Está en la página 1de 17

SEÑALES Y SISTEMAS-203042

UNIDAD: PRETAREA ACTIVIDAD DE PRESABERES

PRESENTADO POR:
FABIO NELSON TOVAR VARGAS
11445117

PRESENTADO A:
XXXX
GRUPO:

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD


ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA
NEIVA(HUILA)
2019
INTRODUCCION

Alrededor de todos los procesos, desde los más cotidianos, la naturaleza está
compuesta de señales, todas las leyes de la física pueden ser medidas y
demostradas a través de magnitudes, ecuaciones, funciones y señales. Hacer un
análisis sobre el comportamiento de un sistema es primordial para generar frutos
a través de la investigación.

El presente documento presenta una recopilación del repaso por diferentes


procesos para el tratamiento de las señales, como lo es la convolución y
correlación, series y transformadas de Fourier que permiten hacer un
tratamiento y posterior análisis de señales continuas y discretas que describen
cómo se comporta un sistema a partir de diversas condiciones. De igual manera
se hace un enfoque sobre las aplicaciones de uso más importantes de los
procesos de señales en la ingeniería.

OBJETIVOS

 Profundizar en los conceptos de procedimientos para el tratamiento de


señales y su relación en el comportamiento de un sistema.

 Fortalecer a través de los procedimientos matemáticos y sus resultados


los conceptos asociados al tratamiento de señales.

 Usar herramientas para el procesamiento de señales para obtener gráficas


y resultados acordes al desarrollo analítico para cada problema propuesto.

 Comprender la importancia del análisis de señales, su amplio uso en la


ingeniería, la investigación y desarrollo científico.
ACTIVIDADES A DESARROLLAR

2. Definición de conceptos

a. Convolución continua

El proceso de convolución es matemático, es aplicable a sistemas LTI (Lineales


invariantes en el tiempo) que además deben estar en estado cero, es decir, no
existe ninguna entrada o energía almacenada en el sistema. La convolución
continua puede describir el promedio de dos señales superpuestas, en la que
una entrada x(t) al operarse con una señal h(t) puede descomponerse en
impulsos que generan una señal de salida y(t) que se desea conocer, la señal
y(t) depende de las señales de entrada presentes y pasadas de la señal de
entrada, pero no de sus estados futuros. Algunos usos de aplicabilidad se pueden
encontrar en la estadística para encontrar el promedio móvil ponderado o en la
acústica en donde el eco es el resultado de la convolución del sonido original con
una función que representa los objetos variados que reflejan el sonido.

Convolución discreta

La convolución discreta sólo tiene sentido realizarla sobre procedimientos de


carácter digital. De manera similar a la convolución continua, la convolución
discreta se realiza sobre sistemas LTI, para encontrar la salida ésta queda
definida en términos de su respuesta ante un impulso h[n]. La señal de salida
queda definida sin importar la posición de la señal de entrada, si existe un
desplazamiento o escalamiento de la señal, la salida presentará una variación
proporcional ya que el sistema es invariante y lineal. La salida finalmente puede
ser vista como una suma de muestras para cada valor n. Entre sus aplicaciones
más útiles puede hallarse el procesamiento de imágenes, por ejemplo, si se
quiere mejorar la resolución de una imagen se puede aplicar un filtro digital,
este filtro funcionará como una señal que por medio de la convolución junto con
las muestras para cada píxel de la imagen recorre una zona y la suma final de
todos los valores tratados mejorará la calidad de la imagen tratada. Otra
aplicación se encuentra en los sistemas de comunicación digitales como podría
ser la Voz sobre IP (VoIP), en donde se requiere de filtros de voz para mejorar
la calidad de las señales procesadas.

c. Estabilidad y causalidad en sistemas LTI

Un sistema LTI es lineal y no debe variar en el tiempo, esto quiere decir que
para un tiempo t1 se aplica una entrada al sistema y se obtiene determinada
salida, si al sistema ingresa la misma entrada en un tiempo cualquiera t2, la
salida debe ser igual, es decir, el sistema es invariante.
La causalidad determina que de un sistema se obtiene una salida sólo si existe
una entrada diferente de 0. Esto quiere decir que antes de que ocurra un impulso
en el sistema la salida de éste debe ser 0, se dice que un sistema LTI es causal
si cumple con la propiedad de reposo y la salida sólo depende de valores de
entrada presentes y pasados.
Un sistema LTI es estable sólo si la respuesta de este es acotada cuando la
entrada de excitación del sistema es acotada, es decir, la señal de salida no
puede tender hacia infinito si la entrada está acotada para valores menores de
infinito. Esto guarda una relación con la proporcionalidad en sistemas LTI, si una
entrada es escalada, la salida debe guardar una proporción con el valor escalado.

c. Correlación

El proceso matemático para hallar la correlación entre dos señales es muy similar
a la convolución, de igual manera se desplaza una señal sobre otra y se halla el
área entre ellas (integración), la diferencia radica en que en este proceso no se
refleja ninguna de las dos señales, cuando las señales tratadas son diferentes
se denomina correlación cruzada. Una de las propiedades más importantes es
que al no existir reflexión se debe tener en cuenta cuál de las dos funciones se
desplaza, por lo que la correlación no es conmutable, importa el orden. Por tanto,
la correlación permite determinar la similitud entre dos señales distintas. Una
aplicación práctica de la correlación en la ingeniería es cuando se desea
averiguar qué tanto afecta una variable independiente sobre otra que es
dependiente, por ejemplo, cómo afecta la variación de sujetos dentro de un
espacio cerrado a la temperatura del lugar.

d. Autocorrelación

La autocorrelación no es más que realizar el proceso de correlación entre las


mismas variables o señales. Una aplicación en la ingeniería de datos, en el
campo de la economía se puede llevar a cabo un estudio sobre el consumo
energético de una familia en un año, si se toman muestras de la misma variable
en un año consecutivo se espera una relación directa entre éstos, es probable
que, por efectos de costumbres, el clima, entre otros, existan meses para los
dos años en los que el consumo aumente o disminuya.

e. Diferencia entre correlación continua y discreta

El proceso para hallar la correlación entre dos señales es similar al proceso de


convolución discreta, la diferencia entre éstas radica en el tipo de señales
tratadas, para la continua se tiene un valor dependiente para cada instante de
tiempo, mientras que la señal discreta toma valores de muestreo para diferentes
instantes de tiempo que por lo general guarda una frecuencia constante de
muestreo. La autocorrelación discreta es interesante porque permite encontrar
señales ocultas entre señales de ruido.
f. Series de Fourier

Las series de Fourier básicamente permite realizar una descomposición de una


señal periódica mediante una combinación lineal de funciones trigonométricas
sencillas. Toda señal está compuesta por una suma infinita de funciones
trigonométricas, que están ligadas a unas frecuencias tipo enteras. Una serie de
Fourier es útil por ejemplo para determinar la cantidad de concentración de
energía o potencia de cualquier señal.

g. Transformada de Fourier

La transformada de Fourier permite observar la conversión de una señal del


dominio del tiempo al de la frecuencia, se aplica principalmente sobre señales
no periódicas, una señal cualquiera que de manera aparente no es periódica lo
es ya que el periodo puede afirmarse que se acerca a infinito. Una señal en el
tiempo está compuesta por diferentes componentes frecuenciales. Entre las
principales aplicaciones en la ingeniería se puede encontrar en el ámbito de las
comunicaciones en donde se opera tanto transformaciones de Fourier como su
inversa para realizar procesos de transmisión o recepción de señales. Para el
diseño de sistemas de control también es muy útil realizar esta transformada ya
que uno de los métodos de diseño está precisamente determinado por el dominio
frecuencial.

2. Ejercicios

2.1 Convolución continua (Analítica).

1.1. determine la convolución entre 𝑥(𝑡) y ℎ(𝑡) descritas a


continuación:
𝑥(𝑡) = (𝑎 − 𝑒 −𝑎𝑡 )𝑢(𝑡)
ℎ(𝑡) = 𝑒 −𝑎𝑡 𝑢(𝑡 − 𝑎)

a=5 b=7

𝑥(𝑡) = (5 − 𝑒 −5𝑡 )𝑢(𝑡) 𝑥(𝜆) = (5 − 𝑒 −5𝜆 )𝑢(𝜆)

ℎ(𝑡) = 𝑒 −5𝑡 𝑢(𝑡 − 5) ℎ(𝑡) = 𝑒 −5𝑡 𝑢(𝑡 − 𝜆 − 5)

Convolución: 𝑦(𝑡) = 𝑥(𝑡) ∗ ℎ(𝑡)


𝑦(𝑡) = ∫ 𝑥( 𝜆)ℎ(𝑡 − 𝜆)𝑑𝜆
−∞

𝑦(𝑡) = ∫ [(5 − 𝑒 −5𝜆 )𝑢(𝜆)] [𝑒 −5𝑡 𝑢(𝑡 − 𝜆 − 5)]𝑑𝜆
−∞
∞ ∞
𝑦(𝑡) = ∫ 5𝑢( 𝜆)𝑒 −5(𝑡−𝜆) 𝑢(𝑡 − 𝜆 − 5)𝑑𝜆 − ∫ 𝑒 −5𝜆 𝑢(𝜆)𝑒 −5(𝑡−𝜆) 𝑢(𝑡 − 𝜆 − 5)𝑑𝜆
−∞ −∞
∞ ∞
𝑦(𝑡) = ∫ 5𝑢( 𝜆)𝑒 −5(𝑡−𝜆) 𝑢(𝑡 − 𝜆 − 5)𝑑𝜆 − ∫ 𝑒 −5𝑡 𝑢(𝜆)𝑢(𝑡 − 𝜆 − 5)𝑑𝜆
−∞ −∞

Para: 𝑢(𝜆) = 1 → 𝜆≥0 y 𝑢(𝑡 − 𝜆 − 5)=1 𝑡−𝜆−5≥0


−𝜆 ≥ −𝑡 + 5
𝜆≤𝑡−5

Por tanto: 0 ≤ 𝜆 ≤ 𝑡 − 5

Como 𝑢(𝜆) = 1 𝑦 𝑢(𝑡 − 𝜆 − 5)=1, entonces:


𝑡−5 𝑡−5
−5(𝑡−𝜆) −5𝑡
𝑦(𝑡) = ∫ 5𝑒 𝑑𝜆 − 𝑒 ∫ 𝑑𝜆
−0 −0
𝑡−5
𝑦(𝑡) = 5𝑒 −5𝑡 ∫ 𝑒 5𝜆 𝑑𝜆 − 𝑒 −5𝑡 [𝑡 − 5 − 5]
−0

𝑒 5𝜆 𝑡 − 5
𝑦(𝑡) = 5𝑒 −5𝑡 [ | ] − 𝑒 −5𝑡 [𝑡 − 10]
5 0

𝑦(𝑡) = 𝑒 −5𝑡 [𝑒 5(𝑡−5) − 1] − (𝑡 − 10)𝑒 −5𝑡

𝑦(𝑡) = 𝑒 −25 − 𝑒 −5𝑡 − (𝑡 − 10)𝑒 −5𝑡

𝑦(𝑡) = 𝑒 −25 + 𝑒 −5𝑡 (−1 − 𝑡 + 10)

𝑦(𝑡) = 𝑒 −25 + 𝑒 −5𝑡 (−𝑡 + 9)

𝐶𝑜𝑚𝑜 𝑡 − 5 ≥ 0 → 𝐿𝑎 𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑙 𝑒𝑥𝑖𝑠𝑡𝑒 𝑠ó𝑙𝑜 𝑝𝑎𝑟𝑎 𝑡 ≥ 5

Por tanto se debe multiplicar por el escalón 𝑢(𝑡 − 5):

𝒚(𝒕) = [𝒆−𝟐𝟓 + 𝒆−𝟓𝒕 (−𝒕 + 𝟗)]𝒖(𝒕 − 𝟓)


2.2 Convolución discreta

a=5 y b=7

𝑥[𝑛] = [−1,5, 2̌, 5,7,4] → 𝐸𝑛𝑡𝑟𝑎𝑑𝑎

ℎ[𝑛] = [ 2.5, 7̌, 0.5] → 𝐹𝑖𝑙𝑡𝑟𝑜 𝐹𝐼𝑅

Convolución discreta: 𝑦[𝑛] = 𝑥[𝑛] ∗ ℎ[𝑛]

La convolución inicia en n=-3

n -3 -2 -1 0 1 2
h[n] 2.5 7 0.5
x[n] -1 5 2 5 7 4
-2.5 -7 -0.5
12.5 35 2.5

5 14 1
12.5 35 2.5
17.5 49 3.5
10 28 2
Suma -2.5 5.5 39.5 29 53.5 61.5 31.5 2
y[n]
Tabla 1. Proceso de convolución discreta

La salida y[n] finalmente puede expresarse así:

𝒚[𝒏] = −𝟐. 𝟓𝜹[𝒏 + 𝟑] + 𝟓. 𝟓𝜹[𝒏 + 𝟐] + 𝟑𝟗. 𝟓𝜹[𝒏 + 𝟏] + 𝟐𝟗𝜹[𝒏] + 𝟓𝟑. 𝟓𝜹[𝒏 − 𝟏]


+𝟔𝟏. 𝟓𝜹[𝒏 − 𝟐] + 𝟑𝟏. 𝟓𝜹[𝒏 − 𝟑] + 𝟐𝜹[𝒏 − 𝟒]

A continuación se presenta el script y la gráfica correspondiente desarrollado


en Matlab.
Script
%% Señal de entrada x[n] - Fabio
xn=[-1,5,2,5,7,4]; %%Señal que inicia en n=-2
n=[-2,-1,0,1,2,3];
subplot(3,1,1);
stem(n,xn,'g')
title('Señal de entrada discreta x[n] - Nelson Tovar');
xlabel('n');
ylabel('Amplitud');
xlim([-4,6]);
grid on;

%% Señal filtro FIR h[n] - Fabio


hn=[0,2.5,7,0.5,0,0]; %%Señal que inicia en n=-1
subplot(3,1,2);
stem(n,hn,'r')
title('Señal discreta filtro FIR - Nelson Tovar');
xlabel('n');
ylabel('Amplitud');
xlim([-4,6]);
grid on;

%% Señal de salida convolución discreta y[n]=x[n]*h[n] - Fabio


ConDis=conv(xn,hn);
nc=(-3:1:7);
subplot(3,1,3);
stem(nc,ConDis,'b')
title('Señal de salida y[n] de convolución discreta - Nelson Tovar');
xlabel('n');
ylabel('Amplitud');
xlim([-4,6]);
grid on;
Fig 1. Gráfica convolución discrete en matlab

2.3 Series de Fourier

Dibuje tres (3) periodos de la señal 𝑥(𝑡) y calcule los coeficientes


trigonométricos de la serie de Fourier.

a) 𝑥(𝑡) = 3 ∗ 𝑟𝑒𝑐𝑡(𝑡 − 𝑏) con T=4 s

Para dibujar los tres periodos de la señal x(t) se usa el aplicativo web wolfram

𝐶𝑜𝑚𝑜 𝑇 = 4, 𝑃𝑎𝑟𝑎 𝑔𝑟𝑎𝑓𝑖𝑐𝑎𝑟 𝑙𝑜𝑠 𝑡𝑟𝑒𝑠 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠:

𝑥(𝑡) = 3[𝑟𝑒𝑐𝑡(𝑡 − 3) + 𝑟𝑒𝑐𝑡(𝑡 − 7) + 𝑟𝑒𝑐𝑡(𝑡 − 11)]


Fig 2. Gráfica de 3 periodos de la señal x(t)

Las funciones de los coeficientes de Fourier se hallan a continuación:

1
𝑎𝑜 = ∫ 𝑥(𝑡)𝑑𝑡
𝑇 𝑇
1 1
T corresponde a un solo periodo de la señal y b=7, en este caso: 𝑏 − ≤ 𝑇 ≤ 𝑏 +
2 2

13 15
≤𝑇≤
2 2
15
1 2
𝑎𝑜 = ∫ 3𝑑𝑡
4 13
2

3 15 13
𝑎𝑜 = [ − ]
4 2 2
3
𝑎𝑜 = [2]
8
𝟑
𝒂𝟎 =
𝟒

2
𝑎𝑘 = ∫ 𝑥(𝑡) cos(2𝜋𝑘𝑓𝑜𝑡) 𝑑𝑡
𝑇 𝑇
1 1
Como: 𝑓𝑜 = 𝑇 = 4 = 0.25

2 15/2
𝑎𝑘 = ∫ 3 cos(0.5𝜋𝑘𝑡) 𝑑𝑡
4 13/2

3 15/2
𝑎𝑘 = ∫ cos(0.5𝜋𝑘𝑡) 𝑑𝑡
2 13/2
Usando la técnica de integración por sustitución:
𝑑𝑢
𝑢 = 0.5𝜋𝑘𝑡 𝑑𝑢 = 0.5𝜋𝑘𝑑𝑡 𝑑𝑡 =
0.5𝜋𝑘
3 15/2 𝑐𝑜𝑠𝑢
𝑎𝑘 = ∫ 𝑑𝑢
2 13/2 0.5𝜋𝑘

3 15/2
𝑎𝑘 = [𝑠𝑒𝑛𝑢 | ]
𝜋𝑘 13/2
𝟑
𝒂𝒌 = [𝒔𝒆𝒏(𝟏𝟓/𝟐) − 𝒔𝒆𝒏(𝟏𝟑/𝟐)]
𝝅𝒌

2
𝑏𝑘 = ∫ 𝑥(𝑡) sen(2𝜋𝑘𝑓𝑜𝑡) 𝑑𝑡
𝑇 𝑇
1 1
Como: 𝑓𝑜 = = = 0.25
𝑇 4

2 15/2
𝑏𝑘 = ∫ 3 sen(0.5𝜋𝑘𝑡) 𝑑𝑡
4 13/2

3 15/2
𝑏𝑘 = ∫ sen(0.5𝜋𝑘𝑡) 𝑑𝑡
2 13/2

Usando la técnica de integración por sustitución:


𝑑𝑢
𝑢 = 0.5𝜋𝑘𝑡 𝑑𝑢 = 0.5𝜋𝑘𝑑𝑡 𝑑𝑡 =
0.5𝜋𝑘
3 15/2 𝑠𝑒𝑛𝑢
𝑏𝑘 = ∫ 𝑑𝑢
2 13/2 0.5𝜋𝑘

3 15/2
𝑏𝑘 = [−𝑐𝑜𝑠 | ]
𝜋𝑘 13/2
𝟑
𝒃𝒌 = [−𝒄𝒐𝒔(𝟏𝟓/𝟐) + 𝒄𝒐𝒔(𝟏𝟑/𝟐)]
𝝅𝒌

2.4 Transformada de Fourier

Determine la transformada de Fourier de las señales 𝑥(𝑡) y 𝑦(𝑡), usando


pares de transformadas y propiedades reconocibles.
a. b=7
1

+b +2b t

-1

Fig 3. Señal x(t)

Analizando la gráfica, ésta puede ser construida a partir de una suma sucesiva
de la función rect(t) que comprende dos pulsos entre 0 ≤ 𝑡 ≤ 14:

𝑥(𝑡) = −𝑟𝑒𝑐𝑡(𝑡 − 0.5) − 𝑟𝑒𝑐𝑡(𝑡 − 1.5) − 𝑟𝑒𝑐𝑡(𝑡 − 2.5) − 𝑟𝑒𝑐𝑡(𝑡 − 3.5) − 𝑟𝑒𝑐𝑡(𝑡 − 4.5)
− 𝑟𝑒𝑐𝑡(𝑡 − 5.5) − 𝑟𝑒𝑐𝑡(𝑡 − 6.5) + 𝑟𝑒𝑐𝑡(𝑡 − 7.5) + 𝑟𝑒𝑐𝑡(𝑡 − 8.5) + 𝑟𝑒𝑐𝑡(−9.5)
+ 𝑟𝑒𝑐𝑡(𝑡 − 10.5) + 𝑟𝑒𝑐𝑡(𝑡 − 11.5) + 𝑟𝑒𝑐𝑡(𝑡 − 12.5) + 𝑟𝑒𝑐𝑡(𝑡 − 13.5)

Realizando la transformada de Fourier directa de rect(t) y la propiedad de


desplazamiento:

𝑟𝑒𝑐𝑡(𝑡) ⟷ 𝑠𝑒𝑛𝑐(𝑓) 𝑃𝑟𝑜𝑝𝑖𝑒𝑑𝑎𝑑 𝑑𝑒𝑠𝑝𝑙𝑎𝑧𝑎𝑚𝑖𝑒𝑛𝑡𝑜: 𝑥(𝑡 − 𝑎) ⟷ 𝑒 −𝑗2𝜋𝑓𝑎 𝑋(𝑓)

Por lo tanto, al realizar la transformada y simplificar:

𝑿(𝒇) = −𝒔𝒆𝒏𝒄(𝒇)[𝒆−𝒋𝝅𝒇 + 𝒆−𝒋𝟑𝝅𝒇 + 𝒆−𝒋𝟓𝝅𝒇 + 𝒆−𝒋𝟕𝝅𝒇 + 𝒆−𝒋𝟗𝝅𝒇 + 𝒆−𝒋𝟏𝟏𝝅𝒇 + 𝒆−𝒋𝟏𝟑𝝅𝒇 ]


+ 𝒔𝒆𝒏𝒄(𝒇)[𝒆−𝒋𝟏𝟓𝝅𝒇 + 𝒆−𝒋𝟏𝟕𝝅𝒇 + 𝒆−𝒋𝟏𝟗𝝅𝒇 + 𝒆−𝒋𝟐𝟏𝝅𝒇 + 𝒆−𝒋𝟐𝟑𝝅𝒇 + 𝒆−𝒋𝟐𝟓𝝅𝒇
+ 𝒆−𝒋𝟐𝟕𝝅𝒇 ]

A continuación se presenta la combinación lineal de dos señales que dan origen


a la señal x(t), el proceso es realizado en Matlab:

Script
%%Señal 1 - Nelson Tovar
t=[0,0,7,7,14,14];
at=[0,-1,0,0,1,0];
subplot(3,1,1)
plot(t,at,'g')
title('Señal 1 - Nelson Tovar')
xlabel('t');
ylabel('Amplitud');
grid on
%%Señal 2 - Nelson Tovar
t=[0,0,7,7,14,14];
bt=[0,0,1,-1,0,0];
subplot(3,1,2)
plot(t,bt,'r')
title('Señal 2 - Nelson Tovar')
xlabel('t');
ylabel('Amplitud');
grid on
%%Combinación lineal señales 1 y 2 - Nelson Tovar
xt=at-bt;
subplot(3,1,3)
plot(t,xt,'b')
title('Combinación lineal señales 1 y 2 - Nelson Tovar')
xlabel('t');
ylabel('Amplitud');
grid on
xlim([0,15]);
ylim([-2,2]);

Fig 4. Combinación lineal de dos señales en Matlab para hallar x(t).

b. a=5 2a=10
Fig 5. Señal y(t)

No existe una función matemática que describa la gráfica anterior para valores entre 0
y 10, tomando como guía el ejemplo 9.5-f del libro de Ambardar se decide dar solución
a la señal que se presenta a continuación, en la que se desplaza y se deja al valor 10
como el centro de la función.

Fig 6. Señal y(t) desplazada, con centro en t=10

La función está compuesta por la combinación de las señales:cos( 𝜋𝑡) 𝑦 rect(t)


desplazada hasta t=10, es decir rect(t-10).

Por tanto; la transformada de Fourier para y(t) es la transformada directa de la


multiplicación de cos( 𝜋𝑡) y rect(t), se debe tener en cuenta al igual que el
ejercicio anterior la propiedad de desplazamiento:

Con cos( 2𝜋𝑎𝑡) ⟷ 0.5𝛿(𝑓 + 𝑎) + 0.5𝛿(𝑓 − 𝑎) y 𝑟𝑒𝑐𝑡(𝑡) ⟷ 𝑠𝑒𝑛𝑐(𝑓)

Como se realiza la transformada sobre cos( 𝜋𝑡), al comparar con la transformada


de cos( 2𝜋𝑎𝑡):
1
2𝜋𝑎𝑡 = 𝜋𝑡 2𝑎 = 1 𝑎= = 0.5
2
cos( 2𝜋𝑎𝑡) ⟷ 0.5𝛿(𝑓 + 0.5) + 0.5𝛿(𝑓 − 0.5) ⟷ 0.5(𝑓 + 0.5) + 0.5(𝑓 − 0.5)

𝑌(𝑓) = [0.5(𝑓 + 0.5) + 0.5(𝑓 − 0.5)]𝑠𝑒𝑛𝑐(𝑓)[𝑒−𝑗2𝜋𝑓∗10 ]

𝒀(𝒇) = 𝟎. 𝟓𝒔𝒆𝒏𝒄(𝒇)[𝒆−𝒋𝟓𝝅𝒇 ][(𝒇 + 𝟎. 𝟓) + (𝒇 − 𝟎. 𝟓)]

A continuación se presenta la combinación lineal de dos señales que dan origen


a la señal y(t), el proceso es realizado en Matlab:

Script
%%Señal 1 - Nelson Tovar
t1=(9.5:0.001:10.5);
at=cos(pi*t1)
subplot(3,1,1)
plot(t1,at,'g')
title('Señal 1 - Nelson Tovar')
xlabel('t');
ylabel('Amplitud');
xlim([9,11]);
ylim([0,1.2]);
grid on
%%Señal 2 - Nelson Tovar
bt=exp(t1*0)
subplot(3,1,2)
plot(t1,bt,'r')
title('Señal 2 - Nelson Tovar')
xlabel('t');
ylabel('Amplitud');
xlim([9,11]);
ylim([0,1.2]);
grid on
%%Combinación lineal señales 1 y 2 - Nelson Tovar
xt=at*bt;
subplot(3,1,3)
plot(t1,xt,'b')
title('Combinación lineal señales 1 y 2 - Nelson Tovar')
xlabel('t');
ylabel('Amplitud');
xlim([9,11]);
ylim([0,1.2]);
grid on
Fig 7. Combinación lineal de dos señales en Matlab para hallar y(t).
CONCLUSIONES

La convolución es útil en el tratamiento de imágenes y video, mediante este


proceso es posible hacer uso de filtros para mejorar la calidad de este tipo de
contenido multimedia.

La correlación y autocorrelación permite hacer una comparación entre variables


idénticas o de diferente naturaleza para determinar una similitud entre éstas o
la incidencia de una sobre otra.

Las series y transformadas de Fourier hacen posible el cambio entre el dominio


temporal y frecuencial. toda señal puede ser descompuesta en diferentes
componentes frecuenciales, hacer un análisis sobre cada dominio permite
entender el por qué del comportamiento de muchas señales y hacen demostrable
muchas de las teorías planteadas en la ciencia.

BIBLIOGRAFÍA

Ambardar, Ashok. (2003). Procesamiento de señales analógicas y digitales (2ª


ed.). México DF, México: Thomson Learning.

Convolución, procesamiento de señales. (s.f.). Recuperado 10 abril, 2019, de


https://ramaucsa.wordpress.com/2013/12/17/convolucion-procesamiento-de-
senales/

Autocorrelación. (s.f.). Recuperado 10 abril, 2019, de


https://ocw.ehu.eus/file.php/23/AUTOC.pdf

Series de Fourier. (s.f.). Recuperado 10 abril, 2019, de


http://matematicas.univalle.edu.co/~jarango/Books/curso/cap10.pdf