TECNICAS EXPERIMENTALES

“ANALISIS DE SEÑALES”
Roberto Bernal, Francisco Melo

Conceptos previos La amplitud de la componente n-esima, se escribe,

Continuidad
Una función f(t) es continua si para cada valor de t dicha función Yn = a n cos(2πnf 0t ) + bn sin(2πnf 0 t )
existe o contiene un número finito de discontinuidades en el
intervalo [a, b]. Yn = a n cos(2πnf 0t ) + bn cos(2πnf 0t − π 2)
Periodicidad Yn = a n2 + bn2
Una función periódica es aquella que se repite a sí misma cada
cierto tiempo T.
y su representación geométrica es,
Paridad
Una función f(t) es par si cumple con,

f (t ) = f (− t )
Y se dice que es impar sí,

f (t ) = − f (− t )
donde: φ n = 2πnf 0 t , con
Sean dos funciones f(t) y g(t) periódicas, la integral
eiφn + e − iφn eiφn − e −iφn
T
Yn = an − ibn
∫ f (t )⋅ g (t )dt 2 2
0 a − ibn iφn an + ibn −iφn
Yn = n e + e
Es nula si el producto f(t)⋅g(t) es impar, y distinta de cero sí es par, 2 2
en el intervalo de integración T.
Si hacemos el cambio de nà-n, se obtiene

Serie de Fourier cos(2πnf 0t ) → cos(2πnf 0t )

sin (2πnf 0 t ) → − sin(2πnf 0 t )
Sea f(t) una función periódica de periodo T0, con f0=1/T0, como
la frecuencia fundamental.
La función f(t) puede ser descompuesta en una suma de a n → a −n = a n
funciones linealmente independientes,
bn → b− n = −bn
∞
f (t ) = a 0 + ∑ {a n cos(2πnf 0 t ) + bn sin(2πnf 0 t )} φ n → φ −n = −φ n
n =1 a − ib−n iφ− n a−n + ib−n −iφ− n
Y−n = −n e + e
donde, 2 2
T0 2
a + ibn −iφn an − ibn iφn
∫ f (t )dt
1 Y−n = n e +
a0 = e
T0 2 2
−T0 2

es el valor promedio de f(t), y

Finalmente Y− n = Yn

T0 2 Observación 1: Para n=0;

∫ f (t )cos(2πnf t )dt ,
2
an =
T0 −T0 2
0
φ n =0 = 0
bn =0 = 0
T0 2

∫ f (t )sin(2πnf t )dt
2 T0 2
bn =
∫ f (t )dt
2
T0
0 a n=0 =
−T0 2 T0 −T0 2
Universidad de Santiago, Departamento de Física Técnicas Experimentales I -Ingeniería Física-

a0 a0 Se obtiene la transformada de Fourier de la función f(t), tal que:

Yn=0 = Y− n=0 = + = a0
2 2 ∞
con lo anterior, f (t ) = ∫ F ( f )e
i 2πft
df
−∞
∞
f (t ) = Y0 + ∑ Yn Estas dos últimas funciones forman la dupla de Fourier.
n =1
∞
 a − ibn i 2πnf 0t an + ibn −i 2πnf 0t  Observación 2:
f (t ) = Y0 + ∑  n e + e  ∞
F (ω ) = ∫ f (t )e
1
n =1   ∗ iωt
2 2 dω
2π −∞

F ∗ (ω ) = F (− ω )
definiendo,
a − ibn
Cn = n
2 F (ω ) = F (ω ) ⋅ F ∗ (ω )
y reemplazando en f(t), F (ω ) = F ∗ (ω )

{ }
∞
f (t ) = Y0 + ∑ Cn ei 2πnf0t + Cn∗e −i 2πnf0t
El modulo de F(ω) es simétrica respecto de cero.
n =1
∞ −∞
f (t ) = Y0 + ∑ Cn e
Ejemplos útiles mínimos a conocer
i 2πnf 0t
+ ∑ Cn ei 2πnf 0t
n =1 n = −1 Ejemplo N°1: Pulso de ancho a y altura 1/a.
∞
f (t ) = ∑C e i 2πnf 0t
1 a t <a 2
f (t ) = 
n
n = −∞
0 t >a 2
en donde hemos usado,
Cn∗ = C−n
La última expresión de f(t) corresponde a la representación
compleja de la serie de Fourier en términos de exponenciales
complejas.

Transformada de Fourier
Una función no periódica se puede considerar como periódica si
T0→∞, f0→0, entonces las frecuencias involucradas forman un
conjunto dado por f→nf0, donde la separación entre dos
frecuencias contiguas es,

∆f = (n + 1) f 0 − nf 0 = f 0 =
1 La transformada de Fourier de la función f(t) es,
T0
sin(aω 2)
F (ω ) =
En este caso, aproximamos la suma de Fourier por una integral aω 2
cuya densidad de términos es df/f0.

∞ ∞
f (t ) =
df
∑C e
n = −∞
n
i 2πnf 0t
= ∫ f
Cn ei 2πft
−∞ 0
∞
∞  i 2πft
f (t ) = ∫−∞ −∫∞ f (t )e dt e
df −i 2πft

 
Definiendo:
∞
F( f ) = ∫ f (t )e
−i 2πft
dt
−∞

2
Universidad de Santiago, Departamento de Física Técnicas Experimentales I -Ingeniería Física-

Se puede observar que para a muy pequeños la distribución en angosto, es decir infinita precisión en frecuencia, necesitamos
frecuencia se hace más elongada, por lo que para a→0, la funtión tomar el limite N→∞.
f(t)→δ(t) y el espectro de Fourier tiende a una constante.
Nota: Chequee el limite de una delta de Dirac centrada en ω0
Nota: Chequee este limite directamente de la definición de la delta cuando N→∞.
de Dirac.
Ejemplo N°3: N pulsos de Dirac.
Ejemplo 2: Considera la siguiente función.
N −1

sin(ω 0 t ) 0 < t < 2πN ω 0 p (t ) = ∑ δ (t − nT )

f (t ) =  n=0
 0 t < 0, t > 2πN ω 0

sin(N ωT 2) −iω
N −1
P(ω ) =
T
2
e
sin(ωT 2)
En este caso la función es una onda sinusoidal con una frecuencia
de oscilación ω0, pero al ser un tren de onda su espectro de Fourier
tendrá cierta distribución centrada en la frecuencia de oscilación
propia.
  2πN 
 sin (ω 0 − ω ) i (ω −ω )πN
 ω
− i  0  e 0 ω0 +
 ω0 − ω

F (ω ) = 
 2πN  
sin (ω 0 − ω ) −i (ω −ω )πN 
ω  e 0 ω0 
−  0 
ω0 + ω 


Se puede observar que para N=1, |P(ω)| corresponde a la
transformada de Fourier de una delta de Dirac, cada vez que se
consideran más pulsos en la transformada se estrechan los
máximos haciendo que la distribución tienda a un peine de Dirac
en el espacio de frecuencias.

Nota: Chequee este resultado.

Ejemplo N°4: Peine de Gaussianas

e −(t −an ) σ2
2
N −1
δ σ (t ) = ∑
n =0 πσ 2
e −(t −an )
∞ N −1 2
σ2

A medida que consideremos más longitudes de onda en él calculo

Gσ (ω ) = ∫∑ e −iωt dt
de F(ω) más angosta será la distribución en torno a ω0, donde el −∞ n =0 πσ 2

ancho del máximo es 2ω0/πN. Aquí se hace evidente el principio

de incertidumbre ya que si deseamos obtener un pic infinitamente Completando el cuadrado del binomio en la exponencial, y
realizando algunos cambios de variables, finalmente se obtiene:

3
Universidad de Santiago, Departamento de Física Técnicas Experimentales I -Ingeniería Física-

sin(N ωa 2) −iω
σ 2ω 2 N −1 Con esto podemos interpretar la mayoría de los resultados de la
−
Gσ (ω ) = e
a
4
e 2 sección anterior, en los cuales la transformada de Fourier de una
sin(ωa 2) función periódica aparecía como el producto de la transformada de
Fourier de dos funciones: una función local y un peine de Dirac
representando la secuencia de repetición.
Esta propiedad se aplica también a la difracción de una red de
orificios, o en la distribución espectral de un cristal, en ambos
casos existe un elemento local que se repite periódicamente en el
espacio o en el tiempo. La periodicidad aparecerá en la escala más
pequeña en el espacio transformado, mientras que la escala de
variación del elemento que se repite lo hará en la escala más
grande. Entonces, en estos casos, la transformada de Fourier
permite analizar el comportamiento de propiedades físicas que
varían a dos escalas claramente separadas.

Modulación en amplitud
Consideremos una función compuesta por la suma de dos señales
cosenoidales de igual amplitud.

La envolvente de |Gσ(ω)| es la transformada de Fourier de una f (t ) = A cos(ω 1t + ϕ 1 ) + A cos(ω 2 t + ϕ 2 )

gaussiana, la cual ha sido modulada por la transformada de N
pulsos infinitamente angostos. Si el ancho del pulso tiende a cero,
es decir sí σ→0, y N→∞, el peine de Gaussianas se convierte en En donde las frecuencias angulares ω1 y ω2 son muy cercanas.
un Peine de Dirac. Usando la identidad trigonométrica.
α + β  α − β 
Teorema de Convolución cos α + cos β = 2 A cos  ⋅ cos 
Sea h(t) el producto de convolución de las funciones f(t) y g(t),  2   2 
definido por, nos queda,
∞
h (t ) = ∫ f (t − τ )g (τ )dτ = f o g f (t ) = 2 A cos(ω t + ϕ ) ⋅ cos(ω mt + ϕ m )
−∞
con,
entonces su transformada de Fourier se expresa como un producto ω 2 + ω1 ω 2 − ω1
simple de las transformadas de Fourier individuales. ω = ωm =
2 2
H (ω ) = F (ω ) ⋅ G (ω ) ϕ =
ϕ 2 + ϕ1
ϕm =
ϕ 2 − ϕ1
2 2
Ejemplo N°6: Función f(t) de pulsos que se generan entre ±∞, por
una convolución de un peine de Dirac p(t) y una función local Las dos primeras cantidades son la frecuencia angular promedio,
acotada ρ0(t), la cual puede ser simplemente, y la frecuencia de modulación respectivamente, se puede
considerar a f(t) como una función periódica con frecuencia
1 b t < b 2 angular ω , con una amplitud modulada en el tiempo.
ρ 0 (t ) =  , función local de t. Este tipo de modulación tambien se conoce con el nombre de
 0 t >b 2 respiración.
∞
p (t ) = ∑ δ (t − nb) , peine de Dirac.
n = −∞

Explícitamente f(t) se escribe.

f (t ) = ρ 0 (t ) o p (t )
∞ ∞
f (t ) = ∫ ρ 0 (t − τ ) ∑ δ (τ − nb)dτ
−∞ n = −∞

∞ ∞
f (t ) = ∑ ∫ ρ (t − τ ) ⋅ δ (τ − nb)dτ
0
n = −∞ − ∞
∞
f (t ) = ∑ ρ (t − na ) 0
n = −∞

4
Universidad de Santiago, Departamento de Física
Ejercicios complementarios
Calcule la transformada de Fourier de las siguientes funciones.
1- Pulsos Cuadrados
2- Onda triangular
3- Pulsos de igual separación y distinta amplitud
4- Pulsos con distinta separación e igual amplitud
Adquisición de señales
La tecnología actual no permite registrar una señal (eléctrica,
sonora, luminosa, etc.) por un período de tiempo infinito, ni
tampoco en forma continua, por lo que se ha hecho indispensable
la fabricación de componentes capaces de registrar la información
lo más fielmente posible. Estos componentes reciben el nombre
de convertidores análogo-digitales (A/D) que constituyen la base
de las tarjetas de adquisición que usaremos en este curso.
5
Técnicas Experimentales I -Ingeniería Física-
Los convertidores A/D toman un número determinado de puntos
de una señal a un intervalo de tiempo adecuado según la
aplicación.
Evidentemente la fidelidad de la señal registrada depende del
número de puntos N, y de la frecuencia de muestreo fm=1/Tm. A
continuación veremos los criterios de selección de precisión en la
frecuencia y resolución en amplitud comúnmente utilizados.
Fast Fourier Transform (FFT)
La FFT es un algoritmo que transforma los datos del dominio
temporal al dominio de las frecuencias. A causa de las
limitaciones tanto de la adquisición como del algoritmo que calcula
la transformada de Fourier, no se obtendrá exactamente la
distribución espectral de frecuencias de la señal. El resultado final
dependerá esencialmente del número de datos adquiridos, del
tiempo de muestreo y de la resolución del convertidor utilizado; los
convertidores A/D se encuentran comúnmente con resoluciones de
8, 12, 16 o más bits, es decir, precisiones de 1/256, 1/4096,
1/65536 respectivamente.
El tiempo total de la adquisición de la señal es simplemente el
número de muestras por el tiempo de muestreo, es decir, NTm,
donde N debe ser una potencia de 2 ya que para este número de
datos el algoritmo es más eficiente.
La resolución en frecuencia esta limitada por el número de
puntos adquiridos y la frecuencia de muestreo. Es así como la
frecuencia máxima observable es,
N 1 1
f max = = f max
2 NTm 2
donde el factor N/2 en lugar de N se debe a que el resto de las
frecuencias que se encuentran en el eje negativo de frecuencias que
contienen información redundante. En efecto, a causa de las
propiedades de simetría del modulo de la transformada de Fourier,
es conveniente calcular solamente la transformada de las
frecuencias positivas, ya que,
F ( f ) = F (− f )
2 2
Para la reconstrucción de la señal, o sea la transformada inversa
de Fourier, se necesita además la fase de cada componente de
frecuencia, y teniendo en cuenta que la fase de las frecuencias
negativas es,
Universidad de Santiago, Departamento de Física Técnicas Experimentales I -Ingeniería Física-

ϕ ( f ) = −ϕ (− f )
Por otra parte, la resolución del espectro depende solamente del
tiempo total de muestreo de la señal, ya que la separación entre dos
frecuencias contiguas es simplemente,

1
∆f =
NTm

Se observa claramente que la señal registrada no corresponde a la

señal bajo estudio; el registro representa más bien una señal que no
varia en el tiempo ó que varia muy lentamente, produciendo el
efecto de aparición de frecuencias fantasmas o de Aliasing. En
general las señales fantasmas aparecen a frecuencias fin-fs, donde
fin es la frecuencia de interés real que contiene la señal, y fs es la
frecuencia de muestreo.

Tal como mencionamos anteriormente, la resolución en amplitud

de la señal depende de la calidad del convertidor A/D. En el
lenguaje técnico esta característica se denomina rango dinámico y
se mide en decibeles, por ejemplo, para resolver 70dB se requiere
por lo menos de 12bits.
Observación 3:
1dB = 10 ⋅ log(P1 P2 ) = 20 ⋅ log (V1 V 2 )
A modo de ilustración se presenta la siguiente tabla.

dB V1/V2
+40 100
+20 10
+6 2
0 1 El problema del aliasing se puede solucionar de dos maneras, la
-6 ½ primera es usando un criterio para la frecuencia de muestreo, la
-20 1/10 cual debe ser por lo menos2 veces la frecuencia máxima que
-40 1/100 contiene la señal que debemos analizar. Con esto la frecuencia de
aliasing aparece fuera de la región de nuestro interés; fal>fmax,.
De este modo, por ejemplo, para 60dB en rango dinámico se Está solución aunque simple, en la practica se asevera poco útil ya
requiere por lo menos resolver una parte en mil, es decir, a lo que es muy difícil asegurar que nuestra señal no contenga ruido u
menos 10bits en resolución (210=1024). otras señales indeseables a frecuencias cercanas a la de muestreo.
Notemos finalmente que en una escala logarítmica, como los dB La segunda solución nos asegura, mediante la colocación de un
resaltan pequeñas componentes en frecuencia de la señal que en filtro anti-aliasing que actúa según ilustra la figura, que no exista
una escala lineal no serian observables. ninguna componente de la señal más allá de la frecuencia de
interés.
Aliasing
Al registrar una señal debemos asegurarnos que la frecuencia de
muestreo del analizador sea mayor que la frecuencia del fenómeno
físico que vamos a estudiar, de lo contrario, los datos no
representaran al fenómeno acarreando serias confusiones en el
análisis posterior. Para ilustrar este problema, supongamos que
estamos leyendo una señal que varia con una frecuencia cercana a
1Hz con un convertidor que adquiere un dato a razón de 1 por
segundo. Está situación se ilustra en la siguiente figura.

6
Universidad de Santiago, Departamento de Física Técnicas Experimentales I -Ingeniería Física-

Observación 4:
Los filtros anti-aliasing están disponibles en el mercado con
características muy variadas dependiendo de la aplicación, consulte
con su profesor para la definición de un criterio en su caso.
Windowing
Otro problema muy recurrente en análisis de señales aparece
cuando la señal no es periódica en la ventana de muestreo. En
efecto, el procedimiento habitual de calculo de la FFT es el tomar
la ventana y repetirla indefinidamente en el tiempo. Así, si la
señal es periódica en el intervalo de muestreo la repetición no
introduce nueva información. En caso contrario, sin embargo, este
procedimiento da origen a discontinuidades en la señal en los
bordes del intervalo de muestreo. Naturalmente, estas
discontinuidades van a modificar el espectro de Fourier por lo que
se hace necesaria la aplicación de alguna herramienta para eliminar
este problema.
Observación 5:
Evidentemente, la elección más adecuada dependerá de la
aplicación especifica; ciertas ventanas dan mejor resolución en
frecuencia y otras mejor resolución en amplitud. Consulte a su
profesor.
Análisis de señales
Una vez asimilado los conceptos previos de análisis de funciones
periódicas, y tomado en cuenta las ventajas y limitaciones de la
adquisición de una señal, debemos proceder a su análisis, por lo
que ahora nos centraremos en establecer un lenguaje común para
describir ciertas operaciones.
Relaciones lineales

donde:
x(t ) = Señal de entrada en el dominio temporal
y (t ) = Señal de salida en el dominio temporal
h(t ) = Respuesta impulsiva del sistema
S x ( f ) = Espectro lineal de Fourier de x(t )
S y ( f ) = Espectro lineal de Fourier de y (t )
H( f ) = Función de transferencia del sistema (respuesta en
frecuencia)

Relaciones cuadráticas

donde:
Rxx (τ ) = Auto correlación de la entrada x(t )
R yy (τ ) = Auto correlación de la salida y (t )
La aplicación del método de ventaneo (windowing) permite
obviar en parte está dificultad ya que multiplica la señal en el R yx (τ ) = Correlación cruzada de x(t ) e y (t )
intervalo de muestreo por una función tal que se anula en los
bordes de este, imponiendo de este modo la continuidad de la G xx ( f ) = Potencia espectral de x(t )
G yy ( f ) = Potencia espectral de y (t )
señal.
Evidentemente la señal así obtenida a la que hemos de aplicarle
la FFT no es idéntica a la señal de entrada, pero su distribución en
frecuencias es mucho más parecida a la distribución de la señal con
G yx ( f ) = Potencia espectral cruzada de x(t ) e y (t )
discontinuidades. Otras relaciones
El espectro final de la señal también depende de la ventana que G yx ( f ) S y ( f ) S x∗ ( f )
hemos escogido, sin embargo la posición de los máximos H( f ) = =
principales de intensidad son los mismos. G xx ( f ) S x ( f ) S x∗ ( f )
Las ventanas más usadas son la Hanning, Uniform,Flat top, entre
otras.

7
Universidad de Santiago, Departamento de Física Técnicas Experimentales I -Ingeniería Física-

usada para mejorar la razón entre señal-ruido de señales periódicas.

G yx ( f )
2
Las componentes de ruido aleatorio se concentran cerca de τ=0.
γ 2
(f )=
Gxx ( f )G yy ( f )

Mediciones en el dominio temporal

1. Promedio temporal: El registro promedio es una

representación lineal de una señal en el dominio del tiempo. Solo
para señales periódicas se necesita un registro para describir la
señal. Sin embargo, si la señal contiene ruido o señales no
relacionadas, se puede limpiar la señal a través del promedio en el
tiempo. Es necesaria la sincronización del sistema de adquisición
y la señal de interés. Esto puede realizarse por medio de una señal
externa o por una señal interna. La sincronización de la señal
mediante el trigger hará que el valor medio del ruido y de las
señales no sincrónicas tienda a cero. Por está razón el registro
promedio es frecuentemente llamado promedio temporal
sincrónico. El registro promedio es usado para extraer una señal La primera señal muestra ruido aleatorio más una función
del ruido con aproximadamente un mismo contenido en frecuencia. sinusoidal no apreciable, la auto correlación del ruido se encuentra
en el peak a τ=0. La auto correlación de la sinusoide es
claramente visible y tiene la misma periodicidad si no tuviera
ruido.

3. Correlación cruzada: La correlación cruzada es una medida de

la similitud de dos señales.

R yx (τ ) = lim y (t ) ⋅ x(t + τ )dt

1
T →∞ T ∫
T

En este calculo, usamos de la misma manera que en la auto

correlación, la relación entre las funciones,

R yx (τ ) ↔ G yx ( f )
[
Rxx (τ ) = F −1 S y ( f )S x∗ ( f )]
Aquí se muestran dos señales, la primera es una señal sinusoidal
con ruido (aleatorio), y la segunda es el registro promedio de la La correlación cruzada indica la similitud entre dos señales como
señal (N=100). función de un tiempo τ. La aplicación más común de la
correlación cruzada es el tiempo de retardo entre dos señales.
2. Auto correlación: La función de correlación Rxx(τ) es un
promedio temporal especial definido por,

Rxx (τ ) = lim x(t ) ⋅ x(t + τ )dt

1
T →∞ T ∫
T

Entonces, la función de correlación de una señal es el promedio

sobre todo el tiempo del producto de la señal consigo misma
desplazada un tiempo τ.
Por motivo de simplicidad y rapidez de los analizadores digitales,
se realiza esta operación tomando ventaja del espectro de potencia
de la señal, esto es,
R xx (τ ) ↔ G xx ( f )
[ ]
R xx (τ ) = F [G xx ( f )] = F −1 S x ( f )S x∗ ( f )
−1

La función de auto correlación siempre tiene un máximo para

τ=0, que es igual al valor medio cuadrado de x(t). Si la señal es
periódica, la función de correlación también es periódica con el
mismo periodo. El ruido aleatorio, por otra parte, solo es
correlacionado a τ=0. La función de auto correlación puede ser
El retardo entre la señal de entrada y de salida es de 0.2
segundos, situación que es señalada en el grafico de correlación, es
decir para un τ=0.2 segundos, la función de correlación es máxima,
por lo que podemos medir el tiempo de retardo de la señal.

8
Universidad de Santiago, Departamento de Física Técnicas Experimentales I -Ingeniería Física-

4. Respuesta impulsiva: La respuesta impulsiva es la

representación en el dominio temporal de la función de
G xx ( f ) = S x ( f ) ⋅ S x∗ ( f )
transferencia de un sistema.
Gxx(f) es una función real que contiene información solo sobre la
h(t ) = F −1
[H ( f )] magnitud de las componente de frecuencia de la señal, por lo que
no necesita un trigger para sincronización. La potencia espectral
es la transformada de Fourier de la auto correlación de la señal, y
La respuesta impulsiva es frecuentemente un indicador más contiene la misma información pero en el dominio de frecuencias.
sensible del tiempo de retardo entre dos señales, que la función de
correlación cruzada. Matemáticamente,

R yx (τ ) = h (t ) o Rxx (τ ) ,

esta dice que Ryx(τ) es una convolución entre h(t) y la función de

auto correlación Rxx(τ). La medida de interés representada por
h(t) es confusa dada la información irrelevante contenida en
Rxx(τ).
La respuesta impulsiva puede ser usada para la caracterización de
filtros electrónicos, medidas de coeficientes de absorción acústica e
identificación de modos de vibración.

Mediciones en el dominio de frecuencias

1. Espectro lineal promedio: El espectro lineal es la

transformada de Fourier de la señal x(t).
S x ( f ) = F [x(t )]
El espectro lineal entrega la magnitud y la fase absoluta de cada
componente de frecuencia en la banda de análisis. Por lo que se
requiere una condición de sincronización para poder realizar el
Espectros de potencia de una señal triangular y cuadrada
respectivamente.
3. Potencia espectral cruzada: La potencia espectral cruzada
(cross power spectrum)es una medida de la potencia entre dos
señales a cada componente de frecuencia, y es la transformada de
Fourier de la correlación cruzada entre dos funciones.

G yx ( f ) = S y ( f ) ⋅ S x∗ ( f )
promedio, esta medida hará que el registro promedio de las
componentes no sincrónicas tienda a cero. El espectro lineal
promedio es usado, por ejemplo, para extraer finas componentes de
una señal. El espectro cruzado entrega información sobre la magnitud y la
fase relativa entre las dos señales, por lo que no es necesaria la
sincronización entre ellas.
La magnitud de Gyx(f) es el producto de las magnitudes de ambas
señales, por lo cual el producto será grande si las magnitudes son
grandes, y por el contrario, será pequeño si las magnitudes lo son,
por lo que el espectro cruzado es extremadamente sensible en
aquella componente de frecuencia que son comunes en ambas
señales.

El espectro lineal de una señal sinusoidal con ruido, muestra una

gran cantidad de componentes de baja y alta frecuencia con fase
aleatoria, por lo que al promediar los registros, solo prevalecen las
componentes sincrónicas (N=100).

2. Potencia espectral: La potencia espectral de una señal (auto

power spectrum) entrega la magnitud al cuadrado de las
componentes del espectro de frecuencias, esto es,

9
Universidad de Santiago, Departamento de Física Técnicas Experimentales I -Ingeniería Física-

El espectro cruzado de potencia entrega información sobre el

tiempo de retardo entre las señales, que se muestra en el diagrama
de fase relativa, la pendiente de la rampa esta relacionado con el
tiempo de retardo ya que,

∆ϕ 1 ∆ϕ
∆τ = =
∆ω 2π ∆f
4. Función de transferencia: La función de transferencia es la
descripción matemática en el dominio de frecuencias entre la
entrada y salida del sistema.

G yx ( f )
H( f ) =
G xx ( f ) Funciones de coherencia y señal-ruido de dos señales
sinusoidales desfasadas.
La función de transferencia entrega información sobre la magnitud
y la fase de cada componente de frecuencia de la señal normalizada
por Gxx(f), información distinta a la entregada por la correlación
cruzada, la cual entrega la fase relativa entre dos componentes
espectrales.

Típica respuesta en frecuencia de un circuito RLC serie con una

resonancia de centrada en f0=500Hz.

5. Función de coherencia: La función de coherencia mide el

grado de similitud entre la entrada y la salida del sistema, definida
por,

G yx ( f ) ⋅ G ∗yx ( f )
γ 2(f )= 0 ≤γ 2 ≤1
G xx ( f ) ⋅ G yy ( f )

γ2(f) es una medida de la consistencia de la señal de salida, y(t),

impuesto por la entrada x(t), a cada componente de frecuencia.
γ2(f)=1, indica que todas las componentes de frecuencia de la señal
de salida corresponden a la de entrada. Si γ2(f) <1, la salida no es
exactamente la entrada, debido a la presencia de ruido, no
linealidades, y tiempos de retardo en el sistema.
Otra manera de observar la coherencia del sistema es a través de
la razón señal ruido.

S( f ) γ 2( f )
=
N( f ) 1−γ 2( f )

10