Documente Academic
Documente Profesional
Documente Cultură
una señal real o compleja definida en el dominio del tiempo discreto en una
Laurent. La TZ es a las señales de tiempo discreto lo mismo que Laplace a las señales de
tiempo continuo.
aplicaciones.
1. RESUMEN
señales. Señales y datos no periódicos con un número finito de valores es el entorno más
0
Donde y los valores espectrales X[k] se evalúan en 0 N-1. Al
complejos.
La Transformada inversa de Fourier (IDFT), que permite generar la señal x [n] a partir
Si se emplea la ecuación [1] para calcular valores adicionales de X [k] fuera del rango 0
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,
También debemos darnos cuenta que la única diferencia entre la DFT y la IDFT a efectos
la IDFT es inmediato. Este hecho es una consecuencia directa de la simetría existente entre
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
Por un lado, es posible encontrar una versión discretizada de las funciones espectrales
funciones continuas, todo lo que puede hacer es estimar el valor de la función para un
generar una versión muestreada de X (W) o H (W), Este hecho operativo implica responder
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
La DFT y la IDFT nos permiten representar una señal x[n] o un sistema LTI en uno u otro
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]
Translación en el tiempo
Si x [n] X [k]
Convolución
Modulación
5
Las propiedades de Convolucion y Modulación indican que la Convolucion
frecuencia y viceversa.
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
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
Cualquiera que se haya quedado maravillado ante el diminuto tamaño de un archivo MP3
la FFT en acción.
resistivos para eliminar la misma. El Control Activo de Ruido (CAR) es una técnica
onda anti-ruido con la misma amplitud y de fase contraria a la onda que se desea
de manera eficiente.
7
Fig.1
2.2 TRANSFORMADA Z
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
Fig. 2
3. PLANTEAMIENTO DE ESTUDIO
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.
4. OBJETO DE ESTUDIO
10
Migrar desde la Transformada Continua de Fourier, la cual sirve fundamentalmente
ser fácilmente tratadas con la Transformada Continua. Esto es para establecer a esta
marcar pautas a tener en cuenta respecto de los errores que se pueden cometer.
señales periódicas.
11
Desarrollar algunas técnicas del procesamiento de señales que involucran series y
5. MARCO TEORICO
12
5.1 LA TRANSFORMADA DISCRETA DE FOURIER
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.
siguiente ecuación:
N−1
X(k) = ∑ x[n]Wkn N
n=0
x[n] DF T ⇐⇒ X(k)
13
Una descripción sencilla de las ecuaciones anteriores, es que los números
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
los cuales son mucho más fáciles de manipular. Las principales propiedades de la
14
parciales, realizar operaciones de convolucion o multiplicar números enteros muy
grandes.
de que la TDF puede ser calculada de manera muy eficiente utilizando un algoritmo
Fig.3
15
Al tener una señal analógica, en este caso el sonido, y le aplicamos un tren de pulso,
Fig. 4
16
Fig. 5
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
ℱ[𝑓](𝜔) = 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
propiedades algebraicas:
1. Linealidad:
19
2. Dualidad:
algunas transformadas.
ℱ ℱ
𝑔(𝑡) ↔ 𝑓(𝜔) ⟺ 𝑓(𝑡) ↔ 2𝜋𝑔(−𝜔)
2
𝑥(𝑡) =
1 + 𝑡2
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
Ejemplo:
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
23
El algoritmo para hallar la Transformada de Fourier de funciones
discretas está dada por el algoritmo FFT, los detalles de este algoritmo
esquema FFT.
eficiente
Fig.9
24
El algoritmo que se plantea está basado en el método denominado
N = 1024, se tendría:
Ejemplo:
Fig. 10
25
Para convertir una señal analógica en digital, el primer paso consiste en
resultante.
cuantización
Las tasas o frecuencias de muestreo más utilizadas para audio digital son
las siguientes:
26
Fig. 11
de la onda senoidal.
Por tanto, una señal cuyo muestreo se realice a 24 kHz, tendrá menos
estándar de muestreo de 44,1 kHz a 16 bits. Esos son los dos parámetros
27
5.4.2.2 CONDICION DE NYQUIST
digitalizar y grabar”.
humano que son 20 mil Hertz por segundo (20 kHz). Por ese motivo
kHz, incluye las frecuencias más altas que el sentido del oído puede
captar.
28
5.4.2.3 CUANTIZACION DE LA SEÑAL ANALOGICA
Fig. 12
29
señal digital en código numérico binario, la misma se muestra en la
Fig. 13.
Fig.13
tabla mostrada (se puede observar que, utilizando sólo tres bits por cada
de cuantización.
30
Tabla N.2
del espacio.
Fig. 14
31
Los pasos a seguir son:
Se multiplica por un filtro de frecuencia H (u, v), para cada (u, v):
32
A diferencia del filtro ideal pasa-bajos, la función de transferencia
tal que H(u,v) esté por debajo de una cierta fracción de su máximo.
aceptable.
respectivas.
33
Fig. 15 y 16
Fig. 17
34
Debido a que, como se mencionó anteriormente, es más práctico
=(M/2,N/2).
Fig.18
35
En el caso del gaussiano, se obtienen resultados comparables a los
Gaussiano.
Fig. 19 y 20
36
Se aplica un filtro pasa bajos el cual se muestra el deterioro en la
Fig. 21
la figura 20.
37
Fig. 22
38
Cuando el filtro es aplicado a una imagen, se denota los cambios que
39
Fig 26, 27, 28 y 29
señales.
40
Esto se puede conseguir mediante un sistema basado en un procesador o
Filtrado Adaptable.
41
5.4.4.2 Ventajas del procesamiento digital de señales
ventajas:
perfectamente regenerada.
analógicos.
42
Hay otras importantes ventajas para las comunicaciones
43
El tiempo de los componentes y las derivas térmicas no
solares).
44
El tamaño de los componentes es constante.
complejas.
sistemas análogos.
análogas.
45
5.4.4.3 Diagrama de bloques de un sistema de procesamiento digital de
señales
Fourier Discreta
46
Son fáciles de generar
de sinusoides.
Transformada de Fourier
5.4.4.5 Muestreo
Fig.30
47
El muestreo es la operación que consiste en tomar muestras
de muestreo.
generalmente binario).
finitos).
48
Según el teorema de Nyquist-Shannon para replicar con
las señales.
5.4.4.6 Transformadas
49
otros tipos de filtrado (filtros de paso bajo, de paso alto, de paso
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
“muestreadora”:
sin 𝜔𝑀 (𝑡 − 𝑛𝑇)
𝑆𝑎[ 𝜔𝑀 (𝑡 − 𝑛𝑇)] =
𝜔𝑀 (𝑡 − 𝑛𝑇)
Fig. 31
51
En caso de que la señal sea muestreada a una tasa inferior a la indicada
frecuencia de muestreo.
Encabalgamiento de señales
“Aliasing”
Fig. 32
muestreo.
las frecuencias.
52
Sea 𝑓(𝑡) una señal analógica, cuyo banda ]−𝑇, 𝑇[(es decir fuera de
∞
𝑛𝜋 sin(𝜔𝑡 − 𝑛𝜋)
𝐹(𝜔) = ∑ 𝐹( )
𝑇 (𝜔𝑡 − 𝑛𝜋)
𝑛=−∞
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
Procesamiento de voz
Compresión
Reconocimiento
Síntesis de voz
Amplificación
Cancelación de eco
53
Procesamiento de audio
Compresión
Reproducción 3-D
Procesamiento de Imágenes
Compresión
Reconocimiento de Patrones
Reducción de ruido
Seguimiento de objetos
Fusión de imágenes
Comunicaciones
Telefonía Celular
Teléfonos satelitales
Encriptado
Reconocimiento de la palabra
54
Medicina
electroencefalogramas
55
6. PROBLEMAS APLICATIVOS RESUELTOS
PROBLEMA 1
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
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
−𝟐𝛑𝐢
−𝟐𝛑𝐢 −𝟐𝛑𝐢
4𝒆 𝟑 = cos ( ) − 𝑖𝑠𝑒𝑛( )
𝟑 3
𝑥1 = −2 − 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
−𝟒𝛑𝐢
−𝟒𝛑𝐢 −𝟒𝛑𝐢
4𝒆 𝟑 = cos ( ) − 𝑖𝑠𝑒𝑛( )
𝟑 3
𝑥2 = −2 + 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
𝜋𝑛
𝑋(𝑛) = 4 + 3𝑆𝑖𝑛( )
2
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
𝟏 − 𝒆−𝒋𝟐𝝅(𝒍−𝒌)
𝑺𝑵 (𝒍. 𝒌) = =𝟎; 𝒌≠𝟏
𝟏 − 𝒆−𝒋𝟐𝝅(𝒍−𝒌)/𝑵
PROBLEMA 3
Determinar X (𝑒 𝑗∞ ).
𝟐
𝑿(𝒆𝒋∝ ) =
𝟐 − 𝒆−𝒋∞
60
PROBLEMA 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
de dicha secuencia.
𝟑 −𝒋𝟐𝝅𝒌𝒏
𝟏 𝟐𝒆 𝟒
𝑿[𝑲] = ∑ −𝟐𝝅𝒌
𝟒
𝒌=𝟎 𝟐 − 𝒆 𝟒
𝟏𝟔 𝟖 𝟒 𝟐
𝑿[𝒏] = 𝑿[𝒏] = 𝑿[𝒏] = 𝑿[𝒏] =
𝟏𝟓 𝟏𝟓 𝟏𝟓 𝟏𝟓
PROBLEMA 5
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
Solución:
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.
𝑨
𝑯(𝒔) =
𝒔𝟐 + (𝟑 − 𝑨)𝒔 + 𝟏
64
𝐴2
d. Tendremos que evaluar las expresiones 𝐺(𝑊𝑛) = 10 log10 1+𝑤4
𝑛
𝐴𝑡(𝑊𝑛) = 𝐺(0) − 𝐺(𝑊𝑛)
PROBLEMA 7
figura.
resistencias de 10K.
65
Solución:
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
con el de la derecha.
2 1 1 1
= 1 ≫ 𝐶1 = 2𝐹 , 𝐶1𝐶2 = 1 ≫ 𝐶2 = 2 𝐹 , 𝐶3 = 1 ≫ 𝐶3 = 1𝐹
𝐶1
66
habrá problemas de carga. Si fuera al contrario se cambiaría la función de
transferencia 𝐻2 (𝑠).
PROBLEMA 8
67
Las ganancias son: 8.217 dB en DC, 5.217 a 2 KHz y -35.38 dB a 7 Khz.
PROBLEMA 9
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
69
Solución:
s
Q
a) 𝑯(𝒔) = s
𝒔𝟐 + +𝟏
Q
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
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 )
70
PROBLEMA 11
Solución:
𝑥(𝑛 − 2)
muestra que ocupaba la posición 𝑛 = 0 ahora ocupa la posición 𝑛 = 2, por esta razón
71
PROBLEMA 12
a) ¿Qué frecuencias de muestreo se puede emplear para que sea posible una
72
Solución
intervalo −𝐹𝑚 = 2 < 𝐹 < 𝐹𝑚/2. Los alias se pueden obtener a partir de la
expresión:
73
𝐹𝑘 = 𝐹0 + 𝑘𝐹𝑚; 18 = 𝐹0 + 𝑘16 → 𝐹0 = 2𝑘𝐻𝑧
cuenta que para k tomaremos un valor entero apropiado para que 𝐹0 este
PROBLEMA 13
señal.
inapropiado.
muestreo?
74
Solución:
𝐹1 = 225𝐻𝑧 ; 𝐹2 = 725𝐻𝑧
b) Utilizando la misma expresión que en el ejercicio anterior para determinar los alias:
450𝜋 1450𝜋
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
9
𝑓1 = 𝑓2 =
20
𝐹𝑎
𝑓=
𝐹𝑚
9
𝐹𝑎1 = 𝐹𝑎2 = 𝑓 𝐹𝑚 = ∗ 500 = 225𝐻𝑧
20
PROBLEMA 14
76
Solución:
Ω1 = 100 𝜋 → 𝐹1 = 50𝐻𝑧
Ω2 = 178𝜋 → 𝐹2 = 89𝐻𝑧
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)
𝐹𝑚 2403
𝑁𝑝𝑢𝑛𝑡𝑜𝑠 = = =≈ 48
𝐹1 50
𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑠 54
𝑁𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 = 𝑁𝑢𝑚𝑒𝑟𝑜𝑠 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑠 𝑝𝑜𝑟 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 = 48 = 1′125 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠
78
PROBLEMA 15
Solución:
La señal 𝑥(𝑡) = 0’5e j(2000п t) + 3e j(10000п t+ п/2) (t en s.) es una señal compleja
Ω1 = 2000𝜋 → 𝐹1 = 1000𝐻𝑧
Ω2 = 10000𝜋 → 𝐹2 = 5000𝐻𝑧
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)
79
La señal de salida contiene dos exponenciales complejas al igual que la original pero
del
“aliasing".
PROBLEMA 16
Dada la respuesta en frecuencia de la secuencia real x(n) denotada por 𝑋(𝑒 𝑖𝜔 ),se pide
demostrar que:
Solución:
1
𝑋𝑅𝐸𝐴𝐿 = 2 [𝑋(𝑒 𝑖𝜔 ) + 𝑋 ∗ (𝑒 𝑖𝜔 )]
80
Donde
𝑛=−∞
𝑋 (𝑒 ) = ∑ 𝑥 ∗ (𝑛)𝑒 𝑖𝜔𝑛 .
∗ 𝑖𝜔
𝑛=−∞
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 )
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 ) = ∑ 𝑥 ∗ (𝑛)𝑒 𝑖𝜔𝑛
∗ 𝑖𝜔
𝑛=−∞
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).
|𝑋(𝑒 𝑖𝜔 )| = √𝑋𝑅𝐸𝐴𝐿
2 2
(𝑒 𝑖𝜔 ) + 𝑋𝐼𝑀𝐴𝐺 (𝑒 𝑖𝜔 )
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.
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 )
−𝑋𝐼𝑀𝐴𝐺 (𝑒 𝑖𝜔 )
𝜑𝐻 (𝑒 −𝑖𝜔 ) = 𝑎𝑟𝑐𝑡𝑔 ( )
𝑋𝑅𝐸𝐴𝐿 (𝑒 𝑖𝜔 )
𝜑𝐻 (𝑒 −𝑖𝜔 ) = −𝜑𝐻 (𝑒 𝑖𝜔 )
83
PROBLEMA 17
señal discreta:
1 0≤𝑛 ≤𝑁−1
𝑥(𝑛) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜.
Solución:
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)
84
Donde * indica la operación de la convolución. Por consiguiente, se tiene un
Otro punto a tener en cuenta es que esta función aparecerá en todas aquellas
85
PROBLEMA 18
Solución:
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
siguiente forma.
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
fundamental.
Esto no ocurre con la señal que se quiere descomponer y, a pesar de ser periódica,
87
que los coeficientes de la DFT sean diferentes de 0. A este fenómeno se le conoce
PROBLEMA 19
𝑥(𝑛).
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
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
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
PROBLEMA 20
Dada una secuencia discreta real 𝑥(𝑛) con periodo N siendo 𝑋(𝑘) su DFT
Solución:
De las dos igualdades propuestas se deberá cumplir que 𝑋(𝑘) = 𝑋 ∗ (𝑁 − 𝑘).
𝑁−1
2𝜋𝑛𝑘
𝑋(𝑁 − 𝑘) = (∑ 𝑥(𝑛)𝑒 −𝑖 𝑁 ) = 𝑋 ∗ (𝑛)
𝑘=0
89
PROBLEMA 21
Solución:
ℎ[𝑛] = 𝑥[𝑛]
90
PROBLEMA 22
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
91
PROBLEMA 24
PROBLEMA 25
𝑥𝐿 (𝑒 𝑗𝑤 ) = 𝐴1 𝑊(𝑓 − 𝑓1 ) + 𝐴2 𝑊(𝑓 − 𝑓2 )
92
7. CONCLUSIONES
rápidas.
señal de una manera más concisa sin que esta se vea afectada.
93
Por otra parte, en un ejemplo citado en la exposición se ha
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
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