Tarea 2

Señales en el dominio de la frecuencia

Estudiante:

Miguel Ángel Ahumada Segura

Docente:

Paola Andrea Mateus

Curso:

203042A_614

Universidad Nacional Abierta y a Distancia UNAD

Ingeniería Electrónica

Noviembre 2019
 INTRODUCCION

Cuando se estudian y se aplican 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, ya que es posible realizar análisis y tratamiento a las señales
desde el dominio de frecuencia.
 OBJETIVOS

 Comprender el concepto de Convolución de señales continuas y discretas.

 Comprender el concepto de Correlación.
 Comprender el concepto de Series de Fourier.
 Comprender el concepto de transformada continua de Fourier.
 Actividades a desarrollar

Tarea 2 - Señales en el dominio de la frecuencia.

a) Explique qué es convolución continua y discreta. De cuatro (4) ejemplos de usos y/o
aplicaciones en la ingeniería.

Concepto de 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 funciones 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) desplazada 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 términos 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.

La operación de auto correlación implica funciones idénticas, esta puede ejecutarse en

cualquier orden y representa una operación conmutativa.

¿Qué significa autocorrelación?

La autocorrelación 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 autocorrelación. 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
autocorrelación 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:

g) ¿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) 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 traspiración de complementos yuxtapuestos. Estos complementos pueden ser
analizados a través de la aplicación de la varianza para cada función.
Ejemplo 1:

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 σ 2 = 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 frecuencia 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','mar
kerfacecolor','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','markerfacecolor'
,'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','mar
kerfacecolor','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')

2.1 Ejercicio 1- Convolución continua (analítica): usando como guía el ejemplo

6.2 de la página 134 del libro guía 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) = (3 + 𝑒 −𝑎𝑡 )𝑢(𝑡)

ℎ(𝑡) = 3 ∗ 𝑒 −𝑎𝑡 𝑢(𝑡 − 3)

𝑥(𝑡) = (4 − 𝑒 −4𝑡 )𝑢(𝑡)

ℎ(𝑡) = 𝑒 −4𝑡 𝑢(𝑡 − 4)

Entonces:

𝑥 (𝜆) = (4 − 𝑒 −4λ )𝑢(𝜆)

ℎ(𝑡 − λ) = 𝑒 −(𝑡−λ) 𝑢(𝑡 − λ − 4)
Se obtiene:
∞
𝑦(𝑡) = ∫ 𝑥(𝑡)ℎ(𝑡 − λ)𝑑λ
−∞
∞
𝑦(𝑡) = ∫ (4 − 𝑒 −4λ )𝑢(𝜆)𝑒 −(𝑡−λ) 𝑢(𝑡 − λ − 4)𝑑λ
−∞
𝑡−4
𝑦(𝑡) = ∫ (4 − 𝑒 −4λ )𝑒 −(𝑡−λ) 𝑑λ
−0
𝑡−4
𝑦(𝑡) = −4 ∫ (𝑒 −4λ )𝑒 −(𝑡−λ) 𝑑λ
−0
𝑡−4
𝑦(𝑡) = −4𝑒 −𝑡 ∫ (𝑒 −4λ ) ∗ 𝑒 (λ) 𝑑λ
−0
𝑡−4
−𝑡
𝑦(𝑡) = −4𝑒 ∫ (𝑒 −3λ )dλ
−0
−3λ
𝑒
𝑦(𝑡) = −4𝑒 −𝑡 ( )| 0 − (𝑡 − 4)
3

Luego:

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

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):

̌ , 𝑎, 𝑏, 4]
𝑥[𝑛] = [4, 𝑎, −2
ℎ[𝑛] = [ 0.5, 𝑏̌, 2.5]
 𝑥[𝑛] = [−1,4, 2̌, 4,7,4]

2 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]

7 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) = [−2.5 3 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 trigonométricos de la serie de Fourier.

a) 𝑥(𝑡) = 9 ∗ 𝑟𝑒𝑐𝑡(𝑡 − 𝑏) con T=6 s

 Encuentre los coeficientes 𝑎0 , 𝑎𝑘 y 𝑏𝑘

𝑥(𝑡) = 3 ∗ 𝑟𝑒𝑐𝑡(𝑡 − 4) con T=4 s

Para 𝑎𝑜 = ∫𝑇 𝑥(𝑡)𝑑𝑡

2
𝑎𝑜 = ∫ 3𝑑𝑡
−2
𝑎𝑜 = 3

Para ak

2
𝑎𝑘 = ∫ 𝑥(𝑡)cos(2𝑘𝑓𝑜 𝑡)𝑑𝑡
𝑇
1 1
𝑇 = ==> 𝑓0 = = 0.25
𝑓𝑜 4
2
𝑎𝑘 = −0.5 ∫ 3 ∗ cos(0.5𝜋𝑘𝑡)
−2
sin(𝜋 ∗ 𝑘) ∗ 6
𝑎𝑘 =
𝜋∗𝑘

Para bk

2
𝑏𝑘 = ∫ 𝑥(𝑡) sin(𝑘 ∗ 𝑤𝑜 ∗ 𝑡)𝑑𝑡
−2
2𝜋
𝑊𝑜 =
𝑇
2
2𝜋
𝑏𝑘 = ∫ 3 ∗ sin(𝑘 ∗ ∗ 𝑡)𝑑𝑡
−2 4
𝑏𝑘 = 0
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):

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 - Miguel
Ahumada'),...
xlabel('tiempo'), ylabel('Amplitud')
fn = 0: fs/n: fs-fs/n;
subplot (212)
plot (fn, abs(fft(y)),'-. b','LineWidth',2), grid, title ('Transformada rápida
de Fourier - Miguel Ahumada'),...
xlabel('tiempo'), ylabel('Amplitud')

Señal original

Transformada rápida de Fourier

b)

%%
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- Miguel Ahumada'),...
xlabel('tiempo'), ylabel('Amplitud')
fn = 0: fs/n: fs-fs/n;
subplot (212)
plot (fn, abs(fft(y)),'-. b','LineWidth',2), grid, title ('Transformada rápida
de Fourier- Miguel Ahumada'), ...
xlabel('tiempo'), ylabel('Amplitud')

Señal original

Transformada rápida de Fourier

 CONCLUSION

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 este 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.