Capítulo 1.

Transformadas de Fourier
Introducción

1
• Resultado fundamental: f : R → C, 1−periódica y regular =⇒
∞
X Z 1
f (t) = ck ei2πkt , donde ck = f (t)e−i2πkt dt
k=−∞ 0

• {ei2πkt }k∈Z y {ck }k∈Z como {ei }N N N

i=1 de R y {xi }i=1 en la descomposición
x = (x1 , . . . , xN ) de un vector de RN

• ck grande =⇒ f tiene alto contenido frecuencial en frecuencia k

• Componente de la forma ak cos(2πkt) + bk sin(2πkt) destaca
• ak = ck + c−k , bk = i(ck − c−k )

2
• Resultado fundamental: f : R → C, 1−periódica y regular =⇒
∞
X Z 1
f (t) = ck ei2πkt , donde ck = f (t)e−i2πkt dt
k=−∞ 0

• {ei2πkt }k∈Z y {ck }k∈Z como {ei }N N N

i=1 de R y {xi }i=1 en la descomposición
x = (x1 , . . . , xN ) de un vector de RN

• ck grande =⇒ f tiene alto contenido frecuencial en frecuencia k

• Componente de la forma ak cos(2πkt) + bk sin(2πkt) destaca
• ak = ck + c−k , bk = i(ck − c−k )

3
• Resultado fundamental: f : R → C, 1−periódica y regular =⇒
∞
X Z 1
f (t) = ck ei2πkt , donde ck = f (t)e−i2πkt dt
k=−∞ 0

• {ei2πkt }k∈Z y {ck }k∈Z como {ei }N N N

i=1 de R y {xi }i=1 en la descomposición
x = (x1 , . . . , xN ) de un vector de RN

• ck grande =⇒ f tiene alto contenido frecuencial en frecuencia k

• Componente de la forma ak cos(2πkt) + bk sin(2πkt) destaca
• ak = ck + c−k , bk = i(ck − c−k )

4
• Resultado fundamental: f : R → C, 1−periódica y regular =⇒
∞
X Z 1
f (t) = ck ei2πkt , donde ck = f (t)e−i2πkt dt
k=−∞ 0

• {ei2πkt }k∈Z y {ck }k∈Z como {ei }N N N

i=1 de R y {xi }i=1 en la descomposición
x = (x1 , . . . , xN ) de un vector de RN

• ck grande =⇒ f tiene alto contenido frecuencial en frecuencia k

• Componente de la forma ak cos(2πkt) + bk sin(2πkt) destaca
• ak = ck + c−k , bk = i(ck − c−k )

5
• Resultado fundamental: f : R → C, 1−periódica y regular =⇒
∞
X Z 1
f (t) = ck ei2πkt , donde ck = f (t)e−i2πkt dt
k=−∞ 0

• {ei2πkt }k∈Z y {ck }k∈Z como {ei }N N N

i=1 de R y {xi }i=1 en la descomposición
x = (x1 , . . . , xN ) de un vector de RN

• ck grande =⇒ f tiene alto contenido frecuencial en frecuencia k

• Componente de la forma ak cos(2πkt) + bk sin(2πkt) destaca
• ak = ck + c−k , bk = i(ck − c−k )

6
• Resultado fundamental: f : R → C, 1−periódica y regular =⇒
∞
X Z 1
f (t) = ck ei2πkt , donde ck = f (t)e−i2πkt dt
k=−∞ 0

• {ei2πkt }k∈Z y {ck }k∈Z como {ei }N N N

i=1 de R y {xi }i=1 en la descomposición
x = (x1 , . . . , xN ) de un vector de RN

• ck grande =⇒ f tiene alto contenido frecuencial en frecuencia k

• Componente de la forma ak cos(2πkt) + bk sin(2πkt) destaca
• ak = ck + c−k , bk = i(ck − c−k )

7
8
9
10
• Espectro de frecuencias discreto (k ∈ Z) porque f es periódica

• Caso general: espectro continuo (ω ∈ R)

• Transformada de Fourier: Sumatorio reemplazado por integral
Z
fˆ(ω) = f (t)e−i2πωt dt
R
• Como para la serie,
Z
f (t) = fˆ(ω)ei2πωt dω
R

• Transformada especialmente útil si f es estacionaria: repetitiva, periódica

• Ejemplo: f (t) ≡ sonido de motor con régimen de revoluciones fijo
• fˆ(ω) frecuencia de revolución del motor
• Si el régimen de revoluciones varía, la transformada da valores
promediados en tiempo de las distintas frecuencias por las que
atraviesa el motor, pero no de su progresión en el tiempo

11
• Espectro de frecuencias discreto (k ∈ Z) porque f es periódica

• Caso general: espectro continuo (ω ∈ R)

• Transformada de Fourier: Sumatorio reemplazado por integral
Z
fˆ(ω) = f (t)e−i2πωt dt
R
• Como para la serie,
Z
f (t) = fˆ(ω)ei2πωt dω
R

• Transformada especialmente útil si f es estacionaria: repetitiva, periódica

• Ejemplo: f (t) ≡ sonido de motor con régimen de revoluciones fijo
• fˆ(ω) frecuencia de revolución del motor
• Si el régimen de revoluciones varía, la transformada da valores
promediados en tiempo de las distintas frecuencias por las que
atraviesa el motor, pero no de su progresión en el tiempo

12
• Espectro de frecuencias discreto (k ∈ Z) porque f es periódica

• Caso general: espectro continuo (ω ∈ R)

• Transformada de Fourier: Sumatorio reemplazado por integral
Z
fˆ(ω) = f (t)e−i2πωt dt
R
• Como para la serie,
Z
f (t) = fˆ(ω)ei2πωt dω
R

• Transformada especialmente útil si f es estacionaria: repetitiva, periódica

• Ejemplo: f (t) ≡ sonido de motor con régimen de revoluciones fijo
• fˆ(ω) frecuencia de revolución del motor
• Si el régimen de revoluciones varía, la transformada da valores
promediados en tiempo de las distintas frecuencias por las que
atraviesa el motor, pero no de su progresión en el tiempo

13
• Espectro de frecuencias discreto (k ∈ Z) porque f es periódica

• Caso general: espectro continuo (ω ∈ R)

• Transformada de Fourier: Sumatorio reemplazado por integral
Z
fˆ(ω) = f (t)e−i2πωt dt
R
• Como para la serie,
Z
f (t) = fˆ(ω)ei2πωt dω
R

• Transformada especialmente útil si f es estacionaria: repetitiva, periódica

• Ejemplo: f (t) ≡ sonido de motor con régimen de revoluciones fijo
• fˆ(ω) frecuencia de revolución del motor
• Si el régimen de revoluciones varía, la transformada da valores
promediados en tiempo de las distintas frecuencias por las que
atraviesa el motor, pero no de su progresión en el tiempo

14
• Espectro de frecuencias discreto (k ∈ Z) porque f es periódica

• Caso general: espectro continuo (ω ∈ R)

• Transformada de Fourier: Sumatorio reemplazado por integral
Z
fˆ(ω) = f (t)e−i2πωt dt
R
• Como para la serie,
Z
f (t) = fˆ(ω)ei2πωt dω
R

• Transformada especialmente útil si f es estacionaria: repetitiva, periódica

• Ejemplo: f (t) ≡ sonido de motor con régimen de revoluciones fijo
• fˆ(ω) frecuencia de revolución del motor
• Si el régimen de revoluciones varía, la transformada da valores
promediados en tiempo de las distintas frecuencias por las que
atraviesa el motor, pero no de su progresión en el tiempo

15
• Espectro de frecuencias discreto (k ∈ Z) porque f es periódica

• Caso general: espectro continuo (ω ∈ R)

• Transformada de Fourier: Sumatorio reemplazado por integral
Z
fˆ(ω) = f (t)e−i2πωt dt
R
• Como para la serie,
Z
f (t) = fˆ(ω)ei2πωt dω
R

• Transformada especialmente útil si f es estacionaria: repetitiva, periódica

• Ejemplo: f (t) ≡ sonido de motor con régimen de revoluciones fijo
• fˆ(ω) frecuencia de revolución del motor
• Si el régimen de revoluciones varía, la transformada da valores
promediados en tiempo de las distintas frecuencias por las que
atraviesa el motor, pero no de su progresión en el tiempo

16
• Espectro de frecuencias discreto (k ∈ Z) porque f es periódica

• Caso general: espectro continuo (ω ∈ R)

• Transformada de Fourier: Sumatorio reemplazado por integral
Z
fˆ(ω) = f (t)e−i2πωt dt
R
• Como para la serie,
Z
f (t) = fˆ(ω)ei2πωt dω
R

• Transformada especialmente útil si f es estacionaria: repetitiva, periódica

• Ejemplo: f (t) ≡ sonido de motor con régimen de revoluciones fijo
• fˆ(ω) frecuencia de revolución del motor
• Si el régimen de revoluciones varía, la transformada da valores
promediados en tiempo de las distintas frecuencias por las que
atraviesa el motor, pero no de su progresión en el tiempo

17
• Espectro de frecuencias discreto (k ∈ Z) porque f es periódica

• Caso general: espectro continuo (ω ∈ R)

• Transformada de Fourier: Sumatorio reemplazado por integral
Z
fˆ(ω) = f (t)e−i2πωt dt
R
• Como para la serie,
Z
f (t) = fˆ(ω)ei2πωt dω
R

• Transformada especialmente útil si f es estacionaria: repetitiva, periódica

• Ejemplo: f (t) ≡ sonido de motor con régimen de revoluciones fijo
• fˆ(ω) frecuencia de revolución del motor
• Si el régimen de revoluciones varía, la transformada da valores
promediados en tiempo de las distintas frecuencias por las que
atraviesa el motor, pero no de su progresión en el tiempo

18
• Espectro de frecuencias discreto (k ∈ Z) porque f es periódica

• Caso general: espectro continuo (ω ∈ R)

• Transformada de Fourier: Sumatorio reemplazado por integral
Z
fˆ(ω) = f (t)e−i2πωt dt
R
• Como para la serie,
Z
f (t) = fˆ(ω)ei2πωt dω
R

• Transformada especialmente útil si f es estacionaria: repetitiva, periódica

• Ejemplo: f (t) ≡ sonido de motor con régimen de revoluciones fijo
• fˆ(ω) frecuencia de revolución del motor
• Si el régimen de revoluciones varía, la transformada da valores
promediados en tiempo de las distintas frecuencias por las que
atraviesa el motor, pero no de su progresión en el tiempo

19
Play DFT1

20
Play DFT2

21
• Para analizar señales no estacionarias
• Transformada ventaneada de Fourier: Representación tiempo-
frecuencia

• Principio de indeterminación de Heisenberg:

• No podemos determinar la frecuencia en un momento concreto, o
• No podemos tener resolución infinita simultáneamente en tiempo
y en frecuencia, o
• No podemos determinar la posición y la velocidad de una partícula
simultáneamente

• Pero sí podemos hacerlo, con ciertas limitaciones, en pequeños intervalos

de tiempo que se concatenen para cubrir la duración de la señal

22
• Para analizar señales no estacionarias
• Transformada ventaneada de Fourier: Representación tiempo-
frecuencia

• Principio de indeterminación de Heisenberg:

• No podemos determinar la frecuencia en un momento concreto, o
• No podemos tener resolución infinita simultáneamente en tiempo
y en frecuencia, o
• No podemos determinar la posición y la velocidad de una partícula
simultáneamente

• Pero sí podemos hacerlo, con ciertas limitaciones, en pequeños intervalos

de tiempo que se concatenen para cubrir la duración de la señal

23
• Para analizar señales no estacionarias
• Transformada ventaneada de Fourier: Representación tiempo-
frecuencia

• Principio de indeterminación de Heisenberg:

• No podemos determinar la frecuencia en un momento concreto, o
• No podemos tener resolución infinita simultáneamente en tiempo
y en frecuencia, o
• No podemos determinar la posición y la velocidad de una partícula
simultáneamente

• Pero sí podemos hacerlo, con ciertas limitaciones, en pequeños intervalos

de tiempo que se concatenen para cubrir la duración de la señal

24
• Para analizar señales no estacionarias
• Transformada ventaneada de Fourier: Representación tiempo-
frecuencia

• Principio de indeterminación de Heisenberg:

• No podemos determinar la frecuencia en un momento concreto, o
• No podemos tener resolución infinita simultáneamente en tiempo
y en frecuencia, o
• No podemos determinar la posición y la velocidad de una partícula
simultáneamente

• Pero sí podemos hacerlo, con ciertas limitaciones, en pequeños intervalos

de tiempo que se concatenen para cubrir la duración de la señal

25
• Para analizar señales no estacionarias
• Transformada ventaneada de Fourier: Representación tiempo-
frecuencia

• Principio de indeterminación de Heisenberg:

• No podemos determinar la frecuencia en un momento concreto, o
• No podemos tener resolución infinita simultáneamente en tiempo
y en frecuencia, o
• No podemos determinar la posición y la velocidad de una partícula
simultáneamente

• Pero sí podemos hacerlo, con ciertas limitaciones, en pequeños intervalos

de tiempo que se concatenen para cubrir la duración de la señal

26
• Para analizar señales no estacionarias
• Transformada ventaneada de Fourier: Representación tiempo-
frecuencia

• Principio de indeterminación de Heisenberg:

• No podemos determinar la frecuencia en un momento concreto, o
• No podemos tener resolución infinita simultáneamente en tiempo
y en frecuencia, o
• No podemos determinar la posición y la velocidad de una partícula
simultáneamente

• Pero sí podemos hacerlo, con ciertas limitaciones, en pequeños intervalos

de tiempo que se concatenen para cubrir la duración de la señal

27
• Para analizar señales no estacionarias
• Transformada ventaneada de Fourier: Representación tiempo-
frecuencia

• Principio de indeterminación de Heisenberg:

• No podemos determinar la frecuencia en un momento concreto, o
• No podemos tener resolución infinita simultáneamente en tiempo
y en frecuencia, o
• No podemos determinar la posición y la velocidad de una partícula
simultáneamente

• Pero sí podemos hacerlo, con ciertas limitaciones, en pequeños intervalos

de tiempo que se concatenen para cubrir la duración de la señal

28
• Para analizar señales no estacionarias
• Transformada ventaneada de Fourier: Representación tiempo-
frecuencia

• Principio de indeterminación de Heisenberg:

• No podemos determinar la frecuencia en un momento concreto, o
• No podemos tener resolución infinita simultáneamente en tiempo
y en frecuencia, o
• No podemos determinar la posición y la velocidad de una partícula
simultáneamente

• Pero sí podemos hacerlo, con ciertas limitaciones, en pequeños intervalos

de tiempo que se concatenen para cubrir la duración de la señal

29
• Estos intervalos de tiempo son modelizados mediante una ventana
w : R → R, es decir, una función w par, no negativa y con R |w(t)|2 dt = 1
R

• Se define la transformada ventaneada de Fourier de f como

Z
Sf (t, ω) = f (τ )w(τ − t)e−i2πωτ dτ.
R

• Espectrograma: PS (t, ω) = |Sf (t, ω)|2

Espectrograma de la señal
del ejemplo y frecuencia
instantánea exacta (blanco)

30
• Estos intervalos de tiempo son modelizados mediante una ventana
w : R → R, es decir, una función w par, no negativa y con R |w(t)|2 dt = 1
R

• Se define la transformada ventaneada de Fourier de f como

Z
Sf (t, ω) = f (τ )w(τ − t)e−i2πωτ dτ.
R

• Espectrograma: PS (t, ω) = |Sf (t, ω)|2

Espectrograma de la señal
del ejemplo y frecuencia
instantánea exacta (blanco)

31
• Estos intervalos de tiempo son modelizados mediante una ventana
w : R → R, es decir, una función w par, no negativa y con R |w(t)|2 dt = 1
R

• Se define la transformada ventaneada de Fourier de f como

Z
Sf (t, ω) = f (τ )w(τ − t)e−i2πωτ dτ.
R

• Espectrograma: PS (t, ω) = |Sf (t, ω)|2

Espectrograma de la señal
del ejemplo y frecuencia
instantánea exacta (blanco)

32
• Estos intervalos de tiempo son modelizados mediante una ventana
w : R → R, es decir, una función w par, no negativa y con R |w(t)|2 dt = 1
R

• Se define la transformada ventaneada de Fourier de f como

Z
Sf (t, ω) = f (τ )w(τ − t)e−i2πωτ dτ.
R

• Espectrograma: PS (t, ω) = |Sf (t, ω)|2

Espectrograma de la señal
del ejemplo y frecuencia
instantánea exacta (blanco)

33
Capítulo 1. Transformadas de Fourier
Sección 1. Transformadas de Fourier discretas

34
1.1. La transformada de Fourier discreta

• Hablaremos de señales, frecuencia de muestreo, duración de la señal, etc.

• Aplicaciones relacionadas con funciones que representan medi-
ciones en el tiempo: f (t), con t ∈ [0, T ]
• Todo es válido en otros contextos, por ejemplo f = f (x), con x
variable espacial

• Una señal finita de dimensión N es un vector f ∈ CN . Denotaremos por

f [n], con n = 0, 1, . . . , N − 1, a sus componentes o muestras

• En nuestras aplicaciones, f es determinada por una señal periódica con-

N −1
tinua f : [0, T ) → C evaluada en una malla equiespaciada {nτ }n=0 de
[0, T ), con τ = T /N . Es decir, f [n] = f (tn )

35
1.1. La transformada de Fourier discreta

• Hablaremos de señales, frecuencia de muestreo, duración de la señal, etc.

• Aplicaciones relacionadas con funciones que representan medi-
ciones en el tiempo: f (t), con t ∈ [0, T ]
• Todo es válido en otros contextos, por ejemplo f = f (x), con x
variable espacial

• Una señal finita de dimensión N es un vector f ∈ CN . Denotaremos por

f [n], con n = 0, 1, . . . , N − 1, a sus componentes o muestras

• En nuestras aplicaciones, f es determinada por una señal periódica con-

N −1
tinua f : [0, T ) → C evaluada en una malla equiespaciada {nτ }n=0 de
[0, T ), con τ = T /N . Es decir, f [n] = f (tn )

36
1.1. La transformada de Fourier discreta

• Hablaremos de señales, frecuencia de muestreo, duración de la señal, etc.

• Aplicaciones relacionadas con funciones que representan medi-
ciones en el tiempo: f (t), con t ∈ [0, T ]
• Todo es válido en otros contextos, por ejemplo f = f (x), con x
variable espacial

• Una señal finita de dimensión N es un vector f ∈ CN . Denotaremos por

f [n], con n = 0, 1, . . . , N − 1, a sus componentes o muestras

• En nuestras aplicaciones, f es determinada por una señal periódica con-

N −1
tinua f : [0, T ) → C evaluada en una malla equiespaciada {nτ }n=0 de
[0, T ), con τ = T /N . Es decir, f [n] = f (tn )

37
1.1. La transformada de Fourier discreta

• Hablaremos de señales, frecuencia de muestreo, duración de la señal, etc.

• Aplicaciones relacionadas con funciones que representan medi-
ciones en el tiempo: f (t), con t ∈ [0, T ]
• Todo es válido en otros contextos, por ejemplo f = f (x), con x
variable espacial

• Una señal finita de dimensión N es un vector f ∈ CN . Denotaremos por

f [n], con n = 0, 1, . . . , N − 1, a sus componentes o muestras

• En nuestras aplicaciones, f es determinada por una señal periódica con-

N −1
tinua f : [0, T ) → C evaluada en una malla equiespaciada {nτ }n=0 de
[0, T ), con τ = T /N . Es decir, f [n] = f (tn )

38
1.1. La transformada de Fourier discreta

• Hablaremos de señales, frecuencia de muestreo, duración de la señal, etc.

• Aplicaciones relacionadas con funciones que representan medi-
ciones en el tiempo: f (t), con t ∈ [0, T ]
• Todo es válido en otros contextos, por ejemplo f = f (x), con x
variable espacial

• Una señal finita de dimensión N es un vector f ∈ CN . Denotaremos por

f [n], con n = 0, 1, . . . , N − 1, a sus componentes o muestras

• En nuestras aplicaciones, f es determinada por una señal periódica con-

N −1
tinua f : [0, T ) → C evaluada en una malla equiespaciada {nτ }n=0 de
[0, T ), con τ = T /N . Es decir, f [n] = f (tn )

39
1.1. La transformada de Fourier discreta

• Hablaremos de señales, frecuencia de muestreo, duración de la señal, etc.

• Aplicaciones relacionadas con funciones que representan medi-
ciones en el tiempo: f (t), con t ∈ [0, T ]
• Todo es válido en otros contextos, por ejemplo f = f (x), con x
variable espacial

• Una señal finita de dimensión N es un vector f ∈ CN . Denotaremos por

f [n], con n = 0, 1, . . . , N − 1, a sus componentes o muestras

• En nuestras aplicaciones, f es determinada por una señal periódica con-

N −1
tinua f : [0, T ) → C evaluada en una malla equiespaciada {nτ }n=0 de
[0, T ), con τ = T /N . Es decir, f [n] = f (tn )

40
• CN es un espacio vectorial euclídeo de dimensión N con producto escalar
N
X −1
hf , hi = f [n]h[n]
n=0
• Señales de periodo N es subespacio cerrado

• Teorema: Toda señal finita puede descomponerse como una suma de fun-
ciones sinusoidales discretas:
Teorema


La familia {ek }k=0,...,N −1 , con ek [n] = exp i2πkn/N , n = 0, . . . , N − 1,
define una base ortogonal del espacio de señales discretas de periodo N

41
• CN es un espacio vectorial euclídeo de dimensión N con producto escalar
N
X −1
hf , hi = f [n]h[n]
n=0
• Señales de periodo N es subespacio cerrado

• Teorema: Toda señal finita puede descomponerse como una suma de fun-
ciones sinusoidales discretas:
Teorema


La familia {ek }k=0,...,N −1 , con ek [n] = exp i2πkn/N , n = 0, . . . , N − 1,
define una base ortogonal del espacio de señales discretas de periodo N

42
• CN es un espacio vectorial euclídeo de dimensión N con producto escalar
N
X −1
hf , hi = f [n]h[n]
n=0
• Señales de periodo N es subespacio cerrado

• Teorema: Toda señal finita puede descomponerse como una suma de fun-
ciones sinusoidales discretas:
Teorema


La familia {ek }k=0,...,N −1 , con ek [n] = exp i2πkn/N , n = 0, . . . , N − 1,
define una base ortogonal del espacio de señales discretas de periodo N

43
• CN es un espacio vectorial euclídeo de dimensión N con producto escalar
N
X −1
hf , hi = f [n]h[n]
n=0
• Señales de periodo N es subespacio cerrado

• Teorema: Toda señal finita puede descomponerse como una suma de fun-
ciones sinusoidales discretas:
Teorema


La familia {ek }k=0,...,N −1 , con ek [n] = exp i2πkn/N , n = 0, . . . , N − 1,
define una base ortogonal del espacio de señales discretas de periodo N

44
Demostración

• Tenemos
N
X −1  i2πkn   −i2πmn  N
X −1  i2πn(k − m) 
hek , em i = exp exp = exp
n=0
N N n=0
N

• Si k = m, hek , ek i = kek k2 = N
• Si k 6= m, observemos primero que para todo z ∈ C\{1} se tiene

zN − 1
z N −1 + · · · + z + 1 =
z−1

• Tomando z = exp(i2π(k − m)/N ) tenemos que z 6= 1 y z N = 1

• Por tanto, hek , em i = 0

• Deducimos que {ek }k=0,...,N −1 es familia ortogonal de N vectores en

CN =⇒ Forman una base 45
Demostración

• Tenemos
N
X −1  i2πkn   −i2πmn  N
X −1  i2πn(k − m) 
hek , em i = exp exp = exp
n=0
N N n=0
N

• Si k = m, hek , ek i = kek k2 = N
• Si k 6= m, observemos primero que para todo z ∈ C\{1} se tiene

zN − 1
z N −1 + · · · + z + 1 =
z−1

• Tomando z = exp(i2π(k − m)/N ) tenemos que z 6= 1 y z N = 1

• Por tanto, hek , em i = 0

• Deducimos que {ek }k=0,...,N −1 es familia ortogonal de N vectores en

CN =⇒ Forman una base 46
Demostración

• Tenemos
N
X −1  i2πkn   −i2πmn  N
X −1  i2πn(k − m) 
hek , em i = exp exp = exp
n=0
N N n=0
N

• Si k = m, hek , ek i = kek k2 = N
• Si k 6= m, observemos primero que para todo z ∈ C\{1} se tiene

zN − 1
z N −1 + · · · + z + 1 =
z−1

• Tomando z = exp(i2π(k − m)/N ) tenemos que z 6= 1 y z N = 1

• Por tanto, hek , em i = 0

• Deducimos que {ek }k=0,...,N −1 es familia ortogonal de N vectores en

CN =⇒ Forman una base 47
Demostración

• Tenemos
N
X −1  i2πkn   −i2πmn  N
X −1  i2πn(k − m) 
hek , em i = exp exp = exp
n=0
N N n=0
N

• Si k = m, hek , ek i = kek k2 = N
• Si k 6= m, observemos primero que para todo z ∈ C\{1} se tiene

zN − 1
z N −1 + · · · + z + 1 =
z−1

• Tomando z = exp(i2π(k − m)/N ) tenemos que z 6= 1 y z N = 1

• Por tanto, hek , em i = 0

• Deducimos que {ek }k=0,...,N −1 es familia ortogonal de N vectores en

CN =⇒ Forman una base 48
Demostración

• Tenemos
N
X −1  i2πkn   −i2πmn  N
X −1  i2πn(k − m) 
hek , em i = exp exp = exp
n=0
N N n=0
N

• Si k = m, hek , ek i = kek k2 = N
• Si k 6= m, observemos primero que para todo z ∈ C\{1} se tiene

zN − 1
z N −1 + · · · + z + 1 =
z−1

• Tomando z = exp(i2π(k − m)/N ) tenemos que z 6= 1 y z N = 1

• Por tanto, hek , em i = 0

• Deducimos que {ek }k=0,...,N −1 es familia ortogonal de N vectores en

CN =⇒ Forman una base 49
Demostración

• Tenemos
N
X −1  i2πkn   −i2πmn  N
X −1  i2πn(k − m) 
hek , em i = exp exp = exp
n=0
N N n=0
N

• Si k = m, hek , ek i = kek k2 = N
• Si k 6= m, observemos primero que para todo z ∈ C\{1} se tiene

zN − 1
z N −1 + · · · + z + 1 =
z−1

• Tomando z = exp(i2π(k − m)/N ) tenemos que z 6= 1 y z N = 1

• Por tanto, hek , em i = 0

• Deducimos que {ek }k=0,...,N −1 es familia ortogonal de N vectores en

CN =⇒ Forman una base 50
Demostración

• Tenemos
N
X −1  i2πkn   −i2πmn  N
X −1  i2πn(k − m) 
hek , em i = exp exp = exp
n=0
N N n=0
N

• Si k = m, hek , ek i = kek k2 = N
• Si k 6= m, observemos primero que para todo z ∈ C\{1} se tiene

zN − 1
z N −1 + · · · + z + 1 =
z−1

• Tomando z = exp(i2π(k − m)/N ) tenemos que z 6= 1 y z N = 1

• Por tanto, hek , em i = 0

• Deducimos que {ek }k=0,...,N −1 es familia ortogonal de N vectores en

CN =⇒ Forman una base 51
Definición
Sea f una señal discreta de periodo N . La transformada de Fourier
discreta (DFT) f̂ de f está definida por sus componentes
N
X −1  −i2πkn 
f̂ [k] = hf , ek i = f [n] exp , para k = 0, . . . , N − 1
n=0
N

También usaremos la notación f̂ = Fd (f )

P hf ,ek i
• Descomposición de f en {ek } → k kek k2 ek

• Transformada inversa de Fourier discreta:

N −1 N −1
X hf , ek i 1 X  i2πkn 
f [n] = ek [n] = f̂ [k] exp
kek k2 N N
k=0 k=0

para n = 0, . . . , N − 1

52
Definición
Sea f una señal discreta de periodo N . La transformada de Fourier
discreta (DFT) f̂ de f está definida por sus componentes
N
X −1  −i2πkn 
f̂ [k] = hf , ek i = f [n] exp , para k = 0, . . . , N − 1
n=0
N

También usaremos la notación f̂ = Fd (f )

P hf ,ek i
• Descomposición de f en {ek } → k kek k2 ek

• Transformada inversa de Fourier discreta:

N −1 N −1
X hf , ek i 1 X  i2πkn 
f [n] = ek [n] = f̂ [k] exp
kek k2 N N
k=0 k=0

para n = 0, . . . , N − 1

53
Definición
Sea f una señal discreta de periodo N . La transformada de Fourier
discreta (DFT) f̂ de f está definida por sus componentes
N
X −1  −i2πkn 
f̂ [k] = hf , ek i = f [n] exp , para k = 0, . . . , N − 1
n=0
N

También usaremos la notación f̂ = Fd (f )

P hf ,ek i
• Descomposición de f en {ek } → k kek k2 ek

• Transformada inversa de Fourier discreta:

N −1 N −1
X hf , ek i 1 X  i2πkn 
f [n] = ek [n] = f̂ [k] exp
kek k2 N N
k=0 k=0

para n = 0, . . . , N − 1

54
Observación
• Por periodicidad de ek , el rango de frecuencias discretas

k ∈ {0, 1, . . . , N − 1}

puede reemplazarse por cualquier traslación entera

• En el software científico el rango se centra en el cero
• Si, por ejemplo, N es impar, se toma k ∈ {−(N − 1)/2, . . . , (N − 1)/2}

55
1.2. Espectro de potencias e identidad de Plancherel

• f̂ es un vector complejo
• Es útil considerar transformaciones con valores reales que reflejen
el contenido frecuencial de f

• Espectro de potencias: PS f [k] = f̂ [k]f̂ [k] = |f̂ [k]|2

Observación
Sea f con valores reales de dimensión N impar, y frecuencias en
{−(N − 1)/2, . . . , (N − 1)/2}. Entonces, para k = 0, . . . , (N − 1)/2
N
X −1  i2πkn  N
X −1  −i2πkn 
f̂ [−k] = f [n]exp = f [n] exp = f̂ [k]
n=0
N n=0
N

Por tanto, PS f [−k] = f̂ [−k]f̂ [−k] = f̂ [k]f̂ [k] = PS f [k], es decir, el espectro de
potencias de una señal real tiene simetría par

56
1.2. Espectro de potencias e identidad de Plancherel

• f̂ es un vector complejo
• Es útil considerar transformaciones con valores reales que reflejen
el contenido frecuencial de f

• Espectro de potencias: PS f [k] = f̂ [k]f̂ [k] = |f̂ [k]|2

Observación
Sea f con valores reales de dimensión N impar, y frecuencias en
{−(N − 1)/2, . . . , (N − 1)/2}. Entonces, para k = 0, . . . , (N − 1)/2
N
X −1  i2πkn  N
X −1  −i2πkn 
f̂ [−k] = f [n]exp = f [n] exp = f̂ [k]
n=0
N n=0
N

Por tanto, PS f [−k] = f̂ [−k]f̂ [−k] = f̂ [k]f̂ [k] = PS f [k], es decir, el espectro de
potencias de una señal real tiene simetría par

57
1.2. Espectro de potencias e identidad de Plancherel

• f̂ es un vector complejo
• Es útil considerar transformaciones con valores reales que reflejen
el contenido frecuencial de f

• Espectro de potencias: PS f [k] = f̂ [k]f̂ [k] = |f̂ [k]|2

Observación
Sea f con valores reales de dimensión N impar, y frecuencias en
{−(N − 1)/2, . . . , (N − 1)/2}. Entonces, para k = 0, . . . , (N − 1)/2
N
X −1  i2πkn  N
X −1  −i2πkn 
f̂ [−k] = f [n]exp = f [n] exp = f̂ [k]
n=0
N n=0
N

Por tanto, PS f [−k] = f̂ [−k]f̂ [−k] = f̂ [k]f̂ [k] = PS f [k], es decir, el espectro de
potencias de una señal real tiene simetría par

58
1.2. Espectro de potencias e identidad de Plancherel

• f̂ es un vector complejo
• Es útil considerar transformaciones con valores reales que reflejen
el contenido frecuencial de f

• Espectro de potencias: PS f [k] = f̂ [k]f̂ [k] = |f̂ [k]|2

Observación
Sea f con valores reales de dimensión N impar, y frecuencias en
{−(N − 1)/2, . . . , (N − 1)/2}. Entonces, para k = 0, . . . , (N − 1)/2
N
X −1  i2πkn  N
X −1  −i2πkn 
f̂ [−k] = f [n]exp = f [n] exp = f̂ [k]
n=0
N n=0
N

Por tanto, PS f [−k] = f̂ [−k]f̂ [−k] = f̂ [k]f̂ [k] = PS f [k], es decir, el espectro de
potencias de una señal real tiene simetría par

59
1.2. Espectro de potencias e identidad de Plancherel

• f̂ es un vector complejo
• Es útil considerar transformaciones con valores reales que reflejen
el contenido frecuencial de f

• Espectro de potencias: PS f [k] = f̂ [k]f̂ [k] = |f̂ [k]|2

Observación
Sea f con valores reales de dimensión N impar, y frecuencias en
{−(N − 1)/2, . . . , (N − 1)/2}. Entonces, para k = 0, . . . , (N − 1)/2
N
X −1  i2πkn  N
X −1  −i2πkn 
f̂ [−k] = f [n]exp = f [n] exp = f̂ [k]
n=0
N n=0
N

Por tanto, PS f [−k] = f̂ [−k]f̂ [−k] = f̂ [k]f̂ [k] = PS f [k], es decir, el espectro de
potencias de una señal real tiene simetría par

60
61
• Identidad de Plancherel. Conservación de la energía
1
kf k2 = kf̂ k2
N
• En el caso continuo se tiene kf k2L2 (R) = kfˆk2L2 (R)

62
• Identidad de Plancherel. Conservación de la energía
1
kf k2 = kf̂ k2
N
• En el caso continuo se tiene kf k2L2 (R) = kfˆk2L2 (R)

63
• Identidad de Plancherel. Conservación de la energía
1
kf k2 = kf̂ k2
N
• En el caso continuo se tiene kf k2L2 (R) = kfˆk2L2 (R)

64
1.3. Reescalado de la DFT

• La DFT se define sobre vectores arbitrarios f ∈ C, sin hacer referencia a

lo que los mismos puedan representar
• Estableceremos la relación que existe entre FT y DFT (reescalado)

• T > 0 duración (segundos) de f : [0, T ) → R (T -periódica)

• fs en Hz (muestras por segundo)
• Número de muestras, N = T × fs (asumimos N ∈ N)
• τ = 1/fs :

f [n] = f (nτ ), para n = 0, 1, . . . , N − 1

• Debido a periodicidad, el último punto es (N − 1)T /N

• f (T ) no está incluido en f

65
1.3. Reescalado de la DFT

• La DFT se define sobre vectores arbitrarios f ∈ C, sin hacer referencia a

lo que los mismos puedan representar
• Estableceremos la relación que existe entre FT y DFT (reescalado)

• T > 0 duración (segundos) de f : [0, T ) → R (T -periódica)

• fs en Hz (muestras por segundo)
• Número de muestras, N = T × fs (asumimos N ∈ N)
• τ = 1/fs :

f [n] = f (nτ ), para n = 0, 1, . . . , N − 1

• Debido a periodicidad, el último punto es (N − 1)T /N

• f (T ) no está incluido en f

66
1.3. Reescalado de la DFT

• La DFT se define sobre vectores arbitrarios f ∈ C, sin hacer referencia a

lo que los mismos puedan representar
• Estableceremos la relación que existe entre FT y DFT (reescalado)

• T > 0 duración (segundos) de f : [0, T ) → R (T -periódica)

• fs en Hz (muestras por segundo)
• Número de muestras, N = T × fs (asumimos N ∈ N)
• τ = 1/fs :

f [n] = f (nτ ), para n = 0, 1, . . . , N − 1

• Debido a periodicidad, el último punto es (N − 1)T /N

• f (T ) no está incluido en f

67
1.3. Reescalado de la DFT

• La DFT se define sobre vectores arbitrarios f ∈ C, sin hacer referencia a

lo que los mismos puedan representar
• Estableceremos la relación que existe entre FT y DFT (reescalado)

• T > 0 duración (segundos) de f : [0, T ) → R (T -periódica)

• fs en Hz (muestras por segundo)
• Número de muestras, N = T × fs (asumimos N ∈ N)
• τ = 1/fs :

f [n] = f (nτ ), para n = 0, 1, . . . , N − 1

• Debido a periodicidad, el último punto es (N − 1)T /N

• f (T ) no está incluido en f

68
1.3. Reescalado de la DFT

• La DFT se define sobre vectores arbitrarios f ∈ C, sin hacer referencia a

lo que los mismos puedan representar
• Estableceremos la relación que existe entre FT y DFT (reescalado)

• T > 0 duración (segundos) de f : [0, T ) → R (T -periódica)

• fs en Hz (muestras por segundo)
• Número de muestras, N = T × fs (asumimos N ∈ N)
• τ = 1/fs :

f [n] = f (nτ ), para n = 0, 1, . . . , N − 1

• Debido a periodicidad, el último punto es (N − 1)T /N

• f (T ) no está incluido en f

69
1.3. Reescalado de la DFT

• La DFT se define sobre vectores arbitrarios f ∈ C, sin hacer referencia a

lo que los mismos puedan representar
• Estableceremos la relación que existe entre FT y DFT (reescalado)

• T > 0 duración (segundos) de f : [0, T ) → R (T -periódica)

• fs en Hz (muestras por segundo)
• Número de muestras, N = T × fs (asumimos N ∈ N)
• τ = 1/fs :

f [n] = f (nτ ), para n = 0, 1, . . . , N − 1

• Debido a periodicidad, el último punto es (N − 1)T /N

• f (T ) no está incluido en f

70
1.3. Reescalado de la DFT

• La DFT se define sobre vectores arbitrarios f ∈ C, sin hacer referencia a

lo que los mismos puedan representar
• Estableceremos la relación que existe entre FT y DFT (reescalado)

• T > 0 duración (segundos) de f : [0, T ) → R (T -periódica)

• fs en Hz (muestras por segundo)
• Número de muestras, N = T × fs (asumimos N ∈ N)
• τ = 1/fs :

f [n] = f (nτ ), para n = 0, 1, . . . , N − 1

• Debido a periodicidad, el último punto es (N − 1)T /N

• f (T ) no está incluido en f

71
1.3. Reescalado de la DFT

• La DFT se define sobre vectores arbitrarios f ∈ C, sin hacer referencia a

lo que los mismos puedan representar
• Estableceremos la relación que existe entre FT y DFT (reescalado)

• T > 0 duración (segundos) de f : [0, T ) → R (T -periódica)

• fs en Hz (muestras por segundo)
• Número de muestras, N = T × fs (asumimos N ∈ N)
• τ = 1/fs :

f [n] = f (nτ ), para n = 0, 1, . . . , N − 1

• Debido a periodicidad, el último punto es (N − 1)T /N

• f (T ) no está incluido en f

72
1.3. Reescalado de la DFT

• La DFT se define sobre vectores arbitrarios f ∈ C, sin hacer referencia a

lo que los mismos puedan representar
• Estableceremos la relación que existe entre FT y DFT (reescalado)

• T > 0 duración (segundos) de f : [0, T ) → R (T -periódica)

• fs en Hz (muestras por segundo)
• Número de muestras, N = T × fs (asumimos N ∈ N)
• τ = 1/fs :

f [n] = f (nτ ), para n = 0, 1, . . . , N − 1

• Debido a periodicidad, el último punto es (N − 1)T /N

• f (T ) no está incluido en f

73
• Dominio frecuencial para el muestreo es [−1/τ, 1/τ ] = [− f2s , f2s ]
• Son las frecuencias representables con el muestreo (Nyquist)
• En la práctica, se toma

fs (N − 2)fs i
h

 − , si N es par
 2 2N
Dω = h
 − (N − 1)fs , (N − 1)fs
 i
si N es impar

2N 2N

• En Dω , partición uniforme de N puntos con paso

1 fs 1
∆ω = |Dω | = =
N −1 N Nτ

• Evaluando fˆ en los puntos k∆ω de la malla frecuencial ( k = 0, 1, . . . , N −1)

Z T N −1
t = nτ X
fˆ(k∆ω) = f (t)e−i2πtk∆ω dt ≈ τ f [n]e−i2πnkτ ∆ω
0 n=0
N −1
τ ∆ω = 1/N X i2πkn

= τ f [n] exp − = τ f̂ [k]
n=0
N
74
• Dominio frecuencial para el muestreo es [−1/τ, 1/τ ] = [− f2s , f2s ]
• Son las frecuencias representables con el muestreo (Nyquist)
• En la práctica, se toma

fs (N − 2)fs i
h

 − , si N es par
 2 2N
Dω = h
 − (N − 1)fs , (N − 1)fs
 i
si N es impar

2N 2N

• En Dω , partición uniforme de N puntos con paso

1 fs 1
∆ω = |Dω | = =
N −1 N Nτ

• Evaluando fˆ en los puntos k∆ω de la malla frecuencial ( k = 0, 1, . . . , N −1)

Z T N −1
t = nτ X
fˆ(k∆ω) = f (t)e−i2πtk∆ω dt ≈ τ f [n]e−i2πnkτ ∆ω
0 n=0
N −1
τ ∆ω = 1/N X i2πkn

= τ f [n] exp − = τ f̂ [k]
n=0
N
75
• Dominio frecuencial para el muestreo es [−1/τ, 1/τ ] = [− f2s , f2s ]
• Son las frecuencias representables con el muestreo (Nyquist)
• En la práctica, se toma

fs (N − 2)fs i
h

 − , si N es par
 2 2N
Dω = h
 − (N − 1)fs , (N − 1)fs
 i
si N es impar

2N 2N

• En Dω , partición uniforme de N puntos con paso

1 fs 1
∆ω = |Dω | = =
N −1 N Nτ

• Evaluando fˆ en los puntos k∆ω de la malla frecuencial ( k = 0, 1, . . . , N −1)

Z T N −1
t = nτ X
fˆ(k∆ω) = f (t)e−i2πtk∆ω dt ≈ τ f [n]e−i2πnkτ ∆ω
0 n=0
N −1
τ ∆ω = 1/N X i2πkn

= τ f [n] exp − = τ f̂ [k]
n=0
N
76
• Dominio frecuencial para el muestreo es [−1/τ, 1/τ ] = [− f2s , f2s ]
• Son las frecuencias representables con el muestreo (Nyquist)
• En la práctica, se toma

fs (N − 2)fs i
h

 − , si N es par
 2 2N
Dω = h
 − (N − 1)fs , (N − 1)fs
 i
si N es impar

2N 2N

• En Dω , partición uniforme de N puntos con paso

1 fs 1
∆ω = |Dω | = =
N −1 N Nτ

• Evaluando fˆ en los puntos k∆ω de la malla frecuencial ( k = 0, 1, . . . , N −1)

Z T N −1
t = nτ X
fˆ(k∆ω) = f (t)e−i2πtk∆ω dt ≈ τ f [n]e−i2πnkτ ∆ω
0 n=0
N −1
τ ∆ω = 1/N X i2πkn

= τ f [n] exp − = τ f̂ [k]
n=0
N
77
• Dominio frecuencial para el muestreo es [−1/τ, 1/τ ] = [− f2s , f2s ]
• Son las frecuencias representables con el muestreo (Nyquist)
• En la práctica, se toma

fs (N − 2)fs i
h

 − , si N es par
 2 2N
Dω = h
 − (N − 1)fs , (N − 1)fs
 i
si N es impar

2N 2N

• En Dω , partición uniforme de N puntos con paso

1 fs 1
∆ω = |Dω | = =
N −1 N Nτ

• Evaluando fˆ en los puntos k∆ω de la malla frecuencial ( k = 0, 1, . . . , N −1)

Z T N −1
t = nτ X
fˆ(k∆ω) = f (t)e−i2πtk∆ω dt ≈ τ f [n]e−i2πnkτ ∆ω
0 n=0
N −1
τ ∆ω = 1/N X i2πkn

= τ f [n] exp − = τ f̂ [k]
n=0
N
78
• Dominio frecuencial para el muestreo es [−1/τ, 1/τ ] = [− f2s , f2s ]
• Son las frecuencias representables con el muestreo (Nyquist)
• En la práctica, se toma

fs (N − 2)fs i
h

 − , si N es par
 2 2N
Dω = h
 − (N − 1)fs , (N − 1)fs
 i
si N es impar

2N 2N

• En Dω , partición uniforme de N puntos con paso

1 fs 1
∆ω = |Dω | = =
N −1 N Nτ

• Evaluando fˆ en los puntos k∆ω de la malla frecuencial ( k = 0, 1, . . . , N −1)

Z T N −1
t = nτ X
fˆ(k∆ω) = f (t)e−i2πtk∆ω dt ≈ τ f [n]e−i2πnkτ ∆ω
0 n=0
N −1
τ ∆ω = 1/N X i2πkn

= τ f [n] exp − = τ f̂ [k]
n=0
N
79
• Por lo que definimos la DFT reescalada por

Fr (f )[k] = τ f̂ [k]
• Y la DFT inversa reescalada por
1 −1
Fr−1 (g)[n] = F (g)[n]
τ d

• La identidad de Plancherel continua se aproxima correctamente:

Z N
X −1 N
X −1
|F(f )(ω)|2 dω ≈ ∆ω |Fr (f )[k]|2 = ∆ωτ 2 |Fd (f )[k]|2
Dω k=0 k=0
N −1 N −1
Plancherel
X τ ∆ω = 1/N X
= N ∆ωτ 2 |f [n]|2 = τ |f [n]|2
n=0 n=0
Z T
≈ |f (t)|2 dt
0

80
• Por lo que definimos la DFT reescalada por

Fr (f )[k] = τ f̂ [k]
• Y la DFT inversa reescalada por
1 −1
Fr−1 (g)[n] = F (g)[n]
τ d

• La identidad de Plancherel continua se aproxima correctamente:

Z N
X −1 N
X −1
|F(f )(ω)|2 dω ≈ ∆ω |Fr (f )[k]|2 = ∆ωτ 2 |Fd (f )[k]|2
Dω k=0 k=0
N −1 N −1
Plancherel
X τ ∆ω = 1/N X
= N ∆ωτ 2 |f [n]|2 = τ |f [n]|2
n=0 n=0
Z T
≈ |f (t)|2 dt
0

81
• Por lo que definimos la DFT reescalada por

Fr (f )[k] = τ f̂ [k]
• Y la DFT inversa reescalada por
1 −1
Fr−1 (g)[n] = F (g)[n]
τ d

• La identidad de Plancherel continua se aproxima correctamente:

Z N
X −1 N
X −1
|F(f )(ω)|2 dω ≈ ∆ω |Fr (f )[k]|2 = ∆ωτ 2 |Fd (f )[k]|2
Dω k=0 k=0
N −1 N −1
Plancherel
X τ ∆ω = 1/N X
= N ∆ωτ 2 |f [n]|2 = τ |f [n]|2
n=0 n=0
Z T
≈ |f (t)|2 dt
0

82
• Por lo que definimos la DFT reescalada por

Fr (f )[k] = τ f̂ [k]
• Y la DFT inversa reescalada por
1 −1
Fr−1 (g)[n] = F (g)[n]
τ d

• La identidad de Plancherel continua se aproxima correctamente:

Z N
X −1 N
X −1
|F(f )(ω)|2 dω ≈ ∆ω |Fr (f )[k]|2 = ∆ωτ 2 |Fd (f )[k]|2
Dω k=0 k=0
N −1 N −1
Plancherel
X τ ∆ω = 1/N X
= N ∆ωτ 2 |f [n]|2 = τ |f [n]|2
n=0 n=0
Z T
≈ |f (t)|2 dt
0

83
• Parámetros de la discretización
• fs muestras por segundo
• N = int(T × fs ), número de nodos temporales
• ∆ω = fs /N = 1/Tef f , resolución frecuencial
• ∆ω es independiente del número de nodos temporales N
• La resolución temporal no afecta a la resolución frecuencial, sino
a la extensión del conjunto de frecuencias representables, Dω
84
• Parámetros de la discretización
• fs muestras por segundo
• N = int(T × fs ), número de nodos temporales
• ∆ω = fs /N = 1/Tef f , resolución frecuencial
• ∆ω es independiente del número de nodos temporales N
• La resolución temporal no afecta a la resolución frecuencial, sino
a la extensión del conjunto de frecuencias representables, Dω
85
• Parámetros de la discretización
• fs muestras por segundo
• N = int(T × fs ), número de nodos temporales
• ∆ω = fs /N = 1/Tef f , resolución frecuencial
• ∆ω es independiente del número de nodos temporales N
• La resolución temporal no afecta a la resolución frecuencial, sino
a la extensión del conjunto de frecuencias representables, Dω
86
• Parámetros de la discretización
• fs muestras por segundo
• N = int(T × fs ), número de nodos temporales
• ∆ω = fs /N = 1/Tef f , resolución frecuencial
• ∆ω es independiente del número de nodos temporales N
• La resolución temporal no afecta a la resolución frecuencial, sino
a la extensión del conjunto de frecuencias representables, Dω
87
• Parámetros de la discretización
• fs muestras por segundo
• N = int(T × fs ), número de nodos temporales
• ∆ω = fs /N = 1/Tef f , resolución frecuencial
• ∆ω es independiente del número de nodos temporales N
• La resolución temporal no afecta a la resolución frecuencial, sino
a la extensión del conjunto de frecuencias representables, Dω
88
• Parámetros de la discretización
• fs muestras por segundo
• N = int(T × fs ), número de nodos temporales
• ∆ω = fs /N = 1/Tef f , resolución frecuencial
• ∆ω es independiente del número de nodos temporales N
• La resolución temporal no afecta a la resolución frecuencial, sino
a la extensión del conjunto de frecuencias representables, Dω
89
• Parámetros de la discretización
• fs muestras por segundo
• N = int(T × fs ), número de nodos temporales
• ∆ω = fs /N = 1/Tef f , resolución frecuencial
• ∆ω es independiente del número de nodos temporales N
• La resolución temporal no afecta a la resolución frecuencial, sino
a la extensión del conjunto de frecuencias representables, Dω
90
1.4. Otras propiedades de la DFT

• Teorema de convolución
• f y h dos señales de dimensión N y consideremos

h̃[n] = h[n Mod N ] ∀n ∈ Z

f̃ [n] = f [n Mod N ],
PN −1
• Convolución circular: f ~ h[n] = m=0 f̃ [n − m]h̃[m]
• Teorema: g = f ~ h =⇒ ĝ[k] = f̂ [k]ĥ[k]

• Frecuencia de Nyquist. f ∈ L2 (R) con sop fˆ(ω) ⊂ (−ωN , ωN ]

• f muestreo de f con paso τ
• Definición: Frecuencia de muestreo: fs = 1/τ
• Criterio de Nyquist: fs > 2ωN =⇒ f se reconstruye por f [n]
• fs < 2ωN =⇒ Aliasing

91
1.4. Otras propiedades de la DFT

• Teorema de convolución
• f y h dos señales de dimensión N y consideremos

h̃[n] = h[n Mod N ] ∀n ∈ Z

f̃ [n] = f [n Mod N ],
PN −1
• Convolución circular: f ~ h[n] = m=0 f̃ [n − m]h̃[m]
• Teorema: g = f ~ h =⇒ ĝ[k] = f̂ [k]ĥ[k]

• Frecuencia de Nyquist. f ∈ L2 (R) con sop fˆ(ω) ⊂ (−ωN , ωN ]

• f muestreo de f con paso τ
• Definición: Frecuencia de muestreo: fs = 1/τ
• Criterio de Nyquist: fs > 2ωN =⇒ f se reconstruye por f [n]
• fs < 2ωN =⇒ Aliasing

92
1.4. Otras propiedades de la DFT

• Teorema de convolución
• f y h dos señales de dimensión N y consideremos

h̃[n] = h[n Mod N ] ∀n ∈ Z

f̃ [n] = f [n Mod N ],
PN −1
• Convolución circular: f ~ h[n] = m=0 f̃ [n − m]h̃[m]
• Teorema: g = f ~ h =⇒ ĝ[k] = f̂ [k]ĥ[k]

• Frecuencia de Nyquist. f ∈ L2 (R) con sop fˆ(ω) ⊂ (−ωN , ωN ]

• f muestreo de f con paso τ
• Definición: Frecuencia de muestreo: fs = 1/τ
• Criterio de Nyquist: fs > 2ωN =⇒ f se reconstruye por f [n]
• fs < 2ωN =⇒ Aliasing

93
1.4. Otras propiedades de la DFT

• Teorema de convolución
• f y h dos señales de dimensión N y consideremos

h̃[n] = h[n Mod N ] ∀n ∈ Z

f̃ [n] = f [n Mod N ],
PN −1
• Convolución circular: f ~ h[n] = m=0 f̃ [n − m]h̃[m]
• Teorema: g = f ~ h =⇒ ĝ[k] = f̂ [k]ĥ[k]

• Frecuencia de Nyquist. f ∈ L2 (R) con sop fˆ(ω) ⊂ (−ωN , ωN ]

• f muestreo de f con paso τ
• Definición: Frecuencia de muestreo: fs = 1/τ
• Criterio de Nyquist: fs > 2ωN =⇒ f se reconstruye por f [n]
• fs < 2ωN =⇒ Aliasing

94
1.4. Otras propiedades de la DFT

• Teorema de convolución
• f y h dos señales de dimensión N y consideremos

h̃[n] = h[n Mod N ] ∀n ∈ Z

f̃ [n] = f [n Mod N ],
PN −1
• Convolución circular: f ~ h[n] = m=0 f̃ [n − m]h̃[m]
• Teorema: g = f ~ h =⇒ ĝ[k] = f̂ [k]ĥ[k]

• Frecuencia de Nyquist. f ∈ L2 (R) con sop fˆ(ω) ⊂ (−ωN , ωN ]

• f muestreo de f con paso τ
• Definición: Frecuencia de muestreo: fs = 1/τ
• Criterio de Nyquist: fs > 2ωN =⇒ f se reconstruye por f [n]
• fs < 2ωN =⇒ Aliasing

95
1.4. Otras propiedades de la DFT

• Teorema de convolución
• f y h dos señales de dimensión N y consideremos

h̃[n] = h[n Mod N ] ∀n ∈ Z

f̃ [n] = f [n Mod N ],
PN −1
• Convolución circular: f ~ h[n] = m=0 f̃ [n − m]h̃[m]
• Teorema: g = f ~ h =⇒ ĝ[k] = f̂ [k]ĥ[k]

• Frecuencia de Nyquist. f ∈ L2 (R) con sop fˆ(ω) ⊂ (−ωN , ωN ]

• f muestreo de f con paso τ
• Definición: Frecuencia de muestreo: fs = 1/τ
• Criterio de Nyquist: fs > 2ωN =⇒ f se reconstruye por f [n]
• fs < 2ωN =⇒ Aliasing

96
1.4. Otras propiedades de la DFT

• Teorema de convolución
• f y h dos señales de dimensión N y consideremos

h̃[n] = h[n Mod N ] ∀n ∈ Z

f̃ [n] = f [n Mod N ],
PN −1
• Convolución circular: f ~ h[n] = m=0 f̃ [n − m]h̃[m]
• Teorema: g = f ~ h =⇒ ĝ[k] = f̂ [k]ĥ[k]

• Frecuencia de Nyquist. f ∈ L2 (R) con sop fˆ(ω) ⊂ (−ωN , ωN ]

• f muestreo de f con paso τ
• Definición: Frecuencia de muestreo: fs = 1/τ
• Criterio de Nyquist: fs > 2ωN =⇒ f se reconstruye por f [n]
• fs < 2ωN =⇒ Aliasing

97
1.4. Otras propiedades de la DFT

• Teorema de convolución
• f y h dos señales de dimensión N y consideremos

h̃[n] = h[n Mod N ] ∀n ∈ Z

f̃ [n] = f [n Mod N ],
PN −1
• Convolución circular: f ~ h[n] = m=0 f̃ [n − m]h̃[m]
• Teorema: g = f ~ h =⇒ ĝ[k] = f̂ [k]ĥ[k]

• Frecuencia de Nyquist. f ∈ L2 (R) con sop fˆ(ω) ⊂ (−ωN , ωN ]

• f muestreo de f con paso τ
• Definición: Frecuencia de muestreo: fs = 1/τ
• Criterio de Nyquist: fs > 2ωN =⇒ f se reconstruye por f [n]
• fs < 2ωN =⇒ Aliasing

98
1.4. Otras propiedades de la DFT

• Teorema de convolución
• f y h dos señales de dimensión N y consideremos

h̃[n] = h[n Mod N ] ∀n ∈ Z

f̃ [n] = f [n Mod N ],
PN −1
• Convolución circular: f ~ h[n] = m=0 f̃ [n − m]h̃[m]
• Teorema: g = f ~ h =⇒ ĝ[k] = f̂ [k]ĥ[k]

• Frecuencia de Nyquist. f ∈ L2 (R) con sop fˆ(ω) ⊂ (−ωN , ωN ]

• f muestreo de f con paso τ
• Definición: Frecuencia de muestreo: fs = 1/τ
• Criterio de Nyquist: fs > 2ωN =⇒ f se reconstruye por f [n]
• fs < 2ωN =⇒ Aliasing

99
1.4. Otras propiedades de la DFT

• Teorema de convolución
• f y h dos señales de dimensión N y consideremos

h̃[n] = h[n Mod N ] ∀n ∈ Z

f̃ [n] = f [n Mod N ],
PN −1
• Convolución circular: f ~ h[n] = m=0 f̃ [n − m]h̃[m]
• Teorema: g = f ~ h =⇒ ĝ[k] = f̂ [k]ĥ[k]

• Frecuencia de Nyquist. f ∈ L2 (R) con sop fˆ(ω) ⊂ (−ωN , ωN ]

• f muestreo de f con paso τ
• Definición: Frecuencia de muestreo: fs = 1/τ
• Criterio de Nyquist: fs > 2ωN =⇒ f se reconstruye por f [n]
• fs < 2ωN =⇒ Aliasing

100
 ∗
• f (t) = ei2πω t
con |ω ∗ | > ωN


n = int(ω ∗ /ω )
n
(−1) −1 N
ωa = r + 2 ωN donde
r = ω ∗ − nωN
101
 ∗
• f (t) = ei2πω t
con |ω ∗ | > ωN


n = int(ω ∗ /ω )
n
(−1) −1 N
ωa = r + 2 ωN donde
r = ω ∗ − nωN
102
 ∗
• f (t) = ei2πω t
con |ω ∗ | > ωN


n = int(ω ∗ /ω )
n
(−1) −1 N
ωa = r + 2 ωN donde
r = ω ∗ − nωN
103
Observación: Convolución
Dadas g, h ∈ L1 (R) su convolución h ∗ g es la función integrable dada por
Z Z
h ∗ g(t) = h(t − τ )g(τ )dτ = h(τ )g(t − τ )dτ
R R

La convolución es una operación muy utilizada en análisis funcional

Entre otras aplicaciones, se utiliza para:

• Localizar la función g en un intervalo, tomando

h ≥ 0, h(−t) = h(t), khkL1 (R) = 1, sop(h) pequeño

• Aproximar la función g por una función regular. Si h ∈ Cc∞ (R) entonces

dn
Z n
d h
n
h ∗ g(t) = n
(t − τ )g(τ )dτ
dt R dt

104
Observación: Convolución
Dadas g, h ∈ L1 (R) su convolución h ∗ g es la función integrable dada por
Z Z
h ∗ g(t) = h(t − τ )g(τ )dτ = h(τ )g(t − τ )dτ
R R

La convolución es una operación muy utilizada en análisis funcional

Entre otras aplicaciones, se utiliza para:

• Localizar la función g en un intervalo, tomando

h ≥ 0, h(−t) = h(t), khkL1 (R) = 1, sop(h) pequeño

• Aproximar la función g por una función regular. Si h ∈ Cc∞ (R) entonces

dn
Z n
d h
n
h ∗ g(t) = n
(t − τ )g(τ )dτ
dt R dt

105
• Convolución de una gaussiana con un escalón normalizado en L1 (R)

• A medida que el soporte del escalón tiende a cero

• El escalón tiende a la delta de Dirac
• La convolución tiende (aproxima) a la gaussiana original
• Aunque el escalón es discontinuo, la convolución es regular (la
gaussiana lo es)

106
• Convolución de una gaussiana con un escalón normalizado en L1 (R)

• A medida que el soporte del escalón tiende a cero

• El escalón tiende a la delta de Dirac
• La convolución tiende (aproxima) a la gaussiana original
• Aunque el escalón es discontinuo, la convolución es regular (la
gaussiana lo es)

107
• Convolución de una gaussiana con un escalón normalizado en L1 (R)

• A medida que el soporte del escalón tiende a cero

• El escalón tiende a la delta de Dirac
• La convolución tiende (aproxima) a la gaussiana original
• Aunque el escalón es discontinuo, la convolución es regular (la
gaussiana lo es)

108
• Convolución de una gaussiana con un escalón normalizado en L1 (R)

• A medida que el soporte del escalón tiende a cero

• El escalón tiende a la delta de Dirac
• La convolución tiende (aproxima) a la gaussiana original
• Aunque el escalón es discontinuo, la convolución es regular (la
gaussiana lo es)

109
• Convolución de una gaussiana con un escalón normalizado en L1 (R)

• A medida que el soporte del escalón tiende a cero

• El escalón tiende a la delta de Dirac
• La convolución tiende (aproxima) a la gaussiana original
• Aunque el escalón es discontinuo, la convolución es regular (la
gaussiana lo es)

110
• Convolución de una gaussiana con un escalón normalizado en L1 (R)

• A medida que el soporte del escalón tiende a cero

• El escalón tiende a la delta de Dirac
• La convolución tiende (aproxima) a la gaussiana original
• Aunque el escalón es discontinuo, la convolución es regular (la
gaussiana lo es)

111
1.4.1. Forma matricial de la DFT

• Sean f y f̂ vectores columna. DFT aplicación lineal =⇒ f̂ = Ff

• F es la matriz de Fourier

k N −1
• Sea ωN = e−i2π/N , de modo que {ωN }k=0 son las N raíces de la unidad
• Se tiene
 
1 1 1 ··· 1
2 N −1 
1 ωN ωN ··· ωN


 2 4 2(N −1) 
F = 1
 ωN ωN ··· ωN 

. .. .. .. 
.
. . . .


2
N −1 2(N −1) (N −1)
1 ωN ωN ··· ωN

• si kn > N , digamos kn = m1 N + m2
• m1 ∈ N, m2 ∈ {0, 1, . . . , N − 1}
kn N m1 m2 m2
• Entonces ωN = (ωN ) ωN = ωN

112
1.4.1. Forma matricial de la DFT

• Sean f y f̂ vectores columna. DFT aplicación lineal =⇒ f̂ = Ff

• F es la matriz de Fourier

k N −1
• Sea ωN = e−i2π/N , de modo que {ωN }k=0 son las N raíces de la unidad
• Se tiene
 
1 1 1 ··· 1
2 N −1 
1 ωN ωN ··· ωN


 2 4 2(N −1) 
F = 1
 ωN ωN ··· ωN 

. .. .. .. 
.
. . . .


2
N −1 2(N −1) (N −1)
1 ωN ωN ··· ωN

• si kn > N , digamos kn = m1 N + m2
• m1 ∈ N, m2 ∈ {0, 1, . . . , N − 1}
kn N m1 m2 m2
• Entonces ωN = (ωN ) ωN = ωN

113
1.4.1. Forma matricial de la DFT

• Sean f y f̂ vectores columna. DFT aplicación lineal =⇒ f̂ = Ff

• F es la matriz de Fourier

k N −1
• Sea ωN = e−i2π/N , de modo que {ωN }k=0 son las N raíces de la unidad
• Se tiene
 
1 1 1 ··· 1
2 N −1 
1 ωN ωN ··· ωN


 2 4 2(N −1) 
F = 1
 ωN ωN ··· ωN 

. .. .. .. 
.
. . . .


2
N −1 2(N −1) (N −1)
1 ωN ωN ··· ωN

• si kn > N , digamos kn = m1 N + m2
• m1 ∈ N, m2 ∈ {0, 1, . . . , N − 1}
kn N m1 m2 m2
• Entonces ωN = (ωN ) ωN = ωN

114
1.4.1. Forma matricial de la DFT

• Sean f y f̂ vectores columna. DFT aplicación lineal =⇒ f̂ = Ff

• F es la matriz de Fourier

k N −1
• Sea ωN = e−i2π/N , de modo que {ωN }k=0 son las N raíces de la unidad
• Se tiene
 
1 1 1 ··· 1
2 N −1 
1 ωN ωN ··· ωN


 2 4 2(N −1) 
F = 1
 ωN ωN ··· ωN 

. .. .. .. 
.
. . . .


2
N −1 2(N −1) (N −1)
1 ωN ωN ··· ωN

• si kn > N , digamos kn = m1 N + m2
• m1 ∈ N, m2 ∈ {0, 1, . . . , N − 1}
kn N m1 m2 m2
• Entonces ωN = (ωN ) ωN = ωN

115
1.4.1. Forma matricial de la DFT

• Sean f y f̂ vectores columna. DFT aplicación lineal =⇒ f̂ = Ff

• F es la matriz de Fourier

k N −1
• Sea ωN = e−i2π/N , de modo que {ωN }k=0 son las N raíces de la unidad
• Se tiene
 
1 1 1 ··· 1
2 N −1 
1 ωN ωN ··· ωN


 2 4 2(N −1) 
F = 1
 ωN ωN ··· ωN 

. .. .. .. 
.
. . . .


2
N −1 2(N −1) (N −1)
1 ωN ωN ··· ωN

• si kn > N , digamos kn = m1 N + m2
• m1 ∈ N, m2 ∈ {0, 1, . . . , N − 1}
kn N m1 m2 m2
• Entonces ωN = (ωN ) ωN = ωN

116
1.4.1. Forma matricial de la DFT

• Sean f y f̂ vectores columna. DFT aplicación lineal =⇒ f̂ = Ff

• F es la matriz de Fourier

k N −1
• Sea ωN = e−i2π/N , de modo que {ωN }k=0 son las N raíces de la unidad
• Se tiene
 
1 1 1 ··· 1
2 N −1 
1 ωN ωN ··· ωN


 2 4 2(N −1) 
F = 1
 ωN ωN ··· ωN 

. .. .. .. 
.
. . . .


2
N −1 2(N −1) (N −1)
1 ωN ωN ··· ωN

• si kn > N , digamos kn = m1 N + m2
• m1 ∈ N, m2 ∈ {0, 1, . . . , N − 1}
kn N m1 m2 m2
• Entonces ωN = (ωN ) ωN = ωN

117
1.4.1. Forma matricial de la DFT

• Sean f y f̂ vectores columna. DFT aplicación lineal =⇒ f̂ = Ff

• F es la matriz de Fourier

k N −1
• Sea ωN = e−i2π/N , de modo que {ωN }k=0 son las N raíces de la unidad
• Se tiene
 
1 1 1 ··· 1
2 N −1 
1 ωN ωN ··· ωN


 2 4 2(N −1) 
F = 1
 ωN ωN ··· ωN 

. .. .. .. 
.
. . . .


2
N −1 2(N −1) (N −1)
1 ωN ωN ··· ωN

• si kn > N , digamos kn = m1 N + m2
• m1 ∈ N, m2 ∈ {0, 1, . . . , N − 1}
kn N m1 m2 m2
• Entonces ωN = (ωN ) ωN = ωN

118
1.4.1. Forma matricial de la DFT

• Sean f y f̂ vectores columna. DFT aplicación lineal =⇒ f̂ = Ff

• F es la matriz de Fourier

k N −1
• Sea ωN = e−i2π/N , de modo que {ωN }k=0 son las N raíces de la unidad
• Se tiene
 
1 1 1 ··· 1
2 N −1 
1 ωN ωN ··· ωN


 2 4 2(N −1) 
F = 1
 ωN ωN ··· ωN 

. .. .. .. 
.
. . . .


2
N −1 2(N −1) (N −1)
1 ωN ωN ··· ωN

• si kn > N , digamos kn = m1 N + m2
• m1 ∈ N, m2 ∈ {0, 1, . . . , N − 1}
kn N m1 m2 m2
• Entonces ωN = (ωN ) ωN = ωN

119
• Por tanto
 
1 1 1 ··· 1
2 N −1 
1 ωN ωN ··· ωN


N −2 
 2 4

F = 1
 ωN ωN ··· ωN 
. .. .. .. 
.
. . . . 

N −1 N −2
1 ωN ωN ··· ωN

• Claramente, F = FT
• Como en el Teorema de la base, se tiene FF = N I
• La matriz de la transformada inversa es F−1 = N1 F

• La forma matricial tiene interés teórico

• No se utiliza para el cálculo de las transformadas

120
• Por tanto
 
1 1 1 ··· 1
2 N −1 
1 ωN ωN ··· ωN


N −2 
 2 4

F = 1
 ωN ωN ··· ωN 
. .. .. .. 
.
. . . . 

N −1 N −2
1 ωN ωN ··· ωN

• Claramente, F = FT
• Como en el Teorema de la base, se tiene FF = N I
• La matriz de la transformada inversa es F−1 = N1 F

• La forma matricial tiene interés teórico

• No se utiliza para el cálculo de las transformadas

121
• Por tanto
 
1 1 1 ··· 1
2 N −1 
1 ωN ωN ··· ωN


N −2 
 2 4

F = 1
 ωN ωN ··· ωN 
. .. .. .. 
.
. . . . 

N −1 N −2
1 ωN ωN ··· ωN

• Claramente, F = FT
• Como en el Teorema de la base, se tiene FF = N I
• La matriz de la transformada inversa es F−1 = N1 F

• La forma matricial tiene interés teórico

• No se utiliza para el cálculo de las transformadas

122
• Por tanto
 
1 1 1 ··· 1
2 N −1 
1 ωN ωN ··· ωN


N −2 
 2 4

F = 1
 ωN ωN ··· ωN 
. .. .. .. 
.
. . . . 

N −1 N −2
1 ωN ωN ··· ωN

• Claramente, F = FT
• Como en el Teorema de la base, se tiene FF = N I
• La matriz de la transformada inversa es F−1 = N1 F

• La forma matricial tiene interés teórico

• No se utiliza para el cálculo de las transformadas

123
• Por tanto
 
1 1 1 ··· 1
2 N −1 
1 ωN ωN ··· ωN


N −2 
 2 4

F = 1
 ωN ωN ··· ωN 
. .. .. .. 
.
. . . . 

N −1 N −2
1 ωN ωN ··· ωN

• Claramente, F = FT
• Como en el Teorema de la base, se tiene FF = N I
• La matriz de la transformada inversa es F−1 = N1 F

• La forma matricial tiene interés teórico

• No se utiliza para el cálculo de las transformadas

124
• Por tanto
 
1 1 1 ··· 1
2 N −1 
1 ωN ωN ··· ωN


N −2 
 2 4

F = 1
 ωN ωN ··· ωN 
. .. .. .. 
.
. . . . 

N −1 N −2
1 ωN ωN ··· ωN

• Claramente, F = FT
• Como en el Teorema de la base, se tiene FF = N I
• La matriz de la transformada inversa es F−1 = N1 F

• La forma matricial tiene interés teórico

• No se utiliza para el cálculo de las transformadas

125
• Por tanto
 
1 1 1 ··· 1
2 N −1 
1 ωN ωN ··· ωN


N −2 
 2 4

F = 1
 ωN ωN ··· ωN 
. .. .. .. 
.
. . . . 

N −1 N −2
1 ωN ωN ··· ωN

• Claramente, F = FT
• Como en el Teorema de la base, se tiene FF = N I
• La matriz de la transformada inversa es F−1 = N1 F

• La forma matricial tiene interés teórico

• No se utiliza para el cálculo de las transformadas

126
1.4. La transformada ventaneada de Fourier discreta
• Se trata de discretizar la expresión
Z
Sf (t, ω) = f (s)w(s − t)e−i2πωs ds
R

donde la ventana w : R → R es par, no negativa y con kwkL2 (R) = 1

• Mismas ideas que para la DFT. Asumimos:

• f es N -periódica
• w es par, no negativa, N -periódica y con kwk = 1

Definición
La transformada ventaneada de Fourier discreta de una señal f de
dimensión N viene dada por, para m, l = 0, 1, . . . , N − 1,
N
X −1  −i2πln 
Sf [m, l] = f [n]w[n − m] exp
n=0
N

127
1.4. La transformada ventaneada de Fourier discreta
• Se trata de discretizar la expresión
Z
Sf (t, ω) = f (s)w(s − t)e−i2πωs ds
R

donde la ventana w : R → R es par, no negativa y con kwkL2 (R) = 1

• Mismas ideas que para la DFT. Asumimos:

• f es N -periódica
• w es par, no negativa, N -periódica y con kwk = 1

Definición
La transformada ventaneada de Fourier discreta de una señal f de
dimensión N viene dada por, para m, l = 0, 1, . . . , N − 1,
N
X −1  −i2πln 
Sf [m, l] = f [n]w[n − m] exp
n=0
N

128
1.4. La transformada ventaneada de Fourier discreta
• Se trata de discretizar la expresión
Z
Sf (t, ω) = f (s)w(s − t)e−i2πωs ds
R

donde la ventana w : R → R es par, no negativa y con kwkL2 (R) = 1

• Mismas ideas que para la DFT. Asumimos:

• f es N -periódica
• w es par, no negativa, N -periódica y con kwk = 1

Definición
La transformada ventaneada de Fourier discreta de una señal f de
dimensión N viene dada por, para m, l = 0, 1, . . . , N − 1,
N
X −1  −i2πln 
Sf [m, l] = f [n]w[n − m] exp
n=0
N

129
1.4. La transformada ventaneada de Fourier discreta
• Se trata de discretizar la expresión
Z
Sf (t, ω) = f (s)w(s − t)e−i2πωs ds
R

donde la ventana w : R → R es par, no negativa y con kwkL2 (R) = 1

• Mismas ideas que para la DFT. Asumimos:

• f es N -periódica
• w es par, no negativa, N -periódica y con kwk = 1

Definición
La transformada ventaneada de Fourier discreta de una señal f de
dimensión N viene dada por, para m, l = 0, 1, . . . , N − 1,
N
X −1  −i2πln 
Sf [m, l] = f [n]w[n − m] exp
n=0
N

130
1.4. La transformada ventaneada de Fourier discreta
• Se trata de discretizar la expresión
Z
Sf (t, ω) = f (s)w(s − t)e−i2πωs ds
R

donde la ventana w : R → R es par, no negativa y con kwkL2 (R) = 1

• Mismas ideas que para la DFT. Asumimos:

• f es N -periódica
• w es par, no negativa, N -periódica y con kwk = 1

Definición
La transformada ventaneada de Fourier discreta de una señal f de
dimensión N viene dada por, para m, l = 0, 1, . . . , N − 1,
N
X −1  −i2πln 
Sf [m, l] = f [n]w[n − m] exp
n=0
N

131
Ejemplo: Ventana escalón
• Sea M  N

 √1
M
si n ∈ {− M2−1 , − M2−3 , . . . , M2−1 }
w[n] =
0 en otro caso

Por tanto, w[n − m] 6= 0 ⇐⇒ m − M2−1 ≤ n ≤ m + M2−1

1 El interior. Tiempos m tales que m − M2−1 ≥ 0 y m + M −1
2 ≤N −1

m+ M2−1  −i2πln 
1 X
Sf [m, l] = √ f [n] exp
M N
n=m− M2−1

es decir, una DFT de tamaño M

2 Los bordes. Tiempos m en los que m < M2−1 o m > N − 1 − M2−1
• La DFT resultante es de tamaño estrictamente menor que M
• El cálculo puede realizarse sin dificultad
• En la práctica, modificamos f para obtener DFT’s de tamaño M
• zero-padding, reflexión, periodicidad, etc.
132
Observación
Existen versiones discretas de la fórmula de reconstrucción (STFT inversa) y
de la conservación de la energía:

Teorema
Si f es una señal de periodo N entonces, para n = 0, 1, . . . , N − 1
N −1 N −1
1 X X  i2πln 
f [n] = Sf [m, l]w[n − m] exp
N m=0 N
l=0
N −1 N −1 N −1
X 1 X X
|f [n]|2 = |Sf [m, l]|2
n=0
N m=0
l=0

Las demostraremos en la versión continua

133
1.4.1. Implementación de la STFT reescalada

El problema del borde

• En la situación del ejemplo anterior, queremos calcular Sf [0, l]

M  −i2πln 
1 X
Sf [0, l] = √ f [n] exp
2M + 1 n=−M N
• Como f no definida para n = −M, . . . , −1, debemos extenderla de
modo significativo
• En la DFT es habitual la extensión por periodicidad
• La STFT está motivada para analizar señales no estacionarias
• Otras estrategias. Nosotros, zero-padding (extensión por cero)

• En la práctica, M  N , de modo que solo afecta a pocos nodos

134
1.4.1. Implementación de la STFT reescalada

El problema del borde

• En la situación del ejemplo anterior, queremos calcular Sf [0, l]

M  −i2πln 
1 X
Sf [0, l] = √ f [n] exp
2M + 1 n=−M N
• Como f no definida para n = −M, . . . , −1, debemos extenderla de
modo significativo
• En la DFT es habitual la extensión por periodicidad
• La STFT está motivada para analizar señales no estacionarias
• Otras estrategias. Nosotros, zero-padding (extensión por cero)

• En la práctica, M  N , de modo que solo afecta a pocos nodos

135
1.4.1. Implementación de la STFT reescalada

El problema del borde

• En la situación del ejemplo anterior, queremos calcular Sf [0, l]

M  −i2πln 
1 X
Sf [0, l] = √ f [n] exp
2M + 1 n=−M N
• Como f no definida para n = −M, . . . , −1, debemos extenderla de
modo significativo
• En la DFT es habitual la extensión por periodicidad
• La STFT está motivada para analizar señales no estacionarias
• Otras estrategias. Nosotros, zero-padding (extensión por cero)

• En la práctica, M  N , de modo que solo afecta a pocos nodos

136
1.4.1. Implementación de la STFT reescalada

El problema del borde

• En la situación del ejemplo anterior, queremos calcular Sf [0, l]

M  −i2πln 
1 X
Sf [0, l] = √ f [n] exp
2M + 1 n=−M N
• Como f no definida para n = −M, . . . , −1, debemos extenderla de
modo significativo
• En la DFT es habitual la extensión por periodicidad
• La STFT está motivada para analizar señales no estacionarias
• Otras estrategias. Nosotros, zero-padding (extensión por cero)

• En la práctica, M  N , de modo que solo afecta a pocos nodos

137
1.4.1. Implementación de la STFT reescalada

El problema del borde

• En la situación del ejemplo anterior, queremos calcular Sf [0, l]

M  −i2πln 
1 X
Sf [0, l] = √ f [n] exp
2M + 1 n=−M N
• Como f no definida para n = −M, . . . , −1, debemos extenderla de
modo significativo
• En la DFT es habitual la extensión por periodicidad
• La STFT está motivada para analizar señales no estacionarias
• Otras estrategias. Nosotros, zero-padding (extensión por cero)

• En la práctica, M  N , de modo que solo afecta a pocos nodos

138
1.4.1. Implementación de la STFT reescalada

El problema del borde

• En la situación del ejemplo anterior, queremos calcular Sf [0, l]

M  −i2πln 
1 X
Sf [0, l] = √ f [n] exp
2M + 1 n=−M N
• Como f no definida para n = −M, . . . , −1, debemos extenderla de
modo significativo
• En la DFT es habitual la extensión por periodicidad
• La STFT está motivada para analizar señales no estacionarias
• Otras estrategias. Nosotros, zero-padding (extensión por cero)

• En la práctica, M  N , de modo que solo afecta a pocos nodos

139
1.4.1. Implementación de la STFT reescalada

El problema del borde

• En la situación del ejemplo anterior, queremos calcular Sf [0, l]

M  −i2πln 
1 X
Sf [0, l] = √ f [n] exp
2M + 1 n=−M N
• Como f no definida para n = −M, . . . , −1, debemos extenderla de
modo significativo
• En la DFT es habitual la extensión por periodicidad
• La STFT está motivada para analizar señales no estacionarias
• Otras estrategias. Nosotros, zero-padding (extensión por cero)

• En la práctica, M  N , de modo que solo afecta a pocos nodos

140
 La Señal

• Muestreamos f : [0, T ) → C con frecuencia de muestreo fs para obtener

la señal discreta f de tamaño N = T × fs

f [n] = f (nτ ), para n = 0, 1, . . . , N − 1

con τ = 1/fs

141
 La Señal

• Muestreamos f : [0, T ) → C con frecuencia de muestreo fs para obtener

la señal discreta f de tamaño N = T × fs

f [n] = f (nτ ), para n = 0, 1, . . . , N − 1

con τ = 1/fs

142
 La ventana discreta

• w : R → R con soporte en [−Tw /2, Tw /2], con Tw  T ( Tw en segundos)

• w debería tener mismo rango de índices que f
• sop(w) pequeño =⇒ rango de índices donde w > 0 es pequeño
• Tomamos M impar más cercano a número de muestras Tw fs :

int(T f )
w s si int(Tw fs ) es impar
M=
int(Tw fs ) + 1 si int(Tw fs ) es par

• Tw  T =⇒ M  N
• Definimos
 M − 1

w[m] = w m − ∆t , para m = 0, 1, . . . , M − 1
2
y normalizamos para tener
M
X −1
w[m]2 ∆t = 1
m=0 143
 La ventana discreta

• w : R → R con soporte en [−Tw /2, Tw /2], con Tw  T ( Tw en segundos)

• w debería tener mismo rango de índices que f
• sop(w) pequeño =⇒ rango de índices donde w > 0 es pequeño
• Tomamos M impar más cercano a número de muestras Tw fs :

int(T f )
w s si int(Tw fs ) es impar
M=
int(Tw fs ) + 1 si int(Tw fs ) es par

• Tw  T =⇒ M  N
• Definimos
 M − 1

w[m] = w m − ∆t , para m = 0, 1, . . . , M − 1
2
y normalizamos para tener
M
X −1
w[m]2 ∆t = 1
m=0 144
 La ventana discreta

• w : R → R con soporte en [−Tw /2, Tw /2], con Tw  T ( Tw en segundos)

• w debería tener mismo rango de índices que f
• sop(w) pequeño =⇒ rango de índices donde w > 0 es pequeño
• Tomamos M impar más cercano a número de muestras Tw fs :

int(T f )
w s si int(Tw fs ) es impar
M=
int(Tw fs ) + 1 si int(Tw fs ) es par

• Tw  T =⇒ M  N
• Definimos
 M − 1

w[m] = w m − ∆t , para m = 0, 1, . . . , M − 1
2
y normalizamos para tener
M
X −1
w[m]2 ∆t = 1
m=0 145
 La ventana discreta

• w : R → R con soporte en [−Tw /2, Tw /2], con Tw  T ( Tw en segundos)

• w debería tener mismo rango de índices que f
• sop(w) pequeño =⇒ rango de índices donde w > 0 es pequeño
• Tomamos M impar más cercano a número de muestras Tw fs :

int(T f )
w s si int(Tw fs ) es impar
M=
int(Tw fs ) + 1 si int(Tw fs ) es par

• Tw  T =⇒ M  N
• Definimos
 M − 1

w[m] = w m − ∆t , para m = 0, 1, . . . , M − 1
2
y normalizamos para tener
M
X −1
w[m]2 ∆t = 1
m=0 146
 La ventana discreta

• w : R → R con soporte en [−Tw /2, Tw /2], con Tw  T ( Tw en segundos)

• w debería tener mismo rango de índices que f
• sop(w) pequeño =⇒ rango de índices donde w > 0 es pequeño
• Tomamos M impar más cercano a número de muestras Tw fs :

int(T f )
w s si int(Tw fs ) es impar
M=
int(Tw fs ) + 1 si int(Tw fs ) es par

• Tw  T =⇒ M  N
• Definimos
 M − 1

w[m] = w m − ∆t , para m = 0, 1, . . . , M − 1
2
y normalizamos para tener
M
X −1
w[m]2 ∆t = 1
m=0 147
 La ventana discreta

• w : R → R con soporte en [−Tw /2, Tw /2], con Tw  T ( Tw en segundos)

• w debería tener mismo rango de índices que f
• sop(w) pequeño =⇒ rango de índices donde w > 0 es pequeño
• Tomamos M impar más cercano a número de muestras Tw fs :

int(T f )
w s si int(Tw fs ) es impar
M=
int(Tw fs ) + 1 si int(Tw fs ) es par

• Tw  T =⇒ M  N
• Definimos
 M − 1

w[m] = w m − ∆t , para m = 0, 1, . . . , M − 1
2
y normalizamos para tener
M
X −1
w[m]2 ∆t = 1
m=0 148
 La ventana discreta

• w : R → R con soporte en [−Tw /2, Tw /2], con Tw  T ( Tw en segundos)

• w debería tener mismo rango de índices que f
• sop(w) pequeño =⇒ rango de índices donde w > 0 es pequeño
• Tomamos M impar más cercano a número de muestras Tw fs :

int(T f )
w s si int(Tw fs ) es impar
M=
int(Tw fs ) + 1 si int(Tw fs ) es par

• Tw  T =⇒ M  N
• Definimos
 M − 1

w[m] = w m − ∆t , para m = 0, 1, . . . , M − 1
2
y normalizamos para tener
M
X −1
w[m]2 ∆t = 1
m=0 149
 Extensión por cero de f

•
En el marco continuo, para τ ∈ [0, T ),
Z Z Tw /2
σ =t−s
Sf (s, ξ) = f (t)w(t − s)e−i2πξt dt = e−i2πξs f (τ + σ)w(σ)e−i2πξσ dσ
R −Tw /2

• De modo que
Z Tw /2
Sf (0, ξ) = f (s)w(s)e−i2πξs ds
−Tw /2
Z Tw /2
Sf (T, ξ) = e−i2πξT f (T + s)w(s)e−i2πξs ds
−Tw /2

• Solo necesitamos extender por cero en [−Tw /2, 0] ∪ [T, T + Tw /2]

150
 Extensión por cero de f

•
En el marco continuo, para τ ∈ [0, T ),
Z Z Tw /2
σ =t−s
Sf (s, ξ) = f (t)w(t − s)e−i2πξt dt = e−i2πξs f (τ + σ)w(σ)e−i2πξσ dσ
R −Tw /2

• De modo que
Z Tw /2
Sf (0, ξ) = f (s)w(s)e−i2πξs ds
−Tw /2
Z Tw /2
Sf (T, ξ) = e−i2πξT f (T + s)w(s)e−i2πξs ds
−Tw /2

• Solo necesitamos extender por cero en [−Tw /2, 0] ∪ [T, T + Tw /2]

151
 Extensión por cero de f

•
En el marco continuo, para τ ∈ [0, T ),
Z Z Tw /2
σ =t−s
Sf (s, ξ) = f (t)w(t − s)e−i2πξt dt = e−i2πξs f (τ + σ)w(σ)e−i2πξσ dσ
R −Tw /2

• De modo que
Z Tw /2
Sf (0, ξ) = f (s)w(s)e−i2πξs ds
−Tw /2
Z Tw /2
Sf (T, ξ) = e−i2πξT f (T + s)w(s)e−i2πξs ds
−Tw /2

• Solo necesitamos extender por cero en [−Tw /2, 0] ∪ [T, T + Tw /2]

152
 Extensión por cero de f

•
En el marco continuo, para τ ∈ [0, T ),
Z Z Tw /2
σ =t−s
Sf (s, ξ) = f (t)w(t − s)e−i2πξt dt = e−i2πξs f (τ + σ)w(σ)e−i2πξσ dσ
R −Tw /2

• De modo que
Z Tw /2
Sf (0, ξ) = f (s)w(s)e−i2πξs ds
−Tw /2
Z Tw /2
Sf (T, ξ) = e−i2πξT f (T + s)w(s)e−i2πξs ds
−Tw /2

• Solo necesitamos extender por cero en [−Tw /2, 0] ∪ [T, T + Tw /2]

153
• En discreto: extensión de f por cero es fp , de tamaño N + M

0

 para n = 0, . . . , M2−1 − 1,
fp [n] = M −1 M −1 M −1
f [n − 2 ] para n = 2 ,...,N + 2 − 1,

M −1

0 para n = N + 2 ,...,N + M − 2.


154
• En discreto: extensión de f por cero es fp , de tamaño N + M

0

 para n = 0, . . . , M2−1 − 1,
fp [n] = M −1 M −1 M −1
f [n − 2 ] para n = 2 ,...,N + 2 − 1,

M −1

0 para n = N + 2 ,...,N + M − 2.


155
 Cálculo de la STFT

• STFT discreta es DFT de M nodos de tiempo en intervalo de longitud Tw

• Correspondiente malla frecuencial (M impar)
h f M − 1 f M − 1i
s s
Dω = − ,
2 M 2 M
• Tamaño del paso de la malla: ∆ω = 1/(M τ ) = 1/Tw

• STFT de fp es como en la definición, pero usando el cambio σ = t − s

M −1
i2πkn
X  i2πkm 
Sf [n, k] = exp − fp [n + m]w[m] exp −
M m=0
M

para n = 0, . . . , N − 1 y k = 0, . . . , M − 1

156
 Cálculo de la STFT

• STFT discreta es DFT de M nodos de tiempo en intervalo de longitud Tw

• Correspondiente malla frecuencial (M impar)
h f M − 1 f M − 1i
s s
Dω = − ,
2 M 2 M
• Tamaño del paso de la malla: ∆ω = 1/(M τ ) = 1/Tw

• STFT de fp es como en la definición, pero usando el cambio σ = t − s

M −1
i2πkn
X  i2πkm 
Sf [n, k] = exp − fp [n + m]w[m] exp −
M m=0
M

para n = 0, . . . , N − 1 y k = 0, . . . , M − 1

157
 Cálculo de la STFT

• STFT discreta es DFT de M nodos de tiempo en intervalo de longitud Tw

• Correspondiente malla frecuencial (M impar)
h f M − 1 f M − 1i
s s
Dω = − ,
2 M 2 M
• Tamaño del paso de la malla: ∆ω = 1/(M τ ) = 1/Tw

• STFT de fp es como en la definición, pero usando el cambio σ = t − s

M −1
i2πkn
X  i2πkm 
Sf [n, k] = exp − fp [n + m]w[m] exp −
M m=0
M

para n = 0, . . . , N − 1 y k = 0, . . . , M − 1

158
 Cálculo de la STFT

• STFT discreta es DFT de M nodos de tiempo en intervalo de longitud Tw

• Correspondiente malla frecuencial (M impar)
h f M − 1 f M − 1i
s s
Dω = − ,
2 M 2 M
• Tamaño del paso de la malla: ∆ω = 1/(M τ ) = 1/Tw

• STFT de fp es como en la definición, pero usando el cambio σ = t − s

M −1
i2πkn
X  i2πkm 
Sf [n, k] = exp − fp [n + m]w[m] exp −
M m=0
M

para n = 0, . . . , N − 1 y k = 0, . . . , M − 1

159
 Cálculo de la STFT

• STFT discreta es DFT de M nodos de tiempo en intervalo de longitud Tw

• Correspondiente malla frecuencial (M impar)
h f M − 1 f M − 1i
s s
Dω = − ,
2 M 2 M
• Tamaño del paso de la malla: ∆ω = 1/(M τ ) = 1/Tw

• STFT de fp es como en la definición, pero usando el cambio σ = t − s

M −1
i2πkn
X  i2πkm 
Sf [n, k] = exp − fp [n + m]w[m] exp −
M m=0
M

para n = 0, . . . , N − 1 y k = 0, . . . , M − 1

160
• Considerando la señal auxiliar

hn [m] = fp [n + m]w[m], para m = 0, . . . , M − 1,

calculamos la STFT usando la DFT

i2πkn

Sf [n, k] = exp − Fd (hn )[k]
M
para n = 0, . . . , N − 1 y k = 0, . . . , M − 1

161
• Considerando la señal auxiliar

hn [m] = fp [n + m]w[m], para m = 0, . . . , M − 1,

calculamos la STFT usando la DFT

i2πkn

Sf [n, k] = exp − Fd (hn )[k]
M
para n = 0, . . . , N − 1 y k = 0, . . . , M − 1

162
 Solapamiento

• La STFT involucra el cálculo de N transformadas de longitud M

• Cada valor f [n] es usado en M transformadas DFT
• Gran redundancia

• El solapamiento es una técnica computacional que reduce el número de

operaciones. Reemplazamos

t = 0, τ, 2τ, . . . , (N − 1)τ ←→ t = 0, sp τ, 2sp τ, . . . , (N − 1)sp τ

• 1 ≤ sp ≤ M indica la extensión del solapamiento entre las DFT’s
• sp = 1 → solapamiento máximo (STFT original)
• sp = M → no hay solapamiento

163
 Solapamiento

• La STFT involucra el cálculo de N transformadas de longitud M

• Cada valor f [n] es usado en M transformadas DFT
• Gran redundancia

• El solapamiento es una técnica computacional que reduce el número de

operaciones. Reemplazamos

t = 0, τ, 2τ, . . . , (N − 1)τ ←→ t = 0, sp τ, 2sp τ, . . . , (N − 1)sp τ

• 1 ≤ sp ≤ M indica la extensión del solapamiento entre las DFT’s
• sp = 1 → solapamiento máximo (STFT original)
• sp = M → no hay solapamiento

164
 Solapamiento

• La STFT involucra el cálculo de N transformadas de longitud M

• Cada valor f [n] es usado en M transformadas DFT
• Gran redundancia

• El solapamiento es una técnica computacional que reduce el número de

operaciones. Reemplazamos

t = 0, τ, 2τ, . . . , (N − 1)τ ←→ t = 0, sp τ, 2sp τ, . . . , (N − 1)sp τ

• 1 ≤ sp ≤ M indica la extensión del solapamiento entre las DFT’s
• sp = 1 → solapamiento máximo (STFT original)
• sp = M → no hay solapamiento

165
 Solapamiento

• La STFT involucra el cálculo de N transformadas de longitud M

• Cada valor f [n] es usado en M transformadas DFT
• Gran redundancia

• El solapamiento es una técnica computacional que reduce el número de

operaciones. Reemplazamos

t = 0, τ, 2τ, . . . , (N − 1)τ ←→ t = 0, sp τ, 2sp τ, . . . , (N − 1)sp τ

• 1 ≤ sp ≤ M indica la extensión del solapamiento entre las DFT’s
• sp = 1 → solapamiento máximo (STFT original)
• sp = M → no hay solapamiento

166
 Solapamiento

• La STFT involucra el cálculo de N transformadas de longitud M

• Cada valor f [n] es usado en M transformadas DFT
• Gran redundancia

• El solapamiento es una técnica computacional que reduce el número de

operaciones. Reemplazamos

t = 0, τ, 2τ, . . . , (N − 1)τ ←→ t = 0, sp τ, 2sp τ, . . . , (N − 1)sp τ

• 1 ≤ sp ≤ M indica la extensión del solapamiento entre las DFT’s
• sp = 1 → solapamiento máximo (STFT original)
• sp = M → no hay solapamiento

167
 Solapamiento

• La STFT involucra el cálculo de N transformadas de longitud M

• Cada valor f [n] es usado en M transformadas DFT
• Gran redundancia

• El solapamiento es una técnica computacional que reduce el número de

operaciones. Reemplazamos

t = 0, τ, 2τ, . . . , (N − 1)τ ←→ t = 0, sp τ, 2sp τ, . . . , (N − 1)sp τ

• 1 ≤ sp ≤ M indica la extensión del solapamiento entre las DFT’s
• sp = 1 → solapamiento máximo (STFT original)
• sp = M → no hay solapamiento

168
 Solapamiento

• La STFT involucra el cálculo de N transformadas de longitud M

• Cada valor f [n] es usado en M transformadas DFT
• Gran redundancia

• El solapamiento es una técnica computacional que reduce el número de

operaciones. Reemplazamos

t = 0, τ, 2τ, . . . , (N − 1)τ ←→ t = 0, sp τ, 2sp τ, . . . , (N − 1)sp τ

• 1 ≤ sp ≤ M indica la extensión del solapamiento entre las DFT’s
• sp = 1 → solapamiento máximo (STFT original)
• sp = M → no hay solapamiento

169
 Solapamiento

• La STFT involucra el cálculo de N transformadas de longitud M

• Cada valor f [n] es usado en M transformadas DFT
• Gran redundancia

• El solapamiento es una técnica computacional que reduce el número de

operaciones. Reemplazamos

t = 0, τ, 2τ, . . . , (N − 1)τ ←→ t = 0, sp τ, 2sp τ, . . . , (N − 1)sp τ

• 1 ≤ sp ≤ M indica la extensión del solapamiento entre las DFT’s
• sp = 1 → solapamiento máximo (STFT original)
• sp = M → no hay solapamiento

170
• El cambio de escala que supone el escalamiento =⇒ τ ←→ sp τ

i2πkn

Srsp f [j, k] = τ exp − Fd (hn )[k]
M
para j = 0, . . . , J − 1 y k = 0, . . . , M − 1
• n = jsp , y J = N/sp (asumimos entero)

• El solapamiento afecta a la fórmula de la conservación de la energía

Z Z Z
|Srsp f (τ, ξ)|2 dξdτ ≈ |f (t)|2 dt
R R R

171
• El cambio de escala que supone el escalamiento =⇒ τ ←→ sp τ

i2πkn

Srsp f [j, k] = τ exp − Fd (hn )[k]
M
para j = 0, . . . , J − 1 y k = 0, . . . , M − 1
• n = jsp , y J = N/sp (asumimos entero)

• El solapamiento afecta a la fórmula de la conservación de la energía

Z Z Z
|Srsp f (τ, ξ)|2 dξdτ ≈ |f (t)|2 dt
R R R

172
• El cambio de escala que supone el escalamiento =⇒ τ ←→ sp τ

i2πkn

Srsp f [j, k] = τ exp − Fd (hn )[k]
M
para j = 0, . . . , J − 1 y k = 0, . . . , M − 1
• n = jsp , y J = N/sp (asumimos entero)

• El solapamiento afecta a la fórmula de la conservación de la energía

Z Z Z
|Srsp f (τ, ξ)|2 dξdτ ≈ |f (t)|2 dt
R R R

173
• El cambio de escala que supone el escalamiento =⇒ τ ←→ sp τ

i2πkn

Srsp f [j, k] = τ exp − Fd (hn )[k]
M
para j = 0, . . . , J − 1 y k = 0, . . . , M − 1
• n = jsp , y J = N/sp (asumimos entero)

• El solapamiento afecta a la fórmula de la conservación de la energía

Z Z Z
|Srsp f (τ, ξ)|2 dξdτ ≈ |f (t)|2 dt
R R R

174
Observación: Error de aproximación
• Debido a extensión por cero hay error en STFT discreta en los bordes
• No es de esperar resultado exacto en
• STFT inversa
• Conservación de energía
• Menos aún si usamos el solapamiento

175
Observación: Error de aproximación
• Debido a extensión por cero hay error en STFT discreta en los bordes
• No es de esperar resultado exacto en
• STFT inversa
• Conservación de energía
• Menos aún si usamos el solapamiento

176
Observación: Error de aproximación
• Debido a extensión por cero hay error en STFT discreta en los bordes
• No es de esperar resultado exacto en
• STFT inversa
• Conservación de energía
• Menos aún si usamos el solapamiento

177
Observación: Error de aproximación
• Debido a extensión por cero hay error en STFT discreta en los bordes
• No es de esperar resultado exacto en
• STFT inversa
• Conservación de energía
• Menos aún si usamos el solapamiento

178
Observación: Error de aproximación
• Debido a extensión por cero hay error en STFT discreta en los bordes
• No es de esperar resultado exacto en
• STFT inversa
• Conservación de energía
• Menos aún si usamos el solapamiento

179
Observación: Error de aproximación
• Debido a extensión por cero hay error en STFT discreta en los bordes
• No es de esperar resultado exacto en
• STFT inversa
• Conservación de energía
• Menos aún si usamos el solapamiento

180
1.6.1. Aplicaciones: conteo de una manada de lobos

Distribución del lobo en España

Espectrograma de los aullidos de una

manada de lobos

181
1.6.1. Aplicaciones: conteo de una manada de lobos

• Aullido de cada ejemplar

J
X
fn (t) = Anj (t)ei2πϕnj (t)
j=1

An0 : amplitud de la frecuencia principal

Anj : amplitud de los armónicos
ϕnj : fases
• La señal captada es
N
X
g(t) = fn (t) + h(t)
n=1
• Modelo de un coro de N lobos
h : ruidos y señales no deseados
N
X
f (t) = fn (t) • Objetivo: determinar N a partir de g
n=1

182
1.6.1. Aplicaciones: conteo de una manada de lobos

• Aullido de cada ejemplar

J
X
fn (t) = Anj (t)ei2πϕnj (t)
j=1

An0 : amplitud de la frecuencia principal

Anj : amplitud de los armónicos
ϕnj : fases
• La señal captada es
N
X
g(t) = fn (t) + h(t)
n=1
• Modelo de un coro de N lobos
h : ruidos y señales no deseados
N
X
f (t) = fn (t) • Objetivo: determinar N a partir de g
n=1

183
1.6.1. Aplicaciones: conteo de una manada de lobos

• Aullido de cada ejemplar

J
X
fn (t) = Anj (t)ei2πϕnj (t)
j=1

An0 : amplitud de la frecuencia principal

Anj : amplitud de los armónicos
ϕnj : fases
• La señal captada es
N
X
g(t) = fn (t) + h(t)
n=1
• Modelo de un coro de N lobos
h : ruidos y señales no deseados
N
X
f (t) = fn (t) • Objetivo: determinar N a partir de g
n=1

184
1.6.1. Aplicaciones: conteo de una manada de lobos

• Aullido de cada ejemplar

J
X
fn (t) = Anj (t)ei2πϕnj (t)
j=1

An0 : amplitud de la frecuencia principal

Anj : amplitud de los armónicos
ϕnj : fases
• La señal captada es
N
X
g(t) = fn (t) + h(t)
n=1
• Modelo de un coro de N lobos
h : ruidos y señales no deseados
N
X
f (t) = fn (t) • Objetivo: determinar N a partir de g
n=1

185
1.6.2. Ondas gravitacionales

• Efecto sobre un disco de radio R en el plano XY de una onda gravitacional

propagándose en la dirección de eje Z
• Trazo discontinuo: forma original (sin onda gravitacional)
• Trazo continuo: forma del disco para dos fases opuestas (difieren
en π) de la onda gravitacional

186
1.6.2. Ondas gravitacionales

• Efecto sobre un disco de radio R en el plano XY de una onda gravitacional

propagándose en la dirección de eje Z
• Trazo discontinuo: forma original (sin onda gravitacional)
• Trazo continuo: forma del disco para dos fases opuestas (difieren
en π) de la onda gravitacional

187
1.6.2. Ondas gravitacionales

• Efecto sobre un disco de radio R en el plano XY de una onda gravitacional

propagándose en la dirección de eje Z
• Trazo discontinuo: forma original (sin onda gravitacional)
• Trazo continuo: forma del disco para dos fases opuestas (difieren
en π) de la onda gravitacional

188
1.6.2. Ondas gravitacionales

• Efecto sobre un disco de radio R en el plano XY de una onda gravitacional

propagándose en la dirección de eje Z
• Trazo discontinuo: forma original (sin onda gravitacional)
• Trazo continuo: forma del disco para dos fases opuestas (difieren
en π) de la onda gravitacional

189
• Manifestación de onda gravitacional: cambia distancia entre dos puntos
• Detección: dispositivo que mida distancia con mucha precisión
• Interferómetro de Michelson-Morley (LIGO)
• Ejemplo de sistema que causa ondas gravitacionales medibles:
• Dos agujeros negros que orbitan en torno a su centro de masas

(1) Agujeros negros alejados: periodo orbital bajo y radiación gravitatoria con baja
frecuencia y amplitud. (2) Ambas aumentan a medida que los agujeros negros se
aproximan. (3) Finalmente colisionan y se funden con una violenta liberación de
energía (máximo en la amplitud de las ondas gravitacionales). (4) Vuelta al reposo

190
• Manifestación de onda gravitacional: cambia distancia entre dos puntos
• Detección: dispositivo que mida distancia con mucha precisión
• Interferómetro de Michelson-Morley (LIGO)
• Ejemplo de sistema que causa ondas gravitacionales medibles:
• Dos agujeros negros que orbitan en torno a su centro de masas

(1) Agujeros negros alejados: periodo orbital bajo y radiación gravitatoria con baja
frecuencia y amplitud. (2) Ambas aumentan a medida que los agujeros negros se
aproximan. (3) Finalmente colisionan y se funden con una violenta liberación de
energía (máximo en la amplitud de las ondas gravitacionales). (4) Vuelta al reposo

191
• Manifestación de onda gravitacional: cambia distancia entre dos puntos
• Detección: dispositivo que mida distancia con mucha precisión
• Interferómetro de Michelson-Morley (LIGO)
• Ejemplo de sistema que causa ondas gravitacionales medibles:
• Dos agujeros negros que orbitan en torno a su centro de masas

(1) Agujeros negros alejados: periodo orbital bajo y radiación gravitatoria con baja
frecuencia y amplitud. (2) Ambas aumentan a medida que los agujeros negros se
aproximan. (3) Finalmente colisionan y se funden con una violenta liberación de
energía (máximo en la amplitud de las ondas gravitacionales). (4) Vuelta al reposo

192
• Manifestación de onda gravitacional: cambia distancia entre dos puntos
• Detección: dispositivo que mida distancia con mucha precisión
• Interferómetro de Michelson-Morley (LIGO)
• Ejemplo de sistema que causa ondas gravitacionales medibles:
• Dos agujeros negros que orbitan en torno a su centro de masas

(1) Agujeros negros alejados: periodo orbital bajo y radiación gravitatoria con baja
frecuencia y amplitud. (2) Ambas aumentan a medida que los agujeros negros se
aproximan. (3) Finalmente colisionan y se funden con una violenta liberación de
energía (máximo en la amplitud de las ondas gravitacionales). (4) Vuelta al reposo

193
• Manifestación de onda gravitacional: cambia distancia entre dos puntos
• Detección: dispositivo que mida distancia con mucha precisión
• Interferómetro de Michelson-Morley (LIGO)
• Ejemplo de sistema que causa ondas gravitacionales medibles:
• Dos agujeros negros que orbitan en torno a su centro de masas

(1) Agujeros negros alejados: periodo orbital bajo y radiación gravitatoria con baja
frecuencia y amplitud. (2) Ambas aumentan a medida que los agujeros negros se
aproximan. (3) Finalmente colisionan y se funden con una violenta liberación de
energía (máximo en la amplitud de las ondas gravitacionales). (4) Vuelta al reposo

194
• Manifestación de onda gravitacional: cambia distancia entre dos puntos
• Detección: dispositivo que mida distancia con mucha precisión
• Interferómetro de Michelson-Morley (LIGO)
• Ejemplo de sistema que causa ondas gravitacionales medibles:
• Dos agujeros negros que orbitan en torno a su centro de masas

(1) Agujeros negros alejados: periodo orbital bajo y radiación gravitatoria con baja
frecuencia y amplitud. (2) Ambas aumentan a medida que los agujeros negros se
aproximan. (3) Finalmente colisionan y se funden con una violenta liberación de
energía (máximo en la amplitud de las ondas gravitacionales). (4) Vuelta al reposo

195
 Objetivo: Obtener una representación de la onda gravitacional

Izquierda: Espectrograma obtenido con nuestro programa

Derecha: Espectrograma publicado por LIGO (escalas diferentes)

196
 Objetivo: Obtener una representación de la onda gravitacional

Izquierda: Espectrograma obtenido con nuestro programa

Derecha: Espectrograma publicado por LIGO (escalas diferentes)

197
Capítulo 1. Transformadas de Fourier
Sección 2. Resultados fundamentales de
Análisis Funcional

198
• Introducimos-repasamos herramientas y resultados necesarios en el desa-
rrollo de la teoría de Fourier. Objetivos:
• Definir los espacios Lp
• Aproximación de funciones de Lp mediante funciones regulares
• Definir la δ de Dirac

• Trabajaremos con funciones f : Ω ⊂ R → R, donde Ω es abierto

• Todo es válido para funciones con valores complejos y con Ω ⊂ RN

199
• Introducimos-repasamos herramientas y resultados necesarios en el desa-
rrollo de la teoría de Fourier. Objetivos:
• Definir los espacios Lp
• Aproximación de funciones de Lp mediante funciones regulares
• Definir la δ de Dirac

• Trabajaremos con funciones f : Ω ⊂ R → R, donde Ω es abierto

• Todo es válido para funciones con valores complejos y con Ω ⊂ RN

200
• Introducimos-repasamos herramientas y resultados necesarios en el desa-
rrollo de la teoría de Fourier. Objetivos:
• Definir los espacios Lp
• Aproximación de funciones de Lp mediante funciones regulares
• Definir la δ de Dirac

• Trabajaremos con funciones f : Ω ⊂ R → R, donde Ω es abierto

• Todo es válido para funciones con valores complejos y con Ω ⊂ RN

201
• Introducimos-repasamos herramientas y resultados necesarios en el desa-
rrollo de la teoría de Fourier. Objetivos:
• Definir los espacios Lp
• Aproximación de funciones de Lp mediante funciones regulares
• Definir la δ de Dirac

• Trabajaremos con funciones f : Ω ⊂ R → R, donde Ω es abierto

• Todo es válido para funciones con valores complejos y con Ω ⊂ RN

202
• Introducimos-repasamos herramientas y resultados necesarios en el desa-
rrollo de la teoría de Fourier. Objetivos:
• Definir los espacios Lp
• Aproximación de funciones de Lp mediante funciones regulares
• Definir la δ de Dirac

• Trabajaremos con funciones f : Ω ⊂ R → R, donde Ω es abierto

• Todo es válido para funciones con valores complejos y con Ω ⊂ RN

203
• Introducimos-repasamos herramientas y resultados necesarios en el desa-
rrollo de la teoría de Fourier. Objetivos:
• Definir los espacios Lp
• Aproximación de funciones de Lp mediante funciones regulares
• Definir la δ de Dirac

• Trabajaremos con funciones f : Ω ⊂ R → R, donde Ω es abierto

• Todo es válido para funciones con valores complejos y con Ω ⊂ RN

204
• Introducimos-repasamos herramientas y resultados necesarios en el desa-
rrollo de la teoría de Fourier. Objetivos:
• Definir los espacios Lp
• Aproximación de funciones de Lp mediante funciones regulares
• Definir la δ de Dirac

• Trabajaremos con funciones f : Ω ⊂ R → R, donde Ω es abierto

• Todo es válido para funciones con valores complejos y con Ω ⊂ RN

205
2.1.1. La medida de Lebesgue

• La medida de Lebesgue surge por la necesidad de establecer un concepto

de medida más allá del de longitud
• Para medir subconjuntos de R que no sean intervalos o uniones e
intersecciones finitas de intervalos

• Una medida, µ, es una función que se aplica sobre conjuntos, es decir, una
asignación de un número µ(A) a cada conjunto A de una cierta clase
• La función (medida) y la clase (σ-álgebra) deben satisfacer ciertas
propiedades

206
2.1.1. La medida de Lebesgue

• La medida de Lebesgue surge por la necesidad de establecer un concepto

de medida más allá del de longitud
• Para medir subconjuntos de R que no sean intervalos o uniones e
intersecciones finitas de intervalos

• Una medida, µ, es una función que se aplica sobre conjuntos, es decir, una
asignación de un número µ(A) a cada conjunto A de una cierta clase
• La función (medida) y la clase (σ-álgebra) deben satisfacer ciertas
propiedades

207
2.1.1. La medida de Lebesgue

• La medida de Lebesgue surge por la necesidad de establecer un concepto

de medida más allá del de longitud
• Para medir subconjuntos de R que no sean intervalos o uniones e
intersecciones finitas de intervalos

• Una medida, µ, es una función que se aplica sobre conjuntos, es decir, una
asignación de un número µ(A) a cada conjunto A de una cierta clase
• La función (medida) y la clase (σ-álgebra) deben satisfacer ciertas
propiedades

208
2.1.1. La medida de Lebesgue

• La medida de Lebesgue surge por la necesidad de establecer un concepto

de medida más allá del de longitud
• Para medir subconjuntos de R que no sean intervalos o uniones e
intersecciones finitas de intervalos

• Una medida, µ, es una función que se aplica sobre conjuntos, es decir, una
asignación de un número µ(A) a cada conjunto A de una cierta clase
• La función (medida) y la clase (σ-álgebra) deben satisfacer ciertas
propiedades

209
2.1.1. La medida de Lebesgue

• La medida de Lebesgue surge por la necesidad de establecer un concepto

de medida más allá del de longitud
• Para medir subconjuntos de R que no sean intervalos o uniones e
intersecciones finitas de intervalos

• Una medida, µ, es una función que se aplica sobre conjuntos, es decir, una
asignación de un número µ(A) a cada conjunto A de una cierta clase
• La función (medida) y la clase (σ-álgebra) deben satisfacer ciertas
propiedades

210
Definición
• Una σ-álgebra de R es una colección, M, de subconjuntos de R tal que:
1 ∅∈M
2 A ∈ M =⇒ Ac ∈ M
S
3 Si {An }n∈N ⊂ M entonces n∈N An ∈ M

• µ : M → [0, ∞] es una medida si

1 µ(∅) = 0
S∞
P∞
2 ∀{An }n∈N de conjuntos disjuntos de M, µ n=1 An = n=1 µ(An )

• Los miembros de M son conjuntos medibles

• A ∈ M con µ(A) = 0 es llamado conjunto de medida nula
• Una propiedad se satisface en casi todo punto de R (c.t.p. en
R)a si se satisface para todo x ∈ R\A, donde A es de medida nula
a En inglés, a.e. in R, almost everywhere in R

211
Definición
• Una σ-álgebra de R es una colección, M, de subconjuntos de R tal que:
1 ∅∈M
2 A ∈ M =⇒ Ac ∈ M
S
3 Si {An }n∈N ⊂ M entonces n∈N An ∈ M

• µ : M → [0, ∞] es una medida si

1 µ(∅) = 0
S∞
P∞
2 ∀{An }n∈N de conjuntos disjuntos de M, µ n=1 An = n=1 µ(An )

• Los miembros de M son conjuntos medibles

• A ∈ M con µ(A) = 0 es llamado conjunto de medida nula
• Una propiedad se satisface en casi todo punto de R (c.t.p. en
R)a si se satisface para todo x ∈ R\A, donde A es de medida nula
a En inglés, a.e. in R, almost everywhere in R

212
Definición
• Una σ-álgebra de R es una colección, M, de subconjuntos de R tal que:
1 ∅∈M
2 A ∈ M =⇒ Ac ∈ M
S
3 Si {An }n∈N ⊂ M entonces n∈N An ∈ M

• µ : M → [0, ∞] es una medida si

1 µ(∅) = 0
S∞
P∞
2 ∀{An }n∈N de conjuntos disjuntos de M, µ n=1 An = n=1 µ(An )

• Los miembros de M son conjuntos medibles

• A ∈ M con µ(A) = 0 es llamado conjunto de medida nula
• Una propiedad se satisface en casi todo punto de R (c.t.p. en
R)a si se satisface para todo x ∈ R\A, donde A es de medida nula
a En inglés, a.e. in R, almost everywhere in R

213
Definición
• Una σ-álgebra de R es una colección, M, de subconjuntos de R tal que:
1 ∅∈M
2 A ∈ M =⇒ Ac ∈ M
S
3 Si {An }n∈N ⊂ M entonces n∈N An ∈ M

• µ : M → [0, ∞] es una medida si

1 µ(∅) = 0
S∞
P∞
2 ∀{An }n∈N de conjuntos disjuntos de M, µ n=1 An = n=1 µ(An )

• Los miembros de M son conjuntos medibles

• A ∈ M con µ(A) = 0 es llamado conjunto de medida nula
• Una propiedad se satisface en casi todo punto de R (c.t.p. en
R)a si se satisface para todo x ∈ R\A, donde A es de medida nula
a En inglés, a.e. in R, almost everywhere in R

214
Definición
• Una σ-álgebra de R es una colección, M, de subconjuntos de R tal que:
1 ∅∈M
2 A ∈ M =⇒ Ac ∈ M
S
3 Si {An }n∈N ⊂ M entonces n∈N An ∈ M

• µ : M → [0, ∞] es una medida si

1 µ(∅) = 0
S∞
P∞
2 ∀{An }n∈N de conjuntos disjuntos de M, µ n=1 An = n=1 µ(An )

• Los miembros de M son conjuntos medibles

• A ∈ M con µ(A) = 0 es llamado conjunto de medida nula
• Una propiedad se satisface en casi todo punto de R (c.t.p. en
R)a si se satisface para todo x ∈ R\A, donde A es de medida nula
a En inglés, a.e. in R, almost everywhere in R

215
Definición
• Una σ-álgebra de R es una colección, M, de subconjuntos de R tal que:
1 ∅∈M
2 A ∈ M =⇒ Ac ∈ M
S
3 Si {An }n∈N ⊂ M entonces n∈N An ∈ M

• µ : M → [0, ∞] es una medida si

1 µ(∅) = 0
S∞
P∞
2 ∀{An }n∈N de conjuntos disjuntos de M, µ n=1 An = n=1 µ(An )

• Los miembros de M son conjuntos medibles

• A ∈ M con µ(A) = 0 es llamado conjunto de medida nula
• Una propiedad se satisface en casi todo punto de R (c.t.p. en
R)a si se satisface para todo x ∈ R\A, donde A es de medida nula
a En inglés, a.e. in R, almost everywhere in R

216
Ejemplo: σ-álgebra de Borel y medida de Lebesgue
• La σ-álgebra de Borel, B(R), es la menor σ-álgebra de conjuntos de R que
contiene a todos los intervalos de la forma (a, b]
• Pueden elegirse otras formas: [a, b), (a, ∞), etc.
• B(R) contiene todos los intervalos de R
• Intuitivamente:
• Los conjuntos de B(R) se generan partiendo de todos los interva-
los de R y realizando todos los complementos y uniones e inter-
secciones contables posibles

• La medida de Lebesgue, L, de un intervalo (a, b] coincide con la noción

usual de longitud: L(a, b] = b − a
• La medida de Lebesgue está bien definida sobre B(R), es decir,
podemos medir con L cualquier conjunto de B(R)
• Calcular la medida puede ser difícil
• Usaremos la notación |A| en lugar de L(A)

217
Ejemplo: σ-álgebra de Borel y medida de Lebesgue
• La σ-álgebra de Borel, B(R), es la menor σ-álgebra de conjuntos de R que
contiene a todos los intervalos de la forma (a, b]
• Pueden elegirse otras formas: [a, b), (a, ∞), etc.
• B(R) contiene todos los intervalos de R
• Intuitivamente:
• Los conjuntos de B(R) se generan partiendo de todos los interva-
los de R y realizando todos los complementos y uniones e inter-
secciones contables posibles

• La medida de Lebesgue, L, de un intervalo (a, b] coincide con la noción

usual de longitud: L(a, b] = b − a
• La medida de Lebesgue está bien definida sobre B(R), es decir,
podemos medir con L cualquier conjunto de B(R)
• Calcular la medida puede ser difícil
• Usaremos la notación |A| en lugar de L(A)

218
Ejemplo: σ-álgebra de Borel y medida de Lebesgue
• La σ-álgebra de Borel, B(R), es la menor σ-álgebra de conjuntos de R que
contiene a todos los intervalos de la forma (a, b]
• Pueden elegirse otras formas: [a, b), (a, ∞), etc.
• B(R) contiene todos los intervalos de R
• Intuitivamente:
• Los conjuntos de B(R) se generan partiendo de todos los interva-
los de R y realizando todos los complementos y uniones e inter-
secciones contables posibles

• La medida de Lebesgue, L, de un intervalo (a, b] coincide con la noción

usual de longitud: L(a, b] = b − a
• La medida de Lebesgue está bien definida sobre B(R), es decir,
podemos medir con L cualquier conjunto de B(R)
• Calcular la medida puede ser difícil
• Usaremos la notación |A| en lugar de L(A)

219
Ejemplo: σ-álgebra de Borel y medida de Lebesgue
• La σ-álgebra de Borel, B(R), es la menor σ-álgebra de conjuntos de R que
contiene a todos los intervalos de la forma (a, b]
• Pueden elegirse otras formas: [a, b), (a, ∞), etc.
• B(R) contiene todos los intervalos de R
• Intuitivamente:
• Los conjuntos de B(R) se generan partiendo de todos los interva-
los de R y realizando todos los complementos y uniones e inter-
secciones contables posibles

• La medida de Lebesgue, L, de un intervalo (a, b] coincide con la noción

usual de longitud: L(a, b] = b − a
• La medida de Lebesgue está bien definida sobre B(R), es decir,
podemos medir con L cualquier conjunto de B(R)
• Calcular la medida puede ser difícil
• Usaremos la notación |A| en lugar de L(A)

220
Ejemplo: σ-álgebra de Borel y medida de Lebesgue
• La σ-álgebra de Borel, B(R), es la menor σ-álgebra de conjuntos de R que
contiene a todos los intervalos de la forma (a, b]
• Pueden elegirse otras formas: [a, b), (a, ∞), etc.
• B(R) contiene todos los intervalos de R
• Intuitivamente:
• Los conjuntos de B(R) se generan partiendo de todos los interva-
los de R y realizando todos los complementos y uniones e inter-
secciones contables posibles

• La medida de Lebesgue, L, de un intervalo (a, b] coincide con la noción

usual de longitud: L(a, b] = b − a
• La medida de Lebesgue está bien definida sobre B(R), es decir,
podemos medir con L cualquier conjunto de B(R)
• Calcular la medida puede ser difícil
• Usaremos la notación |A| en lugar de L(A)

221
Ejemplo: σ-álgebra de Borel y medida de Lebesgue
• La σ-álgebra de Borel, B(R), es la menor σ-álgebra de conjuntos de R que
contiene a todos los intervalos de la forma (a, b]
• Pueden elegirse otras formas: [a, b), (a, ∞), etc.
• B(R) contiene todos los intervalos de R
• Intuitivamente:
• Los conjuntos de B(R) se generan partiendo de todos los interva-
los de R y realizando todos los complementos y uniones e inter-
secciones contables posibles

• La medida de Lebesgue, L, de un intervalo (a, b] coincide con la noción

usual de longitud: L(a, b] = b − a
• La medida de Lebesgue está bien definida sobre B(R), es decir,
podemos medir con L cualquier conjunto de B(R)
• Calcular la medida puede ser difícil
• Usaremos la notación |A| en lugar de L(A)

222
Ejemplo: σ-álgebra de Borel y medida de Lebesgue
• La σ-álgebra de Borel, B(R), es la menor σ-álgebra de conjuntos de R que
contiene a todos los intervalos de la forma (a, b]
• Pueden elegirse otras formas: [a, b), (a, ∞), etc.
• B(R) contiene todos los intervalos de R
• Intuitivamente:
• Los conjuntos de B(R) se generan partiendo de todos los interva-
los de R y realizando todos los complementos y uniones e inter-
secciones contables posibles

• La medida de Lebesgue, L, de un intervalo (a, b] coincide con la noción

usual de longitud: L(a, b] = b − a
• La medida de Lebesgue está bien definida sobre B(R), es decir,
podemos medir con L cualquier conjunto de B(R)
• Calcular la medida puede ser difícil
• Usaremos la notación |A| en lugar de L(A)

223
Ejemplo: σ-álgebra de Borel y medida de Lebesgue
• La σ-álgebra de Borel, B(R), es la menor σ-álgebra de conjuntos de R que
contiene a todos los intervalos de la forma (a, b]
• Pueden elegirse otras formas: [a, b), (a, ∞), etc.
• B(R) contiene todos los intervalos de R
• Intuitivamente:
• Los conjuntos de B(R) se generan partiendo de todos los interva-
los de R y realizando todos los complementos y uniones e inter-
secciones contables posibles

• La medida de Lebesgue, L, de un intervalo (a, b] coincide con la noción

usual de longitud: L(a, b] = b − a
• La medida de Lebesgue está bien definida sobre B(R), es decir,
podemos medir con L cualquier conjunto de B(R)
• Calcular la medida puede ser difícil
• Usaremos la notación |A| en lugar de L(A)

224
Ejemplo: σ-álgebra de Borel y medida de Lebesgue
• La σ-álgebra de Borel, B(R), es la menor σ-álgebra de conjuntos de R que
contiene a todos los intervalos de la forma (a, b]
• Pueden elegirse otras formas: [a, b), (a, ∞), etc.
• B(R) contiene todos los intervalos de R
• Intuitivamente:
• Los conjuntos de B(R) se generan partiendo de todos los interva-
los de R y realizando todos los complementos y uniones e inter-
secciones contables posibles

• La medida de Lebesgue, L, de un intervalo (a, b] coincide con la noción

usual de longitud: L(a, b] = b − a
• La medida de Lebesgue está bien definida sobre B(R), es decir,
podemos medir con L cualquier conjunto de B(R)
• Calcular la medida puede ser difícil
• Usaremos la notación |A| en lugar de L(A)

225
Ejemplo: σ-álgebra de Borel y medida de Lebesgue
• La σ-álgebra de Borel, B(R), es la menor σ-álgebra de conjuntos de R que
contiene a todos los intervalos de la forma (a, b]
• Pueden elegirse otras formas: [a, b), (a, ∞), etc.
• B(R) contiene todos los intervalos de R
• Intuitivamente:
• Los conjuntos de B(R) se generan partiendo de todos los interva-
los de R y realizando todos los complementos y uniones e inter-
secciones contables posibles

• La medida de Lebesgue, L, de un intervalo (a, b] coincide con la noción

usual de longitud: L(a, b] = b − a
• La medida de Lebesgue está bien definida sobre B(R), es decir,
podemos medir con L cualquier conjunto de B(R)
• Calcular la medida puede ser difícil
• Usaremos la notación |A| en lugar de L(A)

226
2.1.2. La integral de Lebesgue

Definición
f : R → R es medible Borela si para todo A ∈ B(R) se tiene f −1 (A) ∈ B(R).
a O, simplemente, medible

• Ejemplo: si A = (a, ∞), el super-nivel {x ∈ R : f (x) > a} debe ser un

conjunto medible (pertenece a B(R))

• La definición de la integral de Lebesgue se realiza constructivamente

227
2.1.2. La integral de Lebesgue

Definición
f : R → R es medible Borela si para todo A ∈ B(R) se tiene f −1 (A) ∈ B(R).
a O, simplemente, medible

• Ejemplo: si A = (a, ∞), el super-nivel {x ∈ R : f (x) > a} debe ser un

conjunto medible (pertenece a B(R))

• La definición de la integral de Lebesgue se realiza constructivamente

228
2.1.2. La integral de Lebesgue

Definición
f : R → R es medible Borela si para todo A ∈ B(R) se tiene f −1 (A) ∈ B(R).
a O, simplemente, medible

• Ejemplo: si A = (a, ∞), el super-nivel {x ∈ R : f (x) > a} debe ser un

conjunto medible (pertenece a B(R))

• La definición de la integral de Lebesgue se realiza constructivamente

229
 Integral de funciones simples

• s : R → R es una función simple si es de la forma

m
X
s(x) = si IAi (x)
i=1

• si ∈ R, Ai ∈ B(R) disjuntos, ∪m
i=1 Ai = R, m<∞

• La integral de Lebesgue de s se define como

Z m
X
s(x)dx = si λ(Ai )
R i=1

230
 Integral de funciones simples

• s : R → R es una función simple si es de la forma

m
X
s(x) = si IAi (x)
i=1

• si ∈ R, Ai ∈ B(R) disjuntos, ∪m
i=1 Ai = R, m<∞

• La integral de Lebesgue de s se define como

Z m
X
s(x)dx = si λ(Ai )
R i=1

231
 Integral de funciones simples

• s : R → R es una función simple si es de la forma

m
X
s(x) = si IAi (x)
i=1

• si ∈ R, Ai ∈ B(R) disjuntos, ∪m
i=1 Ai = R, m<∞

• La integral de Lebesgue de s se define como

Z m
X
s(x)dx = si λ(Ai )
R i=1

232
 Integral de funciones simples

• s : R → R es una función simple si es de la forma

m
X
s(x) = si IAi (x)
i=1

• si ∈ R, Ai ∈ B(R) disjuntos, ∪m
i=1 Ai = R, m<∞

• La integral de Lebesgue de s se define como

Z m
X
s(x)dx = si λ(Ai )
R i=1

233
 Integral de funciones medibles no negativas

• Si f es una función medible no negativa entonces se define

Z Z 
f (x)dx = sup s(x)dx : s es simple y 0 ≤ s ≤ f
R R
• La integral siempre existe, pero puede ser infinita

Integral de funciones medibles arbitrarias

• Si f es una función medible arbitraria:

• Tomamos f + = máx(f, 0), f − = máx(−f, 0), y definimos
Z Z Z
f (x)dx = f + (x)dx − f − (x)dx
R R R

si no es de la forma ∞ − ∞
234
 Integral de funciones medibles no negativas

• Si f es una función medible no negativa entonces se define

Z Z 
f (x)dx = sup s(x)dx : s es simple y 0 ≤ s ≤ f
R R
• La integral siempre existe, pero puede ser infinita

Integral de funciones medibles arbitrarias

• Si f es una función medible arbitraria:

• Tomamos f + = máx(f, 0), f − = máx(−f, 0), y definimos
Z Z Z
f (x)dx = f + (x)dx − f − (x)dx
R R R

si no es de la forma ∞ − ∞
235
 Integral de funciones medibles no negativas

• Si f es una función medible no negativa entonces se define

Z Z 
f (x)dx = sup s(x)dx : s es simple y 0 ≤ s ≤ f
R R
• La integral siempre existe, pero puede ser infinita

Integral de funciones medibles arbitrarias

• Si f es una función medible arbitraria:

• Tomamos f + = máx(f, 0), f − = máx(−f, 0), y definimos
Z Z Z
f (x)dx = f + (x)dx − f − (x)dx
R R R

si no es de la forma ∞ − ∞
236
 Integral de funciones medibles no negativas

• Si f es una función medible no negativa entonces se define

Z Z 
f (x)dx = sup s(x)dx : s es simple y 0 ≤ s ≤ f
R R
• La integral siempre existe, pero puede ser infinita

Integral de funciones medibles arbitrarias

• Si f es una función medible arbitraria:

• Tomamos f + = máx(f, 0), f − = máx(−f, 0), y definimos
Z Z Z
f (x)dx = f + (x)dx − f − (x)dx
R R R

si no es de la forma ∞ − ∞
237
 Integral de funciones medibles no negativas

• Si f es una función medible no negativa entonces se define

Z Z 
f (x)dx = sup s(x)dx : s es simple y 0 ≤ s ≤ f
R R
• La integral siempre existe, pero puede ser infinita

Integral de funciones medibles arbitrarias

• Si f es una función medible arbitraria:

• Tomamos f + = máx(f, 0), f − = máx(−f, 0), y definimos
Z Z Z
f (x)dx = f + (x)dx − f − (x)dx
R R R

si no es de la forma ∞ − ∞
238
 Integral de funciones medibles no negativas

• Si f es una función medible no negativa entonces se define

Z Z 
f (x)dx = sup s(x)dx : s es simple y 0 ≤ s ≤ f
R R
• La integral siempre existe, pero puede ser infinita

Integral de funciones medibles arbitrarias

• Si f es una función medible arbitraria:

• Tomamos f + = máx(f, 0), f − = máx(−f, 0), y definimos
Z Z Z
f (x)dx = f + (x)dx − f − (x)dx
R R R

si no es de la forma ∞ − ∞
239
 R
• Si R
f < ∞ entonces f es una función integrable
• En particular, R f + y R f − son finitas =⇒
R R
R
f es absolutamente integrable, es decir, R |f | < ∞

Teorema. Propiedades básicas de funciones medibles e integral de Lebesgue

1 f1 , f2 medibles =⇒ f1 + f2 , f1 − f2 , f1 f2 y f1 /f2 medibles (siempre que
estén bien definidas)
2 {fn } de funciones medibles y fn (x) → f (x)∀x ∈ R =⇒ f medible
R
3 f ≥ 0 medible =⇒ µ(A) = A f (x)dx es una medida
4 α, β ∈ R y f, g medibles =⇒
Z Z Z
(αf (x) + βg(x))dx = α f (x)dx + β g(x)dx
R R R
R R
5 f, g medibles con f ≤ g c.t.p. en R =⇒ R f (x)dx ≤ R
g(x)dx
R R
6 f medible =⇒ R f (x)dx ≤ R |f (x)|dx

R R
• (1) permite definir A
f (x)dx = R
f (x)IA (x)dx para A ∈ B(R) y f medible
240
 R
• Si R
f < ∞ entonces f es una función integrable
• En particular, R f + y R f − son finitas =⇒
R R
R
f es absolutamente integrable, es decir, R |f | < ∞

Teorema. Propiedades básicas de funciones medibles e integral de Lebesgue

1 f1 , f2 medibles =⇒ f1 + f2 , f1 − f2 , f1 f2 y f1 /f2 medibles (siempre que
estén bien definidas)
2 {fn } de funciones medibles y fn (x) → f (x)∀x ∈ R =⇒ f medible
R
3 f ≥ 0 medible =⇒ µ(A) = A f (x)dx es una medida
4 α, β ∈ R y f, g medibles =⇒
Z Z Z
(αf (x) + βg(x))dx = α f (x)dx + β g(x)dx
R R R
R R
5 f, g medibles con f ≤ g c.t.p. en R =⇒ R f (x)dx ≤ R
g(x)dx
R R
6 f medible =⇒ R f (x)dx ≤ R |f (x)|dx

R R
• (1) permite definir A
f (x)dx = R
f (x)IA (x)dx para A ∈ B(R) y f medible
241
 R
• Si R
f < ∞ entonces f es una función integrable
• En particular, R f + y R f − son finitas =⇒
R R
R
f es absolutamente integrable, es decir, R |f | < ∞

Teorema. Propiedades básicas de funciones medibles e integral de Lebesgue

1 f1 , f2 medibles =⇒ f1 + f2 , f1 − f2 , f1 f2 y f1 /f2 medibles (siempre que
estén bien definidas)
2 {fn } de funciones medibles y fn (x) → f (x)∀x ∈ R =⇒ f medible
R
3 f ≥ 0 medible =⇒ µ(A) = A f (x)dx es una medida
4 α, β ∈ R y f, g medibles =⇒
Z Z Z
(αf (x) + βg(x))dx = α f (x)dx + β g(x)dx
R R R
R R
5 f, g medibles con f ≤ g c.t.p. en R =⇒ R f (x)dx ≤ R
g(x)dx
R R
6 f medible =⇒ R f (x)dx ≤ R |f (x)|dx

R R
• (1) permite definir A
f (x)dx = R
f (x)IA (x)dx para A ∈ B(R) y f medible
242
 R
• Si R
f < ∞ entonces f es una función integrable
• En particular, R f + y R f − son finitas =⇒
R R
R
f es absolutamente integrable, es decir, R |f | < ∞

Teorema. Propiedades básicas de funciones medibles e integral de Lebesgue

1 f1 , f2 medibles =⇒ f1 + f2 , f1 − f2 , f1 f2 y f1 /f2 medibles (siempre que
estén bien definidas)
2 {fn } de funciones medibles y fn (x) → f (x)∀x ∈ R =⇒ f medible
R
3 f ≥ 0 medible =⇒ µ(A) = A f (x)dx es una medida
4 α, β ∈ R y f, g medibles =⇒
Z Z Z
(αf (x) + βg(x))dx = α f (x)dx + β g(x)dx
R R R
R R
5 f, g medibles con f ≤ g c.t.p. en R =⇒ R f (x)dx ≤ R
g(x)dx
R R
6 f medible =⇒ R f (x)dx ≤ R |f (x)|dx

R R
• (1) permite definir A
f (x)dx = R
f (x)IA (x)dx para A ∈ B(R) y f medible
243
2.2. Espacios Lp

• L1 (Ω): espacio de funciones integrables definidas sobre un abierto Ω

• Es un espacio de Banach, es decir, L1 (Ω) dotado de su norma
Z
kf kL1 (Ω) = |f (x)|dx
Ω

es un espacio normado completo:

• Toda sucesión de Cauchy∗ converge a un elemento del espacio
• Es decir: {fn } ⊂ L1 (Ω) de Cauchy =⇒

∃f ∈ L1 (Ω) tal que lı́m kfn − f kL1 (Ω) = 0

n→∞

Se dice que fn converge fuertemente a f

∗ {xn } ⊂ (X, k · k) es de Cauchy si ∀ε > 0 ∃N ∈ N tal que ∀m, n > N se tiene kxm − xn k < ε

244
2.2. Espacios Lp

• L1 (Ω): espacio de funciones integrables definidas sobre un abierto Ω

• Es un espacio de Banach, es decir, L1 (Ω) dotado de su norma
Z
kf kL1 (Ω) = |f (x)|dx
Ω

es un espacio normado completo:

• Toda sucesión de Cauchy∗ converge a un elemento del espacio
• Es decir: {fn } ⊂ L1 (Ω) de Cauchy =⇒

∃f ∈ L1 (Ω) tal que lı́m kfn − f kL1 (Ω) = 0

n→∞

Se dice que fn converge fuertemente a f

∗ {xn } ⊂ (X, k · k) es de Cauchy si ∀ε > 0 ∃N ∈ N tal que ∀m, n > N se tiene kxm − xn k < ε

245
2.2. Espacios Lp

• L1 (Ω): espacio de funciones integrables definidas sobre un abierto Ω

• Es un espacio de Banach, es decir, L1 (Ω) dotado de su norma
Z
kf kL1 (Ω) = |f (x)|dx
Ω

es un espacio normado completo:

• Toda sucesión de Cauchy∗ converge a un elemento del espacio
• Es decir: {fn } ⊂ L1 (Ω) de Cauchy =⇒

∃f ∈ L1 (Ω) tal que lı́m kfn − f kL1 (Ω) = 0

n→∞

Se dice que fn converge fuertemente a f

∗ {xn } ⊂ (X, k · k) es de Cauchy si ∀ε > 0 ∃N ∈ N tal que ∀m, n > N se tiene kxm − xn k < ε

246
2.2. Espacios Lp

• L1 (Ω): espacio de funciones integrables definidas sobre un abierto Ω

• Es un espacio de Banach, es decir, L1 (Ω) dotado de su norma
Z
kf kL1 (Ω) = |f (x)|dx
Ω

es un espacio normado completo:

• Toda sucesión de Cauchy∗ converge a un elemento del espacio
• Es decir: {fn } ⊂ L1 (Ω) de Cauchy =⇒

∃f ∈ L1 (Ω) tal que lı́m kfn − f kL1 (Ω) = 0

n→∞

Se dice que fn converge fuertemente a f

∗ {xn } ⊂ (X, k · k) es de Cauchy si ∀ε > 0 ∃N ∈ N tal que ∀m, n > N se tiene kxm − xn k < ε

247
2.2. Espacios Lp

• L1 (Ω): espacio de funciones integrables definidas sobre un abierto Ω

• Es un espacio de Banach, es decir, L1 (Ω) dotado de su norma
Z
kf kL1 (Ω) = |f (x)|dx
Ω

es un espacio normado completo:

• Toda sucesión de Cauchy∗ converge a un elemento del espacio
• Es decir: {fn } ⊂ L1 (Ω) de Cauchy =⇒

∃f ∈ L1 (Ω) tal que lı́m kfn − f kL1 (Ω) = 0

n→∞

Se dice que fn converge fuertemente a f

∗ {xn } ⊂ (X, k · k) es de Cauchy si ∀ε > 0 ∃N ∈ N tal que ∀m, n > N se tiene kxm − xn k < ε

248
2.2. Espacios Lp

• L1 (Ω): espacio de funciones integrables definidas sobre un abierto Ω

• Es un espacio de Banach, es decir, L1 (Ω) dotado de su norma
Z
kf kL1 (Ω) = |f (x)|dx
Ω

es un espacio normado completo:

• Toda sucesión de Cauchy∗ converge a un elemento del espacio
• Es decir: {fn } ⊂ L1 (Ω) de Cauchy =⇒

∃f ∈ L1 (Ω) tal que lı́m kfn − f kL1 (Ω) = 0

n→∞

Se dice que fn converge fuertemente a f

∗ {xn } ⊂ (X, k · k) es de Cauchy si ∀ε > 0 ∃N ∈ N tal que ∀m, n > N se tiene kxm − xn k < ε

249
Observación
• Para que k · kL1 (Ω) sea una norma debe satisfacerse

kf kL1 (Ω) = 0 =⇒ f = 0
• Sin embargo, solo tenemos kf kL1 (Ω) = 0 =⇒ f = 0 c.t.p. en Ω

• Para evitar este inconveniente:

• Los elementos de L1 (Ω) se definen como clases de funciones
bajo la relación de equivalencia f ≡ g si f = g c.t.p. en Ω

250
Observación
• Para que k · kL1 (Ω) sea una norma debe satisfacerse

kf kL1 (Ω) = 0 =⇒ f = 0
• Sin embargo, solo tenemos kf kL1 (Ω) = 0 =⇒ f = 0 c.t.p. en Ω

• Para evitar este inconveniente:

• Los elementos de L1 (Ω) se definen como clases de funciones
bajo la relación de equivalencia f ≡ g si f = g c.t.p. en Ω

251
Observación
• Para que k · kL1 (Ω) sea una norma debe satisfacerse

kf kL1 (Ω) = 0 =⇒ f = 0
• Sin embargo, solo tenemos kf kL1 (Ω) = 0 =⇒ f = 0 c.t.p. en Ω

• Para evitar este inconveniente:

• Los elementos de L1 (Ω) se definen como clases de funciones
bajo la relación de equivalencia f ≡ g si f = g c.t.p. en Ω

252
Observación
• Para que k · kL1 (Ω) sea una norma debe satisfacerse

kf kL1 (Ω) = 0 =⇒ f = 0
• Sin embargo, solo tenemos kf kL1 (Ω) = 0 =⇒ f = 0 c.t.p. en Ω

• Para evitar este inconveniente:

• Los elementos de L1 (Ω) se definen como clases de funciones
bajo la relación de equivalencia f ≡ g si f = g c.t.p. en Ω

253
Observación
• Para que k · kL1 (Ω) sea una norma debe satisfacerse

kf kL1 (Ω) = 0 =⇒ f = 0
• Sin embargo, solo tenemos kf kL1 (Ω) = 0 =⇒ f = 0 c.t.p. en Ω

• Para evitar este inconveniente:

• Los elementos de L1 (Ω) se definen como clases de funciones
bajo la relación de equivalencia f ≡ g si f = g c.t.p. en Ω

254
• Sea p ∈ R con 1 ≤ p < ∞. El espacio
 Z 
p p
L (Ω) = f : Ω → R : f es medible y |f (x)| dx < ∞
Ω

es un espacio de Banach para la norma

Z  p1
kf kLp (Ω) = |f (x)|p dx
Ω

• En particular, L2 (Ω) es un espacio de Hilbert con norma inducida por el

producto escalar∗ hf, gi = Ω f (x)g(x)dx
R

• L∞ (Ω): funciones medibles esencialmente acotadas, es decir

L∞ (Ω) = {f : Ω → R : f medible y ∃ C tal que |f (x)| ≤ C c.t.p. en Ω}

• norma dada por kf kL∞ (Ω) = ı́nf{C : |f (x)| ≤ C c.t.p. en Ω}

∗
R
En el caso complejo, hf, gi = Ω f (x)ḡ(x)dx
255
• Sea p ∈ R con 1 ≤ p < ∞. El espacio
 Z 
p p
L (Ω) = f : Ω → R : f es medible y |f (x)| dx < ∞
Ω

es un espacio de Banach para la norma

Z  p1
kf kLp (Ω) = |f (x)|p dx
Ω

• En particular, L2 (Ω) es un espacio de Hilbert con norma inducida por el

producto escalar∗ hf, gi = Ω f (x)g(x)dx
R

• L∞ (Ω): funciones medibles esencialmente acotadas, es decir

L∞ (Ω) = {f : Ω → R : f medible y ∃ C tal que |f (x)| ≤ C c.t.p. en Ω}

• norma dada por kf kL∞ (Ω) = ı́nf{C : |f (x)| ≤ C c.t.p. en Ω}

∗
R
En el caso complejo, hf, gi = Ω f (x)ḡ(x)dx
256
• Sea p ∈ R con 1 ≤ p < ∞. El espacio
 Z 
p p
L (Ω) = f : Ω → R : f es medible y |f (x)| dx < ∞
Ω

es un espacio de Banach para la norma

Z  p1
kf kLp (Ω) = |f (x)|p dx
Ω

• En particular, L2 (Ω) es un espacio de Hilbert con norma inducida por el

producto escalar∗ hf, gi = Ω f (x)g(x)dx
R

• L∞ (Ω): funciones medibles esencialmente acotadas, es decir

L∞ (Ω) = {f : Ω → R : f medible y ∃ C tal que |f (x)| ≤ C c.t.p. en Ω}

• norma dada por kf kL∞ (Ω) = ı́nf{C : |f (x)| ≤ C c.t.p. en Ω}

∗
R
En el caso complejo, hf, gi = Ω f (x)ḡ(x)dx
257
• Sea p ∈ R con 1 ≤ p < ∞. El espacio
 Z 
p p
L (Ω) = f : Ω → R : f es medible y |f (x)| dx < ∞
Ω

es un espacio de Banach para la norma

Z  p1
kf kLp (Ω) = |f (x)|p dx
Ω

• En particular, L2 (Ω) es un espacio de Hilbert con norma inducida por el

producto escalar∗ hf, gi = Ω f (x)g(x)dx
R

• L∞ (Ω): funciones medibles esencialmente acotadas, es decir

L∞ (Ω) = {f : Ω → R : f medible y ∃ C tal que |f (x)| ≤ C c.t.p. en Ω}

• norma dada por kf kL∞ (Ω) = ı́nf{C : |f (x)| ≤ C c.t.p. en Ω}

∗
R
En el caso complejo, hf, gi = Ω f (x)ḡ(x)dx
258
• Sea p ∈ R con 1 ≤ p < ∞. El espacio
 Z 
p p
L (Ω) = f : Ω → R : f es medible y |f (x)| dx < ∞
Ω

es un espacio de Banach para la norma

Z  p1
kf kLp (Ω) = |f (x)|p dx
Ω

• En particular, L2 (Ω) es un espacio de Hilbert con norma inducida por el

producto escalar∗ hf, gi = Ω f (x)g(x)dx
R

• L∞ (Ω): funciones medibles esencialmente acotadas, es decir

L∞ (Ω) = {f : Ω → R : f medible y ∃ C tal que |f (x)| ≤ C c.t.p. en Ω}

• norma dada por kf kL∞ (Ω) = ı́nf{C : |f (x)| ≤ C c.t.p. en Ω}

∗
R
En el caso complejo, hf, gi = Ω f (x)ḡ(x)dx
259
2.2.1. Teoremas de integración y otras propiedades

Intercambio entre límite e integración

• Es decir, se buscan condiciones bajo las cuales se tiene

Z Z
lı́m fn = f =⇒ lı́m fn (x)dx = f (x)dx
n→∞ n→∞ Ω Ω

• Observemos que
Z Z Z
− |fn − f | ≤ (fn − f ) ≤ |fn − f |
Ω Ω Ω

de modo que si kfn − f kL1 (Ω) → 0, deducimos

Z Z
lı́m fn (x)dx = f (x)dx.
n→∞ Ω Ω

260
2.2.1. Teoremas de integración y otras propiedades

Intercambio entre límite e integración

• Es decir, se buscan condiciones bajo las cuales se tiene

Z Z
lı́m fn = f =⇒ lı́m fn (x)dx = f (x)dx
n→∞ n→∞ Ω Ω

• Observemos que
Z Z Z
− |fn − f | ≤ (fn − f ) ≤ |fn − f |
Ω Ω Ω

de modo que si kfn − f kL1 (Ω) → 0, deducimos

Z Z
lı́m fn (x)dx = f (x)dx.
n→∞ Ω Ω

261
2.2.1. Teoremas de integración y otras propiedades

Intercambio entre límite e integración

• Es decir, se buscan condiciones bajo las cuales se tiene

Z Z
lı́m fn = f =⇒ lı́m fn (x)dx = f (x)dx
n→∞ n→∞ Ω Ω

• Observemos que
Z Z Z
− |fn − f | ≤ (fn − f ) ≤ |fn − f |
Ω Ω Ω

de modo que si kfn − f kL1 (Ω) → 0, deducimos

Z Z
lı́m fn (x)dx = f (x)dx.
n→∞ Ω Ω

262
Teorema de la convergencia monótona
Sea {fn } ⊂ L1 (Ω) tal que:
1 f1 ≤ f2 ≤ · · · ≤ fn ≤ fn+1 ≤ · · · c.t.p. en Ω
R
2 supn Ω fn (x)dx < ∞
Entonces, cuando n → ∞
1 fn (x) converge c.t.p. en Ω a un límite finito, f (x)
2 f ∈ L1 (Ω)
3 kfn − f kL1 (Ω) → 0

Teorema de la convergencia dominada

Sea {fn } ⊂ L1 (Ω) tal que:
1 fn (x) → f (x) c.t.p. en Ω
2 Existe g ∈ L1 (Ω) tal que ∀n ∈ N se tiene |fn (x)| ≤ g(x) c.t.p. en Ω
Entonces f ∈ L1 (Ω) y kfn − f kL1 (Ω) → 0 cuando n → ∞

263
Teorema de la convergencia monótona
Sea {fn } ⊂ L1 (Ω) tal que:
1 f1 ≤ f2 ≤ · · · ≤ fn ≤ fn+1 ≤ · · · c.t.p. en Ω
R
2 supn Ω fn (x)dx < ∞
Entonces, cuando n → ∞
1 fn (x) converge c.t.p. en Ω a un límite finito, f (x)
2 f ∈ L1 (Ω)
3 kfn − f kL1 (Ω) → 0

Teorema de la convergencia dominada

Sea {fn } ⊂ L1 (Ω) tal que:
1 fn (x) → f (x) c.t.p. en Ω
2 Existe g ∈ L1 (Ω) tal que ∀n ∈ N se tiene |fn (x)| ≤ g(x) c.t.p. en Ω
Entonces f ∈ L1 (Ω) y kfn − f kL1 (Ω) → 0 cuando n → ∞

264
 Intercambio en el orden de integración es espacios producto

Teorema de Fubini
Sea F ∈ L1 (Ω1 × Ω2 ). Entonces
F (x, y) ∈ L1 (Ω2 ) para c.t.p. x ∈ Ω1 , y F (x, y)dy ∈ L1 (Ω1 )
R
1
Ω2
F (x, y) ∈ L1 (Ω1 ) para c.t.p. y ∈ Ω2 , y F (x, y)dx ∈ L1 (Ω2 )
R
2
Ω1
y, además,
Z Z Z  Z Z 
F (x, y)dxdy = F (x, y)dy dx = F (x, y)dx dy
Ω1 ×Ω2 Ω1 Ω2 Ω2 Ω1

265
Terminamos esta sección con una desigualdad muy útil:

Teorema: Desigualdad de Hölder

0
Sean f ∈ Lp (Ω) y g ∈ Lp (Ω), con 1 ≤ p ≤ ∞, donde p0 es el exponente
conjugadoa de p. Entonces f g ∈ L1 (Ω) y
Z
|f (x)g(x)|dx ≤ kf kLp (Ω) kgkLp0 (Ω)
Ω

1 1
a Es decir, p0 es tal que p
+ p0
= 1.

266
2.3. Aproximación por funciones regulares

• C(Ω) espacio de funciones continuas de Ω en R

• El soporte de f ∈ C(Ω) es

sop(f ) = {x ∈ Ω : f (x) 6= 0}
• f es de soporte compacto si sop(f ) es un conjunto compacto
• Cc (Ω), espacio de funciones continuas con soporte compacto, es
un espacio de Banach con la norma

kf kCc (Ω) = sup |f (x)|

x∈Ω

• C m (Ω) funciones con derivadas de orden m ∈ N ∪ {∞} continuas

• Ccm (Ω) = C m (Ω) ∩ Cc (Ω) es un espacio de Banach para la norma

kf kCcm (Ω) = máx sup |f (n) (x)|

0≤n≤m x∈Ω
267
2.3. Aproximación por funciones regulares

• C(Ω) espacio de funciones continuas de Ω en R

• El soporte de f ∈ C(Ω) es

sop(f ) = {x ∈ Ω : f (x) 6= 0}
• f es de soporte compacto si sop(f ) es un conjunto compacto
• Cc (Ω), espacio de funciones continuas con soporte compacto, es
un espacio de Banach con la norma

kf kCc (Ω) = sup |f (x)|

x∈Ω

• C m (Ω) funciones con derivadas de orden m ∈ N ∪ {∞} continuas

• Ccm (Ω) = C m (Ω) ∩ Cc (Ω) es un espacio de Banach para la norma

kf kCcm (Ω) = máx sup |f (n) (x)|

0≤n≤m x∈Ω
268
2.3. Aproximación por funciones regulares

• C(Ω) espacio de funciones continuas de Ω en R

• El soporte de f ∈ C(Ω) es

sop(f ) = {x ∈ Ω : f (x) 6= 0}
• f es de soporte compacto si sop(f ) es un conjunto compacto
• Cc (Ω), espacio de funciones continuas con soporte compacto, es
un espacio de Banach con la norma

kf kCc (Ω) = sup |f (x)|

x∈Ω

• C m (Ω) funciones con derivadas de orden m ∈ N ∪ {∞} continuas

• Ccm (Ω) = C m (Ω) ∩ Cc (Ω) es un espacio de Banach para la norma

kf kCcm (Ω) = máx sup |f (n) (x)|

0≤n≤m x∈Ω
269
2.3. Aproximación por funciones regulares

• C(Ω) espacio de funciones continuas de Ω en R

• El soporte de f ∈ C(Ω) es

sop(f ) = {x ∈ Ω : f (x) 6= 0}
• f es de soporte compacto si sop(f ) es un conjunto compacto
• Cc (Ω), espacio de funciones continuas con soporte compacto, es
un espacio de Banach con la norma

kf kCc (Ω) = sup |f (x)|

x∈Ω

• C m (Ω) funciones con derivadas de orden m ∈ N ∪ {∞} continuas

• Ccm (Ω) = C m (Ω) ∩ Cc (Ω) es un espacio de Banach para la norma

kf kCcm (Ω) = máx sup |f (n) (x)|

0≤n≤m x∈Ω
270
2.3. Aproximación por funciones regulares

• C(Ω) espacio de funciones continuas de Ω en R

• El soporte de f ∈ C(Ω) es

sop(f ) = {x ∈ Ω : f (x) 6= 0}
• f es de soporte compacto si sop(f ) es un conjunto compacto
• Cc (Ω), espacio de funciones continuas con soporte compacto, es
un espacio de Banach con la norma

kf kCc (Ω) = sup |f (x)|

x∈Ω

• C m (Ω) funciones con derivadas de orden m ∈ N ∪ {∞} continuas

• Ccm (Ω) = C m (Ω) ∩ Cc (Ω) es un espacio de Banach para la norma

kf kCcm (Ω) = máx sup |f (n) (x)|

0≤n≤m x∈Ω
271
2.3. Aproximación por funciones regulares

• C(Ω) espacio de funciones continuas de Ω en R

• El soporte de f ∈ C(Ω) es

sop(f ) = {x ∈ Ω : f (x) 6= 0}
• f es de soporte compacto si sop(f ) es un conjunto compacto
• Cc (Ω), espacio de funciones continuas con soporte compacto, es
un espacio de Banach con la norma

kf kCc (Ω) = sup |f (x)|

x∈Ω

• C m (Ω) funciones con derivadas de orden m ∈ N ∪ {∞} continuas

• Ccm (Ω) = C m (Ω) ∩ Cc (Ω) es un espacio de Banach para la norma

kf kCcm (Ω) = máx sup |f (n) (x)|

0≤n≤m x∈Ω
272
2.3. Aproximación por funciones regulares

• C(Ω) espacio de funciones continuas de Ω en R

• El soporte de f ∈ C(Ω) es

sop(f ) = {x ∈ Ω : f (x) 6= 0}
• f es de soporte compacto si sop(f ) es un conjunto compacto
• Cc (Ω), espacio de funciones continuas con soporte compacto, es
un espacio de Banach con la norma

kf kCc (Ω) = sup |f (x)|

x∈Ω

• C m (Ω) funciones con derivadas de orden m ∈ N ∪ {∞} continuas

• Ccm (Ω) = C m (Ω) ∩ Cc (Ω) es un espacio de Banach para la norma

kf kCcm (Ω) = máx sup |f (n) (x)|

0≤n≤m x∈Ω
273
Teorema de aproximación
• El espacio Cc∞ (Ω) es denso en Lp (Ω), para 1 ≤ p < ∞
• Es decir, para toda f ∈ Lp (Ω) existe {fn } ⊂ Cc∞ (Ω) tal que

lı́m kfn − f kLp (Ω) = 0

n→∞

• La sucesión aproximante {fn } puede construirse explícitamente median-

te la convolución con una sucesión regularizante
• Sucesión regularizante: {ρn } ⊂ Cc∞ (R) tal que
Z
sop(ρn ) ⊂ (− n1 , n1 ), ρn (x)dx = 1, ρn ≥ 0
R

274
Teorema de aproximación
• El espacio Cc∞ (Ω) es denso en Lp (Ω), para 1 ≤ p < ∞
• Es decir, para toda f ∈ Lp (Ω) existe {fn } ⊂ Cc∞ (Ω) tal que

lı́m kfn − f kLp (Ω) = 0

n→∞

• La sucesión aproximante {fn } puede construirse explícitamente median-

te la convolución con una sucesión regularizante
• Sucesión regularizante: {ρn } ⊂ Cc∞ (R) tal que
Z
sop(ρn ) ⊂ (− n1 , n1 ), ρn (x)dx = 1, ρn ≥ 0
R

275
Teorema de aproximación
• El espacio Cc∞ (Ω) es denso en Lp (Ω), para 1 ≤ p < ∞
• Es decir, para toda f ∈ Lp (Ω) existe {fn } ⊂ Cc∞ (Ω) tal que

lı́m kfn − f kLp (Ω) = 0

n→∞

• La sucesión aproximante {fn } puede construirse explícitamente median-

te la convolución con una sucesión regularizante
• Sucesión regularizante: {ρn } ⊂ Cc∞ (R) tal que
Z
sop(ρn ) ⊂ (− n1 , n1 ), ρn (x)dx = 1, ρn ≥ 0
R

276
Teorema de aproximación
• El espacio Cc∞ (Ω) es denso en Lp (Ω), para 1 ≤ p < ∞
• Es decir, para toda f ∈ Lp (Ω) existe {fn } ⊂ Cc∞ (Ω) tal que

lı́m kfn − f kLp (Ω) = 0

n→∞

• La sucesión aproximante {fn } puede construirse explícitamente median-

te la convolución con una sucesión regularizante
• Sucesión regularizante: {ρn } ⊂ Cc∞ (R) tal que
Z
sop(ρn ) ⊂ (− n1 , n1 ), ρn (x)dx = 1, ρn ≥ 0
R

277
Teorema de aproximación
• El espacio Cc∞ (Ω) es denso en Lp (Ω), para 1 ≤ p < ∞
• Es decir, para toda f ∈ Lp (Ω) existe {fn } ⊂ Cc∞ (Ω) tal que

lı́m kfn − f kLp (Ω) = 0

n→∞

• La sucesión aproximante {fn } puede construirse explícitamente median-

te la convolución con una sucesión regularizante
• Sucesión regularizante: {ρn } ⊂ Cc∞ (R) tal que
Z
sop(ρn ) ⊂ (− n1 , n1 ), ρn (x)dx = 1, ρn ≥ 0
R

278
Ejemplo: Sucesión regularizante por reescalado
• Basta con encontrar ρ ∈ Cc∞ (R) tal que
Z
sop(ρ) ⊂ (0, 1), ρ > 0, ρ≥0
R

y tomar ρn (x) = Cnρ(nx), con C −1 =

R
R
ρ

• Tales funciones ρ existen. Por ejemplo

  1 
exp si |x| < 1
ρ(x) = |x|2 − 1
0 si |x| ≥ 1


279
Ejemplo: Sucesión regularizante por reescalado
• Basta con encontrar ρ ∈ Cc∞ (R) tal que
Z
sop(ρ) ⊂ (0, 1), ρ > 0, ρ≥0
R

y tomar ρn (x) = Cnρ(nx), con C −1 =

R
R
ρ

• Tales funciones ρ existen. Por ejemplo

  1 
exp si |x| < 1
ρ(x) = |x|2 − 1
0 si |x| ≥ 1


280
Ejemplo: Sucesión regularizante por reescalado
• Basta con encontrar ρ ∈ Cc∞ (R) tal que
Z
sop(ρ) ⊂ (0, 1), ρ > 0, ρ≥0
R

y tomar ρn (x) = Cnρ(nx), con C −1 =

R
R
ρ

• Tales funciones ρ existen. Por ejemplo

  1 
exp si |x| < 1
ρ(x) = |x|2 − 1
0 si |x| ≥ 1


281
• Como f definida en Ω y la convolución en R, extendemos f a R por cero

f (x) si x ∈ Ω
f˜(x) =
0 si x ∈ R\Ω
• Claramente, f˜ ∈ L1 (R)
• Tomamos
Z
fn (x) = f˜ ∗ ρn (x) = f˜(x − y)ρn (y)dy
R
• ρn ∈ Cc∞ (R) =⇒ fn ∈ Cc∞ (R)
• Se demuestra que f ∈ Lp (Ω) =⇒ lı́mn→∞ kfn − f kLp (Ω) = 0

282
• Como f definida en Ω y la convolución en R, extendemos f a R por cero

f (x) si x ∈ Ω
f˜(x) =
0 si x ∈ R\Ω
• Claramente, f˜ ∈ L1 (R)
• Tomamos
Z
fn (x) = f˜ ∗ ρn (x) = f˜(x − y)ρn (y)dy
R
• ρn ∈ Cc∞ (R) =⇒ fn ∈ Cc∞ (R)
• Se demuestra que f ∈ Lp (Ω) =⇒ lı́mn→∞ kfn − f kLp (Ω) = 0

283
• Como f definida en Ω y la convolución en R, extendemos f a R por cero

f (x) si x ∈ Ω
f˜(x) =
0 si x ∈ R\Ω
• Claramente, f˜ ∈ L1 (R)
• Tomamos
Z
fn (x) = f˜ ∗ ρn (x) = f˜(x − y)ρn (y)dy
R
• ρn ∈ Cc∞ (R) =⇒ fn ∈ Cc∞ (R)
• Se demuestra que f ∈ Lp (Ω) =⇒ lı́mn→∞ kfn − f kLp (Ω) = 0

284
• Como f definida en Ω y la convolución en R, extendemos f a R por cero

f (x) si x ∈ Ω
f˜(x) =
0 si x ∈ R\Ω
• Claramente, f˜ ∈ L1 (R)
• Tomamos
Z
fn (x) = f˜ ∗ ρn (x) = f˜(x − y)ρn (y)dy
R
• ρn ∈ Cc∞ (R) =⇒ fn ∈ Cc∞ (R)
• Se demuestra que f ∈ Lp (Ω) =⇒ lı́mn→∞ kfn − f kLp (Ω) = 0

285
• Como f definida en Ω y la convolución en R, extendemos f a R por cero

f (x) si x ∈ Ω
f˜(x) =
0 si x ∈ R\Ω
• Claramente, f˜ ∈ L1 (R)
• Tomamos
Z
fn (x) = f˜ ∗ ρn (x) = f˜(x − y)ρn (y)dy
R
• ρn ∈ Cc∞ (R) =⇒ fn ∈ Cc∞ (R)
• Se demuestra que f ∈ Lp (Ω) =⇒ lı́mn→∞ kfn − f kLp (Ω) = 0

286
• Como f definida en Ω y la convolución en R, extendemos f a R por cero

f (x) si x ∈ Ω
f˜(x) =
0 si x ∈ R\Ω
• Claramente, f˜ ∈ L1 (R)
• Tomamos
Z
fn (x) = f˜ ∗ ρn (x) = f˜(x − y)ρn (y)dy
R
• ρn ∈ Cc∞ (R) =⇒ fn ∈ Cc∞ (R)
• Se demuestra que f ∈ Lp (Ω) =⇒ lı́mn→∞ kfn − f kLp (Ω) = 0

287
2.4. La delta de Dirac

• Algunos textos: la delta de Dirac (δ) es función:

• Nula en todas partes excepto en el origen, donde vale infinito
• kδkL1 (R) = 1
• Para cualquier función continua ϕ
Z
ϕ(t)δ(t)dt = ϕ(0)
R

• Esto es informal y, de hecho, erróneo

• Una función no puede satisfacer las propiedades mencionadas

288
2.4. La delta de Dirac

• Algunos textos: la delta de Dirac (δ) es función:

• Nula en todas partes excepto en el origen, donde vale infinito
• kδkL1 (R) = 1
• Para cualquier función continua ϕ
Z
ϕ(t)δ(t)dt = ϕ(0)
R

• Esto es informal y, de hecho, erróneo

• Una función no puede satisfacer las propiedades mencionadas

289
2.4. La delta de Dirac

• Algunos textos: la delta de Dirac (δ) es función:

• Nula en todas partes excepto en el origen, donde vale infinito
• kδkL1 (R) = 1
• Para cualquier función continua ϕ
Z
ϕ(t)δ(t)dt = ϕ(0)
R

• Esto es informal y, de hecho, erróneo

• Una función no puede satisfacer las propiedades mencionadas

290
2.4. La delta de Dirac

• Algunos textos: la delta de Dirac (δ) es función:

• Nula en todas partes excepto en el origen, donde vale infinito
• kδkL1 (R) = 1
• Para cualquier función continua ϕ
Z
ϕ(t)δ(t)dt = ϕ(0)
R

• Esto es informal y, de hecho, erróneo

• Una función no puede satisfacer las propiedades mencionadas

291
2.4. La delta de Dirac

• Algunos textos: la delta de Dirac (δ) es función:

• Nula en todas partes excepto en el origen, donde vale infinito
• kδkL1 (R) = 1
• Para cualquier función continua ϕ
Z
ϕ(t)δ(t)dt = ϕ(0)
R

• Esto es informal y, de hecho, erróneo

• Una función no puede satisfacer las propiedades mencionadas

292
2.4. La delta de Dirac

• Algunos textos: la delta de Dirac (δ) es función:

• Nula en todas partes excepto en el origen, donde vale infinito
• kδkL1 (R) = 1
• Para cualquier función continua ϕ
Z
ϕ(t)δ(t)dt = ϕ(0)
R

• Esto es informal y, de hecho, erróneo

• Una función no puede satisfacer las propiedades mencionadas

293
2.4. La delta de Dirac

• Algunos textos: la delta de Dirac (δ) es función:

• Nula en todas partes excepto en el origen, donde vale infinito
• kδkL1 (R) = 1
• Para cualquier función continua ϕ
Z
ϕ(t)δ(t)dt = ϕ(0)
R

• Esto es informal y, de hecho, erróneo

• Una función no puede satisfacer las propiedades mencionadas

294
Ejemplo
 
1 si t ∈ (−1/2, 1/2) n si t ∈ (− 1 , 1 )
2n 2n
h(t) = hn (t) =
0 en otro caso 0 en otro caso

Es decir, hn (t) = nh(ns)

• Estudiamos n → ∞
(i) hn ≥ 0
(ii) lı́mn→∞ hn (0) → ∞
(iii) ∀t 6= 0, lı́mn→∞ hn (t) = 0
R R
(iv) R hn (t)dt = 1 ∀n ∈ N =⇒ lı́mn→∞ R hn (t)dt = 1

• Si existe H = lı́m hn , no puede ser función:

R
• (iii) −→ H = 0 c.t.p. −→ R H = 0
R
• (iv) −→ R H = 1

295
Ejemplo
 
1 si t ∈ (−1/2, 1/2) n si t ∈ (− 1 , 1 )
2n 2n
h(t) = hn (t) =
0 en otro caso 0 en otro caso

Es decir, hn (t) = nh(ns)

• Estudiamos n → ∞
(i) hn ≥ 0
(ii) lı́mn→∞ hn (0) → ∞
(iii) ∀t 6= 0, lı́mn→∞ hn (t) = 0
R R
(iv) R hn (t)dt = 1 ∀n ∈ N =⇒ lı́mn→∞ R hn (t)dt = 1

• Si existe H = lı́m hn , no puede ser función:

R
• (iii) −→ H = 0 c.t.p. −→ R H = 0
R
• (iv) −→ R H = 1

296
Ejemplo
 
1 si t ∈ (−1/2, 1/2) n si t ∈ (− 1 , 1 )
2n 2n
h(t) = hn (t) =
0 en otro caso 0 en otro caso

Es decir, hn (t) = nh(ns)

• Estudiamos n → ∞
(i) hn ≥ 0
(ii) lı́mn→∞ hn (0) → ∞
(iii) ∀t 6= 0, lı́mn→∞ hn (t) = 0
R R
(iv) R hn (t)dt = 1 ∀n ∈ N =⇒ lı́mn→∞ R hn (t)dt = 1

• Si existe H = lı́m hn , no puede ser función:

R
• (iii) −→ H = 0 c.t.p. −→ R H = 0
R
• (iv) −→ R H = 1

297
Ejemplo
 
1 si t ∈ (−1/2, 1/2) n si t ∈ (− 1 , 1 )
2n 2n
h(t) = hn (t) =
0 en otro caso 0 en otro caso

Es decir, hn (t) = nh(ns)

• Estudiamos n → ∞
(i) hn ≥ 0
(ii) lı́mn→∞ hn (0) → ∞
(iii) ∀t 6= 0, lı́mn→∞ hn (t) = 0
R R
(iv) R hn (t)dt = 1 ∀n ∈ N =⇒ lı́mn→∞ R hn (t)dt = 1

• Si existe H = lı́m hn , no puede ser función:

R
• (iii) −→ H = 0 c.t.p. −→ R H = 0
R
• (iv) −→ R H = 1

298
Ejemplo
 
1 si t ∈ (−1/2, 1/2) n si t ∈ (− 1 , 1 )
2n 2n
h(t) = hn (t) =
0 en otro caso 0 en otro caso

Es decir, hn (t) = nh(ns)

• Estudiamos n → ∞
(i) hn ≥ 0
(ii) lı́mn→∞ hn (0) → ∞
(iii) ∀t 6= 0, lı́mn→∞ hn (t) = 0
R R
(iv) R hn (t)dt = 1 ∀n ∈ N =⇒ lı́mn→∞ R hn (t)dt = 1

• Si existe H = lı́m hn , no puede ser función:

R
• (iii) −→ H = 0 c.t.p. −→ R H = 0
R
• (iv) −→ R H = 1

299
Ejemplo
 
1 si t ∈ (−1/2, 1/2) n si t ∈ (− 1 , 1 )
2n 2n
h(t) = hn (t) =
0 en otro caso 0 en otro caso

Es decir, hn (t) = nh(ns)

• Estudiamos n → ∞
(i) hn ≥ 0
(ii) lı́mn→∞ hn (0) → ∞
(iii) ∀t 6= 0, lı́mn→∞ hn (t) = 0
R R
(iv) R hn (t)dt = 1 ∀n ∈ N =⇒ lı́mn→∞ R hn (t)dt = 1

• Si existe H = lı́m hn , no puede ser función:

R
• (iii) −→ H = 0 c.t.p. −→ R H = 0
R
• (iv) −→ R H = 1

300
• Desde pto de vista de modelización, lı́mn→∞ hn es interesante y claro
• ¿Cómo dotar de significado matemático correcto?
R
• R ϕ(t)δ(t)dt = ϕ(0) contiene idea fundamental de delta de Dirac

• ϕ ∈ C(R) =⇒ hn ϕ integrable. Pongamos

Z s Z
1 2
I(s) = ϕ(t)dt, s ∈ R =⇒ I(1/n) = ϕ(t)hn (t)dt
s − 2s R
• L’Hôpital:
Z s/2
lı́m I(s) = lı́m G0 (s), donde G(s) = ϕ(t)dt
s→0 s→0 −s/2

• Continuidad de ϕ
1

lı́m I(1/n) = lı́m I(s) = lı́m ϕ(−s/2) + ϕ(s/2) = ϕ(0)
n→∞ s→0 2 s→0

301
• Desde pto de vista de modelización, lı́mn→∞ hn es interesante y claro
• ¿Cómo dotar de significado matemático correcto?
R
• R ϕ(t)δ(t)dt = ϕ(0) contiene idea fundamental de delta de Dirac

• ϕ ∈ C(R) =⇒ hn ϕ integrable. Pongamos

Z s Z
1 2
I(s) = ϕ(t)dt, s ∈ R =⇒ I(1/n) = ϕ(t)hn (t)dt
s − 2s R
• L’Hôpital:
Z s/2
lı́m I(s) = lı́m G0 (s), donde G(s) = ϕ(t)dt
s→0 s→0 −s/2

• Continuidad de ϕ
1

lı́m I(1/n) = lı́m I(s) = lı́m ϕ(−s/2) + ϕ(s/2) = ϕ(0)
n→∞ s→0 2 s→0

302
• Desde pto de vista de modelización, lı́mn→∞ hn es interesante y claro
• ¿Cómo dotar de significado matemático correcto?
R
• R ϕ(t)δ(t)dt = ϕ(0) contiene idea fundamental de delta de Dirac

• ϕ ∈ C(R) =⇒ hn ϕ integrable. Pongamos

Z s Z
1 2
I(s) = ϕ(t)dt, s ∈ R =⇒ I(1/n) = ϕ(t)hn (t)dt
s − 2s R
• L’Hôpital:
Z s/2
lı́m I(s) = lı́m G0 (s), donde G(s) = ϕ(t)dt
s→0 s→0 −s/2

• Continuidad de ϕ
1

lı́m I(1/n) = lı́m I(s) = lı́m ϕ(−s/2) + ϕ(s/2) = ϕ(0)
n→∞ s→0 2 s→0

303
• Desde pto de vista de modelización, lı́mn→∞ hn es interesante y claro
• ¿Cómo dotar de significado matemático correcto?
R
• R ϕ(t)δ(t)dt = ϕ(0) contiene idea fundamental de delta de Dirac

• ϕ ∈ C(R) =⇒ hn ϕ integrable. Pongamos

Z s Z
1 2
I(s) = ϕ(t)dt, s ∈ R =⇒ I(1/n) = ϕ(t)hn (t)dt
s − 2s R
• L’Hôpital:
Z s/2
lı́m I(s) = lı́m G0 (s), donde G(s) = ϕ(t)dt
s→0 s→0 −s/2

• Continuidad de ϕ
1

lı́m I(1/n) = lı́m I(s) = lı́m ϕ(−s/2) + ϕ(s/2) = ϕ(0)
n→∞ s→0 2 s→0

304
• Desde pto de vista de modelización, lı́mn→∞ hn es interesante y claro
• ¿Cómo dotar de significado matemático correcto?
R
• R ϕ(t)δ(t)dt = ϕ(0) contiene idea fundamental de delta de Dirac

• ϕ ∈ C(R) =⇒ hn ϕ integrable. Pongamos

Z s Z
1 2
I(s) = ϕ(t)dt, s ∈ R =⇒ I(1/n) = ϕ(t)hn (t)dt
s − 2s R
• L’Hôpital:
Z s/2
lı́m I(s) = lı́m G0 (s), donde G(s) = ϕ(t)dt
s→0 s→0 −s/2

• Continuidad de ϕ
1

lı́m I(1/n) = lı́m I(s) = lı́m ϕ(−s/2) + ϕ(s/2) = ϕ(0)
n→∞ s→0 2 s→0

305
• Desde pto de vista de modelización, lı́mn→∞ hn es interesante y claro
• ¿Cómo dotar de significado matemático correcto?
R
• R ϕ(t)δ(t)dt = ϕ(0) contiene idea fundamental de delta de Dirac

• ϕ ∈ C(R) =⇒ hn ϕ integrable. Pongamos

Z s Z
1 2
I(s) = ϕ(t)dt, s ∈ R =⇒ I(1/n) = ϕ(t)hn (t)dt
s − 2s R
• L’Hôpital:
Z s/2
lı́m I(s) = lı́m G0 (s), donde G(s) = ϕ(t)dt
s→0 s→0 −s/2

• Continuidad de ϕ
1

lı́m I(1/n) = lı́m I(s) = lı́m ϕ(−s/2) + ϕ(s/2) = ϕ(0)
n→∞ s→0 2 s→0

306
• Desde pto de vista de modelización, lı́mn→∞ hn es interesante y claro
• ¿Cómo dotar de significado matemático correcto?
R
• R ϕ(t)δ(t)dt = ϕ(0) contiene idea fundamental de delta de Dirac

• ϕ ∈ C(R) =⇒ hn ϕ integrable. Pongamos

Z s Z
1 2
I(s) = ϕ(t)dt, s ∈ R =⇒ I(1/n) = ϕ(t)hn (t)dt
s − 2s R
• L’Hôpital:
Z s/2
lı́m I(s) = lı́m G0 (s), donde G(s) = ϕ(t)dt
s→0 s→0 −s/2

• Continuidad de ϕ
1

lı́m I(1/n) = lı́m I(s) = lı́m ϕ(−s/2) + ϕ(s/2) = ϕ(0)
n→∞ s→0 2 s→0

307
• Es decir, ∀ϕ ∈ C(R)
Z
lı́m ϕ(t)hn (t)dt = ϕ(0)
n→0 R
• No existe lı́m hn en sentido puntual (como función)
• Sí existe en el sentido de su acción sobre funciones continuas

• No es relevante t = 0
Definición
La delta de Dirac centrada en t0 ∈ R es la aplicación lineal, positiva y
continua, δt0 , que a cada función ϕ ∈ C(R) le asocia su valor en t0 , es decir,
ϕ(t0 ). Usaremos la notacióna

hδt0 , ϕi = ϕ(0) para toda ϕ ∈ C(R)

Z
a Es común encontrar la notación ϕ(t)dδt0 (t) en vez de hδt0 , ϕi
R

308
• Es decir, ∀ϕ ∈ C(R)
Z
lı́m ϕ(t)hn (t)dt = ϕ(0)
n→0 R
• No existe lı́m hn en sentido puntual (como función)
• Sí existe en el sentido de su acción sobre funciones continuas

• No es relevante t = 0
Definición
La delta de Dirac centrada en t0 ∈ R es la aplicación lineal, positiva y
continua, δt0 , que a cada función ϕ ∈ C(R) le asocia su valor en t0 , es decir,
ϕ(t0 ). Usaremos la notacióna

hδt0 , ϕi = ϕ(0) para toda ϕ ∈ C(R)

Z
a Es común encontrar la notación ϕ(t)dδt0 (t) en vez de hδt0 , ϕi
R

309
• Es decir, ∀ϕ ∈ C(R)
Z
lı́m ϕ(t)hn (t)dt = ϕ(0)
n→0 R
• No existe lı́m hn en sentido puntual (como función)
• Sí existe en el sentido de su acción sobre funciones continuas

• No es relevante t = 0
Definición
La delta de Dirac centrada en t0 ∈ R es la aplicación lineal, positiva y
continua, δt0 , que a cada función ϕ ∈ C(R) le asocia su valor en t0 , es decir,
ϕ(t0 ). Usaremos la notacióna

hδt0 , ϕi = ϕ(0) para toda ϕ ∈ C(R)

Z
a Es común encontrar la notación ϕ(t)dδt0 (t) en vez de hδt0 , ϕi
R

310
• Es decir, ∀ϕ ∈ C(R)
Z
lı́m ϕ(t)hn (t)dt = ϕ(0)
n→0 R
• No existe lı́m hn en sentido puntual (como función)
• Sí existe en el sentido de su acción sobre funciones continuas

• No es relevante t = 0
Definición
La delta de Dirac centrada en t0 ∈ R es la aplicación lineal, positiva y
continua, δt0 , que a cada función ϕ ∈ C(R) le asocia su valor en t0 , es decir,
ϕ(t0 ). Usaremos la notacióna

hδt0 , ϕi = ϕ(0) para toda ϕ ∈ C(R)

Z
a Es común encontrar la notación ϕ(t)dδt0 (t) en vez de hδt0 , ϕi
R

311
• Es decir, ∀ϕ ∈ C(R)
Z
lı́m ϕ(t)hn (t)dt = ϕ(0)
n→0 R
• No existe lı́m hn en sentido puntual (como función)
• Sí existe en el sentido de su acción sobre funciones continuas

• No es relevante t = 0
Definición
La delta de Dirac centrada en t0 ∈ R es la aplicación lineal, positiva y
continua, δt0 , que a cada función ϕ ∈ C(R) le asocia su valor en t0 , es decir,
ϕ(t0 ). Usaremos la notacióna

hδt0 , ϕi = ϕ(0) para toda ϕ ∈ C(R)

Z
a Es común encontrar la notación ϕ(t)dδt0 (t) en vez de hδt0 , ϕi
R

312