5. TRATAMIENTO DIGITAL
DE SEÑALES
Cuarta Edición
JOHN G. PROAKIS
Department of Electrical and Computer Engineering
Northeastern University
Boston, Massachusetts
DIMITRIS G. MANOLAKIS
MIT Lincoln Laboratory
Lexington, Massachusetts
Traducción
Vuelapluma
Madrid México Santa Fe de Bogotá Buenos Aires Caracas Lima
Montevideo San Juan San José Santiago São Paulo White Plains
PRINCIPIOS_PROAKIS.qxd 29/03/2007 13:26 PÆgina III
17. 1
13
3 F
Fi
il
lt
tr
ro
os
s a
ad
da
ap
pt
ta
at
ti
iv
vo
os
s .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
.7
78
85
5
13.1 Aplicaciones de los filtros adaptativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .785
13.1.1 Identificación del sistema o modelado del sistema . . . . . . . . . . . . . . . . . . . . . . . .787
13.1.2 Ecualización de canal adaptativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .787
13.1.3 Cancelación de eco en la transmisión de datos a través de canales telefónicos . .791
13.1.4 Supresión de interferencias de banda estrecha en una señal de banda ancha . . . .794
13.1.5 Mejorador de línea adaptativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .798
13.1.6 Cancelación de ruido adaptativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .799
13.1.7 Codificación lineal predictiva de señales de voz . . . . . . . . . . . . . . . . . . . . . . . . . .799
13.1.8 Matrices adaptativas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .802
13.2 Filtros FIR adaptativos en forma directa: el algoritmo LMS . . . . . . . . . . . . . . . . . . . . . . .804
13.2.1 Criterio del error cuadrático medio mínimo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .805
13.2.2 El algoritmo LMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .807
13.2.3 Algoritmos estocásticos de gradiente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .808
13.2.4 Propiedades del algoritmo LMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .810
13.3 Filtros adaptativos en la forma directa: algoritmos RLS . . . . . . . . . . . . . . . . . . . . . . . . . . .816
13.3.1 Algoritmo RLS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .816
13.3.2 Algoritmos de factorización LDU y de raíz cuadrada . . . . . . . . . . . . . . . . . . . . . .820
13.3.3 Algoritmos RLS rápidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .821
13.3.4 Propiedades de los algoritmos RLS para la forma directa . . . . . . . . . . . . . . . . . . .823
13.4 Filtros adaptativos en celosía-escalera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .825
13.4.1 Algoritmos recursivos de mínimos cuadrados en celosía-escalera . . . . . . . . . . . .825
13.4.2 Otros algoritmos en celosía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .843
13.4.3 Propiedades de los algoritmos en celosía-escalera . . . . . . . . . . . . . . . . . . . . . . . . .846
13.5 Resumen y referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .849
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .850
1
14
4 E
Es
st
ti
im
ma
ac
ci
ió
ón
n d
de
el
l e
es
sp
pe
ec
ct
tr
ro
o d
de
e p
po
ot
te
en
nc
ci
ia
a .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
.8
85
55
5
14.1 Estimación de los espectros procedentes de observaciones de duración finita de señales .855
14.1.1 Cálculo del espectro de densidad de energía . . . . . . . . . . . . . . . . . . . . . . . . . . . . .856
14.1.2 Estimación de la autocorrelación y del espectro de potencia
de señales aleatorias: el periodograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .860
14.1.3 Uso de la DFT en la estimación del espectro de potencia . . . . . . . . . . . . . . . . . . .864
14.2 Métodos no paramétricos para la estimación del espectro de potencia . . . . . . . . . . . . . . .866
14.2.1 El método de Bartlett: promediado de periodogramas . . . . . . . . . . . . . . . . . . . . . .867
14.2.2 Método de Welch: promediado de periodogramas modificados . . . . . . . . . . . . . .868
14.2.3 Método de Blackman y Tukey: suavizado del periodograma . . . . . . . . . . . . . . . .870
14.2.4 Prestaciones de los estimadores no paramétricos del espectro de potencia . . . . . .872
14.2.5 Requisitos de cálculo de los estimados no paramétricos del
espectro de potencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .875
14.3 Métodos paramétricos para la estimación del espectro de potencia . . . . . . . . . . . . . . . . . .876
14.3.1 Relaciones entre la autocorrelación y los parámetros del modelo . . . . . . . . . . . . .878
14.3.2 Método de Yule-Walker para los parámetros del modelo AR . . . . . . . . . . . . . . . .880
14.3.3 Método de Burg para los parámetros del modelo AR . . . . . . . . . . . . . . . . . . . . . .880
Contenido XV
CONTENIDO__PREFACIO_PROAKIS.qxd 13/04/2007 10:42 PÆgina XV
18. 14.3.4 Método de mínimos cuadrados no restringido para los parámetros
del modelo AR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .883
14.3.5 Métodos de estimación secuenciales para los parámetros del modelo AR . . . . . .884
14.3.6 Selección del orden del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .885
14.3.7 Modelo MA para la estimación del espectro de potencia . . . . . . . . . . . . . . . . . . .886
14.3.8 Modelo ARMA para la estimación del espectro de potencia . . . . . . . . . . . . . . . . . . . .
888
14.3.9 Resultados experimentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .889
14.4 Métodos basados en bancos de filtros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .895
14.4.1 Realización mediante banco de filtros del periodograma . . . . . . . . . . . . . . . . . . .896
14.4.2 Estimados espectrales de varianza mínima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .899
14.5 Algoritmos de autoanálisis para la estimación del espectro . . . . . . . . . . . . . . . . . . . . . . . . .902
14.5.1 Método de descomposición armónica de Pisarenko . . . . . . . . . . . . . . . . . . . . . . . .903
14.5.2 Autodescomposición de la matriz de autocorrelación para sinusoides
en ruido blanco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .905
14.5.3 Algoritmo MUSIC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .907
14.5.4 Algoritmo ESPRIT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .908
14.5.5 Criterios de selección del orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .911
14.5.6 Resultados experimentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .911
14.6 Resumen y referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .914
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .915
A
A G
Ge
en
ne
er
ra
ad
do
or
re
es
s d
de
e n
nú
úm
me
er
ro
os
s a
al
le
ea
at
to
or
ri
io
os
s .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
.9
92
25
5
B
B T
Ta
ab
bl
la
as
s d
de
e l
lo
os
s c
co
oe
ef
fi
ic
ci
ie
en
nt
te
es
s d
de
e t
tr
ra
an
ns
si
ic
ci
ió
ón
n p
pa
ar
ra
a e
el
l d
di
is
se
eñ
ño
o
d
de
e f
fi
il
lt
tr
ro
os
s F
FI
IR
R d
de
e f
fa
as
se
e l
li
in
ne
ea
al
l .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
.9
93
31
1
R
Re
ef
fe
er
re
en
nc
ci
ia
as
s y
y b
bi
ib
bl
li
io
og
gr
ra
af
fí
ía
a .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
.9
93
37
7
R
Re
es
sp
pu
ue
es
st
ta
as
s a
a l
lo
os
s p
pr
ro
ob
bl
le
em
ma
as
s s
se
el
le
ec
cc
ci
io
on
na
ad
do
os
s .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
.9
95
56
6
Í
Ín
nd
di
ic
ce
e .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
.9
96
67
7
XVI Contenido
CONTENIDO__PREFACIO_PROAKIS.qxd 13/04/2007 10:42 PÆgina XVI
19. Prefacio
El desarrollo de este libro está basado en nuestra experiencia en la impartición de cursos a estudiantes pre-
universitarios y universitarios sobre el tratamiento digital de la señal a lo largo de los últimos años. En el libro
se presentan los fundamentos de los sistemas y señales discretas en el tiempo y el procesamiento digital, así
como aplicaciones para los estudiantes de Ingeniería eléctrica, Ingeniería Informática y Ciencias de la
Computación. El libro es adecuado para cursos de uno o dos semestres de duración sobre sistemas discretos
y tratamiento digital de señales. También es adecuado para un curso sobre tratamiento digital de señales de un
semestre destinado a estudiantes universitarios de primer año.
Se supone que el estudiante ha seguido cursos sobre Cálculo avanzado (incluyendo ecuaciones diferenciales
normales) y Sistemas lineales para señales continuas en el tiempo, incluyendo una introducción a la transfor-
mada de Laplace. Aunque en el Capítulo 4 se describen las series de Fourier y las transformadas de Fourier
de señales periódicas y aperiódicas, lo mejor es que los estudiantes hayan adquirido estos conocimientos en
un curso anterior.
El libro incluye información teórica, así como aplicaciones prácticas. Se proporcionan numerosos problemas
bien diseñados, con el fin de ayudar al estudiante a dominar los temas. Hay disponible un manual de solucio-
nes que sólo los profesores pueden descargar. También en el sitio web del editor hay disponibles (en inglés)
una serie de presentaciones en Microsoft PowerPoint para los profesores.
En la cuarta edición del libro, hemos añadido un nuevo capítulo sobre filtros adaptativos. Los capítulos dedi-
cados al tratamiento de señales multitasa y al muestro y reconstrucción de señales se han modificado y actua-
lizado sustancialmente. También hemos añadido material sobre la transformada discreta del coseno.
En el Capítulo 1 se describen las operaciones implicadas en la conversión analógico-digital de señales analó-
gicas. El proceso de muestreo de una sinusoide se ha descrito en detalle, asimismo, se explica el problema del
aliasing. La cuantificación de señales y la conversión digital-analógica también se explican en términos gene-
rales, aunque el análisis se aborda en capítulos posteriores.
El Capítulo 2 está dedicado por completo a la caracterización y el análisis en el dominio del tiempo de los sis-
temas lineales discretos en el tiempo e invariantes en el tiempo (e invariantes en el desplazamiento) y de las
señales discretas en el tiempo. Se deduce la operación de convolución y los sistemas se clasifican de acuerdo
con la duración de su respuesta al impulso como FIR (finite-duration impulse response, respuesta al impulso
de duración finita) y como IIR (infinite-duration impulse response, respuesta al impulso de duración infinita).
Se presentan los sistemas invariantes en el tiempo caracterizados por ecuaciones en diferencias y se obtiene
la solución de las ecuaciones en diferencias con condiciones iniciales. El capítulo concluye con un tratamien-
to de la correlación discreta en el tiempo.
La transformada z se introduce en el Capítulo 3. Se presentan las transformadas z unilateral y bilateral, y los
métodos para determinar la transformada z inversa. Se ilustra el uso de la transformada z en el análisis de
los sistemas lineales invariantes en el tiempo e importantes propiedades de sistemas, tales como la causalidad
y la estabilidad se relacionan con las características en el dominio z.
El Capítulo 4 se ocupa del análisis de las señales en el dominio de la frecuencia. Se presentan la serie de
Fourier y la transformada de Fourier tanto para señales continuas en el tiempo como discretas en el tiempo.
En el Capítulo 5, se caracterizan los sistemas discretos LTI (linear time-invariant, lineal invariante en el tiem-
po) en el dominio de la frecuencia mediante su respuesta en frecuencia y se determina su respuesta a señales
periódicas y aperiódicas. Se describen una serie de sistemas discretos en el tiempo, entre los que se incluyen
resonadores, filtros de hendidura, filtros paso todo y osciladores. También se considera el diseño de una serie
de filtros FIR e IIR simples. Además, se hace una introducción a los conceptos de sistemas de fase mínima,
fase mixta y fase máxima, y al problema de la deconvolución.
CONTENIDO__PREFACIO_PROAKIS.qxd 13/04/2007 10:42 PÆgina XVII
20. En el Capítulo 6 se hace un estudio del muestreo de señales continuas en el tiempo y la reconstrucción de
señales a partir de sus muestras. Se cubre el muestreo y reconstrucción de señales paso banda, el muestreo
de señales discretas en el tiempo y la conversión A/D y D/A. El capítulo concluye con los convertidores A/D
y D/A con sobremuestreo.
La DFT, sus propiedades y aplicaciones, son los temas que se tratan en el Capítulo 7. Se describen dos méto-
dos para utilizar la DFT en los procesos de filtrado lineal. También se describe el uso de la DFT para llevar a
cabo el análisis en frecuencia. El último tema que se aborda en este capítulo es la transformada discreta del
coseno.
El Capítulo 8 trata el cálculo efectivo de la DFT. En este capítulo se incluyen descripciones de los algoritmos
FFT (fast Fourier transform, transformada rápida de Fourier) en base 2, base 4 y de base dividida, y las apli-
caciones de los algoritmos FFT al cálculo de la convolución y la correlación. Se presentan el algoritmo de
Goertzel y la transformada chirp-z como dos métodos de cálculo de la DFT utilizando filtrado lineal.
El Capítulo 9 se ocupa de la realización de los sistemas IIR yFIR. Se abordan las realizaciones en la forma
directa, en cascada, paralelo, en celosía y en celosía-escalera. El capítulo también examina los efectos de
cuantificación sobre una implementación digital de sistemas FIR e IIR.
En el Capítulo 10 se presentan técnicas para el diseño de filtros digitales FIR e IIR. Las técnicas de diseño
incluyen tanto métodos directos en tiempo discreto como métodos que implican la conversión de filtros ana-
lógicos en filtros digitales mediante varias transformaciones.
El Capítulo 11 se ocupa de la conversión de la frecuencia de muestreo y sus aplicaciones al tratamiento
multitasa digital de señales. Además de describir el diezmado y la interpolación por un entero y por factores
racionales, se presentan métodos para la conversión de la frecuencia de muestreo por un factor arbitrario e
implementaciones mediante estructuras de filtros polifásicos. Este capítulo también se ocupa de los bancos de
filtros digitales, los filtros QMF (quadrature mirror filters, filtros espejo en cuadratura) de dos canales y los
bancos QMF de M canales.
Los filtros de predicción lineal y de Wiener se tratan en el Capítulo 12. En este mismo capítulo también se
incluyen descripciones del algoritmo de Levinson-Durbin y del algoritmo de Schur para resolver ecuaciones
normales, así como los filtros AR en celosía y ARMA en celosía-escalera.
El Capítulo 13 se ocupa de los filtros adaptativos de un único canal basados en el algoritmo LMS y en los
algoritmos recursivos de mínimos cuadrados RLS (recursive least squares). Se describen los algoritmos FIR
en la forma directa y RLS en celosía para las estructuras de los filtros.
El tema principal del Capítulo 14 es la estimación del espectro de potencia. La exposición cubre una descrip-
ción de los métodos no paramétricos y basados en modelos (paramétricos). También se describen los méto-
dos basados en la auto-descomposición, incluyendo MUSIC y ESPRIT.
En un curso avanzado de un semestre para estudiantes con conocimientos previos sobre sistemas discretos
pueden utilizarse los Capítulos 1 hasta 5 para realizar un rápido repaso y luego continuar con los Capítulos 6
hasta 10.
En un primer curso universitario sobre tratamiento digital de la señal, los primeros seis capítulos proporcio-
narán al estudiante un buen repaso sobre los sistemas discretos. El profesor puede ver rápidamente estos temas
y luego ver en detalle los Capítulos 7 hasta 11, para seguir con temas seleccionados de los Capítulos 12
hasta 14.
Se incluyen muchos ejemplos a lo largo del libro y aproximadamente 500 problemas que el estudiante puede
realizar en casa. Al final del libro se incluyen las respuestas a problemas seleccionados. Muchos de los pro-
blemas pueden resolverse numéricamente utilizando una computadora, con un paquete software como por
ejemplo MATLAB®. Hay disponible también (en inglés) un manual del estudiante: Student Manual for Digital
Signal Processing with MATLAB®.
MATLAB se incluye como herramienta software básica para este manual. El profesor puede considerar
también utilizar otros libros complementarios que contengan ejercicios basados en computadora, como por
ejemplo, Computer-Based Exercises for Signal Processing Using MATLAB (Prentice Hall, 1994) de C. S.
Burrus et al.
XVIII Prefacio
CONTENIDO__PREFACIO_PROAKIS.qxd 13/04/2007 10:42 PÆgina XVIII
21. Los autores están en deuda con los colegas que les han proporcionado valiosas sugerencias después de haber
revisado las ediciones anteriores de este libro. Entre ellos queremos mencionar a W. E. Alexander, G. Arslan,
Y. Bresler, J. 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.
También quieren expresar su agradecimiento a R. Price por su recomendación de incluir los algoritmos FFT
de base dividida y otras sugerencias relacionadas. Por último, deseamos expresar nuestro reconocimiento a
muchos estudiantes licenciados por sus sugerencias y comentarios, en especial a A. L. Kok, J. Lin, E. Sozer
y S. Srinidhi, que ayudaron en la preparación de diversas ilustraciones y del manual de soluciones.
John G. Proakis
Dimitris G. Manolakis
Prefacio XIX
CONTENIDO__PREFACIO_PROAKIS.qxd 13/04/2007 10:42 PÆgina XIX
23. i i
i i
1
Introducción
El tratamiento digital de señales es un área de la ciencia y la ingeniería que se ha desarrollado muy rápidamente
a lo largo de los últimos cuarenta años. Este rápido desarrollo es el resultado de los importantes avances tanto
en la tecnología digital en el campo de la informática como en la fabricación de los circuitos integrados. Las
computadoras digitales y el hardware digital asociado de hace cuatro décadas eran de tamaño relativamente
grande, además de muy caros y, en consecuencia, su uso estaba limitado a las aplicaciones de propósito general
en tiempo no real (fuera de línea) científicos y comerciales. El rápido desarrollo de la tecnología de circuitos
integrados, empezando con la integración a media escala (MSI, medium-scale integration), continuando con
la integración a gran escala (LSI, large-scale integration), y actualmente con la integración a muy gran escala
(VLSI, very-large-scale integration) de los circuitos electrónicos ha estimulado el desarrollo de computadoras
digitales y hardware digital de propósito especial más potente, de menor tamaño, más rápido y menos costoso.
Estos circuitos digitales baratos y relativamente rápidos han hecho posible la construcción de sistemas digita-
les altamente sofisticados capaces de llevar a cabo tareas y funciones de tratamiento de señales digitales, que
normalmente son bastante complejas y/o caras de implementar mediante circuitería analógica o sistemas de
tratamiento de señales analógicas. En consecuencia, muchas de las tareas de tratamiento de señales que con-
vencionalmente se realizaban por medios analógicos, actualmente se llevan a cabo empleando hardware digital
que es más barato y a menudo más fiable.
No queremos dar a entender que el tratamiento digital de señales es la solución adecuada para todos los
problemas de tratamiento de señales. Así, en el caso de muchas señales con anchos de banda muy grandes, el
tratamiento en tiempo real es un requisito. Para dichas señales, el procesamiento analógico, o quizá óptimo sea
la única solución posible. Sin embargo, siempre que se disponga de circuitos digitales y se tenga la velocidad
suficiente como para utilizar el tratamiento digital, será preferible emplear dichos circuitos.
Los sistemas digitales no sólo proporcionan sistemas de tratamiento de señales más baratos y fiables,
sino que presentan también otras ventajas. En particular, el hardware de procesamiento digital permite realizar
operaciones programables.Mediante software, es más fácil modificar las funciones de procesamiento de señales
que mediante hardware. Por tanto, el hardware digital y el software asociado proporcionan un mayor grado de
flexibilidad al diseño del sistema. Además, generalmente, se consigue un mayor grado de precisión con el
hardware y el software digital que con los circuitos y sistemas de procesamiento de señales analógicos. Por
todas estas razones, en las tres últimas décadas se ha producido un crecimiento explosivo en la teoría del
tratamiento digital de señales y sus aplicaciones.
El objetivo de este libro es presentar una introducción a las técnicas y herramientas de análisis básicas para
el tratamiento digital de señales. Comenzaremos presentando la terminología que es imprescindible conocer
y describiendo las operaciones asociadas con el proceso de convertir una señal analógica a un formato digital
24. i i
i i
2 Tratamiento digital de señales
adecuado para su procesamiento. También veremos que el procesamiento digital de señales analógicas tiene
sus inconvenientes. El primero y más importante es que la conversión de una señal analógica a formato digital
implica muestrear la señal y cuantificar las muestras, lo que produce una distorsión que nos impide reconstruir la
señal analógica original a partir de las muestras cuantificadas. Esta distorsión puede controlarse seleccionando
la adecuada tasa de muestreo y la precisión del proceso de cuantificación. En segundo lugar, hay que tener en
cuenta los efectos debidos a la precisión finita en el procesamiento digital de las muestras cuantificadas. Aunque
estas importantes cuestiones se abordan con cierto detalle en el libro, el énfasis se ha puesto en el análisis y el
diseño de los sistemas de tratamiento de señales y en las técnicas de cálculo.
1.1 Señales, sistemas y tratamiento de señales
Una señal se define como cualquier magnitud física que varía con el tiempo, el espacio o cualquier otra variable
o variables independientes. Matemáticamente, describimos una señal como una función de una o más variables
independientes. Por ejemplo, las funciones
s1(t) = 5t
s2(t) = 20t2
(1.1.1)
describen dos señales, una que varía linealmente con la variable independiente t (tiempo) y una segunda que
varía cuadráticamente con t. Veamos otro ejemplo, considere la función
s(x,y) = 3x+2xy+10y2
(1.1.2)
Esta función describe una señal de dos variables independientes x e y que podrían representar las dos
coordenadas espaciales de un plano.
Las señales descritas por las Ecuaciones (1.1.1) y (1.1.2) pertenecen a una clase de señales que se definen de
forma precisa especificando la dependencia funcional de la variable independiente. Sin embargo, existen casos
en los que tal relación funcional es desconocida o extremadamente compleja como para tener ninguna utilidad
práctica.
Por ejemplo, una señal de voz (véase la Figura 1.1.1) no se puede describir funcionalmente mediante
expresiones como la Ecuación (1.1.1). En general, un segmento de voz se puede representar con un alto grado
de precisión como la suma de varias señales sinusoidales de diferentes amplitudes y frecuencias, es decir, como
N
∑
i=1
Ai(t)sen[2πFi(t)t +θi(t)] (1.1.3)
Figura 1.1.1. Ejemplo de una señal de voz.
25. i i
i i
Capítulo 1 Introducción 3
donde {Ai(t)}, {Fi(t)} y {θi(t)} son los conjuntos de amplitudes, frecuencias y fases (posiblemente variables
con el tiempo), respectivamente, de las señales sinusoidales. De hecho, una forma de interpretar la información
o el mensaje enviado en un corto segmento de tiempo de la señal de voz consiste en medir las amplitudes,
frecuencias y fases contenidas en dicho segmento de la señal.
Otro ejemplo de señal natural es la de un electrocardiograma (ECG). Una señal de este tipo proporciona
a un médico información sobre el estado del corazón de un paciente. De la misma manera, la señal de un
electroencefalograma (EEG) proporciona información sobre la actividad del cerebro.
Las señales de voz, de un electrocardiograma y de un electroencefalograma son ejemplos de señales que
contienen información y que varían como funciones de una sola variable independiente que, normalmente, es el
tiempo. Un ejemplo de una señal que es una función de dos variables independientes es una señal de imagen. Las
variables independientes en este caso son las coordenadas espaciales. Se trata tan sólo de unos pocos ejemplos
de las innumerables señales naturales que pueden encontrarse en el mundo real.
Asociados a las señales naturales se encuentran los medios con los que se generan. Porejemplo,las señales de
voz se generan al pasar el aire a través de las cuerdas vocales. Las imágenes se obtienen mediante la exposición
de una película fotográfica ante una escena u objeto. Por tanto, normalmente la generación de señales está
asociada con un sistema que responde a un estímulo o fuerza. En una señal de voz, el sistema está formado por
las cuerdas vocales y el tracto bucal, también conocido como cavidad bucal. El estímulo en combinación con el
sistema es lo que se denomina fuente de señal. Por tanto, existen fuentes de voz, fuentes de imágenes y muchos
otros tipos de fuentes de señal.
Un sistema también se puede definir como un dispositivo físico que realiza una operación sobre una señal.
Por ejemplo, un filtro utilizado para reducir el ruido y las interferencias que distorsionan una señal deseada que
transporta información es un sistema. En este caso, el filtro realiza ciertas operaciones sobre la señal, que tienen
el efecto de reducir (filtrar) el ruido y las interferencias de la señal de información deseada.
Cuando pasamos una señal a través de un sistema, como en el caso del filtro, decimos que hemos procesado
o tratado la señal. En este caso, el procesamiento de la señal implica filtrar el ruido y las interferencias de la señal
deseada. En general, el sistema se caracteriza por el tipo de operación que realiza sobre la señal. Por ejemplo,
si la operación es lineal, el sistema es lineal. Si la operación que se realiza sobre la señal no es lineal, se dice
que el sistema es no lineal, etc. Tales operaciones suelen referirse como tratamiento de la señal.
Para nuestros propósitos, es convenienteampliar la definición de sistema para incluir no sólo los dispositivos
físicos, sino también la implementación software de operaciones sobre una señal. En el procesamiento digital
de señales de una computadora digital, las operaciones efectuadas sobre una señal consisten en una serie de
operaciones matemáticas especificadas por un programa de software. En este caso, el programa representa una
implementación del sistema por software. Luego tenemos un sistema que se implementa sobre una computadora
digital por medio de una secuencia de operaciones matemáticas; es decir, tenemos un sistema de procesamiento
digital de señales implementado por software. Por ejemplo, una computadora digital puede programarse para
llevar a cabo un filtrado digital. Alternativamente, el tratamiento digital de señales se puede realizar mediante
hardware digital (circuitos lógicos) configurado para realizar las operaciones especificadas. En una implemen-
tación de este tipo, tendremos entonces un dispositivo físico que realizará las operaciones especificadas. En un
sentido amplio, un sistema digital puede implementarse como una combinación de hardware y software digital,
realizando cada uno de ellos su propio conjunto de operaciones especificadas.
Este libro aborda el tratamiento de señales por medios digitales, tanto software como hardware. Dado que
muchas de las señales que se encuentran en el mundo real son analógicas,también vamos aconsiderarel problema
de convertir una señal analógica en una señal digital con el fin de poder procesarla. Las operaciones que lleve
a cabo un sistema así podrán normalmente especificarse en forma matemática. El método o conjunto de reglas
para implementar el sistema mediante un programa que realice las operaciones matemáticas correspondientes
se denomina algoritmo. Por lo general, hay disponibles muchas formas o algoritmos mediante los que se puede
implementar un sistema, bien por software o por hardware, para realizar las operaciones y cálculos deseados. En
la práctica, estaremos interesados en aquellos algoritmos que sean eficientes y rápidos en lo que respecta a los
cálculos, y también sean fáciles de implementar. Por tanto, un tema importante en el estudio del procesamiento
26. i i
i i
4 Tratamiento digital de señales
Señal
analógica
de entrada
Señal
analógica
de salida
Procesador
de señales
analógicas
Figura 1.1.2. Tratamiento de una señal analógica.
digital de la señal es el empleo de algoritmos eficientes para realizar operaciones como el filtrado, la correlación
o el análisis de espectros.
1.1.1 Elementos básicos de un sistema de tratamiento digital de señales
La mayor parte de las señales con las que se trabaja en los distintos campos de la ciencia y la ingeniería son
analógicas por naturaleza. Es decir, las señales son funciones de una variable continua, como por ejemplo,
el tiempo o el espacio, y normalmente toman valores en un rango continuo. Tales señales pueden procesarse
directamente mediante sistemas analógicos apropiados (como filtros, analizadores de frecuencias o multiplica-
dores de frecuencia), con el fin de cambiar sus características o de extraer la información deseada. En tal caso,
podemos decir que la señal se ha procesado de forma directa en su forma analógica, como se ilustra en la Figura
1.1.2. Tanto la señal de entrada como la señal de salida son analógicas.
El tratamiento digital de señales proporciona un método alternativo de procesar una señal analógica, como
se ilustra en la Figura 1.1.3. Para poder realizar un tratamiento digital, es necesario disponer de una interfaz
entre la señal analógica y el procesador digital. Esta interfaz se denomina convertidor analógico-digital (A/D).
La salida del convertidor A/D es una señal digital que es adecuada como entrada del procesador digital.
El procesador digital de señales puede ser una computadora digital programable grande o un pequeño
microprocesador programado para realizar las operaciones deseadas sobre la señal de entrada. También puede
ser un procesador digital cableado configurado para realizar un conjunto de operaciones especificado sobre la
señal de entrada. Las máquinas programables proporcionan la flexibilidad de poder cambiar las operaciones de
procesamiento de la señal mediante una modificación del software, mientras que las máquinas cableadas son
difíciles de reconfigurar. En consecuencia, los procesadores de señal programables son de uso muy común. Por
el contrario, cuando las operaciones de tratamiento están bien definidas, una implementación cableada de las
operaciones puede optimizarse, dando lugar a un procesador de señales más económico y que normalmente
trabaja más rápido que su contrapartida programable. En aplicaciones en las que la salida digital del procesador
digital de señal tenga que entregarse al usuario en formato analógico, como por ejemplo en los sistemas de
comunicación por voz, tendremos que proporcionar otra interfaz entre el dominio digital y el analógico. Una
interfaz así es un convertidor digital-analógico (D/A). De este modo, la señal que se proporciona al usuario
está en forma analógica, como ilustra el diagrama de bloques de la Figura 1.1.3. Sin embargo, existen otras
aplicaciones prácticas que implican el análisis de la señal, en las que la información 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 señales de radar, la información extraida de la señal de radar, como por ejemplo la posición de un
Señal
analógica
de entrada
Convertidor
A/D
Convertidor
D/A
Señal
analógica
de salida
Procesador
de señales
digitales
Señal
digital
de entrada
Señal
digital
de salida
Figura 1.1.3. Diagrama de bloques de un sistema de tratamiento digital de señales.
27. i i
i i
Capítulo 1 Introducción 5
avión y su velocidad, puede simplemente imprimirse en un papel. En este caso, no hay necesidad de utilizar un
convertidor D/A.
1.1.2 Ventajas del tratamiento digital de señales sobre el analógico
Como hemos mencionado anteriormente, existen muchas razones por las que el tratamiento digital de señales
analógicas es preferible a procesar dichas señales analógicas directamente en el dominio analógico. En primer
lugar, un sistema digital programable proporciona la flexibilidad de reconfigurar las operaciones del tratamiento
digital de la señal simplemente modificando el programa. Sin embargo, normalmente, la reconfiguración de un
sistema analógico implica un rediseño del hardware seguido de los procesos de realización de pruebas y de
verificación que permiten comprobar que todo funciona correctamente.
También, las consideraciones de precisión desempeñan un papel importante en la determinación de la forma
del procesador de señales. Las tolerancias de los componentes de los circuitos analógicos hacen extremada-
mente difícil que el diseñador del sistema pueda controlar la precisión de un sistema de tratamiento de señales
analógicas. Por el contrario, un sistema digital proporciona un control mucho mejor en lo que respecta a los
requisitos de precisión. Tales requisitos, a su vez, exigen especificar los requisitos de precisión del convertidor
A/D y del procesador digital de señales, en términos de longitud de palabra, artimética en coma flotante o coma
fija, y factores similares.
La señales digitales se almacenan fácilmente en soportes magnéticos (cinta o disco) sin deteriorarse o
perder fidelidad, aparte de la introducida por la conversión A/D. Como consecuencia, las señales se hacen
transportables y pueden procesarse en tiempo no real en un laboratorio remoto. El tratamiento digital de señales
también permite la implementación de algoritmos de tratamiento de señales más sofisticados. Normalmente, es
muy difícil efectuar operaciones matemáticas precisas sobre señales analógicas, pero esas mismas operaciones
pueden implementarse de forma rutinaria en una computadora digital mediante software.
En algunos casos, una implementación digital del sistema de procesamiento de señales es más barata que
su contrapartida analógica. Este menor coste puede deberse al hecho de que el hardware digital es más barato o,
quizás, es el resultado de la flexibilidad de poder realizar modificaciones proporcionada por la implementación
digital.
Como consecuenciadeestasventajas,elprocesamiento digitaldeseñalessehaaplicadoensistemasprácticos
cubriendo un amplio rango de disciplinas. Por ejemplo, podemos citar la aplicación de técnicas de tratamiento
digital de señales en el procesamiento de voz y la transmisión de señales a través de canales telefónicos, en
el procesamiento y transmisión de imágenes, en los campos de la sismología y la geofísica, en la prospección
petrolífera, en la detección de explosiones nucleares, en el tratamiento de señales recibidas del espacio exterior
y en muchas otras aplicaciones. Algunas de estas aplicaciones las comentaremos en los capítulos siguientes.
Sin embargo, como ya hemos mencionado, la implementación digital también tiene sus limitaciones. Una
limitación práctica es la velocidad de operación de los convertidores A/D y de los procesadores digitales de
señales. Veremos que las señales que tienen anchos de banda extremadamente grandes requieren convertidores
A/D con una muy alta velocidad de muestreo y procesadores digitales de señales rápidos. Así, existen señales
analógicas con anchos de banda grandes para las que la solución que proporciona el tratamiento digital se
encuentra más allá del estado del arte del hardware digital.
1.2 Clasificación de las señales
Los métodos que utilicemos para procesar una señal o para analizar la respuesta de un sistema dependerán
enormemente de los atributos caraterísticos de la señal especificada. Existen técnicas que sólo se aplican a
familias específicas de señales. En consecuencia, cualquier investigación que hagamos sobre el procesamiento
de señales deberá comenzar por la clasificación de las señales implicadas en la aplicación concreta.
29. i i
i i
Capítulo 1 Introducción 7
I(x1, y1)
x1
0
x
y1
y
Figura 1.2.2. Ejemplo de una señal bidimensional.
tipos básicos de ondas elásticas. Las ondas primarias (P) y las ondas secundarias (S) se propagan dentro del
cuerpo de la roca y son longitudinales y transversales, respectivamente. El tercer tipo de onda elástica recibe el
nombre de onda superficial, porque se propaga cerca de la superficie de la Tierra. Si sk(t), k = 1, 2, 3, denota
la señal eléctrica procedente del sensor k como una función del tiempo, el conjunto de p = 3 señales se puede
representar mediante un vector S3(t), donde
S3(t) =
s1(t)
s2(t)
s3(t)
Decimos que un vector de señales así es una señal multicanal. Por ejemplo, en electrocardiografía, se utilizan
electrocardiogramas (ECG) de 3 tomas y de 12 tomas, que generan señales de 3 y 12 canales.
Fijémonos ahora en las variables independientes. Si la señal es una función de una sola variable indepen-
diente, se dice que la señal es unidimensional. Por otro lado, se dice que una señal es M-dimensional si su valor
es una función de M variables independientes.
La imagen de la Figura 1.2.2 es un ejemplo de una señal bidimensional, dado que la intensidad o brilloI(x,y)
en cada punto es una función de dos variables independientes. Por otra parte, una imagen de televisión en blanco
y negro puede representarse como I(x,y,t), puesto que el brillo es una función del tiempo. Por tanto, la imagen
de TV puede tratarse como una señal tridimensional. En cambio, una imagen de TV en color puede escribirse
mediante tres funciones de intensidad de la forma Ir(x,y,t), Ig(x,y,t) e Ib(x,y,t), las cuales se corresponden 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 señal tridimensional de tres canales, que puede representarse mediante el vector:
I(x,y,t) =
Ir(x,y,t)
Ig(x,y,t)
Ib(x,y,t)
En este libro vamos a tratar fundamentalmente con señales unidimensionales de un solo canal, reales o
complejas, y vamos a referirnos a ellas simplemente como señales. En términos matemáticos, estas señales se
30. i i
i i
8 Tratamiento digital de señales
describen mediante una función de un sola variable independiente. Aunque la variable independiente no tiene
por qué ser necesariamente el tiempo, es costumbre emplear t como la variable independiente. En muchos
casos, las operaciones y algoritmos para el procesamiento de señales desarrollados en el texto para señales
unidimensionales de un sólo canal pueden extenderse a señales multidimensionales y multicanal.
1.2.2 Señales continuas y discretas en el dominio del tiempo
Las señales se pueden clasificar en cuatro categorías diferentes dependiendo de las características de la variable
independiente tiempo y de los valores que éstas tomen. Las señales continuas en el tiempo o señales analógicas
están definidas para cada instante de tiempo y toman sus valores en el intervalo continuo (a,b), donde a puede
ser −∞ y b puede ser ∞. Matemáticamente, estas señales pueden describirse mediante funciones de una variable
continua. La onda de voz mostrada en la Figura 1.1.1 y las señales x1(t) = cosπt, x2(t) = e−|t|, −∞ < t < ∞
son ejemplos de señales analógicas. Las señales discretas en el tiempo sólo están definidas en determinados
instantes específicos de tiempo. Dichos instantes de tiempono tienenque serequidistantes, aunque,enla práctica,
normalmente están igualmente espaciados para facilitar los cálculos. La señal x(tn) = e−|tn|, n = 0, ±1, ±2,...
es un ejemplo de una señal discreta en el tiempo. Si utilizamos el índice n para los instantes de tiempo discretos
como la variable independiente, el valor de la señal será una función de una variable entera (es decir, será
una secuencia de números). Por tanto, una señal discreta en el tiempo se puede representar matemáticamente
mediante una secuencia de números reales o complejos. Con el fin de resaltar la naturaleza discreta de una
señal, denotaremos dicha señal como x(n) en lugar de como x(t). Si los instantes de tiempo tn están igualmente
espaciados (es decir, tn = nT), también se utiliza la notación x(nT). Por ejemplo, la secuencia
x(n) =
0.8n, si n ≥ 0
0, en otro caso
(1.2.1)
es una señal discreta en el tiempo, que se ha representado gráficamente en la Figura 1.2.3.
En la práctica, las señales discretas en el tiempo pueden originarse de dos formas:
1. Seleccionando valores de una señal analógica en instantes discretos de tiempo. Este proceso se denomina
muestreo y se estudia más en detalle en la Sección 1.4. Todos los instrumentos de medida que realizan
medidas a intervalos de tiempo regulares proporcionan señales discretas en el tiempo. Por ejemplo, la
señal x(n) de la Figura 1.2.3 puede obtenerse muestreando la señal analógica x(t) = 0.8t, t ≥ 0 y x(t) = 0,
t 0 una vez por segundo.
2. Acumulando una variable en un período de tiempo. Por ejemplo, el número de coches que pasan por una
calle determinada en una hora o el valor del oro diario, dan lugar a señales discretas en el tiempo. La
Figura 1.2.4 muestra una gráfica del número de manchas solares de Wölfer. Cada muestra de la señal
discreta en el tiempo proporciona el número de manchas observadas durante un intervalo de 1 año.
0
−1
1
x(n)
1 2 3 4 5 6 7 n
…
…
Figura 1.2.3. Representación gráfica de la señal discreta en el tiempo x(n) = 0.8n para n 0 y x(n) = 0 para
n 0.
31. i i
i i
Capítulo 1 Introducción 9
1770
0
100
200
1790 1810 1830 1850 1870
Número
de
manchas
solares
Año
Figura 1.2.4. Número de manchas solares de Wölfer (1770–1869).
1.2.3 Señales continuas y señales discretas
Los valores de una señal continua o discreta en el dominio del tiempo pueden ser continuos o discretos. Si
una señal toma todos los valores posibles en un rango finito o infinito, se dice que es una señal continua.
Alternativamente, si la señal toma valores dentro un conjunto finito de posibles valores, se dice que la señal es
discreta. Normalmente, estos valores son equidistantes y, por tanto, pueden expresarse como un múltiplo entero
de la distancia entre dos valores sucesivos. Una señal discreta en el tiempo que tiene un conjunto de valores
discretos es una señal digital. La Figura 1.2.5 muestra una señal digital que toma uno de cuatro valores posibles.
Para que una señal pueda ser procesada digitalmente, debe ser discreta en el tiempo y sus valores tienen que
ser discretos (es decir, tiene que ser una señal digital). Si la señal que se va a procesar es una señal analógica,
se convierte en una señal digital muestreándola en instantes discretos de tiempo, obteniéndose así una señal
discreta en el tiempo, y cuantificando a continuación sus valores en un conjunto de valores discretos, como
se describe más adelante en el capítulo. El proceso de conversión de una señal continua en una señal discreta
se denomina cuantificación, y es básicamente un proceso de aproximación. Puede realizarse de forma simple
mediante redondeo o truncamiento. Por ejemplo, si los valores permitidos de la señal digital son enteros, como
por ejemplo, de 0 hasta 15, la señal de valores continuos se cuantifica empleando esos valores enteros. Por tanto,
el valor de la señal 8.58 se aproximaráal valor 8 si el proceso de cuantificación se realiza mediante truncamiento,
o a 9 si el proceso de cuantificación se realiza por redondeo al entero más próximo. Más adelante en el capítulo
se proporciona una explicación más detallada del proceso de conversión analógico-digital.
1.2.4 Señales deterministas y señales aleatorias
El procesamiento y análisis matemático de señales requiere disponer de una descripción matemática para la
propia señal. Esta descripción matemática, a menudo denominada modelo de señal, lleva a otra importante
clasificación de las señales. Cualquier señal que se pueda describir unívocamente mediante una expresión
matemática explícita, una tabla de datos o una regla bien definida se dice que es determinista. Este término se
emplea para destacar el hecho de que todos los valores pasados, presentes y futuros de la señal se conocen de
forma precisa, sin incertidumbre.
32. i i
i i
10 Tratamiento digital de señales
−1 0 1 2 3 4 5 6 7 8 n
x(n)
… …
Figura 1.2.5. Señal digital con cuatro valores de amplitud diferentes.
Sin embargo, en muchas aplicaciones prácticas, existen señales que o no se pueden describir con un grado
razonable de precisión mediante fórmulas matemáticas o una descripción resulta demasiado compleja como
para resultar práctica. La falta de una relación de este tipo implica que dichas señales evolucionan en el tiempo
de manera no predecible. Decimos que este tipo de señales son aleatorias. La salida de un generador de ruido,
la señal sísmica de la Figura 1.2.1 y la señal de voz de la Figura 1.1.1 son ejemplos de señales aleatorias.
El marco de trabajo matemático para llevar a cabo el análisis teórico de las señales aleatorias lo proporciona
la teoría de la probabilidad y los procesos estocásticos. En la Sección 12.1 se presentan algunos de los elementos
básicos de este enfoque adaptados a las necesidades del libro.
Debemos insistir en que la clasificación de una señal real como determinista o aleatoria no siempre es clara.
En ocasiones, ambos enfoques llevan a resultados significativos que ayudan a clarificar el comportamiento de la
señal. En otros casos, una clasificación errónea puede llevar a resultados erróneos, ya que algunas herramientas
matemáticas sólo pueden aplicarse a señales deterministas mientras que otras sólo pueden aplicarse a señales
aleatorias. Verá esto más claramente cuando examinemos herramientas matemáticas específicas.
1.3 Concepto de frecuencia en señales continuas
y discretas en el tiempo
El concepto de frecuencia ya será familiar a los estudiantes de ingeniería y ciencias. Este concepto es básico,
por ejemplo, en el diseño de un receptor de radio, de un sistema de alta fidelidad o de un filtro espectral
para fotografías en color. De la Física, sabemos que la frecuencia está estrechamente relacionada con un tipo
específico de movimiento periódico denominado movimiento oscilatorio armónico, que se describe mediante
funciones sinusoidales. El concepto de frecuencia está directamente relacionado con el concepto de tiempo, y
su dimensión es la inversa de la del tiempo. En consecuencia, la naturaleza del tiempo (continuo o discreto)
afectará a la naturaleza de la frecuencia.
1.3.1 Señales sinusoidales continuas en el tiempo
Una oscilación armónica simple se describe matemáticamente mediante la siguiente señal sinusoidal continua
en el tiempo:
xa(t) = Acos(Ωt + θ), −∞ t ∞ (1.3.1)
que se muestra en la Figura 1.3.1. El subíndice a utilizado con x(t) indica que se trata de una señal analógica.
Esta señal queda completamente caracterizada mediante los tres parámetros siguientes: A, que es la amplitud
de la sinusoide, Ω, que es la frecuencia en radianes por segundo (rad/s) y θ, que es la fase en radianes. En lugar
de Ω, a menudo utilizaremos la frecuencia F medida en ciclos por segundo o hercios (Hz), donde
Ω = 2πF (1.3.2)
33. i i
i i
Capítulo 1 Introducción 11
xa(t) = A cos(2Ft + θ)
0
A
A cos θ
t
Tp = 1/F
Figura 1.3.1. Ejemplo de una señal sinusoidal analógica.
En función de F, podemos escribir la expresión (1.3.1) como sigue
xa(t) = Acos(2πFt +θ), −∞ t ∞ (1.3.3)
Utilizaremos ambas formas, (1.3.1) y (1.3.3), para representar señales sinusoidales.
La señal sinusoidal analógica descrita por (1.3.3) queda caracterizada por las siguientes propiedades:
A1. Para todo valor fijo de la frecuencia F, xa(t) es periódica. En efecto, se puede demostrar fácilmente,
utilizando trigonometría elemental, que
xa(t +Tp) = xa(t)
donde Tp = 1/F es el período fundamental de la señal sinusoidal.
A2. Señales sinusoidales continuas en el tiempo con diferentes frecuencias son diferentes.
A3. Un incremento de la frecuencia F da lugar a un incremento de la velocidad de oscilación de la señal, en
el sentido de que se incluyen más períodos en un intervalo de tiempo dado.
Observe que para F = 0, el valor Tp = ∞ es coherente con la relación fundamental F = 1/Tp. Debido a la
continuidad de la variable tiempo t, podemos aumentar la frecuencia F, sin límite, con el consiguiente aumento
en la velocidad de oscilación.
La relación que hemos descrito para las señales sinusoidales es aplicacble a la clase de señales exponenciales
complejas
xa(t) = Aej(Ωt+θ)
(1.3.4)
Esto puede verse fácilmente expresando estas señales en función de señales sinusoidales aplicando la identidad
de Euler
e±jφ
= cosφ ± jsinφ (1.3.5)
Por definición, la frecuencia es una magnitud física inheremente positiva. Esto resulta obvio si interpretamos
la frecuencia como el número de ciclos por unidad de tiempo de una señal periódica. Sin embargo, en muchos
casos, y únicamente por conveniencia matemática, tendremos que emplear frecuencias negativas. Recordemos
que la señal sinusoidal (1.3.1) se puede expresar de la forma siguiente:
xa(t) = Acos(Ωt + θ) =
A
2
ej(Ωt+θ)
+
A
2
e−j(Ωt+θ)
(1.3.6)
que se deduce de (1.3.5). Observe que se puede obtener una señal sinusoidal sumando dos señales exponenciales
complejas conjugadas de la misma amplitud, las cuales en ocasiones se denominan fasores, como se muestra
34. i i
i i
12 Tratamiento digital de señales
t + θ
t + θ
A/2
A/2
Re
Im
Figura 1.3.2. Representación de una función coseno mediante dos señales exponenciales complejas conjugadas
(fasores).
en la Figura 1.3.2. A medida que transcurre el tiempo, los fasores giran en direcciones opuestas con frecuencias
angulares de ±Ω radianes por segundo. Dado que una frecuencia positiva se corresponde con un movimiento
angular uniforme en sentido antihorario, una frecuencia negativa se corresponderá con un movimiento angular
en sentido horario.
Por comodidad para la realización de los cálculos matemáticos, utilizaremos tanto frecuencias negativas
como positivas a lo largo del libro. Portanto, elrango de frecuencias para las señales sinusoidales es −∞ F ∞.
1.3.2 Señales sinusoidales discretas en el tiempo
Una señal sinusoidal discreta en el tiempo puede expresarse como sigue
x(n) = Acos(ωn+ θ), −∞ n ∞ (1.3.7)
donde n es una variable entera, que se denomina número de muestra, A es la amplitud de la sinusoide, ω es la
frecuencia en radianes por muestra y θ es la fase en radianes.
Si en lugar de ω utilizamos la variable frecuencia f definida por
ω ≡ 2π f (1.3.8)
la relación (1.3.7) se convierte en
x(n) = Acos(2π fn+θ), −∞ n ∞ (1.3.9)
La frecuencia f tiene dimensiones de ciclos por muestra. En la Sección 1.4, donde hemos visto el muestreo de
sinusoides analógicas, relacionamos la frecuencia f de una sinusoide discreta en el tiempo con la frecuencia
F en ciclos por segundo de una sinusoide analógica. Por el momento, consideremos la sinusoide discreta en el
dominio del tiempo dada por (1.3.7), independientementede la sinusoide continua en el tiempo dada por (1.3.1).
La Figura 1.3.3 muestra una sinusoide de frecuencia ω = π/6 radianes por muestra (f = 1
12 ciclos por muestra)
y una fase θ = π/3.
En comparación con las señales sinusoidales continuas en el tiempo, la señales sinusoidales discretas en el
tiempo se caracterizan por las propiedades siguientes:
35. i i
i i
Capítulo 1 Introducción 13
A
−A
x(n) = A cos(ωn + θ)
0 n
… …
Figura 1.3.3. Ejemplo de señal sinusoidal discreta en el tiempo (ω = π/6 y θ = π/3).
B1. Una sinusoide discreta en el tiempo es periódica sólo si su frecuencia es un número racional.
Por definición, una señal discreta en el tiempo x(n) es periódica de período N (N 0) si y sólo si
x(n+N) = x(n) para todo n (1.3.10)
El valor mínimo de N para el que (1.3.10) se cumple es el período fundamental.
La demostración de la propiedad de periodicidad es sencilla. Para que una sinusoide de frecuencia f0 sea
periódica, se tiene que cumplir que
cos[2π f0(N +n)+ θ] = cos(2π f0n+ θ)
Esta relación es cierta si y sólo si existe un entero k tal que
2π f0N = 2kπ
o, lo que es lo mismo,
f0 =
k
N
(1.3.11)
De acuerdo con (1.3.11), una señal sinusoidal discreta en el tiempo sólo es periódica si su frecuencia f0
se puede expresar como la relación de dos enteros (es decir, f0 es racional).
Para determinar el período fundamental N de una sinusoide periódica, expresamos su frecuencia f0 como
en (1.3.11) y cancelamos los factores comunes, de modo que k y N sean primos relativos. Entonces el
período fundamental de la sinusoide es igual a N. Observe que una pequeña variación de la frecuencia
puede dar lugar a una variación muy grande del período. Por ejemplo, f1 = 31/60 implica que N1 = 60,
mientras que f2 = 30/60 da como resultado N2 = 2.
B2. Las señales sinusoidales discretas en el tiempo cuyas frecuencias están separadas un múltiplo entero de
2π son idénticas.
Para demostrar esta afirmación, consideremos la señal sinusoidal cos(ω0n + θ). Fácilmente se deduce
que
cos[(ω0 +2π)n+ θ] = cos(ω0n+2πn+ θ) = cos(ω0n+ θ) (1.3.12)
Por tanto, todas las secuencias sinusoidales
xk(n) = Acos(ωkn+ θ), k = 0,1,2,... (1.3.13)
donde
ωk = ω0 +2kπ, −π ≤ ω0 ≤ π