1- La introducción debes referirla a las señales que procesas y los hallazgos que esperas encontrar o

que encontraste. Este ejercicio lo hacemos para aprender sobre las técnicas, pero parte de él es
concentrarnos en las señales y su significado. [Pág.2]

2- En los objetivos, este debería ser averiguar algo. Si para ello te sirve el promedio móvil, está bien,
pero no debería ser el uso del promedio móvil un objetivo. Y si hay un solo objetivo, la sección no
debería estar en plural. [Pág.2]

3- La figura 1 debería tener títulos diferentes a Señal xi. [Pág.3, Fig.1]

4- El sistema que usas (promedio móvil) es en realidad un filtro paso bajo. La energía de su respuesta
impulsiva debería ser unitaria. Sería mejor h[n] = (1/3)d[n] + (1/3)d[n-1] + (1/3)d[n-2]. [Pág.9-10,
Fig.10] Se modificó la respuesta impulsiva de modo que no sea únicamente el delta en 0 que haga la
convolucíon.

5- Si quieres hacer un pronóstico deberías usar otra respuesta impulsiva, una que dé más relevancia a
los valores actuales. Por ejemplo, h([n] = .5delta[n] + .3delta[n-1] + .2delta[n-2].

6- Te propongo que modifiques tus cómputos para tomar en cuenta la observacion (4). Luego que los
hagas de nuevo para pero usando h[n] en (5). Y luego compares la efectividad de los predictores.

7- Por favor haz un análisis (relativo a la vida real) sobre los resultados que consigues. Por ejemplo, la
aplicación de la predicción para obtener data en años recientes, ¿qué te dice sobre la vida de las
personas en esos países? [Pág.13]
 SEÑALES Y SISTEMAS
-Laboratorio N°1-
Aplicación de la energía de una señal y la operación de la
convolución.
Juan Esteban Correa - juanesco81@javerianacali.edu.co

Abstract- In this paper we are going to show a way how convolution operation can be applicated. First, we
present three signals about carbon dioxide emissions (CO2) per metric tons in Colombia, Honduras and Sweden,
next we show some statistical methods, like the method of the two means used to calculate a trend line, and
moving average used to calculate prognostic in time series with their respective relative errors and way how
moving average will be implemented with our signals. In other hand, we show energy concept in a signal and
operation convolution with its characteristics and properties. Finally, we calculated prognostics, errors, relative
errors, EMC, with convolution and energy concept using Octave.

Palabras clave – Tiempo discreto, Promedio móvil, Error relativo, Convolución.

I. INTRODUCCIÓN

La convolución es una operación ampliamente utilizada en diferentes campos del procesamiento de

señales, no obstante, esta operación por sus características puede ser tomada para realizar análisis en otros
campos como por ejemplo el campo de la estadística. Dado un conjunto de datos con variable
independiente, el tiempo discreto y variable dependiente mediciones confiables hechas de alguna variable
física, puede usarse el promedio móvil para encontrar de forma teórica, datos que se puedan comparar con
las anteriores mediciones y así encontrar un error del mismo promedio móvil y estos cálculos poder
realizarlos con la convolución y sus propiedades, con el fin de examinar las emisiones de CO2 que se
proyectan para los próximos años.

II. OBJETIVO
 Manipular ciertas señales donde la variable independiente es el año y la dependiente son las
emisiones de CO2 por tonelada métrica en un país, haciendo uso de conceptos de Señales y Sistemas y el
promedio móvil de señales discretas, para así obtener un pronóstico de emisiones en los años posteriores,
además de calcular un error relativo de estos pronósticos y todo esto utilizando herramientas digitales como
Octave o MATLAB.

III. DESCRIPCIÓN INICIAL

En primer lugar, se obtienen unas señales en tiempo discreto, más específicamente tres matrices de
datos oficiales con las emisiones de dióxido de carbono (CO2), en Colombia, Honduras y Suecia, entre los
años 1968 y 2014, es decir, 47 datos de emisiones medidas en toneladas métricas, estos datos pueden verse
graficados en la siguiente figura, donde el eje ‘y’ son toneladas métricas.
CO2 Colombia

CO2 Honduras

CO2 Suecia

Figura 1. Emisiones de CO2 en Colombia (señal x1), Honduras (señal x2) y Suecia (señal x3) entre los
años 1968 y 2014.

Como puede notarse en la Figura 1, las emisiones de CO2 en Colombia se ubican entre 1 y 2 toneladas
métricas con una tendencia al incremento y con una pendiente baja comparado con las emisiones de CO2
de Honduras que a pesar de estar entre 0.4 y 1.2 toneladas su pendiente parece ser mayor, por otro lado, las
emisiones de CO2 en Suecia inicia en 12 toneladas métricas con una tendencia a la baja hasta ubicarse en 4
toneladas métricas aproximadamente. Así que, para corroborar este análisis, se procede a graficar en la
herramienta Excel para luego obtener su línea de tendencia lineal y así obtener sus pendientes. Esto se
realiza en las siguientes figuras:
 Emisiones C02 en Colombia
2.0
1.8
1.6
f(x) = 0 x − 5.91
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
1960 1970 1980 1990 2000 2010 2020

Figura 2. Tendencia lineal de las emisiones de CO2 en Colombia

Emisiones de CO2 en Honduras

1.2

1.0
f(x) = 0.01 x − 28.59

0.8

0.6

0.4

0.2

0.0
1960 1970 1980 1990 2000 2010 2020

Figura 3. Tendencia lineal de las emisiones de CO2 en Honduras.

Emisiones de CO2 de Suecia

14
12
10
f(x) = − 0.14 x + 282.02
8
6
4
2
0
1960 1970 1980 1990 2000 2010 2020

Figura 4. Tendencia lineal de las emisiones de CO2 en Suecia

Así pues, gracias a las Figuras 2, 3 y 4, se pueden comparar las pendientes de las tendencias de estas
emisiones en Colombia, Honduras y Suecia, siendo magnitudes de 0.0037, 0.0147 y 0.138 respectivamente,
con la particularidad que esta última magnitud es negativa, por lo tanto, es una tendencia a disminuir las
emisiones de CO2 cada vez en ese país.

Se presume que puede usarse un método estadístico para poder encontrar predicciones acerca del
comportamiento de las emisiones de CO2 para años posteriores al 2014, además de que puede encontrarse
un error relativo simulando el método estadístico y comparándolo con los datos actualmente obtenidos.

IV. MÉTODOS ESTADÍSTICOS

En primer lugar, se menciona una estimación para el cálculo de las líneas de tendencia graficadas en
las Figuras 2, 3 y 4, el cual se realiza con un método llamado el Método de las dos Medias, el cual divide
las muestras en dos subgrupos para luego calcularle sus medias aritméticas y finalmente trazar una recta
entre esos dos puntos. En términos matemáticos, se realizan los siguientes procedimientos:

A modo de ejemplificación, se menciona que los datos al ser desde 1968 hasta 2014, contienen 47
muestras, es decir que es menester dividir los grupos en uno de 23 datos y el segundo de 24 datos, por lo
tanto, para encontrar la media del primer grupo se suman las 23 emisiones del primer grupo y
posteriormente se dividen en 23, de la misma forma se realiza la sumatoria para el segundo grupo
dividiéndose este por 24, estos dos datos, harían las veces de y1 e y2 para la ecuación del punto pendiente
que se muestra a continuación:

y 2− y 1
y= ( x 2−x 1) x+ y 1

Ecuación 1. Fórmula de punto-pendiente para una función lineal.

Donde x1 y x2 para las señales de la Figura 1 serían los años de la mitad de cada grupo, es decir x 1 = 1979 y
x2 = 2003. Por lo tanto, se presume que con el cálculo de estos datos se encontraría tendencias lineales
cercanas a las de las Figuras 2, 3 y 4.

Por otro lado, el método de los promedios móviles, que utiliza el promedio de los N valores de datos más
recientes en la serie de tiempo como el pronóstico para el siguiente periodo. En términos matemáticos,

1
Promedio móvil= (N puntosde datos másrecientes)
N∑
Ecuación 2. Promedio móvil. [1]

Este valor de promedio móvil se ubicará delante de los valores tomados, es decir, si se tiene un N = 3,
entonces el valor del promedio móvil será el dato inmediatamente después a este tercero o, dicho de otra
forma,
 d i−1 +d i−2+ d i−3
d i=
3
Ecuación 3. Ejemplificación del promedio móvil para un N = 3.

Por lo tanto, si se desea conocer el pronóstico para el año 2015 de cada país se reemplaza la i por el año
2015, por lo tanto, se necesitarían los tres valores previos, es decir, 2014, 2013 y 2012. Así pues, en la
siguiente Tabla se encuentran consignadas las emisiones de CO2 para los años 2012, 2013 y 2014:

Tabla I. Emisiones de CO2 (Tonelada métrica)

Año Colombia Honduras Suecia
2012 1,7054 1,0563 4,9423
2013 1,8931 1,0470 4,6714
2014 1,7595 1,0752 4,4782

Por consiguiente, reemplazando los datos de la Tabla I en la Ecuación 2, se obtiene que,

1.7595+1.8931+1.7054
d 2015(Colombia)= =1.7860
3

1.0754+1.0470+ 1.0563
d 2015(Honduras)= =1.0596
3

4.4782+ 4.6714+ 4.9423

d 2015(Suecia)= =4.6973
3

Luego si se quiere obtener el promedio móvil para 2016, entonces se utiliza el valor para 2015
anteriormente hallado. No obstante, es sabido que estos métodos tienen un error que debe ser calculado, por
lo tanto, se utilizan todos los valores que se tienen de las mediciones para compararlos con los promedios
móviles hallados y así finalmente obtener un error relativo estimado con la siguiente ecuación,

Error relativo=¿ d teórico −d promedio móvil ∨ ¿ ¿

d teórico
Ecuación 4. Error relativo

Donde d teórico es el valor de toneladas métricas de CO2 en un año específico y d promedio móvil el valor
pronosticado para ese año.

A continuación, se realiza una ejemplificación para las emisiones de CO2 de Colombia, donde se seguirá
utilizando un N = 3 como ejemplo y usando los diez primeros datos de emisiones (entre 1968 y 1977).

Tabla II. Emisiones de CO2 en Colombia y el cálculo de promedio

móvil con su error relativo
Año Toneladas métricas Promedio móvil Error relativo
1968 1,2726    
1969 1,3051    
1970 1,2875    
 1971 1,3412 1,2884 0,0394
1972 1,3601 1,2937 0,0488
1973 1,4235 1,3075 0,0815
1974 1,5069 1,3363 0,1132
1975 1,4499 1,3733 0,0528
1976 1,5041 1,4346 0,0462
1977 1,5192 1,4638 0,0365
 197
8   1,4726  
Promedio del error relativo 0,0598

En la Tabla II se aprecian los “pronósticos” obtenidos para los años entre 1971 y 1978 con el promedio
móvil y a su lado el error relativo comparado con los datos ya almacenados, luego puede notarse que el
error oscila entre 0.04 y 0.11 lo que a su vez se trata de un mínimo de 4% y un máximo de 11% de error,
para estos 10 datos con el añadido de que se obtuvo el promedio del error relativo siendo este de un 5.98%.
Por otro lado, también se obtuvo el pronóstico para el año 1978 siendo este de 1.4726 toneladas métricas,
se puede decir que este dato tiene una tolerancia de ±11%. No obstante, este análisis de errores debe
hacerse con todos los datos que se tienen.

Por otro lado, también es posible usar el concepto de energía de la señal, cuando en una señal e[n] se
almacena el valor absoluto de las diferencias entre el valor real y el valor pronosticado,

ⅇ=|Y^ −Y |
Ecuación 5. Ecuación del error.

Donde Y^ se trata del valor pronosticado y Y el valor real, luego, la energía de la señal e[n] dividida entre la
cantidad de muestras se trataría entonces del error cuadrático medio (EMC):

1
EMC=
∙(energía de e [n])
N
Ecuación 6. Error cuadrático medio del pronóstico de una señal.

Luego, con la raíz cuadrada de este valor será posible entonces obtener la desviación estándar de los
pronósticos.

V. CONCEPTOS DE SEÑALES.

La energía total de una señal discreta x[n] está definida como,

+∞
2
E∞ = ∑ |x [ n ]| ,
n=−∞
Ecuación 7. Energía de la señal x[n] en el infinito.

De igual forma si es de interés la energía total en una señal discreta en un intervalo de tiempo finito,
n1 ≤ n ≤ n2, entonces la energía se define como,
 n2
2
∑ |x [ n ]| ,
n=n1

Ecuación 8. Energía de la señal x[n] en un intervalo finito de tiempo.

Por otro lado, se espera que la operación de la convolución representada como,

y [ n ] =x [ n ]∗h[n]
Ecuación 9. Representación simbólica de la suma de la convolución

Sea de utilidad para encontrar una señal discreta tanto para el pronóstico como para encontrar el error de
este, siendo x[n] la señal discreta de las emisiones de CO2 y h[n] una respuesta impulsiva que permita
obtener el pronóstico (y[n]). La operación de la Ecuación 9 puede verse con más detalle en la siguiente
sumatoria:

+∞
y [ n ]= ∑ x [ n ] h[k −n]
k=−∞
Ecuación 10. Suma de convolución. [2]

VI. USO DE HERRAMIENTAS DIGITALES

En primer lugar, para el cálculo rápido de la convolución y por lo tanto de la línea de tendencia de las
señales de la Figura 1, se utilizó la herramienta Octave donde a cada señal se le aplicó una convolución con
la siguiente respuesta impulsiva:

24
H [ n ] =∑ δ[n−k ]
k=0
Ecuación 11. Respuesta impulsiva utilizada para calcular promedios de cada subgrupo.

Luego el resultado de esta convolución tendrá como resultado en la posición número 23 del vector, la
sumatoria de las 23 primeras emisiones. Por otro lado, para la obtención de la sumatoria del segundo grupo
se realiza la convolución desde el dato 23 hasta el dato 47, por lo tanto, se tendrá esta sumatoria en la
posición 24 del vector resultante.

Finalmente, estas dos medias que se obtienen son divididas entre 23 y 24 respectivamente y con los años
1979 y 2003 se calcula la recta con la Ecuación 1. Estos resultados se muestran en la siguiente figura.
 Figura 5. Líneas de tendencia calculadas en Octave de las señales de la Figura 1. *

*El código se encuentra consignado en los Anexos de este artículo.

Como puede verse en la Figura 5, las líneas de tendencia siguen las señales representadas. Para corroborar
esto, el programa realizado arroja las pendientes de cada señal dando como resultado: m 1 = 0.0027, m2 =
0.0147 y m3 = -0.1343. Donde las pendientes m1 y m2 son muy cercanos a los calculados las Figuras 2, 3 y
4 por la herramienta Excel, mientras la m1 se aleja con una diferencia de 0.001. No obstante, la cercanía es
aceptable.

Por otro lado, de igual forma se utilizó la operación de la convolución para el cálculo rápido del promedio
móvil, donde se tomó una señal x[n], las emisiones de CO2 en Colombia y una respuesta impulsiva: h([n] =
(1/3)delta[n] + (1/3)delta[n-1] + (1/3)delta[n-2] para luego realizar la operación de la Ecuación 9 como se
ve en la siguiente Figura.
 Figura 6. Arriba: Emisiones de CO2 en Colombia como una señal discreta x[n]. Centro: Respuesta
impulsiva h[n]. Abajo: Señal y[n] de la convolución x[n]*h[n].

En el centro de la Figura 6 se encuentra la respuesta impulsiva utilizada para encontrar un promedio móvil
como fue utilizado en el ejemplo, es decir con un N = 3, es por esto que se definió una respuesta impulsiva
con tres impulsos con valores de uno (1), mientras que, cabe resaltar que abajo se encuentra la convolución
x[n]*h[n] pero dividida en entre N=3 para encontrar el promedio móvil, es decir 1/3∙y[n]. Por otro lado, se
notan en un círculo rojo y en uno azul cuatro datos que no son relevantes para este análisis, mientras que
encerrado en un círculo verde se encuentra el dato que sería la predicción de las emisiones de CO2 para el
año 2015 la cual es igual a 1.786 toneladas métricas que anteriormente fue calculada con la Ecuación 3.

Luego se realiza una función donde recibe las tres señales de emisiones de CO2 para el cálculo de
pronósticos como se ve en la siguiente figura:
 Figura 7. Pronósticos de las emisiones de CO2 de diferentes países usando el promedio móvil.

Así que, la Figura 7 muestra los cálculos del promedio móvil para las emisiones de CO2 de Colombia,
Honduras y Suecia, los cuales son s1, s2 y s3 respectivamente.

Luego, es posible encontrar los errores de estos cálculos con la Ecuación 5, estos errores son graficados a
continuación.

Figura 8. Grafica de los errores de pronósticos de las señales s1, s2 y s3

 VII. RESULTADOS Y DISCUSIÓN

Posteriormente con el concepto de energía mostrado en la Ecuación 7 se calculó de forma exitosa

parámetros como el Error medio cuadrático y la desviación estándar de la señal como se aprecia en la
siguiente Figura.

Figura 9. EMC, desviación estándar y promedio de errores relativos de las señales s1, s2 y s3.

Así pues, se afirma que el promedio del error relativo del pronóstico calculado para la señal de las
emisiones de CO2 en Colombia es menor que para Honduras y para Suecia, se presume que esto ocurre ya
que la magnitud de la pendiente de la línea de tendencia para Colombia mostrada en la Figura 5, es mucho
menor que para Honduras y para Suecia, por lo tanto, la diferencia entre cada muestra es menor,
permitiendo que el error relativo sea menor. Por lo tanto, es posible decir, que en Colombia se tiene un
pronóstico para el año 2015 de 1.7860 +- 4.7%, en Honduras 1.0596 ±7.0 % y finalmente en Suecia 4.6973
+- 6.5%
Por otro lado, con la desviación estándar nos permitimos conocer qué tan dispersos se encuentran los datos
para cada señal, se nota que la desviación estándar 3, es decir, la de las emisiones de CO2 en Suecia es
mayor que las de Colombia y Honduras, no obstante, esto es debido a la diferencia en escala, donde
Colombia y Honduras no pasan de 2 toneladas métricas, mientras que en Suecia son ordenes de 10
toneladas métricas.

Luego, se tiene la comparación entre la señal real (azul) y los pronósticos de cada una (verde):
 Figura 10.
Para las señales a las cuales se les realizó la convolución en la Figura 10 se les suprimió los datos que se
habían considerado sin importancia en la Figura 6.

VIII. CONCLUSIONES

Fue posible utilizar la herramienta Octave junto con los conceptos de energía y convolución para
realizar un análisis estadístico de tres señales discretas acerca de las emisiones de CO2 de tres países
(Colombia, Honduras y Suecia). Así que, con los errores obtenidos en la Figura 9, es posible afirmar que
este método de pronóstico usando el concepto de promedio móvil tendrá un error menor para el pronóstico
de emisiones de CO2 en Colombia que en Honduras y Suecia, habiendo obtenido un error de 4,7% para
Colombia, 7,0% para Honduras y finalmente 6,5% para Suecia. Esto revela características en la
disminución de las emisiones de CO2 en Suecia que son posibles prever haciendo un análisis adicional
frente a otros datos las emisiones producidas Per Cápita, las mejoras en las políticas de producción y
eficiencia medioambiental y la población global, que, en general, la diferencia es de casi cuatro veces
respecto a la de Colombia, por lo que se evidencia una gran brecha entre estos dos países. También, usando
una respuesta impulsiva distinta sugerida por el profesor como por ejemplo h[n] = 0.5d[n] + 0.3d[n-1] +
0.2d[n-2] sería posible efectuar la convolucion para que el resultado muestre un promedio con errores más
bajos, de forma que con cada iteración el sistema tenga una mejor aproximación.

IX. BIBLIOGRAFÍA

[1] Anderson R., Sweeney D., Williams T., Camm J. y Cochran J., Métodos cuantitativos para los
negocios, 11a. ed., México D.F.: Cengage Learning, 2011

[2] A. V. Oppenheim, A. S. Willsky y S. H. Nawab, Signals & Systems, Second ed., London: Prentice-Hall
International, 1997.
X. ANEXOS
a. Función: Cálculo de las líneas de tendencia:
b. Función: Cálculo de pronósticos y errores: