Teorema de muestreo de Shannon aplicado
para la reconstrucción de señales.
Shannon's sampling theorem applied for signal
reconstruction.
Mullo E., Solano K. y Velasco E.
Universidad de las Fuerzas Armadas ESPE Extensión Latacunga,
Latacunga, Ecuador
E-mail: eemullo@espe.edu.ec , kdsolano@espe.edu.ec, esvelasco3@espe.edu.ec
Abstract— In this work we seek to find a solution to the signal
recovery problem using the Shannon-Whittaker-Kotelnicov
theorem, for this we will base ourselves on working with Fourier
analysis and Fourier transform tools, which we will briefly explain
to throughout the development of this study. Another point to take
into account in this work is the review of some types of signals that
we can find more frequently, for which we will explain some main
definitions regarding signals. To demonstrate the final work we
will use the MATLAB computer tool in order to contrast the
theoretical study with the practical one. The Shannon theorem,
also known as the sampling theorem, shows that the exact
reconstruction of a continuous baseband periodic signal from its
samples is mathematically possible if the signal is band-limited and
the sampling rate is greater than twice your bandwidth.
Index Terms— Shannon, Fourier, reconstruction, sign.
Resumen— En el presente trabajo se busca encontrar una
solución para el problema en cuanto a la recuperación de señales
continuas utilizando el teorema de Shannon-Whittaker-
Kotelnicov, para ello nos basaremos en trabajar con herramientas
de análisis de Fourier enfocándonos en utilizar el teorema de
muestreo, el cual explicaremos brevemente a lo largo del
desarrollo de este estudio. Otro punto a tomar en cuenta en este
trabajo es la revisión de una señal continua, para lo cual se
explicará algunas definiciones principales en cuanto a señales.
Para demostrar el trabajo final utilizaremos la herramienta
informática MATLAB con el fin de contrastar el estudio teórico
con el práctico. El teorema de Shannon también conocido como el
teorema de muestreo demuestra 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.
Palabras Claves—Shannon, Fourier, reconstrucción, señal.
I. INTRODUCCIÓN
E l propósito de este estudio es realizar la reconstrucción de
una señal analógica utilizando el teorema de Shannon. Para
ello es importante entender que una señal no es más que una
perturbación física medible que transporta información y que
debido a su naturaleza analógica hace imposible su
manipulación mediante sistemas digitales por lo que
previamente se tienden a digitalizar para poder manipularlas,
una vez digitalizada, si se requiere volver a encontrar la señal
analógica original es posible hacerlo mediante el uso del
teorema ya antes mencionado.
Una señal de tiempo continuo puede almacenarse en una
computadora digital, en forma de puntos discretos equidistantes
o muestras. Cuanto mayor sea la frecuencia de muestreo (𝐹𝑠),
más precisa será la información almacenada y la reconstrucción
de la señal a partir de sus muestras. Sin embargo, la alta
frecuencia de muestreo produce un gran volumen de datos para
almacenar.
Hay que tener en consideración que depende de la señal a
analizarse si la frecuencia de muestro debe ser alta o se podría
trabajar bien con una frecuencia de muestreo media porque no
es lo mismo muestrear una señal rica en componentes de alta
frecuencia, como el sonido de la música, a muestrear una señal
que varía lentamente, donde la frecuencia de muestreo no
necesita ser tan alta.
Por lo tanto, la frecuencia de muestreo mínima necesaria para
un tipo dado de señal, que no distorsionará la información y que
permitirá su reconstrucción precisa viene dada por el teorema
de muestreo de Nyquist-Shannon, que puede expresarse como:
la frecuencia mínima de muestreo de una señal que no
distorsionará su información subyacente, debe ser el doble de la
frecuencia de su componente de frecuencia más alta, es decir si
𝐹𝑠 es la frecuencia de muestreo, entonces la frecuencia crítica
o límite de Nyquist (𝑓𝑛) se define como 𝐹𝑠 / 2.
En el presente proyecto se pretende explicar el Teorema de
Shannon para posteriormente aplicarlo en el desarrollo de la
reconstrucción de una señal previamente muestreada.
 II. METODOLOGÍA
Los datos utilizados para este estudio fueron colectados de
distintas fuentes bibliográficas utilizando una metodología
explicativa con el fin de dar a conocer el muestro y
reconstrucción de una señal con el uso del teorema de Shannon
Nos encontramos con este problema cuando nuestras
muestras no son las “indicadas”, es decir, cuando no verifican
(2).
D. Reconstrucción de señales con Matlab.

A continuación, se detallas los teoremas, ecuaciones y las
herramientas usadas para la reconstrucción de las funciones.
A. Teorema de Shannon.
Utilizando Matlab, se presenta el programa y las gráficas a
partir de la aplicación del teorema de Shannon a una
determinada señal. A continuación, se explica el programa
utilizado para la reconstrucción de una función.

Sea una señal 𝑓(𝑡) de energía finita y de banda limitada a B Definimos nuestras variables con las que se va a trabajar,
(ancho de banda), entonces: además de una señal de entrada que se muestrear y
∞
posteriormente reconstruir.
1 𝑛 𝑠𝑖𝑛(𝜋(2𝐵𝑡 − 𝑛))
𝑓 (𝑡 ) = ∑ 𝑓 ( ) clear all
. 𝜋 2𝐵 2𝐵𝑡 − 𝑛 (1)
𝑛=−∞ syms t
A=1
A partir de la ecuación se puede recuperar una señal banda
t =0:0.01:A
limitada a B es necesario conocer las muestras tomadas en la f1= 10 %frecuencia 1
una frecuencia 2B. Dicha frecuencia se denomina frecuencia de
f2= 5 %fecuencia 2
Nysquit.
f = cos(2*pi*f1*t)+ sin(2*pi*f2*t) %Señal
%Graficamos la señal f
Esta es la manera en la que los ingenieros convierten señales
subplot(3,1,1);
digitales en señales analógicas, con aplicaciones en la
plot(t,f,'b')
tecnología tales como la utilizada en los discos compactos.
title('Señal')
ylabel('f(t)')
Para mayor información revisar [7]
xlabel('t')
grid on
B. Frecuencia de Nysquit.

Es la máxima frecuencia que es posible recuperar de una señal

dado un intervalo de muestreo 𝑉𝑠 . Para poder recuperar nuestra
señal de banda limitada a B, se debe verificar que nuestra
frecuencia de muestreo sea mayor o igual que el doble de la
frecuencia de Nysquit, es decir:
Fig 2. Señal 𝑓(𝑡) = 𝑐𝑜𝑠(𝜔1 𝑡) + 𝑠𝑒𝑛(𝜔2 𝑡)
. 𝐹𝑠 ≥ 2𝐵 = 2𝑓𝑚𝑎𝑥 (2)
Para el muestreo de la señal se debe cumplir con la frecuencia
C. El fenómeno del alisasing. de Nysquit. Una vez determina se procede a graficar las
muestras con ayuda de la stem() la cual nos permite trazar una
El aliasing es el efecto que causa que señales continuas secuencia discreta
distintas no sean distinguibles cuando realizamos un muestreo
digital. En este caso, no podemos recuperar la señal original de %Determinamos la frecuencia de Nysquit
forma ´única a partir de la señal digital. En otras palabras, B2=4*(f1);
tenemos señales distintas, pero que coinciden en las muestras %Definimos un nuevo tiempo para calcular las muestras
tomadas, por lo que la recuperación de nuestra señal no es Tm=(0:2*B2)./B2;
posible. Fig 1. f3 = cos(2*pi*f1*Tm)+ sin(2*pi*f2*Tm)
%Mostramos una secuencia discreta de la función f3
subplot(3,1,2);
stem(Tm,f3,'r')
title('Muestro de la Señal')
ylabel('f(Tm)')
xlabel('Tm')
grid on

Fig 1. Fenómeno de alisasing.

Fig 3. Muestreo de la señal 𝑓(𝑡)

Una vez ya muestreada nuestra señal se procede a

reconstruirla con ayuda del teorema de Shannon con n
armónicos, cabe mencionar que mientras más armónicos sean
la aproximación a la señal original será mejor.

%Definimos los valores

a=1/B2
Fs=0 % Señal reconstruida
Fig 5. Aplicación del Teorema de Shannon a una a la señal (3) en el caso A
s=100 % número de armónicos
%Teorema de shannon
for n=1:s; B. 𝐹𝑠 = 2𝐵
%Aplicacmos el teorema
v=cos(2*pi*f1*n*a)+sin(2*pi*f2*n*a); Como se puede observar en la Fig 6. El muestro ocurre
solve= v.*(sin((pi/a)*(t-n*a)))./((pi/a).*(t-n*a)); solamente cada medio periodo de la señal, con lo cual la
Fs=Fs+solve; reconstrucción de la señal no es la correcta, presentándose el
end fenómeno alisasing. Sin embargo se cumple con la frecuencia
% Grafica de la funcion reconstruida de Nysquit pero para el procesamiento de señales es necesario
subplot(3,1,3); que 𝐹𝑠 > 2𝐵 , esto con el obtener una menor perdida de
plot(t,Fs,'b') información durante el muestreo.
title('Funcion reconstruida')
ylabel('f(t)')
xlabel('t')
grid on

Fig 4. Reconstrucción de la señal 𝑓(𝑡) ; 𝑛 = 100

III. RESULTADOS
A continuación, se presentaran diferentes casos que puede
ocurrir durante el muestro y reconstrucción de una señal con
una frecuencia 𝑓1 = 10 𝐻𝑧 :

. 𝑓(𝑡) = 𝑐𝑜𝑠 (2𝜋𝑓1 𝑡) (3) Fig 6. Aplicación del Teorema de Shannon a una a la señal (3) con el caso B

A. 𝐹𝑠 < 2𝐵 . C. 𝐹𝑠 > 2𝐵

Como se puede observar en la Fig 5. El muestro ocurre
solamente cada periodo de la señal, con lo cual la
reconstrucción de la señal no es la correcta, presentándose el
fenómeno alisasing.
En la Fig 7. se puede observar que en el muestreo que
obtienen mayores datos por lo cual la reconstrucción de la señal
es mucho mejor comparada a los 2 casos anteriores. Como se
había mencionado mientras que mas muestras se tomen la
reconstrucción de la señal es mas optima, esto nos permite tener
una perdida menor de información.

Fig 7. Aplicación del Teorema de Shannon a una a la señal (3) con el caso C
IV. DISCUSIÓN
Los hallazgos de este estudio reflejan la gran importancia de
conocer los diferentes teoremas que han sido planteados en el
presente documento. Además de la gran relevancia de los
mismos en la vida cotidiana.
Una de las principales aplicaciones que tiene el teorema de
Shannon junto con la frecuencia de Nysquit es que se puede
convertir una señal analogía a digital o viceversa.
Para ello es importante entender que una señal no es más que
una perturbación física medible que transporta información y
que debido a su naturaleza analógica hace imposible su
manipulación mediante sistemas digitales por lo que
previamente se tienden a digitalizar para poder manipularlas,
una vez digitalizada, si se requiere volver a encontrar la señal
analógica original es posible hacerlo mediante el uso del
teorema ya antes mencionado.
La presente investigación se centra en la parte Matemática
para poder llevar a cabo el proceso conversión de señales. Y
como se presento en el documento se pueden usar herramientas
como Matlab para poder llevar a cabo este proceso.
A su vez es sumamente necesario conocer los conceptos
básicos con el fin de entender y llevar a cabo de manera correcta
Fig.7 y no cometer errores y encontrarnos con el fenómeno de
alisasing Fig 5 y Fig 6.
V. CONCLUSIONES
El teorema de Shannon nace a partir de la transformada de
Fourier nos ayuda para el proceso e conversión de señales
digitales a analógicas. Con el fin de recuperar la señal original,
pero para poder lograr que este proceso se debe conocer los
factores que podrían alterar dicha reconstrucción, como se
había mencionado en el caso del incumplimiento de la
frecuencia de Nysquet.
El aliasing es un motivo de preocupación mayor enfocado en
el muestreo incorrecto de señales analógicas puede provocar
que señales de alta frecuencia presenten dicho aliasing con
respecto a señales de baja frecuencia.
En el Muestreo Irregular dicho teorema no es aplicable, y
para la reconstrucción tenemos que usar métodos
computacionalmente intensivos, en este caso la transformada
rápida de Fourier para la conversión de señales.
VI. BIBLIOGRAFÍA
[1] J. A. Cortés Osorio y H. B. Cano Garzón,
«FUNDAMENTOS Y APLICACIÓN DEL
MUESTREO EN SEÑALES,» Scientia et Technica, pp.
37-41, 2008.
[2] J. García Fernández, «El teorema de muestreo y sus
aplicaciones,» Depósito de Investigación Universidad
de Sevilla, 2018. [En línea]. Available:
https://idus.us.es/handle/11441/79501. [Último acceso:
27 Septiembre 2020].
[3] J. Sanchez Estrada, «Academia,» Muestreo y
Reconstrucción de una Señal Analogica, 2016. [En
línea]. Available:
https://www.academia.edu/8199588/Muestreo_y_Reco
nstrucci%C3%B3n_de_una_Se%C3%B1al_Analogica.
[Último acceso: 25 07 2020].
[4] L. A. Rodriguez, «Muestreo de señales,» Revista
Scientia et Technica, pp. 55-60, 2000.
[5] L. J. Morales Mendoza, «dicis,» [En línea]. Available:
http://www.dicis.ugto.mx/profesores/ljavier/documento
s/Lec01%20-%20Teorema%20de%20Muestreo.pdf.
[Último acceso: 26 Julio 2020].
[6] M. Gómez Gil, «CONACYT,» 5 Septiembre 2017. [En
línea]. Available:
http://ccc.inaoep.mx/~pgomez/cursos/pds/slides/S2-
ADC.pdf. [Último acceso: 25 Julio 2020].
VII. REFERENCIAS
[7] P. O. Ńeil, Matemáticas avanzadas para la ingeniería,
Sexta Edición ed., Dsitrito Federal: CENGAGE
Learning, 2008, pp. 131-134.