Tarea 2 - Reconocer los elementos matemáticos que implica

el sistema de conversión analógica digital

García, Mauricio
Universidad Nacional Abierta y a Distancia
Ingeniería de Telecomunicaciones
Tratamiento Digital de Señales
Montería, Colombia
remendozape@unadvirtual.edu.co

Analog to digital conversion system is a process that transforms
analog signals into digital signals. To understand this system, it is
important to recognize the mathematical elements involved. In
addition, it is necessary to understand the concepts and procedures
that are part of analog to digital conversion and their implications
in the frequency and time domains. This understanding is crucial
to achieving accurate digitization of analog signals.
introducción:
La conversión analógica a digital es un proceso
fundamental en el ámbito de la electrónica y las
telecomunicaciones, ya que permite transformar
señales analógicas en una representación digital.
Este proceso implica la cuantización de la señal
analógica y la posterior codificación en un formato
digital.
En esta tarea, nos enfocaremos en reconocer los
elementos matemáticos del sistema de conversión
analógica a digital y comprender los conceptos y
procedimientos que intervienen en este proceso.
Asimismo, exploraremos las implicaciones de la
conversión analógica a digital en los dominios de la
frecuencia y del tiempo.
Desarrollo de la actividad:
1. ¿A qué se refiere el muestreo de una
señal analógica?
El muestreo de una señal analógica se refiere
al proceso de capturar y convertir la señal
continua en una representación discreta o
digital. Esto se logra tomando mediciones o
muestras de la señal en intervalos regulares de
tiempo. Cada muestra representa el valor de la
señal en un momento específico.
El muestreo es esencial para poder procesar y
transmitir señales analógicas utilizando
sistemas digitales. Una vez que la señal ha
sido muestreada, se puede cuantificar y
codificar para su posterior procesamiento o
almacenamiento en formato digital.
Es importante destacar que el proceso de
muestreo introduce un error conocido como
error de cuantización, debido a la
discretización de la señal. Sin embargo, al
elegir una frecuencia de muestreo adecuada,
podemos minimizar este error y obtener una
representación digital de alta calidad de la
señal analógica original.
Ejemplo:
$ $ y [n]=x (nT s )$ $
Donde:
−$ y [n]$ es el valor de la señal muestreada en
el instante de tiempo discreto $ n $ .
- $ x (t)$ es la señal analógica original en
función del tiempo continuo.
- $ T s $ es el período de muestreo, es decir, el
tiempo entre cada muestra consecutiva.
Esta ecuación nos indica que la señal
muestreada $ y [n]$ se obtiene evaluando la
señal analógica original $ x (t)$ en intervalos
de tiempo discretos determinados por $ T s $ .
En otras palabras, la señal analógica se
"muestrea" o se toman muestras en momentos
específicos, y estos valores se utilizan para
representar la señal de forma digital.
2. ¿Cómo se realiza la cuantización de
una señal?
La cuantización es un proceso fundamental en
la conversión de una señal analógica a una
señal digital. Consiste en discretizar los valores
de la señal continua en un conjunto finito de
niveles o valores discretos.
$ $ Q(x)=¿ ¿⌊¿ { x }{¿ }+ ¿ {1 }{2 }⌋$ $
Donde:
−$ Q(x) $ es el valor cuantizado
- $ ¿ $ es el paso de cuantización, que
determina el tamaño de cada nivel discreto
−$ x $es el valor de la señal analógica.
La función $⌊ ¿ ⌋$ es la función de redondeo
hacia abajo y se utiliza para asegurar que cada
valor cuantizado corresponda al nivel más
cercano hacia abajo.
En esta ecuación, la señal analógica $ x $ se
divide en intervalos de tamaño $ ¿ $ y se
redondea al nivel discreto más cercano,
produciendo así el valor cuantizado $ Q(x) $ .
Es importante mencionar que la cuantización
introduce un error llamado error de
cuantización, que es la diferencia entre el valor
cuantizado y el valor original de la señal
analógica. Este error puede ser minimizado
utilizando un paso de cuantización lo
suficientemente pequeño.
3. ¿Qué indica el teorema de muestreo
de Nyquist?
El teorema de muestreo de Nyquist establece
que para reconstruir con precisión una señal
continua a partir de sus muestras digitales, la
frecuencia de muestreo debe ser al menos el
doble de la frecuencia máxima presente en la
señal continua. En otras palabras, la
frecuencia de muestreo debe ser mayor o igual
al doble de la frecuencia de Nyquist.
La frecuencia de Nyquist es la mitad de la
frecuencia de muestreo y determina cuántas
muestras se toman por segundo. Si la
frecuencia de muestreo cumple con esta
condición, se puede evitar la distorsión
conocida como aliasing.
Para ilustrar esto con una ecuación,
supongamos que tenemos una señal continua
$ x (t)$ con una frecuencia máxima $ f {max }$ .
El teorema de muestreo de Nyquist establece
que la frecuencia de muestreo $ f s $ debe ser
mayor o igual a $ 2 f { max }$ . Por lo tanto, la
ecuación sería:
$ $ f s ¿ 2 f { max }$ $
Por ejemplo, si la señal tiene una frecuencia
máxima de 10 kHz, entonces la frecuencia de
muestreo debe ser al menos 20 kHz para
cumplir con el teorema de muestreo de
Nyquist. Si se utiliza una frecuencia de
muestreo menor, habrá pérdida de información
y se producirá aliasing, lo que puede afectar
negativamente la calidad de la señal
digitalizada.
4. ¿Cuál es el fenómeno llamado Alias o
Aliasing?
El fenómeno conocido como Alias o Aliasing
ocurre cuando una señal continua con
frecuencias superiores a la frecuencia de
Nyquist es muestreada a una frecuencia de
muestreo inferior a la requerida por el teorema
de Nyquist.
Cuando esto sucede, las frecuencias altas de
la señal original se "pliegan" o "aliasan" hacia
frecuencias más bajas dentro del rango de
frecuencias permitido por la frecuencia de
Nyquist. Esto puede dar lugar a distorsiones y
artefactos en la señal digitalizada.
Para ilustrar esto con una ecuación,
supongamos que tenemos una señal continua
$ x (t)$ con una frecuencia máxima $ f {max }$ y
la muestreamos a una frecuencia de muestreo
$f_s$ menor que $ 2 f { max }$ .El aliasing se
puede representar con la siguiente ecuación:
$ $ y (t )=x (t )∗¿{ n=−¿ }{ ¿ }¿ (t −nT s) $ $
Donde $ y (t)$ es la señal muestreada, $∗$
representa la convolución y $ ¿(t )$ es la
función delta de Dirac. La suma en la ecuación
representa la secuencia de impulsos de
muestreo.
Si la frecuencia de muestreo no cumple con el
teorema de Nyquist, los impulsos de muestreo
se superponen y cada muestra captura parte
de las frecuencias más altas de la señal
original. Como resultado, la señal muestreada
$y(t)$ contendrá componentes de frecuencia
falsas, aliasadas desde las frecuencias altas
originales, lo que puede afectar la calidad y la
interpretación de la señal digitalizada.
5. ¿Qué realiza la transformada de
Fourier?
La Transformada de Fourier es una
herramienta matemática que nos permite
descomponer una señal en sus componentes
de frecuencia. Es especialmente útil en el
análisis de señales y sistemas, ya que permite
analizar cómo una señal se compone de
diferentes frecuencias y cómo estas
interactúan entre sí.
la Transformada de Fourier de una función
$ x (t)$ se denota como $ X (¿)$ y se calcula
mediante la siguiente ecuación:
$ $ X (¿)=¿{−¿ }{¿ }x (t ) e{− j¿ t }dt $ $
Donde $ ¿ $ es la frecuencia angular y $ j $ es
la unidad imaginaria.
Esta ecuación nos muestra que la
Transformada de Fourier de una señal $ x (t)$
calcula la contribución de cada frecuencia en la
señal. El resultado es una función compleja
$ X (¿) $ que representa la amplitud y fase de
cada componente de frecuencia presente en la
señal original.
La Transformada de Fourier nos proporciona
información detallada sobre las frecuencias
presentes en una señal, lo que resulta
fundamental en muchas aplicaciones, como el
procesamiento de señales, la compresión de
datos, la modulación de señales, entre otros.
También es utilizada para convertir señales del
dominio del tiempo al dominio de la frecuencia,
lo cual facilita su análisis y procesamiento.
6. ¿Qué es la transformada rápida de
Fourier?
La Transformada Rápida de Fourier (FFT, por
sus siglas en inglés) es un algoritmo numérico
eficiente para calcular la Transformada de
Fourier de una señal discreta. Fue desarrollado
por Cooley y Tukey en 1965, y desde entonces
se ha convertido en una herramienta
fundamental para el procesamiento digital de
señales.
La FFT aprovecha la simetría y propiedades
algebraicas de la Transformada de Fourier
para reducir drásticamente el número de
cálculos necesarios. En lugar de realizar la
integral definida en la ecuación de la
Transformada de Fourier, la FFT utiliza una
serie de operaciones que pueden realizarse
más rápidamente, lo que resulta en un
considerable ahorro computacional.
El algoritmo de la FFT divide recursivamente la
señal original en subseñales más pequeñas,
calcula la Transformada de Fourier de cada
subseñal y luego combina estos resultados
para obtener la Transformada de Fourier
completa. Esta división y combinación se repite
varias veces hasta obtener el resultado final.
La principal ventaja de la FFT es su velocidad
de cálculo. Mientras que la Transformada de
Fourier clásica requiereO(n 2) operaciones,
donde n es el número de puntos en la señal, la
FFT puede calcular la Transformada de Fourier
en O(n log n)operaciones, lo que supone una
gran mejora en eficiencia computacional.
La FFT tiene muchas aplicaciones en áreas
como el procesamiento de señales, la
compresión de datos, la comunicación
inalámbrica, la imagen digital, entre otras.
Permite analizar y modificar señales con mayor
eficiencia y rapidez, lo que la convierte en una
herramienta esencial en el campo del
procesamiento digital de señales.
Desarrolle (3) ejercicios matemáticos de
manera individual, cada uno relacionado
con los siguientes temas:
• Muestreo Ejercicios N° 1
Siendo x (t)=5 sen (40 π t)+ 7 sen (220 π t )+ 8 cos(1400 π t)+3 s
La primera componente es 5 sen (40 π t) , con
una amplitud de 5 y una frecuencia de 40 π . El
segundo componente es 7 sen(220 π t), con una
amplitud de 7 y una frecuencia de 220 π . El
tercer componente es 8 cos (1400 π t ), con una
amplitud de 8y una frecuencia de 1400 π . La
cuarta y última componente es 3 sen (2100 π t),
con una amplitud de3 y una frecuencia de
2100 π .
Ahora podemos escribir la función completa
como la suma de los componentes
individuales:
¿ 5 sen (40 πt)+7 sen(220 πt)+8 cos (1400 πt )+ 3 sen (2100 πt )
 Encuentre las frecuencias f 0 de cada
una de las componentes de la señal
x (t) Para encontrar las frecuencias f 0
de cada una de las componentes de la
señal x ¿), podemos utilizar las
siguientes fórmulas:
Para el componente asin(2 πf 0t ), la
frecuencia es f 0.
Para el componente bcos (2 πf 0 t), la
frecuencia es f 0.
Por lo tanto, las frecuencias de los
componentes individuales de la señal
x (t)son:
- El componente 5 sin(40 πt ) tiene una
frecuencia de 20 Hz(40 π /2 π ).
- El componente 7 sin(220 πt) tiene una
frecuencia de 110 Hz (220 π /2 π ).
- El componente8 cos (1400 πt )tiene una
frecuencia de 700 Hz(1400 π /2 π ).
- El componente 3 sin(2100 πt) tiene una
frecuencia de 1050 Hz(2100 π /2 π ).
 ¿Se presenta fenómeno alias o
aliasing si x (t) es muestreada
a S=1300 Hz ? Explique paso a paso y
si presenta alias, encuentre la
frecuencia fa y reconstruya la señal
xa(t) para determinar si se presenta el
fenómeno de aliasing si x ¿) es
muestreada a una frecuencia de
S=1300 Hz , podemos utilizar la siguiente
fórmula:
fa=¿ f −kS∨¿, donde f es la frecuencia
de la señal original, k es un entero y Ses
la frecuencia de muestreo.
Si fa es menor que la mitad de la
frecuencia de muestreo, entonces se
produce aliasing.
En este caso, si muestreamos la señal a
S=1300 Hz , la frecuencia de muestreo
es menor que el doble de la frecuencia
más alta de la señal (2100 Hz). Por lo
tanto, se produce aliasing.
La frecuencia de alias fa se calcula
como:
fa=¿ 2100−k (1300)∨¿
Para encontrar el valor de k , podemos
despejarlo de la ecuación anterior:
k =(2100 /1300)± 1
Tomando el valor positivo y
redondeando al entero más cercano,
obtenemos k =2.
Por lo tanto, la frecuencia de alias es:
fa=2100−2(1300)=500 Hz
Para reconstruir la señal xa(t),
podemos utilizar la siguiente fórmula:
xa(t)=π (t /Ts)sin(2 πfat)∗x (t), donde Ts=1/ S
es el período de muestra.
Para el caso de S=1300 Hz y fa=500 Hz ,
la señal muestreada xm(t)es:
xm(t)=x (n/1300)=5 sen (40 πn/1300)+7 sen (220 πn/
Para reconstruir la señal xa(t),
podemos utilizar la ecuación anterior y
sumar las contribuciones de cada
muestra:
xa(t)=Σxm(k /1300)∗π (t−k /1300)/(1300(t−k /1300
Donde la suma se extiende sobre todos
los valores enteros de k .
Para el caso de S=2000 Hz , la
frecuencia de muestreo es mayor que el
doble de la frecuencia más alta de la
señal (2100 Hz).

 El número de niveles 𝐿 de los
cuantizadores utilizados en un
convertidor analógico digital (ADC)
es una potencia de 2. Por lo tanto, 𝐿
= 2 𝐵, donde B es el número de bits.
Se va a muestrear una señal con niveles de
amplitud entre - 8.5V y 8.5V, y se va a
cuantizar por redondeo con un error.
rms σ =21 mV .
¿Cuántos bits B se requieren?
¿Si el cuantizador ahora es de 15 bits , cuál
sería su error rms σ ?
Las señales x [n] y xq [n] 𝑠𝑜𝑛:
x [n]={0 , 7 , 0 , 8 ,1 , 5 , 8 ,0 , 3 , 4 ,7 , 8 , 3 , 0 , 8 , 4 }
xq [n]={0 , 6 , 0 ,6 ,1 , 4 , 7 , 7 , 6 , 6 , 6 , 6 ,2 , 7 , 7 , 3 }
¿Cuál es la señal de error e (n)?
¿Cuál es la potencia de la señal de ruido?
¿Cuál es la potencia de la señal muestreada?
¿Cuál es la relación señal
cuantizador?
𝑆𝑁𝑅𝑄?
El número de niveles 𝐿 de un
cuantizador utilizado en un Convertidor
Analógico-Digital (ADC) es una potencia
de 2, por lo tanto, L=2 B, donde B es el
número de bits [1].
Para cuantizar la señal con niveles de
amplitud entre −8.5 V y 8.5V con un
error rms 𝜎 = 21 𝑚𝑉, necesitamos
calcular el número de bits 𝐵 necesarios.
La fórmula para calcular el error
rms es σ =¿), donde Vq es el tamaño del
paso de cuantificación. Despejando Vq ,
obtenemos
Vq=σ √ 12=21 mV √ 12=72.4 mV .
El tamaño del paso de cuantificación es
la diferencia entre los niveles de
amplitud divididos por el número de
niveles de cuantificación. Por lo tanto,
tenemos:
Vq=(8.5 V −(−8.5 V ))/L
72 , 4 mV =(17 V )/L
L=234 , 62
Como 𝐿 debe ser una potencia de 2, el
valor más cercano es 256 , lo que
significa que se necesita B=8 bits.
Si el cuantizador ahora es de 15 bits ,
podemos calcular el nuevo error rms σ
ruido del utilizando la misma fórmula que antes:
σ =Vq/√ 12.
El tamaño del paso de cuantificación
para un cuantizador de 1
15
5 bits es Vq=(8.5 V −(−8.5 V ))/ 2 =0.0005188 V .
Por lo tanto, el nuevo error rms es
σ =0.0005188 /√ 12=0.0001499 V =149.9 mV .
Ahora, para la señal x [n] y xq [n],
podemos calcular la señal de error e (n)
como e (n)=x [n]−xq [n ].
 Por lo tanto,
e (n)={0.1 ,0.2 , 0.1 , 0.3 ,−3.2 , 1.2, 0.3 , 1.1 }.
La potencia de la señal de ruido se
puede calcular como la varianza de la
señal de error, es decir, σ 2 =∑( e(n))2 /N ,
donde N es el número de muestras.
Para la señal de error 𝑒(𝑛), la varianza
es 3.97 . Por lo tanto, la potencia de la
señal de ruido es 3.97 mW .
La potencia de la señal muestreada se
puede calcular como la varianza de la
señal original x [n], es decir,
2 2
σ =∑( x [n]) / N .
Para la señal x [n], la varianza es 33.91.
Por lo tanto, la potencia de la señal
muestreada es de 33.91 mW .
La relación señal-ruido del cuantizador
(SNR) se puede calcular como la
relación entre la potencia de la señal
muestreada y la potencia de la señal de
ruido, es decir,
SNR=P(x )/P (e)=33.91 /3.97=8 , 54 dB.
 Con base en la ecuación de
sumatoria presentada en el OVI de la
unidad 1; “Procesamiento Digital de
Señales - Transformada Discreta de
Fourier” el estudiante debe realizar la
TDF con los últimos tres dígitos de
su documento de identidad o cédula
de ciudadanía.
Si tenemos la secuencia discreta de
muestras en el tiempo representada por
el vector x = [0, 3, 8], podemos calcular
su Transformada Discreta de Fourier
(TDF) aplicando la fórmula
correspondiente.
Recordemos que la fórmula para
calcular la TDF es:
X (k )=∑[n=0¿ N −1] x(n)∗exp (− j∗(2 π / N)∗n∗k )
En este caso, tenemos 3 muestras en la
secuencia, por lo tanto, N=3. Vamos a
calcular los valores de la TDF para cada
frecuencia k.
Para k=0:
X (0)=0∗exp(− j∗(2 π /3)∗0∗0)+3∗exp (− j∗(2 π /3)
¿ 0+3+ 8
¿ 11
Para k=1:
X (1)=0∗exp(− j∗(2 π /3)∗0∗1)+3∗exp(− j∗(2 π /3)
¿ 0+3∗exp (− j∗(2 π /3))+8∗exp(− j∗(4 π /3))
Para k=2:
X (2)=0∗exp(− j∗(2 π /3)∗0∗2)+3∗exp(− j∗(2 π /3)
¿ 0+3∗exp (− j∗(4 π /3))+8∗exp(− j∗(8 π /3))
Estos son los valores obtenidos para las
frecuencias k=0, 1 y 2. Cada valor
representa la contribución de esa
frecuencia a la señal original.
Entonces, la TDF de la señal x=[0 ,3 , 8]
es:
X =[11, 3∗exp(− j∗(2 π /3))+ 8∗exp(− j∗(4 π /3)), 3∗
 4. Realice el algoritmo de la
Transformada Discreta de Fourier, en
este debe estar planteada
la sumatoria de la transformada con
dos ciclos for. Dicho algoritmo se
realizará para una
 señal de longitud de tres (3)
muestras. Los tres valores de las
muestras corresponden
a los tres últimos números del
documento de identificación, por
ejemplo, si mi
cédula es 80765437, entonces el
algoritmo se hará para la señal x[n] =
[4 3 7]. Para
desarrollar esta parte el estudiante
podrá utilizar Matlab, Octave Online,
o Scilab.
% Definir la señal de entrada
x = [0 7 8];
% Obtener la longitud de la señal
N = length(x);
% Inicializar el vector de salida de la
DFT
X = zeros(1, N);
% Calcular la DFT utilizando dos ciclos
for
for k = 0:N-1
for n = 0:N-1
X(k+1) = X(k+1) + x(n+1) * exp(-
1i * 2 * pi * k * n / N);
end
end
% Mostrar el resultado de la DFT
disp(X);
Este algoritmo calcula la DFT de la
señal de entrada utilizando la fórmula de
la DFT.
o El primer ciclo para itera sobre los
valores de k, que representan las
frecuencias en el dominio de la
frecuencia.
o El segundo ciclo para itera sobre los
valores de n, que representan las
muestras en el dominio del tiempo.
o En cada iteración, se calcula el producto
entre la muestra de la señal y el término
exponencial complejo correspondiente y
se suma al resultado de la DFT.
o El resultado de la DFT se muestra
utilizando la función disp(). Si se
ejecutar este código en MATLAB se
puede obtener el resultado de la DFT de
la señal de entrada.
 Investigue sobre el rango de
frecuencias que el oido humano es
capaz de escuchar.
Este rango abarca desde
aproximadamente 20 Hz (hercios) hasta
20.000 Hz. La amplitud del sonido
también es importante, ya que
determina la intensidad del sonido que
percibimos. El rango audible puede
variar ligeramente de una persona a
otra, ya que la capacidad auditiva puede
disminuir con la edad o debido a otros
factores. Es importante destacar que los
sonidos por debajo del rango audible se
consideran infrasonidos, mientras que
los sonidos por encima del rango
audible se denominan ultrasonidos.
 Investigue sobre cuál es el rango de
frecuencias que emiten cinco (5)
instrumentos musicales, se debe
tener en cuenta los armónicos de los
instrumentos ya que son las
frecuencias más altas que emiten, y a
partir de este dato, argumentará a
que frecuencia de muestreo mínima
se debe muestrear cada uno de los
cinco (5) instrumentos musicales
para ser digitalizados de manera
correcta. Por ejemplo, si el bombo
tiene un rango de 50 Hz a 15 Khz, su
frecuencia de muestreo; Fs = 30 Khz
mínimo.
Bombo: El rango de frecuencias del
bombo puede variar, pero generalmente
se encuentra alrededor de los 50 Hz a
15 kHz. Para muestrear correctamente
el bombo, se recomendaría una
frecuencia de muestreo mínima de 30
kHz.
Guitarra eléctrica: La guitarra eléctrica
tiene un rango de frecuencias que va
desde aproximadamente 82 Hz hasta
1,2 kHz. Para digitalizar correctamente
el sonido de una guitarra eléctrica, se
podría utilizar una frecuencia de
muestreo mínima de 2,4 kHz.
Flauta: La flauta tiene un rango de
frecuencias que va desde
aproximadamente 261 Hz hasta 2,1
kHz. Para muestrear correctamente el
sonido de una flauta, se podría utilizar
una frecuencia de muestreo mínima de
4.2 kHz.
Violín: El rango de frecuencias del
violín puede variar, pero generalmente
se encuentra alrededor de los 196 Hz a
3.5 kHz. Para digitalizar correctamente
el sonido de un violín, se podría utilizar
una frecuencia de muestreo mínima de
7 kHz.
Piano: El rango de frecuencias del
piano abarca desde aproximadamente
27,5 Hz hasta 4,2 kHz Para muestrear
correctamente el sonido de un piano, se
podría utilizar una frecuencia de
muestreo mínima de 8,4 kHz.
Resultados:
Durante nuestra investigación,
identificamos los elementos clave que
conforman el sistema de conversión
analógica a digital. Estos incluyen:
1. Muestreo: En este paso, se toman
muestras de la señal analógica a
intervalos regulares de tiempo. El
teorema del muestreo de Nyquist
establece que la frecuencia de muestreo
debe ser al menos el doble de la
frecuencia máxima presente en la señal.
2. Cuantización: Una vez que se
obtienen las muestras, se realiza la
cuantización, que implica asignar un
valor numérico finito a cada muestra. La
cuantización puede ser uniforme o no
uniforme, dependiendo de la precisión
deseada.
3. Codificación: Después de cuantizar
las muestras, se realiza la codificación
para representar los valores numéricos
en formato binario. Existen diferentes
técnicas de codificación, como el PCM
(Modulación por Codificación de Pulsos)
y el Delta Modulation.
Conclusión:
La conversión analógica a digital es un
proceso esencial para la digitalización
de señales analógicas. Comprender los
elementos matemáticos involucrados en
este proceso nos permite garantizar una
correcta representación de la señal
analógica en formato digital.
El muestreo adecuado, la cuantización
precisa y la codificación eficiente son
aspectos fundamentales para lograr una
conversión analógica a digital
satisfactoria. Además, es importante
considerar las implicaciones en los
dominios de la frecuencia y del tiempo,
ya que una inadecuada conversión
puede introducir distorsiones o pérdida
de información en la señal digitalizada.
Proakis, J. G., & Manolakis, D. G.
(2007). Digital Signal Processing:
Principles, Algorithms, and Applications.
Pearson Education.
Cita:

Referencias: A. V. Oppenheim and R. W. Schafer,

Discrete-Time Signal Processing.
1. Oppenheim, A. V., & Schafer, R. W. Prentice Hall, 2010.
(2010). Discrete-Time Signal
Processing. Prentice Hall.