Unidad 2: Tarea 2 – Señales en el dominio de la frecuencia

Presentado Por:
Alexander Guaitero Mojica

Código:
1098722687

Tutor:
Ing. Erik Miguel Barrios

Curso:
203042_9

Universidad Nacional Abierta Y A Distancia (UNAD)

Bucaramanga -Santander
junio 2019
 INTRODUCCIÓN
en el siguiente trabajo podemos analizar los sistemas que son modelados
matemáticamente, para determinar la respuesta de la entrada que se requiera,
la cual también es representada matemáticamente. Para calcular la respuesta
del sistema se introduce la operación de convolución, que permite estimar la
respuesta de un sistema de acuerdo a la señal de entrada. La operación de
convolución, no solo se aplica para señales de tiempo continuo, si no, también
se aplica para señales de tiempo discretos.
 OBJETIVOS

 Determinar la respuesta de un sistema continúo usando la operación de

convolución analítica.

 Determinar la respuesta de un sistema discreto usando la operación de

convolución.

 Determinar los coeficientes de la Serie de Fourier de señales periódicas.

 Realizar aplicación práctica de los ejercicios propuestos en alguno de los

programas propuestos Matlab y graficar funciones.
Explique qué es convolución continua y discreta. De cuatro (4) ejemplos
de usos y/o aplicaciones en la ingeniería.

La convolución discreta en tiempo es un método para encontrar la respuesta de

estado cero de sistemas relajados lineales e invariantes en el tiempo (LTI). Se
basa en los conceptos de lineal e invariante en el tiempo y considera que la
información del sistema se conoce en términos de su respuesta al
impulso h[n]. En otras palabras, si la entrada es δ[n], una muestra unitaria en el
origen n = 0, la respuesta del sistema es h[n]. Ahora, si la entrada es x[0]δ[n],
un impulso escalado en el origen, la respuesta es x[0]A[n]. Similarmente, si la
entrada es el impulso desplazado x[1]δ[n – 1] en n = 1, la respuesta es x[l]h[n -
1] (por la invariante en el tiempo). La respuesta al impulso desplazado x[k]δ[n -
k] en n = k es x[k]h[n - k]. Ya que una entrada arbitraria x[n] es simplemente
una secuencia de muestras, puede describirse como una suma de impulsos
escalados y desplazados:

 En acústica, un eco es la convolución del sonido original con

una función que represente los objetos variados que lo
reflejan.

 En electrónica y otras disciplinas, la salida de un sistema lineal

(estacionario o bien tiempo-invariante o espacio-invariante) es
la convolución de la entrada con la respuesta del sistema a un
impulso (ver animaciones).

 En física, allí donde haya un sistema lineal con un principio de

superposición, aparece una operación de convolución.

 En teoría de la probabilidad, la distribución de probabilidad de

la suma de dos variables aleatorias independientes es la
convolución de cada una de sus distribuciones de probabilidad

a- ¿Qué es estabilidad y causalidad de sistemas LTI?

Causalidad.
Un sistema es causal si su salida en cualquier instante de tiempo depende sólo
de los valores de la entrada en el tiempo presente y en el pasado. Tal sistema
es llamado no anticipativo, ya que la salida no anticipa valores futuros de la
entrada.

Estabilidad.

Intuitivamente, un sistema estable es aquel en el que entradas pequeñas

conducen a respuestas que no divergen.

Es decir, si la entrada a un sistema es limitada, entonces la salida debe ser

también limitada y por tanto no debe diverger.

b- Explique que es correlación y de un (1) ejemplo de uso y/o

aplicación en la ingeniería.

Es frecuentemente necesario tener la posibilidad de cuantificar el grado de

interdependencia de un proceso por encima de otro, o establecer la similitud
entre un conjunto de datos y otro. La correlación puede ser definida
matemáticamente y por ende cuantificada. Su rango de aplicación en el análisis
de señal es vasto, por ejemplo, en el radar cuando se desea encontrar el rango
y la posición en la cual las formas de onda son transmitidas y comparadas.
También se puede encontrar como parte integral de la técnica de estimación de
los mínimos cuadrados, en el cálculo de la potencia promedio de señales. El
proceso de convolución es en esencia una correlación en la cual una de las
señales ha sido invertida con relación al eje de las abscisas.

c- Explique qué es auto correlación y de un (1) ejemplo de uso y/o

aplicación en la ingeniería.
¿Qué significa autocorrelación?
La autocorrelación puede verse como una medida de
similitud, coherencia, entre una función x(t)y su versión de desplazamiento.
Claramente, bajo ningún desplazamiento, las dos funciones se “igualan” y
resultan en un máximo para la autocorrelación. Mas con un desplazamiento
creciente, sería natural esperar la similitud y, por consiguiente, la reducción de
la correlación entre x(t) y su versión desplazada. Conforme el desplazamiento
se aproxima a infinito, toda traza de similitud se desvanece y la autocorrelación
decae a cero.
Simetría

Puesto que r xy(t) = r (–t), tenemos, r xx (t) = r xx ((-t). Esto significa que la
autocorrelación de una función real es par. La autocorrelación de una función
par x(t) es también igual a la convolución de x(t) en sí misma, debido a que la
operación de reflexión deja una función par invariable.

Valor máximo

Resulta que la función de autocorrelación es simétrica en torno al origen, donde

alcanza su valor máximo. De tal modo se satisface que

r xx(t) ≤ r xx(0) (6.46)

Se concluye que la autocorrelación r xx(t) es finita y no negativa para toda t.

Autocorrelación periódica

Para señales periódicas, definimos la autocorrelación periódica casi en la

misma forma que la convolución periódica. Si desplazamos una señal periódica
con periodo T más allá de sí misma, las dos líneas ascienden después de cada
periodo, y la autocorrelación periódica también tiene periodo T.
 d- ¿Cuál es la diferencia de correlación continua y correlación
discreta?

La correlación es una operación similar a la convolución. Implica desplazar una

función más allá de otra y encontrar el área bajo el producto resultante. Sin
embargo, a diferencia de la convolución, no se efectúa ninguna reflexión. La
correlación r xx(t) de dos funciones idénticas x(t) se llama autocorrelación. Para
dos funciones diferentes x(t) y y(t), la correlación rxy(t) o r yz(t) se conoce
como correlación cruzada.

Usando el símbolo ** para denotar correlación, definimos las dos operaciones

como

La variable t es frecuentemente denominada como el retraso. Las definiciones

de la correlación cruzada no son estándares, y algunos autores prefieren
cambiar las definiciones de r xy (t)yr yz (t).

propiedades de la correlación

La correlación cruzada es una medida de la similitud entre diferentes funciones.

Puesto que el orden es importante en la correlación cruzada, tenemos dos
funciones de correlación cruzada dadas por

En t = 0, tenemos
Así, r xy (0) = r yx (0). La correlación cruzada satisface también la desigualdad

donde Ex y Ey representan la energía de la señal en x(t) y y(t), respectivamente.

e- ¿Qué son las series de Fourier?

La serie de Fourier permiten representar funciones periódicas mediante

combinaciones de senos y cosenos (serie trigonométrica de Fourier) o de
exponenciales (forma compleja de la serie de Fourier).

Si f es una función periódica de período 2T seccionalmente continua, admite la

siguiente representación en los puntos de continuidad:

a0 
 nt nt 
f (t )     a n cos  bn sen 
2 n 1  T T 

Donde:

1 a  2T nt
an  
T a
f (t ) cos
T
dt

1 a  2T nt
bn   f (t ) sen dt
T a T

Nótese que las integrales pueden ejecutarse entre dos valores cualesquiera
separados por un período. En los puntos de discontinuidad de la función, la
serie anteriormente mencionada converge a la semisuma de los límites
laterales de la función.
Otra forma de representar la misma función es mediante una serie compleja, en
la cual se aprovecha la fórmula de Euler ea + ib = ea(cosb + isenb). Resulta, en
tal caso:


f (t )   c n e int / T


Donde:

1 T
cn 
2T  T
f (t )e int / T dt

f- ¿Qué es la transformada Continua de Fourier? De dos (2)

ejemplos de uso y/o aplicación en la ingeniería.

La transformada Fourier de una señal unidimensional o función continua f(x) es

una transformación de dicha señal que nos permite calcular la contribución de
cada valor de frecuencia a la formación de la señal. La expresión matemática
de dicho cálculo es

donde

y la variable u que aparece en la función f(u) representa a las frecuencias.

Puede demostrarse además que esta transformación tiene inversa, es decir
que dada la función f(u) podemos a partir de ella calcular la función f(x). La
expresión matemática de dicha transformada inversa es

Estas dos funciones f(x) y f(u) se denominan un par de transformadas

Fourier. En general las funciones con las que trataremos en problemas reales
verificarán las condiciones que es necesario imponer para que las expresiones
anteriores puedan calcularse.
Es importante señalar que aunque las funciones que definen a las imágenes
son funciones reales sus transformadas Fourier son funciones complejas con
parte real y parte imaginaria. Así pués f(u) se expresará de forma general como

donde R(u) denota la parte real y I(u) la parte imaginaria. Como todo número
complejo para cada valor de u, f(u) puede expresarse en términos de su
módulo y de su angulo de fase.

1.1. Ejercicio 1- Convolución continua (analítica): usando como

guía el ejemplo 6.2 de la página 134 del libro guia Ambardar y teniendo
en cuenta las propiedades de dicha operación determine la convolución
entre 𝑥(𝑡) y ℎ(𝑡) descritas a continuación:

Ítem grupal

𝑥(𝑡) = (𝑎 + 𝑒 −𝑎𝑡 )𝑢(𝑡)

ℎ(𝑡) = 𝑒 −𝑎𝑡 𝑢(𝑡 + 3)
constante: a=9
constante: b=7
Para iniciar con la convolución entre x(t) y h(t) se tiene presente

𝑦(𝑡) = 𝑥(𝑡) ∗ ℎ(𝑡) = ∫ − 𝑥(𝜆)ℎ(𝑡 − 𝜆)𝑑𝜆

−∝

Reemplazamos a 𝑥(𝑡) → 𝑥(𝜆) 𝑦 ℎ(𝑡) → ℎ(𝑡 − 𝜆)

𝑥(𝑡) = (𝑎 + 𝑒 −𝑎𝑡 )𝑢(𝑡)

𝑥(𝜆) = 9 + 𝑒 −9𝜆 𝑢(𝜆)

ℎ(𝑡 − 𝜆) = 𝑒 −9(𝑡−𝜆) 𝑢(𝑡 − 𝜆) + 3)𝑑𝜆

 Aplicamos la ecuación 𝑦(𝑡)
∝

𝑦(𝑡) = 𝑥(𝑡) ∗ ℎ(𝑡) = ∫ 𝑥(𝜆) = 9 + 𝑒 −9𝜆 𝑢(𝜆) 𝑒 −9(𝑡−𝜆) 𝑢(𝑡 − 𝜆) + 3)𝑑𝜆

−∝

Organizamos la ecuación
∝

𝑦(𝑡) = 𝑥(𝑡) ∗ ℎ(𝑡) = ∫ 𝑥(𝜆) = 9 + 𝑒 −9𝜆 𝑒 −9(𝑡−𝜆) 𝑢(𝜆)𝑢(𝑡 − 𝜆) + 3)𝑑𝜆

−∝

Para obtener los límites de la integral utilizamos los impulsos unitarios.

𝑢(𝜆) = 0 𝑝𝑎𝑟𝑎 𝜆 < 0

𝑢(𝑡 − 𝜆 − 1) = 0 𝑝𝑎𝑟𝑎 𝜆 > 𝑡 − 1

𝑡−1

𝑦(𝑡) = ∫ 9 + 𝑒 −9𝜆 𝑒 −9(𝑡−𝜆) 𝑑𝜆

0

Calculamos la integral indefinida

𝑦(𝑡) = ∫ 9 + 𝑒 −9𝜆 𝑒 −9(𝑡−𝜆) 𝑑𝜆 = (9 + 𝑒 −9𝜆 )𝜆 + 𝑐

Calculamos los limites

𝑡−1

𝑦(𝑡) = ∫ 9 + 𝑒 −9𝜆 𝑒 −9(𝑡−𝜆) 𝑑𝜆 = (9 + 𝑒 −9𝜆 )(𝑡 − 1) − 0

0

𝑦(𝑡) = (9 + 𝑒 −9𝜆 )(𝑡 − 1) − 0

Simplificamos

𝑦(𝑡) = (𝑡 − 1)(𝑒 −9𝜆 + 9)

2.2 Ejercicio 2 – Convolución discreta (tabular y gráfica): Usando

como guía el ejemplo 7.3 de la página 173 del libro Ambardar,
determine la respuesta de un filtro FIR (ℎ[𝑛]), a la entrada 𝑥[𝑛].
Posteriormente verifique su respuesta diseñando un script con el
método gráfico de convolución, en Matlab u Octave y anexe el
resultado junto con el script (práctica):
 𝑥[𝑛] = [−2, 𝑎, 5̌, 𝑎, 𝑏, −2]

ℎ[𝑛] = [ 2.5, 𝑏̌, 0.5]

= -2 9 5 9 7 -2
= 2.5 7 0.5
-5 22.5 12.5 22.5 17.5 -5
-14 63 35 63 49 -14
-
-1 4.5 2.5 4.5 3.5 1
-
-5 8.5 74.5 62 83 48.5 -10,5 1

%%grafica x(n) alexander guaitero mojica

Xn=[-2,9,5,9,7,-2];
n=[-2,-1,0,1,2,3];
subplot(3,1,1)
stem(n,Xn,'M');
grid
title('alexander guaitero mojica señal discreta x(n)')
xlabel('n')
ylabel('amplitud')
xlim([-5,5])
%%grafica H(n) alexander guaitero mojica
Hn=[0,2.5,7,0.5,0,0];
subplot(3,1,2)
stem(n,Hn,'R');
grid
title('alexander guaitero mojica señal discreta h(n)')
xlabel('n')
ylabel('amplitud')
xlim([-5,5])
%%convolucion discreta x(n)*h(n) alexander guaitero mojica
ConDis=conv(Xn,Hn);
ncon=(-4:1:6);
subplot(3,1,3)
stem(ncon,ConDis)
grid
title('alexander guaitero mojica convolucion discreta x(n)*h(n)')
xlabel('n')
ylabel('amplitud')
xlim([-5,5])
 . Ejercicio 3 – Series de Fourier: Usando como guía el capítulo 8 de la
página 197 del libro Ambardar, dibuje tres (3) periodos de la
siguiente señal 𝑥(𝑡) y calcule los coeficientes trigonometricos de la
serie de Fourier.

a) 𝑥(𝑡) = 5 ∗ 𝑟𝑒𝑐𝑡(𝑡 + 𝑏) con T=4 s

 Encuentre los coeficientes 𝑎0 , 𝑎𝑘 y 𝑏𝑘

Nota: Para encontrar los coeficientes de la serie de Fourier, se tienen las

siguientes expresiones matemáticas:
 Recuadro de repaso, Ambardar página 199
a) 𝑥(𝑡) = 5 ∗ 𝑟𝑒𝑐𝑡(𝑡 + 𝑏) con T=4 s

Remplazamos
𝑥(𝑡) = 5 ∗ 𝑟𝑒𝑐𝑡(𝑡 + 7)

1
hallamos 𝑎0 = 𝑇 ∫𝑇 𝑥(𝑡)𝑑𝑡

1 7.5
𝑎0 = ∫ 𝑥(𝑡)𝑑𝑡
𝑇 6.5

1 7.5 5 7.5 5 7.5 5 7.5 5

𝑎0 = ∫ 5 𝑑𝑡 = ∫ 5𝑑𝑡 = ∫ 1𝑑𝑡 = 𝑡 | 𝑎0 = 𝑡
4 6.5 4 6.5 4 6.5 4 6.5 4
5
𝑎0 = 𝑡
4
5
𝑎0 = (7.5 − 6.5)
4
5
𝑎0 = (1)
4
5
𝑎0 =
4
 2
Hallamos 𝑎𝑘 = 𝑇 ∫𝑇 𝑥(𝑡) cos(2𝜋𝑘𝑓0 𝑡) 𝑑𝑡

1 7.5
𝑎𝑘 = ∫ 5cos(2𝑥𝑘𝑓𝑜 𝑡)𝑑𝑡
4 6.5

5 7.5
𝑎𝑘 = ∫ cos(2𝑥𝑘𝑓𝑜 𝑡)𝑑𝑡
4 6.5
𝑢 = 2𝜋𝑘𝑓𝑜 𝑡
𝜋𝑘
𝑢= 𝑡
2
𝑢 = 2𝜋𝑘𝑓𝑜 𝑑𝑡
𝑑𝑢
= 𝑑𝑡
2𝜋𝑘𝑓𝑜
𝑑𝑢
= 𝑑𝑡
1
2𝜋𝑘 4
𝑑𝑢
= 𝑑𝑡
𝜋𝑘
2
5 7.5 𝑑𝑢
𝑎𝑘 = ∫ cos(𝑢)
4 6.5 2𝜋𝑘𝑓𝑜
7.5
5
𝑎𝑘 = ∫ cos(𝑢)𝑑𝑢
𝜋𝑘
4 ∗ 2 6.5
7.5
5
𝑎𝑘 = ∫ cos(𝑢)𝑑𝑢
2𝜋𝑘 6.5
5 𝜋𝑘 7.5
𝑎𝑘 = 𝑠𝑒𝑛 ( 𝑡) {
2𝜋𝑘 2 6.5
5 1 7.5
𝑎𝑘 = 𝑠𝑒𝑛 (𝜋𝑘 𝑡) {
2𝜋𝑘 2 6.5
5 1 1
𝑎𝑘 = (𝑠𝑒𝑛 (𝜋𝑘 ∗ 7.5) − 𝑠𝑒𝑛 (𝜋𝑘 ∗ 6.5))
2𝜋𝑘 2 2

5 15 13
𝑎𝑘 = (𝑠𝑒𝑛 (𝜋𝑘 ) − 𝑠𝑒𝑛 (𝜋𝑘 ))
2𝜋𝑘 4 4
15 13
5𝑠𝑒𝑛 (𝜋𝑘 4 ) − 𝑠𝑒𝑛 (𝜋𝑘 4 )
𝑎𝑘 =
2𝜋𝑘
 2
Hallamos 𝑏𝑘 = 𝑇 ∫𝑇 𝑥(𝑢)𝑠𝑒𝑛(2𝜋𝑘𝑓𝑜 𝑡)𝑑𝑡

5 7.5 𝑑𝑢
𝑏𝑘 = ∫ sen(𝑢)
4 6.5 2𝜋𝑘𝑓𝑜
75
5
𝑏𝑘 = ∫ sen (𝑢)𝑑𝑢
𝜋𝑘
4 ∗ 2 6.5
7.5
5
𝑏𝑘 = ∫ sen(𝑢)𝑑𝑢
2𝜋𝑘 6.5
5 𝜋𝑘 7.5
𝑏𝑘 = − 𝑐𝑜𝑠 ( 𝑡) {
2𝜋𝑘 2 6.5
5 1 7.5
𝑏𝑘 = − 𝑐𝑜𝑠 (𝜋𝑘 𝑡) {
2𝜋𝑘 2 6.5
5 1 1
𝑏𝑘 = − (𝑐𝑜𝑠 (𝜋𝑘 ∗ 7.5) + 𝑐𝑜𝑠 (𝜋𝑘 ∗ 6.5))
2𝜋𝑘 2 2

5 15 13
𝑏𝑘 = − (𝑐𝑜𝑠 (𝜋𝑘 ) + 𝑐𝑜𝑠 (𝜋𝑘 ))
2𝜋𝑘 4 4
15 13
−5𝑐𝑜𝑠 (𝜋𝑘 4 ) + 𝑐𝑜𝑠 (𝜋𝑘 4 )
𝑏𝑘 =
2𝜋𝑘
 CONCLUSIONES

 En el desarrollo de la actividad, se detalló el procedimiento realizado para

obtener la respuesta de un sistema continuo ante determinada entrada, el
cual puede replicarse para determinar la respuesta de cualquier sistema
continuo ante cualquier entrada resolviendo la integral de convolución

 se detalló el procedimiento realizado para obtener la respuesta de un

sistema discreto de muestras finitas ante una entrada de muestras finitas,
el cual puede replicarse para determinar la respuesta de cualquier sistema
discreto ante cualquier entrada de muestras finitas.
 Se realizo la integración para determinar los coeficientes de la serie de
Fourier en señales periódicas