UNIVERSIDAD DE CONCEPCIÓN

FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA

543246 – Sistemas de comunicaciones

2023-1
Luis Arias

Tarea 1b
John Suazo Guzmán

Concepción, 22 de mayo de 2023

Tabla de Contenidos

ABREVIACIONES ......................................................................................................................................................... III

LISTA DE FIGURAS…………………………………………………………………………………………………. ..IV
PROBLEMA 1: ANÁLISIS ESPECTRAL ...................................................................................................................... 5
1.- ENUNCIADO ......................................................................................................................................................... 5
2.- SOLUCIÓN ............................................................................................................................................................ 5
Parte a .................................................................................................................................................................... 5
Parte b .................................................................................................................................................................... 6
Parte c .................................................................................................................................................................... 7
Parte d .................................................................................................................................................................... 7
Parte e .................................................................................................................................................................... 8
Parte f .................................................................................................................................................................... 8
Parte g .................................................................................................................................................................. 10
Parte h .................................................................................................................................................................. 10
PROBLEMA 2: MODULACIÓN AM ........................................................................................................................... 11
1.- ENUNCIADO ....................................................................................................................................................... 11
2.- SOLUCIÓN .......................................................................................................................................................... 11
Parte a .................................................................................................................................................................. 11
iii

Abreviaciones

Mayúsculas
BW : Band width (Ancho de banda)
DFT : Discrete Fourier Transform (Transformada de Fourier Discreta)
Hz : Hertz

Minúsculas
kHz : kilohertz
iv

Lista de Figuras

Fig. 1.1.- Gráfica de la señal de audio en el plano del tiempo. ………………………………………….. 5

Fig. 1.2.- Espectro de la señal de audio. ………………………………………………………………….. 6
Fig. 1.3.- PSD de la señal m(t) en escala lineal. …………………………………………………………...7
Fig. 1.4.- Comparación señal original vs señal remuestreada. ………………………………………….. 9
Fig. 1.5.- Comparación espectro original vs espectro de señal remuestreada. ………………………… 9
Fig. 1.6.- Comparación espectro original vs espectro de señal remuestreada filtrada. ……………….. 10
Figura 2.1.- Gráfica y zoom del espectro de la señal modulada mediante técnica DSB-SC. …………. 11
5

Problema 1: Análisis Espectral

1.- Enunciado
a.- Graficar 𝑚(𝑡).
b.- Graficar el espectro de 𝑚(𝑡) en escala lineal.
c.- Identifique una frecuencia fundamental, 𝑓0 , de 𝑚(𝑡).
d.- Grafique la PSD de la señal 𝑚(𝑡), en escala lineal.
e.- Asumiendo que el ancho de banda de la señal es de 600 𝐻𝑧, indique la frecuencia mínima de
muestreo para que esta señal pueda reconstruirse sin pérdida de información.
f.- Muestree la señal 𝑚(𝑡) (obteniendo 𝑚𝑠 (𝑡)), con un tren de impulsos cuya frecuencia sea
ligeramente mayor a la frecuencia de muestreo mínima. Grafique el espectro de 𝑚𝑠 (𝑡), donde se vea
el efecto de la repetición espectral.
g.- Escuche, usando comando sound(m,Fs), la señal 𝑚(𝑡). Disfrute pensando en que son parte de las
primeras generaciones que puede oír los sonidos del planeta rojo.
h.- Asuma que la señal 𝑚(𝑡) pasa por un canal, del tipo PBF (filtro pasabanda), cuyo ancho de banda
es: 300 𝐻𝑧@450 𝐻𝑧. Esto es, filtre la señal, usando el comando: m1=bandpass(m.[300 600], Fs); tal
que m1(t) es ya la señal filtrada. Grafique en frecuencia la señal filtrada y compárela con el espectro
de la señal sin filtrar. Al oír la señal filtrada, ¿percibe alguna diferencia?

2.- Solución

Parte a
Se ha considerado sólo una fuente de sonido ya que no existen mayores diferencias entre la señal de
un micrófono y otro. Aunque se puede escuchar un viento suave en Marte, no significa necesariamente
que su velocidad sea baja. Es importante tener en cuenta que la atmósfera marciana tiene una densidad
y presión más baja que la de la Tierra. En la figura 1.1 se muestra la gráfica de m(t).

Fig. 1.1.- Gráfica de la señal de audio en el plano del tiempo.

6

Parte b
Al procesar la información para obtener el espectro de la señal, se pueden aprender diversas
características acerca de cómo se procesa digitalmente el audio. En particular se puede ver que la
frecuencia de muestreo arrojada al importar el archivo .wav es de 𝑓𝑚 = 48𝑘𝐻𝑧, de acuerdo al Teorema
de muestreo de Nyquist – Shannon, la componente de frecuencia más alta que se puede obtener al
recuperar la señal continua es de 𝑓𝑚𝑎𝑥 = 𝑓𝑚 /2 = 24𝑘𝐻𝑧, lo cual coincide con la frecuencia más alta
percibida por el hombre (en particular por jóvenes).

En lo referente al espectro obtenido de la señal (ver Fig. 1.2) se puede comentar que al ser ésta de
valores reales, entonces la gráfica de la magnitud de la DFT de la señal es una función par y la gráfica
de la fase de la DFT de la señal es una función impar. En la figura 1.2 se puede apreciar esta
característica, aunque la razón de ser de esa gráfica es mostrar cómo la señal de audio contiene en su
mayoría componentes de frecuencias acotados hasta aproximadamente 600𝐻𝑧 (la gráfica de la fase
de la DFT no se muestra pues no es de interés). Por tanto, si se eliminan las frecuencias por encima
de 600 𝐻𝑧 la señal resultante sería muy similar a la original. Probablemente la NASA haya ocupado
este procedimiento para poder eliminar los sonidos generados por el rover y aislar el sonido ambiente.

Por otro lado, dadas las características de la Transformada de Fourier para una señal real descritas en
el párrafo anterior se infiere que al representar el comportamiento de las frecuencias negativas lleva a
que se tenga información redundante. Por lo tanto, para simplificar el análisis y la interpretación de la
señal en el dominio de la frecuencia, se suele considerar solo la parte positiva del espectro. Esto
implica que se ignoran las frecuencias negativas y solo se trabaja con las componentes de frecuencia
positivas. En adelante se aplicará esta convención.

Fig. 1.2.- Espectro de la señal de audio.

7

Parte c
La frecuencia fundamental es la frecuencia más baja en el espectro de una señal periódica. En este
caso no se tiene una señal periódica por lo tanto no se puede hablar de una única frecuencia
fundamental. Por lo tanto, si el micrófono ubicado en marte fuese de tipo condensador, la componente
de frecuencia que más aportó energía cinética fue aquella con mayor coeficiente en el análisis
espectral. En este sentido el mayor pico en el espectro de frecuencia se da para 𝑓 = 149.85 𝐻𝑧.

En el supuesto que se esté analizando una canción y para llegar a reproducir la obra, la “frecuencia
fundamental” calculada de esta manera no sería de ayuda puesto que pueden haber intervalos de
tiempo para los cuales la intensidad es mayor que en otros, por ejemplo el estribillo puede estar en
fortissimo y las estrofas en piano, de esta manera las estrofas no aportan de igual manera al espectro
como lo hace el estribillo y por tanto no se tendría una representación en frecuencia adecuada como
para poder deducir el tono de la obra. En ese sentido es mejor analizarse por zonas o intervalos
utilizando aproximaciones más adecuadas al objetivo deseado, desde el punto de vista físico, sí,
podemos llamar frecuencia fundamental a aquella que entrega más energía, pero en la gráfica se
pueden ver distintas frecuencias para las cuales existe una magnitud parecida por tanto esto tampoco
aporta mucha información, es decir, lo que aporta la que llamamos “frecuencia fundamental” no tiene
un aporte significativamente superior a todas las demás frecuencias.

Parte d
La densidad espectral de potencia se obtuvo haciendo uso de la función periodogram de MATLAB.
Esto entrega la densidad espectral de potencia en unidades de potencia por unidad de frecuencia. El
resultado de esto se muestra en la figura 1.3, donde nuevamente se puede ver que la mayor cantidad
de potencia se desarrolla en un ancho de banda de 600 𝐻𝑧.

Fig. 1.3.- PSD de la señal m(t) en escala lineal.

8

Parte e
La frecuencia mínima de muestreo es de 2 veces la frecuencia máxima contenida en la señal a
muestrear. Dado que para esta señal se puede asumir un ancho de banda de 600 𝐻𝑧 entonces bastaría
con que la frecuencia de muestreo sea 𝑓𝑚 ≥ 2 ⋅ 600 = 1200 𝐻𝑧, esto es de acuerdo al Teorema de
Nyquist – Shannon.

Parte f
Se puede multiplicar una señal de tren de impulsos con una señal análoga para poder obtener una
discretización de dicha señal, es lo que se hace para poder tomar lecturas de tiempo discreto que luego
se convierte en un archivo digital de audio. Esto se hizo para obtener el sonido del viento en marte.

La frecuencia de muestreo que se utilizó fue de 48 𝑘𝐻𝑧, esto es para poder abarcar apropiadamente
todo el ancho de banda que nuestros oídos son capaces de apreciar. Sin embargo, al analizar el espectro
de la señal se pudo evaluar que las frecuencias de interés del mensaje solo abarcan un ancho de banda
de aproximadamente 600 𝐻𝑧. Por tanto, podemos capturar todas las señales dentro de ese BW
utilizando el Teorema de Nyquist – Shannon, esto es ocupando una frecuencia de muestreo de al
menos el doble de la máxima frecuencia que se quiere recuperar.

En este caso se quiere resamplear una señal de audio ya existente por lo que solo se tiene acceso a los
datos ya muestreados a la frecuencia original de 48 𝑘𝐻𝑧, si se eligiese exactamente la frecuencia de
muestreo de Nyquist de 1200 𝐻𝑧, entonces 48000/1200 = 40 por lo que se puede tomar 1 lectura
de cada 40 de las tomadas a la frecuencia original y se tendrían entonces la misma cantidad de lecturas
que se tomarían con la frecuencia de muestreo de 1200 𝐻𝑧, como se pide una frecuencia de muestreo
aún mayor, se toma entonces 1 lectura de cada 39, lo que equivale a una frecuencia de muestreo de
48000/39 ≈ 1231 𝐻𝑧 para esto se utiliza el siguiente código.

naudio=[];
for i=1:39:length(audio)
naudio=[naudio, audio(i)];
end
time=linspace(0,length(naudio)/(48000/39),length(naudio))
plot(time,naudio)

La señal obtenida es a simple vista idéntica a la original, como se puede ver en la figura 1.4. Lo
siguiente que se pide es encontrar el espectro de la nueva señal obtenida de manera tal que se vea el
efecto de aliasing, esto no será posible de apreciar para el muestreo a la frecuencia de Nyquist debido
a que no existen casi componentes de frecuencia superiores a 600 𝐻𝑧 por lo que de producirse aliasing
no sería algo perceptible a simple vista, pero sí al oírlo. En la figura 1.5 se muestra como los espectros
son aparentemente idénticos al haber escogido una adecuada frecuencia de muestreo. Sin embargo, al
reproducir el audio resampleado suena diferente. Para forzar a que ocurra este fenómeno (aliasing) se
escoge una frecuencia incorrecta de muestreo, de manera que queden componentes de frecuencia
relevantes superiores a la mitad de la frecuencia de muestreo y por tanto se vean reflejadas como
componentes de menor frecuencia y así alteren la señal al reconstruirse.
9

Fig. 1.4.- Comparación señal original vs señal remuestreada.

Fig. 1.5.- Comparación espectro original vs espectro de señal remuestreada.

10

Parte g
Sí, es bastante genial.

Parte h
A pesar de que el filtrado se hace para frecuencias 300 [𝐻𝑧] ≤ 𝑓 ≤ 450 [𝐻𝑧], aún se ven
componentes de frecuencia a frecuencias inferiores a 300 𝐻𝑧. Sin embargo, a la hora de escuchar
ambas señales se oyen bastante parecidas. El espectro de ambas señales se muestra en la figura 1.6.

Fig. 1.6.- Comparación espectro original vs espectro de señal remuestreada filtrada.

11

Problema 2: Modulación AM
1.- Enunciado
Simule la modulación AM-DSB usando la señal m(t) como moduladora, y una portadora del tipo
𝑐(𝑡) = cos (2𝜋 ⋅ 3000𝑡). Usar técnica DSB-SC. La señal modulada debe llamarse 𝑢𝐴𝑀−𝑆𝐶

a.- Grafique el espectro de esta señal modulada. Verifique que el espectro de esta señal está centrado
en la frecuencia de su respectiva portadora.

2.- Solución

Parte a
Para obtener la señal modulada simplemente se multiplica la señal moduladora por la señal portadora.
El espectro obtenido se muestra en la figura 2.1.

Tal y como se esperaba, el espectro de la señal modulada es igual al de la señal moduladora pero
desplazado en frecuencia, centrado en la frecuencia de la señal portadora.

Figura 2.1.- Gráfica y zoom del espectro de la señal modulada mediante técnica DSB-SC.