lOMoARcPSD|9023637

Laboratorio 1 Telecomunicaciones 2.docx

Telecomunicaciones IV (Universidad Nacional del Callao)

Scan to open on Studocu

Studocu is not sponsored or endorsed by any college or university

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)
 lOMoARcPSD|9023637

UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA

ESCUELA PROFESIONAL DE INGENIERÍA ELECTRÓNICA

LABORATORIO DE TELECOMUNICACIONES II

LABORATORIO N°1: Análisis de señales con el uso de

Matlab

CURSO: Telecomunicaciones II

PROFESOR: Chávez Irazábal Wilbert

GRUPO HORARIO: 01L - 90G

INTEGRANTE:

 Quispe Cerón María Jesús

 Acosta Olivo Eduardo Jesus Antonio

 Ballena Falen Cristhian

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

PRÁCTICA N°1

1. TEMA

Análisis de señales con el uso de Matlab u Octave

2. OBJETIVOS

Utilizar MATLAB o OCTAVE, para analizar las señales en el dominio de la

frecuencia y en el dominio del tiempo.

3. MARCO TEÓRICO

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

Conceptos en el Dominio Temporal:

La señal electromagnética, considerada como función del tiempo, puede ser
continua o discreta. Una señal continua es aquella en la que la intensidad de la
señal varía suavemente en el tiempo; es decir, no presenta saltos ni
discontinuidades. Una señal discreta es aquella en la que la intensidad de
señal se mantiene constante durante un determinado intervalo de tiempo, luego
del cual cambia a otro valor constante. El tipo de señales más sencillas que se
pueden considerar son las periódicas, que se caracterizan por contener un
patrón que se repite a lo largo del tiempo. Una señal se dice periódica si:

(t+T )=s(t )−∞ <t <+∞ Ec .2.1

Donde T es la constante de tiempo (período).

Conceptos en el Dominio de la Frecuencia:

Una señal electromagnética, puede tener muchas componentes de frecuencia.
A través del análisis de Fourier se puede demostrar que cualquier señal está
constituida por componentes sinusoidales de distintas frecuencias. Por tanto,
se puede decir que para cada señal hay una función en el dominio del tiempo
que determina la amplitud de la señal en cada instante de tiempo. De igual
forma hay una función en el dominio de la frecuencia que especifica las
componentes de frecuencia que conforman una señal. Se define el espectro de
una señal como el conjunto de frecuencias que la constituyen.
Se define como ancho de banda absoluto de una señal a todo el rango que
ocupa ese espectro. No obstante, la mayor parte de la energía de la señal
puede estar concentrada en una banda relativamente estrecha. Esta banda se
denomina ancho de banda efectivo o simplemente ancho de banda.

Desarrollo en Series de Fourier para Señales Periódicas:

Toda señal periódica se puede expresar como una suma de funciones
sinusoidales, denominadas series de Fourier.
∞
A
x ( t )= 0 + ∑ [ An cos ( 2 πn f 0 t ) +Bn cos ⁡( 2 πn f 0 t) ] Ec .2.2
2 n=1

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

Donde la frecuencia fo se denomina frecuencia o armónico fundamental, y a los

múltiples de fo armónicos. Por tanto, una señal periódica con periodo T estará
compuesta por la frecuencia fundamental fo, más los múltiplos enteros de dicha
frecuencia. Si Ao es diferente de 0, la señal x(t) tendrá una componente
continua.
Los valores de los coeficientes del desarrollo en series de Fourier se calculan
mediante las siguientes expresiones:
1
A 0= ∫ g ( t ) dt Ec .2 .3
T0
2
A n= ∫ g ( t ) cos ( 2 πn f 0 t ) dt Ec .2.4
T0
2
B n= ∫ g ( t ) sen ( 2 πn f 0 t ) dt Ec .2.5
T0

Transformada de Fourier para Señales No Periódicas:

El espectro de una señal no periódica a diferencia de una señal periódica,
consiste de un conjunto continuo de componentes de frecuencias. Este
espectro se puede obtener mediante la transformada de Fourier. Para una
señal g(t), con espectro G(w), se tiene:
1
g ( t ) = ∫ G ( w ) e jωt dw Ec . 2.6
2π
G ( w )=∫ g ( t ) e− jωt dt Ec . 2.7

4. TRABAJO PREPARATORIO
4.1. Leer y entender el marco teórico expuesto en las hojas guías.
I. Espectro de Potencia
Un proceso aleatorio es una colección de señales en tiempo discreto, por tanto,
no podemos calcular la transformada de Fourier del proceso en sí mismo. Pero
podemos obtener una representación del proceso en el dominio de la
frecuencia si expresamos la transformada de Fourier en términos de un
promedio del conjunto de realizaciones.
La secuencia de autocorrelación de un proceso estacionario en sentido amplio
(WSS) proporciona una descripción en el dominio del tiempo del momento de
segundo orden del proceso. Como rx(k) es una secuencia determinista,
podemos calcular la transformada de Fourier en tiempo discreto,
∞
S x (e jw )= ∑ r x ( k )e− jkw
k=−∞

Esta expresión determina el espectro de potencia o densidad espectral de

potencia del proceso. Conocido el espectro de potencia, podemos obtener la
secuencia de autocorrelación mediante la transformada inversa:

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

π
1
r x (k )= ∫
2 π −π
P x (e jw )e jkw dw

Por tanto, el espectro de potencia proporciona una descripción en el dominio de

la frecuencia del momento de segundo orden del proceso. En ocasiones puede
resultar conveniente utilizar la transformada-z en lugar de la transformada de
Fourier en tiempo discreto,
∞
Px ( z )= ∑ r x (k) z−k
k=−∞

A Px ( z ) también se le denomina espectro de potencia de x (n) .

4.2. Consultar la siguiente propiedad de la transformada de Fourier:

Traslación en la frecuencia.

F [ e +w t f (t) ]=F (w−w0 )

0

e +w t f ( t )=g(t )
0

+∞
g (t)=
1
∫ F ( w−w0 ) e jwt ∂ w → u=w−w
2 π −∞ ∂u=∂ w {
0 ↔ w=u+ w0
}
∞
1
g(t)= ∫ F (u)e j (u +w )t ∂ u
2 π −∞
0

∞
1
g(t)=e j (w 0 )t
∫
2 π −∞
F (u) e j(u)t ∂ u

4.3. Presentar el desarrollo matemático para la obtención de los

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

Donde:

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

A=5
T = 20 seg

{
5 0<t< 20/3
20
10 π 0 < t<50 /3
t1 = s ω0= f ( t ) = 3
3 10
50
−5 <t< 20
3

Formula trigonométrica de serie de Fourier:

a0 ∞
f ( t )= + ∑ a cos ⁡( n ω0 t)+bn sin ⁡( n ω0 t)
2 n=1 n

Los coeficientes son:

( )
T 20/3 50 /3 20
2 1 5
a0 = ∫
T 0
f (t ) dt=
20
∫ 5 dt + ∫ 0 dt− ∫ 5 dt =
3
0 20 /3 50 /3

(∫ )
T 20 /3 20
2 2 πn πn
an = ∫ f (t ) cos(n ω0 t) dt= 5 cos ⁡( t)dt − ∫ 5 cos ⁡( t) dt
T 0 20 0 10 50 /3 10

an =
5
πn (
sen
2 πn
3
+sen
5 πn
3 )
(∫ )
T 20/ 3 20
2 2 πn πn
bn = ∫ f ( t ) sen (n ω0 t) dt= 20
T 0
5 sen (
10
t )dt− ∫ 5 sen ⁡( t )dt
10
0 50 /3

bn =
5
πn (
2−cos
2 πn
3
−cos
5 πn
3 )
Serie de Fourier resuelta:
∞
5 5
f ( t )= + ∑ sen
6 πn n=1
2 πn
3 (
+ sen
5 πn
3
πn
cos t+ 2−2cos
10
2 πn
3
−cos
5 πn
3 ) πn
sin ⁡ t
10 ( )
5 25 π
f ( t )= + sin ⁡ t
6 2π 10
Espectro de magnitud
∞
f ( t )=c 0 + ∑ cn . cos ⁡( n w 0 t +ϕ n )
n=1

Donde:

c n=√ a n2+b n2 ϕn =tan −1 (−b n /an )

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

• An frente a ω recibe el nombre de espectro de amplitudes de la serie

trigonométrica de Fourier. Corresponde a una representación de líneas
verticales a la frecuencia del armónico y de longitud igual a su amplitud.
n 0 1 2 3 4 5 6
c n=√ a n +b n 0.8333 0.2035 0.2033 0.2029 0.2025 0.2018 0.2011
2 2

n w0 0 π 2π 3π 4π 5π 6π
10 10 10 10 10 10

Grafica del espectro de magnitud:

4.4. Consulte la sintaxis y parámetros de los siguientes comandos de

MATLAB o su equivalente en OCTAVE:

fft: Calcula la transformada discreta de Fourier (DFT) de X utilizar un algoritmo

de transformada de Fourier rápida (FFT).

Ifft: Calcula la transformada de Fourier discreta inversa de Y utilizar un

algoritmo de transformada de Fourier rápida. X es del mismo tamaño que Y.

Linespace: Devuelve un vector de fila de 100 puntos espaciados

uniformemente entre x1y x2.

Stem: Traza la secuencia de datos. Y como tallos que se extienden desde una
línea de base a lo largo del eje x. Los valores de los datos se indican mediante
círculos que terminan cada tallo.
5. Equipo y Materiales
 Computadora
 Software MatLab
 Software OCTAVE.

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

6. PROCEDIMIENTO

Para hallar los coeficientes de la serie de Fourier implementamos el

siguiente código en Matlab

close all
clc
syms t n
A=[0 20/3 50/3 20];
f=[5 0 -5];
f=sym(f);
T=max(A)-min(A);
wo=2*pi/T;
Ao=0;
for i=1:length(f)
Ao=Ao+int(f(i),'t',A(i),A(i+1));
end
Ao=simplify(Ao/(T));
An=0;
for i=1:length(f)
An=An+int(f(i)*cos(n*wo*t),A(i),A(i+1));
end
An=simplify(2*An/T);
Bn=0;
for i=1:length(f)
Bn=Bn+int(f(i)*sin(n*wo*t),A(i),A(i+1));
end
Bn=simplify(2*Bn/T);reducer la expresión
An = char(An);
Bn = char(Bn);
An = simplify(str2sym(strrep(char(An),'sin(pi*n)','0')));
Bn=simplify(str2sym(strrep(char(Bn),'sin(pi*n)','0')));
An = simplify(str2sym(strrep(char(An),'cos(pi*n)','(-1)^n')));
Bn=simplify(str2sym(strrep(char(Bn),'cos(pi*n)','(-1)^n')));
An=simplify(str2sym(strrep(char(An),'sin(2*pi*n)','0')));
Bn=simplify(str2sym(strrep(char(Bn),'sin(2*pi*n)','0')));
An=simplify(str2sym(strrep(char(An),'cos(2*pi*n)','1')));
Bn=simplify(str2sym(strrep(char(Bn),'cos(2*pi*n)','1')));
disp('Ao: ')
pretty(Ao)
disp('An: ')
pretty(An)
disp('Bn: ')
pretty(Bn)

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

Simulación del programa

6.1. Generar un archivo .m (su equivalente en octave) que permita graficar

en el punto 4.3. (figura n°01).

%Series de Fourier
clc
clear all
close all
syms n t
% GRAFICAMOS LA 6.1
% DEFINIMOS LOS VALORES DE A0 , An ,Bn ;
a0=5/6;
an=(5/n*pi)*(sin(2*n*pi/3)+sin(5*n*pi/3));
bn=(5/n*pi)*(2-cos(2*n*pi/3)-cos(5*n*pi/3));
% PERIODO DE LA FUNCION
T=20;
w0=2*pi/T;
% INGRESAMOS EL NUMERO DE ARMONICOS
Arm=input('introducir el numero de armonicos: ');
for n=1:Arm
f(n,:)=sum(((5/n*pi)*(sin(2*n*pi/3)+sin(5*n*pi/3)))*cos(n*w0*
t)+(5/n*pi)*(2-cos(2*n*pi/3)-cos(5*n*pi/3))*sin(n*w0*t)) ;
end
t=linspace(0,5*T,1000);

f=subs(f,'t',t);
plot(t,a0+sum(f), 'black','Linewidth',2);
grid on
xlabel('\bf TIEMPO');
ylabel('\bf AMPLITUD');
title('\bf SERIES DE FOURIER');

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

Simulación del programa

Numero de armónicos: 10

Numero de armónicos: 50

Numero de armónicos: 100

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

6.2 Generar los archivos .m (su equivalente en octave) que permita

graficar el espectro de potencia de la función del punto 6.1.

clc
clear all
syms n t
%N ES EL NUMERO DE MUESTRAS
n=10000;
%DT SEPARACION ENTRE LAS MUESTRAS
dt=0.4;
%SE CREA EL VECTOR DE TIEMPO
t=(0:n-1)*dt;
% DEFINIMOS LA FUNCION PARA LA TRANSFORMADA
x=(4421398595017775*cos((pi*t)/2))/2535301200456458802993406410752 -
(1914521751771109*cos((pi*t)/5))/140737488355328 +
(3829043503542219*cos((2*pi*t)/5))/562949953421312 +
(4421398595017775*cos((pi*t)/10))/2535301200456458802993406410752 +
(7114469281459307*cos((3*pi*t)/10))/633825300114114700748351602688 +
2*pi*sin((pi*t)/2) + (5*pi*sin((pi*t)/5))/2 +
(5*pi*sin((2*pi*t)/5))/4 + 10*pi*sin((pi*t)/10) +
(10*pi*sin((3*pi*t)/10))/3 ;
%amplitud-fase vs. frecuencias
%TRANSFORMADA RAPIDA DE FOURIER
y=fft(x);
g=fftshift(y);
power=abs(g).^2;
dw=2*pi/(n*dt);
w=(-n/2:n/2-1)*dw;
plot(w,power)
xlabel('\omega')
ylabel('P(\omega)')
grid on
title('Espectro de potencia')

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

6.3 Mediante el uso de propiedades de las series de Fourier encontrar la

serie de Fourier y el espectro de magnitud y frecuencia de la función
mostrada en la figura n°01.

De la gráfica:

{
5 0<t <20/3
20
π 0 <t<50 /3
T =20 seg w= f ( t )= 3
10
50
−5 <t <20
3
Hacemos uso de:
+∞
1
D n= ∫ f ( t )∗e−njwt dt
T −∞
Entonces:

( )
20
3 π 20 π
1 −nj t −nj t
D n=
20 ∫ 5∗e 10
dt+0−∫ 5∗e 10
dt
0 50
3

( )
20
3 π 20 π
1 −nj t −nj t
D n=
4 ∫e 10
dt−∫ e 10
dt
0 50
3

( | |)
π 20 π 20
−nj t −nj t
10 3 10
10 e e
D n= − 50
4 −njπ 0 −njπ 3

( ( ))
π 20 π π 50
−5 −nj 10 ( 3 ) −nj (20) −nj ( )
D n= e −1− e 10 −e 10 3
2 njπ

( )
2π 5π
−5 −nj 3 −nj
D n= e −1−e−nj 2 π +e 3
2 njπ

( )
20

( )
3 20 20
1 1 5
∫ 5 dt−∫ 5 dt → 4 t|03 −t|50 = 6
20
D 0=
20 0 50 3
3

Por lo que la serie de Fourier nos queda de la siguiente manera:

( ( )e )
∞ 2π 5π
5 −5 −nj 3 −nj
f ( t )= +∑ e −1−e−nj 2 π +e 3 −njt
6 n=1 2 njπ

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

Gráfica del espectro de magnitud:

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

Si f es una función par (f (−t))=f (t) ¿ y desarrollable en serie de Fourier

entonces:
T/2 T /2

∫ f (t) cos ⁡( 2 πnt /T )dt=2 ∫ f (t) cos ⁡( 2 πn /T )dt

−T /2 0

T/2

∫ f (t)sin(2 πnt/T )dt=0

−T /2

Por tanto, la serie de Fourier solo contiene términos cosenos:

∞
1
f ( t )= a 0+ ∑ an cos ⁡(2 πt /T )
2 n=1
T /2
4
an = ∫ f (t)cos ⁡( 2 πnt /T )dt
T −T / 2
Si la función es impar la serie de Fourier solo tendría términos senos:

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

∞
1
f ( t )= a 0+ ∑ bn sin ⁡( 2 πt /T )
2 n=1
T /2
4
bn = ∫ f (t)sin ⁡( 2 πnt /T )dt
T −T / 2
Propiedades de las series de Fourier

Aproximación: Si aproximamos la función f (t) por la suma finita

∞
1
S N (t)= a0 + ∑ a n cos ⁡( 2 πt/T )+bn sin ⁡( 2 πt/T )
2 n=1

El error e N (t) se define por

e N ( t )=f ( t )−S N (t )

y el error cuadrático medio por

T/2
1
E N = ∫ [ e N (t)2 ] dt
T −T / 2
Se puede mostrar que
T/2
1 a 02 1 N
E N = ∫ [ f (t ) ] dt− − ∑ ( ak 2 +b k 2 )
2
T −T / 2 4 2 k =1

7.2 Realizar el cálculo de la serie de Fourier para la función indicada en la

figura n°02, usando propiedades y obtener su espectro de magnitud.

{
A
t 0<τ <t 1
2 t1
A
t 1 < τ< 2t 1
2
−A
t+ A 2t 1 <τ <3 t 1
2t 1
f ( t )=
−A
t+ A 3 t 1< τ <4 t 1
2t 1
−A
4 t 1<τ <5 t 1
2
A
t 5t 1 <τ <6 t 1
2 t1

π
T =6 t 1 ω 0=
3t 1

Formula de serie de Fourier:

a0 ∞
f ( t )= + ∑ a n cos ⁡( n ω0 t)+bn sin ⁡( n ω0 t)
2 n=1

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

Los coeficientes son:

( )
T t1 2t 1 3 t1 4 t1 5 t1 6t1
2
a0 = ∫ f (t ) dt=
T 0
2
6 t1 0 1 t 2t
1
1 3t 1
1
(4t 5t 1
)
∫ 2At tdt+∫ A2 dt +∫ −2 tA t+ 2 A dt+∫ 2At tdt −∫ A2 dt+∫ −2 tA t+ A dt
1 1 1
( )
a0 =
(
A t 2 t 1 t 2 t1 t2 3 t 1
∨ + ∨ −
3 t t 2 4 t 1 t 5t 1 t 2 6 t 1
∨ +2t∨ 1+
3 t 1 4 t1 0 2 t 1 4 t1 2 t 1 2t1 4 t 1
∨ − ∨ −
3 t1 2 4 t1 4 t 1 5t1
6t
∨ +t∨ 1
5 t1 )
a0 = + −
3t1 4 2 4(
A t 1 t 1 5t 1 7 t t 11 t 1
+2t 1+ 1 − 1 −
4 2 4
+t 1 )
a0 = (
A 1 1 5 7 1 11
+ − +2+ − − +1 =
3 4 2 4 4 2 4
A
3 )
A
a0 =
3
T
2
an = ∫ f ( t ) cos ( n ω 0 t ) dt
6t1 0

(
t1 2 t1 3 t1 4 t1 5t1

an =
A
3t1 0 1 1 t1
1 2t 1 1 3t1
1
( ) ( )
∫ 2tt cos ( 3πnt t) dt +∫ 21 cos ( 3πnt t) dt−∫ 2tt −2 cos 3πnt t dt +∫ 2tt cos 3tπn t dt−∫ 21 cos 3
1 4t 1
( ) 1
(
an =
A
2 2
2π n ( πn
−6 (1+(−1)n )+ 3 cos −πnsin
3
2 πn
3
+3 cos
2 πn
3
+ 3 cos
5 πn
3
+5 πnsin
4 πn
3
+3 cos
4 πn
3 )
an =
A
2
π n 2 ( πn
6
πn
−3 ( 1+ (−1 )n ) +6 cos cos (−1 )n +2 πnsin
2
4 πn
3 )
(
t1 2 t1 3t1 4 t1 5 t1

bn =
A
3t1 0 1 1 t 1
1 2t 1 1 3t 11
( 1
) ( )
∫ 2tt sen( 3πnt t )dt+∫ 21 sen( 3πnt t )dt−∫ 2tt −2 sen 3πnt t dt+∫ 2tt sen 3πnt t dt−∫ 12 sen
4t 1
( ) 1
(
bn = (A
2 2
2π n
πn
2 πn(−1)n+ 2 πn+3 sen + πncos
3
2 πn
3
+3 sen
2 πn
3
+3 sen
5 πn
3
−5 πncos
4 πn
3
+3 sen
4 πn
3 )
b=
n
A
2π n ( 2 2
πn
2
πn
2 πn ( (−1) +1 ) +6 sen cos + πncos
n
6
2 πn
3
+6 sen
3 πn
2
πn
cos −5 πncos
6 3 )
4 πn

bn =
A
2 2
2π n (
2 πn ( (−1)n +1 )−πn 4 cos
4 πn
3 ( ))
Espectro de magnitud
∞
f ( t )=c 0 + ∑ cn . cos ⁡( n w 0 t +ϕ n )
n=1

Donde:

c n=√ a n2+b n2 ϕn =tan −1 (−b n /an )

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

Damos el valor de A= 2 Cn frente a ω recibe el nombre de espectro de

amplitudes de la serie trigonométrica de Fourier. Corresponde a una
representación de líneas verticales a la frecuencia del armónico y de longitud
igual a su amplitud.

n 0 1 2 3 4 5 6
c n=√ a n +b n 0.333 0.2035 0.2033 0.2029 0.2025 0.2018 0.2011
2 2

n w0 0 π 2π 3π 4π 5π 6π
10 10 10 10 10 10

7.3 Implementar un archivo .m, de la figura n°02 y graficar su serie de

Fourier, su espectro de potencia en magnitud y frecuencia

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

Primero hallamos los

coeficientes en Matlab
%Algoritmo para Hallar los coeficientes de Fourier
syms t n
A=[0 1 2 3 4 5 6];
f=[t 1 -t+4 -t+2 -1 t-6];
f=sym(f);
T=max(A)-min(A);
wo=2*pi/T;
Ao=0;
for i=1:length(f)
Ao=Ao+int(f(i),'t',A(i),A(i+1));
end
Ao=simplify(Ao/(T))
An=0;
for i=1:length(f)
An=An+int(f(i)*cos(n*wo*t),A(i),A(i+1));
end
An=simplify(2*An/T)
Bn=0;
for i=1:length(f)
Bn=Bn+int(f(i)*sin(n*wo*t),A(i),A(i+1));
Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)
end
 lOMoARcPSD|9023637

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

Ahora con los coeficientes hallamos la serie y los espectros de fase y magnitud

% Series de Fourier
clc
clear
close all
%Creamos las variables n y t
syms n t
T = 6;
w0 = 2.*pi/T;
Arm =input('Ingrese el numero de Armónicos: ');
for n=1:Arm
a0 = 0;
an = -(3*cos((4*pi*n)/3) - 3*cos((pi*n)/3) - 3*cos((2*pi*n)/3) -
3*cos(2*pi*n) + 3*cos((5*pi*n)/3) - 2*n*pi*sin(pi*n) +
n*pi*sin((2*pi*n)/3) + n*pi*sin((4*pi*n)/3) + 3)/(n^2*pi^2);
bn = (3*sin(2*pi*n) + 3*sin((pi*n)/3) + 3*sin((2*pi*n)/3) -
3*sin((4*pi*n)/3) - 3*sin((5*pi*n)/3) - 2*n*pi*cos(pi*n) +
n*pi*cos((2*pi*n)/3) + n*pi*cos((4*pi*n)/3))/(n^2*pi^2);
f(n,:)=a0/2+an.*cos(n.*w0.*t)+bn.*sin(n.*w0*t);
Cn(n,:)=sqrt(an^2+bn^2);
phi(n,:)=atan(bn/an);
end
figure(1);
t=linspace(0,5*T,1000); %Creamos un variable "t" para graficar
f=subs(f,'t',t);
f(n+1,:)=zeros(1,1000);
plot(t,a0+sum(f),'black','Linewidth',2); grid on
xlabel('\bf TIEMPO'); ylabel('\bf AMPLITUD');
title('\bf SERIES DE FOURIER');pause(0.5)
hold on
figure(2);
stem(Cn,'fill'); grid on
xlim([1,Arm]);
xlabel('\bf ARMÓNICO'); ylabel('\bf AMPLITUD');
title('\bf ESPECTRO DE MAGNITUD'); pause(0.5)
hold on
figure(3);
stem(phi,'fill'); grid on
xlim([1,Arm]);
xlabel('\bf ARMÓNICO'); ylabel('\bf AMPLITUD');
title('\bf ESPECTRO DE FRECUENCIA'); pause(0.5)
hold on
Serie de Fourier

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

Espectro de magnitud:

Espectro de frecuencia:

7.4 Explique cuál es la utilidad/es en la vida real de las gráficas en el

dominio de la frecuencia. Indique 2 ejemplos.

APLICACIÓN EN PROCESAMIENTO DIGITAL DE SEÑALES

Este rápido desarrollo es resultado de avances tecnológicos tanto en los ordenadores digitales
como en la fabricación de circuitos integrados. Estos circuitos digitales baratos y relativamente
rápidos han hecho posible construir sistemas digitales altamente sofisticados, capaces de
realizar funciones y tareas del procesado de señales que convencionalmente se realizaban
analógicamente, se realicen hoy mediante hardware digital, más barato y a menudo más fiable.
Es relevante diferencie entre una señal analógica y digital para comprender mejor el
procesamiento de señales, el nombre de una señal analógica se deriva del hecho de que es
una señal análoga a la señal física que se representa. La magnitud de una señal analógica
pude tomar cualquier valor, esto es, la amplitud de una señal analógica exhibe una variación
continua sobre su campo de actividad. La gran mayoría de señales en el mundo que hay a
nuestro alrededor son analógicas. Los circuitos que procesan estas señales se conocen como
circuitos analógicos. Una forma alternativa de representación de señal es la de una secuencia
de números, cada uno de los cuales representa la magnitud de señal en un instante

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

determinado. La señal resultante se llama señal digital, está a diferencia de la señal analógica
es una señal que esta discretisada en el tiempo y cuantificada en magnitud. El procesamiento
de señales se correlaciona con las series de Fourier ya que esta nos permite expresar una
función periódica de tiempo como la suma de un numero infinito de senoides cuyas frecuencias
están armónicamente relacionadas La importancia de esto radica en que la serie de Fourier nos
facilita el arduo trabajo del manejo con señales, ya que para que nosotros podamos procesar
estas señales es necesario expresarlas como una combinación lineal de términos, lo cual nos
lo proporciona la serie de Fourier.

APLICACIONES EN LA MEDICINA

Diagnóstico 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). En el caso de la
válvula mitral, son suficientes los dos primeros coeficientes de Fourier para diagnosticar al
paciente. Esta forma de diagnóstico disminuye costes en el sistema sanitario y, sobre todo,
evita al paciente los riesgos y molestias inherentes a las pruebas endoscópicas

7.5 Conclusiones y Recomendaciones.

 Luego de realizar los cálculos manualmente y luego por el software

Matlab hay similitud entre los resultados lo cual demuestra que los
cálculos fueron correctos.
 Se recomienda siempre buscar la lista de comandos de Matlab para
cada versión ya que, en muchos casos, esto genera errores en la
simulación.
 El uso y las aplicaciones de la serie de Fourier son de gran importancia
en la Ingeniería Electrónica.

7.6 Bibliografía.

 http://abcmatematico.blogspot.com/2009/04/como-y-donde-se-
aplican-las-series-de.html

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)

 lOMoARcPSD|9023637

 https://www.studocu.com/pe/document/escuela-superior-
politecnica-del-litoral/matematica/apuntes/aplicaciones-series-de-
fourier/1633712/view

 https://www.lifeder.com/series-de-fourier/

8. REFERENCIAS

[1] A.V. Oppenheim, A.S. Willsky, S. Hamid, “Signals and systems”, 2da
ed., Ed.: Prentice Hall, 1997.
[2] S.S. Solimán, M.D. Srinath, “Señales y Sistemas Continuos y
Discretos”, 2da ed., Ed. Madrid: Prentice Hall, 1999.
[3] MathWorks, «MathWorks,» 2017. [En línea]. Disponible:
https://www.mathworks.com/help/comm/blocklist.html. [Último
acceso: 10 enero 2018].
[4] MATLAB - GNU Octave Tutorial, Disponible:
https://www.tutorialspoint.com/matlab/matlab_gnu_octave.htm

Downloaded by LUIS ENRIQUE DE LA CRUZ BORDA (luisenrique.delacruz@unmsm.edu.pe)