Multiplicar la matriz de Fourier por una senal cuesta N al cuadrado operaciones; la FFT lo baja a N log N. Esa diferencia es la que convirtio a la transformada discreta de Fourier (DFT) en la operacion que sostiene el audio, la imagen y buena parte de la IA moderna. Eli Bendersky acaba de publicar una nota que recorre el camino completo: de la formula a la matriz, y de la matriz a codigo que corre en Python.
DFT: que es y por que no basta con la DTFT
Una secuencia de N muestras se convierte en N coeficientes de frecuencia. Eso es, en una linea, la DFT: toma una lista finita de numeros (muestras de audio, pixeles, lecturas de un sensor) y la descompone en las sinusoides que la reconstruyen, segun la guia tecnica de Wray Castle.
El problema que resuelve es concreto. La transformada de Fourier de tiempo discreto (DTFT) describe la senal como una funcion continua de la frecuencia, y eso no se puede calcular ni almacenar en una computadora: habria que evaluarla en infinitos puntos. La DFT hace una apuesta pragmatica: asumir que las N muestras son un periodo de una senal periodica y usar los coeficientes de la serie de Fourier de tiempo discreto (DTFS). El resultado son N valores complejos, cada uno con magnitud y fase.
Leíste lo que hace la IA. ¿Y en tu negocio?
Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →Bendersky senala ademas una relacion que conviene tener presente: la DFT son muestras equiespaciadas de la DTFT. No es una transformada distinta, es la misma informacion discretizada para que una maquina pueda procesarla.
Como se calcula la DFT en Python
El post incluye una implementacion directa de la formula: para cada indice de frecuencia k se construye un vector de pesos con exponenciales complejas y se multiplica por la senal. Es la traduccion literal de la ecuacion a codigo, y sirve para entender que pasa por dentro.
Despues viene la parte que mas valor tiene para quien programa: la interpretacion con algebra lineal. Las potencias de las raices de la unidad forman una base ortogonal, y con ellas se construye la matriz de Fourier (o matriz DFT). Calcular la DFT es multiplicar esa matriz por el vector de la senal. Bendersky muestra ambas versiones en Python y confirma que devuelven los mismos numeros.
La consecuencia practica es la inversa: como la matriz es cuadrada y ortogonal, tiene inversa, y multiplicar por su conjugada reconstruye la senal original. Esa es la transformada inversa (IDFT), y el post la deriva por dos caminos distintos (desde la formula de reconstruccion de la DTFS y desde la matriz) y llega al mismo resultado.
Por que la FFT es uno de los algoritmos mas importantes del siglo XX
Multiplicar la matriz de Fourier por el vector cuesta N al cuadrado operaciones. Para senales grandes eso es inviable en tiempo real. La transformada rapida de Fourier (FFT) explota la estructura de la matriz y baja el costo a N log N, segun el repaso historico que publico i-programmer.
Ese salto no es un detalle de eficiencia: es lo que hizo posible el procesamiento de senales tal como lo conocemos. El mismo medio recuerda que el algoritmo de Cooley y Tukey se publico en 1965 y que hay quien sostiene que Gauss ya lo habia descrito en 1805, sin que nadie le prestara atencion. La FFT abrio el camino a la compresion de audio, imagen y video, y a buena parte de las tecnicas de IA que dependen de analisis espectral.
La historia no termino ahi. En 2012, un grupo del MIT presento un algoritmo para espectros dispersos (cuando solo k frecuencias son relevantes) que corre en tiempo proporcional a k log N, segun i-programmer. La idea: si la mayoria de los coeficientes son cero, no tiene sentido calcularlos todos.
Que es la fuga espectral y como se evita
El post cierra con un apendice que vale mas que muchos tutoriales. Si tomas solo una parte del ciclo de una senal y la repites periodicamente, los extremos no coinciden y aparece un salto. La DFT se puede calcular igual, pero las frecuencias reales de la senal ya no coinciden con las bins de la transformada y su energia se reparte entre varias: eso es fuga espectral (spectral leakage).
La distincion clave: si solo necesitas reconstruir la senal, la fuga no molesta. Si haces analisis de frecuencia, distorsiona el resultado porque agrega componentes que no existian en la senal original. La solucion estandar en produccion es aplicar funciones de ventana (Hamming, Hanning) que atenuan la senal cerca de los bordes antes de calcular la DFT, segun Wray Castle.
Donde se usa la DFT en productos reales
- Telecomunicaciones: modulacion y demodulacion de senales para transmitir datos por distintos canales, segun Wray Castle.
- Audio: ecualizacion, reduccion de ruido, compresion y sintesis; tambien reconocimiento de patrones de voz.
- Imagen: filtrado y reconstruccion, con impacto directo en resonancia magnetica y tomografias computarizadas. La compresion JPEG explota un principio similar.
- Hardware: el resumen tematico de Nature Index describe arquitecturas dedicadas (pipelines, arrays sistolicos, FPGA, GPU) para acelerar FFT en comunicaciones inalambricas, imagen en tiempo real, radar e instrumentacion cientifica.
Que significa esto para tu startup
No necesitas derivar la matriz de Fourier para usar todo esto. Pero si necesitas saber cuando la DFT es la herramienta correcta y cuando te va a mentir.
Accion 1: usa la libreria, pero entiende la salida. numpy.fft.fft() resuelve el calculo en una linea. El problema no es calcular: es interpretar. La salida son numeros complejos y, si tu senal es real, las magnitudes de las frecuencias negativas replican las positivas con fase opuesta. Si no lo sabes, vas a leer el doble de frecuencias de las que existen.
Accion 2: aplica una ventana antes de analizar. Si procesas segmentos de audio, vibracion de sensores o telemetria que no empiezan y terminan en cero, una ventana de Hann o Hamming reduce la fuga espectral. Es una linea de codigo y evita conclusiones falsas sobre que frecuencias estan presentes.
Accion 3: revisa tu frecuencia de muestreo. Wray Castle advierte que un muestreo inadecuado produce aliasing y distorsiona el analisis. El teorema de Nyquist no es teoria: si muestreas por debajo del doble de la frecuencia maxima de interes, esa informacion se pierde y no se recupera con ningun algoritmo.
Accion 4: si tu espectro es disperso, no calcules todo. Para senales donde solo unas pocas frecuencias importan, los algoritmos de FFT dispersa que reporto i-programmer apuntan a un costo proporcional a k log N. Vale la pena revisar si tu caso de uso encaja antes de escalar hardware.
Conclusion
La nota de Bendersky hace algo poco comun: conecta la formula con la matriz, la matriz con la inversa y todo eso con codigo que corre. Para un founder tecnico, el valor no esta en memorizar la ecuacion sino en entender tres cosas: que la DFT asume periodicidad, que la FFT es lo que la hace viable en tiempo real, y que la fuga espectral es el error silencioso que arruina analisis de frecuencia mal planteados. La matematica ya esta resuelta y empaquetada en librerias. El juicio sobre cuando aplicarla sigue siendo tuyo.
Fuentes
- Notes on the discrete Fourier transform (DFT) (fuente original)
- A Faster Fourier Transform – i-programmer
- FFT Processor Architectures and Signal Processing Efficiency – Nature Index
- Una guia para principiantes sobre la transformada de Fourier discreta – Wray Castle
Leíste lo que hace la IA. ¿Y en tu negocio?
Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →











