MATEMÁTICAS

ESPECIALES
Gustavo Adolfo Gallego Castañeda

EJE 4
Propongamos

Fuente: Shutterstock/258980774
 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

Aplicaciones y otras formas de la transformada de Fourier . . . . . . . . . . . . . . 4

Otras formas para la transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . 5

Señales en tiempo discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

Serie de Fourier compleja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

Transformada discreta de Fourier (DFT) . . . . . . . . . . . . . . . . . . . . . . . . . 9

Transformada rápida de Fourier (FFT) . . . . . . . . . . . . . . . . . . . . . . . . . . 10

Componentes de frecuencia de Señales . . . . . . . . . . . . . . . . . . . . . . . . . 11

Aplicaciones y usos de la transformada de Fourier . . . . . . . . . . . . . . . . . . . . . 13

Análisis de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

Análisis de manchas solares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

Comunicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
ÍNDICE
 Introducción

Hablar de la transformada discreta de Fourier (DFT), implica que se debe tener

una forma de calcularla rápidamente. Entendido este punto, es importante revisar
lo trascendental del conocimiento de los algoritmos rápidos.

Un algoritmo eficaz que calcule la DFT, nos permite el uso de la transformada de

Fourier para el tratamiento de imágenes. Sin ellos aplicar la transformada resultaría
un tratamiento extenso y fastidioso. Cada punto en la imagen transformada nece-
sitaría N2 multiplicaciones complejas y N2-1 sumas complejas (sin contar el cálculo
de las funciones base - senos y cosenos -). En total, necesitamos N4 multiplicaciones
complejas y N2 (N2-1 ) sumas complejas.
INTRODUCCIÓN

Si se tiene de presente solo las multiplicaciones, un ordenador podría realizar más

de 50000 de estas reales por segundo en aproximadamente tres meses, transfor-
mando una imagen de 640 x 480 pixeles. Inclusive con una supercomputadora que
establezca una alta potencia operacional, se tardaría alrededor de unos diez minutos
o menos. Supuestos estos datos se hace necesario el acierto para escoger cómo
minimizar este número de operaciones para el tratamiento de imágenes contando
con un algoritmo adecuado. Obtener este resultado, nos conduce a estudiar la
organización interna de una propuesta dada, su embrollo operacional y por sobre
todo indicar cuál sería el mínimo número de operaciones.

Una vez aclarado brevemente la necesidad de los algoritmos rápidos, abordamos

la transformada rápida de Fourier (FFT). Ella establece uno de los más importantes
aportes en la tecnología del tratamiento de la imagen (en general, de cualquier
tipo de señal).

Los variados usos de la FFT aparecen de sus raíces: la transformada discreta de

Fourier y de ahí, la transformada de Fourier.

El desarrollo de la computación y la informática, en particular la del ordenador

portátil, ha hecho de la FFT una herramienta de análisis manejable y potente.

El tratamiento de la DFT representa una secuencia de números reales o comple-

jos, de modo que es ideal como se dijo anteriormente para procesar información
almacenada en soportes digitales. La DFT se maneja generalmente en procesado
digital de señales y otras áreas del conocimiento afines, dedicadas a examinar las
frecuencias que contiene una señal muestreada, también para resolver ecuaciones
diferenciales parciales, y para llevar a cabo operaciones como convoluciones de
enormes números enteros.

En este orden de ideas la pregunta orientadora que nos guiará en el desarrollo de

este último eje del módulo es ¿Qué otras formas y qué aplicaciones de diferentes
campos de las ciencias pueden ser abordados mediante la transformada de Fourier?
 Aplicaciones y
otras formas de la
transformada de Fourier
 Desarrollo temático
Otras formas para la transformada de Fourier

Señales enOtras
Otras formasTiempoformas
para la para ladetransformada
Discreto
transformada Fourier de Fourier

Señales
Otras
Una en
señal
Señales tiempo
formas
en
entiempo
Tiempo discreto
para la Discreto
transformada
discreto deuna
(STD) 𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛) es Fourier
función cuya variable independiente es
un entero. Gráficamente se representa como en la figura. Un elemento substancial de
Señales
Una
esta señal enen
función es Tiempo
tiempo
que no estáDiscreto
discreto (STD) 𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛)
definida paraes una
dos función sucesivas.
muestras cuya variable independiente
De igual forma no es
es
un entero.
posible queGráficamente se representa
𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛) = 0, simplemente la comoseñal en la figura.
x(n) no estáUndefinida
elemento substancial
para de
valores no
Una señal en tiempo discreto (STD) 𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛) es una función cuya variable independiente es
esta función es que no
enteros de n (Alvarado, 2011).está definida para dos muestras sucesivas. De igual forma no es
un entero. Gráficamente se representa como en la figura. Un elemento substancial de
posible que 𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛) = 0, simplemente la señal x(n) no está definida para valores no
esta función es que no está definida para dos muestras sucesivas. De igual forma no es
enteros de n (Alvarado, 2011).
posible que 𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛) = 0, simplemente la señal x(n) no está definida para valores no
enteros de n (Alvarado, 2011).

Por otra parte se encuentran representaciones alternativas que se utilizan para Figura 1.
Fuente: propia
fines matemáticos. Se destacan entre otros los siguientes:
Por otra parte se encuentran representaciones alternativas que se utilizan para
fines matemáticos. Se destacan entre 1otros 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝los 𝑛𝑛𝑛𝑛 = 1,3
siguientes:
Por otra parte se encuentran
𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛) = � 4 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑛𝑛𝑛𝑛 = 2alternativas que se utilizan para
representaciones
fines matemáticos. Se destacan entre otros
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑛𝑛𝑛𝑛los
0 1𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 siguientes:
𝑝𝑝𝑝𝑝𝑜𝑜𝑜𝑜=𝑣𝑣𝑣𝑣𝑝𝑝𝑝𝑝𝑣𝑣𝑣𝑣
1,3𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜
𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛) = � 4 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑛𝑛𝑛𝑛 = 2
1 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
0 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑝𝑝𝑝𝑝𝑛𝑛𝑛𝑛𝑜𝑜𝑜𝑜 𝑣𝑣𝑣𝑣𝑝𝑝𝑝𝑝𝑣𝑣𝑣𝑣
= 1,3 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜
𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛) = � 4 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑛𝑛𝑛𝑛 = 2
0 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑝𝑝𝑝𝑝𝑜𝑜𝑜𝑜 𝑣𝑣𝑣𝑣𝑝𝑝𝑝𝑝𝑣𝑣𝑣𝑣𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜

Tabularmente se representa como:

7
𝑥𝑥𝑥𝑥 ⋯ ⋯
-2 -1 0 1 2 3 7
7
𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛) ⋯ ⋯
0 0 0 1 4 1

Fuente: Propia.
Tabla 1.
Fuente: propia
Igualmente se puede representar como una secuencia

𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛) = {⋯ ,0,0,1,4,1,0, ⋯ }
Matemáticas especiales - eje 4 propongamos
Las señales básicas que se estudian con frecuencia en el procesamiento de las
5
 -2 -1 0 1 2 3

𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛) ⋯ ⋯
0 0 0 1 4 1

Fuente: Propia.

Igualmente se puede representar como una secuencia

𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛) = {⋯ ,0,0,1,4,1,0, ⋯ }

Las señales básicas que se estudian con frecuencia en el procesamiento de las

mismas son:

a) El impulso unitario que se simboliza como 𝛿𝛿𝛿𝛿(𝑛𝑛𝑛𝑛) y se escribe:

1 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑛𝑛𝑛𝑛 = 0
𝛿𝛿𝛿𝛿(𝑛𝑛𝑛𝑛) = �
0 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑛𝑛𝑛𝑛 ≠ 0

Esta se diferencia de la función analógica 𝛿𝛿𝛿𝛿(𝑜𝑜𝑜𝑜) = 0 que siempre será 0 excepto

para 𝑜𝑜𝑜𝑜 = 0.

b) La función escalón unitario que se simboliza como 𝑢𝑢𝑢𝑢(𝑛𝑛𝑛𝑛) y se escribe:

1 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑛𝑛𝑛𝑛 ≥ 0
𝑢𝑢𝑢𝑢(𝑛𝑛𝑛𝑛) = �
0 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑛𝑛𝑛𝑛 < 0

c) La función rampa unitaria que se simboliza como 𝑢𝑢𝑢𝑢𝑟𝑟𝑟𝑟 (𝑛𝑛𝑛𝑛) y se escribe:

𝑛𝑛𝑛𝑛 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑛𝑛𝑛𝑛 ≥ 0

𝑢𝑢𝑢𝑢𝑟𝑟𝑟𝑟 (𝑛𝑛𝑛𝑛) = �
0 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑛𝑛𝑛𝑛 < 0

d) La función exponencial que se simboliza como una secuencia de la forma:

𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛) = 𝑝𝑝𝑝𝑝𝑛𝑛𝑛𝑛

Función que expresa dos situaciones, la primera si a es real entonces 𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛) es real
y la segunda si a es complejo se puede escribir como:

𝑥𝑥𝑥𝑥(𝑛𝑛𝑛𝑛) = 𝑝𝑝𝑝𝑝 𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒 −𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑖𝑖𝑖𝑖

Con 𝑝𝑝𝑝𝑝 𝑦𝑦𝑦𝑦 𝜃𝜃𝜃𝜃 los parámetros de magnitud y fase.

Matemáticas especiales - eje 4 propongamos 6

Serie de Fourier compleja
Serie de Fourier compleja

“Se puede reformular la serie de Fourier en términos complejos. Para esto se asume
que 𝑓𝑓𝑓𝑓 es una función de variable real con periodo 𝑇𝑇𝑇𝑇 y se supone que 𝑓𝑓𝑓𝑓 es
integrable en [−𝑇𝑇𝑇𝑇/2, 𝑇𝑇𝑇𝑇/2]. Reemplazando 𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 = 2𝜋𝜋𝜋𝜋/𝑇𝑇𝑇𝑇 se tiene que la serie de Fourier
es:
∞
1
𝑓𝑓𝑓𝑓(𝑥𝑥𝑥𝑥) = 𝑝𝑝𝑝𝑝𝑜𝑜𝑜𝑜 + �[𝑝𝑝𝑝𝑝𝑛𝑛𝑛𝑛 𝐶𝐶𝐶𝐶𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥) + 𝑏𝑏𝑏𝑏𝑛𝑛𝑛𝑛 𝑆𝑆𝑆𝑆𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒(𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥)]
2
𝑛𝑛𝑛𝑛=1

Expresando el coseno y el seno en su forma exponencial compleja tenemos:

∞
1 1 1
= 𝑝𝑝𝑝𝑝𝑜𝑜𝑜𝑜 + � �𝑝𝑝𝑝𝑝𝑛𝑛𝑛𝑛 �𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥 + 𝑒𝑒𝑒𝑒 −𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥 � + 𝑏𝑏𝑏𝑏𝑛𝑛𝑛𝑛 �𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥 − 𝑒𝑒𝑒𝑒 −𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥 ��
2 2 2
𝑛𝑛𝑛𝑛=1

∞
1 1 1
= 𝑝𝑝𝑝𝑝𝑜𝑜𝑜𝑜 + � � (𝑝𝑝𝑝𝑝𝑛𝑛𝑛𝑛 − 𝑠𝑠𝑠𝑠𝑏𝑏𝑏𝑏𝑛𝑛𝑛𝑛 )𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥 + (𝑝𝑝𝑝𝑝𝑛𝑛𝑛𝑛 + 𝑠𝑠𝑠𝑠𝑏𝑏𝑏𝑏𝑛𝑛𝑛𝑛 )𝑒𝑒𝑒𝑒 −𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥 �
2 2 2
𝑛𝑛𝑛𝑛=1

Ahora se define:

1
𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜 = 𝑝𝑝𝑝𝑝
2 𝑜𝑜𝑜𝑜
1
𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 = (𝑝𝑝𝑝𝑝 − 𝑠𝑠𝑠𝑠𝑏𝑏𝑏𝑏𝑛𝑛𝑛𝑛 ), ∀𝑛𝑛𝑛𝑛 ∈ 𝑍𝑍𝑍𝑍 +
2 𝑛𝑛𝑛𝑛
1
�𝑑𝑑𝑑𝑑��𝑛𝑛𝑛𝑛� = (𝑝𝑝𝑝𝑝 + 𝑠𝑠𝑠𝑠𝑏𝑏𝑏𝑏𝑛𝑛𝑛𝑛 ), ∀𝑛𝑛𝑛𝑛 ∈ 𝑍𝑍𝑍𝑍 +
2 𝑛𝑛𝑛𝑛
Reemplazando en la serie obtenemos:
∞

= 𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜 + ��𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥 + �𝑑𝑑𝑑𝑑��𝑛𝑛𝑛𝑛�𝑒𝑒𝑒𝑒 −𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥 �

𝑛𝑛𝑛𝑛=1

Así:
1 1 𝑇𝑇𝑇𝑇⁄2
𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜 = 𝑝𝑝𝑝𝑝𝑜𝑜𝑜𝑜 = � 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜)𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑛𝑛𝑛𝑛 = 1,2,3, ⋯
2 𝑇𝑇𝑇𝑇 −𝑇𝑇𝑇𝑇⁄2

Ahora obtenemos 𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 :

1 1 𝑇𝑇𝑇𝑇⁄2
𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 = (𝑝𝑝𝑝𝑝𝑛𝑛𝑛𝑛 − 𝑠𝑠𝑠𝑠𝑏𝑏𝑏𝑏𝑛𝑛𝑛𝑛 ) = � 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜)𝑒𝑒𝑒𝑒 −𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥 𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜
2 𝑇𝑇𝑇𝑇 −𝑇𝑇𝑇𝑇⁄2

Entonces:
9
1 1 𝑇𝑇𝑇𝑇⁄2
�𝑑𝑑𝑑𝑑��𝑛𝑛𝑛𝑛� = (𝑝𝑝𝑝𝑝𝑛𝑛𝑛𝑛 + 𝑠𝑠𝑠𝑠𝑏𝑏𝑏𝑏𝑛𝑛𝑛𝑛 ) = � 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜)𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥 𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜 = 𝑑𝑑𝑑𝑑−𝑛𝑛𝑛𝑛
2 𝑇𝑇𝑇𝑇 −𝑇𝑇𝑇𝑇⁄2 Matemáticas especiales - eje 4 propongamos 7
 1 1 𝑇𝑇𝑇𝑇⁄2
𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 = (𝑝𝑝𝑝𝑝 )
𝑛𝑛𝑛𝑛 − 𝑠𝑠𝑠𝑠𝑏𝑏𝑏𝑏𝑛𝑛𝑛𝑛 = � 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜)𝑒𝑒𝑒𝑒 −𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥 𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜
2 𝑇𝑇𝑇𝑇 −𝑇𝑇𝑇𝑇⁄2

Entonces:

1 1 𝑇𝑇𝑇𝑇⁄2
�𝑑𝑑𝑑𝑑��𝑛𝑛𝑛𝑛� = (𝑝𝑝𝑝𝑝 + 𝑠𝑠𝑠𝑠𝑏𝑏𝑏𝑏𝑛𝑛𝑛𝑛 ) = � 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜)𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥 𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜 = 𝑑𝑑𝑑𝑑−𝑛𝑛𝑛𝑛
2 𝑛𝑛𝑛𝑛 𝑇𝑇𝑇𝑇 −𝑇𝑇𝑇𝑇⁄2

Así, sustituyendo estos valores se tiene:

∞ ∞
𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥 −𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥
𝑓𝑓𝑓𝑓(𝑥𝑥𝑥𝑥) = 𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜 + ��𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒 + 𝑑𝑑𝑑𝑑−𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒 � = 𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜 � 𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥
𝑛𝑛𝑛𝑛=1 𝑛𝑛𝑛𝑛=−∞,𝑛𝑛𝑛𝑛≠0
∞

= � 𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥

𝑛𝑛𝑛𝑛=−∞

Así llegamos a la definición de la serie de Fourier compleja.

Definición. Sea f con periodo fundamental 𝑇𝑇𝑇𝑇. Sea 𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 = 2𝜋𝜋𝜋𝜋/𝑇𝑇𝑇𝑇. Entonces la serie de
Fourier compleja de 𝑓𝑓𝑓𝑓 es:
∞

𝑓𝑓𝑓𝑓(𝑥𝑥𝑥𝑥) = � 𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥

𝑛𝑛𝑛𝑛=−∞

Donde:

1 𝑇𝑇𝑇𝑇⁄2
𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 = � 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜)𝑒𝑒𝑒𝑒 −𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥 𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜
𝑇𝑇𝑇𝑇 −𝑇𝑇𝑇𝑇⁄2

𝑃𝑃𝑃𝑃𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑛𝑛𝑛𝑛 =
±1, ±2, ⋯ 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑛𝑛𝑛𝑛ú𝑚𝑚𝑚𝑚𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 𝑠𝑠𝑠𝑠𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑐𝑐𝑐𝑐𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑𝑒𝑒𝑒𝑒 𝐹𝐹𝐹𝐹𝑜𝑜𝑜𝑜𝑢𝑢𝑢𝑢𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑑𝑑𝑑𝑑𝑒𝑒𝑒𝑒 𝑓𝑓𝑓𝑓 ”
(Arteaga, 2010).

Lectura recomendada

En la página principal del eje revisa las lecturas con el fin de

profundizar en los conceptos tratados hasta el momento:

Procesamiento digital de señales (páginas 1 a la 9)

Arias, N.

El algoritmo de la transformada rápida de Fourier y su

controvertido origen
Ramírez, J.
10

Matemáticas especiales - eje 4 propongamos 8

 Transformada discreta de Fourier (𝑫𝑫𝑫𝑫𝑫𝑫𝑫𝑫𝑫𝑫𝑫𝑫

Transformada discretadiscreta
Transformada de Fourier
de(DFT)
Transformada discreta de Fourier
Según O’Neill,
Según P.O’Neill,
(2008),P.si (2008),
f tiene periodo
(𝑫𝑫𝑫𝑫𝑫𝑫𝑫𝑫𝑫𝑫𝑫𝑫) Según O’Neill, P. (2008), si f tiene periodo p, su s
Fourier (𝑫𝑫𝑫𝑫𝑫𝑫𝑫𝑫𝑫𝑫𝑫𝑫)
∞
p,periodo
si f tiene su seriep,
desu
Fourier compleja
serie de Fourier es:
compleja es:
� 𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜
∞ ∞ 𝑛𝑛𝑛𝑛=−∞
𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥
� 𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒 � 𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥
𝑛𝑛𝑛𝑛=−∞
Con 𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 = 2𝜋𝜋𝜋𝜋/𝑇𝑇𝑇𝑇 y coeficientes complejos:
𝑛𝑛𝑛𝑛=−∞

Con 𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 =Con

2𝜋𝜋𝜋𝜋/𝑇𝑇𝑇𝑇𝑤𝑤𝑤𝑤y𝑜𝑜𝑜𝑜 coeficientes complejos:complejos:
= 2𝜋𝜋𝜋𝜋/𝑇𝑇𝑇𝑇 y coeficientes 1 𝑇𝑇𝑇𝑇⁄2
𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 = � 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜)𝑒𝑒𝑒𝑒 −
𝑇𝑇𝑇𝑇 −𝑇𝑇𝑇𝑇⁄2
1 𝑇𝑇𝑇𝑇⁄2 1 −𝑖𝑖𝑖𝑖 𝑇𝑇𝑇𝑇⁄2
�𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 = � 𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜)𝑒𝑒𝑒𝑒
𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 =
𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜)𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥 𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜 −𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 𝑥𝑥𝑥𝑥
𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜 cambian los límites de integración, pu
𝑇𝑇𝑇𝑇 −𝑇𝑇𝑇𝑇⁄2 𝑇𝑇𝑇𝑇 −𝑇𝑇𝑇𝑇⁄2 Aquí se
reemplazamos el valor de 𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 :
Aquí se cambian los límites de integración,
Aquí se cambian los límites de integración, puesto puesto que la función que laesfunción periódica, y
es periódica, y
reemplazamos
reemplazamos 𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜valor
el valor de el : de 𝑤𝑤𝑤𝑤𝑜𝑜𝑜𝑜 : 1 𝛼𝛼𝛼𝛼+𝑇𝑇𝑇𝑇 𝑖𝑖𝑖𝑖
𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 = � 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜)𝑒𝑒𝑒𝑒 −
𝑇𝑇𝑇𝑇 𝛼𝛼𝛼𝛼
1 𝛼𝛼𝛼𝛼+𝑇𝑇𝑇𝑇 1 − 𝛼𝛼𝛼𝛼+𝑇𝑇𝑇𝑇
𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛2𝜋𝜋𝜋𝜋𝜋𝜋𝜋𝜋� 𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛2𝜋𝜋𝜋𝜋𝜋𝜋𝜋𝜋�
𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 = �𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 = 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜)𝑒𝑒𝑒𝑒
� 𝑇𝑇𝑇𝑇 𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜−
𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜)𝑒𝑒𝑒𝑒 𝑇𝑇𝑇𝑇 𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜
𝑇𝑇𝑇𝑇 𝛼𝛼𝛼𝛼 𝑇𝑇𝑇𝑇 Entonces 𝛼𝛼𝛼𝛼 puede ser cualquier real, se escoge 0 y te
𝛼𝛼𝛼𝛼

Entonces 𝛼𝛼𝛼𝛼Entonces
puede ser𝛼𝛼𝛼𝛼 cualquier
puede serreal, se escoge
cualquier real, 0seyescoge
tenemos:
0 y tenemos: 1 𝑇𝑇𝑇𝑇 𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛
𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 = � 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜)𝑒𝑒𝑒𝑒 −
𝑇𝑇𝑇𝑇 0
1 𝑇𝑇𝑇𝑇 1−𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛𝑇𝑇𝑇𝑇2𝜋𝜋𝜋𝜋𝜋𝜋𝜋𝜋� −𝑖𝑖𝑖𝑖𝑛𝑛𝑛𝑛2𝜋𝜋𝜋𝜋𝜋𝜋𝜋𝜋�
𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 = �𝑑𝑑𝑑𝑑𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜)𝑒𝑒𝑒𝑒 = � 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜)𝑒𝑒𝑒𝑒 𝑇𝑇𝑇𝑇 𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜
𝑃𝑃𝑃𝑃𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑑𝑑𝑑𝑑𝑜𝑜𝑜𝑜
𝑇𝑇𝑇𝑇
𝑇𝑇𝑇𝑇 0 𝑛𝑛𝑛𝑛 𝑇𝑇𝑇𝑇 0 𝑛𝑛𝑛𝑛 = 0 ± 1, ±2, ±3, ⋯, ahora se aproxi
Riemann. Para esto se divide el intervalo [𝑂𝑂𝑂𝑂, 𝑇𝑇𝑇𝑇] ent
𝑃𝑃𝑃𝑃𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑛𝑛𝑛𝑛 =𝑃𝑃𝑃𝑃𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
0 ± 1,𝑛𝑛𝑛𝑛±2, ±3, ⋯, ahora
= 0 ± 1, ±2, ±3, ⋯, ahora se aproxima se aproxima 𝑑𝑑𝑑𝑑 𝑛𝑛𝑛𝑛 mediante 𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 mediante una suma una desuma de
𝑁𝑁𝑁𝑁−1
Riemann. Para Riemann. esto Para se divide estoelseintervalo divide el[𝑂𝑂𝑂𝑂, 𝑇𝑇𝑇𝑇] entre[𝑂𝑂𝑂𝑂,N𝑇𝑇𝑇𝑇]subintervalos
intervalo entre N subintervalos de longitudde𝑇𝑇𝑇𝑇/𝑁𝑁𝑁𝑁. longitud 𝑇𝑇𝑇𝑇/𝑁𝑁𝑁𝑁.
1 −2𝜋𝜋𝜋𝜋
𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 ≈ � 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜𝑗𝑗𝑗𝑗 )𝑒𝑒𝑒𝑒
𝑁𝑁𝑁𝑁−1 𝑁𝑁𝑁𝑁−1
𝑇𝑇𝑇𝑇
𝑗𝑗𝑗𝑗=0
1 1 −2𝜋𝜋𝜋𝜋𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝜋𝜋𝜋𝜋𝑗𝑗𝑗𝑗� −2𝜋𝜋𝜋𝜋𝑖𝑖𝑖𝑖 𝑇𝑇𝑇𝑇 𝑖𝑖𝑖𝑖𝜋𝜋𝜋𝜋𝑗𝑗𝑗𝑗� 𝑇𝑇𝑇𝑇
𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛 ≈ � 𝑑𝑑𝑑𝑑𝑛𝑛𝑛𝑛𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜
≈ 𝑗𝑗𝑗𝑗 )𝑒𝑒𝑒𝑒� 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜𝑗𝑗𝑗𝑗 )𝑒𝑒𝑒𝑒 𝑇𝑇𝑇𝑇 � � 𝑇𝑇𝑇𝑇 � �
𝑇𝑇𝑇𝑇 𝑇𝑇𝑇𝑇 𝑁𝑁𝑁𝑁 Puesto 𝑁𝑁𝑁𝑁que 𝑜𝑜𝑜𝑜𝑗𝑗𝑗𝑗 puede ser un punto en cada su
𝑗𝑗𝑗𝑗=0 𝑗𝑗𝑗𝑗=0
escoge que sea 𝑐𝑐𝑐𝑐𝑇𝑇𝑇𝑇/𝑁𝑁𝑁𝑁 y se obtiene:
Puesto que Puesto 𝑜𝑜𝑜𝑜𝑗𝑗𝑗𝑗 puedeque ser 𝑜𝑜𝑜𝑜𝑗𝑗𝑗𝑗 puedeun punto ser un en punto cada en subintervalo
cada subintervalo [𝑐𝑐𝑐𝑐𝑇𝑇𝑇𝑇/𝑁𝑁𝑁𝑁, (𝑐𝑐𝑐𝑐 [𝑐𝑐𝑐𝑐 +𝑇𝑇𝑇𝑇/𝑁𝑁𝑁𝑁,
1)𝑇𝑇𝑇𝑇/𝑁𝑁𝑁𝑁
(𝑐𝑐𝑐𝑐 ] se
𝑁𝑁𝑁𝑁−1+ 1)𝑇𝑇𝑇𝑇/𝑁𝑁𝑁𝑁 ] se
escoge que sea 𝑐𝑐𝑐𝑐𝑇𝑇𝑇𝑇que
escoge /𝑁𝑁𝑁𝑁 ysea se obtiene:
𝑐𝑐𝑐𝑐𝑇𝑇𝑇𝑇/𝑁𝑁𝑁𝑁 y se obtiene: 1 −2𝜋𝜋𝜋𝜋𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖� 𝑇𝑇𝑇𝑇
= � 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜𝑗𝑗𝑗𝑗 )𝑒𝑒𝑒𝑒 𝑇𝑇𝑇𝑇𝑁𝑁𝑁𝑁 � � =
𝑁𝑁𝑁𝑁−1 𝑁𝑁𝑁𝑁−1 𝑁𝑁𝑁𝑁−1 𝑁𝑁𝑁𝑁−1
𝑇𝑇𝑇𝑇 𝑁𝑁𝑁𝑁
𝑗𝑗𝑗𝑗=0
1 1 −2𝜋𝜋𝜋𝜋𝑖𝑖𝑖𝑖 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑇𝑇𝑇𝑇
�𝑇𝑇𝑇𝑇𝑁𝑁𝑁𝑁−2𝜋𝜋𝜋𝜋𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖� 1 𝑇𝑇𝑇𝑇 1 −2𝜋𝜋𝜋𝜋𝑖𝑖𝑖𝑖 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖
� −2𝜋𝜋𝜋𝜋𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖�
= � 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜 = 𝑗𝑗𝑗𝑗 )𝑒𝑒𝑒𝑒� 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜𝑗𝑗𝑗𝑗 )𝑒𝑒𝑒𝑒 � � =𝑇𝑇𝑇𝑇𝑁𝑁𝑁𝑁 ���𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜 = 𝑗𝑗𝑗𝑗 )𝑒𝑒𝑒𝑒� 𝑓𝑓𝑓𝑓(𝑜𝑜𝑜𝑜𝑗𝑗𝑗𝑗𝑁𝑁𝑁𝑁)𝑒𝑒𝑒𝑒 𝑁𝑁𝑁𝑁
𝑇𝑇𝑇𝑇 𝑇𝑇𝑇𝑇 𝑁𝑁𝑁𝑁 𝑁𝑁𝑁𝑁 𝑁𝑁𝑁𝑁 𝑁𝑁𝑁𝑁 llegamos a la definición de la 𝐷𝐷𝐷𝐷𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹. Se acostum
Así
𝑗𝑗𝑗𝑗=0 𝑗𝑗𝑗𝑗=0 𝑗𝑗𝑗𝑗=0 𝑗𝑗𝑗𝑗=0

Así llegamos
Así allegamos
la definición de la 𝐷𝐷𝐷𝐷𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹.de
a la definición Selaacostumbra a definirla
𝐷𝐷𝐷𝐷𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹. Se acostumbra asin
Definición. el factor
𝑁𝑁𝑁𝑁1/N.
Seasin
definirla un [5]
número
el factor 1/N.[entero
5] positivo.
números 𝑁𝑁𝑁𝑁−1 complejos. 𝑁𝑁𝑁𝑁−1 Entonces la transformada
Sea 𝑁𝑁𝑁𝑁 un Sea
Definición.Definición. número
𝑁𝑁𝑁𝑁 un entero
númeropositivo.
entero Sea 𝑢𝑢𝑢𝑢 = �𝑢𝑢𝑢𝑢
positivo. 𝑗𝑗𝑗𝑗 �𝑗𝑗𝑗𝑗=0
Sea
definida una
𝑢𝑢𝑢𝑢 = �𝑢𝑢𝑢𝑢𝑗𝑗𝑗𝑗 �secuencia
por: una de
secuencia de
𝑗𝑗𝑗𝑗=0
números números
complejos.complejos.
Entonces Entonces
la transformada discreta de
la transformada 𝑢𝑢𝑢𝑢 es ladesecuencia
discreta 𝑈𝑈𝑈𝑈𝑘𝑘𝑘𝑘
𝑢𝑢𝑢𝑢 es la secuencia 𝑈𝑈𝑈𝑈𝑘𝑘𝑘𝑘
𝑁𝑁𝑁𝑁−1
definida por:
definida por: −2𝜋𝜋𝜋𝜋𝑖𝑖𝑖𝑖
𝑈𝑈𝑈𝑈𝑘𝑘𝑘𝑘 = � 𝑢𝑢𝑢𝑢𝑗𝑗𝑗𝑗 𝑒𝑒𝑒𝑒
𝑁𝑁𝑁𝑁−1 𝑁𝑁𝑁𝑁−1 𝑗𝑗𝑗𝑗=0
−2𝜋𝜋𝜋𝜋𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖� −2𝜋𝜋𝜋𝜋𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖�
𝑈𝑈𝑈𝑈𝑘𝑘𝑘𝑘 = � 𝑢𝑢𝑢𝑢𝑈𝑈𝑈𝑈𝑗𝑗𝑗𝑗𝑘𝑘𝑘𝑘𝑒𝑒𝑒𝑒 = � 𝑢𝑢𝑢𝑢𝑁𝑁𝑁𝑁𝑗𝑗𝑗𝑗 𝑒𝑒𝑒𝑒 𝑁𝑁𝑁𝑁
𝑗𝑗𝑗𝑗=0 𝑗𝑗𝑗𝑗=0
𝑃𝑃𝑃𝑃𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑘𝑘𝑘𝑘 = 0 ± 1, ±2, ±3, ⋯

𝑃𝑃𝑃𝑃𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑘𝑘𝑘𝑘 =𝑃𝑃𝑃𝑃𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝

0 ± 1,𝑘𝑘𝑘𝑘±2, = 0±3,
± 1,⋯±2, ±3, ⋯

Matemáticas especiales - eje 4 propongamos

11 9
11
Transformada rápida de Fourier (FFT)
Transformada rápida de Fourier ( FFT)

Según O’Neill, P. (2008), en 1965 J.W. Cooley de IBM y J.W. Tukey de la

Universidad de Princeton publicaron un artículo titulado: An Algorithm for the
Machine Computation of the Complex Fourier Series, donde describían en 5 páginas
un algoritmo muy eficiente para calcular la transformada discreta de Fourier. A
partir de ese momento y gracias a la aparición de los primeros computadores, el
cálculo de la 𝐷𝐷𝐷𝐷𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇 se volvió un proceso práctico y veloz que podía implementarse en
sistemas electrónicos para resolver problemas reales.

Si se considera la transformada discreta desde un punto de vista algorítmico, se puede

observar que por cada coeficiente se realiza una sumatoria de una operación por cada
dato. Es decir por cada dato se realiza una sumatoria de todos los datos, lo cual es
costoso en términos de operaciones. De este tipo de análisis se ha concluido que la
transformada discreta de Fourier de una secuencia de N datos requiere de 𝑁𝑁𝑁𝑁 2 ,
operaciones mientras que la 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇 requiere de solo 𝑁𝑁𝑁𝑁𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑔𝑔𝑔𝑔2 (𝑁𝑁𝑁𝑁)" .

Gracias a la implementación de la 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇 en el software o hardware se puede utilizar

la transformada de Fourier para resolver problemas de estadística, comunicaciones,
ingeniería, etc. Y en particular para realizar procesamiento digital de imágenes
(DIP). Se describen algunas
Gracias de estas aplicaciones
a la implementación en en
de la FFT la el
parte dos de
software este trabajo.
o hard-
ware se puede utilizar la transformada de Fourier para resol-
Componentes de frecuencia de Señales
ver problemas de estadística, comunicaciones, ingeniería,
etc., Y en particular para realizar procesamiento digital de
Como se estableció en la sección anterior, una señal es una función, en donde el eje x
imágenes (DIP). Se describen algunas de estas aplicaciones
representa el tiempo; frecuentemente en segundos. Entonces una señal 𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) se puede
en la parte dos de este trabajo.
representar con base a sus componentes de frecuencia así:
𝑁𝑁𝑁𝑁

𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) = � 𝐴𝐴𝐴𝐴𝑘𝑘𝑘𝑘 𝐶𝐶𝐶𝐶𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(2𝜋𝜋𝜋𝜋𝑤𝑤𝑤𝑤𝑘𝑘𝑘𝑘 𝑜𝑜𝑜𝑜 + 𝜃𝜃𝜃𝜃)

𝑘𝑘𝑘𝑘=1

Donde:

𝐴𝐴𝐴𝐴𝑘𝑘𝑘𝑘 𝑒𝑒𝑒𝑒𝑠𝑠𝑠𝑠 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝

𝑤𝑤𝑤𝑤𝑘𝑘𝑘𝑘 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑓𝑓𝑓𝑓𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑒𝑒𝑒𝑒𝑛𝑛𝑛𝑛 𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻

𝜃𝜃𝜃𝜃 𝑒𝑒𝑒𝑒𝑠𝑠𝑠𝑠 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑓𝑓𝑓𝑓𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝

La amplitud indica el valor máximo que toma el componente sinusoidal, así si

generamos una señal como 𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) = 3𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(𝑜𝑜𝑜𝑜) vemos que los máximos ocurren en 3:

𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) = 3𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(𝑜𝑜𝑜𝑜)

Matemáticas especiales - eje 4 propongamos 10

 operaciones mientras que la 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇 requiere de solo 𝑁𝑁𝑁𝑁𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑔𝑔𝑔𝑔2 (𝑁𝑁𝑁𝑁)" .
Gracias a la implementación de la 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇 en el software o hardware se puede utilizar
la Gracias a la implementación
transformada de la
de Fourier para 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇 enproblemas
resolver el softwaredeo estadística,
hardware se comunicaciones,
puede utilizar
la transformada de Fourier para resolver problemas de estadística, comunicaciones,
ingeniería, etc. Y en particular para realizar procesamiento digital de imágenes
ingeniería, etc. Y en particular para realizar procesamiento digital de imágenes
(DIP). Se describen algunas de estas aplicaciones en la parte dos de este trabajo.
(DIP). Se describen algunas de estas aplicaciones en la parte dos de este trabajo.
Componentes
Componentes
Componentes de
de frecuencia
frecuencia
de de Señales
Señales
de Señales
frecuencia de
Como
Comoseseestableció
establecióen enlala sección
sección anterior, unaseñal
anterior, una señalesesuna
unafunción,
función,
enen
donde donde el eje
el eje x x
representa
representaeleltiempo;
tiempo;frecuentemente
frecuentemente en en segundos.
segundos.Entonces
Entoncesuna una señal
señal 𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜)
𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) se puede
se puede
representar
representarcon
conbasebaseaasus
suscomponentes
componentes dedefrecuencia
frecuenciaasí:
así:
𝑁𝑁𝑁𝑁
𝑁𝑁𝑁𝑁

𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜)
(𝑜𝑜𝑜𝑜) ==�
� 𝐴𝐴𝐴𝐴
𝐴𝐴𝐴𝐴𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝐶𝐶𝐶𝐶𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(2𝜋𝜋𝜋𝜋𝑤𝑤𝑤𝑤
𝐶𝐶𝐶𝐶𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(2𝜋𝜋𝜋𝜋𝑤𝑤𝑤𝑤 𝑜𝑜𝑜𝑜 𝑜𝑜𝑜𝑜++𝜃𝜃𝜃𝜃)𝜃𝜃𝜃𝜃)
𝑘𝑘𝑘𝑘 𝑘𝑘𝑘𝑘
𝑘𝑘𝑘𝑘=1
𝑘𝑘𝑘𝑘=1

Donde:
Donde:
𝐴𝐴𝐴𝐴𝑘𝑘𝑘𝑘 𝑒𝑒𝑒𝑒𝑠𝑠𝑠𝑠
𝐴𝐴𝐴𝐴 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
𝑘𝑘𝑘𝑘 𝑒𝑒𝑒𝑒𝑠𝑠𝑠𝑠 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
𝑤𝑤𝑤𝑤 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑓𝑓𝑓𝑓𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑒𝑒𝑒𝑒𝑛𝑛𝑛𝑛 𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻
𝑤𝑤𝑤𝑤𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑓𝑓𝑓𝑓𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑒𝑒𝑒𝑒𝑛𝑛𝑛𝑛 𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻
𝜃𝜃𝜃𝜃 𝑒𝑒𝑒𝑒𝑠𝑠𝑠𝑠 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑓𝑓𝑓𝑓𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
𝜃𝜃𝜃𝜃 𝑒𝑒𝑒𝑒𝑠𝑠𝑠𝑠 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑓𝑓𝑓𝑓𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
La amplitud indica el valor máximo que toma el componente sinusoidal, así si
Lageneramos
amplitud una
indica
señalelcomo
valor𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜)
máximo quevemos
= 3𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(𝑜𝑜𝑜𝑜) toma
queelloscomponente sinusoidal,
máximos ocurren en 3: así si
generamos una señal como 𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) = 3𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(𝑜𝑜𝑜𝑜) vemos que los máximos ocurren en 3:
𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) = 3𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(𝑜𝑜𝑜𝑜)
𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) = 3𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(𝑜𝑜𝑜𝑜)

12
12
Figura 2.
Fuente: propia

Matemáticas especiales - eje 4 propongamos 11

 Imagen 2.
Imagen 2. Amplitud
Amplitud 33
Fuente: Propia.
Fuente: Propia.

La frecuencia
La frecuencia indica indica cuantos
cuantos ciclos
ciclos por
por segundo
segundo da da la la señal
señal (por (por unidadunidad en
en el
el eje
eje x),
x),
por ejemplo
por ejemplo sisi es
es 0.5
0.5 significa
significa que en𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 =
que en = 11la
la señal
señal ha ha cumplido
cumplido medio medio ciclo
ciclo yy que
que
en 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 =
en = 22 un
un ciclo
ciclo completo.
completo. ParaPara visualizarlo
visualizarlo podemos podemos modificar modificar el el ejemplo
ejemplo
anteriorcambiando
anterior cambiandola lafrecuencia
frecuenciapara
paraobtener 𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) =
obtener𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) = 3𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(2𝑛𝑛𝑛𝑛𝑂𝑂𝑂𝑂.
3𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(2𝑛𝑛𝑛𝑛𝑂𝑂𝑂𝑂.5𝑜𝑜𝑜𝑜):
5𝑜𝑜𝑜𝑜):

𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) =
𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) = 3𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑠𝑠𝑠𝑠(2𝑛𝑛𝑛𝑛𝑂𝑂𝑂𝑂.
3𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑠𝑠𝑠𝑠(2𝑛𝑛𝑛𝑛𝑂𝑂𝑂𝑂.5𝑜𝑜𝑜𝑜)
5𝑜𝑜𝑜𝑜)

Imagen 3.
Imagen 3. Frecuencia
Frecuencia 0.5
0.5 Hz
Hz Figura 3.
Fuente: propia

La fase
La fase indica indica un un desplazamiento
desplazamiento del del ángulo
ángulo del del comienzo
comienzo de de lala sinusoide.
sinusoide.
Visualmente se
Visualmente se observa
observa porque
porque elel coseno
coseno nono inicia
inicia en (𝑂𝑂𝑂𝑂,1)
en (𝑂𝑂𝑂𝑂, 1) sino
sino donde
donde corresponda
corresponda en en
𝜋𝜋𝜋𝜋𝜋𝜋𝜋𝜋
(𝑂𝑂𝑂𝑂,𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(𝜃𝜃𝜃𝜃)).
(𝑂𝑂𝑂𝑂, 𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(𝜃𝜃𝜃𝜃)). En
En elel ejemplo
ejemplo anterior
anterior sisi graficamos
graficamos la la señal
señal concon una
una fase
fase de
de obtenemosobtenemos
22
𝜋𝜋𝜋𝜋𝜋𝜋𝜋𝜋
esta señal:
esta 𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) =
señal: 𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) = 3𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(2𝑛𝑛𝑛𝑛𝑂𝑂𝑂𝑂.
3𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(2𝑛𝑛𝑛𝑛𝑂𝑂𝑂𝑂.5𝑜𝑜𝑜𝑜
5𝑜𝑜𝑜𝑜 +
+ ))
22

𝜋𝜋𝜋𝜋𝜋𝜋𝜋𝜋
𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) =
𝑥𝑥𝑥𝑥(𝑜𝑜𝑜𝑜) = 3𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(2𝑛𝑛𝑛𝑛𝑂𝑂𝑂𝑂.
3𝑐𝑐𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜(2𝑛𝑛𝑛𝑛𝑂𝑂𝑂𝑂.5𝑜𝑜𝑜𝑜
5𝑜𝑜𝑜𝑜 +
+ ))
22

Imagen 4.
Imagen 4. Figura 4.
Fuente: propia

13
13

Matemáticas especiales - eje 4 propongamos 12

 𝜋𝜋𝜋𝜋
𝑓𝑓𝑓𝑓𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 Así, conociendo las componentes de frecuencia de una señal (amplitud,
2
frecuencia, fase), esta se puede generar exactamente. Y sumando varias sinusoides se
pueden representar todo tipo de señales.

Adicional a la aplicación de las series de Fourier para resolver ecuaciones diferenciales

parciales, existen otras aplicaciones de igual interés e importancia. A continuación,
describiremos algunas dignas de resaltar.

Aplicaciones y usos de la transformada de Fourier

Instrucción
Análisis de Datos

Según Hwei P. (1973), la transformada de Fourier se puede utilizar para extraer la

Te invitamos a la página principal del eje para revisar
información clave subyacente en un conjunto de datos. En especial es útil en
𝑓𝑓𝑓𝑓𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
𝜋𝜋𝜋𝜋
Así, y realizar
conociendo la actividad de aprendizaje:
lasseries
componentes de Las práctica.
frecuencia
estadística 2 para analizar las de tiempo. series dedetiempo
una señal (amplitud,
son mediciones
frecuencia, fase), esta se puede
realizadas secuencialmente en elgenerar
tiempo.exactamente.
Por ejemplo, Ylasumando
lluvia quevarias
cae sinusoides se
cada día, el
pueden
número representar todocada
de nacimientos tipo día,
de señales.
etc.
Aplicaciones
Adicional
En este a la aplicación
contexto y
de usos
el análisis las dedese
de series
Fourier la transformada
Fourier
utilizapara
pararesolver de oFourier
ecuaciones
detectar ciclos diferenciales
periodicidad
parciales, existen otras aplicaciones de igual interés e importancia.
en los datos. Por ejemplo, que cada 4 meses cae la máxima cantidad de lluvia. Es A continuación,
describiremos
importante teneralgunas dignas que
en cuenta de resaltar.
para que el análisis sea exitoso se debe muestrear
una cantidad de datos suficiente de tal forma que en el conjunto de datos esté
Aplicaciones
presente al menos y usos decompleto.
un ciclo la transformada de Fourier
Análisis de datos
Análisis
Análisis dede Datossolares
manchas
Según
Según, Hwei P. (1973),
Arteaga, la transformada
R. (2010), las manchas de solares
Fourier se sonpuede utilizar temporales
fenómenos para extraerquela
información
ocurren sobre clave subyacente
la superficie del sol en un conjunto
(fotósfera) de datos.
y son visibles desdeEn especial
la tierra comoesmanchas
útil en
estadística para analizar las series de tiempo. Las series de tiempo
oscuras que se mueven. Alteraciones magnéticas ocasionan un cambio de temperatura son mediciones
realizadas secuencialmente
en ciertas zonas en el tiempo.
que al ser observadas Por ejemplo,
se identifican la lluvia
por ser que caeDesde
más oscuras. cada ladía, el
edad
númerosedeinició
media nacimientos cada
el registro del día,
númeroetc. de manchas por mes y su estudio se convirtió en
una necesidad para la vida moderna dado que existe una relación directa entre el
En este contexto
número de manchas el análisis
solaresdey Fourier se utiliza
la aparición de para detectar
tormentas ciclosque
solares o periodicidad
afectan las
en los datos. Por ejemplo,
comunicaciones en la tierra. que cada 4 meses cae la máxima cantidad de lluvia. Es
importante tener ¡Recordemos
en cuenta queque! para que el análisis sea exitoso se debe muestrear
una cantidad de datos suficiente de tal forma que en el conjunto de datos esté
presente al menos un ciclo completo.
En este contexto el análisis de Fourier se utiliza para detectar
Análisis de manchasciclossolares
o periodicidad en los datos. Por ejemplo, que cada 4
meses cae la máxima cantidad de lluvia. Es importante tener
Según, Arteaga, en R. cuenta quelas
(2010), para que el análisis
manchas solaresseason
exitoso se debe mues-
fenómenos temporales que
trear una cantidad de datos suficiente de tal forma que en
ocurren sobre la superficie del sol (fotósfera) y son visibles desde la tierra como el manchas
conjunto de datos esté presente al menos un ciclo completo.
oscuras que se mueven. Alteraciones magnéticas ocasionan un cambio de temperatura
en ciertas zonas que al ser observadas se identifican por ser más oscuras. Desde la edad
media se inició el registro del número de manchas por mes y su estudio se convirtió en
una necesidad para la vida moderna dado que existe una relación directa entre el
número de manchas solares y la aparición de tormentas solares que afectan las
comunicaciones en la tierra.
14
Matemáticas especiales - eje 4 propongamos 13
Análisis de manchas solares

Según, Arteaga, R. (2010), las manchas

solares son fenómenos temporales que ocu-
rren sobre la superficie del sol (fotósfera) y son
visibles desde la tierra como manchas oscuras
que se mueven. Alteraciones magnéticas oca-
sionan un cambio de temperatura en ciertas
zonas que al ser observadas se identifican por
ser más oscuras. Desde la edad media se inició
el registro del número de manchas por mes y
su estudio se convirtió en una necesidad para
la vida moderna dado que existe una relación
directa entre el número de manchas solares y
la aparición de tormentas solares que afectan
las comunicaciones en la tierra.

Figura 5. Manchas solares

Fuente: Shutterstock/102757931

Realizando un análisis de Fourier de los datos es posible encontrar cada cuantos años se
presenta un máximo del número de manchas y de esta forma predecir las épocas
de mayores tormentas solares. Con este fin utilizamos Matlab, el cual como se
comentó anteriormente ya tiene implementado el algoritmo de la 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇 y además
nos brinda herramientas para graficar y analizar información. Entonces al graficar el
número de manchas promedio por año obtenemos esta imagen:

Imagen 6. Manchas solares Figura 6.

Fuente: propia

Realizando un acercamiento podemos ver el número de manchas por año:

Matemáticas especiales - eje 4 propongamos 14

 Imagen 6. Manchas solares

Realizando un acercamiento podemos ver el número de manchas por año:

Imagen 6. Manchas solares

Realizando un acercamiento podemos ver el número de manchas por año:

Puesto que graficamos el número de manchas por año la frecuencia de muestreo esFigura 1 𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻. 7.
la 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇propia
Es decir 1 muestra por unidad de tiempo. Lo primero que se hace es calcularFuente: de
los datos. Esto se logra con la función 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇 en Matlab:

𝑦𝑦𝑦𝑦 = 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇(𝑚𝑚𝑚𝑚𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝ℎ𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝);
Puesto que graficamos el número de manchas por año la frecuencia de muestreo es 1 𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻.
Es decir 1 muestra por unidad de tiempo. Lo primero que se hace es calcular la 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇 de
los datos. Esto se logra con la función 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇 en Matlab:

𝑦𝑦𝑦𝑦 = 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇(𝑚𝑚𝑚𝑚𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝ℎ𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝);

Después calculamos las amplitudes, es decir la magnitud de los coeficientes complejos:

15
𝑦𝑦𝑦𝑦1 = 𝑝𝑝𝑝𝑝𝑏𝑏𝑏𝑏𝑠𝑠𝑠𝑠(𝑦𝑦𝑦𝑦)

El eje x es la frecuencia y se construye con un intervalo desde 𝐹𝐹𝐹𝐹𝑚𝑚𝑚𝑚 /𝑁𝑁𝑁𝑁 hasta 𝐹𝐹𝐹𝐹𝑚𝑚𝑚𝑚
con incrementos de 𝐹𝐹𝐹𝐹𝑚𝑚𝑚𝑚 /𝑁𝑁𝑁𝑁 . Donde 𝐹𝐹𝐹𝐹𝑚𝑚𝑚𝑚 es la frecuencia de muestreo y 𝑁𝑁𝑁𝑁 es el 15
número de datos.

1 1
𝑥𝑥𝑥𝑥𝑓𝑓𝑓𝑓 = : :1
𝑛𝑛𝑛𝑛 𝑛𝑛𝑛𝑛
Y finalmente se genera la gráfica seleccionando un subconjunto de datos y con el
periodo (1/𝑓𝑓𝑓𝑓 ) en lugar de la frecuencia para facilitar el análisis.

𝑝𝑝𝑝𝑝𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑜𝑜𝑜𝑜(1./𝑥𝑥𝑥𝑥𝑓𝑓𝑓𝑓(10: 100), 𝑦𝑦𝑦𝑦1(10: 100))

Matemáticas especiales - eje 4 propongamos 15

 El eje x es la frecuencia y se construye con un intervalo desde 𝐹𝐹𝐹𝐹𝑚𝑚𝑚𝑚 /𝑁𝑁𝑁𝑁 hasta 𝐹𝐹𝐹𝐹𝑚𝑚𝑚𝑚
El eje
con
El eje xx eses lala frecuencia
incrementos frecuencia
de 𝐹𝐹𝐹𝐹𝑚𝑚𝑚𝑚 /𝑁𝑁𝑁𝑁 y.y se se construye
Dondeconstruye𝐹𝐹𝐹𝐹𝑚𝑚𝑚𝑚 es con laconfrecuencia
un intervalo
un intervalo desde𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑚𝑚𝑚𝑚/𝑁𝑁𝑁𝑁
de desde
muestreo /𝑁𝑁𝑁𝑁 hasta
𝑁𝑁𝑁𝑁
y hasta 𝐹𝐹𝐹𝐹𝑚𝑚𝑚𝑚
es 𝐹𝐹𝐹𝐹𝑚𝑚𝑚𝑚
el
𝑚𝑚𝑚𝑚
con incrementos
número
con incrementos
de datos. de de𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑚𝑚𝑚𝑚/𝑁𝑁𝑁𝑁
/𝑁𝑁𝑁𝑁. . Donde Donde𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑚𝑚𝑚𝑚 eses lala frecuenciafrecuencia de muestreo yy𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 eses elel
de muestreo
𝑚𝑚𝑚𝑚 𝑚𝑚𝑚𝑚
número de
número de datos. datos.
1 1
𝑥𝑥𝑥𝑥𝑓𝑓𝑓𝑓 = 1: 1: 1
𝑥𝑥𝑥𝑥𝑓𝑓𝑓𝑓==1
𝑥𝑥𝑥𝑥𝑓𝑓𝑓𝑓
𝑛𝑛𝑛𝑛 :1 𝑛𝑛𝑛𝑛
: 𝑛𝑛𝑛𝑛: :11
𝑛𝑛𝑛𝑛
𝑛𝑛𝑛𝑛 𝑛𝑛𝑛𝑛
Y finalmente se genera la gráfica seleccionando un subconjunto de datos y con el
Yfinalmente
finalmente
Yperiodo )se
(1/𝑓𝑓𝑓𝑓 seen genera
lugar la
genera delagráfica gráfica
la frecuencia seleccionando
seleccionando para facilitar ununsubconjunto
subconjunto
el análisis.dededatos
datosyycon conelel
periodo (1/𝑓𝑓𝑓𝑓 ) en lugar de la frecuencia
periodo (1/𝑓𝑓𝑓𝑓 ) en lugar de la frecuencia para facilitar el análisis. para facilitar el análisis.
𝑝𝑝𝑝𝑝𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑜𝑜𝑜𝑜(1./𝑥𝑥𝑥𝑥𝑓𝑓𝑓𝑓(10: 100), 𝑦𝑦𝑦𝑦1(10: 100))
𝑝𝑝𝑝𝑝𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑜𝑜𝑜𝑜(1./𝑥𝑥𝑥𝑥𝑓𝑓𝑓𝑓(10:
𝑝𝑝𝑝𝑝𝑣𝑣𝑣𝑣 𝑜𝑜𝑜𝑜(1./𝑥𝑥𝑥𝑥𝑓𝑓𝑓𝑓(10:100), 100),𝑦𝑦𝑦𝑦1(10:
𝑦𝑦𝑦𝑦1(10:100))
100))

Imagen 8. Espectro manchas solares

Imagen8.8.Espectro
Imagen Espectromanchas
manchassolares
solares Figura 8.
Fuente: propia
Fuente: Propia.
Fuente:Propia.
Fuente: Propia.
Entonces se puede observar claramente que el principal ciclo ocurre cada 11 años. Si se
Entonces
revisan
Entonces lassese puedeobservar
anteriores
puede observar claramente
gráficasclaramente
se puede verificar
quequeelelprincipal
principal
que cicloocurre
efectivamente
ciclo ocurre
este cada
ciclo1111
cada años.
seaños. SiSisese
cumple.
revisanlas
revisan lasanteriores
anterioresgráficas
gráficassesepuede
puedeverificar
verificarque queefectivamente
efectivamenteesteesteciclo
ciclosesecumple.
cumple.
Comunicaciones
Comunicaciones
Comunicaciones
Comunicaciones
Arteaga, R. (2010), dijo que la extracción de una componente sinusoidal incrustada
Arteaga,
en ruido.R.R.Es
Arteaga, (2010),
(2010), dijo
muy dijo quelala
común
que en extracción
ingeniería,
extracción dedeunaunacomponente
componentesinusoidal
particularmente sinusoidal
en incrustada
aplicaciones
incrustada de
en ruido.
comunicaciones, Es muy común
obtener los en
datos ingeniería,
de un sensor particularmente
en ruido. Es muy común en ingeniería, particularmente en aplicaciones de junto con ruido,eny aplicaciones
requerir aislar de
la
comunicaciones,
señal original para
comunicaciones, obtener
extraer
obtener los
los la datos
datos de
información un
de un sensor sensor junto
importante. con ruido,
junto conEsruido, y requerir
deciry dada
requerir una aislar lala
señal
aislar
señal original
eliminar
señal original
el ruido para
para extraer
deextraer lala información
esta. Esta información
tarea se puede importante.
realizarEs
importante. Es
muydecir dada una
fácilmente
decir dada unaconseñal
señalla
eliminar
transformada
eliminar el ruido
el ruido de
discreta esta.
de esta. Esta
de EstaFourier tarea
tarea se
(𝐷𝐷𝐷𝐷𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹)
se puede puede realizar
puestorealizar
que semuy muy fácilmente
pueden
fácilmenteobtener con lala
con las
transformada
frecuencias
transformada discreta yde
dominantes
discreta de Fourier
de Fourier
esta (𝐷𝐷𝐷𝐷𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹)
forma filtrar
(𝐷𝐷𝐷𝐷𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹) puesto
el ruido
puesto que
quequesese pueden
puede
pueden obtener
estarobtener
inmerso las las
en
frecuencias dominantes y de esta forma filtrar el ruido
los datos. dominantes y de esta forma filtrar el ruido que puede estar inmerso en
frecuencias que puede estar inmerso en
losdatos.
los datos.

16
16
16

Matemáticas especiales - eje 4 propongamos 16

 Ejemplo
El sensor lo que generalmente hace es muestrear la información cada cierto
ElEl sensor lolo que
El sensor
sensor
que generalmente
delotiempo,
que
generalmente hace hace es es muestrear
muestrear lala información información cada cada cierto
cierto
intervalo
intervalo El sensor
de lo quegeneralmente
tiempo,
y por lo tanto
generalmente
y por lo tanto hacehace eses
terminamos
terminamos
muestrear
muestrear conla ninformación
con n
la información
mediciones
mediciones cada
de
la cada
de cierto
la
señal. cierto
Para
inter-
señal. Para
intervalo
intervalo
este de
de
ejemplo tiempo,
tiempo,
supongamosyypor por lolotanto
que tanto
la señal terminamos
terminamos
original es: con
con nnmediciones
mediciones de
de lalaseñal.
señal. Para
Para
valo desupongamos
esteejemplo
ejemplo tiempo, y por que lo tanto laseñal
señal terminamosoriginales: con n mediciones de la señal. Para este
es:
este
este ejemplo supongamos que la original
ejemplosupongamos
supongamosque quela laseñal
señal original original es:es:
𝑦𝑦𝑦𝑦 = 𝑂𝑂𝑂𝑂. 2 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋2𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜) + 𝑂𝑂𝑂𝑂. 4 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋3𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜)
𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦== 𝑂𝑂𝑂𝑂. 2 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋2𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜)++𝑂𝑂𝑂𝑂.
=𝑂𝑂𝑂𝑂.𝑂𝑂𝑂𝑂.22𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋2𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜)
𝑂𝑂𝑂𝑂. 4 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋3𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜)
(2𝜋𝜋𝜋𝜋2𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜) + 𝑂𝑂𝑂𝑂.44𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋3𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜)
(2𝜋𝜋𝜋𝜋3𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜)
Es decir una señal con dos frecuencias: 20 Hz, y 30 Hz con 0.2 y 0.4 de amplitud
decirEsuna
Es decir
Es decirseñal
una con
señal
con dos dos con dos frecuencias:
frecuencias: 20
Hz,Hz,y y30
20 Hz, 30Hz Hzcon
Hz con 0.2 0.2
0.2yyy0.4
0.4dedeamplitud
de amplitud
Es deciruna unaseñal
respectivamente. con dosfrecuencias:
señalSupongamos frecuencias:
que 20 20 Hz,yy30
muestreamos 30 la Hz
señal concon y0.4
0.2 una deamplitud
0.4frecuencia
amplitudde
respectivamente.
respectivamente.
respectivamente. Supongamos
Supongamos Supongamos que muestreamos
que que muestreamos
muestreamos la la la señalcon
señal
señal una
unafrecuencia
con una frecuencia
frecuencia dedede
respectivamente.
muestreo de 500deHz.Supongamos
SiHz. generáramos que muestreamos la señal por dos ladossegundos
señal conentonces
una frecuencia
obtenemos de
muestreo
muestreo de500
muestreo
de 500Hz.Hz.
500SiSi generáramos
generáramos Si generáramos lala señal
señal porpor
la señal
por dos dos segundos
segundos
segundos entonces obtenemos
entoncesobtenemos
entonces obtene-
muestreo
1000 de
muestras. 500 Hz.
Entonces
mos 1000Entonces Si
muestras.elEntonces generáramos
el eje x lo generamosla señal por
así:
el eje x lo generamos dos segundos
así: entonces obtenemos
1000muestras.
1000 muestras. ejexxlologeneramos generamos así:
1000 muestras.Entonces
Entonceseleleje eje x lo generamosasí: así:
𝑜𝑜𝑜𝑜 = (0: 1/500: 2 − (1/500))
𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜= =(0: (0: 1/500:22−
= (0:1/500: 1/500: 2 −(1/500))
− (1/500))
(1/500))
Y al graficar obtenemos:
Y al graficar obtenemos:
YYYalal graficarobtenemos:
algraficar
obtenemos:
graficar obtenemos:

Tiempo (s) Figura 9.

Tiempo(s)
Tiempo (s)
Tiempo (s) Fuente: propia
Para simular que la señal es transmitida por algún medio, agregamos ruido
Para simular
Para simular
Para simular que que que lala laseñal señales es
es transmitida
transmitida porporalgúnalgún
por medio,medio, agregamos ruido usando
agregamos ruido
Para
usandosimular
números quealeatoriosla señal señalnormalmente es transmitida
transmitida distribuidos: por algún algún medio, medio, agregamos
agregamos ruido
ruido
usandonúmeros
usando númerosaleatorios
números aleatorios
aleatorios normalmente
normalmente
normalmente distribuidos:
distribuidos:
distribuidos:
usando números aleatorios normalmente distribuidos:
𝑦𝑦𝑦𝑦 = 𝑂𝑂𝑂𝑂. 2 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋2𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜) + 𝑂𝑂𝑂𝑂. 4 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋3𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜) + 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑛𝑛𝑛𝑛(1,1000)
𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦𝑦== 𝑂𝑂𝑂𝑂. 2 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋2𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜)++𝑂𝑂𝑂𝑂.
=𝑂𝑂𝑂𝑂.𝑂𝑂𝑂𝑂.22𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋2𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜)
𝑂𝑂𝑂𝑂. 4 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋3𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜)+
(2𝜋𝜋𝜋𝜋2𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜) + 𝑂𝑂𝑂𝑂.44𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋3𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜)
+ 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑛𝑛𝑛𝑛(1,1000)
(2𝜋𝜋𝜋𝜋3𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜) +𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑛𝑛𝑛𝑛(1,1000)
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑛𝑛𝑛𝑛(1,1000)
Y generamos la gráfica:
YYYgeneramos
generamos la gráfica:
Y generamos
generamoslalagráfica: gráfica:
la gráfica:

Tiempo (s) Figura 10.

Tiempo(s)
Tiempo (s)
Tiempo (s) Fuente: propia

17
17
17
17
Matemáticas especiales - eje 4 propongamos 17
 Ejemplo

Como se observa, el ruido distorsiona la señal señal yyy ya ya noesesposible

posible determinar su
Como Como se observa,
se observa, el ruido
el ruido distorsiona
distorsiona la laseñal ya no
no es posibledeterminar su su
determinar
formaformaoriginal. Sin
original. embargo con la transformada de Fourier podemos volver a
Como se
forma original. Sin elSin
observa, embargo
ruido
embargo conconlalatransformada
distorsiona transformada
la señal y yade Fourier
deno podemos
es posible
Fourier volver
determinar
podemos a su
volver a
obtener la señal. Se crea el eje x con las frecuencias (Frecuenciadede muestreo)
y seyy se
se
formaobtener
obtener la señal.
original.
la señal. Sin Se crea
embargo
Se crea el eje
el eje con x xcon con las
la las frecuencias (Frecuencia
transformada
frecuencias muestreo)
de Fourier podemos
(Frecuencia de volver
muestreo) a
utiliza utiliza
nuevamente el comando
nuevamente el comando 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇.FFT.
obtenernuevamente
utiliza la señal. Seel crea
comandoel eje 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇.
x con las frecuencias (Frecuencia de muestreo) y se
utiliza nuevamente el comando 𝑓𝑓𝑓𝑓 = 0: 0.5: (500 − 0.5)
𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑇𝑇𝑇𝑇.
𝑓𝑓𝑓𝑓 = 0: 0.5: (500 − 0.5)
𝑓𝑓𝑓𝑓 𝑦𝑦𝑦𝑦1
= 0: =0.5: 𝑝𝑝𝑝𝑝𝑏𝑏𝑏𝑏𝑠𝑠𝑠𝑠(𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑜𝑜𝑜𝑜(𝑦𝑦𝑦𝑦))
(500 − 0.5)
𝑦𝑦𝑦𝑦1 = 𝑝𝑝𝑝𝑝𝑏𝑏𝑏𝑏𝑠𝑠𝑠𝑠(𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑜𝑜𝑜𝑜(𝑦𝑦𝑦𝑦))
𝑦𝑦𝑦𝑦1 = 𝑝𝑝𝑝𝑝𝑏𝑏𝑏𝑏𝑠𝑠𝑠𝑠(𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑜𝑜𝑜𝑜(𝑦𝑦𝑦𝑦))
Así, obtenemos el espectro de frecuencia.
Así, obtenemos el espectro de frecuencia.
Así, obtenemos el espectro de frecuencia.
Así, obtenemos el espectro de frecuencia.

Frecuencia (Hz)
Frecuencia (Hz)
Frecuencia (Hz) Figura 11.
Fuente: propia

Y Aquí se puede observar que en la señal original existen 2 frecuencias importantes:

Y AquíYse puede
aquí observar
se puede observar queque en en la señalla señal original
originalexisten
existen 22 frecuencias
frecuenciasimportantes:
importantes:
20 y 30 Hz con una amplitud de aproximadamente 0.2 y 0.4 y de esta forma se puede
Y Aquí
20 y 3020se
Hzypuede
conHz
30 observar
una
conamplitud
una quedeen la señal original existen
aproximadamente 0.2 y 0.4 2 frecuencias
y de esta forma importantes:
se puede
"reconstruir" la señal sinamplitud
ruido. de aproximadamente 0.2 y 0.4 y de esta forma se
20 y 30 Hz
"reconstruir"con una amplitud
la señal sinla ruido.
puede "reconstruir" de aproximadamente
señal sin ruido. 0.2 y 0.4 y de esta forma se puede
"reconstruir" la señal sin𝑦𝑦𝑦𝑦 =ruido.
𝑂𝑂𝑂𝑂. 2 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋2𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜) + 𝑂𝑂𝑂𝑂. 4 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋3𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜)
𝑦𝑦𝑦𝑦 = 𝑂𝑂𝑂𝑂. 2 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋2𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜) + 𝑂𝑂𝑂𝑂. 4 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋3𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜)
𝑦𝑦𝑦𝑦 = 𝑂𝑂𝑂𝑂. 2 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋2𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜) + 𝑂𝑂𝑂𝑂. 4 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑛𝑛𝑛𝑛(2𝜋𝜋𝜋𝜋3𝑂𝑂𝑂𝑂𝑜𝑜𝑜𝑜)

Instrucción

Damos así por terminado el eje 4 y el módulo de

Matemáticas Especiales. Ahora te invitamos a
la página principal del eje para revisar el recurso
de aprendizaje: videorresumen.

1818
Matemáticas especiales - eje 4 propongamos
 Bibliografía

Leithold, L.  (1998).  El cálculo / Louis Leithold.  Oxford, EE. UU.: Oxford
University Press.

Purcell, E., Varberg, D. y Rigdon, S. (2010). Cálculo. México, México: Pearson

Educación.

Stewart, J.  (2008).  Cálculo de una variable.  México, México: Internacional

Thomson.

Thomas, G. (2010). Cálculo una variable. México, México: Pearson Educación.

BIBLIOGRAFÍA
Matemáticas especiales - eje 4 propongamos 20