Ingeniera Martima

Analisis de Fourier
Apuntes de Clase
MOS, MDM, AMF
Grupo de Din amica de Flujos Ambientales, Universidad de Granada.
Curso 20122013

Indice
1. Introduccion 1
2. Espectro de energa 1
2.1. Diagrama de Amplitudes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2. Diagrama de Varianzas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.3. Espectro de Energa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3. Series de Fourier 7
3.1. Desarrollo en Serie de senos y cosenos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2. Desarrollo en Serie de cosenos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.3. Desarrollo Exponencial de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.4. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.4.1. Funci on lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.4.2. Funci on paso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4. Analisis espectral de se nales discretas 12
4.1. Acabado de la ventana de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2. Frecuencia de Nyquist y aliasing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.3. Un registro o varios registros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.4. Filtrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5. Practica Analisis Espectral 21
5.1. Enunciado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5.2. Indicaciones pr acticas del uso de t() en Matlab
TM
. . . . . . . . . . . . . . . . . . . . . 22
i
Palabras clave
serie de Fourier, periodo, frecuencia, energa, espectro.
Bibliografa Basica
Ca nada, A., 2002. Series de Fourier y Aplicaciones. Pir amide.
Goda, Y., 2010. Random Seas and Design of Maritime Structures. Vol.33 World Scientic Pub. Co.
Inc.
Holthuijsen, L.H., 2007. Waves in Oceanic and Coastal Waters. Cambridge University Press.
Recomendaciones para obras martimas ROM1.0 (2009).
ii
1. Introduccion
El analisis espectral es una tecnica de descomposicion en frecuencias de un fenomeno
fsico, por lo general, complejo. Por ejemplo, cuando se habla de espectro de energa de
un sistema dado se quiere decir distribucion de la energa del sistema en funcion de la
frecuencia, es decir, a tal frecuencia, tal energa.
El concepto de espectro fue introducido en el s.XVII en el contexto de ondas lu-
minosas, referido a la descomposicion espectral en colores (frecuencias) de un rayo de
luz cuando pasa a traves de un prisma. El analisis espectral que aqu desarrollaremos
para ondas superciales proviene originariamente de disciplinas como la

Optica y la
Electronica. En general, el analisis de Fourier se emplea en ambitos tan diversos como
optica, oceanografa, sismologa, electronica, ac ustica, etc. Citamos aqu a Lord Kelvin:
Los metodos de Fourier no son solamente uno de los resultados mas hermosos del
An alisis moderno, sino que puede decirse ademas que proporcionan un instrumento in-
dispensable de casi todas las cuestiones de la Fsica actual, por reconditas que sean.
A lo largo de este captulo, por concision, nos referiremos a series de elevaciones
de la supercie libre (t) asociadas al oleaje, marea, viento, etc.; pero los desarrollos
seran identicos para otras magnitudes como por ejemplo corrientes, temperatura, o
presion atmosferica. El analisis espectral de ondas irregulares es importante para el
dise no de estructuras y para el analisis de procesos y forzamientos. Por ejemplo, en el
dise no de molinos de viento o-shore o de buques portacontenedores, donde la fuerza del
oleaje juega un papel importante, es necesario dise nar la estructura o un buque de tal
modo que su frecuencia natural de oscilacion quede lejos de la banda de energa donde
se concentra la mayor parte de la energa del oleaje. Con esto se evitan problemas
de resonancia que pueden dar lugar a deformaciones o sobretensiones. Para ello, es
importante descomponer el oleaje en sus frecuencias fundamentales y determinar la
energa asociada a cada una de ellas. Otros ejemplos pueden encontrarse en el analisis
espectral de se nales oceanogracas, el cual proporciona informacion de que forzamientos
son los que controlan el movimiento horizontal de la masa de agua, la generacion de
ondas internas, etc.
2. Espectro de energa
Un campo de elevaciones (x, t) unidimensional medido a una profundidad media
h y asociado a una onda progresiva lineal viene dado por
(x, t) = a cos( t k x +) , (1)
donde a = H/2 es la amplitud de la onda en cuestion, con H la altura de ola, si
se tratara de oleaje, o la carrera de marea, en caso de marea; = 2/T = 2f es la
frecuencia angular, siendo T el periodo de onda y f la frecuencia lineal; k = 2/ es el
1
Tabla 1: Valores de los parametros empleados para generar la onda irregular de la
Fig. 1.

1

2

3

4

5
H (m) 5.6 1.2 7.4 6.1 5.1
T (s) 9.0 7.0 5.6 2.4 1.1
(rad) 1 -3 -0.10 0.67 4.01
n umero de onda, donde es la longitud de onda; y, nalmente, es la fase inicial. La
longitud de onda y la frecuencia no son independientes, estan ligados, seg un la Teora
Lineal de ondas, a traves de la ecuacion de ondas por la relacion de dispersi on siguiente

2
= gk tanh(kh) . (2)
En terminos de la celeridad c se tiene c
2
= g/k tanh(kh). Esta ecuacion describe la
forma en la cual un campo de ondas propagantes constituido por m ultiples frecuencias
se separaran (o se dispersaran) debido a las diferentes celeridades de las distintas
componentes.
2.1. Diagrama de Amplitudes
Consideremos, por sencillez, que el punto de observacion se encuentra en x = 0,
por lo que en este punto (t) = a cos( t + ). Y para ganar intuicion sobre lo que el
espectro de energa representa observemos la Fig. 1. Esta gura representa una elevacion
irregular de la supercie libre ( ultimo panel), construida a partir de la suma de cinco
ondas sinusoidales (paneles 1-5) cada una con diferentes periodos T
i
, amplitudes a
i
y
fases
i
(las indicadas en la Tabla 1). La elevacion de la supercie libre de la onda
irregular se construye como
(t) =
5

i=1

i
(t) =
5

i=1
a
i
cos(
i
t +
i
) , (3)
donde
i
= 2/T
i
.
Notese que, supuesto que se trata de ondas progresivas, i.e. de la forma dada por
la Eq. 1, es equivalente disponer de la serie temporal (t) mostrada en el ultimo panel
de la Fig. 1 y los coecientes consignados en la Tabla 1 (H
i
, T
i
y
i
). Se puede, por
tanto, pasar del dominio del tiempo al dominio espectral (en frecuencias) sin perdida de
informacion: la relacion es unvoca
1
. En general, diremos que la descripcion espectral
(en el dominio de la frecuencia) es equivalente a la descripcion temporal. Por ello,
1
En este ejemplo sencillo, hemos pasado de los datos espectrales a la descripci on temporal. Esto es,
con los datos mostrados en la Tabla 1 hemos pintado la onda irregular de la Fig. 1. El paso inverso, de
la serie temporal a los datos espectrales, no es tan sencillo en general y eso es precisamente el objeto
de este Tema y lo discutiremos m as adelante.
2
Figura 1: Tren de ondas irregular (panel inferior) generado por la superposicion de cinco
ondas lineales (primeros cinco paneles), cuyos valores se encuentran en la Tabla. 1.
una u otra pueden usarse indistintamente. Cuando usar una u otra depende de lo que
queramos estudiar.
Por tanto, en vez de la serie temporal de la Fig. 1 podran emplearse los llamados
diagrama de amplitudes y fases, que no son mas que guras que representan la amplitud
y la fase de la se nal frente a la frecuencia a la que se presentan (Fig. 2). En estudios
de oleaje, que es basicamente un proceso estocastico, el interes se centra, sobre todo,
en como se distribuye la energa asociada a la serie temporal, por lo que es habitual
no considerar la informacion de la fase. Para reconstruir la serie temporal a partir del
espectro sencillamente se suele asignar una fase aleatoria inicial a cada componente. En
otros ambitos, por ejemplo, para determinar los coecientes de reexion en una estruc-
tura o para el estudio de la propagacion de la onda de marea, es necesario conservar la
informacion espectral de la fase.
2.2. Diagrama de Varianzas
Sin embargo, el diagrama de amplitudes no suele usarse. Mas com un es el diagrama
de varianzas, que no es mas que una gura que representa, en vez de a(f),
1
2
a(f)
2
. Esta
cantidad se representa en la Fig. 3. La varianza retiene la informacion de amplitud a
i
y de cada componente de frecuencia f
i
. Se denomina de varianzas porque, para una
onda armonica (lineal; Eq. 1) cuya elevacion de la supercie libre sea (t) se tiene que
la varianza
2

es precisamente a
2
/2:

= Var [(t)] = Esp

_
((t) Esp [(t)])
2
_
, (4)
3
Figura 2: Diagrama de amplitud para el conjunto de ondas denido en Tabla. 1. Ojo!
No son histogramas.
Figura 3: Diagrama de varianzas para la onda irregular dada por la superposicion de
armonicos con parametros dados en la Tabla 1.
4
Figura 4: Ejemplo de espectro real (discreto) de una serie de oleaje del Atlantico Norte.
donde Esp es el valor esperado (esperanza matematica o media) y la barra representa
el promedio temporal de la serie en un periodo T
i
= 1/f
i
. En nuestro caso, al tratarse
de una se nal armonica, el promedio temporal de es nulo, por lo que
2

= Esp
_

2
(t)

=
1
T
_
T
0

2
(t) dt =
1
2
a
2
. (5)
Se emplea el diagrama de varianzas por su relacion directa con la energa de la onda.
La energa por unidad de area de una onda individual i es, seg un la Teora Lineal
E
i
=
1
2
ga
2
i
=
1
8
gH
2
i
, (6)
donde es la densidad del agua
3
, g es la aceleracion de la gravedad y sus unidades
son [E] = MT
2
. La energa de la onda es proporcional a la varianza (a la amplitud
al cuadrado), i.e. E a
2
/2. Tpicamente, la energa asociada a multitud de fenomenos
oscilatorios, en muy diversas areas, viene dada por una magnitud proporcional a la
amplitud de la onda al cuadrado.
El diagrama de varianzas suele convertirse habitualmente en el espectro de varianzas.
La densidad espectral de la onda , S

(f), es la varianza por unidad de frecuencia con

unidades [S

] = L
2
T, se dene como
S

(f) =
a
2
/2
f
, (7)
2
Haga uso de la relaci on cos
2
() = (1 + cos(2))/2.
3
La densidad del agua es del orden de 1025 kg/m
3
. Tengase en cuenta que cambios apreciables de
densidad del agua del mar pueden tener lugar en estuarios, desembocaduras, lagunas costeras y, en
general, en otros ambientes de transicion.
5
donde f es la resolucion espectral. Veremos con mas detalle despues que, para
una serie de datos experimentales, f depende de la duracion del registro de eleva-
ciones; concretamente, f = 1/T
registro
, donde T
registro
es la duracion en segundos
del registro de datos. La Fig. 4 representa el espectro para un caso real de oleaje.
Puesto que en la mayora de las aplicaciones f = cte. no deja de ser una normaliza-
cion apropiada del diagrama de la varianza. Esta normalizacion es conveniente puesto
que, dada una descomposicion de una onda irregular (como la de la Fig. 1, ultimo
panel) en N ondas individuales, verica que la integral (suma) en todo el dominio es

N
n=1
a
2
n
2f
f =

N
n=1
1
2
a
2
n
que esta relacionada, como hemos visto en la Eq. 6, con el
contenido energetico total de la serie temporal.
2.3. Espectro de Energa
Equivocadamente, al espectro de la varianza suele denominarse a veces espectro de
energa; pero estrictamente hablando el espectro de energa o la densidad espectral de
energa debe denirse multiplicando por g el espectro de la varianza:
E

(f) = g
a(f)
2
/2
f
= g S

(f) . (8)
Fsicamente, E

(f) representa la energa de oscilacion por unidad de frecuencia. En

la practica una onda irregular esta compuesta por un n umero innito de ondas lineales
con diferentes frecuencias (Fig. 4). Para que la suma g

N
n=1
S

(f)f (una integral

en el paso al lmite) sea nita, f debe tender a cero y el espectro de la varianza debe
aproximarse a una curva continua. En tal caso, la energa total se determina mediante
una integral. El contenido energetico total del registro sera entonces
E

= g
_

0
S

(f) df . (9)
Si estamos interesados unicamente en el contenido energetico de solo una banda del
espectro, debera calcularse la misma integral pero cambiando los lmites de integracion
en consonancia.
A partir de S

(f) o de E

(f) puede derivarse la serie temporal. En la Fig. 4 la

densidad espectral de energa S

(f) se divide en N partes por el ancho de banda f.

Esto signica que un tren de ondas irregulares se compone de N ondas sencillas, a
saber,
(t) =
N

i=1

i
(t) =
N

i=1
a
i
cos(
i
t +
i
) . (10)
La energa de cada una de las ondas i = 1, 2 . . . , N es
6
g S

(f
i
)f = g
1
2
a
2
i
, (11)
y, por tanto, la amplitud es
a
i
=
_
2 S

(f
i
) f (12)
y frecuencia
i
= 2/T
i
= 2f
i
. La Eq. 12 representa una relacion directa entre
la descripcion en el dominio de la frecuencia y dominio temporal. A la fase inicial
i
,
supuesto que estamos trabajando con oleaje y que unicamente disponemos de S

(f)
(amplitudes), se le suele asignar un valor aleatorio inicial
i
(0, 2). Por tanto, usando
la Eq. 10 se puede obtener la elevacion de la supercie libre cuyo espectro de varianzas
es como el mostrado en la Fig. 4.
Tengase en cuenta que, como las se nales tienen energa nita, el espectro tiene que
caer a cero a altas frecuencias (debe vericar la condicion 0
_

0
E

(f) df < +). La

parte interesante del espectro, que es donde se concentra la mayor parte de la energa,
reside en una banda de frecuencias reducida.
3. Series de Fourier
La conversion de una serie temporal de elevaciones a espectro de varianzas no es
una tarea tan simple como el ejemplo anterior, donde las componentes que constituyen
la se nal completa son conocidas (Fig. 3). Habitualmente lo que uno mide en el empla-
zamiento es algo similar (mas complicado en realidad) a lo mostrado en el ultimo panel
de la Fig. 1. Es decir, no conocemos a priori las amplitudes de las constituyentes o
armonicos ni, en algunos casos, las propias frecuencias caractersticas. Se requiere, por
tanto, descomponer una onda irregular dada en funcion del tiempo, (t), en armonicos.
Para ello recurrimos al concepto de serie de Fourier.
3.1. Desarrollo en Serie de senos y cosenos
Una serie temporal real (t) medida en un punto dado, p.ej. la darsena de un puerto,
denida en un intervalo temporal (a, b) puede expresarse en terminos de una serie
trigonometrica (de senos y cosenos)
4
, siempre y cuando asumamos que la funcion (t)
es periodica de periodo T
0
= b a. Como las funciones senos y cosenos estan denidas
4
El alumno debera recordar que existen otros desarrollos en serie de funciones, como, por ejemplo,
los desarrollos en serie de Taylor. Las series de Taylor se desarrollan en torno a un punto dado y los
innitos coecientes se obtienen a partir de las derivadas de la funci on en ese punto. La funci on debe
ser, por tanto, innitamente derivable en el punto y la convergencia est a limitada a un entorno del
punto en cuestion. Los desarrollos de Fourier, en cambio, no dependen de un punto dado y no son tan
exigentes con los requisitos que debe vericar la funci on. Por ejemplo, basta con que la funci on sea
continua para que exista su desarrollo, esto es, que existan sus coecientes. En general, si una funcion
es de cuadrado integrable, la serie de Fourier converge casi por doquier.
7
en todo R y no solo en (a, b), se asume entonces que la funcion (t) es determinada
fuera del intervalo de muestreo (a, b) como (t) = (t+T
0
), esto es, como una extension
periodica de (t) al resto de la recta real. En tal caso, la serie trigonometrica de senos
y cosenos tiene la forma
(t) = a
0
+

n=1
(a
n
cos (2nt/(b a)) +b
n
sin (2nt/(b a))) , (13)
donde los a
n
y b
n
son los coecientes de Fourier y que estan dados (afortunadamente)
por la misma serie (t) seg un
a
0
=
1
b a
_
b
a
(t) dt (14)
a
n
=
2
b a
_
b
a
(t) cos (2nt/(b a)) dt (15)
b
n
=
2
b a
_
b
a
(t) sin (2nt/(b a)) dt , (16)
para n = 1, 2 . . . La frecuencia angular para cada armonico es
n
= 2n/(b a),
siendo 2/(b a) la frecuencia fundamental. Se deja como ejercicio al lector demostrar,
a partir de la Eq. 13, las relaciones dadas
5
en Eq. 14. En particular, a
0
resulta ser
el valor (nivel) medio de la serie. La serie de Fourier converge si y su derivada

son continuas casi por doquier

6
. La relacion entre y sus coecientes es unvoca. La
suma en este caso no es nita (no hay un n umero nito de armonicos), sino innita
(numerable). En los tiempos t donde la funcion es continua, la serie trigonometrica
converge, tal y como cabra esperar, al valor (t). En cambio, en los puntos t
0
donde
la funcion es discontinua la serie de Fourier (la serie, no que en t
0
es discontinua)
converge mas lentamente a
1
2
_
(t

0
) +(t
+
0
)
_
, siendo (t

0
) y (t
+
0
) los lmites por la
izquierda y la derecha, respectivamente. Este resultado se conoce como el Teorema de
Dirichlet. En los puntos de discontinuidad como t
0
se observa que la graca de la suma
parcial oscila con mayor amplitud en torno a esos puntos.
Una vez calculados los coecientes del desarrollo de Fourier de senos y cosenos, a
saber, los a
n
y b
n
, es posible determinar el espectro de energa sabiendo que para cada
frecuencia
n
= 2n/(b a) se tiene una energa
E

(
n
) = g
a
2
n
+b
2
n
2f
, (17)
siendo f = 1/(b a).
5
El conjunto {1, cos (
n
t) , sin (
n
t)}

n=1
, donde
n
= 2n/(ba), es una base ortogonal de L
2
(a, b).
6
Una funcion continua casi por doquier es continua en todo su dominio excepto, como mucho, en
un conjunto innito numerable de puntos.
8
3.2. Desarrollo en Serie de cosenos
La Eq. 13 puede reordenarse del siguiente modo:
(t) =

n=0
_
c
n
cos
n
. .
cos (
n
t) +c
n
sin
n
. .
sin (
n
t)
_
, (18)
siendo
n
= 2n/(b a) y habiendo denido las fases
n
, que verican a
n
=
c
n
cos
n
, b
n
= c
n
sin
n
, i.e. c
n
=
_
a
2
n
+b
2
n
y
n
= arctan(b
n
/a
n
). Haciendo uso de
la relacion trigonometrica del coseno de la diferencia se llega al desarrollo en serie de
cosenos
(t) =

n=0
c
n
cos (
n
t
n
) , (19)
mas parecido a la Eq. 1 o, m as concretamente, a la Eq. 3. Esencialmente, la Eq. 19
nos viene a decir que la elevacion de la supercie libre de un tren irregular de ondas
continuo puede expresarse como una serie innita de ondas (progresivas) individuales.
Se deja como ejercicio al alumno obtener una expresion de los c
n
y
n
en terminos
de (t), de forma similar a la Eq. 14. La densidad espectral de energa en este caso de
forma analoga al desarrollo de senos y cosenos (Eq. 17) toma la forma E

(
n
) = g
c
2
n
2f
.
3.3. Desarrollo Exponencial de Fourier
Frecuentemente es util expresar el desarrollo de Fourier en terminos de n umeros
complejos, con los que es mas sencillo operar que con senos y cosenos y abre las puertas
al calculo del desarrollo de Fourier para series discretas o digitales, como las medidas
en campa nas de campo. Se dene as la expresion compleja del desarrollo de Fourier
derivada de la Eq. 13 haciendo uso de la expresion compleja de los senos y cosenos
7
:
(t) =
+

n=
d
n
e
i
n
t
, (20)
donde
n
= 2n/(b a), n = 0, 1, 2, . . . y los coecientes d
n
se obtienen como
d
n
=
1
b a
_
b
a
(t)e
i
n
t
dt . (21)
7
Para deducir la expresion compleja del desarrollo en serie de Fourier, haga uso de la la expresi on
exponencial de las funciones seno y coseno (i.e. de la identidad de Euler) en la Eq. 13, a saber, sin(z) =

e
iz
e
iz

/ (2i) y cos(z) =

e
iz
+ e
iz

/2. Luego se agrupan los terminos en e

iz
y e
iz
en dos
sumatorias y se realiza un cambio de ndices biyectivo, de n a n, en la suma cuyas exponenciales
llevan en el exponente un signo menos.
9
Figura 5: Aproximacion de una funcion paso (panel izquierdo) y una funcion lineal
(panel derecho) por la suma parcial de los 20 primeros armonicos de sus respectivas
series de Fourier. Notese la mayor amplitud de las oscilaciones en torno a los puntos de
discontinuidad (fenomeno de Gibbs). Los insets muestran el resultado de la extension
periodica.
En nuestro caso, la funcion (t) es una funcion real (p.ej. elevacion asociada al efecto
de las mareas), esto es, debe haber una relacion entre los coecientes complejos d
n
de
tal modo que (t) sea, en efecto, real. La relacion es la siguiente:
d
n
=
_

_
a
n
2
i
b
n
2
, si n = 1, 2, . . .
a
0
, si n = 0
a
n
2
+i
b
n
2
, si n = 1, 2, . . .
(22)
Los valores de d
n
y d
n
deben ser complejo conjugados para que la funcion (t) sea
una funcion real
8
. La funcion |d
n
| es, por tanto, una funcion par, simetrica respecto de
n = 0 (frecuencia nula). Por tanto, el espectro de energa obtenido a partir de estos
coecientes (a saber, el espectro cuyos valores son proporcionales a |d
n
|
2
para cada f
n
,
siendo f
n
=
n
/(2)) hereda esa simetra.
Los terminos para n 1 se dice, abusando del lenguaje, que se corresponden
con frecuencias negativas, aunque las frecuencias que realmente tienen sentido fsico
son las frecuencias positivas. Las frecuencias negativas o frecuencias
n
con n 1
son un articio al pasar al plano complejo, donde aparecen exponenciales complejas
en vez de sinusoides. Sin embargo, cuando se dibuja un espectro con las componentes
exponenciales, uno suele referirse indistintamente tanto al ndice como a la frecuencia
de esa componente. Diremos entonces no de forma muy rigurosa que
n
= 2n/(b a)
(para n = 0, 1, 2, . . . ) representa la frecuencia de la se nal e
i
n
t
. En cambio, en el
sentido trigonometrico , las frecuencias pueden ser solo positivas y el espectro de las
series trigonometricas de Fourier existe solo para las positivas.
8
De hecho as est an denidos a partir del desarrollo Eq. 13 seg un la deducci on explicada anterior-
mente.
10
3.4. Ejemplos
Para nalizar esta seccion se presentan dos ejemplos sencillos de calculo de series de
Fourier de senos y cosenos, i.e. dada una (t) se obtienen analticamente los coecientes
a
n
y b
n
, y se comenta brevemente el llamado fenomeno de Gibbs.
3.4.1. Funcion lineal
En este ejemplo se muestra como el desarrollo en serie de senos y cosenos de la
funcion
(t) = t, t (23)
se aproxima mas y mas a la funcion (t) al ir a nadiendo nuevos terminos, esto es,
al incrementar el orden de la aproximacion. En este caso, el desarrollo de Fourier es
(t) =

n=0
(a
n
cos (nt) +b
n
sin (nt)) siendo T
0
= 2 y con a
n
= 0 y b
n
= (1)
n1
2/n.
La funcion (t) es impar en el intervalo t , luego todos los a
n
= 0. En la
Fig. 5 se muestra una aproximacion a (t) (curva discontinua) por la suma parcial de
los 20 primeros terminos.
3.4.2. Funcion paso
Al igual que en el ejemplo anterior, se muestra como el desarrollo en serie de senos
y cosenos de la funcion
(t) =
_
1, si 0 t < 1/2
0, si 1/2 t < 1
(24)
aproxima mejor la funcion al ir incrementando el n umero de terminos. La funcion de
este ejemplo es continua casi por doquier. En este caso (t) = 1/2+

n impar
(2//nsin (2nt)).
Vease Fig. 5. En el punto de discontinuidad la serie converge al valor promedio de los
lmites por la derecha e izquierda en el punto.
La funcion (t) a
0
es impar
9
, luego todos los a
n
= 0. El teorema de Dirichlet nos
dice que, en un punto t
0
= 1/2 con una discontinuidad de salto, la graca de la suma de
la serie de Fourier pasa por el punto medio en t
0
, siendo ((t

0
) +(t
+
0
)))/2 = 1/2. Eso
es precisamente lo que se observa en la Fig. 5. Las sumas parciales
10
en las cercanas
de los puntos de discontinuidad reducen su velocidad de convergencia, i.e. convergen
mas lentamente en los puntos de salto. En esos puntos se observa que la graca de
la suma parcial oscila con mayor amplitud alrededor de t
0
. Cuando se incrementa el
n umero de terminos, las oscilaciones se concentran a ambos lados del punto pero su
amplitud no parece decrecer. Esto se conoce como el fenomeno de Gibbs. El tama no
de la oscilacion depende de la funcion (t) en cuestion, pero, para una funcion paso,
9
La funci on (t) no es ni par ni impar.
10
No la innita, sino hasta un n
0
< + dado.
11
Figura 6: Muestreo de la supercie libre a intervalos regulares de T
s
= 0,1 s. Las
muestras de la elevacion, medida respecto a un nivel medio conocido, se indican con
cuadrados; las lneas discontinuas solo unen los puntos y no representan ning un dato.
Datos tomados en el 2009 en el Golfo de Cadiz.
Gibbs demostro que la oscilacion es del orden de un 9 % del tama no del salto. Tambien
aparecen oscilaciones que aparecen en el extremo del intervalo de interes es debido a que
la extension periodica de la funcion (t) a toda la recta real presenta discontinuidades
precisamente en los extremos del intervalo. Lo mismo se observa en el Ejemplo 3.4.1.
4. Analisis espectral de se nales discretas
En la practica, lo normal es que no dispongamos de una se nal (t) continua sensu
stricto (e.g. elevaciones asociadas a oleaje) en un intervalo nito dado (e.g. el tiempo
que dura una campa na de campo), sino una se nal discreta, resultado de muestrear
automaticamente una magnitud fsica concreta en tiempos t
k
(mediante sensores de
presion, mareografos, AWAC con modulo AST, radar y otros) a intervalos de tiempo
t. Por sencillez, se asume que las muestras estan equiespaciadas, una muestra cada
t = t
n+1
t
n
. Esta situacion es lo usual. El espaciado temporal t entre cada dos
muestras es precisamente lo que se dene como periodo de muestreo T
s
del instrumento
(que produce una muestra cada T
s
). Su valor recproco f
s
= 1/T
s
se dene como la
frecuencia de muestreo (vease Fig. 6).
Podramos expresar una serie discreta de N muestras de elevacion de la supercie
libre como {(t
1
), (t
2
), . . . , (t
N
)}, denida, logicamente, en un intervalo nito. Las
muestras, en este caso, han sido tomadas en tiempos {t
1
, t
2
, . . . , t
N
}. Por ahorrar
notacion nos referiremos al valor de elevacion observado en tiempo t
k
como
k
(t
k
).
Sin perdida de generalidad, y para seguir conservando la notacion anterior, denimos los
tiempos primero y ultimo como a = t
1
y b = t
N
, respectivamente. Vease una muestra
de un registro de oleaje en la Fig. 6. Concretamente, la pregunta que nos hacemos en
esta seccion es como determinar el espectro de energa o de varianzas a partir de solo
la serie discreta.
12
Hasta ahora hemos tratado series continuas denidas en intervalos nitos que se
aproximan por una suma innita numerable de funciones armonicas. Sabemos que una
funcion real y continua (t) tiene como desarrollo complejo la Eq. 20, donde el n umero
de frecuencias necesario para describir la funcion es innito numerable. Si la funcion
es discreta, nos adelantamos al armar que el n umero de frecuencias sera nito y su
desarrollo en exponenciales complejas sera
+

n=
d
n
e
i
n
t

+N/2

n=N/2
d
n
e
i
n
t
k
, (25)
donde N es el n umero de muestras y el lmite superior del ndice no excede N/2.
El lmite de N/2 puede entenderse a partir de lo mostrado en la Fig. 7. La frecuencia
maxima (o periodo mnimo) que somos capaces de detectar o de describir con una se nal
discreta sera f
max
= 1/(2 t) = (N/2)/(b a). Esta frecuencia maxima detectable
en un analisis de Fourier recibe el nombre de frecuencia de Nyquist. Al igual que en
las series continuas, el lmite inferior esta determinado por la frecuencia fundamental
11
f
min
= f
n=1
= 1/(ba), que coincide con la resolucion espectral
12
f = 1/(ba) (o en
terminos de la frecuencia angular = 2/(b a)). Es intuitivo que con el muestreo
de la se nal original, no podemos detectar frecuencias mayores a f
max
. Por tanto, el
espectro, en realidad, esta limitado en banda, siendo la frecuencia de corte superior
f
max
y la inferior f
min
. Cada frecuencia aparece en f
n
= 2/(b a) n, en m ultiplos
naturales de 1/(b a), la frecuencia fundamental. Por tanto, el ndice comienza
13
en
n = 1 (f
min
= 1/(ba)) y llega hasta N/2 ((f
max
= N/2/(ba))). En la expresion nal
en Eq. 25 los ndices varan desde N/2 hasta N/2, consecuencia de haber pasado a
notacion exponencial, con frecuencias positivas y negativas. Si hubieramos considerado
el desarrollo trigonometrico, ah s que, en efecto, el ndice de la sumatoria ira desde
n = 1 hasta N/2:
(t
k
) =
k
= a
0
+
N/2

n=1
(a
n
cos(
n
t
k
) +b
n
sin(
n
t
k
)) . (26)
La Eq. 26 (tambien la expresion exponencial) representa la serie de Fourier que pasa
por todos los puntos {(t
k
,
k
)}
N
k=1
, donde k = 1 . . . , N. Los coecientes ya no estaran
dados por expresiones integrales (Eq. 14), sino por sumatorias derivadas de discretizar
directamente las integrales:
11
Podra pensarse que la frecuencia mnima.
es
0, una constante (identicada por a
0
). Pero cuando
se habla de frecuencia fundamental se reere a la primera frecuencia no nula no nula.
12
N otese que para tener una resoluci on espectral grande, conveniente para poder resolver y separar
dos picos pr oximos en el espectro, es necesario tener registros de oleaje largos, con el b a m as grande
posible.
13
N otese que n = 0 es para el coeciente reservado para el valor medio de la serie
13
Figura 7: Ejemplo con N = 11. Intervalo (0, 2) dividido en 10 subintervalos, esto
es, T
s
= t = 2/10. El periodo maximo que se puede detectar es T
max
= b a =
T
0
= 2. La frecuencia mnima (excluyendo f = 0) sera f
min
= 1/T
max
= 1/(2). A
la inversa, el periodo mnimo que es capaz de resolver sera, por tanto, T
min
= 2t que
es 2 (b a)/(N 1), siendo t = (b a)/(N 1) el periodo de muestreo. Por tanto,
la frecuencia maxima, denida como la frecuencia de Nyquist, es f
Nyquist
= f
max
=
1/T
min
= (N 1)/(b a)/2 = (N 1)/(4). La frecuencia de Nyquist es la mitad de
la frecuencia de muestreo f
s
. Y ojo que si la resolucion temporal esta dada por t, la
resolucion espectral es f = 1/(b a).
a
0
=
1
Nt
N

k=1

k
t (27)
a
n
=
2
Nt
N

k=1

k
cos(2nk/N) t (28)
b
n
=
2
Nt
N

k=1

k
sin(2nk/N) t . (29)
Calcular el espectro de energa empleando los coecientes Eq. 27 y siguientes es
lento e ineciente para N grande. Por ello se recurre habitualmente a sosticados y
ecientes algoritmos como la Transformada Rapida de Fourier
14
(conocido por FFT
por sus siglas en ingles) para determinar la transformada discreta.
Los programas comerciales que proporcionan los coecientes de la transformada
discreta (por ejemplo, Matlab
TM
) no usan directamente la expresion Eq. 25, sino una
modicacion de esta. Habitualmente expresan el desarrollo entre los ndices n = 0 y
n = N 1, siendo una expresion analoga a la anterior pero con los ndices positivos, y
con valores discretos de k. Puesto que la serie temporal es ahora discreta, es mas apro-
14
Reduce la complejidad del algoritmo de orden N
2
a N log
2
(N).
14
Figura 8: Espectro de varianzas para un registro de oleaje observado en el Golfo de
Cadiz cuya frecuencia de muestreo se establecio en f
s
= 4 Hz. La frecuencia maxima
que se es capaz de resolver (frecuencia de Nyquist) es f
max
= N/(2T
s
) = 2 Hz, la mitad
de la frecuencia de muestreo a la que estaba programado el equipo.. En esta gura solo
se muestra el resultado para frecuencias positivas. Las frecuencias negativas aparecen
para n 1 y sera la imagen especular hacia la izquierda de n = 0 de la curva mostrada.
Esto ultimo es consecuencia de la simetra par de los coecientes d
n
(la serie es real).
piado escribir la expresion anterior con la notacion denida antes para series discretas
15
sustituyendo los valores de t
k
y
n

k
= (t
k
) =
+N/2

n=N/2
d
n
e
i 2nk/N
, (30)
El desarrollo discreto Eq. 30 puede separarse en frecuencias positivas y negativas
de la siguiente forma

k
=
+N/2

n=N/2
d
n
e
i 2nk/N
= d
0
+
+N/2

n=1
d
n
e
i 2nk/N
+
1

n=N/2
d
n
e
i 2nk/N
. (31)
En la ultima sumatoria podemos cambiar n n sin perdida de generalidad,
resultando
16
15
En realidad, t
k
= (k 1)t +a = (k 1)
(ba)
(N1)
+a, donde k = 1, . . . , N. Sin embargo, el a nadir a
la discusi on al termino en a, s olo a nade una fase que es absorbida por los coecientes d
n
. Al efectuar
|d
n
|
2
esa fase no contribuye al espectro.
16
Se verica que, para un n dado,
n
= 2n/(b a) =
n
.
15

k
= d
0
+
+N/2

n=1
d
n
e
i 2nk/N
+
N/2

n=1
d
n
e
i 2nk/N
. (32)
Ahora realizando el cambio n N n para la sumatoria de frecuencias negativas
se tiene

k
= d
0
+
+N/2

n=1
d
n
e
i 2nk/N
+
N1

n=N/2
d
nN
e
i 2(Nn)k/N
, (33)
pero e
i 2(Nn)k/N
= e
i 2nk/N
, puesto que k es un n umero entero. Por tanto, las
sumas anteriores pueden juntarse deniendo nuevos coecientes g
n

k
=
N1

n=0
g
n
e
i 2nk/N
, (34)
donde
g
n
=
_

_
d
n
, si n = 1, 2, . . . , N/2 1
a
0
, si n = 0
a
N/2
, si n = N/2
d
nN
, si n = N/2 + 1, . . . , N 1 .
(35)
El valor g
N/2
= d
n
+ d
nN
y por la simetra de los d
n
, se tiene el valor mostrado
en Eq. 35. La Fig. 9 (panel inferior) muestra el modulo de los g
n
de la serie de oleaje
en funcion de la frecuencia mostrada en el panel superior de la misma gura. Los
coecientes se han determinado haciendo uso de la funcion de Matlab
TM
t() (vease
Practica de Analisis Espectral en la Seccion 5) sobre una serie de datos de oleaje
{t
k
,
k
}
N
k=1
registrados en la desembocadura del estuario del Guadalquivir durante T
0
=
b a = 7 min (Fig. 9). Se ha aplicado una ventana de datos (en la Seccion 4.1 se
vera que signica esto) para hacer continua en a y b la extension periodica a R del
intervalo (a, b). El orden de salida de los coecientes para cada n dados por Matlab
TM
no son consecutivos y se especican indican en la propia Fig. 9.
Al hacer el cambio de ndices de n n y luego n N n en la suma de las
frecuencias negativas, el espectro es ahora simetrico en n = N/2. La parte para n > N/2
es la que antes se corresponda con las frecuencias negativas (ndices n 1). A efectos
practicos, la relacion entre los coecientes d
n
, dados por la Eq. 35, y los proporcionados
por la funcion propia de Matlab
TM
es la indicada por la Eq. 41, en Practica de Analisis
Espectral (Seccion 5).
16
Figura 9: Panel superior: Serie observada de datos de oleaje en el Golfo de Cadiz. La
duracion del registro que aqu se muestra es de 7min. Panel inferior: Modulo de los
coecientes g
n
(Eq. 20 obtenidos mediante la t() de Matlab. No se muestra, pero se
indica, el valor d
0
, que es el primer valor en el eje de abscisas, este es, el valor a frecuencia
nula n = 0 y que se corresponde con el valor medio de la serie temporal que, en este
caso, es del orden de 15,016 m. Incluye aliasing. En este caso f 2,38 10
3
s
1
.
17
Figura 10: Efecto de la ventana de datos,

= W.
4.1. Acabado de la ventana de datos
El acabado se reere al ajuste a cero de los extremos de la ventana de datos. La
existencia de un desarrollo de Fourier para la funcion (t) requiere que esta sea una
funcion periodica en (a, b). Si no es periodica la funcion, como es habitual en los re-
gistros experimentales, se observan oscilaciones espurias en los extremos del intervalo
a causa del fenomeno de Gibbs (Ejemplos 3.4.1 y 3.4.2). Para evitar esto, suelen mo-
dicarse ligeramente datos para que la extension periodica a R enganchebien en los
extremos del intervalo, cumpliendose entonces la condicion de periodicidad en (a, b).
La modicacion se lleva a cabo con la ayuda de una ventana de datos. Una funcion
ventana habitual es la siguiente:
w(t) =
_

_
1
2
(1 cos(t/(T
0
))) , si 0 t T
0
1, si T
0
< t < (1 )T
0
1
2
(1 + cos((t (1 )T
0
)/(T
0
))) , si (1 )T
0
t T
0
,
(36)
Donde = 1/10 es la fraccion de intervalo T
0
afectada por la ventana. Es posible
reducir a un mas el transitorio de 0 a 1 en los contornos modicando el valor de . La
ventana de datos se emplea para transformar la serie temporal (t), pasando a tener una
nueva serie

(t) = (t) w(t) que cumple la condicion de periodicidad en el intervalo

de medida (a, b). El efecto de la ventana puede visualizarse en la Fig. 10.
4.2. Frecuencia de Nyquist y aliasing
Como hemos visto, en la practica, la se nal registrada de oleaje, marea, etc. (que es
una se nal digital) esta discretizada al haber sido obtenida muestreando uniformemente
18
con T
s
la elevacion de la supercie libre (analogica). Para las aplicaciones de oleaje el
intervalo de muestreo suele ser del orden de o inferior a 0,5 s. Tambien hemos visto
que para series de datos discretas, sus correspondientes series de Fourier se presentan
entonces en forma de sumas nitas. Aparte de la perdida de informacion inherente (y
esperada) a la discretizacion
17
existe un error (denominado error de aliasing) que no
es tan evidente.
Considere una se nal armonica monocromatica de frecuencia f
1
muestreada unifor-
memente a intervalos T
s
. Los puntos medidos con un periodo de muestreo T
s
pueden
no caracterizar unvocamente a la se nal de frecuencia f
1
, pues es posible que otra se nal
f
2
de mayor frecuencia tambien pase por esos mismos puntos en los mismos instantes
de tiempo. Basta considerar por ejemplo un periodo de muestreo T
s
= 1/(f
1
+f
2
). Por
tanto, el analisis de Fourier que emplea solo los puntos muestreados, no sera capaz de
distinguir entre una y otra frecuencia
18
. La consecuencia en el dominio de la frecuencia
es que la energa de la frecuencia mas elevada f
2
se a nade a la energa de la frecuencia
menor f
1
(vease Fig. 11). De hecho, es como si la distribucion de energa se reejara
en la frecuencia maxima detectable en un analisis de Fourier (y sus m ultiplos), denomi-
nada, como hemos visto anteriormente, frecuencia de Nyquist
19
(la que antes denimos
como f
max
), f
Nyquist
= f
max
= f
s
/2. La energa a frecuencias altas (no muestreadas)
aparecen a otras frecuencias de aquellas a las que debera, i.e. bajo un alias. El error
de aliasing produce un error del 100 % en torno a la frecuencia de Nyquist, tal y como
se puede observar en la Fig. 11.
El error de aliasing siempre esta presente en datos oceanogracos aunque no suele
ser crtico, puesto que la energa del espectro cae rapidamente a cero a altas frecuencias.
No obstante, la unica solucion para evitarlo es seleccionar en el dispositivo de medida
una frecuencia de muestreo lo sucientemente alta, mucho mayor que las frecuencias
en las que estamos interesados. Para medidas en el mar, tpicamente f
Nyquist
= 1 Hz,
que se corresponde con T
s
= 0,5 s, pero claramente es necesario considerar un periodo
de muestreo a un menor para evitar el aliasing. Se puede mostrar mediante un analisis
riguroso en terminos de transformadas de Fourier que el error de aliasing es debido a la
repeticion periodica en el dominio de la frecuencia del espectro verdadero. Considerando
que la se nal muestreada es

s
(t) = (t)

n=
(t nT
s
) , (37)
donde es una distribucion delta de Dirac. Haciendo uso del desarrollo de Fourier
de la , que es
17
Las se nales reales no est an limitadas en banda, i.e. est an constituidas por innitas frecuencias.
18
Este efecto tambien aparece cuando observamos un rueda girar en sentido inverso al real, tanto con
luz estrobosc opica (o a traves de un monitor o pantalla de televisi on) o con luz continua. La respuesta
parece estar en el funcionamiento del sistema conjunto ojo-cerebro. Otro ejemplo es el de la frecuencia
de refresco de los monitores.
19
El concepto de frecuencia de Nyquist signica que los coecientes de Fourier {a
n
, b
n
} contienen dos
partes. La primera parte, n = 0, . . . , N/2 1, representa las componentes verdaderas (las frecuencias
fsicas), mientras que la segunda parte n = N/2, . . . , N 1 son las componentes plegadas (aliasing).
19
Figura 11: Error de aliasing. La cola plegada contribuye al espectro resultante dando
lugar a una amplitud no real. Para recuperar la se nal temporal original deberamos efec-
tuar una transformacion inversa, pero solo de las frecuencias hasta f
Nyquist
. El espectro
resultante de eliminar el resto de frecuencias (tras un ltrado paso baja) esta distor-
sionado por dos razones: (1) se pierde la cola para f > f
Nyquist
y (2) la misma cola
aparece invertida, o plegada sobre el espectro a la frecuencia f
Nyquist
.

n=
(t nT
s
) =
1
T
s

n=
e
i
s
t
, (38)
con
s
= 2/T
s
, resulta

s
(t) =
1
T
s

n=
(t) e
i
s
t
. (39)
Aplicando la transformada a ambos miembros de la igualdad se llega a
d
s
() =
1
T
s

n=
d( n
s
) , (40)
que es una repeticion de espectros cada f
s
, como se muestra en la Fig. 11. Si la se nal
esta limitada en banda (i.e. que tiene un espectro acotado superiormente en f
Nyquist
)
se evita el solape (aliasing) muestreando a f
s
= 2f
Nyquist
. Si la se nal no esta limitada
en banda, como ocurre en realidad, la unica solucion es incrementar la frecuencia de
muestreo para no afectar las frecuencias de interes.
4.3. Un registro o varios registros
El hecho que usualmente se disponga de un solo registro de datos de oleaje para
llevar a cabo un analisis espectral, implica que la varianza se estima solamente a partir
20
de una unica amplitud a
2
n
/2 en vez de Esp(
_
a
2
n
/2
_
).

Esta suele ser una estimacion
burda
20
, observandose un espectro muy ruidoso, como ocurre en la Fig. 8.
Lo optimo es promediar varios (muchos) registros de oleaje independientes, i.e.
realizar un promedio en el sentido de colectividades
21
o, con un registro de datos lo
sucientemente largo, realizar un particion de N
0
intervalos que no solapen (de longitud
(b a)/N
0
) y calcular el promedio de los (a
(k)
n
)
2
/2 en cada subintervalo k. Esto es,
calcular a
2
n
/2 =
1
N
0

N
0
k=1
(a
(k)
n
)
2
/2. Con esto reducimos el error en la estimacion a
100 %/

N
0
, pero a costa de reducir la resolucion espectral a N
0
f

. Por tanto, se
requiere en todos los casos un compromiso entre la resolucion espectral y el error en la
estimacion.
4.4. Filtrado
A veces interesa obtener la serie temporal asociada exclusivamente al oleaje, sepa-
rada de otras componentes, como la marea (o al reves), para, por ejemplo, estimar el
transporte de sedimentos asociada a una u otra. Para ello se recurre a Filtrados Pa-
so Baja (deja pasartodas las componentes con frecuencias comprendidas entre 0 y
f
superior
), Alta (deja pasartodas las componentes con frecuencias mayores a f
inferior
)
o Banda (deja pasartodas las componentes con frecuencias comprendidas entre f
inferior
y f
superior
), seg un sea el caso. En denitiva, los ltrados eliminan de una se nal dada las
componentes correspondientes a un conjunto de frecuencias.
5. Practica Analisis Espectral
5.1. Enunciado
En esta practica se determinara el espectro de amplitudes, de la varianza y de
energa de una se nal de oleaje registrada en el Golfo de Cadiz. Se recomienda el uso de
Matlab
TM
para el desarrollo de esta y subsiguientes practicas
22
.
1. Elimine la cabecera del archivo oleajeAWAC.dat y cargue los datos del archivo
en el entorno Matlab
TM
mediante la instruccion load().
2. Represente las elevaciones (dadas en metros) en funcion del tiempo (s) mediante
la instruccion plot(). Para ello tenga en cuenta que la frecuencia de muestro f
s
del instrumento era f
s
= 4 Hz, es decir, que tomaba 4 muestras por segundo.
20
Un registro lo sucientemente largo no soluciona esto, puesto que al incrementar (b a) se reduce
f, pero en cada intervalo de anchura f hay un unico dato a
2
n
/2 y el error, que es proporcional a
/

N = (una unica muestra N = 1) puede ser grande.

21
Holthuijsen lo llama quasi-ensemble average.
22
Octave/Matlab
TM
es un entorno vers atil que integra potentes herramientas de c alculo numerico
y simb olico, visualizaci on y programaci on de alto nivel y es ampliamente utilizado en dentro y fuera
del ambito ingenieril tanto a nivel universitario como profesional. La Universidad de Granada dispone
de Licencia Campus para Matlab
T
M y Octave es un interprete de software libre para el lenguaje de
Matlab.

Este permite ejecutar la mayora de los programas desarrollados para Matlab sin tener que
hacer costosas modicaciones en el c odigo fuente ni la necesidad de adquirir una licencia.
21
3. Haciendo uso de la funcion de Matlab
TM
t() determine (a) el espectro de ampli-
tudes, (b) espectro de la varianza y (c) espectro de energa de la se nal de oleaje.
En el apartado siguiente se dan unas instrucciones basicas para relacionar los
coecientes proporcionados por la funcion t() con los coecientes del desarrollo
de Fourier.
4. Una vez obtenidos los espectros, sabra decir a que frecuencia se corresponde la
amplitud maxima? Sabra identicar su origen?
5. (Opt.) Realice un Filtrado Paso-Baja de la se nal con una frecuencia de corte
f
c
= 0,1215 Hz. Compare la se nal original con la se nal ltrada en el dominio del
tiempo. Explique para que podra ser util un ltrado.
6. (Opt.) A partir del espectro calculado (por ejemplo, el de amplitudes) reconstruya
la se nal original (t) en el dominio del tiempo
a) usando la funcion de Matlab
TM
it().
b) sumando uno a uno todos y cada uno de los terminos del desarrollo de
Fourier. Emplee para ello una estructura de programacion iterativa (ciclo
for).
5.2. Indicaciones practicas del uso de t() en Matlab
TM
Como hemos comentado a lo largo de la leccion, para determinar los coecientes
de Fourier haremos uso Transformada de Fourier Rapida. La funcion de Matlab
TM
que
realiza el calculo se denomina fft() y, para la transformada inversa, ifft(). El unico
trabajo duro, por tanto, sera saber cuales son las entradas y salidas de estas funciones.
Matlab
TM
hara el calculo por nosotros.
La funcion fft() recibe como entrada la serie temporal discreta {(t
k
,
k
)}
N
k=1
que
queremos analizar, denida en un intervalo temporal (a, b), con N valores y muestreada
uniformemente con periodo de muestreo T
s
; y produce como salida unos coecientes
agrupados en un vector de n umeros complejos G, cuyos coecientes son, seg un la no-
tacion de Matlab, G(n), donde n = 1 . . . N. Estos coecientes estan relacionados con
las amplitudes de cada frecuencia. El orden de salida de esos coecientes es como el
que se muestra en la Fig. 9, a saber, desde G(1) hasta G(N/2 + 1) los coecientes se
corresponden con las frecuencias positivas y los coecientes G(N/2 + 2) . . . G(N) con
las frecuencias negativas. La relacion entre los coecientes G(n) que produce la funcion
fft() y los coecientes a
n
y b
n
del desarrollo de Fourier es la siguiente:
_

_
a
0

1
N
G(1) para n = 1
a
n1

2
N
real(G(n)) para 2 n N/2 + 1
b
n1

2
N
imag(G(n)) para 2 n N/2 + 1
(41)
22
donde real(G(n)) e imag(G(n)) representan (tambien en Matlab
TM
), respectiva-
mente, la parte real e imaginaria del coeciente G(n). A la derecha de la echa se sigue
una notacion Matlab
TM
, con un vector de coecientes G, cuyos ndices comienzan en
1, no en 0 como en los desarrollos matematicos previos. A la izquierda de la echa, los
coecientes son los del desarrollo de Fourier discreto Eq. 26. Por tanto, como se mues-
tra en la ecuacion anterior, hay que dividir los coecientes que proporciona la fft() de
Matlab
TM
por N, el n umero de muestras. Deniendo g(n) G(n)/N, vemos que g(1)
es siempre real y coincide con el a
0
del desarrollo de Fourier, que representa el valor
medio de la serie analizada. El resto de coecientes sera, en general, complejo y, como
se puede comprobar en la relacion Eq. 41, se cumple que g(n) (a
n1
i b
n1
)/2 para
2 n N/2 + 1 (y g(n) (a
n1
+i b
n1
)/2 para N/2 + 2 n N).
El vector que contiene las componentes del espectro de energa (esencialmente el
dado por Eq. 8), por tanto, se calcula como
E(1, . . . , N/2 + 1) =
g
2f

_
a
2
0
, a
2
1
+b
2
1
, . . . , a
2
N/2+1
+b
2
N/2+1
_
, (42)
siendo f = 1/(b a) la resolucion espectral (la espaciado entre cada frecuencia)
que coincide con la duracion en segundos del registro de datos.
23