Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Canale
Decano de Computación e Ingeniería Profesor emérito de Ingeniería Civil
Tufts University University of Michigan
REVISIÓN TÉCNICA:
M.C. Juan Carlos del Valle Sotelo
Catedrático del Departamento de Física y Matemáticas
ITESM, campus Estado de México
ISBN-13: 978-970-10-6114-5
ISBN-10: 970-10-6114-4
(ISBN: 970-10-3965-3 edición anterior)
Traducido de la quinta edición en inglés de la obra NUMERICAL METHODS FOR ENGINEERS, FIFTH EDITION.
Copyright © 2006 by The McGraw-Hill Companies, Inc. All rights reserved.
ISBN: 0-07-291873-X
1234567890 09865432107
FIGURA 19.1
f(x) 1
a) Los primeros cinco
monomios y b) funciones
trigonométricas. Observe x2 x x3
que en los intervalos x4 x2
4
mostrados, ambos tipos de x
funciones están en el rango –1 1 x
de –1 a 1. Sin embargo, x3
advierta que los valores
pico de los monomios se
presentan todos en los a)
extremos; mientras que en
las funciones trigonométricas f(x) 1
los picos están
uniformemente distribuidos cos 2t cos 2t
en todo el intervalo.
sen 2t sen t
– t
sen 2t
sen t
cos t cos t
b)
540 APROXIMACIÓN DE FOURIER
donde T es una constante llamada el periodo, que es el valor menor para el cual es váli-
da la ecuación (19.1). Entre los ejemplos comunes se encuentran diversas formas de onda
tales como, ondas cuadradas y dientes de sierra (figura 19.2). Las ondas fundamentales
son las funciones sinusoidales.
En el presente análisis se usará el término sinusoide para representar cualquier
forma de onda que se pueda describir como un seno o un coseno. No existe una conven-
FIGURA 19.2
Además de las funciones
trigonométricas seno y
coseno, las funciones
periódicas comprenden a)
formas de onda como a) la
onda cuadrada y b) la onda
dientes de sierra. Más allá T
de estas formas idealizadas,
las señales periódicas en la
naturaleza pueden ser c) no
ideales y d) contaminadas b)
por ruido. Las funciones
trigonométricas sirven para
representar y analizar todos
T
estos casos.
c)
d)
T
19.1 AJUSTE DE CURVAS CON FUNCIONES SINUSOIDALES 541
ción muy clara para elegir entre estas funciones y, en cualquier caso, los resultados serán
idénticos. En este capítulo se usará el coseno, que generalmente se expresa como
Así, cuatro parámetros sirven para caracterizar la sinusoide (figura 19.3). El valor medio
A0, establece la altura promedio sobre las abscisas. La amplitud C1 especifica la altura
de la oscilación. La frecuencia angular w0 caracteriza con qué frecuencia se presentan
los ciclos. Finalmente, el ángulo de fase, o corrimiento de fase q, parametriza en qué
extensión la sinusoide está corrida horizontalmente. Esto puede medirse como la distan-
cia en radianes desde t = 0 hasta el punto donde la función coseno empieza un nuevo
ciclo. Como se ilustra en la figura 19.4a, un valor negativo se conoce como un ángulo
FIGURA 19.3
a) Una gráfica de la función sinusoidal y(t ) = A0 + C1 cos(w0t + q). En este caso, A0 =
1.7, C1 = 1, w0 = 2p/T = 2p/(1.5 s), y q = p/3 radianes = 1.0472 (= 0.25 s). Otros
parámetros que se utilizan para describir la curva son la frecuencia f = w0/(2p), que en
este caso es 1 ciclo/(1.5 s), y el periodo T = 1.5 s. b) Una expresión alternativa para la
misma curva es y(t ) = A0 + A1 cos(w0t) + B1 sen(w0t ). Los tres componentes de esta función
se ilustran en b), donde A1 = 0.5 y B1 = –0.866. La suma de las tres curvas en b) da como
resultado la curva simple en a).
y(t)
C1
2
1 A0
T
1 2 t, s
0 2 3 t, rad
a)
2
A0
1
B1 sen (0t)
0
A1 cos (0t)
–1
b)
542 APROXIMACIÓN DE FOURIER
cos 0t –
cos (0t) 2
a)
b)
FIGURA 19.4
Representaciones gráficas de a) un ángulo de fase de atraso y b) un ángulo de fase de
adelanto. Observe que la curva atrasada en a) puede describirse de manera alternativa
como cos(w0t + 3p/2). En otras palabras, si una curva se atrasa en un ángulo a, también
se puede representar como adelanto en 2p – a.
w0 = 2pf (19.3)
donde
⎛ B⎞
θ = arctan⎜ − 1 ⎟ (19.8)
⎝ A1 ⎠
Así, la ecuación (19.6) representa una fórmula alternativa de la ecuación (19.2) que
también requiere cuatro parámetros; pero que se encuentra en el formato de un modelo
lineal general [recuerde la ecuación (17.23)]. Como se analizará en la próxima sección,
es posible aplicarlo simplemente como base para un ajuste por mínimos cuadrados.
Sin embargo, antes de iniciar con la próxima sección, se deberá resaltar que se
puede haber empleado la función seno en lugar de coseno, como modelo fundamental
de la ecuación (19.2). Por ejemplo,
f(t) = A0 + C1 sen(w0t + d)
se pudo haber usado. Se aplican relaciones simples para convertir una forma en otra:
π
sen(ω 0 t + δ ) = cos⎛ ω 0 t + δ − ⎞
⎝ 2⎠
y
π
cos(ω 0 t + θ ) = sen⎛ ω 0 t + θ + ⎞ (19.10)
⎝ 2⎠
que es sólo otro ejemplo del modelo general [recuerde la ecuación (17.23)]
y = a0z0 + a1z1 + a2z2 + … + amzm + e (17.23)
donde z0 = 1, z1 = cos(w0 t), z2 = sen(w0 t) y todas las otras z = 0. Así, nuestro objetivo es
determinar los valores de los coeficientes que minimicen la función
N
Sr = ∑ {y − [ A
i =1
i 0 + A1 cos(ω 0 ti ) + B1 sen(ω 0 ti )]}2
Las ecuaciones normales para lograr esta minimización se expresan en forma de matri-
cial como [recuerde la ecuación (17.25)]
⎡ N ∑ cos(ω 0 t ) ∑ sen(ω 0 t ) ⎤ ⎧ A0 ⎫
⎢∑ cos(ω t ) ⎪ ⎪
⎢ 0 ∑ cos (ω 0 t )
2
∑ cos(ω 0 t ) sen(ω 0 t )⎥⎥ ⎨ A1 ⎬
⎢⎣∑ sen(ω 0 t ) ∑ cos(ω 0 t ) sen(ω 0 t ) ∑ sen 2 (ω 0 t ) ⎥⎦ ⎪⎩ B1 ⎪⎭
⎧ ∑y ⎫
⎪ ⎪
= ⎨ ∑ y cos(ω 0 t ) ⎬ (19.12)
⎪∑ y sen(ω t )⎪
⎩ 0 ⎭
∑ sen(ω 0 t ) ∑ cos(ω 0 t )
=0 =0
N N
∑ sen 2 (ω 0 t ) 1 ∑ cos 2 (ω 0 t ) 1
= = (19.13)
N 2 N 2
∑ cos(ω 0 t ) sen(ω 0 t )
=0
N
Así, para los puntos igualmente espaciados, las ecuaciones normales se convierten en
⎡N 0 0 ⎤ ⎧ A0 ⎫ ⎧ ∑y ⎫
⎢0 ⎥ ⎪ ⎪ ⎪ ⎪
⎢ N /2 0 ⎥ ⎨ A1 ⎬ = ⎨ ∑ y cos(ω 0 t ) ⎬
⎢⎣ 0 0 N /2 ⎥⎦ ⎪⎩ B1 ⎪⎭ ⎪⎩∑ y sen(ω 0 t )⎪⎭
La inversa de una matriz diagonal es simplemente otra matriz diagonal, cuyos elementos
son los recíprocos de la matriz original. Así, los coeficientes se determinan como
⎧ A0 ⎫ ⎡1/ N 0 0 ⎤⎧ ∑y ⎫
⎪ ⎪ ⎢ ⎥ ⎪ ⎪
⎨ A1 ⎬ = ⎢ 0 2/ N 0 ⎥ ⎨ ∑ y cos(ω 0 t ) ⎬
⎪B ⎪ ⎢ 0 2/ N ⎦⎥ ⎪⎩∑ y sen(ω 0 t )⎪⎭
⎩ 1⎭ ⎣ 0
19.1 AJUSTE DE CURVAS CON FUNCIONES SINUSOIDALES 545
o
∑y
A0 =
N (19.14)
2
A1 = ∑ y cos(ω 0 t )
N (19.15)
2
B1 = ∑ y sen(ω 0 t )
N (19.16)
Solución. Los datos requeridos para evaluar los coeficientes con w = 4.189 son
t y y cos(w0t) y sen(w0t)
y [ecuación (19.9)]
∑y
A0 =
N
Aj = ∑ y cos( jω 0 t ) ⎫⎪
2
N ⎪
⎬ j = 1, 2,…, m
2
Bj = ∑ y sen( jω 0 t )⎪
N ⎪⎭
En el curso del estudio de problemas de flujo de calor, con el análisis de Fourier se de-
mostró que una función periódica arbitraria se representa por medio de una serie infi-
nita de sinusoides con frecuencias relacionadas de manera armónica. Para una función
con un periodo T, se escribe una serie de Fourier continua1
f(t) = a0 + a1 cos(w0t) + b1 sen(w0t) + a2 cos(2w0t) + b2 sen(2w0t) + …
o, de manera concisa, usando la notación de sumatoria
∞
f ( t ) = a0 + ∑ [a cos(kω t ) + b
k =1
k 0 k sen( kω 0 t )] (19.17)
1
La existencia de las series de Fourier está referida en las condiciones de Dirichlet, las cuales especifican
que la función periódica tiene un número finito de máximos y mínimos, y que hay un número finito de saltos
discontinuos. En general, todas las funciones periódicas obtenidas físicamente satisfacen tales condiciones.
19.2 SERIE DE FOURIER CONTINUA 547
2 T
ak =
T ∫
0
f (t )cos( kω 0 t ) dt (19.18)
2 T
bk =
T ∫
0
f (t ) sen( kω 0 t ) dt (19.19)
Como se hizo para los datos discretos de la sección 19.1.1, se en la cual se despeja para tener
establecen las siguientes relaciones: T
T T a0 =
∫ 0
f (t ) dt
∫ sen(kω t ) dt = ∫
0
0
0
cos( kω 0 t ) dt = 0 (C19.1.1) T
∫ sen(kω t ) sen(gω t ) dt = 0
0 0 (C19.1.3)
T T
∫ ∫ a cos(mω t ) dt
0
f (t )cos( mω 0 t ) dt = 0 0
0 0
T ∞
0
0 0 (C19.1.4) + k 0 0
0
k =1
∞
∫ ∑ b sen(kω t ) cos(mω t ) dt
T
T T
T + (C19.1.6)
∫ sen (kω t ) dt = ∫ cos2 ( kω 0 t ) dt =
2 k 0 0
0 (C19.1.5) 0
k =1
0 0 2
Para evaluar los coeficientes, cada lado de la ecuación (19.17) En las ecuaciones (C19.1.1), (C19.1.2) y (C19.1.4) se observa
se integra obteniéndose que todos los términos del lado derecho son cero, con excepción
del caso donde k = m. Este último caso se puede evaluar con la
∞ ecuación (C19.1.5) y, por lo tanto, de la ecuación (C19.1.6) se
∫ ∑ [a cos(kω t )
T T T
∫0
f (t ) dt =
∫
0
a0 dt +
0
k =1
k 0 obtiene am, o de manera más general [ecuación (19.18)],
T
2
+ bk sen(kw0t)] dt ak =
T ∫ 0
f (t )cos( kω 0 t ) dt
para k = 1, 2,… y
1 T
a0 =
T ∫0
f (t ) dt (19.20)
2 T /2
ak =
T ∫−T /2
f (t )cos( kω 0 t ) dt
−T /4
2 ⎡ T /4 T /2
⎤
=
T ⎢⎣− ∫
−T /2
cos( kω 0 t ) dt + ∫
−T /4
cos( kω 0 t ) dt − ∫
T /4
cos(kω 0 t ) dt ⎥
⎦
FIGURA 19.5
Una forma de onda
cuadrada o rectangular con 1
una altura de 2 y un periodo
T = 2p/w0.
–T – T/2 0 T/2 T
–1
19.2 SERIE DE FOURIER CONTINUA 549
Los resultados hasta los primeros tres términos se muestran en la figura 19.6.
Debe mencionarse que a la onda cuadrada de la figura 19.5 se le llama función par,
ya que f(t) = f(–t). Otro ejemplo de una función par es cos(t). Se puede demostrar (Van
Valkenburg, 1974) que las b en la serie de Fourier siempre son iguales a cero en las
funciones pares. Observe también que las funciones impares son aquellas en las que f(t)
= –f(–t). La función sen(t) es una función impar. En este caso las a serán iguales a
cero.
FIGURA 19.6
La aproximación de la serie ⌺
de Fourier para la onda
cuadrada de la figura 19.5.
El conjunto de gráficas
muestra la suma hasta, e
incluyendo, el a) primer,
b) segundo y c) tercer
términos. Se presentan 4
cos (0t)
también los términos
individuales que se fueron a)
agregando en cada etapa.
⌺
4
cos (30t)
3
b)
⌺
4
cos (50t)
5
c)
550 APROXIMACIÓN DE FOURIER
donde i = 兹苴
–1 y
∞ ∞ ∞
f (t ) = a0 + ∑
k =1
[ ak cos( kω 0 t ) + bk sen( kω 0 t )] (C19.2.1) f (t ) = ∑k =0
c˜k e ikω 0t + ∑ c˜
k =1
−k e – ikω 0t
k =0 k =−1
eix + e − ix
cos x = (C19.2.3)
2 o
las cuales se sustituyen en la ecuación (C19.2.1) para dar ∞
∞
⎛ eikω 0t ak − ibk + e − ikω 0t ak + ibk ⎞
f (t ) = ∑ c˜ e ikω 0 t
(C19.2.6)
∑
k
f (t ) = a0 + k =−∞
k =1
⎝ 2 2 ⎠
donde la sumatoria incluye un término para k = 0.
Para evaluar las c苲k, las ecuaciones (19.18) y (19.19) se susti-
(C19.2.4)
ya que 1/i = –i. Podemos definir un conjunto de constantes tuyen en la ecuación (B19.2.5) para obtener
T /2 T /2
1 1
c˜0 = a0
a − ibk
c˜k =
T ∫ −T /2
f (t ) cos( kω 0 t ) dt − i
T ∫
−T /2
f (t ) sen( kω 0 t ) dt
c˜k = k
2
a− k − ib− k ak + ibk Mediante las ecuaciones (C19.2.2) y (C19.2.3) y simplificando
c˜− k = = se obtiene
2 2 (C19.2.5)
T /2
1
donde, debido a las propiedades de simetría del coseno y del
seno, ak = a–k y bk = –b–k. La ecuación (C19.2.4) puede, por lo
c˜k =
T ∫ −T /2
f (t )e − ikω 0t dt (C19.2.7)
tanto, reexpresarse como Por lo tanto, las ecuaciones (C19.2.6) y (C19.2.7) son las versio-
∞ ∞ nes complejas de las ecuaciones (19.17) a (19.20). Observe que
f (t ) = ∑ c˜ e
k =0
k
ikω 0 t
+ ∑ c˜
k =1
−k e – ikω 0t el apéndice A incluye un resumen de las interrelaciones entre
todas las formas de la serie de Fourier que se presentan.
19.3 DOMINIOS DE FRECUENCIA Y DE TIEMPO 551
1 T /2
c˜k =
T ∫
−T /2
f (t )e − ikω 0t dt (19.22)
Esta fórmula alternativa tendrá utilidad a lo largo de lo que resta del capítulo.
f (t)
T
b)
C1
t
f (t)
Tiempo
/T
1/
a)
Fr
ecu
f encia t
Amplitud
Fase
C1
0 0
0 1/T f 1/T f
–
c) d)
FIGURA 19.7
a) Una ilustración de cómo se representa una sinusoide en los dominios del tiempo y de la
frecuencia. Se reproduce la proyección en el tiempo en b); mientras que la proyección de
amplitud-frecuencia se reproduce en c). La proyección de fase-frecuencia se muestra en d).
plo, la figura 19.9 muestra el espectro de amplitud y el espectro de fase para la función
onda cuadrada del ejemplo 19.2.
Tales espectros ofrecen información que no aparece en el dominio del tiempo. Esto
se puede ver al comparar las figuras 19.6 y 19.9. La figura 19.6 presenta dos perspectivas
alternativas en el dominio del tiempo. La primera, la onda cuadrada original, no nos
indica nada acerca de las sinusoides que comprende. La alternativa consiste en desplegar
estas sinusoides [es decir, (4/p) cos(w0 t), –(4/3p) cos(3w0 t), (4/5p) cos(5w0 t)], etcé-
tera. Esta alternativa no proporciona una visualización adecuada de la estructura de
estas armónicas. Al contrario, las figuras 19.9a y 19.9b ofrecen una representación grá-
fica de esta estructura. Como tal, el espectro de línea representa “huellas dactilares” que
nos pueden ayudar a caracterizar y entender una forma de onda complicada. En parti-
cular ellos son valiosos en casos no idealizados donde algunas veces nos permiten dis-
cernir una estructura, mientras que de otra manera obtendríamos sólo señales oscuras.
En la siguiente sección se describirá la transformada de Fourier que nos permitirá ex-
tender tal análisis a ondas de forma no periódica.
19.3 DOMINIOS DE FRECUENCIA Y DE TIEMPO 553
–
–
–
–
FIGURA 19.8
Varias fases de una
sinusoide que muestran
el espectro de fase –
correspondiente.
FIGURA 19.9
a) Espectro de amplitud y
b) espectro de fase para la 4/
onda cuadrada de la figura
19.5.
2/
/2
– b)
554 APROXIMACIÓN DE FOURIER
Aunque la serie de Fourier es una herramienta útil para investigar el espectro de una
función periódica, existen muchas formas de onda que no se autorrepiten de manera
regular. Por ejemplo, un relámpago ocurre sólo una vez (o al menos pasará mucho tiem-
po para que ocurra de nuevo); pero causará interferencia en los receptores que están
operando en un amplio rango de frecuencias (por ejemplo, en televisores, radios, recep-
tores de onda corta, etcétera). Tal evidencia sugiere que una señal no recurrente como
la producida por un relámpago exhibe un espectro de frecuencia continuo. Ya que fenó-
menos como éstos son de gran interés para los ingenieros, una alternativa a la serie de
Fourier sería valiosa para analizar dichas formas de onda no periódicas.
La integral de Fourier es la principal herramienta para este propósito. Se puede
obtener de la forma exponencial de la serie de Fourier
∞
f (t ) = ∑ c˜ e
k =−∞
k
ikω 0t
(19.23)
donde
1 T /2
c˜k =
T ∫ −T /2
f (t )e − ikω 0t dt (19.24)
donde w0 = 2p /T y k = 0, 1, 2,…
La transición de una función periódica a una no periódica se efectúa al permitir que
el periodo tienda al infinito. En otras palabras, conforme T se vuelve infinito, la función
nunca se repite y, de esta forma, se vuelve no periódica. Si se permite que ocurra esto,
se puede demostrar (por ejemplo, Van Valkenburg, 1974; Hayt y Kemmerly, 1986) que
la serie de Fourier se reduce a
1 ∞
f (t ) =
2π ∫ −∞
F(iω 0 )e iω 0t dω 0 (19.25)
los dominios del tiempo y de la frecuencia. La serie de Fourier convierte una función
continua y periódica en el dominio del tiempo, a magnitudes de frecuencia discretas en el
dominio de la frecuencia. Al contrario, la transformada de Fourier convierte una función
continua en el dominio del tiempo en una función continua en el dominio de la frecuencia.
De esta manera, el espectro de frecuencia discreto generado por la serie de Fourier es
análogo a un espectro de frecuencia continuo generado por la transformada de Fourier.
El paso de un espectro continuo en uno discreto se puede ilustrar gráficamente. En
la figura 19.10a, se observa el tren de pulsos de ondas rectangulares con amplitudes de
pulsación iguales a la mitad del periodo, asociado con su correspondiente espectro dis-
creto. Esta función es la misma que se investigó antes en el ejemplo 19.2, sólo que en
este caso está corrida verticalmente.
En la figura 19.10b, al duplicar el periodo en el tren de pulsos se tienen dos efectos
sobre el espectro. Primero, se agregan dos líneas de frecuencia a cada lado de las com-
ponentes originales. Segundo, se reducen las amplitudes de las componentes.
Conforme el periodo se aproxima al infinito, dichos efectos generan líneas espec-
trales cada vez más comprimidas, hasta que el espacio entre las líneas tiende a cero. En
el límite, las series convergen a la integral de Fourier continua, como se muestra en la
figura 19.10c.
FIGURA 19.10
Ilustración de cómo el espectro de frecuencia discreta de una serie de Fourier para un tren
de pulsos a) se aproxima a un espectro de frecuencia continua de una integral de Fourier
c) conforme el periodo se aproxima al infinito.
a)
0 t f
T ⌬t
b)
0 t f
T
c)
⌬t
0 t f
T ⬁
556 APROXIMACIÓN DE FOURIER
Ahora que se ha presentado una forma para analizar una señal no periódica, veremos
el paso final en nuestro desarrollo. En la siguiente sección analizaremos el hecho de que
una señal rara vez está caracterizada como una función continua que se necesita para
implementar la ecuación (19.26). En lugar de esto, los datos invariablemente están en
forma discreta. Ahora se mostrará cómo calcular la transformada de Fourier a partir de
mediciones discretas.
FIGURA 19.11
Los puntos muestrales de la serie discreta de Fourier.
f (t)
f3
f2
f1
f0 fn – 1
0 t1 t2 tn – 1 tn = T t
19.5 TRANSFORMADA DISCRETA DE FOURIER (TDF) 557
N −1
∑ Fe
1 iω 0 n
fn = k para n = 0 a N − 1 (19.28)
N k =0
donde w0 = 2p /N
Las ecuaciones (19.27) y (19.28) representan las análogas discretas de las ecuaciones
(19.26) y (19.25), respectivamente. Como tales, ellas se emplean para calcular tanto la
transformada directa como la inversa de Fourier, para datos discretos. Aunque es posible
realizar tales cálculos a mano, son bastante laboriosos. Como lo expresa la ecuación
(19.27), la TDF requiere N2 operaciones complejas. Así, es necesario desarrollar un al-
goritmo computacional para implementar la TDF.
∑ [f
1
Fk = n cos( kω 0 n) − ifn sen( kω 0 n)] (19.29)
N n=0
y
N −1
fn = ∑ [ F cos(kω n) + iF sen(kω n)]
k =0
k 0 k 0 (19.30)
FIGURA 19.12
Seudocódigo para el cálculo de la TDF.
DOFOR k = 0, N – 1
DOFOR n = 0, N – 1
angle = kω0n
realk = realk + fn cos(angle)/N
imaginaryk = imaginaryk – fn sin(angle)/N
END DO
END DO
558 APROXIMACIÓN DE FOURIER
FIGURA 19.13
Resultados obtenidos con un programa basado en el algoritmo de la figura 19.12 para la
TDF con los datos generados por una función coseno f (t ) = cos[2p(12.5)t] en 32 puntos con
∆ t = 0.01 s.
2 000
TDF(ⵒN 2)
Operaciones
1 000
og 2 N
ⵒN l
TR F (
0 40
Muestras
FIGURA 19.14
Gráfica del número de operaciones contra tamaño de la muestra de la TDF estándar
y la TRF.
N −1
Fk = ∑ k =0
fn e − i ( 2π / N ) nk para k = 0 a N − 1 (19.32)
W = e–i(2p/N) (19.33)
donde k = 0, 1, 2,…, N – 1. Se crea una nueva variable, m = n – N/2, para que los límites
de la segunda sumatoria sean consistentes con la primera,
( N / 2 )−1 ( N / 2 )−1
Fk = ∑
n=0
fn e − i ( 2π / N ) kn + ∑
m=0
fm + N / 2 e − i ( 2 π / N ) k ( m + N / 2 )
o
( N / 2 )−1
Fk = ∑ (f
n=0
n + e − iπk fn+ N / 2 )e − i 2πkn / N (19.34)
Ahora, advierta que el factor e–ipk = (–1) k. De esta forma, para puntos pares es igual
a 1 y para los impares es igual a –1. Por lo tanto, el siguiente paso en el método consis-
te en separar la ecuación (19.34) de acuerdo con valores pares o impares de k. Para los
valores pares,
( N / 2 )−1 ( N / 2 )−1
F2 k = ∑
n=0
( fn + fn+ N / 2 )e − i 2π ( 2 k ) n / N = ∑ (f
n= 0
n + fn+ N / 2 )e − i 2πkn /( N / 2 )
( N / 2 )−1
F2 k +1 = ∑ (f
n=0
n − fn+ N / 2 )e − i 2π ( 2 k +1) n / N
( N / 2 )−1
= ∑ (f
n=0
n − fn+ N / 2 )e − i 2πn / N e − i 2πkn /( N / 2 )
para k = 0, 1, 2, …, (N/2) – 1.
19.6 TRANSFORMADA RÁPIDA DE FOURIER 561
gn = fn + fn+N/2 (19.35)
y
hn = (fn – fn+N/2)Wn para n = 0, 1, 2,…, (N/2) – 1 (19.36)
FIGURA 19.15
Diagrama de flujo de la primera etapa en una descomposición por partición en frecuencia
de una TDF con N puntos en dos TDF con (N/2) puntos para N = 8.
FIGURA 19.16
Diagrama de flujo de la descomposición completa por partición en frecuencia de una TDF
con ocho puntos.
f(0) + + + F(0)
+ + +
f(1) + + + W0 F(4)
+ + –
f(2) + + W0 + F(2)
+ – +
f(3) + + W2 + W0 F(6)
+ – –
f(4) + W0 + + F(1)
– + +
f(5) + W1 + + W0 F(5)
– + –
f(6) + W2 + W0 + F(3)
– – +
f(7) + W3 + W2 + W0 F(7)
– – –
19.6 TRANSFORMADA RÁPIDA DE FOURIER 563
+
f(0) F(0) temporal = real (0) + real (1)
+
real (1) = real (0) – real (1)
real (0) = temporal
temporal = imaginario (0) + imaginario (1)
+ imaginario (1) = imaginario (0) – imaginario (1)
f(1) F(1) imaginario (0) = temporal
–
a) b)
FIGURA 19.17
a) Una red mariposa que representa el cálculo fundamental de la figura 19.16.
b) Seudocódigo para implementar a).
FIGURA 19.18 a) b)
Seudocódigo para m = LOG(N)/LOG(2) j = 0
implementar una N2 = N DOFOR i = 0, N – 2
TRF con partición en DOFOR k = 1, m IF (i < J) THEN
frecuencia. Observe N1 = N2 xt = xj
que el seudocódigo está N2 = N2/2 xj = xi
compuesto por dos partes: angle = 0 xi = xt
a) la TRF en sí y b) una arg = 2π/N1 yt = yj
rutina de inversión de bits DOFOR j = 0, N2 -1 yj = yi
para ordenar los coeficientes c = cos(ang1e) yi = yt
de Fourier resultantes. s = –sin(ang1e) END IF
DOFOR i = j, N – 1, N1 k = N/2
kk = i + N2 DOFOR
xt = x(i) – x(kk) IF (k ≥ j + 1) EXIT
x(i) = x(i) + x(kk) j = j – k
yt = y(i) – y(kk) k = k/2
y(i) = y(i) + y(kk) END DO
x(kk) = xt * c – yt * s j = j + k
y(kk) = yt * c + xt * s END DO
END DO DOFOR i = 0, N – 1
angle = (j + 1) * arg x(i) = x(i)/N
END DO y(i) = y(i)/N
END DO END DO
564 APROXIMACIÓN DE FOURIER
FIGURA 19.19
Ilustración del proceso de inversión de bits.
La figura 19.20 muestra una red de flujo para implementar el algoritmo de Cooley-Tukey.
Para este caso, la muestra se divide inicialmente en puntos numerados pares e impares,
y los resultados finales están en el orden correcto.
FIGURA 19.20
Diagrama de flujo de una TRF con partición en el tiempo para una TDF de 8 puntos.
f(0) F(0)
f(4) W0 F(1)
f(2) W0 F(2)
f(6) W0 W2 F(3)
f(1) W0 F(4)
f(5) W0 W1 F(5)
f(3) W0 W2 F(6)
f(7) W0 W2 W3 F(7)
19.7 EL ESPECTRO DE POTENCIA 565
La TRF tiene diversas aplicaciones en ingeniería que van desde el análisis de vibración
de estructuras y mecanismos, hasta el procesamiento de señales. Como se describió
antes, el espectro de amplitud y fase proporciona un medio para entender la estructura
de señales bastante aleatorias. De manera similar, un análisis útil llamado espectro de
potencia se puede desarrollar a partir de la transformada de Fourier.
Como su nombre indica, el espectro de potencia se obtiene del análisis de la poten-
cia de salida en sistemas eléctricos. En términos matemáticos, la potencia de una señal
periódica en el dominio del tiempo se define como
1 T /2
P=
T ∫−T /2
f 2 (t ) dt (19.37)
se satisface la siguiente relación (véase Gabel y Roberts, 1987, para más detalles):
∞
∑
1 T /2
∫
2
f 2 (t ) dt = Fk (19.39)
T −T /2
k =−∞
De esta forma, la potencia en f(t) se determina al sumar los cuadrados de los coeficien-
tes de Fourier, es decir, las potencias asociadas con los componentes de frecuencia in-
dividual.
Ahora, recuerde que, en esta representación, la armónica real simple consta de
ambos componentes de frecuencia en ±kw0. También sabemos que los coeficientes
positivos y negativos son iguales. Por lo tanto, la potencia en f k (t), la k-ésima armónica
real de f(t), es
pk = 2⏐Fk⏐2 (19.40)
Las bibliotecas y los paquetes de software tienen grandes posibilidades para el ajuste de
curvas. En esta sección daremos una muestra de las más usuales.
19.8.1 Excel
El comando Trendline (menú Insert). Este comando permite agregar varios modelos
de tendencia a una gráfica. Tales modelos comprenden ajustes lineales, polinomiales,
logarítmicos, exponenciales, de potencia y de promedio móviles. El siguiente ejemplo
ilustra cómo utilizar el comando Trendline.
Función Descripción
Planteamiento del problema. Usted habrá notado que varios de los ajustes que tiene
Trendline fueron analizados ya en el capítulo 17 (por ejemplo, lineal, polinomial, expo-
nencial y de potencia). Una posibilidad adicional es el modelo logarítmico
y = a0 + a1 log x
19.8 AJUSTE DE CURVAS CON BIBLIOTECAS Y PAQUETES DE SOFTWARE 567
y 3
2
y = 0.9846 Ln (x) + 1.0004
1 r 2 = 0.9444
0 x
0 2 4 6
FIGURA 19.21
Ajuste de un modelo logarítmico a los datos del ejemplo 19.3.
Ajuste los siguientes datos con este modelo usando el comando Trendline de Excel:
x 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5
y 0.53 0.69 1.5 1.5 2 2.06 2.28 2.23 2.73 2.42 2.79
Solución. Para usar el comando Trendline, se debe crear una gráfica que relacione una
serie de variables dependientes y de variables independientes. En este caso, se usa el
Wizard (Asistente) para gráficas de Excel y crear una gráfica XY con los datos.
Después, se selecciona la gráfica (haciendo doble clic en ella) y la serie (al posicio-
nar el cursor sobre uno de los valores y dando un solo clic). Los comandos Insert y
Trendline entonces se llaman con la ayuda del ratón o mediante la siguiente secuencia
de teclas
/Insert Trendline
En este momento, se abre un cuadro de diálogo con dos rótulos: Options (Opciones)
y el Type (Tipo). El rótulo Options proporciona formas para configurar el ajuste. Lo más
importante en este contexto es desplegar tanto la ecuación como el valor del coeficiente
de determinación (r 2) sobre la gráfica. La primera elección en el rótulo Type es para
especificar el tipo de tendencia. En este caso, se selecciona Logarithmic. El ajuste re-
sultante junto con r 2 se despliega en la figura 19.21.
El comando Trendline proporciona una manera fácil para ajustar a los datos varios
modelos que se usan comúnmente. Además, la opción Polinomial se incluye también
para que se pueda usar la interpolación polinomial. Sin embargo, como su contenido
estadístico está limitado a r 2, esto significa que no permite obtener gráficas de inferen-
cias estadísticas respecto al ajuste del modelo. El paquete de herramientas para el aná-
lisis de datos (Data Analysis Toolpack) que se describirá a continuación ofrece una
excelente alternativa en casos donde son necesarias las inferencias.
donde z0, z1,…, zm son m + 1 funciones diferentes. El siguiente ejemplo ilustra cómo
tales modelos se pueden ajustar con Excel.
EJEMPLO 19.4 Uso del paquete de herramientas para el análisis de datos (Data Analysis Tool-
pack) de Excel
Planteamiento del problema. Los siguientes datos son la pendiente, el radio hidráu-
lico y la velocidad del agua que fluye en un canal:
Se tienen razones teóricas (recuerde la sección 8.2) para creer que los datos se pueden
ajustar a un modelo de potencias de la forma
U = αSσRρ
Se puede desarrollar una hoja de cálculo en Excel, tanto con los datos originales como
con sus respectivos logaritmos, como en la siguiente tabla:
A B C D E F
1 S R U log (S) log (R) log (U)
2 0.0002 0.2 0.25 –3.69897 –0.69897 –0.60206
3 0.0002 0.5 0.5 –3.69897 -0.30103 –0.30103
4 0.0005 0.2 0.4 –3.30103 –0.69897 –0.39794
5 0.0005 0.5 0.75 –3.30103 –0.30103 –0.12494
6 0.001 0.2 0.5 –3 –0.69897 –0.30103
7 0.001 0.5 1 –3 –0.30103 0
=log(A2)
Como se indica, una manera eficiente para generar los logaritmos es tecleando la fór-
mula para calcular el primer log(S). Después se copia esta fórmula a la derecha y se baja
para generar los otros logaritmos.
Debido a su estatus como agregado a la versión de Excel disponible en el momento
de la edición en inglés de este libro, algunas veces hay que cargar en Excel el paquete
19.8 AJUSTE DE CURVAS CON BIBLIOTECAS Y PAQUETES DE SOFTWARE 569
A B C D E F G
1 RESUMEN DE RESULTADOS
2
3 Estadística de regresión
4 Múltiple R 0.998353
5 R cuadrada 0.996708
6 Aj. de R cuadrada 0.994513
7 Error estándar 0.015559
8 Observaciones 6
9
10 ANOVA
11 df SS MS F Significancia F
12 Regresión 2 0.219867 0.10993 454.1106 0.0001889
13 Residual 3 0.000726 0.00024
14 Total 5 0.220593
15
16 Coeficientes Error estándar Estad. t Valor P Inf. al 95% Sup. al 95%
17 Intersección 1.522452 0.075932 20.05010 0.000271 1.2808009 1.7641028
18 X Variable 1 0.433137 0.022189 19.52030 0.000294 0.362521 0.503752
19 X Variable 2 0.732993 0.031924 22.96038 0.000181 0.631395 0.834590
Finalmente, se debe observar que se puede usar la herramienta Solver de Excel para
una regresión no lineal, minimizando de manera directa la suma de los cuadrados de
los residuos entre una predicción del modelo no lineal y los datos. Dedicaremos la sec-
ción 20.1 a un ejemplo de cómo se realiza lo anterior.
570 APROXIMACIÓN DE FOURIER
Función Descripción
19.8.2 MATLAB
Como se resume en la tabla 19.2, MATLAB tiene varias funciones preconstruidas que
abarcan todas las capacidades que se describen en esta parte del libro. El siguiente
ejemplo ilustra cómo usar algunas de ellas.
FIGURA 19.22
Once puntos muestreados de una sinusoide.
y
1
0
5 10 x
–1
19.8 AJUSTE DE CURVAS CON BIBLIOTECAS Y PAQUETES DE SOFTWARE 571
El polinomio captura el comportamiento general que siguen los datos; aunque deja
fuera a la mayoría de los puntos.
572 APROXIMACIÓN DE FOURIER
19.8.3 IMSL
IMSL tiene numerosas rutinas para el ajuste de curvas que abarcan todas las capacidades
cubiertas en este libro, y otras más. Una muestra se presenta en la tabla 19.3. En el pre-
sente análisis, nos concentraremos en la rutina RCURV. Dicha rutina ajusta un polinomio
por mínimos cuadrados a los datos.
RCURV se implementa con la instrucción CALL:
CALL RCURV (NOBS, XDATA, YDATA, NDEG, B, SSPOLY, STAT)
donde NOBS = Número de observaciones. (Entrada)
XDATA = Vector de longitud NOBS que contiene los valores x. (Entrada)
YDATA = Vector de longitud NOBS que contiene los valores y. (Entrada)
NDEG = Grado del polinomio. (Entrada)
B = Vector de longitud NDEG + 1 que contiene los coeficientes.
SSPOLY = Vector de longitud NDEG + 1 que contiene las sumas secuenciales de
cuadrados. (Salida) SSPOLY (1) contiene la suma de los cuadrados
debida a la media. Para i = 1, 2,…, NDEG, SSPOLY(i + 1) contiene la
suma de los cuadrados debida a xi ajustada a la media, x, x2,…, y xi–1.
STAT = Vector de longitud 10 que contiene los estadísticos. (Salida)
donde 1 = Media de x
2 = Media de y
3 = Varianza muestral de x
4 = Varianza muestral de y
5 = R-cuadrada (en por ciento)
6 = Grados de libertad para la regresión
19.8 AJUSTE DE CURVAS CON BIBLIOTECAS Y PAQUETES DE SOFTWARE 573
Planteamiento del problema. Use RCURV para determinar el polinomio cúbico que
proporcione un ajuste por mínimos cuadrados a los siguientes datos:
574 APROXIMACIÓN DE FOURIER
PROGRAM Fitpoly
use msimsl
IMPLICIT NONE
INTEGER::ndeg,nobs,i,j
PARAMETER (ndeg=3, nobs=8)
REAL::b(ndeg+1),sspoly(ndeg+1),stat(10),x(nobs),y(nobs),
ycalc(nobs)
DATA x/0.05,0.12,0.15,0.30,0.45,0.70,0.84,1.05/
DATA y/0.957,0.851,0.832,0.720,0.583,0.378,0.295,
0.156/
CALL RCURV(nobs,x,y,ndeg,B,sspoly,stat)
PRINT *, ‘El polinomio ajustado es’
DO i = 1,ndeg+1
PRINT ‘(1X, “X Ŷ”, I1,“ TERM: “,F8.4)’, i-1, b(i)
END DO
PRINT *
PRINT ‘(1X,“RˆY2: “,F5.2,“%”)’,stat(5)
PRINT *
PRINT *, ‘NO. X Y YCALC’
DO i = 1, nobs
ycalc=0.
DO j = 1,ndeg+1
ycalc(i)=ycalc(i)+b(j)*x(i)**(j-1)
END DO
PRINT ‘(1X,I8,3(5X,F8.4))’, i, x(i), y(i), ycalc(i)
END DO
END
Un ejemplo corrido es
El polimomio ajustado es
X^0 TERM: .9909
X^1 TERM: -1.0312
X^2 TERM: .2785
X^3 TERM: -.0513
R^2: 99.81%
NO. X Y YCALC
1 .0500 .9570 .9401
2 .1200 .8510 .8711
3 .1500 .8320 .8423
4 .3000 .7200 .7053
5 .4500 .5830 .5786
6 .7000 .3780 .3880
7 .8400 .2950 .2908
8 1.0500 .1560 .1558
PROBLEMAS 575
PROBLEMAS
19.1 El pH en un reactor varía en formas sinusoidales durante 19.4 Use una serie de Fourier continua para aproximar la onda
el curso del día. Utilice regresión por mínimos cuadrados para diente de sierra que se observa en la figura P19.4. Elabore
ajustar la ecuación (19.11) a los datos siguientes. Use el ajuste la gráfica de los tres primeros términos junto con la suma.
para determinar la media, amplitud y tiempo del pH máximo. 19.5 Utilice una serie de Fourier continua para aproximar la
Note que el periodo es de 24 hrs. forma de la onda que se ilustra en la figura P19.5. Grafique los
Tiempo h 0 2 4 5 7 9 12 15 20 22 24
tres primeros términos junto con la suma.
pH 7.6 7.2 7 6.5 7.5 7.2 8.9 9.1 8.9 7.9 7
19.6 Construya los espectros de línea de amplitud y fase para el
problema 19.4.
19.7 Construya los espectros de línea de amplitud y fase para el
19.2 Se ha tabulado la radiación solar en Tucson, Arizona, como problema 19.5.
sigue
Tiempo, meses E F M A M J J A S O N D
2
Radiación, W/m 122 188 245 311 351 359 308 287 260 211 159 131
v, m/s 10 20 30 40 50 60 70 80
–1 1 t
F, N 25 70 380 550 610 1 220 830 1 450
576 APROXIMACIÓN DE FOURIER
x 2 4 6 8 10 12 14
y 6.5 7 13 17.8 19 25.8 26.9
19.22 Se inyecta un colorante al torrente circulatorio de un pa-
ciente para medir su salida cardiaca, que es la tasa de flujo vo-
19.17 a) Emplee MATLAB para ajustar un trazador cúbico a los lumétrico de la sangre del ventrículo izquierdo del corazón. En
datos siguientes: otras palabras, la salida cardiaca es el número de litros de sangre
que el corazón bombea por minuto. Para una persona en reposo,
x 0 2 4 7 10 12 la tasa puede ser de 5 o 6 litros por minuto. Si se trata de un ma-
y 20 20 12 7 6 6 ratonista durante la carrera, la salida cardiaca puede ser tan
elevada como 30 L/min. Los datos siguientes muestran la res-
Determine el valor de y en x = 1.5. b) Repita el inciso a), pero puesta de un individuo cuando se inyectan 5 mg de colorante en
sin primeras derivadas en los nudos finales. Observe que la he- el sistema vascular.
rramienta de ayuda de MATLAB describe cómo prescribir las
derivadas finales. Tiempo (s) 2 6 9 12 15 18 20 24
19.18 Use MATLAB para generar 64 puntos de la función Concentración (mg/L) 0 1.5 3.2 4.1 3.4 2 1 0
f (t ) = cos(10t ) + sen(3t )
Ajuste una curva polinomial a través de los puntos de los datos
de t = 0 a 2p. Con la función randn agregue un componente y use la función para aproximar la salida cardiaca del paciente,
aleatorio a la señal. Tome una TRF de estos valores y grafique que se puede calcular con:
los resultados.
cantidad de colorante ⎛ L ⎞
19.19 En forma similar a como se hizo en la sección 19.8.2, use Salida cardiaca =
MATLAB para ajustar los datos del problema 19.15 con a) in- área bajo la curva ⎝ min ⎠
terpolación lineal, b) un polinomio de regresión de tercer orden,
y c) un trazador. Use cada enfoque para predecir la concentración 19.23 En los circuitos eléctricos es común ver el comportamiento
de oxígeno en T = 10. de la corriente en la forma de una onda cuadrada como se ilustra
19.20 La función de Runge es en la figura P19.23. Al resolver para la serie de Fourier a partir de
1 ⎧ A0 0 ≤ t ≤ T /2
f (x) = f (t ) = ⎨
1 + 25 x 2 ⎩− A0 T /2 ≤ t ≤ T
Genere 9 valores equidistantes de esta función en el intervalo:
se obtiene la serie de Fourier siguiente
[–1, 1]. Ajuste estos datos con a) un polinomio de orden ocho,
b) un trazador lineal, y c) un trazador cúbico. Presente sus resul- ∞
⎛ ⎞ 2π (2 n − 1)t ⎞
∑ ⎜⎝ (2n − 1)π ⎟⎠ sen ⎛⎝
4 A0
tados en forma gráfica. f (t ) =
T ⎠
19.21 Repita el problema 19.15, pero use la rutina IMSL, RCURV. n =1
PROBLEMAS 577
Sea A0 = 1 y T = 0.25 s. Grafique los seis primeros términos de x 0 100 200 400 600 800 1 000
la serie de Fourier individualmente, así como la suma de dichos f(x) 0 0.82436 1.00000 0.73576 0.40601 0.19915 0.09158
seis términos. Si es posible, use un paquete como Excel o
MATLAB. En cada caso, compare la gráfica con la ecuación siguiente, la
19.24 Haga una gráfica de los datos siguientes con a) un poli- cual se utilizó para generar los datos
nomio de interpolación de sexto orden, b) un trazador cúbico, y x
x − 200 +1
c) un trazador cúbico con derivadas finales de cero. f (x) = e
200