FACULTAD DE MATEMÁTICAS

DEPARTAMENTO DE ANÁLISIS MATEMÁTICO

EL TEOREMA DE MUESTREO Y SUS

APLICACIONES

Memoria realizada por José Garcı́a Fernández

Dirigido por:
Dr. D. Renato Álvarez Nodarse
Resumen

En este trabajo nuestro objeto de estudio será la teorı́a de señales, el

objetivo es llegar al teorema de muestreo de Shannon-Whittaker-Kotelnikov,
con su correspondiente demostración, y aplicarlo a distintas situaciones, en
particular al problema de recuperación de señales.
Para ello necesitaremos trabajar con herramientas de análisis Fourier, ası́
que realizaremos un estudio previo sobre la serie de Fourier, con una bre-
ve introducción histórica, además de ejemplos, propiedades y convergencia.
Seguiremos el estudio con otra de las herramientas del análisis de Fourier,
la transformada de Fourier, que será un instrumento fundamental en este
trabajo, y al que por supuesto dedicaremos un estudio previo con ejemplos
y propiedades fundamentales. Por último realizaremos una breve descripción
de lo que consideraremos señales, veremos algunos ejemplos y tipos de señales
que nos podemos encontrar.
Para finalizar, tras realizar el estudio teórico, efectuaremos un estudio
numérico, contrastando nuestro estudio teórico con ejemplos prácticos. Pa-
ra esto último nos apoyaremos en herramientas de software libre como son
Maxima u Octave.
Todos los programas que se han realizado para esta labor están a dispo-
sición de todos los lectores en:
http://euler.us.es/~renato/clases/tfg/jgf/.
4
Abstract

The aim of this work is to present an introduction to the Mathematical

Signal Theory. We will prove the Shannon-Whitaker-Kotelnikov Sampling
Theorem and we will apply it to different situations, in particular to the
problem of signal recovering.
In order to do that, we will use some tools from the Fourier Analysis. So
we will carry out a previous study of the Fourier Series, with a brief historical
introduction, examples, properties and convergence Theorems. The study will
continue with the Fourier Transform, which will be a key instrument along
this work, and, therefore, we will include a previous study including some
examples and fundamental properties. Finally, we will briefly describe what
we consider to be signals and we present some examples of them.
To conclude our analysis, we will a numerical study, contrasting our pro-
vide theoretical results with examples. In order to do this, we will use free
software tools such as Maxima and Octave.
All the programs used along this research are available to all readers and
can be found on the web site of the advisor of this work:
http://euler.us.es/~renato/clases/tfg/jgf/.
Índice general

1. La serie trigonométrica de Fourier 9

1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2. Definiciones principales y ejemplos . . . . . . . . . . . . . . . 11
1.3. Convergencia puntual de la serie de Fourier . . . . . . . . . . . 15
1.4. Convergencia uniforme de la serie de Fourier . . . . . . . . . . 16
1.5. La serie exponencial de Fourier . . . . . . . . . . . . . . . . . 17
1.6. La serie de Fourier en un intervalo arbitrario . . . . . . . . . . 18
1.7. El fénomeno de Gibbs . . . . . . . . . . . . . . . . . . . . . . 19

2. La transformada de Fourier 23
2.1. Definiciones principales y ejemplos . . . . . . . . . . . . . . . 23
2.2. Propiedades fundamentales . . . . . . . . . . . . . . . . . . . . 26
2.3. Identidad de Plancherel-Parseval . . . . . . . . . . . . . . . . 27
2.4. Una normalización diferente . . . . . . . . . . . . . . . . . . . 28

3. Señales 31
3.1. Definiciones principales . . . . . . . . . . . . . . . . . . . . . . 31
3.2. Primeros ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3. Tipos de señales . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4. Teorema de muestreo . . . . . . . . . . . . . . . . . . . . . . . 34
3.5. Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.6. Cota de error cometido . . . . . . . . . . . . . . . . . . . . . . 37
3.7. El fenómeno del aliasing . . . . . . . . . . . . . . . . . . . . . 39
3.8. Muestreo Irregular . . . . . . . . . . . . . . . . . . . . . . . . 39

4. Programas 41
4.1. Serie de Fourier, paquete fourie . . . . . . . . . . . . . . . . 41
4.2. Serie de Fourier, la función aprfou . . . . . . . . . . . . . . . 43

7
8 ÍNDICE GENERAL

4.3. Transformada de Fourier con Octave . . . . . . . . . . . . . . 46

4.4. Espectro de una señal con Octave . . . . . . . . . . . . . . . . 48
4.5. Espectro de una señal con ruido . . . . . . . . . . . . . . . . . 49
4.6. Reconstrucción de señales con Maxima . . . . . . . . . . . . . 50
4.7. Reconstrucción de señales con Octave . . . . . . . . . . . . . . 56
4.8. Aliasing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.9. Lista de programas . . . . . . . . . . . . . . . . . . . . . . . . 61

Bibliografı́a 63
Capı́tulo 1

La serie trigonométrica de
Fourier

En este apartado vamos a estudiar con algún detalle la serie trigonométri-

ca de Fourier. En particular, veremos algunos teoremas de convergencia pun-
tual y uniforme de las mismas. En adelante, asumiremos que la función f es
de cuadrado integrable en [−π, π], es decir, f ∈ L2 [−π, π], aunque la mayorı́a
de los resultados son ciertos para f absolutamente integrable.
Nótese que el sistema de funciones {1} ∪ {sin (nx), cos (nx)}∞
n=1 es un
sistema ortogonal dos a dos respecto al producto escalar:
Z π
hf, gi = f (x)g(x)dx.
−π

1.1. Introducción
El 21 de diciembre de 1807, Joseph Fourier, presentó al Institut de France
una memoria titulada Mémoire sur la propagation de la chaleur dans les
corps solides. Cuatro miembros, uno más de lo que era habitual, Lagrange,
Laplace, Lacroix y Monge, fueron designados para emitir un informe, que
nunca se llegó a escribir a pesar de las insistencias de Fourier, que deseaba
un juicio sobre su trabajo. A cambio, el Instituto lo propuso como tema para
el premio que se debı́a otorgar en 1812 (la teorı́a matemática de las leyes de
propagación del calor y comparar los resultados de esta teorı́a con la de los
experimentos). A finales de 1811 Fourier entregó una nueva memoria como

9
10 CAPÍTULO 1. LA SERIE TRIGONOMÉTRICA DE FOURIER

concursante, esta vez con el tı́tulo Théorie du mouvement de la chaleur dans

les corps solides. Ganó el premio aunque la valoración del jurado mostraba
sus reservas, lo que tuvo como consecuencia inmediata la no publicación
del trabajo. Nacido en Auxerre en 1768, Fourier era profesor de la École
Polytechnique cuando en 1798 fue reclutado por su colega Gaspard Monge
para participar en la sección cientı́fica de la expedición de Napoleón a Egipto.
Allı́ tuvo algunas responsabilidades administrativas, además de cientı́ficas, y
a la vuelta de la expedición a Francia en 1801 sus planes de reincorporarse a la
Escuela Politécnica como profesor se vieron truncados por su nombramiento
de prefecto de Isère (el departamento de Isère está en el sudeste de Francia y
su capital es Grenoble. El cargo de prefecto equivale al de gobernador civil).
No volvió a enseñar pero no por ello abandonó su labor cientı́fica que, además
de con su labor polı́tica, tuvo que compaginar con otras labores.

Intentó ser miembro de la Académie des Sciences y fue elegido por pri-
mera vez en 1816, pero Luis XVIII rechazó su nombramiento por su pasado
napoleónico. La segunda vez optó a un puesto en la sección de Fı́sica, lo ganó
ampliamente y fue aceptado.

A partir de su nombramiento, puso especial empeño en que se publicase

su trabajo premiado de 1812, lo que consiguió en dos partes aparecidas en
1824 y 1826, aunque datadas en fecha anterior. Mientras tanto, habı́a publi-
cado en 1822 su libro Théorie analytique de la chaleur, que el fı́sico Arnold
Sommerfeld calificó como ”Biblia de la Fı́sica Matemática”. Ese mismo año
fue nombrado Secretario Perpetuo de la Academia de Ciencias y en 1826 fue
elegido miembro de la Academia Francesa. Murió en Parı́s en 1830.

En sus tres obras, Fourier comienza a partir de principios fı́sicos dedu-

ciendo la ecuación que gobierna la difusión del calor. Después resuelve el
problema de la distribución de temperatura en un tiempo dado a partir de la
distribución en el instante inicial, en varios casos. Para ello, utiliza el méto-
do de separación de variables, que introdujo d’Alembert en su estudio de la
ecuación de ondas. Para escribir la solución, necesita escribir la función que
da el dato inicial como suma de una serie trigonométrica. Esta es precisa-
mente la principal herramienta que usaremos en nuestro trabajo y su teorı́a
a dı́a de hoy se conoce como análisis de Fourier, que en su momento generó
el análisis moderno.
Para más información, consultar [6] en bibliografı́a.
1.2. DEFINICIONES PRINCIPALES Y EJEMPLOS 11

Figura 1.1: Joseph Fourier (1768-1830).

1.2. Definiciones principales y ejemplos

Definición 1.2.1 Dada una función f de cuadrado integrable en [−π, π] y
2π-periódica en [−π, π] definimos la serie trigonométrica de Fourier como:
∞
a0 X
Sf (x) = + an cos (nx) + bn sin (nx). (1.2.1)
2 n=1

Los coeficientes vienen dados por las expresiones:

Z π Z π Z π
1 1 1
a0 = f (x)dx, an = f (x) cos (nx)dx, bn = f (x) sin (nx)dx.
π −π π −π π −π

Definición 1.2.2 Por Sn f (x) denotaremos la suma parcial de orden n de la

serie de Fourier de f .
n
a0 X
Sn f (x) = + ak cos (kx) + bk sin (kx), (1.2.2)
2 k=1

donde ak y bk vienen dados por (2.1.2).

12 CAPÍTULO 1. LA SERIE TRIGONOMÉTRICA DE FOURIER

Ejemplos
Vamos a calcular la serie de Fourier de las siguientes funciones y a repre-
sentarlas con Maxima:
1: g(x) = |x| en el intervalo [−π, π].
1 π 2 π
Z Z
a0 = |x|dx = xdx = π,
π −π π 0

π π  
cos(nπ) − 1
Z Z
1 2 2
an = |x| cos(nx)dx = x cos (nx)dx = ,
π −π π 0 π n2
donde hemos aplicando integración por partes.
Ahora vemos que:
Z π
1
bn = |x| sin (nx)dx = 0,
π −π
ya que el integrando es una función impar en un dominio de integración
simétrico.
∞
π 4 X cos (2n − 1)x
Luego tenemos que Sg(x) = − .
2 π n=0 (2n − 1)2
2: h(x) = ax2 en [-π, π].
π
2aπ 2
Z
1
a0 = ax2 dx = ,
π −π 3

π π
4a(−1)n
Z Z
1 2 2a
an = ax cos(nx)dx = x2 cos (nx)dx = ,
π −π π 0 n2
donde hemos aplicando integración por partes dos veces.
1 π 2
Z
Vemos que bn = ax sin (nx)dx = 0, análogamente a la integral
π −π
anterior se verifica que tenemos que el integrando es una función impar en
un dominio de integración simétrico. Luego tenemos:
∞
2aπ 2 X (−1)k cos (nx)
Sh(x) = + 4a .
3 n=1
n2
1.2. DEFINICIONES PRINCIPALES Y EJEMPLOS 13

3: f (x) = x en [−π, π]. Obtenemos que la serie de Fourier es

n
X −2(−1)n
Sn f (x) = sin(kx).
k=1
k

5 5
Serie de Fourier serie de Fourier
f(x)=|x| 4 f(x)=x
4
3
2
3
1
0
2
-1

1 -2
-3
0 -4
-6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6
x x

Figura 1.2: Serie de Fourier con 3 términos de |x| (izquierda) y serie de Fourier
con 20 términos de x (derecha).

14 f(x)=x2
Suma 3 términos
12 Suma 5 términos
Suma 7 términos
10

0
-6 -4 -2 0 2 4 6
x

Figura 1.3: Serie de Fourier de x2 .

14 CAPÍTULO 1. LA SERIE TRIGONOMÉTRICA DE FOURIER

Definición 1.2.3 Diremos que la serie de Fourier converge puntualmente a

f en x0 si la sucesión de sus sumas parciales Sn f (x) converge puntualmente
a f (x) en x0 ∈ [−π, π], es decir, si para todo ε > 0 existe un N ∈ N tal que
para todo n > N se verifica que:

|f (x0 ) − Sn f (x0 )| < ε. (1.2.3)

Si Sn f (x) converge puntualmente para todo x ∈ (a, b) entonces diremos que
la serie de Fourier converge puntualmente en (a, b). Es decir, para todo ε > 0
y cada x ∈ (a, b) existe un N ∈ N tal que para todo n > N se verifica que:

|f (x) − Sn f (x)| < ε.

Definición 1.2.4 Diremos que la serie de Fourier converge uniformemente a
f en (a, b) ⊂ [−π, π], si para todo ε existe un N ∈ N (independiente de x)
tal que para todo n > N y todo x ∈ (a, b) se verifica que:

|f (x) − Sn f (x)| < ε. (1.2.4)

Definición 1.2.5 Diremos que Sn f (x) converge en media a f si para todo
ε > 0 existe un N ∈ N tal que:
Z π 1/2
2
kf − Sn f k = |f (x) − Sn f (x)| dx . (1.2.5)
−π

Definición 1.2.6 Diremos que una función f : [a, b] → R es casi-continua

en [a, b] excepto quizás, en un número finito de discontinuidades x1 , x2 , ..., xn
y además en dichos puntos existen los lı́mites laterales lı́mx→xi+ f (x) y
lı́mx→xi− f (x). Al espacio de dichas funciones lo denotaremos por C[a, b].
Definición 1.2.7 Diremos que una f : [a, b] → R es casi-continuamente
derivable en [a, b] si su primera derivada es una función casi-continua en [a, b],
es decir, si existe la derivada continua de f en todo [a, b], excepto quizás, en
un número finito de puntos a = x1 , x2 , ..., xn , xn+1 = b, y además en dichos
puntos existen los lı́mites laterales (derivadas laterales) lı́mh→0+ (f (xi ± h) −
f (xi ))/h. Al espacio de dichas funciones lo denotaremos por C 1 [a, b].
Definición 1.2.8 Diremos que una funcion f : [a, b] → R es m-veces casi-
continuamente derivable en [a, b], m ≥ 1 , si su m-ésima derivada es una
función casi-continua en [a, b]. Al espacio de dichas funciones lo denotaremos
por C m [a, b].
1.3. CONVERGENCIA PUNTUAL DE LA SERIE DE FOURIER 15

1.3. Convergencia puntual de la serie de Fou-

rier
Comenzaremos probando el lema de Riemann:
Lema 1.3.1 Sea f una función integrable en [a, b] ⊂ R y λ > 0. Entonces:
Z b Z b
lı́m f (x) sin(λx)dx = 0, lı́m f (x) cos(λx)dx = 0.
λ→+∞ a λ→+∞ a

Demostración: Si suponemos que f es casi-continuamente derivable, es decir,

f ∈ C 1 [a, b], integrando por parte obtenemos:

b b b
f (x)eiλx
Z  Z
ix 1 0
Iλ = f (x)e dx = − f (x)eiλx dx.
a iλ a iλ a

Entonces:
Z b
|f (a)| + |f (b)| 1  0 

|Iλ | ≤ + f (x) dx →0, si λ → ∞,
λ λ a
0
pues f es casi-continua, y por tanto, absolutamente integrable. 

Teorema 1.3.2 Sea f : [−π, π] → R una función casi-continua y derivable

en un punto x0 ∈ (−π, π), entonces la serie de Fourier converge a f (x0 ) en
x0 , es decir, Sn f (x0 ) −→ f (x0 ), cuando n → ∞.

Demostración: Usando propiedades de las series de Fourier, en concreto del

Núcleo de Dirichlet [3], podemos escribir Sn f (x0 ) como:

π
f (x0 + z) − f (x0 )
Z
1
Sn f (x0 ) − f (x0 ) = sin (n + 1/2)zdz.
π −π 2 sin (t/2)

f (x0 + z) − f (x0 )
Ahora bien, al ser f derivable en x0 , la función está bien
2 sin (t/2)
definida y es integrable en [−π, π] ası́ que el lema de Riemann nos conduce
a que Sn f (x0 ) −→ f (x0 ), cuando n → ∞. 
16 CAPÍTULO 1. LA SERIE TRIGONOMÉTRICA DE FOURIER

1.4. Convergencia uniforme de la serie de Fou-

rier
Teorema 1.4.1 Sea f : R → R una función continua y 2π-periódica y
supongamos que f es casi-continuamente derivable en [−π, π]. Entonces:
0
1. La serie de Fourier f se obtiene derivando término a término Sf (x).
P∞
2. k=1 |ak | + |bk | < +∞.

3. Sf (x) converge uniformemente a f en [−π, π].

0 0 0
Demostración: Calculemos los coeficientes an (f ) y bn (f ) de f en función
de los coeficientes an (f ) y bn (f ) de f .

Z π Z π
1 1 0 1 0
ak (f ) = f (x) cos(kx)dx = − f (x) cos(kx)dx = − bk (f ),
π −π πk −π k

Z π Z π
1 1 0 1 0
bk (f ) = f (x) sin(kx)dx = f (x) sin(kx)dx = − ak (f ),
π −π πk −π k
0
por tanto la serie de Fourier de f es:
∞
0
X
Sf (x) = −kak (f ) sin(kx) + kbk (f ) cos(kx),
k=1

de donde se deduce 1.

Para probar 2 usamos que:

 
1  
0  1 1 2 0
|ak (f )| = bk (f ) ≤ + bk (f ) ,
k 2 k2
 
1  
0  1 1 2 0
|bk (f )| = ak (f ) ≤ + ak (f ) .
k 2 k2
En la desigualdad anterior hemos usado que (|a| − |b|)2 ≥ 0.
0
Como f es casi-derivable, tenemos por la desigualdad de Bessel [3]:
1.5. LA SERIE EXPONENCIAL DE FOURIER 17

∞ 
1 π  0 2
Z
0 2 0 2
X   
ak (f ) + bk (f ) ≤ f (x) dx < +∞, luego
 
k=1
π −π
∞ ∞  
X X 1 1  0 2
 
0 2
|ak (f )| + |bk (f )| ≤ + ak (f ) + bk (f ) < +∞.

k 2 2
k=1 k=1
De la desigualdad anterior aplicando el Criterio de Weierstrass para series
de funciones vemos la convergencia uniforme de Sf (x). 

Corolario 1.4.2 Sea f : R → R una función continua y 2π-periódica y su-

pongamos que f es casi-continuamente derivable en [−π, π]. Entonces Sf (x)
converge absolutamente e uniformemente a f en [−π, π].

1.5. La serie exponencial de Fourier

Sea f : R → C, y sean las funciones:

en (x) = einx , n ∈ Z.
Nótese que:

2π, si n = m,

π π
Z Z 

einx e−imx dx = ei(n−m)x dx = f (x) =
−π −π  2 sin(n − m)π , si n 6= m.

n−m

Es decir, el conjunto (en )n es un conjunto ortogonal respecto al producto

escalar:
Z π
hf, gi = f (x)g(x)dx.
−π

Definición 1.5.1 Dada una función f : R → C, de cuadrado integrable en

[-π,π] y 2π-periódica definiremos la serie exponencial de Fourier por:
∞
X
Sf (x) = cn einx , (1.5.1)
n=−∞

donde los coeficientes vienen dados por la siguiente expresión:

18 CAPÍTULO 1. LA SERIE TRIGONOMÉTRICA DE FOURIER

Z π
1
cn = f (x)e−inx dx.
2π −π

Obviamente esta serie es equivalente a la serie de (1.2.1). Para ello basta usar
la fórmula de euler einx = cos(nx) + sin i(nx) lo que nos resulta:

a0 = 2c0 , an = cn + c−n , bn = i(cn + c−n ).

a0 an − ibn an + ibn
cn = , cn = , c−n = .
2 2 2
Además, de las relaciones anteriores podemos deducir que cn = c−n .
Ejemplo 1.5.2 Encontrar la serie exponencial de Fourier de la función:

 A si 0 ≤ x ≤ π,
f (x) =
0 si −π ≤ x ≤ 0.


Vemos claramente que c0 es A/2. Para n 6= 0 tenemos:


A
Z π
A(1 − e −inπ
)  0
 si n par,
−inx
cn = e dx = =
2π 0 2πin  A si n impar.

πni

1.6. La serie de Fourier en un intervalo arbi-

trario
Si en vez de trabajar con funciones 2π-periódicas, trabajamos con perio-
dos arbitrarios, por ejemplo 2l tendremos que usar los siguientes sistemas,
que son ortogonales y completos en [−l, l] :
    
kπx kπx
1, sin , cos ,
l l n∈N
O en la forma exponencial:
n kπxi o
e l .
n∈N
1.7. EL FÉNOMENO DE GIBBS 19

Ası́, tenemos las series equivalentes:

∞ Z π
X nπix 1 nπxi
Sf (x) = cn e l , donde cn = f (x)e− l dx, n ∈ Z.
n=−∞
2π −π

n
a0 X  nπx   nπx 
Sf (x) = + ak cos + bk sin ,
2 k=1
l l
Z π
1  nπx 
an = f (x) cos dx, n = 0, 1, 2, ...,
π −π l
Z π
1  nπx 
bn = f (x) sin dx, n = 0, 1, 2, ....
π −π l

1.7. El fénomeno de Gibbs

Vamos a ver un ejemplo interesante. Consideramos la función signo(x) en
[−π, π] y extendamos periódicamente la función a todo R. Su serie de Fourier
es:
∞
4 X sin(2k + 1)x
signo(x) = .
π k=0 2k + 1

Recordamos que: 

 −1 si x < 0,



signo(x) = 0 si x = 0,




1 si x > 1.


Vemos que además converge puntualmente en (−1/2, 1/2) y lo hace unifor-

memente en cualquier compacto [δ, 1/2 − δ] ⊂ (0, 1/2). Obviamente la con-
vergencia no puede ser uniforme en (−1/2, 1/2) pues signo(x) no es continua
en dicho intervalo. Si dibujamos las gráfica de signo de x y de algunas de
sus sumas parciales vemos que cerca del cero aparece un pequeño pico que
no parece disminuir incluso aumentando el número de sumados en las sumas
parciales.
20 CAPÍTULO 1. LA SERIE TRIGONOMÉTRICA DE FOURIER

Figura 1.4: Serie de Fourier con 20 términos de signo(x).

Figura 1.5: Serie de Fourier con 200 términos de signo(x).

De hecho, al aumentar n vemos en un entorno de x = 0 que el pico no

disminuye, sino que mantiene su altura.
1.7. EL FÉNOMENO DE GIBBS 21

Para aclarar lo que ocurre calculemos el máximo de la sumas S2n−1 f :

n−1
4 X sin 2π(2k + 1)x
S2n−1 f (x) = ,
π k=0 2k + 1

que se obtienen al tomar la derivada en x:

n−1
d X 4 sin 4nπx
S2n−1 f (x) = 8 cos 2π(2k + 1)x = . (1.7.1)
dx k=0
sin 2πx

k
La derivada se anula en xk = , k = 1, ..., 2n − 1, y podemos comprobar
4n
que:
   
d k k
S2n−1 f = 16π csc cos(kπ),
dx 4n 2n
Por tanto, en k = 1 tenemos un máximo mientras que en k = 2 un mı́nimo,
y ası́, sucesivamente. Además de (1.7.1) tenemos que, al ser S2n−1 f (0) = 0,
Z x
sin 4nπz
S2n−1 f (x) = 4 dz.
0 sin 2πz
A partir de esta expresión, podemos comprobar que precisamente el primer
máximo es el máximo global de la suma parcial, es decir,
 
k
máx S2n−1 f (x) = S2n−1 f .
x∈[0,δ] 4n
Ahora bien,

k
4 X sin π(2k + 1) 2n
  n−1 n
k X 2 sin πξk 1 2k + 1
S2n−1 f = = , ξk = .
4n π k=0 2k + 1 k=0
π ξk n 2n

Nótese que la última suma, constituye una suma de Riemann de la inte-

Z 1
2 sin πx
gral dx, en la partición xk = k/n, k = 0, 1, ..., n, al evaluar la
0 π x
xk + xk+1
función integrando en ξk = . Luego :
2
22 CAPÍTULO 1. LA SERIE TRIGONOMÉTRICA DE FOURIER

  n Z 1
k X 2 sin πξk 1 2 sin πx
lı́mn→∞ S2n−1 f = lı́mn→∞ = dx = 1, 17897...
4n k=0
π ξk n 0 π x

Ası́, el máximo de las sumas parciales de la serie signo(x) no tiende a 1 sino

a 1,178979744..., es decir:
 
máx signo(x) − máx lı́m Sn f (x) = 1, 17897...
 
n→∞

Lo anterior es generalizable a cualquier función f con una discontinuidad en

algún punto. Supongamos que en cierto intervalo I = [α, β] la función tiene
−
f (x+
0 ) − f (x0 )
un punto de discontinuidad en x0 y sea µ = y supongamos que
2
f es tal que la serie converge uniformemente a ambos lados de x0 . Entonces
la función g(x) = f (x) − µ signo(x) es continua en x0 y su serie converge
uniformemente en un entorno de x0 , por lo tanto el comportamiento de f en
un entorno de x0 es el mismo que el de µ signo(x), es decir
 
máx f (x) − máx lı́m Sn f (x) = µ 1, 17897...
 
n→∞

El efecto es válido para toda función discontinua se conoce como efecto de

Gibbs quien estudió el problema en 1899.
Capı́tulo 2

La transformada de Fourier

En este capı́tulo, introduciremos la transformada de Fourier, que va a

tener una gran importancia a la hora de demostrar el teorema de muestreo
como ya veremos más adelante. Intuitivamente y adelantándonos un poco,
la transformada de Fourier transforma una señal que depende del tiempo en
una señal que depende de la frecuencia.

2.1. Definiciones principales y ejemplos

En adelante, asumiremos que f ∈ L1 (R).
Definición 2.1.1 Dada una función f : R → C , definiremos su transformada
de Fourier que denotaremos por fb(λ) o F [f ] a la función:
Z ∞
1
fb(λ) = F [f ](λ) := f (x)e−iλx dx. (2.1.1)
2π −∞

Por comodidad definiremos también la transformación:

Z ∞
1
F [f ](λ) := f (x)eiλx dx. (2.1.2)
2π −∞

Bajo ciertas condiciones sobre f , 2πF [f ](λ) es la inversa de F [f ](λ), y se

verifica:

f (x) = 2πF [fb](x), F −1 [f ] = 2πF [fb].

23
24 CAPÍTULO 2. LA TRANSFORMADA DE FOURIER
 
Definición 2.1.2 A la función F (λ)=f (λ), se le denomina espectro de la
b 
función f .

Ejemplos
Calcular las transformadas de Fourier de las siguientes funciones.

 1 si |x| < 1,
1. f : R → R , f (x) =
0 si |x| ≥ 1.


Z ∞ Z 1
1 −iλx 1 sin(λ)
F [f ](λ) = e dx = (cos(λx) − i sin(λx))dx = .
2π −∞ 2π −1 πλ

Figura 2.1: Pulso rectangular (arriba) y su transformada (abajo).

2.1. DEFINICIONES PRINCIPALES Y EJEMPLOS 25

2 /2
2. h : R → R , h(x) = e−x .

Z ∞ Z ∞
1 −x2 /2 −iλx 2 /2
h(λ) = F [h](λ) =
b e e dx = e−x cos(λx)dx. (2.1.3)
2π −∞ −∞

Entonces,
Z ∞ Z ∞
∂b
h(λ) 1 −x2 /2 λ 2 /2
= e (−x) sin(λx)dx = − e−x cos(λx)dx = −λb
h(λ).
∂λ 2π −∞ 2π −∞

En la segunda igualdad hemos integrado por partes, luego:

Z ∞
2 1 2 /2 1 1 2
h(λ) = Ce−λ /2 ⇒
b C =b
h(0) = e−x dx = √ ⇒ F [h](λ) = √ e−λ /2 .
2π −∞ 2π 2π

Figura 2.2: Gaussiana (arriba) y su transformada (abajo).

26 CAPÍTULO 2. LA TRANSFORMADA DE FOURIER

2.2. Propiedades fundamentales

Vamos a dar algunos resultados fundamentales y propiedades sobre la
trasformada de Fourier. Comenzaremos enunciando un lema cuya demostra-
ción omitiremos (consultar [2] en bibliografı́a).
Lema 2.2.1 Sea f : R → C, f ∈ L1 (R). Entonces:
Existe la trasformada fb(λ), para todo λ ∈ R.
Z ∞

ˆ 
 1
supλ∈R f (λ) ≤ |f (x)| dx.
2π −∞

La función fb(λ) es continua en R.

supλ→∞ fb(λ) = 0.
En adelante, vamos a definir el operador traslación τh :

τh f (x) = f (x + h), h ∈ R.
Proposición 2.2.2
1. La trasformada de Fourier es lineal: para todos f, g ∈ L1 (R) y α, β ∈ R:
F [αf + βg](λ) = αF [f ](λ) + βF [g](β) = αfb(λ) + βb g (λ).

2. τh fb(λ) = F [τh f ](λ) = fb(λ)eiλh .

3. f[
eixh (λ) = τ−h fb(λ) = fb(λ − h).

4. F [α−1 f (x/α)](λ) = F [f ](αλ) = fb(αλ).

Demostración: 1 es inmediata de la definición, ya que la integral es lineal. 2

la deducimos directamente de:
Z ∞ Z ∞
1 −iλx
\
τh f (λ) = f (x + h)e dx = f (z)e−iλ(z−h) dz = eiλh F [f ](λ).
2π −∞ −∞

Para probar 3 usamos:

Z ∞ Z ∞
1 −iλx ihx 1
\
ixh
f e f (λ) = f (x)e e dx = f (z)e−i(λ−h)x dz = F [f ](λ−h).
2π −∞ 2π −∞
La demostración de 4 es análoga a 3. 
2.3. IDENTIDAD DE PLANCHEREL-PARSEVAL 27

2.3. Identidad de Plancherel-Parseval

Recordemos el Teorema de Fubini (para su demostración consultar [4]):
Teorema 2.3.1 Dada f : R × R → C entonces f es integrable en E × F ⊂
R × R si y solo si existe cualquiera de las dos siguientes integrales:
Z Z  Z Z 
|f (x, y)dy| dx, |f (x, y)dx| dy.
E F F E

Además, si f es integrable en E × F ⊂ R × R entonces:

ZZ Z Z  Z Z 
f (x, y)dxdy = f (x, y)dy dx = f (x, y)dx dy.
E×F E F F E

Usando el teorema de Fubini, es inmediato probar que si f y g son absoluta-

mente integrables, se verifica:
Z Z
f (x)g(x)dx
d = fd
(x)g(x)dx.
R R

Probaremos un resultado más general:

Z Z
f (x + y)g(x)dx =
d (x)g(x)eixy dx.
fd
R R

Para ello usamos que

Z  Z  Z  Z 
ixy 1 −ixz 1 −ix(z−y)
g(x)e f (z)e dz dx = f (z) g(x)e dy dz =
R 2π R R 2π R
Z Z
= \
f (z)g(z − y)dz = f (ς + y)g(ς)dς.
d
R R

Para cambiar el orden de integración, hemos usado el Teorema de Fubini.

Escogiendo y = 0 recuperamos la expresión anterior y obtenemos:

Z Z
1 1
gb(λ) = g(z)e−ixz dz = g(z)eixz dz = F [g](λ) ⇒ ĝˆ = g,
2π R 2π R
28 CAPÍTULO 2. LA TRANSFORMADA DE FOURIER

pues F [.] es la inversa de la transformada de Fourier F [.]. De lo anterior,

se deduce el siguiente corolario:
Corolario 2.3.2 Fórmula de Plancherel-Parseval. Si f, g son absolutamen-
te integrables en R, entonces:

Z Z Z Z 
 b 2

2
f (x)g(x)dx = fb(x)b
g (x)dx ⇒ |f (x)| dx = f (x) dx.
R R R R

Para la demostración, basta tomar f = gb y g = fb y aplicar el teorma de

Fubini.

2.4. Una normalización diferente

Antes de ver aplicaciones de la transformada de Fourier debemos destacar
que existe una normalización distinta a la que hemos descrito. Debido a su
uso muy común en teorı́a de señales vamos a escribir las principales fórmulas.
Definición 2.4.1 Dada una función f : R → C, definiremos su transformada
de Fourier que denotaremos por fb o por F [f ] a la función:
Z ∞
f (λ) = F [f ](λ) :=
b f (x)e−2πiλx dx. (2.4.1)
−∞

Análogamente:
Z ∞
F [f ](λ) := f (x)e2πiλx dx. (2.4.2)
−∞

Además, con esta normalización F [f ](λ) es la inversa de F [f ], es decir:

f (x) = F [fb](x), y por otra parte F −1 [f ] = F [fb].

Es fácil comprobar que el cambio de la normalización no afecta a los resul-
tados generales. En particular, tenemos las siguientes propiedades.
2.4. UNA NORMALIZACIÓN DIFERENTE 29

Proposición 2.4.2
2πiλh
1. τd
h f (λ) = F [τh f ](λ) = f (λ)e
b .

2. f\
e2πixh (λ) = τ−h fb(λ) = fb(λ − h).

3. F [α−1 f (x/α)](α) = F [f ](αλ) = fb(αλ)

0
4. Si f ∈ C (k) (R) es tal que f, f , ..., f (k) son absolutamente integrables,
entonces F [f (n) ](λ) = (2πiλ)n F [f ](λ), n = 0, 1, ..., k.

5. Si f y xk f (x) son absolutamente integrables en R, entonces fb(n) (λ) =

dn F [f ]
(λ) = (−2πi)k xd
n f (λ) = (−2πi)k F [xn f ](λ), ∀n = 0, 1, ..., k.
dλk
6. Identidad de Plancherel-Parseval
R R R d = R fd
f (x + y)b
g (x)dx = b(x)g(x)e2πixy dx ⇒ f (x)g(x)dx
f (x)g(x)dx.
R R R R
30 CAPÍTULO 2. LA TRANSFORMADA DE FOURIER
Capı́tulo 3

Señales

En este capı́tulo nos adentramos ya en la teorı́a de señales. Comenzaremos

discutiendo el concepto matemático de señal y veremos algunos resultados
relativos a las mismas.

3.1. Definiciones principales

Definición 3.1.1 Por una señal s(t), entenderemos una función casi-continua
en un intervalo I = (t0 , t) ∈ R.
Definición 3.1.2 Una señal s(t) es de energı́a finita si s ∈ L2 , es decir:
Z +∞
|s(t)|2 dt < +∞.
−∞

Definición 3.1.3 A la función S(w) = |b

s(w)| , se le denomina espectro de la
señal s.
Definición 3.1.4 Una señal es de banda limitada a B si:

F [s](w) = 0, ∀ |w| ≥ B,
donde F [s](w) es la transformada de Fourier de s(t), es decir, el espectro de
la señal está contenido en un compacto de R. Análogamente:
Z ∞ Z B
1 −iwt 1
sb(w) = F [s](w) = s(t)e dt = s(t)e−iwt dt.
2π −∞ 2π −B

31
32 CAPÍTULO 3. SEÑALES

3.2. Primeros ejemplos

Escalón de Heaviside:

 1 si t ≥ 0,
Heaviside (t) =
0 si t < 0.


Pulso rectangular:

 1 si |t| ≤ 1,
Rect(t) =
0 si |t| > 1.


Figura 3.1: Escalón de Heaviside (izquierda) y pulso Rectangular Rect(t)

(derecha).

Señal sinusoidal:

A sin(w1 t + ϕ1 ) + B sin(w2 t + ϕ2 ), w1 , w2 > 0.

Señal con ruido:

A sin(w1 t + ϕ1 ) + B sin(w2 t + ϕ2 ) + a0 random(t), w1 , w2 > 0.

3.3. TIPOS DE SEÑALES 33

Figura 3.2: Señal sinusoidal f (t) = cos(20πt) + sin(40πt) (izquierda) y con

ruido f (t) = cos(20πt) + sin(40πt) + 2 random(t) (derecha).

3.3. Tipos de señales

En adelante, denotaremos por X al espacio de las señales.
Uno de los objetivos del análisis de señales, es poder distinguir las señales,
trasmitirlas, codificarlas, etc.
Las funciones anteriores pueden representar el voltaje o la intensidad de
corriente en un circuito, intensidad de la música en un reproductor de CD,
potencia de un altavoz, etc.
Una señal que sea casi-continua, se dice que es analógica. Si la señal es
un conjunto de valores dados s1 , s2 , ..., sN , ... se dice que la señal es digital.
Ası́:
f : R → R, f ∈ C(R) =⇒ señal analógica.
Si en vez de f tenemos sus muestras tomadas con una frecuencia 1/a,
diremos que la señal es digital:
(f (xk ))k : xk = ka, k ∈ Z =⇒ señal digital.
En la naturaleza las señales suelen ser en general, analógicas. Uno de
los principales problemas consiste en convertir una señal analógica en digital
(discreta) para, por ejemplo, transmitirla (fotos digitales), grabarla (CD), y
luego poder recuperarla sin perder información. El proceso de conversión se
denomina “muestreo”de la señal. Nos interesará el problema de la recupera-
ción de una señal a partir de sus muestras.
34 CAPÍTULO 3. SEÑALES

3.4. Teorema de muestreo

Vamos a enunciar y posteriormente probar, el resultado fundamental de
este trabajo: el teorema de muestreo de Whittaker-Kotelnikov-Shannon, que
como veremos posteriormente tiene una gran utilidad en la teorı́a de señales.

Teorema 3.4.1 Sea una señal x(t) de energı́a finita y de banda limitada a
B, entonces:
∞
1 X  n  sin (π(2Bt − n))
x(t) = x . (3.4.1)
π n=−∞ 2B 2Bt − n
Es decir, para recuperar una señal banda limitada a B basta conocer sus
muestras tomadas con una frecuencia igual a 2B. Dicha frecuencia se deno-
mina frecuencia de Nyquist.
Demostración Primero vamos a considerar la función f (u) = e2πiut en el
intervalo (−B, B). Vamos a extenderla periódicamente
 2πi(n/2B)u y a calcular su serie
exponencial de Fourier en la base e n≥0
, que es una base ortogonal
2
de L (−B, B).
Nuestra función es continua y derivable luego su serie de Fourier será
uniformemente convergente como hemos visto en el apartado de convergencia.
∞
X
f (u) = cn e2πi(n/2B)u , (3.4.2)
n=−∞

donde:

Z B Z B
1 2πiut −2πi(n/2B)u 1
cn = e (e )du = e2πi(t−n/2B)u du =
2B −B 2B −B

Z B Z B
1  n   1  n  

cos 2π t − u du + i sin 2π t − u du =
2B −B 2B 2B −B 2B

  n  B
1
Z B  n  1 sin (2π t − B
= cos 2π t − u du =  B  =
B 2B B
 n
0 2π t −
B 0
3.4. TEOREMA DE MUESTREO 35

sin (π(2tB − n))

= .
π(2Bt − n)

Vemos que:
Z B
1  n 
i sin (2π t − u)du = 0,
2B −B 2B
ya que es una integral en la cual el integrando es una función impar en un
dominio de integración simétrico.
sin (πx)
En adelante usaremos la notación sinc(x) = , que denota a la
πx
función seno cardinal.
Recordamos que definimos la trasformada de Fourier y su inversa como:
Z ∞ Z B
−2πiut
X(u) = x(t)e dt, x(t) = X(u)e2πiut du.
−∞ −B

Sustituimos e2πiut por su serie de Fourier:

Z B ∞
X
x(t) = X(u)eiπnu/B sinc(2Bt − n)du =
−B n=−∞

∞ Z
X B
= X(u)eiπnu/B sinc(2Bt − n)du =
n=−∞ −B

∞
X Z B ∞
X  n 
iπnu/B
= sinc(2Bt − n) X(u)e du = sinc(2Bt − n) x =
n=−∞ −B n=−∞
2B

∞
1 X  n  sin (π(2Bt − n))
= x .
π n=−∞ 2B 2Bt − n


Nota: La integración término a término, la podemos realizar debido a que
nuestra serie es uniformemente convergente. La igualdad se entiende en el
sentido de L2 .
36 CAPÍTULO 3. SEÑALES

Nota: En teorı́a de señales se define la serie cardinal de la señal x como:

∞
1 X  n  sin (π(2Bt − n))
x = (3.4.3)
π n=−∞ 2B 2Bt − n

  
t π
∞ sin π −n n=∞ sin (t − na)
1 X a 1 X
a
= x(na) = x(na) π .
π n=−∞ t π n=−∞ (t − na)
−n
a a

Para trabajar con (3.4.3) de una manera más cómoda, hemos realizado
1
un cambio de notación llamando a = .
2B

3.5. Convergencia
La serie cardinal converge en L2 . Vamos ahora a probar que nuestra con-
vergencia no solo es en L2 , sino que tenemos convergencia uniforme. Para
ello, probaremos un lema auxiliar y posteriormente que la serie cardinal con-
verge uniformemente.

 sin π (t − na) 2
  

Lema 3.5.1 
 X  a 
  = 1.
 π
(t − a) 

N ≤|n|≤M 
a
Demostración Consideremos la función

k(t) = e2πiλt χ[ −1 , 1 ] , λ ∈ R,
2a 2a

y extendámosla periódicamente a todo t ∈ R. Su serie de Fourier es:

X
k(t) = cn e2πinat ,
n∈R
π
Z 1
2a sin (λ − na)
cn = a e2πiλt e−2πinat dt = π a ,
−1
2a (λ − na)
a
2
además (cn )n ∈ L . Si ahora usamos la identidad de Parseval obtenemos:
3.6. COTA DE ERROR COMETIDO 37

Z 1
X 2a  2πiλt 2
2
|cn | = a e  dt = 1.
1
n∈R − 2a

Teorema 3.5.2 La serie cardinal (3.4.1) converge uniformemente.

Demostración Sean M, N ∈ N, N ≤ M :
 π π 
 sin (t − na) sin (t − na) 
a a
 X X 
 x(na) π − x(na) π ≤
(t − na) (t − na) 
 
|n|≤M |n|≤N
a a
 π 
 sin (t − na) 
a
X  
≤ |x(na)|  π ≤
(t − na) 

N ≤|n|≤M 
a
 1/2   π 2 1/2
X  sin (t − na)  

a
X 2
≤ |x(na)|    .

 π

(t − a) 

N ≤|n|≤M N ≤|n|≤M 
a
 sin π (t − na) 2
  

Por el lema anterior, la serie 

 X  a 
  está acotada, luego:
 π
(t − a)

N ≤|n|≤M  
a
 1/2
 sin π (t − na) 2
 1/2  
a
X  X 
|x(na)|2  

≤  π
  < ε,
(t − a) 

N ≤|n|≤M N ≤|n|≤M 
a
ya que si M y N son suficientemente grandes, la serie n∈Z |x(na)|2 < ∞.
P
Por tanto, por el criterio de Cauchy para la convergencia uniforme, la serie
converge uniformemente en R. 

3.6. Cota de error cometido

Es importante recordar que cuando hagamos los correspondientes progra-
mas no podremos tomar la serie infinita, sino una serie truncada, con lo cual
nos será de interés una cota del error que cometemos. Para ello, enunciamos
el siguiente teorema.
38 CAPÍTULO 3. SEÑALES

Teorema 3.6.1 Sea h(t) una señal con energı́a finita y de banda limitada a
B, se verifica que:
r
BE
|h(t)| ≤ . (3.6.1)
π

Demostración Sea H(w) la transformada de Fourier de la función h(t).

Ahora consideramos la inversa de la transformada de Fourier de h:

Z B
1
h(t) = H(w)eiwt dw , y aplicamos la desigualdad de Cauchy-
2π −B
Schwarz:
Z B Z B
21 2
 iwt 2
|h(t)| ≤ 2 |H(w)| dw e  dw =
4π −B −B

Z B  Z B 
B 2 B 1 2
= 2 |H(w)| dw = |H(w)| dw =
2π −B π 2π −B

Z B
r
B B2 BE
= |h(w)| dw = E ⇒ |h(t)| ≤ .
π −B π π

Nota En la última igualdad, hemos usado la fórmula de Parseval.

Corolario 3.6.2 Tomando h(t) = x(t) − xN (t), es inmediato de (3.6.1) que

obtenemos la siguiente cota del error:
r
BE
|x(t) − xN (t)| ≤ .
π
Vemos como se cumplen las condiciones del teorema anterior, dado que h es
una función de L2 al ser una resta de dos funciones de L2 , y además h es
una señal de banda limitada al ser resta de funciones de banda limitada (esta
propiedad se obtiene gracias a la linealidad de la integral).
3.7. EL FENÓMENO DEL ALIASING 39

3.7. El fenómeno del aliasing

El aliasing es el efecto que causa que señales continuas distintas no sean
distinguibles cuando realizamos un muestreo digital. En este caso, no pode-
mos recuperar la señal original de forma única a partir de la señal digital.
En otras palabras, tenemos señales distintas, pero que coinciden en las mues-
tras tomadas, por lo que la recuperación de nuestra señal no es posible.
Nos encontramos con este problema cuando nuestras muestras no son las
“indicadas”, es decir, cuando no verifican que νs = 1/a ≥ 2B, donde νs
representa nuestra frecuencia de muestreo.
Veamos un ejemplo de aliasing. Consideremos x(t) = sin(2πt):

3 3
Muestras Muestras
Reconstrucción Reconstrucción
2 2
Original Original

1 1

0 0

-1 -1

-2 -2

-3 -3
0 0.5 1 1.5 2 0 0.5 1 1.5 2
t t

Figura 3.3: Recuperación de nuestra señal tomando como frecuencia de mues-

treo 4 (izquierda) y 1 (derecha).

3.8. Muestreo Irregular

Es interesante resaltar que hemos estado trabajando en nuestra teorı́a de
señales con lo que se conoce como muestreo regular, es decir, que nuestras
muestras se toman de forma equidistante. Hay diferentes tipos de muestreo,
entre los cuales uno de los más destacamos es el muestreo irregular.
¿Cuáles son las ventajas y desventajas con respecto al muestreo regular?
40 CAPÍTULO 3. SEÑALES

Como desventaja, es muy importante el hecho de que el Teorema de

Muestreo no es aplicable, y para la reconstrucción tenemos que usar métodos
que son computacionalmente intensivos, como por ejemplo la transformada
rápida de Fourier, que en el caso del muestreo irregular no es ni siquiera
invertible.
Como ventaja, en el muestreo irregular es menos probable que se produzca
el fenómeno del aliasing, que es uno de los inconvenientes más importantes
del muestreo regular.
Para más información acerca del muestreo irregular, consultar [5] y [8] en
la bibliografı́a.
Capı́tulo 4

Programas

En este capı́tulo mostraremos algunos de los programas que a lo largo del

trabajo hemos usado y expondremos algunos ejemplos nuevos de interés.
Comenzaremos mostrando varias formas de construir las series de Fourier.
En primer lugar, mostraremos un ejemplo donde podemos realizar los cálculos
de manera analı́tica, usando un programa simbólico (en este caso de Maxima),
también veremos algún programa que realice los cálculos numéricamente.
Además de la transformada de Fourier, veremos programas de recuperación
de señales y el problema del aliasing.
Para consultar los comandos utilizados tanto en Maxima como en Octave,
ver referencias [1] y [10].

4.1. Serie de Fourier, paquete fourie

Vamos a usar Maxima para el caso de f (x) = x en [−π, π], extendida
periódicamente a todo R.
Ante todo debemos cargar el paquete fourie, que nos permite trabajar
simbólicamente con series de Fourier.

(%i1) kill(all)$
(%i1) load(fourie)$

Definimos la función que vamos a desarrollar en serie, en este caso f (x) = x.

(%i2) f1(x) := x;
(%o2) f1(x):= x

41
42 CAPÍTULO 4. PROGRAMAS

A continuación, calculamos los coeficientes de Fourier para nuestra función:

(%i3) fourier(f1(x),x,%pi)$
(%t3) a[0]=0
(%t4) a[n]=0
(%t5) b[n]=(2*(sin(%pi*n)/n^2-(%pi*cos(%pi*n))/n))/%pi

La salida aparentemente no está simplificada pues sin(nπ) = 0 si n es entero,

como es el caso. Si queremos que Maxima asuma que el ı́ndice n es entero
podemos hacer lo siguiente:

(%i7) declare(n, integer)$

fourier(f1(x),x,%pi)$
(%t7) a[0]=0
(%t8) a[n]=0
(%t9) b[n]=-(2*(-1)^n)/n

que nos da los coeficientes de Fourier de la función.

Luego obtenemos la suma parcial de la serie y definimos una función para
su representación.

(%i11) fourexpand(%,x,%pi,5);
define(fff(x),%)$

(%o10) (2*sin(5*x))/5-sin(4*x)/2+(2*sin(3*x))/3-sin(2*x)+2*sin(x)

Finalmente representamos en una gráfica los resultados. Para una mejor com-
presión definiremos la extensión periódica de nuestra función en el intervalo
[−2π, 2π],

(%i12) g1(x):=f1(x+2*%pi)*(unit_step(x+2*%pi+%pi)-unit_step(x+%pi))+
f1(x)*(unit_step(x+%pi)-unit_step(x-%pi))+
f1(x-2*%pi)*(unit_step(x-%pi)-unit_step(x-2*%pi-%pi))$

y dibujamos la gráfica.

(%i13) wxplot2d([fff(x),g1(x)],[x,-2*%pi,2*%pi],
[legend,"serie de Fourier","f(x)"]);

La gráfica podemos verla en la figura 4.1

4.2. SERIE DE FOURIER, LA FUNCIÓN APRFOU 43

5
serie de Fourier
4 f(x)=x
3
2
1
0
-1
-2
-3
-4
-6 -4 -2 0 2 4 6
x

Figura 4.1: La función f (x) = x en [−π, π], extendida periódicamente a todo

R y la suma parcial de orden 5 de su serie de Fourier.

4.2. Serie de Fourier, la función aprfou

Antes de ver el ejemplo numérico con Maxima, vamos a ver un método
alternativo para calcular la serie de Fourier sin usar el paquete fourier. Para
ello, sea g(x) = x2 en [−π, π]. El código es el siguiente:
Limpiamos las variables y definimos nuestro propio comando aprfou para
definir las sumas parciales de la serie de Fourier

(%i1) kill(all)$
aprfou(fun,n):= expand(sum(integrate(cos(i*x)*fun,x,-%pi,%pi)/
integrate(cos(i*x)^2,x,-%pi,%pi)*cos(i*x),i,0,n)
+sum(integrate(sin(i*x)*fun,x,-%pi,%pi)/
integrate(sin(i*x)^2,x,-%pi,%pi)*sin(i*x),i,1,n))$

Definimos la función que queremos desarrollar

44 CAPÍTULO 4. PROGRAMAS

(%i4) f1(x) := x^2;

f(x):= aprfou(f1(x),3);
f(x);
(%o2) f1(x):=x^2
(%o3) f(x):=aprfou(f1(x),3)
(%o4) -(4*cos(3*x))/9+cos(2*x)-4*cos(x)+%pi^2/3
Finalmente la representamos en una gráfica usando esta vez el paquete draw
(%i6) g1(x):=f1(x+2*%pi)*(unit_step(x+2*%pi+%pi)-unit_step(x+%pi))
+f1(x)*(unit_step(x+%pi)-unit_step(x-%pi))
+f1(x-2*%pi)*(unit_step(x-%pi)-unit_step(x-2*%pi-%pi))$

wxdraw2d(color=black, grid = true, line_type = solid,

line_width = 5, yrange = [-0.5,11], key = "f(x)=x^2",
explicit(g1(x),x,-2*%pi,2*%pi),line_width = 3,
key = "Suma 3 términos", color=red,
explicit(aprfou(x^2,3),x,-2*%pi,2*%pi),
key = "Suma 5 términos", color=green,
explicit(aprfou(x^2,5),x,-2*%pi,2*%pi),
key = "Suma 7 términos", color=blue,
explicit(aprfou(x^2,7),x,-2*%pi,2*%pi),
xlabel="x",ylabel="")$
Vemos la gráfica a continuación en 4.2

14 f(x)=x2
Suma 3 términos
12 Suma 5 términos
Suma 7 términos
10

0
-6 -4 -2 0 2 4 6
x

Figura 4.2: La función f (x) = x2 y las sumas parciales de su serie de Fourier

con 3, 5 y 7 términos.

Obviamente no para cualquier función podemos calcular de forma simbóli-

ca la serie. Por ejemplo si tomamos la función f (x) = log(1 + x2 ) en [−π, π]
4.2. SERIE DE FOURIER, LA FUNCIÓN APRFOU 45

y la extendemos periódicamente a todo R el programa anterior falla pues no

puede calcular las integrales. En ese caso es mejor calcular las integrales de
forma numérica. Por ejemplo, usando el paquete quad qag.

(%i1) kill(all)$
aprfoun(fun,n):=quad_qag(fun,x,-%pi,%pi, ’epsrel=1d-10)[1]/float(2*%pi)+
expand( sum( (quad_qawo(
fun,x,-%pi,%pi,i,cos,’epsrel=1d-10)[1]/float(%pi))*cos(i*x),i,1,n)+
sum( ( quad_qawo(
fun,x,-%pi,%pi, i,sin, ’epsrel=1d-10)[1]/float(%pi) )*sin(i*x),i,1,n))$
(%i4) f1(x) := log(1+x^2);
f(x):= aprfou(f1(x),3)$
f(x);
(%o2) f1(x):=log(1+x^2)
(%o4) aprfou(log(x^2+1),3)(%i5) aprfoun(f1(x),3);
(%o5) -0.07356417649811077*cos(3*x)-0.04583587435504389*cos(2*x)
-1.071421039291763*cos(x)+1.189783782922232
(%i6) g1(x):=f1(x+2*%pi)*(unit_step(x+2*%pi+%pi)-unit_step(x+%pi))
+f1(x)*(unit_step(x+%pi)-unit_step(x-%pi))
+f1(x-2*%pi)*(unit_step(x-%pi)-unit_step(x-2*%pi-%pi))$

(%i7) wxdraw2d(color=black, grid = true, line_type = solid,

line_width = 5, yrange = [-0.1,3], key = "f(x)=x^2",
explicit(g1(x),x,-2*%pi,2*%pi), line_width = 3,
key="Suma 3 términos",color=red,explicit(aprfoun(f1(x),3),x,-2*%pi,2*%pi),
key="Suma 5 términos",color=green,explicit(aprfoun(f1(x),5),x,-2*%pi,2*%pi),
key="Suma 7 términos",color=blue,explicit(aprfoun(f1(x),7),x,-2*%pi,2*%pi),
xlabel="x",ylabel="",dimensions = [1200,600]);

Podemos ver la gráfica en figura 4.3

46 CAPÍTULO 4. PROGRAMAS

3.5
f(x)=log(1+x2)
3 Suma 3 términos
Suma 5 términos
2.5 Suma 7 términos

1.5

0.5

0
-6 -4 -2 0 2 4 6
x

Figura 4.3: La función f (x) = log(1 + x2 ) y las sumas parciales de su serie

de Fourier con 3, 5 y 7 términos.

4.3. Transformada de Fourier con Octave

Vamos a calcular con Octave la transformada de Fourier de la función
pulso: 
 1 si |t| < 1
f : R → R , f (t) =
0 si |t| ≥ 1


El código es el siguiente: Primero utilizamos syms para crear una variable

simbólica.

syms a t;

Definimos nuestra función pulso utilizando el comando heaviside, que

representa la función escalón:

ft=heaviside(t+a)-heaviside(t-a);
Fw=fourier(ft);
Fw=simplify(Fw)

Calculamos la transformada de Fourier mediante el comando fourier,

y finalizamos representado las dos gráficas, tanto nuestra función como su
transformada, añadiendo las leyendas correspondientes a cada gráfica.
4.3. TRANSFORMADA DE FOURIER CON OCTAVE 47

ft=subs(ft,a,1);
subplot(2,1,1)
ezplot(ft,[-2,2]);
ylim([-0.2 1.2])
xlabel(’t’);
%ylabel(’f(t)’)
%title(’Pulso rectangular’)

Fw=subs(Fw,a,1);
subplot(2,1,2)
hg=ezplot(Fw,[-10,10]);
set(hg,’color’,’r’)
ylim([-1 1])
xlabel(’\omega’);
%ylabel(’F(\omega)’)
%title(’Transformada de Fourier’)
grid on

Figura 4.4: Pulso rectangular (arriba) y su transformada de Fourier (abajo).

48 CAPÍTULO 4. PROGRAMAS

4.4. Espectro de una señal con Octave

Este programa nos será muy útil a la hora de reconstruir señales, ya que
podemos ver el espectro de una señal mediante su transformada. El programa
es el siguiente:

T=1; % periodo de muestreo

fs=256; % frecuencia de muestreo
t=(0:1/fs:T); % puntos de muestreo
N=length(t);
f=sin(5*2*pi*t); % se~
nal original

figure, plot(t,f), ylim=[-1.5,1.5], xlabel(’Tiempo’),

title(’Se~
nal original’)

F=fft(f)/sqrt(N); % trasformada de Fourier de f

% Para dibujarlo, despreciamos la

% mitad del dominio debido a la simetrı́a

omega=0.5*fs*linspace(0,1,floor(N/2)+1); % vector de
% frecuencias discretas

range=(1:floor(N/2)+1); % rango del espectro de potencia

P=abs(F(range)).^2; % espectro de potencia de la se~
nal f

figure, plot(omega,P),xlim([0,10]), xlabel(’Frecuencia’),

title(’Espectro de la se~
nal f’)
4.5. ESPECTRO DE UNA SEÑAL CON RUIDO 49

Figura 4.5: Señal original f (t) = sin(10πt) (izquierda). Vemos que la frecuen-
cia de Nyquist se alcanza en 6 (derecha).

4.5. Espectro de una señal con ruido

Vamos a realizar un programa similar al anterior, pero con una función
con ruido:

T=1; % periodo de muestreo

fs=2^9; % frecuencia de muestreo
t=(0:1/fs:T); % puntos de muestreo
N=length(t);
f=cos(10*2*pi*t)+cos(20*2*pi*t)+4*rand(size(t)); % se~nal original

figure, plot(t,f), ylim([-4,8.5]), xlabel(’Tiempo’),

title(’Se~
nal original’)

F=fft(f)/sqrt(N); % trasformada de Fourier de f

% Para dibujarlo, despreciamos

% la mitad del dominio debido
% a la simetrı́a
omega=0.5*fs*linspace(0,1,floor(N/2)+1);
% vector de frecuencias discretas
range=(1:floor(N/2)+1); % rango del espectro de potencia
P=abs(F(range)).^2; % espectro de potencia de la se~
nal f
50 CAPÍTULO 4. PROGRAMAS

figure, plot(omega,P), xlabel(’Frecuencia’),

title(’Espectro de la se~
nal f’)

Figura 4.6: Señal original f (t) = 2 cos(20πt) + 3 sin(20πt) + 4 random(t)

(izquierda) y espectro de nuestra señal (derecha).

4.6. Reconstrucción de señales con Maxima

Una de las utilidades más destacadas del teorema de muestreo es la recons-
trucción de señales. La idea es que una señal analógica puede ser reconstruirla
a través de sus muestras.
Como consecuencia del teorema de muestreo 3.4.1, para poder recuperar
nuestra señal banda limitada a B se debe verificar que nuestra frecuencia de
muestreo νs , sea mayor o igual que el doble de la frecuencia de Nyquist, es
decir:

1
νs = ≥ 2B.
a
Veamos un ejemplo con la señal x(t) = sin(2πt).
Si aplicamos el apartado anterior a nuestra señal para ver su frecuencia
obtenemos:
4.6. RECONSTRUCCIÓN DE SEÑALES CON MAXIMA 51

T=1; % periodo de muestreo

fs=256; % frecuencia de muestreo
t=(0:1/fs:T); % puntos de muestreo
N=length(t);
f=sin(2*pi*t); % se~
nal original

figure, plot(t,f), ylim([-1.5,1.5]), xlabel(’Tiempo’),

title(’Se~
nal original’)

F=fft(f)/sqrt(N); % trasformada de Fourier de f

% Para dibujarlo, despreciamos la

% mitad del dominio debido a la simetrı́a

omega=0.5*fs*linspace(0,1,floor(N/2)+1);
% vector de frecuencias discretas

range=(1:floor(N/2)+1); % rango del espectro de potencia

P=abs(F(range)).^2; % espectro de potencia de la se~
nal f

figure, plot(omega,P), xlim([-0.5 2.5]),

xlabel(’Frecuencia’), title(’Espectro de la se~
nal f’)
52 CAPÍTULO 4. PROGRAMAS

Figura 4.7: x(t) = sin(2πt) (izquierda). Espectro de x(t) = sin(2πt) (dere-

cha).

Vemos como la frecuencia de Nyquist es 2, ası́ que tomamos como fre-

cuencia de muestreo 4, es decir, a = 1/4. Vamos a realizar un programa en
Maxima que tome unas muestras de nuestra señal y, utilizando el teorema
de muestreo, la reconstruya. El programa es el siguiente:

define(f(t),sin(2*%pi*t));

NN:10$ a:1/4$
tt:makelist( (k)*a , k,0,NN-1);
x:makelist(f((k)*a),k,0,NN-1);
dis:makelist( [tt[k],x[k]], k,1,NN);
ll:length(x);

sum(x[n]*sin((%pi/a)*(t-(n-1)*a))/((%pi/a)*(t-(n-1)*a )),n,1,ll);
define(fr(t),%);

plot2d([[discrete,dis],fr(t),f(t)],[t,0,2], [style,points,lines,
lines],[y,-3,3],
[legend,"Muestras","Reconstrucción","Original"],
[gnuplot_pdf_term_command,
"set term pdfcairo color solid lw 2 size 15 cm, 15 cm font \",24\""],
[pdf_file, "C:/Users/PC/AppData/Local/Temp/recuperacion.pdf"],
[style,points,[lines,3.5],[lines,3.5]]);
4.6. RECONSTRUCCIÓN DE SEÑALES CON MAXIMA 53

3
Muestras
Reconstrucción
2
Original

-1

-2

-3
0 0.5 1 1.5 2
t

Figura 4.8: Recuperación de nuestra señal a partir de sus muestras.

Ahora realizamos una reconstrucción con dos armónicos.

Sea x(t) = sin(2πt) + cos(3πt).
Aplicando los programas anteriores obtenemos:

T=1; % periodo de muestreo

fs=256; % frecuencia de muestreo
t=(0:1/fs:T); % puntos de muestreo
N=length(t);
f=sin(2*pi*t)+cos(3*pi*t); % se~
nal original

figure, plot(t,f), ylim([-1.5,1.5]), xlabel(’Tiempo’),

title(’Se~
nal original’)
54 CAPÍTULO 4. PROGRAMAS

F=fft(f)/sqrt(N); % trasformada de Fourier de f

% Para dibujarlo, despreciamos la

% mitad del dominio debido a la simetrı́a

omega=0.5*fs*linspace(0,1,floor(N/2)+1);
% vector de frecuencias discretas

range=(1:floor(N/2)+1); % rango del espectro de potencia

P=abs(F(range)).^2; % espectro de potencia de la se~
nal f

figure, plot(omega,P), xlim([-0.5 12.5]),,ylim([0,38]),

xlabel(’Frecuencia’), title(’Espectro de la se~
nal f’)

Figura 4.9: x(t) = sin(2πt)+cos(3πt) (izquierda). Espectro de x(t) (derecha).

La frecuencia de Nyquist está en torno a 8, ası́ que podemos tomar por

ejemplo, a = 1/16. Aplicando el programa anterior obtenemos:

define(f(t),sin(2*%pi*t)+cos(3*%pi*t));

NN:30$ a:1/16$
4.6. RECONSTRUCCIÓN DE SEÑALES CON MAXIMA 55

tt:makelist( (k)*a , k,0,NN-1);

x:makelist(f((k)*a),k,0,NN-1);
dis:makelist( [tt[k],x[k]], k,1,NN);
ll:length(x);

sum(x[n]*sin((%pi/a)*(t-(n-1)*a))/((%pi/a)*(t-(n-1)*a )),n,1,ll);
define(fr(t),%);

plot2d([[discrete,dis],fr(t),f(t)],[t,0,2], [style,points,lines,
lines],[y,-3,3],
[legend,"Muestras","Reconstrucción","Original"],
[gnuplot_pdf_term_command,
"set term pdfcairo color solid lw 2 size 15 cm, 15 cm font \",24\""],
[pdf_file, "C:/Users/PC/AppData/Local/Temp/recuperacion.pdf"],
[style,points,[lines,3.5],[lines,3.5]]);

3
Muestras
Reconstrucción
2
Original

-1

-2

-3
0 0.2 0.4 0.6 0.8 1
t

Figura 4.10: Recuperación de nuestra señal a partir de sus muestras.

56 CAPÍTULO 4. PROGRAMAS

4.7. Reconstrucción de señales con Octave

Realizamos un programa similar al anterior, pero esta vez usando Octave:
Vamos a reconstruir x(t) = 2 cos(10πt) :

T=0.1;
f=5;

no=0:0.0001:1;
xo=cos(2*pi*f*no);

n=(0:T:1)’;
xs=cos(2*pi*f*n);
t=linspace(0,1,1/0.0001)’;
ya=sinc((1/T)*t(:,ones(size(n)))-(1/T)*n(:,ones(size(t)))’)*xs;

plot(n,xs,’or’,t,ya,’r’,no,xo,’b’);grid;
legend(’Muestras’,’Reconstruida’,’Original’);
xlabel(’Tiempo’);
axis([0 1 -1.9 1.9]);

Figura 4.11: Recuperación de nuestra señal a partir de sus muestras.

4.7. RECONSTRUCCIÓN DE SEÑALES CON OCTAVE 57

Por último, vamos a realizar un ejemplo más complejo con nuestro pro-
grama en Octave. Para ello, sea x(t) = cos(2πt) + sin(68πt) − cos(5πt).

T=0.01;
f=1;
no=0:0.0001:10;
xo=cos(2*pi*f*no)+sin(34*pi*2*f*no)-cos(5*pi*f*no);

n=(0:T:1)’;
xs=cos(2*pi*f*n) +sin(34*pi*2*f*n)-cos(5*pi*f*n);
t=linspace(0,1,1/0.0001)’;
ya=sinc((1/T)*t(:,ones(size(n)))-(1/T)*n(:,ones(size(t)))’)*xs;

plot(n,xs,’or’,t,ya,’r’,no,xo,’b’);grid;
legend(’Muestras’,’Reconstruida’,’Original’);
xlabel(’Tiempo’);
axis([0 1 -3.3 3.3]);

Figura 4.12: Recuperación de nuestra señal a partir de sus muestras.

58 CAPÍTULO 4. PROGRAMAS

4.8. Aliasing
Vamos a ver algunos ejemplos más del fenómeno del aliasing.
Como hemos estudiado en el apartado anterior, este fenómeno aparece
cuando nuestra frecuencia de muestreo no verifica la condición impuesta por
el teorema de muestreo, es decir, cuando no se verifica que νs = 1/a ≥ 2B.
Veamos un ejemplo. En el programa 4.8, si a = 1 vemos que:

3
Muestras
Reconstrucción
2
Original

-1

-2

-3
0 0.5 1 1.5 2
t

Figura 4.13: Error al recuperar la señal original.

Observamos la gran importancia de la tomar nuestras muestras de forma

“adecuada”, ya que de lo contrario obtenemos una señal totalmente distinta
a la original:
4.8. ALIASING 59

T=0.1;
f=8;

no=0:0.0001:1;
xo=cos(2*pi*f*no);

n=(0:T:1)’;
xs=cos(2*pi*f*n);
t=linspace(0,1,1/0.0001)’;
ya=sinc((1/T)*t(:,ones(size(n)))-(1/T)*n(:,ones(size(t)))’)*xs;

plot(n,xs,’or’,t,ya,’r’,no,xo,’b’);grid;
legend(’Muestras’,’Reconstruida’,’Original’);
xlabel(’Tiempo’);
axis([0 1 -1.9 1.9]);

Figura 4.14: Error al recuperar la señal original.

60 CAPÍTULO 4. PROGRAMAS

T=0.1;
f=1;
no=0:0.0001:10;
xo=cos(2*pi*f*no)+sin(34*pi*2*f*no)-cos(5*pi*f*no);

n=(0:T:1)’;
xs=cos(2*pi*f*n) +sin(34*pi*2*f*n)-cos(5*pi*f*n);
t=linspace(0,1,1/0.0001)’;
ya=sinc((1/T)*t(:,ones(size(n)))-(1/T)*n(:,ones(size(t)))’)*xs;

plot(n,xs,’or’,t,ya,’r’,no,xo,’b’);grid;
legend(’Muestras’,’Reconstruida’,’Original’);
xlabel(’Tiempo’);
axis([0 1 -3.3 3.3]);

Figura 4.15: Error al recuperar la señal original.

4.9. LISTA DE PROGRAMAS 61

4.9. Lista de programas

Para finalizar el trabajo, damos una breve lista con los programas más sig-
nificativos para todos aquellos que deseen descargarlos. El enlace de descarga
es el siguiente: http://euler.us.es/~renato/clases/tfg/jgf/.

aliasing414: Aliasing producido en 4.14.

aliasing415: Aliasing de la figura 4.15.

aliasingfigura413: Aliasing programado con Maxima en 4.13.

espectroctave45: Cálculo del espectro de una señal, figura 4.5.

espectrorecuperacion47: Cálculo del espectro de una señal con la idea de

encontrar la frecuencia de Nyquist, y ası́ poder reconstruirla, lo vemos
en 4.7.

espectrorecuperacion49: Buscamos nuevamente encontrar la frecuencia

de Nyquist, y ası́ poder reconstruir nuestra señal original, esta vez te-
nemos dos armónicos como apreciamos en 4.9.

espectroruido46: Espectro de una señal con ruido 4.6.

gaussianafigura22: Gaussiana y su transformada de Fourier, figura 2.2.

recuperacion48: Recuperación de una señal a partir de sus muestras,

como vemos en 4.8.

recuperacion410: Recuperación de una señal con dos armónicos a partir

de sus muestras, 4.10.

recuperacionoctave411: Recuperación de una señal utilizando Octave,

en este caso ejemplo 4.11.

recuperacionoctave412: Recuperación de una señal que posee tres armóni-

cos 4.12.
62 CAPÍTULO 4. PROGRAMAS
Bibliografı́a

[1] Renato Álvarez Nodarse. Introducción al Maxima CAS con algunas

aplicaciones. Universidad de Sevilla, 2018.
http://euler.us.es/~renato/clases/maxima/manualcurso/
intro-maxima.pdf.

[2] Renato Álvarez Nodarse. Polinomios hipergeométricos y q-polinomios.

Monografı́as del Seminario Matemático Garcı́a de Galdeano, número 26.
Prensas Universitarias de Zaragoza, 2003.

[3] J. Duoandikoetxea. Lecciones sobre las series y transformadas de

Fourier. UNAM-Mangua, 2003.
http://www.ugr.es/~acanada/docencia/matematicas/
analisisdefourier/Duoandikoetxeafourier.pdf.

[4] José Antonio Facenda Aguirre y Francisco José Freniche Ibáñez. Inte-
gración de funciones de varias variables. PIRÁMIDE, 2002.

[5] Deguang Han, Keri Kornelson, David Larson, Eric Weber. Frames for
Undergraduates. American Mathematical Society, 2007.

[6] Jesús Hernández Alonso. 200 años de convergencia de las se-

ries de Fourier. La Gaceta de la RSME, Vol. 10.3, 2007.
http://personales.unican.es/lafernandez/200a%C3%B1os_
convergencia_series_Fourier.pdf.

[7] Robert J. Marks. Handbook of Fourier Analysis and Its Applications.

Oxford University, 2009.

[8] Richard James Martin. Irregularly Sampled Signals: Theories and Tech-
niques for Analysis. University College London, 1998.
64 BIBLIOGRAFÍA

[9] Athanasios Papoulis. Signal Analysis. McGraw-Hill Companies City,

1977.

[10] José Marı́a Valiente Cifuentes. Manual de iniciación a GNU Octave.

E.U. Politécnica de Teruel, 2006.
http://softlibre.unizar.es/manuales/aplicaciones/octave/
manual_octave.pdf.