Análisis de Fourier
2
Objetivo
Exponer las relaciones de la transformada de Fourier con las señales y los sistemas que las generan.
Interpretar el significado físico de la Transformada de Fourier y sus propiedades.
Representar las funciones racionales en el plano complejo y sus implicaciones en el comportamiento de las señales.
El alumno deberá entender las las diversas propiedades de la transformada de Fourier con particular atención en las interpretaciones físicas respectivas.
Al finalizar esta unidad el alumno deberá ser capaz de entender la importancia y utilidad las transformaciones directa e inversa de Fourier.
Composición de la Luz● Desde la antigüedad se cuestiona la naturaleza de la luz y de sus fenómenos ópticos, en particular el significado del arcoiris.
● Los antiguos griegos asumían que la luz viajaba en línea recta. Por su parte la corriente pitagórica sostenía que cada objeto emitía un flujo ininterrumpido de partículas. A su vez Aristóteles concluyó que la luz viajaba en ondas.
● En 1637 Descartes publica una teoría sobre la refracción la luz y su naturaleza ondulatoria en analogía a las propiedades de propagación del sonido en distintos medios y los cambios de velocidad al pasar por ellos.
Introducción
Composición de la Luz● En 1704 Newton publica en su obra «Opticks» su teorías sobre la reflexión y refracción de la luz, donde consideraba a esta última como un flujo de partículas y no como ondas.
● Sin embargo sus experimentos con prismas permitieron determinar que la luz está compuesta por componentes fundamentales « eigenvectores » los cuales combinados entre sí producen la luz blanca.
Introducción
Composición de señales● La noción general es que cualquier señal podría estar compuesta por multitud de elementos individuales, e.g. Instrumentos musicales:
Introducción
Propósito del análisis de Fourier● Ser capaz de expresar cualquier señal en términos de sus componentes básicos para su análisis o modificación.
● Cabe recordar que las señales son básicamente la descripción de un fenómeno físico.
● Resulta ser que las señales sinusoidales son justamente los componentes fundamentales de todas las señales existentes.
Introducción
Oscilaciones● Existe una gran cantidad de sistemas dinámicos con patrones de movimiento circular (oscilatorios).
Introducción
http://www.animations.physics.unsw.edu.au/jw/phasor-addition.html
Oscilaciones
Introducción
Oscilaciones
● Periodo (ts)
Introducción
Oscilaciones
● Periodo (ts)
● Frecuencia (1/ts)
Introducción
Facetas del análisis de Fourier● Análisis :
● Del dominio del Tiempo al de la Frecuencia
● Determinar la contribución de distintas frecuencias
● Descubrir propiedades ocultas en este dominio
● Síntesis :
● Del dominio de la Frecuencia al del Tiempo
● Crear o ajustar señales a componentes específicos de frecuencia
Introducción
Un problema típico
• Dada una señal de entrada x(t), ¿Cual es la señal de salida del sistema y(t) después de pasar por él?
Recurrimos a las transformaciones para evitarnos complicaciones
X(t)
t
Filtroy(t) ?
• Si tenemos un filtro pasa bajos de primer orden con un resistor R y un capacitor C:
• El sistema se describe mediante la ec. diferencial:
RCy' ( t )+y( t )=x ( t )
Un problema típico
Recurrimos a las transformaciones para evitarnos la integración de la respuesta del sistema
Convolución
• Operador matemático (*) que combina 2 funciones de entrada, e.g.: x(t) y h(t) para producir una tercera: y(t)
• La cual expresa la magnitud del traslape de la función x(t) y la función h(t) a medida que una señal se recorre sobre la otra.
dhtxthtxty )()()()()(
Suavizado
Convolución
* =
• La convolución es muy utilizada en el procesamiento de imágenes (e.g.: Difuminado gaussiano 2D)
Convolución
Delta de Dirac δ(t)
Convolución con la delta de Dirac δ(t)
• La convolución de una señal con la delta de Dirac (t) produce simplemente la misma señal a la salida
• La convolución con una delta recorrida (t-) produce un corriemiento (retardo) de la señal original (x(t-)).
(t-)
Convolución como operador de retardo
Propiedades de la Convolución
• Debido a que la convolution es un operador lineal, entonces posee las típicas propiedades lineales:
– Conmutatividad
– Asociatividad
– Distributividad
– Multiplicación escalar
Resolviendo usando la convolución
• El filtro pasa bajos de primer orden:
• El sistema se describe por su respuesta al impulso:
• Solución: Convolución con la respuesta al impulso x(t)
• La Convolución es tardada y costosa para calcularse.
• Sugerencias de salidas y(t).
Resolviendo usando la convolución
Interpretación Física
Jean-Baptiste Fourier en 1807:
Cualquier función periódica puede ser re-escrita como una suma ponderada de senos y cosenos de diferentes frecuencias.
Conocidas como Series de Fourier
Construcción: Pulsos cuadrados
Otros ejemplos
La T. de Fourier expande esta idea
• Cualquier señal (periódica y no-periódica) en el dominio del tiempo puede descomponenrse en series de senos y cosenos en el dominio de la frequencia.
T. de Fourier: Definición Formal
• Convención: Con Mayúsculas se identifican las variables transformadas al dominio de la frecuencia:
• Transformada directa: F{ x(t) } = X() or X(f) (=2f)
• Transformada Inversa: F-1{Y() or Y(f) }= y(t)
F (ω)=∫−∞
+∞
f (x )e− j ω x dx
f (x )=1
2π∫−∞
+∞F (ω)e j ω x d ω
TF entrega números complejos
• Se produce una salida con números complejos– Los coeficientes Coseno son reales
– Los coeficientes Seno son imaginaios
Planos Complejo
• Los números Complejos pueden representarse:
1) Combinación de parte real + parte imaginaria:
x +iy
2) Amplitud + Fase
A and
Representación alternativa de TF
• Los números complejos pueden también ser representados como: amplitud + fase.
Ejemplos de transformada de Fourier
Señales rápidas vs señales lentas
Dominio del tiempo t Dominio en la Frecuencia
Real
Real
Real
Ejemplos de transformada de Fourier
Ejemplos de transformada de Fourier
Dominio del tiempo t Dominio en la Frecuencia
Función Coseno
Ejemplos de transformada de Fourier
Dominio del tiempo t Dominio en la Frecuencia
Función Seno
Real
Real
« DC component »
Dominio del tiempo t Dominio en la Frecuencia
Ejemplos de transformada de Fourier
Propiedades de la T de Fourier
• Aditividad
• Multiplicación escalar
• Convolución en el tiempo t
• Convolución en la frecuencia
)()()}()({ BAtbtaF
)()}({ kAtkaF
)()()}({)}({)}()({ HXthFtxFthtxF
F−1 {X (ω)∗H (ω) }=2πx ( t )h (t )
FT : dualidad tiempofrecuenciaDominio del Tiempo Dominio en Frecuencia
“Angosto” “Amplio”
“Amplio” “Angosto”
Multiplicación Convolución
Convolución Multiplicación
Box Sinc
Sinc Box
Gauss Gauss
Real + Par Real+Par (sólo cosenos)
Real + Inpar Im + Inpar (sólo senos)
Etc.. Etc..
Ejemplo : Transformada Fourier
¿ Que pasa cuando el ancho de banda |Y(f)| de una señal de voz (limitada a 5 kHz) se multiplica por un coseno f = 15 kHz?
(i.e.: Modulación en Amplitud radio AM )
Solución FT
Dominio del tiempo
Dominio de la frecuencia
FT Gaussian Blur
Dominio del espacio 2D
Dominio de la frecuencia
Teorema de muestreo
• Con el fin de ser utilizado dentro de un sistema digital, una señal continua debe ser convertida en una secuencia de valores discretos.
• Esto se hace mediante el muestreo de la señal continua en intervalos regulares de tiempo.
• Pero en qué intervalo?
• El muestreo puede realizarse al multiplicar la señal mediante un tren de pulsos (impulsos):
Teorema de muestreo
Aliasing• Si la frecuencia de muestreo es muy baja en comparación
de la frecuencia de la señal, ocurrirá el efecto aliasing: Una señal diferente será representada (i.e.: un alias)
Análisis de Fourier del P. de Muestreo
• La transformada de Fourier de un tren de pulsos de frecuencia fs es otro tren de pulsos con intervalo 1/fs , pero en el dominio del tiempo:
Dominio de la frecuencia
Dominio del tiempo
• El Aliasing ocurre si fs <2 fmax – Frecuencia de Nyquist = fs / 2
Análisis de Fourier del P. de Muestreo
fmax -fmax
Dominio de la frecuencia
Dominio del tiempo
• El Aliasing ocurre si fs <2 fmax – Frecuencia de Nyquist = fs / 2
Análisis de Fourier del P. de Muestreo
fmax -fmax
Dominio de la frecuencia
Dominio del tiempo
● El teorema de muestreo sirve de puente entre las señales analógicas y las digitales, al relacionar ambos tipos de señales bajo la siguiente fórmula:
Muestreo continuo : Nyquist & Shannon
x ( t )= ∑n=-∞
∞
x [n]sin (π(t−nT S)/T S)
π( t−nT S)/T S
Análisis de Fourier del P. de Muestreo
Facetas del análisis de Fourier● Análisis :
● Del dominio del Tiempo al de la Frecuencia
● Determinar la contribución de distintas frecuencias
● Descubrir propiedades ocultas en este dominio
● Síntesis :
● Del dominio de la Frecuencia al del Tiempo
● Crear o ajustar señales a componentes específicos de frecuencia
Transformada Discreta de Fourier
Marco matemático● Aplicación en señales de longitud finita :
● Vectores / arreglos en ℂN
● El análisis de Fourier básicamente representa un cambio de sistema coordenado
● Dicho cambio permite observar el mismo fenómeno desde una perspectiva completamente distinta.
● Si el cambio de sistema coordenado es el adecuado, podemos descubrir características antes ocultas para el marco de referencia anterior.
Transformada Discreta de Fourier
Marco matemático
Transformada Discreta de Fourier
Marco matemático
Transformada Discreta de Fourier
Sistema coordenado para ℂN
● Se propone un sistema de coordenadas con N vectores
● Donde n representa el índice que apunta o recorre los N-elementos en cada vector, mientras que k es el índice que indica de cual vector del conjunto también N se está tratando.
● El sistema se propone como un sistema ortogonal
Transformada Discreta de Fourier
w k [n ]= ej
2 π
Nnk
n ,k=0,1,. .. , N−1
Sistema coordenado para ℂN
● Se propone un sistema de coordenadas con N vectores
● El elemento representa una exponencial compleja cuya frecuencia fundamental ω está definida por:
Transformada Discreta de Fourier
ej
2 πN
nk
ω =2 π
Nk El índice k determina la frecuencia
fundamental del vector ortogonal
w k [n ]= ej
2 π
Nnk
n ,k=0,1,. .. , N−1
Sistema coordenado para ℂN
● Usando la notación vectorial
con
se define el sistema de vectores ortogonales
Transformada Discreta de Fourier
wn(k )
= ej
2 π
Nnk
{w k} k=0,1,. .. , N −1
Sistema coordenado para ℂN
● Usando la notación vectorial
con
Transformada Discreta de Fourier
wn(k )
= ej
2 π
Nnk
{w k} k=0,1,. .. , N −1
Im
Re
1
-1
-1 1
2π/N
w1 [0]
w1 [1]
w1 [2]w
1 [3]
k = 1
Sistema coordenado para ℂN
● Usando la notación vectorial
con
Transformada Discreta de Fourier
wn(k )
= ej
2 π
Nnk
{w k} k=0,1,. .. , N −1
Im
Re
1
-1
-1 1
(2π/N)*2
w2 [0]
w2 [1]
w2 [2]
w1 [3]
k = 2
Sistema coordenado w(0) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(0) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
wn(0)
= ej
2 π
Nn⋅0
= 1
Sistema coordenado w(1) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(1) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
ω =2 π
N(1)
Sistema coordenado w(2) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(2) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
ω =2 π
N(2)
Sistema coordenado w(3) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(3) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
ω =2 π
N(3)
Sistema coordenado w(4) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(5) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(12) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(16) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(16) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
ω =2 π
64(16)= π
2
Sistema coordenado w(17) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(23) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(30) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(31) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(32) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(32) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
ω =2π64
⋅32 = π
Sistema coordenado w(33) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(34) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(35) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(61) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(62) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado w(63) ∊ ℂN
Transformada Discreta de Fourier
Re
Im
N = 64
Sistema coordenado: Ortogonalidad
● Prueba:
Transformada Discreta de Fourier
* : conjugado
⟨w (k ) ,w (h)⟩ = ∑
n=0
N−1
(e j2 π
Nnk )
*
ej
2 π
Nnh
Sistema coordenado: Ortogonalidad
● Prueba:
Transformada Discreta de Fourier
⟨w (k ) ,w (h)⟩ = ∑
n=0
N−1
(e j2 π
Nnk )
*
ej
2 π
Nnh
* : conjugado
⟨w (k ) ,w (h)⟩ = ∑
n=0
N−1
ej
2 π
N(h−k ) n
Sistema coordenado: Ortogonalidad
● Prueba:
Transformada Discreta de Fourier
⟨w (k ) ,w (h)⟩ = ∑
n=0
N−1
ej
2 π
N(h−k ) n
I) h=k → ej
2π
N(0)n
Sistema coordenado: Ortogonalidad
● Prueba:
Transformada Discreta de Fourier
I) h=k → ej
2πN
(0)n
= 1+ i0
⟨w (k ) ,w (h)⟩ = ∑
n=0
N−1
ej
2 π
N(h−k ) n
Sistema coordenado: Ortogonalidad
● Prueba:
Transformada Discreta de Fourier
I) h=k → ej
2πN
(0)n
= 1+ i0
∑n=0
N −1
= N
⟨w (k ) ,w (h)⟩ = ∑
n=0
N−1
ej
2 π
N(h−k ) n
Sistema coordenado: Ortogonalidad
● Prueba:
Transformada Discreta de Fourier
⟨w (k ) ,w (h)⟩ = ∑
n=0
N−1
ej
2 π
N(h−k ) n
II) h≠k usamos la propiedad : ∑n=0
N −1
an=
1−aN
1−a1
Sistema coordenado: Ortogonalidad
● Prueba:
Transformada Discreta de Fourier
⟨w (k ) ,w (h)⟩ = ∑
n=0
N−1
ej
2 π
N(h−k ) n
II) h≠k usamos la propiedad : ∑n=0
N −1
an=
1−aN
1−a1
∑n=0
N −1
ej
2 πN
n
=1−e j 2π (h−k )
1−ej
2πN
(h−k )
Sistema coordenado: Ortogonalidad
● Prueba:
Transformada Discreta de Fourier
⟨w (k ) ,w (h)⟩ = ∑
n=0
N−1
ej
2 π
N(h−k ) n
II) h≠k usamos la propiedad : ∑n=0
N −1
an=
1−aN
1−a1
∑n=0
N −1
ej
2 πN
n
=1−e j 2π (h−k )
1−ej
2πN
(h−k )
Sistema coordenado: Ortogonalidad
● Prueba:
Transformada Discreta de Fourier
⟨w (k ) ,w (h)⟩ = ∑
n=0
N−1
ej
2 π
N(h−k ) n
II) h≠k usamos la propiedad : ∑n=0
N −1
an=
1−aN
1−a1
∑n=0
N −1
ej
2 πN
n
=1−e j 2π (h−k )
1−ej
2πN
(h−k )
1
Sistema coordenado: Ortogonalidad
● Prueba:
Transformada Discreta de Fourier
⟨w (k ) ,w (h)⟩ = ∑
n=0
N−1
ej
2 π
N(h−k ) n
II) h≠k usamos la propiedad : ∑n=0
N −1
an=
1−aN
1−a1
∑n=0
N −1
ej
2 πN
n
=1−e j 2π (h−k )
1−ej
2πN
(h−k )
0
Sistema coordenado: Ortogonalidad
● Prueba:
Transformada Discreta de Fourier
⟨w (k ) ,w (h)⟩ = ∑
n=0
N−1
ej
2 π
N(h−k ) n
⟨w (k ), w(h )⟩ =
N para h=k 1−e j 2 π (h−k )
1−ej
2 π
N(h−k )
= 0 para h≠k
Sistema coordenado: Ortogonalidad
● La definición de N vectores ortogonales forman el sistema coordenado para el espacio ℂN
● El espacio aún no es ortonormal ya que los vectores no están normalizados.
● El factor de normalización deberá ser : 1 / √N
Transformada Discreta de Fourier
⟨w (k) ,w (k)⟩ = N
Sistema coordenado
● Notación de la señal :
● Notación vectorial :
Transformada Discreta de Fourier
{w (k)} k=0,1,. .. , N−1 con wn
(k)= e
j2π
Nnk
w k [n ]= ej
2π
Nnk
n , k=0,1,. .. , N −1
Expansión del Sistema
● Análisis :
● Síntesis :
Transformada Discreta de Fourier
x =1N ∑
k=0
N −1
X k w (k)
X k = ⟨w (k) , x⟩
Expansión del Sistema
● Análisis :
● Síntesis :
Transformada Discreta de Fourier
x =1N ∑
k=0
N −1
X k w (k)
X k = ⟨w (k) , x⟩
Ya que el sistema NO está normalizado, se incluye 1/N en la fórmula de Síntesis
Expansión del Sistema
● Señal en notación vectorial :
Transformada Discreta de Fourier
x̄ = ∑ xk e−(k)
Expansión del Sistema
● Señal en notación vectorial :
Transformada Discreta de Fourier
δ [n−k ]
x̄ = ∑ xk e−(k)
Expansión del Sistema
● Señal en notación vectorial :
Transformada Discreta de Fourier
x̄ = ∑ xk e−(k)
Expansión del Sistema
● Señal en notación vectorial :
Transformada Discreta de Fourier
x̄ = ∑ xk e−(k)
x̄ =1N ∑
k=0
N−1
X k w(k)
Síntesis
Expansión del Sistema
● Señal en notación vectorial :
Transformada Discreta de Fourier
x̄ = ∑ xk e−(k)
x̄ =1N ∑
k=0
N−1
X k w(k)
Síntesis
Expansión del Sistema
● Señal en notación vectorial :
Transformada Discreta de Fourier
x̄ = ∑ xk e−(k)
x̄ =1N ∑
k=0
N−1
X k w(k)
Síntesis
Componentes sinusoidales
Expansión del Sistema
● Señal en notación vectorial :
Transformada Discreta de Fourier
x̄ = ∑ xk e−(k)
x̄ =1N ∑
k=0
N−1
X k w(k)
Síntesis
Componentes sinusoidales
Xk = coeficientesobtenidos duranteel análisis
Expansión del Sistema: Forma matricial
● Análisis :
● Síntesis :
Transformada Discreta de Fourier
x =1N
W H X
X = W x
Expansión del Sistema: Forma matricial
● Si se define :
● Se puede definir la matriz W, con W [k,n] =
Transformada Discreta de Fourier
W = [1 1 1 1 … 11 W 1 W 2 W 3 … W (N−1 )
1 W 2 W 4 W 6 … W 2 (N−1 )
…
1 W N−1 W 2 (N−1 ) W 3(N −1) … W (N−1 )2 ]
WN = e− j 2π
N
W Nkn
Conjugado de cada vector en cada renglón
Expansión del Sistema: Forma matricial
Transformada Discreta de Fourier
X = W x
Expansión del Sistema: Forma matricial
Transformada Discreta de Fourier
X = W x 0 → DC
-1/8 → 1/8 fc
-2/8 → 1/4 fc
-3/8 → 3/8 fc
-4/8 → 1/2 fc
-5/8 → 5/8 fc
-6/8 → 3/4 fc
-7/8 → 7/8 fc
+f
-f
Expansión del Sistema: Forma matricial
● Análisis :
● Síntesis :
Transformada Discreta de Fourier
x =1N
W H X
X = W x
Expansión del Sistema: Forma matricial
● Análisis :
● Síntesis :
Transformada Discreta de Fourier
x =1N
W H X
XNx1 ← WNxN xNx1
X = W x
xNx1 ← W NxNH X Nx1
Expansión del Sistema: Viendo la señal
● Análisis :
● Síntesis :
Transformada Discreta de Fourier
X [ k ]= ∑n=0
N −1
x [n ]e−j
2 π
Nnk
, k=0,1,2,. .. , N−1
Señal de N puntos en el dominio de la frecuencia
x [n ] =1N ∑
k =0
N−1
X [k ] ej2 π
Nnk
, n=0,1,2,. .. , N−1
Señal de N puntos en el dominio del tiempo
DFT de x[n] = δ[n], x[n] ∈ ℂN
Transformada Discreta de Fourier
X [ k ]= ∑n=0
N −1
δ[n ] e− j
2 π
Nnk
N=16
DFT de x[n] = 1, x[n] ∈ ℂN
Transformada Discreta de Fourier
X [ k ]= ∑n=0
N −1
e− j
2 π
Nnk
= N δ[ k ]
N=16
DFT de x[n] = 3cos(2πn/16), x[n] ∈ ℂ64
Transformada Discreta de Fourier
x [n ] = 3cos (2π
16n) N=64
ω=2π/64
x [n ] = 3cos (2π
644n)
x [n ] =32
[e j2π
644n
+e− j
2 π
644n]
x [n ] =32
( w4[n ]+w60[n ])
cos ω=e j ω
+ e− j ω
2
=32
[e j2 π
644n
+ej
2 π
6460n ]
DFT de x[n] = 3cos(2πn/16), x[n] ∈ ℂ64
Transformada Discreta de Fourier
X [ k ]= ⟨w k [n ] , x [n ]⟩
= ⟨ w k [n ] ,32
(w4 [n ]+ w60 [n ])⟩= ⟨ w k [n ] ,
32
w4 [n ]⟩+ ⟨ w k [n ] ,32
w60[n ] ⟩X [ k ]= 96 para k = 4 ,60
0 para los demás
DFT de x[n] = 3cos(2πn/16), x[n] ∈ ℂ64
Transformada Discreta de Fourier
Re
Im
DFT de x[n]=3cos(2πn/16 + π/3), x[n] ∈ ℂ64
Transformada Discreta de Fourier
x [n ] = 3cos (2π
16n + π
3 ) N=64ω=2π/64
x [n ] = 3cos (2π
644n + π
3 )
x [n ] =32
[e j2π
644n
ej π
3+e− j
2 π
644n
e− j π
3 ]
x [n ] =32
[e j π3 w4 [n ]+e
− j π3 w60 [n ]]
DFT de x[n]=3cos(2πn/16 + π/3), x[n] ∈ ℂ64
Transformada Discreta de Fourier
X [ k ]= ⟨w k [n] , x [n ]⟩
X [ k ]= ⟨ wk [n ],32
ej π
3 w4[n ]⟩+ ⟨ w k[n ] ,32
e− j π
3 w 60[n ] ⟩
X [ k ]= 96 e jπ /3 para k = 4 96 e− jπ /3 para k = 60 0 para los demás
DFT de x[n]=3cos(2πn/16 + π/3), x[n] ∈ ℂ64
Transformada Discreta de Fourier
Re
Im
Transformada Discreta de Fourier
|x[k]|
∠x[k]
DFT de x[n]=3cos(2πn/16 + π/3), x[n] ∈ ℂ64
DFT de x[n] = 3cos(2πn/10), x[n] ∈ ℂ64
Transformada Discreta de Fourier
2π64
6 <2 π
10<
2 π
647
N=64ω=2π/64
Matlab / Octave
N=64;
n=[0:N-1];
x=3*cos((2*pi*n)/10);
res=fft(x);
Debido a que no coincide con los componentes primarios del espacio, se necesita hacer la transformación numérica
DFT de x[n] = 3cos(2πn/10), x[n] ∈ ℂ64
Transformada Discreta de Fourier
Re
Im
6 y 7 58 y 59
DFT de x[n] = 3cos(2πn/10), x[n] ∈ ℂ64
Transformada Discreta de Fourier
|x[k]|
∠x[k]
6 y 7 58 y 59
DFT de Escalón de longitud-M ∈ ℂ64
Transformada Discreta de Fourier
N=64
M=4X [ k ]= ∑
h=0
M −1
δ[n−h ] , n=0,1,. .. N−1
DFT de Escalón de longitud-M ∈ ℂ64
●Aplicando la transformada:
Transformada Discreta de Fourier
X [ k ]= ∑h=0
M −1
δ[n−h] , n=0,1,. .. N−1
X [ k ]= ∑n=0
N −1
x [n ]e−j
2 π
Nnk
= ∑n=0
M−1
e− j
2 π
Nnk
X [ k ]=1−e
−j2 π
NkM
1−e− j
2 π
Nk
∑n=0
M −1
an=
1−aM
1−a
DFT de Escalón de longitud-M ∈ ℂ64
Transformada Discreta de Fourier
X [ k ]= 1−e−j
2 π
NkM
1−e− j
2 π
Nk
X [ k ]=e− j π
NkM [ e j π
NkM
−e−j π
NkM ]
e− j π
Nk [ e j π
Nk
−e− j π
Nk ]
X [ k ]=
sin (πN
Mk )sin(
πN
k )e− j π
N(M−1)k
1−e− jα
e− j α
2 (ej α
2−e−j α
2 )
2j sin α2
RealImaginaria
DFT de Escalón de longitud-M ∈ ℂ64
Transformada Discreta de Fourier
X [ k ]=
sin (πN
Mk )sin(
πN
k )e− j π
N(M−1)k
∣ ∙ ∣= 1
X [0 ]= M, a partir de la definición de la sumatoria
X [ k ]= 0 si el factor Mk /N es entero (0≤k<N )
∠ X [k ] es linear para todo k (excepto en los cambios de signo en la parte real)
Transformada Discreta de Fourier
Re
Im
DFT de Escalón de longitud-4 ∈ ℂ64
NM
= 1616 32 48
Transformada Discreta de Fourier
DFT de Escalón de longitud-4 ∈ ℂ64
|x[k]|
∠x[k]
NM
= 1616 32 48
Transformada Discreta de Fourier
DFT de Escalón de longitud-4 ∈ ℂ64
● La fase en realidad no se limita a un intervalo de 2π sino que progresa junto con la magnitud de la señal.
● Muchos paquetes (e.g. Matlab/Octave) la representan sin embargo alrededor del intervalo [ -π, π ]
● La fase pude extenderse adicionando múltiplos de 2π
∠x[k]
Transformada Discreta de Fourier
Interpretación de la Transformada
|x[k]|
0
frecuencias < π (ccw)
N-1N/2
Transformada Discreta de Fourier
Interpretación de la Transformada
|x[k]|
0
frecuencias > π (cw)
N-1N/2
Transformada Discreta de Fourier
Interpretación de la Transformada
|x[k]|
0
bajas frecuencias
N-1N/2
bajas frecuenciasAltas frecuencias
Transformada Discreta de Fourier
Interpretación de la Transformada
0
bajas frecuencias
N-1N/2
bajas frecuenciasAltas frecuencias
DFT de x[n] = 1 (mínima vel.), x[n] ∈ ℂ64
|x[k]|
Transformada Discreta de Fourier
Interpretación de la Transformada
0
bajas frecuencias
N-1N/2
bajas frecuenciasAltas frecuencias
(máx. vel.), x[n] ∈ ℂ64
|x[k]|
DFT de x[n] = cos(πn)
DFT de x[n] =(-1)n
Distribución de Energía● Teorema de Parseval:
La magnitud cuadrática del k-ésimo coeficiente de la DFT es proporcional a la energía de la señal contenida en la frecuencia ω = (2π / N) k
Transformada Discreta de Fourier
∥x∥2= ∑∣αk∣
2
∑n=0
N −1
∣x [n ]∣2 =1N ∑
k=0
N −1
∣X [k ]∣2
Distribución de Energía
La energía está concentrada en los 2 componentes de la DFT (4:CCW y 60:CW) que corresponden a la única frecuencia de la señal.
Transformada Discreta de Fourier
DFT de x[n] = 3cos(2πn/16), x[n] ∈ ℂ64
4 60
|x[k]|
Distribución de Energía
La energía está distribuida principalmente en las bajas frecuencias aunque se aprecia que casi TODOS los componentes de la DFT participan en la señal.
Transformada Discreta de Fourier
DFT de x[n] = escalón M=4, x[n] ∈ ℂ64
|x[k]|
Simetría de los Coeficientes
Transformada Discreta de Fourier
0 1 2 3 4 5 0 1 2 3 4
N=6, Longitud par N=5, Longitud impar
∣X [ k ]∣=∣X [N−k ]∣ para k=1,2,. .. ,[N /2 ]
Correspondencia de los coeficientes
Simetría de los Coeficientes
Para determinar representar la magnitud en realidad sólo es necesario emplear [N/2]+1 coeficientes
Transformada Discreta de Fourier
0 1 2 3 4 5 0 1 2 3 4
N=6, Longitud par N=5, Longitud impar
FT Gaussian Blur
* =
Dominio del espacio 2D
Dominio de la frecuencia
Which Transform to Use?
ApplicationContinuous
DomainDiscreteDomain
Signal Processing Fourier T. Discrete F.T.
(DFT/FFT)
Control Theory Laplace T. z-Transform