Procesamiento Digital de

Señales

Ing. Víctor Hugo Rivera Chávez

SEGUNDA FASE
EPIE - UCSM
Objetivos generales
• Poder analizar el comportamiento de señales y sistemas
lineales discretos en los dominios del tiempo y la
frecuencia, empleando los conceptos de convolución,
transformada discreta de Fourier, transformada Z, y
otros conceptos más.
• Conocer los conceptos básicos para el diseño de filtros
digitales.
Temario

I. Muestreo de señales y conversión A/D

II. Análisis de señales y sistemas discretos en
el dominio del tiempo
III. La Transformada Z
IV. Análisis de señales y sistemas discretos en
el dominio de la frecuencia
V. Introducción al diseño de filtros digitales
Bibliografía
Libro de texto
• Digital Signal Processing: Principles,
algorithms and applications
J. G. Proakis & D. G. Manolakis.
Pearson Education Inc. 3a Ed. 1996.

Libros de consulta
• Introduction to Signals and Systems
D. K. Lindner
McGraw Hill, 1999.
• Signals and Systems: Continuous and Discrete.
R. E. Ziemer, W. H. Tranter & D. R. Fannin
Prentice Hall, 4a Ed. 1998
• Principles of Signals and Systems
F. J. Taylor
McGraw Hill, 1a Ed. 1994
• Signals and Systems
A. V. Oppenheim
Prentice Hall, 1a Ed. 1993.
• Analog and Digital Communication Systems
M. S. Roden
Prentice Hall, 4a Ed. 1996.
IV. Análisis de señales y de
sistemas discretos en el
dominio de la frecuencia

0. Introducción
1. La transformada discreta de Fourier.
2. La transformada rápida de Fourier
 Módulo 4

0. Introducción
Representación de señales periódicas (SDF).
Sea x (n) una señal periódica de periodo N, tal que
x(n) = x(n + N) para toda n. Esta señal se puede representar
mediante un desarrollo de series de Fourier:
N -1
x ( n ) = å ck e j ( 2p N ) kn

k =0

donde k es un entero y {ck} son los coeficientes de la

representación. A causa de la periodicidad tenemos

ek (n) = e j ( 2p N ) kn
= ek (n + N )
Solo bastan N exponenciales complejas periódicas para la
representación de x(n) en series de Fourier.
 Módulo 4

Empleando propiedades de ortogonalidad y manipulación

matemática podemos obtener los coeficientes de la serie
de Fourier a partir de x(n):
N -1
1
ck =
N
å x(n)e
n =0
- j ( 2p N ) kn

Donde la secuencia ck es periódica con periodo N, esto es,

ck = ck+N.
Entonces, el espectro de una señal x(n) periódica con
periodo N, es también una secuencia periódica de periodo
N.
Determinar el espectro de: x(n) = cos 2pn

pn
x(n) = cos
3
x(n) = {1,1,0,0} con N = 4
 Módulo 4

Propiedades del desarrollo en SFD.

Linealidad.
Dadas dos señales periódicas x1(n) y x2(n), ambas con
periodo N, tales que

Entonces

Desplazamiento de una señal.

Si una señal periódica x(n), tiene como coeficientes de
Fourier ck, entonces x(n - m) es una versión desplazada de
x(n) y
 Módulo 4
Convolución periódica.
Sean x1(n) y x2(n) dos secuencias periódicas, ambas con
periodo N, y cuyos coeficientes de su desarrollo en serie de
Fourier son c1k y c2k respectivamente. Si tenemos

Entonces la convolución de estas secuencias es:

En resumen

Por dualidad
 Módulo 4

Dualidad.
Si

entonces
 Módulo 4
Transformada de Fourier de señales
aperiódicas en tiempo discreto.
La TF de una señal de energía finita x(n) (aperiódica) en el
tiempo discreto se define como

X(ω) es una descomposición de x(n) en sus componentes de

frecuencia. Donde, X(ω) es periódica con periodo 2π, esto es

Finalmente, la transformada inversa es:

 Módulo 4

1. La transformada discreta de Fourier

Muestreo en el dominio de la frecuencia y
reconstruccion de señales en tiempo discreto.
Consideremos una señal aperiódica en tiempo discreto x(n),
con transformada de Fourier

Ahora, muestreamos X(ω) periódicamente a una tasa de

δω = 2π/N radianes. Si ω= 2πk/N entonces cada muestra de
X(ω) es

k = 0, 1, …, N - 1
 Módulo 4

X(kδω)
 Módulo 4
Reacomodando tenemos que cada muestra es:

para k = 0, 1, …, N-1. periódica

La señal

obtenida repitiendo x(n) cada N muestras, es periódica con

periodo fundamental N, y puede desarrollarse en serie de
Fourier como

Cuyos coeficientes de Fourier son:

 Módulo 4

Entonces tenemos que

Por lo tanto la señal periódica xp(n) puede obtenerse a partir

de las muestras de X(ω)

x(n) puede recuperarse a partir de xp(n) si no existe aliasing

en el dominio del tiempo, es decir, si x(n) no está limitada en
tiempo a una duración menor que el periodo N de xp(n).
Módulo 4
 Módulo 4
Dado que x(n) = xp(n) para 0 ≤ n ≤ N – 1 tenemos que la
señal original x(n) obtenida de las muestras de X(ω) es

Ahora bien

Función de interpolación
Y si definimos
 Módulo 4

La transformada de Fourier obtenida a partir de sus

muestras estará dada por

Donde no se presente aliasing.

P(ω) tiene la propiedad

En consecuencia, obtendremos exactamente los valores de

las muestras X(2πk/N) para ω = 2πk/N.
Consideremos la señal x(n) = anu(n) con 0 < a < 1. Su espectro se muestrea
a ωk = 2πk/N con k = 0, 1, …, N-1. Determinar el espectro reconstruido para
a = 0.8 cuando N = 5 y N = 50
 Módulo 4

La Transformada de Fourier Discreta (DFT).

Recordemos que una señal periódica es:

Considerando solo las L muestras de esta señal tenemos

Cuando se muestrea X(ω) a una tasa de 2πk/N podemos

decir que
 Módulo 4

Finalmente, las fórmulas de la DFT e IDFT de x(n) son:

 Módulo 4

La DFT como una transformación lineal

Las fórmulas para la DFT e IDFT de x(n) se pueden

expresar como:

donde:
 Módulo 4

Si definimos las señales como vectores:

 Módulo 4

Podemos expresar de forma matricial la DFT

Donde WN es la matriz de transformación lineal.

La IDFT se expresa como

o bien

Donde
Calcula la DFT de la secuencia de cuatro puntos x(n) = {0 1 2 3}
 Módulo 4
Propiedades de la DFT
La DFT es un conjunto de N muestras {X(k)} de la TF X(ω)
de una señal finita {x(n)} de longitud L ≤ N.
El muestreo de X(ω) se presenta en N frecuencias
igualmente espaciadas ωk = 2πk/N, k = 0, 1, 2, .., N-1.
Las N muestras {X(k)} representan a la secuencia {x(n)} en
el dominio de la frecuencia.
Las DFT e IDFT de una secuencia {x(n)} de N puntos son:
 Módulo 4
Periodicidad
Si x(n) y X(k) son un par de la DFT de N puntos, entonces
x(n + N) = x(n) para toda n
X(k + N) = X(k) para toda k

Linealidad.

Si

entonces para cualquier par de constantes a1 y a2, reales o

complejas, se cumple
 Módulo 4
Simetría circular de una secuencia.
La DFT de N puntos de la señal x(n) con longitud L ≤ N
equivale a la DFT de N puntos de la secuencia periódica
xp(n) de periódo N, la cual se obtiene extendiendo x(n)
periódicamente así

Si desplazamos xp(n) en k unidades a la derecha tenemos

y además vemos que

se relaciona con la secuencia original x(n) por medio de un

desplazamiento circular.
 Módulo 4
En general, el desplazamiento circular de una secuencia se
puede representar como el índice de módulo N.

Ejemplo, con k = 2 y N = 4, tenemos

Lo cual implica que

x’(n) es x(n) desplazada circularmente dos unidades de

tiempo en el sentido opuesto a las manecillas del reloj.
 Módulo 4

x(n)

x(1) = 2
n
0 1 2 3

xp(n) x(2) = 3 x(n) x(0) = 1

n
-4 -3 -2 -1 0 1 2 3 4 5 6 7
x(3) = 4

xp(n-2)
x’(1) = 4
n
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5

x’(n) x’(2) = 1 x(n) x’(0) = 3

n
0 1 2 3 x´(3) = 2
 Módulo 4

Una secuencia de N puntos es circularmente par si es

simétrica respecto al punto cero en el círculo. Esto implica
que

Una secuencia de N puntos es circularmente impar si es

antisimétrica respecto al punto cero en el círculo. Esto
implica que

El tiempo inverso de una secuencia de N puntos se obtiene

invirtiendo sus muestras alrededor del punto cero en el
círculo. Así, la secuencia x((-n))N esta dada por

que equivale a dibujar x(n) en el sentido de las manecillas

del reloj en un círculo.
 Módulo 4

Propiedades de simetría de la DFT.

Asumimos que la secuencia de N puntos x(n) y su DFT son
complejas, pudiéndose expresar como:

Sustituyendo en la expresión de la DFT

 Módulo 4

De manera similar, para la IDFT tenemos:

Secuencias reales.
Si x(n) es real, tenemos que

En consecuencia
 Módulo 4

Secuencias reales y pares.

Si x(n) es real y par, esto es,

Entonces XI(k) = 0 y la DFT se reduce a

y la IDFT a
 Módulo 4

Secuencias reales e impares.

Si x(n) es real e impar, esto es,

Entonces XR(k) = 0 y la DFT se reduce a

y la IDFT a
 Módulo 4

Secuencias puramente imaginarias.

En este caso x(n) = jxI(n) y en consecuencia,

donde XR(k) es impar y XI(k) es par.

Si xI(n) es impar, XI(k) = 0 y por lo tanto X(k) es puramente
real.
Si xI(n) es par, XR(k) = 0 y por lo tanto X(k) es puramente
imaginaria.
 Módulo 4

En resumen
 Módulo 4

Multiplicación de DFTs y convolución circular.

Tenemos dos señales de longitud N, x1(n) y x2(n) con sus
respectivas DFT de N puntos.

Si las multiplicamos tenemos

que corresponde a una secuencia x3(n) de longitud N.

 Módulo 4

La IDTF de {X3(n)} es

Sustituyendo, manipulando matemáticamente y aplicando

convergencias geométricas llegamos a:

que tiene la forma de una suma de convolución la cual

involucra al índice ((m-n))N y es denominada convolución
circular.
 Módulo 4
Realiza la convolución circular de las siguientes dos secuencias:
 Módulo 4
Realiza la convolución de las siguientes dos secuencias a partir de la DFT e IDFT
 Módulo 4

Convolución circular.

Si

entonces
 Módulo 4

Propiedades adicionales.
Tiempo inverso de una secuencia.
Si

Entonces

Por lo tanto, invertir la secuencia de N puntos en el tiempo

equivale a invertir los valores de la DFT.
x(2) x(6)

x(3) x(1) x(5) x(7)

x(4) x(0) x(4) x(0)

x(5) x(7) x(3) x(1)

x(6) x(2)
 Módulo 4

Desplazamiento circular en tiempo de una secuencia.

Si

Entonces

Desplazamiento circular en frecuencia.

Si

Entonces
Propiedades del conjugado complejo. Módulo 4

Si

Entonces

Correlación circular.
En general, para las secuencias complejas x(n) y y(n), si

Entonces

donde rxy(l) es la secuencia de correlación cruzada (no

normalizada) definida como
 Módulo 4

Multiplicación de dos secuencias.

Si

Entonces

Teorema de Parseval.
En general, para las secuencias complejas x(n) y y(n), si

Entonces
 Módulo 4

Métodos de filtrado lineal basados en la DFT.

Uso de la DFT en filtrado lineal.
Supogamos que tenemos una secuencia x(n) de longitud L,
que excita un filtro FIR de longitud M. Sea

Donde h(n) es la respuesta al impulso.

La salida y(n) puede expresarse como

cuya duración es L + M - 1.
El equivalente en el dominio de la frecuencia es
 Módulo 4

Si y(n) se representa través de Y(ω) en un conjunto de

frecuencias discretas, el número de éstas debe ser mayor o
igual a L + M - 1. Entonces, necesitamos una DFT de
tamaño N ≥ L + M - 1, para representar {y(n)} en el dominio
de la frecuencia. Ahora, si

entonces

Donde {X(k)} y {H(k)} son las DFTs de N muestras de x(n) y

h(n), respectivamente.
Como x(n) y h(n) son menores a N, se rellenan estas
secuencias con ceros hasta alcanzar una longitud N.
Usando TDF y TDFI determinar la respuesta del filtro FIR con respuesta al impulso
h(n) = {1, 2, 3} a la secuencia de entrada x(n) = {1, 2, 1, 2} para 8 puntos.

Determinar la secuencia de salida y(n) resultante de usar cuatro puntos de la TDF

del ejemplo anterior. ¿Qué se observa?
 Módulo 4

Filtrado de secuencias de larga duración.

La entrada se fragmenta en bloques y cada uno se

procesa con la TDF y TIDF para obtener bloques de salida
que se unen para conseguir la salida global.
Existen dos métodos:
• Método de solapamiento y almacenamiento
• Método de solapamiento y suma.
En ambos, suponemos al filtro FIR de longitud M.
La entrada se fragmenta en bloques de tamaño L.
Donde L >> M .
 Módulo 4
Método de solapamiento y almacenamiento

El tamaño de los bloques de entrada es N = L + M – 1.

La longitud de cada TDF y TIDF es N.
Cada bloque de datos contiene al menos M -1 puntos del
bloque de datos anterior, seguido de L nuevos puntos.
Se calcula la TDF de N puntos para cada bloque.
Se aumenta el tamaño del filtro de respuesta al impulso
agregando L - 1 ceros.
Se calcula la TDF de los N puntos y se almacena.
La multiplicación de las dos TDF de N puntos, {X(k)} y
{H(k)}, correspondiente al m-ésimo bloque de datos da
lugar a:

Y la TIDF de N puntos nos da:

 Módulo 4

Para evitar pérdida de datos por aliasing, se almacenan

los últimos M – 1 puntos de cada registro de datos, los
cuales vienen a ser los M -1 puntos del registro siguiente.
Para empezar el procesamiento, los M - 1 primeros se
hacen iguales a cero. Por lo tanto

y así sucesivamente.
 Módulo 4

L L L
Señal de entrada

M – 1 ceros
x1(n)

x2(n)

x3(n)

Señal de salida

y1(n)

Despreciar y2(n)
M – 1 puntos
y3(n)
 Módulo 4
Método de solapamiento y suma

El tamaño de los bloques de entrada es L.

La longitud de cada TDF y TIDF es N = L + M - 1.
A cada bloque de datos se le agregan M -1 ceros y se
calcula la TDF de N puntos.
Por lo tanto, cada bloque puede representarse como:

y así sucesivamente.
Las dos DFTs de N puntos se multiplican para formar
 Módulo 4

La TIDF da como resultado bloques de tamaño N que no

están afectados por el aliasing.
Los últimos M -1 puntos de cada bloque de salida deben
solaparse y sumarse a los M - 1 primeros del siguiente.
La secuencia de salida es:
 Módulo 4

L L L
Señal de entrada

x1(n)
M – 1 ceros
x2(n)

x3(n)

Señal de salida

y1(n)

y2(n)

M – 1 puntos
añadidos al y3(n)
mismo tiempo
 Módulo 4

2. La Transformada Rápida de
Fourier (FFT)
El problema al calcular la TDF se halla en obtener la
secuencia {X(k)} de N números complejos a partir de {x(n)}
con longitud N según:

con
En general, se supone que {x(n)} también es compleja.
De manera similar, la TIDF viene dada por:
 Módulo 4

Tanto para la TDF, como para la TIDF se realizan el

mismo tipo de operaciones.
Para cada valor k, el cálculo directo de X(k) supone llevar
a cabo N multiplicaciones complejas (4N reales) y N - 1
sumas complejas (4N - 2 reales).
Para calcular los N valores de la TDF se requieren N2
multiplicaciones complejas y N2 - N sumas complejas.
Por eso el cálculo directo de la TDF es ineficiente y no
explota las propiedades de simetría y periodicidad del
factor de fase WN:
 Módulo 4
Metodología “divide y vencerás”
Método basado en la descomposición de la TDF de N puntos
en TDF más pequeñas, y lleva a una familia de algoritmos
computacionalmente eficientes: FFT.
Consideremos el cálculo de una TDF de N puntos donde
N = LM.
x(n) puede almacenarse en un vector con índice n, o en una
matriz con índices l (renglones) y m (columnas).
Y de igual manera podemos almacenar X(k).
El almacenamiento matricial supone dos posibles
configuraciones:
l-m 0 1 … M-1 l-m 0 1 … M-1
0 x(0) x(1) … x(2M-1) 0 x(0) x(L) … x((M-1)L)
1 x(2M) x(2M+1) … x(3M-1) 1 x(1) x(L+1) … x((M-1)L+1)

… … … … … … … … … …

L-1 x((L-1)M) x((L-1)M+1) … x(LM-1) L-1 x(L-1) x(2L-1) … x(LM-1)

 Módulo 4

Ponemos a x(n) en una matriz x(l, m) y a X(k) en X(p, q).

Así la TDF puede expresarse de la siguiente manera:

Pero

Sin embargo

Entonces
 Módulo 4

El cálculo de esta TDF tiene tres pasos:

1. Calcular las TDF de M puntos para cada renglón
l = 0, 1, …, L-1.

2. Calcular la nueva matriz G(l, q) definida como

3. Calcular las TDF de L puntos para cada columna

q = 0, 1, …, M – 1 de la matriz G(l, q).
Calcular la TDF para N = 15 con L = 5 y M = 3.
 Módulo 4

Otro algoritmo similar sería:

Resumido de la siguiente manera:

1. Almacenar la señal por renglones
2. Calcular la TDF de L puntos en cada columna
3. Multiplicar la matriz resultante por WNpm
4. Calcular la TDF de M puntos de cada renglón
5. Leer por columnas la matriz resultante
 Módulo 4

COMPARACIÓN DE LA COMPLEJIDAD COMPUTACIONAL

ENTRE LA TDF Y LA FFT.
Número de Multiplicaciones Multiplicaciones Factor de
puntos, complejas en el complejas en el mejora de la
N cálculo directo, algoritmo FFT, velocidad
N2 (N/2)log2N
4 16 4 4.0
8 64 12 5.3
16 256 32 8.0
32 1024 80 12.8
64 4096 192 21.3
128 16384 448 36.6
256 65536 1024 64.0
512 262144 2304 113.8
1024 1048576 5120 204.8
 Módulo 4

Otros algoritmos:
1. Algoritmos para la FFT base 2
2. Algoritmos para la FFT base 4
3. Algoritmos para la FFT de base partida
V. Introducción al diseño de
filtros digitales

1. Diseño de filtros IIR

2. Diseño de filtros FIR
 Módulo 5

1. Diseño de Filtros IIR

El problema es determinar los coeficientes requeridos por la

ecuación diferencial lineal para realizar la síntesis.
Las estructuras resultantes se conocen como filtros digitales.
Clasificados en:
- Filtros de respuesta infinita al impulso unitario (IIR)
- Filtros de respuesta finita al impulso unitario (FIR)
Los filtros IIR emplean estructuras recursivas, mientras los
filtros FIR emplean estructuras no recursivas.
En el diseño de filtros IIR se parte de una función de
transferencia analógica H(s) para determinar el sistema
discreto H(z) para lo cual se emplean técnicas del dominio
del tiempo o de la frecuencia.
 Módulo 5

Síntesis en el dominio del tiempo

Diseño invariante al impulso.

ha(t) ha(n)
δ(t) Filtro
Muestreador
analógico
Secuencias
Invarianza idénticas
Fuente de al impulso
señales equivalente
x(t) = δ(t)
h(n)
Filtro
Muestreador
digital
 Módulo 5

Para ilustrar esta técnica asumimos que la función de

transferencia de un filtro analógico tiene m polos reales
distintos:

Aplicando la transformada inversa de Laplace tenemos

para la respuesta al impulso del filtro analógico.

La transformada Z de la respuesta al impulso unitario es

Sustituyendo tenemos
 Módulo 5

Intercambiando sumatorias, sumando en n y con

convergencia geométrica tenemos:

Este filtro tiene una respuesta equivalente a la respuesta al

impulso muestreada del filtro analógico del cual se derivó.
La respuesta al impulso del filtro digital debe multiplicarse
por T = 1/fs para aproximarse a la amplitud de la respuesta al
impulso del filtro analógico. Así, la función de transferencia
queda:
 Módulo 5

Σ
K1

z-1

X(z) Σ Σ Y(z)
T K2

z-1

Σ
Km

z-1
Diseñar un filtro digital invariante al impulso a partir de la siguiente función
de transferencia.
 Módulo 5
Síntesis general invariante en el tiempo.

Entrada: Salida:
Dominio t: x(t) Dominio t: y(t) = x(t)*ha(t)
Dominio s: Xa(s) Filtro Dominio s: Y(s) = Xa(s)Ha(s)
analógico
ha(t), Ha(s)

Invariantes
Muestras equivalentes
Muestras
en el dominio
del tiempo
Entrada: Salida:
Dominio t: x(n) Dominio t: y(n) = x(n)*h(n)
Dominio z: X(z) Filtro Dominio z: Y(z) = X(z)Ha(z)
digital
h(nT), H(z)
 Módulo 5

Los coeficientes del filtro que determinan H(z) se ajustan

hasta que la salida muestreada del filtro analógico
corresponda a la salida del filtro digital.
La H(z) requerida se determina de la siguiente forma:

Las muestras de salida del filtro digital son:

La transformada Z de esta cantidad es:

La constante G se ha incluido para proporcionar respuestas

de frecuencia similares entre filtros. La ecuación general de
la síntesis es entonces:
 Módulo 5

Para la invarianza al impulso se emplea:

X(z) = Xa(s) = 1 y G = T
De modo que la ecuación de síntesis queda:

Otro procedimiento empleado para la síntesis de filtros

digitales que usen un criterio del dominio del tiempo es el
procedimiento de invarianza al escalón unitario. Donde :
Xa(s) = 1/s, G = 1 y X(z)=1/(1-z-1)
Lo que da como resultado
Diseñar un filtro digital invariante al escalon a partir de la siguiente función
de tranferencia.
 Módulo 5

Diseño en el dominio de la frecuencia

La transformada z bilineal.

Esta técnica resuelve el problema de aliasing que presentan

los métodos de invarianza en el tiempo pues no necesita la
transformada inversa de Ha(s).
La función de transferencia del filtro analógico se limita en
su ancho de banda:

Como una función de transferencia analógica no satisface

esta propiedad, debe modificarse con transformaciones no
lineales para limitarla en banda. La técnica consiste en
transformar todo el plano complejo s, en un plano s1 tal que
todo el eje jω en el plano s se traslada en el plano s1 a la
región:
 Módulo 5
Una de las transformaciones que satisface este requisito es:

La constante C se puede escoger de modo que se pueda

establecer la correspondencia ω = ω1 para cualquier
frecuencia. Por ejemplo, si ω = ω1 = ωr tenemos

Para una ωr pequeña tal que

tendremos
 Módulo 5
La respuesta dc del filtro digital con transformación bilineal z
es siempre igual a la respuesta dc del filtro analógico del
cual se derivó.
El filtro digital se detemina a partir de Ha(s1) siendo

Entonces se establece la siguiente relación:

El filtro digital H(z) se determina a partir del filtro analógico

Ha(s1) simplemente sustituyendo para s en Ha(s)
Diseñar el filtro digital equivalente al filtro Butterworth de segundo orden paso
bajas, con ancho de banda de 3 dB de ωc rad/s.

Un integrador analógico está definido por Ha(s) = 1/s. Obtener el integrador

digital con C = 2/T.
 Módulo 5
La transformada z bilineal en filtros paso-banda.

Un filtro paso-banda se puede generar a partir de un filtro

paso-bajas sustituyendo s en la función del sistema por

ωc es el centro geométrico de la frecuencia y ωb es el ancho

de banda del filtro paso-banda. El filtro digital es entonces
generado reemplazando s por

Simplificando

Donde
 Módulo 5

El problema es determinar los valores apropiados de A y B.

Dado que ωc es la frecuencia geométrica, ésta es

Donde ωu y ωl son las frecuencias críticas superior e inferior.

Tenemos entonces que:

Reconociendo que
Tal que rx = fx/fs llegamos a
Diseñar el filtro digital paso banda si fs = 5 kHz, fu = 1 kHz y fl = 500 Hz a 3 dB si
 Módulo 5

2. Diseño de Filtros FIR

Para el diseño de filtros FIR partimos de la respuesta a la

frecuencia deseada.
Por lo tanto, es posible diseñar filtros digitales que no tengan
un prototipo analógico equivalente.
Un filtro FIR puede diseñarse expandiendo la respuesta a la
amplitud deseada en una serie de Fourier y desplazando la
respuesta al impulso unitario hasta tener un filtro causal.
En general, una representación exacta de la respuesta a la
frecuencia deseada no es posible con un número finito de
términos, y la serie de Fourier debe truncarse para tener un
filtro útil, por lo que obtenemos solo una aproximación.
Diseñar un filtro FIR digital con la siguiente función de transferencia

Donde r es la frecuencia normalizada definida como r = f/fs

 Módulo 5
Filtros FIR: Técnica de diseño general.

De manera general podemos escribir:

Sea 2πr = ω entonces

Multiplicando por ej2πlr e integrando para un periodo tenemos

Como
 Módulo 5

Tenemos

Reemplazando n por l

hd(n) representa la respuesta al impulso unitario de un filtro

digital no causal respondiendo a la frecuencia deseada.
En este punto se presentan dos problemas:
1. El filtro digital es no causal. Esto se soluciona desplazando
la respuesta hasta que sea causal, pero debe ser la respuesta
de extensión finita.
2. A menos que la respuesta pueda expresarse en un número
finito de términos, los coeficientes deben truncarse, lo que
introduce cierto error.
 Módulo 5

Truncar los coeficientes nos produce

Otra manera de truncar es:

Donde wr(n) es una función ventana rectangular definida por

Cuya transformada de Fourier es:

 Módulo 5
Filtros causales.

Un filtro causal Hc(z) se puede generar a partir de Hnc(z)

multiplicando esta última por z-M con lo que tenemos:

Si k = n + M

Si definimos los pesos del filtro causal como Lk, donde

Tendremos
 Módulo 5

Su implementación y respuesta al impulso del FIR es:

X(z) Σ Y(z)
L0

z-1

L1
z-1 Lk

L2 L4
L1
z-1 L0 L3 LM L2M-1
L2 L2M-2 L2M

k
0 1 2 3 4 M 2M-1 2M
z-1

L2M
 Módulo 5

Sumario de diseño.
1. Se selecciona una frecuencia de muestreo, considerando
el ancho de banda de la señal a procesar, y se define la
variable de frecuencia normalizada r.
2. La respuesta a la frecuencia Hd(ej2πr) se expande. Los
coeficientes resultantes hd(n) son la respuesta al impulso
unitario del filtro no causal y es de extensión infinita.
3. La secuencia hd(n) se hace finita multiplicándola por una
función ventana. El resultado, Hnc(z),es la función de
transferencia al impulso no causal finita.
4. Hnc(z) se multiplica por z-M con M seleccionada para
asegurar que se obtiene de un filtro causal.
5. Adicionalmente pueden calcularse las respuesta a la
amplitud y fase para ver si se cumplen las
especificaciones establecidas.
Diseñar un diferenciador digital FIR si
Aproximar un filtro ideal paso-bajas usando 17 pesos. Se asume que el ancho
de banda del filtro es 0.15 fs, con
Considerar un desplazador de fase de 90° conocido como filtro de Hilbert.
Realizar su diseño digital si: