1031158969 1

Tarea 2 – Reconocer los elementos matemáticos

que implica la conversión Analógica Digital
Diego Hernán Guevara Toro
Universidad Nacional Abierta y a Distancia
Escuela de Ciencias Básicas Tecnología e Ingeniería
Medellín Antioquia, Colombia

La actividad consta de cuatro (4) partes fundamentales, la

Resumen- En esta actividad se realizan las respuestas a las primera parte consiste en la asimilación de los conceptos
preguntas proyectadas al tema del paso 2 del procesamiento de relacionados con la conversión analógica digital.
señales digitales, este proceso cubre los temas correspondientes a Cada estudiante realizará de manera individual, aportes
las señales de muestreo, Cuantización, Teorema de muestreo de teóricos (incluir ecuaciones con editor de word) sobre las
Nyquist, Aliasing o Fenómeno de Aliasing, Transformada de
Fourier, rápida Transformada de Fourier y ejercicio matemático.
siguientes preguntas:
Realizaremos un conocimiento previo de los conceptos de la
importancia de la conversión de analógico a digital. Y su 1) ¿A qué se refiere el muestreo de una señal analógica?
comportamiento en el dominio del tiempo y la frecuencia, para el
diseño de diferentes sistemas y su aplicación. Es obtener muestras de la señal de audio analógica en intervalos
de tiempo constantes y se registran en un dispositivo de
Abstract- In this activity, the answers to the questions projected to
almacenamiento para ver la amplitud de la señal en cada uno de
the topic of step 2 of digital signal processing are made, this process
covers the topics corresponding to sampling signals, Quantization, esos instantes.
Nyquist sampling theorem, Aliasing or Aliasing phenomenon,
Fourier transform, fast Fourier transform and mathematical
exercise. We will run prior knowledge of the concepts of the
importance of analog to digital conversion. And its behavior in the
domain of time and frequency, for the design of different systems
and their application.

Transformada, procesamiento, alias, señales, Cuantización,

Nyquist, analógica.

I. INTRODUCCIÓN
El procesamiento digital de señales es la manipulación 2) ¿Cómo se realiza la Cuantización de una señal?
matemática y algorítmica de señales discretas y cuantizadas con
el fin de extraer la mayor cantidad de información importante,
La cuantificación es una parte esencial del proceso de
la cual está contenida en la señal.
conversión de señales analógicas cuyo objetivo de este proceso
En este documento analizaremos el contenido del estudio de es cuantificar con bits estos valores, mediante la asignación de
las conversiones analógica y digital desde el punto matemático niveles. siendo un componente básico de cualquier sistema de
de ejercicio donde proyectaremos los conceptos de muestreo y audio, tarjeta o equipo de sonido, tanto en el ámbito doméstico
la Cuantización aplicando el teorema de Nyquist y las como profesional.
transformadas de Fourier. Demostraremos gráficamente con
imágenes donde entenderemos de forma clara el análisis
planteado del desarrollo de la actividad.

II. DESARROLLO DEL TRABAJO

Inicialmente, el estudiante debe revisar los recursos educativos
correspondientes a las temáticas de la unidad 1, los cuales se
pueden encontrar en el syllabus del curso, específicamente en
las referencias bibliográficas.
 1031158969 2

A. Realización de tres (3) ejercicios matemáticos.

3) ¿Qué indica el teorema de muestreo de Nyquist?
1. Muestreo:
Es un teorema de muestreo que nos indica que una señal Ejercicio 3:
analógica puede ser reconstruida, sin error, de muestras
Siendo 𝑥(𝑡) = 4 𝑠𝑒𝑛(280𝜋 𝑡) + 2𝑐𝑜𝑠(679𝜋 𝑡) + 7𝑐𝑜𝑠(13.7𝑘𝜋 𝑡)
tomadas en iguales intervalos de tiempo. La razón de muestreo
+ 3𝑠𝑒𝑛(17.1 𝑘 𝜋 𝑡)
debe ser igual, o mayor, al doble de su ancho de banda de la
Resuelva:
señal analógica.
4.1. Encuentre las frecuencias 𝑓0 de cada una de las
componentes de la señal 𝑥(𝑡)

𝒙(𝒕) = 𝟒 𝐬𝐞𝐧(𝟐𝟖𝟎𝛑 𝐭)

𝑓0=?
𝜔 = 280π
280π = 2𝜋𝑓 0
𝑓𝑜 = 280π/2𝜋
𝑓𝑜 = 280π/2
𝑓𝑜 = 140 𝐻𝑧

4) ¿Cuál es el fenómeno llamado Alias o Aliasing? 𝒙(𝒕 ) =2𝑐𝑜𝑠 (679𝜋 𝑡)

𝑓𝑜 = ?
Este fenómeno es el efecto por el cual señales continúa en el 𝜔 = 679π
tiempo, son indistinguibles al ser muestreada digitalmente. 679π = 2𝜋𝑓𝑜
Esto se produce por una señal digitalizada errónea, generando 𝑓𝑜 = 679π /2𝜋
imperfecciones en dichas señales. Teniendo en cuenta la teoría 𝑓𝑜 = 679π /2
Nyquist, concluimos que este efecto simplemente se produce 𝑓𝑜 = 339,5 𝐻𝑧
cuando no muestreamos a la frecuencia de Nyquist
𝒙(𝒕 ) = 7𝑐𝑜𝑠(13.7𝑘𝜋 𝑡)
𝑓𝑜 = ?
𝜔 = 13.7kπ
13.7kπ = 2𝜋𝑓𝑜
𝑓𝑜 = 13.7kπ/2𝜋
𝑓𝑜 = 13.7kπ /2
𝑓𝑜 = 6,85k𝐻𝑧

𝒙(𝒕) = 3𝑠𝑒𝑛 (17.1 𝑘 𝜋 𝑡)

𝑓𝑜 = ?
𝜔 = 17.1 k π
5) ¿Qué realiza la transformada de Fourier? 17.1 k π = 2𝜋𝑓𝑜
𝑓𝑜 = 17.1 k π /2𝜋
Realiza la conversión de una señal en el dominio en funcional 𝑓𝑜 = 17.1 k π 2
𝑓𝑜 = 8,55k𝐻𝑧
tiempo a una señal en el dominio en función a la frecuencia.
4.2. ¿Se presenta fenómeno alias o aliasing si 𝑥(𝑡) es
muestreada a 𝑆 = 11.4 𝑘𝐻𝑧? Explique paso a paso y si
presenta alias, encuentre la frecuencia 𝑓𝑎 y reconstruya la
señal 𝑥𝑎(𝑡)

Teniendo en cuenta la ecuación

6) ¿Qué es la transformada rápida de Fourier?
𝑓𝑠 ≥ 2𝑓𝑚𝑎𝑥
Transformada rápida de Fourier FFT es un método
Verificamos los componentes de la expresión
matemático, es muy útil para el análisis de los fenómenos
dependiente del tiempo, es denominado como un algoritmo y
Entonces:
puede reducir el tiempo de cálculo de la transformada Fourier Componente 1.
discreto y su inversa ll
 1031158969 3

11.4𝑘𝐻𝑧 ≥ 2(140𝐻𝑧) Componente 1.

11400𝐻𝑧 ≥ 280𝐻𝑧 ll
14,5 kHz ≥ 2(140𝐻𝑧)
No se presenta la existencia de alias. 14500𝐻𝑧 ≥ 280𝐻𝑧

Componente 2. No se presenta la existencia de alias.

𝑐𝑜𝑠 (679𝜋 𝑡)
11.4𝑘𝐻𝑧 ≥ 2(339,5𝐻𝑧) Componente 2.
11400𝐻𝑧 ≥ 679𝐻𝑧 𝑐𝑜𝑠 (679𝜋 𝑡)
14,5 kHz ≥ 2(339,5𝐻𝑧)
No se presenta la existencia de alias. 14500𝐻𝑧 ≥ 679𝐻𝑧

Componente 3. No se presenta la existencia de alias.

𝑐𝑜𝑠(13.7𝑘𝜋 𝑡) Componente 3.
11.4𝑘𝐻𝑧 ≥ 2(6,85k𝐻𝑧)
11400𝐻𝑧 ≥ 13700𝐻𝑧 𝑐𝑜𝑠(13.7𝑘𝜋 𝑡)
14,5 kHz ≥ 2(6,85k𝐻𝑧)
Se presenta la existencia de alias. 14500𝐻𝑧 ≥ 13700𝐻𝑧

𝑓𝑎 = 𝑓0 − 𝑁𝑓𝑠 No se presenta la existencia de alias.

𝑓𝑎 = 6850 − (2)11400
𝑓𝑎 = −15950
Componente 4.
Reconstrucción de la señal.

𝑥(𝑡) = 4 𝑠𝑒𝑛(280𝜋 𝑡) + 2𝑐𝑜𝑠(679𝜋 𝑡) + 7𝑐𝑜𝑠(2𝜋 (-15960)𝑡) + 𝑠𝑒𝑛(17.1 𝑘 𝜋 𝑡)

3𝑠𝑒𝑛(17.1 𝑘 𝜋 𝑡) 14,5 kHz ≥ 2(8,55k𝐻𝑧)
14500𝐻𝑧 ≥ 17100𝐻𝑧
Componente 4.

Se presenta la existencia de alias.

𝑠𝑒𝑛(17.1 𝑘 𝜋 𝑡)
11.4𝑘𝐻𝑧 ≥ 2(8,55k𝐻𝑧)
11400𝐻𝑧 ≥ 17100𝐻𝑧 𝑓𝑎 = 𝑓0 − 𝑁𝑓𝑠
𝑓𝑎 = 8550 − (2)14500
𝑓𝑎 = −20450
Se presenta la existencia de alias.

𝑓𝑎 = 𝑓0 − 𝑁𝑓𝑠 𝑥(𝑡) = 4 𝑠𝑒𝑛(280𝜋 𝑡) + 2𝑐𝑜𝑠(679𝜋 𝑡) + 7𝑐𝑜𝑠(13.7𝑘𝜋 𝑡) + 3𝑠𝑒𝑛(2

𝑓𝑎 = 8550 − (2)11400 𝜋(-20450) 𝑡)
𝑓𝑎 = −14250

Halle la frecuencia de muestreo para que la señal 𝑥(𝑡) no

𝑥(𝑡) = 4 𝑠𝑒𝑛(280𝜋 𝑡) + 2𝑐𝑜𝑠(679𝜋 𝑡) + 7𝑐𝑜𝑠(2𝜋 (-15960)𝑡) +
3𝑠𝑒𝑛(2 𝜋(-14250𝑡))
¿Se presenta fenómeno alias o aliasing si 𝑥(𝑡) es muestreada a
𝑆 = 14,5 𝑘𝐻𝑧? Explique paso a paso y si presenta alias,
encuentre la frecuencia 𝑓𝑎 y reconstruya la señal 𝑥𝑎(𝑡)
𝑓𝑠 ≥ 2𝑓𝑚𝑎𝑥
Verificamos los componentes de la expresión
presente fenómeno de Alias
Para determinar la frecuencia de muestreo necesaria para
evitar el fenómeno de aliasing, se debe utilizar el teorema de
muestreo de Nyquist-Shannon, que establece que la frecuencia
de muestreo debe ser al menos el doble de la frecuencia
máxima presente en la señal.
En este caso, la frecuencia máxima presente en la señal se
puede determinar observando las frecuencias de las funciones
seno y coseno que componen la señal. La frecuencia máxima
es la más alta de estas frecuencias.

Entonces:
 1031158969 4

La función seno tiene una frecuencia de 280π y la función

coseno tiene una frecuencia de 679π, por lo que la frecuencia
máxima es 679π. Además, hay dos funciones más con
frecuencias más altas: una función coseno con frecuencia de
13.7kπ y una función seno con frecuencia de 17.1kπ.
Por lo tanto, la frecuencia de muestreo necesaria para evitar el
fenómeno de aliasing debe ser al menos el doble de la
frecuencia máxima, que es 17.1kπ. Entonces,
frecuencia de muestreo >= 2 ∗ 17.1𝑘𝜋
Si se utiliza un cuantizador de 20 bits para cuantizar la señal,
la resolución sería mayor y, por lo tanto, el error rms 𝜎 sería
menor que con un cuantizador de 10 bits.
La fórmula para calcular el error rms es:
𝜎 = 𝑉𝑝 / √(12 ∗ 2^(2𝐵))
Donde 𝑉𝑝 es el rango de amplitud de la señal (16 V) y 𝐵 es el
número de bits del cuantizador (20 en este caso).

En términos de Hz, la frecuencia de muestreo mínima Sustituyendo los valores:

necesaria sería: 16 𝑉
𝜎 = =
√12 ∗ 22∗20
frecuencia de muestreo >= 2 ∗ 17.1𝑘𝜋 / (2𝜋) = 17.1 𝑘𝐻𝑧 16 𝑉
Por lo tanto, la frecuencia de muestreo debe ser al menos de = ≈ 0.293 𝑛𝑉
17.1 kHz para evitar el fenómeno de aliasing. √12 ∗ 240

Por lo tanto, con un cuantizador de 20 bits, el error rms sería

Cuantización
El número de niveles 𝐿 de los cuantizadores utilizados en un
convertidor analógico digital (ADC) es una potencia de 2. Por
lo tanto 𝐿 = 2𝐵 , donde B es el número de bits
Ejercicio 1
Se va a muestrear una señal con niveles de amplitud entre - 8V
y 8V, y se va a cuantizar por redondeo con un error rms 𝜎 =
17 𝑚𝑉
𝐷 = 8𝑣 − (−8𝑣)
𝐷 = 16𝑣
Niveles de cuantización
𝐿 = 2𝐵
Para determinar la cantidad de bits 𝐵 necesarios para cuantizar
la señal por redondeo con un error 𝑟𝑚𝑠 𝜎 = 17 𝑚𝑉, se puede
utilizar la fórmula:
𝐵 = 𝑙𝑜𝑔2(𝑉𝑝/𝜎)
Donde 𝑉𝑝 es el rango de amplitud de la señal, que en este caso
es 16 V (8 V positivos y 8 V negativos).
Entonces, sustituyendo los valores:
𝐵 = 𝑙𝑜𝑔2(16 𝑉/17 𝑚𝑉) = 𝑙𝑜𝑔2(941.1765) = 9.88
Por lo tanto, se necesitan al menos 10 bits para cuantizar la
señal por redondeo con un error rms de 17 mV. Es importante
tener en cuenta que, en la práctica, se suele redondear a una
potencia de 2 más cercana, por lo que en este caso se
utilizarían 10 bits.
¿Si el cuantizador ahora es de 20 bits, cual sería su error rms
𝜎?
de aproximadamente 0.293 𝑛𝑉, lo que representa una mejora
significativa en la precisión de la cuantización en comparación
con el cuantizador de 10 bits.
Las señales 𝑥[𝑛] 𝑦 𝑥𝑞 [𝑛] 𝑠𝑜𝑛:
𝑥 [𝑛] = {0.7,0.8, 1.5, 7.0, 3.4, 6.8, 3.0, 7.4}
𝑥𝑞 [𝑛] = {0.6, 0.6, 1.4, 5.7, 6.6, 5.3, 2.7, 6.9}
¿Cuál es la señal de error 𝑒(𝑛)?
𝑒[𝑛] = {0.1, 0.2, 0.1, 1.3, −3.2, 1.5, 0.3, 0.5}
En este caso, podemos calcular la potencia de la señal de ruido
y la potencia de la señal muestreada utilizando las siguientes
fórmulas:
La potencia de una señal 𝑥[𝑛] se calcula como:
1
𝑃𝑥 = ( ) ∗ 𝛴|𝑥[𝑛]|2
𝑁
La potencia de una señal de error 𝑒[𝑛] se calcula como:
1
𝑃𝑒 = ( ) ∗ 𝛴|𝑒[𝑛]|2
𝑁
Donde 𝑁 es el número de muestras de la señal.
Sustituyendo los valores de las señales dadas, tenemos:
Potencia de la señal muestreada 𝑥𝑞[𝑛]:
1
𝑃𝑥𝑞 = ( ) ∗ (0.62 + 0.62 + 1.42 + 5.72 + 6.62 + 5.32
8
+ 2.72 + 6.92 ) = 25.165
Potencia de la señal de error 𝑒[𝑛]:
𝑒[0] = 0.7 - 0.6 = 0.1
 1031158969 5

𝑒[1] = 0.8 − 0.6 = 0.2 𝑗2𝜋(1)(0) 𝑗2𝜋(1)(1)

(− ) (− )
𝑥[𝑘] = 𝑥[0]𝑒 3 + 𝑥[1]𝑒 3
𝑒[2] = 1.5 − 1.4 = 0.1 𝑗2𝜋(1)(2)
𝑒[3] = 7.0 − 5.7 = 1.3 (− )
+ 𝑥[2]𝑒 3
𝑒[4] = 3.4 − 6.6 = −3.2
𝑒[5] = 6.8 − 5.3 = 1.5 (−
𝑗2𝜋
) (−
𝑗4𝜋
)
𝑒[6] = 3.0 − 2.7 = 0.3 𝑥[𝑘] = 𝑥[0] + 𝑥[1]𝑒 3 + 𝑥[2]𝑒 3

𝑒[7] = 7.4 − 6.9 = 0.5

−𝑗2𝜋 −𝑗4𝜋
( ) ( )
𝑥[𝑘] = 9 + 6𝑒 3 + 9𝑒 3
1
𝑃𝑒 = ( ) ∗ (0.12 + 0.22 + 0.12 + 1.32 + (−3.2)2 + 1.52
8
+ 0.32 + 0.52 ) = 4.083 1 √3 1 −√3
𝑥(𝑘1 ) = 9 + 6 (− − 𝑗 ( )) + 9 [− − 𝑗 ( )]
2 2 2 2
Por tanto, la potencia de la señal probada es 25,165 y la
potencia de la señal de error es 4,083. La potencia de la señal 6 √3 5 −√3
𝑥(𝑘1 ) = 9 − − 6𝑗 ( ) − 5 − − 5𝑗 ( )
de ruido no se puede determinar a partir de los datos 2 2 2 2
proporcionados porque la señal de ruido no se especifica en el 3 √3 −√3
proceso de muestreo y cuantificación. 𝑥(𝑘1 ) = − 𝑗 (9 −6 )
2 2 2
𝑥(𝑘1 ) = 1.5 + 𝑗2.598076211

𝐾=2
Realice el algoritmo de la Transformada Discreta de Fourier,
en este debe estar planteada la sumatoria de la transformada 𝑗2𝜋(2)(0) 𝑗2𝜋(2)(1)
(− ) (− )
con dos ciclos for. Dicho algoritmo se realizará para una señal 𝑥[𝑘] = 𝑥[0]𝑒 3 + 𝑥[1]𝑒 3
de longitud de tres (3) muestras. Los tres valores de las (−
𝑗2𝜋(2)(2)
)
+ 𝑥[2]𝑒 3
muestras corresponden a los tres últimos números del
documento de identificación, por ejemplo, si mi cédula es
𝑗4𝜋 𝑗8𝜋
80765437, entonces el algoritmo se hará para la señal x[n] = 𝑥[𝑘] = 𝑥[0] + 𝑥[1]𝑒
(−
3
)
+ 𝑥[2]𝑒
(−
3
)
[4 3 7]. Para desarrollar esta parte el estudiante podrá utilizar
Matlab, Octave Online, o Scilab.
−𝑗2𝜋 −𝑗4𝜋
( ) ( )
Transformada de Fourier 𝑥[𝑘] = 9 + 6𝑒 3 + 9𝑒 3

Cedula:1031158969 1 √3 1 √3
Señal 𝑥[𝑛] = [9,6,9] 𝑥[𝑘] = 9 + 6 (− ) − 6𝑗 (− ) + 9 (− ) − 9𝑗 ( )
2 2 2 2
√3 √3
𝐾𝑜 = 9 𝐾1 = 6 𝐾2 = 9 𝑥[𝑘] = 9 − 3 + 6𝑗 ∗ − 4,5 − 9𝑗 ∗
2 2
𝑛=1
𝑗2𝜋𝑘𝑛
𝑥[𝑘] = ∑ 𝑥 [𝑛]𝑒 (− 𝑁
) √3 √3
𝑥[𝑘] = 8 − 1 + 2𝑗 ∗ − 4,5 − 9𝑗 ∗
𝑛=0 2 2
Resolvemos 9√3 6√3
𝑥[𝑘] = 1.5 + 𝑗 (− + )
2 2
𝑥[𝑘] = 1.5 + 𝑗2.598076211
Para 𝐾 = 0

𝑗2𝜋(0)(0) 𝑗2𝜋(0)(1)
(− ) (− ) Demostrar en Matlab
𝑥[𝑘] = 𝑥[0]𝑒 3 + 𝑥[1]𝑒 3
𝑗2𝜋(0)(2)
+ 𝑥[2]𝑒 (− 3 )

𝐾 = 𝑥[0] = ∑ 𝑥[𝑛] = 9 + 6 + 9

𝐾 = 𝑥[0] = 24 + 0𝑗

Para 𝑘 = 1
 1031158969 6

com.bibliotecavirtual.unad.edu.co/ps/i.do?p=GVRL&
u=unad&id=GALE|CX4060300152&v=2.1&it=r&si
d=GVRL&asid=63c52a5d
García Martínez, M. (05,07,2017). Procesamiento Digital de
Señales - Transformada Discreta de Fourier. [OVI].
Recuperado de http://hdl.handle.net/10596/12519

https://youtu.be/j3LeNH-2KIM

Conclusiones

La Transformada Rápida de Fourier es un algoritmo para el

calculo de la transformada discreta de Fourier basado en la
división del tiempo, eliminando así gran parte de los cálculos
repetitivos que hay que llevar a cabo si se desea resolver la TFD
de forma directa. Si hacemos una comparación del costo de los
dos métodos, el cálculo directo de la TFD y la FFT podemos
observar el factor de mejora que brinda.

BIBLIOGRAFIA

• Ambardar, A. (2002). Muestreo Ideal. En

Procesamiento de señales analógicas y digital (2nd ed.,
pp. 446-455). Ciudad de México, México: Cengage
Learning. Recuperado de https://go-gale-
com.bibliotecavirtual.unad.edu.co/ps/i.do?p=GVRL&
u=unad&id=GALE|CX4060300145&v=2.1&it=r&si
d=GVRL&asid=495113b6
• Ambardar, A. (2002). Muestreo, Interpolación y
Recuperación de la Señal. En Procesamiento de
señales analógicas y digitales (2nd ed., pp. 456-460).
Ciudad de México, México: Cengage Learning.
Recuperado de https://go-gale-
com.bibliotecavirtual.unad.edu.co/ps/i.do?p=GVRL&
u=unad&id=GALE|CX4060300146&v=2.1&it=r&si
d=GVRL&asid=44cdb0b2
• Ambardar, A. (2002). Cuantización. En
Procesamiento de señales analógicas y digitales (2nd
ed., pp. 460-464). Ciudad de México, México:
Cengage Learning. Recuperado de https://go-gale-
com.bibliotecavirtual.unad.edu.co/ps/i.do?p=GVRL&
u=unad&id=GALE|CX4060300147&v=2.1&it=r&si
d=GVRL&asid=80fe31fe
• Ambardar, A. (2002). Transformada de Fourier de
Tiempo Discreto. En Procesamiento de señales
analógicas y digitales (2nd ed., p. 482). Ciudad de
México, México: Cengage Learning. Recuperado
de https://go-gale-