30
Análisis de Fourier: Aplicaciones para el cálculo de parámetros estadísticos
Rutilo Moreno Monsivais1*, María de Jesús Sánchez López1
1
Tecnológico Nacional de México/IT San Luis Potosí, Av. Tecnológico s/n, Soledad
de Graciano Sánchez, San Luis Potosí, C.P. 78376, México.
*e-mail: [Link]@[Link]
Resumen
En este trabajo se da una breve introducción a las transformadas, discreta y continúa
de Fourier y se muestra cómo es que estas se aplican en el campo de la probabilidad y la
estadística para calcular algunos parámetros de distribuciones de variables aleatorias, ya sea
que estas sean continuas o discretas.
Palabras clave: Transformada de Fourier, Distribución de Probabilidad, Momentos
de una Distribución.
Abstract
In this paper we give a brief introduction to the transformations, discrete and
continuous Fourier and shows how they are applied in the field of probability and statistics
to calculate some parameters of random variable distributions, whether they are continuous
or discrete.
Keywords: Fourier Transform, Probability Distribution, Moments of a Distribution.
4. Introducción
La historia moderna de lo que hoy se conoce como análisis de Fourier se remonta a
mediados del siglo XVIII y el problema de la cuerda vibrante, hoy considerado como uno
31
de los más importantes de dicho siglo. Este fue propuesto por Brook Taylor en 1717 en su
obra Methodus incrementorum directa et inversa [2] y consiste en plantear las ecuaciones
que describen el movimiento de todo punto y para todo tiempo, de una cuerda flexible,
fija en sus extremos, la cual se ha “estirado” hasta quedar tensa, y cuya curva se describe
por una cierta función y posteriormente se suelta, en donde se asume que el movimiento
que tendrán todos y cada uno de los puntos de dicha cuerda estará contenido en un plano.
Este problema atrajo la atención de muchos matemáticos de renombre de dicha época,
entre ellos se pueden contar
Jean le Rond d'Alembert, Leonhard Paul Euler, Daniel Bernoulli, y otros pero no fue
hasta 1807 que el matemático francés Jean Baptiste Joseph Fourier en su obra Théorie
Analytique de la Chaleur [1] en la que ataca el problema de la propagación del calor en
conductores sólidos bajo algunas ciertas restricciones y establece un método para darle
solución inspirado por los trabajos de Daniel Bernoulli en el problema de la cuerda
vibrante. Dicho método es hoy conocido como separación de variables, en el que la parte
medular del mismo consiste en descomponer cualquier función periódica como una
mezcla de funciones senoidales y cosenoidales de diferentes amplitudes y frecuencias.
Desde entonces a la fecha, son innumerables las áreas en las que el análisis de Fourier
encuentra aplicaciones de manera natural, entre estas se encuentran: electrónica, teoría de
números, medicina, astronomía, economía, mecánica cuántica, entre otras.
32
En el presente trabajo se presentan algunas aplicaciones de la transformada discreta y
continua de Fourier en el campo de la probabilidad y la estadística para la obtención de
los momentos de una distribución de probabilidad, los cuales están directamente
relacionados con algunos parámetros relevantes de dicha distribución.
En la sección 2 de este trabajo se definen las transformadas de Fourier para el caso de
funciones continuas y discretas.
El concepto de distribución de probabilidad, medular para la comprensión de este
trabajo se trata en la tercera sección. En la cual también se definen algunos parámetros
estadísticos, los momentos de una distribución y la relación existente entre los mismos.
La sección 4 trata de la relación entre la transformada de Fourier y su uso para obtener
los momentos de distribuciones de variables aleatorias. Se establece dicha relación de
manera general para el caso en que la función de distribución es continua y se tratan de
manera general algunos casos que se pueden presentar cuando la variable aleatoria es
discreta.
La notación utilizada es estándar y puede ser encontrada en los trabajos [3],[4],[5].
33
5. Transformadas continuas y discretas de Fourier
Dada una función real o compleja 𝑓(𝑥) definida sobre la línea y en donde es
integrable en el sentido de Lebesgue, el cual obliga a la función en cuestión a tener
ciertas propiedades de regularidad, su transformada de Fourier está definida por:
∞
𝐹(𝑢) = ∫ 𝑓(𝑥)𝑒 −2𝜋𝑢𝑖𝑥 𝑑𝑥
−∞
De manera análoga, se define la transformada inversa de Fourier de la función 𝐹(𝑈)
como:
∞
𝑓(𝑥) = ∫ 𝐹(𝑢)𝑒 2𝜋𝑢𝑖𝑥 𝑑𝑢
−∞
Donde en ambas definiciones, 𝑖 es la unidad imaginaria.
Esta forma de definir dichas transformadas no es única y dependiendo del área en la
que se trabaje se realiza un cambio de variable lineal 𝑢 = 𝑎𝑥 para alguna constante 𝑎,
que cambia la forma mas no la propiedad de que al realizar de manera sucesiva la
transformada y la transformada inversa a una cierta función se regresa a ella misma.
34
Existe también la versión discreta de dichas transformadas cuando no se tiene una
función continua 𝑓(𝑥) sino una colección de valores de dicha función correspondientes
a un conjunto finito de valores igualmente espaciados en el eje 𝑥, a continuación se
definen dichas transformadas de manera formal.
Dado un conjunto de 𝑁 valores 𝑦0 , 𝑦1 , . . , 𝑦𝑁−1 reales o complejos, indexados por los
primeros 𝑁 enteros no negativos y que se corresponden con la secuencia creciente de 𝑁
valores 𝑥0 , 𝑥1 , . . , 𝑥𝑁−1 reales igualmente espaciados entre sí. La transformada discreta de
Fourier (TDF) asociada a la secuencia valores 𝑦0 , 𝑦1 , . . , 𝑦𝑁−1 está dada por:
𝑁−1
𝑌(𝑘) = ∑ 𝑦𝑛 𝑊𝑛 𝑘𝑛
𝑛=0
donde:
2𝜋𝑖
𝑊𝑁 ≔ 𝑒 − 𝑁
La cual cuando es evaluada en los enteros 0,1,2, … , 𝑁 − 1 produce los valores
𝑦0 , 𝑦1 , . . , 𝑦𝑁−1 respectivamente.
35
De manera análoga dada la secuencia 𝑌0 , 𝑌1 , . . , 𝑌𝑁−1 se define la transformada discreta
de Fourier inversa (TDFI) asociada a dicha secuencia como la función:
𝑁−1
1
𝑌(𝑛) = ∑ 𝑌𝑘 𝑊𝑛 −𝑘𝑛
𝑁
𝑘=0
De manera análoga al caso continuo, este par de definiciones pueden tener ligeras
variaciones dependiendo del área de aplicación, sin embargo la aplicación sucesiva de las
transformadas discreta y discreta inversa de Fourier a una secuencia de valores, nos
regresa, en este caso, una función periódica cuyo periodo es N, mezcla de funciones
senoidales y cosenoidales, la cual, cuando es evaluada en la secuencia de enteros
0,1,2, … , 𝑁 − 1 produce los valores 𝑦0 , 𝑦1 , . . , 𝑦𝑁−1 respectivamente.
Dicha función periódica puede usarse para interpolar la función original en otros
valores no enteros, donde la validez de dicha interpolación está regida por la naturaleza
de la aplicación así como de ciertas propiedades de la secuencia dada.
6. Transformadas continuas y discretas de Fourier
Dada la realización de un experimento, se define una variable aleatoria 𝑋 como una
función que asigna un número real a cada uno de los resultados de dicho experimento. De
manera formal se puede escribir:
36
𝑋∶𝐴 →ℝ
Donde 𝐴 es el conjunto de todos los posibles resultados del experimento realizado.
Dada la realización de un experimento y una variable aleatoria 𝑋 definida sobre el
mismo, la distribución de probabilidad de 𝑋 es una función 𝑓(𝑥) que asigna a cada valor
posible 𝑥 de la variable aleatoria 𝑋 la probabilidad de que al realizarse el experimento,
el resultado sea un evento para el cual la variable aleatoria definida sobre el mismo tome
el valor de 𝑥, esto en el caso de que la variable aleatoria solo pueda tomar un conjunto
finito de valores.
En el caso de que la variable aleatoria pueda tomar un continuo de valores, entonces
𝑓(𝑥) asigna a cada valor posible 𝑥 de la variable aleatoria 𝑋 la probabilidad de que al
realizarse el experimento, el resultado sea un evento para el cual la variable aleatoria
definida sobre el mismo este en el intervalo cerrado [𝑥, 𝑥 + 𝛥𝑥].
De manera formal, para el caso discreto se tiene:
𝑝(𝑥) = 𝑃(𝑋 = 𝑥)
Y para el caso continuo:
𝑓(𝑥) = 𝑃(𝑥 ∈ [𝑥, 𝑥 + 𝛥𝑥])
37
El valor esperado 𝐸[𝑔] de una función 𝑔(𝑥) se define por:
𝐸[𝑔] ≔ ∑ 𝑔(𝑥)𝑓(𝑥)
En el caso discreto, donde la suma es sobre todos los posibles valores de la variable
aleatoria.
Para el caso continuo se tiene:
∞
𝐸[𝑔] ≔ ∫ 𝑓(𝑥)𝑔(𝑥)𝑑𝑥
−∞
De aquí se pueden definir algunos parámetros relevantes de la distribución de
probabilidad que nos hablan del comportamiento de los valores de la variable aleatoria
en cuestión, algunos de estos parámetros son: media estadística, desviación estándar,
coeficiente de asimetría, coeficiente de curtosis, entre otros. Dichos parámetros están
dados, respectivamente por:
𝜇 = 𝐸[𝑥]
38
𝜎 = √𝐸[(𝑋 − 𝜇) 2 ]
1
𝛾= 𝐸[(𝑋 − 𝜇)3 ]
𝜎3
1
𝛽= 𝐸[(𝑋 − 𝜇)4 ]
𝜎4
De aquí es fácil deducir, utilizando propiedades de integrales y sumatorias que
𝜇 = 𝑀1
𝜎 = √𝑀2 − 𝜇 2
1
𝛾= (𝑀3 − 3𝜇𝑀2 + 2 𝜇^3)
𝜎3
1
𝛽= (𝑀4 − 4𝜇𝑀3 + 6𝜇 2 𝑀2 − 3𝜇 4 )
𝜎4
39
donde:
𝑀𝑗 = 𝐸[𝑥 𝑗 ]
Se denomina 𝑗 −ésimo momento de la variable aleatoria 𝑋. De aquí se puede deducir la
importancia del cálculo de momentos de distribuciones de probabilidad.
4. Distribución y la Transformada de Fourier
Como se mencionó en la segunda sección, dada una función 𝑓(𝑥) con las características
de regularidad mencionadas, es posible definir su transformada de Fourier, si dicha
función corresponde a una distribución de probabilidad continua, entonces dichas
condiciones se cumplen y se puede calcular su transformada de Fourier, la cual estaría
dada por:
∞
𝐹(𝑢) = ∫ 𝑓(𝑥)𝑒 −2𝜋𝑢𝑖𝑥 𝑑𝑥
−∞
A esta expresión se le conoce como función característica de la distribución.
40
Derivando ambos lados de esta ecuación se obtiene la siguiente expresión para 𝐹´(𝑢)
∞
−2𝜋𝑖 ∫ 𝑥 𝑓(𝑥)𝑒 −2𝜋𝑢𝑖𝑥 𝑑𝑥
−∞
La cual al ser evaluada en 𝑢 = 0 produce la expresión
∞
𝐹´(0) = −2𝜋𝑖 ∫ 𝑥 𝑓(𝑥) 𝑑𝑥
−∞
es decir:
𝐹´(0) = −2𝜋𝑖 𝑀1
En palabras, la primera derivada de la función característica evaluada en 𝑢 = 0 es
directamente proporcional al primer momento de la distribución.
41
Derivando de manera sucesiva la función característica se obtiene la siguiente
expresión para 𝐹 (𝑟) (𝑈):
∞
(−2𝜋𝑖)𝑟 ∫ 𝑥 𝑟 𝑓(𝑥)𝑒 −2𝜋𝑢𝑖𝑥 𝑑𝑥
−∞
La cual al ser evaluada en 𝑢 = 0 da como resultado la siguiente expresión
𝐹 (𝑟) (0) = (−2𝜋𝑖)𝑟 𝑀𝑟
Es decir, una proporcionalidad directa entre el la 𝑟-ésima derivada de la función
característica evaluada en 𝑢 = 0 y el 𝑟- ésimo momento de la distribución.
En el caso en el que la variable aleatoria es discreta, si los valores de dicha variable son
la secuencia 0,1,2, … , 𝑁 − 1 y los valores de la distribución en dichos valores están dados
por la secuencia 𝑦0 , 𝑦1 , . . , 𝑦𝑁−1 lo cual es algo común en aplicaciones, donde la variable
aleatoria cuenta la cantidad de ocurrencias de cierta condición, entonces, la transformada
de Fourier discreta de la secuencia 𝑦0 , 𝑦1 , . . , 𝑦𝑁−1 estaría dada por:
𝑁−1
−2𝜋𝑖𝑘𝑛
𝑌(𝑘) = ∑ 𝑦𝑛 𝑒 𝑁
𝑛=0
42
Al derivar ambos términos de esta ecuación y evaluarla en 𝑘 = 0 de manera análoga al
caso continuo se obtiene:
2𝜋𝑖
𝑌 ′ (0) = − 𝑀
𝑁 1
Es decir, una proporcionalidad entre la primera derivada de la transformada de Fourier
evaluada en cero y el primer momento de la distribución. De manera análoga al caso
continuo se puede obtener la proporcionalidad:
(𝑟) 2𝜋𝑖 𝑟
𝑌 (0) = (− ) 𝑀𝑟
𝑁
La cual permite el cálculo de momentos y por ende, de ciertos parámetros de la
distribución,
En caso de que la variable aleatoria no tome los valores 0,1,2, … , 𝑁 − 1 sino una
secuencia creciente 𝑥0 , 𝑥1 , . . , 𝑥𝑁−1 , igualmente espaciada de valores se puede aplicar un
cambio de variable lineal y definir la transformada de Fourier como:
43
𝑁−1
−2𝜋∆𝑖𝑘𝑛
𝑌(𝑘) = ∑ 𝑦𝑛 𝑒 𝑁
𝑛=0
Donde Δ es el espaciamiento entre cualesquiera 2 elementos consecutivos de la secuencia
creciente antes mencionada.
−2𝜋𝑖𝑥0 𝑘
Multiplicando ambos lados de esta última ecuación por Ψ(k) = 𝑒 𝑁 se obtiene:
𝑁−1
−2𝜋(𝑥0 +∆𝑛)𝑖𝑘
Ψ(k) 𝑌(𝑘) = ∑ 𝑦𝑛 𝑒 𝑁
𝑛=0
Definiendo Θ(𝑘) ∶= Ψ(k) 𝑌(𝑘) y derivando ambos miembros, para posteriormente
evaluar en 𝑘 = 0 se tiene:
𝑁−1
2𝜋𝑖
Θ′ (0) = − ∑(𝑥0 + ∆𝑛)𝑦𝑛
𝑁
𝑛=0
Es decir:
2𝜋𝑖
Θ′ (0) = − 𝑀
𝑁 1
44
De manera análoga, la aplicación sucesiva de la derivación y su posterior evaluación en
cero produce la ecuación:
(𝑟) 2𝜋𝑖 𝑟
Θ (0) = (− ) 𝑀𝑟
𝑁
Dando así, una vez más, una fórmula para calcular los momentos de dicha distribución
discreta.
Existen casos en los que la variable aleatoria no toma una secuencia igualmente
espaciada, sin embargo, se pueden hacer adecuaciones del método aquí descrito, por
ejemplo, insertando valores intermedios de dicha variable aleatoria para hacerla
igualmente espaciada y asociándole un 0 como función de distribución a dichos valores
insertados.
De igual manera, con adecuaciones del método y la utilización de límites se pueden
tratar distribuciones que toman un conjunto infinito de valores no continuo.
45
En el caso continuo, el primer paso para el cálculo de momentos por este método
consiste en resolver la integral dada por la función característica, la cual, es fácil de
calcular de forma analítica para algunas distribuciones de probabilidad comunes.
En el caso discreto se comienza calculando la transformada discreta de Fourier de la
distribución dada, la cual se puede pensar como el equivalente a la función característica
del caso continuo.
En ambos casos una vez obtenida la función característica, su derivación y evaluación,
son procesos estándar, fáciles de implementar en algún software de cálculo algebraico.
Existen muchas otras aplicaciones del análisis de Fourier en lo que se refiere a
probabilidad y estadística y que ya no se trataran en este trabajo, pero que el lector
fácilmente puede encontrar en la literatura, más aun, la mayoría de los programas comunes
para manejo de datos estadísticos ya hacen uso de esta herramienta de manera profunda.
5. Conclusiones
Como se vio en este trabajo, la Transformada de Fourier provee de manera natural, un
método matemático sumamente útil en el campo de la probabilidad y la estadística para el
cálculo de momentos de distribuciones de variables aleatorias ya sean estas continuas o
discretas.
46
En algunos casos, más que útil, dicho método resulta mejor que el tradicional y su
ventaja radica en el hecho que evita el cálculo de múltiples integrales o sumatorias las
cuales pueden tornarse complicadas o imposibles de resolver por métodos analíticos y que
son necesarias para obtener todos los momentos de la distribución si se obtuviesen a partir
de la definición.
6. Referencias
[1] Jean Baptise J. Fourier, (1822), Théorie analytique de la chaleur, Paris Francia, Chez
Firmin Didot père et fils
[2] Taylor, B. (1715). Methodus incrementorum directa et inversa. Londini: typis
earsnianis.
[3] Brillinger, D. R. y Krishnaiah P. R., (1983) Handbook of Statistics 3. Time Series in
the Frequency Domain. Amsterdam: North Holland.
[4] Hamilton, J. D. (1994) Time Series Analysis, Princeton, New Jersey: Princeton
University Press.
[5] Priestley, M.B. (1981), Spectral Analysis and Time Series, London, Academic Press.
