Universidad Politécnica Salesiana. Julio Huanga-María A. Peralta.

Espectro y Modulación de un Audio 1

ANÁLISIS DE UNA SEÑAL DE AUDIO

Julio Vicente Huanga Reyes, (jhuanga@est.ups.edu.ec)
María Angélica Peralta Ochoa, (aperaltao@est.ups.edu.ec)

Universidad Politécnica Salesiana, Sede Cuenca

Señales Y Sistemas

Resumen— En el presente documento podemos encontrar el I. INTRODUCCIÓN

análisis de una señal de audio en Matlab, a la cual se la paso del
dominio del tiempo al dominio de la frecuencia, a través de la
transformada de fourier. Se aplicó además tres tipos de filtros, los
cuales son: pasa baja de 4 polos, un pasa alta de 7 polos y un pasa
banda de 8 polos, cada filtro fue diseñado a través del programa
FilterLab, del cual se obtuvo el circuito y posteriormente se calculó
su función de transferencia para cada uno de ellos. Se obtuvieron
las señales correspondientes resultantes de la aplicación de cada
filtro y se reprodujo la señal filtrada así como se graficó tanto en
función del tiempo y de la frecuencia
Además se realizó la modulación AM de la señal que se obtuvo
de la aplicación del filtro Pasa Baja, a la cual se le multiplico por
una portadora de frecuencia mayor y de igual manera se graficó el
espectro de la señal, así como se reprodujo la misma. A esta señal
ya modulada se la volvió a modular multiplicándola por la misma
portadora y se le aplico un filtro pasa baja de 2 polos y obtuvo una
nueva señal la cual se reprodujo y se graficó tanto en el dominio del
tiempo como en el de la frecuencia.
Se complementa además con una breve investigación de la
transformada de Fourier aplicada a ventanas, la transformada de
Wavelet así como aplicaciones de la misma, la transformada de
Hilbert y sobre la importancia de la aplicación de la modulación a
los sistemas de comunicación.
Abstract- In this document we can find the analysis of an audio
signal for Matlab, to which the passage of the time domain to the
frequency domain, through the fourier transform. Three types of
filters were applied, which are: low pass of 4 poles, a high pass of 7
poles and an pass band of 8 poles, each filter was designed through
the program FilterLab, from which the circuit was obtained and
later Their transfer function was calculated for each of them.
Corresponding signals resulting from the application of each filter
were obtained and the filtered signal was reproduced as well as
plotted as a function of time and frequency
En el estudio de señales, existen herramientas que nos facilitan
el cálculo, diseño y análisis de las mismas. Una de estas
herramientas es la Transformada de Fourier, la cual nos
permite pasar una señal del dominio del tiempo (t) al dominio
de la frecuencia (f), esto nos facilitara el cálculo de la misma.
El análisis de estas señales se nos resulta fácil ya que
contamos con la herramienta de cálculo Matlab, este programa
nos permite procesar una señal (en este caso de audio), a la
cual la podemos transformar del dominio de (t) al dominio de
(f), aplicarle filtros, los cuales previamente diseñamos en
FilterLab y calculamos su respectiva función de transferencia.
A través de este software podemos graficar y reproducir la
señal de audio filtrada.
La modulación de una señal nos permite poder transmitirla
está a grandes distancias, ya que se introduce la señal original
dentro de una portadora de mayor amplitud y frecuencia, la
cual podremos recuperar receptándola con un demodulador.
II. ANÁLISIS ESPECTRAL DE UNA SEÑAL DE
AUDIO
Para el presente análisis se tomó una señal de audio que se
gravo la cual consta de la voz con una señal acústica de fondo,
esta señal tiene una duración de 8.8 segundos. A esta señal al
estar en estéreo se procedió a separar en canales L y R, para
poder trabajar con una sola de ellas. A continuación podremos
ver la gráfica del espectro de la señal original así como la del
canal R, ambas en el dominio del tiempo.

In addition, the AM modulation of the signal obtained from the

application of the Low Pass filter was performed, which was
multiplied by a larger frequency carrier, and the signal spectrum
was plotted, as well as reproduced . This modulated signal was
again modulated by multiplying it by the same carrier and a 2-pole
low-pass filter was applied and a new signal was obtained which
was reproduced and plotted both in the time domain and in the
frequency domain .

It is also complemented with a brief investigation of the Fourier

transform applied to windows, the Wavelet transform as well as its
applications, the Hilbert transform and the importance of the
application of the modulation to the communication systems.

Palabras clave— Wavelet, Filtros Activos,

Espectros, Modulación, Transformada de Fourier. Figura 1. Espectro de señal de audio en el dominio de (t).
Universidad Politécnica Salesiana. Julio Huanga-María A. Peralta. Espectro y Modulación de un Audio
A continuación se procedió a sacar la transformada de Fourier
de la señal del canal R, para la cual se usó el comando FFT en
Matlab, la cual nos devuelve el espectro en el dominio de (f)
tanto su parte positiva como la negativa. Para el objeto de
estudio se toma la parte positiva usando el comando FFTShift,
estos dos espectros los podemos ver a continuación, ambos
están en el dominio de la frecuencia.
Figura 2. Espectro de señal de audio del canal R en el dominio
de (f).
Al espectro de la señal del canal R, tomando su parte positiva
se le aplicaron tres diferentes filtros activos, para los cuales se
realizó en correspondiente análisis de cada uno de ellos:
1) Con un Filtro Pasa Baja.
Este filtro consta de una estructura Butherwort de 5 polos,
para el cual se asignó una frecuencia de corte de nuestro
espectro positivo y se lo coloco en el programa FilterLab de
donde pudimos obtener el siguiente circuito.
Figura 3. Asignación de la frecuencia de corte para el diseño del
filtro Pasa Bajo.
2
Figura 4. Circuito, Filtro Pasa Bajo 5 polos.
De este filtro calculamos su función de transferencia, la cual
es la siguiente.
𝐻1(𝑗𝑤)
1
=
(𝑗𝑤𝑅1𝐶1 + 1)
1
∗
(1 + 𝐶3𝑗𝑤(𝑅2 + 𝑅3) + 𝑅2𝑅3𝐶2𝐶3(𝑗𝑤)2 )
1
∗
(1 + 𝐶5𝑗𝑤(𝑅4 + 𝑅5) + 𝑅4𝑅5𝐶4𝐶5(𝑗𝑤)2 )
Para determinar el espectro de la señal filtrada, en el dominio
de (f), tenemos que hacer la multiplicación del espectro de la
señal positiva con la función de transferencia del filtro, la
gráfica de esta operación la tenemos a continuación, la cual
esta graficada en el dominio de la frecuencia, además en el
dominio del tiempo, para la cual se sacó la transformada
inversa de Fourier.
Figura 4. Espectro de señal filtrada con un filtro Pasa Baja.
2) Con un Filtro Pasa Alta.
Este filtro es una estructura Butherwort de 7 polos, donde de
igual manera se le asigno la frecuencia de corte y se determinó
el circuito correspondiente, cabe mencionar que todos estos
filtros tienen una ganancia de 1, por lo cual al reproducir los
espectros filtrados se hizo necesario multiplicar al espectro por
una constante para así ganar amplitud.
Universidad Politécnica Salesiana. Julio Huanga-María A. Peralta. Espectro y Modulación de un Audio 3

3) Con un Filtro Pasa Banda.

Para el diseño de este filtro se asignan dos frecuencias, la

inferior y la superior, las cuales establecen el ancho de banda
de la banda pasante, con las frecuencias asignadas se
determinó un filtro Butherwort de 8 polos.

Figura 5. Asignación de la frecuencia de corte para el diseño del

filtro Pasa Alto.

Figura 8. Asignación de las frecuencias de corte para el diseño del

filtro Pasa Banda.
Figura 6. Filtro Pasa Alto de 7 polos.

De este filtro calculamos su función de transferencia, la cual

es la siguiente.

1 1
𝐻2(𝑗𝑤) = 1
∗ 𝐶2𝐶3 1
(1 + ) (1 + + )
𝑅1𝐶1𝑗𝑤 𝑅3𝐶2𝐶3𝑗𝑤 𝑅2𝑅3𝐶2𝐶3(𝑗𝑤)2
1
∗ 𝐶4𝐶5 1 Figura 9. Filtro Pasa Banda de 8 polos.
(1 + + )
𝑅5𝐶4𝐶5𝑗𝑤 𝑅4𝑅5𝐶4𝐶5(𝑗𝑤)2
1
∗ 𝐶6𝐶7 1
(1 + + ) Función de transferencia obtenida par el filtro pasa Alto.
𝑅7𝐶6𝐶7𝑗𝑤 𝑅6𝑅7𝐶6𝐶7(𝑗𝑤)2

Espectro de señal obtenido al aplicar el filtro Pasa Alto, de 𝐻3(𝑗𝑤)

igual forma tenemos el espectro en el dominio de (f) y de (t). 1
− 𝐶2𝑗𝑤
𝑅1
=
1 1 1
∗( + + 𝑗𝑤(𝐶1 + 𝐶2)) + 𝐶1𝐶2(𝑗𝑤)2
𝑅3 𝑅1 𝑅2
1
− 𝐶4𝑗𝑤
𝑅4
∗
1 1 1
∗( + + 𝑗𝑤(𝐶3 + 𝐶4)) + 𝐶3𝐶4(𝑗𝑤)2
𝑅6 𝑅4 𝑅5
1
− 𝐶6𝑗𝑤
𝑅7
∗
1 1 1
∗( + + 𝑗𝑤(𝐶5 + 𝐶6)) + 𝐶5𝐶6(𝑗𝑤)2
𝑅9 𝑅7 𝑅8
1
− 𝐶8𝑗𝑤
𝑅10
∗
1 1 1
∗( + + 𝑗𝑤(𝐶7 + 𝐶8)) + 𝐶7𝐶8(𝑗𝑤)2
𝑅12 𝑅10 𝑅11

Espectro de señal obtenido al aplicar el filtro Pasa Banda, de

igual forma tenemos el espectro en el dominio de (f) y de (t).

Figura 7. Espectro de señal filtrada con un filtro Pasa Alta.

Universidad Politécnica Salesiana. Julio Huanga-María A. Peralta. Espectro y Modulación de un Audio 4

Figura 10. Espectro de señal filtrada con un filtro Pasa Banda.

Figura 11. Señal moduladora y señal portadora en el dominio de (t).

Los cálculos realizador para determinar cada una de las La señal obtenida al realizar multiplicación entre la portadora
funciones de transferencia de todos los filtros, así como el y la moduladora nos brindara una señal superpuesta, es decir
código empleado en Matlab se lo detallara en el anexo de este que la una estará dentro de la otra, de esta manera se puede
documento. hacer la transmisión de una señal a grandes distancias.

La señal que se obtuvo es la siguiente donde podemos ver la

III. MODULACIÓN AM DE UNA SEÑAL DE señal en el dominio del tiempo y también el dominio de la
AUDIO frecuencia.

La modulación de una señal se la realiza con la finalizad de

poder enviar una señal a grandes distancias, para ello se
emplea una señal portadora de mayor amplitud y frecuencia.

Para el presente análisis se tomó el espectro de la señal

obtenido mediante la aplicación del filtro pasa Banda del ítem
anterior, a la se le añadió una señal portadora de las siguientes
características:

Frecuencia de la portadora = 100kHz

Frecuencia de la Moduladora= 10kHz

Amplitud (A)=10

Señal portadora:
𝑝𝑜𝑟𝑡𝑎𝑑𝑜𝑟𝑎 = 𝐴𝑠𝑒𝑛(𝑤𝑡)

Figura 12. Señal modulada en el dominio de (t) y de (f).

A continuación podremos ver la señal moduladora y la
portadora, cabe mencionar que el rango del eje horizontal se lo
Cabe mencionar que la señal en el dominio de la frecuencia
redujo de forma drástica esto debido a que al ser señales de
esta graficada solo parte de ella, esto debido a que es una señal
alta frecuencia no se visualiza la forma de la las señales, estas
de una amplitud muy grande así como de una alta frecuencia
dos señales están en el dominio del tiempo, ya que de esta
manera podremos realizar la multiplicación entre moduladora por lo que a tamaño real no podríamos visualizar
correctamente el espectro.
y portadora.
Universidad Politécnica Salesiana. Julio Huanga-María A. Peralta. Espectro y Modulación de un Audio
A la señal ya modulada se le volvió a modular, esto se lo
realiza multiplicando la señal ya modulada nuevamente por su
portadora, esto elevara la amplitud y la frecuencia, y porque al
final de esta etapa se colocó un filtro pasa baja de 2 polos, este
filtro nos permite receptar la señal.
Este proceso se lo conoce como demodulación, y es el proceso
que realiza un receptor al cual devuelve la señal original que
está dentro de la portadora.
El filtro aplicado para esta demodulación es el siguiente.
Figura 13. Filtro pasa Bajo de 2 polos.
Este filtro tiene una frecuencia de corte de 1KHz.
La función de transferencia de este filtro es la siguiente.
1
𝐻4(𝑗𝑤) =
1 + 𝑗𝑤(𝑅2𝐶2 + 𝑅1𝐶1) + 𝑅1𝑅2𝐶1𝐶2(𝑗𝑤)2
La señal demodulada obtenida es la siguiente, donde podemos
ver la señal en el dominio del tiempo, así como el espectro de
la señal en el dominio de la frecuencia.
Figura 14. Señal filtrada en el dominio de (t) y de (f).
De la misma forma el cálculo de la función de transferencia
del filtro, así como el código utilizado están en el anexo de
este documento.
5
IV. TRANSFORMADAS ESPECIALES
La Transformada de Fourier aplicada a Ventanas.
Aunque realizar una FFT de una señal puede proporcionar una
buena comprensión, es importante conocer las limitaciones de
la FFT y cómo mejorar la claridad de la señal usando
Funciones Ventana. [1][2]
Cuando se utiliza la FFT para medir el componente de
frecuencia de una señal, usted está basando el análisis en un
conjunto finito de datos. La transformada FFT real asume que
es un conjunto finito de datos, un espectro continuo que es un
periodo de una señal periódica. Para la FFT, tanto el dominio
del tiempo como el dominio de frecuencia son topologías
circulares, por lo que los dos extremos de la forma de onda de
tiempo son interpretados como si estuvieran conectados entre
sí. Cuando la señal medida es periódica y un número entero de
periodos llena el intervalo de tiempo de adquisición, la FFT
resulta bien, ya que coincide con esta suposición. [1][2]
Figura 15. La medida de un número entero de periodos (arriba)
brinda una FFT ideal (abajo).
Cuando el número de períodos en la adquisición no es un
entero, los extremos son discontinuos. Estas discontinuidades
artificiales se muestran en la FFT como componentes de alta
frecuencia que no se presentan en la señal original. Estas
frecuencias pueden ser mucho más altas que la frecuencia de
Nyquist y son escalonadas entre 0 y la mitad de su velocidad
de muestreo. El espectro se obtiene al usar una FFT, por lo
tanto, no es el espectro real de la señal original, sino una
versión distorsionada. Parece como si la energía en una
frecuencia se fuga a otras frecuencias. Este fenómeno se
conoce como la fuga espectral, lo que hace que las líneas
espectrales finas se difundan en señales más amplias. [1][2]
Universidad Politécnica Salesiana. Julio Huanga-María A. Peralta. Espectro y Modulación de un Audio
Figura 16. Medir un número no entero de periodos (arriba) añade
fuga espectral a la FFT (abajo).
Puede minimizar los efectos de realizar una FFT sobre un
número no entero de ciclos al usar una técnica llamada de
funciones ventana. Las ventanas reducen la amplitud de las
discontinuidades en los límites de cada secuencia finita
adquirida por el digitalizador. Consisten en multiplicar el
registro de tiempo por una ventana de longitud finita con una
amplitud que varía poco a poco hacia cero en los bordes. Esto
hace que los extremos de la forma de onda se encuentren y por
lo tanto, da como resultado una forma de onda continua y sin
transiciones bruscas. Esta técnica también se conoce
como aplicar una ventana. [1][2]
Figura 17. Aplicar una ventana minimiza el efecto de la fuga
espectral.
6
La Transformada de Wavelet.
Una wavelet es una onda de duración efectiva limitada que
tiene un valor promedio cero.
Las wavelets (también llamadas ondelettes u onditas) son
funciones que satisfacen ciertos requerimientos matemáticos y
son utilizadas para la representación de datos o de otras
funciones. Las wavelets son muy adecuadas para
aproximación de datos con variaciones o con discontinuidades
abruptas. La idea fundamental detrás de las wavelets es
analizar funciones de acuerdo a escalas.
En el análisis por wavelets la escala que se utiliza para
analizar los datos juega un papel especial.
Los algoritmos que utilizan wavelets procesan los datos a
diferentes escalas o resoluciones. Si se observa una señal o
función utilizando una "ventana" ancha, no se observan los
pequeños detalles; en cambio, si la "ventana" utilizada es
angosta, entonces se los puede observar. En análisis por
Wavelets, esas ventanas se ajustan automáticamente al
cambiar de resolución. Esto hace que las wavelets sean una
herramienta útil e interesante.
El procedimiento general del análisis utilizando wavelets es
adoptar una función "prototipo", llamada generalmente
wavelet madre. El análisis temporal se realiza entonces
utilizando dilataciones y traslaciones de dicha función. La
señal original se podrá entonces representar como
combinación lineal de la función original y de sus trasladadas
y dilatadas. Esto se denomina una expansión en wavelets.
La elección de la wavelet madre (y de este modo de la base o
del marco de wavelets) no es única y depende del tipo de
funciones o de datos a analizar. Una elección adecuada o la
eliminación de coeficientes por debajo de un umbral prefijado,
hace que las wavelets sean una herramienta excelente, entre
otras, para la compresión de datos.
Con la Transformada de Fourier con Ventana se logra una
mejor localización de la aparición de una singularidad en una
señal. Pero solo se conocerá en qué intervalo de tiempo se
produce la singularidad, debido a que la localización depende
del ancho elegido para la función ventana. Además, los
eventos no podrán ser resueltos si aparecen muy cerca unos de
otros, ya que no será posible distinguir diferentes
comportamientos dentro de una misma amplitud de ventana
[5] .
Modulación en los sistemas de Comunicación.
La modulación engloba el conjunto de técnicas que se usan
para transportar información sobre una onda portadora,
típicamente una onda sinusoidal. Estas técnicas permiten un
mejor aprovechamiento del canal de comunicación lo que
posibilita transmitir más información de forma simultánea
además de mejorar la resistencia contra posibles ruidos e
interferencias. La modulación es el proceso, o el resultado del
proceso, de variar una característica de una onda portadora de
acuerdo con una señal que transporta información. El
propósito de la modulación es sobreponer señales en las ondas
portadoras.
La modulación consiste en hacer que un parámetro de la onda
portadora cambie de valor de acuerdo con las variaciones de
Universidad Politécnica Salesiana. Julio Huanga-María A. Peralta. Espectro y Modulación de un Audio
la señal moduladora, que es la información que queremos
transmitir.[6]
La Transformada de Fourier y la Transformada de Wavelet.
El análisis de Wavelets está especialmente indicado para
señales con pulsos o intermitencias: sucesos que ocurren de
manera no periódica. Para estas señales Fourier da muy poca
información, al perder casi toda información temporal. [4]
Fourier es ‘’inestable’’ frente a señales de tipo intermitentes si
añadimos un impulso localizado en el tiempo a una señal, todo
el espectro de Fourier se verá afectado, mientras que solo
algunos coeficientes de wavelets se modificarán.[4]
Ambas transformadas son operaciones lineales que pueden
pensarse como rotaciones de un espacio de funciones a un
dominio diferente. En este nuevo dominio, la FFT tiene como
base. de funciones a los senos y cosenos; la TWD tiene como
base de funciones una base de wavelets. Ambas transformadas
tienen otra similitud: ambas bases de funciones tienen
localización en frecuencia. [3]
Pero la diferencia más interesante entre ambas transformadas
es que el tamaño de la ventana en la TWD varía según la
escala, mientras que en la FFT la ventana es fija. Esto permite
una mejor localización en tiempo-frecuencia. Podemos
observar las diferencias de resolución en tiempo-frecuencia de
ambas transformadas observando el cubrimiento del espacio
tiempo-frecuencia por medio de las funciones de ambas bases
en la Figura 4. [3]
Mientras que el análisis de Fourier consiste en descomponer
una señal en funciones de senos de varias frecuencias, el
análisis de wavelets consiste en descomponer una señal en
versiones escaladas móviles de la wavelet original (“madre”).
Sólo viendo wavelets y senoides se puede ver intuitivamente
que las señales con cambios bruscos se pueden analizar mejor
con una wavelet irregular.
Figura 18. Aplicar una ventana minimiza el efecto de la fuga
espectral.
Otra diferencia es que, en el caso de la FFT la base de
funciones es siempre la misma mientras que en la TWD es
posible elegir diferentes madres wavelet que originarán
diferentes bases de funciones. Esto permite elegir una base
adecuada según el problema que se desee estudiar. De este
modo, el análisis de señales utilizando bases de wavelets
provee acceso inmediato a información de la señal que
permanece oculto a otro tipo de análisis. [3]
7
Figura 19. Fourier vs Wavelets: Descomposición de una señal
en ondas.”
Aplicaciones de la Transformada de Wavelet.
Campos de Aplicaciones:
 Astronomía
 Acústica
 Ingeniería nuclear
 Codificación sub- banda
 Procesamiento de imágenes y señales
 Música
 Formación de imágenes por resonancia magnética
 La discriminación de voz
 Óptica
 Turbulencia
 Predicción de sismos
 Radar
 Visión humana
Otras aplicaciones:
 Identificación de frecuencias puras
 Detección de discontinuidades y puntos de falla.
 Detección de similitudes
 Compresión de imágenes.
La Transformada Wavelet transforma los datos y los codifica
logrando con ello una compresión eficaz. La codificación de
las señales o imágenes, es estudiada por La Transformada
Wavelet Discreta, y la señal es analizada por medio de la
Transformada continua.
Una imagen cuando se descompone en un seriado más
pequeño entonces se mejora la calidad de imagen.
En la fusión de imágenes que consiste en combinar dos o más
imágenes de un mismo objeto para lograr con ello una mejor
Interpretación que la original, es decir, interpretación
multiespectral de una imagen.
Es posible cuantificar o eliminar los coeficientes de bajo valor
con la posibilidad de reconstruir una imagen a partir de las
posiciones de los cruces por cero de la Transformada. [7]
Análisis Múltiresolución de la Transformada de Wavelet.
El análisis múltiresolución (MRA) es una herramienta que
utiliza la DWT para representar una señal en tiempo variante
Universidad Politécnica Salesiana. Julio Huanga-María A. Peralta. Espectro y Modulación de un Audio 8

en términos de sus componentes de frecuencia. Esencialmente [4]http://www.monografias.com/trabajos105/wavelets-

mapea una señal unidimensional (1D) del tiempo en una señal concepto-y-aplicaciones-analisis senales/wavelets-concepto-y-
bidimensional del tiempo y la frecuencia. aplicaciones-analisis-senales.shtml

La Transformada de Hilbert [5]http://www.exa.unicen.edu.ar/escuelapav/cursos/wavelets/a

punte.pdf
La Transformada de Hilbert consiste en descomponer
cualquier señal en componentes puramente oscilatorias para [6]https://www.ecured.cu/Modulaci%C3%B3n_de_fase
calcular su amplitud y frecuencia instantánea.
[7]http://repositorio.utp.edu.co/dspace/bitstream/handle/11059
1 ∞ g(τ) /4917/51535G643.pdf;jsessionid=2F45CCBC311AFEA40DF
g(t) = ∫ dτ (1)
π −∞ t−τ
F4FAE31B19B0C?sequence=1
La transformada de Hilbert es útil para calcular el contenido
[8]http://es.slideshare.net/gilbertooregon/transformada-
en frecuencia de una señal de energía o de potencia. Así se
hilberthuang
pueden analizar o Diseñar filtros selectivos en frecuencia para
poder separar señales según su contenido en frecuencia. [8][9]
[9] https://prezi.com/pzjxyxx4azok/transformada-de-hilbert/
Aplicaciones:
Puede utilizarse para obtener selectividad de fase en la VII. BIOGRAFÍA
generación de una clase especial de modulación que se conoce
como modulación de banda lateral única. Julio Vicente Huanga Reyes, nacido el 27 de Julio de 1990,
Proporciona la base matemática de la representación de las realizo sus estudios primarios en la escuela Alfonso Carrión
señales de pasa banda. [9] Heredia, la secundaria la curso en el colegio Manuel Córdova
Galarza, donde obtuvo el título de bachiller en Informática,
V. CONLUSIONES Y RECOMENDACIONES actualmente lleva sus estudios en la carrera de Ingeniería
Electrónica en la Universidad Politécnica Salesiana.
La transformada de Fourier ha demostrado ser una gran
herramienta de cálculo, ya que simplifico el cálculo de las
funciones de transferencia de los filtros.

Matlab ha facilitado el análisis de estas señales ya que esta

herramienta de simulación nos ha permitido analizar las
señales, así como reproducirla el resultado de cada proceso
que se realizó.

Se recomienda la correcta declaración de variable, así como la

asignación adecuada de las frecuencias al momento de diseñar
los filtros.
Al usar Matlab, tener muy en cuenta el tamaño de la matriz
que estemos usando, ya que al realizar una operación con
matrices si estas no tienen las mismas dimensiones no se
podrá realizar.
María Angélica Peralta Ochoa, nació el 21 de Octubre de
1993 en la ciudad de Guayaquil, cursó sus estudios primarios
en la escuela Carlos Cueva Tamariz (Cañar), sus estudios
secundarios en el Colegio ‘’José Peralta’’ obteniendo el
bachillerato en Físico Matemático, actualmente estudia
Ingeniería Electrónica en la universidad Politécnica Salesiana.

VI. REFERENCIAS

[1]http://www.ni.com/white-paper/4844/es/

[2]http://stel.ub.edu/labfon/sites/default/files/EFE-X-
JBernal_PGomez_JBobadilla-
FFT_una_vision_practica_herramienta_para_el_analisis_espe
ctral_de_la_voz.pdf

[3]http://sedici.unlp.edu.ar/bitstream/handle/10915/24289/Doc
umento_completo.pdf?sequence=1