Introducción al análisis de señales y sistemas

discretos
Galo Candela Karina Gutiérrez
Departamento de Eléctrica y Electrónica Departamento de Eléctrica y Electrónica
Quito, Ecuador Quito, Ecuador

gcandela@espe.edu.ec kgutierrez@espe.edu.ec

XXX-X-XXXX-XXXX-X/XX/$XX.00 ©20XX IEEE

 35
Abstract—Discrete-time El mismo afirma que: >> c=conv(a,b); III. RECURSIVE SYSTEMS
signals are data sequences. A "una señal analógica puede
sequence of data is denoted >>
30 stem(c)
Para encontrar la
ser reconstruída, sin error, de respuesta del impulso del
{x[n]}. The elements of the muestras tomadas en iguales
sequence are called samples. sistema y[n] = 1/a y[n-1] =
intervalos de tiempo. La 25
x[n], suponiendo que es
The index n associated with razón de muestreo debe ser
each sample is an integer. inicialmente está relajado, se
igual, o mayor, al doble de su 20 puede utilizar el siguiente
ancho de banda de la señal código:
The sample values of a
random sequence are
analógica".
15
randomly drawn from a >>alpha=1.15;
La teoría del muestreo
certain probability >> N=30;
define que para una señal de 10
distribution. They are also ancho de banda limitado, la >> x=[1 zeros(1,N)];
1
called stochastic sequences. frecuencia de muestreo, fm, >> y=filter(1,[1
The two most common debe ser mayor que dos
5 -1/alpha],x);
0.9
distributions are the Gaussian >>stem(y);
veces su ancho de banda 0.8
(normal) distribution and the 0
medida en Hertz [Hz]. 0 2 4 6 8 10 12 14
uniform distribution.
0.7

Keywords— Discrete-time 0.6

signals, samples, distribution.
II. COMANDOS DE MATLAB 0.5
UTILIZADOS PARA EL
I. INTRODUCCIÓN ANÁLISIS Y SOLUCIÓN DE
Fig2. Ejemplo del uso de la 0.4
función CONV
Las señales de tiempo ESTOS SISTEMAS
0.3
discreto son esencialmente
C. Comando Impz
una secuencia de números. A. Comando Stem 0.2
Algunos secuencias Calcula la respuesta de
Traza una secuencia de impulso de un sistema
fundamentales, como el datos como tallos del eje x
0.1
impulso unitario, escalón inicialmente relajado
terminados en círculos. descrito por una ecuación de 0
unitario y sinusoidal (tanto 0 5 10 15 20
real como complejas) se Ejemplo: diferencias.
examinan porque las
>>1t=[0:0.1:2]; Ejemplo:
secuencias más complejas se
pueden expresar como una >>
0.8x=cos(pi*t+0.6);
>> a=[1 -0.22 -0.21 0.017
combinación de algunos o >>stem(t,x) 0.01];
0.6
todos estos fundamentales. >> b=[1 2 1]; Fig4. Ejemplo del uso del
0.4 código
Los sistemas de tiempo >> h=impz(b,a,20);
discreto más importantes son 0.2 >>stem(h)
los sistemas lineales En general el comando: y
0
invariantes en el tiempo = filter ([b_0 b_1 ... b_M] ,
(LTI) para estos sistemas, se -0.2 2.5 [1 a_1... a_N] , x , Z_i)
aplica el principio de determina la solución de la
-0.4 ecuación general de
superposición que conduce a
la convolución lineal. -0.6 2 diferencias:
Esta suma de -0.8
y[n] + a1y[n - 1] + … +
convolución es la forma en aNy[n -N] =
que derivamos la producción -1 1.5
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
del sistema dado una entrada. b0x[n] + b1x[n-1] + … +
Un sistema LTI está bMx[n-M]
completamente caracterizado 1
por su respuesta de impulso. Cuando la señal de entrada
Todas las propiedades de está considerada en el vector
dicho sistema se revelan por Fig1. Ejemplo del uso de la X y el vector Z_i contiene las
su respuesta al impulso,
función STEM 0.5 condiciones iniciales.
incluidas la causalidad y la La diferencia entre los
B. Comando Conv
estabilidad códigos es que en el primero
Realiza la convolución 0 el 12sistema se16 encuentra
El teorema de muestreo discreta de dos secuencias de 0 2 4 6 8 10 14 18 20
fue desarrollado en 1928 por inicialmente relajado
números. Fig3. Ejemplo del uso de la mientras que en el segundo
Nyquist y probado función IMPZ
matemáticamente por Ejemplo: se toma en cuenta los valores
Shannon en 1949. de las condiciones iniciales
>> a=[1 1 1 1 1]; en el vector Z_i.
>> b=[1 2 3 4 5 6 7 8 9];
 IV. MUESTREO Fig5. Función coseno de 3 Hz Fig7. Función coseno de 7 Hz
muestreada en fs = 10 muestreada en fs = 14 8
Sea s(t) una señal
limitada en banda, que no 6
tiene componentes Considere ahora la Si el criterio de muestreo
espectrales mayores que la función del coseno de 7 Hz de Nyquist se satisface, solo 4
frecuencia fm [Hz]. El f2(t) = cos (2π7t) hay una función de tiempo
7 Hz Cosine Function
Teorema del Muestreo muestreada
1 en fs = 10 continuo asociada con un 2
Uniforme indica muestras por segundo por un conjunto dado de muestras
0.8
que s(t) queda determinada intervalo de 1 segundo. de tiempo discreto y una 0
de forma única (sin pérdida 0.6 frecuencia de muestreo
de información) por sus particular. -2
valores a intervalos 0.4

uniformes de tiempo 0.2 V. RUIDO Y FILTRADO -4

menores o iguales
que 2fm segundos. Es decir, 0 -6
la frecuencia de El comando randn genera
-0.2 10
muestreo fs debe de ser: el número específico de -8
0 0.1 0.2 0.3 0.4 0.5 0.6
-0.4 muestras de una señal 8
fs ≥ 2fm. Fig8. Figure 1
aleatoria con distribución
-0.6 6
A la frecuencia 2fm se le gaussiana con media cero y
conoce como frecuencia de -0.8 varianza unitaria. 4

muestreo de Nyquist. -1 Podemos minimizar el 2

0 0.1 0.2 0.3 0.4 0.5 ruidoso
efecto 0.6 0.7 0.8 0.9
promediando
T 0
s N muestras sucesivas de x
= [n] = x_ruido, -2

2 implementando la siguiente
-4
π ecuación de diferencias:
Fig6. Función coseno de 7 Hz -6
w muestreada en fs = 10
s -8

Es el periodo de
No existe diferencia Al utilizar el siguiente -10
0 0.1 0.2 0.3 0.4 0.5 0.6
muestreo, siendo
alguna entre f1(t) = cos código:
(2π3t) y f2(t) = cos (2π7t) si
>> amp_1=5;
ws = 2πfs ambas son muestreadas en fs
= 10. >> f_1=5;
la frecuencia de muestreo >> amp_2=2;
angular expresada en Pero de acuerdo al >> f_2=50; Fig9. Figure 2
radianes/segundo. criterio de Nyquist la >>f_s=1000;
frecuencia mínima 7 HzdeCosine Function
>>time=0:1/f_s:(1-
fs=14 Hz Al cambiar el valor de N
muestreo 1 para f2(t) en este 1/f_s); = 3, N = 6, N = 10 y N = 20,
Considere la función del caso debe ser superior a fs = >> la técnica de promediado es
0.8 25
coseno de 3 Hz f1(t) = cos 14 Hz. sine_1=amp_1*sin(2*pi* bastante efectiva para reducir
3 Hz Cosine Function
(2π3t)1 muestreada en fs = 0.6
f_1.*time); la cantidad
20 de ruido de la
10 muestras por segundo por >> señal corrupta.
0.8 0.4 15
un intervalo de 1 segundo. sine_2=amp_2*sin(2*pi*
0.6 0.2 f_2.*time); 10

0.4 0
>>ruido=randn(1,length( 5
time));
0.2
-0.2 >>x_claro=sine_1 + 0

0 sine_2; -5
-0.4
>>x_ruido=x_claro +
-0.2
-0.6 ruido; -10

-0.4 >>figure(1); -15

-0.8
>>plot(time,x_claro);
-0.6 -20
-1 >>figure(2);
0 0.2 0.4 0.6 0.8 1 1.2
>>plot(time,x_ruido) 1.4
-0.8 -25
0 100 200 300 400 500 600
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Se obtiene las siguientes
figuras:

Fig10. Señal de salida con N=3

 50 150

40

100
30
C. 3. Programas para
20 7 obtener las soluciones de
50
10
las siguientes ecuaciones
6 de diferencias:
0 0
5
-10
>> A=[1,2,1];
-20
-50
4
>> B=[0,0,0];
>> z=zeros(1,20);
-30
-100 >>ini=filtic(B,A,[1,0]);
3
-40 >> y=filter(B,A,z,ini);
>>stem(1:20,y);
-50 -150 2
0 100 200 300 400 500 6000 700
100 800
200 900
300 1000
400 500 600 700 800 900 1000
25
1
20
80
0
0 5 10 15
15 20 25
Fig11.
60 Señal de salida con N=6
Fig14. Señal de salida con Fig15. y [n]
N=25 10
40
B. 2. Calcular y [n] = x 5
20 [n] * x [n] * x [n] * x
Sin embargo, si N es
0
demasiado grande, entonces [n]
0
el procedimiento de -5
-20
promediado casi elimina la
frecuencia alta de la -10

-40
componente sinusoidal.
-15
>> x=[1 1 0 0];
-60 VI. EJERCICIOS ADICIONALES >>x1=[1 1 0 0]; -20
0 2 4 6 8 10 12
>> y=conv(x,x1);
-80
0 100 200 300 400
A. 1.600
500
Calcule
700
la800
suma de
900 1000 >>x2=[1 1 0 0]; Fig17. y [n]
convolución del >>x3=[1 1 0 0];
siguiente par de >> y1=conv(x2,x3);
secuencias >> y2=conv(y,y1); >> K= [1, 1, 2];
150 >> n=1:1:13; >> S= [0, 0, 0];
Fig12. Señal de salida con >>stem(n,y2); >> v= zeros(1,20);
N=10 800
100 >>ini = filtic (S,K,[1,0]);
>> y =filter (S,K,v,ini);
6 600
>>stem(1:20,y)
50

400
5
0
>> x=[1 1 0 0 0 0 1 1 0 0
200
0 0]; 4
-50 >> h=[1 2 3 4 0 0 0 0 0 0
0
0 0];
3
>> y= conv(x,h);
-100
>>stem(y); -200

2
-150 -400
0 100 200 300 400 500 600 700 800 900 1000

1
-600
0 2 4 6 8 10 1

0
0 2 4 6 8 10 12 14
Fig13. Señal de salida con
N=20
Fig16. y [n] = x [n] * x [n] * x
Así cuanto mayor sea el [n] * x [n]
Fig18. y [n]
valor de N, mayor será la
capacidad de eliminar el
componente de ruido.
 -14
x 10
1.5

1
D. 4. Programas de Matlab x 10
-15

para calcular las 0.4 6

0.5
respuestas de impulso de
0.3
los sistemas: 4
0
0.2

2
>> N=20; 0.1 -0.5
>> a=[1 1 1];
>> b=1; 0
0
>> z=impz(b,a,N); -1

>>figure(1); -0.1 -2
>>stem(z); -1.5
>>xlabel('n') -0.2
0 5 10 15

>>ylabel('h[n]'); -4
>>aux=[1 zeros(1,N-1)]; -0.3
>> y=filter(b,a,aux); 0 2 4 6 8 10
-6
12 14 16 18 20

>>figure(2); Fig20. y [n] 0 2 4 6 8 10 12 14 16 18 20

>> stem(y) Fig22. y [n]
Fig24. y [n]
E. 5. Programas de Matlab
1 para trazar la respuesta
de estado estacionario >> N=30;
0.8 >> t=30;
para la entrada x [n] = >>for i=1:N
0.6 sin (wn) u[n]: >>for i=1:t
x_1(i)=sin((pi/3)*(i-1));
x_1(i)=sin(pi/3 * (i-1));
0.4 end
end
>> N=20; >>for i=1:N
>>for i=1:t
0.2
>>for i=1:N x_2(i)=sin(pi*(i-1));
x_2(i)=sin(pi*(i-1));
x_a(i)=sin((pi/3)*(i-1)); end
0 end
end >> y_1=filter([1 1 1],1,
>> y_1=filter([1 2 1],1,
-0.2
>>for i=1:N x_1);
x_1);
x_b(i)=sin(pi*(i-1)); >> y_2=filter([1 1 1],1,
-0.4 >> y_2=filter([1 2 1],1,
end x_2);
x_2);
-0.6
>>y_a=filter([1 1 1],1, >> figure;
>> figure;
x_a); >>stem((0:29),y_1,'r')
-0.8 >>stem(0:29,y_1,'r');
>>y_b=filter([1 1 1],1, >>title('\omega=\pi/3');
>>title('\omega= \pi/3');
-1 >> figure;
0 2 4 6 8 10 x_b);
12 14 16 18 20 2 >> figure;
Fig19. Respuesta al impulso n >> figure; >>stem((0:29),y_2,'b')
>>stem(0:29,y_2,'b');
>>stem((0:19),y_a,'r'); >>title('\omega=\pi');
1.5 >>title('\omega= \pi');
>> figure;
>> N=20; >>stem((0:19),y_b,'b'); 1 3
>> a=[4 1 3]; 2
>> b=[1 0 0 1]; 0.5
2
>> z=impz(b,a,N); 1.5
>>figure(1); 0

>>stem(z); 1 1
-0.5
>>xlabel('n');
>>aux=[1 zeros(1,N-1)]; 0.5
-1 0
>> y=filter(b,a,aux);
0
>>figure(2);
-1.5
>>stem(y) -1
-0.5
-2
0 5 10 15 20 25 30
-1 -2

-1.5
-3
0 5 10 15
-2 Fig25. y [n]
0 2 4 6 8 10Fig23.
12 y [n]14 16 18 20
Fig21. y [n]
 -14
x 10
Una secuencia de tiempo
1.5 3 discreto es periódica con un
período de N muestras si
x[n] = x[n + kN] para todos
1 2
los valores enteros de k,
siendo N un entero positivo.
0.5 1

0 0

REFERENCIAS
-0.5 -1
[1] B.P. Lathi. Introducción a la
Teoría y Sistemas de
-1 -2 Comunicación. Limusa
Noriega Editores, 1994
[2] Paulo Diniz, Eduardo da
-1.5 -3 8 Silva, and Sergio Netto.
0 5 10 15 0 20 5 25 10 30 15 20 25 30
Digital Processing: System
Fig26. y [n] Fig27. y [n] Analysis and Design, 2nd
6 Edition. Cambridge University
Press, 2010.
F. 6. Programa de Matlab [3] Monson H. Hayes. Schaum´s
4
para realizar una Outline of Theory and
simulación de la Problems of Digital Signal
Processing, 2nd edition.
solución de este 2
McGraw Hill, 2011.
problema: [4] A.V. Oppenheim and R.W.
0
Shafer. Discrete-Time Signal
Processing. Prentice-Hall,
>>n_a=0:10000; 1989
x_a=3*cos(2*pi*0.0025* -2
n_a)
+7*sin(2*pi*0.00275*n_
a); -4
0 0.005 0.01 0.015 0.02 0.025
x=x_a(1:100:length(x_a)
);
y=filter([1 0 1],1,x);
n=0:100:length(n_a);
h=sinc(-10:.01:10); Fig28. y [n]
for i=1:length(n);
y_aux(i,100*i-99:100*i-
VII. CONCLUSIONES Y
100+length(h))=h*y(i);
RECOMENDACIONES
end;
y_c=sum(y_aux); En el presente laboratorio
>>y_a=y_c(1001:length( se realizó el procedimiento
y_c)-1000); de solución de cada uno de
>>figure(1); los ejercicios planteados
>> figure; mediante códigos del
>>stem(x); programa de MatLab.
>> figure; La resolución de cada
>>stem(y); enunciado se obtuvo de
>>T_a=1/400000; manera gráfica, lo cual
>>figure(2); facilitó la visualización y la
>> figure; comprensión de este tipo de
>>plot(n_a*T_a,x_a); señales y sistemas.
>> figure; Un sistema de tiempo
>>plot(n_a*T_a,y_a); discreto es aquel que procesa
una secuencia de entrada de
tiempo discreto para producir
una secuencia de salida de
tiempo discreto.