1

Paso 2. Reconocer los elementos

matemáticos que implica el sistema de
conversión analógico digital.
Edwin Cordero
Universidad Nacional Abierta y a Distancia

Tratamiento Digital de Señales

Resumen - En el desarrollo de esta práctica, se

desarrollan aspectos y conceptos fundamentales
sobre tratamiento digital de señales, aclarando
conceptos básicos, y pertinentes al tema, además se
consolidad mediante la realización de algunos
ejercicios.
Abstract - In the development of this practice,
fundamental aspects and concepts on digital signal
processing are developed, clarifying basic concepts,
and pertinent to the subject, in addition to
consolidation by performing some exercises.
I. INTRODUCCIÓN
A continuación, se presentan los aportes a las
preguntas teóricas propuesta en la guía respectiva.
Esto conceptos fundamentales servirán para el
posterior desarrollo de las actividades, es decir los
ejercicios propuestos en el anexo 1.
II. ACTIVIDADES A DESARROLLAR
Cada estudiante realizará de manera
individual, aportes teóricos (incluir ecuaciones
con editor de Word) sobre las siguientes
preguntas:
1. ¿Qué es una señal muestreada?
Se denomina a la señal de salida obtenida de la
conversión de la señal continua a discreta en el tiempo,
mediante la medida de valores de la señal análoga Una
señal muestreada idealmente ( x 1)(t ) puede
considerarse como el producto de una señal analógica
x (t ) y un tren periódico de impulsos i(f ).
Fig. 1. Señal muestreada
La señal muestreada idealmente puede describirse
en forma matemática como:
∞
x I ( t )=x ( t ) i ( t )=x (t) ∑ δ (t−n t s )
n=−∞
∞ ∞
∑ x( n t s)δ (t−n t s )= ∑ x [ n]δ (t−n t s)
n=−∞ n =−∞
En esta expresión, la señal discreta x [n]
representa simplemente la secuencia de valores muestra
x (nt s ). Es evidente que la operación de muestreo
conduce a una pérdida potencial de información en la
señal muestreada en forma ideal ( x I )(t) cuando se la
compara con su contraparte analógica subyacente x (t )
.
Cuanto más pequeño sea el intervalo de muestreo ts,
tanto menor será esta pérdida de información. De
manera intuitiva, siempre debe existir alguna pérdida de
información, sin importar cuan pequeño sea el intervalo
de muestreo utilizado. Afortunadamente, no obstante, la
intuición es posible muestrear señales sin perder
información. El truco es que la señal x (t ) esté limitada
en banda en alguna frecuencia finita B.[1].

2. ¿Qué es una señal cuantizada?

La importancia de las señales digitales parte

de la proliferación de computadoras digitales de

alta velocidad para el procesamiento de señales.
Debido a las limitaciones de memoria finita de
tales máquinas, sólo es posible procesar
secuencias finitas de datos. Por tanto, no sólo es
necesario muestrear la señal analógica en el
tiempo sino también se requiere cuantizar
(redondear o truncar) las amplitudes de las señales
para reducirlas a un conjunto finito de valores.
Puesto que la cuantización sólo afecta a la
amplitud de la señal, es posible cuantizar señales
analógicas y de tiempo discreto. Las señales
cuantizadas de tiempo discreto se conocen como
señales digitales.
Cada muestra cuantizada está representada
por un grupo (palabra) de ceros y unos (bits) que
pueden procesarse de manera digital. Cuanto más
fina sea la cuantización, mayor será la palabra. Al
igual que sucede con el muestreo, la cuantización
impropia conduce a pérdidas de información.
Pero a diferencia del muestreo, no importa
cuán fina sea la cuantización, sus efectos son
irreversibles, ya que las longitudes de la palabra
son necesariamente finitas. El tratamiento
sistemático de la teoría de la cuantización es muy
difícil debido a que las longitudes de la palabra
aparecen como efectos no lineales. La
cuantización siempre introduce un poco de ruido,
cuyos efectos pueden describirse sólo en términos
estadísticos, y lo usual es considerarlos sólo en las
etapas finales de cualquier diseño. [3]
3. ¿Cuál es el fenómeno llamado Alias o
Aliasing?
Éste fenómeno ocurre cuando no se tiene en
cuenta el teorema de Nyquist o características
propias de la señal a continuación se aclaran estos
conceptos.
Si el intervalo de muestreo supera el valor
1
crítico , un fenómeno conocido como alias
2fB
se manifiesta por sí solo.
Componentes de la señal analógica a altas
frecuencias aparecen (por el alias) a bajas
frecuencias en la señal muestreada. Esto resulta en
una señal muestreada con una menor frecuencia
máxima. Los efectos de alias son imposibles de
suprimir una vez que se adquieren las muestras.
Por ello es común limitar la banda de la señal
2
antes del muestreo (empleando filtros pasa-bajas).
[4]
4. ¿Qué indica el teorema de muestreo de
Nyquist?
Éste es el célebre teorema del muestreo, el
cual dice que una señal analógica limitada en
banda a una frecuencia B puede muestrearse sin
pérdida de información si la frecuencia de
muestreo S es mayor que 2 B (o si el intervalo de
1
muestreo t s es menor que . La frecuencia de
2fB
muestreo crítica S N =2 B a menudo se conoce
como frecuencia de Nyquist o tasa de Nyquist y el
1 1
intervalo de muestreo crítico tN = =
SN 2 B
recibe el nombre de intervalo de Nyquist. [5]
5. ¿Qué realiza la transformada de
Fourier?
La transformada de Fourier (FT) proporciona
una descripción en el dominio de la frecuencia de
señales en el dominio del tiempo y puede
considerarse como una extensión de las series de
Fourier (FS) aplicada a señales no periódicas. [6]
El enfoque que se adoptará para desarrollar la
transformada de Fourier sirve para unificar las
representaciones de señales periódicas y sus
contrapartes no periódicas, proporciona las ligas
que las une a las dos, se construyen también para
ser las mismas que las separan y que, por tanto,
permite comprenderlas en su propio contexto.
Recuérdese que la relación que existe entre
una señal periódica xp (t) con periodo T y los
coeficientes de su serie exponencial de Fourier X
[k] está dada por la expresión
∞
X [k ]e j 2 πk f t
x p ( t )= ∑ 0
k=−∞
T/2
1
X [k ]= ∫ X p (t) e− j 2 πk f t dt 0
T −T /2

Si el periodo T  de la señal periódica  x p(t)
se alarga sin límite, entonces la señal deja de ser
periódica y se convierte en un solo pulso  x (t ), el
cual corresponde a un periodo de  x p( t). La
transición de una señal de periódica a no periódica
también representa una transición de una señal de
potencia a una de energía.
El espaciamiento armónico  f 0=1/ T  tiende
a cero, y el espectro de la serie de Fourier se
convierte en una curva continua. De hecho, si se
reemplaza  f 0 por una cantidad infinitesimalmente
pequeña df → 0, la frecuencia discreta k f 0  que es apropiada para el cálculo rápido y eficiente
puede sustituirse por la frecuencia continua f. La
presencia del factor 1/T  en la integral significa
que los coeficientes  X [k ] tienden a cero y ya no
constituyen un indicador útil del contenido
espectral de la señal no periódica  x (t ). Sin
embargo, si se elimina la dependencia de  X [k ]
del factor 1/T  en la integral y se trabaja
con TX [k ] de la siguiente manera:
T/2
Tx [ k ] = ∫ x p ( t ) e− j 2 πk f t dt
0 tabla 16.4. La última fila de esta tabla, por
−T /2
Entonces, la mayor parte de las veces la
integral del miembro derecho existe
cuando T → ∞ (aun cuando TX [k ] tenga una
forma indeterminada) y pueden obtenerse
resultados útiles. Por otra parte, dado
que k f 0 → f , la integral describe una función
de  f . Como consecuencia de lo anterior, si se
define TX [k ]=X (f ) entonces se obtiene lo
siguiente
∞
X ( f )= lim TX [ k ] = ∫ x (t) e− j 2 πft dt
T→∞ −∞
Esta relación describe la transformada de
Fourier X (f) de la señal x (t) y también puede
escribirse en términos de la variable de
frecuencia ω como:
3
∞
X ( w )= ∫ x (t) e− jwt dt ( forma w)
−∞
La transformada de Fourier proporciona
una representación en el dominio de la frecuencia
de una señal no periódica x(t). [7]
6. ¿Qué es la transformada rápida de
Fourier?
La FFT: La importancia de la DFT se debe a
mediante el uso de un grupo de algoritmos
conocidos como transformada rápida de
Fourier. Los algoritmos rápidos reducen el
problema de calcular una DFT de N puntos al del
cálculo de una DFT más pequeña. Las ideas clave
en la optimización del cálculo se basan en lo
siguiente.
Simetría y periodicidad: Todos los
algoritmos FFT aprovechan la simetría y la
periodicidad de la exponencial
WN =exp(− j 2 πn/ N ), como se indica en la
ejemplo, sugiere que
WN /2=exp( j2 πn/0.5 N) es periódica, con
N
periodo de .
2
Selección de la longitud de la señal: La
longitud de la señal N se escoge como un número
que sea el producto de números mucho más
pequeños de modo que N=r 1 r 2 …r m. Se
obtiene una selección más útil cuando los factores
son iguales, de modo que N=r m , donde el factor
r se conoce como base. La opción más
acostumbrada en la práctica es r =2, de modo que
N=2m, y conduce a lo que se conoce como
algoritmos FFT de base 2.
Separación de índices y almacenamiento:
Para reducir el cálculo computacional, el cálculo
se realiza por separado sobre las muestras de
índice par e impar. Todos los algoritmos asignan
espacio para los resultados calculados, entre
menos almacenamiento se requiera, más eficiente
será el algoritmo. Muchos algoritmos FFT
 4

reducen sus necesidades de almacenamiento al x (t)=9 sen (2 π t)+3 sen (20 π t )+7 sen ¿)
guardar los resultados en el mismo lugar donde se
encontraban los datos. [8]. Resuelva:

1.1. Encuentre las frecuencias f 0 n de cada

una de las componentes de la señal x (t )
1.2. Si la señal x (t ) tiene una frecuencia de
muestreo S=90 Hz y se desea realizar
la reconstrucción de la señal, identifique
si las componentes senoidales no sufren
fenómeno de alias, y si alguna de ellas
lo sufre, indique cuál y por qué.

Solución:

1.1 Encuentre las frecuencias f 0 n de cada una de

las componentes de la señal x (t )

f 1=9 sen ( 2 π t )
2π t
f 1=
2π
f 1=1 Hz

Fig. 2. Algunos pares útiles de transformadas de f 2=3 sen ( 20 π t )

Fourier.
20 π t
f 2=
2π
Ejercicios desarrollados
f 2=10 Hz
Muestreo

Según el capítulo 14 “Muestreo y cuantización” f 3=7 sen(1024 π t)

del libro de Ambardar, página 446:
1024 π t
f 3=
2π
f 3=512 Hz

1.2 Si la señal x(t) tiene una frecuencia de

muestreo S=90Hz y se desea realizar la
reconstrucción de la señal, identifique si las
componentes senoidales no sufren fenómeno
de alias, y si alguna de ellas lo sufre, indique
Figura 3: Operación ideal de muestreo
cuál y por qué.
Ejercicio 2:

Siendo S=90 Hz
f 1=1 Hz∗2
 5

f 1=2 Hz
∞
f 1=2 Hz 1
No sufre fenómeno de alias. P N= ∑ e2 (n)
N −∞

f 2=10 Hz∗2
f 2=20 Hz 1
P N= ¿
f 2=20 Hz No sufre fenómeno de alias.
8

f 3=512 Hz∗2 39
P N=
f 3=1024 160
f 3=1024 SI sufre fenómeno de alias debido a que la
frecuencia de muestreo está por debajo del límite.
P N =0.24

Cuantización 1.2. Halle la potencia Ps

El número de niveles L de los  Tengo

cuantizadores utilizados en un convertidor
analógico digital (ADC) es una potencia de 2. Por x [ n ] ={ 0.2,0 .5,0.5,0 .8,1 .0,1.5,1 .5,0.7 }
lo tanto L=2 B, donde B es el número de bits.
∞
1
Ps = ∑ xn2 (n)
Ejercicio 2: N −∞
1
Siendo la señal muestreada: Ps = ¿
8
x [n]={0.2,0 .5,0.5,0 .8,1 .0,1.5,1 .5,0.7 }

La señal cuantizada: 717

Ps =
x Q [n]={0,0.5,0 .8,1.0,1 .0,1.5,1 .8,2.0 } 800

Y la señal de error:
Ps =0.89
e [n]={0.2,0 ,−0.3 ,−0.2,0,0 ,−0.3 ,−1.3 }

1.1. Halle la potencia de ruido P N 1.3. Halle la relación señal a ruido de

1.2. Halle la potencia Ps cuantización SN R Q
1.3. Halle la relación señal a ruido de
cuantización SN R Q  Tengo
Pn
Solución:
SN R Q (dB)=10 log ( PN )
1.1. Halle la potencia de ruido PN
0.89
 Tengo
SN R Q (dB)=10 log ( 0.24 )
e [ n ] ={ 0.2,0 ,−0.3 ,−0.2,0,0 ,−0.3 ,−1.3 } SN R Q (dB)=5.69
 6

Cada estudiante realizará el algoritmo de la X [ 0 ] =x [ 0 ] + x [ 1 ] + x [2]

Transformada Discreta de Fourier, en el cual
debe estar planteada la sumatoria de
transformada. Dicho algoritmo se realizará
para una señal de longitud de tres (3) muestras. X [ 0 ] =3+ 3+3
Los tres valores de las muestras corresponden
a los tres últimos números del documento de
identificación
X [ 0 ] =9+ j 0
Numero de documento: 13544333

x [ n ] =[3 , 3 ,3] Aplicamos la suma discreta para K=1

Por definición se expresa la suma de la TDF como:
− j 2 π 1∗0 − j 2 π 1∗1 − j 2 π 1∗2
3 3 3
n−1
X [ 1 ] =x [ 0 ] e + x [ 1] e + x [2]e
nk
X ( k )=∑ x [n]W con k=0,1,2, … N−1
N
n=0
−j2 π −j4 π
3 3
X [ 1 ] =3+3 e +3 e
Donde:

Por la identidad de Euler

W nk − j 2 πnK / N
N =e

e− jω=cos ( ω ) − jsen(ω)
Por lo tanto:

n−1 − j 2 πnK
X ( k )=∑ x [n]e
n=0
N
X [ 1 ] =3+3 cos ( 23π )− j 3 sen( 23π )+3 cos( 43π )− j3 sen(
Donde:

N=¿ Numero de muestras

K=¿ frecuencias de muestras.
X [ 1 ] =8+3 (−12 )−3 j ( √23 )+3( −12 )+3 j ( √23 )
Entonces:

x=[3 , 3 , 3] X [ 1 ] =0+0 j

n=[0 , 1 ,2]
Aplicamos la suma discreta para K=2

Aplicamos la suma discreta para K=0 − j 2 π 2∗0 − j 2 π 2∗1 − j 2 π 2∗2

3 3 3
X [ 2 ] =x [ 0 ] e + x [1] e + x [2]e
− j 2 π 0∗0 − j 2 π 0∗1 − j 2 π 0∗2
3 3 3
X [ 0 ] =x [ 0 ] e + x [ 1] e + x [2]e
− j4π −j8π
3 3
X [ 2 ] =3+3 e +3e
 7

for k=0:1:N-1 % k Toma los valores de 0 a N-1

X(k+1) = 0;
Por la identidad de Euler
for n=1:N % n Toma los valores de 0 a N-1

X(k+1) = x(n)*exp(-1i*2*pi*(n-1)*k/N)+X(k+1);

%definicion de fft
e− jω=cos ( ω ) − jsen(ω) end

end

X [ 2 ] =3+3 cos ( 43π )−3 jsen ( 43π )+3 cos ( 83π )−3 jsen ( 83π )
Respuesta en Matlab

X [ 2 ] =3+3 ( −12 )+ 3 j ( −2√3 )+3 ( −12 )−3 j ( √23 )

X [ 2 ] =0+ 0 j Cada estudiante investigará sobre el rango de
frecuencias que el oído humano es capaz de
escuchar, además investigará cual es el rango
Verificación en Matlab
de frecuencias que emiten cinco (5)
instrumentos musicales:
Método 1
El rango de frecuencias que el oído humano
%% Edwin Cordero
es capaz de escuchar en general, los humanos
%% Documento 13544333 percibimos sonidos entre los 20 Hz y los 20 kHz,
clc aunque este límite superior tiende a disminuir con
clear all la edad. Además, no todas las frecuencias las
close all percibimos con la misma intensidad. Aquellas que
x = [3 3 3]; se ubican en el rango de entre 1 y 5 KHz son las
fft(x); que mejor oímos. Este rango tiene bastante
ans sentido si pensamos que hasta los 3,5 KHz se
Respuesta en Matlab encuentran las componentes de frecuencia más
significativas de la voz humana, con lo que
nuestro proceso evolutivo nos habría llevado a
escuchar mejor el rango en el que se sitúa la voz
humana.

Método 2

%% Algoritmo Edwin Cordero

%% Documento 13544333

clc

clear all

x = [3 3 3]; %señal de entrada

N = length(x); %Numero de muestras

 8

[2] Sampling, Aliasing & Nyquist Theorem.

2015
RANGO DE FRECUENCIAS DE (5) [3] «Gale Virtual Reference Library –
INSTRUMENTOS MUSICALES Documento Cuantización». [En línea].
Disponible en:
GUITARRA 63 Hz - 1 kHz http://bibliotecavirtual.unad.edu.co:2081/
ORGANO 31.5 Hz- 4 kHz ps/retrieve.do?
FLAUTA 250 Hz - 2 kHz resultListType=RELATED_DOCUMEN
TUBA 63 Hz - 250 Hz T&searchType=AdvancedSearchForm&u
serGroupName=unad&inPS=true&conte
TROMPETA 250 Hz - 1khz
ntSegment=&prodId=GVRL&isETOC=t
rue&currentPosition=&docId=GALE|
CX4060300147&searchId=R1&tabID=T
La mínima frecuencia de muestreo para
003. [Accedido: 23-feb-2019].
reproducir una señal es el doble de la frecuencia [4] «Gale Virtual Reference Library -
original de la onda, si intentas transmitir el sonido Documento - Señales». [En línea].
de un violín, por ejemplo, a través del teléfono, te Disponible en:
encontrarás con la triste realidad de que del otro http://bibliotecavirtual.unad.edu.co:2081/
lado del tubo tal vez no se escuche nada), por lo ps/retrieve.do?
tanto, para ser capaces de capturar estas tabID=T003&resultListType=RESULT_
frecuencias altas de manera acertada, uno debe LIST&searchResultsType=SingleTab&se
muestrear por lo menos al doble de esa velocidad. archType=AdvancedSearchForm&curren
tPosition=8&docId=GALE
%7CCX4060300010&docType=Topic+o
verview&sort=RELEVANCE&contentSe
FRECUENCIA MINIMA DE MUESTREO gment=&prodId=GVRL&contentSet=G
GUITARRA 2 kHz ALE
%7CCX4060300010&searchId=R1&user
ORGANO 8 kHz GroupName=unad&inPS=true.
FLAUTA 4 kHz [Accedido: 23-feb-2019].
[5] «Gale Virtual Reference Library -
TUBA 500 Hz Documento - Muestreo Ideal». [En línea].
TROMPETA 2 kHz Disponible en:
http://bibliotecavirtual.unad.edu.co:2081/
ps/retrieve.do?
tabID=T003&resultListType=RESULT_
III. CONCLUSIONES LIST&searchResultsType=SingleTab&se
archType=AdvancedSearchForm&curren
 Con este trabajo entendimos la tPosition=3&docId=GALE
importancia de transformar señales %7CCX4060300145&docType=Topic+o
analogías a digitales ya que las señales verview&sort=RELEVANCE&contentSe
digitales son inmunes al ruido y se gment=&prodId=GVRL&contentSet=G
pueden codificar más fácil ALE
 Analizamos una señal de tres muestras %7CCX4060300145&searchId=R1&user
por la transformada discreta de Fourier GroupName=unad&inPS=true.
analizándola en el programador Matlab [Accedido: 23-feb-2019].
para comprobar los resultados teóricos [6] «Gale Virtual Reference Library -
como parcticosen el dominio de la Documento - Alcance y Objetivos». [En
frecuencia de funciones periódicas 𝑓(𝑡). línea]. Disponible en:
http://bibliotecavirtual.unad.edu.co:2081/
ps/retrieve.do?
IV. REFERENCIAS tabID=T003&searchId=R1&searchType
=AdvancedSearchForm&userGroupNam
[1] Ambardar, A., Procesamiento Digital de e=unad&inPS=true&prodId=GVRL&con
Señales Analógicas, 2°. Thomson tentSet=GALE&docId=GALE|
Learning Editors, 2002.
 9

CX4060300097. [Accedido: 23-feb-

2019]
[7] A. Ambardar, Ed., «Introducción», en
Procesamiento de señales analógicas y
digitales, 2nd ed., Mexico City, Mexico:
Cengage Learning, 2002, pp. 248-252.
[Accedido: 23-feb-2019].
[8] A. Ambardar, Ed., «La FFT», en
Procesamiento de señales analógicas y
digitales, 2nd ed., Mexico City, Mexico:
Cengage Learning, 2002, pp. 571-577.
[Accedido: 23-feb-2019