Facultad de Ingeniería Eléctrica

Trabajo Evaluativo final

Autor(a): Yulian Gómez Gutiérrez

Carrera: Ingeniería en Telecomunicaciones y

Electrónica CPE

Año Académico: 3ro

Profesor Ing. Alejandro Moisés Luna Escalona

Matemática Numérica. Modalidad CPE

2025
Tabla de Contenido
Actividad #1 Fundamentos y Errores Numéricos.......................................... 3
Actividad #2 Aplicación Práctica en Diseño y Análisis ................................. 8
Actividad #3 Optimización y Simulación ...................................................... 20
Actividad #1 Fundamentos y Errores Numéricos

Diferencia entre Métodos Analíticos y Métodos Numéricos

La principal distinción entre los métodos analíticos y los métodos numéricos radica en
la naturaleza de las soluciones que proporcionan, así como en el enfoque utilizado para
abordar problemas matemáticos. Esta diferencia no solo es conceptual, sino también
práctica, ya que cada tipo de método se adapta mejor a ciertas situaciones dependiendo
de la complejidad del problema y de los recursos disponibles.
Los métodos analíticos son aquellos que buscan obtener soluciones exactas a
problemas matemáticos, expresadas en términos de funciones conocidas o fórmulas
cerradas. Estas soluciones suelen ser elegantes y precisas, ya que están basadas en
principios fundamentales de las matemáticas, como la derivación, la integración, la
resolución de ecuaciones diferenciales y otras herramientas exactas. Sin embargo, este
enfoque tiene limitaciones importantes. Para que un problema pueda resolverse
mediante métodos analíticos, debe tener una estructura específica y estar bien definido,
lo que implica que las condiciones iniciales, las geometrías involucradas y los
comportamientos del sistema deben ser ideales o simplificados. Por ejemplo, en el
contexto de las telecomunicaciones, un problema que involucre la propagación de ondas
electromagnéticas en un entorno ideal sin obstáculos podría resolverse analíticamente
utilizando ecuaciones de Maxwell. Sin embargo, cuando se introduce complejidad
adicional, como la presencia de múltiples reflexiones, difracciones o interferencias en un
entorno urbano, los métodos analíticos rápidamente se vuelven inviables debido a la
imposibilidad de modelar con precisión todos los factores involucrados. En resumen, los
métodos analíticos son ideales para problemas simples o bien definidos, pero su
aplicación se limita significativamente cuando los sistemas son complejos, involucran
incertidumbre o requieren considerar múltiples variables interdependientes.
Por otro lado, los métodos numéricos ofrecen una alternativa poderosa y flexible para
abordar problemas que escapan a las capacidades de los métodos analíticos. A
diferencia de los métodos analíticos, que buscan soluciones exactas, los métodos
numéricos producen soluciones aproximadas mediante cálculos iterativos o
discretizaciones del problema original. Esto significa que, en lugar de buscar una
solución cerrada, los métodos numéricos dividen el problema en partes más pequeñas
y manejables, resolviendo cada una de ellas mediante algoritmos computacionales. Este
enfoque permite abordar problemas mucho más generales y realistas, incluyendo
aquellos con condiciones iniciales complejas, geometrías irregulares, comportamientos
no lineales o incertidumbre inherente. Por ejemplo, en el diseño de filtros digitales para
telecomunicaciones, los métodos numéricos permiten optimizar la respuesta en
frecuencia del filtro ajustando parámetros como la ganancia, la atenuación y la fase, algo
que sería extremadamente difícil o imposible de lograr mediante métodos analíticos. De
manera similar, en el análisis de la propagación de ondas electromagnéticas en un
entorno urbano, los métodos numéricos pueden modelar fenómenos como reflexiones
múltiples, difracciones y dispersión, proporcionando una representación precisa del
comportamiento de las señales en condiciones reales.
En el contexto específico de las telecomunicaciones y la electrónica, los métodos
numéricos son esenciales debido a la naturaleza intrínsecamente compleja de los
sistemas involucrados. Estos campos suelen requerir el modelado de fenómenos físicos
que son demasiado complicados para ser tratados analíticamente. Por ejemplo, la
simulación de la propagación de ondas electromagnéticas en un entorno urbano con
múltiples edificios, vehículos y otros obstáculos es un problema altamente no lineal que
involucra geometrías irregulares y múltiples interacciones entre las ondas y el entorno.
Los métodos numéricos, como el método de elementos finitos (FEM) o el método de
diferencias finitas en el dominio del tiempo (FDTD), permiten discretizar el espacio y el
tiempo en pequeños intervalos, resolviendo las ecuaciones que gobiernan el
comportamiento de las ondas en cada punto de la malla. Este enfoque no solo permite
modelar fenómenos físicos reales con un alto grado de precisión, sino que también
facilita la incorporación de datos experimentales y la validación de los resultados
mediante comparaciones con mediciones reales. Además, los métodos numéricos son
especialmente útiles en aplicaciones donde la optimización es clave, como en el diseño
de antenas, donde se busca maximizar la ganancia mientras se mantiene un patrón de
radiación deseado, o en la implementación de técnicas avanzadas de modulación y
codificación para mejorar la eficiencia espectral y la robustez de los sistemas de
comunicación.
Tabla Comparativa: Métodos Analíticos vs. Métodos Numéricos
Aspecto Métodos Analíticos Métodos Numéricos
Proporcionan soluciones
Producen soluciones aproximadas
exactas expresadas en
Naturaleza de la Solución mediante cálculos iterativos o
términos de fórmulas
discretizaciones del problema.
cerradas.

Ideales para problemas Adecuados para problemas

simples, bien definidos y complejos, realistas y con
Aplicabilidad
con estructuras incertidumbre (e.g., sistemas no
específicas. lineales, geometrías irregulares).

Derivación, integración, Algoritmos computacionales,

resolución de simulaciones numéricas, métodos
Herramientas Utilizadas
ecuaciones iterativos como Euler, Runge-Kutta,
diferenciales, etc. etc.

Resultados exactos si se Resultados aproximados, pero lo

Exactitud cumplen las condiciones suficientemente precisos para
del problema. aplicaciones prácticas.

Limitados a problemas Requieren recursos

idealizados; no computacionales y pueden
Limitaciones
aplicables a sistemas introducir errores numéricos
complejos o reales. (redondeo, truncamiento, etc.).

Resolución de Simulación de propagación de

Ejemplos en ecuaciones de ondas en entornos urbanos, diseño
Telecomunicaciones/Electrónica propagación de ondas de filtros digitales, optimización de
en medios ideales. antenas.

Por lo tanto podemos llegar a la conclusión de que la principal diferencia entre los
métodos analíticos y los métodos numéricos en el contexto de las
telecomunicaciones y la electrónica radica en que los métodos analíticos buscan
soluciones exactas para problemas idealizados y bien definidos, mientras que los
métodos numéricos proporcionan soluciones aproximadas para problemas complejos y
realistas que no pueden ser abordados analíticamente.
En telecomunicaciones y electrónica, donde los sistemas suelen ser demasiado
complejos para ser tratados analíticamente (por ejemplo, propagación de ondas en
entornos urbanos o diseño de antenas), los métodos numéricos son esenciales debido
a su capacidad para manejar grandes volúmenes de datos, resolver ecuaciones no
lineales y modelar fenómenos físicos con un alto grado de precisión práctica.

Fuente Común de Error en Simulaciones Numéricas

Una de las fuentes más comunes y persistentes de error en las simulaciones numéricas,
especialmente en sistemas de comunicación como los utilizados en telecomunicaciones
y electrónica, es el error de redondeo. Este tipo de error surge directamente de una
limitación inherente a los sistemas computacionales modernos: la incapacidad para
representar números reales con precisión infinita. En lugar de trabajar con números
reales en su forma continua e infinita, las computadoras digitales deben almacenarlos
utilizando una cantidad finita de bits, lo que introduce aproximaciones inevitables en los
cálculos.
Origen del Error de Redondeo
El error de redondeo se produce cuando un número real no puede ser representado
exactamente en el sistema numérico utilizado por la computadora. Por ejemplo, en el
sistema binario empleado por las computadoras, números como 31 o π tienen
expansiones infinitas y, por lo tanto, deben truncarse o redondearse para ajustarse al
formato de representación finito (por ejemplo, 32 bits para precisión simple o 64 bits
para precisión doble). Esta aproximación introduce pequeñas desviaciones en los
valores almacenados, conocidas como errores de redondeo.
En el contexto de las simulaciones numéricas, estos errores pueden acumularse a lo
largo de múltiples operaciones aritméticas, especialmente en problemas que involucran
iteraciones repetidas o grandes volúmenes de datos. Aunque cada error individual
puede parecer insignificante, su acumulación puede tener un impacto significativo en los
resultados finales, afectando la precisión y fiabilidad de las simulaciones.
Impacto en Sistemas de Comunicación
En sistemas de comunicación, donde la precisión es crucial para garantizar la calidad
de transmisión y la eficiencia del sistema, el error de redondeo puede manifestarse de
varias maneras. Un ejemplo clásico es la simulación de un sistema de modulación QAM
(Quadrature Amplitude Modulation), ampliamente utilizado en aplicaciones como Wi-
Fi, LTE y otros sistemas de comunicación inalámbrica.
En un sistema QAM, la señal transmitida se modula tanto en amplitud como en fase, lo
que permite transmitir información de manera eficiente dentro de un ancho de banda
limitado. Sin embargo, durante la simulación de este tipo de sistemas, varios factores
pueden verse afectados por errores de redondeo:
1. Generación de Ruido Gaussiano :
Para modelar condiciones realistas de un canal de comunicación, se añade ruido
gaussiano blanco aditivo (AWGN) a la señal transmitida. Este ruido se genera
utilizando números pseudoaleatorios con distribución normal. Sin embargo,
debido a las limitaciones de precisión en la representación de números, los
valores generados pueden diferir ligeramente de los valores teóricos esperados.
Estas pequeñas desviaciones pueden propagarse a lo largo de las operaciones
subsiguientes, afectando la precisión del modelo.
2. Mapeo de Bits a Símbolos QAM :
 En el proceso de mapeo, los bits transmitidos se convierten en símbolos
complejos que corresponden a puntos específicos en una constelación
predefinida. Durante este proceso, los errores de redondeo pueden alterar
ligeramente las coordenadas de los símbolos en el plano complejo. Aunque
estas desviaciones pueden parecer mínimas, en regiones de la constelación
donde los puntos están muy cercanos entre sí, incluso pequeños errores pueden
llevar a decisiones incorrectas durante la demodulación.
3. Demodulación y Cálculo de BER :
En la etapa de demodulación, los símbolos recibidos se comparan con los puntos
de la constelación QAM para recuperar los bits originales. Aquí, los errores de
redondeo acumulados durante la transmisión y el procesamiento pueden
desplazar los símbolos recibidos, aumentando la probabilidad de errores de
decisión. Esto, a su vez, afecta directamente la BER (Bit Error Rate) calculada,
que es una métrica clave para evaluar el rendimiento del sistema. Una BER
alterada puede llevar a conclusiones erróneas sobre la robustez del sistema
frente a diferentes niveles de ruido.
Ejemplo Práctico: Simulación de QAM con Ruido Gaussiano
Imaginemos una simulación básica de un sistema QAM-16, donde se varía la relación
señal-ruido (SNR) para analizar su impacto en la BER. Durante esta simulación, los
siguientes pasos son susceptibles a errores de redondeo:
1. Generación de Bits Aleatorios :
Los bits aleatorios generados mediante un algoritmo pseudoaleatorio pueden
estar sujetos a errores de redondeo si la precisión del generador no es
adecuada. Aunque estos errores suelen ser pequeños, pueden acumularse si el
número de bits generados es grande.
2. Adición de Ruido Gaussiano :
Al añadir ruido gaussiano a la señal transmitida, los valores generados para el
ruido pueden verse afectados por errores de redondeo. Esto es particularmente
relevante en sistemas con SNR bajo, donde el ruido tiene un impacto significativo
en la señal.
3. Cálculo de Distancias en la Constelación QAM :
Durante la demodulación, se calcula la distancia entre el símbolo recibido y los
puntos de la constelación QAM para determinar el símbolo más cercano. Si los
valores de las coordenadas están afectados por errores de redondeo, las distancias
calculadas pueden ser ligeramente incorrectas, lo que aumenta la probabilidad de
errores de decisión.
Consecuencias del Error de Redondeo
El impacto del error de redondeo en simulaciones numéricas puede variar dependiendo
del contexto y la escala del problema. En sistemas de comunicación, las consecuencias
incluyen:
• Alteración de Métricas Clave : La BER, que es fundamental para evaluar el
rendimiento del sistema, puede verse influida por errores de redondeo
acumulados.
 • Diseño Subóptimo de Sistemas : Las simulaciones utilizadas para optimizar
parámetros como la potencia de transmisión, el ancho de banda o el esquema
de modulación pueden conducir a decisiones subóptimas si los errores de
redondeo no se manejan adecuadamente.
• Pérdida de Precisión en Análisis Estadísticos : En simulaciones estocásticas,
donde se realizan múltiples iteraciones para obtener resultados promedio, los
errores de redondeo pueden introducir variabilidad no deseada en los resultados.
Medidas para Minimizar el Error de Redondeo
Aunque el error de redondeo es inevitable en sistemas digitales, existen varias
estrategias para minimizar su impacto en simulaciones numéricas:
1. Uso de Precisión Extendida :
Emplear formatos de representación numérica con mayor precisión, como
precisión doble (64 bits) o precisión extendida (80 bits), puede reducir
significativamente los errores de redondeo. Esto es especialmente útil en
simulaciones que requieren alta precisión, como el diseño de filtros digitales o la
optimización de antenas.
2. Optimización de Algoritmos :
Reorganizar las operaciones matemáticas para minimizar la acumulación de
errores. Por ejemplo, evitar restar números muy cercanos entre sí, ya que esto
amplifica los errores de redondeo.
3. Validación y Verificación :
Comparar los resultados de la simulación con soluciones analíticas conocidas o
datos experimentales para identificar posibles discrepancias causadas por
errores numéricos.
4. Técnicas de Suavizado :
Aplicar técnicas como promediado estadístico o filtrado para reducir el impacto
de pequeñas fluctuaciones causadas por errores de redondeo.
5. Selección de Bibliotecas Numéricas Optimizadas :
Utilizar bibliotecas especializadas, como NumPy en Python, que están
diseñadas para manejar cálculos complejos con alta precisión y minimizar
errores numéricos.
Actividad #2 Aplicación Práctica en Diseño y Análisis

El diseño de un filtro digital eficiente para eliminar el ruido en una señal de comunicación
requiere optimizar sus parámetros para garantizar la mejor respuesta en frecuencia
posible. Los métodos numéricos juegan un papel crucial en este proceso, ya que
permiten modelar, analizar y ajustar el filtro de manera precisa. A continuación, se
describe cómo se pueden aplicar estos métodos:

Paso 1. Modelado del Filtro

El modelado de un filtro digital es una etapa fundamental en el diseño de sistemas de
comunicación, ya que define cómo el filtro interactuará con las señales de entrada para
cumplir con los objetivos deseados, como la eliminación de ruido o la mejora de la
calidad de la señal. Este proceso comienza con la selección del tipo de filtro más
adecuado para la aplicación específica y continúa con la definición matemática de su
comportamiento mediante su función de transferencia.
Selección del Tipo de Filtro
Existen dos tipos principales de filtros digitales: filtros FIR (Finite Impulse Response)
y filtros IIR (Infinite Impulse Response). La elección entre ambos depende de varios
factores, como la complejidad computacional, la estabilidad del filtro y las características
deseadas de la respuesta en frecuencia:
• Filtros FIR: Son inherentemente estables y tienen una respuesta de fase lineal,
lo que los hace ideales para aplicaciones donde la distorsión de fase debe
minimizarse, como en sistemas de audio o comunicaciones. Sin embargo, su
implementación puede requerir un mayor número de coeficientes, lo que
aumenta la carga computacional.
• Filtros IIR: Son más eficientes en términos computacionales, ya que requieren
menos coeficientes para lograr una respuesta similar a la de un filtro FIR. Sin
embargo, pueden ser inestables si no se diseñan cuidadosamente, y su
respuesta de fase no es lineal, lo que puede introducir distorsiones en la señal.
Para este caso, asumiremos que se selecciona un filtro FIR, dado que su estabilidad
inherente y respuesta de fase lineal son ventajas significativas en aplicaciones de
comunicación donde la integridad de la señal es crucial.
Definición de la Función de Transferencia
La función de transferencia de un filtro describe cómo el filtro modifica las diferentes
frecuencias presentes en la señal de entrada. En el caso de un filtro FIR, la función de
transferencia H(z) se expresa como:

donde:
• bk son los coeficientes del filtro , que determinan su comportamiento.
• N es el orden del filtro, que está relacionado con el número de coeficientes.
 • z es la variable de transformación en el dominio Z, utilizada para analizar
sistemas discretos.
En términos prácticos, los coeficientes bk son los parámetros clave que necesitan
optimizarse para lograr la respuesta en frecuencia deseada. Estos coeficientes definen
cómo el filtro atenúa o amplifica ciertas frecuencias, lo que permite eliminar el ruido
mientras se preserva la señal útil.
Método Numérico Aplicable: Aproximación Funcional
Una vez seleccionado el tipo de filtro y definida su estructura básica, el siguiente paso
es ajustar la función de transferencia del filtro para que se aproxime lo más posible a
una respuesta en frecuencia deseada. Esto implica resolver un problema de
optimización numérica, donde los coeficientes del filtro se ajustan para minimizar la
diferencia entre la respuesta en frecuencia actual del filtro y la respuesta deseada.
Técnicas de Aproximación Funcional
Dos técnicas numéricas comúnmente utilizadas para este propósito son:
1. Mínimos Cuadrados:
o Esta técnica busca minimizar el error cuadrático medio entre la respuesta
en frecuencia deseada D(ω) y la respuesta en frecuencia actual del filtro
H(ω). El error se define como:

o Los coeficientes bk se ajustan iterativamente para minimizar este error.

Este método es particularmente útil cuando se desea una aproximación
global que minimice el error en todo el rango de frecuencias.
2. Interpolación Polinómica:
o En este enfoque, se seleccionan puntos específicos en el espectro de
frecuencias (por ejemplo, las frecuencias de corte y las frecuencias de
transición) y se ajustan los coeficientes del filtro para que la respuesta en
frecuencia pase exactamente por estos puntos. Esto puede lograrse
utilizando métodos como la interpolación de Lagrange o las diferencias
divididas de Newton.
o Aunque este método garantiza un ajuste exacto en los puntos
seleccionados, puede resultar en un comportamiento subóptimo en otras
regiones del espectro.
Implementación Práctica
Para implementar estas técnicas, se pueden seguir los siguientes pasos:
1. Definición de la Respuesta Deseada:
o Se especifica la respuesta en frecuencia ideal D(ω), que generalmente
incluye:
▪ Una banda de paso, donde las frecuencias deben pasar sin
atenuación significativa.
 ▪ Una banda de rechazo, donde las frecuencias deben ser
atenuadas al máximo.
▪ Una banda de transición, que define cómo el filtro pasa
gradualmente de la banda de paso a la banda de rechazo.
2. Inicialización de Coeficientes:
o Se asignan valores iniciales a los coeficientes bk. Estos valores pueden
obtenerse utilizando métodos analíticos simples o mediante suposiciones
basadas en el tipo de filtro deseado.
3. Optimización Iterativa:
o Se utiliza un algoritmo numérico, como el método de gradiente
descendente o el método de mínimos cuadrados, para ajustar
iterativamente los coeficientes bk y minimizar el error entre D(ω) y H(ω).
4. Validación de la Respuesta:
o Una vez obtenidos los coeficientes optimizados, se evalúa la respuesta
en frecuencia del filtro para asegurar que cumple con los requisitos de
diseño. Si es necesario, se realizan ajustes adicionales.
Ejemplo Simplificado
Supongamos que deseamos diseñar un filtro FIR de orden 10 para eliminar ruido de alta
frecuencia en una señal de comunicación. La respuesta en frecuencia deseada podría
ser:
• Banda de paso: 0≤f≤0.2 (frecuencias normalizadas).
• Banda de transición: 0.2<f<0.3.
• Banda de rechazo: f≥0.3.
1. Modelado Inicial:
o Se define la función de transferencia inicial H(z) con coeficientes bk
igualmente espaciados.
2. Ajuste Mediante Mínimos Cuadrados:
o Se calcula el error cuadrático medio entre D(ω) y H(ω) y se ajustan los
coeficientes bk para minimizar este error.
3. Resultado Final:
o Después de varias iteraciones, se obtienen los coeficientes optimizados
que proporcionan una respuesta en frecuencia cercana a la deseada.

Paso 2. Análisis de la Respuesta en Frecuencia

Una vez definida la estructura del filtro, es necesario evaluar su respuesta en
frecuencia para asegurar que cumple con los requisitos de atenuación del ruido y
preservación de la señal útil. Este análisis es fundamental, ya que permite determinar
cómo el filtro modifica las diferentes componentes espectrales de la señal de entrada.
La respuesta en frecuencia se obtiene evaluando tanto la magnitud como la fase de la
función de transferencia del filtro en un rango de frecuencias específico. Este proceso
no solo proporciona información sobre cómo el filtro atenúa o amplifica ciertas
frecuencias, sino que también revela posibles desfases introducidos por el filtro, lo cual
puede ser crítico en aplicaciones donde la integridad temporal de la señal es importante,
como en sistemas de comunicación digital o audio.
Para realizar este análisis, es esencial considerar tanto la banda de paso , donde las
frecuencias deben pasar sin atenuación significativa, como la banda de rechazo ,
donde las frecuencias indeseadas deben ser atenuadas al máximo. Además, la
transición entre estas bandas, conocida como la banda de transición, debe ser lo
suficientemente suave para evitar distorsiones abruptas en la señal filtrada.
Método Numérico Aplicable: Transformada Rápida de Fourier (FFT)
Uno de los métodos numéricos más utilizados para calcular la respuesta en frecuencia
de un filtro es la Transformada Discreta de Fourier (DFT) o su versión optimizada, la
Transformada Rápida de Fourier (FFT) . Estas herramientas son fundamentales en el
análisis de señales digitales, ya que permiten descomponer una señal en sus
componentes espectrales y evaluar cómo el filtro afecta cada una de estas
componentes.
La FFT es un algoritmo eficiente que reduce significativamente el número de
operaciones necesarias para calcular la DFT, lo que la convierte en una herramienta
indispensable para el análisis en tiempo real o en aplicaciones donde se manejan
grandes volúmenes de datos. Al aplicar la FFT a la señal de salida del filtro, se puede
obtener una representación en el dominio de la frecuencia que muestra cómo el filtro
modifica las amplitudes y fases de las diferentes frecuencias presentes en la señal de
entrada.
Pasos para el Análisis de la Respuesta en Frecuencia mediante FFT
1. Generación de la Señal de Entrada:
Para analizar la respuesta en frecuencia, se genera una señal de entrada que
contenga múltiples frecuencias, como una señal sinusoidal compuesta o un
impulso unitario. Esta señal debe cubrir el rango de frecuencias de interés para
evaluar cómo el filtro responde en diferentes puntos del espectro.
2. Aplicación del Filtro:
La señal generada se pasa a través del filtro diseñado. Esto implica aplicar la
función de transferencia del filtro a la señal de entrada, lo que resulta en una
señal de salida modificada.
3. Cálculo de la FFT:
La señal de salida se transforma al dominio de la frecuencia utilizando la FFT.
Esto permite visualizar la magnitud y la fase de la señal en función de la
frecuencia. La magnitud indica cuánto se atenúa o amplifica cada frecuencia,
mientras que la fase muestra cualquier desfase introducido por el filtro.
4. Evaluación de la Respuesta en Frecuencia:
Con los resultados de la FFT, se pueden trazar gráficas de la respuesta en
magnitud (en decibelios, dB) y la respuesta en fase (en radianes o grados).
Estas gráficas permiten verificar si el filtro cumple con los requisitos de diseño,
 como la atenuación deseada en la banda de rechazo y la planitud en la banda
de paso.
5. Ajuste de Parámetros :
Si la respuesta en frecuencia no cumple con los requisitos esperados, se pueden
ajustar los parámetros del filtro, como los coeficientes o el orden del filtro, y
repetir el análisis hasta obtener una respuesta satisfactoria.
Ventajas de Usar FFT en el Análisis de Filtros
• Eficiencia Computacional: La FFT reduce drásticamente el tiempo de cálculo
en comparación con la DFT directa, lo que la hace ideal para aplicaciones en
tiempo real.
• Precisión Espectral: Permite una evaluación detallada de cómo el filtro afecta
cada componente espectral de la señal, facilitando la identificación de problemas
como distorsiones o atenuaciones inesperadas.
• Visualización Clara: Las gráficas de magnitud y fase obtenidas mediante FFT
proporcionan una representación intuitiva de la respuesta en frecuencia, lo que
simplifica el proceso de interpretación y ajuste del filtro.
Consideraciones Adicionales
• Errores Numéricos: En el cálculo de la FFT, pueden surgir errores numéricos
debido a la precisión limitada de las operaciones aritméticas. Para minimizar
estos errores, es recomendable utilizar bibliotecas numéricas optimizadas, como
NumPy en Python, que están diseñadas para manejar cálculos complejos con
alta precisión.
• Resolución Espectral: La resolución de la FFT depende del número de puntos
utilizados en la transformación. Aumentar el número de puntos mejora la
resolución espectral, pero también incrementa el tiempo de cálculo. Por lo tanto,
es importante encontrar un equilibrio entre precisión y eficiencia.
• Ventanas Temporales: En algunos casos, es útil aplicar ventanas temporales
(como la ventana de Hamming o Hanning) a la señal antes de calcular la FFT
para reducir efectos indeseados como el "leakage" espectral.

Paso 3. Optimización de Parámetros

El objetivo es ajustar los coeficientes del filtro para minimizar el error entre la respuesta
en frecuencia actual y la respuesta deseada. Este proceso implica resolver un problema
de optimización multidimensional, donde cada coeficiente del filtro actúa como una
variable independiente que influye en el rendimiento global del sistema. La optimización
adecuada de estos parámetros garantiza que el filtro cumpla con las especificaciones
deseadas, como la atenuación en ciertas bandas de frecuencia o la planitud en la banda
de paso.
Método Numérico Aplicable:
Método del Gradiente Descendente
Este método busca iterativamente los valores óptimos de los coeficientes del filtro
minimizando una función de costo (por ejemplo, la diferencia cuadrática entre la
respuesta en frecuencia actual y la deseada). El gradiente descendente es
particularmente útil cuando la función de costo es diferenciable y presenta un
comportamiento convexo o aproximadamente convexo.
• Funcionamiento:
En cada iteración, el algoritmo calcula el gradiente de la función de costo con
respecto a los coeficientes del filtro. Este gradiente indica la dirección de máximo
crecimiento de la función, por lo que se ajustan los coeficientes en la dirección
opuesta al gradiente para reducir el error. El tamaño del paso en cada iteración
está controlado por un parámetro conocido como tasa de aprendizaje.
o Ventajas:
▪ Es computacionalmente eficiente para problemas con funciones
de costo bien definidas y diferenciables.
▪ Permite converger rápidamente a un mínimo local cuando la
función es convexa.
o Desafíos:
▪ Puede quedar atrapado en mínimos locales si la función de costo
no es convexa.
▪ La selección de la tasa de aprendizaje es crítica: un valor
demasiado pequeño puede ralentizar la convergencia, mientras
que un valor demasiado grande puede causar inestabilidad.
• Ejemplo Práctico:
Supongamos que deseamos diseñar un filtro FIR (Finite Impulse Response)
digital. La función de costo podría definirse como la suma de los errores
cuadráticos entre la magnitud de la respuesta en frecuencia deseada y la
respuesta en frecuencia actual del filtro. Utilizando el método del gradiente
descendente, se ajustan iterativamente los coeficientes del filtro hasta que el
error sea menor que un umbral predefinido.
Algoritmos Genéticos
Los algoritmos genéticos son métodos heurísticos inspirados en los principios de la
evolución biológica. Estos algoritmos son útiles cuando el espacio de búsqueda es
complejo y no convexo, permitiendo encontrar soluciones cercanas al óptimo global
incluso en presencia de múltiples mínimos locales.
• Funcionamiento :
El algoritmo comienza con una población inicial de soluciones candidatas (en
este caso, conjuntos de coeficientes del filtro). A través de operadores como la
selección, cruce y mutación, se generan nuevas generaciones de soluciones que
tienden a mejorar gradualmente el rendimiento del filtro.
o Ventajas :
▪ No requiere que la función de costo sea diferenciable o convexa.
▪ Explora ampliamente el espacio de búsqueda, lo que aumenta las
posibilidades de encontrar soluciones globales.
 o Desafíos :
▪ Puede ser computacionalmente costoso, especialmente para
problemas con un gran número de variables.
▪ La convergencia hacia el óptimo global no está garantizada y
puede depender de la configuración de los parámetros del
algoritmo.
• Ejemplo Práctico :
En el diseño de un filtro IIR (Infinite Impulse Response), donde los coeficientes
están interrelacionados de manera no lineal, los algoritmos genéticos pueden
utilizarse para explorar combinaciones de coeficientes que minimicen el error en
la respuesta en frecuencia.
Simulated Annealing
Este método es otra técnica heurística inspirada en el proceso físico de recocido de
metales. Simulated Annealing permite escapar de mínimos locales al aceptar
temporalmente soluciones "peores" con una probabilidad que disminuye con el tiempo.
• Funcionamiento :
El algoritmo comienza con una solución inicial y evalúa su función de costo.
Luego, genera una nueva solución candidata modificando ligeramente la
solución actual. Si la nueva solución mejora el costo, se acepta; si empeora, se
acepta con una probabilidad que depende de la "temperatura" del sistema y la
magnitud del empeoramiento. La temperatura se reduce gradualmente, lo que
reduce la probabilidad de aceptar soluciones peores.
o Ventajas :
▪ Es robusto frente a problemas con múltiples mínimos locales.
▪ Proporciona un equilibrio entre exploración (búsqueda global) y
explotación (búsqueda local).
o Desafíos :
▪ La velocidad de enfriamiento (reducción de la temperatura) debe
ajustarse cuidadosamente para evitar convergencia prematura o
excesiva lentitud.
• Ejemplo Práctico :
En el diseño de un filtro adaptativo para cancelación de eco, Simulated Annealing
puede utilizarse para ajustar los coeficientes del filtro en tiempo real,
minimizando el error entre la señal de eco estimada y la señal de eco real.
Consideraciones Adicionales
• Selección de la Función de Costo :
La elección de la función de costo es crucial para el éxito del proceso de
optimización. Una función de costo común es la suma de los errores cuadráticos
entre la respuesta en frecuencia deseada y la actual. Sin embargo, en
aplicaciones específicas, pueden incluirse términos adicionales para penalizar
 características no deseadas, como la distorsión de fase o la sensibilidad a
cambios en los coeficientes.
• Convergencia y Validación :
Independientemente del método utilizado, es importante validar la convergencia
del algoritmo mediante métricas como el error residual o la estabilidad numérica.
Además, se recomienda realizar simulaciones adicionales para verificar que los
coeficientes optimizados producen la respuesta en frecuencia deseada en
diferentes condiciones de operación.
• Herramientas Computacionales :
Herramientas como MATLAB, Python (con bibliotecas como SciPy y NumPy) y
software especializado para diseño de filtros (como Filter Design & Analysis Tool)
facilitan la implementación y evaluación de estos métodos numéricos.

Paso 4. Validación y Pruebas

Una vez optimizados los parámetros del filtro, es fundamental validar su rendimiento en
condiciones que simulen escenarios reales de operación. Este paso es crucial para
garantizar que el filtro cumple con las especificaciones de diseño y ofrece un desempeño
confiable en aplicaciones prácticas. La validación implica evaluar métricas clave que
reflejan la calidad de la señal después del filtrado, como la relación señal-ruido (SNR),
la distorsión introducida por el filtro y la capacidad del filtro para preservar las
características esenciales de la señal útil. Además, este proceso permite identificar
posibles deficiencias en el diseño del filtro y ajustar los parámetros si es necesario.
Método Numérico Aplicable:
Simulaciones Numéricas
Las simulaciones numéricas son una herramienta poderosa para validar el rendimiento
del filtro. Estas consisten en generar señales sintéticas que imiten las condiciones reales
de operación, incluyendo la adición de ruido gaussiano blanco aditivo (AWGN) a la señal
útil. El objetivo es evaluar cómo el filtro maneja diferentes niveles de ruido y cómo afecta
tanto al ruido como a la señal deseada.
• Generación de Señales Sintéticas :
Las señales sintéticas se crean utilizando generadores de números
pseudoaleatorios para simular tanto la señal útil como el ruido. Por ejemplo, se
puede generar una señal sinusoidal pura como señal útil y añadir ruido
gaussiano con una distribución conocida para simular un canal de comunicación
realista. Este enfoque permite controlar precisamente las condiciones de prueba
y evaluar el filtro bajo diferentes niveles de SNR.
• Evaluación del Filtrado :
Después de aplicar el filtro a las señales sintéticas, se analiza cómo el filtro
reduce el ruido mientras preserva la señal útil. Esto incluye observar la respuesta
temporal y espectral de la señal filtrada. Por ejemplo, se puede verificar si las
componentes de frecuencia correspondientes a la señal útil permanecen intactas
y si las componentes de ruido han sido atenuadas según lo esperado.
• Análisis de Casos Extremos :
 Es importante probar el filtro en condiciones extremas, como señales con muy
baja SNR o señales que contienen múltiples componentes espectrales
complejas. Esto ayuda a identificar posibles limitaciones del filtro y asegura su
robustez en entornos adversos.
Cálculo de Métricas Clave
Para cuantificar el rendimiento del filtro, se utilizan métodos numéricos para calcular
métricas clave que reflejan su eficacia. Estas métricas proporcionan una evaluación
objetiva del filtro y permiten comparar diferentes diseños o configuraciones.
• Relación Señal-Ruido (SNR) Posterior al Filtrado :
La SNR es una métrica fundamental que mide la proporción entre la potencia de
la señal útil y la potencia del ruido residual después del filtrado. Un aumento
significativo en la SNR indica que el filtro ha logrado reducir efectivamente el
ruido. El cálculo de la SNR se realiza mediante la siguiente fórmula:

donde Psen˜al y Pruido son las potencias de la señal útil y el ruido residual,
respectivamente.
• Distorsión Introducida por el Filtro :
Además de reducir el ruido, es importante evaluar si el filtro introduce
distorsiones indeseadas en la señal útil. Esto se puede medir calculando la
diferencia entre la señal original y la señal filtrada, ya sea en el dominio del
tiempo o en el dominio de la frecuencia. Una métrica común es el error cuadrático
medio (MSE), definido como:

donde x[i] es la señal original y x^[i] es la señal filtrada. Un MSE bajo indica que el filtro
preserva bien la señal útil.
• Tasa de Atenuación del Ruido :
Otra métrica relevante es la tasa de atenuación del ruido, que mide cuánto se
reduce la potencia del ruido después del filtrado. Esta métrica se puede expresar
en decibelios (dB) y se calcula como:

Un valor alto de atenuación indica que el filtro es eficaz para eliminar el ruido.
• Respuesta Transitoria :
En aplicaciones donde la señal varía rápidamente en el tiempo, es importante
evaluar la respuesta transitoria del filtro. Esto implica analizar cómo el filtro
maneja cambios abruptos en la señal y si introduce retardos significativos o
artefactos no deseados.
Consideraciones Adicionales
• Errores Numéricos en las Simulaciones :
Durante las simulaciones, es fundamental tener en cuenta los errores numéricos
que pueden surgir debido a la representación finita de números en computadoras
digitales. Por ejemplo, los errores de redondeo y truncamiento pueden afectar la
precisión de las métricas calculadas. Para minimizar estos errores, se
recomienda utilizar bibliotecas numéricas optimizadas, como NumPy en Python,
y trabajar con precisión doble siempre que sea posible.
• Convergencia Estadística :
En simulaciones estocásticas, los resultados pueden variar ligeramente entre
ejecuciones debido a la naturaleza aleatoria del ruido añadido. Para obtener
resultados confiables, es recomendable realizar múltiples iteraciones de las
pruebas y promediar las métricas obtenidas. Esto asegura que las conclusiones
sean estadísticamente significativas.
• Comparación con Requisitos de Diseño :
Finalmente, los resultados de las métricas deben compararse con los requisitos
de diseño establecidos para el filtro. Por ejemplo, si el filtro debe operar en un
sistema de comunicación inalámbrica, es posible que se requiera una SNR
mínima de 20 dB para garantizar una transmisión confiable. Si el filtro no cumple
con estos requisitos, será necesario ajustar sus parámetros o reconsiderar su
estructura.

Paso 5. Implementación Eficiente

Finalmente, es importante asegurar que el filtro diseñado sea computacionalmente
eficiente para su implementación en hardware o software. La eficiencia computacional
no solo garantiza un procesamiento más rápido, sino que también reduce el consumo
de recursos, lo cual es crucial en aplicaciones donde los recursos son limitados, como
en dispositivos móviles, sistemas embebidos o sistemas de tiempo real. Para lograr
esto, se pueden aplicar diversas técnicas numéricas y estrategias de optimización que
simplifiquen la implementación del filtro sin comprometer significativamente su
rendimiento.
Método Numérico Aplicable:
Optimización de Algoritmos
La optimización de algoritmos es una técnica clave para mejorar la eficiencia del filtro.
Esto implica reducir la complejidad computacional del diseño mediante la aplicación de
métodos matemáticos avanzados, como la factorización de matrices o la reducción de
operaciones aritméticas.
• Factorización de Matrices :
En el contexto de filtros digitales, las operaciones matriciales a menudo están
involucradas en el cálculo de coeficientes o en la transformación de señales. La
factorización de matrices, como la descomposición LU o QR, puede simplificar
estas operaciones al dividir una matriz en componentes más fáciles de manejar.
Por ejemplo, en filtros FIR (Finite Impulse Response), la convolución entre la
señal de entrada y los coeficientes del filtro puede ser reescrita utilizando
 matrices triangulares, lo que reduce el número de multiplicaciones y sumas
requeridas.
• Reducción de Operaciones Aritméticas :
Otra estrategia es minimizar el número de operaciones aritméticas necesarias
para implementar el filtro. Esto puede lograrse mediante técnicas como la
eliminación de redundancias en los cálculos o la reutilización de resultados
intermedios. Por ejemplo, en filtros IIR (Infinite Impulse Response), las
ecuaciones de diferencia pueden ser reorganizadas para evitar cálculos
repetitivos de términos comunes. Además, la implementación de estructuras de
filtro específicas, como la forma directa II o la forma en cascada, puede reducir
significativamente la carga computacional.
• Uso de Transformadas Rápidas :
En aplicaciones donde se requiere el análisis espectral de la señal, como en
filtros basados en la transformada de Fourier, el uso de algoritmos rápidos como
la FFT (Fast Fourier Transform) puede acelerar significativamente el
procesamiento. La FFT reduce la complejidad computacional de la transformada
discreta de Fourier de O(N2) a O(NlogN), lo que es especialmente útil en
sistemas con grandes volúmenes de datos.
Aproximaciones Numéricas
Las aproximaciones numéricas son fundamentales para facilitar la implementación del
filtro en sistemas digitales, donde los coeficientes y las operaciones deben
representarse en formatos discretos. Estas técnicas permiten ajustar el diseño del filtro
para adaptarlo a las limitaciones del hardware o software sin afectar significativamente
su rendimiento.
• Redondeo de Coeficientes :
Los coeficientes del filtro, que generalmente son números reales con alta
precisión, pueden redondearse a valores discretos para simplificar su
implementación en hardware digital. Por ejemplo, en sistemas de punto fijo, los
coeficientes pueden cuantificarse a un número limitado de bits, lo que reduce el
costo computacional pero introduce errores de redondeo. Es importante analizar
cuidadosamente el impacto de estos errores en la respuesta en frecuencia del
filtro para asegurar que el rendimiento no se degrade por debajo de los niveles
aceptables.
• Minimización de Errores de Redondeo :
Para mitigar los efectos de los errores de redondeo, se pueden emplear técnicas
como la acumulación en doble precisión o el uso de algoritmos estables
numéricamente. Por ejemplo, en filtros IIR, donde los errores de redondeo
pueden acumularse y causar inestabilidad, es recomendable utilizar estructuras
de filtro que sean menos sensibles a estos errores, como la forma en cascada o
la forma paralela.
• Cuantificación de Señales :
Además de los coeficientes, las señales de entrada y salida también pueden
cuantificarse para adaptarse a las limitaciones del sistema. Esto implica
representar las señales con una cantidad finita de bits, lo que introduce ruido de
 cuantificación. El diseño del filtro debe considerar este ruido adicional y ajustar
los parámetros para minimizar su impacto en la calidad de la señal.
Consideraciones Adicionales
• Implementación en Hardware :
En sistemas de hardware, como FPGAs (Field-Programmable Gate Arrays) o
ASICs (Application-Specific Integrated Circuits), la eficiencia computacional está
directamente relacionada con el uso de recursos como registros, multiplicadores
y sumadores. Las técnicas de optimización mencionadas anteriormente pueden
adaptarse para aprovechar las características específicas del hardware. Por
ejemplo, el uso de arquitecturas pipeline puede mejorar el rendimiento al permitir
el procesamiento simultáneo de múltiples muestras de señal.
• Implementación en Software :
En sistemas de software, la eficiencia depende de la capacidad de aprovechar
las capacidades de procesamiento del procesador, como instrucciones SIMD
(Single Instruction, Multiple Data) o unidades de coma flotante. Además, el uso
de bibliotecas optimizadas, como FFTW para transformadas rápidas de Fourier,
puede mejorar significativamente el rendimiento del filtro.
• Evaluación de la Eficiencia :
Para evaluar la eficiencia del filtro, es importante medir métricas como el tiempo
de ejecución, el uso de memoria y el consumo de energía. Estas métricas deben
compararse con los requisitos del sistema para asegurar que el filtro cumple con
las especificaciones de diseño.
Los métodos numéricos son esenciales en cada etapa del diseño de un filtro digital:
desde el modelado inicial hasta la optimización de parámetros y la validación final. Al
utilizar herramientas como la FFT, el gradiente descendente y simulaciones numéricas,
es posible determinar los parámetros óptimos del filtro y asegurar una respuesta en
frecuencia que elimine eficazmente el ruido mientras preserva la calidad de la señal de
comunicación.
Actividad #3 Optimización y Simulación

Introducción al Problema
El diseño de una antena para maximizar su ganancia y obtener un patrón de radiación
adecuado es un problema clásico de optimización multidimensional. En un entorno
urbano complejo, factores como reflexiones, difracciones y atenuaciones debidas a
edificios y otros obstáculos complican el análisis. Los métodos numéricos proporcionan
herramientas poderosas para abordar este tipo de problemas, permitiendo ajustar
parámetros como las dimensiones físicas de la antena (longitud, ancho, separación
entre elementos) y su orientación (ángulo de inclinación, dirección de apuntamiento).
Este problema puede estructurarse utilizando conceptos de optimización numérica y
simulación, tal como se describe en el Capítulo 6 del libro "Matemática Numérica" de
Álvarez et al. (2004) . Además, se pueden aplicar técnicas de modelado y simulación
numérica discutidas en el Capítulo 5 , donde se analizan métodos para resolver
integrales y ecuaciones diferenciales que describen la propagación de ondas
electromagnéticas.

Paso 1 Estructura del Problema

Definición del Problema de Optimización
El diseño y optimización de una antena para maximizar su rendimiento en un entorno
urbano complejo es un problema multifacético que combina aspectos de la física
electromagnética, la ingeniería de telecomunicaciones y los métodos numéricos. El
objetivo principal es maximizar la ganancia de la antena , denotada como G(x), donde
x es un vector que contiene los parámetros de diseño de la antena. Estos parámetros
incluyen dimensiones físicas, separaciones entre elementos y orientación angular, todos
los cuales influyen directamente en el patrón de radiación y la eficiencia de la antena.
Parámetros de Diseño
Los parámetros de diseño que se consideran en este problema son:
1. Longitud de los elementos radiantes (L1,L2,…):
La longitud de los elementos radiantes (como dipolos, reflectores o directores)
determina la frecuencia de resonancia y la eficiencia de la antena. Por ejemplo,
en una antena Yagi-Uda, la longitud del reflector y los directores afecta la
direccionalidad y la ganancia.
2. Separación entre elementos (d1,d2,…):
La distancia entre los elementos radiantes influye en la interacción
electromagnética entre ellos, lo que a su vez afecta el patrón de radiación y la
impedancia de entrada de la antena. Una separación incorrecta puede provocar
interferencias destructivas o reducir la ganancia.
3. Orientación angular (θ,ϕ):
La orientación de la antena en términos de ángulos de elevación (θ) y azimut (ϕ)
determina hacia dónde se dirige la energía radiada. En un entorno urbano, la
orientación debe ajustarse para maximizar la cobertura en regiones específicas
mientras minimiza la radiación en direcciones no deseadas.
Función Objetivo
La función objetivo del problema es maximizar la ganancia de la antena, G(x). La
ganancia se define como la relación entre la intensidad de radiación en una dirección
específica y la intensidad promedio radiada por una antena isotrópica (ideal).
Matemáticamente, esto se expresa como:

donde:
• Pradiada(θ,ϕ): Potencia radiada en la dirección especificada por los ángulos θ y
ϕ.
• Ptotal: Potencia total radiada por la antena.
La ganancia depende de los parámetros de diseño x=[L1,L2,…,d1,d2,…,θ,ϕ], y su
cálculo requiere resolver las ecuaciones electromagnéticas que describen la
propagación de ondas.
Restricciones sobre el Patrón de Radiación
Además de maximizar la ganancia, es crucial garantizar que el patrón de radiación
cumpla con ciertas restricciones prácticas. Estas restricciones aseguran que la antena
funcione correctamente en el entorno urbano específico. Algunas de estas restricciones
incluyen:
1. Direccionalidad hacia una región específica:
La antena debe concentrar la mayor parte de su energía en una dirección
específica, lo que se logra mediante un diseño cuidadoso de los elementos
radiantes y su separación. Esto es especialmente importante en entornos
urbanos donde la señal debe llegar a usuarios en ubicaciones específicas sin
dispersarse innecesariamente.
2. Niveles mínimos de radiación en direcciones no deseadas:
Para evitar interferencias con otras antenas o sistemas de comunicación, es
necesario minimizar la radiación en direcciones no deseadas. Esto se logra
controlando el diseño de los lóbulos laterales del patrón de radiación.
Estas restricciones pueden formularse matemáticamente como:
ci(x) ≤ 0,i = 1,2,…,m
donde cada ci(x) representa una condición sobre el patrón de radiación. Por ejemplo:
• c1(x)=Potencia en loˊbulos laterales−Umbral maˊximo permitido
• c2(x)=Desviacioˊn de la direccioˊn deseada
Formulación del Problema de Optimización
El problema de optimización puede escribirse formalmente como:
Esta formulación implica encontrar el vector x que maximiza la ganancia G(x) mientras
satisface todas las restricciones ci(x).
Métodos Numéricos para Resolver el Problema
Para resolver este problema, se utilizan métodos numéricos avanzados, como los
descritos en el Capítulo 6 del libro "Matemática Numérica" de Álvarez et al. (2004) .
Algunos de estos métodos incluyen:
1. Optimización por Gradiente Descendente:
Este método ajusta iterativamente los parámetros x en la dirección del gradiente
de G(x) para maximizar la ganancia. Es especialmente útil cuando la función
objetivo es diferenciable.
2. Algoritmos de Búsqueda Directa:
Métodos como el método de Powell o el método simplex secuencial son útiles
cuando la función objetivo no es fácilmente diferenciable o cuando las
restricciones son complejas.
3. Simulación Numérica del Patrón de Radiación:
Para evaluar G(x) y verificar las restricciones ci(x), se utilizan simulaciones
numéricas basadas en métodos como el Método de los Momentos (MoM) o
Diferencias Finitas en el Dominio del Tiempo (FDTD). Estos métodos resuelven
las ecuaciones de Maxwell para predecir el comportamiento electromagnético de
la antena.
Ejemplo Simplificado
Supongamos que estamos diseñando una antena Yagi-Uda con tres elementos:
• Parámetros de diseño: Longitud del reflector (Lr), longitud del dipolo activo (Ld),
longitud del director (Ly), separación entre elementos (d1,d2), y orientación
angular (θ,ϕ).
• Función objetivo: Maximizar G(Lr,Ld,Ly,d1,d2,θ,ϕ).
• Restricciones:
o Direccionalidad hacia θ=0∘.
o Nivel de lóbulos laterales <−20dB.
El problema se resuelve utilizando un algoritmo de optimización iterativa, como el
gradiente descendente, ajustando los parámetros hasta que se alcanza la máxima
ganancia y se cumplen las restricciones.
Conclusión
Este enfoque estructurado permite abordar el diseño de antenas como un problema de
optimización multidimensional, integrando métodos numéricos avanzados para
maximizar la ganancia y cumplir con restricciones prácticas sobre el patrón de radiación.
Esta metodología es fundamental para el desarrollo de sistemas de comunicación
eficientes en entornos urbanos complejos.

Paso 2. Modelado Matemático

El modelado matemático es una etapa fundamental en el diseño y optimización de
antenas, ya que permite describir de manera precisa las características
electromagnéticas del sistema, como la ganancia y el patrón de radiación. Estas
propiedades dependen de las interacciones entre los elementos radiantes, la geometría
de la antena y las condiciones del entorno. Para lograr un modelado adecuado, se
utilizan ecuaciones electromagnéticas fundamentales que describen la propagación de
ondas electromagnéticas. A continuación, se detalla cómo se aborda este proceso:
Ganancia de la Antena (G(x))
La ganancia de una antena, denotada como G(x), es una medida de la eficiencia con la
que la antena convierte la potencia de entrada en energía radiada en una dirección
específica. Esta propiedad puede calcularse como una función de la distribución de
corrientes en los elementos radiantes. La relación entre la ganancia y las corrientes se
establece mediante las siguientes consideraciones:
• Distribución de Corrientes: La distribución de corrientes en los elementos
radiantes determina cómo se distribuye la energía en el espacio. Esta
distribución depende de parámetros como la longitud de los elementos, su
separación y la orientación angular.
• Ecuaciones Integrales: Las ecuaciones integrales que describen la relación
entre las corrientes y los campos electromagnéticos son clave para calcular la
ganancia. Estas ecuaciones suelen ser complejas y no tienen soluciones
analíticas cerradas, lo que requiere el uso de métodos numéricos para su
resolución.
Patrón de Radiación (F(θ, ϕ))
El patrón de radiación, denotado como F(θ,ϕ), describe cómo se distribuye la energía
radiada por la antena en función de los ángulos de elevación (θ) y azimut (ϕ). Este patrón
se obtiene resolviendo las ecuaciones de Maxwell en el dominio de la frecuencia. Las
principales características del patrón de radiación incluyen:
• Direccionalidad: La capacidad de la antena para concentrar la energía en una
dirección específica.
• Lóbulos Principales y Secundarios: El lóbulo principal representa la dirección
de máxima radiación, mientras que los lóbulos secundarios corresponden a
direcciones no deseadas donde también se emite energía.
Las ecuaciones de Maxwell son fundamentales para modelar el patrón de radiación,
pero su resolución analítica es imposible en la mayoría de los casos prácticos debido a
la complejidad geométrica de las antenas y las condiciones del entorno. Por ello, se
recurre a métodos numéricos avanzados para aproximar las soluciones.
Métodos Numéricos para Resolver las Ecuaciones Electromagnéticas
Dado que las ecuaciones electromagnéticas involucradas en el diseño de antenas
suelen ser demasiado complejas para obtener soluciones analíticas, se utilizan métodos
numéricos que permiten aproximar las soluciones con un alto grado de precisión. A
continuación, se describen algunos de los métodos más utilizados en este contexto:
1. Método de los Momentos (MoM)
El Método de los Momentos (Method of Moments, MoM) es una técnica numérica
ampliamente utilizada para resolver ecuaciones integrales relacionadas con la
distribución de corrientes en los elementos radiantes. Sus principales características
incluyen:
• Formulación Integral: El MoM transforma las ecuaciones diferenciales en
ecuaciones integrales, que son más adecuadas para problemas de radiación y
dispersión.
• Discretización: La geometría de la antena se divide en pequeños segmentos o
elementos, y se aproxima la distribución de corrientes en cada uno de ellos.
• Matriz de Impedancia: El método genera una matriz de impedancia que
relaciona las corrientes con los voltajes aplicados, permitiendo calcular la
distribución de corrientes y, posteriormente, la ganancia y el patrón de radiación.
El MoM es especialmente útil para antenas de geometría simple, como dipolos,
monopolos y antenas Yagi-Uda, donde la discretización es relativamente sencilla.
2. Diferencias Finitas en el Dominio del Tiempo (FDTD)
El método de Diferencias Finitas en el Dominio del Tiempo (Finite-Difference Time-
Domain, FDTD) es una técnica numérica que simula la propagación de ondas
electromagnéticas en el tiempo y el espacio. Este método es ideal para estudiar la
interacción de las ondas con estructuras complejas, como edificios en un entorno
urbano. Sus principales características son:
• Discretización Espacio-Temporal: El dominio de simulación se divide en una
malla tridimensional, y las ecuaciones de Maxwell se resuelven en cada punto
de la malla utilizando diferencias finitas.
• Simulación Transitoria: El FDTD permite observar la evolución temporal de los
campos electromagnéticos, lo que es útil para analizar fenómenos transitorios,
como reflexiones y difracciones.
• Aplicaciones en Entornos Urbanos: En el contexto de la propagación de
ondas en entornos urbanos, el FDTD puede modelar múltiples reflexiones,
difracciones y dispersión causadas por edificios, vehículos y otros obstáculos.
Este método es computacionalmente intensivo, pero proporciona resultados muy
precisos y detallados, especialmente en escenarios complejos.
3. Método de Elementos Finitos (FEM)
El Método de Elementos Finitos (Finite Element Method, FEM) es otra técnica numérica
que se utiliza para resolver ecuaciones diferenciales parciales en geometrías complejas.
Aunque es menos común que el MoM y el FDTD en el diseño de antenas, es útil para
problemas específicos, como el análisis de cavidades resonantes o antenas integradas
en estructuras mecánicas.
4. Métodos Híbridos
En algunos casos, se combinan diferentes métodos numéricos para aprovechar sus
ventajas individuales. Por ejemplo, el MoM puede utilizarse para modelar la antena,
mientras que el FDTD se emplea para simular la propagación de ondas en el entorno
circundante. Este enfoque híbrido permite abordar problemas complejos con mayor
eficiencia.
Consideraciones Prácticas en el Modelado
Al implementar estos métodos numéricos, es importante tener en cuenta varios aspectos
prácticos:
• Errores Numéricos: Los errores de redondeo y truncamiento pueden
acumularse durante las simulaciones, especialmente en métodos iterativos
como el FDTD. Para minimizar estos errores, se recomienda utilizar bibliotecas
numéricas optimizadas y trabajar con alta precisión.
• Convergencia: Algunos métodos, como el FDTD, requieren un número
suficiente de iteraciones para alcanzar la convergencia. Es crucial verificar que
los resultados sean estables antes de extraer conclusiones.
• Validación Experimental: Los resultados obtenidos mediante métodos
numéricos deben validarse experimentalmente siempre que sea posible,
comparando las simulaciones con mediciones realizadas en prototipos físicos.
Ejemplo Simplificado de Modelado
Supongamos que estamos diseñando una antena Yagi-Uda para operar a una
frecuencia de 2.4 GHz. Para modelar la ganancia y el patrón de radiación:
1. Ganancia: Utilizamos el MoM para calcular la distribución de corrientes en los
elementos radiantes y, a partir de esta, estimamos la ganancia G(x).
2. Patrón de Radiación: Resolvemos las ecuaciones de Maxwell en el dominio de
la frecuencia utilizando el FDTD para obtener el patrón de radiación F(θ,ϕ).
3. Optimización: Ajustamos los parámetros de diseño (longitud de los elementos,
separación, orientación) mediante un algoritmo de optimización numérica, como
el gradiente descendente, para maximizar la ganancia y cumplir con las
restricciones sobre el patrón de radiación.
Este enfoque combina métodos numéricos avanzados con técnicas de optimización,
permitiendo diseñar antenas altamente eficientes y adaptadas a entornos específicos.

Paso 3. Aplicación de Métodos Numéricos

a) Optimización Multidimensional
El problema de optimización en el diseño de antenas, especialmente en entornos
urbanos complejos, puede abordarse mediante métodos numéricos avanzados que
permiten maximizar la ganancia y ajustar el patrón de radiación. Estos métodos son
ampliamente discutidos en el Capítulo 6 del libro de Álvarez et al., donde se describen
varias técnicas para resolver problemas de optimización multidimensional. A
continuación, se detallan algunos de los métodos más relevantes:
1. Búsqueda por Coordenadas
Este método es uno de los más simples pero efectivos para problemas de
optimización multidimensional. Consiste en ajustar un parámetro a la vez
mientras se mantienen los demás fijos. Por ejemplo, en el caso de una antena
Yagi-Uda, los parámetros clave incluyen la longitud de los elementos radiantes,
la separación entre ellos y su orientación angular. El proceso iterativo implica:
 o Fijar todos los parámetros excepto uno.
o Optimizar ese parámetro utilizando métodos unidimensionales (como
búsqueda secuencial o bisección).
o Repetir el proceso para cada parámetro hasta converger a una solución
óptima.
Este enfoque es útil cuando las variables son relativamente independientes, aunque
puede ser lento si las interacciones entre parámetros son significativas.
2. Gradiente Descendente (o Ascendente)
El método del gradiente es una técnica poderosa para problemas de
optimización continua. En este caso, el objetivo es maximizar la ganancia G(x)
de la antena, donde x representa el vector de parámetros de diseño. La
actualización iterativa del vector de parámetros se realiza mediante la siguiente
ecuación:

donde:
o α es el tamaño de paso (o tasa de aprendizaje), que controla la velocidad
de convergencia.
o ∇G(xk) es el gradiente de la función objetivo evaluado en el punto actual
xk.
El gradiente indica la dirección de mayor crecimiento de la función objetivo, lo que
permite iterar hacia el máximo. Sin embargo, este método es sensible a la elección del
tamaño de paso α y puede quedar atrapado en máximos locales si la función objetivo
no es convexa. Para mitigar estos problemas, se pueden utilizar variantes como el
gradiente conjugado o métodos cuasi-Newton.
3. Simplex Secuencial
El método del simplex secuencial es una técnica robusta y fácil de implementar
que no requiere el cálculo explícito del gradiente. Se basa en evaluar la función
objetivo en un conjunto de puntos (vértices de un simplex) y ajustar
iterativamente estos puntos para converger al óptimo. Los pasos principales son:
o Inicializar un simplex con n+1 vértices en un espacio de n dimensiones.
o Evaluar la función objetivo en cada vértice y ordenarlos según sus
valores.
o Reflejar, expandir o contraer el vértice con el peor valor para generar un
nuevo simplex.
o Repetir el proceso hasta que el simplex converja al óptimo.
Este método es particularmente útil cuando la función objetivo es compleja o cuando el
cálculo del gradiente es difícil. Además, es menos propenso a quedar atrapado en
máximos locales en comparación con el método del gradiente.
b) Simulación Numérica del Entorno Urbano
La simulación numérica es esencial para evaluar el rendimiento de una antena en un
entorno urbano complejo, donde factores como reflexiones, difracciones y múltiples
trayectorias afectan significativamente la propagación de ondas electromagnéticas. A
continuación, se describe un enfoque simplificado basado en métodos numéricos:
1. Modelado Geométrico del Entorno Urbano
El primer paso consiste en crear un modelo geométrico del entorno urbano, que
incluya edificios, calles y otros obstáculos. Este modelo puede representarse
como una cuadrícula tridimensional, donde cada celda contiene información
sobre la altura y las propiedades electromagnéticas de los materiales presentes.
2. Simulación de la Propagación de Ondas
Una vez definido el modelo geométrico, se simula la propagación de ondas
desde la antena hacia puntos específicos del entorno. Esto puede realizarse
utilizando métodos numéricos como el FDTD (Diferencias Finitas en el Dominio
del Tiempo):
o Dividir el dominio en una malla discreta y resolver las ecuaciones de
Maxwell en cada punto de la malla.
o Modelar fenómenos como reflexiones en superficies planas, difracciones
en bordes y dispersión en objetos pequeños.
o Calcular el campo eléctrico y magnético en cada punto del dominio para
obtener la intensidad de la señal.
Este enfoque permite capturar con precisión los efectos del entorno urbano en la
propagación de ondas, aunque puede ser computacionalmente costoso para dominios
grandes.
3. Evaluación del Rendimiento de la Antena
Con los resultados de la simulación, se puede evaluar el rendimiento de la
antena en términos de ganancia promedio y cobertura en la región objetivo.
Algunas métricas clave incluyen:
o Ganancia promedio en la región objetivo.
o Uniformidad de la cobertura (por ejemplo, minimizar zonas con señal
débil).
o Cumplimiento de restricciones específicas, como niveles mínimos de
señal en ciertas áreas.
Para optimizar el diseño, se puede incorporar una función de penalización que castigue
soluciones que no cumplan con las restricciones. Por ejemplo, si la ganancia en ciertas
áreas es inferior a un umbral, se puede agregar un término de penalización a la función
objetivo.
4. Ejemplo Simplificado
Supongamos que estamos diseñando una antena para un entorno urbano con
edificios altos y calles estrechas. Los pasos serían:
o Generar un modelo geométrico del entorno, incluyendo edificios y calles.
 o Simular la propagación de ondas desde la antena hacia puntos
específicos utilizando FDTD.
o Calcular la ganancia promedio en la región objetivo y evaluar la
uniformidad de la cobertura.
o Ajustar los parámetros de diseño de la antena (longitud de los elementos,
separación, orientación) utilizando métodos de optimización como el
gradiente descendente o el simplex secuencial.
Este enfoque combina modelado geométrico, simulación numérica y optimización para
diseñar antenas que funcionen eficientemente en entornos urbanos complejos. Al
considerar tanto los aspectos físicos como los numéricos, se obtiene una solución
integral que maximiza el rendimiento de la antena mientras se cumplen las restricciones
del entorno.
Consideraciones Prácticas
Al implementar estos métodos, es importante tener en cuenta varios aspectos prácticos:
• Errores Numéricos: Los errores de redondeo y truncamiento pueden
acumularse durante las simulaciones, especialmente en métodos iterativos
como el gradiente descendente. Para minimizar estos errores, se recomienda
utilizar bibliotecas numéricas optimizadas y trabajar con alta precisión.
• Eficiencia Computacional: Las simulaciones numéricas, especialmente en
dominios grandes, pueden ser intensivas en términos computacionales.
Técnicas como la paralelización y el uso de hardware especializado (por
ejemplo, GPUs) pueden mejorar significativamente el rendimiento.
• Validación Experimental: Los resultados obtenidos mediante métodos
numéricos deben validarse experimentalmente siempre que sea posible,
comparando las simulaciones con mediciones realizadas en prototipos
físicos.
Paso 4. Ejemplo Simplificado
Supongamos que deseamos optimizar una antena Yagi-Uda con tres elementos: un
reflector, un dipolo activo y un director. Este tipo de antena es ampliamente utilizado en
aplicaciones de comunicación debido a su alta directividad y ganancia. Sin embargo, el
diseño óptimo requiere ajustar varios parámetros para maximizar la ganancia mientras
se cumplen ciertas restricciones relacionadas con el patrón de radiación.
Parámetros de Diseño
Los parámetros clave que deben ajustarse incluyen:
• Longitud del reflector (Lr) : Determina la capacidad de la antena para reflejar
ondas hacia el frente.
• Longitud del dipolo activo (Ld) : Es el elemento excitado por la señal de
entrada y juega un papel crucial en la eficiencia de la antena.
• Longitud del director (Ly) : Influye en la directividad de la antena al guiar las
ondas hacia el lóbulo principal.
 • Separación entre elementos (d1, d2) : La distancia entre los elementos afecta
significativamente la interacción electromagnética y, por ende, la ganancia y el
patrón de radiación.
Estos parámetros deben ajustarse cuidadosamente para lograr un rendimiento óptimo.
Función Objetivo
La función objetivo es maximizar la ganancia G(Lr,Ld,Ly,d1,d2), que representa la
relación entre la potencia radiada en la dirección deseada y la potencia total entregada
a la antena. La ganancia depende de los parámetros geométricos mencionados y se
calcula mediante simulaciones numéricas o modelos analíticos.
Restricciones
Para garantizar que la antena funcione correctamente en un entorno práctico, se deben
cumplir las siguientes restricciones:
1. Patrón de radiación : El patrón de radiación debe tener un lóbulo principal bien
definido en θ=0∘, lo que asegura que la mayor parte de la energía se dirija hacia
adelante.
2. Nivel de lóbulos secundarios : Los lóbulos secundarios (indeseados) deben
estar por debajo de −20dB respecto al lóbulo principal. Esto reduce las
interferencias y mejora la calidad de la transmisión.
Estas restricciones son fundamentales para garantizar que la antena cumpla con los
requisitos de rendimiento en aplicaciones reales.
Procedimiento
El proceso de optimización se divide en varias etapas, cada una diseñada para abordar
aspectos específicos del problema:
1. Inicialización
Se seleccionan valores iniciales razonables para los parámetros de diseño (Lr, Ld, Ly,
d1, d2). Estos valores pueden basarse en diseños previos, reglas empíricas o
estimaciones teóricas. Por ejemplo:
• Lr=0.5λ, Ld=0.48λ, Ly=0.45λ, donde λ es la longitud de onda de operación.
• Separaciones típicas entre elementos: d1=0.25λ, d2=0.3λ.
Estos valores iniciales proporcionan un punto de partida para el proceso iterativo de
optimización.
2. Simulación
Para evaluar el rendimiento de la antena, se utiliza un método numérico como el Método
de los Momentos (MoM) o el Método de Diferencias Finitas en el Dominio del Tiempo
(FDTD). Estos métodos permiten calcular:
• Ganancia (G(x)) : La ganancia en la dirección deseada (θ=0∘).
• Patrón de radiación (F(θ,ϕ)) : La distribución espacial de la intensidad de la
señal emitida por la antena.
Por ejemplo, utilizando FDTD, se puede modelar la interacción electromagnética entre
los elementos de la antena y calcular el campo eléctrico y magnético en puntos
específicos del espacio. A partir de estos campos, se obtiene la ganancia y el patrón de
radiación.
3. Optimización
Una vez que se han evaluado los parámetros iniciales, se aplica un método de
optimización para ajustar los parámetros de diseño y maximizar la ganancia. Algunos
métodos comunes incluyen:
• Método del Gradiente :
Este método utiliza el gradiente de la función objetivo para actualizar
iterativamente los parámetros. La actualización se realiza según la siguiente
ecuación:

donde xk es el vector de parámetros en la iteración k, α es el tamaño de paso y ∇G(xk)

es el gradiente de la ganancia evaluado en xk.
• Simplex Secuencial :
Este método evalúa la función objetivo en un conjunto de puntos (vértices de un
simplex) y ajusta iterativamente estos puntos para converger al óptimo. Es
particularmente útil cuando el cálculo del gradiente es difícil o costoso.
Durante la optimización, se deben verificar continuamente las restricciones para
asegurar que el diseño cumple con los requisitos de patrón de radiación.
4. Validación
Finalmente, se valida el diseño optimizado verificando que:
• El patrón de radiación tiene un lóbulo principal en θ=0∘.
• Los niveles de los lóbulos secundarios están por debajo de −20dB.
Si alguna de estas condiciones no se cumple, se ajustan los parámetros y se repite el
proceso de optimización hasta alcanzar un diseño satisfactorio.
Consideraciones Adicionales
1. Errores Numéricos :
En simulaciones numéricas, los errores de redondeo y truncamiento pueden
afectar los resultados. Para minimizar estos errores, es recomendable utilizar
bibliotecas numéricas optimizadas y trabajar con alta precisión.
2. Eficiencia Computacional :
Las simulaciones electromagnéticas, especialmente con métodos como FDTD,
pueden ser computacionalmente intensivas. Técnicas como la paralelización y
el uso de hardware especializado (por ejemplo, GPUs) pueden mejorar
significativamente el rendimiento.
3. Validación Experimental :
 Siempre que sea posible, los resultados obtenidos mediante simulaciones
numéricas deben validarse experimentalmente comparándolos con mediciones
realizadas en prototipos físicos. Esto garantiza que el modelo numérico sea
representativo del comportamiento real de la antena.
Consideraciones Numéricas
1. Errores de Redondeo: Al trabajar con modelos electromagnéticos complejos,
los errores de redondeo pueden acumularse. Es recomendable usar precisión
doble en los cálculos.
2. Convergencia: Algunos métodos de optimización pueden converger lentamente
si el espacio de búsqueda es grande. Técnicas como el escalado de variables
pueden mejorar la eficiencia.
3. Validación Experimental: Los resultados de la simulación deben validarse con
mediciones experimentales para garantizar su precisión.
Conclusión
La optimización del diseño de una antena en un entorno urbano complejo requiere la
integración de métodos numéricos avanzados para resolver ecuaciones
electromagnéticas y ajustar parámetros de diseño. Siguiendo un enfoque sistemático
basado en simulaciones y optimización, es posible maximizar la ganancia y cumplir con
restricciones sobre el patrón de radiación. Este proceso combina conceptos de
optimización numérica (Capítulo 6) y simulación de sistemas físicos (Capítulo 5),
proporcionando una solución robusta y práctica al problema planteado.