Análisis de Fourier. Análisis de Fourier. F. Javier Cara ETSII-UPM. Curso
|
|
- Beatriz Ávila Godoy
- hace 8 años
- Vistas:
Transcripción
1 F. Javier Cara ETSII-UPM Curso
2 Contenido periódicas. Serie de Fourier. periódicas. Serie de Fourier compleja Espectro no periódicas. Serie de Fourier. no periódicas. Transformada de Fourier. Catalogo de transformadas de Fourier Delta de Dirac Convolución y su transformada de Fourier Correlación y su transformada de Fourier Señales discretas Señales discretas periódicas. Serie de Fourier discreta. Señales discretas no periódicas. Serie de Fourier discreta. Señales discretas no periódicas. Transformada de Fourier en tiempo discreto. Muestreo de señales Transformada de Fourier discreta (DFT)
3 . periódicas. Serie de Fourier. Serie de Fourier compleja. no periódicas. Serie de Fourier. Transformada de Fourier. Señales discretas. Señales discretas periódicas. Serie de Fourier discreta. Señales discretas no periódicas. Serie de Fourier discreta. Transformada de Fourier en tiempo discreto (DTFT). Transformada de Fourier discreta (DFT). 3
4 Jean-Baptiste Joseph Fourier (1 de marzo de 1768, Auxerre - 16 de mayo de 183, París) 4
5 periódicas. Serie de Fourier. A= 15, f = Hz, T =.5 s A= 15, f = Hz, T =.5 s y=asin(ωt) 1 1 y=acos(ωt) A= 5, f = Hz, T =.5 s A= 5, f = Hz, T =.5 s y=asin(ωt) 1 1 y=acos(ωt) A= 5, f = 4 Hz, T =.5 s A= 5, f = 4 Hz, T =.5 s y=asin(ωt) 1 1 y=acos(ωt) Ondas: y = Asin(ωt), y = Acos(ωt) A: amplitud de la onda. ω = π T = πf : frecuencia angular, [rad/s]. T: periodo = tiempo entre dos repeticiones, [s]. f = 1 T : frecuencia lineal = num. de repeticiones por segundo, [Hz]. 5
6 periódicas. Serie de Fourier. x 4 =a 4 cos(ω 4 t) x 3 =a 3 cos(ω 3 t) x =a cos(ω t) x 1 =a 1 cos(ω 1 t) a 1 = 1, f 1 = Hz, T 1 =.5 s a = 8, f = 4 Hz, T =.5 s a 3 = 4, f 3 = 6 Hz, T 3 = s a 4 = 6, f 4 = 8 Hz, T 4 =.15 s y 4 =b 4 sin(ω 4 t) y 3 =b 3 sin(ω 3 t) y =b sin(ω t) y 1 =b 1 sin(ω 1 t) b 1 = 1, f 1 = Hz, T 1 =.5 s b = 8, f = 4 Hz, T =.5 s b 3 = 4, f 3 = 6 Hz, T 3 = s b 4 = 6, f 4 = 8 Hz, T 4 =.15 s x total = x 1 + x + x 3 + x 4 y total = y 1 + y + y 3 + y 4 x total y total
7 periódicas. Serie de Fourier. Al sumar ondas coseno, x(t) = K a k cos(ω k t): k=1 Si ωk = n ω 1, n N x(t) es una onda periódica: El periodo de x(t) es T1. K x() = x(t) = a k. k=1 Al sumar ondas seno, y(t) = K b k sin(ω k t): k=1 Si ωk = n ω 1, n N y(t) es una onda periódica: El periodo de y(t) es T1. y() = y(t) =. En conclusión, f(t) = K (a k cos(ω k t)+b k sin(ω k t)) es periódica: k=1 Si ωk = n ω 1, n N f(t) es una onda periódica: El periodo de f(t) es T1. K f() = f(t) = a k. k=1 7
8 periódicas. Serie de Fourier. El recíproco de la propiedad anterior también es cierto: Teorema Cualquier función periódica de periodo T se puede descomponer en una suma de senos y cosenos: f(t) = n=1 ( a n cos πn T t + b nsin πn ) T t Una función f(t) es periódica de periodo T si cumple que f(t) = f(t + T). Para n = 1 las ondas tienen la misma frecuencia que la función f(t): ω 1 = π T Esta frecuencia es conocida como frecuencia fundamental. El resto de ondas tienen frecuencias múltiplo de la fundamental (como habíamos visto en en el apartado anterior): ω n = πn T = n ω 1 8
9 periódicas. Serie de Fourier. Por ejemplo, veamos la función periódica (T = ): 1 1 < t < f(t) = + 1 < t < 1 f(t) = f(t + ) resto La frecuencia fundamental es ω 1 = π/t = π. La serie de Fourier de f(t) es: f(t) = π sinπt + 3π sin3πt + 5π sin5πt + 7π sin7πt + 9π sin9πt En la figura siguiente se representa la función f(t) y los tres primeros términos de la serie de Fourier. Se observa como con tan sólo tres términos, la aproximación conseguida es notable. 9
10 1 periódicas. Serie de Fourier. 1 f(t), f (t) = π sin π t f(t), f 1 (t) = /3π sin 3π t 1 f(t), f (t) + f 1 (t) f(t), f (t) = /5π sin 5π t 1 f(t), f (t) + f 1 (t) + f (t)
11 11 periódicas. Serie de Fourier. Como a n cos πn T t y b nsin πn T t oscilan en torno al cero, la suma de ellos también lo harán. Para tener en cuenta funciones periódicas que oscilan en torno a c: Teorema Cualquier función periódica de periodo T se puede descomponer en una suma de senos y cosenos: f(t) = c + n=1 ( a n cos πn T t + b nsin πn ) T t Por ejemplo, la función g(t) es periódica (T = ) pero con valores que oscilan en torno a 1. 1 < t < g(t) = 1 < t < 1 g(t) = g(t + ) resto
12 periódicas. Serie de Fourier. f(t), f (t) = 1/ f(t), f 1 (t) = π sin π t f(t), f (t) + f 1 (t) f(t), f 3 (t) = /5π sin 5π t 1 f(t), f (t) = /3π sin 3π t f(t), f (t) + f 1 (t) + f (t) f(t), f (t) + f 1 (t) + f (t) + f 3 (t) La serie de Fourier de g(t) es: f(t) = 1 + π sinπt + 3π sin3πt + 5π sin5πt + 1
13 periódicas. Serie de Fourier. Obviamente, la pregunta es: cómo se calculan a n, b n y c? Primero, hay recordar que las funciones seno y coseno cumplen: Son simetricas respecto a y = : Son ortogonales: + T + T T + T T T ( πm cos T t ( πm sin T t + T T + T T ( πn cos T t ( πn sin T t ( πm cos T t ) cos ) sin ( πn T t ( πn T t ) dt = ) dt = ) ( ) πn sin T t dt = ) dt = ) dt = { T/ si m = n si m n { T/ si m = n si m n 13
14 14 periódicas. Serie de Fourier. Cálculo de los coeficientes a n y b n. Término c. + T T f(t) = c + f(t)dt = n=1 + T T ( ( ) ( )) πn πn a n cos T t + b n sin T t ( c + n=1 ( ( ) ( )) ) πn πn a n cos T t + b n sin T t dt + T T f(t)dt = ct c = 1 T + T T f(t)dt
15 15 periódicas. Serie de Fourier. Término a 1. + T T + T = T + T T ( π f(t)cos T t ( Término a n. c + n=1 ) dt = ( ( ) ( )) ) ( ) πn πn π a n cos T t + b n sin T t cos T t dt ( ) π f(t)cos T t T dt = a 1 a 1 = + T ( ) π f(t)cos T T T t dt a n = T + T T ( ) πn f(t)cos T t dt
16 16 periódicas. Serie de Fourier. Término b 1. + T T + T = T + T T ( π f(t)sin T t ( Término b n. c + n=1 ) dt = ( ( ) ( )) ) ( ) πn πn π a n cos T t + b n sin T t sin T t dt ( ) π f(t)sin T t T dt = b 1 b 1 = + T ( ) π f(t)sin T T T t dt b n = T + T T ( ) πn f(t)sin T t dt
17 periódicas. Serie de Fourier. Teorema de la serie de Fourier Cualquier función periódica de periodo T se puede descomponer como: f(t) = a + ( ( ) ( )) πn πn a n cos T t + b n sin T t n=1 a n = T b n = T + T T + T T ( ) πn f(t)cos T t dt, n =, 1,,... ( πn f(t)sin T t ) dt, n = 1,,... Nota: Los términos a n y b n se calculan integrando en un periodo. En las fórmulas anteriores se ha integrado entre T/ y T/ pero también se podría hacer entre y T. Los a n y b n obtenidos dependen de los límites de integración elegidos, aunque (a n + b n ) es constante. 17
18 18 periódicas. Serie de Fourier compleja. periódicas. Serie de Fourier. Serie de Fourier compleja. no periódicas. Serie de Fourier. Transformada de Fourier. Señales discretas. Señales discretas periódicas. Serie de Fourier discreta. Señales discretas no periódicas. Serie de Fourier discreta. Transformada de Fourier en tiempo discreto (DTFT). Transformada de Fourier discreta (DFT).
19 periódicas. Serie de Fourier compleja Serie de Fourier compleja { ( e ix cos(nω1 t) = = cosx + isinx 1 e inω ( 1t + e inω1t) sin(nω 1 t) = 1 i e inω 1t e inω1t) f(t) = a + n=1 a n ( e inω 1t + e inω1t) + b n ( e inω 1t e inω1t) i = a + 1 (a n ib n )e inω1t + 1 (a n + ib n )e inω1t n=1 = a + C n e inω1t + D n e inω1t n=1 C n = 1 (a n ib n ) = T D n = 1 (a n + ib n ) = T + T T + T T f(t)e inω1t dt f(t)e inω1t dt 19
20 periódicas. Serie de Fourier compleja ya que a n = T b n = T + T T + T T f(t)cosnω 1 tdt = T f(t)sinnω 1 tdt = T + T T + T T f(t) 1 f(t) 1 i ( e inω 1t + e inω1t) dt ( e inω 1t e inω1t) dt Teniendo en cuenta ésto f(t) = a + ( Cn e inω1t + D n e inω1t) = = = n=1 C n e inω1t + n= n= C n e inω1t n= 1 D ( n) e inω1t = C n e inω1t + D n e inω1t n= C n e inω1t + n= n=1 n= 1 C n e inω1t
21 periódicas. Serie de Fourier compleja Teorema de la serie de Fourier en notación compleja Cualquier función periódica de periodo T se puede descomponer como: f(t) = n= C n e iπnt/t C n = 1 T + T T f(t)e iπnt/t dt, C n C Las ventajas de utilizar la serie es Fourier en complejos son: Notación más compacta, más elegante. Es más facil operar con exponenciales que con senos y cosenos: multiplicar, derivar,... Pero es igual trabajar con senos-cosenos que con exp. complejas!!! * Los pares (t, f(t)) representan la función f en el dominio del tiempo. * Los pares ( (ω n, C n ) : n Z,ω n = π T n = nω 1) representan la función f en el dominio de la frecuencia. 1
22 periódicas. Serie de Fourier compleja Ejemplo Desarrollar en series de Fourier f(t) = t, < t < π, con periodo π. a n = T a = T T T f(t)dt = 1 π π f(t)cos πnt T dt = 1 π t dt = 8π 3 π t cosntdt Integrando por partes a n = 1 ( t sinnt + t cosnt π n n sinnt ) π n 3 = 4 n b n = T = 1 π T π f(t)sin πnt T dt = 1 t sinntdt π ( t cosnt + t sinnt n n + cosnt ) π n 3 = 4π n
23 3 periódicas. Serie de Fourier compleja C n = 1 (a n ib n ) = 1 ( 4 n + i 4π ) = +iπn n n Por tanto C = 1 a = 4π 3 f(t) = t 4π 3 + ( 4 n cosnt 4π ) n sinnt n=1 f(t) = t 4π 3 + n= n +iπn n e int Frecuencia fundamental: ω 1 = π/t = 1 rad/s. Frecuencias de Fourier: nω 1 = 1,, 3, 4,... rad/s
24 periódicas. Serie de Fourier compleja f(t)=t, f (t) = 4π / f(t), f 1 (t) = 4 cos t 4π sin t f(t), f (t) = cos t π sin t f(t), f 3 (t) = 4/9cos 3t 4π/3 sin 3t f(t), f 4 (t) = 1/4cos 4t π sin 4t f(t), f (t) + f 1 (t) f(t), f (t) + f 1 (t) + f (t) f(t), f (t) + f 1 (t) + f (t) + f 3 (t) f(t), f (t) + f 1 (t) + f (t) + f 3 (t) + f 4 (t)
25 Espectro Espectro Un espectro es la representación de una señal en el dominio de la frecuencia. Cuando tenemos senos-cosenos, el espectro consiste en representar a n y b n frente a ω n. Es preferible representar d n = an + bn frente a ω n, ya que a n y b n dependen de como se haya elegido T. En complejos, se puede representar la parte real y la parte imaginaria de C n, o el módulo (espectro de módulo) y la fase (espectro de fase). El espectro de módulo, C n, es simétrico respecto al eje x =. C n = 1 (a n ib n ) C n = D n = 1 (a n + ib n ) d n se reparte entre C n y C n en partes iguales: } C n = Cn C n = C n C n = 1 (a n +b n ), n =, 1,,... C n = 1 (a n +b n ), n = 1,, 3,... C n + C n = C n = dn, n = 1,, 3,... C = d 5
26 Espectro Ejemplo Espectro de f(t) = t a n b n (a n + bn ) 1/ REAL(c n ) IMAG(c n ) MOD(c n ) *MOD(c n ), n> ω n 5 5 ω n 5 5 ω n 5 5 ω n 6
27 Espectro Teorema de Parseval Teorema Sea f(t) una función periódica, y sean a n y b n los coeficientes del desarrollo en serie de Fourier. Entonces se cumple que: 1 + T (f(t)) dt = a + 1 T T ( a n + bn) n=1 Teorema Sea f(t) una función periódica, y sean C n los coeficientes del desarrollo en serie de Fourier complejo. Entonces se cumple que: 1 + T (f(t)) dt = T T n= Luego el espectro está relacionado con el valor cuadrático medio de la señal en un periodo. 7 C n
28 8 no periódicas. Serie de Fourier.. periódicas. Serie de Fourier. Serie de Fourier compleja. no periódicas. Serie de Fourier Transformada de Fourier. Señales discretas. Señales discretas periódicas. Serie de Fourier discreta. Señales discretas no periódicas. Serie de Fourier discreta. Transformada de Fourier en tiempo discreto (DTFT). Transformada de Fourier discreta (DFT).
29 9 no periódicas. Serie de Fourier. En el caso de que tengamos una señal no periódica, se puede aplicar el análisis de Fourier de dos maneras: 1. Creando una señal periódica a partir de la señal no periódica.. Transformada de Fourier. Figura: Señal no periódica.
30 no periódicas. Serie de Fourier. 1. Creando señal periódica. Si tenemos una señal, f(t), definida entre t a y t b podemos crear una señal periódica a partir de ella, g(t), simplemente repitiendo f(t). El periodo de la nueva señal es T = t b t a. La nueva señal periódica, g(t), puede analizarse utilizando la serie de Fourier. Los resultados obtenidos son válidos en el intervalo [t b t a ]. 3
31 31 no periódicas. Transformada de Fourier.. Transformada de Fourier h(t) = { f(t) t [ta, t b ] resto La otra opción consiste en definir una función periódica pero cuyo periodo es infinito, h(t). Aparece así el concepto de Transformada de Fourier.
32 3 no periódicas. Transformada de Fourier. Sabemos que h(t) = C n = 1 T Sustituyendo una en la otra ( h(t) = n= 1 T n= + T T + T T C n e iπnt/t h(t)e iπnt/t dt h(t)e iπnt/t dt ) e iπnt/t Por otro lado ω n = π T n, por lo que la distancia entre ω n y ω n+1 es ω = π/t. Sustituyendo ( ) ω + T h(t) = h(t)e in ωt dt e in ωt π T n=
33 33 no periódicas. Transformada de Fourier. Conforme T, ω dω (se hace infinitésimo), n ω = ω n ω (la variable discreta se hace continua), y la suma se convierte en una integral ( ) ω + T h(t) = lim h(t)e in ωt dt e in ωt T π T h(t) = n= ( 1 ) h(t)e iωt dt e iωt dω π Teorema La Transformada de Fourier y la Transformada Inversa de Fourier se definen mediante: H(ω) = 1 π h(t) = h(t)e iωt dt H(ω)e iωt dω
34 34 no periódicas. Transformada de Fourier. 1 El factor π nosotros lo hemos asignado a H(ω), pero también lo podíamos haber asignado a h(t). De hecho, no existe una solución consensuada para este problema, y nos podemos encontrar las siguientes definiciones para la transformada de Fourier: H(ω) = 1 π h(t) = h(t)e iωt dt H(ω)e iωt dω H(ω) = 1 π h(t) = 1 π h(t)e iωt dt H(ω)e iωt dω H(ω) = h(t) = 1 π h(t)e iωt dt H(ω)e iωt dω H(f) = h(t) = h(t)e iπft dt H(f)e iπft dω
35 35 no periódicas. Transformada de Fourier. Hay dos condiciones generales que tiene que cumplir la función h(t) para tener transformada de Fourier: La función ha de ser absolútamente integrable, esto es, + T T h(t) dt <. Cualquier discontinuidad de h(t) tiene que ser finita. Aplicando la fórmula de Euler, la transformada de Fourier a veces se escribe H(ω) = 1 π 1 h(t)cos(ωt)dt i π h(t) sin(ωt)dt Por tanto, H(ω) = H ( ω) y el espectro, H(ω), es simétrico respecto al eje Y. Teorema Teorema de Parseval. Sea h(t) una función periódica, y sea H(ω) su Transformada de Fourier. Entonces se cumple que: (h(t)) dt = π H(ω) dω = H(f) df
36 no periódicas. Transformada de Fourier. Construir una función periódica vs Transformada de Fourier. El espectro H(ω) es continuo, en contraposición al de C n que es discreto. Esto quiere decir que hay que utilizar todas las frecuencias que hay entre ω y ω para obtener exáctamente la función f(t) como suma de senos y cosenos. Sin embargo, si sólo empleo determinadas frecuencias, las ω n, la suma de senos y cosenos me da una función periódica: que coincide con f(t) entre t a y t b, pero que se repite fuera de ese intervalo. 36
37 37 Catalogo de transformadas de Fourier Catalogo de transformadas de Fourier
38 38 Catalogo de transformadas de Fourier
39 39 Catalogo de transformadas de Fourier
40 4 Catalogo de transformadas de Fourier
41 41 Delta de Dirac Delta de Dirac o función impulso La Delta de Dirac es la siguiente función: δ(t) = lim t ρ( t) δ(t) no es una función como las que trabajamos en análisis: se encuadran dentro de las funciones generalizadas o distribuciones. Cumplen que: si t δ(t)dt = 1 δ(t) = h(t)δ(t)dt = h()
42 4 Delta de Dirac Cuando está aplicada en t = t : δ(t) = lim t ρ(t, t) Las ecuaciones son ahora: si t t δ(t t )dt = 1 δ(t t ) = h(t)δ(t t )dt = h(t )
43 43 Delta de Dirac Gráficamente, δ(t) se representa como una flecha con altura unidad, y los impulsos en general se representan como flechas con altura igual a su integral.
44 44 Delta de Dirac Producto de la función impulso y una función ordinaria h(t) Se define como δ(t t )h(t) = h(t )δ(t t ) En efecto, integrando Para el primer miembro y el segundo miembro δ(t t )h(t) = h(t )δ(t t ) δ(t t )h(t) = h(t ) h(t )δ(t t ) = h(t ) δ(t t ) = h(t )
45 45 Delta de Dirac Producto de una función con un tren de impulsos función: h(t); tren de impulsos: h(t) n= δ(t n t) = n= δ(t n t); n= h(t)δ(t n t) El resultado es otro tren de impulsos con altura de cada impulso h(n t), ya que Por tanto n= h(t)δ(t n t) = h(n t)δ(t n t) h(t)δ(t n t) = n= h(n t)δ(t n t)
46 Convolución y su transformada de Fourier Convolución y su transformada de Fourier Integral de convolución (convolución entre x(t) y h(t)) y(t) = x(τ)h(t τ)dτ Tamb. se indica como y(t) = x(t) h(t). Proceso de convolución: 1. Folding. Se construye h( τ).. Displacement. Se desplaza h( τ) una cantidad igual a t h(t τ). 3. Multiplication. Se multiplican x(τ) y h(t τ). 4. Integration. El área bajo x(τ) h(t τ) es el valor de la convolución en el instante t. 46
47 47 Convolución y su transformada de Fourier Ejemplo: convolución de dos señales rectangulares.
48 48 Convolución y su transformada de Fourier Ejemplo: convolución con impulsos.
49 49 Convolución y su transformada de Fourier Forma alternativa de la integral de convolución Convolución entre x(t) y h(t): Integral de convolución y(t) = Forma alternativa y(t) = x(τ)h(t τ)dτ h(τ)x(t τ)dτ En la figura de la izquierda se hace la convolución entre la función rectangular y e at utilizando las dos integrales anteriores. El resultado es el mismo.
50 5 Convolución y su transformada de Fourier Teorema (Teorema de convolución en el tiempo) La Transformada de Fourier de la convolución de dos funciones en el dominio del tiempo es igual al producto de las Transformadas de Fourier de las funciones en el dominio de la frecuencia. y(t) = x(τ)h(t τ)dτ TF { Y(f) = H(f)X(f) Y(ω) = πh(ω)x(ω) Teorema (Teorema de convolución en frecuencia) La Transformada de Fourier del producto de dos funciones en el dominio del tiempo es igual a la convolución de las Transformadas de Fourier de las funciones en el dominio de la frecuencia. y(t) = x(t)h(t) TF { Y(f) = H(f) X(f) Y(ω) = 1 π H(ω) X(ω)
51 51 Convolución y su transformada de Fourier Ejemplos del teorema de convolución en el tiempo
52 5 Convolución y su transformada de Fourier Ejemplos del teorema de convolución en frecuencia
53 53 Correlación y su transformada de Fourier Correlación y su transformada de Fourier Integral de correlación y(t) = Proceso de correlación: x(τ)h(t +τ)dτ 1. Displacement. Se desplaza h(τ) una cantidad igual a t h(t +τ).. Multiplication. Se multiplican x(τ) y h(t +τ). 3. Integration. El área bajo x(τ) h(t +τ) es el valor de la convolución en el instante t.
54 54 Correlación y su transformada de Fourier Teorema La Transformada de Fourier de la correlación de dos funciones es igual al producto de la conjugada de la Transformada de Fourier de la primera función y la Transformada de Fourier de la segunda función. y(t) = x(τ)h(t +τ)dτ TF { Y(f) = H(f)X (f) Y(ω) = πh(ω)x (ω) Cuando x(t) = h(t), la correlación se conoce como autocorrelación de h(t). Entonces se tiene y(t) = h(τ)h(t+τ)dτ TF { Y(f) = H(f)H (f) = H(f) Y(ω) = πh(ω)x (ω) = π H(ω)
55 55 Correlación y su transformada de Fourier Comparación entre convolución y correlación
56 56 Señales discretas Señales discretas periódicas. Serie de Fourier discreta.. periódicas. Serie de Fourier. Serie de Fourier compleja. no periódicas. Serie de Fourier. Transformada de Fourier. Señales discretas. Señales discretas periódicas. Serie de Fourier discreta. Señales discretas no periódicas. Serie de Fourier discreta. Transformada de Fourier en tiempo discreto (DTFT). Transformada de Fourier discreta (DFT).
57 Señales discretas Señales discretas periódicas. Serie de Fourier discreta. Sea una señal periódica, f(t), de periodo T. Tomamos N valores discretos de f(t) en cada periodo, separados t. Se cumple entonces que: T = N t 4 3 Discretizacion de f(t)=t. N=8 f(t) = t t (s) Valores discretos 4 3 f(t k ) = t k t (s) 57
58 58 Señales discretas Señales discretas periódicas. Serie de Fourier discreta. No conocemos la función de partida, sólo los puntos discretos. Podemos construir una suma de senos y cosenos que pase por los puntos discretos. Las ecuaciones en el caso continuo eran: f(t) = n= C n e iπnt/t C n = 1 T + T f(t)e iπnt/t dt T El valor de la señal en cada t k = k t será: f(t k ) = f(k t) = C n e iπn(k t)/(n t) = C n e iπnk/n n= n=
59 Señales discretas Señales discretas periódicas. Serie de Fourier discreta. C n para valores discretos se calcula teniendo en cuenta: C n = 1 T + T T f(t)e iπnt/t dt = 1 T T f(t)e iπnt/t dt Como en un periodo sólo hay datos en N instantes t k, se pueden calcular N valores de C n. C n = 1 N 1 N t n= f(k t)e iπnk t/(n t) t = 1 N N 1 n= f(k t)e iπnk/n Figura: Aproximación de una integral por una suma. 59
60 6 Señales discretas Señales discretas periódicas. Serie de Fourier discreta. Teorema Cualquier función periódica discreta de periodo T = N t se puede descomponer como: f(k t) = C n = 1 N N 1 k= N 1 n= C n e iπnk/n f(k t)e iπnk/n Las frecuencias de cada C n son: ω n = πn T = πn N t. Es facil comprobar que C n = C n, por lo que C n = C n y el espectro (ω n, C n ) es simétrico respecto al eje x =.
61 61 Señales discretas Señales discretas periódicas. Serie de Fourier discreta. Propiedades n = C = 1 N 1 f(k t) Media de los valores discretos de f, f(k t). N k= Como f(k t) son valores reales, C es un número real. n = N C N C N = 1 N N 1 k= f(k t)e iπ(n/)k/n = 1 N también es un número real. N 1 k= f(k t) cos(πk)
62 6 Señales discretas Señales discretas periódicas. Serie de Fourier discreta. n = N + m C N +m = 1 N = 1 N N 1 f(k t)e iπ(n/+m)k/n k= N 1 f(k t)e iπmk/n e ikπ = C N m k= Luego los elementos simétricos respecto a N/ son complejos conjugados.
63 Señales discretas Señales discretas periódicas. Serie de Fourier discreta. * Esto quiere decir que la mitad de la información es redundante, ya que conociendo los términos desde n = 1 hasta n = N 1 puedes conocer los términos desde n = N + 1 hasta n = N 1. * La frecuencia más alta que se puede evaluar es ω max k = ω N = π(n/)/(n t) = π t que se conoce como la frecuencia de Nyquist. ω Nyquist = π t rad/s, f Nyquist = 1 t Hz. * Si la señal original tiene una frecuencia mayor que ω Nyquist entonces la serie de Fourier no la puede evaluar. * Lo anterior es válido si N es par. Si N es impar, la mayor frequencia que se puede conocer es la correspondiente a n = N 1. A partir de ahí la información es redundante. * Por tanto, como la frecuencia de Nyquist se ha definido como ω N, no es posible evaluar esta frecuencia con N impar (la máxima frecuencia que se puede evaluar es ω N 1). * Se volverá a incidir sobre ésto al estudiar la DFT. 63
64 64 Señales discretas Señales discretas periódicas. Serie de Fourier discreta.. periódicas. Serie de Fourier. Serie de Fourier compleja. no periódicas. Serie de Fourier. Transformada de Fourier. Señales discretas. Señales discretas periódicas. Serie de Fourier discreta. Señales discretas no periódicas. Serie de Fourier discreta. Transformada de Fourier en tiempo discreto (DTFT). Transformada de Fourier discreta (DFT).
65 65 Señales discretas Señales discretas periódicas. Serie de Fourier discreta. En el caso de que tengamos valores discretos de una señal no periódica, se puede aplicar el análisis de Fourier de dos maneras: 1. Creando una señal discreta periódica a partir de la señal no periódica.. Transformada de Fourier en tiempo discreto. 3. Transformada de Fourier discreta. Figura: Señal discreta no periódica.
66 Señales discretas Señales discretas no periódicas. Serie de Fourier discreta. 1. Creando señal discreta periódica. Si tenemos una señal discreta, f(t k ), definida entre t a y t b podemos crear una señal periódica a partir de ella, g(t k ), simplemente repitiendo f(t k ). El periodo de g(t k ) es T = t b t a = N t. g(t k ) puede analizarse utilizando la serie de Fourier discreta. Los resultados obtenidos son válidos en el intervalo [t b t a ]. 66
67 Señales discretas Señales discretas no periódicas. Serie de Fourier discreta. Por tanto, las ecuaciones serían f(k t) = C n = 1 N N 1 k= N 1 n= C n e iπnk/n f(k t)e iπnk/n 67
68 68 Señales discretas Señales discretas no periódicas. Transformada de Fourier en tiempo discreto.. Transformada de Fourier en tiempo discreto h(t k ) = { f(tk ) t k [t a, t b ] resto La otra opción consiste en definir una función discreta periódica pero cuyo periodo es infinito, h(t k ). Esto se hace discretizando la Transformada de Fourier Continua.
69 69 Señales discretas Señales discretas no periódicas. Transformada de Fourier en tiempo discreto. Las ecuaciones de la transformada de Fourier en tiempo continuo son H(ω) = 1 π h(t) = h(t)e iωt dt H(ω)e iωt dω Conocemos N valores [t k, f(t k )], t k = k t, k =, 1,..., N 1 H(ω) = 1 h(k t)e iωk t dt = 1 N 1 h(k t)e iωk t t π π = t N 1 h(k t)e iωk t π k= Esta función es periódica con periodo π t k= ya que e iωk t π iω(k+ = e t ) t, k
70 Señales discretas Señales discretas no periódicas. Transformada de Fourier en tiempo discreto. h(k t) = H(ω)e iωk t dω H(ω)e iωk t es periódica con periodo π t por lo que la integral anterior toma un valor infinito. Por ello se integra en un periodo h(k t) = H(ω)e iωk t dω π t Por otro lado, el factor t π que acompaña a H(ω) en la ecuación anterior se suele poner a h(k t), ya que el resultado final es el mismo. Teorema La Transformada de Fourier y la Transformada Inversa de Fourier en tiempo discreto (Discrete Time Fourier Transform, DTFT) se definen: N 1 H(ω) = h(k t)e iωk t k= h(k t) = t π π t H(ω)e iωk t dω 7
71 71 Señales discretas Muestreo de señales Muestreo de señales Las señales en tiempo discreto pueden aparecer de muchas formas, pero lo más común es que aparezcan como consecuencia del muestreo de señales en tiempo continuo. A partir de una señal continua x c (t) se obtiene una secuencia de muestras x k mediante la relación x k = x c (k t) donde t = t k t k 1 es el periodo de muestreo y f s = 1 t es la frecuencia de muestreo, en numero de muestras por segundo. Figura: Señal muestreada
72 Señales discretas Muestreo de señales Teorema Sea función continua x c (t), el valor muestreado de x c (t) en t = t k es el producto x k = x(t k ) = x(t)δ(t t k ) dónde δ(t) es la función impulso. Cuando queremos muestrear en varios puntos multiplicamos por un tren de impulsos. (a) Señal continua. (b)-(c) Señal muestreada. La información contenida en (b) y (c) es la misma ya que x(t)δ(t k t) = x(k t) = x k Figura: Señal muestreada 7
73 Señales discretas Muestreo de señales La diferencia fundamental entre x s (t) (Figura b) y x k (Figura c) es que x s (t) es una señal en tiempo continuo (concretamente un tren de impulsos) que es cero excepto en múltiplos enteros de t. Por el contrario, la secuencia x k está indexada con la variable entera k, lo que introduce una normalización en el tiempo. Es decir, la secuencia de números x k no contiene información explícita sobre la frecuencia de muestreo. Por este motivo las ecuaciones de la DTFT se expresan también como H(ω) = N 1 k= h k = 1 π h k e iωk π H(ω)e iωk dω Es decir, se toma t = 1, no hay referencia al periodo de muestreo. Esto hace que las ecuaciones sean más generales, se pueden aplicar a cualquier secuencia de valores discretos, no solamente a secuencias obtenidas con muestreo. 73
74 74 Señales discretas Muestreo de señales Representación del muestreo en el dominio de la frecuencia (a) Señal que queremos muestrear, h(t) (muestreamos cada T seg). (b) Tren de impulsos (t). (e) Muestreo de h(t)= producto de h(t) y el tren de impulsos (t). (c) Transformada de Fourier de h(t), H(f). (d) Transformada de Fourier del tren de impulsos (t), (f). (f) Convolución de H(f) y (f): la T. F. del producto es la convolución. La señal (f) es la transformada de Fourier de la señal muestreada (e).
75 75 Señales discretas Muestreo de señales Aliasing Se repite el mismo proceso que en la figura anterior, pero ahora la frecuencia de muestreo, 1/T, es menor que f c, y por tanto aparece solapamientos en la transformada de Fourier de la señal muestreada. La señal obtenida en (e) está distorsionada debido a los solapamientos, y no es posible recuperar la señal original h(t) a partir de sus muestras h(t) (t). A este fenómeno se conoce como ALIASING.
76 Señales discretas Muestreo de señales El aliasing siempre aparece al muestrear una señal continua. Si se cumple que H(f) = para f f c, podemos evitar el aliasing tomando 1 T f c Si la señal en frecuencias no se hace nula a partir de un valor, sólo podemos hacer que el error de aliasing sea pequeño disminuyendo T. En la figura de la izquierda, la señal h(t) está muestreada con frecuencia de muestreo f s = 1 T = f c A esa frecuencia se le conoce como frecuencia de Nyquist. 76
77 Señales discretas Muestreo de señales Aliasing en el dominio del tiempo Sea y 1 = cos(πft). Tomamos valores discretos cada t. Si 1 t = fs < f, entonces por los valores discretos pasan y 1 = cos(πft) y también y = cos(π f f s t). Este es el fenómeno del aliasing en el dominio del tiempo. Para evitar el aliasing, fs = 1 t f max, es decir, la frecuencia de Nyquist tiene que ser mayor o igual que la máxima frecuencia que hay en nuestros datos. f s es la frecuencia de muestreo (numero de datos por segundo). (a) f = 6 Hz; f s = 4 Hz; f nq = Hz (b) f = 6 Hz; f s = 1 Hz; f nq = 6 Hz (c) f = 6 Hz; f s = 8 Hz; f nq = 4 Hz 1 a f s/ > 6: por los datos sólo pasa y 1 = cos(π6t). b f s/ = 6: caso límite (f nq = f ); por los datos sólo pasa y 1 = cos(π6t) c f s/ < 6: por los datos pasan y 1 = cos(π6t) e y = cos(πt)
78 78 Señales discretas Muestreo de señales Teorema de muestreo Hay un numero infinito de señales que pueden generar un conjunto dado de nuestras. El teorema del muestreo nos indica qué condicione se tienen que dar para que unos valores muestreados especifiquen unívocamente a la señal y la podamos reconstruir perfectamente.
79 79 Señales discretas Muestreo de señales Teorema (Teorema del muestreo de Nyquist) Sea x(t) una señal continua que cumple que X(f) = para f f m ; x(t) está determinada unívocamente mediante sus muestras x k = x(k t), k =,±1,±,... si f s = 1 t f m [Hz] f s es la frecuencia de muestreo y f m es la frecuencia a partir de la cual X(f) se anula. Se define la frecuencia de Nyquist como la mitad de la de muestreo, y por tanto la condición anterior también se expresa como f nq = f s = 1 t f m [Hz]
80 Señales discretas Muestreo de señales Interpretación gráfica del Teorema de muestreo Si se cumplen las condiciones del teorema, la señal recuperada x r (t) coincide con la señal de partida x(t). 8
81 Señales discretas Transformada de Fourier discreta (DFT) 3. Transformada de Fourier discreta (DFT) Por último tenemos que obtener una expresión de la Transformada de Fourier que sea discreta en el tiempo y en frecuencia para que la podamos implementar con el ordenador. Para ello partimos de la Transformada de Fourier en tiempo discreto (DTFT) N 1 H(ω) = h(k t)e iωk t k= h(k t) = t π π t H(ω)e iωk t dω Tomando valores discretos de la frecuencia ω n = πn T = πn, n =, 1,..., N 1 N t ω = ω n ω n 1 = π T = π N t 81
82 Señales discretas Transformada de Fourier discreta (DFT) N 1 H(ω n ) = h(k t)e iωnk t = h(k t) = t N 1 π = 1 N n= k= N 1 k= H(ω n )e iωnk t ω = t N 1 π N 1 H(ω n )e i πnk N n= n= πnk i h(k t)e N H(ω n )e i πnk t N t π N t = Teorema La Transformada de Fourier discreta y la Transformada Inversa de Fourier discreta (Discrete Fourier Transform, DFT) se definen mediante: H(n ω) = N 1 k= h(k t) = 1 N πnk i h(k t)e N N 1 H(n ω)e i πnk N n= 8
83 Señales discretas Transformada de Fourier discreta (DFT) Interpretación gráfica de la DFT (a) Función en el tiempo h(t) y su transformada de Fourier, H(f). (b) Tren de impulsos (t) y su transformada de Fourier (f). (c) Muestreo de h(t), h(t) (t), y su transformada de Fourier H(f) (f). (d) Las señales no son infinitas: la truncamos multiplicando en el tiempo por una ventana x(t) de altura unidad. Esta ventana también tiene T. Fourier. (e) h(t) (t) x(t) y su T. Fourier H(f) (f) X(f) (f) Muestreamos en frecuencia multipl. por un tren de impulsos, 1 (f). (g) h(t) = [h(t) (t) x(t)] 1 (t) H(f) = [H(f) (f) X(f)] 1 (f) 83
84 84 Señales discretas Transformada de Fourier discreta (DFT) Las fórmulas para la DFT son generales y se pueden aplicar a cualquier conjunto de datos {x, x 1, x,...,x N 1 }, sin que necesariamente provengan del muestreo de una señal continua Teorema Sean N valores discretos {x, x 1, x,...,x N 1 }. La Transformada de Fourier discreta (DFT) y la Transformada Inversa de Fourier discreta (IDFT) se definen mediante: X n = N 1 k= x k e iπnk/n, n =, 1,,(N 1) x k = 1 N 1 X n e iπnk/n, k =, 1,,(N 1) N n= De hecho, estas ecuaciones se pueden obtener sin hacer referencia a la Transformada de Fourier continua, diréctamente trabajando con datos discretos.
85 Señales discretas Transformada de Fourier discreta (DFT) Comentarios Aunque hemos partido de la Transformada de Fourier continua, que presupone periodo infinito, al discretizar obtenemos una función periódica (ver Figura 6. (g)). En realidad, el resultado obtenido construyendo una función discreta periódica f(k t) = C n = 1 N N 1 k= N 1 n= C n e iπnk/n, k =, 1,,(N 1) f(k t)e iπnk/n, n =, 1,,(N 1) es idéntico al obtenido discretizando la Transf. de Fourier continua h(k t) = 1 N H(n ω) = N 1 n= H(n ω)e iπnk/n, k =, 1,,(N 1) N 1 h(k t)e iπnk/n, n =, 1,,(N 1) 85
86 Señales discretas Transformada de Fourier discreta (DFT) Comentarios Existe un algoritmo muy eficiente para implementar la DFT conocido como Fast Fourier Transform (FFT). La transformada de Fourier reproduce exáctamente los valores x k, pero no reproduce exáctamente la señal continua x(t). Será tanto más precisa en cuanto el intervalo de muestreo tienda a cero. El factor 1 N no siempre va con X n. Depende del autor. Para k = 1 estamos en el instante de tiempo t = (k 1) t = seg. Matlab utiliza las siguientes expresiones: X n = N x k e i(π/n)(n 1)(k 1) k=1 x k = 1 N N X n e i(π/n)(n 1)(k 1) n=1 n = 1,,, N k = 1,,, N El espectro {(ω n, X n ) : n =, 1,...,(N 1),ω n = πn/(n t)} es simétrico respecto al eje y. 86
87 87 Señales discretas Transformada de Fourier discreta (DFT) Ejemplo Calcular la DFT de los datos obtenidos al muestrear la señal x(t) = t con t = 1 seg considerando N=8; N=9. N=8 k t k = k t x k n ω n = π N t n X n π/ i 4 π/ i π/ i π/ π/ i π/ i π/ i
88 88 Señales discretas Transformada de Fourier discreta (DFT) Los valores anteriores se han obtenido en Matlab haciendo x=[ ]; X=fft(x); La frecuencia de muestreo f s y de Nyquist f nq son f s = 1 t = 1 Hz = π rad/s, f nq = f s = 1 t Para n= el resultado es real y es la suma de los x k X = N 1 k= x k = 14 Para n=n/=4 el resultado también es real X N = N 1 k= N 1 πkn/ i x k e N = j= x k e iπj = =,5 Hz = π rad/s. N 1 k= = = 8 x k cos(πk)
89 89 Señales discretas Transformada de Fourier discreta (DFT) Se cumple que X n = XN n, n = 1,,..., N/ 1. Efectivamente X 1 = X 7, X = X 6, X 3 = X 5. * Esto quiere decir que la mitad de la información es redundante, ya que conociendo los términos desde n = 1 hasta n = N 1 se pueden conocer los términos desde n = N + 1 hasta n = N 1. * La frecuencia más alta que se puede evaluar es la frecuencia de Nyquist ωk max = ω N = π(n/)/(n t) = π t * Si la señal original tiene una frecuencia mayor que ω Nyquist entonces la DFT no la puede evaluar y se produce aliasing. Como vemos estas propiedades eran válidas para las series de Fourier discretas.
90 Señales discretas Transformada de Fourier discreta (DFT) N=9 k t k = k t x k n ω n = π N t n X n π/ i 4 4π/ i π/ i π/ i π/ i π/ i π/ i π/ i La frecuencia de muestreo f s y de Nyquist f nq son f s = 1 t = 1 Hz = π rad/s, f nq = f s = 1 t Para n= el resultado es real y es la suma de los x k X = N 1 k= x k = 4 =,5 Hz = π rad/s. 9
91 91 Señales discretas Transformada de Fourier discreta (DFT) Se cumple que X n = XN n, n = 1,,..., N/. Efectivamente X 1 = X 8, X = X 7, X 3 = X 6, X 4 = X 5. * Luego la mitad de la información es redundante, ya que conociendo los términos desde n = 1 hasta n = N 1 se pueden conocer los términos desde n = N+1 hasta n = N 1. * La frecuencia más alta que se puede evaluar es ω max k = ω N 1 = (π(n 1)/)/(N t) = π t N 1 N = 8π/9 * Por lo tanto no es posible evaluar la frecuencia de Nyquist (ω N ) con N impar. * Si la señal original tiene una frecuencia mayor que ω N 1 DFT no la puede evaluar y se produce aliasing. entonces la
92 9 Señales discretas Transformada de Fourier discreta (DFT) 8 N=8, x k 5 N=8, X n 6 t t k (s) X n ω n (rad/s) 8 N=9, x k 5 N=9, X n 6 t t k (s) X n ω n (rad/s)
93 Señales discretas Transformada de Fourier discreta (DFT) Ejemplo Sean N datos reales, {x j, j =, 1,...,N 1}. La transformada discreta de Fourier y la transformada inversa de estos datos se define como N 1 πjk i X k = x j e N, k =, 1,...,N 1 j= x j = 1 N N 1 k= X k e i πjk N, j =, 1,...,N 1 Expresar la transf. discreta de Fourier como suma de senos y cosenos. Para k = N 1 X = Es la suma de todos los datos de partida, y por lo tanto, es un número real. Esto es válido tanto si N es par como si es impar. En el resto de pasos hay que distinguir entre ambas situaciones: j= x j 93
94 Señales discretas Transformada de Fourier discreta (DFT) N es par Para k = N X N = N 1 j= N 1 πjn/ i x j e N = j= x j e iπj = N 1 j= x j cos(πj) luego es la suma de los números pares menos la suma de los números impares (y también es un número real). Para k = 1 X 1 = N 1 j= que es un número complejo. Pero X N 1 = N 1 j= N 1 πj(n 1) i x j e N = j= πj i x j e N x j e iπj e i πj N = N 1 j= x j e i πj N Es decir, X N 1 es el complejo conjugado de X 1. Y en general se cumple que X N r es el complejo conjugado de X r, para r = 1,,..., N 1. 94
95 95 Señales discretas Transformada de Fourier discreta (DFT) Teniendo en cuenta estas tres propiedades podemos hacer x j = 1 N N 1 X k e i πjk N = k= = 1 N X + 1 N X N cos(πj) + = 1 N X + 1 N X N cos(πj)+ 1 N N/ 1 k=1 N/ 1 k=1 (X k e i πjk N (X k e i πjk N ) + XN k e i πj(n k) N + X k e dónde Xk es el complejo conjugado de X k. Supongamos que X k = z k + iy k ; desarrollando [ ( ) ( X k e i πjk πjk N + X i πjk πjk k e N = (zk + iy k ) cos + i sin N N [ ( ) ( )] ( πjk πjk πjk (z k iy k ) cos i sin = z k cos N N N ) πjk i N )] + ) y k sin ( ) πjk N
96 96 Señales discretas Transformada de Fourier discreta (DFT) Sustituyendo arriba x j = 1 N X + 1 N X N cos(πj)+ 1 N = 1 N X + 1 N X cos(πj)+ 1 N N = a + donde k=1 N/ 1 k=1 N/ 1 k=1 (X k e i πjk N ( z k cos + X k e ( πjk N/ ( ( ) ( )) πjk πjk a k cos + b k sin N N a k = z k N, b k = y k N a N = X N N, b N = N ) πjk i N ) ( πjk y k sin N ))
97 97 Señales discretas Transformada de Fourier discreta (DFT) Esta ecuación se puede agrupar un poco más donde N/ ( ( ) ( )) πjk πjk x j = a k cos + b k sin N N k= a = X N, b = a N = X N N, b N = a k = z k N, b k = y k N
98 98 Señales discretas Transformada de Fourier discreta (DFT) N es impar Para k = 1 X 1 = que es un número complejo. Pero N 1 j= πj i x j e N X N 1 = N 1 j= N 1 πj(n 1) i x j e N = j= x j e iπj e i πj N = N 1 j= x j e i πj N Es decir, X N 1 es el complejo conjugado de X 1. Y en general se cumple que X N r es el complejo conjugado de X r, para r = 1,,..., N 1.
99 99 Señales discretas Transformada de Fourier discreta (DFT) Teniendo en cuenta estas tres propiedades podemos hacer x j = 1 N N 1 k= = 1 N X + = 1 N X + 1 N X k e i πjk N = (N 1)/ k=1 (N 1)/ k=1 (X k e i πjk N (X k e i πjk N ) + XN k e i πj(n k) N + X k e ) πjk i N dónde Xk es el complejo conjugado de X k. Supongamos que X k = z k + iy k ; desarrollando [ ( ) ( X k e i πjk πjk N + X i πjk πjk k e N = (zk + iy k ) cos + i sin N N [ ( ) ( )] ( πjk πjk πjk (z k iy k ) cos i sin = z k cos N N N )] + ) y k sin ( ) πjk N
100 Señales discretas Transformada de Fourier discreta (DFT) Sustituyendo arriba donde x j = 1 N X + 1 N = 1 N X + 1 N = a + O también como donde x j = (N 1)/ k=1 (N 1)/ k= (N 1)/ k=1 (N 1)/ k=1 ( a k cos (X k e i πjk N ( z k cos + X k e ( πjk N ) πjk i N ) ( πjk y k sin N ( ) ( )) πjk πjk + b k sin N N a k = z k N, b k = y k N ( a k cos ( πjk N ) ( πjk + b k sin N a = X, b =, a k = zk, b k = y k )) )) 1
101 11 Señales discretas Transformada de Fourier discreta (DFT) Ejemplo La transformada de Fourier continua estaba definida para frecuencias positivas y negativas. h(t) = H(ω)e iωt dω Expresar también la transformada de Fourier discreta para frecuencias positivas y negativas. x k = N 1 k= X n e iπnk/n, k =, 1,,(N 1) Para resolver este ejercicio nos basamos en la propiedad X n = X n.
102 Señales discretas Transformada de Fourier discreta (DFT) Si N es par: x k = N/ n= N/ 1 X n e iπnk/n, k =, 1,,(N 1) * X y X N son reales. * X r = X r, r = 1,..., N 1. Si N es impar: x k = (N 1)/ n= (N 1)/ X n e iπnk/n, k =, 1,,(N 1) * X es real. * X r = X r, r = 1,..., N 1. Si expresamos x k (tanto N par como N impar) como suma de senos y cosenos obtenemos la misma expresion que antes. 1
Convolución y Convolución Discreta Definición de convolución Cuando hemos aplicado, en el apartado anterior, una función ventana o hemos muestreado una función dada, implícitamente hemos estado efectuando
Más detallesIntroducción a la Teoría del Procesamiento Digital de Señales de Audio
Introducción a la Teoría del Procesamiento Digital de Señales de Audio Transformada de Fourier Discreta Resumen Propiedades de la Transformada de Fourier Linealidad Comportamiento de la fase Naturaleza
Más detallesSeries y Transformada de Fourier
Series y Transformada de Fourier Series de Fourier Transformada de Fourier Series de Fourier Las series de Fourier describen señales periódicas como una combinación de señales armónicas (sinusoides). Con
Más detallesTema 07. LÍMITES Y CONTINUIDAD DE FUNCIONES
Tema 07 LÍMITES Y CONTINUIDAD DE FUNCIONES Límite de una función en un punto Vamos a estudiar el comportamiento de las funciones f ( ) g ( ) ENT[ ] h ( ) i ( ) en el punto Para ello, damos a valores próimos
Más detallesComplementos de matemáticas. Curso 2004-2005
Univ. de Alcalá de Henares Ingeniería Técnica Industrial Complementos de matemáticas. Curso 004-005 Colección de ejercicios del tema 1 Las soluciones aparecen en color azul, y si disponéis de la posibilidad
Más detallesIntroducción a la Teoría del Procesamiento Digital de Señales de Audio
Introducción a la Teoría del Procesamiento Digital de Señales de Audio Transformada de Fourier Resumen el análisis de Fourier es un conjunto de técnicas matemáticas basadas en descomponer una señal en
Más detalles3. LA DFT Y FFT PARA EL ANÁLISIS FRECUENCIAL. Una de las herramientas más útiles para el análisis y diseño de sistemas LIT (lineales e
3. LA DFT Y FFT PARA EL AÁLISIS FRECUECIAL Una de las herramientas más útiles para el análisis y diseño de sistemas LIT (lineales e invariantes en el tiempo), es la transformada de Fourier. Esta representación
Más detallesCAPÍTULO III. FUNCIONES
CAPÍTULO III LÍMITES DE FUNCIONES SECCIONES A Definición de límite y propiedades básicas B Infinitésimos Infinitésimos equivalentes C Límites infinitos Asíntotas D Ejercicios propuestos 85 A DEFINICIÓN
Más detallesLÍMITES Y CONTINUIDAD DE FUNCIONES
Capítulo 9 LÍMITES Y CONTINUIDAD DE FUNCIONES 9.. Introducción El concepto de ite en Matemáticas tiene el sentido de lugar hacia el que se dirige una función en un determinado punto o en el infinito. Veamos
Más detallesEcuaciones de primer grado con dos incógnitas
Ecuaciones de primer grado con dos incógnitas Si decimos: "las edades de mis padres suman 120 años", podemos expresar esta frase algebraicamente de la siguiente forma: Entonces, Denominamos x a la edad
Más detallesEjemplo: Resolvemos Sin solución. O siempre es positiva o siempre es negativa. Damos un valor cualquiera Siempre + D(f) =
T1 Dominios, Límites, Asíntotas, Derivadas y Representación Gráfica. 1.1 Dominios de funciones: Polinómicas: D( = La X puede tomar cualquier valor entre Ejemplos: D( = Función racional: es el cociente
Más detallesAnálisis de procesos estocásticos en el dominio de
Análisis de procesos estocásticos en el dominio de la frecuencia F. Javier Cara ETSII-UPM Curso 202-203 Contenido Función de densidad espectral Definición Relación con la transformada de Fourier Propiedades
Más detallesMatrices equivalentes. El método de Gauss
Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar
Más detalles2.2 Transformada de Laplace y Transformada. 2.2.1 Definiciones. 2.2.1.1 Transformada de Laplace
2.2 Transformada de Laplace y Transformada 2.2.1 Definiciones 2.2.1.1 Transformada de Laplace Dada una función de los reales en los reales, Existe una función denominada Transformada de Laplace que toma
Más detallesTema 2. Espacios Vectoriales. 2.1. Introducción
Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por
Más detallesEcuaciones Diferenciales Tema 2. Trasformada de Laplace
Ecuaciones Diferenciales Tema 2. Trasformada de Laplace Ester Simó Mezquita Matemática Aplicada IV 1 1. Transformada de Laplace de una función admisible 2. Propiedades básicas de la transformada de Laplace
Más detallesEjemplos y problemas resueltos de análisis complejo (2014-15)
Variable Compleja I (3 o de Matemáticas y 4 o de Doble Titulación) Ejemplos y problemas resueltos de análisis complejo (04-5) Teoremas de Cauchy En estos apuntes, la palabra dominio significa, como es
Más detalles342 SOBRE FORMAS TERNARIAS DE SEGUNDO GRADO.
342 SOBRE FORMAS TERNARIAS DE SEGUNDO GRADO. ALGUNAS APLICACIONES A LA TEORIA DE LAS FORMAS BINARIAS. Encontrar una forma cuya duplicación produce una forma dada del género principal. Puesto que los elementos
Más detallesJuan Antonio González Mota Profesor de Matemáticas del Colegio Juan XIII Zaidín de Granada
FUNCIONES CONOCIDAS. FUNCIONES LINEALES. Se llaman funciones lineales a aquellas que se representan mediante rectas. Su epresión en forma eplícita es y f ( ) a b. En sentido más estricto, se llaman funciones
Más detallesUNIDAD 1. LOS NÚMEROS ENTEROS.
UNIDAD 1. LOS NÚMEROS ENTEROS. Al final deberás haber aprendido... Interpretar y expresar números enteros. Representar números enteros en la recta numérica. Comparar y ordenar números enteros. Realizar
Más detallesTema 7. Límites y continuidad de funciones
Matemáticas II (Bachillerato de Ciencias) Análisis: Límites y continuidad de funciones 55 Límite de una función en un punto Tema 7 Límites y continuidad de funciones Idea inicial Si una función f está
Más detallesIntegrales y ejemplos de aplicación
Integrales y ejemplos de aplicación I. PROPÓSITO DE ESTOS APUNTES Estas notas tienen como finalidad darle al lector una breve introducción a la noción de integral. De ninguna manera se pretende seguir
Más detallesIntroducción a la Teoría del Procesamiento Digital de Señales de Audio
Introducción a la Teoría del Procesamiento Digital de Señales de Audio Transformada de Fourier Discreta Resumen Respuesta en frecuencia de un sistema Convolución a través del dominio de la frecuencia Convolución
Más detallesDivisibilidad y números primos
Divisibilidad y números primos Divisibilidad En muchos problemas es necesario saber si el reparto de varios elementos en diferentes grupos se puede hacer equitativamente, es decir, si el número de elementos
Más detallesAnálisis espectral de señales periódicas con FFT
Análisis espectral de señales periódicas con FFT 1 Contenido 7.1 Introducción a la Transformada Discreta de Fourier 3-3 7.2 Uso de la Transformada Discreta de Fourier 3-5 7.3 Método de uso de la FFT 3-8
Más detallesJuan Antonio González Mota Profesor de Matemáticas del Colegio Juan XIII Zaidín de Granada
FUNCIONES CONTINUAS. La mayor parte de las funciones que manejamos, a nivel elemental, presentan en sus gráficas una propiedad característica que es la continuidad. La continuidad de una función definida
Más detallesInterpolación polinómica
9 9. 5 9. Interpolación de Lagrange 54 9. Polinomio de Talor 57 9. Dados dos puntos del plano (, ), (, ), sabemos que ha una recta que pasa por ellos. Dicha recta es la gráfica de un polinomio de grado,
Más detallesÚltima modificación: 1 de agosto de 2010. www.coimbraweb.com
Contenido DOMINIOS DEL TIEMPO Y DE LA FRECUENCIA 1.- Señales analógicas y digitales. 2.- Señales analógicas periódicas. 3.- Representación en los dominios del tiempo y de la frecuencia. 4.- Análisis de
Más detallesTecnología de las Comunicaciones
Tema 3. El dominio de la frecuencia. Aspectos teórico-prácticos para la construcción de un cañón de energía bioetérea Francisco Sivianes Castillo Departamento de Tecnología Electrónica Escuela Técnica
Más detallesA continuación voy a colocar las fuerzas que intervienen en nuestro problema.
ísica EL PLANO INCLINADO Supongamos que tenemos un plano inclinado. Sobre él colocamos un cubo, de manera que se deslice sobre la superficie hasta llegar al plano horizontal. Vamos a suponer que tenemos
Más detallesProfr. Efraín Soto Apolinar. Factorización
Factorización La factorización es la otra parte de la historia de los productos notables. Esto es, ambas cosas se refieren a las mismas fórmulas, pero en los productos notables se nos daba una operación
Más detalles1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1
5.1.3 Multiplicación de números enteros. El algoritmo de la multiplicación tal y como se realizaría manualmente con operandos positivos de cuatro bits es el siguiente: 1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0
Más detalles3. Operaciones con funciones.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO 00. Lección. Funciones derivada. 3. Operaciones con funciones. En esta sección veremos cómo podemos combinar funciones para construir otras nuevas. Especialmente
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesCONVERGENCIA DE LAS SERIES DE FOURIER
CONVERGENCIA DE LAS SERIES DE FOURIER Sea f(x) una función definida para todo x, con periodo. Entonces, bajo condiciones muy generales, la serie de Fourier de f converge a f(x) para todo x. Describiremos
Más detallesDefinición de vectores
Definición de vectores Un vector es todo segmento de recta dirigido en el espacio. Cada vector posee unas características que son: Origen: O también denominado Punto de aplicación. Es el punto exacto sobre
Más detalles1.4.- D E S I G U A L D A D E S
1.4.- D E S I G U A L D A D E S OBJETIVO: Que el alumno conozca y maneje las reglas empleadas en la resolución de desigualdades y las use para determinar el conjunto solución de una desigualdad dada y
Más detallesAXIOMAS DE CUERPO (CAMPO) DE LOS NÚMEROS REALES
AXIOMASDECUERPO(CAMPO) DELOSNÚMEROSREALES Ejemplo: 6 INECUACIONES 15 VA11) x y x y. VA12) x y x y. Las demostraciones de muchas de estas propiedades son evidentes de la definición. Otras se demostrarán
Más detallesE 1 E 2 E 2 E 3 E 4 E 5 2E 4
Problemas resueltos de Espacios Vectoriales: 1- Para cada uno de los conjuntos de vectores que se dan a continuación estudia si son linealmente independientes, sistema generador o base: a) (2, 1, 1, 1),
Más detallesCaracterísticas de funciones que son inversas de otras
Características de funciones que son inversas de otras Si f es una función inyectiva, llamamos función inversa de f y se representa por f 1 al conjunto. f 1 = a, b b, a f} Es decir, f 1 (x, y) = { x =
Más detallesTema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor
Tema 5 Aproximación funcional local: Polinomio de Taylor Teoría Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una función resulta difícil de evaluar con exactitud,
Más detalles, o más abreviadamente: f ( x)
TEMA 5: 1. CONCEPTO DE FUNCIÓN Observa los siguientes ejemplos: El precio de una llamada telefónica depende de su duración. El consumo de gasolina de un coche depende de la velocidad del mismo. La factura
Más detallesTema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice
Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice 1 Polinomios Dedicaremos este apartado al repaso de los polinomios. Se define R[x] ={a 0 + a 1 x + a 2 x 2 +... +
Más detallesDescomposición factorial de polinomios
Descomposición factorial de polinomios Contenidos del tema Introducción Sacar factor común Productos notables Fórmula de la ecuación de segundo grado Método de Ruffini y Teorema del Resto Combinación de
Más detallesEjercicios de Trigonometría
Ejercicios de Trigonometría 1) Indica la medida de estos ángulos en radianes: a) 0º b) 45º c) 60º d) 120º Recuerda que 360º son 2π radianes, con lo que para hacer la conversión realizaremos una simple
Más detallesLABORATORIO DE SEÑALES Y SISTEMAS PRACTICA 1
LABORATORIO DE SEÑALES Y SISTEMAS PRACTICA CURSO 005-006 PRÁCTICA SEÑALES Y SISTEMAS CONTINUOS Las presente practica trata distintos aspectos de las señales y los sistemas en tiempo continuo. Los diferentes
Más detallesFUNCIONES CUADRÁTICAS Y RACIONALES
www.matesronda.net José A. Jiménez Nieto FUNCIONES CUADRÁTICAS Y RACIONALES 1. FUNCIONES CUADRÁTICAS. Representemos, en función de la longitud de la base (), el área (y) de todos los rectángulos de perímetro
Más detallesFundamentos de Investigación de Operaciones Investigación de Operaciones 1
Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 1 de agosto de 2003 1. Introducción Cualquier modelo de una situación es una simplificación de la situación real. Por lo tanto,
Más detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detallesLos números racionales
Los números racionales Los números racionales Los números fraccionarios o fracciones permiten representar aquellas situaciones en las que se obtiene o se debe una parte de un objeto. Todas las fracciones
Más detallesSESION 4. 1. El comando Integrate 2. Aproximación de integrales definidas 3. Integración de funciones racionales
SESION. El comando Integrate. Aproimación de integrales definidas. Integración de funciones racionales . El comando Integrate El cálculo de integrales definidas e indefinidas en MATHEMATICA es sencillo
Más detallesLÍMITES DE FUNCIONES. CONTINUIDAD
LÍMITES DE FUNCIONES. CONTINUIDAD Página REFLEXIONA Y RESUELVE Algunos ites elementales Utiliza tu sentido común para dar el valor de los siguientes ites: a,, b,, @ c,, 5 + d,, @ @ + e,, @ f,, 0 @ 0 @
Más detallesAproximación local. Plano tangente. Derivadas parciales.
Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación
Más detalles1. Definición 2. Operaciones con funciones
1. Definición 2. Operaciones con funciones 3. Estudio de una función: Suma y diferencia Producto Cociente Composición de funciones Función reciproca (inversa) Dominio Recorrido Puntos de corte Signo de
Más detalles1 v 1 v 2. = u 1v 1 + u 2 v 2 +... u n v n. v n. y v = u u = u 2 1 + u2 2 + + u2 n.
Ortogonalidad Producto interior Longitud y ortogonalidad Definición Sean u y v vectores de R n Se define el producto escalar o producto interior) de u y v como u v = u T v = u, u,, u n ) Ejemplo Calcular
Más detallesETS Caminos Santander. Curso 2012. Ejercicios de introducción a la programación.
Ejercicio 1. Saludo. El programa preguntará el nombre al usuario y a continuación le saludará de la siguiente forma "Hola, NOMBRE" donde NOMBRE es el nombre del usuario. Ejercicio 2. Suma. El programa
Más detallesUNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES. OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano.
UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano. EL PLANO CARTESIANO. El plano cartesiano está formado
Más detallesEnunciado unidades fraccionarias fracción fracciones equivalentes comparar operaciones aritméticas fracciones propias Qué hacer deslizador vertical
Enunciado Si la unidad la dividimos en varias partes iguales, podemos tomar como nueva unidad de medida una de estas partes más pequeñas. Las unidades fraccionarias son necesarias cuando lo que queremos
Más detallesPARÁBOLA. 1) para la parte positiva: 2) para la parte negativa: 3) para la parte positiva: 4) para la parte negativa:
Página 90 5 LA PARÁBOLA 5.1 DEFINICIONES La parábola es el lugar geométrico 4 de todos los puntos cuyas distancias a una recta fija, llamada, y a un punto fijo, llamado foco, son iguales entre sí. Hay
Más detallesMatrices Invertibles y Elementos de Álgebra Matricial
Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CCIR/ITESM 12 de enero de 2011 Índice 91 Introducción 1 92 Transpuesta 1 93 Propiedades de la transpuesta 2 94 Matrices
Más detallesFundamentos para la Representación y Análisis de Señales Mediante Series de Fourier
Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier Andrés Felipe López Lopera* Resumen. Existe una gran similitud entre vectores y las señales. Propiedades tales como la
Más detallesApuntes de Matemática Discreta 9. Funciones
Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y
Más detallesPolinomios y fracciones algebraicas
UNIDAD Polinomios y fracciones algebraicas U n polinomio es una expresión algebraica en la que las letras y los números están sometidos a las operaciones de sumar, restar y multiplicar. Los polinomios,
Más detallesDefinición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices Estructura del tema. Conceptos básicos y ejemplos Operaciones básicas con matrices Método de Gauss Rango de una matriz Concepto de matriz regular y propiedades Determinante asociado a una
Más detallesQué son los monomios?
Qué son los monomios? Recordemos qué es una expresión algebraica. Definición Una expresión algebraica es aquella en la que se utilizan letras, números y signos de operaciones. Si se observan las siguientes
Más detallesLección 4: Suma y resta de números racionales
GUÍA DE MATEMÁTICAS II Lección : Suma y resta de números racionales En esta lección recordaremos cómo sumar y restar números racionales. Como los racionales pueden estar representados como fracción o decimal,
Más detallesProfr. Efraín Soto Apolinar. La función lineal. y = a 0 + a 1 x. y = m x + b
La función lineal Una función polinomial de grado uno tiene la forma: y = a 0 + a 1 x El semestre pasado estudiamos la ecuación de la recta. y = m x + b En la notación de funciones polinomiales, el coeficiente
Más detallesTema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detallesFunciones más usuales 1
Funciones más usuales 1 1. La función constante Funciones más usuales La función constante Consideremos la función más sencilla, por ejemplo. La imagen de cualquier número es siempre 2. Si hacemos una
Más detallesMICROECONOMÍA II. PRÁCTICA TEMA II: Equilibrio parcial
MICROECONOMÍA II PRÁCTICA TEMA II: Equilibrio parcial EJERCICIO 1 A) En equilibrio, la cantidad demandada coincide con la cantidad ofrecida, así como el precio de oferta y demanda. Por lo tanto, para hallar
Más detalles2.6. La integral de convolución
2.6. La integral de convolución 141 2.6. La integral de convolución La convolución entre dos funciones es un concepto físico importante en muchas ramas de la ciencia. Sin embargo, como sucede con muchas
Más detalles1. Producto escalar, métrica y norma asociada
1. asociada Consideramos el espacio vectorial R n sobre el cuerpo R; escribimos los vectores o puntos de R n, indistintamente, como x = (x 1,..., x n ) = n x i e i i=1 donde e i son los vectores de la
Más detallesTÉCNICAS DE INTEGRACIÓN
C TÉCNICAS DE INTEGRACIÓN C. CONCEPTOS PRELIMINARES C.. Función primitiva Sea f : I R, donde I es un intervalo real. Diremos que la función F : I R es una función primitiva de la función f en I si se cumple
Más detallesProgramación Lineal. Ficha para enseñar a utilizar el Solver de EXCEL en la resolución de problemas de Programación Lineal
Programación Lineal Ficha para enseñar a utilizar el Solver de EXCEL en la resolución de problemas de Programación Lineal Ejemplo: Plan de producción de PROTRAC En esta ficha vamos a comentar cómo se construyó
Más detallesUnidad I. 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal)
Unidad I Sistemas numéricos 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal) Los computadores manipulan y almacenan los datos usando interruptores electrónicos que están ENCENDIDOS o APAGADOS.
Más detallesMATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN CLASES # 13 y #14
MATEMÁTICAS BÁSICAS UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLÍN CLASES # 3 y #4 Desigualdades Al inicio del Capítulo 3, estudiamos las relaciones de orden en los número reales y el signi cado de expresiones
Más detallesLímite de una función
Límite de una función Idea intuitiva de límite El límite de la función f(x) en el punto x 0, es el valor al que se acercan las imágenes (las y) cuando los originales (las x) se acercan al valor x 0. Es
Más detallesLÍMITES Y CONTINUIDAD
UNIDAD 5 LÍMITES Y CONTINUIDAD Páginas 0 y Describe las siguientes ramas: a) f () b) f () no eiste c) f () d) f () + e) f () f) f () + g) f () h) f () no eiste; f () 0 i) f () + f () + j) f () 5 4 f ()
Más detallesMódulo 9 Sistema matemático y operaciones binarias
Módulo 9 Sistema matemático y operaciones binarias OBJETIVO: Identificar los conjuntos de números naturales, enteros, racionales e irracionales; resolver una operación binaria, representar un número racional
Más detalles2.5 Linealización de sistemas dinámicos no lineales
25 Linealización de sistemas dinámicos no lineales En las secciones anteriores hemos visto como representar los sistemas lineales En esta sección se estudia una manera de obtener una aproximación lineal
Más detallesEsta es la forma vectorial de la recta. Si desarrollamos las dos posibles ecuaciones, tendremos las ecuaciones paramétricas de la recta:
Todo el mundo sabe que dos puntos definen una recta, pero los matemáticos son un poco diferentes y, aún aceptando la máxima universal, ellos prefieren decir que un punto y un vector nos definen una recta.
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detallesNÚMEROS NATURALES Y NÚMEROS ENTEROS
NÚMEROS NATURALES Y NÚMEROS ENTEROS Los números naturales surgen como respuesta a la necesidad de nuestros antepasados de contar los elementos de un conjunto (por ejemplo los animales de un rebaño) y de
Más detallesTeóricas de Análisis Matemático (28) - Práctica 4 - Límite de funciones. 1. Límites en el infinito - Asíntotas horizontales
Práctica 4 - Parte Límite de funciones En lo que sigue, veremos cómo la noción de límite introducida para sucesiones se etiende al caso de funciones reales. Esto nos permitirá estudiar el comportamiento
Más detalles1. Ecuaciones no lineales
1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar
Más detallesPrograma para el Mejoramiento de la Enseñanza de la Matemática en ANEP Proyecto: Análisis, Reflexión y Producción. Fracciones
Fracciones. Las fracciones y los números Racionales Las fracciones se utilizan cotidianamente en contextos relacionados con la medida, el reparto o como forma de relacionar dos cantidades. Tenemos entonces
Más detallesTema 2 Límites de Funciones
Tema 2 Límites de Funciones 2.1.- Definición de Límite Idea de límite de una función en un punto: Sea la función. Si x tiende a 2, a qué valor se aproxima? Construyendo - + una tabla de valores próximos
Más detallesEste documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales.
Este documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales. Introducción Por qué La Geometría? La Geometría tiene como objetivo fundamental
Más detallesTRANSFORMADA DE LAPLACE
TRANSFORMADA DE LAPLACE DEFINICION La transformada de Laplace es una ecuación integral que involucra para el caso específico del desarrollo de circuitos, las señales en el dominio del tiempo y de la frecuencia,
Más detallesQUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA. La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros.
QUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros. Qué significa esto? Decir que una empresa es eficiente es decir que no
Más detallesEduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS
ANÁLISIS DE DATOS Hoy día vamos a hablar de algunas medidas de resumen de datos: cómo resumir cuando tenemos una serie de datos numéricos, generalmente en variables intervalares. Cuando nosotros tenemos
Más detallesAnálisis Estadístico de Datos Climáticos
Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 3 (Análisis espectral) 2015 Dominio temporal vs. dominio de frecuencias Son dos enfoques para encarar el análisis de las series temporales, aparentemente
Más detallesFunciones, x, y, gráficos
Funciones, x, y, gráficos Vamos a ver los siguientes temas: funciones, definición, dominio, codominio, imágenes, gráficos, y algo más. Recordemos el concepto de función: Una función es una relación entre
Más detallesMatlab para Análisis Dinámico de Sistemas
Matlab para Análisis Dinámico de Sistemas Análisis Dinámico de Sistemas, curso 26-7 7 de noviembre de 26 1. Introducción Para usar las funciones aquí mencionadas se necesita Matlab con el paquete de Control
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detalles1. Dominio, simetría, puntos de corte y periodicidad
Estudio y representación de funciones 1. Dominio, simetría, puntos de corte y periodicidad 1.1. Dominio Al conjunto de valores de x para los cuales está definida la función se le denomina dominio. Se suele
Más detalles1. MEDIDAS DE TENDENCIA CENTRAL
1. MEDIDAS DE TENDENCIA CENTRAL Lo importante en una tendencia central es calcular un valor central que actúe como resumen numérico para representar al conjunto de datos. Estos valores son las medidas
Más detalles1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde
Soluciones de la relación del Tema 6. 1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B1, p), donde p = P X = 1) = P la persona presente síntomas)
Más detalles