Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
i
ÍNDICE GENERAL ÍNDICE GENERAL
ii
ÍNDICE GENERAL ÍNDICE GENERAL
iii
ÍNDICE GENERAL ÍNDICE GENERAL
iv
ÍNDICE GENERAL ÍNDICE GENERAL
v
ÍNDICE GENERAL ÍNDICE GENERAL
vi
1
PROCESAMIENTO DE
SEÑALES
Objetivos
Contenido
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
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
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.
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
4 1.PROCESAMIENTO DE SEÑALES
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
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.
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) -
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.
6 1.PROCESAMIENTO DE SEÑALES
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
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
57 + 67 + 70
X= = 64,7[V eh]
3
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 7
NUMERO CODIGO
0 000
1 001
2 010
3 011
4 100
5 101
6 110
7 111
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
8 1.PROCESAMIENTO DE SEÑALES
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.
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
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 9
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.
x(nT ) xq [n]
x(t) - MUESTREO - CUANTIFICACIÓN - CODIFICACIÓN - X
x[n]
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.
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 11
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.
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.
12 1.PROCESAMIENTO DE SEÑALES
f (t) F (Ω)
6 ⇐⇒ 6
- t - Ω
−Ωmax Ωmax
Figura 1.11: Señal f (t) y su espectro de frecuencia F (Ω)
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=−∞
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
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 )
14 1.PROCESAMIENTO DE SEÑALES
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
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
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 )
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
Bit de
Estado inactivo paridad Estado inactivo
5 a 8 bits de datos
-
1 ?
?
?
P
0
Bit de
inicio
Bit de Stop
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
18 1.PROCESAMIENTO DE SEÑALES
∞ 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
−∞
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.
fC (nT )
6
•
111
•
110
•
101
•
100
•
011
•
010
•
001
•
000 f (nT )
-
x(t) y(t)
6 6
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)
- - - -
ii) La función de muestreo es una suma de impulsos δ(t − nT ), que tiene amplitud infinita y
ancho cero.
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.
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 23
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
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.
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.
x(t) - -
y(t) TAD
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:
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.
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 incorporado un sistema de cálculo aritmético basado en varias ALU’s que conjun-
tamente tienen la facilidad de realizar cálculos en punto flotante.
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.
26 1.PROCESAMIENTO DE SEÑALES
Bus de Control
? ? ?
- Salida
RAM ROM E/S Entrada
CPU 6 6 6 6 6
? ? ? - Bus de Datos
RELOJ - - Bus de Direcciones
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
[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.
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.
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.
30 1.PROCESAMIENTO DE SEÑALES
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)
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.
1.8. Una señal analógica x(t) = sen(400πt) + 3 sen(720πt), se muestrea 600 veces por segundo.
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.
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 ?.
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 31
∞
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
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?.
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.
1.18. 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.
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:
Objetivos
Estudiar las caracterı́sticas de las señales de tiempo discreto ası́como sus operaciones.
Contenido
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]}
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 35
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.
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
• • • • • • • •
(
1 n=0
Impulso unitario: (Delta de Dirac discreto): δ[n] =
6 0
0 n=
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 37
(
n n≥0
Rampa lineal: r[n] =
0 n<0
Exponencial: y[n] = an ∀n ∈ Z y a ∈ R.
• •
(a > 1) • • (0 < a < 1)
• •
•• ••
•• ••
• •• ••
•••
••
- n - n
• •
(a < −1) (−1 < a < 0)
• •
• •
• •
• • • •
- n - n
• • • •
• •
• •
• •
• •
Figura 2.5: Señales Exponenciales
38 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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=−∞
∞
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
a) f [n] = µ[n]
b) f [n] = ea|n|
Solución:
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.
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 39
de donde
f [n] = {1, 2, 3, 4, 5, 6, 7} −→ f [2n] = {1, 3, 5, 7}
↑ ↑
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
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 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
f ) Desplazamiento o retardo: f [n − k] ; k ∈ Z.
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
6f [n] 6f [n − 3]N
N -
N -
• • • • • • •
• • • • • • •
• • • • • • •
• • • • • •
• • • - n • • • • - n
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
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=−∞
−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
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 45
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
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
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:
46 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
a) g[1 − n] − 2f [n]
b) f [n + 1] · g[1 − 2n]
g[n]
c)
1 − f [n]
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 47
a) .
2f [n] g[n]
6 6
2 ••
2 • 1 •
•
1 • - n
• • -1
- n • -2
b) Sea:
f [n + 1] f [n + 1] · g[1 − 2n]
6 6
2 • • 2• •
•
- n • • - n
• • •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=−∞
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 49
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=−∞
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
f [n] g[n]
N1 - N2 -
••••••••• ••••••••
- n - n
a A b B
f [n] ∗ g[n]
N = N1 + N2 − 1 -
• • • • • • • •
• • • • • • • • •
- n
n0 n1
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.
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 51
b) Asociatividad: f [n] ∗ g[n] ∗ h[n] = (f [n] ∗ g[n]) ∗ h[n] = f [n] ∗ (g[n] ∗ h[n])
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}
Solución:
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
52 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
b) En este caso las secuencias son de longitud finita, para lo cual se tiene los siguientes métodos:
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
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 53
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
La secuencia solución es f [n] ∗ g[n] = {2, 4, 12, 20, 22, 24, 12}
↑
f [n] g[n]
6 6
• •4
• •3
2• •
1• •
- n - n
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
54 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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=−∞
1
X
n = −1 : f [n] ∗ g[n] = f [k] g[−1 − k] = 1 · 4 + 1 · 2 + 3 · 2 = 12
k=−1
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
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
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
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
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):
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:
si se hace que f [n] sea la señal de entrada y g[n] es la respuesta al impulso, entonces
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}.
↑
∞
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
58 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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
↑
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]
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 59
f1 [n] = {1, 1, 1}
f2 [n] = {2, 2, 2}
f3 [n] = {3, 3, 3}
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
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 61
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
62 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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
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:
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.
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 63
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
Rectangular: Y = T x(nT ) ; t0 = nT − T , t1 = nT
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
x(t) = x(nT )
6
x(nT )
x(T )
x(0)+x(T )
2 -
x(0)
- t
T 2T ······ nT − T nT
A2 = T2 x(T ) + x(2T )
.........................................
.........................................
An−1 = T2 x(nT − 2T ) + x(nT − T )
An = T2 x(nT − T ) + x(nT )
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
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.
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 65
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
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
66 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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
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
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
f (t) ∗ g(t)
6
25
25 − (t − 10)2
t2
- t
5 10 15
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 [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]
f [n] ∗ g[n] = {0, 2, 6, 12, 20, 30, 30, 30, 30, 30, 30, 30, 28, 24, 18, 10}
↑
68 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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}
↑
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
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.
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 ,
70 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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, . . . . . .}
↑
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
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 71
De donde la secuencia solución es: f [n] ~ g[n] = {54, 42, 10, 28, 46}.
5
f [n] g[n]
•8
6 6 6
5 •
• 4
3 •
• 2
•
1•
•• - n • - n
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 :
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:
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 73
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
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
74 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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
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
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 75
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
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
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 77
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
........................................................................
........................................................................
n
X
z[n] = f [n] ∗ g[n] = f [k]g[n − k] ; longitud 2N − 1
k=0
78 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
es decir que esta convolución existe entre los valores n = 0 hasta n = 2N − 2, desarrollando
entonces
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
g[n]
de donde sumando las diagonales
f [n] ∗ g[n] = {0, 2, 10, 28, 46, 54, 40, 0, 0}
80 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
ahora para obtener la convolución circular se conoce que z5 [n] = z[n] + z[n + 5], para n = 0
hasta n = 4, entonces
lo que resulta:
f [n] ~ g[n] = {54, 42, 10, 28, 46, }
5
- - -
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
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 81
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
• • • •- • • • •- -
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.
82 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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
EJEMPLO 2.12.- Dadas las secuencias f [n] y z[n], obtener g[n], para:
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]
n = 5; g[5] = −1291
n = 6; g[6] = 4341
....................
....................
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
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.
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 87
∞
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
88 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
o también
A
X
rf g [n] = f [k] g[k − n]
k=n+b
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 .
a) f [n] = a−n µ[n] y g[n] = b−n µ[n]; si |a| > 1 y |b| > 1.
Solución:
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
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
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
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 91
∞ ∞
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
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
92 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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
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]
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
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
94 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
EJEMPLO 2.14.- Obtener la secuencia de correlación para las funciones {fn } = {1, 2, 3, 2} y
↑
{gn } = {1, 3, 2, 1}.
↑
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
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
96 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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
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
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=−∞
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 97
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
f [n] = {0, 1, 2, 3, 4, 0, 1, 2, 3, 4, 0, 1, 2, 3, 4}
η[n] = {1, 1, 0, 2, 2, 2, 2, 2, 0, 1, 0, 2, 1, 2, 1}
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}
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.
98 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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
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
de la definición
N
X −1
rf g [n] = f [k] · g[k − n]N
k=0
100 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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
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 .
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 101
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}
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
102 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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
El análisis de sistemas de tiempo discreto, puede involucrar por lo menos las siguientes fases:
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]
-
SUMADOR: X -
P - Y =X +U
6
U
MULTIPLICADOR: X ×
-
-
Y =X ·U
6
U
MULTIPLICADOR X - a - Y =a·X
POR CONSTANTE
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 105
+ +
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.
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 •
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.
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:
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
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 107
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
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:
x[n] −→ y[n]
entonces
x[n − n0 ] −→ y[n − n0 ]
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.
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 109
y[n]
x[n] −→ Sistema −→ Sist. Inverso −→ z[n] = x[n]
110 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
n
P
EJEMPLO 2.23.- Analizar si el sistema y[n] = x[k], es inversible.
k=−∞
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:
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:
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.
por analogı́a, la solución general tiene dos componentes: la solución homogénea y la solución
particular, de la forma
yg [n] = yh [n] + yp [n]
entonces
D0 {y[n]} = y[n]
D1 {y[n]} = y[n − 1]
....................
Dk {y[n]} = y[n − k]
....................
DN {y[n]} = y[n − N ]
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
reemplazando en la ecuación
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
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 113
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
Por otra parte, es necesario considerar el comportamiento de las raices del polinomio
P (r) = a0 + a1 r + a2 r2 + · · · · · · + aN rN
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
(4 − D2 ) {y[n]} = 0 −→ L(D) = 4 − D2
(4 + 4 D + D2 ) {y[n]} = 0 −→ L(D) = 4 + 4 D + D2
iii) Raices Complejas: Cuando las raices del polinomio P (r) son complejas entonces
r = x + jy = ρ ejϕ , de donde
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
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
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 115
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:
x[n] = a
x[n − 1] = a
x[n] − x[n − 1] = 0
(1 − D) {x[n]} = 0
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
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
116 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
(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
(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
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
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
x[n] = np cos ϕn an
x[n] = np cos ϕn an
↓ ↓ ↓
p+1 2 −1
(1 − D) (1 − 2 cos ϕ D + D ) (a − D)
←− ←−
(1 + 7D + 12D2 ) {y[n]} = 2n − 1
( 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
yP [n] = C3 + C4 n ; yP [n − 1] = C3 + C4 (n − 1) ; yP [n − 2] = C3 + C4 (n − 2)
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 .
120 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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 }
Sol. Homogénea Sol. Particular
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
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
de aqui
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
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
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
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 123
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
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
124 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
en la primera expresión
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] = 2n (−1)n+1 − 3
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).
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
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]
evaluando
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
128 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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)
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:
es decir h[n] es la respuesta homogénea de la ecuación en diferencia, con las condiciones iniciales
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
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
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] h[n]
• •
6 6
(a > 1) (a < −1)
• • ······
1•
• ······ - n
•
1• • •
- n •
130 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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
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
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
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
132 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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
a) Determinar la salida y[n] mediante su respuesta al impulso de un SLIT cuyo modelo del
sistema esta dado por
Solución:
(6 − 5D + D2 ){h[n]} = 0 −→ P (r) = 6 − 5r + r2
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
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 ?
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]
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]
y1
- h1 [n]
+
?
x[n] -
P - y[n] x[n] - h[n] - y[n]
+
6
- h2 [n] y2 h[n] = h1 [n] + h2 [n]
1 + a1 D + a2 D2 {y[n]} = b0 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
+
-
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.
de donde
h[n] = h1 [n] ∗ h2 [n]
z[n]
x[n] - h1 [n] - h2 [n] - y[n] x[n] - h[n] - y[n]
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]
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 139
( 1 + α1 D) ( 1 + α2 D) {y[n]} = b0 x[n]
por lo que
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
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
de donde
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
entonces
h[n] = y[n] ∗ x−1 [n] ; h1 [n] = h[n] ∗ h−1
2 [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=−∞
142 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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
∞
X ∞
k k
X
S= (−1) a µ[k] =
ak
k=−∞ k=0
por lo que los valores que hacen posible la estabilidad del sistema son −1 < a < 1.
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 143
∞
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
ahora, puesto que en general la respuesta en frecuencia H(ejω ) es una función compleja entonces
se puede escribir en forma cartesiana y polar
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
144 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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
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
jω
|H(e
6 )| φ(ω)
6
4,08
- ω
−π π
- ω
−π π
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
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
que resulta una señal atenuada con desface n = 21 , tal como se esperaba de acuerdo al espectro
de frecuencia de amplitud y fase.
[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.
[10] MARIÑO et. al. Procesamiento digital de señales. Alfa y Omega 2004.
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 147
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 ]
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:
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.
3•
2• •
1• • • ••• 1• •
• - n • • - n
a) x[n] = {1, 2, 1, 1}
↑
b) y[n] = {1, 1, 2, 1}
↑
2.9. Demuestre que cualquier señal discreta x[n] puede expresarse como
∞
X
x[n] = (x[k] − x[k − 1]) · µ[n − k]
k=−∞
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
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.
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}
↑ ↑
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:
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:
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.
x[n] - S1 - S2 - S3 - y[n]
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]
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].
152 2. SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
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
Hallar y[n] para una señal de entrada x[n] = δ[n] − a δ[n − 1], si:
- 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}.
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
Si y[n] es la salida de un SLIT con resspuesta al impulso h[n] para la entrada x[n] especi-
ficada:
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:
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.
+ +
x[n] - T -
P -
P - y[n]
+ 6 +
6 ?
T
1
2
PROCESAMIENTO DE SEÑALES DE TIEMPO DISCRETO - Edwin Callejas Pinto 155
+
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
2.32. Calcule la respuesta de estado cero del sistema descrito por la ecuación en diferencias
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
+ +
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.
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