You are on page 1of 102

Análisis de Fourier

Análisis de Fourier
F. Javier Cara
ETSII-UPM
Curso 2012-2013
1
Análisis de Fourier
Contenido
Señales continuas
Señales continuas periódicas. Serie de Fourier.
Señales continuas periódicas. Serie de Fourier compleja
Espectro
Señales continuas no periódicas. Serie de Fourier.
Señales continuas no periódicas. Transformada de Fourier.
Catalogo de transformadas de Fourier
Delta de Dirac
Convolución y su transformada de Fourier
Correlación y su transformada de Fourier
Señales discretas
Señales discretas periódicas. Serie de Fourier discreta.
Señales discretas no periódicas. Serie de Fourier discreta.
Señales discretas no periódicas. Transformada de Fourier en tiempo discreto.
Muestreo de señales
Transformada de Fourier discreta (DFT)
2
Análisis de Fourier
Señales continuas
Análisis de Fourier

Señales continuas.

Señales continuas periódicas.

Serie de Fourier.

Serie de Fourier compleja.

Señales continuas no periódicas.

Serie de Fourier.

Transformada de Fourier.

Señales discretas.

Señales discretas periódicas.

Serie de Fourier discreta.

Señales discretas no periódicas.

Serie de Fourier discreta.

Transformada de Fourier en tiempo discreto (DTFT).

Transformada de Fourier discreta (DFT).
3
Análisis de Fourier
Señales continuas
Jean-Baptiste Joseph Fourier (21 de marzo de 1768, Auxerre
- 16 de mayo de 1830, París)
4
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier.
0 0.5 1 1.5 2
−20
−10
0
10
20
A= 15, f = 2 Hz, T = 0.5 s
y
=
A
s
i
n
(
ω
t
)
0 0.5 1 1.5 2
−20
−10
0
10
20
A= 5, f = 2 Hz, T = 0.5 s
y
=
A
s
i
n
(
ω
t
)
0 0.5 1 1.5 2
−20
−10
0
10
20
A= 5, f = 4 Hz, T = 0.25 s
y
=
A
s
i
n
(
ω
t
)
0 0.5 1 1.5 2
−20
−10
0
10
20
A= 15, f = 2 Hz, T = 0.5 s
y
=
A
c
o
s
(
ω
t
)
0 0.5 1 1.5 2
−20
−10
0
10
20
A= 5, f = 2 Hz, T = 0.5 s
y
=
A
c
o
s
(
ω
t
)
0 0.5 1 1.5 2
−20
−10
0
10
20
A= 5, f = 4 Hz, T = 0.25 s
y
=
A
c
o
s
(
ω
t
)

Ondas: y = Asin(ωt), y = Acos(ωt)

A: amplitud de la onda.

ω =

T
= 2πf : frecuencia angular, [rad/s].

T: periodo = tiempo entre dos repeticiones, [s].

f =
1
T
: frecuencia lineal = num. de repeticiones por segundo, [Hz].
5
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier.
0 0.5 1 1.5 2
−20
0
20
a
1
= 10, f
1
= 2 Hz, T
1
= 0.5 s.
x
1
=
a
1
c
o
s
(
ω
1
t
)
0 0.5 1 1.5 2
−20
0
20
a
2
= 8, f
2
= 4 Hz, T
2
= 0.25 s.
x
2
=
a
2
c
o
s
(
ω
2
t
)
0 0.5 1 1.5 2
−20
0
20
a
3
= 4, f
3
= 6 Hz, T
3
= 0.16667 s.
x
3
=
a
3
c
o
s
(
ω
3
t
)
0 0.5 1 1.5 2
−20
0
20
a
4
= 6, f
4
= 8 Hz, T
4
= 0.125 s.
x
4
=
a
4
c
o
s
(
ω
4
t
)
0 0.5 1 1.5 2
−20
0
20
x
total
= x
1
+ x
2
+ x
3
+ x
4
x
t
o
t
a
l
0 0.5 1 1.5 2
−20
0
20
b
1
= 10, f
1
= 2 Hz, T
1
= 0.5 s.
y
1
=
b
1
s
i
n
(
ω
1
t
)
0 0.5 1 1.5 2
−20
0
20
b
2
= 8, f
2
= 4 Hz, T
2
= 0.25 s.
y
2
=
b
2
s
i
n
(
ω
2
t
)
0 0.5 1 1.5 2
−20
0
20
b
3
= 4, f
3
= 6 Hz, T
3
= 0.16667 s.
y
3
=
b
3
s
i
n
(
ω
3
t
)
0 0.5 1 1.5 2
−20
0
20
b
4
= 6, f
4
= 8 Hz, T
4
= 0.125 s.
y
4
=
b
4
s
i
n
(
ω
4
t
)
0 0.5 1 1.5 2
−20
0
20
y
total
= y
1
+ y
2
+ y
3
+ y
4
y
t
o
t
a
l
6
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier.

Al sumar ondas coseno, x(t) =
K

k=1
a
k
cos(ω
k
t):

Si ω
k
= n · ω
1
, n ∈ N ⇒ x(t) es una onda periódica:

El periodo de x(t) es T
1
.

x(0) = x(T) =
K

k=1
a
k
.

Al sumar ondas seno, y(t) =
K

k=1
b
k
sin(ω
k
t):

Si ω
k
= n · ω
1
, n ∈ N ⇒ y(t) es una onda periódica:

El periodo de y(t) es T
1
.

y(0) = y(T) = 0.

En conclusión, f (t) =
K

k=1
(a
k
cos(ω
k
t) + b
k
sin(ω
k
t)) es periódica:

Si ω
k
= n · ω
1
, n ∈ N ⇒ f (t) es una onda periódica:

El periodo de f (t) es T
1
.

f (0) = f (T) =
K

k=1
a
k
.
7
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier.
El recíproco de la propiedad anterior también es cierto:
Teorema
Cualquier función periódica de periodo T se puede descomponer en una
suma de senos y cosenos:
f (t) =

n=1
_
a
n
cos
2πn
T
t + b
n
sin
2πn
T
t
_

Una función f (t) es periódica de periodo T si cumple que
f (t) = f (t + T).

Para n = 1 las ondas tienen la misma frecuencia que la función f(t):
ω
1
=

T

Esta frecuencia es conocida como frecuencia fundamental. El resto
de ondas tienen frecuencias múltiplo de la fundamental (como
habíamos visto en en el apartado anterior):
ω
n
=
2πn
T
= n · ω
1
8
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier.
Por ejemplo, veamos la función periódica (T = 2):
f (t) =
_
_
_

1
2
−1 < t < 0
+
1
2
0 < t < 1
f (t) = f (t + 2) resto
La frecuencia fundamental es ω
1
= 2π/T = π.
La serie de Fourier de f (t) es:
f (t) =
2
π
sinπt +
2

sin3πt +
2

sin5πt +
2

sin7πt +
2

sin9πt · · ·
En la figura siguiente se representa la función f(t) y los tres primeros
términos de la serie de Fourier. Se observa como con tan sólo tres
términos, la aproximación conseguida es notable.
9
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier.
−4 −2 0 2 4 6
−1
−0.5
0
0.5
1
f(t), f
0
(t) = 2π sin π t
−4 −2 0 2 4 6
−1
−0.5
0
0.5
1
f(t), f
1
(t) = 2/3π sin 3π t
−4 −2 0 2 4 6
−1
−0.5
0
0.5
1
f(t), f
0
(t) + f
1
(t)
−4 −2 0 2 4 6
−1
−0.5
0
0.5
1
f(t), f
2
(t) = 2/5π sin 5π t
−4 −2 0 2 4 6
−1
−0.5
0
0.5
1
f(t), f
0
(t) + f
1
(t) + f
2
(t)
10
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier.

Como a
n
cos
2πn
T
t y b
n
sin
2πn
T
t oscilan en torno al cero, la suma de
ellos también lo harán.

Para tener en cuenta funciones periódicas que oscilan en torno a c:
Teorema
Cualquier función periódica de periodo T se puede descomponer en una
suma de senos y cosenos:
f (t) = c +

n=1
_
a
n
cos
2πn
T
t + b
n
sin
2πn
T
t
_

Por ejemplo, la función g(t) es periódica (T = 2) pero con valores
que oscilan en torno a
1
2
.
g(t) =
_
_
_
0 −1 < t < 0
1 0 < t < 1
g(t) = g(t + 2) resto
11
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier.
−4 −2 0 2 4 6
−1
0
1
f(t), f
0
(t) = 1/2
−4 −2 0 2 4 6
−1
0
1
f(t), f
1
(t) = 2π sin π t
−4 −2 0 2 4 6
−1
0
1
f(t), f
0
(t) + f
1
(t)
−4 −2 0 2 4 6
−1
0
1
f(t), f
2
(t) = 2/3π sin 3π t
−4 −2 0 2 4 6
−1
0
1
f(t), f
0
(t) + f
1
(t) + f
2
(t)
−4 −2 0 2 4 6
−1
0
1
f(t), f
3
(t) = 2/5π sin 5π t
−4 −2 0 2 4 6
−1
0
1
f(t), f
0
(t) + f
1
(t) + f
2
(t) + f
3
(t)
La serie de Fourier de g(t) es:
f (t) =
1
2
+
2
π
sinπt +
2

sin3πt +
2

sin5πt +· · ·
12
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier.
Obviamente, la pregunta es: ¿cómo se calculan a
n
, b
n
y c?
Primero, hay recordar que las funciones seno y coseno cumplen:

Son simetricas respecto a y = 0:
_
+
T
2

T
2
cos
_
2πn
T
t
_
dt = 0
_
+
T
2

T
2
sin
_
2πn
T
t
_
dt = 0

Son ortogonales:
_
+
T
2

T
2
cos
_
2πm
T
t
_
sin
_
2πn
T
t
_
dt = 0
_
+
T
2

T
2
cos
_
2πm
T
t
_
cos
_
2πn
T
t
_
dt =
_
T/2 si m = n
0 si m = n
_
+
T
2

T
2
sin
_
2πm
T
t
_
sin
_
2πn
T
t
_
dt =
_
T/2 si m = n
0 si m = n
13
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier.
Cálculo de los coeficientes a
n
y b
n
.
f (t) = c +

n=1
_
a
n
cos
_
2πn
T
t
_
+ b
n
sin
_
2πn
T
t
__

Término c.
_
+
T
2

T
2
f (t)dt =
_
+
T
2

T
2
_
c +

n=1
_
a
n
cos
_
2πn
T
t
_
+ b
n
sin
_
2πn
T
t
__
_
dt

_
+
T
2

T
2
f (t)dt = cT ⇒ c =
1
T
_
+
T
2

T
2
f (t)dt
14
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier.

Término a
1
.
_
+
T
2

T
2
f (t)cos
_

T
t
_
dt =
=
_
+
T
2

T
2
_
c +

n=1
_
a
n
cos
_
2πn
T
t
_
+ b
n
sin
_
2πn
T
t
__
_
cos
_

T
t
_
dt

_
+
T
2

T
2
f (t)cos
_

T
t
_
dt = a
1
T
2
⇒ a
1
=
2
T
_
+
T
2

T
2
f (t)cos
_

T
t
_
dt

Término a
n
.
a
n
=
2
T
_
+
T
2

T
2
f (t)cos
_
2πn
T
t
_
dt
15
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier.

Término b
1
.
_
+
T
2

T
2
f (t)sin
_

T
t
_
dt =
=
_
+
T
2

T
2
_
c +

n=1
_
a
n
cos
_
2πn
T
t
_
+ b
n
sin
_
2πn
T
t
__
_
sin
_

T
t
_
dt

_
+
T
2

T
2
f (t)sin
_

T
t
_
dt = b
1
T
2
⇒ b
1
=
2
T
_
+
T
2

T
2
f (t)sin
_

T
t
_
dt

Término b
n
.
b
n
=
2
T
_
+
T
2

T
2
f (t)sin
_
2πn
T
t
_
dt
16
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier.
Teorema de la serie de Fourier
Cualquier función periódica de periodo T se puede descomponer como:
f (t) =
a
0
2
+

n=1
_
a
n
cos
_
2πn
T
t
_
+ b
n
sin
_
2πn
T
t
__
a
n
=
2
T
_
+
T
2

T
2
f (t)cos
_
2πn
T
t
_
dt, n = 0, 1, 2, . . .
b
n
=
2
T
_
+
T
2

T
2
f (t)sin
_
2πn
T
t
_
dt, n = 1, 2, . . .
Nota: Los términos a
n
y b
n
se calculan integrando en un periodo. En las
fórmulas anteriores se ha integrado entre −T/2 y T/2 pero también se
podría hacer entre 0 y T. Los a
n
y b
n
obtenidos dependen de los límites
de integración elegidos, aunque (a
2
n
+ b
2
n
) es constante.
17
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier compleja
Análisis de Fourier

Señales continuas.

Señales continuas periódicas.

Serie de Fourier.

Serie de Fourier compleja.

Señales continuas no periódicas.

Serie de Fourier.

Transformada de Fourier.

Señales discretas.

Señales discretas periódicas.

Serie de Fourier discreta.

Señales discretas no periódicas.

Serie de Fourier discreta.

Transformada de Fourier en tiempo discreto (DTFT).

Transformada de Fourier discreta (DFT).
18
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier compleja
Serie de Fourier compleja
e
ix
= cosx + isinx ⇒
_
cos(nω
1
t) =
1
2
_
e
inω
1
t
+ e
−inω
1
t
_
sin(nω
1
t) =
1
2i
_
e
inω
1
t
−e
−inω
1
t
_
f (t) =
a
0
2
+

n=1
a
n
2
_
e
inω
1
t
+ e
−inω
1
t
_
+
b
n
2i
_
e
inω
1
t
−e
−inω
1
t
_
=
a
0
2
+

n=1
1
2
(a
n
−ib
n
)e
inω
1
t
+
1
2
(a
n
+ ib
n
)e
−inω
1
t
=
a
0
2
+

n=1
C
n
e
inω
1
t
+ D
n
e
−inω
1
t
C
n
=
1
2
(a
n
−ib
n
) =
2
T
_
+
T
2

T
2
f (t)e
−inω
1
t
dt
D
n
=
1
2
(a
n
+ ib
n
) =
2
T
_
+
T
2

T
2
f (t)e
inω
1
t
dt
19
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier compleja
ya que
a
n
=
2
T
_
+
T
2

T
2
f (t)cosnω
1
tdt =
2
T
_
+
T
2

T
2
f (t)
1
2
_
e
inω
1
t
+ e
−inω
1
t
_
dt
b
n
=
2
T
_
+
T
2

T
2
f (t)sinnω
1
tdt =
2
T
_
+
T
2

T
2
f (t)
1
2i
_
e
inω
1
t
−e
−inω
1
t
_
dt
Teniendo en cuenta ésto
f (t) =
a
0
2
+

n=1
_
C
n
e
inω
1
t
+ D
n
e
−inω
1
t
_
=

n=0
C
n
e
inω
1
t
+

n=1
D
n
e
−inω
1
t
=

n=0
C
n
e
inω
1
t
+
−∞

n=−1
D
(−n)
e
inω
1
t
=

n=0
C
n
e
inω
1
t
+
−∞

n=−1
C
n
e
inω
1
t
=

n=−∞
C
n
e
inω
1
t
20
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier compleja
Teorema de la serie de Fourier en notación compleja
Cualquier función periódica de periodo T se puede descomponer como:
f (t) =

n=−∞
C
n
e
i 2πnt/T
C
n
=
1
T
_
+
T
2

T
2
f (t)e
−i 2πnt/T
dt, C
n
∈ C
Las ventajas de utilizar la serie es Fourier en complejos son:

Notación más compacta, más elegante.

Es más facil operar con exponenciales que con senos y cosenos:
multiplicar, derivar, ...

¡¡¡ Pero es igual trabajar con senos-cosenos que con exp. complejas!!!
* Los pares (t, f (t)) representan la función f en el dominio del
tiempo.
* Los pares
_

n
, C
n
) : n ∈ Z, ω
n
=

T
n = nω
1
_
representan la función
f en el dominio de la frecuencia.
21
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier compleja
Ejemplo
Desarrollar en series de Fourier f (t) = t
2
, 0 < t < 2π, con periodo 2π.
a
0
=
2
T
_
T
0
f (t)dt =
1
π
_

0
t
2
dt =

2
3
a
n
=
2
T
_
T
0
f (t) cos
2πnt
T
dt =
1
π
_

0
t
2
cos ntdt
Integrando por partes
a
n
=
1
π
_
t
2
sin nt
n
+ 2t
cos nt
n
2
−2
sin nt
n
3

¸
¸
¸

0
=
4
n
2
b
n
=
2
T
_
T
0
f (t) sin
2πnt
T
dt =
1
π
_

0
t
2
sin ntdt
=
1
π
_
−t
2
cos nt
n
+ 2t
sin nt
n
2
+ 2
cos nt
n
3

¸
¸
¸

0
= −

n
22
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier compleja
C
n
=
1
2
(a
n
−ib
n
) =
1
2
_
4
n
2
+ i

n
_
=
2 + i 2πn
n
2
C
0
=
1
2
a
0
=

2
3
Por tanto
f (t) = t
2


2
3
+

n=1
_
4
n
2
cos nt −

n
sin nt
_
f (t) = t
2


2
3
+

n=−∞
n=0
2 + i 2πn
n
2
e
int

Frecuencia fundamental: ω
1
= 2π/T = 1 rad/s.

Frecuencias de Fourier: nω
1
= 1, 2, 3, 4, . . . rad/s
23
Análisis de Fourier
Señales continuas
Señales continuas periódicas. Serie de Fourier compleja
−10 −5 0 5 10 15
−20
0
20
40
f(t)=t
2
, f
0
(t) = 4π
2
/3
−10 −5 0 5 10 15
−20
0
20
40
f(t), f
1
(t) = 4 cos t − 4π sin t
−10 −5 0 5 10 15
−20
0
20
40
f(t), f
0
(t) + f
1
(t)
−10 −5 0 5 10 15
−20
0
20
40
f(t), f
2
(t) = cos 2t − 2π sin 2t
−10 −5 0 5 10 15
−20
0
20
40
f(t), f
0
(t) + f
1
(t) + f
2
(t)
−10 −5 0 5 10 15
−20
0
20
40
f(t), f
3
(t) = 4/9cos 3t − 4π/3 sin 3t
−10 −5 0 5 10 15
−20
0
20
40
f(t), f
0
(t) + f
1
(t) + f
2
(t) + f
3
(t)
−10 −5 0 5 10 15
−20
0
20
40
f(t), f
4
(t) = 1/4cos 4t − π sin 4t
−10 −5 0 5 10 15
−20
0
20
40
f(t), f
0
(t) + f
1
(t) + f
2
(t) + f
3
(t) + f
4
(t)
24
Análisis de Fourier
Señales continuas
Espectro
Espectro

Un espectro es la representación de una señal en el dominio de la
frecuencia.

Cuando tenemos senos-cosenos, el espectro consiste en representar
a
n
y b
n
frente a ω
n
. Es preferible representar d
n
=
_
a
2
n
+ b
2
n
frente
a ω
n
, ya que a
n
y b
n
dependen de como se haya elegido T.

En complejos, se puede representar la parte real y la parte imaginaria
de C
n
, o el módulo (espectro de módulo) y la fase (espectro de fase).

El espectro de módulo, |C
n
|, es simétrico respecto al eje x = 0.
C
n
=
1
2
(a
n
−ib
n
)
C
−n
= D
n
=
1
2
(a
n
+ ib
n
)
_
⇒C
−n
= C

n
⇒ |C
−n
| = |C
n
|

d
n
se reparte entre C
n
y C
−n
en partes iguales:
|C
n
|
2
=
1
2
(a
2
n
+b
2
n
), n = 0, 1, 2, . . . |C
−n
|
2
=
1
2
(a
2
n
+b
2
n
), n = 1, 2, 3, . . .
|C
n
|
2
+|C
−n
|
2
= 2|C
n
|
2
= d
2
n
, n = 1, 2, 3, . . .
C
0
= d
0
25
Análisis de Fourier
Señales continuas
Espectro
Ejemplo
Espectro de f (t) = t
2
−5 0 5
−20
−10
0
10
20
a
n
−5 0 5
−20
−10
0
10
20
b
n
−5 0 5
−20
−10
0
10
20
(a
n
2
+ b
n
2
)
1/2
−5 0 5
−20
−10
0
10
20
REAL(c
n
)
ω
n
−5 0 5
−20
−10
0
10
20
IMAG(c
n
)
ω
n
−5 0 5
−20
−10
0
10
20
MOD(c
n
)
ω
n
−5 0 5
−20
−10
0
10
20
2*MOD(c
n
), n>1
ω
n 26
Análisis de Fourier
Señales continuas
Espectro
Teorema de Parseval
Teorema
Sea f (t) una función periódica, y sean a
n
y b
n
los coeficientes del
desarrollo en serie de Fourier. Entonces se cumple que:
1
T
_
+
T
2

T
2
(f (t))
2
dt = a
2
0
+
1
2

n=1
_
a
2
n
+ b
2
n
_
Teorema
Sea f (t) una función periódica, y sean C
n
los coeficientes del desarrollo
en serie de Fourier complejo. Entonces se cumple que:
1
T
_
+
T
2

T
2
(f (t))
2
dt =

n=−∞
C
2
n
Luego el espectro está relacionado con el valor cuadrático medio de la
señal en un periodo. 27
Análisis de Fourier
Señales continuas
Señales continuas no periódicas. Serie de Fourier.
Análisis de Fourier

Señales continuas.

Señales continuas periódicas.

Serie de Fourier.

Serie de Fourier compleja.

Señales continuas no periódicas.

Serie de Fourier

Transformada de Fourier.

Señales discretas.

Señales discretas periódicas.

Serie de Fourier discreta.

Señales discretas no periódicas.

Serie de Fourier discreta.

Transformada de Fourier en tiempo discreto (DTFT).

Transformada de Fourier discreta (DFT).
28
Análisis de Fourier
Señales continuas
Señales continuas no periódicas. Serie de Fourier.
En el caso de que tengamos una señal no periódica, se puede aplicar el
análisis de Fourier de dos maneras:
1. Creando una señal periódica a partir de la señal no periódica.
2. Transformada de Fourier.
Figura: Señal no periódica.
29
Análisis de Fourier
Señales continuas
Señales continuas no periódicas. Serie de Fourier.
1. Creando señal periódica.

Si tenemos una señal, f (t), definida entre t
a
y t
b
podemos crear una
señal periódica a partir de ella, g(t), simplemente repitiendo f (t).

El periodo de la nueva señal es T = t
b
−t
a
.

La nueva señal periódica, g(t), puede analizarse utilizando la serie de
Fourier. Los resultados obtenidos son válidos en el intervalo [t
b
−t
a
].
30
Análisis de Fourier
Señales continuas
Señales continuas no periódicas. Transformada de Fourier.
2. Transformada de Fourier
h(t) =
_
f (t) t ∈ [t
a
, t
b
]
0 resto

La otra opción consiste en definir una función periódica pero cuyo
periodo es infinito, h(t).

Aparece así el concepto de Transformada de Fourier.
31
Análisis de Fourier
Señales continuas
Señales continuas no periódicas. Transformada de Fourier.
Sabemos que
h(t) =

n=−∞
C
n
e
i 2πnt/T
C
n
=
1
T
_
+
T
2

T
2
h(t)e
−i 2πnt/T
dt
Sustituyendo una en la otra
h(t) =

n=−∞
_
1
T
_
+
T
2

T
2
h(t)e
−i 2πnt/T
dt
_
e
i 2πnt/T
Por otro lado ω
n
=

T
n, por lo que la distancia entre ω
n
y ω
n+1
es
∆ω = 2π/T. Sustituyendo
h(t) =

n=−∞
_
∆ω

_
+
T
2

T
2
h(t)e
−in∆ωt
dt
_
e
in∆ωt
32
Análisis de Fourier
Señales continuas
Señales continuas no periódicas. Transformada de Fourier.
Conforme T →∞, ∆ω →dω (se hace infinitésimo), n∆ω = ω
n
→ω (la
variable discreta se hace continua), y la suma se convierte en una integral
h(t) = lim
T→∞

n=−∞
_
∆ω

_
+
T
2

T
2
h(t)e
−in∆ωt
dt
_
e
in∆ωt
h(t) =
_

−∞
_
1

_

−∞
h(t)e
−i ωt
dt
_
e
i ωt

Teorema
La Transformada de Fourier y la Transformada Inversa de Fourier se
definen mediante:
H(ω) =
1

_

−∞
h(t)e
−i ωt
dt
h(t) =
_

−∞
H(ω)e
i ωt

33
Análisis de Fourier
Señales continuas
Señales continuas no periódicas. Transformada de Fourier.
El factor
1

nosotros lo hemos asignado a H(ω), pero también lo
podíamos haber asignado a h(t). De hecho, no existe una solución
consensuada para este problema, y nos podemos encontrar las siguientes
definiciones para la transformada de Fourier:
H(ω) =
1

_

−∞
h(t)e
−i ωt
dt
h(t) =
_

−∞
H(ω)e
i ωt

H(ω) =
_

−∞
h(t)e
−i ωt
dt
h(t) =
1

_

−∞
H(ω)e
i ωt

H(ω) =
1


_

−∞
h(t)e
−i ωt
dt
h(t) =
1


_

−∞
H(ω)e
i ωt

H(f ) =
_

−∞
h(t)e
−i 2πft
dt
h(t) =
_

−∞
H(f )e
i 2πft

34
Análisis de Fourier
Señales continuas
Señales continuas no periódicas. Transformada de Fourier.
Hay dos condiciones generales que tiene que cumplir la función h(t) para
tener transformada de Fourier:

La función ha de ser absolútamente integrable, esto es,
_
+
T
2

T
2
|h(t)|dt < ∞.

Cualquier discontinuidad de h(t) tiene que ser finita.
Aplicando la fórmula de Euler, la transformada de Fourier a veces se
escribe
H(ω) =
1

_

−∞
h(t) cos(ωt)dt −i
1

_

−∞
h(t) sin(ωt)dt
Por tanto, H(ω) = H

(−ω) y el espectro, |H(ω)|, es simétrico respecto
al eje Y.
Teorema
Teorema de Parseval. Sea h(t) una función periódica, y sea H(ω) su
Transformada de Fourier. Entonces se cumple que:
_

−∞
(h(t))
2
dt = 2π
_

−∞
|H(ω)|
2
dω =
_

−∞
|H(f )|
2
df
35
Análisis de Fourier
Señales continuas
Señales continuas no periódicas. Transformada de Fourier.
Construir una función periódica vs Transformada de Fourier.
El espectro |H(ω)| es continuo, en contraposición al de |C
n
| que es
discreto. Esto quiere decir que hay que utilizar todas las frecuencias que
hay entre −ω
0
y ω
0
para obtener exáctamente la función f (t) como suma
de senos y cosenos. Sin embargo, si sólo empleo determinadas frecuencias,
las ω
n
, la suma de senos y cosenos me da una función periódica: que
coincide con f (t) entre t
a
y t
b
, pero que se repite fuera de ese intervalo.
36
Análisis de Fourier
Señales continuas
Catalogo de transformadas de Fourier
Catalogo de transformadas de Fourier
37
Análisis de Fourier
Señales continuas
Catalogo de transformadas de Fourier
38
Análisis de Fourier
Señales continuas
Catalogo de transformadas de Fourier
39
Análisis de Fourier
Señales continuas
Catalogo de transformadas de Fourier
40
Análisis de Fourier
Señales continuas
Delta de Dirac
Delta de Dirac o función impulso
La Delta de Dirac es la siguiente función:
δ(t) = lim
∆t→0
ρ(∆t)
δ(t) no es una función como las que trabajamos en análisis: se encuadran
dentro de las funciones generalizadas o distribuciones. Cumplen que:
δ(t) =
_
¸
¸
¸
¸
_
¸
¸
¸
¸
_
0 si t = 0

_
−∞
δ(t)dt = 1

_
−∞
h(t)δ(t)dt = h(0)
41
Análisis de Fourier
Señales continuas
Delta de Dirac
Cuando está aplicada en t = t
0
:
δ(t) = lim
∆t→0
ρ(t
0
, ∆t)
Las ecuaciones son ahora:
δ(t −t
0
) =
_
¸
¸
¸
¸
_
¸
¸
¸
¸
_
0 si t = t
0

_
−∞
δ(t −t
0
)dt = 1

_
−∞
h(t)δ(t −t
0
)dt = h(t
0
)
42
Análisis de Fourier
Señales continuas
Delta de Dirac
Gráficamente, δ(t) se representa como una flecha con altura unidad, y los
impulsos en general se representan como flechas con altura igual a su
integral.
43
Análisis de Fourier
Señales continuas
Delta de Dirac
Producto de la función impulso y una función ordinaria h(t)
Se define como
δ(t −t
0
)h(t) = h(t
0
)δ(t −t
0
)
En efecto, integrando

_
−∞
δ(t −t
0
)h(t) =

_
−∞
h(t
0
)δ(t −t
0
)
Para el primer miembro

_
−∞
δ(t −t
0
)h(t) = h(t
0
)
y el segundo miembro

_
−∞
h(t
0
)δ(t −t
0
) = h(t
0
)

_
−∞
δ(t −t
0
) = h(t
0
)
44
Análisis de Fourier
Señales continuas
Delta de Dirac
Producto de una función con un tren de impulsos

función: h(t);

tren de impulsos:

n=−∞
δ(t −n∆t);
h(t) ·

n=−∞
δ(t −n∆t) =

n=−∞
h(t)δ(t −n∆t)
El resultado es otro tren de impulsos con altura
de cada impulso h(n∆t), ya que
h(t)δ(t −n∆t) = h(n∆t)δ(t −n∆t)
Por tanto

n=−∞
h(t)δ(t−n∆t) =

n=−∞
h(n∆t)δ(t−n∆t)
45
Análisis de Fourier
Señales continuas
Convolución y su transformada de Fourier
Convolución y su transformada de Fourier
Integral de convolución (convolución
entre x(t) y h(t))
y(t) =
_

−∞
x(τ)h(t −τ)dτ
Tamb. se indica como y(t) = x(t) ∗ h(t).
Proceso de convolución:
1. Folding. Se construye h(−τ).
2. Displacement. Se desplaza h(−τ)
una cantidad igual a t ⇒h(t −τ).
3. Multiplication. Se multiplican x(τ)
y h(t −τ).
4. Integration. El área bajo
x(τ) · h(t −τ) es el valor de la
convolución en el instante t.
46
Análisis de Fourier
Señales continuas
Convolución y su transformada de Fourier
Ejemplo: convolución de dos señales rectangulares.
47
Análisis de Fourier
Señales continuas
Convolución y su transformada de Fourier
Ejemplo: convolución con impulsos.
48
Análisis de Fourier
Señales continuas
Convolución y su transformada de Fourier
Forma alternativa de la integral de convolución
Convolución entre x(t) y h(t):

Integral de convolución
y(t) =
_

−∞
x(τ)h(t −τ)dτ

Forma alternativa
y(t) =
_

−∞
h(τ)x(t −τ)dτ
En la figura de la izquierda se hace la
convolución entre la función rectangular
y e
−at
utilizando las dos integrales
anteriores. El resultado es el mismo.
49
Análisis de Fourier
Señales continuas
Convolución y su transformada de Fourier
Teorema (Teorema de convolución en el tiempo)
La Transformada de Fourier de la convolución de dos funciones en el
dominio del tiempo es igual al producto de las Transformadas de Fourier
de las funciones en el dominio de la frecuencia.
y(t) =
_

−∞
x(τ)h(t −τ)dτ
TF
⇐⇒
_
Y(f ) = H(f )X(f )
Y(ω) = 2πH(ω)X(ω)
Teorema (Teorema de convolución en frecuencia)
La Transformada de Fourier del producto de dos funciones en el dominio
del tiempo es igual a la convolución de las Transformadas de Fourier de
las funciones en el dominio de la frecuencia.
y(t) = x(t)h(t)
TF
⇐⇒
_
Y(f ) = H(f ) ∗ X(f )
Y(ω) =
1

H(ω) ∗ X(ω)
50
Análisis de Fourier
Señales continuas
Convolución y su transformada de Fourier
Ejemplos del teorema de convolución en el tiempo
51
Análisis de Fourier
Señales continuas
Convolución y su transformada de Fourier
Ejemplos del teorema de convolución en frecuencia
52
Análisis de Fourier
Señales continuas
Correlación y su transformada de Fourier
Correlación y su transformada de Fourier
Integral de correlación
y(t) =
_

−∞
x(τ)h(t + τ)dτ
Proceso de correlación:
1. Displacement. Se desplaza h(τ)
una cantidad igual a t ⇒h(t + τ).
2. Multiplication. Se multiplican x(τ)
y h(t + τ).
3. Integration. El área bajo
x(τ) · h(t + τ) es el valor de la
convolución en el instante t.
53
Análisis de Fourier
Señales continuas
Correlación y su transformada de Fourier
Teorema
La Transformada de Fourier de la correlación de dos funciones es igual al
producto de la conjugada de la Transformada de Fourier de la primera
función y la Transformada de Fourier de la segunda función.
y(t) =
_

−∞
x(τ)h(t + τ)dτ
TF
⇐⇒
_
Y(f ) = H(f )X

(f )
Y(ω) = 2πH(ω)X

(ω)
Cuando x(t) = h(t), la correlación se conoce como autocorrelación de
h(t). Entonces se tiene
y(t) =
_

−∞
h(τ)h(t+τ)dτ
TF
⇐⇒
_
Y(f ) = H(f )H

(f ) = |H(f )|
2
Y(ω) = 2πH(ω)X

(ω) = 2π|H(ω)|
2
54
Análisis de Fourier
Señales continuas
Correlación y su transformada de Fourier
Comparación entre convolución y correlación
55
Análisis de Fourier
Señales discretas
Señales discretas periódicas. Serie de Fourier discreta.
Análisis de Fourier

Señales continuas.

Señales continuas periódicas.

Serie de Fourier.

Serie de Fourier compleja.

Señales continuas no periódicas.

Serie de Fourier.

Transformada de Fourier.

Señales discretas.

Señales discretas periódicas.

Serie de Fourier discreta.

Señales discretas no periódicas.

Serie de Fourier discreta.

Transformada de Fourier en tiempo discreto (DTFT).

Transformada de Fourier discreta (DFT).
56
Análisis de Fourier
Señales discretas
Señales discretas periódicas. Serie de Fourier discreta.
Sea una señal periódica, f (t), de periodo T. Tomamos N valores
discretos de f (t) en cada periodo, separados ∆t. Se cumple entonces que:
T = N∆t
−10 −5 0 5 10 15
−10
0
10
20
30
40
Discretizacion de f(t)=t
2
. N=8
t (s)
f
(
t
)

=

t
2
−10 −5 0 5 10 15
−10
0
10
20
30
40
Valores discretos
t (s)
f
(
t
k
)

=

t
k 2
57
Análisis de Fourier
Señales discretas
Señales discretas periódicas. Serie de Fourier discreta.
No conocemos la función de partida, sólo los puntos discretos. Podemos
construir una suma de senos y cosenos que pase por los puntos discretos.
Las ecuaciones en el caso continuo eran:
f (t) =

n=−∞
C
n
e
i 2πnt/T
C
n
=
1
T
_
+
T
2

T
2
f (t)e
−i 2πnt/T
dt
El valor de la señal en cada t
k
= k∆t será:
f (t
k
) = f (k∆t) =

n=−∞
C
n
e
i 2πn(k∆t)/(N∆t)
=

n=−∞
C
n
e
i 2πnk/N
58
Análisis de Fourier
Señales discretas
Señales discretas periódicas. Serie de Fourier discreta.
C
n
para valores discretos se calcula teniendo en cuenta:
C
n
=
1
T
_
+
T
2

T
2
f (t)e
−i 2πnt/T
dt =
1
T
_
T
0
f (t)e
−i 2πnt/T
dt
Como en un periodo sólo hay datos en N instantes t
k
, se pueden calcular
N valores de C
n
.
C
n
=
1
N∆t
N−1

n=0
f (k∆t)e
−i 2πnk∆t/(N∆t)
∆t =
1
N
N−1

n=0
f (k∆t)e
−i 2πnk/N
Figura: Aproximación de una integral por una suma.
59
Análisis de Fourier
Señales discretas
Señales discretas periódicas. Serie de Fourier discreta.
Teorema
Cualquier función periódica discreta de periodo T = N∆t se puede
descomponer como:
f (k∆t) =
N−1

n=0
C
n
e
i 2πnk/N
C
n
=
1
N
N−1

k=0
f (k∆t)e
−i 2πnk/N

Las frecuencias de cada C
n
son: ω
n
=
2πn
T
=
2πn
N∆t
.

Es facil comprobar que C
−n
= C

n
, por lo que |C
−n
| = |C
n
| y el
espectro (ω
n
, |C
n
|) es simétrico respecto al eje x = 0.
60
Análisis de Fourier
Señales discretas
Señales discretas periódicas. Serie de Fourier discreta.
Propiedades

n = 0
C
0
=
1
N
N−1

k=0
f (k∆t) ⇒ Media de los valores discretos de f , f (k∆t).
Como f (k∆t) son valores reales, C
0
es un número real.

n =
N
2
CN
2
=
1
N
N−1

k=0
f (k∆t)e
−i 2π(N/2)k/N
=
1
N
N−1

k=0
f (k∆t) cos(πk)
CN
2
también es un número real.
61
Análisis de Fourier
Señales discretas
Señales discretas periódicas. Serie de Fourier discreta.

n =
N
2
+ m
CN
2
+m
=
1
N
N−1

k=0
f (k∆t)e
−i 2π(N/2+m)k/N
=
1
N
N−1

k=0
f (k∆t)e
−i 2πmk/N
e
−ikπ
= C

N
2
−m
Luego los elementos simétricos respecto a N/2 son complejos
conjugados.
62
Análisis de Fourier
Señales discretas
Señales discretas periódicas. Serie de Fourier discreta.
* Esto quiere decir que la mitad de la información es redundante, ya
que conociendo los términos desde n = 1 hasta n =
N
2
−1 puedes
conocer los términos desde n =
N
2
+ 1 hasta n = N −1.
* La frecuencia más alta que se puede evaluar es
ω
max
k
= ωN
2
= 2π(N/2)/(N∆t) =
π
∆t
que se conoce como la frecuencia de Nyquist.
ω
Nyquist
=
π
∆t
rad/s, f
Nyquist
=
1
2∆t
Hz.
* Si la señal original tiene una frecuencia mayor que ω
Nyquist
entonces
la serie de Fourier no la puede evaluar.
* Lo anterior es válido si N es par. Si N es impar, la mayor frequencia
que se puede conocer es la correspondiente a n =
N−1
2
. A partir de
ahí la información es redundante.
* Por tanto, como la frecuencia de Nyquist se ha definido como ωN
2
,
no es posible evaluar esta frecuencia con N impar (la máxima
frecuencia que se puede evaluar es ωN−1
2
).
* Se volverá a incidir sobre ésto al estudiar la DFT. 63
Análisis de Fourier
Señales discretas
Señales discretas periódicas. Serie de Fourier discreta.
Análisis de Fourier

Señales continuas.

Señales continuas periódicas.

Serie de Fourier.

Serie de Fourier compleja.

Señales continuas no periódicas.

Serie de Fourier.

Transformada de Fourier.

Señales discretas.

Señales discretas periódicas.

Serie de Fourier discreta.

Señales discretas no periódicas.

Serie de Fourier discreta.

Transformada de Fourier en tiempo discreto (DTFT).

Transformada de Fourier discreta (DFT).
64
Análisis de Fourier
Señales discretas
Señales discretas periódicas. Serie de Fourier discreta.
En el caso de que tengamos valores discretos de una señal no periódica,
se puede aplicar el análisis de Fourier de dos maneras:
1. Creando una señal discreta periódica a partir de la señal no
periódica.
2. Transformada de Fourier en tiempo discreto.
3. Transformada de Fourier discreta .
Figura: Señal discreta no periódica.
65
Análisis de Fourier
Señales discretas
Señales discretas no periódicas. Serie de Fourier discreta.
1. Creando señal discreta periódica.

Si tenemos una señal discreta, f (t
k
), definida entre t
a
y t
b
podemos
crear una señal periódica a partir de ella, g(t
k
), simplemente
repitiendo f (t
k
).

El periodo de g(t
k
) es T = t
b
−t
a
= N∆t.

g(t
k
) puede analizarse utilizando la serie de Fourier discreta. Los
resultados obtenidos son válidos en el intervalo [t
b
−t
a
].
66
Análisis de Fourier
Señales discretas
Señales discretas no periódicas. Serie de Fourier discreta.
Por tanto, las ecuaciones serían
f (k∆t) =
N−1

n=0
C
n
e
i 2πnk/N
C
n
=
1
N
N−1

k=0
f (k∆t)e
−i 2πnk/N
67
Análisis de Fourier
Señales discretas
Señales discretas no periódicas. Transformada de Fourier en tiempo discreto.
2. Transformada de Fourier en tiempo discreto
h(t
k
) =
_
f (t
k
) t
k
∈ [t
a
, t
b
]
0 resto

La otra opción consiste en definir una función discreta periódica
pero cuyo periodo es infinito, h(t
k
).

Esto se hace discretizando la Transformada de Fourier Continua.
68
Análisis de Fourier
Señales discretas
Señales discretas no periódicas. Transformada de Fourier en tiempo discreto.
Las ecuaciones de la transformada de Fourier en tiempo continuo son
H(ω) =
1

_

−∞
h(t)e
−i ωt
dt
h(t) =
_

−∞
H(ω)e
i ωt

Conocemos N valores [t
k
, f (t
k
)], t
k
= k∆t, k = 0, 1, . . . , N −1
H(ω) =
1

_

−∞
h(k∆t)e
−i ωk∆t
dt =
1

N−1

k=0
h(k∆t)e
−i ωk∆t
∆t
=
∆t

N−1

k=0
h(k∆t)e
−i ωk∆t
Esta función es periódica con periodo

∆t
ya que
e
−i ωk∆t
= e
−i ω(k+

∆t
)∆t
, ∀k
69
Análisis de Fourier
Señales discretas
Señales discretas no periódicas. Transformada de Fourier en tiempo discreto.
h(k∆t) =
_

−∞
H(ω)e
i ωk∆t

H(ω)e
i ωk∆t
es periódica con periodo

∆t
por lo que la integral anterior
toma un valor infinito. Por ello se integra en un periodo
h(k∆t) =
_

∆t
H(ω)e
i ωk∆t

Por otro lado, el factor
∆t

que acompaña a H(ω) en la ecuación anterior
se suele poner a h(k∆t), ya que el resultado final es el mismo.
Teorema
La Transformada de Fourier y la Transformada Inversa de Fourier en
tiempo discreto (Discrete Time Fourier Transform, DTFT) se definen:
H(ω) =
N−1

k=0
h(k∆t)e
−i ωk∆t
h(k∆t) =
∆t

_

∆t
H(ω)e
i ωk∆t

70
Análisis de Fourier
Señales discretas
Muestreo de señales
Muestreo de señales
Las señales en tiempo discreto pueden aparecer de muchas formas, pero
lo más común es que aparezcan como consecuencia del muestreo de
señales en tiempo continuo.
A partir de una señal continua x
c
(t)
se obtiene una secuencia de muestras
x
k
mediante la relación
x
k
= x
c
(k∆t)
donde ∆t = t
k
−t
k−1
es el periodo
de muestreo y
f
s
=
1
∆t
es la frecuencia de muestreo, en
numero de muestras por segundo.
Figura: Señal muestreada
71
Análisis de Fourier
Señales discretas
Muestreo de señales
Teorema
Sea función continua x
c
(t), el valor
muestreado de x
c
(t) en t = t
k
es el
producto
x
k
= x(t
k
) = x(t)δ(t −t
k
)
dónde δ(t) es la función impulso.
Cuando queremos muestrear en
varios puntos multiplicamos por un
tren de impulsos.

(a) Señal continua.

(b)-(c) Señal muestreada. La
información contenida en (b) y
(c) es la misma ya que
_

−∞
x(t)δ(t−k∆t) = x(k∆t) = x
k
Figura: Señal muestreada
72
Análisis de Fourier
Señales discretas
Muestreo de señales

La diferencia fundamental entre x
s
(t) (Figura b) y x
k
(Figura c) es
que x
s
(t) es una señal en tiempo continuo (concretamente un tren
de impulsos) que es cero excepto en múltiplos enteros de ∆t.

Por el contrario, la secuencia x
k
está indexada con la variable entera
k, lo que introduce una normalización en el tiempo. Es decir, la
secuencia de números x
k
no contiene información explícita sobre la
frecuencia de muestreo.
Por este motivo las ecuaciones de la DTFT se expresan también como
H(ω) =
N−1

k=0
h
k
e
−i ωk
h
k
=
1

_

H(ω)e
i ωk

Es decir, se toma ∆t = 1, no hay referencia al periodo de muestreo. Esto
hace que las ecuaciones sean más generales, se pueden aplicar a cualquier
secuencia de valores discretos, no solamente a secuencias obtenidas con
muestreo.
73
Análisis de Fourier
Señales discretas
Muestreo de señales
Representación del muestreo en el dominio de la frecuencia
(a) Señal que queremos muestrear,
h(t) (muestreamos cada T seg).
(b) Tren de impulsos ∆(t).
(e) Muestreo de h(t)= producto de
h(t) y el tren de impulsos ∆(t).
(c) Transformada de Fourier de
h(t), H(f ).
(d) Transformada de Fourier del
tren de impulsos ∆(t), ∆(f ).
(f) Convolución de H(f ) y ∆(f ): la
T. F. del producto es la
convolución.
La señal (f) es la transformada de
Fourier de la señal muestreada (e).
74
Análisis de Fourier
Señales discretas
Muestreo de señales
Aliasing
Se repite el mismo proceso que en la
figura anterior, pero ahora la
frecuencia de muestreo, 1/T, es
menor que 2f
c
, y por tanto aparece
solapamientos en la transformada de
Fourier de la señal muestreada. La
señal obtenida en (e) está
distorsionada debido a los
solapamientos, y no es posible
recuperar la señal original h(t) a
partir de sus muestras h(t) · ∆(t).
A este fenómeno se conoce como
ALIASING.
75
Análisis de Fourier
Señales discretas
Muestreo de señales
El aliasing siempre aparece al muestrear
una señal continua. Si se cumple que
H(f ) = 0 para f ≥ f
c
, podemos evitar
el aliasing tomando
1
T
≥ 2f
c
Si la señal en frecuencias no se hace
nula a partir de un valor, sólo podemos
hacer que el error de aliasing sea
pequeño disminuyendo T.
En la figura de la izquierda, la señal h(t)
está muestreada con frecuencia de
muestreo
f
s
=
1
T
= 2f
c
A esa frecuencia se le conoce como
frecuencia de Nyquist.
76
Análisis de Fourier
Señales discretas
Muestreo de señales
Aliasing en el dominio del tiempo

Sea y
1
= cos(2πft). Tomamos valores discretos cada ∆t. Si
1
2∆t
=
f
s
2
< f , entonces por los valores discretos pasan
y
1
= cos(2πft) y también y
2
= cos(2π|f −f
s
|t). Este es el
fenómeno del aliasing en el dominio del tiempo.

Para evitar el aliasing,
f
s
2
=
1
2∆t
≥ f
max
, es decir, la frecuencia de
Nyquist tiene que ser mayor o igual que la máxima frecuencia que
hay en nuestros datos.

f
s
es la frecuencia de muestreo (numero de datos por segundo).
−0.05 −0.04 −0.03 −0.02 −0.01 0 0.01 0.02 0.03 0.04 0.05
−1
0
1
(a) f = 60 Hz; f
s
= 400 Hz; f
nq
= 200 Hz
−0.05 −0.04 −0.03 −0.02 −0.01 0 0.01 0.02 0.03 0.04 0.05
−1
0
1
(b) f = 60 Hz; f
s
= 120 Hz; f
nq
= 60 Hz
−0.05 −0.04 −0.03 −0.02 −0.01 0 0.01 0.02 0.03 0.04 0.05
−1
0
1
(c) f = 60 Hz; f
s
= 80 Hz; f
nq
= 40 Hz
a f
s
/2 > 60: por los datos sólo pasa
y
1
= cos(2π60t).
b f
s
/2 = 60: caso límite (f
nq
= f ); por
los datos sólo pasa y
1
= cos(2π60t)
c f
s
/2 < 60: por los datos pasan
y
1
= cos(2π60t) e y
2
= cos(2π20t).
77
Análisis de Fourier
Señales discretas
Muestreo de señales
Teorema de muestreo
Hay un numero infinito de señales que pueden generar un conjunto dado
de nuestras. El teorema del muestreo nos indica qué condicione se tienen
que dar para que unos valores muestreados especifiquen unívocamente a
la señal y la podamos reconstruir perfectamente.
78
Análisis de Fourier
Señales discretas
Muestreo de señales
Teorema (Teorema del muestreo de Nyquist)
Sea x(t) una señal continua que cumple que
X(f ) = 0 para |f | ≥ f
m
;
x(t) está determinada unívocamente mediante sus muestras
x
k
= x(k∆t), k = 0, ±1, ±2, . . . si
f
s
=
1
∆t
≥ 2f
m
[Hz]
f
s
es la frecuencia de muestreo y f
m
es la frecuencia a partir de la cual
X(f ) se anula. Se define la frecuencia de Nyquist como la mitad de la de
muestreo, y por tanto la condición anterior también se expresa como
f
nq
=
f
s
2
=
1
2∆t
≥ f
m
[Hz]
79
Análisis de Fourier
Señales discretas
Muestreo de señales
Interpretación gráfica del Teorema de muestreo
Si se cumplen las condiciones del teorema, la señal recuperada x
r
(t)
coincide con la señal de partida x(t).
80
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
3. Transformada de Fourier discreta (DFT)
Por último tenemos que obtener una expresión de la Transformada de
Fourier que sea discreta en el tiempo y en frecuencia para que la
podamos implementar con el ordenador. Para ello partimos de la
Transformada de Fourier en tiempo discreto (DTFT)
H(ω) =
N−1

k=0
h(k∆t)e
−i ωk∆t
h(k∆t) =
∆t

_

∆t
H(ω)e
i ωk∆t

Tomando valores discretos de la frecuencia
ω
n
=
2πn
T
=
2πn
N∆t
, n = 0, 1, . . . , N −1
⇒∆ω = ω
n
−ω
n−1
=

T
=

N∆t
81
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
H(ω
n
) =
N−1

k=0
h(k∆t)e
−i ω
n
k∆t
=
N−1

k=0
h(k∆t)e
−i
2πnk
N
h(k∆t) =
∆t

N−1

n=0
H(ω
n
)e
i ω
n
k∆t
∆ω =
∆t

N−1

n=0
H(ω
n
)e
i
2πnk∆t
N∆t

N∆t
=
=
1
N
N−1

n=0
H(ω
n
)e
i
2πnk
N
Teorema
La Transformada de Fourier discreta y la Transformada Inversa de Fourier
discreta (Discrete Fourier Transform, DFT) se definen mediante:
H(n∆ω) =
N−1

k=0
h(k∆t)e
−i
2πnk
N
h(k∆t) =
1
N
N−1

n=0
H(n∆ω)e
i
2πnk
N
82
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
Interpretación gráfica de la DFT
(a) Función en el tiempo h(t) y su
transformada de Fourier, H(f ).
(b) Tren de impulsos ∆
0
(t) y su
transformada de Fourier ∆
0
(f ).
(c) Muestreo de h(t), h(t) · ∆
0
(t), y su
transformada de Fourier H(f ) ∗ ∆
0
(f ).
(d) Las señales no son infinitas: la
truncamos multiplicando en el tiempo
por una ventana x(t) de altura unidad.
Esta ventana también tiene T. Fourier.
(e) h(t) · ∆
0
(t) · x(t) y su T. Fourier
H(f ) ∗ ∆
0
(f ) ∗ X(f )
(f) Muestreamos en frecuencia multipl. por
un tren de impulsos, ∆
1
(f ).
(g)
˜
h(t) = [h(t) · ∆
0
(t) · x(t)] ∗ ∆
1
(t)
˜
H(f ) = [H(f ) ∗ ∆
0
(f ) ∗ X(f )] · ∆
1
(f ) 83
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
Las fórmulas para la DFT son generales y se pueden aplicar a cualquier
conjunto de datos {x
0
, x
1
, x
2
, . . . , x
N−1
}, sin que necesariamente
provengan del muestreo de una señal continua
Teorema
Sean N valores discretos {x
0
, x
1
, x
2
, . . . , x
N−1
}. La Transformada de
Fourier discreta (DFT) y la Transformada Inversa de Fourier discreta
(IDFT) se definen mediante:
X
n
=
N−1

k=0
x
k
e
−i 2πnk/N
, n = 0, 1, · · · , (N −1)
x
k
=
1
N
N−1

n=0
X
n
e
i 2πnk/N
, k = 0, 1, · · · , (N −1)
De hecho, estas ecuaciones se pueden obtener sin hacer referencia a la
Transformada de Fourier continua, diréctamente trabajando con datos
discretos.
84
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
Comentarios

Aunque hemos partido de la Transformada de Fourier continua, que
presupone periodo infinito, al discretizar obtenemos una función
periódica (ver Figura 6.2 (g)).

En realidad, el resultado obtenido construyendo una función discreta
periódica
f (k∆t) =
N−1

n=0
C
n
e
i 2πnk/N
, k = 0, 1, · · · , (N −1)
C
n
=
1
N
N−1

k=0
f (k∆t)e
−i 2πnk/N
, n = 0, 1, · · · , (N −1)
es idéntico al obtenido discretizando la Transf. de Fourier continua
h(k∆t) =
1
N
N−1

n=0
H(n∆ω)e
i 2πnk/N
, k = 0, 1, · · · , (N −1)
H(n∆ω) =
N−1

k=0
h(k∆t)e
−i 2πnk/N
, n = 0, 1, · · · , (N −1)
85
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
Comentarios

Existe un algoritmo muy eficiente para implementar la DFT
conocido como Fast Fourier Transform (FFT).

La transformada de Fourier reproduce exáctamente los valores x
k
,
pero no reproduce exáctamente la señal continua x(t). Será tanto
más precisa en cuanto el intervalo de muestreo tienda a cero.

El factor
1
N
no siempre va con X
n
. Depende del autor.

Para k = 1 estamos en el instante de tiempo t = (k −1)∆t = 0seg.

Matlab utiliza las siguientes expresiones:
X
n
=
N

k=1
x
k
e
−i (2π/N)(n−1)(k−1)
n = 1, 2, · · · , N
x
k
=
1
N
N

n=1
X
n
e
i (2π/N)(n−1)(k−1)
k = 1, 2, · · · , N

El espectro {(ω
n
, |X
n
|) : n = 0, 1, . . . , (N −1), ω
n
= 2πn/(N∆t)} es
simétrico respecto al eje y.
86
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
Ejemplo
Calcular la DFT de los datos obtenidos al muestrear la señal x(t) = t
2
con ∆t = 1 seg considerando

N=8;

N=9.
N=8
k t
k
= k∆t x
k
n ω
n
=

N∆t
n X
n
0 0 0 0 0 140
1 1 1 1 π/4 -4.69+77.25i
2 2 4 2 2π/4 -24.00+32.00i
3 3 9 3 3π/4 -27.31+13.25i
4 4 16 4 4π/4 -28.00
5 5 25 5 5π/4 -27.31-13.25i
6 6 36 6 6π/4 -24.00-32.00i
7 7 49 7 7π/4 -4.69-77.25i
87
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)

Los valores anteriores se han obtenido en Matlab haciendo
x=[0 1 4 9 16 25 36 49];
X=fft(x);

La frecuencia de muestreo f
s
y de Nyquist f
nq
son
f
s
=
1
∆t
= 1 Hz = 2π rad/s, f
nq
=
f
s
2
=
1
2∆t
= 0,5 Hz = π rad/s.

Para n=0 el resultado es real y es la suma de los x
k
X
0
=
N−1

k=0
x
k
= 140

Para n=N/2=4 el resultado también es real
XN
2
=
N−1

k=0
x
k
e
−i
2πkN/2
N
=
N−1

j=0
x
k
e
−i πj
=
N−1

k=0
x
k
cos(πk)
= 0 −1 + 4 −9 + 16 −25 + 36 −49 = −28
88
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)

Se cumple que X
n
= X

N−n
, n = 1, 2, . . . , N/2 −1. Efectivamente
X
1
= X

7
, X
2
= X

6
, X
3
= X

5
.
* Esto quiere decir que la mitad de la información es redundante, ya
que conociendo los términos desde n = 1 hasta n =
N
2
−1 se pueden
conocer los términos desde n =
N
2
+ 1 hasta n = N −1.
* La frecuencia más alta que se puede evaluar es la frecuencia de
Nyquist
ω
max
k
= ωN
2
= 2π(N/2)/(N∆t) =
π
∆t
* Si la señal original tiene una frecuencia mayor que ω
Nyquist
entonces
la DFT no la puede evaluar y se produce aliasing.

Como vemos estas propiedades eran válidas para las series de Fourier
discretas.
89
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
N=9
k t
k
= k∆t x
k
n ω
n
=

N∆t
n X
n
0 0 0 0 0 204
1 1 1 1 2π/9 -2.03+11.27i
2 2 4 2 4π/9 -29.61+48.27i
3 3 9 3 6π/9 -34.50+23.38i
4 4 16 4 8π/9 -35.86+7.14i
5 5 25 5 10π/9 -35.86-7.14i
6 6 36 6 12π/9 -34.50-23.38i
7 7 49 7 14π/9 -29.61-48.27i
8 8 64 8 16π/9 -2.03-11.27i

La frecuencia de muestreo f
s
y de Nyquist f
nq
son
f
s
=
1
∆t
= 1 Hz = 2π rad/s, f
nq
=
f
s
2
=
1
2∆t
= 0,5 Hz = π rad/s.

Para n=0 el resultado es real y es la suma de los x
k
X
0
=
N−1

k=0
x
k
= 204
90
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)

Se cumple que X
n
= X

N−n
, n = 1, 2, . . . , N/2. Efectivamente
X
1
= X

8
, X
2
= X

7
, X
3
= X

6
, X
4
= X

5
.
* Luego la mitad de la información es redundante, ya que conociendo
los términos desde n = 1 hasta n =
N−1
2
se pueden conocer los
términos desde n =
N+1
2
hasta n = N −1.
* La frecuencia más alta que se puede evaluar es
ω
max
k
= ωN−1
2
= (2π(N −1)/2)/(N∆t) =
π
∆t
N −1
N
= 8π/9
* Por lo tanto no es posible evaluar la frecuencia de Nyquist (ωN
2
) con
N impar.
* Si la señal original tiene una frecuencia mayor que ωN−1
2
entonces la
DFT no la puede evaluar y se produce aliasing.
91
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
0 2 4 6 8
0
20
40
60
80
N=8, x
k
t
k
(s)
t
2
0 0.8 1.6 2.4 3.1 3.9 4.7 5.5
0
50
100
150
200
250
N=8, |X
n
|
ω
n
(rad/s)
|
X
n
|
0 2 4 6 8
0
20
40
60
80
N=9, x
k
t
k
(s)
t
2
0 0.7 1.4 2.1 2.8 3.5 4.2 4.9 5.6
0
50
100
150
200
250
N=9, |X
n
|
ω
n
(rad/s)
|
X
n
|
92
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
Ejemplo
Sean N datos reales, {x
j
, j = 0, 1, . . . , N −1}. La transformada discreta
de Fourier y la transformada inversa de estos datos se define como
X
k
=
N−1

j=0
x
j
e
−i
2πjk
N
, k = 0, 1, . . . , N −1
x
j
=
1
N
N−1

k=0
X
k
e
i
2πjk
N
, j = 0, 1, . . . , N −1
Expresar la transf. discreta de Fourier como suma de senos y cosenos.

Para k = 0
X
0
=
N−1

j=0
x
j
Es la suma de todos los datos de partida, y por lo tanto, es un
número real. Esto es válido tanto si N es par como si es impar. En el
resto de pasos hay que distinguir entre ambas situaciones:
93
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
N es par

Para k =
N
2
XN
2
=
N−1

j=0
x
j
e
−i
2πjN/2
N
=
N−1

j=0
x
j
e
−i πj
=
N−1

j=0
x
j
cos(πj )
luego es la suma de los números pares menos la suma de los
números impares (y también es un número real).

Para k = 1
X
1
=
N−1

j=0
x
j
e
−i
2πj
N
que es un número complejo. Pero
X
N−1
=
N−1

j=0
x
j
e
−i
2πj (N−1)
N
=
N−1

j=0
x
j
e
−i 2πj
e
i
2πj
N
=
N−1

j=0
x
j
e
i
2πj
N
Es decir, X
N−1
es el complejo conjugado de X
1
. Y en general se
cumple que X
N−r
es el complejo conjugado de X
r
, para
r = 1, 2, . . . ,
N
2
−1.
94
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
Teniendo en cuenta estas tres propiedades podemos hacer
x
j
=
1
N
N−1

k=0
X
k
e
i
2πjk
N
=
=
1
N
X
0
+
1
N
XN
2
cos(πj ) +
N/2−1

k=1
_
X
k
e
i
2πjk
N
+ X
N−k
e
i
2πj (N−k)
N
_
=
1
N
X
0
+
1
N
XN
2
cos(πj ) +
1
N
N/2−1

k=1
_
X
k
e
i
2πjk
N
+ X

k
e
−i
2πjk
N
_
dónde X

k
es el complejo conjugado de X
k
. Supongamos que
X
k
= z
k
+ iy
k
; desarrollando
X
k
e
i
2πjk
N
+ X

k
e
−i
2πjk
N
= (z
k
+ iy
k
)
_
cos
_
2πjk
N
_
+ i sin
_
2πjk
N
__
+
(z
k
−iy
k
)
_
cos
_
2πjk
N
_
−i sin
_
2πjk
N
__
= 2z
k
cos
_
2πjk
N
_
−2y
k
sin
_
2πjk
N
_
95
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
Sustituyendo arriba
x
j
=
1
N
X
0
+
1
N
XN
2
cos(πj ) +
1
N
N/2−1

k=1
_
X
k
e
i
2πjk
N
+ X

k
e
−i
2πjk
N
_
=
1
N
X
0
+
1
N
XN
2
cos(πj ) +
1
N
N/2−1

k=1
_
2z
k
cos
_
2πjk
N
_
−2y
k
sin
_
2πjk
N
__
=
a
0
2
+
N/2

k=1
_
a
k
cos
_
2πjk
N
_
+ b
k
sin
_
2πjk
N
__
donde
a
k
=
2z
k
N
, b
k
= −
2y
k
N
aN
2
=
XN
2
N
, bN
2
= 0
96
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
Esta ecuación se puede agrupar un poco más
x
j
=
N/2

k=0
_
a
k
cos
_
2πjk
N
_
+ b
k
sin
_
2πjk
N
__
donde
a
0
=
X
0
N
, b
0
= 0
aN
2
=
XN
2
N
, bN
2
= 0
a
k
=
2z
k
N
, b
k
= −
2y
k
N
97
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
N es impar
Para k = 1
X
1
=
N−1

j=0
x
j
e
−i
2πj
N
que es un número complejo. Pero
X
N−1
=
N−1

j=0
x
j
e
−i
2πj (N−1)
N
=
N−1

j=0
x
j
e
−i 2πj
e
i
2πj
N
=
N−1

j=0
x
j
e
i
2πj
N
Es decir, X
N−1
es el complejo conjugado de X
1
. Y en general se cumple
que X
N−r
es el complejo conjugado de X
r
, para r = 1, 2, . . . ,
N−1
2
.
98
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
Teniendo en cuenta estas tres propiedades podemos hacer
x
j
=
1
N
N−1

k=0
X
k
e
i
2πjk
N
=
=
1
N
X
0
+
(N−1)/2

k=1
_
X
k
e
i
2πjk
N
+ X
N−k
e
i
2πj (N−k)
N
_
=
1
N
X
0
+
1
N
(N−1)/2

k=1
_
X
k
e
i
2πjk
N
+ X

k
e
−i
2πjk
N
_
dónde X

k
es el complejo conjugado de X
k
. Supongamos que
X
k
= z
k
+ iy
k
; desarrollando
X
k
e
i
2πjk
N
+ X

k
e
−i
2πjk
N
= (z
k
+ iy
k
)
_
cos
_
2πjk
N
_
+ i sin
_
2πjk
N
__
+
(z
k
−iy
k
)
_
cos
_
2πjk
N
_
−i sin
_
2πjk
N
__
= 2z
k
cos
_
2πjk
N
_
−2y
k
sin
_
2πjk
N
_
99
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
Sustituyendo arriba
x
j
=
1
N
X
0
+
1
N
(N−1)/2

k=1
_
X
k
e
i
2πjk
N
+ X

k
e
−i
2πjk
N
_
=
1
N
X
0
+
1
N
(N−1)/2

k=1
_
2z
k
cos
_
2πjk
N
_
−2y
k
sin
_
2πjk
N
__
=
a
0
2
+
(N−1)/2

k=1
_
a
k
cos
_
2πjk
N
_
+ b
k
sin
_
2πjk
N
__
donde
a
k
=
2z
k
N
, b
k
= −
2y
k
N
O también como
x
j
=
(N−1)/2

k=0
_
a
k
cos
_
2πjk
N
_
+ b
k
sin
_
2πjk
N
__
donde
a
0
=
X
0
N
, b
0
= 0, a
k
=
2z
k
N
, b
k
= −
2y
k
N
100
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)
Ejemplo
La transformada de Fourier continua estaba definida para frecuencias
positivas y negativas.
h(t) =
_

−∞
H(ω)e
i ωt

Expresar también la transformada de Fourier discreta para frecuencias
positivas y negativas.
x
k
=
N−1

k=0
X
n
e
i 2πnk/N
, k = 0, 1, · · · , (N −1)
Para resolver este ejercicio nos basamos en la propiedad X
−n
= X

n
.
101
Análisis de Fourier
Señales discretas
Transformada de Fourier discreta (DFT)

Si N es par:
x
k
=
N/2

n=−N/2−1
X
n
e
i 2πnk/N
, k = 0, 1, · · · , (N −1)
* X
0
y XN
2
son reales.
* X
−r
= X

r
, r = 1, . . . ,
N
2
−1.

Si N es impar:
x
k
=
(N−1)/2

n=−(N−1)/2
X
n
e
i 2πnk/N
, k = 0, 1, · · · , (N −1)
* X
0
es real.
* X
−r
= X

r
, r = 1, . . . ,
N−1
2
.

Si expresamos x
k
(tanto N par como N impar) como suma de senos
y cosenos obtenemos la misma expresion que antes.
102