Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Introducción
Por mucho tiempo la Transformada de Fourier ha sido de las técnicas más útiles para
el análisis de frecuencia de una señal. La gran desventaja que esta transformada es que
sólo tiene resolución en frecuencia pero no tiene resolución en tiempo. Esto signi…ca que
podemos determinar todas las frecuencias presentes en una señal pero no podemos saber
donde ellas están presentes. Para tratar de resolver esta di…cultad, por muchas decadas
se han tratado de construir diferentes soluciones las cuales tratan de involucrar el tiempo
y las frecuencias al mismo tiempo.
1
colección de representaciones diremos que tenemos un análisis del multiresolution. En el
análisis ondicular no hablaremos de representaciones de la tiempo-frecuencia si no de rep-
resentaciones de escala de tiempo. la escala aquí se considera el inverso de la frecuencia,
porque el término frecuencia es reservada para la transformada de Fourier.
d2 s d2 s
m = ks o m + ks = 0:
dt2 dt2
d2 s k
+ w2 s = 0; w2 = :
dt2 m
La solución de esta ecuación es:
S = Asen(wt + ')
2
S es una función armónica de período T = .
w
jAj es la máxima elongación del punto M desde el origen.
1
T
= 2w es el número de oscilaciones en el intervalo de longitud @ unidades de tiempo.
Claramente w = 2 T1 . Si denotamos f0 = T1 tendriamos el número de ciclos en 1
unidad de tiempo. Si la unidad de tiempo es f0 . Las unidades de f0 serían ciclos poe
segundo (HZ Hertz).
2
Observemos que:
y = Asen(wx + ')
= A(senwx cos ' + sen' cos(wx))
= Asen' cos(wx) + A cos 'sen(wx)
= a cos(wx) + bsenwx
donde a = Asen ' y b = A cos ':
Esto muestra que la función f se puede descomponer en términos de cos(wx) y sen wx.
De esta descomposición podemos deducir que dado A; ' y w podemos hallar los coe…-
cientes a y b.
Dados a; b y w podemos hallar A y '.
Por ejemplo
p
2sen 3x + = 3 cos 3x + sen3x
3
p
a = 3; b = 1.
En general para un período T dado, podemos considerar los armónicos
2 k 2
'k (x) = ak cos x + bk sen kx
T T
k = 0; 1; 2; .
2 k
La frecuencia de 'k (x) es wk = T
y por lo tanto el período es:
2 2/ T T
Tk = = =
wk 2/ k
3
X
1
y = f (x) = a0 + 'k (x):
k=1
X
1
S(x) = fk (x)
k=1
4
Si la serie convergeP
par todo x 2 [a; b], entonces S(x) está de…nida para todo x 2 [a; b].
1
¿Puede una serie k=1 fk (x) = S(x) 8x 2 [a; b] ser integrada término a término? Es
decir tiene sentido decir que
Rb RbP
S(x)dx = a 1 f (x)dx
a P1 k=1Rb k
= k=1 a
fk (x)dx
No siempre es válido!! (dé un ejemplo).
Similarmente sucede con la diferenciación término a término.
No siempre se da que:
X
1
0
S (x) = fk0 (x);
k=1
i) S(x) es continua.
RbP P1 R b
ii) a 1 k=1 fk (x)dx = k=1 a fk (x)dx.
P1
Teorema 1.2 Si la serie P1 k=1 fk (x) = S(x) es convergente y si cada término fk es
0
diferenciable y al serie f
k=1 k (x) es uniformemente convergente en [a; b] entonces:
!0
X
1 X
1
0
S (x) = fk (x) = fk0 (x)
k=1 k=1
5
Puesto que
Z
R
sen (nx) sen (mx) dx = cos (nx) cos (mx) dx= 0 m 6= n:
Z
sen (nx) cos (mx) dx = 0 paratodo m; n
y además Z Z
2
sen x dx = cos2 x dx =
son ortonormales en [ ; ].
Supongamos que f es una función integrable periódica con periodo 2 tal que:
Z 1
a0
f (x) = + ak cos kx + bksen kx
2 k=1
Z
1
ak = f (x) cos (kx) dx
Z
1
bk = f (x) sen (kx) dx:
Ahora supongamos que nos dan una función f (x) de período 2 y queremos escribir
f (x) como una serie trigonométrica. Si esto fuera posible y se cumpliera las condiciones
de integralidad entonces los coe…cientes ak y bk k = 0; deberían ser dados por
las fórmulas halladas.
Examinaremos bajo qué condiciones la serie trigonométrica asociada a una función inte-
grable en [ ; ] y periódica con período 2 converge a f (x).
Consideremos f (x) integrable y periódica. Podemos asociar a f (x) la serie
a0 X
1
+ ak cos (kx) +bk sen (kx)
2 k=0
1
R
donde a0 = f (x)dx.
Z
1
ak = f (x) cos kx dx
6
Z
1
bk = f (x)sen (kx) dx
a0 X
1
f (x) + ak cos (kx) +bk sen (kx)
2 k=1
Teorema 1.3 Si una función f (x) de período 2 puede expresarse como una serie
trigonométrica la cual converge uniformemente en todo <, entonces esta serie es la serie
de Fourier de f .
a0 X
1
f (x) = + ak cos (kx) +bk sen (kx)
2 k=1
a0 X1
f (x) cos (nx) = cos (nx) + ak cos (kx) cos (nx) +bk sen (kx) cos (nx)
2 k=1
a0 X
n
Sm (x) = ak cos kx + bk senkx
2 k=1
jf (x) cos nx Sm (x) cos nxj = jf (x) Sm (x)jj cos nxj < jf (x) Sm (x)j <
8m M 8 x 2 [ ; ].
Luego la serie (*) es uniformente convergente y se puede integrar término a término y así
obtenemos los coe…cientes Ak y en forma similar procedemos con bk .
7
1.5 Funciones de cuadrado integrable desigualdad de Schawarz.
Diremos que f de…nida en [a; b] es cuadrado integrable si f (x) y f 2 (x) son integrables
en [a; b]. Cada función integrable y acotada es cuadrado integrable, y acotada es cuadrado
integrable, pero no sucede lo mismo si f (x) no es acotada. Por ejemplo si f (x) = p1x
es integrable en [0; 1] pero f 2 (x) = x1 no lo es. Luego p1x no es cuadrado integrable.
Si f y g son cuadrados integrables en [a; b] f g también lo es puesto que:
1
jf gj <= (f 2 + g 2 )
2
Además esto implica que una función cuadrado integrable siempre es absolutamente in-
tegrable. (Tome g 1).
Si consideramos la función f (x) + g(x) f; g cuadrado integrables tenemos que:
Z b
0 (f (x) + g(x))dx
a
Z b Z b Z b
2
= 2
f (x)dx + 2 f (x)g(x) + g 2 (x)dx C + 2B + A2 2
a a a
Rb Rb Rb
donde C = a fb2 (x)dx; B = a f (x)g(x)dx y, A = a g 2 (x)dx
Observemos que:
h( ) = A 2 + 2B + C 0 para todo 2 <.
Esto implica que h tiene a lo más una raíz real equivalente a decir que el descriminante
de la ecuación A 2 + 2B + C = 0
B 2 AC es negativo o igual a cero.
Esto es B 2 AC <= 0 ó B 2 <= AC o sea
Z b 2 Z b Z b
2
f (x)g(x) <= f (x) g 2 (x)dx
a a a
ó
Z b Z b 1=2 Z b 1=2
2 2
f (x)g(x) <= f (x)dx g (x)
a a a
Esta desigualdad se conoce como desigualdad de Schwarz.
Usando esta desigualdad se puede probar inmediatamente que (f + g) es cuadrado
integrable, puesto que
Z b Z b Z b Z b
2 2
(f + g) dx = f (x)dx + 2 f (x)g(x)dx + g 2 (x)dx
a a a a
8
Si f (x) es una función cuadrada integrable y consideramos
X
n
Sn (x) = b0 '0 (x) + b1 '1 (x) + + bn 'n (x) = bk 'k (x)
k=0
= jjf jj a2k
Claramente En tiene un mínimo cuando bk = ak .
En tiene un mínimo cuando los coe…cientes en la combinación lineal con los 'k son los
coe…cientes geenralizados de Fourier.
Si llamamos 4n este error mínimo tenemos que:
Rn P
4n = a (f (x)P ak 'k (x))2 dx
n
= jjf jj2 2
k=0 ak
Observemos:
1. Cuando n aumenta 4n disminuye.
Pn 2 2
2. Puesto que 4n 0 k=0 ak <= jjf jj para cualquier n.
P1 2
3. La serie k=0 ak es convergente por ser creciente la sucesión de sumas parciales
y además acotadas. De acuerdo a 2.
X
1
a2k <= jjf jj2
k=0
9
1.6 Sistemas completos.
Un sistema f'k g1
k=0 ortonormal es completo si para cualquier función cuadrado integrable
Z b X
1
2
jjf jj = f 2 (x)dx = a2k
a k=0
Rb
donde ak = a
f (x) 'k (x)dx.
La identidad
X
1
2
jjf jj = ak
k=0
se llama identidad de Parseval.
Teorema 1.4 Sean f y g cuadrado integrable para los cuales
P1
f (x) Pk=0 ak 'k (x) :
g(x) bk 'k (x)
donde la serie asociada a cada función es la serie de Fourier generalizada.
Si el sistema f'k g es completo, entonces
Z b X1
f (x)g(x) = ak b k
a k=0
P1 X
1
2 2
jjf jj = 2
k=0 ak ; jjgjj = b2k ;
k=0
P1 X
1
2 2
jjf + gjj = k=0 (ak + bk ) 2
; jjf gjj = (ak bk )2 :
k=0
10
Teorema 1.5 Una condición necesaria y su…ciente para el sistema f'k (x)g sea completo
es: Z b Xn
lim (f (x) ak 'k (x))2 = 0
n!1 a k=0
para cualquier función f (x) cuadrado integrable donde fak g son los coe…entes general-
izados de Fourier. Rb Pn
4n = a (f (x) ak 'k (x))2 dx
Demostración. Puesto que Rb 2 Pk=0
n 2
= a f (x) k=0 ak
f'k g es completo si y sólo si lim 4n = 0.
n!1
Diremos que f converge en media a la serie de Fourier si
Z b X
n
lim (f (x) ak 'k (N )2 dx = 0
n!1 a k=0
Pn
o equivalente si lim jjf k=0 ak 'k jj = 0.
n!1
11
Teorema 1.6 Si el sistema f'k g es completo, cad función cuadrado integrable es de-
terminado completamente (excepto por sus valores en un número …nito de puntos) por su
Serie de Fourier.
Teorema 1.8 Si f'k g es un sistema compelto y 'k son continuas y la Serie de Fourier
de la función continua f (x) es uniformemente convergente entonces la serie de la suma
es f (x).
P1 P1
Demostración.
P Sea f (x) k=0 ak 'k (x) y S(x) = k=0 ak 'k (x).
Por ser 'k ak 'k uniformemente convergente y cada 'k continua entonces S(x) es
continua y tiene la misma serie de Fourier que f por lo tanto
f (x) = S(x)
y
X
1
f (x) = ak 'k (x)
k=0
Teorema 1.9 Si f'k g es un sistema completo entonces la Serie de Fourier de cada fun-
ción cuadrado integrable puede ser integrada término a término sea que la serie converjao
no converja. P1
En otras palabras si k=0 ak 'k (x) entonces
Z x2 X
1 Z x2
f (x)dx = ak 'k (x)dx; x1 ; x2 2 [a; b]:
x1 k=0 x1
12
Z x2 X
n
<= f (x) ak 'k (x) dx
x1 k=0
0 11=2
Z b 1=2 Z b X
n 2
lim jjf Sn jj = 0
n!1
Entonces:
Z x2 X
1 Z x2
f (x)dx = ak 'k (xd x
x1 k=0 x1
donde Z Z
an = f (x) cos nx dx y bn = f (x)sen(nx) dx
.Puesto que la serie converge, el término general de la serie debe acercarse a cero cuando
n ! 1:
Esto es, Z Z
lim f (x) cos nxdx = lim f (x)sen(nx) = 0
n!1 n!1
13
donde los coe…cientes Cn son los llamados coe…cientes de Fourier de f
Si de…nimos
X
N
fM N (x) = Cn einx (3)
n= M
kf fM N k2 ! 0 (4)
cuando M; N ! 1:
En la representación de la ecuación (1) observamos lo siguiente:
1 X1
kf k22 = jCn j2 : (5)
2 n= 1
La función Wn = eix = cos x+isenx; llamada onda senusoidal es la única función requerida
para generar todas las funciones 2 periodicas cuadrado integrables. Para cualquier n
con un valor absoluto grande diremos que tiene un alto contenido de frecuencias y para
n pequeño la onda Wn tiene una frecuencia baja; así cada f 2 L2 (0; 2 ) se descompone
en ondas con frecuencias variadas.
14
2 Teorema de Muestreo
Un resultado de gran importancia, que inicialmente, fue descubierto por Cauchy en 1915,
pero que luego Shannon redescubrio realizando diversas aplicaciones en teoría de comu-
nicaciones, se conoce hoy en día como teoría de muestreo, donde se presenta un resultado
de gran importancia en diferentes áreas de la ciencia y tecnología, llamado teorema de
muestreo de shannon, el cual nos da condiciones de como reconstruir una señal que ha
sido previamente muestreada.
donde
Z
1 in w
Cn = fb(w)e dw:
2
Por otra parte, teniendo en cuenta la ecuación (1.0.2), tenemos:
Z
n 1 iwn
f (nT ) = f = fb(w)e dw
dw (9)
2
11
Adh, denota la adherencia de un conjunto y Sop, como el soporte de una función
15
Ahora comparando los coe…cientes Cn con la ecuación (1.0.5) tenemos que:
h1 Z iwn
i n
Cn = fb(w)e dw = f
2
Luego reemplazando este resultado en (1.0.3), obtenemos:
X n in w
fb(w) = f e
n2Z
Z
1
f (t) = fb(w)eiwt dw
2
Z !
1 X n in w
= f e eiwt dw
2 n2Z
Z
1 X n n
= f eiw(t )
dw
2 n2Z
1 X n eiw(t
n
)
= n f
(t ) n2Z
2i
X n sen( t n )
= f
n2Z
t n
Esta expresión de reconstrucción nos dice que cada muestra de la función esta multiplicada
por una función interpoladora o función muestreadora
sen (t nT )
sinc (t n ) =
(t nT
16
3 Transformada Discreta de Fourier (TDF)
De…namos el conjunto
Zn = f0; 1; 2; :::; N 1g
y de…namos el conjunto
X1
N
hf; gi = fn gn .
n=0
Podemos extender los vectores de C N = l2 (ZN ) periódicamente para todos los enteros
requiriendo que tenga periodo N de la siguiente manera:
um (k) = e2 imk=N
para k = 0; 1; ;N 1:
Observemos que
X1
N X1
N X1
N
2 imk=N 2 ijk=N
hum ; uj i = um (k)uj (k) = e e = e2 ik(m j)=N
:
k=0 k=0 k=0
17
Esto implica que hum ; uj i = 0; esto es um ?uj : Así fu0 ; u1 ; :::; uN 1 g es un conjunto or-
togonal en C N y por lo tanto son linealmente independientes y así el conjunto es una
N 2
base para
p C : Observemos que dado que hum ; um i = N entonces kum k = N o sea que
kum k = N . Es decir que el conjunto fv0 ; v1 ; :::; vN 1 g donde
1
vm = p um
N
X1
N
fbn = fk WNnk :
k=0
Observemos que
fbn = hf; um i para k = 0; 1; ;N 1:
Denotemos
fb = fb0 ; fb1 ; ; fbN 1 :
Así
Observemos que fb es un vector en C N : Por lo tanto la transformada discreta de Fourier
es un operador de…nido por
T DF : l2 (ZN ) ! l2 (ZN )
f ! fb
18
2. Periodicidad
Si f es una función periódica de periodo N , entonces su T DF , también es N -
periódica. Es decir, si fk+N = fk , entonces fbn+N = fbn
3. Desplazamiento en el tiempo
Sea f 2 CN una función N -periódica con n , r 2 Z; y g 2 CN tal que gn = fn+p ,
entonces
gbn = WN np fbn
Claramente Rd b 2 2
k f n = fn : El operador Rk : l (ZN ) ! l (ZN ) es llamado operador
de traslación.
19
4. Desplazamiento en la frecuencia
Si gn = fn WN np , entonces
gbn = fb(n p)
proof:
X1
N X1
N X1
N
= fbn p :
kp k(n p)
gbn = gk WNnk = fk W N WNnk = fk W N
k=0 k=0 k=0
20
Entonces, podemos escribir la transformada discreta de Fourier T DF como :
fb = MN f (11)
X1
N
(f g)n = fk gn k
k=0
proof
"N 1 #
X1
N X1
N X
\
(f g)n = (f g)k WNnk = f r gk r WNnk
k=0 k=0 r=0
"N 1 #
X1
N X
= fr gk r WNnk ; sustituyendo s=k r 7! k = r + s
r=0 k=0
"N 1 # "N 1 #
X1
N X X
= fr gs WNns WNnr = fr WNnr gbn ) = fbn gbn :
r=0 s=0 r=0
21
4 Transformada Rápida de Fourier (FFT)
A lo largo del estudio sobre la teoría de Fourier, nos podemos dar cuenta que el cálculo de
la Transformada Discreta de Fourier es una herramienta muy útil y de gran importancia
al momento de procesar señales. Pero también es cierto, que para obtener la sucesión con
los valores de la transformada de Fourier se necesitan muchos cálculos numéricos y esto
puede resultar muy complejo.
Uno de las gran ventajas que presenta la transformada discreta de Fourier (TDF), como
herramienta para el análisis espectral de señales, es que permite deni…r un método de
calculo de una manera rápida y e…ciente mediante un algoritmo desarrollado en 1946 por
Cooley y Tuckey, conocido hoy en día como Transformada rápida de Fourier (FFT) y es
un algoritmo muy utilizado en programas computacionales donde se aplica la TDF.
X1
N
fbn = fk WNnk ; para 0 k N 1 (14)
k=0
22
4.1 Algoritmo de la Transformada Rápida de Fourier (FFT)
Considerando el valor de N como una potencia entera de 2, es decir N = 2v , v 2 N. La
idea es considerar el cálculo de TDF separando la sucesión ffk gN 1
k=0 , en dos sucesiones de
N
2
puntos, formadas por los puntos pares e impares de fk .
Así la TDF de N puntos puede expresarse en términos de las TDF de las respectivas
funciones pares e impares
Así; para n = 0; 1; 2; :::N 1
X1
N X X
fbn = fk WNnk = fk WNnk + fk WNnk
k=0 k par k impar
Donde fb1 y fb2 son las T DF s de N=2 puntos de las funciones discretas f1 y f2 respectiva-
mente.
Además dado que fb1 y fb2 son periódicas de periodo N/2, es decir
n+N=2= n
WN
fb1 (n + N=2) = fb1 n y fb2 (n + N=2) = fb2 n y WN
N
fbn = fb1 n + WNn fb2 n ; 0 n (15)
2
fb(n + N=2) = fb1 n WNn fb2 n (16)
y de esta manera hallando fb1 y fb2 discretas, las combinamos junto con WNn para obtener
la T DF de N puntos
Dado que N es una potencia de 2, N=2 es par, luego se puede descomponer nuevamente
la sucesión de N=2 puntos en otras dos sucesiones de N=4 puntos, realizado así una nueva
etapa la cual, consiste en diezmar las funciones f1 y f2 obtenidas en la etapa anterior.
23
De esta manera, describimos este paso de la siguiente forma:
Donde los ffbijn g para i; j = 1; 2; 3 son las TDF de N=4 puntos de las funciones discretas
ffijn g.
Ganancia en el computo
2
Para la primera etapa podemos observar que el cálculo directo de fb1 requiere N2 mul-
tiplicaciones complejas, lo mismo sucede para el cálculo de fb2
Además, se requieren N2 multiplicaciones complejas más para calcular WNn fb2
2
Así para calculat la TDF fb con N puntos se requieren 2 N2 + N2 multiplicaciones
complejas. Denotaremos estas multiplicaciones por
2
N N
m(N ) = 2 + : (19)
2 2
En este primer procedimiento se da lugar a una reducción en el número de multiplica-
2
ciones de N 2 a N2 + N2 , que equivale aproximadamente a dividir por 2 el número de
multiplicaciones cuando el valor de N es grande
2
Para la segunda etapa, podemos observar que el cálculo de ffbijn g requiere de 4 N4 multi-
plicaciones, y por lo tanto el cálculo de fb1 y fb2 puede realizarse con N4 + N2 multiplicaciones
2
complejas.
24
Se necesitan así N2 multiplicaciones complejas mas para calcular fb a partir de fb1 y fb2 .
2
Consecuentemente, el número total de multiplicaciones necesarias es N4 + N , es decir, se
reduce otra vez por aproximadamente 2.
Este procedimiento, de diezmado se puede realizar una y otra vez hasta que las sucesiones
resultantes sean sucesiones de un solo punto. Podemos ver el ahorro en cálculos numéricos,
en la siguiente tabla; cuando el valor de N es muy grande es considerable, de aquí la
importancia de esta herramienta matemática para el cálculo de la TDF
El cálculo básico que se realiza en cada etapa, consiste en tomar dos numeros complejos,
por ejemplo, (x; y) multiplicar y por WNr , y sumar y restar el producto obtenido de x
para obtener los dos nuevos números complejos (X; Y ). Este cálculo básico, se denomina
mariposa, dado que el diagrama de ‡ujo recuerda una mariposa, ver …gura (3.1) [4].
En General, cada mariposa implica una multiplicación y dos sumas complejas. Para cada
N = 2v , tenemos N=2 mariposas por dada etapa del proceso del cálculo y lo2 N etapas. Por
lo tanto , como indicamos anteriormente, el número total de multiplicaciones complejas
es N2 log2 N y el de sumas complejas es N log2 N
m(2N ) = 2m(N ) + N
= 2N log2 N + N
N
= 2 log2 N + N log2 2
2
= N (logx N + log2 2)
= N log(2N )
Ver …gura
25
400
350
300
250
2N*N
200
150
100
(N/2)log2(N)
50
0
2 4 6 8 10 12 14 16 18 20
26
Ahora,
Vamos a eliminar todos los factores cuyos exponentes sean múltiplos de 2p . Así
(2p 1n
p 1 +2
p 2n
p 2 +:::+2n1 +n0 )(2p 1k
p 1 +2
p 2k
p 2 +:::+2k1 +k0 )
W2p
n 2p 1k (n +2k1 )2p 2k (n +2k1 +22 k2 )2p 3k
= W2po p 1
W2p o p 2
W2p o p 3
(2p 1n
p 1 +2
p 2n
p 2 +:::+2n1 +n0 )k0
W2p :
Por lo tanto
1 X
X 1 X
1 X
1
n 2p 1k
fbn = f (kp 1 ; kp 2 ; k1 ; k0 )W2po p 1
k0 =0 k1 =0 kp 2 =0 kp 1 =0
(2p 1n
p 1 +2
p 2n
p 2 +:::+2n1 +n0 )k0
W2p :
kp 1 =0
= f (0; kp 2 ; k1 ; k0 )
p 1
+f (1; kp 2 ; k1 ; k0 )W n0 2 :
kp 2 =0
27
y f (2) requiere 2p multiplicaciones complejas. Continuando en la misma forma tenemos
f (p) (n0 ; n1 ; n2 ; np 1 )
X 1
(2p 1n
p 1 +2
p 2n
p 2 +:::+2n1 +n0 )k0
= f (p 1) (n0 ; n1 ; n2 ; k0 )W2p
k0 =0
y
fb = f (p) :
Asì en el càlculo de fb se requieren p2p multiplicaciones complejas o sea N log2 N:
28
5 Ejemplos
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
10
0
0 50 100 150 200 250
Frequency
De…nición 6.1 Sea f una señal continua, de…nida en el espacio de las funciones cuadrado
integrables L2 (R) y 2 L2 (R) una función ventana, de…nimos la Transformada de Fourier
de corto tiempo o transformada de Fourier con ventana como:
29
Z 1
Fb ( ; w) = f (t) (t )e iw
dt (20)
1
Dada una función f 2 L2 (R), es posible reconstruir nuevamente la función original por
medio de la STFT de f , como:
Z 1Z 1
1
f (t) = Fb ( ; w) (t )e iwt d
k (t)k2 1 1
30
Como un ejemplo de una serie de Fourier consideremos f (x) = cos(2 pi 20t) +
cos (2 pi 50t) + cos (2 pi 100t) + cos (2 pi 200t) procesasada usando la transformada disc-
reta de Fourier.
31
1j1
En la …gura 1 podemos ver el análisis de Fourier de esta señal, las frecuencias de de 20,
50 100 y 200 Hz estan dadas para para todos los instantes de tiempo. En el espacio de
frecuencias tenemos una representación de dichas frecuencias como se puede ver en la
…gura 1.
Fourier solo muestra las componentes de frecuencia de la señal pero no establece ningún
vinculo con el tiempo, no se en que tiempo la señal cambia de frecuencia, ni mucho menos
en que tiempo ocurren las deltas.
La de…ciencia de la Transformada de Fourier fué observada por Dennis Gabor, quien
en 1946 introduce el concepto de TFV (Transformada de Fourier con Ventana) mediante
el uso de una función g (t b) ; esta transformada es de…nida como:
Z 1
1
S (!) = fg (b; !) = p f (t) g (t b) e i!t dt (21)
2 1
donde el parámetro b se usa para trasladar la ventana, con esta nueva transformada una
señal es examinada durante un intervalo corto de tiempo en el cual se extrae información
local de la transformada de Fourier de la señal.
32
Gabor usó la función Gaussiana
1 t2
g (t) = p e 4 ; >0 f ijo: (22)
2
como la ventana óptima para la localización de tiempo; para cada > 0; la Transformada
de Gabor de f 2 L2 (R) es de…nida por
Z 1
(Gb f ) (!) = f (t) g (t b) e i!t dt (23)
1
Z 1 Z 1 Z 1
i!t
(Gb f ) (!) db = f (t) g (t b) e dt db
1
Z11 1
Z 1
i!t
= f (t) e dt g (t b) db
1 1
como
Z 1 Z 1
g (t b) dt = g (x) = 1 (25)
1 1
concluimos que
33
Z 1
(Gb f ) (!) db = f^ (!) : (26)
1
34
en ambos dominios al mismo tiempo. De acuerdo con un análisis a diferentes resoluciones
es que se introduce el análisis Ondicular.
1 t b
a;b (t) = p (29)
a a
Apartir de la función madre se generan el resto de las funciones de la familia mediante
cambios de escala y traslaciones a;b (t) ; a > 0; b 2 R : El parámetro de escala a queda
asociado a un estrechamiento o estiramiento de la función madre. La función localizada
en el tiempo (t) su versión escalada a (t) es de…nida como:
1 t
a (t) = p (30)
a a
donde a 2 R y a > 0:
La función (29) es centrada o trasladada en b y dilatada por a; en el caso que tenga
soporte en [m; M ] tenemos que
t b
m M (31)
a
y
am t b aM (32)
por tanto
b + am t b + aM: (33)
Es decir, si a es pequeño la ventana se comprime y si a es grande la ventana se dilata,
también puede establecre una relación con las frecuencias presentes en una señal es por
ello la importancia de la escala a:
7 Relación Frecuencia-Escala
El hecho de que el análisis ondicular no nos presente una representación tiempo-frecuencia
de una señal no es una desventaja, por el contrario esto tiene su importancia, por medio
de los coe…cientes de las ondiculares podemos encontrar patrones de autosimilaridades o
estructuras fractales que no son posibles de hallar con el análisis de Fourier.
35
El escalamiento en una ondicular es simplemente la compresión o dilatación de ésta y se
denota con la letra “a” como se dijo anteriormente; observemos que para una sinusoidal
donde x (t) = sin !t; ! representa la frecuencia angular de la función, aquí ! = 2T que es
medida en rads
y la frecuencia f = 2! , T1 que se mide en ciclos
s
; donde T es el periodo.
En el análisis ondicular el factor de escala “a” es inverso a la frecuencia a = !1 ; de
esta manera podemos conocer las frecuencias presentes en una función o señal puesto
que las escalas altas representan las frecuencias bajas y las escalas bajas representan las
frecuencias altas.
De esta manera podemos localizar las componentes de altas frecuencias presentes en una
señal con gran detalle (zoom-in) en las escalas bajas y las componentes de bajas frecuencias
(escalas altas) que nos dan una idea global de la señal en forma de un (zoom-out), El
análisis de Fourier no nos ofreces esta posibilidad.
Nosotros vamos a suponer que la Ondicular (t) y la señal f (t) son funciones de variable
real puesto que podrían ser funciones de variable compleja; la función (t) debe oscilar
en el tiempo y estar bien localizada en el dominio temporal: Al oscilar la asemejaríamos
con una onda (en inglés “wave”) pero al estar acotada en el tiempo quedaría reducida a
una onda pequeña (en inglés “wavelet”).
El concepto de localización temporal lo expresaremos en la forma habitual de rápido
decaimiento hacia cero cuando la variable independiente t tiende al in…nito.
La idea de oscilación de la función se re…ere a que podemos escoger una función …nita con
valores tanto positivos como negativos que oscilen al rededor del eje x de manera que
Z 1
(t) dt = 0: (35)
1
Desde otro punto de vista la ondicular (t) puede interpretarse como un …ltro paso-banda
y la transformada ondicular como la convolución con un …ltro paso-banda dilatado con
la escala a, cuando a es grande la transformada ondicular detectará las componentes de
bajas frecuencias de la señal f (t) : Sin embargo si la escala a disminuye el soporte del
…ltro a (t) es más estrecho por lo que la transformada ondicular corresponderá a los
detalles más …nos de la señal f (t) :
La principal caracteristica del análisis ondicular radica en que permite conocer que fre-
cuencias componen la señal en un instante de tiempo determinado.
Observemos algunas caracteristicas de las ondiculares, para ello utilizaremos (??)
en la …gura 3, podemos observar en que tiempo ocurre cada frecuencia, cuando hay un
cambio de frecuencias en la señal y donde estan localizadas las deltas de Dirac.
De todo lo anterior podemos concluir que:
36
Presenta el espectro o contenido de frecuencias pero no hace ningún vínculo con los
tiempos correspondientes, ni el orden ( secuencias) en que se presentan.
El análisis ondicular es una técnica que con regiones variables que nos permite el uso de
intérvalos largos en el tiempo para obtener información de bajas frecuencias más exactas y
regiones más cortas donde obtenemos información de altas frecuencias, esta nueva trans-
formada es capaz de analizar ciertas señales no necesariamente continuas de tal forma que
responde de una manera precisa y satisfactoria.
De…nición 8.1 Una función 2 L2 (R) es llamada una wavelet si tiene promedio cero
en R;esto es Z 1
(t) dt = 0:
1
Lema 8.1 sea ' 2 L2 (R) una función n-veces diferenciable tal que '(n) 2 L2 (R) : En-
tonces
= '(n)
es una wavelet.
^ (w) = jwjn jb
'(w)j :
37
Entonces
2
Z 1 ^ (w)
1
C = p dw
2 1 jwj
Z
1 1
jwj2n jb
'(w)j2
= p dw
2 1 jwj
Z 1
1
= p jwj2n 1
'(w)j2 dw
jb
2 1
Z Z
1 1
2n 1 1
2 jwj2n jb
'(w)j2
= p jwj '(w)j dw + p
jb dw
2 1 2 jwj 1 jwj
1 2
= p (k'k2 + '(n) ) < 1:
2
Así es una wavelet.
Z
R1
Lema 8.2 Sea 0 6= L2 (R) \ L1 (R) tal que 1
(t) dt = 0 y jxj j (x)j dx < 1
R
para > 21 : Entonces cumple la condición de admisibilidad.
tenemos que ' es diferenciable casí en todos partes y '0 (x) = (x): Para x 0 tenemos
que
Z x
j'(x)j (1 + jtj) (1 + jtj) j (t)j dt
1
Z
1
(j1 + xj) j (x)j dx:
(1 + jxj) R
Z 1
Si x > 0, el promedio cero de implica que '(x) = (x)dx; por lo tanto la
x
desigualdad anterior se cumple para todo x 2 R; por lo tanto ' 2 L2 (R) : Aplicando el
lema anterior ' cumple la condición de admisibilidad.
Corolario 8.1 Para cada elemento 0 6= L2 (R) que tenga soporte compacto, las sigu-
ientes a…rmaciones son equivalentes:
38
2. La función cumple la condición de admisibilidad .
En particular Z
1
jxj j (x)j < 1 para todo > :
R 2
De acuerdo al lema anterior cumple la condición de admisibilidad .
-1
R1
Claramente L2 (R) ; 1 (t) dt = 0 y tiene soporte compacto en el intervalo [0; 1] :
es conocida como wavelet Haar en honor al matemático Hungaro Alfres Haar quien
estudio esta función en 1909. Observemos que la función es discontinua en los puntos
1
0; 2 ; 1: Dado que
w 2
b (w) = p1 sen 4 e i(w )=2
2 w=4
39
la condición de admisibilidad es
2
Z ^ (w) Z 4
1 1
8 1
sen w4
C =p dw = p < 1:
2 1 jwj 2 1 jwj3
Observemos que
d2 '(x) x2 =2
= (1 x2 )e 2 L2 (R):
x2
Por lo tanto si de…nimos
x2 =2
= (1 x2 )e ;
es una wavelet conocidad como sombrero mexicano.
Teorema 8.1 Sea una wavelet y ' una función acotada integrable entonces la convolu-
ción ' es una wavelet.
40
Demostración. Mostremos primero que ' 2 L2 (R):
Z 1 Z 1 Z 1 2
2
j '(x)j dx = (x t)'(t)dt dx
1 1 1
Z 1 Z 1 2
j (x t)j j'(t)j dx
1 1
Z 1 Z 1 2
= t)j j'(t)j1=2 j'(t)j1=2 dt dx
j (x
1 1
Z 1 Z 1 Z 1
2
j (x t)j j'(t)j dt j'(t)j dt dx
1 1 1
Z 1 Z 1Z 1
= j'(t)j dt j (x t)j2 j'(t)j dtdx
1 1 1
Z1 2 Z 1
= j'(t)j dt j (x t)j2 dx < 1;
1 1
R
Teorema 8.2 Sea A = 2 L2 (R) = 6= 0; tiene soporte compacto y R
(x)dx = 0 :
Entonces A es un conjunto denso en L2 (R) :
Demostración.
Teorema 8.3 Sea g 2 L2 (R) ; entonces gb(w) 2 L2 (R) : De…namos las funciones g
de…nidas por aquellas funciones cuya transformada de Fourier están dadas por
gb(w) jwj
gb (w) = :
0 jwj <
41
Claramente g (x) satisface la condición de admisibilidad puesto que
Z Z Z
1
jgb (w)j2 jgb (w)j2 1 1
dw = dw g (w)j2 < 1;
jb
1 jwj jwj jwj 1
1 t b
(a;b) t =p ; (a; b) 2 H; (37)
a a
donde es una función …ja, llamada wavelet madre, podemos expresar la transformada
ondicular continua como
(W f ) (a; b) = f; (a;b)
9.1 Linealidad
sean f; h 2 L2 (R) y ; escalares entonces
W ( f + h) = W f + W h: (38)
42
Demostración.
Z 1
1 t b
W ( f + h) (t) = ( f + h) (t) p dt
1 a a
Z 1 Z 1
1 ? t b 1 t b
= f (t) p dt + h (t) p dt
1 a a 1 a a
= W f + W h:
= W f (a; b t0 )
Si suponemos 0 > 1 entonces un átomo del espacio tiempo-frecuencia original del tamaño
a1 b1 se transformará en un nuevo átomo de dimensiones reducidas aa01 ab10 si debemos
43
mantener la norma de la transformación resulta que se ha producido un aumento de
energía contenida en los nuevos átomos con el cambio de escala (en forma cuadrática) de
allí el término dadb
a2
que encontraremos en la fórmula de reconstrucción.
(43)
9.4 Convolución
llamando
1 t
a (t) = p (46)
a a
tenemos Z 1
1 t b
f a (b) = f (t) p dt = W f (a; b) : (47)
1 a a
9.5 Isometria
Dada la wavelet entonces
kW f kL2 (H) = C kf k (48)
kW f k es la norma respecto a la medida db da
a2
44
Demostración.
Z Z 1 Z 1
2 da da
jW f (b; a)j db 2 = jW f (b; a)j2 db
H a 0 1 a2
Z 1 Z 1 2
e (b) db da
= f a
0 1 a2
Z 1 Z 1
da
2
= fb b a (!) d! 2
0 1 a
Z 1 Z 1
b (!) d! da :
2 2
= fb(!) a
0 1 a2
tenemos Z Z 1Z 1
da 2 2 da
2
jW f (b; a)j db 2 = fb(!) b (a!) d! (50)
H a 0 1 a
Z 1 Z 1 2 2 da
fb(!) b (a!) d! (51)
0 1 a
usandodo el cambio de variable s = a!; ds = !da obtenemos
Z 1 Z 1 2 da
Z 1 Z 1
2 2 2 ds !
fb(!) a b (a!) d! = fb(!) b (s) d!
1 0 a2 1 0 ! s
0 1
Z 1 2
Z 1 b (s)
2
= b
f (!) d! @ dsA
1 0 s
W : L2 (R) ! L2 (H)
(54)
f 7 ! W
45
Observación 9.2 Demostración. por tanto
Teorema 9.1 (Fórmula de Parseval) Sea 2 L2 (R) una ondicular admisible, en-
2
tonces para f 2 L (R) se obtiene
Z 1
1 da
hf; kiL2 (R) = W f (a; b) W k (a; b)db 2 (56)
C 1 a
Z 1 ^ (as)
2
1
C = p da < +1
2 1 a
da
integrando respecto a a2
y cambiando el orden de integración , así tenemos que
Z 1
f^ (w) gb (w) (57)
1
y por lo tanto
hW f; W gi = C hf; gi : (58)
46
Demostración. De…namos
Z 1 Z 1
1 db da
g (t) = W f (b; a) b;a (t) (60)
C 0 1 a2
puesto que
~ a f (b) = W f (b; a) ; 1 t
W a (t) = p (63)
a a
donde
Z 1 Z 1
1 t b ~ a f (b)
W f (b; a) p db = W a (t b)
1 a a 1
~ a f (b) ?
= W a (t) = f ? ~ a ? a (t)
de esta manera
~ af = f ? ~ a
W (65)
entonces
Z 1
1 da
g (t) = f ? ~a ? a (t) : (66)
C 0 a2
Hallando la Transformada de Fourier de g tenemos
47
Z 1 Z 1 Z 1
1 da
g^ (!) = g(t)e iwt
dt = f ? ~ a ? a (t) 2 e iwt
dt
1 1 0 C a
Z 1 Z 1
1 da da
= f ? ~ a ? a (t) e iwt dt 2
C 0 1 a a2
Z 1
1 p p da
= f^ (!) a ^ (a!) a ^ (a!) 2
C 0 a
Z 1
1 p p da
= f^ (!) a ^ (a!) a ^ (a!) 2
C 0 a
Z 1 2
1 j (s!)j
= f^ (!) ds
C 0 s
= f^ (!)
ANALISIS DE MULTIRESOLUCION
Transformada Ondicular Discreta
forma una base del espacio de Hilbert L2 (R): Así, cada f 2 L2 (R) puede ser representada
por la serie
X j
f (t) = cj;k 2 2 t k : (69)
j;k
o
X
f (t) = cj;k j;k (t) : (70)
j;k
Los coe…cientes cj;k son llamados coe…cientes ondiculares de f (t) y son calculados por
k k
cj;k = W f ;
2j 2j
48
Ahora la pregunta que surge es como se puede construir una base (ortonormal) ondicular,
o sea como se puede de…nir la función tal que j;k formen una base ortogonal para
2
L (R)? Un método es a través de lo que llamaremos análisis de multiresolución. Concepto
introducido por Mallat y Meyer en los años 1998-1989 [2].
1. V 1 V0 V1 V1 ::: (M R1) :
5. Existe una función ' 2 V0 ; tal que f' (: k) : k 2 Zg es una base ortonormal de
Vo : La función ' es llamada función de escala. (M R5) :
n j j
o
0
5 Para cada j 2 Z el sistema ondicular 2 ' 2 t k
2 2 = 'j;k es una base ortonor-
mal de Vj .
Esto es 'j;k j;k2Z para j …jo es una base ortonormal para Vj : estas funciones no son
ortogonales a diferentes niveles.
De forma que la función q 2 L2 (R) está en el subespacio Vj si puede representarse como
X
q (t) = cj;k 'j;k (t)
k2Z
donde Z 1
cj;k = q; 'j;k = q (t) 'j;k (t)dt:
1
49
j
El coe…ciente 2 2 en la de…nicón de 'j;k permite asegurar 'j;k = k'k ; puesto que
2
'j;k = 'j;k ; 'j;k
Z 1
= '2j;k (t) dt
1
Z 1 2
j
= 22 '2 2j t k dt
1
Z 1
1
= 2j '2 (u) du
1 2j
Z 1
= '2 (u) du
1
= k'k :
y por otra parte la de…nición de 'j;k asegura f (t) 2 Vj , f (2t) 2 Vj+1 dado que:
X
f 2 Vj , f (t) = cj;k 'j;k (t)
k
X
, f (2t) = cj;k 'j;k (2t)
k
X j
, f (2t) = cj;k 2 2 ' 2j+1 t k
k
X cj;k j+1
, f (2r) = p 2 2 ' 2j+1 t k
k
2
X cj;k
, f (2t) = p 'j+1;k (t)
k
2
, f (2t) 2 Vj+1 :
ver [20].
50
Esta ecuación es llamada ecuación de escala y la sucesión h = fh (n)gn2Z es llamada
sucesión de escala.
entonces
X
1
p
h (n) = 2: (74)
n=1
y sustituyendo u = 2x x
Z p Z
2 X
1 1 1
' (x) dx = h (n) ' (u) du (77)
1 2 n= 1 1
1 X
1
1= p h (n) (78)
2 n= 1
y entonces
X
1
p
h (n) = 2: (79)
n= 1
2
Para nuestro caso restringido sólo un número …nito de c(n) no son ceros y así es una integral de una
sumatoria …nita
51
entonces
X
1
8k 2 Z h (n) h (n 2k) = (k) : (81)
n= 1
P
1
En particular si k = 0; jh (n)j2 = 1:
n= 1
Demostración. Sea
Z 1
(k) = ' (x) ' (x k)
1
Z ! !
1 X
1
p X
1
p
= h (n) 2' (2x n) h (m) 2' (2x 2k m)
1 n= 1 m= 1
X
1 X
1
= h (n) h (m) (m + 2k n) dx (84)
n= 1m= 1
52
1 ! 1 Xp
in ! in ! !
'
^ (!) = e = 2 '
^ 2hn e 2 '
^
2 2 2 n2Z 2
! !
= H '
^ :
2 2
donde H (!) es la función 2 periódica de…nida por
1 X in!
H (!) = p h (n) e : (87)
2 n2Z
P
Lema 9.1 El conjunto f' (: k)g es un conjunto ortonormal si y solo si n2Z ' (! + 2 k)j2 =
j^
1 casi en todas partes
Z 1 Z 1
1
' (x) ' (x k) = e im!
' (!)j2 d!
j^
1 2 1
Z !
1 2 X 2
im!
= e j^
' (! + 2k )j d! = m:
2 0 n2Z
Puesto que
! !
'
^ (!) = H '
^
2 2
que es equivalente a
'
^ (2!) = H (!) '
^ (!)
y si tenemos que
X X
1= ' (2! + 2k )j2 =
j^ jH (! + k )j2 j^
' (! + k )j2
n2Z n2Z
X X
jH (! + 2k )j2 j^
' (! + 2k )j2 + jH (! + (2k + 1) )j2 j^
' (! + (2k + 1) )j2 = 1
n2Z n2Z
y
X X X
jH (!)j2 ' (! + 2k )j2 + jH (! + )j2
j^ j^
' (! + + 2k )j2 = 1
n2Z n2Z n2Z
luego
53
jH (!)j2 + jH (! + )j2 = 1 casi en todas partes. (88)
Por la de…nición de H (!) y el teorema anteiror tenemos que
1 X
H (0) = p h (n) = 1; (89)
2 n2Z
por lo tanto H ( ) = 0; puesto que
1 X 1 X
H( )= p h (n) e in = H (!) = p ( 1)n h (n) = 0: (90)
2 n2Z 2 n2Z
P P
Observemos que si p12 k2Z h (k) = 1 y p12 k2Z ( 1)k h (k) = 0; tendremos que
1 X 1 X
p h (2k) + p h (2k + 1) = 1 (91)
2 k2Z 2 k2Z
1 X 1 X
p h (2k) p h (2k + 1) = 1 (92)
2 k2Z 2 k2Z
sumando las ecuaciones anteriores tenemos que
2 X
p h (2k) = 1 (93)
2 k2Z
luego
X 1
h (2k) = p (94)
k2Z
2
reemplazando el valor de en una de las ecuaciones anteriores tenemos que
X X 1
h (2k) = h (2k + 1) = p (95)
k2Z k2Z
2
P1 p
Observación 9.3 Apartir de la ecuación de escala ' (x) = k= 1 h (n) 2' (2x k) ;
hemos probado las siguientes relaciones sobre fh (n)g :
X p
h (n) = 2:
n2Z
X
jh (n)j2 = 1:
n2Z
54
X
h (n) h (n 2k) = (k) :
n2Z
X X 1
h (2n) = h (2n + 1) = p :
n2Z n2Z
2
se obtiene que
! ! !
'
^ =H 2
'
^ 2
2 2 2
! ! !
'
^ =H '
^ 3
22 23 2
reemplazando tenemos que
! ! ! ! ! ! !
'
^ (!) = H H 2 ' ^ 2 =H H 2 H 3 '
^ 3 :
2 2 2 2 2 2 2
En general para cualquier p > 0; tenemos que
p
Y ! !
'
^ (!) = H k
'
^ p
k=1
2 2
si '
^ (!) es continua en ! = 0 tenemos que
!
lim '
^ ='
^ (0) :
p!1 2p
así
Y
1
!
'
^ (!) = H '
^ (0)
k=1
2k
Si
Z 1
'
^ (0) = 1 = ' (x) dx
1
entonces
55
Y
1
!
'
^ (!) = H :
k=1
2k
Esto nos muestra que podemos construir la función ' (x) a partir de los coe…cientes h (n) :
La función ondicular (x) :
Las ondiculares ortonormales tienen los “detalles”(ver transformada ondicular discreta),
necesarios para incrementar la resolución de la aproximación de una señal. La aprox-
imación de f en las escalas 2j y 2j+1 son respectivamente las proyecciones ortogonales
sobre los Vj y Vj+1 :
Sabemos que el subespacios Vj Vj+1 y así podemos de…nir el espacio vectorial Wj como
el complemento ortogonal de Vj en Vj+1 tal que
Vj+1 = Vj Wj :
La proyección de f sobre Vj+1 puede descomponerse como la suma ortogonal de las proyec-
ciones sobre Vj y Wj así:
Observación 9.4 Sea ' una función de escala con su correspondiente sucesión de escala
fh (n)g : De…namos g(n) = ( 1)n h(1 n) para todo n 2 Z y de…namos
X
(x) = g(n)'1;n (x)
n2Z
X p
= g(n) 2' (2x n)
n2Z
con los elementos h(0); :::; h(3) diferentes de cero. Podemos ver que este vector cumple
todas las condiciones vistas anteriormente. De aquí podemos de…nir los coe…cientes g(n);
de tal manera que
p p p p !
1 3 3+ 3 3+ 3 1 3
g= p ; p ; p ; p ; 0; 0; 0; 0
4 2 4 2 4 2 4 2
56
n j j
o
j;k k2Z = 22 22 t k ; (96)
k2Z
es una base ortonormal de Wj ; para todas las escalas j;k j;k2Z2 es una base ortonormal
2
de L (R) :
P p
Demostración. Puesto que (x) = g(n) 2' (2x n) ; tenemos que 2 V1 y
n2Z
además
x X
= gn ' (x n)
2 n2Z
Mostremos que
X
I (!) = j (! + 2k )j2 = 1; a:e
k2Z
X 2 X ! 2 ! 2
I (!) = b (! + 2k ) = g^ +k b
' +k
k2Z k2Z
2 2
X ! 2 ! 2 X ! 2
= g^ ' + 2k + g^ +
k2Z
2 2 k2Z
2
! 2 X ! 2 ! 2X ! 2
= g^ '
^ + 2k + g^ + '
^ + + 2k
2 k2Z
2 2 k2Z
2
! 2 ! 2
= g^ + g^ +
2 2
observemos que f (t n)g es ortonormal , I (m) = 1:
Z 1
h (: n) ; (: p)i = (t n) (t p) dt
1
Z 1
= (t) (t (p n)) dt = ? (p n) :
1
57
Z 1 Z Z 2 X
1 in! ^ (!)
2 1 in! ^ (!) + 2k
2
(t) (t n) dt = e = e
1 2 2 0 k2Z
R
X 2
= n , ^ (!) + 2k = 1: a:e:
k2Z
Z 1
? ' (n) = (t) ' (t n) dt
1
Z 1
= e in! ^ b (!) d!
(!) '
1
Z 2 X
1 in! ^ (! + 2k ) '
= e ^ (! + 2k ) d!:
2 0 k2Z
X
? ' (n) = 0 , ^ (! + 2k ) '
^ (! + 2k ) = 0 a.e (98)
k2Z
observemos que
X X ! ! ! !
^ (! + 2k ) '
^ (! + 2k ) = g^ +k '
^ +k H + 2k '
^ +k
n2Z k2Z
2 2 2 2
X ! ! ! 2
= g^ +k H + 2k '
^ +k
k2Z
2 2 2
! ! X ! 2 ! ! X ! 2
= g^ H '
^ +k + g^ + H + '
^ + 2k
2 2 k2Z 2 2 2 k2Z
2
! ! ! !
= g^ H + g^ + H +
2 2 2 2
L p
Finalmente vemos a veri…car que V1 = V0 W0 , puesto que 2' (2t n) es una base
de V1 , necesitamos probar que para cualquier sucesión fan g 2 L2 (R) existen sucesiones
fbn g ; fcn g 2 L2 (R) tales que
X p X p X p
an 2' (2t n) = bn 2' (2t n) + cn 2 (2t n) (99)
k2Z k2Z k2Z
58
tomando la Transformada de Fourier a ambos lados tenemos
1 ! ^ !
p a = ^b (!) '
^ (!) + c^ (!) (!)
2 2 2
1 ! ! ! !
= p ^b (!) H '
^ + c^ (!) g^ '
^
2 2 2 2 2
entonces
! ! !
a
^ = ^b (!) H + c^ (!) g^
2 2 2
^ (! + ) = ^b (2!) H (! + ) + c^ (2!) g^ (! + )
a
luego
^b (2!) = a
^ (!) H (!) + a
^ (! + ) H (! + )
y similarmente
^ (!) b
c^ (2!) = a g (!) + a
^ (! + ) g (! + ) :
Puesto que ^b (!) y c^ (!) son 2 periódicas, ellas son la serie de Fourier de dos sucesiones
fbn g y fcn g de L2 (R) :
2
Veri…quemos que j;k j;k2Z2 es una base ortogonal de L (R) :
Mostremos primero que los subespacios fWj g son ortogonales.
Como
Wl 1 Vl Vj si l<j
así Wj y Wl 1 son ortogonales 8l < j:
Como lo dijimos anteriormente el espacio Wj contiene los “detalles” que son la informa-
ción necesaria para ir desde una aproximación con resolución j a una aproximación con
resolución j + 1; consecuentemente
M
L2 (R) = Wj :
59
Las aproximaciones de f sobre Vj y Wj son dadas respectivamente por Pj f 2 Vj y Pj f 2
Wj donde
X
Pj f = bj;k (f ) 'j;k
k2Z
y
X
Qj f = cj;k (f ) j;k
k2Z
donde
Si f 2 Vj+1 entonces
X
1
f (t) = bj+1;k 'j+1;k (t)
k= 1
donde
bj+1;k = f; 'j+1;k
ahora
Puesto que
X
1
p
' (t) = hn 2' (2t n)
n= 1
tenemos que
60
X p
' 2j t k = hn 2' 2 2j t k n
n2Z
X p
= hn 2' 2j+1 t 2k n
n2Z
entonces
X
'j;k (t) = hm 2k 'j+1;m (t) : (102)
m2Z
Z
'j;k ; 'j+1;m = 'j;k (t) ; 'j+1;m (t) dt
X
= hl 2k 'j+1;l ; 'j+1;m :
l2Z
Similarmente
* +
X
bj;k = f; 'j;k = f; hm 2k 'j+1;m
m2Z
X X
= hm 2k f; 'j+1;m = hm 2k bj+1;m :
m2Z m2Z
Similarmente
61
X
cj;k = f; j;k = gm 2k bj+1;m : (106)
m2Z
H : L2 ! L2 y G : L2 ! L2 (107)
por
X X
(Ha )k = hm 2k am y (Ga )k = gm 2k am (108)
m2Z m2Z
X
1
(G a)k = gk 2l al : (113)
l= 1
Observemos que
bj+1 = H bj + G cj
= H Hbj+1 + GG bj+1
= (H H + GG ) bj+1
H H + GG = I (114)
donde
H H = I
GG = I
HG + GH = 0:
62
La Base Haar
La base Haar es conocida desde 1909, aparece en el apendice de la tesis de Alfred Haar la
cual es de…nida apartir de la función:
8
>
> 1 si 0 < x 12
>
>
<
1
(x) = 1 si 2
<x 1
>
>
>
>
:
0 si x 0 ó 1<x
se suele llama función base no dilatada ni trasladada (Ondicular madre).
Base Haar.
Esta base consiste en un conjunto de funciones
j j
i (x) = 2 2 h 2j x i j = 0; 1; 2; i = 0; 1; 2;
la cual tiene las siguientes propiedades:
j
1. El soporte de i es [i2 j ; (i + 1) 2 j ]
j
2. Las funciones i son normalizadas.
Z 1
j 2 j
i = i (x) dx
1
Z (i+1)2 j
p 2
= 2j dx
i2 j
(i+1)2 j
j
= 2 x ji2 j
= 2j ((i + 1)) 2 j
i2 j
= 1
63
estas funciones son ortogonales en el sentido que
8
Z < 1 si j = l i = k
j l j l
i; k = i (x) k (x) dx = (115)
:
0 en otro caso.
La función 8
< 1 si 0 x<1
' (x) = (116)
:
0 si x 0 ó 1<x
es llamada la función escala. Además la función escala satisface
Z 1 Z 1
' (x) dx = 1; j' (x)j2 dx = 1: (117)
1 1
tal que
ck = h'k ; f i : (120)
puesto que
2 * +
X X X
ck ' k f = ck 'k f; ck 'k f
k2J k2J k2J
X X
= ck cj 'k ; 'j 2 ck h'k ; f i + hf; f i
k2J j2J k2J
ck cj 'k ; 'j = 0 si k 6= j
luego
2
X X X
ck 'k f = c2k 2 ck h'k ; f i + hf; f i (121)
k2J k k2J
64
entonces
ck = h'k ; f i : (123)
Es decir, la mejor aproximación de la función f a base del sistema de funciones ('k )k2J
(dentro de L2 (R) y la norma L2 ) es llamada proyección ortogonal dada por
X
P (f ) = hf; 'k i 'k (x) (124)
k2J
donde
Z
ck = hf; 'k i = 'k (x) f (x) dx
R
Z k+1
= f (x) dx:
k
Nota: La proyección ortogonal de una función f 2 L2 (R) sobre Vj puede ser hallada
descomponiendo f en la base ortonormal 'j;k j;k2Z . Para la proyección ortogonal de…nida
en (124) diremos que f tiene una aproximación en la resolución 2j dada por Pj f . Si
tomamos la aproximación en la resolución 2j+1 dada por Pj+1 f ,ésta debe dar un mejor
estimativo de f que en la resolución 2j :
La diferencia de información entre las aproximaciones en las resoluciones 2j y 2j+1 es
dada por la proyección ortogonal de f en el subespacio Wj que es el complemento ortogonal
de Vj+1 en Vj puesto que
k k+1
Vj = funciones 2 L2 (R) ; constantes sobre los intervalos ; ;k 2 Z (127)
2j 2j
Recordemos que este conjunto de subespacios fVn gn2Z satisfacen las propiedades de Multi-
resolución antes vistas.
Consideremos el subespacio V0 de L2 (R)
claramente X
f 2 V0 , f (x) = ck (x k) (129)
k
65
P
aqui k jck j2 < 1 la serie converge en L2 (R) y
8
< 1 si x 2 (0; 1]
' (x) = (0;1] (x) = (130)
:
0 si x2
= (0; 1]
se denota '0k (x) = ' (x k) ; donde k 2 Z [20].
Observación.
Denotemos por 'ok (x) = ' (x k) donde k 2 Z . Claramente f'ok g es una base orto-
normal en V0 : De…namos ahora un nuevo subespacio lineal de L2 (R)
V1 = fh (x) = f (2x) : f 2 V0 g : (131)
El espacio V1 contiene todas las funciones en L2 (R) que son constantes sobre el intervalos
( k2 ; k+1
2
]; k 2 Z. Obviamente V0 V1 y una base ortonormal en V1 es dado por el sistema
de de funciones f'1k g donde
p
'1k (x) = 2' (2x k) ; k 2 Z; (132)
de…namos en generalel espacio
Vj = h (x) = f 2j x : f 2 V0 ; (133)
entonces Vj es un subespacio lineal de L2 (R) con la base ortonormal
j
'jk (x) = 2 2 ' 2j x k ; k2Z (134)
y así tenemos que V0 V1 : : : Vj : : : Similarmente de…namos el espacio Vj para
j < 0; j 2 Z; obteniendo las inclusiones
::: V 1 V0 V1 ::: (135)
n j o
Pero la totalidad de todas aquellas bases ortonormales, del conjunto 2 2 ' (2j x k)
j; k 2 Z, no son una base ortonormal para L2 (R) debido a que los espacios Vj no son mu-
tuamente ortogonales, para remediar esta di…cultad, necesitamos los que son llamados los
subespacios ondiculares. Se de…ne el subespacio de ondicular Wj como el complemento
ortogonal de Vj ; Vj+1 ; es decir, Wj satisface la ecuación..
M
Vj+1 = Vj Wj (136)
L
donde es la suma directa de los espacios mutuamente ortogonales.
Recordemos que las ondiculares son las funciones bases del subespacio ondicular Wj :
66
P
donde k jck j2 < 1 y la serie converge en L2 (R).
f 0k g es un sistema ortonormal.
f 0k g es ortogonal a V0 : i.e
Z
h 0k ; '0l i = 0k (x) '0l (x) dx = 0; 8l; k 2 Z (138)
Z 1
(x) dx = 0: (140)
0
Cada f 2 V1 tiene una única representación en términos de los unión de sistemas
ff'0k g ; f 0k g ; k 2 Zg :
Esta representación es única puesto que f'1k g es una base ortonormal en V1 : Mostremos
que '1k es una combinación lineal de '0k y 0k para cada k.Para esto consideremos el
caso donde k = 0 y k = 1:
p p
'10 (x) = 2' (2x) = 2 I fx 2 (0; 1]g
67
Ejemplo 9.2 Si f 2 RN denota una señal …nita con N muestras (vector N-dimensional),
dado por
f = (f [0] ; f [1] ; : : : ; f [N 1]) (143)
deseamos expandir esta señal dentro de los vectores bases V0 W0 W1 : : :
Sea
f = (8; 6; 4; 2)
primero calculamos las medias entre parejas y despues la distancia a la media
Bibliografía
68
[4] Daubechies Y. Ten lectures on wavelets, ed. Society for industrial and applied math-
ematics, 1992
[8] MISITI, M. MISITI, Y. POGGI, J. Wavelets toolbox for use whith Matlab. THE
WATHWORKS INC. 1996.
69
[22] P.G.LEMARIÉ. Y. MEYER. Ondelettes et bases hilbertiennes,REVISTA DE MATEMÁTICA
IBEROAMERICANA. Vol 2, # 1-2 pag 1-17. 1986.
[23] WIM Sweldens, PETER Schoroder. Building your own wavelets at home. pag 17-86
[24] JAMES S. Walker. Fourier Analysis and Wavelet Analysis. NOTICES OF THE
AMS. Vol 44, No 6, pag 658-670, June/ July 1997
[25] PIOTR J Durka. Metodology of EEG, analysis time-frecuency signal processing, In-
stitute of experimental Physics, Laboratory of Medical Physics. http://brain.fuw.edu.pl/~durka.
[27] Llinas R, Ribary U . Departament of Physiology and Biophysics, New york, Univer-
sity Medical Center. NY 10016.
Proceedings of the National Academy of sciences of the united states of America. 90
(5): 2078-81, 1993 Mar 1. NML, Journal code pv3, 7505876.
70
[36] RESTREPO SIERRA Guillermo. Introducción al algebra lineal. CENTRO EDI-
TORIAL UNIVERSIDAD DEL VALLE
[40] FERNANDEZ -BERDAGUER E.M, D’ATTELLIS C.E. Wavelet Theory and Har-
monic Analysis in Applied Sciences. Birkhäuser Boston, 1997.
71