Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
ELECTRÓNICA Y
ELÉCTRICA
2018-II
EXPERIMENTO N°3
TEMA 3 – DISEÑOS DE FILTROS Y ECUALIZADOR DIGITAL
I. OBJETIVO
III. PROCEDIMIENTO
1. Diseñe un ecualizador digital usando el comando ELLIP y grafique las ondas en el dominio
del tiempo y su respectiva transformada de Fourier. Dibuje el esquema de bloques
correspondiente del ecualizador resultante.
Fs=8000;
t=(1:8000)/Fs;
f1=sin(2*pi*t*500); f2=sin(2*pi*t*1500); f3=sin(2*pi*t*3000); f4=sin(2*pi*t*4000);
s=f1+f2+f3+f4;
figure(1)
plot(t,s)
axis([0 0.01 -4 4])
pkg load signal [b,a]=ellip(4,0.1,40,[100 1000]*2/Fs)
[H,w]=freqz(b,a,512);
figure(2)
plot(w*Fs/(2*pi),abs(H));
sf1=filter(b,a,s);
figure(3)
plot(t,sf1)
xlabel('Tiempo(seg)'); ylabel('FORMA DE ONDA VS TIEMPO')
axis([0 0.01 -4 4])
S1=fft(s,513);
SF1=fft(sf1,513);
w=(0:255)/256*(Fs);
figure(4)
plot(w,abs([S1(1:256);SF1(1:256)]));
xlabel('FRECUENCIA(Hz)'); ylabel('MAG. DE TRANSF. DE FOURIER')
[b,a]=ellip(4,0.1,40,[1000 2000]*2/Fs)
[H,w]=freqz(b,a,512);
figure(5)
plot(w*Fs/(2*pi),abs(H));
sf2=filter(b,a,s);
figure(6)
plot(t,sf2)
xlabel('Tiempo(seg)'); ylabel('FORMA DE ONDA VS TIEMPO')
axis([0 0.01 -4 4])
S2=fft(s,513);
SF2=fft(sf2,513);
w=(0:255)/256*(Fs);
figure(7)
plot(w,abs([S2(1:256);SF2(1:256)]));
xlabel('FRECUENCIA(Hz)'); ylabel('MAG. DE TRANSF. DE FOURIER')
[b,a]=ellip(4,0.1,40,[2500 3500]*2/Fs)
[H,w]=freqz(b,a,512);
figure(8)
plot(w*Fs/(2*pi),abs(H));
sf3=filter(b,a,s);
figure(9)
plot(t,sf3)
xlabel('Tiempo(seg)'); ylabel('FORMA DE ONDA VS TIEMPO')
axis([0 0.01 -4 4])
S3=fft(s,513);
SF3=fft(sf2,513);
w=(0:255)/256*(Fs);
figure(10)
plot(w,abs([S3(1:256);SF3(1:256)]));
xlabel('FRECUENCIA(Hz)'); ylabel('MAG. DE TRANSF. DE FOURIER')
[b,a]=ellip(4,0.1,40,[3500 3900]*2/Fs)
[H,w]=freqz(b,a,512);
figure(11)
plot(w*Fs/(2*pi),abs(H));
sf4=filter(b,a,s);
figure(12)
plot(t,sf4)
xlabel('Tiempo(seg)'); ylabel('FORMA DE ONDA VS TIEMPO')
axis([0 0.01 -4 4])
S4=fft(s,513);
SF4=fft(sf2,513);
w=(0:255)/256*(Fs);
figure(13)
plot(w,abs([S4(1:256);SF4(1:256)]));
xlabel('FRECUENCIA(Hz)'); ylabel('MAG. DE TRANSF. DE FOURIER')
zf5=0.8*sf1+0.5*sf2+0.2*sf3+0.4*sf4;
figure(14)
plot(t,zf5)
xlabel('Tiempo(seg)'); ylabel('FORMA DE ONDA VS TIEMPO')
axis([0 0.01 -4 4])
S5=fft(s,513);
ZF5=fft(zf5,513);
w=(0:255)/256*(Fs);
figure(15)
plot(w,abs([S5(1:256);ZF5(1:256)]));
xlabel('FRECUENCIA(Hz)'); ylabel('MAG. DE TRANSF. DE FOURIER')
Figura 1
Figura 2
Figura 3
Figura 4
Figura 5
Figura 6
Figura 7
Figura 8
Figura 9
Figura 10
Figura 11
Figura 12
Figura 13
Figura 14
Figura 15
2. Verificar la respuesta en frecuencia de otros filtros: Modificar sus variables como ancho de
banda amplitud o atenuación de los 4 filtros.
Figura. 2
Figura. 3
Figura. 4
3. De acuerdo al ejercicio anterior (1), diseñe un ecualizador digital de cuatro canales, usando
los filtros IIR, si la señal de entrada es
f==sin(2*pi*t*500)+sin(2*pi*t*1500)+sin(2*pi*t*2500)+sin(2*pi*t*3500).
Grafique la onda resultante en cada etapa del ecualizador en el dominio del tiempo y en el
dominio de la frecuencia.
%Filtro f1
BW1=[100 1000]*2/Fs;
[b,a]=ellip(N,Rp,Rs,BW1); %FILTRO ELIPTICO
[H,w]=freqz(b,a,512); %respuesta en frecuencia del filtro
H=H*0.3;
figure(2)
plot(w*Fs/(2*pi),abs(H));
title('RESPUESTA EN FRECUENCIA DEL FILTRO 1')
xlabel('FRECUENCIA (Hz)'), ylabel('GANANCIA')
sf1=filter(b,a,s); %filtra el contenido de "s" con lo descrito por los vectores b y a figure(3)
plot(t,sf1);
xlabel('tiempo(seg)');ylabel('FORMA DE ONDA VS. TIEMPO')
grid on
%Filtro f2
BW2=[1000 2000]*2/Fs;
[b,a]=ellip(N,Rp,Rs,BW2);
[H,w]=freqz(b,a,512);
H=H*1.5;
figure(5)
plot(w*Fs/(2*pi),abs(H));
title('RESPUESTA EN FRECUENCIA DEL FILTRO 2')
xlabel('FRECUENCIA (Hz)'), ylabel('GANANCIA')
grid on
sf2=filter(b,a,s);
figure(6)
plot(t,sf2);
xlabel('tiempo(seg)');ylabel('FORMA DE ONDA VS. TIEMPO')
grid on
%Filtro f3
BW3=[2000 3000]*2/Fs;
[b,a]=ellip(N,Rp,Rs,BW3);
[H,w]=freqz(b,a,512);
H=H*0.1;
figure(8)
plot(w*Fs/(2*pi),abs(H));
title('RESPUESTA EN FRECUENCIA DEL FILTRO 3')
xlabel('FRECUENCIA (Hz)'), ylabel('GANANCIA')
grid on
sf3=filter(b,a,s);
figure(9)
plot(t,sf3);
xlabel('tiempo(seg)');ylabel('FORMA DE ONDA VS. TIEMPO')
grid on
%Filtro f4
BW4=[3000 3999]*2/Fs;
[b,a]=ellip(N,Rp,Rs,BW4);
[H,w]=freqz(b,a,512);
H=H*0.8;
figure(11)
plot(w*Fs/(2*pi),abs(H));
title('RESPUESTA EN FRECUENCIA DEL FILTRO 4') xlabel('FRECUENCIA (Hz)'), ylabel('GANANCIA')
grid on
sf4=filter(b,a,s);
figure(12)
plot(t,sf4);
xlabel('tiempo(seg)');ylabel('FORMA DE ONDA VS. TIEMPO')
grid on
axis([0 0.01 -4 4]);
S4=fft(s,513);
SF4=fft(sf4,513);
w=(0:255)/256*(Fs/2);
figure(13)
plot(w,abs([S4(1:256)+SF4(1:256)]));
xlabel('FRECUENCIA (HZ)'); ylabel('MAG. DE TRANSF. DE FOURIER');
grid on
%ECUALIZADOR
zf5=0.3*sf1+1.5*sf2+0.1*sf3+0.8*sf4;
figure(14)
plot(t,zf5);
xlabel('tiempo(seg)');ylabel('FORMA DE ONDA VS. TIEMPO')
grid on
Figura- 1
Figura- 2
Figura- 3
Figura- 4
Figura- 5
Figura- 6
Figura- 7
Figura- 8
Figura- 9
Figura- 10
Figura- 11
Figura- 12
Figura- 13
Figura- 14
Figura- 15
IV. CUESTIONARIO FINAL
La Transformada inversa de Fourier (IDFT), que permite generar la señal x[n] a partir de sus
muestras espectrales X[k] , se define:
Si se emplea la ecuación [1] para calcular valores adicionales de X[k] fuera del rango 0 N-1
encontraremos que se forma una secuencia espectral periódica, la DFT es periódica. Del mismo
modo, empleando la ecuación [2] para calcular valores adicionales de x[n] fuera del rango 0
(N-1) se obtiene una versión periódica de la señal x[n]. Por lo tanto, la DFT e IDFT
representan una secuencia finita periódica dentro de una señal no periódica x[n]. En efecto la
DFT considera a una señal no periódica x[n] como si fuese periódica a efecto de algoritmos de
cálculo. También es importante saber que tanto una señal periódica de periodo N y otra señal
no periódica de la que se han tomado N muestras, ambas están definidas por N valores o
muestras.
También debemos darnos cuenta que la única diferencia entre la DFT y la IDFT a efectos de
implementación es el factor de escala 1/N y el cambio de signo en la función exponencial. Por lo
tanto, si desarrollamos un algoritmo para calcular la DFT, el cálculo de la IDFT es inmediato. Este
hecho es una consecuencia directa de la simetría existente entre los dominios del tiempo y la
frecuencia.
Cuando los N valores de x[n] son reales, X[k] se descompone en su parte real e imaginaria
R( X[k] ) = ; I(X[k] ) = -
A partir de los cuales se calcula el |X[k] | y la potencia media cuadrática definida por la
expresión:
Las ecuaciones [1]y [2] son esencialmente las mismas que las ecuaciones de análisis y síntesis
correspondientes a las series de Fourier correspondiente a una señal periódica x[n], la única
diferencia es que ahora se ha incorporado el factor de escala 1/N en la ecuación de síntesis.
La similitud entre la DFT y la serie discreta de Fourier puede interpretarse de dos formas. Si la
señal x[n] es realmente periódica la ecuación [1] proporciona una nueva forma de las series
discretas de Fourier; pero si x[n] es no periódica, y solamente es tratada como periódica a efecto
de cálculos computacionales, la ecuación [1] representa la DFT.
En principio parece redundante el estudio de la DFT puesto que ya desarrollamos una versión
discretizada de la Transformada de Fourier aplicable a tanto a señales discretizadas no
periódicas x[n] como a sistemas LTI. ¿Podemos emplear lo anteriormente desarrollado para
describir la correspondiente función espectral X[k]sin hacer ninguna suposición sobre la
periodicidad? La respuesta es sí y no. Por un lado, es posible encontrar una versión discretizada
de las funciones espectrales continuas X(W) o H(W), sin embargo, las dificultades surgen cuando
necesitamos procesar o estimar la información. Un sistema digital no puede operar con
funciones continuas, todo lo que puede hacer es estimar el valor de la función para un conjunto
de valores discretos de la frecuencia digital W, - en otras palabras, es necesario generar una
versión muestreada de X(W) o H(W). Este hecho operativo implica responder a la siguiente
pregunta; ¿Cuántas muestras de X(W) o H(W), son necesarias? Pocas muestras originarán una
respuesta inadecuada mientras que muestras en exceso implican una gran cantidad de cálculo
redundante. En las siguientes páginas se desarrollan estos conceptos.
Dominio
del tiempo la frecuencia
La DFT y la IDFT nos permiten representar una señal x[n] o un sistema LTI en uno u otro dominio
sin pérdida de información.
En principio no existió ningún criterio inicial para representar H(W), se observa que con 320
muestras se obtiene una excelente representación, pero sin darnos cuenta del exceso de
cálculos redundantes que se han realizado. Por lo tanto, es necesario el cuantificar el número
de muestras necesarias.
El Teorema del Muestreo nos dice que una señal continua de banda limitada puede ser
completamente caracterizada en el dominio del tiempo por un conjunto de muestras tomadas
adecuadamente. En el dominio de la frecuencia también se puede aplicar el mismo teorema de
la siguiente forma:
"El espectro continuo de una señal de duración limitada a T0 segundos puede ser
completamente representada por muestras regularmente espaciadas a intervalos de
Una señal aperiódica x[n] de la que se toman N muestras durante un tiempo T0 =NT, donde T
es el periodo de muestreo, su espectro frecuencial puede ser completamente representado en
Por ejemplo, con una frecuencia de muestreo fs = 50 KHz (T = 0.02 msg) y capturando 256
Otro aspecto a recordar es que el espectro frecuencial de una señal o sistema digital LTI es
siempre una función periódica de periodo 2p. Sabemos que esto es una consecuencia
del Teorema del Muestreo. Puesto que un periodo es suficiente para definirlo, muestreando a
X[k] = 0 N-1
x[n] = ;0 N-1
X[k]= ;
0 N-1
R(X[k)) = ; I(X[k) = -
Si una señal tiene N valores imaginarios (cada uno con su parte real e imaginaria) existen 2N
grados de libertad en el dominio del tiempo. Los N valores de su espectro frecuencial
X[k] también tendrán 2N grados de libertad en el dominio frecuencial (parte real y parte
imaginaria). Si la señal es real tendrá N grados de libertad en el dominio del tiempo, es este caso
solo son necesarios la mitad de valores X[k] para definir completamente el espectro frecuencial
puesto que la otra mitad tiene simetría de espejo. En el desarrollo de este tema sólo se
procesarán señales reales.
Figura. 7.4
La Figura 7.4. resume las relaciones entre la DFT, la Transformada de Fourier, y las series
discretas de Fourier. La parte (a) muestra una señal real muestreada x[n], no periódica, de la que
se han tomado N muestras. Esta señal x[n] tiene asociada un espectro X(W)continuo y
periódico (periodo 2p) del cual se representa sólo la magnitud.
Recordar que la porción de espectro entre p y 2 p tiene simetría de espejo respecto del definido
entre 0 y p.
La parte (b) representa una versión periódica de la misma señal, así como los coeficientes de la
serie periódica de Fourier. Los coeficientes espectrales X[k] se puede interpretar como muestras
Ejemplo 1: Utilizar la DFT para calcular la respuesta en frecuencia discreta de una señal
x[n] definida por:
N=4 k=0,1,2,.....N-1
Ejemplo 2: Continuado con el ejemplo anterior, demostrar que los 4 puntos de la respuesta en
frecuencia son realmente necesarios para reconstruir la señal x[n].
n = 0, 1, 2, 3
x[1] = 1
x[2] = 2
Comprobación:
Pero:
Ejemplo 3: Una señal x(t) se muestrea a una frecuencia fs = 8 kHz. Los valores de las muestras son
x[0] = 1; x[T] = 0, x[2.T] = 0, x[3.T] =1. Representar en el dominio de la frecuencia el módulo y la
fase de la DFT. Calcular la IDFT
N=4 k = 0,1,2, 3
La fase
Cuando se representa X[k] en función de la frecuencia debemos tener en cuenta que cuando de
una señal aperiódica x[n] se toman N muestras con un periodo de muestreo T, su espectro
frecuencial puede ser completamente representado en el dominio de la frecuencia
será df= = 2 kHz. Por lo tanto X[1]= X[df] = 2 kHz, X[2] = X[2. df] = 4 kHz,
X[3] = X[3.df] =6 kHz. En la Figura 7.5. se representa |X[ k] | y en función de kW.
Fig. 7.5.
Para determinar x[n] a partir de las muestras espectrales se calcula la IDFT.
n = 0, 1, 2, 3
Ante todo, debe quedar claro que la FFT no es una nueva transformada, sino que se trata de un
algoritmo para el cálculo de la Transformada Discreta de Fourier (DFT). Su importancia radica en el
hecho que elimina una gran parte de los cálculos repetitivos a que está sometida la DFT, por lo tanto,
se logra un cálculo más rápido. Además, la FFT generalmente permite una mayor precisión en el
cálculo de la DFT disminuyendo los errores de redondeo.
1. Mediante un programa que pueda ejecutarse tanto en un PC como en una tarjeta que posea
un microprocesador específico para este tipo de operaciones (DSP).
2. Mediante el desarrollo de una tarjeta (HARDWARE) en la cual se emplean circuitos
integrados específicos. Tal es el caso de los modernos analizadores de espectro.
Por lo tanto, el objetivo de este apartado es mostrar la redundancia implícita en el cálculo de la DFT,
para luego comprobar cómo un determinado algoritmo de la FFT elimina esta redundancia. La DFT
de una serie de muestras x[n] para 0 n N se define:
; 0 k N
donde : y
Antes de entrar en detalles sobre la FFT comprobemos la naturaleza periódica del término , de
hecho, la periodicidad y simetría de contribuyen a la redundancia de la DFT.
Desarrollo intuitivo Para mostrar el algoritmo de la FFT empecemos por elegir un número de
muestras N = 2m donde m es un número entero. Estudiemos el caso de N= 4
Observando que es periódica, con un periodo igual a 4 , el cálculo de X[2] y X[3] se expresa
como:
Fig. 7.21.
Esto implica que la organización de una FFT de 8 puntos se puede dividir en dos DFT de 4
puntos y a continuación una combinación de ambos conjuntos de coeficientes.
Las dos sumas en que se ha dividido X[k] tienen la apariencia de dos DFT de 4 puntos. Definamos
las secuencias de puntos pares e impares x[pn] y x[i n] :
k= 0, 1, 2,.....7
Por lo tanto, la DFT de 8 puntos es la combinación de los dos conjuntos de 4 puntos. A primera vista
parece que existe un problema con la ecuación anterior. Los coeficientes de la DFT de 8
puntos demandan que el índice k varíe entre 0 y 7, sin embargo, las DFT de 4 puntos únicamente
calculan cuatro coeficientes cada uno. Sin embargo, debemos recordar que los coeficientes de la DFT
son periódicos y aunque calculamos solamente N coeficientes para una transformada de N puntos,
la periodicidad de los coeficientes significa que están definidos para todo k. Estos aspectos quedan
explicados en el resumen adjunto.
El proceso continúa en sucesivas subdivisiones hasta llegar a dos términos. Una descomposición de
este tipo se conoce bajo el nombre de estimación en el tiempo en base 2 y es uno de los algoritmos
más empleados para evaluar la FFT. Por ejemplo para N=8 partiendo por la secuencia { x[0] , x[1] ,
x[2] , x[3] , x[4] , x[5] , x[6] , x[7] } formamos las subsecuencias formadas por lo términos pares { x[0] ,
x[2] , x[4] , x[6] }; e impares { x[1] , x[3] , x[5] , x[7] }. Cada subsecuencia se vuelve a dividir quedando
finalmente:
Otro método de clasificación de los filtros se basa en su respuesta de impulso. ¿Pero qué es una
respuesta de impulso? La respuesta de un filtro a una entrada que es un impulso ( y
para toda ) se le llama respuesta de impulso de un filtro (ver Figura). La
Transformada de Fourier de la respuesta de impulso se conoce como respuesta de frecuencia
de un filtro. La respuesta de frecuencia de un filtro dice cuál va a ser la salida del filtro en
diferentes frecuencias. En otras palabras, te da la ganancia del filtro en diferentes frecuencias.
Para un filtro ideal, la ganancia debiera ser 1 en la pasa banda y 0 en detiene banda. De manera
que, todas las frecuencias en la pasa banda pasan como son a la salida, pero no hay salida para
las frecuencias en detiene banda.
Si la respuesta de impulso de un filtro cae a cero después de un tiempo finito, se conoce como
filtro de Respuesta de Impulso Finita (FIR). De todas maneras, si la respuesta de impulso existe
indefinidamente, se conoce como filtro de Respuesta de Impulso Infinita (IIR). Dependiendo de
si la respuesta de impulso en finita o no (es decir, si el filtro es FIR o IIR) depende se calcule la
salida.
La diferencia más básica entre los filtros FIR e IIR es que para los filtros IIR, la salida solo depende
de la corriente y de los valores de entrada pasados, mientras que en los filtros IIR, la salida
depende no solo en la corriente y valores de entrada pasados, sino que también en los valores
de salida pasados.
(6.1)
La respuesta de impulso del filtro descrita en la ecuación 6.1 tiene una longitud finita para
coeficientes que no sean cero. De todas maneras, en las aplicaciones prácticas de los filtros la
respuesta de impulso estable de los filtros IIR decae casi a cero en un número finito de muestras.
Filtros Butterworth
Filtros Chevyshev
Chevyshev II o filtros inversos de Chevyshev
Filtros elípticos o Cauer
Filtros Butterworth
Los filtros Butterworth no tienen rizado ni en la pasa banda ni en detiene banda. Debido a la
falta de rizado, también se le conoce como filtro máximamente plano. Su respuesta de
frecuencia se caracteriza por su respuesta suave a todas las frecuencias. La Figura 6.7 muestra
la respuesta de un filtro de pasa baja Butterworth de diferentes órdenes. En el eje de las x se
muestra los términos de (donde es la frecuencia de muestreo) y en el eje de las y se
muestra la ganancia de la pasa banda para que sea la unidad.
La región en que la salida del filtro es igual a 1 (o muy cercano a 1) es la pasa banda del filtro. La
región donde la salida es 0 (o muy cerca de 0) en la detiene banda. La región de entre medio de
la pasa banda y detiene banda donde la salida cambia gradualmente de 1 a 0 es la región de
transición.
Las ventajas del filtro Butterworth es que es suave, la respuesta de la frecuencia decrece
monótonamente en la región de transición. Como se puede ver en la figura, cuanto mayor sea
el orden del filtro más brusca es la transición.
Filtros Chebyshev
El gráfico de la Figura 6.8 muestra la respuesta de un filtro Chevyshev de pasa baja de diferentes
órdenes. En este caso, la escala del eje y está en decibelios. Una vez más, se puede observar que
la falta de inclinación (empinado) en la región de transición se incrementa en orden ascendente.
También, el número de ondas (rizado) en la pasa banda incrementa en orden ascendente.
La ventaja de los filtros Chebyshev sobre los filtros Butterworth es el ángulo de inclinación entre
la pasa banda y detiene banda con un filtro de orden inferior. Como se menciona anteriormente,
esto produce errores absolutos menos y aumenta la velocidad de ejecución.
Los filtros Chebyshev II, también conocidos como Chebyshev inversos o filtros Chebyshev de tipo
II, son similares a los filtros Chebyshev exceptuando que los filtros Chebyshev tienen un rizo
(onda) en la banda de detención y son planos en la banda de paso. Para los filtros Chebyshev II,
se puede especificar la cantidad de atenuación (en decibelios) de la banda de detención. La
respuesta de frecuencia característica en los filtros Chebyshev II en la banda de detención es de
magnitud “equiripple”, en la banda de paso la respuesta de magnitud es monótonamente
decreciente, y una respuesta de giro más aguda que los filtros Butterworth del mismo orden. El
gráfico en la Figura 6.9 traza la respuesta de un filtro Chebyshev de pasabaja de diferentes
órdenes.
La ventaja de los filtros Chebysehv II sobre los Butterworth es que los filtros Chebyshev II tienen
una transición más fuerte entre la banda de paso y la banda de detención con un filtro de orden
bajo. Esta diferencia se corresponde a un error absoluto mínimo y una velocidad de ejecución
mayor. Una ventaja de los filtros Chebyshev II frente a los filtros Chebyshev regulares es que los
filtros Chebyshev II tienen rizado (ondas) en las bandas de detención en lugar de en la banda de
paso.
Filtros elípticos
Se ha visto como los filtros Chebyshev tienen una región de transición más “fuerte” (sharp) que
los filtros Butterworth del mismo orden. Esto es porque admiten rizado en ambas bandas, la de
paso y la de detención. Los filtros elípticos distribuyen el rizado por las dos bandas. El que tengan
el mismo rizado en la banda de paso y en la banda de detención es una característica de la
respuesta de magnitud de los filtros elípticos. Por lo tanto, comparado con un filtro Butterworth
o un filtro Chebyshev del mismo orden, los filtros elípticos proporcionan la transición más fuerte
entre la banda de paso y la banda de detención. Por esta razón, los filtros elípticos son bastante
populares en aplicaciones donde se requieren bandas de transiciones cortas y donde el rizado
es admitido. El gráfico en la Figura 6.10 traza la respuesta de un filtro de pasabaja de diferentes
órdenes.
Las VIs de filtros digitales que tienen LabVIEW y BridgeLabVIEW manejan todos los diseños
posibles. No se necesita ser un experto en filtros digitales o en teoría de filtros digitales para
procesar los datos. Lo único que se necesita es especificar los parámetros de control de cómo el
orden del filtro, frecuencias de corte, cantidad de rizado y atenuación de la banda de detención.
http://bibing.us.es/proyectos/abreproy/11375/fichero/MEMORIA%252FFundamentos+te
oricos.pdf
http://www.ehu.eus/procesadoinsvirtual/T6_actividad1.html
https://es.wikipedia.org/wiki/Transformada_de_Fourier_discreta
https://www.eumus.edu.uy/eme/ensenanza/electivas/dsp/presentaciones/clase10.pdf
https://es.scribd.com/document/339587363/Filtros-Fir-e-Iir
https://uvadoc.uva.es/bitstream/10324/20958/1/TFG-G%202270.pdf
ocw.uv.es/ingenieria-y-arquitectura/filtros-digitales/guiafd.pdf