Cambiar tiempo por frecuencia sin perder la señal
La transformada de Fourier describe una señal como combinación de oscilaciones de distintas frecuencias, amplitudes y fases. En el dominio temporal vemos cómo cambia un sonido o una medición; en el dominio frecuencial vemos qué ritmos contiene. No rompe físicamente la señal ni afirma que esté fabricada con ondas separadas: cambia la representación matemática. Una nota musical casi nunca es una sinusoide pura; su espectro muestra frecuencia fundamental y armónicos que contribuyen al timbre. Si se conservan amplitudes y fases, la transformada inversa reconstruye la señal. Esta reversibilidad hace que analizar, filtrar y comprimir puedan formularse como operaciones sobre frecuencias.
Las series de Fourier representan funciones periódicas mediante frecuencias discretas. La transformada extiende la idea a señales no periódicas, cuyo espectro puede ser continuo. En datos digitales aparece una versión finita.
Qué cuenta cada punto del espectro
Para cada frecuencia, la transformada produce un número complejo. Su magnitud indica cuánto contribuye esa oscilación y su ángulo representa fase, es decir, cómo está desplazada. Dos señales pueden compartir magnitudes y sonar o verse diferentes si cambian las fases. Mostrar solo un gráfico de potencia es útil para detectar ritmos, pero no contiene toda la información necesaria para reconstruir.
Las frecuencias positivas y negativas surgen de usar exponenciales complejas y codifican rotaciones opuestas; en señales reales guardan una simetría. La componente de frecuencia cero es el valor medio. Normalización, unidades y convención del signo varían entre libros y programas. Comparar resultados exige comprobar esos detalles antes de atribuir una diferencia al fenómeno.
De muestras finitas a un algoritmo rápido
La transformada discreta de Fourier, DFT, toma N muestras y devuelve N coeficientes. Matemáticamente trata el bloque como un periodo que se repite. Calcular cada coeficiente directamente requiere un trabajo proporcional a N². La transformada rápida, FFT, no es otra transformada: es una familia de algoritmos que aprovecha simetrías para obtener la misma DFT en aproximadamente N log N operaciones.
Esa mejora hizo posible analizar audio, imágenes y comunicaciones en tiempo real. El algoritmo clásico de Cooley y Tukey popularizado en 1965 factoriza el tamaño en subproblemas, aunque ideas equivalentes son anteriores. Las bibliotecas modernas eligen variantes según longitud y hardware. «Aplicar una FFT» no decide muestreo, ventana ni interpretación; solo acelera el cálculo elegido.
La frecuencia que parece otra por medir demasiado despacio
Una señal continua debe muestrearse. Si contiene frecuencias por encima de la mitad de la tasa de muestreo, pueden aparecer como frecuencias más bajas: aliasing. Un filtro analógico previo limita el contenido y evita esa confusión. Aumentar puntos después de registrar no recupera información que ya se plegó. La tasa adecuada depende de la banda, no solo de cuánto dura la grabación.
Observar un tiempo finito también limita resolución: distinguir frecuencias muy cercanas exige una ventana más larga. Si el bloque no contiene un número entero de ciclos, los extremos no encajan al repetirse y la energía se reparte entre coeficientes, fenómeno de fuga espectral. Ventanas como Hann suavizan bordes y reducen fugas a cambio de ensanchar picos. No hay ventana óptima para todas las preguntas.
Un espectro global no dice cuándo ocurrió cada sonido
La transformada de una grabación completa revela frecuencias presentes, pero pierde su localización temporal. Una palmada al inicio y otra al final pueden contribuir al mismo espectro. La transformada de tiempo corto divide la señal en ventanas solapadas y produce un espectrograma. Ventanas cortas localizan mejor el momento y distinguen peor frecuencias; las largas hacen lo contrario.
Este compromiso no es un defecto del programa, sino una limitación matemática de localizar simultáneamente tiempo y frecuencia. Ondículas usan funciones de duración variable y resultan útiles para transitorios y escalas múltiples. Elegir representación depende de si buscamos una nota estable, un chasquido, una tendencia o una estructura espacial.
Del ecualizador a la resonancia magnética
En audio, multiplicar bandas permite ecualizar y eliminar zumbidos; en telecomunicaciones, separar portadoras sostiene modulación multicanal; en imagen, frecuencias espaciales describen cambios suaves y bordes. La resonancia magnética adquiere datos en un espacio de frecuencias espaciales y reconstruye cortes mediante Fourier. Compresión como JPEG emplea una transformada coseno relacionada para concentrar energía, no una FFT directa de toda la foto.
Fourier funciona especialmente bien con sistemas lineales y señales aproximadamente estacionarias. Un pico espectral no identifica por sí solo su causa, y filtrar puede crear oscilaciones o borrar eventos reales. La transformada revela estructura que el dominio original oculta, pero la interpretación necesita conocer instrumento y proceso. Su poder procede de cambiar una pregunta difícil —cómo se mezcla una señal— por otra más manejable: qué frecuencias contiene y cómo se relacionan.
La resolución en frecuencia depende de cuánto tiempo se observa. Una ventana larga distingue tonos cercanos, pero localiza peor un cambio repentino; una corta sigue mejor el tiempo y separa menos frecuencias. Esta tensión no es un defecto del programa. La teoría espectral formaliza cómo operadores y señales reparten su contenido, mientras las ventanas permiten escoger el compromiso adecuado para voz, vibraciones o radar.
Aplicar una ventana rectangular equivale a cortar la señal de golpe y puede repartir energía por frecuencias vecinas, fenómeno llamado fuga espectral. Ventanas Hann, Hamming u otras reducen bordes a costa de ensanchar picos. Por eso un espectro siempre refleja señal, duración y método. Antes de interpretar una línea como componente física conviene repetir el análisis con otras ventanas, revisar calibración y estimar el nivel de ruido.
