Señales Sistemas Discretos

PROCESAMIENTO DIGITAL DE SEÑALES 1
SEÑALES Y SISTEMAS DE TIEMPO DISCRETO
2. INTRODUCCIÓN
Una señal contiene información acerca del estado o comportamiento de un
sistema físico.
La señal, puede ser representada como funciones de una o más variables
independientes. Ejemplo : voz, imagen fotográfica, señal sísmica. La variable
puede ser continua o discreta.
Un sistema en tiempo continuo, las señales de entrada y salida están
representadas en tiempo continuo.
Un sistema en tiempo discreto, las señales de entrada y salida están
representadas en tiempo discreto. Un sistema digital, las señales de entrada y
salida son digitales. En el Procesamiento Digital de Señales, las señales son
discretas tanto en amplitud como en el tiempo y puede realizarse tanto en
software como en hardware, usando en este ultimo caso técnicas VLSI.
La señales discretas pueden ser obtenidas de maneras diferentes:
a. Por muestreo de una señal continua.
b. Generados por algún proceso discreto.
c. Modelo matemático.
2.1 SEÑALES EN TIEMPO DISCRETO : SECUENCIAS

Las señales a tiempo discreto, son representadas como una secuencia de
números.
Una secuencia de números x, en la cuál el número n en la secuencia x[n], es
escrita como:
x = {x[n]}, - ∞ < n < ∞,

donde n, es un entero. En la práctica, las secuencias pueden a menudo ser
obtenidas por un muestreo periódico de una señal análoga. En este caso, el
valor numérico del número n, en la secuencia es igual al valor de la señal análoga
xa (t ) , al tiempo nT; es decir
x[n] = xa (nT ), -∞ < n < ∞
Profesor Jorge Alberto Del Carpio Salinas, Dr. Ing. .

nT : tiempo de la secuencia
T : periodo de muestreo
1/T : frecuencia de muestreo
x[n] : muestra n. Es indefinida para valores no enteros de n.
Las señales discretas, x[n], es decir, las secuencias, son a menudo

representadas gráficamente, tal como se muestra en la figura 2.2.
Figura 2.1, Representación gráfica de una señal a tiempo discreto
Ejemplo 2.1
En la figura 2.2, se muestra una secuencia, de una señal sinusoidal.
Figura 2.2, secuencia de una señal sinusoidal

Ejemplo 2.2
En la figura 2.3, se muestra una secuencia, de una señal exponencial real.
Ejemplo 2.3
En la figura 2.4, se muestra una secuencia obtenida por el muestreo de una
señal análoga.
Figura 2.3, Secuencia de una señal exponencial real
Figura 2.4, Segmento de una señal de palabra continua (b) Secuencia de

muestras con T = 125 microsegundos

2.2.1 Secuencias Básicas y Operaciones con Secuencias

a. Producto de dos secuencias
x[n].y[n]
b. Suma de dos secuencias
x[n] + y[n]
c. Multiplicación por un número
α x[n]
d. Retardo de una secuencia
Una secuencia y[n], esta retrazada con respecto a x[n] si:
y[n] = x[n-no]
no : es un entero
e. Secuencia de una Muestra Unitaria

•
 n≠0
δ [n] = 0,
1, n=0
• Por ejemplo, una secuencia p[n] puede ser expresada como
p[n] = a δ [n + 3] + a δ [n −1] + a δ [n − 2] + a δ [n − 7]
−3 1 2 7
• En general alguna secuencia puede ser expresada como
∞
x[n] = ∑ x[k ]δ [n − k ]
k =−∞

f. Secuencia de Paso Unitario
1, n≥0
u[n] = 
0, n<0
• En función del impulso

∞
u[n] = ∑δ [n − k ]
k =0
• La respuesta impulso en función del paso unitario se puede expresar como
δ [n] = u[n] − u[n −1]

g. Secuencia Exponencial
• La forma general para una secuencia exponencial es
x[n] = Aα n
Si A y α son números reales, entonces la secuencia es real.
Si 0 < α < 1 y A es positiva, entonces los valores de la secuencia son positivos
y decrece con el incremento de n.
Para − 1 < α < 0 , los valores de la secuencia decrecen en magnitud con el
incremento de n.
Si | α |> 1 , la secuencia crece en magnitud cuando n incrementa.
h. Secuencia Sinusoidal
• La forma general
x[n] = Acos(w n + Φ) para cualquier n

0
En el caso de tiempo discreto, una secuencia periódica esta dada por
x[n] = x[n+N], para todo n

donde N, es necesariamente un entero. Si esta condición para la periodicidad,

es probada para una onda sinusoidal en tiempo discreto, entonces
A cos(w n + Φ) = A cos(w n + w N + Φ)
0 0 0
el cuál requiere que
w N = 2πk
0
donde k, es un entero. En la figura 2.5, se muestra una onda sinusoidal en
tiempo discreto, para dos valores de w
0
Figura 2.5, La señal cos w n , para dos valores de w

0 0
2.2 SISTEMAS EN TIEMPO DISCRETO

Un sistema discreto, es definido matemáticamente como una transformación
y[n] = T{x[n]}

y está indicado en la figura 2.6.
Figura 2.6 Representación de un sistema a tiempo discreto
Ejemplo 2.4
• Sistema de retardo ideal
y[n] = x[n − n ], -∞ < n < ∞

d
Ejemplo 2.5
• Movimiento promedio
M
1 2
y[n] = ∑ x[n − k ]
M + M +1 k = −M
1 2 1
2.2.1 Sistemas sin Memoria
Un sistema, es denominado sin memoria, si la salida y[n], a cada valor de n
depende, solo si en la entrada, x[n] tiene el mismo valor n.
Ejemplo 2.6
y[n] = (x[n])2
2.2.2 Sistemas Lineales

Si y [n] y y [n] son las respuestas de un sistema cuando x [n] y x [n] son las
1 2 1 2
entradas, entonces el sistema es lineal si y solo si

T  x [n] + x [n] = T  x [n] + T  x [n] = y [n] + y [n]

 1 2  1   2  1 2
y
T {ax[n]}= aT {x[n]}= ay[n]

donde a es un constante arbitraria.
La primera propiedad, es llamada de aditividad, y la segunda es llamada, de
homogeneidad o escalamiento.
Esas dos propiedades pueden ser combinadas con el principio de superposición
T ax [n] + bx [n] = aT  x [n] + bT  x [n]

 1 2   1   2 
Esto puede ser generalizado con la superposición de muchas entradas
x[n] = ∑ a x [n]
k k k
entonces
y[n] = ∑ a y [n]
k k k
donde y [n] es la respuesta a la entrada x [n]
k k
2.2.3 Sistemas Invariantes en el Tiempo

Un sistema invariante en el tiempo, es uno por el cuál un cambio de tiempo o
retardo de la entrada de la secuencia, causa un correspondiente cambio en la
secuencia de salida.
El sistema se dice invariante en el tiempo, si para todos los n la entrada de la
0
secuencia con valores x [n] = x[n − n ] produce la secuencia de salida con
1 0
valores y [n] = y[n − n ] .
1 0

2.2.4 Causalidad
Un sistema es causal si para cada selección de n , el valor de la secuencia de
0
n = n , depende solo de los valores de la secuencia de entrada
salida a índice
0
para n ≤ n . Esto implica si x [n] = x [n ] para n ≤ n , entonces
0 1 2 0
y [n] = y [n] para n ≤ n . Esto es, el sistema es no anticipativo.
1 2 0
• Ejemplo 2.7
Sea el sistema
y[n]=x[n+1]-x[n]
El sistema es no causal.
• Ejemplo 2.8
Sea el sistema
y[n]=x[n]-x[n-1]
El sistema es causal.
2.2.5 Estabilidad
Un sistema es estable en la entrada-limitada, salida-limitada (BIBO), en el
sentido si cada secuencia de entrada limitada produce una secuencia de salida
limitada.
La entrada x[n] esta limitada
| x[n]|≤ Bx < ∞ para todo n
La estabilidad, requiere que para cada entrada limitada, existe un valor finito
positivo fijo, B y tal que
| y[n] |≤ B y < ∞ para todo n

2.3 SISTEMAS LINEALES INVARIANTES EN EL TIEMPO

Sea h [n ] la respuesta del sistema a δ [n − k ] , un impulso ocurre a n = k.
k
Entonces
 ∞ 
y[n] = T  ∑ x[k ]δ [n − k ]
k =−∞ 
Del principio de superposición, podemos escribir
∞ ∞
y[n] = ∑ x[k ]T {δ [n − k ]}= ∑ x[k ]h [n]
k
k = −∞ k = −∞
La propiedad de Invarianza, en el tiempo, implica que si h[n] es la respuesta a
δ [n] ,entonces la respuesta a δ [n − k ] es h[n-k].
Entonces, esta restricción adicional
∞
y[n] = ∑ x[k ]h[n − k ]
k = −∞
Un “Sistema Lineal Invariante en el Tiempo”, es completamente
caracterizado por su respuesta impulsional h[n], en el sentido que dado h[n] se
computa y[n] debido a alguna entrada x[n]. La anterior relación es llamada
“Convolución Suma”.
Decimos que y[n] es la convolución de x[n] con h[n] y esta dado por
y[n]=x[n]*h[n]
Ejemplo 2.9
Calcule la salida y[n], de un sistema lineal invariante en el tiempo, si la entrada
x[n] y su respuesta impulsional h[n], están representadas en la figura 2.7

Figura 2.7 Señal de entrada x[n] y respuesta impulsional h[n]
2.4 PROPIEDADES DE SISTEMAS LINEALES INVARIANTES EN EL

TIEMPO
a. La operación de convolución es conmutativa:
x[n]*h[n] = h[n]*x[n]
b. La operación de distribución sobre la adición
x[n]* (h [n] + h [n]) = x[n]* h [n] + x[n]* h [n]

1 2 1 2
c. Sistemas de conexión en cascada
h[n] = h [n]* h [n]

1 2
Esto se ilustra en la figura 2.8.
Figura 2.8, Combinación en cascada, de sistemas lineales invariantes en el

tiempo
d. Sistemas de conexión en paralelo
h[n] = h [n] + h [n]

1 2
Esto se ilustra en la figura 2.9.
Figura 2.9 Combinación en paralelo, de sistemas lineales invariantes en el

tiempo
d. Los sistemas lineales invariantes en el tiempo son estables si la respuesta

impulsional es absolutamente sumable, decir
∞
S = ∑| h[k ] |< ∞
k =−∞
Esto puede ser mostrado como sigue
∞ ∞
| y[n] |=| ∑ h[k ]x[n − k ] |≤ ∑| h[k ] || x[n − k ] |
k =−∞ k = −∞
Si x[n] esta limitado
| x[n] |≤ Bx
Entonces
∞
| y[n] |≤ Bx ∑| h[k ] |
k = −∞
• Ejemplo 2.9 : Retardo ideal
h[n] = δ [n − n ], n entero positivo fijo
d d

• Ejemplo 2.10 : Movimiento promedio
1 ∞
h[n] = δ [n − k ]
M + M + M +1 k =∑−∞
1 2 3
• Ejemplo 2.11 : Acumulador
∞
h[n] = ∑δ [k ]
k =−∞
• Ejemplo 2.12 : Diferencia adelantada
h[n] = δ [n +1] −δ [n]

• Ejemplo 2.13 : Diferencia retardada
h[n] = δ [n] − δ [n −1]
2.5 ECUACIONES DIFERENCIA LINEALES CON

COEFICIENTES CONSTANTES
Un sistema lineal invariante en el tiempo, en el cuál la entrada x[n] y la salida
y[n] satisfacen una ecuación lineal de orden N con coeficientes constantes de
la forma
N M
∑ ak y[n − k ] = ∑ bk x[n − k ]
k =0 k =0
Ejemplo 2.14
y[n] = y[n −1] + x[n]

Figura 2.10, Diagrama de bloque, de una ecuación diferencia lineal recursiva
2.6 REPRESENTACIÓN EN EL DOMINIO DE LA FRECUENCIA

DE SEÑALES Y SISTEMAS EN TIEMPO DISCRETO
Las secuencias exponenciales complejas, son eigefunciones de un sistema lineal
invariante en el tiempo. La respuesta a una entrada sinusoidal, es sinusoidal,
con la misma frecuencia como a la entrada y con amplitud y fase determinada
por el sistema.
Para demostrar la propiedad de eigefunción de exponenciales complejas para

sistemas en tiempo discreto, considerar la secuencia de entrada
x[n] = e jwn para − ∞ < n < ∞ , una exponencial compleja de frecuencia en
radianes w.
La salida, de un sistema lineal invariante en el tiempo, con la respuesta

impulsional h[n] es
∞ jw(n − k )
y[n] = ∑ h[k ]e
k = −∞
 
jwn  ∞ − jwk 
y[n] = e  ∑ h[k ]e 
 
k = −∞ 
Si definimos

∞
H (e jw ) = ∑ h[k ]e− jwk
k =−∞
Entonces
y[n] = H (e jw )e jwn
Consecuentemente, x[n] = e
jwn , es una eigefunción del sistema y el eigenvalor
asociado es, H (e
jwn ) .
El eigenvalor H (e
jwn ) , es llamado la respuesta en frecuencia del sistema. En
general, H (e
jwn ) , es compleja y puede ser expresada en términos de su
parte real e imaginaria como
H (e jw ) = H (e jw ) + jH (e jw )
R I
o en términos de su magnitud y fase es
jw
H (e jw ) =| H (e jw ) | e jAng.H (e )
2.7 REPRESENTACIÓN DE SECUENCIAS POR

TRANSFORMADA DE FOURIER
Muchas secuencias pueden ser representadas por una integral de Fourier de la
forma
π
x[n] = 1
∫ X (e jw )e jwn dw
2π −π
donde X (e
jw ) , está dado por
∞ − jwn
X ( e jw ) = ∑ x[ n ]e
n = −∞

Las ecuaciones mencionadas juntas forman la representación de Fourier para la

secuencia. La transformada inversa de Fourier es una fórmula de Síntesis.
En general, la transformada de Fourier es una valor complejo de la función de
w.
A veces expresamos en su forma rectangular como
X (e jw ) = X (e jw ) + jX (e jw )
R I
o en su forma polar
jw)
X (e jw ) =| X (e jw ) | e Ang.X (e
| H (e jwn ) | : Magnitud
Ang.H (e jwn ) : Fase
La transformada de Fourier, es también referida como el Espectro de Fourier

o simplemente Espectro. También la terminología Magnitud del espectro o
Espectro de la Amplitud referida como X (e jwn ) y el ángulo o fase
Ang. X (e jwn ) es llamado a veces Fase del Espectro.
Ejemplo 2.15
Determinar la respuesta impulsional h[n], de un filtro ideal paso-bajo. La
respuesta en frecuencia está dado
jw
1, w 〈 wc
H (e ) = 
lp 0, wc〈 w ≤π

La respuesta impulsional, h [n] , puede ser hallado usando la transformada de

lp
Fourier
w
1 c jwn
h [n] = ∫ e dw
lp 2π − w
c

sin wcn
= πn - ∞〈n〈∞
Considerando, H (e jw ) , como la suma de un número finito de términos

M
M sin w n − jwn
H (e jw ) = ∑ c e
n = −M πn
M
La función, H (e jw ) , es evaluada en la figura 2.11, para varios valores de M.

M
Figura 2.11, Comportamiento oscilatorio a w = w , es a menudo, llamado

c
fenómeno de Gibbs
2.8 PROPIEDADES DE SIMETRIA DE LA TRANSFORMADA DE

FOURIER

Una secuencia xe[n] conjugada-simétrica, esta definida como una secuencia

para lo cuál x [n ] = x * [−n] y una secuencia x * [n] conjugada-
e e o
antisimétrica es definida como una secuencia para el cuál x = − x * [−n] ,
o o
donde * denota la conjugada compleja. Alguna secuencia x[n], puede ser
expresada como una suma de una conjugada-simétrica y una secuencia
conjugada-antisimétrica. Específicamente
x[n] = xe[n] + xo[n]
donde
1
xe[n] = ( x[n] + x *[−n]
2
y
1
xo[n] = ( x[n] − x *[−n]
2
Una secuencia real, que tiene una conjugada simétrica dada por
xe[n] = xe [−n] , es llamada una secuencia par.
Una secuencia real, que tiene una secuencia conjugada antisimétrica tal que
x [n] = − x [−n] es llamada secuencia impar.
o o
Una Transformada de Fourier X (e
jw ) , puede ser descompuesta en una suma
de funciones de conjugada simétrica y conjugada antisimétrica
X (e jw ) = X e (e jw ) + X o (e jw ),
donde
X e (e jw ) = [ X (e jw ) + X * (e− jw )
1
2
y

X o (e jw ) = [ X (e jw ) − X * (e− jw )
1
2
Claramente, X (e
jw ) es la conjugada-simétrica y X (e jw ) es la conjugada-
e o
antisimétrica, es decir
X e (e jw ) = X *e (e − jw )
X o (e jw ) = − X *o (e − jw )
Para una secuencia real la transformada de Fourier es una conjugada-

simétrica, es decir, X (e
jw ) = X * (e − jw ) . Expresando X (e jw ) , en términos
de su parte real e imaginaria
X (e jw ) = X (e jw ) + jX (e jw )
R I
Específicamente,
X (e jw ) = X (e− jw )
R R
y
X (e jw ) = − X (e − jw )
I I
En otras palabras, la parte real de la transformada de Fourier, es una función
par, y la parte imaginaria es una función impar, si la secuencia es real.
Para expresar X (e
jw ) en forma polar
jw
X (e jw ) =| X (e jw ) | e Ang.X (e )

Para una secuencia real x[n], la magnitud de la transformada de Fourier

| X (e jw ) | , es una función par de w y la fase Ang. X (e jw ) , puede ser
seleccionada como una función impar de w. También para una secuencia real, la
parte par de x[n] se transforma a X (e jw ) y la parte impar de x[n] se
R
jw
transforma a jX (e ) .
I
En la tabla 2.1, se ilustra, las propiedades de simetría de la transformada de
Fourier.
2.9 TEOREMAS DE LA TRANSFORMADA DE FOURIER

Para facilitar el enunciado de los teoremas, introducimos la siguiente notación
X (e jw ) = F{x[n]}
x[n] = F −1{X (e jw )}
x[n] ↔ X (e jw )
2.9.1 Linealidad de la Transformada de Fourier
Si
x [n] ↔ X (e jw )
1 1
y
x [n] ↔ X (e jw )
2 2
entonces
ax [n] + bx [n] ↔ aX (e jw ) + bX (e jw )
1 2 1 2
2.9.2 Cambio de tiempo y cambio de frecuencia
Si
x[n] ↔ X(e jw )

para una secuencia que cambia en el tiempo

- jwn
x[n − n ] ↔ e d X(e jw )
d
y para la transformada de Fourier que cambia en la frecuencia
jw n j (w−w )
e 0 x[n] ↔ X(e 0 )
2.9.3 Reversión del tiempo

Si
x[n] ↔ X(e jw )
entonces si la secuencia es revertida en el tiempo
x[−n] ↔ X(e− jw )
2.9.4 Diferenciación en frecuencia
Si
x[n] ↔ X(e jw )
entonces
jw
dX(e )
nx[n] ↔ j
dw
2.9.5 Teorema de Parseval
Si
x[n] ↔ X(e jw )
∞ 2
1 π jw
2
E = ∑ x[n] =
2π −∫π
X (e ) dw
n=−∞

2
La función, X (e jw ) , es llamada la densidad espectral de energía, y
determina como la energía esta distribuida en la frecuencia.
2.9.6 Teorema de Convolución

Si
x[n] ↔ X(e jw )
y
h[n] ↔ H(e jw )
y si
∞
y[n] = ∑ x[k]h[n - k] = x[n] * h[n]
k = -∞
entonces
Y (e jw ) = X (e jw )H (e jw )
2.9.7 Teorema de Modulación
Si
x[n] ↔ X(e jw )
y
w[n] ↔ W(e jw )
y si
y[n] = x[n]w[n]
entonces
jw 1 π jθ j (w −θ )
Y (e ) = ∫ X (e )W (e ) dθ
2π − π

En las tablas, 2.2 y 2.3 se ilustra un número de pares fundamentales de la

transformada de Fourier.
Ejemplo
Definamos una señal exponencial x(t) como:
e −2t , t≥0
x(t ) = 
0 , t<0
Aplicamos
Entonces:
Una vez realizado el cálculo analítico,

» N=256;
» t=linspace(0,4,N);
» x=exp(-2*t);
» plot(t,x)
» xlabel('t'); ylabel('x(t)')
» title('Señal Exponencial exp(-

» Tm=t(3)-t(2);
» Fm=1/Tm;
» X=fft(x);
» VAX=2*abs(X)/N;
» XdB=20*log10(VAX);
» F=Fm*(0:N/2)/N;
» plot(F,XdB(1:N/2+1))
» xlabel('Frecuencia(Hz)')
» ylabel('Respuesta de Magnitud(dB)')
» title('Espectro de Frecuencia de la Señal exp(-2*t)')
Tabla 2.1 Propiedades de Simetría de la Transformada de Fourier

Secuencia Transformada de Fourier

x [n] x [n jω ]
1. x* [n] X* (e jω )
2. x* [− n] X* (e jω )
3. Re {x[n]} Xe (e jω ) ( parte simétrica conjugada de
4. j Jm {x[n]} X (e jω ) )
5. xe [n] (parte simétrica conjugada de Xo (e jω ) ( parte simétrica conjugada de
x [n] )
X (e jω ) )
6. xo [n] (parte simétrica conjugada de
x [n] ) XR (e jω ) = Re {X [e jω ]}
jX I j Jm {X [e jω ]}
7. cualquier x [n] real

X (e jω ) = X*  e − j ω  ( la transformada de
 
Fourier es simétrica
conjugada)
XR (e jω ) = - XI  e −  (la parte real es par)

jω
9. cualquier x [n] real  
XI (e )= - jω
jω
XI  e −  (la parte imaginaria es
 
11. cualquier x [n] real par)
( ) ( ) (el módulo es par)
X e jω = X e − jω
12. xe [n] (parte par de x [n] )
⊄ X (e ω ) = - ⊄ XI  e  (la fase impar)
j − jω
 
13. xo [n] (parte impar de x [n] ) XR (e )
ω j
jXR (e jω )

Tabla 2.2, Teoremas de la Transformada de Fourier


x[n] X e jw( )
y[n] X e jw( )
2. ax[n] + by[n ] ( )
aX e jω + bY e jω ( )
2. x[n − n](nd entero ) ( )
e j ωn d X e j ω
3. e jω 0 n X [n] (
X e j (ω −ω 0 ) )
4. x[− n] (
X e − jω )
X e *
( ) jω
Si x[n] es real
5. nx[n] j
( )
dX e jω
dω
6. x [n ]* y [n ] X (e jω )Y (e jω )
7. x [n ]y [n ] 1
2π
π
∫π
−
( )( )
X e j 0 Y e j (ω − 0 ) d 0
Teorema de Parseval:
( )
∞ π
∑ X [n]
2
1
= ∫π X e jω dω
2
8.
n = −∞ 2π −
∑ X [n]y [n] = 2π ∫ π X (e ω )Y (e ω )dω

∞ π
* 1 j * j
9.
−
n = −∞
Tabla 2.3, Pares de la transformada de Fourier

2. δ [n] 1
2. δ [n − no ]
− jϖ n 0
e
3. 1 (− ∞∠ n∠∞ ) ∞
∑ 2πδ (ω + 2π k )
k = −∞

4. ∂ n u [n] ( a ∠1) 1
1 − ae − jω
5. u[n] 1
+
∞
1 − e jω ∑ πδ (ω
k = −∞
+ 2π k )
6. (n + 1)∂ nu[n ] ( a ∠1) 1

(1 − ae ) − jω 2
1n sen p (n + 1)
u[n ]( r ∠1)
1
7.
1 − 2r cos ω p e − jω + r 2 e − j 2ω
senω c n
X (e jω ) = 1, ω ∠ω e
8.
πn
0, ω e ∠ ω ≤ π
9. x[n] = 1, 0 ≤ n ≤ M
sen[ω (M + 1) / 2] − jωM / 2
0,en el resto e
sen(ω / 2 )
jω
0n
10. e ∞
∑ 2πδ (ω − ω
k = −∞
0 + 2π k )
12. cos(ω 0 n + φ )
∑ [π e ](ω − ω
∞
j φδ
0 + 2 π k ) + π e − j φδ (ω + ω 0 + 2π k )
k = −∞

Señales Sistemas Discretos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Señales Sistemas Discretos

Cargado por

Copyright:

Formatos disponibles

PROCESAMIENTO DIGITAL DE SEÑALES 1

SEÑALES Y SISTEMAS DE TIEMPO DISCRETO

2.1 SEÑALES EN TIEMPO DISCRETO : SECUENCIAS

x = {x[n]}, - ∞ < n < ∞,

x[n] = xa (nT ), -∞ < n < ∞

Profesor Jorge Alberto Del Carpio Salinas, Dr. Ing. .

Las señales discretas, x[n], es decir, las secuencias, son a menudo

Figura 2.1, Representación gráfica de una señal a tiempo discreto

Figura 2.2, secuencia de una señal sinusoidal

Profesor Jorge Alberto Del Carpio Salinas, Dr. Ing. .

Figura 2.3, Secuencia de una señal exponencial real

Figura 2.4, Segmento de una señal de palabra continua (b) Secuencia de

Profesor Jorge Alberto Del Carpio Salinas, Dr. Ing. .

2.2.1 Secuencias Básicas y Operaciones con Secuencias

b. Suma de dos secuencias

c. Multiplicación por un número

e. Secuencia de una Muestra Unitaria

• Por ejemplo, una secuencia p[n] puede ser expresada como

Profesor Jorge Alberto Del Carpio Salinas, Dr. Ing. .

f. Secuencia de Paso Unitario

• En función del impulso

δ [n] = u[n] − u[n −1]

x[n] = Acos(w n + Φ) para cualquier n

x[n] = x[n+N], para todo n

Profesor Jorge Alberto Del Carpio Salinas, Dr. Ing. .

donde N, es necesariamente un entero. Si esta condición para la periodicidad,

Figura 2.5, La señal cos w n , para dos valores de w

2.2 SISTEMAS EN TIEMPO DISCRETO

Profesor Jorge Alberto Del Carpio Salinas, Dr. Ing. .

y está indicado en la figura 2.6.

Figura 2.6 Representación de un sistema a tiempo discreto

y[n] = x[n − n ], -∞ < n < ∞

2.2.2 Sistemas Lineales

Profesor Jorge Alberto Del Carpio Salinas, Dr. Ing. .

T  x [n] + x [n] = T  x [n] + T  x [n] = y [n] + y [n]

T {ax[n]}= aT {x[n]}= ay[n]

Esas dos propiedades pueden ser combinadas con el principio de superposición

T ax [n] + bx [n] = aT  x [n] + bT  x [n]

Esto puede ser generalizado con la superposición de muchas entradas

2.2.3 Sistemas Invariantes en el Tiempo

Profesor Jorge Alberto Del Carpio Salinas, Dr. Ing. .

| x[n]|≤ Bx < ∞ para todo n

| y[n] |≤ B y < ∞ para todo n

Profesor Jorge Alberto Del Carpio Salinas, Dr. Ing. .

2.3 SISTEMAS LINEALES INVARIANTES EN EL TIEMPO

Del principio de superposición, podemos escribir

Entonces, esta restricción adicional

Profesor Jorge Alberto Del Carpio Salinas, Dr. Ing. .

Figura 2.7 Señal de entrada x[n] y respuesta impulsional h[n]

2.4 PROPIEDADES DE SISTEMAS LINEALES INVARIANTES EN EL

b. La operación de distribución sobre la adición

x[n]* (h [n] + h [n]) = x[n]* h [n] + x[n]* h [n]

h[n] = h [n]* h [n]

Figura 2.8, Combinación en cascada, de sistemas lineales invariantes en el

d. Sistemas de conexión en paralelo

h[n] = h [n] + h [n]

Esto se ilustra en la figura 2.9.

Figura 2.9 Combinación en paralelo, de sistemas lineales invariantes en el

d. Los sistemas lineales invariantes en el tiempo son estables si la respuesta

Profesor Jorge Alberto Del Carpio Salinas, Dr. Ing. .

• Ejemplo 2.10 : Movimiento promedio

h[n] = δ [n +1] −δ [n]

h[n] = δ [n] − δ [n −1]