1

Unidad 1
Introducción.
Las señales actualmente desempeñan un papel muy importante en la vida diaria, la
voz, video, imágenes, música son señales que encontramos a diario. Una señal es un
fenómeno físico real que lleva información, a través del procesamiento de una señal se
puede extraer la información útil. Esta unidad proporciona algunas ideas de señales
discretas, así como una introducción de los métodos para el análisis del procesado
digital de señales. Se realizan conversiones de una señal analógica en digital, también
se presenta el teorema de muestreo que forma la clave para muestrear señales
analógica sin pérdida de información, se concluye con una descripción de
cuantificación de señales muestreadas. Por otro lado se incluyen instrucciones para
realizar gráficas de señales discretas en Matlab.

1.1 Señales, sistemas y procesado de la señal

Las señales se definen como magnitudes físicas que cambian con el tiempo, el
espacio, con una o más variables independientes, se representa matemáticamente
como una función de una o mas variables. Por ejemplo una señal de voz puede ser
representada como una función de una variable ( ) y una imagen como una función
de dos variables espaciales ( , ). Las funciones pueden ser además escalares o
vectoriales. Por medio de las señales se pueden transmitir mensajes o información.
Por ejemplo, las funciones:

( )=
( )= 6
( , ) = 10 + 5 +8

describen tres señales, una que cambia linealmente con la variable independiente
(tiempo), una segunda que varía en forma cúbica con y una función que describe
una señal con dos variables independientes e que pueden representar las
coordenadas espaciales en un plano.

Las señales descritas anteriormente pertenecen a las que quedan perfectamente

definidas especificando la dependencia funcional con la variable independiente.
Cuando la variable independiente ( ) toma valores del conjunto de los números reales,
se dice que es una variable de tiempo continuo, y la señal ( ) es una señal en
tiempo continuo ó una señal analógica. Ejemplo de señales analógicas son, las ondas
de voltaje y de corriente de un circuito eléctrico, las señales de audio como voz u
ondas musicales, las señales bioeléctricas como el electrocardiograma (ECG) ò el
electroencefalogramas (EEG), etc.

Existen casos en los que la relación funcional es desconocida o demasiado

complicada. Por ejemplo, una señal de voz (ver figura 1.1) no se puede describir
funcionalmente mediante expresiones con una o más variables independientes. En
general, un segmento de voz puede representarse con un alto grado de exactitud como
la suma de varias sinusoides de diferentes amplitudes y frecuencias, como:
 2

( ) [2 ( ) + ( )]

donde ( ), ( ), ( ) son las amplitudes, frecuencias y fases respectivamente

(variables con el tiempo) de las sinusoides. De hecho, una manera de interpretar la
información o el mensaje contenido en un segmento corto de una señal de voz es
medir las amplitudes, frecuencias y fases contenidas en el segmento corto de señal.

Figura 1.1 Ejemplo de una señal de voz de la palabra UJAP.

Un sistema se puede definir como un dispositivo físico que realiza una transformación
sobre una señal de entrada u operador matemático que transforma una señal de entrada
en una señal de salida, por medio de un conjunto de reglas u operaciones fijas, donde
la señal de salida posee propiedades diferentes a la de la señal de entrada. Por
ejemplo, un filtro que se usa para reducir el ruido y las interferencias que corrompen
la señal conteniendo la información deseada. En este caso, el filtro realiza algunas
operaciones sobre la señal, cuyo efecto es reducir (o filtrar) el ruido y la interferencia
presentes en la señal deseada.

Cuando pasamos una señal a través de un sistema, como en el caso del filtrado,
decimos que hemos procesado la señal, separando el ruido y la interferencia de la
señal deseada. En este caso, el sistema se caracteriza por el tipo de operación que
realiza sobre la señal; por ejemplo, si la operación es lineal, el sistema se denomina
lineal, si la operación es no lineal, el sistema se señala como no lineal, etc. y tales
operaciones se designan habitualmente como procesado de señal.

1.2 Elementos básicos de un sistema de procesado digital de señales

La mayor parte de las señales que aparecen en los ámbitos de la ciencia y la
ingeniería son de naturaleza analógica, es decir, las señales son funciones de una
variable continua, como el tiempo o el espacio y normalmente toman valores en un
rango continuo. Tales señales pueden ser procesadas directamente por sistemas
analógicos adecuados (como filtros o analizadores de frecuencia) o multiplicadores de
frecuencia con el propósito de cambiar sus características o extraer cualquier
información deseada. En tal caso, decimos que la señal ha sido procesada
directamente en forma analógica, como se ilustra en la figura 1.2. Tanto la señal de
entrada como la de salida están en forma analógica.
 3

El procesado digital de señales proporciona un método alternativo para procesar una

señal analógica, como se ilustra en la figura 1.3. Para realizar el procesado
digitalmente, se necesita un interfaz entre la señal analógica y el procesador digital.
Este interfaz se denomina conversor analógico-digital (A/D). La salida del conversor
analógico-digital es una señal adecuada como entrada al procesador digital.
El procesador digital de señales puede ser un gran ordenador digital programable o un
pequeño microprocesador programado para realizar las operaciones deseadas sobre la
señal de entrada.

Señal Procesador Señal

analógica analógico analógica
de entrada de señales de salida

Figura 1.2. Procesado de señal analógica.

Señal Procesador Señal

Conversor Conversor
analógica digital de analógica
A/D D/A
de entrada señales salida

Señal Señal
digital de digital de
entrada salida
Figura 1.3 Diagrama de bloques de un sistema digital de procesado de señales.

En aplicaciones donde la salida del procesador digital de señales se ha de entregar en

forma analógica, como en comunicaciones digitales, debemos proporcionar otra
interfaz desde el dominio digital al analógico. Tal interfaz se denomina conversor
digital-analógico (D/A). De este modo, la señal se entrega al usuario en forma
analógica, como se ilustra en el diagrama de bloques de la figura 1.3.
No obstante, existen otras aplicaciones prácticas que requieren análisis de señales en
las que la información deseada se encuentra en formato digital y no se requiere
ningún conversor D/A. Por ejemplo, en el procesado digital de señales captadas por
un radar, la información extraída de la señal radar, tal como la posición de la nave y
su velocidad, se puede imprimir directamente sobre papel. En este caso, no hay
necesidad de conversor D/A.

1.3 Ventajas del procesamiento digital sobre el analógico

Para poder representar una señal analógica por medio de una señal digital sin que
sufra pérdidas de información considerables, la señal analógica debe ser digitalizada
con una tasa de muestreo suficientemente alta (esto se analizará con suficiente detalle
en capítulos posteriores). La tecnología digital impone límites de velocidad de
procesamiento, que, aunque cada vez menos restrictivos, determinan los anchos de
banda de señales que pueden ser tratadas digitalmente. Es por esto que los sistemas
analógicos siguen siendo irreemplazables en aplicaciones con señales de muy amplios
anchos de banda. En casos donde las señales pueden ser digitalizadas sin perder
demasiada información y se cuenta con suficiente tiempo para realizar los cálculos
necesarios, es preferible utilizar un sistema digital sobre su equivalente analógico.
 4

Esto por varias razones:

Los sistemas digitales son usualmente más baratos y confiables para el procesamiento
de señales. Como ya se mencionó, pueden utilizarse sistemas programables, por lo que
a través de cambios en el software pueden modificarse o adaptarse sus características,
proveyendo así un alto grado de flexibilidad en el diseño. Además, las precisiones
alcanzables con sistemas digitales son usualmente mucho mayores que los circuitos
analógicos, en los que el error acumulado en forma de ruido aumenta con cada etapa
de procesamiento.
Un sistema digital funciona en toda su vida útil exactamente de la misma manera, y la
fabricación de dispositivos asegurará en todos ellos un comportamiento idéntico. Esto
contrasta con los diseños analógicos, donde las características de los componentes,
pasivos y activos, varían con el tiempo y donde la tolerancia de cada componente
alterará en alguna medida el funcionamiento del sistema total.
Otra ventaja de los sistemas de procesamiento digital tiene que ver con las
posibilidades de almacenaje. Los niveles de ruido introducidos en sistemas de
almacenamiento analógicos (como cintas magnéticas) son extremadamente altos
comparados con el almacenamiento prácticamente sin perdidas (excepto las
introducidas por la propia digitalización) de señales digitales. Por este motivo, con
señales digitales es más factible realizar los llamados procesamientos “fuera de línea”
(off-line), donde el tratamiento de la señal se realiza en otro tiempo al de la captura de
la señal. Esto es muy útil por ejemplo en astronomía, donde las altas cantidades de
información capturadas por los radios-telescopios pueden ser entonces analizadas
mucho después de la adquisición de datos, sin riesgos de producir conclusiones
incorrectas producto de imprecisiones del almacenaje. Otro ejemplo es el análisis de
imágenes médicas, donde altos volúmenes de información son analizados en procesos
automáticos ó semi-automáticos a posteriori en la detección de enfermedades y el
planeamiento de operaciones quirúrgicas.
Pero quizás una de las ventajas fundamentales del procesamiento digital es la
complejidad alcanzable por medio de algoritmos de software, para los cuales pueden
incluso no existir equivalentes analógicos. Debido a las consiguientes
simplificaciones en los procesos de diseño de sistemas digitales y considerando la
predictibilidad en el incremento de las capacidades de procesamiento y memoria (por
ejemplo, por medio de la Ley de Moore), se acostumbra desarrollar los modernos y
complejos algoritmos para el tratamiento digital de señales utilizando equipos de alto
costo y tal vez de dimensiones volumétricas que exceden los requerimientos, puesto
que se asume que en los próximos años se podrá integrar y mejorar el hardware
utilizado hasta satisfacer las expectativas de aparatos domésticos. Como ejemplo, los
nuevos estándares de codificación de video del grupo MPEG necesitan varios
microprocesadores de última generación para funcionar, y aún así no alcanzan las
velocidades necesarias para desplegar los videos con la naturalidad deseada. Se parte
del hecho que en un corto plazo los prototipos actuales podrán ser integrados y
comercializados hasta en sistemas portátiles.

1.4 Áreas de aplicaciones del procesamiento digital de señales

Las aplicaciones del procesamiento digital de señal son hoy en día incontables. Quizás
las áreas más conocidas, pero no las únicas, son el procesamiento y análisis digitales
de:
 5

• Señales acústicas
• Imágenes bidimensionales o tridimensionales
• Señales de radar y sonar
• Señales sísmicas, volcánicas, etc.
• Señales de sensores industriales para el control automático
• Señales en comunicaciones eléctricas.

El tratamiento de señales acústicas es utilizado entre otros en el almacenamiento y

transmisión eficientes de sonido digital (MP3, OggVorbis, etc.), el procesamiento
profesional de sonido en industria musical y cinematográfica, el manejo de señales de
ultrasonido para elaboración de imágenes medicas, o el procesamiento de voz humana,
necesario para codificar, encriptar, reconocer o sintetizar el habla.
El procesamiento de imágenes bidimensionales permite analizar las señales obtenidas
por medio de cámaras industriales, hoy en día frecuentemente encontradas en las
líneas de producción; además, el procesamiento de imágenes tomadas por satélite
permite identificar entre otras cosas el tipo de uso del suelo, facilitan la construcción
de mapas actualizados, etc. Esta área es central en la codificación y compresión de
señales de video, tal y como los establecen los estándares MPEG (Motion Picture
Expert Group).El procesamiento de imágenes tridimensionales se utiliza por ejemplo
en el análisis y generación de imágenes de resonancia magnética (MRI), utilizadas en
medicina como instrumento de observación de tejidos internos de un paciente, sin
tener la necesidad de utilizar procedimientos quirúrgicos.
Las técnicas modernas de análisis permiten obtener mejores resoluciones y aumentar
la confiabilidad de la información producida por sonares y radares. Por otro lado, el
estudio digital de señales sísmicas y volcánicas permite incorporar técnicas de
simulación y reconocimiento de patrones que mejoran la predicción de zonas y
periodos de riesgo. En los procesos de automatización industrial el procesamiento
digital es en la actualidad omnipresente, pues a pesar de que la mayoría de los
sensores producen salidas analógicas, estas son transformadas casi inmediatamente a
señales digitales para permitir una transmisión más confiable y sin mayores perdidas a
las unidades de procesamiento, para facilitarla aplicación de algoritmos de extracción
de la información de interés, y para hacer posible la utilización de técnicas confiables
de almacenamiento de la información, que puede ser la base luego para el
mejoramiento de los procesos productivos, en el cálculo de costos, etc.
En la preparación de señales para su transmisión y en la descodificación y
mejoramiento de las mismas del lado de los receptores, el procesamiento digital juega
un papel cada vez más importante. Un ejemplo lo representan los módems utilizados
actualmente para permitir enlaces de alta velocidad a través de las líneas telefónicas
de cobre, denominado ADSL (Asymmetric Digital Subscriber Line), donde el
procesamiento digital es utilizado para codificar y decodificar las tramas y las señales
de acuerdo a los estándares de modulación digitales.

1.5 Clasificación de las señales

Los métodos que usamos en el procesado de una señal o en el análisis de la respuesta
de un sistema a una señal dependen de las características de la señal en particular. En
este caso, existen técnicas que se aplican sólo a familias específicas de señales.
 6

En consecuencia, cualquier investigación en procesado de señal debe comenzar con la

clasificación de las señales que se encuentran en la aplicación concreta.

1.5.1 Señales multicanal y multidimensionales

De acuerdo a lo indicado, una señal se describe mediante una función de una o más
variables independientes. El valor de la función (es decir, de la variable dependiente)
puede ser un escalar real, una cantidad compleja o quizás un vector.
Por ejemplo, la señal ( ) = (5 ) es una señal real.
Sin embargo, la señal ( ) = = (8 ) + (8 ) es compleja.

En algunas aplicaciones, las señales son generadas por múltiples fuentes o sensores.
La figura 1.4 muestra las tres componentes de una señal vectorial que representa la
aceleración en la superficie terrestre de un terremoto. Esta aceleración es el resultado
de tres clases elementales de ondas elásticas.

Figura 1.4 Componentes de la aceleración de un terremoto. Ondas P de baja magnitud al comienzo,

ondas S llegan a los 1200 s y las ondas superficiales llegan cerca de los 2000 s. Sismo de 7.1

Las ondas primarias ( ) y las secundarias ( ) se propagan en el interior de la tierra y

son longitudinales y transversales, respectivamente. La tercera clase de ondas
elásticas se denomina onda superficial porque se propaga cerca de la superficie
terrestre. Cada registro es una señal unidimensional. Puede representarse una señal de
múltiples entradas como un vector ( ), donde

( )
( )= ( )
( )

Nos referiremos a tal vector de señales como una señal multicanal. Para una señal
bioeléctrica por ejemplo un electrocardiograma (ECG) utiliza de 3 a 12 electrodos que
toman las lecturas y dan origen a señales de 3 a 12 canales de entrada.
Prestemos ahora atención a las variables independientes. Si la señal es función de una
única variable independiente, la señal se denomina unidimensional. Por el contrario,
una señal se denomina M-dimensional si es función de M variables independientes.
 7

Figura 1.5. Ejemplo de una señal bidimensional.

La imagen que se muestra en la figura 1.5 es un ejemplo de señal bidimensional, dado

que la intensidad o brillo (x, y) en cada punto de la imagen o píxel se representa
como un vector en un espacio de color y es una función de dos variables espaciales
independientes. Por otra parte, la imagen de un televisor a color se puede
representarse como (x, y, t), dado que el brillo es una función del tiempo. Para un
televisor a color el brillo se puede describir mediante las tres siguientes funciones de
intensidad, (x, y, t), (x, y, t), (x, y, t), correspondientes al brillo de los tres colores
principales: rojo, verde y azul, como función del tiempo. Por tanto, la imagen de
televisión puede tratarse como una señal tridimensional.
Trataremos fundamentalmente con señales unidimensionales de un solo canal, reales o
complejas, y nos referiremos a ellas sencillamente como señales. En términos
matemáticos estas señales se describen mediante una función de una única variable
independiente.

1.5.2 Señales en tiempo continuo frente a señales en tiempo discreto

Las señales en tiempo continuo o señales analógicas, están definidas en todo instante
para todos los valores del tiempo y pueden tomar cualquier valor en el intervalo
continuo (a, b), donde a puede ser −∞ y b puede ser ∞. Las señales
( ) = sen(4π ), ( ) = 8e | | , −∞ < < ∞, son ejemplos de señales analógicas.
El término analógico proviene del hecho de que en muchos sistemas la variación de la
señal analógica con el tiempo es análoga a algún fenómeno físico que está siendo
medido o supervisado.
Las señales en tiempo discreto están definidas sólo para ciertos valores del tiempo.
Estos instantes del tiempo se toman equiespaciados por conveniencia computacional
y manejabilidad matemática. La señal ( ) = 10 | | , = 0, ±1, ±2, … constituye
un ejemplo de una señal discreta. Si usamos el índice n como la variable
independiente que representa los instantes de tiempo, la señal pasa a ser una función
de una variable entera (es decir, una secuencia de números). Por lo tanto, una señal en
tiempo discreto se puede representar matemáticamente como una secuencia de
 8

números reales o complejos. Para destacar la naturaleza discreta de una señal

denotaremos dicha señal como ( ) en vez de ( ).

Se tiene la siguiente secuencia,

0,95 , ≥0
( )=
0,

es una señal en tiempo discreto cuya gráfica se muestra en la figura 1.6. En la práctica
las señales en tiempo discreto pueden originarse de dos maneras:

1. Eligiendo valores de una señal analógica en determinados instantes de tiempo.

Este proceso se denomina muestreo. Por ejemplo, la señal ( ) de la figura 1.6 se
puede obtener muestreando la señal analógica ( ) = 0.95 , ≥ 0 una vez cada
segundo. La señal ( ) = 0, para < 0.
2. Acumulando una variable a lo largo de un determinado periodo de tiempo. Por
ejemplo, el número de vehículos por hora que entran a la UJAP en un día
determinado.

1.5.3 Señales continua frente a señales discretas

Si una señal toma todos los valores posibles en un intervalo tanto finito como infinito,
se dice que es continua. Por el contrario, si toma valores de un conjunto finito de
valores se dice que es discreta. Normalmente, estos valores son equidistantes y por
tanto pueden expresarse como un múltiplo de la distancia entre dos valores sucesivos.
Una señal en tiempo discreto, que toma valores en un conjunto discreto se denomina
señal digital. La figura 1.6 muestra una señal digital.

A continuación se indican las instrucciones en Matlab para representar grafica de una

señal en tiempo discreto
n=0:40;
y=0.95.^n;
stem(n,y,'r+')
title('Representación de una señal en tiempo discreto')
xlabel('Valores de la muestra, n')
ylabel(' x(n)')

Si una señal es analógica, se convierte a digital muestreándola en el tiempo para

obtener una señal en tiempo discreto, este proceso es denominado cuantificación.

1.5.4 Señales deterministas frente a señales aleatorias

El análisis matemático y el procesado de señales requieren que la señal sea descrita
matemáticamente. Esta descripción matemática, normalmente denominada modelo
matemático, conduce a otra importante clasificación de las señales. Cualquier señal
que pueda ser definida por una forma matemática explicita, un conjunto de datos o
una regla bien definida se denomina determinista. Por ejemplo para señales
deterministas definidas en el tiempo, sus valores en el pasado presente y futuro son
siempre conocidos, por ejemplo señal senoidal.
 9

Figura 1.6 Representación gráfica de la señal en tiempo discreto

x(n) = 0.95n para n ≥ 0 y x ( n ) = 0 para n < 0 .

En muchas situaciones prácticas, sin embargo, existen señales que no se pueden

describir con un grado de precisión razonable mediante fórmulas matemáticas
explicitas, o cuya descripción es demasiado complicada para ser de utilidad práctica.
La falta de tal relación supone que dichas señales evolucionan con el tiempo de forma
impredecible. Nos referiremos a estas señales como señales aleatorias. La salida de un
generador de ruido, la señal sísmica de la figura 1.4, y la señal de voz de la figura 1.1
son ejemplos de señales aleatorias.
La tabla 1.1 resume las características utilizada para clasificar las señales.

Característica Valores
Numero de variables Una variable Múltiples variables
Dimensionalidad Escalar Vectorial (multicanal)
Variables independientes Discretas Continuas
Valores de la señal Discretos Continuos
Naturaleza estadística Deterministas Aleatorios

1.6 El concepto de frecuencia en señales en tiempo continuo y en tiempo discreto

De la Física sabemos que la frecuencia está íntimamente relacionada con un tipo
específico de movimiento periódico llamado oscilación armónica, que se describe
mediante funciones sinusoidales. El concepto de frecuencia está directamente
relacionado con el de tiempo, su dimensión es inversa a la del tiempo. En
consecuencia la naturaleza del tiempo (continuo o discreto) afectara la naturaleza de
la frecuencia.
 10

Figura 1.7 Número de manchas solares de Wölfer entre los años 1700-2014. Cada muestra indica el número de
manchas solares observadas en el sol durante un año.

A continuación se indican las instrucciones para graficar el número de manchas solares

por año, cabe destacar que previamente se importan a Matlab los datos desde un archivo
en Excel llamado sunspot.xls, utilizando la ruta File/Import Data/sunspot.xls. La
columna uno son los años y la columna dos el número de manchas solares.

year=sunspot(:,1);
cant=sunspot(:,2);
figure(1)
stem(year(1:end),cant)
axis([year(1) year(end) 0 max(cant)+10])
title('Mancha Solares')
xlabel('Años')
ylabel('Número manchas solares');

1.6.1 Señales sinusoidales en tiempo continuo

Una oscilación armónica simple se describe matemáticamente mediante la siguiente
señal en tiempo continuo:

( ) = Acos(Ω + ), -∞<t<∞

que se muestra en la figura 1.8. El subíndice a usado con ( ) indica que se trata de
una señal analógica. Esta señal está completamente caracterizada por tres parámetros:
A es la amplitud de la sinusoide, Ω es la frecuencia en radianes por segundo (rad/s) y
es la fase en radianes. En lugar de Ω, a menudo se utiliza la frecuencia ciclos por
segundo o Hertz (Hz), donde Ω = 2
La ecuación (Ω + ) se puede escribir en términos de como

( )= (2 + ), −∞ < < ∞
 11

1.6.2 Propiedades de las señales analógicas sinusoidal

La señal analógica sinusoidal está caracterizada por las siguientes propiedades:

l . Para todo valor fijo de la frecuencia , ( ) es periódica, con periodo , si es el

valor positivo más pequeño tal que cumpla lo siguiente, ( + ) = ( ) donde
= es el periodo fundamental de la señal sinusoidal.

2. Las señales sinusoidales en tiempo continuo con frecuencias diferentes, son

diferentes.

Figura 1.8 Ejemplo de una señal sinusoidal analógica.

3. El incremento en la frecuencia resulta en un aumento en la velocidad de

oscilación de la señal, en el sentido de que se incluyen más periodos en un intervalo
de tiempo dado.

Debido a la continuidad de la variable temporal , podemos aumentar la frecuencia

sin límite, con el consiguiente aumento en la tasa de oscilación.
Las propiedades que hemos descrito para señales sinusoidales son aplicables a la clase
(Ω )
de señales exponenciales complejas del tipo
Expresando estas señales en términos de sinusoides mediante la identidad de Euler:

±
= cos( ) ± ( )

La ecuación de la señal ( )= (Ω + ) se puede escribir en terminos de señales

+
exponenciales complejas, donde el ( )=( )

(Ω ) (Ω )
+
( )= (Ω + )= [ ]
2

El primer término del lado derecho de la ecuación anterior se puede interpretar como
un fasor de magnitud /2 que gira en sentido contrario a las manecillas del reloj
(frecuencia negativa), mientras que el otro término es otro fasor de magnitud /2 que
gira en el sentido de las manecillas del reloj (frecuencia positiva), ambos a una
frecuencia de ciclos por unidad de tiempo, ver figura 1.9.
 12

Por definición, la frecuencia es una cantidad física inherentemente positiva. Esto es

obvio si interpretamos la frecuencia como el número de ciclos por unidad de tiempo
de una señal periódica. Por conveniencia matemática utilizaremos frecuencias
positivas y negativas. Por ello, el rango de frecuencias para señales sinusoidales
analógicas es −∞ < < ∞.

Figura 1.9 Representación de la función cosenoidal con desfase como

la suma de dos funciones exponenciales complejas conjugadas.

1.6.3 Señales sinusoidales en tiempo discreto

Una señal sinusoidal en tiempo discreto puede expresarse como:

( ) = ( + ), −∞ < < ∞

donde es una variable entera, denominada número de muestra, es la amplitud de

la sinusoide, es la frecuencia en radianes por muestra y es la fase en radianes. Si
en lugar de , utilizamos la variable de frecuencia definida por:

=2

la ecuación ( + ) se convierte en:

( ) = (2 + ), −∞< <∞

La frecuencia tiene dimensiones de ciclos por muestra. La figura 1.10 muestra una
sinusoide de frecuencia = /8 radianes por muestra ( = 1/6 ciclos por muestra) y
fase θ = π/6.

A continuación instrucciones en Matlab para elaborar la figura 1.10.

n=0:20; theta=pi/6;
w=pi/8; A=2;
y=A*cos(w*n+theta);
stem(n,y,'go')
 13

title('Señal Sinusoidal en Tiempo discreto. ')

xlabel('Valores de muestra, n ')
ylabel(' x(n) ')

Figura 1.10 Ejemplo de una señal sinusoidal en tiempo discreto ( = /8 y = /6).

1.6.4 Propiedades de las señales sinusoidales en tiempo discreto

Las sinusoides en tiempo discreto están caracterizadas por las propiedades siguientes:

1. Una señal en tiempo discreto ( ) es periódica con periodo si y sólo si:

( + ) = ( ) para todo

Donde es un número entero.

Para que una sinusoide con frecuencia sea periódica, se debe cumplir:

( ) = (2 + )
( + ) = cos[2 ( + ) + ] = (2 + )
cos(2 + ). cos(2 )− (2 + ). (2 ) = (2 + )

Esta relación es válida si se cumple que 2 0 sea igual a un múltiplo entero de 2 . Esto es, debe
existir un entero tal que 2 0 = 2 , o equivalentemente,

= /

Una señal sinusoidal en tiempo discreto es periódica sólo si su frecuencia se puede

expresar como el cociente de dos enteros (esto es, si es un numero racional).El
valor más pequeño de para que la señal sea periódica se denomina periodo
fundamental. Para determinar el periodo fundamental de una sinusoide periódica,
debemos expresar su frecuencia de la forma = / y cancelar factores comunes
hasta que y sean números primos relativos. Entonces el periodo fundamental de la
sinusoide es .
 14

Esta propiedad también se aplica a las señales exponenciales complejas. Para que la
( )
señal sea periódica debe cumplir que = e , para esto = 1, o sea
debe ser un múltiplo entero de 2 , por lo que debe existir un entero tal que
= 2 , o equivalentemente, = / .
Por otro lado una pequeña variación en la frecuencia puede originar un gran cambio
en el periodo. Por ejemplo, obsérvese que = 5/32 implica que = 32, mientras
que = 4/32 implica que = 8.

A continuación se indican las instrucciones y señales sinusoidales, donde se puede

observar el caso indicado anteriormente.

Instrucciones figura 1.11

n=0:40;
t=0:1/100:40;
f=5/32; A=1;
y=A*cos(2*pi*f*n);
stem(n,y,'r')
hold on % Se mantiene en espera para graficar otra señal
y=A*cos(2*pi*f*t);
plot(t,y)
title('Señal Sinusoidal en Tiempo discreto con periodo N =32')
xlabel('Valores de muestra, n')
ylabel(' x(n) ')

Figura 1.11 Señal sinusoidal en tiempo discreto con periodo N=32.

Instrucciones figura 1.12

n=0:40;
t=0:1/100:40;
 15

A=1;
f=4/32;
y=A*cos(2*pi*f*n);
stem(n,y,'r')
hold on
y=A*cos(2*pi*f*t);
plot(t,y)
title('Señal Sinusoidal en Tiempo discreto con periodo N =8')
xlabel('Valores de muestra, n ')
ylabel(' x(n)')

Figura 1.12 Señal sinusoidal en tiempo discreto con periodo N=8.

2. Las sinusoides en tiempo discreto cuyas frecuencias están separadas por un múltiplo
entero de 2π, son idénticas.
Consideremos la sinusoide ( + ). Se comprueba que:

[( + 2 ) + ] = ( + )
( + ). (2 ) − ( + ). (2 ) = ( + )

Como resultado, todas las secuencias sinusoidales que cumplan con la siguiente
ecuación son idénticas.

( )= ( + ), = 0,1,2, …

Donde
= + 2 , − ≤ ≤
Las señales sinusoidales en tiempo discreto con frecuencias en el rango | | ≤
(− ≤ ≤ ) o | | ≤ 1/2 (−1/2 ≤ ≤ 1/2. ) son únicas. Cualquier secuencia
que resulte de una sinusoide con una frecuencia en el rango | | > o | | > 1/2 son
 16

idéntica a una secuencia obtenida a partir de una señal sinusoidal de frecuencia

| | ≤ o | | ≤ 1/2. Denominamos a la sinusoide que tiene la frecuencia | | > un
alias o copia de la sinusoide correspondiente a la frecuencia | | ≤ .
Consideraremos todas las frecuencias en el rango − ≤ ≤ o − 1/2 ≤ ≤ 1/2.
como únicas y todas las frecuencias para | | > , o | | > 1/2 como alias.

Cabe destacar que las sinusoides en tiempo continuo, son señales distintas para Ω ó F
en el rango completo −∞ < Ω < ∞ o − ∞ < < ∞.
El rango de frecuencias para sinusoides en tiempo discreto es finito con duración 2π.
Habitualmente, se elige el rango − ≤ ≤ o − 1/2 ≤ ≤ 1/2, que
denominamos el rango fundamental, esto implica que se pueden utilizar frecuencias
negativas para las señales en tiempo discreto.

3. La mayor tasa de oscilación en una sinusoide en tiempo discreto se alcanza

cuando = ( = − ) , equivalentemente, = / ( = − / ).
Para ilustrar esta propiedad, investigamos las características de la señal secuencia
sinusoidal ( ) = ( ) cuando la frecuencia varía desde 0 hasta π. Para
simplificar la discusión, tomamos varios valores de , ver tabla 1.1, se verifica que el
periodo de la sinusoide disminuye a medida que la frecuencia aumenta. Podemos ver en
la figura 1.13 que la tasa de oscilación aumenta cuando lo hace la frecuencia.

Tabla 1.1 Valores de , f, N

0 π/8 π/4 π/2 π
f 0 1/16 1/8 1/4 1/2
N ∞ 16 8 4 2

A continuación se indican las instrucciones del grupo de graficas de la figura 1.13

n=(-10:10);
y=cos(0.*n);
y1=cos(pi*n/8);
y2=cos(pi*n/4);
y3=cos(pi*n/2);
subplot(2,2,1)
stem(n,y,'r.')
title('señal x(n)=Cos(Wn),W=0')
xlabel('Valores de muestra, n ')
ylabel(' x(n) ')
subplot(2,2,2)
stem(n,y1,'g*')
title('señal x(n)=Cos(Wn),W=pi/8')
xlabel('Valores de muestra, n')
ylabel(' x(n) ')
subplot(2,2,3)
stem(n,y2,'mo')
title('señal x(n)=Cos(Wn),W=pi/4')
xlabel('Valores de muestra,n')
ylabel(' x(n) ')
subplot(2,2,4)
 17

stem(n,y3,'bd')
title('señal x(n)=Cos(Wn),W=pi/2')
xlabel('Valores de muestra, n')
ylabel(' x(n) ')

Figura 1.13 La señal x(n) = cos(wn) para diferente valores de la frecuencia w.

A continuación se indican las instrucciones de la gráfica de la figura 1.14.

n=-10:10;
y=cos(pi.*n);
stem(n,y,'ro')
title('Señal x(n)=Cos(Wn),W=pi')
xlabel('Valores de muestra, n')
ylabel(' x(n) ')

Ejemplo 1.1
Determine si las siguientes señales son periódicas. Si una señal es periódica determine
su periodo fundamental.

Solución.
a) ( ) = (3 + /6)
Aplicamos la propiedad de periodicidad:
( + ) = ( ) para todo
 18

( + )= [3 ( + ) + /6)] = (3 + /6 + 3 )
( + )= (3 + /6). (3 ) − (3 + /6). (3 )

Figura 1.14 Señal x(n) = cos(wn) para w= π .

Para que la ecuación anterior sea periódica debe existir un entero tal que 3 = 2 kπ,
por lo que la frecuencia debe ser de la forma, = / .
= 3/2, el valor de = 3 y el período = 2, esto significa que

( + )= [3 ( + ) + /6)] = (3 + /6).

b) ( ) = ( 84 /24)

( + )= [ 84( + )/24)] = ( 84 /24 + 84 /24)

( + )= ( 84 /24). ( 84 /24) + ( 84 /24). ( 84 /24)

La ecuación anterior cumple con la propiedad de periodicidad, si existe un entero

tal que 84 /24 = 2 , la frecuencia debe ser de la forma, = / , por lo que
= 84/48, simplificamos hasta obtener números primos relativos, el valor de = 7 y
el período = 4, lo que significa

( + )= [ 84( + )/24)] = ( 84 /24).

c) ( )=

Aplicando la propiedad de Euler, = cos + sin , la señal se representa como,

( ) = cos 6 + sin 6
4 4
 19

La propiedad de periodicidad, ( ) = ( + ) se la aplicamos a la señal anterior.

( + ) ( + )
( ) = cos 6 + sin 6
4 4
6 6 6 6
( ) = cos + + sin +
4 4 4 4

Sabemos que,

6
2 =
4
3
=
4

El periodo, =4

d) ( ) = sen(0,06 )
Aplicando la propiedad de periodicidad, ( ) = ( + ) tenemos,

( + ) = sen[0,06 ( + )]
( + ) = sen(0,06 + 0,06 )

Sabemos que, sen( + ) = sen . cos + cos α. sen

Entonces, ( + ) = sen(0,06 ). cos(0,06 ) +cos(0,06 ) . sen(0,06 )

Para que la ecuación anterior sea periódica debe existir un entero tal que
0,06 = 2 , por lo que la frecuencia será de la forma, = / , simplificando
hasta obtener números primos relativos,

1 1 100 1 3
= 0,06 ⇒ = 0,06 ⇒ = 0,06 ⇒ =
2 2 100 2 100

valor de = 3 y el período = 100

e) ( ) = cos(4 )
Según la propiedad de periodicidad , ( ) = ( + ) ⇒ ( + ) = cos[4( + )]

( + ) = cos(4 + 4 )
cos( + ) = cos . cos − sin . sin
( + ) = cos(4 ) . cos(4 ) − sin(4 ) . sin(4 )
2 =4
4 2
= ⇒ =
2

La señal no es periódica, ya que la relación = / no es racional.

 20

f) ( ) = cos(0,2 ) + cos(0,5 ) + cos(0,6 )

Se calcula el periodo de cada señal , , y el mínimo común múltiplo es el periodo de
la señal ( ).

0,2 1 0,5 1 0,6 3

= ⇒ = ; = ⇒ = ; = ⇒ =
2 10 2 4 2 10

Los periodos son, = 10, 2 = 4 y 3 = 10 y el mínimo común múltiplo es

= 20, que corresponde con el periodo de la señal ( ).

A continuación se indican las instrucciones para graficar el ejercicio anterior, ver

figura 1.15.
n=0:30;
x1=cos(0.2*pi*n);
x2=cos(0.5*pi*n);
x3=cos(0.6*pi*n);
x4=cos(0.2*pi*n)+cos(0.5*pi*n)+cos(0.6*pi*n);
subplot(2,2,1)
stem(n,x1)
title('Señal x(n)=cos(0,2pin),periodo N=10')
xlabel('Valores de muestra, n ')
ylabel(' x(n)')
hold on
subplot(2,2,2)
stem(n,x2)
title('Señal x(n)=cos(0,5pin),periodo N=4')
xlabel('Valores de muestra, n ')
ylabel(' x(n)')
subplot(2,2,3)
stem(n,x3)
title('Señal x(n)=cos(0,6pin),periodo N=10')
xlabel('Valores de muestra, n ')
ylabel(' x(n)')
subplot(2,2,4)
stem(n,x4)
title('Señal x(n)=cos(0,2pin)+cos(0,5pin)+cos(0,6pin),periodo N =20')
xlabel('Valores de muestra, n ')
ylabel(' x(n)')
hold off

1.7 Muestreo de señales analógicas

Solamente veremos el caso de muestreo periódico o uniforme de una señal, que es el
tipo de muestreo usado más a menudo en la práctica. Se tiene una señal analógica
( ) y se quiere muestrear para obtener una señal en tiempo discreto ( ). Para esto se
muestrea la señal de interés con una velocidad de muestreo (muestras por segundo) o
frecuencia de muestreo (hertzios), = 1/ , donde es el intervalo de tiempo entre
dos muestras sucesivas y se denomina periodo de muestreo o intervalo de muestreo,
esto se describe mediante la relación

( )= ( ), −∞ < <∞
 21

donde ( ) es la señal en tiempo discreto obtenida tomando muestras de la señal

analógica ( ) cada segundos.

Figura 1.15 Grafica del ejemplo 1.1f.

El muestreo periódico establece una relación entre la variable de tiempo continuo y

la variable de tiempo discreto. Estas se relacionan linealmente a través del periodo de
muestreo o, equivalentemente, a través de la velocidad de muestreo = 1/ , como:

= = /

( ) ( )= ( )

Figura 1.16. Muestreo periódico de una señal analógica.

Existe una relación entre las variables de frecuencia ( o Ω) de señales analógicas y las
variables de frecuencia ( ) de señales en tiempo discreto.
Para establecer dicha relación considere una señal analógica de la forma

( )= (Ω + )= (2 + )

que, cuando se muestrea periódicamente a una velocidad de = 1/ muestras por

segundo, da lugar a:

( ) ≡ ( ) = (2 + )
( ) = (2 / + )
 22

Si comparamos la ecuación anterior con ( ) = cos(2 + ), observamos que las

variables frecuencia y están linealmente relacionadas según = / .

La relación anterior se conoce como la f recuencia normalizada o relativa, que se

usa a veces para describir la variable frecuencia . Podemos usar para determinar la
frecuencia en hertzios sólo si la frecuencia de muestreo es conocida.

Por otro lado también se obtiene la relación entre las variables frecuencia y según

= 2 =2 /
= 2
= Ω

Relación entre las frecuencias en tiempo continuo y tiempo discreto = Ω y =

− ≤ Ω ≤
− ≤ Ω ≤
≤ ≤
≤ ≤

En la tabla 1.2 se indican las frecuencia en tiempo discreto y las relaciones entre las
frecuencias de tiempo continuo y tiempo discreto, cuando una señal sinusoidal en tiempo
continúo se muestrea a una velocidad = 1/ .

TABLA 1.2 RELACIONES ENTRE FRECUENCIAS ANALÒGICAS Y DISCRETAS.

Variable Unidades Relación Rango Tipo
Ω Radianes/seg Ω =2 −∞ < Ω<∞ Analógicas
Ciclos/seg, Hz = Ω/2 −∞ < <∞ Analógicas
Radianes/muestras =2 = Ω − ≤ ≤ Discretas
Ciclos/muestras = / − 1/2 ≤ ≤ 1/2 Discretas

El periodo de la señal en la figura 1.17 (a) es = 11, el periodo de la figura 1.17 (b) y
el de las figura 1.17(c) es = 15 y 1.17(d) es igual a = 28.

De estas relaciones se desprende que la diferencia fundamental entre señales en

tiempo discreto y señales en tiempo continuo es el rango de valores de las variables
frecuencia y , o Ω y . El muestreo periódico de una señal en tiempo continuo
supone una correspondencia entre un rango de frecuencia infinito correspondiente a la
variable (o Ω) y un rango de frecuencia finito correspondiente a la variable (o ).
La frecuencia máxima de una señal en tiempo discreto es = o = 1/2, los
valores máximos de y Ω de una señal en tiempo continuo para una velocidad de
muestreo son
 23

(a) (b)

(c) (d)
Figura 1.17b Representación de funciones periódicas (a) N = 11, (b) y (c), N = 15 y (d) N = 28.

= =
Ω = =

Ejemplo 1.2
Las consecuencias de estas relaciones entre las frecuencias pueden observarse
considerando las dos señales analógicas:

( ) = cos(2 10 )
( ) = cos(2 50 )

que son muestreadas a una velocidad = 40 . Las señales o secuencias en tiempo

discreto correspondientes son

( ) = 2 (10/40) = ( /2)
( ) = 2 (50/40) = (5 /2)

Ya que la frecuencia de la señal ( ) es mayor que , el (5 /2) se puede

arreglar como (5 /2) = (5 / 2 − 2 ) = ( /2). Se concluye que la
señal ( ) = ( ). Las señales sinusoidales son idénticas e indistinguibles, por lo que no
podemos determinar si los valores de las muestras, proceden de ( ) ò de ( ). Dado que
( ) produce exactamente los mismos valores que ( ) cuando ambas son muestreadas a
= 40 muestras por segundo, decimos que la frecuencia = 50 es un alias de la
 24

frecuencia = 10 a la velocidad de muestreo de 40 muestras por segundo.

Por otra parte al muestrear una señal analógica ( )= (2 ) obtenemos

( ) = cos(2 ) y debido a que dos sinusoidales en tiempo discreto son
idénticas si están separadas por un múltiplo entero de 2 radian, la ecuación anterior
nos queda.

( ) = cos(2 ) = cos(2 +2 )
( ) = cos(2 ( + ))

Si hacemos que sea un múltiplo entero de , nos queda = , por lo que.

( ) = cos(2 ( + ) ) = cos(2 ( + ) )
( ) = cos(2 +2 ) = cos(2 )

La frecuencia y el factor + son por lo tanto iguales. Esto significa que una señal
( ) de frecuencia , también representa una onda sinusoidal de frecuencia + . Esto
es una de las relaciones más importante en el campo de procesamiento digital de señales. La
ecuación anterior nos dice:

Cuando se muestrea una señal sinusoidal a una rata de muestreo ( muestras/segundo), si

k es cualquier número entero positivo o negativo, no se puede distinguir entre los valores
muestreados de una sinusoide de Hz y una sinusoide de ( + ) .
En general, si las sinusoides de la forma ( ) = (2 + ) con frecuencias
= + , k= ± 1 ± 2 ,..., se muestrean a una velocidad , la frecuencia se
encuentra fuera del rango − /2 ≤ ≤ /2. Por lo que, la señal muestreada es:

( )= ( ) = (2 ( + )/ + )
( ) = (2 / + + 2 )
( ) = (2 + )

que es idéntica a la señal en tiempo discreto dada en la sección 1.6.3 y obtenida

mediante muestreo. Por lo tanto, un número infinito de señales en tiempo continuo se
representan mediante el mismo conjunto de muestras. En consecuencia, a partir de las
muestras ( ) no es posible determinar qué señal en tiempo continuo ( )
representan.

De forma equivalente, podemos decir que las frecuencias = + , −∞ ≤ ≤ ∞

( entero) son indistinguibles de la frecuencia después del muestreo y, por tanto,
son alias de . La relación entre variables de frecuencia de señales en tiempo continuo
y tiempo discreto se ilustra en la figura 1.18.
 25

f w
1
-π
2

−
F
0
−
2 2
1
− - -π
2

Figura 1.18. Relación entre variables frecuencia de señales en tiempo continuo y tiempo
discreto para muestreo periódico.

Por esta razón del ejemplo 1.2, no es la única frecuencia alias de . De hecho, a una
velocidad de muestreo de 40 muestras por segundo la frecuencia = 90 también es
un alias de , así como la frecuencia = 130 , etc. En general las frecuencia con
valores de frecuencias = + 40 , para k = 1, 2, 3, 4 ,... son alias de = 10 . Así
como todas las sinusoides (2 ( + 40 ) ), para k = 1, 2, 3, 4,... muestreadas a 40
muestras por segundo producen valores idénticos.

La figura 1.19 muestra un ejemplo de aliasing, se tiene dos sinusoides de frecuencias

= −1/5 y = −6/5 , estas producen muestras idénticas cuando se usa una
velocidad de muestreo = 1 . Tenemos que para = −1, = + ,
= − + (−1) ∗ 1 = − , es aliasing de cuando se muestrea a 1 .

Dado que /2 que se corresponde con ( = ), es la frecuencia más alta que puede
ser representada inequívocamente con una velocidad de muestreo , es fácil
determinar la correspondencia entre cualquier frecuencia alias por encima de /2
( = ) y su frecuencia equivalente por debajo de /2. Podemos usar /2 o =
como el punto de plegado y reflejar o "doblar " la frecuencia alias en el rango /2
( = ), La frecuencia /2( = ) se denomina frecuencia de plegado.

Instrucciones en Matlab del ejemplo de aliasing de la figura 1.19

t=(0:1/100:8);Fo=-1/5;F1=-6/5;
y1=sin(2*pi*Fo*t);
plot(t,y1,'g')
text(2.05,0.3,'sin(2*pi*Fo*t)\rightarrow ','FontSize',10,
'HorizontalAlignment', 'left');
hold on
y2=sin(2*pi*F1*t);
plot(t,y2,'r')
text(0.7,0.8,'sin(2*pi*F1*t)\rightarrow ','FontSize',10,
'HorizontalAlignment', 'left');
hold on
n=(0:8);Fs=1;
y3=sin(2*pi*Fo*n/Fs);% Señal discreta Fo
stem(n,y3,'b')
ylabel('Amplitud')
xlabel('Tiempo,seg.')
hold off
 26

En general, una señal sinusoidal en tiempo continuo:

( ) = (2 + )

muestreada con una frecuencia = 1/ produce una señal en tiempo discreto:

( )= (2 + )

donde = / y es la frecuencia relativa de la sinusoide. Si suponemos que

− /2 ≤ ≤ /2, la frecuencia se encuentra en el rango −1/2 ≤ ≤ 1/2, que es

Figura 1.19 Ejemplo de aliasing. Dos sinusoides de frecuencias F0 = -1/5 Hz y

F1 = -6/5 Hz producen muestras idénticas con una velocidad de muestreo Fs = 1 Hz.

el rango de frecuencia para señales en tiempo discreto. En este caso, la relación entre y
es biunívoca, y por tanto, es posible identificar (o reconstruir) la señal analógica ( ) a
partir las muestras ( ).

Ejemplo 1.3
Considere la señal analógica. ( ) = 10 (2000 ) + 5 (6000 )
a) Determine la velocidad de muestreo mínima para evitar el aliasing.
b) Suponga que la señal se muestrea a una velocidad = 6000 . ¿Cuál es la señal en
tiempo discreto obtenida después del muestreo?
c) Suponga que la señal se muestrea a una velocidad = 500 . ¿Cuál es la señal en
tiempo discreto obtenida después el muestreo?
d) ¿Cual es la frecuencia 0 < < /2 de una sinusoide que produce muestras idénticas
a las obtenidas en el apartado (c)?

Solución.
a) En la señal se verifica que la frecuencia máxima es = 3000 . Por lo tanto, la
velocidad de muestreo mínima requerida para evitar el aliasing es = 2 max = 6000 .
 27

b) Si la señal se muestrea a una velocidad de = 6000 , la señal en tiempo discreto es:

( ) = 10 (2000 /6000) + 5 (6000 /6000)

( ) = 10 (2 /6) + 5 ( )

Se observa que la señal 5 ( ) cada vez que se muestrea tiene el valor de menos uno.

c) Si la señal se muestrea a una velocidad de = 500 , la señal en tiempo discreto es:

x( ) = 10 (2000 /500) + 5 (6000 /500)

( ) = 10 (2 ) + 5 (2 )

Cada vez que se muestrea la señal, el (2 ) es cero y el (2 ) toma el valor de

uno.

d) Las frecuencias de las sinusoides discretas del apartado (c) es = 1 . Aplicando la

relación = / , p ara una velocidad de muestreo = 500 , obtenemos la frecuencia
de la señal analógica con la siguiente relación, = . , por lo tanto, = 500 .
La nueva señal sinusoidal en el tiempo continuo será:

( ) = 10 (1000 ) + 5 (1000 )

Así, la frecuencia de 500 es un alias de = 1000 para una velocidad de

muestreo = 500 . = 1000 + (−1) ∗ 500 = 500

1 . 8 Teorema d e l muestreo
Dada una señal analógica cualquiera, ¿Cómo se debe elegir la velocidad de muestreo
?. Para ello debemos tener cierta información general sobre el contenido frecuencial
de la señal. Por ejemplo, sabemos que la mayor frecuencia en señales de voz ronda los
3000 . Por otra parte, las señales de televisión tienen componentes de frecuencia
importantes hasta los 5 . La información contenida en dichas señales se encuentra
en las amplitudes, frecuencias y fases de las distintas componentes de frecuencia. El
propósito del procesado de señal es normalmente la extracción de dichas
características. Si conocemos la máxima frecuencia de una determinada clase de señales
(por ejemplo, señales de voz, de vídeo, etc), podemos especificar la velocidad de
muestreo necesaria para convertir las señales analógicas en señales digitales.
Supongamos que cualquier señal analógica se puede representar como una suma de
sinusoides de diferentes amplitudes, frecuencias y fases, es decir,

( ) =∑ (2 + )

donde indica el número de componentes de frecuencia. Todas las señales, como las
de voz ( max = 3 ) o vídeo ( max = 5 ), se prestan a dicha representación
en cualquier intervalo de tiempo pequeño. Para evitar las ambigüedades que resultan
del aliasing, se debe seleccionar una velocidad de muestreo lo suficientemente alta, esto
es, debemos escoger /2 mayor que max. Por tanto, para evitar el problema del
 28

aliasing, se selecciona la frecuencia de muestreo según:

> 2 max

max es la frecuencia más alta de la señal analógica. Con la velocidad de muestreo

seleccionada de esta manera tenemos que cualquier componente de frecuencia, por
ejemplo | | < max, de la señal analógica se corresponde en tiempo discreto con una
sinusoide de frecuencia:

−1/2 ≤ = / ≤ 1/2

o, equivalentemente,

− ≤ = 2 ≤

La condición > 2 max garantiza que todas las componentes sinusoidales de la señal
analógica se correspondan con componentes en frecuencia de tiempo discreto en el
intervalo fundamental. Por lo tanto, todas las componentes en frecuencia de la señal
analógica están representadas sin ambigüedad en la forma muestreada de la señal, y así
la señal analógica puede ser reconstruida sin distorsión a partir de las muestras usando
un método de interpolación (conversión digital-analógica).

Tasa de Nyquist. Si la frecuencia más alta contenida en una señal analógica ( ) es

max y la señal se muestrea a una velocidad > 2 max . Se denomina tasa de
Nyquist, a la tasa de muestreo dada por = 2 max.

Ejemplo 1.4
Considere la señal analógica: ( ) = 5 (60 ) + 12 (250 ) − 2 (120 )
a) ¿Cuál es la tasa de Nyquist para esta señal?
b) Muestrear la señal con . ¿Qué sucede con la señal muestreada?

Solución.
a) Las frecuencias presentes en la señal son: = 30 , = 125 , = 60 .
La frecuencia máxima es, max = 125 . El teorema del muestreo dice que
> 2 max. La tasa de Nyquist es = 2 max. De aquí, = 250 .

b) Se muestrea la señal xa (t), sustituyendo = , nos queda

( )=5 60 + 12 250 −2 (120 )

( )=5 6 + 12 ( )+2 (12 )

Se observa que la componente de la señal 12 (250 ) en el tiempo continuo,

muestreada a la tasa de Nyquist = 250 , se corresponde con las muestras 12 ( )
en el tiempo discreto, que son siempre cero. Esto significa que la señal 12 ( ) se esta
 29

muestreando en los instantes en los que vale cero y de aquí que perdamos esta componente
de señal completamente. Esta situación no se daría si la sinusoide estuviese desplazada en
fase cierta cantidad . En tal caso, tendríamos que 12 (300 + ) muestreada a la tasa
de Nyquist = 250 muestras por segundo, produciría las muestras:

12 ( + ) = 12[ ( )cos( ) + cos( ) ( )]

= 12cos( ) ( )

Para n = par, 12 ( )
Para n = impar, −12 ( )
Por lo tanto, si es diferente de 0 ó , las muestras de la sinusoide tomadas a la tasa de
Nyquist no son cero. Por lo tanto en caso de que fase es desconocida, no podemos
determinar la amplitud de la sinusoide a partir de las muestras. La solución más fácil
consiste en muestrear la señal analógica a una velocidad superior a la de Nyquist.

Ejemplo 1.5
En la siguiente señal analógica: ( ) = cos(10 ) + 4 cos(18 ) + 5 cos(26 ) + cos(2 ).

a) Calcular la Tasa de Nyquist para ( )

b) Máxima frecuencia que puede ser representada sin ambigüedad para una tasa de
muestreo de 4 .
c) Señal en tiempo discreto ( ) que se obtiene al muestrear la señal ( ) con una tasa
de muestreo de 4 .
d) Señal analógica ( ) que se obtiene al hacer la reconstrucción de la señal ( )
utilizando un convertidor digital analógico.

Solución.
a) Tenemos que, =2
=5 , = 9 , = 13 , =1
Por lo tanto la tasa de Nyquist

= 2 ∗ 13 ⇒ = 26

b) Dado que hemos elegido = 4 , las frecuencias que pueden ser representadas sin
ambigüedad se encuentran en el rango − /2 ≤ ≤ /2, por lo tanto la máxima
frecuencia que puede ser representada sin ambigüedad mediante las muestras es:

= 2
2

c) Para este caso se sustituye la variable del tiempo continuo, = =

( ) = cos 2 5 + 4 cos 2 9 + 5 cos 2 13 + cos 2

4 4 4 4
5 9 13
( ) = cos + 4 cos + 5 cos + cos
2 2 2 2
 30

Sabemos que la frecuencia debe estar entre los límites − ≤ ≤

5
−2 =
2 2
9 5 5
−2 = ⇒ −2 =
2 2 2 2
13 9 9 5 5
−2 = ⇒ −2 = ⇒ −2 =
2 2 2 2 2 2

La señal discreta viene dada por

( ) = cos + 4 cos + 5 cos + cos

2 2 2 2
( ) = 11cos
2
1
( ) = 11cos 2
4

d) La nueva señal analógica

( ) / ( )

De la ecuación muestreada se obtiene que = 1/4, de la relación = / podemos

obtener la frecuencia de la señal analógica, según el resultado anterior. = 1 . Dado
que únicamente las componentes de frecuencia de 1 se encuentran en la señal
muestreada que podemos recuperar, tenemos que:

( ) = 11cos(2 1 )

que es evidentemente diferente de la señal original ( ). Esta distorsión de la señal

analógica original es debida al efecto del aliasing, originado por la baja velocidad de
muestreo utilizada.

1.9 Cuantificación de señales de amplitud contínua

Como hemos visto, una señal digital es una secuencia de números (muestras) en la que
cada número se representa por un número finito de dígitos (precisión finita).

El proceso de convertir una señal de tiempo continúo en una señal de tiempo discretos,
expresando cada muestra por medio de un número finito de dígitos, se denomina
cuantificación. El error cometido al representar la señal de valor continuo por un
conjunto finito de valores discretos se denomina error de cuantificación o ruido de
cuantificación.
Denotaremos la operación de cuantificación de la muestras ( ) como Q[ ( )] y
utilizaremos ( ) para designar la secuencia de muestras cuantificadas a la salida del
cuantificador.
 31

Señal
x(t) Conversor x(n) Cuantificador xq(n)
Analógica de
Entrada A/D Q[x(n)]
Figura 1.20 Diagrama de bloques para cuantificado de un señal digital.

Así:

( ) = Q[ ( )]

por tanto, el error de cuantificación de una secuencia ( ) se define como la diferencia

entre el valor cuantificado y el de la muestra original

( )= ( )− ( )

Se tiene la señal exponencial analógica ( ) = 0.97 , ≥ 0 y se muestrea con una

frecuencia de muestreo =1 (ver figura 1.20), esta señal se convierte en una señal
en tiempo discreto:

0.97 , ≥0
( )=
0, <0

La Tabla 1.2, muestra los valores de las 10 primeras muestras de ( ), indica que la
muestra ( ) requiere alrededor de diez dígitos para su representación.
Sin embargo, supongamos que queremos utilizar un solo dígito significativo. Para eli-
minar los dígitos sobrantes podemos simplemente eliminarlos (truncamiento) o
aproximar por el número con un dígito significativo más cercano (redondeo). Las señales
cuantificadas resultantes ( ) se muestran en la Tabla 1.2. Discutiremos sólo la
cuantificación por redondeo, aunque es igual de fácil considerar el caso de truncamiento

El proceso de redondeo se ilustra gráficamente en la figura 1.21. Los valores permitidos

en la señal digital se denominan niveles de cuantificación, mientras que la distancia Δ
entre dos niveles de cuantificación sucesivos se denomina escalón de cuantificación o
resolución. El cuantificador por redondeo asigna a cada muestra de ( ) el nivel de
cuantificación más cercano. Por el contrario, un cuantificador por truncamiento le
asignaría el nivel inmediatamente por debajo de la muestra. El error de cuantificación en
el caso de redondeo se encuentra en el intervalo [− ] es decir:

− ≤ ( )≤
2 2
En otras palabras, el error de cuantificación instantáneo no puede superar la mitad del
valor del escalón de cuantificación (ver Tabla 1.2).
 32

TABLA 1.2 CUANTIFICACION CON UN SOLO DIGITO POR REDONDEO O TRUCAMIENTO

n X(n) Señal tiempo discreto Xq(n) Truncamiento Xq(n) Redondeo eq(n)=Xq(n) Redondeo -X(n)
0 1,00 1 1,0 0,000000000
1 0,970000000 0,9 1,0 0,030000000
2 0,940900000 0,9 0,9 0,040900000
3 0,912673000 0,9 0,9 0,012673000
4 0,885292810 0,8 0,9 -0,014707190
5 0,858734026 0,8 0,9 -0,041265974
6 0,832972005 0,8 0,8 0,032972005
7 0,807982845 0,8 0,8 0,007982845
8 0,783743359 0,7 0,8 -0,016256641
9 0,760231059 0,7 0,8 -0,039768941

Si y representan los valores máximo y mínimo de ( ) y es el número de

niveles de cuantificación, entonces el escalón de cuantificación viene dado por.

−
∆=
−1

Definimos el rango dinámico de la señal como − . En nuestro ejemplo

= 1, = 0, los niveles de cuantificación, = 11, lo que nos lleva a Δ = 0.1.
Obsérvese que si el rango dinámico está prefijado, el aumento del número de niveles
conlleva la disminución del escalón de cuantificación.

Por lo tanto, el error de cuantificación decrece y aumenta la precisión del cuantificador.

En la práctica se puede reducir el error de cuantificación a niveles insignificantes,
eligiendo un número suficiente de niveles de cuantificación.

Teóricamente, la cuantificación de las señales analógicas resulta siempre en una pérdida de

información. Este es el resultado de la ambigüedad introducida por la cuantificación. De
hecho, la cuantificación es un proceso no invertible (es decir, una correspondencia en la que
muchos elementos tienen la misma imagen), dado que a todas las muestras a una distancia
inferior a Δ/2 de un determinado nivel se les asigna el mismo valor. Esta ambigüedad hace
que el análisis cuantitativo de la cuantificación sea extremadamente difícil.

Instrucciones para la cuantificación utilizando redondeo de un decimal.

n=0:20;
y= [1 1 0.9 0.9 0.9 0.9 0.8 0.8 0.8 0.8 0.7 0.7 0.7 0.7 0.7 0.6 0.6 0.6
0.6 0.6 0.5]; %0.97.^n
stem(n,y,'.')
hold on
t=(0:1/100:20);
y1=0.97.^t;
plot(t,y1)
ylabel('Rango del cuantificador')
xlabel('Tiempo,t=seg, muestras')
text(4.49,0.88,' \leftarrow 0.97^t','FontSize',18)
text(13,0.7153,' \leftarrow 0.97^n','FontSize',18)
%text(20,0.75' \Delta ','FontSize',18)
hold off
 33

Figura 1.21 Ilustración de la cuantificación.

n=0:40;
u=3*sin(2*pi*n/11)
x=3*sin(2*pi*n/3)+5*cos(2*pi*n/5);
v=5*cos(2*pi*n/15);
y=3*sin(2*pi*n/7)+3*cos(2*pi*n/4);
subplot(2,2,1)
stem(n,u)
xlabel('\itn')
ylabel('\itx(n)')
subplot(2,2,2)
stem(n,x)
xlabel('\itn')
ylabel('\itx(n)')
subplot(2,2,3)
stem(n,v)
xlabel('\itn')
ylabel('\itx(n)')
subplot(2,2,4)
stem(n,y)
xlabel('\itn')
ylabel('\itx(n)')