UNIVERSIDAD DE CONCEPCIÓN

FACULTAD DE INGENIERÍA
DEPARTAMENTO DE INGENIERÍA ELÉCTRICA

Tarea N° 1, Procesamiento digital de señales (549150)

Parte personal

Alumno:
Felipe Leyton Téllez

Carrera:
Ingeniería Civil en Telecomunicaciones

Docente:
Jorge E. Pezoa

Concepción 14 de septiembre de 2018

Índice

1. Teorema de muestreo y filtro anti-alias...……………………..……………………….... 3

2. Taxonomía de señales……………………..……………..…...……………………….... 7

3. Sistemas de adquisición y teorema de muestreo.………..…...……………………….... 8

4. Muestreo…………………………….………………………..……………………….... 9

5. Anexos…..……………………………………….......................................................... 11

6. Bibliografía…..……………………………………………………………………...… 16

2
Problema 1: Teorema de muestreo y filtro anti-alias

Considere el sistema de procesamiento de señales de la Figura 1. Los períodos de muestreo de los

convertidores A/D y D/A son 𝑇𝐴/𝐷 = 𝑇𝐷/𝐴 = 1/1200 𝑠. Grafique el espectro de magnitud de la
señal de entrada análoga, 𝑥𝑎 (𝑡), y determine de manera analítica la salida análoga del
sistema, 𝑦𝑎 (𝑡) = 𝐿𝑃𝐹{𝑥[𝑡𝑓𝐷/𝐴 ]}, si:

𝑥𝑎 (𝑡) = cos(2𝜋500𝑡) + cos(2𝜋800𝑡)

y LPF corresponde al filtro de salida que, una vez que reconstruye la señal, le aplica un pasabajos
con frecuencia de corte 𝐹𝑐 = 700 𝐻𝑧. Determine también las frecuencias discretas (o frecuencias
normalizadas) de las señales muestreadas. Responda ahora las siguientes preguntas: ¿existe
aliasing?, ¿qué valor tiene la folding frequency? ¿cuál es la frecuencia aparente si es que existe
aliasing?. Finalmente, dibuje el espectro de magnitud de la salida análoga del sistema.

Si ahora tanto el convertidor A/D como el D/A operan con un período de 𝑇𝐴/𝐷 = 𝑇𝐷/𝐴 =
1/2000 𝑠, repita todos los cálculos anteriores, responda a las mismas preguntas y grafique los
espectros resultantes para esta nueva condición.

NOTA: Recordar que la señal muestreada se obtiene mediante la definición: 𝑥[𝑛] ≜

𝑥𝑎 (𝑛𝑇𝐴/𝐷 ).Además, para el problema considerar que la reconstrucción se realiza mediante la
definición: 𝑦(𝑡) ≜ 𝑥[𝑓𝐷/𝐴 𝑡]

Figura 1: Sistema de procesamiento digital de señales.

Solución:

Parte I

Del enunciado tenemos que la frecuencia de muestreo es:

1 1
𝐹𝑠 = 𝐹𝐴/𝐷 = =
𝑇𝐴/𝐷 1
1200

𝐹𝑠 = 1200 𝐻𝑧

Ahora analizamos la señal continua 𝑥𝑎 (𝑡) para obtener las frecuencias asociadas:

𝑓1 = 500 𝐻𝑧

𝑓2 = 800 𝐻𝑧

3
Considerando el teorema de muestreo de Nyquist-Shannon se debe cumplir que:

𝐹𝑠 > 2𝐹𝑚𝑎𝑥

En este caso:

1200 𝐻𝑧 < 2 ∙ 800 𝐻𝑧

1200 𝐻𝑧 < 1600 𝐻𝑧

De lo anterior tenemos que ocurre aliasing ya que no se cumple el teorema de muestreo de

Nyquist-Shannon.

Ahora determinamos de manera analítica la salida análoga del sistema:

𝑥[𝑛] ≜ 𝑥𝑎 (𝑛𝑇𝑠 )

𝑛 𝑛
𝑥[𝑛] = cos (2𝜋 ∙ 500 ∙ ) + cos (2𝜋 ∙ 800 ∙ )
1200 1200

5 2
𝑥[𝑛] = cos (2𝜋 ⋅ ∙ 𝑛) + cos (2𝜋 ⋅ ∙ 𝑛)
12 3

5 3 1
𝑥[𝑛] = cos (2𝜋 ⋅ ∙ 𝑛) + cos (2𝜋 ∙ ( − ) ∙ 𝑛)
12 3 3

5 1
𝑥[𝑛] = cos (2𝜋 ⋅ ∙ 𝑛) + cos (2𝜋 ∙ (− ) ∙ 𝑛)
12 3
5 1
𝑥[𝑛] = cos (2𝜋 ⋅ ∙ 𝑛) + cos (2𝜋 ∙ ∙ 𝑛)
12 3

Analizamos el resultado para obtener las frecuencias discretas en ciclos por segundos:

5
𝑓1 = 𝑐𝑝𝑠
12

1
𝑓2 = 𝑐𝑝𝑠
3

La frecuencia de muestreo discretizada es:

𝐹𝑠 /2
𝐹𝑠 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑧𝑎𝑑𝑎 =
𝐹𝑠

1200/2
𝐹𝑠 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑧𝑎𝑑𝑎 =
1200

1
𝐹𝑠 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑧𝑎𝑑𝑎 = 𝑐𝑝𝑠
2

4
Gráficamente el espectro de magnitud de la señal de entrada análoga 𝑥𝑎 (𝑡):

Figura 2: Espectro de magnitud de la señal de entrada análoga.

Los valores de las frecuencias discretizadas 𝑓1 y 𝑓2 son menores al valor de la frecuencia de

muestreo discretizada.

Preguntas propuestas en el enunciado:

¿Existe aliasing?

Como ya se calculó anteriormente ocurre aliasing ya que no se cumple el teorema de muestreo de

Nyquist-Shannon.

¿Qué valor tiene la folding frequency?

Calculando la folding frequency tenemos:

𝐹𝑠 1200
𝐹𝐹 ≜ =
2 2

𝐹𝐹 = 600 𝐻𝑧

¿Cuál es la frecuencia aparente si es que existe aliasing?

1
𝐹𝑎𝑝𝑎𝑟𝑒𝑛𝑡𝑒 ≜ (1 − 𝐹2 ) ∙ 𝐹𝑆 = (1 − ) ∙ 1200
3

𝐹𝑎𝑝𝑎𝑟𝑒𝑛𝑡𝑒 = 800 𝐻𝑧

5
Parte II

Del enunciado tenemos que ahora la frecuencia de muestreo es:

1 1
𝐹𝑠 = 𝐹𝐴/𝐷 = =
𝑇𝐴/𝐷 1
2000

𝐹𝑠 = 2000 𝐻𝑧

Las frecuencias asociadas se mantienen:

𝑓1 = 500 𝐻𝑧

𝑓2 = 800 𝐻𝑧

En este caso tenemos considerando el teorema de muestreo de Nyquist-Shannon tenemos:

𝐹𝑠 > 2𝐹𝑚𝑎𝑥

2000 𝐻𝑧 > 2 ∙ 800 𝐻𝑧

2000 𝐻𝑧 > 1600 𝐻𝑧

De lo anterior tenemos que no ocurre aliasing ya que se cumple el teorema de muestreo de

Nyquist-Shannon.

Ahora determinamos de manera analítica la salida análoga del sistema:

𝑥[𝑛] ≜ 𝑥𝑎 (𝑛𝑇𝑠 )

𝑛 𝑛
𝑥[𝑛] = cos (2𝜋 ∙ 500 ∙ ) + cos (2𝜋 ∙ 800 ∙ )
2000 2000

1 2
𝑥[𝑛] = cos (2𝜋 ⋅ ∙ 𝑛) + cos (2𝜋 ⋅ ∙ 𝑛)
4 5

Analizamos el resultado para obtener las frecuencias discretas en ciclos por segundos:

1
𝑓1 = 𝑐𝑝𝑠
4

2
𝑓2 = 𝑐𝑝𝑠
5

6
Gráficamente el espectro de magnitud de la señal de entrada análoga 𝑥𝑎 (𝑡):

Figura 3: Espectro de magnitud de la señal de entrada análoga.

Preguntas propuestas en el enunciado:

¿Existe aliasing?

Como ya se calculó anteriormente no ocurre aliasing ya que se cumple el teorema de muestreo

de Nyquist-Shannon.

¿Qué valor tiene la folding frequency?

Calculando la folding frequency tenemos:

𝐹𝑠 2000
𝐹𝐹 ≜ =
2 2

𝐹𝐹 = 1000 𝐻𝑧

¿Cuál es la frecuencia aparente si es que existe aliasing?

Como no tenemos aliasing no se presenta una frecuencia aparente.

7
Finalmente:

𝑦(𝑡) ≜ 𝑥[𝑓𝐷/𝐴 𝑡]

1 2
𝑦(𝑡) = cos (2𝜋 ∙ ∙ 2000𝑡) + cos (2𝜋 ∙ ∙ 2000𝑡)
4 5

𝑦(𝑡) = cos(2𝜋 ∙ 500𝑡) + cos(2𝜋 ∙ 800𝑡)

Por la acción del filtro pasabajos nos queda que la señal resultantes es:

𝑦𝑎 (𝑡) = cos(2𝜋 ∙ 500𝑡)

Gráficamente el espectro de magnitud de la señal de salida análoga 𝑦𝑎 (𝑡):

Figura 4: Espectro de magnitud de la señal de entrada análoga.

8
Problema 2: Taxonomía de señales

Considere las siguientes categorías para las señales: monocanal o multicanal, unidimensional o
multidimensional, tiempo continuo o discreto, cuantizado o análogas en amplitud. Clasifique las
siguientes señales en una o más de las categorías anteriores:

Solución:

i. Precio de cierres de las acciones de la bolsa de Santiago.

 Monocanal dado a que utiliza un único medio para comunicar el precio de cierres de las
acciones.
 Unidimensional dado a que solo se considera una única unidad monetaria en el precio de
las acciones.
 Tiempo discreto ya que el dominio está especificado para ciertos valores finitos del
tiempo (entre el horario de apertura y cierre de la bolsa).
 Análogo en amplitud dado a que el precio de las acciones puede tomar diferentes valores
infinitos entre un intervalo de tiempo.

ii. Una película cinematográfica.

 Multicanal dado a que la película utiliza varios medios, por ejemplo el RGB de la pantalla
o las distintas salidas de audio.
 Multidimensional dado a que se consideran varias unidades, como el tiempo, la posición,
la intensidad de los pixeles, etc.
 Tiempo discreto ya que el dominio está especificado para ciertos valores finitos del
tiempo (entre el inicio y fin de la película, acompañado del hecho que por cada intervalo
de tiempo se asocia un valor de frames para ser emitidos).
 Cuantizado en amplitud dado a que la película, al ser una serie de imágenes, se encuentra
cuantizada en un número finitos de niveles, en este caso en un número finito de bits.

iii. La posición del volante de un automóvil con respecto a un eje de referencia situado dentro
del automóvil.

 Monocanal dado a que utiliza un único medio, en este caso el sistema de transmisión del
automóvil, para entregar la posición del volante.
 Multidimensional dado a que se consideran varias unidades, como el tiempo, la posición,
la velocidad, etc.
 Tiempo continuo ya que su dominio puede expresarse en base al conjunto de los números
reales, es decir, ésta está especificada para cada valor real de tiempo.
 Análogo en amplitud dado a que la posición puede tomar diferentes valores (posiciones)
en un intervalo de tiempo definido.

9
iv. La posición del volante de un automóvil con respecto a un eje de referencia situado dentro
del automóvil.

 Monocanal dado a que utiliza un único medio, en este caso el sistema de transmisión del
automóvil, para entregar la posición del volante.
 Multidimensional dado a que se consideran varias unidades, como el tiempo, la posición,
la velocidad, etc.
 Tiempo continuo ya que su dominio puede expresarse en base al conjunto de los números
reales, es decir, ésta está especificada para cada valor real de tiempo.
 Análogo en amplitud dado a que la posición puede tomar diferentes valores (posiciones)
en un intervalo de tiempo definido.

v. El peso y altura de un niño(a) tomadas mensualmente.

 Multicanal dado a que utiliza dos medios para entregar las medidas, en este caso peso y
altura, del niño.
 Unidimensional dado a que solo se considera una única unidad en cada canal, el peso para
el primer canal y la altura para el segundo canal.
 Tiempo discreto ya que el dominio está especificado para ciertos valores finitos del
tiempo (mensualmente).
 Cuantizado en amplitud dado a que el peso y la altura, se encuentran cuantizados en un
número finitos de niveles, en este caso por truncamiento se aproximan las medidas del
niño.

10
Problema 3: Sistemas de adquisición y teorema de muestreo

Considere una señal sísmica cuyo rango dinámico es de 1 volt. Si esta señal se muestrea a una
tasa de 20 muestras por segundo y se usa un conversor A/D de 8 bits.

Determine:

i. El bit rate de la señal digital, es decir, determine la velocidad de la señal digitalizada y

cuantizada.

El bit rate de la señal digital se obtiene como:

𝑡𝑎𝑠𝑎 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑠 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑏𝑖𝑡𝑠

𝑅=( )∙( )
𝑝𝑜𝑟 𝑠𝑒𝑔𝑢𝑛𝑑𝑜 𝑝𝑜𝑟 𝑚𝑢𝑒𝑠𝑡𝑟𝑎

𝑅 = 20 ∙ 8

𝑅 = 160 𝑏𝑝𝑠

ii. La resolución, en volts, que tiene la señal digital.

La resolución de la señal digital se obtiene como:

1
𝑟= 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑏𝑖𝑡𝑠
( )
2 𝑝𝑜𝑟 𝑚𝑢𝑒𝑠𝑡𝑟𝑎

1
𝑟=
28

1
𝑟=
256

𝑟 = 0.0039 𝑉

iii. La frecuencia máxima que aparece en la señal digitalizada.

Considerando la frecuencia de muestreo como:

1 1
𝐹𝑠 = 𝐹𝐴/𝐷 = = = 20 𝐻𝑧
𝑇𝐴/𝐷 1
20

Calculamos la frecuencia máxima:

𝐹𝑠
𝐹𝑚𝑎𝑥 =
2

20
𝐹𝑚𝑎𝑥 =
2

𝐹𝑚𝑎𝑥 = 10 𝐻𝑧

11
Problema 4: Procesos aleatorios - I

Considere el espectro de potencia (diagrama de Bode) de una señal continua que se muestra en la
Figura 5. Dibuje el espectro de la señal muestreada si la frecuencia de muestreo es 𝐹𝑠 =
(1 + 𝑎)𝐹𝑀 donde 𝑎 𝜖 (0,1).

Figura 5: Espectro de una señal continua.

Solución:

Para el desarrollo de este problema se consideró el espectro de potencia de una señal continua con
los siguientes parámetros:

𝑎 = 0.6

𝐹𝑀 = 100 𝐻𝑧

Figura 6: Espectro de una señal continua con los valores asignados.

12
Del enunciado tenemos que la frecuencia de muestreo es:

𝐹𝑠 = (1 + 𝑎)𝐹𝑀

Con nuestros valores previamente asignados nos resulta:

𝐹𝑠 = (1 + 0.6) ∙ 100

𝐹𝑠 = 160 𝐻𝑧

Gráficamente el espectro la señal muestreada:

Figura 7: Espectro de la señal con aliasing.

Considerando el teorema de muestreo de Nyquist-Shannon se debe cumplir que:

𝐹𝑠 > 2𝐹𝑚𝑎𝑥

En este caso tenemos:

160 𝐻𝑧 < 2 ∙ 100 𝐻𝑧

160 𝐻𝑧 < 200 𝐻𝑧

De lo anterior tenemos que ocurre aliasing ya que no se cumple el teorema de muestreo de

Nyquist-Shannon.

13
Anexos

Código 1: Usado para los gráficos del problema 1.

clear all
clc

Fs1=1200;%Sampling frequency
T1=1/Fs1;%Sampling period
L1=100;%Length of signal
t1=(0:L1-1)*T1;%Time vector

X1=cos(2*pi*500*t1)+cos(2*pi*800*t1);
Y1 = fft(X1);

P2=abs(Y1/L1);
P1=P2(1:L1/2+1);
P1(2:end-1)=2*P1(2:end-1);
f=Fs1*(0:(L1/2))/L1;

figure(1)
plot(f,P1)
grid on
title('Single-Sided Amplitude Spectrum of Xa(t) Fs=1200 Hz')
xlabel('f(Hz)')
ylabel('|P(f)|')

Fs2=2000;%Sampling frequency
T2=1/Fs2;%Sampling period
L2=1000;%Length of signal
t2=(0:L2-1)*T2;%Time vector

X2=cos(2*pi*500*t2)+cos(2*pi*800*t2);
Y2 = fft(X2);

P2=abs(Y2/L2);
P1=P2(1:L2/2+1);
P1(2:end-1)=2*P1(2:end-1);
f=Fs2*(0:(L2/2))/L2;

figure(2)
plot(f,P1)
grid on
title('Single-Sided Amplitude Spectrum of Xa(t) Fs=2000 Hz')
xlabel('f(Hz)')
ylabel('|P(f)|')

figure(3)
plot(f,P1)
xlim([0 700])
grid on
title('Single-Sided Amplitude Spectrum of Ya(t) Fs=2000 Hz')
xlabel('f(Hz)')
ylabel('|P(f)|')

14
Código 2: Usado para los gráficos del problema 4.

clear all
close all
clc

x=-150:0.1:150;
Fm=100;
a=0.6;
y1=0.5;
y2=0.5;
y3=0;

y=y1.*((x>=-Fm)&(x<=Fm))+y2.*((x>=-a*Fm)&(x<=a*Fm))+y3.*(x>a*Fm);

figure(1)
plot(x,y)
ylim([0 1.2])
xlim([-150 150])
grid on
title('Bode plot')
xlabel('F')
ylabel('X(F)')

Fs=(1+a)*Fm;%Sampling frequency
T=1/Fs;%Sampling period
L=100;%Length of signal
t1=(0:L-1)*T;%Time vector

X1=ifft(y);
Y1=abs(ifftshift(X1));

P2=abs(Y1/L);
P1=P2(1:L/2+1);
P1(2:end-1)=2*P1(2:end-1);
f=Fs*(0:(L/2))/L;

figure(2)
plot(f,P1)
grid on
title('Single-Sided Amplitude Spectrum of X(t)')
xlabel('f(Hz)')
ylabel('|P(f)|')

figure(3) %COMPROBACION
X=fft(X1);
X1=abs(fftshift(X));
plot(x,abs(ifftshift(X1)))

15
Bibliografía

 Applied Digital Signal Processing – Dimitris Manolakis and Vinay Ingle.

 Apuntes de clases de Procesamiento Digital de Señales.

 Intuitive Probability and Random Processes Using Matlab – Steven M. Kay.

16