You are on page 1of 67

Apuntes de Ampliación de Cálculo

Carlos Fernández González
Actualizados el día 4 de octubre de 2011
Índice general
1
Capítulo 1
Sucesiones y series de funciones
1. Funciones y espacios funcionales
A lo largo de este curso trabajaremos a menudo con funciones f :
I −→R, donde I será un intervalo de R. Frecuentemente I será [0, 1],
o (−∞, +∞), aunque en general puede ser cualquier intervalo de R.
Tendremos necesidad en muchas ocasiones de hablar de “las fun-
ciones definidas sobre I”. El problema es que el conjunto de todas las
funciones reales definidas sobre un intervalo I es en general demasiado
grande, poco manejable, y la gran mayoría de funciones que contiene no
son interesantes para la ingeniería (ni siquiera para la matemática). Es
por ello que necesitaremos definir espacios funcionales más pequeños
y manejables y que contengan las funciones interesantes para la inge-
niería.
Por ello pasamos a recordar algunas nociones algebraicas necesarias
para poder definir estos espacios:
1.1. Espacios Vectoriales. Comenzamos recordando la noción
de Espacio Vectorial. Sea E un conjunto en el que tenemos definida
una suma
+ : E E −→E
de manera que (E, +) es un grupo conmutativo, es decir, + verifica las
siguientes propiedades:
1. Asociatividad, es decir, para todos x, y, z ∈ E,
(x + y) + z = x + (y + z)
2. Conmutatividad, es decir, para todos x, y ∈ E,
x + y = y + x
3. Existencia de Elemento neutro, es decir, existe un elemento 0 ∈
E tal que para todo x ∈ E,
x + 0 = x.
4. Existencia de Elemento Simétrico, es decir, para todo x ∈ E
existe −x ∈ E tal que
x + (−x) = 0
3
4 1. SUCESIONES Y SERIES DE FUNCIONES
Sea ahora K = R ó C el cuerpo de los escalares, y supongamos que
existe un producto
: KE −→E
con las siguientes propiedades
1. Para todos α, β ∈ K, para todo x ∈ E,
(αβ) x = α (β x)
2. Para todos α, β ∈ K y para todo x ∈ E,
(α + β) x = α x + β x
3. Para todos x, y ∈ E y para todo α ∈ K,
α (x + y) = α x + α y
4. Para todo x ∈ E
1 x = x
(Habitualmente se omite la escritura del punto )
En ese caso decimos que E es un espacio vectorial sobre K.
Ya conocéis del curso pasado algunos ejemplos de espacios vecto-
riales, la mayor parte de ellos finito dimensionales, siendo R
n
o C
n
el prototipo de estos. En este curso utilizaremos a menudo, explícita
o implícitamente, espacios vectoriales de dimensión infinita. Veamos
algunos de ellos.
Ejemplo 1.1. Sea R
[0,1]
el espacio de todas las funciones f : [0, 1] −→
R. Consideramos en él la suma y el producto puntuales, es decir
(f + g)(x) := f(x) + g(x)
y
(αf)(x) = αf(x).
Con dichas suma y producto, R
[0,1]
es un espacio vectorial.
Ejemplo 1.2. Sea C[0, 1] el conjunto de las funciones f : [0, 1] −→
R continuas, dotado de nuevo con la suma y el producto puntuales.
Entonces C[0, 1] es un subespacio vectorial de R
[0,1]
. Análogamente,
C
1
[0, 1], el conjunto de las funciones f : [0, 1] −→ R con derivada
continua también es subespacio vectorial de R
[0,1]
.
Es fácil demostrar que todos los espacios que aparecen en los ejem-
plos anteriores tienen dimensión infinita. Basta con observar que por
ejemplo el conjunto de vectores ¦x
n
; n ∈ N¦ contenido en todos ellos
es linealmente independiente.
1. FUNCIONES Y ESPACIOS FUNCIONALES 5
1.2. Normas en un espacio vectorial. Recordamos aquí la
definición de norma en un espacio vectorial, que quizá sea nueva para
algunos de vosotros.
Dado un espacio vectorial E, una función
| | : E −→[0, +∞)
se dice una norma si verifica
1. Para todo x ∈ E, |x| = 0 si y sólo si x = 0
2. Para todo x ∈ E y para todo λ ∈ C, |λx| = [λ[|x|, donde [λ[
denota el valor absoluto o el módulo de λ, según estemos en R
o en C.
3. Para todos x, y ∈ E, |x +y| ≤ |x| +|y|. A esta propiedad se
le suele denominar propiedad triangular.
La idea de una norma es “medir” vectores. Nuestra intuición habit-
ual nos dice que hay una única forma “razonable” de medir vectores,
y esta forma de medir se corresponde con la norma euclídea, también
llamada por ello norma usual. Sin embargo para muchas aplicaciones
es necesario definir otras normas. Nosotros en este curso trabajaremos
con la norma euclídea y la norma del supremo.
Veamos algunos ejemplos de normas en R
3
.
Norma Euclídea. La función
| |
2
: R
3
−→[0, +∞)
dada por
|(x, y, z)|
2
=
_
x
2
+ y
2
+ z
2
es una norma, conocida habitualmente como norma euclídea,
norma 2 o norma usual.
Norma del supremo. La función
| |

: R
3
−→[0, +∞)
dada por
|(x, y, z)|

= m´ ax¦[x[, [y[, [z[¦
es una norma, conocida habitualmente como norma del supre-
mo, o norma infinito.
Norma 1. La función
| |
1
R
3
−→[0, +∞)
dada por
|(x, y, z)|
1
= [x[ +[y[ +[z[
6 1. SUCESIONES Y SERIES DE FUNCIONES
es una norma, conocida habitualmente como norma 1.
Ejercicio 1.3. Verificar que cada una de las funciones recién definidas
es efectivamente una norma en R
3
.
Ejercicio 1.4. Pintar la bola de centro 0 y radio 1 para cada una
de las normas de arriba, consideradas en R
2
.
1.3. Espacios funcionales. Buena parte del contenido de esta
asignatura consistirá en el estudio de ciertos comportamientos de fun-
ciones. Por ello, en ocasiones será necesario que trabajemos dentro de
un espacio vectorial cuyos elementos son funciones, y a estos objetos se
les llama espacios funcionales. Por ejemplo, supongamos que estamos
trabajando con funciones f : [0, 1] −→ R. Podríamos empezar con-
siderando el espacio (demasiado general) R
[0,1]
de todas las funciones
de [0, 1] en R. El problema es que este espacio no tiene ningún interés
en las aplicaciones, puesto que da cabida a “demasiadas” funciones. Las
funciones que tienen interés en ingeniería, y en cualquier aplicación de
las matemáticas, son funciones que tienen algún tipo de “buen compor-
tamiento” que nos permite utilizarlas.
Para nuestros aplicaciones este año necesitaremos trabajar con es-
pacios L

y espacios L
2
. Los primeros son espacios de funciones aco-
tadas, y los segundos son espacios de “energía” finita, y son los más
usados en ingeniería. Pasamos a definirlos:
1.4. Los espacios L

y L
2
. Definiremos estos dos espacios de
manera levemente inexacta pero más que suficiente para nuestros fines.
Una definición totalmente correcta de estos espacios requiere las no-
ciones de función medible y conjunto de medida nula, lo que excede el
interés de este curso.
Definición 1.5. Sea Sea I ⊂ R un intervalo. Definimos L

(I)
como el espacio de las funciones f : I −→R integrables tales que
sup
x∈I
[f(x)[ < +∞.
En ese espacio la función
| |

: L

(I) −→[0, +∞)
definida por
|f|

= sup
x∈I
[f(x)[
es una norma.
1. FUNCIONES Y ESPACIOS FUNCIONALES 7
Definición 1.6. Sea I ⊂ R un intervalo. Definimos L
2
(I) como el
espacio de las funciones f : I −→R integrables tales que
_
I
f
2
(t)dt < +∞.
En ese espacio la función
| |
2
: L
2
(I) −→[0, +∞)
definida por
|f|
2
=
__
I
f
2
(t)dt
_1
2
es una norma.
Observación. Nótese que en ambas definiciones pedimos que las
funciones sean integrables. Esto no supone ninguna limitación en la
práctica, ya que recordad que aprendisteis en primero que toda fun-
ción “continua a trozos”, es decir con a lo sumo una cantidad finita o
numerable de discontinuidades, es integrable. Todas (o el 99’99 %) las
funciones utilizadas en ingeniería son integrables.
Observación. Cuando I = [a, b] usamos la notación L
2
[a, b], o
L

[a, b]. Si I = R usamos la notación L
2
(R) o L

(R).
Observación. El contenido de esta nota es sólo para aquellos
alumnos interesados en los aspectos más formales de la asignatura.
Los restantes pueden omitir su lectura sin remordimientos.
Nótese que al intentar verificar que las funciones arriba definidas
son normas, uno se encuentra con funciones que no son 0 cuya norma
es 0. Por ejemplo si definimos la función
f(x) =
_
_
_
1 si x = 0
0 si x ,= 0
entonces f es una función integrable, f no es la función 0 y sin
embargo |f|
1
= |f|
2
= 0. La solución a este problema se obtiene
formalmente considerando en realidad L

o L
2
como el espacio cociente
de los anteriores por la relación de equivalencia f ∼ g si y sólo si
f(t) = g(t) en casi todo punto.
No resulta obvio el porqué de estas definiciones. Sí parece razonable
definir y utilizar el espacio L

de las funciones de supremo acotado,
pues en muchas ocasiones es una condición muy fácil de verificar. Sin
8 1. SUCESIONES Y SERIES DE FUNCIONES
embargo el interés para nosotros de los espacios L

no estará tanto en
los elementos que los componen como en la norma | |

definida en
ellos, puesto que veremos más adelante que la convergencia uniforme
de funciones es precisamente la convergencia en esta norma.
En cuanto a los espacios L
2
, intentaré explicaros su importancia,
aunque sólo lo entenderéis realmente cuando hayáis trabajado con ellos,
tanto de forma teórica como práctica.
Desde el punto de vista matemático, notad que la norma | |
2
viene
definida como la norma euclídea en R
n
, sustituyendo un sumatorio por
una integral (y ya deberíais saber que esta es la forma de pasar de “lo
discreto” a “lo continuo”). Esto hace que los espacios L
2
sean “buenos”
(formalmente se llaman espacios de Hilbert) y se caracterizan porque
son los únicos espacios vectoriales infinito dimensionales en los que
siguen siendo válidos muchos aspectos de nuestra intuición geométrica
habitual.
Desde el punto de vista físico, cuando f(t) represente algún tipo
de “señal”, la norma |f|
2
va a ser su energía, por lo que la condición
f ∈ L
2
se interpretará como que la energía de f sea finita, y obvia-
mente estas van a ser las únicas funciones interesantes. En concreto, si
f(t) representa el voltaje de una onda electromagnética como función
del tiempo, f
2
(t) representa su potencia (esto se entiende en un cur-
so elemental de electromagnetismo), por lo que
_
b
a
f
2
(t)dt representa
la energía de la onda en el intervalo temporal [a, b]. Por tanto, pedir
que f pertenezca a L
2
[a, b] equivale a pedir que f no sea demasiado
discontinua (esto es más o menos la integrabilidad) y que su energía
sea finita en [a, b]. Ambas peticiones son muy razonables, de forma que
cualquier onda con la que eventualmente trabajéis en un problema real
pertenecerá a L
2
.
2. Límites de sucesiones de funciones
Suponemos bien conocida la noción de límite de una sucesión numéri-
ca (a
n
) ⊂ R (y por favor, dado que esta noción va a ser absolutamente
básica este curso, cualquier duda que tengáis o que os surja acerca de
ella preguntadla, en clase o en tutorías).
Queremos ahora extender esa noción de límite de una sucesión de
números a la de límite de una sucesión de funciones (f
n
).
Empezaremos poco a poco: Suponed un intervalo I ⊂ R, para fijar
ideas supongamos el intervalo [0, 1]. Una sucesión de funciones definidas
3. CONVERGENCIA PUNTUAL 9
en este intervalo no es más que una colección (f
n
)
n∈N
de funciones
donde, para cada n ∈ N, f
n
es una función f
n
: [0, 1] −→R.
Puesto que sé que a menudo hay confusión en este punto, notad por
favor que en una sucesión (f
n
) hay dos variables en juego, la “n” y la
“x”:
Por un lado la n, que va tomando valores naturales, y por otro lado,
fijado cualquier n
0
∈ N, f
n
0
es una función que a cada valor x ∈ [0, 1]
le asigna el número f
n
0
(x), por tanto la variable x va tomando valores
reales en el intervalo I (en este caso el [0, 1]). Procurad distinguir bien
entre ambas variables y observad el distinto papel que juega cada una.
Una vez definida la noción de sucesión de funciones, empezamos a
estudiar la noción de límite de una sucesión de funciones.
Aunque quizás no resulte inmediatamente obvio, veremos que hay
diferentes formas de definir la noción de límite de una sucesión de
funciones. En este curso estudiaremos varias de esas definiciones.
Empezamos con las dos más básicas, la convergencia puntual y la
convergencia uniforme.
3. Convergencia puntual
Definición 3.1. Sea I ⊂ R un intervalo, y para cada n ∈ N,
sea f
n
: I −→ R una función. Decimos que la sucesión (f
n
) converge
puntualmente a la función f : I −→R si para cada x
0
∈ I se tiene
l´ım
n→∞
f
n
(x
0
) = f(x
0
)
Observación. Nótese que, para todo n ∈ N, f
n
(x
0
) es un número
(y no una función) por lo que el límite que aparece en la definición es
el límite ya conocido de una sucesión numérica
Observación. Notad que necesitamos que todas las f
n
estén definidas
en el mismo intervalo I, y que en ese mismo intervalo es donde estará
definida la función límite f si existe.
Ejemplo 3.2. Para cada n ∈ N sea f
n
: [0, 1] −→ R la función
definida como
f
n
(x) =
_
_
_
0 si 0 ≤ x ≤ 1 −
1
n
nx + 1 −n si 1 −
1
n
≤ x ≤ 1
Comprobar que la sucesión (f
n
) converge puntualmente a la función
f
(
x) =
_
_
_
0 si 0 ≤ x < 1
1 si x = 1
10 1. SUCESIONES Y SERIES DE FUNCIONES
Ejemplo 3.3. Comprobar que la sucesión (x
n
)
n
∈ N converge pun-
tualmente en el intervalo [0, 1] a la misma función que el ejemplo an-
terior.
De los dos ejemplos anteriores podría desprenderse que la función
límite f toma siempre un número finito de valores (y mi experiencia me
enseña que algunos de vosotros lo interpretáis efectivamente así. Para
ver que esto no es cierto, estudiad el siguiente ejemplo:
Ejemplo 3.4 (Septiembre 2003). Para todo n ≥ 1, sea
f
n
(x) =
_
0 si 0 ≤ x ≤
1
n
x −
1
n
si
1
n
≤ x ≤ 1
Entonces, la sucesión (f
n
)
n∈N
converge puntualmente en el intervalo
[0, 1] a la función f(x) = x.
En efecto, sea x
0
> 0 y sea n
0
∈ N tal que
1
n
0
< x
0
. Entonces, para
todo n > n
0
, f
n
(x
0
) = x
0

1
n
, y por tanto
l´ım
n
f
n
(x
0
) = l´ım
n
x
0

1
n
= x
0
.
Por otro lado, está claro que
l´ım
n
f
n
(0) = 0,
de donde se sigue que la sucesión (f
n
) converge puntualmente a la fun-
ción f(x) = x en el intervalo [0, 1].
La idea de la convergencia puntual es que, punto a punto, la sucesión
converge, es decir, que para cada x
0
∈ I, la sucesión (f
n
(x
0
))
n
converge.
Esta parece ser la noción más intuitiva de límite de una sucesión de
funciones. El problema que presenta es que no mantiene necesariamente
las “buenas” propiedades de las funciones de la sucesión: los ejemplos ??
y ?? nos muestran cómo el límite de una sucesión de funciones continuas
no tiene por qué ser una función continua. Lo mismo ocurre con la
derivabilidad y la integrabilidad, que no se mantienen necesariamente.
4. Convergencia uniforme
Esto hace que sea conveniente en ocasiones trabajar con otro tipo
de convergencia, la convergencia uniforme, que sí mantiene las buenas
propiedades de las funciones, como veremos más adelante. A cambio
por supuesto hay que pagar un precio, y este es que la convergencia
uniforme es más restrictiva que la convergencia puntual: si una sucesión
de funciones converge uniformemente también lo hace puntualmente,
4. CONVERGENCIA UNIFORME 11
sin embargo una sucesión puede converger puntualmente y no hacerlo
uniformemente, como veremos en los ejemplos.
La idea de la convergencia uniforme es, esencialmente, definirla co-
mo la convergencia en la norma | |

.
Para que se entienda más fácilmente la definición, veamos primero
un razonamiento con sucesiones numéricas.
Sea (a
n
)
n
⊂ R una sucesión de números reales. Notemos que decir
l´ım
n→∞
a
n
= a
es lo mismo que decir
l´ım
n→∞
a
n
−a = 0
y esto a su vez es equivalente a decir
l´ım
n→∞
[a
n
−a[ = 0.
(La última equivalencia es un ejercicio típico de primer curso:
l´ım
n→∞
a
n
= 0 si y sólo si l´ım
n→∞
[a
n
[ = 0.)
Así pues, podemos pensar que la definición de límite nos dice que
el límite de una sucesión es a si y sólo si la distancia de la sucesión a a
tiende a 0.
Podemos entonces pensar en transportar esta versión de la defini-
ción de límite, sustituyendo los escalares por funciones y el valor abso-
luto por norma. Elegimos primero la norma infinito, y llegamos así a
la definición de convergencia uniforme:
Definición 4.1. Sea I ⊂ R un intervalo y para cada n ∈ N, sea
f
n
: I −→ R una función. Decimos que la sucesión (f
n
) converge uni-
formemente a la función f : I −→R si
l´ım
n→∞
|f
n
−f|

= 0
equivalentemente, si
l´ım
n→∞
sup
x∈I
¦[f
n
(x) −f(x)[¦ = 0
Es fácil ver que la convergencia uniforme implica la convergencia
puntual:
Proposición 4.2. Sea I ⊂ R un intervalo y para cada n ∈ N, sea
f
n
: I −→R una función. Si la sucesión (f
n
) converge uniformemente
a la función f : I −→R, entonces (f
n
) también converge puntualmente
a la misma función f.
12 1. SUCESIONES Y SERIES DE FUNCIONES
Demostración. Sea x
0
∈ I. Puesto que sabemos por hipótesis
que
l´ım
n→∞
sup
x∈I
¦[f
n
(x) −f(x)[¦ = 0,
y además claramente
[f
n
(x
0
) −f(x)[ ≤ sup
x∈I
¦[f
n
(x) −f(x)[¦,
se sigue que
l´ım
n→∞
[f
n
(x
0
) −f(x
0
)[¦ = 0,
lo que implica que
l´ım
n→∞
f
n
(x
0
) = f(x
0
),
lo que concluye la demostración.
Sin embargo, el recíproco no es cierto; es decir, una sucesión puede
converger puntualmente y no hacerlo uniformemente, como vemos en
alguno de los siguientes ejemplos.
Ejemplo 4.3 (Septiembre 2003).
Para todo n ≥ 1, sea
f
n
(x) =
_
0 si 0 ≤ x ≤
1
n
x −
1
n
si
1
n
≤ x ≤ 1
Entonces, la sucesión (f
n
)
n∈N
converge puntual y uniformemente en
el intervalo [0, 1] a la función f(x) = x.
En efecto, sea x
0
> 0 y sea n
0
∈ N tal que
1
n
0
< x
0
. Entonces, para
todo n > n
0
, f
n
(x
0
) = x
0

1
n
, y por tanto
l´ım
n
f
n
(x
0
) = l´ım
n
x
0

1
n
= x
0
.
Por otro lado, está claro que
l´ım
n
f
n
(0) = 0,
de donde se sigue que la sucesión (f
n
) converge puntualmente a la fun-
ción f(x) = x en el intervalo [0, 1].
Estudiemos ahora si la convergencia es uniforme. Para ello es nece-
sario calcular
l´ım
n
sup
x
[f
n
(x) −x[.
Para ello, calculemos previamente sup
x
[f
n
(x) −x[: Para todo x ≥
1
n
,
[f
n
(x) −x[ = [x −
1
n
−x[ =
1
n
.
4. CONVERGENCIA UNIFORME 13
Por otro lado, si x <
1
n
,
[f
n
(x) −x[ = [0 −x[ = x <
1
n
.
Por tanto, sup
x
[f
n
(x) −x[ =
1
n
y
l´ım
n
sup
x
[f
n
(x) −x[ = 0,
lo que implica que la convergencia es uniforme.
Ejemplo 4.4. Para todo n ≥ 1, sea
f
n
=
_
¸
¸
_
¸
¸
_
nx si 0 ≤ x ≤
1
n
2 −nx si
1
n
≤ x ≤
2
n
0 si
2
n
≤ x ≤ 1
Entonces, la sucesión (f
n
)
n∈N
converge puntualmente pero no uni-
formemente en el intervalo [0, 1] a la función f(x) = 0.
En efecto, para x = 0, f
n
(0) = 0 para todo n ∈ N, y por tanto
l´ım
n→∞
f
n
(0) = 0
Si fijamos ahora un x ,= 0 en el intervalo [0, 1], existe n
0
∈ N tal
que, para todo n ≥ n
0
, f
n
(x) = 0, y por tanto, de nuevo
l´ım
n→∞
f
n
(x) = 0
Es decir, para todo x ∈ [0, 1],
l´ım
n→∞
f
n
(x) = f(x),
con f(x) = 0 para todo x ∈ [0, 1], es decir, la sucesión converge pun-
tualmente.
Sin embargo la sucesión (f
n
)
n
no converge uniformemente en [0, 1].
Para ver esto aplicamos la definición.
f
n
converge uniformemente a f si
l´ım
n→∞
|f
n
−f|

= l´ım
n→∞
sup
x∈[0,1]
[f
n
(x) −f(x)[ = 0
Es fácil ver que, para todo n ∈ N,
sup
x∈[0,1]
[f
n
(x) −f(x)[ = sup
x∈[0,1]
[f
n
(x)[ = 1
(Esto está claro si se representa f
n
gráficamente. En cualquier caso,
nótese que f
n
(
1
n
) = 1)
14 1. SUCESIONES Y SERIES DE FUNCIONES
Por tanto,
l´ım
n→∞
|f
n
−f|

= l´ım
n→∞
1 = 1 ,= 0,
es decir, la convergencia no es uniforme.
Ejemplo 4.5. Estudiar la convergencia puntual y uniforme de la
siguiente sucesión de funciones:
(1) f
n
(x) =
2nx
2
n
2
x
4
+ 1
, x ∈ R
Solución: Vemos fácilmente que l´ım
n→∞
f
n
(x) = 0. Observamos
además que f
n
(0) = 0 y que para x ,= 0, f
n
(x) > 0.
La sucesión f
n
(x) converge pues puntualmente a la función f(x) =
0.
Para estudiar la convergencia uniforme buscamos sup
x∈R
[f
n
(x)−0[.
Ahora bien, sup
x∈R
[f
n
(x) −0[ = f
n
(x
0
), donde x
0
es un punto que
necesariamente anula la derivada. Calculemos f

n
(x) = 4nx
1−n
2
x
4
(n
2
x
4
+1)
2
.
Luego f

n
(x
0
) = 0 ⇐⇒ x
0
= ±
1

n
.
Asi,
(2) sup
x∈R
[f
n
(x)[ = f
n

1

n
.) = 1.
La convergencia no es uniforme en R.
Hallemos ahora en qué partes de R la convergencia es uniforme.
Para ello basta observar que f

n
(x) < 0 para n >
1
a
2
, donde a > 0.
Entonces dado que f
n
(x) es decreciente en el intervalo ]a, +∞[ y que
(3) sup
x∈[a,+∞[
[f
n
(x)[ = f
n
(a) =
2na
2
n
2
a
4
+ 1
.
tendremos que l´ım
n→∞
f
n
(a) = 0.
La convergencia será uniforme en los intervalos de la forma [a, +∞)
y (−∞, −a].
5. CONVERGENCIA EN NORMA 2 15
4.1. Propiedades de la convergencia uniforme. La conver-
gencia puntual no conserva la continuidad, tal y como muestran los
ejemplos anteriores. Uno de los motivos por los que se introduce la
noción de convergencia uniforme es porque “mejora” la convergencia,
en el sentido de que pasa a respetar la continuidad y la integrabilidad
y, con hipótesis adicionales, la derivabilidad. En concreto tenemos los
siguientes resultados cuya demostración, si bien no es difícil, omitimos.
Teorema 4.6. Sea (f
n
) una sucesión de funciones f
n
: [a, b] −→R
para cada n ∈ N. Supongamos que (f
n
) converge uniformemente a la
función f : [a, b] −→R. Entonces se tiene:
1. Si (f
n
) es continua en [a, b] para cada n ∈ N entonces f es
continua.
2. Si (f
n
) es integrable en [a, b] para cada n ∈ N entonces f es
integrable.
Teorema 4.7. Sea (f
n
) una sucesión de funciones f
n
: [a, b] −→R
para cada n ∈ N. Supongamos que, para cada n ∈ N, f
n
es derivable en
[a, b], y sea f

n
su derivada. Supongamos además que la sucesión (f

n
)
converge uniformemente a una función g : [a, b] −→ R y que existe
x
0
∈ [a, b] tal que existe el l´ım
n
f
n
(x
0
). Entonces existe f : [a, b] −→R
derivable en [a, b], tal que f

= g y tal que (f
n
) converge uniformemente
a f.
No os perdáis: el teorema dice que si tengo una sucesión de fun-
ciones derivables cuyas derivadas convergen uniformemente y además
la sucesión original converge en al menos un punto, entonces la suce-
sión original va a converger uniformemente y, lo que más nos interesa,
la función a la que converge es a su vez derivable, es decir se mantiene
la derivabilidad cuando hay convergencia uniforme de las derivadas.
5. Convergencia en norma 2
Una vez estudiada la convergencia uniforme, es muy fácil definir
análogamente otras formas de convergencia, sustituyendo la norma del
supremo por otras normas. Estudiaremos el caso de la convergencia
en norma 2, o convergencia en media cuadrática, que nos resultará
interesante más adelante.
Definición 5.1. Sea I ⊂ R un intervalo y para cada n ∈ N, sea
f
n
: I −→ R una función. Decimos que la sucesión (f
n
) converge en
media cuadrática, o en norma 2 a la función f : I −→R si
l´ım
n→∞
|f
n
−f|
2
= 0
16 1. SUCESIONES Y SERIES DE FUNCIONES
equivalentemente, si
l´ım
n→∞
__
I
(f
n
(t) −f(t))
2
dt
_1
2
= 0
Esta es la definición para funciones con valores reales. Veremos más
adelante el caso de funciones con valores complejos.
Veamos en primer lugar que las relaciones con las otras formas de
convergencia estudiadas no son tan fáciles como antes. Nos limitaremos
a estudiar el caso en que I es un intervalo acotado, por ejemplo el [0, 1].
La situación cambia esencialmente si I no está acotado.
Proposición 5.2. Si I es un intervalo acotado, entonces para toda
f : I −→R, la norma 2 de f en I es menor o igual que una constante
por la norma del supremo de f en I.
Demostración. Sea f : I −→R. Entonces
|f|
2
=
__
I
f
2
(t)dt
_1
2

_
|f|
2

_
I
dt
_1
2
= |f|

_
λ(I),
donde λ(I) es la longitud del intervalo.
Con esa proposición es fácil probar lo siguiente.
Demostración. Para cada n ∈ N, sea f
n
: I −→R. Si la sucesión
(f
n
) converge uniformemente a f : I −→R, entonces también converge
en media cuadrática.
Demostración. En efecto, por la proposición anterior y por la
hipótesis, se tiene que
0 ≤ l´ım
n
|f
n
−f|
2

_
λ(I) l´ım
n
|f
n
−f|

= 0

La recíproca no es cierta. Veamos con un ejemplo que hay sucesiones
que convergen en media cuadrática y no lo hacen uniformemente.
Ejercicio 5.3. Para todo n ≥ 1, sea
f
n
=
_
¸
¸
_
¸
¸
_
nx si 0 ≤ x ≤
1
n
2 −nx si
1
n
≤ x ≤
2
n
0 si
2
n
≤ x ≤ 1
Demuéstrese que (f
n
) converge en media cuadrática a 0, pero no con-
verge uniformemente.
5. CONVERGENCIA EN NORMA 2 17
Las relaciones con la convergencia puntual son menos claras, y para
entenderlas correctamente habría que estudiar con algo más de detalle
el espacio L
2
. Veamos ahora simplemente con un par de ejemplos que
ninguna de las formas de convergencia implica la otra.
Ejercicio 5.4. Para todo n ≥ 1, sea
f
n
=
_
_
_
2n
2
x si 0 ≤ x ≤
1
2n
−2n
2
x + 2n si
1
2n
< x <
1
n
0 si 1n ≤ x ≤ 1
Demuéstrese que la sucesión (f
n
) converge puntualmente a la función
constante de valor 0, pero que no converge en media cuadrática.
Ejercicio 5.5. Para todo k ∈ N, considérense las funciones f
1
k
, . . . , f
k
k
:
[0, 1] −→R dadas por
f
i
k
=
_
1 si
1−i
k
< x ≤
i
k
0 para los restantes valores de x ∈ [0, 1]
Consideramos entonces la sucesión de funciones
f
1
1
, f
1
2
, f
2
2
, f
1
3
, f
2
3
, f
3
3
. . .
Compruébese que la sucesión de funciones así definida no converge
puntualmente en ningún punto, y en cambio sí converge en norma 2 a
la función constante de valor 0. Esto último se sigue porque, para todo
k ∈ N y para todo 1 ≤ i ≤ k se verifica que
|f
i
k
|
2
=
_
1
k
.
Lo anterior eran las malas noticias. Las buenas son que sí podemos
decir algo, aunque no mucho. La demostración de la siguiente proposi-
ción no es fácil y no la incluiremos. En realidad tampoco usaremos este
curso la proposición misma, sino el corolario que la sigue.
Proposición 5.6. Supongamos que la sucesión de funciones (f
n
)
converge en norma 2 a la función f. Entonces existe una subsucesión
(f
n
k
) tal que f
n
k
converge a f en casi todo punto.
Como ya he dicho, no necesitaremos esta proposición, pero el sigu-
iente corolario sí puede ser útil en ocasiones.
Corolario 5.7. Si la sucesión (f
n
) converge puntualmente a la
función f, y si además sabemos que la sucesión (f
n
) converge en norma
2, entonces necesariamente f
n
·
2
−→f.
18 1. SUCESIONES Y SERIES DE FUNCIONES
Para nosotros la utilidad principal de dicho corolario es la siguiente:
supongamos que nos dan una sucesión de funciones (f
n
) y nos pregun-
tan si dicha sucesión converge en norma 2. Si sabemos que (f
n
) converge
puntualmente a f, entonces ya sabemos que f es la única función a la
que (f
n
) podría converger en norma 2.
Finalmente, veamos con un sencillo ejemplo que la convergencia en
norma 2 no mantiene la continuidad.
Ejemplo 5.8. Para todo n ≥ 1, sea
f
n
=
_
_
_
1 si 0 ≤ x ≤
1
2

1
n

n
2
x +
n
4
+
1
2
si
1
2

1
n
≤ x ≤
1
2
+
1
n
0 si
1
2
+
1
n
≤ x ≤ 1
Es decir, f
n
es continua, vale 1 desde 0 hasta
1
2

1
n
, vale 0 desde
1
2
+
1
n
hasta 1 y varía linealmente de 1 a 0 en el resto.
Comprobar que la sucesión (f
n
) converge en norma 2 a (y puntual-
mente a la función
f(x) =
_
_
_
1 si 0 ≤ x <
1
2
1
2
si x =
1
2
0 si
1
2
< x ≤ 1
Obsérvese que a efectos de la convergencia en media cuadrática,
podemos definir f(
1
2
) como queramos.
6. Series funcionales
Nuestro interés por la convergencia de sucesiones funcionales en
este curso se debe a que tendremos que estudiar en ocasiones series
funcionales.
Para definir series funcionales uno intenta proceder como en el caso
de la definición de serie numérica. Recordemos: si tenemos una sucesión
(x
n
), para definir su serie asociada


n=1
x
n
se considera la sucesión de
sumas parciales
s
m
:=
m

n=1
x
n
y a continuación se define

n=1
x
n
:= l´ım
m→∞
s
m
= l´ım
m→∞
m

n=1
x
n
.
6. SERIES FUNCIONALES 19
Para definir una serie funcional


n=1
f
n
cuando f
n
: I −→ R es
una sucesión de funciones procedemos exactamente igual: definimos la
sucesión de sumas parciales
S
m
:=
m

n=1
f
n
(nótese que, para cada m ∈ N, S
m
es una función bien definida en
el intervalo I, puesto que se trata simplemente de una suma finita de
funciones)
y a continuación definimos

n=1
f
n
:= l´ım
m→∞
S
m
= l´ım
m→∞
m

n=1
f
n
.
La novedad ahora es que si bien la noción de convergencia (límite)
está unívocamente definida en el caso de números reales, en el caso de
las funciones tenemos varias nociones de convergencia (ya hemos estu-
diado tres de ellas, la puntual, la uniforme y la convergencia en media
cuadrática), por lo que tenemos que precisar a cual de ellas nos refer-
imos. Diremos que la serie


n=1
f
n
converge, si la sucesión de sumas
parciales converge puntualmente. Si, además, la sucesión de sumas par-
ciales converge uniformemente entonces decimos que la serie converge
uniformemente. Formalizamos a continuación lo dicho anteriormente:
Definición 6.1. Sea I ⊂ R un intervalo y sea (f
n
) una sucesión
de funciones f
n
: I −→ R. Definimos las funciones S
m
: I −→ R
como S
m
(x) =

m
n=1
f
n
(x). Decimos que la serie


n=1
f
n
converge
(puntualmente) a f : I −→R si, para cada x ∈ I,
l´ım
m
S
m
(x) = f(x)
y lo escribimos

n=1
f
n
(x) = f(x).
Si además la sucesión (S
m
) converge uniformemente a f, entonces
decimos que la serie


n=1
f
n
converge uniformemente a f : I −→R.
Observación. Si

n
f
n
converge uniformemente a f en un inter-
valo [a, b] y las funciones f
n
son continuas (respectivamente integrables)
en [a, b] entonces el Teorema ?? nos garantiza que f es continua (resp.
integrable) en [a, b], y un razonamiento análogo se puede hacer con la
derivabilidad usando el Teorema ??.
20 1. SUCESIONES Y SERIES DE FUNCIONES
Ejemplo 6.2. Estudiar la convergencia puntual y uniforme de la
serie

n
x
n
n!
en los intervalos [0, a] y [0, ∞).
En general no resulta totalmente obvio determinar la convergencia o
divergencia de una serie numérica, y este problema se complica algo más
en el caso de la convergencia de una serie funcional. Por ello enunciamos
a continuación un criterio bastante útil (cuando se puede aplicar) a la
hora de determinar la convergencia de una serie funcional.
Antes de enunciarlo recordemos una noción del curso anterior: una
serie numérica

n
a
n
se dice absolutamente convergente si la serie

n
[a
n
[
converge. Visteis el curso anterior que si una serie es absolutamente
convergente entonces es convergente, mientras que el recíproco no tiene
por qué ser cierto.
Veamos ya el criterio de Weierstrass:
Teorema 6.3 (Criterio M de Weierstrass). Sea (f
n
) una sucesión
de funciones f
n
: I −→R y sea (M
n
) ⊂ R una sucesión numérica que
verifica las dos condiciones siguientes
1. Para cada n ∈ N y para cada x ∈ A,
[f
n
(x)[ ≤ M
n
2. La serie

n
M
n
converge
Entonces existe una función f : I −→ R tal que, para todo x ∈ I
la serie

n
f
n
(x) converge (absolutamente) a f(x). Además, la serie

n
f
n
converge uniformemente a f.
Demostración. Veamos en primer lugar que la serie

n
f
n
con-
verge puntualmente (y absolutamente). Para esto hay que ver que, para
cada x
0
∈ I, la serie numérica

n
f
n
(x
0
) converge. Para ello vamos a
ver que la serie

n
[f
n
(x
0
)[ converge, y para ver esto último utilizamos
el criterio de comparación: puesto que
[f
n
(x
0
)[ ≤ M
n
y puesto que

n
M
n
converge, el criterio de comparación nos garantiza
que

n
[f
n
(x
0
)[ converge, es decir,

n
f
n
(x
0
) converge absolutamente.
6. SERIES FUNCIONALES 21
Una vez que hemos probado la convergencia puntual, tenemos garan-
tizada la existencia de una función f : I −→R tal que, para cada x ∈ I,
f(x) =

n
f
n
(x).
Veamos ahora que, de hecho,

n
f
n
converge absolutamente a f.
En efecto
l´ım
m→∞
_
_
_
_
_
f −
m

n=1
f
n
_
_
_
_
_

= l´ım
m→∞
sup
x∈I

¸
¸
¸
¸
f(x) −
m

n=1
f
n
(x)
¸
¸
¸
¸
¸
_
=
= l´ım
m→∞
sup
x∈I

¸
¸
¸
¸

n=m+1
f
n
(x)
¸
¸
¸
¸
¸
_
≤ l´ım
m→∞
sup
x∈I
_

n=m+1
[f
n
(x)[
_

≤ l´ım
m→∞

n=m+1
M
n
= 0,
y por tanto la convergencia es uniforme.
Veremos en los ejercicios varias aplicaciones del criterio M de Weier-
strass. En particular, conviene mencionar que el Teorema de Abel de
la convergencia de series de potencias es una sencilla aplicación de este
criterio.
Capítulo 2
Polinomios y desarrollos en serie de Taylor
1. Introducción y definiciones
Buena parte de los contenidos de esta asignatura girarán en torno
a la noción de una serie (finita o infinita) de funciones que aproxima o
converge a una función dada.
El caso más elemental de esta situación son los polinomios (sumas
finitas) y desarrollos en serie (sumas infinitas) de Taylor.
El problema es el siguiente: tenemos una función f cualquiera (y
por lo tanto poco manejable) y queremos aproximarla por medio de
polinomios, que son funciones muy bien conocidas y con muy buenas
propiedades que nos permiten manejarlas cómodamente.
Es fácil ver que si la propia f no tiene algún tipo de “buen com-
portamiento” no vamos a poderla aproximar por polinomios. El buen
comportamiento que vamos a necesitar para poder calcular polinomios
de Taylor es que f sea continua y varias veces (quizás infinitas) deriv-
able.
Supongamos pues inicialmente que f es tantas veces derivable como
necesitemos y veamos cómo podríamos aproximarla por polinomios.
Una forma razonable de comenzar a pensar en el problema es inten-
tar aproximar un polinomio por polinomios, con lo que por supuesto
deberíamos llegar a que el mejor polinomio aproximante es precisa-
mente el polinomio inicial.
Notamos entonces que si tenemos un polinomio P(x) = a
n
x
n
+
a
2
x
2
+ a
1
x + a
0
entonces
P(0) = a
0
P

(0) = a
1
.
.
.
P
n)
(0) = a
n
P
n+1)
(0) = 0
23
24 2. POLINOMIOS Y DESARROLLOS EN SERIE DE TAYLOR
P
n+2)
(0) = 0
.
.
.
por lo que
P
n
(x) =
n

k=0
P
k)
(0)
k!
x
k
=

k=0
P
k)
(0)
k!
x
k
.
Esto nos permite tener esperanzas de que la siguiente definición sea
útil.
Definición 1.1. Sea I ⊂ R un intervalo y sea f : I ⊂ R −→ R
una función n-veces derivable en x
0
∈ I. Se llama polinomio de Taylor
de la función f de grado n y centrado en el punto x
0
a:
P
n,x
0
(x) =
n

k=0
f
k)
(x
0
)
k!
(x −x
0
)
k
.
El teorema de Taylor nos dirá que el polinomio de Taylor aproxima
a la función f, tanto mejor cuanto mayor sea n y más cerca estemos
de x
0
. Enunciamos y demostramos el teorema para x > x
0
, pero por
supuesto se puede dar una versión similar para x < x
0
.
Teorema 1.2 (Teorema de Taylor). Sea f : [x
0
, x] −→ R una
función n + 1 veces derivable en [x
0
, x]. Entonces
l´ım
x→x
0
f(x) −P
n,x
0
(x)
(x −x
0
)
n
= 0
Además, si definimos el resto de Taylor como R
n,x
0
(x) = f(x) −
P
n,x
0
(x) entonces se tiene que existe t ∈ (x
0
, x) tal que
R
n,x
0
(x) =
f
n+1)
(t)
(n + 1)!
(x −x
0
)
n+1
.
Demostración. El primer límite se puede probar por inducción:
Si n = 1
l´ım
x→a
f(x) −P
n,x
0
(x)
(x −x
0
)
n
= l´ım
x→a
f(x) −f(x
0
) −f

(x
0
)(x −x
0
)
(x −x
0
)
=
l´ım
x→a
f(x) −f(x
0
)
x −x
0
−f

(x
0
) = 0,
por la definición de derivada.
Supongamos ahora el resultado cierto para n −1 y consideremos el
caso n.
1. INTRODUCCIÓN Y DEFINICIONES 25
l´ım
x→a
f(x) −P
n,x
0
(x)
(x −x
0
)
n
=
= l´ım
x→a
f(x) −f(x
0
) −f

(x
0
)(x −x
0
) −. . . −
f
n)
(x
0
)
n!
(x −x
0
)
n
(x −x
0
)
n
.
Tanto el numerador como el denominador tienden a 0, y ambos son
derivables, por lo que aplicamos el teorema de L’Hopital y llegamos a
l´ım
x→a
f

(x) −f

(x
0
) −
2f

(x
0
)(x−x
0
)
2!
−. . . −
nf
n)
(x
0
)
n!
(x −x
0
)
n−1
n(x −x
0
)
n−1
y ahora aplicamos la hipótesis de inducción a la función f

y obten-
emos que el límite de arriba vale 0. (Pensadlo despacio; si no lo veis,
haced primero los casos n = 2 y n = 3).
Demostramos a continuación la fórmula del resto.
Sea
s(t) = f(x) −
n

k=0
f
k)
(t)
k!
(x −t)
k
Entonces
s

(t) = −
f
n+1)
(t)
n!
(x −t)
n
Sea ahora
g(t) = (x −t)
n+1
Entonces
g

(t) = −(n + 1)(x −t)
n
Por el teorema del valor medio de Cauchy existe un t ∈ (x
0
, x) tal que
s(x) −s(x
0
)
g(x) −g(x
0
)
=
s

(t)
g

(t)
=
f
n+1)
(t)
(n + 1)!
como s(x) = g(x) = 0 y s(x
0
) = R
n,x
0
(f)(x) se tiene que existe
t ∈ [x
0
, x] tal que
R
n,x
0
(f)(x) =
f
n+1)
(t)
(n + 1)!
(x −x
0
)
n+1

Observación. Existen varias expresiones posibles para el resto de
Taylor. Aunque para nosotros este año es suficiente con la enuncia-
da más arriba, enuncio a continuación otras dos expresiones útiles en
ciertos contextos.
26 2. POLINOMIOS Y DESARROLLOS EN SERIE DE TAYLOR
1. Fórmula del resto de Cauchy. Existe t ∈ (x, x
0
) tal que
R
n,x
0
(x) =
f
n+1)
(t)
(n + 1)!
(x −t)
n
(x −x
0
).
2. Fórmula integral del resto. Si además f
n+1)
es integrable sobre
[x
0
, x] entonces existe t ∈ (x
0
, x) tal que
R
n,x
0
(x) =
_
x
x
0
f
n+1)
(t)
n!
(x −t)
n
dt.
Lo que nos dice el Teorema de Taylor es que si conocemos el valor
de una función y sus derivadas en un punto x
0
, entonces podemos
aproximar el valor de la función en un punto x por un polinomio, y la
aproximación será tanto mejor cuanto más cerca esté el punto y cuantas
más derivadas consideremos.
Ejemplo 1.3. Calcular los polinomios de Taylor de grado n cen-
trados en el 0 de las funciones e
x
, sin x y cos x
Ejemplo 1.4. Utilizar los polinomios de Taylor para calcular, con
una precisión mejor que 10
−5
los números e y sin 1
Ejemplo 1.5 (Septiembre 2003). Calcular el polinomio de Taylor
de grado 3 de la función log x centrado en el punto 1 y estimar el error
cometido al aproximar log 2 por el polinomio anterior.
El polinomio de Taylor de grado 3 de la función log x centrado en
el punto 1 es
P
3
(x) = x −
(x −1)
2
2
+
(x −1)
3
3
y por tanto P
3
(2) =
5
6
· 0, 833.
Sabemos que en este caso el resto de Taylor se puede acotar por
R =
f
iv
(θ)
4!
(2 −1)
4
=
6
θ
4
4!

6
4!
=
1
4
= 0, 25.
Utilizando la calculadora, podemos ver que log 2 · 0, 693 y por tanto
el error vale exactamente E · 0, 14.
Como vemos los polinomios de Taylor aproximan a la función tanto
mejor cuanto mayor sea el orden del polinomio (la n). Resulta entonces
natural extender la noción de polinomio de Taylor a la de serie de
1. INTRODUCCIÓN Y DEFINICIONES 27
Taylor, dejando que n tienda a infinito, y preguntarse si, dada una
función infinitamente diferenciable f, la serie de Taylor converge en
todo punto a la función f.
Definición 1.6. Sea f : I ⊂ R −→ R una función infinitamente
derivable en I (esto es, para cada n ∈ N existe f
n)
en I). En ese caso
se llama serie de Taylor de f centrada en x
0
a la serie

k=0
f
k)
(x
0
)
k!
(x −x
0
)
k
Existe una clase muy amplia de funciones f, llamadas analíticas
que verifican que la serie de Taylor converge (al menos puntualmente)
a la función f. Obviamente
f(x) =

k=0
f
k)
(x
0
)
k!
(x −x
0
)
k
si y sólo si R
n,x
0
(f)(x) → 0 y a menudo ésta es la condición más fácil
de estudiar.
Para mostrar que puede haber problemas y que es necesario com-
probar efectivamente que la serie converge a la función original, veamos
un ejemplo de función infinitamente derivable cuya serie de Taylor no
converge a la función.
Ejemplo 1.7. Comprobar que la función
f
(
x) =
_
_
_
e

1
x
2
si x ,= 0
0 si x = 0
es infinitamente derivable, y sin embargo la serie de Taylor no converge
a f(x) en ningún x ,= 0.
Capítulo 3
Series de potencias
1. Introducción
Dentro de las series funcionales, resultan especialmente importantes
las series de potencias.
Definimos una serie de potencias centrada en a como una expresión
de la forma

n=0
a
n
(x −a)
n
En lo sucesivo consideraremos todo el tiempo a = 0 por comodi-
dad en la notación, pero todo lo que digamos se puede generalizar a
cualquier otro a ∈ R.
Como siempre que definimos una serie, el problema es la convergen-
cia. En el caso de las series de potencias, el estudio de la convergencia
de la serie es más sencillo que en las series funcionales generales. El
resultado principal es el siguiente.
Teorema 1.1 (Abel). Sea una serie de potencias


n=0
a
n
x
n
de
modo que existe x
0
∈ R tal que la serie (numérica)


n=0
a
n
x
n
0
es con-
vergente. Sea ahora r ∈ R tal que r < [x
0
[. Entonces, para todo x ∈ R
tal que [x[ ≤ r la serie


n=0
a
n
x
n
converge absolutamente. Además se
tiene que la serie de potencias converge uniformemente en el intervalo
[−r, r]. Además la función f : [−r, r] −→R definida como
f(x) =

n=0
a
n
x
n
es derivable y
f

(x) =

n=1
na
n
x
n−1
,
es decir, la derivación se puede hacer término a término.
Demostración. Sea


n=0
a
n
x
n
, x
0
y r como en la hipótesis. Por
ser


n=0
a
n
x
n
0
convergente, se tiene que [a
n
x
n
0
[ → 0, por lo que existe
M > 0 tal que [a
n
x
n
0
[ < M para todo n ∈ N.
29
30 3. SERIES DE POTENCIAS
Si [x[ < r, entonces
[a
n
x
n
[ = [a
n
[[x[
n
≤ [a
n
[[r[
n
≤ [a
n
[[x
0
[
n
[r[
n
[x
0
[
n
≤ M
¸
¸
¸
¸
r
x
0
¸
¸
¸
¸
n
.
Como sabemos que

n=0
M
¸
¸
¸
¸
r
x
0
¸
¸
¸
¸
n
converge
(por que
¸
¸
¸
r
x
0
¸
¸
¸ < 1) el criterio M de Weierstrass (tomando M
n
=
M
¸
¸
¸
r
x
0
¸
¸
¸
n
) nos garantiza la convergencia uniforme de la serie


n=0
a
n
x
n
en el intervalo [−r, r].
Para comprobar la derivabilidad de f(x) =


n=0
a
n
x
n
necesita-
mos comprobar la convergencia uniforme de la serie de las derivadas


n=1
na
n
x
n−1
(ver Teorema I. ??).
Tenemos
[na
n
x
n−1
[ = n[a
n
[[x[
n−1
≤ n[a
n
[[r[
n−1
≤ n[a
n
[[x
0
[
n−1
[r[
n−1
[x
0
[
n−1
≤ nM
¸
¸
¸
¸
r
x
0
¸
¸
¸
¸
n−1
.
Al igual que antes, sabemos que la serie

n=1
nM
¸
¸
¸
¸
r
x
0
¸
¸
¸
¸
n−1
converge
(esto se puede ver usando el criterio del cociente). Por tanto, de nuevo
el criterio M de Weierstrass (tomando M
n
= nM
¸
¸
¸
r
x
0
¸
¸
¸
n−1
) nos garantiza
la convergencia uniforme de la serie de las derivadas


n=1
na
n
x
n−1
en
el intervalo [−r, r]. Esto, junto con el Teorema I. ?? es suficiente para
garantizar la derivabilidad de f en [−r, r] y que
f

(x) =

n=1
na
n
x
n−1
.

Observación. Nótese que en las hipótesis del teorema, f

(x) vuelve
a ser una serie de potencias en [−r, r].
Ejemplo 1.2. Ver lo que ocurre con e
x
cuya derivada es ella mis-
ma, y con sin x, cuya derivada es el coseno.
El teorema anterior nos sugiere la siguiente definición
1. INTRODUCCIÓN 31
Definición 1.3. Dada una serie de potencias


n=0
a
n
x
n
, se llama
radio de convergencia de la serie al número
ρ = sup
_
[x
0
[ ∈ R tales que

n=0
a
n
x
n
0
converge
_
Si el conjunto
_
[x
0
[ ∈ R tales que

n=0
a
n
x
n
0
converge
_
no es acotado, decimos que ρ = +∞.
Nótese que, puesto que la serie converge para x = 0, ρ ≥ 0.
Teorema 1.4. Sea ρ el radio de convergencia de una serie


n=0
a
n
x
n
.
Entonces ocurre uno de los tres casos siguientes
1. ρ = 0. En ese caso la serie converge para x = 0 y diverge para
todo x ,= 0.
2. 0 < ρ < ∞. En ese caso, para todo r < ρ la serie converge
uniformemente en [−r, r] y diverge si [x[ > ρ. En los puntos
frontera (±ρ) la serie puede converger o diverger.
3. ρ = ∞. En ese caso la serie converge para todo x ∈ R, y para
todo r > 0 la serie converge uniformemente en [−r, r].
Aunque no lo necesitamos en este curso, se puede demostrar que,
dada una serie de potencias

a
n
x
n
,
ρ =
1
l´ımsup
n→∞
n
_
[a
n
[
,
donde l´ımsup, el límite superior de una sucesión, viene definido por
l´ımsup
n→∞
b
n
= l´ım
n→∞
¦sup
m≥n
b
m
¦.
Para aquellos que no estén familiarizados con esta noción, men-
cionaremos simplemente que si una sucesión (a
n
) tiene límite, entonces
l´ım
n→∞
a
n
= l´ımsup
n→∞
a
n
.
No os sintáis excesivamente tentados a usar esta fórmula para cal-
cular ρ; la definición es mucho más fácil y lleva a entender y manejar
mejor el concepto.
Observación. Existe un rumor muy extendido según el cual
ρ = l´ım
n
a
n
a
n+1
.
32 3. SERIES DE POTENCIAS
Desconozco el origen de este rumor, pero en cualquier caso es falso,
como se puede ver sin más que considerar la serie

sin nx
n
cuyo radio
de convergencia es 1 (aunque esto no es totalmente obvio) y sin embargo
no existe
l´ım
n
a
n
a
n+1
= l´ım
n
sin n
sin n + 1
.
Lo que si es cierto es que si ese límite existe entonces coincide con ρ.
La demostración es una consecuencia sencilla del criterio del cociente
de convergencia de series numéricas.
Ejemplo 1.5.
Calcular el radio de convergencia de la serie

n=1
(log n)x
n
.
Si x = 1,

n=1
(log n)x
n
=

n=1
(log n)
que no converge puesto que l´ım
n
log n = +∞.
En cambio, sea 0 < x < 1. En ese caso la serie

n=1
(log n)x
n
converge, como se ve fácilmente aplicando el criterio del cociente:
l´ım
n→∞
(log n + 1)x
n+1
(log n)x
n
= l´ım
n→∞
log n + 1
log n
x = x < 1.
Por tanto,
ρ = sup¦x; 0 ≤ x < 1¦ = 1.
Es importante que notéis que la serie de Taylor es un caso especial
de serie de potencias.
Ejemplo 1.6. Estudiar la convergencia puntual y uniforme de la
serie

n=1
x
n
n!
en el intervalo [0, 29],
Aunque no es necesario para resolver el ejercicio, obsérvese que la
serie es el desarrollo en serie de Taylor en el origen de la función e
x
.
1. INTRODUCCIÓN 33
La serie es una serie de potencias, por tanto lo más fácil es calcular
su radio de convergencia. Elíjase x
0
> 0. Entonces la serie numérica

n
x
n
0
n!
converge, como se ve fácilmente de muchas formas (por ejemplo por
el criterio del cociente). Puesto que esto ocurre para un x arbitrario,
tenemos que el radio de convergencia es infinito, por lo que hay conver-
gencia uniforme en cualquier intervalo cerrado y acotado, en particular
la serie converge uniformemente en [0, 29].
Capítulo 4
Series de Fourier
1. Introducción y definiciones
Como ya hemos visto, los polinomios y series de Taylor nos permiten
a menudo aproximar una función por polinomios, o hallar una serie de
potencias que converja a la función.
La idea del análisis de Fourier es muy similar, sólo que ahora nos
plantearemos la aproximación de una función por combinaciones de
funciones seno y coseno elegidas adecuadamente.
Obviamente la primera pregunta que uno se hace es ¿por qué vamos
a querer aproximar una función por combinaciones de senos y cosenos?
¿no tenemos nada mejor que hacer?.
Aunque la respuesta a la segunda pregunta es probablemente SÍ, in-
tentaré responder a la primera lo mejor que pueda. Habéis de saber que
el análisis de Fourier se empezó a desarrollar en el siglo XIX (aunque
sus antecedentes datan del siglo XVIII) y que todavía está en plena
evolución, no sólo de forma teórica sino en sus aplicaciones prácticas.
En particular, para lo que a un ingeniero informático le interesa,
tanto el análisis de circuitos como el tratamiento de la señal se hacen
tomando como herramienta básica el análisis de Fourier. Recientemente
se está desarrollando una herramienta nueva, las ondículas (wavelets en
inglés) basadas también en el análisis de Fourier y que están teniendo
una importancia decisiva en el tratamiento de la señal; por poneros
algunos ejemplos, las wavelets se han usado para comprimir los archivos
digitales de huellas dactilares del FBI, se usan en la mayoría de las
películas de animación que se realizan en la actualidad, en los formatos
de imagen jpg (a partir de 2000), en la detección de cánceres, en los
estudios geológicos, etc, etc.
1.1. Funciones periódicas. El problema que vamos a enfrentar
en primer lugar es el de representar “adecuadamente” una función per-
iódica. Para justificar el porqué de estudiar este problema recordemos
que muchas de las ondas electromagnéticas usadas en la transmisión de
35
36 4. SERIES DE FOURIER
información son funciones periódicas, o van moduladas sobre funciones
periódicas.
Empecemos recordando la definición de función periódica.
Definición 1.1. Una función f : R −→ R se dice periódica si
existe T > 0 tal que, para todo t ∈ R,
f(t + T) = f(t).
En ese caso, al menor de los T que cumple esa igualdad se le denomina
periodo de f.
Ejemplo 1.2. Para todo ω
0
> 0, las funciones sin ω
0
x y cos ω
0
x
son periódicas de periodo
T =

ω
0
Notad que si conocemos una función periódica en un intervalo de
longitud T ya conocemos el valor de la función en todo R. Esto hace que
cuando estudiemos funciones periódicas nos limitamos a algún intervalo
de longitud T, habitualmente el [0, T] o el [−
T
2
,
T
2
]
1.2. Ortogonalidad de funciones. Necesitamos otra definición.
Definición 1.3. Dadas funciones reales φ
α
: I ⊂ R −→ R, un
conjunto ¦φ
α
(t); α ∈ A¦ de funciones se dice ortogonal sobre I ⊂ R si,
para todo α ,= β,
_
I
φ
α
(t)φ
β
(t)dt = 0.
Observación. Para que entendáis el por qué de llamar ortogonales
a tales funciones, aquí va la explicación: Dado un espacio vectorial E
se puede definir una noción abstracta de producto escalar como una
forma bilineal definida positiva, esto es, una función
¸, ¸ : E E −→R
separadamente lineal en ambas variables y que verifica que ¸f, f¸ ≥ 0
para toda f ∈ E y ¸f, f¸ = 0 si y sólo si f = 0. Siempre que tenemos
un producto escalar definido en un espacio vectorial se puede definir
una norma asociada como
|f| =
_
¸f, f¸,
y también se puede definir una noción de ortogonalidad, y en general la
noción de ángulo entre vectores. La noción de ortogonalidad se define
como f⊥g si y sólo si ¸f, g¸ = 0.
1. INTRODUCCIÓN Y DEFINICIONES 37
Todo esto se aplicaba a un espacio vectorial abstracto E. En el caso
particular del espacio L
2
(I), se puede definir
¸f, g¸ =
_
I
f(t)g(t)dt
y se demuestra con facilidad que, así definido, ¸, ¸ es un producto
escalar y que la norma anteriormente definida en L
2
(I) es precisamente
su norma asociada. Por tanto, dos funciones f y g son ortogonales si
su producto escalar es 0, es decir, si
_
I
f(t)g(t)dt = 0.
Nuestro ejemplo principal de familia ortogonal de funciones es el
siguiente.
Ejemplo 1.4. Para todo ω
0
> 0, la familia de funciones
¦1, sin nω
0
x, cos mω
0
x; n, m ∈ N¦
es ortogonal sobre [−
T
2
,
T
2
], con T =

ω
0
.
Para verificarlo, basta comprobar que
1. Para todo n ∈ N,
_ T
2

T
2
sin nω
0
tdt = 0
2. Para todo n ∈ N,
_ T
2

T
2
cos nω
0
tdt = 0
3. Para todo n ,= m,
_ T
2

T
2
sin nω
0
t sin mω
0
tdt = 0
4. Para todo n ,= m,
_ T
2

T
2
cos nω
0
t cos mω
0
tdt = 0
5. Para todos n, m ∈ N,
_ T
2

T
2
sin nω
0
t cos mω
0
tdt = 0
Las dos primeras integrales son inmediatas. Para las tres últimas
utilizamos las identidades trigonométricas que expresan sin y cos de
A + B en términos de sin y cos de A y B, y obtenemos
38 4. SERIES DE FOURIER
¸cos(nx), sin(nx)¸ =
_

−π
cos(nx) sin(nx)dx
=
1
2
_

−π
(sin((m + n)x) + sin((m−n)x))dx
=
1
2
_
cos((m + n)x)
m + n

cos((m−n)x)
m−n
_

−π
= 0, (m ,= n)
¸cos(nx), cos(nx)¸ =
_

−π
cos(nx) cos(nx)dx
=
1
2
_

−π
(cos((m + n)x) + cos((m−n)x))dx
=
1
2
_
sin((m + n)x)
m + n
+
sin((m−n)x)
m−n
_

−π
= 0, (m ,= n)
¸sin(nx), sin(mx)¸ =
_

−π
sin(nx) sin(mx)dx
=
1
2
_

−π
(cos((m−n)x) −cos((m + n)x))dx
=
1
2
_
sin((m−n)x)
m−n

sin((m + n)x)
m + n
_

−π
= 0, (m ,= n)
1.3. Coeficientes de Fourier. Una de las preguntas básicas en
análisis de Fourier (así como en el análisis de ondículas) es si, dada
una función f : [a, b] −→R y un conjunto ortogonal ¦φ
α
(t); α ∈ A¦ de
funciones sobre [a, b], ¿existen coeficientes a
α
∈ R tales que f se puede
representar como
f(x) =

α
a
α
φ
α
(x)?
La respuesta va a ser sí, al menos para ciertas familias destacadas
de familias ortogonales ¦φ
α
(t); α ∈ A¦ y para una amplia clase de
funciones f.
Enunciaremos más adelante, sin demostración, teoremas que nos
garantizan que una amplia familia de funciones (en particular todo
L
2
[a, b]) se pueden representar por medio de series del tipo arriba indi-
cado.
1. INTRODUCCIÓN Y DEFINICIONES 39
De momento, supongamos que una cierta función f fuera repre-
sentable de la forma
f(x) =

α
a
α
φ
α
(x),
y veamos cómo se calculan los coeficientes a
α
en ese caso.
Supongamos que podemos integrar término a término (no nos de-
tendremos a justificar esta hipótesis, pues excede los objetivos de la
asignatura). En ese caso, para cada β ∈ A, se tendría
_
b
a
f(x)φ
β
(x)dx =

α
_
b
a
a
α
φ
α
(x)φ
β
(x)dx = a
β
_
b
a
φ
2
β
(x)dx
y por tanto
a
β
=
_
b
a
f(x)φ
β
(x)dx
_
b
a
φ
2
β
(x)dx
Por tanto, tenemos la siguiente
Definición 1.5. Sea ¦φ
α
(x); α ∈ A¦ una familia ortogonal sobre
[a, b]. Sea f : [a, b] −→ R. Se llaman coeficientes de Fourier de f con
respecto a ¦φ
α
(x); α ∈ A¦ a los números
a
α
=
_
b
a
f(x)φ
α
(x)dx
_
b
a
φ
2
α
(x)dx
A la serie

α
a
α
φ
α
(x)
se le llama serie de Fourier de f
Observación. Es frecuente elegir la familia ¦φ
α
(x); α ∈ A¦ nor-
malizada de manera que
_
b
a
φ
2
α
(x)dx = 1 para cada α ∈ A.
Veamos el ejemplo concreto más importante para nosotros de todo
lo anterior.
Definición 1.6. Cuando consideramos en la definición anterior el
sistema ¦1, cos nω
0
x, sin mω
0
x¦ y f : [−
T
2
,
T
2
] −→R con T =

ω
obten-
emos los coeficientes clásicos de Fourier. Se llaman coeficientes (clási-
cos) de Fourier a los números
a
0
=
2
T
_ T
2

T
2
f(t)dt
a
m
=
2
T
_ T
2

T
2
f(t) cos mω
0
tdt
40 4. SERIES DE FOURIER
b
n
=
2
T
_ T
2

T
2
f(t) sin nω
0
tdt.
Con esos coeficientes se puede definir la serie de Fourier de f
a
0
2
+

n=1
a
n
cos nω
0
x + b
n
sin nω
0
x
Ejemplo 1.7. Encontrar la serie de Fourier de la función
f
(
t) =
_
_
_
−1 si −
T
2
< t < 0
1 si 0 < t <
T
2
y definida periódica de periodo T en todo R.
Solución: Es fácil ver que a
n
= 0 para todo n ∈ N ∪ ¦0¦ y b
n
=
2

(1 −cos nπ), independientemente de T
Ejemplo 1.8 (Septiembre 2003). Sea f(x) : R −→ R la función
periódica de periodo 1 definida por
f(x) =
_
1 si 0 ≤ x <
1
2
0 si
1
2
≤ x < 1
Obtener el desarrollo en serie de Fourier de f(x).
Solución: Por ser f(x) periódica de periodo T = 1, admite un
desarrollo en serie de Fourier, es decir,
f(x) =
a
0
2
+

n=1
a
n
cos nω
0
x +

n=1
b
n
sin nω
0
x,
con
ω
0
=

T
= 2π
y donde
a
0
2
=
1
T
_ T
2

T
2
f(x)dx,
a
n
=
2
T
_ T
2

T
2
f(x) cos nω
0
xdx, y
b
n
=
2
T
_ T
2

T
2
f(x) sin nω
0
xdx
1. INTRODUCCIÓN Y DEFINICIONES 41
Así,
a
0
2
=
_ 1
2
0
dx =
1
2
Además
a
n
= 2
_ 1
2
0
cos(2nπx)dx =
2
2nπ
sin 2nπx
¸
¸
¸
¸
1
2
0
= 0.
Finalmente,
b
n
= 2
_ 1
2
0
sin(2nπx)dx = −
1

cos 2nπx
¸
¸
¸
¸
1
2
0
y por tanto, b
n
= 0 si n es par y b
n
=
2

si n es impar.
Ejemplo 1.9. Sea f(x) : R −→ R la función periódica de periodo
2 definida por
f(x) =
_
x si 0 ≤ x ≤ 1
2 −x si 1 ≤ x ≤ 2
Obtener el desarrollo en serie de Fourier de f(x).
Solución: Por ser f(x) periódica de periodo T = 2, admite un
desarrollo en serie de Fourier, es decir,
f(x) =
a
0
2
+

n=1
a
n
cos nω
0
x +

n=1
b
n
sin nω
0
x,
con
ω
0
=

T
= π
y donde
a
0
2
=
1
2
_
1
−1
f(x)dx,
a
n
=
_
1
−1
f(x) cos nω
0
xdx, y
b
n
=
_
1
−1
f(x) sin nω
0
xdx
Por la periocididad, es indistinto calcular las integrales en [−1, 1] ó
en [0, 2] (o en general en cualquier intervalo de amplitud 2. Debido
a que implica alguna cuenta menos integraremos en [−1, 1]. Para ello
obsérvese que, para todo x ∈ [−1, 0], f(x) = −x.
42 4. SERIES DE FOURIER
Así,
a
0
2
=
1
2
_
0
−1
−xdx +
_
1
0
xdx =
1
2
Además
a
n
=
_
0
−1
−x cos(nπx)dx +
_
1
0
x cos(nπx)dx.
Integrando por partes, se tiene
a
n
= 2
(−1 + cos nπ + nπ sin nπ)
n
2
π
2
Finalmente,
b
n
=
_
0
−1
−x sin(nπx)dx +
_
1
0
x sin(nπx)dx,
y de nuevo integrando por partes se obtiene
b
n
= 0.
1.4. Expresión compleja de las series de Fourier. Recorde-
mos la expresión
e

= cos θ + i sin θ
que se puede justificar usando series de Taylor, aunque su fundamentación
rigurosa requiere algunos conocimientos de variable compleja. De esta
expresión se obtienen, sin mas que despejar, las siguientes
(4) cos θ =
e

+ e
−iθ
2
y
(5) sin θ =
e

−e
−iθ
2i
Por tanto, si f(t) es una función periódica de periodo T con desar-
rollo en serie de Fourier
f(t) =
a
0
2
+

n=1
a
n
cos nω
0
t +

n=1
b
n
sin nω
0
t,
podemos sustituir los senos y cosenos por las expresiones dadas por
(??) y (??) y obtenemos
f(t) =
a
0
2
+

n=1
a
n
e
inω
0
t
+ e
−inω
0
t
2
+

n=1
b
n
e
inω
0
t
−e
−inω
0
t
2i
.
Usando que
1
i
= −i y despejando llegamos a
1. INTRODUCCIÓN Y DEFINICIONES 43
f(t) = c
0
+

n=1
(c
n
e
inω
0
t
+ c
−n
e
−inω
0
t
) =
= c
0
+

n=1
c
n
e
inω
0
t
+
−∞

n=−1
c
n
e
inω
0
t
=
+∞

n=−∞
c
n
e
inω
0
t
,
donde
c
0
=
1
2
a
0
, c
n
=
1
2
(a
n
−ib
n
), y c
−n
=
1
2
(a
n
+ ib
n
).
Para entender todo esto mejor necesitamos algunas definiciones
más:
1.5. Ortogonalidad de funciones complejas. Al igual que
hicimos para funciones reales, vamos a definir un producto escalar de
funciones complejas.
Definición 1.10. Dadas f, g : I ⊂ R −→ C se define su producto
escalar ¸f, g¸ como
¸f, g¸ =
_
I
f(t)g(t)dt,
donde z denota el conjugado complejo de z.
Ahora decimos que f y g son ortogonales si su producto escalar es
0.
Siguiendo con la analogía con el caso real podemos definir la norma
2 de una función compleja f : I −→C como
|f|
2
= (¸f, f¸)
1
2
=
__
I
f(t)f(t)dt
_1
2
.
Con estas definiciones a mano, podemos ahora seguir con los coefi-
cientes c
n
el mismo camino seguido con los a
n
y b
n
.
En primer lugar notemos
Proposición 1.11. La familia ¦e
inωt
¦
n∈Z
es ortogonal en el inter-
valo [
−T
2
,
T
2
] (o en el [0, T]), donde T =

ω
.
Demostración. Sea n ,= m. Entonces
¸e
inωt
, e
imωt
¸ =
_ T
2
−T
2
e
inωt
e
imωt
dt =
_ T
2
−T
2
e
inωt
e
−imωt
dt =
=
_ T
2
−T
2
(cos nωt + i sin nωt)(cos mωt −i sin mωt)dt = 0.
44 4. SERIES DE FOURIER

1.6. Cálculo de los coeficientes c
n
. Ahora podemos calcular
los coeficientes análogamente a cómo calculamos los a
n
y los b
n
:
Supongamos que una función f : [−
T
2
,
T
2
] −→ R (en realidad esto
también va a valer para funciones f : [−
T
2
,
T
2
] −→ C) fuera repre-
sentable en la forma
f(t) =
+∞

n=−∞
c
n
e
inωt
.
Entonces, dado n
0
∈ N,
¸f, e
in
0
ωt
¸ = ¸
+∞

n=−∞
c
n
e
inωt
, e
in
0
ωt
¸ =
=
+∞

n=−∞
c
n
¸e
inωt
, e
in
0
ωt
¸ = c
n
0
¸e
in
0
ωt
, e
in
0
ωt
¸ =
= c
n
0
_ T
2

T
2
e
in
0
ωt
e
in
0
ωt
dt = c
n
0
_ T
2

T
2
e
in
0
ωt
e
−in
0
ωt
dt =
= c
n
0
_ T
2

T
2
dt = c
n
0
T,
de donde
c
n
=
_ T
2

T
2
f(t)e
in
0
ωt
dt
T
,
expresión que por supuesto coincide con la obtenida anteriormente a
partir de los a
n
y los b
n
.
Como ya hemos dicho anteriormente, se puede demostrar que la ex-
presión f(t) =

+∞
n=−∞
c
n
e
inωt
nos permite representar no sólo funciones
periódicas f : R −→R sino también funciones periódicas f : R −→C.
Notemos que muchas señales se representan de manera natural como
una función con valores reales (por ejemplo una señal sonora) mientras
que otras, en particular los campos electromagnéticos, se representan
de manera natural como una función con valores complejos.
A partir de ahora trabajaremos con la expresión de la serie de Fouri-
er en términos de los c
n
, por ser más adecuada para la mayoría de las
aplicaciones que la expresión en términos de los a
n
y b
n
.
2. CONVERGENCIA DE LAS SERIES DE FOURIER 45
2. Convergencia de las series de Fourier
Tenemos definida formalmente la serie de Fourier, pero aún no sabe-
mos nada de su convergencia o no a la función f. Los teoremas clásicos
del análisis de Fourier nos van a garantizar que para una amplia clase
de funciones f, la serie de Fourier de f converge en casi todo punto a
f.
2.1. Convergencia en norma 2. Empezamos considerando la
convergencia en norma 2 de la serie de Fourier, muy importante en
muchas aplicaciones. Recordemos que se dice que una sucesión de fun-
ciones (f
n
) ⊂ L
2
(I) converge en norma 2 (o en media cuadrática) a
f ∈ L
2
(I) si
f
n
·
2
→ f,
esto es, si
l´ım
n→∞
|f
n
−f|
2
= 0,
o, equivalentemente, si
l´ım
n→∞
_
I
[f
n
(t) −f(t)[
2
dt = 0.
Nótese que, en el caso de ondas electromagnéticas, esto se puede
interpretar como que la energía de la sucesión de ondas ε
n
:= f
n
− f
tiende a 0 cuando n tiende a infinito, e interesa darse cuenta de que la
sucesión ε
n
es el error cometido al aproximar f por f
n
.
Consideramos la sucesión de sumas parciales de la serie de Fourier
S
k
(t) =
k

n=−k
c
n
e
inωt
y llamamos ε
k
(t) = f(t) − S
k
(t) al error cometido al aproximar f por
S
k
. Decir que S
k
converge en norma 2 a f equivale a decir que |ε
k
|
2
tiende a 0, es decir, que
l´ım
n→∞
(¸ε
k
, ε
k
¸)
1
2
= l´ım
n→∞
_
_ T
2

T
2
ε
k
(t)ε
k
(t)dt
_1
2
= 0.
Notemos que
_ T
2

T
2
ε
k
(t)ε
k
(t)dt =
_ T
2

T
2
(f(t) −S
k
(t))(f(t) −S
k
(t))dt =
46 4. SERIES DE FOURIER
_ T
2

T
2
f(t)f(t) + S
k
(t)S
k
(t) −21f(t)S
k
(t)dt =
_ T
2

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

T
2
(
k

n=−k
c
n
e
inωt
)(
k

n=−k
c
n
e
inωt
)dt−
−21
_ T
2

T
2
f(t)(
k

n=−k
c
n
e
inωt
)dt =
_ T
2

T
2
f(t)f(t)dt+
+
k

n=−k
[c
n
[
2
_ T
2

T
2
e
inωt
e
−inωt
dt −21
k

n=−k
c
n
_ T
2

T
2
f(t)e
−inωt
dt =
=
_ T
2

T
2
f(t)f(t)dt + T
k

n=−k
c
n
c
n
−21
k

n=−k
c
n
_ T
2

T
2
f(t)e
−inωt
dt+
+
k

n=−k
_
_ T
2

T
2
f(t)e
−inωt
dt
__
_ T
2

T
2
f(t)e
−inωt
dt
_
T


k

n=−k
_
_ T
2

T
2
f(t)e
−inωt
dt
__
_ T
2

T
2
f(t)e
−inωt
dt
_
T
=
=
_ T
2

T
2
f(t)f(t)dt+
T
k

n=−k
_
_
_
c
n

_ T
2

T
2
f(t)e
−inω
0
t
dt
T
_
_
_
_
_
_
c
n

_ T
2

T
2
f(t)e
−inω
0
t
dt
T
_
_
_


k

n=−k
_
_ T
2

T
2
f(t)e
−inωt
dt
__
_ T
2

T
2
f(t)e
−inωt
dt
_
T
.
Si consideramos esto como una ecuación en c
n
y buscamos mini-
mizarla, vemos que la norma 2 del error es mínima cuando
c
n
=
_ T
2

T
2
f(t)e
−inω
0
t
dt
T
.
2. CONVERGENCIA DE LAS SERIES DE FOURIER 47
Es decir, los c
n
son los mejores coeficientes que podemos ponerles
a las funciones e
inω
0
t
para que la suma

n
c
n
e
inω
0
t
aproxime a f(t) tan bien (en norma 2) como sea posible.
De hecho, con razonamientos emparentados con estos, aunque más
sofisticados, se puede demostrar que para todo intervalo I ⊂ R, toda
función f ∈ L
2
(I) admite una serie de Fourier como la anterior de
manera que

n
c
n
e
inω
0
t
converge a f en norma 2. Recordad que ya
hemos dicho anteriormente que las funciones f ∈ L
2
(I) son las más
interesantes en ingeniería, puesto que, por un lado L
2
(I) es un espa-
cio matemáticamente “cómodo” y por otro la condición f ∈ L
2
(I) se
interpreta casi siempre como que f tiene energía finita, lo cual es muy
razonable.
2.2. Convergencia puntual en casi todo punto. Enunciare-
mos aquí sin demostrar un teorema que nos garantiza la convergencia
puntual en casi todo punto de la serie de Fourier de una muy amplia
familia de funciones. En particular, prácticamente todas las funciones
con interés en la ingeniería verifican las condiciones del teorema.
Teorema 2.1. Sea f : I −→ R una función continua a trozos,
acotada y monótona a trozos (esto es, f tiene una cantidad finita de
máximos y mínimos en I). Entonces la serie de Fourier de f converge
a f(t
0
) en todo t
0
∈ I en el que f sea continua. En los puntos t
0
∈ I
en los que f no sea continua se tiene que la serie de Fourier converge
a
f(t
+
0
) + f(t

0
)
2
,
donde
f(t
+
0
) = l´ım
t→t
+
0
f(t)
y
f(t

0
) = l´ım
t→t

0
f(t).
2.3. Espectros discretos. Fijáos que de todo lo anterior se sigue
que para una muy amplia clase de funciones f, su serie de Fourier

n∈Z
c
n
e
inω
0
t
determina unívocamente (excepto quizás en una canti-
dad finita de puntos) la función f. En términos de información, esto
se puede expresar diciendo que toda la información contenida en f se
halla en sus coeficientes de Fourier.
48 4. SERIES DE FOURIER
Esto da lugar a la noción de espectro de una función f. Podemos
pensar en sus coeficientes (c
n
)
n∈Z
como una función
c : Z −→C
dada por
c(n) = c
n
La función c (o su gráfica) es lo que llamamos el espectro de f. Para
el caso de funciones periódicas (equivalentemente funciones definidas
en un intervalo [a, b]) el espectro de f, c esta definido sobre los enteros,
no sobre todo R, por lo que le llamamos espectro discreto. Veremos
más adelante que para representar una función no periódica necesita-
mos un espectro continuo. Las técnicas de análisis espectral, de las que
probablemente hayáis oído hablar puesto que se usan en muchas dis-
ciplinas, consisten precisamente en estudiar el espectro de una función
(la radiación emitida por un cuerpo celeste, por ejemplo) para obtener
información contenida en esa función.
Los valores (c
n
) son también llamados las componentes en frecuen-
cia de la señal f. Los que sepáis algo de teoría musical, deberíais notar
cómo una función periódica (una nota cualquiera dada por un instru-
mento) se descompone por su serie de Fourier en la suma de sus ar-
mónicos (ω
0
es la frecuencia fundamental, 2ω
0
es la misma nota una
octava mas arriba, 3ω
0
es la quinta por encima de la octava, 4ω
0
es la
misma nota dos octavas por encima de la original, etc).
Notad que si f(t) toma valores reales, esto es, f : I −→R, entonces,
para todo n ∈ N c
n
= c
−n
.
2.4. Teorema de Parseval. Un resultado muy importante en
análisis de Fourier es el Teorema de Parseval, que físicamente se puede
leer como que la energía de la señal es igual a la suma de las energías de
sus componentes, y geométricamente se puede simplemente interpretar
como una consecuencia de una versión infinito dimensional del Teorema
de Pitagoras. La demostración del teorema de Parseval es razonable-
mente sencilla una vez se conocen técnicas elementales de espacios de
Hilbert (espacios L
2
). No la incluiremos aquí, pero sí quiero incluir una
“pseudodemostración” que puede resultar ilustrativa.
Empezamos con:
Proposición 2.2. Sean f
1
, f
2
∈ L
2
([−
T
2
,
T
2
]), y sean (c
1
n
)
n∈Z
, (c
2
n
)
n∈Z
sus respectivos coeficientes de Fourier. Entonces
1
T
_ T
2

T
2
f
1
(t)f
2
(t)dt =

n∈Z
c
1
n
c
2
n
.
2. CONVERGENCIA DE LAS SERIES DE FOURIER 49
Demostración.
_ T
2

T
2
f
1
(t)f
2
(t)dt =
_ T
2

T
2
_

n∈Z
c
1
n
e
inω
0
t
__

n∈Z
c
2
n
e
inω
0
t
_
dt =

n∈Z

m∈Z
c
1
n
c
2
m
_ T
2

T
2
e
inω
0
t
e
−imω
0
t
dt =

n∈Z
c
1
n
c
2
n
_ T
2

T
2
e
inω
0
t
e
−inω
0
t
dt = T

n∈Z
c
1
n
c
2
n
.

De aquí se deduce fácilmente (sin más que tomar f
1
= f
2
) el sigu-
iente
Teorema 2.3 (Teorema de Parseval). Sea f ∈ L
2
([−
T
2
,
T
2
]), y sean
(c
n
)
n∈Z
, coeficientes de Fourier. Entonces
1
T
(|f|
2
)
2
=
1
T
_ T
2

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

n∈Z
[c
n
[
2
.
Capítulo 5
Transformada Integral de Fourier
1. Definición.
Todo lo visto hasta ahora se aplicaba al estudio de funciones per-
iódicas, o de funciones definidas en un intervalo [a, b]. Para ciertas
aplicaciones esto no es suficiente, y necesitamos estudiar funciones
f : R −→ R ó C no periódicas. Este tipo de funciones no pueden
ser representadas por medio de una serie de Fourier, pero en cambio sí
que se pueden representar por medio de una integral de Fourier.
Describimos a continuación la idea intuitiva en el paso de las series
de Fourier a la integral de Fourier. Todo esto se puede formalizar con
todo rigor, pero no lo haremos ya que llevaría demasiado tiempo y no
lo consideramos prioritario para nuestra asignatura.
Como ya hemos visto, una función periódica de periodo T se puede
representar por medio de una serie de Fourier

n
c
n
e
ınω
0
t
, con ω
0
=

T
. La idea ahora, dicha burdamente, es considerar una función no
periódica como una función periódica de periodo infinito.
Ejemplo 1.1. Supongamos que queremos estudiar la función f :
R −→R dada por
f(t) =
_
1 si t ∈ [−
1
2
,
1
2
]
0 si [t[ >
1
2
Cuando hablábamos del espectro de una función periódica f nos
referimos al valor de los coeficientes c
n
, que podían ser entendidos como
una función c(ω) : R −→C( ó R) que toma valores distintos de 0 sólo
en los puntos ω = nω
0
, con n ∈ Z, en los que vale c
n
.
Notemos que al hacer tender T (el periodo) a infinito, la frecuencia
fundamental ω
0
tiende a 0, por lo que los puntos nω
0
están cada vez
más próximos, de manera que parece razonable pensar que en el límite
el espectro se hace continuo, es decir, podemos definir c(ω) para todo
ω. Por otro lado, es fácil ver con los ejemplos que al hacer tender T a
infinito, las amplitudes c
n
= c(nω
0
) tienden a 0.
51
52 5. TRANSFORMADA INTEGRAL DE FOURIER
Se pueden formalizar matemáticamente estos razonamientos (aunque
no lo haremos aquí), pero la idea que hay detrás es que, a medida que
T tiende a infinito, los armónicos (los puntos nω
0
) se encuentran infini-
tamente cercanos y son de amplitud infinitesimal, es decir, el espectro
discreto se vuelve continuo.
Con estas ideas intuitivas, hagamos una construcción no formal de
la integral de Fourier.
Sea f(t) una función periódica de periodo T. Sea su serie de Fourier
f(t) =

n=−∞
c
n
e
ınω
0
t
(6)
donde
c
n
=
1
T
_ T
2

T
2
f(t)e
−ınω
0
t
dt (7)
y
ω
0
=

T
(8)
Sustituyendo (??) en (??), se tiene
f(t) =

n=−∞
_
1
T
_ T
2

T
2
f(x)e
−ınω
0
x
dx
_
e
ınω
0
t
(9)
Utilizando (??) tenemos que
f(t) =

n=−∞
_
1

_ T
2

T
2
f(x)e
−ınω
0
x
dx
_
ω
0
e
ınω
0
t
(10)
Hagamos un pequeño inciso y recordemos lo que sabemos de la
definición de integral de Riemann, y el paso de las sumas de Riemann
a la integral.
Si tenemos una función h : [a, b] −→ R integrable y suponemos
elegida una partición equiespaciada P(ω
0
) = ¦a = x
0
, x
1
, . . . , x
k
= b¦
de [a, b] en la que x
i
−x
i−1
= ω
0
para cada i ∈ ¦1, . . . , k¦, tenemos que
l´ım
ω
0
→0
k

n=1
h(a + nω
0

0
=
_
b
a
h(t)dt.
1. DEFINICIÓN. 53
Recordando esto, volvamos a la expresión (??) y llamemos
h(ω) =
_
1

_ T
2

T
2
f(x)e
−ıωx
dx
_
e
ıωt
.
Aplicando los razonamientos anteriores y haciendo el paso a una
integral impropia (dejamos esto al alumno) tenemos que, cuando ω
0
tiende a 0 (equivalentemente cuando T tiende a infinito)
f(t) =
1

_

−∞
__
+∞
−∞
f(x)e
−ıωx
dx
_
e
ıωt
dω (11)
Si definimos la transformada de Fourier F(ω) de f como
F(ω) =
_

−∞
f(t)e
−ıωt
dt (12)
Entonces (??) se convierte en
f(t) =
1

_

−∞
F(ω)e
ıωt
dt. (13)
Con esto definimos la transformada de Fourier y la transformada
inversa. Escribimos a continuación ambas definiciones explícitamente.
Definición 1.2. Sea f : R −→ R (ó C). Entonces definimos su
transformada integral de Fourier como una función
T(f) = F : R −→C
dada por
T(f)(ω) = F(ω) =
_

−∞
f(t)e
−ıωt
dt.
Análogamente definimos
Definición 1.3. Sea F : R −→C. Entonces definimos su transfor-
mada inversa de Fourier como una función
T
−1
(F) : R −→R (ó C)
dada por
T
−1
(F)(t) =
1

_

−∞
F(ω)e
ıωt
dt.
54 5. TRANSFORMADA INTEGRAL DE FOURIER
2. Propiedades de la transformada de Fourier
Nótese que la transformada de Fourier viene definida por medio
de una integral impropia, que puede ser convergente o no serlo. Em-
pezamos enunciando el teorema que nos garantiza la existencia de la
transformada de Fourier para una amplia familia de funciones
Teorema 2.1. Sea f ∈ L
2
(R). Entonces existe la transformada de
Fourier de f, y es una función F : R −→C
La condición f ∈ L
2
(R) es suficiente, pero no necesaria, para la ex-
istencia de F. Existen numerosos ejemplos de funciones que no están en
L
2
(R) y sin embargo su transformada está bien definida. El problema
de determinar el conjunto exacto de funciones que admiten transfor-
mada de Fourier es mucho más profundo de lo que parece, y aún no
ha sido resuelto. Para la ingeniería es suficiente saber que todas las
funciones de L
2
(R) admiten transformada.
Enunciamos a continuación algunas propiedades básicas de la trans-
formada de Fourier.
Linealidad. Si f, g ∈ L
2
(R) y α, β ∈ R, entonces T(αf +βg) =
αT(f) + βT(g).
Si 0 ,= α ∈ R, f ∈ L
2
(R) y g(t) = f(αt) entonces
T(g)(ω) =
1
[a[
T(f)(
ω
a
)
Si
g(t) = f(t)e
ıαt
entonces T(g)(ω) = T(f)(ω −α)
Si f ∈ L
2
(R), t
0
∈ R y g(t) = f(t −t
0
) entonces
T(g)(ω) = T(f)(ω)e
−ıωt
0
.
El siguiente resultado es la clave que permite aplicar la transforma-
da de Fourier a la resolución de ecuaciones diferenciales.
Proposición 2.2. Sea f : R −→ R una función derivable, que
admite transformada de Fourier T(f), y tal que
l´ım
t→±∞
f(t) = 0.
(Nótese que esta última condición se verifica siempre que f ∈ L
2
(R)).
Entonces
T(f

)(ω) = ıωT(f)(ω).
2. PROPIEDADES DE LA TRANSFORMADA DE FOURIER 55
Demostración.
T(f

)(ω) =
_

infty
f

(t)e
−ıωt
dt.
Integramos por partes y obtenemos que
T(f

)(ω) = l´ım
t
0
→∞
f(t)e
−ıωt
¸
¸
t
0
−t
0
+ ıω
_

−∞
f(t)e
−ıωt
=
= l´ım
t
0
→∞
f(t
0
)e
−ıωt
0
− l´ım
t
0
→∞
f(−t
0
)e
ıωt
0
+ ıω
_

−∞
f(t)e
−ıωt
= ıωT(f)(ω),
puesto que
l´ım
t
0
→±∞
f(t
0
) = 0
y
e
ıωt
0
= cos ωt
0
+ ı sin ωt
0
está acotada.
A continuación enunciamos sin demostración unos resultados que
nos garantizan el buen comportamiento de la transformada de Fouri-
er y la transformada inversa de Fourier para una amplia familia de
funciones.
Teorema 2.3. Si f ∈ L
2
(R) entonces T(f) es continua y
l´ım
ω→±∞
T(f)(ω) = 0
Dos comentarios son pertinentes: en primer lugar observar que aunque
f ∈ L
2
(R) puede no ser continua, su trasformada siempre lo es. En se-
gundo lugar, el hecho de que
l´ım
ω→±∞
T(f)(ω) = 0
indica que, para cualquier señal, la amplitud de sus componentes en
frecuencia tiende a 0 cuando la frecuencia tiende a infinito.
Teorema 2.4 (Inversión). Si f ∈ L
2
(R) entonces T(f) ∈ L
2
(R),
y además la función
g(t) =
1

_

−∞
T(f)(ω)e
ıωtdω
(es decir, la transformada inversa de la transformada de f) verifica que
f(t) = g(t) en casi todo punto.
56 5. TRANSFORMADA INTEGRAL DE FOURIER
Observación. La expresión “en casi todo punto” tiene un signifi-
cado matemático muy preciso. Quiere decir que f(t) = g(t) excepto
en, a lo sumo, un conjunto de medida cero. Excede del alcance de este
curso la definición de conjunto de medida cero, pero daremos una idea
intuitiva diciendo que cualquier intervalo no vacío no es de medida cero,
mientras que un sólo punto, o una cantidad finita, o incluso numerable,
de puntos, sí forman un conjunto de medida cero. Por tanto, el teore-
ma de inversión nos dice que si tomo una función f ∈ L
2
(R), hallo su
transformada de Fourier T(f), y a continuación hallo la transforma-
da inversa de T(f), entonces recupero f (salvo quizás en unos pocos
puntos, que no van a tener ninguna importancia en la gran mayoría de
las aplicaciones). Esto es lo que nos permite decir que “no perdemos
información”, al considerar T(f) en lugar de f, puesto que podemos
recuperar f (salvo quizás en unos pocos puntos) a partir de T(f).
Capítulo 6
Aplicaciones a la teoría de la señal.
1. Convolución y filtros
El propósito de esta sección es simplemente contar una aplicación
clásica de la transformada de Fourier al tratamiento de la señal, y lograr
que los hipotéticos lectores de estas notas se vayan familiarizando con
el hecho de que la transformada de Fourier nos permite pensar en una
función, que originalmente estaba en “el dominio del tiempo”, como una
función “en el dominio de la frecuencia”.
Nuestro propósito es describir lo que en teoría de la señal se conoce
como filtros. Para ello necesitamos previamente una nueva herramienta
matemática, la convolución.
Definición 1.1. Sean f, g : R −→R. Se define su convolución f ∗g
como
f ∗ g(x) =
_

−∞
f(x −y)g(y)dy
siempre y cuando la integral impropia anterior exista.
El interés para nosotros en este momento de la convolución de fun-
ciones es el siguiente resultado
Teorema 1.2. Sean f, g ∈ L
2
(R). Entonces f ∗ g existe, f ∗ g ∈
L
2
(R) y además
1.
T(f ∗ g)(ω) = T(f)(ω) T(g)(ω) para todo ω ∈ R
2.
T(f g)(ω) = (T(f) ∗ T(g))(ω) para todo ω ∈ R
Esta fuera del alcance de este curso demostrar el teorema tal y como
está enunciado (es decir, con f, g ∈ L
2
(R)). En cambio sí que vamos a
demostrar el punto 1 en el caso algo más sencillo de que f, g ∈ L
1
(R),
donde
L
1
(R) = ¦f : R −→R tales que f es integrable y tales que
57
58 6. APLICACIONES A LA TEORíA DE LA SEÑAL.
_
+∞
−∞
[f(t)[dt < ∞¦.
La herramienta básica para la demostración de este resultado es el
teorema de Fubini, que habitualmente se estudia junto con la noción
de integral doble. Lo enunciamos a continuación para el caso particular
en que el recinto de integración sea un rectángulo [a, b] [c, d], puesto
que eso es suficiente para nosotros.
Teorema 1.3 (Fubini). Sea f : R
2
−→R una función integrable y
D = [a, b] [c, d] ⊂ R
2
un rectángulo. Entonces
_ _
D
f(x, y)dxdy =
_
b
a
__
d
c
f(x, y)dy
_
dx =
_
d
c
__
b
a
f(x, y)dx
_
dy.
Aquellos alumnos que no estén excesivamente familiarizados con la
noción de integral doble no deben preocuparse, puesto que nosotros
sólo necesitamos la segunda de las igualdades del teorema, y esa no
necesita de la noción de integral doble.
DEMOSTRACIÓN DEL TEOREMA ??. Veamos en primer lugar que f ∗g
(existe y) pertenece a L
1
(R)
_

−∞
[f ∗ g(x)[dx =
_

−∞
¸
¸
¸
¸
_

−∞
f(x −y)g(y)dy
¸
¸
¸
¸
dx ≤

_

−∞
__

−∞
[f(x −y)g(y)[dy
_
dx
Fubini
=
_

−∞
__

−∞
[f(x −y)g(y)[dx
_
dy =
=
_

−∞
[g(y)[
__

−∞
[f(x −y)[dx
_
dy =
__

−∞
[f(x)[dx
___

−∞
[g(y)[dy
_
< ∞.
Esto prueba que f ∗ g ∈ L
1
(R). Para probar que
T(f ∗ g)(ω) = T(f)(ω) T(g)(ω)
necesitaremos de nuevo el teorema de Fubini. En efecto
T(f∗g)(ω) =
_

−∞
f∗g(t)e
−ıωt
dt =
_

−∞
__

−∞
f(t −y)g(y)dy
_
e
−ıωt
dt =
=
_

−∞
__

−∞
f(t −y)g(y)e
−ıωy
e
ıωy
dy
_
e
−ıωt
dt =
=
_

−∞
__

−∞
f(t −y)e
−ıω(t−y)
g(y)e
−ıωy
dy
_
dt
Fubini
=
=
_

−∞
g(y)e
−ıωy
__

−∞
f(t −y)e
−ıω(t−y)
dt
_
dy = T(f)(ω)T(g)(ω)
lo que termina la demostración del teorema.
1. CONVOLUCIÓN Y FILTROS 59
Veamos ahora cómo aplicar esto a la realización de un filtro en fre-
cuencia. En teoría de la señal se denomina filtro en frecuencia a un
mecanismo que nos permita, dada una señal, quedarnos con sus com-
ponentes en cierto rango de frecuencias, y desechar las demás. Es decir,
suponemos dada una cierta señal f(t) y queremos obtener otra señal
f
s
(t) cuyas componentes en frecuencia sean exactamente las compo-
nentes en frecuencia de f(t) que pertenezcan a cierto rango de frecuen-
cia.
La manera de obtener f
s
(t) es la siguiente: hallamos la transformada
de Fourier de f, T(f) y la multiplicamos por χ
A
(ω) donde A ⊂ R es
el rango de frecuencias que queremos seleccionar y χ
A
(ω) es la función
característica de A, definida como
χ
A
(ω) =
_
_
_
1 si ω ∈ A
0 si ω ,∈ A
Para terminar hallamos la trasformada inversa de T(f)(ω)χ
A
(ω) y está
será nuestra función f
s
(t).
Veámoslo con un ejemplo, la realización de un filtro paso bajo. Se
llama filtro paso bajo a aquel que se queda con las componentes de
baja frecuencia de f y descarta las demás. En concreto suponemos que
deseamos quedarnos con las componentes de frecuencia menor o igual
que δ. Consideramos la señal f(t). Suponemos calculada su transforma-
da de Fourier T(f) consideramos T(f)(ω)χ
[−δ,δ]
. Entonces, aplicando
el teorema de inversión ?? y el Teorema ??, se tiene que f
δ
(t) (la com-
ponente en frecuencia menor o igual que δ de f) se puede obtener como
f
δ
(t) = (f ∗ g)(t)
donde g(t) es una función tal que
T(g) = χ
[−δ,δ]
.
Calculemos g(t).
Aplicando de nuevo el teorema de inversión (o, equivalentemente,
la fórmula de la transformada inversa de Fourier), se tiene que
g(t) =
1

_

−∞
χ
[−δ,δ]
(ω)e
ıωt
dω =
1

_
δ
−δ
e
ıωt
dω =
1

e
ıωt
it
¸
¸
¸
¸
δ
−δ
=
=
1
πt
e
ıδt
−e
−ıδt

=
sin δt
πt
y, por tanto, tenemos finalmente que
f
δ
(t) = f(t) ∗
sin δt
πt
.
60 6. APLICACIONES A LA TEORíA DE LA SEÑAL.
2. Teorema de Nyquist
Como ingenieros informáticos, en vuestra vida profesional es más
fácil que os encontréis con señales discretas (digitales) que con señales
continuas (analógicas). Aunque no tenemos tiempo en este curso de es-
tudiar la transformada discreta de Fourier y otras herramientas usadas
en el tratamiento de señal discreta, contaremos a modo de ilustración
el teorema de Nyquist, o teorema del muestreo, que nos proporciona
información acerca del paso de una señal analógica a una señal discreta.
La situación a la que nos enfrentamos es la siguiente: tenemos
una señal continua y la queremos digitalizar. Este proceso consiste en
muestrearla (“samplearla” en espanglish), es decir, no quedarnos con
toda la señal sino con la sucesión de valores de la señal tomados cada
T segundos (este es el caso del muestreo uniforme en el tiempo, el único
que estudiaremos aquí; para ciertas señales puede ser más interesante
un muestreo no uniforme). Este proceso tiene una obvia ventaja: que
nos permite trabajar con una sucesión de números en lugar de con toda
la señal, lo que es muy útil sobre todo para el tratamiento informático
de la señal. Y por supuesto, también hay un inconveniente igualmente
obvio: la señal muestreada no contiene, en principio, toda la infor-
mación que había en la señal original. Parece claro que cuantas más
muestras por segundo tomemos (esto es, cuanto menor sea T) menos
información perderemos, pero también más nos costará muestrear y
almacenar y manipular la información. Entonces ¿cuál es intervalo de
muestreo que debemos usar?.
Veamos un ejemplo concreto, un CD de música. Hasta hace no mu-
chos años la música se almacenaba siempre en vinilo o en cinta mag-
nética, y ambos soportes partían de una señal analógica y almacenaban
también una señal analógica. El progreso de la tecnología (en particular
la tecnología informática) y la relativamente baja calidad y durabili-
dad de ambos soportes llevan a plantearse el almacenamiento digital de
la música en forma de CD, ya que el soporte físico es muchísimo más
duradero y el tratamiento de la señal digital más versátil. El problema
es ¿a qué velocidad hemos de muestrear una señal sonora para que la
señal muestreada sea gran calidad?. La respuesta a esto la da el teore-
ma de Nyquist. Primero un par de consideraciones biológicas: nuestro
oído “oye en frecuencias” (al igual que nuestros ojos ven en frecuencias)
y está limitado en frecuencia: nadie oye señales de frecuencia superior
a 20KHz, al igual que nadie ve luz infrarroja o ultravioleta. Este límite
no es común a todos los animales: algunos, como ratas y perros tienen
2. TEOREMA DE NYQUIST 61
la capacidad de oír señales de frecuencia superior, y los famosos ultra-
sonidos usados en ocasiones para intentar ahuyentar ratas no son sino
sonidos de frecuencia superior a 20KHz y gran volumen, que nosotros
no oímos pero ellas sí.
Esta limitación de nuestro oído tiene consecuencias prácticas: si
consideramos una señal sonora y le quitamos sus componentes de fre-
cuencias superiores a 20KHz, nuestros oídos no son capaces de percibir
ninguna diferencia entre ambas señales. Por tanto la respuesta a la pre-
gunta anterior “¿a qué velocidad hemos de muestrear una señal sonora
para que la señal muestreada sea gran calidad?” es “A la velocidad
necesaria para mantener las componentes de la señal de frecuencias
inferiores a 20KHz”. Y aquí es donde interviene el teorema de Nyquist.
Teorema 2.1. Sea f : R −→C una señal que admite transformada
de Fourier F (lo que ocurre por ejemplo si f ∈ L
2
(R)). Si F(ω) = 0
para todo ω > ω
M
= 2πf
M
entonces se puede determinar f en casi
todo punto por medio de sus valores separados por intervalos uniformes
menores que
1
2f
M
segundos.
Demostración. Sabemos que F : R −→C es una función que vale
0 para todo ω > ω
M
. Consideramos entonces ω
0
> 2ω
M
y definimos la
función
F
s
: R −→C
como una función periódica (¡en el dominio de la frecuencia!) de periodo
ω
0
dada por
F
s
(ω) = F(ω) para todo ω ∈ [−ω
0
, ω
0
].
Por ser F
s
periódica podemos expandirla en serie de Fourier; nótese
que como su periodo (lo que habitualmente llamábamos T) es ω
0
, en-
tonces su frecuencia fundamental (lo que habitualmente llamábamos
ω
0
) vale

ω
0
. Por tanto
(14) F
s
(ω) =
+∞

n=−∞
c
n
e
ınω

ω
0
donde
(15) c
n
=
1
ω
0
_
ω
0
2

ω
0
2
F
s
(ω)e
−ınω

ω
0
dω.
Usando la definición de F
s
tenemos que
(16) c
n
=
1
ω
0
_
ω
M
−ω
M
F(ω)e
−ınω

ω
0
dω.
62 6. APLICACIONES A LA TEORíA DE LA SEÑAL.
Usaremos además que
(17) f(t) = T
−1
(F)(t) =
1

_
+∞
−∞
F(ω)e
ıωt
dω =
=
1

_

M
−ω
M
F(ω)e
ıωt
dω.
Suponemos que hemos muestreado cada T =

ω
0
segundos, en los
puntos t = nT = n

ω
0
. Por (??) se tiene
(18) f(nT) = f
_
n2π
ω
0
_
=
1

_

M
−ω
M
F(ω)e
ıω
n2π
ω
0
dω.
Ahora, comparando (??) y (??) se tiene
c
n
=

ω
0
f
_

n2π
ω
0
_
= Tf(−nT).
Por tanto, podemos conocer los c
n
a partir de los valores muestrea-
dos f(nT); a partir de los c
n
usando (??) podemos conocer F
s
; una vez
conocida ésta conocemos F y a partir de F usando (??) recuperamos
f.
Para terminar, notemos que nuestra suposición ω
0
> 2ω
M
implica
que

T
> 4πf
M
,
es decir
T <
1
2f
M
,
lo cual termina la demostración.
Observación. Se puede demostrar (y está escrito con todo detalle
en el libro [?]) que si se unen todos los datos anteriores se obtiene que
la manera de recuperar f(t) a partir de los datos muestreados es
f(t) =

n=−∞
f(nT)
sin ω
M
(t −nT)
ω
M
(t −nT)
para el caso ω
M
= 2πf
M
, T =
1
2f
M
.
3. MODULACIÓN DE AMPLITUD 63
3. Modulación de amplitud
Necesitamos el siguiente resultado
Proposición 3.1. Sea f(t) una señal que admite transformada de
Fourier F(ω). Entonces
T(f(t) cos ω
c
t)(ω) =
F(ω −ω
c
) +F(ω + ω
c
)
2
y
T(f(t) sin ω
c
t)(ω) =
F(ω −ω
c
) −F(ω + ω
c
)

.
Esto nos da pie al siguiente simple razonamiento. Tenemos una
señal f(t) limitada en frecuencia (esto es, F(ω) = 0 para cada ω >
ω
M
) y deseamos transmitirla. Para ello, en primer lugar elegimos una
frecuencia ω
c
> ω
M
(habitualmente ω
c
es de hecho mucho mayor que
ω
M
) y consideramos la señal modulada m(t) = f(t) cos ω
c
t. Observamos
que la transformada de Fourier de m(t) consiste simplemente de dos
copias de la transformada de f centradas en ±ω
c
. Esta señal m(t) es la
que se emite. Veamos como el aparato receptor recibe m(t) y recupera
f(t). Supongamos que en el receptor multiplicamos m(t) por cos ω
c
t.
Obtenemos entonces la señal
m(t) cos ω
c
t = f(t) cos
2
ω
c
t = f(t)
1 + cos 2ω
c
t
2
=
f(t)
2
+
f(t) cos 2ω
c
t
2
.
Puesto que T(m(t) cos 2ω
c
t)(ω) sólo vales distinto de 0 en dos en-
tornos de centros ±2ω
c
y radio ω
M
, resulta claro que pasando m(t) cos ω
c
t
por un filtro paso bajo recuperamos f(t) (divida por 2, pero esto no es
importante).
Bibliografía
[1] T. M. Apostol, Calculus, Ed. Reverté 1990.
[2] R. G. Bartle y D. R. Sherbert, Introducción al Análisis Matemático de una
variable Noriega Editores 1996.
[3] R. Churchill y J. Brown, Variable compleja y aplicaciones McGraw-Hill 1990.
[4] H. Hsu, Análisis de Fourier Fondo Educ. Interamericano 1973.
[5] A. Oppenheim, R. Schafer y J. Buck, Tratamiento de señales en tiempo dis-
creto, Prentice Hall 2000.
65

Índice general

1

.

para todo x ∈ E existe −x ∈ E tal que x + (−x) = 0 3 . 4. Conmutatividad. Existencia de Elemento neutro. o (−∞. es decir. Es por ello que necesitaremos definir espacios funcionales más pequeños y manejables y que contengan las funciones interesantes para la ingeniería. Sea E un conjunto en el que tenemos definida una suma + : E × E −→ E de manera que (E. El problema es que el conjunto de todas las funciones reales definidas sobre un intervalo I es en general demasiado grande. para todos x. z ∈ E. Funciones y espacios funcionales A lo largo de este curso trabajaremos a menudo con funciones f : I −→ R. Existencia de Elemento Simétrico. es decir. Tendremos necesidad en muchas ocasiones de hablar de “las funciones definidas sobre I”. y. es decir. poco manejable. donde I será un intervalo de R. x + 0 = x. Frecuentemente I será [0. +) es un grupo conmutativo. (x + y) + z = x + (y + z) 2. 1]. y la gran mayoría de funciones que contiene no son interesantes para la ingeniería (ni siquiera para la matemática). Por ello pasamos a recordar algunas nociones algebraicas necesarias para poder definir estos espacios: 1. es decir. + verifica las siguientes propiedades: 1. Comenzamos recordando la noción de Espacio Vectorial. Espacios Vectoriales. y ∈ E.Capítulo 1 Sucesiones y series de funciones 1. existe un elemento 0 ∈ E tal que para todo x ∈ E. Asociatividad. x+y =y+x 3. es decir. aunque en general puede ser cualquier intervalo de R.1. +∞). para todos x.

Análogamente. y supongamos que existe un producto · : K × E −→ E con las siguientes propiedades 1. Con dichas suma y producto. (α + β) · x = α · x + β · x 3. 1] −→ R con derivada continua también es subespacio vectorial de R[0. dotado de nuevo con la suma y el producto puntuales.1] el espacio de todas las funciones f : [0. 1] −→ R continuas. (αβ) · x = α · (β · x) 2. Sea R[0. explícita o implícitamente.1] es un espacio vectorial. y ∈ E y para todo α ∈ K. 1] es un subespacio vectorial de R[0.4 1. Para todos α. Para todo x ∈ E 1·x=x (Habitualmente se omite la escritura del punto ·) En ese caso decimos que E es un espacio vectorial sobre K. Es fácil demostrar que todos los espacios que aparecen en los ejemplos anteriores tienen dimensión infinita. R[0.1] . Ejemplo 1. β ∈ K. En este curso utilizaremos a menudo. Basta con observar que por ejemplo el conjunto de vectores {xn . Veamos algunos de ellos.1. siendo Rn o Cn el prototipo de estos. 1] −→ R. C 1 [0.1] . β ∈ K y para todo x ∈ E. Para todos α. Ya conocéis del curso pasado algunos ejemplos de espacios vectoriales. . 1] el conjunto de las funciones f : [0. α · (x + y) = α · x + α · y 4. espacios vectoriales de dimensión infinita. Sea C[0. Entonces C[0. n ∈ N} contenido en todos ellos es linealmente independiente. para todo x ∈ E. Consideramos en él la suma y el producto puntuales. 1]. la mayor parte de ellos finito dimensionales. Para todos x. es decir (f + g)(x) := f (x) + g(x) y (αf )(x) = αf (x). el conjunto de las funciones f : [0.2. Ejemplo 1. SUCESIONES Y SERIES DE FUNCIONES Sea ahora K = R ó C el cuerpo de los escalares.

1. FUNCIONES Y ESPACIOS FUNCIONALES

5

1.2. Normas en un espacio vectorial. Recordamos aquí la definición de norma en un espacio vectorial, que quizá sea nueva para algunos de vosotros. Dado un espacio vectorial E, una función · : E −→ [0, +∞) se dice una norma si verifica 1. Para todo x ∈ E, x = 0 si y sólo si x = 0 2. Para todo x ∈ E y para todo λ ∈ C, λx = |λ| x , donde |λ| denota el valor absoluto o el módulo de λ, según estemos en R o en C. 3. Para todos x, y ∈ E, x + y ≤ x + y . A esta propiedad se le suele denominar propiedad triangular. La idea de una norma es “medir” vectores. Nuestra intuición habitual nos dice que hay una única forma “razonable” de medir vectores, y esta forma de medir se corresponde con la norma euclídea, también llamada por ello norma usual. Sin embargo para muchas aplicaciones es necesario definir otras normas. Nosotros en este curso trabajaremos con la norma euclídea y la norma del supremo. Veamos algunos ejemplos de normas en R3 . Norma Euclídea. La función · dada por (x, y, z)
2 2

: R3 −→ [0, +∞) = x2 + y 2 + z 2

es una norma, conocida habitualmente como norma euclídea, norma 2 o norma usual. Norma del supremo. La función · dada por (x, y, z)
∞ ∞

: R3 −→ [0, +∞) = m´x{|x|, |y|, |z|} a

es una norma, conocida habitualmente como norma del supremo, o norma infinito. Norma 1. La función · dada por (x, y, z)
1 3 1R

−→ [0, +∞) = |x| + |y| + |z|

6

1. SUCESIONES Y SERIES DE FUNCIONES

es una norma, conocida habitualmente como norma 1. Ejercicio 1.3. Verificar que cada una de las funciones recién definidas es efectivamente una norma en R3 . Ejercicio 1.4. Pintar la bola de centro 0 y radio 1 para cada una de las normas de arriba, consideradas en R2 . 1.3. Espacios funcionales. Buena parte del contenido de esta asignatura consistirá en el estudio de ciertos comportamientos de funciones. Por ello, en ocasiones será necesario que trabajemos dentro de un espacio vectorial cuyos elementos son funciones, y a estos objetos se les llama espacios funcionales. Por ejemplo, supongamos que estamos trabajando con funciones f : [0, 1] −→ R. Podríamos empezar considerando el espacio (demasiado general) R[0,1] de todas las funciones de [0, 1] en R. El problema es que este espacio no tiene ningún interés en las aplicaciones, puesto que da cabida a “demasiadas” funciones. Las funciones que tienen interés en ingeniería, y en cualquier aplicación de las matemáticas, son funciones que tienen algún tipo de “buen comportamiento” que nos permite utilizarlas. Para nuestros aplicaciones este año necesitaremos trabajar con espacios L∞ y espacios L2 . Los primeros son espacios de funciones acotadas, y los segundos son espacios de “energía” finita, y son los más usados en ingeniería. Pasamos a definirlos: 1.4. Los espacios L∞ y L2 . Definiremos estos dos espacios de manera levemente inexacta pero más que suficiente para nuestros fines. Una definición totalmente correcta de estos espacios requiere las nociones de función medible y conjunto de medida nula, lo que excede el interés de este curso. Definición 1.5. Sea Sea I ⊂ R un intervalo. Definimos L∞ (I) como el espacio de las funciones f : I −→ R integrables tales que sup |f (x)| < +∞.
x∈I

En ese espacio la función · definida por f es una norma.
∞ ∞

: L∞ (I) −→ [0, +∞) = sup |f (x)|
x∈I

1. FUNCIONES Y ESPACIOS FUNCIONALES

7

Definición 1.6. Sea I ⊂ R un intervalo. Definimos L2 (I) como el espacio de las funciones f : I −→ R integrables tales que f 2 (t)dt < +∞.
I

En ese espacio la función · definida por f es una norma. Observación. Nótese que en ambas definiciones pedimos que las funciones sean integrables. Esto no supone ninguna limitación en la práctica, ya que recordad que aprendisteis en primero que toda función “continua a trozos”, es decir con a lo sumo una cantidad finita o numerable de discontinuidades, es integrable. Todas (o el 99’99 %) las funciones utilizadas en ingeniería son integrables. Observación. Cuando I = [a, b] usamos la notación L2 [a, b], o L∞ [a, b]. Si I = R usamos la notación L2 (R) o L∞ (R). Observación. El contenido de esta nota es sólo para aquellos alumnos interesados en los aspectos más formales de la asignatura. Los restantes pueden omitir su lectura sin remordimientos. Nótese que al intentar verificar que las funciones arriba definidas son normas, uno se encuentra con funciones que no son 0 cuya norma es 0. Por ejemplo si definimos la función   1  0 si x = 0 si x = 0
2 2

: L2 (I) −→ [0, +∞)
1 2

=
I

f (t)dt

2

f (x) =

entonces f es una función integrable, f no es la función 0 y sin embargo f 1 = f 2 = 0. La solución a este problema se obtiene formalmente considerando en realidad L∞ o L2 como el espacio cociente de los anteriores por la relación de equivalencia f ∼ g si y sólo si f (t) = g(t) en casi todo punto. No resulta obvio el porqué de estas definiciones. Sí parece razonable definir y utilizar el espacio L∞ de las funciones de supremo acotado, pues en muchas ocasiones es una condición muy fácil de verificar. Sin

Por tanto. Queremos ahora extender esa noción de límite de una sucesión de números a la de límite de una sucesión de funciones (fn ). notad que la norma · 2 viene definida como la norma euclídea en Rn . por lo que a f 2 (t)dt representa la energía de la onda en el intervalo temporal [a. pedir que f pertenezca a L2 [a. En cuanto a los espacios L2 . Límites de sucesiones de funciones Suponemos bien conocida la noción de límite de una sucesión numérica (an ) ⊂ R (y por favor. sustituyendo un sumatorio por una integral (y ya deberíais saber que esta es la forma de pasar de “lo discreto” a “lo continuo”). dado que esta noción va a ser absolutamente básica este curso. la norma f 2 va a ser su energía. para fijar ideas supongamos el intervalo [0. b]. Desde el punto de vista matemático. 2. b] equivale a pedir que f no sea demasiado discontinua (esto es más o menos la integrabilidad) y que su energía sea finita en [a. aunque sólo lo entenderéis realmente cuando hayáis trabajado con ellos. si f (t) representa el voltaje de una onda electromagnética como función del tiempo. SUCESIONES Y SERIES DE FUNCIONES embargo el interés para nosotros de los espacios L∞ no estará tanto en los elementos que los componen como en la norma · ∞ definida en ellos. y obviamente estas van a ser las únicas funciones interesantes. 1]. b]. Ambas peticiones son muy razonables. de forma que cualquier onda con la que eventualmente trabajéis en un problema real pertenecerá a L2 . tanto de forma teórica como práctica. puesto que veremos más adelante que la convergencia uniforme de funciones es precisamente la convergencia en esta norma. Esto hace que los espacios L2 sean “buenos” (formalmente se llaman espacios de Hilbert) y se caracterizan porque son los únicos espacios vectoriales infinito dimensionales en los que siguen siendo válidos muchos aspectos de nuestra intuición geométrica habitual. por lo que la condición f ∈ L2 se interpretará como que la energía de f sea finita. cualquier duda que tengáis o que os surja acerca de ella preguntadla. En concreto. Una sucesión de funciones definidas . Empezaremos poco a poco: Suponed un intervalo I ⊂ R. Desde el punto de vista físico. cuando f (t) represente algún tipo de “señal”.8 1. en clase o en tutorías). intentaré explicaros su importancia. f 2 (t) representa su potencia (esto se entiende en un curb so elemental de electromagnetismo).

fn es una función fn : [0. fn (x0 ) es un número (y no una función) por lo que el límite que aparece en la definición es el límite ya conocido de una sucesión numérica Observación. la “n” y la “x”: Por un lado la n. por tanto la variable x va tomando valores reales en el intervalo I (en este caso el [0. Procurad distinguir bien entre ambas variables y observad el distinto papel que juega cada una. Aunque quizás no resulte inmediatamente obvio. Decimos que la sucesión (fn ) converge puntualmente a la función f : I −→ R si para cada x0 ∈ I se tiene n→∞ l´ fn (x0 ) = f (x0 ) ım Observación. y que en ese mismo intervalo es donde estará definida la función límite f si existe. notad por favor que en una sucesión (fn ) hay dos variables en juego. empezamos a estudiar la noción de límite de una sucesión de funciones. fn0 es una función que a cada valor x ∈ [0. Para cada n ∈ N sea fn : [0. que va tomando valores naturales. Ejemplo 3. CONVERGENCIA PUNTUAL 9 en este intervalo no es más que una colección (fn )n∈N de funciones donde.1. 3.2. En este curso estudiaremos varias de esas definiciones. y para cada n ∈ N. 1] le asigna el número fn0 (x). sea fn : I −→ R una función. para todo n ∈ N. Empezamos con las dos más básicas. la convergencia puntual y la convergencia uniforme. veremos que hay diferentes formas de definir la noción de límite de una sucesión de funciones. 1]). Una vez definida la noción de sucesión de funciones. Notad que necesitamos que todas las fn estén definidas en el mismo intervalo I.3. Sea I ⊂ R un intervalo. Convergencia puntual Definición 3. Puesto que sé que a menudo hay confusión en este punto. fijado cualquier n0 ∈ N. 1] −→ R la función definida como  1 si 0 ≤ x ≤ 1 − n  0 fn (x) =  1 nx + 1 − n si 1 − n ≤ x ≤ 1 Comprobar que la sucesión (fn ) converge puntualmente a la función   0  1 si 0 ≤ x < 1 si x = 1 f( x) = . Nótese que. para cada n ∈ N. 1] −→ R. y por otro lado.

Entonces. y este es que la convergencia uniforme es más restrictiva que la convergencia puntual: si una sucesión de funciones converge uniformemente también lo hace puntualmente. como veremos más adelante. En efecto. la sucesión (fn (x0 ))n converge. punto a punto. la sucesión converge. fn (x0 ) = x0 − n . SUCESIONES Y SERIES DE FUNCIONES Ejemplo 3. que para cada x0 ∈ I. está claro que l´ fn (0) = 0. que sí mantiene las buenas propiedades de las funciones. que no se mantienen necesariamente. El problema que presenta es que no mantiene necesariamente las “buenas” propiedades de las funciones de la sucesión: los ejemplos ?? y ?? nos muestran cómo el límite de una sucesión de funciones continuas no tiene por qué ser una función continua. para 1 = x0 . sea fn (x) = 0 x− 1 n 1 si 0 ≤ x ≤ n 1 si n ≤ x ≤ 1 Entonces. Esta parece ser la noción más intuitiva de límite de una sucesión de funciones. Comprobar que la sucesión (xn )n ∈ N converge puntualmente en el intervalo [0. Para ver que esto no es cierto. es decir. la sucesión (fn )n∈N converge puntualmente en el intervalo [0. 1]. Lo mismo ocurre con la derivabilidad y la integrabilidad. Convergencia uniforme Esto hace que sea conveniente en ocasiones trabajar con otro tipo de convergencia.3.10 1. 1] a la función f (x) = x. Para todo n ≥ 1. De los dos ejemplos anteriores podría desprenderse que la función límite f toma siempre un número finito de valores (y mi experiencia me enseña que algunos de vosotros lo interpretáis efectivamente así. . La idea de la convergencia puntual es que. sea x0 > 0 y sea n0 ∈ N tal que 1 todo n > n0 . 1] a la misma función que el ejemplo anterior.4 (Septiembre 2003). estudiad el siguiente ejemplo: Ejemplo 3. A cambio por supuesto hay que pagar un precio. y por tanto l´ fn (x0 ) = l´ x0 − ım ım n n 1 n0 < x0 . la convergencia uniforme. ım n de donde se sigue que la sucesión (fn ) converge puntualmente a la función f (x) = x en el intervalo [0. 4. n Por otro lado.

Notemos que decir n→∞ l´ an = a ım es lo mismo que decir n→∞ l´ an − a = 0 ım y esto a su vez es equivalente a decir n→∞ l´ |an − a| = 0.1. Sea I ⊂ R un intervalo y para cada n ∈ N. como veremos en los ejemplos. sustituyendo los escalares por funciones y el valor absoluto por norma.2. La idea de la convergencia uniforme es. Sea (an )n ⊂ R una sucesión de números reales. podemos pensar que la definición de límite nos dice que el límite de una sucesión es a si y sólo si la distancia de la sucesión a a tiende a 0. definirla como la convergencia en la norma · ∞ . Para que se entienda más fácilmente la definición. Si la sucesión (fn ) converge uniformemente a la función f : I −→ R. entonces (fn ) también converge puntualmente a la misma función f .) ım ım n→∞ Así pues.4. veamos primero un razonamiento con sucesiones numéricas. CONVERGENCIA UNIFORME 11 sin embargo una sucesión puede converger puntualmente y no hacerlo uniformemente. esencialmente. ım (La última equivalencia es un ejercicio típico de primer curso: n→∞ l´ an = 0 si y sólo si l´ |an | = 0. Decimos que la sucesión (fn ) converge uniformemente a la función f : I −→ R si n→∞ l´ ım fn − f ∞ =0 equivalentemente. sea fn : I −→ R una función. y llegamos así a la definición de convergencia uniforme: Definición 4. sea fn : I −→ R una función. . Podemos entonces pensar en transportar esta versión de la definición de límite. Elegimos primero la norma infinito. Sea I ⊂ R un intervalo y para cada n ∈ N. si n→∞ x∈I l´ sup{|fn (x) − f (x)|} = 0 ım Es fácil ver que la convergencia uniforme implica la convergencia puntual: Proposición 4.

Puesto que sabemos por hipótesis que n→∞ x∈I l´ sup{|fn (x) − f (x)|} = 0. SUCESIONES Y SERIES DE FUNCIONES Demostración. 1 En efecto. Para todo n ≥ 1. 1] a la función f (x) = x. Sea x0 ∈ I. es decir. x∈I se sigue que n→∞ l´ |fn (x0 ) − f (x0 )|} = 0. Sin embargo. para 1 todo n > n0 . 1].12 1. Para ello es necesario calcular l´ sup |fn (x) − x|. y por tanto 1 l´ fn (x0 ) = l´ x0 − = x0 . Ejemplo 4. ım n de donde se sigue que la sucesión (fn ) converge puntualmente a la función f (x) = x en el intervalo [0. sea fn (x) = 0 x− 1 n 1 si 0 ≤ x ≤ n 1 si n ≤ x ≤ 1 Entonces. ım y además claramente |fn (x0 ) − f (x)| ≤ sup{|fn (x) − f (x)|}. Entonces. n n . el recíproco no es cierto. la sucesión (fn )n∈N converge puntual y uniformemente en el intervalo [0. como vemos en alguno de los siguientes ejemplos. 1 1 |fn (x) − x| = |x − − x| = . ım ım n n n Por otro lado. ım n x 1 Para ello.3 (Septiembre 2003). una sucesión puede converger puntualmente y no hacerlo uniformemente. ım lo que implica que n→∞ lo que concluye la demostración. ım l´ fn (x0 ) = f (x0 ). sea x0 > 0 y sea n0 ∈ N tal que n0 < x0 . calculemos previamente supx |fn (x) − x|: Para todo x ≥ n . fn (x0 ) = x0 − n . Estudiemos ahora si la convergencia es uniforme. está claro que l´ fn (0) = 0.

existe n0 ∈ N tal que. 1]. si x < n .4. 13 |fn (x) − x| = |0 − x| = x < Por tanto. 1]. 1]. 1 nótese que fn ( n ) = 1) . ım lo que implica que la convergencia es uniforme. n y l´ sup |fn (x) − x| = 0. la sucesión converge puntualmente. para x = 0. CONVERGENCIA UNIFORME 1 Por otro lado.1] x∈[0. ım con f (x) = 0 para todo x ∈ [0. sea  1 si 0 ≤ x ≤ n  nx   2 1 2 − nx si n ≤ x ≤ n fn =    2 0 si n ≤ x ≤ 1 Entonces. y por tanto n→∞ l´ fn (0) = 0 ım Si fijamos ahora un x = 0 en el intervalo [0. Para todo n ≥ 1. para todo n ∈ N. y por tanto. n→∞ l´ fn (x) = f (x). En cualquier caso. En efecto. fn (x) = 0. Sin embargo la sucesión (fn )n no converge uniformemente en [0. Ejemplo 4.1] Es fácil ver que. 1] a la función f (x) = 0.4. Para ver esto aplicamos la definición. supx |fn (x) − x| = n x 1 n 1 . la sucesión (fn )n∈N converge puntualmente pero no uniformemente en el intervalo [0. para todo x ∈ [0.1] (Esto está claro si se representa fn gráficamente. fn converge uniformemente a f si n→∞ l´ ım fn − f ∞ = l´ sup |fn (x) − f (x)| = 0 ım n→∞ x∈[0. para todo n ≥ n0 . sup |fn (x) − f (x)| = sup |fn (x)| = 1 x∈[0. es decir. fn (0) = 0 para todo n ∈ N. 1]. de nuevo n→∞ l´ fn (x) = 0 ım Es decir.

ım La convergencia será uniforme en los intervalos de la forma [a. Asi. n x∈R (2) La convergencia no es uniforme en R.+∞[ tendremos que l´ n→∞ fn (a) = 0. Observamos ım además que fn (0) = 0 y que para x = 0. Ahora bien. la convergencia no es uniforme.14 1.) = 1. 1 Luego fn (x0 ) = 0 ⇐⇒ x0 = ± √n . −a]. Entonces dado que fn (x) es decreciente en el intervalo ]a. Hallemos ahora en qué partes de R la convergencia es uniforme. supx∈R |fn (x) − 0| = fn (x0 ). ım n→∞ es decir. Ejemplo 4. n→∞ l´ ım fn − f ∞ = l´ 1 = 1 = 0. Estudiar la convergencia puntual y uniforme de la siguiente sucesión de funciones: 2nx2 . fn (x) > 0. Para ello basta observar que fn (x) < 0 para n > a12 . x∈R n 2 x4 + 1 (1) fn (x) = Solución: Vemos fácilmente que l´ n→∞ fn (x) = 0. donde x0 es un punto que 1−n2 x4 necesariamente anula la derivada. Calculemos fn (x) = 4nx (n2 x4 +1)2 . +∞[ y que 2na2 . 1 sup |fn (x)| = fn (± √ . n 2 a4 + 1 (3) sup |fn (x)| = fn (a) = x∈[a. +∞) y (−∞. . SUCESIONES Y SERIES DE FUNCIONES Por tanto. La sucesión fn (x) converge pues puntualmente a la función f (x) = 0. Para estudiar la convergencia uniforme buscamos supx∈R |fn (x)−0|. donde a > 0.5.

Teorema 4. Supongamos que. b] −→ R. b] para cada n ∈ N entonces f es integrable. Definición 5. b]. Entonces se tiene: 1. Sea (fn ) una sucesión de funciones fn : [a. En concreto tenemos los siguientes resultados cuya demostración. Supongamos que (fn ) converge uniformemente a la función f : [a. Entonces existe f : [a. lo que más nos interesa. para cada n ∈ N. sustituyendo la norma del supremo por otras normas. 2. b] tal que existe el l´ n fn (x0 ). Estudiaremos el caso de la convergencia en norma 2. la derivabilidad. en el sentido de que pasa a respetar la continuidad y la integrabilidad y. b]. b] −→ R ım derivable en [a. es muy fácil definir análogamente otras formas de convergencia. y sea fn su derivada. Supongamos además que la sucesión (fn ) converge uniformemente a una función g : [a. Propiedades de la convergencia uniforme. tal y como muestran los ejemplos anteriores. Sea I ⊂ R un intervalo y para cada n ∈ N. Sea (fn ) una sucesión de funciones fn : [a. CONVERGENCIA EN NORMA 2 15 4. la función a la que converge es a su vez derivable. Teorema 4.1. Uno de los motivos por los que se introduce la noción de convergencia uniforme es porque “mejora” la convergencia. b] −→ R para cada n ∈ N. o convergencia en media cuadrática. La convergencia puntual no conserva la continuidad. b] −→ R y que existe x0 ∈ [a. entonces la sucesión original va a converger uniformemente y. o en norma 2 a la función f : I −→ R si n→∞ l´ ım fn − f 2 =0 . sea fn : I −→ R una función.6. si bien no es difícil. b] para cada n ∈ N entonces f es continua. No os perdáis: el teorema dice que si tengo una sucesión de funciones derivables cuyas derivadas convergen uniformemente y además la sucesión original converge en al menos un punto. 5.5. que nos resultará interesante más adelante. Si (fn ) es continua en [a. tal que f = g y tal que (fn ) converge uniformemente a f. omitimos. es decir se mantiene la derivabilidad cuando hay convergencia uniforme de las derivadas.7. Convergencia en norma 2 Una vez estudiada la convergencia uniforme. b] −→ R para cada n ∈ N. con hipótesis adicionales.1. fn es derivable en [a. Decimos que la sucesión (fn ) converge en media cuadrática. Si (fn ) es integrable en [a.

Demostración. En efecto. Entonces f 2 1 2 1 2 = I f (t)dt 2 ≤ f 2 ∞ I dt = f ∞ λ(I). Con esa proposición es fácil probar lo siguiente. sea  1 si 0 ≤ x ≤ n  nx   1 2 2 − nx si n ≤ x ≤ n fn =    2 0 si n ≤ x ≤ 1 Demuéstrese que (fn ) converge en media cuadrática a 0. sea fn : I −→ R. Si la sucesión (fn ) converge uniformemente a f : I −→ R. La situación cambia esencialmente si I no está acotado.2. por la proposición anterior y por la hipótesis. Demostración. Ejercicio 5. Sea f : I −→ R.16 1. Nos limitaremos a estudiar el caso en que I es un intervalo acotado. 1]. donde λ(I) es la longitud del intervalo. pero no converge uniformemente. Veamos con un ejemplo que hay sucesiones que convergen en media cuadrática y no lo hacen uniformemente. Veremos más adelante el caso de funciones con valores complejos. Veamos en primer lugar que las relaciones con las otras formas de convergencia estudiadas no son tan fáciles como antes. por ejemplo el [0. . Para todo n ≥ 1. se tiene que 0 ≤ l´ fn − f ım n 2 ≤ λ(I) l´ fn − f ım n ∞ =0 La recíproca no es cierta.3. Proposición 5. entonces también converge en media cuadrática. si l´ ım (fn (t) − f (t))2 dt I 1 2 n→∞ =0 Esta es la definición para funciones con valores reales. la norma 2 de f en I es menor o igual que una constante por la norma del supremo de f en I. SUCESIONES Y SERIES DE FUNCIONES equivalentemente. Para cada n ∈ N. entonces para toda f : I −→ R. Si I es un intervalo acotado. Demostración.

fk : [0. f3 . 1] −→ R dadas por i fk = 1 0 i si 1−i < x ≤ k k para los restantes valores de x ∈ [0.6. Como ya he dicho. Esto último se sigue porque. 1 k Ejercicio 5. Ejercicio 5. CONVERGENCIA EN NORMA 2 17 Las relaciones con la convergencia puntual son menos claras. y si además sabemos que la sucesión (fn ) converge en norma 2. para todo k ∈ N y para todo 1 ≤ i ≤ k se verifica que i fk 2 = 1 . sino el corolario que la sigue.5. y en cambio sí converge en norma 2 a la función constante de valor 0. . . y para entenderlas correctamente habría que estudiar con algo más de detalle el espacio L2 . En realidad tampoco usaremos este curso la proposición misma. Entonces existe una subsucesión (fnk ) tal que fnk converge a f en casi todo punto. Veamos ahora simplemente con un par de ejemplos que ninguna de las formas de convergencia implica la otra. Corolario 5. Para todo k ∈ N. Supongamos que la sucesión de funciones (fn ) converge en norma 2 a la función f . k Lo anterior eran las malas noticias. considérense las funciones fk .5. sea  2 1 si 0 ≤ x ≤ 2n  2n x 1 1 −2n2 x + 2n si 2n < x < n fn =  0 si 1n ≤ x ≤ 1 Demuéstrese que la sucesión (fn ) converge puntualmente a la función constante de valor 0. f2 .4. no necesitaremos esta proposición.7. Compruébese que la sucesión de funciones así definida no converge puntualmente en ningún punto. f2 . Si la sucesión (fn ) converge puntualmente a la función f . · 2 . Proposición 5. Las buenas son que sí podemos decir algo. . . f3 . La demostración de la siguiente proposición no es fácil y no la incluiremos. . . pero el siguiente corolario sí puede ser útil en ocasiones. pero que no converge en media cuadrática. f3 . aunque no mucho. Para todo n ≥ 1. 1] Consideramos entonces la sucesión de funciones 1 1 2 1 2 3 f1 . entonces necesariamente fn −→ f .

podemos definir f ( 1 ) como queramos. Comprobar que la sucesión (fn ) converge en norma 2 a (y puntualmente a la función  1  1 si 0 ≤ x < 2 1 si x = 1 f (x) = 2  2 1 0 si 2 < x ≤ 1 Obsérvese que a efectos de la convergencia en media cuadrática.18 1. Recordemos: si tenemos una sucesión (xn ). Series funcionales Nuestro interés por la convergencia de sucesiones funcionales en este curso se debe a que tendremos que estudiar en ocasiones series funcionales. SUCESIONES Y SERIES DE FUNCIONES Para nosotros la utilidad principal de dicho corolario es la siguiente: supongamos que nos dan una sucesión de funciones (fn ) y nos preguntan si dicha sucesión converge en norma 2. Si sabemos que (fn ) converge puntualmente a f . Para todo n ≥ 1. vale 0 desde 1 + n hasta 1 y varía linealmente de 1 a 0 en el resto. Ejemplo 5. entonces ya sabemos que f es la única función a la que (fn ) podría converger en norma 2. vale 1 desde 0 hasta 2 − n . sea  1 si 0 ≤ x ≤ 1 − n  1 2 1 1 1 − n x + n + 1 si 1 − n ≤ x ≤ 2 + n fn = 4 2 2  2 1 1 0 si 2 + n ≤ x ≤ 1 1 2 1 1 Es decir. veamos con un sencillo ejemplo que la convergencia en norma 2 no mantiene la continuidad. Finalmente. n=1 . Para definir series funcionales uno intenta proceder como en el caso de la definición de serie numérica. fn es continua.8. 2 6. para definir su serie asociada ∞ xn se considera la sucesión de n=1 sumas parciales m sm := n=1 xn y a continuación se define ∞ m xn := l´ sm = l´ ım ım n=1 m→∞ m→∞ xn .

y un razonamiento análogo se puede hacer con la derivabilidad usando el Teorema ??. en el caso de las funciones tenemos varias nociones de convergencia (ya hemos estudiado tres de ellas. la sucesión de sumas parciales converge uniformemente entonces decimos que la serie converge uniformemente. Diremos que la serie ∞ fn converge. para cada m ∈ N. la uniforme y la convergencia en media cuadrática). Sm es una función bien definida en el intervalo I. entonces decimos que la serie ∞ fn converge uniformemente a f : I −→ R.6. además. Definimos las funciones Sm : I −→ R ∞ m como Sm (x) = n=1 fn converge n=1 fn (x). Formalizamos a continuación lo dicho anteriormente: Definición 6. n=1 La novedad ahora es que si bien la noción de convergencia (límite) está unívocamente definida en el caso de números reales. la puntual. Si. por lo que tenemos que precisar a cual de ellas nos referimos. integrable) en [a. Decimos que la serie (puntualmente) a f : I −→ R si. para cada x ∈ I.1. si la sucesión de sumas n=1 parciales converge puntualmente. b] entonces el Teorema ?? nos garantiza que f es continua (resp. n=1 Si además la sucesión (Sm ) converge uniformemente a f . b] y las funciones fn son continuas (respectivamente integrables) en [a. puesto que se trata simplemente de una suma finita de funciones) y a continuación definimos ∞ m fn := l´ Sm = l´ ım ım n=1 m→∞ m→∞ fn . l´ Sm (x) = f (x) ım m y lo escribimos ∞ fn (x) = f (x). . n=1 Observación. Sea I ⊂ R un intervalo y sea (fn ) una sucesión de funciones fn : I −→ R. Si n fn converge uniformemente a f en un intervalo [a. SERIES FUNCIONALES 19 Para definir una serie funcional ∞ fn cuando fn : I −→ R es n=1 una sucesión de funciones procedemos exactamente igual: definimos la sucesión de sumas parciales m Sm := n=1 fn (nótese que. b].

Antes de enunciarlo recordemos una noción del curso anterior: una serie numérica n an se dice absolutamente convergente si la serie |an | n converge. y este problema se complica algo más en el caso de la convergencia de una serie funcional. Por ello enunciamos a continuación un criterio bastante útil (cuando se puede aplicar) a la hora de determinar la convergencia de una serie funcional. Para cada n ∈ N y para cada x ∈ A. Visteis el curso anterior que si una serie es absolutamente convergente entonces es convergente. SUCESIONES Y SERIES DE FUNCIONES Ejemplo 6. a] y [0. para todo x ∈ I la serie n fn (x) converge (absolutamente) a f (x). la serie numérica n fn (x0 ) converge. n fn (x0 ) converge absolutamente. ∞). Estudiar la convergencia puntual y uniforme de la serie xn n! n en los intervalos [0. y para ver esto último utilizamos el criterio de comparación: puesto que |fn (x0 )| ≤ Mn y puesto que n Mn converge.3 (Criterio M de Weierstrass). Para esto hay que ver que. es decir. la serie n fn converge uniformemente a f . |fn (x)| ≤ Mn 2.20 1. Demostración. el criterio de comparación nos garantiza que n |fn (x0 )| converge. para cada x0 ∈ I. Veamos en primer lugar que la serie n fn converge puntualmente (y absolutamente).2. La serie n Mn converge Entonces existe una función f : I −→ R tal que. . mientras que el recíproco no tiene por qué ser cierto. Sea (fn ) una sucesión de funciones fn : I −→ R y sea (Mn ) ⊂ R una sucesión numérica que verifica las dos condiciones siguientes 1. Para ello vamos a ver que la serie n |fn (x0 )| converge. Además. En general no resulta totalmente obvio determinar la convergencia o divergencia de una serie numérica. Veamos ya el criterio de Weierstrass: Teorema 6.

SERIES FUNCIONALES 21 Una vez que hemos probado la convergencia puntual. n=m+1 y por tanto la convergencia es uniforme. En efecto m m→∞ n l´ ım f− n=1 fn ∞ ∞ = l´ sup ım m→∞ x∈I f (x) − n=1 ∞ fn (x) = = l´ sup ım m→∞ x∈I n=m+1 fn (x) ≤ l´ ım ≤ l´ sup ım m→∞ x∈I n=m+1 ∞ |fn (x)| ≤ m→∞ Mn = 0. m Veamos ahora que. Veremos en los ejercicios varias aplicaciones del criterio M de Weierstrass.6. En particular. . f (x) = n fn (x). fn converge absolutamente a f . para cada x ∈ I. tenemos garantizada la existencia de una función f : I −→ R tal que. conviene mencionar que el Teorema de Abel de la convergencia de series de potencias es una sencilla aplicación de este criterio. de hecho.

.

Notamos entonces que si tenemos un polinomio P (x) = an xn + · · · a2 x2 + a1 x + a0 entonces P (0) = a0 P (0) = a1 . con lo que por supuesto deberíamos llegar a que el mejor polinomio aproximante es precisamente el polinomio inicial. . P n) (0) = an P n+1) (0) = 0 23 . que son funciones muy bien conocidas y con muy buenas propiedades que nos permiten manejarlas cómodamente. Introducción y definiciones Buena parte de los contenidos de esta asignatura girarán en torno a la noción de una serie (finita o infinita) de funciones que aproxima o converge a una función dada. . Es fácil ver que si la propia f no tiene algún tipo de “buen comportamiento” no vamos a poderla aproximar por polinomios. El caso más elemental de esta situación son los polinomios (sumas finitas) y desarrollos en serie (sumas infinitas) de Taylor. Supongamos pues inicialmente que f es tantas veces derivable como necesitemos y veamos cómo podríamos aproximarla por polinomios. El problema es el siguiente: tenemos una función f cualquiera (y por lo tanto poco manejable) y queremos aproximarla por medio de polinomios. Una forma razonable de comenzar a pensar en el problema es intentar aproximar un polinomio por polinomios. El buen comportamiento que vamos a necesitar para poder calcular polinomios de Taylor es que f sea continua y varias veces (quizás infinitas) derivable.Capítulo 2 Polinomios y desarrollos en serie de Taylor 1.

x0 (x) = k=0 f k) (x0 ) (x − x0 )k . (n + 1)! Demostración. . . si definimos el resto de Taylor como Rn. Se llama polinomio de Taylor de la función f de grado n y centrado en el punto x0 a: n Pn. Supongamos ahora el resultado cierto para n − 1 y consideremos el caso n.2 (Teorema de Taylor). k! El teorema de Taylor nos dirá que el polinomio de Taylor aproxima a la función f .x0 (x) =0 x→x0 (x − x0 )n Además. POLINOMIOS Y DESARROLLOS EN SERIE DE TAYLOR P n+2) (0) = 0 .x0 (x) entonces se tiene que existe t ∈ (x0 . x) tal que l´ ım Rn. x]. l´ ım . Definición 1. El primer límite se puede probar por inducción: Si n = 1 f (x) − Pn. por lo que n Pn (x) = k=0 P k) (0) k x = k! ∞ k=0 P k) (0) k x . Entonces f (x) − Pn.24 2.1.x0 (x) = f n+1) (t) (x − x0 )n+1 . Sea I ⊂ R un intervalo y sea f : I ⊂ R −→ R una función n-veces derivable en x0 ∈ I. tanto mejor cuanto mayor sea n y más cerca estemos de x0 . pero por supuesto se puede dar una versión similar para x < x0 . k! Esto nos permite tener esperanzas de que la siguiente definición sea útil. Enunciamos y demostramos el teorema para x > x0 . Teorema 1.x0 (x) = f (x) − Pn.x0 (x) f (x) − f (x0 ) − f (x0 )(x − x0 ) = l´ ım = n x→a x→a (x − x0 ) (x − x0 ) l´ ım f (x) − f (x0 ) − f (x0 ) = 0. x] −→ R una función n + 1 veces derivable en [x0 . Sea f : [x0 . x→a x − x0 por la definición de derivada.

1. haced primero los casos n = 2 y n = 3). x) tal que s(x) − s(x0 ) s (t) f n+1) (t) = = g(x) − g(x0 ) g (t) (n + 1)! como s(x) = g(x) = 0 y s(x0 ) = Rn. si no lo veis. x] tal que Rn. − f n! 0 ) (x − x0 )n = l´ ım . x→a (x − x0 )n Tanto el numerador como el denominador tienden a 0. .x0 (x) = (x − x0 )n n) (x f (x) − f (x0 ) − f (x0 )(x − x0 ) − . INTRODUCCIÓN Y DEFINICIONES 25 x→a l´ ım f (x) − Pn. Sea n f k) (t) (x − t)k s(t) = f (x) − k! k=0 Entonces s (t) = − Sea ahora g(t) = (x − t)n+1 Entonces g (t) = −(n + 1)(x − t)n Por el teorema del valor medio de Cauchy existe un t ∈ (x0 .. enuncio a continuación otras dos expresiones útiles en ciertos contextos. por lo que aplicamos el teorema de L’Hopital y llegamos a 2f (x0 )(x−x0 ) 2! nf n) (x0 ) (x n! x→a l´ ım f (x) − f (x0 ) − − . .. Aunque para nosotros este año es suficiente con la enunciada más arriba. Demostramos a continuación la fórmula del resto. . y ambos son derivables.x0 (f )(x) se tiene que existe t ∈ [x0 . Existen varias expresiones posibles para el resto de Taylor.x0 (f )(x) = f n+1) (t) (x − x0 )n+1 (n + 1)! f n+1) (t) (x − t)n n! Observación. − n(x − x0 )n−1 − x0 )n−1 y ahora aplicamos la hipótesis de inducción a la función f y obtenemos que el límite de arriba vale 0. (Pensadlo despacio.

Ejemplo 1. POLINOMIOS Y DESARROLLOS EN SERIE DE TAYLOR 1.x0 (x) = x0 f n+1) (t) (x − t)n dt. 833. Calcular los polinomios de Taylor de grado n centrados en el 0 de las funciones ex . con una precisión mejor que 10−5 los números e y sin 1 Ejemplo 1. 6 Sabemos que en este caso el resto de Taylor se puede acotar por 6 f iv (θ) 6 1 4 θ4 R= (2 − 1) = ≤ = = 0. Utilizar los polinomios de Taylor para calcular. x0 ) tal que f n+1) (t) (x − t)n (x − x0 ).3. x) tal que Rn. Fórmula integral del resto. 4! 4! 4! 4 Utilizando la calculadora.26 2. sin x y cos x Ejemplo 1. entonces podemos aproximar el valor de la función en un punto x por un polinomio. 25.4. Fórmula del resto de Cauchy. Si además f n+1) es integrable sobre [x0 . Existe t ∈ (x. y la aproximación será tanto mejor cuanto más cerca esté el punto y cuantas más derivadas consideremos. n! Lo que nos dice el Teorema de Taylor es que si conocemos el valor de una función y sus derivadas en un punto x0 . Calcular el polinomio de Taylor de grado 3 de la función log x centrado en el punto 1 y estimar el error cometido al aproximar log 2 por el polinomio anterior. (n + 1)! 2. 14.x0 (x) = x Rn. Como vemos los polinomios de Taylor aproximan a la función tanto mejor cuanto mayor sea el orden del polinomio (la n). Resulta entonces natural extender la noción de polinomio de Taylor a la de serie de . x] entonces existe t ∈ (x0 . 693 y por tanto el error vale exactamente E 0.5 (Septiembre 2003). El polinomio de Taylor de grado 3 de la función log x centrado en el punto 1 es (x − 1)2 (x − 1)3 P3 (x) = x − + 2 3 y por tanto P3 (2) = 5 0. podemos ver que log 2 0.

y preguntarse si. llamadas analíticas que verifican que la serie de Taylor converge (al menos puntualmente) a la función f .6. Definición 1. Para mostrar que puede haber problemas y que es necesario comprobar efectivamente que la serie converge a la función original. y sin embargo la serie de Taylor no converge a f (x) en ningún x = 0. Ejemplo 1. En ese caso se llama serie de Taylor de f centrada en x0 a la serie ∞ k=0 f k) (x0 ) (x − x0 )k k! Existe una clase muy amplia de funciones f . para cada n ∈ N existe f n) en I). INTRODUCCIÓN Y DEFINICIONES 27 Taylor.1. . la serie de Taylor converge en todo punto a la función f . veamos un ejemplo de función infinitamente derivable cuya serie de Taylor no converge a la función. Comprobar que la función  1  e− x2 si x = 0 f( x) =  0 si x = 0 es infinitamente derivable. Obviamente ∞ f (x) = k=0 f k) (x0 ) (x − x0 )k k! si y sólo si Rn. Sea f : I ⊂ R −→ R una función infinitamente derivable en I (esto es. dejando que n tienda a infinito.7. dada una función infinitamente diferenciable f .x0 (f )(x) → 0 y a menudo ésta es la condición más fácil de estudiar.

.

∞ Teorema 1. Definimos una serie de potencias centrada en a como una expresión de la forma ∞ an (x − a)n n=0 En lo sucesivo consideraremos todo el tiempo a = 0 por comodidad en la notación. se tiene que |an xn | → 0. resultan especialmente importantes las series de potencias. el problema es la convergencia. para todo x ∈ R tal que |x| ≤ r la serie ∞ an xn converge absolutamente.1 (Abel). r]. En el caso de las series de potencias. la derivación se puede hacer término a término. r] −→ R definida como ∞ f (x) = n=0 an x n es derivable y ∞ f (x) = n=1 nan xn−1 . Introducción Dentro de las series funcionales. el estudio de la convergencia de la serie es más sencillo que en las series funcionales generales. El resultado principal es el siguiente.Capítulo 3 Series de potencias 1. por lo que existe 0 0 n=0 M > 0 tal que |an xn | < M para todo n ∈ N. Por n=0 ser ∞ an xn convergente. Entonces. Demostración. x0 y r como en la hipótesis. Sea ahora r ∈ R tal que r < |x0 |. Además se n=0 tiene que la serie de potencias converge uniformemente en el intervalo [−r. Además la función f : [−r. 0 29 . Como siempre que definimos una serie. pero todo lo que digamos se puede generalizar a cualquier otro a ∈ R. Sea ∞ an xn . Sea una serie de potencias n=0 an xn de modo que existe x0 ∈ R tal que la serie (numérica) ∞ an xn es con0 n=0 vergente. es decir.

y con sin x. n=1 nan x Tenemos |nan xn−1 | = n|an ||x|n−1 ≤ n|an ||r|n−1 ≤ n|an ||x0 |n−1 Al igual que antes. r] y que ∞ f (x) = n=1 nan xn−1 . Como sabemos que r M x0 n=0 (por que n r x0 ∞ n converge < 1) el criterio M de Weierstrass (tomando Mn = M xr0 ) nos garantiza la convergencia uniforme de la serie ∞ an xn n=0 en el intervalo [−r. Nótese que en las hipótesis del teorema. nM n=1 r x0 n−1 converge (esto se puede ver usando el criterio del cociente).30 3. ∞ n Para comprobar la derivabilidad de f (x) = n=0 an x necesitamos comprobar la convergencia uniforme de la serie de las derivadas ∞ n−1 (ver Teorema I. r]. de nuevo el criterio M de Weierstrass (tomando Mn = nM r x0 n−1 ) nos garantiza ∞ n=1 nan xn−1 en la convergencia uniforme de la serie de las derivadas el intervalo [−r. cuya derivada es el coseno. r]. Ejemplo 1. ?? es suficiente para garantizar la derivabilidad de f en [−r. junto con el Teorema I. entonces |r|n r |an x | = |an ||x| ≤ |an ||r| ≤ |an ||x0 | ≤M n |x0 | x0 n n n n n .2. Ver lo que ocurre con ex cuya derivada es ella misma. r]. ??). SERIES DE POTENCIAS Si |x| < r. sabemos que la serie ∞ |r|n−1 r ≤ nM n−1 |x0 | x0 n−1 . Por tanto. El teorema anterior nos sugiere la siguiente definición . Observación. Esto. f (x) vuelve a ser una serie de potencias en [−r.

Dada una serie de potencias radio de convergencia de la serie al número ∞ an xn . r]. 1 ρ= . Aunque no lo necesitamos en este curso. entonces n→∞ l´ an = l´ sup an . se llama ρ = sup |x0 | ∈ R tales que n=0 an xn converge 0 Si el conjunto ∞ |x0 | ∈ R tales que n=0 an xn converge 0 no es acotado. para todo r < ρ la serie converge uniformemente en [−r. decimos que ρ = +∞. ım ım n→∞ No os sintáis excesivamente tentados a usar esta fórmula para calcular ρ. INTRODUCCIÓN 31 ∞ n=0 Definición 1.1. dada una serie de potencias an xn . ρ = 0. r] y diverge si |x| > ρ. ρ ≥ 0. Observación. Sea ρ el radio de convergencia de una serie ∞ an xn . ım ım n→∞ n→∞ m≥n Para aquellos que no estén familiarizados con esta noción. ρ = ∞. 0 < ρ < ∞. En ese caso la serie converge para todo x ∈ R. l´ supn→∞ n |an | ım donde l´ sup. viene definido por ım l´ sup bn = l´ {sup bm }.4. n an+1 . Existe un rumor muy extendido según el cual an ρ = l´ ım . se puede demostrar que. 2. n=0 Entonces ocurre uno de los tres casos siguientes 1. Teorema 1. el límite superior de una sucesión. mencionaremos simplemente que si una sucesión (an ) tiene límite. y para todo r > 0 la serie converge uniformemente en [−r. puesto que la serie converge para x = 0. En ese caso. Nótese que. 3. la definición es mucho más fácil y lleva a entender y manejar mejor el concepto. En ese caso la serie converge para x = 0 y diverge para todo x = 0. En los puntos frontera (±ρ) la serie puede converger o diverger.3.

Ejemplo 1. 0 ≤ x < 1} = 1. ρ = sup{x.5. pero en cualquier caso es falso. Estudiar la convergencia puntual y uniforme de la serie ∞ n=1 xn n! en el intervalo [0. como se ve fácilmente aplicando el criterio del cociente: (log n + 1)xn+1 log n + 1 = l´ ım x = x < 1. Ejemplo 1. Calcular el radio de convergencia de la serie ∞ (log n)xn . como se puede ver sin más que considerar la serie sin nxn cuyo radio de convergencia es 1 (aunque esto no es totalmente obvio) y sin embargo no existe an sin n l´ ım = l´ ım . n n→∞ n→∞ (log n)x log n Por tanto.32 3. l´ ım Es importante que notéis que la serie de Taylor es un caso especial de serie de potencias. n an+1 n sin n + 1 Lo que si es cierto es que si ese límite existe entonces coincide con ρ.6. ım En cambio. . ∞ ∞ (log n)x = n=1 n=1 n (log n) que no converge puesto que l´ n log n = +∞. n=1 Si x = 1. sea 0 < x < 1. SERIES DE POTENCIAS Desconozco el origen de este rumor. La demostración es una consecuencia sencilla del criterio del cociente de convergencia de series numéricas. Aunque no es necesario para resolver el ejercicio. obsérvese que la serie es el desarrollo en serie de Taylor en el origen de la función ex . 29]. En ese caso la serie ∞ (log n)xn n=1 converge.

en particular la serie converge uniformemente en [0. por lo que hay convergencia uniforme en cualquier intervalo cerrado y acotado. por tanto lo más fácil es calcular su radio de convergencia. . Entonces la serie numérica xn 0 n! n converge. como se ve fácilmente de muchas formas (por ejemplo por el criterio del cociente). INTRODUCCIÓN 33 La serie es una serie de potencias. Elíjase x0 > 0. tenemos que el radio de convergencia es infinito. 29].1. Puesto que esto ocurre para un x arbitrario.

.

Aunque la respuesta a la segunda pregunta es probablemente SÍ. Habéis de saber que el análisis de Fourier se empezó a desarrollar en el siglo XIX (aunque sus antecedentes datan del siglo XVIII) y que todavía está en plena evolución. En particular. las ondículas (wavelets en inglés) basadas también en el análisis de Fourier y que están teniendo una importancia decisiva en el tratamiento de la señal.Capítulo 4 Series de Fourier 1. Para justificar el porqué de estudiar este problema recordemos que muchas de las ondas electromagnéticas usadas en la transmisión de 35 . los polinomios y series de Taylor nos permiten a menudo aproximar una función por polinomios. El problema que vamos a enfrentar en primer lugar es el de representar “adecuadamente” una función periódica. tanto el análisis de circuitos como el tratamiento de la señal se hacen tomando como herramienta básica el análisis de Fourier. Recientemente se está desarrollando una herramienta nueva. se usan en la mayoría de las películas de animación que se realizan en la actualidad. para lo que a un ingeniero informático le interesa. intentaré responder a la primera lo mejor que pueda.1. en los formatos de imagen jpg (a partir de 2000). Obviamente la primera pregunta que uno se hace es ¿por qué vamos a querer aproximar una función por combinaciones de senos y cosenos? ¿no tenemos nada mejor que hacer?. sólo que ahora nos plantearemos la aproximación de una función por combinaciones de funciones seno y coseno elegidas adecuadamente. o hallar una serie de potencias que converja a la función. no sólo de forma teórica sino en sus aplicaciones prácticas. etc. etc. las wavelets se han usado para comprimir los archivos digitales de huellas dactilares del FBI. en los estudios geológicos. 1. La idea del análisis de Fourier es muy similar. por poneros algunos ejemplos. en la detección de cánceres. Introducción y definiciones Como ya hemos visto. Funciones periódicas.

Para todo ω0 > 0. T ] o el [− T . En ese caso. I Observación.2. Ejemplo 1. aquí va la explicación: Dado un espacio vectorial E se puede definir una noción abstracta de producto escalar como una forma bilineal definida positiva.36 4. f . SERIES DE FOURIER información son funciones periódicas. · : E × E −→ R separadamente lineal en ambas variables y que verifica que f. f ≥ 0 para toda f ∈ E y f. α ∈ A} de funciones se dice ortogonal sobre I ⊂ R si. habitualmente el [0. La noción de ortogonalidad se define como f ⊥g si y sólo si f. g = 0. Necesitamos otra definición. Empecemos recordando la definición de función periódica. Siempre que tenemos un producto escalar definido en un espacio vectorial se puede definir una norma asociada como f = f. las funciones sin ω0 x y cos ω0 x son periódicas de periodo 2π T = ω0 Notad que si conocemos una función periódica en un intervalo de longitud T ya conocemos el valor de la función en todo R. Esto hace que cuando estudiemos funciones periódicas nos limitamos a algún intervalo de longitud T . esto es. una función ·. Definición 1. Para que entendáis el por qué de llamar ortogonales a tales funciones. f (t + T ) = f (t). y en general la noción de ángulo entre vectores.1. para todo α = β. un conjunto {φα (t). y también se puede definir una noción de ortogonalidad. Definición 1. al menor de los T que cumple esa igualdad se le denomina periodo de f .3. T ] 2 2 1. Ortogonalidad de funciones. φα (t)φβ (t)dt = 0. Dadas funciones reales φα : I ⊂ R −→ R. Una función f : R −→ R se dice periódica si existe T > 0 tal que. o van moduladas sobre funciones periódicas. . f = 0 si y sólo si f = 0.2. para todo t ∈ R.

basta comprobar que 1. T ]. se puede definir f. En el caso particular del espacio L2 (I). ·.1. Para todo n = m. T 2 cos nω0 t cos mω0 tdt = 0 −T 2 5. cos mω0 x. m ∈ N} Para verificarlo. g = I f (t)g(t)dt y se demuestra con facilidad que. sin nω0 x. y obtenemos . Para todo n = m. Por tanto. la familia de funciones {1. Nuestro ejemplo principal de familia ortogonal de funciones es el siguiente. T 2 sin nω0 t sin mω0 tdt = 0 −T 2 4. dos funciones f y g son ortogonales si su producto escalar es 0. ω0 n. T 2 sin nω0 t cos mω0 tdt = 0 −T 2 Las dos primeras integrales son inmediatas. INTRODUCCIÓN Y DEFINICIONES 37 Todo esto se aplicaba a un espacio vectorial abstracto E. es decir. es ortogonal sobre [− T .4. T 2 sin nω0 tdt = 0 −T 2 2. · es un producto escalar y que la norma anteriormente definida en L2 (I) es precisamente su norma asociada. Para todo ω0 > 0. Para todo n ∈ N. así definido. Para todo n ∈ N. T 2 cos nω0 tdt = 0 −T 2 3. Para las tres últimas utilizamos las identidades trigonométricas que expresan sin y cos de A + B en términos de sin y cos de A y B. Para todos n. con T = 2 2 2π . Ejemplo 1. m ∈ N. si I f (t)g(t)dt = 0.

sin(mx) = −π sin(nx) sin(mx)dx 1 = 2 = +π (cos((m − n)x) − cos((m + n)x))dx −π +π 1 sin((m − n)x) sin((m + n)x) − 2 m−n m+n = 0. teoremas que nos garantizan que una amplia familia de funciones (en particular todo L2 [a. Enunciaremos más adelante. Coeficientes de Fourier. (m = n) −π cos(nx). Una de las preguntas básicas en análisis de Fourier (así como en el análisis de ondículas) es si. b]) se pueden representar por medio de series del tipo arriba indicado. al menos para ciertas familias destacadas de familias ortogonales {φα (t). . b]. b] −→ R y un conjunto ortogonal {φα (t). α ∈ A} y para una amplia clase de funciones f . dada una función f : [a. ¿existen coeficientes aα ∈ R tales que f se puede representar como f (x) = α aα φα (x)? La respuesta va a ser sí. sin(nx) = −π cos(nx) sin(nx)dx = 1 2 +π (sin((m + n)x) + sin((m − n)x))dx −π +π 1 cos((m + n)x) cos((m − n)x) = − 2 m+n m−n +π = 0.3. SERIES DE FOURIER +π cos(nx). α ∈ A} de funciones sobre [a. sin demostración. cos(nx) = −π cos(nx) cos(nx)dx = = 1 2 +π (cos((m + n)x) + cos((m − n)x))dx −π +π 1 sin((m + n)x) sin((m − n)x) + 2 m+n m−n +π = 0. (m = n) −π sin(nx).38 4. (m = n) −π 1.

α Veamos el ejemplo concreto más importante para nosotros de todo lo anterior. α ∈ A} a los números aα = A la serie aα φα (x) α b a f (x)φα (x)dx b a φ2 (x)dx α se le llama serie de Fourier de f Observación. Se llaman coeficientes de Fourier de f con respecto a {φα (x). En ese caso. sin mω0 x} y f : [− T . Es frecuente elegir la familia {φα (x). T ] −→ R con T = 2π obten2 2 ω emos los coeficientes clásicos de Fourier. Cuando consideramos en la definición anterior el sistema {1.1. Supongamos que podemos integrar término a término (no nos detendremos a justificar esta hipótesis. Definición 1. α y veamos cómo se calculan los coeficientes aα en ese caso. Se llaman coeficientes (clásicos) de Fourier a los números 2 a0 = T 2 am = T T 2 T 2 f (t)dt −T 2 f (t) cos mω0 tdt −T 2 . b] −→ R. Sea f : [a. para cada β ∈ A. α ∈ A} norb malizada de manera que a φ2 (x)dx = 1 para cada α ∈ A.6. Sea {φα (x). tenemos la siguiente Definición 1. se tendría b b b f (x)φβ (x)dx = a α a aα φα (x)φβ (x)dx = aβ a b a φ2 (x)dx β y por tanto aβ = f (x)φβ (x)dx b a φ2 (x)dx β Por tanto. b]. INTRODUCCIÓN Y DEFINICIONES 39 De momento. α ∈ A} una familia ortogonal sobre [a. cos nω0 x. pues excede los objetivos de la asignatura).5. supongamos que una cierta función f fuera representable de la forma f (x) = aα φα (x).

y −T 2 T 2 f (x) sin nω0 xdx −T 2 . f (x) = con ω0 = y donde a0 1 = 2 T 2 an = T 2 bn = T T 2 T 2 a0 bn sin nω0 x.40 4. SERIES DE FOURIER 2 bn = T ∞ T 2 f (t) sin nω0 tdt. 2 (1 nπ Solución: Es fácil ver que an = 0 para todo n ∈ N ∪ {0} y bn = − cos nπ). an cos nω0 x + + 2 n=1 n=1 2π = 2π T f (x)dx. Encontrar la serie de Fourier de la función  si − T < t < 0  −1 2 f( t) =  1 si 0 < t < T 2 y definida periódica de periodo T en todo R. Sea f (x) : R −→ R la función periódica de periodo 1 definida por f (x) = 1 0 1 si 0 ≤ x < 2 si 1 ≤ x < 1 2 Obtener el desarrollo en serie de Fourier de f (x). −T 2 ∞ ∞ f (x) cos nω0 xdx.8 (Septiembre 2003). −T 2 Con esos coeficientes se puede definir la serie de Fourier de f a0 + an cos nω0 x + bn sin nω0 x 2 n=1 Ejemplo 1. independientemente de T Ejemplo 1. Solución: Por ser f (x) periódica de periodo T = 1. es decir. admite un desarrollo en serie de Fourier.7.

bn = 0 si n es par y bn = si n es impar. 0]. Ejemplo 1. INTRODUCCIÓN Y DEFINICIONES 41 Así. f (x) = −x. para todo x ∈ [−1. es indistinto calcular las integrales en [−1. a0 = 2 Además 1 2 1 2 dx = 0 1 2 1 2 an = 2 0 2 cos(2nπx)dx = sin 2nπx 2nπ 1 2 = 0. Para ello obsérvese que. 2] (o en general en cualquier intervalo de amplitud 2. 1]. y 1 bn = −1 f (x) sin nω0 xdx Por la periocididad.9. . 0 Finalmente. bn = 2 0 1 sin(2nπx)dx = − cos 2nπx nπ 2 nπ 1 2 0 y por tanto. es decir. a0 + an cos nω0 x + bn sin nω0 x. Sea f (x) : R −→ R la función periódica de periodo 2 definida por f (x) = x 2−x si 0 ≤ x ≤ 1 si 1 ≤ x ≤ 2 Obtener el desarrollo en serie de Fourier de f (x). Solución: Por ser f (x) periódica de periodo T = 2. admite un desarrollo en serie de Fourier. −1 an = −1 f (x) cos nω0 xdx. f (x) = 2 n=1 n=1 con ω0 = y donde 1 a0 = 2 2 1 1 ∞ ∞ 2π =π T f (x)dx. Debido a que implica alguna cuenta menos integraremos en [−1. 1] ó en [0.1.

42 4. Integrando por partes. Expresión compleja de las series de Fourier. las siguientes (4) y eiθ − e−iθ 2i Por tanto. De esta expresión se obtienen. aunque su fundamentación rigurosa requiere algunos conocimientos de variable compleja. 2 2 2i n=1 n=1 Usando que 1 i ∞ ∞ cos θ = eiθ + e−iθ 2 = −i y despejando llegamos a . sin mas que despejar. 2 n=1 n=1 (5) sin θ = podemos sustituir los senos y cosenos por las expresiones dadas por (??) y (??) y obtenemos a0 einω0 t + e−inω0 t einω0 t − e−inω0 t f (t) = + an + bn .4. 0 1 bn = −1 −x sin(nπx)dx + 0 x sin(nπx)dx. Recordemos la expresión eiθ = cos θ + i sin θ que se puede justificar usando series de Taylor. se tiene (−1 + cos nπ + nπ sin nπ) an = 2 n2 π 2 Finalmente. y de nuevo integrando por partes se obtiene bn = 0. 1. a0 1 = 2 2 Además 0 1 0 1 −xdx + −1 0 xdx = 1 2 an = −1 −x cos(nπx)dx + 0 x cos(nπx)dx. SERIES DE FOURIER Así. si f (t) es una función periódica de periodo T con desarrollo en serie de Fourier ∞ ∞ a0 f (t) = + an cos nω0 t + bn sin nω0 t.

La familia {einωt }n∈Z es ortogonal en el intervalo [ −T . 2 1 1 cn = (an − ibn ). Al igual que hicimos para funciones reales. . Definición 1. g como f.10. T ]). donde z denota el conjugado complejo de z. Ahora decimos que f y g son ortogonales si su producto escalar es 0. En primer lugar notemos Proposición 1. y c−n = (an + ibn ). Dadas f. T ] (o en el [0. 2 2 ω Demostración. g : I ⊂ R −→ C se define su producto escalar f. podemos ahora seguir con los coeficientes cn el mismo camino seguido con los an y bn . vamos a definir un producto escalar de funciones complejas. INTRODUCCIÓN Y DEFINICIONES ∞ 43 f (t) = c0 + n=1 ∞ (cn einω0 t + c−n e−inω0 t ) = −∞ +∞ = c0 + n=1 cn e inω0 t + n=−1 cn e inω0 t = n=−∞ cn einω0 t . g = I f (t)g(t)dt.11. Con estas definiciones a mano.5. donde T = 2π . Entonces e = −T 2 T 2 T 2 inωt . Siguiendo con la analogía con el caso real podemos definir la norma 2 de una función compleja f : I −→ C como f 2 = ( f. 2 2 Para entender todo esto mejor necesitamos algunas definiciones más: 1.e imωt = −T 2 einωt eimωt dt = −T 2 einωt e−imωt dt = T 2 (cos nωt + i sin nωt)(cos mωt − i sin mωt)dt = 0. f ) = I 1 2 1 2 f (t)f (t)dt . Sea n = m.1. donde 1 c 0 = a0 . Ortogonalidad de funciones complejas.

ein0 ωt = ein0 ωt ein0 ωt dt T 2 = cn0 −T 2 = cn0 T 2 ein0 ωt e−in0 ωt dt = −T 2 = cn 0 de donde −T 2 T 2 −T 2 dt = cn0 T. cn = . se representan de manera natural como una función con valores complejos. Como ya hemos dicho anteriormente. T ] −→ C) fuera repre2 2 sentable en la forma +∞ f (t) = n=−∞ cn einωt . e +∞ in0 ωt = n=−∞ cn einωt .44 4. ein0 ωt = = n=−∞ T 2 cn einωt . Cálculo de los coeficientes cn . dado n0 ∈ N.6. Notemos que muchas señales se representan de manera natural como una función con valores reales (por ejemplo una señal sonora) mientras que otras. A partir de ahora trabajaremos con la expresión de la serie de Fourier en términos de los cn . +∞ f. T ] −→ R (en realidad esto 2 2 también va a valer para funciones f : [− T . en particular los campos electromagnéticos. Entonces. f (t)ein0 ωt dt . T expresión que por supuesto coincide con la obtenida anteriormente a partir de los an y los bn . por ser más adecuada para la mayoría de las aplicaciones que la expresión en términos de los an y bn . Ahora podemos calcular los coeficientes análogamente a cómo calculamos los an y los bn : Supongamos que una función f : [− T . se puede demostrar que la expresión f (t) = +∞ cn einωt nos permite representar no sólo funciones n=−∞ periódicas f : R −→ R sino también funciones periódicas f : R −→ C. ein0 ωt = cn0 ein0 ωt . SERIES DE FOURIER 1.

Empezamos considerando la convergencia en norma 2 de la serie de Fourier. εk ) = l´ ım ım 1 2 T 2 1 2 n→∞ n→∞ εk (t)εk (t)dt −T 2 = 0. esto se puede interpretar como que la energía de la sucesión de ondas εn := fn − f tiende a 0 cuando n tiende a infinito. 2. I Nótese que. Decir que Sk converge en norma 2 a f equivale a decir que εk 2 tiende a 0. CONVERGENCIA DE LAS SERIES DE FOURIER 45 2. Notemos que T 2 T 2 εk (t)εk (t)dt = −T 2 −T 2 (f (t) − Sk (t))(f (t) − Sk (t))dt = . si n→∞ l´ ım |fn (t) − f (t)|2 dt = 0. Los teoremas clásicos del análisis de Fourier nos van a garantizar que para una amplia clase de funciones f . Convergencia de las series de Fourier Tenemos definida formalmente la serie de Fourier. la serie de Fourier de f converge en casi todo punto a f. e interesa darse cuenta de que la sucesión εn es el error cometido al aproximar f por fn . Recordemos que se dice que una sucesión de funciones (fn ) ⊂ L2 (I) converge en norma 2 (o en media cuadrática) a f ∈ L2 (I) si fn → f. es decir. esto es.2. muy importante en muchas aplicaciones. Consideramos la sucesión de sumas parciales de la serie de Fourier k Sk (t) = n=−k cn einωt y llamamos εk (t) = f (t) − Sk (t) al error cometido al aproximar f por Sk . Convergencia en norma 2. pero aún no sabemos nada de su convergencia o no a la función f . si n→∞ · 2 l´ ım fn − f 2 = 0. equivalentemente. o.1. en el caso de ondas electromagnéticas. que l´ ( εk .

46 4. SERIES DE FOURIER T 2 f (t)f (t) + Sk (t)Sk (t) − 2 f (t)Sk (t)dt = T 2 −T 2 T 2 k k f (t)f (t)dt + −T 2 T 2 ( −T 2 k n=−k cn e inωt )( n=−k T 2 cn einωt )dt− −2 k f (t)( −T 2 T 2 cn einωt )dt = −T 2 k f (t)f (t)dt+ T 2 n=−k + n=−k T 2 |cn | 2 e −T 2 inωt −inωt e dt − 2 n=−k k cn −T 2 f (t)e−inωt dt = T 2 k = −T 2 f (t)f (t)dt + T n=−k k T 2 −T 2 cn cn − 2 n=−k T 2 −T 2 cn −T 2 f (t)e−inωt dt+ f (t)e−inωt dt T f (t)e−inωt dt − f (t)e−inωt dt = + n=−k k − n=−k T 2 −T 2 f (t)e−inωt dt T T 2 T 2 −T 2 = −T 2 f (t)f (t)dt+     cn − T 2 −T 2 T 2 −T 2 k    cn − T n=−k T 2 −T 2 f (t)e−inω0 t dt T f (t)e−inω0 t dt T   − k − n=−k T 2 −T 2 f (t)e−inωt dt T f (t)e−inωt dt . Si consideramos esto como una ecuación en cn y buscamos minimizarla. . vemos que la norma 2 del error es mínima cuando cn = T 2 −T 2 f (t)e−inω0 t dt T .

esto se puede expresar diciendo que toda la información contenida en f se halla en sus coeficientes de Fourier. De hecho. Enunciaremos aquí sin demostrar un teorema que nos garantiza la convergencia puntual en casi todo punto de la serie de Fourier de una muy amplia familia de funciones. acotada y monótona a trozos (esto es.2. En particular. Sea f : I −→ R una función continua a trozos. Fijáos que de todo lo anterior se sigue que para una muy amplia clase de funciones f . los cn son los mejores coeficientes que podemos ponerles a las funciones einω0 t para que la suma cn einω0 t n aproxime a f (t) tan bien (en norma 2) como sea posible. Recordad que ya hemos dicho anteriormente que las funciones f ∈ L2 (I) son las más interesantes en ingeniería. En los puntos t0 ∈ I en los que f no sea continua se tiene que la serie de Fourier converge a f (t+ ) + f (t− ) 0 0 . con razonamientos emparentados con estos. lo cual es muy razonable. Convergencia puntual en casi todo punto. puesto que. se puede demostrar que para todo intervalo I ⊂ R. por un lado L2 (I) es un espacio matemáticamente “cómodo” y por otro la condición f ∈ L2 (I) se interpreta casi siempre como que f tiene energía finita.2. 2 donde f (t+ ) = l´ + f (t) ım 0 t→t0 y f (t− ) = l´ − f (t). Entonces la serie de Fourier de f converge a f (t0 ) en todo t0 ∈ I en el que f sea continua. CONVERGENCIA DE LAS SERIES DE FOURIER 47 Es decir. Teorema 2. f tiene una cantidad finita de máximos y mínimos en I). su serie de Fourier inω0 t determina unívocamente (excepto quizás en una cantin∈Z cn e dad finita de puntos) la función f . ım 0 t→t0 2.1. Espectros discretos. 2. En términos de información.3. . prácticamente todas las funciones con interés en la ingeniería verifican las condiciones del teorema. aunque más sofisticados. toda función f ∈ L2 (I) admite una serie de Fourier como la anterior de manera que n cn einω0 t converge a f en norma 2.

c esta definido sobre los enteros. pero sí quiero incluir una “pseudodemostración” que puede resultar ilustrativa. deberíais notar cómo una función periódica (una nota cualquiera dada por un instrumento) se descompone por su serie de Fourier en la suma de sus armónicos (ω0 es la frecuencia fundamental. n n . Podemos pensar en sus coeficientes (cn )n∈Z como una función c : Z −→ C dada por c(n) = cn La función c (o su gráfica) es lo que llamamos el espectro de f . Los valores (cn ) son también llamados las componentes en frecuencia de la señal f . La demostración del teorema de Parseval es razonablemente sencilla una vez se conocen técnicas elementales de espacios de Hilbert (espacios L2 ). Las técnicas de análisis espectral. y sean (c1 )n∈Z .48 4. por ejemplo) para obtener información contenida en esa función. T ]). 2. Para el caso de funciones periódicas (equivalentemente funciones definidas en un intervalo [a. Sean f1 . SERIES DE FOURIER Esto da lugar a la noción de espectro de una función f . Entonces 1 T T 2 f1 (t)f2 (t)dt = −T 2 n∈Z c1 c2 . entonces. (c2 )n∈Z n n 2 2 sus respectivos coeficientes de Fourier. consisten precisamente en estudiar el espectro de una función (la radiación emitida por un cuerpo celeste. b]) el espectro de f . No la incluiremos aquí. por lo que le llamamos espectro discreto.4. Teorema de Parseval. etc). de las que probablemente hayáis oído hablar puesto que se usan en muchas disciplinas. Un resultado muy importante en análisis de Fourier es el Teorema de Parseval. que físicamente se puede leer como que la energía de la señal es igual a la suma de las energías de sus componentes. no sobre todo R. f : I −→ R. Los que sepáis algo de teoría musical. Veremos más adelante que para representar una función no periódica necesitamos un espectro continuo. 2ω0 es la misma nota una octava mas arriba. f2 ∈ L2 ([− T . esto es. 4ω0 es la misma nota dos octavas por encima de la original.2. y geométricamente se puede simplemente interpretar como una consecuencia de una versión infinito dimensional del Teorema de Pitagoras. para todo n ∈ N cn = c−n . 3ω0 es la quinta por encima de la octava. Notad que si f (t) toma valores reales. Empezamos con: Proposición 2.

Entonces 1 ( f T 1 2) = T 2 T 2 f (t)f (t)dt = −T 2 n∈Z |cn |2 . T 2 T 2 f1 (t)f2 (t)dt = −T 2 −T 2 n∈Z T 2 c1 einω0 t n n∈Z c2 einω0 t dt = n c1 c2 n m n∈Z m∈Z einω0 t e−imω0 t dt = c1 c2 . CONVERGENCIA DE LAS SERIES DE FOURIER 49 Demostración.3 (Teorema de Parseval). T ]). y sean 2 2 (cn )n∈Z .2. n n n∈Z −T 2 c1 c2 n n n∈Z T 2 einω0 t e−inω0 t dt = T −T 2 De aquí se deduce fácilmente (sin más que tomar f1 = f2 ) el siguiente Teorema 2. Sea f ∈ L2 ([− T . . coeficientes de Fourier.

.

de manera que parece razonable pensar que en el límite el espectro se hace continuo. La idea ahora. Todo lo visto hasta ahora se aplicaba al estudio de funciones periódicas. Notemos que al hacer tender T (el periodo) a infinito. 51 . y necesitamos estudiar funciones f : R −→ R ó C no periódicas. Como ya hemos visto. Por otro lado. Para ciertas aplicaciones esto no es suficiente.1. o de funciones definidas en un intervalo [a. una función periódica de periodo T se puede representar por medio de una serie de Fourier n cn eınω0 t . Ejemplo 1. Describimos a continuación la idea intuitiva en el paso de las series de Fourier a la integral de Fourier. es fácil ver con los ejemplos que al hacer tender T a infinito. Supongamos que queremos estudiar la función f : R −→ R dada por 1 0 si t ∈ [− 1 . la frecuencia fundamental ω0 tiende a 0. Todo esto se puede formalizar con todo rigor. que podían ser entendidos como una función c(ω) : R −→ C( ó R) que toma valores distintos de 0 sólo en los puntos ω = nω0 . por lo que los puntos nω0 están cada vez más próximos. dicha burdamente. b]. es decir. con ω0 = 2π . 1 ] 2 2 si |t| > 1 2 f (t) = Cuando hablábamos del espectro de una función periódica f nos referimos al valor de los coeficientes cn . es considerar una función no T periódica como una función periódica de periodo infinito. pero no lo haremos ya que llevaría demasiado tiempo y no lo consideramos prioritario para nuestra asignatura. Este tipo de funciones no pueden ser representadas por medio de una serie de Fourier. podemos definir c(ω) para todo ω. pero en cambio sí que se pueden representar por medio de una integral de Fourier. en los que vale cn . las amplitudes cn = c(nω0 ) tienden a 0.Capítulo 5 Transformada Integral de Fourier 1. Definición. con n ∈ Z.

. Con estas ideas intuitivas. x1 . tenemos que k ω0 →0 b l´ ım h(a + nω0 )ω0 = n=1 a h(t)dt. los armónicos (los puntos nω0 ) se encuentran infinitamente cercanos y son de amplitud infinitesimal. xk = b} de [a. . . b] en la que xi − xi−1 = ω0 para cada i ∈ {1. es decir.52 5. se tiene ω0 = ∞ (9) f (t) = n=−∞ 1 T T 2 f (x)e−ınω0 x dx eınω0 t −T 2 Utilizando (??) tenemos que ∞ (10) f (t) = n=−∞ 1 2π T 2 f (x)e−ınω0 x dx ω0 eınω0 t −T 2 Hagamos un pequeño inciso y recordemos lo que sabemos de la definición de integral de Riemann. . k}. . . . el espectro discreto se vuelve continuo. Sea su serie de Fourier ∞ (6) donde f (t) = n=−∞ cn eınω0 t (7) y (8) 1 cn = T T 2 f (t)e−ınω0 t dt −T 2 2π T Sustituyendo (??) en (??). pero la idea que hay detrás es que. . y el paso de las sumas de Riemann a la integral. Si tenemos una función h : [a. a medida que T tiende a infinito. b] −→ R integrable y suponemos elegida una partición equiespaciada P (ω0 ) = {a = x0 . hagamos una construcción no formal de la integral de Fourier. TRANSFORMADA INTEGRAL DE FOURIER Se pueden formalizar matemáticamente estos razonamientos (aunque no lo haremos aquí). . Sea f (t) una función periódica de periodo T .

1. Definición 1.2. Sea f : R −→ R (ó C). −T 2 Aplicando los razonamientos anteriores y haciendo el paso a una integral impropia (dejamos esto al alumno) tenemos que. −∞ . −∞ Con esto definimos la transformada de Fourier y la transformada inversa. Escribimos a continuación ambas definiciones explícitamente.3. DEFINICIÓN. Sea F : R −→ C. Entonces definimos su transformada inversa de Fourier como una función F −1 (F) : R −→ R (ó C) dada por F −1 (F)(t) = 1 2π ∞ F(ω)eıωt dt. Entonces definimos su transformada integral de Fourier como una función F(f ) = F : R −→ C dada por ∞ F(f )(ω) = F(ω) = −∞ f (t)e−ıωt dt. volvamos a la expresión (??) y llamemos h(ω) = 1 2π T 2 f (x)e−ıωx dx eıωt . cuando ω0 tiende a 0 (equivalentemente cuando T tiende a infinito) 1 2π ∞ −∞ +∞ (11) f (t) = f (x)e−ıωx dx eıωt dω −∞ Si definimos la transformada de Fourier F(ω) de f como ∞ (12) F(ω) = −∞ f (t)e−ıωt dt Entonces (??) se convierte en 1 2π ∞ (13) f (t) = F(ω)eıωt dt. Análogamente definimos Definición 1. 53 Recordando esto.

ım (Nótese que esta última condición se verifica siempre que f ∈ L2 (R)). g ∈ L2 (R) y α. Empezamos enunciando el teorema que nos garantiza la existencia de la transformada de Fourier para una amplia familia de funciones Teorema 2. Existen numerosos ejemplos de funciones que no están en L2 (R) y sin embargo su transformada está bien definida. Linealidad. Sea f ∈ L2 (R). y aún no ha sido resuelto. Entonces F(f )(ω) = ıωF(f )(ω). El problema de determinar el conjunto exacto de funciones que admiten transformada de Fourier es mucho más profundo de lo que parece. Enunciamos a continuación algunas propiedades básicas de la transformada de Fourier. Si f.2. β ∈ R. que admite transformada de Fourier F(f ). y tal que t→±∞ 1 ω F(f )( ) |a| a l´ f (t) = 0. El siguiente resultado es la clave que permite aplicar la transformada de Fourier a la resolución de ecuaciones diferenciales. entonces F(αf + βg) = αF(f ) + βF(g). f ∈ L2 (R) y g(t) = f (αt) entonces F(g)(ω) = Si g(t) = f (t)eıαt entonces F(g)(ω) = F(f )(ω − α) Si f ∈ L2 (R). Proposición 2. Entonces existe la transformada de Fourier de f .1. t0 ∈ R y g(t) = f (t − t0 ) entonces F(g)(ω) = F(f )(ω)e−ıωt0 . Propiedades de la transformada de Fourier Nótese que la transformada de Fourier viene definida por medio de una integral impropia. . TRANSFORMADA INTEGRAL DE FOURIER 2. que puede ser convergente o no serlo.54 5. para la existencia de F. Sea f : R −→ R una función derivable. Si 0 = α ∈ R. Para la ingeniería es suficiente saber que todas las funciones de L2 (R) admiten transformada. y es una función F : R −→ C La condición f ∈ L2 (R) es suficiente. pero no necesaria.

∞ F(f )(ω) = inf ty f (t)e−ıωt dt. Si f ∈ L2 (R) entonces F(f ) es continua y ω→±∞ l´ F(f )(ω) = 0 ım Dos comentarios son pertinentes: en primer lugar observar que aunque f ∈ L2 (R) puede no ser continua. A continuación enunciamos sin demostración unos resultados que nos garantizan el buen comportamiento de la transformada de Fourier y la transformada inversa de Fourier para una amplia familia de funciones. para cualquier señal.3. . la transformada inversa de la transformada de f ) verifica que f (t) = g(t) en casi todo punto. Teorema 2. el hecho de que ω→±∞ l´ F(f )(ω) = 0 ım indica que. Si f ∈ L2 (R) entonces F(f ) ∈ L2 (R). la amplitud de sus componentes en frecuencia tiende a 0 cuando la frecuencia tiende a infinito. ım = l´ f (t0 )e−ıωt0 − l´ f (−t0 )eıωt0 + ıω ım t0 →∞ t0 →∞ −∞ puesto que t0 →±∞ l´ f (t0 ) = 0 ım y eıωt0 = cos ωt0 + ı sin ωt0 está acotada. En segundo lugar. Integramos por partes y obtenemos que F(f )(ω) = l´ f (t)e−ıωt ım t0 →∞ t0 −t0 ∞ + ıω −∞ ∞ f (t)e−ıωt = f (t)e−ıωt = ıωF(f )(ω).4 (Inversión). y además la función g(t) = 1 2π ∞ F(f )(ω)eıωtdω −∞ (es decir. PROPIEDADES DE LA TRANSFORMADA DE FOURIER 55 Demostración. Teorema 2.2. su trasformada siempre lo es.

mientras que un sólo punto. a lo sumo. TRANSFORMADA INTEGRAL DE FOURIER Observación. Quiere decir que f (t) = g(t) excepto en. entonces recupero f (salvo quizás en unos pocos puntos. . al considerar F(f ) en lugar de f . pero daremos una idea intuitiva diciendo que cualquier intervalo no vacío no es de medida cero. Excede del alcance de este curso la definición de conjunto de medida cero. puesto que podemos recuperar f (salvo quizás en unos pocos puntos) a partir de F(f ). o incluso numerable. Esto es lo que nos permite decir que “no perdemos información”. que no van a tener ninguna importancia en la gran mayoría de las aplicaciones).56 5. sí forman un conjunto de medida cero. Por tanto. La expresión “en casi todo punto” tiene un significado matemático muy preciso. el teorema de inversión nos dice que si tomo una función f ∈ L2 (R). hallo su transformada de Fourier F(f ). un conjunto de medida cero. de puntos. y a continuación hallo la transformada inversa de F(f ). o una cantidad finita.

En cambio sí que vamos a demostrar el punto 1 en el caso algo más sencillo de que f. g ∈ L2 (R)). Para ello necesitamos previamente una nueva herramienta matemática. f ∗ g ∈ L2 (R) y además 1.2. Entonces f ∗ g existe. g ∈ L2 (R). 1. Nuestro propósito es describir lo que en teoría de la señal se conoce como filtros. F(f · g)(ω) = (F(f ) ∗ F(g))(ω) para todo ω ∈ R Esta fuera del alcance de este curso demostrar el teorema tal y como está enunciado (es decir. F(f ∗ g)(ω) = F(f )(ω) · F(g)(ω) para todo ω ∈ R 2. g : R −→ R. Sean f. Convolución y filtros El propósito de esta sección es simplemente contar una aplicación clásica de la transformada de Fourier al tratamiento de la señal. la convolución. donde L1 (R) = {f : R −→ R tales que f es integrable y tales que 57 . Se define su convolución f ∗g como ∞ f ∗ g(x) = −∞ f (x − y)g(y)dy siempre y cuando la integral impropia anterior exista. g ∈ L1 (R). que originalmente estaba en “el dominio del tiempo”. como una función “en el dominio de la frecuencia”.Capítulo 6 Aplicaciones a la teoría de la señal. y lograr que los hipotéticos lectores de estas notas se vayan familiarizando con el hecho de que la transformada de Fourier nos permite pensar en una función. Sean f. con f.1. El interés para nosotros en este momento de la convolución de funciones es el siguiente resultado Teorema 1. Definición 1.

d]. . Para probar que F(f ∗ g)(ω) = F(f )(ω) · F(g)(ω) necesitaremos de nuevo el teorema de Fubini. Sea f : R2 −→ R una función integrable y D = [a. y)dy dx = c a f (x. APLICACIONES A LA TEORíA DE LA SEÑAL. que habitualmente se estudia junto con la noción de integral doble. Teorema 1. y)dxdy = D a c f (x. En efecto ∞ ∞ ∞ F(f ∗g)(ω) = −∞ ∞ f ∗g(t)e−ıωt dt = −∞ ∞ −∞ f (t − y)g(y)dy e−ıωt dt = = −∞ ∞ −∞ ∞ −∞ f (t − y)g(y)e−ıωy eıωy dy e−ıωt dt = f (t − y)e−ıω(t−y) g(y)e−ıωy dy dt = −∞ ∞ F ubini = ∞ = −∞ g(y)e−ıωy −∞ f (t − y)e−ıω(t−y) dt dy = F(f )(ω)F(g)(ω) lo que termina la demostración del teorema. y)dx dy. Lo enunciamos a continuación para el caso particular en que el recinto de integración sea un rectángulo [a. b] × [c. Aquellos alumnos que no estén excesivamente familiarizados con la noción de integral doble no deben preocuparse. d] ⊂ R2 un rectángulo. DEMOSTRACIÓN DEL TEOREMA ??. puesto que nosotros sólo necesitamos la segunda de las igualdades del teorema.3 (Fubini). Veamos en primer lugar que f ∗g (existe y) pertenece a L1 (R) ∞ ∞ ∞ |f ∗ g(x)|dx = ∞ −∞ ∞ −∞ ∞ −∞ −∞ f (x − y)g(y)dy dx ≤ F ubini ∞ −∞ ∞ ∞ ≤ −∞ ∞ |f (x − y)g(y)|dy dx = |g(y)| −∞ −∞ |f (x − y)g(y)|dx dy = −∞ ∞ = |f (x − y)|dx dy = −∞ |f (x)|dx −∞ |g(y)|dy < ∞. −∞ La herramienta básica para la demostración de este resultado es el teorema de Fubini. y esa no necesita de la noción de integral doble. Esto prueba que f ∗ g ∈ L1 (R).58 6. b] × [c. puesto que eso es suficiente para nosotros. Entonces b d d b f (x. +∞ |f (t)|dt < ∞}.

suponemos dada una cierta señal f (t) y queremos obtener otra señal fs (t) cuyas componentes en frecuencia sean exactamente las componentes en frecuencia de f (t) que pertenezcan a cierto rango de frecuencia. y desechar las demás. equivalentemente. la realización de un filtro paso bajo. aplicando el teorema de inversión ?? y el Teorema ??. Suponemos calculada su transformada de Fourier F(f ) consideramos F(f )(ω)χ[−δ.δ] (ω)eıωt dω = −∞ 1 2π δ eıωt dω = −δ 1 eıωt 2π it δ = −δ 1 eıδt − e−ıδt sin δt = = πt 2ı πt y. la fórmula de la transformada inversa de Fourier). definida como  si ω ∈ A  1 χA (ω) =  0 si ω ∈ A Para terminar hallamos la trasformada inversa de F(f )(ω)χA (ω) y está será nuestra función fs (t).δ] . Consideramos la señal f (t). Se llama filtro paso bajo a aquel que se queda con las componentes de baja frecuencia de f y descarta las demás. por tanto. se tiene que fδ (t) (la componente en frecuencia menor o igual que δ de f ) se puede obtener como fδ (t) = (f ∗ g)(t) donde g(t) es una función tal que F(g) = χ[−δ. Aplicando de nuevo el teorema de inversión (o. Calculemos g(t). Es decir. πt . La manera de obtener fs (t) es la siguiente: hallamos la transformada de Fourier de f . F(f ) y la multiplicamos por χA (ω) donde A ⊂ R es el rango de frecuencias que queremos seleccionar y χA (ω) es la función característica de A. dada una señal. quedarnos con sus componentes en cierto rango de frecuencias. En teoría de la señal se denomina filtro en frecuencia a un mecanismo que nos permita.δ] . CONVOLUCIÓN Y FILTROS 59 Veamos ahora cómo aplicar esto a la realización de un filtro en frecuencia. se tiene que g(t) = 1 2π ∞ χ[−δ. tenemos finalmente que sin δt fδ (t) = f (t) ∗ . Entonces.1. En concreto suponemos que deseamos quedarnos con las componentes de frecuencia menor o igual que δ. Veámoslo con un ejemplo.

2. toda la información que había en la señal original. al igual que nadie ve luz infrarroja o ultravioleta. lo que es muy útil sobre todo para el tratamiento informático de la señal. La situación a la que nos enfrentamos es la siguiente: tenemos una señal continua y la queremos digitalizar. Aunque no tenemos tiempo en este curso de estudiar la transformada discreta de Fourier y otras herramientas usadas en el tratamiento de señal discreta. contaremos a modo de ilustración el teorema de Nyquist. Hasta hace no muchos años la música se almacenaba siempre en vinilo o en cinta magnética. como ratas y perros tienen . que nos proporciona información acerca del paso de una señal analógica a una señal discreta. un CD de música. Este proceso tiene una obvia ventaja: que nos permite trabajar con una sucesión de números en lugar de con toda la señal. y ambos soportes partían de una señal analógica y almacenaban también una señal analógica. es decir. en vuestra vida profesional es más fácil que os encontréis con señales discretas (digitales) que con señales continuas (analógicas). Entonces ¿cuál es intervalo de muestreo que debemos usar?. o teorema del muestreo. cuanto menor sea T ) menos información perderemos. también hay un inconveniente igualmente obvio: la señal muestreada no contiene. El problema es ¿a qué velocidad hemos de muestrear una señal sonora para que la señal muestreada sea gran calidad?. pero también más nos costará muestrear y almacenar y manipular la información. no quedarnos con toda la señal sino con la sucesión de valores de la señal tomados cada T segundos (este es el caso del muestreo uniforme en el tiempo. El progreso de la tecnología (en particular la tecnología informática) y la relativamente baja calidad y durabilidad de ambos soportes llevan a plantearse el almacenamiento digital de la música en forma de CD. Parece claro que cuantas más muestras por segundo tomemos (esto es. Y por supuesto. Este proceso consiste en muestrearla (“samplearla” en espanglish). Este límite no es común a todos los animales: algunos. Teorema de Nyquist Como ingenieros informáticos. Primero un par de consideraciones biológicas: nuestro oído “oye en frecuencias” (al igual que nuestros ojos ven en frecuencias) y está limitado en frecuencia: nadie oye señales de frecuencia superior a 20KHz. APLICACIONES A LA TEORíA DE LA SEÑAL.60 6. para ciertas señales puede ser más interesante un muestreo no uniforme). ya que el soporte físico es muchísimo más duradero y el tratamiento de la señal digital más versátil. en principio. el único que estudiaremos aquí. La respuesta a esto la da el teorema de Nyquist. Veamos un ejemplo concreto.

entonces su frecuencia fundamental (lo que habitualmente llamábamos 2π ω0 ) vale ω0 . . Y aquí es donde interviene el teorema de Nyquist.2. nuestros oídos no son capaces de percibir ninguna diferencia entre ambas señales. nótese que como su periodo (lo que habitualmente llamábamos T ) es ω0 . que nosotros no oímos pero ellas sí. Sea f : R −→ C una señal que admite transformada de Fourier F (lo que ocurre por ejemplo si f ∈ L2 (R)).1. ω0 ]. Usando la definición de Fs tenemos que (16) cn = 1 ω0 ωM −ωM F(ω)e 2π −ınω ω 0 dω. Por tanto la respuesta a la pregunta anterior “¿a qué velocidad hemos de muestrear una señal sonora para que la señal muestreada sea gran calidad?” es “A la velocidad necesaria para mantener las componentes de la señal de frecuencias inferiores a 20KHz”. Esta limitación de nuestro oído tiene consecuencias prácticas: si consideramos una señal sonora y le quitamos sus componentes de frecuencias superiores a 20KHz. Si F(ω) = 0 para todo ω > ωM = 2πfM entonces se puede determinar f en casi todo punto por medio de sus valores separados por intervalos uniformes menores que 2f1M segundos. Por tanto +∞ (14) donde (15) Fs (ω) = n=−∞ ω0 2 cn e 2π ınω ω 0 1 cn = ω0 − ω0 2 Fs (ω)e 2π −ınω ω 0 dω. Sabemos que F : R −→ C es una función que vale 0 para todo ω > ωM . Demostración. TEOREMA DE NYQUIST 61 la capacidad de oír señales de frecuencia superior. Por ser Fs periódica podemos expandirla en serie de Fourier. Teorema 2. Consideramos entonces ω0 > 2ωM y definimos la función Fs : R −→ C como una función periódica (¡en el dominio de la frecuencia!) de periodo ω0 dada por Fs (ω) = F(ω) para todo ω ∈ [−ω0 . y los famosos ultrasonidos usados en ocasiones para intentar ahuyentar ratas no son sino sonidos de frecuencia superior a 20KHz y gran volumen.

una vez conocida ésta conocemos F y a partir de F usando (??) recuperamos f. 2fM sin ωM (t − nT ) ωM (t − nT ) para el caso ωM = 2πfM . Observación. T = . APLICACIONES A LA TEORíA DE LA SEÑAL. Usaremos además que (17) f (t) = F −1 (F)(t) = 1 2π 1 2π +∞ F(ω)eıωt dω = −∞ +ωM = F(ω)eıωt dω.62 6. notemos que nuestra suposición ω0 > 2ωM implica que 2π > 4πfM . −ωM 2π ω0 Suponemos que hemos muestreado cada T = 2π puntos t = nT = n ω0 . en los F(ω)e ıω n2π ω 0 dω. Por tanto. Por (??) se tiene (18) f (nT ) = f n2π ω0 = 1 2π +ωM −ωM segundos. a partir de los cn usando (??) podemos conocer Fs . comparando (??) y (??) se tiene cn = 2π f ω0 − n2π ω0 = T f (−nT ). 2fM lo cual termina la demostración. podemos conocer los cn a partir de los valores muestreados f (nT ). Se puede demostrar (y está escrito con todo detalle en el libro [?]) que si se unen todos los datos anteriores se obtiene que la manera de recuperar f (t) a partir de los datos muestreados es ∞ f (t) = n=−∞ f (nT ) 1 . Para terminar. Ahora. T es decir 1 T < .

en primer lugar elegimos una frecuencia ωc > ωM (habitualmente ωc es de hecho mucho mayor que ωM ) y consideramos la señal modulada m(t) = f (t) cos ωc t. F(ω) = 0 para cada ω > ωM ) y deseamos transmitirla.1. Entonces F(f (t) cos ωc t)(ω) = y F(f (t) sin ωc t)(ω) = F(ω − ωc ) + F(ω + ωc ) 2 F(ω − ωc ) − F(ω + ωc ) . pero esto no es importante). Veamos como el aparato receptor recibe m(t) y recupera f (t). Obtenemos entonces la señal 1 + cos 2ωc t f (t) f (t) cos 2ωc t m(t) cos ωc t = f (t) cos2 ωc t = f (t) = + . Tenemos una señal f (t) limitada en frecuencia (esto es. resulta claro que pasando m(t) cos ωc t por un filtro paso bajo recuperamos f (t) (divida por 2. 2 2 2 Puesto que F(m(t) cos 2ωc t)(ω) sólo vales distinto de 0 en dos entornos de centros ±2ωc y radio ωM . Esta señal m(t) es la que se emite. .3. Para ello. Supongamos que en el receptor multiplicamos m(t) por cos ωc t. Sea f (t) una señal que admite transformada de Fourier F(ω). 2ı Esto nos da pie al siguiente simple razonamiento. Observamos que la transformada de Fourier de m(t) consiste simplemente de dos copias de la transformada de f centradas en ±ωc . MODULACIÓN DE AMPLITUD 63 3. Modulación de amplitud Necesitamos el siguiente resultado Proposición 3.

.

Introducción al Análisis Matemático de una variable Noriega Editores 1996. Interamericano 1973. 65 . Hsu. Brown. M. [3] R. [2] R. Sherbert. Bartle y D. Calculus. Reverté 1990. Schafer y J. [4] H. Apostol. G. R. [5] A. Oppenheim. Prentice Hall 2000. Análisis de Fourier Fondo Educ. Tratamiento de señales en tiempo discreto. Churchill y J.Bibliografía [1] T. Buck. Ed. Variable compleja y aplicaciones McGraw-Hill 1990. R.