“Año de la recuperación y consolidación de la economía peruana”
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
(Universidad del Perú, Decana de América)
FACULTAD DE INGENIERÍA ELECTRÓNICA Y ELÉCTRICA
LABORATORIO 5
CURSO:
FUNDAMENTOS DE LAS COMUNICACIONES
DOCENTE:
ZAVALA HUAVEL, ESEQUIEL
INTEGRANTE:
Santiago Garcia Jesus James - 23190348
Perú - Lima
2025
INTRODUCCIÓN
El solapamiento debido al muestreo es un fenómeno que ocurre cuando se toman muestras
de una señal continua en intervalos de tiempo discretos, lo que puede resultar en una
pérdida de información relevante o distorsión. En el ámbito del procesamiento de señales
digitales, este fenómeno es crucial, ya que afecta la calidad de las señales reconstruidas a
partir de muestras discretas. Este informe tiene como objetivo explorar cómo el
solapamiento influye en el muestreo de señales y cómo se puede mitigar este efecto
utilizando técnicas adecuadas de procesamiento en MATLAB. Se realizarán experimentos
con señales periódicas y no periódicas, observando cómo diferentes frecuencias de
muestreo afectan la reconstrucción y la distorsión de la señal original.
SOLAPAMIENTO DEBIDO AL MUESTREO
Sugerencia: Es importante mantener clara la diferencia entre ⧍t de la simulación y el
periodo de muestreo Ts considerado.
Submuestreo den una sinusoide
Considere una señal sinusoidal de tiempo continuo cuya ecuación es:
X(t) = sen (2pifot + Θ)
Podemos obtener una señal en tiempo discreto muestreando x(t) a la frecuencia de
muestreo fs = 1/Ts. x[n] = x(t)|t=nTs = sen[2π(fo/fs)n+Θ].
Si hacemos la representación de x[n] para diferentes valores de fo y fs se puede ver el
efecto de solapamiento. Para los siguientes apartados tome como frecuencia de
muestreo fs = 8 Khz.
a) En primer lugar, haga la representación de una onda sinusoidal muestreada. La
frecuencia de la sinusoidal será de 300 HZ, tomándose las muestras cada 10 ms. La
fase Θ puede ser arbitraria. Represente, con la función stem, la señal en tiempo
discreto que se obtiene. Se apreciará con facilidad que la envolvente de la señal
discreta es una sinusoide, dado que sus ojos obtienen una reconstrucción visual de
la senoide.
Este código en MATLAB genera y representa una señal senoidal de 300 Hz muestreada
cada 10 milisegundos, lo que equivale a una frecuencia de muestreo de 100 Hz. Aunque se
define una frecuencia de muestreo de 8000 Hz, en la práctica no se utiliza, ya que el vector
de tiempo avanza en pasos de 0.01 segundos.
La señal se calcula usando la ecuación sen(2π(f₀/fs)n) y se grafica con la función stem en
color magenta. La representación muestra cómo las muestras de la señal siguen una forma
sinusoidal, pero como se está usando una frecuencia de muestreo menor al doble de la
frecuencia de la señal, se produce aliasing y la señal aparece distorsionada visualmente.
b) Si es necesario, haga la representación con plot. En este, los puntos se conectan con
líneas rectas, resultando obvio el comportamiento sinusoidal. Conectar las muestras
de la señal con líneas rectas, es una forma reconstrucción de la señal, obteniéndose
una señal de tiempo continuo a partir de las muestras de una señal en tiempo
discreto. Esta no es la reconstrucción ideal de la señal especificada por el teorema
de muestreo, pero en la mayoría de las ocasiones será suficiente.
Este código en MATLAB genera y visualiza una señal senoidal discreta con frecuencia de
300 Hz muestreada a 8000 Hz. Usa un vector de tiempo discreto n de 0 a 40. Calcula la
señal x[n] aplicando una fase de π/2 y la grafica con dos métodos: stem para representar
los valores discretos como puntos rojos, y plot para unirlos con líneas azules simulando la
forma continua de la onda. También añade etiquetas a los ejes y un título
c) Ahora haga una serie de representaciones, igual que el apartado a), pero variando la
frecuencia de la sinusoide desde 100 a 475Hz, en saltos de 125 Hz. Observe que la
frecuencia aparente de la sinusoide se va incrementando, como era de esperar.
Utilice preferiblemente un subplot para que aparezcan las cuatro representaciones
en una misma pantalla.
Este código de MATLAB genera y grafica señales senoidales discretas con diferentes
frecuencias (100 Hz, 225 Hz, 350 Hz y 475 Hz), todas muestreadas a 8000 Hz. Utiliza
subplot para mostrar las cuatro señales en una misma ventana, cada una con su
respectivo título, representando las muestras con puntos rojos usando stem y mostrando
cómo varía la señal conforme aumenta la frecuencia.
d) Realice ahora una serie de representaciones, igual que en apartado c), pero variando
la frecuencia sinusoidal desde 7,525 HZ a 7,900 Hz en saltos de 125 Hz. Observe que
la frecuencia aparente de la sinusoide es ahora decreciente. Explique este
fenómeno.
Variación de la frecuencia de 7525 Hz a 7900 Hz
Frecuencia de muestreo: fs=8000
Frecuencias analizadas: 7525, 7650, 7775, 7900 Hz
Número de muestras: 50
Observación gráfica: Al graficar las señales muestreadas, se aprecia que la frecuencia
aparente disminuye a medida que la frecuencia real f0aumenta. Las ondas se ven más
"lentas", con menos ciclos por ventana temporal.
Explicación del fenómeno: Este comportamiento se debe al fenómeno de aliasing. Como
las frecuencias originales superan el límite de Nyquist (fs/2=4000 Hz), el sistema no puede
representarlas correctamente, y se interpretan como señales de frecuencia menor.
Se cumple:
Por ejemplo:
Conclusión: A medida que f₀ se acerca a fs, el alias se acerca a 0. Por eso la frecuencia
aparente decrece.
e) De nuevo haga una serie de representaciones similares, pero variando la frecuencia
de la sinusoide desde 32,100 Hz a 32,475, en saltos de 125 HZ. Pronostique si
aumentará o disminuirá la frecuencia aparente.
Frecuencia de muestreo: fs=8000f_s = 8000fs=8000 Hz
Frecuencias analizadas: 32100, 32225, 32350, 32475 Hz
Número de muestras: 50
Observación gráfica: En este caso, la frecuencia aparente aumenta al incrementar la
frecuencia real f0. Las ondas muestreadas muestran más ciclos por ventana temporal.
Explicación del fenómeno: De nuevo, el aliasing es el responsable. Estas frecuencias son
múltiplos de fs más un pequeño excedente, es decir:
Conclusión: Aquí, la frecuencia aparente aumenta con f0porque estamos sumando
incrementos al múltiplo de fs
CONCLUSIONES
En este laboratorio, se pudo observar que el solapamiento debido al muestreo ocurre
cuando la frecuencia de muestreo no es lo suficientemente alta para capturar
adecuadamente la información de la señal continua. Se demostró que, para evitar el
aliasing, es fundamental cumplir con el criterio de Nyquist, que establece que la frecuencia
de muestreo debe ser al menos el doble de la frecuencia más alta presente en la señal. A
través de los experimentos realizados en MATLAB, se verificó que un muestreo insuficiente
puede resultar en la distorsión de la señal, lo que resalta la importancia de elegir
adecuadamente la frecuencia de muestreo para evitar pérdidas de información críticas.
