¿Por qué la FFT es el algoritmo más importante de la historia moderna?

Hay algoritmos que ordenan datos, otros deciden qué vídeo aparece después en una pantalla y unos pocos, muy pocos, han cambiado la frontera entre lo que un ordenador puede calcular y lo que sencillamente tardaría demasiado. La transformada rápida de Fourier, conocida por sus siglas inglesas FFT, pertenece a esa última categoría. Su importancia está en una idea aparentemente modesta: obtener la misma información que ofrecía la transformada discreta de Fourier, pero utilizando muchísimo menos trabajo computacional.

Esa aceleración hizo viable analizar sonidos, ondas de radio, imágenes médicas, señales sísmicas y comunicaciones digitales prácticamente en tiempo real. La FFT está detrás de buena parte del procesamiento digital de señales que usamos sin verlo: al hablar por teléfono, conectarnos a una red inalámbrica, escuchar audio digital o reconstruir determinados tipos de imágenes médicas. No es exagerado considerarla uno de los algoritmos más influyentes de la era informática; convertir esa apreciación en un indiscutible número uno ya es otra cosa.

Qué hace realmente la transformada rápida de Fourier

Para entender la FFT hay que empezar por Fourier. A comienzos del siglo XIX, el matemático francés Joseph Fourier desarrolló la idea de que una señal compleja podía estudiarse como combinación de oscilaciones más sencillas. Dicho sin bata blanca: un sonido que parece una única onda puede esconder muchas frecuencias distintas, igual que la luz blanca encierra varios colores.

La transformada de Fourier permite pasar de contemplar cómo cambia una señal con el tiempo a observar qué frecuencias contiene y con qué intensidad aparece cada una. Es como dejar de mirar directamente una orquesta para recibir, en otra hoja, cuánto aportan los violines, los contrabajos, las trompetas y cada instrumento al sonido conjunto.

Cuando trabajamos con ordenadores, las señales se representan mediante muestras numéricas. Ahí entra la transformada discreta de Fourier, o DFT. El problema histórico era que calcularla de la manera directa exigía una cantidad de operaciones que crecía aproximadamente como N², donde N es el número de muestras.

La FFT no cambia el resultado matemático. Cambia el camino para llegar a él.

De N² a N log N: la diferencia que lo cambió todo

El algoritmo reorganiza el cálculo aprovechando simetrías y repeticiones. En su variante clásica, divide un problema grande en otros más pequeños, resuelve esos fragmentos y los combina. Ese aparentemente sencillo “divide y vencerás” reduce el crecimiento del trabajo aproximadamente a N log N.

La diferencia parece un detalle hasta que los números engordan. Para 1.024 muestras, una operación directa escala alrededor del millón de cálculos elementales, mientras que una FFT se mueve en el orden de apenas unos diez mil. La comparación exacta depende de qué operaciones se cuenten y de la implementación utilizada, pero la magnitud del ahorro es brutal.

Con un millón de muestras, el contraste conceptual es todavía más gráfico: pasar de un orden de un billón de operaciones a unas pocas decenas de millones. De pronto, un cálculo que amenazaba con atascar una máquina deja de ser un muro.

La FFT no es exactamente una transformada distinta

Aquí aparece una confusión habitual. La FFT no sustituye matemáticamente a la transformada discreta de Fourier ni produce otra información. Es, más exactamente, una familia de algoritmos eficientes para calcular la DFT.

La variante más célebre es la asociada a James Cooley y John Tukey, aunque existen otras formulaciones y optimizaciones adaptadas al tamaño de los datos, al hardware y al problema concreto. Decir “hacer una FFT” se ha convertido, por comodidad, en una expresión cotidiana para referirse al cálculo rápido del espectro de una señal.

Cooley y Tukey: una revolución nacida durante la Guerra Fría

La historia moderna de la FFT conduce a Estados Unidos en los años 60 y a un asunto bastante menos doméstico que escuchar música con unos auriculares. En plena Guerra Fría existía un gran interés en distinguir mediante señales sísmicas un terremoto natural de una explosión nuclear subterránea.

John Tukey, matemático y estadístico de Princeton, trabajaba en métodos para acelerar el análisis de estas señales. Richard Garwin, físico vinculado a IBM, comprendió el potencial del planteamiento y ayudó a ponerle en contacto con James Cooley, especialista en cálculo numérico de la compañía.

Cooley programó el método y en 1964 se realizó en IBM una demostración práctica del sistema. Al año siguiente, ambos publicaron el célebre artículo An Algorithm for the Machine Calculation of Complex Fourier Series. El trabajo mostró cómo efectuar estos cálculos con una eficiencia que cambió las reglas del juego.

Más de seis décadas después, la importancia de aquella demostración sigue siendo reconocida. En 2025, el IEEE la incorporó a sus Milestones, distinción reservada a avances técnicos de especial trascendencia histórica. La paradoja es magnífica: una herramienta impulsada en parte por la necesidad de escuchar las vibraciones producidas por pruebas nucleares terminaría metida, de una forma u otra, en tecnologías de uso cotidiano.

Pero Cooley y Tukey tampoco crearon la idea desde un vacío absoluto.

Décadas después de su publicación se recuperaron trabajos que demostraban que Carl Friedrich Gauss había desarrollado a comienzos del siglo XIX procedimientos matemáticos equivalentes en aspectos esenciales. Probablemente hacia 1805, antes incluso de que Fourier publicara buena parte de la obra que acabaría llevando su nombre. Gauss no convirtió aquel procedimiento en la herramienta computacional universal que aparecería siglo y medio después. A veces la historia de la ciencia funciona así: una idea llega antes que la máquina que realmente la necesita.

Del wifi al 5G: el algoritmo escondido en las comunicaciones

Uno de los lugares donde la FFT resulta decisiva es el de las telecomunicaciones. Tecnologías inalámbricas modernas utilizan sistemas de transmisión que dividen la información entre múltiples frecuencias. Para manejar esos canales con rapidez hacen falta cálculos continuos de transformadas directas e inversas.

Ahí la FFT trabaja en silencio.

Sistemas basados en OFDM, una técnica de modulación empleada en distintas generaciones de wifi, 4G y 5G, pueden implementar de manera eficiente buena parte de ese procesamiento gracias a FFT e IFFT, su operación inversa. El teléfono no necesita conocer la biografía de Cooley ni de Tukey. Por suerte. Solo necesita repetir esos cálculos a enorme velocidad.

Algo parecido ocurre con el radar. Analizar cómo cambia la frecuencia de una señal reflejada permite extraer información sobre movimiento y velocidad mediante el efecto Doppler. En numerosos sistemas, las transformadas rápidas ayudan a convertir grandes cantidades de datos aparentemente caóticos en información aprovechable.

Lo mismo vale para sonar, radioastronomía, instrumentación científica y sismología. Cuando aparecen ondas y frecuencias, Fourier no suele andar demasiado lejos.

Música, imágenes y medicina: Fourier sale del laboratorio

En audio digital, mirar una señal por frecuencias permite detectar componentes concretos, diseñar filtros, ecualizar, reducir ruido o procesar sonidos. Muchos sistemas de producción musical y tratamiento de voz trabajan continuamente entre el dominio temporal y el de la frecuencia.

No significa que cada formato de audio o imagen ejecute exactamente la FFT clásica de Cooley-Tukey. Tecnologías de compresión conocidas utilizan también transformaciones emparentadas matemáticamente, como distintas variantes de la transformada discreta del coseno. La familia conceptual es la misma: cambiar la representación de los datos puede hacer mucho más sencillo analizarlos, filtrarlos o comprimirlos.

La imagen médica ofrece quizá un ejemplo todavía más revelador. En la resonancia magnética, los datos adquiridos por el equipo contienen información codificada en frecuencias espaciales. Las transformadas de Fourier y sus algoritmos rápidos desempeñan un papel fundamental para convertir esas mediciones en las imágenes anatómicas que finalmente observa el médico.

Y aquí se entiende por qué la velocidad importa tanto. La cuestión no era únicamente demostrar que una determinada reconstrucción podía hacerse matemáticamente. Había que conseguir que fuese computacionalmente razonable. Esa distancia, entre lo posible en una pizarra y lo utilizable en una máquina, es precisamente el territorio que conquistó la FFT.

Por qué algunos matemáticos la consideran el algoritmo más importante

No existe un campeonato oficial de algoritmos. Quicksort transformó la ordenación de datos; los algoritmos criptográficos sostienen la seguridad digital; los métodos de búsqueda cambiaron nuestra relación con la información y las redes neuronales han marcado la actual explosión de inteligencia artificial. Elegir uno como vencedor absoluto tiene algo de discusión de café para matemáticos.

Sin embargo, la candidatura de la FFT tiene argumentos poderosos. El matemático del MIT Gilbert Strang llegó a describirla como uno de los algoritmos más importantes de nuestro tiempo, precisamente por la cantidad de industrias que pudieron acelerar procesos gracias a ella.

Su verdadera grandeza no consiste en realizar una operación matemática desconocida, sino en demostrar que la forma de organizar un cálculo puede cambiar el mundo tanto como la fórmula original. La DFT ya existía. El golpe de genio fue encontrar una manera mucho más inteligente de calcularla.

Ese principio desborda incluso a Fourier. En informática, pasar de un algoritmo que escala mal a otro que crece lentamente puede representar la diferencia entre esperar segundos y esperar años. Más procesadores no siempre arreglan un mal método; a veces el salto decisivo no llega fabricando una máquina más musculosa, sino pensando mejor.

La matemática invisible que mantiene encendido el mundo digital

La FFT cumple más de seis décadas en su forma computacional moderna y no parece una reliquia. Sigue apareciendo en comunicaciones, ciencia, ingeniería, audio, radar y procesamiento de imágenes. Se ha optimizado para procesadores, chips especializados y arquitecturas cada vez más complejas, pero la intuición central permanece sorprendentemente intacta.

Quizá esa sea la mejor medida de su importancia. No vemos la FFT, del mismo modo que no vemos los protocolos que encaminan un mensaje por internet o los miles de operaciones que reconstruyen una imagen médica. Solo vemos que la llamada llega, la música suena, la señal se limpia y la imagen aparece.

Un algoritmo nacido para ahorrar operaciones terminó haciendo algo bastante mayor: ahorrar tiempo a las máquinas hasta convertir cálculos impracticables en tecnología cotidiana. En informática, esa diferencia no es un detalle. A veces es toda la revolución.