Diplomado de Ingeniería

Electrónica
Módulo 1: Análisis de Señales
Definición:
El objetivo de estudiar análisis de señales es aprender a caracterizar una señal, es
decir conocer los parámetros que la definen.

Definición de señal: Una señal es todo aquello que porta información y puede
viajar por algún medio, ya sea material o el vacio. En las comunicaciones existen
varias formas de enviar la información, antiguamente la información viajaba a
través de sonidos que viajaban en el aire, con el avance de la tecnología la
comunicación se realiza por medio de señales eléctricas u ópticas que viajan por
cables, fibras ópticas o el medio ambiente.
Campos de aplicación:

En este curso se consideran solamente señales eléctricas, por lo general señales de

voltaje o corriente que bajo cierto comportamiento se pueden describir, algunas
veces con una relación matemática explicita. Entre los muchos campos de
aplicación del análisis de señales se pueden citar los siguientes:
 Seguridad : Control no invasivo de estructuras (nuclear). Pruebas de control de
calidad.
 Sismología: Análisis de señales sísmicas (potencia, forma, entre otras).
 Geofísica: Investigación de zonas petroleras.
 Ingeniería Biomédica: Análisis de señales cardiacas, fetales, procedimiento digital
de imágenes.
Campos de aplicación:

 Telecomunicaciones: Codificación, transmisión y análisis.

 Comunicación hombre -maquina: Síntesis de voz, reconocimiento de voz.
 Publico en general: Computadoras o sistemas que hablan, aprendizaje de lenguas
extranjeras asistidos por computadoras, tv digital, internet.
 Militar: Radar, pilotaje automático, entre otras.
Clasificación de señales:

Existen diferentes clasificaciones de señales entre las que se destacan:

• Señales de energía.
• Señales de potencia.
• Señales de continuas o analógicas.
• Señales digitales.
• Señales periódicas.
• Señales determinísticas.
• Señales aleatorias.
Clasificación de señales:
Señales de energía: Es una señal en forma de pulso que normalmente existe sólo
durante un intervalo finito de tiempo. Si está presente en un lapso infinito, tiene al
menos la mayor parte de la energía concentrada en un lapso infinito de tiempo.

∞
La energía de una señal se puede calcular con la siguiente formula: 𝐸 = −∞
𝑓(𝑡) 2 dt
Si esta integral es finita, entonces f(t) es una señal de energía.
Clasificación de señales:
Señales de Potencia:
∞
A las señales en las que la ecuación E= −∞ 𝑓(𝑡) 2 𝑑𝑡 es infinita se les conoce como
señales de potencia, porque en este caso solo se les puede calcular su potencia. Si se
tiene una señal f(t), su potencia media en el intervalo ( , ) está dada por la
expresión:
𝑡2
1
𝑃= 𝑓(𝑡) 2 𝑑𝑡
𝑡2 − 𝑡1 𝑡1

En la siguiente figura se muestra un ejemplo de señal de potencia.

Clasificación de señales:
Señales de Potencia:
Clasificación de señales:
Señales continuas o analógicas: Son las que están definidas para todo intervalo de tiempo,
pueden tomar valores en un intervalo continuo (a , b). Estas señales se pueden escribir
utilizando alguna función, por ejemplo:
Ortogonalidad Serie de Fourier
Clasificación de señales:
Señales digitales (también conocidas como secuencias): Las señales digitales o discretas
solo están definidas, para ciertos valores de tiempo. Por lo común se denota la variable
independiente con la letra n, indicando el número de muestras. Una señal en tiempo
discreto se puede representar como una secuencia de números reales o complejos.
Ejemplo: x(n):=1,4,2,8,9,3,0,1], h(n)= 5exp(-j2n).

Grafica de una señal discreta de tipo exponencial negativo.

Clasificación de señales:
Señales Periódicas y no periódicas: Una señal periódica es aquella que se repite
exactamente a si misma en un lapso fijo. Suele escribirse como f(t+T)= f(t), donde T es el
periodo de la señal.

Una señal periódica es una señal de potencia si su energía por ciclo es finita, y entonces la
potencia media solo necesita calcularse en un ciclo completo.
Clasificación de señales:
Señales determinísticas: Es aquella para la cual podemos conocer todos sus valores, para
cualquier valor de tiempo o el espacio; se puede representar con una expresión
matemática.
Ejemplo: f(t)=
Clasificación de señales:
Señales aleatorias: Es aquella en la que existe algún grado de incertidumbre en todos sus
valores. Se puede representar con una expresión matemática como f(t)= , solo
que ahora los parámetros como la amplitud Α, la frecuencia ω y la fase φ, tiene asociados
una función de densidad probabilística.

Señal aleatoria y su función de densidad de probabilidad asociada.

 Ortogonalidad y series de Fourier:
Ortogonalidad y series de Fourier: Para el analis de señales es útil poder representar una
señal en termino de funciones base, tales como las funciones trigonométricas, las funciones
exponenciales entre otras. Para poder representar una función como una combinación lineal
otras funciones base, estas funciones deben cumplir con la condición de Ortogonalidad, la
cual se explica a continuación.

Si se tiene un conjunto de funciones que cumplen con la siguiente condición:

 Ortogonalidad y series de Fourier:
Donde y representan el complejo conjugado de y respectivamente.
En general, si tenemos , dos funciones con valor complejo de un conjunto de
funciones complejas , entonces las funciones y serán mutuamente ortogonales
si cumplen con lo siguiente:
Ortogonalidad y series de Fourier:

Entonces el conjunto de funciones esta normalizado si

Si el conjunto de funciones es a la vez ortogonal y normalizado, se le llama

“conjunto ortonormal”. Para comprender mejor el concepto de Ortogonalidad, se puede
hacer una analogía utilizando vectores. Si son vectores, entonces si n=m los
vectores son colineales y por lo tanto su producto punto es diferente de cero.
Ortogonalidad y series de Fourier:

Se pueden hacer representaciones de funciones utilizando conjunto de funciones

ortogonales tales como:

• Función seno coseno.

• Polinomios de Legendre.
• Funciones exponenciales.
• Funciones de Bessel.
• Funciones de Walsh.
• Funciones de Wavelets.
• Entre otras.
Ortogonalidad y series de Fourier:
Iniciaremos con las funciones trigonométricas, primero se probara si las funciones seno y
coseno cumplen con la condición de ortogonalidad. Si las funciones seno y coseno forman
un conjunto de funciones ortogonales, entonces se debe cumplir lo siguiente:

Con:
La demostración de esta expresión se hace a continuación. Si tenemos la identidad
trigonométrica y sustituimos en la expresión anterior, para hacer la
integral,

Tenemos:

Evaluando los limites y sustituyendo

Ortogonalidad y series de Fourier:

Lo cual demuestra que el conjunto de funciones forman un conjunto

ortogonal de funciones en el intervalo [ 0, T ].
Transformada de Fourier

Una de las aplicaciones mas comunes de la transformada de Fourier es que nos ayuda a
conocer las frecuencias componentes de las señales presentes y además distinguir las
señales del ruido. Veamos un ejemplo sencillo: Supongamos que tenemos dos señales
senoidales, una de 50 Hz y otra de 120 Hz, inmersas en ruido, si vemos la figura de la señal
en el tiempo, notaremos que es imposible distinguir las señales de ruido.
Transformada de Fourier

Si observamos la densidad espectral de la señal, utilizando la transformada de Fourier

y la graficamos en función de la frecuencia obtendremos una gráfica como la que se
muestra a continuacion:
Transformada de Fourier

Como se puede observar en la figura anterior ahora si es posible distinguir las frecuencias
de las señales componentes y el ruido, estas se pueden identificar como los picos que se
encuentran en 50 Hz y 120Hz los demás picos corresponden al ruido. Podemos decir que la
transformada de Fourier, nos permite observar, en el espacio de frecuencias la
concentración de la energia correspondiente a cierta señal.
El instrumento gracias al cual podemos observar este tipo de parametros es el analizador
de espectro. Existen tambien dispositivos como los DSP que permiten obtener la
transformada de Fourier de la señal en tiempo real. Otra forma de caracterizar una señal
es observar sus características en el dominio de la frecuencia. Dentro de las caracteristicas
que podemo detectar se encuentran el ruido inmerso en una señal y el contenido
frecuencial, pero sobre todo en sistemas de comunicación interesa poder determinar su
ancho de banda.
Transformada de Fourier de tiempo continuo (TFTC)

Transformada de Fourier de tiempo continuo de una función no periódica (TFTC): Para

deducir esta, se partirá de una función periódica en el tiempo f(t), como se muestra en la
figura:
Transformada de Fourier de tiempo continuo (TFTC)
Si tenemos la representación de esta señal en serie de Fourier compleja:

Donde

Al incrementar el periodo T, aumenta la densidad del espectro de líneas, y cuando T→ ,

la grafica de se hace continua. Si sustituimos la expresión anterior en la primera,
tenemos

Cambiando nω₀ por ω, y si ω = , entonces . . Cuando T → , , ω → y la sumatoria se convierte en la

integral:
∞ 1 ∞ −𝑗𝜔𝑡 𝑑𝑡 1 ∞
f(t)= −∞ 2𝜋 −∞
𝑓(𝑡)𝑒 𝑒 𝑗𝜔𝑡 𝑑𝜔 = 2𝜋 −∞
𝐹(𝜔)𝑒 𝑗𝜔𝑡 𝑑𝜔
 Transformada de Fourier de tiempo continuo (TFTC)
En las integrales ∞
𝐹 𝜔 = 𝑓(𝑡)𝑒 −𝑗𝜔𝑡 𝑑𝑡
−∞
y
∞
1
𝑓 𝑡 = 𝐹(𝜔)𝑒 𝑗𝜔𝑡 𝑑𝜔
2𝜋 −∞
Se les llama Integral de Fourier o transformada de Fourier directa e inversa respectivamente
de una función no periódica e indica la distribución de la energía de la señal en el espacio
de frecuencias. A la grafica de f(ω) se le conoce como espectro de energía de f(t).
Ejemplo: Encuentre la TFTC del pulso 𝑓 𝑡 = 𝑒 𝛼⃓ 𝑡 cuya grafica se muestra a continuación:
Escriba aquí la ecuación.
Transformada de Fourier de tiempo continuo (TFTC)
Resolviendo
∞ ∞ 0 −∞
𝐹 𝜔 = 𝑓(𝑡)𝑒 −𝑗𝜔𝑡 𝑑𝑡 = 𝑒 𝛼⃓ 𝑡
𝑒 −𝑗𝜔𝑡 𝑑𝑡 = 𝑒 𝛼⃓−𝑗𝜔 𝑡
𝑑𝑡 = 𝑒− 𝛼⃓+𝑗𝜔 𝑡
𝑑𝑡
−∞ −∞ −∞ 0

𝑒 𝛼−𝑗𝜔 𝑡 0 𝑒 − 𝛼+𝑗𝜔 𝑡 ∞ 1 1 𝛼⃓+𝑗𝜔+𝛼⃓−𝑗𝜔 2𝛼⃓

= (𝛼⃓−𝑗𝜔) ⃒ −∞ + − 𝛼⃓+𝑗𝜔 ⃒ 0 = + = (𝛼⃓−𝑗𝜔)(𝛼⃓−𝑗𝜔) =
(𝛼⃓−𝑗𝜔) 𝛼⃓+𝑗𝜔 𝛼⃓2 + 𝜔2

Gráficamente,
Curva de la Transformada de
Fourier de la función F(𝜔)
Transformada de Fourier de tiempo continuo (TFTC)
Transformada de Fourier de tiempo continuo de una señal periódica: Podemos escribir una función periódica
usando su serie de Fourier como:
∞

𝑓𝜏 t = 𝐹𝑛 𝑒 𝑗𝑛𝜔0 𝑡
𝑛=−∞

Si obtenemos la transformada de Fourier de 𝑓𝜏 t tenemos:

𝛿 𝑓𝜏 (𝑡) = 𝛿 ∞ 𝑗𝑛𝜔0 𝑡 ∞ 𝑒 𝑗𝑛𝜔0𝑡 = ∞

𝑛=−∞ 𝐹𝑛 𝑒 = 𝑛=−∞ 𝐹𝑛 𝛿 𝑛=−∞ 𝐹𝑛 2𝜋𝛿(𝜔 − 𝑛𝜔0 )=

∞
=2𝜋 𝑛=−∞ 𝐹𝑛 𝛿(𝜔 − 𝜔0 )
Entonces
∞

𝛿 𝑓𝜏 𝑡 = 2𝜋 𝐹𝑛 𝛿(𝜔 − 𝑛𝜔0 )
−∞

La transformada de Fourier de tiempo continuo es una función discreta compuesta por funciones impulso moduladas
por el coeficiente de la serie de Fourier compleja.
 Transformada de Fourier de tiempo discreto (TFTD)
Transformada de Fourier de tiempo discreto (TFTD): Con el desarrollo de las computadoras fue posible tener señales
discretas a partir de señales analógicas, de allí nacieron los algoritmos para la transformada de Fourier de tiempo discreto
y para la transformada de Fourier discreta.
Transformada de Fourier de tiempo discreto (TFTD)
Transformada de Fourier de tiempo discreto (TFTD): Con el desarrollo de las computadoras fue posible tener señales
discretas a partir de señales analógicas, de allí nacieron los algoritmos para la transformada de Fourier de tiempo
discreto y para la transformada de Fourier discreta.
Transformada de Fourier de tiempo discreto (TFTD)
Señales discretas: A continuación se presentan las señales discretas comúnmente usadas en el análisis de señales:

.
Transformada de Fourier de tiempo discreto (TFTD)
Señales discretas: A continuación se presentan las señales discretas comúnmente usadas en el análisis de señales:

.
Transformada de Fourier de tiempo discreto (TFTD)
Transformada de Fourier de tiempo continuo
Ejemplos de funciones de tiempo continuo y sus transformadas de Fourier
Muestreo
Teoría de muestreo: El interés de muestrear una señal x(t) en tiempo continuo, para tener una representación de esta en
el dominio discreto, se ha desarrollado en gran medida gracias a la facilidad, accesibilidad, bajo costo y facilidad de
reproducir el procesamiento digitalmente.

Muestreo ideal: El proceso de muestrear idealmente consiste en multiplicar en el dominio del tiempo, una señal
continua x(t) por una función de tren de impulsos unitarios y así obtener valores instantáneos a la cadencia,
determinada por el tren de impulsos, es decir:

Donde:
x(t) es una señal de tiempo continuo limitada en banda.
δт(t) es un tren de impulso unitario de periodo t.
Xm(t) es la función x(t) muestreada a periodos T.
Muestreo
Gráficamente se observa tanto en el tiempo como en la frecuencia:
Muestreo
Muestreo
Cabe aclarar que 𝛿𝜏 𝑡 es un tren de impulsos de amplitud unitaria y espaciados cada periodo T. Adicionalmente los
valores de X(t) son continuos. La señal Xm(t), será el resultado de multiplicar el tren de impulsos 𝛿𝜏 𝑡 por la señal X(t),
es decir, se escribe como: Xm(t)= X(t) 𝛿𝜏 𝑡 .
Si sustituimos la función 𝛿𝜏 𝑡 por su equivalente suma de impulsos ∞ 𝑛=−∞ 𝛿(𝑡 − 𝑛𝑇) espaciados cada T segundos,
como resultado se tiene la siguiente ecuación:

∞ ∞
𝑋𝑚 𝑡 = x(t) 𝑛=−∞ 𝛿 𝑡 − 𝑛𝑇 = 𝑛=−∞ 𝑥(𝑡)𝛿(𝑡 − 𝑛𝑇)

Si se toman las muestras casa t=nT, se pasa de tiempo continuo a tiempo discreto para la señal x(t).
En el dominio discreto la ecuación anterior se pude escribir como:

𝑋𝑚 𝑡 = ∞
𝑛=−∞ 𝑥(𝑛𝑇)𝛿(𝑡 − 𝑛𝑇)

Teorema de muestreo: Sea f(t) una señal de banda limitada con Fω= 0 para |ω₀|≥ 2𝜔𝑚 . Entonces f(t) está determinada
2𝜋
unívocamente por sus muestras f(nT), n=0,±1, ±2,…, si 𝜔0 ≥ 2𝜔𝑚 donde 𝜔0 = 𝑇 frecuencia de muestreo 𝑓0 ≥ 2𝑓𝑚
Con: f₀= frecuencia de muestreo.
fm = frecuencia máxima de la señal.
El termino W lo definiremos como la frecuencia angular y f como la frecuencia en ciclos por segundo.
Muestreo

Al teorema de muestreo también se le llama frecuencia de Nyquist o teorema de

Shannon.
Si no se cumple la ecuación anterior se produce el efecto de “recubrimiento de
espectro” como se puede apreciar en la siguiente figura. Una vez producido el
recubrimiento del espectro, no se podrá recuperar la señal analógica correspondiente.

Reconstrucción de la señal analógica a partir de las muestras digitales

Al proceso de reconstruir la señal analógica a partir de sus muestras digitales se le

denomina “conversión digital-analógica”. Si partimos que la fase de muestreo fue
realizada por muestreo ideal, y partiendo de la representación en frecuencia, es decir,
del espectro periodizado. Tal como lo muestra la figura.
Muestreo
Muestreo
Se pueden plantear dos situaciones posibles:
a) No se respeta el teorema de muestreo.
b) Se respeta el teorema de muestreo.
𝑤
Si No se respeta el teorema de muestreo, es decir, que 𝜔𝑚 > 0 , entonces no se puede
2
reconstruir la señal f(t).
𝑤
Si se respeta el teorema de muestreo, implica que 𝜔𝑚 ≤ 0 ;
2
entonces partiendo del espectro periodizado, el cual esta afectado por una amplitud
1
, lo que se tiene que realizar es una multiplicacion con un fIltro de ganancia 𝑇.
𝑇
Cabe resaltar que se puede filtrar cualquiera de los espectros, pero el mas sencillo es el
que se encuentra alrededor de la frecuencia cero.
El efecto del filtro será eliminar todos los componentes restante, de tal modo que
calcular la transformada inversa de Fourier de la señal F(𝜔) dará como resultado 𝑓 𝑡 .