TRANFORMADA

En las matemáticas y procesamiento de señales, la Transformada Z convierte

una señal real o compleja definida en el dominio del tiempo discreto en una

representación en el dominio de la frecuencia compleja.

El nombre de Transformada Z procede de la variable del dominio, al igual que se podría

llamar "Transformada S" a la Transformada de Laplace. Un nombre más adecuado para

la TZ podría haber sido "Transformada de Laurent", ya que está basada en la serie de

Laurent. La TZ es a las señales de tiempo discreto lo mismo que Laplace a las señales de

tiempo continuo.

En el presente trabajo se hablará de todo lo que compone a la transformada Z y sus

aplicaciones.

1. RESUMEN

Es poco frecuente encontrar señales puramente periódicas en el procesado digital de

señales. Señales y datos no periódicos con un número finito de valores es el entorno más

comúnmente empleado en los sistemas LTI prácticos.

La Transformada Discreta de Fourier (DFT) de una señal x [n] definida en el rango

0 N-1 se define como:

0
Donde y los valores espectrales X[k] se evalúan en 0 N-1. Al

término WN se le denomina frecuentemente " twiddle factor" y es un conjunto de valores

complejos.

La Transformada inversa de Fourier (IDFT), que permite generar la señal x [n] a partir

de sus muestras espectrales X[k], se define:

Donde los valores de x[n] son evaluados en el rango 0 N-1

Si se emplea la ecuación [1] para calcular valores adicionales de X [k] fuera del rango 0

N-1 encontraremos que se forma una secuencia espectral periódica, la DFT es

periódica.

Del mismo modo, empleando la ecuación [2] para calcular valores adicionales de x

[n] fuera del rango 0 (N-1) se obtiene una versión periódica de la señal x[n] .Por lo

1
tanto la DFT e IDFT representan una secuencia finita periódica dentro de una señal no

periódica x[n]. En efecto la DFT considera a una señal no periódica x [n] como si fuese

periódica a efecto de algoritmos de cálculo. También es importante saber que tanto una

señal periódica de periodo N y otra señal no periódica de la que se han tomado N muestras,

ambas están definidas por N valores o muestras.

También debemos darnos cuenta que la única diferencia entre la DFT y la IDFT a efectos

de implementación es el factor de escala 1/N y el cambio de signo en la función

exponencial. Por lo tanto, si desarrollamos un algoritmo para calcular la DFT, el cálculo de

la IDFT es inmediato. Este hecho es una consecuencia directa de la simetría existente entre

los dominios del tiempo y la frecuencia.

Cuando los N valores de x [n] son reales, X[k] se descompone en su parte real e imaginaria

Las ecuaciones [1]y [2] son esencialmente las mismas que las ecuaciones de análisis y

síntesis correspondientes a las series de Fourier correspondiente a una señal periódica x[n],

2
la única diferencia es que ahora se ha incorporado el factor de escala 1/N en la ecuación de

síntesis.

La similitud entre la DFT y la serie discreta de Fourier puede interpretarse de dos formas.

Si la señal x [n] es realmente periódica la ecuación [1] proporciona una nueva forma de las

series discretas de Fourier; pero si x[n] es no periódica, y solamente es tratada como

periódica a efecto de cálculos computacionales, la ecuación [1] representa la DFT.

En principio parece redundante el estudio de la DFT puesto que ya desarrollamos

una versión discretizada de la Transformada de Fourier aplicable a tanto a señales

discretizadas no periódicas x [n] como a sistemas LTI. ¿Podemos emplear lo anteriormente

desarrollado para describir la correspondiente función espectral X[k]sin hacer ninguna

suposición sobre la periodicidad? La respuesta es sí y no.

Por un lado, es posible encontrar una versión discretizada de las funciones espectrales

continuas X (W) o H (W), sin embargo, las dificultades surgen cuando

necesitamos procesar o estimar la información. Un sistema digital no puede operar con

funciones continuas, todo lo que puede hacer es estimar el valor de la función para un

conjunto de valores discretos de la frecuencia digital W, - en otras palabras, es necesario

generar una versión muestreada de X (W) o H (W), Este hecho operativo implica responder

a la siguiente pregunta; ¿Cuántas muestras de X (W) o H (W), son necesarias? Pocas

muestras originarán una respuesta inadecuada mientras que muestras en exceso implican

3
una gran cantidad de cálculo redundante. En las siguientes páginas se desarrollan estos

conceptos.

Dominio

del tiempo la frecuencia

La DFT y la IDFT nos permiten representar una señal x[n] o un sistema LTI en uno u otro

dominio sin pérdida de información.

Igualmente, mediante la IDFT calculamos x [n] mediante la expresión

Algunos detalles a tener en cuenta

La DFT es lineal

4
La DFT e IDFT son periódicas

Si
Si xla1 DFT
[n] deXx1 [k]
[n] ysex2evalúa
[n] fuera
X2 [k]del rango 0
Si x1 [n] X1 [k] y x2 [n] X2 [k]
Entonces X[k] = X [k + N] para k.
Entonces A. 1 x1 [n] + A2 x2 [n] A1 X1 [k + A2 X2 [k]
Entonces
Demostraciónx1[n] x2 [n]

Lo mismo se cumple para la IDFT x [n] = x [n + N] para n.

Translación en el tiempo

Si x [n] X [k]

entonces x [n -n0] X[k ]

Convolución

Si x1 [n] X1 [k] y x2 [n] X2 [k]

Entonces X1 [k]. X2 [k]

Modulación

5
 Las propiedades de Convolucion y Modulación indican que la Convolucion

en el dominio del tiempo es equivalente a la multiplicación en el dominio de la

frecuencia y viceversa.

2. ANTECEDENTES DEL TEMA

6
El principio de la transformada de Fourier, desarrollada por primera vez en el siglo XIX,

es que cualquier señal, como por ejemplo una grabación de sonido, se puede representar

como la suma de una serie de sinusoides o cosinusoides con distintas frecuencias y

amplitudes. Así, esta serie de ondas se puede manipular con relativa facilidad. Esto permite,

por ejemplo, que una grabación de audio se comprima o se pueda eliminar el ‘ruido’. A

mediados de la década de 1960 se creó un algoritmo para la computación denominado

‘Transformada Rápida de Fourier’ (FFT: Fast Fourier Transform).

Cualquiera que se haya quedado maravillado ante el diminuto tamaño de un archivo MP3

en comparación con la misma grabación en su estado sin comprimir conoce la potencia de

la FFT en acción.

2.1 LAS ONDAS

Comúnmente las ondas no deseadas en un medio de propagación son canceladas

usando técnicas pasivas que consisten principalmente en el uso de materiales

resistivos para eliminar la misma. El Control Activo de Ruido (CAR) es una técnica

diferente, que consiste en aprovechar el principio de superposición, generando una

onda anti-ruido con la misma amplitud y de fase contraria a la onda que se desea

atenuar, eliminando el ruido con una interferencia destructiva (o cancelación en fase)

de manera eficiente.

7
 Fig.1

2.2 TRANSFORMADA Z

La Transformada Z es usada para el análisis de señales en tiempo discreto de manera

similar al uso de la Transformada de Laplace para analizar señales continuas en el

tiempo. Así como la transformada de Laplace es usada para resolver ecuaciones

diferenciales que representan un filtro analógico, la transformada Z puede ser

empleada para resolver una ecuación en diferencias que represente un filtro digital.

8
 La transformada Z evaluada en el círculo unitario corresponde a la transformada de

Fourier. Note que ω es el ángulo entre el vector de un punto z en el círculo unitario y

el eje real del plano z

Fig. 2

3. PLANTEAMIENTO DE ESTUDIO

La transformada de Fourier es una operación matemática fundamental para algunas

disciplinas como las telecomunicaciones o la física. Sin ellas no existirían las

9
 telecomunicaciones modernas, no solo internet o la telefonía móvil, sino la propia telefonía
convencional.

Sin entrar a valorar las matemáticas detrás de ellas, lo que permite la transformada de
Fourier es convertir cualquier función matemática a otro dominio, denominado el dominio
de la frecuencia. Esto facilita tratar y analizar las funciones de una alternativa. Como es
muy genérico vamos a poner algún ejemplo.

Un ingeniero de sonido puede tener una grabación de audio con mucho ruido, por ejemplo,
porque había un pitido en el ambiente. Estos ruidos muchas veces pueden eliminarse, pero
para ello habría que separar la parte del sonido deseada y la que se quiere eliminar. Esta
separación muchas veces es imposible por métodos convencionales, ya que la señal que se
tiene está ya sumada, y sin saber una de las partes es imposible eliminar la otra.

Sin embargo, con la transformada de Fourier se puede ver la señal en el dominio de la

frecuencia, es decir, descomponiendo la señal en las distintas frecuencias que la componen
(los sonidos graves y agudos). Viendo la señal en este dominio es posible que el ruido, que
puede tener solo algunos componentes frecuenciales, se vea claramente separado, y por
tanto se pueda filtrar, y volver de nuevo al domino temporal, teniendo así una señal limpia
de ruido.

En telecomunicaciones pasa algo parecido. Se pueden transmitir señales en el aire a través

de ondas electromagnéticas separándolas en distintas frecuencias. Esto permite utilizar
todo el espectro radioeléctrico para transmitir señales y poder tener así en el aire señales
de radio, televisión, telefonía móvil y wi-fi (por ejemplo) en un ambiente dado pero que
cada aparato electrónico escuche lo que necesita. Todos los aparatos electrónicos tienen
elementos que son capaces de elegir las frecuencias que necesitan y esto es gracias al
desarrollo matemático de la transformada de Fourier.

4. OBJETO DE ESTUDIO

10
 Migrar desde la Transformada Continua de Fourier, la cual sirve fundamentalmente

desde un contexto puramente matemático, a la Transformada Discreta de Fourier, que

es la adecuada para trabajar con computadoras digitales.

 Resolver la Transformada (y Transformada Inversa) Discreta de señales que pueden

ser fácilmente tratadas con la Transformada Continua. Esto es para establecer a esta

última como "patrón" de comparación de los resultados obtenidos con la Discreta y

marcar pautas a tener en cuenta respecto de los errores que se pueden cometer.

 Generalizar los conceptos anteriores para la resolución de problemas de Análisis y

Síntesis Armónicos. Es decir, la aplicación de la Transformada Discreta de Fourier a

señales periódicas.

 Escribir un programa de computadora, que permita aplicar el algoritmo de la

Transformada Rápida de Fourier en trabajos de procesamiento de señales

provenientes del mundo exterior, en tiempo real.

11
  Desarrollar algunas técnicas del procesamiento de señales que involucran series y

transformadas de Fourier, particularizaremos sobre el análisis del espectro y de

sistemas, el filtrado y el muestreo de señales.

 Tener conocimientos teóricos y metodológicos necesarios para trabajar con señales

tanto continuas como discretas y sistemas LIT (lineales e invariantes en el tiempo) en

el dominio del tiempo y de la frecuencia.

 Explicar algunas de las aplicaciones de las Transformadas Discretas de Fourier y para

que nos favorece en la vida diaria.

5. MARCO TEORICO

12
5.1 LA TRANSFORMADA DISCRETA DE FOURIER

Es un caso particular de la Transformada de Fourier, usada principalmente para el

análisis de señales discretas en el dominio de la frecuencia. Transforma una

función de entrada que sea de naturaleza discreta y con duración finita. Al usar la

TDF, se debe de tomar en cuenta que la señal analizada sea un periodo de una

señal periódica que se extiende de manera infinita; en caso de que esto no sea

posible, se debe de usar una función ventana para reducir errores en el espectro de

la señal.

La transformada de Fourier de una señal discreta y periódica está dada por la

siguiente ecuación:

N−1

X(k) = ∑ x[n]Wkn N
n=0

La relación entre estas dos ecuaciones se puede representar como

x[n] DF T ⇐⇒ X(k)

13
Una descripción sencilla de las ecuaciones anteriores, es que los números

complejos X(k) representan la amplitud y la fase de las componentes senoidales de

la señal de entrada x[n]. La TDF calcula X(k) a partir de los valores discretos de

x[n]; mientras que con la TDFI calculamos x[n] como la suma de las componentes

senoidales X(k)∗e −j 2πkn N con frecuencia k/N ciclos por muestra.

Si se escriben las ecuaciones como la forma anterior, hacemos uso extensivo de la

fórmula de Euler para expresar senoidales en términos de exponenciales complejos,

los cuales son mucho más fáciles de manipular. Las principales propiedades de la

TDF, son su periodicidad y simetría. Un periodo de una señal se extendería de f = 0

a fs, donde fs = 1/N es la frecuencia de muestreo. Además, cuando la región entre 0

y fs es examinada, podemos encontrar simetría alrededor del punto intermedio

0.5fs, es decir, la frecuencia de Nyquist. Esto se muestra en la figura 3.

Como ya se mencionó antes, la señal a transformar es una secuencia finita de

números reales o complejos, lo cual hace de la transformada discreta de Fourier

ideal para procesar información digital.

La TDF es usada ampliamente en el procesamiento digital de señales para analizar

y procesar señales digitalizadas, además de resolver ecuaciones diferenciales

14
 parciales, realizar operaciones de convolucion o multiplicar números enteros muy

grandes.

Un factor clave que a permitido el desarrollo de todas estas aplicaciones es el hecho

de que la TDF puede ser calculada de manera muy eficiente utilizando un algoritmo

de Transformada Rápida de Fourier.

Fig.3

5.2 DIGITALIZACION DE LA SEÑAL DE AUDIO

15
 Al tener una señal analógica, en este caso el sonido, y le aplicamos un tren de pulso,

se obtiene una señal digital, el cual se le conoce como señal muestreada o

simplemente muestreo, tal como se muestra en la Fig.Nº4.

Fig. 4

5.2.1 TASA DE MUESTREO DE NYQUIST

La señal muestreada es una repetición infinita del espectro de la señal digital.

La señal original se recupera si la frecuencia de los pulsos de muestreo es el

doble de la frecuencia máxima de la señal original. Esta se designa como

frecuencia de Nyquist, como se muestra en la Fig. Nº 5

16
 Fig. 5

A una frecuencia de muestreo diferente que la de Nyquist (Fig.6 y Fig.7), el espectro

resultante es una sucesión de espectros solapados y la señal original no puede

recuperarse.

Fig.6

Fig.7

17
 En la siguiente tabla se aprecia las frecuencias de muestreo de algunas
aplicaciones típicas.

Frecuencia de Aplicación
muestreo
8 Telefonía digital

22.05 Computadoras personales

32 Audio digital y televisión

48 Cintas de audio digital y HDTV

5.3 TRANSFORMADA INVERSA DE FOURIER

Definición Como en el caso de la transformada de Laplace, dada la función 𝐹(𝜔)

nos preguntamos si existe una función 𝑓(𝑡) de forma que se cumpla:

ℱ[𝑓](𝜔) = 𝐹(𝜔)

Diremos entonces que 𝑓(𝑡) es la transformada inversa de 𝐹(𝜔)

ℱ −1 [𝐹(𝜔)](𝑡) = 𝑓(𝑡)

Esta inversa se puede calcular también de forma directa a través de una integral

1 ∞
ℱ −1 [𝐹(𝜔)](𝑡) = ∫ 𝐹(𝜔)𝑒 𝑖𝜔𝑡 𝑑𝜔
2𝜋 −∞

18
Donde:

 t: Tiempo

 f: Frecuencia en Hz

 f(t): Señal de prueba

 𝑒 −𝑖𝜔𝑡 : Fasor de sondeo (Kernel Function)

 𝐹(𝜔): Espectro en función de 𝜔

𝑓(𝑡) ↔ 𝐹(𝜔), es decir para una función 𝑓(𝑡)existe un equivalente 𝐹(𝜔).

A partir de la transformada, podemos recuperar la señal original tomando

transformada inversa de Fourier.

Proposición 1.1 La transformada de Fourier inversa tiene las siguientes

propiedades algebraicas:

1. Linealidad:

ℱ −1 [𝛼𝐹(𝜔) + 𝛽𝐺(𝜔)](𝑡) = 𝛼ℱ −1 [𝐹(𝜔)](𝑡) + 𝛽ℱ −1 [𝐺(𝜔)](𝑡)

19
2. Dualidad:

Debido a la simetría de las expresiones del par de transformadas de Fourier,

tendremos la siguiente propiedad de dualidad, que nos facilita el cálculo de

algunas transformadas.

ℱ ℱ
𝑔(𝑡) ↔ 𝑓(𝜔) ⟺ 𝑓(𝑡) ↔ 2𝜋𝑔(−𝜔)

Por ejemplo, dada la señal en tiempo continuo:

2
𝑥(𝑡) =
1 + 𝑡2

Si tenemos en cuenta que la transformada de Fourier de

𝑔(𝑡) = 𝑒 −|𝑡|

Es: 2
𝑓(𝜔) =
1 + 𝜔2

Es decir
𝑥(𝑡) = 𝑓(𝑡)

20
 Entonces 𝑋(𝜔) = 2𝜋𝑔(−𝜔) = 2𝜋𝑒 −|𝜔|

3. Traslación
ℱ −1 [𝐹(𝜔 − 𝑎)](𝑡) = 𝑒 𝑎𝑡 ℱ −1 [𝐹(𝜔)](𝑡)

4. Convolución

ℱ −1 [𝐹. 𝐺(𝜔)](𝑡) = ℱ −1 [𝐹(𝜔). 𝐺(𝜔)](𝑡)

= ℱ −1 [𝐹(𝜔)](𝑡) ∗ ℱ −1 [𝐺(𝜔)](𝑡)

Ejemplo:

Calcular la transformada inversa de Fourier de los siguientes

espectros 𝐹(𝜔)

a. 𝐹(𝜔) = sin(𝜔𝑡0 )

1 +∞ 1 +∞ 𝜔𝑡 𝑖
𝑓(𝑡) = ∫ sin(𝜔𝑡0 ) 𝑒 𝑖𝜔𝑡 𝑑𝜔 = ∫ [𝑒 0 − 𝑒 −𝜔𝑡0 𝑖 ]𝑒 𝑖𝜔𝑡 𝑑𝜔
2𝜋 −∞ 4𝜋𝑖 −∞
+∞ +∞
1 𝜔(𝑡0 +𝑡)𝑖
𝑓(𝑡) = [∫ 𝑒 𝑑𝜔 − ∫ 𝑒 𝜔(𝑡0 −𝑡)𝑖 𝑑𝜔]
4𝜋𝑖 −∞ −∞
𝜔(𝑡0 +𝑡)𝑖
1 𝑒 +∞ 𝑒 𝜔(𝑡0 −𝑡)𝑖 +∞
𝑓(𝑡) = [ | − | ]
4𝜋𝑖 (𝑡0 + 𝑡)𝑖 −∞ (𝑡0 − 𝑡)𝑖 −∞

21
b. 𝐹(𝜔) = u(𝜔)

1 +∞ 𝑖𝜔𝑡 1 𝑒 𝑖𝜔𝑡 +∞ 1 1
𝑓(𝑡) = ∫ 1. 𝑒 𝑑𝜔 = ( )| = ( )
2𝜋 0 2𝜋 𝑡𝑖 0 2𝜋 𝑡𝑖

c. De la figura 1.1

Solución

0 𝜔0 ⁄2
𝐴 𝑖𝜔𝑡
𝑓(𝑡) = [− ∫ 𝑒 𝑑𝜔 + ∫ 𝑒 𝑖𝜔𝑡 𝑑𝜔]
2𝜋 −𝜔0 ⁄2 0

𝐴 𝑒 𝑖𝜔𝑡 0 𝑒 𝑖𝜔𝑡 𝜔0 ⁄2
𝑓(𝑡) = [− | + | ]
2𝜋 𝑖𝑡 −𝜔0 ⁄2 𝑖𝑡 0

𝜔0 𝜔0
𝐴 1 𝑒 −𝑖 2 𝑡 𝑒 𝑖 2 𝑡 1 𝐴
𝑓(𝑡) = [− + + − ]=
2𝜋 𝑖𝑡 𝑖𝑡 𝑖𝑡 𝑖𝑡 2𝜋

22
5.4 APLICACIONES DE LA TRANSFORMADA DE FOURIER

5.4.1 TRANSFORMADA DE FOURIER EN EL MP3

En matemáticas, la transformada de Fourier discreta, designada con

frecuencia por la abreviatura DFT (DFT: Discrete Fourier Transform), y

a la que en ocasiones se denomina Transformada de Fourier Finita, es una

transformada de Fourier ampliamente empleada en tratamiento de señales

y en campos afines para analizar las frecuencias presentes en una señal

muestreada, resolver ecuaciones diferenciales parciales y realizar otras

operaciones, como convoluciones. Es utilizada en el proceso de

elaboración de un fichero MP3.

La transformada de Fourier discreta puede calcularse de modo muy

eficiente mediante el algoritmo FFT.

5.4.2 TRANSFORMADA DE FOURIER EN SEÑALES DISCRETAS Y

ALGORITMO PARA MP3

En la sección anterior se ha desarrollado la Teoría de Transformada de

Fourier para funciones continuas y que cumplen la condición de

convergencia absoluta, la Transformada de señales discretas es en

realidad una particularidad donde la función continua se reemplaza por

una función discreta.

23
 El algoritmo para hallar la Transformada de Fourier de funciones

discretas está dada por el algoritmo FFT, los detalles de este algoritmo

están en el anexo del presente trabajo, el estudio del orden de la

complejidad de este algoritmo se ajusta a algoritmos rápidos, por eso es

una herramienta muy poderosa en tratamiento de señales, se puede

obtener mayor información y detalles. Se muestra en la Fig.Nº21 el

esquema FFT.

5.4.2.1 ALGORITMO FFT PARA EL MP3

La transformada de Fourier discreta puede calcularse de modo muy

eficiente

Mediante el algoritmo FFT.

Fig.9

24
El algoritmo que se plantea está basado en el método denominado

“doblamiento sucesivo o procedimiento de descomposición”.

El ahorro o reducción en el número de operaciones es significativo para

valores de N como los que es doble esperar en imágenes prácticas, por

ejemplo, para una imagen de 1024 x 1024 pixeles.

N = 1024, se tendría:

= 1.048.576log operaciones complejas.

Ejemplo:

Muestreo de señal analógica

Fig. 10

Representación gráfica de medio ciclo positivo (+) correspondiente a una

señal eléctrica analógica de sonido, con sus correspondientes armónicos.

Como se podrá observar en la Fig. Nº 3.3, los valores de variación de la

tensión o voltaje en esta sinusoide pueden variar en una escala que va de

“0” a “7” volt.

25
Para convertir una señal analógica en digital, el primer paso consiste en

realizar un muestreo (sampling) de ésta, o lo que es igual, tomar

diferentes muestras de tensiones o voltajes en diferentes puntos de la

onda senoidal. La frecuencia a la que se realiza el muestreo se denomina

razón, tasa o también frecuencia de muestreo y se mide en kilohertz

(kHz). En el caso de una grabación digital de audio, a mayor cantidad de

muestras tomadas, mayor calidad y fidelidad tendrá la señal digital

resultante.

Durante el proceso de muestreo se asignan valores numéricos

equivalentes a la tensión o voltaje existente en diferentes puntos de la

sinusoide, con la finalidad de realizar a continuación el proceso de

cuantización

Las tasas o frecuencias de muestreo más utilizadas para audio digital son

las siguientes:

24 000 muestras por segundo (24 kHz)

30 000 muestras por segundo (30 kHz)

44 100 muestras por segundo (44,1 kHz) (Calidad de CD)

48 000 muestras por segundo (48 kHz)

26
 Fig. 11

Para realizar el muestreo (sampling) de una señal eléctrica analógica y

convertirla después en digital, el primer paso consiste en tomar valores

discretos de tensión o voltaje a intervalos regulares en diferentes puntos

de la onda senoidal.

Por tanto, una señal cuyo muestreo se realice a 24 kHz, tendrá menos

calidad y fidelidad que otra realizada a 48 kHz. Sin embargo, mientras

mayor sea el número de muestras tomadas, mayor será también el ancho

de banda necesario para transmitir una señal digital, requiriendo también

un espacio mucho mayor para almacenarla en un CD o un DVD.

En la grabación de CDs de música, los estudios de sonido utilizan un

estándar de muestreo de 44,1 kHz a 16 bits. Esos son los dos parámetros

requeridos para que una grabación digital cualquiera posea lo que se

conoce como “calidad de CD”.

27
5.4.2.2 CONDICION DE NYQUIST

El ingeniero sueco Harry Nyquist formuló el siguiente teorema para

obtener una grabación digital de calidad:

“La frecuencia de muestreo mínima requerida para realizar una

grabación digital de calidad, debe ser igual al doble de la

frecuencia de audio de la señal analógica que se pretenda

digitalizar y grabar”.

Este teorema recibe también el nombre de “Condición de Nyquist”.

Es decir, que la tasa de muestreo se debe realizar, al menos, al doble

de la frecuencia de los sonidos más agudos que puede captar el oído

humano que son 20 mil Hertz por segundo (20 kHz). Por ese motivo

se escogió la frecuencia de 44,1 kHz como tasa de muestreo para

obtener “calidad de CD”, pues al ser un poco más del doble de 20

kHz, incluye las frecuencias más altas que el sentido del oído puede

captar.

Tasa de muestreo = doble de la frecuencia

28
5.4.2.3 CUANTIZACION DE LA SEÑAL ANALOGICA

Una vez realizado el muestreo, el siguiente paso es la cuantización

(quantization) de la señal analógica. Por tanto, la cuantización

representa el componente de muestreo de las variaciones de valores

de tensiones o voltajes tomados en diferentes puntos de la onda

sinusoidal, que permite medirlos y asignarles sus correspondientes

valores en el sistema numérico decimal, antes de convertir esos

valores en sistema numérico binario, como se muestra en la Fig.12.

Fig. 12

5.4.2.4 CODIFICACION DE LA SEÑAL EN CODIGO BINARIO

Después de realizada la cuantización, los valores de las tomas de

voltajes se representan numéricamente por medio de códigos y

estándares previamente establecidos. Lo más común es codificar la

29
 señal digital en código numérico binario, la misma se muestra en la

Fig. 13.

Fig.13

La codificación permite asignarle valores numéricos binarios

equivalente s a los valores de tensiones o voltajes que conforman la señal

eléctrica analógica original.

En este ejemplo gráfico de codificación, es posible observar cómo se ha

obtenido una señal digital y el código binario correspondiente a los

niveles de voltaje que posee la señal analógica.

La siguiente tabla muestra los valores numéricos del 0 al 7, pertenecientes

al sistema decimal y sus equivalentes en código numérico binario. En la

tabla mostrada (se puede observar que, utilizando sólo tres bits por cada

número en código binario, se pueden representar ocho niveles o estados

de cuantización.

30
 Tabla N.2

5.4.3 TRANSFORMADA DE FOURIER EN APLICACIÓN EN EL

DISEÑO DE FILTROS DIGITALES

Una imagen se puede filtrar en el dominio de la frecuencia o en el dominio

del espacio.

Los filtros en el dominio de la frecuencia se usan, principalmente, para

eliminar altas o bajas frecuencias de la imagen, lo que se traduce en

suavizar la imagen, o bien, realzar o detectar bordes.

Fig. 14

31
 Los pasos a seguir son:

 Se multiplica cada entrada f (x, y) por (-1) x+y.

 Se transforma la imagen en su dominio de la frecuencia mediante

la Transformada Discreta de Fourier, F (u, v).

 Se multiplica por un filtro de frecuencia H (u, v), para cada (u, v):

G (u, v) =H (u, v) F (u, v).

 Se calcula la inversa de la TDF de G (u, v) (tomando la parte real),

volviendo, así, al dominio del espacio.

 Se vuelve a multiplicar por (-1) x+y. (Castleman, 1996)

Básicamente, hay tres tipos diferentes de filtros de frecuencia:

1. Filtros de paso bajo (lowpass filter)

Deja inalterables las bajas frecuencias y atenúa o elimina las altas

frecuencias. El resultado en el dominio del espacio consiste en un

suavizado: eliminar pequeños detalles y ruidos de la imagen. El más

sencillo es el “Filtro ideal de paso bajo”.

32
A diferencia del filtro ideal pasa-bajos, la función de transferencia

del filtro Butterworth no tiene una discontinuidad evidente que

establezca una frecuencia de corte bien determinada.

Para aquellos filtros que tienen una función transferencia continua

(o suavizada) es común definir una frecuencia de corte en un punto

tal que H(u,v) esté por debajo de una cierta fracción de su máximo.

En el caso del filtro Butterworth, H(u,v)=0.5 (50% de su máximo

valor, o sea, 1) cuando D(u,v)=Do, para n=1, el filtro Butterworth

no presenta oscilaciones; para n=2, las oscilaciones son casi

imperceptibles; mientras que para n>2, los filtros Butterworth

presentan oscilaciones indeseadas Si bien se utilizan diferentes n

para el cálculo del filtro Butterworth, el de segundo orden (n=2) es

el que generalmente se elige ya que tiene un buen compromiso entre

un filtrado pasa-bajos efectivo y oscilaciones de intensidad

aceptable.

Los filtros pasa bajos más usados son los Butterworth y el

Gaussiano, en el primero su orden n lo va haciendo más ideal

cuando su índice n va aumentando, como se muestra en las figuras

respectivas.

33
 Fig. 15 y 16

2. Filtros de paso alto (highpass filter)

Deja inalterables las altas frecuencias y atenúa o elimina las bajas

frecuencias. El resultado en el dominio del espacio consiste en un

realzado de los cambios bruscos de niveles de grises. De ahí que se

use para detectar bordes. Las áreas de niveles de gris constantes o

con poca variación se corresponden con las bajas frecuencias, que

se suprimen. El más sencillo es el “Filtro ideal de paso alto”.

Donde D (u, v) es la distancia euclidiana de (u, v) al origen del

plano de frecuencias y D0 es la llamada frecuencia de corte.

Fig. 17

34
 Debido a que, como se mencionó anteriormente, es más práctico

trabajar con un espectro centrado (la frecuencia cero de la TDF

en el centro), el centro del espectro está dado por (u, v)

=(M/2,N/2).

Fig.18

3. Filtro de banda (bandpass filter)

Un filtro de banda atenúa las altas y bajas frecuencias, pero

mantiene intactas las frecuencias que se encuentren en una banda

determinada. En el caso del filtro ideal, sólo deja pasar las

frecuencias que están entre dos frecuencias de corte. Se puede

obtener un filtro de banda multiplicando uno de paso bajo por uno

de paso alto, en el que la frecuencia de corte del de paso bajo sea

superior a la del de paso alto. El opuesto al filtro de paso de banda

sería de “rechazo de banda” (bandreject o band-stop), en el que se

atenúan las frecuencias de la banda, pero se mantienen la

frecuencia fuera de ella.

35
 En el caso del gaussiano, se obtienen resultados comparables a los

del filtro Butterworth (sin anillos). Mediante la transformada

inversa de Fourier de H (u, v) se obtiene un filtro espacial.

Gaussiano.

Este tipo de filtro es de particular importancia ya que su forma está

fácilmente especificada y porque tanto su TDF como su TDF

inversa son funciones Gaussianas reales.

Resultados al aplicar los filtros hablados correspondientemente

El primer filtro que se presenta muestra de la forma ideal, con la cual se

compararán los tipos de filtrado. La figura 19 muestra la imagen

principal, junto con su espectro de frecuencias en la figura 20.

Fig. 19 y 20

36
Se aplica un filtro pasa bajos el cual se muestra el deterioro en la

imagen siguiente seguido del espectro el cual solo deja pasar

frecuencias deseadas con una distancia euclidiana central.

Fig. 21

Las gráficas mostradas a continuación muestran el filtrado pasa bajas

de tipo Butterworth, se observa que a varios cambios de frecuencia de

corte en aumento (D0), el mismo se mantiene dejando pasar solo las

frecuencias bajas y eliminando las altas.

Se observa que, al variar el orden del filtro, tiene un comportamiento de

bajada pronunciado o tenue, de este modo se compara las gráficas con

la figura 20.

37
Fig. 22

38
Cuando el filtro es aplicado a una imagen, se denota los cambios que

surgen en la misma al elevar el orden del filtro, se puede observar los

niveles de grises y la nitidez de la figura 23 vs 24 ,25.

Fig. 23 ,24 y 25 respectivamente

Según el análisis espectral realizado, la frecuencia está directamente

relacionada con la velocidad de los cambios en el nivel de gris.

La componente de frecuencia de variación más lenta (u=v=0)

corresponde al promediado de los niveles de gris en la imagen. A

medida que nos alejamos del origen de la transformada, la frecuencia

de las componentes va aumentando correspondiendo a variaciones en la

intensidad cada vez más rápidas.

39
 Fig 26, 27, 28 y 29

5.4.4 PROCESAMIENTO DIGITALES DE SEÑALES

El Procesamiento de Señales Digitales o DSP (sigla en inglés de Digital

Signal Processing) es la manipulación matemática de una señal de

información para modificarla o mejorarla en algún sentido. Este está

caracterizado por la representación en el dominio del tiempo discreto, en

el dominio frecuencia discreta, u otro dominio discreto de señales por

medio de una secuencia de números o símbolos y el procesado de esas

señales.

40
 Esto se puede conseguir mediante un sistema basado en un procesador o

microprocesador que posee un juego de instrucciones, un hardware y un

software optimizados para aplicaciones que requieran operaciones

numéricas a muy alta velocidad. Debido a esto es especialmente útil para

el procesado y representación de señales analógicas en tiempo real: en un

sistema que trabaje de esta forma (tiempo real) se reciben muestras

(samples en inglés), normalmente provenientes de un conversor

analógico/digital (ADC). Se puede trabajar con señales analógicas, pero es

un sistema digital, por lo tanto, necesitará un conversor analógico/digital a

su entrada y digital/analógico en la salida. Como todo sistema basado en

procesador programable necesita una memoria donde almacenar los datos

con los que trabajará y el programa que ejecuta.

5.4.4.1 ¿Por qué procesar digitalmente?

Existen procesos que son muy difíciles o casi imposibles de

realizar por analógicamente como Filtros FIR con fase lineal o

Filtrado Adaptable.

El procesamiento analógico es realizado con: ‘resistores,

capacitores, inductores, etc. La tolerancia inherente de estas

componentes, temperatura, cambios de voltaje y vibraciones

mecánicas pueden afectar el desempeño de los circuitos analógicos.

41
5.4.4.2 Ventajas del procesamiento digital de señales

La respuesta es fácil, debido a son más confiables y ofrecen una

serie de ventajas muy por encima de las que puede brindar su

contraparte, es decir el PAS; a continuación, las siguientes

ventajas:

 Ofrecen mayores facilidades, en comparación con las

analógicas, para ser recuperadas.

 Variaciones en su forma. Con circuitos analógicos, una gran

distorsión puede dar una reproducción de la onda con una

distorsión inaceptable. Una vez que la señal analógica esta

distorsionada, la distorsión no puede ser removida por los

amplificadores. Además, la inserción de ruido en sistemas

analógicos es irrecuperable, y esta no puede ser

perfectamente regenerada.

 Con las técnicas digitales, se produce una taza de error

extremadamente baja, produciendo una señal de alta

fidelidad con posibilidad de detección de error y corrección

por un proceso similar que no es compatible con los

analógicos.

42
 Hay otras importantes ventajas para las comunicaciones

digitales son más seguras y pueden ser producidas a

un costo más bajo que los circuitos analógicos.

 También, el hardware digital presenta una mayor

flexibilidad para su implementación que el hardware

analógico. La combinación de señales digitales usando

multiplexión por división de tiempo (TDM) la cual es más

simple que la combinación de señales analógicas usando

multiplexión por división de frecuencia (FDM).

 Diferentes tipos de señales digitales pueden ser tratadas con

señales similares y ser transmitidas y switcheadas bit a bit.

También por un swicht conveniente, los mensajes digitados

pueden ser transmitidos en grupos autónomos denominados

paquetes. La técnica digital presenta condiciones naturales

para el procesamiento de la señal que protegen de

interferencia y jaming o para proveer encriptación y

privacidad. También, aplica en comunicaciones

entre computadoras y entre un instrumento digital o un

terminal para computación.

43
 El tiempo de los componentes y las derivas térmicas no

afectan el resultado del proceso.

 Todos los dispositivos fabricados se comportan de forma

idéntica, debido a que la tolerancia de los componentes no

influye en el procesamiento. Las tolerancias de los

componentes en un sistema análogo hacen que esto sea una

dificultad para el diseñador al controlar la exactitud de la

señal de salida análoga. Por otro lado, la exactitud de la

señal de salida para un sistema digital es predecible y

controlable por el tipo de aritmética usada y el número de

bits usado en los cálculos.

 Se puede reconfigurar un dispositivo modificando los

valores de algunos coeficientes; no es necesario ajustar

potenciómetros o reemplazar componentes.

 El procesamiento análogo de señales de muy baja

frecuencia se dificulta debido al requerimiento

de capacitores de gran capacidad y muy baja corriente de

fuga. En el caso del procesamiento digital no existen

limitaciones; se puede procesar señales con periodos de

horas (tales como las mareas) e incluso de años (manchas

solares).

44
 El tamaño de los componentes es constante.

 El procesamiento digital es capaz de realizar tareas muy

complejas.

 Los sistemas digitales ofrecen una mayor flexibilidad que

los correspondientes sistemas análogos.

 Mayor precisión y mayor exactitud pueden ser obtenidos

con sistemas digitales, comparado con los correspondientes

sistemas análogos.

 Un sistema programable permite flexibilidad en la

reconfiguración de aplicaciones DSP.

 Las señales digitales pueden ser almacenadas en un disco

flexible, Disco Duro o CD–ROM, sin la pérdida de

fidelidad más allá que el introducido por el convertidor

Análogo Digital (CAD). Éste no es el caso para las señales

análogas.

45
5.4.4.3 Diagrama de bloques de un sistema de procesamiento digital de

señales

En el procesamiento: convolución, correlación, Transformada de

Fourier Discreta

Dispositivos para el procesamiento digital: PC, microprocesadores,

microcontroladores, DSPs (Digital Signal Processors), ASICs

(Application Specific Integrated Circuit)

5.4.4.4 Señales y Sinusoides

Una señal es cualquier cantidad física que puede ser representada

como una función de una variable independiente.

La variable independiente puede ser tiempo, frecuencia, etc.

Las sinusoides juegan un papel muy importante en el

procesamiento de señales, ya que:

46
  Son fáciles de generar

 Son fáciles de trabajar con ellas, ya que sus propiedades

matemáticas son bien conocidas. Y lo más importante:

Todas las señales pueden ser representadas como una suma

de sinusoides.

 Transformada de Fourier

En tiempo continuo 𝑦(𝑡) = 𝐴𝑠𝑒𝑛(Ω𝑡 − 𝜃)

Donde A: Amplitud, Ω: Frecuencia Angular y 𝜃: Fase

5.4.4.5 Muestreo

Fig.30

47
El muestreo es la operación que consiste en tomar muestras

periódicas de los valores de una señal continua (analógica) a

intervalos regulares de tiempo (o de la variable independiente).

La frecuencia a la cual se capturan los valores se dice frecuencia

de muestreo.

El muestreo es el primer proceso que interviene en la

conversión de una señal analógica en digital. Los otros procesos

matemáticos son la cuantificación (asignación de un margen de

valor a un único nivel de salida por ejemplo por redondeo o

truncamiento sobre una precisión determinada) y la codificación

(traducción de los valores cuantificados a un código,

generalmente binario).

La cuantificación, al contrario del muestreo, no es reversible

pues se produce una pérdida de información que se traduce en

un error llamado ruido de cuantificación. Durante el muestreo la

señal es aún analógica (puede tomar cualquier valor), a partir de

la cuantificación la señal se vuelve digital (toma ya valores

finitos).

Esta transcripción a señales digitales se realiza con el objetivo

de facilitar su procesamiento (compresión, etc.) y darle a la

señal resultante mayor inmunidad al ruido y otras interferencias

a las que son más sensibles las señales analógicas.

48
 Según el teorema de Nyquist-Shannon para replicar con

exactitud la forma de la señal la frecuencia de muestreo debe ser

superior al doble de la máxima frecuencia a muestrear. Esa

frecuencia límite se llama frecuencia de Nyquist. Por ejemplo,

un CD de audio contiene datos musicales muestreados a

44,1kHz (44 100 muestras por segundo) ya que el oído humano

puede captar los sonidos hasta 16kHz y a veces hasta 22kHz.

El muestreo es una de las partes del proceso de digitalización de

las señales.

Consiste en tomar muestras de una señal analógica a

una frecuencia o tasa de muestreo constante,

para cuantificarlas posteriormente. Basado en el teorema de

muestreo, es la base de la representación discreta de una señal

continua en banda limitada.

5.4.4.6 Transformadas

Uno de los beneficios principales del DSP es que las

transformaciones de señales son más sencillas de realizar. Una

de las más importantes transformadas es la Transformada

Discreta de Fourier (TDF). Esta transformada convierte la señal

del dominio del tiempo al dominio de la frecuencia. La TFD

permite un análisis más sencillo y eficaz sobre la frecuencia,

sobre todo en aplicaciones de eliminación de ruido y en

49
 otros tipos de filtrado (filtros de paso bajo, de paso alto, de paso

banda, de rechazo de banda, etc.).

5.4.4.7 Teorema de muestreo

Sea f(t) una señal analógica, cuya frecuencia más

alta es fM (o sea que la señal es de banda limitada).

Si se realiza un muestreo regular de f(t) con

frecuencia de muestreo mayor o igual a 2 fM ,

entonces f(t) se puede determinar por completo a

partir de la señal discreta.

Teorema del muestreo uniforme en el dominio del tiempo

Dicho de otra manera, la información completa de la señal analógica

original que cumple el criterio anterior se describe completamente

por la serie total de muestras resultantes del proceso de muestreo, de

la siguiente manera:

sin 𝜔𝑀 (𝑡−𝑛𝑇)
𝑓(𝑡) = ∑∞
𝑛=−∞ 𝑓(𝑛𝑇) 𝜔𝑀 (𝑡−𝑛𝑇)

50
 ∞
 o 𝑛𝜋 sin 𝜔𝑀 (𝑡 − 𝑛𝑇)
𝑓(𝑡) = ∑ 𝑓( )
𝜔𝑀 𝜔𝑀 (𝑡 − 𝑛𝑇)
𝑛=−∞

 Donde 1
𝜔𝑀 = 2𝜋𝑓𝑀 ; 𝑇 =
2𝑓𝑀

 Se observa que cada muestra está multiplicada por la función

“muestreadora”:

sin 𝜔𝑀 (𝑡 − 𝑛𝑇)
𝑆𝑎[ 𝜔𝑀 (𝑡 − 𝑛𝑇)] =
𝜔𝑀 (𝑡 − 𝑛𝑇)

 y todas estas funciones resultantes se suman para obtener 𝑓(𝑡)

(a) La función de banda

limitada f(t)
(b) La función muestreada
(c) Reconstrucción de una
forma de onda

Fig. 31

51
En caso de que la señal sea muestreada a una tasa inferior a la indicada

las trasladadas vecinas se superponen dando origen al fenómeno

llamado “aliasing” y no se puede recuperar la señal inicial. Si se

cumple con la condición indicada de nada sirve aumentar la

frecuencia de muestreo.

Encabalgamiento de señales

“Aliasing”

Fig. 32

Como se constata con las fórmulas expuestas la señal analógica no se

obtiene mediante interpolación lineal de los puntos resultantes del

muestreo.

También existe un teorema similar cuando se considera el dominio de

las frecuencias.

52
 Sea 𝑓(𝑡) una señal analógica, cuyo banda ]−𝑇, 𝑇[(es decir fuera de

ese intervalo 𝑓(𝑡)=0), entonces su transformada de Fourier

𝐹(𝜔) se puede determinar en forma unívoca a partir de los valores de F

tomados en los puntos equidistantes 𝑛𝜋⁄𝑇, mediante la fórmula

∞
𝑛𝜋 sin(𝜔𝑡 − 𝑛𝜋)
𝐹(𝜔) = ∑ 𝐹( )
𝑇 (𝜔𝑡 − 𝑛𝜋)
𝑛=−∞

Teorema del muestreo uniforme en el dominio de la frecuencia

Se puede procesar una señal para obtener una disminución del nivel de ruido, para

mejorar la presencia de determinados matices, como los graves o los agudos. Así, el

DSP se utiliza en el procesamiento de música (por ejemplo, MP3), de voz (por

ejemplo, reconocimiento de voz) en teléfonos celulares, de imágenes (en la

transmisión de imágenes satelitales) y vídeo (DVD).

Procesamiento de voz

 Compresión

 Reconocimiento

 Verificación, adecuación de voz

 Síntesis de voz

 Amplificación

 Cancelación de eco

53
Procesamiento de audio

 Compresión

 Reproducción 3-D

Procesamiento de Imágenes

 Compresión

 Reconocimiento de Patrones

 Cancelación de fantasmas (Ghost cancellation)

 Reducción de ruido

 Seguimiento de objetos

 Fusión de imágenes

Comunicaciones

 Telefonía Celular

 Teléfonos satelitales

 Módems y LAN inalámbricas

 Encriptado

 Radar (radio detection and ranging, “detección y medición de distancias por

radiofrecuencia) y Sonar (SOund NAvigation and Ranging y determinar por

medio del sonido la presencia, localización o naturaleza de objetos en el mar).

 Filtrado y compresión de audio y video

 Reconocimiento de la palabra

54
Medicina

 Reducción de ruido y diagnóstico automático de electrocardiogramas y

electroencefalogramas

 Formación de imágenes en tomografía axial computarizada (scanner)

 Resonancia magnética nuclear y ecografía (ultrasonido).

55
6. PROBLEMAS APLICATIVOS RESUELTOS

 PROBLEMA 1

Se tiene una señal que se expresa de la siguiente manera, Hallar la

TDF para X= [2 , 3 , 4], N=3

Solución

Formula:

−𝟐𝛑𝐢
𝒌𝒏
𝑿𝒌 = ∑𝑵−𝟏
𝒏=𝟎 𝒙𝒏 𝒆 𝑵 ; k=0,1,2,3…., N-1.

Cuando k=0

−𝟐𝛑𝐢
(𝟎∗𝟎)
𝑿𝟎 = ∑𝟐𝒏=𝟎 𝒙𝒏 𝒆 𝟑 =𝟐𝒆𝟎 =2

−𝟐𝛑𝐢
(𝟎∗𝟎)
𝑿𝟎 = ∑𝟐𝒏=𝟎 𝒙𝒏 𝒆 𝟑 =3𝒆𝟎 =3

−𝟐𝛑𝐢
(𝟎∗𝟏)
𝑿𝟎 = ∑𝟐𝒏=𝟎 𝒙𝒏 𝒆 𝟑 =𝟒𝒆𝟎 =4

Por lo tanto, el primer término corresponde a:

𝑥0 = 2 + 3 + 4 = 9 = 𝑥0 =9+0i

56
Cuando k=1

−𝟐𝛑𝐢
(𝟎∗𝟏)
𝑿𝟏 = ∑𝟐𝒏=𝟎 𝒙𝒏 𝒆 𝟑 =𝟐𝒆𝟎 =2

−𝟐𝛑𝐢
(𝟎∗𝟏)
𝑿𝟏 = ∑𝟐𝒏=𝟎 𝒙𝒏 𝒆 𝟑 =3𝒆𝟎 =3

−𝟐𝛑𝐢 −𝟐𝛑𝐢
(𝟏∗𝟏)
𝑿𝟏 = ∑𝟐𝒏=𝟎 𝒙𝒏 𝒆 𝟑 =𝟒𝒆 𝟑

Aplicando Euler, donde

𝑒 −(𝑖𝑥) = cos(𝑥) − 𝑖𝑠𝑒𝑛(𝑥)

−𝟐𝛑𝐢
−𝟐𝛑𝐢 −𝟐𝛑𝐢
4𝒆 𝟑 = cos ( ) − 𝑖𝑠𝑒𝑛( )
𝟑 3

𝑥1 = −2 − 3.44i

Por lo que el segundo término correspondiente es:

x1 = 2 + 3 + (−2 − 3.44i) = 3 − 3.44i

57
Cuando k=2

−𝟐𝛑𝐢
(𝟎∗𝟐)
𝑿𝟐 = ∑𝟐𝒏=𝟎 𝟐𝒆 𝟑 =𝟐𝒆𝟎 =2

−𝟐𝛑𝐢
(𝟎∗𝟐)
𝑿𝟐 = ∑𝟐𝒏=𝟎 𝟑𝒆 𝟑 =3𝒆𝟎 =3

−𝟐𝛑𝐢 −𝟒𝛑𝐢
(𝟐∗𝟏)
𝑿𝟐 = ∑𝟐𝒏=𝟎 𝟒𝒆 𝟑 =𝟒𝒆 𝟑

Aplicando Euler, donde

𝑒 −(𝑖𝑥) = cos(𝑥) − 𝑖𝑠𝑒𝑛(𝑥)

−𝟒𝛑𝐢
−𝟒𝛑𝐢 −𝟒𝛑𝐢
4𝒆 𝟑 = cos ( ) − 𝑖𝑠𝑒𝑛( )
𝟑 3

𝑥2 = −2 + 3.44i

Por lo tanto, para el tercer término corresponde:

𝑥2 = 2 + 3 + (−2 + 3.44i) = 3 + 3.44i

58
 Entonces se obtendrá el siguiente resultado

𝑁−1
−2πi
𝑘𝑛
𝑋𝑘 = ∑ 𝑥𝑛 𝑒 𝑁 ; 𝐾 = 0,1,2,3 … … (𝑛 − 1)
𝑛=0

𝑿 = [ 𝟗 + 𝟎𝐢 𝟑 − 𝟑. 𝟒𝟒𝐢 𝟑 + 𝟑. 𝟒𝟒𝐢 ]

 PROBLEMA 2

Encontrar la transformada discreta de Fourier de la señal con N=8

𝜋𝑛
𝑋(𝑛) = 4 + 3𝑆𝑖𝑛( )
2

Primero escribimos X(n) con Euler.

𝒋𝝅𝒏 𝒋𝝅𝒏
𝟑 (𝒆− 𝟐 − 𝒆− 𝟐 )
𝑿(𝒏) = 𝟒 +
𝟐𝒋

Y notemos ahora que la suma para X (k) puede ser escrita como la suma de 3

términos.

𝟕
(𝟐𝝅)𝒌𝒏
𝑿(𝒌) = ∑ 𝒙(𝒏)𝒆−𝒋 𝟖 ;𝟎 ≤ 𝑲 ≤ 𝟕
𝒏=𝟎

59
 𝟕 𝟕 𝟕
−
𝒋𝝅𝒌𝒏 𝟑 𝒋𝝅𝒏 𝒋𝝅𝒌𝒏 𝟑 −𝒋𝝅𝒏 𝒋𝝅𝒌𝒏
𝑿(𝑲) = 𝟒 ∑ 𝒆 𝟒 − 𝒋 ∑ 𝒆 𝟐 𝒆− 𝟒 + 𝒋 ∑ 𝒆 𝟐 𝒆− 𝟒
𝟐 𝟐
𝒏=𝟎 𝒏=𝟎 𝒏=𝟎

𝑵−𝟏 𝑵−𝟏
𝒋𝟐𝒏(𝒍−𝒌)
𝑺𝑵 (𝒍, 𝒌) = ∑ 𝒆𝒋𝟐𝒏𝒍/𝑵 𝒘𝒏𝒌
𝑵 = 𝑺𝑵 (𝒍, 𝒌) = ∑[𝒆 𝑵 ]𝒏
𝒏=𝟎 𝒏=𝟎

Siendo el resultado final

𝟏 − 𝒆−𝒋𝟐𝝅(𝒍−𝒌)
𝑺𝑵 (𝒍. 𝒌) = =𝟎; 𝒌≠𝟏
𝟏 − 𝒆−𝒋𝟐𝝅(𝒍−𝒌)/𝑵

 PROBLEMA 3

Determinar X (𝑒 𝑗∞ ).

La Transformada de Fourier de Tiempo Discreto es:

𝟐
𝑿(𝒆𝒋∝ ) =
𝟐 − 𝒆−𝒋∞

60
 PROBLEMA 4

Determinar la secuencia X[k] ≡X (𝑒 𝑗𝑤 ) |ω=2πk/4

para k=0; 1; 2; 3.

Siendo la ecuación 𝟐
𝑿[𝑲] = | 𝟐𝝅𝒌
𝟐 − 𝒆−𝒋𝒘 𝒘= 𝟒

Para 𝑋 = 1,2,3

𝑋[0] = 2

2
𝑋[1] =
2+𝑗

2
𝑋[2] =
3

2
𝑋[3] =
2−𝑗

61
 Si la secuencia obtenida en el punto anterior fueran los coeficientes de una

Transformada Discreta de Fourier, determinar la secuencia temporal que se deriva

de dicha secuencia.

La secuencia temporal que generaría X[k] es:

𝟑 −𝒋𝟐𝝅𝒌𝒏
𝟏 𝟐𝒆 𝟒
𝑿[𝑲] = ∑ −𝟐𝝅𝒌
𝟒
𝒌=𝟎 𝟐 − 𝒆 𝟒

Siendo finalmente la resolución de cada muestra

𝟏𝟔 𝟖 𝟒 𝟐
𝑿[𝒏] = 𝑿[𝒏] = 𝑿[𝒏] = 𝑿[𝒏] =
𝟏𝟓 𝟏𝟓 𝟏𝟓 𝟏𝟓

 PROBLEMA 5

Determinar la Transformada Discreta de Fourier de orden N de la secuencia

2𝜋𝑘
𝑋[𝑛] = 𝑒 𝑗𝑤𝑛 ; 0 ≤ 𝑛 ≤ 𝑁 − 1; 𝑐𝑜𝑛 𝑤 ≠ ; ∀𝑘 / ≤ 𝑘 ≤ 𝑁 − 1
𝑁

62
Si ω=2πm/N con m∈ 𝑍 entonces X[k]=0 ∀ k ≠ m y X[m]=N. En caso contrario

𝒘𝑵
𝒋[
𝒘(𝑵−𝟏) 𝝅𝒌
+ ] 𝑺𝒆𝒏[ 𝟐 ]
𝑿[𝑲] = 𝒆 𝟐 𝑵
𝟏 𝟐𝝅𝒌
𝑺𝒆𝒏[𝟐 (𝒘 − 𝑵 )]

 PROBLEMA 6

Diseñe un filtro paso-bajo de Butterworth con una frecuencia de corte

fc=10KHz y una atenuación mínima de At =36 dB a fr =100Khz.

a) ¿Cuánto vale el factor de escalo de frecuencia?

b) Calcule el orden del filtro y represente el circuito en el dominio
normalizado usando Sallen-Key.
c) Si se desea usar el mayor número posible de resistencias de 1K ,
represente el circuito real indicando los valores de cada componente.
d) Calcule las ganancias (en términos absolutos) del circuito real y las
atenuaciones (en términos relativos a la ganancia DC – es decir, la
atenuación en DC es 0 dB) para las frecuencias indicadas en la tabla.
Calcule también las correspondientes frecuencias normalizadas en
rad/s.

Solución:

a. La frecuencia normalizada 1 rad/s se escala a la frecuencia de corte:

𝟐𝝅𝒇𝒄
𝒔= = 𝟔. 𝟐𝟖𝟑𝟏 ∗ 𝟏𝟎𝟒
𝟏𝒓𝒂𝒅/𝒔

63
b. La frecuencia de rechazo normalizada es:

𝟐𝝅𝒇𝒓
𝒘= = 𝟏𝟎 𝒓𝒂𝒅/𝒔
𝒂
1
De la respuesta de amplitud en el dominio normalizado sabemos que 1+𝑤2𝑛 =
𝑛,𝑟
−𝐴𝑡/10
10 ⟹ 𝑣 = 1.8 y tras redondear al entero inmediatamente superior: n=2.

De las tablas, el denominador la función de transferencia de Butterworth es

𝐷(𝑠) = 𝑠 2 + √2𝑠 + 1: La función de transferencia del circuito de Sallen-Key es:

𝑨
𝑯(𝒔) =
𝒔𝟐 + (𝟑 − 𝑨)𝒔 + 𝟏

Por identificación de coeficientes entre ambos denominadores,

𝐴 = 3 − √2. Sabemos que la ganancia del amplificador es 𝑨 = 𝟏 + 𝑹 /𝑹
𝟐 𝟏

y suponiendo que R1=1, calculamos R2=0.586

c. El factor de escaldo de impedancias es  =1000. Los condensadores de 1F, tras el

doble escalado, toman el nuevo valor de 1F/α =15.9 nF. Todas las resistencias
se escalan por .

64
 𝐴2
d. Tendremos que evaluar las expresiones 𝐺(𝑊𝑛) = 10 log10 1+𝑤4
𝑛
𝐴𝑡(𝑊𝑛) = 𝐺(0) − 𝐺(𝑊𝑛)

f (KHz) wn (rad/s) G(wn) (dB) At(wn)

(dB)
0 0 4 0
10 1 1 3
100 10 -36 -40

 PROBLEMA 7

Se desea diseñar un filtro paso-bajo de Butterworth de frecuencia de

corte fc=18 Khz y una atenuación mínima de At=40 dB a la

frecuencia de rechazo fr= 100 KHz.

a) Calcule las funciones de transferencia de los circuitos de la

figura.

b) Calcule el orden de la función de transferencia del filtro y la

atenuación a la frecuencia de 100 Khz.

c) Con los circuitos anteriores diseñe el filtro.

d) Diseñe el filtro real utilizando el mayor número de

resistencias de 10K.

65
Solución:

a. 𝑽𝟎𝟏 𝟏/𝒄𝟏𝒄𝟐 𝑽𝟎𝟐 𝟏/𝒄𝟑

𝑯𝟏 = = 𝟐 𝟏 , 𝑯𝟐 = = 𝟏
𝑽𝒊𝟏 𝑺𝟐 + 𝑺+ 𝑽𝒊𝟐 𝑺+
𝑪𝟏 𝑪𝟏𝑪𝟐 𝑪𝟑

𝟐𝝅𝒇𝒄
b. Calculamos el factor de escalado de frecuencia: 𝒂= = 𝟏𝟏𝟑𝟎𝟗𝟕
𝟏𝒓𝒂𝒅/𝒔

2𝜋𝑓𝑟
La frecuencia normalizada de rechazo es: 𝑊𝑛 = = 5.56 𝑟𝑎𝑑/𝑠
𝑎
1
Orden del filtro: 1+𝑤2𝑛 = 10−𝐴𝑡/10 ⟹ 𝑛 = 2.68 ⟹ 𝑛 = 3
𝑛,𝑟

1
Atenuación real tras el redondeo de 𝑛: 𝐴𝑡 = −10 log10 1+𝑤6 = 44.7𝑑𝐵 >
𝑛,𝑟
40𝑑𝐵.

1 1
c. De las tablas de polinomios 𝐻(𝑠) = 𝑠2 +𝑠+1 ∗ 𝑠+1

El primer término se implementa con el circuito de la izquierda y el segundo

con el de la derecha.

2 1 1 1
= 1 ≫ 𝐶1 = 2𝐹 , 𝐶1𝐶2 = 1 ≫ 𝐶2 = 2 𝐹 , 𝐶3 = 1 ≫ 𝐶3 = 1𝐹
𝐶1

El circuito de segundo orden tiene que anteceder al de primero porque al tener

el amplificador operacional una resistencia de salida (idealmente) cero no

66
 habrá problemas de carga. Si fuera al contrario se cambiaría la función de

transferencia 𝐻2 (𝑠).

d. Las resistencias se escalan de 1 a 10 K  =10000. Y tras el escalado de

impedancia y frecuencia el circuito resultante es:

 PROBLEMA 8

Diseñe un filtro paso-bajo de Butterworth con ancho de

banda fc=2 KHz y atenuación de al menos 43 dB a fr=7
KHz. Utilice el mayor número de resistencias de 10K y
de etapas Sallen-Key. Calcule la ganancia DC y a las
frecuencias de 2 y 7 KHz.

67
 Las ganancias son: 8.217 dB en DC, 5.217 a 2 KHz y -35.38 dB a 7 Khz.

 PROBLEMA 9

Diseñe un filtro paso-bajo de Tchebyshev con un ancho de

banda de 3KHz, un rizado de 3 dB en la banda de paso y
una atenuación mínima de 60 dB a 15 KHz. Utilice en cada
una de las etapas que resulten de su diseño una capacidad
de 100nF. Ésta capacidad debe ser la mayor de la etapa.

68
Solución: El factor de escalado de frecuencia es 18850. Para conseguir que la
capacidad mayor de cada etapa sea 100 nF tendremos que utilizar diferentes factores
de escalado de impedancia, 6241 y 2575. Anotamos que el factor de escalado de
frecuencia tiene que ser el mismo en cada una de las etapas, pero esto no es necesario
con el de impedancias.

 PROBLEMA 10

Diseñe un filtro RLC paso-banda de frecuencias de corte

fL =9.5 MHz y fH =10.5 MHz a partir del circuito
normalizado de la figura.
Calcule la función de transferencia
Calcule el factor de escalado de frecuencia y Q
Represente el circuito real si la resistencia es
100ohm
¿Cuál es el valor de la ganancia a 3 y 30 MHz?

69
Solución:

s
Q
a) 𝑯(𝒔) = s
𝒔𝟐 + +𝟏
Q

b) 𝑊𝑜 = √(2𝜋𝑓𝐿 )(2𝜋𝑓𝐻 ) = 2 ∗ 9.987𝑀𝐻𝑧 y la normalizada 1rad/s. Por lo tanto

𝑊𝑜
𝑎 = 2𝜋 ∗ 9.987 ∗ 106 . El valor del factor de calidad 𝑄 = 𝑊 = 9.987
𝐻 −𝑊𝐿

100
c) Realizando el escalado de frecuencias e impedancia 𝛽 = 1 = 998.7
𝑄

d) Las correspondientes frecuencias normalizadas son Wrl=2π(3×106 )/α=0.3

rad/s y Wrh=2π(30×106 )/α=3 rad/s. Por tanto:

𝑤𝑟𝐿
𝑄
A 3Mhz la ganancia es: |𝐻(𝑗𝑤𝑟𝐿 )| = 𝑤
= 0.033 (−29.63 dB)
√(1−𝑤𝑟𝐿 2 )2 +( 𝑄𝑟𝐿 )2

𝑤𝑟𝐻
𝑄
A 30Mhz la ganancia es: |𝐻(𝑗𝑤𝑟𝐻 )| = 𝑤𝑟𝐻 2
=
√(1−𝑤𝑟𝐻 2 )2 +( 𝑄 )

0.038 (−28.5 dB)

70
 PROBLEMA 11

Dada la señal discreta mostrada en la figura dibuje

cada una de la siguiente señal: x(n -2)

𝑆𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑜𝑟𝑖𝑔𝑖𝑛𝑎𝑙 𝑥(𝑛)

Solución:

La secuencia original se puede expresar como x(𝑛) = {0; 1; 0; 2 ↑; 2; 2; 1; 0},

donde se ha indicado con una echa la muestra correspondiente al índice 𝑛 = 0, que

representa el origen de tiempos.

 𝑥(𝑛 − 2)

La secuencia ha sido retardada dos muestras, lo que equivale a un desplazamiento a la

derecha de dos posiciones. Por tanto 𝑥(𝑛 − 2) = {0; 1 ↑; 0; 2; 2; 2; 1; 0}. La

muestra que ocupaba la posición 𝑛 = 0 ahora ocupa la posición 𝑛 = 2, por esta razón

se dice que se ha producido un retardo.

71
 PROBLEMA 12

Una señal analógica contiene frecuencias hasta 20kHz. Se pide:

a) ¿Qué frecuencias de muestreo se puede emplear para que sea posible una

re-construcción de la señal a partir de sus muestras?

b) Si se considera que la frecuencia de muestreo es de 16kHz, ¿qué ocurrirá

con una señal de 10kHz presente en la señal?

c) ¿Que ocurrir a con una señal de 18kHz?

72
Solución

a) Para que se verifique el Teorema de Muestreo, es necesario tener más de dos

muestras por periodo. Esto se cumple si 𝐹𝑚 > 2𝐹𝑚𝑎𝑥. En cambio, esta

condicion no resulta estrictamente necesaria sino que es su ciente con que se

veri que que 𝐹𝑚 > 2𝐵, siendo B el ancho de banda de la señal.

|Por tanto, 𝐹𝑚𝑎𝑥 = 20𝑘𝐻𝑧: Luego deberemos emplear 𝐹𝑚 > 40𝑘𝐻𝑧

b) Cuando trabajamos con 𝐹𝑚 = 16𝑘𝐻𝑧: no se verificara el Teorema de

Muestreo y se producira solapamiento. Analicemos ahora que pasar con la

presencia de una frecuencia de 10kHz en la señal.

La frecuencia máxima posible con 𝐹𝑚 = 16𝑘𝐻𝑧: es de 8𝑘𝐻𝑧, como

consecuencia la señal de 𝐹 = 10𝑘𝐻𝑧: sera interpretada como su alias en el

intervalo −𝐹𝑚 = 2 < 𝐹 < 𝐹𝑚/2. Los alias se pueden obtener a partir de la

expresión:

𝐹𝑘 = ±𝐹0 + 𝑘𝐹𝑚; 𝑘 = 0; ±1; ± 2; ±3; …

Siendo 𝐹𝑘 los alias de 𝐹0 para la frecuencia de muestreo 𝐹𝑚.

Por ello: 10 = 𝐹0 + 𝑘16 → 𝐹0 = 10 − 16 = −6𝑘𝐻𝑧

Donde se ha considerado k = 1. La frecuencia de 10 kHz. Muestreada a 16

kHz. se comporta como si se tratase de una señal de -6 kHz.

c) Si la señal es de 18 kHz., tendremos F𝑚 > 2 ∗ 18 = 36𝑘𝐻𝑧 con lo que

sigue sin cumplirse el Teorema de Muestreo y se producirá solapamiento:

73
 𝐹𝑘 = 𝐹0 + 𝑘𝐹𝑚; 18 = 𝐹0 + 𝑘16 → 𝐹0 = 2𝑘𝐻𝑧

La señal se interpretar como si su frecuencia fuese de 2 𝑘𝐻𝑧. Tengase en

cuenta que para k tomaremos un valor entero apropiado para que 𝐹0 este

siempre en el intervalo −𝐹𝑚/2 < 𝐹0 < 𝐹𝑚/2

 PROBLEMA 13

La señal analógica 𝑥(𝑡) = 𝑠𝑒𝑛(450𝜋 𝑡) + 3𝑠𝑒𝑛(1450 𝜋𝑡) (𝑡 𝑒𝑛 𝑠. ) se

muestrea con una frecuencia de 500𝐻𝑧 Se pide:

a) Determinar cuál es la tasa (o frecuencia) de Nyquist para esta

señal.

b) Calcule a que frecuencias aparecen los `alias' debido al muestreo

inapropiado.

c) ¿Cuáles son las frecuencias digitales de la señal resultante del

muestreo?

d)Si las muestras se pasan a través de un conversor D/A ideal, ¿qué

frecuencias tendrá la señal analógica reconstruida?

74
Solución:

a) Las frecuencias presentes en la señal original son:

Ω1 = 450𝜋 = 2 𝜋𝐹1; Ω2 = 1450𝜋 = 2𝜋 𝐹2

𝐹1 = 225𝐻𝑧 ; 𝐹2 = 725𝐻𝑧

Con lo que la tasa de Nyquist es 2𝐹𝑚𝑎𝑥 = 2 ∗ 725 = 1450𝐻𝑧 Como la tasa de

muestreo es de 500 𝐻𝑧. y esta es menor que la 𝐹𝑁𝑦𝑞𝑢𝑖𝑠𝑡 , se producirá “aliasing".

b) Utilizando la misma expresión que en el ejercicio anterior para determinar los alias:

𝐹𝑘 = 𝐹0 + 𝑘𝐹𝑚 → 725 = 𝐹0 + 500𝑘 → 𝐹0 = 725 − 500 = 225𝐻𝑧

La frecuencia F1 sí verifica el Teorema de Muestreo luego no sufre cambios.

c) La señal muestreada será:

450𝜋 1450𝜋
𝑥(𝑛) = sin( 𝑛) + 3 sin( 𝑛)
500 500

450𝜋 (1000 + 450)𝜋

𝑥(𝑛) = sin( 𝑛) + 3 sin( 𝑛)
500 500

450𝜋 450𝜋
𝑥(𝑛) = sin( 𝑛) + 3 sin( 𝑛 + 2𝜋𝑛)
500 500

450𝜋 450𝜋
𝑥(𝑛) = sin( 𝑛) + 3 sin ( 𝑛) = 4 sin(9𝜋𝑛/10)
500 500

75
Donde hemos tenido en cuenta que la señal seno es periódica de periodo 2𝜋 . Las

frecuencias digitales para ambas señales son idénticas:

9
𝑓1 = 𝑓2 =
20

d) Al reconstruir la señal sabemos que:

𝐹𝑎
𝑓=
𝐹𝑚

Siendo 𝐹𝑎 la frecuencia analogica:

9
𝐹𝑎1 = 𝐹𝑎2 = 𝑓 𝐹𝑚 = ∗ 500 = 225𝐻𝑧
20

Luego la señal obtenida a la salida del conversor D/A será:

𝑦(𝑡) = 𝑠𝑒𝑛(2 ∗ 225𝜋 𝑡) + 3𝑠𝑒𝑛(2 ∗ 225𝜋 𝑡) = 4𝑠𝑒𝑛(450𝜋 𝑡) ,

como habíamos obtenido en el apartado (b).

 PROBLEMA 14

La señal analógica 𝑥(𝑡) = 2𝑠𝑒𝑛(100𝜋 𝑡) +

0′8𝑠𝑒𝑛(178𝜋 𝑡) (𝑡 𝑒𝑛 𝑠. ) se muestrea con una frecuencia tal
que la componente de mayor frecuencia tiene 27 muestras por
periodo. Se pide:
a) Representa 54 puntos de la señal obtenida.
b) ¿Cuantos períodos de la señal de menor frecuencia hay en la
representación anterior?

76
 Solución:

a) Las frecuencias analógicas presentes en 𝑥(𝑡) son:

Ω1 = 100 𝜋 → 𝐹1 = 50𝐻𝑧

Ω2 = 178𝜋 → 𝐹2 = 89𝐻𝑧

El número de muestras en un periodo puede obtenerse a

partir de la figura, siendo 𝑁𝑝𝑒𝑟 = 𝐹/𝐹𝑚 :

Luego, 𝐹𝑚 = 𝐹1 ∗ 𝑁𝑝𝑒𝑟 = 89 ∗ 27 = 2403𝐻𝑧 La señal obtenida al muestrear

sera:

2 ∗ 50𝜋 2 ∗ 89𝜋
𝑥(𝑛) = 2𝑠𝑒𝑛 ( 𝑛) + 0′ 8𝑠𝑒𝑛( 𝑛)
2403 2403

77
Podemos hacer la representación con más detalle con el siguiente código de

MATLAB:

>>n =0:53;

>>Fs = 2403;

>>x = 2*sin(2*50*pi*n/Fs)+0.8*cos(2*89*pi*n/Fs);

>>stem(n,x)

Cuyo resultado se muestra:

𝑀𝑢𝑒𝑠𝑡𝑟𝑎𝑠 𝑑𝑒 𝑙𝑎 𝑠𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝑜𝑏𝑡𝑒𝑛𝑖𝑑𝑎

b) El número de puntos por periodo para F1 será:

𝐹𝑚 2403
𝑁𝑝𝑢𝑛𝑡𝑜𝑠 = = =≈ 48
𝐹1 50

El número de periodos vendrá dado por:

𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑠 54
𝑁𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 = 𝑁𝑢𝑚𝑒𝑟𝑜𝑠 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑠 𝑝𝑜𝑟 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 = 48 = 1′125 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠

78
 PROBLEMA 15

La señal analógica 𝑥(𝑡) = 0’5ej(2000п t) + 3ej(10000п

t+ п/2) (t en s.) se muestrea con una frecuencia 𝐹𝑚 =
8𝑘𝐻𝑧 y la señal resultante es reconstruida con un
conversor D/A ideal utilizando la misma 𝐹𝑚. Determine
la señal 𝑋𝑟 (𝑡) obtenida tras este proceso.

Solución:

La señal 𝑥(𝑡) = 0’5e j(2000п t) + 3e j(10000п t+ п/2) (t en s.) es una señal compleja

formada por dos exponenciales de frecuencias:

Ω1 = 2000𝜋 → 𝐹1 = 1000𝐻𝑧

Ω2 = 10000𝜋 → 𝐹2 = 5000𝐻𝑧

Si se muestrean con 𝐹𝑚 = 8𝑘𝐻𝑧, tenemos que 𝐹𝑁𝑦𝑞𝑢𝑖𝑠𝑡 = 4𝑘𝐻𝑧, y por tanto la

segunda exponencial no cumple el Teorema de Muestreo, produciendo “aliasing".

La señal muestreada será, haciendo 𝑡 = 𝑛𝑇 :

2000𝜋 10000𝜋
𝑥(𝑡) = 0’5𝑒 𝑗( 8000 𝑛) + 3𝑒 𝑗( 𝑛)
8000

𝜋 3𝜋
𝑥(𝑡) = 0’5𝑒 𝑗( 4 𝑛) + 3𝑒 𝑗(− 4 𝑛)

Cuyas frecuencias digitales son 𝑓1 = 1/8 𝑦 𝑓2 = 3/8. Si reconstruimos la señal,

dado que 𝐹𝑖 = 𝐹𝑚 ∗ 𝑓𝑖 𝑦 𝐹𝑚 = 8000𝐻𝑧, la señal analógica resultante será:

𝑥(𝑡) = 0’5𝑒 𝑗(2000𝜋𝑡) + 3𝑒 𝑗(−6000𝜋𝑡)

79
 La señal de salida contiene dos exponenciales complejas al igual que la original pero

la segunda ha cambiado su frecuencia de 5000 Hz. a -3000 Hz. como consecuencia

del

“aliasing".

 PROBLEMA 16

Dada la respuesta en frecuencia de la secuencia real x(n) denotada por 𝑋(𝑒 𝑖𝜔 ),se pide

demostrar que:

 𝑋𝑅𝐸𝐴𝐿 (𝑒 𝑖𝜔 ) es una función par de 𝜔.

 𝑋𝐼𝑀𝐴𝐺 (𝑒 𝑖𝜔 ) es una función impar de 𝜔.

 |𝑋(𝑒 𝑖𝜔 )| es una función par de 𝜔.

 𝜑𝑋(𝑒 𝑖𝜔 ) es una función impar de 𝜔.

Donde |𝑋(𝑒 𝑖𝜔 )| y 𝜑𝑋(𝑒 𝑖𝜔 ) representan la magnitud y fase de la respuesta en frecuencia

del sistema |𝑋(𝑒 𝑖𝜔 )|, respectivamente.

Solución:

Sabemos que la parte real de la TF de una secuencia se puede descomponer como:

1
𝑋𝑅𝐸𝐴𝐿 = 2 [𝑋(𝑒 𝑖𝜔 ) + 𝑋 ∗ (𝑒 𝑖𝜔 )]

80
Donde

𝑋(𝑒 ) = ∑ 𝑥(𝑛)𝑒 −𝑖𝜔𝑛

𝑖𝜔

𝑛=−∞

Si se toman conjugados en esta última expresión, se llega a

𝑋 (𝑒 ) = ∑ 𝑥 ∗ (𝑛)𝑒 𝑖𝜔𝑛 .
∗ 𝑖𝜔

𝑛=−∞

Como 𝑥(𝑛) es real, 𝑥 ∗ (𝑛) = 𝑥(𝑛) y por tanto:

1
𝑋𝑅𝐸𝐴𝐿 = 2 [∑∞
𝑛=−∞ 𝑥(𝑛)𝑒
−𝑖𝜔𝑛
+ ∑∞ ∗
𝑛=−∞ 𝑥 (𝑛)𝑒
𝑖𝜔𝑛
]

1
= 2 ∑∞
𝑛=−∞ 𝑥(𝑛)(𝑒
−𝑖𝜔𝑛
+ 𝑒 𝑖𝜔𝑛 ) = ∑∞
𝑛=−∞ 𝑥(𝑛) cos(𝜔𝑛).

Como la función 𝑐𝑜𝑠 es par, es decir cos(𝜔𝑛) = cos(−𝜔𝑛), se tiene que 𝑋𝑅𝐸𝐴𝐿 (𝑒 𝑖𝜔 )

es una función par.

Para comprobar que 𝑋𝐼𝑀𝐴𝐺 (𝑒 𝑖𝜔 ) es una función impar, se sigue un camino análogo.

Ahora se tiene

1
𝑋𝐼𝑀𝐴𝐺 = [𝑋(𝑒 𝑖𝜔 ) − 𝑋 ∗ (𝑒 𝑖𝜔 )]
2𝑖

𝑋(𝑒 𝑖𝜔 ) = ∑ 𝑥(𝑛)𝑒 −𝑖𝜔𝑛

𝑛=−∞

𝑋 (𝑒 ) = ∑ 𝑥 ∗ (𝑛)𝑒 𝑖𝜔𝑛
∗ 𝑖𝜔

𝑛=−∞

Como 𝑥(𝑛) es real, 𝑥 ∗ (𝑛) = 𝑥(𝑛) y por tanto,

1
𝑋𝐼𝑀𝐴𝐺 = 2i [∑∞
𝑛=−∞ 𝑥(𝑛)𝑒
−𝑖𝜔𝑛
− ∑∞ ∗
𝑛=−∞ 𝑥 (𝑛)𝑒
𝑖𝜔𝑛
]

81
 1
= 2i ∑∞
𝑛=−∞ 𝑥(𝑛)(𝑒
−𝑖𝜔𝑛
− 𝑒 𝑖𝜔𝑛 ) = − ∑∞
𝑛=−∞ 𝑥(𝑛) sen(𝜔𝑛).

Como la función 𝑠𝑒𝑛 es impar, es decir 𝑠𝑒𝑛(𝜔𝑛) = −𝑠𝑒𝑛(−𝜔𝑛), tenemos que

𝑋𝐼𝑀𝐴𝐺 (𝑒 𝑖𝜔 ) es una función impar.

Para comprobar que|𝑋(𝑒 𝑖𝜔 )| es una función par, se aplica su definición:

|𝑋(𝑒 𝑖𝜔 )| = √𝑋𝑅𝐸𝐴𝐿
2 2
(𝑒 𝑖𝜔 ) + 𝑋𝐼𝑀𝐴𝐺 (𝑒 𝑖𝜔 )

|𝑋(𝑒 −𝑖𝜔 )| = √𝑋𝑅𝐸𝐴𝐿

2 2
(𝑒 −𝑖𝜔 ) + 𝑋𝐼𝑀𝐴𝐺 (𝑒 −𝑖𝜔 )

Por lo visto anteriormente,

2 2
𝑋𝑅𝐸𝐴𝐿 (𝑒 𝑖𝜔 ) = 𝑋𝑅𝐸𝐴𝐿 (𝑒 −𝑖𝜔 ) ⟹ 𝑋𝑅𝐸𝐴𝐿 (𝑒 𝑖𝜔 ) = 𝑋𝑅𝐸𝐴𝐿 (𝑒 −𝑖𝜔 )

2 2
𝑋𝐼𝑀𝐴𝐺 (𝑒 −𝑖𝜔 ) = 𝑋𝐼𝑀𝐴𝐺 (𝑒 −𝑖𝜔 ) ⟹ 𝑋𝐼𝑀𝐴𝐺 (𝑒 𝑖𝜔 ) = 𝑋𝐼𝑀𝐴𝐺 (𝑒 −𝑖𝜔 )

Por tanto, tenemos que |𝑋(𝑒 𝑖𝜔 )| = |𝑋(𝑒 −𝑖𝜔 )| y en consecuencia se trata de una

función par.

Analicemos ahora la fase de la respuesta en frecuencia 𝜑𝐻 :

𝑋𝐼𝑀𝐴𝐺
𝜑𝐻 = 𝑎𝑟𝑐𝑡𝑔 ( )
𝑋𝑅𝐸𝐴𝐿

De donde

𝑖𝜔
𝑋𝐼𝑀𝐴𝐺 (𝑒 𝑖𝜔 )
𝜑𝐻 (𝑒 ) = 𝑎𝑟𝑐𝑡𝑔 ( )
𝑋𝑅𝐸𝐴𝐿 (𝑒 𝑖𝜔 )

82
Y

−𝑖𝜔
𝑋𝐼𝑀𝐴𝐺 (𝑒 −𝑖𝜔 )
𝜑𝐻 (𝑒 ) = 𝑎𝑟𝑐𝑡𝑔 ( )
𝑋𝑅𝐸𝐴𝐿 (𝑒 −𝑖𝜔 )

Aplicando lo obtenido en los apartados a) y b) se obtiene

−𝑋𝐼𝑀𝐴𝐺 (𝑒 𝑖𝜔 )
𝜑𝐻 (𝑒 −𝑖𝜔 ) = 𝑎𝑟𝑐𝑡𝑔 ( )
𝑋𝑅𝐸𝐴𝐿 (𝑒 𝑖𝜔 )

Como la función arctg es una función impar, se llega a

𝜑𝐻 (𝑒 −𝑖𝜔 ) = −𝜑𝐻 (𝑒 𝑖𝜔 )

Y por tanto 𝜑𝐻 es una función impar.

83
 PROBLEMA 17

Determinar la transformada de Fourier de la siguiente

señal discreta:

1 0≤𝑛 ≤𝑁−1
𝑥(𝑛) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.

Comentar las repercusiones de este resultado.

Solución:

Aplicando la definición de la respuesta en frecuencia, se tiene

∞ 𝑁−1
𝑖𝜔 −𝑖𝜔𝑛
1 − 𝑒 −𝑖𝜔𝑁
𝑋(𝑒 ) = ∑ 𝑥(𝑛)𝑒 = ∑ 𝑒 −𝑖𝜔𝑛 =
1 − 𝑒 −𝑖𝜔
𝑛=−∞ 𝑛=0

Operando llegamos a

𝑖𝜔
𝑒 −𝑖𝜔𝑁⁄2 𝑒 𝑖𝜔𝑁⁄2 − 𝑒 −𝑖𝜔𝑁⁄2 −𝑖𝜔(𝑁−1)⁄2
𝑠𝑒𝑛(𝜔 𝑁⁄2)
𝑋(𝑒 ) = −𝑖𝜔⁄2 [ 𝑖𝜔⁄2 ] = 𝑒 [ ]
𝑒 𝑒 − 𝑒 −𝑖𝜔⁄2 𝑠𝑒𝑛(𝜔⁄2)

La representación del módulo y la fase de la transformada de Fourier

obtenida es la mostrada en la figura 2.

La importancia de esta transformada se debe a que cualquier señal

discreta finita se puede construir a partir de su versión infinita y su

producto por esta función, esto es

𝑦̂(𝑛) = 𝑦(𝑛). 𝑥(𝑛)

Por lo que, pasando al dominio frecuencial, se tiene

𝑌̂(𝑒 𝑖𝜔 ) = 𝑌(𝑒 𝑖𝜔 ) ∗ 𝑋(𝑒 𝑖𝜔 )

84
 Donde * indica la operación de la convolución. Por consiguiente, se tiene un

camino alternativo para calcular la transformada de Fourier de señal discreta finita

usando su versión infinita.

Otro punto a tener en cuenta es que esta función aparecerá en todas aquellas

señales con un final “abrupto” por lo que su transformada de Fourier aparecerá

indirectamente a través de la convolución en la transformada de Fourier de señal

que se quiere determinar.

85
  PROBLEMA 18

Determine la DFT de orden N de la secuencia 𝑒 −𝑖𝜔𝑛 ,

2𝜋𝑘
𝑛 = 0 , … , 𝑁 − 1 siendo 𝜔 ≠ , ∀𝑘 = 0, … , 𝑁 − 1.
𝑁

Solución:

Aplicando la definición se llega a

𝑁−1 𝑁−1 𝑁−1
2𝜋𝑘𝑛 2𝜋𝑘𝑛 2𝜋𝑘
= ∑ 𝑒 𝑖(𝜔−
−𝑖 )𝑛
𝑋(𝑘) = ∑ 𝑥(𝑛)𝑒 𝑁 =∑ 𝑒 𝑖𝜔𝑛 𝑒 −𝑖 𝑁 𝑁
𝑛=0 𝑛=0 𝑛=0

2𝜋𝑘 𝑁⁄ 𝑁⁄ 𝑁⁄
1 − 𝑒 𝑖(𝜔− )𝑁
𝑁 1 − 𝑒 𝑖𝜔𝑁 𝑒 𝑖𝜔 2 𝑒 −𝑖𝜔 2 − 𝑒 𝑖𝜔 2
= 2𝜋𝑘 = 2𝜋𝑘 = 2𝜋𝑘 1 . 2𝜋𝑘 1 2𝜋𝑘 1
𝑖(𝜔− ) 𝑖(𝜔− ) 𝑖(𝜔− ) 𝑖(𝜔− )
− 𝑒 −𝑖(𝜔− )
1−𝑒 𝑁 1−𝑒 𝑁 𝑒 𝑁 2 𝑒 𝑁 2 𝑁 2

𝜔𝑁
𝑖(
𝜔(𝑁−1) 𝜋𝑘
+ )
𝑠𝑒𝑛 ( 2 )
= 𝑒 2 𝑁 .
2𝜋𝑘 1
𝑠𝑒𝑛 [(𝜔 − ) ]
𝑁 2
2𝜋𝑘
Destacar que si 𝜔 = , 𝛼𝜖ℤ, entonces 𝑋(𝑘) = 0, ∀𝑘 ≠ 𝛼 𝑦 𝑋(𝛼) = 𝑁.
𝑁

86
Veamos que a toda señal periódica discreta cuya frecuencia sea múltiplo de la

fundamental, le corresponde una DFT cuyos coeficientes son todos diferentes de

cero, salvo el correspondiente a la frecuencia de la señal periódica. La explicación

temporal queda reflejada en la Figura 1.3.

Cuando se calcula una DFT se supone que la señal obtenida al aplicar la

transformada inversa será periódica. Esto es inmediato de comprobar de la

siguiente forma.

Partiendo de la expresión que define 𝑥(𝑛) en función de 𝑋(𝑘), se tiene que:

𝑁−1
1 2𝜋𝑘𝑛
𝑥(𝑛) = ∑ 𝑋(𝑘)𝑒 𝑖 𝑁 , 0 ≤ 𝑛 ≤ 𝑁 − 1.
𝑁
𝑘=0

Si sustituimos 𝑛 = 𝑛0 + 𝑁 , se llega a

𝑁−1
1 2𝜋𝑘
(𝑛
𝑥(𝑛0 + 𝑁) = ∑ 𝑋(𝑘)𝑒 𝑖 𝑁 0 +𝑁)
𝑁
𝑘=0

𝑁−1
1 2𝜋𝑘
= ∑ 𝑋(𝑘)𝑒 𝑖 𝑁 𝑛0 . 𝑒 𝑖2𝜋𝑘
𝑁
𝑘=0

𝑁−1
1 2𝜋𝑘
= ∑ 𝑋(𝑘)𝑒 𝑖 𝑁 𝑛0 = 𝑥(𝑛0 ).
𝑁
𝑘=0

Se tiene entonces que la señal debería repetirse cada N muestras, lo que ocurre

con las funciones cuya frecuencia se corresponde con múltiplos de la

fundamental.

Esto no ocurre con la señal que se quiere descomponer y, a pesar de ser periódica,

al realizar la DFT aparece como no periódica, tenemos un “salto” entre el primer

periodo de 𝑥(𝑛) y el siguiente. Ese “salto” entre periodos consecutivos provoca

87
 que los coeficientes de la DFT sean diferentes de 0. A este fenómeno se le conoce

como “goteo o derrame espectral”.

 PROBLEMA 19

Sean 𝑥(𝑛) una secuencia periódica de periodo N, se desea determinar la

relación entre 𝑋(𝑘)]𝑁 𝑦 𝑋(𝑘)]2𝑁 𝑠𝑖𝑒𝑛𝑑𝑜 𝑋(𝑘)]𝛼 la DFT de orden α de

𝑥(𝑛).

Escribiendo la DFT de orden 2N de la secuencia 𝑥(𝑛),

2𝑁−1 𝑁−1 2𝑁−1

2𝜋𝑘𝑛 2𝜋𝑘𝑛 2𝜋𝑘𝑛
−𝑖 −𝑖
𝑋(𝑘)]2𝑁 = ∑ 𝑥(𝑛)𝑒 2𝑁 = ∑ 𝑥(𝑛)𝑒 2𝑁 + ∑ 𝑥(𝑛)𝑒 −𝑖 2𝑁
𝑛=0 𝑛=0 𝑛=𝑁

Si ahora se cambia el índice en el segundo sumatorio 𝑛 ≡ 𝑠 + 𝑁, se tiene

𝑁−1 𝑁−1
2𝜋𝑘𝑛 2𝜋𝑘(𝑠+𝑁)
−𝑖
𝑋(𝑘)]2𝑁 = ∑ 𝑥(𝑛)𝑒 2𝑁 + ∑ 𝑥(𝑠 + 𝑁)𝑒 −𝑖 2𝑁
𝑛=0 𝑠=0

Aprovechando que 𝑥(𝑡 + 𝑁) = 𝑥(𝑠), se puede escribir

𝑁−1 𝑁−1
2𝜋𝑘𝑛 2𝜋𝑘𝑠
−𝑖
𝑋(𝑘)]2𝑁 = ∑ 𝑥(𝑛)𝑒 2𝑁 + ∑ 𝑥(𝑠)𝑒 −𝑖 2𝑁 . 𝑒 −𝑖𝜋𝑘
𝑛=0 𝑠=0

Agrupando términos se llega a

𝑁−1
2𝜋𝑘𝑛
𝑋(𝑘)]2𝑁 = ∑ 𝑥(𝑛)𝑒 −𝑖 2𝑁 (1 + 𝑒 −𝑖𝜋𝑘 ) = 𝑋(𝑘⁄2)] (1 + 𝑒 −𝑖𝜋𝑘 ).
𝑁
𝑛=0

88
Por tanto se tiene que 𝑋(𝑘)] 𝑘 𝑖𝑚𝑝𝑎𝑟
2𝑁
= 0 𝑦 𝑋(𝑘)] 𝑘 2𝑁
𝑝𝑎𝑟
= 2 𝑋(𝑘⁄2)]
𝑁

Así pues, se aporta información adicional si usamos otro periodo para calcular la

DFT. Visto de otra forma, el aumentar las funciones base en nuestro espacio de la

DFT no resulta necesario ya que, en el espacio original de la DFT de orden N todas

las muestras temporales quedas claramente definidas.

 PROBLEMA 20

Dada una secuencia discreta real 𝑥(𝑛) con periodo N siendo 𝑋(𝑘) su DFT

de orden N, compruebe las siguientes igualdades:

a) 𝑅𝑒𝑎𝑙{𝑋(𝑘)} = 𝑅𝑒𝑎𝑙{𝑋(𝑁 − 𝑘)}

b) 𝐼𝑚𝑎𝑔{𝑋(𝑘)} = −𝐼𝑚𝑎𝑔{𝑋(𝑁 − 𝑘)}

Solución:
De las dos igualdades propuestas se deberá cumplir que 𝑋(𝑘) = 𝑋 ∗ (𝑁 − 𝑘).

Aplicando la definición de DFT se tendría:

𝑁−1 𝑁−1 𝑁−1
2𝜋𝑛 2𝜋𝑛𝑘 2𝜋𝑛𝑘
−𝑖 (𝑁−𝑘) 𝑖
𝑋(𝑁 − 𝑘) = ∑ 𝑥(𝑛)𝑒 2𝑁 = ∑ 𝑥(𝑛)𝑒 𝑁 . 𝑒 −𝑖2𝜋𝑛 = ∑ 𝑥(𝑛)𝑒 𝑖 𝑁
𝑘=0 𝑘=0 𝑘=0

Aplicando que 𝑥(𝑛) es real, es decir se cumple 𝑥(𝑛) = 𝑥 ∗ (𝑛), se obtiene

𝑁−1
2𝜋𝑛𝑘
𝑋(𝑁 − 𝑘) = (∑ 𝑥(𝑛)𝑒 −𝑖 𝑁 ) = 𝑋 ∗ (𝑛)
𝑘=0

Con lo que quedan demostradas las igualdades proporcionadas.

89
  PROBLEMA 21

Obtener la Convolución de las señales

0 𝑛 < −3
𝑛+3 −3≤𝑛 <0
𝑥[𝑛] = {
−𝑛 + 3 0≤𝑛≤3
0 𝑛>4

Solución:
ℎ[𝑛] = 𝑥[𝑛]

90
 PROBLEMA 22

Aplicación del Teorema de Convoluciòn

Calcular la Transformada de Fourier de la siguiente función:
𝑇
0 , |𝑡| >
𝑓(𝑡) = { 2
𝑇
cos(𝑤0 𝑡) , |𝑡| <
2

Podemos hacerlo aplicando la definición:

𝑇⁄ 𝑇⁄
2
−𝑖𝜔𝑡
2 𝑒 𝑖𝜔𝑡 + 𝑒 −𝑖𝜔𝑡 −𝑖𝜔𝑡
𝑓(𝑤) = ∫ cos(𝑤0 𝑡) 𝑒 𝑑𝑡 = ∫ ( )𝑒 𝑑𝑡
−𝑇⁄ −𝑇⁄ 2
2 2

1 𝑖𝑒 −𝑖(𝜔−𝑤0 )𝑡 𝑖𝑒 −𝑖(𝜔+𝑤0 )𝑡 𝑡
𝑓(𝑤) = [ + ] 𝑒𝑣𝑎𝑙𝑢𝑎𝑑𝑜 𝑑𝑒 − 𝑎 𝑡/2
2 𝑤 − 𝑤0 𝑤 + 𝑤0 2

 PROBLEMA 23

Ejemplo del Teorema de Convolución

91
 PROBLEMA 24

 PROBLEMA 25

Secuencia formada por dos exponenciales discretas

𝑥[𝑛] = 𝐴𝐼 𝑒 𝑗𝑤𝑖𝑛 + 𝐴2 𝑒 𝑗𝑤2𝑛 ; -∞ < 𝑛 < ∞

𝑥(𝑒 𝑗𝑤 ) = 𝐴1 𝛿(𝑓 − 𝑓1 ) + 𝐴2 𝛿(𝑓 − 𝑓2 ) ; -0.5 < 𝑛 < 0.5

𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑙 𝑒𝑛𝑒𝑣𝑒𝑛𝑡𝑎𝑛𝑎𝑑𝑜

𝑥[𝑛] = 𝐴𝐼 𝑒 𝑗𝑤𝑖𝑛 + 𝐴2 𝑒 𝑗𝑤2𝑛 0< 𝑛 < 𝐿−1

𝑥𝐿 (𝑒 𝑗𝑤 ) = 𝐴1 𝑊(𝑓 − 𝑓1 ) + 𝐴2 𝑊(𝑓 − 𝑓2 )

92
7. CONCLUSIONES

 De acuerdo al análisis espectral realizado en el presente artículo, como la

frecuencia está directamente relacionada con la velocidad de los cambios en el

nivel de gris, es fácil asociar intuitivamente las frecuencias en la TDF con

patrones en las variaciones de la intensidad del nivel de gris. Como

mencionamos, la componente de frecuencia de variación más lenta (u=v=0)

corresponde al promediado de los niveles de gris en la imagen. A medida que

nos alejamos del origen de la transformada, la frecuencia de las componentes

va aumentando correspondiendo a variaciones en la intensidad cada vez más

rápidas.

 El origen de la FFT es la transformada discreta de Fourier

(DTF) ahora podemos saber que esta transformada es utilizada

cuando tenemos una señal que es difícil de resolver para ello

contamos con esta herramienta que nos permitirá obtener la

señal de una manera más concisa sin que esta se vea afectada.

 Todo esto confirma nuestra noción sobre la importancia de una

buena base teórica para la aplicación eficiente de la tecnología

actual, la cual como estudiantes de Ingeniería en Electrónica

resulta fundamental ya que abarca varios temas, como

procesamiento de señales, imágenes, audio etc.

93
 Por otra parte, en un ejemplo citado en la exposición se ha

muestreado la Transformada de Fourier lo que conduce a

efectos parecidos a los que se tenía cuando se muestreaba a

nivel temporal; por una parte la repetición de espectros (a nivel

temporal) se traduce aquí en una repetición de la señal

temporal. Esto además conlleva a tener en cuenta los posibles

efectos del “aliasing temporal”.

 Se resolvió la Transformada (y Transformada Inversa) Discreta

de señales que pueden ser fácilmente tratadas con la

Transformada Continua, para establecer a esta última como

"patrón" de comparación de los resultados obtenidos con la

Discreta y marcar pautas a tener en cuenta respecto de los

errores que se pueden cometer.

 Se aplicó la trasformada de Fourier al procesamiento de

señales, además para ello existen programas que nos facilitan a

la generación de señales como Matlab, muy útil para

aplicaciones tanto en voz, sonido, imágenes, como en medicina

y comunicaciones.

94
8. REFERENCIAS BIBLIOGRAFICAS

 http://www.ptolomeo.unam.mx:8080/xmlui/bitstream/handle/132.248.52.100/872/A4.pdf

?sequence=4

 http://www.bibvirtual.ucb.edu.bo/opac/Record/262470/Details

 http://www4.ujaen.es/~jmalmira/transformada_fourier_almira.pdf

 Hwei P. HSU, Análisis de Fourier, Addison-Wesley

Iberoamérica,(1987)

 http://www.fimee.ugto.mx/profesores/arturogp/documentos/Procesamiento%20Di

gital%20de%20Se%C3%B1ales/Lectura%201%20-%20DSP.pdf

 https://es.wikipedia.org/wiki/Procesamiento_digital_de_se%C3%B1ales

 https://aplicaciones.uc3m.es/cpa/generaFicha?est=257&asig=15545&idioma=1

 http://www4.ujaen.es/~jmalmira/dft_almira.pdf

 https://www.monografias.com/trabajos102/tratamiento-digital-senales-

ii/tratamiento-digital-senales-ii.shtml

 http://odin.fi-b.unam.mx/labdsp/files/ADSP/apuntes/dsp_apli0_17.pdf

95