NOMBRE DEL ALUMNO:

Isabel Paredes Morales

EXPERIENCIA EDUCATIVA :
Procesamiento Analogico de Señales.
(PAS)

DOCENTE:
Dr.Luis Javier Morales Mendoza

PROYECTO:
TRANSFORMADA DE FOURIER

1
 El analisis matematico es tan extenso como la naturaleza misma; define todas las relacio-
nes sensibles, mide el tiempo, los espacios, las fuerzas, las temperaturas: su atributo principal
es la claridad; no tie- ne en absoluto signos para expresar nociones confusas.
Relaciona los fenomenos mas diversos y descubre las analogıas secretas que los une.
Jean Baptiste Joseph Fourier (1768-1830)

2
 Introducción
La Transformada de Fourier (TF, como nos referiremos a ella), es una herramienta muy
poderosa que tiene una gran variedad de aplicaciones, en diversas ramas de la matemática
y la física matemática, desde la teoría de números y geometría hasta mecánica cuántica, así
como en otras áreas de la ciencia e ingeniería tales como procesamiento de señales (elec-
trónica), comunicaciones, óptica, procesamiento de imágenes y medicina, por mencionar
algunos.

Históricamente, las series de Fourier aparecen de forma natural en Astronomía, de hecho,

Neugebauer (1952) descubrió que los Babilonios utilizaron una forma primitiva de ellas en
la predicción de ciertos eventos celestiales. En 1747, la historia de las series de Fourier inicia
de manera formal, con D’Alembert y su tratado de las oscilaciones de las cuerdas del violín.
Anos más tarde, fue Fourier quien perfecciono las ideas de Bernoulli y las aplico en 1807,
en el estudio del problema de la conducción de calor. Esto quedo plasmado por escrito en el
libro clásico “Théorie analytique de la Chaleur”, publicado en 1822. Los razonamientos reali-
zados por Fourier en dicho libro, plantearon de manera inmediata numerosas controversias
y cuestiones que han tenido una influencia significativa en la historia de las Matemáticas.

Por otro lado, hoy en día, existe una inmensa gama de áreas donde se utiliza el Procesa-
miento Digital de Imágenes (PDI), como telecomunicaciones, medicina, química, astrono-
mía, industria, litografía, microscopía, microscopía de fluorescencia y microscopía de luz,
entre otros.

3
 Capítulo 1

1. Origen de los Métodos de Fourier

El propósito de este capítulo es hacer una revisión general de los antecedentes de la
Transformada de Fourier, a partir de series trigonométricas. Daremos inicio,mostrando una
breve reseña sobre la vida de Fourier.

1.1. ¿Quien fue Fourier?

Jean Baptiste Joseph Fourier matemático y físico francés, nacido en Auxerre (Francia) el
21 de marzo de 1768, fue el noveno hijo de los doce hijos que tuvo su padre (sastre) en su
segundo matrimonio. Empezó sus estudios en la Escuela de Pallais, donde estudio latín y
francés con gran aprovechamiento. Su madre murió cuando él tenía nueve años y al siguien-
te año murió su padre. Quedando huérfano, Fourier fue recomendado al obispo de Auxerre,
quien lo envió al Colegio militar local regido por los benedictinos, donde mostro interés por
la literatura y más tarde por las matemáticas.

A la edad de 12 años escribía los magníficos sermones que pronunciaban los benedictinos, a
los 14 años ya había completado el estudio de los seis volúmenes del Cours de Matemáticas
de Bezout y a los 15 años recibió el primer premio por su estudio de Mécanique en general
de Bossut.

Siempre había deseado ser soldado, pero sabía que los buenos cargos no eran concedidos
a los hijos de los sastres, así que en 1787 ingreso en la Abadía de San Benito para hacer el
noviciado con la idea de hacerse religioso. Más tarde, debatiendo entre su amor por las ma-
temáticas y sus ideas religiosas, en 1789 Fourier no tomo los votos y dejo el monasterio. Ocu-
pando al año siguiente un puesto de profesor en la École Royale Militaire de Auxerre, donde
había estudiado con anterioridad.

En 1793, poco tiempo después del comienzo de la Revolución Francesa, se involucró en po-
lítica, uniéndose al Comité Revolucionario local, con gran entusiasmo acerca de las ideas
revolucionarias de libertad. Fue arrestado en 1794 como consecuencia de sus acciones po-
líticas y estuvo en prisión a punto de enfrentarse a la guillotina. Al final de ese mismo año,
gracias a los cambios políticos, Fourier quedo en libertad.

4
 En 1795 fue admitido en la École Normale de París, donde fue alumno de Lagrange y La-
place. En ese mismo año ocupo una cátedra en la prestigiosa École Polytechnique de París,
en la que duro poco tiempo ya que, en 1798 Fourier se incorporó a la Armada de Napoleón
como un consejero científico en la invasión de Egipto. Allí creo el Instituto de El Cairo, siendo
unos de los doce miembros de la división matemática. Además, tuvo una destacada activi-
dad tanto científica como administrativa (fue nombrado gobernador del Bajo Egipto). La
expedición volvió a Francia en 1801, militarmente derrotada, pero fruto de su trabajo cien-
tífico y cultural fue la monumental obra Description de l’Egypte, comenzada a publicar en
1809.

Fourier volvió a París en 1801 y retomo su puesto como profesor de Análisis en la École Poly-
technique. Sin embargo, Napoleón (por aquel entonces con poder absoluto en Francia) le
nombro Prefecto (gobernador) del Departamento de Isére, cuya capital es Grenoble. Fue du-
rante este tiempo en Grenoble cuando Fourier hizo su contribución matemática sobre la
propagación del calor que presento a la Academia de Ciencias en 1807 y la cual desato gran-
des controversias. Fourier, no volvió a ser profesor, pero siguió trabajando en investigaciones
científicas mientras ocupaba su cargo.

Dejo la prefectura de Isére en 1814 y fue prefecto del departamento de Rhóne durante unos
meses, pero los cambios políticos le hicieron abandonar sus cargos y se trasladó nuevamen-
te a París. Allí trabajo como director de la Oficina Estadística del Sena. En 1817 fue elegido
miembro de la Academia de Ciencias en la sección de Física y en 1822, el mismo año en que
publico su famoso libro Théorie Analytique de la Charleur, fue nombrado secretario perpe-
tuo de la Academia, lo que le permitió hacer pública su memoria premiada de 1811.

Durante sus ocho últimos años en París reanudo sus investigaciones matemáticas y publico
una serie de documentos, algunos en matemáticas puras y otros sobre temas de matemáti-
cas aplicadas. Su influencia en el mundo científico francés había crecido notablemente. Él
fue el que descubrió las series matemáticas y el teorema integral que llevan su nombre. En
1826 fue elegido miembro de la Academia Francesa. Falleció en París el 16 de marzo 1830.

El trabajo de Fourier proporciono un gran impulso para posteriores investigaciones so-

bre series trigonométricas y la teoría de funciones de variable real.

5
 Capítulo 2

2. Presentación actual de series de Fourier

En la actualidad, la teoría de series de Fourier puede presentarse usando los concep-
tos y métodos de Análisis Funcional. Más concretamente esta íntimamente relacionado con
la Integral de Lebesgue, los espacios de Hilbert (extensión a dimensión infinita de espacio
euclídeo) y el espacio de funciones cuadrado integrable. Fue Hilbert quien identifico una
función dada f con sus coeficientes de Fourier { f n , n²N }.

Estos coeficientes satisfacen, en general, la condición Σ∞ 2

n=1 | f n | + ∞ (si f es de cuadrado in-
tegrable). Hilbert introdujo además el espacio l 2 de sucesiones de números reales tales que
la serie Σ∞ 2
n=1 |a n | es convergente. Posteriormente, Riesz y Fischer demostraron la existencia
de una aplicación biyectiva entre el conjunto de las funciones de cuadrado integrable (a, b)
(en un intervalo finito dado (a, b)) y el conjunto l2 (a cada función se le hace corresponder
sus coeficientes de Fourier). A continuación, se exponen algunas de las ideas fundamentales.

Definición 1. Sea X un espacio vectorial sobre un campo K . Un producto interno (o pro-

ducto escalar) en X es una asociación tal que a cada par de elementos de x y ye n X se le
asocia un escalar.

Definición 2. Un espacio vectorial X dotado de un producto escalar, es un espacio prehil-

bertiano.

Definición 3. Si en X existen n vectores no nulos ortogonales, ellos constituyen una base

ortogonal del espacioX . Más aún, si la norma de cada uno de estos vectores es igual a 1, a
esta base se le llama ortonormal.

Definición 4. Un espacio de Hilbert es un espacio vectorial X dotado de un producto es-

calar < x, y > y que es completo para la norma kxk. Es decir, si (X , k.k), donde k.k indica
la norma anterior definida a partir del producto escalar, es un espacio normado completo,
diremos que (X , <, >) es un espacio de Hilbert real.

6
2.1. Serie de Fourier
Si f ²(π, π), entonces, se define la serie de Fourier de f respecto del sistema ortonormal
como

∞
X
(a 0 cos(nx) + b n si n(nx))
n=0

con

Z π
a0 = f (x)d x
−π

1
Z π
an = p f (x)cos(nx)d x, ∀nN ∪ {0}
π −π

1
Z π
bn = p f (x)sin(nx)d x, ∀nN
π −π

Cada uno de los a n y b n se llaman Coeficientes de Fourier de la función f.

2.2. Forma compleja de la Serie de Fourier

Haciendo uso de las identidades trigonométricas

1
cos nx = (e i nx + e −i nx )
2

1
sin nx = i (e i nx + e −i nx )
2

tenemos que la Serie de Fourier

1 X∞
f (x) = a 0 + (a 0 cos(nx) + b n si n(nx))
2 n=1

7
 se convierte en

∞
c n e i nx
X
f (x) =
∞

donde

1
c0 = a0
2

1
c n = (a n − i b n )
2

1
c −n = (a n + i b n )
2

2.3. Paso de la Serie a la Transformada de Fourier

Formalmente se puede deducir la expresión de la Transformada de Fourier a partir de la
serie, haciendo tender a innito el periodo T .

Supongamos que f : [π, π] → R es una función periódica de periodo T, sabemos que po-
demos expresar f como suma de senos y cosenos, también podemos expresarla como una
serie de Fourier en forma compleja:

n=∞
c n e i nw 0 t
X
f (t ) =
n=−∞

1
Z T /2
cn = f (x)e −i nw 0 t d t
T −T /2

8
 Tomando en cuenta que ω0 = 2π/T y sustituyendo

n=∞ ·
1
Z T /2 ¸
−i nw 0 x
d x e i nw 0 t
X
f (t ) = f (x)e
n=−∞ T −T /2

Como hemos utilizado la variable comodín x en la integral, para evitar confusión con t.

Puesto que 1/T = ω0 /2π, la ecuación anterior se puede expresar como

n=∞ ·
w0
Z T /2 ¸
−i nw 0 x
d x e i nw 0 t
X
f (t ) = f (x)e
n=−∞ 2π −T /2

n=∞ ·
1
Z T /2 ¸
−i nw 0 x
d x w 0 e i nw 0 t
X
f (t ) = f (x)e
n=−∞ 2π −T /2

2π
Ahora bien, como w 0 = , si T → ∞ entonces w 0 tiende a cero.
T
Sea ω0 = ∆ω; entonces, la frecuencia de cualquier armónico n 0 debe corresponder a la va-
riable general de frecuencia que describe el espectro continuo. En otras palabras, n → ∞ a
medida que ω0 = ∆ω → 0, tal que el producto es finito; esto es,

nw 0 = n∆ω → ω

De este modo,se convierte en

n=∞ ·
1
Z T /2 ¸
−i n∆w
d x e i n∆w t ∆ω
X
f (t ) = f (x)e
n=−∞ 2π −T /2

En el límite, T → ∞, ∆ω → d ω y la sumatoria se convierte en la integral sobre ω; es decir,

la función no periódica f (t ) se convierte en:

9
 Z ∞ ·
1
Z ∞ ¸
−i w x
f (t ) = f (x)e d x ei wt d w
−∞ 2π −∞

1
Z ∞ ·Z ∞ ¸
−i w x
f (t ) = f (x)e d x ei wt d w
2π −∞ −∞

Si denimos se le conoce con el nombre de Transformada de Fourier de una funcióon f

Z ∞
F (w) = f (t )e −i w t d t
−∞

se convierte en Transformada Inversa de Fourier.

1 ∞
Z
f (t ) = F (w)e i w t d w
2π −∞

10
 Capítulo 3

3. Transformada discreta de Fourier

La transformada de Fourier de tiempo discreto (DTFT) que nos proporciona representa-
ciones alternativas para secuencias DT. La DTFT transforma una secuencia DT x[k] en una
función X (Ω) en el dominio de frecuencia DTFT.

La variable independiente X (Ω) es continua y se limita al rango π ≤ Ω < π. Con el mayor uso
de computadoras digitales y hardware especializado en el procesamiento de señales, el inte-
rés se ha centrado en las transformaciones que son adecuadas capaces de cálculos digitales.
Debido a la naturaleza continua deΩ,la implementación directa del DTFT no es adecuada
en tales dispositivos digitales.

Introducire la transformada discreta de Fourier (DFT), que se puede calcular eficientemente

cientificamente en computadoras digitales y otras placas de procesamiento de señal digital
(DSP).

El DFT es una extensión del DTFT para secuencias de tiempo limitado con un restricción adi-
cional que la frecuencia Ω se discretiza a un conjunto finito de valores dada por Ω = 2πr M ,
para 0 ≤ r ≤ (M − 1).

El número M de la frecuencia. las muestras pueden tener cualquier valor, pero generalmente
se establece igual a la longitud N del tiempo secuencia limitada x[k]. Si se elige que M sea
una potencia de 2, entonces es posible derivan implementaciones extremadamente eficien-
tes de la DFT. Estas implementaciones se conocen colectivamente como la transformada
rápida de Fourier (FFT) y, para un M- point DFT, tiene una complejidad computacional de
O(M l og 2 M ).

11
3.1. Transformada de Fourier continua a discreta
Para motivar la discusión del DFT, supongamos que somos interesado en calcular la
CTFT de una señal CT x(t ) utilizando una computadora digital. Los tres pasos principales
involucrados en el cálculo de la CTFT se ilustran en Fig. Las formas de onda para la señal CT
x(t ) y su CTFT X (ω), que se muestran en Las figuras 12.1 (a) y (b) se eligen arbitrariamente,
por lo que se aplica el siguiente procedimiento a cualquier señal de CT. Se proporciona una
breve explicación de cada uno de los tres pasos. abajo.

Paso 1: conversión de analógico a digital.

Para almacenar una señal de CT en un computadora digital, la señal CT se digitaliza. Esto se
logra a través de dos proprocesos conocidos como muestreo y cuantización, denominados
colectivamente analógicos conversión a digital (A / D) por convención. En esta discusión, so-
lo consideramos muestreo, ignorando la distorsión introducida por la cuantización. La señal
CT x ( t ) se muestrea multiplicándolo por un tren de impulsos:

∞
δ(t − mT1 )
X
s 1 (t ) = (1)
m=−∞

ilustrado en la figura 1 (c). La forma de onda muestreada viene dada porx 1 (t ) = x(t )s 1 (t ),
que se muestra en la figura 1 (e). Dado que la multiplicación en el dominio del tiempo es
equivalente a convolución en el dominio de frecuencia, el CTFT X 1 (ω) del La señal mues-
treada x 1 (t ) viene dada por el siguiente par de transformación:

∞
←−−−→
δ(t − mT1 )C T F T X 1 (ω)
X
x 1 (t ) = x(t ) ×
m=−∞
· ∞ µ ¶¸ (2)
1 2π X 2mπ
= X (ω) ∗ δ ω−
2π T1 m=−∞ T1

ó
∞
X ←−−−→
x 1 (t ) = x(mT1 )δ(t − mT1 )C T F T X 1 (ω)
m=−∞
∞ µ ¶ (3)
1 X 2mπ
= X ω−
T1 m=−∞ T1

El resultado anterior ilustra gráficamente en las figuras 1 (b), (d) y (f), donde observamos
que el espacio entre adyacentes las réplicas de X (ω) en X 1 (ω) están dadas por 2/T1 . Como
no se impone ninguna restricción en el ancho de banda de la señal CT x(t ), también se pue-
de introducir un alias limitado enX 1 (ω).

Para derivar la representación discretizada de x(t ) de la ecuación. (3), el muestreo es se-

guido de un paso adicional (que se muestra en la Fig. 1 (g)), donde los impulsos de TC se
convierten a los impulsos DT. La ecuación (3) ahora puede extenderse a derivar la DTFT de

12
la secuencia DT x 1 [k] de la siguiente manera:

∞
X
x 1 [t ] = x(mT1 )δ(t − mt 1 ) (4)
m=−∞

Tomando la DTFT de ambos lados de la ecuación. (4) rendimientos

∞
x(mT1 )e j ωmT1
X
X 1 (ω) = (5)
m=−∞

Sustituyendo x 1 [m] = x(mT1 ) y Ω = ωT1 en la ecuación (5) conduce a

∞
x 1 [m]e − j mΩ
X
X 1 (Ω) = X 1 (ω)|ω=Ω/T1 =
m=−∞

la cuál es la definición estándar de DTFT presentada. El espectro DTFT X 1 (Ω) de x 1 [k] se

obtiene cambiando el eje de frecuencia ω del espectro CTFT X 1 (ω) según la relación Ω = ωT1
. los El espectro DTFT X 1 (Ω) se ilustra en la Fig.1 (h).

13
Figura 1: Derivación gráfica del par de transformadas discretas de Fourier. (a) Señal CT origi-
nal. (b) CTFT de la señal CT original. (c) Tren de impulso muestreo de señal CT. (d) CTFT del
tren de impulsos en la parte (c). (e) CT señal muestreada (f) CTFT de la señal muestreada en
la parte (e). (g) DT representación de la señal CT en la parte (a). (h) DTFT del DT representa-
ción en la parte (g). (i) Secuencia de ventanas rectangular. (j) DTFT de la ventana rectangular.
(k) Secuencia de tiempo limitado representando la parte (g). (1) DTFT de secuencia de tiem-
po limitado en parte (k). (m) DTFT inversa del tren de impulsos del dominio de frecuencia
en la parte (n). (n) Tren de impulsos en el dominio de la frecuencia.

14
Figura 2: Cont.

15
 Paso 2: Limitación de tiempo. La señal discretizada x 1 [k] posiblemente puede ser de in-
finitalongitud. Por lo tanto, es importante truncar la longitud del discreto señal x 1 [k] a un
número finito de muestras.
Esto se logra multiplicando el señal discretizada por una ventana rectangular,

(
1 0 ≤ k ≤ (N − 1)
w[k] = (6)
0 en otra parte

de longitud N . DTFT X w (Ω) de la señal de tiempo limitado x w [k] = x 1 [k]w[k]se obtiene

convolucionando el DTFT X 1 (Ω) con el DTFT W (Ω) del ventana angular, que es una función
sinc. En términos de X 1 (Ω), el DTFT X w (Ω) de la señal de tiempo limitado está dada por

sin(0. 5N Ω) − j (N −1)/2
· ¸
1
X w (Ω) = X 1 (Ω) ⊗ e (7)
2π sin(0. 5Ω)

que se muestra en la figura 1 (l) con su representación limitada en el tiempo x w [k] trazada
en la figura 1 (k). Símbolo⊗ en la ecuación. (7) denota la convolución circular.

Paso 3: Muestreo de frecuencia. El DTFT X w (Ω) de la señal de tiempo limitado x w [k] es

una función continua de Ω y debe ser discretizado para ser almacenado en el ordenador
digital. Esto se logra multiplicando X w (Ω) por un dominio de frecuencia tren de impulsos,
cuyo DTFT está dado por

∞
2π X
µ
2πm
¶
S 2 (Ω) = δ Ω− (8)
M m=−∞ M

Por lo tanto, la versión discretizada de DTFTX w (Ω) se expresa de la siguiente manera:

sin(0. 5N Ω) − j (N −1)/2 ∞
· ¸ µ ¶
1 2πm
δ Ω−
X
X 2 (Ω) = X w (Ω)S 2 (Ω) X 1 (Ω) ⊗ e × (9)
M sin(0. 5Ω) m=−∞ M

El DTFT X 2 (Ω) se muestra en la Fig. 2 (p), donde el número M de frecuencia se muestra

dentro de un período (π ≤ Ω ≤ π) de X 2 (Ω) depende del fundamento frecuencia mentalΩ2 =
2π/M del tren de impulsos S 2 (Ω). Tomando el inverso DTFT de la ecuación.(9), la represen-
tación en el dominio del tiempo x 2 [k] de la frecuencia la señal muestreadaX 2 (Ω) viene dada
por

∞
δ(k − mM )
X
x 2 [k] = [x w [k] ∗ s 2 [k]] = [x 1 [k] · w[k]] ∗ (10)
m=−∞

y se muestra en la figura 2 (o).

16
 La versión discretizada de DTFT X w (Ω) se denomina Transformada de Fourier discreta
(DFT) y generalmente se representa como una función de la frecuencia índice de frecuencia
r correspondiente a la frecuencia DTFT Ωr = 2r π/M , para 0 ≤ r ≤ (M − 1) Para derivar la
expresión para el DFT, sustituimos Ω = 2r π/M en La siguiente definición de la DTFT:

NX
−1
X 2 (Ω) = x 2 [k]e− j kΩ (11)
k=0

donde asumimos que x 2 [k] es una secuencia de longitud N limitada en el tiempo .

La ecuación (11) se reduce de la siguiente manera:

NX
−1
X 2 (Ωr ) = x 2 [k]e− j (2πkr /M ) (12)
k=0

para 0 ≤ r ≤ (M 1). La ecuación (12) define la transformada discreta de Fourier (DFT) y se

puede implementar fácilmente en un dispositivo digital ya que convierte un número discre-
to N de muestras de entrada en x 2 [k] a un número discreto M de DFT muestras en X 2 (Ωr ).
Para ilustrar la naturaleza discreta del DFT, el DFT X 2 (Ωr )también se denota como X 2 [r ]. El
espectro DFT X 2 [r ] se representa en la figura 2 (r).

Volvamos ahora al problema original de determinar la CTFT X (ω)de la señal CT original x(t )
en un dispositivo digital.
Dado X 2 [r ] = X 2 (Ωr ), se es sencillo derivar la CTFT X (ω) de la señal CT original x(t ) por
comparando el espectro CTFT, que se muestra en la figura 1 (b), con el espectro DFT, mos-
trado en la Fig. 2 (r).

Observamos que un período del espectro DFT dentro del rango 0. 5(M − 1) ≤ r ≤ 0. 5(M − 1)
(suponiendo que M sea impar) es bastante bueno aproximación del espectro CTFT.
Esta observación lleva a lo siguiente relación:

M T1 NX
−1
X (w r ) ≈ x 2 [k]e− j (2πkr /M ) (13)
N k=0

donde las frecuencias CT ωr = Ωr /T1 = 2πr /(M × T1 ) para −0. 5(M − 1) ≤ r ≤ 0. 5(M − 1)

17
 Aunque la figura 1 ilustra la validez de la ecuación. (1) mostrando que el CTFT X (ω) y
DFT X 2 [r ] son similares, hay ligeras variaciones en los dos espectros. Estas variaciones re-
sultan del alias en el Paso 1 y la pérdida de muestras en Paso 2.
Si la señal de CT x(t ) se muestrea a una frecuencia de muestreo menor que Nyquist límite,
el alias entre réplicas adyacentes distorsiona la señal. Una segunda distorsión se introduce
cuando la secuencia muestreada x 1 [k] se multiplica por la rectangular ventana ω[k] para li-
mitar su longitud a N muestras.

Algunas muestras de x 1 [k] se pierden en el proceso. Para eliminar el alia sing, la señal de
CT x(t ) debe estar limitada en banda, mientras que la eliminación de la distorsión de tiem-
po limitado requiere que x(t ) sea finita longitud.
Estos son requisitos contradictorios ya que una señal CT no puede ser ambas tiempo limita-
do y banda limitada al mismo tiempo. Como resultado, al menos uno de los las distorsiones
mencionadas siempre estarían presentes al aproximarse a CTFT con el DFT. Esto implica que
la ecuación. (12) es una aproximación para el CTFT X () que, incluso en su mejor momento,
solo conduce a una estimación casi óptima de la contenido espectral de la señal CT.

Por otro lado, la representación DFT proporciona una estimación precisa de la DTFT de un
tiempo limitado secuencia x[k] de longitud N . Al comparar el DFT espectro, Fig. 1 (h), con
el espectro DFT, Fig.2.1 (r), la relación entre el DTFT X 2 (Ω) y el DFTX 2 [r ] se deriva. Excepto
por un factor de K /M , notamos que X 2 [r ] proporciona muestras de DTFT a frecuencias dis-
cretas Ωr = 2πr /M , para 0 ≤ r ≤ (M − 1).

La relación entre el DTFT y DFT esta dado:

N N NX
−1
X 2 (Ωr ) = X 2 [r ] = x 2 [k]e− j (2πkr /M ) (14)
M M k=0

paraΩr = 2πr /M , para 0 ≤ r ≤ (M − 1). Ahora procedemos con la definición formales pa-
ra el DFT.

18
3.2. Transformada discreta de Fourier
Según nuestra discusión en la Sección 1.1, el DFT de punto M y el DFT inverso para una
secuencia de tiempo limitado x[k], que no es cero dentro de los límites 0 ≤ k ≤ (N −1), viene
dado por

Ecuación de síntesis DFT

1 MX−1
x[k] = X [r ]e j (2πkr /M ) (15)
M r =0
para 0 ≤ k ≤ (N − 1);

Ecuación de análisis DFT

M −1
x[k]e− j (2πkr /M )
X
X [R] = (16)
r =0
para 0 ≤ r ≤ (M − 1);

La ecuación (16) se derivó en la Sección 1. Al sustituir el expresión para x[k] de la ecuación

de síntesis, la ecuación. (15), la ecuación de análisis, Eq. (16), se puede probar formalmente.
. En las ecuaciones (15) y (16), el la longitud M de la DFT generalmente se establece para que
sea mayor o igual a la longitud N de la secuencia aperiódica x[k]. A menos que se indique lo
contrario, suponemos que M = N en el discusión que sigue. Colectivamente, el par DFT se
denota como

←−→
x[k]DFT X [r ] (17)
El ejemplo 1 ilustra los pasos involucrados en el cálculo de las DFT de secuencias aperió-
dicas

19
 Ejemplo 1 Calcule el DFT de cuatro puntos de la secuencia aperiódica x[k] de longitud
N = 4, que se define de la siguiente manera


 2 k =0

 3 k =1

x[k] =


 −1 k = 2

1 k =3


Figura 3: (a) secuencia DT x[k]; (b) espectro de magnitud y (c) espectro de fase de su DTFT
X [r ] calculado en el ejemplo 1.

Solución Usando la ecuación (14), la DFT de cuatro puntos de x[k] viene dada por;

3
x[k]e− j (2πkr /4)
X
X [r ] =
k=0
= 2 + 3 × e− j (2πr /4) − 1 × e− j (2π(2)r /4) + 1 × e− j (2π(3)r /4)

para 0 ≤ r ≤ 3. Al sustituir diferentes valores de r , obtenemos

Figura 4: Ecuaciones de solución

20
3.3. Análisis de espectro utilizando el DFT
En esta sección, ilustramos cómo se puede usar el DFT para estimar el espectro conteni-
do de las señales CT y DT.

Ejemplo 2.

Usando el DFT, calcule las características de frecuencia de la exposición en descomposición.

señal nential g (t ) = exp(−0. 5t )u(t ). Trace los espectros de magnitud y fase.

Solución
Siguiendo el procedimiento descrito en la Sección 1

Paso 1: Muestreo del tren de impulsos La CTFT de la descomposición ing exponencial

está dado por

g (t ) = e−0,5t u(t )

1
G(w) =
0,5 + j w

Este par CTFT implica que el ancho de banda de g (t ) es infinito. Idealmente hablando el
teorema de muestreo de Nyquist nunca puede satisfacerse por la exposición descompuesta
señal de prueba Sin embargo, explotamos el hecho de que la magnitud |G(ω)| de la CTFT
disminuye monotónicamente con frecuencias más altas y descuidamos cualquier frecuen-
cia componentes en los cuales la magnitud cae por debajo de cierto umbral. Seleccionando
el valor deη = 0,01 × |G(ω)|max , la frecuencia umbral B viene dada por

¯ ¯
¯ 1 ¯
¯ 0. 5 + j 2πB ¯ ≤ 0,01 × |G(w)|max
¯ ¯

el valor máximo de la magnitud |G(ω)| es 2 en = 0, lo anterior la expresión se reduce a

p
0. 25 + (2πB )2 ≤ 50

oB ≥ 7,95Hz. Por lo tanto, la frecuencia de muestreo de Nyquist f 1 viene dada por

f 1 ≥ 2 × 7. 95 = 15. 90muestras/s

21
 Seleccionar una frecuencia de muestreo de f 1 = 20 muestras / s, o un intervalo de mues-
treo T1 = 1/20 = 0,05s, la aproximación DT del exponencial decadente viene dada por

g [k] = g (kT1 ) = e−0.5kT1 u[k] = e0.025k u[k]

Como hay una discontinuidad en k = 0, establecemos g [0] = 0. 5 .

Paso 2: Limitación de tiempo. Para truncar la longitud de g [k], aplicamos un rectángulo

ventana de longitud N = 203 muestras. La secuencia truncada viene dada por

(
e−0.025k 0 ≤ k ≤ 202
g w [k] = e−0.025 (u[k] − u[k − 199]) =
0 en otra parte.

El subíndice ω g g ω [k] denota la versión truncada de g [k] obtenida por multiplicando por
la función de ventana ω[k]. Tenga en cuenta que la secuencia truncadag w [k] es una apro-
ximación bastante buena de g [k], como la magnitud máxima de la las muestras truncadas
están dadas por 0.0063 y ocurren en k = 203. Esto es solo 0,63 del porcentaje del valor pico
del exponencial complejo g [k].

Paso 3: cálculo DFT

El DFT de la secuencia DT truncada g w [k] ahora se puede calcular directamente desde la
ecuación. (16). M ATLAB proporciona un incorporado función fft, que tiene la sintaxis de
llamada de:

G=fft(g);

donde g es el vector de señal que contiene los valores de la secuencia DTg w [k] y G es el DFT
calculado. Tanto g como G tienen una longitud de N , lo que implica que se está tomando un
DFT de punto N. La función incorporada fft calcula el DFT dentro del rango de frecuencia
0 ≤ r ≤ (N − 1). Como el DFT es periódico, podemos obtener el DFT dentro del rango de fre-
cuencia −(N − 1)/2 ≤ r ≤ (N − 1)/2 por un desplazamiento circular de los coeficientes DFT.
En M ATLAB , esto se logra mediante La función fftshift. Habiendo calculado el DFT, usamos
la ecuación. (12) para estimar la CTFT de la señal exponencial de descomposición CT origi-
nal g (t ). El código MATLAB para computación de la CTFT es la siguiente:

f1 = 20;t1 = 1/f1; % set sampling rate and interval

N = 203; k = 0:N-1; % set length of DT sequence to N=203
g = exp(-0.025*k); % compute the DT sequence
g(1) = 0.5;
G = fft(g); % determine the 203-point DFT
G = fftshift(G); % shift the DFT coefficients
G = t1*G; % scale DFT such that DFT = CTFT

22
w = -pi*f1:2*pi*f1/N:pi*f1-2*pi*f1/N; %compute CTFT frequencies
stem(w,abs(G)); % plot CTFT magnitude spectrum
stem(w,angle(G)); % plot CTFT phase spectrum

Figura 5: Programa en MATLAB

Las gráficas resultantes se muestran en las figuras 6 y 7. Los espectros de magnitud y fase
graficados en las figuras 6 y 7 hay estimaciones bastante buenas de las características de fre-
cuencia de la señal exponencial decreciente.

1.8

1.6

1.4

1.2

0.8

0.6

0.4

0.2

0
-80 -60 -40 -20 0 20 40 60 80

Figura 6: Estimación espectral de señal exponencial decadente g (t ) = exp(0. 5t )u(t ) usando

el DFT . Magnitud estimada espectro

23
 2

1.5

0.5

-0.5

-1

-1.5

-2
-80 -60 -40 -20 0 20 40 60 80

Figura 7: Estimación espectral de señal exponencial decadente g (t ) = exp(0. 5t )u(t ) usando

el DFT . Fase estimada espectro.

24
3.4. Propiedades del DFT
En esta sección, presentamos las propiedades del punto M DFT. El largo de la secuencia
de DT se supone que es N ≤ M . Para N < M , la secuencia DT es rellenado con cero con
M − N muestras con valor cero.

Periodicidad
El DFT de punto M de una secuencia DT aperiódica con longitud N con M ≥ N es sí pe-
riódica con periodo M . En otras palabras,

X [r ] = X [r + pM ] (18)

para 0 ≤ r ≤ (M − 1) con p²R +

Ortogonalidad
Los vectores de columna F r de la matriz DFT F forma el vectores básicos de la DFT y son
ortogonales entre sí de manera que

(
M parar = q
F rH · F q =
0 parar 6= q

donde (·) representa el producto escalar y el superíndice H representa el Heroperación mi-

tiana.

Linealidad
Si x 1 [k] y x 2 [k] son dos secuencias DT con los siguientes pares DFT de punto M :

x 1 [k]DF T X 1 [r ]yx 2 [k]DF T X 2 [r ]

←−−→ ←−−→
entonces la propiedad de linealidad establece que

a 1 x 1 [k] + a 2 x 2 [k]DF T a 1 X 1 [r ] + a 2 X 2 [r ] (19)

←−−→

para cualquier constante arbitraria a 1 y a 2 , que pueden ser de valor complejo.

25
 Simetría hermitiana

El punto M DFT X [r ] de una secuencia aperiódica de valor real x[k] es conjugado simé-
trica acerca de r = M /2. Matemáticamente, la simetría hermitiana implica ese

X [r ] = X [M − r ] (20)

donde X [r ] denota el complejo conjugado de X [r ].

En términos de los espectros de magnitud y fase del DFT X [r ], el Hermitian La propiedad

de simetría se puede expresar de la siguiente manera:

|X [M − r ]| = |X [r ]|y < X [M − r ] = − < X [r ] (21)

lo que implica que el espectro de magnitud es par y que el espectro de fase es impar.

Cambio de tiempo
Si x[k]DF T X [r ], entonces
←−−→

x[k − k 0 ]DF T e− j 2πk0 r /M X [r ] (22)

←−−→

para un DFT de punto M y cualquier entero arbitrario k0 .

26
 Convolución circular
Si x 1 [k] y x 2 [k] son dos secuencias DT con los siguientes pares DFT de punto M :

x 1 [k]DF T X 1 [r ]
←−−→
y
x 2 [k]DF T X 2 [r ]
←−−→

entonces la propiedad de convolución circular establece que

x 1 [k] ⊗ x 2 [k]DF T X 1 [r ]X 2 [r ] (23)

←−−→

1
x 1 [k]x 2 [k]DF T [X 1 [r ] ⊗ X 2 [r ]] (24)
←−−→ M

donde ⊗ denota la operación de convolución circular. Tenga en cuenta que las dos secuen-
cias debe tener la misma longitud para calcular la convolución circular.

27
 Capítulo 4

4. Transformada rápida de Fourier

4.1. Notas históricas sobre la transformada rápida de Fourier
Uno de los aportes más importantes de las matemáticas que permitió un gran avance
de la ciencia y en particular de la tecnología, en cuanto al estudio de las comunicaciones
y las señales es el análisis de Fourier. Aunque es una herramienta altamente utilizada para
resolver problemas de ingeniería, presenta algunas limitantes cuando las funciones varían
abruptamente con el tiempo. Es por ello que se implementó la Transformada corta de Fou-
rier (ventaneo), teoría que se desarrolló gracias a los avances dela mecánica cuántica alre-
dedor de 1945 por Gabor (átomos de Gabor); esta transformada permite analizar funciones
que con la antigua teoría de Fourier no se pueden trabajar, es decir, funciones de frecuencia
variable.

En el análisis que se presenta de la Short time transform (Transformada corta de Fourier)

de la función chirp se hace una presentación del espectrograma de dicha función donde se
hace evidente la importancia de esta herramienta para estudiar este tipo de funciones. Ade-
más se realizan algunos cálculos que facilitan el estudio de funciones que no encajan con el
análisis tradicional de Fourier.

A finales del siglo XIX, el matemático francés Joseph Fourier, desarrolló una teoría matemáti-
ca que establece que una función o señal, puede ser expresada como una serie posiblemente
infinita de senos y cosenos. Esto es lo que se denomina como la serie de Fourier, que es una
herramienta altamente utilizada en la resolución de problemas científicos de ingeniería, físi-
ca cuántica, óptica y acústica. Las señales pueden ser interpretadas como una combinación
lineal de ondas armónicas o tonos puros, lo que se observa de manera casi intuitiva es que
la señal en un instante de tiempo puede reemplazarse como la suma de varios tonos pu-
ros. La serie de Fourier utiliza dos funciones bases, las cuales son seno y coseno, para poder
expandir o representar una función en términos de ella. Estas funciones tienen algunas ca-
racterísticas importantes como su suavidad, (diferenciables y continuas), y además no son
localizables en el tiempo (su dominio es (−∞, ∞)

Es por esto que adquiere una gran importancia en el estudio de fenómenos periódicos, de
tiempo invariante o estacionarios; sin embargo, se presentan grandes dificultades en el ma-
nejo de esta serie cuando las funciones varían abruptamente con el tiempo, lo cual permitió
presentar una mejora sustancial al estudio tradicional de señales: éste nuevo tratamiento se
conoce como la Transformada corta de Fourier (ventaneo) que permite el estudio de estas
funciones.

28
 El algoritmo de transformación rápida de Fourier (FFT) HE es un método para calcular
la transformada finita de Fourier de una serie de N puntos de datos (complejos) en aproxi-
madamente N log, N operaciones.

Cuando fue descrito por Cooley y Tukey [’] en 1965 fue considerado como nuevo por muchas
personas conocedoras quien creía que el análisis de Fourier era un proceso que requería al-
go proporcional a las operaciones de N2 con una proporción factor de cionalidad que podría
ser reducido usando la simmetria de las funciones trigonométricas.

Programas de computadora usando los métodos de operación N2 estaban, de hecho, usando

cientos de horas de tiempo de máquina. Sin embargo, en respuesta a el artículo de Cooley-
Tukey, Rudnick , de la Institución Scripps de Oceanografía, La Jolla, California, describió su
computadora programa que también toma una serie de operaciones proportional a N log, N
y se basa en un método publicado por Danielson y Lanczos.

El documento de son-Lanczos describió el uso del método en Problemas de dispersión de

rayos X, un área donde, durante muchos años después de 1942, se presentaron los cálculos
de las transformadas de Fourier un cuello de botella formidable para los investigadores que
desconocían este método eficiente.

Sin embargo, el énfasis estaba en la economía computacional que podría derivarse de las
simetrías del seno y coseno funciones En una sección relativamente corta de Runge y Konig
se mostró cómo se puede usar la periodicidad de las funciones seno-coseno para obtener un
Fourier de punto 2N análisis de dos análisis de punto N con solo un poco más que N opera-
ciones.

Llendo hacia el otro lado, si la serie fuera transformada es de longitud N y N es una potencia
de 2, la serie se puede dividir en log, N subseries y este algoritmo de duplicación Ritmo se
puede aplicar para calcular la transformada de Fourier finita en el registro, N duplicaciones.

El número de cálculos en el algoritmo de duplicación sucesivo resultante es, por lo tanto,

proporcional a N log, N en lugar de N2. El uso de simetrías solo reduce el factor de propor-
cionalidad mientras que el sucesivo algoritmo de duplicación reemplaza N2 por N log N.

Esta distinción era importante para los valores de N utilizados en los días de Runge y Ko-
nig.

29
 Sin embargo, cuando el advenimiento de la informática la maquinaria hizo cálculos con
N grande posible, y el N log N métodos deberían haber sido explotados a fondo, aparente-
mente fueron pasados por alto, a pesar de que habian sido publicado por autores bien leídos
y bien referenciados

El algoritmo de transformación rápida de Fourier de Cooley y Tukey es más general porque

es aplicable cuando N es compuesto y no necesariamente una potencia de 2. Por lo tanto, si
dos se utilizan factores de N , de modo queN = r · s, los datos son, en efecto, poner en una
columna r, fila s matriz rectangular, y un dos la transformación dimensional se realiza con
un cambio de fase operación que interviene entre las transformaciones en el dos dimensio-
nes. Esto da como resultado N (r + s) operaciones en su lugar de N2.

Al seleccionar N para ser altamente compuesto, sustancial resultado de ahorro. Para la si-
tuación muy favorable cuando N es igual a una potencia de 2, el método Cooley-Tukey es
esencial en primer lugar, el algoritmo de duplicación sucesivo mencionado anteriormente y
toma N log, N operaciones.

La pausa de 23 años en el uso del algoritmo parecía bastante notable, y nos incitó a pre-
guntar al Prof. LH Thomas en IBM Watson Scientific Computing Laboratorio, Nueva York, N.
Y., en cuanto a si estaba familiarizado con el sucesivo algoritmo de duplicación para compu-
tación Serie de Fourier, y sabía de alguna ocasión cuando había sido usado.

Resultó que el profesor Thomas había pasado tres meses en 1948 haciendo cálculos de se-
ries de Fourier en un máquina de tabulación, usando lo que él llamó el "Método Stumpff de
subserie".

El algoritmo descrito por Thornas se pensó al principio que era esencialmente lo mismo
como el algoritmo de transformación rápida de Fourier de Cooley y Tukey ya que también
logró su economía al realizar una análisis dimensional de Fourier haciendo multidimensio-
nal Análisis de Fourier.

Sin embargo, los algoritmos son diferentes para las siguientes razones:

1. En el algoritmo de Thomas los factores de N debe ser mutuamente primo.

2. En el algoritmo de Thomas el cálculo es precisamente el análisis multidimensional de

Fourier sin cambios de fase intermedios o "factores twiddleçomo han sido llamados .

3. Las correspondencias sean entre el índice unidimensional y el multidimensional los

índices en los dos algoritmos son bastante diferente.

30
 El algoritmo de Thomas o "factor primo"se describe en detalle y comparado con el rápido
algoritmo de transformación de Fourier en la siguiente sección. Puede ser extremadamente
útil cuando se usa en combinación con el algoritmo de transformación rápida de Fourier.

31
 Existen varias técnicas bien conocidas que incluyen radix-2, radix-4, split radix, Wino-
grad y algoritmos de factores primos que se utilizan para calcular el DFT.
Estos algoritmos se conocen como el algoritmo de transformación rápida de Fourier (FFT)
Ritmos.
En esta sección, explicamos el algoritmo FFT de decimación en el tiempo radix-2 Ritmo

Para proporcionar un marco de referencia general, consideremos el cálculo complejidad de

la implementación directa de K -point DFT para el tiempo limitado secuencia x[k] con una
longitud de K . Según su definición.

k−1
x[k]e− j (2πkr /K )
X
X [r ] = (25)
k=0

Se requieren multiplicaciones complejas de K y adiciones complejas de K –1 para calcular un

solo coeficiente DFT. El cálculo de todos los coeficientes K DFT requiere K 2 adiciones com-
plejas y multiplicaciones complejas de K 2 , donde asumimos K a ser grande tal que K −1 ≈ K .

En términos de flops, cada multiplicación compleja requiere cuatro múltiples escalares. pli-
caciones y dos adiciones escalares, y cada adición compleja requiere dos adiciones escalares.
El cálculo de un solo coeficiente DFT, por lo tanto, requiere 8 K flops.

El número total de operaciones escalares para calcular el completo DFT está dado por 8K 2
flops. Ahora procedemos con el algoritmo de decimación en el tiempo radix-2 FFT. los El al-
goritmo radix-2 se basa en el siguiente principio

Proposición.

Para valores pares de K, el DFT de punto K de un valor real La secuenciax[k] con longitud
M ≤ K se puede calcular a partir de los coeficientes DFT de dos subsecuencias: (i )x[2k] , que
contiene las muestras pares de x[k] , y (i i )x[2k + 1] , que contiene las muestras con valores
impares de x[k] .

32
 Capítulo 5

5. Transformaciones numéricas de Fourier: DFT y FFT

El análisis de frecuencia es un tema importante en el IEEE. Usar una computadora en un
cálculo significa pasar a un entorno no físico, ambiente sintético numéricamente, se utili-
zan transformaciones de Fourier discretas o rápidas (DFT o FFT) para obtener la frecuencia
contenido de una señal de tiempo, y estos son totalmente diferentes a la definición mate-
mática de la transformada de Fourier. Aquí simplemente revisa el DFT y el FFT, con algunos
ejemplos característicos.

Un análisis de una señal del mundo real es un problema fundamental para Ingenieros y
Científicos. Esto es especialmente cierto para electricidad ingenieros, ya que casi todas las
señales del mundo real se transforman en una señal eléctrica por medio de transductores,
por ejemplo, acelerómetros en ingeniería mecánica, electrodos EEG y sondas de presión ar-
terial en ingeniería biomédica, transductores sísmicos en ciencias de la Tierra, antenas en
electromagnetismo y micrófonos en Ingenieria de la comunicación.

La forma tradicional de observar y analizar señales es verlos en el dominio del tiempo. Hace
más de un siglo, el barón Jean Baptiste Fourier mostró que cualquier forma de onda que exis-
ta en el mundo real puede ser representado (es decir, generada) por la adición de hasta ondas
sinusoidales Desde entonces, hemos podido construir (romper abajo) nuestra señal de tiem-
po del mundo real en términos de olas sinusoidales. Se puede demostrar que la combinación
de ondas sinusoidales es único: cualquier señal del mundo real puede ser representada por
un solo combinación sinusoidal.

La transformada de Fourier (FT) ha sido ampliamente utilizada en circuitos análisis y sín-

tesis, desde diseño de filtros hasta procesamiento de señales, reconstrucción de imagen y
modelado estocástico para no destructivo mediciones.

La transformada de Fourier también se ha utilizado ampliamente en electromagnética,

desde la teoría de la antena hasta la propagación de ondas de radio modelado, y desde la
predicción de la sección transversal del radar (RCS) a múltiples diseño del sistema de sen-
sores.

Por ejemplo, el parabolic-equación- de dos pasos método de acción (que no es más que
el método de propagación del haz en óptica) ha estado en uso durante muchas décadas. Se
basa en secuencial Operaciones de transformación de Fourier entre el número espacial y el
número de onda dominios, problemas de propagación bidimensional y tridimensional con
perfiles de terreno realistas no planos y atmosféricos no homogéneos variaciones han sido
resueltas con éxito con este método .

33
5.1. La transformada de Fourier
El principio de una transformación en ingeniería es encontrar una diferencia de repre-
sentación de una señal bajo investigación. La transformada de Fourier es la transformación
más importante ampliamente utilizada en electricidad Ingenieria.

5.2. La transformación de Fourier (FT)

Las transformaciones entre el tiempo y la frecuencia de fuego. los dominios se basan en
la transformada de Fourier y su inverso (IFT). Estos se definen a través de

Z ∞
S(w) = s(t )e − j 2π f t d t
−∞
Z ∞
s(t ) = S( f )e − j 2π f t d f (26)
−∞

Aquí, s(t ), S(ω), y f son la señal de dominio

p de tiempo, la señal de dominio de frecuen-
cia, y la frecuencia, respectivamente, y j = 4 − i . Nosotros, los físicos e ingenieros, a veces
preferimos escriba la transformación en términos de frecuencia angular, ω = 2π f , como

Z ∞
S(w) = s(t )e − j w t d t
−∞
1
Z ∞
s(t ) = S( f )e − j w t d w (27)
2π −∞

que, sin embargo, destruye la simetría. Para restaurar la simetría de las transformaciones,
1
la convención es dividir el término 1/2π; en dos, y usar p durante la transformación de
2π
Fourier y la transformada inversa de Fourier. La transformada de Fourier es válida para se-
ñales reales o señales complejas y, en general, es una función compleja de ω(ó f ).

La transformada de Fourier es válida tanto para periódicas como no periódicas. Señales de

tiempo ódicas que satisfacen ciertas condiciones. Casi todo real las señales mundiales satis-
facen fácilmente estos requisitos (debe tenerse en cuenta que la serie de Fourier es un caso
especial de la transformación de Fourier). Matemáticamente,

34
 1. La transformada de Fourier se define para tiempo continuo señales.

2. Para ir al dominio de frecuencia, la señal de tiempo debe observarse desde un tiempo

de extensión infinita ventana.

En estas condiciones, la transformada de Fourier definida anteriormente produce el com-

portamiento de frecuencia de una señal de tiempo en cada frecuencia, con resolución de
frecuencia perfecta.Algunas funciones y su Fourier transformar se enumeran en la Figura 8.

Figura 8: Algunas funciones y sus transformadas de Fourier. 1.

35
5.3. Transformada discreta de Fourier (DFT)
Para calcular la transformada de Fourier numéricamente en una computadora se re-
quiere computadora, discretización más integración numérica. Esto es una aproximación
de lo verdadero (es decir, matemático), analíticamente transformada de Fourier definida
en un entorno sintético (digital), y se llama la transformada discreta de Fourier (DFT).

Hay tres diferencias con el cálculo numérico de la transformada de Fourier:

+ Discretización (introduce periodicidad tanto en el tiempo y los dominios de frecuen-

cia)

+ Integración numérica (introduce error numérico, aproximación)

+ Duración de tiempo finito (introduce frecuencia máxima y limitaciones de resolución)

El DFT de una señal de tiempo continuo muestreada sobre un registro período de T , con
una frecuencia de muestreo de ∆ f , se puede dar como

T NX
−1
S(m∆ f ) = s(n∆t )e − j 2πm∆ f n∆t (28)
N n=0

1
donde ∆ f = , y esto es válido en frecuencias de hasta f máx = 1/2.
T
El siguiente codigo enumera un archivo MATLAB simple de la ecuación (3) para un registro
de tiempo s(t ) de dos sinusoides de las frecuencias y amplitudes de las cuales son especifi-
cadas por el usuario. El record la longitud y el intervalo de tiempo de muestreo también son
proporcionados por el usuario, y el DFT de este registro se calcula dentro de una integración
simple lazo.

36
% Programa: DFT.m
% Propósito: Calcular DFT de una señal horaria
%----------------------------------------------------
% Obtener los parámetros de entrada
fr1 = ; 60 %Frecuencia de la primera sinusoide [Hz]
fr2 = ; 95 %Frecuencia de la segunda sinusoide [Hz]
T = ; 5 %Longitud de registro de tiempo [s]
dt = ; 5 %Intervalo de tiempo de muestreo [s]
fmax = ; 75 %frecuencia máxima DFT [Hz]
df = ; 40 %Intervalo de muestreo de frecuencia DFT [Hz]

a1 = 1; a2 =1;
N=T/dt; w1=2*pi*fr1; w2=2*pi*fr2; M=fmax/df;

%Construir la serie temporal de entrada

for k =1:N
st(k) = a1*sin(w1*dt*k)+a2*sin(w2*dt*k);
end

%Aplicar el DFT con puntos M

for k = 1:M
Sf(k) = complex(0,0);
for n =1:N
Sf(k) = Sf(k)+st(n)*exp(-i*2*pi*n*dt*k*df);
end
Sf(k) =Sf(k)*dt;
end

%Preparar las muestras de frecuencia

for k = 1:M
F(k) = k*df;
end

%Trazar la salida

plot(F,abs(Sf));
title(’The DFT of the sum of two sinusoids’)
xlabel(’Frequency[Hz]’); ylabel(’Amplitude’)

%----------End of DFT.m------------------------

37
 Figura 9: Simulación de como Calcular DFT de una señal horaria

5.4. Transformada rápida de Fourier (FFT)

El DFT requiere una cantidad excesiva de tiempo de cálculo, particularmente cuando el
número de muestras, N, es alto.

La transformación de Fourier (FFT) es un algoritmo para acelerar la computación DFT ta-

tions.

Esto permite que ocurran ciertas simetrías, reduciendo el número de cálculos.

Escribir una rutina FFT no es tan simple como escribir una DFT rutina, pero hay muchas
direcciones de Internet donde uno puede ubicar Subrutinas FFT (incluido el código fuen-
te) en diferentes programaciones idiomas, de FORTRAN a C ++. Por lo tanto, el lector no
necesita entrar en detalles, en lugar de incluir tal rutina en su código por el simple uso de
ïncluir"declaraciones o comandos "llamada". En MATLAB, el comando de llamada es ffi (s,
N) para la FFT.

38
5.5. Alias, fuga espectral y pérdida festoneada
Para realizar una transformación de Fourier de forma discreta el medio ambiente in-
troduce efectos artificiales. Estos se llaman los efectos de alias, fuga espectral y pérdida de
festoneado.

Debe tenerse en cuenta al tratar con el discreto Fourier transforma eso

1. La multiplicación en el dominio del tiempo corresponde a un convolución en el domi-

nio de la frecuencia.

2. La transformación de Fourier de un tren de impulsos en el tiempo el dominio tam-

bién es un tren de impulsos en la frecuencia dominio, con las muestras de frecuencia
separadas por T0 = 1/ f 0

3. Cuanto más estrecha sea la distancia entre impulsos (TO ) en el dominio del tiempo,
cuanto mayor sea la distancia entre impulsos ( f 0 ) en el dominio de frecuencia (y vice-
versa viceversa).

4. La frecuencia de muestreo debe ser superior al doble del frecuencia más alta del regis-
tro de tiempo, es decir,∆ f ≥ 1/(2 f max )(criterio de muestreo de Nyquist).

5. Dado que el producto de ancho de banda de tiempo es una constante, narlos transi-
torios de fila en el dominio del tiempo poseen banda ancha anchos en el dominio de
frecuencia.

6. En el límite, el espectro de frecuencia de un impulso es constante y cubre todo el domi-

nio de frecuencia (eso es por qué una respuesta impulsiva de un sistema es suficiente
para encontrar la respuesta arbitraria de cualquiera entrada arbitraria.

Si la frecuencia de muestreo en el dominio del tiempo es inferior a la Tasa de Nyquist, se

produce alias .
Se dice que dos señales tienen un alias si el diferencia de sus frecuencias cae en el rango de
frecuencia de interes, que siempre se genera en el proceso de muestreo (aliasing no siempre
es malo: se llama mezclar o heterodinar en analógico electrónica, y se usa comúnmente para
sintonizar radios y canales de TV nels). Cabe señalar que, aunque obedece a la Sam Nyquist
el criterio de pling es suficiente para evitar el aliasing, no da un visualización de alta calidad
en el registro del dominio del tiempo. Si existe una sinusoide ing en la señal de tiempo no
centrada en el contenedor (es decir, si su frecuencia no es igual a cualquiera de las muestras
de frecuencia) en el dominio de frecuencia, se produce fuga espectral . Además, hay una re-
ducción en coheganancia entre si la frecuencia de la sinusoide difiere en valor de la muestras
de frecuencia, que se denomina pérdida de festoneado.

39
5.6. Funciones de ventanas y ventanas
Usando una señal discreta de longitud finita en el dominio del tiempo en Los cálculos de
transformada de Fourier significan aplicar una ganancia rectangular dow a la señal de lon-
gitud infinita. Esto no causa un problema con señales transitorias que están limitadas en el
tiempo dentro de esta ventana.
Sin embargo, ¿qué sucede si una señal de tiempo continua (por ejemplo, una sinusoide dal
wave) es de interés? Si la longitud de la ventana (es decir, el tiempo registro de la señal)
contiene un número integral de ciclos de señal de tiempo, luego la periodicidad introduci-
da por la discretización hace que el señal de ventana exactamente igual que el original. En
este caso, se dice que la señal de tiempo es periódica en el registro de tiempo. En el otro ,
hay una dificultad si la señal horaria no es periódica en el registro de tiempo, especialmente
en los bordes del registro (es decir, ventana). Si El DFT o FFT podría hacerse para ignorar
los extremos y concentrarse en el medio del registro de tiempo, se esperaría obtener mucho
más cerca del espectro de señal correcto en el dominio de frecuencia. Esta puede lograrse
mediante la multiplicación con una función que es cero en el final del registro de tiempo y
grande en el medio. Esto es conocido como ventanas.

El registro de tiempo es templado y los resultados perfectos no deberían ser esperado si se

aplica la ventana. Por ejemplo, ventanas reduce la fuga espectral, pero no la elimina por
completo. Tenga en cuenta que Se introduce la ventana para forzar que el registro de tiem-
po sea cero en el termina por lo tanto, señales transitorias que ocurren (inicio y fin) dentro
Esta ventana no requiere una ventana. Se llaman auto-ganarseñales caídas , y ejemplos son
impulsos, respuestas de choque, ruido explosiones, explosiones sinusoidales, etc.

La transformada de Fourier de un pulso rectangular es el Función Sinc . Tiene el lóbulo prin-

cipal más estrecho, pero el más alto. nivel del lóbulo lateral, en comparación con otras fun-
ciones de ventanas.

Por lo tanto, existe un compromiso entre un lóbulo principal estrecho (para resolución)
y lóbulos laterales bajos (para baja fuga espectral). Alta frecuencia La resolución de la fre-
cuencia proporciona una estimación precisa de la frecuencia de una sinusoide existente, y
da como resultado la separación de dos sinusoides que están muy espaciados en el dominio
de la frecuencia.
Bajo espectral la fuga mejora la detectabilidad de una sinusoide débil en la presión, hay una
fuerte que no está centrada en el contenedor. A algunos ejemplos de Las funciones comunes
de ventanas son (n = 0, 1, 2, .., N − 1)

Rectangular
W (n) = 1 (29)

Hanning µ ¶
1 1 2πn
W (n) = − cos (30)
2π 2π N

40
 Hamming µ ¶
2πn
W (n) = 0. 54 − 0. 46cos (31)
N

Todas estas funciones de ventanas actúan como un filtro con un diseño muy redondea-
do de parte superior.
Si una sinusoide en el registro de tiempo está centrada en el filtro, entonces se mostrará con
precisión. De lo contrario, la forma del filtro (es decir, el ventana) atenuará la amplitud de
la sinusoide (festoneado pérdida) por hasta unos pocos dB (15-20 %) cuando cae a medio
camino entre dos muestras de frecuencia discreta consecutivas. La solución de esto el pro-
blema es elegir una función de ventana plana,

Superficie plana
µ ¶ µ ¶
2πn 4πn
W (n) = 0. 281064 − 0. 520897cos + 0. 19804 (32)
N N

lo que reduce la pérdida de amplitud a un valor inferior a 0.1 dB (1 %). Sin embargo, esta
mejora de precisión no viene sin su precio: amplía el lóbulo principal en la respuesta del
dominio de frecuencia (es decir, una pequeña degradación en la resolución de frecuencia).
Siempre hay una compensación entre precisión y resolución al aplicar una función de ven-
tanas.

41
5.7. Requisitos básicos de discreción
La transformada matemática de Fourier se usa para calcular el espectro de frecuencia de
una función de tiempo sin frecuencia máxima limitaciones de resolución y consulta. Estas
limitaciones pertenecen a la DET y la FFT. La frecuencia máxima en el DFT o FFT depen-
de del intervalo de muestreo, y la resolución de frecuencia es determinado por la longitud
de registro de la señal. Es decir, N muestras de una señal de tiempo registrada durante una
duración finita de T con un muestreo período de ∆t (N = T /∆t )se puede transformar en N
muestras en el dominio de frecuencia, entre − f max y + f max según

1
f max = (33)
2∆t

1
∆f = (34)
T

Dado que el intervalo de muestreo y la longitud del registro deben ser finitos en cálculos
por computadora, la frecuencia máxima y la resolución También debe ser finito. Esto signi-
fica que:

° Cualquier componente de frecuencia, f c , más allá de + f max no poder ser observado

en su frecuencia real; en cambio, entra desde la izquierda debido a simetría rotacional
y periodicidad , y aparece en− f max + f D , dónde f D = f c − f max

° Del mismo modo, cualquier componente de frecuencia - f c , más allá − f max , no se pue-
de observar en su frecuencia real; en cambio, entra desde la derecha debido a un sím-
bolo rotacional y aparece en f max − f D dónde f D = | f c − f max |

42
 Conclusión
La transformación de Fourier es un procedimiento importante en ingeniería en el DFT y
el FFT son herramientas discretas para analizar el dominio del tiempo.

La Transformada de Fourier es una operación matemática que transforma a una Función

del dominio del tiempo al dominio de la frecuencia, pero sin alterar su contenido de infor-
mación. La idea básica, radica en que es posible formar cualquier función como una suma
de una serie de términos seno y coseno de frecuencia creciente. En otras palabras, cualquier
espacio o tiempo que varía datos puede ser transformado en un dominio diferente llamado
el espacio de frecuencia.

Algunas aplicaciones de la Transformada de Fourier

Sus aplicaciones son muy extensas, ya que abarcan diversas ramas de la matemática y la físi-
ca matemática, desde la teoría de números y geometría hasta óptica y mecánica cuántica, así
como otras áreas de la ciencia tales como medicina, comunicaciones, ingeniería biomédica,
ingeniería mecánica y de control, campos electromagnéticos, procesamiento de señales de
audio y procesamiento de imágenes.

La Transformada de Fourier también se utiliza para:

1 Analizar contenido de frecuencia de las señales.

2 Determinar cómo cambia la amplitud y las fases de las señales sinusoidales cuando
estas pasan a través de un sistema lineal e invariante en el tiempo.

3 Generar formas de onda de corriente o tensión eléctrica por medio de la superposi-

ción de senoides generados por osciladores electrónicos de amplitud variable cuyas
frecuencias ya están determinadas.

4 Analizar el comportamiento armónico de una señal.

Algunos ejemplos concretos de aplicación, son los siguientes:

1 En el campo electromagnético y de microondas la Transformada de Fourier está rela-

cionada con: el cálculo del campo cercano transitorio irradiado por dispositivos elec-
trónicos, el análisis de fenómenos de inspiración óptica novedosos en microondas, el
cálculo del campo electromagnético de rayos, la formación de haz y la radiación de
microondas solares.

2 En medicina el análisis de la transformada de Fourier esta relacionado con: el análisis

espectral del comportamiento global de los cromosomas, el análisis espectral de la
variabilidad de la frecuencia cardiaca, el procesamiento de imágenes generadas por
escanogramas, resonancias magnéticas y tomografía axial.

3 En comunicaciones se usa para analizar la frecuencia de señales, diseñar los sistemas

de transmisión de señales para transmitir información, diseñar supresores y cancela-
dores de ecos en líneas telefónicas.

43
4 En ingeniería mecánica se utiliza para balancear rotores y eliminar la vibración que
generan cuando o están balanceados, estudiar los problemas relacionados con vibra-
ciones mecánicas en los motores, generadores y equipos rotatorios en general.

5 En procesamiento de imágenes la FT se utiliza para filtrar imágenes, extraer caracte-

rísticas de interés, realizar transformaciones de imágenes y compactar imágenes.

44
6. BIBLIOGRAFIA
[1] GEP Box, LR CONNOR, WR COUSINS, 0. L. DAVIES (Ed.), FR HIRNSWORTH GP SI-
LITTO, Diseño y análisis de experimentos industriales, Oliver Boyd, Edimburgo, 1954

[2] IJ GOOD, .El algoritmo de interacción y la práctica serie de Fourier", J. Roy. Estadístico.
Soc. Ser. B. v. 20, 1958, p. 361-372; Anexo, V. 22, 1960, p. 372-375. MR 21 S1674; MR 23 S A4231.
58p.3132Adedmv.2,16, p37-7.M

[3] J. W. Cooley and J. W. Tukey. ”An algorithm for the machine calculation of complex
Fourier series.” Math. ofComput., vol. 19, pp. 297- 301. April 1965

[4] G. C. Danielson and C. Lanczos. “Some improvements in practical Fourier analysis

and their application to X-ray scattering from liquids,” J. Franklin Inst.. vol. 233, pp. 365-380
and 43-52, April 1942

[5] W. M. Gentleman and G. Sande. “Fast Fourier transforms for fun and profit,” 1966 Fall
Joinr Compurer ConJ. .. AFIPS Proc., vol. 29. Wash- ington. D. C.: Spartan, 1966, pp. 563-578.

[6] I. J. Good, “The interaction algorithm and practical Fourier analy- sis,” J. Roy. Statist.
Soc., ser. B. vol. 20, pp. 361-372, 1958: Addendum, VOI. 22, 1960, pp. 372-375. (MR 21 1674;
MR 23 A4231.

[7] P. Rudnick, “Note on the calculation of Fourier series.” Math. of’ Comput.. vol. 20. pp.
429-430, July 1966.

[8]C. Runge. Zeit. fiir Math. undPhysik, vol. 48. p. 443. 1903

[9]Zeit. ffir. Math. und Phvsik. vol. 53. p. 111. 1905

[10]C. Runge and H. Konig. “Die Grundlehren der Mathematischen Wissenschaften,” C’orlesungen
iiber Numerisches Rechnen, vol. 11. Berlin: Springer. 1924

[11]K. StumpK Tafeln und Aufgaben zur Harmonischen Analyse und Periodogrammrech-
nung. Berlin : Springer, 1939.

[12]L. H. Thomas, “Using a computer to solve problems in physics,” in Application oJDi-

gita1 Computers. Boston, Mass.: Ginn, 1963.

[13]F. Yates, The Design and AnalJsis of Factorial Experiments. Harpenden : Imperial Bu-
reau of Soil Science

45