TRANSFORMADA DISCRETA

DE FOURIER

Señales y Sistemas
 Transformada Discreta de Fourier
 Sea x(t) una señal continua en el tiempo, tomaremos una
aproximación de una sumatoria de impulsos discretos.
N −1
xs (t ) ≈ ∑ x(n∆t )δ (t − n∆t )
n =0

 Puesto que x(t) es efectivamente limitada tanto en tiempo como

en ancho de banda, esta aproximación es buena.
 ∆t = T/N, y N es el número total de muestras tomadas en el tiempo
[0,T]. Si mantenemos la naturaleza de banda limitada de x(t), se
sigue que ∆t ≤1/2W para evitar el efecto de Aliasing.
 Aplicando la transformada de Fourier
N −1 N −1
X s ( f ) = ∑ x(n∆t ) F {δ (t − n∆t )} = ∑ x(n∆t )e − 2πfn∆t
n =0 n =0

 Esta sumatoria es la transformada de Fourier de una señal discreta

representado por los valores {x(n∆t)} y es a veces expresada como
una función de la variable ω = 2πf∆t=2πr, donde r es la frecuencia
normalizada de f/fs.
 Nuestro interés radica en el calcula digital de X(f), restringiremos f a
un conjunto de valores discretos de {0,1/T,2/T,… N-1/T}. Si
definimos f=k/T=kfs , donde k toma valores enteros de 0 a N-1.
Reescribiendo X(f)
N −1
X k = ∑ xn e −2πkn / N , k = 0,1,..., N − 1
n =0
 La dependencia explícita de x(n∆t) en ∆t, ha sido descartada, y
ambas X(f) y x(t) son ahora remplazadas por secuencias {Xk} y
{xn}.
 Esta es la definición de la Transformada Discreta de Fourier de
una secuencia {xo=x(0), x1=x(∆t), x2=x(∆t), …. xN-1=x((n-1)∆t)}.
 Debido a que esto fue derivado usando un enfoque de
muestreo, es la claro que la secuencia {Xk} es periódica.
 La secuencia original en el dominio del tiempo {Xn} es obtenida
de una secuencia de muestras en el dominio de la frecuencia
por la relación inversa:
N −1
1
xn =
N
∑X
k =0
k e 2πkn / N
, n = 0,1,...N − 1
 DFT Comparado con Series de Fourier
Exponenciales
 Para enfatizar la diferencia entre la Transformada de Fourier y la
DFT, recordemos que la transformada de Fourier es usada para
representar una señal de energía continua en el tiempo.
 Y la DFT en cambio representa un número finito de valores de
muestra en el intervalo de observación finito 0<nT/N <T, y resulta
en un espectro de línea limitado de 0<k/T<N/T.
 También recordemos que los N puntos tiene periodicidad debido a
la propiedad de e±j2πkn/N.
 Ahora veremos un ejemplo del muestreo en un intervalo de
observación finito examinando una aproximación de la
Transformada de Fourier por una DFT.
 Transformada de una forma muestreada ideal
∞ ∞
y s (t ) = ∑ δ (t − mT
m = −∞
S ) ↔ fs ∑ δ ( f − nf
n = −∞
s )

 Transformada de un pulso rectangular

t −t 
∏  T 0  ↔ TSinc(Tf )e − j 2πt f 0

 El teorema de convolución de la Transformada de Fourier.

x1 (t ) * x 2 (t ) ↔ X1( f )X 2 ( f )
 El teorema de multiplicación de Fourier

x1 (t ) x 2 (t ) ↔ X1( f ) * X 2 ( f )
Ejemplo
− t  2τ
x(t ) = exp  X(f ) =
 1 + ( 2πfτ )
2
 τ 

Puesto que ahora consideraremos señales discretas, multiplicamos x(t) por

la forma de muestreo ideal, ys(t) para producir una señal exponencial
muestreada.
− t 
x s (t ) = y s (t )exp 

 τ 
Por el teorema de la multiplicación, la transformada de Fourier de xs(t) es la
convolución de las transformadas de Fourier de ys(t) y x(t).

2τ ∞ ∞
2τf s
Xs( f ) = * f s ∑ δ ( f − nf ) = ∑
1 + ( 2πfτ ) n = −∞ 1 + ( 2π ( f − nf ) s τ )
2 s 2
n = −∞
Calculando la DFT solo en una sección de T segundos es en efecto,
multiplicar xs(t) por una función de ventana Π(t/T). En el dominio de la
frecuencia, esto corresponde a la convolución de Xs(f) con la transformada
de Fourier de la función de la ventana, la cual es TSincTf.

La transformada de Fourier de la señal muestreada y ventaneada es

 ∞ 1 
X SW ( f ) = 2τf s  ∑ 2 
* TSincTf
n =−∞ 1 + ( 2π ( f − nf s )τ ) 

Finalmente, el resultado de la operación de DFT efectivamente muestrea el

espectro XSW(f) en un conjunto discreto de frecuencias separados por el
recíproco del tiempo de observación (duración de la ventana), 1/T. Esto
corresponde a la convolución en el dominio del tiempo con una secuencia de
funciones deltas ya que
∞ ∞
n
T ∑ δ (t − mT ) ↔ ∑ δ ( f − )
m = −∞ n = −∞ T

Esto produce una secuencia muestreada periódica en el dominio del tiempo,

xsp(t).
 Fuentes de Error
 Errores excesivos debido al Aliasing:
 Incrementar la tasa de muestreo
 Prefiltrar la señal para minimizar el contenido espectral de alta
frecuencia.
 Distorsión del Espectro debido al Escape (Leakage)
 Incrementar el ancho de la ventana, incrementando el número de
puntos DFT.
 Utilizar funciones de Ventana que tienen transformada de Fourier con
pocas lóbulos laterales.
 Si las componentes grandes periódicas están presente en la señal,
eliminar mediante filtrado antes de realizar el proceso de ventaneo.
 Efecto Cerca de Piquete (Picket-Fence) resulta en componentes
espectrales importantes siendo eliminadas.
 Incrementar el número de puntos DFT manteniendo la tasa de
muestreo.
 Calculo de la DFT

 Antes de ver algoritmos eficientes para el cálculo de la

suma de DFT. Consideraremos varios ejemplos en los
cuales expresiones matemáticas para DFT fueron
desarrolladas.
 Usualmente esto no es posible, y la DFT de una
secuencia debe ser evaluada numéricamente.
 Para grandes sumas, esto puede tomar mucho tiempo
de máquina.
 Por esta razón los algoritmos de Transformada Rápida
de Fourier fueron creados por J. W. Tukey.
Calculo de la DFT
 Ahora escribiremos la suma de la DFT como:
N −1
X (k ) = ∑ x[n]WNnk , k = 0 ,1,..., N-1
n =0

donde

WNnk = e − j 2πnk / N

Para una secuencia discreta en el tiempo {x(n)} de

longitud N, la suma da como resultado una
secuencia discreta en el dominio de la frecuencia
{X(k)} de longitud N.
Ejemplo
 Encontrar la DFT de la señal con N=8.

x (n) = 4 + 3Sin(πn / 2)

 Primero escribiremos x(n) con Euler

 e jπ n / 2 − e − jπ n / 2  3 jπ n / 2 3 − jπ n / 2
x(n) = 4 + 3  = 4 − je + je
 2j  2 2

 Y notemos ahora que la suma para X(k) puede ser

escrita como la suma de 3 términos.
7
X (k ) = ∑ x(n)e − j ( 2π / 8) kn , 0≤k ≤7
n =0
 Ejemplo
7 7 7
3 3
X (k ) = 4∑ e − jπkn / 4 − j ∑ e jπn / 2 e − jπkn / 4 + j ∑ e − jπn / 2 e − jπkn / 4
n =0 2 n =0 2 n =0

Si evaluamos estas sumas considerando

[ ]
N −1 N −1 N −1
S N (l , k ) = ∑ e j 2π nl / N
W =∑e
nk
N
j 2π n ( l − k ) / N
=∑ e j 2π ( l − k ) / N n

n= 0 n= 0 n= 0

De las series geométricas, sabemos que esta sumatoria tiende a:

1 − e j 2π ( l −k )
S N (l , k ) = j 2π ( l −k ) / N
= 0, k ≠l
1 −e
Ya que la exponencial es igual a 1, para cualquier par de (k,l)
 Ejemplo
 Sin embargo, k=l, el numerador y el denominador de SN(l,k).
 Pero es un caso particular de la serie geométrica si se evalúa
para k=l, entonces la serie geométrica queda como:

[ ] = ∑ [1] = ∑ 1 = N
N −1 N −1 N −1
S N (l , l ) = ∑ e j 2π ( 0 ) / N n n

n= 0 n= 0 n= 0

 Así, podemos escribir de manera compacta

S N (l , k ) = Nδ k ,l

donde δkl =1 para k=l y 0 en otro lado, esta es la función delta

de Kronecker.
Ejemplo
3 3
X (k ) = 4(8δ k , 0 ) − j (8δ k , 2 ) + j (8δ k , −2 )
2 2
X (k ) = 32δ k ,0 − j12δ k , 2 + j12δ k , − 2

X(0) =32 X(1)=0 X(2)=-j12 X(3)=0

X(4) =0 X(5)=0 X(6)=j12 X(7)=0

Ejemplo de DFT de 2 puntos

 En este algoritmo de DFT de dos puntos, el cual toma

solo dos muestras en el dominio del tiempo, x(0) y
x(1), y dos muestras en el dominio de la frecuencia
X(0) y X(1) son derivadas.
1
X (k ) = ∑ x(n)W2nk , k = 0,1
n=0

 Realizando la sumatoria
X(0)=x(0) + x(1)
X(1)=x(0) – x(1)
Ejemplo de DFT de 2 puntos

x(0) X(0)
2-Puntos
x(1) DFT
X(1)

x(0) X(0)

x(1) X(1)
-1
 Antes de seguir con el siguiente ejemplo debemos examinar WNK
para tres valores específicos de k. Para k= N/2 se tiene
π N
− j2
WNN / 2 = e N 2
= e − jπ = −1

 Los otros dos caso especiales de interés son cuando k= N/4 y 3N/
4.
π N
− j2
WNN / 4 = e N 4
= e − jπ / 2 = − j
π 3N
− j2
WN3 N / 4 = e N 4
= e − j 3π / 2 = j
Derivación Matemática de FFT
 Algoritmo en el dominio del Tiempo: Consideraremos la suma
de la DFT separadamente los términos pares e impares en la
suma, siendo n= 2r para pares y 2r+1 para impares.

N −1 N / 2 −1 N / 2 −1
X (k ) = ∑ x(n)W nk
N = ∑ x(2r )W 2 rk
N + ∑ x(2r + 1)W ( 2 r +1) k
N
n =0 r =0 r =0

N / 2 −1 N / 2 −1
X (k ) = ∑ x(2r )W
r =0
2 rk
N +W k
N ∑ x(2r + 1)W
r =0
2 rk
N = G (k ) + W Nk H (k )

N / 2 −1 N / 2 −1
G (k ) = ∑ x(2r )W
r =0
rk
N /2 H (k ) = ∑ x ( 2 r + 1)W rk
N /2
r =0
x(0) G(0) X(0)
x(2) G(1) X(1)
x(4) DFT G(2) X(2)
N/2 Puntos G(3)
x(6) X(3)

x(1) H(0) X(4)

H(1) X(5)
x(3) DFT
H(2) X(6)
x(5) N/2 Puntos
H(3) X(7)
x(7)
Derivación Matemática de FFT
 Algoritmo en el dominio de la Frecuencia: Para derivar otro
algoritmo para encontrar la DFT consideremos la sumatoria como
la suma sobre la primera mitad y otra sobre la ultima mitad de las
muestras de entrada.
N / 2 −1 N
X (k ) = ∑ x(n)W
n =0
nk
N + ∑ x
n= N / 2
( n )W nk
N

N / 2− 1 N / 2−1
N ( m+ N / 2) k
X (k ) = ∑n= 0
x(n)W +
nk
N ∑
m= 0
x(m +
2
)WN

N / 2−1 N / 2− 1
N mk
X (k ) = ∑
n= 0
x(n)W + W
nk
N N
N / 2k
∑
m= 0
x(m +
2
)WN

N / 2 −1 N / 2 −1
N mk
X (k ) = ∑ x(n)W
n =0
nk
N + (−1) k
∑
m =0
x(m +
2
)WN
Derivación Matemática de FFT
N / 2 −1
 N  nk
X (k ) = ∑
n =0
 x(n) + (−1) x(m + 2 )WN

k


 Ahora consideremos k par e impar separadamente.

N / 2−1
 N  2 nr N / 2−1  N  nr
X ( 2r ) = ∑
n= 0
 x(n) + x(m + 2 )WN = ∑  x(n) + x(m + 2 )WN / 2
n= 0

N / 2 −1
 N  2 nr n N / 2−1  N  nr n
X (2r + 1) = ∑
n =0
 x ( n ) − x ( m + )
2 W N W N = ∑ 
n =0 
x ( n ) − x ( m + )WN / 2WN
2 
x(0) X(0)

x(1) X(1)
DFT
N/2 Puntos
x(2) X(2)

x(3) X(3)

x(4) W0N X(4)

-1
x(5) W 1N X(5)
-1 DFT
x(6) W 2N N/2 Puntos
X(6)
-1
x(7) W 3N X(7)
-1
 Propiedades de la DFT

 Secuencias Discretas en tiempo son denotadas como x(n) y y(n)

 Su DFT se denotan como X(k) y Y(k)
 N es la longitud de la secuencia o tamaño de la DFT
 A y B son constantes arbitrarias
 El subíndice e significa que es par alrededor del punto (N-1)/2
para N par y N/2 para N impar.
 El subíndice o denota la secuencia impar.
 El subíndice r denota la parte real de la secuencia
 El subíndice i denota la parte imaginaria de la secuencia
Propiedades de la DFT
 Cualquier secuencia real puede ser
expresada en términos de sus partes pares e
impares.

x ( n) = x e ( n) + x o ( n)

1 1
x ( n) = [ x ( n) + x ( N − n) ] + [ x ( n) − x ( N − n) ]
2 2

 Las secuencias se asumen periódicamente

repetidas.
Propiedades de la DFT
 Linealidad

Ax(n)+By(n) ↔ AX(k) +BY(k)

 Retardo en el Tiempo

x(n-m) ↔ X(k)e(-j2πkm/N)=X(k)WNkm
Propiedades de la DFT
 Retardo en Frecuencia

x(n)e(j2πnm/N)↔ X(k-m)
 Dualidad

N-1X(n) ↔ x(-k)
Propiedades de la DFT
 Convolución Circular
N −1

∑ x(m) y(n − m) = x(n) ⊗ y(n) ↔ X (k )Y (k )

m=0

 Multiplicación

x(n) y (n) ↔ N −1 X (k ) ⊗ Y (k )
Propiedades de la DFT
 Teorema de Parseval
N −1 N −1

∑ x ( n) ∑ X (k )
2 −1 2
=N
n =0 k =0
Propiedades de la DFT
 Transformada de funciones reales pares

xer(n)↔Xer(k)
 Transformada de funciones impares reales

xor(n)↔jXoi(k)
Propiedades de la DFT
 Asuma que x(n) y y(n) son las partes real e
imaginaria de una secuencia compleja x(n),
es decir:
z(n)=x(n)+jy(n)
Entonces

z(n) ↔ Z(k)=X(k)+jY(k)
Aplicaciones de la FFT
 Filtrado
 Analizadores de Espectro
 Convolución
 Densidad Espectral de Energía
 Funciones de Autocorrelación
 Identificación del Sistema
 Recuperación de la Señal
 Deconvolución
Selección de Parámetros para el
Procesamiento de la Señal con DFT
 En el procesamiento de una señal por medio de DFT
o FFT, el teorema de muestreo requiere que la tasa
de muestreo sea de fs ≥2W muestras por segundo,
donde W es el ancho de banda de la señal. Asuma
una ventana de T segundos con una DFT de N
puntos, la tasa de muestreo es fs = N/T.

 Lo cual debe satisfacer

N
f s = ≥ 2W
T
 7

 Es espaciamiento entre muestras de frecuencia es:

fs 1
∆f = =
N T
Lo que se conoce como resolución en frecuencia.
Combinando estas ecuaciones se tiene:

1 2W
∆f = ≥ Hz
T N

Dado un ancho de banda de una señal, la resolución deseada o

espaciamiento en frecuencia determina el tamaño de la FFT
requerido. Para hacer T/Ts igual a N=2n, ceros deben ser añadidos
al final de los datos.
 Ventanas y sus Propiedades
 Hemos visto que el muestreo del espectro de una señal de en el
dominio del tiempo y ventaneada implica una extensión periódica
de la señal.
 A menos que la señal sea periódica y un número entero de
períodos estén dentro de la ventana o que se aproxime a cero en
los extremos del intervalo, la discontinuidades resultante generan
adicional componentes espectrales. Lo cual se conoce como
goteo espectral.
 Para minimizar este efecto, las muestras de datos pueden ser
multiplicadas por una ventana no rectangular que aproxime a cero
suavemente el inicio y fin de la señal.
 Varias funciones son mostradas en la siguiente tabla.
 Ventana Nivel de Ancho de Ganancia
Lóbulo Banda 3-dB Coherente
Principal (bins) [∑w(n)]2/ ∑w2(n)
(dB)

Rectangular -13 0.89 1.0

w(n)=1, n=0,1, ..N-1

Triangular -27 1.28 0.75

w(n)=2n/N, n=0,1…N/2
w(N-n-1)=w(n)

Hanning -32 1.44 0.67

w(n)=1/2[1-Cos(2πn/N)]
n=0,1….N-1
 Ventana Nivel de Ancho Ganancia
Lóbulo de Coherente
Principal (dB) Banda
[∑w(n)]2/ ∑w2(n)
3-dB
(bins)
Hamming -43 1.30 0.74
w(n)=0.54-0.46*Cos(2πn/N)]
n=0,1….N-1
Kaisser-Bessel α=2; -46 1.43 0.67
w(n)=Io(παβ)/Io(πα) α=2.5;-57 1.57 0.61
donde α=3; -69 1.71 0.56
Io(x) = Función de Bessel α=3,5;-82 1.83 0.52
modificada
2
 2n + 1 
β = 1−  − 1
 N 