SEÑALES Y SISTEMAS

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

GRUPO No. 203042_26

ANTONY GENARO PAVA BAYONA

YEISON YESID BERTEL LOPEZ
JUAN PABLO DIAZ DIAZ
JHOAN ESTEVAN NIÑO
JULIO CESAR CORREA SIERRA

Presentado a:
Tutor FAVER ADRIAN AMOROCHO

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD

ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA
CEAD BUCARAMANGA
2019

1
 INTRODUCCIÓN

En el desarrollo de esta actividad, se busca aclarar los conceptos concernientes al

comportamiento de las señales en el dominio de la frecuencia, mediante el análisis
de las series y transformada de Fourier, mediante la aplicación de la convolución
continua y discreta utilizando los métodos gráficos, analíticos y tabulares por medio
de 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.

2
 OBJETIVOS

• Comprender de manera matemática el comportamiento de las señales en el

dominio de la frecuencia, mediante el análisis de las series y transformada
de Fourier.

• Realizar los cálculos matemáticos realizando análisis de las series y

transformada de Fourier.

• Realizar simulación en software de preferencia de las operaciones realizadas

sobre señales continuas y discretas, con el fin de comprender el
comportamiento de las señales continuas en el dominio de la frecuencia.

3
 DESARROLLO ACTIVIDADES INDIVIDUALES

ANTONY GENARO PAVA BAYONA

Código: 1093908934

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.

Se denomina convolución a una función que, de forma lineal y continua,

transforma una señal de entrada en una nueva señal de salida. La función
de convolución se expresa por el símbolo *.
En un sistema unidimensional, se dice que g(x) convolución f(x) cuando.
+∝
𝑓(𝑥) ∗ 𝑔(𝑥) = ∫ 𝑓(𝑥 ′ )𝑔(𝑥 − 𝑥 ′ )𝑑𝑥′
−∝

Donde x’ es una variable de integración.

El resultado de g(x) depende únicamente del valor de f(x) en el punto x, pero no de

la posición de x.

Es la propiedad que se denomina invariante respecto la posición (position-invariant)

y es condición necesaria en la definición de las integrales de convolución.

En el caso de una función continua, bidimensional, como es el caso de una imagen

monocroma, la convolución de f(x,y) por g(x,y) será:

+∝ +∝
𝑓(𝑥, 𝑦) ∗ 𝑔(𝑥, 𝑦) = ∫ ∫ 𝑓(𝑥′ , 𝑦)𝑔(𝑥 − 𝑥′ , 𝑦 − 𝑦′)𝑑𝑥′𝑑𝑦′
−∝ −∝

4
g(x,y) debe cumplir el requisito de no variar según la posición x e y.

Convolución discreta:

En un sistema discreto, como el de las imágenes digitalizadas, la convolución

de la función f(x,y) por g(x,y), en la que g(x,y) es una matriz de M filas por N
columnas, es:
𝑀−1 𝑁−1

𝑓(𝑥, 𝑦) ∗ 𝑔(𝑥, 𝑦) = ∑ ∑ 𝑓(𝑚, 𝑛)𝑔(𝑥 − 𝑚, 𝑦 − 𝑛)

𝑚−0 𝑛−0
Donde x= 0,1,2, ..., M y y=0,1,2, ..., N

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

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]| <∝

𝑘=−∝ 𝑘=−∝
∝ ∝ ∝

∑ |𝑥[𝑘]||ℎ[𝑛 − 𝑘]| ≤ ∑ 𝑃|ℎ[𝑛 − 𝑘]| ∝ −−→ ∑|ℎ[𝑛]| <∝

𝑘=−∝ 𝑘=−∝ −∝

Casualidad:
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 < 0

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

futuros

5
 de x[n] en la suma de convolución no podrá depender de valores de x[k] si
k>n.
𝑦[𝑛] = ∑∝𝑘=−∝ 𝑥[𝑘]ℎ[𝑛 − 𝑘] = ∑𝑛𝑘=−∝ 𝑥[𝑘]ℎ[𝑛 − 𝑘] Esta igualdad solo si es
casual.

ℎ[𝑛 − 𝑘] = 0 𝑠𝑖 𝑘 > 𝑛
Para que se de esa igualdad:
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.

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

en la ingeniería.
Alude a la proporcionalidad y la relación lineal que existe entre distintas
variables. Si los valores de una variable se modifican de manera sistemática
con respecto a los valores de otra, se dice que ambas variables se
encuentran correlacionadas.

Supongamos que tenemos una variable R y una variable S. Al aumentar los

valores de R, aumentan los valores de S. De igual modo, al aumentar los
valores de S, se incrementan los valores de R. Por lo tanto, hay una
correlación entre las variables R y S.

𝑛 ∑𝑛 𝑛 𝑛
𝑖=1 𝑥𝑖 𝑦𝑖 −∑𝑖=1 𝑥𝑖 ∗∑𝑖=1 𝑦𝑖
𝑟=
√[𝑛 ∑𝑛 2 𝑛 𝑛 2 𝑛
𝑖=1 𝑥 𝑖 −(∑𝑖=1 𝑥𝑖 )^2][𝑛 ∑𝑖=1 𝑦 𝑖 −(∑𝑖=1 𝑦𝑖 )^2]

r = coeficiente de correlación

n = número de pares ordenados

x = variable independiente

y = variable independiente

6
Edad (x) Peso (y) X2 Y2 X* Y

15 60 225 3600 900

30 75 900 5625 2250

18 67 324 4489 1206

42 80 1764 6400 3360

28 60 784 3600 1680

19 65 361 4225 1235

31 92 961 8464 2852

183 499 5319 36403 13483

𝑟
𝑛 ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − ∑𝑛𝑖=1 𝑥𝑖 ∗ ∑𝑛𝑖=1 𝑦𝑖
=
√[𝑛 ∑𝑛𝑖=1 𝑥 2 𝑖 − (∑𝑛𝑖=1 𝑥𝑖 )^2][𝑛 ∑𝑛𝑖=1 𝑦 2 𝑖 − (∑𝑛𝑖=1 𝑦𝑖 )^2]

7 ∗ 13483 − (183 ∗ 499)

𝑟=
√[7 ∗ 5319 − (183)2 ][7 ∗ 36403 − (499)2 ]
= 0,65638606
d- Explique qué es auto correlación y de un (1) ejemplo de uso y/o
aplicación en la ingeniería.
La auto correlación se define como la correlación cruzada de la señal consigo
misma, la función de auto correlación resulta de gran utilidad para encontrar
patrones repetitivos dentro de una señal, como la periodicidad de una señal
enmascarada bajo el ruido o para identificar la frecuencia fundamental de una

7
señal que no contiene dicha componente, pero aparecen numerosas frecuencias
armónicas de esta.

En la ingeniería la podemos utilizar en el procesado de señal, la auto correlación

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).

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

f- ¿Qué son las series de Fourier?

Una serie de Fourier es una serie infinita que converge puntualmente a una
función periódica y continua a trozos (o por partes). 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).
Es una aplicación usada en muchas ramas de la ingeniería, además de ser
una herramienta sumamente útil en la teoría matemática abstracta. Áreas de
aplicación incluyen análisis vibratorio, acústica, óptica, procesamiento de
imágenes y señales, y compresión de datos. En ingeniería, para el caso de
los sistemas de telecomunicaciones, y a través del uso de los componentes
espectrales de frecuencia de una señal dada, se puede optimizar el diseño
de un sistema para la señal portadora del mismo. Refiérase al uso de un
analizador de espectros.

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

uso y/o aplicación en la ingeniería.

La transformada Fourier de una señal unidimensional o función continua 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

8
donde , y la

variable u que aparece en la función representa a las frecuencias. Puede

demostrarse además que esta transformación tiene inversa, es decir que dada

la función podemos a partir de ella calcular la función . La expresión

matemática de dicha transformada inversa es

Estas dos funciones y se denominan un par de transformadas

Fourier. En general las 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 pués se expresará de forma general

como , donde denota la parte real y la parte

imaginaria. Como todo número complejo para cada valor de u, puede

expresarse en términos de su módulo y de su ángulo de fase es

9
decir, tambien puede expresarse como ,

donde ,y .

A la función se le denomina espectro de Fourier de la señal , y al

cuadrado de dicha función. se le denomina espectro de potencias

de . La siguiente figura muestra una señal simple y su TF

Debemos notar la relación existente entre la altura y anchura del rectángulo y la

altura y los ceros de la TF.

10
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 𝑥(𝑡) y ℎ(𝑡) descritas a continuación:

Ítem grupal

𝑥(𝑡) = (𝑎 − 𝑒 −𝑎𝑡 )𝑢(𝑡)

h(t) = e−at 𝑢(t − a)

se reemplaza a por el 6 que es el último número del grupo:

𝑥(𝑡) = (6 − 𝑒 −6𝑡 )𝑢(𝑡)

ℎ(𝑡) = 𝑒 −6𝑡 𝑢(𝑡 − 6)

𝑥(𝑡) → 𝑥(𝜆) y ℎ(𝑡) → ℎ(𝑡 − 𝜆)

𝑥(𝑡) = (6 − 𝑒 −6𝜆 )𝑢(𝜆)

ℎ(𝑡) = 𝑒 −6(𝑡−𝜆) 𝑢((𝑡 − 𝜆) − 6)

∞
𝑦(𝑡) = ∫ (6 − 𝑒 −6𝜆 )𝑢(𝜆) 𝑒 −6(𝑡−𝜆) 𝑢((𝑡 − 𝜆) − 6)𝑑𝜆
−∞

∞
(𝑡) = ∫ (6 − 𝑒 −6𝜆 ) 𝑒 −6(𝑡−𝜆) 𝑢(𝜆)𝑢((𝑡 − 𝜆) − 6)𝑑𝜆
−∞

Los límites de la integral son:

𝒖(𝝀) = 𝟎 𝝀=𝟎

Por consiguiente y teniendo en cuenta el valor de “a”

𝑡−𝜆−6=0

𝜆 =𝑡−6

11
 𝑡−6
𝑦(𝑡) = ∫ 6 − 𝑒 −6𝜆 𝑒 −6(𝑡−𝜆) 𝑑𝜆
0

𝑡−6
𝑦(𝑡) = ∫ 6𝑒 −6(𝑡−𝜆) − 𝑒 −6𝜆 𝑒 −6(𝑡−𝜆) 𝑑𝜆
0

𝑡−6
𝑦(𝑡) = ∫ 6𝑒 −6𝑡+6𝜆 − 𝑒 −6𝜆 𝑒 −6𝑡 𝑒 6𝜆 𝑑𝜆
0

𝑡−6 𝑡−6
−6𝑡+6𝜆
𝑦(𝑡) = 6 ∫ 𝑒 𝑑𝜆 − ∫ 𝑒 −6𝜆 𝑒 −6𝑡 𝑒 6𝜆 𝑑𝜆
0 0

𝒆𝒂+𝒃 = 𝒆𝒂 ∗ 𝒆𝒃

𝑡−6 𝑡−6
𝑦(𝑡) = 6 ∫ 𝑒 −6𝑡 𝑒 6𝜆 𝑑𝜆 − ∫ 𝑒 −6𝜆 𝑒 −6𝑡 𝑒 6𝜆 𝑑𝜆
0 0

𝑡−6 𝑡−6
𝑦(𝑡) = 6𝑒 −6𝑡 ∫ 𝑒 6𝜆 𝑑𝜆 − 𝑒 −6𝑡 ∫ 𝑒 −6𝜆 𝑒 6𝜆 𝑑𝜆
0 0

𝒆𝒂+𝒃 = 𝒆𝒂 ∗ 𝒆𝒃

𝑡−6 𝑡−6
−6𝑡 6𝜆 −6𝑡
𝑦(𝑡 ) = 6𝑒 ∫ 𝑒 𝑑𝜆 − 𝑒 ∫ 𝑒 −9𝜆+9𝜆 𝑑𝜆
0 0

𝑡−6 𝑡−6
−6𝑡 6𝜆 −6𝑡
𝑦(𝑡 ) = 6𝑒 ∫ 𝑒 𝑑𝜆 𝑒 ∫ 1𝑑𝜆
0 0

𝑒 6𝜆
𝑦(𝑡 ) = 6𝑒 −6𝑡 ∙ ( ) − 𝑒 −6𝑡 𝜆
6

−6𝑡
𝑒 6(𝑡−6) 𝑒 6(0)
𝑦(𝑡 ) = 6𝑒 ∙( − ) − 𝑒 −6𝑡 (𝑡 − 6 − 0)
6 6

−6𝑡
𝑒 6𝑡 𝑒 −36 1
𝑦(𝑡) = 6𝑒 ∙( − ) − 𝑒 −6𝑡 (𝑡 − 6 − 0)
6 6

12
 6 −6𝑡 6𝑡 −36 6 −6𝑡
𝑦 (𝑡 ) = 𝑒 𝑒 𝑒 − 𝑒 − 𝑒 −6𝑡 𝑡 + 6𝑒 −6𝑡
6 6

𝑦(𝑡 ) = 𝑒 −6𝑡+6𝑡 𝑒 −36 -𝑒 −6𝑡 − 𝑒 −6𝑡 𝑡 + 6𝑒 −6𝑡

𝑦(𝑡 ) = 𝑒 −36 -𝑒 −6𝑡 − 𝑒 −6𝑡 𝑡 + 6𝑒 −6𝑡

𝑦(𝑡 ) = 𝑒 −36 − 𝑒 −6𝑡 𝑡 + 9𝑒 −6𝑡 Solucion general

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]

Grupo= 6

Código de estudiante= 4

𝑥[𝑛] = [−1,6, 2̌, 6,4,4]

ℎ[𝑛] = [2.5, 4̌, 0.5]

Inicio

(N+M) = − 2 + (−1) = −3

Terminación

(n+m) =3 + 1 = 4

longitud = (𝑥[𝑛] + ℎ[𝑛]) − 1 = (6 + 3) − 1 = 8

n= -2 -1 0 1 2 3
x[n]= -1 6 2 6 4 4
13
h[n]= 2,5 4 0,5
-,5 15 5 15 10 10
-4 24 8 24 16 16
-0,5 3 1 3 2 2
-
2,5 11 28,5 26 35 29 18 2

̌ , 35,29,18,2]
𝑦[𝑛] = [−2.5,11,28.5, 26

14
15
16
17
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 𝑥(𝑡) y calcule
los coeficientes trigonométricos de la serie de Fourier.

𝑎) 𝑥(𝑡) = 3 ∗ 𝑟𝑒𝑐𝑡(𝑡 − 𝑏) 𝑐𝑜𝑛 𝑇 = 4 𝑠

Rect
2

0
-1 -0,5 0 0,5 1

𝑥(𝑡) = 3 ∗ 𝑟𝑒𝑐𝑡(𝑡 − 4)

18
 señal 𝑥(𝑡) = 3 ∗ 𝑟𝑒𝑐𝑡(𝑡 − 4)

3,5
3
2,5
2
1,5
1
0,5
0
0 1 2 3 4 5 6

1 5,5 3 5,5 (3 ∗ 5,5) − 3 ∗ 4,5 16,5 − 13,5 3

𝑎0 = ∫ 3𝑑𝑡 = ∫ 𝑡 | = = =
4 4,5 4 4 4 4
4,5
3
𝑎0 =
4

2 5,5
𝑎𝑘 = ∫ 3cos(2𝜋𝑘𝑓0 𝑡)𝑑𝑡
4 4,5

𝜋𝑘
6 5,5 𝜋𝑘 6 𝑠𝑒𝑛 ( 𝑡) 5,5 −6 𝜋𝑘 5,5
𝑎𝑘 = ∫ cos ( ∗ 𝑡) 𝑑𝑡 = [− 2 | ]= [𝑠𝑒𝑛 ( 𝑡) |
4 4,5 2 4 𝜋𝑘 4𝜋𝑘 2
2 4,5 2 4,5

3 𝜋𝑘 𝜋𝑘
𝑎𝑘 = (𝑠𝑒𝑛 ( 5,5) − 𝑠𝑒𝑛 ( 4,5))
𝜋𝑘 2 2

2 5,5
𝑏𝑘 = ∫ 3sen(2𝜋𝑘𝑓0 𝑡)𝑑𝑡
4 4,5

𝜋𝑘
6 5,5 𝜋𝑘 6 −𝑐𝑜𝑠 ( 2 𝑡) 5,5 6 𝜋𝑘 5,5
𝑏𝑘 = ∫ sen ( ∗ 𝑡) 𝑑𝑡 = [− | ]= [−𝑐𝑜𝑠 ( 𝑡) |
4 4,5 2 4 𝜋𝑘 4𝜋𝑘 2
2 4,5 2 4,5

19
 3 𝜋𝑘 𝜋𝑘
𝑏𝑘 = − (𝑐𝑜𝑠 ( 5,5) + 𝑐𝑜𝑠 ( 4,5))
𝜋𝑘 2 2

• 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”

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):

20
a. Señal x(t)

21
22
23
YEISON YESID BERTEL LOPEZ
Código 92.544.209

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:
∞

𝑦[𝑛] = 𝑥[𝑛] ∗ ℎ[𝑛] = ∑ 𝑥[𝑘] ℎ[𝑛 − 𝑘]

𝑘=−∞

Ejemplo:
1
x[n] = 2 δ[n] + 2δ[n − 1]

h[n] = u[n] − u[n − 3]

n < 0, y[n] = 0
∞
1
𝑛 = 0, 𝑦[0] = ∑ 𝑥 [𝑘]ℎ[0 − 𝑘] = 𝑥[0]ℎ[0] =
2
𝑘=−∞

∞
5
𝑛 = 1, 𝑦[1] = ∑ 𝑥 [𝑘]ℎ[1 − 𝑘] = 𝑥[0]ℎ[1] + 𝑥[1]ℎ[0] =
2
𝑘=−∞

∞
5
𝑛 = 2, 𝑦[2] = ∑ 𝑥 [𝑘]ℎ[2 − 𝑘] = 𝑥[0]ℎ[2] + 𝑥[1]ℎ[1] =
2
𝑘=−∞

𝑛 = 3, 𝑦[3] = ∑ 𝑥 [𝑘]ℎ[3 − 𝑘] = 𝑥[1]ℎ[2] = 2

𝑘=−∞

𝑛 >= 3, 𝑦[𝑛] = 0

24
25
Convolución continua:
∞
y(t) = x(t) ∗ h(t) = ∫ 𝑥 (𝑡)ℎ(𝑡 − τ)𝑑τ
−∞

x(t) = 𝑒 −𝑎𝑡 𝑢(𝑡), 𝑎 > 0

h(t) = u(t)

t < 0, y(t) = 0
𝑡
1 − 𝑒 −𝑎𝑡
t ≥ 0, y(t) = ∫ 𝑒 −𝑎𝑡 𝑑𝑡 =
0 𝑎

1−𝑒 −𝑎𝑡
y(t) = 𝑢(𝑡), ∀t
𝑎

26
 b. ¿Qué es estabilidad y causalidad de sistemas LTI?

Causalidad de sistemas LTI

De manera más general, la causalidad para un sistema lineal es equivalente a la

condición de “reposo inicial”, es decir, si la entrada a un sistema causal es 0 hasta
algún punto en el tiempo, entonces la salida también debe de ser 0 hasta ese
tiempo.

Estabilidad de sistemas LTI

Un sistema LTI es estable si cumple lo siguiente

∞

∑ |ℎ[𝑘]| < ∞
−∞

∞
∫ |ℎ(𝑡)| 𝑑𝑡 < ∞
−∞

27
Causalidad de sistemas LTI

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 < 0

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

ingeniería.

La Correlación es una técnica estadística usada para determinar la relación entre

dos o más variables; puede señalarse que la correlación es la medida que se
registra de la dependencia entre distintas variables.

Si r < 0 Hay correlación negativa

Si r > 0 Hay correlación positiva

Si r = 0 se dice que las variables están incorrelacionadas: no puede establecerse

ningún sentido de covariación.

Ejemplo:

Una compañía desea hacer predicciones del valor anual de sus ventas totales en
cierto país a partir de la relación de estas y la renta nacional. Datos suministrados;
X Y
189 402 Y
190 404
208 412 480
227 425 470
239 429
460
252 436
257 440 450
274 447 440
293 458
430
308 469
316 469 420
410
400
390
0 50 100 150 200 250 300 350

28
En este caso la grafica nos muestra que los datos totalmente obtenidos muestran
mucha relación entre sí, debido a que la recta de regresión presenta un lugar
específico de crecimiento.

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

en la ingeniería.

Es una operación matemática que permite cuantificar el grado de similitud entre dos
señales, aunque aparentemente no haya evidencias de coincidencia temporal entre
ellas.

La autocorrelación puede interpretarse como un caso particular de la correlación

cruzada cuando las dos secuencias son la misma, es decir:

𝑥[𝑛] = 𝑦[𝑛]

Así la consecuencia de la autocorrelación vendrá dada por:

𝑟𝑥𝑥 [𝑚] 𝑥[𝑛] 𝑥[𝑛 ∗ 𝑚] 𝑥[𝑛 ∗ 𝑚]𝑥[𝑛]

Ejemplo:

La autocorrelación de la secuencia 𝑦[𝑛] del ejemplo del apartado anterior 𝑟𝑦𝑦 [𝑚]
será:

29
𝑚 4 𝑟𝑦𝑦 [4] 0

𝑚 3 𝑟𝑦𝑦 [3] 3 0 0

𝑚 2 𝑟𝑦𝑦 [2] 3 1 3

𝑚 2 𝑟𝑦𝑦 [2] 3 1 3

𝑚 1 𝑟𝑦𝑦 [1] 3 2 2 1 8

𝑚 1 𝑟𝑦𝑦 [1] 1 2 2 3 8

𝑚 2 𝑟𝑦𝑦 [2] 1 3 3

𝑚 3 𝑟𝑦𝑦 [3] 0

Su aplicabilidad esta dada en el campo de procesamiento de señales, 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

30
 e. ¿Cuál es la diferencia de correlación continua y correlación discreta?
En la correlación continua los procesos el valor de la función cambia sobre un
dominio continuo; en la correlación discreta la función de correlación cambia de
forma escalonada sobre una malla discreta de valores del intervalo de correlación.

f. ¿Qué son las series de Fourier?

Es una serie infinita que converge puntualmente a una función
periódica y continua a trozos (o por partes). 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).

Sea f una función integrable y periódica de periodo 2π (es decir,

f(x+2π)=f(x))
Se llama serie de Fourier asociada a f a la serie de funciones.

∞
𝑎0 2nπ 2nπ
+ ∑[ 𝑎𝑛 𝑐𝑜𝑠 𝑡 + 𝑏𝑛 𝑠𝑖𝑛 𝑡
2 𝑇 𝑇
𝑛=1

Donde 𝑎𝑛 y 𝑏𝑛 se denominan coeficientes de Fourier de la serie de Fourier de la

función 𝑓(𝑡)
31
 g. ¿Qué es la transformada Continua de Fourier? De dos (2) ejemplos de uso
y/o aplicación en la ingeniería.
∞
𝑥(𝑓) = ∫ 𝑥(𝑡) 𝑒 −𝑗2πft 𝑑𝑡
−∞

T= tiempo

F= frecuencia en Hz

X(t)= señal de prueba

𝑒 −𝑗2πft 𝑑𝑡= fasor de sondeo (kernel funtion)

X(f)= espectro en función de la frecuencia f

Ejemplo:

Considere la señal

𝑥(𝑡) = 𝑒 −𝑎t 𝑢(𝑡) a>0

∞
1
𝑥(𝑗𝑤) = ∫ 𝑒 −𝑎𝑡 𝑒 −𝑗𝜔𝑡 𝑑𝑡 = − 𝑒 (𝑎+𝑗𝜔)𝑡
0 𝑎 + 𝑗𝜔

Esto es

1
𝑥(𝑗𝜔) = , a>0
𝑎 + 𝑗𝜔

Ejercicio 1- Convolución continua (analítica):

Ítem grupal

x(t) = (a − 𝑒 −𝑎𝑡 )u(t)

h(t) = 𝑒 −𝑎𝑡 u(t − a)

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.
32
 Número de grupo 26 por lo tanto:

a=6

Iniciamos reemplazando los valores en “a”

𝑥(𝑡) = (6 − 𝑒 −6𝑡 )𝑢(𝑡)

ℎ(𝑡) = 𝑒 −6𝑡 𝑢(𝑡 − 6)

𝑥(𝑡) → 𝑥(𝜆) y ℎ(𝑡) → ℎ(𝑡 − 𝜆)

𝑥(𝑡) = (6 − 𝑒 −6𝜆 )𝑢(𝜆)

ℎ(𝑡) = 𝑒 −6(𝑡−𝜆) 𝑢((𝑡 − 𝜆) − 6)

Se reemplaza en la integral de Convolución teniendo en cuenta los valores de “a”

∞
𝑦(𝑡) = ∫ (6 − 𝑒 −6𝜆 )𝑢(𝜆) 𝑒 −6(𝑡−𝜆) 𝑢((𝑡 − 𝜆) − 6)𝑑𝜆
−∞

∞
(𝑡) = ∫ (6 − 𝑒 −6𝜆 ) 𝑒 −6(𝑡−𝜆) 𝑢(𝜆)𝑢((𝑡 − 𝜆) − 6)𝑑𝜆
−∞

Los límites de la integral son:

𝒖(𝝀) = 𝟎 𝝀=𝟎

Por consiguiente y teniendo en cuenta el valor de “a”

𝑡−𝜆−6=0

𝜆 =𝑡−6

𝑡−6
𝑦(𝑡) = ∫ 6 − 𝑒 −6𝜆 𝑒 −6(𝑡−𝜆) 𝑑𝜆
0

𝑡−6
𝑦(𝑡) = ∫ 6𝑒 −6(𝑡−𝜆) − 𝑒 −6𝜆 𝑒 −6(𝑡−𝜆) 𝑑𝜆
0

33
 𝑡−6
𝑦(𝑡) = ∫ 6𝑒 −6𝑡+6𝜆 − 𝑒 −6𝜆 𝑒 −6𝑡 𝑒 6𝜆 𝑑𝜆
0

𝑡−6 𝑡−6
𝑦(𝑡) = 6 ∫ 𝑒 −6𝑡+6𝜆 𝑑𝜆 − ∫ 𝑒 −6𝜆 𝑒 −6𝑡 𝑒 6𝜆 𝑑𝜆
0 0

Reemplazamos en “a” teniendo en cuenta:

𝒆𝒂+𝒃 = 𝒆𝒂 ∗ 𝒆𝒃

𝑡−6 𝑡−6
𝑦(𝑡) = 6 ∫ 𝑒 −6𝑡 𝑒 6𝜆 𝑑𝜆 − ∫ 𝑒 −6𝜆 𝑒 −6𝑡 𝑒 6𝜆 𝑑𝜆
0 0

𝑡−6 𝑡−6
−6𝑡 6𝜆 −6𝑡
𝑦(𝑡) = 6𝑒 ∫ 𝑒 𝑑𝜆 − 𝑒 ∫ 𝑒 −6𝜆 𝑒 6𝜆 𝑑𝜆
0 0

Reemplazamos en “a” teniendo en cuenta el valor de “b”

𝒆𝒂+𝒃 = 𝒆𝒂 ∗ 𝒆𝒃

𝑡−6 𝑡−6
𝑦(𝑡) = 6𝑒 −6𝑡 ∫ 𝑒 6𝜆 𝑑𝜆 − 𝑒 −6𝑡 ∫ 𝑒 −9𝜆+9𝜆 𝑑𝜆
0 0

𝑡−6 𝑡−6
−6𝑡 6𝜆 −6𝑡
𝑦(𝑡) = 6𝑒 ∫ 𝑒 𝑑𝜆 𝑒 ∫ 1𝑑𝜆
0 0

Teniendo en cuenta el valor de “a” se evalúa Landa

𝑒 6𝜆
𝑦(𝑡 ) = 6𝑒 −6𝑡 ∙ ( ) − 𝑒 −6𝑡 𝜆
6

−6𝑡
𝑒 6(𝑡−6) 𝑒 6(0)
𝑦(𝑡 ) = 6𝑒 ∙( − ) − 𝑒 −6𝑡 (𝑡 − 6 − 0)
6 6

−6𝑡
𝑒 6𝑡 𝑒 −36 1
𝑦(𝑡) = 6𝑒 ∙( − ) − 𝑒 −6𝑡 (𝑡 − 6 − 0)
6 6

34
 6 −6𝑡 6𝑡 −36 6 −6𝑡
𝑦 (𝑡 ) = 𝑒 𝑒 𝑒 − 𝑒 − 𝑒 −6𝑡 𝑡 + 6𝑒 −6𝑡
6 6

𝑦(𝑡 ) = 𝑒 −6𝑡+6𝑡 𝑒 −36 -𝑒 −6𝑡 − 𝑒 −6𝑡 𝑡 + 6𝑒 −6𝑡

𝑦(𝑡 ) = 𝑒 −36 -𝑒 −6𝑡 − 𝑒 −6𝑡 𝑡 + 6𝑒 −6𝑡

𝑦(𝑡 ) = 𝑒 −36 − 𝑒 −6𝑡 𝑡 + 9𝑒 −6𝑡

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]

Número de grupo 26 por lo tanto:

a=6

Código= 92544209 por lo tanto

b=9

𝑥[𝑛] = [−1,6, 2̌, 6,9,4]

ℎ[𝑛] = [2.5, 9̌, 0.5]

Inicio

(n+m) = − 2 + (−1) = −3

(n+m) =3 + 1 = 4

longitud = (𝑥[𝑛] + ℎ[𝑛]) − 1 = (6 + 3) − 1 = 8

35
n= -2 -1 0 1 2 3
x[n]= -1 6 2 6 9 4

h[n]= 2,5 9 0,5

-5 15 5 15 10 10
-4 24 8 24 16 16
-0,5 3 1 3 2 2
-2,5 9 28,5 29 37 32 20 2

36
37
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.

𝒙(𝒕) = 𝟑 ∗ 𝒓𝒆𝒄𝒕(𝒕 − 𝒃) con T=4 s

Encuentre los coeficientes 𝒂𝟎 , 𝒂𝒌 y 𝒃𝒌

“Para la solución de este ejercicio, se deben repasar los métodos de integración

vistos en el curso de cálculo integral”

Los 𝑎𝑘 de la serie de Fourier se determinan a través de

2
𝑎𝑘 = ∫ 𝑥(𝑡) cos(𝑘𝜔0 𝑡) 𝑑𝑡
𝑇 𝑇
5 7
Debido a que 𝑥(𝑡) es una señal que tiene amplitud 3 en el intervalo 2
≤𝑡<2 y
7 13
amplitud 0 en el intervalo 2
≤𝑡< 2
. La integral previa se puede escribir de la
siguiente forma.
7 13
2 2 2
𝑎𝑘 = [∫5 3 cos(𝑘𝜔0 𝑡) 𝑑𝑡 + ∫7 0 cos(𝑘𝜔0 𝑡) 𝑑𝑡]
4
2 2

Ya que la segunda integral esta multiplicada por cero, se reduce a

7
6 2
𝑎𝑘 = ∫5 cos(𝑘𝜔0 𝑡) 𝑑𝑡
4
2

38
 𝑑𝑢
Para resolver la integral se realiza la sustitución 𝑢 = 𝑘𝜔0 𝑡, asi, 𝑘𝜔 = 𝑑𝑡
0

7
3 2 1
𝑎𝑘 = ∫5 cos(𝑢) 𝑑𝑢
2 𝑘𝜔0
2

Aplicando el teorema fundamental del calcula, la antiderivada de cos(𝑢) es sen(𝑢)

7
3 2
𝑎𝑘 = sen(𝑢𝑡)|
2𝑘𝜔0 5
2

Sustituyendo 𝑢 en la anterior expresión, se obtiene

7
3 2
𝑎𝑘 = sen(𝑘𝜔0 𝑡)|
2𝑘𝜔0 5
2

Se evalúan los límites de la integral

3 7𝑘𝜔0 5𝑘𝜔0
𝑎𝑘 = (sen ( ) − sen ( ))
2𝑘𝜔0 2 2

Dado que

2𝜋 2𝜋 𝜋
𝜔0 = 2𝜋𝑓0 = = =
𝑇 4 2
Entonces
𝜋 𝜋
3 7𝑘 (2) 5𝑘 (2)
𝑎𝑘 = 𝜋 (sen ( ) − sen ( ))
2𝑘 (2) 2 2

Reescribiendo la anterior expresión, los 𝑎𝑘 de la señal propuesta es

3 7𝜋𝑘 5𝜋𝑘
𝑎𝑘 = (sen ( ) − sen ( )) , 𝑘 = 1, 2, 3, …
𝜋𝑘 4 4

39
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):

𝑑 𝑡
𝑥(𝑡) = (tri ( − 𝑏))
𝑑𝑡 2𝑏
La transformada de Fourier de tri(𝑡) es

tri(𝑡) ↔ senc2 (𝑓)

1 𝑓
Aplicando la propiedad de escalamiento 𝑥(𝛼𝑡) ↔ |𝛼| 𝑋 (𝛼), se obtiene que la
𝑡
transformada de fourier de tri (6) es

𝑡 1 𝑓
tri ( ) ↔ senc2 ( )
6 6 6

Aplicando la propiedad derivada 𝑥′ (𝑡) ↔ 𝑗2𝜋𝑓𝑋(𝑓)

𝑑 𝑗𝜋𝑓 𝑓
(tri(𝑡)) ↔ senc2 ( )
𝑑𝑡 3 6

Aplicando la propiedad de desplazamiento 𝑥(𝑡 − 𝛼) ↔ 𝑒 −𝑗2𝜋𝑓𝛼 𝑋(𝑓)

Finalmente

𝑗𝜋𝑓 −𝑗6𝜋𝑓 𝑓
𝑋(𝑓) = 𝑒 senc2 ( )
3 6
40
41
 𝑡 𝜋𝑡
𝑦(𝑡) = rect ( + 7) × cos ( )
14 14
La transformada de Fourier de rect(𝑡) es

rect(𝑡) ↔ senc 𝑓

42
 1 𝑓
Aplicando la propiedad de escalamiento 𝑥(𝛼𝑡) ↔ |𝛼| 𝑋 (𝛼), se obtiene que la
𝑡
transformada de fourier de rect (14) es

𝑡 1 𝑓
rect ( )↔ senc ( )
14 14 14

Aplicando la propiedad de desplazamiento 𝑥(𝑡 − 𝛼) ↔ 𝑒 −𝑗2𝜋𝑓𝛼 𝑋(𝑓), se obtiene que

𝑡
la transformada de Fourier de rect(14 − 7) es

𝑡 1 −𝑗14𝜋𝑓 𝑓
rect ( − 7) ↔ 𝑒 senc ( )
14 14 14

Ahora, la transforma de Fourier de cos(2𝜋𝛼𝑡) es

cos(2𝜋𝛼𝑡) ↔ 0.5[𝛿(𝑓 + 𝛼) + 𝛿(𝑓 − 𝛼)]

𝜋𝑡
Por lo tanto, la transformada de cos (14) es

𝜋𝑡 1 1
cos ( ) ↔ 0.5 [𝛿 (𝑓 + ) + 𝛿 (𝑓 − )]
14 28 28

Aplicando la propiedad de multiplicación 𝑥(𝑡)ℎ(𝑡) ↔ 𝑋(𝑓) ⋆ 𝐻(𝑓)

1 −𝑗14𝜋𝑓 𝑓 1 1
𝑌(𝑓) = 𝑒 senc ( ) ⋆ 0.5 [𝛿 (𝑓 + ) + 𝛿 (𝑓 − )]
14 14 28 28
1 1
𝑓+ 1 𝑓− 1
−𝑗14𝜋( 1428) 𝑓 + 28 −𝑗14𝜋( 1428) 𝑓 − 28
1 1
𝑌(𝑓) = 𝑒 senc ( )+ 𝑒 senc ( )
28 14 28 14

43
44
45
JUAN PABLO DIAZ DIAZ
Código: 1095791511

a. Convolución continua
La convolución en el dominio del del tiempo puede considerarse como un método
para encontrar la respuesta de estado cero de un sistema LTI relajado. se le llama
convolución a la operación matemática utilizada en los sistemas lineales para
describir la relación que existe entre tres señales de interés: la señal de entrada, la
respuesta al impulso y la señal de salida.
La convolución analítica es una operación integral que puede ser evaluada tanto
grafica como numéricamente. El resultado depende de la naturaleza de las señales
que se estén siendo convolucionadas. En la convolución analítica describimos 𝑥(𝑡)
𝑦(𝑡) por medio de expresiones usando la función escalón, usando 𝒙(𝝀) y 𝒙(𝒕 − 𝝀) e
integrando su producto.
Integral de convolución:
∞

𝑦(𝑡) = 𝑥(𝑡) ∗ ℎ(𝑡) = ∫ 𝑥(𝜆)ℎ(𝑡 − 𝜆)𝑑𝜆

−∞

En la integral de convolución el tiempo 𝒕 determina el lugar relativo de 𝒉(𝒕 − 𝝀) con

respecto a 𝒙(𝝀). La respuesta 𝒚(𝒕) para todo tiempo requiere de la convolución para
cada valor de 𝒕. Cuando se evalúa la integral 𝒙(𝝀) y 𝒉(𝒕 − 𝝀) son funciones de λ y
no de 𝒕, pero 𝒕 es una constante con respecto a λ
La convolución puede ejecutarse de cualquier forma gracias a la propiedad
conmutativa:
∞ ∞
𝑦(𝑡) = 𝑥(𝑡) ∗ ℎ(𝑡) = ℎ(𝑡) ∗ 𝑥(𝑡) 𝑦(𝑡) = ∫ 𝑥(𝜆)ℎ(𝑡 − 𝜆)𝑑𝜆 = ∫ ℎ(𝜆)𝑥(𝑡 − 𝜆)𝑑𝜆
−∞ −∞

Propiedades útiles de la convolución continua:

Desplazamiento: 𝑥(𝑡 − 𝛼) ∗ ℎ(𝑡) = 𝑦(𝑡 − 𝛼)

Derivada: 𝑥´(𝑡) ∗ ℎ(𝑡) = 𝑦´(𝑡)

1
Escalamiento: 𝑥(𝛼𝑡) ∗ ℎ(𝛼𝑡) = |𝛼| 𝑦(𝛼𝑡)

46
Ejemplos y aplicaciones de la convolución en la ingeniería:

• En la óptica, muchos tipos de desenfoques son descritos por la convolución,

ya que se define a una sombra como la convolución de la fuente de luz que
es aplicada para generar la sombra y el objeto cuya sombra se está
proyectando. Además, una fotografía fuera de foco se define también como
la convolución de la imagen nítida con el círculo desenfocado que se forma
en el diafragma del iris.
• En medicina se puede utilizar la convolución para reducir el ruido producido
por la digitalización de señales provenientes de un electrocardiograma. En
un artículo realizado por un equipo de médicos e ingenieros de la Universidad
Autónoma de Aguascalientes se propone la implementación de diversas
ventanas de convolución con el fin de obtener un perfil geométrico de tipo
pasa-bajas utilizando funcione con una estructura matemática de tipo
gaussiana, cuadrática, triangular y trigonométrica.
Convolución Discreta
La convolución discreta en el 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]. Puede
describirse como una suma de impulsos escalados y desplazados.
Suma de convolución:
∞

𝑦[𝑛] = ∑ 𝑥[𝑘]ℎ[𝑛 − 𝑘] = 𝑥[𝑛] ∗ ℎ[𝑛]

𝑘=−∞

Esta es la relación que define la operación de convolución, también conocida como

convolución lineal. Al igual que la convolución continua en el tiempo, no es
importante el orden en el cual realizásemos la operación, y podemos cambiar los
argumentos de 𝑥 y ℎ sin afectar los resultados.
b. Estabilidad y causalidad de sistemas LTI.
Estabilidad sistemas continuos: en el dominio del tiempo la estabilidad involucra
restricciones en la naturaleza del sistema. La estabilidad de entrada acotada salida
acotada (BIBO) implica que cada entrada acotada resulte en una salida acotada.
Las condiciones para la estabilidad tipo BIBO se determinada de las raíces de la
ecuación característica. Una condición suficiente para la estabilidad de un sistema
LTI es que cada raíz de su ecuación característica debe tener una parte real
negativa y la derivada más alta de la entrada no debe exceder a la de la salida. Las
raíces con partes reales negativas aseguran que la respuesta natural y de entrada
cero siempre decaiga con el tiempo, y la respuesta forzada y de estado cero siempre
permanezca acotada para cada entrada acotada. Las raíces con parte real igual a
cero hacen al sistema inestable.
47
Para que se cumpla la estabilidad ℎ(𝑡) debe ser absolutamente integrable con:

∞
∫ |ℎ(𝜉)|𝑑𝜉 < ∞
−∞

Causalidad sistemas continuos: para que un sistema sea causal, se requiere una
respuesta al impulso de la forma ℎ(𝑡)𝑢(𝑡), que sea igual a cero para 𝑡 < 0. Esto
asegura que una entrada 𝑥(𝑡)𝑢(𝑡 − 𝑡0 ) que inicia en 𝑡 = 𝑡0 resulte en una respuesta
𝑦(𝑡) que también inicia en 𝑡 = 𝑡0 . Esto se establece en la integral de convolución
como:
∞ 𝑡
𝑦(𝑡) = ∫ 𝑥(𝜆)𝑢(𝜆 − 𝑡0 )ℎ(𝑡 − 𝜆)𝑢(𝑡 − 𝜆)𝑑𝜆 = ∫ 𝑥(𝜆)ℎ(𝑡 − 𝜆)𝑑𝜆
−∞ 𝑡0

Estabilidad sistemas discretos: se define como el requerimiento de que la

respuesta al impulso ℎ[𝑛] sea absolutamente sumable lo cual nos asegura que el
sistema es estable:
∞

∑ |ℎ[𝑘]| < ∞
𝑘=−∞

Causalidad sistemas discretos: al igual que con los sistemas continuos, la

causalidad de sistemas discretos en el tiempo implica a un sistema no anticipado
con respuesta al impulso ℎ[𝑛] = 0, 𝑛 < 0. Esto asegura que una entrada
𝑥[𝑛]𝑢[𝑛 − 𝑛0 ] que empieza en 𝑛 = 𝑛0 produce como resultado una repuesta 𝑦[𝑛]
que también comienza en 𝑛 = 𝑛0 y no antes:
∞ 𝑛

𝑦[𝑛] = ∑ 𝑥[𝑘]𝑢[𝑘 − 𝑛0 ]ℎ[𝑛 − 𝑘]𝑢[𝑛 − 𝑘] = ∑ 𝑥[𝑘]ℎ[𝑛 − 𝑘]

𝑘−∞ 𝑛0

c. Correlación
Correlación continua:
Es una operación similar a la convolución. La cual radica en desplazar una función
más allá de otra y encontrar el área bajo el producto resultante, a diferencia de la
convolución no se efectúa ninguna reflexión. La correlación 𝑟𝑥𝑥 (𝑡) de dos funciones
idénticas 𝑥(𝑡) se llama autocorrelación. Para dos funciones diferentes 𝑥(𝑡) y 𝑦(𝑡),
la correlación 𝑟𝑥𝑦 (𝑡) 𝑜 𝑟𝑦𝑥 (𝑡) se conoce como correlación cruzada. El símbolo para
denotar correlación es (**)
∞
𝑟𝑥𝑥 (𝑡) = 𝑥(𝑡) ∗∗ 𝑥(𝑡) = ∫ 𝑥(𝜆)𝑥(𝜆 − 𝑡)𝑑𝜆
−∞

48
 ∞
𝑟𝑥𝑦 (𝑡) = 𝑥(𝑡) ∗∗ 𝑦(𝑡) = ∫ 𝑥(𝜆)𝑦(𝜆 − 𝑡)𝑑𝜆
−∞
∞
𝑟𝑦𝑥 (𝑡) = 𝑦(𝑡) ∗∗ 𝑥(𝑡) = ∫ 𝑦(𝜆)𝑥(𝜆 − 𝑡)𝑑𝜆
−∞

Correlación discreta:
Es una medida de la similitud entre dos señales y se encuentra usando un proceso
similar a la convolución. La correlación discreta de 𝑥[𝑛] y ℎ[𝑛] se define por.
∞ ∞

𝑟𝑥ℎ [𝑛] = 𝑥[𝑛] ∗∗ ℎ[𝑛] = ∑ 𝑥[𝑘]ℎ[𝑘 − 𝑛] = ∑ 𝑥[𝑘 + 𝑛]ℎ[𝑘]

𝑘=−∞ 𝑘=−∞

Para hallar 𝑟𝑥ℎ [𝑛], se alinean el ultimo elemento de ℎ[𝑛] con el primero de 𝑥[𝑛] y se
inicia un desplazamiento de ℎ[𝑛] hasta recorrer toda 𝑥[𝑛] un índice a la vez.
Aplicación en la ingeniería:

d. Autocorrelación
La autocorrelación se aplica sobre dos funciones idénticas, se puede ejecutar en
cualquier orden y representa una operación conmutativa. La autocorrelación se
puede ver como una medida de similitud entre una función 𝑥(𝑡) y su versión de
desplazamiento.
La autocorrelación continua siempre es simétrica par con un máximo en el origen.

𝑟𝑥𝑥 (𝑡) = 𝑥(𝑡) ∗∗ 𝑥(𝑡) = 𝑥(𝑡) ∗ 𝑥(−𝑡) 𝑟𝑥𝑥 (𝑡) = 𝑟𝑥𝑥 (−𝑡) 𝑟𝑥𝑥 (𝑡) ≤ 𝑟𝑥𝑥 (0)
La autocorrelación discreta siempre es simétrica par con un máximo en el origen.

49
 𝑟𝑥𝑥 [𝑛] = 𝑥[𝑛] ∗∗ 𝑥[𝑛] = 𝑥[𝑛] ∗ 𝑥[−𝑛] 𝑟𝑥𝑥 [𝑛] = 𝑟𝑥𝑥 [−𝑛] 𝑟𝑥𝑥 [𝑛] ≤ 𝑟𝑥𝑥 [0]
Aplicación en la ingeniería
En el procesado de señal, la autocorrelación proporciona información sobre las
periodicidades de las señales y sus frecuencias características como los armónicos
de una nota musical producida por un instrumento determinado (tono y timbre).

e. ¿Cuál es la diferencia entre correlación continua y correlación discreta?

La diferencia es el tipo de señal que se correlaciona, por otro lado, la correlación
continua implica desplazar una función más allá de otra y encontrar el área bajo el
producto resultante y no se genera ninguna reflexión, en la correlación discreta se
realiza una sumatoria de los productos de los valores de la señal y esto es
equivalente a la convolucion y a la señal reflejada
f. Series de Fourier
Una serie de Fourier es una serie infinita que descompone a una función periódica
y continua en partes mucho más simples como combinación de senos y cosenos
con frecuencias enteras. La serie de Fourier describe una señal periódica 𝑥𝑝 (𝑡)
como una suma de armónicos o senoides en la frecuencia fundamental 𝑓0 de 𝑥𝑝 (𝑡)
y sus múltiplos 𝑘𝑓0 .
La serie de Fourier tiene tres formas:

Evaluación de coeficientes
para encontrar los coeficientes de la serie de Fourier simplemente examinamos un
solo periodo de 𝑥𝑝 (𝑡) ya que una representación que describa a 𝑥𝑝 (𝑡) sobre un
periodo garantiza la misma representación sobre los demás periodos y para toda la
señal. La calve para determinar los coeficientes de la serie es la ortogonalidad, dos
señales 𝑓(𝑡) y 𝑔(𝑡) so ortogonales sobre el intervalo 𝛼 ≤ 𝑡 ≤ 𝛽 si el área de su
producto 𝑓(𝑡)𝑔∗ (𝑡) sobre 𝛼 ≤ 𝑡 ≤ 𝛽 es igual a cero:
𝛽
∫ 𝑓(𝑡)𝑔∗ (𝑡)𝑑𝑡 = 0
𝛼

50
Coeficientes:
1
𝑎0 = ∫𝑥(𝑡)𝑑𝑡 𝑎0
𝑇 𝑇
2 2
= ∫ 𝑥(𝑡)cos(2𝜋𝑘𝑓0 𝑡)𝑑𝑡 𝑏𝑘 = ∫𝑥(𝑡)sen(2𝜋𝑘𝑓0 𝑡)𝑑𝑡
𝑇 𝑇 𝑇 𝑇

g. ¿Qué es la transformada continua de fourrier?

La transformada de Fourier proporciona una descripción en el domino de la
frecuencia de señales en el domino del tiempo y puede considerarse como una
extensión de las series de Fourier aplicada a señales no periódicas. La transformada
de Fourier sirve para unificar la representación de señales periódicas y sus
contrapartes no periódicas
∞
𝑥(𝑓) = ∫ 𝑥(𝑡)𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡
−∞

También puede escribirse en términos de la frecuencia como:

∞
𝑥(𝜔) = ∫ 𝑥(𝑡)𝑒 −𝑗𝜔𝑡 𝑑𝑡
−∞

Transformada inversa de Fourier:

Esta permite obtener 𝑥(𝑡) a partir de su espectro 𝑋(𝑓)

∞
𝑥(𝑡) = ∫ 𝑋(𝑓)𝑒 𝑗2𝜋𝑓𝑡 𝑑𝑓
−∞

Aplicaciones en la ingeniería

• Función de transferencia en circuitos eléctricos

Dado un circuito eléctrico, su función de transferencia puede encontrarse de

2 maneras, puede construirse su ecuación diferencial usando leyes de
Kirchhoff y después transformarla o más simple consiste en comenzar con la
transformada de las relaciones constitutivas de los elementos del circuito.

51
 Las impedancias 𝑍𝑅 , 𝑍𝐶 y 𝑍𝐿 tiene unidades de ohms. El circuito puede
transformarse directamente al dominio de la frecuencia si se reemplazan los
elementos del circuito por sus impedancias y las fuentes del sistema por sus
transformadas de Fourier. Las ecuaciones basadas en las leyes de Kirchhoff
toman una forma algebraica simple y le permiten el cálculo de la función de
transferencia o de la respuesta del sistema.

• Función de transferencia y análisis de sistemas

La función de transferencia 𝐻(𝜔) permite la evaluación de la respuesta de

estado cero de un sistema LTI relajado. Esta respuesta también se conoce
como respuesta en frecuencia del sistema, puesto que las gráficas de |𝐻(𝜔)|
(su magnitud o ganancia) y de < 𝐻(𝜔) (su fase) en función de la frecuencia
(𝜔) proporcionan una indicación del espectro de magnitud y fase en el
dominio de la frecuencia.

Entrada: 𝑥(𝑡) ↔ 𝑋(𝑓)

Función de transferencia: Evaluar 𝐻(𝑓) a partir de ℎ(𝑡) o de la ecuación del
sistema
Salida de estado cero: Evaluar 𝑦(𝑓) = 𝑋(𝑓)𝐻(𝑓) y encontrar su transformada
inversa de Fourier 𝑦(𝑡).

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:

𝑥(𝑡) = (𝑎 − 𝑒 −𝑎𝑡 )𝑢(𝑡)

ℎ(𝑡) = 𝑒 −𝑎𝑡 𝑢(𝑡 − 𝑎)

𝑎 = 6 debido a que el grupo es 26

52
 𝑥(𝑡) = (6 − 𝑒 −6𝑡 )𝑢(𝑡)

ℎ(𝑡) = 𝑒 −6𝑡 𝑢(𝑡 − 6)

Reemplazamos 𝑥(𝑡) → 𝑥(𝜆) y ℎ(𝑡) → ℎ(𝑡 − 𝜆)

𝑥(𝑡) = (6 − 𝑒 −6𝜆 )𝑢(𝜆)

ℎ(𝑡) = 𝑒 −6(𝑡−𝜆) 𝑢((𝑡 − 𝜆) − 6)

Reemplazamos en la integral de convolución

∞
𝑦(𝑡) = ∫ (6 − 𝑒 −6𝜆 )𝑢(𝜆) 𝑒 −6(𝑡−𝜆) 𝑢((𝑡 − 𝜆) − 6)𝑑𝜆
−∞

Organizamos términos

∞
𝑦(𝑡) = ∫ (6 − 𝑒 −6𝜆 ) 𝑒 −6(𝑡−𝜆) 𝑢(𝜆)𝑢((𝑡 − 𝜆) − 6)𝑑𝜆
−∞

Límites de la integral 𝑢(𝜆) = 0 𝜆=0

𝑡−𝜆−6=0

𝜆 =𝑡−6

𝑡−6
𝑦(𝑡) = ∫ 6 − 𝑒 −6𝜆 𝑒 −6(𝑡−𝜆) 𝑑𝜆
0

𝑡−6
𝑦(𝑡) = ∫ 6𝑒 −6(𝑡−𝜆) − 𝑒 −6𝜆 𝑒 −6(𝑡−𝜆) 𝑑𝜆
0

𝑡−6
𝑦(𝑡) = ∫ 6𝑒 −6𝑡+6𝜆 − 𝑒 −6𝜆 𝑒 −6𝑡 𝑒 6𝜆 𝑑𝜆
0

𝑡−6 𝑡−6
𝑦(𝑡) = 6 ∫ 𝑒 −6𝑡+5𝜆 𝑑𝜆 − ∫ 𝑒 −6𝜆 𝑒 −6𝑡 𝑒 6𝜆 𝑑𝜆
0 0

Aplicamos la propiedad 𝑒 𝑎+𝑏 = 𝑒 𝑎 ∗ 𝑒 𝑏

53
 𝑡−6 𝑡−6
𝑦(𝑡) = 6 ∫ 𝑒 −6𝑡 𝑒 6𝜆 𝑑𝜆 − ∫ 𝑒 −6𝜆 𝑒 −6𝑡 𝑒 6𝜆 𝑑𝜆
0 0

𝑡−6 𝑡−6
𝑦(𝑡) = 6𝑒 −6𝑡 ∫ 𝑒 6𝜆 𝑑𝜆 − 𝑒 −6𝑡 ∫ 𝑒 −6𝜆 𝑒 6𝜆 𝑑𝜆
0 0

Aplicamos la propiedad 𝑒 𝑎+𝑏 = 𝑒 𝑎 ∗ 𝑒 𝑏

𝑡−6 𝑡−6
𝑦(𝑡) = 6𝑒 −6𝑡 ∫ 𝑒 6𝜆 𝑑𝜆 − 𝑒 −6𝑡 ∫ 𝑒 −5𝜆+5𝜆 𝑑𝜆
0 0

𝑡−6 𝑡−6
−6𝑡 6𝜆 −6𝑡
𝑦(𝑡) = 6𝑒 ∫ 𝑒 𝑑𝜆 𝑒 ∫ 1𝑑𝜆
0 0

𝑒 6𝜆
𝑦(𝑡) = 6𝑒 −6𝑡 ∙ ( ) − 𝑒 −6𝑡 . 𝜆 Evaluamos landa en (𝑡 − 6) y 0
6

𝑒 6(𝑡−6) 𝑒 6(0)
𝑦(𝑡) = 6𝑒 −6𝑡 ∙ ( − ) − 𝑒 −6𝑡 (𝑡 − 6 − 0)
6 6

−6𝑡
𝑒 6𝑡−36 1
𝑦(𝑡) = 6𝑒 ∙( − ) − 𝑒 −6𝑡 (𝑡 − 6 − 0)
6 6

𝑒 6𝑡 𝑒 −36 1
𝑦(𝑡) = 6𝑒 −6𝑡 ∙ ( − ) − 𝑒 −6𝑡 (𝑡 − 6 − 0)
6 6

6 −6𝑡 6𝑡 −36 6 −6𝑡

𝑦(𝑡) = 𝑒 𝑒 𝑒 − 𝑒 − 𝑒 −6𝑡 𝑡 + 6𝑒 −6𝑡
6 6

6 −6𝑡+6𝑡 −36 6 −6𝑡

𝑦(𝑡) = 𝑒 𝑒 − 𝑒 − 𝑒 −6𝑡 𝑡 + 6𝑒 −6𝑡
6 6

𝑦(𝑡) = 𝑒 −6𝑡+6𝑡 𝑒 −36 -𝑒 −6𝑡 − 𝑒 −6𝑡 𝑡 + 6𝑒 −6𝑡

𝑦(𝑡) = 𝑒 −36-𝑒 −6𝑡 − 𝑒 −6𝑡 𝑡 + 6𝑒 −6𝑡

𝑦(𝑡) = 𝑒 −36 − 𝑒 −6𝑡 𝑡 + 5𝑒 −6𝑡

54
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]

teniendo como numero de grupo=26 𝑎 = 6

teniendo como código de estudiante=1095791511 𝑏 = 1

𝑥[𝑛] = [−1,6, 2̌, 6,1,4]

ℎ[𝑛] = [2.5, 1̌, 0.5]

indice de inicio = − 2 + (−1) = −3

indice de terminacion =3 + 1 = 4

longitud 𝐿 = 𝐿𝑥 + 𝐿ℎ − 1 = 6 + 3 − 1 = 8

n= -2 -1 0 1 2 3
x[n]= -1 6 2 6 1 4
h[n]= 2,5 1 0,5
-
2,5 15 5 15 2,5 10
-1 6 2 6 1 4
-0,5 3 1 3 0,5 2
-
2,5 14 10,5 20 9,5 14 4,5 2

̌ , 9.5,14,4.5,2]
𝑦[𝑛] = [−2.5,14,10.5, 20

Simulación Octave

55
56
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):

𝑑 𝑡
𝑥(𝑡) = (tri ( − 1))
𝑑𝑡 2(1)

tri(𝑡) ↔ senc 2 (𝑓)

1 𝑓
𝑥(𝛼𝑡) ↔ 𝑋( )
|𝛼| 𝛼

𝑡 1 𝑓
tri ( ) ↔ senc 2 ( )
2 2 2
𝑥 ′ (𝑡) ↔ 𝑗2𝜋𝑓𝑋(𝑓)

57
 𝑑 𝑗𝜋𝑓 𝑓
(tri(𝑡)) ↔ senc 2 ( )
𝑑𝑡 2 2

𝑥(𝑡 − 𝛼) ↔ 𝑒 −𝑗2𝜋𝑓𝛼 𝑋(𝑓)

𝑗𝜋𝑓 −𝑗6𝜋𝑓 𝑓
𝑋(𝑓) = 𝑒 senc 2 ( )
1 2

𝑡 𝜋𝑡
𝑦(𝑡) = rect ( + 6) × cos ( )
12 12

rect(𝑡) ↔ senc 𝑓
1 𝑓 𝑡
𝑥(𝛼𝑡) ↔ |𝛼| 𝑋 (𝛼), se obtiene que la transformada de fourier de rect (12) es

𝑡 1 𝑓
rect ( )↔ senc ( )
12 12 12
𝑡
𝑥(𝑡 − 𝛼) ↔ 𝑒 −𝑗2𝜋𝑓𝛼 𝑋(𝑓), se obtiene que la transformada de Fourier de rect(12 − 6)
es

𝑡 1 −𝑗12𝜋𝑓 𝑓
rect ( − 6) ↔ 𝑒 senc ( )
12 12 12
la transforma de Fourier de cos(2𝜋𝛼𝑡) es

cos(2𝜋𝛼𝑡) ↔ 0.5[𝛿(𝑓 + 𝛼) + 𝛿(𝑓 − 𝛼)]

58
 𝜋𝑡
Por lo tanto, la transformada de cos (12) es

𝜋𝑡 1 1
cos ( ) ↔ 0.5 [𝛿 (𝑓 + ) + 𝛿 (𝑓 − )]
12 24 24

propiedad de multiplicación 𝑥(𝑡)ℎ(𝑡) ↔ 𝑋(𝑓) ⋆ 𝐻(𝑓)

1 −𝑗12𝜋𝑓 𝑓 1 1
𝑌(𝑓) = 𝑒 senc ( ) ⋆ 0.5 [𝛿 (𝑓 + ) + 𝛿 (𝑓 − )]
12 12 24 24
1 1
𝑓+ 1 𝑓− 1
28) 28
1 −𝑗14𝜋(
14 𝑓 + 28 1 −𝑗14𝜋( 14 ) 𝑓 − 28
𝑌(𝑓) = 𝑒 senc ( )+ 𝑒 senc ( )
28 14 28 14

59
JHOAN ESTEVAN NIÑO ALVAREZ.
Código: 1095813374

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 continua
La convolución nos ayuda a determinar el efecto que tiene el sistema en
la señal de entrada. Puede ser visto que el sistema lineal de tiempo
invariante (Section 2.1) es completamente caracterizado por su respuesta
al impulso. A primera vista, esto puede parecer de pequeño uso, ya que
las funciones de impulso no están bien denidas en aplicaciones reales.
Sin embargo la propiedad de desplazamiento del impulso nos dice que
una señal puede ser descompuesta en una suma infinita (integral) de
impulsos escalados y desplazados. Conociendo como un sistema afecta
un impulso simple, y entendiendo la manera en que una señal es
abarcada por impulsos escaldos y sumados, suena razonable que sea
posible escalar y sumar la respuesta al impulso a un sistema en para
poder determinar que señal de salida resultara de una entrada en
particular. Esto es precisamente lo que la convolución hace - la
convolución determina la salida del sistema por medio conocimiento de la
entrada y la respuesta al impulso del sistema.
convolución discreta

Cuando se trata de hacer un procesamiento digital de señal no tiene

sentido hablar de convoluciones aplicando estrictamente la definición ya
60
 que solo se dispone de valores en instantes discretos de tiempo. Es
necesario, pues, una aproximación numérica. Para realizar la convolución
entre dos señales, se evaluará el área de la función :

Para ello, se dispone de muestreos de ambas señales en los instantes

de tiempo nt , a la que se llamará x(k) y h(n-k) (donde n y k son enteros).El
área es, por tanto,

Ejemplos

• Optica
• Estadistica
• Acustica
• Fisica
• Teoria de la probabilidad

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

Una señal es una cantidad física que varıa con el tiempo, el espacio, o
cualquier otra variable o variables independientes. Es decir: una señal no
es más que una función de una o varias variables
,x: Ω⊂Cn→Cm;t→x(t).
Si la dependencia de la señal respecto de sus variables no es
determinista, diremos que la señal es aleatoria. El tratamiento matemático
de señales aleatorias requiere principalmente técnicas propias del
Cálculo de Probabilidades y de la Estadística. El tratamiento matemático
de señales deterministas, requiere fundamentalmente conceptos del
Análisis Matemático. Mientras no se diga lo contrario, trabajamos con
señales deterministas. Para fijar conceptos, vamos a pensar en principio
61
 que estamos interesados en señales que dependen de una única variable
(el tiempo), la cual supondremos real, y que toman valores en el cuerpo
C delos números complejos. Diremos que la señal(t) es analógica si la
variable t admite valores en un intervalo(con interior no vacío) de R.
Diremos que la señal es discreta si t toma valores en Z (o, de manera más
́ nicamente en un subconjunto numerable de
general, si t toma valores ú
R).La notación estándar (que usamos en lo sucesivo) para señales de
tiempo continuo (o analógicas) es x(t),y(t), etc. y para señales discretas
es x(n),y(n), etc.

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

en la ingeniería.

la correlación es una medida de la similitud entre dos señales,

frecuentemente usada para encontrar características relevantes en una
señal desconocida por medio de la comparación con otra que sí se
conoce. Es función del tiempo relativo entre las señales, a veces también
se la llama producto escalar desplazado, Dadas dos funciones discretas
fi y gi la correlación cruzada se define como:

Ejemplo

Reconocimiento de patrones y en criptoanálisis

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

aplicación en la ingeniería.

62
 La función de auto correlación se define como la correlación cruzada
de la señal consigo misma. La función de auto correlación resulta de gran
utilidad para encontrar patrones repetitivos dentro de una señal, como la
periodicidad de una señal enmascarada bajo el ruido o para identificar la
frecuencia fundamental de una señal que no contiene dicha componente,
pero aparecen numerosas frecuencias armónicas de esta.

Los procesos de raíz unitaria, autor regresivos, de tendencia estacionaria

y los Modelos de Medias Móviles; son ejemplos de procesos con auto
correlación

Ejemplo:

En óptica, la autocorrelación normalizada y la correlación cruzada

proporcionan el grado de coherencia de un campo electromagnético.

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

discreta?

Correlación continua:

Es una operación similar a la convolución. La cual radica en desplazar una función

más allá de otra y encontrar el área bajo el producto resultante, a diferencia de la
convolución no se efectúa ninguna reflexión. La correlación 𝑟𝑥𝑥 (𝑡) de dos funciones
idénticas 𝑥(𝑡) se llama autocorrelación. Para dos funciones diferentes 𝑥(𝑡) y 𝑦(𝑡),
la correlación 𝑟𝑥𝑦 (𝑡) 𝑜 𝑟𝑦𝑥 (𝑡) se conoce como correlación cruzada.

Correlación discreta:

63
Es una medida de la similitud entre dos señales y se encuentra usando un proceso
similar a la convolución. La correlación discreta de 𝑥[𝑛] y ℎ[𝑛] se define por.

∞ ∞

𝑟𝑥ℎ [𝑛] = 𝑥[𝑛] ∗∗ ℎ[𝑛] = ∑ 𝑥[𝑘]ℎ[𝑘 − 𝑛] = ∑ 𝑥[𝑘 + 𝑛]ℎ[𝑘]

𝑘=−∞ 𝑘=−∞

f- ¿Qué son las series de Fourier?

Una serie de Fourier es una serie infinita que converge puntualmente a

una función periódica y continua a trozos (o por partes). 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). El nombre se debe al matemático francés Jean-
Baptiste Joseph Fourier, que desarrolló la teoría cuando estudiaba la
ecuación del calor. Fue el primero que estudió tales series
sistemáticamente, y publicó sus resultados iniciales en 1807 y 1811. Esta
área de investigación se llama algunas veces análisis armónico.

Es una aplicación usada en muchas ramas de la ingeniería, además de

ser una herramienta sumamente útil en la teoría matemática abstracta.
Áreas de aplicación incluyen análisis vibratorio, acústica, óptica,
procesamiento de imágenes y señales, y compresión de datos. En
ingeniería, para el caso de los sistemas de telecomunicaciones, y a través
del uso de los componentes espectrales de frecuencia de una señal dada,
se puede optimizar el diseño de un sistema para la señal portadora del
mismo. Refiérase al uso de un analizador de espectros.

Las series de Fourier tienen la forma

64
g- ¿Qué es la transformada Continua de Fourier? De dos (2) ejemplos
de uso y/o aplicación en la ingeniería.

La transformada 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.

En el caso de una función periódica en el tiempo (por ejemplo, un sonido

musical continuo pero no necesariamente sinusoidal), la transformada de
Fourier se puede simplificar para el cálculo de un conjunto discreto de
amplitudes complejas, llamado coeficientes de las series de Fourier. Ellos
representan el espectro de frecuencia de la señal del dominio-tiempo
original.

La transformada de Fourier es una aplicación que hace corresponder a

una función f con otra función g definida de la manera siguiente:

65
Resumen.

En el transcurso del trabajo, encontramos diferentes definiciones de algunas

señales que usamos a diario sin percatarnos de la clase de señal o sus
componentes, el uso de diferentes señales siempre los ligaba a ondas como las del
microondas, radio, wifi, pero nunca había pensado que las llegase a utilizar en mi
área de conocimiento como lo es la eléctrica, el uso de matlab para el desarrollo de
diferentes señales también fue un punto muy importante en el desarrollo del trabajo
y el aprendizaje de poder utilizar un programa para graficar algunos
comportamientos.

1.1. 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)

. Para poder realizar la solución podemos tener en cuenta la siguiente integral

para la convulsión:
∞
𝑥(𝑡) ∗ ℎ(𝑡) = ∫ 𝑥(𝜆)ℎ(𝑡 − 𝜆)𝑑𝜆
−∞
66
 𝑥(𝑡) ∗ ℎ(𝑡) = 𝑦(𝑡)

De acuerdo a lo anterior obtenemos

𝑥(𝜆) = (6 − 𝑒 −6𝜆 )𝑢(𝜆)

ℎ(𝑡 − 𝜆) = 𝑒 −6𝜆 𝑢(𝑡 − 𝜆 − 6)

reemplazar valores en la ecuación

∞
𝑦(𝑡) = ∫ 𝑥(𝜆)ℎ(𝑡 − 𝜆)𝑑𝜆
−∞

∞
𝑦(𝑡) = ∫ (6 − 𝑒 −6𝜆 )𝑢(𝜆)𝑒 −6𝜆 𝑢(𝑡 − 𝜆 − 6)𝑑𝜆
−∞

es necesario reemplazar cada uno de los límites de esta integral anterior con
el fin de lograr una integral común en función de 𝜆.

Límite interior

𝜆=0

Límite superior

𝑡−𝜆−6=0

𝜆 =𝑡−6
𝑡−6
𝑦(𝑡) = ∫ (6 − 𝑒 −6𝜆 )𝑒 −6𝜆 𝑑𝜆
0

𝑡−7
−12𝜆
𝑦(𝑡) = −𝑒 ∫ 6𝑒 −6𝜆 𝑑𝜆
0

−12𝜆
6𝑒 −6𝜆
𝑦(𝑡) = −𝑒 (− )
6

67
 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]

n -2 -1 0 1 2 3

X[n] -1 6 2 6 4 4

H[n] 2.5 4 0.5

-2.5 15 5 15 10 10

-4 24 8 24 16 16

-0.5 3 1 3 2 2

-2.5 11 28.5 26 35 29 18 2
Y[n]

̌ , 35,29,18,2]
𝑌[𝑛] = [−2.5,11,28.5, 26

68
69
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. B=4

a) 𝑥(𝑡) = 3 ∗ 𝑟𝑒𝑐𝑡(𝑡 − 4) con T=4 s

• Encuentre los coeficientes 𝑎0 , 𝑎𝑘 y 𝑏𝑘

70
Iniciamos con la integral

1 ∞
𝑎0 = ∫ 𝑥(𝑡)𝑑𝑡
𝑇 −∞

Se reemplazan valores

1 4
𝑎0 = ∫ 3𝑑𝑡
4 −4

1
𝑎0 = (3(4) − 3(−4))
4
1
𝑎0 = (24)
4
𝑎0 = 6

Ahora procedemos a hallar 𝑎𝑘 y para ello usaremos la siguiente ecuación

2 𝑇
𝑎𝑘 = ∫ 𝑥(𝑡) cos(2𝜋𝑘𝑓0 𝑡)𝑑𝑡
𝑇 −𝑇

reemplazamos valores

2 4
𝑎𝑘 = ∫ 3(𝑡) cos(2𝜋𝑘𝑓0 𝑡)𝑑𝑡
4 −4

Operamos y sacamos la integral

71
 4
2
𝑎𝑘 = (3) ∫ cos(2𝜋𝑘𝑓0 𝑡)𝑑𝑡
4 −4

3 4
𝑎𝑘 = ∫ cos(2𝜋𝑘𝑓0 𝑡)𝑑𝑡
2 −4

3 1
𝑎𝑘 = ∗ + sin(2𝜋𝑘𝑓0 𝑡)
2 2𝜋𝑘𝑓0

3 sin(2𝜋𝑘𝑓0 𝑡)
𝑎𝑘 = ∗
2 2𝜋𝑘𝑓0

3 sin(2𝜋𝑘𝑓0 (4)) sin(2𝜋𝑘𝑓0 (4))

𝑎𝑘 = ∗ +
2 2𝜋𝑘𝑓0 2𝜋𝑘𝑓0

3 sin(8𝜋𝑘𝑓0 ) sin(8𝜋𝑘𝑓0 )
𝑎𝑘 = ∗ +
2 2𝜋𝑘𝑓0 2𝜋𝑘𝑓0

3 2sin(8𝜋𝑘𝑓0 )
𝑎𝑘 = ∗
2 2𝜋𝑘𝑓0

72
 3sin(8𝜋𝑘𝑓0 )
𝑎𝑘 =
2𝜋𝑘𝑓0

Ahora procedemos a hallar 𝑏𝑘 y para ello usaremos la siguiente ecuación

2 𝑇
𝑏𝑘 = ∫ 𝑥(𝑡) sen(2𝜋𝑘𝑓0 𝑡)𝑑𝑡
𝑇 −𝑇

reemplazamos valores

2 4
𝑏𝑘 = ∫ 3(𝑡) sen(2𝜋𝑘𝑓0 𝑡)𝑑𝑡
4 −4

Operamos y sacamos la integral

4
2
𝑏𝑘 = (3) ∫ sen(2𝜋𝑘𝑓0 𝑡)𝑑𝑡
4 −4

3 4
𝑏𝑘 = ∫ sen(2𝜋𝑘𝑓0 𝑡)𝑑𝑡
2 −4

3 1
𝑏𝑘 = ∗− + cos(2𝜋𝑘𝑓0 𝑡)
2 2𝜋𝑘𝑓0

73
 3 cos(2𝜋𝑘𝑓0 𝑡)
𝑏𝑘 = ∗−
2 2𝜋𝑘𝑓0

3cos(2𝜋𝑘𝑓0 𝑡)
𝑏𝑘 = −
4𝜋𝑘𝑓0

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):

a. X(t)
1

+b +2b t

-1

74
 𝑋(𝑡) = −𝑢(𝑡) + 𝑢(𝑡 + 4) + 𝑢(𝑡 − 4) − 𝑢(𝑡 − 8)

1 1
𝑋(𝑤) = − (𝜋𝛿 (𝑤) + ) + (𝑒 −𝑗4𝑤 (𝜋𝛿 (𝑤) + ))
𝑗𝑤 𝑗𝑤
1 1
+ (𝑒 −𝑗4𝑤 (𝜋𝛿 (𝑤) + )) − (𝑒 −𝑗8𝑤 (𝜋𝛿 (𝑤) + ))
𝑗𝑤 𝑗𝑤

75
76
JULIO CESAR CORREA SIERRA
Código: 13514880

Definición de conceptos: estudiando el libro de (Ambardar), El estudiante

investiga de manera individual y da respuesta a las siguientes preguntas
teóricas:

Explique qué es convolución continua y discreta. De cuatro (4) ejemplos

de usos y/o aplicaciones en la ingeniería.

Se denomina convolución a una función, que, de forma lineal y continua,

transforma una señal de entrada en una nueva señal de salida. La función
de convolución se expresa por el símbolo *.

En un sistema unidimensional, se dice que g(x) convoluciona f(x) cuando

El resultado de g(x) depende únicamente del valor de f(x) en el punto x,

pero no de la posición de x. Es la propiedad que se denomina invariante
respecto la posición (position-invariant) y es condición necesaria en la
definición de las integrales de convolución.

En el caso de una función continua, bidimensional, como es el caso de

una imagen monocroma, la convolución de f(x,y) por g(x,y) será:

Para esto, g(x,y) debe cumplir el requisito de no variar según la posición

x e y.
La convolución discreta en el 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

77
 de su respuesta al impulso ℎ[𝑛]. Puede describirse como una suma de
impulsos escalados y desplazados.

Suma de convolución:
∞

𝑦[𝑛] = ∑ 𝑥[𝑘]ℎ[𝑛 − 𝑘] = 𝑥[𝑛] ∗ ℎ[𝑛]

𝑘=−∞

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 (e.g. la sombra en la mesa cuando tenemos 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.

78
h- ¿Qué es estabilidad y causalidad de sistemas LTI?

Estabilidad sistemas discretos: requerimiento de que la respuesta al

impulso ℎ[𝑛] sea absolutamente sumable lo cual nos asegura que el
sistema es estable:

∑ |ℎ[𝑘]| < ∞
𝑘=−∞

Estabilidad sistemas continuos: en el dominio del tiempo la estabilidad

involucra restricciones en la naturaleza del sistema. La estabilidad de
entrada acotada salida acotada (BIBO) implica que cada entrada acotada
resulte en una salida acotada. Las condiciones para la estabilidad tipo
BIBO se determinada de las raíces de la ecuación característica. Una
condición suficiente para la estabilidad de un sistema LTI es que cada
raíz de su ecuación característica debe tener una parte real negativa y la
derivada más alta de la entrada no debe exceder a la de la salida. Las
raíces con partes reales negativas aseguran que la respuesta natural y
de entrada cero siempre decaiga con el tiempo, y la respuesta forzada y
de estado cero siempre permanezca acotada para cada entrada acotada.
Las raíces con parte real igual a cero hacen al sistema inestable.

Para que se cumpla la estabilidad ℎ(𝑡) debe ser absolutamente integrable

con:

∞
∫ |ℎ(𝜉)|𝑑𝜉 < ∞
−∞

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 < 0

De manera más general, la causalidad para un sistema lineal

es equivalente a la condición de “reposo inicial”, es decir, si la
entrada a un sistema causal es 0 hasta algún punto en el
79
tiempo, entonces la salida también debe de ser 0 hasta ese
tiempo.
∞ 𝑡
𝑦(𝑡) = ∫ 𝑥(𝜆)𝑢(𝜆 − 𝑡0 )ℎ(𝑡 − 𝜆)𝑢(𝑡 − 𝜆)𝑑𝜆 = ∫ 𝑥(𝜆)ℎ(𝑡 − 𝜆)𝑑𝜆
−∞ 𝑡0

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

la ingeniería.

Verificando su similitud con la convolución, la misma radica en desplazar

una función más allá de otra y encontrar el área bajo el producto
resultante, a diferencia de la convolución no se efectúa ninguna reflexión.

La correlación 𝑟𝑥𝑥 (𝑡) de dos funciones idénticas 𝑥(𝑡) se llama

autocorrelación. Para dos funciones diferentes 𝑥(𝑡) y 𝑦(𝑡), la correlación
𝑟𝑥𝑦 (𝑡) 𝑜 𝑟𝑦𝑥 (𝑡) se conoce como correlación cruzada. El símbolo para
denotar correlación es (**)

∞
𝑟𝑥𝑥 (𝑡) = 𝑥(𝑡) ∗∗ 𝑥(𝑡) = ∫ 𝑥(𝜆)𝑥(𝜆 − 𝑡)𝑑𝜆
−∞
∞
𝑟𝑥𝑦 (𝑡) = 𝑥(𝑡) ∗∗ 𝑦(𝑡) = ∫ 𝑥(𝜆)𝑦(𝜆 − 𝑡)𝑑𝜆
−∞
∞
𝑟𝑦𝑥 (𝑡) = 𝑦(𝑡) ∗∗ 𝑥(𝑡) = ∫ 𝑦(𝜆)𝑥(𝜆 − 𝑡)𝑑𝜆
−∞

Al referirnos a la correlación discreta, podemos definir esta

como una medida de la similitud entre dos señales y se
encuentra usando un proceso similar a la convolución. La
correlación discreta de 𝑥[𝑛] y ℎ[𝑛] se define por.
∞ ∞

𝑟𝑥ℎ [𝑛] = 𝑥[𝑛] ∗∗ ℎ[𝑛] = ∑ 𝑥[𝑘]ℎ[𝑘 − 𝑛] = ∑ 𝑥[𝑘 + 𝑛]ℎ[𝑘]

𝑘=−∞ 𝑘=−∞

Para hallar 𝑟𝑥ℎ [𝑛], se alinean el ultimo elemento de ℎ[𝑛] con el

primero de 𝑥[𝑛] y se inicia un desplazamiento de ℎ[𝑛] hasta
recorrer toda 𝑥[𝑛] un índice a la vez.

80
 Una de las aplicaciones en Ingeniería, radica en la obtención y
comparación de señales con y su tabulación con base en patrones pre
establecidos, utilizados en sistemas biométricos y de medición.

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

en la ingeniería.

Las operaciones de procesado digital que nos proporcionan esa

información son la autocorrelación; cuando quiero determinar parecido
dentro de una misma señal x(n); y la correlación cruzada cuando quiero
determinar parecido entre formas de onda diferentes. Se pueden
distinguir entonces dos operaciones; la autocorrelación cuando se utiliza
una señal y la correlación cruzada cuando se utilizan dos secuencias
discretas. Se define la autocorrelación de una señal discreta x(n) a la
secuencia definida por la siguiente expresión:

Es un concepto aplicable en Ingeniería de Sonido, donde la

autocorrelación proporciona información sobre las periodicidades de la
señal y sus frecuencias características.

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

Como ya se definió en el literal C., su diferencia radica básicamente en el

tipo de señal que se correlaciona, además, la correlación continua implica
desplazar una función más allá de otra y encontrar el área bajo el producto
resultante y no se genera ninguna reflexión, en la correlación discreta se
realiza una sumatoria de los productos de los valores de la señal y esto
es equivalente a la convolución.

81
l- ¿Qué son las series de Fourier?

Las series de Fourier son series de términos coseno y seno y surgen en

la tarea práctica de representar funciones periódicas generales. Como
aplicación constituyen una herramienta muy importante en la solución de
problemas en los que intervienen ecuaciones diferenciales ordinarias y
parciales. La teoría de las series de Fourier es bastante complicada, pero
la aplicación de estas series es simple. Las series de Fourier son, en
cierto sentido, más universales que las series de Taylor, ya que muchas
funciones periódicas discontinuas pueden desarrollarse en serie de
Fourier, pero, desde luego, no tienen representaciones en serie de Taylor.
La introducción de las series de Fourier (y de las integrales de Fourier)
fue uno de los mayores avances jamás realizados en la física matemática
y en sus aplicaciones en la ingeniería, ya que las series de Fourier (y las
integrales de Fourier) son probablemente la herramienta más importante
en la solución de problemas con valores en la frontera. Esto se explicará
en el capítulo siguiente. La transformada de Laplace es con mucho la
transformada integral más importante en ingeniería. Desde el punto de
vista de las aplicaciones, las siguientes en importancia serían quizás la
transformada de Fourier, aun cuando su manejo resulta un tanto más
difícil que la transformada de Laplace.

Se llama serie de Fourier asociada a f a la serie de funciones.

∞
𝑎0 2nπ 2nπ
+ ∑[ 𝑎𝑛 𝑐𝑜𝑠 𝑡 + 𝑏𝑛 𝑠𝑖𝑛 𝑡
2 𝑇 𝑇
𝑛=1

Donde 𝑎𝑛 y 𝑏𝑛 se denominan coeficientes de Fourier de la serie de

Fourier de la función 𝑓(𝑡)

82
m- ¿Qué es la transformada Continua de Fourier? De dos (2) ejemplos de
uso y/o aplicación en la ingeniería.

La transformada de Fourier sirve para unificar la representación de

señales periódicas y sus contrapartes no periódicas 𝑥(𝑓) =
∞
∫−∞ 𝑥(𝑡)𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡

También puede escribirse en términos de la frecuencia como:

∞
𝑥(𝜔) = ∫ 𝑥(𝑡)𝑒 −𝑗𝜔𝑡 𝑑𝑡
−∞

83
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.

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)

Nota: Para la solución de este ejercicio, se deben repasar los métodos de

integración vistos en el curso de cálculo integral.

Número de grupo 26 por lo tanto:

a=6

84
SOLUCION

Iniciamos reemplazando los valores en “a”

𝑥(𝑡) = (6 − 𝑒 −6𝑡 )𝑢(𝑡)

ℎ(𝑡) = 𝑒 −6𝑡 𝑢(𝑡 − 6)

𝑥(𝑡) → 𝑥(𝜆) y ℎ(𝑡) → ℎ(𝑡 − 𝜆)

𝑥(𝑡) = (6 − 𝑒 −6𝜆 )𝑢(𝜆)

ℎ(𝑡) = 𝑒 −6(𝑡−𝜆) 𝑢((𝑡 − 𝜆) − 6)

Se reemplaza en la integral de Convolución teniendo en cuenta los valores de “a”

∞
𝑦(𝑡) = ∫ (6 − 𝑒 −6𝜆 )𝑢(𝜆) 𝑒 −6(𝑡−𝜆) 𝑢((𝑡 − 𝜆) − 6)𝑑𝜆
−∞

∞
(𝑡) = ∫ (6 − 𝑒 −6𝜆 ) 𝑒 −6(𝑡−𝜆) 𝑢(𝜆)𝑢((𝑡 − 𝜆) − 6)𝑑𝜆
−∞

Los límites de la integral son:

𝒖(𝝀) = 𝟎 𝝀=𝟎

Por consiguiente y teniendo en cuenta el valor de “a”

𝑡−𝜆−6=0

𝜆 =𝑡−6

85
 𝑡−6
𝑦(𝑡) = ∫ 6 − 𝑒 −6𝜆 𝑒 −6(𝑡−𝜆) 𝑑𝜆
0

𝑡−6
𝑦(𝑡) = ∫ 6𝑒 −6(𝑡−𝜆) − 𝑒 −6𝜆 𝑒 −6(𝑡−𝜆) 𝑑𝜆
0

𝑡−6
𝑦(𝑡) = ∫ 6𝑒 −6𝑡+6𝜆 − 𝑒 −6𝜆 𝑒 −6𝑡 𝑒 6𝜆 𝑑𝜆
0

𝑡−6 𝑡−6
−6𝑡+6𝜆
𝑦(𝑡) = 6 ∫ 𝑒 𝑑𝜆 − ∫ 𝑒 −6𝜆 𝑒 −6𝑡 𝑒 6𝜆 𝑑𝜆
0 0

Reemplazamos en “a” teniendo en cuenta:

𝒆𝒂+𝒃 = 𝒆𝒂 ∗ 𝒆𝒃

𝑡−6 𝑡−6
−6𝑡 6𝜆
𝑦(𝑡) = 6 ∫ 𝑒 𝑒 𝑑𝜆 − ∫ 𝑒 −6𝜆 𝑒 −6𝑡 𝑒 6𝜆 𝑑𝜆
0 0

𝑡−6 𝑡−6
−6𝑡 6𝜆 −6𝑡
𝑦(𝑡) = 6𝑒 ∫ 𝑒 𝑑𝜆 − 𝑒 ∫ 𝑒 −6𝜆 𝑒 6𝜆 𝑑𝜆
0 0

Reemplazamos en “a” teniendo en cuenta el valor de “b”

𝒆𝒂+𝒃 = 𝒆𝒂 ∗ 𝒆𝒃

𝑡−6 𝑡−6
𝑦(𝑡) = 6𝑒 −6𝑡 ∫ 𝑒 6𝜆 𝑑𝜆 − 𝑒 −6𝑡 ∫ 𝑒 −9𝜆+9𝜆 𝑑𝜆
0 0

𝑡−6 𝑡−6
−6𝑡 6𝜆 −6𝑡
𝑦(𝑡) = 6𝑒 ∫ 𝑒 𝑑𝜆 𝑒 ∫ 1𝑑𝜆
0 0

86
Teniendo en cuenta el valor de “a” se evalúa Landa

𝑒 6𝜆
𝑦(𝑡) = 6𝑒 −6𝑡 ∙ ( ) − 𝑒 −6𝑡 𝜆
6

𝑒 6(𝑡−6) 𝑒 6(0)
𝑦(𝑡) = 6𝑒 −6𝑡 ∙ ( − ) − 𝑒 −6𝑡 (𝑡 − 6 − 0)
6 6

𝑒 6𝑡 𝑒 −36 1
𝑦(𝑡) = 6𝑒 −6𝑡 ∙ ( − ) − 𝑒 −6𝑡 (𝑡 − 6 − 0)
6 6

6 −6𝑡 6𝑡 −36 6 −6𝑡

𝑦(𝑡) = 𝑒 𝑒 𝑒 − 𝑒 − 𝑒 −6𝑡 𝑡 + 6𝑒 −6𝑡
6 6

𝑦(𝑡) = 𝑒 −6𝑡+6𝑡 𝑒 −36 -𝑒 −6𝑡 − 𝑒 −6𝑡 𝑡 + 6𝑒 −6𝑡

𝑦(𝑡) = 𝑒 −36-𝑒 −6𝑡 − 𝑒 −6𝑡 𝑡 + 6𝑒 −6𝑡

𝒚(𝒕) = 𝒆−𝟑𝟔 − 𝒆−𝟔𝒕 𝒕 + 𝟗𝒆−𝟔𝒕

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]

Grupo: 26 a=6

Código: 80 b=3

87
De acuerdo a lo anterior, tenemos que:

̌, 𝟔, 𝟑, 𝟒]
𝒙[𝒏] = [−𝟏, 𝟔, 𝟐

̌, 𝟎. 𝟓]
𝒉[𝒏] = [ 𝟐. 𝟓, 𝟑

INDICE DE INICIO = − 𝟐 + (−𝟏) = −𝟑

INDICE DE TERMINACION =𝟑 + 𝟏 = 𝟒

LONGITUD 𝐋 = 𝐋𝐱 + 𝐋𝐡 − 𝟏 = 𝟔 + 𝟑 − 𝟏 = 𝟖

n= -2 -1 0 1 2 3
x
[n]= -1 6 2 6 3 4
h
[n]= 2,5 3 0.5
-2,5 15 5 15 7,5 10
-3 18 6 18 9 12
-0,5 3 1 3 1,5 2
-2,5 12 22,5 24 26,5 22 13,5 2

𝒚[𝒏] = [−𝟐. 𝟓, 𝟏𝟐, 𝟐𝟐. 𝟓, 𝟐𝟒, 𝟐𝟔. 𝟓, 𝟐𝟐, 𝟏𝟑. 𝟓, 𝟐]

88
89
 senal discreta H[𝒏]-Julio Correa

convolución discreta x[𝒏]*H[𝒏]-Julio Correa

90
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.

𝒙(𝒕) = 𝟑 ∗ 𝒓𝒆𝒄𝒕(𝒕 − 𝒃) con T=4 s

Código: 80 b=3

Encuentre los coeficientes 𝒂𝟎 , 𝒂𝒌 y 𝒃𝒌

“Para la solución de este ejercicio, se deben repasar los métodos de integración

vistos en el curso de cálculo integral”

91
Los 𝑎𝑘 de la serie de Fourier se determinan a través de

𝟐
𝐚𝐤 = ∫ 𝐱(𝐭) 𝐜𝐨𝐬(𝐤𝛚𝟎 𝐭) 𝐝𝐭
𝐓 𝐓

5 7
Debido a que 𝑥(𝑡) es una señal que tiene amplitud 3 en el intervalo ≤𝑡<2 y
2
7 13
amplitud 0 en el intervalo ≤𝑡< . La integral previa se puede escribir de la
2 2
siguiente forma:

𝟕 𝟏𝟑
𝟐 𝟐 𝟐
𝒂𝒌 = [∫ 𝟑 𝐜𝐨𝐬(𝒌𝝎𝟎 𝒕) 𝒅𝒕 + ∫ 𝟎 𝐜𝐨𝐬(𝒌𝝎𝟎 𝒕) 𝒅𝒕]
𝟒 𝟓 𝟕
𝟐 𝟐

Ya que la segunda integral esta multiplicada por cero, se reduce a

𝟕
𝟔 𝟐
𝒂𝒌 = ∫ 𝐜𝐨𝐬(𝒌𝝎𝟎 𝒕) 𝒅𝒕
𝟒 𝟓
𝟐

92
 𝑑𝑢
Para resolver la integral se realiza la sustitución 𝑢 = 𝑘𝜔0 𝑡, asi, = 𝑑𝑡
𝑘𝜔0

𝟕
𝟑 𝟐 𝟏
𝒂𝒌 = ∫ 𝐜𝐨𝐬(𝒖) 𝒅𝒖
𝟐 𝟓 𝒌𝝎𝟎
𝟐

Aplicando el teorema fundamental del calcula, la antiderivada de cos(𝑢) es sen(𝑢)

𝟕
𝟑 𝟐
𝒂𝒌 = 𝐬𝐞𝐧(𝒖𝒕)|
𝟐𝒌𝝎𝟎 𝟓
𝟐

Sustituyendo 𝑢 en la anterior expresión, se obtiene:

𝟕
𝟑 𝟐
𝒂𝒌 = 𝐬𝐞𝐧(𝒌𝝎𝟎 𝒕)|
𝟐𝒌𝝎𝟎 𝟓
𝟐

Se evalúan los límites de la integral:

𝟑 𝟕𝒌𝝎𝟎 𝟓𝒌𝝎𝟎
𝒂𝒌 = (𝐬𝐞𝐧 ( ) − 𝐬𝐞𝐧 ( ))
𝟐𝒌𝝎𝟎 𝟐 𝟐

Dado que

𝟐𝝅 𝟐𝝅 𝝅
𝝎𝟎 = 𝟐𝝅𝒇𝟎 = = =
𝑻 𝟒 𝟐

Entonces

93
 𝝅 𝝅
𝟑 𝟕𝒌 ( 𝟐 ) 𝟓𝒌 ( 𝟐 )
𝒂𝒌 = 𝝅 (𝐬𝐞𝐧 ( 𝟐 ) − 𝐬𝐞𝐧 ( 𝟐 ))
𝟐𝒌 ( 𝟐 )

Reescribiendo la anterior expresión, los 𝑎𝑘 de la señal propuesta es:

𝟑 𝟕𝛑𝐤 𝟓𝛑𝐤
𝐚𝐤 = (𝐬𝐞𝐧 ( ) − 𝐬𝐞𝐧 ( )) , 𝐤 = 𝟏, 𝟐, 𝟑, …
𝛑𝐤 𝟒 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):

Código: 80 b=3

b. X(t)
1

+b +2b t

-1

94
 𝑋(𝑡) = −𝑢(𝑡) + 𝑢(𝑡 + 3) + 𝑢(𝑡 − 3) − 𝑢(𝑡 − 6)

𝟏 𝟏
𝑿(𝒘) = − (𝝅𝜹(𝒘) + ) + (𝒆−𝒋𝟑𝒘 (𝝅𝜹(𝒘) + ))
𝒋𝒘 𝒋𝒘
𝟏 𝟏
+ (𝒆−𝒋𝟑𝒘 (𝝅𝜹(𝒘) + )) − (𝒆−𝒋𝟔𝒘 (𝝅𝜹(𝒘) + ))
𝒋𝒘 𝒋𝒘

95
c. Item Grupal

96
 𝑡 𝜋𝑡
𝑦(𝑡) = rect ( + 7) × cos ( )
14 14

La transformada de Fourier de rect(𝑡) es:

rect(𝑡) ↔ senc 𝑓
1 𝑓
Aplicando la propiedad de escalamiento 𝑥(𝛼𝑡) ↔ |𝛼| 𝑋 (𝛼), se obtiene que la
𝑡
transformada de fourier de rect (14) es:

𝑡 1 𝑓
rect ( )↔ senc ( )
14 14 14

Aplicando la propiedad de desplazamiento 𝑥(𝑡 − 𝛼) ↔ 𝑒 −𝑗2𝜋𝑓𝛼 𝑋(𝑓), se

𝑡
obtiene que la transformada de Fourier de rect(14 − 7) es:

𝑡 1 −𝑗14𝜋𝑓 𝑓
rect ( − 7) ↔ 𝑒 senc ( )
14 14 14

Ahora, la transforma de Fourier de cos(2𝜋𝛼𝑡) es:

97
 cos(2𝜋𝛼𝑡) ↔ 0.5[𝛿(𝑓 + 𝛼) + 𝛿(𝑓 − 𝛼)]
𝜋𝑡
Por lo tanto, la transformada de cos (14) es:

𝜋𝑡 1 1
cos ( ) ↔ 0.5 [𝛿 (𝑓 + ) + 𝛿 (𝑓 − )]
14 28 28

Aplicando la propiedad de multiplicación 𝑥(𝑡)ℎ(𝑡) ↔ 𝑋(𝑓) ⋆ 𝐻(𝑓)

1 −𝑗14𝜋𝑓 𝑓 1 1
𝑌(𝑓) = 𝑒 senc ( ) ⋆ 0.5 [𝛿 (𝑓 + ) + 𝛿 (𝑓 − )]
14 14 28 28

1 1
𝑓+ 1 𝑓− 1
−𝑗14𝜋( 28) 𝑓 + 28 −𝑗14𝜋( 28) 𝑓 − 28
1 14 1 14
𝑌(𝑓) = 𝑒 senc ( )+ 𝑒 senc ( )
28 14 28 14

98
99
 CONCLUSIONES

• Con esta actividad se pudo trabajar en la Tarea 2, inherente a los conceptos

y aplicaciones de Señales Continuas, Discretas, LTI.

• Comprender matemáticamente el desarrollo de operaciones básicas sobre

señales continuas y discretas como desplazamiento, reflexión, amplificación
en eje temporal y de amplitud, Series y Transformadas de Fourier y sus
implicaciones en la Ingeniería.

• Con la realización de esta actividad se trataron de conceptos sobre señales

los cuales fueron señales continuas, discretas, senoidales y armónicas en
tiempo continuo y discreto, también del sistema de señales LTI su descripción
y comportamientos también se trabajó sobre el programa Matlab donde se
comprobó que la parte teórica fuera unos valores correctos.

100
 6. BIBLIOGRAFÍA

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_
DOCUMENT&userGroupName=unad&inPS=true&contentSegment=&prodId=GVR
L&isETOC=true&docId=GALE|CX4060300056

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=u
nad&inPS=true&prodId=GVRL&contentSet=GALE&docId=GALE|CX4060300067

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_
DOCUMENT&userGroupName=unad&inPS=true&contentSegment=&prodId=GVR
L&isETOC=true&docId=GALE|CX4060300069

Valderrama, F. (2016). Curso de Señales y Sistemas Unidad 2. Duitama:

Universidad Nacional Abierta y a Distancia. Recuperado de
http://hdl.handle.net/10596/9572

Quiroga, J. (2007). Análisis de Fourier: Señales. (pp. 17- 80). Recuperado de

https://drive.google.com/file/d/0B7IdP8eYshy8ZHloWmxPRW8yZkE/view

101