Introducción

La transformada discreta de Fourier (DFT, ‘Discrete Fourier Transform’)

juega un papel muy importante en el diseño, análisis y realización de sistemas
y algoritmos de tratamiento de señales en tiempo discreto. Las propiedades
básicas de la transformada de Fourier (DTFT, ‘Discrete Time Fourier
Transform’) y de la DFT hacen que analizar y diseñar sistemas en el dominio
transformado sea conveniente y práctico. Este hecho, junto con la existencia de
algoritmos eficientes para el cálculo explícito de la DFT, la convierten en un
componente importante de muchas aplicaciones prácticas de los sistemas en
tiempo discreto. [1]

La Transformada Rápida de Fourier (FFT) es una forma rápida para que

las computadoras calculen la transformada de Fourier, específicamente la
Transformada de Fourier Discreta (DFT). La introducción del algoritmo de FFT
por Cooley y Tukey en 1965 revolucionó el procesamiento de la señal y ha
tenido un enorme efecto en la ingeniería y la ciencia aplicada en general [2].

Importancia y aplicaciones de la FFT

El tratamiento de señales de tiempo discreto y su análisis espectral son

temas fundamentales del procesamiento digital de señales. En estos casos,
realizar la DFT de forma directa (definición original) sería un proceso muy lento
y más si el número de muestras es muy grande, debido a que el número de
operaciones matemáticas complejas requeridas para calcular N muestras un
DFT es proporcional a N 2, por ello se suele usar la FFT, en la cual el número
de multiplicaciones involucradas en el cálculo de la DFT de N muestras es
N . log 2 N , entonces, para un caso hipotético de 16384 muestras, marcaría la
diferencia entre esperar frente al monitor de alguna computadora durante
media hora o únicamente tres segundos. En el caso de procesamiento de
imágenes en las que el número requerido de puntos o muestras de
procesamiento es considerablemente más elevado que en señales
unidimensionales, la diferencia en tiempo de cómputo es aún más dramática.
La mejora sustancial en tiempo y exactitud, características del algoritmo, hacen
de la FFT una eficiente herramienta incorporada actualmente en todos los
sistemas de análisis y tratamiento de señales [3].
 Figura 1. El espectro de Fourier de una imagen proporciona información acerca del contenido armónico
sinusoidal de ésta en el dominio de la frecuencia espacial. a) Imagen de entrada, b) Magnitud de su
Transformada de Fourier en seudocolor. [3]

La figura 1 muestra la Transformada de Fourier de una imagen de

128x128 pixeles. El análisis espectral es fundamental en aplicaciones como
filtrado, restauración o compresión de imágenes, por mencionar algunas. Estas
gráficas permiten analizar la distribución espectral de energía para los
diferentes tiempos de ocurrencia de una determinada señal, y su realización
requiere del cálculo consecutivo de Transformadas de Fourier en ventanas o
tramos de la señal de entrada [3].

También, una de estas aplicaciones es el filtrado lineal (convolución

lineal), considerada una de las operaciones fundamentales en el procesamiento
digital de señales [1].

La mayor parte de los avances están relacionados con el uso de los

ordenadores para el cálculo. El campo radiado por una antena apertura se
puede calcular como la transformada de Fourier de los campos en la apertura.
El cálculo de dicha transformada no es siempre posible de una forma analítica
ya que el tiempo empleado en el cálculo directo de la integral es excesivo. El
algoritmo de la FFT permite reducir de forma drástica dicho tiempo [4].

Definición de la FFT

La DFT de N-puntos para k =0,1 , … , N −1 se define como:

N−1 2 π kn N −1
−i
X [ K ] = ∑ x [n]. e N
= ∑ x [n]W kn
N
n=0 n=0

2π
−i
Donde la notación “Factor de Giro” o “Factor de Fase” W =e N se suele usar
N

muy amenudo para una forma más compacta. Esta ecuación es idéntica a la
FFT; solo que simplemente se usa un método de programación eficiente para
implementarlo [2]. La DFT inversa se define como:

N −1 2 π kn N −1
1 i
N 1
x [n ]=
N
∑ X [k ]e =
N
∑ X [k ]W −kn
N
k=0 k=0

Algunos libros pueden mostrar el factor 1/ N como parte de la definición

de la FFT en lugar de la definición de la FFT inversa, y algunos incluso
muestran un factor de 1/ √ N en ambas definiciones. Estas tres formas de
definición son correctas, ya que 1/ N es solo un factor de escala para asegurar
la invertibilidad [2].

Los Factores de Fase

2π
−i
N
W N =e

Un complejo consta de una parte real y otra imaginaria, esta se representa

por lo general en el plano complejo. En el plano complejo un número complejo
se representa como un vector, cuando variamos el argumente de este vector
W kn
N simplemente estamos cambiando la fase, por eso se le llama Factor de
Fase, y al cambiar la fase ese vector nos va a rotar en el plano complejo, por
eso también se le llama Factor de Giro.

El cálculo directo de la DFT es básicamente ineficiente debido,

fundamentalmente, a que no explota las propiedades de simetría y periodicidad
2π
−i
del factor de fase W =e N . [1]. En particular estas dos propiedades son:
N

N
k+
Propiedad de Simetría: W 2 =−W k (2.2.1)
N N

Propiedad de Periodicidad: W k+N k

N =W N (2.2.2)

Tenga en cuenta que las potencias enteras de W N forman una secuencia

periódica de números, que tiene un período de N. Es decir, W nN =W n+ N
N . Dado
que en la definición DFT y FFT, tanto k como n en W N son siempre enteros, el
mismo conjunto de factores aparece una y otra vez. [2] Por ejemplo, en una
FFT de 2 puntos, los únicos factores de dos factores para cualquiera de los
valores positivos son:
2 π (0)
−i
0 2
W =e 2 =1
 2 π (1 )
−i
W 12 =e 2
=−1

Del mismo modo, para una FFT de 4 puntos, los únicos cuatro factores de
Fase para todos los valores positivos de k son W 04=1 , W 14 =−i, W 24=−1 , W 34 =i

La simetría y periodicidad del factor de fase W N queda de manifiesto en la

siguiente figura. [1] El ejemplo es para 𝑁 = 8:

Figura 2.2.1: Periodicidad y simetría de los factores W

Los algoritmos FFT aprovechan las propiedades de periodicidad y simetría

de la secuencia W kn
N para calcular la DFT de forma más eficiente. [1]

El proceso de FFT

Existen diversos algoritmos de FFT los cuales reducen el número de

operaciones que realiza la DFT directa, pero, la idea principal de la FFT
desarrollada por Cooley y Tukey es que cuando la longitud de DFT no es un
número primo, el cálculo se puede descomponer en un número de DFT de
longitud más corta. El número total de multiplicaciones y adiciones requeridas
para todas las DFT de longitud más corta es menor que el número requerido
para la única DFT de longitud completa. Cada una de estas DFT de longitud
más corta se pueden descomponer aún más en una cantidad de DFT aún más
cortas, y así sucesivamente, hasta que las DFT finales tengan una longitud que
sea un factor principal de N [2].

Figura 2: Tiempo de cálculo para la DFT de cálculo directo frente a una rutina de FFT de radix-2
disponible comercialmente. Los datos trazados son los resultados de tiempo empírico promediados de
una estación de trabajo de escritorio. El tiempo de ejecución específico no es importante, sólo la
comparación entre DFT y FFT [2].

Entonces, estas DFT más cortas se calculan de la manera normal. Es

posible usar el orden opuesto, es decir, comenzando con las DFT más
pequeñas y construyendo (recombinando) en las más grandes para obtener un
ahorro equivalente. Para la FFT de base-2 (un tipo común), la longitud de FFT
debe ser una potencia de 2. Si N=8, por ejemplo, la FFT descompondrá esto en
dos FFT de 4 puntos, que se descomponen en dos FFT de 2 puntos (para un
total de cuatro DFT de 2 puntos), y así el cálculo está completo. O podría
realizar cuatro DFT de 2 puntos, utilizando estos resultados para calcular dos
DFT de 4 puntos y así obtener el resultado final. El primer método se llama
“Diezmado en frecuencia”, y el último método se llama “Diezmado en tiempo”.
Con la suma y reutilización adecuada de los resultados intermedios, además de
aprovechar la periodicidad de los factores de fase, la FFT puede realizarse con
un gran aumento en la eficiencia en comparación con la DFT de cálculo directo.
El número de operaciones matemáticas complejas requeridas para calcular N
puntos un DFT es proporcional a N 2; para el mismo cálculo de N puntos en FFT
seria proporcional a N . log 2 N . Por lo tanto, para un ejemplo de 512 puntos, la
DFT requeriría del orden de 262.144 operaciones matemáticas complejas,
mientras que la FFT requeriría solo 4.608 operaciones, entonces sería 50
veces más rápido que la DFT. Para DFT más grandes, la diferencia es aún más
notable. La aceleración empírica proporcionada por la FFT en una
computadora típica se muestra gráficamente en la figura 2. Se puede observar
en la figura de que la FFT puede realizar el DFT en N=220=1,048,576 puntos de
datos en la misma cantidad de tiempo que el DTF de cálculo directo tomaría
para N=27=128 puntos de datos. Ese es un factor de aceleración de 8.192, lo
cual muestra el porqué la FFT es utilizada tan ampliamente [2].

Una forma tradicional de representar el algoritmo de FFT es a través del uso

de “diagramas de mariposa”, lo cual representan la descomposición, la suma
intermedia y la aplicación de los factores de fase. Para una FFT de 2 puntos
nos quedaría como en la figura 3.1, para una de 4 puntos y 8 puntos se puede
mostrar en la figura 3.2 y 3.3 su representación respectivamente, todos estos
en el algoritmo de “Diezmado en tiempo”.