con las condiciones iniciales y[-1]=11/16, y[-2]=37/36,
ante una entrada x[n]=(-2)-nμ[n]
Respuesta total
=
respuesta a entrada cero
+
respuesta a estado cero
En el ejemplo se encuentra que la solución total de la ecuación de diferencias se puede separar en dos componentes. El primero es generado por las condiciones iniciales y el segundo por la entrada x[n]
respuesta total = (respuesta a entrada cero) + (respuesta estado cero)
continuando luego con el proceso de fracciones parciales y cambio al dominio de tiempo discreto. (realizado en desarrollo analítico), aqui se usa la transformada_z inversa con Sympy:
La transformada z convierte las ecuaciones de diferencias en expresiones algebraicas que permiten encontrar soluciones en el dominio z. A partir de las soluciones en el dominio z, se aplica la transformada inversa z que lleva a la solución en el dominio del tiempo
Ejercicio1
Referencia: Lathi Ejemplo 5.5 p510
Resolver
y[n+2] – 5 y[n+1] + 6 y[n] = 3 x[n+1] + 5 x[n]
con las condiciones iniciales y[-1]=11/16, y[-2]=37/36,
ante una entrada x[n]=(2)-nμ[n]
Desarrollo analítico
Usando la propiedad de desplazamiento de 2 unidades a la derecha.
y[n] – 5 y[n-1] +6 y[n-2] = 3 x[n-1] + 5 x[n-2]
se aplica la transformada z, teniendo en cuenta que y[n-k] significa y[n-k]μ[n], pues consideramos solamente la situación de n≥0, y[n] esta presente incluso antes de n=0.
En el lado derecho se muestran términos generados por una respuesta natural y una respuesta forzada. Dicho de otra forma, se muestran términos generados por las condiciones iniciales y por la señal x[n].
reagrupando el lado derecho en forma de numerador y denominador
(1−5z1+6z21)Y[z]=z(z−0.5)3z2−9.5z+10.5
se puede reescribir, multiplicando cada lado por z2
Muchas de las transformadas X(z) de interés en la práctica son funciones racionales, que pueden ser expresadas como la suma de fracciones parciales, cuyas transformadas inversas pueden ser encontradas rápidamente en la tabla de transformadas.
Se busca evitar realizar el integral en el plano complejo requerido para encontrar la transformada inversa de z.
El método de las fracciones parciales es práctico porque cada x[n] transformable se define para n≥0, existe su correspondiente X[z] definida para |z|>r0 y viceversa. (r0 es constante)
Para desarrollar y probar el algoritmo con Sympy-Python, se usará el desarrollo de los tres ejercicios siguientes, con polos únicos, repetidos y complejos. El algoritmo final del literal c integra las soluciones anteriores.
Que tiene una entrada con términos multiplicadas por μ[n-1], que es un inconveniente y no deseable. Se prefieren las transformadas respecto a μ[n].
Observando la tabla de transformadas z entre los ítems 6a y 7, se tiene que si la señal X[n] es multiplicada por u[n], el numerador tiene un factor z. Esto se consigue expandiendo en fracciones parciales X[z]/z que son fracciones parciales modificadas cuando se tiene un factor z en el numerador y luego se restauran multiplicando el todo el resultado por z.
que es el resultado esperado y con respuesta equivalente al resolver con algoritmo iterativo para n=0,1,2,3,…
Por este motivo, es recomendable siempre expandir en fracciones parciales X[z]/z en lugar de solo X[z], pues tiene un factor z en el numerador.
Algoritmo en Python
Para realizar el ejercicio, debemos considerar usar Sympy. Las operaciones se realizan al dividir X[x]/z y simplificar la nueva expresión Xzz, luego una expansión Xzp. El resultado se multiplica término a término por z y de añaden a la expresión total Xzfp.
El bloque de ingreso que se modifica para cada caso es:
Para encontrar las constantes, se evalúa la expresión de la izquierda con los valores de cada raíz del denominador, en cada caso se obvia el término de la raíz en el denominador,
reemplazando en la transformada, se encuentra x[n].
x[n]=[2+3.2(5)ncos(0.927n−2.246)]μ[n]
pasamos a probar el algoritmo, donde se encuentra que para el denominador hay raíces complejas. Otra forma de observar es que las funciones parciales aún entregan resultados con términos que tienen el denominador con grado 2. Donde hay que usar expresiones de la tabla de transformadas.
El algoritmo inicia de la misma forma que en la sección anterior. Ahora hay que revisar el grado del denominador en cada término. Si es de grado 2, se calculan los valores de r, β y θ para armar las transformada a partir de la tabla.
# Transformada z- Fracciones parciales# Polos únicos, repetidos y complejos# Lathi Ejercicio 5.3a pdf495# blog.espol.edu.ec/telg1001import numpy as np
import sympy as sym
# INGRESO
z = sym.Symbol('z')
Pz = 2*z*(3*z+17)
Qz = (z-1)*(z**2-6*z+25)
#Pz = z*(2*z**2-11*z+12)#Qz = (z-1)*(z-2)**3##Pz = 8*z-19##Qz = (z-2)*(z-3)
Xz = Pz/Qz
# PROCEDIMIENTOdefapart_z(Fz):
''' fracciones parciales en dominio z
modifica con factor 1/z
'''
Fz = sym.simplify(Fz)
# fracciones parciales modificadas con 1/z
Fzz = (Fz)/z
Fzm = sym.apart(Fzz,z)
# restaura z
term_suma = sym.Add.make_args(Fzm)
Fzp = 0*z
for term_k in term_suma:
Fzp = Fzp + term_k*z
return(Fzp)
defQ_cuad_z_parametros(Fz):
''' parametros cuadraticos en dominio z
'''defQ_cuad_z_term(untermino):
''' parametros cuadraticos en dominio z
de un termino de fraccin parcial
'''
unparametro ={}
# revisa denominador cuadratico
[numerador,denominador] = (untermino).as_numer_denom()
gradoD = 0
coeficientesD = denominador
gradoN = 0
coeficientesN = numerador
ifnot(denominador.is_constant()):
denominador = denominador.as_poly()
gradoD = denominador.degree()
coeficientesD = denominador.coeffs()
ifnot(numerador.is_constant()):
numerador = numerador.as_poly()
gradoN = numerador.degree()
coeficientesN = numerador.coeffs()
if gradoD == 2 and gradoN==2:
a = float(coeficientesD[1])/2
gamma2 = float(coeficientesD[2])
gamma = np.sqrt(gamma2)
A = float(coeficientesN[0])
B = float(coeficientesN[1])
rN = (A**2)*gamma2 + B**2 - 2*A*a*B
rD = gamma2 - a**2
r = np.sqrt(rN/rD)
beta = np.arccos(-a/gamma)
thetaN = A*a-B
thetaD = A*np.sqrt(gamma2-a**2)
theta = np.arctan(thetaN/thetaD)
unparametro = {'r':r,
'gamma':gamma,
'beta':beta,
'theta':theta}
return(unparametro)
Fz = apart_z(Fz)
# parametros denominador cuadratico
Qs2 = {}
term_suma = sym.Add.make_args(Fz)
for term_k in term_suma:
Qs2_k = Q_cuad_z_term(term_k)
iflen(Qs2_k)>0:
Qs2[term_k] = Qs2_k
return(Qs2)
Fz = apart_z(Xz)
Qs2 = Q_cuad_z_parametros(Fz)
# SALIDAprint('\n Xz:')
sym.pprint(Xz)
print('\n Xz en fracciones parciales')
sym.pprint(Fz)
iflen(Qs2)>0:
print('parametros cuadraticos: ')
for Qs2_k in Qs2:
print(Qs2_k,':')
for cadauno in Qs2[Qs2_k].keys():
print(cadauno,'\t',Qs2[Qs2_k][cadauno])
La Transformada z inversa, usa la Tabla de Paresf[n] y F[z] y los algoritmos para buscar una expresión semejante F.match() en conjunto con la tabla de propiedades y los algoritmos desarrollados en la sección anterior. El resultado se integra desde telg1001.py y se muestra en los siguientes ejemplos:
Ejemplo 1. Transformada z inversa de una fracción X[1/z]
Continuando con el ejercicio presentado para convertir x[n] a X[z], se tiene que:
X[z]=1−az−11 , ∣z∣>∣a∣X[z]=z−az , ∣∣∣z∣>∣a∣
siendo la expresión de ingreso al algoritmo:
F = z/(z - 2)
el resultado es:
f[n] : (2**n*Heaviside(n), Abs(z) > 2, True)
>>>
Ejemplo 1a. Instrucciones Python
# transformada z propiedades con Sympy# aplicar luego de buscar en tabla de paresimport sympy as sym
import telg1001 as fcnm
# INGRESO
n = sym.Symbol('n', real=True)
z = sym.Symbol('z')
u = sym.Heaviside(n)
# (a**n)*f[n] <--> F(z/a)
F = z/(z - 2) #f = (2**n)*u# PROCEDIMIENTO
fn = fcnm.inverse_z_transform(F,z,n)
# SALIDAprint('f[n] :',fn)
El algoritmo presentado puede ser tomado como punto de partida para los siguientes ejercicios. Realizado para explicación conceptual.
Ejemplo 2. Transformada z inversa usando expansión en fracciones parciales
Referencia: Lathi 5.3 a
Encuentre la transformada z inversa para:
F[z]=(z−2)(z−3)8z−19
el ingreso para el algoritmo del ejercicio anterior es:
activando la variable sym.SYMPY_DEBUG=True, se observa el proceso de fracción parcial modificada, la búsqueda en la tabla, y aplicación de una propiedad de la transformada z.
Se define como X[z] a la transformada z de una señal x[n] como
X[z]=n=−∞∑∞x[n]z−n
Por razones semejantes a las descritas en la unidad 4 para transformadas de Laplace, es conveniente considerar la transformada z unilateral. Dado que muchos de los sistemas y señales son causales, en la práctica se considera que las señales inician en n=0 (señal causal), la definición de la transformada z unilateral es la misma que la bilateral. excepto por los limites de la sumatoria que son [0,∞]
y aplicando en la expresión del problema, se tiene:
X[z]=1−za1 , ∣∣∣za∣∣∣<1X[z]=z−az , ∣z∣>∣a∣
observe que X[z] existe solo si |z|>|a|. Para |z|<|a| la sumatoria no converge y tiende al infinito. Por lo que, la Región de Convergencia ROC de X[z] es la región sombreada de un círculo de radio |a| centrado en el origen en el plano z.
Luego se puede mostrar que la transformada z de la señal -an u[-(n+1)] también es z/(z-a). Sin embargo la región de convergencia en éste caso es |z|<|a|. Se observa que la transformada z inversa no es única, sin embargo,al restringir la transformada inversa a causal, entonces la transformada inversa es única como la mostrada.
1.2 Transformada z con Sympy-Python
En Sympy de Python existe la función sym.summation(), que se usa para generar la expresión del resultado para la transformada z.
f[n]:
n
a
F[z] desde sumatoria:
1 |a|
(-------, |-| < 1)
a |z|
- - + 1
z
F[z] simplificada
z
------
-a + z
ROC:
|a|
|-| < 1
|z|
{Q_polos:veces}: {a: 1}
{P_ceros:veces}: {0: 1}
>>>
Instrucciones en Python
# transformada z de x[n]u[n]import sympy as sym
# INGRESO
z = sym.symbols('z')
n = sym.symbols('n', integer=True, positive=True)
a = sym.symbols('a')
u = sym.Heaviside(n)
fn = (a**n)*u
# valor a como racional en dominio 'ZZ' enteros
a_k = sym.Rational(1/2).limit_denominator(100)
m = 7 # Términos a graficar
muestras = 101 # dominio z# PROCEDIMIENTO
fnz = fn*(z**(-n)) # f(n,z) para sumatoria# sumatoria transformada z
Fz_sum = sym.summation(fnz,(n,0,sym.oo))
Fz_eq = Fz_sum.args[0] # primera ecuacion e intervalo
Fz = Fz_eq[0].simplify() # solo expresion
ROC = Fz_eq[1] # condicion ROC# polos y ceros de Fz
[P,Q] = Fz.as_numer_denom()
P = sym.poly(P,z)
Q = sym.poly(Q,z)
P_ceros = sym.roots(P)
Q_polos = sym.roots(Q)
# SALIDAprint('f[n]: ')
sym.pprint(fn)
print('\n F[z] desde sumatoria:')
sym.pprint(Fz_eq)
print('\n F[z] simplificada')
sym.pprint(Fz)
print('\n ROC: ')
sym.pprint(ROC)
print('\n {Q_polos:veces}:',Q_polos)
print(' {P_ceros:veces}:',P_ceros)
La parte gráfica se desarrolla reutilizando algunas funciones de los algoritmos telg1001.py
Ser requiere dar valor a la constante ‘a‘ y se sustituye en las funciones con a_k=1/2. Para actualizar los polos, se usa la función buscapolos() realizada en la unidad 4.3.2, añadiendo en la función la sustitución en F[z] de variable independiente a F(s) para que sea transparente el cálculo. Lo mismo se aplica a la grafica de la transformada F[z] y los resultados son los mostrados.
# GRAFICA -----------import numpy as np
import matplotlib.pyplot as plt
import telg1001 as fcnm
defgraficar_Fz_polos(Fz,Q_polos={},P_ceros={},
z_a=1,z_b=0,muestras=101,f_nombre='F',
solopolos=False):
''' polos y ceros plano z imaginario
'''
fig_zROC, graf_ROC = plt.subplots()
# limite con radio 1
radio1 = plt.Circle((0,0),1,color='lightsalmon',
fill=True)
radio2 = plt.Circle((0,0),1,linestyle='dashed',
color='red',fill=False)
graf_ROC.add_patch(radio1)
for unpolo in Q_polos.keys():
[r_real,r_imag] = unpolo.as_real_imag()
unpolo_radio = np.abs(unpolo)
unpolo_ROC = plt.Circle((0,0),unpolo_radio,
color='lightgreen',fill=True)
graf_ROC.add_patch(unpolo_ROC)
graf_ROC.add_patch(radio2) # borde r=1
graf_ROC.axis('equal')
# marcas de r=1 y polosfor unpolo in Q_polos.keys():
x_polo = sym.re(unpolo)
y_polo = sym.im(unpolo)
etiqueta = 'polo: '+str(unpolo)
graf_ROC.scatter(x_polo,y_polo,marker='x',
color='red',label = etiqueta)
etiqueta = "("+str(float(x_polo)) + ','
etiqueta = etiqueta + str(float(y_polo))+")"
plt.annotate(etiqueta,(x_polo,y_polo), rotation=45)
# marcas de cerosfor uncero in P_ceros.keys():
x_cero = sym.re(uncero)
y_cero = sym.im(uncero)
etiqueta = 'cero: '+str(uncero)
graf_ROC.scatter(x_cero,y_cero,marker='o',
color='blue',label = etiqueta)
etiqueta = "("+str(float(x_cero)) + ','
etiqueta = etiqueta + str(float(y_cero))+")"
plt.annotate(etiqueta,(x_cero,y_cero), rotation=45)
# limita radio 1
graf_ROC.plot(1,0,'o',color='red',
label ='radio:'+str(1))
graf_ROC.axhline(0,color='grey')
graf_ROC.axvline(0,color='grey')
graf_ROC.grid()
graf_ROC.legend()
graf_ROC.set_xlabel('Re[z]')
graf_ROC.set_ylabel('Imag[z]')
untitulo = r'ROC '+f_nombre+'[z]=$'
untitulo = untitulo+str(sym.latex(Fz))+'$'
graf_ROC.set_title(untitulo)
return(fig_zROC)
# a tiene valor a_k
fn = fn.subs(a,a_k)
Fz = Fz.subs(a,a_k)
# polos y ceros de Fz
polosceros = fcnm.busca_polosceros(Fz)
Q_polos = polosceros['Q_polos']
P_ceros = polosceros['P_ceros']
# estima intervalo para z
z_a = list(Q_polos.keys())
z_a.append(1) # comparar con radio 1
z_a = 2*int(max(z_a))
fig_ROC = graficar_Fz_polos(Fz,Q_polos,P_ceros,
muestras=101,f_nombre='X')
fig_Fz = fcnm.graficar_Fs(Fz,Q_polos,P_ceros,
-z_a,z_a,muestras=101,
f_nombre='X')
# para graficar f[n]
f_n = sym.lambdify(n,fn)
ki = np.arange(0,m,1)
fi = f_n(ki)
# entrada x[n]
fig_fn, grafxn = plt.subplots()
plt.axvline(0,color='grey')
plt.stem(ki,fi)
plt.grid()
plt.xlabel('n')
plt.ylabel('x[n]')
etiqueta = r'x[n]= $'+str(sym.latex(fn))+'$'
plt.title(etiqueta)
plt.show()
Referencia: The z-transform.dynamics-and-control. https://dynamics-and-control.readthedocs.io/en/latest/1_Dynamics/9_Sampled_systems/The%20z%20transform.html
Una señal discreta de entrada x[n] se representa como una superposición de versiones escaladas de un conjunto de impulsos unitarios desplazados δ[n-k], cada uno con valor diferente de cero en un solo punto en el tiempo, especificado por el valor de k.
La respuesta de un sistema lineal y[n] a x[n] es la superposición de las respuestas escaladas del sistema a cada uno de estos impulsos desplazados.
Si usamos hk[n] como la respuesta del sistema lineal al impulso unitario desplazado por δ[n-k]. La respuesta y[n] del sistema lineal a la entrada x[n] en la ecuación será la combinación lineal ponderada de las respuesta básicas.
y[n]=k=−∞∑+∞x[k]hk[n]
Si se conoce la respuesta de un sistema lineal al conjunto de impulsos unitarios desplazados, podemos construir una respuesta a una entrada arbitraria.
Si el sistema lineal también es invariante en el tiempo, entonces estas respuestas a impulsos unitarios desplazados en el tiempo son todas las versiones desplazadas en el tiempo unas de otras.
h[n] es la salida del sistema LTI cuando δ[n] es la entrada. Entonces para un sistema LTI la ecuación se vuelve.
y[n]=k=−∞∑+∞x[k]h[n−k]
El resultado se conoce como la «convolución de suma» o «suma de superposición» y la operación miembro derecho de la ecuación se llama convolución de las secuencias x[n] y h[n] que se representa de manera simbólica como:
y[n]=x[n]∗h[n]
Ejemplo
Referencia: Openheim Ejemplo 2.4 p85 pdf116
Considere una entrada x[n] y una respuesta al impulso unitario h[n] dada por:
x[n] = (u[n]-u[n-5])
h[n] = αn (u[n]-u[n-7])
con α>1. Para el ejercicio, α=1.5.
Nota: Para el algoritmo, si α es un entero, por ejemplo 2, usar α=2.0, para que la operación potencia se realice con números reales, como entero se puede saturar y dar error.
Al aplicar la suma de convolución obtiene:
Para aplicar el algoritmo se requiere definir u[n], por ser parte de las funciones x[n] y h[n]. Dado que la operación requiere valores fuera del rango muestreado para n, la sección suma convolución utiliza las funciones en lugar de los vectores xi, hi.
La función está definida en un intervalo simétrico, por lo que el rango de trabajo [a,b] se mantiene de la forma [-b,b] en las instrucciones.
# Respuesta a impulsos - forma discreta# Ejemplo Oppenheim Ejemplo 2.3 p83/pdf111import numpy as np
import matplotlib.pyplot as plt
# INGRESO# Rango [a,b], simétrico a 0
b = 15 ; a = -b
alfa = 1.5
u = lambda n: np.piecewise(n,n>=0,[1,0])
x = lambda n: u(n)-u(n-5)
h = lambda n: (alfa**n)*(u(n)-u(n-7))
# PROCEDIMIENTO
ni = np.arange(a,b+1,1)
xi = x(ni)
hi = h(ni)
# Suma de Convolucion x[n]*h[n]
muestras = len(xi)
yi = np.zeros(muestras, dtype=float)
for i inrange(0,muestras):
suma = 0
for k inrange(0,muestras):
suma = suma + x(ni[k])*h(ni[i]-ni[k])
yi[i] = suma
# yi = np.convolve(xi,hi,'same')# SALIDA - GRAFICA
plt.figure(1)
plt.suptitle('Suma de Convolución x[n]*h[n]')
plt.subplot(311)
plt.stem(ni,xi, linefmt='b--',
markerfmt='bo',basefmt='k-')
plt.ylabel('x[n]')
plt.subplot(312)
plt.stem(ni,hi, linefmt='b--',
markerfmt='ro',basefmt='k-')
plt.ylabel('h[n]')
plt.subplot(313)
plt.stem(ni,yi, linefmt='g-.',
markerfmt='mo', basefmt='k-')
plt.ylabel('x[n]*h[n]')
plt.xlabel('n')
plt.show()
La suma convolución se encuentra también disponible con Numpy en np.convolve(), la sección de suma convolución se puede reemplazar y obtener los mismos resultados. Considere que para éste caso se usan los vectores xi y hi.
yi = np.convolve(xi,hi,'same')
el algoritmo se puede aplicar a otros ejercicios para comprobar los resultados.
La respuesta a estado cero se encuentra en forma numérica con la expresión:
y[n]=x[n]⊛h[n]
que en Numpy es np.convolve() y facilita el cálculo de la convolucion de sumas. El tema de convolución con Python se desarrolla en la siguiente sección.
La respuesta del algoritmo se presenta en la gráfica:
En el algoritmo se compara la solución numérica yi[n] con la solución analítica yia[n], obteniendo un error del orden 10-3 dado por el truncamiento de dígitos en ambos métodos.
En la entrada se usa un impulso unitario x[n] = δ[n]
Desarrollo Analítico
Se requieren al menos dos valores iniciales en el ejercicio, por lo que se emplea la ecuación en forma iterativa, recordando que x[n] = δ[n], siendo entonces y[n] = h[n]
se desarrolla el algoritmo a partir de entrada cero, continuando con el cálculo iterativo de h[n] para los valores iniciales, luego determina los valores de los coeficientes de la ecuación h[n]
# Sistema LTID. Respuesta impulso# QE con raices Reales NO repetidas Lathi ejemplo 3.13 pdf271# Lathi ejemplo 3.18 y 3.19 pdf278,# blog.espol.edu.ec/telg1001import numpy as np
import sympy as sym
import matplotlib.pyplot as plt
# INGRESO# coeficientes E con grado descendente
QE = [1., -0.6, -0.16]
PE = [5., 0, 0 ]
# condiciones iniciales ascendente ...,y[-2],y[-1]
inicial = [25/4, 0.]
tolera = 1e-6 # casi_cero
muestras = 10 # para grafica# PROCEDIMIENTO# Respuesta a ENTRADA CERO# raices, revisa numeros complejos
gamma = np.roots(QE)
revisaImag = np.iscomplex(gamma)
escomplejo = np.sum(revisaImag)
# coeficientes de ecuacion
m_q = len(QE)-1
Ac = np.zeros(shape=(m_q,m_q),dtype=float)
# revisa si parte compleja <tolera o casi_cero if escomplejo>0:
for i inrange(0,m_q,1):
valorimag = np.imag(gamma[i])
if np.abs(valorimag)<tolera:
gamma[i] = float(np.real(gamma[i]))
sumaj = np.sum(np.abs(np.imag(gamma)))
if sumaj <tolera:
print(sumaj)
gamma = np.real(gamma)
escomplejo = 0
# revisa repetidos
unicoscuenta = np.unique(gamma,return_counts=True)
repetidas = np.sum(unicoscuenta[1]-1)
# Respuesta impulso h[n]
ki = np.arange(-m_q,m_q,1)
hi = np.zeros(m_q, dtype=float)
xi = np.zeros(2*m_q, dtype=float)
xi[m_q] = 1 # impulso en n=0
Ah = np.zeros(shape=(m_q,m_q),dtype=float)
# h[n] iterativo
p_n = len(PE)
for i inrange(0,m_q,1):
for k inrange(m_q,2*m_q,1):
hi[i] = hi[i] - QE[k-m_q]*hi[m_q-k+1]
for k inrange(0,p_n,1):
hi[i] = hi[i] + PE[k]*xi[m_q+i]
Bh = np.copy(hi[:m_q])
# coeficientes de ecuacionfor i inrange(0,m_q,1):
for j inrange(0,m_q,1):
Ah[i,j] = gamma[j]**(i)
ch = np.linalg.solve(Ah,Bh)
# ecuacion hn
n = sym.Symbol('n')
hn = 0*n
for i inrange(0,m_q,1):
hn = hn + ch[i]*(gamma[i]**n)
# SALIDAif escomplejo == 0:
print('\n respuesta impulso: ')
print('Bh:',Bh)
print('Matriz: ')
print(Ah)
print('Ch: ',ch)
print('n>=0, hn: ')
sym.pprint(hn)
else:
print(' existen raices con números complejos.')
print(' usar algoritmo de la sección correspondiente.')
# grafica datos
ki = np.arange(-m_q,muestras,1)
hi = np.zeros(muestras+m_q)
if escomplejo == 0:
# evaluación de h[n]
h_n = sym.lambdify(n,hn)
hi[m_q:] = h_n(ki[m_q:])
# grafica h[n]
plt.stem(ki,hi,label='h[n]',
markerfmt ='C1o',
linefmt='C2--')
plt.legend()
plt.grid()
plt.ylabel('h[n]')
plt.xlabel('ki')
plt.title('h[n] = '+str(hn))
plt.show()
Comentario: Aunque es relativamente simple determinar la respuesta al impulso h[n] usando el método descrito, el desarrollo del tema se realiza mejor en la unidad con Transformada z. Lathi p280.