PROCESAMIENTO DIGITAL DE SEÑALES

CODIGO: 299004

Tarea 2

Reconocer los elementos matemáticos que implica la conversión

análoga digital

Presentado a:
MAURICIO ALBERTO GARCIA
Tutor

Entregado por:

JAVIER RODRÍGUEZ SALAMANCA

Código: 1057607533

Grupo: 299004_19

INGENIERIA ELECTRONICA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD

ESCUELA DE CIENCIAS BÁSICAS TECNOLOGÍA E INGENIERÍA
2022
SOGAMOSO
 INTRODUCCION
En este documento contiene el
estudio de la conversión
analógica a digital abordado
desde lo matemático se realizan
ejercicios para el muestreo y la
cuantización aplicando el
teorema de Nyquist y la
transformada de Fourier,
también se investiga sobre el
rango de frecuencias al que el
oído humano es capaz de
escuchar y sobre algunos
instrumentos musicales donde se
plantea la frecuencia mínima de
muestreo donde pueden ser
digitalizados de manera correcta.
ABSTRAC
This document contains the
study of the analog to digital
conversion approached from the
mathematical point of view,
exercises are carried out for
sampling and quantization
applying the Nyquist theorem
and the Fourier transform, it is
also investigated on the range of
frequencies to which the human
ear is able to listen and on some
musical instruments where the
minimum sampling frequency is
raised where they can be
digitized correctly.
1. Cada estudiante realizara de
manera individual, aportes
teóricos (incluir ecuaciones
con editor de Word) sobre las
siguientes preguntas:
1) ¿A qué se refiere el muestreo
de una señal analógica?
El muestreo es una suma
ponderada de impulsos en la que
los factores de ponderación son
iguales a los valores de la señal
analógica en los instantes donde
ocurren los impulsos, la señal
muestreada ideal es considerada
del producto de la señal
analógica y se demuestra de la
siguiente manera:
∞ ∞
X I ( t ) =x ( t ) i ( t )=x (t ) ∑ δ ( t−nt s ) = ∑ x ( n t s ) δ ( t−nt s ) = ∑
n=−∞ n=−∞ n=
2) ¿Cómo se realiza la
cuantización de una señal?
En señales analógicas se
realizan en la función del
tiempo y la amplitud, de
forma de redondear o trucar
las muestras con el fin de
reducir a un conjunto finito de
valores. También podemos
decir; que es una conversión
de una señal discreta en el
tiempo evaluada de forma
continua a una señal discreta
en el tiempo evaluada de
forma discreta.

3) ¿Qué indica el teorema de
muestreo de Nyquist?
Afirmaba que una señal
analógica puede ser
reconstruida, sin error de
muestras tomadas en iguales
intervalos de tiempo, la razón de
muestreo debe ser igual o mayor
al doble de su ancho de banda
de la señal analógica.
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 en Hertz.
4) ¿Cuál es el fenómeno llamado
Alias o Aliasing?
Este fenómeno es el efecto por el
cual las señales continuas en el
tiempo, son indistinguibles al ser
muestreada digitalmente. Esto se
produce por una señal
digitalizada errónea, generando
imperfecciones en dichas
señales. Teniendo en cuenta la
teoría Nyquist, se puede concluir
que es efecto simplemente se
produce cuando no muestreamos
a la frecuencia de Nyquist.
5) ¿Qué realiza la transformada
de Fourier?
Realiza una transformación de
una función en dominio del
tiempo en otra función de
dominio de frecuencia. La
transformada discreta de Fourier
describe el espectro de las
señales de tiempo discreto y
formaliza el concepto de que
dichas señales tienen espectros
periódicos
∞ ∞
X I ( t ) = ∑ x ( k t s ) δ ( t−k t s ) X p ( f )=s ∑ X (f −kS )
k=−∞ k=−∞
6) ¿Qué es la transformada
rápida de Fourier?

Es un método matemático para
la transformación de una función
del tiempo en una función de la
frecuencia. A veces se describe
como la transformación del
dominio del tiempo al dominio de
la frecuencia. Es muy útil para el
análisis de los fenómenos
dependientes del tiempo.
N −1 −2 πi
Kn
X k= ∑ xn e N
n=0
La segunda parte consta de la
realización de tres (3) ejercicios
matemáticos de manera
individual, cada uno relacionado
con los siguientes temas:
Muestreo, Cuantización,
Transformada discreta de Fourier
Fourier. (Esta última se
planteará como la ecuación
de sumatoria de la
Transformada discreta de
10 sen (30 πt ) 7 sen(270 πt)
w=2 πf w=2 πf
30 π 270 π
f 1= =15 Hz f 2= =135 Hz
2π 2π
Fourier – revisar OVI de
entorno de conocimiento o
web conferencia, allí se
muestra un ejemplo de cómo
desarrollar la TDF
matemáticamente, deben
realizarlo con los tres últimos
dígitos de su documento de
identidad)
Los ejercicios de cuantización y
muestreo estarán dispuestos en
el anexo 1 (Ejercicios de
muestreo y cuantización),
ubicado en el entorno de
aprendizaje en la carpeta de la
guía de la tarea 2, cada
estudiante escogerá los 2
ejercicios a realizar (uno de
muestreo y uno de cuantización),
no se podrán repetir ejercicios
entre estudiantes.
NOTA: Para entregar los
avances y el trabajo final, deben
utilizar el editor de
ecuaciones de Word (NO
IMÁGENES), si creen necesario
utilizar gráficas, pueden
utilizarlas. Hay que evidenciar
todo el proceso matemático.
Tampoco se admiten ejercicios
iguales entre estudiantes, ni
ejemplos de libros.
Muestreo
Ejercicio 1.
Siendo
x ( t )=10 sen ( 30 πt ) +7 sen ( 270 πt ) 8 cos ( 1200 πt ) +3 sen (2000
Resuelva:
1.1. Encuentre las frecuencias
f 0 de cada uno de los
8 cos ⁡(1200 πt ) 3 sen (2000 πt )
w=2 πf w=2 πf
1200 π 2000 π
f 3= =600 Hz f 1= =1000 Hz
2π 2π
 componentes de la señal Obtenemos para:
x (t)
f a=f −N∗f s

f a=600 Hz−N (1100 Hz)

1.2. ¿Se presenta fenómeno
Con:
alias o aliasing si x ( t ) es
muestreada a S=1100 Hz ? N=1 → 600 Hz−1 ( 1100 Hz )=(−500 ) =500 Hz
Explique paso a paso y si
N=2→ 600 Hz−2 ( 1100 Hz )=(−1600 )=1600 Hz
presenta alias, encuentre
la frecuencia f a y N=3→ 600 Hz−3 ( 1100 Hz ) =(−2700 )=2700 Hz
reconstruya la señal x a (t)
Si f s=1100 Hz y f 3=1000 Hz
Si f s=1100 Hz y f 1=15 Hz
Obtenemos para:
Obtenemos para:
f a=f −N∗f s
f a=f −N∗f s
f a=1000 Hz−N (1100 Hz)
f a=15 Hz−N (1100 Hz)
N=1 → 1000 Hz−1 ( 1100 Hz )=(−100 )=100 Hz
Con:
N=2→ 1000 Hz−2 ( 1100 Hz )=(−1200 ) =1200 Hz
N=1 → 15 Hz−1 ( 1100 Hz )=(−1085 )=1085 Hz
N=3→ 1000 Hz−3 ( 1100 Hz )= (−2300 )=2300 Hz
N=2→ 15 Hz−2 ( 1100 Hz )=(−2185 )=2185 Hz
x (t)=10 sen(30 πt)+7 sen(270 πt)+8 cos(1200 πt )+3 sen (20
N=3→ 15 Hz−3 ( 1100 Hz )= (−3285 )=3285 Hz
xa(t )=−10 sen(1085 πt )−7 sen(965 πt )+8 cos (500 πt)+3 se
N=4 → 15 Hz−4 ( 1100 Hz )=(−4385 )=4385 Hz
1.3. ¿Se presenta fenómeno
Si f s=1100 Hz y f 2=135 Hz alias o aliasing si x (t) es
muestreada a S=1700 Hz ?
Obtenemos para:
Explique paso a paso y si
f a=f −N∗f s presenta alias encuentre la
frecuencia f a y reconstruya
f a=135 Hz−N (1100 Hz)
la señal x a (t)
Con:
N=1 → 135 Hz−1 ( 1100 Hz )=(−965 )=965 Hz
Si f s=1700 Hz y f 1=15 Hz
N=2→ 135 Hz−2 ( 1100 Hz )=(−2065 ) =2065 Hz
Obtenemos para:
N=3→ 135 Hz−3 ( 1100 Hz )= (−3165 )=3165 Hz f =f −N∗f
a s

N=4 → 135 Hz−4 ( 1100 Hz )=(−4265 )=4265 Hz

f a=15 Hz−N (1700 Hz)
Si f s=1100 Hz y f 3=600 Hz
Con:
N=1 → 15 Hz−1 ( 1700 Hz )=(−1685 )=1685 Hz x (t)=10 sen(1685 πt)+7 sen (1565 πt )+ 8 cos(1100 πt )+3 sen
N=2→ 15 Hz−2 ( 1700 Hz )=(−3385 ) =3385 Hz 1.4. Halle el ancho de banda de
la señal x (t) original y el
N=3→ 15 Hz−3 ( 1700 Hz )= (−5085 )=5085 Hz
ancho de banda de las dos
Si f s=1700 Hz y f 1=135 Hz señales reconstruidas en
1.2 y 1.3.
Obtenemos para:
f a=f −N∗f s
x (t)=10 sen(30 πt)+7 sen(270 πt)+8 cos(1200 πt)+3 se
f a=135 Hz−N (1700 Hz)
B=f H −f L
Con:
B=1000 Hz−135 Hz=865 Hz
N=1 → 135 Hz−1 ( 1700 Hz )=(−1565 )=1565 Hz
Ancho de banda señal (punto
N=2→ 135 Hz−2 ( 1700 Hz )=(−3265 ) =3265 Hz
1.2)
N=3→ 135 Hz−3 ( 1700 Hz )= (−4965 )=4965 Hz xa(t )=−10 sen(1085 πt )−7 sen(965 πt )+8 cos (500 πt)+3 se
Si f s=1700 Hz y f 1=600 Hz B=f H −f L
Obtenemos para: B=965 Hz−100 Hz=865 Hz
f a=f −N∗f s
Ancho de banda señal (punto
f a=600 Hz−N (1700 Hz) 1.3)

Con: x (t)=10 sen(1685 πt)+7 sen (1565 πt )+ 8 cos(1100 πt )+3 sen

N=1 → 600 Hz−1 ( 1700 Hz )=(−1100 ) =1100 Hz B=f H −f L

N=2→ 600 Hz−2 ( 1700 Hz )=(−2800 )=2800 Hz B=1565 Hz−700 Hz=865 Hz
N=3→ 600 Hz−3 ( 1700 Hz ) =(−4500 ) =4500 H 1.5. Halle la frecuencia de
muestreo para que la señal
Si f s=1700 Hz y f 1=1000 Hz x (t) no presente fenómeno
f a=f −N∗f s de alias.

f a=1000 Hz−N (1700 Hz)

x (t)=10 sen(30 πt)+7 sen(270 πt)+8 cos(1200 πt)+3 se
Con:
N=1 → 1000 Hz−1 ( 1700 Hz )=(−700 )=700 Hz Basado en el teorema de Nyquist
el cual indica que:
N=2→ 1000 Hz−2 ( 1700 Hz )=(−2400 ) =2400 Hz
f s ≥2∗f max
N=3→ 1000 Hz−3 ( 1700 Hz )= (−4100 )=4100 Hz
f s ≥2∗( 1000 )=2000 Hz
x (t)=10 sen(30 πt)+7 sen(270 πt)+8 cos(1200 πt)+3 sen (2000 πt )
Para que el sistema no presente
aliasing se necesita una
f s ≥2000 Hz
redondeo con un error
1.1. ¿Cuantos bits B se
requieren?
D=7 V −|−7 V |=14 V
σ =27 mV =0.027 V

Como:
∆
σ= → ∆=√ 12∗0.027 V =0.09353
√12
Como:
D D 14 V
L= → L= = =149.68
L ∆ 0.09353
Como:
B B 14 V
L=2 → 2 =
0.09353
B
2 =149.68
B
log 2 =log 149.68
B∗log2=log 149.68
log 149.68
B¿ =7.225 bits=7 bits
log 2
1.2. ¿Si el cuantizador ahora es
de 24 bits, cuál sería su
Cuantización error rms σ ?
El número de niveles 𝐿 de los Como:
cuantizadores utilizados en un
convertidor analógico digital L=2 B → 224=16777216
(ADC) es una potencia de 2. Por D=7 V −|−7 V |=14 V
lo tanto, 𝐿=2𝐵, donde B es el
número de bits. Como:

Ejercicio 1. D 14 V
∆= = =0.000834 V
L 16777216
Se va a muestrear una señal con
∆ 0.000834
niveles de amplitud entre -7V y σ= = =0.0000240V =24.0 μV
7V, y se va a cuantizar por √12 √12
Las señales x (n) y x q (n) son:
x ( n )=( 0.7,0.8,1 .5,6 .0,3 .4,6 .8,3.0,6 .4)
x q ( n )= {0.6,0 .6,1 .4,5.7,2 .9,5 .3,2.7,5 .9 } Transformada de Fourier

1.3. ¿Cuál es la señal error e ( n ) Últimos tres dígitos de la cedula:

? 533

x e ( n ) ={ 0.1,0 .2,0.1,0 .3,0 .5,1.5,0 .3,0 .5 } Análisis matemático

1.4. ¿Cuál es la potencia de la x ( n ) = {5 3 3 }

señal de ruido? x 1=5 , x2 ¿ 3 , x 3=3
N−1
1
P N=
N
∑ ¿¿ Formula
N=0
∞ − j 2 πkn

1 x ( k )= ∑ ( x [ n ] e N
)
P N = ( 0.12+ 0.22+ 0.12+ 0.32+ 0.52+ 1.52+ 0.32 +0.52 ) N=−∞
7
Para k=0
1
P N = (2.99 )=0.4271
7 − j 2 π (0)(0 ) − j2 π (0)(1) − j 2 π (0)(2 )
x [ k =0 ] =x [ 0 ] e N + x [ 1 ] e N + x [ 2 ] e N
1.5. ¿Cuál es la potencia de la
− j 2 π ( 0) ( 0 ) − j 2 π ( 0) ( 1 ) − j 2 π (0 )(2)
señal muestreada? ¿ 5∗e 5
+ 3∗e 5
+3∗e 5

x ( n )=( 0.7,0.8,1 .5,6 .0,3 .4,6 .8,3.0,6 .4) ¿ ( 5+3+3 ) j=11 j

1
N −1 Para k=1
PS =
N
∑ ¿¿ − j 2 π (1)(0) − j 2 π (1)(1 ) − j2 π (1)(2)
N =0
x ( k=1 )= x [ 0 ] e + x [1 ] e N
+ x [ 2] e N N

1
PS = ( 0.7 + 0.8 + 1.5 + 6.0 +3.4 +6.8 +3.0 +6.4 )
2 2 2 2 2 2 2 2
− j 2 π ( 1) ( 0 ) − j2 π ( 1 )( 1 ) − j 2 π (1)(2)
7
¿ 5∗e 5 +3∗e 5 +3∗e 5
1
PS = ( 147.14 )=21.02 −j2π −j4 π
7 ¿ 5+3 e 5 +3∗e 5
1.6. ¿Cuál es la relación señal Como:
ruido del cuantizador SN R Q
? e− jw=cos ( w )− j∗Sen(w)

SN R Q=10∗log 10
( )
PS
PN [ ( )
¿ 5+3 cos
2π
5
− j∗sen
2π
5
+3 cos ( )]
4π
5
− j∗Sen
[ ( )
4π
5 ( )]
SN R Q=10∗log 10 ( 0.4271
21.02
)=4.92 dB ¿ 5+3 [ −1 j∗√ 5
3
−
3
+3
3 ] [
−1 j∗√ 5
+
3 ]
3 j∗3 √ 5 3 j∗3 √ 5
¿ 5− − − +
3 3 3 3
¿ 5−1− j∗ √5−1+ j∗√5=1+0 j últimos números del
documento de identificación,
Para K=2 por ejemplo, si mi cédula es
− j 2 π (2)(0) − j 2 π (2)(1) 80765437, entonces el algoritmo
− j 2 π (2)(2)
x [ k =2 ] =x [ 0 ] e N + x [ 1 ] e N + x [ 2 ] e Nse hará para la señal x[n] = [4 3
− j 2 π ( 2) ( 0 ) − j2 π ( 2 ) ( 1 ) − j 2 π (3)(3 ) 7]. Para desarrollar esta parte el
¿ 5∗e 5
+3∗e 5
+3∗e 5 estudiante podrá utilizar Matlab,
Octave Online, o Scilab.
−j4 π −j8 π
¿ 5+3∗e 5
+3∗e 5 Cada estudiante realizará un
video en youTube, en el cual
Como: explicará línea a línea el
− jw funcionamiento del algoritmo
e =cos ( w )− j∗sen (w) de la transformada discreta

[ ( ) ( )] [ ( ) ( )]
de Fourier (TDF). Se debe
4π 4π 8π 8π
¿ 5+3 cos − j∗sen +3 cos − j∗sen mostrar la ejecución (programa
5 5 5 5
corriendo en Matlab) del

[ ] [ ]
−1 j∗√5 −1 j∗ √ 5 algoritmo en el video.
¿ 5+3 + +3 − Nota: El video no es grabar el
3 3 3 3
desarrollo matemático, es
3 j∗3 √ 5 3 j∗3 √ 5 explicar el algoritmo de tres
¿ 5− + − −
3 3 3 3 muestras, paso a paso,
mostrando su ejecución en
¿ 5−1+ j∗√ 5−1− j∗√5=1+0 j
Matlab, Octave o Scilab.
Transformada discreta
close all; %cierra la ventana de
figuras abierta
clear; %limpia el workspace
clc; %limpia el command
windows

xn=input ('ingrese la señal

X(n)='); %[5 3 3] permite que el
En la tercera parte cada
usuario ingrese la señal
estudiante realizará el algoritmo
N= length(xn) %nos da la
de la Transformada Discreta de
longitud o el número de
Fourier, en el cual debe estar
muestras de la señal ingresada
planteada la sumatoria de la
X = zeros(N,1) %origina una
transformada con dos ciclos
matriz de N filas y de una
for. Dicho algoritmo se realizará
columna
para una señal de longitud de
for k=0:N-1 %el ciclo se ejecuta
tres (3) muestras. Los tres
desde k=0 hasta k=n-1
valores de las muestras
corresponden a los tres
 for n=0:N-1 %el ciclo se
ejecuta desde n=0 hasta n=N-1
variando n por cada valor de k
X(k+1) =X(k+1) +xn(n+1)
*exp((-j*2*pi/N) *(n*k)) %se
implementa la sumatoria que
describe la DFT
end
end
X %se le dice a matlab que
muestre el valor de x(K) DFT
Link del video:
http://youtu.be/HEN99aX0fx4?
hd=1
En la cuarta parte de la
actividad, cada estudiante
investigará sobre el rango de
frecuencias que el oido humano
es capaz de escuchar, además
investigará cual es el rango de
frecuencias que emiten cinco
(5) instrumentos musicales,
se debe tener en cuenta los
armónicos de los instrumentos
ya que son las frecuencias más
altas que emiten, y a partir de
este dato, argumentará a que
frecuencia de muestreo
mínima se debe muestrear
cada uno de los cinco (5)
instrumentos musicales para
ser digitalizados de manera
correcta. Por ejemplo, si el
bombo tiene un rango de 50 Hz a
15 Khz, Fs = 30 Khz mínimo.
El oído humano percibe
frecuencias entre 20Hz (tono
más bajo) a 20.000 Hz (tono
más alto). Todos los sonidos por
debajo de 20 Hz se califican
como infrasonidos. Del mismo
modo, todos los sonidos por
encima de 20 KHz se califican
como ultrasonidos.
Para determinar la frecuencia de
muestreo mínima, evitando que
se distorsione se debe aplicar al
teorema de muestro Nyquist que
indica que la frecuencia de
muestreo debe ser mínimo el
doble de la frecuencia a
muestrear.
Para el caso de los instrumentos
seleccionados tomaremos la
frecuencia mas alta del rango de
armónicos y la multiplicaremos
por 2 para hallar la frecuencia de
muestreo mínima.
Instru Funda Armó Frecu
mentos mental nicos encia
KHz de
mues
treo
míni
ma
KHz/
Hz
Flauta 61- 3- 16KH
 2349 8kHz z-
16.00
0Hz
Tambo 00-200 1- 40KH
r 20KH z-
z 40.00
0Hz
Guitarr 2-288 1- 30KH
a 15KH z-
acústic z 30.00
a 0Hz
Piano 8-4196 5- 16KH
8KHz z-
16.00
0Hz
Violín 96- 4- 30KH
3136 15KH z-
z 30.00
0Hz

Bibliografía

Ambardar, A. (2002). Muestreo

Ideal. En Procesamiento de
señales analógicas y digital (2nd
ed). Ciudad de México, México:
Cengage Learning. https://go-
gale-
com.bibliotecavirtual.unad.edu.c
o/ps/i.do?
p=GVRL&u=unad&id=GALE|
CX4060300145&v=2.1&it=r&sid
=GVRL&asid=495113b6

García Martínez, M.
(05,07,2017). Procesamiento
Digital de Señales -
Transformada Discreta de
Fourier.
[OVI]. http://hdl.handle.net/105
96/12519