Capitulo 1 - Tratamiento Digital de Señales

TRATAMIENTO DIGITAL
,_ .
DE SENALES
Prentice
Hall
TRATAMIENTO DIGITAL
-
DE SENALES
Cuarta Edici6n
JOHN G PROAKIS
Department of Electrical and Computer Engineering
Northeastern University
Boston, Massachusetts
DIMITRIS G MANOLAKIS
MIT Lincoln Laboratory
Lexington, Massachusetts
Traducci6n
Vuelapluma
PEARSON
Madrid. Mexico. SantaFedeBogota. BuenosAires. Caracas. Lima
Montevideo. SanJuan. SanJose. Santiago. SaoPaulo. WhitePlains.
,
"
'.ll:::- _ - - - = _ _ ~- " - - -
/ Datos de catalogaci6n bibliograflca
TRATAMTENTO DIGITAL DE SEN ALES
John G Proakis y Dimitris G Manolakis
PEARSON EDUCACION S.A., Madrid, 2007
ISBN: 978-84-8322-347-5
Materia: Informatica, 0004.4
Formato: 195x 250 mm. Paginas: 996
Todos los derechos reservados.
Queda prohibida, salvo excepci6n prevista en la Ley cualquier forma de reproducci6n, distri-
bucion, comunicacion publica y transformaci6n de esta obra sin contar con autorizaci6n de los
titulares de propiedad intelectual. La infracci6n de 10 derechos mencionados puede ser constitu-
tiva de delito contra lapropiedad intelectual (arts. 270 y sgts. Codigo Penal).
DERECHOS RESERVADOS
2007 por PEARSON EDUCACrON S.A.
Ribera del Loira, 28
28042 Madrid
TRATAMIENTO DIGITAL DE SENALES
John G Proakis y Dimitris G Manolakis
ISBN: 978-84-8322-347-5
Deposito Legal: M.18.440-2007
PRENTICE HALL es un sello editorial autorizado dePEARSON EDUCACION S.A.
Authorized translation from the English language edition, entitled DIGITAL SIGNAL PROCES-
S G, 4
TH
Edition by PROAKIS, JOHN G; MANOLAKIS, DIMITRIS G, published by Pearson
Education, Inc, publishing as Prentice Hall, Copyright 2007
EQUIPO EDITORIAL
Editor: Miguel Martin-Romo
Tecnico editorial: Marta Caicoya
EQUIPO DE PRODUCCION:
Director: Jose A. Clares
Tecnico: Diego Marin
Disetio de Cubierta: Equipo de disefio de Pearson Educacion S.A.
Impreso por: Closas-Orcoyen, S. L.
I\lPRESO E ESPANA - PRINTED IN SPAIN
Este libro ha sido impreso con papel y rintas ecol6gicos
A Anna
- Dimitris Manolakis
A Felia, George y Elena
-J ohn G. Proakis
Cont eni do
I nt r odu c c i 6 n 1
1.1 Senates, sistemas y tratamiento de sefiales 2
1.1.1 Elementos basicos de un sistema de tratamiento digital de sefiales A
1.1.2 Ventajas del tratamiento digital de sefiales sobre el anal6gico 5
I Clasificacion de las senales 5
1.2.1 Sefiales multi canal y rnultidimensionales 6
1.2.2 Sefiales continuas y discretas en el dorninio del tiempo 8
1.2.3 Sefiales continuas y sefiales discretas 9
1.2A Sefiales deterministas y sefiales aleatorias 9
1 Concepto de frecuencia en senales continuas \hfiH y discretas en el tiempo 10
1.3.1 Sefiales sinusoidales continuas en el tiempo 10
1.3.2 Sefiales sinusoidales discretas en el tiempo 12
1.3.3 Exponenciales complejas armonicarnente relacionadas 15
lA Conversiones analoglca-digltal y digital-analogica .17
1.4.1 Muestreo de sefiales anal6gicas 18
1.4.2 Teorema de muestreo 23
lA.3 Cuantificaci6n de sefiales continuas en amplitud 27
lAA Cuantificaci6n de sefiales sinusoidales 29
1.4.5 Codificaci6n de muestras cuantificadas 31
lA.6 Conversi6n digital-ana16gica 31
1.4.7 Analisis de sefiales y sistemas digitales frente a sefiales y sistemas
discretos en el tiempo 32
1 - Resumen y referencias 32
Problemas 33
2 S ei i a l es y s i s t em a s di s c r et os en el t i em p o 37
_.1 Sefiales discretas en el tiempo 37
2.1.1 Algunas sefiales discretas en el tiempo elementales 39
2.1.2 Clasificaci6n de las sefiales discretas en el tiempo Al
2.1.3 Manipulaciones simples de las sefiales discretas en el tiempo A4
_.1 Sistemas discretos en el tiempo 48
2.2.1 Descripci6n de entrada-salida de los sistemas A9
2.2.2 Diagrama de bloques de los sistemas discretos en el tiempo 51
2.2.3 Clasificaci6n de los sistemas discretos en el tiempo 53
2.2A Interconexion de sistemas discretos en el tiempo 61
VIII Contenido
2.3 Analisis de sistemas lineales discretos e invariantes en el tiempo 62
2.3.1 Tecnicas para el analisis de los sistemas lineales 62
2.3.2 Descomposicion en impulsos de una sefial discreta en el tiempo 64
2.3.3 Respuesta de los sistemas LTl a entradas arbitrarias: laconvolucion 65
2.304 Propiedades de la convoluci6n y la interconexion de sistemas LTI 71
2.3.5 Sistemas lineales invariantes en el tiempo causales 74
2.3.6 Estabilidad de los sistemas lineales invariantes en el tiempo 76
2.3.7 Sistemas con respuestas al impulso de duracion finita e infinita 79
2.4 Sistemas discretos en el tiempo descritos mediante ecuaciones en diferencias 79
204.1 Sistemas discretos en el tiempo recursivos y no recursivos 80
204.2 Sistemas lineales invariantes en el tiempo caracterizados por ecuaciones
en diferencias de coeficientes constantes 83
204.3 Solucion de las ecuaciones en diferencias lineales de coeficientes constantes 87
20404 Respuesta al impulso de un sistema recursivo, lineal e invariante en el tiempo 94
2.5 Implementaclen de sistemas discretos en el tiempo 96
2.5.1 Estructuras para la realizacion de sistemas lineales invariantes en el tiempo 97
2.5.2 Realizacion de sistemas FIR recursivos y no recursivos 100
2.6 Correlacion de senales discretas en el tiempo 103
2.6.1 Secuencias de correlacion cruzada y autocorrelacion .104
2.6.2 Propiedades de la autocorrelacion y de lacorrelacion cruzada 106
2.6.3 Correlacion de secuencias periodicas 109
2.604 Secuencias de correlacion de entrada-salida .112
2.7 Resumen y referencias 113
Problemas 114
3 La transformada z y sus aplicaciones al anallsis de los sistemas LTI 131
3.1 La transformada z 131
3.l.1 La transform ada z directa 132
3.1.2 La transform ada z inversa 138
3.2 Propiedades de la transformada z 140
3.3 Transformadas z racionales 152
3.3.1 Polosyceros 152
3.3.2 Posicion de los polos y comportamiento en el dominio
del tiempo de sefiales causales 155
3.3.3 Funcion de transferencia de un sistema lineal invariante en el tiempo 158
3.4 Inversion de la transformada z 161
304.1 Transformada z inversa por integraci6n de contomo 161
304.2 Transformada z inversa mediante expansion en serie de potencias 163
304.3 Transformada z inversa mediante expansion en fracciones parciales 165
30404 Descomposici6n de las transformadas z racionales 172
3.5 Analisis en el dominio z de sistemas LTI 173
3.5.1 Respuesta de sistemas con funciones de transferencia racionales 173
3.5.2 Respuestas transitoria y en regimen permanente 174
3.5.3 Causalidad y estabilidad 176
Contenido IX
3.5.4 Cancelaciones polo-cero .177
3.5.5 Polos de orden multiple y estabilidad 179
3.5.6 Estabilidad de los sistemas de segundo orden 180
3.6 Transformada z unilateral 183
3.6.1 Defmici6n y propiedades 184
3.6.2 Soluci6n de las ecuaciones en diferencias .188
3.6.3 Respuesta de los sistemas de polos y ceros con condiciones
iniciales distintas de cero 189
Resumen y referencias 191
Problemas 192
4 Anallsls e n f r e c u e n c i a d e s e i i a l e s 2 0 3
.1 Analisis en frecuencia de las sefiales continuas en el tiempo 203
4.1.1 Series de Fourier para sefiales peri6dicas continuas en el tiempo 205
4.1.2 Espectro de densidad de potencia de sefiales peri6dicas 208
4.1.3 Transformada de Fourier de senales aperi6dicas continuas en el tiempo 211
4.1.4 Espectro de densidad de energia de sefiales aperi6dicas 215
Analisis en frecuencia de senales discretas en el tiempo 218
4.2.1 Serie de Fourier para sefiales peri6dicas discretas en el tiempo 218
4.2.2 Espectro de densidad de potencia de sefiales peri6dicas 221
4.2.3 Transformada de Fourier de sefiales aperi6dicas discretas en eJ tiempo 224
4.2.4 Convergencia de la transformada de Fourier 226
4.2.5 Espectro de densidad de energia de sefiales aperi6dicas 229
4.2.6 Relaciones entre la transformada de Fourier y la transfonnada z 233
4.2.7 El Cepstro 235
4.2.8 Transformada de Fourier de sefiales con polos en la circunferencia unidad 236
4.2.9 Clasificaci6n de las sefiales en eJ dominio de J afrecuencia:
concepto de ancho de banda 238
4.2.10 Rangos de frecuencia de algunas sefiales naturales 240
Propiedades de la sefial en los dominios de la frecuencia y del tiempo 241
Propiedades de la transformada de Fourier para senates discretas en el tiempo 244
4.4.1 Propiedades de simetria de J atransformada de Fourier 245
4.4.2 Propiedades y teoremas de latransformada de Fourier 252
Problemas 261
Anallsls e n e l d o m i n i o d e l a f r e c u e n c i a d e s i s t e m a s L T I 2 6 9
: 1 Caracteristicas en el dominio de la frecuencia de los sistemas LTI 269
5.1.1 Respuesta a sefiales sinusoidales y exponenciales complejas:
funci6n de respuesta en frecuencia 270
5.1.2 Respuestas en regimen permanente y transitoria a sefiales de entrada
sinusoidales 277
-.1.3 Respuesta en regimen permanente a sefiales de entrada peri6dicas 278
- .1.4 Respuesta a sefiales de entrada aperi6dicas 279
- ~- ---;--- .
'_ ~.-- -
-
_~_~ ~~ 0=
X Contenido
5.2 Respuesta en frecuencia de los sistemas LTI 281
5.2.1 Respuesta en frecuencia de un sistema definido mediante una funci6n racional .281
5.2.2 Calculo de larespuesta en frecuencia 284
5.3 Espectros y funciones de correlaciou en la salida de los sistemas LTI 288
5.3.1 Espectros y funciones de correlaci6n de entrada-salida 288
5.3.2 Funciones de correlaci6n y espectros de potencia de sefiales de entrada
aleatorias 289
5.4 Sistemas LTI como filtros selectivos de frecuencia 291
5.4.1 Caracteristicas del filtro ideal 292
5.4.2 Filtros paso bajo, paso alto y paso banda 294
5.4.3 Resonadores digitales 299
5.4.4 Filtros de bendidura 302
5.4.5 Filtros peine 304
5.4.6 Filtros paso todo 308
5.4.7 Osciladores sinusoidales digitales 310
5.5 Sistemas inversos y deconvoluci6n 312
5.5.1 Invertibilidad de los sistemas LTI 313
5.5.2 Sistemas de fase minima, fase maxima y fase mixta 316
5.5.3 Identificaci6n del sistema y deconvoluci6n 320
5.5.4 Deconvoluci6n bomom6rfica 322
Problemas 324
6 Muestreo y reconstrucci6n de seiiales 344
6.1 Muestreo y reconstrucci6n ideales de senales continuas en el tiempo 344
6.2 Tratamiento discreto en el tiempo de senates continuas en el tiempo 353
6.3 Convertidores anal6gico-digital y digital-anal6gico 359
6.3.1 Convertidores anal6gico-digitales 360
6.3.2 Cuantificaci6n y codificaci6n 361
6.3.3 Analisis de los errores de cuantificaci6n 364
6.3.4 Convertidores digitales-anal6gicos 366
6.4 Muestreo y reconstrucci6n de seiiales paso banda continuas en el tiempo 368
6.4.1 Muestreo uniforme 0 de primer orden 368
6.4.2 Muestreo intercalado 0 no uniforrne de segundo orden 374
6.4.3 Representaciones de sefiales paso banda 379
6.4.4 Muestreo empleando las representaciones de la sefial paso banda 381
6.5 Muestreo de sefiales discretas en el tiempo 382
6.5.1 Muestreo e interpolaci6n de sefiales discretas en el tiempo 383
6.5.2 Representaci6n y muestreo de senales paso banda discretas en el tiempo 387
6.6 Convertidores AID y D/A con sobremuestreo 388
6.6.1 Convertidores NO con sobremuestreo 388
6.6.2 Convertidores D/A con sobremuestreo 393
Problemas 395
Contenido XI
7 T r a n s f o r m a d a d i s c r e t a d e F o u r i e r : p r o p i e d a d e s y a p l i c a c i o n e s 4 0 3
-.1 Muestreo en el dominio de la frecuencia: la transformada discreta de Fourier 403
7.1.1 Muestreo en el dominic de la frecuencia y reconstrucci6n de sefiales
discretas en el tiempo .403
7.l.2 Transformada discreta de Fourier (DFT) .409
7.1.3 La DFT como una transformaci6n lineal .411
7.1.4 Relaci6n de laDFT con otras transformadas .414
Propiedades de laDFT .416
7.2.1 Propiedades de periodicidad, linealidad y simetria .416
7.2.2 Multiplicaci6n de dos DFT y convoluci6n circular .421
7.2.3 Propiedades adicionales de laDFT .426
Metodos de filtrado lineal basados en la DFT .430
7.3.1 Uso de laDFT en el filtrado lineal .430
7.3.2 Filtrado de secuencias de datos largas .434
Analisis en frecuencia de sefiales utilizando la DFT .436
Transformada discreta del coseno 443
7.5.1 DCT directa .443
7.5.2 DCT inversa .444
7.5.3 La DCT como transformada ortogonal .445
Problemas .449
C a l c u l o e f i c i e n t e d e l a D F T : a l g o r i t m o s d e l a t r a n s f o r m a d a rapida d e F o u r i e r . . 4 5 8
1 Calculo eficiente de la DFT: algoritmos FFT .458
8.1.1 Calculo direeto de laDFT .459
8.1.2 Metodo divide y venceras para calcular laDFT .460
8.1.3 Algoritrnos FFT base 2 .465
8.1.4 Algoritmos FFT base 4 .472
8.1.5 Algoritrnos FFT de base dividida .477
8.1.6 Implementaei6n de los algoritmos FFT .480
. 2 Aplicaciones de los algoritmos FFT .481
8.2.1 Caleulo efieiente de laDFT de dos seeueneias reales .481
8.2.2 Calculo efieiente de laDFT de una seeueneia real de 2Npuntos .482
8.2.3 Uso de los algoritrnos FFT en el filtrado lineal y la eorreIaei6n .483
.3 Metodo de filtrado lineal para calcular la DFT .485
8.3.1 Algoritrno de Goertzel .485
8.3.2 Algoritrno de latransformada z chirp .487
.4 Efectos de cuantificaci6n en el calculo de la DFT .491
8.4.1 Efectos de cuantificaci6n en el calculo directo de la DFT .491
8.4.2 Errores de euantificaei6n en los algoritmos FFT .493
.s Resumen y referencias .496
Problemas .497
XII Contenido
9 lrnplernentaclon d e s i s t e m a s d i s c r e t o s e n e l t i e m p o 5 0 3
9.1 Estructuras para larealizacien desistemas discretos del tiempo 503
9.2 Estructuras para sistemas FIR 505
9.2.l Estructura dela forma directa 506
9.2.2 Estructuras en cascada 506
9.2.3 Estructuras basadas en el muestreo en frecuencia 508
9.2.4 Estructura en celosia 513
9.3 Estructuras para sistemas IIR 520
9.3.1 Estructuras en forma directa 520
9.3.2 Diagramas de flujo de sefiales y estructuras transpuestas 522
9.3.3 Estructuras en cascada 527
9.3.4 Estructuras enparalelo 528
9.3.5 Estructuras en celosia y en celosia-escalera para sistemas IIR 531
9.4 Representacion de numerus 537
9.4.1 Representaci6n denumeros en punto fijo 537
9.4.2 Representaci6n denumeros en punto flotante binario 540
9.4.3 Errores debidos al redondeo y el truncamiento 543
9.5 Cuantlflcacion delos coeficientes del filtro 546
9.5.1 Analisis delasensibilidad en lacuantificaci6n de los coeficientes del filtro 547
9.5.2 Cuantificaci6n de los filtros FIR 554
9.6 Efectos del redondeo en losflltros digitales 557
9.6.1 Oscilaciones de cicio limite en sistemas recursivos 558
9.6.2 Cambio de escala para irnpedir el desbordamiento 562
9.6.3 Caracterizaci6n estadlstica de los efectos de cuantificaci6n
en las realizaciones de punto fijo defiltros digitales 564
Problemas 572
1 0 D i s e i i o d e filtros d i g i t a l e s 5 8 4
10.1 Consideraciones generales 584
10.1.1 La causalidad y sus implicaciones 585
10.l.2 Caracteristicas de los filtros practices selectivos en frecuencia 588
10.2 Diseiio defiltros FIR 589
10.2.1
10.2.2
10.2.3
Filtros FIR simetricos y antisimetricos 589
Disefio de filtros FIR de fase lineal utilizando ventanas 592
Disefio de filtros FIR de fase lineal mediante el metodo basado
en el muestreo en frecuencia 598
Disefio de filtros FIR de fase lineal con rizado constante 6ptimo 605
Disefio de diferenciadores FIR 616
Disefio detransformadores deHilbert 619
10.2.4
10.2.5
10.2.6
10.2.7 Comparaci6n de los metodos de disefio de los filtros FIR de fase lineal 623
10.3 Diseiio defiltros IIR apartir defiltros aualogicos 625
10.3.1 Disefio de filtros IIR mediante aproximaci6n de derivadas 626
Contenido XIII
10.3.2 Diseiio de filtros IIR basado en la invarianza del impulso 630
10.3.3 Diseiio de fi1tros IIR mediante la transformacion bilineal 635
10.3.4 Caracteristicas de los filtros analogicos mas cornunmente utilizados 638
10.3.5 Algunos ejemplos de disefios de filtros digitales basados
en la transformacion bilineal 647
1 .4 Transformaciones en frecuencia 648
10.4.1 Transformaciones de frecuencia en el dominio analogico 649
10.4.2 Transformaciones de frecuencia en el dominio digital 652
1 - Resumen y referencias 654
Problemas 655
1 Tr at am i en t o d i g i t al d e s ei i al es d e t as a m u l t i p l e 669
11.1 Introduccion 670
) 1.2 Diezmado por un factor D 673
11.3 Interpolacion por un factor I 677
11.4 Conversion de la frecuencia de muestreo por un factor racional lID 680
11.5 Implementaclon de la conversion de la frecuencia de muestreo 683
11.5.1 Estructuras de los filtros polifasicos 684
11.5.2 Intercarnbio de filtros y submuestreadores/sobremuestreadores 685
11.5.3 Conversion de lafrecuencia de muestreo mediante filtros peine
con integrador conectado en cascada 686
11.5.4 Estructuras polifasicas para filtros de diezmado e interpolacion 688
11.5.5 Estructuras para la conversion de lafrecuencia de muestreo racional 690
11.6 Implementacion multietapa de la conversion de la frecuencia de muestreo 692
11.7 Conversion de la frecuencia de muestreo de sefiales paso banda 696
11.8 Conversion de la frecuencia de muestreo por un factor arbitrario 696
11.8.1 Remuestreo arbitrario con interpoladores polifasicos 698
11.8.2 Remuestreo arbitrario con estructuras de filtros Farrow 698
11.9 Aplicaciones del tratamiento multitasa de sefiales 700
11.9.1 Disefio de desplazadores de fase 700
11.9.2 Interfaz de sistemas digitales con diferentes frecuencias de muestreo 701
1l.9.3 Implernentacion de filtros paso bajo de banda estrecha 702
1l.9.4 Codificacion subbanda de sefiales de voz 703
11.10 Bancos de filtros digitales 705
11.10.1 Estructuras polifasicas de bancos de filtros uniformes 709
11.10.2 Transmultiplexores 711
11.11 Banco de filtros espejo en cuadratura de dos canales 711
11.11.1 Eliminacion del aliasing 713
11.11.2 Condicion para una reconstruccion perfecta 715
11.11.3 Forma polifasica del banco de filtros QMF 715
11.1l.4 Banco de filtros FIR QMF de fase lineal 715
11.11.5 Banco de filtros IIR QMF 717
XIV Contenido
1l.l1.6 Reconstruccion perfecta de bancos de filtros FIR QMF de dos canales 717
11.11.7 Bancos de filtros QMF de dos canales con codificacion subbanda 718
11.12 Banco de flltros QMF de Mcanales 719
11.12.1 Condiciones para reconstruccion perfecta y eliminacion del aliasing 721
1l.12.2 Forma polifasica del banco de filtros QMF de M canales 721
Problemas 726
12 P redicci6n lineal y filtros lineales 6ptimos 735
12.1 Sefiales aleatorias, funciones de correlaclon y espectros de potencia 735
12.1.1 Procesos aleatorios 736
12.1.2
12.1.3
12.1.4
12.1.5
12.1.6
12.1.7
12.1.8
12.1.9
Procesos aleatorios estacionarios 737
Promedios estadisticos 737
Promedios estadisticos para procesos aleatorios conjuntos 738
Espectro de densidad de potencia 739
Sefiales aleatorias discretas en el tiempo 740
Promedios temporales para un proceso aleatorio discreto en el tiempo 741
Procesos ergodicos respecto de la media 742
Procesos ergodicos respecto de la correlacion 743
12.2 Representaclou de innovaciones de un proceso aleatorio estacionario 744
12.2.1 Espectros depotencia racionales 746
12.2.2 Relaciones entre los parametres del filtro y laautocorrelacion 747
12.3 Predlccion lineal directa e inversa 748
Prediccion lineal directa 748
Prediccion lineal inversa 751
Coeficientes de reflexion optimos para los predictores
en celosia directo e inverso 753
12.3.4 Relacion entre un proceso auto-regresivo y laprediccion lineal 754
12.4 Soluciou de las ecuaciones normales 754
12.3.1
12.3.2
12.3.3
12.4.1 Algoritmo de Levinson-Durbin 755
12.4.2 El algoritmo de Schur 758
12.5 Propiedades de los flltros lineales de error de prediccion 762
12.6 Filtros auto-regresivos en celosia y auto-regresivos de media
movil en celosia-escalera 765
12.6.1 Estructura auto-regresiva en celosia 766
12.6.2 Procesos auto-regresivos de media movil y filtros en celosia-escalera 767
12.7 Filtros de Wiener para filtrado y predicclon 769
12.7.1 Filtro FIR de Wiener 770
12.7.2 Principio de ortogonalidad en la estimacion lineal por minimos cuadrados 772
12.7.3 Filtro IIR de Wiener 773
12.7.4 Filtro de Wiener no causal 777
12.8 Resumen y referencias ..................................................... 778
Problemas 779
Contenido XV
13 Filtros adaptativos 785
13.1 Aplicaciones de los filtros adaptativos 785
13.1.1 Identificaci6n del sistema 0modelado del sistema 787
13.1.2
13.1.3
13.1.4
13.1.5
13.1.6
13.1.7
13.1.8
Ecualizaci6n de canal adaptativa 787
Cancelaci6n de eco en la transmisi6n dedatos atraves decanales telef6nicos .. 791
Supresi6n de interferencias de banda estrecha en una sefia1debanda ancha 794
Mejorador de linea adaptativo 798
Cancelaci6n de ruido adaptativa 799
Codificaci6n lineal predictiva de sefiales de voz 799
Matrices adaptativas 802
13.2 Filtros FIR adaptativos en forma directa: el algoritmo LMS 804
13.2.1 Criterio del error cuadratico medio minimo 805
13.2.2 EI algoritmo LMS 807
13.2.3 Algoritmos estocasticos de gradiente 808
13.2.4 Propiedades del algoritmo LMS 810
13.3 FiJtros adaptativos en laforma directa: algoritmos RLS 816
13.3.1 Algoritmo RLS 816
13.3.2 Algoritmos defactorizaci6n LDU y deraiz cuadrada 820
13.3.3 Algoritmos RLS rapidos 821
13.3.4 Propiedades de los algoritmos RLS para laforma directa 823
13.4 Filtros adaptativos en celosia-escalera 825
13.4.1 Algoritmos recursivos deminimos cuadrados en celosia-escalera 825
13.4.2 Otros algoritmos en celosia 843
13.4.3 Propiedades de los algoritmos en celosia-escalera 846
Problemas 850
14 Estimaci6n del espectro de potencia 855
14.1 Estimaclon de los espectros procedentes de observaciones de duracion finita de sefiales .855
14.1.1 Calculo del espectro de densidad deenergia 856
14.1.2 Estimaci6n de laautocorrelaci6n y del espectro depotencia
de sefiales aleatorias: el periodograma 860
14.1.3 Uso de laDFT en laestimaci6n del espectro de potencia 864
14.2 Metodos no parametricos para laestimacion del espectro de potencia 866
14.2.1 El metoda de Bartlett: promediado de periodogramas 867
14.2.2 Metodo deWelch: promediado deperiodogramas modificados 868
14.2.3 Metodo de Blackman y Tukey: suavizado del periodograma 870
14.2.4 Prestaciones de los estimadores no pararnetricos del espectro depotencia 872
14.2.5 Requisitos de calculo de los estimados no parametricos del
espectro depotencia 875
14.3 Metodos parametricos para laestimacion del espectro de potencia 876
14.3.1 Relaciones entre laautocorrelaci6n y los parametres del modelo 878
14.3.2 Metodo deYule-Walker para los parametres del modelo AR 880
14.3.3 Metodo de Burg para los parametres del modelo AR 880
----=---------= - ~--=- = --
~
_ -_-
-_- :=:~- - =: : - -
XVI Contenido
14.3.4 Metodo de minimos cuadrados no restringido para los parametres
del modelo AR 883
Metodos de estimaci6n secuenciales para los parametres del modele AR 884
Selecci6n del orden del modelo 885
Modelo MA para laestimaci6n del espectro de potencia 886
Modelo ARMA para la estimaci6n del espectro de potencia .
14.3.5
14.3.6
14.3.7
14.3.8
888
14.3.9 Resultados experimentales 889
14.4 Metodos basados en bancos de filtros 895
14.4.1 Realizaci6n mediante banco de filtros del periodograma 896
14.4.2 Estimados espectrales de varianza minima 899
14.5 Algoritmos de autoanalisis para la estirnacinn del espectro 902
14.5.1 Metodo de descomposici6n arm6nica de Pisarenko 903
14.5.2 Autodescomposici6n de la matriz de autocorrelaci6n para sinusoides
en ruido blanco 905
14.5.3 Algoritrno MUSIC 907
14.5.4 Algoritrno ESPRIT 908
14.5.5 Criterios de selecci6n del orden 911
14.5.6 Resultados experimentales 911
Problemas 915
A G e n e r a d o r e s d e nurneros a l e a t o r i o s 9 2 5
B T a b l a s d e l o s c o e f i c i e n t e s d e transiclon p a r a e l d i s e f i o
d e f i l t r o s F I R d e f a s e l i n e a l 9 3 1
R e f e r e n c i a s y b i b l i o g r a f f a 9 3 7
R e s p u e s t a s a l o s p r o b l e m a s s e l e c c i o n a d o s 9 5 6
lndlce 9 6 7
Pr ef aci o
El desarrollo de este libro esta basado en nuestra experiencia en la impartici6n de cursos a estudiantes pre-
universitarios y universitarios sobre el tratarniento digital de laseflal a10largo de los ultimos afios. En ellibro
se presentan los fundamentos de los sistemas y sefiales discretas en el tiempo y el procesamiento digital, asi
como aplicaciones para los estudiantes de Ingenieria electrica, Ingenieria Informatica y Ciencias de la
Computaci6n. EI libro es adecuado para cursos de uno 0 dos semestres de duraci6n sobre sistemas discretos
tratamiento digital de sefiales, Tambien es adecuado para un curso sobre tratamiento digital de sefiales deun
emestre destinado aestudiantes universitarios de primer afio.
e supone que el estudiante ha seguido cursos sobre Calculo avanzado (incluyendo ecuaciones diferenciales
normales) y Sistemas lineales para sefiales continuas en el tiempo, incluyendo una introducci6n ala transfor-
mada de Laplace. Aunque en el Capitulo 4 se describen las series de Fourier y las transformadas de Fourier
de seftales peri6dicas y aperi6dicas, 10mejor es que los estudiantes hayan adquirido estos conocimientos en
un curso anterior.
Ellibro incluye informaci6n te6rica, asi como aplicaciones practicas. Seproporcionan numerosos problemas
bien disefiados, con el fin de ayudar al estudiante adominar los temas. Hay disponible un manual de solucio-
ne que s610los profesores pueden descargar. Tambien en el sitio web del editor hay disponibles (en ingles)
una serie de presentaciones en Microsoft PowerPoint para los profesores.
En lacuarta edici6n dellibro, hemos afiadido un nuevo capitulo sobre filtros adaptativos. Los capitulos dedi-
ados al tratamiento de sefiales multitasa y al muestro y reconstrucci6n de sefiales se han modificado y actua-
lizado sustancialmente. Tambien hemos afiadido material sobre latransformada discreta del coseno.
En el Capitulo 1se describen las operaciones implicadas en laconversi6n analogico-digital de sefiales analo-
: a. EI proceso de muestreo de una sinusoide se ha descrito en detalle, asimismo, seexplica el problema del
.. iasing. La cuantificaci6n de sefiales y laconversi6n digital-analogica tambien seexplican en terminos gene-
1"31. aunque el analisis se aborda en capitulos posteriores.
E Capitulo 2esta dedicado por completo alacaracterizaci6n y el analisis en el dominio del tiempo de los sis-
lineales discretos en el tiempo e invariantes en el tiempo (e invariantes en el desplazamiento) y de las
- e discretas en el tiempo. Se deduce laoperaci6n de convolucion y los sistemas se clasifican de acuerdo
n laduraci6n de su respuesta al impulso como FIR (finite-duration impulse response, respuesta al impulso
dura ion finita) y como IIR (infinite-duration impulse response, respuesta al impulso de duraci6n infinita).
-", r entan los sistemas invariantes en el tiempo caracterizados por ecuaciones en diferencias y se obtiene
_ lu i6n de las ecuaciones en diferencias con condiciones iniciales. EI capitulo concluye con un tratamien-
'" lacorrelaci6n discreta en el tiempo.
formada z se introduce en el Capitulo 3. Se presentan las transformadas z unilateral y bilateral, y los
s para determinar la transformada z inversa. Se ilustra el uso de la transformada z en el analisis de
mas lineales invariantes en el tiempo eimportantes propiedades de sistemas, tales como lacausalidad
ilidad se relacionan con las caracteristicas en el dominio z.
itulo -l e ocupa del analisis de las seiiales en el dominio de la frecuencia. Se presentan la serie de
-~ _ la tran formada de Fourier tanto para seiiales continuas en el tiempo como discretas en el tiempo.
- _ C . irulo _ ecaracterizan los sistemas discretos LTI (linear time-invariant, lineal invariante en el tiem-
_ el ominio de lafrecuencia mediante su respuesta en frecuencia y se detennina su respuesta a seiiales
""_-.n.-I~""'_ .,,- :' aperi6dica . Se describen una serie de sistemas discretos en el tiempo, entre los que se incluyen
~;:r;:3dor<~-_ filrro de hendidura, filtros paso todo y osciladores. Tambien se considera el disefio deuna serie
IIR imples. Ademas, se hace una introd-ucci6n a los conceptos de sistemas de fase minima,
_ fase maxima, y al problema de la deconvoluci6n.
XVIII Prefacio
En el Capitulo 6 se hace un estudio del muestreo de sefiales continuas en el tiempo y la reconstrucci6n de
sefiales a partir de sus muestras. Se cubre el muestreo y reconstrucci6n de sefiales paso banda, el muestreo
de sefiales discretas en el tiempo y laconversi6n AID y DI A. EI capitulo concluye con los convertidores AID
y DI A con sobremuestreo.
La DFT, sus propiedades y aplicaciones, son los temas que se tratan en el Capitulo 7. Se describen dos meto-
dos para utilizar laDFT en los procesos de filtrado lineal. Tambien se describe el uso de la DFT para llevar a
cabo el analisis en frecuencia. El ultimo tema que se aborda en este capitulo es la transfonnada discreta del
coseno.
El Capitulo 8trata el calculo efectivo de la DFT. En este capitulo se incluyen descripciones de los algoritmos
FFT (fast Fourier transform, transformada rapida de Fourier) en base 2, base 4 y de base dividida, y las apli-
caciones de los algoritmos FFT al calculo de la convoluci6n y la correlaci6n. Se presentan el algoritmo de
Goertzel y latransformada chirp-z como dos metodos de calculo de la DFT utilizando filtrado lineal.
EI Capitulo 9 se ocupa de la realizaci6n de los sistemas IIR yFIR. Se abordan las realizaciones en la forma
directa, en cascada, paralelo, en celosia y en celosia-escalera. EI capitulo tambien examina los efectos de
cuantificaci6n sobre una implementaci6n digital de sistemas FIR e I1R.
En el Capitulo 10 se presentan tecnicas para el disefio de filtros digitales FIR e IIR. Las tecnicas de disefio
inc1uyen tanto metodos directos en tiempo discrete como metodos que irnplican la conversi6n de filtros ana-
16gicos en filtros digitales mediante varias transformaciones.
El Capitulo 1I se ocupa de la conversi6n de la frecuencia de muestreo y sus aplicaciones al tratamiento
multitasa digital de sefiales, Adernas de describir el diezmado y la interpolaci6n por un entero y por factores
racionales, se presentan metodos para la conversi6n de la frecuencia de muestreo por un factor arbitrario e
implementaciones mediante estructuras de filtros polifasicos. Este capitulo tambien se ocupa de los bancos de
filtros digitales, los filtros QMF (quadrature mirror jilters, filtros espejo en cuadratura) de dos canales y los
bancos QMF de Mcanales.
Los filtros de predicci6n lineal y de Wiener se tratan en el Capitulo 12. En este mismo capitulo tambien se
incluyen descripciones del algoritmo de Levinson-Durbin y del algoritrno de Schur para resolver ecuaciones
normales, asi como los filtros AR en celosia y ARMA en celosia-escalera.
EI Capitulo 13 se ocupa de los filtros adaptativos de un unico canal basados en el algoritmo LMS y en los
algoritrnos recursivos de minimos cuadrados RLS (recursive least squares). Se describen los algoritmos FIR
en laforma directa y RLS en celosia para las estructuras de los filtros.
EI tema principal del Capitulo 14es laestimaci6n del espectro de potencia. La exposici6n cubre una descrip-
ci6n de los metodos no pararnetricos y basados en modelos (parametricos), Tambien se describen los meto-
dos basados en la auto-descomposici6n, incluyendo MUSIC y ESPRIT.
En un curso avanzado de un semestre para estudiantes con conocimientos previos sobre sistemas discretos
pueden utilizarse los Capitulos I hasta 5para realizar un rapido repaso y luego continuar con los Capitulos 6
hasta 10.
En un primer curso universitario sobre tratamiento digital de la sefial, los primeros seis capitulos proporcio-
naran al estudiante un buen repaso sobre los sistemas discretos. EI profesor puede ver rapidamente estos temas
y luego ver en detalle los Capitulos 7 hasta 11, para seguir con temas seleccionados de los Capitulos 12
hasta 14.
Se inc1uyen muchos ejemplos a 10 largo del libro y aproxirnadamente 500 problemas que el estudiante puede
realizar en casa. AI final del libro se incluyen las respuestas a problemas seleccionados. Muchos de los pro-
blemas pueden resolverse numericamente utilizando una computadora, con un paquete software como par
ejemplo MATLAB. Hay disponible tarnbien (en ingles) un manual del estudiante: Student Manualfor Digital
Signal Processing with MATLAB.
MATLAB se incluye como herramienta software basica para este manual. EI profesor puede considerar
tambien utilizar otros libros complementarios que contengan ejercicios basados en computadora, como por
ejemplo, Computer-Based Exercises for Signal Processing Using MA TLAB (prentice Hall, 1994) de C. S.
Burrus et al.
Prefacio XIX
Los autore estan en deuda con los colegas que les han proporcionado valiosas sugerencias despues de haber
revisado la ediciones anteriores de este libro. Entre ellos queremos mencionar aW. E. Alexander, G. Arslan,
Y. Bre ler, 1. Deller, F. DePiero, V. Ingle, J .S. Kang, C. Keller, H. Lev-Ari, L. Merakos, W. Mikhael,
P. Monticciolo C. Nikias, M. Schetzen, E. Serpedin, T. M. Sullivan, H. Trussell, S. Wilson y M. Zoltowski.
Tambien quieren expresar su agradecimiento aR. Price por su recomendaci6n de incluir los algoritmos FFT
de ba e dividida y otras sugerencias relacionadas. Por ultimo, deseamos expresar nuestro reconocimiento a
mucbos estudiantes licenciados por sus sugerencias y comentarios, en especial aA. L. Kok, J . Lin, E. Sozer
~ . Srinidhi, que ayudaron en lapreparaci6n de diversas ilustraciones y del manual de soluciones.
J ohn G. Proakis
Dimitris G. Manolakis
-~,,,..' .
_ I ;;'"
I nt r oducci 6n
EI tratamiento digital de seiiales es un area delaciencia y laingenieria que seha desarrollado muy rapidamente
a10largo de los tiltimos cuarenta aiios, Este rapido desarrollo es el resultado de los importantes avances tanto
en la tecnologia digital en el campo de la informatica como en la fabricaci6n de los circuitos integrados. Las
computadoras digitales y el hardware digital asociado de hace cuatro decadas eran de tamafio relativamente
grande, ademas demuy caros y, en consecuencia, su usa estaba limitado alas aplicaciones deprop6sito general
en tiempo no real (fuera de linea) cientificos y comerciales. El rapido desarrollo de latecnologia de circuitos
integrados, empezando con la integraci6n a media escala (MSI, medium-scale integration), continuando con
la integraci6n agran escala (LSI, large-scale integration), y actualmente con la integracion a muy gran escala
(VLSI, very-large-scale integration) de los circuitos electr6nicos ha estimulado el desarrollo de computadoras
digitales y hardware digital de prop6sito especial mas potente, de menor tamafio, mas rapido y menos costoso.
Estos circuitos digitales baratos y relativamente rapidos han hecho posibIe la const:rucci6n de sistemas digita-
les altamente sofisticados capaces de llevar acabo tareas y funciones de tratamiento de sefiales digitales, que
nonnalmente son bastante complejas y/o caras de implementar mediante circuiteria anal6gica 0 sistemas de
tratamiento de sefiales ana16gicas. En consecuencia, muchas de las tareas de tratamiento de senales que con-
vencionalmente serealizaban par medios ana16gicos, actual mente se llevan acabo empleando hardware digital
que es mas barato y amenudo mas fiable.
No queremos dar a entender que el tratarniento digital de sefiales es la soluci6n adecuada para todos los
problemas de tratarniento de sefiales, Asi, en el caso de muchas sefiales con anchos debanda muy grandes, el
tratarniento en tiempo real es un requisito. Para dichas sefiales, el procesarniento anal6gico, 0 quiza 6ptimo sea
la unica soluci6n posible. Sin embargo, siempre que se disponga de circuitos digitales y se tenga la velocidad
suficiente como para utilizar el tratamiento digital, sera preferible emplear dichos circuitos.
Los sistemas digitales no s610 proporcionan sistemas de tratamiento de sefiales mas baratos y fiables,
sino que presentan tarnbien otras ventajas. En particular, el hardware deprocesarniento digital permite realizar
operaciones program ables. Mediante software, esmas facil modificar las funciones deprocesarniento desefiales
que mediante hardware. Por tanto, el hardware digital y el software asociado proporcionan un mayor grado de
fiexibilidad al disefio del sistema. Ademas, generalmente, se consigue un mayor grado de precisi6n con el
hardware y el software digital que con los circuitos y sistemas de procesarniento de sefiales anal6gicos. Por
todas estas razones, en las tres iiltimas decadas se ha producido un crecirniento explosivo en la teorfa del
tratamiento digital de sefiales y sus aplicaciones.
El objetivo de este libro es presentar una introducci6n alas tecnicas y herramientas de analisis basicas para
el tratamiento digital de sefiales. Comenzaremos presentando la terrninologia que es imprescindible conocer
y describiendo las operaciones asociadas con el proceso de convertir una serial anal6gica a un formato digital
2 Tratamiento digital de seFiales
adecuado para su procesamiento. Tambien veremos que el procesamiento digital de sefiales analogi cas tiene
sus inconvenientes. El primero y mas importante es que la conversion de una serial analogica aformato digital
implica muestrear laseiial y cuantificar las muestras, 10 que produce una distorsion quenos impide reconstruir la
serial analogica original apartir delas muestras cuantificadas, Esta distorsi6n puede controlarse seleccionando
la adecuada tasa de muestreo y la precision del proceso de cuantificacion. En segundo lugar, hay que tener en
cuenta los efectos debidos alaprecision finita enel procesarniento digital delas muestras cuantificadas. Aunque
estas importantes cuestiones se abordan con cierto detalle en ellibro, el enfasis se hapuesto en el analisis y el
disefio de los sistemas de tratamiento de sefiales y en las tecnicas de calculo,
1.1 Senales, sistemas y tratamiento de sefiales
Una seiial sedefine como cualquier magnitud ffsica que vana con el tiempo, el espacio 0cualquier otra variable
o variables independientes. Matematicamente, describimos una sefial como una funcion de una 0mas variables
independientes. Por ejempJ o, las funciones
s,(t) =St
S2 (t) = 2 0t
2
(1.1.1)
describen dos sefiales, una que varia linealmente con la variable independiente t (tiempo) y una segunda que
varia cuadraticamente con t, Veamos otro ejemplo, con idere lafunci6n
s(x,y) =3x+2 xy+ 101 (1.1.2)
Esta funcion describe una sefial de dos variables independientes x e y que podrfan representar las dos
coordenadas espaciales de un plano.
Las sefiales descritas por las Ecuaciones (1.1.1) y (1.1.2) pertenecen aunaclase desefiales que sedefinen de
forma precisa especificando la dependencia funcional de lavariable independiente. Sin embargo, existen casos
en los que tal relacion funcional es desconocida 0extremadamente compleja como para tener ninguna utilidad
practica.
Por ejemplo, una sefial de voz (vease la Figura 1.1.1) no se puede describir funcionalmente mediante
expresiones como laEcuaci6n (1.1.1). En general, un segmento de voz sepuede representar con un alto grado
deprecision como lasuma devarias sefiales sinusoidales dediferentes amplitudes y frecuencias, es decir, como
N
:L,Ai(t) sen[2 nF;(t)t +Bi(t)]
i=!
(1.1.3)
G 0
wr;~' .
R I
~~HII"
TH 11
s
.,...,," " .11 ~
. t' TrTIr rr 1'.
E S
Figura 1.1.1. Ejemplo de una sefial de voz.
Capitulo 1 Introducci6n 3
donde {Ai(l)}, {F ; (t )} Y {B i(t )} son los conjuntos de amplitudes, frecuencias y fases (posiblemente variables
on el tiempo), respectivamente, de las sefiales sinusoidales. De hecho, una forma deinterpretar lainformacion
el men aje enviado en un corto segmento de tiempo de la serial de voz consiste en medir las amplitudes,
re uencias y fases contenidas en dicho segmento de lasefial.
Otro ejemplo de sefial natural es la de uu electrocardiograma (ECG). Una serial de este tipo proporciona
a un medico informacion sobre el estado del corazon de un paciente. De la misma manera, la sefial de un
ele troencefalograma (EEG) proporciona informacion sobre laactividad del cerebro.
Las sefiales de voz, de un electrocardiogram ay de un electroencefalograma son ejemplos de sefiales que
contienen informacion y que varian como funciones deuna sola variable independiente que, normalmente, es el
tiempo. Un ejemplo deunasefial que es unafuncion dedos variables independientes esuna sefial deimagen. Las
variables independientes en este caso son las coordenadas espaciales. Se trata tan solo de unos pocos ejemplos
de las innumerables sefiales naturales que pueden encontrarse en el mundo real.
Asociados alas sefiales naturales seencuentran los medios con los quesegeneran. POI'ejemplo, las sefiales de
voz segeneran al pasar el aire atraves delas cuerdas vocales. Las imageries seobtienen mediante laexposicion
de una pelfcula fotografica ante una escena u objeto. POI' tanto, normalmente la generacion de sefiales esta
asociada con un sist ema que responde aun estfrnulo 0fuerza. En una sefial de voz, el sistema esta formado por
las cuerdas vocales y el tracto bucal, tambien conocido como cavidad bucal. EI estfrnulo en cornbinacion con el
istema es 10que sedenominafuent e de sehal. Por tanto, existen fuentes de voz, fuentes de imagenes y muchos
otros tipos de fuentes de sefial.
Un sist ema tarnbien sepuede definir como un dispositivo ffsico que realiza una operacion sobre una sefial.
Por ejemplo, un filtro utilizado para reducir el ruido y las interferencias que distorsionan una sefial deseada que
transporta informacion es unsistema. En este caso, el filtro realiza ciertas operaciones sobre lasefial, que tienen
el efecto de reducir (filtrar) el ruido y las interferencias de la sefial de informacion deseada.
Cuando pasamos una sefial atraves de unsistema, como en el caso del filtro, decirnos que hemos procesado
otratado lasefial, En este caso, el procesamiento delasefial implica filtrar el ruido y lasinterferencias delaserial
deseada. En general, el sistema se caracteriza pOI'el tipo de operacion que realiza sobre la sefial, Por ejemplo,
si la operacion es lineal, el sistema es lineal. Si la operacion que se realiza sobre la serial no es lineal, se dice
que el sistema es no lineal, etc. Tales operaciones suelen referirse como t rat amient o de la seiial.
Para nuestros propositos, esconveniente ampliar ladefinicion desistema para incluir no solo losdispositivos
ffsicos, sino tambien la implementacion software de operaciones sobre una sefial. En e1 procesamiento digital
de sefiales de una computadora digital, las operaciones efectuadas sobre una sefial consisten en una serie de
operaciones matematicas especificadas por un programade software. En este caso, el program arepresenta una
implernentacion del sistema por soft ware. Luego tenemos unsistema que seimplementa sobre unacomputadora
digital por medio de una secuencia de operaciones maternaticas; es decir, tenemos un sistema deprocesarniento
digital de sefiales implementado por software. POI'ejemplo, una computadora digital puede programarse para
llevar a cabo un filtrado digital. Alternativamente, el tratamiento digital de sefiales sepuede realizar mediante
hardware digital (circuitos logicos) configurado para realizar las operaciones especificadas. En unaimplemen-
tacion de este tipo, tendremos entonces un dispositivo ffsico que realizara las operaciones especificadas. En un
sentido amplio, un sistema digital puede implementarse como una combinacion de hardware y software digital,
realizando cada uno de eli os su propio conjunto de operaciones especificadas.
Este libro aborda el tratarniento de sefiales por medios digitales, tanto software como hardware. Dado que
muchas delassefiales queSeencuentran enel mundo real sonanalogicas, tambien vamos aconsiderar el problema
de convertir una sefial analogica en una sefial digital con el fin de poder procesarla. Las operaciones que Ileve
acabo un sistema as! podran normalmente especificarse en forma rnatematica. El metodo 0conjunto de reglas
para implementar el sistema mediante un programa que realice las operaciones matematicas correspondientes
sedenomina algorit mo, Por 10general, hay disponibles muchas formas 0algoritmos mediante los que sepuede
implementar unsistema, bien por software 0por hardware, para realizar las operaciones y calculos deseados. En
la practica, estaremos interesados en aquellos algoritmos que sean eficientes y rapidos en 10que respecta alos
calculos, y tambien sean faciles de implementar. POI'tanto, un tema importante en el estudio del procesarniento
4 Tratamiento digital de sefiales
Sefial
anal6gica----<--i
de entrada
Procesador
de seiiales
anaJ 6gicas
Seiial
t-----<-anal6gica
de salida
Figura 1.1.2. Tratamiento de una sefial analogica.
digital delasefial es el empleo de algoritmos eficientes para realizar operaciones como el filtrado, lacorrelacion
o el analisis de espectros.
1.1.1 Elementos baslcos de un sistema de tratamiento digital de senates
La mayor parte de las sefiales con las que se trabaja en los distintos campos de la ciencia y la ingenieria son
analogicas por naturaleza. Es decir, las sefiales son funciones de una variable continua, como por ejemplo,
el tiempo 0el espacio, y nonnalmente toman valores en un rango continuo. Tales sefiales pueden procesarse
directamente mediante sistemas analogicos apropiados (como filtros, analizadores de frecuencias 0multiplica-
dores defrecuencia), con el fin de cambiar sus caracterfsticas 0de extraer la informacion deseada. En tal caso,
podemos decir que laserial seha procesado deforma directa en suforma analogica, como seilustra en laFigura
1.1.2. Tanto lasefial de entrada como la sefial de salida on analogicas.
EI tratamiento digital de senales proporciona un metodo alternativo deprocesar una sefial analogica, como
se ilustra en la Figura 1.1.3. Para poder realizar un tratarniento digital, es necesario disponer de una interfaz
entre la sefial analogica y el procesador digital. Esta interfaz se denomina convertidor anal6gico-digital (AID).
La salida del convertidor AID es una sefial digital que es adecuada como entrada del procesador digital.
EI procesador digital de sefiales puede ser una computadora digital programable grande 0un pequefio
microprocesador programado para realizar las operaciones deseadas sobre la sefial de entrada. Tarnbien puede
ser un procesador digital cableado configurado para realizar un conjunto de operaciones especificado sobre la
serial de entrada. Las maquinas programables proporcionan laflexibilidad depoder cambiar las operaciones de
procesarniento de la sefial mediante una rnodificacion del software, rnientras que las maquinas cableadas son
diffciles dereconfigurar. En consecuencia, los procesadores desefial programables son deuso muy cormin. Por
el contrario, cuando las operaciones de tratamiento estan bien definidas, una implementacion cableada de las
operaciones puede optimizarse, dando lugar a un procesador de senales mas econornico y que nonnalmente
trabaja mas rapido que sucontrapartida programable. En aplicaciones en las que lasalida digital del procesador
digital de sefial tenga que entregarse al usuario en formato analogi co, como por ejemplo en los sistemas de
comunicacion por voz, tendremos que proporcionar otra interfaz entre el dominio digital y el analogi co. Una
interfaz asf es un convertidor digital-an.al6gico (D/A). De este modo, la seiial que se proporciona al usuario
esta en forma analogica, como ilustra el diagrama de bloques de la Figura 1.1.3. Sin embargo, existen otras
aplicaciones practicas que implican el analisis de la seiial, en las que la informacion deseada se encuentra en
formato digital y, por tanto, no es necesario emplear un convertidor D/A. Por ejemplo, en el procesamiento
digital de las senales de radar, lainformacion extraida de la sefial deradar, como por ejemplo la posicion de un
Convertidor
Procesador
Convertidor
--
AID
de sefiales
D/A
digitales
Sefial
analogica
de entrada
Seilal
~anal6gica
. de salida
/ /
Serial
digital
de entrada
Serial
digital
de salida
Figura 1.1.3. Diagrama de bloques de un sistema de tratamiento digital de sefiales,
CIony u velocidad, puede simplemente imprimirse en unpapel. En este caso, no hay necesidad de utilizar un
nvertidor DIA.
1.1.2 Ventajas del tratamiento digital de senates sobre el analoqlco
Como hemos mencionado anteriormente, existen muchas razones por las que el tratamiento digital de sefiales
ogicas es preferible aprocesar dichas sefiales analogicas directamente en el dominio analogico, En primer
, gar. unsistema digital programable proporciona laf1exibilidad dereconfigurar las operaciones del tratarniento
digital de la serial simplemente modificando el programa. Sin embargo, normalmente, lareconfiguracion de un
istema analogico implica un redisefio del hardware seguido de los procesos de realizacion de pruebas y de
erificacion que permiten comprobar que todo funciona correctamente.
Tambien, las consideraciones deprecision desempefian unpapel importante enladeterminacion delaforma
el procesador de sefiales, Las tolerancias de los componentes de los circuitos analogicos hacen extremada-
mente diffcil que el disefiador del sistema pueda controlar laprecision de un sistema de tratamiento de sefiales
analogicas, Por el contrario, un sistema digital proporciona un control mucho mejor en 10 que respecta a los
requi itos deprecision. Tales requisitos, asu vez, exigen especificar los requisitos de precision del convertidor
AID y del procesador digital desefiales, en terminos delongitud depalabra, artimetica en coma flotante 0 coma
fija. y factores similares.
La sefiales digitales se almacenan facilmente en soportes magneticos (cinta 0 disco) sin deteriorarse 0
perder fidelidad, aparte de la introducida por la conversion ND. Como consecuencia, las sefiales se hacen
rransportables y pueden procesarse en tiempo no real en unlaboratorio remoto. El tratamiento digital de sefiales
tambien perrnite laimplernentacion de algoritmos de tratamiento de sefiales mas sofisticados. Normalmente, es
muy diffcil efectuar operaciones matematicas precisas sobre sefiales analogicas, pero esas mismas operaciones
pueden implementarse de forma rutinaria en una computadora digital mediante software.
En algunos casos, una implementacion digital del sistema de procesarniento de sefiales es mas barata que
ucontrapartida analogica, Este menor coste puede deberse al hecho de que el hardware digital es mas barato 0,
quiza , es el resultado de laflexibilidad depoder realizar modificaciones proporcionada por laimplementacion
digital.
Como consecuencia deestas ventajas, el procesarniento digital deseiiales sehaaplicado ensistemas practices
ubriendo un amplio rango de disciplinas. Por ejemplo, podemos citar laaplicacion de tecnicas de tratamiento
digital de sefiales en el procesarniento de voz y la transmision de sefiales a traves de canales telefonicos, en
el procesarniento y transmision de imagenes, en los campos de la sismologia y la geoffsica, en laprospeccion
petrolifera, en ladeteccion de explosiones nucleares, en el tratamiento desefiales recibidas del espacio exterior
y en muchas otras aplicaciones. Algunas de estas aplicaciones las comentaremos en los capitulos siguientes.
Sin embargo, como ya hemos mencionado, la implementacion digital tarnbien tiene sus lirnitaciones. Una
limitacion practica es la velocidad de operacion de los convertidores ND y de los procesadores digitales de
senales. Veremos que las sefiales que tienen anchos debanda extremadamente grandes requieren convertidores
AID con una muy alta velocidad de muestreo y procesadores digitales de sefiales rapidos. Asf, existen sefiales
analogicas con anchos de banda grandes para las que la solucion que proporciona el tratamiento digital se
encuentra mas alla del estado del arte del hardware digital.
1.2 Clasificaci6n de las seiiales
Lo metodos que utilicemos para procesar una sefial 0 para analizar la respuesta de un sistema dependeran
enormemente de los atributos carateristicos de la serial especificada. Existen tecnicas que solo se aplican a
farnilias especfficas de sefiales. En consecuencia, cualquier investigacion que hagamos sobre el procesamiento
de efiales debera comenzar por laclasificacion de las sefiales implicadas en la aplicacion concreta.
1.2.1 Seiiales multicanal y multidimensionales
Como se ha explicado en la Seccion 1.1, una sefial se describe mediante una funcion de una 0mas variables
independientes. EI valor delafuncion (es decir, delavariable dependiente) puede ser una magnitud escalar real,
una magnitud compleja 0incluso un vector. Por ejemplo, la sefial
S J ( t ) =Asen3nt
es una sefial real. Sin embargo, laserial
S2( t ) =Ae
j3m
=Acos3nt +jAsen3nt
es compleja.
En algunas aplicaciones, multiples fuentes 0multiples sensores generan las sefiales. Dichas sefiales pueden
representarse en forma vectorial. La Figura 1.2.1 muestra las tres componentes de una efial vectorial que
representa laaceleracion en la superficie terrestre debida aun terremoto. Esta aceleracion es el resultado detres
Vertical
-, / V E
"" I / Ie ste
" I / _____ :Y'
S ur
Sur
2
1
0
-1
- 2
2
1
o
-1
- 2
o
be 2 Este
c
"
2
1
o
-1
- 2
c
-0
u
e -1
" Ql - 2
~
2 Vertical 2
_:t~~_-- ... __-.. _, u - . ) 1 _ :
-2 t+ Ondas P j-2
o 8 16 18 20 22 24 26 28 30 10 12 14 4 6 2
Tiempo (segundos)
Figu ra 1 . 2. 1 . Tres componentes de la aceleracion en tierra medida a pocos kilometres del epicentro de un
terrernoto. (DeEa.rt hquakes, por B. A. Bold, 1988 deW. H. Freeman and Company. Reproducido con perrniso
del editor.)
y
x
Figura 1.2.2. Ejemplo de una sefial bidimensional.
tipos basicos de ondas elasticas. Las ondas primarias (P) y las ondas secundarias (S) se propagan dentro del
cuerpo delaroca y son longitudinales y transversales, respectivamente. EI tercer tipo de onda elastica recibe el
nombre de onda superficial, porque se propaga cerca de lasuperficie de la Tierra. Si S k ( t ) , k =1,2,3, denota
la efial electrica procedente del sensor k como una funci6n del tiempo, el conjunto de p =3 sefiales sepuede
representar mediante un vector S3( t ) , donde
Decimos que un vector de sefiales asf es una seiial mult icanal. Por ejemplo, en electrocardiograffa, se utilizan
electrocardiogramas (ECG) de 3tomas y de 12tomas, que generan senales de 3 y 12canales.
Fijemonos ahora en las variables independientes. Si la sefial es una funci6n de una sola variable indepen-
diente, sedice que la seiial es unidimensional. Por otro lado, sedice que una sefial es M -dimensional si su valor
e una funci6n deMvariables independientes.
Laimagen delaFigura 1.2.2 esunejemplo deunaserial bidimensional, dado quelaintensidad 0brillol( x, y)
en cada punto es unafunci6n dedos variables independientes. Por otra parte, una imagen detelevisi6n en blanco
y negro puede representarse como l( x, y, t ) , puesto que el brillo es una funci6n del tiempo. Por tanto, laimagen
de TV puede tratarse como una sefial tridimensional. En cambio, una imagen de TV en color puede escribirse
mediante tres funciones deintensidad delaforma I, .( x, y, t ) , 19( x, y, t ) eh( x, y, t ) , las cuales secorresponden con
el brillo de los tres colores principales (rojo, verde, azul) como funciones del tiempo. Por tanto, una imagen de
TV en color es una sefial tridimensional de tres canales, que puede representarse mediante el vector:
[
Ir( X, y, t ) ]
I( x, y, t ) =19( x, y, t )
Ib( X, y, t )
En este libro vamos a tratar fundarnentalmente con senales unidimensionales de un solo canal, reales 0
complejas, y vamos areferirnos aelias simplemente como sefiales. En terminos matematicos, estas sefiales se
x(n) ={ 0.8''',
0,
si n ~ 0
en otro caso
(l.2.1)
describen mediante una funcion deun sola variable independiente. Aunque la variable independiente no tiene
por que ser necesariamente el tiempo, es costumbre emplear t como la variable independiente. En muchos
casos, las operaciones y algoritmos para el procesarniento de sefiales desarrollados en el texto para sefiales
nnidimensionales deun s610canal pueden extenderse asefiales multidimensionales y multicanal.
1.2.2 Sefiales continuas y discretas en el dominic del tiempo
Las sefiales sepueden clasificar en cuatro categorfas diferentes dependiendo delas caracteristicas delavariable
independiente tiempo y delos valores que estas tomen. Las seiiales continuas en el tiempo 0sehales anal6gicas
estan definidas para cada instante de tiempo y toman sus val ores en el intervalo continuo (a, b), donde a puede
ser -00 y b puede ser 00. Matematicamente, estas sefiales pueden describirse mediante funciones deuna variable
continua. La onda de voz mostrada en la Figura 1.l.1 y las sefiales Xl (t) =cos 7U, X2 (t) =e-
1 rl
, -00 <t <00
son ejemplos de sefiales anal6gicas. Las seiiales discretas en el tiempo s610estan definidas en determinados
instantes especificos detiempo. Dichos instantes detiempo no tienen queser equidistantes, aunque, enlapractica,
normalmente estan igualmente espaciados para facilitar los calculos. La sefial x(t
n
) =e-
1 tlll
, n =0, 1, 2, ...
es un ejemplo deuna sefial discreta en el tiempo. Si utilizamos el Indice n para los instantes detiempo discretos
como la variable independiente, el valor de la sefial sera una funci6n de una variable entera (es decir, sera
una secuencia de numeros). Por tanto, una sefial discreta en el tiempo se puede representar matematicamente
mediante una secuencia de mimeros reales 0 complejos. Con el fin de resaltar la naturaleza discreta de una
sefial, denotaremos dicha sefial como x( n) en lugar de como x(t) . Si los instantes detiempo tn estan igualmente
espaciados (es decir, tn =nT), tambien seutiliza la notaci6n x(nT). Por ejemplo, lasecuencia
es una sefial discreta en el tiempo, que seha representado graficamente en laFigura 1.2.3.
En lapractica, las sefiales discretas en el tiempo pueden originarse de dos formas:
1. Seleccionando val ores deuna sefial anal6gica en instantes discretos detiempo. Este proceso sedenornina
muestreo y se estudia mas en detalle en la Secci6n 1.4. Todos los instrumentos de medida que realizan
medidas a interval os de tiempo regulares proporcionan sefiales discretas en el tiempo. Por ejemplo, la
sefialx(n) delaFigura 1.2.3puede obtenerse muestreando lasefial anaI6gicax(t) =0.8/, t ~ 0yx(t) =0,
t <0 una vez por segundo.
2. Acumulando una variable enun periodo de tiempo. Por ejemplo, el ntimero de coches que pasan por una
calle deterrninada en una hora 0 el valor del oro diario, dan lugar a sefiales discretas en el tiempo. La
Figura 1.2.4 muestra una grafica del mimero de manchas solares de Wolfer. Cada muestra de la sefial
discreta en el tiempo proporciona el mimero de manchas observadas durante un interva]o de 1afio.
xCn)
- 1 0 2 3 4 5 6 7 1 1
F1 !!UT3.1 .2.3. Representaci6n grafica dela sefial discreta en el tiempo x(n) =0..8" para n >0 y x(n) =0 para
<_
200
en
0)
.5
5;
en
'"
"5
~
@
100
E
0)
"0
0
iil
E
,='
Z
O~~Ul l ~~UP~Ul l ~~Ul i ~Ul l ~~UU~Ul l ~~Ui l ~~~~Ul i ~~
1770 1790 1810 1830 1850 1870
Afio
Figura 1.2.4. Numero de manchas solares de Wolfer (1770-1869).
1.2.3 Senales continuas y senates discretas
Los valores de una seiial continua 0discreta en el dominio del tiempo pueden ser continuos 0discretos. Si
una sefial toma todos los valores posibles en un rango finito 0infinito, se dice que es una sefial continua.
Alternativamente, si lasefial toma valores dentro un conjunto finito de posibles valores, se dice que la sefial es
discreta. Normalmente, estos valores son equidistantes y, por tanto, pueden expresarse como un multiple entero
de la distancia entre dos val ores sucesivos. Una sefial discreta en el tiempo que tiene un conjunto de valores
discretos esuna serial digital. LaFigura 1.2.5 muestra una sefial digital que toma uno de cuatro valores posibles.
Para que una sefial pueda ser procesada digitalmente, debe ser discreta en el tiempo y sus val ores tienen que
ser discretos (es decir, tiene que ser una sefial digital) ..Si la sefial que se va aprocesar es una sefial analogica,
se convierte en una sefial digital muestreandola en instantes discretos de tiempo, obteniendose asf una sefial
discreta en el tiempo, y cuantificando a continuacion sus valores en un conjunto de valores discretos, como
se describe mas adelante en el capitulo. EI proceso de conversion de una sefial continua en una sefial discreta
se denomina cuantificaci6n, y es basicamente un proceso de aproximacion. Puede realizarse de forma simple
mediante redondeo 0truncamiento. Por ejemplo, si los valores permitidos de la sefial digital son enteros, como
por ejemplo, de 0hasta 15, lasefial de valores continuos se cuantifica empleando esos valores enteros, Por tanto,
el valor de lasefial8.58 se aproximara al valor 8si el proceso de cuantificacion serealiza mediante truncamiento,
o a9si el proceso de cuantificacion se realiza par redondeo al entero mas proximo. Mas adelante en el capitulo
se proporciona una explicacion mas detallada del proceso de conversion analogi co-digital.
1.2.4 senates deterrninistas y seriales aleatorias
El procesamiento y analisis matematico de sefiales requiere disponer de una descripcion matematica para la
propia sefial, Esta descripcion inatemitica, a menudo denominada modelo de serial, lleva a otra importante
clasificacion de las sefiales. Cualquier sefial que se pueda describir unrvocamente mediante una expresion
maternatica explicita, una tabla de datos 0una regla bien definida se dice que es determinista. Este termino se
emplea para destacar el hecho de que todos los valores pasados, presentes y futuros de la sefial se conocen de
forma precisa, sin incertidumbre.
X a ( t ) =Acos( Qt +e), -c-oo <t <oo (1.3.1)
x(n)
---T -------
-l 0 2 345 6 7 8 11
Figura 1.2.5. Sefial digital con cuatro valores de amplitud diferentes.
Sin embargo, en muchas aplicaciones practicas, existen sefiales que 0nosepueden describir con un grado
razonable de precision mediante formulas matematicas 0una descripcion resulta demasiado compleja como
para resultar practica. La falta deuna relacion de este tipoimplica que dichas sefiales evolucionan en el tiempo
de manera nopredecible. Decimos que este tipodesefiales son a lea t oria s. La salida de un generador deruido,
1asefial sismica dela Figura 1.2.1 y laserial de voz de laFigura 1.1.1 son ejemplos de sefiales aleatorias.
El marcodetrabajo matematico para llevar acaboe1analisis teorico delas sefiales aleatorias 10proporciona
1ateoria de1aprobabilidad ylos procesos estocasticos, En 1aSeccion 12.1sepresentan algunos delos elementos
basicos de este enfoque adaptados alas necesidades dellibro.
Debemos insistir en que laclasificacion deuna sefial rea l comodeterminista 0aleatoria nosiempre es clara.
En ocasiones, ambos enfoques llevan aresultados significativos que ayudan aclarificar e1comportamiento dela
sefial. En otros casos, una clasificacion erronea puede Ilevar aresultados erroneos, yaque algunas herramientas
matematicas solo pueden aplicarse a sefiales deterministas mientras que otras solopueden aplicarse a sefiales
aleatorias. Veraestomas claramente cuando examinemos herramientas matematicas especfficas.
1.3 Concepto de frecuencia en sefiales continuas
y discretas en el tiempo
El concepto de frecuencia ya sera familiar a los estudiantes de ingeniena y ciencias. Este concepto es basico,
por ejemplo, en el disefio de un receptor de radio, de un sistema de alta fidelidad 0de un filtro espectral
para fotograffas en color. De 1aFfsica, sabemos que la frecuencia esta estrechamente relacionada con un tipo
especifico de movimiento periodico denominado movimiento oscilatorio armonico, que se describe mediante
funciones sinusoidales. El concepto de frecuencia esta directamente relacionado con el concepto de tiempo, y
su dimension es 1ainversa de la del tiempo. En consecuencia, la naturaleza del tiempo (continuo 0discreto)
afectara a1anatura1eza de 1afrecuencia.
1.3.1 Senales sinusoidales continuas en el tiempo
Una oscilacion armonica simple se describe maternaticamente mediante 1asiguiente seiial sinusoidal continua
en el tiempo:
que se muestra en laFigura 1.3.1. EI subindice a uti1izadocon x( t ) indica que se trata de una sefial analogi ca.
Esta sefial queda comp1etamente caracterizada mediante los tres parametres siguientes: A, que es la a mplit ud
delasinusoide, Q, que es la frecuencia en radianes pOI'segundo (rad/s) y e, que es la ja se en radianes. En lugar
de Q, amenudo utilizaremos 1afrecuencia F medida en ciclos por segundo 0hercios (Hz), donde
Q=2nF (1.3.2)
Capftulo 1 Introducci6n 11
/
Figura 1.3.1. EjempJ o de una sefial sinusoidal analogica.
funcion de F, podemos escribir laexpresion (1.3.1) como sigue
Xa(t)=Acos(2n:Ft+B), -oo<t<oo (1.3.3)
rilizarernos ambas formas, (1.3.1) y (1.3.3), para representar seiiales sinusoidales.
La sefial sinusoidal analogica descrita por (1.3.3) queda caracterizada por las siguieotes propiedades:
AI. Para todo valor fijo de la frecuencia F, xa(t) es periodica, En efecto, se puede demostrar facilmente,
utilizando trigonometrfa elemental, que
donde Tp =1 / F es el perfodo fundamental de la sefial sinusoidal.
A2. Sefiales sinusoidales continuas en el tiempo con diferentes frecuencias son diferentes.
A3. Un incremento de lafrecuencia Fda lugar a un incremento de la velocidad de oscilacion de la sefial, en
el sentido de que seincluyen mas periodos en un intervalo de tiempo dado.
Observe que para F =0, el valor Tp =00 es coherente con la relacion fundamental F =l/Tp. Debido ala
continuidad delavariable tiempo r, podemos aumentar lafrecuencia F, sin limite, con el consiguiente aumento
en lavelocidad de oscilacion,
Larelacion que hemos descrito para las sefiales sinusoidales esaplicaeble ,alaclase desefiales exponenciaJ es
..omplejas
Xa(t) =Ae
j
(Qr+8)
(1.3.4)
Esro puede verse facilmente expresando estas sefiales en funcion de sefiales sinusoidales aplicando laidentidad
de Euler
ejt/! =cos < / ! j sin< / ! (1.3.5)
Por definicion, la frecuencia es una magnitud ffsica~~emente positiva. Esto resulta obvio si interpretamos
lafrecuencia como el ruimero de ciclos por unidad de tiempo de una sefial periodica, Sin embargo, en muchos
, os, y tinicarnente por converriencia matematica, tendremos que emplear frecuencias negativas. Recordemos
que lasefial sinusoidal (1.3.1) sepuede expresar de laforma siguiente:
(1.3.6)
que sededuce de(l.3.5). Observe que sepuede obtener una sefial sinusoidal sumando dos sefiales exponenciaJ es
ompJ ejas conjugadas de la misma amplitud, las cuales en ocasiones se denominan fasores, como se rnuestra
1m
- : \ D
?
,-'\
/
Re
A/2
: _ } n
Figura 1.3.2. Representacion deunafunci6n coseno mediante dos sefiales exponenciales complejas conjugadas
(fasores),
en laFigura 1.3.2. A medida que transcurre el tiempo, los fasores giran en direcciones opuestas con frecuencias
angulares de Qradianes por segundo. Dado que unafrecuencia positivase corresponde con un movimiento
angular uniforme en sentido antihorario, unafrecuencia negativa secorrespondera con un movimiento angular
en sentido horario.
Por comodidad para la realizaci6n de los calculos matematicos, utilizaremos tanto frecuencias negativas
como positivas a10 largo del libro. Por tanto,el rango defrecuencias para las sefiales sinusoidales es-00 <F <00.
1.3.2 Seiiales sinusoidales discretas en el tiempo
Una sefial sinusoidal discreta en el tiempo puede expresarse como sigue
x(n) =Acos(wn +e), -00 <n <00 0.3.7)
donde n es una variable entera, que se denomina mimero de muestra, A es la amplitud de la sinusoide, w es la
frecuencia en radianes por muestra y e es lafase en radianes.
Si en lugar de w utilizamos la variable frecuencia f definida por
w=2nf (1.3.8)
la relaci6n (1.3.7) seconvierte en
x(n) =Acos(2nfn +e ) , -00 <n <00 (1.3.9)
La frecuencia f tiene dimensiones de ciclos por muestra. En laSecci6n lA, donde hemos visto el muestreo de
sinusoides anal6gicas, relacionamos la frecuencia f de una sinusoide discreta en el tiempo con la frecuencia
F en ciclos por segundo de una sinusoide anal6gica. Por el momento, consideremos la sinusoide discreta en el
dominio del tiempo dada por (1.3.7),independientementede lasinusoide continua enel tiernpo dada por (1.3.1).
La Figura 1.3.3 muestra una sinusoide defrecuencia w =n/6 radianes por muestra (f =12 ciclos por muestra)
y una fase e =1[/3.
En comparaci6n con las sefiales sinusoidales continuas en el tiempo, laseiiales sinusoidales discretas en el
tiempo se caracterizan pOI las propiedades siguientes:
x(n) =A cos(wn +())
A
n
- A
Figura 1.3.3. Ejemplo de sefial sinusoidal discreta enel tiempo (m=n/6 yO =n/3).
BI U
. id di I . . idi '[ . F . f , '~l
na sinusoi e iscreta en e tiempo es peno tea so asi su J recuencia es un numero raciona .
Por definicion, una sefial discreta en el tiempo x(n) es periodica deperfodo N (N >0) si Y solo si
x(n+N) =x(n) para todo n (1.3.10)
E:valor mfnimo deN para el que (1.3.10) se cumple es el periodo fundamental.
dernostracion de lapropiedad deperiodicidad es sencilla. Para que una sinusoide defrecuencia fo sea
oeriodica, se tiene que cumplir que
cos[2nfo(N +n) +O J =cos(2nfon+ 0)
relacion es cierta si y solo si existe un entero k tal que
2nfoN =2kn
que es 10 mismo,
k
fo=-
N
(1.3.11)
De acuerdo con (l.3.11), una sefial sinusoidal discreta en el tiempo solo es periodica si su frecuencia fo
sepuede expresar como larelacion de dos enteros (es decir, fo es racional).
Para determinar el perfodo fundamental N deuna sinusoide periodica, expresamos sufrecuencia fo como
en (l.3 .11) Y cancelamos los factores comunes, de modo que k y N sean primos relativos. Entonces el .
- 'odo fundamental de la sinusoide es igual aN. O bserve que una pequefia variacion de la frecuencia
-~dar lugar auna ariacion muy grande del perfodo. Por ejemplo, h=31/60 implica que Nl =60,
- que h="0/60 da como resuitado N2 =2.
eiiales sinusoidales discretas en el tiempo cuyas frecuencias estan separadas un multiple entero de
. ideruicas.
~cemo trar e ta afirmacion, consideremos la sefial sinusoidal cos( W on +0). Facilmente se deduce
co [ (W o +2n)n +O J =cos(mon +Zttn. +0) =cos( mon +0) (1.3.12)
las ecuencias sinusoidales
k= 0, 1,2, ... (1.3.13)
tuk =mo +2kn,
\
'-
14 Tratamiento digital de seiiales
n
son indistinguibles (es decir, identicas). Cualquier secuencia resultante de una sinusoide con frecuenciz
I wi> n, 0If I >~,es identica a una secuencia obtenida a partir de una sefial sinusoidal de frecuenci;
I wl <n. Debido a esta sirnilitud, decirnos que la sinusoide que tiene la frecuencia I wl >n es un alia!
de la sinusoide cuya frecuencia es I wl <n. Por tanto, consideremos las frecuencias comprendidas en e
rango -n:::; w :::;n, 021 : : : ;f:::; ~ como unicas y todas las frecuencias tal que I wl >n, 0I f I >!,com
alias. El lector debe darse cuenta de la diferencia entre sinusoides discretas en el tiempo y sinusoid
continuas enel tiempo, yaque estas iiltimas dan lugar asefiales distintas para Q0F en el rango complet
-00<Q<000-00<F <00.
B3. La tasa de oscilacion mas alta de una seiial sinusoidal discreta en el tiempo se alcanza cuando w =n (I
w ==n) 0,10 que es 10mismo, f =!(0 f =-~).
Para ilustrar esta propiedad, vamos a investigar las caracteristicas de la siguiente secuencia de sefiale-
sinusoidales
x(n) =cos won
cuando la frecuencia varia entre 0y tt. Para simplificar el argumento, tomamos valores de W o =0, n] .
nf, n/2, n correspondientes af =0, ft" !, ~,~,10 que da como resultado secuencias peri6dicas qUE
tienen periodos N =00,16,8,4,2, como seilustra enlaFigura l.3.4. Observe queel periodo dela sinusoide
decrece cuando lafrecuencia aumenta. De hecho, podemos ver que latasa deoscilaci6n aumenta cuand
aumenta lafrecuencia.
Para ver 10 que ocurre para n :::;W o :::;2n, consideremos las sinusoides de frecuencias W I =W o Y W : 2 =
2n - W o. Observe que como W I varia entre tt y 2n, W 2 varia entre tt y O. Podemos ver facilmente que
XI (n) =A cos W I n. =Acos won
x2 (n) =A cos W 2n =A cos(2n - wo)n
= Acos(-mon) =xl(n)
Figura 1.3.4. La serial x( n) =cos won para varios valores de la frecuencia W o.
zr
x(n) W o =2
11
n
Capitulo 1 lntroduccion 15
Por tanto, lil2 esun alias deWI. Si hubieramos empleado unafuncion seno enlugar deuna funcion coseno,
el re ultado seria basicamente el rnismo, excepto por una diferencia de fase de 180
0
entre las sinusoides
XI (n) Y x2(n). En cualquier caso, cuando aumentamos la frecuencia relativa Wo de una sefial sinusoidal
di creta en el tiempo de tt aZst, su tasa de oscilacion disminuye. Para Wo =2n, el resultado es una sefial
on tante, como en el caso de roo =O. Obviamente, para Wo =n (0f =1) obtenemos lamaxima tasa de
o cilacion.
Como enel caso delas sefiales continuas en el tiempo, pueden introducirse frecuencias negativas tambien
para las sefiales discretas en el tiempo. Para este proposito, utilizamos la siguiente identidad:
x(n) =Acos(wn +tI) =~e}(wn+8) +~e" }(wn+8)
2 2
0.3.15)
Puesto que las seiiales sinusoidales discretas en el tiernpo con frecuencias separadas entre sf un rmiltiplo
entero de 2n son identicas, se deduce que las frecuencias de cualquier intervalo WI ::; W ::; WI +2n
constituyen todas las sinusoides discretas en el tiernpo 0 exponenciales complejas. Por tanto, el rango
de frecuencias para sinusoides discretas en el tiempo es finito con una duracion de 2n. Normalmente,
eleccionamos el rango 0::; W ::; 2n 0 - tt ::;W ::; n (0 ::;f ::;1, -;1 ::; f ::;1) , el cual sedenornina rango
fundamental .
.3.3 Exponenciales complejas armonlcamente relacionadas
~ efiales sinusoidales y las exponenciales complejas desernpeiian un papel importante en el analisis de se-
- .~- y istemas. En algunos casos, trabajaremos con conjuntos de exponenciales complejas (0 sinusoides)
micamenie relacionadas. Se trata de eonjuntos de exponenciales eomplejas periodicas con frecuencias
entales que son multiples de unarnisma frecuencia positiva. Aunque vamos alimitar nuestra exposicion
exponenciales complejas, evidentemente estas propiedades son aplicables a las sinusoides. Vamos acon-
erar exponenciales complejas armonicamente relacionadas tanto continuas como discretas en el dominio del
po.
nenciales continuas en el tiempo. Las senales basicas exponenciales continuas en el domini0del tiempo
rmonicamente relacionadas son:
k=0,1,2, ... (1.3.16)
servemos que para cada valor de k, Sk(t) es periodica de perfodo fundamental J /(kFo) =Tp/k 0 frecuencia
damental kFo. Dado que una sefial periodica deperiodo Tp/k tambien esperiodica con perfodo k(Tp/k) =Tp
cualquier entero positivo k, tenemos que todas las Sk (t) tienen un periodo connin igual aTp. Adernas, como
_ 0-vi toen laSeccion 1.3.1, Fo puede tomar cuaJ quier valor ytodos los miembros del conjunto son distintos,
el entido de que si kJ = I ka , entonees Ski (r) = I Sk2(t) .
.-\ partir de las sefiales basicas dadas por (1.3.16), podemos construir una combinacion lineal de exponen-
_ omplejas armonicamente relacionadas de laforma
Xa(t).= L. CkSk(t) = L. qe
jkP4
k=-~ k=-~
(1.3.17)
de ci, k =0, 1, 2, ... con constantes complejas arbitrarias. La sefial xa(t) es periodica de perfodo
darnental Tp =I/Fo, Y su representacion en funcion de (1.3.17) se denomina expansion de la serie de
::- rier deXa (t). Las constantes complejas son los coeficientes delaserie Fourier y laserial Sk (t) esel armonico
imo de xa(t).
sdn) =ej2nk/on,
k=0,I,2, ... (1.3.18)
16 Tratamiento digital de seriales
Exponenciales discretas en el tiempo. Dado queunaexponenciaJ compleja discreta enel tiempo esperi6dica si
sufrecuencia relativa esunmimero racionaJ , seleccionamos fo =liN Ydefinimos losconjuntos deexponenciales
complejas arm6nicameote relacionadas como sigue
En contraste con el caso de sefiales continuas eo el tiempo, observe que
Lo que quiere decir que, de acuerdo con (1.3.10), s610hay Nexponenciales complejas peri6dicas distintas en el
conjunto descrito por laexpresi6n (1.3.18). Ademas, todoslos miembros delconjunto tienen un perfodo corruin
deNmuestras. Evidentemente, podemos elegir cualesquiera Nexponenciales complejas consecutivas, es decir,
desde k =110 hasta k =110 +N - 1, para formar un conjunto armonicamente relacionado con una frecuencia
fundamental fo =liN. Por comodidad, generalmente, seleccionaremos el conjunto que se corresponde con
no =0, es decir, el conjunto
k=0,1,2, ... ,N-l (1.3.19)
Como en el caso de las senales continuas en el tiempo, es obvio que lacombinaci6n lineal
N-l N-l
x(n) =L cksk(n) =L qej2nkn/N
k=O k=O
(1.3.20)
da como resultado una sefial peri6dica de periodo fundamental N. Como veremos mas adelante, se trata de la
representaci6n delaserie deFourier deunasecuencia peri6dica discreta enel tiempo con coeficientes deFourier
{Ck}. La secuencia sk(n) es el arm6nico k-esirno dex(n).
EJEMPLO 1.3.1 _
En la memoria de un procesador digital de sefiales se ha aLmacenado un cicIo de la siguiente serial sinusoidal
(
2nn )
x(n) =sen N+e
donde e =2nq IN, siendo q y N enteros.
(a) Determine c6mo sepuede emplear esta tabla.de valores paraobtener valores desinusoides arm6nicamente relacionadas
con la misma fase.
(b) Determine como se puede emplear esta tabla de valores para obtener sinusoides de la misma frecuencia pero fases
diferentes.
Soluci6n
(a) Sea xk(n) la secuencia sinusoidal
(
2nnk )
xk(n) =sen ---;;;- +e
Se trata de una sinusoide con una frecuencia !k =kl N, relacionada armonicamente con x(n). Pero xk(n) puede
expresarse como sigue
Xk(n) =sen [
2n
1
kn
) +e ] =x(kn)
Luego Xk(O) =x(O), xk(l) =x(k), xk(2) =x(2k), etc. Por tanro, la secuencia sinusoidal xk(n) puede obtenerse de la
tabla de valores de x(n) tomando los valores k-esirnos de x(n), comenzando por x(O). De este modo, podemos generar
los valores de todas las sinusoides arm6nicamente relacionadas con frecuencias fk =kiN para k =0, I, ... ,N - 1.
b Podemos conrrolar la fase e de la sinusoide de frecuencia f i e =k/N tomando el primer valor de la secuencia de la
po icion de memoria q =e N /2n, donde q es un entero. Por tanto, la fase inicial e control a la posicion inicial en
la tabla y nosotros barremos latabla cada vez que el fndice (kn.) excede de N.
1.4 Conversiones analcqica-dlqital y diqltal-analoqlca
La mayor parte delasenales con interes practice, tales como las sefiales devoz, las senales biologicas, sfsrnicas,
radar desonar y las diversas sefiales decornunicacion como las de audio y video, son analogicas. Para poder
e ar sefiales analogicas a traves de medios digitales, primero es necesario convertirlas a formato digital,
~ decir, convertirlas en una secuencia de mimeros coo una precision finita. Este procedimiento se denomina
nve rsi on analogi ca-di gi tal (AID), y los dispositivos que larealizan son los conve rti dore s AID (ADC).
Conceptualmente, la conversion AID es un proceso de tres pasos, el cual seilustra en laFigura lA.l.
1. Mue stre o, Este paso consiste en laconversion deuna sefial continua en el tiempo en una sefial discreta en
el tiempo obtenida mediante latoma de"muestras" delaserial continua en el tiernpo eninstantes discretos
de tiempo. POI'tanto, si x a(t) es la entrada del rnuestreador, la salida sera X a (nT) = = x (n), donde T es el
i nte rvalo de mue stre o.
2. Cuanti f i caci on. Enestepaso serealiza laconversion deunasefial deval ores continuos tornados eninstantes
discretos de tiempo en una sefial de valores discretos en instantes de tiempo discretos (es decir, es una
serial digital). El valor de cada muestra de la serial serepresenta mediante un valor seleccionado dentro
de un conjunto finito de posibles valores. La diferencia entre la muestra no cuantificada x(n) y lasalida
cuantificada xq(n) es el error de cuantificacion.
3. Codi f i caci on. En el proceso decodificacion, cada valor discreto x.]n) serepresenta mediante unasecuencia
binaria de b-bits.
Aunque hernos model ado el convertidor AID como un muestreador seguido de un cuantificador y un codi-
fi ador, en la practica, la conversion AID se realiza mediante un unico dispositivo que toma x a (t) y produce
un mimero codificado en binario. Las operaciones de muestreo y cuantificacion sepueden realizar en cualquier
orden aunque, en la practica, el muestreo seefecnia siernpre antes que lacuantificacion.
Enmuchos casos practices (por ejemplo, el procesamiento devoz) esdeseable convertir las sefiales digitales
procesadas aformato analogico. Obviamente, no es posible escuchar la secuencia de muestras que representa
una sefial de voz 0ver los digitos correspondientes auna sefial de TV. El proceso de conversion de una sefial
digital en una sefial analogica seconoce como conve rsi on di gi tal-analogi ca (DIA). Todos los convertidores DIA
.. onectan los puntos" deuna sefial digital realizando alguna clase deinterpolacion, cuya precision depende dela
Convertidor NO
,------------------------------------------------------------------
,
,
,
x(n)
Muestreador
xqCn)
Cuantificador Codificador
- - - - - - - - - - - - - - - - - - - - - - r - - - - - - - - - - - - - - - - - - - - -
01011 ...
Sefial
analogies
Serial discreta
eo el tiempo
Senal
cuantificada
Serial
digital
Figura 1.4.1. Partes basicas de un convertidor analogico-digital (AID).
x(n) =xa(nT), -00<n <00 (l.4.1)
o 2T 4T 6T ST
Tiempo
Figura 1.4.2. Conversi6n digital-anal6gica (D/A) con retenci6n de orden cero.
calidad del proceso deconversi6n DI A. LaFigura 1.4.2ilustra unmetodo simple deconversi6n DI A, denominado
aproximaci6n mediante escalones 0mediante retenci6n deorden cero. Existen otras aproximaciones, como por
ejemplo laconexi6n lineal de una pareja de muestras sucesivas (interpolaci6n lineal), el ajuste de una funci6n
cuadratica a traves de tres muestras sucesivas (interpolaci6n cuadratica), etc. l,Existe un interpolador 6ptimo
(ideal)? Para sefiales con un contenido limitado enfrecuencia (ancho de banda finito), el teorema de muestreo
que sepresenta en la siguiente secci6n especifica el rnetodo 6ptimo de interpolaci6n.
En esta secci6n seaborda el muestreo y lacuantificaci6n. En concreto, vamos ademostrar que el muestreo
no dalugar auna perdida deinformaci6n, es decir, no introduce distorsi6n en lasefial si el ancho debanda dela
sefial es finito. En principio, lasefial anal6gica puede reconstruirse apartir delas muestras, siempre y cuando la
tasa demuestreo sea10 suficientemente altacomo para evitar el problema general mente conocido como aliasing.
Por el contrario, lacuantificaci6n es un proceso no reversible que distorsiona lasefial. Veremos que lacantidad
de distorsi6n es dependiente delaprecisi6n, determinada por el mimero debits del proceso deconversi6n AID.
Los factores que afectan ala elecci6n de laprecisi6n deseada del convertidor AID son el coste y lafrecuencia
de muestreo. En general, el coste aumenta cuando aumenta laprecisi6n y/o lafrecuencia de muestreo.
1.4.1 Muestreo de seflales analoqlcas
Existen muchas formas de muestrear una sefial anal6gica. Vamos a limitar nuestra exposici6n al muestreo
uniforme 0peri6dico, que es el tipo de muestreo empleado mas a menudo en la practica, y que se describe
mediante la siguiente relaci6n
donde x(n) es la sefial discreta en el tiernpo obtenida "tornando muestras" de la sefial anal6gica xa(t) cada T
segundos. Este procedirniento seilustra en laFigura 1.4.3. El intervalo de tiempo T entre rnuestras sucesivas e
el periodo de muestreo 0intervalo de muestreo y surecfproco 1I T =F, sedenomina tasa de muestreo (muestras
por segundo) ofrecuencia de muestreo (hercios).
El rnuestreo peri6dico establece unarelacion entre las variables t y n delas sefiales continuas y discretas en
el tiempo, respectivamente. Estas variables serelacionan linealmente atraves del periodo de rnuestreo T 0, de
forma equivalente, atraves de la tasa de muestreo Fs =ut; como
n
f =nT =-
Fs
Como consecuencia de (1.4.2), existe una relaci6n entre la variable de freeuencia F (u Q) para las sefiales
6gicas y lavariable defrecuencia f (u OJ ) para las senales discretas en el tiempo. Para establecer larelaci6n,
.dere una serial anal6gica sinusoidal d laforma
-- X a ( t ) =A os( 2nFt +B) (1.4.3)
ual. cuando se muestrea periodicamente con una tasa deF, =irt muestras por segundo, da lugar a
(
2nnF )
xa ( nT) ==x( n) =Acos( 2nFnT +B) =A cos ----p; - +B
(1.4.4)
omparamos (1.4.4) con (1.3.9), vemos que las frecuencias F y f estan relacionadas lineal mente como sigue
F
f=-
r,
(1.4.5)
. deforma equivalente, como
OJ=QT (1.4.6)
relaci6n (1.4.5) justifica el nombre defrecuencia rela t iva 0norma lira da , que se emplea en ocasiones para
escribir 1afrecuencia f. Como (1.4.5) implica, podemos usar f para determinar lafrecuencia Fen hercios s610
la frecuencia de muestreo F, es conocida.
Recordemos de la Secci6n 1.3.1 que los rangos de las frecuencia F u Q para sinusoides continuas en el
empo on, respectivamente
-00 <F <00
< Q <00
(1.4.7)
Sinembargo, lasituaci6n es diferente para las sinusoides discretas enel tiempo. Recordemos delaSecci6n 1.3.2
_ e
1 1
-"2 < f <"2
-n< OJ <n
- stiruyendo (1.4.5) y (1.4.6) en (1.4.8), podemos determinar que la frecuencia de la sinusoide continua en el
empo cuando se muestrea auna frecuencia Fs =liT, debe caer dentro del siguiente rango
0.4.8)
1 r. Fs 1
--=--<F<-=-
2T 2 - - 2 2T
0.4.9)
Seiial
anaI6gic-a-------
1
Sefial discreta
1--------1- eneJ tiempo
xCn) =xaCnT)
Muestreador
xCn)
xaCO
" - ../ xCn) =xa(nT)
.>
. . . . . . . .
o 2 3 4 5 6 7 8 9 n
T 2T ... 5T 9T ... I=nT
Figura 1.4.3. Muestreo peri6dieo de una sefial anal6gica.
tt n
--=-nF <Q<nF =-
T s_ - s T
Estas relaciones se resumen en la Tabla 1.1
Basandonos enestas relaciones, vemos queladiferencia fundamental entre lassenalescontinuas y discretas
esta en su rango de valores de lasvariables de frecuencia F'v ]; u Qy w. EI muestreo peri6dico de una sena:
continua enel tiempo implica establecer unacorrespondencia entre el range defrecuencias infinito delavariable
F (u Q) y el rango de frecuencias finito de la variable 1(u w). Puesto que lafrecuencia mas alta de una sefial
discreta en el tiempo esw =no 1=~,sededuce que, con unafrecuencia de muestreo Fs, losvalores maximo:
correspondientes de F y Qson
Por tanto, el muestreo introduce una ambiguedad, dado que la frecuencia mas alta de una sefial continua qu
puede deterrninarse iinivocamente cuando dicha sefial se muestrea auna frecuencia Fs=1I T esFm a x =F, I _.
u Qmax =nf,. Para ver que ocurre con lasfrecuencias superiores aFs12, consideremos el siguiente ejemplo.
EJEMPLO 1.4.1 _
Las implicaciones de estas relaciones defrecuencia pueden apreciarse considerando lasdos seiiales anal6gicas sinusoidales
siguientes:
Sefiales continuas en el tiempo Sefiales discretas en el tiempo
Q=2nF w=2nl
radianes ciclos
muestra muestra
radianes
segundo
Hz
w =fIT.!=FI F~>
<~=W/T. F=N'
-71: :s: co:S: 71:
-1. <1<1.
2- - 2
-00<Q<00
-00<F <00
-niT <Q<niT
-F2/2 <F <Fs/2
Tabla 1.1. Relaciones entre lasvariables defrecuencia.
0, 10que es10mismo,
~.
Frnax = 2
1
2T
Xj ( t) =cos271:(10) t
X 2( t) =cos271:( 50) t
son
lascuales son muestreadas a una frecuencia Fs=40Hz. Las correspondientes secuencias 0sefiales discretas en el tierupc
(
10) 71:
X l (17) =cos271: 40 n =cos217
(
50) 5n
X 2 (17) =cos271: 40 17 =cos 2 17
Capitulo 1Introducci6n 21
in embargo, cos 5nn/2 =cos(2nn +nn/2) =cos nn/2, par 10que x2 (n) =x) (n). Par tanto, las sefiales sinusoidales son
identicas y, en consecuencia, indistinguibles. Dados los valores muestreados generados por cos(n/2)n, existe una cierta
arnbiguedad, yaque no se puede determinar si dichos valores corresponden a x) (t ) 0 a X 2(t ). Puesto que X 2(t ) toma
exactamente los mismos val ores que x) (t ) cuando ambas sefiales se muestrean a una frecuencia de F, =40 muestras por
segundo, decirnos que la frecuencia F 2 =50 Hz es un alias de la frecuencia F [ =10Hz para la tasa de muestreo de 40
muestras por segundo.
E importante destacar que F 2 no es el iinico el alias de F L. De hecho, para la tasa de muestreo de 40 muestras por
segundo, lafrecuencia F 3 =90Hz es tambien unalias deF ), asf como delafrecuencia F 4 =130Hz, etc. Todas las sinusoides
co 2n(F l +40k)t , k =1,2,3,4, ... , muestreadas a40 muest:ras por segundo, tomaran val ores identicos. En consecuencia,
todas on alias de F) =10Hz.
En general, el muestreo deuna sefial sinusoidal continua en el tiempo
X a(t ) =A cos(2nF ot +B) (1.4.14)
una frecuencia de muestreo de ~. =l/T genera una serial discreta en el tiempo
x(n) =Acos(2nfon+ B) (1.4.15)
ndefo =F o/ F s es lafrecuencia relativa de lasinusoide. Si suponemos que -F
s
/2 ~ F o ~ F
s
/2, lafrecuencia
r. de x(n) se encuentra en el rango - ~~fo ~ ~, que es el rango de frecuencias para las sefiales discretas en
el tiempo. En este caso, larelaci6n entre F o Y fo es una relaci.6n uno a uno y por tanto es posible identificar (0
~onstruir) la sefial ana16gica xa(t ) apartir delas muestras x(n).
Por el contrario, si las sinusoides
X a(t ) =Acos(2nF kt +B) (1.4.16)
onde
F k =F o +kF s, k= 1,2, ... (1.4.17)
-".muestrean a una frecuencia F s, esta claro que la frecuencia F k no pertenece a] rango de lafrecuencia funda-
mental -F
s
/2 <F <F
s
/2. En consecuencia, lasella] muestreada es
(
F o+kF s )
x(n) =xa(nT) =Acos 2n F s n+ B
= A cos(2nnF o/ F, +B +2nkn)
= Acos(2nfon+B)
-:: ee identica alasefial discreta enel tiempo dada por laexpresi6n (1.4.15) obtenida al muestrear (1.4.14). Por
- to, un mimero infinito de sinusoides continuas en el tiempo 'esta representado por el muestreo de la misma
seiial discreta en el tiempo (es decir, el mismo conjunto demuestras). En consecuencia, dada la secuencia x(n),
no e posible representar la sefial continua en el tiempo X a(t ) a partir de estos valores. 010que es 10mismo,
oodemos decir que las frecuencias F k =F a +kF
s
, -00 <k <00(k entero) son indistinguibles de la frecuencia
rde pues del muestreo y, por tanto, son alias de F a. La relaci6n entre las variables defrecuencia delas sefiales
;; ntinua y discreta en el tiempo seilustra en laFigura 1.4.4.
En la Figura 1.4.5 se ilustra un ejemplo de aliasing, en el que dos sinusoides de frecuencias F a =~Hz Y
F, =- ~Hz producen muestras identicas cuando la frecuencia de muestreo es F s =1Hz. A partir de (1.4.17)
~deduce facilmente que para k =-1, F a =F J +F s =(-~+I) Hz =kHz.
Dado que F
s
/2, que se corresponde con (()=n, es la frecuencia mas alta que puede representarse iinivo-
ente con una frecuencia de muestreo F s, es sencillo determinar la correspondencia de cualquier frecuencia
f w
1
Figura 1.4.4. Relaci6n entre las variables de frecuencia de las sefiales continua y discreta en el tiempo en el
caso de muestreo peri6dico.
-0
B
~ O'_-r~~-+-L+--+L_+-_'~+-~--+-Lf--~~--~-----
~ Tiempo, segundos
Figura 1.4.5. I1ustraci6n del aliasing.
(alias) por encima de F
s
/2 (w =n) con la frecuencia equivalente por debajo de F
s
/2. Podemos utilizar Fs/2
u w =n como el punto de pivote y reftejar la frecuencia alias en el rango 0::; w ::; n. Puesto que el punto de
pivote 0solapamiento es F;..j2 (w =n), lafrecuencia F
s
/2 (w =n) sedenominajreczenczc de solapamiento.
EJEMPLO 1.4.2 _
Considere lasefial analogica xa(t) =3cos 100m
(a) Determine lafrecuencia de muestreo minima necesaria para evitar el aliasing.
(b) Suponga que la sefial se muestrea ala frecuencia Fs =200Hz. i,Que serial discreta en el tiempo se obtiene despues
de la operacion de muestreo?
(c) Suponga que la sefial se muestrea alafrecuencia Fs =75 Hz. i,Que seiial discreta en el tiempo seobtiene despues del
muestreo?
(d) i,Cmil es la frecuencia 0<F <F s I ' l : de una sinusoide que produce muestras identicas alas obtenidas en el apartado
(c)?
Solucion.
(a) La frecuencia de laserial analogica es F =50Hz. Por tanto, la frecuencia de muestreo minima necesaria para evitar
el aliasing es Fs =100Hz.
Capitulo 1lntroduccion 23
(b) Si lasefial se muestrea a lafrecuencia Fs =200 Hz, lasefial discreta en el tiempo es
lOOn n
x(n) =3cos 200 11 =3cos in
(c) Si lasefial se muestrea ala frecuencia Fs =75 Hz, lasefial discreta eo el tiempo sera
(
2n) 2n
=3cos 2n- 3n =3cos 3n
(d) Para la frecueocia de muestreo Fs =75 Hz, tenemos
F=fF
s
=75f
La frecueocia de la sinusoide del apartado (c) es f =j . Por tanto,
F=25Hz
Evidentemente, la sefial sinusoidal
Ya(t) =3cos2nFt
=3cos50m
muestreada a F, =75 muestras/s proporcionara muestras identicas. Por tanto, F =50 Hz es un alias de F =25 Hz
para la frecuencia de muestreo Fs =75 Hz.
1.4.2 Teorema de muestreo
D dacualquier sefial anal6gica, "c6mo podemos seleccionar el perfodo demuestreo T 0, 10queesequivalente, la
uencia demuestreo Fs? Para responder aestapregunta, tenemos quedisponer dealguna informaci6n sobre las
teristicas delasefial que sevaamuestrear. Enconcreto, necesitamos conocer informaci6n general acerca del
ntenido en frecuencia dela sefial, Normalmente, dicha informaci6n estara disponible. Por ejemplo, sabemos
-: ela principales componentes de frecuencia de una sefial de voz se encuentran por debajo de los 3000 Hz.
r otro lado, las sefiales de televisi6n, generalmente, contienen componentes de frecuencia importantes hasta
~~MHz. La informaci6n contenida en tales sefiales se encuentra en las amplitudes, frecuencias y fases de
- diversas componentes de frecuencia, pero la informaci6n detallada de las caracteristicas de dichas sefiales
- e tara disponible para nosotros antes de obtener las seiiales. De hecho, el prop6sito del procesamiento de
efiale es extraer dicha informaci6n detallada. Sin embargo, si conocemos la frecuencia maxima de la clase
=eneral de las seiiales (por ejemplo, la clase de las sefiales de video, etc.), podremos especificar la frecuencia
muestreo necesaria para convertir las sefiales anal6gicas en sefiales digitales.
Supongamos que cualquier sefial anal6gica puede representarse como una suma desinusoides dediferentes
plitudes, frecuencias y fases, es decir,
N
xa(t) =LA;cos(2nF;t+8
i
)
;=1
(1.4.18)
de indica el rnimero de componentes de frecuencia. Todas las seiiales, tales como las de voz y video,
~pre tan a dicha representaci6n en cualquier intervalo de tiempo pequefio. Normalmente, las amplitudes,
encias y fases varian lentamente con el tiempo de un intervalo a otro. Sin embargo, supongamos que
r; >2Fmax (1.4.19
las frecuencias no exceden una determinada frecuencia conocida, que podemos denominar Fmax. Por ejemplo.
Frnax =3000 Hz para las sefiales de voz Y Fmax =5MHz para las sefiales de televisi6n. Dado que lafrecuencia
maxima puede variar ligeramente dentro de la misma clase de sefiales (por ejemplo, la sefial de voz de dos
oradores diferentes), podemos querer asegurarnos de que F;nax no excedera un valor predeterminado al pasar la
sefial anal6gica atraves de un filtro que aternie deforma importante las componentes de frecuencia por encima
de Fmax. De este modo, podemos estar seguros de que ninguna sefial de dicha clase contendra componentes de
frecuencia (que tengan una potencia 0 amplitud significativa) por encima de F.nax. En lapractica, dicho proceso
de filtrado suele realizarse antes deL muestreo.
Conocida Fmax, podemos seleccionar la apropiada frecuencia de muestreo. Sabemos que la frecuencia
mas alta de una sefial ana16gica que puede reconstruirse sin ambiguedades cuando se muestrea la sefial a
una frecuencia F.~=l/T es F
s
/2. Cualquier frecuencia por encima de F
s
/2 0 por debajo de -F
s
/2 produce
muestras que son identicas alas correspondientes frecuencias dentro del rango -F
s
/2 :::;F :::;F
s
/2. Para evitar
las ambiguedades debidas al aliasing, tenemos que elegir una frecuencia de muestreo que sea suficientemente
alta. Es decir, hay que seleccionar F
s
/2 para que sea mayor que F.nax. Por tanto, para evitar el probLema deL
aliasing, seselecciona F, de modo que
donde Fmax es Lacomponente de frecuencia mas alta de la sefial ana16gica. Seleccionando de este modo I
frecuencia de muestreo, cualquier componente de frecuencia, es decir, 1 F i[ <Fmax, de la serial ana16gica se
corresponde con una sinusoide discreta en el tiempo con una frecuencia de
0, Loque es equivaLente,
-n:::; to, =Znf, :::;tt (1.4.21
Dado que If I =!0 I w i =tt es la frecuencia mas alta (unica) de una sefial discreta en el tiempo, elegir La
frecuencia de muestreo de acuerdo con (1.4.19) evita el problema del aliasing. En otras palabras, la condicion
F., >2Fmax asegura que todas las componentes sinusoidales de la sefial anal6gica se corresponden con Las
componentes discretas en el tiempo con frecuencias incluidas en el intervalo fundamental. Por tanto, todas las
componentes de frecuencia dela sefial anal6gica estan repesentadas en laforma muestreada sin arnbiguedades
y, en consecuencia, lasefial anal6gica puede reconstruirse sin distorsi6n apartir de los val ores delas muestra
empleando el metodo "adecuado" de interpolaci6n (conversi6n digital-analogica). La f6rmula deinterpolaci6n
"adecuada" 0 ideaL seespecifica mediante el teorema de muestreo.
Teorema de muestreo. Si Lafrecuencia mas alta contenida enuna sefial anal6gica X a ( t) es Frnax =B y la sen
semuestrea aunafrecuencia F, >2Fmax == 2B, entonces X a ( t) puede recuperarse deforma exacta apartir de 10
valores de sus muestras utilizando la siguiente funci6n de interpolaci6n:
( t) =sen2nBt
g 2nBt
(l.4.2
Luego, X a ( t) puede expresarse como
(1.4.2
donde X a( n/ Fs) =xa( nT) == x( n) son las muestras dexa( t) .
Capitulo 1Introducci6n 25
...
muestra de x,,(t)
/
Figura 1.4.6. Conversion D/A ideal (interpolacion).
Cuando el muestreo dexa(t) serealiza ala frecuencia minima de muestreo Fs =2B, laformula derecons-
truccion 0.4.23) seconvierte en
( )
_ ~ . (.! ! : _ ) sen2nB(t - n12B)
Xa t - L.J Xa
. n=-oo 2B 2nB(t - n12B)
(1.4.24)
La frecuencia de muestreo FN =2B =2Frnax se denomina frecuencia de Nyquist. La Figura 1.4.6 ilustra el
proceso de conversion DI A ideal utilizando lafuncion de interpolacion dada por (1.4.22).
Como podemos observar en (1.4.23) 0 (1.4.24), Lareconstruccion dexa(t) a partir de Lasecuencia x(n) es
un proceso complicado, que impLicauna suma ponderada de Lafuncion de interpolacion g(t) y sus versiones
despLazadas en el tiempo g(t - nT) para -00 <n <00, donde los factores de ponderacion son las muestras
de x(n). A causa de la complejidad y del nrimero infinito de muestras necesario en (1.4.23) 0 0.4.24), estas
formulas dereconstruccion tienen fundamentalmente uninteres teorico. Los metodos deinterpolacion practices
eexponen en el Capitulo 6.
EJEMPLO 1.4.3 _
Considere la siguiente sefial anal6gica
Xa (t) =3cos50m + 10sen300m - cos 100m
i,CuaI es la frecuencia de Nyquist para esta sefial?
oluci6n. Las frecuencias presentes en lasefial anterior son
FJ =25 Hz,
Par tanto, F
lllax
=150Hz y de acuerdo can (l.4.19),
Fs >2Fmax =300 Hz
F2 =150 Hz, F3 =50 Hz
La frecuencia de Nyquist es FN =2F;nax. Por tanto,
Razonamiento. Debemos observar que lacomponente de sefial 10 i 300m, muestreada a lafrecuencia de Nyquist FN =
300, produce muestras l Osinzr, que son identicas acero. En otras palabras, estamos muestreando la sinusoide anal6gica
en sus puntas de paso par cero, y por tanto perdemos esta componente de serial por completo. Esta situaci6n no se produce
ilasinusoide se desplaza en fase un cierto angulo e . En dicho caso, tenemos una seiial 1053(300m +e ) muestreada ala
frecuencia de Nyquist de FN =300 muestras par segundo, que proporciona las muestras siguientes
lOsen(nn+ e ) lO(sen nncos e +cos nnsen e )
1Osene cos ttn
(-l)l1lOsen e
F '
2
F
F 2 -F_, =-2 kHz
F 3-F s= 1kHz
/
26 Tratamiento digital de sefialss
Par tanto, si e #0 0tt, las muestras de la sinusoide tomadas a lafrecuencia deNyquist son distintas de cero. Sin embargo.
no podemos conocer todavfa la amplitud correcta de las muestras cuando la fase e es desconocida. Una soluci6n simple
para evitar esta potencialmente problematica situaci6n consiste en muestrear lasefial anal6gica auna frecuencia mayor que
lafrecuencia de Nyquist.
EJEMPLO 1.4.4 _
Considere la siguiente serial anal6gica
xa(t) =3cos 2000m +5sen6000m +lOcos 12,000m
(a) i,Cm'il es la frecuencia de Nyquist para esta sefial?
(b) Suponga que esta sefial se muestrea empleando una tasa de muestreo de F, =5000 muestras/s. i,C6mo es la sefial
discreta en el tiempo obtenida despues del muestreo?
(c) i,C6mo es la sefial anal6gica Ya(t) que se puede reconstruir apartir de las muestras si seemplea interpolaci6n ideal?
Solucion.
(a) Las frecuencias existentes en lasefial anal6gica son
F , =1kHz, F 2 =3kHz,
Luego F,nax =6 kHz y, de acuerdo con el teorema de muestreo,
F s >2Fmax =12 kHz
La frecuencia de Nyquist es:
FN =12 kHz
(b) Dado que hemos seleccionado F, =5 kHz, lafrecuencia de soJ apamiento es
F s
2=2.5 kHz
y esta es la frecuencia maxima que puede ser representada unicamente par la sefial muestreada. Utilizando (1.4.2),
obtenemos
x(n) =xa(nT) =Xa (_! ! :_)
r.
=3cos2 n (~) n+5sen2n (~) n+ 10cos2 n (~) n
3cos2n (~) n+5sen2n (1-~)n+ lOcos2n (I +~) n
3cos2 n (~) n +5sen2 n ( - ~) n +lOcos 2 n (~) ri
Por ultimo, obtenemos
1 ? - l 4 ..J -
x(n) =13cos2n(s)n-5sen2nls)n I.,
Puede obtenerse el mismo resultado utilizando la Figura 1.4.7~tanto, dado que F s =5 kHz, la frecuencia de
solapamieoto es F
s
/2 =2.5 kHz, y se trata de la frecueocia maxima que puede ser representada iinicamente por la
sefial muestreada. A partir de(1.4.17), tenemos F o =F k - k F
s
. Par tanto, F o puede obtenerse restando deF k unmultiple
entero de F
s
, tal que -F
s
/2 :s; F o :s; F
s
/2. La frecuencia F , es menor que F_,/2 y, par tanto, no se ve afectada par el
efecto del aliasing. Sin embargo, las otras dos frecuencias seencuentran por encima de lafrecuencia desolapamiento.
par 10 que el efecto de aliasing las modificara, Asi,
cD
A partir de (1.4.5), seconcluye que fl =~,h=- ~y h=~,10 que esta de acuerdo can el resultado anterior.
(c) Puesto que en la sefial muestreada s610estan presentes J as componentes de frecueneia a 1kHz y 2 kHz, la sefial
anal6giea que podemos recuperar es ~0( (J -"\
ya1/) =13eos2000m-5sen4000m
J aeual, obviamente es cliferente de la sefial original Xa ( I ). Esta distorsi6n de la serial anal6giea original se debe al
efeeto del aliasing, el cual apareee debido a labaja frecueneia de muestreo empleada.
Aunque el aliasing es un incoveniente que tiene que evitarse, existen dos aplicaciones practicas iitiles
adas en la explotaci6n del efecto de aliasing. Dichas aplicaciones son el estroboscopio y el osciloscopio
mue treador. Ambos instrumentos estan disefiados para trabajar como dispositivos con aliasing con el fin de
representar las altas y bajas frecuencias.
Consideremos una sefial con las componentes de frecuencia confinadas en una banda de frecuencias dada
B, <F <B
2
, donde B2 - B I== B sedefine como el ancho de banda delasefial. Suponemos que B <<B I<B2.
Esta condici6n quiere decir que las componentes defrecuencia de lasefial son mucho mas grandes que el ancho
ce banda B de la sefial, Tales seiiales habitual mente se denorninan sefiales paso banda 0 de banda estrecha.
Ahora bien, si esta sefial se muestrea aunafrecuencia F, 2': 2B, pero Fs <<B
I
, entonces todas las componentes
~ frecuencia contenidas en la sefial seran alias de las frecuencias comprendidas en el rango 0 <F <F
s
/2.
En consecuencia, si observamos el contenido en frecuencia de la sefial en el rango fundamental 0 <F <Fs/2,
noceremos de forma precisa el contenido en frecuencia de la sefial anal6gica, ya que conocemos la banda de
uencias BI <F <B2 que se esta considerando. Por tanto, si la sefial es una serial de banda estrecha (paso
cauda), podemos reconstruir lasefial original apartir delas muestras obtenidas cuando lasefial sehamuestreado
una frecuencia Fs >2B, siendo B el ancho de banda. Esta afirmaci6n es otra forma de enunciar el teorema
muestreo, la cual se denorninaJorma pasobanda para diferenciarla de laforma anterior del teorema, que se
lica en general atodos los tipos de sefiales y a laque a veces se hace referencia como Janna en banda base.
Lxforma en banda base del teorema de muestreo se describe en detalle en la Secci6n 6.4.
1.4.3 Cuantltlcaclon de sefiales continuas en amplitud
Como hemos visto, una sefial digital es una secuencia de mimeros (muestras) en la que cada mimero esta
repre entado por un mirnero finito de digitos (precision finita).
El proceso deconvertir unasefial discreta enel tiempo con amplitud continua enunasefial digital expresando
_ da valor de muestra como un numero finito (en lugar de infinito) de digitos se denomina cuantificaci6n. El
error introducido al representar lasefial continua mediante un conjunto finito de niveles discretos es el error de
ntificaci6n 0 ruido de cuantificacion:
La operaci6n de cuantificaci6n de las muestras x(n) la denotamos mediante Q[x(n)] y empleamos xq(n)
para indicar la secuencia de las muestras cuantificadas a lasalida del cuantificador. Por tanto,
xq(n) =Q[x(n)]
~uego el error de cuantificaci6n es una secuencia eq(n) definida como ladiferencia entre el valor cuantificado
el alor de la muestra real. Por tanto,
eq(n) =xq(n) -x(n) (1.4.25)
'amo ailustrar el proceso decuantificaci6n mediante unejemplo. Consideremos laserial discreta en el tiempo
x(n) ={0.9'\
0,
n2':O
n<O
tenida al muestrear lasefial anal6gica exponencialx.fr ) =0.9
1
, t 2': 0aunafrecuencia demuest:reodeFs =1Hz
'ease laFigura 1.4.7(a)). Si nos fijamos en laTabla 1.2, que especifica los valores delas 10primeras muestras
I
Rango
del
cuantifica
1
x (r) =0 9'
1 .0
a/ .
/xqCn)
Nive
<,
/ /
0.9
'<,
/
/cuan
0.8
0.7
<,
/
t
0.6
. . . . . . . . . . . . . . . . .
r----
'il
0.5
- -
- -
T
c
dar 0.4
-
0.3
...
0.2
0.1
0 I 2 3 4 5 6 7 8 ... n
les de
tificacion
28 Trat amient o digit al de sefiales
1 .0
0.8
0.6
0.4
0.2
o 2 3 4 5 6 7 8
-----I T1-
T= Iseg.
(a)
Escalon de
uantificacion
(b)
Figura 1. 4. 7. Ilustracion de la cuantificacion.
dex(n), vemos que la descripcion del valor dela muestra x(n) requiere n dfgitos significativos. Es evidente que
esta sefial no puede procesarse utilizando una calculadora 0una computadora digital, ya que solo las primeras
muestras pueden almacenarse y manipularse. Por ejemplo, la mayorfa de las calculadoras procesan mimero
con solo ocho dfgitos significativos.
Sin embargo, vamos a suponer que solo deseamos emplear un dfgito significativo. Para eliminar el resto
de los digitos, podemos simplementemente descartarlos (truncamiento) 0 descartarlos redondeando el ruimero
resultante (redondeo ). Las seiiales cuantificadas resultantes Xq (n) seindican en laT abla 1 .2. Vamos acentrarno
en la cuanrificacion mediante redondeo, aunque la cuantificacion mediante truncamiento es igual de sencilla.
EI proceso de redondeo se ilustra graficarnente en laFigura 1 .4.7(b). Los valores permitidos en la sefiaI digital
son los niveles de cuantificacion, mientras que la distancia 1 1 entre dos niveles de cuantificacion sucesivo
define el tamaiio del escal6n de cuantificaci6n 0 resolucion. El cuantificador por redondeo asigna cada muestra
de x(n) al nivel de cuantificacion mas proximo. Por el contrario, un cuantificador que realice una operacion
de truncamiento asignara cada muestra dex(n) al nivel de cuantificacion inmediatamente inferior. El error de
cuantificacion eq(n) en el redondeo esta limitado en el rango comprendido entre -11/2 y 11/2, es decir,
En otras palabras, el error de cuantificacion instantaneo no puede ser mayor que la mitad del escalon de
cuantificacion (vease laT abla 1 .2).
Capitulo 1 lntroducclon 29
x(n) Xq(n) Xq(n) eq(n) =xq(n) -x(n)
n Sefial discreta en el tiempo (Truncamiento) (Redondeo) (Redondeo)
0 1 l.0 1.0 0.0
1 0.9 0.9 0.9 0.0
2 0.81 0.8 0.8 -0.01
3 0.729 0.7 0.7 -0.029
4 0.6561 0.6 0.7 0.0439
5 0.59049 0.5 0.6 0.00951
6 0.531441 0.5 0.5 -0.031441
7 0.4782969 0.4 0.5 0.0217031
8 0.43046721 0.4 0.4 -0.03046721
9 0.387420489 0.3 0.4 0.012579511
Tabla 1.2. Ilustraci6n numerica de la cuantificaci6n con un dtgito significativo utilizando truncamiento y
redondeo.
Si Xmin YXmax representan los valores minimo ymaximo dex(n) yL esel mimero deniveles decuantificaci6n,
entonces
Xmax -Xmin
Ll=----
L-l
(1.4.27)
Definimos el rango dindmico dela sefial como Xmax - Xmin. En nuestro ejemplo, tenemos Xmax =1, Xmin =0 Y
L=11,10 que nos lleva a un valor de Ll=0.1. Observe que si se establece el rango dinamico aumentando el
ruimero de niveles de cuantificaci6n L, el tamafio del escal6n de cuantificaci6n sereduce. Por tanto, el error de
cuantificaci6n disminuye y la precisi6n del cuantificador aumenta. En la practica, podemos reducir el error
decuantificaci6n auna cantidad insignificante seleccionando un mimero suficiente de niveles decuantificaci6n.
En teona, la cuantificaci6n de senales anaI6gicas siempre produce perdidas de informaci6n. Este es un
resultado delaambiguedad introducida por el proceso decuantificaci6n. Ademas, lacuantificaci6n esunproceso
irreversible 0no invertible (es decir, una relaci6n muchos-a-uno), yaque todas las muestras que seencuentran a
unadistancia Ll/2deun determinado nive! decuantificaci6n reciben el mismo valor. Esta ambiguedad hace que
realizar un analisis cuantitativo exacto de lacuantificaci6n sea extremadamente complejo. Este tema se aborda
mas en detalle en el Capitulo 6, donde emplearemos el analisis estadistico.
1.4.4 cuantltlcaclcn de seiiales sinusoidales
La Figura 1.4.8 ilustra los procesos de muestreo y cuantificaci6n de la sefial ana16gica sinusoidal xa(t) =
A cosQot, utilizando una cuadrfcula rectangular. Las lineas horizontales dentro del rango del cuantificador
indican los niveles de cuantificaci6n permitidos. Las lineas verticales indican los instantes de muestreo. De
e te modo, apartir de la sefial anal6gica original Xa (t) obtenemos, al muestear, una sefial discreta en el tiempo
X(I 1 ) =xa(nT) y Ullasefial discreta en el tiempo y de amplitudes discretas xq(nT) despues de lacuantificaci6n.
En la practica, la serial en escalera xq(t) se puede obtener utilizando un retenedor de orden cero. Este analisis
e util porque se emplean sinusoides como sefiales de prueba en los convertidores AID.
Si lafrecuencia de muestreo F s satisface el teorema demuestreo, el error decuantificaci6n esel iinico error
que seproduce en el proceso de conversi6n AID.
Por tanto, podemos evaluar el error de cuantificaci6n, cuantificando la sefial anal6gica Xa (z) en lugar de la
erial discreta en el tiempo x(n) =xa(nT). La inspecci6n delaFigura l.4.8 indica que lasefial Xa(t) es practica-
mente lineal entre niveles de cuantificaci6n (veas e la Figura 1.4.9). El error de cuantificaci6n correspondiente
30 Tratamiento digital de senates
Discretizaci6n en
Discretizaci6n
en amplitud
Nivelde
cuantificacion
J _
~ Escal6n de
l_cuantificaci6n
Rango del
cuantificador
(1.4.28)
4~
3~
2A
"0 ~
. e
''is.
0
~
-~
- 2A
- 3~
- 4~
el d0J l1in~1 tiempo
/
ISerial analogica
-,
//
-:
.......,
original, xa(t)
V ~
I
_i
Mue tras no
/
f
v
cuantificadas
f Xa(n7)
V
Muestras
\
Salida del convertidor
.f
r, antificadas,
\
V
D/A con retenci6n de
xq(nT)
orden cero, Xq(t) )
\ 1
-,
/
r-,
./
t
e q(t) =Xa(t) - xq(t) semuestra en laFigura 1.4.9. En esta figura, l' indica el tiempo quexa(t) permanece dentro
de los niveles de cuantificaci6n. La potencia del error cuadratico medio P
q
es
o 6T 9T T 2T 3T 4T 5T
Tiempo
7T 8T
Figura 1.4.8. Muestreo y cuantificaci6n de una sefial sinusoidal.
; LI
~---~~~
7l~
I I
o
(a) (b)
(1.4.29)
Si el cuantificador tiene b bits de precisi6n y cubre el rango completo 2A, el escal6n de cuantificaci6n es
J }. =2A/2
b
. Por tanto,
Figura 1.4.9. El error de cuantificaci6n e q(t) =Xa (z) - Xq(t).
1 j ' T 1l o T
Pq =- e ~ (t) d t =- e ~ (t) d t
21' -T l' 0
Como e q(t) =(J } ./2' r )t, -1':::; t : : : ; 1', tenemos
(1.4.30)
La potencia media de la sefial Xa ( t ) es
1 l o T
p
2 A2
P
x
=- ( Aco sQo t ) dt =-
Tp 0 2
(1.4.31)
La cali dad de la salida del convertidor AID normalmente se nude mediante la relaci6n sefial-ruido de cuan-
tificacion (SQNR, signal -t o -quant izat io n no ise rat io ) , que relaciona la potencia de sefial con la potencia de
ruido:
Expresada en decibeliostdll), larelacion SQNR es
SQNR(dB) =1010gJ OSQNR =1.76+6.02b (1.4.32)
Esto implica que larelacion SQNR aumenta aproximadamente 6 dB por cada bit que se afiade ala longitud de
palabra, es decir, cada vez que seduplica el mimero de niveles de cuantiiicaci6n.
Aunque la formula 0.4.32) se ha obtenido para sefiales sinusoidales, en el Capitulo 6 veremos que se
obtiene un resultado similar para cualquier seiial cuyo rango dinamico comprenda el rango del cuantificador.
Esta relacion es extremadamente importante porque fijael mimero debits queuna aplicacion especifica requiere
para asegurar una determinada relacion sefial-ruido, Por ejemplo, la mayoria de los reproductores de discos
ompactos utilizan una frecuencia de muestreo de 44.1 kHz y una resolucion de 16-bits por muestra, 10que
implica una relacion SQNR superior a96 dB.
1.4.5 Codificacion de muestras cuantificadas
EI proceso de codificacion de un convertidor AID asigna un ruimero binario unfvoco acada nivel de cuantiiica-
cion. Si tenemos Lniveles, necesitaremos al menos Lmimeros binarios distintos. Con una longitud de palabra
de b bits, podemos crear 2b mimeros binarios distintos. Por tanto, tendremos 2b ~ L, 0,10 que es 10mismo,
b ~ log2L. Por tanto, el numero de bits necesarios del codiiicador es el entero mas pequefio mayor 0igual que
10g2L. En nuestro ejemplo (Tabla 1.2), podemos ver facilmente que necesitamos un codificador con b =4bits.
Hay disponibles AID comerciales que pueden proporcionaruna precision finita de b =160 menor. En general,
cuanto mayor es lafrecuencia demuestreo y mas ajustada es la cuantificacion, mas caro es el dispositivo.
1.4.6 Conversion dlqltal-analoqlca
Para convertir una sefial digital en una sefial analogica podemos utilizar un convertidor digital-analogico (D/A).
Como hemos dicho anteriormente, la tarea deun convertidor D/A consiste en interpolar entre muestras.
El teorema de muestreo especifica lainterpolacion optima para una sefial de banda lirnitada. Sin embargo,
este tipo de interpolaci6n es demasisado compleja y, por tanto, poco practica, como ya hemos comentado
anteriormente. Desde un punto de vista practice, el convertidor D/A mas sencillo es el retenedor de orden cero
mostrado en la Figura 1.4.2, el cual sirnplemente conserva (retiene) el valor constante de una muestra hasta
que serecibe lasiguiente. Utilizando la interpolacion lineal puede obtenerse una mejor interpolaci6n, como se
muestra en la Figura 1.4.10 conectando las muestras sucesivas mediante segmentos de linea recta. Se puede
conseguir una mejor interpolaci6n utilizando tecnicas de interpolaci6n mas sofisticadas de orden superior.
En general, las tecnicas de interpolaci6n sub6ptimas dejan pasar frecuencias por encima de la frecuencia
de solaparniento. Tales componentes defrecuencia no son deseables y normalmente seeliminan haciendo pasar
la salida de la interpolacion a traves del apropiado filtro anal6gico, el cual se denomina po st -fil t ro 0fil t ra de
suavizado .
Por tanto, normalmente, la conversi6n D/A implica el uso de un interpolator sub6ptirno seguido de un
post-filtro. Los convertidores D/A seestudian mas en detalle en el Capitulo 6.
Sefial original
:-0nterpolaCi6n lineal (con unretardo de Tsegundos)
, 'I
' ' ,
. . . . ' \ . . . . . . . .
. ,
. .
.
.
o T 2T 3T 4T 5T 6T 7T
Figura 1. 4. 10. Conector lineal de puntos (con unretardo de T segundos).
1.4.7 Anallsls de seiiales y sistemas digitales frente a seiiales y sistemas
discretos en el tiempo
Hemos visto que una sefial digital se define como una funci6n de una variable independiente entera y sus
valores se toman de un conjunto finito de posibles valores. La utili dad de tales sefiales es una consecuencia de
las posibilidades ofrecidas por las computadoras digitales. Las computadoras trabajan con mimeros, los cuales
se representan mediante cadenas de caracteres formadas por Osy Is. La longitud de esta cadena (longitud de
paZabra) es fija y finita y, normalmente, es igual a 8, 12, 160 32 bits. Los efectos de una longitud de palabra
firritaenlos calculos causa complicaciones enel analisis delos sistemas detratamiento digital desefiales. Conel
finde evitar estas complicaciones, despreciaremos lanaturaleza cuantificada de las seiiales y sistemas digitales
en la mayor parte de nuestros analisis y los consideraremos como sefiales y sistemas discretos en el tiempo.
EnlosCapitulos 6, 9y lOse tratan las consecuencias deutilizar unalongitud depalabra finita. Este esuntema
importante, dado que muchos de los problemas del procesamiento digital de sefiales se resuelven empleando
computadoras pequefias 0microprocesadores que utilizan aritrnetica depunto fijo. En consecuencia, espreciso
tratar con cuidado el problema de laarimetica deprecisi6n finita y tenerla encuenta eo el disefio del software)
el hardware que llevan acabo las tareas detratamiento de la serial deseada.
1.5 Resumen y referencias
Eneste capitulo deintroducci6n hemos intentado proporcionar lamotivaci6n deutilizar el tratarrriento digital de
sefiales como alternativa al procesamiento ana16gico. Hemos presentado los elementos basicosde unsistema de
procesamiento digital desenales y hemos definido las operaciones necesarias para convertir una sefial anal6gica
en una sefial digital que pueda ser procesada. De particular importancia es el teorema de muestreo, que fue
planteado por Nyquist (1928) y que mas tarde, en 1949, populariz6 Shannon. El teorema de muestreo corn
se ha descrito en la Secci6n 1.4.2 se demuestra en el Capitulo 6. Las sefiales sinusoidales se han introducido
fundamentalmente con el prop6sito de ilustrar el fen6meno del aliasing y para el subsiguiente desarrollo del
teorema de muestreo.
Tambien sehan presentado enel capitulo los efectos delacuantificaci6n que soninherentes alaconversi6n
AID de una sefial, La cuantificaci6n de sefiales se analiza mejor en terminos estadfsticos, como se vera en los
Capitulos 6, 9y 10.
Por ultimo, se ha descrito brevemente el tema de la reconstrucci6n de la sefial, 0 conversion DI A. En I
Secci6n 6.3 se aborda lareconstrucci6n de sefiales basada enlainterpo1aci6n mediante escalones.
Existen numerosas aplicaciones practicas del procesamiento digital de sefiales. El libro editado por Op-
penheim (1978) aborda ap1icaciones como el tratamiento de voz, de imagenes, de sefiales de radar, de sonar ~
geofisicas.
Problemas
1.1 Clasifique las siguientes sefiales segtin sean (1) unidimensionales 0multidimensionales; (2) de un solo
canal 0multicanal, (3) continuas 0discretas en el tiempo y (4) analogicas 0digitales (en amplitud).
Proporcione una breve explicacion.
(a) Los precios de cierre de las acciones de laBolsa deNueva York.
(b) Una pelfcula en color.
(c) La posicion del volante de un autom6vil en movimiento respecto aun sistema dereferencia situado
en el automovil.
(d) La posicion del volante deun automovil en movimiento respecto aun sistema dereferencia situado
en el suelo.
(e) Las medidas de peso y altura mensuales de un nino.
1.2 Determine cuales de las siguientes sinusoides son periodicas y calcule superiodo fundamental.
(a) cosO.Olnn
(b)
( 30n)
cos n 105
(c) cos3nn
(d) sen3n
( 62n)
(e) sen nlO
1.3 Determine si las siguientes sefiales son periodicas. En caso afirmativo, especifique su frecuencia funda-
mental.
(a) xa(t) =3cos(st+n/6)
(b) x(n) =3cos(sn+ n/6)
(c) x(n) =/2exp[j(n/6 - n)]
(d) x(n) ~ cos(n/8)cos(nn/8)
(e) xji =cos(nn/2) - sen(nn/8) +3cos(nn/4 +n/3)
(a) Demuestre que el perfodo fundamental Np de las sefiales siguientes: 1.4
k= 0,1,2, ...
esta dado por Np =N /MCD(k,N), donde MCD es el maximo comtin divisor de k y N.
(b) l,Cual es el perfodo fundamental de este conjunto para N =7?
(c) l,yparaN=I6?
1.5 Considere la siguiente sefial analogica sinusoidal:
xa(t) =3sen(100nt)
(a) Represente graficamente la sefial xa(t) para 0s : t s : 30ms.
(b) Laserial Xa (t) semuestrea con una tasa demuestreo deF s =300muestras/s. Determine lafrecuencia
de lasefial discreta en el tiempo x(n) =xa(nT), T =l/F
s
, Y demuestre que es periodica.
Xa(t) =3cos 100m +2sen250m (t en segundos)
(c) Calcule los val ores dela muestras en un periodo dex(n). Dibuje x( n) enla misma grafica queXa (t).
l,CuaI es el perfodo de la sefial discreta en el tiempo en milisegundos?
(d) l,Puede hallar una frecuencia de muestreo Fs tal que la sefial x(n) alcance su valor de pico en 3?
l,Cual es la frecuencia minima Fs aceptable para esta tarea?
1.6 Una sinusoide continua en el tiempo Xa (t) con un perfodo fundamental de Tp =1IFa se muestrea a una
frecuencia Fs =irr, con el fin de generar una sinusoide discreta en el tiempo x(n) =xa(nT).
(a) Demuestre quex(n) es peri6dica si T /Tp =kiN (es decir, T ITp es un mimero racional).
(b) Si x(n) es peri6dica, l,cuaI es su perfodo fundamental Tp en segundos?
(c) Explique la siguiente afirmaci6n: x(n) es peri6dica si su perfodo fundamental Tp, en segundos, es
igual aun mirnero entero de perfodos deXa (z).
1.7 Una sefial anal6gica contiene frecuencias hasta 10kHz.
(a) l,Cmil es el rango de frecuencias de muestreo que permite la reconstrucci6n exacta de esta sefial a
partir de sus muestras?
(b) Suponga que muestreamos esta sefial a una frecuencia de muestreo F, =8 kHz. Examine 10que
ocurre con lafrecuencia Fi =5kHz.
(c) Repita el apartado (b) para una frecuencia F2 =9kHz.
1.8 Una sefial anal6gica de electrocardiograma (ECG) contiene frecuencias iitiles hasta 100Hz.
(a) l,Cmil es lafrecuencia de Nyquist de esta sefial?
(b) Suponga que muestreamos esta sefial auna tasa de 250 muestras/s. l,Cmll es lafrecuencia mas alta
que puede representarse de forma univoca para esta tasa de muestreo?
1.9 Una sefial analogica z.tz ) =sen(480m) +3sen(720m) semuestrea 600 veces por segundo.
(a) Determine la frecuencia de muestreo deXa(t).
(b) Determine lafrecuencia de solapamiento.
(c) l,Cm'ilesson las frecuencias, en radianes, de lasefial discreta en el tiempo resultante x(n)?
(d) Si x(n) sepasa atraves de un convertidor ideal D/A, l,c6mo es la sefial reconstruida y.Iz)?
1.10 Un enlace decomunicaciones digital transporta palabras codificadas enbinario que representan muestra
de una sefial de entrada
Xa(t) =3cos600m +2cos 1800m
El enlace trabaja auna velocidad de 10.000 bits/s y cada muestra deentrada secuantifica en 1024 niveles
de tensi6n distintos.
(a) Determine las frecuencias de muestreo y de solapamiento.
(b) l,CuaI es lafrecuencia de Nyquist de Lasefial xa(t)?
(c) l,Cmiles son las frecuencias de lasefial discreta en el tiempo resultante x(n)?
(d) l,CuaI es la resolucion A?
1.11 Considere el sistema deprocesamiento desenales mostrado en laFiguraP.1.11. Los perfodos demuestreo
de los convertidores AID y D/A son T =5 rns y T' =1ms, respectivamente. Determine la salida Y ae l)
del sistema si laentrada es
El post-filtro elirnina cualquier componente de frecuencia por encima de Fsl2.
Capitulo j Introducci6n 35
I
AID
I
x(n)
D/A
Filtro de ya(t)
.
T'
post-procesado
T
Figura P.1.11.
1.12 (a) Obtenga la expresion correspondiente ala sefial discreta en el tiempo x( n) del Ejemplo 1.4.2 utili-
zando las propiedades deperiodicidad de las funciones sinusoidales.
(b) l,Cual es lasefial analogica que podemos obtener apartir dex(n) si en el proceso de reconstruccion
suponemos que F s =10kHz?
1.13 La sefial discreta en el tiempo x(n) =6.35 cos (nl lO)n se cuantifica con una resolucion (a) tl =0.1 0
(b) tl =0.02. l,Cuantos bits son necesarios en el convertidor AJD en cada caso?
1.14 Determine la tasa de bits y la resolucion para el muestreo de una sefial sismica con un rango dinamico
de 1voltio si la frecuencia de muestreo es F s =20 muestras/s, utilizando un convertidor AJ D de 8-bits.
l,Cual es la frecuencia maxima que puede estar presente en la sefial sismica digital resultante?
1.15 Mues treo de s eiiales s inus oidales : alias ing. Considere lasiguiente sefial sinusoidal continua en el tiempo
xa(t) =s en2nF ot, -00 <t <00
Puesto que Xa (t) esta descrita en forma maternatica, su version muestreada puede describirse mediante
sus val ores cada T segundos. La sefial muestreada sedescribe mediante laformula siguiente
. F a
x(n) =xa(nT) =s en2n-n,
F s
-00 <n <00
donde F s =liT es lafrecuencia de muestreo.
(a) Represente graficamente la sefial x(n), 0 ::::; n ::::; 99 para F s =5 kHz Y F a =0.5, 2, 3 Y 4.5 kHz.
Explique las similitudes y diferencias entre las distintas representaciones.
(b) Suponga que F a =2kHz y F s =50 kHz.
1. Represente graficamente lasefial x(n). l,Cual es lafrecuencia fa de lasefial x(n)?
2. Represente graficamente la sefial yen) obtenida tomando las muestras pares de x(n). l,Es una
sefial sinusoidal? l,Por que? En caso afirmativo, l,cual es su frecuencia?
1.16 Error de cuantificacion en la convers i6n AID de una s ehal s inus oidal Sea x q (n) la sefial obtenida al
cuantificar la sefial x( n) =sen2n fan. La potencia del error de cuantificacion P
q
sedefine como sigue
IN-l IN-l
Pq =N Le
2
(n) =N L[xq(n) -x(n)f
n=O n=O
La "calidad" de la sefial cuantificada puede medirse mediante la relacion sefial-ruido de cuantificacion
(SQNR) definida como sigue
P
x
SQNR =1010g
10
-
P
q
donde P
x
es la potencia de la sefial sin cuantificar x(n).
(a) Parafo =1/50 YN =200, escriba unprograrna para cuantificar lasefialxl), utilizando truncamiento
para 64,128 y 256 niveles decuantificaci6n. En cada caso, represente graficamente las sefiales x(n),
xq(n) y e(n), y calcule larelaci6n SQNR correspondiente.
(b) Repita el apartado (a) utilizando redondeo en lugar de truncamiento.
(c) Comente los resultados obtenidos en los apartados (a) y (b).
(d) Compare la SQNR medida experi mental mente con la obtenida te6ricamente mediante la f6rmula
(1.4.32) y comente las diferencias y similitudes.
Respuest as a l os
probl emas
sel ecci onados
Capi t ul o 1
1.1 (a) Unidimensional, multicanal, discreta en el tiempo y digital.
(b) Multidimensional, un solo canal, continua en el tiempo, anal6gica.
(c) Unidimensional, un solo canal, continua en el tiempo, anal6gica.
(d) Unidimensional, un solo canal, continua en el tiempo, anal6gica.
(e) Unidimensional, multicanal, discreta en el tiempo, digital.
1.3 (a) Peri6dica con perfodo Tp =2;.
(c) 1=l i n =? no peri6dica.
(e) cos ( n : { ' ) esperi6dica con pertodo v, =4; sen ( n 8 ' ) esperi6dica con periodo v, =16; cos ( ' ; I I +1) es peri6dica
can periodo Np =8. Por tanto, x( n ) es peri6dica con perfodo Np =16(16 es el minimo connin multiplo de4,
8, 16).
1.4 (b) N =7;k =01234567; GCD(k,N) =7 I 1I 11I l 7; Np =1777771.
1.S (a) Sf. x( l) =3 =3sen (I~n)=?200 muestras/segundo.
1.6 (b) Si x( n ) es periodica, entonces 1=k] N donde N es el perfodo. Luego, Td =(}T) =k ( )T =ir; Por tanto,
toma k perfodos (kTp) de la sefial anal6gica para formar 1perfodo (Td) de la sefial discreta.
1.8 (a) F;mlx=100Hz, F s 2': 2F;nax=200 Hz.
(b) Fsol apami el 1l o =- 1=125 Hz.
1.10 (a) Fs =1000 muestras/segundo; Fsol apami en l o =500 Hz.
(b) Fmax =900 Hz; FN =2Fmax =1800 Hz.
(c) 11 =0.3; I : =0.9. Pero I : =0.9 >0.5 =? h=0.1. Por tanto, x( n ) =3cos [( 2n ) ( 0.3) n ] +2cos [( 2n ) ( 0.l )11. ].
(d) C o, =16~3.
Capi t ul o 2
2.7 (a) Estatico, no lineal, invariante en el tiempo, causal, estable.

Capitulo 1 - Tratamiento Digital de Señales

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Capitulo 1 - Tratamiento Digital de Señales

Diunggah oleh

Hak Cipta:

Format Tersedia

TRATAMIENTO DIGITAL

Anda mungkin juga menyukai