TAREA 2 – SEÑALES EN EL DOMINIO DE LA FRECUENCIA

Luis Manuel Fonseca Palomino

Código: 77.192.697

Grupo:
203042

Tutor:

Universidad Nacional Abierta y a Distancia

Escuela: ciencias Básicas Tecnologías e Ingeniería
Curso: Señales y sistemas
Valledupar
2019
 INTRODUCCION
Cuando se estudian y aplican de señales en los diferentes campos del saber se
requiere la posibilidad de combinar o realizar cambios a dichas señales
dependiendo de la necesidad particular de cada aplicación que se esté
desarrollando, gracias a la convolución es posible analizar y predecir el resultado
de un sistema completo donde se cuenta con una señal de entrada, una señal de
respuesta a un impulso y una señal de salida. Con la misma premisa anterior, es
necesario estudiar señales desde el punto de vista de la frecuencia, dominio de
frecuencia, perspectiva un poco diferente a lo que se ha estudiado en cursos
anteriores donde el análisis se desarrolla desde el dominio del tiempo, las series
de Fourier permiten matemáticamente realizar esta conversión de dominio de
manera tal que es posible realizar análisis y tratamiento a las señales desde el
dominio de frecuencia.
 OBJETIVOS
 Comprender el concepto de convolución entre señales, de igual manera la
técnica para determinarla analíticamente.
 Comprender el concepto de Correración continua y discreta
 Comprender el concepto de Series de Fourier
 Comprender el concepto de Transformada continua de Fourier
 Determinar mediante el método de tabulación o lápiz y papel la respuesta
de un sistema, apropiándose del procedimiento para aprenderlo.
 Estudiar y entender las series de Fourier a través de los conceptos y
demostraciones matemáticas de la manera como se llevan a cabo.
Actividades a desarrollar

Tarea 2 - Señales en el dominio de la frecuencia

1. Definición de conceptos: estudiando el libro de (Ambardar), El estudiante

investiga de manera individual y da respuesta a las siguientes preguntas
teóricas:

a- Explique qué es convolución continua y discreta. De cuatro (4) ejemplos

de usos y/o aplicaciones en la ingeniería.
Concepto Convolución:
El operador matemático
t

∫ Ҩ( s)ᴪ (t−s)ds ; 0 ≤ t ≤ ∞
0

Es un caso particular de la composición de productos desarrollado por el

matemático italiano Vito Voltera en 1913 y que hoy en dia se denomina
convolución.
De forma simple, la convolución es una integral que expresa la cantidad de
traslape de una función ᴪ (s) Cuando se desplaza sobre una función Ҩ (s ) .
Por lo tanto, la convolución de dos funciones f (t) y h(t) produce una tercera
función g (t) que es una versión modificada de alguna de las fonciones originales
en un punto t.
Sus mayores aplicaciones se encuentran en el procesamiento de señales e
imágenes.
Convolución Dominio continuo:
El comportamiento de un sistema de tiempo continuo e invariante en el tiempo se
describe por la integral de Convolución:
∞
g ( t ) =( f ∗h )= ∫ f ( τ ) h(t−τ)dτ ; 0 ≤t ≤ ∞
−∞

Y representa la suma ponderada de la función de entrada f ( τ ) en el tiempo τ

, donde la ponderación está dada por la función h(t−τ) despalzada una
distancia t.
Conforme t cambia, la función de ponderación modifica diferentes partes de la
función de entrada.
De manera general la Convolución realiza los siguientes pasos:
1. Expresa cada función en treminos de la variable τ .
2. Refleja a h(τ)  h(−τ )
3. Añadir un desplazamiento t que permita a h(t−τ) moverse a lo largo del
eje τ
4. Comenzar t en -∞ y desplazarlo hasta +∞
5. En el punto donde las funciones f ( τ ) y h(t−τ) se intersecten calcular
la suma de productos.

Convolución Dominio discreto:

Con la operación de Convolución se puede construir la salida de un sistema digital
para una señal arbitraria de entrada si se conoce la respuesta al impulso del
sistema.
La definición de la Convolución en discreto es:
∞
y [ n ] =x [ n ]∗h [ n ] = ∑ x [ k ]∗h [n−k ]
K =−∞

Donde x [n] es la señal de entrada, h[n] es la respuesta al impulso y y [ n]

es la salida.
Esta operación es una suma de productos entre la señal de entrada x [k ] y
términos de h[n+ k ] desplazados n posiciones.
b- ¿Qué es estabilidad y causalidad de sistemas LTI?
En un sistema LTI la respuesta al impulso (h[n]' o ' h(t)) caracteriza
completamente el sistema. Es decir, a partir de la respuesta al impulso podemos
conocer la salida ante cualquier entrada mediante la operación de convolución.
A partir de la respuesta al impulso, en un sistema LTI, se puede determinar sus
propiedades de causalidad, memoria, estabilidad y encontrar el sistema inverso si
existe.
Causalidad: Un sistema es causal cuando su salida no anticipa valores futuros de
la entrada. Podemos asegurar que un sistema es causal si:

h[ n]=0 ; n<0 h(t )=0 ; t< 0

Un sistema LTI es estable si se cumple:
∞

∑|h [ n ]|< ∞
−∞

∫ |h ( t )|dt< ∞
−∞

c- Explique que es correlación y de un (1) ejemplo de uso y/o aplicación en

la ingeniería.
La correlación de dos funciones reales es una operación de similares
características a la convolución con la salvedad de que no giraremos alrededor del
origen los valores de una de las funciones. La expresión matemática para esta
operación es:

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

aplicación en la ingeniería.
L operación de auto correlación implica funciones idénticas, esta puede ejecutarse
en cualquier orden y representa una operación conmutativa.
¿Qué significa autocorrelacion?
La autocorrelacion puede verse como una medida de similitud o coherencia, entre
las funciones x(t) y su versión de desplazamiento. Claramente, bajo ningún
desplazamiento, las dos funciones se “igualan” y resultan en un máximo para la
autocorrelacion. Mas con un desplazamiento creciente, será 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 autocorrelacion decae a cero.
e- ¿Cuál es la diferencia de correlación continua y correlación discreta?
Un coeficiente de correlación mide el grado en que dos variables tienden a
cambiar al mismo tiempo. El coeficiente describe tanto la fuerza como la dirección
de la relación. Minitab ofrece dos análisis de correlación diferentes:
Correlación del momento del producto de Pearson
La correlación de Pearson evalúa la relación lineal entre dos variables continuas.
Una relación es lineal cuando un cambio en una variable se asocia con un cambio
proporcional en la otra variable.
Por ejemplo, usted puede usar una correlación de Pearson para evaluar si los
aumentos de temperatura en sus instalaciones de producción están asociados con
una disminución en el espesor de las capas de chocolate.
Correlación del orden de los rangos de Spearman
La correlación de Spearman evalúa la relación monótona entre dos variables
continuas u ordinales. En una relación monótona, las variables tienden a cambiar
al mismo tiempo, pero no necesariamente a un ritmo constante. El coeficiente de
correlación de Spearman se basa en los valores jerarquizados de cada variable y
no en los datos sin procesar.
La correlación de Spearman suele utilizarse para evaluar relaciones en las que
intervienen variables ordinales. Por ejemplo, usted puede usar una correlación de
Spearman para evaluar si el orden en que los empleados completan un ejercicio
de prueba se relaciona con el número de meses que han estado trabajando en la
empresa.
Siempre es una buena idea examinar la relación entre las variables con una
gráfica de dispersión. Los coeficientes de correlación solo miden relaciones
lineales (Pearson) o monótonas (Spearman). Son posibles otras relaciones.
f- ¿Qué son las series de Fourier?

Una serie de Fourier es una serie infinita que converge puntualmente a una
función periódica y continua a trozos (o por partes). Las series de Fourier
constituyen la herramienta matemática básica del análisis de Fourier empleado
para analizar funciones periódicas a través de la descomposición de dicha función
en una suma infinita de funciones sinusoidales mucho más simples (como
combinación de senos y cosenos con frecuencias enteras).
Es una aplicación usada en muchas ramas de la ingeniería, además de ser una
herramienta sumamente útil en la teoría matemática abstracta. Áreas de aplicación
incluyen análisis vibratorio, acústica, óptica, procesamiento de imágenes y
señales, y compresión de datos. En ingeniería, para el caso de los sistemas de
telecomunicaciones, y a través del uso de los componentes espectrales de
frecuencia de una señal dada, se puede optimizar el diseño de un sistema para la
señal portadora del mismo. Refiérase al uso de un analizador de espectros.
Las series de Fourier tienen la forma:
¿Qué es la transformada Continua de Fourier? De dos (2) ejemplos de uso y/o
aplicación en la ingeniería.
La transformada de Fourier es básicamente el espectro de frecuencias de una
función. Un buen ejemplo de eso es lo que hace el oído humano, ya que recibe
una onda auditiva y la transforma en una descomposición en distintas frecuencias
(que es lo que finalmente se escucha). El oído humano va percibiendo distintas
frecuencias a medida que pasa el tiempo, sin embargo, la transformada de Fourier
contiene todas las frecuencias del tiempo durante el cual existió la señal; es decir,
en la transformada de Fourier se obtiene un sólo espectro de frecuencias para
toda la función.
¿
Sea { }f una función integrable Lebesgue

¿
Se define la transformada de Fourier de { }f como la función

Observemos que esta integral tiene sentido, pues el integrando es una función
integrable. Una estimativa simple demuestra que la transformada de Fourier
F( f ) es una función acotada. Además por medio del teorema de la
¿
convergencia dominada puede demostrarse fácilmente que F( {( f )}f ) es
continua.
¿
La transformada de Fourier inversa de una función integrable { }f está definida
por:

Nótese que la única diferencia entre la transformada de Fourier y la transformada

de Fourier inversa es el signo negativo en el exponente del integrando. El teorema
de inversión de Fourier formulado abajo justifica el nombre de transformada de
Fourier inversa dado a esta transformada. El signo negativo en el exponente del
integrado indica la traspolación de complementos yuxtapuestos. Estos
complementos pueden ser analizados a través de la aplicación de la varianza para
cada función.
Ejemplo:
La transformada de Fourier no se ve afectada por la posición del centro del pulso
t0.
Pulso en t0=8 y establecemos la anchura del pulso en σ2=5, tomamos ω0=10
como frecuencia angular. Dibujamos la función f(t) en el intervalo 0<t<16. Aunque
el pulso se extiende desde -∞ a +∞, en el intervalo [0,16] está definido el pulso.
Con una frecuencia de muestreo fs=8, tomamos n=128 datos, señalamos los
datos tomados como puntos de color rojo en la gráfica f(t). El primer dato
corresponde al instante t1=0 y el último dato al instante tn=(n-1)/ fs=127/8=15.875
En la parte inferior de la ventana, representamos la transformada de Fourier F(ω)
en el intervalo comprendido entre -ωc y ωc , siendo ésta la fecuencia límite
ωc=πfs. Calculamos la transformada rápida de Fourier (FFT) de los datos tomados
y representamos su módulo en dicho intervalo.

%% EJEMPLO 1
t0=8;
w0=10;
s2=5;
t=0:0.05:16;
f=@(t) exp(-(t-t0).^2/(2*s2)).*cos(w0*t);
subplot(2,1,1)
hold on
plot(t,f(t),'b')
fs=8;
n=128;
dt=1/fs;
t=(0:n-1)*dt;
ft=f(t);
plot(t,ft,'ro','markersize',2,'markeredgecolor','r','markerfacecolor','r)
hold off
grid on
xlabel('t')
ylabel('f(t)')
title('Función')
subplot(2,1,2)
hold on
wc=pi*fs; %frecuencia límite de Nyquist
w=-wc:0.1:wc;
Fw=sqrt(2*pi*s2)*exp(-1i*w*t0).*(exp(1i*w0*t0)*exp(-(w-w0).^2*s2/2)+...
exp(-1i*w0*t0)*exp(-(w+w0).^2*s2/2))/2;
%transformada rápida de Fourier
y=fft(ft,n);
g=fftshift(y);
dw=2*pi/(n*dt);
ww=(-n/2:n/2-1)*dw;
plot(w,abs(Fw),'b',ww,abs(g)/fs,'ro','markersize',2,'markeredgecolor','r'
,'markerfacecolor','r')
hold off
grid on
xlabel('\omega')
ylabel('F(\omega)')
title('Transformada')
Ejemplo 2
Para estudiar el efecto la frecuencia de muestreo fs en la Transformada Rápida de
Fourier, vamos a tomar n=16 datos igualmente espaciados de la función f(t)
tomando una frecuencia de muestreo fs=2 Hz, es decir Δt=1/fs=0.5 s es el
intervalo de tiempo entre dos muestras consecutivas de f(t). El último dato
corresponde al instante (n-1)Δt=15·0.5=7.5 s La frecuencia crítica
ωc=π/Δt=πfs=2π.
Ejemplo 2
fs=2; %frecuencia de muestreo
n=16; %número de datos
dt=1/fs;
t=(0:n-1)*dt;
x=t.*exp(-t); %muestras, datos
subplot(2,1,1)
tt=0:0.05:8;
xx=tt.*exp(-tt);
plot(tt,xx,'b',t,x,'ro','markersize',4,'markeredgecolor','r','markerfacec
olor','r')
xlabel('t')
ylabel('x')
title('f(t)')
subplot(2,1,2)
wc=pi*fs; %frecuencia límite de Nyquist
ww=-4*pi:0.1:4*pi;
Fw=1./(1+1i*ww).^2;
%transformada rápida de Fourier
y=fft(x,n);
g=fftshift(y);
dw=2*pi/(n*dt);
w=(-n/2:n/2-1)*dw;
plot(ww,abs(Fw),'b',w,abs(g)/fs,'ro','markersize',3,'markeredgecolor','r'
,'markerfacecolor','r')
set(gca,'XTick',-4*pi:2*pi:4*pi)
set(gca,'XTickLabel',{'-4\pi','-2\pi','0','2\pi','4\pi'})
xlim([-4*pi,4*pi])
xlabel('\omega')
ylabel('|F(w)|')
title('Transformada')

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

a−e
(¿¿−at )u ( t )
x ( t )=¿
−at
h ( t )=e u ( t −a )
Grupo: 203042_44 a=4
Cód. Universitario: 77.192.697 B=7
4−e
(¿¿−4 t)u (t )
x ( t )=¿

h ( t )=e−4 t u ( t−4 )
entonces
−4λ
x (λ)=(4−e ) u(λ)

h ( t−λ ) =e−(t −λ ) u(t−λ−4 )

Se obtiene:
 ∞
y ( t )= ∫ x ( t ) h(t− λ) d λ
−∞

∞
y ( t )= ∫ (4−e− 4 λ )u( λ)e−(t −λ ) u(t−λ−4) d λ
−∞

t−4
y ( t )= ∫ ( 4−e−4 λ )e− ( t− λ ) d λ
−0

t −4
y ( t )=−4 ∫ (e−4 λ ) e−(t −λ ) d λ
−0

t −4
y ( t )=−4 e−t ∫ ( e−4 λ )∗e ( λ ) d λ
−0

t −4
y ( t )=−4 e−t ∫ ( e−3 λ ) dλ
−0

−3 λ
y ( t )=−4 e−t ( 3 )|0−(t −4 )
e

Luego

y ( t )=−1.33 e−t ( e−3 (t −4)−4 ) t ≥ 4

Nota: Para la solución de este ejercicio, se deben repasar los métodos

de integración vistos en el curso de cálculo integral.

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 ]= [− 1, a , 2̌ , a , b , 4 ]

h [ n ] =[ 2.5, b̌ , 0.5 ]
 Grupo: 203042_44 a=4
Cód. Universitario: 77.192.697 B=7
Reemplazando los valores de a y b

x [ n ]= [− 1,4, 2̌ , 4,7,4 ]

2̌ Nos indica el paso por cero cuando y = 2 entonces

X[n] -1 4 2 4 7 4
n -2 -1 0 1 2 3

h [ n ] =[ 2.5,7,0 .5 ]

7̌ Nos indica el paso por cero cuando y = 7 entonces

X[n] 2.5 7 0.5

n -1 0 1

Convolución entre las dos funciones

%% ejercicio 2
clear,clc
Xn = [-1 4 2 4 7 4];
n1 =[-2 -1 0 1 2 3]
Hn =[2.5 7 0.5];
n2 = [-1 0 1]
f = conv(Xn,Hn)
subplot(3,1,1)
stem(n1,Xn,'g','linewidth',1.5),grid,title('Función
X(n)'),xlabel('n'),...
ylabel('X(n)')
subplot(3,1,2)
stem(n2,Hn,'b','linewidth',1.5),grid,title('Función
H(n)'),xlabel('n'),...
ylabel('H(n)')
subplot(3,1,3)
stem(f,'r','linewidth',1.5),grid,title('Convolución X(n).H(n)'),...
xlabel('n'),ylabel('X(n).H(n))')
 Y (n)=[−2.53 32.5 26 46.5 61 31.5 2]
2.3. 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 )=3∗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

“Para la solución de este ejercicio, se deben repasar los métodos de

integración vistos en el curso de cálculo integral”
a) x ( t )=3∗rect ( t−4) con T=4 s
❑

Para a o=∫ x (t )dt

T

2
a o=∫ 3 dt
−2

a o=3

Para ak

2
ak= x (t)cos ⁡( 2 k f o t )dt
T∫
1 1
T= =¿> f 0 = =0.25
fo 4
2
a k =−0.5 ∫ 3∗cos ⁡( 0.5 πkt)
−2

sin ( π∗k )∗6

ak=
π∗k
Para bk
2
bk =∫ x (t ) sin(k∗wo∗t) dt
−2

2π
Wo=
T
2
k∗2 π
bk =∫ 3∗sin( ∗t )dt
−2 4

bk =0

2.2 2.4. Ejercicio 4 – Transformada de Fourier: Usando como

guía los ejemplos 9.5 de las páginas 259 del libro Ambardar
y las tablas 9.1 y 9.2, determine la transformada de Fourier
de las señales x (t) y y (t) , usando pares de
 transformadas y propiedades reconocibles. Posteriormente
verifique su respuesta diseñando un script con la
combinación lineal de señales usadas para obtener x(t) y
y(t), en Matlab u Octave y anexe el resultado junto con el
script (práctica):

+b +2b t

-1

Grupo: 203042_44 a=4

Cód. Universitario: 77.192.697 B=7

+4 +8 t

-1

Solucion
fs = 6;
ts = 1/fs;
n = 6;
t = [0 4 4 4 8 8];
y = [-1 -1 0 1 1 0];
subplot(211)
plot(t,y,'k','LineWidth',2),grid, title('Señal Original- Luis
fonseca'),...
xlabel('tiempo'), ylabel('Amplitud')
fn = 0:fs/n:fs-fs/n;
subplot(212)
plot(fn,abs(fft(y)),'-.b','LineWidth',2),grid,title('Transformada rapida
de Fourier- Luis fonseca'),...
xlabel('tiempo'), ylabel('Amplitud')
3 Ítem grupal y(t)
1

0 +2(7) t
%%
clear,clc
fs = 14;
ts = 1/fs;
n = 15;
t = 0:1:14;
y = sin(t*0.225);
subplot(211)
plot(t,y,'k','LineWidth',2),grid, title('Señal Original- Luis
fonseca'),...
xlabel('tiempo'), ylabel('Amplitud')
fn = 0:fs/n:fs-fs/n;
subplot(212)
plot(fn,abs(fft(y)),'-.b','LineWidth',2),grid,title('Transformada rapida
de Fourier- Luis fonseca'),...
xlabel('tiempo'), ylabel('Amplitud')
 CONCLUSIONES

Las transformaciones en el dominio de la frecuencia aún hoy día permiten obtener

resultados y procedimientos que evitan tomar caminos largos en el desarrollo
matemático y análisis cualitativo. La transformación presentada y la forma
simplificada permiten reducir el uso de tiempo de cómputo, la complejidad
computacional y entrega una representación armónica de señales de alto orden.
Importante es tener en cuenta que el procedimiento presentado en éste trabajo es
novedoso y sencillo de seguir. Con las series de Fourier logramos concluir que una
función continua y periódica por métodos matemáticas se da a partes, obteniendo
combinación de senos y cosenos.