UNIVERSIDAD TECNOLÓGICA DE PANAMÁ

CENTRO REGIONAL DE AZUERO

Laboratorio No.1
Introducción al tratamiento digital de señales
Aliasing

Presentado por: José Pereira V.

Céd: 7-96-640

Fecha: 15 de diciembre de 2015

 Introducción al Procesamiento Digital de Señales
Laboratorio No.1
Aliasing

Introducción:
Al tratar con señales y sistemas en tiempo discreto, tenemos que tener claros
conceptos esenciales, tales como el muestreo, la cuantificación, las propiedades de
estabilidad, linealidad e invarianza temporal de los sistemas y la correlación entre señales.
En este laboratorio, se estudiarán las consecuencias del teorema del muestreo,
haciendo especial hincapié en los efectos que se pueden producir si se muestrea una señal
con la frecuencia incorrecta.

Desarrollo:

I.- Parte:

1.- Generar 2 períodos de una sinusoide analógica de amplitud 1 frecuencia 200 Hz,
muestreándola a 1 KHz.

Encuentre la señal armónica en tiempo discreto.

¿Cuántas muestras debe generar para completar los dos períodos?
Grafique la señal usando matlab.
Resp. 1. Para generar 2 periodos de la señal se necesitaría un tfinal=2/F, donde F es la
frecuencia a muestrear, en este caso 200Hz. Es decir, tfinal=2/200=0.01. La cantidad de
muestras se calcula entonces de la siguiente manera:

𝑛𝑚𝑎𝑥 = 𝑡𝑓𝑖𝑛𝑎𝑙 ∗ 𝐹𝑠
𝑛𝑚𝑎𝑥 = 10

En la siguiente figura se muestra el espectro de la señal utilizando nmax=10. (PROB01.m)

espectro de sinusoide
5
2.- A continuación, genere la misma cantidad 4.5
de muestras encontrada en el apartado anterior, 4
de una sinusoide analógica de amplitud 1 y 3.5
frecuencia 1.2 KHz, muestreándola a 1 KHz.
3

2.5
Grafique la señal usando matlab.
2

1.5
3.- Superponga sobre la gráfica obtenida en 1,
1
la gráfica obtenida en 2 (utilice el comando
0.5
hold). ¿Qué ocurre?, ¿qué consecuencias se
pueden sacar de las gráficas? 0
-500 -400 -300 -200 -100 0 100 200 300 400 500
Figura 1. Espectro de la señal FFTxn Vs Frecuencia
Resp. 2. Para la pregunta 2 hemos graficado usando 10 muestras nuevamente, es decir, la
misma cantidad que usamos para la pregunta 1. A continuación la gráfica generada con
matlab. (PROB02.m)

espectro de sinusoide
5

4.5

3.5

2.5

1.5

0.5

0
-500 -400 -300 -200 -100 0 100 200 300 400 500
Figura 2. Espectro de la señal FFTxn Vs Frecuencia

Resp. 3. Cuando graficamos la señal de 1200Hz en la misma gráfica donde se graficó la señal
de 200Hz lo que ocurre es que prevalece ésta última gráfica ya que queda situada exactamente
“arriba” de la señal de 200Hz. Podemos decir que la señal de 1200Hz es una “alias” de la
señal de 200Hz. (PROB03.m)

Encuentre la señal armónica en tiempo discreto generada en el punto 2.

𝐹𝑘 = 𝐹0 + 𝑘 ∙ 𝐹𝑠 ; 𝑘 = ±1, ±2 …

𝐹1 = 200 + 1 ∙ 1000
F1 = 1200 Hz
En la siguiente figura podemos apreciar que las gráficas de la señal de 1200 Hz caen encima
de las gráficas de la señal de 200 Hz, por esa razón estas últimas no se pueden apreciar.

Grafica Senoidal de 1200 Hz

1
Amplitud

-1
0 1 2 3 4 5 6 7 8 9
-3
x 10
espectro de sinusoide
5

0
-500 -400 -300 -200 -100 0 100 200 300 400 500
Espectro de la señal de 1200Hz Vs Frecuencia

0
1 2 3 4 5 6 7 8 9 10
Figura 3. Espectro de la señal de 1200Hz sin el desplazamiento
II.- Parte:

1.- Genere la serie obtenida al muestrear una sinusoide de 100 Hz y amplitud unidad
con un período de muestreo de 1 ms durante 1 segundo. Grafique el espectro de la señal
usando la instrucción abs(fft(y)), que encuentra, es simétrica la misma. Comente el
resultado.

espectro de sinusoide
600

500

400

300

200

100

0
-500 -400 -300 -200 -100 0 100 200 300 400 500
Figura 4. Espectro de la señal FFTxn Vs Frecuencia

Utilizando la función abs(fftshift(fft(xn))) el espectro de la señal se muestra de forma

simétrico a partir del “cero” tal y como se aprecia en la figura 4 de arriba. Como se aprecia
en dicha figura la señal de 100Hz aparece a cada lado del origen por lo que concluimos que
la señal original puede ser reconstruida si se usa una frecuencia de muestreo de 1000Hz.
(PROB04.m)

Por otra parte, si graficamos el espectro de la señal fft(xn) sin desplazar la gráfica vemos que
aparecen dos picos situados a 100 y 900 en el eje de la frecuencia tal y como se aprecia en la
figura 5 de abajo. El valor de 100 corresponde a la frecuencia de 100Hz que había sido
muestreada originalmente. El otro valor lo podemos calcular según:
𝐹𝑘 = 𝐹0 + 𝐹𝑠 ∗ 𝑘; 𝑘 = ±1, ±2 …
F(-1) = 100+(1000)(-1)
F(-1) = -900
 600

500

400

300

200

100

0
0 100 200 300 400 500 600 700 800 900 1000
Figura 5. Espectro de la señal fft(Xn) sin el desplazamiento

Nota: Si bien, en temas posteriores se analizará con todo detalle el espectro de una señal
discreta y cómo calcularlo, vamos a considerar que la instrucción fft de matlab nos permite
representar el espectro de una señal discreta.
Tenga presente que cada valor del vector calculado, representado en la gráfica, es el
valor del espectro de la señal a intervalos de:

1
∆𝑓 = ; 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑑𝑖𝑔𝑖𝑡𝑎𝑙
𝑀
𝐹𝑚
∆𝐹 = ; 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑎𝑛𝑎𝑙ó𝑔𝑖𝑐𝑎
𝑀

donde M es el número de muestras y el rango de frecuencia representado va de:

f = 0 → 1; frecuencia digital

F = 0 → Fm; frecuencia analógica

¿ Sabiendo lo anterior puede comprobar de la gráfica la frecuencia de la armónica a

la que se le encontró el espectro1 ?

Es posible identificar a partir de la gráfica la frecuencia de la fundamental. En este caso se

observa que es 100 Hz.

1
Independientemente de que se trate de frecuencias positivas o negativas, cada una de estas señales
está representada en el espectro por dos picos.
 2.- Repita el apartado anterior pero ahora la señal a muestrear es la suma de cuatro
sinusoides de amplitud uno y frecuencias 100, 200, 600 y 2100 Hz. Utilice señales de tipo
coseno. Comente los resultados.

¿Cuántos picos encuentra en la gráfica, puede identificar cada una de las armónicas?
En la gráfica mostrada en Matlab se aprecian 6 picos de armónica ubicados a ±100 Hz, ±200
Hz y ±400 Hz respectivamente. Enseguida podemos notar que hace falta una de las señales
que estaba originalmente en la suma de cosenos iniciales, ya que eran cuatro señales
cosenoidales. Se aprecia en la gráfica de Matlab que se pueden identificar las armónicas de
100 Hz y la de 200 Hz. Hay una armónica de 400 Hz que no corresponde con ninguna de las
señales originales. Ver siguiente figura (PROB05.M)
Si tratamos de reconstruir la señal original a partir de las tres armónicas de arriba tenemos
lo siguiente:
100 200 400
𝑓(𝑛) = 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( )𝑛
1000 1000 1000

1 1 2
𝑓(𝑛) = 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛
10 5 5

1 1 2
A partir de este resultado se observa que: 𝑓1 = 10 , 𝑓2 = 5 , 𝑓3 = 5

1000

900

800

700

600

500

400

300

200

100

0
-500 -400 -300 -200 -100 0 100 200 300 400 500
Figura 6. Espectro de la suma de señales cosenos

¿Se cumple el teorema del muestreo?

Para que se cumpla el teorema de muestreo se debe cumplir también que 𝐹𝑠 > 2𝐹𝑚𝑎𝑥 pero,
en este ejemplo Fs = 1000 Hz y Fmax = 1200 Hz por lo que es obvio que el teorema de
muestreo no se cumple. Nuevamente, si nos referimos a la gráfica de la figura anterior se
observa que hace falta una de las señales, por lo que no se cumple con el muestreo.
¿Qué frecuencias de las anteriores no cumplen el teorema del muestreo, y cuáles serán sus
frecuencias digitales?
Las frecuencias F1=100 Hz y F2=200Hz son menores que Fs/2 y, por tanto, cumplen con el
teorema de muestreo. Sin embargo, las frecuencias F3=600 Hz y F4=2100 Hz están por
encima de la frecuencia, así que serán afectadas por el efecto de solapamiento. Utilizando las
frecuencias originales de 100, 200, 600 y 2100 Hz escribimos lo siguiente:

100 200 600 2100

𝑓(𝑛) = 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( )𝑛
1000 1000 1000 1000

1 1 3 21
𝑓(𝑛) = 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛
10 5 5 10

𝜋 1 6𝜋 21𝜋
𝑓(𝑛) = 𝑐𝑜𝑠 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠 ( ) 𝑛 + 𝑐𝑜𝑠 ( )𝑛
5 5 5 5

1 1 4𝜋 20𝜋 𝜋
𝑓(𝑛) = 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠 ( ) 𝑛 + 𝑐𝑜𝑠 ( + )𝑛
10 5 5 5 5

1 1 2 𝜋
𝑓(𝑛) = 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠 (4𝜋 + ) 𝑛
10 5 5 5

1 1 2 𝜋
𝑓(𝑛) = 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠 ( ) 𝑛
10 5 5 5
o
1 1 2 1
𝑓(𝑛) = 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛 + 𝑐𝑜𝑠2𝜋 ( ) 𝑛
10 5 5 10

A partir de estos resultados se observa que las frecuencias de F3=600 Hz y F4=2100 Hz no

cumplen con el teorema de muestreo. De la última ecuación de arriba se observa que las
frecuencias digitales de estas señales son:
2
f3 = 5
y
1
f4 = 10

De las frecuencias alias encontradas en el apartado anterior, cuáles son sus fundamentales2.
Puede ahora identificar cada una de las armónicas. Grafíquelas y señálelas en la gráfica.

Como se indicó arriba las frecuencias F1=100 Hz y F2=200Hz son menores que Fs/2 y no
tienen problemas de alias. Sin embargo, para F3 y F4 se obtienen las fundamentales:

𝐹 = 𝑓 ∙ 𝐹𝑠

2
Tome un rango válido para las frecuencias digitales de 0 a 1.
 2
𝐹3 = ∙ 1000 = 400 𝐻𝑧
5
1
𝐹4 =
∙ 1000 = 100 𝐻𝑧
10
Estos resultados coinciden con los resultados obtenidos anteriormente en Matlab en donde
había una frecuencia de 400 Hz y una armónica que no aparecía en la gráfica correspondiente
a 2100 Hz.
1200

1000

800

600

400

200

0
-500 -400 -300 -200 -100 0 100 200 300 400 500
Figura 6b. Espectro de las señales 100, 200, 400 y 100 Hz

3.- Repita el apartado anterior, pero sustituyendo la frecuencia de 2100 Hz, por una
de 1900 Hz. ¿Obtendríamos el mismo resultado si hubiésemos generado las señales con
funciones seno?

En las figuras 7 y 8 de abajo se puede apreciar el espectro de las señales coseno y seno
respectivamente, sustituyendo la señal de 2100 Hz por una señal de 1900 Hz. La figura 7
muestra exactamente el mismo patrón que el anterior para 2100 Hz por lo que se concluye
que se generan las mismas frecuencias alias que antes. Sin embargo, al utilizar señales
sinusoidales se obtiene un patrón de armónicas diferente en donde sólo se observan las
componentes de 100 Hz y 400 Hz.
 1000 600

900
500
800

700
400
600

500 300

400

200
300

200
100
100

0 0
-500 -400 -300 -200 -100 0 100 200 300 400 500 -500 -400 -300 -200 -100 0 100 200 300 400 500
Figura 7. Espectro de cosenos sustituyendo la señal de 2100 Hz por una de 1900 Hz Figura 8. Espectro de senoides sustituyendo la señal de 2100 Hz por una de 1900 Hz

¿Se producen términos alias? ¿Puede identificar cada una de las armónicas?
Haciendo el análisis matemático de la suma sinusoidal se tiene:

100 200 600 1900

𝑓(𝑛) = 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛2𝜋 ( )𝑛
1000 1000 1000 1000

1 1 3 19
𝑓(𝑛) = 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛2𝜋 ( ) 𝑛
10 5 5 10

1 1 6𝜋 19𝜋
𝑓(𝑛) = 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛 ( ) 𝑛 + 𝑠𝑒𝑛 ( )𝑛
10 5 5 5

1 1 5𝜋 𝜋 20𝜋 𝜋
𝑓(𝑛) = 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛 ( + ) 𝑛 + 𝑠𝑒𝑛 ( − )𝑛
10 5 5 5 5 5
1 1 𝜋 𝜋
𝑓(𝑛) = 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛 (𝜋 + ) 𝑛 + 𝑠𝑒𝑛 (4𝜋 − ) 𝑛
10 5 5 5

1 1 𝜋 𝜋
𝑓(𝑛) = 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛 (− ) 𝑛 + 𝑠𝑒𝑛 (− ) 𝑛
10 5 5 5
o
1 1 1 1
𝑓(𝑛) = 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛2𝜋 ( ) 𝑛 + 𝑠𝑒𝑛2𝜋 (− ) 𝑛 + 𝑠𝑒𝑛2𝜋 (− ) 𝑛
10 5 10 10
1
De este resultado se aprecia que se producen dos términos alias de 𝑓 = − 10 correspondientes
a las componentes de 600 y 1900 Hz.