Trabajo Practico N

o
1
Tratamiento Digital de Se nales
Aguilera B. Anibal

Ancalaf B. Daniel

Araya B. Manuel

Silva R. Erney

Universidad Austral de Chile, Facultad de Ciencias de la Ingeniera,

Instituto de Dise no y Metodo Industriales.
Abstract: El siguiente informe presenta informacion obtenida mediante distintos analisis de
conceptos basicos para el tratamiento de se nales. El trabajo desarrollado consta de tres ejercicios:
el primero involucra la adicion de se nales; el segundo ejercicio compara distintos ruidos normales
y gaussianos creados al interior del software Matlab/Scilab; y el tercer ejercicio realiza un
metodo para volver a una forma cercana de se nal primitiva, a traves de N promediaciones. Las
conclusiones de este trabajo estan ligadas principalmente a la relacion de ruido y se nal, desde
su forma compuesta (se nal de naturaleza mixta).
1. INTRODUCCI

ON
El tratamiento de se nales es un area de la tecnologa que
cada da se encuentra mas presente en nuestro diario vivir.
Basta con medios de comunicacion (como el celular o la
television), sistemas de informacion (en areas tan amplias
como la Ingeniera, la Medicina, o Arqueologa), e incluso
el entretenimiento multimedia. Todos los medios anterior-
mente mencionados han evolucionado a medida que pasa
el tiempo, llegando a prescindir de sistemas con cables,
para darles una funcion de movilidad y multifuncion. Esto
que ha provocado que el tratamiento de se nales sea cada
vez mas relevante.
Cuando una se nal es emitida, puede ser distorsionada
debido al ruido. El tratamiento de se nales es por tanto
el conjunto de diferentes tecnicas y casos a realizar por
cada caso particular de se nal, para minimizar los efectos
del ruido y lograr entregar la informacion mas el a la
se nal original. Dentro del presente trabajo se desarrollan
tres ejercicios en torno a los conceptos basicos de Se nal y
Ruido.
2. DESARROLLO
2.1 Ejercicio 1
El objetivo del ejercicio es evaluar y gracar dos funciones
dependientes del tiempo (ecuaciones (1) y (2)), ademas de
una funcion z(t) que corresponde a la ecuacion (3)
y(t) = sen(3t) (1)
r(t) = 3t + 2 (2)
z(t) = y(t) + r(t) (3)
Para generar la graca se dene un vector tiempo (t) entre
0 y 3 [s], con un espaciado de 0.1 [s].
Una vez denido el vector tiempo, se procede a evaluar las
funciones y(t), r(t) y z(t). Finalmente, las funciones son
gracadas en una misma ventana.
2.2 Ejercicio 2
En este ejercicio se analiza desde un punto de vista es-
tadstico, los ruidos Gaussianos y Uniformes generados
automaticamente mediante MatLab.
Se contemplan ruidos Gaussianos de distinta longitud
(1000 y 100000), con el objetivo de apreciar los cambios
que ocurren en la distribucion normal al incrementar el
n umero de datos del vector ruido.
Para el ajuste de la funcion estadstica, se genera medi-
ante codigos basicos de MatLab un histograma, donde el
intervalo de amplitud del ruido (3, 3) se divide en 60
intervalos con un espaciado de 0.1. Mediante ciclos itera-
tivos y utilizando criterios de comparacion, se determina
la frecuencia de repeticion para estos intervalos.
Con el objetivo de comparar la funcion estadstica gener-
ada mediante codigos, se utiliza la funcion de densidades
de probabilidades mediante la siguiente expresion.
f =
1

2
e

1
2
(
x

)
2
(4)
Donde
= Desviacion estandar.
= Media aritmetica.
Para el ruido Uniforme se realiza un ajuste estadstico
considerando el promedio de la muestra, evaluando la
inuencia de la longitud del vector ruido en la distribucion.
2.3 Ejercicio 3
El objetivo de este ejercicio es apreciar como el ruido
puede afectar a una se nal y mediante N promediaciones
de distintas muestras, ser disminuido hasta un nivel que
permita trabajar con el.
Para realizar esta simulacion, se genera una se nal seno
de corta duracion P(k) a la cual se le a nade un ruido
Gaussiano v(k), obteniendo una se nal R(k) sinusoidal con
ruido.
r(k) = P(k) + v(k) (5)
El procedimiento para realizar este ejercicio consiste en
generar un vector tiempo entre 0 y 6 [s], este vector sirve
como base para evaluar la funcion P(k), y crear el vector
de ruido Gaussiano v(k) de la misma longitud.
Finalmente mediante procesos iterativos, se obtiene la
suma de los N ruidos generados, junto a la promediacion
de ellos.
3. RESULTADOS
3.1 Ejercicio 1
Al gracar las funciones enunciadas en la seccion 2.1,
se obtiene que y(t) corresponde a una funcion sinusoidal
tpica de amplitud uno, centrada en el eje x. La funcion
r(t) representa un aumento lineal en la amplitud respecto
al tiempo, alcanzando una amplitud maxima de 30, 26 [u]
en el tiempo t = 3.
Fig. 1. Graca de las funciones y(t), r(t) y z(t) en el
intervalo de tiempo [0, 3].
En la curva que representa la suma de las funciones, se
observa que se mantiene la tendencia de crecimiento de
la funcion r(t) y se incorpora el comportamiento sinu-
soidal de la funcion y(t). El comportamiento de la funcion
sumada, puede representar el ruido que se a nade a una
se nal durante su captura y como este puede modicar la
lectura de los datos.
3.2 Ejercicio 2
Primero se analiza el comportamiento estadstico de un
ruido Gaussiano de longitud 100 y 10000. En la gura
2 se muestra el histograma generado mediante codigo
considerando 60 intervalos equidistantes.
Utilizando la funcion hist() de MatLab es posible generar
un histograma de forma automatica, para este ejercicio se
ajusta el n umero de intervalos o barras a 100, obtenido el
histograma mostrado en la gura 3
En la gura 4 se muestra la curva de ajuste de proba-
bilidad generada mediante la ecuacion (4), utilizando un
Fig. 2. Histograma generado mediante codigo de un ruido
Gaussiano de longitud 100.
Fig. 3. Histograma generado mediante funcion de un ruido
Gaussiano de longitud 100.
factor de amplicacion que permita aproximar la funcion
a la maxima frecuencia del histograma, la otra graca
mostrada corresponde a la curva generada mediante los
puntos medios de las barras de frecuencia obtenidas del
histograma (gura 2).
Fig. 4. Curvas de ajuste de probabilidad para un ruido de
longitud 100 generadas mediante funcion y codigo.
Al considerar un ruido Gaussiano de longitud 10000 y
utilizando los mismos criterios y codigo empleados para
generar el histograma del ruido de longitud 100, se obtiene
el graco mostrado en la gura 5
De igual forma que para el caso anterior, se genera un
histograma mediante la funcion hist, obteniendo la graca
mostrada en la gura 6.
Ajustando el histograma a una funcion de distribucion de
probabilidad mediante la ecuacion (4) y mediante codigo,
se obtienen las curvas mostradas en la gura
Fig. 5. Histograma generado mediante codigo de un ruido
Gaussiano de longitud 10000.
Fig. 6. Histograma generado mediante funcion de un ruido
Gaussiano de longitud 10000.
Fig. 7. Curvas de ajuste de probabilidad para un ruido de
longitud 100000 generadas mediante funcion y codigo.
Ahora se procede a realizar las gracas utilizando ruido
uniforme. El primer lugar se utiliza un ruido uniforme de
longitud 100, dando como resultado el histograma y curva
de ajuste mostrado en la gura 8.
Aumentando la longitud del vector ruido uniforme hasta
10000, se obtiene el histograma y curva de ajuste mostra-
dos en la gura 9.
3.3 Ejercicio 3
En la gura 10 se aprecia la funcion P(k) en el intervalo
[0, 6]. Esta funcion simula una se nal de entrada sin
perturbaciones o ruido.
Con el objetivo de simular perturbaciones en la se nal de
entrada, se genera un ruido Gaussiano (gura 11).
Fig. 8. Histograma y funcion de ajuste para un ruido
Uniforme de longitud 100.
Fig. 9. Histograma y funcion de ajuste para un ruido
Uniforme de longitud 10000.
Fig. 10. Funcion sinusoidal P = sin(k) en el intervalo de
tiempo [0, 6].
Al aplicar N ruidos Gaussiano y sumarlos a la funcion
P(k), se genera una se nal sinusoidal de amplitud N. En
la gura 12 se muestra una se nal sinusoidal a la cual se le
a naden 100 repeticiones de ruido Gaussiano, aumentando
su amplitud desde 1 hasta 100.
Promediando los ruidos a nadidos a la funcion sinusoidal, se
vuelve a obtener una funcion de amplitud unitaria como se
muestra en la gura 13. Al aplica un solo ruido a la funcion
sinusoidal se aprecia como esta presenta un ruido con un
comportamiento no predecible y de amplitud considerable.
En contraste a lo anterior, la funcion sinusoidal con N
ruidos promediados presenta ruidos de menor amplitud y
es posible distinguir el comportamiento original de la se nal
sinusoidal.
En la gura 14 se aplica el mismo procedimiento, con-
siderando 100 y 1000 promediaciones de ruido sobre la
se nal.
Fig. 11. Ruido Gaussiano utilizado para simular perturba-
ciones en la se nal de entrada.
Fig. 12. Se nal sinusoidal sumada a 100 ruidos Gaussianos.
Fig. 13. Se nal sinusoidal con ruido y promediando 100
ruidos Gaussianos.
Fig. 14. Se nal sinusoidal con ruido y promediando 100 y
1000 ruidos Gaussianos.
4. CONCLUSIONES
De acuerdo a los resultados mostrados en la seccion 3 es
posible obtener las siguientes conclusiones:
En la gura 1 se observa el comportamiento de una
se nal al a nadir una segunda se nal. Este resultado se
asemeja a una se nal capturada con ruido. Realizando
el proceso inverso al mostrado (separar se nales) se
puede obtener la se nal original, lo que signica intro-
ducir un tratamiento a la se nal capturada.
Al analizar la distribucion del ruido Gaussiano me-
diante histogramas, se observa que al considerar un
ruido de longitud 100 los datos presentan una gran
dispersion y no generan un patron uniforme en el
histograma (gura 2) . Caso contrario ocurre al au-
mentar la longitud del ruido Gaussiano (10000) donde
el histograma presenta la forma de la campana de
Gauss (gura 5).
Realizando un ajuste estadstico mediante codigo
para el ruido de corta duracion no se genera una
curva de comportamiento predecible a diferencia del
ajuste realizado mediante la funcion de densidad de
probabilidad que ajusta los datos a una distribucion
normal que no representa el comportamiento del
ruido (gura 5).
Aumentando la longitud del vector ruido (10000)
el ajuste probabilstico realizando mediante codigo y
por la funcion de densidad probabilstica, presentan el
mismo comportamiento (gura 7) ajustandose a una
distribucion normal.
De los histogramas generados mediante codigo para
ruidos uniforme de corta (100) y larga (10000) du-
racion, se observa que al aumentar la longitud del
ruido, las frecuencias relativas de cada intervalo del
histograma se ajustan a la media de estas frecuencias
(gura 9).
De forma general para este punto del practico se
desprende que al aumentar el n umero de muestras,
se puede pasar de un comportamiento aleatorio a un
comportamiento determinista.
En el tercer ejercicio del practico es posible com-
prender la relacion se nal ruido (SNR), al gracar la
funcion propuesta (ecuacion (5), gura 11) se observa
como la funcion sinusoidal de entrada se ve afec-
tada por el ruido, transformado su comportamiento
determinista a aleatorio. Esta condicion reeja una
baja relacion entre se nal y ruido. Al realizar 100 y
1000 promediaciones de la se nal generada se observa
como el ruido disminuye (gura 14), reejando un
aumento en la relacion se nal ruido y transformando el
comportamiento aleatorio de la se nal en determinista
Ademas se puede concluir que a menor SNR se debe
realizar un mayor tratamiento de la se nal, implicando
un gasto extra de recursos.
REFERENCES
Pablo Irarrazaval. Analisis de se nales. Mc Graw Hill, 1999.
Juan Vignolo. Introducci on al Procesamiento digital de
se nales. Ediciones Universitarias de Valparaiso, 2008.