.
- Adaptivo:AZN y ANC.
- Inverso:transformada Hilbert.
ANALISIS ESPECTRAL
- DFT(FFT).
- Segmentación de señales no estacionarias.
- Estimación de la densidad de espectro de potencia.
* Periodograma:FFT, Blackman - Tukey y de Welch.
* Compressed spectral array (CSA).
* Biespectrum y Multiespectrum.
* Modelado paramétrico:AR, MA y ARMA.
* Descomposición armónica (Pisadenko).
* Descomposición espectral.
* Método de Prony.
* MLSE (Maximun likelihood - Capon).
- Cepstrum y convolución homomórfica.
- Mapeo espacial - frecuencial.
- Escalogramas.
- Transformada Chirp.
- Transformada coseno.
- Series de Fourier.
TIEMPO - FRECUENCIA - Transformada de Fourier de tiempos cortos (STFT).
- Transformada de Wigner - Ville.
- Transformada Wavelet.
- Funciones de Rademacher y Paley.

SECUENCIA - Transformadas de Walsh, Haar y Hadamard.
- Transformada de Slant.
- Transformada de Hotelling.
- Procesamiento de voz y habla (análisis y sı́ntesis).

APLICACIONES - Procesamiento de señales biomédicas y biológicas.
- Procesamiento de imágenes: restauración, compresión, seg-
mentación, representación - descripción, reconocimiento e inter-
pretación.
- Compresión de datos, voz, audio e imágenes.
- Procesamiento de señales multidimensionales.
- Comunicaciones y telecomunicaciones.
- DSP(Digital signal processor) - Implementaciones
- Radar, sonar, oceanografı́a, sismografı́a, sistemas inteligentes y
expertos, etc.
Cuadro 1.5: Panorama del procesamiento de señales

[11] PAPOULIS A. Sistemas analógicos y digitales, transformadas de Fourier y estimación

espectral. Marcombo 1980.
[12] FREMAN R. Ingenierı́a de sistemas de telecomunicaciones. Limusa 1989.
[13] JURY E.I. Theory and applications of the Z-transform method. Wiley 1964.
[14] AMBADAR G. Procesamiento de señales analógicas y digitales. Prentice Hall 2004.
[15] MARIÑO et. al. Procesamiento digital de señales.Alfa y Omega 2004.
[16] DUPRAZ J. La theorie des distributions et applications. Cepadue-Editions 1977.
1.10 Ejercicios
1.1. Clasifique las señales siguientes conforme a si son: uni o multidimensionales; mono o
multicanal; en timpo continuo o discreto; analógicas o digitales. Dé una explicación breve.
a) Precios de cierre de las acciones de la Bolsa de Valores.
b) Una pelı́cula en color.
c) La posición del volante de un automóvil en movimiento con relación a unos ejes de
referencia situados en el automóvil.
d) La posición del volante de un automóvil en movimiento con relación a unos ejes de
referencia situados en el el suelo.
e) Las medidas de altura y peso de un niño tomadas mensualmente.
1.2. Las siguientes señales de tiempo continuo x(t) se utilizan como entrada a un conversor
ADC ideal, con el periodo de muestreo T especificado. Obtenga en cada caso la señal
resultante x[n] en tiempo discreto.
1
a) x(t) = cos(2000πt), T = 3000
[seg].
1
b) x(t) = sen(2000πt), T = 1500
[seg].
sen(2000πt) 1
c) x(t) = πt
, T = 5000
[seg].
1.3. La secuencia x[n] = cos( π4 n), se obtiene muestreando la señal de tiempo continuo
x(t) = cos(Ω0 t), con una frecuencia de 1000 [muestras/seg]. Indique dos posibles valores
de Ω0 que pueden producir la secuencia x[n].
1.4. Se tiene una señal de tiempo continuo x(t), con transformada de Fourier X(Ω). Deseamos
evaluar las muestras de X(Ω), muestreando primero x(t) para obtener una secuencia de
tiempo discreto x[n], donde x[n] = x(nT ). A continuación se calculan las muestras de
la transformada de Fourier de tiempo dicreto X(ω). Se aclaran las muestras de X(ω)
con una muestra espaciada en frecuencia de ∆ω, esto corresponde a calcular muestras de
X(Ω) con una muestra espaciada en frecuencia ∆Ω.
Asuma que x(t) es de banda limitada a 10KHz, que el periodo de muestreo es T = 50µs
y que ∆ω = π · 10−3 . Determine ∆Ω.
1.5. La señal de tiempo continuo x(t) = sen(20πt) + cos(40πt), se muestrea con un periodo de
muestreo T y se obtiene la señal de tiempo discreto x[n] = sen( π5 n) + cos( 2π
5
n)
a) Determine un valor de T que sea consistente con esta información.

b) ¿Es el único valor de T obtenido en (a)?. Si es ası́, explique porqué. Sı́no, indique otro
valor de T que sea consistente con la información dada.
1.6. Considere el sistema de la figura 1.7, en el que el sistema de tiempo discreto es un filtro
paso bajo ideal de frecuencia de corte π8 [rad/s].
a) Sı́ x(t) es de banda limitada a 5KHz. ¿Cuál es el máximo valor de T para que se evite
el solapamiento en el conversor ADC?.
1
b) Sı́ T
= 10KHz. ¿Cuál será la frecuencia de corte del filtro efectivo en tiempo continuo?.
1
c) Repita el anterior inciso (b) para T
= 10KHz.
1.7. Una señal analógica contiene frecuencias hasta 10KHz.
a) ¿Que intervalo de frecuencias de muestreo permite su reconstrucción exacta a partir

de sus muestras?.
b) Suponga que muestreamos esta señal con una frecuencia de muestreo de fm = 8KHz,
examine lo que ocurre con las frecuenias f1 = 5KHz y f2 = 9KHz de la señal.
1.8. Una señal analógica x(t) = sen(400πt) + 3 sen(720πt), se muestrea 600 veces por segundo.
a) Determine la tasa de Nyquist para x(t).

b) Determine la máxima frecuencia a la que se puede muestrear para que no exista
ambigüedad al reconstruir la señal original.
c) ¿Cuales son las frecuencias, en radianes, de la señal x[n] resultante.
d) Si x[n] se pasa por un conversor DAC ideal. ¿Cual es la señal reconstruida xa (t) que
se obtiene?.
1.9. En el sistema mostrado en la figura 1.28, dos señales de tiempo continuo x1 (t) y x2 (t) son
multiplicadas y el producto w(t), se muestrea por un tren de impulsos.
Si ambas señales son de banda limitada según

X1 (Ω) = 0, |Ω| > Ω1
X2 (Ω) = 0, |Ω| > Ω2
Determine el intervalo de muestreo máximo T , tal que w(t) se puede recuperar a partir
de wp (t) medinate un filtro pasabajo ideal.
1.10. En la figura 1.29 se supone que X(Ω) = 0 para |Ω| ≥ Tπ1 , siendo T1 el periodo de muestreo.
Para el caso general de T1 6= T2 , exprese y(t) en función de x(t). ¿Es diferente la relación
básica para los casos T1 > T2 y T1 < T2 ?.
∞
P
p(t) = δ(t − nT )
n=−∞
x1 (t)
w(t)
×n - ×n
? ?
- wp (t)
x2 (t) 6
X1 (Ω) X2 (Ω)
6 6
- Ω - Ω
−Ω1 Ω1 −Ω2 Ω2
Figura 1.28: Ejercicio 1.9
x[n]
x(t) - A/D - D/A -y(t)
6 6
T1 T2
Figura 1.29: Ejercicio 1.10
1.11. Un sistemas de modulación por pulsos codificados (PCM) es un sistema que recibe la
información analógica x(t) de entrada, muestrea la forma de onda a intervalos de Nyquist,
cuantifica las muestras y después codifica los valores de muestra cuantificados asignando
los valores binarios 0 y 1. Realizando este procesamiento se transmite las muestras codi-
ficadas. por ejemplo si la operación de cuantizaión que se realiza con los valores muestra
divide a los posibles valores muestra en 8 regiones, entonces el código binario para cada
muestra se deberá elegir del conjunto {000, 001, 010, 011, 100, 101, 110, 111}. Supóngase
que el canal de transmisión tiene un ancho de banda de W[Hz] y la señal de entrada esta
limitada a fmax Hz, en donde W > fmax . ¿cuál es la cuantización más apropiada que se
puede realizar si la señal de netrada se debe transmitir en el tiempo de duración de la
señal de entrada?.
1.12. Investigue el método de muestreo se señales paso banda.
1.13. Por un enlace de comunicaciones digitales se transmiten palabras codificadas en binario

que representan muestras de la señal de entrada x(t) = 3 cos(600πt) + 2 cos(1800πt). El
enlace trabaja a 10000[ bits
s
] y cada muestra de entrada es cuantificada con 1024 niveles
de tensión diferentes.
a) ¿Cuál es la frecuencia de muestreo y la máxima que no produce ambigüedad al recu-

perar la señal original?.
b) ¿Cuál es la tasa de Nyquist para la señal x(t)?.
c) ¿Cuales son las frecuencias de la señal resultante en tiempo discreto x[n]?.
d) ¿Cual es la resolución?.
1.14. Investigue porque puede ser mejor PCM a DM para codificar señales analógicas que
representan datos digitales.
1.15. Investigue si los MODEM y los CODECS son funcionalmente inversos (por ejemplo,
puede un MODEM inverso funcionar como un CODEC y viceversa).
1.16. Para la señal del ejemplo 1.x si se cuantiza con 10 bits PCM. Encontrar la relacion señal
a ruido de cuantizacón.
1.17. Se dispone de un conversor ADC de 12 bits, cuyo tiempo de conversión máximo es de

12µs. Determinar cuál es la máxima frecuencia de una señal senoidal a digitalizar con
dicho conversor si se desea que el error debido al cambio de la señal durante la conversión
sea inferior al máximo error de cuantificación. Si se precede al ADC de un muestreador
(S&H) capaz de tomar muestras cada 200ns, ¿cuál es entonces la frecuencia máxima?.
1.18. Considere una señal de audio con componentes espectrales en el rango de 300Hz a 3KHz.
Suponga que se muestrea a razón de 7KHz la cual es utilizada para generar PCM.
a) Para S/N = 30dB, cuál es el numero de niveles cuánticos uniformes requeridos?.

b) ¿Que velocidad de datos se requiere?.
1.19. Encontrar el tamaño del paso q requerido para prevenir sobrecarga en la pendiente de
ruido como una función de la frecuencia de la componnete mas alta de frecuencia de la
señal. Suponga que todas las componentes tienen amplitud A.
1.20. Un codificador PCM acepta una señal con un rango total de votaje de 10[V] y genera 8
bits de codigo utilizando cuantización uniforme. El maximo nivel de voltaje cuantificado
es 1 − 2−8 . Determine:
a) El tamaño del paso cuántico q.

b) El tamaño del paso actual en voltios.
c) El nivel cuantico maximo actual en voltios.
d) La resolución normalizada.
e) La resolución actual.
f ) El porcentaje de resolución.
2
SEÑALES Y SISTEMAS DE
TIEMPO DISCRETO
Objetivos
Estudiar las caracterı́sticas de las señales de tiempo discreto ası́como sus operaciones.
Estudiar las caracterı́sticas de los sistemas de tiempo discreto.
Estudiar las respuesta al impulso y la respuesta en frecuencia de los sistemas de tiempo

discreto.
Contenido
2.1 Señales de tiempo discreto. 2.9 Respuesta al impulso.

2.2 Operaciones sobre las secuencias. 2.10 Configuraciones de sistemas.
2.3 Convolución.
2.11 Estabilidad.
2.4 Deconvolución.
2.12 Respuesta en frecuencia.
2.5 Correlación.
2.13 Ejemplos con MATLAB.
2.6 Sistemas de tiempo discreto.
2.7 Ecuaciones en diferencias finitas. 2.14 Referencias bibliográficas.
2.8 Respuesta de estado cero y entrada cero. 2.15 Ejercicios.
33
34 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
Con el advenimiento de la era digital, cada vez es más importante el conocimiento y dominio
de los métodos y técnicas relacionadas con el análisis y sı́ntesis de sistemas basados en tiempo
discreto, por esta razón este capı́tulo tiene la finalidad de establecer los fundamentos concep-
tuales sobre los que construye las aplicaciones relacionadas con las señales y sistemas de tiempo
discreto.
Una señal de tiempo discreto es una función f de valores reales, que existe para intervalos
de tiempo discreto n, por lo que regularmente se conoce como secuencia discreta, es decir:
n ∈ Z −→ f ∈ R: f = f [n]
La notación de las funciones de tiempo discreto pueden ser expresada como f [n], como una
tabla, ó como una secuencia de numeros {fn } en el que la flecha indica el origen de coordenadas,
asimismo también puede expresarse como un gráfico de valores discretos, por ejemplo:
{fn } = { 2 , 4,4 , 7 , 3 , 8 , −2,5 , 0 , 1 , 6 }
↑


 2 n = −3 n f [n]

4,4 n = −2

-3 2




7 n = −1 -2 4.4




-1 7

3 n=0



0 3


8 n=1
f [n] = 1 8
 −2,5 n=2


 2 -2.5


 0 n=3 3 0

1 n=4



 4 1



 6 n=5 5 6



0 En otro caso Otros 0
f [n]
6
8 − •
• 7 −
6 − •
• 5 −
4 −
• 3 •
2 −
1 − •
• • • • - n
-3 -2 -1 1 3 4 5
•
Figura 2.1: Representación gráfica de una función de tiempo discreto
En algunos casos es necesario considerar señales o secuencias complejas discretas, por lo que la
aplicación será:
n ∈ Z −→ f ∈ C: f = f [n] = Re{f [n]} + j Im{f [n]}
2.1 Señales de Tiempo Discreto

Las señales de tiempo discreto pueden ser de todo tipo, sin embargo existen algunas
señales tı́picas, como ser:
f [n] f [n] = f [n + N ]
6 • • 6
••• •
• •
• • • •
• • • •
• • • • • • •
•• • • • •
•• - n • • • • - n
a) Señal causal b) Señal periódica con periodo N=5
6f [n] 6f [n]
• • •
• • • • • • •
• •
• •
• • • • • • n
•
-
• • • •
• •
• • • • •
• - n • •
c) Señal random d) Señal senoidal
Figura 2.2: Tipos de señales discretas.
Señales causales, que se caracterizan porque f [n] ∃ ∀ n ∈ Z ≥ 0.

Señales periódicas, son aquellas que se repiten cada cierto intervalo N denominado
periodo, es decir f [n] = f [n + N ], en el caso de la figura se observa que N = 5.
Señales aleatorias, denominadas también randómicas, son aquellas que varı́an de forma
aleatoria o de acuerdo a una determinada función de distribución. Estas se denominan
estacionarias si sus parámetros estadı́sticos (la media, varianza, etc.), no cambian en
el tiempo es decir permanecen constantes (o casi costantes). En muchas ocasiones estas
señales son asociadas con algun tipo de ruido, por esta razón su importancia.
Señales senoidales, estas pueden ser escritas como f [n] = A cos ω0 n. Se comportan
como las senoides de tiempo continuo, en este caso ω0 = 2π N
, donde N es el periodo de
la senoide. Esta secuencia es periódica si ω2π0 = N1 = pq ∈ Q, es decir p/q es un número
racional; si esta relación no es número racional la secuencia puede no ser periódica. La
periodicidad se cumple según:
sen[(ω0 + 2kπ)n] = sen(ω0 n + 2kπn) ; k ∈ Z
= sen ω0 n cos 2kπn + cos ω0 n sen 2kπn
sen[(ω0 + 2kπ)n] = sen ω0 n
El siguiente gráfico muestra el comportamiento de la función senoidal para diferentes

casos de frecuencia w0 .
6
w0 = 0 6
w0 = π/8
•• •
••••••••••••••••• • ••
• •
- n • • - n
• •
• •
•••
6
w0 = π/4 6
w0 = π/2
• • • • • • • •
• • • •
• • • • - n • • • • • • • • - n
• • • •
• • • • • •
6
w0 = π 6
w0 = 2π
• • • • • • • • • •••••••••••••••••
- n - n
• • • • • • • •
Figura 2.3: Variación de f [n] = cos w0 n para diferentes frecuencias w0
2.1.1 Señales Importantes en el Análisis de Sistemas Lineales

Existe otras señales caracterı́sticas que participan en el análisis y sı́ntesis de sistemas de
tiempo discreto y por su importancia se describen a continuación:
(
1 n=0
Impulso unitario: (Delta de Dirac discreto): δ[n] =
6 0
0 n=
Paso unitario: (Escalón unitario, función de Heaviside discreta)

(
1 n≥0
µ[n] =
0 n<0
(
n n≥0
Rampa lineal: r[n] =
0 n<0
Exponencial: y[n] = an ∀n ∈ Z y a ∈ R.
δ[n] µ[n] r[n]

6 6 6 •
•
•
1 • 1 • • • • • ........ • ........
•
- n - n • - n
a) b) c)
Figura 2.4: Señales. a) Delta de Dirac; b) Paso unitario; c) Rampa lineal
• •
(a > 1) • • (0 < a < 1)
• •
•• ••
•• ••
• •• ••
•••
••
- n - n
• •
(a < −1) (−1 < a < 0)
• •
• •
• •
• • • •
- n - n
• • • •
• •
• •
• •
• •
Figura 2.5: Señales Exponenciales
2.1.2 Señales de Energı́a y Potencia
Una señal f [n] de tiempo discreto se denomina señal de energı́a, si la energı́a de la misma
es finita, es decir
∞
f [n]2
X
E= ; 0<E<∞
n=−∞
Ahora se define la potencia media de la señal f [n] como
∞
1 X
f [n]2

P = Lim
N →∞ 2N + 1
n=−∞
si la potencia media es un valor finito 0 < P < ∞, entonces se denomina señal de potencia. De
N
f [n]2 , entonces:
P
las anteriores relaciones se puede concluir que si EN =
n=−N
1
E = Lim EN y P = Lim EN
N →∞ N →∞ 2N + 1
EJEMPLO 2.1.- Analizar la energı́a y potencia de las señales
a) f [n] = µ[n]
b) f [n] = ea|n|
Solución:
a) Reemplazando f [n] = µ[n] en las formulas anteriores:
N N N
f [n]2 = µ[n]2 =
X X X 2
EN = 1 = N + 1
n=−N n=−N n=0
1 1
E = Lim (N + 1) = ∞ y P = Lim (N + 1) =
N →∞ N →∞ 2N + 1 2
La función paso es de energı́a infinita y potencia media finita, por lo que es una señal de
potencia.
b) Para este caso reemplazando f [n] = ea|n| , entonces

N N N −1 N
X 2 X a|n| 2 X
2a|n|
X
−2an
X
EN = f [n] =
e = e = e + e2an
n=−N n=−N n=−N n=−N n=0
N
X N
X N
X
= e2an + e2an = 2 e2an − 1
n=1 n=0 n=0
2a(N +1) 2a(N +1)
e −1 2e − e2a − 1
EN = 2 − 1 =
e2a − 1 e2a − 1
2a(N +1)
2e − e2a − 1
E = Lim EN = Lim
N →∞ N →∞ e2a − 1
1 1 2 e2a(N +1) − e2a − 1
P = Lim EN = Lim
N →∞ 2N + 1 N →∞ 2N + 1 e2a − 1
se verifica que los resultados finales dependen del valor de la constante “a”; si 0 < a < ∞,
tanto la energı́a como la potencia media son infinitas (E = ∞ y P = ∞); por otra parte
2a
si −∞ < a < 0 entonces E = 1+e 1−e2a
y P = 0, es decir la señal es de energı́a.
2.2 Operaciones sobre las Secuencias

Sean f [n] y g[n] secuencias discretas definidas ∀ n ∈ Z, entonces se pueden definir op-
eraciones sobre las secuencias como ser: la suma, multiplicación, división, reflejo, etc. Estas
operaciones se realizan punto a punto, es decir para un mismo valor de n se operan f [n] con el
correspondiente valor de g[n].
a) Suma: f [n] ± g[n]

b) Producto: f [n] · g[n]
c) División: f [n]/ g[n] ; ∃ ∀ g[n] 6= 0
d) Reflejo: f [−n]
(
|a| > 1 compresión ó diezmado
e) Dilatación: f [an] = (a ∈ Z).
|a| < 1 expansión ó interpolación.
Para una señal f [n], la operación de compresión ó diezmado f [an] consiste en tomar
muestras cada a valores de la señal original, puesto que si hacemos
g[n] = f [an]
entonces
n=0: g[0] = f [0]
n=1: g[1] = f [a]
n=2: g[2] = f [2a]
....................
EJEMPLO 2.2.- Comprimir la señal [f [n] = {1, 2, 3, 4, 5, 6, 7}en un factor de 2.

↑
Solución: En este caso el factor a = 2, por lo que g[n] = f [2n], entonces
n=0: g[0] = f [0] = 1

n=1: g[1] = f [2] = 3
n=2: g[2] = f [4] = 5
n=3: g[3] = f [6] = 7
n=4: g[4] = f [8] = 0
de donde
f [n] = {1, 2, 3, 4, 5, 6, 7} −→ f [2n] = {1, 3, 5, 7}
↑ ↑
La operación de expansión ó interpolación f [an] consiste en expandir la señal en el

eje de tiempo, que implica incrementar el numero de muestras de f [n]. Si se hace que
a = 1b , y como |a| < 1 entonces |b| > 1, por lo que f [an] = f [ nb ] es una secuencia que
incrementa muestras en el dominio temporal, quedando las muestras originales espaciadas
cada b muestras; es decir para
g[n] = f [n/b]
entonces se obtiene
n=0: g[0] = f [0]

n=1: g[1] = f [1/b]
.......................
n=b: g[b] = f [1]
.......................
n = 2b : g[2b] = f [2]
.......................
los lugares incrementados tienen valores desconocidos y para completar los mismos existe
algunas técnicas, como la interpolacion a cero, interpolación a escalón, interpolación lineal
e interpolación polinómica, las mismas que seran explicadas en el siguiente ejemplo.
EJEMPLO 2.3.- Expandir la señal f [n] = {1, 2, 3}, al doble.
↑
Solución: La expansión al doble de la señal implica f [n] → f [n/2], por lo que para b = 2
n=0: g[0] = f [0] = 1

n=1: g[1] = f [1/2] =?
n=2: g[2] = f [1] = 2
n=3: g[3] = f [3/2] =?
n=4: g[4] = f [2] = 3
n=5: g[5] = f [5/2] =?
es decir
f [n] = {1, 2, 3} −→ f [n/2] = {1, , 2, , 3, }
↑ ↑
como se observa se generan espacios entre las muestras originales, por lo que es necesario
introducir valores a estos lugares; en este caso se tienen tres técnicas usuales:
Interpolación a cero. Consiste en completar con ceros, a los lugares desconocidos

entre las muestras, es decir
f [n] = {1, 2, 3} −→ f [n/2] = {1, 0, 2, 0, 3, 0}

↑ ↑
Interpolación a escalón. Consiste en completar con valores iguales a la muestra

precedente, es decir
f [n] = {1, 2, 3} −→ f [n/2] = {1, 1, 2, 2, 3, 3}

↑ ↑
Interpolación lineal. En este caso se completa con valores correspondientes al

promedio de los valores de las muestras laterales, es decir
f [n] = {1, 2, 3} −→ f [n/2] = {1, 23 , 2, 25 , 3, 32 }

↑ ↑
para obtener el ultimo valor se ha promediado 3 con una muestra 0.
De acuerdo a lo mencionado las operaciones de diezmado e interpolación pueden parecer

operaciones inversas, es decir
diezmado interpolación
f [n] −−−−−→ f [an] −−−−−−−→ f [n]
n=an n=n/a
interpolación diezmado
f [n] −−−−−−−→ f [n/a] −−−−−→ f [n]
n=n/a n=an
sin embargo, es necesario tener cuidado con estos procedimientos, porque puede conducir
a resultados equivocados, por ejemplo utilizando la interpolación a cero:
diezmado interpolación
f [n] = {1, 3, 5} −−−−−→ f [2n] = {1, 5} −−−−−−−→ {1, 0, 5} =
6 f [n]
n=2n n=n/2
interpolación diezmado
f [n]{1, 3, 5} −−−−−−−→ f [n/2] = {1, 0, 3, 0, 5, 0} −−−−−→ f [n] = {1, 3, 5}
n=n/2 n=2n
En este ejemplo se observa que el primer caso conduce a un resultado equivocado, en

cambio en el segundo caso se recupera la señal original, por lo tanto la técnica consiste
en primero interpolar y luego diezmar. En resumen, en el diezmado existe pérdida de
información de la señal original, en cambio en la interpolación existe exceso de información
que puede llegar a ser inútil en algún caso. Por otra parte dependiendo de la separación
de las muestras se puede utilizar inclusive interpolación polinómica.
f ) Desplazamiento o retardo: f [n − k] ; k ∈ Z.
Considerando que n y k ∈ Z, entonces n − k ∈ Z lo que involucra un desplazamiento de

la señal original en un factor de k. Un caso especial de desplazamiento puede presentarse
cuando k no es un número entero, siendo el mismo un número racional k = p/q ∈ Q, estas
situaciones aparecen regularmente en aplicaciones de filtros promediadores. Para obtener
desplazamientos de valores no enteros se debe realizar las operaciones de interpolación,
desplazamiento y diezmado, en ese orden, para el cual se prefiere utilizar interpolación
lineal.
El siguiente esquema resume lo indicado

h i h i
interpolación retardo n−p diezmado qn−p
f [n] −−−−−−−→ f [ nq ] −−−−→ f q
−−−−−→ f q
= f [n − pq ]
n=n/q n=n−p n=qn
EJEMPLO 2.4.- Dado f [n] = {1, 2, 3, 4}, obtener f [n − 12 ] (retardo de media muestra).
↑
p 1
Solución: Puesto que q
= 2
entonces se puede hacer que p = 1 y q = 2, por lo que
interpolación
f [n] = {1, 2, 3, 4} −−−−−−−→ f [ n2 ] = {1, 32 , 2, 52 , 3, 72 , 4, 2} →
↑ n=n/2 ↑
retardo diezmado
−−−−→ f [ n−1
2
] = {1, 32 , 2, 52 , 3, 72 , 4, 2} −−−−−→ f [n − 12 ] = { 32 , 52 , 72 , 2}
n=n−1 n=2n
↑ ↑
f [n] f [n − 21 ]
6 6
•4
3 • 72
• 5•
2• 3•
2 • 2
1• 2
- n - n
Figura 2.6: Retardo de media muestra de la señal f [n].
Otro caso importante de análisis es cuando la señal f [n] = f [n − N ], es periódica con

periodo N , los deplazamientos involucran circulación de valores en un mismo periodo, tal
como se muestra la figura siguiente.
6f [n] 6f [n − 3]N

N -
N -
• • • • • • •
• • • • • • •
• • • • • • •
• • • • • •
• • • - n • • • • - n
Figura 2.7: Desplazamiento circular o periódico en módulo 3.
En general en un periodo se cumple que
f [n]N = {f [0], f [1], f [2], . . . . . . , f [N − 2], f [N − 1]}

f [n − 1]N = {f [N − 1], f [0], f [1], . . . . . . , f [N − 3], f [N − 2]}
f [n − 2]N = {f [N − 2], f [N − 1], f [0], . . . . . . , f [N − 3]}
...............................................
f [n − m]N = {f [N − m], f [N − m + 1], . . . . . . , f [N − m − 1]}
...............................................
f [n − N + 1]N = {f [1], f [2], f [3], . . . . . . , f [N − 2], f [N − 1], f [0]}
se verifica que si se realiza un desface mas en la señal, se retorna a la señal original
f [n − N ]N = {f [0], f [1], f [2], . . . . . . , f [N − 2], f [N − 1]} = f [n]N

Alternativamente se puede representar estos desfaces mediante el diagrama circular o

cı́clico
t t
k t t k t t
f [k] f [0]
t t tf [1] t
I
f [n] f [n − k]N
t f [2] t 2 t t2
f [N − 1] f [N − k − 1]
t f [1]t t t
f [0] f [N − k]
N −1 t 1 N −1 t 1
n=0 n=0
Figura 2.8: Desplazamiento, retardo o traslación circular
Por ejemplo para la secuencia f [n] = {0, 1, 2, 3, 4}, se cumple:
f [n]5 = {0, 1, 2, 3, 4}
f [n − 1]5 = {4, 0, 1, 2, 3}
f [n − 2]5 = {3, 4, 0, 1, 2}
f [n − 3]5 = {2, 3, 4, 0, 1}
f [n − 4]5 = {1, 2, 3, 4, 0}
f [n − 5]5 = {0, 1, 2, 3, 4} = f [n]5
∞
P
h) Convolución: f [n] ∗ g[n] = f [k] g[n − k]
k=−∞
∞
P
i) Correlación cruzada: rf g [n] = f [n] ∗ g[−n] = f [k] g[k − n]
k=−∞
n
P
j) Suma Acumulativa: f [n] = f [k]
k=−∞
k) Diferencia regresiva: 5f [n] = f [n] − f [n − 1]
l) Diferencia progresiva: 4f [n] = f [n + 1] − f [n]

−1
NP
1
m) Promedio fijo: g= N
f [k]
k=0
−1
NP N2
1 1
P
n) Promedio móvil: g[n] = N
f [n − k] ; g[n] = N1 +N2 +1
f [n − k]
k=0 k=−N1
−1
NP
2
o) Promedio móvil ponderado: g[n] = N (N +1)
(n − k) f [n − k]
k=0
N −1
p) Promedio exponencial: g[n] − α g[n − 1] = (1 − α) f [n] ; α= N +1
q) Componente par e impar de una señal: Una señal f [n], se dice que tiene simetrı́a par
si se cumple f [n] = f [−n] y si se cumple f [n] = −f [−n] entonces tiene simetrı́a impar.
Ahora cualquier señal f [n] se puede escribir como la suma de sus componentes par e
impar f [n] = fP [n] + fI [n], donde:
f [n] + f [−n] f [n] − f [−n]
fP [n] = ; fI [n] =
2 2
EJEMPLO 2.5.- Dada la secuencia f [n] determinar sus componentes par e impar.
f [n]
6
2• • •
1• •
• • - n
Solución: La secuencia es {fn } = {0, 1, 2, 2, 2, 1, 0}, de donde

↑
f [n] = {0, 1, 2, 2, 2, 1, 0} −→ f [−n] = {0, 1, 2, 2, 2, 1, 0}

↑ ↑

f [n] + f [−n] 1 3 3 1
fP [n] = = 0, 2 , 1, 2 , 2, 2 , 1, 2 , 0
2 ↑

f [n] − f [−n] 1 1 1 1
fI [n] = = 0, − 2 , −1, − 2 , 0, 2 , 1, 2 , 0
2 ↑
fP [n] fI [n]
6 6
•2 1 •
• • • •
• •1 • • • - n
• • • •
• • - n • -1
Figura 2.9: Componente par e impar de la señal f [n]
EJEMPLO 2.6.- Dadas las secuencias f [n] = {1, 0,5, 1} y g[n] = {−2, −1, 0, 1, 2, 2}, realizar
↑ ↑
las siguientes operaciones:
a) g[1 − n] − 2f [n]
b) f [n + 1] · g[1 − 2n]
g[n]
c)
1 − f [n]
Solución: Los gráficos muestran el proceso
a) .
2f [n] g[n]
6 6
2 ••
2 • 1 •
•
1 • - n
• • -1
- n • -2
g[1 − n] g[1 − n] − 2f [n]

6 6
• •2 2• •
• •1
2
• - n - n
•
• -2 • •
Figura 2.10: Solución a) g[1 − n] − 2f [n] • -4
La solución es la secuencia g[1 − n] − 2f [n] = {2, 2, 1, −2, −2, −4}.

↑
b) Sea:
h[n] = g[1 − 2n]



 n = −2 −→ h[−2] = g[5] = 0

n = −1 −→ h[−1] = g[3] = 2

 6


 2•
n = 0 −→ h[0] = g[1] = 1
h[n] = g[1 − 2n] = •1
n = 1

 −→ h[1] = g[−1] = −1 - n
−→ • -1



 n=2 h[2] = g[−3] = 0

otros −→ h[n] = 0.

La solución es la secuencia f [n + 1] · g[1 − 2n] = {0, 2, 2, 0}.

↑
c) La función f [n] = 0 ⇒ 1 − f [n] = 1 excepto para n = −1, n = 0 y n = 1, tal como se

muestra en el gráfico; además se considera g[n] = 0 excepto en los puntos donde tiene
valores diferentes de cero, por lo que:
f [n + 1] f [n + 1] · g[1 − 2n]
6 6
2 • • 2• •
•
- n • • - n
1 − f [n] g[n]/{1 − f [n]}

6 6
2• •
• • •1 ••• • ••• • - n
······ •0.5 ······
• • - n • -2
2.3 Convolución
La operación de convolución (suma o integral de superposición, convolution en Inglés,
superposition en Francés, faltung en Alemán, suma o integral de Duhamel en Ruso), juega
un papel importante dentro de las matemáticas aplicadas y fı́sica; se la puede ver dentro de
la teoria de probabilidades, en el algebra continua y discreta, en las ecuaciones integrales,
integrodiferenciales y en diferencias, en problemas de cálculo de variaciones, cálculo de extremos
y trayectorias curvas, etc. En particular es de extrema relevancia en el análisis y sı́ntesis de
sistemas lineales e invariantes en el tiempo (SLIT), por esta razón en esta sección se desarrolla
sus aspectos más importantes desde la perspectiva de la operación y las posteriores secciones
se muestran algunas de sus aplicaciones.
Sean las funciones f [n] y g[n] que existen ∀ n ∈ Z, se define la convolución de tiempo
discreto de las secuencias a la expresión:
∞
X
f [n] ∗ g[n] = f [k] g[n − k]
k=−∞
Ahora dependiendo del intervalo de existencia de las funciones f [n] y g[n], la anterior definición
puede modificar el intervalo de la suma, como se muestra a continuación:
∞
P
a) f [n] ∗ g[n] = f [k] g[n − k] ; f [n] y g[n] general.
k=−∞
∞
P
b) f [n] ∗ g[n] = f [k] g[n − k] ; f [n] causal y g[n] general.
k=0
n
P
c) f [n] ∗ g[n] = f [k] g[n − k] ; f [n] general y g[n] causal.
k=−∞
n
P
d) f [n] ∗ g[n] = f [k] g[n − k] ; f [n] y g[n] son causales.
k=0
n−b
P
e) f [n] ∗ g[n] = f [k] g[n − k] (∃ ∀ n ≥ a) ; si f [n] ∃ ∀ n ≥ a y g[n] ∃ ∀ n ≥ b.
k=a
n−b
P
f ) f [n] ∗ g[n] = f [k] g[n − k] ; si f [n] ∃ ∀ n ∈ [a, A] y es una secuencia finita de longitud
k=a
N1 ; y g[n] ∃ ∀ n ∈ [b, B] es de longitud finita N2 . La longitud total de la convolución es
N = N1 + N2 − 1 y sus puntos inicial y final son n0 = a + b y n1 = A + B respectivamente.
Todos los casos mostrados resultan de la definición, sin embargo los incisos (d), (e) y (f)
requieren mayor explicación y comprobación. Para el inciso (d), se tiene que la causalidad de las
funciones f [n] y g[n] se puede expresar de la siguiente forma f [n] µ[n] y g[n] µ[n], reemplazando
en la definición general de convolución:
∞
X
f [n] ∗ g[n] = f [n]µ[n] ∗ g[n]µ[n] = f [k]µ[k] g[n − k]µ[n − k]
k=−∞
Ahora el intervalo de existencia del producto µ[k] µ[n − k], es:

( (
1 k≥0 1 k≤n
µ[k] = ; µ[n − k] =
0 k<0 0 k>n
de donde:  

 1 k ≥0 ∩ k≤n 
 1 0≤k≤n
 
0 k ≥0 ∩ k>n  0 k>n
µ[k] · µ[n − k] = =


 0 k <0 ∩ k≤n 

 0 k<0
∩ {∅}
 
0 k <0 k>n 0
reemplazando
−1
X n
X ∞
X
f [n] µ[n] ∗ g[n] µ[n] = f [k] g[n − k] · 0 + f [k] g[n − k] + f [k] g[n − k] · 0
k=−∞ k=0 k=n+1
Por lo que, para f [n] y g[n] causales se obtiene:

n
X
f [n] ∗ g[n] = f [k] g[n − k]
k=0
En el caso (e), se tiene que en general para cualesquiera valores de a y b = cttes 6= 0 y

además que
f [n] ∃ ∀ n ≥ a =⇒ f [n − a] µ[n − a] ; g[n] ∃ ∀ n ≥ b =⇒ g[n − b] µ[n − b]
procediendo de la misma forma que el anterior caso, la suma de convolución resulta:
n−b
X
f [n] ∗ g[n] = f [k] g[n − k]
k=a
Finalmente para (f), si f [n] es de longitud N1 y g[n] de longitud N2 , como se muestra en

la figura 2.11, siendo los puntos inicial y final de la suma de convolución n0 y n1 , la longitud
de la suma de convolución es N , entonces:
f [n] g[n]
N1 - N2 -
••••••••• ••••••••
- n - n
a A b B
Figura 2.11: Longitudes de las funciones f [n] y g[n].
f [n] ∗ g[n]
N = N1 + N2 − 1 -
• • • • • • • •
• • • • • • • • •
- n
n0 n1
Figura 2.12: Longitud de la suma de convolución
la convolución se inicia en
n0 − b = a −→ n0 = a + b
su punto final esta en
n1 − B = A −→ n1 = A + B
Ahora, se cumple que
A − a = N1 − 1 ; B − b = N2 − 1 ; n1 − n0 = N − 1
reemplazando:
(A + B) − (a + b) = N − 1 −→ (A − a) + (B − b) = N − 1
N1 − 1 + N2 − 1 = N − 1
de donde la longitud de la suma de convolución es: N = N1 + N2 − 1.
2.3.1 Propiedades de la Convolución

Las propiedades más importantes de la convolución son:
a) Conmutatividad: f [n] ∗ g[n] = g[n] ∗ f [n]
b) Asociatividad: f [n] ∗ g[n] ∗ h[n] = (f [n] ∗ g[n]) ∗ h[n] = f [n] ∗ (g[n] ∗ h[n])
c) Distributividad: f [n] ∗ (g[n] + h[n]) = f [n] ∗ g[n] + f [n] ∗ h[n]
d) Elemento Neutro: f [n] ∗ δ[n] = f [n]
e) Elemento Inverso: f [n] ∗ f −1 [n] = δ[n]
f ) Inserción de ceros: Si se inserta ceros a las funciones que se estan convolucionando, el

resultado incluye la suma total de ceros de las dos funciones, en el lugar donde se los
insertó
y[n] = f [n] ∗ g[n] =⇒ y[n] = {0, 0, f [n], 0} ∗ {0, g[n], 0, 0, 0} = {0, 0, 0, y[n], 0, 0, 0, 0}
2.3.2 Cálculo de la Convolución

Existe una variedad de métodos para determinar el resultado de la operación de con-
volución, todos estos explotan alguna propiedad de la operación, de la forma de la expresión e
inclusive de sus aplicaciones. En el siguiente ejemplo se muestra los métodos más relevantes y
la forma de su aplicación.
EJEMPLO 2.7.- Realizar la convolución entre las secuencias:
a) f [n] = e−n µ[n] ; g[n] = µ[n]
b) f [n] = {1, 1, 3, 3} ; g[n] = {2, 2, 4, 4}

↑ ↑
Solución:
a) Estas secuencias son infinitas, aplicando la definición a las funciones causales
f [n] = e−n (∀ n ≥ 0) ; g[n] = 1 (∀ n ≥ 0)
por lo que:
n
X n
X
f [n] ∗ g[n] = f [k] g[n − k] = e−k (1)
k=0 k=0
−(n+1)
e −1
f [n] ∗ g[n] = ; n≥0
e−1 − 1
b) En este caso las secuencias son de longitud finita, para lo cual se tiene los siguientes métodos:
i) Método Analı́tico. De acuerdo a lo mencionado anteriormente, la suma de convolu-

ción para secuencias que no empieza en el origen de coordenadas se define como
n−b
X
f [n] ∗ g[n] = f [k] g[n − k]
k=a
en este caso f [n] = {1, 1, 3, 3}, g[n] = {2, 2, 4, 4}, ahora de acuerdo a lo mostrado
↑ ↑
en la figura 2.11 y figura 2.12, los puntos iniciales y finales de las secuencias son:
a = −1, A = 2, b = −2 y B = 1. Con los anteriores puntos se obtiene los puntos
inicial y final del resultado de la convolución n0 = a + b = −3 y n1 = A + B = 3,
siendo su longitud N = N1 + N2 − 1 = 7, por lo que:
n+2
X
f [n] ∗ g[n] = f [k] g[n − k]
k=−1
Ahora resolviendo la suma de convolución para las secuencias f [n] y g[n], se obtiene:
−1
P
n = −3 : f [n] ∗ g[n] = f [k] g[−3 − k] = f [−1] · g[−2] = 1 · 2 = 2
k=−1
0
P
n = −2 : f [n] ∗ g[n] = f [k] g[−2 − k] = f [−1] · g[−1] + f [0] · g[−2]
k=−1
= 1·2+1·2=4
1
P
n = −1 : f [n] ∗ g[n] = f [k] g[−1 − k] = f [−1] · g[0] + f [0] · g[−1] + f [1] · g[−2]
k=−1
= 1 · 4 + 1 · 2 + 3 · 2 = 12
2
P
n=0 : f [n] ∗ g[n] = f [k] g[−k] = f [−1] · g[1] + f [0] · g[0] + f [1] · g[−1]+
k=−1
+f [2] · g[−2] = 1 · 4 + 1 · 4 + 3 · 2 + 3 · 2 = 20
3
P
n=1 : f [n] ∗ g[n] = f [k] g[1 − k] = f [−1] · g[2] + f [0] · g[1]+
k=−1
+f [1] · g[0] + f [2] · g[−1] + f [3] · g[−2]
= 1 · 0 + 1 · 4 + 3 · 4 + 3 · 2 + 0 · 0 = 22
4
P
n=2 : f [n] ∗ g[n] = f [k] g[2 − k] = f [−1] · g[3] + f [0] · g[2]+
k=−1
+f [1] · g[1] + f [2] · g[0] + f [3] · g[−1] + f [4] · g[−2]
= 1 · 0 + 1 · 0 + 3 · 4 + 3 · 4 + 0 · 2 + 0 · 2 = 24
5
X
n=3 : f [n] ∗ g[n] = f [k] g[3 − k] = f [−1] · g[4] + f [0] · g[3] + f [1] · g[2]
k=−1
+ f [2] · g[1] + f [3] · g[0] + f [4] · g[−1] + f [5] · g[−2]

= 1 · 0 + 1 · 0 + 3 · 0 + 3 · 4 + 0 · 4 + 0 · 2 + 0 · 2 = 12
La secuencia solución es f [n] ∗ g[n] = {2, 4, 12, 20, 22, 24, 12}
↑
ii) Método Gráfico. Las funciones son:
f [n] g[n]
6 6
• •4
• •3
2• •
1• •
- n - n
En general la suma de convolución se define como:

∞
X
f [n] ∗ g[n] = f [k] g[n − k]
k=−∞
es decir que se requiere multiplicar las secuencias f [k] por g[n−k] para luego realizar
la suma de convolución.
f [k] g[k]
6 6
• •4
• •3
2• •
1• •
- k - k
g[−k] g[n − k]
6 6
4• • 4• •
• •2 • •2
- k - k
n n+2
6f [n] · g[n − k] 6f [n] · g[n − k]

◦ ◦4 4◦ ◦
n = −3 • •3 n = −2 • •3
◦ ◦2 ◦ ◦2
1• • 1• •
- k - k
f [n] · g[n − k] f [n] · g[n − k]
6 6
4◦ ◦ 4◦ ◦
n = −1 • •3 n=0 • •3
◦ ◦2 ◦ ◦2
1• • 1• •
- k - k
f [n] · g[n − k] f [n] · g[n − k]
6 6
4◦ ◦ ◦ ◦4
n=1 • •3 n=2 • •3
◦ ◦2 ◦ ◦2
1• • 1• •
- k - k
f [n] · g[n − k] f [n] ∗ g[n]
••
6 6
◦ ◦4 20 •
n=3 • •3
• • 12
◦ ◦2
1• • 4
••
- k - k
−3 3
Figura 2.13: Método Gráfico para calcular la convolución
Ahora el producto f [k] · g[n − k] es nulo para todos los valores n + 2 < −1, el primer
valor de existencia del producto es cuando n + 2 = −1, es decir n = −3, tal como se
muestra en el grafico, en el que para distinguir los valores se ha dibujado la función
g[n − k] con circulos, ahora la suma de convolución es:
∞
X
n = −3 : f [n] ∗ g[n] = f [k] g[−3 − k] = 1 · 2 = 2
k=−∞
Los siguientes valores son:

∞
X
n = −2 : f [n] ∗ g[n] = f [k] g[−2 − k] = 1 · 2 + 1 · 2 = 4
k=−∞
1
X
n = −1 : f [n] ∗ g[n] = f [k] g[−1 − k] = 1 · 4 + 1 · 2 + 3 · 2 = 12
k=−1
n=0 : f [n] ∗ g[n] = 1 · 4 + 1 · 4 + 3 · 2 + 3 · 2 = 20

n=1 : f [n] ∗ g[n] = 1 · 4 + 3 · 4 + 3 · 2+ = 22
n=2 : f [n] ∗ g[n] = 3 · 4 + 3 · 4 = 24
n=3 : f [n] ∗ g[n] = 3 · 4 = 12
iii) Método de la Tira Deslizante. Es una forma resumida del anterior método,
se menciona que para obtener la suma de convolución z[n] = f [n] ∗ g[n], se re-
quiere en primer lugar obtener el producto f [k] · g[n − k], entonces para las se-
cuencias f [n] = {1, 1, 3, 3} y g[n] = {2, 2, 4, 4}, se tiene que f [k] = {1, 1, 3, 3} y
↑ ↑ ↑
g[−k] = {4, 4, 2, 2}, ahora el proceso consiste en colocar en una posición fija la
↑
secuencia f [k], luego la secuencia g[−k] es móvil, en la cuarta fila se realizan los
productos punto a punto, para finalmente sumar todos los productos
k −6 −5 −4 −3 −2 −1 0
f [k] 1 1 3 3
−→ g[−k] 4 4 2 2
Productos
Ahora se inicia el proceso en k = −3 y por comodidad se simplifica el anterior

arreglo.
1 1 3 3 1 1 3 3
4 4 2 2 4 4 2 2
Q Q
: 2 : 2 2
PQ PQ
z[−3] = =2 z[−2] = =2+2=4
1 1 3 3 1 1 3 3
4 4 2 2 4 4 2 2
Q Q
: 4 2 6 : 4 4 6 6
PQ PQ
z[−1] = = 4 + 2 + 6 = 12 z[0] = = 4 + 4 + 6 + 6 = 20
A partir de estos esquemas se determina los valores resultantes de la secuencia de

convolución:
f [n] ∗ g[n] = {2, 4, 12, 20, 22, 24, 12}
↑
1 1 3 3 1 1 3 3
4 4 2 2 4 4 2 2
Q Q
: 4 6 6 : 12 12
PQ PQ
z[1] = = 4 + 6 + 6 = 16 z[2] = = 12 + 12 = 24
1 1 3 3
4 4 2 2
Q
: 12
PQ
z[3] = = 12
Figura 2.14: Método de la Tira Deslizante.
iv) Método de Giro y Suma. El algoritmo se denomina de “giro y suma”, que consiste
en construir un arreglo como el que se muestra en la figura 2.15, en el mismo se
incluyen los valores correspondientes de cada función, en el eje vertical f [n] y en el
eje horizontal g[n], la señal que gira. Los elementos de la matriz son determinados
por el producto de todos los elementos de f [n] por cada uno de los elementos de
g[n]:
× 2 2 4 4 - g[n]
1 2 2 4 4
1 2 2 4 4
3 6 6 12 12
3 6 6 12 12
f [n] ?
Figura 2.15: Arreglo para calcular la convolución por el método de giro y suma
El resultado de la convolución se obtiene sumando los elementos de la diagonal del

arreglo, cuyo punto inicial es n0 = a + b tal como se menciona anteriormente, siendo
a y b son los puntos iniciales de las secuencias f [n] y g[n]; para a = −2 y b = −1, se
tiene que n0 = −3. Aplicando lo mencionado, el resultado es:
f [n] ∗ g[n] = {2, 4, 12, 20, 22, 24, 12}

↑
v) Método de la Tabla. Este método consiste en utilizar los principios de los sistemas
lineales e invariantes en el tiempo (SLIT), es decir (ver sección 2.9):
δ[n] −→ SLIT −→ h[n]

entonces
a δ[n − k] −→ SLIT −→ a h[n − k]
a partir de este principio si se considera que la solución de la convolución es la salida
de algun sistema lineal e invariante en el tiempo, entonces se puede construir la
respuesta como la suma de las respuestas parciales a cada impulso, debido a que la
convolución cumple con la propiedad de conmutatividad, cualquiera de las funciones
puede ocupar el lugar de la respuesta al impulso y la otra función sera la señal de
∞
P
entrada, además puesto que f [n] = f [n] ∗ δ[n] = f [k] δ[n − k], conduce a la
k=−∞
interpretación de que la función f [n] es la suma de funciones impulso de distinta
amplitud y ubicados en todo el eje n. En este caso por ejemplo:
z[n] = f [n] ∗ g[n]
si se hace que f [n] sea la señal de entrada y g[n] es la respuesta al impulso, entonces
δ[n] −→ SLIT −→ g[n]
a δ[n − k] −→ SLIT −→ a g[n − k]

Para cálcular la convolución total se construye la siguiente tabla y en la última se
suman las respuestas parciales
n −3 −2 −1 0 1 2 3
g[n] 2 2 4 4
f [n] 1 1 3 3
δ[n + 3] 2 2 4 4
δ[n + 2] 2 2 4 4
3 δ[n + 1] 6 6 12 12
3 δ[n] 6 6 12 12
f [n] ∗ g[n] 2 4 12 20 22 24 12
por lo que la suma de convolución es f [n] ∗ g[n] = {2, 4, 12, 20, 22, 24, 12}.
↑
vi) Método de Producto de Polinomios. Sean dos polinomios cualquiera P (x) y

Q(x), de la forma:
∞
X
P (x) = an xn = a0 + a1 x + a2 x2 + a3 x3 + · · ·
n=0
∞
X
Q(x) = bn x n = b0 + b1 x + b2 x 2 + b3 x 3 + · · ·
n=0
cuyo producto es
∞
X ∞
X ∞
X
n n
P (x) · Q(x) = an x · bn x = cn x n = c0 + c1 x + c2 x 2 + c3 x 3 + · · ·
n=0 n=0 n=0
en general el coeficiente cn puede ser escrito (Cauchy) como:

n
X
cn = ak · bn−k
k=0
como se puede observar este coeficiente tiene la forma de una convolución, es de-
cir cn = an ∗ bn . Ahora una secuencia cualquiera {fn }, se puede escribir como un
polinomio, donde los elementos de la secuencia corresponden a los coeficientes del
polinomio y los exponentes del polinomio corresponden a los puntos donde existe la
secuencia, por lo que en este caso:
f [n] = {1, 1, 3, 3} −→ f (x) = 1 x−1 + 1 x0 + 3 x1 + 3 x2
↑
g[n] = {2, 2, 4, 4} −→ g(x) = 2 x−2 + 2 x−1 + 4 x0 + 4 x1

↑
Ahora realizamos el producto de los polinomios

f (x) · g(x) = (x−1 + 1 + 3 x + 3 x2 )(2 x−2 + 2 x−1 + 4 + 4 x)
f (x) · g(x) = (2 x−3 + 2 x−2 + 4 x−1 + 4) + (2 x−2 + 2 x−1 + 4 + 4 x)+
+ (6 x−1 + 6 + 12 x + 12 x2 ) + (6 + 6 x + 12 x2 + 12 x3 )
f (x) · g(x) = 2 x−3 + 4 x−2 + 12 x−1 + 20 + 22 x + 24 x2 + 12 x3
de donde el resultado de la convolución es
f [n] ∗ g[n] = {2, 4, 12, 20, 22, 24, 12}
↑
vi) Método Matricial. Sean las secuencias causales f [n] y g[n], entonces la convolución
de las secuencias esta dada por
n
X
z[n] = f [n] ∗ g[n] = f [k] · g[n − k]
k=0
desarrollando
0
X
z[0] = f [k] · g[−k] = f [0] · g[0]
k=0
1
X
z[1] = f [k] · g[1 − k] = f [0] · g[1] + f [1] · g[0]
k=0
X2
z[2] = f [k] · g[2 − k] = f [0] · g[2] + f [1] · g[1] + f [2] · g[0]
k=0
..................................
..................................
X2 −2
N1 +N
z[N1 + N2 − 2] = f [k] · g[N1 + N2 − 2 − k] = f [0] · g[N1 + N2 − 2]+
k=0
. + f [1] · g[N1 + N2 − 3] + · · · · · · + f [N1 + N2 − 2] · g[0]
escribiendo en forma matricial
··· ··· ··· 0

     
z[0] f [0] 0 g[0]
 z[1]   f [1] f [0] ··· ··· ··· 0   g[1] 
 ..   .. .. .. ... ... ..   .. 
. = . . . .  .
     
  
 ..   .. .. .
.. .. .. ..   .. 
 .   . . . . .   . 
z[N1 + N2 − 2] f [N1 + N2 − 2] f [N1 + N2 − 3] · · · ··· · · · f [0] g[N1 + N2 − 2]
En este caso
f [n] = {1, 1, 3, 3} ; g[n] = {2, 2, 4, 4}
↑ ↑
pueso que a = −2 y b = −1, entonces n0 = a + b = −3 y N = N1 + N2 − 1 = 7, por
lo que la convolución en forma matricial es
      
z[−3] 1 0 0 0 0 0 0 2 2
z[−2] 1 1 0 0 0 0 0 2  4 
      
z[−1] 3 1 1 0 0 0 0 4 12
      
 z[0]  = 3 3 1 1 0 0 0 4 = 20
      
 z[1]  0 3 3 1 1 0 0 0 22
      
 z[2]  0 0 3 3 1 1 0 0 24
z[3] 0 0 0 3 3 1 1 0 12
De donde la solución es:
z[n] = f [n] ∗ g[n] = {2, 4, 12, 20, 22, 24, 12}
↑
es posible escribir de la siguiente manera

z[n] = f [n] ∗ g[n] ←→ ZN = FN ×N GN
donde ZN y GN son vectores columna de tamaño N y FN es una matriz de N × N ,
cuyas columnas son los elementos de la secuencia f [n] desplazadas. Debido a que
la convolución cumple con la propiedad conmutativa también se puede escribir la
convolución como
z[n] = f [n] ∗ g[n] ←→ ZN = GN ×N FN
es decir, el siguiente sistema proporciona la misma solución
      
z[−3] 2 0 0 0 0 0 0 1 2
z[−2] 2 2 0 0 0 0 0 1  4 
   
   
z[−1] 4 2 2 0 0 0 0 3 12
   
  
 z[0]  = 5 4 2 2 0 0 0 3 = 20
   
  
 z[1]  0 4 4 2 2 0 0 0 22
   
  
 z[2]  0 0 4 4 2 2 0 0 24

z[3] 0 0 0 4 4 2 2 0 12
de donde:
z[n] = g[n] ∗ f [n] = {2, 4, 12, 20, 22, 24, 12}
↑
2.3.3 Convolución de Secuencias Largas

Para realizar la convolución entre dos secuencias f [n] y g[n] como se ha visto en la anterior
sección existe una variedad de métodos los cuales pueden ser realizados por medio de algorı́tmos
computacionales, sin embargo pese a la velocidad que han alcanzado en esta época los sistemas
de computación, cuando una de las secuencias es un conjunto de datos muy grande (miles o
incluso millones), el compromiso al margen de la velocidad en estos casos suele ser la capacidad
de memoria del sistema, por ejemplo una melodı́a comercial cualquiera tiene una duración entre
3 a 5 minutos, esto implica entre 8.64 y 14.4 millones de muestras para analizar dicha señal y
suponiendo que cada muestra es de dos bytes, entonces se requiere entre 17.28 a 28.8 Mbytes de
memoria de la maquina para almacenar solo la señal. Por esta razón es que, se han desarrollado
procedimientos y algorı́tmos para reducir el tiempo de ejecución bajo la consideración de que la
convolución es una suma acumulativa, el siguiente ejemplo muestra el procedimiento. Sean las
secuencias f [n] = {1, 1, 1, 2, 2, 2, 3, 3, 3} y g[n] = {1, 2, 3, 4}, cuyo resultado de la convolución
es:
f [n] ∗ g[n] = {1, 3, 6, 11, 13, 16, 21, 23, 26, 27, 21, 12}
ahora si se particiona la secuencia f [n] en tres partes pequeñas, con la misma cantidad de
muestras:
f1 [n] = {1, 1, 1}
f2 [n] = {2, 2, 2}
f3 [n] = {3, 3, 3}
la convolución de estas secuencias con g[n] resulta
f1 [n] ∗ g[n] = {1, 3, 6, 9, 7, 4}

f2 [n] ∗ g[n] = {2, 6, 12, 18, 14, 8}
f3 [n] ∗ g[n] = {3, 9, 18, 27, 21, 12}
se puede apreciar que las tres primeras muestras de f1 [n] ∗ g[n] son iguales a las tres primeras
muestras de f [n] ∗ g[n], asimismo las últimas tres muestras de f3 [n] ∗ g[n] tambien son iguales a
las últimas tres muestras de f [n] ∗ g[n], siendo los restantes valores diferentes. La consideración
final que es que la convolución es una suma acumulativa, por lo que se puede intuir que es
necesario sumar las secuencias de alguna forma para que reproduzca la solución total. Por lo
mencionado se propone el siguiente arreglo
f1 [n] ∗ g[n] : 1 3 6 9 7 4
f2 [n] ∗ g[n] : 2 6 12 18 14 8
f3 [n] ∗ g[n] : 3 9 18 27 21 12
f [n] ∗ g[n] : 1 3 6 11 13 16 21 23 26 27 21 12
claramente el arreglo muestra que, si se acomodan las pequeñas convoluciones retrazadas una
despues de la otra en una cantidad igual al tamaño particionado de la secuencia original y
despues se suman se obtiene la convolución total. Esto permite plantear el método para realizar
convoluciones de secuencias largas, para esto sean las secuencias f [n] y g[n] con longitudes N
y M respectivamente, entonces:
f [n] N
g[n] M
f [n]∗g[n] N +M −1
Ahora si se divide la longitud N en v partes iguales de longitud L (si es necesario hay que
incrementar con ceros a la secuencia f [n] para que sea multiplo de L), entonces
L L L L
f [n] f0 [n] f1 [n] f2 [n] ··· fv−1 [n]
convolucionando
f0 [n]∗g[n] L+M −1
f1 [n]∗g[n] L+M −1
f2 [n]∗g[n] L+M −1
................................
fv−1 [n]∗g[n] L+M −1
sumando el arreglo
f0 [n]∗g[n] L M-1
f1 [n]∗g[n] L M-1
f2 [n]∗g[n] L M-1
...................................................................................
...................................................................................
fv−2 [n]∗g[n] L M-1
fv−1 [n]∗g[n] L M-1
X
L L L ······ L L P
| {z }
v+1 veces
f [n]∗g[n] N +M −1
la longitud de la suma de las convoluciones parciales es (v +1)L+P y puesto que la convolución
total tiene una longitud de N + M − 1, además N = vL entonces
(v + 1)L + P = N + M − 1 −→ P =M −L−1
finalmente la convolución total se puede expresar como la suma de las convoluciones parciales:
v−1
X
f [n] ∗ g[n] = fk [n − kL] ∗ g[n − kL]
k=0
2.3.4 Convolución Numérica

Sean las funciones f (t) y g(t) continuas ∀ t ∈ R, la convolución de las funciones está dado
por
Z∞
f (t) ∗ g(t) = f (λ) g(t − λ) dλ
−∞
Ahora de acuerdo al intervalo de existencia de las señales esta definición puede variar, un caso
de interés es cuando ambas señales son causales, es decir f (t) y g(t) existen ∀ t ≥ 0, entonces
la definición de la convolución es
Z t
f (t) ∗ g(t) = f (λ) g(t − λ) dλ
0
De manera similar a lo desarrollado en las anteriores secciones se puede calcular esta integral
por los métodos analı́tico, gráfico y numérico. El método numérico es de interés del presente
texto, puesto que se utilizan algorı́tmos equivalentes a la convolución discreta.
Sean las señales f (t) y g(t) continuas en algún intervalo, si estas se muestrean a razón de
T segundos se obtiene la secuencia f (nT ), como se muestra en la figura 2.16
f (t) f (nT )
6 6
f (T ) 6
6 66 6
666
6
6 6666
6
- t 6 - n
T 2T
Figura 2.16: Señal continua muestreada
Ahora f (nT ) = f [n], es decir que se logran un conjunto de datos discretos y por esta razón puede
parecer tentador el realizar la convolución de los datos muestreados mediante los algoritmos de
la convolución discreta, si se procede de esa forma el planteamiento es que:
f (t) ∗ g(t) ≈ f [nT ] ∗ g[nT ]
sin embargo un análisis en detalle permite establecer que la aproximación no es buena, para
mejorar esta aproximación se debe hacer una interpretación cabal de la integral de convolución.
La integral de convolución puede interpretarse como el cáculo del área bajo la curva de la
función f (λ) g(t − λ) y como las señales han sido muestreadas generando f (nT ) y g(nT ) es
necesario realizar una aproximación numérica del cálculo de la integral, para esto diferentes
investigadores han desarrollado una serie de aproximaciones.
Sea x(t) una función que existe en el intervalo [t0 , t1 ], entonces el área bajo la curva esta
dada por la integral
Z t1
Y = x(t) dt
t0
algunos de los algorı́tmos de aproximación de esta integral se muestran a continuación indicando

los puntos inicial y final:
Rectangular: Y = T x(nT ) ; t0 = nT − T , t1 = nT
Trapecios: Y = T2 x(nT ) + x(nT − T )

; t0 = nT − T , t1 = nT
Simpson (1/3): Y = T3 x(nT ) + 4 x(nT − T ) + x(nT − 2T )

t0 = nT − 2T , t1 = nT
Simpson (3/8): Y = 3T

8
x(nT ) + 3 x(nT − T ) + 3 x(nT − 2T ) + x(nT − 3T )
t0 = nT − 3T , t1 = nT
T

Adams-Moulton: Y = 12 5 x(nT ) + 8 x(nT − T ) − x(nT − 2T )
t0 = nT − 2T , t1 = nT

Tick: Y = T 0,3584 x(nT ) + 1,2832 x(nT − T ) + 0,3584 x(nT − 2T )
t0 = nT − 2T , t1 = nT
Sin pérdida de generalidad se desarrolla la aproximación mediante la regla de los trapecios; el

cálculo del área de un trapecio es equivalente a calcular el área de un rectángulo del mismo
ancho por la altura promedio de los estremos, tal como se muestra en la figura 2.17. Por lo que
el área total bajo la curva x(t), en el intervalo [0, t1 ], es:
x(t) = x(nT )
6
x(nT )
x(T )
x(0)+x(T )
2 -
x(0)
- t
T 2T ······ nT − T nT
Figura 2.17: Aproximación de los trapecios para calcular el área de x(t)
Las áreas de los rectangulos son

x(0) + x(T ) T

A1 = T = 2
x(0) + x(T )
2
A2 = T2 x(T ) + x(2T )

.........................................
.........................................
An−1 = T2 x(nT − 2T ) + x(nT − T )

An = T2 x(nT − T ) + x(nT )

si se suman todas las áreas parciales se obtiene el área total

n
X T
AT = Ak = x(0) + 2 x(T ) + 2 x(2T ) + · · · · · · + 2 x(nT − T ) + x(nT )
k=1
2
de donde la fórmula de aproximación mediante la regla de los trapecios es

t1Z=nT
T
x(t) dt ≈ x(0) + 2 x(T ) + 2 x(2T ) + · · · · · · + 2 x(nT − T ) + x(nT )
2
t0 =0
realizando operaciones
Z nT
T T
x(t) dt ≈ 2
x(0) + x(T ) + x(2T ) + · · · · · · + x(nT − T ) + 2
x(nT )
0
Z nT n
X
T

x(t) dt ≈ T x(kT ) − 2
x(0) + x(nT )
0 k=0
por otra parte la integral que se desea aproximar es la convolución de las señales f (t) que
∃ ∀ t ∈ [0, t1 ] y g(t) que ∃ ∀ t ∈ [0, t2 ], aplicando este principio a la aproximación de los trapecios
se obtiene
Zt n
X
T

f (λ) g(t − λ) dλ ≈ T f (kT ) g(nT − kT ) − 2
f (0) · g(0) + f (nT ) · g(nT )
0 k=0
claramente se observa que la suma resultante es equivalente a la convolución discreta, por lo

que se puede expresar finalmente como:
f (t) ∗ g(t) ≈ T f [nT ] ∗ g[nT ] − T2 f (0) · g(0) + f (nT ) · g(nT )

donde f (nT ) · g(nT ) es el producto de las últimas muestras de las funciones f (t) y g(t) en cada
punto. Este último resultado a diferencia de la primera aproximación muestra otro factor que
puede denominarse de corrección entre la convolución discreta y continua. Utilizando otra regla
de aproximación de la integral se tendra un mejor equivalente de la integral de convolución de
dos señales continuas.
EJEMPLO 2.8.- Determinar la convolución de las señales f (t) y g(t), mediante convolución
numérica.
f (t) g(t)
6 6
t
2
- t - t
10 5
Solución: La convolución de dos señales causales esta dada por

Z t
f (t) ∗ g(t) = f (λ) g(t − λ) dλ
0
ahora para calcular la integral de convolución mediante el método gráfico, involucra obtener en
primera instancia las funciones f (λ) y g(t − λ), tal como se muestra el gráfico
6f (λ) 6g(t − λ)
t−λ
2
- λ - λ
10 t−5 t
a partir del anterior gráfico se debe obtener el área común y luego cálcular la integral de
convolución, es decir:
a) t < 0, en este intervalo no existe intervalo de existencia común, entonces f (t) ∗ g(t) = 0
b) 0 ≤ t ≤ 5: en este intervalo las dos funciones existen entre [0, t], por lo que
g(t − λ)
Zt 6
f (t) ∗ g(t) = 2 (t − λ) dλ
0
t−λ
f (t) ∗ g(t) = t2 2
- λ
t−5 t 5 10
c) 5 ≤ t ≤ 10: el intervalo donde existen ambas funciones es [t − 5, t]
g(t − λ)
Zt 6
f (t) ∗ g(t) = 2 (t − λ) dλ
t−5
t−λ
f (t) ∗ g(t) = 25 2
- λ
t−5 5 t 10
d) 10 ≤ t ≤ 15: el intervalo de existencia de ambas señales es [t − 5, 10]
g(t − λ)
Z10 6
f (t) ∗ g(t) = 2 (t − λ) dλ
t−5
t−λ
f (t) ∗ g(t) = 25 − (t − 10)2 2
- λ
5 t − 5 10 t
e) t > 15, no existe intervalo de existencia común entre las funciones por lo que f (t) ∗ g(t) = 0
De los anteriores resultados se tiene que la solución de la convolución es



 0 t<0

2
t 0≤t≤5



f (t) ∗ g(t) = 25 5 ≤ t ≤ 10
 2
25 − (t − 10) 10 ≤ t ≤ 15





0 t > 15
f (t) ∗ g(t)
6
25
25 − (t − 10)2
t2
- t
5 10 15
Figura 2.18: Resultado de la convolución en tiempo continuo
Ahora, se realizará el mismo cálculo mediante la convolución numérica, para lo cual en primer
lugar se debe realizar la convolución discreta, para esto se muestrea las señales f (t) y g(t) a
razón de T = 1, obteniéndose las siguientes secuencias
f (nT ) = f [n] = {2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2} ; g(nT ) = g[n] = {0, 1, 2, 3, 4, 5}

↑ ↑
f [n] g[n]
6 6
•5
•
•
2• • • • • • • • • • • •
•
- n • - n
10 5
a continuación se procede a realizar la convolución discreta de las secuencias f [n] y g[n]; por
facilidad aplicamos el método del arreglo de giro y suma de convolución discreta:
× 2 2 2 2 2 2 2 2 2 2 2 f [n]
0 0 0 0 0 0 0 0 0 0 0 0
1 2 2 2 2 2 2 2 2 2 2 2
2 4 4 4 4 4 4 4 4 4 4 4
3 6 6 6 6 6 6 6 6 6 6 6
4 8 8 8 8 8 8 8 8 8 8 8
5 10 10 10 10 10 10 10 10 10 10 10
g[n]
sumando las diagonales se obtiene la secuencia
f [n] ∗ g[n] = {0, 2, 6, 12, 20, 30, 30, 30, 30, 30, 30, 30, 28, 24, 18, 10}
↑
Ahora para realizar la comparación se muestrea a razón de T = 1 el resultado de la convolución

de tiempo continuo mostrado en la figura 2.18, se obtiene la secuencia
f (nT ) ∗ g(nT ) = {0, 1, 4, 9, 16, 25, 25, 25, 25, 25, 25, 24, 21, 16, 9, 0}
↑
comparando esto con la convolución discreta se observa una variación en los dos resultados (lo
que estaba previsto), por lo que es necesario corregir los resultados de la convolución discreta
con la proximación de una regla de integración, en este caso se utiliza la regla trapezoidal
obtenida con anterioridad:
f (t) ∗ g(t) ≈ T f [nT ] ∗ g[nT ] − T2 f (0) · g(0) + f (nT ) · g(nT )

para T = 1 resulta:
1

f (t) ∗ g(t) ≈ f [n] ∗ g[n] − 2
f (0) · g(0) + f [n] · g[n]
evaluando
1

n=0: f (t) ∗ g(t) ≈ 0 − 0·2+0·2 =0
2
1

n=1: f (t) ∗ g(t) ≈ 2 − 0·2+1·2 =1
2
1

n=2: f (t) ∗ g(t) ≈ 6 − 0·2+2·2 =4
2
f (t) ∗ g(t) ≈ 12 − 12 0 · 2 + 3 · 2 = 9

n=3:
f (t) ∗ g(t) ≈ 20 − 12 0 · 2 + 4 · 2 = 16

n=4:
f (t) ∗ g(t) ≈ 30 − 12 0 · 2 + 5 · 2 = 25

n=5:
f (t) ∗ g(t) ≈ 30 − 12 0 · 2 + 5 · 2 = 25

n=6:
f (t) ∗ g(t) ≈ 30 − 12 0 · 2 + 5 · 2 = 25

n=7:
f (t) ∗ g(t) ≈ 30 − 12 0 · 2 + 5 · 2 = 25

n=8:
f (t) ∗ g(t) ≈ 30 − 12 0 · 2 + 5 · 2 = 25

n=9:
f (t) ∗ g(t) ≈ 30 − 21 0 · 2 + 5 · 2 = 25

n = 10 :
f (t) ∗ g(t) ≈ 30 − 12 1 · 2 + 5 · 2 = 24

n = 11 :
f (t) ∗ g(t) ≈ 28 − 12 2 · 2 + 5 · 2 = 21

n = 12 :
f (t) ∗ g(t) ≈ 24 − 12 3 · 2 + 5 · 2 = 16

n = 13 :
f (t) ∗ g(t) ≈ 18 − 12 4 · 2 + 5 · 2 = 9

n = 14 :
f (t) ∗ g(t) ≈ 10 − 12 5 · 2 + 5 · 2 = 0

n = 15 :
la secuencia resultante aproximada es
f (t) ∗ g(t) ≈ {0, 1, 4, 9, 16, 25, 25, 25, 25, 25, 25, 24, 21, 16, 9, 0}
↑
que es igual a la secuencia muestreada de la convolución de tiempo continuo. El resultado

obtenido permite corroborar que el método planteado de aproximación de la suma de convolu-
ción incluyendo el factor de corrección proporciona buenos resultados y que es posible utilizar
los mismos algorı́tmos para el cálculo de la convolución discreta con datos muestreados de
señales continuas. Por otra parte cuando alguna de las señales de tiempo continuo (o ambas),
presentan una gran cantidad de máximos y mı́nimos en el intervalo de análisis de las señales,
es necesario aplicar otra regla de aproximación para el cálculo de la integral de concolución.
2.3.5 Convolución Periódica o Circular

Hasta el anterior sección se ha desarrollado lo referente a los métodos y técnicas de cálculo
de la convolución para cualquier tipo de señales, sin embargo cuando las señales son periódicas
la definicion anterior no es valida puesto que las integrales y sumas de convolución no convergen,
por lo que es necesario utilizar otra definición. Para el caso de dos señales periódicas f (t) y g(t)
de tiempo continuo, con periodo T , se define la convolución periódica (o promedio) definida en
un periodo, a la expresión
Z T
f (t)
∗ g(t) = f (λ) g(t − λ) dλ
T 0
Para el caso discreto si f [n] y g[n] son funciones periódicas con periodo N , se tiene la definición
de la convolución promedio o periódica, también denominada convolución circular a la expresión
N
X −1
f [n]
∗ g[n] = f [p] g[n − p]N
N p=0
donde g[n − p]N es el desplazamiento circular en módulo N de la función g[n]. De la definición

resalta que la longitud resultante de la convolución circular es también N , a diferencia de la
convolución lineal que es la suma de las longitudes de las señales convolucionadas; esta diferencia
hace que los métodos de cálculo de la convolución circular difieran un poco de los métodos para
determinar la convolución lineal. El siguiente ejemplo muestra los métodos de cálculo para la
convolución circular
EJEMPLO 2.9.- Obtener la convolución circular de las secuencias
f [n] = {1, 3, 5} ; g[n] = {0, 2, 4, 6, 8}
Solución: La longitud de las dos funciones debe ser la misma por lo que es necesario completar
la función f [n] como f [n] = {1, 3, 5, 0, 0}, ahora ambas tienen longitud 5, entonces
4
X
f [n] ~ g[n] = f [p] g[n − p]5
5
p=0
se asume por defecto que ambas se inician en n = 0, por esta razón no existe la flecha que
indica el origen de coordenadas.
i) Método Analı́tico. De la definición
4
X
f [n] ~ g[n] = f [p] g[n − p]5
5
p=0
para calcular esta suma en primer lugar se debe determinar la función desplazada g[n−p]5 ,
entonces
g[p]5 = {0, 2, 4, 6, 8}
g[−p]5 = {0, 8, 6, 4, 2}
g[1 − p]5 = {2, 0, 8, 6, 4}
g[2 − p]5 = {4, 2, 0, 8, 6}
g[3 − p]5 = {6, 4, 2, 0, 8}
g[4 − p]5 = {8, 6, 4, 2, 0}
g[5 − p]5 = {0, 8, 6, 4, 2} = g[−p]5
la función g[−p] tiene la forma indicada porque la consideración es que, en general g[p] =
g[p + N ] es periódica e infinita, es decir de la forma:
g[p] = {. . . . . . , 0, 2, 4, 6, 8, 0, 2, 4, 6, 8, . . . . . .}
↑
por lo que
g[−p] = {. . . . . . , 8, 6, 4, 2, 0, 8, 6, 4, 2, 0, . . . . . .}
↑
y como solo se asume la función en el intervalo N = 5 empezando del origen de coorde-

nadas entonces g[−p]5 = {0, 8, 6, 4, 2}, el resto de las expresiones corresponden de acuerdo
a la definición del desplazamiento circular.
4
P
n = 0 : f [n] ~ g[n] = f [p] g[−p]5
5 p=0
= f [0] · g[0]5 + f [1] · g[−1]5 + f [2] · g[−2]5 + f [3] · g[−3]5 + f [4] · g[−4]5
= 1 · 0 + 3 · 8 + 5 · 6 + 0 · 4 + 0 · 2 = 54
4
P
n = 1 : f [n] ~ g[n] = f [p] g[1 − p]5
5 p=0
= f [0] · g[1]5 + f [1] · g[0]5 + f [2] · g[−1]5 + f [3] · g[−2]5 + f [4] · g[−3]5
= 1 · 2 + 3 · 0 + 5 · 8 + 0 · 6 + 0 · 4 = 42
4
P
n = 2 : f [n] ~ g[n] = f [p] g[2 − p]5
5 p=0
= f [0] · g[2]5 + f [1] · g[1]5 + f [2] · g[0]5 + f [3] · g[−1]5 + f [4] · g[−2]5
= 1 · 4 + 3 · 2 + 5 · 0 + 0 · 8 + 0 · 6 = 10
4
P
n = 3 : f [n] ~ g[n] = f [p] g[3 − p]5
5 p=0
= f [0] · g[3]5 + f [1] · g[2]5 + f [2] · g[1]5 + f [3] · g[0]5 + f [4] · g[−1]5
= 1 · 6 + 3 · 4 + 5 · 2 + 0 · 0 + 0 · 8 = 28
4
P
n = 4 : f [n] ~ g[n] = f [p] g[4 − p]5
5 p=0
= f [0] · g[4]5 + f [1] · g[3]5 + f [2] · g[2]5 + f [3] · g[1]5 + f [4] · g[0]5
= 1 · 8 + 3 · 6 + 5 · 4 + 0 · 2 + 0 · 0 = 46
De donde la secuencia solución es: f [n] ~ g[n] = {54, 42, 10, 28, 46}.
5
ii) Método Gráfico. Las funciones son:
f [n] g[n]
•8
6 6 6
5 •
• 4
3 •
• 2
•
1•
•• - n • - n
La suma de convolución se define como:

4
X
f [n] ~ g[n] = f [p] g[n − p]5
5
p=0
es decir que se requiere multiplicar las secuencias f [k] por g[n − k]5 para luego realizar la
suma de convolución; ahora f [k] y g[−k] son de la forma:
f [k] g[−k]
•8
6 6 6
5 •
• 4
3 •
• 2
•
1•
•• - k • - k
Las siguientes figuras muestran los productos de las funciones f [k] y g[n − k]5 :
f [n] · g[−k]5 ◦8 f [n] · g[1 − k]5 ◦8

6 6 6 6
◦ 5 ◦
•5 •
n=0 3 ◦4 n=1 3 ◦4
• •
◦2 2◦
1• 1•
◦ •• - k ◦ •• - k
f [n] · g[2 − k]5 ◦8 f [n] · g[3 − k]5 ◦8

6 6 6
5 ◦ 6◦ 5
• 4 •
n=2 4◦ 3 n=3 ◦
• 3•
◦2 ◦2
1• 1•
◦•• - k ◦• • - k
f [n] · g[4 − k]5 ◦68 f [n] ~ g[n]

5
6 6
◦ 54 •
•5 42 • 46
n=4 3 ◦4 • 28
• •
◦2 10
1• •
• •◦ - k - n
Figura 2.19: Convolución circular de dos secuencias
de los gráficos se obtiene que

4
X
n=0: f [n] ~ g[n] = f [k] g[−k]5 = 1 · 0 + 3 · 8 + 5 · 6 + 0 · 4 + 0 · 2 = 54
5
k=0
X4
n=1: f [n] ~ g[n] = f [k] g[1 − k]5 = 1 · 2 + 3 · 0 + 5 · 8 + 0 · 6 + 0 · 4 = 42
5
k=0
X4
n=2: f [n] ~ g[n] = f [k] g[2 − k]5 = 1 · 4 + 3 · 2 + 5 · 0 + 0 · 8 + 0 · 6 = 10
5
k=0
X4
n=3: f [n] ~ g[n] = f [k] g[3 − k]5 = 1 · 6 + 3 · 4 + 5 · 2 + 0 · 0 + 0 · 8 = 28
5
k=0
4
X
n=4: f [n] ~ g[n] = f [k] g[4 − k]5 = 1 · 8 + 3 · 6 + 5 · 4 + 0 · 2 + 0 · 0 = 46
5
k=0
De donde la solución es: f [n] ~ g[n] = {54, 42, 10, 28, 46}.
5
iii) Método Cı́clico. El algoritmo se basa en dibujar las señales f [n] y g[n] en dos circun-
ferencias concéntricas, en la circunferencia interna se dibuja f [k] y en la externa g[k].
Para iniciar el proceso, en primer lugar se debe obtener g[−k] y luego haciendo rotar la
circunferencia exterior en sentido antihorario se logra g[n − k]N que es un desplazamiento
circular, con este arreglo se posibilita el producto f [k] · g[n − k]N . El diagrama circular se
muestra la siguiente figura:
g[2] g[k] g[3] g[−k]

t t
f [2] f [2]
g[3] '$ t g[1] g[2] '$ t g[4]
t t t t
f [3] t t f [1] f [3] t t f [1]
f [k] f [k]
t t t t
&% &%
f [4] f [0] f [4] f [0]
t t t t
g[4] g[0] g[1] g[0]

n=0 n=0
Figura 2.20: Esquema para convolución circular
reemplazando los valores correspondientes a las secuencias
4 g[k] 6 g[−k]
t t
5 5
6 t '$ t t2 4 t '$ t t8
I
0 t t3 0 t t3
f [k] f [k]
t t t t
&%
0 &%
0
1 1
t t t t
8 0 2 0

n=0 n=0
8 g[1 − k] 0 g[2 − k]
t t
5 5
6 t '$ t t0
I 8 t '$ t t2
I
0 t t3 0 t t3
f [k] f [k]
t t t t
&%
0 &%
0
1 1
t t 2 t t 4
4 6

n=0 n=0
2 g[3 − k] 4 g[4 − k]
t t
5 5
0 t '$ t t4
I 2 t '$ t t6
0 t t3 0 t t3
f [k] f [k]
t t t t
&%
0 &%
0
1 1
t t 6 t t 8
8 0

n=0 n=0
de los gráficos se obtiene
4
X
n=0: f [n] ~ g[n] = f [k] g[−k]5 = 1 · 0 + 3 · 8 + 5 · 6 + 0 · 4 + 0 · 2 = 54
5
k=0
X4
n=1: f [n] ~ g[n] = f [k] g[1 − k]5 = 1 · 2 + 3 · 0 + 5 · 8 + 0 · 6 + 0 · 4 = 42
5
k=0
X4
n=2: f [n] ~ g[n] = f [k] g[2 − k]5 = 1 · 4 + 3 · 2 + 5 · 0 + 0 · 8 + 0 · 6 = 10
5
k=0
4
X
n=3: f [n] ~ g[n] = f [k] g[3 − k]5 = 1 · 6 + 3 · 4 + 5 · 2 + 0 · 0 + 0 · 8 = 28
5
k=0
4
X
n=4: f [n] ~ g[n] = f [k] g[4 − k]5 = 1 · 8 + 3 · 6 + 5 · 4 + 0 · 2 + 0 · 0 = 46
5
k=0
De donde la solución es:

f [n] ~ g[n] = {54, 42, 10, 28, 46}
5
iv) Método de la Matriz Circulante. Este método algorı́tmico aprovecha las propiedades de
desplazamiento y reflejo de las funciones periódicas discretas, para mostrar esta situación,
sean f [n] y g[n] dos funciones periódicas con periodo N , la convolución circular esta dada
por
N
X −1
zN [n] = f [n] ~ g[n] = f [k] · g[n − k]N
N
k=0
donde el subı́ndice N en z expresa que el resultado también tiene longitud N , por lo que
desarrollando la suma
zN [n] = f [0]·g[n]N +f [1]·g[n−1]N +· · · · · ·+f [N −2]·g[n−N +2]N +f [N −1]·g[n−N +1]N
los valores resultantes de la convolución estan dados para cada valor de n desde n = 0
hasta n = N − 1, por la longitud de la solución, entonces
zN [0] = f [0] · g[0]N + f [1] · g[−1]N + · · · · · · + f [N − 2] · g[−N + 2]N + f [N − 1] · g[−N + 1]N
zN [1] = f [0] · g[1]N + f [1] · g[0]N + · · · · · · + f [N − 2] · g[−N + 3]N + f [N − 1] · g[−N + 2]N

........................................................................
........................................................................
zN [N − 2] = f [0] · g[N − 2]N + f [1] · g[N − 3]N + · · · · · · + f [N − 2] · g[0]N + f [N − 1] · g[−1]N
zN [N − 1] = f [0] · g[N − 1]N + f [1] · g[N − 2]N + · · · · · · + f [N − 2] · g[1]N + f [N − 1] · g[0]N
claramente esto se puede escribir en forma matricial como
    
zN [0] g[0]N g[−1]N · · · g[−N + 2]N g[−N + 1]N f [0]
 zN [1]   g[1]N
   g[0]N · · · g[−N + 3]N g[−N + 2]N 
  f [1] 
 
.. .
.. .. ...... .. .. ..
=
    

 .   . ... . . 
 . 

zN [N − 2] g[N − 2]N g[N − 3]N ··· g[0]N g[−1]N   f [N − 2]
zN [N − 1] g[N − 1]N g[N − 2]N ··· g[1]N g[0]N f [N − 1]
puesto que la consideración fundamental es que la función g[n] es periódica con periodo
N , entonces, dos periodos alrededor del origen de coordenadas será de la forma:
n
g[n]N = . . . . . . , g[−N ], g[−N + 1], g[−N + 2], . . . , g[−2], g[−1],
| {z }
Periodo N
o
g[0], g[1], g[2], . . . , g[N − 2], g[N − 1], . . . . . .
| {z }
Periodo N
en esta expresión se nota claramente que
g[−N ] = g[0] ; g[−N + 1] = g[1] ; g[−N + 2] = g[2] ; ······
······ ; g[−2] = g[N − 2] ; g[−1] = g[N − 1]

reemplazando todos estos valores equivalentes en la expresión matricial se obtiene
    
zN [0] g[0]N g[N − 1]N · · · g[2]N g[1]N f [0]
 zN [1]   g[1]N
   g[0]N · · · g[3]N g[2]N    f [1] 
 
.. .. .. ...... .. .. ..
=
    

 .   . . ... . . 
 . 

zN [N − 2] g[N − 2]N g[N − 3]N · · · g[0]N g[N − 1]N  f [N − 2]
zN [N − 1] g[N − 1]N g[N − 2]N · · · g[1]N g[0]N f [N − 1]
en todos los casos el subı́ndice N significa que el desplazamiento es en módulo N o

desplazamiento circular, por comodidad si se elimina este subı́ndice la expresión matricial
de la convolución circular queda de la forma:
g[N − 1] g[N − 2] · · · g[2]
    
z[0] g[0] g[1] f [0]
 z[1]   g[1] g[0] g[N − 1] · · · g[3] g[2]    f [1]
 
 ..   .. .. .. ...... .. .. .. 
. . . . ... . . .
    
=
    

 .
..   .
.. .
.. .
.. . . .
...... .
.. .
..

 .
..


    
z[N − 2] g[N − 2] g[N − 3] g[N − 4] · · · g[0] g[N − 1] f [N − 2]
z[N − 1] g[N − 1] g[N − 2] g[N − 3] · · · g[1] g[0] f [N − 1]
en esta expresión matricial se pueden apreciar algunos aspectos: la matriz es de tamaño

N × N , la diagonal principal contiene al elemento g[0] (matriz Toeplitz), la primera
columna de la matriz esta compuesta por todos los elementos de la señal de manera
ordenada ascendente del primero al último valor, la segunda columna esta compuesta
por los mismos elementos pero el último valor g[N − 1] ocupa el primer lugar y todos
han recorrido un espacio; se puede observar que las siguientes columnas son rotaciones
continuas una tras otra hasta llegar a la última columna, en la que se observa que es una
rotación anterior a la primera columna, es decir que si se rota una vez mas, se obtiene la
condición de partida. Por la caracterı́stica mencionada es que este método se denomina
Matriz Circulante, ahora si se realiza el mismo procedimiento para las filas, se observa que
el resultado es el mismo. De esto se puede escribir la convolución circular de dos funciones
periodicas f [n] y g[n] con periodo N , por su equivalente matricial:
zN [n] = f [n] ~ g[n]

N
←→ ZN = GN ×N FN
donde ZN y FN son vectores columna de tamaño N y GN es una matriz de N × N ; a
GN se denomina matriz circulante, cuyas columnas o filas componentes son los elementos
de la función g[n] desplazadas. Debido a que la convolución cumple con la propiedad
conmutativa tambien se puede escribir la convolución como
zN [n] = f [n] ~ g[n]

N
←→ ZN = FN ×N GN
En el caso del ejemplo se tiene que
f [n] = {1, 3, 5, 0, 0} y g[n] = {0, 2, 4, 6, 8}
la solución de la convolución circular se obtiene generando la matriz circulante de f [n] y

multiplicando por el vector columna de g[n] o viceversa:
f [n] ~ g[n] = F5×5 G5 = G5×5 F5

5
     
1 0 0 5 3 0 0 8 6 4 2 1
3 1 0 0 5 2 2
    0 8 6 4 3
 
 
5 3 1 0 0 4 = 4 2 0 8 6
f [n] ~ g[n] =     5
5 0
 
5 3 1 0 6 6 4 2 0 8 0
0 0 5 3 1 8 8 6 4 2 0 0
de donde la solución es    
54 54
40 42
   
10 = 10
f [n] ~ g[n] =    
5 28 28
46 46
o en forma de secuencia: f [n] ~ g[n] = {54, 42, 10, 28, 46}.
5
2.3.6 Cálculo de la Convolución Circular mediante Convolución

Lineal
En ocasiones puede ser necesario calcular u obtener una convolución circular a partir de
una convolución lineal, esto debido a la interpretación de la convolución dentro del contexto de
los sistemas lineales (ver sección 2.9), la respuesta de un SLIT esta dado por una convolución
entre la señal de entrada y su respuesta al impulso. Sean las secuencias causales f [n] y g[n]
ambas de longitud N (si fuesen de diferente longitud se debe completar con ceros a la secuencia
de menor longitud), ahora de la definición de la convolución circular se tiene
N
X −1
zN [n] = f [n] ~ g[n] = f [k]g[n − k]N ; longitud N − 1
N
k=0
zN [n] = f [0] · g[n]N + f [1] · g[n − 1]N + · · · · · · + f [N − 2] · g[n − N + 2]N + f [N − 1] · g[n − N + 1]N
desarrollando
zN [0] = f [0] · g[0]N + f [1] · g[−1]N + · · · · · · + f [N − 2] · g[−N + 2]N + f [N − 1] · g[−N + 1]N
zN [1] = f [0] · g[1]N + f [1] · g[0]N + · · · · · · + f [N − 2] · g[−N + 3]N + f [N − 1] · g[−N + 2]N
........................................................................
........................................................................
zN [N − 2] = f [0] · g[N − 2]N + f [1] · g[N − 3]N + · · · · · · + f [N − 2] · g[0]N + f [N − 1] · g[−1]N
zN [N − 1] = f [0] · g[N − 1]N + f [1] · g[N − 2]N + · · · · · · + f [N − 2] · g[1]N + f [N − 1] · g[0]N
por lo expuesto anteriormente esto se puede expresar como
g[N − 1] g[N − 2] ···

    
z[0] g[0] g[2] g[1] f [0]
 z[1]   g[1] g[0] g[N − 1] ··· g[3] g[2]   f [1]
 
 ..   .. .. .. ...... .. .. .. 
. . . . ... . . .
    
=
    
 .
.. .
.. .
.. .. ...... .. ..  .
..



 
  . ... . . 



z[N − 2] g[N − 2] g[N − 3] g[N − 4] ··· g[0] g[N − 1] f [N − 2]
z[N − 1] g[N − 1] g[N − 2] g[N − 3] ··· g[1] g[0] f [N − 1]
Por otra parte de la definición de convolución lineal
n
X
z[n] = f [n] ∗ g[n] = f [k]g[n − k] ; longitud 2N − 1
k=0
es decir que esta convolución existe entre los valores n = 0 hasta n = 2N − 2, desarrollando
entonces
z[0] = f [0] · g[0]

z[1] = f [0] · g[1] + f [1] · g[0]
z[2] = f [0] · g[2] + f [1] · g[1] + f [2] · g[0]
.........................................
.........................................
z[N − 2] = f [0] · g[N − 2] + f [1] · g[N − 3] + · · · · · · + f [N − 3] · g[1] + f [N − 2] · g[0]
z[N − 1] = f [0] · g[N − 1] + f [1] · g[N − 2] + · · · · · · + f [N − 2] · g[1] + f [N − 1] · g[0]
z[N ] = f [0] · g[N ] + f [1] · g[N − 1] + · · · · · · + f [N − 1] · g[1] + f [N ] · g[0]
z[N + 1] = f [0] · g[N + 1] + f [1] · g[N ] + · · · · · · + f [N ] · g[1] + f [N + 1] · g[0]
z[N + 2] = f [0] · g[N + 2] + f [1] · g[N + 1] + · · · · · · + f [N + 1] · g[1] + f [N + 2] · g[0]
.........................................
.........................................
z[2N − 3] = f [0] · g[2N − 3] + f [1] · g[2N − 4] + · · · · · · + f [2N − 4] · g[1] + f [2N − 3] · g[0]
z[2N − 2] = f [0] · g[2N − 2] + f [1] · g[2N − 3] + · · · · · · + f [2N − 3] · g[1] + f [2N − 2] · g[0]
para n = N, N + 1, . . ., se cumple que f [N ] = g[N ] = 0, f [N + 1] = g[N + 1] = 0, etc., entonces

a partir de N la suma de convolución lineal queda
z[N ] = f [1] · g[N − 1] + f [2] · g[N − 2] + · · · · · · + f [N − 2] · g[2] + f [N − 1] · g[1]

z[N + 1] = f [2] · g[N − 1] + f [3] · g[N − 2] + · · · · · · + f [N − 2] · g[3] + f [N − 1] · g[2]
z[N + 2] = f [3] · g[N − 1] + f [4] · g[N − 2] + · · · · · · + f [N − 2] · g[4] + f [N − 1] · g[3]
.........................................
.........................................
z[2N − 3] = f [N − 2] · g[N − 1] + f [N − 1] · g[N − 2]
z[2N − 2] = f [N − 1] · g[N − 1]
ahora comparando los desarrollos de la convolución circular y lineal, se concluye que
zN [0] = z[0] + z[N ]

zN [1] = z[1] + z[N + 1]
zN [2] = z[2] + z[N + 2]
..................
zN [N − 3] = z[N − 3] + z[2N − 3]
zN [N − 2] = z[N − 2] + z[2N − 2]
zN [N − 1] = z[N − 1]
en general para cualquier valor de n ∈ [0, N − 1] se cumple que
zN [n] = z[n] + z[n + N ]

lo que implica que para determinar una convolución circular mediante una convolución lineal
se debe sumar los primeros N valores resultantes de la convolución, con los (N − 1) valores cor-
respondientes a partir de n = N ; se hace notar que el único valor igual en ambas convoluciones
ocurre cuando n = N − 1.
EJEMPLO 2.10.- Determinar la convolución circular mediante convolución lineal de las se-
cuencias
f [n] = {1, 3, 5, 0, 0} ; g[n] = {0, 2, 4, 6, 8}
Solución: Como ha quedado establecido se puede utilizar cualquier método de cálculo de con-
volución lineal; utilizaremos el método de la tabla, que se basa en los principios y propiedades
de los sistemas lineales e invariantes en el tiempo (SLIT) como se explicó anteriormente, por lo
que
n 0 1 2
3 4 5 6 7 8
h[n] = g[n] 0 2 4
6 8
x[n] = f [n] 1 3 5
0 0
1 δ[n] 0 2 4
6 8
3 δ[n − 1] 0 6
12 18 24
5 δ[n − 2] 0
10 20 30 40
0 δ[n − 3] 0 0 0 0 0
0 δ[n − 4] 0 0 0 0 0
y[n] 0 2 10 28 46 54 40 0 0
ahora se debe proceder a sumar los N = 5 primeros términos con los N − 1 = 4 terminos
restantes:
n 0 1 2 3 4
y[n] 0 2 10 28 46
y[n + 5] 54 40 0 0
y5 [n] = y[n] + y[n + 5] 54 42 10 28 46
de donde la solución es
f [n] ~ g[n] = y5 [n] = {54, 42, 10, 28, 46}
5
Si se utiliza otro método como el del arreglo matricial serı́a

× 1 3 5 0 0 f [n]
0 0 0 0 0 0
2 2 6 10 0 0
4 4 12 20 0 0
6 6 18 30 0 0
8 8 24 40 0 0
g[n]
de donde sumando las diagonales
f [n] ∗ g[n] = {0, 2, 10, 28, 46, 54, 40, 0, 0}
ahora para obtener la convolución circular se conoce que z5 [n] = z[n] + z[n + 5], para n = 0
hasta n = 4, entonces
f [n] ~ g[n] = {0 + 54, 2 + 40, 10 + 0, 28 + 0, 46 + 0, }

5
lo que resulta:
f [n] ~ g[n] = {54, 42, 10, 28, 46, }
5
2.3.7 Cálculo de la Convolución Lineal mediante Convolución

Circular
Cuando se requiere hacer el análisis en frecuencia de una determinada señal o sistema
se utiliza la Transformada Discreta de Fourier (DFT) que se discute en el siguiente capı́tulo,
este método es muy popular debido a los denominados algorı́tmos denominados Transformadas
Rápidas de Fourier (FFT); se menciona estos aspectos porque existe una relación estrecha entre
la convolución circular y el producto de las DFT’s de dos señales. Siendo ésta la principal razón,
ahora se muestra como se obtiene una convolución lineal a partir de una convolución circular.
Sean f [n] y g[n] dos secuencias causales de longitudes N1 y N2 respectivamente, entonces
la convolución circular de las dos secuencias es
N
X −1
zN [n] = f [n] ~ g[n] = f [k]g[n − k]N ; longitud N − 1
N
k=0
donde N = máx(N1 , N2 ), por otra parte la convolución lineal es

n
X
z[n] = f [n] ∗ g[n] = f [k]g[n − k] ; longitud N1 + N2 − 1
k=0
f [n] g[n] f [n] ∗ g[n]

N1 - N2 - N1 + N2 − 1 -
•••••••• •••••••• ••••••••••••
- - -
0 N1 − 1 0 N2 − 1 0 N1 + N2 − 2
Figura 2.21: Convolución lineal.
Ahora, se puede plantear que para determinar la convolución lineal mediante los algorı́tmos de
la convolución circular se procede de la siguiente forma, sean:
f [n] es de longitud N1
g[n] es de longitud N2
se conoce que, f [n] ∗ g[n] tiene longitud N1 + N2 − 1, por lo que, se incrementa la cantidad
de ceros necesaria para que tengan la misma longitud de la solución, como se muestra en la
figura 2.22:
f¯[n] tiene longitud N1 + N2 − 1
ḡ[n] tiene longitud N1 + N2 − 1
la longitud de la convolución circular es M = N1 + N2 − 1, por lo que finalmente
f [n] ∗ g[n] = f [n]
∗ g[n]
M
f [n] g[n] f [n]

∗ g[n]
M
N1 + N2 − 1 - N1 + N2 − 1 - N1 + N2 − 1 -
•••••••• •••••••• ••••••••••••
• • • •- • • • •- -
0 N1 − 1 0 N2 − 1 0 N1 + N2 − 2
Figura 2.22: Convolución lineal por el método de la convolución circular
EJEMPLO 2.11.- Calcular f [n] ∗ g[n], mediante la convolución circular de las secuencias
f [n] = {1, 1, 3, 3} ; g[n] = {2, 2, 4, 4}
Solución: La longitud de la convolución f [n] ∗ g[n] es M = 7, por lo que es necesario completar
con ceros, entonces las secuencias quedan
f¯[n] = {1, 1, 3, 3, 0, 0, 0} ; ḡ[n] = {2, 2, 4, 4, 0, 0, 0}
Por el método de la matriz circulante
f [n] ∗ g[n] = f [n] ~ g[n] = FM ×M GM
M
entonces
f [n] ∗ g[n] = f [n] ~ g[n] = F7×7 G7
7
    
1 0 0 0 3 3 1 2 2
1 1 0 0 0 3 3 2  4 
    
3 1 1 0 0 0 3 4 12
    
f [n] ∗ g[n] =  3 3 1 1 0 0 0 4 = 20
   
0 3 3 1 1 0 0 0 22
    
0 0 3 3 1 1 0 0 24
0 0 0 3 3 1 1 0 12
de donde la solución es:
f [n] ∗ g[n] = {2, 4, 12, 20, 22, 24, 12}
si se compara este resultado con el obtenido por el método matricial de la pagina 59, se observa
que ambas son iguales.
2.4 Deconvolución
Sean las secuencias f [n], g[n] y z[n] que existen ∀ n ∈ Z, si se considera que la convolución
de las secuencias esta dada por:
∞
X
z[n] = f [n] ∗ g[n] = f [k] g[n − k]
k=−∞
Ahora si f [n] tiene inversa f −1 [n] (en el sentido de la convolución), es decir que
f [n] ∗ f −1 [n] = δ[n]
entonces, convolucionando por f −1 [n] a ambos lados de la igualdad y realizando operaciones
f −1 [n] ∗ z[n] = f −1 [n] ∗ f [n] ∗ g[n]

f −1 [n] ∗ z[n] = f −1 [n] ∗ f [n] ∗ g[n]

f −1 [n] ∗ z[n] = δ[n] ∗ g[n]

puesto que y g[n] ∗ δ[n] = g[n], entonces:
g[n] = f −1 [n] ∗ z[n]
a esta operación se denomina deconvolución (o convolución inversa). La operación de la

deconvolución juega un papel muy importante dentro del ámbito del análisis de los sistemas
lineales e invariantes en el tiempo, en particular en lo denominado Identificación de Sistemas;
los métodos para obtener la deconvolución son similares a los expuestos para la convolución y
puede ser considerada como su operación inversa.
EJEMPLO 2.12.- Dadas las secuencias f [n] y z[n], obtener g[n], para:
a) f [n] = an µ[n] y z[n] = µ[n]

b) {fn } = {1, 3, 0, 4} y {zn } = {4, −2, 2, 1, −2}
Solución:
a) Para las secuencias f [n] = an µ[n] y z[n] = µ[n], la deconvolución es g[n] = f −1 [n] ∗ z[n] la
función inversa se obtiene de la siguiente forma
f [n] = an µ[n]
f [n − 1] = an−1 µ[n − 1]
a f [n − 1] = an µ[n − 1]
realizando operaciones
f [n] − a f [n − 1] = δ[n]
f [n] ∗ δ[n] − a f [n] ∗ δ[n − 1] = δ[n]

f [n] ∗ δ[n] − a δ[n − 1] = δ[n]
| {z }
−1
f [n] ∗ f [n] = δ[n]
Por lo que f −1 [n] = δ[n] − a δ[n − 1], entonces
g[n] = f −1 [n] ∗ z[n] = δ[n] − a δ[n − 1] ∗ z[n]

g[n] = z[n] − a z[n − 1]

de donde: g[n] = µ[n] − a µ[n − 1].
b) En este caso las secuencias son de longitud finita, por lo que se utilizará algunos métodos
algorı́tmicos:
i) Método Analı́tico. Las secuencias {fn } = {1, 3, 0, 4} y {zn } = {4, 0, −2, 1, −2},
tienen su origen en n = 0, por lo que
n
X
z[n] = f [n] ∗ g[n] = f [k] g[n − k]
k=0
z[n] = f [n] ∗ g[n] = f [0] g[n] + f [1] g[n − 1] + · · · + f [n − 1] g[1] + f [n] g[0]
Xn
z[n] = f [0] g[n] + f [k] g[n − k]
k=1
de donde despejando g[n], se obtiene

n
P
f [k] g[n − k]
z[n] k=1
g[n] = −
f [0] f [0]
| {z }
n≥1
reemplazando los valores de las secuencias, se obtiene

z[0] 4
n = 0; g[0] = = =4
f [0] 1
z[1] f [1] g[0] 0 3·4
n = 1; g[1] = − = − = −12
f [0] f [0] 1 1
z[2] f [1] g[1] + f [2] g[0] −2 3 · (−12) + 0 · 4
n = 2; g[2] = − = − = 34
f [0] f [0] 1 1
z[3] f [1] g[2] + f [2] g[1] − f [3] g[0]
n = 3; g[3] = −
f [0] f [0]
1 3 · 34 + 0 · (−12) + 4 · 4
g[3] = − = −117
1 1
z[4] f [1] g[3] + f [2] g[2] + f [3] g[1] + f [4] g[0]
n = 4; g[4] = −
f [0] f [0]
−2 3 · (−117) + 0 34 + 4 · (−12) + 0 · 4
g[4] = − = 385
1 1
n = 5; g[5] = −1291
n = 6; g[6] = 4341
....................
....................
puesto que el algorı́tmo es recursivo se observa que la secuencia es infinita, siendo la

solución
g[n] = {4, −12, 34, −117, 385, −1291, 4341, · · · · · · }
ii) Método Gráfico. El método gráfico se basa en el algorı́tmo de la figura 2.23.
f [n] ∗ g[n] = z[n] g[1] g[2] g[3]

1 4 1 - g[0] - 4 1 - g[1] 4 1 - g[2] 4
3 0 3 0 3- 4 - 0 3 - -12 0
0 -2 0 -2 0 -2 0 - 4 - -2
4 1 4 1 4 1 4 1
-2 ?
-2 ? -2 -2
Figura 2.23: Método gráfico para el cálculo de la deconvolución
En la figura anterior la función desconocida se coloca en la columna central, como

una tira de papel que ingresará paso a paso recorriendo la longitud de las secuencias.
Calculando los valores se obtiene:

1 · g[0] = 4 −→ g[0] = 4
1 · g[1] + 3 · 4 = 0 −→ g[1] = −12
1 · g[2] + 3 · (−12) + 0 · 4 = −2 −→ g[2] = 34
continuando con el mismo procedimiento se obtiene la secuencia solución
g[n] = {4, −12, 34, −117, 385, −1291, 4341, · · · }
iii) División de Polinomios. Como se ha mencionado anteriormente, uno de los pro-

cedimientos para determinar la convolución de dos secuencias
z[n] = f [n] ∗ g[n]
es mediante el producto de polinomios
∞
X
f (x) = an x n = a0 + a1 x + a2 x 2 + a3 x 3 + · · ·
n=0
∞
X
g(x) = bn x n = b0 + b1 x + b2 x 2 + b3 x 3 + · · ·
n=0
∞
X
z(x) = cn x n = c0 + c1 x + c2 x 2 + c3 x 3 + · · ·
n=0
de donde
f (x) · g(x) = z(x)
∞
X X∞ X∞
n n
an x · bn x = cn x n
n=0 n=0 n=0
cuyo coeficiente cn puede ser escrito (Cauchy) como

n
X
cn = ak · bn−k
k=0
donde el coeficiente tiene la forma de una convolución, es decir cn = an ∗ bn . Con la

consideración mencionada, para determinar la deconvolución con el mismo principio
se procedede la siguiente manera
∞
cn x n
P
∞
z(x) X
z(x) = f (x) · g(x) −→ g(x) = = n=0
∞ = bn x n
f (x) P
an x n n=0
n=0
Ahora para las secuencias

f [n] = {1, 3, 0, 4} −→ f (x) = 1 + 3 x + 4 x3
z[n] = {4, 0, −2, 1, −2} −→ z(x) = 4 − 2 x2 + x3 − 2 x4
dividiendo los polinomios se obtiene
4 + 0 x − 2 x2 + x3 − 2 x4 1 + 3 x + 0 x2 + 4 x3
4 + 12 x + 0 x2 + 16 x3 4 − 12 x + 34 x2 − 117 x3 + · · ·
−12 x − 2 x2 − 15 x3 − 2 x4
−12 x − 36 x2 + 0 x3 − 48 x4
34 x2 − 15 x3 + 46 x4
34 x2 + 102 x3 + 0 x4 + 136 x5
−117 x3 + 46 x4 − 136 x5
Figura 2.24: División de polinomios para el cálculo de la deconvolución
de donde el resultado de la deconvolución es:
g[n] = {4, −12, 34, −117, · · · · · · }
2.5 Correlación
Regularmente en el tratamiento de datos discretos como en el cálculo estadı́stico o prob-
abilı́stico se introduce conceptos que permiten estimar ciertas caracterı́sticas de las variables
aleatorias como la media, la varianza, la covarianza, el coeficiente de correlación, etc. La varian-
za por ejemplo de un conjunto de datos o proceso aleatorio suele asociarse como una medida de
dispersión, la covarianza como una medida de similitud, de la misma forma que el coeficiente de
correlación. En ese mismo contexto una medida de comparación entre dos señales es la secuen-
cia de correlación, que mide el grado de coherencia o similitud entre ellas, por esta razón suele
utilizarse en una diversidad de aplicaciones donde es necesario realizar comparaciones entre
señales, es el caso del radar, sonar, comunicaciones digitales, etc. En esta sección se estudia
algunos aspectos y propiedades de la correlación de tiempo discreto, los cuales son similares a
las de tiempo continuo.
Sean las secuencias f [n] y g[n] que existen ∀ n ∈ Z, la correlación cruzada de las dos
señales esta dado por
∞
X ∞
X
rf g [n] = f [k] g[k − n] = f [k + n] g[k]
k=−∞ k=−∞
∞
X ∞
X
rgf [n] = g[k] f [k − n] = g[k + n] f [k]
k=−∞ k=−∞
donde el orden de los subı́ndices indica la dirección con que una señal se desplaza respecto a la
otra; la operacion puede interpretarse como la comparación de una señal con respecto a la otra.
Por la forma de la expresion de la correlación es claro que esta operación no es conmutativa y

se puede concluir que
rf g [n] = rgf [−n]
esto significa que la secuencia de correlación en un sentido es el reflejo de la correlación en el
otro sentido, sin embargo ambas secuencias de correlación proporcionan la misma información.
Se denomina secuencia de autocorrelación, a la correlación de una secuencia consigo
mismo, esto es
∞
X ∞
X
rf f [n] = f [k] f [k − n] = f [k + n] f [k]
k=−∞ k=−∞
La definición de la secuencia de correlación cruzada y autocorrelación puede ser simplificada a

partir del intervalo de existencia de las señales, estas son:
∞
P
a) rf g [n] = f [k] g[k − n] ; f [n] y g[n] general.
k=−∞
∞
P
b) rf g [n] = f [k] g[k − n] ; f [n] causal y g[n] general.
k=0
∞
P
c) rf g [n] = f [k] g[k − n] ; f [n] general y g[n] causal.
k=n
d) Si f [n] y g[n] son causales, la operación de correlación genera una secuencia general que
existe ∀n ∈ Z.
∞
X
rf g [n] = f [k] g[k − n] ; n≥0
k=n
∞
X
rf g [n] = f [k] g[k − n] ; n≤0
k=0
e) Si f [n] ∃ ∀ n ≥ a y g[n] ∃ ∀ n ≥ b:
∞
X
rf g [n] = f [k] g[k − n] ; n≤a
k=a
∞
X
rf g [n] = f [k] g[k − n] ; n>a
k=n+b
f ) Si f [n] ∃ ∀ n ∈ [a, A], es decir es una secuencia finita de longitud N1 y g[n] ∃ ∀ n ∈ [b, B] es
también de longitud finita N2 , entonces la longitud total de la secuencia de correlación es
N = N1 + N2 − 1. Los puntos inicial y final son n0 = a − B y n1 = A − b respectivamente,
entonces:
n+B
X
rf g [n] = f [k] g[k − n]
k=a
o también
A
X
rf g [n] = f [k] g[k − n]
k=n+b
2.5.1 Propiedades de la Correlación

Las propiedades más importantes de la secuencia de correlación son:
a) Reflejo: rf g [n] = rgf [−n], por esta razón la secuencia de autocorrelación es par
rf f [n] = rf f [−n]
∞
x2 [k]
P
b) Energı́a: Ef = rf f [0] =
k=−∞
q
c) Cota superior: rf g [n] ≤ Ef · Eg , de donde rf f [n] ≤ Ef .
d) Correlación normalizada: Denominado también coeficiente de correlación en el ámbito

de la estadı́stica
rf g [n] rf f [n]
ρf g [n] = q ; ρf f [n] =
rf f [0]
rf f [0] · rgg [0]

Ambos coeficientes cumplen con ρf g [n] ≤ 1 y ρf f [n] ≤ 1, por lo que son independientes
del escalado de la señal.
d) Convolución: rf g [n] = f [n] ∗ g[−n]
2.5.2 Cálculo de la Correlación

La definición de la correlación muestra un parecido a la convolución, por lo que sus
métodos de cálculo son similares, esto puede ser comprendido mejor a consecuencia de la última
propiedad, en tal sentido se puede calcular la correlación de dos secuencias por cualquiera de
los métodos explorados en la sección correspondiente a la convolución.
EJEMPLO 2.13.- Obtener la correlación entre las secuencias
a) f [n] = a−n µ[n] y g[n] = b−n µ[n]; si |a| > 1 y |b| > 1.
b) f [n] = 2−(n−p) µ[n − p] y g[n] = 2−n µ[n], si p ∈ Z > 0.
c) {fn } = {1, 2, 3, 2} y {gn } = {1, 3, 2, 1}.

↑ ↑
d) {fn } = {0, 0, 0, 1, 1, 1} y {gn } = {1, 1, 1}.

↑ ↑
Solución:
a) De la definición, se conoce que

∞
X
rf g [n] = f [k] g[k − n]
k=−∞
puesto que ambas son causales

∞
X
rf g [n] = f [k] µ[k] g[k − n] µ[k − n]
k=−∞
ahora el producto (
1 k≥n
µ[k] · µ[k − n] =
0 k<n
de donde
∞
X
rf g [n] = f [k] · g[k − n]
k=n
lo que genera
∞
X
rf g [n] = f [k] · g[k − n] ; n<0
k=0
∞
X
rf g [n] = f [k] · g[k − n] ; n≥0
k=n
f [n] = an g[n] = b n
6 6
1• 1•
••
•• •
•• •
• ••
- n ••• - n
La figura muestra las dos secuencias y reemplazando en la expresión de la correlación:

∞
X
rf g [n] = a−k · b−k+n ; n≤0
k=0
∞
X ab
rf g [n] = b n
(ab)−k = bn ; n≤0
k=0
ab − 1
por otra parte

∞
X
rf g [n] = a−k · b−k+n ; n>0
k=n
∞
(∞ n−1
)
X X X
= bn (ab)−k = bn (ab)−k − (ab)−k
k=n k=0 k=0
−n

1 1 − (ab) ab
rf g [n] = bn −1
− = a−n ; n>0
1 − (ab) 1 − (ab)−1 ab − 1
es decir (
ab
ab−1
bn n≤0
rf g [n] = ab
ab−1
a−n n>0
si a = b entonces f [n] = g[n], la secuencia de autocorrelación es
( 2
a
a2 an n≤0
a−|n| = a a−1
2
rf f [n] = 2 2
−n
a −1 a2 −1
a n>0
cuando las señales son iguales la función de correlación es máxima y tiene su cota superior
en rf f [0].
rf g [n] rf f [n]
6 6
• •
K bn • K a−n • •
• •• • ••
• •• • •• ••
•• •• •• ••
••• - n - n
Figura 2.25: Secuencias de correlación y autocorrelación
b) En este caso se trata de correlacionar dos señales similares, aunque se nota que una de ellas
esta desfazada con respecto a la otra, la señal patrón es g[n] y f [n] es la misma pero
retardada en p unidades. De acuerdo al inciso (e) de la sección 2.5, se tiene que a = p y
b = 0, f [n] = 2−n+p µ[n − p] y g[n] = 2−n µ[n]; entonces
∞
X
rf g [n] = f [k] g[k − n] ; n≤p
k=p
∞
X
rf g [n] = f [k] g[k − n] ; n>p
k=n
reemplazando las señales se obtiene
∞ ∞
X
−k+p −k+n
X 4 n−p
rf g [n] = 2 ·2 =2 n+p
2−2k = 2 ; n≤p
k=p k=p
3
∞ ∞
X X 4 p−n
rf g [n] = 2−k+p · 2−k+n = 2n+p 2−2k = 2 ; n>p
k=n k=n
3
el resultado claramente muestra que la cota superior se encuentra en n = p que es el valor

del desface de la señal, tal como puede observarse en la figura
f [n] y g[n] rf g [n]

6 6
rf g [p]
• −n • −n+p •
2 2 • •
• • • • ••
• • • • ••
•• •• •• ••
•· · · •• - n - n
p p
c) Puesto que las secuencias {fn } = {1, 2, 3, 2} y {gn } = {1, 3, 2, 1} son de longitud finita y
↑ ↑
se identifica además que a = −2, A = 1, b = −1 y B = 2, de donde la secuencia de
correlación se inicia y finaliza en
n0 = a − B = −2 − 2 = −4 ; n1 = A − b = 1 − (−1) = 2
por lo que
n+2
X
rf g [n] = f [k] · g[k − n]
k=−2
entonces
−2
X
n = −4; rf g [−4] = f [k] · g[k + 4] = f [−2] · g[2] = 1 · 1 = 1
k=−2
−1
X
n = −3; rf g [−3] = f [k] · g[k + 3] = f [−2] · g[1] + f [−1] · g[2] = 1 · 2 + 2 · 1 = 4
k=−2
0
X
n = −2; rf g [−2] = f [k] · g[k + 2] = f [−2] · g[0] + f [−1] · g[1] + f [0] · g[2] = 10
k=−2
1
P
n = −1; rf g [−1] = f [k] · g[k + 1]
k=−2
= f[−2] · g[−1] + f[−1] · g[0] + f[0] · g[1] + f[1] · g[2] = 15
2
P
n = 0; rf g [0] = f [k] · g[k] = f[−2] · g[−2]+
k=−2
= +f[−1] · g[−1] + f[0] · g[0] + f[1] · g[1] + f[2] · g[2] = 15
3
P
n = 1; rf g [1] = f [k] · g[k − 1] = f[−2] · g[−3]+
k=−2
= +f[−1] · g[−2] + f[0] · g[−1] + f[1] · g[0] + f[2] · g[1] + f[3] · g[2] = 15
4
P
n = 2; rf g [2] = f [k] · g[k − 2] = f[−2] · g[−4] + f[−1] · g[−3]+
k=−2
+f[0] · g[−2] + f[1] · g[−1] + f[2] · g[0] + f[3] · g[1] + f[4] · g[2] = 15
de donde la secuencia de correlación es
rf g [n] = {1, 4, 10, 15, 15, 9, 2}

↑
Ahora, si se resuelve por el método de convolución, esto es mediante
rf g [n] = f [n] ∗ g[−n]
ahora de acuerdo a los explicado en la sección 2.3.2 el punto inicial para esta convolución
es n0 = −2 − 2 = −4 y el arreglo matricial es:
× 1 2 3 2 f [n]
1 1 2 3 2
2 2 4 6 4
3 3 6 9 6
1 1 2 3 2
g[−n]
sumando las diagonales se obtiene la secuencia de correlación
rf g [n] = f [n] ∗ g[−n] = {1, 4, 10, 15, 15, 9, 2}

↑
d) Para este caso las secuencias son {fn } = {0, 0, 0, 1, 1, 1} y {gn } = {1, 1, 1}; por otra parte
↑ ↑
a = 0, A = 5, b = 0 y B = 2, además los puntos inicial y final son:
n0 = a − B = −2 ; n1 = A − b = 5
ahora la suma de correlación es

n+2
X
rf g [n] = f [k] · g[k − n]
k=0
evaluando
0
P
n = −2 ; rf g [−2] = f [k] · g[k + 2] = f [0]g[2] = 0 · 1 = 0
k=0
P1
n = −1 ; rf g [−1] = f [k] · g[k + 1] = f [0] · g[1] + f [1] · g[2] = 0 · 1 + 0 · 1 = 0
k=0
P2
n = 0; rf g [0] = f [k] · g[k]
k=0
= f [0] · g[0] + f [1] · g[1] + f [2] · g[2] = 0
3
P
n = 1; rf g [1] = f [k] · g[k − 1]
k=0
= f [0] · g[−1] + f [1] · g[0] + f [2] · g[1] + f [3] · g[2] = 1
4
P
n = 2; rf g [2] = f [k] · g[k − 2]
k=0
= f [0] · g[−2] + f [1] · g[−1] + f [2] · g[0] + f [3] · g[1] + f [4] · g[2] = 2
5
P
n = 3; rf g [3] = f [k] · g[k − 3]
k=0
= f [0] · g[−3] + f [1] · g[−2]+
+f [2] · g[−1] + f [3] · g[0] + f [4] · g[1] + f [5] · g[2] = 3
6
P
n = 4; rf g [4] = f [k] · g[k − 4]
k=0
= f [0] · g[−4] + f [1] · g[−3] + f [2] · g[−2]+
+f [3] · g[−1] + f [4] · g[0] + f [5] · g[1] + f [6] · g[2] = 2
7
P
n = 5; rf g [5] = f [k] · g[k − 5]
k=0
= f [0] · g[−5] + f [1] · g[−4] + f [2] · g[−3]+
+f [3] · g[−2] + f [4] · g[−1] + f [5] · g[0] + f [6] · g[1] + f [7] · g[2] = 1
de donde la solución es
rf g [n] = {0, 0, 0, 1, 2, 3, 2, 1}
↑
se puede observar que al igual que el inciso (b) la señal f [n] es la versión desfazada de
g[n] y que la cota superior de esta secuencia de correlación se encuentra en rf g [3], que
corresponde al mismo valor de desface de la señal.
La secuencia de correlación al igual que la de convolución puede ser expresada como un producto
matricial, para esto, sean las secuencias causales f [n] y g[n] de longitud finita N1 y N2 , similar
a lo mostrado en las figuras 2.11 y 2.12, de donde
A − a = N1 − 1 ; B − b = N2 − 1
por lo que la secuencia de correlación tiene sus puntos inicial y final en
n0 = a − B ; n1 = A − b
y las secuencias son

f [n] = f [a], f [a + 1], f [a + 2], . . . . . . , f [A − 1], f [A]

g[n] = g[b], g[b + 1], g[b + 2], . . . . . . . . . , g[B − 1], g[B]
por otra parte de acuerdo al inciso (f) mostrado en la página 87 la correlación esta dada por
n+B
X
rf g [n] = f [k] g[k − n]
k=a
desarrollando entonces
a
P
rfg [a − B] = f[k] · g[k − a + B] = f[a] · g[B]
k=a
a+1
P
rfg [a − B + 1] = f[k] · g[k − a − 1 + B] = f[a] · g[B − 1] + f[a + 1] · g[B]
k=a
......................................................................
......................................................................
A−b−1+B
P
rfg [A − b − 1] = f[k] · g[k − N1 + 2] = f[a] · g[b + 2 − N1 ] + f[a + 1] · g[b + 3 − N1 ] + · · · + f[A − 2 + N2 ] · g[B]
k=a
A−b+B
P
rfg [A − b] = f[k] · g[k − N1 + 1] = f[a] · g[−N1 + 1] + f[1] · g[−N1 + 2] + · · · + f[A − 1 + N2 ] · g[B]
k=a
si se expresa en forma matricial
rf g [a − B] ··· ··· ··· g[b + 1 − N1 ]
    
0 0 f [a]
rf g [a − B + 1]  0 ··· ···
0 f [a] f [a + 1]   g[b + 2. − N1 ]
 
 ..   .
  . .. ...... ...... ...... .. ..
.   . . ... ... ... .
  
= .
  
 .
..   .. .
.. ...... ...... ...... ..  .
..


   ... ... ... . 



 rf g [A − b − 1]   0 f [a] ··· ··· ··· f [A − 2 + N2 ]  g[B − 1] 
rf g [A − b] f [a] f [a + 1] ··· · · · f [A − 2 + N2 ] f [A − 1 + N2 ] g[B]
EJEMPLO 2.14.- Obtener la secuencia de correlación para las funciones {fn } = {1, 2, 3, 2} y
↑
{gn } = {1, 3, 2, 1}.
↑
Solución: Ambas secuencias son de longitud finita y se tiene que a = −2, A = 1, b = −1 y

B = 2, de donde la secuencia de correlación se inicia y finaliza en
n0 = a − B = −2 − 2 = −4 ; n1 = A − b = 1 − (−1) = 2
por lo que en forma matricial es
    
rf g [−4] 0 0 0 0 0 0 f [−2] g[−4]
rf g [−3]  0 0 0 0 0 f [−2] f [−1] g[−3]
 
  
rf g [−2]  0 0 0 0 f [−2] f [−1] f [0]  g[−2]
 
  
rf g [−1] =  0 0 0 f [−2] f [−1] f [0] f [1] 
 g[−1]
 
  
 rf g [0]   0 0 f [−2] f [−1] f [0] f [1] f [2]   g[0] 
 
   
 rf g [1]   0 f [−2] f [−1] f [0] f [1] f [2] f [3]   g[1] 
rf g [2] f [−2] f [−1] f [0] f [1] f [2] f [3] f [4] g[2]
reemplazando valores
      
rf g [−4] 0 0 0 0 0 0 1 0 1
rf g [−3] 0 0 0 0 0 1 2 0  4 
   
   
rf g [−2] 0 0 0 0 1 2 3 0 10
      
rf g [−1] = 0 0 0 1 2 3 2
 1 = 15
   
  
 rf g [0]  0 0 1 2 3 2 0 
3 15
   
  
 rf g [1]  0 1 2 3 2 0 0 2  9 
rf g [2] 1 2 3 2 0 0 0 1 2
por lo que la secuencia solución es
rf g [n] = {1, 4, 10, 15, 15, 9, 2}
↑
EJEMPLO 2.15.- (RADAR) La detección y localización por radio (RAdio Detection And
Rangin) denominada en esta época Radiolocalización, es una de las aplicaciones más intere-
santes de la correlación, esta técnica ha sido ampliamente estudiada a partir de la segunda
guerra mundial por sus diversas implicancias, por ejemplo para ayuda en la radionavegación
aérea y marı́tima en dı́as nublados o por la noche, también en el uso bélico y de defensa cuando
se requiere detectar un blanco o un objeto en movimiento. En general se han diseñado equipos
de detección de objetos a distancia, dependiendo de la tecnologı́a y la aplicación pueden de-
nominarse radar o sonar, en el caso del radar se utilizan ondas electromagnéticas y en el sonar
ondas acústicas (ultrasonido).En la actualidad existen instrumentos que pueden ser denomi-
nados genericamente como distanciometros (medidor de distancia), basados en principios de
óptica y tecnologı́a LASER que tienen un mejor rendimiento y mayor exactitud.
f (t)

HH
HH

f (t)
6
: )

g(t)

-
TX
g(t) RX rf g (t)
6 6
=⇒ Filtro de =⇒
- Igualación -
τ τ
Figura 2.26: Detección de un blanco mediante correlación
La tecnologı́a de radar es diversa, existen aquellos que detectan en 2D y 3D, pueden ser radares
de pulsos, de onda continua, de compresion de pulsos, de seguimiento, etc. Obviamente un caso
real implica la aplicación de una serie de técnicas como el estudio de la extracción de las señales
de fondo de ruido provocado por la interferencia electromagnética, para esto suele utilizarse
filtrado adaptivo o cálculos probabilı́sticos; también se realizan estudios de la propagación
troposférica de la cobertura, por otra parte además se estudian los sistemas de antena, etc.
Estudiaremos un caso simple para mostrar la aplicación de la correlación.
En la figura 2.26 se muestra el sistema básico, donde un sistema de transmisión emite una
señal f (t) hacia un blanco que se encuentra a cierta distancia desconocida D, la señal recibida
es de la forma g(t) = α f (t − τ ) + η(t), es decir la señal que se recibe es la versión atenuada de
la transmitida mas ruido del medio ambiente η(t). La versión en tiempo discreto del proceso
expuesto es: f [n] la señal transmitida y g[n] = α f [n − p] + η[n] la señal recibida, donde se
sobreentiende que las señales han sido discretizadas y digitalizadas para realizar su proceso en
un sistema digital. El filtro de igualación se puede entender en la perspectiva de la respuesta
de algún sistema, de acuerdo a la sección 2.9 la respuesta de cualquier sistema esta dado por
x(t) −→ h(t) −→ y(t) = x(t) ∗ h(t)
puesto que rxy (t) = x(t) ∗ y(−t), entonces el filtro de igualación del sistema debe ser rgf (t) =
g(t) ∗ f (−t), por lo que
g(t) −→ h(t) = f (−t) −→ y(t) = g(t) ∗ f (−t)
Cuando se correlaciona la señal transmitida con la señal recibida el factor correspondiente a la

correlación del ruido con la señal prácticamente se anula, puesto que no existe ninguna similitud
con esta. La distancia del blanco es proporcional al retardo de la señal recibida con respecto a
la señal transmitida, tal como se han verificado en los ejemplos 2.12 y 2.13, el punto de desface
es donde se produce la cota superior, en el caso de la figura es para t = τ . Ahora puesto que la
distancia desde el sistema al objetivo es D, entonces la distancia total que recorre la señal es
2D y si viaja a velocidad de la luz c, entonces
2D cτ
c= =⇒ D=
τ 2
Si todo el proceso es realizado con señales discretas, entonces
∞
X ∞
X
rf g [n] = f [k] g[k − n] = f [k] (α f [k − p − n] + η[k − n])
k=−∞ k=−∞
∞
X ∞
X
=α f [k] f [k − p − n] + f [k] η[k − p]
k=−∞ k=−∞
rf g [n] = α rf fR [n] + rf η [n]
donde fR [n] = f [n − p] es la señal retardada y puesto que no existe ninguna similitud entre
la señal transmitida y el ruido aleatorio medioambiental entonces rf η → 0 (∀n), por lo que la
resultante es ∞
X
rf g [n] = α rf fR [n] = α f [k] f [k − p − n]
k=−∞
en este caso la distancia debe calcularse tomando en cuenta la frecuencia de muestreo; si la señal
recibida se muestrea a razón T segundos, entonces g(t) = α f (t − τ ) + η(t) al ser muestreada
resulta
g(nT ) = α f (nT − τ T ) + η(nT ) =⇒ g[n] = α f [nT − τ T ] + η[nT ]
es decir p = τ T , por lo que se obtiene la distancia D como una aproximación:

2D 2D c τT
c= = =⇒ D=
p τT 2
EJEMPLO 2.16.- (Periodicidad Oculta) Las propiedades de la correlación se predisponen

para otro tipo de aplicación, como es la deteccion de periodicidad oculta de alguna señal que
ha sido corrompida por ruido aditivo. Por ejemplo la señal
f [n] = {0, 1, 2, 3, 4, 0, 1, 2, 3, 4, 0, 1, 2, 3, 4}
que ha sido corrompida por el ruido
η[n] = {1, 1, 0, 2, 2, 2, 2, 2, 0, 1, 0, 2, 1, 2, 1}
y se genera la señal g[n] = f [n] + η[n]
g[n] = {1, 2, 2, 5, 6, 2, 3, 4, 3, 5, 0, 3, 3, 5, 5}
la autocorrelación de la misma es
rgg [n] = {5, 15, 23, 44, 67, 66, 71, 79, 92, 122, 110, 120, 134, 152, 201, 152, 134,
↑
120, 110, 122, 92, 79, 71, 66, 67, 44, 23, 15, 5}
g[n] rgg [n]

6 6
• 201 •
• • •• ••
• •••• ••••
• • •• • ••
•• • •••• •••
• • •
••• ••• -
• - n n
Figura 2.27: Señal distorcionada y su autocorrelación
Del resultado de la autocorrelación se puede observar que esta tiene picos pronunciados
cada cierta cantidad de muestras, esto implica la existencia de periodicidad de la señal g[n]
cada N = 6.
EJEMPLO 2.17.- (Identificación de Sistemas) Ya se ha mencionado que la operación

de deconvolución es importante en la aplicación denominada identificación de sistemas, este
proceso se lo puede realizar tanto en el dominio del tiempo como en el dominio de la frecuencia,
en este caso se muestra el uso de la correlación en la identificación de los sistemas. Para esto
consideremos que segun la sección 2.9 se tiene que
x[n] −→ h[n] −→ y[n] = h[n] ∗ x[n]
donde h[n] es la respuesta al impulso del sistema, ahora si se convoluciona la señal de salida
con la señal de entrada reflejada x[−n] se obtiene
y[n] ∗ x[−n] = h[n] ∗ x[n] ∗ x[−n]
ryx [n] = h[n] ∗ rxx [n]
la interpretación de esta última expresión es que cuando se introduce la señal rxx [n] se obtiene
la señal de salida ryx [n]. Por otra parte por la propiedad de la correlación
ryx [−n] = h[−n] ∗ rxx [−n] −→ rxy [n] = h[−n] ∗ rxx [n]
De donde el sistema tiene como respuesta al impulso a la deconvolución de la correlación cruzada
entre las señales de entrada y salida, con la autocorrelación de la señal de entrada.
−1
h[n] = ryx [n] ∗ rxx [n] (2.1)
A partir de los resultados obtenidos también se puede determinar la autocorrelación de la señal
de salida en términos de las autocorrelaciones de la respuesta al impulso y la señal de entrada
de la siguiente forma:
ryy [n] = y[n] ∗ y[−n]
= (h[n] ∗ x[n]) ∗ (h[−n] ∗ x[−n])
= (h[n] ∗ h[−n]) ∗ (x[n] ∗ x[−n])
ryy [n] = rhh [n] ∗ rxx [n]
EJEMPLO 2.18.- (Extracción de una señal de un fondo de ruido). Considere la sigu-

iente proposición: se ha estudiado que el ruido que afecta a una señal f [n] es del tipo aditivo,
es decir
g[n] = f [n] + η[n]
ahora, si se aplica una convolucón
g[n] ∗ g[−n] = f [n] ∗ g[−n] + η[n] ∗ g[−n]
rgg [n] = f [n] ∗ g[−n] + rηg
de donde
f [n] = (rgg [n] − rηg [n]) ∗ g −1 [−n]
puesto que rηg [n] → 0, entonces
f [n] ≈ rgg [n] ∗ g −1 [−n] (2.2)
es decir, es posible determinar la secuencia original y extraer el ruido aditivo de la señal mediante
una deconvolución de la señal contaminada y su secuencia de autocorrelación.
2.5.3 Correlación Periódica

Sean dos secuencias periodicas f [n] = f [n+N ] y g[n] = g[n+N ], con periodo N , entonces
se define las secuencias de correlación y autocorrelación periódica
N
X −1
rf g [n] = f [k] · g[k − n]
k=0
N
X −1
rf f [n] = f [k] · f [k − n]
k=0
ahora en general si f [n] y g[n] son dos señales de potencia, entonces sus secuecias de correlación
cruzada y autocorrelación son
M
1 X
rf g [n] = Lim f [k] · g[k − n]
M →∞ 2M + 1
k=−M
M
1 X
rf f [n] = Lim f [k] · f [k − n]
M →∞ 2M + 1
k=−M
bajo esta definición las secuencias de correlación y autocorrelacion periodicas serı́an
N −1
1 X
rf g [n] = f [k] · g[k − n]
N k=0
N −1
1 X
rf f [n] = f [k] · f [k − n]
N k=0
donde el factor N1 puede considerarse como un factor de escala o de normalización de la secuen-

cia. La correlación periódica tambien tiene el mismo periodo N , y para su cálculo se puede usar
cualquiera de los métodos expuestos para calcular la convolución periódica, como el método
cı́clico, analı́tico, etc.
A continuación se desarrolla el método de la matriz circulante, para esto:
f [n] = {f [0], f [1], f [2], . . . . . . , f [N − 2], f [N − 1]}
g[n] = {f [0], f [1], f [2], . . . . . . , f [N − 2], f [N − 1]}
de la definición
N
X −1
rf g [n] = f [k] · g[k − n]N
k=0
los desplazamientos se consideran en modulo N (desplazamientos circulares), desarrollando

ahora desde n = 0 hasta n = N − 1
rf g [0] = f [0] · g[0] + f [1] · g[1] + · · · · · · + f [N − 1] · g[N − 1]

rf g [1] = f [0] · g[N − 1] + f [1] · g[0] + · · · · · · + f [N − 1] · g[N − 2]
rf g [2] = f [0] · g[N − 2] + f [1] · g[N − 1] + · · · · · · + f [N − 1] · g[N − 3]
................................................................................
................................................................................
rf g [N − 2] = f [0] · g[2] + f [1] · g[3] + · · · · · · + f [1] · g[N − 1]
rf g [N − 1] = f [0] · g[1] + f [1] · g[2] + · · · · · · + f [N − 1] · g[0]
cuya expresión matricial es

    
rf g [0] f [0] f [1] f [2] · · · f [N − 1] g[0]
 rf g [1]   f [1]
   f [2] f [3] · · · f [0] 
  g[1] 
 
 rf g [2]   f [2]
 = f [3] f [4] · · · f [1] 
  g[2] 
 
 ..   .. .. .. ...... ..   .. 
 .   . . . ... .  . 
rf g [N − 1] f [N − 1] f [0] f [1] · · · f [N − 2] g[N − 1]
de donde se puede expresar las secuencias de correlación y autocorrelación periódica como
r fg =F G N ×N N ; r =G F
gf N ×N N
r ff =F F N ×N N ; r =G G
gg N ×N N
EJEMPLO 2.19.- Calcular las secuencias de correlación y autocorrelación entre las secuencias
f [n] = {1, 2, 3, 1} ; g[n] = {2, 3, 2, 1}
Solución: De la definición se puede obtener

         
1 2 3 1 1 15 1 2 3 1 2 15
r 2 3 1 1 2 12
ff = 
   =  
3 1 1 2 3 10
r fg
2
=
3
3
1
1
1
1 3 16
  
=

2 2 13

1 1 2 3 1 12 1 1 2 3 1 12
de donde
rf f [n] = {15, 12, 10, 12} ; rf g [n] = {15, 16, 13, 12}
         
2 3 2 1 1 15 2 3 2 1 2 18
r gf
3
=
2
2 1 2 2 12
  =  
1 2 3 3 13
r gg = 
3 2 1 2 3 16
   =  
2 1 2 3 2 12
1 2 3 2 1 16 1 2 3 2 1 16
rgf [n] = {15, 12, 13, 16} ; rgg [n] = {18, 16, 12, 16}
de los resultados se puede comprobar que rf g [n]N = rgf [−n]N .
EJEMPLO 2.20.- (Periodicidad oculta). Supongamos que f [n] = f [n − N ] es una señal

periódica, con periodo N y si esta hubiese sido corrompida por ruido aditivo es de la forma
g[n] = f [n] + η[n], ahora si se realiza la autocorrelación periódica de esta señal, se obtiene
N
X −1 N
X −1
rgg [n] = g[k] · g[k − N ] = (f [k] + η[n]) · (f [k − n] + η[k − n])
k=0 k=0
N
X −1 N
X −1
rgg [n] = f [k] f [k − n] + f [k] η[k − n]
k=0 k=0
N
X −1 N
X −1
+ η[k] f [k − n] + η[k] η[k − n]
k=0 k=0
= rf f [n] + rf η [n] + rηf [n] + rηη [n]
rgg [n] ≈ rf f [n]
las correlaciones rf η [n] = rηf [−n] → 0, porque no existe similitud de la señal con el ruido,
asimismo rηη [n] → 0 debido a su condición de aleatoriedad; por lo que en general la auto-
correlación de g[n] se aproxima a la autocorrelación de la señal original y puesto que esta es
periódica entonces la secuencia de autocorrelación también sera periódica con el mismo periodo
N . Ahora si se realiza este procedimiento para la secuencia g[n] del ejemplo 2.16 de la pagina 97,
si se considera para M = 15 como si fuese el periodo de la señal, se obtiene
g[n] = {1, 2, 2, 5, 6, 2, 3, 4, 3, 5, 0, 3, 3, 5, 5}
la autocorrelación periodica con M = 15 es
r gg = G M ×M G M
    
1 2 2 5 6 2 3 4 3 5 0 3 3 5 5 1 201

 2 2 5 6 2 3 4 3 5 0 3 3 5 5 1  2
 
157
 

 2 5 6 2 3 4 3 5 0 3 3 5 5 1 2  2
 
149
 

 5 6 2 3 4 3 5 0 3 3 5 5 1 2 2  5
 
143
 

 6 2 3 4 3 5 0 3 3 5 5 1 2 2 5  6
 
154
 

 2 3 4 3 5 0 3 3 5 5 1 2 2 5 6  2
 
189
 
 3 4 3 5 0 3 3 5 5 1 2 2 5 6 2  3 158
r gg

=
 4 3 5 0 3 3 5 5 1 2 2 5 6 2 3
   
 4 = 150
   

 3 5 0 3 3 5 5 1 2 2 5 6 2 3 4  3
 
150
 

 5 0 3 3 5 5 1 2 2 5 6 2 3 4 3  5
 
158
 

 0 3 3 5 5 1 2 2 5 6 2 3 4 3 5  0
 
189
 

 3 3 5 5 1 2 2 5 6 2 3 4 3 5 0  3
 
154
 

 3 5 5 1 2 2 5 6 2 3 4 3 5 0 3  3
 
143
 
 5 5 1 2 2 5 6 2 3 4 3 5 0 3 3  5 149
5 1 2 2 5 6 2 3 4 3 5 0 3 3 5 5 157
cuyo resultado y grafico son:

rgg [n] = {201, 157, 149, 143, 154, 189, 158, 150, 150, 158, 189, 154, 143, 149, 157}
En este caso es mucho mas notorio el periódo de la señal f [n] es igual a N = 6. Si fuese
g[n] rgg [n + M ]
6 6
• • 201 • •
• • •• •••• •••• ••••
•
• • ••
•• •
•
• - n - n
5 10
Figura 2.28: Señal distorcionada y su autocorrelación periódica
conocida la señal f [n] es posible determinar la relación de señal a ruido (SNR= Signal to Noise
Ratio), que tambien suele escribirse en decibelios:

Pf Pf
S/N = −→ S/N (dB) = 20 log
Pη Pη
2.6 Sistemas de Tiempo Discreto

Un sistema de tiempo discreto es una transformacion T [·], un proceso, un mapeo o un
conjunto de operaciones que se realizan sobre una señal de entrada x[n] para obtener una señal
de salida y[n], la misma que puede representarse como
x[n] - T{·} - y[n] = T {x[n]}
Figura 2.29: Representación esquemática de un sistema
El análisis de sistemas de tiempo discreto, puede involucrar por lo menos las siguientes fases:
a) Desarrollo del modelo matemático. El modelo matemático es la representación matemática

de algún fenómeno fı́sico, quı́mico, biológico, económico, etc.; es decir son las ecuaciones
que describen el movimiento o el comportamiento del fenómeno estudiando. En este caso
los modelos estudiados de tiempo discreto son ecuaciones en diferencias finitas, para las
cuales se tiene que determinar las condiciones de iniciales o de frontera, del problema.
Se hace notar también que puede haber diferentes modelos matemáticos de un mismo
fenómeno, esto tiene que ver con las condiciones del problema y la experiencia del inves-
tigador. Como ejemplo se muestran a continuación modelos de ciertos fenómenos:
i) El modelo de la tasa de retorno bancaria, cuando se invierte cierta cantidad de

dinero en una institución bancaria y al cabo de n meses el monto acumulado es
y[n] = (1 + i) y[n − 1], siendo i el interés compuesto.
ii) La red resistiva mostrada en la figura, para un voltaje v[n] en cualquier nodo n tiene
la ecuación de diferencia
a v[n + 1] − (2a + 1) v[n] + a v[n − 1] = 0 ; v[0] = E , v[N ] = 0
V [n]
iii) Para el sistema fı́sico mostrado en la figura (m < M ), donde las dos masas ruedan
en un plano horizontal entre paredes perfectamente elásticas y con un coeficiente
de restitución e entre las masas, si las velocidades son u[n] y v[n] antes del n-ésimo
impacto tiene modelo matemático
a v[n − 2] − (2a + 1) v[n − 1] + a v[n] = 0 ; v[0] = E , v[N ] = 0
u[n] - v[n]
-

b) Resolución de las ecuaciones. Una vez obtenido el modelo matemático se procede a

obtener la solución de la(s) ecuación(es), dependiendo de la complejidad del modelo su
solución puede ser analı́tica o mediante métodos computacionales; ambos permiten pre-
decir el comportamiento en cualquier instante de tiempo, el primero en general y en el
segundo caso en términos locales (dentro del intervalo de solución numérica). Por ejemplo,
en los casos anteriores:
i) El modelo de la tasa de retorno es: y[n] = y0 (1 + i)n
ii) El voltaje en cualquier punto de la red resistiva para a = 3/4 es:
V [n] = C1 ( 73 )−n + C2 (− 31 )−n
iii) Las velocidades u[n] y v[n] de las masas m y M en cualquier instante son:
v[n] = C1 ( 37 )−n ; u[n] = (− 13 )−n
c) Interpretación de los resultados. A partir de las soluciones del modelo, se puede analizar
y posteriormente interpretar los mismos de acuerdo al fenómeno estudiado, sı́ el modelo
es lo bastante aproximado a la realidad los resultados proveeran una descripción del
comportamiento del fenómeno.
2.6.1 Representación de Sistemas

Regularmente los sistemas son representados mediante diagramas, estos permiten fun-
damentalmente mostrar su estructura (o forma), a partir de la cual puede estudiarse ciertas
caracterı́sticas de funcionamiento, o cualidades implicitas del modelo y sistema, etc. Las dos
formas más comúnes de representar los sistemas y sus estructuras son los diagramas en bloques
y los diagramas de grafos.
a) Diagramas de Bloques. En estos diagramas se escriben en cada bloque la operación que

se realiza a la señal de entrada o alternativamente la expresion matemática del modelo
del sistema. En general los sistemas o los bloques de los mismos se prefiere expresarlos en
el dominio de la frecuencia (transformada Zeta), aunque en ciertas ocasiones tambien se
lo realiza en el dominio del tiempo, como se muestra:
x[n] −→ h[n] −→ y[n]
X(z) −→ H(z) −→ Y (z)
Un elemento de retardado en ambos dominios es de la forma:
x[n] −→ T −→ y[n] = x[n − 1]
X(z) −→ z −1 −→ Y (z) = z −1 X(z)
ótros elementos que componen los sistemas son

SUMADOR: X -
P - Y =X +U

6
U

MULTIPLICADOR: X ×
-

-
Y =X ·U
6
U

MULTIPLICADOR X - a - Y =a·X
POR CONSTANTE
+ +
x[n] -
P - b
0
-
P - y[n]
− +
− COAK ? +
CA
C A
z −1

C A
C A a1 ? - b
1

C
C ?
C
C
z −1

C
C a2 ? - b
2

Figura 2.30: Diagrama en bloques de un sistema de segundo órden.
Por ejemplo, la ecuación de recurrencia y su respectivo diagrama en bloques de un sistema

son:
b) Diagramas de Grafos. En este tipo de diagrama se reemplaza los bloques y los puntos
de suma y multiplicación por los establecidos por la teorı́a de grafos, como los nodos (o
puntos), estos pueden ser de suma, nodo fuente (al inicio), nodo sumidero (al final), las
flechas y los pesos (factores de multiplicación), como se muestra en la figura:
MULTIPLICADOR X • I • Y =K ·X
EN GENERAL K
SUMADOR: X • I • Y = aX + bU
a
Ib

U •
El grafo del anterior ejemplo es

x[n] b0
• I • I • I • I • y[n]
H z −1
−a1 b1
H
H
•
−a2 H z −1 b2
H
H
•
Figura 2.31: Grafo de un sistema de segundo orden.
2.6.2 Tipos de Sistemas

Los sistemas pueden ser clasificados de acuerdo a sus caracterı́sticas de su comportamien-
to, entre las más comunes son:
a) Sistemas Instantáneos y Dinámicos: Un sistema instantáneo (o sin memoria), es aquel

sistema cuya señal de salida y[n] solo depende de los valores presentes de la señal de
entrada x[n]. Considere el sistema
y[n] = e−x[n]
la salida y[n] asume valores de acuerdo a los valores instantáneos que asume la entrada
x[n], por ejemplo si x[n] = 0 la salida es y[n] = 1. Otro ejemplo es la relación de la
corriente y voltaje en una resistencia R esta dado por la ley de Ohm V [n] = R · I[n], por
lo que cualquier variación en la corriente provocará inmediatamente una variación en el
voltaje sobre la resistencia. Un ejemplo generalizado en los sistemas electrónicos digitales
son todos los sistemas digitales combinacionales, tal como una compuerta lógica AND,
que se puede expresar como un sistema discreto (digital) que tiene dos entradas x1 [n]
y x2 [n], y una salida y[n]. Las señales de entrada pueden asumir solo valores binarios
0 y 1; el modelo matemático del sistema es y[n] = x1 [n] · x2 [n], y su comportamiento
está definido por la tabla de verdad. Para cualquier instante de tiempo se cumple:
x1 [n] x2 [n] y[n] $

x1 [n]
0 0 0 y[n]
0 1 0 x2 [n]
%
1 0 0
1 1 1
Un sistema dinámico (o con memoria), es aquel sistema cuya señal de salida y[n] depende
de los valores presentes y pasados de la señal de entrada x[n], asi como de los valores
pasados de y[n]; es decir que existe almacenamiento de información. Ejemplos de sistemas
dinámicos fı́sicos son un horno que almacena calor, un condensador que almacena energı́a
en forma de campo eléctrico. Otro ejemplo es un sistema cuyo modelo matemático es
y[n] − a y[n − 1] = x[n] + b x[n − 1]
el valor presente de la salida depende del valor presente de la entrada y de los valores
pasados de la entrada y salida. En general en los sistemas electrónicos digitales existen los
denominados sistemas digitales secuenciales que dependen de los estados en los tiempos
pasados, tal como es el sistema discreto (digital) denominado Flip-Flop JK que tiene dos
entradas J = x1 [n] y K = x2 [n] y dos salidas Q[n + 1] = y[n + 1] y su negado Q[n + 1] =
y[n + 1]. El modelo esta definido por la siguiente tabla, que define su comportamiento:
x1 [n] x2 [n] y[n + 1]

x1 [n] J Q y[n + 1]
0 0 y[n]
0 1 0 x2 [n] K Q
1 0 1
1 1 y[n]
b) Sistemas causales: Un sistema se denomina causal si su salida en cualquier instante de

tiempo depende solo de los valores de entrada en el tiempo presente y pasado.
c) Sistemas Determinı́sticos y No Determinı́sticos: Un sistema se dice que es deter-

minı́stico si todos los parametros del sistema son conocidos con exactitud, por ejemplo en
un circuito eléctrico si se conocen todos los valores de los dispositivos entonces el sistema
esta completamente definido. Un sistema es no determinı́stico cuando los parámetros del
sistema no están completamente determinados, en este caso se utiliza el cálculo de prob-
abilidades o la teoria difusa para su análisis, un ejemplo de este tipo de sistema es la
actividad cardiaca, en la cual no se tienen datos exactos del bombeo de la sangre, el flujo
sanguı́neo, entre otros.
d) Sistemas Invariantes en el Tiempo: Un sistema se dice invariante en el tiempo si un

desplazamiento de la señal de entrada, causa el mismo desplazamiento en la señal de
salida, para una entrada x[n − n0 ] la salida será y[n − n0 ] = T {x[n − n0 ]}, es decir si:
x[n] −→ y[n]
entonces
x[n − n0 ] −→ y[n − n0 ]
EJEMPLO 2.21.- Analizar la invarianza temporan del sistema y[n] = n x[n].

Solución: Para esto se ingresa una señal x1 [n] = x[n−n0 ], reemplazando en y1 [n] = n x1 [n]
y realizando operaciones:
y1 [n] = n x[n − n0 ] = (n − n0 + n0 ) x[n − n0 ]
y1 [n] = (n − n0 ) x[n − n0 ] + n0 x[n − n0 ]
y1 [n] = y[n − n0 ] + n0 x[n − n0 ]
puesto que la salida debe ser y1 [n] = y[n − n0 ], esto solo se verifica si n0 = 0, lo que
contradice la definición; por lo tanto el sistema no es invariante en el tiempo ó es variable
en el tiempo.
En general se puede identificar si un sistema es invariante en el tiempo simplemente
observando los coeficientes de la ecuación que describe el sistema; si estos son constantes
el sistema es invariante en el tiempo.
e) Sistemas Lineales: Un sistema se dice lineal si cumple con las propiedades de las trans-
formaciones lineales, es decir homogeneidad y superposición, simultáneamente.
x[n] −→ y[n]
Homogeneidad: a x[n] −→ a y[n]
Superposición: x1 [n] + x2 [n] −→ y1 [n] + y2 [n]
EJEMPLO 2.22.- Analizar la linealidad del sistema y[n] = m x[n] + b, donde m y b son
valores constantes.
Solución: Para analizar se plantea que si ingresa una señal x1 [n] y x2 [n] se obtendra las
salidas y1 [n] y y2 [n] respectivamente, es decir
y1 [n] = m x1 [n] + b
y2 [n] = m x2 [n] + b
ahora si se ingresa una señal x3 [n] = x1 [n] + x2 [n], en el sistema se obtiene
y3 [n] = m x3 [n] + b
reemplazando:
y3 [n] = m (x1 [n] + x2 [n]) + b
y3 [n] = {m x1 [n] + b} + {m x2 [n] + b} − b
y3 [n] = y1 [n] + y2 [n] − b
se cumple la superposición si b = 0. Por otra parte si se ingresa al sistema una señal
x1 [n] = a x[n], reemplazando en y1 [n] = m x1 [n] + b, se obtiene:
y1 [n] = m (a x[n]) + b
y1 [n] = a {m x[n] + b} + b (1 − a)
y1 [n] = a y[n] + b (1 − a)
se cumple la homogeneidad para los valores de a = 1 ó b = 0. Por lo tanto el sistema es
lineal si y solo si b = 0.
e) Sistemas Inversos: Un sistema es inversible si conociendo su salida y[n], podemos deter-

minar su entrada x[n].
y[n]
x[n] −→ Sistema −→ Sist. Inverso −→ z[n] = x[n]
n
P
EJEMPLO 2.23.- Analizar si el sistema y[n] = x[k], es inversible.
k=−∞
Solución: Sea y[n] la salida de un sistema

n
X
y[n] = x[k] = . . . . . . + x[−1] + x[0] + x[1] + · · · + x[n − 2] + x[n − 1] + x[n]
k=−∞
n−1
X
y[n − 1] = x[k] = . . . . . . + x[−1] + x[0] + x[1] + · · · + x[n − 2] + x[n − 1]
k=−∞
ahora restando, se obtiene el sistema inverso
z[n] = y[n] − y[n − 1] = x[n]
Los sistemas inversos juegan un papel muy importante en el análisis y sı́ntesis de los
sistemas lineales e invariantes en el tiempo en la identificación de sistemas, que será estu-
diada más adelante mediante técnicas en el dominio del tiempo discreto y en el dominio de
la frecuencia. Algunos aspectos que son necesarios mencionar con respecto a los sistemas
inversos o la inversibilidad de sistemas, son que:
No todos los sistemas tienen inversa.

Para que un sistema sea inversible, se debe cumplir que la respuesta a diferentes
entradas deben ser diferentes (relación unı́voca entre la salida y la entrada), es decir
si un sistema produce la misma salida para diferentes entradas entonces no tiene
inversa.
Para los sistemas lineales e invariantes en el tiempo (SLIT) los sistemas inversos se
obtienen intercambiando las variables de entrada y salida. Por ejemplo un sistema
LIT y su inversa son:
y[n] + 2 y[n − 1] = x[n] −→ y[n] = x[n] + 2 x[n − 1]
El sistema de interpolación y[n] = x[n/k] puede no tener inversa y si existe puede

ser el sistema de diezmado.
El sistema de diezmado y[n] = x[kn] no tienen inversa, porque se pierden muestras
y no existe garantia de que se puedan recuperar.
2.7 Ecuaciones en Diferencias Finitas

En general un sistemas de tiempo discreto con señal de entrada x[n] y salida y[n], puede
ser modelado por funciones de tiempo discreto de la forma

Φ n, x[n], x[n − 1], . . . , x[n − M ], y[n], y[n − 1], . . . , y[n − N ] = 0
a este tipo de expresiones se denomina ecuaciones en diferencias finitas; la solución general

está dada por
Ψ( n, y[n], C1 , C2 , . . . , CN ) = 0
En general no existe método para resolver ecuaciones en diferencias, sin embargo si la ecuación
tiene a la variable y[n] de forma explı́cita, entonces el método más apropiado es de las iteraciones
sucesivas.
Si los sistemas son lineales e invariantes en el tiempo (SLIT) el modelo general es la
ecuación de orden N, de la forma:
a0 y[n] + a1 y[n − 1] + · · · + aN −1 y[n − N ] = b0 x[n] + b1 x[n − 1] + · · · + bM x[n − M ]
los métodos de solución analı́tica de este tipo de ecuaciones son similares a la solución de
ecuaciones diferenciales ordinarias lineales y de coeficientes constantes, por lo que se analizará a
continuación dos casos concretos.
2.7.1 Ecuaciones en Diferencias de Primer Orden y de Orden

Superior
Un método conveniente para la resolución de las ecuaciones lineales en diferencias, es

el métodos de los operadores; el mismo es similar al de los operadores diferenciales para las
ecuaciones diferenciales ordinarias lineales de tiempo continuo.
Sea la ecuación en diferencia de orden N con condiciones iniciales
a0 y[n] + a1 y[n − 1] + a2 y[n − 2] + · · · + aN y[n − N ] = x[n]
y[−1] = y1 ; y[−2] = y2 ; · · · · · · ; y[−N ] = yN
por analogı́a, la solución general tiene dos componentes: la solución homogénea y la solución
particular, de la forma
yg [n] = yh [n] + yp [n]
la solución homogénea se obtiene haciendo que x[n] = 0 y la solución particular se debe a la

señal de entrada x[n].
a) Solución Homogénea. Sea la ecuación
a0 y[n] + a1 y[n − 1] + a2 y[n − 2] + · · · + aN y[n − N ] = 0
ahora si se define el operador en diferencia
Dk {y[n]} = y[n − k] ; k∈Z

entonces
D0 {y[n]} = y[n]
D1 {y[n]} = y[n − 1]
....................
Dk {y[n]} = y[n − k]
....................
DN {y[n]} = y[n − N ]
reemplazando en la ecuación en diferencia
a0 D0 {y[n]} + a1 D1 {y[n]} + · · · + aN DN {y[n]} = 0
si se asume que el operador en diferencia cumple con las propiedades de las transforma-
ciones lineales, entonces
a0 D0 + a1 D1 + a2 D2 + · · · · · · + aN DN {y[n]} = 0

a0 + a1 D + a2 D2 + · · · · · · + aN DN {y[n]} = 0

(2.3)
ahora si
L(D) = a0 + a1 D + a2 D2 + · · · · · · + aN DN
es un operador en diferencia, entonces la ecuación queda como
L(D) {y[n]} = 0 (2.4)
Por otra parte si se considera que una solución cualquiera es de la forma
y[n] = r−n ; r = parámetro (2.5)
reemplazando en la ecuación
a0 r−n + a1 r−n+1 + a2 r−n+2 + · · · · · · + aN r−n+N = 0
de donde
a0 + a1 r1 + a2 r2 + · · · · · · + aN rN {r−n } = 0

o también
a0 + a1 r + a2 r2 + · · · · · · + aN rN {y[n]} = 0

(2.6)
ahora si se hace que
P (r) = a0 + a1 r + a2 r2 + · · · · · · + aN rN
entonces
P (r) {y[n]} = 0
puesto que y[n] 6= 0 (∀ n), entonces P (r) = 0, es decir
a0 + a1 r + a2 r 2 + · · · · · · + aN r N = 0
por lo que el parámetro r representa las raices del polinomio P (r), esto implica que las
soluciones de la ecuación en diferencias son de la forma yi [n] = ri−n , de donde si el poli-
nomio caracterı́stico es de grado N y tiene N raices, entonces la solución homogénea
completa es
yH [n] = C1 y1 [n] + C2 y2 [n] + · · · · · · + CN yN [n] (2.7)

donde las constantes Ci se determinan de las condiciones iniciales de la ecuación. Por
último, si se compara las ecuaciones (2.3) y (2.6) se comprueba que existe una equivalencia
entre el operador L(D) y el polinomio P (r), lo que permite determinar la solución de la
ecuación. En resumen el método de los operadores en diferencias consiste en:
Expresar la ecuación en diferencia en térmimos de operadores de diferencia.

Obtener el polinomio caracaterı́stico P (r), a partir del operador en diferencia L(D).
Determinar las raı́ces del polinomio caracterı́stico P (r).
Con las raices construir la solución homogénea.
Por otra parte, es necesario considerar el comportamiento de las raices del polinomio
P (r) = a0 + a1 r + a2 r2 + · · · · · · + aN rN
por el teorema fundamental del algebra
P (r) = (r − r1 ) (r − r2 ) · · · · · · (r − rN )
por lo que pueden presentarse tres casos: raı́ces diferentes, repetidas y complejas.
i) Raices Diferentes: En este caso ri 6= rj , por lo que yi [n] 6= yj [n], es decir todas las
soluciones son linealmente independientes y la solución homogénea es
−n
yH [n] = C1 r1−n + C2 r2−n + · · · · · · + CN rN
EJEMPLO 2.24.- Resolver 4 y[n] − y[n − 2] = 0.

Solución: Escribimos en términos de operadores
(4 − D2 ) {y[n]} = 0 −→ L(D) = 4 − D2
de donde P (r) = 4 − r2 , cuyas raices son r1 = 2 y r2 = −2, por lo que la solución

homogénea es
y[n] = C1 (2)−n + C2 (−2)−n
ii) Raices Repetidas: Puesto que ri = rj , es decir existe multiplicidad de raices, en-
tonces no se pueden determinar N soluciones linealmente independientes; se puede
probar que si p es el grado de multiplicidad de la raiz ri , entonces la forma de las
soluciones que genera son
r−n , n r−n , n2 r−n , . . . . . . , np−1 r−n

yH [n] = C1 r−n + C2 n r−n + C2 n2 r−n + · · · · · · + Cp np−1 r−n

yH [n] = C1 + C2 n + C2 n2 + · · · · · · + Cp np−1 r−n

EJEMPLO 2.25.- Resolver la ecuación 4 y[n] + 4 y[n − 1] + y[n − 2] = 0.

Solución: En términos de operadores la ecuación resulta
(4 + 4 D + D2 ) {y[n]} = 0 −→ L(D) = 4 + 4 D + D2
de donde P (r) = 4 + 4r + r2 , que tiene raices r1 = r2 = −2, por lo que
y[n] = C1 (−2)−n + C2 n (−2)−n = (C1 + C2 n) (−2)−n
iii) Raices Complejas: Cuando las raices del polinomio P (r) son complejas entonces
r = x + jy = ρ ejϕ , de donde
r−n = (x + jy)−n = (ρ ejϕ )−n = ρ−n e−jnϕ = ρ−n (cos ϕn − j senϕn)
por lo que las soluciones son de la forma
ρ−n cos ϕn , ρ−n senϕn
yH [n] = C1 ρ−n cos ϕn + C2 ρ−n sen ϕn

yH [n] = C1 cos ϕn + C2 sen ϕn ρ−n

EJEMPLO 2.26.- Resolver 2 y[n] + 2 y[n − 1] + y[n − 2] = 0.

Solución: En terminos de operadores
2 + 2D + D2 {y[n]} = 0 L(D) = 2 + 2D + D2

−→
√
de donde P (r) = 2 + 2r + r2 , que tiene como raices r = −1 ± j = 2 e∓j3π/4 , por lo
que la solución es
√ √ −n
yH [n] = C1 ( 2)−n cos 3πn
4
+ C 2 ( 2) sen 3πn
4
b) Solución Particular. Sea la ecuación no homogénea
L(D) {y[n]} = x[n]
una alternativa para resolver el sistema completo consiste en el denominado método del
operador anulador que consiste en determinar un operador en diferencia M (D) de forma
que M (D) {x[n]} = 0, por lo que al aplicar este operador a la ecuación queda
M (D){L(D){y[n]}} = M (D){x[n]}
M (D) L(D) {y[n]} = 0
la última expresión es válida siempre y cuando los operadores en diferencias sean lin-
eales y de coeficientes constantes. Si Q(r) es el polinomio asociado al operador M (D),
entonces el polinomio asociado a la ecuación M (D) L(D) {y[n]} = 0 es F (r) = Q(r) P (r)
el procedimiento para resolver es el mismo. Las constantes generadas debido a la solución
particular se obtiene mediante comparación. La forma de los operadores depende del tipo
de función que se analiza, siendo los siguientes casos los más comunes:
Función constante: x[n] = a (ctte), entonces
x[n] = a
x[n − 1] = a
x[n] − x[n − 1] = 0
(1 − D) {x[n]} = 0
por lo que el operador anulador es M (D) = 1 − D.
Función Exponencial: x[n] = an (a = ctte), entonces
x[n] = an
x[n − 1] = an−1 = a−1 an
a−1 x[n] − x[n − 1] = 0
(a−1 − D) {x[n]} = 0
de donde M (D) = a−1 − D.
Función polinómica: x[n] = np (p ∈ N), para esto sı́ en primer lugar se considera
p = 1:
x[n] = n
x[n − 1] = n − 1
x[n − 2] = n − 2
x[n] − 2 x[n − 1] + x[n − 2] = 0
(1 − 2D + D2 ) {x[n]} = 0
∴ M (D) = 1 − 2D + D2 = (1 − D)2
Ahora si p = 2:
x[n] = n2
x[n − 1] = (n − 1)2 = n2 − 2 n + 1
x[n − 2] = (n − 2)2 = n2 − 4 n + 4
x[n − 3] = (n − 3)2 = n2 − 6 n + 9
de donde
x[n] − 3 x[n − 1] + 3 x[n − 2] − x[n − 3] = 0
(1 − 3D + 3D2 − D3 ) {x[n]} = 0
∴ M (D) = 1 − 3D + 3D2 − D3 = (1 − D)3
Por lo anterior se puede inducir para cualquier valor de p que el operador anulador
es de la forma
x[n] = np =⇒ M (D) = (1 − D)p+1
Función trigonométrica: La función puede ser de la forma x[n] = A cos ϕn
ó x[n] = A sen ϕn, para tratar ambas simultáneamente consideremos el exponen-
cial complejo x[n] = ejϕn , por lo que
x[n] = ejϕn
x[n − 1] = ejϕ(n−1) = e−jϕ ejϕn
x[n + 1] = ejϕ(n+1) = ejϕ ejϕn
x[n − 1] + x[n + 1] = ejϕ + e−jϕ ejϕn

de esta última expresión se obtiene
x[n + 1] + x[n − 1] = 2 cos ϕ x[n]
si se aplica un retardo a esta ecuación y luego se realiza operaciones
x[n] − 2 cos ϕ x[n − 1] + x[n − 2] = 0
(1 + 2 cos ϕ D + D2 ) {x[n]} = 0
∴ M (D) = 1 + 2 cos ϕ D + D2
la última expresión es el operador para cualquier función exponencial compleja y
puesto que x[n] = ejϕn = cos ϕn + j senϕn, entonces es el mismo operador para las
funciones trigonometricas. Por ejemplo el operador que anula a x[n] = A cos 2n es
M (D) = 1 + 2 cos(2) D + D2
Suma de funciones: Sean x1 [n], x2 [n], ......., xp [n], p funciones discretas, cuyos
operadores anuladores son M1 (D), M2 (D),...,Mp (D) respectivamente, es decir
Mi (D){xi [n]} = 0
entonces para
p
X
x[n] = x1 [n] + x2 [n] + x3 [n] + · · · · · · + xp [n] = xi [n]
i=1
aplicando M1 (D), el mismo anulará a x1 [n], entonces se obtiene
M1 (D){x[n]} = M1 (D){x1 [n]} + M1 (D){x2 [n]} + M1 (D){x3 [n]} + · · · · · · + M1 (D){xp [n]}

M1 (D){x[n]} = M1 (D){x2 [n]} + M1 (D){x3 [n]} + · · · · · · + M1 (D){xp [n]}
ahora, aplicando M2 (D) que anula a x2 [n]

M2 (D) M1 (D){x[n]} = M2 (D) M1 (D){x2 [n]} + M2 (D) M1 (D){x3 [n]} +

+ · · · · · · + M2 (D) M1 (D){xp [n]}
puesto que los operadores son linealmente independientes estos pueden ser conmu-
tados, por lo que

M2 (D) M1 (D){x[n]} = M1 (D) M2 (D){x2 [n]} + M2 (D) M1 (D){x3 [n]} +

+ · · · · · · + M2 (D) M1 (D){xp [n]}
de donde
M2 (D) M1 (D){x[n]} = M2 (D) M1 (D){x3 [n]} + · · · · · · + M2 (D) M1 (D){xp [n]}
si se continua aplicando los operadores consecutivamente se prueba que el operador

anulador de la suma de funciones es de la forma
M1 (D) M2 (D) M2 (D) · · · Mp (D){x[n]} = 0
de donde el operadorer que anula a la suma de funciones es

p
Y
M (D) = M1 (D) · M2 (D) · · · Mp (D) = Mi (D)
i=1
esto es ası́ porque los operadores en diferencia cumplen con las propiedades de las
transformaciones lineales.
EJEMPLO 2.27.- Determinar el operador que anula a la función
x[n] = 4 e−n + 2 n2
Solución: Puesto que es posible determinar los operadores que anulan a las funciones
por separado
x1 [n] = 4 e−n =⇒ M1 (D) = e − D

x2 [n] = 2 n2 =⇒ M2 (D) = (1 − D)3
por lo que el operador que anula a la suma de funciones es
M (D) = (e − D)(1 − D)3
Producto de funciones: En general no existe un operador en diferencias que pueda

anular cualquier producto de funciones f [n] · g[n], sin embargo es posible determinar
para algunos casos que pueden presentarse regularmente, puesto que son el tipo de
funciones con el que se analiza los sistemas lineales, por ejemplo:
i) Exponencial - polinomio: Sea np la función polinómica y an la función expo-

nencial entonces se cumple que
P +1
x[n] = np an =⇒ M (D) = a−1 − D
por ejemplo para x[n] = n 2−n el operador anulador es M (D) = (2 − D)2 .
ii) Exponencial - senoidal: Para la función exponencial an y función trigonométri-

ca cos ϕn (ó sen ϕn), el operador anulador es
M (D) = a−2 − 2 a−1 cos ϕ D + D2
iii) Polinomio - senoidal: Sean np la función polinómica y cos ϕn la función

trigonométrica, entonces el operador anulador es
P +1
x[n] = np cos ϕn =⇒ M (D) = 1 − 2 cos ϕ D + D2
por ejemplo para x[n] = n cos n, el operador es M (D) = (1 − 2 cos (1) D + D2 )2 .
iv) En general, si el producto de funciones puede ser expresado como
x[n] = np cos ϕn an
el procedimiento para anular a la función completa es mediante la composición

funcional de los operadores anuladores de cada función por separado, tal como
si fuesen funciones normales, es decir
x[n] = np cos ϕn an
↓ ↓ ↓
p+1 2 −1
(1 − D) (1 − 2 cos ϕ D + D ) (a − D)
←− ←−
es decir se debe proceder de derecha a izquierda, la primera composición entre

el exponencial y el trigonométrico resulta
(1 − 2 cos ϕ D + D2 ) ◦ (a−1 − D) = a−2 − 2 a−1 cos ϕ D + D2
de la segunda iteración de este resultado componiendo con el polinomio, se

obtiene el operador generalizado para anular el producto de funciones
p+1
M (D) = a−2 − 2 a−1 cos ϕ D + D2
EJEMPLO 2.28.- Resolver la ecuación en diferencia
y[n] + 7 y[n − 1] + 12 y[n − 2] = 2n − 1 ; y[−1] = 1 , y[−2] = 0

Solución: Escribiendo en terminos de operadores
(1 + 7D + 12D2 ) {y[n]} = 2n − 1
la componente homogénea tiene polinomio asociado P (r) = 1 + 7r + 12r2 . La señal que

esta forzando al sistema es x[n] = 2n − 1, cuyo operador anulador es M (D) = (1 − D)2 ,
aplicando este operador a la ecuación
(1 − D)2 (1 + 7D + 12D2 ) {y[n]} = (1 − D)2 {2n − 1}

(1 − D)2 (1 + 7D + 12D2 ) {y[n]} = 0
el polinomio asociado a esta ecuación es
( 1 − r)2 ( 1 + 7 r + 12 r2 ) {y[n]} = 0
la solución de esta ecuación homogénea ampliada se obtiene determinando las raices del
polinomio
Q(r) · P (r) = (1 − r)2 (1 + 7r + 12r2 )
cuyas raı́ces son r1 = −3−1 , r2 = −4−1 y r3 = r4 = 1; las dos primeras raı́ces r1 y r2
corresponden a la solución homogénea y las raı́ces r3 y r4 corresponden a la solución
particular, es decir
y1 [n] = (−3−1 )−n = (−3)n ; y2 [n] = (−4)n
y3 [n] = 1n = 1 ; y4 [n] = n (1)n = n

de donde la solución general es
y[n] = C1 y1 [n] + C2 y2 [n] + C3 y3 [n] + C4 y4 [n]

| {z } | {z }
Sol. Homogénea Sol. Particular
y[n] = C1 (−3)n + C2 (−4)n + C3 + C4 n

| {z } | {z }
las constantes C3 y C4 se determinan por comparación, puesto que la solución particular

es yP [n] = C3 + C4 n, ésta debe cumplir con la ecuación, por lo que
yP [n] = C3 + C4 n ; yP [n − 1] = C3 + C4 (n − 1) ; yP [n − 2] = C3 + C4 (n − 2)
reemplazando en la ecuación yP [n] y sus retardos se obtiene:
yP [n] + 7 yP [n − 1] + 12 yP [n − 2] = 2n − 1

C3 + C4 n + 7 C3 + C4 (n − 1) + 12 C3 + C4 (n − 2) = 2n − 1

20 C4 n + 20 C3 − 30 C4 = 2n − 1
comparando
( (
20 C4 =2 C4 = 1/10
=⇒
20 C3 − 31 C4 = −1 C3 = 21/200 .
reemplazando en la solución
21 1
y[n] = C1 (−3)n + C2 (−4)n + + n
200 10
con las condiciones iniciales y[−1] = 1 y y[−2] = 0 se obtiene las constantes C1 y C2 , esto
es
21 1
y[−1] = 1 = C1 (−3)−1 + C2 (−4)−1 + + (−1)
200 10
21 1
y[−2] = 0 = C1 (−3)−2 + C2 (−4)−2 + + (−2)
200 10
1107 284
C1 = ; C2 = −
200 25
por lo que finalmente
1107 284 21 1
y[n] = (−3)n − (−4)n + + n
|200 {z 25 } |200 {z 10 }
2.7.2 Sistemas de Ecuaciones en Diferencias

En muchas ocasiones se requiere analizar sistemas que tienen más de una entrada y más
de una salida, a estos sistemas se denomina multivariables y si estos son lineales e invariables
en el tiempo generan sistemas de ecuaciones de la forma:
X[n + 1] = A X[n] + B[n]
donde n ∈ Z, X ∈ R × RN , A ∈ RN × RN y B ∈ R × RN . A esta expresión se denomina

Ecuación de Estado, la misma es una expresión del método denominado de variables de estado,
sobretodo aplicable en sistemas multivariable.
Una ecuación de orden N también puede ser escrita como una ecuación de estado, para
esto si se considera la ecuación con entrada f [n] y salida y[n]
y[n] + a1 y[n − 1] + a2 y[n − 2] + · · · · · · + aN y[n − N ] = b0 f [n]
ahora si se definen las variables
x1 [n] = y[n − N ] −→ x1 [n + 1] = y[n − N + 1] = x2 [n]

x2 [n] = y[n − N + 1] −→ x2 [n + 1] = y[n − N + 2] = x3 [n]
x3 [n] = y[n − N + 2] −→ x3 [n + 1] = y[n − N + 3] = x4 [n]
....................................
....................................
xN −1 [n] = y[n − 2] −→ xN −1 [n + 1] = y[n − 1] = xN [n]
xN [n] = y[n − 1] −→ xN [n + 1] = y[n] = −a1 y[n − 1] − a2 y[n − 2]−
. − · · · · · · − aN y[n − N ] + b0 f [n]
reemplazando en la última expresión
xN [n + 1] = y[n] = −a1 xN [n] − a2 xN −1 [n] − · · · · · · − aN x1 [n] + b0 f [n]
ahora, escribiendo en forma matricial
      
x1 [n + 1] 0 1 0 0 ··· 0 x1 [n] 0
 x2 [n + 1]   0
   0 1 0 · · · 0   x2 [n]   0 
   
 x3 [n + 1]   0
 = 0 0 1 · · · 0   x3 [n]   0 
  +   f [n]
 ..   .. .. .. .. ...... ..   ..   .. 
 .   . . . . ... .   .  .
xN [n + 1] −aN · · · · · · −a3 −a2 −a1 xN [n] b0
ahora puesto que
xN [n + 1] = y[n] = −a1 xN [n] − a2 xN −1 [n] − · · · · · · − aN x1 [n] + b0 f [n]
esto es
 
x1 [n]
 x2 [n]

 ..

y[n] = −aN −aN −1 · · · −a2 −a1   + b0 f [n]
 
 .
xN −1 [n]
xN [n]
en forma matricial y[n] = C X[n] + b0 f [n], por lo que el sistema matricial que representa al
sistema de orden n es
(
X[n + 1] = A X[n] + B[n]
(2.8)
y[n] = C X[n] + b0 f [n]
Un aspecto importante por el que los sistemas se analizan con el método de las variables de
estado es que, permite estudiar la controlabilidad, la observabilidad y las propiedades cualitativas
de los sistemas. Adicionalmente se debe mencionar que la realización e implementación de
sistemas basados en variables de estado tiene ventajas comparativas, puesto que si se observa el
sistema solo existe una unidad de retardo esto significa que el proceso puede ser realizado mucho
mas velozmente que su ecuación original donde existe N retardos temporales, sin embargo para
que esto sea cierto los procesos son más efectivos en arquitecturas de Hardware o Software de
procesamiento paralelo o en su defecto por técnicas de tiempo compartido. Ahora se procede a
resolver por el método recursivo, para esto consideremos la ecuación de estado
X[n + 1] = A X[n] + B[n]

de aqui
n=0 : X[1] = A X[0] + B[0]

n=1 : X[2] = A X[1] + B[1] = A2 X[0] + A B[0] + B[1]
n=2 : X[3] = A X[2] + B[2] = A3 X[0] + A2 B[0] + A B[1] + B[2]
..........................................
..........................................
k−1
X
k
n=k : X[k] = A X[k − 1] + B[k − 1] = A X[0] + Ak−1−p B[p]
p=0
En general la solución es
n−1
X
n
X[n] = A X[0] + An−1−k B[k] (2.9)
k=0
en esta expresión se observa que es necesario determinar la función matricial An , esto no requiere
mayor inconveniente cuando n es una valor pequeño, sin embargo cuando este es un valor grande
puede requerir de mucho tiempo de cálculo.
Uno de los métodos se basa en el teorema de Caley-Hamilton, que establece que toda
matriz cumple con su polinomio caracterı́stico; es decir, si la matriz A tiene polinomio carac-
terı́stico
P (λ) = λn + an−1 λn−1 + · · · + a2 λ2 + a1 λ + a0 = 0
entonces
P (A) = An + an−1 An−1 + · · · + a2 A2 + a1 A + a0 I = 0
donde I es la matriz identidad de orden n, entonces
An = −an−1 An−1 − · · · − a2 A2 − a1 A − a0 I (2.10)
que implica que se puede obtener An en función de una suma de las potencias anteriores, a
partir de esto una función matricial es de la forma
∞
X
f (A) = αk Ak = α0 I + α1 A + · · · + αn An + · · ·
k=0
si se reemplaza por sus equivalentes se puede comprobar que

n−1
X
f (A) = βk Ak = β0 I + β1 A + · · · + βn−1 An−1 (2.11)
k=0
donde los βk dan términos de αk , ahora para determinar estos factores se lo realiza de la misma
manera a partir de los autovalores, es decir
n−1
X
f (λ) = λn = βk λk = β0 + β1 λ + · · · + βn−1 λn−1 (2.12)
k=0
EJEMPLO 2.29.- Resolver mediante variables de estado el sistema
y[n] − 4 y[n − 2] = 0 ; y[−1] = 1 , y[−2] = 1
Solución: Si se expresa en forma matricial
x1 [n] = y[n − 2] −→ x1 [n + 1] = y[n − 1] = x2 [n]

x2 [n] = y[n − 1] −→ x2 [n + 1] = y[n] = 4 y[n − 2] = 4 x1 [n]
de donde
 ! ! !
 x1 [n + 1] 0 1 x1 [n]
=

 (

 x2 [n + 1] 4 0 x2 [n] X[n + 1] = A X[n]
! ! =⇒
 x1 [0] 1 X[0] = X0
=



 x2 [0] 1
donde
0 1 1
A= y X0 =
4 0 1
para determinar los autovalores nos basamos en el algorı́tmo de Faddeva, es decir
T r(Ai+1 ) T r(Ai+1 )
Ai+1 = A Bi ; ; Bi+1 = Ai+1 − I
i+1 i+1
donde i = 0, 1, 2, . . . , n − 1 y B0 = I, y el polinomio caracterı́stico es
T r(A1 ) n−1 T r(A2 ) n−2 T r(An−1 ) T r(An )

P (λ) = λn − λ − λ − ······ − λ− =0
1 2 n−1 n
en este caso i = 0, 1, por lo que

0 1 T r(A1 ) T r(A1 )
i = 0 : A1 = A B0 = A I = ; =0 ; B1 = A1 − I = A1
4 0 1 1

4 0 T r(A2 ) T r(A2 )
i = 1 : A2 = A B1 = A A1 = ; =4 ; B1 = A2 − I = [∅]
0 4 2 2
de donde (
2 2 λ1 = 2
λ − 0λ − 4 = 0 −→ λ −4=0 =⇒
λ2 = −2
se cumple que
An = β0 I + β1 A
λn = β0 + β1 λ
reemplazando en esta última expresión los autovectores se obtiene

( (
(2)n = β0 + β1 (2) β0 = 2n−1 [1 + (−1)n ]
=⇒
(−2)n = β0 + β1 (−2) β1 = 2n−2 [1 − (−1)n ]
en la primera expresión
An = 2n−1 [1 + (−1)n ] I + 2n−2 [1 − (−1)n ] A

n n−1 n 1 0 n−2 n 0 1
A = 2 [1 + (−1) ] + 2 [1 − (−1) ]
0 1 4 0
n−1
2 [1 + (−1)n ] 2n−2 [1 − (−1)n ]
An =
2n [1 − (−1)n ] 2n−1 [1 + (−1)n ]
la solución es (
X[n] = An X[0]
y[n] = C X[n] =⇒ y[n] = C An X[0]
donde C = [−4 0], por lo que
n−1
n 2 [1 + (−1)n ] 2n−2 [1 − (−1)n ] 1
X[n] = A X[0] = n n n−1 n
2 [1 − (−1) ] 2 [1 + (−1) ] 1
n−1 n n−2 n

2 [1 + (−1) ] + 2 [1 − (−1) ]
=
2n [1 − (−1)n ] + 2n−1 [1 + (−1)n ]
n−2
2 [3 + (−1)n ]
=
2n−1 [3 − (−1)n ]
ahora

2n−2 [3 + (−1)n ]
y[n] = −4 0
2n−1 [3 − (−1)n ]
y[n] = (−4){2n−2 [3 + (−1)n ]}
y[n] = 2n (−1)n+1 − 3

2.8 Respuesta de Estado Cero y Entrada Cero

Tal como se ha mostrado anteriormente un método para obtener la respuesta al impulso
es la resolución de la ecuación recursivamente; otra posibilidad para determinar lo mismo es
obtener a partir de la respuesta de estado cero, que implica determinar la solución homogenea
de la ecuación en diferencias finitas.
Sea la ecuación de orden N con condiciones iniciales
(
y[n] + a1 y[n − 1] + · · · · · · + aN y[n − N ] = b0 x[n] + b1 x[n − 1] + · · · · · · + bM x[n − M ]
y[−1] = y1 ; y[−2] = y2 · · · · · · ; y[−N ] = yN
tal como se ha mostrado, para resolver por el método algorı́tmico se explicita y[n] de la forma
M
X N
X
y[n] = bk x[n − k] − ak y[n − k]
k=0 k=1
en la que la solución y[n] para un instante cualquiera n se determina a partir de las soluciones
pasadas y[n − k] y las entradas pasadas y presente. De este análisis se puede observar que la
solución solo depende de las entradas presente y pasada y las condiciones iniciales yk .
La respuesta de entrada cero yzi [n], se obtiene haciendo nula la señal de entrada, es decir
que el sistema sea independiente de la entrada y que solo dependa de las caracterı́sticas propias
o naturales del sistema y de las condiciones iniciales. También se denomina respuesta propia,
natural o libre del sistema, si se compara con lo desarrollado en la sección 2.7.1, esta corresponde
a la solución homogénea de la ecuación en diferencia.
Por otra parte la respuesta de estado cero yzs [n], se obtiene haciendo que las condiciones
iniciales sean nulas, por lo que la salida depende solamente de la naturaleza del sistema y de la
señal de entrada. En este caso el sistema es forzado a responder al ingreso de una señal x[n], por
esta razón suele denominarse respuesta forzada y en el contexto de la solución de una ecuación
en diferencia, esta se denomina solución particular, finalmente se observa que la respuesta de
estado cero o forzada corresponde a la convolución entre la señal de entrada y la respuesta al
impulso.
Adicionalmente se cumple que, en un sistema lineal:
La respuesta total del sistema puede expresarse como la suma de las respuestas de entrada
y estado cero y[n] = yzi [n] + yzs [n].
El principio de superposición se aplica para la respuesta de estado cero (lineal de estado
cero).
El principio de superposición se aplica a la respuesta de entrada cero (lineal de entrada
cero).
2.9 Respuesta al Impulso

Consideremos un sistema lineal e invariante en el tiempo (SLTI) con señal de entrada
x[n] y salida y[n], se define la función respuesta al impulso h[n] como la señal de salida cuando
ingresa un delta de Dirac discreto al sistema, es decir:
x[n] −→ SLTI −→ y[n]
δ[n] −→ SLTI −→ h[n]

Por las propiedades de linealidad e invarianza en el tiempo se cumple:
··· −→ SLTI −→ ···

x[−1] δ[n + 1] −→ SLTI −→ x[−1] h[n + 1]

x[0] δ[n] −→ SLTI −→ x[0] h[n]
x[1] δ[n − 1] −→ SLTI −→ x[1] h[n − 1]
x[2] δ[n − 1] −→ SLTI −→ x[2] h[n − 2]
··· −→ SLTI −→ ···
ahora sumando todas las entradas y salidas
∞
X ∞
X
x[k] δ[n − k] −→ SLTI −→ x[k] h[n − k]
k=−∞ k=−∞
x[n] ∗ δ[n] −→ SLTI −→ x[n] ∗ h[n]

finalmente
x[n] −→ SLTI −→ y[n] = x[n] ∗ h[n]
lo que implica que la señal de salida de todos los sistemas lineales e invariantes en el tiempo se
caracterizan por ser la convolución entre la señal de entrada y la respuesta al impulso, entonces
serán descritos mediante el siguiente diagrama y su expresión:
x[n] −→ h[n] −→ y[n]
y[n] = x[n] ∗ h[n] (2.13)

EJEMPLO 2.30.- Para el siguiente sistema, que incluye una unidad de retardo “T=1”, de-
terminar la respuesta al impulso y con esta obtener la señal de salida si x[n] = µ[n].

x[n] + P
- - y[n]

6+ ?
T=1

a

Solución: Analizando el sistema

x[n] +
-
P - y[n]

+
6 ?
T=1
a y[n − 1]
a y[n − 1]

en el punto de suma se cumple que y[n] = x[n] + a y[n − 1], de donde la ecuación en diferencia
del sistema es
y[n] = x[n] − a y[n − 1]
la respuesta al impulso se obtiene de la ecuación y utilizando el método recursivo se tiene
h[n] = δ[n] − a h[n − 1] ; h[−1] = 0
evaluando
n=0: h[0] = δ[0] − a h[−1] = 1

n=1: h[1] = δ[1] − a h[0] = −a
n=2: h[2] = δ[2] − a h[1] = (−a)2 = (−1)2 a2
n=3: h[3] = δ[3] − a h[2] = (−a)3 = (−1)3 a3
en general la respuesta al impulso es:
h[n] = (−1)n an µ[n]
ahora puesto que y[n] = x[n] ∗ h[n] y con la consideración de que x[n] y h[n] son funciones
causales, entonces:
n
X n
X n
X
y[n] = x[k] h[n − k] = (1)(−1)n−k an−k = (−1)n an (−a)k
k=0 k=0 k=0
n
Rn+1 −1
(R)k =
P
de la suma de una progresión geométrica, conocemos que R−1
y para R = 1, la
k=0
suma resulta n + 1, es decir el resultado depende del valor de R, entonces la solución es;
 2n+1
a + an
|a| =
6 1



 a+1


y[n] = n + 1 a = −1
1 a = 1 (n par)





0 a = 1 (n impar)
2.9.1 Relación entre la Respuesta al Impulso y la Solución

Homogénea
Sea el SLTI con modelo matemático:
a0 y[n] + a1 y[n − 1] + · · · · · · + aN −1 y[n − N + 1] + aN y[n − N ] = x[n]
la respuesta al impulso por definición es:
a0 h[n] + a1 h[n − 1] + · · · · · · + aN −1 h[n − N + 1] + aN h[n − N ] = δ[n]
ahora para n = 0, se obtiene:
a0 h[0] + a1 h[−1] + · · · · · · + aN −1 h[−N + 1] + aN h[−N ] = δ[0] = 1
puesto que no hay respuesta para n < 0, entonces h[−N ] = h[−N + 1] = · · · = h[−1] = 0, de
donde se obtiene h[0] = 1/a0 . Por otra parte para n > 0 se tiene que:
a0 h[n] + a1 h[n − 1] + · · · · · · + aN −1 h[n − N + 1] + aN h[n − N ] = 0 (2.14)
es decir h[n] es la respuesta homogénea de la ecuación en diferencia, con las condiciones iniciales
h[−N + 1] = h[−N + 2] = · · · = h[−1] = 0 ; h[0] = 1/a0 (2.15)
Finalmente para obtener la respuesta del sistema se conoce que
y[n] = x[n] ∗ h[n]
Por esta razon se prefiere escribir la ecuación de orden n de la forma
y[n] + a1 y[n − 1] + · · · · · · + aN −1 y[n − N + 1] + aN y[n − N ] = b0 x[n] (2.16)
en este caso
(
h[n] + a1 h[n − 1] + · · · · · · + aN −1 h[n − N + 1] + aN h[n − N ] = 0
(2.17)
h[−N + 1] = h[−N + 2] = · · · = h[−1] = 0 ; h[0] = 1
lo que implica que la solución homogénea de la ecuación en diferecia es equivalente a la respuesta

al impulso con la condición inicial h[0] = 1, siendo los valores restantes nulos.
2.9.2 Respuesta al Impulso de Sistemas de Primer y Segundo Orden

En esta sección se estudia el comportamiento de los sistemas de primer y segundo orden,
la razón para esto, es que todos los sistemas SLIT discretos (y continuos) de orden n pueden
ser analizados y sintetizados a partir de los mismos.
a) Sistemas de Primer Orden: Un sistema LIT discreto de primer orden en general es de

la forma
y[n] + a1 y[n − 1] = b0 x[n] + b1 x[n − 1]
sin embargo, sin pérdida de generalidad se puede considerar el sistema
y[n] − a y[n − 1] = x[n]
que es la ecuación fundamental para todos los SLIT discretos de primer orden y como se
explica en la siguiente sección la respuesta al impulso total se puede obtener a partir de
esta ecuación. Ahora se tiene que
h[n] − a h[n − 1] = 0 ; h[0] = 1
en términos de operadores
(1 − a D) {h[n]} = 0
cuyo polinomio asociado es P (r) = 1 + a r, que tiene una raiz r = a−1 , por lo que la
solución es
h[n] = C1 r−n = C1 an
reemplazando la condición inicial h[0] = 1, se obtiene C1 = 1, por lo que finalmente
h[n] = an (n ≥ 0) −→ h[n] = an µ[n]
la siguiente figura muestra el comportamiento de h[n] para distintos valores de a:
h[n] h[n]
• •
6 6
(a > 1) (a < −1)
• • ······
1•
• ······ - n
•
1• • •
- n •
h[n] h[n]
6 6
(a = 1) (a = − 1)
1• • • •
······
1• • • • • • - n
······
• • •
- n
h[n] h[n]
6 6
(0 < a < 1) 1• (−1 < a < 0)
1•
•
• • ······ - n
• •
••
• ······ •
- n
Figura 2.32: Respuesta al impulso h[n] de un sistema de primer orden
b) Sistemas de Segundo Orden: Un sistema LIT discreto, en general es de la forma

sin pérdida de generalidad y por las razones expuestas en la siguiente sección se estudia
el sistema fundamental de segundo orden
y[n] + 2a y[n − 1] + b y[n − 2] = x[n]
cuya respuesta al impulso se determina de la ecuación
h[n] + 2a h[n − 1] + b h[n − 2] = 0 ; h[0] = 1 , h[−1] = 0
de donde
(1 + 2a D + b D2 ) {h[n]} = 0 −→ P (r) = 1 + 2a r + b r2
cuyas raices se determinan de
√
r−1 = −a ± a2 − b
del cual se puede determinar los siguientes casos:
i) Raices diferentes: Si se cumple que a2 > b, entonces r1 6= r2 , por lo que la solución
es de la forma
h[n] = C1 r1−n + C2 r2−n
reemplazando las condiciones iniciales h[0] = 1 y h[−1] = 0, se obtiene
r2 r1
h[n] = r1−n + r−n
(r2 − r1 ) (r1 − r2 ) 2
los valores de las raices muestran una variedad de combinaciones en las soluciones,
la siguiente figura muestra dos casos particulares
h[n] h[n]
6 6
(r1 > 1) 1• (r1 < −1)
1•
(r2 > 1) • (r2 < −1)
• • ······ - n
• •
••
• ······ •
- n
Figura 2.33: Respuesta al impulso h[n] de un SLIT de segundo orden con raı́ces diferentes
ii) Raices repetidas: Si se cumple que a2 = b, entonces r1 = r2 = r, de donde se obtiene
h[n] = (C1 n + C2 ) r−n
reemplazando h[0] = 1 y h[−1] = 0 resulta
h[n] = (n + 1) r−n
las posibilidades dependen de una sola raiz, la siguiente figura muestra dos casos
particulares
h[n] h[n]
6 6
(r > 1) 1• (−1 < r < 0)
1 • •
• • ······ - n
• ······ •
•• •
• - n
Figura 2.34: Respuesta al impulso h[n] de un SLIT de segundo orden con raı́ces repetidas
iii) Raices complejas: Si a2 < b, entonces r1,2 = α ± j β = r e± j ω0 , por lo que
h[n] = (C1 cos ω0 n + C2 senω0 n) r−n
reemplazando las condiciones iniciales y realizando operaciones resulta
senω0 (n + 1) −n
h[n] = r
senω0
la forma de la evolvente puede ser de 3 formas posibles, una evolvente creciente,
constante y decreciente, como se muestra en la siguiente figura
h[n] h[n]
6 6
1• r>1 • 0<r<1
• •
• • ······ 1• ······
• •• • - n • • - n
•••
• •
•
Figura 2.35: Respuesta al impulso h[n] de un SLIT de segundo orden con raı́ces complejas
2.9.3 Respuesta al Impulso - Caso General

Sea en general el modelo del sistema
y[n] + a1 y[n − 1] + · · · · · · + aN y[n − N ] = b0 x[n] + b1 x[n − 1] + · · · · · · + bM x[n − M ]
como se ha visto, la respuesta al impulso es equivalente a la solución homogénea de la ecuación

en diferencia
h[n] + a1 h[n − 1] + · · · · · · + aN −1 h[n − N + 1] + aN h[n − N ] = 0
h[−N + 1] = h[−N + 2] = · · · = h[−1] = 0 ; h[0] = 1

puesto que la entrada al sistema es
xTotal [n] = b0 x[n] + b1 x[n − 1] + · · · · · · + bM x[n − M ]
esto involucra que la respuesta al impulso tiene una entrada de la forma
b0 δ[n] + b1 δ[n − 1] + · · · · · · + bM δ[n − M ]
por lo que aplicando el principio de superposición e invarianza temporal, la respuesta total al

impulso esta dada por
hTotal [n] = b0 h[n] + b1 h[n − 1] + · · · · · · + bM h[n − M ] (2.18)
EJEMPLO 2.31.- Resolver:
a) Determinar la salida y[n] mediante su respuesta al impulso de un SLIT cuyo modelo del
sistema esta dado por
6 y[n] − 5 y[n − 1] + y[n − 2] = e−n µ[n]
b) Determinar la respuesta al impulso del sistema
y[n] + 2 y[n − 1] + 3 y[n − 2] = 4 x[n] + x[n − 1] − 3 x[n − 2]

Solución:
a) Se obtiene en primer lugar la solución homogénea de:
6 h[n] − 5 h[n − 1] + h[n − 2] = 0 ; h[−1] = 0 y h[0] = 1/6
como ya se ha explicado esta ecuación tiene un operador en diferencia y polinomio asociado

de la forma
(6 − 5D + D2 ){h[n]} = 0 −→ P (r) = 6 − 5r + r2
con raices r1 = 2 y r2 = 3, por lo que
h[n] = C1 2−n + C2 3−n
remplazando las condiciones iniciales se obtiene C1 = −1/3 y C2 = 1/2, de donde:
h[n] = −( 31 ) 2−n + ( 12 ) 3−n ; n≥0
Ahora para determinar la solución y[n] = x[n] ∗ h[n], es decir:

n n k n k
X
−k
1 −(n−k) 1 −(n−k)
3−n X 3 2−n X 2
y[n] = e (2) 3 − (3) 2 = −
k=0
2 k=0
e 3 k=0 e
3−n (3/e)n+1 − 1 2−n (2/e)n+1 − 1

y[n] = − ; n≥0
2 (3/e) − 1 3 (2/e) − 1
b) La respuesta al impulso debido a una entrada δ[n] esta dado por
h[n] + 2 h[n − 1] + 3 h[n − 2] = 0 ; h[−1] = 0 ; h[0] = 1
de donde
(1 + 2 D + 3 D2 ) {h[n]} = 0
el polinomio asociado es P (r) = 1 + 2r − 3r2 , que tiene como raices r1 = (−2)−1 y
r2 = (−1)−1 , de donde
h[n] = C1 r1−n + C2 r2−n = C1 (−2)n + C2 (−1)n ; (n ≥ 0)
reemplazando las condiciones iniciales se obtiene C1 = 2 y C2 = −1, por lo que
h[n] = { 2 (−2)n − (−1)n } µ[n]
ahora la respuesta al impulso total es
hT [n] = 4 h[n] + h[n − 1] − 3 h[n − 2]
hT [n] = 4 { 2 (−2)n − (−1)n } µ[n]+

+ 2 (−2)n−1 − (−1)n−1 µ[n − 1] − 3 2 (−2)n−2 − (−1)n−2 µ[n − 2]

2.10 Configuraciones de Sistemas (Estructuras de

Realización)
Regularmente para que cierto sistema cumpla con su objetivo es necesario construirlo con
subsistemas, posiblemente debido a su complejidad. Cada uno de los subsistemas realizan una
determinada tarea y luego se los interconecta de cierta forma para que realice la tarea asignada,
es decir que funcione el sistema completo. A las interconexiones entre sistemas o subsistemas se
denominan configuraciones ó estructuras de realización de los sistemas, las más comunes son:
estructuras en paralelo, en cascada, realimentada y mixto; adicionalmente en el contexto de los
filtros digitales existen otras configuraciones que son frecuentes, como la estructura canónica,
ladder, lattice, wave y otros que se desarrollaran en los capı́tulos siguientes.
2.10.1 Estructura Directa

Esta configuración se obtiene de manera directa de la ecuación en diferencia, sin pérdida
de generalidad se estudia el caso de segundo orden
de donde
y[n] = b0 x[n] + b1 x[n − 1] + b2 x[n − 2] − a1 y[n − 1] − a2 y[n − 2]
cuya estructura es
+
x[n] - b0 -
P - y[n]
? + - ?
+ -COAKA
T CA T
C A
? - b1 C A a1 ?
? C ?
C
T C T
C
? - b2 C a2 ?

Figura 2.36: Estructura directa de un SLIT de segundo orden.
si en la anterior ecuación se hace que

y[n] = b0 x[n] + b1 x[n − 1] + b2 x[n − 2] − a1 y[n − 1] + a2 y[n − 2]
utilizando las propiedades de convolución

y[n] = b0 δ[n] + b1 δ[n − 1] + b2 δ[n − 2] ∗ x[n] − a1 δ[n − 1] + a2 δ[n − 2] ∗ y[n]
h1 [n] = b0 δ[n] + b1 δ[n − 1] + b2 δ[n − 2] ; h2 [n] = a1 δ[n − 1] + a2 δ[n − 2]
entonces
y[n] = h1 [n] ∗ x[n] − h2 [n] ∗ y[n] −→ y[n] + h2 [n] ∗ y[n] = h1 [n] ∗ x[n]

δ[n] ∗ y[n] + h2 [n] ∗ y[n] = h1 [n] ∗ x[n]

δ[n] + h2 [n] ∗ y[n] = h1 [n] ∗ x[n]
−1 h −1 i
y[n] = δ[n] + h2 [n] ∗ h1 [n] ∗ x[n] −→ y[n] = δ[n] + h2 [n] ∗ h1 [n] ∗ x[n]
de donde finalmente la respuesta al impulso del sistema es

−1
h[n] = δ[n] + h2 [n] ∗ h1 [n]
cuya estructura general se puede observar en la siguiente figura, asi como su reducción.

x[n] - h1 [n] + P
- - y[n]

6-
x[n] - h[n] - y[n]
h2 [n]
Figura 2.37: Estructura directa generalizada y su reducción.
2.10.2 Estructura en Paralelo

En la estrcutura en paralelo, la señal de entrada ingresa simultaneamente a los subsis-
temas, la salida de estos es sumada para obtener la salida del sistema total, tal como se muestra
en la figura 2.38. La salida de cada subsistema es la convolución de la señal de entrada con su
respuesta al impulso, es decir
y1 [n] = x[n] ∗ h1 [n]
y2 [n] = x[n] ∗ h2 [n]
sumando y realizando operaciones se obtiene la respuesta total al impulso de la configuración
en paralelo es:

y[n] = h1 [n] + h2 [n] ∗ x[n] =⇒ h[n] = h1 [n] + h2 [n]
y1
- h1 [n]
+

?
x[n] -
P - y[n] x[n] - h[n] - y[n]

+
6
- h2 [n] y2 h[n] = h1 [n] + h2 [n]
Figura 2.38: Estructura en paralelo y su reducción
EJEMPLO 2.32.- Determinar la realización en estructura paralelo el siguiente sistema
y[n] + a1 y[n − 1] + a2 y[n − 2] = b0 x[n]
Solución: Si se expresa la ecuación en términos de operadores en diferencia
1 + a1 D + a2 D2 {y[n]} = b0 x[n]

de aqui se puede expresar

b0
y[n] = {x[n]}
1 + a1 D + a2 D 2
sin pérdida de generalidad supongamos que el denominador se puede expresar mediante com-
binación de factores (ver sección 2.7) de la forma
b0
y[n] = {x[n]}
(1 + α1 D)(1 + α2 D)

β1 β2
y[n] = + {x[n]}
1 + α1 D 1 + α2 D

β1 β2
y[n] = {x[n]} + {x[n]}
1 + α1 D 1 + α2 D
1
y1 [n] = {x[n]}
1 + α1 D

1
y2 [n] = {x[n]}
1 + α2 D
de donde se obtiene
(1 + α1 D) {y1 [n]} = x[n]
(1 + α2 D) {y2 [n]} = x[n]
ó también
y1 [n] + α1 y1 [n − 1] = x[n]
y2 [n] + α2 y2 [n − 1] = x[n]
los cuales son dos sistemas de primer orden con la misma entrada x[n], cuya estructura de
realización se muestra en la siguiente figura y finalmente la solución total se determina de
y[n] = β1 y1 [n] + β2 y2 [n]

+
-
P
- β1

-
6
?
T=1
+
?
x[n] y[n]
-
P -
α1
+
6

+ P
- - β2

6- ?
T=1

α2

En la práctica se prefiere que los sistemas sean de segundo orden por la velocidad con que
se realizan los cálculos en su implementación, tal como se mostrará en los capı́tulos 4 y 5.
2.10.3 Estructura en Cascada

La figura 2.39 muestra la estructura en cascada y para obtener la respuesta al impulso
total del sistema sea z[n] la señal de salida del primer sistema, y como se observa es la entrada
del segundo sistema, entonces se cumple
z[n] = x[n] ∗ h1 [n]
y[n] = z[n] ∗ h2 [n]

puesto que la salida del segundo sistema es la salida total del sistema, por lo que:

y[n] = x[n] ∗ h1 [n] ∗ h2 [n] −→ y[n] = x[n] ∗ h1 [n] ∗ h2 [n]
de donde
h[n] = h1 [n] ∗ h2 [n]
z[n]
x[n] - h1 [n] - h2 [n] - y[n] x[n] - h[n] - y[n]
h[n] = h1 [n] ∗ h2 [n]
Figura 2.39: Estructura en cascada y su reducción.
EJEMPLO 2.33.- Dado el siguiente sistema y[n] + a1 y[n − 1] + a2 y[n − 2] = b0 x[n] construir
el sistema en configuración cascada.
Solución: Si se expresa la ecuación en términos de operadores en diferencia
1 + a1 D + a2 D2 {y[n]} = b0 x[n]

de acuerdo a lo mencionado en la sección 2.7, esto se puede expresar como
( 1 + α1 D) ( 1 + α2 D) {y[n]} = b0 x[n]
(1 + α2 D) {y[n]} = z[n] =⇒ (1 + α1 D) {z[n]} = b0 x[n]
por lo que
z[n] + α1 z[n − 1] = b0 x[n]

y[n] + α2 y[n − 1] = z[n]
que son dos sistemas de primer orden en cascada, tal como se muestra en la figura

x[n] - b0 + P
- +
-
P - y[n]

– 6 ? – 6 ?
T=1 T=1

α1 α2

2.10.4 Estructura Realimentada

La siguiente figura muestra esta configuración, para determinar la respuesta al impulso
total introducimos las variables de paso u[n] y z[n], de donde se obtiene

P z[n]-
x[n] - h1 [n] - y[n]
+
+
6
u[n] x[n] - h[n] - y[n]
h2 [n]
h[n] = h1 [n] ∗ (δ[n] − h1 [n] ∗ h2 [n])−1
Figura 2.40: Estructura realimentada y su reducción.
de la figura se obtienen las relaciones
z[n] = x[n] + u[n]
y[n] = z[n] ∗ h1 [n]

u[n] = y[n] ∗ h2 [n]

realizando operaciones:
z[n] = x[n] + y[n] ∗ h2 [n]
reemplazando

y[n] = x[n] + y[n] ∗ h2 [n] ∗ h1 [n]

y[n] = x[n] ∗ h1 [n] + y[n] ∗ h2 [n] ∗ h1 [n]
de donde
y[n] − y[n] ∗ {h1 [n] ∗ h2 [n]} = x[n] ∗ h1 [n]

y[n] ∗ δ[n] − y[n] ∗ {h1 [n] ∗ h2 [n]} = x[n] ∗ h1 [n]
y[n] ∗ {δ[n] − h1 [n] ∗ h2 [n]} = x[n] ∗ h1 [n]
aplicando la inversa
y[n] ∗ {δ[n] − h1 [n] ∗ h2 [n]} ∗ {δ[n] − h1 [n] ∗ h2 [n]}−1 = x[n] ∗ h1 [n] ∗ {δ[n] − h1 [n] ∗ h2 [n]}−1
de donde
y[n] = x[n] ∗ h1 [n] ∗ (δ[n] − h1 [n] ∗ h2 [n])−1

finalmente
h[n] = h1 [n] ∗ (δ[n] − h1 [n] ∗ h2 [n])−1
Nota.- Es más práctico determinar la respuesta al impulso de cualquier sistema a partir de su

función de transferencia en el dominio de la transformada Z. Otras configuración resultan de
la combinación de las anteriores, por lo que la obtención de la respuesta al impulso total del
sistema depende de cada caso.
EJEMPLO 2.34.- Determinar la respuesta al impulso h1 [n] del siguiente sistema, si:
h2 [n] = {2, 3, 1} ; x[n] = µ[n] ; y[n] = {1, −1, 2, 4}
x[n] - h1 [n] - h2 [n] - y[n]
Solución: Conocemos que
h[n] = h1 [n] ∗ h2 [n] ; y[n] = x[n] ∗ h[n]
entonces
h[n] = y[n] ∗ x−1 [n] ; h1 [n] = h[n] ∗ h−1
2 [n]
reemplazando en la primera expresión se obtiene
y[n] ∗ x−1 [n] = h1 [n] ∗ h2 [n]

por lo que
h1 [n] = y[n] ∗ x−1 [n] ∗ h−1

2 [n]
es decir es necesario realizar doble deconvolución. ahora si
x[n] = µ[n] −→ x[n − 1] = µ[n − 1]
x[n] − x[n − 1] = δ[n]
de donde
x[n] ∗ (δ[n] − δ[n − 1]) = δ[n] =⇒ x−1 [n] = δ[n] − δ[n − 1]
entonces
y[n] ∗ x−1 [n] = y[n] ∗ (δ[n] − δ[n − 1]) = y[n] − y[n − 1]
ahora puesto que
y[n] = {1, −1, 2, 4} =⇒ y[n − 1] = {0, 1, −1, 2, 4}
y[n] − y[n − 1] = {1, −2, 3, 2, −4}
reemplazando
h1 [n] = y[n] ∗ x−1 [n] ∗ h−1 −1

2 [n] = {1, −2, 3, 2, −4} ∗ h2 [n]
o también
h1 [n] ∗ h2 [n] = {1, −2, 3, 2, −4} −→ h1 [n] ∗ {2, 3, 1} = {1, −2, 3, 2, −4}
realizamos la deconvolución mediante el procedimiento de división de polinomios, por lo que
1 − 2 x + 3 x2 + 2 x3 − 4 x4 1 7 31 2 63 3 63 4
h1 (x) = 2
= − x+ x − x + x + ······
2 + 3x + x 2 4 8 16 64
de donde finalmente
h1 [n] = 12 , − 74 , 31 63 63

8
, − ,
16 64
, · · · · · ·
2.11 Estabilidad
Sea x[n] y y[n] las señales de entrada y salida respectivamente de un sistema LIT, con
respuesta al impulso h[n]. Se dice que el sistema es estable, si para cada entrada acotada se
produce una salida acotada. Para probar esto, si

x[n] = M < ∞ ; ∀n
como el sistema es LIT la respuesta del sistema esta dado por y[n] = h[n] ∗ x[n], entonces:
∞
X
y[n] = h[k] x[n − k]
k=−∞

∞ ∞
X X
y[n] = h[k] x[n − k] ≤ h[k] x[n − k]

k=−∞ k=−∞
X∞

y[n] ≤ h[k] M
k=−∞
de donde
∞
X

y[n] ≤ M h[k]
k=−∞
ahora para que esta salida sea acotada se debe garantizar que la suma sea acotada o convergente,
es decir que sea absolutamente sumable (condición de estabilidad), es decir
∞
X
S= h[k] < ∞ −→ y[n] ≤ M S
k=−∞
a estos sistemas se denomina BIBO (Bounded In - Bounded Out = entrada acotada - salida
acotada). La interpretación de esto es que la respuesta al impulso decrece cuando n → ∞ por
consiguiente la salida tiende a cero cuando n tiende a infinito.
EJEMPLO 2.35.- Determinar el valor de la constante “a”para que el sistema sea estable.

x[n] + P
- - y[n]

6+ ?
T=1

a

Solución: Como se ha visto anteriormente la ecuación en diferencia del sistema es
y[n] = x[n] − a y[n − 1]
y su respuesta al impulso esta dado por
h[n] = (−1)n an µ[n]
ahora para que el sistema sea estable se debe cumplir

∞
X
S= |h[k]| < ∞
k=−∞
∞
X ∞
k k
X
S= (−1) a µ[k] =
ak
k=−∞ k=0
esta suma converge si se cumple que |a| < 1

∞
X 1
ak =
k=0
1−a
por lo que los valores que hacen posible la estabilidad del sistema son −1 < a < 1.
2.12 Respuesta en Frecuencia

Consideremos un sistema LTI con respuesta al impulso h[n], por lo que la salida esta dado
por y[n] = x[n] ∗ h[n], ahora si se desea analizar el comportamiento en frecuencia del sistema es
necesario introducir una señal senoidal, en este caso utilizamos una señal exponencial compleja
de la forma x[n] = ejωn , entonces
∞
X
y[n] = h[n] ∗ x[n] = h[k] ejω(n−k)
k=−∞
∞
X
y[n] = e jωn
h[k] e−jωk
k=−∞
si se hace que
∞
X
jω
H(e ) = h[k] e−jωk (2.19)
k=−∞
a esta expresión se denomina respuesta en frecuencia del sistema, por lo que la señal de salida
resulta un producto de la señal de entrada y la respuesta en frecuencia
y[n] = ejωn H(ejω ) (2.20)
ahora, puesto que en general la respuesta en frecuencia H(ejω ) es una función compleja entonces
se puede escribir en forma cartesiana y polar
H(ejω ) = HR (ejω ) + j HI (ejω ) (2.21)

H(ejω ) = H(ejω ) ejφ(ω) (2.22)
de donde los espectros de magnitud y fase son

q
H(ejω ) = H 2 (ejω ) + H 2 (ejω ) HI
R I ; φ(ω) = arg (2.23)
HR
EJEMPLO 2.36.- Analizar la señal de salida para:
a) Una entrada senoidal de la forma x[n] = A cos ω0 n
b) Si el modelo del sistema es y[n] = a y[n − 1] + x[n], graficar la respuesta en frecuencia.
c) Graficar la salida para a = 0,75 si x[n] = cos(0,125πn) µ[n] y x[n] = cos(0,5πn) µ[n].
Solución:
a) Si se hace que
A jω0 n
+ e−jω0 n

x[n] = A cos ω0 n = e
2
además las señales de salida para las entradas x1 [n] = ejω0 y x2 [n] = e−jω0 , son
y1 [n] = ejω0 n H(ejω0 ) ; y2 [n] = e−jω0 n H(e−jω0 )
A A
y puesto que el sistema es LIT, entonces para una entrada x[n] = 2
x1 [n] + 2
x2 [n], la
salida será
y[n] = A2 H(ejω0 ) ejω0 n + A2 H(e−jω0 ) e−jω0 n
la suma de ambas expresiones se pueden considerar como la suma de una función compleja
y su conjugada y puesto que f (z) + f ∗ (z) = 2 Re{f (z)}, entonces
y[n] = 2 Re A2 H(ejω0 ) ejω0 n

h jω
i
y[n] = A Re H(ejω0 ) ejω0 n+j arg{H(e 0 )}
h i
y[n] = A H(ejω0 ) cos ω0 n + arg{H(ejω0 )}
| {z } | {z }
Cambio de Amplitud Cambio de Fase
b) La respuesta al impulso de este sistema esta dado por

h[n] = an µ[n]
su respuesta en frecuencia es
∞ ∞ ∞
X X X k
H(ejω ) = h[k] e−jωk = ak e−jωk = a e−jω
k=−∞ k=0 k=0
de donde
1 1
H(ejω ) = −jω
=
1 − ae 1 − a cos ω + j a senω

H(ejω ) = √ 1
1 + a2 − 2a cos ω

jω a senω
arg[H(e )] = −arctg
1 − a cos ω
Los espectros de magnitud y fase muestran el comportamiento del sistema en el dominio

de la frecuencia, desde el punto de vista de filtrado se trata de un filtro pasabajos.
c) Si se hace que a = 0,75, se obtiene

H(ejω ) = √ 1 jω senω
; arg[H(e )] = −arctg
1,56 − 1,5 cos ω 1,33 − cos ω
este comportamiento de la magnitud en el dominio de la frecuencia expresa que

H(ejω ) > 1 0 < ω < 0,37π

H(ejω ) = 1 ω = 0,37π
jω

H(e ) < 1 0,37π < ω < π
jω
|H(e
6 )| φ(ω)
6
4,08
- ω
−π π
- ω
−π π
Figura 2.41: Espectros de magnitud y fase para a = 0,75
Ahora, de acuerdo al anterior inciso si la señal de entrada es x[n] = cos (0,125πn), se tiene
que
π 2π
ω0 = 0,125π = = =⇒ N = 16
8 16
de donde para ω0 = 0,125π

H(ej 0,125π ) = √ 1
= 2,39
1,56 − 1,5 cos 0,125π

j 0,125π sen0,125π
φ = arg[H(e )] = −arctg = − 0,755
1,33 − cos 0,125π
la fase respecto a la frecuencia es
arg[H(ejω0 )] −0,755
ni = = = −1,92 ≈ −2
ω0 0,125π
por lo que la salida es

y[n] = H(ejω0 ) cos(ω0 n + φ) −→ y[n] = 2,39 cos(0,125πn − 0,755)
y[n] = 2,39 cos 0,125π(n − 2) −→ y[n] = 2,39 cos π8 (n − 2)
6
y[n]
◦◦◦ ◦◦◦ ◦◦
◦ ◦ φ ◦ ◦ x[n] ◦
••• ◦ ◦
• • • ◦ R• •
@ ◦•••
• • @
• • • •
• ◦ • ◦ • ◦ • ◦ - n
•• • • •
•◦ • • • ◦
•• ••
◦• ◦
◦ ◦ ◦ ◦
◦◦◦ ◦◦◦
Figura 2.42: Señales de entrada y salida para a = 0,75 y ω0 = 0,125π
Ahora si se repite el proceso para la señal x[n] = cos 0,5πn, se obtiene

H(ej 0,5π ) = √ 1
= 0,8
1,56 − 1,5 cos 0,5π

j 0,5π sen0,5π
arg[H(e )] = −arctg = − 0,64
1,33 − cos 0,5π
−0,64
de donde φ = 0,5π
= −0,4 ≈ 0,5, por lo que
y[n] = 0,8 cos(0,5πn − 0,64) −→ y[n] = 0,8 cos 0,5π(n − 1/2)
que resulta una señal atenuada con desface n = 21 , tal como se esperaba de acuerdo al espectro
de frecuencia de amplitud y fase.
2.13 Ejemplos con MATLAB
2.14 Referencias Bibliográficas

[1] OPPENHEIM & SCHAFFER. Tratamiento de señales de tiempo discreto. Prentice Hall
2000.
[2] PROAKIS & MANOLAKIS. Procesamiento digital de señales. Prentice Hall 1999.
[3] LUDEMAN L. Fundamentals of digital signal processing. Jhon Wiley & Sons 1987.
[4] ANTONIOU A. Digital filters: analysis and design. MacGraw Hill 1979.
[5] LIFERMANN J. Les methodes rapides de transformation du signal. Masson 1979.
[6] OPPENHEIM & WILLSKY. Señales y sistemas. Prentice Hall 1982.
[7] GABEL & ROBERTS. Señales y sistemas lineales. Limusa 1975.
[8] PAPOULIS A. Sistemas analógicos y digitales, transformadas de Fourier y estimación

espectral. Marcombo 1980.
[9] AMBADAR G. Procesamiento de señales analógicas y digitales. Prentice Hall 2004.
[10] MARIÑO et. al. Procesamiento digital de señales. Alfa y Omega 2004.
2.15 Ejercicios
2.1. Sean las señales discretas x[n] = {1, 1, 1, 1, 1, 12 } y y[n] = {−2, − 32 , −1, − 21 , 0, 12 , 1, 32 , 2},
↑ ↑
obtener y graficas las siguientes secuencias:
a) x[4 − n]
b) x[n] µ[2 − n]
1 (−1)n
c) 2
x[n] + 2
y[n]
d) x[n + 1] · y[1 − 2n]
e) x[3n] − y[n2 ]
2.2. Dadas las señales discretas

( (
1
n≥0 1 + (−1)n+1 n≥0
x[n] = 2 ; y[n] =
0 n<0 −1 n<0
Determinar y graficar:
a) 2 x[n] − y[−n]
b) x[4 − 2n] · y[n]
y[1 − n]
c) ; x[−n] 6= 0
x[−n]
2.3. Determine el periodo de las siguientes señales:
a) x[n] = 4 cos(πn) + 3 sen(4n)

b) x[n] = 8 sen( π8 n) + 3 sen(4πn) − 6 sen( π5 n)
c) x[n] = cos( 14 n) · cos( π4 n)
d) x[n] = 2 cos( π4 n) + sen( π8 n) − 2 cos( π2 n + π6 )
2.4. a) Obtenga y grafique las partes par e impar de la señal x[n] = {0, −1, −2, −3, 2, 2, 2, 2}.
↑
b) Sean xP [n] y xI [n] las partes par e impar de x[n] respectivamente, probar que se
cumple:
∞
X ∞
X ∞
X
x2 [n] = x2P [n] + x2I [n]
n=−∞ n=−∞ n=−∞
2.5. Calcular la convolución y correlación de los siguientes pares de funciones. Comente los
resultados.
a) f [n] = {1, 2, 4} y g[n] = {1, 1, 1, 1, 1}

↑ ↑
b) f [n] = {0, 1, −2, 3, −4} y g[n] = { 21 , 1, 2, 1, 21 }

↑ ↑
c) f [n] = {1, 2, 3, 4} y g[n] = {4, 3, 2, 1}

↑ ↑
d) f [n] = {1, 2, 3, 4} y g[n] = {1, 2, 3, 4}

↑ ↑
2.6. Considere las tres operaciones siguientes
a) Multiplique 131 por 122.

b) Calcule la convolución de las señales: {1, 3, 1} ∗ {1, 2, 2}.
c) Multiplique los polinomios: (1 + 3x + x2 )(1 + 2x + 2x2 ).
d) Repita los incisos (a,b,c) para los numeros: 1.31 y 12.2.
e) Comente los resultados.
2.7. Calcular la convolución y la correlación entre los siguientes pares de funciones:
a) f [n] = an µ[n] g[n] = bn µ[n], donde a 6= b.

y
(
( 21 )n n ≥ 0
b) f [n] = µ[n] − µ[−n] y g[n] =
4n n<0
( (
( 31 )n 0 ≤ n ≤ 6 1 −2 ≤ n ≤ 2
c) f [n] = y g[n] =
0 otros 0 otros
d) f [n] = µ[n + 1] − µ[n − 4] − δ[n − 5] y g[n] = (µ[n + 2] − µ[n − 3]) · (3 − |n|)
e) .
f [n] g[n]
6 6
3•
2• •
1• • • ••• 1• •
• - n • • - n
2.8. Determine la autocorrelación de las siguientes señales.
a) x[n] = {1, 2, 1, 1}
↑
b) y[n] = {1, 1, 2, 1}
↑
¿Qué puede concluir?.
2.9. Demuestre que cualquier señal discreta x[n] puede expresarse como
∞
X
x[n] = (x[k] − x[k − 1]) · µ[n − k]
k=−∞
donde µ[n − k] es una función escalon retrasada k muestras.

2.10. Una señal de audio s(t) generada por un altavoz se refleja en dos paredes diferentes con
coeficientes de reflexión r1 y r2 . La señal x(t), grabada con n micrófono cercano al altavoz,
después del muestreo es
x[n] = s[n] + r1 s[n − k1 ] + r2 s[n − k2 ]
donde k1 y k2 son los retardos de los ecos.
a) Determine la autocorrelación rxx [n] de la señal x[n].

b) ¿Podemos obtener r1 , r2 , k1 y k2 a partir de rxx [n]?.
c) ¿Qué pasa si r2 = 0?.
2.11. Analizar la linealidad, invarianza en el tiempo, causalidad y estabilidad de los siguientes

sistemas:
a) y[n] = x[n] + 3µ[n + 1]

b) y[n] = x[n] · x[n − 1]
c) y[n] = cos(x[n])
n+2
k 2 x[k]
P
d) y[n] =
k=n
e) y[n] = 3 y 2 [n − 1] − n x[n] + 4 x[n − 1] − 2 x[n + 1]

f ) y[n] = ax[n] (a = ctte.)
g) y[n] = x[n2 ] − 2 x[n]
h) y[n] = cosh( n x[n] + x[n − 1] )
i) y[n] = x[n] · cos(ω0 n)
j) y[n] = x2 [n + 1] e−n sen(ω0 n)
k) y[n] = |x[n]|
l) y[n] = sgn(x[n])
 
x1 [n]
y1 [n] 3 4 2 
m) = x2 [n] 
y2 [n] 0 −n2 0
x3 [n]
2.12. Dos sistemas discretos T1 [·] y T2 [·] se conectan en serie para formar un nuevo sistema
T [·]. Demuestre si los siguientes enunciados son verdaderos y falsos.
a) Si T1 y T2 son lineales, entonces T es lineal.

b) Si T1 y T2 son invariantes en el tiempo, entonces T es invariante en el tiempo.
c) Si T1 y T2 son causales, entonces T es causal.
d) Si T1 y T2 son LIT, entonces T tambien lo es.
e) Si T1 y T2 son LIT, entonces si se intercambia su orden, el sistema global T no cambia.
f ) Si T1 y T2 son linelaes pero variables en el tiempo, entonces si se intercambia su orden,

el sistema global T no cambia.
g) Si T1 y T2 no son lineales, entonces T es no lineales.
h) Si T1 y T2 son estables, entonces T es estable.
i) Demuestre mediante un ejemplo que los incisos (c) y (h)no es cierto en general.
2.13. Para un sistema invariante en el tiempo se han observado las siguientes parejas de
entrada-salida
T
x1 [n] = {1, 0, 2} ←→ y1 [n] = {0, 1, 2}
↑ ↑
T
x2 [n] = {0, 0, 3} ←→ y2 [n] = {0, 1, 0, 2}
↑ ↑
T
x3 [n] = {0, 0, 0, 1} ←→ y3 [n] = {1, 2, 1}
↑ ↑
¿Puede extraer alguna conclusión acerca de la linealidad del sistema?. ¿Cual es la respues-
ta al impulso del sistema.
2.14. Para un sistema lineal se han observado las siguientes parejas de entrada-salida
T
x1 [n] = {−1, 2, 1} ←→ y1 [n] = {1, 2, −1, 0, 1}
↑ ↑
T
x2 [n] = {1, −1, −1} ←→ y2 [n] = {−1, 1, 1, 0, 2}
↑ ↑
T
x3 [n] = {0, 1, 1} ←→ y3 [n] = {1, 2, 1}
↑ ↑
¿Puede extraer alguna conclusión a cerca de la invarianza temporal del sistema?.
2.15. La única información disponible sobre un sistema consiste en N parejas de entrada-salida,

de señales yi [n] = T {xi [n]}, i = 1, 2, 3, ..., N .
a) Si se sabe que el sistema es lineal, usando la información dada. ¿Para qué clase de
señales de entrada es posible determinar la salida?.
b) ¿Y si se sabe que el sistema es invariable en el tiempo?.
2.16. Para cada uno de los tres sistemas siguientes se da una única relación entrada-salida:
a) Sistema A: x[n] = ( 13 )n , y[n] = 2( 13 )n

b) Sistema B: x[n] = ( 21 )n , y[n] = ( 41 )n
c) Sistema C: x[n] = ( 23 )n µ[n], y[n] = 4( 23 )n µ[n] − 3( 12 )n µ[n]
Basándose en esa información, selecciones dela siguiente lista de afirmaciones la conclusión

más fuerte que se pueda obtener sobre cada sistema:
i) El sistema posiblemente no puede ser LTI.

ii) El sistema debe ser LTI.
iii) El sistema puede ser LTI y solo hay un sistema LTI que satisface esta relación entrada-
salida.
iv) El sistema puede ser LTI pero no se puede determinar forma única a partir de la
información de esta restricción de entrada-salida.
2.17. Considere un sistema en tiempo discreto cuya entrada es x[n] y cuya salida es y[n],
definida por
T
x[n] = ( 14 )2 µ[n] ←→ x[n] = ( 21 )2 , ∀ n
Determine cuál de las siguientes afirmaciones es correcta:
El sistema debe ser LTI.

El sistema podrı́a ser LTI.
El sistema no puede ser LTI.
Si la respuesta es que el sistema es o podrı́a ser LTI, dé una posible respuesta al impulso.
Si la respuesta es que no puede ser LTI, explique claramente por qué no.
2.18. Sean 3 sistemas S1 , S2 y S3 conectados en cascada:
x[n] - S1 - S2 - S3 - y[n]
a) Obtener la relación entrada - salida del sistemas completo.

b) Es lineal, invariante en el tiempo y causal el sistema completo.
Analizar para
(
x[ n2 ] n = par
S1 : y[n] =
i) 0 impar.
S2 : y[n] = x[n] + 2 x[n − 1] + 14 x[n − 2]
1
S3 : y[n] = x[2n]
S1 : y[n] = x[−n]
ii) S2 : y[n] = a x[n − 1] + b x[n] + c x[n + 1]
S3 : y[n] = x[−n]
2.19. Sea un sistema lineal, con entrada x[n] y salida y[n]
a) Si presenta respuestas y1 [n], y2 [n] y y3 [n] a entradas x1 [n], x2 [n] y x3 [n] respectiva-
mente, cual es la salida y[n] para una entrada x[n].
b) Si presenta respuestas y1 [n] a x1 [n], cuales serı́an sus respuestas a x2 [n] y x3 [n].
x1 [n] y1 [n]
6 6
1• • • •1
- n • - n
x2 [n] y2 [n]
6 6
•2
1• • 1• •1
- n - n
• -1
x3 [n] y3 [n]
6 6
1• 1• • •
- n - n
-1 • • •
6x[n]
2•
1
•
- n
• -2
2.20. Sea dos funciones caracterı́sticas correspondientes a cada sistema
h1 [n] = sen8n y h2 [n] = an µ[n] ; |a| < 1)
Hallar y[n] para una señal de entrada x[n] = δ[n] − a δ[n − 1], si:
x[n] - h1 [n] - h2 [n] - y[n]
2.21. Dado el siguiente sistema:
a) Expresar la respuesta total al impulso h[n] en términos generales.

- h2 [n]
x[n]
+ y[n]
P? + P
- h1 [n] - - -

− +
6 6
- h3 [n] - h4 [n]
- h5 [n]
b) Hallar h[n] si h1 [n] = 4 ( 21 )n (µ[n] − µ[n − 3]), h2 [n] = h3 [n] = (n + 1) µ[n], h4 [n] =
δ[n − 1] y h5 [n] = δ[n] − 4 δ[n − 3].
c) Obtener y[n] si:
6x[n]
•2
1
•
• • - n
-1 • • •
2.22. Sea la conexión en cascada de 3 sistemas causales, donde h2 [n] = µ[n] − µ[n − 2]. Si la
respuesta total al impulso es h[n] = {1, 5, 10, 11, 8, 4, 1}.
x[n] - h1 [n] - h2 [n] - h2 [n] - y[n]
a) Obtener h1 [n].
b) Hallar la salida y[n] para x[n] = δ[n] − δ[n − 1].
2.23. Se define una secuencia x[n] = 0 para n < −2 y n > 10, de la forma
x[n] = {0, √12 , 1, √12 , 0, − √12 , −1, − √12 , 0, √12 , 1, √12 , 0}

↑
Si y[n] es la salida de un SLIT con resspuesta al impulso h[n] para la entrada x[n] especi-
ficada:
a) Calcular y graficar y[n] para h[n] = 31 δ[n] + 12 δ[n − 1] + 13 δ[n − 2].

b) Calcular y graficar y[n] para h[n] = − 13 δ[n] + 21 δ[n − 1] − 13 δ[n − 2].
c) Explique las diferencias entre las soluciones de los incisos (a) y (b).
2.24. Sea x[n] la señal de entrada de un filtro discreto de respuesta impulsional hi [n] y sea
yi [n] la salida correspondiente.
a) Calcule y dibuje x[n] e yi [n] en los siguientes casos, utilice la misma escala en todas
las figuras.
x[n] = {1, 4, 2, 3, 5, 3, 3, 4, 5, 7, 6, 9}
h1 [n] = {1, 1} ; h2 [n] = {1, 2, 1}
1 1
h3 [n] = { 2 , 2 } ; h4 [n] = { 14 , 12 , 14 }
h5 [n] = { 41 , − 12 , 14 }
Dibuje x[n], y1 [n], y2 [n] en una gráfica y x[n], y3 [n], y4 [n], y5 [n] en otra gráfica.
b) ¿Cuál es la diferencia entre y1 [n] y y2 [n], y entre y3 [n] y y4 [n]?.
c) Comente la suavidad de y2 [n] y y4 [n]. ¿Qué factores afectan la suavidad?.
d) Compare y4 [n] con y5 [n]. ¿Cuál es la diferencia?, ¿Puede explicarla?.
e) Sea h6 [n] = { 21 , − 21 }. calcule y6 [n]. Dibuje x[n], y2 [n] y y6 [n] en la misma figura y
comente los resultados.
2.25. Al transmitir una señal digital x[n], el transmisor introduce una interferencia deter-
minı́stica de la forma an x[n − 1]. Es decir que el receptor recibe una secuencia:
x[0] , x[1] + ax[0] , x[2] + a2 x[1] , . . . . . . , x[n] + an x[n − 1]
en lugar de
x[0] , x[1] , x[2] , . . . . . . , x[n]
Diseñar una secuencia h[n] para que la convolución de h[n] con la secuencia recibida sea
la señal original.
2.26. Considere el sistema mostrado en la siguiente figura (con retardo T = 1)
a) Determine su repuesta al impulso h[n].

b) Demuestre que h[n] es igual a la convolución de las señales
h1 [n] = δ[n] + δ[n − 1] ; h2 [n] = ( 21 )n µ[n]
+ +
x[n] - T -
P -
P - y[n]

+ 6 +
6 ?
T

1

2
2.27. Dado el siguiente sistema (con retardo T = 1):
a) Hallar la respuesta al impulso.

b) Resolver para x[n] = ( 21 )2 µ[n].
+
x[n] -
P - y[n]
+
- 6@
I
@ 4

3

T T
2.28. Demuestre que la salida de un sistema LTI se puede expresar en términos de su repuesta
al escalón unidad s[n] de la siguiente manera
∞
X
y[n] = (s[k] − s[k − 1]) · x[n − k]
k=−∞
∞
X
y[n] = (x[k] − x[k − 1]) · s[n − k]
k=−∞
2.29. Determine la respuesta a la entrada cero del ssitema descrito mediante la ecuación en
diferencias de segundo orden
y[n] − 3 y[n − 1] − 4 y[n − 2] = 0
2.30. Detremine la solución particular de la ecuación en diferencias
y[n] = 65 y[n − 1] − 61 y[n − 2] + x[n]
cuando la señal de entrada es x[n] = 4n µ[n].
2.31. determine la respuesta impulsional y la respuesta al escalón unitario de los sistemas

descritos por las siguentes ecuaciones en diferencias
a) y[n] = 0,6 y[n − 1] − 0,08 y[n − 2] + x[n]

b) y[n] = 0,7 y[n − 1] − 0,1 y[n − 1] + 2 x[n] − x[n − 2]
2.32. Calcule la respuesta de estado cero del sistema descrito por la ecuación en diferencias
y[n] + 21 y[n − 1] = x[n] + 2 x[n − 2]
a la entrada x[n] = {1, 2, 3, 4, 2, 1}, resolviendo la ecuación en diferencias de modo recur-

↑
sivo.
2.33. Considere el sistema descrito mediante la ecuación en diferencias

y[n] = a y[n − 1] + b x[n]
∞
P
a) Determine b en función de a de manera que h[n] = 1.
n=−∞
b) Calcule la respuesta de estado cero al escalón unidad s[n] del sistema y elija b de
manera que s[∞] = 1.
c) Compare los valores de b obtenidos en los apartados (a) y (b). ¿Qué observa?.
∞
x[n − k] e−ak , siendo x[n] la
P
2.34. La salida de un sistema de tiempo discreto es y1 [n] =
k=0
entrada al sistema. Se desea diseñar otro sistema como se muestra en la figura, de tal
forma que su salida y2 [n] sea idéntica a y1 [n]. ¿Se puede elegir las ganancias a y b para
que ocurra dicha igualdad?. Explicar.

x[n] -
P - a - T - y[n]
+
-
6

b

2.35. Sea el siguiente sistema:

a) Hallar la respuesta al impulso.
b) Obtener y[n] para x[n] = µ[n], si y[0] = 1 y y[−1] = 2.

5
x[n]
+
?
?+
- y[n]
P P
- T - - 6 - T

- +
6
2.36. Para que valores del parámetro ”K”, es estable el sistema.

2.37. Iván Evileye es un matemático que se ha dedicado al juego para ganarse la vida. Iván
escribe la primera parte de una secuencia de numeros x1 , x2 , x3 , . . . , xk , . . . de tal manera
que cada término de la secuencia (despues de x2 ) es mayor que el promedio de los dos
términos anteriores en una constante m. Él se hace entonces la siguiente proposición:
dividir en partes iguales la cantidad de dinero formada por su depósito de m dólares más
el depósito de (xk+1 −xk ) dólares de Iván, en donde k es un subı́ndice que → ∞. Aceptarı́a
usted la proposición de Iván?.
+ +
x[n] -
P - T -
P - y[n]

+
6 +
6
T

K

2.38. Sobre un plano se lanzan n barras rectas de logitud infinita. Cuántas regiones separadas
pueden definir estas n barras, si se supone que en nı́ngun punto pueden cruzarse más de
2 barras.
2.39. Considere un sistema LTI cuya respuesta en frecuencia es
1 − e−j2ω
H(ω) = ; −π ≤ ω ≤ π
1 + 12 e−j4ω
Determine la salida y[n] para todo n, si la entrada x[n] = sen( π4 n) para todo n.
2.40. Suponga que se tiene el siguiente sistema compuesto por un conversor A/D, h[n] y D/A:
x[n] y[n]
x(t) - A/D - h[n] = ( 12 )2 µ[n] - D/A - y(t)
fM = 100Hz fM = 100Hz
a) Cual es la frecuencia digital de x[n] si x(t) = 3 cos(20πt).

b) Encontrar la respuesta de estado estable yss (t), para la entrada x(t) del inciso (a).
c) Encontrar la respuesta de estado estable yss (t), para la entrada x(t) = 3µ(t).
d) Encuentre otras dos señales x(t), de frecuencia analógica diferente que pueda propor-
cionar la misma salida de estado estable yss (t) de los anteriores incisos.

Indice General

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Indice General

Cargado por

Copyright:

Formatos disponibles

Índice general

2 SEÑALES Y SISTEMAS DE TIEMPO DISCRETO 33

2.1.1 Señales Importantes en el Análisis de Sistemas Lineales . . . . . . . . . . 36

2.10.1 Estructura Directa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

3 TRANSFORMADA DISCRETA DE FOURIER 159

3.13 CEPSTRUM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213

4 TRANSFORMADA ZETA 217

5 FILTROS DIGITALES 251

5.4 Realización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272

Comprender los diferentes tipos de señal existentes y sus principales caracterı́sticas.

Comprender los fundamentos básicos para tratamiento de señales analógicas mediante la

Comprender el proceso de digitalización basado en el teorema de muestreo y las condi-

1.1 Introducción. 1.6 Implementación de sistemas de tiempo

Se entiende por procesamiento de señal, a cualquier proceso de transformación (o

Figura 1.2: Modelo general de un sistema

1.2 Señales Analógicas

x∈R −→ y∈R: y = y(x)

Figura 1.3: Variación de la temperatura del medio ambiente durante un dı́a

TIPO DE SEÑAL SEÑAL RANGO DE FRECUENCIA

Cuadro 1.1: Rangos de frecuencia de señales analógicas

Figura 1.4: Modelo de sistema con ruido ambiental

1.3 Señales Discretas

El tratamiento de estas señales involucra operaciones básicamente aritméticas y algebraicas, sus

La media de vehı́culos que pasan entre las 11:00 a 14:00 es:

1.4 Señales Digitales

Cuadro 1.2: Codigo binario de 3 digitos para 8 valores

1.5 Procesamiento de Señales Analógicas Mediante

Procesamiento discreto - digital

x(t) Sensores y x[n]

La primera fase es la obtención ó captación de la señal, se lo realiza con dispositivos

La segunda fase consiste en el acondicionamiento de la señal, una vez que el sensor

Si el sistema requiere de respuesta, es necesario una cuarta fase que es la de convertir

Los argumentos expuestos a cerca de la comparación entre sistemas discretos - digitales

1.5.1 Proceso de Digitalización

CARACTERÍSTICA SISTEMA SISTEMA

Cuadro 1.3: Comparación entre sistemas analógicos y digitales.

de este proceso (figura 1.9) y en el apéndice C se explica las condiciones de la implementación

Figura 1.9: Proceso de digitalización

Teorema de Shannon - Nyquist

Ahora sea un tren de impulsos y su espectro de la forma

La figura 1.13 muestra la señal muestreada y su espectro, en la versión del espectro de

6 ΩM − Ωmax > Ωmax

Figura 1.14: Filtro ideal en los dominios del tiempo y frecuencia

El resultado (1.1) de la función fA (t) y la figura 1.15 muestra la reconstrucción de la señal

En conclusión, para evitar traslape frecuencial de manera de lograr reconstruir la señal

si se cumple que cos ω0 N = 1 y sen ω0 N = 0, entonces

x[n + N ] = A sen ω0 n = x[n]

esto ocurre cuando ω0 N = 2πk, con k = 1, 2, 3, ....., es decir

b) Cuantificación: La cuantificación es la operación con la cual se convierte el valor obtenido

Figura 1.17: Señal muestreada y cuantificada

Sin embargo pese a la supuesta ventaja de cuantificar con un número mayor de

El protocolo muestra que se tiene un 1 bit de inicio, de 5 a 8 bits de datos, un

Figura 1.18: Procolo serial ası́ncrono.

En el proceso de cuantificación uniforme como se observa en la figura 1.17 se produce

donde E{} es el operador esperanza matemática. La varianza será

El valor eficaz del ruido es la raiz cuadrada de la suma de la media al cuadrado y la

SEÑAL VALOR CUAD MED S/N[dB]

ii) La cuantificación no uniforme o no lineal, introduce un nuevo proceso denominado

x(t) - - COD - DECOD - - y(t)

Compresión Codificador Decodificador Descompresión

Figura 1.19: Compresión y descompresión de una señal.

La cuantificación uniforme no es siempre la mejor opción, basta observar por ejemplo,

Existe dos técnicas de compresión denominadas ley A y ley µ. La ley A aproximada