Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estudiante:
Docente:
Curso:
203042A_614
Ingeniería Electrónica
Noviembre 2019
INTRODUCCION
a) Explique qué es convolución continua y discreta. De cuatro (4) ejemplos de usos y/o
aplicaciones en la ingeniería.
𝑡
∫ Ҩ(𝑠) ᴪ(𝑡 − 𝑠)𝑑𝑠 ; 0 ≤ 𝑡 ≤ ∞
0
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.
∞
𝑔(𝑡) = (𝑓 ∗ ℎ) = ∫ 𝑓(𝜏)ℎ(𝑡 − 𝜏)𝑑𝜏 ; 0 ≤ 𝑡 ≤ ∞
−∞
∑|ℎ[𝑛]| < ∞
−∞
∞
∫ |ℎ(𝑡)|𝑑𝑡 < ∞
−∞
c) Explique que es correlación y de un (1) ejemplo de uso y/o aplicación en la
ingeniería.
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.
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:
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.
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:
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:
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')
Entonces:
Luego:
̌ , 𝑎, 𝑏, 4]
𝑥[𝑛] = [4, 𝑎, −2
ℎ[𝑛] = [ 0.5, 𝑏̌, 2.5]
𝑥[𝑛] = [−1,4, 2̌, 4,7,4]
X[n] -1 4 2 4 7 4
n -2 -1 0 1 2 3
ℎ[𝑛] = [ 2.5,7,0.5]
%% 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))')
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
%%
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