Tarea 2 – Reconocer los elementos matemáticos del

sistema de conversión analógica digital

Mayerly Meneses Muñoz
Universidad Nacional Abierta y a Distancia UNAD
Ingeniería de Telecomunicaciones
Tratamiento Digital de Señales Grupo-19
Popayán, Cauca
Menesesmu@unadvirtual.edu.co

Abstract — In the following report we will find the
conceptualization of some issues related to digital conversion,
which are necessary for the development of the activity, on the
other hand, mathematical exercise according to, quantization,
sample and discrete Fourier transform by algorithm.
valor del nivel más cercano. De esta forma, se convierte la señal
analógica en una señal digital, donde cada muestra se representa
por un valor discreto que corresponde al nivel de cuantización al
que ha sido asignado. [3]

Keywords — Quantization, sampling, discrete Fourier

Transform, Frequency, signal noise.

I. INTRODUCCION
Se sabe que el tratamiento digital de señales implica el
análisis y la manipulación de datos que contienen señales,
incluyendo la conversión analógica a digital. Este proceso
implica trabajar en los dominios de la frecuencia y el tiempo
mediante operaciones y funciones matemáticas. En este
informe, se aborda la conceptualización a través de preguntas
relacionadas con la fase 2, así como el desarrollo de los
ejercicios de muestreo y cuantización planteados en esta unidad.
II. CONCEPTUALIZACION DE PREGUNTAS
¿A qué se refiere el muestreo de una señal analógica?
Se trata de un proceso mediante el cual se obtiene un
conjunto de valores discretos, conocidos como muestras, a
partir de una señal continua analógica (caracterizada por tener
tanto su tiempo como su amplitud de forma continua). La
conversión a señal digital implica que tanto el tiempo como la
amplitud de la señal se vuelven discretos. Este proceso se
realiza en intervalos uniformes de tiempo, denominados
periodo de muestreo f(s). Por lo tanto, la frecuencia de muestreo
es el inverso de este periodo. [1]
Figura 2. Formas de cuantizar la señal. [3]
¿Qué indica el teorema de muestreo de Nyquist?
El teorema de muestreo de Nyquist establece que, para poder
reconstruir una señal continua de forma precisa a partir de sus
muestras digitales, la frecuencia de muestreo 𝑓(𝑠) debe ser al
menos el doble de la frecuencia máxima presente en la señal
continua. En otras palabras, la frecuencia de muestreo debe ser
mayor o igual a dos veces la frecuencia máxima de la señal
analógica para evitar la aparición de aliasing y garantizar una
reconstrucción fiel de la señal original, también menciona que
se puede rescatar la señal inicial por medio de los valores
discretos en el muestreo si es de manera uniforme a cierta
frecuencia doble de la frecuencia alta de la señal como el
siguiente ejemplo:
Tenemos que la señal analógica 𝑥𝑎 (𝑡) → 𝐹𝑚𝑎𝑥 = 𝐵 por lo
que la señal de muestra 𝐹𝑠 > 2 ∗ 𝐹𝑚𝑎𝑥 = 2𝐵 , rescatando lo
mencionado mediante la función [4] [5]
sin (2𝜋𝐵𝑡)
𝑔(𝑡) =
2𝜋𝐵𝑡

¿Cuál es el fenómeno llamada Alias o Aliasing?

Figura 1. Señal analógica muestreada. [2]
¿Como se realiza la cuantización de una señal?
La cuantización de una señal se realiza asignando un valor
discreto a cada muestra de la señal continua. Este proceso
implica dividir el rango de amplitudes posibles de la señal en un
número finito de niveles discretos y asignar a cada muestra el
Aliasing es un fenómeno no deseado que ocurre en el
proceso de muestreo de una señal analógica, especialmente en el
ámbito de la digitalización de señales. Se genera cuando la
frecuencia de muestreo es demasiado baja en relación con la
frecuencia de la señal de entrada, lo que provoca que se
produzcan errores en la reconstrucción de la señal original.
Cuando la frecuencia de muestreo es insuficiente para
capturar adecuadamente las variaciones rápidas de la señal
analógica, se producen componentes de frecuencia falsos en la
señal digitalizada. Estos componentes falsos se conocen como
"alias" y pueden distorsionar la señal original, dando lugar a Segundo componente 𝑥(𝑡)
información errónea o artefactos no deseados en la señal digital
resultante. [6] [7] 3𝑐𝑜𝑠(418𝜋𝑡) ⅆ𝑜𝑛ⅆⅇ 𝜔 = 418 𝜋
¿Qué realiza la transformada de Fourier?
2𝜋𝑓2 = 418 𝜋
La Transformada de Fourier se utiliza para descomponer una
señal en sus componentes de frecuencia, permitiendo analizar el 418 𝜋
contenido espectral de la señal en el dominio de la frecuencia. 𝑓2 =
2𝜋
En el caso específico de la Transformada de Fourier de Tiempo
Discreto, se aplica a señales discretas en el tiempo, como las 𝑓2 = 209 𝐻𝑧
señales digitales, y proporciona información sobre las
frecuencias presentes en esa señal discreta. La Transformada de
Fourier es una herramienta fundamental en el procesamiento de Tercer componente 𝑥(𝑡)
señales para el análisis y la manipulación de señales en
diferentes dominios. [8] 2 cos(1350𝜋𝑡) ⅆ𝑜𝑛ⅆⅇ 𝜔 = 1350𝜋

Transformación continua 2𝜋𝑓3 = 1350𝜋

∞
𝑥(𝑗𝑤) = ∫ 𝑥(𝑡)ⅇ −2𝜋𝑓𝑡 ⅆ𝑡 1350𝜋
−∞ 𝑓3 =
Transformada discreta 2𝜋
∞
−𝑗2𝜋𝑘𝑛
𝑋(𝑘) = ∑ 𝑥(𝑛)ⅇ 𝑁 𝑓3 = 675 𝐻𝑧
𝑛=−∞
Cuarto componente 𝑥(𝑡)

¿Qué es la transformada rápida de Fourier? 3𝑠ⅇ𝑛(7800𝜋𝑡) ⅆ𝑜𝑛ⅆⅇ 𝜔 = 7800𝜋

La Transformada Rápida de Fourier (FFT, por sus siglas en
inglés) es un algoritmo eficiente para calcular la Transformada
de Fourier Discreta (DFT) de una secuencia de datos. En lugar
de realizar los cálculos de la DFT de manera directa, la FFT
aprovecha la estructura periódica de las funciones sinusoidales
para reducir significativamente el número de operaciones
necesarias, lo que la convierte en una herramienta fundamental
en el procesamiento de señales y análisis espectral. La FFT es
ampliamente utilizada en diversos campos, incluyendo
procesamiento de señales, comunicaciones, procesamiento de
imágenes, entre otros. [10]
III. Ejercicios
Ejercicio 2 Muestreo
𝑠𝑖ⅇ𝑛ⅆ𝑜 𝑥(𝑡) = 5 𝑠ⅇ𝑛(38𝜋𝑡) + 3𝑐𝑜𝑠(418𝜋𝑡)
+ 2 cos(1350𝜋𝑡) + 3𝑠ⅇ𝑛(7800𝜋𝑡)
3.1 Encuentre las frecuencias 𝑓0 de cada una de las
componentes de la señal 𝑥(𝑡)
Primer componente 𝑥(𝑡)
𝑓0 =?
5 𝑠ⅇ𝑛(38𝜋𝑡) ⅆ𝑜𝑛ⅆⅇ 𝜔 = 38𝜋
2𝜋𝑓1 = 38𝜋
2𝜋𝑓4 = 7800𝜋
7800𝜋
𝑓4 =
2𝜋
𝑓4 = 3900 𝐻𝑧
3.2 ¿Se presenta fenómeno alias o aliasing si 𝑥(𝑡) es
muestreada a 𝑠 = 1000 𝐻𝑧 ? explique paso a paso y si presenta
alias, encuentre la frecuencia 𝑓𝑎 y reconstruya la señal 𝑥𝑎 (𝑡)
Recordemos para que no se presente el fenómeno de alias
según el teorema de Nyquist menciona que 𝑆 sea 2 veces mayor
a la frecuencia de cada una de la señal muestredada.
𝑠 ≥ 2𝑓0 o Tambien 𝑠 ≥ 2𝑓𝑚𝑎𝑥
Donde tenemos que la frecuencia máxima del ejercicio 1 es
𝑓4 = 3900 𝐻𝑧
1000 𝐻𝑧 ≥ 2(3900)
1000 𝐻𝑧 ≥ 7800 𝐻𝑧 𝐴𝑞𝑢𝑖 𝑠ⅇ 𝑝𝑟ⅇ𝑠ⅇ𝑛𝑡𝑎 𝐴𝑙𝑖𝑎𝑠
Podemos apreciar que se presenta el fenómeno de alias
porque la frecuencia de muestreo es 1000 Hz que es más baja
que el resultado 7800 Hz, así que no cumple con el teorema de
Nyquist.
Tambien se realiza el ejercicio con las demás componentes

38𝜋 1000 𝐻𝑧 ≥ 2(19)

𝑓1 =
2𝜋 1000 𝐻𝑧 ≥ 38 𝐻𝑧 𝑁𝑜 𝑠ⅇ 𝑝𝑟ⅇ𝑠ⅇ𝑛𝑡𝑎 𝐴𝑙𝑖𝑎𝑠

𝑓1 = 19 𝐻𝑧 1000 𝐻𝑧 ≥ 2(209)
1000 𝐻𝑧 ≥ 418 𝐻𝑧 𝑁𝑜 𝑠ⅇ 𝑝𝑟ⅇ𝑠ⅇ𝑛𝑡𝑎 𝐴𝑙𝑖𝑎𝑠
 1000 𝐻𝑧 ≥ 2(675) 𝑓𝑎 = 3900 − 𝑁(6600)
1000 𝐻𝑧 ≥ 1350 𝐻𝑧 𝑆ⅇ 𝑝𝑟ⅇ𝑠ⅇ𝑛𝑡𝑎 𝐴𝑙𝑖𝑎𝑠 𝑓𝑎 = 3900 − 6600
Fenómeno Alias para hallar 𝑓𝑎 𝑓𝑎 = −2700
Utilizando 𝑓4 = (3900) reconstruyendo la señal 𝑥𝑎 (𝑡)
𝑓𝑎 = 𝑓0 − 𝑁𝑓𝑠 𝑥(𝑡) = 5 𝑠ⅇ𝑛(2𝜋 19𝑡) + 3𝑐𝑜𝑠(2𝜋 209𝑡) + 2 cos(2𝜋 675𝑡)
+ 3𝑠ⅇ𝑛(2𝜋(−2700)𝑡)
𝑓𝑎 = 3900 − 𝑁(1000)
Donde 𝑁 = 4
3.4 Halle la frecuencia de muestreo para que la señal 𝑥(𝑡)
𝑓𝑎 = 3900 − 𝑁(1000) no presente fenomeno alias.
𝑓𝑎 = 3900 − 4000 𝑓𝑠 ≥ 2(3900) → 𝑓𝑠 ≥ 7800
𝑓𝑎 = −100 Ejercicio 2 Cuantización
Utilizando 𝑓3 = (1350) Se va a muestrear una señal con niveles de amplitud entre
𝑓𝑎 = 𝑓0 − 𝑁𝑓𝑠 −6.7𝑉 𝑦 6.7𝑉, y se va a cuantizar por redondeo con un error
rms 𝜎 = 9 𝑚𝑉
𝑓𝑎 = 675 − 𝑁(1000)
4.1 ¿Cuantos bits B se requieren?
Donde 𝑁 = 1
𝐼𝑛𝑡ⅇ𝑟𝑣𝑎𝑙𝑜 ⅆⅇ ⅇ𝑠𝑐𝑎𝑙𝑎 𝐷
𝑓𝑎 = 675 − 𝑁(1000)
𝐷 = 𝑉+ − 𝑉−
𝑓𝑎 = 675 − 1000
𝐷 = 6.7𝑉 − (−6.7𝑉)
𝑓𝑎 = 325
𝐷 = 13.4𝑉
𝜎 = 9 𝑚𝑉 = 0.009𝑉
reconstruyendo la señal 𝑥𝑎 (𝑡)
Se tiene en cuenta las formulas
𝑥(𝑡) = 5 𝑠ⅇ𝑛(2𝜋 19𝑡) + 3𝑐𝑜𝑠(2𝜋 209𝑡) + 2 cos(2𝜋(325)𝑡)
∆ 𝐷 𝐷
+ 3𝑠ⅇ𝑛(2𝜋(−100)𝑡) 𝜎= ∆= 𝐿= 𝐿 = 2𝐵
√12 𝐿 ∆
3.3 Se presenta el fenómeno alias o aliasing si 𝑥(𝑡) es ∆= 𝜎√12
muestreada a 𝑠 = 6600 𝐻𝑧? Explique paso a paso y si presenta
alias, encuentre la frecuencia 𝑓𝑎 y reconstruya la señal 𝑥𝑎 (𝑡) ∆= 0.009𝑣√12

𝑠 ≥ 2𝑓0 o Tambien 𝑠 ≥ 2𝑓𝑚𝑎𝑥 ∆= 0.0311 𝑉

Realizamos con cada uno de los componentes. 𝑁𝑖𝑣ⅇ𝑙 ⅆⅇ 𝑐𝑢𝑎𝑛𝑡𝑖𝑧𝑎𝑐𝑖𝑜𝑛 𝐿

6600 𝐻𝑧 ≥ 2(19) 𝐷
𝐿=
∆
6600 𝐻𝑧 ≥ 38 𝐻𝑧 𝑁𝑜 𝑠ⅇ 𝑝𝑟ⅇ𝑠ⅇ𝑛𝑡𝑎 𝐴𝑙𝑖𝑎𝑠
13.4 𝑉
6600 𝐻𝑧 ≥ 2(209) 𝐿= = 430.868
0.0311𝑉
6600 𝐻𝑧 ≥ 418 𝐻𝑧 𝑁𝑜 𝑠ⅇ 𝑝𝑟ⅇ𝑠ⅇ𝑛𝑡𝑎 𝐴𝑙𝑖𝑎𝑠 𝐿 = 2𝐵
6600 𝐻𝑧 ≥ 2(675) 430.868 = 2𝐵
6600 𝐻𝑧 ≥ 1350 𝐻𝑧 𝑁𝑜 𝑠ⅇ 𝑝𝑟ⅇ𝑠ⅇ𝑛𝑡𝑎 𝐴𝑙𝑖𝑎𝑠 Utilizando propiedades del logaritmo
6600 𝐻𝑧 ≥ 2(3900) 2𝐵 = 430.868
6600 ≥ 7800 𝐻𝑧 𝐴𝑞𝑢𝑖 𝑠ⅇ 𝑝𝑟ⅇ𝑠ⅇ𝑛𝑡𝑎 𝐴𝑙𝑖𝑎𝑠 log 𝑎𝑏 = 𝑏 log 𝑎
log 2𝐵 = log(430.868)
Fenómeno Alias para hallar 𝑓𝑎 𝐵 𝑙𝑜𝑔2 = log (430.868)
Utilizando 𝑓4 = (3900) log(430.868)
𝐵=
𝑓𝑎 = 𝑓0 − 𝑁𝑓𝑠 log 2
𝑓𝑎 = 3900 − 𝑁(6600) 𝐵 = 8.75 = 9 𝐵𝑖𝑡𝑠
Donde 𝑁 = 1
 4.2 ¿Si el cuantizador ahora es de 9 Bits, cual sería su error 𝑃𝑁 = 10.47 𝑐𝑜𝑛 𝑃𝑥[𝑛] = 36.34
rms 𝜎?
Se tiene en cuenta las formulas 𝑃𝑠
𝑆𝑁𝑅(ⅆ𝐵) = 10 log ( )
𝜎=
∆
∆=
𝐷
𝐿 = 2𝐵 𝑃𝑁
√12 𝐿

𝐷 13.4 36.34
∆= = 9 𝑆𝑁𝑅(ⅆ𝐵) = 10 log ( )
𝐿 2 10.47
∆= 2.62 ∗ 10−2 𝑉
𝑆𝑁𝑅(ⅆ𝐵) = 5.4
∆ 2.62 ∗ 10−2 𝑉
𝜎= = Transformada discreta de Fourier
√12 √12
El estudiante debe realizar la TDF con los últimos tres
𝜎 = 0.756 ∗ 10−2 𝑉 = 7.56 𝑚𝑉
dígitos de su documento de identidad, con base a la ecuación de
sumatoria del OVI.
Las señales 𝑥[𝑛] y 𝑥𝑞 [𝑛] son: 1010145863
𝑥[𝑛] = {1.5, −0.8, 6.5, −5.0, 4.7, 3.5, 6.6, −5.8} 𝑥(𝑛) = [8 6 3]
𝑥𝑞 [𝑛] = {0.9, −0.7, 6.3, −5.1, 4.5, −3.7, 6.5, −5.6} ∞
−𝑗2𝜋𝑘𝑛
4.3 ¿Cuál es la señal de error e(n)? 𝑋(𝑘) = ∑ 𝑥(𝑛)ⅇ 𝑁
𝑛=−∞
Resta punto a punto de 𝑥[𝑛] con 𝑥𝑞 [𝑛] Para 𝐾 = 0
−𝑗2𝜋(0)(0)
−𝑗2𝜋(0)(1) −𝑗2𝜋(0)(2)
𝑥𝑒 (𝑛) = {0.6, −0.1, 0.2, 0.1, 0.2,7.2 , 0.1, −0.2} 𝑥(𝐾0 ) = 𝑥(0)ⅇ 3 + 𝑥(1)ⅇ + 𝑥(2)ⅇ
3 3
4.4 ¿Cuál es la potencia de la señal de ruido?
𝑥(𝐾0 ) = 𝑥(0)ⅇ 0 + 𝑥(1)ⅇ 0 + 𝑥(2)ⅇ 0
Se tiene en cuenta la siguiente sumatoria
𝑁−1 𝑥(𝐾0 ) = 8 + 6 + 3
1
𝑃𝑁 = ∑ ⅇ 2 (𝑛)
𝑁 𝑥(𝐾0 ) = 17 + 0𝑗
𝑛=0
1 Para 𝐾 = 1
𝑃𝑁 = ((0.6)2 + (0.1)2 + (0.2)2 + (0.1)2 + (0.2)2
5 −𝑗2𝜋(1)(0) −𝑗2𝜋(1)(1) −𝑗2𝜋(1)(2)
+ (7.2)2 + (0.1)2 + (−0.2)2 ) 𝑥(𝐾1 ) = 𝑥(0)ⅇ 3 + 𝑥(1)ⅇ 3 + 𝑥(2)ⅇ 3

1 −𝑗2𝜋 −𝑗4𝜋
𝑃𝑁 = (52.35) 𝑥(𝐾1 ) = 𝑥(0)ⅇ 0 + 𝑥(1)ⅇ 3 + 𝑥(2)ⅇ 3
5
−𝑗2𝜋 −𝑗4𝜋
52.35 𝑥(𝐾1 ) = 8 + 6ⅇ 3 + 3ⅇ 3
𝑃𝑁 =
5 2𝜋 2𝜋
𝑃𝑁 = 10.47 𝑥(𝐾1 ) = 8 + 6 (𝐶𝑜𝑠 ( ) − 𝑗𝑠𝑖𝑛 ( ))
3 3
4.5 ¿Cuál es la potencia de la señal de muestreada? 4𝜋 4𝜋
+ 3 (𝑐𝑜𝑠 ( ) − 𝑗𝑠𝑖𝑛 ( ))
3 3
N−1 1 √3 1 √3
1 𝑥(𝐾1 ) = 8 + 6 (− − 𝑗 ) + 3 (− + 𝑗 )
PN = ∑ e2 (n) 2 2 2 2
N
n=0
1 6 6√3 3 3√3
𝑃𝑥[𝑛] = ((1.5)2 + (−0.8)2 + (6.5)2 + (−5.0)2 + (4.7)2 𝑥(𝐾1 ) = 8 − − 𝑗− + 𝑗
5 2 2 2 2
+ (3.5)2 + (6.6)2 + (−5.8)2 ) 7 3√3
1 𝑥(𝐾1 ) = − 𝑗
2 2
𝑃𝑥[𝑛] = (181.68)
8 Para 𝐾 = 2
𝑃𝑥[𝑛] = 36.34 −𝑗2𝜋(2)(0) −𝑗2𝜋(2)(1) −𝑗2𝜋(2)(2)
𝑥(𝐾2 ) = 𝑥(0)ⅇ 3 + 𝑥(1)ⅇ 3 + 𝑥(2)ⅇ 3
4.6 ¿Cuál es la relación señal ruido del cuantizador 𝑆𝑁𝑅𝑄 ? −𝑗4𝜋 −𝑗8𝜋
Tenemos 𝑥(𝐾2 ) = 𝑥(0)ⅇ 0 + 𝑥(1)ⅇ 3 + 𝑥(2)ⅇ 3

−𝑗4𝜋 −𝑗8𝜋
𝑥(𝐾1 ) = 8 + 6ⅇ 3 + 3ⅇ 3
 4𝜋 4𝜋 Ma(K+1)=Ma(K+1)+vec(x+1)*exp((-
𝑥(𝐾1 ) = 8 + 6 (𝐶𝑜𝑠 ( ) − 𝑗𝑠𝑖𝑛 ( )) j*2*pi/num)*(x*K)); % Aqui realiza la
3 3
8𝜋 8𝜋 sumatoria de la transformada
+ 3 (𝑐𝑜𝑠 ( ) − 𝑗𝑠𝑖𝑛 ( )) end
3 3
end
1 √3 1 √3 disp(Ma) % Aqui nos arroja el resultado de la
𝑥(𝐾2 ) = 8 + 6 (− + 𝑗 ) + 3 (− + 𝑗 ) transformada FFT de Ma(K)
2 2 2 2
6 6√3 3 3√3
𝑥(𝐾2 ) = 8 − − 𝑗− + 𝑗
2 2 2 2
7 3√3
𝑥(𝐾2 ) = − + 𝑗
2 2
Por lo tanto, la transformada discreta de Fourier queda
7 3√3 7 3√3
𝑋(𝑘) = 17 + 0𝑗 + − 𝑗+ + 𝑗
2 2 2 2

Figura 4. Algoritmo transformado Fourier en Matlab

V. VIDEO DE LA TRANSFORMADA DISCRETA DE
FOURIER
Link: https://youtu.be/OdERY9mZN58
VI. INVESTIGUE SOBRE EL RANGO DE
FRECUENCIAS QUE EL OÍDO HUMANO ES CAPAZ DE
Figura 3. Verificación transformada Fourier ESCUCHAR.
IV. ALGORITMO DE LA TRANSFORMADA DE Frecuencia de Rango de
FOURIER EN MATLAB muestreo 𝐹𝑠 frecuencias
%Universidad Nacional Abierta y a Distancia - Oído humano 40 𝐾𝐻𝑧 20𝐻𝑧 ℎ𝑎𝑠𝑡𝑎 20𝐾𝐻𝑧
UNAD
Tabla 1. Frecuencias oido Humano [9]
%Mayerly Meneses
%Periodo 16-01 de 2024 Aquí se evidencia cómo el oído humano percibe tonos en un
%Tratamiento Digital de señales rango que va desde 20 Hz hasta 20 kHz. Estas son las
%Tarea 2 frecuencias dentro de las cuales el oído se encuentra cómodo,
según el espectro audible. Sin embargo, es importante tener en
cuenta que este rango puede variar debido a factores como la
%Transformada de Fourier FFT edad o enfermedades de la persona. Se clasifica que los sonidos
que están por debajo de los 20 Hz se consideran infrasonidos,
clc % Borra la pantalla del comand windows mientras que aquellos que están por encima de los 20 kHz se
clear all % Borra líneas del código en conocen como ultrasonidos. La frecuencia de los sonidos se
espacio de trabajo mide en Hz, mientras que la intensidad se expresa en dB.[9]
close all % Cierra ventanas abiertas
vec = input ('Digite los valores del vector
en corchetes : ') % Aqui se define el vector
para la FFT
num = length (vec); % Aqui es la cantidad de
muestras
Ma = zeros (num,1); % Aqui se define la
Matriz con columnas y filas
for K=0:num-1 % Se inicia el bucle desde k=0
hasta num=-1
for x=0:num-1 % Aqui empieza a
ejecutarse desde x=0 hasta num=-1 cambiando
num con valores de K

Figura 5. Espectro de audición comparación [9]

 [5] Shannon, C.(1949). Comunication in the presence of noise, institute of
radio Engineers, volumen 37, No.1, paginas 10- 21.
VII. INVESTIGUE SOBRE EL RANGO DE [6] Nyquist, H. (1928). Certain topics in telegraph transmission theory.
FRECUENCIAS DE INSTRUMENTOS MUSICALES. Transactions of the American Institute of Electrical Engineers, 47(2), 617-
644.
Se selecciona el valor de la frecuencia más alta de cada
[7] Shannon, C. E. (1949). Communication in the presence of noise.
instrumento en armónicos y se multiplica por 2 según el Proceedings of the Institute of Radio Engineers, 37(1), 10-21.
teorema de Nyquist para encontrar la frecuencia de muestreo
[8] Ambardar, A. (2002). Transformada de Fourier de Tiempo Discreto. En
mínima. Por ejemplo, en el caso de un bajo acústico con una Procesamiento de señales analógicas y digitales (2nd ed., p. 482). Ciudad
frecuencia de armónicos más alta de 5 kHz, al aplicar el teorema de México, México: Cengage Learning. Sitio web: de https://go-gale-
mencionado (5 kHz * 2 = 10 kHz), se determina que es un com.bibliotecavirtual.unad.edu.co/ps/i.do?p=GVRL&u=unad&id=GAL
instrumento del tipo infrasonido, donde esa frecuencia mínima E|CX4060300152&v=2.1&it=r&sid=GVRL&asid=63c52a5d
es audible para el oído humano. [9] Garcia , M. (2017). Procesamiento Digital de señales. Transformada
discreta de Fourier.
Instrumento Frecuencia de Rango de [10] Matlab. (2016). Transformada rapida de Fourier.
muestreo 𝐹𝑠 frecuencias http://www.sc.ehu.es/sbweb/fisica3/datos/fourier/fourier_1.html
Bajo acústico 10 𝐾𝐻𝑧 1 ℎ𝑎𝑠𝑡𝑎 5 𝐾𝐻𝑧 [11] Oir Vital. (2017). ¿Cuales son los limites del oido humano?. Centro
auditivo. https://www.oirvital.com/cuales-los-limites-del-oido-humano/
Clarinete 20 𝐾𝐻𝑧 2𝐻𝑧 ℎ𝑎𝑠𝑡𝑎 10𝐾𝐻𝑧 [12] HyperPhysics.(2017).Rangos de reproducción de instrumentos. Sitio
web: http://hyperphysics.phy-astr.gsu.edu/hbasees/Music/orchins.html
Piano 16 𝐾𝐻𝑧 5𝐻𝑧 ℎ𝑎𝑠𝑡𝑎 8𝐾𝐻𝑧 [13] Soyus. (2002). Rango de frecuencia de los instrumentos musicales.
Hispasonic. Sitio web: https://www.hispasonic.com/reportajes/tabla-
Oboe 24 𝐾𝐻𝑧 2𝐻𝑧 ℎ𝑎𝑠𝑡𝑎 12𝐾𝐻𝑧 rango-frecuencias-instrumentos-musicales/39
violín 30 𝐾𝐻𝑧 4 ℎ𝑎𝑠𝑡𝑎 15 𝐾𝐻𝑧
Tabla 2. Frecuencias Instrumentos musicales [10]
CONCLUSIONES
Podemos concluir que la tecnología nos brinda herramientas
para la conversión de señales analógicas a digitales, lo que
permite la cuantización y el muestreo de señales. En el proceso
de amplitud, se utilizan valores analógicos muestreados para
representar una serie de valores de forma discreta que luego se
codifican en binario.
Además, al realizar ejercicios relacionados con la conversión
analógica a digital y aplicar los conceptos aprendidos en esta
unidad, se utilizó la transformada de Fourier para pasar del
dominio del tiempo al dominio de la frecuencia. Esto
demostró que matemáticamente desarrollado y mediante el
uso de software como Matlab, los resultados obtenidos son
similares y confiables.
REFERENCIAS

[1] Ambardar, A. (2002). Muestreo Ideal. En Procesamiento de señales

analógicas y digitales (2nd ed., pp. 446-455). Ciudad de México, México:
Cengage Learning. Sitio web: https://go-gale-
com.bibliotecavirtual.unad.edu.co/ps/i.do?p=GVRL&u=unad&id=GAL
E|CX4060300145&v=2.1&it=r&sid=GVRL&asid=495113b6
[2] Alonso A, Kuhlman F. (s.f.). II Señales, sistemas y sus caracteristicas.
Informacion y telecomunicaciones. Ilce.
http://bibliotecadigital.ilce.edu.mx/sites/ciencia/volumen3/ciencia3/149/
htm/sec_5.htm
[3] Ambardar, A. (2002). Cuantización. En Procesamiento de señales
analógicas y digitales (2nd ed., pp. 460-464). Ciudad de México, México:
Cengage Learning. Sitio web: https://go-gale-
com.bibliotecavirtual.unad.edu.co/ps/i.do?p=GVRL&u=unad&id=GAL
E|CX4060300147&v=2.1&it=r&sid=GVRL&asid=80fe31fe
[4] Nyquist, H.(1928). Certain topics in Telegraph transmission Theory.
Trans AIEE, volumen 47, paginas 617-674.