Transformada Discreta

de Fourier.

Procesado Digital de Señales. 4º de Ingeniería Electrónica.

Profesor Emilio Soria. E.T.S.E. Universitat de València.
 Hasta ahora se ha visto......
Importancia de la respuesta
en frecuencia de un sistema
Tenemos otra forma de caracterizar
los sistemas L.T.I
Herramienta muy potente para
determinar salidas cuando las entradas
son sinusoides o combinación de éstas.
Permite realizar aplicaciones que en el
dominio temporal son difíciles de
comprender (por ejemplo filtrado)
PROBLEMA: TENEMOS UN SUMATORIO CON LÍMITES ±∞
Procesado Digital de Señales. 4º de Ingeniería Electrónica.
Profesor Emilio Soria. E.T.S.E. Universitat de València.
Transformada de Fourier de
una señal discreta
Tenemos una forma de expresar la
señal como una suma infinita de
sinusoides
Utilizando esta descomposición de la
señal junto con la respuesta en
frecuencia tenemos una forma sencilla
de determinar la salida de un sistema en
el estacionario.
 l= 0
! $ + x n # Pn"1 # x n
r
Pn"1 # x n Pn"1 " k(n) # x nt # Pn"1
k(n) = rt r Pn =
! N x n # Pn"1 # x n
$+ $
!
%
x(n) = x(k) " r#t( n $ k )
P " k(n) # x n # Pn"1
!
Desarrollo en serie de Fourier discreto (DFS)
Pn = n"1
k= 0
$ N #1 # j" 2" $ " s" n N #1 N #1 j" 2" $

Supongamos N $1 x(n) periódica (periodo !

j# 2# % # k# n
una señal $discreta N); esto es % x(n)
N "e
N
N =& " %% X (k) " e

!
!
x(n) = " # Sabemos
x(n+N)=x(n). &
X (k) # e queNa nivel temporal esta señal se puede x(n)
n= 0 ==
x(n) %
% x(k)" #"(#n($n k$) k ) k= 0 n= 0
x(k)
expresar,
N enk=el0 primer periodo y usando deltas desplazadas, como: k= 0
k= 0
x(n) = % x(k) " # ( n $ k )
N $1 j" 2" #N" ($1
k$s)" n $ j# 2# % # k# n
' 0 j# 2#k$&# k#sn
k= 0 j" 2" #
Podemos " s" n
plantear ' N %1
otra %N j"
representación *j" 2" $ "j"s" n2" # " s" nN!
#12" # " k" n #alternativa usando j" 2" $ " ( k#s)" nN %1

x(n) =j# 2#$$ #"k#)n

" e N %1 N complejas
exponenciales & X (k)
que, N %
x(n) " e
" e ya hemos "visto,
como , N
e N= & "
#1 N #1

%% X (k)
son la base x(n) = " #
x(n)
" e %
e=N" # N
&&
X (k)=# e( N N
X (k) #N e k=s )
) , ! n= 0 k= 0
! en el
x(n) # & X (k)frecuencial,
= "dominio # e N ( k= 0esto es n= 0
+ !k= 0 n= 0
k= 0
! k= 0
Evidentemente el objetivo ahora es determinar X(k) y α; para ello algunas j" 2" # " s" n
operaciones..... ' N %1 % j" 2" # " k" n * j"
N $1 j" 2" # " ( k$s)" n
# j" 2" $ " s" n ' N #1
N $1 N $1 ,% N$ j" 2" # " ( k$s)N
!j" 2" $ " k" n * # j" 2" $ " s"Nn
e
'0 k & s
N=#1
(
N #1
# j" 2" $ " s" nx(n) " eN #1 N #1 =
% %%
# j" 2" $ " s" n
# j"N2" $ " s" n $ " ) ' N
) & #1 " e
j" 2" $X" ((k)
k#s)" n ,
" en *
Nj" 2" $ ," k"
N $1
x(n) " e N j" = 2" # " s") n
%" & X (k) " e N "n=e0 ) x(n)k!
%
"n != s N x(n)x(n)
"e =& " " e " eN N
=
X (k) " e ) %
( =" )&
k= 0 &
"NNX" X (k) (s)" e N+ ,
,
!! % x(n) " e N ) ( k= 0= & " % % X+(k) " e , N
n= 0
! n= 0
k= 0 n= 0
( k= 0 +
n= 0 k= 0 n= 0 N #1 tomando α=1/N
Aplicando la ortogonalidad de las # j" 2" $ " s" n N $1 j" 2" # " s" n N $1 N $1 $ j" 2" # " ( k$
! es,
exponenciales complejas, esto % x(n) " e N
N $1
N " X (s)
= & "!
j" 2" # " ( k$s)" n % x(n) " e N #1
= & "%
N
$ %
X (k) " e
# j" 2" " k" n
N
! n= 0 ! '0 k & s
N "1 " j# 2# $ # ( k"s)# n
'0 k&s ! e !N
Ecuación de análisis % = (X (k) = % x(n) " e
n= 0
)N k = s
Nk= 0 n= 0
! %e N =(
)N k=s N #1
n= 0
# j" 2" $ " k" n
n= 0
n= 0 ! N "1 " j# 2# $ # ( k"s)# n
N #1 j" 2" $ " k" n
1 ' 0 k &N s
X (k) = %
EcuaciónNde #1
x(n) " e
síntesis
!
N
# j" 2" $ " s" n x(n)
e = % N" X=(k)
( %
" e
n= 0 N )N k = s
Procesado Digital de Señales. 4º de Ingeniería Electrónica.
N $1 Emilio Soria. j"E.T.S.E.
Profesor 2" # " s"Universitat
n de València.
! 1
N #1 x(n) %
j" 2" $" "ek" n
N n==0 & " N " X (s) k= 0

! % x(n) " e N = & " N " X (s)

x(n) = "
N
% X (k) " e
n= 0
N

k= 0 N $1 j" 2" # " s" n

 N $1 j" 2" # " ( k$s)" n
'0 k&s
$U (k) 0 " k " N # 1
! % e N =(
)N k=s
n= 0
X (k) = %
$&U0(k) 0otro
" k caso
" N #1
X (k) = %
& 0 otro caso N #1 # j" 2" $ " s" n
! % x(n) " e N = & " N " X (s)
n= 0
! Ejemplo de DFS.
!
Consideramos la siguiente!señal #1 0 " n " 4
x(n) = $
periódica aquí N=10 %0 5 " n " 9
N #1 # j" 2" $ " k" n

Aplicando la definición de DFS se tiene X (k) = % x(n) " e N

! 4 n= 0 # j" 2" $ " k" 5

9 # j" 2" $ " k" n # j" 2" $ " k" n N #1
11 # e 10 j" 2" $ " k" n
X (k) = % x(n) " e 10 = %e 10
x(n) = =
N
" % X# (k) "$e" k
j"#2"j"
N
2" $ " k" 5
n=9 0 # j" 2" $ " k" n n= 04 # j" 2" $ " k" n 1k=#10e# e 10 10
X (k) = % x(n) " e 10 = % e 10
=# j" 2" $ " k"#nj" 2" $ " k
n= 0
" j# $ # k j# $ # k
n= 0
" j# $ # k
W Nk" n = e 1% N# $ e# k ( 10
! sen
! Agrupando
e exponenciales
2 e 2 " e (como 2 siempre!!!). '& 2 *)
X (k) = " j# $ # k
# j# $ # k " j# $ # k
= e" j# $ # 0.4# k #
% $ %# k$(## j"k2"(% " k" n
N #1
" j# $ # k j#
10 " e "10j# $ # k
$ # k sensen
' ' "e * *N
!
e 10
e 2
e
e 2 " e! 2 X (k) =
" j# $ # 0.4# k
x(n) $
& 10 )
& 2 )
X (k) = " j# $ # k
# j# $ # k " j# $ # k
= e n= #
0
%$ #k(
e 10 e 10 " e 10 sen' *
& 10 )
! $
! Xe ( ) = % x(n) " e
jw # j" w" n

n=#$
! Procesado Digital de Señales. 4º de Ingeniería Electrónica.
Profesor Emilio Soria. E.T.S.E. Universitat de València.
 !"#$%&'%(&)*(+
!"#$%%%%%%%%%%%%%%%%%%%%%%&'$()$*+,
-.#./$*$"0, !"#$%& !"'()*

122"0"3"0,
Propiedades del DFS.
#$%&+,+-$%& '()*,.()* Ejemplo de convolucion periódica
~
x2 [m]
4"*$5'"0, !"#$%&+,+/"-$%&+ !"'()*,/".()*

3 4"3
6)70"87"+50".* 9 #$%&+"-$%& $ ! '(2*.() 0 2* m
4 2 #5 –N 0 N
4"3 ~
x1 [m]
:.*3.7)0".* 9 ! #$1& $ -$% " 1& '()*".()*
1 #5
8! ) $1
!"#$%;<"=0"*/ #$%+0 1& "9
7
6 $ '()* –N 0 N m

8! 2 : x~2 [– m]
&'$()$*+,%;<"=0"*/ %9 '()+0 2*
6 7 $ #$%&
!"#$%&'()*+"()")*$,"-**./0"&*1,23*

Linealidad
!!"#!"$%&'()**+"", -./01223"", !"#$%&$'()(*+,%,'- .($/ 01''!"#$%&$'2&$%&,''''' 11 !"14 –N 0 N m

Producto ~
x2 [1 – m] = x~2 [–(m – 1)]

Convolución periódica
Desplazamiento temporal –N 0 N m

Desplazamiento frecuencial. ~
x2 [2 – m] = x~2 [–(m – 2)]

Procesado Digital de Señales. 4º de Ingeniería Electrónica. –N 0 N m

Profesor Emilio Soria. E.T.S.E. Universitat de València.

Figure 8.3 Procedure for forming the periodic convolution of two periodic
sequences.
 N #1 j" 2" $ " k" n
1
x(n) = "
N
% X (k) " e N

k= 0

# j" 2" $ " k" n

W Nk" n = e N
!
Muestreo de la Transformada de
Fourier Nde
#1 una
# j"secuencia
2" % " k" n discreta (I)% " j# "
% 2# j#$ 2## k$(# k
( + + " j# 2# "$j# #2#k#$n# k# n

! X (k) = $ x(n) "e N U (k) = X=%'eX

U (k) ' "'
N
,, * = x(n)
j#e2# $ # kN( * =* +
Muestreamos '(EN EL DOMINIO *
# e" j## 2#e $N# k# nN
x(n)
FRECUENCIAL)
U (k) = X 'e& & N * )= )n="+
* ,
Sabemos quen=la 0Transformada de Fourier x(n) # e
n="+ N
' N muestras;
considerando recordemos que X(jw) es
de una secuencia discreta viene definida & )
periódican="+
con periodo
por la siguiente expresión: N $1 j" 2" # " k" n
1 1% "Nj#$12# $ # k ( Nj"+2" # " k" n " j# 2# $ # k# n
$ !! u(n) = = "N $1" U (k)
u(n) U (k) %%
" ej" "2"e# " k" nN
!
( ) %
X e jw = x(n) " e# j" w" n ! u(n)U (k)
=
N
1= XN'k=e 0
" U
' k= 0
N
(k) " e
* = N x(n) # e
* % , N

N & ) n="+
n=#$ k=N0#1
N'#1' $$ # j" 2"#& j" "2"k"&m" k"* m *j" 2" &
j" "2"k"&n" k" n
% " j# 2# $ # k ( " j# 2# $ # k# n 1
+
u(n) = = "N1#1"' ) $) x(m)
u(n) %%%%
x(m) "e# j""e2" &N" k" mN * , "ej",2""e& "Nk" nN
U(k) es periódica
U (k) = X 'e (periodo
N
corresponder a'los coeficientes
* =N) se puede
x(n)
* de un DFS. !
# e ,
! ! N u(n) = 1N"1Nk=N)0 $1
u(n) N
)( m=#$
= " )k= 0U m=#$
)
( x(m) %%%
(k) " e N
e
"
j" 2" # " k" n
N ,
,
"
,+ , N
e +
! & en la señal )temporal
Estoy interesado n="+que se ! Nk= 0 ( m=#$ +
k= 0
obtiene de esos coeficientes $ $ ' ' N #1N #1j" 2" &j" "2"k"&( n#m )* )*
" k" ( n#m
1
N $1 j" 2" # " k" n !! u(n) = =
u(n) %%
$ 1 x(m) %%
N #1''") $") N"1#1" ej" 2"e#& "j"k"2"N( n#m
x(m)
& "Nk")m* *, ,j" 2" & " k" n

!
1
u(n) = " %U (k) " e N !
!
u(n)
u(n) = =m=#$ % % %%
" ")) )(1N)" Nx(m)
x(m)
Nm=#$ )( N (
0 "e N
k= e
k= 0
N , ,+ "e , N
, ,+ +
N m=#$ k= 0 ( m=#$ k= 0 +
k= 0
N $1 j" 2" j" # " k" ( n$m )
N $1 2" # " k" ( n$m ) ' N n $nm$ =mr=" N
'
e ne ( N ) ='(= ( #1 j" 2" & " k"(rn#m
N "N
1
N #1' $ Aplicando
# j" 2" k" m *
& "!
! %%
N $1
j" 2" j"
& " k" 2" # " N
k" $
n$m '
N 1 n
N
$ m = r " N
)) 0) "0n $enm$ &mr&N" N
*r entero
r )entero
u(n) = " ) %) %
Procesado Digital de Señales. 4º de Ingeniería
x(m) "e
Electrónica.
Profesor Emilio Soria. E.T.S.E. Universitat de València.
N !
! , "e % %
k=Nu(n)
0e
k= 0
= N x(m) = ( " %
))(0N nk=$0m & r " N
,
r r" Nentero
,
! N ,+ k= 0 m=#$ +
k= 0 ( m=#$
% %
% %
 )N ,
m=#$ ( k= 0 +

N $1 j" 2" # " k" ( n$m )

'N n $ m = r " N
! % e =(
0
) den $ m
N
& r " N
r entero
Muestreo de la k=
Transformada
0

Fourier de una secuencia discreta (II)

% %
Se llega finalmente a
! u(n) = & x(m) "# (n $ m $ r " N ) ' u(n) = & x(n $ r " N ) x [n]

m=$% r=$%
x [n]

0 8 n
$

! u(n) = % x(n " r # N )

0
(a)

8 ! n
r="$ x~[n] = !
r = –!
x[n – r12]
(a)
!

... $ u(n) 0 " n " N # 1 x~[n] = !

r = –!
x[n – r12]
...
x(n) = %
! & 00 otro caso n
– 12 8 !
N = 12
... x~[n] = !
r = –!
x [n – r7]...
(b)

– 12 0 8 n
N = 12
!
... Figure 8.8 (a) Finite-length sequence x [n ]. (b) Periodic sequence x̃ [n ] corre-
...
(b)
sponding to sampling the Fourier transform of x [n ] with N = 12.
– 14 –7 0 14 n
N=7
Procesado Digital de Señales. 4º de Ingeniería Electrónica.
Profesor Emilio Soria. E.T.S.E. Universitat de València.
Figure 8.8 (a) Finite-length sequence x [n ]. (b) Periodic sequence x̃ [n ] corre-
sponding to sampling the Fourier transform of x [n ] with N = 12.
Figure 8.9 Periodic sequence x̃ [n ] corresponding to sampling the Fourier trans-
 %Nx(n) "e
$1 j" 2" # " ( k$s)" n
= & " % % X (k) " e
N N n= 0
n= 0 '0 k & s k= 0 n= 0
! %e N =(
)N k ! =s #1 0 " n " 4
n= 0j" 2" # " ( k$s)" n
N $1 x(n)!= $ #1 0 " n " 4
'0 k & s % 0 5x(n)
"n" = $9
! %
Transformada e N
= ( Discreta
)N k = s de Fourier (DFT). %0 5 " n " 9
n= N
0 #1 # j" 2" $ " s" n
N #1
Conclusiones a tener en cuenta. $ # j" 2" " k" n
! % x(n) " e
Si x(n)n=tiene
N = & " N " X (s) X (k) =
longitud finita se puede recuperar
% x(n) " e
% x(n)usando
X (k) =obtenida "e
N
N #1 # j" 2" $ " k" n
N
0
N #1 # j" 2" $ " s" n La señal temporal dicho
! n= 0
dicha señal a partir de muestras de su muestreo de la Transformada de Fourier se n= 0
! % x(n)
Transformada " e = & " N
N " X (s)
de Fourier; no es necesario
! $ N #1
supone1periódica por construcción; aunque a
j" 2" " k" n
N #1 j" 2" $ " k" n
conocer dicha Transformada en todas las x(n) " %nos
= sólo (k) =" e 1el" primer
Xx(n) N
n= 0
frecuencias. #
nosotros
N
interesa
N
% periodo.
X (k) "e N

! 1 0"n"4 k= 0 k= 0
x(n) = $
% 0 5 " n Discreta
Se define la Transformada "9 de " j# 2# $ " j# 2# $
! Fourier (DFT)
# 1de una
0 " señal
n " 4x(n) como . Si se define N
x(n) = $ WN = e WN =e N
% 0N #1 5 " n "# j"92" $ " k"!
n !
% x(n) " e
X (k) =
N #1 # j" 2" $ " k" n
N
N #1 N #1
! n= 0
(k) = % x(n) " einversa queda
La XTransformada
!
N #1
1(ecuación de sintesis)
N
j" 2" $ " k" n X (k) =
! $ (k)Nk"=n
x(n)X"W $ x(n)Ec. k" n
"W NAnálisis
! x(n) = " % X (k) " e
definida como n= 0 N n= 0 n= 0
N N #1 j" 2" $ " k" n N #1 1
N #1
1 k= 0 1 x(n) $ #k" n
n X (k) "W N
x(n) = " % X (k) " e N x(n) = " $ =
X (k) "WNN "
#k"
Ec. Síntesis
N " j# 2# $ N k= 0
k= 0 k= 0
W N ="ej# 2# $N
Procesado Digital de Señales. 4º de Ingeniería Electrónica.
Profesor Emilio Soria. E.T.S.E. Universitat de València.
!
WN = e N
!
 1 x[n]
Ejemplo de DFT (I).
0 4 n
1 x[n]
Sea la1 señal x(n); vamos a x[n]
1 x[n]
(a)
calcular su DFT con N=5. 0 4 n
0 n 4 n
0 4
(a) ~
x[n]
Implícitamente suponemos
(a)
1 (a)
~
que se tiene la señal ... ... x[n]
~ 1
x[n]
... ~
1 0 5 10 15 20 n...
x[n]
... 1 ...

From Discrete-Time Signal Processing, 2e by Oppenheim, Schafer, and Buck ©1999-2000 Prentice Hall, Inc.
0 5 10 15 20 n

Aplicando la definición y ... 4 # j" 2" $ " k" n (b) # j" 2" $ " k ...

©1999-2000 Prentice Hall, Inc.

0 5 10 15 20 n 1# e '0 k & 5 " r
(b)

haciendo algunos cálculos X (k) = %0 x(n) " e 5 = =( r entero

From Discrete-Time Signal Processing, 2e by Oppenheim, Schafer, and Buck ©1999-2000 Prentice Hall, Inc.
#2" j" $ " k
(b) 5 10 )
155 k = 5 " r
20 ~ ~n
n= 0 5 5 1# e 5 X[k] X[k]

Buck Inc.
| X (e j!) | | X (e j!) |

Schafer, andHall,
~ (b)

by Oppenheim,Prentice
5 X[k] ...
| X (e j!) | ... Lo que obtenemos son infinitas ... ...

©1999-2000
~
... " j# $5
...# k j# $ # k –1 muestras
0 j# $1# k 2
" periodicas; %7sólo
$ 8# k (nos
10 X[k] k
!
2 j!)"| e 0 2
|eX (e
3 4 5 6
sen ' 9
* 4" 11 !

Buck 2e
2"
e 20 3 interesa
= e" el
j#6$ #primer
# periodo

Processing,
–1 1 2 4 5 0.4#7k 8 & 9 2 10 ) 11 k
X (k) = " j# $0# k # " j# $ # k 2" (c)
% $ # k 4"

and
j# $ # k ( !

Signal
–1 0 1 2 3 4 5 6 7 8 9... 10 11 k ...

Schafer,
sen' *

From Discrete-Time
0 2" 4"e 10 ! e 10 " e 10 (c) & 10 )

Discrete-Time Signal Processing, 2e by Oppenheim,

5 X[k]
(c)
–1 0 1 2 3 4 5 6 7 8 9 10 11 k
0 5 2" 4" !
X[k]
5 X[k]
Procesado Digital de Señales. 4º de Ingeniería Electrónica. –2 –1 0 1 6 7 8 9 10 11 k
Profesor Emilio Soria. E.T.S.E. Universitat de València. ! (c)2 3 4 5

(d)
Figure 8.10 Illustration of the DFT. (a) Finite-length sequence x [n ]. (b) Periodic
sequence x̃ [n ] formed from x [n ] with period N = 5. (c) Fourier series coefficients
–2 –1 0 1 2 3 4 5 6 7 8 9 10 11 5 k X̃ [k ] for x̃ [n ]. To emphasize that the Fourier series coefficients are samples of the
 x[n]
1
x[n]
1
x[n]
1
0 4 n
0 4 n
(a)
(a) n
Ejemplo de DFT (II). 0 4
~
x[n] ~
(a) x[n]
1
Ahora consideramos N=10. 1

Implícitamente suponemos ~
x[n]
1
que se tiene la–10señal –10 0 4 0 4 10 n
10 n

(b) (b)
$ (" k & & $)" k )
–10 9
9 # j" 2" $ " k" n
# j" 2" $ " k" n 4
4
0
# j" $ " k" n
# j" $ " k" n 1
4 # # j" $ " k
# j"e$ " k sensen
10 ( + n+
# j" $ " 0.4" k ' 2' *2 *
Operando XX
(k)(k) %%
= = x(n) x(n)
" e" e 10
10
= = x(n) %%
x(n)
"5e " e 5
3.24
5 1 # e
= = 5# j" $#"j"k $=" k e#=j"e$ " 0.4" k " " |&X[k]|
3.24 3.24 sen (
$)" k )
& $ " k3.24
| X[k]|
n=
n= 0 0 n=
n= 0 0 (b) 1 #1e# e5
5 sen( + + ' 10
1.24 1 ' 10
1.24 * *
1.24 1 1.24
5 | X[k]|
–10 0 10 k
–10 0 3.24 3.2410 k
!! " $j##$k # k
" j# j# $j## $
k #k " j#"$j## k$ # k 1.24 % $1.24
(c) %
#$k (# k (
(c) 1 sen
sen ' ' * *
e22 e2 2 "e 2 2 & &2 2) )
(k)= =e
XX(k) #
e# "e
=e =" ej#"$j## 0.4#
$ # 0.4#
k k
# # !X[k]
–10 " j# $ # k
" j# $ # k j# $j## $
k #k " j#"$j## k$ #0k % $%#$k (# k ( 10 0.4k!
!X[k]
e e 1010 e e10 10 " e" e10 10 sen
sen' ' * * 0.4 !
(c) & 10) )
& 10 0.2 !
0.2 !
–10 0 10 k
–0.2 ! 10 !X[k]
–10 0 0.4 ! k
–0.2 ! –0.4 !
!! 0.2 !
–0.4 ! (d)
Procesado Digital de Señales. 4º de Ingeniería Electrónica.
–10 (d) k
Profesor Emilio Soria. E.T.S.E. Universitat de València. Figure 8.110 Illustration of the DFT. (a) Finite-length sequence
10 x [n ]. (b) Periodic
sequence x̃ [n ] formed from –0.2
x [n ] with
! period N = 10. (c) DFT magnitude. (d) DFT
Figure 8.11 phase.
Illustration (x’sDFT.
of the indicate values.) x [n ]. (b) Periodic
indeterminate sequence
(a) Finite-length
sequence x̃ [n ] formed from x [n ] with period N!Processing,
–0.4Signal
From Discrete-Time = 10.2e(c) DFT magnitude.
by Oppenheim, (d) DFT
Schafer, and Buck ©1999-2000 Prentice Hall, Inc.
 X (k) = % x(n) " e 10 = % x(n) " e 5 = # j" $ " k
=e "
&$ "k)
n= 0 n= 0 1# e 5 sen( +
' 10 *

! #1 0 " n " 4
x(n) = $
! " j# $ # k % 0j# $ # k5 " "nj# "
$ # k9 %$ #k(
Propiedades
e 2
de la DFTTABLE" j#8.2$ # 0.4# k '& 2 *)
e 2 "e 2
sen
X (k) = " j# $ # k #N #1j# $ # k =e #
"# j#j"$2"# k$ " k" n Finite-Length Sequence (Length N) N-point DFT (Length N)
%$ #k(
eX (k)
10 = e 10 %
x(n)"" ee 10 N 1. x[n]
2. x [n], x [n]
sen'
& 10 )
1
*
2
X [k]
X 1 [k], X2 [k]

! n= 0 3. ax1 [n] + bx2 [n] a X 1 [k] + bX 2 [k]

j" 2" $4." k"Xn[n] Nx[((−k)) N ]

x [( ) N ] 1
( n ) = x [( n
x(n) =
N #1
módulo N )]
" % X (k) " e N
5. x[((n − m)) N ]
6. −!n
WN x[n]
WNk m X [k]
X[((k − !)) N ]
! N N−1
!
k= 0 7. x1 (m)x2 [((n − m)) N ] X 1 [k]X2 [k]
m=0
N−1
!
" j# 2# $ 1
! 8. x1 [n]x2 [n]
N
X1 (!)X 2 [((k − !)) N ]

WN =e N 9. x ∗ [n]
!=0
X ∗ [((−k)) N ]
! 10. x ∗ [((−n)) N ] X ∗ [k]
11. Re{x[n]} X ep [k] = 1 {X [((k)) N ] + X ∗ [((−k)) N ]}
2
12. jJ m{x[n]} Xop [k] = 1 {X [((k)) N ] − X ∗ [((−k)) N ]}
2
N #1 13. xep [n] = 1 {x[n] + x ∗ [((−n)) N ]} Re{X [k]}

$
2

X (k) = x(n) "W Nk" n 14. xop [n] = 1 {x[n] − x ∗ [((−n)) N ]}

2
jJ m{X [k]}
! n= 0
Properties 15–17 apply only when x[n] is real.

X [k] = X ∗ [((−k)) N ]


 Re{X [k]} = Re{X[((−k)) N ]}
N #1 15. Symmetry properties J m{X [k]} = −J m{X[((−k)) N ]}
1 
 |X [k]| |X[((−k)) N ]|
x(n) = "
N
$ X (k) "W #k" n
N
16. xep [n] = 1 {x[n] + x[((−n)) N ]}
2

!{X [k]}
Re{X [k]}
=
= −!{X[((−k)) N ]}

k= 0 1
Procesado Digital de Señales. 4º de Ingeniería Electrónica. 17. xop [n] = {x[n] − x[((−n)) N ]} jJ m{X [k]}
2
Profesor Emilio Soria. E.T.S.E. Universitat de València.

From Discrete-Time Signal Processing, 2e by Oppenheim, Schafer, and Buck ©1999-2000 Prentice Hall, Inc.
 X (k) = " j# $ # k
# j# $ # k " j# $ # k
=e #
%
e 10 e 10 " e 10 sen'
&

x [((n)) ] = x[(n módulo N )]

N
Cuestiones a tener en !cuenta con la$ DFT
La Transformada de Fourier de una secuencia
discreta x(n) viene definida de la siguiente forma (
X e j" w =) % x( l ) " e j" w" l

! l= #$
Aquí teníamos dos problemas; por una parte tenemos un sumatorio infinito; necesito conocer
TODA la secuencia x(n) desde ± ∞ para calcular dicha Transformada de Fourier.
Por otra parte, la Transformada de Fourier
! es función de una variable (w) que puede tomar
infinitos valores (intervalo 0-2⋅π).

Las soluciones han sido por una parte restringir el tamaño de x(n); este hecho tendrá una
repercusión directa sobre la RESOLUCIÓN de la DFT. Se define dicha resolución como la
mínima frecuencia que la DFT puede discernir. De modo intuitivo si tengo una señal de
duración 1 s la mínima frecuencia que podré diferenciar es 1 Hz (en ese intervalo temporal la
sinusoide completa con frecuencia mínima es la de 1 Hz). Otro efecto relacionado con el
anterior es el del enventanado que se comentará más adelante.
Por otra parte, se ha muestreado la Transformada de Fourier lo que conduce a efectos
parecidos a los que se tenía cuando se muestreaba a nivel temporal; por una parte la
repetición de espetros (a nivel temporal) se traduce aquí en una repetición de la señal
temporal. Esto además conlleva a tener en cuenta los posible efectos del “aliasing
temporal”.
Procesado Digital de Señales. 4º de Ingeniería Electrónica.
Profesor Emilio Soria. E.T.S.E. Universitat de València.