⏱️ Lectura: 10 min
La función de FFT que corre en NumPy, SciPy o cualquier librería de audio no inventa nada nuevo: ejecuta, de forma optimizada, la transformada discreta de Fourier (DFT), la operación que convierte N muestras de una señal en los coeficientes que describen qué frecuencias la componen. Entender la DFT por dentro ayuda a decidir cuándo confiar en esa caja negra y cuándo no, algo que Eli Bendersky desarma paso a paso en el último post de su serie sobre análisis de Fourier.
📑 En este artículo
- Qué resuelve la transformada discreta de Fourier frente a la DTFT
- La DFT: tratar N muestras como un período de una señal periódica
- La DFT es la DTFT muestreada: la relación que conecta ambas transformadas
- Qué significa para vos: cuándo elegís DFT, FFT o ni te metés
- DFT frente a STFT, DCT y la transformada wavelet
- Cuándo la DFT no alcanza: limitaciones y costos
- Qué dice la comunidad sobre esta serie de posts
- Preguntas frecuentes sobre la DFT
- Referencias
Qué resuelve la transformada discreta de Fourier frente a la DTFT
En el mundo real, el procesamiento de señales trabaja con datos discretos y finitos: una grabación de audio, la lectura de un sensor durante 10 segundos, una serie de precios por minuto. Una opción para analizar las frecuencias de esa lista de N números es tratarla como si fuera una señal infinita con ceros fuera del rango de muestras, y calcular su Transformada de Fourier en Tiempo Discreto (DTFT).
El problema es que la DTFT devuelve una función continua de la frecuencia, y una computadora no puede evaluarla ni guardarla para todos los valores posibles: tiene que elegir en qué puntos calcularla (fuente). Ese recorte de en qué puntos calcularla es exactamente lo que resuelve la DFT, y por eso Bendersky la presenta como la vía práctica para un problema que la DTFT deja sin cerrar.
La DFT: tratar N muestras como un período de una señal periódica
La alternativa que toma la DFT es distinta: en vez de asumir que la señal es infinita con ceros alrededor, asume que esas N muestras son un único período de una señal periódica (fuente). Con esa suposición se puede usar la Serie de Fourier en Tiempo Discreto (DTFS), cuyos coeficientes reconstruyen una señal periódica de forma exacta.
Como la señal original tiene exactamente N muestras y se la trata como un período completo, esos mismos coeficientes de la DTFS también reconstruyen la señal finita original sin pérdida de información. Esa es la idea central detrás de la DFT: una reorganización exacta de los mismos N números en el dominio de la frecuencia, no una aproximación (fuente).
Por convención, el coeficiente X[k] de la DFT se define como N veces el coeficiente a_k de la DTFS, lo que da la fórmula que aparece en cualquier libro de procesamiento de señales: X[k] es la suma, para cada muestra n entre 0 y N-1, de x[n] multiplicado por una exponencial compleja cuya fase depende de k y de n (fuente). El resultado son N coeficientes complejos, uno por cada frecuencia que la DFT puede distinguir dentro de ese bloque de N muestras.
La DFT es la DTFT muestreada: la relación que conecta ambas transformadas
La DFT no reemplaza a la DTFT: la muestrea. El valor que da la DFT en la posición k es igual al valor que daría la DTFT evaluada en la frecuencia 2πk/N (fuente). Dicho de otro modo, la DFT son N muestras equiespaciadas de esa función continua que la DTFT no podía calcular completa.
Esto tiene una consecuencia práctica: cuantas más muestras tomás, más fino es el muestreo en frecuencia, aunque el rango total de frecuencias representables sigue limitado por la frecuencia de muestreo de la señal original, no por N.
Hay otra forma de llegar al mismo resultado, y conecta la DFT con un objeto distinto: las raíces N-ésimas de la unidad. Esas raíces, elevadas a distintas potencias, forman una base ortogonal del espacio vectorial complejo de dimensión N (fuente). Armando una matriz con esas potencias, la llamada matriz de Fourier, calcular la DFT de una señal equivale a multiplicar esa matriz por el vector de muestras: X = F·x (fuente). Esa parte de la demostración retoma un post anterior sobre las raíces de la unidad, algo que el propio Bendersky confirmó en Hacker News cuando un lector preguntó por la reconstrucción de la señal (comentario en HN).
flowchart LR
A["x[n]: N muestras"] --> B["Matriz de Fourier F (NxN)"]
B --> C["X[k]: N coeficientes"]
D["DTFT continua X(w)"] -. "muestreada en 2*pi*k/N" .-> C
Qué significa para vos: cuándo elegís DFT, FFT o ni te metés
Si programás análisis de audio, vibración de sensores IoT o preprocesamiento de señales para un modelo de machine learning, por ejemplo para generar un espectrograma que alimenta un clasificador, rara vez vas a escribir la suma de la DFT a mano. Vas a llamar a la rutina de FFT de tu librería (NumPy, SciPy, librosa o el equivalente en tu lenguaje), que calcula exactamente el mismo resultado matemático que describe Bendersky, solo que con un algoritmo más eficiente para N grandes (fuente).
Lo que cambia al entender la DFT por dentro es la decisión de diseño, no el código. Saber que el resultado son N coeficientes complejos explica por qué la mitad del espectro de una señal real es simétrica y redundante, por qué el tamaño N que elegís determina la resolución en frecuencia que vas a poder distinguir, y por qué rellenar con ceros antes de la FFT (zero-padding) no agrega información nueva: solo interpola más puntos sobre la misma DTFT subyacente. Para quien depura por qué un espectrograma se ve borroso o por qué dos tonos cercanos se confunden en un solo pico, esa distinción entre resolución real e interpolación visual ahorra horas de ajustar el código equivocado.
DFT frente a STFT, DCT y la transformada wavelet
La DFT asume que tus N muestras describen una sola foto de frecuencias, sin ubicación en el tiempo. Para señales que cambian con el tiempo (voz, música, vibración de una máquina que arranca y frena), tres alternativas resuelven ese límite de formas distintas.
| Técnica | Qué agrega sobre la DFT | Cuándo conviene | Limitación clave |
|---|---|---|---|
| DFT (este artículo) | Línea base: frecuencias de todo el bloque de N muestras, sin información temporal | Señal estacionaria o análisis de un bloque fijo | Pierde cuándo ocurre cada frecuencia dentro del bloque |
| STFT (Fourier de corto plazo) | Aplica la DFT sobre ventanas deslizantes para ubicar frecuencia en el tiempo | Espectrogramas de audio, voz, vibración | Compromiso fijo entre resolución temporal y en frecuencia según el tamaño de ventana |
| DCT (coseno discreta) | Usa solo cosenos reales y concentra la energía en pocos coeficientes | Compresión (JPEG, MP3) donde importa el tamaño del archivo más que la fase | Descarta la información de fase que la DFT sí conserva |
| Transformada wavelet | Cambia la resolución tiempo-frecuencia según la escala, en vez de usar una ventana fija | Eventos breves o transitorios: detección de fallas, sísmica | Más compleja de implementar e interpretar que una FFT directa |
Cuándo la DFT no alcanza: limitaciones y costos
La DFT asume que tu bloque de N muestras es periódico. Si la señal real no empieza y termina en el mismo valor dentro de esa ventana, aparece fuga espectral: el resultado se ensucia con frecuencias que no están realmente en la señal. En la práctica eso se mitiga aplicando una función de ventana (Hann, Hamming) antes de calcular la DFT, un paso de ingeniería que el post de Bendersky no cubre porque se enfoca en la definición matemática, no en el preprocesamiento.
Calcular la DFT sumando término a término, como muestra el código del post original, tiene un costo que crece con el cuadrado de N: para N muestras hacés del orden de N² operaciones, porque cada uno de los N coeficientes requiere sumar N términos. Es manejable para señales cortas o para entender el concepto, pero se vuelve impráctico para señales largas, que es justo el problema que resuelve el algoritmo FFT sin cambiar el resultado matemático, solo la forma de llegar a él.
Y si lo que te interesa es dónde ocurre cada frecuencia en el tiempo, la DFT sola no te lo va a dar: para eso están la STFT o la wavelet de la sección anterior.
Qué dice la comunidad sobre esta serie de posts
El post se discutió en Hacker News, donde surgieron dos datos que no están en el cuerpo del artículo original. El primero es metodológico: ante la pregunta de un lector, Bendersky aclaró que todos los posts de la serie los escribe él mismo, y que usa IA únicamente para brainstorming, revisar la matemática y ayudar con algunas visualizaciones (comentario en HN). En un momento donde buena parte del contenido técnico que circula en blogs se genera con asistencia pesada de modelos de lenguaje, esa aclaración puntual pesa a la hora de juzgar una fuente que vas a citar en tu propio trabajo.
El segundo es una valoración sobre el método de demostración: un lector comentó que probar la relación entre la DFT y la matriz de Fourier por la vía constructiva, mostrando la multiplicación matriz por vector paso a paso, no es el camino más corto, pero sí uno de los que la comunidad de ingeniería valora porque no deja nada a la imaginación (comentario en HN).
Preguntas frecuentes sobre la DFT
¿La DFT y la FFT son lo mismo?
No. La DFT es la operación matemática, los coeficientes de frecuencia que salen de N muestras. La FFT es un algoritmo para calcular esa misma operación de forma más rápida. Toda FFT calcula una DFT, pero no toda forma de calcular una DFT pasa por una FFT (fuente).
¿Por qué la DFT asume que la señal es periódica si en la realidad no lo es?
Porque es la única forma de reutilizar la Serie de Fourier en Tiempo Discreto, que sí reconstruye señales periódicas de forma exacta, para analizar un bloque finito de muestras. Es una suposición matemática, no una afirmación sobre tu señal real, y por eso aparece la fuga espectral si no se la compensa con una ventana (fuente).
Referencias
- Notes on the discrete Fourier transform (DFT), Eli Bendersky’s website: fuente primaria con la derivación completa, el código en Python y la conexión con la matriz de Fourier.
- Discusión en Hacker News: hilo donde se comentó el post y el autor respondió preguntas de lectores.
- Comentario de Eli Bendersky en Hacker News: aclara que escribe los posts él mismo y usa IA solo para revisar matemática y brainstorming.
- Comentario de slow_typist en Hacker News: valora la demostración constructiva de la relación entre la DFT y la matriz de Fourier.
Seguimos el tema en @programacion.
Imagen destacada: Foto de Jumping Jax en Unsplash
Así preparamos cada artículo (fuentes, pruebas y criterio editorial): Cómo trabajamos.
¿Te sirvió? ¿Te dio otro error? Contalo abajo: las preguntas se responden y le sirven al siguiente que llegue.
Dejar un comentario
0 Comentarios