República Bolivariana de Venezuela

Ministerio del Poder Popular para la Educación Superior

Universidad Fermín Toro

Escuela de Telecomunicaciones y Computación

Núcleo Araure

Profesor: Euripides Días Participantes:

Valencia Diana. C.I: 27.937555

Sequera Adriana. C.I: 27.880359

Pérez maría. C.I: 27.276.373

 Introducción

Si no tienes unas nociones previas, puede ser complicado comprender el concepto

de "representación en frecuencia de una señal". Básicamente la Transformada de Fourier
se encarga de transformar una señal del dominio del tiempo, al dominio de la frecuencia,
de donde se puede realizar su anti transformada y volver al dominio temporal.
Estudiaremos a lo largo de este trabajo la Serie de Fourier, espectro de magnitud y fase
de una o dos caras, las condiciones de Dirichlet, las Transformadas de Fourier, entre
otros temas que mencionamos más adelante.

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.
 Portuguesa, marzo 2018

Espectro de magnitud y fase de una y dos caras

La serie de Fourier representa un número infinito de componentes frecuenciales
que, sumados, dan la función del tiempo f (t).

Estos componentes frecuenciales constituyen un espectro discreto. Las amplitudes

de cada una de las frecuencias discretas vienen dadas por los coeficientes de an y bn.
Todos los componentes frecuenciales son armónicos de la frecuencia fundamental, 1/T, y
la gama total de frecuencias es el ancho de banda de la señal. Aunque el espectro de
frecuencia puede consistir en un número infinito de frecuencia discreta, sus amplitudes se
van haciendo cada vez menores a medida que crece “n”. El sentido de esto descansa en
la necesidad de economizar anchura de banda en los sistemas de comunicación. El
conocimiento del espectro de frecuencias ayudará a conseguir la transmisión y la
recepción de la señal de manera más efectiva y económica posible. En el aparte
correspondiente a serie de Fourier en forma compacta, se obtuvieron las ecuaciones 16 y
16-a, las cuales constituyen el espectro de frecuencia de una sola cara. El nombre radica
en el hecho que los espectros de amplitud y de fase, sólo tendrán valores definidos para
valores de “n” positivos, dando como resultado que la gráfica obtenida sólo exista para el
lado derecho del eje vertical. En la siguiente figura se muestran los espectros de amplitud
y fase de un sola cara de una función f(t) genérica.

|F(W)| (W)

180

1 2 3 4 5 6 7 w 1 2 3 4 5 6 7 w
a) b)

𝑓(𝑡) = 𝐶0 + ∑𝑛−1 𝐶𝑛 cos⁡(𝑛𝑤0 𝑡 − 𝜃) Ecuación 16

Dónde:
1
𝐶0 = 2 𝑎0
𝑑
2
|𝐶𝑛 | = √𝑎2 𝑛 + 𝑏𝑛
𝑏
𝜃𝑛 = 𝑡𝑔−1 𝑎𝑛 Ecuación a16
𝑛
a) espectro de amplitud

b) espectro de fase.

Para la representación de la serie de Fourier en forma compleja, se obtuvieron las

ecuaciones 27 y 28, las cuales permiten también graficar los espectros de amplitud y fase
de la función f (t), sólo que en este caso, la variable “n” puede tomar tanto valores
positivos como negativos, con lo cual la gráfica del espectro de amplitud y fase se conoce
con el nombre de espectro de frecuencia de dos caras.

|F(W)|

-7 -6 -5 -4 -3 -2 -1 1 2 3 4 5 6 7 w

a)

(W)

/2

-7 -6 -5 -4 -3 -2 -1

1 2 3 4 5 6 7 w

-/2

b)

1
cn  . a n 2  bn 2
2 Ecuación 27

bn
 n  tan 1 ( )
an Ecuación 28

Las condiciones de Dirichlet fenómeno de Gibbs

Si una función periódica v (t) posee un número finito de máximos, mínimos y

discontinuidades por periodo y v (t) es absolutamente integrable, luego la serie de Fourier
existe y converge uniformemente donde quiera que v (t) sea continúa. Si v (t) es cuadrado
integrable, luego v (t)2 tiene un área finita por periodo (equivalente a la potencia de la
señal).
 De acuerdo a las condiciones anteriores la serie converge de la siguiente manera
𝑁

𝑉𝑛 (𝑡) = ⁡ ∑ 𝐶𝑛 𝑒 𝑗2𝜋𝑛𝑓0 𝑡
𝑛=⁡−⁡𝑁

Hasta ahora se ha determinado la serie de Fourier de una función genérica f (t). A

continuación se analiza la convergencia de la serie de Fourier a f (t). Este análisis se
realiza por medio de lo que se conoce como condiciones de Dirichlet. Las condiciones de
Dirichlet son las siguientes:

a) La función f (t) tiene un número finito de discontinuidades en un período.

b) La función f (t) tiene un número finito de máximos y mínimos en un período.

c) La integral del valor absoluto de f (t) en un período es finita; es decir,

T /2

 f ( t ) . dt  finita  
T /2

Si una función cumple con las condiciones a) y b) se dice que es continua por
tramos.
 Transformada de Fourier de algunas funciones singulares:

En el tratamiento de la asignatura Análisis de Señales se trabajará con las funciones

escalón e impulso.

La Función Escalón:

Desde el punto de vista físico, esta función representa una señal constante, como
por ejemplo un voltaje o una corriente, que existe a partir de un determinado instante t0.
Matemáticamente la función escalón se expresa como sigue:

µ(t)=1 para t ≥ 0

µ(t)=0 para t ≤ 0

Corresponde a lo que denominaremos escalón unitario. Entonces se podrán considerar

escalones no unitarios y definidos a partir de t0.

Función impulso:

Desde el punto de vista físico, esta función no es representable, no obstante, su

significado corresponde a una señal idealmente infinita y definida en el instante t0.
Lo más similar desde el punto de vista físico y que puede ser interpretado como un
impulso corresponden a aquellas señales de duración infinitesimal y de gran amplitud.
Matemáticamente la función impulso o delta dirac se expresa como sigue:

ᵟ (t)=∞ para t=0

ᵟ (t)=0 para 0 <t<0

Corresponde a lo que denominaremos impulso unitario. El concepto de unitario o también

denominado peso unitario encierra el concepto del área del impulso

Convolución de Señales o Producto Integral.

La Convolución es una operación matemática que combina dos señales para producir una
tercera señal. En el campo de las señales digitales es muy importante, ya que permite
obtener la señal de salida de un sistema a partir de la señal de entrada y la respuesta al
impulso.

Es decir, podemos predecir la salida conociendo la entrada y la respuesta al impulso.

Variable de Estado:

Las variables de estado son el subconjunto más pequeño de variables de un sistema que
pueden representar su estado dinámico completo en un determinado instante. Estas
variables de estado deben ser linealmente independientes; una variable de estado no
puede ser una combinación lineal de otras variables de estado.

El número mínimo de variables de estado necesarias para representar un sistema

dado, n, es normalmente igual al orden de la ecuación diferencial que define al sistema. Si
el sistema es representado en forma de función de transferencia, el número mínimo de
variables de estado es igual al orden del denominador de la función transferencia después
de haber sido reducido a una fracción propia.

Cabe destacar que al convertir una representación de espacio de estado a la forma de

función de transferencia puede perderse información interna sobre el sistema, pudiendo
por ejemplo describir un sistema como estable aun cuando la representación de espacio
de estado indica que es inestable en ciertos puntos.

Aplicaciones de la transformada de Fourier a sistemas lineales invariantes en el

tiempo.

Para comenzar a estudiar los sistemas, debemos primero considerar el concepto de

señal.

Si bien es un término de muy amplio alcance, en el contexto que nos atañe consideramos
como señal a toda variación de una cantidad física (por lo general con el tiempo)
susceptible de ser representada matemáticamente y de la cual podemos obtener alguna
información o realizar algún cambio.

Con esto, definiremos como sistema a cualquier ente físico o proceso capaz de recibir una
señal, denominada de entrada, o excitación (x(t)), y transformarla en otra señal que
denominaremos de salida o respuesta. (y(t))

Según la naturaleza de las señales que los sistemas procesan, usualmente se los
clasifica también como “de tiempo continuo” o “de tiempo discreto”.

Linealidad:

Se dice que un sistema es lineal si cumple con el llamado principio de

superposición, el cual a su vez se compone de dos partes:

1. Homogeneidad: si x (t )  y (t )  kx (t )  ky (t )

2. Aditividad: si x 1(t )  y1(t )  x 2 (t )  y 2 (t )  x 1(t )  x 2 (t )  y1(t )  y 2 (t )

Combinando la (1) y la (2): k1 x1 (t )  k 2 x2 (t )  k1 y1 (t )  k 2 y2 (t ) (superposición)

Evidentemente, esto se cumplirá si el sistema, para obtener la salida, efectúa sobre la

señal de entrada operaciones que son matemáticamente lineales, como ser: suma,
multiplicación por una constante, diferenciación e integración.

Invariabilidad Temporal:

Decimos que un sistema es invariante en el tiempo, si la respuesta del mismo no depende

del momento en que es excitado, formalmente:

si x (t )  y(t )  x (t  t 0 )  y(t  t 0 )

Esta es una propiedad importante del sistema, puesto que lo hace más predecible y
posibilita su análisis por medio de los métodos que estudiaremos más adelante.

Físicamente, la invariabilidad temporal implica que los constituyentes de nuestro

sistema, no se alterarán y conservarán sus propiedades con el paso del tiempo: “sus
parámetros son constantes”

Por ejemplo, un circuito electrónico no sería invariante en el tiempo si sus

componentes (resistencias, inductores, condensadores, entre otros).

Método de Convolución:

El método de convolución sirve para hallar la respuesta del sistema a una entrada
arbitraria, conociendo previamente la respuesta impulsiva del mismo.

Consecuencias Importantes:

El hecho de que un sistema sea LTI, hará más manejable su análisis: puesto que es
posible descomponer a una señal arbitraria en componentes más simples, hallar las
respuestas del sistema a cada una de ellas, y luego, por el principio de superposición,
sumar dichas respuestas para obtener la respuesta total a la entrada arbitraria
(compuesta).

Esta forma de tratamiento, como se verá, sirve de base para varios métodos de
análisis de SLTI, en particular:

 La interpretación de una señal arbitraria como una suma de impulsos

ponderados, es la base del método de convolución, que caracteriza al sistema
en función de su respuesta impulsiva.
 La representación de la señal de entrada como una suma de sinusoides
armónicas ponderadas, conduce a las Series de Fourier.
 La descomposición de una señal arbitraria en una suma de exponenciales
complejas ponderadas, es una serie de Fourier de tipo exponencial y es la
base para el estudio por medio de las transformadas de Fourier y de Laplace.

Operación usando pulso rectangular

1⁡⁡⁡⁡|𝑡| < 𝜏/2
Sea ∏(𝑡/𝜏) ⁡ ≜ { ⁡ un pulso rectangular estándar centrado en T=0 y de
0⁡|𝑡| > ⁡𝜏/2⁡⁡
duración 𝜏, luego v (t) se expresa de la forma

𝑣(𝑡) = 𝐴Π(𝑡/𝜏)
 Conclusión

Una serie de Fourier es una serie infinita que converge puntualmente una función
continua y periódica. 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 infinitesimal de funciones senoidales
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 publicando sus resultados iniciales en1807y1811.