You are on page 1of 96

UNIDAD 2: TAREA 2 – SEÑALES EN EL DOMINIO DE LA FRECUENCIA

PRESENTADO POR:
JUAN FERNANDO CASTRILLON
CÓD.: 71293505
LEONARDOQUINTERO
CÓD.:
JULIÁN ANDRÉS TORO
CÓD.: 14801079
ALEXIS PEDROZA
COD: 67032716
JAIME ANDRES PEREA
COD.: 1113667509

CURSO
203042_34

TUTOR:
FREDDY VALDERRAMA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA “UNAD”


SEÑALES Y SISTEMAS
ABRIL – 2019.
INTRODUCCION
Cuando se estudian y aplican de señales en los diferentes campos del saber del hombre
se requiere la posibilidad de combinar o realizar cambios a dichas señales dependiendo
de la necesidad particular de cada aplicación que se esté desarrollando, gracias a la
convolución es posible analizar y predecir el resultado de un sistema completo donde se
cuenta con una señal de entrada, una señal de respuesta a un impulso y una señal de
salida.

Con la misma premisa anterior, es necesario estudiar señales desde el punto de vista de
la frecuencia, dominio de frecuencia, perspectiva un poco diferente a lo que se ha
estudiado en cursos anteriores donde el análisis se desarrolla desde el dominio del
tiempo, las series de Fourier permiten matemáticamente realizar esta conversión de
dominio de manera tal que es posible realizar análisis y tratamiento a las señales desde el

dominio de frecuencia.
Objetivos
• Comprender el concepto de convolución entre señales, de igual
manera la técnica para determinarla analíticamente.
• Determinar mediante el método de tabulación o lápiz y papel la
respuesta de un sistema, apropiándose del procedimiento para
aprenderlo.
• Estudiar y entender las series de Fourier a través de los conceptos
y demostraciones matemáticas de la manera como se llevan a cabo.
ACTIVIDADES A DESARROLLAR

Aporte por: Juan Fernando Castrillón


Paso 1: Definición de conceptos
a- Explique qué es convolución continua y discreta. De cuatro ejemplos de
usos en la ingeniería.
En el dominio del tiempo la convolución puede considerarse como un
método para encontrar la respuesta de estado cero de sistemas
relajados lineales e invariantes en el tiempo (LTI) considera que la
información del sistema se conoce en términos de su respuesta al
impulso. Se asume que el sistema es descrito por medio de su respuesta
al impulso, la convolución es una operación integral que puede ser
evaluada analítica, grafica o numéricamente. El resultado depende de
la naturaleza de las señales que están siendo convulsionadas.

Ejemplos:
- Señales de audio en equipos electrónicos
- Señales electrónicas en todo tipo de dispositivos.

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

La estabilidad BIBI (entrada acotada, salida acotada) de sistema LTI


descritos por ecuaciones de diferencias requiere que cada raíz de la
ecuación característica tenga una magnitud menor a la unidad.
También decimos que la respuesta al impulso sea absolutamente
sumable, si esto se cumple podemos afirmar que el sistema es un sistema
estable.
La casualidad de un sistema discreto en tiempo implica a un sistema no
anticipado con una respuesta al impulso.
c- Explique que es correlación y de un (1) ejemplo de uso y/o aplicación en
la ingeniería.
La correlación es una operación similar a la convulsión, esta implica
desplazar una función más allá de otra para encontrar el área bajo el
producto restante, sin embargo, a diferencia de la convulsión no se
efectúa ninguna reflexión.
Para dos funciones diferentes la correlación se conoce como
correlación cruzada.

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


aplicación en la ingeniería.
La autocorrelación es la correlación de dos funciones idénticas, esto
puede presentarse en cualquier orden y refleja una operación
conmutativa, la autocorrelación puede verse como una medida de
similitud o coherencia entre una función y su versión de desplazamiento.
e- ¿Cuál es la diferencia de correlación continua y correlación discreta?
La correlación continua se encarga de asemejar un producto resultado
de un desplazamiento de una función sobre otra una relación es lineal
cuando el cambio en una variable se asocia en un cambio proporcional
en otra variable y la correlación discreta se encarga de encontrar la
similitud entre señales o valores semejantes por emparejamiento.
f- ¿Qué son las series de Fourier?
Una serie de Fourier es una serie infinita que converge puntualmente a
una función periódica y continúa por partes, esta constituye una
herramienta de la matemática básica empleado para analizar
funciones periódicas a través de la descomposición de dicha función en
una suma infinita de funciones sinusoidales mucho más simple.
Las 3 formas de una serie de Fourier son forma trigonométrica, forma
polar y forma exponencial.
Las áreas de aplicación incluyen análisis de vibratorio, acústico, óptico
procesamiento de imágenes y comprensión de datos, ecuaciones de
calor y de ondas, además circuitos eléctricos.
g- ¿Qué es la transformada Continua de Fourier? De dos (2) ejemplos de
uso y/o aplicación en la ingeniería.
La transformada Continua de Fourier puede considerarse como una
extensión de la serie de Fourier aplicada a señales no periódicas, esta
sirve para unificar las representaciones de señales periódicas y sus
contrapartes no periódicas. Se dice que la función original esta en el
dominio del tiempo y la transformada la pasa al dominio de la
frecuencia.
Las aplicaciones son muy numerosas por ejemplo algunos circuitos
eléctricos, comprensión de audio sabemos que una señal de audio
como una canción es una función temporal y en la telefonía móvil, el
sonido de la voz se codifica. La transformada de Fourier es básicamente
el espectro de frecuencias de una función. Un buen ejemplo de eso es
lo que hace el oído humano, ya que recibe una onda auditiva y la
transforma en una descomposición en distintas frecuencias (que es lo
que finalmente se escucha).

EJERCICIO:

1.1. 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 𝑥(𝑡) y
ℎ(𝑡) descritas a continuación:

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

𝑥(𝑡) = (4 − 𝑒 −4𝑡 )𝑢(𝑡)


ℎ(𝑡) = 𝑒 −4𝑡 𝑢(𝑡 − 4)
donde,
𝑥(𝑡) = (4 − 𝑒 −4𝑡 )𝑢(𝑡) = (4 − 𝑒 −4𝜆 )𝑢(𝜆)

ℎ(𝑡) = 𝑒 −4𝑡 𝑢(𝑡 − 4) = 𝑒 −4(𝑡−𝜆) 𝑢(𝑡 − 𝜆 − 4)

convolución analítica
𝛼
𝑦(𝑡) = 𝑥(𝑡) 𝑥 ℎ(𝑡) ∫ 𝑥(𝜆). ℎ(𝑡 − 𝜆)𝑑𝜆
−𝛼

Remplazando
𝛼
𝑦(𝑡) = ∫ (4 − 𝑒 −4𝜆 )𝑢(𝜆) ∗ 𝑒 −4𝑡+4𝜆 𝑢(𝑡 − 𝜆 − 4) 𝑑𝜆
−𝛼

Organizando
𝛼
𝑦(𝑡) = ∫ (4 − 𝑒 −4𝜆 ) ∗ 𝑒 −4𝑡+4𝜆 ∗ 𝑢(𝜆) ∗ 𝑢(𝑡 − 𝜆 − 4) 𝑑𝜆
−𝛼

Hallamos los límites:


𝑢(𝜆) = 0, donde 𝜆 = 0
𝑢(𝑡 − 𝜆 − 4) = 0
−𝜆 = 4 − 𝑡
𝜆 =𝑡−4
𝑡−4
𝑦(𝑡) = ∫ (4 − 𝑒 −4𝜆 ) ∗ 𝑒 −4𝑡+4𝜆 𝑑𝜆
0
𝑡−4
𝑦(𝑡) = ∫ 4𝑒 −4𝑡+4𝜆 − 𝑒 −4𝜆 𝑒 −4𝑡+4𝜆 𝑑𝜆
0

Distribuyendo
𝑡−4 𝑡−4
−4𝑡+4𝜆
𝑦(𝑡) = 4 ∫ 𝑒 𝑑𝜆 − ∫ 𝑒 −4𝜆 𝑒 −4𝑡+4𝜆 𝑑𝜆
0 0

Propiedad de las exponenciales


𝑡−4 𝑡−4
𝑦(𝑡) = 4 ∫ 𝑒 −4𝑡 𝑒 4𝜆 𝑑𝜆 − ∫ 𝑒 −4𝜆 𝑒 −4𝑡 𝑒 4𝜆 𝑑𝜆
0 0

Entonces
𝑡−4 𝑡−4
−4𝑡 4𝜆 −4𝑡
𝑦(𝑡) = 4𝑒 ∫ 𝑒 𝑑𝜆 − 𝑒 ∫ 𝑒 −4𝜆 𝑒 4𝜆 𝑑𝜆
0 0

Dando
𝑡−4 𝑡−4
𝑦(𝑡) = 4𝑒 −4𝑡 ∫ 𝑒 4𝜆 𝑑𝜆 − 𝑒 −4𝑡 ∫ 1 𝑑𝜆
0 0

integrando
𝑒 4𝜆 𝑡 − 4 𝑡−4
𝑦(𝑡) = 4𝑒 −4𝑡 ∗ ( )| − 𝑒 −4𝑡 (𝜆)|
4 0 0
evaluando

−4𝑡
𝑒 4(𝑡−4) 𝑒 4(0)
𝑦(𝑡) = 4𝑒 ∗( − ) − 𝑒 −4𝑡 ∗ (𝑡 − 4)
4 4
Simplificando
𝑒 4𝑡−16 1
𝑦(𝑡) = 4𝑒 −4𝑡 ∗ ( − ) − 𝑒 −4𝑡 ∗ (𝑡 − 4)
4 4
Desarrollando
𝑒 4𝑡 𝑒 −16 1
𝑦(𝑡) = 4𝑒 −4𝑡 ∗ ( − ) − 𝑒 −4𝑡 ∗ (𝑡 − 4)
4 4
4𝑒 −4𝑡 𝑒 4𝑡 𝑒 −16 4𝑒 −4𝑡
𝑦(𝑡) = ( )−( ) − 𝑒 −4𝑡 𝑡 + 4𝑒 −4𝑡
4 4

𝑦(𝑡) = 𝑒 −4𝑡 𝑒 4𝑡 𝑒 −16 − 𝑒 −4𝑡 − 𝑒 −4𝑡 𝑡 + 4𝑒 −4𝑡

𝑦(𝑡) = 𝑒 −16 − 𝑒 −4𝑡 − 𝑒 −4𝑡 𝑡 + 4𝑒 −4𝑡

𝑦(𝑡) = 𝑒 −9 + 3𝑒 −4𝑡 − 𝑒 −4𝑡 𝑡


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[𝑛]), a la entrada 𝑥[𝑛].
Posteriormente verifique su respuesta diseñando un script con el
método gráfico de convolución, en Matlab u Octave y anexe el
resultado junto con el script (práctica):

𝑥[𝑛] = [−1, 𝑎, 2̌, 𝑎, 𝑏, 4]


ℎ[𝑛] = [ 2.5, 𝑏̌ , 0.5]

números a trabajar
𝑥[𝑛] = [−1,4, 2̌, 4,5,4]
ℎ[𝑛] = [ 2.5,5,0.5]

𝑖𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑖𝑛𝑖𝑐𝑖𝑜 = −2 − 1 = −3
𝑖𝑛𝑑𝑖𝑐𝑒 𝑑𝑒 𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑐𝑖𝑜𝑛 = 3 + 1 = 4
𝐿𝑜𝑛𝑔𝑖𝑡𝑢𝑑: 𝐿𝑥 + 𝐿𝑦 − 1 = 6 + 3 − 1 = 8

n = -2 -1 0 1 2 3

x[n] -1 4 2 4 5 4
=
h[n] 2,5 5 0,5
=

-2,5 10 5 10 12,5 10
-5 20 10 20 25 20
-0,5 2 1 2 2,5 2
-2,5 5 24,5 22 33,5 37 22,5 2

h[n] = [−2.5,5,24.5, 2̂2,33.5,37,22.5,2]

%% Grafica x[n] Juan Fernando Castrillón

Xn= [-1, 4, 2, 4, 5, 4];


n= [-2, -1, 0, 1, 2, 3];
Subplot (3, 1, 1)
stem(n,Xn,'m')
grid
title ('Señal discreta X[n] - Juan Fernando Castrillón')
xlabel ('n')
ylabel ('Amplitud')
xlim([-3,4])

%% Grafica h[n] name

Hn=[0, 2.5, 5, 0.5, 0, 0];


subplot(3,1,2)
stem(n,Hn,'r')
grid
title ('Señal discreta h[n]- Juan Fernando Castrillón')
xlabel ('n')
ylabel ('Amplitud')
xlim([-3,4])

%% convolución discreta x[n]*h[n] - Juan Fernando Castrillón

ConDis=conv(Xn,Hn);
ncon=(-4:1:6);
subplot(3,1,3)
stem(ncon,ConDis,'b')
grid
title ('convolución discreta x[n]*h[n] - Juan Fernando Castrillón')
xlabel ('n')
ylabel ('Amplitud')
xlim([-4,5])
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 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):

X(t)
1

+5 +10 t

-1
La Señal
𝑥(𝑡) = −𝑢(𝑡) + 𝑢(𝑡 − 5) + 𝑢(𝑡 − 5) − 𝑢(𝑡 − 10)

La transformada de Fourier es
1 1 −5𝑗𝑤 1 −5𝑗𝑤 1 −10𝑗𝑤
𝑥(𝑓) = −𝜋𝛿(𝑤) − + 𝜋𝛿(𝑤) + 𝑒 + 𝜋𝛿(𝑤) + 𝑒 − 𝜋𝛿(𝑤) − 𝑒
𝑗𝑤 𝑗𝑤 𝑗𝑤 𝑗𝑤

Queda
1 1 −5𝑗𝑤 1 −10𝑗𝑤
𝑥(𝑓) = −𝜋𝛿(𝑤) − + 2 (𝜋𝛿(𝑤) − 𝑒 ) − 𝜋𝛿(𝑤) − 𝑒
𝑗𝑤 𝑗𝑤 𝑗𝑤
En términos de Laplace
1 𝑒 −5𝑠 𝑒 −10𝑠
𝑥(𝑓) = − + 2 −
𝑠 𝑠 𝑠
clear all
clc
syms t
rect_1=-heaviside(t)+heaviside(t-5);
rect_2=heaviside(t-5)-heaviside(t-10);
rect_3=rect_1+rect_2;
fplot(rect_1,'m','linewidth',2)
hold on
fplot(rect_2,'y','linewidth',2)
hold on
fplot(rect_3,'r','linewidth',1)
grid on
title('señal x(t) - Juan Fernando Castrillón ')
xlabel ('Tiempo')
ylabel ('Amplitud')
xlim ([-1 11]);

TL=laplace(rect_3)
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 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. Ítem grupal y(t)


1

0 +8 t

La Señal
2𝜋𝑡 𝑡
𝑦(𝑡) = sin ( ) ∗ (𝑟𝑒𝑐𝑡 ( − 4) )
16 8

La transformada de Fourier
𝑤
1 1 𝑠𝑒𝑛𝑐 𝜋
𝑦(𝑓) = 𝑗𝜋 [𝛿 (𝑤 + 2𝜋 ∗ ) − 𝛿 (𝑤 − 2𝜋 ∗ )] ∗ [ ∗ 𝑒 −4𝑗𝑤 ]
16 16 8

clc
clear all

% señal senoidal
syms t
sen=sin(2*t*pi/16);
fplot(sen,'c','linewidth',1)
grid on
hold on
%señal escalones
%señal rect (t)
rect=rectangularPulse((1/8)*(t-4));
fplot(rect,'r','linewidth',1)
hold on
y=rect.*sen;
%señal solicitada
fplot(y,'b','linewidth',3)
hold on
title('señal x(t) - Juan Fernando Castrillón ')
xlabel ('Tiempo')
ylabel ('Amplitud')
xlim ([-1 9]);
TL=laplace(y)
pretty(TL)

APORTE POR: LEONARDOQUINTERO


1. Definición de los conceptos.
1.1 Explique qué es convolución continua y discreta. De cuatro (4) ejemplos
de usos y/o aplicaciones en la ingeniería.
Convolución continua: La Convolución continua nos ayuda a determinar el
efecto que tiene el sistema en la señal de entrada. A partir de la
descomposición infinita de impulsos de la señal. Está dada por:

Sus propiedades son:


• Elemento neutro.
• Conmutativa.
• Asociativa.
• Distributiva.
Ejemplo:

Imagen tomada de
https://cnx.org/contents/Qji8Bz7t@2.13:Z361zPMM@4/Convoluci%C3%B3n-
de-Tiempo-Continuo

Reflejada y Desplazada
Ahora tomemos una de las funciones y los reflejos a través del eje de la y.
Después de que podamos desplazar la función, así como el origen,
el punto de la función que originalmente estaba en el origen, está marcada
como el punto τ. Este paso se muestra en la siguiente figura, h( t - τ). Sin
embargo, esta función no se refleja, no importa qué función se ha reflejado
y desplazado, sin embargo, se ha confirmado que las funciones son más
complicadas.

Imagen tomada de
https://cnx.org/contents/Qji8Bz7t@2.13:Z361zPMM@4/Convoluci%C3%B3n-
de-Tiempo-Continuo

Resultados de la convolución:

Imagen tomada de
https://cnx.org/contents/Qji8Bz7t@2.13:Z361zPMM@4/Convoluci%C3%B3n-
de-Tiempo-Continuo

Convolución discreta:
Su finalidad es igual a la Convolución continua, el movimiento a través de la
señal es una manera común de presentar la convolución, ya que se
demuestra como la convolución construye el resultado a través del eje del
tiempo. Se define como:

Ejemplo

Convolución a través del eje del tiempo:

Imagen tomada de
https://cnx.org/contents/Qji8Bz7t@2.13:mpDxJkZ7@4/Convoluci%C3%B3n-
Discreta
Imagen tomada de
https://cnx.org/contents/Qji8Bz7t@2.13:mpDxJkZ7@4/Convoluci%C3%B3n-
Discreta

Imagen tomada de
https://cnx.org/contents/Qji8Bz7t@2.13:mpDxJkZ7@4/Convoluci%C3%B3n-
Discreta
Imagen tomada de
https://cnx.org/contents/Qji8Bz7t@2.13:mpDxJkZ7@4/Convoluci%C3%B3n-
Discreta

Lo que estamos haciendo en la demostración de arriba es reflejar la


respuesta del impulso en el tiempo y "hacerlo caminar a través" de la
entrada en la señal.

1.2 ¿Qué es estabilidad y causalidad de sistemas LTI?


Causalidad: El sistema es causal si la salida depende sólo de valores pasados
y presentes de la entrada y anticausal si la salida depende sólo de valores
futuros de la entrada.
Para sistemas causales la suma e integral de la Convolución quedan:

Estabilidad: Un sistema es estable si entradas acotadas producen salidas


acotadas.
1.3 Explique que es correlación y de un (1) ejemplo de uso y/o aplicación
en la ingeniería.
Correlación: Es una operación similar a la convolución, con la diferencia de
que en la correlación no hay que “reflejar” una de las señales:

La correlación nos da una medida de la similitud entre dos señales. No existe


la propiedad conmutativa.
Ejemplo: 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.
Resultado de correlacionar dos funciones:

Imagen tomada de
http://www6.uniovi.es/vision/intro/node31.html#SECTION0035100000000000
0000
1.4 Explique qué es auto correlación y de un (1) ejemplo de uso y/o
aplicación en la ingeniería.
Autocorrelación: Es la correlación de una señal consigo misma.
Ejemplo: En el procesado de señal, la autocorrelación proporciona
información sobre las periodicidades de la señal y sus frecuencias
características como los armónicos de una nota musical producida por un
instrumento determinado (tono y timbre).
1.5 ¿Cuál es la diferencia de correlación continua y correlación discreta?
La correlación continua es una operación que aplica para dos señales
idénticas en cambio la correlación discreta es una medida de similitud entre
dos señales.
1.6 ¿Qué son las series de Fourier?
Las series de Fourier son series de términos coseno y seno mucho más simples
que surgen en la tarea práctica de representar funciones periódicas
generales.
Fourier demostró que una señal de este tipo es equivalente a una colección
de funciones senos y cosenos cuyos frecuencias son múltiplos del recíproco
del periodo de la señal de tiempo.
1.7 ¿Qué es la transformada Continua de Fourier? De dos (2) ejemplos de uso
y/o aplicación en la ingeniería.
Es una transformación matemática empleada para transformar señales
entre el dominio del tiempo (o espacial) y el dominio de la frecuencia, que
tiene muchas aplicaciones en la física y la ingeniería.

Aplicaciones:
La transformada de Fourier se utiliza en el ámbito del tratamiento digital de
imágenes, como por ejemplo para mejorar o definir más ciertas zonas de
una imagen fotográfica o tomada con una computadora,
Para el diseño de filtros de radiotransistores.
1)
𝑥(𝑡) = (𝑎 − 𝑒 −𝑎𝑡 )𝑢(𝑡)
ℎ(𝑡) = 𝑒 −𝑎𝑡 𝑢(𝑡 − 𝑎)
Re expresamos las ecuaciones como:
𝑥(𝜆) = (𝑎 − 𝑒 −𝑎𝜆 )𝑢(𝜆)
ℎ(𝑡 − 𝜆) = 𝑒 −𝑎(𝑡−𝜆) 𝑢(𝑡 − 𝜆 − 𝑎)
Hacemos la convolución,
−∞
𝑦(𝑡) = 𝑥(𝑡) ∗ ℎ(𝑡) = ∫ (𝑎 − 𝑒 −𝑎𝜆 ) ⋅ 𝑒 −𝑎(𝑡−𝜆) 𝑢(𝜆)𝑢(𝑡 − 𝜆 − 𝑎) 𝑑𝜆

Las condiciones de los escalones unitarios serán


𝜆>0
𝜆 ≤𝑡−𝑎
Reescribimos la integral como,
𝑡−𝑎
𝑦(𝑡) = ∫ (𝑎 − 𝑒 −𝑎𝜆 )𝑒 −𝑎(𝑡−𝜆) 𝑑𝜆
0
𝑡−𝑎
𝑦(𝑡) = ∫ (𝑎𝑒 −𝑎𝑡 𝑒 𝑎𝜆 − 𝑒 −𝑎𝑡 ) 𝑑𝜆
0
𝜆=𝑡−𝑎 𝜆=𝑡−𝑎
𝑦(𝑡) = 𝑒 −𝑎𝑡 𝑒 𝑎𝜆 |𝜆=0 − 𝑒 −𝑎𝑡 𝜆|𝜆=0
2
𝑦(𝑡) = 𝑒 −𝑎 − 𝑒 −𝑎𝑡 (𝑡 − 𝑎 + 1)
Para a=4 tenemos que,
𝑦(𝑡) = 𝑒 −16 − 𝑒 −4𝑡 (𝑡 − 3)
2)
𝑥[𝑛] = [−1,4, ^
2, 4,2,4]
ℎ[𝑛] = [2.5, ^
2, 0.5]
Realizamos la convolución con ayuda de la siguiente tabla

Finalmente simulamos a través


e MATLAB, primero se muestra la gráfica y posteriormente el script para
generarla
3)
a) 𝑎𝑘 𝑝𝑎𝑟𝑎 𝑥(𝑡) = 3 ∗ 𝑟𝑒𝑐𝑡(𝑡 − 𝑏)𝑐𝑜𝑛𝑇 = 4

Primero hallamos el valor de 𝑎0

1
𝑎0 = ∫ 𝑥(𝑡)𝑑𝑡
𝑇 ⟨𝑇⟩

3 𝑡=0.5+𝑏
𝑎0 = 𝑡|
4 𝑡=−0.5+𝑏

3
𝑎0 =
4

Ahora hallamos el valor de 𝑎𝑘

2
𝑎𝑘 = ∫ 𝑥(𝑡)𝑐𝑜𝑠(2𝜋𝑘𝑓0 𝑡)𝑑𝑡
𝑇

1 1
𝑇= ∴ 𝑓0 =
𝑓0 4

3 0.5+𝑏
𝑎𝑘 = ∫ 𝑐𝑜𝑠 (0.5𝜋𝑘𝑡)𝑑𝑡
2 −0.5+𝑏
3
𝑎𝑘 = 𝑠𝑖𝑛(0.5𝜋𝑘𝑡)|𝑡=0.5+𝑏
𝑡=−0.5+𝑏
𝜋𝑘
En nuestro caso b=2

3
𝑎𝑘 = [𝑠𝑖𝑛(0.5𝜋𝑘(0.5 + 2)) − 𝑠𝑖𝑛(0.5𝜋𝑘(−0.5 + 2))]
𝜋𝑘

3 5𝜋𝑘 3𝜋𝑘
𝑎𝑘 = [𝑠𝑖𝑛 ( ) − 𝑠𝑖𝑛 ( )]
𝜋𝑘 4 4

Finalmente hallamos el valor de 𝑏𝑘

2
𝑏𝑘 = ∫ 𝑥(𝑡)𝑠𝑖𝑛(2𝜋𝑘𝑓0 𝑡) 𝑑𝑡
𝑇
3 0.5+𝑏
𝑏𝑘 = ∫ 𝑠𝑖𝑛 (0.5𝜋𝑘𝑡)𝑑𝑡
2 −0.5+𝑏

3
𝑏𝑘 = − 𝑐𝑜𝑠(0.5𝜋𝑘𝑡)|𝑡=0.5+𝑏
𝑡=−0.5+𝑏
𝜋𝑘

En nuestro caso b=2

3
𝑏𝑘 = − [𝑐𝑜𝑠(0.5𝜋𝑘(0.5 + 2)) − 𝑐𝑜𝑠(0.5𝜋𝑘(−0.5 + 2))]
𝜋𝑘

3 5𝜋𝑘 3𝜋𝑘
𝑏𝑘 = − [𝑐𝑜𝑠 ( ) − 𝑐𝑜𝑠 ( )]
𝜋𝑘 4 4

4)
a)
Esta señal se puede construir a partir de una señal triangular invertida, esta
señal además se le hace un desplazamiento, una contracción y una
amplificación. Posteriormente se deriva

𝑑 𝑡−𝑏
𝑥(𝑡) = (−𝑏 ∗ 𝑡𝑟𝑖 ( ))
𝑑𝑡 𝑏

La señal inicial es,

𝑡−𝑏
𝑠(𝑡) = −𝑏 ∗ 𝑡𝑟𝑖 ( )
𝑏

Aplicando las tablas de propiedades, vemos que la transformada de Fourier


es,

𝑆(𝑓) = −𝑏 ⋅ (𝑏𝑠𝑒𝑛𝑐 2 (𝑏𝑓)𝑒 −𝑗2𝜋𝑓𝑏 )

La señal triangular se debe derivar para obtener la señal original, por ende,
𝑋(𝑓) = −𝑗2𝜋𝑏 2 𝑓𝑠𝑒𝑛𝑐 2 (𝑏𝑓)𝑒 −𝑗2𝜋𝑓𝑏
En nuestro caso b=2, por ende,
𝑋(𝑓) = −𝑗8𝜋𝑓𝑠𝑒𝑛𝑐 2 (2𝑓)𝑒 −𝑗4𝜋𝑓

b)

Esta señal es la multiplicación de dos señales.

𝜋𝑡 𝑡−𝑎
𝑦(𝑡) = 𝑠𝑖𝑛 ( ) ⋅ 𝑟𝑒𝑐𝑡 ( )
2𝑎 2𝑎

La primera señal es una senoidal a la que se le aplica una contracción,

𝜋𝑡
𝑥(𝑡) = 𝑠𝑖𝑛 ( )
2𝑎
Aplicando las tablas de propiedades, vemos que la transformada de Fourier
es,

𝜋 𝜋
𝑋(𝑓) = 𝑗0.5 [𝛿 (𝑓 + ) − 𝛿 (𝑓 − )]
4𝑎 4𝑎

La segunda señal es una señal rectangular con una contracción y un


desplazamiento,
𝑡−𝑎
𝑚(𝑡) = 𝑟𝑒𝑐𝑡 ( )
2𝑎
Aplicando las tablas de propiedades, vemos que la transformada de Fourier
es,

𝑀(𝑓) = 2𝑎𝑠𝑒𝑛𝑐(2𝑎𝑓)𝑒 −𝑗2𝜋𝑓𝑎

Por ende, la transformada de Fourier de la señal original será

𝑌(𝑓) = 𝑋(𝑓) ⋅ 𝑀(𝑓)

𝜋 𝜋
𝑌(𝑓) = 𝑗𝑎𝑠𝑒𝑛𝑐(2𝑎𝑓)𝑒 −𝑗2𝜋𝑓𝑎 [𝛿 (𝑓 + ) − 𝛿 (𝑓 − )]
4𝑎 4𝑎
En nuestro caso a=4, por ende,
𝜋 𝜋
𝑌(𝑓) = 𝑗4𝑠𝑒𝑛𝑐(8𝑓)𝑒 −𝑗8𝜋𝑓 [𝛿 (𝑓 + ) − 𝛿 (𝑓 − )]
16 16

Código y gráficas
b)
Aporte por: Julián Andrés Toro
Señales y sistemas continuos y discretos
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 puede considerarse como un método para encontrar la
respuesta de estado cero de un sistema LTI relajado, El método de
convolución para encontrar la respuesta de estado cero y(t) se aplica a
sistemas lineales invariantes en el tiempo (LTI). Se asume que el sistema es
descrito por medio de su respuesta al impulso h(t).
La convolución es una herramienta muy importante que es representada
por el símbolo *, y puede ser escrita como
y(t)=x(t)*h(t)
La integral de convolución nos da una manera matemática fácil de
expresar la salida de un sistema LTI basado en una señal arbitraria, x(t)x t,y
la respuesta al impulso, h(t)h t. La integral de convolución es expresada
como

𝑦(𝑡) = ∫ 𝑥(𝜏)ℎ(𝑡 − τ)dτ
−∞

La convolución discreta en tiempo es un método para encontrar


la respuesta de estado cero de sistemas relajados lineales e invariantes en
el tiempo (LTI). Se basa en los conceptos de lineal e invariante en el tiempo
y considera que la información del sistema se conoce en términos de su
respuesta al impulso h[n]. En otras palabras, si la entrada es δ[n], una
muestra unitaria en el origen n = 0, la respuesta del sistema es h[n].
Para las funciones discretas se puede usar una forma discreta de la
convolución

𝑦(𝑛) = ∑ 𝑥[𝑛 − 𝑘]ℎ[𝑘] = ℎ[𝑛] ∗ 𝑥[𝑛]


𝑘=−∞

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


Causalidad: Un sistema es causal cuando su salida no anticipa valores
futuros de la entrada. Podemos asegurar que un sistema es causal si:
ℎ[𝑛] = 0 𝑛 < 0 ℎ(𝑡) = 0 𝑡 < 0Aplicaciones de la convolución en la
ingeniería:
En acústica, un eco es la convolución del sonido original con una función
que represente los objetos variados que lo reflejan.
En este mismo campo, una aplicación reciente del proceso de Convolución
es el de “componer” virtualmente el sonido real de la palabra o de una
pieza musical, en un determinado recinto, a par tir de la convolución de la
respuesta impulsional del mismo y un registro “seco” de las señales realizado
en cámara anecoica o en espacio abierto, es decir sin reflexiones. La
Integral de Convolución de ambas señales proporciona la respuesta del
sistema (recinto), ponderando las distintas componentes de las señales y
dando el colorido, presencia, volumen, etc de la audición real.
En general, la distorsiones, ruido, reverberación, etc que aparecen en las
señales originales, se pueden resolver a base de “extraer” las señales
originales del proceso de Convolución

Demostración: Si el sistema es causal, al no poder depender de valores


futuros de x[n] en la suma de convolución no podrá depender de valores de
x[k] si k>n
∞ ∞

𝑦[𝑛] = ∑ 𝑥 [𝑘]ℎ[𝑛 − 𝑘] = ∑ 𝑥 [𝑘]ℎ[𝑛 − 𝑘] =


𝑘=−∞ 𝑘=−∞

Esta igualdad solo si es causal Para que se de esa igualdad:


ℎ[𝑛 − 𝑘] = 0 𝑠𝑖 𝑘 > 𝑛
ℎ[𝑛 − 𝑘] = 0 𝑠𝑖 𝑛 − 𝑘 < 0

Si recordamos que (h[n] o h(t)) es la respuesta al impulso, parece lógico que


un sistema LTI que es causal (y por tanto no puede anticipar la entrada) no
pueda tener salida no nula antes de del instante cero.
Estabilidad: Un sistema LTI es estable si se cumple:

∞ ∞
∑|ℎ[𝑛]| < ∞ ∫ |ℎ(𝑡)|𝑑𝑡 < ∞
−∞ −∞

Demostración: En un sistema estable, la salida tiene que estar acotada si la


entrada está acotada:
|𝑥[𝑛]| ≤ 𝑃 |𝑦[𝑛]| < ∞
∞ ∞

|𝑦[𝑛]| = | ∑ 𝑥 [𝑘]ℎ[𝑛 − 𝑘] | = ∑ |𝑥 [𝑘]| |ℎ[𝑛 − 𝑘]| < 0


𝑘=−∞ 𝑘=−∞

c. Explique que es correlación y de un (1) ejemplo de uso y/o


aplicación en la ingeniería.
La correlación es una operación similar a la convolución. Implica desplazar
una función más allá de otra y encontrar el área bajo el producto
resultante. Sin embargo, a diferencia de la convolución, no se efectúa
ninguna reflexión.
La correlación es la convolución de una señal con una versión reflejada de
la otra.
𝑟𝑥𝑥(𝑡)=𝑥(𝑡)∗∗ ℎ(𝑡)=𝑥(𝑡)∗ℎ(−𝑡) 𝑟𝑥𝑥 (𝑡)=ℎ(𝑡)∗∗ 𝑥(𝑡)=ℎ(𝑡)∗𝑥(−𝑡)

Un de las aplicaiones La correlación cruzada puede ser utilizada para


detectar y localizar una señal conocida de referencia inmersa en ruido: –
Una copia de la señal conocida de referencia se correlaciona con la señal
desconocida.
d. Explique qué es auto correlación y de un (1) ejemplo de uso y/o
aplicación en la ingeniería.

Autocorrelación:
La autocorrelación puede verse como una medida de similitud,
o coherencia, entre una función x(t)y su versión de desplazamiento.
Claramente, bajo ningún desplazamiento, las dos funciones se “igualan” y
resultan en un máximo para la autocorrelación. Mas con un desplazamiento
creciente, sería natural esperar la similitud y, por consiguiente, la reducción
de la correlación entre x(t) y su versión desplazada. Conforme el
desplazamiento se aproxima a infinito, toda traza de similitud se desvanece
y la autocorrelación decae a cero.
Una de las aplicaciones de la autocorrelación es la medida de espectros
ópticos y en especial la medida de pulsos muy cortos de luz.
Ejemplo 1
a) La autocorrelación del pulso rectangular x(t) = rect(t - 0.5) es igual a la
convolución de x(t) y x(-t) y se ilustra en la figura 1.

Figura 1 Señal para el ejemplo 1A y su autocorrelación


(b) Considere la autocorrelación de x(t) = e-tu(t). Cuando desplazamos x(λ -
t) = et-λu(λ - t) más allá de x(λ) = e-λu{λ), obtenemos dos intervalos (t ≤ 0 y t
> 0) sobre los cuales los resultados de la autocorrelación son descritos como
sigue:
El resultado puede ser expresado como r xx(t) = 0.5e-|t|.
(c) La correlación cruzada de las señales x(t) y h(t), mostradas en la figura 1
C, puede encontrarse usando la convolución de una señal y la versión
reflejada de la otra. Observe que r xh(t) = rhx(-t).

e. ¿Cuál es la diferencia de correlación continua y correlación


discreta?
f. ¿Qué son las series de Fourier?
Las series de Fourier constituyen la herramienta matemática básica del
análisis de Fourier empleado para analizar funciones periódicas a través de
la descomposición de dicha función en una suma infinita de funciones
sinusoidales mucho más simples (como combinación de senos y cosenos
con frecuencias enteras).
g. ¿Qué es la transformada Continua de Fourier? De dos (2) ejemplos
de uso y/o aplicación en la ingeniería.
La transformada continua de Fourier, denominada así por Joseph Fourier, es
una transformación matemática empleada para transformar señales entre
el dominio del tiempo (o espacial) y el dominio de la frecuencia, que tiene
muchas aplicaciones en la física y la ingeniería. Es reversible, siendo capaz
de transformarse en cualquiera de los dominios al otro. El propio término se
refiere tanto a la operación de transformación como a la función que
produce.
La transformada de Fourier es una aplicación que hace corresponder a
una función :


1
𝑔(𝜉) = = ∫ 𝑓(𝑥)𝑒 −𝑖𝜉𝑥 𝑑𝑥
√2𝜋 −∞

Aplicaciones:
La transforma de Fourier sirve en la ingeniería, especialmente para la
caracterización frecuencial de señales y sistema lineales. Es decir, la
transforma de Fourier se utiliza para conocer las características frecuenciales
de las señales y el comportamiento de los sistemas lineales ante estas
señales.
• Generación de formas de onda de corriente o tensión eléctrica por
medio de la superposición de senoides generados por osciladores
electrónicos de amplitud variable cuyas frecuencias ya están
determinadas.
• Análisis en el comportamiento armónico de una señal.
• Aplicaciones en la medicina:
Diagnostico automático: la ecografía permite registrar la vibración de cada
una de las membranas del corazón, proporcionando una curva periódica.
Un programa de ordenador calcula los primeros términos de las sucesiones
(coeficientes de Fourier).
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 “b” corresponde con el último dígito de su
código universitario (documento de identidad), si “a” es cero, o “b”
es cero utilice a=3, o b=3 según sea el caso.
Enlace del libro- Nota: Para poder ingresar al enlace del libro de
Ambardar, debe estar registrado en campus y no debe superar los 5
minutos de ingreso. Después de los 5 minutos le pedirá contraseña y
deberá salir del campus y volver a ingresar.
2.1 Ejercicio 1- Convolución continua (analítica): usando como guía el
ejemplo 6.2 de la página 134 del libro guia Ambardar y teniendo en
cuenta las propiedades de dicha operación determine la convolución
entre 𝑥(𝑡) y ℎ(𝑡) descritas a continuación:

Ítem grupal

𝑥(𝑡) = (𝑎 − 𝑒 −𝑎𝑡 )𝑢(𝑡)


ℎ(𝑡) = 𝑒 −𝑎𝑡 𝑢(𝑡 − 𝑎)

𝒂=𝟒
Remplazamos la constante
❖ 𝑥(𝑡) = (𝑎 − 𝑒 −𝑎𝑡 )𝑢(𝑡)
Remplazo 𝑥(𝑡) → 𝑥(𝜆)
𝑥(𝜆) = (4 − 𝑒 −4𝜆 )𝑢(𝜆)
❖ ℎ(𝑡) = 𝑒 −𝑎𝑡 𝑢(𝑡 − 𝑎)
Remplazo ℎ(𝑡) → ℎ(𝑡 − 𝜆)
ℎ(𝜆) = 𝑒 −4(𝑡−𝜆) 𝑢((𝑡 − 𝜆) − 4)

Ecuación de la convolución:

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

Se reemplaza

𝑦(𝑡) = ∫ (4 − 𝑒 −4𝜆 )𝑢(𝜆) ∗ 𝑒 −4(𝑡−𝜆) 𝑢((𝑡 − 𝜆) − 4) 𝑑𝜆
−∞

Organizamos

𝑦(𝑡) = ∫ (4 − 𝑒 −4𝜆 )𝑒 −4(𝑡−𝜆) 𝑢(𝜆) 𝑢((𝑡 − 𝜆) − 4) 𝑑𝜆
−∞

Límites de la integral
𝑢(𝜆) = 0 𝑢((𝑡 − 𝜆) − 4) = 0
𝜆=0 𝑡−𝜆−4=0
𝜆=0 𝜆 =𝑡−4
Reemplazamos los límites:

❖ 𝑦(𝑡) = ∫−∞(4 − 𝑒 −4𝜆 )𝑒 −4(𝑡−𝜆) 𝑑𝜆

𝑡−4
𝑦(𝑡) = ∫ (4 − 𝑒 −4𝜆 )𝑒 −4(𝑡−𝜆) 𝑑𝜆
0
𝑡−4
𝑦(𝑡) = ∫ 4𝑒 −4(𝑡−𝜆) − 𝑒 −4𝜆 𝑒 −4(𝑡−𝜆) 𝑑𝜆
0
𝑡−4
𝑦(𝑡) = ∫ 4𝑒 −4𝑡+4𝜆 − 𝑒 −4𝜆 𝑒 −4𝑡+4𝜆 𝑑𝜆
0

Propiedades de la exponencial
𝑡−4
𝑦(𝑡) = ∫ 4𝑒 −4𝑡 𝑒 4𝜆 − 𝑒 −4𝜆 𝑒 −4𝑡 𝑒 4𝜆 𝑑𝜆
0
𝑡−4 𝑡−4
𝑦(𝑡) = ∫ 4𝑒 −4𝑡 𝑒 4𝜆 𝑑𝜆 − ∫ 𝑒 −4𝜆 𝑒 −4𝑡 𝑒 4𝜆 𝑑𝜆
0 0

Saco los termines dt (constantes)


𝑡−4 𝑡−4
𝑦(𝑡) = 4𝑒 −4𝑡 ∫ 𝑒 4𝜆 𝑑𝜆 − 𝑒 −4𝑡 ∫ 𝑒 −4𝜆 𝑒 4𝜆 𝑑𝜆
0 0

Propiedades de la exponencial
𝑡−4 𝑡−4
−4𝑡 4𝜆 −4𝑡
𝑦(𝑡) = 4𝑒 ∫ 𝑒 𝑑𝜆 − 𝑒 ∫ 𝑒 −4𝜆+4𝜆 𝑑𝜆
0 0
𝑡−4 𝑡−4
𝑦(𝑡) = 4𝑒 −4𝑡 ∫ 𝑒 4𝜆 𝑑𝜆 − 𝑒 −4𝑡 ∫ 𝑒 0 𝑑𝜆
0 0
𝑡−4 𝑡−4
𝑦(𝑡) = 4𝑒 −4𝑡 ∫ 𝑒 4𝜆 𝑑𝜆 − 𝑒 −4𝑡 ∫ 1 𝑑𝜆
0 0

𝑒 4𝜆 𝑡 − 4 𝑡−4
𝑦(𝑡) = 4𝑒 −4𝑡 ∗ ( ) | − 𝑒 −4𝑡 ∗ 𝜆 |
4 0 0
𝑒 4(𝑡−4) 𝑒 4(0)
𝑦(𝑡) = 4𝑒 −4𝑡 ∗ ( − ) − 𝑒 −4𝑡 ∗ (𝑡 − 4 − 0)
4 4
Propiedad Distributiva

−4𝑡
𝑒 4𝑡−16 𝑒 0
𝑦(𝑡) = 4𝑒 ∗( − ) − 𝑒 −4𝑡 ∗ (𝑡 − 4)
4 4

−4𝑡
𝑒 4𝑡 𝑒 −16 1
𝑦(𝑡) = 4𝑒 ∗( − ) − 𝑒 −4𝑡 ∗ (𝑡 − 4)
4 4
4 −4𝑡 4𝑡 −16 4 −4𝑡
𝑦(𝑡) = 𝑒 𝑒 𝑒 − 𝑒 − 𝑒 −4𝑡 𝑡 + 4𝑒 −4𝑡
4 4
𝑦(𝑡) = 𝑒 −4𝑡+4𝑡 𝑒 −16 − 𝑒 −4𝑡 − 𝑡𝑒 −4𝑡 + 4𝑒 −4𝑡
𝑦(𝑡) = 𝑒 0 𝑒 −16 − 𝑡𝑒 −4𝑡 + 3𝑒 −4𝑡
𝑦(𝑡) = 𝑒 −16 − 𝑡𝑒 −4𝑡 + 3𝑒 −4𝑡
1
𝑦(𝑡) = −𝑡𝑒 −4𝑡 + 3𝑒 −4𝑡 +
𝑒 16
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[𝑛]), a la entrada 𝑥[𝑛].
Posteriormente verifique su respuesta diseñando un script con el
método gráfico de convolución, en Matlab u Octave y anexe el
resultado junto con el script (práctica):

𝑥[𝑛] = [−1, 𝑎, 2̌, 𝑎, 𝑏, 4]


ℎ[𝑛] = [ 2.5, 𝑏̌ , 0.5]
a=4yb=9
𝑥[𝑛] = [−1,4, 2̌, 4,9,4]
ℎ[𝑛] = [ 2.5, 9̌, 0.5]

Índice de inicio: -2 -1 = -3
Índice de terminación: 3 + 1 = 4
Longitud: L = Lx + Ly - 1 = 6 + 3 -1 = 8

n= -3 -2 -1 0 1 2 3
x[n]= -1 4 2 4 9 4
h[n]= 2,5 9 0,5
-
2,5 10 5 10 22,5 10
-9 36 18 36 81 36
-0,5 2 1 2 4,5 2
-
2,5 1 40.5 30 59.5 93 40.5 2
Eje h -3 -2 -1 0 1 2 3 4
𝑦[𝑛] = {−2.5,1,40.5,30,59.5,93,40.5,2}
Ejercicio 3 – Series de Fourier: Usando como guía el capítulo 8 de la página 197
del libro Ambardar, dibuje tres (3) periodos de la siguiente señal 𝑥(𝑡) y
calcule los coeficientes trigonometricos de la serie de Fourier.

a) 𝑥(𝑡) = 3 ∗ 𝑟𝑒𝑐𝑡(𝑡 − 𝑏) con T=4 s

• Encuentre los coeficientes 𝑎0 , 𝑎𝑘 y 𝑏𝑘

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

Recuadro de repaso, Ambardar página 199

“Para la solución de este ejercicio, se deben repasar los métodos de integración vistos
en el curso de cálculo integral.

• Se realiza una ampliación de 3 unidades en el eje vertical


• Se realiza un desplazamiento de 9 unidades hacia el lado positivo
1
• tengo que 𝑤 = 2𝜋𝑓 , 𝑓 = 𝑇

• T= 4 seg

Coeficientes
1 9.5
❖ 𝑎𝑜 = ∫8.5 𝑥(𝑡)𝑑𝑡
𝑇

1 9.5 3 9.5
𝑎𝑜 = ∫ 3𝑑𝑡 = ∫ 𝑑𝑡
4 8.5 4 8.5

3
𝑎𝑜 = 𝑡
4

3
𝑎𝑜 = (9.5 − 8.5)
4
3
𝑎𝑜 = (1)
4
3
𝑎𝑜 =
4
1 9.5
❖ 𝑎𝐾 = 4 ∫8.5 3cos(2𝜋𝑘𝑓𝑜𝑡)𝑑𝑡

3 9.5
𝑎𝐾 = ∫ cos(2𝜋𝑘𝑓𝑜𝑡)𝑑𝑡
4 8.5

𝑢 = 2𝜋𝑘𝑓𝑜𝑡 ∫ cos(𝑢) 𝑑𝑢 = 𝑠𝑒𝑛(𝑢) + 𝑐


𝑑𝑢 = 2𝜋𝑘𝑓𝑜𝑑𝑡
𝑑𝑢
= 𝑑𝑡
2𝜋𝑘𝑓𝑜

3 9.5 𝑑𝑢
𝑎𝐾 = ∫ cos(𝑢)
4 8.5 2𝜋𝑘𝑓𝑜

9.5
3
𝑎𝐾 = ∫ cos(𝑢)𝑑𝑢
4 ∗ 2𝜋𝑘𝑓𝑜 8.5

9.5
3
𝑎𝐾 = ∫ cos(𝑢)𝑑𝑢
8𝜋𝑘𝑓𝑜 8.5

3
𝑎𝐾 = 𝑠𝑒𝑛(8𝜋𝑘𝑓𝑜𝑡)
8𝜋𝑘𝑓𝑜

3 1
𝑎𝐾 = 𝑠𝑒𝑛(2𝜋𝑘 𝑡)
1 𝑇
8𝜋𝑘 𝑇

3 1
𝑎𝐾 = 𝑠𝑒𝑛(2𝜋𝑘 𝑡)
1 4
8𝜋𝑘 4
3 1
𝑎𝐾 = 2𝜋𝑘 𝑠𝑒𝑛(𝜋𝑘 2 𝑡)

3 1 1
𝑎𝐾 = 2𝜋𝑘 (𝑠𝑒𝑛 (𝜋𝑘 2 ∗ 9.5) − 𝑠𝑒𝑛 (𝜋𝑘 2 ∗ 8.5)

3 19 17
𝑎𝐾 = (𝑠𝑒𝑛 (𝜋𝑘 ) − 𝑠𝑒𝑛 (𝜋𝑘 ))
2𝜋𝑘 4 4

19 17
3𝑠𝑒𝑛 (𝜋𝑘 4 ) − 3𝑠𝑒𝑛 (𝜋𝑘 4 ))
𝑎𝐾 =
2𝜋𝑘

1 9.5
❖ 𝑏𝐾 = 4 ∫8.5 3sen(2𝜋𝑘𝑓𝑜𝑡)𝑑𝑡

3 9.5
𝑏𝐾 = ∫ sen(2𝜋𝑘𝑓𝑜𝑡)𝑑𝑡
4 8.5

𝑢 = 2𝜋𝑘𝑓𝑜𝑡 ∫ sen(𝑢) 𝑑𝑢 = −𝑐𝑜𝑠(𝑢) + 𝑐


𝑑𝑢 = 2𝜋𝑘𝑓𝑜𝑑𝑡
𝑑𝑢
= 𝑑𝑡
2𝜋𝑘𝑓𝑜

3 9.5 𝑑𝑢
𝑏𝐾 = ∫ sen(𝑢)
4 8.5 2𝜋𝑘𝑓𝑜

9.5
3
𝑏𝐾 = ∫ sen(𝑢)𝑑𝑢
4 ∗ 2𝜋𝑘𝑓𝑜 8.5

9.5
3
𝑏𝐾 = ∫ sen(𝑢)𝑑𝑢
8𝜋𝑘𝑓𝑜 8.5
3
𝑏𝐾 = − 𝑐𝑜𝑠(2𝜋𝑘𝑓𝑜𝑡)
8𝜋𝑘𝑓𝑜

3 1
𝑏𝐾 = − 𝑐𝑜𝑠(2𝜋𝑘 𝑡)
1 𝑇
8𝜋𝑘 𝑇

3 1
𝑏𝐾 = − 𝑐𝑜𝑠(2𝜋𝑘 𝑡)
1 4
8𝜋𝑘 4

3 1
𝑏𝐾 = − 𝑐𝑜𝑠(𝜋𝑘 𝑡)
2𝜋𝑘 2

3 1 1
𝑏𝐾 = − (𝑐𝑜𝑠 (𝜋𝑘 ∗ 9.5) − 𝑐𝑜𝑠 (𝜋𝑘 ∗ 8.5))
2𝜋𝑘 2 2

19 17
−3𝑐𝑜𝑠 (𝜋𝑘 4 ) + 𝑐𝑜𝑠 (𝜋𝑘 4 )
𝑏𝐾 =
2𝜋𝑘
2.2 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 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):
Constante = 9

a. X(t)
1

+9 +18 t

-1

Se tiene que:
𝑥(𝑡) = −𝑢(𝑡) + 2𝑢(𝑡 − 9) − 𝑢(𝑡 − 18)
1 1 1
𝑋(𝑤) = −𝜋𝛿(𝑤) + + 2 (𝑒 −𝑗𝑤2 (𝜋𝛿(𝑤) + )) − 𝑒 −𝑗𝑤4 (𝜋𝛿(𝑤) + )
𝑗𝑤 𝑗𝑤 𝑗𝑤
Resultados:
1 1 1
𝑋(𝑤) = −𝜋𝛿(𝑤) + + 2 (𝑒 −𝑗𝑤2 (𝜋𝛿(𝑤) + )) − 𝑒 −𝑗𝑤4 (𝜋𝛿(𝑤) + )
𝑗𝑤 𝑗𝑤 𝑗𝑤

1 𝑒 −𝑠9 𝑒 −𝑠18
𝑋(𝑠) = − + 2 ( )−
𝑠 𝑠 𝑠
1 2𝑒 −9𝑠 𝑒 −18𝑠
𝑋(𝑠) = − + −
𝑠 𝑠 𝑠

b. Ítem grupal y(t)


1

0 +2a t

Aporte por: Alexis Pedroza

CICLO DE TAREA TAREA 2 - SEÑALES EN EL DOMINIO DE LA FRECUENCIA:


El estudiante aplica la convolución continua y discreta utilizando los métodos gráficos,
analíticos y tabulares mediante la resolución de ejercicios. El estudiante 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.
Tarea 2 - SEÑALES EN EL DOMINIO DE LA FRECUENCIA.
1. Definición de conceptos: estudiando el libro de (Ambardar), El estudiante
investiga de manera individual y da respuesta a las siguientes preguntas teóricas:

a- EXPLIQUE QUÉ ES CONVOLUCIÓN CONTINUA Y DISCRETA. DE CUATRO (4)


EJEMPLOS DE USOS Y/O APLICACIONES EN LA INGENIERÍA.

CONVOLUCIÓN DISCRETA:
https://www.youtube.com/watch?v=MWOfQwM7Pvk

1
Tomado de http://www4.tecnun.es/asignaturas/tratamiento%20digital/tema2.pdf
Propiedades:
CONVOLUSION CONTINUA:
https://www.youtube.com/watch?v=KSsPzpqTKHo
USOS.

La convolución y las operaciones relacionadas se encuentran en muchas


aplicaciones de ingeniería y matemáticas.
• En estadística, como un promedio móvil ponderado.
• En teoría de la probabilidad, la distribución de probabilidad de la
suma de dos variables aleatorias independientes es la convolución de
cada una de sus distribuciones de probabilidad.
• En óptica, muchos tipos de manchas se describen con convoluciones.
Una sombra (p. ej. la sombra en la mesa cuando se tiene la mano
entre ésta y la fuente de luz) es la convolución de la forma de la
fuente de luz que crea la sombra y del objeto cuya sombra se está
proyectando. Una fotografía desenfocada es la convolución de la
imagen correcta con el círculo borroso formado por el diafragma del
iris.
• 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 y otras disciplinas, 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 (ver animaciones).
• En física, allí donde haya un sistema lineal con un principio de
superposición, aparece una operación de convolución.2

b- ¿QUÉ ES ESTABILIDAD Y CAUSALIDAD DE SISTEMAS LTI?


https://www.youtube.com/watch?v=QRfOkx_3he0&t=276s
https://www.youtube.com/watch?v=iOg3u3m3CWA&t=352s
https://www.youtube.com/watch?v=E3aHJRcDWS0

2
TOMADO DE https://es.wikipedia.org/wiki/Convoluci%C3%B3n
c- EXPLIQUE QUE ES CORRELACIÓN Y DE UN (1) EJEMPLO DE USO Y/O
APLICACIÓN EN LA INGENIERÍA.
https://www.youtube.com/watch?v=HZC6HLkL1wc

Una herramienta útil en análisis de señales y sistemas es la correlación. La


correlación obtiene información sobre las señales en base a promediados
temporales y su transformada de Fourier permite obtener funciones de
Densidad Espectral de Energía o Potencia, dependiendo de las
características de las señales y sistemas bajo estudio. Esta propiedad es
particularmente interesante puesto que la información puede obtenerse
incluso si la señal carece de Transformada de Fourier. Las herramientas
basadas en correlación de señales y su transformada de Fourier, son básicas
en el análisis de procesos. En este capítulo se estudian aplicadas a señales
deterministas. El objetivo es facilitar su comprensión y para ello se desarrolla el
significado de la correlación como medida de parecido entre señales, se
establecen las propiedades de la correlación cuando las señales bajo estudio
están relacionadas por sistemas lineales e invariantes.
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

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


discreto, la expresión de la correlación de funciones discretas reales es

para . De manera similar se pueden transcribir las


expresiones de la correlación en el caso bidimensional.
De forma paralela a como vimos que existia 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,

donde .
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.
CORRELACIÓN Es frecuentemente necesario tener la posibilidad de
cuantificar el grado de interdependencia de un proceso por encima de otro,
o establecer la similitud entre un conjunto de datos y otro. La correlación
puede ser definida matemáticamente y por ende cuantificada. Su rango de
aplicación en el análisis de señal es vasto, por ejemplo, en el radar cuando
se desea encontrar el rango y la posición en la cual las formas de onda son
transmitidas y comparadas. También se puede encontrar como parte
integral de la técnica de estimación de los mínimos cuadrados, en el cálculo
de la potencia promedio de señales. El proceso de convolución es en
esencia una correlación en la cual una de las señales ha sido invertida con
relación al eje de las abscisas.
d- EXPLIQUE QUÉ ES AUTOCORRELACIÓN Y DE UN (1) EJEMPLO DE USO Y/O
APLICACIÓN EN LA INGENIERÍA.

Existe un caso especial cuando ambas secuencias coinciden, x1[n] = x2[n] .


Este proceso se conoce como autocorrelación.

La función de autocorrelación se modela por la expresión:

la cual tiene la siguiente propiedad:

donde S es la energía normalizada asociada a la señal x1[n]. Este hecho


proporciona un método para calcular la energía asociada a una señal. Si la
señal es totalmente aleatoria. por ejemplo, ruido blanco, la autocorrelación
tendrá su valor máximo para
k = 0 (retraso nulo) y fluctuará entorno a cero a medida que el retraso
aumenta. Esto constituye una prueba para señales aleatorias tal y como se
representa en la Figura
3

Cuando se realiza la correlación de una señal consigo misma se denomina


autocorrelaciones decir:

La autocorrelación representa la similitud entre una señal y su desplazada.


El máximo de autocorrelación se obtiene cuando no hay desplazamiento

La autocorrelación es simétrica con respecto al origen, ya que


De inmediato se puede observar como una de las aplicaciones inmediatas
que podría tener la autocorrelación se encuentra en los radares.

3
Tomado de http://www.ehu.eus/Procesadodesenales/tema8/corre1.html
4

e- ¿CUÁL ES LA DIFERENCIA DE CORRELACIÓN CONTINUA Y CORRELACIÓN


DISCRETA?

4
Tomado de https://es.slideshare.net/crico89/correlaciondesenales
CORRELACION:
f- ¿QUÉ SON LAS SERIES DE FOURIER?
https://www.youtube.com/watch?v=8L7haNjw1Pw

Aunque el motivo original era resolver la ecuación de calor, tiempo después


fue obvio que se podía usar la misma técnica a un gran conjunto de
problemas físicos y matemáticos, especialmente aquellos que involucraban
ecuaciones diferenciales lineales con coeficientes constantes, para los
cuales sus soluciones únicas eran sinusoidales.

Fourier introdujo las series con el propósito de resolver la ecuación de


conducción del calor en una lámina de metal publicando sus resultados en
1807 Mémoire sur la propagation de la chaleur dans les corps solides
('Memoria sobre la propagación del calor en los cuerpos sólidos'), y
publicando su Théorie analytique de la chaleur ('Teoría analítica del calor') en
1822. Ideas previas en descomponer una función periódica en la suma de
simples funciones de oscilación datan desde el siglo III a.C., cuando
astrónomos antiguos propusieron un modelo empírico de movimiento
planetario con base en epiciclo.
La ecuación del calor es una ecuación en derivadas parciales. Previamente
al trabajo de Fourier, no se conocía solución alguna para la ecuación de
calor en forma general, aunque se conocían soluciones particulares si la
fuente de calor se comportaba de manera sencilla, en particular, si la fuente
era una onda de seno o coseno. Estas soluciones simples a veces son
llamadas valores propios. La idea de Fourier era modelar una fuente de calor
compleja con una superposición (o combinación lineal) de simples ondas
sinusoidales y para escribir la solución como una superposición de los
correspondientes valores propios. A la superposición o combinación lineal se
le llama Serie de Fourier.

Aunque el motivo original era resolver la ecuación de calor, tiempo después


fue obvio que se podía usar la misma técnica a un gran conjunto de
problemas físicos y matemáticos, especialmente aquellos que involucraban
ecuaciones diferenciales lineales con coeficientes constantes, para los cuales
sus soluciones únicas eran sinusoidales. Las series de Fourier tienen muchas
aplicaciones en la ingeniería eléctrica, análisis de vibraciones, acústica,
óptica, procesamiento de señales, retoque fotográfico, mecánica cuántica,
econometría, la teoría de estructuras con cascarón delgado, etc.

5
Tomado de https://es.wikipedia.org/wiki/Serie_de_Fourier
g- ¿QUÉ ES LA TRANSFORMADA CONTINUA DE FOURIER? DE DOS (2) EJEMPLOS DE
USO Y/O APLICACIÓN EN LA INGENIERÍA.
EJERCICIOS ALEXIS PEDROZA

a= 4 b=6
Ejercicio 1_ ALEXIS PEDROZA.

x(t) = (a − e−at )u(t) señal que entra al sistema.


h(t) = e−at u(t − a) respuesta.

Siendo a = 4.
Se tiene:
x(t) = (4 − e−4t )u(t)
h(t) = e−4t u(t − 4)

Entonces:
Remplazamos la constante λ por t, se tiene:
𝑥(𝑡) = (𝑎 − 𝑒 −𝑎𝑡 )𝑢(𝑡)
𝑥(𝑡) = (4 − 𝑒 −4𝑡 )𝑢(𝑡)
Remplazo 𝑥(𝑡) → 𝑥(𝜆)

𝑥(𝜆) = (4 − 𝑒 −4𝜆 )𝑢(𝜆)


ℎ(𝑡) = 𝑒 −𝑎𝑡 𝑢(𝑡 − 𝑎)
Remplazo ℎ(𝑡) → ℎ(𝑡 − 𝜆) se genera un desplazamiento a la repuesta o
impulso.

ℎ(𝜆) = 𝑒 −4(𝑡−𝜆) 𝑢((𝑡 − 𝜆) − 4)

Formula de Convolución:

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

Límites de la integral
𝑢(𝜆) = 0 𝜆<0 𝑢((𝑡 − 𝜆) − 4) = 0 𝜆 > 0
𝜆=0 𝑡−𝜆−4=0
𝜆=0 𝜆<0 𝜆 =𝑡−4 λ> t – 4

(∞, −∞) = evaluada en los limites ((𝑡 − 4),0)

Reemplazamos los límites:


𝑡−4
𝑦(𝑡) = ∫ (4 − 𝑒 −4𝜆 )𝑢(𝜆) ∗ 𝑒 −4(𝑡−𝜆) 𝑢((𝑡 − 𝜆) − 4) 𝑑𝜆
0

Siendo 𝑢(𝜆) = 0 𝑢((𝑡 − 𝜆) − 4) = 0

𝑡−4
𝑦(𝑡) = ∫ (4 − 𝑒 −4𝜆 )𝑒 −4(𝑡−𝜆) 𝑢(𝜆) 𝑢((𝑡 − 𝜆) − 4) 𝑑𝜆
0
𝑡−4
𝑦(𝑡) = ∫ (4 − 𝑒 −4𝜆 )𝑒 −4(𝑡−𝜆) 𝑑𝜆
0
𝑡−4
𝑦(𝑡) = ∫ (4 − 𝑒 −4𝜆 )𝑒 −4𝑡+4𝜆) 𝑑𝜆 𝑦(𝑡)
0
𝑡−4
𝑦(𝑡) = ∫ 4𝑒 −4𝑡+4𝜆) − 𝑒 −4𝜆 ∗ 𝑒 −4𝑡+4𝜆) 𝑑𝜆
0
Por la propiedad de los exponenciales se tiene:
𝑡−4
𝑦(𝑡) = ∫ 4𝑒 −4𝑡+4𝜆) − 𝑒 −4𝜆 ∗ 𝑒 −4𝑡+4𝜆) 𝑑𝜆
0
𝑡−4
𝑦(𝑡) = ∫ 4𝑒 −4𝑡 4𝑒 4𝜆 − 𝑒 −4𝜆 ∗ 𝑒 −4𝑡 𝑒 4𝜆 𝑑𝜆
0
𝑡−4
𝑦(𝑡) = ∫ 4𝑒 −4𝑡 4𝑒 4𝜆 − 𝑒 −4𝜆 ∗ 𝑒 −4𝑡 𝑒 4𝜆 𝑑𝜆
0

Propiedades de las integrales:


Se tiene:
𝑡−4
𝑦(𝑡) = ∫ 4𝑒 −4𝑡 𝑒 4𝜆 − 𝑒 −4𝜆 ∗ 𝑒 −4𝑡 𝑒 4𝜆 𝑑𝜆
0
𝑡−4 𝑡−4
𝑦(𝑡) = ∫ (4𝑒 −4𝑡 𝑒 4𝜆 )𝑑𝜆 − ∫ (𝑒 −4𝑡 𝑒 4𝜆 𝑒 −4𝜆 ) 𝑑𝜆
0 0

Como la integración es en función de λ


𝑡−4 𝑡−4
𝑦(𝑡) = 4𝑒 −4𝑡 ∫ (𝑒 4𝜆 )𝑑𝜆 − 𝑒 −4𝑡 ∫ (𝑒 4𝜆 𝑒 −4𝜆 ) 𝑑𝜆
0 0
4𝜆
Aplicando propiedad de las potenciaciones 𝑒 4𝜆−4𝜆 = 𝑒 4𝜆 = 𝑒 0 = 1

𝑡−4 𝑡−4
−4𝑡 4𝜆 −4𝑡
𝑦(𝑡) = 4𝑒 ∫ (𝑒 )𝑑𝜆 − 𝑒 ∫ 1 𝑑𝜆
0 0

𝑒 𝑛𝑥
Siendo ∫ 𝑒 𝑛𝑥 𝑑𝑥 = y como la ∫ 1 = 𝜆 se tiene:
𝑛
−4𝑡
𝑒 4𝜆
𝑦(𝑡) = 4𝑒 ∗ ( ) − 𝑒 −4𝑡 𝜆
4

𝑒 4𝜆
𝑦(𝑡) = 4𝑒 −4𝑡 ∗ − 𝑒 −4𝑡 𝜆
4

Evaluando limites para λ

𝑡−4 𝑡−4
𝑦(𝑡) = 𝑒 −4𝑡 ∗ 𝑒 4𝜆 { − 𝑒 −4𝑡 𝜆 {
0 0

𝑦(𝑡) = 𝑒 −4𝑡 ∗ (𝑒 4(𝑡−4) − 𝑒 0 ) − ( 𝑒 −4𝑡 (𝑡 − 4 − 0))

𝑦(𝑡) = 𝑒 −4𝑡 ∗ (𝑒 4(𝑡−4) − 1) − (𝑒 −4𝑡 (𝑡 − 4))

Simplificando:

𝑦(𝑡) = 𝑒 −4𝑡 (𝑒 4𝑡 ∗ 𝑒 −16 − 1) − 𝑒 −4𝑡 (𝑡 − 4)

4𝜆
Aplicando propiedad de las potenciaciones 𝑒 4𝜆−4𝜆 = 𝑒 4𝜆 = 𝑒 0 = 1

𝑦(𝑡) = (1 ∗ 𝑒 −16 − 𝑒 −4𝑡 ) − 𝑒 −4𝑡 𝑡 − 4 𝑒 −4𝑡

𝑦(𝑡) = (1 ∗ 𝑒 −16 − 𝑒 −4𝑡 ) − (𝑒 −4𝑡 𝑡 − 4 𝑒 −4𝑡 )

𝑦(𝑡) = (1 ∗ 𝑒 −16 − 𝑒 −4𝑡 ) + (−𝑒 −4𝑡 𝑡 + 4 𝑒 −4𝑡 )

𝑦(𝑡) = 𝑒 −16 −𝑒 −4𝑡 𝑡 + 3 𝑒 −4𝑡

1 𝑡 3
𝑦(𝑡) = − +
𝑒 16 𝑒 4𝑡 𝑒 −4𝑡

Entonces se puede concluir que la convolución de


𝑥(𝑡) = (𝑎 − 𝑒 −𝑎𝑡 )𝑢(𝑡)
𝑥(𝑡) = (4 − 𝑒 −4𝑡 )𝑢(𝑡)
Es

1 𝑡 3
𝑦(𝑡) = − + −4𝑡
𝑒 16 𝑒 4𝑡 𝑒
EJERCICIO 2 ALEXIS PEDROZA

EJERCICIO 2

https://www.youtube.com/watch?v=4dShGBHDM3Y

𝑥[𝑛] = [−1, 𝑎, 2̌, 𝑎, 𝑏, 4]

𝑛=0

ℎ[𝑛] = [ 2.5, 𝑏̌, 0.5]

𝑚=0
a=4yb=6

𝑥[𝑛] = [−1, 4, 2̌, 4, 6, 4] señal de entrada.

𝑛 = [−2, −1, 0, 1, 2, 3] eje tiempo para señal de entrada.

ℎ[𝑛] = [ 2.5, 6̌, 0.5] Respuesta al impulso filtro.

𝑚 = [−1, 0, 1] eje tiempo para la respuesta o filtro.


𝑥[𝑛] = [−1, 4, 2̌, 4, 6, 4] señal de entrada.

𝑛 = [−2, −1, 0, 1, 2, 3] eje tiempo para señal de entrada.

Índice de inicio = n= -2

ℎ[𝑛] = [ 2.5, 6̌, 0.5] Respuesta al impulso filtro.

𝑚 = [−1, 0, 1] eje tiempo para la respuesta o filtro.

Índice de inicio = n= -1

Números de elementos:

𝑥[𝑛] = [−1, 4, 2̌, 4, 6, 4] = 6 = lx (longitud de la función, 𝑥[𝑛])

ℎ[𝑛] = [ 2.5, 6̌, 0.5] = 3 = lh (longitud de la función, ℎ[𝑛])

̌ , 40, 48, 27, 2 ]


y[n] = [−2.5, 4, 29, 24

= 6+ 3 - 1 = 8 lx + lh -1 = ly (longitud de la función, 𝑦[𝑛])

La entrada como 𝒙[𝒏] = 𝟐𝜹[𝒏] − 𝜹[𝒏 − 𝟏] + 𝟑𝜹[𝒏 − 𝟐] tabula la respuesta a cada impulso y la
respuesta total como:

x[n] -1 4 2 4 6 4
h[n] 2,5 6 0,5
ENTRADA SALIDA
2Ᵹ[n] 2h[n] -2,5 10 5 10 15 10
- Ᵹ[n-1] - h[n-1] -6 24 12 24 36 24
3Ᵹ[n-2] 3h[n-2] -0,5 2 1 2 3 2

suma=x[n] suma=y[n] -2,5 4 29 24 40 48 27 2

CONVOLUCION DISCRETA DE y[n] = x[n]*h[n]


y[n] = [−2.5, 4, 29, 24, 40, 48, 27, 2 ]
𝐢𝐧𝐝𝐢𝐜𝐞 𝐝𝐞 𝐢𝐧𝐢𝐜𝐢𝐨 = 𝑖𝑛𝑑𝑖𝑐𝑒 𝑛 + 𝑖𝑛𝑑𝑖𝑐𝑒 𝑚 = −1 − 2 = −3
𝑛 = [−3, −2, −1, 0, 1, 2, 3, 4] eje tiempo para señal de entrada.

y[n] = [−2.5, 4, 29, ̌,


24 40, 48, 27, 2 ]

𝑛=0

Graficando en Matlab.
Programa en Matlab
clear all;
a=4;
b=6;
%%Grafica X[n]- Alexis Pedroza
Xn=[-1,a,2,a,b,4];
n=[-2,-1,0,1,2,3];
subplot(3,1,1);
stem(n,Xn,'r');
grid;
title("señal discreta X[n] - Alexis Pedroza");
xlabel("n");
ylabel("Amplitud");
xlim([-4,4]);

%%Grafica H[n]- Alexis Pedroza


Hn=[2.5, b, 0.5];
m=[-1,0,1];
subplot(3,1,2);
stem(m,Hn,'b');
grid;
title("señal discreta H[n] - Alexis Pedroza");
xlabel("m");
ylabel("Amplitud");
xlim([-4,4]);

%%Grafica y[n]- convolucion H[n]*x[n] Alexis Pedroza


c=conv(Xn,Hn);
ncon=[-3,-2,-1,0,1,2,3,4]
subplot(3,1,3);
stem(ncon,c,'g');
grid;
title("convolution y[n]=X[n]*Y[n] - Alexis Pedroza");
xlabel("n");
ylabel("Amplitud");
xlim([-4,4]);
EJERCICIO 3

https://www.youtube.com/watch?v=Qt4Bu1xTlR4

https://www.youtube.com/watch?v=60thSFL1wjs

https://www.youtube.com/watch?v=19gfvVf9Oys

Entonces analizando la señal x(t) se tiene:

𝑥(𝑡) = 3 ∗ 𝑟𝑒𝑐(𝑡 − 𝑏)

Donde b = 6 por lo tanto:


𝑥(𝑡) = 3 ∗ 𝑟𝑒𝑐(𝑡 − 6)

Para la función rec(t - b) se puede concluir que es un impulso unitario.


Se tiene para el ejercicio

Con la siguiente grafica podemos determinar que x(t)=3 para (6.5 , 5.5)

SABIENDO QUE PARA EL CALCULO DE LOS COEFICIENTES DE LA SERIE DE


FOURIER SE TIENE:

𝑙𝑎 𝑓𝑜𝑟𝑚𝑎 𝑡𝑟𝑖𝑔𝑜𝑛𝑜𝑚𝑒𝑡𝑟𝑖𝑎 𝑑𝑒 𝑢𝑛𝑎 𝑠𝑒𝑟𝑖𝑒 𝑑𝑒 𝑓𝑜𝑢𝑟𝑖𝑒𝑟 𝑐𝑜𝑛 𝑠𝑒ñ𝑎𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑖𝑐𝑎 𝑥𝑝(𝑡)

Frecuencia fundamental
1 2π
𝑓0 = 𝑤0 = 𝑠𝑖𝑒𝑛𝑑𝑜 𝑇 = 4𝑠
𝑇 T

Se tiene

𝑥𝑝(𝑡) = 𝑎0 + ∑ 𝑎𝑘𝑐𝑜𝑠(2𝜋𝑓0 𝑡) + 𝑏𝑘 𝑠𝑒𝑛(2𝜋𝑓0 𝑡)


𝑘=1

1
𝑥𝑝(𝑡) = 𝑎 + ∑ an cos(nw0 t) + ∑ bn sen(𝑛𝑤0 𝑡)
2 0
𝑛=1 𝑛=1

Siendo:
1
a0 = ∫ x(t)dt
T T

2
ak = ∫ x(t)cos(2xkf0 )dt
T T

2
bk = ∫ x(t)sen(2xkf0 )dt
T T

Definiendo los límites de mi señal = ( 6.5, 5.5)

Encontrando los coeficientes:

1 6.5
ao = ∫ x(t)dt
T 5.5

Teniendo como funcion:


𝑥(𝑡) = 3 ∗ 𝑟𝑒𝑐(𝑡 − 6)

Sabiendo que: la integral de un escalon es 1


Se tiene y considerando que para la grafica se obtuvo una respuesta de x(t)=3 para los limites
(6.5 , 5.5).

1 6.5 3 6.5 3 6.5 3


𝑎𝑜 = ∫ 3 𝑑𝑡 = ∫ 3 𝑑𝑡 = ∫ 1 𝑑𝑡 = 𝑡
4 5.5 4 5.5 4 5.5 4

3
𝑎𝑜 = 𝑡
4

3
𝑎𝑜 = (6.5 − 5.5)
4
3
𝑎𝑜 = (1)
4
𝟑
𝐚𝐨 =
𝟒
1 6.5
𝑎𝐾 = ∫ 3cos(2𝜋𝑘𝑓𝑜𝑡)𝑑𝑡
4 5.5

3 6.5
𝑎𝐾 = ∫ cos(2𝜋𝑘𝑓𝑜𝑡)𝑑𝑡
4 5.5

𝜋𝑘
𝑢 = 2𝜋𝑘𝑓𝑜𝑡 𝑢= 2
𝑡 ∫ 𝐜𝐨𝐬(𝒖) 𝒅𝒖 = 𝒔𝒆𝒏(𝒖) + 𝒄
𝑑𝑢 = 2𝜋𝑘𝑓𝑜𝑑𝑡
𝑑𝑢 𝑑𝑢 𝑑𝑢
= 𝑑𝑡 1 = 𝑑𝑡 𝜋𝑘 = 𝑑𝑡
2𝜋𝑘𝑓𝑜 2𝜋𝑘
4 2

3 6.5 𝑑𝑢
𝑎𝐾 = ∫ cos(𝑢)
4 5.5 2𝜋𝑘𝑓𝑜
6.5
3
𝑎𝐾 = ∫ cos(𝑢)𝑑𝑢 ∫ 𝐬𝐞𝐧(𝒖) 𝒅𝒖 = −𝒄𝒐𝒔(𝒖) + 𝒄
𝜋𝑘
4 ∗ 2 5.5

6.5
3
𝑎𝐾 = ∫ cos(𝑢)𝑑𝑢
2𝜋𝑘 5.5

3 𝜋𝑘 6.5
𝑎𝐾 = 𝑠𝑒𝑛 ( 𝑡) {
2𝜋𝑘 2 5.5

3 𝜋𝑘 6.5
𝑎𝐾 = 𝑠𝑒𝑛 ( 𝑡) {
2𝜋𝑘 2 5.5

3 𝜋𝑘 6.5
𝑎𝐾 = 𝑠𝑒𝑛 ( 𝑡) {
2𝜋𝑘 2 5.5

3 1 6.5
𝑎𝐾 = 2𝜋𝑘 𝑠𝑒𝑛 (𝜋𝑘 2 𝑡) {
5.5
3 1 1
𝑎𝐾 = 2𝜋𝑘 (𝑠𝑒𝑛 (𝜋𝑘 2 ∗ 6.5) − 𝑠𝑒𝑛 (𝜋𝑘 2 ∗ 5.5)

3 13 11
𝑎𝐾 = (𝑠𝑒𝑛 (𝜋𝑘 ) − 𝑠𝑒𝑛 (𝜋𝑘 ))
2𝜋𝑘 4 4

13 11
3𝑠𝑒𝑛 (𝜋𝑘 ) − 3𝑠𝑒𝑛 (𝜋𝑘 4 ))
4
𝑎𝐾 =
2𝜋𝑘

3 6.5 𝑑𝑢
𝑏𝐾 = ∫ sen(𝑢)
4 5.5 2𝜋𝑘𝑓𝑜

6.5
3
𝑏𝐾 = ∫ sen(𝑢)𝑑𝑢
𝜋𝑘
4 ∗ 2 5.5

6.5
3
bK = ∫ sen(u)du
2πk 5.5

3 πk 6.5
bK = − cos ( t) {
2πk 2 5.5

3 πk 6.5
bK = − cos ( t) {
2πk 2 5.5

3 πk 6.5
bK = − cos ( t) {
2πk 2 5.5
3 1 6.5
bK = − cos (πk 2 t) {
2πk 5.5

3 1 1
bK = − 2πk
(cos (πk 2 ∗ 6.5) + cos (πk 2 ∗ 5.5)

3 13 11
bK = − (cos (πk ) + cos (πk ))
2πk 4 4

13 11
−3cos (πk ) + 3cos (πk 4 ))
4
aK =
2πk

Para
𝑥(𝑡) = 3 ∗ 𝑟𝑒𝑐(𝑡 − 6)
Las series de Fourier son:

1 𝟑
a0 = ∫ x(t)dt =
T T 𝟒

𝟏𝟑 𝟏𝟏
2 𝟑𝐬𝐞𝐧 (𝛑𝐤 ) − 𝟑𝐬𝐞𝐧 (𝛑𝐤 ))
𝟒 𝟒
ak = ∫ x(t)cos(2xkf0 )dt = 𝑎𝐾 =
T T 𝟐𝛑𝐤

𝟏𝟑 𝟏𝟏
2 −𝟑𝐜𝐨𝐬 (𝛑𝐤 ) + 𝟑𝐜𝐨𝐬 (𝛑𝐤 ))
𝟒 𝟒
bk = ∫ x(t)sen(2xkf0 )dt =
T T 𝟐𝛑𝐤
Conclusiones

El desarrollo de este trabajo ha permitido fortalecer los conocimientos de conceptos acerca de señales
y sistemas.
Se logro concluir que con la convolucion entre señales y teneniendo operaciones matematicas definimos
la integral de un producto a ambas direcciones desplazando una de ellas .
Con las series de Fourier logramos concluir que una funsion continua y periodica por metodos
matematicas se da a partes , obteniendo combinacion de senos y cosenos
Interactuar con el programa Matlab para el uso de señales y sus graficas
Analizar las señales y sistemas, convolución continua y discretaAprender a realizar ejercicios con series
de Fourier
Aprender a realizar ejercicios con Transformada de Fourier
Obtener señales de forma grafica por medio del programa matlab
Como resultado de este trabajo es posible concluir que la aplicación y valoración de los conceptos de
señales y sistemas se logra desarrollar los problemas expuestos por la guía y que hacen parte de la vida
cotidiana.
REFERENCIAS BIBLIOGRÁFICAS

Convolución Continua:
Ambardar, A. (2002). Procesamiento de señales analógicas y digitales: Convolución.
Cengage Learning, (2nd ed, pp. 130-155). Recuperado
de http://bibliotecavirtual.unad.edu.co:2081/ps/retrieve.do?resultListType=RELATED_D
OCUMENT&userGroupName=unad&inPS=true&contentSegment=&prodId=GVRL&isET
OC=true&docId=GALE|CX4060300056

Correlación Continua:
Ambardar, A. (2002). Procesamiento de señales analógicas y digitales: Correlación.
Cengage Learning, (2nd ed, pp. 156-159). Recuperado
de http://bibliotecavirtual.unad.edu.co:2081/ps/retrieve.do?tabID=&userGroupName
=unad&inPS=true&prodId=GVRL&contentSet=GALE&docId=GALE|CX4060300067
Convolución Discreta:
Ambardar, A. (2002). Procesamiento de señales analógicas y digitales: Convolución
Discreta. Cengage Learning, (2nd ed, pp. 169-183). Recuperado
de http://bibliotecavirtual.unad.edu.co:2081/ps/retrieve.do?resultListType=RELATED_D
OCUMENT&userGroupName=unad&inPS=true&contentSegment=&prodId=GVRL&isET
OC=true&docId=GALE|CX4060300069