Resumen Análisis de Señales Discretas para Comunicaciones 2023B EPN - Ing. David Vega

Análisis de Señales Discretas para
Comunicaciones
Presentación de la Materia
Escuela Politécnica Nacional
Período 2023B
Profesor: José David Vega Sánchez

AGENDA
I. Información de la materia
II. Información sobre el Profesor
III. Comunicación profesor-estudiantes
IV. Temario y material clases
V. Método de Evaluación
EPN-DEPARTAMENTO DE ELECTRÓNICA,
2
TELECOMUNICACIONES Y REDES
I. Información de la materia
✓ Materia 4er nivel
▪ Horas a la semana: 3
✓ Pre-requisitos
▪ Matemática Avanzada
▪ Probabilidad y Estadística
▪ MATLAB
✓ Objetivo de la materia
▪ Identificar la señales discretas que son parte de un Sistema de Comunicaciones
▪ Entendimiento de la Transformada de Fourier y sus aplicaciones en las
Comunicaciones
▪ Procesos Estocásticos
✓ Objetivo mío
▪ Transformada de Fourier
3
II. Información del Profesor
✓ José David Vega Sánchez
✓ Actividades en la EPN
▪ Docencia: Probabilidad y Estadística, Comunicaciones Inalámbricas, Programación, CP-
Dispositivos Electrónicos, Software de Simulación, etc.
▪ Investigación
▪ Investigador Acreditado por la Senescyt
▪ Grupos de Investigación nacionales: GIRI (Grupo de investigación de redes
inalámbricas)-EPN
▪ Grupo de Investigación internacionales: Dinamarca, Finlandia, Brasil, España,
Australia, USA, entre otros.
✓ Correo: [email protected]
✓ Researchgate: https://www.researchgate.net/profile/Jose-Vega-Sanchez
4
III. Comunicación profesor-estudiantes
✓ Plataforma Teams
▪ Subir material clases
▪ Enviar y Recibir Tareas (no se tiene restricción en tamaño de archivos)
▪ Subir los videos grabados en clases (forma asíncrona)
▪ Escribir o responder preguntas en el muro de publicaciones
▪ Pueden conectarse desde cualquier PC, smartphone o sitio web
▪ Utilizar Teams con el correo de la institución
✓ Grupo de WhatsApp
▪ Información sobre fechas de pruebas, deberes, etc.
▪ https://chat.whatsapp.com/BYcNp18E2qQKehwwv9tlmJ
5
IV. Temario y material clases
✓ Material
▪ Oppenheim, Alan V. Discrete-time signal processing. Pearson Education India, 1999.
✓ Capítulo 1: Simulación de Señales Discretas
i. Teorema de muestreo y cuantificación
ii. Implementación de operaciones con señales discretas
iii. Interpolación y decimación
✓ Capítulo 2: Análisis de Fourier Discreto
➢ Transformada Discreta de Fourier (DFT)
➢ Transformada Rápida de Fourier (FFT)
➢ Transformada de Fourier Discreta en Tiempo (DTFT)
➢ Series de Fourier Discreta (DFS)
✓ Capítulo 3: Análisis de señales Aleatorias
➢ Definición y clasificación de un proceso aleatorio
➢ Autocorrelación de un proceso aleatorio
➢ Densidad Espectral de Potencia
6
✓ Talleres/Tests - 20%
✓ 1 Prueba por semestre - 35%
✓ Trabajos en MATLAB – 30%
✓ Deberes, Consultas, Lecturas – 15%
✓ Tests (20%)
i. Una vez se vea un tema en particular en clases se pedirá al estudiante que desarrolle un
programa con el tema visto o se toma una pregunta sobre un tema dado!.
✓ Prueba Semestral (35%)
i. Prueba del semestre sobre tópicos observados (Teórica y/o Práctica)
✓ Trabajos en MATLAB (30%)
i. Scripts (grupos de 2 personas) de programación en MATLAB de temas vistos en clases
(e.g., Transformada de Fourier, variables aleatorias, etc)
✓ Deberes, Consultas y Lecturas (15%)
i. Deberes teóricos sobre tópicos específicos. Envió de lecturas de interés.
EPN-DEPARTAMENTO DE ELECTRÓNICA, 7
✓ Sobre la Prueba (35%)
❑ En horario de clases acordado
❑ Políticas para la prueba
▪ La prueba tendrá un tiempo limite
▪ No puede entregar más tarde, sino sufrirá penalización o en el peor de los casos no
se la calificará
▪ La prueba será en horario de clases por lo que se pide su asistencia de forma
obligatoria
▪ Los celulares deberán ser apagados y colocados por lo menos a 1 metro de usted
✓ Sobre Trabajos en MATLAB (30%)

❑ Se puede utilizar MATLAB de escritorio (DGIP) o MATLAB online con el correo de la EPN, lo
que se entrega es el script generado.
❑ Dos programas con códigos similares tendrán la nota de cero.
❑ En ocasiones el profesor puede pedir a parte del script un informe sobre el
funcionamiento del programa realizado
Gracias
9
Comunicaciones
Introducción Señales Discretas
Período 2023A

AGENDA
I. Introducción a las Señales Digitales
2
Señal
✓ Descripción de la evolución de un fenómeno físico

▪ Clima: temperatura/sobre el tiempo
▪ Sonido: onda de presión/tiempo (fenómeno del sonido)
Procesamiento
✓ Análisis: Entender la información que lleva la señal

✓ Síntesis: Crear una señal para contener la información dada
Señal Analógica
Señal Analógica
Modelos
Matemáticos que
describen estas
señales están en
✓ Describe la posición vertical ✓ Red RC y el voltaje de Salida es
función de la
para un velocidad inicial en un descrito por la leyes de carga y
variable real
valor de tiempo descarga del capacitor
llamada “Tiempo”
Señal Analógica Mundo Análogo
Cuál es la función que describe esa
señal?
Puedo almacenar la
Cuál es el problema de la mayoría de
información, pero
Señales Análogas?
no manipularla 
Cada dispositivo
es para una señal
en particular
Señal Analógica
Señal Digital Mundo Digital

No necesitamos saber cuál es la función
que describe esa señal?
Pero como
obtengo estos Represento el fenómeno como Señales Discretas
números? DD una serie de números enteros
I. Introducción a Señales Digitales
El paradigma Digital
✓ Ingredientes claves
❑ “Tiempo discreto”
❑ Amplitud discreta
Que es el tiempo?
Que es el tiempo?
Dos Modelos que compiten por la Realidad
Digital
Análogo
Modelo Discreto es
más práctico para
aplicaciones
computacionales
Ejemplo Señales continuas vs. digitales
Calcular la media entre dos puntos de temperatura
continuas digital
Modelos discretos son

extremadamente fáciles de
usar computacionalmente
El Modelo de Tiempo Discreto
Señal
Cita de tiempo o • No tiene dimensión física

“Tiempo Discreto” • En un número ordinal
Estamos perdiendo información con el modelo discreto?
El Teorema de Muestreo (1920)
Combinación Lineal
Señal Continua
Señal Discreta
Función Sinc:
Bloque de
Construcción
Joseph Fourier

El Teorema de Muestreo (1920) - Ejemplo (Continua -> Discreta -> Continua)
Continua Discreta
Como obtener mi señal continua a partir de la Discreta?

Discreta Continua
Función Sinc
Flexibilidad en Señales Discretas
▪ Comprimir, Photoshop,
ecualizar audio, etc
x(t) x[n] y[x] y(t)

Conversor AD Procesamiento Conversor DA
▪ CPU, FPGA,
DSP
Como obtener las Señales Digitales
❑ “Tiempo discreto” (Muestreo)
❑ Amplitud discreta (Cuantización) Permite mejor almacenamiento, procesamiento y
transmisión de datos
Señal Análoga
Muestreo Muestreo y Cuantización
Dispositivos Digitales (Importancia en el Mundo Real -Almacenamiento)
✓ Conversores A/D y D/A: Transforman señales de nuestro mundo (e.g., audio, video,
música) en señales que son tratados en los dispositivos digitales (e.g., teléfonos
inteligentes, computador, Smart TV).
✓ Goal: Conocer como hacer el proceso de digitalización de las señales análogas, cuales
son los parámetros que impactan en la misma y como se puede mejorar las distorciones
que ese proceso conlleva.
Dispositivos Digitales (Importancia en el Mundo Real -Almacenamiento)
✓ Representa o guarda información en forma de bits (es decir solo 0 y 1). Ejemplo: tamaño
de una película al descargarse de Netflix, tamaño de una canción, etc.
Disco Duro
DvD tiene un láser para reflejar Pendrive

8 Trillones de imanes pequeños o no
1 byte 8 bits
1 Tera Bit = 1 Trillón de bytes EPN-DEPARTAMENTO DE ELECTRÓNICA, 18
Dispositivos Digitales (Importancia en el Mundo Real -Almacenamiento) -
Evolución
Ejemplo: Transmisión de Datos en Forma Analógica (Mundo Real)
Que hago?
20
Ejemplo: Transmisión de Datos en Forma Analógica (Mundo Real)
Que hago?
Compenso la
atenuación del canal!!
21
Ejemplo: Transmisión de Datos en Forma Analógica (Mundo Real) - Grandes Distancias?
22
Ejemplo: Transmisión de Datos en Forma Analógica (Mundo Real) - Grandes Distancias?
23
Ejemplo: Transmisión de Datos en Forma Digital (Mundo Real) - Grandes Distancias?
24
Ventajas de dispositivo Digital?
✓ Robustez: nivel de Tensión no exacta de Voltaje)

✓ Flexibilidad: El mismo sistema digital trata de la misma forma a señales de audio,
video, sensores.
Digital Data Throughputs DSP: Keys
Dispositivos Digitales (Importancia en el Mundo Real – Procesamiento y Transmisión)
Conversores D/A
Bits enviados alterando la

forma de la onda EM
Conversores A/D
26
Revisión de señales y
Matlab
27
Objetivos
⚫ Revisar conceptos básicos de procesamiento digital de
señales.
⚫ Revisar los comandos usados en Matlab para el
procesamiento digital de señales.
28
Señales en tiempo discreto
Señales Discretas :
x(n)
donde:
n: es un valor entero y representa instantes discretos

de tiempo
x(n) : es una secuencia numérica (muestras) , denotada

por x(n) = [ …, x(-1), x(0), x(1), x(2), …]
29
Señales en tiempo discreto
Representación en Matlab:
Una secuencia de duración finita se representa mediante un vector
fila.
• El vector no tiene información respecto a la posición n.

• Es necesario un segundo vector (posición).
• Señal discreta : x(n) = {3 ,1 , -1 , 4 , 5, 10, -4, -2, 1}

• n = {-4, -3, -2, -1, 0, 1, 2, 3, 4 }
>> x = [3, 1,-1, 4 , 5, 10, -4, -2, 1];

>> n = [-4, -3, -2, -1, 0, 1, 2, 3, 4 ];
>> stem (n,x)
30
Señal impulso
>> delta = zeros (1, 10);

>> delta(1) = 1;
>> stem (delta)
Impulso desplazado
>> n0=3;
>> delta = zeros (1, 10);
>> delta(n0) = 1;
>> stem (delta) 31
Señal escalón unitario
>> x = ones(1,11);
>> n = -5:5;
>> x(1:5)=0;
>> stem(n,x)
32
Señal exponencial
>> n =[0:15];
>> a=2.2 ;
>> x = a.^n;
>> stem(n,x)
33
Ejercicio
• Utilizando subplot graficar una señal impulso δ(n-5),

escalón unitario y exponencial.
• Poner un título a cada gráfica
34
Manipulación señal de audio
clc %limpia pantalla
close all %cierra todas las ventanas
clear all % limpia las variables
[s Fs]=audioread(‘audio3.mp3’);
sound(s,Fs)
size(s) % Dimensiones del audio
canal_izquierdo = s (:,1); %separacion canales
canal_derecho = s(:,2);
plot(canal_izquierdo)
go1 = audioplayer(canal_derecho,Fs);
play(go1)
%stop(go1) 35
Generación de señal aleatoria
•Secuencia uniformemente distribuida

>>x1= rand(1,10)
• Secuencia gaussiana con media o varianza =1
>>x1= randn(1,10)
>> N= 2000000;
>> ruido = randn(N,1);
>>y_ruido = canal_derecho (1:N)+ruido;
36
Ejercicio
•Utilizando subplot graficar la señal de audio del canal

izquierdo original y con ruido. Utilizar el grabador de
Windows de su computadora.
37
Gracias
38
Comunicaciones
Señales en Tiempo Discreto
Período 2023B

AGENDA
I. Señales en Tiempo Discreto

II. Tipos de Señales Discretas
III. Clases de Señales Discretas
IV.Operaciones Elementales
V. Construyendo Bloques
VI. Exponenciales Complejas
2
I. Señales en Tiempo Discreto
Definición
✓ Es una secuencia de números complejos/naturales

▪ Una dimensión (por ahora)
▪ Notación:
▪ Representación en los conjuntos
▪ n es el “tiempo” adimensional
▪ denota el n-th número en la secuencia
La señal delta (Dirac- impulso) Ejemplo mundo real: Sincronizar audio y video
MATLAB
La señal unit step Ejemplo mundo real: Switch
MATLAB
La señal exponential decay
Ejemplo mundo real
La señal sinusoidal Angular frequency
MATLAB
Cuatro Clases de Secuencias
✓ Longitud Finita
✓ Longitud Infinita
✓ Soporte Finito ✓ Periódica
donde N es el Período de la señal
Señal Periódica
✓ Periódica donde N es el Período de la señal

Sinusoide en tiempo discreto
en que,
Ejemplo
T2 EPN-DEPARTAMENTO DE ELECTRÓNICA, 8
IV. Operaciones Elementales
Operaciones Matemáticas con señales discretas
MATLAB .*
Shift by 1 de Secuencia de Soporte Finito
Shift by 1 de Secuencia Periódica
Propiedad Importante de la secuencia impulso o Dirac
✓ Una secuencia arbitraria puede ser representada por la suma de impulsos

escalados y retrasados.
De forma General
Unit Step
Energía y Potencia de Secuencias Discretas
Una señal puede ser descrita como señal de energía, señal de potencia, o ninguna de las dos:
➢ Señales de Potencia: Tienen finita y infinita (e.g., señales periódicas)

➢ Señales de Energía: Tienen y finita
Ejemplo: Potencia y Energía
Ejemplo: Potencia y Energía
Señales periódica
https://www.youtube.com/watch?v=5wXraT-HC3U T3
Aplicación
Suma de Secuencias discretas
Multiplicación de un escalar por una Secuencias discreta
Delay de una Secuencias discreta
Ejemplo: 2-point moving average
Ejemplo: 2-point moving average
Y ahora que pasa si revertimos el loop?
Loop revertido: Ejemplo 1/2
Loop revertido: Ejemplo 2/2
Loop revertido: Interesante Generalización
Creando Loops M=3, alpha=1
Initial Conditions [0 0 0]
Loop revertido: Interesante Generalización
Creando Loops M=2, alpha=1
Initial Conditions [0 0]
Loop revertido generalizado: Ejemplo 1/1
We can make music with that!
Oscilaciones están en todos lados
Exponencial Compleja
VI. Exponenciales Ccjas
El ser humano?
Regresan a su
estado inicial!!
No duran!!
Oscilación continua es producto de la rotación
Oscilaciones Continuas
0
𝝅 2𝝅
Oscilaciones Discretas
Representación
Rotación
▪ Utilizamos multiplicación de
exponenciales complejas para
rotar en el plano
Rotación Recursividad
Generando Exponenciales
2𝜋
Después de 12 vueltas volvimos al punto original, por lo que, 𝜔 =
12
Generando Exponenciales con fase inicial
Inicial point Final point
CUIDADO: En tiempo discreta no toda sinusoidal es periódica
Condición para Periodicidad
Only True
T4
Periodicidad 2𝝅
One point, many names, is called “Aliasing”
Que tan rápido podemos movernos (unit circle)
Podemos movernos más rápido que PI?
Rápido en una dirección (sentido

contrario del reloj), lento en la
opuesta (sentido de las manecillas
del reloj)
Podemos movernos más rápido que PI? Visto de manera directa
Se produce una velocidad menor

de rotación
Pi es la mayor frecuencia digital a la

que podemos movernos
Gracias
54
Comunicaciones
Muestreo y Cuantización
Período 2023B

AGENDA
I. Preliminares
II. Señales Continuas
III. Muestreo
IV.Reconstrucción
V. Cuantización
2
I. Preliminares
Dos formas de ver el mundo
I. Preliminares
Señal Analógica a Digital
❑ “Tiempo discreto” (Muestreo)
❑ Amplitud discreta (Cuantización) Permite mejor almacenamiento, procesamiento y
transmisión de datos
Señal Análoga Muestreo Muestreo y Cuantización Reconstrucción
Aliasing
I. Preliminares
Audio de Análogo a Digital
✓ Ideas Generales
▪ Dispositivo mide corriente o voltaje (la señal analógica) en cualquier instante
de tiempo. Señal Analógica (micrófono)
▪ Ejm: audio de tren
Señal discreta (computador)
Proceso de Muestreo
Audio fs=44,1kHz o 48kHz,
valor mágico? Como lo
consigo?
I. Preliminares
Aliasing en el Muestreo
✓ Efecto causado por un muestro incorrecto
𝑓𝑠 = 𝑓
𝑻𝒔
I. Preliminares
Aliasing en el Muestreo: Más Ejemplos en YouTube
✓ Stroboscopic Effect
✓ Iphone insider guitar
✓ Amazing wáter and sound illusion
I. Preliminares
Reconstrucción de la Señal (Continua -> Discreta -> Continua)
Continua Discreta
Como obtener mi señal continua a partir de la Discreta?

Discreta Continua
De donde sales esas señales a sumarse?

Parámetros de la Señal Continua
✓ Señal continua tiene un valor para cada

instante de tiempo.
Señal arbitraria a partir de sinusoidales
✓ Toda Señal puede ser representada como una suma de señales sinusoidales, cada una de
estas con una frecuencia, fase y amplitud escogidas apropiadamente.
1 senoide
Fourier
Amplitude
Fase
4 senoides
Frecuencia
III. Muestreo
Muestro de Señales
✓ Señal en Tiempo Discreto: Pueden ser obtenidas a partir de señales de tiempo continuo a
través del muestro.
✓ Muestras de la señal: Representación única?. A partir de la señal muestreada se puede
recuperar la señal de tiempo continuo (Teorema de Nyquist)
III. Muestreo
Muestreo de Señales Periódicas
✓ Conversor C/D 𝑡𝑛 = 𝑇𝑠 𝑛
𝑥𝑐 (𝑡𝑐 ) = 𝐴 cos(Ω𝑜 𝑡𝑐 ) 𝑥[𝑛] = 𝐴 cos(𝜔𝑛)
𝑥[𝑛] = 𝑥𝑐 (𝑇𝑠 𝑛) = 𝑥𝑐 (𝑡𝑛 )
Donde
Ω𝑜 = 2𝜋𝑓𝑜 𝜔 = Ω𝑜 𝑇𝑠 𝑇𝑠 = 1ൗ𝑓
𝑠
Ω𝑜 Ω𝑠 = 2𝜋𝑓𝑠
𝜔=
𝑓𝑠
Definiciones y unidades
Mapeo de Frecuencia analógica a frecuencia digital
✓ Ω𝑜 : frecuencia analógica en rad/s
✓ 𝑓𝑜 : frecuencia analógica en Hz
𝜔 = Ω𝑜 𝑇𝑠
✓ 𝜔: frecuencia digital/angular en rad
✓ 𝑇𝒔 : Período de muestro en seg.
T5 𝜔 = 2𝜋𝑓𝑜 𝑇𝑠 ✓ 𝑓𝑠 : frecuencia de muestreo en Hz
✓ Ω𝑠 : frecuencia de muestreo en rad/s
III. Muestreo
Teorema de Nyquist
✓ Sea una señal 𝑥𝑐 𝑡 , esta puede ser únicamente determinada por sus muestras 𝑥[𝑛] = 𝑥𝑐 (𝑇𝑠 𝑛), sí y
solamente sí,
Ω𝑠 > 2Ω𝑁
Donde
✓ Ω𝑁 es la frecuencia máxima de la señal continua a ser muestreada
✓ La frecuencia máxima de la señal continua es conocida como frecuencia de Nyquist (N)
2𝜋𝑓𝑠 > 2(2𝜋𝑓𝑁 ) Ω𝑁 = 2𝜋𝑓𝑁
𝑓𝑠 > 2𝑓𝑁 Ω𝑠 = 2𝜋𝑓𝑠
Para señales con tonos puros, se tiene que Para señales con varias frecuencias
𝑓𝑁 = 𝑓𝑜 𝑓𝑁 = 𝑓𝑁
III. Muestreo
Representación Matemática
✓ Muestreo Periódico por Impulsos
✓ Tren de impulsos periódicos:
✓ Señal muestreada en Tiempo Continuo:
III. Muestreo
Representación Matemática-Gráfica
✓ Tren de impulsos periódicos:
✓ Señal muestreada en Tiempo Continuo:
✓ Señal Discretizada
III. Muestreo
Ejemplo para muestreo de señal sinusoidal
✓ Señal original para 2 caso

✓ Lado izquierdo mayor fs
III. Muestreo
Ejemplo para muestreo de señal sinusoidal en MATLAB
𝑇𝑠
1
III. Muestreo
Representación en la Frecuencia del Muestreo
✓ Breve intuición de Fourier Espectro de Frecuencias
𝑡 −𝑓𝑁 𝑓𝑁 𝑓
III. Muestreo
Representación en la Frecuencia del Muestreo
✓ Tren de impulsos periódicos
✓ Señal muestreado Tiempo: producto
Frecuencia: convolución
El espectro de la señal muestreada, 𝑋𝑠 𝑗Ω compuesto por

copias del espectro de la señal original, repetidas a cada
Ω𝑠 rad/s y escalonada por 𝑓𝑠 = 1ൗ𝑇𝑠
III. Muestreo
Representación en la Frecuencia del Muestreo Forma Gráfica
El espectro de la señal muestreada, 𝑋𝑠 𝑗Ω compuesto por
copias del espectro de la señal original, repetidas a cada
Ω𝑠 rad/s y escalonada por 𝑓𝑠 = 1ൗ𝑇𝑠
Normalización de la frecuencia
𝜔 = Ω𝑇𝑠
𝑇𝑠
𝜔𝑛 = Ω𝑁 𝑇𝑠 𝜔𝑠 = Ω𝑠 𝑇𝑠
𝜔𝑠 = 2𝜋𝑓𝑠 𝑇𝑠
𝜔𝑠 = 2𝜋
𝟏 TELECOMUNICACIONES Y REDES
III. Muestreo
Muestreo de señal sinusoidal en MATLAB
Muestreo a Diferentes Tasas
Aliasing Cambio de Fase
III. Muestreo
Aliasing 1 Recordando!
✓ 𝜔 = 𝜋 es la mayor frecuencia digital con la que puedo muestrear

✓ 𝜔 y 𝜔 + 2𝜋 son frecuencias digitales indistinguibles y me llevan a la misma señal analógica
en la reconstrucción.
Pregunta
✓ Si Ω𝑜 = 2𝜋𝑓𝑜 lleva a una frecuencia digital 𝜔, ¿Qué frecuencia analógica en Hz lleva a una
frecuencia digital 𝜔 + 2𝜋 ?
Ω𝑜
𝑓𝑜 𝜔 𝜔 = Ω𝑜 𝑇𝑠 𝜔=
𝑓𝑠
X 𝜔 + 2𝜋
𝑓𝑜 + 𝑓𝑠 𝑓𝑜 − 𝑓𝑠 𝑓𝑜 ± 𝑓𝑠 𝑓𝑜 ± 𝑘𝑓𝑠 , 𝑝𝑎𝑟𝑎 𝑘𝜖Ζ +

Conclusión
frecuencia analógicas separadas de 𝑓𝑠 son indistinguibles después del muestreo.
III. Muestreo
Aliasing 1 Conclusión
𝑓𝑜 𝜔 Frecuencia analógicas separadas de 𝑓𝑠 son
𝑓𝑜 ± 𝑘𝑓𝑠 indistinguibles después del muestreo.
±(𝜔 + 2𝑘𝜋) 𝑝𝑎𝑟𝑎 𝑘𝜖Ζ +
𝜔1 = Ω1 𝑇𝑠
III. Muestreo
Aliasing 1 Conclusión
𝑓𝑜 𝜔 Frecuencia analógicas separadas de 𝑓𝑠 son
𝑓𝑜 ± 𝑘𝑓𝑠 indistinguibles después del muestreo.
±(𝜔 + 2𝑘𝜋) 𝑝𝑎𝑟𝑎 𝑘𝜖Ζ +
𝜔1 = 2𝜋𝑓1 (1/𝑓𝑠 )
𝜔1 = 1,04
𝜔7 = 2𝜋𝑓7 (1/𝑓𝑠 )
𝜔7 = 7,33
𝜔7 = 2𝜋𝑓7 (1/𝑓𝑠 )-2 𝜋
EPN-DEPARTAMENTO DE ELECTRÓNICA, 𝜔7 = 1,04
III. Muestreo
Aliasing 2
cos 2𝜋𝑓𝑜 𝑡 = cos −2𝜋𝑓𝑜 𝑡
cos 2𝜋5𝑡 = cos 2𝜋(−5)𝑡

Aliasing
−5 𝐻𝑧 + 6𝐻𝑧 = 1 𝐻𝑧
−𝑓𝑜 + 𝑓𝑠
Frecuencias no están separadas de Generalizando 𝑘𝑓𝑠 −𝑓𝑜 𝑝𝑎𝑟𝑎 𝑘𝜖Ζ +
𝑘𝑓𝑠 , porqué existe Aliasing?
𝑓𝑜 ± 𝑘𝑓𝑠 , 𝑝𝑎𝑟𝑎 𝑘𝜖Ζ + EPN-DEPARTAMENTO DE ELECTRÓNICA,
III. Muestreo
Aliasing 3 Recordando!

✓ 𝜔 y 𝜔 + 2𝜋 son frecuencias digitales indistinguibles y me llevan a la misma señal analógica
en la reconstrucción.
Pregunta
✓ Cuál es la mayor frecuencia analógica que puedo representar en el mundo digital?
𝜔 = Ω𝑜 𝑇𝑠 𝜔 = 𝜋 es la mayor frecuencia digital

𝜋
Ω𝑜 =
𝑇𝑠
Ahora Ω𝑜
𝑓𝑜 = Proceso de Muestreo
2𝜋 Audio fs=44,1kHz
𝜋 valor mágico? Como lo
𝑓𝑜 = consigo?
2𝜋𝑇𝑠
𝑓𝑠
𝑓𝑜 = EPN-DEPARTAMENTO DE ELECTRÓNICA,
2
III. Muestreo
Aliasing 3
𝑓𝑠
𝑓𝑜 = Para 𝜔 = 𝜋
2
Proceso de Muestreo Audio fs=44,1kHz

valor mágico? Como lo consigo?
𝑓𝑠
𝑓𝑜 =
2
𝑓𝑠 = 40 𝐾𝐻𝑧 como mínimo
Rango Frecuencias Voz Humana

hasta 20 KHz para contemplar a
todo el mundo EPN-DEPARTAMENTO DE ELECTRÓNICA,
III. Muestreo
Filtro Anti-Aliasing
𝑓𝑠 Proceso de Muestreo Audio fs=44,1kHz
𝑓𝑜 = valor mágico? Como lo consigo?
2
𝑓𝑐 = 22 000 Hz 𝑓𝑐 = 24 200 Hz 𝑓𝑐 = 24 100 Hz
𝑓𝑐 = 22 000 Hz se mezcla con la frecuencia 𝑓𝑠 − 𝑓𝑐 = 22,1 𝐾𝐻𝑧
𝑓𝑐 = 24 100 Hz se mezcla con la frecuencia 𝑓𝑠 − 𝑓𝑐 = 20 𝐾𝐻𝑧

Frecuencias rechazadas
𝑓𝑐 = 24 200 Hz se mezcla con la frecuencia 𝑓𝑠 − 𝑓𝑐 = 19,9 𝐾𝐻𝑧
𝑓𝑐
Que sea lo más larga posible cumpliendo que no
Frecuencias de Interés Región Transición me genere Aliasing entre 0 Hz a 20 KHz
III. Muestreo
Lecciones

✓ 𝜔 y 𝜔 + 2𝑘𝜋 𝑝𝑎𝑟𝑎 𝑘𝜖Ζ + son frecuencias digitales indistinguibles y me llevan a la misma
señal analógica en la reconstrucción.
𝑓
✓ 𝑓𝑜 = 2𝑠 → 𝜔 = 𝜋 La mayor frecuencia analógica que puedo representar sin Aliasing en el
𝑓
mundo digital es 2𝑠
✓ 𝑓𝑜 y 𝑓𝑜 ± 𝑘𝑓𝑠 𝑝𝑎𝑟𝑎 𝑘𝜖Ζ + son mapeadas como 𝜔 y 𝜔 + 2𝑘𝜋 𝑝𝑎𝑟𝑎 𝑘𝜖Ζ + (Aliasing).
✓ 𝑓𝑜 y 𝑓𝑜 ± 𝑘𝑓𝑠 son señales indistinguibles después del muestreo, por lo que se tiene Aliasing
✓ 𝑘𝑓𝑠 −𝑓𝑜 𝑝𝑎𝑟𝑎 𝑘𝜖Ζ + son señales indistinguibles después del muestreo, por lo que se tiene
Aliasing
III. Muestreo
Aliasing en el Dominio de la Frecuencia
Recordando
No Aliasing
Con Aliasing
III. Muestreo
Ejemplo: Muestreando una señal en el Tiempo de la frecuencia 1/3
✓ Considere la señal
✓ La señal muestreada es
III. Muestreo
✓ Utilizando una tasa de muestreo de 𝑓𝑠 = 3 KHz y frecuencia de la señal 𝑓𝑜 = 1 KHz, por lo

que Ω𝑜 = 2𝜋 × 103 rad/s, los espectros de la señal son los siguientes:
No Aliasing
2𝜋
Ω𝑜𝑟 = 𝑓
3 𝑠 EPN-DEPARTAMENTO DE ELECTRÓNICA,
III. Muestreo

que Ω𝑜 = 2𝜋 × 103 rad/s, los espectros de la señal son los siguientes:
No Aliasing
III. Muestreo
que Ω𝑜 = 2𝜋 × 2 × 103 rad/s, los espectros de la señal son los siguientes:
Aliasing
2𝜋
Ω𝑜𝑟 = 𝑓
3 𝑠
III. Muestreo
que Ω𝑜 = 2𝜋 × 2 × 103 rad/s, los espectros de la señal son los siguientes:
Aliasing
III. Muestreo
Cambio de la Tasa de Muestreo
✓ En el procesamiento de señales discretas se torna frecuente alterar la tasa de muestreo

con que las muestras fueron tomadas para aplicaciones específicas como reducción de
cálculos, aumento de precisión, etc.
Reducción de la Tasa de Muestreo (Decimación o Downsampling)
➢ En este proceso de reduce la tasa de muestreo en la que se produce una nueva señal
𝑥𝑑 [𝑛] a partir de la secuencia original 𝑥[𝑛] a través de la eliminación sistemática de las
muestras. Es decir:
donde:
𝑇𝑠 es el período de muestreo original
𝑇𝑠′ es el nuevo período de muestreo
III. Muestreo
➢ Una secuencia puede tener una frecuencia de muestreo reducida por un factor entero M,
por medio de un nuevo muestreo de la señal discreta, usando un diezmador:
𝑀=3
𝑀=2
𝑇𝑠′ = 𝑀𝑇𝑠
𝑀 =3
𝑥[𝑛] es diezmada
por un factor de M
III. Muestreo
Observaciones
➢ 𝑥𝑐 (𝑡) es una señal con frecuencia máxima Ω𝑁

➢ Si no existió Aliasing en el muestreo de 𝑥[𝑛], entonces
𝜋
✓ Ω𝑠 > 2Ω𝑁 , o > Ω𝑁
𝑇𝑠
✓ La máxima frecuencia de la señal de tiempo discreto 𝑥 𝑛 debe ser:𝜔 < 𝜋
➢ Para que no exista Aliasing en la señal submuestreada 𝑥𝑑 𝑛 , se debe garantizar que:

𝜋 𝜋
✓ > Ω𝑁 o 𝑀𝑇 > Ω𝑁 , o Ω𝑠 > 2𝑀Ω𝑁
𝑇𝑠′ 𝑠
✓ La máxima frecuencia de la señal de tiempo discreto (antes de ser submuestreado)
𝑥 𝑛 debe ser:𝜔 < 𝜋/𝑀
III. Muestreo
Aumento de la Tasa de Muestreo (Upsampling)
➢ También conocido como interpolación, en este proceso se aumenta la tasa de muestreo

generándose una nueva secuencia 𝑥𝑒 [𝑛] a partir de 𝑥 𝑛 a través de la inserción de
muestras nulas:
≜↑ 𝑓𝑠 , no
Aliasing
𝑇𝑠′ = 𝑇𝑠 /𝐿
III. Muestreo
Aumento de la Tasa de Muestreo (Upsampling)
➢ Para que?
suaviza
mean
IV. Reconstrucción
Recuperación de la señal original a partir de las muestras
✓ Interpolación Lineal (inicial al final): No satisface porque ignora la mayoría de datos
IV. Reconstrucción
✓ Interpolación Arbitraria: No tiene sentido
✓ Interpolación a través de funciones tipo sinusoidales/polinomiales: A primera vista,

parecen bien!
IV. Reconstrucción
✓ Requerimientos para la Interpolación
(atravesar todas las muestras)
(señal resultante suave)
IV. Reconstrucción
Interpolación Polinomial
✓ Requerimientos para la Interpolación
Interpolación cúbica
N ecuaciones a resolver!!
Impráctico a media que el
número de muestras crece.
IV. Reconstrucción
Interpolación polinomial de orden cero
✓ No depende del tamaño de las muestras
✓ Fácil de implementar
✓ Poco Accurate
No smothness
IV. Reconstrucción
Interpolación polinomial de orden uno
✓ Conecta 2 puntos con una línea
✓ Fácil de implementar
✓ Poco Accurate
IV. Reconstrucción
Interpolación polinomial de orden tres
✓ Polinomio cúbico
✓ Complicado de implementar a media que aumenta el grado del polinomio
✓ Buen Accurate
IV. Reconstrucción
Interpolación Tipo Sinc en el Tiempo
✓ Función Sinc
✓ Fácil de implementar a media que aumenta el grado del polinomio
✓ Muy Accurate
IV. Reconstrucción
Reconstrucción de la señal en el Dominio de la Frecuencia
Análogo a Discreto Discreto a Continuo
Filtro
En las Gráficas 𝑇 = 𝑇𝑠
V. Cuantización
2da parte de la historia de la Digitalización de señales análogas
Esquema
𝐴𝑚𝑝𝑙𝑖𝑡𝑢𝑑 ∈ ℝ 𝐴𝑚𝑝𝑙𝑖𝑡𝑢𝑑 ∈ ℕ
Aproximación de x [n]
V. Cuantización
Cuantización Uniforme
Codificación
Ejemplo :
R=2
A=-1, B=1 11
L=2^R;
10
10
00
V. Cuantización
Cuantización Uniforme
Codificación
Ejemplo :
R=1 Error de Cuantización
A=-1, B=1
1
L=2^R;
Fin !
0
Gracias
53
Comunicaciones
Discrete Fourier Transform (DFT)
Período 2023B

AGENDA
I. Preliminares
II. DFT
III. Interpretando la DFT
IV.DFT en la Práctica
V. Series Discretas de Fourier
VI. DTFT
2
I. Preliminares
Oscilaciones en Todo lado!!
✓ Fourier’s Goal Por qué elegimos componentes sinusoidales?

Expresar una señal en términos Sinusoidales
sinusoidales básicos
: Descripción de un
fenómeno físico que
evoluciona en el
tiempo
Latido del corazón

late con un Período
Motor produce
movimiento circular
en las ruedas
Instrumento genera
sonido vibrando a
una frecuencia
Olas se repiten en un fundamental
período
I. Preliminares
Oscilaciones fáciles de describir y parametrizar!
✓ Período
✓ Frecuencia
✓ Amplitud
✓ Desfase
I. Preliminares
Visualización de Fourier Análisis
I. Preliminares
4 Frecuencias Puras
I. Preliminares
En la práctica: Micrófono (Suma Final)
I. Preliminares
Como descomponemos (separo) esa señal del Micrófono en sus señales puras?
I. Preliminares
Descomponiendo la señal en sus componentes!
Circulo
Exponencial EPN-DEPARTAMENTO DE ELECTRÓNICA, 9
I. Preliminares
Visualización de Fourier Análisis Descomponiendo la señal en sus componentes!
Longitud es igual a la
altura de la señal
I. Preliminares
1 sec.
I. Preliminares
Test
I. Preliminares
4 sec.
I. Preliminares
Cada Gráfica depende de la frecuencia con que se enrolla
I. Preliminares
Que pasa si la frecuencia a la que enrollo es la misma de la señal?
I. Preliminares
Centro de masa del alambre enrollado es clave!!!!
I. Preliminares
Centro de masa en el eje X del alambre enrollado es clave!!!! Magnitud del centro de masa vs. la frecuencia de enrollado
Centro de masa cambia en el eje

x con la frecuencia a la que
enrollo
I. Preliminares
Porque un pico en cero?
R: Pico se debe al desplazamiento hacia valores positivos

I. Preliminares
Ejemplo mas complejo
I. Preliminares
Centro de Masa en el Plano Complejo
I. Preliminares
Centro de Masa en el Plano Complejo
I. Preliminares
Visualización de Fourier Análisis DFT Directa
Ultima distinción para llegar a Fourier Ω𝑜 = 2𝜋𝑓 𝑡 = 𝑇𝑠 𝑛
𝑒 −𝑖2𝜋𝑓𝑡 = 𝑒 −𝑖Ω𝑜𝑡
2𝜋 𝑘
= 𝑒 −𝑖𝜔𝑛 𝜔=
𝑁
2𝜋 𝑘
−𝑖 𝑁 𝑛
= 𝑒
2𝜋 𝑘
𝜔=
𝑁
2𝜋 𝑘 2𝜋𝑓
=
𝑁 𝑓𝑠
I. Preliminares
Ultima distinción para llegar a Fourier
DFT Directa
T6
I. Preliminares
Sinusoidales Aparecen en la Naturaleza
El cuerpo humano tiene dos detectores de sinusoidales
✓ Varillas y conos de retina en el ojo que

✓ Cóclea detecta sinusoides de presión de aire
detectan sinusoides electromagnéticas en el
en el rango de 20 Hz a 20 KHz
rango de 430 THz a 790 THz (Rango del
espectro visible) Conos de la cornea capturan la
intensidad de energía y
transforman esta energía a una
frecuencia detectada
Células capilar que reacciona a
una frecuencia específica en los
sonidos que escuchamos.
Transformada de Fourier de
tiempo (música) a la frecuencia EPN-DEPARTAMENTO DE ELECTRÓNICA, 24
de detección. TELECOMUNICACIONES Y REDES
I. Preliminares
Intuiciones!
✓ Los Humanos analizan señales complejas (e.g., audio, imágenes) en

términos de sus componentes sinusoidales.
✓ Nosotros podemos construir elementos musicales que resuenen a
frecuencias dadas (e.g., piano, violín)
✓ A menudo describimos la evolución de un fenómeno en el dominio del
tiempo, pero el “dominio de la frecuencia ” parece ser tan importante
como el del tiempo
I. Preliminares
Pregunta Fundamental?
Podemos descomponer cualquier señal en señales sinusoidales elementales?
Si, y FOURIER nos enseña como hacerlo de manera exacta!!
Análisis
✓ Pasar del Dominio del tiempo al Dominio de

la Frecuencia
✓ Descompondremos una señal en sus diferentes
frecuencias que la constituyen
✓ Con lo anterior, descubriremos propiedades de la señal

escondidas o difíciles de ver en el dominio del tiempo!
I. Preliminares
Perspectiva de la DFT
✓ Comencemos con secuencias discretas de longitud finita

✓ Análisis de Fourier es una simple cambio de bases
✓ El cambio de bases es un cambio de perspectiva “visión”
✓ El cambio de perspectiva revela cosas interesantes (if a basis is good)
Ejm. Señal desconocida
Comportamiento oscilatorio, que

más puedo ver?
I. Preliminares
Ejm. Señal desconocida en el tiempo
Ejm. Señal desconocida en la frecuencia (Fourier)
Tenemos 2 cosas
1.- Dos picos
2.- Ruido
Fourier nos permite separar

estos dos aspectos que en el
dominio del tiempo son
indistinguibles
I. Preliminares
DFT como cambio de Bases
− −
Exponencial 2𝜋 𝑛 𝑘
𝜔=
𝑁
2𝜋 𝑛 2𝜋𝑛2
−𝑗 𝑁 −𝑗 𝑁
𝑤1 [𝑛] = 𝑒 𝑤2 [𝑛] = 𝑒
I. Preliminares 3𝜋
𝜋 −𝑗𝑛 32
−𝑗𝑛 𝑤3 [𝑛] = 𝑒
DFT como cambio de Bases para N=64 𝑤2 [𝑛] = 𝑒 16
k=3 periodos
𝜋
−𝑗𝑛 2
𝑤16 [𝑛] = 𝑒
I. Preliminares
DFT como cambio de Bases para N=64 𝑤32 [𝑛] = 𝑒 −𝑗𝑛 𝜋
k=32 máxima velocidad
k=33 igual a k=31 con Fase invertida (FI)
de la parte imaginaria (PI)
k=34 igual a k=30 con FI de la PI k=62 igual a k=2 con FI de la PI k=63 igual a k=1 con FI de la PI
I. Preliminares
Ortogonalidad y no ortonormalidad de los vectores en la Base
𝑛 𝑛−1
𝑖−1
𝑎1 (1 − 𝑟 𝑛 )
𝑖
෍ 𝑎1 𝑟 = ෍ 𝑎1 𝑟 =
1−𝑟
𝑖=1 𝑖=0
𝜋
−𝑗𝑛
𝑤2 [𝑛] = 𝑒 16
Ortogonales
3𝜋
−𝑗𝑛 32
𝑤3 [𝑛] = 𝑒
DFT Directa
II. DFT
Definición Formal de la DFT
Del dominio del “Tiempo” adimensional al dominio de la Frecuencia
DFT
Del dominio de la Frecuencia al dominio del “Tiempo” adimensional
IDFT
T7
II. DFT
Implementación de la DFT en MATLAB
Del dominio del Tiempo al dominio de la Frecuencia
Del dominio de la Frecuencia al dominio del “Tiempo”

hermitiano
II. DFT
Ejemplos de la DFT
Delta function contiene todas las frecuencias sobre el posible rango de frecuencias
II. DFT
Ejemplos de la DFT
II. DFT
cos(𝜔𝑛)
Ejemplos de la DFT 1/2
2𝜋 𝑘 𝑁 = 64
𝜔= Frecuencia Fundamental k=1
𝑁
2𝜋 𝑘 2𝜋𝑓𝑜
=
𝑁 𝑓𝑠
II. DFT
𝑁−1
3 𝑗2𝜋4𝑛 2𝜋 2𝜋
𝑗 60𝑛 −𝑗 𝑛𝑘
𝑋𝑘 =෍ 𝑒 64 +𝑒 64 𝑒 64
2
𝑛=0
Propiedad de Linealidad
64−1 64−1
3 2𝜋 2𝜋
𝑗 64 4𝑛 −𝑗 64 𝑛𝑘 3 2𝜋 2𝜋
𝑗 64 60𝑛 −𝑗 64 𝑛𝑘
𝑋𝑘 = ෍ 𝑒 𝑒 + ෍ 𝑒 𝑒
2 2
𝑛=0 𝑛=0
64−1 64−1
3 2𝜋𝑛
−𝑗 64 (𝑘−4) 3 2𝜋𝑛
−𝑗 64 (𝑘−60)
𝑋𝑘 = ෍ 𝑒 + ෍ 𝑒
2 2
Vectores son Ortogonales por eso 𝑛=0 𝑛=0
solo me da un valor N para k=4
II. DFT
Real
cos 2𝜋𝑛 = 1
sin 2𝜋𝑛 = 0
II. DFT
64−1 64−1
3 𝑗𝜋 −𝑗
2𝜋𝑛
(𝑘−4) 3 −𝑗𝜋 2𝜋𝑛
𝑋 𝑘 = 𝑒 3 ෍ 𝑒 64 + 𝑒 3 ෍ 𝑒 64 (𝑘−60)
−𝑗
2 2
𝑛=0 𝑛=0
II. DFT
II. DFT
II. DFT
II. DFT
Deber 1 B2
II. DFT
II. DFT
𝑛 𝑛−1 𝑛
𝑎1 (1 − 𝑟 )
෍ 𝑎1 𝑟 𝑖−1 = ෍ 𝑎1 𝑟 𝑖 =
1−𝑟
𝑖=1 𝑖=0
II. DFT
Ejemplos de la DFT 3/4 (Intuiciones)
Magnitud o parte real Fase o Parte Imaginaria
II. DFT
Ejemplos de la DFT 4/4 (Intuiciones)
M=4, N=64
16 48 k
lineal
change sign real part
II. IDFT
IDFT (Transformada Inversa Discreta de Fourier)
II. IDFT
x[n] X[k] DFT
II. IDFT
II. IDFT
II. IDFT
II. IDFT
II. IDFT
II. IDFT
II. IDFT
II. IDFT
IDFT (Transformada Inversa Discreta de Fourier) 1/2
II. IDFT
IDFT (Transformada Inversa Discreta de Fourier) 2/2
IDFT manual
Verificación
Usar magnitud y
fases combinadas ifft(X,N)
radianes
Deber 1, 2 𝑙𝑒𝑛𝑔𝑡ℎ(𝑘)
2𝜋 𝑘(𝑖)𝑛
B2 IFFT= ෍ 𝐴 𝑘 𝑒𝑥𝑝 𝑗 + ∅𝑖
𝑁
𝑖=1 EPN-DEPARTAMENTO DE ELECTRÓNICA, 60
Intuiciones en la Gráfica de la DFT
Distribución de Energía
Al cambiar la Base ‘Perspectiva’
Distribución de la Energía Ejemplo 1/2
Distribución de la Energía Ejemplo 2/2
DFT para señales Reales
DFT para señales Reales
IV. DFT en la Práctica
Señal Desconocida Picos solo
aparecen en la
parte real del
espectro
Xq no existe parte imaginaria
Señal Desconocida
Actividad Solar
Manchas solares en un determinado tiempo
Temperatura Diaria (2920 días)
Bocina de Tren
Bocina de Tren
2𝜋 𝑘 2𝜋𝑓𝑜
=
𝑁 𝑓𝑠
𝑓𝑠 𝑘
= 𝑓𝑜
𝑁
The Short-Time Fourier Transform (STFT) Co-primo
Dual-Tone Multi Frequency Dialing (DTMF)
The Short-Time Fourier Transform (STFT)
Dual-Tone Multi Frequency

Dialing (DTMF)
T8
El espectrograma de la STFT
brillantes
Frecuencia
digital
Regiones de posición
silencio de la
señal
Etiquetando el Espectrograma
𝑓𝑠 𝑘
= 𝑓𝑜
𝑁
Wideband vs. Narrowband
Tamaño de L e la STFT
overlapping
Good Frequency precision
Good precise Location

T9
El espectrograma de la STFT Audio
There is a lag between thought and act
Vocales ↑
Consonantes ↓
Wideband
a c t
Narrowband
Vocales ↑ frecuencias
Consonantes↓frecuencias
Armónicos, ya que
se cambia la
entonación de la
vocal por ende de
la frecuencia
IV. Fast Fourier Transform FFT
Recordando
Ejemplo: DFT de
Escalar
Matricial
Costo Computacional de la DFT Multiplicaciones en la DFT
Ejemplo: DFT de
Sumas en la DFT
Escalar
FFT
Matricial
Repitiendo Operaciones en la DFT!
Muestras pares Muestras impares
EPN-DEPARTAMENTO DE ELECTRÓNICA, FFT 94

IV. Fast Fourier Transform FFT W (Factor rotación)
Recordando
DFT 1 para N/2 DFT 2 para N/2
X [k ] = G
[k ] + WNk  H
 [k ]
N/2 DFT N/2 DFT
of even samples of odd samples
DFTs más
pequeñas
Por lo que,
Periodicidad
Simetría EPN-DEPARTAMENTO DE ELECTRÓNICA, 100
Recordando
Propiedades de W (Factor rotación)
Simetría
Simetría
Recordando
Propiedades de W (Factor rotación)
Periodicidad
Periodicidad

Resumiendo
Dividimos la DFT
en 2 DFTs más
pequeñas

Seguir dividiendo
G(k) y H(k) pueden seguir siendo divididas en N/4 puntos..
U(k) y V(k) pueden seguir siendo divididas en N/8 puntos.. Y así

sucesivamente
LA FFT vista en Bloques Etapa 3
Etapa 1 Etapa 2
Cuantos veces necesito
seguir dividiendo?
Mariposa expresar a N=2^n,

inicial
donde n es el
numero de etapas
Ejemplo: N=8
8=2^3, por lo que, se
necesitan 3 etapas o
la DFT de 1 solo
valor N/8=1, por lo
que se calcula la
DFT e 1 valor

LA FFT vista en Bloques
Líneas que
bajan no se
multiplican
por ningún
W

LA FFT (Recursividad)




LA FFT como Mariposa para 8 puntos DFT de N/4
DFT de N/2
DFT de N/8
Etapa 1 Etapa 2 Etapa 3
x[n]
Bit invertido X[k]
Simetría
Se encierra
en azul todo
los menores
de
𝑁/2 Con propiedad de la simetría se
≤ 𝑊𝑁 puede simplificar los W a partir de
Y los vamos N/2+1
a reemplazar 𝑊𝑁4 = −𝑊𝑁0
Algoritmo FFT Ejercicio: Encuentre la FFT de x[n]=[-1 2 0 0 4 0 -3 -1], por lo que, N=8
# de etapas: 8=2^n, n=3 etapas
Etapa 1 Etapa 2 Etapa 3 Salida X[k]
Entrada x[n]
X′(𝟎) X′′(𝟎)
=-1
𝑾𝟎𝟖 𝑾𝟎𝟖 𝑾𝟎𝟖
X′(𝟏) X′′(𝟏)
=4
𝑾𝟒𝟖 = −𝑾𝟎𝟖 𝑾𝟐𝟖 𝑾𝟏𝟖
X′(𝟐) X′′(𝟐)
=0 𝑾𝟎𝟖 −𝑾𝟎𝟖
𝑾𝟐𝟖
X′(𝟑) X′′(𝟑)
=-3 −𝑾𝟎𝟖 −𝑾𝟐𝟖 𝑾𝟑𝟖
X′(𝟒) X′′(𝟒)
=2 𝑾𝟎𝟖 −𝑾𝟎𝟖
𝑾𝟎𝟖
X′(𝟓) X′′(𝟓)
=0 −𝑾𝟏𝟖
−𝑾𝟎𝟖 𝑾𝟐𝟖
X′(𝟔) X′′(𝟔)
=0 𝑾𝟎𝟖 −𝑾𝟎𝟖 −𝑾𝟐𝟖
X′(𝟕) X′′(𝟕) 𝑾𝟒𝟖 = −𝑾𝟎𝟖

=-1 −𝑾𝟎𝟖 −𝑾𝟐𝟖 −𝑾𝟑𝟖 112
𝑾𝟔𝟖 = −𝑾𝟐𝟖
𝑗2𝜋 𝑗2𝜋𝑘
− 𝑁
Algoritmo FFT 𝑊𝑁 = 𝑒 − 𝑁 𝑊𝑁𝑘 = 𝑒
Etapa 1
𝑋 ′ 0 = 𝑥 0 + 𝑥 4 𝑊80 = −1 + 4 × 1 = 3
𝑋 ′ 1 = 𝑥 0 − 𝑥 4 𝑊80 = −1 − 4 × 1 = −5
𝑋 ′ 2 = 𝑥 2 + 𝑥 6 𝑊80 = 0 + −3 × 1 = −3
𝑋 ′ 3 = 𝑥 2 − 𝑥 6 𝑊80 = 0 − −3 × 1 = 3
𝑋 ′ 4 = 𝑥 1 + 𝑥 5 𝑊80 = 2 + 0 × 1 = 2
𝑋 ′ 5 = 𝑥 1 − 𝑥 5 𝑊80 = 2 − 0 × 1 = 2
𝑋 ′ 6 = 𝑥 3 + 𝑥 7 𝑊80 = 0 + −1 × 1 = −1
𝑋 ′ 7 = 𝑥 3 − 𝑥 7 𝑊80 = 0 − −1 × 1 = 1

𝑗2𝜋 𝑗2𝜋𝑘 𝑗𝜋
− 𝑁 −
Algoritmo FFT 𝑊𝑁 = 𝑒 − 𝑁 𝑊𝑁𝑘 = 𝑒 𝑊82 = 𝑒 2 = −𝑗
Etapa 2
𝑋 ′′ 0 = 𝑋′ 0 + 𝑋′ 2 𝑊80 = 3 + (−3) × 1 = 0
𝑋 ′′ 1 = 𝑋 ′ 1 + 𝑋 ′ 3 𝑊82 = −5 + 3 × −𝑗 = −5 − 3𝑗
𝑋 ′′ 2 = 𝑋 ′ 0 − 𝑋 ′ 2 𝑊80 = 3 − (−3) × 1 = 6
𝑋 ′′ 3 = 𝑋 ′ 1 − 𝑋 ′ 3 𝑊82 = −5 − 3 × −𝑗 = −5 + 3𝑗
𝑋 ′′ 4 = 𝑋 ′ 4 − 𝑋 ′ 6 𝑊80 = 2 − (−1) × 1 = 1
𝑋 ′′ 5 = 𝑋 ′ 5 + 𝑋 ′ 7 𝑊82 = 2 + 1 × −𝑗 = 2 − 𝑗
𝑋 ′′ 6 = 𝑋 ′ 4 − 𝑋 ′ 6 𝑊80 = 2 − (−1) × 1 = 3
𝑋 ′′ 7 = 𝑋 ′ 5 − 𝑋 ′ 7 𝑊82 = 2 − 1 × −𝑗 = 2 + 𝑗

𝑗2𝜋 𝑗2𝜋𝑘
− 𝑁
𝑗𝜋
−4 𝜋 𝜋 2 2
Algoritmo FFT 𝑊𝑁 = 𝑒 − 𝑁 𝑊𝑁𝑘 = 𝑒 𝑊81 = 𝑒 = cos − 𝑗 𝑠𝑖𝑛 = −𝑗
4 4 2 2
Etapa 3
𝑋 0 = 𝑋′′ 0 + 𝑋′′ 4 𝑊80 = 0 + (1) × 1 = 1
2 2
𝑋 1 = 𝑋 ′′ 1 + 𝑋 ′′ 5 𝑊81 = −5 − 3𝑗 + (2 − 𝑗) × −𝑗
2 2
𝑋 2 = 𝑋 ′′ 2 + 𝑋 ′′ 6 𝑊82 = 6 + 3 × −𝑗 = 6 − 3𝑗
2 2
𝑋 3 = 𝑋 ′′ 3 + 𝑋 ′′ 7 𝑊83 = −5 + 3𝑗 + (2 + 𝑗) × − −𝑗
2 2
𝑋 4 = 𝑋 ′′ 0 − 𝑋 ′′ 4 𝑊80 = 0 − 1 × 1 = −1
2 2
𝑋 5 = 𝑋 ′′ 1 − 𝑋 ′′ 5 𝑊81 = −5 − 3𝑗 − (2 − 𝑗) × −𝑗
2 2
𝑋 6 = 𝑋 ′′ 2 − 𝑋 ′′ 6 𝑊82 = 6 − 3 × −𝑗 = 6 + 3𝑗
2 2
𝑋 7 = 𝑋 ′′ 3 − 𝑋 ′′ 7 𝑊83 = −5 + 3𝑗 − (2 + 𝑗) × − −𝑗
2 2
FFT
𝑋 0 =1 𝑋 4 = −1
𝑋 1 = −4.2 − 5.12𝑗 𝑋 5 = −5.7 − 0.87𝑗 𝑗𝜋
−2
𝑋 2 = 6 − 3𝑗 𝑋 6 = 6 + 3𝑗 𝑊82 = 𝑒 = −𝑗
𝑋 3 = −5.7 + 0.87𝑗 𝑋 7 = −4.29 + 5.12𝑗 𝑗3𝜋
− 4 3𝜋 3𝜋 2 2
𝑊83 = 𝑒 = cos − 𝑗 𝑠𝑖𝑛 =− −𝑗
EPN-DEPARTAMENTO DE ELECTRÓNICA, 4 4 2115 2
Algoritmo FFT
FFT para N=16
FFT para N=4
Simetría
116
IV. Fast Fourier Transform FFT FFT para N=4
117
IV. Fast Fourier Transform FFT FFT para N=16
118
Costo Computacional Algoritmo FFT
FFT
119
Algoritmo FFT en Lenguajes de Programación
FFT vs. DFT
FFT vs. DFT en MATLAB
120
Considere x[n] Señal en la DFT, -> 0,…N-1
-N -N1 N1 N
N-N1
Representar x[n] como una serie Discreta de Fourier

Discrete Fourier Transform (DFT) Discrete Fourier Series (DFS)
DFT
IDFT
Recorre toda la serie periódica

1
Representar x[n] como una serie Discreta de Fourier 𝑎𝑘 = ෨
𝑋[𝑘]
𝑁
x[n]=1 x[n]=0
x[n]=0
x[n]=1
-N -N1 N1 N
N-N1

Sea
x[n]=1 x[n]=0
Caso 1: k = 0, ± N, ± 2 N, …
𝑒0 =1 𝑒 𝑗2𝜋 𝑁1 =1 𝑒 0 = 1 𝑒 −𝑗2𝜋 𝑚 = 1
𝑒 −𝑗2(2𝜋) 𝑚 = 1
-N -N1 N1 N 𝑒 𝑗2(2𝜋) 𝑁1 =1
N-N1

Caso 2: k ≠ 0, ± N, ± 2 N, …
x[n]=1 x[n]=0
𝑛 𝑛−1
𝑎1 (1 − 𝑟 𝑛 )
Usando ෍ 𝑎1 𝑟 𝑖−1 = ෍ 𝑎1 𝑟𝑖 =
1−𝑟
𝑖=1 𝑖=0
-N -N1 N1 N
N-N1

x[n]=1 x[n]=0
N: Número de puntos de la señal
Si N es impar
Si N es par
-N -N1 N1 N
N-N1

Ejemplo
x[n]=1 x[n]=0
-N -N1 N1 N
N-N1
-M a M = -2 a 2 existe 5 muestras que es igual a N=5

Ejemplo
x[n]=1 x[n]=0
-N -N1 N1 N
N-N1
-M a M = -4 a 4 existe 9 muestras que es igual a N=9
Incluso M1 y M2 EPN-DEPARTAMENTO DE ELECTRÓNICA, 128

VI. Discrete-Time Fourier Transform-DTFT
Situación Actual
Señal de longitud finita
Señal de N puntos periódica

Discrete-Time Fourier
Transform (DTFT)
Señal No periódica infinita

DTFT
Valores no enteros
demasiados
pequeños
Podemos aproximar
2pik/N por w de valor
real

Señal periódica en 2pi
Formula de la DTFT
Formula de la Inverse DTFT

Ejemplo de la DTFT
DTFT
Sucesión
Geométrica
Magnitud de la DTFT
Dibujando la DTFT

VI. Discrete-Time Fourier Transform-DTFT Frecuencia
continua cercana a 0
Espectro de la DTFT
Periodicidad de la DTFT en 2pi

Propiedades de la DTFT
Parto desde el Dominio de la Frecuencia
Suma
menor que
inf
Ejemplo

En otras Palabras!!

DTFT

Propiedades DTFT

Ejercicio propuesto DTFT
Determine la DTFT de y[n], donde:
𝑦 𝑛 = 𝑛 + 1 𝛼 𝑛 𝜇[𝑛] 𝛼 < 1, 𝜇[𝑛] es unit step

Hint:
𝑥 𝑛 = 𝛼 𝑛 𝜇[𝑛]
Después utilice 3 de las propiedades de la DTFT (Tabla anterior) para resolver

Gracias
140
Comunicaciones
Análisis de Señales Aleatorias
Período 2023B

AGENDA
I. Variables Aleatorias
II. Procesos Aleatorios (P.A.)
III. Densidad Espectral de Potencia de un P.A.
2
Señales determinísticas vs. señales aleatorias
Variable determinística: Perfectamente
definida
Variable aleatoria: La caracterizamos con

modelos probabilísticos
Definición de Variable aleatoria Real 1/2
Definición de Variable aleatoria Real 2/2 (Ejemplo)
Con que probabilidad

ocurre cada v.a.?
Función de mapeo EPN-DEPARTAMENTO DE ELECTRÓNICA, 5
Función distribución de probabilidad (FDP) de una variable aleatoria (v.a.)
𝐹𝐹𝑥𝑥 𝑋𝑋 = 𝑃𝑃(𝑥𝑥 ≤ 𝑋𝑋)

Variables Discretas Variables Continuas
𝑋𝑋
𝐹𝐹𝑥𝑥 𝑋𝑋 = � 𝑃𝑃 𝑥𝑥 = 𝑋𝑋
𝐹𝐹𝑥𝑥 𝑋𝑋 = � 𝑓𝑓 𝑥𝑥 𝑑𝑑𝑑𝑑
𝑋𝑋∈Ω −∝
Función densidad/masa de probabilidad de una variable aleatoria (v.a.)
FUNCIÓN MASA DE
PROBABILIDAD
𝑝𝑝(𝑥𝑥 = 𝑋𝑋)
FUNCIÓN
VARIABLES
NUMERICAS DISTRIBUCIÓN DE
DISCRETAS PROBABILIDAD
𝐹𝐹𝑥𝑥 𝑋𝑋 = 𝑃𝑃(𝑥𝑥 ≤ 𝑋𝑋)
FUNCIÓN
VARIABLES DENSIDAD DE
NUMERICAS PROBABILIDAD
CONTINUAS
𝑑𝑑𝐹𝐹𝑥𝑥 𝑋𝑋
𝑓𝑓 𝑥𝑥 =
𝑑𝑑𝑑𝑑
Función distribución de probabilidad (FDP) de una variable aleatoria (v.a.)
Si son equiprobables
Función masa de probabilidad
son equiprobables
v.a. distribuida
uniformemente
Función masa de probabilidad
T10
Histograma
Ejemplos Familias de distribuciones
v.a. discreta
uniformemente
distribuida
Histograma
v.a. continua sigue una

distribución gaussiana
Familia de distribuciones
Variables aleatorias Discretas Variables aleatorias Continuas
Función densidad de
Función masa de
probabilidad
probabilidad
1 1
, 𝑓𝑓𝑓𝑓𝑓𝑓 𝑋𝑋 = 𝑎𝑎, . . 𝑏𝑏 , 𝑓𝑓𝑓𝑓𝑓𝑓 𝑋𝑋 ∈ [𝑎𝑎, 𝑏𝑏]
𝑝𝑝 𝑥𝑥 = �𝑛𝑛 𝑓𝑓 𝑥𝑥 = �𝑏𝑏 − 𝑎𝑎
0, 𝑓𝑓𝑓𝑓𝑓𝑓 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 0, 𝑓𝑓𝑓𝑓𝑓𝑓 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
randi([a b], # fil, # col) a+(b-a).*rand(# fil, # col)

Familia de distribuciones
Familia de distribuciones: Distribución Normal o Gaussiana
Función densidad de probabilidad
Familia de distribuciones: Distribución Normal o Gaussiana
Función densidad de probabilidad Función distribución de probabilidad
𝝈𝝈 ∗randn(# fil, # col)+µ
II. Procesos Aleatorios
Maquina Generadora de V.A.
Machine Secuencia discreta
x[n]
Machine of
V.A. randi([a b], # fil, # col)
Machine Secuencia en el tiempo
x[t]
𝝈𝝈 ∗randn(# fil, # col)+µ

Ensemble of Sample Functions
Ensemble=conjunto
Machine
Mismo mu y
sigma
Voltaje de salida
Canal inalámbrico
Definición Proceso Aleatorio Continuo
Proceso
Aleatorio
continuo
Definición Proceso Aleatorio Discreto
Machine
Proceso
Aleatorio
discreto
randi([a b], # fil, # col) .

.
.
Mismo a y b
para todos exp.
n1
Propiedades Estadísticas del Proceso Aleatorio
Periodo infinito
Expected value over the time = time average
Time average de una señal periódica
𝑇𝑇
1
Depende del Tiempo
𝑇𝑇𝑖𝑖𝑖𝑖𝑖𝑖 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 = lim � 𝑥𝑥 𝑑𝑑𝑑𝑑

𝑇𝑇→∞ 𝑇𝑇
𝑡𝑡1 𝑡𝑡1 + 𝑡𝑡0 0
Proceso estocástico en función de la
𝑡𝑡0 variable de integración
No depende del tiempo

∝ 𝑡𝑡 = 𝑡𝑡1 , 𝑡𝑡1 + 𝑡𝑡0 , 𝑡𝑡2 , 𝑡𝑡3 , …
𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 𝑡𝑡 � [𝑥𝑥] 𝑓𝑓(𝑥𝑥)𝑡𝑡 𝑑𝑑𝑑𝑑
𝑡𝑡1 𝑡𝑡1 + 𝑡𝑡0
−∝
Función densidad de probabilidad
evaluada al tiempo t
Proceso estocástico en función de la

variable de integración
𝑡𝑡1 𝑡𝑡1 + 𝑡𝑡0 EPN-DEPARTAMENTO DE ELECTRÓNICA, 20

Proceso Aleatorio ESTACIONARIO (STATIONARITY)
𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 𝑡𝑡1 = 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 𝑡𝑡1 +𝑡𝑡0
ESTACIONARIO
Proceso Aleatorio ERGÓDICO (ERGODIC)
𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 𝑡𝑡 = 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴
ERGODICO
𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴
Media y Autocorrelación de un Proceso Estocástico
𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴
Media y Autocorrelación de un Proceso Estocástico (Ejemplos)
Función de 2Pi
t1=t2
Dibu
Análisis de Fourier
FFT
FFT
068
0
00000000
Análisis Espectral de un Proceso Aleatorio (DSP)
Power Spectral Density - PSD
Promediado=Average
Análisis Espectral de un Proceso Aleatorio (DSP) Power Spectral Density - PSD
N puntos
Squared FFT
Squared FFT
Proceso
Aleatorio
.
.
.
Squared FFT M↑
Mejores Resultados
27
M experimentos Average/N
Fórmulas Cerradas para Power Spectral Density - PSD
Continuo Discreto
∝
𝑆𝑆𝑥𝑥 (𝜔𝜔) = � 𝑟𝑟𝑥𝑥 [𝑘𝑘]𝑒𝑒 −𝑗𝑗𝜔𝜔𝑘𝑘

𝑘𝑘=−∝
= 𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷{𝑟𝑟𝑥𝑥 [𝑘𝑘]}
𝑟𝑟𝑥𝑥 𝑘𝑘 = 𝐸𝐸[𝑥𝑥 𝑛𝑛 𝑥𝑥[𝑛𝑛 + 𝑘𝑘]]
𝜋𝜋
1
𝑟𝑟𝑥𝑥 𝑘𝑘 = � 𝑆𝑆𝑥𝑥 (𝜔𝜔)𝑒𝑒 −𝑗𝑗𝜔𝜔𝑘𝑘 𝑑𝑑𝜔𝜔
2 𝜋𝜋
−𝜋𝜋
Fórmulas Cerradas para Power Spectral Density – PSD Ejemplo
Fórmulas Cerradas para Power Spectral Density – PSD Ejemplo 1/2
Consider the Random process
𝐴𝐴2 𝐴𝐴2 2𝜋𝜋 1 𝐴𝐴2 2𝜋𝜋

𝐸𝐸 cos 𝜔𝜔𝑐𝑐 𝑡𝑡2 + 𝑡𝑡1 + 2Θ = � cos 𝜔𝜔𝑐𝑐 𝑡𝑡2 + 𝑡𝑡1 + 2𝜃𝜃 𝑑𝑑𝑑𝑑 = � cos 𝜔𝜔𝑐𝑐 𝑡𝑡 + 2𝜃𝜃 𝑑𝑑𝑑𝑑 = 0
2 2 0 2𝜋𝜋 4𝜋𝜋 0
1 1
� cos 𝑥𝑥 + 2𝜃𝜃 𝑑𝑑𝑑𝑑 = cos 2𝜃𝜃 sin 𝑥𝑥 + cos 𝑥𝑥 sin 2𝜃𝜃
2 2 EPN-DEPARTAMENTO DE ELECTRÓNICA, 30
Fórmulas Cerradas para Power Spectral Density – PSD Ejemplo 2/2
𝐴𝐴2
𝑅𝑅𝑥𝑥 (𝜏𝜏) = cos[2𝜋𝜋𝑓𝑓𝑐𝑐 𝜏𝜏]
2 ℱ cos 𝑓𝑓𝑐𝑐 𝑡𝑡 = 𝛿𝛿 𝑓𝑓 + 𝑓𝑓𝑐𝑐 + 𝛿𝛿 𝑓𝑓 − 𝑓𝑓𝑐𝑐 /2
PSD
𝐴𝐴2
𝑆𝑆𝑥𝑥 𝑓𝑓 = [𝛿𝛿 𝑓𝑓 + 𝑓𝑓𝑐𝑐 + 𝛿𝛿 𝑓𝑓 − 𝑓𝑓𝑐𝑐 ]
4
−𝑓𝑓𝑐𝑐 0 𝑓𝑓𝑐𝑐 𝑓𝑓
Fórmulas Cerradas para Power Spectral Density – PSD 1/2
Ruido Blanco
𝑁𝑁0 = 𝑘𝑘𝑇𝑇𝑟𝑟𝑟𝑟𝑟𝑟 𝐹𝐹𝑁𝑁
Ruido Blanco
Fórmulas Cerradas para Power Spectral Density – PSD 2/2
Ruido Blanco
𝑁𝑁0
𝑆𝑆𝑁𝑁 𝑓𝑓 = Watts/Hz
2
+∝
𝑆𝑆𝑁𝑁 𝑓𝑓 = ℱ 𝑅𝑅𝑁𝑁 (𝜏𝜏) = � 𝑅𝑅𝑁𝑁 𝜏𝜏 𝑒𝑒 −2𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 𝑑𝑑𝑑𝑑
−∝
𝑁𝑁0 +∝ 𝑁𝑁0
= � 𝛿𝛿 𝜏𝜏 𝑒𝑒 −2𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 𝑑𝑑𝑑𝑑 =
2 −∝ 2
PSD en Matlab
PSD en Matlab
pwelch takes the DFT of Navg = 16 overlapping segments of x,

each of length nfft, then averages the |X(k)|2 of the DFT’s.
2 8192
𝑁𝑁𝑎𝑎𝑎𝑎𝑎𝑎 = = 16
1024
Gracias
37

Resumen Análisis de Señales Discretas para Comunicaciones 2023B EPN - Ing. David Vega

Cargado por

Copyright:

Formatos disponibles

Resumen Análisis de Señales Discretas para Comunicaciones 2023B EPN - Ing. David Vega

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Resumen Análisis de Señales Discretas para Comunicaciones 2023B EPN - Ing. David Vega

Cargado por

Copyright:

Formatos disponibles

Análisis de Señales Discretas para

Profesor: José David Vega Sánchez

✓ Sobre Trabajos en MATLAB (30%)

Profesor: José David Vega Sánchez

I. Introducción a las Señales Digitales

✓ Descripción de la evolución de un fenómeno físico

✓ Análisis: Entender la información que lleva la señal

Señal Digital Mundo Digital

Modelos discretos son

Cita de tiempo o • No tiene dimensión física

Estamos perdiendo información con el modelo discreto?

I. Introducción a Señales Digitales

Como obtener mi señal continua a partir de la Discreta?

x(t) x[n] y[x] y(t)

DvD tiene un láser para reflejar Pendrive

✓ Robustez: nivel de Tensión no exacta de Voltaje)

Bits enviados alterando la

procesamiento digital de señales.

n: es un valor entero y representa instantes discretos

x(n) : es una secuencia numérica (muestras) , denotada

• El vector no tiene información respecto a la posición n.

• Señal discreta : x(n) = {3 ,1 , -1 , 4 , 5, 10, -4, -2, 1}

>> x = [3, 1,-1, 4 , 5, 10, -4, -2, 1];

>> delta = zeros (1, 10);

• Utilizando subplot graficar una señal impulso δ(n-5),

•Secuencia uniformemente distribuida

•Utilizando subplot graficar la señal de audio del canal

Profesor: José David Vega Sánchez

I. Señales en Tiempo Discreto

✓ Es una secuencia de números complejos/naturales

La señal sinusoidal Angular frequency

✓ Soporte Finito ✓ Periódica

donde N es el Período de la señal

✓ Periódica donde N es el Período de la señal

Shift by 1 de Secuencia de Soporte Finito

Shift by 2 de Secuencia de Soporte Finito

Shift by 3 de Secuencia de Soporte Finito

Shift by 4 de Secuencia de Soporte Finito

Shift by 1 de Secuencia Periódica

Shift by 2 de Secuencia Periódica

Shift by 3 de Secuencia Periódica

✓ Una secuencia arbitraria puede ser representada por la suma de impulsos

➢ Señales de Potencia: Tienen finita y infinita (e.g., señales periódicas)

Creando Loops M=3, alpha=1

Creando Loops M=2, alpha=1

We can make music with that!

Inicial point Final point

Condición para Periodicidad

One point, many names, is called “Aliasing”

Rápido en una dirección (sentido

Se produce una velocidad menor

Pi es la mayor frecuencia digital a la

Profesor: José David Vega Sánchez

Señal Análoga Muestreo Muestreo y Cuantización Reconstrucción

Señal discreta (computador)

Como obtener mi señal continua a partir de la Discreta?

De donde sales esas señales a sumarse?

✓ Señal continua tiene un valor para cada

𝑥𝑐 (𝑡𝑐 ) = 𝐴 cos(Ω𝑜 𝑡𝑐 ) 𝑥[𝑛] = 𝐴 cos(𝜔𝑛)