Está en la página 1de 14

PASO 2: RECONOCER LOS

ELEMENTOS MATEMATICOS 1.1 ¿Se presenta fenómeno alias o aliasing si 𝑥(𝑡) es


muestreada a 𝑆 = 4500 𝐻𝑧? ? Explique paso a paso y
QUE IMPLICA EL SISTEMA DE si presenta alias, encuentre la frecuencia 𝑓𝑎
CONVERSIÓN ANALOGICA
Con los datos que tenemos de la señal podemos decir que la
DIGITAL señal tiene una frecuencia de 2000𝐻𝑧. Con esto podemos
aplicar el teorema de Nyquest sobre el muestreo que es:

𝑆 ≥ 2𝑓0
PROCESAMIENTO DIGITAL DE SEÑALES

INTEGRADO POR: Entonces reemplazamos y nos queda

Yobany Bermúdez 4500 𝐻𝑧 ≥ 2 (2000)


4500 𝐻𝑧 ≥ 4000 𝐻𝑧
Juan snaider Villanueva

Daniel Andrés García Como podemos observar 4500 𝐻𝑧 es mayor a 4000 𝐻𝑧 por lo
tanto cumple esta tasa de Nyquest y podemos afirmar que no
Gilberto barrios existe fenómeno de aliasing.

Abstract — This paper presents the development of the 1.2 ¿Se presenta fenómeno alias o aliasing si 𝑥(𝑡) es
activity "Step 2 - Recognize the mathematical elements muestreada a 𝑆 = 3500 𝐻𝑧? Explique paso a paso y
involved in the digital analog conversion system" that is part si presenta alias, encuentre la frecuencia 𝑓𝑎
of the Digital Signal Processing course. The activity develops
the themes: Sampling, Quantization and Fourier Con los nuevos datos que nos ofrece el ejercicio volvemos a
Transformation in Discrete Time; through practical aplicar el teorema de Nyquest sobre el muestreo y esto nos
exercises with Matlab support.). queda: 𝑆 ≥ 2𝑓0

Keywords— Transformada de Fourier en Tiempo Discreto, 3500 𝐻𝑧 ≥ 2 (2000 𝐻𝑧)


Muestra, Frecuencia de Muestreo, Frecuencia de Aliasing,
3500 𝐻𝑧 ≥ 4000 𝐻𝑧
Señal Discreta, Efecto Alias, Algoritmo Transformada de
Fourier en Tiempo Discreto.
Como podemos observar la desigualdad no se cumple, entonces
podemos afirmar que el fenómeno de aliasing se presenta.
I. INTRODUCCIÓN Hallando la frecuencia 𝒇𝒂
Este documento contiene el desarrollo de la segunda actividad
del curso de Procesamiento Digital de Señales, denominada: Paso Para hallar la frecuencia 𝑓𝑎 se debe aplicar la tasa de Nyquest
2 - Reconocer los elementos matemáticos que implica el sistema
que es:
de conversión analógica digital. El objetivo de la actividad es
comprender los procedimientos que integran la conversión
analógica digital, y su implicación en el dominio de la frecuencia 𝑆 = 2 𝑓0
y del tiempo, mediante análisis matemático.
Como ya tenemos la frecuencia de la señal entonces aplicamos
La actividad se consiste en ejercicios prácticos que desarrollan
esta tasa para hallar a 𝑓𝑎 que es la frecuencia mínima de
las temáticas: Muestreo, Cuantizacion y Trasformada de Fourier
muestreo entonces nos queda:
en Tiempo Discreto.
𝑓𝑎 = 2(2000 𝐻𝑧)
𝑓𝑎 = 4000𝐻𝑧

Se va a muestrear una senoide con niveles de amplitud de -2V y


2V, y se va a cuantizar por redondeo con un error rms 𝜎 =
YOBANY BERMUDES 10𝑚𝑉 . ¿Cuántos bits 𝐵 se requieren?

CUANTIZACION EJERCICIO 5
Siendo 𝑥(𝑡) = 𝐴 𝑠𝑒𝑛(2𝜋 𝑓0 𝑡) donde la frecuencia 𝑓0 = 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 (−2𝑣, 2𝑣) 𝑑𝑒 𝑒𝑠𝑐𝑎𝑙𝑎 𝑐𝑜𝑚𝑝𝑙𝑒𝑡𝑎 𝑒𝑠 𝐷
2000𝐻𝑧. Resuelva: = 4𝑣 𝑑𝑎𝑛𝑑𝑜 𝑒𝑙 𝑒𝑟𝑟𝑜𝑟 𝑟𝑚𝑠 𝑒𝑠𝑡𝑎 𝑑𝑎𝑑𝑜 𝑝𝑜𝑟
𝐷 la tasa o rango de muestreo con la que trabajemos debe ser
∆ 𝐷 2 𝐵
∆= 𝑐𝑜𝑛 ∆= 𝐵 => ∆= superior a 200 Hz). Si dicha condición no se cumple, se generan
√12 2 √12 replicaciones de la señal original (alias) que difieren de ésta en
𝐷 𝐷 su composición, y que además se superponen, generando el
=> √12 ∆ = => 2𝐵 = 𝑆𝑈𝑆𝑇𝐼𝑇𝑈𝑌𝐸𝑁𝐷𝑂 𝐷𝐴𝑇𝑂𝑆 efecto de aliasing (también llamado efecto Nyquist, sub muestreo
2𝐵 √12∆ o distorsión por solapamiento) imposibilitando recuperar la señal
original.
4
2𝐵 = → 2𝐵
0,010√12 4) ¿Qué indica el teorema de muestreo de Nyquist?
= 115,47 𝑎𝑝𝑙𝑖𝑐𝑎𝑛𝑑𝑜 𝑙𝑜𝑔𝑎𝑟𝑖𝑡𝑚𝑜 𝑒𝑛 𝑏𝑎𝑠𝑒 2
El teorema de muestreo de Nyquist-Shannon, también conocido
𝐵 como teorema de muestreo de Whittaker-Nyquist-Kotelnikov-
𝑙𝑜𝑔2 2 = 𝑙𝑜𝑔2 (115,47)
Shannon, criterio de Nyquist o teorema de Nyquist, es un
teorema fundamental de la teoría de la información, de especial
𝑙𝑜𝑔2 (115,47) 6,85
𝐵= = = 685 𝑟𝑒𝑑𝑜𝑛𝑑𝑒𝑎𝑛𝑑𝑜 interés en las telecomunicaciones.
𝑙𝑜𝑔2 2 1
El teorema trata del muestreo que no debe ser confundido o
𝐵 = 7 𝑏𝑖𝑡𝑠 asociado con la cuantificación, proceso que sigue al de muestreo
en la digitalización de una señal y que, al contrario del muestreo,
no es reversible (se produce una pérdida de información en el
proceso de cuantificación, incluso en el caso ideal teórico, que se
traduce en una distorsión conocida como error o ruido de
1) ¿Qué es una señal muestreada? cuantificación y que establece un límite teórico superior a la
Bajo ciertas condiciones de la señal muestreada relación señal-ruido). Dicho de otro modo, desde el punto de
continua en el tiempo puede ser generalmente vista del teorema, las muestras discretas de una señal son valores
representada y recuperada a partir del conocimiento de exactos que aún no han sufrido redondeo o truncamiento alguno
los valores instantáneos o igualmente de las muestras sobre una precisión determinada, esto es, aún no han sido
espaciadas en el tiempo. cuantificadas.

El teorema sirve para demostrar que la reconstrucción exacta de


una señal periódica continua en banda base a partir de sus
muestras, es matemáticamente posible si la señal está limitada en
banda y la tasa de muestreo es superior al doble de su ancho de
banda.

5) ¿Qué realiza la transformada de Fourier?

Es una transformación de una función del tiempo en otra


función de la frecuencia.
También se dice que la función original está en el ‘dominio del
2) ¿Qué es una señal cuantizada? tiempo’ y la transformada la pasa al ‘dominio de la
Este es un proceso el cual va después de la etapa de frecuencia’.
muestreo, en el cual se toman valores de amplitud de Recordemos que el “dominio” de una función es el conjunto de
la señal; básicamente se dedica a convertir una valores que
sucesión de muestras de amplitud en una sucesión de puede tomar
valores preestablecidos de manera discreta, teniendo la variable
en cuenta el código que se va a emplear en el
conjunto
origen.
Cuando es el
3) ¿Cuál es el fenómeno llamado Alias o Aliasing?
‘dominio
El aliasing es un efecto que se produce por un muestreo erróneo del tiempo’
de señales digitalizadas, generando imperfecciones en dichas los valores
señales. Según el Teorema de Nyquist-Shannon, utilizado en el serán
muestreo de señales, si deseamos replicar precisamente la forma valores de
de una señal determinada, la frecuencia del muestreo debe ser tiempo (ej: 2
superior al doble de la máxima frecuencia a muestrear (es decir, segundos, 7 segundos, etc)… Cuando se habla de ‘dominio de la
que si deseamos replicar una señal cuya frecuencia es de 100 Hz
frecuencia’ los valores son valores de frecuencia (ej: 7 radianes
por segundo, 100*PI radianes por segundo, etc).

6) ¿Qué es la transformada rápida de Fourier? Entonces 𝑘 = 2

La transformada rápida de Fourier FFT es un algoritmo que (0)⁄ (1)⁄ 2


𝑥(2) = 𝑥(0)𝑒 −𝑗2𝜋(2) 3 + 𝑥(1)𝑒 −𝑗2𝜋(2) 3 + 𝑥(2)𝑒 −𝑗2𝜋(2)3
reduce el tiempo de cálculo de n2 pasos a n·log2(n). El único
requisito es que el número de puntos en la serie tiene que ser −𝑗8𝜋⁄
una potencia de 2 (2n puntos), por ejemplo 32, 1024, 4096, etc. = 5 + 1𝑒 −𝑗4𝜋⁄3 + 5𝑒 3

TRASFORMADA DISCRETA DE FOURIER Para poder obtener resultados de reales e imaginarios usaremos
la identidad de Euler que dice:

CODIGO 1049607515 𝑒 −𝑗𝜔 = 𝑐𝑜𝑠(𝜔) − 𝑗 𝑠𝑒𝑛(𝜔)


𝑥 = {5 1 5}
𝑛 = {0 1 2} Ahora reemplazamos en la ecuación:

= 5 + 1 (𝑐𝑜𝑠(4𝜋⁄3) − 𝑗𝑠𝑒𝑛(4𝜋⁄3))
+ 5((𝑐𝑜𝑠(8𝜋⁄3) − 𝑗𝑠𝑒𝑛(8𝜋⁄3)))
Resolvemos:
Entonces para 𝑘 = 0
(0)⁄ (1)⁄ (2)⁄ 1 √3 1 √3
𝑥(0) = 𝑥(0)𝑒 −𝑗2𝜋(0) 3 + 𝑥(1)𝑒 −𝑗2𝜋(0) 3 + 𝑥(2)𝑒 −𝑗2𝜋(0) 3 5 + 1 (− ) − 𝑗 (− ) + 5 (− ) − 𝑗 (− )
2 2 2 2
=5+1+5
Resolvemos reales e imaginarios
= 𝟏𝟏 + 𝟎𝒋
= 𝟕 − 𝟑. 𝟒𝟔𝒋
Entonces 𝑘 = 1
x = [ 5 1 5];
(0)⁄ (1)⁄ 2
−𝑗2𝜋(1) −𝑗2𝜋(1) −𝑗2𝜋(1) N = length(x);
𝑥(1) = 𝑥(0)𝑒 3 + 𝑥(1)𝑒 3 + 𝑥(2)𝑒 3
X = zeros(3,1)
−𝑗4𝜋⁄ for k = 0:N-1
= 5 + 1𝑒 −𝑗2𝜋⁄3 + 5𝑒 3
for n = 0:N-1
X(k+1) = X(k+1) + x(n+1)*exp(-j*pi/2*n*k)
Para poder obtener resultados de reales e imaginarios usaremos end
la identidad de Euler que dice: end

𝑒 −𝑗𝜔 = 𝑐𝑜𝑠(𝜔) − 𝑗 𝑠𝑒𝑛(𝜔) t = 0:N-1


subplot(311)
Ahora reemplazamos en la ecuación: stem(t,x);
xlabel('Time (s)');
= 5 + 1 (𝑐𝑜𝑠(2𝜋⁄3) − 𝑗𝑠𝑒𝑛(2𝜋⁄3)) ylabel('Amplitude');
title('Time domain - Input sequence')
+ 5((𝑐𝑜𝑠(4𝜋⁄3) − 𝑗𝑠𝑒𝑛(4𝜋⁄3)))
subplot(312)
stem(t,X)
Resolvemos: xlabel('Frequency');
ylabel('|X(k)|');
1 √3 1 √3 title('Frequency domain - Magnitude response')
5 + 1 (− ) − 𝑗 ( ) + 5 ( ) − 𝑗 (− )
2 2 2 2
Escriba aquí la ecuación. subplot(313)
stem(t,angle(X))
Resolvemos reales e imaginarios xlabel('Frequency');
ylabel('Phase');
= 𝟕 + 𝟑. 𝟒𝟔𝒋 title('Frequency domain - Phase response')

X % to check |X(k)|
angle(X) % to check phase
Señal 𝒇𝟎 (𝒌𝑯𝒛) Se Frecuencia Equivalente
presenta de alias análogico
alias?

𝟑𝒄𝒐𝒔(𝟏𝟐𝒌𝝅𝒕) 6 No --- 3𝑐𝑜𝑠(12𝑘𝜋𝑡)

𝟓𝒔𝒊𝒏(𝟏𝟔𝒌𝝅𝒕) 8 No --- 5𝑠𝑖𝑛(16𝑘𝜋𝑡)

𝟖𝒄𝒐𝒔(𝟑𝟐𝒌𝝅𝒕) 16 Si 16-S=0 8

𝒔𝒊𝒏(𝟒𝟖𝒌𝝅𝒕) 24 Si 24-S=8 𝑠𝑖𝑛(16𝑘𝜋𝑡)

La señal reconstruida sería la siguiente, esta señal es


equivalente dado el periodo de muestreo de la señal

𝑥𝑠 (𝑡) = 8 + 3𝑐𝑜𝑠(12𝑘𝜋𝑡) + 5𝑠𝑖𝑛(16𝑘𝜋𝑡) + 𝑠𝑖𝑛(16𝑘𝜋𝑡)

1. Rango de frecuencias que el oído humano es capaz de


escuchar: 1. Cuantización
Un oído sano y joven es sensible a las frecuencias
comprendidas entre los 20 Hz y los 20 kHz

2. Rango de frecuencias que emiten cinco (5) instrumentos Ejercicio 4:


musicales y la frecuencia de muestreo: Siendo la señal muestreada:
[𝑛] = {0,0.2,0.5,1.0,1.4,1.8,2.0,2.4}
TABLA I
RANGO DE FRECUENCIAS DE INSTRUMENTOS Y La señal cuantizada: [𝑛]={0,0.5,1.0,1.0,1.8,2.0,3.5,3.5}
FRECUENCIAS DE MUESTREO
ITEM INSTRUMENTO FRECUENCIA 𝒇𝒎 2.1. Calcule la señal de error: [𝑛]
1 Flauta 3 – 8 𝐾𝐻𝑧 16 𝐾𝐻𝑧 𝑒[𝑛] = [0, −0.3, −0.5,0, −0.4, −0.2, −1.5, −1.1]
2 Oboe 2 − 12 𝐾𝐻𝑧 24𝐾𝐻𝑧
3 Clarinete 2 − 10 𝐾𝐻𝑧 20𝐾𝐻𝑧
4 Trompeta 1 − 7.5 𝐾𝐻𝑧 15𝐾𝐻𝑧
5 Tambor 1 − 20 𝐾𝐻𝑧 40𝐾𝐻𝑧 2.2. Halle la potencia de ruido 𝑃𝑁
𝑁−1
1
𝑃𝑁 = ∑ 𝑥 2 (𝑛)
𝑁
𝑛=0
JUAN SNAIDER VILLANUEVA 1
𝑃𝑁 = (02 + (−0.3)2 + (−0.5)2 + 02 + (−0.4)2 + (−0.2)2
8
+ (−1.5)2 + (−1.1)2 )
𝑃𝑁 = 0.5
Ejercicio 5:
2.3. Halle la potencia 𝑃𝑠
Siendo 𝑥(𝑡) = 3 𝑐𝑜𝑠(12𝑘𝜋 𝑡) + 5 𝑠𝑒𝑛(16𝑘𝜋 𝑡) + 𝑁−1
8 𝑐𝑜𝑠(32𝑘 𝜋 𝑡) + 𝑠𝑒𝑛(48𝑘 𝜋 𝑡) Resuelva: 1
𝑃𝑆 = ∑ 𝑥 2 (𝑛)
𝑁
𝑛=0
1
𝑃𝑆 = (02 + 0.22 + 0.52 + 1.02 + 1.42 + 1.82 + 2.02
1.1. Encuentre las frecuencias 𝑓0𝑛 de cada una de las 8
+ 2.42 )
componentes de la señal 𝑥(𝑡)
𝑃𝑆 = 2.031

Si la señal 𝑥(𝑡) tiene una frecuencia de muestreo 𝑆 = 16𝑘 𝐻𝑧 y


2.4. Halle la relación señal a ruido de Cuantización 𝑆𝑁𝑅𝑄
se desea realizar la reconstrucción de la señal, identifique si las
𝑃𝑄
componentes senoidales no sufren fenómeno de alias, y si 𝑆𝑁𝑅 = 10 𝑙𝑜𝑔10 ( )
alguna de ellas lo sufre, indique cuál y por qué. 𝑃𝑁
4.24875
𝑆𝑁𝑅 = 10 𝑙𝑜𝑔10 ( )
0.5
𝑆𝑁𝑅 = 9.293 𝑑𝐵
1. ¿Qué es una señal muestreada? veces que debemos medir una señal para no perder información
debe de ser al menos el doble de la frecuencia máxima que
. Definimos muestreo como la cantidad de veces que medimos el alcanza dicha señal. En otras palabras, si deseamos grabar una
valor de la señal en un periodo de tiempo (usualmente en 1 conversación telefónica, como el ancho de banda de la red
segundo). Según el teorema de Nyquist-Shannon la cantidad de telefónica
es de 3khz, para no perder información deberemos tomar del medida la codificamos con un conjunto de bits. A mayor número
orden de 6.000 muestras/segundo. de bits empleados para guardar la medida mayor exactitud.
Habitualmente se emplean valores de 8 y 16 bits por canal de
información para almacenar los valores de las medidas
adquiridas.

Señal Original señal muestreada

𝑥(𝑛) = 𝑥(𝑘𝑇) ∶ 𝑛 = 𝑘

2. ¿Qué es una señal cuantizada

Definimos cuantificación como el número de símbolos que


utilizamos para guardar una medida de una señal. Para guardar la

Es un fenómeno que ocurre cuando se intenta digitalizar una señal,


cuando se toman muy pocas muestras necesarias para representarla
dando lugar a representar ondas que se asemejan pero que no
representan la original.

4. ¿Qué indica el teorema de muestreo de Nyquist?


Desarrollado por H. Nyquist, quien afirmaba que una señal analógica
puede ser reconstruida, sin error, de muestras tomadas en iguales
3. ¿Cuál es el fenómeno llamado Alias o Aliasing? intervalos de tiempo. La razón de muestreo debe ser igual, o mayor, al
doble de su ancho de banda de la señal analógica".
(0)(0) (0)(1) (0)(2)
𝑥(0) = (𝑥0)𝑒 −𝑗2𝜋 3 + (𝑥1)𝑒 −𝑗2𝜋 3 + (𝑥2)𝑒 −𝑗2𝜋 3
La teoría del muestreo define que, para una señal de ancho de banda
limitado, la frecuencia de muestreo, fm, debe ser mayor que dos veces
su ancho de banda [B] medida en Hertz [Hz]. 𝑥(0) = 4 + 4 + 1
fm>2*b

4 + 4𝑖
supongamos que la señal a ser digitalizada es la voz...el ancho de banda
de la voz es de 4,000 Hz aproximadamente. Entonces, su razón de
muestreo será 2*B=2*4000HZ, es igual a 8000 hz, equivalente 𝐶𝑢𝑎𝑛𝑑𝑜 𝑘 = 1

a 8,000 muestras por segundo (1/8000). Entonces la razón de muestreo (1)(0) (1)(1) (1)(2)
𝑥(1) = (𝑥1)𝑒 −𝑗2𝜋 3 + (𝑥1)𝑒 −𝑗2𝜋 3 + (𝑥2)𝑒 −𝑗2𝜋 3
de la voz debe ser de al menos 8000 Hz, para que puede regenerarse
sin error.
𝑥(1) = 4 + 4𝑒 −𝑗2𝜋/3 + 91

Aplicamos el teorema de Euler:


5. ¿Qué realiza la transformada de Fourier?
La transformada de Fourier permite pasar del dominio del tiempo al
dominio de la frecuencia. Representa una sumatoria de funciones 𝑒 −𝑗𝜔 = cos(𝜔) − 𝑠𝑒𝑛(𝜔)

senoidales.
2𝜋 2𝜋 4𝜋 4𝜋
𝑥(1) = 4 + 4[cos − 𝑠𝑒𝑛 + 1 [𝑐𝑜𝑠 − 𝑠𝑒𝑛 ]
6. ¿Qué es la transformada rápida de Fourier? 3 3 3 3
Debido a que el cálculo de la Transformada Discreta de Fourier
requiere de cálculos extensos, se desarrollo métodos que permiten 2𝜋 4𝜋 2𝜋 4𝜋
𝑥(1) = 4 + 4[cos + 1 [𝑐𝑜𝑠 − 𝑠𝑒𝑛 − 𝑠𝑒𝑛 ]
ahorrar cálculos y evaluar de manera más rápida. 3 3 3 3

Cada estudiante realizará el algoritmo de la Transformada Discreta de 1 3 1 3


𝑥(1) = 6 + 2 (− ) − 𝑗2 (√ ) + 9 (− ) − 9𝑗 − (√ )
Fourier, en el cual debe estar planteada la sumatoria de transformada. 2 2 2 2
Dicho algoritmo se realizará para una señal de longitud de tres (3)
muestras. Los tres valores de las muestras corresponden a los tres
últimos números del documento de identificación, por ejemplo, si mi
cédula es 80765437, entonces el algoritmo se hará para la señal x[n] = 𝑥(1) = −3.5 − 6.06𝑖
[4 3 7]. Para desarrollar esta parte el estudiante podrá utilizar Matlab,
Octave Online, o Scilab.

Solución. 𝐶𝑢𝑎𝑛𝑑𝑜 𝑘 = 2
(2)(0) (1)(2) (2)(2)
En mi caso el número de mi cedula es: 1105681441 Por tanto: 𝑥(2) = (𝑥1)𝑒 −𝑗2𝜋 3 + (𝑥1)𝑒 −𝑗2𝜋 3 + (𝑥2)𝑒 −𝑗2𝜋 3

Para la señal 𝑥 = [4 4 1]

Para hallar la transformada discreta de Fourier aplicamos la siguiente 𝑥(2) = 4 + 4 𝑒 −𝑗4𝜋/3 + 1𝑒 −𝑗8𝜋/3
ecuación.

𝑥(𝑘) = ∑ 𝑘(𝑛)𝑒 −𝑗2𝜋 𝑘𝑛/𝑁 Aplicamos el teorema de Euler:


𝑛=−∞

𝑥 = (4 4 1)
𝑒 −𝑗𝜔 = cos(𝜔) − 𝑠𝑒𝑛(𝜔)
0 1 2 − 𝑀𝑢𝑒𝑠𝑡𝑟𝑎𝑠 (𝑘)

𝐶𝑢𝑎𝑛𝑑𝑜 𝑘 = 0
4𝜋 4𝜋 8𝜋 8𝜋 tallo (t, X) // Comando para graficar variables “t” y “x”
𝑥(2) = 4 + 4[cos − 𝑠𝑒𝑛 + 1 [𝑐𝑜𝑠 − 𝑠𝑒𝑛 ]
3 3 3 3
xlabel ('frecuencia'); // Datos de frecuencia en el eje x

ylabel ('| X (k) |');


Escriba aquí la ecuación.
Título ('Dominio de frecuencia - Respuesta de magnitud')

4𝜋 8𝜋 4𝜋 8𝜋
𝑥(2) = 6 + 2[cos + 9 [𝑐𝑜𝑠 − 𝑠𝑒𝑛 − 𝑠𝑒𝑛 ] subtrama (313) // recuadro primero gráfica.
3 3 3 3

vástago (t, ángulo (X))


1 3 1 3
𝑥(2) = 4 + 4 (− ) − 𝑗2 (√ ) + 1 − + 1𝑗 (√ )
2 2 2 2 xlabel ('frecuencia');

ylabel ('Phase');

título ('dominio de frecuencia - respuesta de fase')


𝑥(2) = −3.5 − 6.06𝑖

X% para comprobar | X (k) |


El problema se realizará en octave así:
ángulo (X)% para verificar la fase
𝑥 = [4 4 1] ; \\ 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑑𝑒 𝑙𝑎 𝑠𝑒ñ𝑎𝑙 𝑜𝑟𝑖𝑔𝑖𝑛𝑎𝑙.

𝑁 = 𝑙𝑒𝑛𝑔𝑡ℎ (𝑥); \\ 𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑠 𝑑𝑒 𝑙𝑎 𝑠𝑒ñ𝑎𝑙.

X = ceros (3,1) // Valor en x.

para k = 0: N-1 // Variable en el tiempo 0 para muestras 3.

para n = 0: N-1 // Valor de k por n por la suma de


exponenciales.

X (k + 1) = X (k + 1) + x (n + 1) * exp (-j * pi / 2 * n * k)

// Ecuación donde se operan los exponenciales

fin

fin // fin de operación de suma de exponenciales

t = 0: N-1 // Variable en el tiempo 0 para muestras 3.

subtrama (311) // recuadro primero gráfica.

tallo (t, x); // Comando para graficar la variable “t” y “x”

xlabel ('Tiempo (s)'); // Tiempo en el eje x

ylabel ('amplitud'); // Amplitud en el eje y.

título ('dominio del tiempo - secuencia de entrada')

subparcela (312) //Recuadro segunda grafica


Y de la función de la señal entregada se conoce:

ω=12kπ=12000π

Por lo tanto, mediante la ecuación (1) se encuentra el valor de f0:

12000𝜋
𝑓0 = = 6000 𝐻𝑧 = 6 𝐾𝐻𝑧
2𝜋

La frecuencia de muestreo es S=5 KHz, la cual para que no exista


efecto alias se debe cumplir [1]:

𝑆 ≥ 2𝑓0

Como se puede observar en este caso, la frecuencia de muestreo S


incluso es menor que f0, es decir que para una S=5 KHz sobre la señal
Link video 𝑥(𝑡) = cos(12𝑘𝜋𝑡) se presentara efecto Alias.

La frecuencia alias fa está dada por:

GILBERTO BARRIOS 𝑓𝑎 = 𝑓0 − 𝑆

𝑓𝑎 = 6 𝐾𝐻𝑧 − 5 𝐾𝐻𝑧

𝑓𝑎 = −1 𝐾𝐻𝑧

II. MUESTREO
Ejercicios de Muestreo. A partir de la frecuencia alias se puede hallar la señal del efecto alias
que actuara como ruido sobre la señal original cuando sea muestreada:
A. Ejercicio 4.
Siendo 𝑥𝑎 (𝑡) = cos(2𝜋(−1000)𝑡)

𝑥(𝑡) = cos(12𝑘𝜋𝑡) 𝑖𝑑𝑒𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑛𝑔𝑢𝑙𝑜 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑜 𝑝𝑎𝑟𝑎 𝑙𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝐶𝑂𝑆:

Resuelva: 𝑥𝑎 (𝑡) = cos(2000𝜋𝑡)

1.1. ¿Se presenta fenómeno alias o aliasing si x(t) es muestreada a S=5 1.2. ¿Se presenta fenómeno alias o aliasing si x(t) es muestreada a
kHz ? Explique paso a paso y si presenta alias, encuentre la S=12.5k Hz? Explique paso a paso y si presenta alias, encuentre
frecuencia fa. la frecuencia fa
Solución:

La frecuencia de muestreo es S=12.5 KHz, la cual para que no exista


efecto alias se debe cumplir [1]:
De la notación general de una señal sinusoidal se conoce:

𝜔
𝑆 ≥ 2𝑓0
𝜔 = 2𝜋𝑓0 𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 𝑓0 = (1)
2𝜋
12,5 𝐾𝐻𝑧 ≥ 2(6 𝐾𝐻𝑧)

12,5 𝐾𝐻𝑧 ≥ 12 𝐾𝐻𝑧


Como se puede observar en este caso, la frecuencia de muestreo S es 1.3. Halle la relación señal a ruido de cuantización SNRQ
mayor a 2 veces f0, es decir que para una S=12.5 KHz sobre la señal
𝑥(𝑡) = cos(12𝑘𝜋𝑡) no se presentará efecto Alias.
𝑃𝑆
𝑆𝑁𝑅𝑄 = 10 𝐿𝑜𝑔 ( )
𝑃𝑁

III. CUANTIZACIÓN 0.89


𝑆𝑁𝑅𝑄 = 10 𝐿𝑜𝑔 ( )
Ejercicios de Muestreo. 0.24

A. Ejercicio 2.
Siendo la señal muestreada: 𝑆𝑁𝑅𝑄 = 5.65 𝑑𝐵

X[n] = {0.2, 0.5, 0.5, 0.8, 1.0, 1.5, 1.5, 0.7}

IV. TRANSFORMADA DE FOURIER EN TIEMPO DISCRETO


La señal cuantizada: Ejercicio de Trasformada de Fourier en Tiempo Discreto.

XQ [n] = {0, 0.5, 0.8, 1.0, 1.0, 1.5, 1.8, 2.0}


Siendo

Y la señal de error: 𝑋[𝑛] = [9 3 9]

e[n] = {0.2, 0, -0.3, -0.2, 0, 0, -0.3, -1.3} Resuelva:

1.1. Halle la potencia de ruido PN 1.1. Realizar un algoritmo de la Transformada Discreta de Fourier, en
el cual debe estar planteada la sumatoria de transformada. Utilizar
Matlab, Octave Online, o Scilab.
La potencia de la señal esta dad por la siguiente formula [3]:
El algoritmo para desarrollar debe cumplir la siguiente ecuación que
corresponde a la Transformada de Fourier en Tiempo Discreto [4]:
𝑁−1
1 ∞
𝑃= ∑(𝑋[𝑛])2 2𝜋𝑘𝑛
𝑁 𝑋[𝑘] = ∑ 𝑋[𝑛] 𝑒 −𝑗 𝑁
𝑛=0
𝑛=−∞

Por o tanto, para hallar la potencia de la señal de error, se plantea la


fórmula: donde:

1
𝑃𝑁 = [(0.2)2 + (0)2 + (−0.3)2 + (−0.2)2 + (0)2 + (0)2
8
+ (−0.3)2 + (−1.3)2 ]  X[k], es la muestra trasformada.
 X[n], es la muestra a trasformar.
1  n, es el n-esimo índice de la muestra que se está
𝑃𝑁 = [1.95] transformando.
8
 N, es la cantidad de muestras a transformar.
𝑃𝑁 = 0.24  k, es la k-esimo índice de la muestra transformada.

1.2. Halle la potencia PS Algoritmo en Matlab:


1
𝑃𝑠 = [(0.2)2 + (0.5)2 + (0.5)2 + (0.8)2 + (1.0)2 + (1.5)2
8
+ (1.5)2 + (0.5)2 ]
X = [9 3 9]; %Vector con la Señal discreta a transformar
1
𝑃𝑠 = [7.17] N = length(X); %Hallar la cantidad de muestras
8
𝑃𝑠 = 0.89 Y = zeros(N,1); %Vector columna cargado de 0 para guardar cada
muestra transformada
%Ciclo para ejecutar la DTF por cada muestra https://youtu.be/HQAHNbJeGno

for k = 0:N-1

%Ciclo para ejecutar la sumatoria DFT de cada muestra V. CONCLUSIONES


El efecto Alias se presenta cuando no se toma la frecuencia de
for n = 0:N-1
muestreo adecuada, y este afecta la digitalización de las señales
Y(k+1) = Y(k+1) + X(n+1)*exp(-i*pi*2*n*k/N); %Operación introduciendo ruido en la cuantización, presentando un error de
matemática de la DFT cuantización grande, por ello, es importante cumplir con el Teorema
de muestreo de Nyquist-Shannon el cual dicta que la frecuencia de
end muestreo debe ser mayor o igual a la mayor frecuencia presente en la
señal a muestrear, esta es una de las reglas de diseño de DSP
end innegables y no excepcionables.
Xdft=Y %Visualiza el resultado

Otro factor importante en el diseño DSP, es la capacidad del hardware


para la cuantización, es decir, el número de niveles necesarios en los
Para verificar el resultado se utiliza la siguiente función de Matlab, el
cuantizadores utilizados en un convertidor analógico digital (ADC),
resultado obtenido con el algoritmo debe ser igual al resultado que
variable que depende de la cantidad de bits a usar, error RMS de
devuelve la función ttf(X)
cuantización y rango de la señal.

fft(X) %Trasformada del vector X para verificar resultados Mantener baja la Relación Señal a Ruido de Cuantización SNRQ, es
otro factor a tener en cuenta en el diseño DSP para garantizar la calidad
de la señal cuantizada, el error mínimo y así garantizar que la señal
A continuación, se muestra un pantallazo con el resultado de la digitalizada es fiel en un alto grado a las señal original.
ejecución del programa en Matlab:
DANIEL ANDRES GARCIA

EJERCICIO ASIGNADO POR EL TUTOR ES DE MUESTREO


2

Ejercicio 2:

Siendo 𝑥(𝑡) = 9 𝑠𝑒𝑛(2𝜋 𝑡) + 3 𝑠𝑒𝑛(20𝜋 𝑡) + 7 𝑠𝑒𝑛(1024 𝜋 𝑡)


Resuelva:

1.1 Encuentre las frecuencias 𝑓0𝑛 de cada una de las


componentes de la señal 𝑥(𝑡)

SE TOMA :

 9 𝑠𝑒𝑛(2𝜋 𝑡)
 Ecuación 𝑤 = 2𝜋𝑓

Figura 1. Resultado de la ejecución del Algoritmo en Matlab 2𝜋


𝑓=
2𝜋
𝟏𝑯𝒛
1.2. Realizar un video en YouTube, en el cual se explicará línea a línea
el funcionamiento del algoritmo de la transformada discreta de
Fourier (TDF)
 3 𝑠𝑒𝑛(20𝜋 𝑡)
 𝑤 = 2𝜋𝑓
Enlace al video:
20𝜋
𝑓=
2𝜋
10𝐻𝑧 −𝑗2𝜋(0)(0)⁄ −𝑗2𝜋(0)(1)⁄
𝑋(𝐾0 ) = 𝑋(0)𝑒 3 + 𝑋(1)𝑒 3
−𝑗2𝜋(0)(2)⁄
+ 𝑋(2)𝑒 3
 7 𝑠𝑒𝑛(1024 𝜋 𝑡)
 𝑤 = 2𝜋𝑓
Reemplazamos los valores de 𝑛, tenemos:
1024𝜋
𝑓=
2𝜋 −𝑗2𝜋(0)(0)⁄ −𝑗2𝜋(0)(1)⁄
512𝐻𝑧 𝑋(𝐾0 ) = 𝑋(1)𝑒 3 + 𝑋(1)𝑒 3
−𝑗2𝜋(0)(2)⁄
+ 𝑋(4)𝑒 3

1.2 Si la señal 𝑥(𝑡) tiene una frecuencia de muestreo 𝑆 = 90𝐻𝑧


y se desea realizar la reconstrucción de la señal, identifique 𝑋(𝐾0 ) = 1 + 1 + 4 = 6
si las componentes senoidales no sufren fenómeno de alias,
y si alguna de ellas lo sufre, indique cuál y por qué.
𝑋(𝐾0 ) = 6
RESPUESTA

La señal de muestra en a 𝑺 = 𝟗𝟎𝑯𝒛, el termino final será de 512Hz


con este resultado veremos el fenómeno de alias, al tomar escasas Realizamos el planteamiento para cuando 𝐾 = 1,
muestras al respecto con relación de la frecuencia de señal. tenemos:
9 𝑠𝑒𝑛(2𝜋 𝑡) 1𝐻𝑧 𝑁° 𝑠 > 2𝑓_0
−𝑗2𝜋(1)(0)⁄ −𝑗2𝜋(1)(1)⁄
3 𝑠𝑒𝑛(20𝜋 𝑡) 10𝐻𝑧 𝑁° 𝑠 > 2𝑓_0 𝑋(𝐾0 ) = 𝑋(0)𝑒 3 + 𝑋(1)𝑒 3
−𝑗2𝜋(1)(2)⁄
+ 𝑋(2)𝑒 3

Reemplazamos los valores de 𝑛, tenemos:


7 𝑠𝑒𝑛(1024 𝜋 𝑡)512𝐻𝑧 𝑁° 𝑠 < 2𝑓_0

Así cumplimos con el fenómeno de alias. 𝒇_𝟎(𝑯𝒛) −𝑗2𝜋(1)(0)⁄ −𝑗2𝜋(1)(1)⁄


𝑋(𝐾1 ) = 𝑋(1)𝑒 3 + 𝑋(1)𝑒 3
CUANTIZACION EJERCICIO 3 −𝑗2𝜋(1)(2)⁄
+ 𝑋(4)𝑒 3
1) Transformada Discreta de Fourier:
Para despejar las funciones que no se cancelan,
Planteamos la fórmula de la transformada aplicamos el teorema de Euler, tenemos:
discreta de Fourier, tenemos:

∞ −𝑗2𝜋(1)(0)⁄ −𝑗2𝜋⁄
−𝑗2𝜋𝐾𝑛/𝑁 𝑋(𝐾1 ) = 𝑋(1)𝑒 3 + 𝑋(1)𝑒 3
𝑋(𝐾) = ∑ 𝑥(𝑛)𝑒 −𝑗4𝜋⁄
𝑛=−∞ + 𝑋(4)𝑒 3

Por solicitud del ejercicio las muestras serán los 𝑋(𝐾1 ) = 1 + 1(𝑐𝑜𝑠(2𝜋/3) − 𝑗𝑠𝑖𝑛(2𝜋/3))
últimos 3 números de la cedula, tenemos que: + 4(𝑐𝑜𝑠(4𝜋/3) − 𝑗𝑠𝑖𝑛(4𝜋/3))
1 √3 1 √3
𝑥(𝑛) = [1,1,4] 𝑋(𝐾1 ) = 1 + 1 (− − 𝑗 ) + 4 (− + 𝑗 )
2 2 2 2
Realizamos el planteamiento para cuando 𝐾 = 0,
tenemos: 1 √3 4 4√3
𝑋(𝐾1 ) = 1 − −𝑗 − +𝑗
2 2 2 2
Organizamos y resolvemos, tenemos:
1 √3 4 4√3
1 4 4√3 𝑋(𝐾2 ) = 1 − +𝑗 − −𝑗
√3 2 2 2 2
𝑋(𝐾1 ) = 1 − − −𝑗 +𝑗
2 2 2 2

√3 4√3 Organizamos y resolvemos, tenemos:


𝑋(𝐾1 ) = −1,5 − 𝑗 +𝑗
2 2
1 4 √3 4√3
𝑋(𝐾2 ) = 1 − − +𝑗 −𝑗
3√3 2 2 2 2
𝑋(𝐾1 ) = −1,5 + 𝑗
2
3√3 √3 4√3
𝑋(𝐾1 ) = −1,5 + 𝑗 = −1,5 + 𝑗2,59 𝑋(𝐾2 ) = −1,5 + 𝑗 −𝑗
2 2 2

𝑋(𝐾1 ) = −1,5 + 𝑗2,59 3√3


𝑋(𝐾2 ) = −1,5 − 𝑗
2
Realizamos el planteamiento para cuando 𝐾 = 2, 3√3
tenemos: 𝑋(𝐾2 ) = −1,5 + 𝑗 = −1,5 − 𝑗2,59
2
−𝑗2𝜋(2)(0)⁄ −𝑗2𝜋(2)(1)⁄
𝑋(𝐾2 ) = 𝑋(0)𝑒 3 + 𝑋(1)𝑒 3 𝑋(𝐾2 ) = −1,5 − 𝑗2,59
−𝑗2𝜋(2)(2)⁄
+ 𝑋(2)𝑒 3

Reemplazamos los valores de 𝑛, tenemos:

−𝑗2𝜋(2)(0)⁄ −𝑗2𝜋(2)(1)⁄
𝑋(𝐾2 ) = 𝑋(1)𝑒 3 + 𝑋(1)𝑒 3
−𝑗2𝜋(2)(2)⁄
+ 𝑋(4)𝑒 3

−𝑗2𝜋(2)(0)⁄ −𝑗4𝜋⁄
𝑋(𝐾2 ) = 𝑋(1)𝑒 3 + 𝑋(1)𝑒 3
−𝑗8𝜋⁄
+ 𝑋(4)𝑒 3

ENLACE DE VIDEO https://youtu.be/BiyrjFi9am8


Para despejar las funciones que no se cancelan,
aplicamos el teorema de Euler, tenemos:
Referencias

𝑋(𝐾2 ) = 1 + 1(𝑐𝑜𝑠(4𝜋/3) − 𝑗𝑠𝑖𝑛(4𝜋/3)) [1] Ambardar, A., Procesamiento de Señales Analógicas y Digitales,
2nd ed. Mexico, Cengage Learning, 2008, pp 446-455.
+ 4(𝑐𝑜𝑠(8𝜋/3) − 𝑗𝑠𝑖𝑛(8𝜋/3)) [2] Ambardar, A., Procesamiento de señales analógicas y digitales,
2nd ed. Mexico, Cengage Learning, 2008, pp 456-460.
[3] Ambardar, A., Procesamiento de señales analógicas y digitales,
1 √3 1 √3 2nd ed. Mexico, Cengage Learning, 2008, pp 460-464.
𝑋(𝐾2 ) = 1 + 1 (− + 𝑗 ) + 4 (− − 𝑗 ) [4] Ambardar, A., Procesamiento de señales analógicas y digitales,
2 2 2 2 2nd ed. Mexico, Cengage Learning, 2008, pp 482.