LABORATORIO DE SEÑALES Y SISTEMAS

II Término 2019-2020

PRÁCTICA #2
MUESTRO DE SEÑALES SINUSOIDALES Y
SEÑALES DE VOZ

ESTUDIANTE: JORDAN MOREIRA VALDEZ

PROFESOR: VERÓNICA OJEDA CARRERA

PARALELO PRÁCTICO: 107

FECHA DE ENTREGA: 09/11/19

INTRODUCCIÓN
En este trabajo realizado se tiene como objetivo el estudio de la Teoría de señales, enfatizando el
muestreo de señales discretas y continuas mediante el uso de Matlab, también se requiere llegar al
teorema de Nyquist para comprender su uso en distintas situaciones. Se insistió en el proceso para
determinar el espectro de una señal discreta, con la finalidad de comprender el significado del
efecto aliasing debido a su gran uso en el proceso de conversión de señales.

MARCO TEÓRICO
En la actualidad, bajo algunas condiciones, es posible reconstruir una señal
continua por completo mediante el conocimiento de sus valores o muestras en
puntos igualmente espaciados en el tiempo [1]. Este proceso es conocido como
muestro de señales continuas.

𝑥(𝑡) SISTEMA 𝑥[𝑛]

Figura 1. Proceso de conversión.

Debido a la necesidad de reconstruir una señal, se debe estar familiarizado con la

idea de la frecuencia de Nyquist la cual nos permite encontrar el rango de muestras
que nos proporcionara una perfecta reconstrucción de la señal deseada. Sin
embargo, aparece un problema al tomar muestras a una frecuencia por debajo de
dicha frecuencia, este problema es conocido como aliasing y se refiere a la
presencia de componentes no deseadas en la señal perdiendo o sobreponiendo
frecuencias de la señal original [2].

El teorema de Nyquist afirma que una señal puede ser reconstruida, sin error, de
muestras tomadas en iguales intervalos de tiempo, siempre que la velocidad de
muestreo se realice por lo menos con el doble de la máxima frecuencia de la señal.
Esta velocidad de muestreo es la anteriormente mencionada “Frecuencia Nyquist”.

Todo este proceso se realiza con el uso de un convertidor discreto a continuo el cual
permite representar una señal de tiempo discreto, en tiempo continuo. El proceso
depende factores tales como el sistema o la frecuencia de muestreo.

𝑥[𝑛] D/C 𝑥(𝑡)

Figura 2 Sistema de un convertidor discreto-continuo ideal.

RESULTADOS

EJERCICIO 1: MUESTREO

Figura 3 Señal continua y discreta (fs = 500muestras/seg)

Figura 4. Señal continua y discreta (fs = 50muestras/seg)

Figura 5. Señal continua y discreta (fs = 1000 muestras/seg)

EJERCICIO 2: ALIASING

Figura 5. Señal continua, señal discreta y señal de aliasing

EJERCICIO 3: ESPECTRO Y RECONSTRUCCIÓN IDEAL

Figura 6. Señal discreta y espectro de frecuencia (fs = 500muestras/seg)

CALCULOS TEÓRICOS

Figura 8. Ejercicio 1. Literal a

Figura 9. Ejercicio 3. Literal b y d

PREGUNTAS
1. Explique cuando ocurre el efecto de aliasing.

El efecto aliasing ocurre debido a que la frecuencia del muestreo es menor al

doble de la frecuencia máxima que se contiene en el espectro de la señal
analógica (Frecuencia de Nyquist). [3]

2. Demuestre que 𝟕𝐜𝐨𝐬⁡(𝟖. 𝟒𝝅𝒏 − 𝟎. 𝟐𝝅) es un alias de 𝟕𝐜𝐨𝐬⁡(𝟎. 𝟒𝝅𝒏 − 𝟎. 𝟐𝝅).

Además, encuentre 2 frecuencias que sean alias de⁡𝟎. 𝟒𝝅 rad.
3. Suponga que la señal 𝒙(𝒕) = 𝐬𝐢𝐧(𝟔𝟎𝟎𝟎𝛑𝐭) + 𝟑𝐬𝐢𝐧(𝟕𝟐𝟎𝛑𝐭) es la entrada del
siguiente sistema:

a) Determine la frecuencia de muestreo de x(t).

b) Determine la frecuencia de solapamiento de x(t)
c) ¿Cuáles son las frecuencias de la señal discreta en el tiempo resultante x[n]?
d) Si la señal de entrada pasa por un convertidor D/A, escriba la expresión
simplificada para la salida y(t).
CONCLUSIONES

 La nitidez de una señal analógica tiene una gran dependencia de la

frecuencia de muestreo a la que se trabaja.
 Mientras menor se el tiempo de muestra la señal muestreada se aproxima a
la original
 El efecto aliasing se produce cuando una señal de entrada tiene una
frecuencia mucho mayor a la señal de salida

RECOMENDACIONES

 Para identificar una señal muestreada, el rango de valores de la muestra

deber ser suficientemente amplio
 Se debe Identificar la frecuencia mínima de muestreo de la señal a estudiar
para evitar la generación de aliasing.
BIBLIOGRAFIA
[1] A. Oppenheim y A. S. Willsky. Señales y Sistemas. Edicion 2da. España: Pearson Prentice Hall, 1998

[2] J.M. Alvarado y C.E. Stern. Un complemento al teorema de Nyquist. México: Universidad Nacional
Autónoma de México, 2010.

[3] L. Boggio. Señales y sistemas, 2016. [En línea]. Disponible en:

https://www.fceia.unr.edu.ar/tesys/html/circulo/index.html.
APENDICES
%EJERCICIO 1 - GRAFICAR SEÑALES MUESTRADAS
t=0:0.001:1/60;
x=cos(2*pi*60*t); %se genera una funcino continua

%a
fs= 500; %frecuencia de muestro
Ts=1/fs;
ns1=0:1/(60*Ts);
xs1=cos(2*pi*60/fs*ns1); %se genera una funcion discreta

subplot(2,1,1)
plot(t,x,'b')
title('Señal Continua')
xlabel('tiempo (s)')
ylabel('x(t)')

subplot(2,1,2)
stem(ns1,xs1,'filled','r','LineWidth',1);
title('Señal Discreta')
xlabel('muestas/seg')
ylabel('x[n]')

%b
fs2=50;
Ts2=1/fs2;
ns2=0:1/(60*Ts2);
xs2=cos(2*pi*60/fs2*ns2);

subplot(2,1,1)
plot(t,x,'b')
title('Señal Continua')
xlabel('tiempo (s)')
ylabel('x(t)')

subplot(2,1,2)
stem(ns2,xs2,'filled','r','LineWidth',1);
title('Señal Discreta')
xlabel('muestas/seg')
ylabel('x[n]')

%c
fs3=1000;
Ts3=1/fs3;
ns3=0:1/(60*Ts3);
xs3=cos(2*pi*60/fs3*ns3);

subplot(2,1,1)
plot(t,x,'b')
title('Señal Continua')
xlabel('tiempo (s)')
ylabel('x(t)')

subplot(2,1,2)
stem(ns3,xs3,'filled','r','LineWidth',1);
title('Señal Discreta')
xlabel('muestas/seg')
ylabel('x[n]')

%EJERCICIO 2 - EFECTO ALIASING

f=60;
t=0:0.001:2/f;
x=cos(2*pi*f*t+pi/3); %Se genera una función continua con frecuencia f y
desface pi/3
fs=400; %frecuencia de muestro
Ts=1/fs;
ns1=0:2/(f*Ts);
xs1=cos(2*pi*f/fs*ns1+pi/3);%Se genera una función discreta

subplot(3,1,1)
plot(t,x,'c') %Grafica de señal continua
title('Señal Continua')
xlabel('tiempo (s)')
ylabel('x(t)')

subplot(3,1,2)
stem(ns1,xs1,'filled','r','LineWidth',1);%Señal discreta
title('Señal Discreta')
xlabel('muestas/seg')
ylabel('x[n]')

subplot(3,1,3)
faliasing=460; %Representa la frecuencua aliasing
t=0:0.0001:2/f;
xaliasing=cos(2*pi*faliasing*t+pi/3); %señal de aliasing con frecuencia
alias=460;
plot(t,xaliasing);
hold on
stem(ns1*Ts,xs1,'filled','r','LineWidth',1);
title('Señal Aliasing')

EJERCICIO 3 -ESPECTRO Y RECONSTRUCCION IDEAL

%b
f1=100;
f2=3000;
f3=6000;
t=0:0.00001:1/120; %intervalo de la señal
x=3*cos(2*pi*f1*t)+5*cos(2*pi*f2*t)+cos(2*pi*f3*t); %función continua
%función discreta
fs=5000; %frecuencia de muestreo
Ts=1/fs; %periodo de muestreo
ns1=0:1/(120*Ts); %numero de muestras
xs1=3*cos(2*pi*f1*Ts*ns1)+5*cos(2*pi*f2*Ts*ns1)+cos(2*pi*f3*Ts*ns1);
%señal discreta x[n]

subplot(2,1,1)
stem(ns1,xs1,'filled','r','LineWidth',1)
grid on
title('Señal discreta x[n]')
xlabel('Tiempo discreto')
ylabel('x[n]')

%señal de aliasing
subplot(2,1,2)
faliasing=5000;
xaliasing=3*cos(2*pi*(f1+faliasing)*t)+ 5*cos(2*pi*(f2+faliasing)*t)+
cos(2*pi*(f3+faliasing)*t);
plot(t,xaliasing,'b')
hold on
grid on
title('Espectro de frecuencia de x[n] con fs=5000Hz')
xlabel('Tiempo discreto')
ylabel('x[n]')

%d

t=0:0.001:1/60;
fs1=5000;
y1=3*cos(0.04*pi*fs1*t)+ 5*sin(1.2*pi*fs1*t)+ cos(2.4*pi*fs1*t); %función
continua
%valores de la función discreta
subplot(2,1,1)
plot(t,y1,'b')
title('Señal de salida con fs=5000')
grid on
xlabel('Tiempo (n)')
ylabel('y(t)')