PRÁCTICA No.

6
ANÁLISIS DE FOURIER EN TIEMPO CONTINUO Y DISCRETO EN MATLAB®

1. OBJETIVOS

1.1. Objetivo General

• Realizar el análisis de Fourier de señales en tiempo continuo y discreto, utilizando

MATLAB®.

1.2. Objetivos Específicos

• Conocer los comandos, algoritmos y funciones necesarias para realizar el análisis de

Fourier de señales, en tiempo continuo y discreto, en MATLAB®.
• Identificar las características del análisis de Fourier en tiempo continuo y discreto.

2. JUSTIFICACIÓN

La realización de esta práctica le permitirá al estudiante conocer y aplicar los conocimientos

teóricos vistos en clase sobre el análisis de Fourier en tiempo continuo y discreto.

3. MARCO TEÓRICO

Un concepto fundamental en el estudio de señales y que se obtiene mediante el análisis de

Fourier, es el de espectro de frecuencia o contenido de frecuencia de una señal, que es la
representación en frecuencia de señales periódicas y no periódicas indicando su distribución
de energía o la energía que posee en cada componente de frecuencia. Para una señal
periódica el espectro es discreto y se lo conoce como espectro de línea, ya que su potencia
se concentra en frecuencias múltiplos de una llamada frecuencia fundamental, directamente
relacionada con el periodo de la señal. Por otra parte, el espectro de una señal aperiódica es
una función continua de frecuencia, ya que su potencia está distribuida en un intervalo
definido por las componentes de frecuencia máxima y mínima de la señal. Por lo general, el
espectro es una función de la variable frecuencia valuada en complejos, y, por lo tanto, se
especifica en términos de un espectro de amplitud y un espectro de fase. El concepto de
espectro es similar al utilizado en la óptica de la luz, o en la ciencia de los materiales para los
metales, cada uno de ellos indica la distribución de la energía sobre la frecuencia.

La representación de frecuencia de señales y sistemas es extremadamente importante en el

procesamiento de señales y en comunicaciones. Explica el filtrado, la modulación de
mensajes en un sistema de comunicación, el significado del ancho de banda y cómo diseñar
filtros. Del mismo modo, la representación de frecuencia resulta esencial en el muestreo de
señales analógicas, el puente entre el procesamiento de señales analógicas y digitales, entre
otros.

Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 1 de 16
 3.1. Representaciones de Fourier para cuatro clases de señales

Hay cuatro representaciones de Fourier distintas, cada una aplicable a una clase diferente de
señal. Estas cuatro clases se definen por medio de las propiedades de periodicidad de una
señal y dependiendo de si es en tiempo continuo o discreto. Las señales periódicas tienen
representaciones mediante las series de Fourier que pueden aplicarse tanto a señales
continuas (FS) como a señales discretas (DTFS). Las señales no periódicas tienen
representaciones mediante la transformada de Fourier que puede aplicarse tanto a señales
continuas (FT) como a señales discretas (DTFT). La tabla 1 ilustra la relación entre las
propiedades de tiempo de una señal y la representación de Fourier apropiada.

Propiedad de tiempo Periódica No periódica

Serie de Fourier Transformada de Fourier
Continua
(FS) (FT)
Serie de Fourier en tiempo Transformada de Fourier en
Discreta discreto tiempo discreto
(DTFS) (DTFT)
Tabla 1. Relación entre las propiedades de una señal y la representación de Fourier apropiada.

3.2. La Serie de Fourier en tiempo continuo

La serie de Fourier describe una señal periódica 𝑥𝑝 (𝑡) como una suma (combinación lineal),
en la mezcla correcta, de armónicos (o senoides) en la frecuencia fundamental 𝑓0 de 𝑥𝑝 (𝑡) y
sus múltiplos 𝑘𝑓0 . La selección de señales armónicas también trae otras ventajas, permite un
esquema simple, congruente y único para encontrar los coeficientes (la proporción correcta o
factor de ponderación) de cada componente. De hecho, una suma de senoides que describe
una señal periódica se conoce como serie de Fourier sólo si los coeficientes se seleccionan
de acuerdo con este esquema.

3.2.1. Las tres formas de una serie de Fourier en tiempo continuo

Existen tres formas para representar una señal periódica en términos de la serie de Fourier:
la forma trigonométrica, la forma polar y la forma exponencial.

La forma trigonométrica de la serie de Fourier es simplemente una combinación lineal de

senos y cosenos con frecuencias iguales a los múltiplos de su frecuencia fundamental 𝑓𝑜 ó
𝜔0 , donde 𝜔0 = 2𝜋/𝑇 = 2𝜋𝑓0 .
∞

𝑥𝑝 (𝑡) = 𝑎0 + ∑[𝑎𝑘 cos(𝑘𝜔0 𝑡) + 𝑏𝑘 sin(𝑘𝜔0 𝑡)]

𝑘=1

Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 2 de 16
El término constante 𝑎0 toma en cuenta cualquier nivel de DC en 𝑥𝑝 (𝑡), y 𝑎𝑘 y 𝑏𝑘 se conocen
como los coeficientes de la serie trigonométrica de Fourier. Para cada frecuencia armónica
𝑘𝑓0 existe un par de términos (un seno y un coseno).

Para encontrar los coeficientes de la serie de Fourier, basta con examinar sólo un periodo de
𝑥𝑝 (𝑡), puesto que una representación que describa a 𝑥𝑝 (𝑡) sobre un periodo garantiza la
misma representación sobre los demás periodos y, por tanto, para toda la señal. Así que,

1 𝑡+𝑇 2 𝑡+𝑇 2 𝑡+𝑇

𝑎0 = ∫ 𝑥𝑝 (𝑡)𝑑𝑡 𝑎𝑘 = ∫ 𝑥𝑝 (𝑡) cos(𝑘𝜔0 𝑡) 𝑑𝑡 𝑏𝑘 = ∫ 𝑥𝑝 (𝑡) sin(𝑘𝜔0 𝑡) 𝑑𝑡
𝑇 𝑡 𝑇 𝑡 𝑇 𝑡

La forma polar combina cada par seno – coseno con la frecuencia 𝑘𝑓0 es una sola senoide:
∞

𝑥𝑝 (𝑡) = 𝑐0 + ∑ 𝑐𝑘 cos(𝑘𝜔0 𝑡 + 𝜃𝑘 )
𝑘=1

Es este caso, 𝑐0 representa el nivel de DC en 𝑥𝑝 (𝑡) , y 𝑐𝑘 y 𝜃𝑘 reciben el nombre de

coeficientes polares. Así que,

𝑏𝑘
𝑐0 = 𝑎0 𝑐𝑘 ∠𝜃𝑘 = 𝑎𝑘 − 𝑗𝑏𝑘 𝑐𝑘 = √𝑎𝑘2 + 𝑏𝑘2 𝜃𝑘 = − tan−1 ( )
𝑎𝑘

La forma exponencial invoca la relación de Euler para expresar cada par seno – coseno de
frecuencia 𝑘𝑓0 con exponenciales complejas en ±𝑘𝑓0 :
∞

𝑥𝑝 (𝑡) = ∑ 𝑋[𝑘] 𝑒 𝑗𝑘𝜔0 𝑡

𝑘=−∞

En este caso, el índice 𝑘 varía de −∞ a ∞ y 𝑋[𝑘] representa los coeficientes complejos de la

serie de Fourier. Así que,

1 𝑡+𝑇
𝑋[0] = 𝑎0 𝑋[𝑘] = ∫ 𝑥𝑝 (𝑡)𝑒 −𝑗𝑘𝜔0 𝑡 𝑑𝑡 𝑋[−𝑘] = 𝑋 ∗ [𝑘]
𝑇 𝑡

Es posible a partir de los coeficientes 𝑋[𝑘] de la serie de Fourier determinar 𝑥𝑝 (𝑡), por tanto,
se denota la siguiente relación: 𝑥𝑝 (𝑡) ← 𝐹𝑆; 𝜔0 → 𝑋[𝑘].

La relación entre las tres formas de la serie de Fourier y sus coeficientes se representa en la
tabla 2.

Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 3 de 16
 Forma de la 𝑥𝑝 (𝑡) ← 𝐹𝑆; 𝜔0 → 𝑋[𝑘] Relación
FS Ecuación General Coeficientes
1 𝑡+𝑇
𝑎0 = ∫ 𝑥𝑝 (𝑡)𝑑𝑡
∞ 𝑇 𝑡
𝑥𝑝 (𝑡) = 𝑎0 + ∑[𝑎𝑘 cos(𝑘𝜔0 𝑡) 2 𝑡+𝑇
Trigonométrica 𝑎𝑘 = ∫ 𝑥𝑝 (𝑡) cos(2𝜋𝑘𝑓0 𝑡) 𝑑𝑡
𝑘=1 𝑇 𝑡
+ 𝑏𝑘 sin(𝑘𝜔0 𝑡)] 2 𝑡+𝑇
𝑏𝑘 = ∫ 𝑥𝑝 (𝑡) sin(2𝜋𝑘𝑓0 𝑡) 𝑑𝑡
𝑇 𝑡
𝑋[0] = 𝑎0 = 𝑐0
1 𝑡+𝑇
𝑐0 = ∫ 𝑥𝑝 (𝑡)𝑑𝑡 𝑋[𝑘] = 0.5(𝑎𝑘 − 𝑗𝑏𝑘 )
𝑇 𝑡 𝑋[𝑘] = 0.5𝑐𝑘 ∠𝜃𝑘
∞
𝑐𝑘 ∠𝜃𝑘 = 𝑎𝑘 − 𝑗𝑏𝑘 𝑋[𝑘] = 0.5𝑐𝑘 𝑒 𝑗𝜃𝑘
Polar 𝑥𝑝 (𝑡) = 𝑐0 + ∑ 𝑐𝑘 cos(𝑘𝜔0 𝑡 + 𝜃𝑘 ) 𝑎𝑘 = 2Re{𝑐𝑘 }
𝑐𝑘 = √𝑎𝑘2 + 𝑏𝑘2
𝑘=1
𝑏𝑘 = −2Im{𝑐𝑘 }
𝑏𝑘
𝜃𝑘 = − tan−1 ( )
𝑎𝑘
1 𝑡+𝑇
∞
𝑋[0] = ∫ 𝑥𝑝 (𝑡)𝑑𝑡
𝑇 𝑡
Exponencial 𝑥𝑝 (𝑡) = ∑ 𝑋[𝑘] 𝑒 𝑗𝑘𝜔0𝑡 1 𝑡+𝑇
𝑋[𝑘] = ∫ 𝑥𝑝 (𝑡)𝑒 −𝑗𝑘𝜔0 𝑡 𝑑𝑡
𝑘=−∞ 𝑇 𝑡
𝑋[−𝑘] = 𝑋 ∗ [𝑘]
Tabla 2. Relación entre las tres formas de la serie de Fourier en tiempo continuo y sus coeficientes.

3.2.2. Simplificaciones mediante la simetría de la señal

La serie de Fourier de una señal periódica 𝑥𝑝 (𝑡) sin ninguna simetría contiene componentes
impares (senos) y pares (cosenos y el término DC). Si 𝑥𝑝 (𝑡) tiene simetría par, entonces
debe estar formada sólo por términos de simetría par (de DC y cosenos); de aquí que 𝑏𝑘 = 0
y 𝑋[𝑘] sea puramente real con 𝑋[𝑘] = 𝑎𝑘 /2. Por otra parte, si 𝑥𝑝 (𝑡) tiene simetría impar,
entonces sólo debe estar formada por términos de simetría impar (senos); de aquí que 𝑎𝑘 =
𝑎0 = 0 y 𝑋[𝑘] sea puramente imaginario con 𝑋[𝑘] = −𝑗𝑏𝑘 = 2 . Finalmente, si 𝑥𝑝 (𝑡) tiene
simetría de media onda, entonces debe contener únicamente los armónicos que tiene índices
impares, pues estos representan la simetría de media onda. En la tabla 3 se muestran los
efectos de la simetría de la señal sobre los coeficientes de la serie de Fourier.

Simetría de la señal Coeficientes

𝑇
4 2
Simetría par en 𝑥𝑝 (𝑡) 𝑎𝑘 = ∫ 𝑥𝑝 (𝑡) cos(𝑘𝜔0 𝑡) 𝑑𝑡
𝑇 0
𝑏𝑘 = 0 𝑋[𝑘] 𝑒𝑠 𝑟𝑒𝑎𝑙 𝜃𝑘 = 0 ó 𝜋
𝑇
4 2
𝑏𝑘 = ∫ 𝑥𝑝 (𝑡) sin(𝑘𝜔0 𝑡) 𝑑𝑡
Simetría impar en 𝑥𝑝 (𝑡) 𝑇 0
𝜋 𝜋
𝑎0 = 𝑎𝑘 = 0 𝑋[𝑘] 𝑒𝑠 𝑖𝑚𝑎𝑔𝑖𝑛𝑎𝑟𝑖𝑜 𝜃𝑘 = ó−
2 2

Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 4 de 16
 𝑇
4 2
𝑎𝑘 = ∫ 𝑥𝑝 (𝑡) cos(𝑘𝜔0 𝑡) 𝑑𝑡 (𝑘 𝑖𝑚𝑝𝑎𝑟)
Simetría de media onda 𝑇 0
en 𝑥𝑝 (𝑡) 𝑇
4 2
𝑏𝑘 = ∫ 𝑥𝑝 (𝑡) sin(𝑘𝜔0 𝑡) 𝑑𝑡 (𝑘 𝑖𝑚𝑝𝑎𝑟)
𝑇 0
Tabla 3. Efectos de la simetría de la señal sobre los coeficientes de la serie de Fourier en tiempo continuo.

3.2.3. Espectro de señales periódicas

Los términos análisis espectral o análisis armónico se usa a menudo para describir el análisis
de una señal periódica 𝑥𝑝 (𝑡) por medio su serie de Fourier. Las cantidades 𝑎𝑘 , 𝑏𝑘 , 𝑐𝑘 , 𝜃𝑘 o
𝑋[𝑘] describen los coeficientes espectrales de 𝑥𝑝 (𝑡). Estos coeficientes pueden graficarse
como una función del índice armónico 𝑘, o 𝑘𝑓0 (hertz), o 𝑘𝜔0 (rad/seg), como se muestra en
la figura 1; estas gráficas se conocen como espectros o graficas espectrales.

Figura 1. Diferentes maneras de dibujar las gráficas espectrales de una serie de Fourier.
El espectro de magnitud y el espectro de fase describen las gráficas de magnitud y de fase
de cada armónico. Estos espectros se trazan como señales discretas y en ocasiones también
se les conoce como espectros de línea. Ahora, el término espectros unilaterales se refiere a
gráficas de frecuencias positivas ( 𝑘 ≥ 0 ) y el término espectros bilaterales se refiere a
gráficas para toda 𝑘, es decir, todas las frecuencias, positivas y negativas. Un ejemplo de
espectro bilateral puede observarse en la figura 2.

𝜋 𝜋
Figura 2. Espectro de magnitud y fase para la señal 𝑥(𝑡) = 3 cos ቀ 2 𝑡 + 4 ቁ.

Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 5 de 16
 3.3. La serie de Fourier en tiempo discreto

Siguiendo una analogía con la serie de Fourier de tiempo continuo, en la tabla 4 se observa
la representación mediante la serie de Fourier en tiempo discreto para una señal periódica
𝑥𝑝 [𝑛]; definiendo su frecuencia fundamental como 𝑁0 ó Ω0 , donde Ω0 = 2𝜋𝑚/𝑁, para 𝑚 y 𝑁
enteros.

Forma de la 𝑥𝑝 [𝑛] ← 𝐷𝑇𝐹𝑆; Ω0 → 𝑋[𝑘]

DTFS Ecuación General Coeficientes
𝑛+𝑁−1
1
𝑎0 = ∑ 𝑥𝑝 [𝑛]
𝑁
𝑛+𝑁−1 𝑛=𝑛
𝑛+𝑁−1
𝑥𝑝 [𝑛] = 𝑎0 + ∑ [𝑎𝑘 cos(𝑘Ω0 𝑛) 2
Trigonométrica 𝑎𝑘 = ∑ 𝑥𝑝 [𝑛] cos(𝑘Ω0 𝑛)
𝑘=𝑛 𝑁
𝑛=𝑛
+ 𝑏𝑘 sin(𝑘Ω0 𝑛)] 𝑛+𝑁−1
2
𝑏𝑘 = ∑ 𝑥𝑝 [𝑛] sin(𝑘Ω0 𝑛)
𝑁
𝑛=𝑛
𝑛+𝑁−1
1
𝑐0 = ∑ 𝑥𝑝 [𝑛]
𝑁
𝑛+𝑁−1 𝑛=𝑛
𝑐𝑘 ∠𝜃𝑘 = 𝑎𝑘 − 𝑗𝑏𝑘
Polar 𝑥𝑝 [𝑛] = 𝑐0 + ∑ 𝑐𝑘 cos(𝑘Ω0 𝑛 + 𝜃𝑘 )
𝑘=𝑛 𝑐𝑘 = √𝑎𝑘2 + 𝑏𝑘2
𝑏𝑘
𝜃𝑘 = − tan−1 ( )
𝑎𝑘
𝑛+𝑁−1
1
𝑋[0] = ∑ 𝑥𝑝 [𝑛]
𝑛+𝑁−1 𝑁
𝑛=𝑛
𝑛+𝑁−1
Exponencial 𝑥𝑝 [𝑛] = ∑ 𝑋[𝑘] 𝑒 𝑗𝑘Ω0 𝑛 1
𝑘=𝑛 𝑋[𝑘] = ∑ 𝑥𝑝 [𝑛]𝑒 −𝑗𝑘Ω0 𝑛
𝑁
𝑛=𝑛
𝑋[−𝑘] = 𝑋 ∗ [𝑘]
Tabla 4. Representación de las tres formas de la serie de Fourier en tiempo discreto y sus coeficientes.

3.4. La transformada de Fourier en tiempo continuo

Una característica importante de la representación de la serie de Fourier de una señal

periódica es la descripción de dicha señal en términos del contenido de frecuencia dado por
las componentes sinusoidales. Es entonces cuando surge la pregunta de si las señales no
periódicas, también conocidas como señales sin periodo, pueden describirse en términos de
contenidos de frecuencia. La respuesta es sí, y la construcción analítica para hacerlo es la
transformada de Fourier. Las componentes de frecuencia de señales no periódicas están
Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 6 de 16
definidas para todos los valores reales de la variable de frecuencia, y no sólo para los valores
discretos como en el caso de una señal periódica. En otras palabras, el espectro para una
señal no periódica, no es el espectro de línea, es un espectro continuo.

Dada una señal 𝑥(𝑡), la transformada de Fourier 𝑋(𝜔) de 𝑥(𝑡) está definida para que sea la
función de frecuencia:
∞
𝑋(𝜔) = ∫ 𝑥(𝑡)𝑒 −𝑗𝜔𝑡 𝑑𝑡 −∞<𝜔 <∞
−∞

Donde 𝜔 es la variable continua de frecuencia. De este modo, la representación mediante la

transformada inversa de Fourier para una señal de tiempo continuo involucra a una integral
sobre la frecuencia, como se indica mediante:

1 ∞
𝑥(𝑡) = ∫ 𝑋(𝜔)𝑒 𝑗𝜔𝑡 𝑑𝜔
2𝜋 −∞

La transformada 𝑋(𝜔) describe la señal 𝑥(𝑡) como una función de la frecuencia senoidal 𝜔 y
se llama la representación de 𝑥(𝑡) en el dominio de la frecuencia, puesto que convierte la
señal en el dominio del tiempo en su representación en el dominio de la frecuencia. Por
tanto, se puede establecer la relación 𝑥(𝑡) ← 𝐹𝑇 → 𝑋(𝜔).

Es importante mencionar que las integrales que definen la transformada de Fourier, por ser
integrales infinitas, tal vez no converjan para todas las funciones 𝑥(𝑡) y 𝑋(𝜔); y un análisis de
la convergencia está más allá del alcance de esta práctica.

3.5. La transformada de Fourier en tiempo discreto

Como en el caso de la transformada de una señal de tiempo continuo, la DTFT de una señal
de tiempo discreto es una función continua de frecuencias, pero a diferencia del caso de
tiempo continuo, la DTFT siempre es una función periódica con periodo 2𝜋.

Dada una señal de tiempo discreto 𝑥[𝑛], la transformada de Fourier de tiempo discreto DTFT
de 𝑥[𝑛] se define como:
∞

𝑋(Ω) = ∑ 𝑥[𝑛]𝑒 −𝑗Ω𝑛 −𝜋 ≤Ω<π

𝑛=−∞

Donde Ω es la variable discreta de frecuencia. De este modo, la representación mediante la

transformada inversa de Fourier para una señal de tiempo discreto involucra a una integral
sobre la frecuencia, como se indica mediante:

Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 7 de 16
 1 𝜋
𝑥[𝑛] = ∫ 𝑋(Ω)𝑒 𝑗Ω𝑛 𝑑Ω 𝑥[𝑛] ← 𝐷𝑇𝐹𝑇 → 𝑋(Ω)
2𝜋 −𝜋

La transformada 𝑋(Ω) describe la señal 𝑥[𝑛] como una función de la frecuencia discreta Ω y
se llama la representación de 𝑥[𝑛] en el dominio de la frecuencia, puesto que convierte la
señal en el dominio del tiempo en su representación en el dominio de la frecuencia. Por
tanto, se puede establecer la relación 𝑥[𝑛] ← 𝐷𝑇𝐹𝑇 → 𝑋(Ω).

Es importante mencionar que la sumatoria que definen la transformada de Fourier de tiempo

discreto, por ser infinita, tal vez no converja para todas las funciones 𝑥[𝑛]; sin embargo, un
análisis de la convergencia está más allá del alcance de esta práctica.

Finalmente, en la tabla 5 se muestra un resumen de las cuatro representaciones de Fourier.

Dominio
Periódica No periódica
de tiempo
Serie de Fourier en tiempo Transformada de Fourier en
continuo tiempo continuo
∞
1 ∞
𝑥(𝑡) = ∑ 𝑋[𝑘] 𝑒 𝑗𝑘𝜔0 𝑡 𝑥(𝑡) = ∫ 𝑋(𝜔)𝑒 𝑗𝜔𝑡 𝑑𝜔
2𝜋 −∞
𝑘=−∞ ∞ No
Continua 1 𝑡+𝑇 −𝑗𝜔𝑡
𝑋(𝜔) = ∫ 𝑥(𝑡)𝑒 𝑑𝑡 periódica
𝑋[𝑘] = ∫ 𝑥(𝑡)𝑒 −𝑗𝑘𝜔0 𝑡 𝑑𝑡
𝑇 𝑡 −∞
𝑥(𝑡) 𝑡𝑖𝑒𝑛𝑒 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑇
2𝜋
𝜔0 =
𝑇
Serie de Fourier en tiempo
discreto Transformada de Fourier en
𝑛+𝑁−1
tiempo discreto
𝑥[𝑛] = ∑ 𝑋[𝑘] 𝑒 𝑗𝑘Ω0 𝑛 1 𝜋
𝑘=𝑛 𝑥[𝑛] = ∫ 𝑋(Ω)𝑒 𝑗Ω𝑛 𝑑Ω
Discreta 𝑛+𝑁−1 2𝜋 −𝜋 Periódica
1 ∞
𝑋[𝑘] = ∑ 𝑥𝑝 [𝑛]𝑒 −𝑗𝑘Ω0 𝑛
𝑁 𝑋(Ω) = ∑ 𝑥[𝑛]𝑒 −𝑗Ω𝑛
𝑛=𝑛
𝑥[𝑛] 𝑦 𝑋[𝑘] 𝑡𝑖𝑒𝑛𝑒𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑁 𝑛=−∞
2𝜋 𝑋(Ω) 𝑡𝑖𝑒𝑛𝑒 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 2𝜋
Ω0 =
𝑁
Dominio
Discreta Continua de la
frecuencia
Tabla 5. Las cuatro representaciones de Fourier.

Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 8 de 16
4. TRABAJO PREVIO

Resuelva de forma teórica los siguientes ejercicios:

a. La señal mostrada en la figura es creada cuando una onda de voltaje o de corriente en

forma de coseno es rectificada por un solo diodo, un proceso conocido como rectificación
de media onda. Deduzca la serie de Fourier para la señal rectificada de media onda y
calcule la energía del armónico principal, de los primeros cuatro armónicos y del resto de
los armónicos.

b. La señal en la figura se crea cuando una onda de voltaje o de corriente en seno es

rectificada por un circuito con dos diodos, un proceso conocido como rectificación de onda
completa. Determine la expansión en serie de Fourier para la señal rectificada de onda
completa y calcule la energía del armónico principal, de los primeros cuatro armónicos y
del resto de los armónicos.

c. Halle las series de Fourier exponencial y trigonométrica para los trenes de impulsos
mostrados en la figura y calcule la energía del armónico principal, de los primeros cuatro
armónicos y del resto de los armónicos.

Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 9 de 16
5. ACTIVIDAD

Serie y Transformada de Fourier en tiempo continuo y discreto

Sintaxis
• fft(X,n)
• ifft(Y,n)
• fftshift(Y)
• fseries(x,T,k)
• fftplot (X,TS)

Descripción
Es posible realizar el análisis de Fourier (serie y transformada) aplicando las ecuaciones
que modelan cada una de las representaciones; sin embargo, MATLAB® y la caja de
herramientas “ADSP” tienen funciones que realizan de forma automática estos cálculos y
permiten encontrar con una buena aproximación la representación en frecuencia de
cualquier señal (periódica o no periódica) tanto en tiempo continuo como discreto.

fft calcula la transformada discreta de Fourier de la señal X usando el algoritmo de

transformada rápida de Fourier (es análisis de este algoritmo no es objeto de estudio de
esta práctica). El parámetro n es opcional e indica la resolución espectral de la DTFT y si
no se especifica el resultado de fft será un vector del mismo tamaño de X; por otra parte,
si la longitud de X es menor que N, X se rellena con ceros a la longitud N y si la longitud de
X es mayor que N, X se trunca a longitud N.

ifft calcula la inversa de transformada discreta de Fourier y su uso es similar al descrito

para fft.

fftshift reordena el vector Y en orden creciente de frecuencia, donde Y es la señal en

frecuencia obtenida al aplicar fft. Este proceso es necesario debido a un fenómeno de
plegamiento del espectro, donde sólo la primera mitad de los puntos obtenidos del análisis
de Fourier son de utilidad.

fseries calcula los coeficientes de la serie de Fourier, donde x es una señal periódica
definida numéricamente o como un string, T es el ancho de un periodo y k es un arreglo de
armónicas para reconstrucciones intermedias, su valor predeterminado es 𝑘 = [1 3 5 32].
La matriz resultante de fseries es una matriz de 32𝑥7 cuyas siete columnas son:

[Armónica 𝑘, 𝑎𝑘 , 𝑏𝑘 , 𝑐𝑘 , 𝜃𝑘 , potencia armónica, potencia acumulada]

fftplot grafica y obtiene los valores de los espectros de magnitud y fase de la señal X,

Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 10 de 16
TS es el intervalo de muestreo y por defecto es 1. El resultado de fftplot es una matriz
que retorna los coeficientes de Fourier, Z y sus frecuencias, f. La sintaxis correcta sería:
[Z,f] = fftplot(X,TS)

Nota 1: Las funciones fft, ifft y fftshift son propias de MATLAB®, mientras que
fseries y fftplot son funciones de la caja de herramientas “ADSP”.

Nota 2: La transformada rápida de Fourier FFT es un algoritmo que reduce el tiempo de

cálculo de 𝑛2 pasos a 𝑛 log 2 (𝑛). El único requisito es que el número de puntos en la serie
tiene que ser una potencia de 2 (2𝑛 puntos), por ejemplo 32, 1024, 4096, etc.
Ejemplo 1: Cálculo de la serie de Fourier en tiempo continuo
𝜋
Represente el espectro de magnitud y fase de la señal: 𝑥(𝑡) = 3 cos ቀ30𝜋𝑡 + 4 ቁ.
Comandos
%% Serie de Fourier en tiempo continuo
ts = 0.005; %Intervalo de muestreo
w0 = 30*pi; %Frecuencia fundamental rad/seg
f0 = w0/(2*pi); %Frecuencia fundamental Hz
NT = 315; %Número de periodos a analizar
t = 0:ts:NT*(1/f0)-ts; %Variable de tiempo definida para 300 periodos
xt = 3*cos(w0*t+(pi/4)); %Generación de señal
NM = length(xt); %Longitud de la señal x(t) = Número de Muestras
y = fftshift(fft(xt)); %Calculo de la serie de Fourier
y(abs(y)<max(abs(y))/NM) = 0; %Eliminación de ruido
EspMag = abs(y/NM); %Espectro de magnitud
%EspPha = angle(y/NM); %Espectro de fase en rad
EspPha = angle(y/NM)*180/pi; %Espectro de fase en grados
f = (-NM/2:NM/2-1)*(1/(NM*ts)); %Rango de frecuencia
subplot(2,1,1),plot(f,EspMag),grid on
xlabel('Frecuencia (Hz)'),ylabel('Amplitud'),title('Espectro de Magnitud de
x(t)=3*Cos(30*pi*t+pi/4)')
subplot(2,1,2),plot(f, EspPha),grid on
xlabel('Frecuencia (Hz)'),ylabel('Fase (Grados)'),title('Espectro de Fase de
x(t)=3*Cos(30*pi*t+pi/4)')

Nota: Es importante resaltar, que la variable de tiempo se define de tal forma que permita lograr obtener un
número de muestras de la señal suficiente para realizar cálculos correctos de la fft; esto, debido al
algoritmo que implementa, pues está basado en la DTFT, y, por tanto, habrá una relación entre el número de
muestras y el espectro resultante. A mayor número de muestras, el espectro resultante será más preciso; sin
embargo, este número de muestras tendrá que representarse en el número de periodos que se desea
analizar de la señal y no en el intervalo de muestreo, recordando que el número de muestras resultantes
debe ser una potencia de 2 (recomendado 𝑁𝑀 ≥ 210 , para resultados óptimos 𝑁𝑀 = 212 ).

Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 11 de 16
 Gráfica

Ejemplo 2: Cálculo de la serie de Fourier en tiempo discreto

𝜋 𝜋
Represente el espectro de magnitud y fase de la señal: 𝑥[𝑛] = cos ቀ 8 𝑛 + 4 ቁ.
Comandos
%% Serie de Fourier en tiempo discreto
NM = 2^12; %Número de muestras
n = 0:NM-1; %Variable de tiempo
xn = cos((pi/8)*n+(pi/4)); %Generación de señal
yn = fftshift(fft(xn)); %Calculo de la serie de Fourier
yn(abs(yn)<max(abs(yn))/NM) = 0; %Eliminación de ruido
EspMag = abs(yn/NM); %Espectro de magnitud
%EspPha = angle(yn/NM); %Espectro de fase en rad
EspPha = angle(yn/NM)*180/pi; %Espectro de fase en grados
f = (-NM/2:NM/2-1)*(1/NM); %Rango de frecuencia
subplot(2,1,1),stem(f,EspMag),grid on
xlabel('Frecuencia (Hz)'),ylabel('Amplitud'),title('Espectro de Magnitud de
x[n]=Cos(0.125*pi*n+pi/4)')
subplot(2,1,2),stem(f, EspPha),grid on
xlabel('Frecuencia (Hz)'),ylabel('Fase (Grados)'),title('Espectro de Fase de
x[n]=Cos(0.125*pi*n+pi/4)')

Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 12 de 16
 Gráfica

Ejemplo 3: Cálculo de la transformada de Fourier en tiempo continuo

Represente el espectro de magnitud y fase de la señal: 𝑥(𝑡) = 3𝑒 −2𝑡 𝑢(𝑡).
Comandos
%% Transformada de Fourier en tiempo continuo
ts = 0.005; %Intervalo de muestreo
t = 0:ts:315/15-ts; %Variable de tiempo definida para 300 periodos
xt = exp(-2.*t).*ustep(t); %Generación de señal
NM = length(xt); %Longitud de la señal x(t) = Número de Muestras
y = fftshift(fft(xt)); %Calculo de la serie de Fourier
y(abs(y)<max(abs(y))/NM) = 0; %Eliminación de ruido
EspMag = abs(y/NM); %Espectro de magnitud
%EspPha = angle(y/NM); %Espectro de fase en rad
EspPha = angle(y/NM)*180/pi; %Espectro de fase en grados
f = (-NM/2:NM/2-1)*(1/(NM*ts)); %Rango de frecuencia
subplot(2,1,1),plot(f,EspMag),grid on
xlabel('Frecuencia (Hz)'),ylabel('Amplitud'),title('Espectro de Magnitud de
x(t)=e^{-2t}u(t)')
subplot(2,1,2),plot(f, EspPha),grid on
xlabel('Frecuencia (Hz)'),ylabel('Fase (Grados)'),title('Espectro de Fase de
x(t)=e^{-2t}u(t)')

Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 13 de 16
 Gráfica

Ejemplo 4: Cálculo de la transformada de Fourier en tiempo discreto

Represente el espectro de magnitud y fase de la señal: 𝑥[𝑛] = (0.5)𝑛 𝑢[𝑛].
Comandos
%% Transformada de Fourier en tiempo discreto
NM = 2^12; %Número de muestras
n = 0:NM-1; %Variable de tiempo
xn = ((0.5).^n).*ustep(n); %Generación de señal
yn = fftshift(fft(xn)); %Calculo de la serie de Fourier
yn(abs(yn)<max(abs(yn))/NM) = 0; %Eliminación de ruido
EspMag = abs(yn); %Espectro de magnitud
%EspPha = angle(yn/NM); %Espectro de fase en rad
EspPha = angle(yn/NM)*180/pi; %Espectro de fase en grados
f = (-NM/2:NM/2-1)*(1/NM); %Rango de frecuencia
subplot(2,1,1),plot(f,EspMag),grid on
xlabel('Frecuencia (Hz)'),ylabel('Amplitud'),title('Espectro de Magnitud de
x[n]={(0.5)^n}u[n]')
subplot(2,1,2),plot(f, EspPha),grid on
xlabel('Frecuencia (Hz)'),ylabel('Fase (Grados)'),title('Espectro de Fase de
x[n]={(0.5)^n}u[n]')

Nota: Es importante resaltar que el espectro de magnitud no se divide entre el número de muestras NM, pues
al tratarse de una señal no periódica esta normalización ya no es necesaria.

Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 14 de 16
 Gráfica

6. EVALUACIÓN

a. Verificar el funcionamiento de las funciones fftseries y fftplot de la “ADSP

Toolbox” y concluir al respecto.
b. Crear una función para cada una de las representaciones de Fourier que permita
graficar los espectros de magnitud y fase en función de la frecuencia para cualquier
señal. Además, debe graficar la versión reconstruida de la señal a partir de su
representación de Fourier.
c. Crear una función que calcule los coeficientes de las representaciones de Fourier para
cualquier señal.

NOTA: Se deberá entregar un informe en formato pdf de los resultados en forma individual a
la siguiente semana de terminado la sesión de la práctica.

7. BIBLIOGRAFÍA

Ambardar, A. (2002). Procesamiento de Señales Analógica y Digitales (2da ed.). México.

Barchiesi, J. V. (2008). Procesamiento Digital de Señales. Retrieved from
http://www.euv.cl/archivos_pdf/senales.pdf
Haykin, S., & Van Veen, B. (2001). Señales y Sistemas (1ra ed.).
Kamen, E. W., & Heck, B. S. (2008). Fundamentos de Señales y Sistemas Usando la Web y

Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 15 de 16
 MATLAB (3ra ed.). México.
Morón, J. (2011). Señales y Sistemas (1ra ed.). Venezuela: Fondo Editorial Biblioteca
Universidad Rafael Urdaneta.
Oppenheim, A. V., & Willsky, A. S. (1998). Señales y Sistemas (2da ed.).
The MathWorks Inc. (2017). MathWorks - Makers of MATLAB and Simulink. Retrieved April
10, 2017, from https://www.mathworks.com/

Teoría de Señales y Sistemas – Lab06, Análisis De Fourier En Tiempo Continuo Y Discreto En MATLAB®
(@Autor Ángelo Joseph Soto Vergel)

Página 16 de 16