UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA

TELECOMUNICACIONES 2
LABORATORIO 1
• DOCENTE: Ing. WILBERT CHAVEZ IRAZABAL
• TEMA: ANALISIS DE SEÑALES CON EL USO DE MATLAB U
OCTAVE
• ALUMNOS:
- HUAMÁN HUALPARIMACHI CESAR 1813210107
- RAMÍREZ CASTILLO ELARD 1813220453
• GRUPO HORARIO: 90G

2023A
LIMA – PERÚ
 PRÁCTICA 1

ANALISIS DE SEÑALES CON EL USO DE MATLAB U OCTAVE

1. OBJETIVOS

Utilizar MATLAB u OCTAVE, para analizar las señales en el dominio de la frecuencia y en el

dominio del tiempo.

2. MARCO TEORICO

2.1. INTRODUCCIÓN AL ANÁLISIS ESPECTRAL [1][2]

Conceptos en el Dominio Temporal:

Las señales electromagnéticas pueden ser graficadas de acuerdo con el paso del tiempo, y
estas señales pueden ser continuas o discretas.

Una gráfica es una seguidilla de puntos, los cuales pueden ser infinitos o finitos, siendo esta la
principal diferencia entre una señal continua y discreta.

Una señal continua es aquella la cual la seguidilla de puntos es infinita, por lo que no hay
ningún salto o discontinuidad que corte tal seguidilla.

Una señal discreta es aquella cuya seguidilla de puntos es finita, es decir, se puede colocar una
cantidad específica de puntos cada cierta cantidad de tiempo determinada, que pueda formar
la señal presentada.

El tipo de señales más sencillas que se puede considerar son las periódicas. Estas señales son
aquellas que repiten un mismo patrón cada cierta cantidad de tiempo. Una señal se dice
periódica si y solo si:

𝑓(𝑡 + 𝑇) = 𝑓(𝑡) −∞ < 𝑡 < +∞ 𝐸𝑐. 2.1

Donde 𝑇 es la constante de tiempo (período).

Conceptos en el Dominio de la Frecuencia:

Una señal electromagnética, así como puede analizarse en el tiempo que transcurre, también
puede analizarse en las frecuencias que la componen. Para esto, se puede usar la transformada
de Fourier la cual convierte la gráfica de función de tiempo a la misma gráfica en función de la
frecuencia.

Por tanto, se puede decir que para cada señal hay una función en el dominio del tiempo que
determina la amplitud de la señal en cada instante de tiempo. De igual forma hay una función
en el dominio de la frecuencia que especifica las componentes de frecuencia que conforman
una señal.

Al grupo de frecuencias que conforman una señal se les conoce como espectro de la señal.

Así mismo, este grupo de frecuencias está a una cierta cantidad entre ellas, esta cantidad es un
rango el cual se denomina como ancho de banda absoluto. Sin embargo, para señales
electromagnéticas, la energía de estas señales se puede concentrar en una banda muy
estrecha la cual aumentará la calidad de esta señal. Esta banda se denomina ancho de banda
efectivo o ancho de banda simplemente.
Desarrollo en Series de Fourier para Señales Periódicas:

Toda señal periódica se puede expresar como una suma de funciones sinusoidales,
denominadas series de Fourier.
𝐴0 ∞
𝑥(𝑡) = + ∑ [𝐴𝑛 cos(2𝜋𝑛𝑓0 𝑡) + 𝐵𝑛 sen(2𝜋𝑛𝑓0 𝑡)] 𝐸𝑐. 2.2
2 𝑛=1
1
Donde 𝑓0 = , la frecuencia 𝑓0 se denomina frecuencia o armónico fundamental, y a los
𝑇
múltiples de 𝑓0 armónicos. Por tanto, una señal periódica con periodo T estará compuesta por
la frecuencia fundamental 𝑓0, más los múltiplos enteros de dicha frecuencia. Si 𝐴0 es diferente
de 0, la señal 𝑥(𝑡) tendrá una componente continua.

Los valores de los coeficientes del desarrollo en series de Fourier se calculan mediante las
siguientes expresiones:
1
𝐴0 = ∫ 𝑔(𝑡) 𝑑𝑡 𝐸𝑐. 2.3
𝑇0
2
𝐴𝑛 = ∫ 𝑔(𝑡) cos(2𝜋𝑛𝑓0 𝑡) 𝑑𝑡 𝐸𝑐. 2.4
𝑇0
2
𝐵𝑛 = ∫ 𝑔(𝑡) sen(2𝜋𝑛𝑓0 𝑡) 𝑑𝑡 𝐸𝑐. 2.5
𝑇0
Transformada de Fourier para Señales No Periódicas:

El espectro de una señal no periódica a diferencia de una señal periódica consiste en un

conjunto continuo de componentes de frecuencias. Este espectro se puede obtener mediante
la transformada de Fourier. Para una señal 𝑔(𝑡), con espectro 𝐺(𝜔), se tiene:
1
𝑔(𝑡) = ∫ 𝐺(𝜔)𝑒 𝑗𝜔𝑡 𝑑𝑤 𝐸𝑐. 2.6
2𝜋
𝐺(𝜔) = ∫ 𝑔(𝑡)𝑒 −𝑗𝜔𝑡 𝑑𝑡 𝐸𝑐. 2.7

Traslación en la frecuencia:

Esta propiedad muestra que la gráfica de una señal puede moverse en el dominio de la
frecuencia, así como sucede con el dominio del tiempo.

Matemáticamente:

Si deseamos trasladar la frecuencia de una función 𝑓(𝑡), tendríamos la siguiente función

𝑔(𝑡) = 𝑒 𝑗(𝜔0 )𝑡 𝑓(𝑡) 𝐸𝑐. 2.8

Ahora, hallando el espectro de esta señal
∞
𝑗𝜔0 𝑡
ℱ{𝑒 𝑓(𝑡)} = 𝐺(𝜔 − 𝜔0 ) = ∫ 𝑓(𝑡) ∙ 𝑒 −𝑗𝑡(𝜔−𝜔0 ) 𝛿𝑡 𝐸𝑐. 2 .9
−∞

4. TRABAJO PREPARATORIO

4.3 Presentar el desarrollo matemático para la obtención de los coeficientes 𝐴0 , 𝐴𝑛 , 𝐵𝑛 de las

series de Fourier; y el espectro en magnitud de la siguiente función:
Donde y(t) = Un tren de pulsos periódico con amplitud A, periodo T y cambio de pulso.

Figura n°01

SOLUCIÓN

Analizando el periodo:

2𝑡1 + 3𝑡1 + 𝑡1 = 𝑇
6𝑡1 = 𝑇
𝑇 20
𝑡1 = =
6 6
2𝜋
𝑇=
𝜔0
2𝜋 2𝜋 𝜋
𝜔0 = = =
𝑇 20 10
Analizando la gráfica obtenemos:
20
5; 0≤𝑡<
5; 0 ≤ 𝑡 < 2𝑡1 3
20 50
𝑦(𝑡) = [ 0; 2𝑡1 ≤ 𝑡 < 5𝑡1 → 𝑦(𝑡) = 0; ≤𝑡<
−5; 5𝑡1 ≤ 𝑡 < 6𝑡1 3 3
50
[−5; 3 ≤ 𝑡 < 20
Función de la serie de Fourier:
∞
𝑎0
𝐹(𝑡) = + ∑[𝑎𝑛 cos(𝜔0 𝑛𝑡) + 𝑏𝑛 sen(𝜔0 𝑛𝑡)]
2
𝑛=1
𝑎0 :

1 𝑇
𝑎0 = ∫ 𝑓(𝑡) 𝑑𝑡
𝑇 0
2𝑡 5𝑡 6𝑡
1
𝑎0 = (∫ 𝐴𝑑𝑡 + ∫ 0𝑑𝑡 + ∫ −𝐴𝑑𝑡)
20 0 2𝑡 5𝑡

1
𝑎0 = [𝐴(2𝑡 − 0) + 0 − 𝐴(6𝑡 − 5𝑡)]
20
2
𝑎0 = [𝐴(2𝑡) − 𝐴(𝑡)]
20
1
𝑎0 = (𝐴𝑡)
20
Sabemos que:
20 10
𝑡= =
6 3
2 10
𝑎0 = (5) ( )
20 3
5
𝑎0 =
3
𝑎𝑛 :
𝑇
1 𝑛2𝜋𝑡
𝑎𝑛 = ∫ 𝑓(𝑡) cos ( ) 𝑑𝑡
𝑇/2 0 𝑇
2𝑡 5𝑡 6𝑡
2
𝑎𝑛 = (∫ 𝐴 cos(𝜔0 nt)dt + ∫ 0 cos(𝜔0 nt)dt + ∫ −𝐴 cos(𝜔0 nt)dt)
20 0 2𝑡 5𝑡

2𝑡 6𝑡
2 sen(𝜔0 nt) sen(𝜔0 nt)
𝑎𝑛 = (𝐴) {[ ] + 0 + [(−1) ] }
20 𝜔0 n 0
𝜔0 n 5𝑡

2𝐴
𝑎𝑛 = {sen(𝜔0 n2t) − sen(𝜔0 n0) + (−1)[sen(𝜔0 n6t) − sen(𝜔0 n5t)]}
20(𝜔0 n)
Sabemos que:
20 10
𝑡= =
6 3
2(5) 𝜋 10 𝜋 10 𝜋 10
𝑎𝑛 = 𝜋 {sen [(10) n2 ( 3 )] − sen(0) + (−1) sen [(10) n6 ( 3 )] − sen [(10) n5 ( 3 )]}
20( )𝑛
10
5 2𝜋 5𝜋
𝑎𝑛 = {sin ( 𝑛) − 0 + (−1) [sen(2𝜋𝑛) − sen ( 𝑛)]}
𝜋𝑛 3 3
5 2𝜋 5𝜋
𝑎𝑛 = [sen ( 𝑛) − sen(2𝜋𝑛) + sen ( 𝑛)]
𝜋𝑛 3 3
𝟓 𝟐𝝅 𝟓𝝅
𝒂𝒏 = [𝐬𝐞𝐧 ( 𝒏) + 𝐬𝐞𝐧 ( 𝒏)]
𝝅𝒏 𝟑 𝟑
𝑏𝑛 :
𝑇
1 𝑛2𝜋𝑡
𝑏𝑛 = ∫ 𝑓(𝑡) sin ( ) 𝑑𝑡
𝑇/2 0 𝑇

2𝑡 5𝑡 6𝑡
2
𝑏𝑛 = (∫ 𝐴 sen(𝜔0 nt) dt + ∫ 0 sen(𝜔0 nt) dt + ∫ −𝐴 sen(𝜔0 nt) 𝑑𝑡)
20 0 2𝑡 5𝑡

2𝑡 6𝑡
2𝐴 −cos(𝜔0 nt) −cos(𝜔0 nt)
bn = {[ ] + 0 + (−1) [ ] }
20 𝜔0 n 0
𝜔0 n 5𝑡

2𝐴
𝑏𝑛 = {− cos(𝜔0 n2t) − {− cos(𝜔0 n0) + (−1)[−cos(𝜔0 n6t) − (− cos(𝜔0 n5t)]}}
20(𝜔0 n)
2𝐴
𝑏𝑛 = {− cos(𝜔0 n2t) − (− cos 0) + (−1)[−cos(𝜔0 n6t) + cos(𝜔0 n5t)]}
20(𝜔0 n)
2𝐴
𝑏𝑛 = [− cos(𝜔0 n2t) + cos(0) + cos(𝜔0 n6t) − cos(𝜔0 n5t))]
20(𝜔0 n)

Sabemos que:
20 10
𝑡= =
6 3
2(5) 𝜋 10 𝜋 10 𝜋 10
𝑏𝑛 = 𝜋 {− cos [(10) n2 ( 3 )] + cos 0 + cos [(10) n6 ( 3 )] − cos [(10) n5 ( 3 )] }
20( )𝑛
10
5 𝜋 10 𝜋 10 𝜋 10
𝑏𝑛 = {− cos [( ) n2 ( )] + 1 + cos [( ) n6 ( )] − cos (( ) n5 ( ))}
𝜋𝑛 10 3 10 3 10 3
5 2𝜋 5𝜋
𝑏𝑛 = [− cos ( n) + 1 + cos(2πn) − cos ( 𝑛)]
𝜋𝑛 3 3
5 2𝜋 5𝜋
𝑏𝑛 = [− cos ( n) + 1 + 1 − cos ( 𝑛)]
𝜋𝑛 3 3
𝟓 𝟐𝝅 𝟓𝝅
𝒃𝒏 = [− 𝐜𝐨𝐬 ( 𝐧) + 𝟐 − 𝐜𝐨𝐬 ( 𝒏)]
𝝅𝒏 𝟑 𝟑
Reemplazamos en la ecuación de la serie de Fourier:
∞
𝑎0
𝐹(𝑡) = + ∑[𝑎𝑛 cos(𝜔0 𝑛𝑡) + 𝑏𝑛 sen(𝜔0 𝑛𝑡)]
2
𝑛=1
∞
𝟓 𝟓 𝟐𝝅 𝟓𝝅 𝟓 𝟐𝝅 𝟓𝝅
𝑭(𝒕) = + ∑ { [𝐬𝐞𝐧 ( 𝒏) + 𝐬𝐞𝐧 ( 𝒏)] 𝐜𝐨𝐬(𝝎𝟎 𝒏𝒕) + [− 𝐜𝐨𝐬 ( 𝐧) + 𝟐 − 𝐜𝐨𝐬 ( 𝒏)] 𝐬𝐞𝐧(𝝎𝟎 𝒏𝒕)}
𝟔 𝝅𝒏 𝟑 𝟑 𝝅𝒏 𝟑 𝟑
𝒏=𝟏
Espectro en magnitud

De la forma trigonométrica:
∞

𝑓(𝑡) = 𝑐0 + ∑[𝑐𝑛 cos(𝑛𝑤0 𝑡 − 𝜃𝑛 )]

𝑛=1

Donde:
𝑏𝑛
𝜃𝑛 = 𝑎𝑟𝑐𝑡𝑔 ( )
𝑎𝑛
5
𝑎0 3 5
𝑐0 = = =
2 2 6

𝑐𝑛 = √𝑎𝑛 2 + 𝑏𝑛 2

Para:

• 𝑛=1
𝑐𝑛 = 2.523

• 𝑛=2
𝑐𝑛 = 3.01

• 𝑛=3
𝑐𝑛 = 1.457

• 𝑛=4
𝑐𝑛 = 2.014

• 𝑛=5
𝑐𝑛 = 1.128
Hallando el espectro de magnitud:

𝑏𝑛
𝜃𝑛 = 𝑎𝑟𝑐𝑡𝑔 ( )
𝑎𝑛
5
𝑎0 =
3
5 2𝜋𝑛 5𝜋𝑛
𝑎𝑛 = [sin ( ) + sin ( )]
𝑛𝜋 3 3
5 2𝑛𝜋 5𝑛𝜋
𝑏𝑛 = [− cos ( ) + 2 − cos ( )]
𝑛𝜋 3 3
Para:

• 𝑛=1
𝜃𝑛 = −1.5708
 • 𝑛=2
𝜃𝑛 = 1.0472

• 𝑛=3
𝜃𝑛 = 1.5708

• 𝑛=4
𝜃𝑛 = −1.0472

• 𝑛=5
𝜃𝑛 = 1.5708
4.4. Consulte la sintaxis y parámetros de los siguientes comandos de MATLAB o su
equivalente en OCTAVE:

❖ FFT
❖ Ifft
❖ Linespace
❖ Stem

➢ fft : TRANSFORMADA RÁPIDA DE FOURIER

SINTAXIS
Y = fft(X)
Y = fft(X,n)
Y = fft(X,n,dim)

DESCRIPCIÓN

Y = fft(X) calcula la transformada discreta de Fourier (DFT) de X utilizar un algoritmo de

transformada de Fourier rápida (FFT).
Y = fft(X,n) devuelve el n-punto DFT. Si no se especifica ningún valor, Y tiene el mismo
tamaño que X.
Y = fft(X,n,dim) devuelve la transformada de Fourier a lo largo de la dimensión dim. Por
ejemplo, si X es una matriz, fft(X,n,2)devuelve la transformada de Fourier de n puntos
de cada fila.

➢ ifft : TRANSFORMADA RÁPIDA INVERSA DE FOURIER

SINTAXIS
X = ifft(Y)
X = ifft(Y,n)
X = ifft(Y,n,dim)
X = ifft(___,symflag)

DESCRIPCIÓN

• X = ifft(Y) calcula la inversa transformada de Fourier discreta de usar un algoritmo rápido

de transformada de Fourier. X es del mismo tamaño que Y.
• X = ifft(Y,n) devuelve la transformada de Fourier inversa de punto y por relleno y con
ceros a la longitud n.
 • X = ifft(Y,n,dim) devuelve la transformada de Fourier inversa a lo largo de la
dimensión dim. Por ejemplo, si Yes una matriz, ifft(Y,n,2)devuelve la transformación
inversa de punto de cada fila.
• X = ifft(___,symflag) Especifica la simetría de Y. Por ejemplo, se ifft(Y,'symmetric') trata Y
como conjugado simétrico.

➢ Linespace: GENERAR UN VECTOR ESPACIADO LINEALMENTE

SINTAXIS
y = linspace(x1,x2)
y = linspace(x1,x2,n)

DESCRIPCIÓN

• y = linspace(x1,x2) devuelve un vector de fila de 100 puntos equidistantes entre x1 y x2.

• y = linspace(x1,x2,n) genera n puntos. El espaciado entre los puntos es (x2-x1)/(n-1).

➢ Stem: TRAZAR DATOS DE SECUENCIA DISCRETA

SINTAXIS
stem(Y)
stem(X,Y)
stem(___,'filled')
stem(___,LineSpec)
stem(___,Name,Value)
stem(ax,___)
h = stem(___)

DESCRIPCION

 stem(Y) traza la secuencia de datos Y, como vástagos que se extienden desde una línea
de base a lo largo del eje x . Los valores de los datos se indican mediante círculos que
terminan cada tallo.
 stem(X,Y) traza la secuencia de datos Y, a los valores especificados
por X. Las entradas Xy Ydeben ser vectores o matrices del mismo
tamaño. Además, Xpuede ser un vector de fila o columna y Y debe ser una matriz
con length(X)filas.
 stem(___,'filled')llena los círculos. Utilice esta opción con cualquiera de las
combinaciones de argumentos de entrada en las sintaxis anteriores.
 stem(___,LineSpec) especifica el estilo de línea, el símbolo de marcador y el color.
 stem(___,Name,Value)modifica el diagrama de raíz utilizando uno o
más Name,Valueargumentos de par.
 stem(ax,___)traza en los ejes especificados por en axlugar de en los ejes actuales
( gca). La opción, axpuede preceder a cualquiera de las combinaciones de argumentos
de entrada en las sintaxis anteriores.
 h = stem(___)devuelve un vector de Stemobjetos en h. Úselo hpara modificar el
diagrama de raíz después de su creación.
5. EQUIPOS Y MATERIALES
Computadora
Sofware MatLab
Sofeare OCTAVE

6. PROCEDIMIENTO
6.1. Generar un archivo .m (su equivalente en octave) que permita graficar en el punto 4.3.
(figura N°01).

Código MATLAB:
syms x
clc
clear
close all
Arm=input('Ingrese la cantidad de armónicos que desea: ') %Cantidad de
armonicos
x=linspace(0,20,1000) % valores de la variable x
n=0; %valor inicial de n para controlar los ciclos a analizar
a0=5/3; %Coeficiente a0
g=0; % valor inicial de la sumatoria
x1=[-5,30]; y1=[0,0]% eje x
x2=[0,0]; y2=[-10,10]% eje y
m=[-5,25,-10,10]; %tamaño de la pantalla

for i=1:Arm
n=n+1
an=(5*sin((2*pi*n)/3))/(n*pi) - (5*sin(2*pi*n))/(n*pi)
+(5*sin((5*pi*n)/3))/(n*pi) %Coeficiente an
bn=5/(n*pi) + (5*cos(2*pi*n))/(n*pi) -(5*cos((2*pi*n)/3))/(n*pi) -
(5*cos((5*pi*n)/3))/(n*pi) %Coeficiente bn
g=g + an*cos((n*pi*x)/10)+bn*sin((n*pi*x)/10);%Sumatoria
plot(x,g+a0/2,'r'), grid % grafica de la serie de fourier
title('Gráfica de la Serie de Fourier 4.3')
xlabel('Tiempo (t)')
ylabel('Amplitud (A)')
hold on % Congelado de la pantalla activado
plot(x1,y1,'black',x2,y2,'black'); % Gráfica de los ejes
axis(m); % Ampliación de la pantalla según los valores de m
pause(0.3); % retardo de 0.3s
hold off %Congelado de pantalla desactivado
end

6.2 Generar los archivos .m (su equivalente en octave) que permita graficar el espectro de
potencia de la función del punto 6.1.

Código MATLAB:
Fs=150;
t=0:1/Fs:20;
f=10
x=((t>0)&(t<20/3)).*(5)+((t>=20/3)&(t<50/3)).*(0)+((t>=50/3)&(t<20)).*
(-5);
nfft=1024% el numero de puntos de la fft
y=fft(t,nfft);
y=y(1:nfft/2);
my=abs(y).^2;
f=(0:nfft/2-1)*Fs/nfft;
figure(1);
plot(t,x);
title('señal');
xlabel('tiempo(s)');
ylabel('amplitud');
figure(2);
plot(f,my);
title('espectro de potencia');
xlabel('frecuencia(Hz)');
ylabel('potencia');

GRÁFICA:

6.3 Mediante el uso de propiedades de las series de Fourier encontrar la serie de Fourier y el
espectro de magnitud y frecuencia de la función mostrada en la figura N°01.

% Serie de Fourier
clc
clear
close all
syms n t
Ao=5/6;
An=(5/(pi*n))*(sin(2*pi*n/3)+sin(5*pi*n/3));
Bn=(5/(pi*n))*(-cos(2*pi*n/3)+2-cos(5*pi*n/3));
T=20;
wo=2*pi/T;
armonico=input('Ingrese número de armónicos: ');

for n=1:1:armonico
syms t

f(n,:)=sum(((5/(pi*n))*(sin(2*pi*n/3)+sin(5*pi*n/3)))*cos(n*wo*t)+(((5
/(pi*n))*(-cos(2*pi*n/3)+2-cos(5*pi*n/3)))*sin(n*wo*t)));
 t=linspace(0,5*T,1000);

subplot(4,1,1);
plot(t, subs(f(n,:),'t',t));
grid on
xlabel('\bf Tiempo');
ylabel('\bf Amplitud');
title('\bf Funciones');
hold on

subplot(4,1,2);
plot(t, Ao + subs(sum(f),'t',t),'g','Linewidth',1.5);
grid on
xlabel('\bf Tiempo');
ylabel('\bf Amplitud');
title('\bf Serie de Fourier');

subplot(4,1,3);
Cn(n)=sqrt(((5/(pi*n))*(sin(2*pi*n/3)+sin(5*pi*n/3)))^2+((5/(pi*n))*(-
cos(2*pi*n/3)+2-cos(5*pi*n/3)))^2);
stem(Cn,'filled');
grid on
xlim([1,armonico]);
xlabel('\bf Armónico');
ylabel('\bf Amplitud');
title('\bf Espectro de Frecuencia');

subplot(4,1,4);
CN(n)=(1/2)*(sqrt((5/(pi*n))*(sin(2*pi*n/3)+sin(5*pi*n/3)))^2+((5/(pi*
n))*(-cos(2*pi*n/3)+2-cos(5*pi*n/3)))^2);
stem(CN,'filled');
grid on
xlim([1,armonico]);
xlabel('\bf Armónico');
ylabel('\bf Amplitud');
title('\bf Espectro de fase'); pause(0.5)
end
RESULTADOS

Armónicos = 10

Armónicos = 50
7. INFORME

7.1 Realizar una comparación entre el método de obtención de la serie de Fourier mediante
el uso exclusivo de integrales y el método de uso de propiedades.

Método de uso exclusivo de integrales

Se trata de hallar los coeficientes de la serie resolviendo estrictamente las integrales que se
presentan en ellas.

Método de uso de propiedades

Se trata de hallar la ecuación usando las propiedades de las series de Fourier, tales como
paridad e imparidad, linealidad, periodicidad, entre otros.

El método de propiedades resulta ser más sencillo y práctico para hallar la mayoría de las
señales: sin embargo, el método de las integrales permite construir la señal de manera más
precisa.

7.2 Realizar el cálculo de la serie de Fourier para la función indicada en la figura n°02, usando
propiedades y obtener su espectro de magnitud

SOLUCIÓN

Analizando el periodo:

6𝑡1 = 𝑇
𝑇
𝑡1 =
6
2𝜋
𝑇=
𝜔0
2𝜋
𝜔0 =
6𝑡1
𝝅
𝝎𝟎 =
𝟑𝒕𝟏
Recordando que, para funciones lineales:

𝑦(𝑡) = 𝑚𝑥 + 𝑏
𝑦1 − 𝑦0
𝑚=
𝑥1 − 𝑥0
Para 0 ≤ 𝑡 < 𝑡1
𝐴 𝑏=0
−0 𝐴
𝑚= 2 = 𝐴
𝑡1 − 0 2𝑡1
𝑦(𝑡) = 𝑡
2𝑡1
𝐴
𝑦(0) = 0 = (0) + 𝑏
2𝑡1
Para 2𝑡1 ≤ 𝑡 < 3𝑡1
𝐴 𝑏 = 2𝐴
−𝐴 𝐴
𝑚= 2 =− 𝐴
3𝑡1 − 2𝑡1 2𝑡1
𝑦(𝑡) = 𝑡 + 2𝐴
2𝑡1
𝐴
𝑦(2𝑡1 ) = 𝐴 = − (2𝑡1 ) + 𝑏
2𝑡1
Para 3𝑡1 ≤ 𝑡 < 4𝑡1
𝐴 𝑏=𝐴
−𝐴 − ( 2 ) 𝐴
𝑚= =− 𝐴
4𝑡1 − 3𝑡1 2𝑡1
𝑦(𝑡) = 𝑡+𝐴
2𝑡1
𝐴 𝐴
𝑦(3𝑡1 ) = − =− (3𝑡1 ) + 𝑏
2 2𝑡1
Para 5𝑡1 ≤ 𝑡 < 6𝑡1
𝐴 𝑏 = −3𝐴
−0 − ( 2 )𝐴
𝑚= = 𝐴
6𝑡1 − 5𝑡1 2𝑡1
𝑦(𝑡) = 𝑡 − 3𝐴
2𝑡1
𝐴 𝐴
𝑦(5𝑡1 ) = − = (5𝑡1 ) + 𝑏
2 2𝑡1
Entonces tenemos:
𝐴
𝑡; 0 ≤ 𝑡 < 𝑡1
2𝑡1
𝐴/2; 𝑡1 ≤ 𝑡 < 2𝑡1
𝐴
− 𝑡 + 2𝐴; 2𝑡1 ≤ 𝑡 < 3𝑡1
2𝑡1
𝑦(𝑡) =
𝐴
− 𝑡 + 𝐴; 3𝑡1 ≤ 𝑡 < 4𝑡1
2𝑡1
−𝐴/2; 4𝑡1 ≤ 𝑡 < 5𝑡1
𝐴
𝑡 − 3𝐴; 5𝑡1 ≤ 𝑡 < 6𝑡1
{ 2𝑡1
Función de la serie de Fourier:
∞
𝑎0
𝐹(𝑡) = + ∑[𝑎𝑛 cos(𝜔0 𝑛𝑡) + 𝑏𝑛 sen(𝜔0 𝑛𝑡)]
2
𝑛=1

𝑎0 :

1 𝑇
𝑎0 = ∫ 𝑓(𝑡) 𝑑𝑡
𝑇 0
𝑡1 2𝑡1 3𝑡1 4𝑡1 5𝑡1
1 𝐴 𝐴 𝐴𝑡 𝐴 𝐴
𝑎0 = [∫ ( 𝑡) 𝑑𝑡 + ∫ ( ) 𝑑𝑡 + ∫ (− + 2𝐴) 𝑑𝑡 + ∫ (− 𝑡 + 𝐴) 𝑑𝑡 ∫ (− ) 𝑑𝑡
6𝑡1 0 2𝑡1 𝑡1 2 2𝑡1 2𝑡1 3𝑡1 2𝑡1 4𝑡1 2
6𝑡1
𝐴𝑡
+∫ ( − 3𝐴) 𝑑𝑡]
5𝑡1 2𝑡1
 1 𝐴 2 𝑡1 𝐴 2𝑡1 𝐴 2 3𝑡1 𝐴 2 4𝑡1 𝐴 𝐴 2 6𝑡1
𝑎0 = { [𝑡 ]0 + [𝑡]𝑡1 − [𝑡 ]2𝑡1 + 2𝐴[𝑡]3𝑡 1
2𝑡1 − [𝑡 ]3𝑡1 + 𝐴[𝑡]4𝑡 1
3𝑡1 − [𝑡]5𝑡 1
4𝑡1 + [𝑡 ]5𝑡1
6𝑡1 4𝑡1 2 4𝑡1 4𝑡1 2 4𝑡1
6𝑡
− 3𝐴[𝑡]5𝑡11 }

1 𝐴 2 𝐴 5𝐴 2 7𝐴 2 𝐴 11𝐴 2
𝑎0 = [ 𝑡1 + 𝑡1 − 𝑡1 + 2𝐴𝑡1 − 𝑡1 + 𝐴𝑡1 − 𝑡1 + 𝑡 − 3𝐴𝑡1 ]
6𝑡1 4 2 4 4 2 4 1
1 𝐴 5𝐴 7𝐴 11𝐴 2 𝐴 𝐴
𝑎0 = [( − − + ) 𝑡 + ( + 2𝐴 + 𝐴 − − 3𝐴) 𝑡]
6𝑡1 4 4 4 4 2 2
𝒂𝟎 = 𝟎
𝑎𝑛 :

2 𝑇
𝑎𝑛 = ∫ 𝑓(𝑡) cos(𝜔0 𝑛𝑡) 𝑑𝑡
𝑇 0
𝑡1 2𝑡1 3𝑡1
2 𝐴 𝐴 𝐴
𝑎𝑛 = [∫ ( 𝑡) cos(𝜔0 𝑛𝑡) 𝑑𝑡 + ∫ ( ) cos(𝜔0 𝑛𝑡) 𝑑𝑡 + ∫ (− 𝑡 + 2𝐴) cos(𝜔0 𝑛𝑡) 𝑑𝑡
6𝑡1 0 2𝑡1 𝑡1 2 2𝑡1 2𝑡1
4𝑡1 5𝑡1
𝐴 𝐴
+ ∫ (− 𝑡 + 𝐴) cos(𝜔0 𝑛𝑡) 𝑑𝑡 ∫ (− ) cos(𝜔0 𝑛𝑡) 𝑑𝑡
3𝑡1 2𝑡 1 4𝑡1 2
6𝑡1
𝐴
+∫ ( 𝑡 − 3𝐴) cos(𝜔0 𝑛𝑡) 𝑑𝑡]
5𝑡1 2𝑡1

Al ser seno una función impar se tiene que:

𝑎𝑛 = 0
𝑏𝑛 :

2 𝑇 𝑛2𝜋𝑡
𝑏𝑛 = ∫ 𝑓(𝑡) sin ( ) 𝑑𝑡
𝑇 0 𝑇

𝑡1 2𝑡1 3𝑡1
2 𝐴 𝐴 𝐴
𝑏𝑛 = [∫ ( 𝑡) sen(𝜔0 𝑛𝑡) 𝑑𝑡 + ∫ ( ) sen(𝜔0 𝑛𝑡) 𝑑𝑡 + ∫ (− 𝑡 + 2𝐴) sen(𝜔0 𝑛𝑡) 𝑑𝑡
6𝑡1 0 2𝑡1 𝑡1 2 2𝑡1 2𝑡1
4𝑡1 5𝑡1
𝐴 𝐴
+ ∫ (− 𝑡 + 𝐴) sen(𝜔0 𝑛𝑡) 𝑑𝑡 ∫ (− ) sen(𝜔0 𝑛𝑡) 𝑑𝑡
3𝑡1 2𝑡 1 4𝑡1 2
6𝑡1
𝐴
+∫ ( 𝑡 − 3𝐴) sen(𝜔0 𝑛𝑡) 𝑑𝑡]
5𝑡1 2𝑡1

1 𝐴 𝑡1 𝐴 2𝑡1 3𝑡1
𝐴
𝑏𝑛 = [ ∫ 𝑡 sen(𝜔0 𝑛𝑡) 𝑑𝑡 + ∫ sen(𝜔0 𝑛𝑡) 𝑑𝑡 + ∫ (− 𝑡 + 2𝐴) sen(𝜔0 𝑛𝑡) 𝑑𝑡
3𝑡1 2𝑡1 0 2 𝑡1 2𝑡1 2𝑡1
4𝑡1
𝐴 𝐴 5𝑡1
+ ∫ (− 𝑡 + 𝐴) sen(𝜔0 𝑛𝑡) 𝑑𝑡 − ∫ sen(𝜔0 𝑛𝑡) 𝑑𝑡
3𝑡1 2𝑡1 2 4𝑡1
6𝑡1
𝐴
+∫ ( 𝑡 − 3𝐴) sen(𝜔0 𝑛𝑡) 𝑑𝑡 ]
5𝑡1 2𝑡1

Hallando

𝜋𝑛 𝜋𝑛
𝐴 𝑡 3𝐴𝑡1 [3 sin( 3 )−𝜋𝑛 cos( 3 )]
• 1
∫0 𝑡 sen(𝜔0 𝑛𝑡) 𝑑𝑡 =
2𝑡1 2(𝜋𝑛)2

𝑨 𝒕𝟏 𝟗𝑨𝒕𝟏 𝝅𝒏 𝟑𝑨𝒕𝟏 𝝅𝒏
∫ 𝒕 𝐬𝐞𝐧(𝝎𝟎 𝒏𝒕) 𝒅𝒕 = 𝐬𝐢𝐧 ( ) − 𝐜𝐨𝐬 ( )
𝟐𝒕𝟏 𝟎 𝟐(𝝅𝒏)𝟐 𝟑 𝟐𝝅𝒏 𝟑
 𝐴 2𝑡1 3𝐴𝑡1 2𝜋𝑛 𝜋𝑛
• ∫ sen(𝜔0 𝑛𝑡) 𝑑𝑡 = (− cos ( ) + cos ( ))
2 𝑡1 2𝜋𝑛 3 3

𝑨 𝟐𝒕𝟏 𝟑𝑨𝒕𝟏 𝟐𝝅𝒏 𝟑𝑨𝒕𝟏 𝝅𝒏

∫ 𝐬𝐞𝐧(𝝎𝟎 𝒏𝒕) 𝒅𝒕 = − 𝐜𝐨𝐬 ( )+ 𝐜𝐨𝐬 ( )
𝟐 𝒕𝟏 𝟐𝝅𝒏 𝟑 𝟐𝝅𝒏 𝟑

2𝜋𝑛 2𝜋𝑛
3𝑡 𝐴 3[−𝜋𝑛(−1)𝑛 𝐴𝑡1 +2𝜋𝑛𝑡1 cos( )+3𝐴𝑡1 sin( )]
• 1
∫2𝑡 (− 2𝑡 𝑡 + 2𝐴) sen(𝜔0 𝑛𝑡) 𝑑𝑡 = 3 3
1 1 2(𝜋𝑛)2

𝟑𝒕𝟏
𝑨 𝟑(−𝟏)𝒏 𝑨𝒕𝟏 𝟑𝒕𝟏 𝟐𝝅𝒏 𝟗𝑨𝒕𝟏 𝟐𝝅𝒏
∫ (− 𝒕 + 𝟐𝑨) 𝐬𝐞𝐧(𝝎𝟎 𝒏𝒕) 𝒅𝒕 = − + 𝐜𝐨𝐬 ( )+ 𝟐
𝐬𝐢𝐧 ( )
𝟐𝒕𝟏 𝟐𝒕𝟏 𝟐𝝅𝒏 𝝅𝒏 𝟑 𝟐(𝝅𝒏) 𝟑

4𝜋𝑛 4𝜋𝑛
4𝑡 𝐴 3[−𝜋𝑛(−1)𝑛 𝐴𝑡1 +2𝜋𝑛𝑡1 cos( 3 )+3𝐴𝑡1 sin( 3 )]
• 1
∫3𝑡 (− 2𝑡 𝑡 + 𝐴) sen(𝜔0 𝑛𝑡) 𝑑𝑡 =
1 1 2(𝜋𝑛)2

𝟒𝒕𝟏
𝑨 𝟑(−𝟏)𝒏 𝑨𝒕𝟏 𝟑𝒕𝟏 𝟒𝝅𝒏 𝟗𝑨𝒕𝟏 𝟒𝝅𝒏
∫ (− 𝒕 + 𝑨) 𝐬𝐞𝐧(𝝎𝟎 𝒏𝒕) 𝒅𝒕 = − + 𝐜𝐨𝐬 ( )+ 𝟐
𝐬𝐢𝐧 ( )
𝟑𝒕𝟏 𝟐𝒕𝟏 𝟐𝝅𝒏 𝝅𝒏 𝟑 𝟐(𝝅𝒏) 𝟑

𝐴 5𝑡 3𝐴𝑡 5𝜋𝑛 4𝜋𝑛

• − ∫4𝑡 1 sen(𝜔0 𝑛𝑡) 𝑑𝑡 = − 1 (− cos ( ) + cos ( ))
2 1 2𝜋𝑛 3 3

𝑨 𝟓𝒕𝟏 𝟑𝑨𝒕𝟏 𝟓𝝅𝒏 𝟑𝑨𝒕𝟏 𝟒𝝅𝒏

− ∫ 𝐬𝐞𝐧(𝝎𝟎 𝒏𝒕) 𝒅𝒕 = 𝐜𝐨𝐬 ( )− 𝐜𝐨𝐬 ( )
𝟐 𝟒𝒕𝟏 𝟐𝝅𝒏 𝟑 𝟐𝝅𝒏 𝟑

5𝜋𝑛 5𝜋𝑛
6𝑡 𝐴 3[6𝜋𝑛𝐴𝑡1 −6𝜋𝑛𝐴𝑡1 cos(2𝜋𝑛)+3𝐴𝑡1 sin(2𝜋𝑛)−𝜋𝑛𝐴𝑡1 cos( 3 )+3𝐴𝑡1 sin( 3 )]
• 1
∫5𝑡1 (2𝑡 𝑡 − 3𝐴) sen(𝜔0 𝑛𝑡) 𝑑𝑡 =
1 2(𝜋𝑛)2

6𝑡1
𝐴 9𝐴𝑡1 9𝐴𝑡1 9𝐴𝑡1 3𝐴𝑡1 5𝜋𝑛 9𝐴𝑡1 5𝜋𝑛
∫ ( 𝑡 − 3𝐴) sen(𝜔0 𝑛𝑡) 𝑑𝑡 = − cos(2𝜋𝑛) + sin(2𝜋𝑛) + cos ( )+ sin ( )
5𝑡1 2𝑡1 𝜋𝑛 𝜋𝑛 2(𝜋𝑛)2 2𝜋𝑛 3 2(𝜋𝑛)2 3

𝟔𝒕𝟏
𝑨 𝟑𝑨𝒕𝟏 𝟓𝝅𝒏 𝟗𝑨𝒕𝟏 𝟓𝝅𝒏
∫ ( 𝒕 − 𝟑𝑨) 𝐬𝐞𝐧(𝝎𝟎 𝒏𝒕) 𝒅𝒕 = 𝐜𝐨𝐬 ( )+ 𝐬𝐢𝐧 ( )
𝟓𝒕𝟏 𝟐𝒕𝟏 𝟐𝝅𝒏 𝟑 𝟐(𝝅𝒏)𝟐 𝟑

3𝐴𝑡1 𝜋𝑛 3𝐴𝑡1 2𝜋𝑛 3𝐴𝑡1 𝜋𝑛 3(−1)𝑛 𝐴𝑡1 3𝑡1 2𝜋𝑛

𝑏𝑛 = − cos ( ) − cos ( )+ cos ( ) − + cos ( )
2𝜋𝑛 3 2𝜋𝑛 3 2𝜋𝑛 3 2𝜋𝑛 𝜋𝑛 3
𝑛
9𝐴𝑡1 2𝜋𝑛 3(−1) 𝐴𝑡1 3𝑡1 4𝜋𝑛 9𝐴𝑡1 4𝜋𝑛
+ 2
sin ( )− + cos ( )+ 2
sin ( )
2(𝜋𝑛) 3 2𝜋𝑛 𝜋𝑛 3 2(𝜋𝑛) 3
3𝐴𝑡1 5𝜋𝑛 3𝐴𝑡1 4𝜋𝑛 3𝐴𝑡1 5𝜋𝑛
+ cos ( )− cos ( )+ cos ( )
2𝜋𝑛 3 2𝜋𝑛 3 2𝜋𝑛 3

3𝐴𝑡1 3𝐴𝑡1 𝜋𝑛 3𝐴𝑡1 3𝑡1 2𝜋𝑛 3𝑡1 3𝐴𝑡1 4𝜋𝑛

𝑏𝑛 = (− + ) cos ( ) + (− + ) cos ( )+( − ) cos ( )
2𝜋𝑛 2𝜋𝑛 3 2𝜋𝑛 𝜋𝑛 3 𝜋𝑛 2𝜋𝑛 3
3𝐴𝑡1 3𝐴𝑡1 5𝜋𝑛 9𝐴𝑡1 2𝜋𝑛 9𝐴𝑡1 4𝜋𝑛 3(−1)𝑛 𝐴𝑡1
+( + ) cos ( )+ 2
sin ( )+ 2
sin ( )−
2𝜋𝑛 2𝜋𝑛 3 2(𝜋𝑛) 3 2(𝜋𝑛) 3 2𝜋𝑛
3(−1)𝑛 𝐴𝑡1
−
2𝜋𝑛

3𝐴𝑡1 6𝑡1 2𝜋𝑛 6𝑡1 3𝐴𝑡1 4𝜋𝑛 3𝐴𝑡1 5𝜋𝑛 9𝐴𝑡1 2𝜋𝑛
𝑏𝑛 = (− + ) cos ( )+( − ) cos ( )+ cos ( )+ sin ( )
2𝜋𝑛 2𝜋𝑛 3 2𝜋𝑛 2𝜋𝑛 3 𝜋𝑛 3 2(𝜋𝑛) 2 3
9𝐴𝑡1 4𝜋𝑛 3(−1)𝑛 𝐴𝑡1
+ sin ( ) −
2(𝜋𝑛)2 3 𝜋𝑛
 6𝑡1 2𝜋𝑛 4𝜋𝑛 3𝐴𝑡1 2𝜋𝑛 4𝜋𝑛 3𝐴𝑡1 5𝜋𝑛
𝑏𝑛 = [cos ( ) + cos ( )] − [cos ( ) + cos ( )] + cos ( )
2𝜋𝑛 3 3 2𝜋𝑛 3 3 𝜋𝑛 3
9𝐴𝑡1 2𝜋𝑛 9𝐴𝑡1 4𝜋𝑛 3(−1)𝑛 𝐴𝑡1
+ 2
sin ( )+ 2
sin ( )−
2(𝜋𝑛) 3 2(𝜋𝑛) 3 𝜋𝑛

𝑨 𝟒𝝅𝒏
𝒃𝒏 = {𝟐𝝅𝒏[(−𝟏)𝒏 + 𝟏] − 𝝅𝒏 [𝟒 𝐜𝐨𝐬 ( )]}
𝟐(𝝅𝒏)𝟐 𝟑

ESPECTRO DE MAGNITUD

𝑓(𝑡) = 𝑐0 + ∑ 𝑐𝑛 cos(𝑛𝜔0 𝑡 + 𝜙𝑛 )
𝑛=1

Donde

𝑏𝑛
𝑐𝑛 = √𝑎𝑛 2 + 𝑏𝑛 2 𝜙𝑛 = tan−1 ( )
𝑎𝑛

Para:

• 𝑛=1
𝑐𝑛 = 0.333

• 𝑛=2
𝑐𝑛 = 0.204

• 𝑛=3
𝑐𝑛 = 0.203

• 𝑛=4
𝑐𝑛 = 0.203

• 𝑛=5
𝑐𝑛 = 0.202
Hallando el espectro de magnitud:

𝑏𝑛
𝜃𝑛 = 𝑎𝑟𝑐𝑡𝑔 ( )
𝑎𝑛
Para:

• 𝑛=1
𝜃𝑛 = 0

• 𝑛=2
𝜋
𝜃𝑛 =
10
• 𝑛=3
 𝜋
𝜃𝑛 =
5
• 𝑛=4
3𝜋
𝜃𝑛 =
10
• 𝑛=5
2𝜋
𝜃𝑛 =
5
7.3 Implementar un archivo .m, de la figura n°02 y graficar su serie de Fourier, su espectro en
magnitud y fases.

La función mostrada en la figura n°02, y(t), tiene una amplitud A, y un periodo T.

Figura n°02
syms t n
A=[0 1 2 3 4 5 6];
f=[t 1 -t+4 -t+2 -1 t-6];
f=sym(f);
T=max(A)-min(A);
wo=2*pi/T;
Ao=0;
for i=1:length(f)
Ao=Ao+int(f(i),'t',A(i),A(i+1));
end
Ao=simplify(Ao/(T))
An=0;
for i=1:length(f)
An=An+int(f(i)*cos(n*wo*t),A(i),A(i+1));
end
An=simplify(2*An/T)
Bn=0;
for i=1:length(f)
Bn=Bn+int(f(i)*sin(n*wo*t),A(i),A(i+1));
End
7.4 Explique cuál es la utilidad/es en la vida real de las gráficas en el dominio de la frecuencia.
Indique 2 ejemplos.

El análisis de señales puede tener su mayor utilidad en la identificación de la composición

sobre los sonidos de los materiales, para su reproducción artificial, tales como podría ser:

• Identificación del espectro de instrumentos musicales

Esta utilidad ayuda a identificar las señales que componen un audio en un estudio, las
cuales, de ser necesario, pueden modificarse energizando ciertas frecuentas, evaluar si
existe ruido o eliminar frecuencias que no sean necesarias.

• Resonancias Magnéticas

Las resonancias magnéticas son exámenes médicos con los cuales se pueden evaluar el
interior del cuerpo de un paciente si necesidad de hacerle alguna operación invasiva. El
diseño de estas máquinas requiere una modulación precisa, debido a que es un proceso
que se realiza a muy altas frecuencias.

7.5 Conclusiones y Recomendaciones

• El análisis la frecuencia trae muchos usos prácticos a la humanidad, debido a la

facilidad con la que se puede manejar las señales y cómo se desean trabajar.
• El análisis de señales de Fourier es una herramienta útil y necesaria para el análisis de
señales analógicas y digitales, pudiendo con ella analizar una señal desde la
perspectiva de la frecuencia y mas aun pudiendo manipularla de acuerdo a lo que se
necesite.