1

Unidad 1 - Paso 2 - Reconocer Los Elementos

Matemáticos Que Implica El Sistema De Conversión
Analógica Digital
John Steven Posso Caicedo cod: 1112461199
Omar Gomez Vasquez cod: 1101682891
John Elkin Quintero cod: 1102813009
Beatriz Katalina Torres Nuñez cod: 40936585
Universidad Nacional Abierta y a Distancia

Resumen—En el siguiente trabajo realizaremos, un ejercicio de ACTIVIDADES A DESARROLLAR.

muestreo, un segundo ejercicio de cuantización y un último
ejercicio de la transformada discreta de Fourier, en este punto
realizaremos un algoritmo de la transformada y un video I. MUESTREO
explicándolo; pero para poder desarrollar estos ejercicios
primero debemos responder seis (6) preguntas como aporte Según el capítulo 14 “Muestreo y cuantización” del libro de
teórico que nos servirá en el desarrollo de los demás puntos.
Ambardar, página 446:
También realizaremos una investigación sobre el rango de
frecuencia que el oído humano es capaz de escuchar y el rango
de frecuencia de cinco (5) instrumentos musicales.

Abstract-- In the following work we will perform a sampling

exercise, a second quantization exercise and a final exercise of
the discrete Fourier transform, at this point we will perform an
algorithm of the transformation and a video explaining it; but in
order to develop these exercises we must first answer six (6)
questions as a theoretical contribution that will help us in the
EJERCICIO 1: JOHN ELKIN QUINTERO
development of the other points.
Siendo (𝑡) = 𝐴 (2𝜋 𝑓0 𝑡) donde la frecuencia 𝑓0 = 2000𝐻𝑧.
We will also conduct research on the frequency range that the
Resuelva:
human ear is able to hear and the frequency range of five (5)
musical instruments 1.1 ¿Se presenta fenómeno alias o aliasing si (𝑡) es
muestreada a 𝑆 = 4500 𝐻𝑧? Explique paso a paso y si presenta
alias, encuentre la frecuencia 𝑓𝑎
Solución
Introducción 𝑓0 = 2000𝐻𝑧
𝑓𝑠 = 4500Hz
El Procesamiento digital de señales se ha convertido en un apoyo ω0 = 2𝜋𝑓0
de muchas otras disciplinas como son las telecomunicaciones, ω0 = 2𝜋(2000) = 4000π 𝑟𝑎𝑑⁄𝑠
control, la medicina, etc. Hoy en día es más evidente que esa El periodo de muestreo y la frecuencia de muestreo en
interacción que se mencionó sea profundizada más con el tema radianes por segundo son respectivamente.
de la televisión digital, la multimedia y los sistemas de 1
información, como podemos ver cada vez se muestra más la 𝑇= ω𝑠 = 2𝜋𝑓𝑠
𝑓𝑠
conectividad en las comunicaciones de forma inalámbrica donde 1 1
el procesamiento y acoplo de las señales digitales juegan un 𝑇= = 𝑠
papel importante en el desarrollo tecnológico. Lo realmente 4500𝐻𝑧 4500
2𝜋 2𝜋
importante es como el procesamiento de las señales digitales nos ω𝑠 = = = 9000π 𝑟𝑎𝑑⁄𝑠
𝑇 1
permite que los sistemas puedan tener comunicación en tiempo
4500
real esto debido a que las señales se deben muestrear a la salida Notar que ω𝑠 > 2ω0 y por lo tanto se cumplen las
a la misma velocidad que aquellas de tiempo continúo. condiciones del teorema de muestreo. La señal queda
unívocamente determinada por las muestras, no hay aliasing
 2

1.2 ¿Se presenta fenómeno alias o aliasing si (𝑡) es 2𝜋𝑓 = 20𝜋

muestreada a 𝑆 = 3500 𝐻𝑧? Explique paso a paso y si presenta 𝑓 = 10ℎ𝑧
alias, encuentre la frecuencia 𝑓𝑎
Solución Finalmente
𝑓0 = 2000𝐻𝑧
𝑓𝑠 = 3500Hz 7 𝑠𝑒𝑛(1024 𝜋 𝑡)
ω0 = 2𝜋𝑓0
ω0 = 2𝜋(2000) = 4000π 𝑟𝑎𝑑⁄𝑠 𝜔 = 1024𝜋
El periodo de muestreo y la frecuencia de muestreo en 𝜔 = 2𝜋𝑓
radianes por segundo son respectivamente. 2𝜋𝑓 = 1024𝜋
1 𝑓 = 512ℎ𝑧
𝑇= ω𝑠 = 2𝜋𝑓𝑠
𝑓𝑠
1 1
𝑇= = 𝑠 Si la señal 𝑥(𝑡) tiene una frecuencia de muestreo 𝑆 = 90𝐻𝑧 y
3500𝐻𝑧 3500 se desea realizar la reconstrucción de la señal, identifique si las
2𝜋 2𝜋
ω𝑠 = = = 7000π 𝑟𝑎𝑑⁄𝑠 componentes senoidales no sufren fenómeno de alias, y si
𝑇 1
3500 alguna de ellas lo sufre, indique cuál y por qué.
Como 𝜔𝑠 < 2ω0 , no se cumplen las condiciones del teorema
Tenemos
de muestreo y se espera que se produzca aliasing.
𝑓𝑎 = 𝑓0 − 𝑓𝑠 9 𝑠𝑒𝑛(2𝜋 𝑡)
𝑓𝑎 = 2000𝐻𝑧 − 3500𝐻𝑧
𝑓𝑎 = −1500𝐻𝑧 𝑓 = 1ℎ𝑧

𝑓𝑎 = 𝑓 − 𝑁𝑆
EJERCICIO 2 BEATRIZ KATALINA TORRES NUÑEZ 𝑓𝑎 = 1ℎ𝑧 − 90ℎ𝑧
Siendo 𝑥(𝑡) = 9 𝑠𝑒𝑛(2𝜋 𝑡) + 3 𝑠𝑒𝑛(20𝜋 𝑡) +
𝑓𝑎 = −89ℎ𝑧
7 𝑠𝑒𝑛(1024 𝜋 𝑡) Resuelva:
𝑆 ≥ 2𝑓
1.1 Encuentre las frecuencias 𝑓0𝑛 de cada una de las
componentes de la señal 𝑥(𝑡) 90 ≥ 2(1)

1.2 Si la señal 𝑥(𝑡) tiene una frecuencia de muestreo 𝑆 = Podemos, decir que no hay alising
90𝐻𝑧 y se desea realizar la reconstrucción de la señal, Luego
identifique si las componentes senoidales no sufren
fenómeno de alias, y si alguna de ellas lo sufre, 3 𝑠𝑒𝑛(20𝜋 𝑡)
indique cuál y por qué. 𝑓 = 10

𝑓𝑎 = 𝑓 − 𝑁𝑆
DESARROLLO
𝑓𝑎 = 10ℎ𝑧 − 90ℎ𝑧
𝑥(𝑡) = 9 𝑠𝑒𝑛(2𝜋 𝑡) + 3 𝑠𝑒𝑛(20𝜋 𝑡) + 7 𝑠𝑒𝑛(1024 𝜋 𝑡)
𝑓𝑎 = −80
Tenemos.
𝑆 ≥ 2𝑓
9 𝑠𝑒𝑛(2𝜋 𝑡) = 𝑠𝑒𝑛 (𝜔𝑡)
90 ≥ 2(10)
𝜔 = 2𝜋
90 ≥ 20
𝜔 = 2𝜋𝑓
Podemos, decir que no hay alising
2𝜋 = 2𝜋𝑓
Entonces
𝑓 = 1 ℎ𝑧 7 𝑠𝑒𝑛(1024 𝜋 𝑡)

Entonces. 𝑓 = 512ℎ𝑧

3 𝑠𝑒𝑛(20𝜋 𝑡) 𝑓𝑎 = 512ℎ𝑧 − 90ℎ𝑧

𝜔 = 20𝜋 𝑓𝑎 = 422ℎ𝑧
𝜔 = 2𝜋𝑓 𝑆 ≥ 2𝑓
 3

90 ≥ 2(512) 5𝑘 𝐻𝑧 ≥ 12𝑘 𝐻𝑧

90 ≥ 1024

Aquí si hay aliasin Como se puede observar SI se presenta fenómeno alias o

Ejercicio 3: OMAR GOMEZ VASQUEZ
Siendo una señal banda de paso 𝑥𝑐 (𝑡) con frecuencia 𝑓𝐿 =
4𝑘 𝐻𝑧 y frecuencia 𝑓𝐻 = 8𝑘 𝐻𝑧 . Resuelva:
aliasing si 𝑥(𝑡) es muestreada a S=5k Hz, para que no se
presente debe ser muestreada por una frecuencia mayor o igual
a los 12k Hz.
Entonces podemos decir que:

𝑓𝑎 = 𝑓𝑜 − 𝑁𝑠
𝑓𝐿 = 4𝑘𝐻𝑧, 𝑓𝐻 = 8𝑘𝐻𝑧
𝑓𝑎 = 6 𝑘 𝐻𝑧 − 5𝑘 𝐻𝑧

𝑓𝑎 = 1𝑘 𝐻𝑧
1.1. Encuentre el ancho de banda 𝐵 de la señal 𝑥𝑐(𝑡)
¿Se presenta fenómeno alias o aliasing si x(t) es muestreada a
𝐵 = 𝑓𝐻 − 𝑓𝐿
S=12,5k Hz? Explique paso a paso y si presenta alias, encuentre
𝐵 =8−4 la frecuencia 𝑓𝑎
𝐵 = 4𝑘𝐻𝑧
1.2. Encuentre la frecuencia de muestreo 𝑆 para que no se Solución.
presente fenómeno alias. La frecuencia de Nyquist establece que la frecuencia de
𝑓𝑚 = 2 ∗ 𝑓𝐻 muestreo, debe ser como mínimo el doble que el ancho de banda
de la señal muestreada para que no presente el fenómeno alias o
𝑓𝑚 = 16𝑘𝐻𝑧 aliasing.

𝑆 ≥ 2 𝑓𝑚𝑎𝑥
EJERCICIO 4: JOHN STEVEN POSSO CAICEDO

Siendo x(t)= cos (12kπ t) Resuelva: 12.5𝑘 𝐻𝑧 ≥ 2 (6𝑘 𝐻𝑧)

¿Se presenta fenómeno alias o aliasing si x(t) es muestreada

a S=5k Hz? Explique paso a paso y si presenta alias, encuentre 12.5𝑘 𝐻𝑧 ≥ 12𝑘 𝐻𝑧
la frecuencia 𝑓𝑎
Solución. Como se puede observar NO se presenta fenómeno alias o
aliasing si x(t) es muestreada a S=12k Hz, ya que es muestreada
Sabemos que frecuencia angular por un número mayor a los 12k Hz.

𝑤 = 2 𝜋𝑓 Entonces podemos decir que:

Tomamos (12𝑘 𝜋𝑡) y lo igualamos a (w). 𝑓𝑎 = 𝑓𝑜 − 𝑁𝑠

2 𝜋𝑓 = 12000 𝜋𝑡
𝑓𝑎 = 6 𝑘 𝐻𝑧 − 12.5𝑘 𝐻𝑧
Despejamos (f) para saber cuál es la frecuencia de nuestra
señal.
𝑓𝑎 = 6,5 𝑘 𝐻𝑧
12000 𝜋 12000
𝑓= = = 6 𝑘 𝐻𝑧
2𝜋 2
La frecuencia de Nyquist establece que la frecuencia de
muestreo, debe ser como mínimo el doble que el ancho de banda EJERCICIO 5 JEISON FERNANDO MENDOZA
de la señal muestreada para que no presente el fenómeno alias o
aliasing.
PENDIENTE
𝑆 ≥ 2 𝑓𝑚𝑎𝑥

5𝑘 𝐻𝑧 ≥ 2 (6𝑘 𝐻𝑧)
 4

II. CUANTIZACIÓN 𝑷𝒔 = 𝟎, 𝟖𝟗𝟔𝟐𝟓

EJERCICIO 1 JEISON FERNANDO MENDOZA

1.3. Hallamos la relación señal a ruido de cuantización

𝟎, 𝟖𝟗𝟔𝟐𝟓
PENDIENTE 𝑆𝑁𝑅𝑄 = 10 ∗ log(10)
𝟎, 𝟐𝟒𝟑𝟕𝟓

𝑆𝑁𝑅𝑄 = 5,6548
EJERCICIO 2: JOHN STEVEN POSSO CAICEDO

Siendo la señal muestreada: Ejercicio 3: OMAR GOMEZ VASQUEZ

𝑥[𝑛] = {0.2,0.5,0.5,0.8,1.0,1.5,1.5,0.7} Con un cuantizador de 𝐵 = 32 𝑏𝑖𝑡𝑠 se muestrea y se cuantiza

una senoide con un intervalo de escala completa de 𝐷 = 12𝑉
La señal cuantizada:
¿cuál es el error rms 𝜎 de la cuantización?
𝑥𝑄 [𝑛] = {0,0.5,0.8,1.0,1.0,1.5,1.8,2.0} 𝐵 = 32𝑏𝑖𝑡𝑠

Y la señal de error: 𝐷 = 12𝑉

∆
𝑒[𝑛] = {0.2,0, −0.3, −0.2,0,0, −0.3, −1.3} 𝜎=
√12
1.1. Halle la potencia de ruido 𝑃𝑁 𝐷
∆= 𝐵
1.2. Halle la potencia 𝑃𝑠 2
1.3. Halle la relación señal a ruido de cuantización 𝑆𝑁𝑅𝑄 12
∆= 32
2
Solución ∆= 2.79𝑛𝑉
2.79𝑛
𝜎=
1.1. Hallamos la potencia del Error o Potencia del ruido √12
𝑵−𝟏
𝜎 = 0.805𝑛
𝟏
𝑷𝒆 = ∑ 𝒆𝟐 (𝒏)
𝑵
𝒏=𝟎 EJERCICIO 4 BEATRIZ KATALINA TORRES NUÑEZ

𝟏 Siendo la señal muestreada:

𝑷𝒆 = (0.22 , 02 , −0.32 , −0.22 , 02 , 02 , −0.32 , −1.32 )
𝟖 𝑥[𝑛] = {0,0.2,0.5,1.0,1.4,1.8,2.0,2.4}

La señal cuantizada:
𝟏. 𝟗𝟓
𝑷𝒆 =
𝟖 𝑥𝑄 [𝑛] = {0,0.5,1.0,1.0,1.8,2.0,3.5,3.5}

𝑷𝒆 = 𝟎, 𝟐𝟒𝟑𝟕𝟓
1.1. Calcule la señal de error:
𝑒[𝑛]
1.2. Hallamos la potencia de la señal.
𝑵−𝟏
1.2. Halle la potencia de ruido 𝑃𝑁
𝟏
𝑷𝒔 = ∑ 𝒙𝟐 (𝒏)
𝑵 1.3. Halle la potencia 𝑃𝑠
𝒏=𝟎

𝟏 1.4. Halle la relación señal a ruido de cuantización 𝑆𝑁𝑅𝑄

𝑷𝒔 = (0.22 , 0.52 , 0.52 , 0.82 , 1.02 , 1.52 , 1.52 , 0.72 )
𝟖
DESARROLLO
𝟕. 𝟏𝟕
𝑷𝒔 =
𝟖 Iniciamos
 5

Calcule la señal de error: ∆

𝜎=
√12
Tenemos la señal muestreada: 𝐷
∆= 𝐵 𝑑𝑜𝑛𝑑𝑒 𝐷 𝑒𝑠𝑐𝑎𝑙𝑎 𝑐𝑜𝑚𝑝𝑙𝑒𝑡𝑎
𝑥[𝑛] = {0,0.2,0.5,1.0,1.4,1.8,2.0,2.4} 2
∆= 𝜎 ∗ √12
Luego la señal cuantizada: √3
∆= 10 ∗ 10−3 ∗ √12 =
𝑥𝑄 [𝑛] = {0,0.5,1.0,1.0,1.8,2.0,3.5,3.5} 50
Se obtiene
Ahora se resta 𝐷
2𝐵 =
∆
𝑒[𝑛] = { 0, 0.3, 0.5, 0, 0.4, 0.2, 1.5,1.1 } 2 − (−2)
2𝐵 =
√3
Halle la potencia de ruido 𝑃𝑁 50
2𝐵 = 115.47
Tenemos 𝐵 = log 2 (115.47)
𝑛−1
1 𝑩 = 𝟔. 𝟖𝟓 𝒃𝒊𝒕𝒔
𝑃𝑒 = ∑ 𝑒 2 (𝑛)
𝑁
𝑛=0
Luego sería que:
III. TRANSFORMADA DISCRETA DE FOURIER
Cada estudiante realizará el algoritmo de la Transformada
1 Discreta de Fourier, en el cual debe estar planteada la sumatoria
𝑃𝑠 = ((00 ) + (0.32 ) + (0.52 ) + (02 ) + (0.42 )
8 de transformada. Dicho algoritmo se realizará para una señal de
+ (0.22 ) + (1.52 ) + (1.1)2 ) longitud de tres (3) muestras. Los tres valores de las muestras
1
𝑃𝑠 = ((00 ) + 0.09 + 0.25 + 0 + 0.16 + 0.04 corresponden a los tres últimos números del documento de
8 identificación, por ejemplo, si mi cédula es 80765437, entonces
+ 2.25 + 1.21)
el algoritmo se hará para la señal x[n] = [4 3 7]. Para desarrollar
esta parte el estudiante podrá utilizar Matlab, Octave Online, o
Finalmente
Scilab.
4
𝑃𝑠 = = 𝟎. 𝟓
8
Halle la potencia 𝑃𝑠 ∞

Tenemos 𝑥(𝐾) = ∑ 𝑥(𝑛)𝑒 −𝑗𝜋𝑘𝑛/𝑁

𝑛=−∞
𝑛−1
1
𝑃𝑠 = ∑ 𝑥 2 (𝑛)
𝑁 BEATRIZ KATALINA TORRES NUÑEZ CC 40936585
𝑛=0

x[n] = [585]
Luego sería que:
1
𝑃𝑠 = ((00 ) + (0.22 ) + (0.52 ) + (1.02 ) + (1.42 )
8 Remplazamos
+ (1.82 ) + (2.02 ) + (2.4)2 )
1 Para K=0
𝑃𝑠 = (0 + 0.04 + 0.25 + 1 + 1.96 + 3.24 + 4
8
+ 5.76) −𝒋𝟐𝝅(𝟎)(𝟎)
𝑿(𝟎) = 𝒙(𝟎) 𝒆 𝟑 +
−𝒋𝟐𝝅(𝟎)(𝟏)
Como resultado quedaría que: 𝑿(𝟎) = 𝒙(𝟏) 𝒆 𝟑 +
−𝒋𝟐𝝅(𝟎)(𝟐)
𝑿(𝟎) = 𝒙(𝟐) 𝒆 𝟑 =
16.61
𝑃𝑠 = = 2.076
8 𝑿(𝟎) = 𝟓 + 𝟖 + 𝟓

𝑿(𝟎) = 𝟏𝟖 + 𝟎 𝒋
EJERCICIO 5: JOHN ELKIN QUINTERO
Se va a muestrear una senoide con niveles de amplitud de -2V Para K=1
y 2V, y se va a cuantizar por redondeo con un error rms 𝜎 = −𝒋𝟐𝝅(𝟏)(𝟎)
10mv. ¿Cuántos bits 𝐵 se requieren? 𝑿(𝟏) = 𝒙(𝟎)𝒆 𝟑 +
Solución −𝒋𝟐𝝅(𝟏)(𝟏)
𝑿(𝟏) = 𝒙(𝟏) 𝒆 𝟑 +
 6

−𝒋𝟐𝝅(𝟐)(𝟐) for n = 0:N-1

𝑿(𝟏) = 𝒙(𝟐) 𝒆 𝟑 =
X(k+1) = X(k+1) + x(n+1)*exp(-j*2*pi*k*n/N);
𝒋𝟐𝝅 𝒋𝟒𝝅 end
𝑿(𝟎) = 𝟓𝒆𝟎 + 𝟖𝒆− 𝟑 + 𝟓𝒆− 𝟑 end

t = 0:N-1
Identidad de Euler subplot(311)
stem(t,x);
𝒆−(𝒋𝒙) = 𝐜𝐨𝐬(𝝎) − 𝒋𝒔𝒆𝒏(𝝎) xlabel('Tiempo (s)');
Entonces ylabel('Amplitud');
title(' Dominio de Tiempo - Secuencia de Entrada')
𝟐𝝅 𝟐𝝅
𝒙(𝟏) = 𝟓 + 𝟖 [𝒄𝒐𝒔 ( ) − 𝒋𝒔𝒆𝒏 ( )] subplot(312)
𝟑 𝟑
𝟒𝝅 𝟒𝝅 stem(t,X)
+ 𝟓 [𝒄𝒐𝒔 ( ) − 𝒋𝒔𝒆𝒏 ( )] xlabel('Frecuencia');
𝟑 𝟑
ylabel('|X(k)|');
−𝟏 √𝟑 −𝟏 √𝟑 title(' Dominio de Frecuencia - Respuesta de Magnitud')
𝒙(𝟏) = 𝟓 + 𝟖 ( ) − 𝒋𝟖 ( ) + 𝟓 ( ) − 𝒋𝟓 (− )
𝟐 𝟐 𝟐 𝟐
subplot(313)
stem(t,angle(X))
𝒙(𝟏) = 𝟓 − 𝟒 − 𝒋 𝟔, 𝟗𝟐𝟖 − 𝟐, 𝟓 + 𝒋𝟒, 𝟑𝟑 xlabel('Frecuencia');
ylabel('Fase');
𝒙(𝟏) = −𝟏. 𝟓 + 𝟐, 𝟓𝟗𝟖 𝒋 title('Dominio de Frecuencia - Respuesta de Fase')
Para K=2 X
−𝒋𝟐𝝅(𝟏)(𝟎)
angle(X)
𝑿(𝟐) = 𝒙(𝟎)𝒆 𝟑 +
−𝒋𝟐𝝅(𝟏)(𝟏)
𝑿(𝟐) = 𝒙(𝟏) 𝒆 𝟑 +
−𝒋𝟐𝝅(𝟐)(𝟐)
𝑿(𝟐) = 𝒙(𝟐) 𝒆 𝟑 =
𝒋𝟐𝝅 𝒋𝟒𝝅
𝑿(𝟎) = 𝟓𝒆𝟎 + 𝟖𝒆− 𝟑 + 𝟓𝒆− 𝟑

Identidad de Euler

𝒆−(𝒋𝒙) = 𝐜𝐨𝐬(𝝎) − 𝒋𝒔𝒆𝒏(𝝎)

Entonces

𝟐𝝅 𝟐𝝅
𝒙(𝟐) = 𝟓 + 𝟖 [𝒄𝒐𝒔 ( ) − 𝒋𝒔𝒆𝒏 ( )]
𝟑 𝟑
𝟒𝝅 𝟒𝝅
+ 𝟓 [𝒄𝒐𝒔 ( ) − 𝒋𝒔𝒆𝒏 ( )]
𝟑 𝟑

−𝟏 √𝟑 −𝟏 √𝟑
𝒙(𝟐) = 𝟓 + 𝟖 ( ) − 𝒋𝟖 ( ) + 𝟓 ( ) − 𝒋𝟓 (− )
𝟐 𝟐 𝟐 𝟐

𝒙(𝟐) = 𝟓 − 𝟒 − 𝒋 𝟔, 𝟗𝟐𝟖 − 𝟐, 𝟓 + 𝒋𝟒, 𝟑𝟑

𝒙(𝟐) = −𝟏. 𝟓 + 𝟐, 𝟓𝟗𝟖 𝒋

Código Octave.

x = [5 8 5];
N = length(x);
X = zeros(3,1);
for k = 0:N-1
 7

JOHN STEVEN POSSO CAICEDO CC 1112461199

𝑥[𝑛] = [1,9,9]

Resolvemos

Para K=0

−𝑗2𝜋𝑘𝑛 −𝑗2𝜋(0)(0)
𝑋(0) = ∑ 𝑥(𝑛) 𝑒 𝑁 = 𝑥(0) 𝑒 3 = 1𝑒 0 = 1
−𝑗2𝜋𝑘𝑛 −𝑗2𝜋(0)(1)
𝑋(0) = ∑ 𝑥(𝑛) 𝑒 𝑁 = 𝑥(1) 𝑒 3 = 9𝑒 0 = 9
−𝑗2𝜋𝑘𝑛 −𝑗2𝜋(0)(2)
𝑋(0) = ∑ 𝑥(𝑛) 𝑒 𝑁 = 𝑥(2) 𝑒 3 = 9𝑒 0 = 9

𝑋(0) = 1 + 9 + 9

𝑋(0) = 19 + 0 𝑗

Para K=1

−𝑗2𝜋𝑘𝑛 −𝑗2𝜋(1)(0)
𝑋(1) = ∑ 𝑥(𝑛) 𝑒 𝑁 = 𝑥(0)𝑒 3 = 1𝑒 0 = 1
−𝑗2𝜋𝑘𝑛 −𝑗2𝜋(1)(1) 𝑗2𝜋
𝑋(1) = ∑ 𝑥(𝑛) 𝑒 𝑁 = 𝑥(1) 𝑒 3 = 9𝑒 − 3

−𝑗2𝜋𝑘𝑛 −𝑗2𝜋(1)(2) 𝑗4𝜋

𝑋(1) = ∑ 𝑥(𝑛) 𝑒 𝑁 = 𝑥(2) 𝑒 3 = 9𝑒 3

Identidad de Euler

𝒆−(𝒋𝒙) = 𝐜𝐨𝐬(𝝎) − 𝒋𝒔𝒆𝒏(𝝎)

Entonces

𝑗2𝜋 2𝜋 2𝜋 4𝜋𝑗
𝑥(1) = 1 + 9𝑒 − 3 = 9 [𝑐𝑜𝑠 ( ) − 𝑗𝑠𝑒𝑛 ( )] + 9𝑒 − 3
3 3
4𝜋 4𝜋
= 9 [𝑐𝑜𝑠 ( ) − 𝑗𝑠𝑒𝑛 ( )]
3 3

−1 √3 −1 √3
𝑥(1) = 1 + 9 ( ) − 𝑗9 ( ) + 9 ( ) − 𝑗9 (− )
2 2 2 2

𝑥(1) = 1 − 4,5 − 𝑗 7,79 − 4,5 + 𝑗7,79

𝑥(1) = −8 + 𝑗0
Para K=2

−𝑗2𝜋𝑘𝑛 −𝑗2𝜋(2)(0)
𝑋(2) = ∑ 𝑥(𝑛) 𝑒 𝑁 = 𝑥(0)𝑒 3 = 1𝑒 0 = 1
−𝑗2𝜋𝑘𝑛 −𝑗2𝜋(2)(1) 𝑗4𝜋
𝑋(2) = ∑ 𝑥(𝑛) 𝑒 𝑁 = 𝑥(1) 𝑒 3 = 9𝑒 − 3

−𝑗2𝜋𝑘𝑛 −𝑗2𝜋(2)(2) 𝑗8𝜋

𝑋(2) = ∑ 𝑥(𝑛) 𝑒 𝑁 = 𝑥(2) 𝑒 3 = 9𝑒 3

Identidad de Euler

𝒆−(𝒋𝒙) = 𝐜𝐨𝐬(𝝎) − 𝒋𝒔𝒆𝒏(𝝎)

Entonces
 8

AnguloFase=angle(X) % Resultado o comprobación del

𝑗4𝜋 4𝜋 4𝜋 8𝜋𝑗 Angulo de fase
𝑥(2) = 1 + 9𝑒 − 3 = 9 [𝑐𝑜𝑠 ( ) − 𝑗𝑠𝑒𝑛 ( )] + 9𝑒 − 3
3 3
8𝜋 8𝜋
= 9 [𝑐𝑜𝑠 ( ) − 𝑗𝑠𝑒𝑛 ( )]
3 3

−1 √3 −1 √3
𝑥(2) = 1 + 9 ( ) − 𝑗9 ( ) + 9 ( ) − 𝑗9 (− )
2 2 2 2

𝑥(1) = 1 − 4,5 − 𝑗 7,79 − 4,5 + 𝑗7,79

𝑥(1) = −8 + 𝑗0

A. ALGORITMO DE LA TRANSFORMADA DISCRETA

DE FOURIER.

Código Matlab.

x = [1 9 9] % Muestras últimos números de la cedula Gráfico 1. Código en Matlab

N = length(x); % Numero de Muestras
X = zeros(N,1); % Valor de X

for k = 0:N-1 % Valor de “k” por “n” por la suma de

Exponenciales
for n = 0:N-1
X(k+1) = X(k+1) + x(n+1)*exp(-j*2*pi*k*n/N);
%Suma de Exponenciales
End % fin suma exponenciales
End % fin de la transformada

t = 0:N-1; % número de muestras 0 variable en el tiempo 3

% GRAFICAS
subplot(311)% Primera Grafica
stem(t,x); % Variables
xlabel('Tiempo(s)'); % componentes en x
ylabel('Amplitud'); % componentes en y
title('Dominio de Tiempo - Secuencia de Entrada') % título
grafica

subplot(312)% Segunda Grafica Gráfico 2. Código en Matlab resultado de la transformada

stem(t,X)% Variables discreta Fourier y comprobación de Angulo de fase
xlabel('Frecuencia'); % componentes en x
ylabel('|X(k)|'); % componentes en y
title('Dominio de Frecuencia - Respuesta de Magnitud') %
título grafica

subplot(313)% Tercera Grafica

stem(t,angle(X)) % Variables
xlabel('Frecuencia'); % componentes en x
ylabel('Fase'); % componentes en y
title('Dominio de Frecuencia - Respuesta de Fase')% título
grafica

TransformadaDiscretaFourier=X % Resultado de la
Transformada Discreta de Fourier
 9

x(0) = 18 + 0J

Se realiza el cálculo cuando k = 1

−j2π(1)(0) −j2π(1)(1) −j2π(1)(2)

x(1) = 8e 3 + 9e 3 + 1e 3

−j2π −j4π
x(1) = 8e0 + 9e 3 + 1e 3

Fórmula identificada:

e−jw = cos(w) − jsin(w)

Remplazamos valores
Gráfico 3. Grafica en Matlab Transformada Discreta
2π 2π
Fourier x(1) = 8 + 9 [cos ( ) − jsen ( )]
3 3
4π 4π
+ 1 [cos ( ) − jsen ( )]
3 3

1 √3 1 √3
x(1) = 8 + 9(− ) − j9( ) + 1 (− ) − j1(− )
2 2 2 2

x(1) = 3 − 6,928

Realizamos el cálculo cunado k=2

−j2π(1)(0) −j2π(1)(1) −j2π(1)(2)

Gráfico 4. Comprobación con el comando fft. x(2) = 8e 3 + 9e 3 + 1e 3

−j2π −j4π
OMAR GOMEZ VASQUEZ CC 1101682891 x(2) = 8e0 + 9e 3 + 1e 3

𝑥[𝑛] = [8,9,1]
Fórmula identificada:
Resolviendo
𝑥 = (𝟖, 𝟗, 𝟏) e−jw = cos(w) − jsin(w)
Ahora remplazamos los valores en k
Remplazamos valores
𝑘1 = 𝟗; 𝑘2 = 𝟗; 𝑘 = 𝟏
2π 2π
𝑘 = 3𝑦𝑛 =0 x(2) = 8 + 9 [cos ( ) − jsen ( )]
3 3
Tenemos la formula. 4π 4π
+ 1 [cos ( ) − jsen ( )]
∞
3 3
−j2πkn
x(k) = ∑ x(n)e N
1 √3 1 √3
n=−∞ x(2) = 8 + 9(− ) − j9( ) + 1 (− ) − j1(− )
2 2 2 2
x(2) = 3 + 8,660

Entonces remplazamos valores.

Teniendo definidas las variables

−j2π(0)(0) −j2π(0)(1) −j2π(0)(2)

x(0) = 8e 3 + 9e 3 + 1e 3

x(0) = 8(1) + 9(1) + 1(1)

 10

2𝜋 2𝜋
𝑘(1) = 0 + 0 [𝑐𝑜𝑠 ( ) − 𝑖 𝑠𝑒𝑛 ( )]
3 3
4𝜋 4𝜋
+ 9 [𝑐𝑜𝑠 ( ) − 𝑖 𝑠𝑒𝑛 ( )]
3 3

−1 √3 −1 √3
𝑘(1) = 0 + 0 + ( ) − 𝑖0 ( ) + 9 ( ) − 𝑖9 (− )
2 2 2 2

𝑘(1) = 0 + 0 − 0𝑖 − 4.5 + 7.794𝑖

𝑘(1) = −4.5 + 7.794𝑖

Tercero reemplazamos k(2) para las muestras

−2𝜋𝑖(1)(0)
𝑥[𝑛] = [0] … … … … . 𝑘(1) = ∑ 6 ∗ 𝑒 3 = 0𝑒 0
−2𝜋𝑖(1)(1) −2𝜋𝑖
𝑥[𝑛] = [0] … … … … . 𝑘(1) = ∑ 1 ∗ 𝑒 3 = 0𝑒 3

−2𝜋𝑖(2)(2) −4𝜋𝑖
𝑥[𝑛] = [9] … … … … . 𝑘(1) = ∑ 9 ∗ 𝑒 3 = 9𝑒 3

−2𝜋𝑖 −4𝜋𝑖
𝑘(2) = 0𝑒 0 + 0𝑒 3 + 9𝑒 3

Aplicamos el teorema de Euler:

𝑒 −𝑗𝑥 = cos(𝑥) − 𝑖 𝑠𝑒𝑛(𝑥)

JOHN ELKIN QUINTERO CC 1102813009 2𝜋 2𝜋

𝑘(2) = 0 + 0 [𝑐𝑜𝑠 ( ) − 𝑖 𝑠𝑒𝑛 ( )]
3 3
𝑥[𝑛] = [0,0,9] 4𝜋 4𝜋
+ 9 [𝑐𝑜𝑠 ( ) − 𝑖 𝑠𝑒𝑛 ( )]
3 3
Primero reemplazamos k(0) para las muestras 𝑥[𝑛] = [0,0,9]
−2𝜋𝑖(0)(0)
𝑥[𝑛] = [0] … … … … . 𝑘(0) = ∑ 0 ∗ 𝑒 3 = 0𝑒 0 = 0 −1 √3 −1 √3
𝑘(2) = 0 + 0 + ( ) − 𝑖0 ( ) + 9 ( ) − 𝑖9 (− )
−2𝜋𝑖(0)(1) 2 2 2 2
𝑥[𝑛] = [0] … … … … . 𝑘(0) = ∑ 0 ∗ 𝑒 3 = 0𝑒 0 = 0
−2𝜋𝑖(0)(2) 𝑘(2) = 0 + 0 − 0𝑖 − 4.5 + 7.794𝑖
𝑥[𝑛] = [9] … … … … . 𝑘(0) = ∑ 9 ∗ 𝑒 3 = 9𝑒 0 = 9
Entonces tenemos que cuando k toma valor de (0) y aplicamos 𝑘(2) = −4.5 − 7.794𝑖
la fórmula de la transformada de Fourier a la muestra,
obtenemos de la suma:
𝑘(0) = 0 + 0 + 9 = 9 Se obtiene el siguiente resultado
𝑘(0) = 9
𝑘(0) = 9 + 0𝑖 𝑿 = [𝟗 + 𝟎𝒊 − 𝟒. 𝟓 + 𝟕. 𝟕𝟗𝟒𝒊 − 𝟒. 𝟓 − 𝟕. 𝟕𝟗𝟒𝒊]
Según reemplazamos k(1) para las muestras
−2𝜋𝑖(1)(0) Comprobamos el resultado en octave online:
𝑥[𝑛] = [0] … … … … . 𝑘(1) = ∑ 6 ∗ 𝑒 3 = 0𝑒 0
−2𝜋𝑖(1)(1) −2𝜋𝑖
𝑥[𝑛] = [0] … … … … . 𝑘(1) = ∑ 1 ∗ 𝑒 3 = 0𝑒 3

−2𝜋𝑖(2)(2) −4𝜋𝑖
𝑥[𝑛] = [9] … … … … . 𝑘(1) = ∑ 9 ∗ 𝑒 3 = 9𝑒 3

−2𝜋𝑖 −4𝜋𝑖
𝑘(1) = 0𝑒 0 + 0𝑒 3 + 9𝑒 3

Aplicamos el teorema de Euler:

𝑒 −𝑗𝑥 = cos(𝑥) − 𝑖 𝑠𝑒𝑛(𝑥)
 11

IV. Cada estudiante realizará un video en you tube, en el

cual explicará línea a línea el funcionamiento del algoritmo
de la transformada discreta de Fourier (TDF)

Link del video realizado por OMAR GOMEZ VASQUEZ

https://youtu.be/odv-eY0yspE

Link del video realizado por JOHN ELKIN QUINTERO

https://www.useloom.com/share/c79164c9d0404676997e567a
34cd0b16

Link del video realizado por JOHN STEVEN POSSO

CAICEDO
https://youtu.be/JYUYToiVDpc

Link del video realizado por BEATRIZ KATALINA

TORRES NUÑEZ
https://youtu.be/Aq4dauZ_Ve0

V. 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, 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.

Rango de frecuencias audibles por el ser humano: (20Hz-

20kHz)[6]

El “sonido” se utiliza para indicar el sonido que puede ser

percibido por el oído humano, es decir, el “sonido” se refiere al
sonido audible, a menos que se clasifique de otra forma. Una
definición razonablemente estándar de sonido audible es, la de
una onda de presión con frecuencia entre 20 𝐻𝑧 𝑦 20.000 𝐻𝑧,
Y con una intensidad por encima del umbral de audición
estándar. Dado que el oído está rodeado por el aire, o tal vez
bajo el agua, las ondas de sonido están limitadas a ser ondas
longitudinales. También se pueden especificar los rangos
normales de presión sonora y la intensidad del sonido.

Un instrumento musical es un sistema para producir tonos

placenteros (cultural). Consiste en la combinación de uno o
más sistemas resonantes capaces de producir uno o más tonos y
de los medios para excitar estos sistemas que están bajo el
control de sus intérpretes.

A continuación, se mostrarán los instrumentos con su rango de

frecuencias y al frente la frecuencia a la que debe ser
muestreado, calculado con la frecuencia de Nyquist:

 Fagot (1-7kHz) =14kHz

 Trompeta (1-7.5kHz) =15kHz
 Flauta (3-8kHz) =16kHz
 Oboe (2-12kHz) =24kHz
 Clarinete (2-10kHz) =20kHz

Los múltiples sonidos que existan en nuestro entorno el ser
humano han construido diferentes instrumentos musicales.
Existen diversos tipos de instrumentos musicales y pueden
clasificarse de acuerdo con la manera en que se produce el
sonido, miremos Flauta, Clarinete, Trompeta, Tambor, Guitarra
acústica.
APORTES TEÓRICOS
1) ¿Qué es una señal muestreada?
Una señal muestreada es una señal continua a la que se le hace
un proceso de muestro donde se pierden alguna parte de sus
datos, la perdida de datos depende a que frecuencia se muestree
la señal, es un proceso que se realiza en el (eje x).
El proceso de muestro debe cumplir con el teorema de Nyquist
para que se pueda reconstruir la señal con poca perdida de datos.
[1]
Teorema de Nyquist: 𝑓𝑚 = 2 ∗ 𝑓𝑚𝑎𝑥
Fig. 1. Proceso de Muestreo
2) ¿Qué es una señal cuantizada?
Después de hacer el proceso de muestre en la señal (eje x), se
procede a realizar una cuantización (eje y), que es asignar
valores, esto depende directamente de los bits de cuantización,
proporcional a la amplitud de la señal original, En este proceso
también se genera una pérdida de información que se llama error
de cuantificación, siempre existirá por la baja de nivel que debe
tener un señal para poder ser cuantificada en un sistema digital.
[2]
𝑛: 𝑏𝑖𝑡𝑠 𝑑𝑒 𝑐𝑢𝑎𝑛𝑡𝑖𝑧𝑎𝑐𝑖𝑜𝑛
2𝑛 : 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑑𝑒 𝑐𝑢𝑎𝑛𝑡𝑖𝑧𝑎𝑐𝑖𝑜𝑛
Fig. 2. Proceso de Cuantificación
12
VI. ¿Cuál es el fenómeno llamado Alias o Aliasing?
El fenómeno Alias o Aliasing se presenta cuando una señal es
muestreada por debajo de su frecuencia de Nyquist en las
direcciones "x" e "y", esto quiere decir que si la frecuencia de
muestreo es menor a dos veces la frecuencia máxima de la
señal analógica se presenta el fenómeno alias y la señal
original no puede ser reconstruida a partir de la señal digital
debido a la perdida de información
VII. ¿Qué indica el teorema de muestreo de Nyquist?
El teorema especifica que una señal continua con un ancho de
banda definido por una frecuencia máxima puede ser
reconstruida por completo a partir de un tren de impulsos
periódicos de muestreo de frecuencia máxima igual o mayor a
dos frecuencias máximas de dicha señal analógica. Esto quiere
decir que el teorema de Nyquist nos dice que la frecuencia de
muestreo tiene que ser el doble o mayor a la frecuencia
máxima
𝑓𝑛𝑦𝑞𝑢𝑖𝑠𝑡 = 𝑓𝑠 𝑚𝑖𝑛 ≥ 2 𝑓𝑚𝑎x
VIII. ¿Qué realiza la transformada de Fourier?
La transformada de Fourier cambiar de dominio una señal de
tiempo a frecuencia y viceversa. También para identificar los
armónicos que son múltiplos de la frecuencia original. Es
realiza una función dada que dice cuánto hay de una cantidad
en cada instante de tiempo, la Transformada da otra función
que dice la cantidad que tiene a cada función de frecuencia.
IX. ¿Qué es la transformada rápida de Fourier?
Este tipo de transformada se refiere a la extracción de senos y
consenso cuando se súper ponen y de esta manera tiende a
reducir la función original a la vez la transformación de una
función del tiempo en una función de frecuencia. Es decir,
algoritmo para el cálculo 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 de forma directa. Herramienta fundamental en el
procesado digital de señales.
CONCLUSIONES.
Por medio de las lecturas realizadas a los artículos propuestos
en la guía integrada de actividades e investigaciones en la web,
me pude dar cuenta de la importancia que tiene procesamiento
Digital de señales en nuestra vida diaria, ya que en casi todos
los dispositivos electrónicos, manejan un procesamiento de
señal que nos ha permitido acelerar procesos que antes eran
muy lentos y engorrosos, y otros nos ha permitido hacer la vida
más fácil y práctica.
Las temáticas propuestas por el curso de procesamiento Digital
de Señales, son de vital importancia para nuestro aprendizaje
 13

como futuros ingenieros, puesto que nos ha permitido conocer

de qué manera y con qué procesos se puede analizar una señal
discreta, también de qué manera se puede buscar patrones por
emparejamiento, como es el caso de la correlación. Así que de
nosotros como estudiantes depende un buen aprendizaje, y
logrará el éxito, no solo en el análisis y tratamiento de señales
digitales, sino también en cursos futuros donde se necesite
tener herramientas de análisis de señales discretas

Quedo demostrado que la Transformada de Fourier tiene una

aplicación importantísima en los procesos digitales que permite
el desarrollo tecnológico.

Por medio de la elaboración del trabajo se concluye el

familiarizarnos con el análisis matemático de cada uno de los
ejercicios propuestos para fortalecer nuestras competencias.

REFERENCIAS

[1] A. Ambardar, Muestreo ideal. In procesamiento de

señales analógicas y digitales, Segunda ed., Mexico:
Cengage Learming, 2002, pp. 446-455

[2] A. Ambardar, Cuantizacion. In Procesamiento de señales

analógicas y digitales, segunda ed., Mexico: Cengage
Learming, 2002, pp. 456-460.

[3] A. Ambardar, Cuantizacion. In Procesamiento de señales

analógicas y digitales, segunda ed., Mexico: Cengage
Learming, 2002, pp. 460-464.

[4] A. Ambardar, Transformada de Fourier Tiempo Discreto.

In procesamiento de señales analógicas y digiteles,
Segunda ed., Mexico: Cengage learming, 2002, p. 482.