CURSILLO INTRODUCCIÓN A LOS WAVELETS

Profesora Doris Hinestroza Gutiérrez

July 24, 2009

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.

La idea detrás de estas representaciones en tiempo-frecuencia consiste en particionar la

señal en varias partes de interés y después analizar las partes por separado. Está claro que
analizando una señal esta manera dará más información sobre cuando y donde de diversos
componentes de la frecuencia, pero de ella conduce a un problema fundamental también:
¿cómo cortar la señal? Suponga que deseamos saber exactamente todos los componentes
de la frecuencia presentes en cierto momento en tiempo. Cortamos solamente esta ven-
tana muy corta del tiempo, lo transformamos al dominio de la frecuencia y obtenemos un
resultado que no es el correcto. El problema aquí consiste que cortar la señal corresponde
a una convolución entre la señal y la ventana del corte. El principio subyace en estos
fenómenos es debido al principio de la incertidumbre de Heisenberg, que, en términos del
proceso de señal, indica que es imposible saber la frecuencia exacta y el tiempo exacto
de la ocurrencia de esta frecuencia en una señal. Es decir una señal no puede represen-
tarse simplemente como punto en el espacio de la tiempo-frecuencia. El principio de la
incertidumbre demuestra que es muy importante cómo uno corta la señal. La transforma
ondicular o el análisis ondicular es probablemente la solución más reciente para superar
los defectos de la Transformada de Fourier. En análisis ondicular hace uso de una ventana
modulada completamente escalada que soluciona el problema del señal-corte. La ventana
se translada a lo largo de la señal y para cada posición se calcula el espectro. Entonces
este proceso se repite muchas veces con una ventana levemente más corta (o más larga)
para cada nuevo ciclo. En el extremo el resultado será una colección de las representa-
ciones de la señal, todas de la tiempo-frecuencia con diversas resoluciones. Debido a esta

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.

Vamos a iniciar primero con las series de Fourier.

1 Elementos bàsicos de Series de Fourier y Transfor-

mada de Fourier

Las señales senoidales juegan un papel fundamental en el análisis de los sistemas de

comunicación.
Tales señales pueden expresarse como una función de la forma:

f (x) = Asen(wx + ')

donde A es la amplitud, ' es la fase inicial y w es la frecuencia angular.

2
Observemos que T = es el período fundamental de f puesto que:
w
f x + 2w = Asen w x + 2w + '
= Asen[wx + ' + 2 ]
= Asen(wx + ') = f (x)

Ejemplo 1.1 Consideremos el movimiento armónico simple. Un punto M de masa m

se mueve bajo la acción de una fuerza restauradora F proporcional a la distancia de M
al origen.

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

(k = 1; ): Claramente T = k Tk es también un período común a todos los armónicos.

Si consideramos la suma …nita:
P
Sn (x) = a0 + Pnk=1 'k (x)
= a0 + nk=1 ak cos 2T k x + bk sen 2T k x
tenemos que Sn es una función periódica de período T . Sn es llamada Polinomio
trigonométrico.

1.1 Polinomio trigonométrico in…nito

P P1
La serie a0 + 1 k=1 'k (x) = a0 +
2 2k
k=1 ak cos T kx + bk sen T x si converge da lugar a
una función periódica de período T . Esta serie se llama polinomio trigonométrico
in…nito.
Una pregunta importante que surge naturalmente es dado una función periódica de
período T ?‘bajo qué condiciones puede ser representada como una serie trigonométrica?
Supongamos que tenemos una función f que puede ser expresada como:

3
 X
1
y = f (x) = a0 + 'k (x):
k=1

La grá…ca de f es la superposición de las grá…cas de los armónicos = 'k .

Podemos pensar que dado un movimiento armónico complicado f (x) lo podemos de-
scomponer como suma de oscilaciones individuales particularmente más simples.
Las series triginométricas no sólo se usarán para esta clase de problemas.
Si consideramos que:
X
1
2k 2k
f (x) = a0 + ak cos x + bk sen x
k=1
T T
y hacemos un cambio de variable
2
t= x
T
y consideramos T2 <= x <= T2 tenemos que <= t <= y podemos de…nir
'(t) = f 2T t o sea
X
1
'(t) = a0 + ak cos(kt) + bksen(kt)
k=1

donde el período de ' es 2 .

Observemos que podemos pasar de '(t) a f (x) y viceversa. Esto es, dado f (x)
de…nimos '(t) = f 2T t , y dado '(t) de…nimos f (x) = ' 2T x .

1.2 Series de funciones.

Consideremos la serie de funciones
X
1
f1 (x) + f2 (x) + + fn (x) + = fk (x)
k=1

. Diremos que la serie es convergente en un valor x si la sucesión de sumas parciales

X
n
Sn (x) = fk (x)
k=1

tiene límite …nito

S(x) = lim Sk (x)
n!1

S(x) se dice que es la suma de la serie, esto es

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

Vamos a considerar una clase importante de funciones donde la integración y derivación

puede hacerse
P1 término a término.
La serie k=1 fk (x) = S(x) se dice que es uniformemente convergente en [a; b] si
para cualquier > 0 existe N > 0 talque:

jS(x) Sn (x)j < 8n N; 8x 2 [a; b:

1.3 Criterio de Weierstrass

P
Si la serie de términos
P1 positivos Mk converge y para cualquier x; jfk (x)j <= Mk
entonces la serie f
k=1 k (x) converge uniformemente y absolutamente en [a; b].
P1
Teorema 1.1 Si fk es continua par acada k y la serie k=1 fk (x) es uniformemente
convergente en [a; b] entonces:

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

1.4 Funciones ortogonales.

Dos funciones integrales de valor real f (x) y g(x) son ortogonales en [a; b] si
Z b
f (x)g(x) = 0
a

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 =

tenemos que las funciones:

1 cos x senx cos 2x sen2x cos nx sennx
p ; p ; p ; p ; p ; ; p ; p ; :::;

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

y que puede ser integrada término a término en [ ; ]. Integrando obtenemos:

Z
1
a0 = f (x)dx

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

Estos coe…cientes los llamaremos coe…cientes de Fourier y la serie trigonométrica se llama

Serie de Fourier asociada a f (x) lo cual denotaremos por:

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 .

Demostración. Supongamos que

a0 X
1
f (x) = + ak cos (kx) +bk sen (kx)
2 k=1

donde la serie es uniformemente convergente en todo <. De acuerdo al Teorema 1, f

es continua y por lo tanto se puede integrar término a término. Observemos que:

a0 X1
f (x) cos (nx) = cos (nx) + ak cos (kx) cos (nx) +bk sen (kx) cos (nx)
2 k=1

esta serie es uniformente convergente y puesto que si

a0 X
n
Sm (x) = ak cos kx + bk senkx
2 k=1

es la suma parcial de la serie trigonométrica dado > 0 existe M tal que

jf (x) Sm (x)j < 8m M 8 [ ; ]

por ser la serie uniformemente convergente.

Ahora Sm cos nx es la m–suma parcial de la serie (*) y

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

Así tenemos que la suma de funciones cuadrado integrable es cuadrado integrabe.

Diremos que un conjunto de funciones cuadrado integrables f'k g es ortonormal en [a; b]
si Z B
1 i=j
'i 'j = Sij =
a 0 i 6= j

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

tenemos que Sn es cuadrado integrable y f (x) Sn (x) es cuadrado integrable.

De…namos Z b
En = (f (x) Sn (x))2 dx
a
Vamos a escoger los coe…cientes bn tal que En sea mínimo.
Z b X
n Z b Z b
2
En = f (x)dx 2 bk f (x)'k (x) + Sn2 (x)dx:
a k=0 a a
Rb
Sea ak = a
f (x)'k (x): coe…ciente de Fourier generalizado. Así
Z b X n X
n
2
En = f (x) 2 bk ak + b2k
a k=0 k=0
Rb
Si denotamos por jjf jj = a f 2 (x)dx tenemos:
P P
En = jjf jj2 P 2 nk=0 ak bk + nk=0 P b2k
= jjf jj2 + Pnk=0 (ak P bk )2 n
k=0 ak
2
n n para todo fbk gnk=0 .
= jjf jj2 k=0 a 2
k + k=0 (a k b k )2

= 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

Esta desigualdad se llama desigualdad de Bessel.

Rb
4. lim an = 0 o sea lim a f (x)'n (x) = 0
n!1 n!1

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

Demostración. La suma f + g y f g son cuadrado integrable y

P1
f (x) + g(x) Pk=0 (ak + bk )'k (x)
1
f (x) g(x) k=0 (ak + bk )'k (x)
Puesto que f'k g es completo tenemos:

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

Restando estas dos últimas integrales tenemos:

Rb Rb
jjf + gjj2 jjf gjj2 = a (f + g)2 (f g)2
Rb a
= 4P a f (x)g(x) P1
1 2
= P k=0 (ak + bk ) k=0 (ak bk )2
1
= 4 k=0 ak bk
Así tenemos que
Z b X1
f (x)g(x) = ak b k :
a 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

Observación 1.1 La convergencia ordenada de una serie de Fourier a una funicón no

siempre ocurre inclusive si el sistema f'k (x)g es completo. Sin embargo la convergencia
cuadrática siempre ocurre. (se sobreentiende que para fucniones cuadrado integrables).
Observación 1.2 Es posible que
X
lim jjf ak 'k jj = 0
n!1
y X
lim jjF ak 'k jj = 0
n!1
?‘Qué relación existe entre F y f ?
Observemos que:
0 < = jjF (x) f (x)jj2
Rb
= a (F (x) f (x))2 dx
Rb P P
= a (F (x) ak 'k + ak 'k f (x))2 dx
Rb P1 2 R P1 2
2 a (F (x) k=0 ak 'k ) dx + (f (x) k=0 ak 'k ) dx
Rb P P
= a (F (x) ak 'k + ak 'k f (x))2 dx
entonces Z b
2
jjF (x) f (x)jj = (F (x) f (x)2 dx
a
Entonces F (x) = f (x) en todo punto de continuidad del integrando.
Si el integrando tiene un número …nito de discontinuidades tendríamos que F (x) = f (x)
salvo un número …nito de discontinuidades.
Puesto que los coe…cientes de Fourier son dados en términos de integrales las cuales no
dependen del número …nito de discontinuidades, tenemos:

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.

1.7 Propiedades importantes de los sistemas completos.

Teorema 1.7 Si f'k g es completo, entonces cualquier función continua f (x) que sea
ortogonal a cada función 'k debe ser identicamente cero.
Rb
Demostración. Si a f (x)'k (x) = 0, entonces todos los coe…cientes ak son nulos. De
acuerdo a la identidad de Parseval
Z b
f 2 (x) = 0
a

entonces f (x) = 0 por ser f continua.

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

Desarrollo. Supongamos x1 < x2 x1 ; x2 2 [a; b].

Z x2 X
n Z x2
f (x)dx ak 'k (x)dx
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

<= dx @ f (x) ak 'k (x) A

a a k=0
p
= b ajjf Sn jj
donde hemos usado la desigualdad de Schwarz.
Puesto que f'k g es completo entonces

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

Puesto que el sistema

f1; cos x; senx; ; cos nx; sen(nx); g

es un conjunto completo en [ ; ] tenemos que si f es cuadrado integrable en [ ; ]

entonces
X
1
2
jjf jj = a20 + a2n + b2n
n=1

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

Este hecho se puede generalizar para mostrar que:

Z b Z b
lim f (x) cos nxdx = lim f (x)sennx = 0
n!1 a n!1 a

Es bien conocido que si f 2 L2 (0; 2 ), f tiene una representación en series de Fourier en

la forma
X
1
f (x) = Cn einx (1)
n= 1

13
donde los coe…cientes Cn son los llamados coe…cientes de Fourier de f

que estan dados por

Z 2
1 inx
Cn = f (x) e dx: (2)
2 0

Si de…nimos

X
N
fM N (x) = Cn einx (3)
n= M

la convergencia de la serie (1) en L2 (0; 2 ) signi…ca que

kf fM N k2 ! 0 (4)

cuando M; N ! 1:
En la representación de la ecuación (1) observamos lo siguiente:

1. La función f se descompone en la suma de un número in…nito de componentes

ortogonales gn (x) = Cn einx :

2. Las funciones Wn = einx forman una base ortogonal de L2 (0; 2 ) :

3. La base ortonormal fWn g es generada por la dilatación de la función W = eix ; es

decir, que Wn (x) = einx 8n 2 Z:

4. La serie de Fourier satisface la identidad de Parseval

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.

De…nición 2.1 Dada una función f : R ! R, y el conjunto A = fx 2 R : f (x) 6= 0g

de…nimos el soporte de f como
Sop(f ) = Adh(A)11
Así, decimos que f es de soporte compacto, si existe T0 2 R tal que f (t) = 0 para
jtj > T0 : Si existe 2 R tal que la transformada de Fourier fb(w) = 00 para jwj > se
dice que f es de banda limitada y conoce como la banda de f

Teorema 2.1 Teorema de muestreo de Shannon. Sea f 2 L2 (R) una función

continua con transformada de Fourier de soporte compacto, entonces f función está com-
pletamente determinada por sus valores muestreados f (nT ), n 2 Z mediante la fórmula
de reconstrucción X
f (t) = f (nT )sinc (t nT ) ; (6)
n2Z

donde T = representa el periodo de muestreo

Demostración. Puesto que fb es de soporte compacto, entonces f puede escribirse como:

Z Z
1 b 1
f (t) = iwt
f (w)e dw = fb(w)eiwt dw (7)
2 R 2

y dado que fb 2 L2 [ ; ], entonces su serie de Fourier es

X in w
fb(w) = Cn e (8)
n2Z

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

De esta manera podemos escribir, …nalmente la función f como

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

Dado que T = , entonces

X sen (t nT ) X
f (t) = f (nT ) = f (nT )sinc (t nT ) (10)
n2Z
(t nT ) n2Z

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

En procesamiento de señales es común enunciar el teorema de Shannon de la siguiente

forma: Una señal f cuya transformada de Fourier es de banda limitada , puede recu-
perarse, sin perdida de información, siempre que la frecuencia de muestreo ws satisfaga
el criterio de Nyquist .
ws > 2
lo cual implica que
1
2 Fs > 2 ) T =
Fs
o sea que escogiento T tal que T , el teorema de Shannon sigue siendo válido.

16
3 Transformada Discreta de Fourier (TDF)
De…namos el conjunto
Zn = f0; 1; 2; :::; N 1g
y de…namos el conjunto

C N = l2 (ZN ) = ff = (f0 ; f1 ; :::; fN 1) : fn 2 C; 0 n N 1g :

Con la suma y multiplicación escalar usual de numeros complejos componente a compo-

nente C N es un espacio vectorial de dimensión N sobre C. De…nimos en este espacio el
producto interno. Para cualesquier f; g 2 C N de…nimos

X1
N
hf; gi = fn gn .
n=0

y la norma de f está dada por

!1=2
X1
N
2
kf k = jfn j :
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:

fn+N = fn ; para todo n 2 Z:

Así para encontrar fn para n 2 = f0; 1; :::; N 1g ; aplicamos el algoritmo de la división

dividiendo por N y tenemos que n = kN +r donde r 2 f0; 1; :::; N 1g : Asì n = r(mod N )
y por lo tanto fn = fr : Por ejemplo si N = 16, entonces para hallar f 25 ; observemos que
25 = 7(mod 16): Así f 25 = f7 :
Observemos que los vectores fe0 ; e1 ; :::; eN 1 g donde en (k) = 1 si n = k y en (k) = 0 si
n 6= k; es la base usual de C N : De…namos el conjunto fu0 ; u1 ; :::; uN 1 g donde

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

Si m = j el término dentro de la suma es 1; así hum ; uj i = N: Si m 6= j , e2 i(m j)=N 6= 1

para m; j = 0; 1; ; N 1: La suma es una suma parcial geométrica, por lo tanto
N
X1
N
1 e2 i(m j)=N 1 1
2 ik(m j)=N
e = = = 0:
k=0
1 e2 i(m j)=N e2 i(m j)=N

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

es una base ortonormal para C N :

De…nición 3.1 Dada f 2 C N = l2 (ZN )de…nimos la transformada discreta de Fourier1

(TDF) como:
X1
N
kn
b
fn = fk e i2 N ; n 2 ZN
k=0
2 i
Si denotamos WN = e N entonces

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

3.1 Propiedades de la TDF

La Transformada de Fourier discreta satisface ciertas propiedades de gran importancia,
enunciaremos las mas importantes sin detenernos en sus demostraciones que relativamente
se hacen directamente.

1. Linealidad Sean f; g 2 CN , funciones con respectivas TDF. Si hk = afk + bgk para

a; b 2 R, entonces:
T DF (h) = aT DF (f ) + bT DF (g)
1
La denotaremos por sus siglas en ingles DFT(Discret Fourier Transform) por comodidad

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

proof: Por de…nición tenemos que

X1
N X1
N
gbn = gk WNnk = fk+p WNnk
k=0 k=0
N +p 1 N +p 1
X n(l p) np
X
= fl W N = WN fl WNnl
l=p l=p
N +p 1
!
np
X1
N X
= WN fl WNnl + fl WNnl
l=p l=N
N +p 1
!
X1
N X
= WN np fl WNnl + fl+N WNnl
l=p l=N
p 1
!
X1
N X n(j N )
= WN np fl WNnl + fj W N
l=p j=0
p 1
!
np
X1
N X
= WN fl WNnl + fj WNnj
l=p j=0
p 1
!
X X1
N
= WN np fj WNnj + fl WNnl
j=0 l=p
!
X1
N
= WN np fj WNnj = WN np fbn
j=0

Observemos que si de…nimos para f 2 l2 (ZN ) y k 2 Z

(Rk f )n = fn k para n 2 Z
entonces por el resultado anterior
d
R nk b
k f n = WN fn = e
2 ink
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

5. Invertibilidad del operador TDF

El operador TDF es invertible.

Demostración. Sea T DF (f ) = 0, entonces fbn = hf; um i = 0 para todo m =

0; 1; ; N 1: Por lo tanto f = 0; es decir el nucleo del operador, Ker(T DF ) = f0g y
por lo tanto T DF es un operador invertible.
Puesto que T DF es lineal, la matriz MN asociada a este operador es dada por

M n = [T DF (e0 ) T DF (e1 ) T DF (e2 ) T DF (eN 1 ) ]

= [ eb0 eb1 eb2 ebN 1 ]
2 3
1 1 1 1
6 1 WN WN
2
WN 7
6 7
6 2 4 2(N 1) 7
= 6
6 1 WN WN WN 7
7
6 .. .. .. .. 7
4 . . . . 5
N 1 2(N 1) (N 1)(N 1)
1 WN WN WN
2 3
1 1 1 1
6 1 WN WN
2
WN 7
6 7
6 2 4 N 2 7
= 6
6 1 WN WN WN 7:
7
6 .. .. .. .. 7
4 . . . . 5
N 1 2(N 1) N
1 WN WN WN

Observemos que MN es una matriz simétrica y puesto que T DF es invertible entonces

MN es invertible.
De esta manera, representando f y fb, como vectores de longitud N
2 3 2 3
f0 fb0
6 f1 7 6 b 7
6 7 6 f1 7
6 f2 7 6 7
f =6 b
7 y f =6 fb2 7
6 .. 7 6 7
4 . 5 6 .. 7
4 . 5
fN 1 fbN 1

20
Entonces, podemos escribir la transformada discreta de Fourier T DF como :

fb = MN f (11)

Siendo MN invertible tenemos que

f = MN 1 fb (12)
Dado que el conjunto fvi ; i = 0; 1; 2; ::::N 1g forma una base ortonormal de C N , entonces
tenemos que:
1
MN MN = N IN ) M = MN 1 (13)
N N
Donde MN representa la matriz compleja conjugada de MN e IN es la matriz identidad
N N.
Así tenemos que
1
M fb
f = MN 1 fb =
N
expresión que representa una versión matricial del teorema de inversión de la transformada
discreta de Fourier. O sea
1 Xb
N 1
fn = fn WN nk
N k=0

3.2 Convolución discreta(Cíclica)

De…nición 3.2 Sean f; g funciones de…nidas en el espacio CN , entonces para cada n 2
Z; de…nimos la convolución discreta como:

X1
N
(f g)n = fk gn k
k=0

Teorema 3.1 Teorema de la Convolución Discreta Dadas f; g funciones de…nidas en el

espacio CN , entonces:
\
(f g)n = fbn gbn

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.

Dada una sucesión de N valores ffk gN 1 b N 1

k=0 , debemos calcular la sucesión fD fn gn=0 de N
números complejos, según la expresión:

X1
N
fbn = fk WNnk ; para 0 k N 1 (14)
k=0

El cálculo directo de la TDF mediante la expresión dada en (3.6) requiere de N multi-

plicaciones complejas (4N multiplicaciones reales),y de N 1 sumas complejas (4N 2
sumas reales) para cada valor de k.

Así, para calcular los N valores de la TDF se necesitan N 2 multiplicaciones complejas y

N (N 1) sumas complejas en total.

De esta manera, si queremos calcular la sucesión de valores de la TDF para un valor de

N muy grande, podríamos pensar que el calculo es imposible. Afortunadamente con el
uso de la FFT, es posible realizar el calculo en tiempo real

La rapidez del cálculo de la TDF, mediante el algoritmo de la FFT, se debe en gran

manera a que este explota las propiedades de simetría y periodicidad del conjunto
WNk = e i2 k ; k = 0; 1; 2; ::::N 1
k+N=2
1. Propiedad de Simetría : WN = Wnk ; WN2 = WN=2

2. Propiedad de periodicidad: WNk+N = WNk

A continuación describiremos algunos métodos e…cientes para el calculo de la TDF, que

corresponden al diezmado en tiempo y frecuencia, cuando el numero de datos es una
potencia de 2

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

Si hacemos k = 2m y k = 2m + 1 y además de…nimos f1m = f (2m) y f2m = f (2m + 1)

para f par e impar respectivamente, entonces:
(N=2) 1 (N=2) 1
X X
fbn =
(2m+1)n
f1m WN2mn + f2m WN
m=0 m=0

Dado que WN2 = WN=2 . Entonces:

(N=2) 1 (N=2) 1
X X
fbn = mn
f1m WN=2 + WNn mn
f2m WN=2
m=0 m=0
N
= fb1 n + WNn fb2 n para 0 n 1
2

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

Así (3.6) puede escribirse …nalmente como:

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:

Para f1 se obtienen las correspondientes funciones pares e impares, denotadas como:

N
f11k = f1 (2k) 0 k 1
4
N
f12k = f1 (2k + 1) 0 k 1
4
y de f2 también se obtienen:
N
f21k = f2 (2k) 0 k 1
4
N
f22k = f2 (2k + 1) 0 k 1
4
Calculando las TDFs de N=4 puntos obtendremos las TDFS de N=2 puntos fb1 y fb2 a
partir de las relaciones:
N
fb1 n = fb11n + WN=2
n b
f12n 0 n 1 (17)
4
fb1 (n + N=4) = fb11n n b
WN=2 f12n
N
fb2 n = fb21n + WN=2
n
fb22n 0 n 1 (18)
4
fb2 (n + N=4) = fb21n n
WN=2 fb22n

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

Lema 4.1 Para N = 2k y f 2 CN , el numero de multiplicaciones m(N ); requerido para

calcular la TDF es m(N ) = N2 log2 N

Demostración. La demostración de este resultado se hara por inducción sobre k: Para

k = 1, claramente el numero de operaciones es 2: O sea m(2) = 2 log2 2: Supongamos es
cierto para k; o sea para N = 2k : De acuerdo a (3.1.5),

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

Observemos que mientras la TDF requiere N 2 multiplicaciones complejas, utilizando el

algoritmo de FFT requerimos N2 log2 N: Por ejemplo una señal de televisiòn requiere aprox-
imadamente 10:000:000 de valores de pixeles por segundo para preservar toda la informa-
ción relevante. Una imagen de una huella es escaneada y digitalizada. Cada cuadrado
cada cuadrado de 1 pulgada de la imagen de una huella es particionada en grilla de 500
por 500 valores de pixeles en los colores de escala de grises. Estas son las componentes de
un vector de longitud grande. Para una imagen de video uno puede tener 20-30 vectores
de un tamaño comparable. Realizar un proceso de anàlisis con TDF es casi imposible y
esto hace que sea necesario de…nir algoritmos rápidos.
A continuaciòn otra forma de mostrar como es el conteo de las multiplicaciones complejas
para el F F T . Vamos a suponer que N = 2p : Vamos a expresar n; k 2 f0; 1; :::; N 1g en
base binaria así
n = 2p 1 np 1+ 2 p 2 np + ::: + 2n1 + n0
2
k = 2p 1 kp 1+2
p 2
kp 2 + ::: + 2k1 + k0

donde nj ; kj 2 f0; 1g j = 0; 1; 2; ::::p 1:

Utilizaremos la siguiente notación
fk = f (kp 1 ; kp 2 ; k1 ; k0 ):
Pot lo tanto
X1
N
fbn = fk WNnk
k=0
X1
N
= f (kp 1 ; kp 2 ; k1 ; k0 )
k=0
(2p 1n
p 1 +2
p 2n
p 2 +:::+2n1 +n0 )(2p 1k
p 1 +2
p 2k
p 2 +:::+2k1 +k0 )
W2p

26
Ahora,

(2p 1 np 1 +2p 2 np 2 +:::+2n1 +n0 )(2p 1 kp 1 +2p 2k

p 2 +:::+2k1 +k0 )
W2p
(2p 1 np 1 +2p 2 np 2 +:::+2n1 +n0 )(2p 1 kp 1 )
= W2p
(2p 1 np 1 +2p 2 np 2 +:::+2n1 +n0 )(2p 2 kp 2 )
W2p
(2p 1 np 1 +2p 2 np 2 +:::+2n1 +n0 )(2p 3 kp 3 )
W2p
(2p 1 np 1 +2p 2 np 2 +:::+2n1 +n0 )(2k1 )
W2p
(2p 1 np 1 +2p 2 np 2 +:::+2n1 +n0 )(k0 )
W2p

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

(no +2n1 )2p 2 kp 2 (n +2n1 +22 n2 )2p 3k

W 2p W2p o p 3

(2p 1n
p 1 +2
p 2n
p 2 +:::+2n1 +n0 )k0
W2p :

Claramente la suma interna depende de kp 2 ; kp 3 ; k1 ; k0 y n0 pero no de np 1 ; np 2 ; np 3 ; n1 :

Así de…namos
X
1
n 2p 1k
(1)
f (n0 ; kp 2 ; k1 ; k0 ) = f (kp 1 ; kp 2 ; k1 ; k0 )W2po p 1

kp 1 =0

= f (0; kp 2 ; k1 ; k0 )
p 1
+f (1; kp 2 ; k1 ; k0 )W n0 2 :

Al calcular f (1) (n0 ; kp 1 ; kp 2 ; k1 ) se requiere una multiplicación compleja para cada 2p

escogencia de n0 ; kp 1 ; kp 2 ; k1 2 f0; 1g : Asì para calcular f (1) requeremos 2p multipli-
caciones complejas.
Ahora de…nimos
X
1
(n +2k1 )2p 2k
(2)
f (n0 ; n1 ; kp 3 ; k1 ) = f (1) (n0 ; kp 2 ; k1 ; k0 )W2p o p 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

Pxx - X Power Spectral Density

15

10

0
0 50 100 150 200 250
Frequency

6 Transformada de Fourier de tiempo corto

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

Teniendo en cuenta que la STFT es básicamente el calculo de la DFT a la función

f (t) ( t); t 2 R, por el teorema de inversión (1.10) esta puede ser expresada como:
Z 1
1
f (t) (t )= Fb ( ; w)eiwt dw
2 1

Si multiplicamos por (t ), t 2 R e integramos en ambos lados con respecto a tenemos

que:
Z 1
f (t) (t ) (t )d
1
Z 1 1 Z
1
= (t )dFb ( ; w)eiwt dw
2 1 1
Z 1Z 1
1
2
f (t)k (t)k2 = Fb ( ; w) (t )eiwt d dw
2 1 1
Z 1Z 1
1
f (t) = Fb ( ; w) (t )eiwt d dw
2 k (t)k22 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

(Gb f ) (!) localiza la Transformada de Fourier de f alrededor de t = b: No es di…cil ver

que
Z 1
(Gb f ) (!) db = f^ (!) ; !2R (24)
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

De esta manera la señal se transforma original se transforma en una función de tiempo y

frecuencia, la cual da información de las frecuencias en un cierto tiempo, la cual también
se conoce con el nombre de Transformada de Fourier en Tiempo Corto (STFT).
Sin embargo la TFV tiene varios problemas; uno de los cuales tiene que ver con el ancho
de la ventana en tiempo y frecuencia. Para señales no estacionarias este análisis no es
adecuado como puede verse en la siguiente señal.
8
>
> cos (2 10t) si t 2 [0; 0:5] f0:2g
<
cos (2 50t) si t 2 (0:5] f0:6g
f (t) = (27)
>
> 3 si t = 0:2
:
3 si t = 0:6
??Esta es una señal no estacionaria, además tiene dos deltas de Dirac respectivamente,
el análisis de Fourier de esta señal con la nueva transformada es el siguiente

De acuerdo a la Desigualdad de Heisemberg

1
t !=K (28)
2
se entiende que una vez que escogemos la ventana a través de la cual la señal es observada
la resolución de frecuencias es …ja, es decir, no podemos alcanzar una solución perfecta

34
en ambos dominios al mismo tiempo. De acuerdo con un análisis a diferentes resoluciones
es que se introduce el análisis Ondicular.

A principio de los ochenta Grossman y J. Morlet introdujerón en el mundo cientí…co

el término “Ondiculares” como unidades atómicas en las que se pueden descomponer
señales sin necesidad de utilizar comprometedoras “ventanas de análisis” como era el
caso de la solución de Gabor. La idea era descomponer (funciones u operadores) en
diferentes componentes de frecuenciales (hasta aquí no se nota las diferencias), pero de
tal manera que la descomposición de la señal proviniera de una familia de funciones que
serían traslaciones y dilataciones de una función única (t) llamada Ondicular básica
o madre.

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.

lim f (t) = 0: (34)

t! 1

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:

La transformada de Fourier es inadecuada por las siguientes razones

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.

No tiene una ventana tiempo-frecuencia que automáticamente se estreche en fre-

cuencias altas y se amplíe en las bajas.

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.

8 Transforma Ondicular Continua.

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

Observación 8.1 Si 2 L2 (R) \ L1 (R) satisface la condición

2
Z 1 ^ (w)
1
C =p dw < +1
2 1 jwj

donde ^ (w) es la transformada de Fourier de ; entonces se cumple que tiene promedio

cero. Esta condición es llamada condición de admisibilidad.

Lema 8.1 sea ' 2 L2 (R) una función n-veces diferenciable tal que '(n) 2 L2 (R) : En-
tonces
= '(n)
es una wavelet.

Demostración. Por propiedades de la transformada de Fourier tenemos que

^ (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.

de generalidad podemos suponer que 12 <

Demostración. Sin perdida Z < 1: Clara-
mente 1 + jxj (1 + jxj) y (j1 + xj) j (x)j dx < 1: Si de…nimos
R
Z x
'(x) = (x)dx
1

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:

1. (a) La función es una wavelet.

38
 2. La función cumple la condición de admisibilidad .

Demostración. b ) a por la observación anterior.

R1
a ) b : Sea una wavelet, esto es L2 (R) y 1 (t) dt = 0: Puesto que L2 (R) y
tiene soporte compacto entonces 2 L1 (R), esto es
Z
jxj j (x)j < 1 para todo 0:
R

En particular Z
1
jxj j (x)j < 1 para todo > :
R 2
De acuerdo al lema anterior cumple la condición de admisibilidad .

8.1 Ejemplos de wavelets

Ejemplo 8.1 (Wavelet Haar). Sea de…nida por
8
< 1 0 x < 12
1
(x) = 1 2
x<1 :
:
0 en cualquier otro caso

-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

Ejemplo 8.2 (Wavelet sombrero mexicano). Consideremos la función

x2 =2
'(x) = e 2 L2 (R):

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

así ' 2 L2 (R): Ahora

2 2
Z 1 ['(w) Z 1 b (w) jb
'(w)j2
dw = dw
1 jwj 1 jwj
2
Z 1 b (w)
= '(w)j2 dw
jb
1 jwj
2
Z 1 b (w)
'(w)j2 dw < 1:
sup jb
1 jwj

Por lo tanto ' es una wavelet.

Observación 8.2 Si consideramos la wavelet Haar y hacemos la convolución con la fun-

2
ción '(x) = e x obtenemos otra wavelet.

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

y por lo tanto es una wavelet que está en el conjunto A: De acuerdo a la identidad de

Parseval kgk2 = kb g k2 ; se sigue que
Z
2 2
kg g k2 = kb g gb k2 = g (w)j2 dw ! 0 cuando ! 0:
jb

Así cada g es el límite de una sucesión de funciones en el conjunto A; por lo tanto A es

un conjunto denso en L2 (R) :

De…nición 8.2 La transformada ondicular continua W de una función f 2 L2 (R) con

respecto a la wavelet es de…nida
Z 1
1 t b
(W f ) (a; b) = f; (a;b) =p f (t) dt: (36)
a 1 a

donde a; b 2 H = f(a; b) 2 R2 : a > 0g y denota el conjugado complejo.

Observación 8.3 Si de…nimos la familia de funciones

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 Propiedades de la Transformada Ondicular Con-

tinua

9.1 Linealidad
sean f; h 2 L2 (R) y ; escalares entonces

W ( f + h) = W f + W h: (38)

para ; constantes arbitrarias se tiene que:

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:

9.2 Traslación invariante

Sea f (t) una función con transformada W f (a; b) ; entonces, si trasladamos en el tiempo
la función original ft0 (t) = f (t t0 ) obtendremos

W ft0 (a; b) = W f (a; b t0 ) : (39)

por lo tanto, como sucede en la transformada de Fourier, ambas transformaciones linaeles

son invariantes a traslaciones en el tiempo de las funciones.

Demostración. Usando la de…nición de transformada ondicular y la de traslación obten-

emos Z 1
t t0 t b
W ft0 (a; b) = f p dt (40)
1 a a
haciendo el cambio de variable s = t t0 y derivando con respecto a t se tiene que ds = dt;
donde t = s + t0 reemplazando esto valores en la ecuación (40) tenemos
Z 1 Z 1
f (s) s + t0 b 1 s (b t0 )
W ft0 (a; b) = p p ds = p f (s) p ds
1 a a a 1 a

= W f (a; b t0 )

9.3 Dilatación invariante

Si cambiamos la escala de una función D 0 f (t) = p1 f t
entonces su transformada se
0 0
escala también
a b
W D 0 f (a; b) = W f ; : (41)
0 0

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.

Demostración. Usando la de…nición de la transformada ondicular obtenemos

Z 1
f t 1 t b
W D 0 f (a; b) = p p dt (42)
1 0 0 a a
t 1
haciendo el cambio de variable r = 0
y derivando con respecto a t tenemos que dr = 0
dt
donde t b = r 0 b luego
p Z Z b
!
1 1 r
0 r 0 b 1 a b
p f (r) dr = q f (r) a
0
=W f ; :
a 1 a a 1 0
0 0
0

(43)

9.4 Convolución

La transformada ondicular puede escribirse como una convolución de la siguiente manera:

W f (a; b) = f a (b) (44)

donde a (t) = p1a t

a
.
De acuerdo con la de…nición de la transformada ondicular
Z 1
1 t b
W f (a; b) = f (t) p dt (45)
1 a a

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

Aquí hemos utilizado algunas propiedades de la transformada de Fourier puesto que

p
b a;b (!) = a b (a!) e i(a!)b (49)

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

= C kf k2L2 (R) : (52)

Por tanto
kW f k2 = C kf k2 : (53)

Observación 9.1 La propiedad de Isometría nos permite de…nir la transformación

W : L2 (R) ! L2 (H)
(54)
f 7 ! W

45
Observación 9.2 Demostración. por tanto

W : L2 (R) 7 ! W L2 (H) : (55)

es 1-1 y sobre por tanto es invertible.

Acontinuación presentaremos algunos resultados importantes sobre ondiculares cuyas demostra-

ciones se encuentran en [30].

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

Demostración. Para cualquier f; 2 L2 (R) tal que

Z 1 ^ (as)
2
1
C = p da < +1
2 1 a

usando la propiedad de simetría, para cada a > 0; tenemos que

Z 1 Z 1
da p
W f (a; b) W g (a; b) db 2 = f^ (w) b (aw) a gb (w) ^ (aw) dw
1 a 1
Z 1 2
= af^ (w) gb (w) ^ (aw) dw
1

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)

Ahora demostraremos la fórmula de reconstrucción.

Teorema 9.2 (Calderón, Grosmann, Morlet (Fórmula de Reconstrucción)) Sea

2 L2 (R) una ondicular admisible y f 2 L2 (R). Entonces para cualquier f 2 L2 (R) ten-
emos que Z
1 db da
f (t) = W f (b; a) b;a (t) 2 (59)
C a
H

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

W f (a; b) = f a (b) (61)

entonces
Z 1 Z 1
1 t b da
g (t) = W f (b; a) p b;a db (62)
0 1 a a a2
de…namos para cada a > 0

~ 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

~ a f (b) = W f (b; a) = f ? ~ a (t)

W (64)
y

~ 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^ (!)

así f = g; por tanto

Z 1 Z 1
1 1 t b da
f (t) = W f (b; a) p b;a db : (67)
C 0 1 a a a2

ANALISIS DE MULTIRESOLUCION
Transformada Ondicular Discreta

Sea 2 L2 (R) una función Ondicular tal que la familia de funciones

j j
j;k = 22 22 t k j; k 2 Z; j > 0 (68)

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

cj;k = f; j;k : (71)

De acuerdo a la de…nión de la transformada ondicular continua tenemos que

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].

De…nición 9.1 Un Análisis de Multiresolución es una sucesión subespacios cerrados

fVj gj2Z de L2 (R) ; tales que:

1. V 1 V0 V1 V1 ::: (M R1) :

2. v (x) 2 vj , v (2x) 2 Vj+1 : (M R2) :

3. v (x) 2 V0 , v (x k) 2 v0 ; para todo k 2 Z. (M R3) :

S
+1 T
+1
4. Vj es denso en L2 (R) y Vj = f0g : (M R4) :
j= 1 j= 1

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 .

El subespacio Vj se de…ne por

( )
X
Vj = cj (k)'j;k jcj = (cj (k))k2Z 2 l2 (Z)
k2Z

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].

Puesto ' 2 V0 V1 y '1;k k2Z

es una base de V1 , existen coe…cientes fh (n)gn2Z 2 l2 (Z)
tales que:
X X p
' (x) = hn '1;k (t) = hn 2' (2x n) (72)
n2z n n2z n
donde
h(n) =< '; '1;n > :

50
Esta ecuación es llamada ecuación de escala y la sucesión h = fh (n)gn2Z es llamada
sucesión de escala.

Teorema 9.3 Si ' (x) 2 L2 es solución de la ecuación escala

X
1
p Z 1
' (x) = 2h (n) ' (2x n) y ' (x) dx = 1 (73)
n= 1 1

entonces
X
1
p
h (n) = 2: (74)
n=1

Demostración. Integrando a ambos lados de la ecuación de escala

Z 1 p Z 1 X
1
' (x) dx = 2 h (n) ' (2x n) dx (75)
1 1 n= 1

e intercambiando integral y sumatoria(2 )

Z 1 p X1 Z 1
' (x) dx = 2 h (n) ' (2x n) dx (76)
1 n= 1 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

Teorema 9.4 Si ' (x) 2 L2 \ L1 es solución de la ecuación escala y las traslaciones

enteras de ' (:; k) son ortogonales i.e. para cada k 2 Z
Z 1
' (x) ' (x k) dx = k (80)
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

reagrupando sumatorias e intercambiando con la integral3

X
1 X
1 Z 1
(k) = 2h (n) h (m) ' (2x n) ' (2x 2k m) dx (82)
n= 1m= 1 1

tomando u = 2x n tenemos que

X
1 X
1 Z 1
(k) = h (n) h (m) ' (u) ' (u + n 2k m) dx (83)
n= 1m= 1 1

X
1 X
1
= h (n) h (m) (m + 2k n) dx (84)
n= 1m= 1

por hipotesis de ortonormalidad

X
h (n) h (n 2k) = (k) : (85)
Si k = 0 obtenemos que
X
1
jh (n)j2 = 1: (86)
n= 1

De esta forma hemos demostrado el teorema.

Observacion: Tomando la transformada de Fourier a la ecuación de escala y teniendo en

cuenta que
1 in! !
'
^ 1;n (!) = e '
^
2 2
tenemos que
3
Válido para nuestro caso restringido de c(n) no nulos

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

Demostración. Para demostrar la prueba basta considerar

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

puesto que H es periódica, con periodo 2 tenemos que

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

H(0) = 1; H( ) = 0; jH (!)j2 + jH (! + )j2 = 1 c.t.p.

Puesto que
! !
'
^ (!) = H '
^
2 2
donde
X
H (!) = an ein!
n2Z

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:

PVj+1 f = PVj f + PWj f:

El complemento PWj f nos determina los detalles de f que aparecen an la escala 2j+1 ; pero
los cuales no aparecen en la escala 2j :
El siguiete teorema determina como construir una base ortonormal de Wj , por escalamiento
y traslación de una función ondicular :

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

Ejemplo 9.1 De…namos el conjunto de coe…cientes

p p p p !
1+ 3 3+ 3 3 3 1 3
h= p ; p ; p ; p ; 0; 0; 0:0
4 2 4 2 4 2 4 2

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

Teorema 9.5 El conjunto

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

Puesto que f' (t n)g es una base ortogonal de V0 tenemos que

X
j' (! + 2k )j2 = 1; a:e
k2Z

Mostremos que
X
I (!) = j (! + 2k )j2 = 1; a:e
k2Z

) puesto que ^ (!) = g^ !

2
'
^ !
2 y g^ (!) es 2 periódica tenemos que

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

Así f (t n)g es ortonormal , ? (n) = n:

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

El espacio W0 ? V0 , f (t n)gn2Z y f' (t n)gn2Z son vectores ortogonales, es decir

h (: n) ; ' (: n)i = ? ' (n) = 0 (97)

y

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

^ (! + ) = ^b (2!) H (! + ) + c^ (2!) g^ (! + )
a
luego

^ (!) H (!) = ^b (2!) jH (!)j2 + c^ (2!) g^ (!) H (!)

a

^ (! + ) H (! + ) = ^b (2!) jH (! + )j2 + c^ (2!) g^ (! + ) H (! + )

a
sumando las ecuaciones obtenemos

^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

bj;k (f ) = f; 'j;k y cj;k (f ) = f; j;k :

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

bj+1;k = f; 'j+1;k = Pj f + Qj f; 'j+1;k

= Pj f; 'j+1;k + Qj f; 'j+1;k
* 1 + * 1 +
X X
= bl;j 'l;j ; 'j+1;k + cl;j l;j ; 'j+1;k
l= 1 l= 1
X
1 X
1
= bl;j 'l;j ; 'j+1;k + cl;j l;j ; 'j+1;k
l= 1 l= 1

así podemos escribir a bj+1;k como

X
1 X
1
bj+1;k = hk 2l bl;j + gk 2l cl;j :
l= 1 l= 1

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

haciendo la sustitución m 2k+n, obtenemos que

X p
' 2j t k = hm 2k 2' 2j+1 t m (100)
m2Z
y
j X j+1
2 2 ' 2j t k = hm 2k 2 2 ' 2j+1 t m (101)
m2Z

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

j;k ; 'j+1;m = gm 2k : (103)

Por otro lado podemos expresar bj;k y cj;k en términos de bj+1;k de la siguiente manera:
dado que
X
1 X
1
f (t) = bj;k 'j;k + cj;k j;k (104)
k= 1 k= 1

bj;k = f; 'j;k y cj;k = f; j;k (105)

luego

* +
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

Si de…nimos los operadores lineales

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

respectivamente, tenemos que

bj = Hbj+1 y cj = Gbj+1 : (109)

No es di…cil ver que

'j;k ; 'j+1;m = hk 2l : (110)

n;l ; 'n+1;k = gk 2l : (111)

Los operadores adjuntos H ; G de H y G estan dados por
X
1
(H a)k = hk 2l al : (112)
l= 1

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

de lo cual concluimos que

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

De…namos un sistema de funciones ('k )k2J en L2 (R).

'k (x) = ' (x k) (118)

Podemos aproximar una función f 2 L2 (R) mediante

X
Pf (x) = ck 'k (x) (119)
k2Z

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

derivando con respecto a ck e igualando a cero tenemos que

2ck 2 h'k ; f i = 0 (122)

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

Wj = j;k k2Z (125)

luego
X
PW f (x) = f; j;k j;k (x) : (126)

La base Haar como sistema ondicular

De…nimos los subespacios fVj gj2Z de L2 (R) donde

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)

V0 = f 2 L2 (R) : f es constante sobre (k; k + 1] donde k 2 Z : (128)

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 :

El sistema f 0k g donde 0k (x) = (x k) ; k 2 Z, es una base ortonormal en W0 : En

otros terminos W0 es el subespacio lineal de L2 (R) el cual está compuesto de las funciones
de la forma X
f (x) = ck (x k) (137)
k

66
 P
donde k jck j2 < 1 y la serie converge en L2 (R).

Demostración. Para probarlo es su…ciente veri…car 3 hechos:

f 0k g es un sistema ortonormal.

Esto es obvio, pues el soporte de ol y 0k es vacio para l 6= k; y k 0k k2 = 1:

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)

Si l 6= k; esto es trivial (el soporte de 0k y '0l es vacio). Si l = k; entonces

siguiendo la de…nición de 0k ; '0k donde
Z Z 1
0k (x) '0k (x) dx = (x) ' (x) dx = 0 (139)
0
ya que

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 :

Demostración. Sea f 2 V1 entonces

X X
f (x) = hk '1k (x) ; jhk j2 < 1: (141)
k k

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

p '00 (x) 00 (x) 1

= 2 = p f'00 (x) 00 (x)g
2 2
Similarmente
p 1
'11 (x) = 1) = p f'00 (x) + 00 (x)g :
2' (2x (142)
2
Tenemos V1 = V0 W0 , Wj es el complemento ortogonal de Vj en Vj+1 ;entonces , el
j
sistema jk ; k 2 Z ; donde jk (x) = 2
2 (2j x k) ; es una base ortonormal de Wj :
Miremos el siguiente ejemplo.

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 : : :

De acuerdo a las de…niciones (116) y (134)

0 0 0 0 1 1 1 1 k k
f = f; 0 0 + f; 0 0 + f; 0 0 + f; 1 1 : : : + f; j j (144)

Sea
f = (8; 6; 4; 2)
primero calculamos las medias entre parejas y despues la distancia a la media

Resolución Medias Detalles

4 [8 6 4 2]
(145)
2 [7 3] [1 -1]
1 [5] [2]

la transformación entonces es [5 2 1 -1].

La transformación es invertible
[5 2 1 -1]
[7 3]
[8 6 4 2].
Representando f como función escala en V2
2 2 2 2
I (x) = c20 0 (x) + c21 1 (x) + c22 2 (x) + c23 3 (x)

representando como funciones de escala en V1

1 1 1 1
I (x) = I (x) = c10 0 (x) + c11 1 (x) + d10 0 (x) + d11 1 (x)

Es decir los coe…cientes para representar f estan tomados de la combinación lineal de

funciones de la secuencia de espacios.
como la función de escala y la ondicular
p Haar son normalizadas tenemos que dividir los
coe…cientes con índice superior j po 2j
h i
[5 2 1 -1] ! p5 p2 p1 p 1 : (146)
20 20 21 21

Bibliografía

[1] John J. Benedeto,Mchael W. Frazier.Wavelets Mathematics and applications.CRC

press,inc, Boca Raton, Florida, 1994

[2] Mallat S. A wavelet tour of processing, Academic press, Sandiego, USA,1998.

[3] Chui C. K. An Introduction to wavelets , Academic press,1992

68
 [4] Daubechies Y. Ten lectures on wavelets, ed. Society for industrial and applied math-
ematics, 1992

[5] MALLAT,Stephane G Multifrequency channel descompositions of images and wavelets

models. IEEE transaction on acoustics, speech, and signal processing. Vol. XXXVII.
No. XII. 1989.2091-2109p.

[6] BURRUS, S. GOPINATH, R. GUO, H. Introduction to wavelets and wavelets trans-

forms. PRETICE HAAL. 1973.

[7] MEYER, Y. Wavelets: Algorithms and Applications. SIAM.1993.

[8] MISITI, M. MISITI, Y. POGGI, J. Wavelets toolbox for use whith Matlab. THE
WATHWORKS INC. 1996.

[9] MALLAT, Stephane G. Multiresolution approximation and wavelet orthonormal

bases of L2 .Vol. III-XV. 1989.69-87p

[10] ERLEBACHER, G. YOUSUFF, M. JAMESON,L. Wavelets Theory and Applica-

tion. OXFORD UNIVERSITY PRESS.1996.

[11] PHILIPPE Guillemain ,RICHARD K.Characterization of acoustics signals through

continous linear time-frecuency representation. PROCEEDINGS OF THE IEEE,
Vol. 84 No. 4 april 1996.

[12] An introduction to wavelets, http://www.amara.com/IEEEwave/IEEEwavelet.html.

[13] E. ORANBRIGHAM. The fast Fourier Transform, PRENTICE-HALL, 1994.

[14] HWEIP. Hsu. Análisis de Fourier, ADDISON-WESLEY IBEROAMERICANA

S.A, 1987.

[15] Wavelets Digest Links. http://www.wavelets.org.waveletslinks.html.

[16] http://www.c3.lanl.gov/~brislawn/main.html(Chris Brislawn’s …ngerprint WSQ com-

pression information)

[17] http://stat.stanford.edu/~wavelab/(waveLab Matlab software)

[18] http://www.wavelet.org/(The Wavelet Digest)

[19] http://www.mathsoft.com/wavelets.html(Wavelet Papers)

[20] Wavelets at Universidad de los Andes. http://www.mathsoft.com/wavelets.html

[21] CARLOS Martinez. Análisis de funciones mediante wavelets y su aplicación a la

compresión de imágenes, http://www.citel.upc.es/users/buran/buran12/portada12.tml.

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.

[26] KANWALDIP Anan, FARID Downla, GARRY Rodrigue.Vector Quantization of

EEG wavelet Coe¢ cients.IEEE SIGNAL PROCESSING LETTERS, Vol 2, No. 7,
July 1995.

[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.

[28] BARTNIK E .A, BLINNOWSKA K J, PIOTR J. D. Faculty of Physics, Warsaw

University, Poland. Single evoked potential Reconstruction by means of wavelet
transform. Biological Cybernetics. 67(2):175-81, 1992.

[29] Mitra S K, Sarbadhikari S N. Machine Intelligence Unit, Indian Statistical Institute,

Calcuta, India. Iterative function system and algorithm- based EEG compression.
Medical Engineerring & Physics. 19(7):605-17, 1997 Oct.

[30] ROB A. Zuidwijk. Continuos and discrete Wavelet Transforms.

http://ww.cwi.nl/cwi/projects/wavelets.html. November 6, 1997

[31] BUSTAMANTE Jairo. Neuroanatomía funcional. 2 ed. Medellin. CELSUS,1996.27-

52; 277-298 p.

[32] ESCOBAR, M PIMIENTA, H. Sistema nervioso Anatomía, Histología clínica. CEN-

TRO EDITORIAL UNIVERSIDAD DEL VALLE.

[33] URIBE URIBE, C. ARANA CHACÓN A. LORENZANA POMBO, P Fundamen-

tos de medicina. Neurología. 5 ed. 36-62; 145-154p. 1997.

[34] GAMBOA ARANA Olga L. Procesamiento de Señales Procedentes del Cerebro.

UNIVERSIDAD DEL VALLE.

[35] P. M. Prenter. Splines and Variational Methods. Wiley-interscience publication,

John Wile & sons, 1975

70
[36] RESTREPO SIERRA Guillermo. Introducción al algebra lineal. CENTRO EDI-
TORIAL UNIVERSIDAD DEL VALLE

[37] RYNNE Bryan P,YOUNGSON Martin A.Linear Functional Analysis. Department

of Mathematics, Heriot-Watt University, Riccarton.

[38] HINESTROZA G. Doris, BENAVIDEZ Alberto.Análisis wavelet vs Análisis de Fourier

en el procesamiento de datos Geo…sicos. REVISTA COLOMBIANA DE FISICA,
Vol 27, No. 1, pags 183-185.

[39] CASTLEMAN Kenneth R. Digital Image Processing.Prentice Hall,Inc,1996.

[40] FERNANDEZ -BERDAGUER E.M, D’ATTELLIS C.E. Wavelet Theory and Har-
monic Analysis in Applied Sciences. Birkhäuser Boston, 1997.

[41] GORDON Erlebacher, M. YOUSUFF Hussaini, LELAND M. Jameson. Wavelets

Theory and Applications. OXFORD UNIVERSITY PRESS. 1996

[42] RIQUENES F. Alejandro. Diseño de un Clasi…cador Automático de Etapas de

Sueño. INSTITUTO DE CIBERNETICA, MATEMÁTICA Y FISICA. 1995.

[43] WAVELET TOOLBOX MANUAL, Matlab.

71