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

Alexis Vela
Código: 1078752036

Grupo:
203042_6

Tutor:
Carlos Augusto Fajardo

Universidad Nacional Abierta y a Distancia

Escuela de ciencias Básicas Tecnologías e Ingeniería
Señales y sistemas
Abril
2020
 INTRODUCCION

Las señales son magnitudes físicas o variables permitiéndonos transmitir

información o mensajes, por ello, vemos la importancia de estudiar señales y
sistemas desde el punto de vista de la frecuencia y su dominio, ya que la
perspectiva es 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.
Cuando aplicamos señales en campos del saber, se opta por realizar cambios a
dichas señales dependiendo de la necesidad particular de cada aplicación que se
esté desarrollando, por medio de la convolución analizamos y predecimos
resultados de un sistema completo donde contamos con una señal de entrada,
una señal de respuesta a un impulso y una señal de salida.
 OBJETIVOS

 Aprender a cerca de convolución entre señales y las maneras para

determinarla de forma analítica.

 Entender el concepto de Correlación continua y discreta

 Interactuar sobre el desarrollo de ejercicios relacionados con las Series de

Fourier

 Determinar por medio del método de tabulación, la respuesta de un

sistema.

 A través de los conceptos y demostraciones matemáticas estudiar y aplicar

las series de Fourier.
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

Composición de productos desarrollado por el matemático italiano Vito Voltera en

1913 y que hoy en día la conocemos con el termino de convolución, que es una
integral que expresa la cantidad de traslape de una función ᴪ (s) Cuando se
desplaza sobre una función Ҩ (s ).
Entonces, la convolución de dos funciones f (t) y h(t) nos arroja una tercera función
g (t) que es una versión modificada de una de las funciones anteriores en un punto
t.
La mayoría de usos o aplicaciones las encontramos en el procesamiento de
señales e imágenes.
Convolución continua:
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 ≤∞
−∞

Representando la suma ponderada de la función de entrada f ( τ ) en el tiempo τ ,

donde la ponderación se representa por la función h(t−τ ) desplazada una
distancia t.
Cuando t va cambiando, la función de ponderación cambia algunas partes de la
función de entrada.
la Convolución realiza los siguientes pasos:
1. Nos representa cada función en términos de la variable τ .
 2. Visualiza a h(τ )→ h(−τ)
3. Implementa una translación t permitiendo a h(t −τ ) cambiar a lo largo del
eje τ
4. Inicia en t en -∞ y desplazarlo hasta +∞
5. En el punto donde las funciones f ( τ ) y h(t−τ ) se crucen calcular la
sumatoria de productos.

Convolución discreta:
Con ella, se puede construir la salida de un sistema digital para una señal
imparcial de entrada si conocemos la respuesta al impulso del modelo del sistema.
∞
y [ n ] =x [ n ]∗h [ n ] = ∑ x [ k ]∗h[n−k ]
K=−∞

x [n] nos representa la señal de entrada, h [n ] la respuesta al impulso y y [n] 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 este sistema, Obtenemos que la respuesta al impulso (h [n ]' o ' h(t )). partiendo
de la respuesta al impulso obtendremos la salida ante cualquier entrada mediante
la operación de convolución, es decir, caracteriza completamente el sistema.
A partir de la respuesta al impulso, en un sistema LTI, se pueden determinar sus
propiedades de causalidad, memoria, estabilidad y encontrar el sistema inverso si
existe.
Causalidad: Es cuando la salida de un sistema no anticipa valores futuros de la
entrada. Se puede decir que un sistema es causal si cumple la condición:

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

Consideramos Un sistema LTI estable si se cumple la condición:
∞

∑|h [ n ]|<∞
−∞

∫ |h (t )|dt <∞
−∞
 c- Explique que es correlación y de un (1) ejemplo de uso y/o
aplicación en la ingeniería.
Es una operación entre dos funciones de características muy parecidas a la
convolución a salvo de que no giraremos entorno del origen los valores de una de
las funciones.
Expresada como:

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

aplicación en la ingeniería.
representa una operación conmutativa, dado que, implica funciones
iguales, esta puede ejecutarse en cualquier orden.
¿Qué es autocorrelación?
La podemos representar como una medida de similitud, entre las funciones x(t) y
su de desplazamiento. Bajo ningún desplazamiento, las dos funciones se “igualan”
y resultan en un máximo para la autocorrelación. Ademas si se presenta un
desplazamiento creciente, será se esperarse la similitud, resultando la reducción
de la correlación entre x(t) y su versión desplazada. Al presentarse el
desplazamiento se aproxima a infinito, toda traza de similitud se desaparece y la
autocorrelacion tiende a cero.
e- ¿Cuál es la diferencia de correlación continua y correlación
discreta?
Un grado de correlación mide el coeficiente 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, se 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.
Tomado de Minitab18 https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-statistics/supporting-
topics/correlation-and-covariance/a-comparison-of-the-pearson-and-spearman-correlation-methods/

f- ¿Qué son las series de Fourier?

La idea básica de las series de Fourier es que toda función periódica de período T
puede ser expresada como una suma trigonométrica de senos y cosenos del
mismo período T. El problema aparece naturalmente en astronomía, de hecho,
Neugebauer (1952) descubrió que los Babilonios utilizaron una forma primitiva de
las series de Fourier en la predicción de ciertos eventos celestiales. La historia
moderna de las series de Fourier comenzó con D’Alembert (1747) y su tratado de
las oscilaciones de las cuerdas del violín. El desplazamiento u = u (t, x) de una
cuerda de violín, como una función del tiempo t y de la posición x, es solución de
la ecuación diferencial.
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.
Son de 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 }f  una función integrable Lebesgue

Se define la transformada de Fourier de {¿ f }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 ) }f ) es continua.
La transformada de Fourier inversa de una función integrable {¿ f }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 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 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 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'
,'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')

 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 )=(6−e¿ ¿ at)u ( t ) ¿

h ( t )=3∗e−at u ( t−6 )

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

de integración vistos en el curso de cálculo integral.

 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 , 3̌ , a , 2 , b ]

x [ n ] =[ −2 , 3̌ , 2,2,3 ]
 h [ n ] =[ 2.5 , 0.5 , 3̌ ,2 ]

trabajamos con b=3 y a=2

-
X[n]= -2 3 2 2 3
H[n]= 2.5 0.5 3 2

-5 7.5 5 5 7.5
-1 1.5 1 1 1.5
 -6 9 6 6 9
-4 6 4 4 6

-5 6.5 0.5 11 20.5 12.5 13 6

A continuación, se encuentra un código guía desarrollado en el

software Matlab que le servirá de apoyo para la parte práctica
del ejercicio 2.
 Nota: este código está diseñado para señales diferentes a las
que ustedes deben desarrollar en esta actividad.

Los códigos y gráficas deben ir marcadas con el nombre del

estudiante

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 )=2∗a∗rect ( t−b) con T=4 s

 Encuentre los coeficientes a 0, a k y b k

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”

1
3,5 3,5
a 0= ∫ 4 dt=t ¿ =1
4 2,5 2,5
3,5
1
a k= ∫ 4 cos ( 2 πkfot ) dt
4 2,5

u=2 πkfot
du=2 πkfodt
dt
dt =
2 πkfo
3,5
cos ( u )
a k =∫ du
2,5 2 πkfo

sen ( u )
a k=
2 πkfo

sen ( 2 πkfot ) 3,5

a k= ¿
2 πkfo 2,5

sen ( 7 πkfo ) sen ( 5 πkfo )

a k= −
2 πkfo 2 πkfo
1 1
fo= =
F 4
sen ( 1.75 πkfo ) sen ( 1.25 πkfo )
a k= −
2 πkfo 2 πkfo
 3,5
1
b k= ∫ 4 sen ( 2 πkfot ) dt
4 2,5

u=2 πkfot
du=2 πkfodt
dt
dt =
2 πkfo
3,5
sen (u )
b k =∫ du
2,5 2 πkfo

−cos ( u )
b k=
2 πkfo

−cos ( 2 πkfot ) 3,5

b k= ¿
2 πkfo 2,5
cos ( 5 πkfo ) cos ( 7 πkfo )
b k= −
2 πkfo 2 πkfo
1 1
fo= =
F 4
cos ( 1.25 πkfo ) cos ( 1.75 πkfo )
b k= −
2 πkfo 2 πkfo