Discrete-Time Signals: Discrete-Time Signals:

Time-Domain Representation Time-Domain Representation
• Signals represented as sequences of  • Discrete-time signal may also be written as 
numbers, called samples a sequence of numbers inside braces:
• Sample value of a typical signal or sequence  {x[ n]} � {�, � 0.2, 2.2,1.1, 0.2, � 3.7, 2.9,�}
denoted as x[n] with n being an integer in  �
the range  � � � n � � • In the above, x[�1] � �0.2, x[0] � 2.2, x[1] � 1.1,
• x[n] defined only for integer values of n and  etc. 
undefined for noninteger values of n
• The arrow is placed under the sample at 
• Discrete-time signal represented by {x[n]} time index n = 0
1 Copyright © 2005, S. K. Mitra 2 Copyright © 2005, S. K. Mitra

Discrete-Time Signals: Discrete-Time Signals:
Time-Domain Representation Time-Domain Representation
• In some applications, a discrete-time 
• Graphical representation of a discrete-time  sequence {x[n]} may be generated by 
signal with real-valued samples is as shown  periodically sampling a continuous-time 
below: xa (t )
signal          at uniform intervals of time

3 Copyright © 2005, S. K. Mitra 4 Copyright © 2005, S. K. Mitra

Discrete-Time Signals: Discrete-Time Signals:
Time-Domain Representation Time-Domain Representation
• Here, n-th sample is given by • Unit of sampling frequency is cycles per 
x[n] � xa (t ) t �nT � xa ( nT ), n � �, � 2, � 1,0,1,� second, or hertz (Hz), if T is in seconds
• The spacing T between two consecutive  • Whether or not the sequence {x[n]} has 
samples is called the sampling interval or  been obtained by sampling, the quantity 
sampling period x[n] is called the n-th sample of the 
• Reciprocal of sampling interval T, denoted  sequence
as       , is called the
FT sampling frequency: • {x[n]} is a real sequence, if the n-th sample 
1 x[n] is real for all values of n
FT � • Otherwise, {x[n]} is a complex sequence
T
5 Copyright © 2005, S. K. Mitra 6 Copyright © 2005, S. K. Mitra
 Discrete-Time Signals: Discrete-Time Signals:
Time-Domain Representation Time-Domain Representation
• A complex sequence {x[n]} can be written  • Example - {x[n]} � {cos 0.25n} is a real 
{x[ n]} � {xre [ n]} � j{xim [n]}
as                                                where  sequence
xre [n] and            are the real and imaginary 
xim [n] • {y[n]} � {e j 0.3n} is a complex sequence
parts of x[n] • We can write
• The complex conjugate sequence of {x[n]} {y[n]} � {cos 0.3n � j sin 0.3n}
is given by { x * [ n]} � { xre [n]} � j{xim [ n]} � {cos 0.3n} � j{sin 0.3n}
• Often the braces are ignored to denote a  where {yre [n]} � {cos 0.3n}
sequence if there is no ambiguity
{yim [n]} � {sin 0.3n}
7 Copyright © 2005, S. K. Mitra 8 Copyright © 2005, S. K. Mitra

Discrete-Time Signals: Discrete-Time Signals:
Time-Domain Representation Time-Domain Representation
• Two types of discrete-time signals:
• Example -
- Sampled-data signals in which samples 
{w[n]} � {cos 0.3n} � j{sin 0.3n} � {e � j 0.3n} are continuous-valued
is the complex conjugate sequence of {y[n]} - Digital signals in which samples are 
• That is, discrete-valued
{w[n]} � {y * [n]} • Signals in a practical digital signal 
processing system are digital signals 
obtained by quantizing the sample values 
either by rounding or truncation
9 Copyright © 2005, S. K. Mitra 10 Copyright © 2005, S. K. Mitra

Discrete-Time Signals: Discrete-Time Signals:
Time-Domain Representation Time-Domain Representation
• Example - • A discrete-time signal may be a finite-
length or an infinite-length sequence
Amplitude
Amplitude

• Finite-length (also called finite-duration or 
finite-extent) sequence is defined only for a 
time, t
time, t
finite time interval: N1 � n � N 2
� � � N1 N2 � �
where                  and               with N1 � N 2
Boxedcar signal Digital signal • Length or duration of the above finite-
length sequence is N � N 2 � N1 � 1
11 Copyright © 2005, S. K. Mitra 12 Copyright © 2005, S. K. Mitra
 Discrete-Time Signals: Discrete-Time Signals:
Time-Domain Representation Time-Domain Representation

• A length-N sequence is often referred to as 
• Example - x[n] � n 2 , � 3 � n � 4 is a finite- an N-point sequence
length sequence of length 4 � (�3) � 1 � 8

• The length of a finite-length sequence can 
y[n] � cos 0.4n is an infinite-length sequence be increased by zero-padding, i.e., by 
appending it with zeros

13 Copyright © 2005, S. K. Mitra 14 Copyright © 2005, S. K. Mitra

Discrete-Time Signals: Discrete-Time Signals:
Time-Domain Representation Time-Domain Representation
• Example - • A right-sided sequence x[n] has zero-
� 2 valued samples for n � N1
xe [n] � �n , � 3 � n � 4
� 0, 5 � n � 8
is a finite-length sequence of length 12  N1
n

obtained by zero-padding x[n] � n 2 , � 3 � n � 4
with 4 zero-valued samples A right-sided sequence

N1 � 0,
• If             a right-sided sequence is called a 
causal sequence
15 Copyright © 2005, S. K. Mitra 16 Copyright © 2005, S. K. Mitra

Discrete-Time Signals: Discrete-Time Signals:
Time-Domain Representation Time-Domain Representation
• A left-sided sequence x[n] has zero-valued  • Size of a Signal
samples for n � N 2
Given by the norm of the signal
L p -norm
N2 1/ p
n
� � p�
x p
� � � x[ n] �
A left-sided sequence � n ��� �
N 2 � 0,
• If             a left-sided sequence is called a  where p is a positive integer
anti-causal sequence
17 Copyright © 2005, S. K. Mitra 18 Copyright © 2005, S. K. Mitra
 Discrete-Time Signals: Discrete-Time Signals:
Time-Domain Representation Time-Domain Representation
• The value of p is typically 1 or 2 or � L 1-norm x 1
is the mean absolute value of {x[n]}

L2 -norm
L �-norm x
x2 �
is the peak absolute value of {x[n]}, i.e.
is the root-mean-squared (rms) value of 
{x[n]} x � � x max

19 Copyright © 2005, S. K. Mitra 20 Copyright © 2005, S. K. Mitra

Discrete-Time Signals:
Time-Domain Representation Operations on Sequences
Example
• A single-input, single-output discrete-time 
• Let {y[n]}, 0 � n � N � 1 , be an approximation of
{x[n]}, 0 � n � N � 1 system operates on a sequence, called the 
input sequence, according some prescribed 
• An estimate of the relative error is given by the 
ratio of the L 2 -norm of the difference signal and  rules and develops another sequence, called 
the L 2 -norm of {x[n]}:  the output sequence, with more desirable 
� N �1
1/ p
2� properties
� � y[ n] � x[ n] �
Erel � � n � 0 � x[n] Discrete-time
y[n]
� N �1 2 � system
� � x[ n] � Input sequence Output sequence
21 � n �0 � 22
Copyright © 2005, S. K. Mitra Copyright © 2005, S. K. Mitra

Basic Operations
Operations on Sequences
• Product (modulation) operation:
• For example, the input may be a signal  x[n] � y[n]
corrupted with additive noise – Modulator y[n] � x[n] � w[n]
w[n]
• Discrete-time system is designed to 
generate an output by removing the noise  • An application is in forming a finite-length 
component from the input sequence from an infinite-length sequence 
• In most cases, the operation defining a  by multiplying the latter with a finite-length 
particular discrete-time system is composed  sequence called an window sequence
of some basic operations • Process called windowing
23 Copyright © 2005, S. K. Mitra 24 Copyright © 2005, S. K. Mitra
 Basic Operations Basic Operations
• Time-shifting operation: y[n] � x[n � N ]
• Addition operation:
where N is an integer
x[n] � y[n]
• If N > 0, it is delaying operation
– Adder y[n] � x[n] � w[n]
w[n] – Unit delay y[n] � x[n � 1]
x[n] z �1 y[n]

• Multiplication operation
• If N < 0, it is an advance operation
A
– Multiplier x[n] y[n] y[n] � A � x[n] x[n] z y[n] y[n] � x[n � 1]
– Unit advance
25 Copyright © 2005, S. K. Mitra 26 Copyright © 2005, S. K. Mitra

Basic Operations Basic Operations
• Time-reversal (folding) operation: • Example - Consider the two following 
y[n] � x[� n] 0�n�4
sequences of length 5 defined for               :
{a[n]} � {3 4 6 � 9 0}
• Branching operation:  Used to provide  {b[n]} � {2 � 1 4 5 � 3}
multiple copies of a sequence • New sequences generated from the above 
x[n] x[n] two sequences by applying the basic 
operations are as follows:
x[n]
27 Copyright © 2005, S. K. Mitra 28 Copyright © 2005, S. K. Mitra

Basic Operations Basic Operations
{c[n]} � {a[n] � b[n]} � {6 � 4 24 � 45 0}
{d [n]} � {a[n] � b[n]} � {5 3 10 � 4 � 3} • However if the sequences are not of same 
length, in some situations, this problem can 
{e[n]} � 3 {a[n]} � {4.5 6 9 � 13.5 0} be circumvented by appending zero-valued 
2
samples to the sequence(s) of smaller 
• As pointed out by the above example,  lengths to make all sequences have the same 
operations on two or more sequences can be  range of the time index
carried out if all sequences involved are of 
same length and defined for the same range  • Example - Consider the sequence of length 
of the time index n 0 � n � 2 { f [n]} � {� 2 1 � 3}
3 defined for               :
29 Copyright © 2005, S. K. Mitra 30 Copyright © 2005, S. K. Mitra
 Basic Operations
Basic Operations
Ensemble Averaging
{ f [n]}
• We cannot add the length-3 sequence             • A very simple application of the addition 
to the length-5 sequence {a[n]} defined  operation in improving the quality of 
earlier measured data corrupted by an additive 
• We therefore first append             with 2
{ f [n]} random noise
zero-valued samples resulting in a length-5 • In some cases, actual uncorrupted data 
sequence { f e [n]} � {� 2 1 � 3 0 0} vector s remains essentially the same from 
one measurement to next
• Then
{g[n]} � {a[n]} � { f e [n]} � {1 5 3 � 9 0}
31 Copyright © 2005, S. K. Mitra 32 Copyright © 2005, S. K. Mitra

Basic Operations Basic Operations
• While the additive noise vector is random  • The average data vector, called the 
and not reproducible ensemble average, obtained after K
• Let      denote the noise vector corrupting 
di measurements is given by
the i-th measurement of the uncorrupted  K K K
x ave � 1
� xi � K1 � (s � di ) � s � K1 � di
data vector s: K
i �1 i �1 i �1
x i � s � di • For large values of K,          is usually a 
x ave
reasonable replica of the desired data vector 
s

33 Copyright © 2005, S. K. Mitra 34 Copyright © 2005, S. K. Mitra

Basic Operations
Basic Operations
• Example
{ f [n]}
• We cannot add the length-3 sequence            
Original uncorrupted data Noise
8 0.5

to the length-5 sequence {a[n]} defined 

Amplitude

4 0

2
earlier
0
0 10 20 30
Time index n
40 50
-0.5
0 10 20 30
Time index n
40 50 • We therefore first append             with 2
{ f [n]}
8
Noise corrupted data
8
Ensemble average zero-valued samples resulting in a length-5
6 6
sequence { f e [n]} � {� 2 1 � 3 0 0}
Amplitude

Amplitude

4 4

2 2 • Then
{g[n]} � {a[n]} � { f e [n]} � {1 5 3 � 9 0}
0 0

-2 -2
0 10 20 30 40 50 0 10 20 30 40 50
Time index n Time index n
35 Copyright © 2005, S. K. Mitra 36 Copyright © 2005, S. K. Mitra
 Combinations of Basic  Sampling Rate Alteration
Operations
• Employed to generate a new sequence y[n]
FT'
with a sampling rate        higher or lower 
• Example - FT
than that of the sampling rate        of a given 
sequence x[n]
F'
• Sampling rate alteration ratio is R � T
FT

• If R > 1, the process called interpolation
y[n] � �1x[ n] � � 2 x[n � 1] � � 3 x[n � 2] � � 4 x[n � 3] • If R < 1, the process called decimation
37 Copyright © 2005, S. K. Mitra 38 Copyright © 2005, S. K. Mitra

Sampling Rate Alteration
Sampling Rate Alteration
• In up-sampling by an integer factor L > 1,
L � 1 equidistant zero-valued samples are  • An example of the up-sampling operation
inserted by the up-sampler between each  1
Input Sequence
1
Output sequence up-sampled by 3

two consecutive samples of the input 
0.5
sequence x[n]:
0.5
Amplitude

Amplitude
� x[n / L], n � 0, � L, � 2 L,�
0 0

xu [n] � � -0.5 -0.5

� 0, otherwise
-1 -1
0 10 20 30 40 50 0 10 20 30 40 50

xu [n]
Time index n Time index n
x[n] L
39 Copyright © 2005, S. K. Mitra 40 Copyright © 2005, S. K. Mitra

Sampling Rate Alteration Sampling Rate Alteration
• In down-sampling by an integer factor  • An example of the down-sampling 
M > 1, every M-th samples of the input  operation
M �1
sequence are kept and            in-between  1
Input Sequence
1
Output sequence down-sampled by 3

samples are removed: 0.5 0.5

y[n] � x[nM ]
Amplitude

Amplitude

0 0

y[n]
-0.5
x[n]
-0.5
M
-1 -1
0 10 20 30 40 50 0 10 20 30 40 50
Time index n Time index n

41 Copyright © 2005, S. K. Mitra 42 Copyright © 2005, S. K. Mitra
 Classification of Sequences  Classification of Sequences 
Based on Symmetry Based on Symmetry
• Conjugate-symmetric sequence: • Conjugate-antisymmetric sequence:
x[ n] � x * [ � n] x[n] � � x * [� n]
If x[n] is real, then it is an even sequence If x[n] is real, then it is an odd sequence

An even sequence An odd sequence
43 Copyright © 2005, S. K. Mitra 44 Copyright © 2005, S. K. Mitra

Classification of Sequences  Classification of Sequences 
Based on Symmetry Based on Symmetry
• It follows from the definition that for a  • Any complex sequence can be expressed as 
conjugate-symmetric sequence {x[n]}, x[0] a sum of its conjugate-symmetric part and 
must be a real number its conjugate-antisymmetric part:
• Likewise, it follows from the definition that  x[ n] � xcs [n] � xca [ n]
for a conjugate anti-symmetric sequence  where
{y[n]}, y[0] must be an imaginary number xcs [n] � 12 � x[n] � x * [� n]�
• From the above, it also follows that for an 
odd sequence {w[n]}, w[0] = 0 xca [n] � 12 � x[ n] � x * [� n]�
45 Copyright © 2005, S. K. Mitra 46 Copyright © 2005, S. K. Mitra

Classification of Sequences  Classification of Sequences 
Based on Symmetry Based on Symmetry
• Example - Consider the length-7 sequence  • Therefore  {g cs [n]} � 12 {g [n] � g * [� n]}
�3� n � 3
defined for                  : � {1.5, 0.5� j 3, �3.5� j 4.5, 4, �3.5� j 4.5, 0.5� j 3, 1.5}
{g [ n ]} � {0, 1� j 4, � 2� j 3, 4 � j 2, �5� j 6, � j 2, 3} �
�
• Its conjugate sequence is then given by • Likewise {g ca [n]} � 1 {g [n] � g * [� n]}
2
{g * [ n ]} � {0, 1� j 4, � 2 � j 3, 4 � j 2, �5� j 6, j 2, 3}
� � {�1.5, 0.5� j , 1.5� j1.5, � j 2, �1.5� j1.5, �0.5� j , 1.5}
• The time-reversed version of the above is �
{g * [ � n ]} � {3, j 2, �5� j 6, 4� j 2, � 2 � j 3, 1� j 4, 0} gcs [n] � gcs * [� n ]
• It can be easily verified that                         
� and gca [n] � � gca [� n]
*
47 Copyright © 2005, S. K. Mitra 48 Copyright © 2005, S. K. Mitra
 Classification of Sequences 
Classification of Sequences 
Based on Symmetry
Based on Symmetry
• A length-N sequence x[n], 0 � n � N � 1,
• Any real sequence can be expressed as a  can be expressed as x[n] � x pcs [n] � x pca [n]
sum of its even part and its odd part:
where
x[ n] � xev [n] � xod [n] x pcs [n] � 12 � x[n] � x * [�� n� N ]�, 0 � n � N � 1,
where
is the periodic conjugate-symmetric part
xev [ n] � 12 � x[n] � x[� n]� and
x pca [n] � 12 � x[n] � x * [�� n� N ]�, 0 � n � N � 1,
xod [ n] � 12 � x[ n] � x[� n]�
is the periodic conjugate-antisymmetric
49 Copyright © 2005, S. K. Mitra 50 part Copyright © 2005, S. K. Mitra

Classification of Sequences  Classification of Sequences 
Based on Symmetry Based on Symmetry
• For a real sequence, the periodic conjugate- • A length-N sequence x[n] is called a 
symmetric part, is a real sequence and is  periodic conjugate-symmetric sequence if
called the periodic even part x pe [n] x[n] � x * [�� n� N ] � x * [ N � n]
• For a real sequence, the periodic conjugate- and is called a periodic conjugate-
antisymmetric part, is a real sequence and is  antisymmetric sequence if
called the periodic odd part x po [n]
x[n] � � x * [�� n� N ] � � x * [ N � n]

51 Copyright © 2005, S. K. Mitra 52 Copyright © 2005, S. K. Mitra

Classification of Sequences  Classification of Sequences 
Based on Symmetry Based on Symmetry
• A finite-length real periodic conjugate- • Example - Consider the length-4 sequence 
symmetric sequence is called a symmetric  0�n�3
defined for               :
sequence {u[n]} � {1 � j 4, � 2 � j 3, 4 � j 2, � 5 � j 6}
• A finite-length real periodic conjugate- • Its conjugate sequence is given by
antisymmetric sequence is called a {u * [n]} � {1 � j 4, � 2 � j 3, 4 � j 2, � 5 � j 6}
antisymmetric sequence
• To determine the modulo-4 time-reversed 
{u * [�� n� 4 ]}
version                     observe the following:

53 Copyright © 2005, S. K. Mitra 54 Copyright © 2005, S. K. Mitra
 Classification of Sequences  Classification of Sequences 
Based on Symmetry Based on Symmetry
u * [�� 0� 4 ] � u * [0] � 1 � j 4 • Therefore
u * [�� 1� 4 ] � u * [3] � �5 � j 6 {u pcs [n]} � 1 {u[n] � u * [�� n� 4 ]}
2
u * [�� 2� 4 ] � u * [2] � 4 � j 2
� {1, � 3.5 � j 4.5, 4, � 3.5 � j 4.5}
u * [�� 3� 4 ] � u * [1] � �2 � j 3
• Hence • Likewise
{u * [�� n� 4 ]} � {1 � j 4, � 5 � j 6, 4 � j 2, � 2 � j 3} {u pca [n]} � 1 {u[n] � u * [�� n� 4 ]}
2
� { j 4, 1.5 � j1.5, � 2, � 1.5 � j1.5}
55 Copyright © 2005, S. K. Mitra 56 Copyright © 2005, S. K. Mitra

Classification of Sequences  Classification of Sequences 
Based on Periodicity Based on Periodicity
~
x [ n]
• A sequence          satisfying x~[n] � ~
x [n � kN ] • Example -
is called a periodic sequence with a period N
where N is a positive integer and k is any 
integer
• Smallest value of N satisfying x~[n] � ~ x [n � kN ]
is called the fundamental period
• A sequence not satisfying the periodicity 
condition is called an aperiodic sequence
57 Copyright © 2005, S. K. Mitra 58 Copyright © 2005, S. K. Mitra

Classification of Sequences:
Classification of Sequences:
Energy and Power Signals
Energy and Power Signals
• Total energy of a sequence x[n] is defined by • The average power of an aperiodic
� sequence is defined by
�x � � x[n]
2
K 2
n � �� Px � lim 2 K1�1 � x[ n]
K �� n�� K
• An infinite length sequence with finite sample 
values may or may not have finite energy • Define the energy of a sequence x[n] over a 
• A finite length sequence with finite sample  �K �n�K
finite interval                     as
values has finite energy
� x,K
K
� � x[ n]
n�� K
2

59 Copyright © 2005, S. K. Mitra 60 Copyright © 2005, S. K. Mitra
 Classification of Sequences:
Classification of Sequences:
Energy and Power Signals
• Then
Energy and Power Signals
Px � lim 2 K1�1
K ��
� x. K • Example - Consider the causal sequence 
defined by
• The average power of a periodic sequence     
� n
x~[n] with a period N is given by x[n] � �3(�1) , n � 0
N �1 � 0, n�0
1 2
Px �
N � ~
x [n] • Note: x[n] has infinite energy
n �0
• Its average power is given by
• The average power of an infinite-length 
sequence may be finite or infinite 1 � K � 9( K � 1)
Px � lim � 9 �1� � lim � 4.5
K � � 2 K � 1 � n � 0 � K �� 2 K � 1
61 Copyright © 2005, S. K. Mitra 62 Copyright © 2005, S. K. Mitra

Classification of Sequences: Other Types of Classifications
Energy and Power Signals
• A sequence x[n] is said to be bounded if
• An infinite energy signal with finite average 
x[n] � Bx � �
power is called a power signal
Example - A periodic sequence which has a 
finite average power but infinite energy x[n] � cos 0.3�n
• Example - The sequence                           is a 
bounded sequence as
• A finite energy signal with zero average 
power is called an energy signal x[n] � cos 0.3�n � 1
Example - A finite-length sequence which 
has finite energy but zero average power
63 Copyright © 2005, S. K. Mitra 64 Copyright © 2005, S. K. Mitra

Other Types of Classifications Other Types of Classifications
• A sequence x[n] is said to be absolutely
summable if � • A sequence x[n] is said to be square-
� x[n] � � summable if �
2
n � ��
� x[n] � �
• Example - The sequence                   n � ��
• Example - The sequence
� n
y[n] � �0.3 , n � 0 sin 0.4 n
h[ n] � � n
� 0, n � 0
is an absolutely summable sequence as is square-summable but not absolutely 
� 1 summable
� 0.3n � 1 � 0.3 � 1.42857 � �
65 n �0 Copyright © 2005, S. K. Mitra 66 Copyright © 2005, S. K. Mitra