SEÑALES Y SISTEMAS

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

Presentado por:

JUAN CARLOS IDARRAGA

Código: 1044100603

OSCAR ANDRES GARCIA

Código: 1037605290

ALEXANDER GUERRA

Grupo: 203042

Presentado a:

FAVER ADRIAN AMOROCHO

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD

CEAD CALI

ABRIL DE 2019
CUERPO O CONTENIDO DEL TRABAJO

CONTENIDO.....................................................................................................................2
1. INTRODUCCION........................................................................................................3
2. OBJETIVOS...............................................................................................................4
4. ACTIVIDADES A REALIZAR....................................................................................5
5. CONCLUSION.........................................................................................................37
6. REFERENCIAS BIBLIOGRÁFICAS........................................................................38
 INTRODUCCION

Tanto en la Ingeniería de Telecomunicaciones y la Ingeniería Electrónica, como en las áreas

afines, tiene cada vez mayor importancia el procesamiento de señales ya que están presente
en casi todas las aplicaciones que manejamos a diario, desde los celulares, la
transmisión de señales equipos médicos y juegos, entre otros.
El estudiante aplica la convolución continua y discreta utilizando los métodos
gráficos, analíticos y tabulares mediante la resolución de ejercicios.
Mediante la solución de ejercicios analiza las series y transformadas de Fourier,
con el fin de comprender el comportamiento de las señales continuas en el
dominio de la frecuencia.
 OBJETIVOS

En esta actividad complementamos y definimos, temas que se utilizaran a lo largo

de esta asignatura como son:

 Convolución discreta y continua

 Correlación continua y discreta
 Series de Fourier
 Transformada continua de Fourier
Seguir afianzando más el conocimiento sobre el tema de las señales en el área de
las Telecomunicaciones, aplicando en el aprendizaje un razonamiento sistemático
de técnicas operacionales de diseño y procesamiento de las señales.
ACTIVIDADES A DESARROLLAR
APORTE JUAN CARLOS IDARRAGA

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.

La convolución es un método matemático que permite determinar las respuestas

de estado cero de los sistemas lineales e invariantes en el tiempo (LTI). Esta

herramienta se utiliza para superponer dos señales con el fin de generar una

tercer. La convolución existe para el dominio continuo y el dominio discreto.

Convolución Continua

La convolución continua como su nombre lo indica, es la operación que se realiza

con señales continuas. La representación matemática de esta operación es:

y ( t )=x ( t )∗h ( t ) (1)

Y se resuelve mediante la integral de convolución

∞
y ( t )=x ( t )∗h ( t )=∫ x ( λ ) h ( t−λ ) dλ ( 2 )
−∞

Para realizar la convolución se realiza un “cambio de variable” como t =λ y se

desplaza una de las señales en un factor de t , en la ecuación 2 h(t− λ) se

encuentra despalzada t unidades con respecto a x ( λ) . Como se necesita

determinar el área del producto de estas señales en todo el dominio, se realiza la

integral desde -∞ hasta ∞.

Convolución Discreta

Esta es utilizada para señales digitales, y su representación matemática está dada

por la ecuación 3

y [ n ] =x [ n ]∗h [ n ] ( 3)

Al igual que la convolución en el tiempo, es necesario determinar el área

producida por la superposición de las señales superpuestas, por lo cual se utiliza

la sumatoria dada en la ecuación 4.

k =∞
y [ n ] =x [ n ]∗h [ n ] = ∑ x [ k ] h [n−k ](4 )
k=−∞

Ejemplos:

 Para determinar promedios móviles en Estadística.

 En los principios de superposición en los fenómenos físicos.

 En óptica se utiliza la convolución para explicar las “manchas”, efectos

borrosos, entre otros.

 En probabilidad para los procesos estocásticos, se utiliza la convolución en

variables aleatorias.

b- ¿Qué es estabilidad y causalidad de sistemas LTI?

Un sistema LTI es estable si cumple con las ecuaciones 5 o 6, para sistemas

continuos y discretos respectivamente.

 ∞

∫ |h(t )|dt< ∞( 5)
−∞

∑|h(n)|<∞(6)
−∞

Por lo cual, para una entrada acotada, la salida del sistema debe estar acotado y

no tender al infinito.

En cuanto a la causalidad de los sistemas LTI, podemos decir que un sistema es

causal si la salida no anticipa valores futuros de la entrada, por lo cual h ( t )=0

para t< 0 y h[ n]=0 para n<0.

c- Explique que es correlación y de un (1) ejemplo de uso y/o aplicación en la

ingeniería.

La correlación es similar a la convolución con la diferencia de que la señal que se

traslada a través de la señal fija no es reflejada. Las ecuaciones 7, 8 y 9 describen

las operaciones matemáticas.

∞
r xx ( t )=x ( t )∗¿ x ( t )=∫ x ( λ ) x ( λ−t ) dλ ( 7 )
−∞

∞
r xy ( t )=x ( t )∗¿ y (t )= ∫ x ( λ ) y ( λ−t ) dλ ( 8 )
−∞

∞
r yx ( t )= y ( t )∗¿ x ( t )=∫ y ( λ ) x ( λ−t ) dλ ( 9 )
−∞

La correlación suele utilizarse para realizar filtros de igualación, que detecten

retrasos.
d- Explique qué es auto correlación y de un (1) ejemplo de uso y/o aplicación en la

ingeniería.

La auto correlación es una operación conmutativa en la cual se aplica la

correlación de una señal consigo misma (ver ecuación 5). La auto correlación es

simétrica y par para funciones reales, esta tiene valor máximo en el origen, es

finita y positiva para todo instante de tiempo.

Esta se aplica en procesos estadísticos como la detección anomalías

gravimétricas y las profundidades en fronteras geofísicas calculadas por el Método

de Correlación de Ondas Refractadas (MCOR) a fin de establecer ecuaciones de

regresión para cartografía.

e- ¿Cuál es la diferencia de correlación continua y correlación discreta?

La diferencia son los dominios en los que estas se trabajan, por lo cual la

correlación continua halla la similitud entre las señales, mientras que la discreta

busca la similitud entre los puntos.

f- ¿Qué son las series de Fourier?

Es una herramienta matemática utilizada para el análisis de funciones periódicas,

mediante la descomposición de las señales en infinitas funciones sinusoidales de

menor complejidad.

Las series de Fourier se determinan mediante la ecuación 10.

a0 ∞
x ( t )=
2 n=1 n[
+ ∑ a cos
2 nπ
T
t+b n sin
2 nπ
T ]
t (10)
En donde a0 , an y bn son los coeficientes de la serie de Fourier las ecuaciones 11,

12 y 13 permiten determinar estos coeficientes.

t 0+T
2
a0 =
T ∫ x ( t ) dt(11)
t0

t 0+T
2
an =
T ∫ x ( t ) cos wn dt (12)
t0

t 0+T
2
bn =
T ∫ x ( t ) sin wn dt (13)
t0

g- ¿Qué es la transformada Continua de Fourier? De dos (2) ejemplos de uso y/o

aplicación en la ingeniería.

APORTE ALEXANDER GUERRA RYNALDY

Tarea 2 - Señales en el dominio de la frecuencia

1. Definición de conceptos: estudiando el libro de (Ambar), 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.
R/ La convolución es un valor que se extiende a todos los sistemas que son
LTI (linear time invariant) y aplica tanto para señales continuos como para
señales discretas, Las principales aplicaciones actuales de la convolución
se presentan en el procesamiento digital de señales, Ejemplos, Sistemas de
análisis de imágenes, Sistemas de reconocimiento de voz, sistemas de
predicción y procesamiento de voz.
b- ¿Qué es estabilidad y causalidad de sistemas LTI?
R/ Estabilidad: Para un sistema LTI la estabilidad puede analizarse en los
dos tipos de respuesta usuales (estado y entrada cero).
Estabilidad externa, o entrada-salida, se refiere a la estabilidad del
sistema con condiciones iniciales nulas.
Estabilidad interna, se refiere a la estabilidad del sistema autónomo (sin
entradas).En un sistema inestable cualquier perturbación, por pequeña que
sea, llevará a estados y/o salidas a crecer sin límite o hasta que el sistema
se queme, se desintegre o sature.
Causalidad: Un sistema es causal si este no depende de entradas futuras
para determinar la salida. Es decir los sistemas causales obtienen su salida
debido a las entradas pasadas.
Un ejemplo de un sistema no causal es aquel al detectar que viene una
entrada entrega una salida antes de que la entrada llegue.

c- Explique que es correlación y de un (1) ejemplo de uso y/o aplicación en

la ingeniería.
R/ La correlación de señales es una forma de medir cuanta similitud existe
entre dos señales, en otras palabras que tan parecidas son entre sí.
d- Explique qué es auto correlación y de un (1) ejemplo de uso y/o
aplicación en la ingeniería.
R/ La auto correlación es la correlación de la señal con ella misma
desplazada en el tiempo. Es decir, que tan parecida será ella dentro de un
instante denominado τ (tao).

e- ¿Cuál es la diferencia de correlación continua y correlación discreta?

R La correlación continua evalúa la cantidad de similitud que existe entre
ambas señales, y la correlación discreta evalua la similitud que existe entre
sus puntos.

f- ¿Qué son las series de Fourier?

R/ Es una serie infinita que converge puntualmente a una función periódica
y continua a trozos (o por partes), básicamente permite representar
cualquier función como una suma de funciones senooidales.

g- ¿Qué es la transformada Continua de Fourier? De dos (2) ejemplos de

uso y/o aplicación en la ingeniería.
R/ La transformada continua de Fourier es un algoritmo matemático que
permite trasladar una señal del dominio del tiempo al dominio de la
frecuencia y vice-versa con la transformada inversa.
Permite el análisis de espectrogramas y ver las componentes principales en
frecuencia de una señal especifica. Es muy útil en procesos de
reconocimientos de voz, filtrado de señales, transmisión en bandas
específicas.

Evaluar procesos de modulación y demodulación de señales. Y

descomponer la señal en componentes moduladas y moduladoras.

Nota: Después de realizar la lectura del libro guía se debe estructurar con
sus propias palabras la definición de los temas, esto no debe tener una
extensión mayor a 4 páginas.
 Convolucion Continua:
El método de convulsión se para encontrar la respuesta de estado cero
Y(T), se aplican en los sistemas lineales invariantes en el tiempo, se asume
que el sistema es descrito, por medio de su respuesta al impulso H(T).

Es importante conocer la estructura de una convolución continua en forma matemática:

La ecuación anterior describe la forma general de la convolución, sin embargo se debe recordar
que la longitud de la función h(n), esfinita y su máximo es M, por lo tanto la
ecuación se puede reescribir de la siguiente forma.
Cada vez que una muestra de la salida y(n), es calculada por medio de la convolución, se
requieren M, muestras de la señal x(n), incluida la muestra actual, esto quiere decir que
para hacer la convolución se debe tener presente la necesidad de un campo de
memoria igual a M para guardar las últimas muestras durante el proceso.

Convolucion Discreta:
La convulsión discreta en el tiempo es un método para encontrar la respuesta de
estado cero de sistemas relajados lineales en invariables en el tiempo (LTI).
Se basa en los conceptos de lineal e invariante en el tiempo y considera que la
información de los sistemas se conoce en términos de su respuesta al impulso
H[n].

Es necesario, pues, una aproximación numérica. Para realizar la convolución entre

dos señales.

Correlación Continua y Discreta:

Una correlación o atributo esencial de una variable continua es que, a diferencia
de una variable discreta, nunca puede ser medida con exactitud; el valor
observado depende en gran medida de la precisión de los instrumentos de
medición. Con una variable continua hay inevitablemente un error de medida, no
es precisa.

Una variable discreta es una variable que no puede tomar algunos valores dentro
de un mínimo conjunto numerable, quiere decir, no acepta cualquier valor,
únicamente aquellos que pertenecen al conjunto. En estas variables se dan de
modo coherente separaciones entre valores observables sucesivos. Dicho con
más rigor, se determina una variable discreta como la variable que hay entre dos
valores observables (potencialmente), hay por lo menos un valor no observable
(potencialmente). Como ejemplo, el número de animales en una granja (0, 1, 2, 3,
4, 5, 6, 7, ......). Otro ejemplo sería el número de hijos en una familia (1; 2; 3; 4...).
Una variable continua puede tomar un valor fijo dentro de un intervalo
determinado. Y siempre entre dos valores observables va a existir un tercer valor
intermedio que también podría tomar la variable continua. Una variable continua
toma valores a lo largo de un continuo, esto es, en todo un intervalo de valores. Un
atributo esencial de una variable continua es que, a diferencia de una variable
discreta, nunca puede ser medida con exactitud; el valor observado depende en
gran medida de la precisión de los instrumentos de medición..

Series de Fourier:
La seria de Fourier (FS), describe una señal periódica x p (t) , como una suma de
combinaciones lineales, cuando se combinan señales periódicas con frecuencias
conmensurables, lo que se obtiene es otra señal periódica.
La serie de Fourier también produce el error cuadrático medio más pequeño en la
potencia entre x p (t) , y su representación en serie, independientemente del
número de términos armónicos.
Las técnicas de análisis de Fourier de tiempo continuo son ampliamente útiles
para analizar y conocer las propiedades de las señales y sistemas de tiempo
continuo. Por otro lado, las técnicas del análisis de Fourier de tiempo discreto son
de igual manera útiles en el estudio de señales y sistemas de tiempo discreto.

Transformada continúa de Fourier:

La transformada Fourier de una señal unidimensional o función continua f(x) es
una transformación de dicha señal que nos permite calcular la contribución de
cada valor de frecuencia a la formación de la señal.
Las series de Fourier son útiles para el estudio de señales periódicas, pero,
desafortunadamente, este tipo de señales no son tan frecuentes en la práctica
como las no- periódicas.
En pocas palabras es una transformación de una función del tiempo en otra
función de la frecuencia. Es decir, dada una función que te dice cuánto hay de una
cantidad en cada instante de tiempo, la transformada te da otra función que te dice
la cantidad que tiene la anterior función en cada frecuencia.
También se dice que la función original está en el ‘dominio del tiempo’ y la
transformada la pasa al ‘dominio de la frecuencia’.
La forma trigonométrica de la serie de Fourier de una señal periódica x p (t) , es
simplemente una combinación lineal de seños y cosenos con frecuencias iguales a
los múltiplos de su frecuencia fundamental x 0=1/t ¿ .

APORTE JUAN CARLOS IDARRAGA

La transformada continua de Fourier está dada por la ecuación 14 utilizada para

trasformar señales en el dominio del tiempo a señales en el dominio de la

frecuencia o viceversa, con el fin de determinar factores o fenómenos que no son

visibles en un dominio u otro.

∞
X ( s )=F| x ( t )|= ∫ x ( t ) e− jst dt (14)
−∞

Esta transformada cuenta con propiedades de escalamiento, traslación,

transformada para derivadas e integrales.

Aplicaciones:

En las telecomunicaciones se utiliza la transformada de Fourier para determinar el

ancho de banda que ocupa la energía que se transmite.

Esta transformada se utiliza para resolver ecuaciones diferenciales que lleven al

diseño de controladores.
2. Ejercicios: Cada estudiante de manera individual debe resolver los siguientes

cuatro (4) ejercicios.

Nota: la constante “a” corresponde al último digito del número de su grupo, y la

constante si “a” es cero, o “b” es cero utilice a=3, o b=3 según sea el caso.

a=1; b=3.

2.1. 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 �(�) y ℎ(�) descritas a continuación:

Ítem grupal
−at
x (t)=(a−e )u( t)
−at
h(t )=e u(t−a)

las ecuaciones a trabajar son:

x (t)=(1−e−t )u(t)

h(t )=e−t u(t−1)

realizamos “cambio” de dominio a λ y translación para x(λ) en un factor de t

x ( t−λ )=( 1−e−(t− λ ) ) u ( t− λ )

h( λ)=e−λ u (λ−1)

y operamos para hallar y(t)

∞
y ( t )= ∫ e−λ u (λ−1) ( 1−e−(t − λ )) u ( t−λ ) dλ
−∞

Limites:

u ( t−λ ) =0, λ>t

 u ( λ−1 )=0, λ<1

reemplazamos los limites

t
y ( t )=∫ e−λ ( 1−e−( t− λ )) dλ
1

e−λ −¿ e−λ e−( t− λ ) dλ

t

y ( t )=∫ ¿
1

t t
y ( t )=∫ e dλ−∫ e e− t − λ dλ
−λ −λ ( )

1 1

t t
y 1 ( t )=∫ e dλ y 2 ( t )=∫ e e− t− λ dλ
−λ −λ ( )
Entonces y ( t ) = y 1 ( t )− y 2 ( t ) en donde y
1 1

La solución a y 1 ( t ) es:

t
y 1 ( t )=∫ e−λ dλ=−e−t + e−1 , t ≥ 1
1

Con el ejemplo 6.2.b del libro guía

t t
y 2 ( t )=∫ e e ∫ d λ=e−t ( t−1 ) , t ≥ 1
−λ − ( t− λ ) −t
dλ=e
1 1

Sumando los valores obtenidos

y ( t )=[−e−t + 0,3678−e−t ( t−1 ) ]u(t−1)

e−t ¿ u(t−1)
y ( t )=¿
−t
y ( t )=[e (−1−t +1)+0,3678]u (t−1)

y ( t )=[e−t t+0,3678]u(t−1)
−t
y ( t )=[te +0,3678]u(t−1)
2.2 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[�]), a la entrada �[�]. 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):

[�] = [−1, �, 22̌, �, �, 4]

ℎ[�] = [ 2.5, �2̌, 0.5]

los vectores a trabajar son:

[�] = [−1, 1, 22̌’ 1, 3, 4]

ℎ[�] = [ 2.5, 3’, 0.5]

tenemos x [ n ]=−δ [ n+ 2 ] + δ [ n+1 ] +2 δ [ n ] + δ [ n−1 ] +3 δ [ n−2 ] +4 δ [n−3]

h[n] 2.5 3 0.5

x[n] -1 1 2 1 3 4
Entrada Respuest

a
−δ [ n+2 ] −h [ n+2 ] -2.5 -3 -0.5
δ [ n+1 ] h [ n+1 ] 2.5 3 0.5
2 δ [ n] 2 h [n ] 5 6 1
δ [ n−1 ] h [ n−1 ] 2.5 3 0.5
3 δ [ n−2 ] 3 h [ n−2 ] 7.5 9 1.5
4 δ [n−3] 4 h[n−3 ] 10 12 2
Suma=x[n] Suma=y[n] -2.5 0.5 7.5 9 11.5 19.5 13.5 2

Entonces

y [ n ] =[−2.5,0.5, 7.5, 9' ,11.5, 19.5, 13.5,2]

y [ n ] =−2.5 δ [ n+3 ] +0.5 δ [ n+2 ] +7.5 δ [ n+1 ] +9 δ [ n ] +11.5 δ [ n−1 ] +19.5 δ [ n−2 ] +13.5 δ [ n−3 ] +2 δ [n−4]

a continuación, se presentan las gráficas de x[n], h[n] y y[n].

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 (�) y calcule

los

coeficientes trigonométricos de la serie de Fourier.

a) (�) = 3 ∗ 𝑟𝑒𝑐�(� − �) con T=4 s

• Encuentre los coeficientes �0, �� y ��

Nota: Para encontrar los coeficientes de la serie de Fourier, se tienen las

siguientes expresiones matemáticas:

La función a utilizar es
 x (t)=3∗rect (t−3)

y la gráfica de la función x(t) se encuentra en la Figura 1

Figura 1. Gráfica de x(t) en tres periodos.

Hallamos a0 .
6.5
1
a0 = ∫ x ( t ) dt
4 2.5

3.5
3 dt+ ¿ ∫ 0 dt
2.5
3.5

∫¿
2.5
1
a 0= ¿
4

1
a0 =
4
[ 3∗( 3.5−2.5 ) ]

3
a0 =
4

Hallamos a k .
 6.5
2
a k= ∫ x ( t ) cos 2 πkf 0 t dt
4 2.5

6.5
1
3 cos 2 πkf 0 t dt+¿ ∫ 0 cos 2 πkf 0 t dt
2 3.5
3.5
1
ak= ∫ ¿
2 2.5

3.5
1
a k = ∫ 3 cos 2 πkf 0 t dt
2 2.5

3
ak= sin 2 πkf 0 t ¿2.53.5
2∗2 πkf 0

1 1
f 0= = =0.25
T 4

3
ak= [sin 0.5 πk ( 3.5 )−sin 0.5 πk ( 2.5 ) ]
πk

3
ak= [sin 1.75 πk−sin1.25 πk ]
πk

ak=
3
πk [ 7 5
]
sin πk −sin πk , k =2,3,5,6,10 …
4 4

Hallamos bk .
6.5
2
bk = ∫ x ( t ) sin 2 πkf 0 t dt
4 2.5

6.5
1
3 sin 2 πkf 0 t dt +¿ ∫ 0 sin 2 πkf 0 t dt
2 3.5
3.5
1
bk = ∫ ¿
2 2.5

3.5
1
bk = ∫ 3 sin 2 πkf 0 t dt
2 2.5
 −3 3.5
bk = cos 2 πkf 0 t ¿ 2.5
2∗2 πkf 0

−3
bk = [cos 0.5 πk ( 3.5 )−cos 0.5 πk ( 2.5 ) ]
πk

bk =
−3
πk [ 7 5
cos πk −cos πk , k=1,3,5,…
4 4 ]
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 �(�) y �(�), 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):

 a. la función x(t) se puede ver como la suma de dos funciones rectangulares.

De ancho b=3, una con amplitud positiva y otra negativa, desfasadas b

unidades.

x ( t )=m ( t ) + n(t)

t
m ( t )=−rect ( −0.5)
3

t
n ( t )=rect ( −1.5)
3

x ( t )=−rect ( 3t −0.5)+rect ( 3t −1.5)

Aplicando la transformada de Fourier

X ( f )=−3 e− j 2 π 0.5 f senc ( 3 f ) +3 e− j 2 π 0.25 f senc(3 f )

X ( f )=3 senc ( 3 f ) [−e− jπf + 3 e− j 0.5 πf ]

b. la función y (t ) se puede ver como una señal sinusoidal multiplicada por

T
un rectángulo. El periodo de la señal sinusoidal es =2 entonces
2

T =4

y ( t )=z ( t )+ x ( t )

z ( t )=sin ( 2Tπ t )
t
x ( t )=rect ( −1)
2

y ( t )=sin ( 2Tπ t ). rect ( 2t −1)

 y ( t )=sin ( 24π t ). rect ( 2t −1)
t
y ( t )=sin ( 2 π 0.25 t ) . rect ( −1)
2

La transformada de Fourier para

z ( t )=sin ( 2 π 0.25t )

Es

Z ( f )= j 0.5 [ δ ( f +0.25 ) +δ ( f −0.25 ) ]

y para

t
x ( t )=rect ( −1)
2

Es
− j 2 πf − j 2 πf
e f e
X ( f )=
0.5
senc ( )
0.5
=
0.5
senc (2 f )

1
Y (f )= Z ( f )∗X (f )
2π
− j 2 πf
1 [ δ ( f + 0.25 )+ δ ( f −0.25 ) ]∗e
Y (f )= j 0.5 senc(2 f )
2π 0.5
− j 2 πf
j0.5 e
Y (f )= [ δ ( f + 0.25 ) +δ ( f −0.25 ) ]∗senc(2 f )
2 π 0.5
− j 2 πf
je
Y (f )= [ senc(2 f + 0.25)+ senc (2 f −0.25) ]
2π

APORTES OSCAR GARCIA

CONVOLUCIÓN
La convolución es un sencillo operador matemático que convierte dos funciones A
y B en una
tercera que representa la magnitud en la que se superponen A y una traslación
invertida de B. Se denota con el símbolo *

CONVOLUCIÓN DISCRETA
Esta es una representación de un sistema discreto mediante su respuesta al
impulso.
en la realización de un procesamiento digital de señal no es coherente aplicar
estrictamente convolución como definición ya que solo se dispone de valores en
instantes discretos de tiempo. por tanto, se requiere, una aproximación numérica.
de manera que podemos caracterizar un sistema en el dominio del tiempo y es
mediante su respuesta al impulso.

CONVOLUCIÓN EN TIEMPO CONTINUO

al hablar de convolución en tiempo continuo, nos referimos a los sistemas LTI, que
trabajan con señales continuas para esto se emplea una técnica conocida como la
integral de convolución.
al tener una señal continua la podemos representar como una sumatoria de
impulsos, se resuelve mediante;
∞
y ( t )=x ( t )∗h ( t )=∫ ( x ( λ ) h ( t−λ ) dλ )
−∞

APLICACIONES
 En acústica, un eco es la convolución del sonido original con una función
que represente los objetos variados que lo reflejan.
 En ingeniería eléctrica, electrónica, la salida de un sistema lineal
(estacionario o bien tiempo-invariante o espacio-invariante) es la
convolución de la entrada con la respuesta del sistema a un impulso.
 En el tratamiento digital de imágenes, Una fotografía desenfocada es la
convolución de la imagen correcta con el círculo borroso formado por el
diafragma del iris.

ESTABILIDAD DE SISTEMAS LTI

Para tener en cuenta los sistemas LTI tiene un solo estado de equilibrio, con esto
nos referiríamos a la estabilidad de un solo punto del sistema.
por tanto, tenemos que un sistema LTI es estable si entradas acotadas producen
salidas acotadas

CAUSALIDAD DE SISTEMAS LTI

La salida de un sistema causal depende solo de los valores
presentes y pasados de la entrada al mismo. Usando la suma e integral de
convolución
relacionamos esta propiedad con una propiedad correspondiente de la respuesta
al impulso
de un sistema LTI. En concreto, para que un sistema LTI discreto sea causal, y[n]
no debe
depender de y[t], para t > n. De la ecuación:

CORRELACIÓN
La correlación de dos funciones reales es una operación de similares
características a la convolución con la salvedad de que no giraremos alrededor del
origen los valores de una de las funciones. La expresión matemática para esta
operación es:
∞
f ( x ) o g ( x ) =h ( x ) =∫ f ( x ) g (x + z)dz
−∞

Bajo las mismas condiciones que establecimos en la convolucion en el caso

discreto, la expresión de la correlación de funciones discretas reales es:
M−1
f ( x ) o g ( x ) = ∑ f ( m) g(x +m)
m−0

Para x=0,1, … , M −1 De manera similar se pueden transcribir las expresiones

de la correlación en el caso bidimensional.
De forma paralela a como vimos que existía un teorema de convolución ahora
podemos enunciar un Teorema de Correlación, que nos dice como se calcula la
correlación entre dos funciones a partir de las TF de dichas funciones. El teorema
establece que la TF de la correlación entre dos funciones es igual al producto de la
transformada Fourier conjugada de una de ellas por la otra. Es decir;

¿
F { f ( x ) o g(x ) }=F ( u ) ∙G(u)

Donde F¿ ( u )=R ( u )−i ∙ I (u)

Al igual que la convolución, la correlación es una operación básica del

procesamiento de imágenes digitales. La correlación es la operación básica en los
procesos de búsqueda de patrones por emparejamiento. Por tanto, disponer de
algoritmos que calculen de una forma eficiente estas operaciones es del mayor
interés La figura muestra el resultado de correlacionar dos funciones.
AUTOCORRELACIÓN

La función de autocorrelación se define como la correlación cruzada de la señal co

nsigo misma. La función de autocorrelacion resulta de gran utilidad para encontrar
patrones repetitivos dentro de una señal.
ejemplo; la periocidad de una señal enmascarada bajo el ruido o para identificar la
frecuencia fundamental de una señal que no contiene dicho componente, pero
aparecen numerosas frecuencias armónicas de esta.

DIFERENCIA DE CORRELACIÓN CONTINUA Y CORRELACIÓN DISCRETA

La diferencia es el conjunto de caracteres o dominio en el que trabajan cada una

de ellas.

SERIES FOURIER

Está basada en una señal de tiempo que es periódica. Esto es una señal de
tiempo cuya forma se repite en una cantidad infinita de veces. Fourier demostró
que una señal de este tipo es equivalente a una colección de funciones senos y
cosenos cuyas frecuencias son múltiplos del recíproco del periodo de la señal de
tiempo.
El resultado un poco inesperado es que cualquier forma de onda, siempre y
cuando no sea infinita en longitud se puede representar como la suma de una
serie de componentes armónicos, y la frecuencia fundamental de la serie de
armónicos es uno entre la longitud de la forma de onda.
Las amplitudes de los varios armónicos se llaman los coeficientes Fourier, y sus
valores se pueden calcular fácilmente si se conoce la ecuación para la forma de
onda.
La forma trigonométrica de la serie de Fourier de una señal periódica x p (t) es
simplemente una combinación lineal de senos y cosenos con frecuencias iguales a
1
los múltiplos de su frecuencia fundamental f 0= :
T
 a0 ∞
x ( t )=
2 n=1 n[
+ ∑ a cos
2 nπ
T
t+b n sin
2 nπ
T
t ]
El término constante a0 toma en cuenta cualquier nivel de de en x p (t) , y
a0 , a k y bk se conocen como los coeficientes de la serie trigonométrica de
Fourier. Para cada frecuencia armónica k f 0 existe un par de términos (un seno
y un coseno).

TRANSFORMADA DE FOURIER

La transformada Fourier de una señal unidimensional o función continua f (x)

es una transformación de dicha señal que nos permite calcular la contribución de
cada valor de frecuencia a la formación de la señal.
La expresión matemática de dicho cálculo es:
∞
F(u) ∫ f ( x)e−i 2 πux dx
−∞

Donde i=√−1 e−i 2 πux=cos ( 2 πux )−i ∙ sen(2 πux) y la variable u que aparece en
la función f (u) representa las frecuencias.
Puede también demostrarse que esta transformación tiene inversa, es decir que
dada la función f (u) podemos calcular la función f (x) ; la expresión
matemática de dicha inversa es;

∞
f ( x) ∫ f (u)e−i 2 πux du
−∞

Estas dos funciones f ( x) y f (u) se denominan un par de transformadas

Fourier. En general estas funciones con las que trataremos en problemas reales
verificarán las condiciones que es necesario imponer para que las expresiones
anteriores puedan calcularse.
Es importante señalar que, aunque las funciones que definen a las imágenes son
funciones reales sus transformadas Fourier son funciones complejas con parte
real y parte imaginaria.
Así pues f (u) se expresará de forma general como f ( u ) =R (u ) +iI (u) ,
donde R ( u ) denota la parte real y I ( u ) la parte imaginaria. Como todo
número complejo para cada valor de u, f ( u ) puede expresarse en términos de
su módulo y de su ángulo de fase.

también puede expresarse como f ( u ) =|F (u)| e[ ]

∅(u)
Es decir, f ( u ) ,

I (u)
−1
donde |f (u)|=√ R2 ( u ) + I 2 (u) , y ∅ (u )=tan R(u)

Aplicaciones:

 calcular la transformada de Fourier para la serie temporal que has visto en

las imágenes de un artículo en una página web.
 Representaciones de audio digital.
 Filtros digitales basados en FFT.
 Forma de onda.
 Espectrogramas.

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:
 −at
x (t)=(a−e )u( t)

h(t )=e−at u(t−a)

sabiendo que a=1 (número de grupo)

remplazamos en las ecuaciones a=1

donde tenemos;
−t
x (t)=(1−e )u(t)
−t
h(t )=e u(t−1)

procedemos a cambiar el carácter a λ y la translación para x(λ) en términos de

t :

x ( t−λ )=( 1−e−(t− λ ) ) u ( t− λ )

−λ
h( λ)=e u (λ−1)

para hallar y (t) tenemos que remplazar en la ecuación que encontramos en el

libro de Ambardar;
∞
y ( t )=x ( t )∗h ( t )=∫ ( x ( λ ) h ( t−λ ) dλ )
−∞

Operamos; y tenemos que;

∞
y ( t )= ∫ e−λ u (λ−1) ( 1−e−(t − λ )) u ( t−λ ) dλ
−∞

Dado los Limites encontramos que;

u ( t−λ ) =0, λ>t

u ( λ−1 )=0, λ<1

remplazamos y operamos;
t
y ( t )=∫ e−λ ( 1−e−( t− λ )) dλ
1

−λ −λ −( t− λ )
e −¿ e e dλ
t

y ( t )=∫ ¿
1

t t
y ( t )=∫ e dλ−∫ e e− t − λ dλ
−λ −λ ( )

1 1

Por lo tanto Tenemos que; y ( t )= y 1 ( t )− y 2 ( t )

t t
y 1 ( t )=∫ e dλ y 2 ( t )=∫ e e− t− λ dλ
−λ −λ ( )
tenemos que; y
1 1

Operando tenemos la respuesta a;

y1 ( t ) =

t
y 1 ( t )=∫ e−λ dλ=−e−t + e−1 , t ≥ 1
1

Para el ejemplo dado por el tutor, el cual encontramos en el libro de Ambardar,

ejercicio 6.2.b

t t
y 2 ( t )=∫ e e ∫ d λ=e−t ( t−1 ) , t ≥ 1
−λ − ( t− λ ) −t
dλ=e
1 1

Al sumarse, tenemos que;

 −t −t
y ( t )=[−e + 0,3678−e ( t−1 ) ]u(t−1)

e−t ¿ u(t−1)
y ( t )=¿

y ( t )=[e−t (−1−t +1)+0,3678]u (t−1)

y ( t )=[e−t t+0,3678]u(t−1)

y ( t )=[te−t +0,3678]u(t−1)

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):

Dado que a=1 ( ¿ de grupo ) y b=0(ultimo digito de documento)

Tenemos que 0=3

Remplazando a=1; b=3

�[�] = [−1, �, 2´, �, �, 4]

ℎ[�] = [ 2.5, �2̌, 0.5]

resolver los vectores dados:

�[�] = [−1, 1, 2´ 1, 3, 4]

ℎ[�] = [ 2.5, 3´, 0.5]

 x [ n ]=−δ [ n+ 2 ] + δ [ n+1 ] +2 δ [ n ] + δ [ n−1 ] +3 δ [ n−2 ] +4 δ [n−3]

dándole valores a la tabla tenemos que:

h[n] 2.5 3 0.5

x[n] -1 1 2 1 3 4
Entrada Respuest

a
−δ [ n+2 ] −h [ n+2 ] -2.5 -3 -0.5
δ [ n+1 ] h [ n+1 ] 2.5 3 0.5
2 δ [ n] 2 h [n ] 5 6 1
δ [ n−1 ] h [ n−1 ] 2.5 3 0.5
3 δ [ n−2 ] 3 h [ n−2 ] 7.5 9 1.5
4 δ [n−3] 4 h[n−3 ] 10 12 2
Suma=x[n Suma=y[n] -2.5 0.5 7.5 9 11.5 19.5 13.5 2

Tenemos:

y [ n ] =[−2.5,0.5, 7.5, 9' ,11.5, 19.5, 13.5,2]

y [ n ] =−2.5 δ [ n+3 ] +0.5 δ [ n+2 ] +7.5 δ [ n+1 ] +9 δ [ n ] +11.5 δ [ n−1 ] +19.5 δ [ n−2 ] +13.5 δ [ n−3 ] +2 δ [n−4]
gráficas para: x[n], h[n] y y[n].

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 trigonométricos de la serie de Fourier.
a) �(�) = 3 ∗ 𝑟𝑒𝑐�(� − �) con T=4 s

• Encuentre los coeficientes �0, �� y ��

Nota: Para encontrar los coeficientes de la serie de Fourier, se tienen las

siguientes expresiones matemáticas:

La función a utilizar es

x (t)=3∗rect (t−3)

y la gráfica de la función x(t) se encuentra en la Figura 1

Para:

a0

6.5
1
a0 = ∫ x ( t ) dt
4 2.5
 3.5
3 dt+ ¿ ∫ 0 dt
2.5
3.5

∫¿
2.5
1
a 0= ¿
4

1
a0 =
4
[ 3∗( 3.5−2.5 ) ]

3
a0 =
4

Para:

ak

6.5
2
a k= ∫ x ( t ) cos 2 πkf 0 tdt
4 2.5

6.5
1
3 cos 2 πkf 0 tdt +¿ ∫ 0 cos 2 πkf 0 tdt
2 3.5
3.5
1
a k= ∫ ¿
2 2.5

3.5
1
ak= ∫ 3 cos 2 πkf 0 tdt
2 2.5

3 3.5
ak= sin 2 πkf 0 t ¿2.5
2∗2 πkf 0

1 1
f 0= = =0.25
T 4

3
ak= [sin 0.5 πk ( 3.5 )−sin 0.5 πk ( 2.5 ) ]
πk

3
ak= [sin 1.75 πk−sin1.25 πk ]
πk

ak=
3
πk
7
[ 5
sin πk −sin πk
4 4 ]
 k =2,3,5,6,10,,,,.

Para

bk .

6.5
2
bk = ∫ x ( t ) sin 2 πkf 0 tdt
4 2.5

6.5
1
3 sin 2 πkf 0 tdt +¿ ∫ 0 sin 2 πkf 0 tdt
2 3.5
3.5
1
bk = ∫ ¿
2 2.5

3.5
1
bk = ∫ 3 sin 2 πkf 0 tdt
2 2.5

−3 3.5
bk = cos 2 πkf 0 t ¿ 2.5
2∗2 πkf 0

−3
bk = [cos 0.5 πk ( 3.5 )−cos 0.5 πk ( 2.5 ) ]
πk

bk =
−3
πk [ 7 5
cos πk −cos πk
4 4 ]
k =1,3,5,,,,,.

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):
a. Para x (t) tenemos que son el producto de dos funciones rectangulares.

b=3

x ( t )=m ( t ) + n(t)

t
m ( t )=−rect ( −0.5)
3

t
n ( t )=rect ( −1.5)
3

x ( t )=−rect ( 3t −0.5)+rect ( 3t −1.5)

 CONCLUSIONES

 En el tema anterior correspondiente al Análisis en el dominio del tiempo

hemos comprendido que la convolución proporciona una potente
herramienta de trabajo para analizar y diseñar un sistema en el dominio del
tiempo.
 Hay multitud de fenómenos que pueden modelarse matemáticamente
mediante una señal senoidal o exponencial como paso previo a su estudio
 en el dominio de la frecuencia. Incluso cuando una señal no es de esta
naturaleza puede analizarse en términos del dominio de la frecuencia. La
respuesta de un procesador LTI a una entrada senoidal es muy simple
puesto que en régimen permanente el procesador sólo puede modificar la
amplitud y la fase, pero nunca la frecuencia. Aplicando el principio de
superposición puede obtenerse la respuesta a señales de entrada
ciertamente complejas.
 La mayoría de las señales digitales que se emplean en la práctica pueden
ser analizadas o sintetizadas mediante una serie de señales senoidales y
cosenoidales de amplitud y fase apropiadas.
 Aproximar la caracterización de una señal mediante un número limitado de
componentes senoidales y cosenoidales facilita, sin perder precisión, el
análisis y diseño de DSPs.
 Si una señal es estrictamente periódica, sus componentes frecuenciales
están descritas por términos armónicos. Su espectro tiene un número
determinado de líneas. La señal está modelada matemáticamente por una
serie de Fourier. La expresión trigonométrica de una serie de Fourier puede
ser descrita en forma exponencial, expresando cada término senoidal y
cosenoidal por la parte imaginaria y real respectivamente
 REFERENCIAS BIBLIOGRAFICAS

 Ambardar, Ashok. "Convolución Continua." Procesamiento de señales

analógicas y digitales, 2nd ed., Cengage Learning, 2002. Gale Virtual

Reference Library, http://link.galegroup.com/apps/doc/CX4060300056/GVRL?

u=unad&sid=GVRL&xid=86c559ff. Accessed 13 Apr. 2019.

 MIRÓ-PAGÉS, Guillermo. Aplicación de los métodos de correlación estadística

al estudio de la cuenca del Cauto. Minería y Geología, [S.l.], v. 12, n. 1, p. 35-

40, mar. 1995. ISSN 1993-8012. Disponible en:

<https://revista.ismm.edu.cu/index.php/revistamg/article/view/5/912>. Fecha de

acceso: 12 apr. 2019

 IEEE de la UCSA. Convolución, procesamiento de señales.

https://ramaucsa.wordpress.com/2013/12/17/convolucion-procesamiento-de-

senales/. Fecha de acceso: 29 Marzo 2019