TRABAJO FINAL DE MATEMTICAS APLICADA IMPLEMENTACIN DEL ANLISIS DE FOURIER EN LA VIDA COTIDIANA TUTOR: ING.

PEDRO SEGOVIA ALUMNO: GEOVANNY ALBERTO SUREZ

RESEA HISTRICA
La historia del anlisis de Fourier tiene ms de 200 aos. Sus orgenes principian unos 60 aos antes del momento en que Jean Baptiste Joseph Fourier present la primera versin de su trabajo sobre la teora de la conduccin del calor a la Academia de Pars (1807). El ao 1750 es un buen punto de partida: Fernando VI era rey de Espaa, y Jorge II de Inglaterra; las colonias de Amrica del norte estaban en medio de las guerras con los nativos y los franceses; unos aos despus Carlos III creaba el virreynato del Ro de la Plata (1776). Voltaire, Rousseau y Kant estaban escribiendo sus libros en Europa; Bach acababa de morir, y Mozart estaba pronto a nacer; y el clculo de Leibnitz y Newton, publicado 75 aos antes, estaba permitiendo la creacin de poderosas nuevas teoras sobre la mecnica celeste y la mecnica del continuo. En ese momento los esfuerzos de los fsicos y matemticos se concentraban en dos problemas principales, que sentaran las bases de lo que posteriormente se conocera como anlisis de Fourier: El problema de la cuerda vibrante o la propagacin del sonido en un medio elstico; La determinacin de las rbitas de los planetas a partir de mediciones. Hoy en da es difcil exagerar la importancia prctica del anlisis de Fourier discreto y esto no es una novedad. En [Str86], escrito hace ms de 25 aos, leemos: We come now to reality. The truth is that the digital computer has totally defeated the analog computer. The input is a sequence of numbers and not a continuous function. The output is another sequence of numbers, whether it comes from a

digital filter or a finite element stress analysis or an image processor. The question is whether the special ideas of Fourier analysis still have a part to play, and the answer is absolutely yes. The discrete Fourier transform takes n numbers f0; : : : ; fn1 into n coefficients c0; : : : ; cn1, and the patterns that are hidden in f stand out more distinctly in c. Aqu vamos a ver algunas de las aplicaciones sin ms propsito que ilustrar que el anlisis de Fourier discreto tiene una fuerte motivacin prctica. Comencemos con unas consideraciones sencillas acerca de filtros lineales. Matemticamente no son ms que convoluciones y su importancia radica en la propiedad bsica que se cumple tanto en R como en grupos abelianos finitos (vase (1.12) y el Teorema 1.3.2) F=f g ) b F = b fbg:

La utilidad prctica es que en teora de la seal uno quiere habitualmente actuar sobre las frecuencias (por ejemplo para eliminar ruido o crear algunos efectos o reducir el ancho de banda) y la relacin anterior dice que actuar sobre las frecuencias es lo mismo que convolver la seal. Muchos matemticos tericos posiblemente se sorprenderan de la cantidad de libros de texto para ingenieros basados en esta frmula que estudian mil y una formas de disear e implementar convoluciones tiles. En el caso de ZN una seal es lo mismo que un vector x 2 CN. Si lo convolvemos con otro vector y que slo tiene las K primeras coordenadas no nulas, las coordenadas

de la convolucin sern: (1.37) ( x K1 k=0 ykxnk donde hay que entender nk mdulo N, aunque en algunas aplicaciones conviene definir xnk = 0 si n K1). En y)n =

teora de la seal esto es lo que se llama un FIR (del ingls Finite Impulse Response). Un n que una seal suave satisface f(n) ( f(n1)+f(n+1) ) =2 y por tanto el resultado de aplicar este filtro debe ser cero excepto en los puntos donde hay un problema. Matemticamente, se tiene lm h!0 g n 2; 1). La idea es

f(xh)2f(x)+f(x+h) h2 = x h!0 f(x2h)4f(xh)+6f(x)4f(x+h)+f(x+2h) h4 = f(4)(x); por tanto seguramente (1;4; 6;4; 1) es un filtro ms sensible para detectar faltas de regularidad. Con la funcin g(x) = x en [0; 1=4), g(x) = x en x 2 [1=4; 1=2) y g(x) = (1 x)2 en [1=2; 1], vemos que realmente estos filtros cumplen su cometido.

ng

del filtro y desde el punto de vista prctico no es un inconveniente porque hace ms notoria la falta de suavidad. El segundo filtro no parece dar ms informacin pero eso es debido a que el ejemplo es demasiado simple. Tomando g(x) = x(1 x)j sen(3x)j, ya notamos la diferencia:

La falta de regularidad es un enemigo fundamental para el xito del anlisis de Fourier, como vimos al introducir la transformada coseno discreta, por tanto detectar los puntos malos es interesante de por s. Sin embargo vamos a aplicar esta idea en unos ejemplos ms llamativos que posiblemente nos hayamos encontrado alguna vez sin saber la teora que escondan. Lo que hemos hecho en ZN tiene su traduccin inmediata a ZN ZM. Los filtros y las seales (las funciones) en ZN ZM los podemos ver como matrices. Un filtro (yjk)

transforma la matriz (xnm) haciendo que su elemento nm sea yjkxnj mk, es decir utilizando (1.37) en cada uno de los ndices. Consideremos los filtros dados por las matrices:

Para detectar faltas de regularidad en las horizontales podemos usar H, y Ht para las verticales, mientras que HV = H + Ht tiene en cuenta ambas direcciones. Si adems introducimos las direcciones oblicuas noreste y sudeste, el filtro natural es Ob. Una imagen en blanco y negro (se sobreentiende que en tonos de gris) de tamao N M viene representada por una funcin f : ZN ZM ! R (porque fR = fG = fB con la notacin de la introduccin). De hecho su imagen se representa con un solo byte, es decir, Im f = f0; 1; : : : ; 255g con 0 correspondiendo al negro y 255 al blanco.

Los filtros HV y Ob aplicados a una imagen f deberan detectar bordes, y lo confirman las siguientes figuras, donde se ha representado el resultado en negativo para que sea ms fcil visualizarlo (0 a blanco y 255 a negro). Para los valores de la convolucin fuera del rango [0; 255] hay que tomar una decisin, aqu se ha seguido la habitual de asignar 0 a los negativos y 255 a los que son mayores que ste.

El resultado parece poco denso y un poco aleatorio porque estos filtros detectan variaciones en un rango de 3 pixels, que es una unidad pequea (en un monitor tpicamente 0.75mm). E Ob g HV b j Ob nb n , HV Ob n b n E , n 66 C n n n b n HV

valores iguales.

L (negro

Ob

55

en el negativo). Para evitarlo, se ha dividido en la ltima figura el filtro por 8 y se ha bajado el umbral a 240. Con ello hemos conseguido imitar el efecto de transformar una foto en un dibujo a lpiz (vase una variante en [BB09, 4.4]). La mayor parte de los filtros de los programas de retoque fotogrfico estn basados en convoluciones. El formato ms difundido en la fotografa digital amateur es el formato JPEG. Estas siglas se refieren al comit que introdujo sus especificaciones (Joint Photographic Experts Group) pero ha quedado como nombre del propio formato. De nuevo consideraremos una imagen en blanco y negro (tonos de gris), representada por una funcin f : ZN ZM ! R cuya imagen est en realidad en f0; 1; : : : ; 255g. Por cierto, en las fotografas en color, el formato JPEG no trata cada uno de los canales fR, fG y fB por separado sino que hace un cambio simple de coordenadas [Sal02, p.145] porque los experimentos prueban que el ojo humano presenta distinta sensibilidad a los colores dependiendo de su brillo. Despus de este cambio de coordenadas todo es similar al caso de blanco y negro. El objetivo del formato es comprimir la foto perdiendo totalmente cierto nmero de coeficientes de Fourier y parte de la precisin en el resto. Es por ello un formato

de compresin con prdidas, eso explica por qu las carpetas repletas de ficheros .jpg apenas sufren cambios en su tamao cuando se les aplican programas de compresin y tambin por qu editar muchas veces una foto (abrir un JPEG y grabarlo como JPEG) reduce su calidad. Una foto tpica corresponde a una funcin f : ZN ZM ! R nada suave (hay cambios abruptos de color al pasar de un objeto a otro), por ello el anlisis de Fourier discreto se muestra poco til de cara a una aplicacin directa. Lo que se hace es descomponer la imagen N M en porciones de 8 8 pixels (si 8 N o si 8 M, se agranda artificialmente la imagen). Cada porcin 8 8 tendr asignada su funcin F : Z8 Z8 ! R y para una foto tpica la inmensa mayora de estas funciones F ser bastante suave, una gradacin de color, porque los cambios abruptos de color ocurren en una minora de los MN pixels de la imagen original (los contornos de los objetos son un conjunto unidimensional).

ANLISIS DE DATOS
La transformada de Fourier se puede utilizar para extraer la informacin clave subyacente en un conjunto de datos. En especial es util en estadstica para analizar las series de tiempo. Las series de tiempo son mediciones realizadas secuencialmente en el tiempo. Por ejemplo la lluvia que cae cada dia, el nmero de nacimientos cada da, etc.

En este contexto el anlisis de Fourier se utiliza para detectar ciclos o periodicidad en los datos. Por ejemplo que cada 4 meses cae la mxima cantidad de lluvia. Es importante tener en cuenta que para que el anlisis sea exitoso se debe muestrear una cantidad de datos suficiente de tal forma que en el conjunto de datos est presente al menos un ciclo completo. Anlisis de manchas solares. Las manchas solares son fenmenos temporales que ocurren sobre la super cie del sol (fotsfera) y son visibles desde la tierra como manchas oscuras que se mueven. Alteraciones magnticas ocasionan un cambio de temperatura en ciertas zonas que al ser observadas se identi can por ser mas oscuras. Desde la edad media se inici el registro del nmero de manchas por mes y su estudio se convirti en una necesidad para la vida moderna dado que existe una relacin directa entre el nmero de manchas solares y la aparicin de tormentas solares que afectan las comunicaciones en la tierra.

Realizando un anlisis de Fourier de los datos es posible encontrar cada cuantos

aos se presenta un mximo del nmero de manchas y de esta forma predecir las pocas de mayores tormentas solares. Con este n utilizamos Matlab, el cual como se coment anteriormente ya tiene implementado el algoritmo de la FFT y adems nos brinda herramientas para graficar y analizar informacin.[11] Entonces al graficar el nmero de manchas promedio por ao obtenemos esta imagen:

Extraccin de una componente sinusoidal incrustada en ruido. Es muy comn en ingeniera, particularmente en aplicaciones de comunicaciones,

obtener los datos de un sensor junto con ruido, y requerir aislar la seal original para extraer la informacin importante. Es decir dada una seal eliminar el ruido de esta. Esta tarea se puede realizar muy fcilmente con la transformada discreta de Fourier (DFT) puesto que se pueden obtener las frecuencias dominantes y de esta forma ltrar el ruido que puede estar inmerso en los datos. El sensor lo que generalmente hace es muestrear la informacin cada cierto intervalo de tiempo, y por lo tanto terminamos con n mediciones de la seal. Para este ejemplo supongamos que la seal original es: y = 0:2 sin(220t) + 0:4 sin(230t) Es decir una seal con dos frecuencias: 20 Hz, y 30 Hz con 0.2 y 0.4 de amplitud respectivamente. Supongamos que muestreamos la seal con una frecuencia de muestreo de 500 Hz. Si genereramos la seal por dos segundos entonces obtenemos 1000 muestras. Entonces el eje x lo generamos as: t=(0:1/500:2-(1/500));

Y al graficar obtenemos:

Para simular que la seal es transmitida por algn medio, agregamos ruido usando nmeros aleatorios normalmente distribuidos: y=0.2*sin(2*pi*20*t)+0.4*sin(2*pi*30*t)+randn(1,1000);

Y Generamos la grfica:

CONCLUSIONES
Conclusin 1. La invencin de las series de Fourier y su posterior desarrollo fu uno de los grandes hitos del siglo XIX. Tambin es uno de los grandes avances cient cos de la era moderna, dado que sus aplicaciones se han extendido hasta nuestros das y afectan muchos aspectos de nuestra vida diaria como por ejemplo el caso de las imgenes jpg. Conclusin 2. A pesar que las series de Fourier surgieron del mundo aplicado, su in uencia fu tal que propici avances importantsimos en el mundo puro. Como fu el caso del anlisis, teora de las funciones, etc. Entonces se puede concluir que el conocimiento matemtico tiene como una de sus principales inspiraciones a las aplicaciones concretas y por lo tanto estas no se deben desligar del estudio de las matemticas. Conclusin 3. Las series de Fourier permiten aproximar funciones y este es uno de sus principales usos. Puesto que facilita la solucin de ecuaciones diferenciales parciales. Conclusin 4. La importancia de la transformada de Fourier radica en que expresa la magnitud de cada coe ciente, lo que se puede interpretar como la relevancia de cada componente sinusoidal (o de cada frecuencia). Conclusin 5. Existen diferentes expresiones para la serie de Fourier: Compleja, ngulo fase, real, etc. Sin embargo todas representan el mismo concepto, solo se reescribe para facilitar ciertos clculos o para enfatizar conceptos. Este ltimo

aplica por ejemplo a la tranformada, puesto que es solo la reescritura del coe ciente de la integral de Fourier compleja. Conclusin 6. El utilizar nmeros complejos para la transformada tiene la ventaja de economia de expresin. Puesto que con un solo nmero se representa la amplitud y la fase de cada componente sinusoidal. Conclusin 7. El anlisis de Fourier es indicado para situaciones donde exista periodicidad de la informacin. Por ejemplo muchos fenmenos naturales siguen patrones regulares y en estos casos el anlisis de Fourier ha resultado ventajoso para procesamiento de las series de tiempo. Conclusin 8. Para campos como la ingeniera de sistemas es importante conocer los temas del anlisis de Fourier puesto que como se vi el formato JPG depende de la transformada. Y si en un futuro se quiere que el pas logre avances tcnicos, entonces los ingenieros deben estar en capacidad de dominar estas herramientas. Conclusin 9. En este trabajo se ha observado como la transformada de Fourier esta inmersa en muchos de las tecnologas que usamos en la vida diaria. Por ejemplo se puede encontrar en: comunicaciones, la compresin de video, compresin de sonido, radares, las imgenes jpg, al marcar los tonos de un telfono, cuando un mdico realiza una tomografa axial computarizada (TAC), en el reconocimiento de voz, etc. Entonces este es un buen ejemplo del por que las matemticas posteriores al lgebra elemental si se deben seguir estudiando y por que son importantes para la ingeniera.

BIBLIOGRAFIA
Kline, M., Mathematical.Thought from Ancient to Modern Times, Cap: 20, 22, 28. Oxford University Press, 1990 Bhatia, R. Fourier Series. Cap 1. The Mathematical Association of America, 2005 Bell, E. T. Los Grandes Matemticos Kamen, E. Heck, B. Fundamentos de seales y sistemas. Pearson Educacin. 2008 Neil. Matemticas Avanzadas para ingeniera. Thomson. 2006 J J O Connor and E F Robertson. The MacTutor History of Mathematics archive. http://www-history.mcs.st-andrews.ac.uk/ JOC/EFR. May 2000 Bloom eld, P. Fourier Analisys of Time Series: An Introduction. John Wiley & Sons, Inc. 2000 Kreyszig, E. Advanced Engineering Mathematics. John Wiley & Sons, Inc. 2006. Weeks, M. Digital signal processing. In nity Science Press LLC. 2007 Solar In uences Data Analysis Center. http://sidc.oma.be/. 2010 The MathWorks, Inc. Documentacin de Matlab. 2008 Hathaway, D. Solar Physics, MSFC Nasa. 2007.

http://solarscience.msfc.nasa.gov/feature1.shtml Gonzalez R., Woods, R. Digital Image Processing. Pearson/Prentice Hall. 2008