Tesis Wavelet PDF

Procesamiento Digital de Seales Acsticas utilizando
Wavelets.
Pablo Faundez, e-mail: pfaundez@fci.uach.cl ,Alvaro Fuentes, e-mail: afuentes@fci.uach.cl
Profesor Patrocinante: Pedro Reumay, Instituto de Matemticas UACH.
Procesamiento Digital de Seales Acsticas utilizando

Wavelets.
Pablo Faundez, e-mail: pfaundez@fci.uach.cl ,Alvaro Fuentes, e-mail: afuentes@fci.uach.cl
Profesor Patrocinante: Pedro Reumay, Instituto de Matemticas UACH.
AGRADECIMIENTOS
Esta va dedicada a mi gran amigo Pablo Jimenez, por esas largas noches de conversacin en Valdivia,
que me ayudaron a comprender las pginas que vienen a continuacin.
RESUMEN
Este trabajo constituye principalmente una introduccin a la teora de wavelets. Para poder abordar este
tema de una forma ms fcil se comienza con una base matemtica para luego dar una explicacin general de los conceptos sobre las series de Fourier, Transformada de Fourier, DFT y FFT. Posteriormente
se introduce wavelets como una herramienta alternativa al anlisis de Fourier para el procesamiento de seales. El marco terico de esta nueva herramienta se desarrolla explicando las propiedades
matemticas y utilizando como ejemplo la Haar wavelet que corresponde al sistema wavelet ms simple. Ya con un entendimiento bsico de wavelets se presenta el anlisis multi-resolucin dentro del cual
se desarrolla la transformada Discreta de Wavelets en conjunto con el desarrollo de algoritmos para la
transformada rpida de wavelets. Por ltimo se presenta una aplicacin de esta herramienta en la reduccin de ruido a travs de mtodos estadsticos y adems se plantea un mtodo acstico o auditivo
para el mismo propsito.
ABSTRACT
This thesis is mainly an introduction to wavelets theory applied to digital signal processing of acoustics signals. To aboard this subject in a comprehensible manner, the thesis begins with the relevant
mathematicalbackground and a general explanation about the concepts of the Fourier theory (Fourier
series, Fourier Transform, Discrete Fourier transform and Fast Fourier transform). Latter we introduce wavelets as an alternative tool of the Fourier analysis. The mathematical theory of this relatively
new digital signal processing tool is developed trough the explanations of its properties and using as
an example the simplest wavelet system, the Haar wavelet. At this point, with a basic knowledge of
wavelets, the multi-resolution analysis (MRA) is presented together with an explanation of the Discrete Wavelet Transform (DWT) and the development of computational algorithms to implement the
Fast Wavelet transform (FWT). Finally an application of this tool in de-noising of acoustic signals is
presented through statistic methods.
OBJETIVOS GENERALES
1. Desarrollar de una manera clara y didctica la teora matemtica de wavelets.
2. Describir las bases para el diseo de algoritmos con el fin de implementar wavelets en ambientes
computacionales.
3. Presentar una aplicacin de wavelets orientada a resolver un problema de tipo acstico.
OBJETIVOS ESPECIFICOS
1. Describir la teora de wavelets tanto en el dominio continuo como en el dominio discreto teniendo
como base la teora de Fourier.
2. Demostrar de manera clara que para ciertos tipos de seales y/o aplicaciones la transformada de
wavelets presenta un mejor desempeo que la transformada de Fourier.
3. Implementar el uso de algoritmos que realicen la transformada Discreta de Wavelets utilizando
el Software MATLAB 5.3 y comprobar su uso mediante seales obtenidas de forma ficticia y de
forma real.
4. Describir la utilizacin de wavelets en el proceso de reduccin de ruido de alta frecuencia sobre
una seal creada en forma artificial.
5. Utilizar el proceso de reduccin de ruido sobre una seal real con un alto nivel de ruido de fondo
e individualizar o aislar la seal deseada.
ndice de Tablas
6.1
6.2
Coeficientes de reconstruccin para la funcin de escalamiento. . . . . . . . . . . . . . . . . . .
6.3
6.4
Coeficientes obtenidos para la representacin de la seal t2 con la Haar Wavelet en el espacio W0 . . . .
Coeficientes de reconstruccin para
f (t) = t2
, utilizando utilizando la funcin de escalamiento en 1 . .
Coeficientes obtenidos para la representacin de la seal t2 con la Haar Wavelet en el espacio W1 . . . .
73
75
81
83
ndice de Figuras
3.1
(a) Funcin seno de perodo T=2 ; (b) Funcin coseno de perodo T=2 . . . . . . . . . . . . . .
32
3.2
Expansin de f (t) = t en series de Fourier para N=2, N=4, N=8 y N=16. . . . . . . . . . . . . . .
33
3.3
3.4
funcin entre [0; ] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
35
3.5
(a) Seal original; (b) Descomposicin en series de Fourier, la amplitud de cada onda es lo que representa
(a) f es par y de perodo 2 ; (b) f es impar y de perodo 2 . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
3.6
3.7
Representacin en el tiempo de la funcin a analizar en el ejemplo. . . . . . . . . . . . . . . . . .

Transformada de Fourier obtenida en el ejemplo. . . . . . . . . . . . . . . . . . . . . . . . . .
39
40
3.8
Representacin de una onda cuadrada con N
43
3.9
Transformada Discreta de Fourier de la onda cuadrada ilustrada en la figura (1.8). Para la obtencin de
la transformada de Fourier.
= 64 datos
de entrada
. . . . . . . . . . . . . . . .
la DFT se realizaron 4096 operaciones de multiplicacin. . . . . . . . . . . . . . . . . . . . . .
3.10 Inversin binaria para una seal con N
44
datos de entrada . . . . . . . . . . . . . . . . . . . .
46
4.1
Seal x(t) y funcin tiempo-ventana centrada en . . . . . . . . . . . . . . . . . . . . . . . .
50
4.2
(a) Representacin de la seal x(t) ; (b) Contenido espectral de la seal obtenido mediante la transfor-
=8
mada rpida de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3
51
(a) Representacin de la seal x1 (t) ; (b) Contenido espectral de la seal obtenido mediante la FFT, se
observa que las amplitudes de ambas componentes han disminuido a la mitad de su valor real . . . . .
52
4.4
Representacin tiempo - frecuencia con buena resolucin en tiempo y mala resolucin en frecuencia. . .
53
4.5
4.6
Representacin tiempo - frecuencia con buena resolucin en frecuencia y mala resolucin en tiempo. . .
53
54
4.7
Se observa el proceso de escalamiento y traslacin, para una escala grande la wavelet ocupa un mayor
Funcin wavelet correspondiente a la familia Daubechies 4 (ver Apndice). . . . . . . . . . . . . .
segmento de la seal y por lo tanto tiene mejor resolucin en frecuencia mientras que para una escala ms
pequea el intervalo de tiempo bajo el que se analiza la seal es menor, lo que implica mayor resolucin
en tiempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.8
56
Funcin Wavelet Mexican Hat y Morlet con sus respectivas Transformadas de Fourier (grficos de la
izquierda). Se observa como cumplen con la condicin de admisibilidad al tener un rpido decaimiento
4.9
a medida que la frecuencia tiende a 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
Diferencia tiempo - frecuencia v/s tiempo -escala entre la STFT y la CWT. . . . . . . . . . . . . .
58
NDICE DE FIGURAS
6.1
Funcin Haar de escalamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
6.2
f (t) = t2 definida sobre el intervalo [-3,3].
69
6.3
En esta figura apreciamos que la aproximacin realizada por la funcin de escalamiento es bastante
. . . . . . . . . . . . . . . . . . . . . . . . . . .
burda, debido al espacio en que trabajamos. . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4
73
En esta figura se presenta una clara mejora en la resolucin de la representacin de la funcin cuadrtica,
debido que j;k (t)en 1 esta definida en un intervalo de tiempo mas pequeo que en 0 . . . . . . . . .
76
6.5
Funcin wavelet en W0 como combinacin lineal de las funciones escalamiento que expanden V1 y V0 . .
79
6.6
Aproximacin de la seal t2 mediante las funcin wavelet del espacio W0 .
. . . . . . . . . . . . .
81
6.7
Representacin de la funcin f (t) = t2 en el subespacio W1 . . . . . . . . . . . . . . . . . . . .
83
7.1
Espacios anidados generados por la funcin escala. . . . . . . . . . . . . . . . . . . . . . . . .
87
7.2
Representacin de la funcin sin(t), por la funcin escala en distintos espacios.
. . . . . . . . . . .
88
7.3
Espacios wavelet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
88
7.4
Proyeccin de una funcin en diferentes espacios wavelet, usando el sistema Haar. . . . . . . . . . .
90
7.5
Al lado izquierdo vemos la representacin de una funcin mediante el sistema Haar en distintos espacios
Vj , y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama. De abajo
hacia arriba tenemos desde el espacio V0 hasta el V6 . . . . . . . . . . . . . . . . . . . . . . . .
7.6
92
Al lado izquierdo vemos el detalle de una funcin, obtenido mediante el sistema Haar en distintos espacios Wj , y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama. De
abajo hacia arriba tenemos desde el espacio W1 hasta el W6 .
7.7
. . . . . . . . . . . . . . . . . . .
93
(a) Seal original; (b) Modelamiento de sampleos digitales mediante la funcin Haar escala con una
longitud de N
= 24 ;
(c) Modelo en el dominio anlogo. . . . . . . . . . . . . . . . . . . . . . .
98
101
7.8
Descomposicin wavelet donde el dos con la flecha hacia abajo representa la operacin de subsampleo.
7.9
Reconstruccin Wavelet donde el dos con la flecha hacia arriba representa la operacin de supsampleo. . 103
7.10 (a) Estructura de una descomposicin multiresolucin; (b) Vector - DWT obtenido de la descomposicin. 104
7.11 Estructura de una reconstruccin multiresolucin. . . . . . . . . . . . . . . . . . . . . . . . . 104
7.12 Se observa la aplicacin del algoritmo sobre una seal de longitud N
= 8
para obtener (a) Los coefi-
cientes de aproximacin y (b) los coeficientes wavelet. Ambos procesos se realizan en forma paralela. . 106
7.13 Esquema de reconstruccin a partir de un nivel de descomposicin. . . . . . . . . . . . . . . . . . 107

7.14 La suma de las reconstrucciones obtenidas de los coeficientes escala y wavelet nos entrega la seal original. 108
7.15 Anlisis multiresolucin de Y
= f2; 4; 1; 6; 4; 5; 1; 3g y obtencin de los coeficientes dj;k
que conforman
el vector - DWT. Observar que 0 < k < 2 con k slo como nmero entero. . . . . . . . . . . . . . 109
j
7.16 Esquema de Reconstruccin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110

8.1
Efecto del umbral duro y suave aplicado sobre un conjunto de coeficientes. . . . . . . . . . . . . . 113
8.2
Seal que representa un efecto doppler con un nivel de ruido bastante notable (1024 muestras). . . . . 115
NDICE DE FIGURAS
8.3
Descomposicin wavelet realizada con la Daubechies 2 (Lado izquierdo); Coeficientes obtenidos de-
. . . . . . . . . . . . . . . . . . 115
Seal reconstruida utilizando los coeficientes wavelet procesados mediante umbral suave. . . . . . . . 117
spus de haber sido comparados con el umbral (Lado derecho).
8.4
8.5
Comparacin visual entre la seal original y la seal reconstruida. El porcentaje de energa conservado
fue de 93,8 %. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
8.6
Seal correspondiente a vibraciones de un motor rotatorio (Arriba); Seal despus de haber sido procesada (Abajo). Para una visualizacin ms clara, slo los primeros 2500 sampleos se graficaron. . . . . 118
8.7
Coeficientes de descomposicin wavelet obtenidos utilizando la Daubechies 4 (lado derecho); Coeficientes Wavelet obtenidos despus de haber sido comparados con el umbral seleccionado (Lado izquierdo).119
8.8
8.9
Representacin del espectro de la seal original y de la seal limpia. . . . . . . . . . . . . . . . . 120

Seal original. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
8.10 Descomposicin de la seal original realizada con la wavelet Daubechies 4. . . . . . . . . . . . . . 122

8.11 Descomposicin de los coeficientes d4 usando la wavelet Daubechies 6. . . . . . . . . . . . . . . 123
8.12 Transformada de Fourier de las reconstrucciones de la seal original. En rojo: mediante los espacios d2,
d3y d43 . En azul: mediante d2, d3, d43 y d44 .
. . . . . . . . . . . . . . . . . . . . . . . . . . 124
8.13 Arriba: Transformada Continua Wavelet de la seal original; Abajo: Transformada Continua Wavelet
de la reconstruccin con los espacios d2, d3 , d43 y d44 . Ambas representaciones fueron obtenidas
utilizando la wavelet Morlet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
ndice General
1 Introduccin
10
2 Base Matemtica.
12
2.1
Espacios vectoriales de dimensin finita . . . . . . . . . . . . . . . . . . . . . . . . .
12
2.2
Espacios con producto interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
2.3
Espacios Vectoriales de Dimensin Infinita . . . . . . . . . . . . . . . . . . . . . . .
22
2.4
Clculo de los coeficientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
3 Teora de Fourier
31
3.1
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
3.2
Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
3.2.1
Series de Seno y Coseno . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
La Transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
3.3.1
Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
3.4
Transformada Discreta de Fourier (DFT) . . . . . . . . . . . . . . . . . . . . . . . . .
40
3.5
Transformada rpida de Fourier (FFT) . . . . . . . . . . . . . . . . . . . . . . . . . .
44
3.5.1
FFT de diezmado de tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
3.5.2
FFT de diezmado de frecuencia . . . . . . . . . . . . . . . . . . . . . . . . .
45
3.3
4 Analisis Tiempo - Frecuencia

4.1
4.2
48
La Transformada corta de Fourier (STFT) . . . . . . . . . . . . . . . . . . . . . . . .
48
4.1.1
Resolucin Tiempo - Frecuencia . . . . . . . . . . . . . . . . . . . . . . . . .
49
Transformada Continua Wavelet (CWT) . . . . . . . . . . . . . . . . . . . . . . . . .
54
Variables de escala a y traslacin b . . . . . . . . . . . . . . . . . . . . . . . .
55
4.2.1
5 Sistemas Wavelet.
5.1
59
Sistemas wavelet de primera generacin . . . . . . . . . . . . . . . . . . . . . . . . .
59
5.1.1
Caractersticas de sistemas wavelet . . . . . . . . . . . . . . . . . . . . . . .
59
5.1.2
Funcin escala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
NDICE GENERAL
5.1.2.1
9
Caractersticas de una funcin escala. . . . . . . . . . . . . . . . . .
62
Funcin Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
6 Wavelet Haar
6.1 Funcin Haar Escala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 Relacin ortogonalidad y normalidad . . . . . . . . . . . . . . . . . . . . . .
67
67
75
5.1.3
6.2
Funcin Haar Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.2.1 Relacin ortogonalidad y normalidad . . . . . . . . . . . . . . . . . . . . . .
7 Anlisis Multi-Resolucin
7.1
7.2
7.3
78
82
85
Principios de Multi-Resolucin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Transformada Discreta Wavelet (DWT) . . . . . . . . . . . . . . . . . . . . . . . . .
Transformada rpida Wavelet (FWT) y banco de filtros . . . . . . . . . . . . . . . . .
85
91
97
7.3.1
7.3.2
Representacin de seales . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Descomposicin de seales unidimensionales (Anlisis) . . . . . . . . . . . .
97
98
7.3.3
7.3.4
Reconstruccin de seales unidimensionales (Sntesis) . . . . . . . . . . . . . 101

Mltiples Niveles Anlisis - Sntesis . . . . . . . . . . . . . . . . . . . . . . . 102
8 Aplicaciones
111
8.1 Anlisis de transientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
8.2
8.1.1 Biomedicina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

Compresin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
8.3
8.2.1 Compresin de Imgen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112

8.2.2 Compresin de Audio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
Limpieza de Ruido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
8.4
8.3.1
8.3.2
Criterios de umbral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

Desarrollo experimental con datos ficticios . . . . . . . . . . . . . . . . . . . 114
8.3.3
Desarrollo Experimental con seales reales . . . . . . . . . . . . . . . . . . . 116

8.3.3.1 Tratamiento de seales reales obtenidas de las vibraciones de un motor116
8.3.3.2 Tratamiento de seales reales obtenidas al aire libre. . . . . . . . . . 119
Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
A Referencias Internet
131
B Rutinas programadas en MATLAB
134
A Wavelet Daubechies
142
Captulo 1
Introduccin
A fines del siglo XIX comenzaba a gestarse el inicio de la teora matemtica que posteriormente sera
utilizada en el procesamiento digital de seales. Un matemtico francs llamado Joseph Fourier estableca que una seal o funcin poda ser representada como la suma, posiblemente infinita, de series
de senos y cosenos (o en forma equivalente como exponenciales complejas). Este postulado sigui
evolucionando hasta los das de hoy donde la teora de Fourier, ms conocida como la transformada de
Fourier, es ampliamente utilizada en la resolucin de problemas cientficos e ingenieriles en diferentes
campos tales como fsica cuntica, ptica, electrnica, astronoma, acstica y muchos otros.
Desde un punto de vista ms ingenieril o fsico la transformada de Fourier puede ser descrita como
un fenmeno fsico ms que como una herramienta matemtica. Las seales pueden ser interpretadas
como una combinacin lineal de ondas harmnicas o tonos puros por lo que se observa de una manera casi intuitiva que la seal en un instante de tiempo es reemplazada por la suma de varios tonos
puros. De acuerdo con esto la transformada de Fourier utiliza dos funciones bases, las cuales son
seno y coseno, para poder expandir o representar una seal o funcin en trminos de ellas. Estas funciones tienen ciertas caractersticas como su suavidad (trmino utilizado para describir funciones que
no poseen pendientes abruptas o discontinuidades), no son localizables en el tiempo (su dominio es de
[-1; 1]), representacin individual de una frecuencia, entre otras, lo que hace que esta transformada
sea extremadamente til en el anlisis de fenmenos peridicos, de tiempo invariante o estacionarios,
anlisis espectral de una seal en el tiempo, que corresponden a tpicos de gran importancia en el
campo de la Ingeniera Acstica.
Sin embargo, ciertas seales cuya amplitud vara en forma rpida y abrupta en el tiempo o seales
cuyo contenido de frecuencia es variable de un instante de tiempo a otro, las cuales son ms conocidas
como seales no estacionarias, no son analizadas a fondo mediante la transformada de Fourier, debido
a ciertas limitaciones de este anlisis en el campo tiempo - frecuencia. Es en estos trminos de anlisis
donde entra en juego una nueva herramienta matemtica llamada wavelet o T ransformada wavelet:
La transformada wavelet es el resultado de un gran nmero de investigaciones y constituye una
10
11
tcnica de anlisis reciente. Inicialmente un geofsico francs llamado Jean Morlet1 [STR89] [TOR98]
investigaba un mtodo para modelar la propagacin del sonido a travs de la corteza terrestre. Como
alternativa a la transformada de Fourier, Morlet utiliz un sistema basado en una funcin prototipo,
que cumpliendo ciertos requerimientos matemticos y mediante dos procesos denominados dilatacin
o escalamiento y translacin, formaba un set de bases que permitan representar las seales de propagacin con la misma robustez y versatilidad que la transformada de Fourier, pero sin sus limitaciones.
La simplicidad y elegancia de esta nueva herramienta matemtica fue reconocida por un matemtico
francs llamado Yves Meyer [HEI99] [STR89] [DEV91] quien descubri que las wavelets formaban
bases ortonormales de espacios ocupados por funciones cuyo cuadrado es integrable, lo que traducido
al lenguaje del procesamiento de seales, corresponde a funciones o seales cuyo contenido energtico
es finito. En este momento ocurri una pequea explosin de actividad en este rea, ingenieros e investigadores comenzaron a utilizar la transformada de wavelet para aplicaciones en diferentes campos
tales como astronoma, acstica, ingeniera nuclear, deteccin de terremotos, compresin de imgenes,
reconocimiento de voz, visin humana, neurofisiologa, ptica, resonancia magntica, radar, etc.
El trmino wavelet se define como una pequea onda o funcin localizable en el tiempo, que
visto desde una perspectiva del anlisis o procesamiento de seal puede ser considerada como una
herramienta matemtica para la representacin y segmentacin de seales, anlisis tiempo - frecuencia,
y fcil implementacin de rpidos algoritmos computacionales.
Las caractersticas propias de la transformada wavelet nos otorgan la posibilidad de representar
seales en diferentes niveles de resolucin, representar en forma eficiente seales con variaciones de
peak abruptos, analizar seales no estacionarias permitindonos saber el contenido en frecuencia de
una seal y cuando estas componentes de frecuencia se encuentran presentes en la seal. Estos tpicos
constituyen el foco principal del desarrollo de esta tesis, la cual pretende entregar una visin terica y
prctica del uso de esta herramienta en el plano general del procesamiento digital de seales y de como
puede resultar de utilidad en la resolucin de problemas relacionados con el campo de la Acstica.
Morlet, J., Grossmann, A., Descompostion of Hardy functions into square Integrable wavelets of constant shape, SIAM
Journal Math. Annual, 15, 1986, pp. 723-736.
Captulo 2
Base Matemtica.
En este captulo se definirn algunos objetos matematicos necesarios para la sustentacin de la definicin de las funciones wavelet como base de los espacios de funciones lineales de cuadrado integrable
L2 (<):
2.1 Espacios vectoriales de dimensin finita

Un espacio vectorial es un objeto compuesto que consta un cuerpo K y de un conjunto de vectores
V , con dos operaciones binarias (+) y (), que satisfacen ciertas propiedades especiales. El mismo
conjunto de vectores puede ser parte de distintos espacios vectoriales. El nombre vector se da a los
elementos del conjunto V , por conveniencia, pues existe una gran variedad de objetos que pueden ser
vectores y que no se asemejan mucho al concepto que se tiene de vector . El origen de este nombre
proviene del ejemplo 1.
En esta seccin se definirn algunos objetos concernientes a espacios vectoriales.
Definicin 1. Espacio vectorial. Un espacio vectorial consta de lo siguiente:

1. un cuerpo K de escalares;
2. un conjunto V de objetos llamados vectores;
3. una operacin binaria + : V V ! V tal que (x; y ) 7! x + y , satisface: (a) x + y = y + x
(b) x + (y + z ) = (x + y ) + z (c) existe un nico vector 0 2 V , llamado vector nulo, tal que
x + 0 = 0 + x = x, 8x 2 V (d) para cada vector x 2 V , existe un nico vector x 2 V , tal que

x + ( x) = 0;
12
2.1. ESPACIOS VECTORIALES DE DIMENSIN FINITA
13
4. una operacin externa : K V
! V tal que (; x) 7! x, llamada multiplicacin escalar, que

satisface: (i) 1x = x, 8x 2 V (ii) ( )x = (x) (iii) (x + y ) = x + y (iv) ( + )x =
x + x.
Ejemplo 1. El espacio de n-tuples, K n : Sea K cualquier cuerpo, y sea V el conjunto de todos los
n-tuples x = (x1 ; x2 ; x3 :::; xn ) de escalares xi 2 K . Si y = (y1 ; y2 ; y3 ; :::; yn ) con yi 2 K , la suma de
x e y se define por
x + y = (x1 + y1 ; x2 + y2 ; :::; xn + yn )
El producto de un escalar c y el vector x se define por
cx = (cx1 ; cx2 ; :::; cxn )

Uasndo las propiedades de la adicin y multipicacin escalar de los elementos de
K se prueban
fcilmente las propiedades de espacio vectorial.
m n; K mn . Sea K cualquier cuerpo, y sean m y n enteros

positivos. Sea F mn el conjunto de todas las matrices m n sobre el cuerpo K . La suma de dos
vectores A y B en F mn se define por
Ejemplo 2. El espacio de matrices
(A + B )ij = Aij + Bij

El producto de un escalar c y del vector A se define por
(cA)ij = cAij
Ejemplo 3. El espacio de funciones de un conjunto en un cuerpo. Sea K cualquier cuerpo, y sea
S cualquier conjunto no vacio. Sea V el conjunto de todas las funciones f : S ! K . La suma de dos
vectores f y g de V es el vector f
+ g : S ! K definida por
(f + g)(s) = f (s) + g(s)

El producto del escalar c y el vector f es la funcin cf definida por
(cf )(s) = cf (s)

Definicin 2. Combinacin lineal. Un vector
2V
v1 ; :::; vn 2 V , si existen escalares c1 ; :::; cn 2 K tales que
14
se dice combinacin lineal de los vectores
v = c1 v1 + ::: + cn vn =
n
X
i=1
ci v
Definicin 3. Subespacio de un espacio vectorial. Sea V un espacio vectorial sobre el cuerpo K .

Un subespacio de V es un subconjunto W V que con las operaciones de adicin vectorial y multiplicacin escalar sobre V , es l mismo un espacio vectorial sobre K .
V , W 6= ; es un subespacio de V , 8x; y 2 W y 8c 2 K , el vector cx + y 2 W .

A veces se prefiere usar la propiedad cx + y como definicin de un subespacio, lo que es slo
diferente. Lo importante es que si W contiene todos los cx + y , entonces ser un espacio vectorial (con
Teorema 1.
las propiedades heredadas de V ).

Ejemplo 4.
El espacio de las funciones polinomios sobre el cuerpo K es un subespacio del espacio
de todas las funciones de F en F .

Ejemplo 5.
Una matriz cuadrada n n, sobre el cuerpo K es simtrica si Aij
= Aji para todo i; j .
Las matrices simtricas forman un subespacio del espacio de las matrices n n sobre K .
Ejemplo 6. Una matriz A, cuadrada n n, sobre el cuerpo C de los nmeros complejos es Hermtica
(o autoadjunta) si Ajk = Akj para todo j; k , donde el super-rayado indica conjugacin compleja. Una
matriz 2 2 es Hermtica si, y slo si, tiene la forma

0
@
x + iy
x iy w
z
1
A
donde x,y,z,w, son nmeros reales. El conjunto de todas las matrices Hermticas no es un subespacio
del espacio de todas las matrices n n sobre C .
!0
Ejemplo 7. El subconjunto
subespacio nulo de V .
que consta slo del vector nulo es un subespacio de
V , llamado
Teorema 2. Sea V un espacio vectorial sobre el cuerpo K . La interseccin de cualquier coleccin de

subespacios de V es un subespacio de V .
15
= \Wj . Como cada Wj

es un subespacio, cada uno contiene el vector nulo, luego W \ =
6 ;. Tambin cada Wj contiene (cx + y)
lo que implica que (cx + y ) 2 W . Por el Teorema 1 W es un subespacio de V .
Demostracin.
Sea (Wj ) una coleccin de subespacios de V , y sea W
Definicin 4. Subespacio generado. Sea S un conjunto de vectores de un espacio vectorial V .

El subespacio generado por S se define como la interseccin W de todos los subespacios de V que
contienen a S .
Teorema 3.
El subespacio generado por un subconjunto S no vacio de un espacio vectorial V es el
conjunto de todas las combinaciones lineales de los vectores de S .
= hS i el subespacio generado por S , entonces W contiene toda la combinacin lineal de vectores de S , de la forma x = c x + c x + ::: + cm xm . As W contiene el conjunto
L de todas las combinaciones lineales de vectores de S . Por otra parte S L y L es no vacio. Si x e y
2 L entonces y = k: y + ::: + knyn, y (x + y) = mi (ci)xi + nj kj yj 2 L.
Por lo tanto S L W ) L = \W tal que S W .
Demostracin.
Sea W
1 1
=1
=1
S V se dice linealmente
dependiente si existen vectores distintos x1 ; x2 ; :::; xn de S y escalares c1 ; c2 ; :::; cn de K , no todos
nulos, tales que c1 x1 + c2 x2 + ::: + cn xn = 0.
Definicin 5. Dependencia lineal. Sea V un espacio vectorial sobre K .
Un conjunto que no es linealmente dependiente se dice linealmente independiente. Como consecuencia de esta definicin se tiene que:
Todo conjunto que contiene el vector no nulo es linealmente dependiente.
Un conjunto S es l.i , todo subconjunto finito de S es l.i.
Definicin 6. Base de un espacio vectorial. Sea V un espacio vectorial sobre K . Una base de V es
un conjunto de vectores linealmente independientes de V , que genera el espacio V . El espacio V es de

dimensin finita si tiene una base finita.
Teorema 4. Si W1 y W2 son subespacios de dimensin finita de un espacio vectorial, entonces
dimW1 + dimW2 = dim(W1 \ W2 ) + dim(W1 + W2 )
16
Definicin 7. Transformacin lineal. Sean V y W dos espacios vectoriales sobre el cuerpo K . Una
funcin T
: V ! W es una transformacin lineal si
T (cx + y ) = c(T x) + T y ; y 2 V y 8c 2 K:
K un cuerpo y sea V el espacio vectorial de las funciones polinomios de grado k.
Sea D : V ! V definida por (Df )(x) = c1 + 2c2 x + ::: + kck xk 1 . Entonces D es una transformacin
Ejemplo 8. Sea
lineal.
Ejemplo 9. Sea < el cuerpo de los nmeros reales y sea V el espacio de todas las funciones continuas
R
de < en <. Se define T : V ! V por (T f )(x) = 0x f (t)dt . Entonces T es una transformacin lineal.
La funcin T f es continua y tiene primera derivada continua. La linealidad de las integraciones es una
de sus propiedades fundamentales.
Definicin 8. Espacio nulo y rango de una transformacin lineal. Sean V y W dos espacios
vectoriales sobre el cuerpo K y sea T : V ! W una transformacin lineal. El espacio nulo de T es el
conjunto de todos los vectores x de V tal que T x = 0. Si V es de dimensin finita, el rango de T es la

dimensin de la imgen de T , y la nulidad de T es la dimensin del espacio nulo de T .
Teorema 5. Sean V y W dos espacios vectoriales sobre el cuerpo K y sea T : V ! W una transformacin lineal. Si dimV < 1, entonces rango(T ) + nulidad(T ) = dimV . Si V es un espacio
vectorial sobre el cuerpo K , una transformacin lineal F
: V ! K se llama funcin lineal sobre V .
Ejemplo 10. Sea n 2 @y K un cuerpo. Si A 2 K nn la traza de A es el escalar
trA = a11 + a22 + ::: + ann :

La funcin traza es un funcional en el espacio de las matrices K nn .
Ejemplo 11. Sea
Entonces
[a; b] < y sea C ([a; b]) el espacio de las funciones reales continuas sobre [a; b].
L(g ) =
define un funcional lineal L en C ([a; b]).
Z b
g (t)dt
17
Si V es un espacio vectorial, el conjunto de los funcionales lineales sobre V forman, naturalmente,

un espacio vectorial. Este es el espacio
dual del espacio V :
L(V; K ). Se designa este espacio por V y se llama espacio

V = L(V; K )
Si V es de dimensin finita dimV
Sea
= dimV .
= fv ; v ; :::; vng una base de V . Para cada i existe un funcional lineal nico fi en V , tal que
1
fi (vj ) = ij . De esta forma se obtiene de un conjunto de n funcionales lineales distintos f1 ; f2 ; :::; fn

sobre V . Estos funcionales son l.i. y como dimV = n, deben ser tales que = ff1 ; f2 ; :::; fn g es
una base de V . Esta base se llama base dual de .
Teorema 6. Sea V (K ) un espacio vectorial con dimV = n y sea = fv1 ; v2 ; :::; vn g una base de
V . Entonces existe una nica base dual = ff1 ; f2 ; :::; fn g de V tal que fi (vj ) = ij . Para cada
funcional lineal f sobre V se tiene
n
X
v=
n
X
f
y para cada vector v
i=1
f (vi )fi
2 V se tiene
i=1
fi (v )vi
= fv ; v ; :::; vng es una base ordenada de V y = ff ; f ; :::; fng

es la base dual, entonces fi es precisamente la funcin que asigna a cada vector v 2 V la i-sima
Esta ecuacin dice que si
coordenada de v respecto a la base ordenada .
Ejemplo 12. Sea V el espacio vectorial de todas las funciones polinomios de < en <que tienen grado
2. Sean t ; t ; t
1
tres nmeros reales distintos arbitrarios, y sea
Li (p) = p(ti )
Entonces L1 ; L2 ; L3 son funcionales lineales sobre V . Estos funcionales son l.i. , y como dimV =
3, estos forman una base de V . La base fp1 ; p2; p3g de V tal que fL1 ; L2 ; L3g es su dual debe satisfacer
Li (pj ) = pj (ti ) = ij
Estas funciones polinomios son
2.2. ESPACIOS CON PRODUCTO INTERNO
p1 (x) =
18
(x t )(x t ) ; p (x) = (x t )(x t ) ; p (x) = (x t )(x t )

(t t )(t t )
(t t )(t t )
(t t )(t t )
2
A las transformaciones lineales de V en V se les llama frecuentemente operadores lineales en V .
Si T es un operador lineal en V tal que: (i) es uno a uno y (ii) aplica V sobre V , se dice que T es regular
o invertible. En este caso T 1 es lineal y T (T 1 )(x) = T 1 (T (x)) = x.
Definiciones:
L(X; Y ) el conjunto de todas las transformaciones lineales del espacio vectorial X en el

espacio vectorial Y . Si T; F 2 L(X; Y ) y c; k son escalares, se define cT + kF por
1. Sea
(cT + kF )(x) = cT (x) + kF (x); x 2 X:

2. Si X; Y; Z son espacios vectoriales, si T
por
2 L(X; Y ) y F 2 L(Y; Z ), se define el producto F T
(F T )x = F (T x); x 2 X
FT
X = Y = Z.
Entonces
2 L(X; Z ).
Observemos que
F T no es necesariamente igual, incluso cuando
3. Para T 2 L(<n ; <m ); se define la norma kT kde T como el extremo superior de todos los nmeros
jT xj, donde x vara en <n con jxj 1.
jT xj jT j jxjse cumple para todo x 2 <n.

jT xj jxj ; 8x 2 <n, entonces jT j .
Obsrvese que la desigualdad
Adems, si
es tal que
2.2 Espacios con producto interno

Un producto interno sobre un espacio vectorial es una funcin con propiedades similares a las del
producto escalar en <3 , y en trminos de tal producto se puede tambin definir longitud y ngulo. La
nocin general de ngulo se restringir al concepto de ortogonalidad de vectores.
Definicin 9. Sea K = <oC y V (K ). Un producto interno sobre V es una funcin que asigna a cada
par ordenado de vectores x; y de V un escalar < x; y > de K , de tal modo que 8x; y 2 V y 8c 2 K
tenemos:
(a) hx + y; z i = hx; z i + hy; z i;
19
(b) hcx; y i = c hx; y i;
(c) hy; xi = hx; y i, donde el super-rayado denota conjugacin compleja;

(d) hx; xi > 0 si x 6= 0 ;
Obsrvese que (a), (b) y (c) implican:
(e) hx; cy + z i = c hx; y i + hx; z i.
Es claro que si K = < la conjugacin compleja no se acciona.
Ejemplo 13.
1. En K n se define el producto interno cannico sobre x = (x1 ; x2 ; :::; xn ) e y
hx; yi =
Cuando K
= <, hx; yi =
Pn
j =1
n
X
j =1
= (y ; y ; :::; yn) por

1
xj yj = xy
xj yj .
V = K nn , el espacio de las matrices n n sobre K . MV es isomorfo a K n , luego

hA; B i = Pj;k Ajk Bjk define un producto interno sobre V . Adems, si se introduce la matriz
= Bjk , este producto interno se puede expresar mediante
transpuesta conjugada B , donde Bkj
2
2. Sea
la funcin traza
hA; B i = tr(AB ) = tr(B A)
3. Sea V el espacio vectorial de las funciones continuas de valor complejo en el intervalo unitario,
0 t 1. En V se define el producto interno
hf; gi =
Z 1
0
f (t)g (t)dt
En el espacio de funciones reales se omite la conjugacin.

Es til saber que un producto interno sobre un espacio vectorial, real o complejo, est determinado
por otra funcin, la llamada forma cuadrada determinada por el producto interno. Para
definirla
q
se representa primero la norma o longitud de x respecto al producto interno por kxk = hx; xi. La
forma cuadrtica determinada por el producto es la funcin que asigna a cada vector x el escalar kxk2 .
Por las propiedades del producto interno se sigue:
kx yk = kxk 2Re hx; yi + kyk ; 8x; y

2
En el caso real
hx; yi = 14 kx + yk
1 kx yk
4
20
En el caso complejo
hx; yi = 14 kx + yk
1 kx yk + i kx + iyk
4
4
2
4 kx iyk
Estas igualdades se llaman identidades de polarizacin.

Definicin 10. Espacio producto interno.
Es un espacio real o complejo junto con un producto
interno definido en ese espacio.

Un espacio producto interno real de dimensin finita se llama espacio euclideano. Un espacio con
producto interno complejo se llama espacio unitario.
Teorema 7. Si V es un espacio producto interno, entonces 8x; y
1.
2.
3.
4.
2 V y 8c 2 K tenemos:
kcxk = jcj kxk;

kxk > 0 , para x 6= 0;
khx; yik kxk kyk; (Desigualdad de Cauchy-Schwarz)
kx + yk kxk + kyk.
Definicin 11. Sea V un espacio producto interno y sean x; y 2 V . Entonces x es ortogonal a y si

hx; yi = 0; y se dir que x e y son ortogonales. Si S V es un conjunto de vectores, se dice que
S es un conjunto ortogonal siempre que todos los pares distintos de S sean ortogonales. Un conjunto
ortonormal es un conjunto ortogonal S tal que
kxk = 1; 8x 2 S
Ejemplo 14.
1. El vector cero es ortogonal a todo vector de V y es el nico vector con esa propiedad.
2. La base cannica en <n o C n es un conjunto ortonormal con respecto al producto interno cannico (pic).
3. El vector (x; y ) es ortogonal a (
y; x) con respecto al pic en <2 .
V = C ([0; 1]), espacio de funciones continuas de valor complejo o real en el intervalo

0 x 1 con el producto interno
4. Sea
hf; gi =
Z 1
0
f (x)g (x)dx

Si fn (x) =
21
p
p
2cos(2nx) y gn(x) = 2sin(2nx), entonces el conjunto de funciones f1; f ; g ; f ; g ; :::g
1
es un conjunto infinito ortonormal. En el caso complejo se pueden formar combinaciones de la

forma
p1 (fn + ign); n = 1; 2; 3; :::

2
obtenindose un nuevo conjunto ortonormal S que consta de todas las funciones
hn (x) = ei2nx ; n = 1; 2; :::

5. El nmero real kf k = hf; f i 2 es la norma de f . Si f; g son ortogonales, entonces
1
kf + gk = hf + g; f + gi = hf; f i + hg; f i + hf; gi + hg; gi = kf k + kgk

2
6. Si
f; g son vectores cualesquiera con f
6= 0, entonces h = g
hf;gi
hf;f i f es ortogonal a f , y con
estos se prueba la desigualdad de Schwarz
jhf; gij kf k kgk

7. El problema de aproximacin tiene una importante significacin en espacios de dimensin infinita, sin embargo tiene un sencillo significado en espacios finito dimensionales. Sean u1; u2 , un par
de vectores ortogonales unitarios en <3 , y sea x 2 <3 otro vector cualquiera. Queremos aproxi-
marlos a x por una combinacin lineal y = a1 u1 + a2 u2 . La aproximacin ha de encontrarse en el

plano que pasa por el origen y est determinado por los vectores u1 y u2 . Tomamos como error de
1
la aproximacin E = jx y j = hx y; x y i 2 . Esta es la raz del error cuadrtico, y la mejor
aproximacin y es la que minimiza el error. Esta distancia jx y jse minimiza tomando como
aproximacin y , la proyeccin ortogonal de x sobre el plano. Por tanto la mejor aproximacin y ,
se obtiene tomando ai
es directa.
= hx; uii. La extensin de este resultado a cualquier espacio vectorial V
Teorema 8. Un conjunto ortogonal de vectores no nulos es l.i.
Demostracin. [DET75]
2.3. ESPACIOS VECTORIALES DE DIMENSIN INFINITA
22
2.3 Espacios Vectoriales de Dimensin Infinita

Una de las formas ms fciles de obtener un espacio vectorial de dimensin infinita es prolongando
<n, el espacio de n-tuples de nmeros reales, al espacio de sucesiones infinitas de nmeros reales. Si
x = (x ; x ; :::) e y = (y ; y ; :::) son sucesiones infinitas de nmeros reales , diremos que x = y
si xi = yi 8i 2 @. El conjunto de estas sucesiones forma un espacio vectorial con la adicin y
1
multiplicacin por un escalar conocidas. Pretendemos tener un producto interno en espacio, luego
tenemos que restringir las sucesiones en alguna forma. Deseamos definir el producto interno
hx; yi = x y + x y + ::: =
1 1
xi yi
2 2
i=1
y por tanto la norma es de la siguiente forma
kxk =
i=1
!1
xi
Como ahora estamos tratando con sucesiones infinitas, para asegurar la convergencia restringiremos
P
2
las sucesiones a aquellas tales que 1
i=1 xi < 1. Como se ha impuesto una restriccin, es necesario
verificar los axiomas de espacio vectorial. Slo verificaremos cerradura de la suma.
Si
i=1
, consideremos
x2i < 1 y
i=1
yi2 < 1
0 (jxij jyij) = xi + yi 2 jxiyij

2
, tenemos que
2 jxiyij xi + yi
2
, y entonces
(xi + yi) = xi + yi + 2xiyi

2
i=1
(xi + yi) 2
2
i=1
x2i + 2
i=1
yi2 < 1
La verificacin de los otros axiomas se hace por clculo directo. Para el producto interno tenemos
23
que
jxiyij 12 xi + yi

y entonces
i=1
jxiyij 12
i=1
x2i +
11y
2i i
X
=1
lo que muestra que
i=1
xi yi
converge absolutamente. Las cinco propiedades del producto interno son fciles de verificar. As
mostramos que el conjunto de sucesiones es un espacio vectorial real con producto interno.
Consideremos el conjunto infinito de vectores (ei ), tenemos que x
1 xi ei . Esta es una serie

i=1
infinita de vectores, as que debemos definir lo que entendemos por convergencia de una de tales series.
Sea xn el vector de la suma parcial xn
0
kxn xk =
1 xi ei . Entonces
i=1
i=n+1
11
2
xi
2A
! 0 cuando n ! 1
puesto que la serie
i=1
x2i
converge.
Definicin 11. Si V es un espacio de dimensin infinita con un producto interno, entonces fv1 ; v2 ; :::g
es una base ortonormal si:
1.
hvi; vj i = ij , con i; j = 1; 2; :::
2. la serie
1 xi vi converge a x ; 8x 2 V , donde xi = hx; vi i es la coordenada de x respecto a vi .

i=1
Definicin 12. Si
fxng1n
=1
V es un espacio de dimensin infinita con su norma, una sucesin de vectores
es una sucesin de Cauchy si
lim kxn xm k = 0 ; n; m ! 1
24
, o en otra forma, si
8 > 0; 9N tal que kxn xm k < cuando n; m > N:

Teorema 10. Sea V (K ) con dimV = 1 con una norma. Si una sucesin de vectores fxn g1
n=1
converge a x en V , entonces la sucesin es una sucesin de Cauchy. El inverso de este teorema no es,
en general, verdadero.
Los espacios en que toda sucesin de Cauchy converge a un vector en el espacio se llaman espacios
completos.
Definicin 13. Sea V un espacio vectorial con una norma. V es un espacio completo si toda sucesin
de Cauchy en V converge a un vector en V . Un espacio vectorial normado y completo se llama espacio
de Banach. Si la norma es derivada de un producto interno, el espacio se llama espacio de Hilbert.
P1
2
Teorema 11. El espacio l2 (<) = ffxn g1
n=1 j i=1 xi
es completo.
Demostracin.
P
< 1g, con un producto interno hx; y i = 1
i=1 xi yi ,
[DET74]
En espacios de dimensin infinita, se pueden encontrar infinitos conjuntos de funciones ortonormales.

Ejemplo 15. Encontrar un conjunto de polinomios ortonormales en C [
hf; gi =
Solucin.
Z 1
1
1; 1]. El producto escalar es
f (x)g (x)dx
Comenzamos con una funcin constante h1 (x) = c.

Z 1
1
h1 (x)h1 (x)dx = 1 ) c =
p1
2
Seguimos con una funcin lineal h2 (x) = ax + b.

Z 1
1
h1 (x)h2 (x)dx = 0 )
Z 1
1
axp+ b
dx = 0;
2b = 0
y considerando que b = 0 en h2
Z 1
1
h2 (x)h2 (x)dx = 1 )
Z 1
1
a2 x2 dx = 1 )
2a = 1
3
2

y as
p
3
a= p :
2
Ahora consideremos una funcin cuadratica
h3 (x) = rx2 + kx + l
Las constantes r; k; l se determinan desde las tres condiciones
Z 1
1
Z 1
1
Z 1
1
Z 1
1
h1 (x)h3 (x)dx = 0 )
Z 1
1
h3 (x)h3 (x)dx = 1
h1 (x)h3 (x)dx = 0
h2 (x)h3 (x)dx = 0
Z 1
1
rx2 +pkx + l
p p
2r + 2l = 0
dx =
3
p
p
3
p x(rx + kx + l)dx = p3 k = 0
2
2
2
As,
r=
3l
l2
Entonces
Z 1
1
(3x
1) dx = 85 l = 1
2
p
5
l= p :
2 2
25

Los tres primeros polinomios son
1
h (x) = p ;
2
1
p
3
h (x) = p x;
2
26
h3 (x) =
5(3xp 1)
2 2
2
Este proceso se puede continuar indefinidamente. En el n-simo paso hay n constantes por determinar de n 1 condiciones de ortogonalidad ms una condicin de normalizacin. El polinomio general
es
hn =
2n 1 P (x)
2 n
1
, donde Pn (x) es el polinomio de Legendre dado por
Pn (x) =
1 dn (x
2nn! dxn
1)n
Teorema 9. Si f1 ; f2 ; ::: es una base ortonormal, entonces la mejor aproximacin

n
X
k =1
ak fk
de g est dada tomando
ak = hg; fk i
El error cuadrtico mnimo es
En2 (g ) = kg k2
n
X
k =1
jak j
Los coeficientes ak = hg; fk i se llaman coeficientes de Fourier de g con respecto a la sucesin

P
ortonormal f1 ; f2 ; ::: . La aproximacin nk=1 ak fk se llama n-sima aproximacin de Fourier. Como
En2 (g ) 0 es no creciente, lim!1 En2 (g ) existe y tambin
Pn
k =1
n
X
0 lim!1 En(g) = kgk
, luego
n
X
k =1
jak j . De donde
k =1
jak j kgk
2
Esta ltima ecuacin se conoce como Desigualdad deBessel.
jak j
27
Ejemplo 15. Determine la mejor aproximacin cuadrtica media de jxjpor un polinomio de grado 4
sobre el intervalo [
Solucin.
1; 1]. Calculese la raz del error cuadrtico medio.
Los polinomios de Legendre normalizados son
hn (x) =
2n + 1 P (x)
2 n
Como todo polinomio de grado n puede expresarse como una combinacin lineal de los primeros
n polinomios de Legendre, sigue que la mejor aproximacin cuadrtica media de jxjde grado n sobre
[ 1; 1] es
n
X
sn (x) = ak hk (x)
k =1
donde
Z 1
ak =
jxj hk (x)dx
Como Pk (x)es impar si k es impar y par si k es par,
a2k+1 = 0 y a2k = 2
s
1
1 5 (3x
h (x) = p ; h (x) =
2 2
2
0
De aqui
Z 1
0
xh2k (x)dx
1); h (x) = p3 (35x

8 2
30x + 3)
1
1 5 ; a = p1
a =p ; a =
4 2
2
8 2
0
, y la mejor aproximacin cuadrtica media de grado 4 es
s4 (x) =
1 + 5 (3x
2 16
3 (35x
1) 128
30x + 3)
2
1 ( 105x + 210x + 15)

= 128
4
E42 =
Z 1
1
jxj dx
2
1 + 5 + 1 = 2 85 = 1
2 32 128 3 128 384

28
1 = 1p
768 16 3
e4 = p
Sean dos funciones f (t); g (t) 2 L2 [a; b] (conjunto de funciones reales cuyo cuadrado es integrable
en el intervalo [a; b]). El producto interno de dos funciones se define como:
< f (t); g (t) >=
Z t
2
t1
f (t):g (t)dt
Dos funciones reales f (t) y g (t) se dicen ortogonales entre s, si su producto interno es:
< f (t); g (t) >=

Un conjunto de vectores
Z t
2
f (t):g (t)dt = 0
t1
fv ; v ; :::; vng se dice que es ortonormal, si todos los vectores de este

1
conjunto son ortogonales entre s, y la norma de cada uno de ellos es igual a uno. Esto puede ser
expresado como:
< vm ; vn >= mn
Similarmente, un conjunto de funciones
ortonormal si:
k (t) ; k
< k (t):l (t) >=

para k
Z t
2
t1
= 1; 2; 3::: definidas en [t ; t ] se dice que es

1
k (t):l (t)dt = 0
6= l (condicin de ortogonalidad), y adems

Z t
2
t1
(k (t)) dt = 1
2
Las dos ecuaciones anteriores se pueden resumir en
< k (t):l (t) >=

Ejemplo 16.
partir de esta.
Probar que el conjunto f(3; 7); (
Z t
2
t1
k (t):l (t)dt = kl
7; 3)g es ortogonal. Obtenga una base ortonormal a
Solucin.
< [3; 7]; [
7; 3] >= 3 7 + 7 3 = 0
2.4. CLCULO DE LOS COEFICIENTES
29
lo que prueba la ortogonalidad entre estos dos vectores. Ahora debemos obtener una base ortonormal a partir del conjunto anterior.
< [3; 7]; [3; 7] >= 3 3 + 7 7 = 58

<[
7; 3]; [ 7; 3] >= 7 7 + 3 3 = 40
ninguna de estas bases cumple con tener norma igual a uno, pero si expresamos ambos vectores
como una combinacin lineal de otros vectores, de la forma
[3; 7] = 3 [1; 0] + 7 [0; 1]

[ 7; 3] = 7 [1; 0] + 3 [0; 1]
y calculamos el producto interno
< [1; 0]; [0; 1] >= 1 0 + 0 1 = 0

< [1; 0]; [1; 0] >= 1 1 + 0 0 = 1
< [0; 1]; [0; 1] >= 0 0 + 1 1 = 1
obtenemos una base ortonormal f[1; 0]; [0; 1]g.
2.4 Clculo de los coeficientes

El clculo de los coeficientes ck debe ser rpido y eficiente, por lo que un mtodo con estas caractersticas debe implementarse. La caracterstica de ortonormalidad de las funciones fk nos ser de gran
ayuda en esta tarea, pues remitir el clculo a una integral.
Sea g (t) una funcin en V
L (<), entonces
2
g (t) = a 1 f 1 (t) + ::: + a 1 f
(t) + a f (t) + ::: + ak fk (t) + ::: + a1f1(t)

0 0
2.4. CLCULO DE LOS COEFICIENTES
30
si hacemos el producto vectorial de esta ecuacin con fk tenemos
< g (t); fk (t) >= a 1 < f 1(t); fk (t) > +::: + ak < fk (t); fk (t) > +::: + a1 < f1 (t); fk (t) >
pero como sabemos que el conjunto de funciones fk es ortogonal, slo uno de los infinitos productos
internos de la parte derecha de la ecuacin sera no nulo
< g (t); fk (t) >= ak < fk (t); fk (t) >

adems este conjunto de funciones es ortonormal por lo que
ak =< g (t); fk (t) >

o lo que es lo mismo
ak =
(2.1)
g (t)fk (t)dt
as el producto interno entre la funcin g (t) con la funcin base fk (t) nos entrega el correspondiente
coeficiente ak .
Si reemplazamos (2.1) en
g (t) =
obtenemos
k Z
g (t) =
ak fk (t)
k Z
con a; t 2 R
(2.2)
< g (t); fk (t) > fk (t)
ecuacin que nos entregara de vuelta la seal original g (t). Esto es el fundamento del teorema de
Parseval, que dice que la norma de la energa puede ser particionada en trminos de la expansin de
coeficientes ak [BUR98], lo que se expresa matemticamente como sigue
Z
jg(t)j dt =
2
k Z
jak j
Entonces se deduce que cualquier seal de energa finita puede ser descompuesta en un conjunto de
coeficientes asociados a una funcin base.
Captulo 3
Teora de Fourier
3.1 Introduccin
Un proceso fsico puede ser descrito en el dominio del tiempo mediante valores representados por una
cantidad f como funcin del tiempo. Tambin es posible describir el mismo proceso en el dominio de
la frecuencia mediante una serie de amplitudes representadas por F como funcin de la frecuencia. La
transformada de Fourier es una herramienta con la capacidad de representar este proceso, o cualquier
otro, tanto en el dominio del tiempo como en el dominio de la frecuencia. Esto hace que la Transformada de Fourier sea ampliamente utilizada en aplicaciones en el campo de la ciencia e ingeniera.
3.2 Series de Fourier

Estas series tienen su origen en el siglo IXI y deben el nombre a su creador Joseph Baptiste Fourier. La
idea bsica de las series de Fourier es que una funcin peridica (Esta condicin es primordial) puede
ser representada como una suma ponderada de senos y cosenos. Una serie de la forma
f (t) =
a0
2 + fancos(nt) + bn sen(nt)g
X
(3.1)
es denominada serie trigonomtrica. Esta serie toma el nombre de serie de Fourier cuando es posible
obtener todos los coeficientes an y bn mediante una integracin de la funcin f (t) de la siguiente manera
1
a =

Z 2
an =
Z 2
0
f (t)dt
(n = 0; 1; 2; :::)
f (t)cos(nt)dt
31
(n = 0; 1; 2; :::)
(3.2)
3.2. SERIES DE FOURIER
32
Figura 3.1: (a) Funcin seno de perodo T=2 ; (b) Funcin coseno de perodo T=2
bn =
Z 2
f (t)sen(nt)dt
(n = 0; 1; 2; :::)
La obtencin de los coeficientes de la forma en que se expresa la ecuacin (3.2) es posible gracias
a la ortogonalidad existente entre las funciones cosenos y seno y entre si mismas para valores de n
diferentes. Lo anterior se puede resumir de la siguiente manera
sen(nt)cos(mt)dt = 0
0 sen(nt)cos(mt)dt = 0
R 2
0 sen(nt)sen(mt)dt = 0
R 2
0 cos(nt)cos(mt)dt = 0
R 2
0
R 2
n 6= m
n=m
n 6= m
n 6= m
(3.3)
Adems es necesario cumplir con la condicin de que la norma de la funcin analizada sea integrable y esa integral sea finita, es decir,
Z 2
0
y que sea de la forma
f (t + T )
jf (t)j < 1
(3.4)
= f (t), es decir, la funcin debe ser peridica (Para este caso
= 2, lo cual no necesariamente debe ser) ya que las funciones de expansin seno y coseno son
peridicas. El intervalo [0; 2 ] fue seleccionado debido a que corresponde al perodo de las funciones
T
seno y coseno.
Ejemplo
Aproximar la funcin f (t) = t utilizando (3.2)
33
N=2
N=4
N=8
2
N=16
Figura 3.2: Expansin de f (t) = t en series de Fourier para N=2, N=4, N=8 y N=16.
Solucin
a0 = 1 02 tdt = 2
R
an = 1 02 tcos(nt)dt = 0 (n = 1; 2; 3; :::)
R
bn = 1 02 tsen(nt)dt = n2 (n = 1; 2; 3; :::)
R
Por lo tanto la expansin en series de Fourier de f (t) = t sobre el intervalo [0; 2 ], es
f (t) =
2(sent + 12 sen2t + 13 sen3t + :::)
La aproximacin de la serie de Fourier para distintos n se puede observar en la figura (3.2)
3.2.1 Series de Seno y Coseno

De la ecuacin (3.1) podemos distinguir dos series levemente diferentes. Ms especificamente podemos
dividir la serie de Fourier completa en una serie de senos y otra serie de cosenos, lo que depender de
la funcin con la que se trabaje.
1. Si f es par, f (t) = f (
t), su serie de Fourier contendr slo trminos de cosenos.
34
Figura 3.3: funcin entre [0; ]

2. Si f es impar, f (t) =
f ( t), su serie de Fourier contendr slo trminos de senos.
Esto nos permite dividir la funcin o seal en una parte par e impar como sigue
f (t) = E (t) + O(t)
(3.5)
E (t) = 12 [f (t) + f ( t)]

O(t) = 21 [f (t) f ( t)]
(3.6)
donde
de tal manera que
E (t) = 21 [ a2
O(t) = 12 [ a2
+
+
1 fancos(nt) + bn sen(nt)g + a0
1
2
P1
fancos(nt) + bnsen(nt)g a0
P
y como cos(nt) = cos(
1fan cos( nt) + bn sen( nt)g]

1
P1
fancos( nt) + bn sen( nt)g]
(3.7)
nt), sen(nt) = sen( nt), entonces

E (t) = a2 + 1
1 an cos(nt)
P1
O(t) = 1 bn sen(nt)
0
(a)
(b)
(3.8)
Con lo que obtenemos dos nuevas series las que conoceremos como serie cosenoidal de Fourier y
serie senoidal de Fourier respectivamente.
Supongamos ahora que tenemos una funcin
f definida sobre [0; ] como la que se ilustra en la
figura (3.3). Utilizaremos dos maneras tiles a travs de las cuales obtendremos una extensin peridica
de perodo 2 de dicha funcin, como se ilustra en la figura (3.4). Se puede observar que la expansin
3.3. LA TRANSFORMADA DE FOURIER
35
Figura 3.4: (a) f es par y de perodo 2 ; (b) f es impar y de perodo 2

en series de Fourier de la funcin de la figura (3.4a) contendr slo trminos cosenoidales por lo que
podemos aproximar esta funcin mediante (3.8a), donde
an =
Z
0
f (t)cos(nt)dt
(3.9)
De manera anloga la funcin de la figura (3.4b), contendr slo trminos senoidales por lo que
podemos aproximar esta funcin mediante (3.8b), donde
2
bn =

Z
0
f (t)sen(nt)dt
(3.10)
Adems, como consecuencia de que una funcin sea par o impar, los coeficientes se calculan integrando sobre la mitad del perodo de la funcin y multiplicando por 2, en vez de integrar sobre el
intervalo completo, lo que en trminos de clculo puede ahorrar tiempo en forma considerable.
3.3 La Transformada de Fourier

La transformada de Fourier, en esencia, descompone o expande una seal o funcin en senos y cosenos
de diferentes frecuencias cuya suma corresponde a la seal original, es decir, es capaz de distinguir las
36
diferentes componentes de frecuencia de la seal, y sus respectivas amplitudes. La transformada de

Fourier de una funcin del tiempo f (t) se define como
1
f (t)ei!t dt
1
F (! ) =
(3.11)
y la transformada inversa de Fourier, como
f (t) =
1
F (! )e
1
i!t
d!
(3.12)
De acuerdo con lo dicho anteriormente la transformada de Fourier puede obtener un representacin

en el dominio de la frecuencia de una seal que se encuentra originalmente en el dominio del tiempo.
La relacin existente entre la representacin de la seal original a travs de funciones senoidales y
cosenoidales y la exponencial que se observa en (3.11) y (3.12) proviene de la definicin de la identidad
de Euler
ei!t = cos(!t) + isen(!t)

e i!t = cos(!t) isen(!t)
(3.13)
Mediante esta funcin exponencial es posible formar un set de funciones ortogonales
fein!t : n = 0; 1; 2; 3; :::g

sobre un intervalo (t0 ; t0 + T ), y por lo tanto podemos descomponer o expandir la seal original (en
el dominio del tiempo) de la siguiente manera
f (t) = F0 + F1 e
i!t
+F e
2
i2!t
+F e
3
i3!t
f (t) =
+ ::: + F ei!t + F ei !t + F ei !t + :::

1
Fn e
in!t
(3.14)
(3.15)
Estas funciones exponenciales pueden ser referidas como las funciones bases de la transformada
de Fourier, y debido a su propiedad de ortogonalidad1, es posible obtener los valores o coeficientes Fn
como trminos de semejanza entre la seal original y la funcin exponencial
R t +T
0
Fn = R tt +T
0
0
t0
Fn =
1
f (t)e
ein!t e
Z t +T
0
t0
in!t
dt
dt
in!t
f (t)e
in!t
dt
(3.16)
(3.17)
La relacin entre esta propiedad y la obtencin de los coeficientes ser explicada de manera ms detallada en los
prximos captulos
37
Figura 3.5: (a) Seal original; (b) Descomposicin en series de Fourier, la amplitud de cada onda es lo que representa la
transformada de Fourier.
Aunque matemticamente la funcin exponencial resulta ms fcil de manipular, de aqu en adelante trabajaremos con las funciones seno y coseno ya que desde un punto de vista fsico, resulta ms
fcil comprender el paso de la seal del dominio del tiempo al dominio de la frecuencia y en forma
inversa. Por lo tanto, es posible realizar una transformacin de (3.15) a la siguiente forma
f (t) =
a0
2 + fancos(n!t) + bn sin(n!t)g
X
(3.18)
an = Re[Fn ]
bn = Im[Fn ]
De esta ecuacin podemos decir que la funcin en el dominio del tiempo ha sido representada como
una combinacin linear de todas las componentes de frecuencia presentes en la seal f (t), donde los
coeficientes an y bn representan la cantidad de energa que aporta cada componente de frecuencia a la
seal original como se puede observar en la figura (3.5).
3.3.1 Propiedades
Algunas propiedades fundamentales de la transformada de Fourier son:
Propiedad de escalamiento en el tiempo
f (at) ,
Propiedad de escalamiento en frecuencia
1 F (! )
jaj a
(3.19)
38
1 f ( t ) , F (b!)
jbj b
Propiedad de traslacin en el tiempo
f (t t0 ) , F (! )ei!t
(3.21)
Propiedad de traslacin en frecuencia
f (t)e
(3.20)
, F (! ! )
i!0 t
(3.22)
Teorema de la convolucin
f (t) h(t) = 11 f (t)h(t )d

f (t) h(t) , F (! )H (! )
(3.23)
Corr(f; h) = 11 f ( + t)h(t)d
Corr(f; h) , F (! )H (! )
(3.24)
Teorema de la correlacin
R
Teorema de Parseval, que dice que la energa de la seal es siempre la misma sin depender de si
se encuentra en el dominio del tiempo o en el dominio de la frecuencia
Energia T otal =
Z 1
1
2
j
f (t)j dt =
j
F (! )j2 d!
1
1
Ejemplo
Obtener la Transformada de Fourier de la siguiente funcin (ver figura (3.6))
8
<
f (t) = :
1
0
< t < T2
caso contrario
T
Solucin
Debemos reemplazar la funcin en (3.11)
F (! ) =
1ei!t dt
(3.25)
39
Figura 3.6: Representacin en el tiempo de la funcin a analizar en el ejemplo.
F (! ) =
F (! ) =
ei!
ei!t

i!
e
i!
i! T2
Utilizando la identidad de Euler observamos que
ei!
i! T2
= 2isen( 12 !T )
de tal manera que podemos reescribir nuestro resultado de la forma
sen( 12 !T )
F (! ) = T
1
!T
2
(
La multiplicacin de
F (! ) por
T
T
= T sinc(!T )
= 1 se realiz para obtener la forma de una nueva funcin
sinc(!T ), que es muy utilizada en textos y tutoriales referidos al procesamiento digital de seales(
figura (3.7)). Como se ilustra en la figura (3.7) la transformada de Fourier de una onda cuadrada
muestra que la energa de la seal se concentra en !
trasladamos a las frecuencias altas.
= 0.
Esta energa disminuye a medida que nos
3.4. TRANSFORMADA DISCRETA DE FOURIER (DFT)
40
Figura 3.7: Transformada de Fourier obtenida en el ejemplo.
3.4 Transformada Discreta de Fourier (DFT)

Cuando hablamos de procesamiento digital de seales en forma automtica nos vemos enfrentados al
uso de un computador. Debido a que los computadores trabajan slo con datos discretos, el clculo
numrico de la transformada de Fourier de f (t) requiere valores discretos o sampleos de f (t), es decir,
valores de la formas fk con k = 0; 1; 2:::. Esto significa que mediante el uso de un computador es
posible calcular la transformada F (w ) slo para valores discretos de w , es decir, obtendremos valores
de la transformada de la forma Fn con n = 0; 1; 2; :::. De ahora en adelante nos referiremos a f como
una seal en el tiempo (ya no como funcin).
Por lo tanto, supongamos que f (t) es una seal peridica de perodo T y que slo conocemos sus
valores en N puntos igualmente espaciados en el tiempo. Entonces, si f (kTs ) corresponde al k - simo
sampleo de f (t) y F (nws ), donde ws = 2fs (fs es la frecuencia con la que se realizan los sampleos)
corresponde al n - simo sampleo de F (w ), y adems definimos a N como el nmero de sampleos de
la seal o longitud de la seal, podemos reescribir la Transformada de Fourier, de una seal de perodo
T , en su forma discreta como

Fn =
N
X1
k =0
fk e
n; k = 0; 1; 2; :::; N
i2kn
N
ya que
fk = f (k
y
T
)
N
^ Ts = NT
(3.26)
^ ws = 2T
Fn = F (nws )
Notar que Fn+N
41
= Fn, que se puede comprobar de la forma

Fn+N = Nk=01 fk e N
P
i kn
Fn+N = Nk=01 fk e N ei2k
i2k(n+N )
(3.27)
ei2k = 1
8k 2 Z
Por lo tanto Fn tiene perodo N al igual que fk . De esta manera podemos decir que el conjunto de
coeficientes (Fn )n=0;1;2;:::;N 1 es denominado la Transformada Discreta de Fourier (DFT) de los valores
sampleados (fk )k=0;1;2;:::;N 1.
Ahora bien, si tenemos los coeficientes
similar a (3.26), de la siguiente manera
fk =
N
X1
n=0
Fn e
Fn tambin podemos obtener los valores de fk en forma

n; k = 0; 1; 2; :::; N
i2kn
N
(3.28)
que se conoce como la Inversa de la Transformada Discreta de Fourier (IDFT).

A manera de ejemplo vamos a suponer que tenemos una seal sampleada en cuatro puntos
2
f
donde obviamente N
6
6
6
6
6
6
4
f0
f1
f2
f3
3
7
7
7
7
7
7
5
(3.29)
= 4.
Entonces, si desarrollamos la DFT de fk obtenemos 4 ecuaciones distintas

i200
F0 = [f0 e
i
F1 = [f0 e
i
F2 = [f0 e
i
F3 = [f0 e
4
2 0 1
4
2 0 2
4
2 0 3
4
+ f ei
+ f ei
+ f ei
+ f ei
1
1
1
1
2 0 0
4
2 1 1
4
2 1 2
4
2 1 3
4
+ f ei
+ f ei
+ f ei
+ f ei
2
2
2
2
2 0 0
4
2 2 1
4
2 2 2
4
2 2 3
4
+ f ei ]
+ f ei ]
+ f ei ]
+ f ei ]
3
3
3
3
2 0 0
4
2 3 1
4
2 3 2
4
2 3 3
4
y desarrollando esta ecuacin de acuerdo con la identidad de Euler, obtenemos
(3.30)
42
F0 = [f0 + f1 + f2 + f3 ]
F1 = [f0 + f1 fcos( 2 ) + isen( 2 )g + f2 fcos( ) + isen( )g + f3 fcos( 32 ) + isen( 32 )g]
F2 = [f0 + f1 fcos( ) + isen( )g + f2 fcos(2 ) + isen(2 )g + f3 fcos(3 ) + isen(3 )g]
F3 = [f0 + f1 fcos( 32 ) + isen( 32 )g + f2 fcos(3 ) + isen(3 )g + f3 fcos( 92 ) + isen( 92 )g]
(3.31)
que mediante el clculo de los senos y cosenos podemos resumir nuestro set de ecuaciones a
F0 = [f0 + f1 + f2 + f3 ]
F1 = [f0 + f1 (i) + f2 ( 1) + f3 ( i)]
F2 = [f0 + f1 ( 1) + f2 + f3 ( 1)]
F3 = [f0 + f1 ( i) + f2 ( 1) + f3 (i)]
(3.32)
Esto escrito en forma matricial lo podemos expresar como

2
6
6
6
6
6
6
4
F0
F1
F2
F3
3
7
7
7
7
7
7
5
32
6
6
6
6
6
6
4
7
7
7
7
7
7
5
1 1 1 1
= 1 i 1 i
1 1 1 1
1 i 1 i
6
6
6
6
6
6
4
f0
f1
f2
f3
3
7
7
7
7
7
7
5
(3.33)
A esta nueva matriz la denominaremos matriz de F ourier . A simple vista esta matriz no parece
de mucha utilidad ya que sus componentes no se comportan siguiendo algn patrn (lo que es indispensable en la elaboracin de algn algoritmo computacional). Sin embargo, si dejamos de la misma
forma la primera columna y la primera fila y nos concentramos en el nmero complejo i, podremos
observar que el resto de los componentes de la matriz de Fourier es posible escribirlos como potencias
de i, ya que el tipo de valores que entrega i para un intervalo de exponentes de 1 hasta 4 se repite en
forma peridica
i=
1 i = 1 i = i i =1
2
Por lo tanto podemos reescribir nuestra nueva matriz de Fourier [STR93] de la forma
2
6
6
6
6
6
6
4
F0
F1
F2
F3
3
7
7
7
7
7
7
5
1
= 1
1
1
6
6
6
6
6
6
4
1 1 1
(i) (i) (i)
(i) (i) (i)
(i) (i) (i)
2
32
7
3 7
7
7
6 7
7
5
9
6
6
6
6
6
6
4
f0
f1
f2
f3
3
7
7
7
7
7
7
5
(3.34)
De esta nueva matriz se observa que sus columnas son ortogonales entre ellas (consecuencia de la
43
Figura 3.8: Representacin de una onda cuadrada con N
= 64
datos de entrada
ortogonalidad entre el seno y el coseno), por lo que su inversa es igual a su transpuesta conjugada2, de
tal manera que teniendo los coeficientes de Fourier podemos reconstruir la seal original de la siguiente
forma
2
6
6
6
6
6
6
4
f0
f1
f2
f3
3
7
7
7
7
7
7
5
32
1 1
1
1
= 14 1 ( i) ( i) ( i)
1 ( i) ( i) ( i)
1 ( i) ( i) ( i)
6
6
6
6
6
6
4
7
3 7
7
7
6 7
7
5
9
6
6
6
6
6
6
4
F0
F1
F2
F3
3
7
7
7
7
7
7
5
(3.35)
El punto importante aqu es que ambas matrices tienen la misma forma con la nica diferencia de
un cambio de signo. Por lo tanto si nosostros podemos realizar la transformada rpidamente tambin
podemos obtener la inversa en forma rpida entre los coeficientes y los valores de la funcin.
Este resultado se puede expandir a una matriz de N por N ya que los Fn siguen el mismo tipo de
comportamiento, es decir, cambiamos el i = e 4 a W

i2kn
WNkn = e N , de tal manera que (3.26) y (3.28) quedan
i2
Fn =
fk =
PN
1
k =0
P
N 1
1
n=0
N
= e iN , y de una forma ms generalizada a

2
fk WNkn
Fn WN kn
(3.36)
La matriz de Fourier es completa, es decir, todos sus elementos son distintos cero. Por lo tanto, el
nmero de multiplicaciones que se deben realizar para la obtencin de la DFT de una seal de longitud
N , es de N 2 multiplicaciones. Se deben evaluar N trminos de series de Fourier sobre N puntos. En
las figuras (3.8 y 3.9) se observa una representacin sampleada de la funcin o seal definida en el
ejemplo 1.2, y su respectiva DFT.
2
Esto puede ser corroborado consultando cualquier texto o libro de Algebra Lineal, por ej. STRANG, G., Introduction
to Linear Algebra, Wellesley - Cambridge Press, 1998.
3.5. TRANSFORMADA RPIDA DE FOURIER (FFT)
44
Figura 3.9: Transformada Discreta de Fourier de la onda cuadrada ilustrada en la figura (1.8). Para la obtencin de la
DFT se realizaron 4096 operaciones de multiplicacin.
3.5 Transformada rpida de Fourier (FFT)

Con el fin de implementar en forma prctica la Transformada Discreta de Fourier mediante el uso de
computadores, a mediados de la dcada del sesenta J.W Cooley y J.W Tukey desarrollaron un algoritmo
denominado la Transformada rpida de Fourier (FFT). La FFT elimina informacin redundante que
existe en la DFT, ya que est explota las propiedades de periodicidad y simetra del factor de fase WN .
Estas propiedades son:
N
WNk+
WNk+N
= WNk Simetria
= WNk P eriodicidad
(3.37)
Existen bsicamente dos tipos de algoritmos FFT3 :

1. Diezmado en el dominio del tiempo.
2. Diezmado en el dominio de la frecuencia.
Otro punto importante es que el algoritmo FFT trabaja en forma ms eficiente cuando lo hace sobre una
seal donde el nmero de sampleos N es una potencia de 2. El principio de la FFT se basa en el mtodo
denominado divide y conquista [PRO98], ya que divide la seal de N puntos en dos secuencias de
datos de
N
2
puntos, la seal de entrada o salida respectivamente, segn el tipo de algoritmo.
3.5.1 FFT de diezmado de tiempo

El algoritmo de diezmado en tiempo toma la totalidad de los datos de entrada fk y los separa en sus
muestras pares y sus muestras impares, cada una con una longitud igual a la mitad de la longitud de la
seal original. La demostracin es de la siguiente manera:
3
Para mayor informacin sobre otros tipos de algoritmos FFT se recomienda consultar el libro Tratamiento Digital de
Seales de John Proakis y Dimitris Manolakis [PRO98], disponible en el Instituto de Acstica.
45
Fn = Nk=01 fk WNkn
N
P
PN
Fn = k=01 f2k WN2kn + k=01 f2k+1 WN(2k+1)n
P
como WN2kn
(3.38)
= W Nkn, entonces
2
Fn =
PN
2
k =0
PN
f2k W Nkn + WNn k=01 f2k+1 W Nkn

Fn = Fne + WNn Fno
2
(3.39)
Fne denota el n
esimo componente de la transformada de longitud N2 proveniente de los componentes pares de la seal original fk , mientras que Fno es la transformada de Fourier de longitud N2
correspondiente a los componentes impares de la seal fk . Por lo tanto se ha disminuido el nmero de
2
operaciones de multiplicacin de N 2 a 2 N2 .
El punto interesante es que este proceso es recursivo ya que podemos volver a diezmar las seales
f2k y f2k+1 de tal manera que las transformadasde Fourier que se obtengan sean de longitud N4 , re2
ducindose el nmero de operaciones de N2 a 4 N4 . Por lo tanto, para una seal donde N = 2r ,
el proceso de diezmado se puede repetir r = log2 N veces, ya que en este punto la transformada de
2
Fourier obtenida es de longitud 1. Adems en cada etapa de diezmado se realizan
N
2
operaciones de
multiplicacin. De esta manera el algoritmo FFT de diezmado de tiempo logra reducir el nmero de
multiplicaciones de N 2 a N2 log2 N .
Otro punto importante reside en el orden de la secuencia de entrada despus de que han sido diez-
madas (r 1) veces. Supongamos una seal con una longitud N = 8 como se observa en la figura
(3.10). Si representamos estos datos en su forma binaria nos daremos cuenta que podemos obtener la
secuencia de los datos de entrada diezmados leyendo la representacin binaria de k en forma inversa.
En resumen, el algoritmo de diezmado de tiempo se realiza en dos partes:
1. Inversin binaria de los datos de entrada.
2. Operaciones de multiplicacin y suma sobre los datos invertidos, entregando los datos de salida
en orden natural.
3.5.2 FFT de diezmado de frecuencia

El algoritmo de diezmado en frecuencia al igual que el diezmado en tiempo separa la seal original
de longitud N en dos secuencias con una longitud igual a N2 , la diferencia con el diezmado en tiempo
1) y la otra
reside en que una secuencia contiene la primera mitad de las muestras (k = 0; 1; :::; N2
46
Figura 3.10: Inversin binaria para una seal con N
=8
datos de entrada
= N ; N + 1; :::; N ). La demostracin es de la siguiente manera:
secuencia contiene la otra mitad (k
Fn =
PN
PN
fk WNkn +
k =0
PN
PN
k= N
2
fk WNkn
Fn = k=01 fk WNkn + k=01 fk+ N WN(k+ )n

nN P N
PN
Fn = k=01 fk WNkn + WN k=01 fk+ N WNkn
2
(3.40)
nN
como Wk 2
= ( 1)n , entonces
Fn =
2
X h
k =0
fk + (
1)k fk
N
+
2
W kn
(3.41)
En este momento diezmamos la secuencia Fn en sus muetras pares e impares respectivamente, con
lo que obtenemos
F2n =
PN
fk + fk+ N W Nkn
nh
i
o
PN
F2n+1 = k=01 fk fk+ N WNn W Nkn
2
k =0
donde se utiliz el hecho de que WN2

Si definimos las secuencias de
N
2
2 1
(3.42)
= WN .
2
puntos h1k y h2k como
h1k h= fk + fk+iN
h2k = fk fk+ N WNn
2
entonces
n = 0; 1; :::;
k = 0; 1; 2; :::;
(3.43)
F2n =
PN
F2n+1 =
fk1 W Nkn
k =0
PN
2
47
k =0
fk W Nkn
2
(3.44)
Este procedimiento tambin es recursivo de tal manera que pueden volver a diezmarse las DFTs de
puntos a DFTs de N4 puntos. El proceso completo implica log2 N etapas de diezmado, donde para
cada diezmado implica N2 multiplicaciones. Por lo tanto, al igual que el diezmado de tiempo, el clculo
de la DFT de N puntos por medio del algoritmo FFT de diezmado de frecuencia, requiere N2 log2 N
N
2
multiplicaciones [PRO98].
En resumen, el algoritmo de diezmado de tiempo se realiza en dos partes:
1. Operacin de multiplicacin y suma sobre los datos de entrada en orden natural.
2. Inversin binaria de los datos de salida (Transformada).
Captulo 4
Analisis Tiempo - Frecuencia
4.1 La Transformada corta de Fourier (STFT) 1
Como ya es sabido, la transformada de Fourier constituye una herramienta mediante la cual podemos
obtener informacin sobre como est distribuida la energa de una seal a travs de sus distintas componentes de frecuencia, es decir, podemos conocer todas las componentes de frecuencia existentes en
la seal y sus respectivos aportes energticos. Todo lo anterior se puede resumir diciendo que la transformada de Fourier tiene una perfecta resolucin en frecuencia lo que la hace una herramienta muy
til para el anlisis de seales estacionarias . Sin embargo, ella no puede ser aplicada con el objeto de
obtener informacin precisa de cuando o donde las diferentes componentes de frecuencia se encuentran
en la seal como es el caso de seales quasi - estacionarias o no estacionarias cuyo contenido espectral
vara con el tiempo. En otras palabras, la transformada de Fourier posee una muy pobre resolucin en
tiempo.
En un esfuerzo por resolver el problema de resolucin en tiempo de la transformada de Fourier, Denis Gabor (1946) adapt la transformada utilizando un procedimiento llamado ventanamiento2 . Este
procedimiento consiste en dividir una seal x(t) en pequeos segmentos a travs del tiempo de tal manera que podamos asumir que para cada segmento la seal es estacionaria y as calcular la Transformada
de Fourier clsica para cada porcin de la seal.
La forma de dividir la seal se realiza mediante lo que llamaremos una funcion tiempo ventana
h(t) cuyo ancho o soporte corresponde a la longitud de cada segmentacin de la seal. Con la funcin
ventana encuadramos la seal alrededor de un instante de tiempo y calculamos su transformada de
Fourier, luego trasladamos la funcin ventana hasta que no se sobrepone con la anterior cubriendo una
nueva porcin de la seal a la que volvemos a calcular su transformada de Fourier. Este proceso es
repetido hasta que se ha cubierto la totalidad de la seal.
1
2
Short Time Fourier Transform

Traducido directamente del ingls windowing
48
4.1. LA TRANSFORMADA CORTA DE FOURIER (STFT)
49
El resultado de lo expresado anteriormente se define en forma matemtica de la siguiente manera

Z
ST F T (t; ! ) =
1
x(t)h (
1
t)e
1
x(t)h(t
1
)e
i!t
dt
(4.1)
h(t) como una funcin ventana de valores slo reales no complejos de tal
manera que h( t) = h (t) entonces (4.1) nos queda
y si consideramos a
ST F T (t; ) =
it
dt
(4.2)
que calcula el producto interno entre la seal y la funcin tiempo-ventana trasladada y modulada.
De acuerdo con las propiedades de la transformada de Fourier de translacin en tiempo y frecuencia
h(t t0 ) , H (! )ei!t
h(t)e
i!0 t
, H (! ! )
0
y utilizando el teorema de Parseval [CHU97] podemos expresar tambin la STFT en trminos de la

transformada de Fourier de la seal y la transformada de Fourier de la funcin tiempo ventana, lo que
nos da
ST F T (t; ) =
ib Z
2
1
X (t)H (!
1
)ei ! dt
(4.3)
de tal manera que mientras la funcin tiempo-ventana modulada
eit h(t )
en (4.2) localiza la seal x(t) cerca de t = , la correspondiente funcin frecuencia-ventana
eib
2 H (!
)e
i !
en (4.3) localiza el espectro X (t) de la seal en la vecindad de !
funcin frecuencia-ventana H (! ).
= limitada por el soporte de la
4.1.1 Resolucin Tiempo - Frecuencia

Ahora bien, el soporte de la ventana constituye un parmetro de gran importancia ya que a travs de
este podemos establecer el grado de resolucin tanto de tiempo como de frecuencia que deseemos. Si
nuestra ventana es muy angosta analizaremos una porcin muy pequea de la seal lo que nos permite
50
Figura 4.1: Seal x(t) y funcin tiempo-ventana centrada en

tener una buena resolucin en tiempo pero una mala resolucin en frecuencia ya que conoceremos
slo una mnima fraccin del espectro total existente en la seal. Por otro lado, si nuestra ventana
en muy ancha tendremos una buena resolucin en frecuencia pero una mala resolucin en tiempo, i.e
una ventana de ancho infinito es nada ms y nada menos que la transformada de Fourier clsica. Por
lo tanto un defecto de la STFT es que no puede entregar una buena resolucin tanto en tiempo como
en frecuencia de manera instantnea ya que el soporte de la ventana es fijo. La raz de este problema
se basa en el principio de incertidumbre de Heisenberg3 [PED99] [POL96] el cual establece que es
imposible conocer una representacin exacta tiempo - frecuencia de una seal, es decir, no podemos
saber que valor de frecuencia existe en un instante de tiempo determinado, slo podemos conocer que
componentes de frecuencia existen dentro de un intervalo de tiempo determinado.
Con el fin de dejar ms claro el concepto de resolucin tiempo frecuencia utilizaremos un ejemplo.
Primero supongamos que tenemos una seal x(t) dentro de un intervalo de tiempo igual a una dcima
de segundo. Esta seal esta compuesta por slo dos frecuencias, una correspondiente a 250 Hz y la otra
correspondiente a 500 Hz
x(t) = 0:8 sen(2 250t) + sen(2 500t)
(4.4)
Como podemos observar en la figura (4.2) la transformada de Fourier nos entrega una resolucin
perfecta en frecuencia de dicha seal, como era de esperarse. Ahora, supongamos que tenemos otra
seal x1 (t) con las mismas componentes de frecuencia sobre el mismo intervalo de tiempo, pero con la
diferencia que las primeras 5 centsimas de segundo contienen a la frecuencia de 250 Hz y las otras 5
3
La aplicacin original de este principio es sobre el momentum y ubicacin de partculas en movimiento.
51
Figura 4.2: (a) Representacin de la seal x(t) ; (b) Contenido espectral de la seal obtenido mediante la transformada
rpida de Fourier
centsimas de segundo restante contienen a la frecuencia de 500 Hz, lo que se define como
8
<
0:8sen(2250t) 0 t < 0:05

(4.5)
sen(2 500t) 0:05 < t 0:1
Si aplicamos la Transformada de Fourier sobre x (t) observamos que tambin podemos obtener las
x1 (t) = :
frecuencias existentes de la seal pero con una amplitud igual a la mitad de la amplitud real debido a
que cada componente de frecuencia se encuentra slo la mitad del tiempo de anlisis de la seal como
se ilustra en la figura (4.3). Esta informacin errnea se debe a que la transformada de Fourier, como
se expres en un principio, no puede determinar en que momento dentro de la seal se encuentra una
respectiva componente de frecuencia. Debido a esto vamos a volver a analizar la seal de (4.5)con
la transformada corta de Fourier (STFT), y la funcin tiempo - ventana utilizada ser una funcin
gaussiana simple de la forma
h(t ) = e

2
a2 (t )
(4.6)
donde a es el factor que controla el ancho o soporte de h. El primer anlisis para un valor de a = 20
se ilustra en la figura (4.4). Al ser angosta la ventana utilizada podemos observar que la resolucin en
el tiempo es buena ya que se diferencia claramente la posicin en el tiempo de cada componente de
52
Figura 4.3: (a) Representacin de la seal x1 (t) ; (b) Contenido espectral de la seal obtenido mediante la FFT, se observa
que las amplitudes de ambas componentes han disminuido a la mitad de su valor real
frecuencia. Sin embargo, la resolucin en frecuencia es bastante pobre ya que para cada componente se
observa un ancho de banda amplio lo que impide una deteccin precisa del valor real de la frecuencia
existente en el intervalo de tiempo donde se encuentra. El segundo anlisis se efecta para un valor de
a = 250 y se ilustra en la figura (4.5). Este aumento de a significa que nuestra funcin tiempo - ventana
es ms ancha y por lo tanto hemos mejorado nuestra resolucin en frecuencia ya que el ancho de banda
de cada componente ha disminuido permitindonos identificar claramente cada frecuencia. Por otro
lado la resolucin en tiempo se ha empobrecido producto de la mejora en la resolucin en frecuencia ya
que no se observa una clara separacin de la ubicacin de cada componente en su respectivo intervalo
de tiempo.
Mediante este ejemplo se ha podido demostrar el problema implcito de resolucin de la STFT lo
que crea la interrogante Es posible que la funcin ventana tenga un soporte dinmico y no esttico?, es
decir, una funcin ventana que tenga la capacidad de cambiar su soporte en forma automtica dependiendo del contenido espectral del segmento de la seal analizado, ya que una situacin ideal de anlisis
sera tener una buena resolucin en tiempo para frecuencias altas y una buena resolucin en frecuencia
frente a contenido de frecuencias bajas. Para la resolucin de este problema existe una herramienta
matemtica denominada la transformada continua wavelet que fue desarrollada como una alternativa
de anlisis frente a la STFT, el desarrollo terico y prctico de esta herramienta constituye el foco
principal de la siguiente seccin.
Figura 4.4: Representacin tiempo - frecuencia con buena resolucin en tiempo y mala resolucin en frecuencia.
Figura 4.5: Representacin tiempo - frecuencia con buena resolucin en frecuencia y mala resolucin en tiempo.
53
4.2. TRANSFORMADA CONTINUA WAVELET (CWT)
54
Figura 4.6: Funcin wavelet correspondiente a la familia Daubechies 4 (ver Apndice).
4.2 Transformada Continua Wavelet (CWT)

La transformada wavelet constituye una tcnica relativamente nueva que ha sido propuesta por los
investigadores como una poderosa herramienta en el anlisis sobre el comportamiento local de una
seal. Al igual que la STFT, esta transformada utiliza una funcin ventana que encuadra una seal
dentro de un intervalo y focaliza el anlisis slo en ese segmento de la seal.
La transformada continua wavelet intenta expresar una seal x(t)continua en el tiempo, mediante
una expansin de trminos o coeficientes proporcionales al producto interno entre la seal y diferentes
versiones escaladas y trasladadas de una funcin prototipo (t) ms conocida como wavelet madre.
Asumiendo que tanto la seal como la nueva funcin (t) son de energa finita, entonces podemos
definir
1
CW T (a; b) = p
a
1
x(t)
1
( t a b )dt
(4.7)
como la T ransformada Continua W avelet. Ahora utilizando el teorema de Parseval podemos

escribir (4.7) en trminos de la Transformada de Fourier de x(t) y como
CW T (a; b) =
1p
2 a
1
X (! ) (a! )e
1
i!b
dt
(4.8)
Como se puede observar (4.7) y (4.8) arriba han aparecido dos nuevas variables a y b. La variable
a controla el ancho o soporte efectivo de la funcin , y la variable b nos da la ubicacin en el dominio
del tiempo de .
Ahora bien, para que este anlisis sea posible y adems para poder lograr una perfecta recon-

struccin de la seal a partir de la transformada, la funcin
admisibilidad [CHU98] de la cual se desprende que
55
(t) debe cumplir con la condicion de
(0) = 0
(4.9)
donde = (! ) corresponde a la transformada de Fourier de (t). El cumplimiento de esta

condicin significa que el valor medio de es igual a 0, lo que a su vez implica obligatoriamente que
tenga valores tanto positivos como negativos, es decir, que sea una onda. Adems como es una
funcin que ventaniza la seal sobre un intervalo de tiempo dado por a alrededor de un punto t = b
se observa intuitivamente que es de soporte compacto, es decir, es una onda definida sobre un
intervalo de tiempo finito, y esto es el porque de su nombre wavelet o ondita. El hecho que se cumpla
(4.9) significa implcitamente que (! ) debe tener un rpido decaimiento cuando ! tiende a 0, lo que
nos hace pensar que es una funcin ventana pasabanda en el dominio de la frecuencia ( ya que al
menos en la frecuencia 0 se detiene).
4.2.1 Variables de escala a y traslacin b

Mediante la variable de escala nosotros podemos comprimir (jaj
< 1) o dilatar (jaj > 1) la funcin
(t), lo que nos dar el grado de resolucin con el cual estemos analizando la seal.
Por definicin
la Transformada Continua Wavelet es mas una representacin tiempo - escala que una representacin
tiempo - frecuencia. En particular, para valores pequeos de a la CWT obtiene informacin de x(t) que
est esencialmente localizada en el dominio del tiempo mientras que para valores grandes de a la CWT
obtiene informacin de X (! ) que est localizada en el dominio de la frecuencia. En otras palabras,
para escalas pequeas la CWT nos entrega una buena resolucin en el dominio del tiempo mientras que
para escalas grandes la CWT nos entrega una buena resolucin en el dominio de la frecuencia. Cuando
a cambia, tanto la duracin como el ancho de banda de la wavelet cambian pero su forma se mantiene
igual. En lo anteriormente dicho se encuentra la diferencia principal entre la CWT y la STFT, ya que
la primera ocupa ventanas de corta duracin para altas frecuencias y ventanas de larga duracin para
bajas frecuencias mientras que la STFT ocupa una sola ventana con la misma duracin tanto para altas
frecuencias como para bajas frecuencias.
Aunque la CWT trabaja con el trmino escala en vez de frecuencia, es posible mediante una constante c > 0 realizar un cambio de variable de una escala a a una frecuencia ! de la forma
c
(4.10)
a
donde c recibe el nombre de constante de calibracion en unidades de frecuencia (tal como Hz).
Con este cambio de variable podemos observar que la CWT localiza tanto la seal x(t) en el dominio
del tiempo como su espectro X (! ) en el dominio de la frecuencia en forma simultnea.
a!!=
56
Figura 4.7: Se observa el proceso de escalamiento y traslacin, para una escala grande la wavelet ocupa un mayor
segmento de la seal y por lo tanto tiene mejor resolucin en frecuencia mientras que para una escala ms pequea el
intervalo de tiempo bajo el que se analiza la seal es menor, lo que implica mayor resolucin en tiempo.
57
La variable b controla la ubicacin de la funcin en el espacio de tiempo permitindonos deslizar
(t) sobre el intervalo de tiempo en el que se haya definido x(t). Un punto importante es que la funcin
wavelet se traslada cubriendo toda la seal para cada valor de a, es decir, si la escala escogida es
pequea habrn ms traslaciones de que si la escala escogida es grande, esto se esquematiza en la
figura (4.7). Por lo tanto, la variable
dominio del tiempo.
b nos da la cantidad por la cual
( at ) ha sido trasladada en el
La continuidad de la CWT reside en que tanto la variable de escala como la variable de traslacin
varan en forma continua. Sin embargo, en trminos de clculo computacional es imprescindible discretizar la transformada, y la suposicin ms lgica es que tanto los valores de escala como traslacin
sean discretos. Adelantndonos un poco a lo que es la Transformada Discreta Wavelet, la forma ms
comn de discretizar los valores de a y b es utilizar una red didica[BUR98] [CHU97], es decir, a = 2 j
y b = k2
con j; k
2 Z , de tal manera que el conjunto de funciones

1
a;b (t) = p
a
t b
a
a; b 2 R; a 6= 0
(4.11)
se transforma en el conjunto de funciones

j
2j t k
j;k (t) = 2
2
j; k 2 Z
que corresponde a la versin didicamente discretizada de la funcin wavelet .
(4.12)
58
Figura 4.8: Funcin Wavelet Mexican Hat y Morlet con sus respectivas Transformadas de Fourier (grficos de la izquierda). Se observa como cumplen con la condicin de admisibilidad al tener un rpido decaimiento a medida que la frecuencia
tiende a 0.
Figura 4.9: Diferencia tiempo - frecuencia v/s tiempo -escala entre la STFT y la CWT.
Captulo 5
Sistemas Wavelet.
En este captulo estudiaremos los sistemas wavelets de primera generacin. Definiremos la funcin escala y la wavelet, daremos exigencias para estas y demostraremos sus propiedades. Luego analizaremos
el sistema Haar, probaremos que es un buen sistema wavelet y dejaremos ver ventajas y desventajas
de esta wavelet, que es la ms antigua y simple de todas.
5.1 Sistemas wavelet de primera generacin

Los sistemas wavelet de primera generacin son todos aquellos que sean generados slo por traslaciones enteras y escalamientos de una nica funcin wavelet (t), llamada wavelet madre o wavelet
generadora, que da a luz a una familia de funciones de la forma:
j;k
j; k 2 Z
(t) = 2 j (2j t k)
2
(5.1)
donde el factor 2 2 mantiene una norma constante independiente de la escala j .

j
Esta familia de funciones es llamada el set de expansin wavelet.
La wavelet madre (t), trae siempre asociada consigo una funcin escala (t). Con estas dos
funciones podremos aproximar cualquier funcin o seal f (t) 2 L2 (R), mediante una de las funciones
o mediante ambas, de la forma
f (t) =
XX
cj;k (t) +
XX
dj;k (t)
(5.2)
5.1.1 Caractersticas de sistemas wavelet

El set de expansin wavelet no es nico, existen muchos y muy diferentes sistemas wavelet, pero todos
tienen las siguientes caractersticas (adaptadas de [TAM99]):
59
5.1. SISTEMAS WAVELET DE PRIMERA GENERACIN
60
1. Un sistema wavelet puede describirse de una manera amigable, como un conjunto de ladrillos
(que para cada sistema pueden tener diferente forma) que sirven para reconstruir o representar
una seal o funcin. Este conjunto es una expansin bi-dimensional, que suele ser una base para
alguna clase de seal de una o ms dimensiones. En otras palabras, si el set de expansin esta
dado por f
j;k
(t)jj; k 2 Z g, una expansin lineal puede ser

f (t) =
XX
dj;k (t)
(5.3)
para algn conjunto de coeficientes dj;k .

2. La expansin wavelet entrega una localizacin tiempo-frecuencia instantnea de la seal, representacin que puede explicarse como un pentagrama musical, donde la localizacin y forma de
la figura musical nos dice cuando ocurre el tono y cual es su frecuencia. Esto quiere decir que
la mayor parte de la energa de la seal es bien representada por unos pocos coeficientes dj;k .
Mientras un coeficiente de Fourier representa un componente que dura todo el tiempo en que se
extiende la seal, un coeficiente de expansin wavelet representa un componente bien definido
en un intervalo de tiempo, esto es, un coeficiente wavelet es en s bien localizado en el tiempo.
3. Los sistemas wavelet satisfacen las condiciones de multi-resolucin. Esto significa que si un
conjunto de seales puede ser representado por una suma de (t k ) k 2 Z , un conjunto
ms amplio de seales (que incluye el conjunto original) puede ser representado por una suma
(2t k) k 2 Z .
4. Los coeficientes de ms baja resolucin pueden ser calculados a partir de los coeficientes de
ms alta resolucin, mediante un algoritmo en forma de rbol, llamado banco de filtros. Esto
permite un muy eficiente clculo de los coeficientes de expansin (tambin conocida como la
Transformada Discreta Wavelet).
5. El tamao de los coeficientes de expansin wavelet disminuye rpidamente con j y k .1
6. Los wavelets son ajustables y adaptables. Debido a que existen muchos wavelet, estos pueden
ser diseados para adaptarse a una aplicacin particular.
7. La generacin de wavelets y el clculo de la Transformada Discreta Wavelet es bien realizada por
una computadora, pues como veremos ms tarde estos clculos se remiten slo a multiplicaciones
y sumas.
1
Debido a esto wavelet es una efectiva herramienta en compresin y denoising(limpieza) de seales.
61
5.1.2 Funcin escala
(t) 2 L2 (R), una funcin escala, que trasladada y escalada genera una familia de funciones
fj;k(t) jj; k 2 Z g definida como:
Sea
j; k 2 Z
j;k (t) = 2 (2j t k)

j
(5.4)
8j 2 Z la funcin escala define un subespacio Vj L (R) como

2
Vj = Spank2Z fj;k (t)g

Entonces una funcin f (t) estar en Vj si puede escribirse como
f (t) =
con
k Z
cj;k j;k (t)
cj;k =< f (t); j;k (t) >=
(5.5)
1
jf (t)j;k(t)j dt
1
esta ltima ecuacin se demuestra multiplicando vectorialmente (5.5) por j;k (t) , lo que nos entrega:
< f (t); j;k (t) >= cj; 1 < j; 1(t); j;k (t) > +:::+cj;k < j;k (t); j;k (t) > +:::+cj; 1 < j;1(t); j;k (t) >
pero como veremos luego, la funcin escala debe cumplir con ciertos requisitos, y uno de ellos es ser
ortonormal, por lo que slo uno de los productos puntos de la ecuacin anterior es distinto de cero
(< j;k (t); j;k (t) >= 1), lo que nos entrega
cj;k =< f (t); j;k (t) >

Otra valiosa propiedad que nos entrega la definicin de la funcin escala es que
f (t) 2 Vj , f (2t) 2 Vj +1
lo que se demuestra como sigue
f (t) 2 Vj
62
,
f (t) = k2Z cj;k j;k (t)
,
f (2t) = k2Z cj;k j;k (2t)
, f (2t) k2Z cj;k 2 j (2j t k)
, f (2t) = k2Z cpj;k 2 j (2j t k)
, f (2t) = k2Z cpj;k 2 j j ;k (t)
,
f (2t) 2 Vj
P
P
+1
+1
2
+1
+1
2
+1
+1
5.1.2.1 Caractersticas de una funcin escala.

Una funcin (t) 2 L2 (R) es considerada como una buena funcin de escala si cumple con las
siguientes condiciones (tomadas de [BUR98]):
1. Para cada j
2 Z , fj;k jk 2 Z g forma una base ortonormal para el subespacio Vj L (R).

2
2. Los subespacios Vj estn anidados, o sea
8j 2 Z; fVj Vj g
+1
3. La funcin (t) tiene soporte compacto. Esto es, existe un subconjunto del dominio de (t)
donde esta no es cero, i.e. sup fg = fx 2 Z j(x) 6= 0g.
La normalidad exigida en la condicin 1 se demuestra como:
kj;k(t)k =
=
=
=
=
=
<qj;k (t); j;k (t) >

R1
2
1 j;k (t)dt
1 2 2j 2 2 (2j t k) dt
1
qR
1 2j 2 (u) 1 du
1
2j
qR
1 2 (u)du
1
k(t)k
con
u = 2j t k
du = 2j dt
La condicin de ortonormalidad exige que para cada j
< j;k (t); j;l (t) >= (k
2 Z tengamos:
8
<
l) = :
1 k=l
0 k=
6 l
63
La condicin 2 nos dice que los subespacios Vj incluyen ms funciones de L2 (R) a medida que j
crece.
Proposicin 1. El anidamiento de los espacios se puede expresar como:
8j 2 Z; fVj Vj g , (t) 2 Vj
(5.6)
+1
Demostracin.
Demostraremos ambas implicaciones por separado, comenzando por la ms sim-
ple.
Por demostrar que si 8j
2 Z; fVj Vj g ) (t) 2 Vj (primera implicacin de (5.6)).

Como (t) = ; (t); tenemos que (t) 2 V ; y como por hiptesis V V , debera darse que
(t) 2 V :
+1
00
Por demostrar que si (t) 2 Vj
) 8j 2 Z; fVj Vj g(segunda implicacin de (5.6)).

+1
Tenemos que por hiptesis (t) 2 Vj , o lo que es lo mismo
f (t) 2 Vj , f (t) =
k=
cj;k 2 (2j t k)
j
adems sabemos que existen coeficientes h(n) tal que
(m0 ) =
n Z
con
2(2m0 k)
h(n)
m0 = 2j t k
1
) f (t) =
k=
, f (t) =
cj;k 2
k=
cj;k
2h(n)(2(2j t k) n)
n=
n=
2 j h(n)(2j t 2k n)
+1
2
+1
sea m = 2k + n
) f (t) =
k=
cj;k
m=
2 j h(m 2k)(2j t m)
+1
2
+1
, f (t) =
2 j cj;kh(m 2k)(2j t m)
+1
2
1 m= 1
k=
64
+1
debido a que, como veremos ms tarde, slo un nmero finito de trminos en la sumatoria son
distintos de cero, intercambiamos sumatorias en la ultima expresin
, f (t) =
m=
, f (t) =
sea
2 j (2j t m)
+1
2
m=
j +1:m(t)
cj +1;m =
k=
entonces f (t) puede escribirse como
f (t) =
+1
m=
k=
k=
cj;k h(m
cj;k h(m
cj;k h(m
2k)
2k)
2k)
cj +1;m j +1:m(t)
) f (t) 2 Vj
+1
lo que implica que existen coeficientes fh(n)gn2Z , tal que (t) puede ser expresada en trminos de
una suma de (2t) ajustada y trasladada como
(t) =
k Z
h(n)
2(2t k)
(5.7)
llamada ecuacin bsica de recursin o ecuacin de escala, donde (t) tiene soporte compacto sobre
0 t N 1, los coeficientes h(n) pueden ser una secuencia de nmeros reales o complejos,
p llamados
coeficientes de funcin escala (o filtro de escalamiento o vector de escalamiento) y la 2 mantiene la
normalidad de la funcin escala en V1 .
Proposicin 2. Si (t) es una funcin escala como se define en (5.7), que tiene soporte compacto
sobre 0 t N 1 y f(2t k )jk 2 Z ges base ortonormal para V1 , entonces h(n) tambin tiene
soporte compacto sobre 0 t N 1, por lo que la mxima longitud de la secuencia h(n) es N:

Demostracin.
65
Mostraremos que
2h(n) =
1
(t)(2t
1
n)dt
y como por hiptesis la integral de la derecha es cero para n

demostrado que h(n) tiene soporte en 0 t N 1.
<0yn>N
1, entonces quedara
Tenemos entonces por (5.7) que

Z
1
(t)(2t
1
n)dt =
1 X
p
h(k) 2(2t
1 k 2Z
k)(2t n)dt
como por hiptesis (t)tiene soporte compacto, slo finitos coeficientes son no nulos, por lo que
podemos intercambiar la sumatoria con la integral
Z
1 X
p
h(k) 2(2t
1 k2Z
k Z
h(k)
k)(2t n)dt =
1
(2t
1
k Z
p
h(k) 2
k)(2t n)dt =
k Z
1
(2t
1
h(k)
k)(2t n)dt
p
p
2(k n) = h(n) 2
por lo que queda demostrada la proposicin 2.
5.1.3 Funcin Wavelet

Definimos
Wj = Spank2Z f
j;k
(t)g
como el complemento ortogonal de Vj en Vj +1 , esto significa que todos los miembros de

ortogonales a todos los miembros de Wj . Entonces se requiere que
< j;k (t);
j;k (t) >=
con
j;k
1
j;k (t)
1
j;k
(t)dt = 0
(t) = 2 j (2j t k)
2
y adems
V1 = V0
W0
j; k 2 Z
j; k; l 2 Z
Vj son
66
donde cualquier funcin f (t) 2 Wj puede ser representada como
f (t) =
la funcin bsica wavelet
De este modo la funcin
k Z
dj;k
j;k
(t)
(t) = ; (t) 2 W , y como V = V W , entonces (t) 2 V .

(t), que llamaremos wavelet madre se puede representar como
p
(t) =
2h(n)(2t k)
L
00
k Z
(5.8)
Captulo 6
Wavelet Haar
Comenzaremos este captulo desarrollando la teora wavelet en tiempo continuo para la wavelet Haar,
esto es, descompondremos una funcin continua f (t) 2
la reconstruiremos en diferentes grados de resolucin.
L2 (R), calcularemos sus coeficientes y luego
6.1 Funcin Haar Escala

Sea la funcin (t)perteneciente a L2 (R), definida de la siguiente forma:
8
<
(t) = :
1 si 0 t < 1
0 el resto:
(6.1)
Esta funcin la denominaremos funcin de escalamiento, que grficamente es representada como se

muestra en la Figura (6.1).
Definimos entonces un conjunto de funciones de escalamiento en trminos de traslaciones enteras
de la funcin bsica de escalamiento (t):
Figura 6.1: Funcin Haar de escalamiento.

67
6.1. FUNCIN HAAR ESCALA
68
8
<
1 si t = k t < k + 1 = t
0 caso contrario:
k (t) = (t k) = :
k2Z
(6.2)
^ 2 L (R)
2
el subespacio de L2 (R) generado por esta funcin es definido como
0 = Spank fk (t)g

para todos los enteros k desde
(6.3)
1 a 1 . El superrayado denota clausura, esto significa que

f (t) =
k2Z
ck k (t)
(6.4)
para cualquier f (t) 2 o 2 L2 (R):

o sea, cualquier funcin f (t) que est en 0 puede ser representada por una combinacin lineal del
conjunto de funciones k (t) con sus respectivos coeficientes ck . Para un rpido clculo de estos coeficientes es necesario que k (t) sea ortonormal. Para probar esta propiedad de la familia de funciones en
cuestin, definiremos
8
<
1 si t = m t < m + 1 = t
0 caso contrario:
m (t) = (t m) = :
(6.5)
entonces el producto punto entre (6.2) y (6.5) debe ser cero para cumplir con la condicin de ortogonalidad, es decir
Z
< k (t):m (t) >=
k (t)m (t)dt = 0
(6.6)
con k 6= m
esto es fcilmente demostrable ya que (6.2) y (6.5) estn definidas en distintos intervalos de tiempo,
entonces tenemos
Z
k (t)m (t)dt =
Z t
2
t1
k (t)m (t)dt +
Z t
4
t3
k (t)m (t)dt
(6.7)
69
Figura 6.2: f (t) = t2 definida sobre el intervalo [-3,3].
Z t
2
t1
1 0dt +
queda as demostrada la ortogonalidad de
Z t
4
t3
0 1dt = 0
k (t) con k
(6.8)
2 Z ,con lo que slo nos resta demostrar la
normalidad de este conjunto de funciones. Sea entonces

Z t
2
< k (t); k (t) >=

por (6.2)
Z t
2
t1
k (t)k (t)dt
(6.9)
k (t)k (t)dt = [t]tt
= (k + 1) k = 1
(6.10)
t1
2
1
se demuestra as la ortonormalidad de k (t).
Ejemplo 1
Representar la funcin f (t) = t2 con t 2 [
[ 3; 2].
3; 3], mediante la funcin de escalamiento k (t) con t 2
Solucin
Representaremos la funcin continua f (t) = t2 , como una combinacin lineal de la forma
70
f (t) = c 3 (t + 3) + c 2 (t + 2) + c 1 (t + 1) + c0 (t) + c1 (t

Ahora calcularemos el coeficiente c
por (6.11)
1) + c (t 2)
2
(6.11)
para lo que haremos la multiplicacin vectorial de (t + 3)
1) + c (t 2)= (t + 3)
t2 = c 3 (t + 3) + c 2 (t + 2) + c 1 (t + 1) + c0 (t) + c1 (t
< t2 ; (t + 3) >=< c 3 (t + 3); (t + 3) > +:::+ < c2 (t
2); (t + 3) >
(6.12)
(6.13)
como demostramos anteriormente, k (t)es ortogonal, por lo que todos los productos puntos de la
parte derecha de (6.13) sern cero, excepto < c 3 (t + 3); (t + 3) >
) < t ; (t + 3) >=< c (t + 3); (t + 3) >

2
) < t ; (t + 3) >=
3+1
c 3 (t + 3)(t + 3)dt
(6.14)
(6.15)
donde los lmites de integracin fueron calculados a partir de (6.2)
) < t ; (t + 3) >= c [t]

2
2
3
(6.16)
) < t ; (t + 3) >= c [ 2 + 3]

2
) < t ; (t + 3) >= c

2
) c =
3
) c =
3
2
3
Z 3
3
t2 (t + 3)dt
t2 (t + 3)dt +
Z 3
2
t2 (t + 3)dt
(6.17)
71
como (t + 3)est definida slo en [-3,-2]
) c =
2
3
t2 dt +
"
t3
) c = 3
3
Z 3
2
t2 0dt
(6.18)
) c = 6:3
(6.19)
ahora calcularemos c
t2 = c 3 (t + 3) + c 2 (t + 2) + c 1 (t + 1) + c0 (t) + c1 (t
1) + c (t 2) = (t + 2)
2
< t2 ; (t + 2) >=< c 3 (t + 3); (t + 2) > +:::+ < c2 (t
2); (t + 2) >
(6.20)
(6.21)
k (t)es ortogonal, por lo que todos los productos puntos de la

parte derecha de (6.21) sern cero, excepto < c 2 (t + 2); (t + 2) >
como demostramos anteriormente,
) < t ; (t + 2) >=< c (t + 2); (t + 2) >

2
) < t ; (t + 2) >=
2+1
c 2 (t + 2)(t + 2)dt
(6.22)
(6.23)
donde los lmites de integracin fueron calculados a partir de (6.2)
) < t ; (t + 2) >= c [t]

2
= c [ 1 + 2] = c
2
) c =
Z 3
) c =
2
2
3
t2 (t + 2)dt +
(6.24)
t2 (t + 2)dt
1
1
2
t2 (t + 2)dt +
(6.25)
Z 3
1
t2 (t + 2)dt
72
como (t + 2)esta definida slo en [-2,-1]
) c =
2
2
3
t2 0dt +
1
2
"
t3
) c = 3
2
t2 dt +
Z 3
1
t2 0dt
) c = 2:3
(6.27)
del clculo de estos dos coeficientes queda claro que cualquier coeficiente
como
Z
ck =< f (t); k (t) >=
(6.26)
t2
t1
f (t)dt
ck puede ser calculado

(6.28)
siempre que f (t) 2 L2 (R) y k (t) sea ortonormal. Calcularemos entonces los coeficientes restantes
ocupando (6.28)
Z 1 1
1
t (t + 1) =
2
"
t3
#0
(6.29)
1
= 0:3
(6.30)
c0 = 0:3
(6.31)
c1 = 2:3
(6.32)
c2 = 6:3
(6.33)
en la tabla (6.1) se encuentran todos los coeficientes calculados

Ahora que tenemos los seis coeficientes buscados, podemos reconstruir f (t) = t2 mediante (6.11),
lo que nos entrega la grfica mostrada en la Figura (6.1)
Para una mejor representacin de cualquier seal perteneciente a
L2 (R) por medio de la funcin
de escalamiento, debemos ser capaces de crear una nueva familia de funciones, que adems de tener
las capacidad de trasladarse, puedan tambin ser escaladas para lograr as una mejor resolucin. Nos
73
coeficiente
c 3
c 2
c 1
c0
c1
c2
valor obtenido
6.33
2.33
0.33
0.33
2.33
6.33
Tabla 6.1: Coeficientes de reconstruccin para la funcin de escalamiento.
Figura 6.3: En esta figura apreciamos que la aproximacin realizada por la funcin de escalamiento es bastante burda,
debido al espacio en que trabajamos.
74
definimos entonces un nuevo conjunto de funciones de escalamiento

8
<
j;k (t) = (2j t k) = :
1 si t = kj t < jk = t
0 caso contrario:
1
1+
2
(6.34)
como con j;k (t) 2 j , que se define como
j = Spank fk (2j t)g = Spank fj;k (t)g

donde
(6.35)
j;k (t) es la funcin bsica de escalamiento trasladada y escalada, y j es un subespacio de
L (R) generado por (6.34).

2
Ejemplo 2
Representar la funcin f (t) = t2 con t 2 [
3; 3], mediante la familia de funciones j;k (t).
Solucin
Para representar esta funcin trabajaremos en el espacio 1 , o lo que es lo mismo, j
t2 =
5
X
k= 6
= 1.
ck (2t k)
de manera anloga al ejemplo 1 (revisar desde la ecuacin (6.12) a (6.19)) tenemos que
< t2 ; (2t + 6) >=< c 6 (2t + 6); (2t + 6) >

< c 6 (2t + 6); (2t + 6) >=
2:5
3
c 6 dt
donde los lmites de integracin estn dados por (6.34)
< c 6 (2t + 6); (2t + 6) >=

c
2 =< t ; (2t + 6) >

6
=2
2:5
3
t2 dt
75
coeficientes
valores obtenidos
7.58
5.08
3.08
1.58
0.58
0.08
0.08
0.58
1.58
3.08
5.08
7.58
c 6
c 5
c 4
c 3
c 2
c 1
c0
c1
c2
c3
c4
c5
Tabla 6.2: Coeficientes de reconstruccin para f (t) = t2 , utilizando utilizando la funcin de escalamiento en 1 .
= [ t3 ]
3
2:5
3
= 7:583
los dems coeficientes sern calculados de la misma forma, estos son mostrados en la tabla (6.2)
en la figura (6.4) se muestra la reconstruccin de f (t) = t2 usando j;k (t)en 1
6.1.1 Relacin ortogonalidad y normalidad

Del ejemplo anterior se puede observar que para 1 los coeficientes quedaban divididos por 2, lo que
indica que las funciones de escalamiento de este subespacio no son ortonormales. Demostraremos
ahora que esto no ocurre solo en 1 , si no que en todo j
< j;k (t); j;k (t) >=

con t1 =
Z t
2
t1
j;k (t)j;k (t)dt
t2 =
(6.36)
k+1
< j;k (t); j;k (t) >= [t]tt
2j
2
1
= 21j
(6.37)
76
Figura 6.4: En esta figura se presenta una clara mejora en la resolucin de la representacin de la funcin cuadrtica,
debido que j;k (t)en 1 esta definida en un intervalo de tiempo mas pequeo que en 0 .
queda demostrada entonces la no normalidad de esta familia de funciones, por lo tanto debemos
encontrar una constante que nos permita hacer estas funciones ortonormales, entonces, para j multipliquemos las funciones base por un nmero cualquiera rj
< rj j;k (t); rj j;k (t) >= 1

< rj j;k (t); rj j;k (t) >=
Z t
2
t1
rj j;k (t)rj j;k (t)dt =
rj2
2j
rj2
2j = 1
rj = 2
con lo que obtenemos lo que denominaremos la constante de normalizacin.

Con esta mejora de j;k (t) definimos una nueva familia de funciones
8
<
j
2
si t = kj t < jk = t
j;k (t) = 2 (2 t k) =
0 caso contrario:
j
1+
2
(6.38)
77
entonces de ahora en adelante cuando hagamos referencia a j;k (t), estaremos hablando de (6.38)
Una importante propiedad de la funcin de escalamiento j;k (t), es que puede ser representada por
una combinacin lineal de ella misma, trasladada y escalada. Si elegimos j = 1, y de acuerdo con ()
obtenemos que
p
p
) (t) = h(1) 2(2t) + h(2) 2(2t 1)
(6.39)
se escogen 1;0 (t) y 1;1 (t) ya que necesitamos cumplir con el intervalo de tiempo en que est
definida (t), esto es, 1;0 (t)esta definida en t 2 [0; 0:5) y 1;1 (t) esta definida t 2 [0:5; 1), como se
muestra en (6.34).
Calculemos h(1) y h(2)
h(1) =
) h(1) = 2
2 (t):(2t)dt
Z
0:5
0
1 1dt +
Z 1
0:5
1 0dt
p
) h(1) = 2 [t] = 22 = p12
p
h(2) =
0:5
0
Z 1
2 (t)(2t 1)dt
) h(2) = 2
0:5
0 1dt +
Z 1
0:5
1 1dt
p
) h(2) = 2 [t] = 22 = p12
p
1
0:5
entonces tenemos que la funcin bsica de escalamiento puede ser representada por s misma, escalada y trasladada, como sigue
(t) = (2t) + (2t
1)
(6.40)
6.2. FUNCIN HAAR WAVELET
78
6.2 Funcin Haar Wavelet

Como se observ en la seccin anterior, se obtiene una mejor aproximacin de la seal utilizando
las funciones de escalamiento que ocupan el espacio V1 que utilizando la funcin escalamiento que
ocupa el espacio V0 . Sin embargo, las caractersticas de una seal pueden ser mejor descritas, no
incrementado el tamao del espacio de las funciones escalamiento, sino definiendo un espacio Wj de
funciones levemente diferentes a las funciones escalamiento, que representen la diferencia que existe
entre un espacio Vj y un espacio Vj +1 , tal que
Vj +1 = Vj Wj
(6.41)
por lo que ya estamos en condiciones de decir que el espacio W0 corresponde al complemento del
espacio V0 en el espacio V1 .
Ahora bien, la funcin que expande el espacio W0 se conoce como funcin wavelet, y se define de
la forma
(t) =
8
>
>
>
<
>
>
>
:
1 si 0 t
1 si t 1
0 caso contrario
1
2
1
2
que al igual que la funcin de escalamiento que expande el espacio
(6.42)
V0 , puede ser representada
sobre el intervalo [0; 1]como una combinacin lineal de las funciones de escalamiento que expanden el
espacio V1 de la siguiente manera
p
p
(t) = h (1) 2(2t) + h (2) 2(2t 1)
(6.43)
p
p
de tal manera que al realizar el producto interno de (6.43) por 2(2t) y luego por 2(2t 1),
1
obtenemos respectivamente que
h1 (1) =
y
h1 (2) =
Z 1
2
Z 1
1
2
(t)dt
(6.44)
(t)dt
(6.45)
respectivamente, y calculando los coeficientes g1 y g2 obtenemos como resultado que
1
2
h1 (1) = h1 (2) = p
observando que estos coeficientes nos permiten mantener la normalidad de la funcin
(6.46)
(t).
Como ya sabemos que los espacios V0 y V1 son ortogonales y por lo tanto cualquier espacio Vj
con j = 0; 1; 2; ::: tambin lo es, entonces el espacio W0 al ser el complemento de V0 en V1 es
79
Figura 6.5: Funcin wavelet en W0 como combinacin lineal de las funciones escalamiento que expanden V1 y V0 .
ortogonal. Por lo tanto, al igual que con la funcin escalamiento, es posible obtener una representacin
de la diferencia que existe entre aproximar una seal con un nivel de resolucin j y aproximar la
misma seal con un nivel de resolucin j + 1, mediante el producto interno de esta seal con un set
de funciones que expandan el espacio Wj donde j ser elegido de acuerdo al grado de aproximacin
que se desee.La propiedad de ortogonalidad de W0 y por ende de la funcin wavelet (t), puede ser
demostrada en forma anloga a como se demostr con la funcin de escalamiento. Si nos definimos la
funcin wavelet como
(t) =
8
>
>
>
<
>
>
>
:
1 si k t k +
1 si k + t k + 1
0 caso contrario
1
2
1
2
k2Z
(6.47)
^ 2 L (R)
2
que corresponde a la misma funcin pero desplazada en el tiempo por una constante k , y nos
definimos de la misma forma otra funcin m (t) con m > k ,entonces realizando el producto punto
entre ellas de la forma
<
(t); m (t) >=
Z m+1
(t) m (t)
(6.48)
0 m (t) = 0 m; k 2 Z
(6.49)
obtenemos que
<
k (t); m (t) >=
Z k +1
k (t) 0dt +
con lo que se da por finalizada la demostracin.
Z m+1
80
Ejemplo 3
Aproximar la funcin
funcin escalamiento.
f (t)
=t
sobre el intervalo
[3; 3] en forma anloga a como se hizo con la
Solucin
La primera aproximacin la haremos en W0 de tal manera que las funciones wavelet de este espacio
ser de la forma k (t) = (t k ) con k 2 [ 3; 2), y por lo tanto
f (t) = d
(t + 3) + d
(t + 2) + d
(t + 1) + d (t) + d (t 1) + d (t 2)
ahora, para calcular el primer coeficiente d1 haremos el producto punto de
t2 = d
(t +3)+ d
(t +2)+ d
< t2 ; (t + 3) >=< d
(t + 3) con (6.50)
(t +1)+ d (t)+ d (t 1)+ d (t 2)= (t +3)

0
(t + 3); (t + 3) > +:::+ < d (t 2); (t + 3) >

2
(6.50)
(6.51)
(6.52)
entonces, como demostramos anteriormente que k (t)es ortogonal, todos los productos puntos de
la parte derecha de (6.52) sern cero, excepto < d1 (t + 3); (t + 3) > , por lo tanto
Z
< t2 ; (t + 3) >=
Z
3+1
3
que para
t2 (t + 3) =
(t + 3) = 1 nos queda
Z
para
3+1
1
3+ 2
(t + 3) = 1
Z
2
1
3+ 2
3+1
3
(t + 3) (t + 3)dt
(t + 3) (t + 3)dt
(6.53)
(6.54)
t2 dt =
d+3
(6.55)
t2 dt =
(6.56)
y para (t) = 0 la solucin es trivial. La resolucin de las integrales de (6.55) y (6.56) nos entregan
dos coeficientes, los cuales son
d+3 =
91 = 7:58
12
61 = 5:08
= 12
(6.57)
81
Coeficientes
d 3
d 2
d 1
d0
d1
d2
Valores Obtenidos
2.5
1.5
0.5
-0.5
-1.5
-2.5
Tabla 6.3: Coeficientes obtenidos para la representacin de la seal t2 con la Haar Wavelet en el espacio W0 .
Figura 6.6: Aproximacin de la seal t2 mediante las funcin wavelet del espacio W0 .
donde d+ y d representan los coeficientes obtenidos debido a la parte positiva de la funcin wavelet
haar y la parte negativa de la funcin wavelet haar respectivamente (figura (6.2)).
Realizando el clculo de los otros coeficientes en forma anloga, observamos sus resultados en la
tabla (6.3) y en la figura (6.6).
Ejemplo 4
Aproximar la funcin f (t)
de j
= 1.
=t
con t
2 [ 3; 3], mediante la familia de funciones
j;k
(t) con un valor
Solucin
Representar esta funcin t2 para j = 1, significa que obtendremos una aproximacin de ella en el
subespacio V1 , por lo tanto la representacin de f (t) = t2 mediante la combinacin lineal de 1;k (t),
82
queda
t2 = d
(2t + 6) + d
(2t + 5) + d
(2t + 4) + ::: + d (2t 5)

5
(6.58)
el clculo de los coeficientes se realiza de forma anloga al ejemplo anterior (ver (6.51), (6.52) y
(6.53)), de tal manera que nuestro primer coeficiente lo podemos expresar como
Z
1
3+ 2
que para
(2t + 6) =
Z
3
(2t + 6) = 1 nos queda

Z
1
3+ 4
y para
3+ 1
2
t2 dt =
(2t + 6) (2t + 6)dt
(6.59)
d+6
(2t + 6) = 1
Z
3+ 1
2
3+ 1
4
t2 dt =
Mediante la resolucin de las integrales de arriba obtenemos los respectivos valores de los coeficientes d+6 y d 6
d+6 = 8:27
= 6:9
(6.60)
El resto de los coeficientes se calcula en forma anloga, obtenindose al final una cantidad de 12
coeficientes (tabla (6.4)) que corresponden al doble de coeficientes obtenidos en el ejemplo anterior. La
representacin de la funcin original a travs de estos coeficientes puede observarse en la figura (6.7).
6.2.1 Relacin ortogonalidad y normalidad

De los ejemplos anteriores hay que observar que para W0 los coeficientes quedaban divididos por 2, y
que para W1 los coeficientes quedaban divididos por 4, lo que indica que las funciones wavelets de estos
subespacios no son ortonormales. Por lo tanto debemos encontrar una constante que nos permita hacer
estas funciones ortonormales, entonces, para W0 multipliquemos las funciones base por un nmero
cualquiera r0 y de forma anloga llevmoslo a cabo para W1 con r1 , de tal manera que
< r0 (t); r0 (t) >= 21

< r1 (2t); r1 (2t) >= 14
(6.61)
entonces como sabemos que (6.61) debe dar 1 para que (t) y (2t) sean ortonormales, el valor
p
de r0 debe ser 2 y el valor de r1 debe ser 2. Adems, podemos observar que es posible escribir r1 en
83
Coeficientes
d 6
d 5
d 4
d 3
d 2
d 1
d0
d1
d2
d3
d4
d5
Valores Obtenidos
1.37
1.13
0.87
0.63
0.37
0.13
-0.13
-0.37
-0.63
-0.87
-1.13
-1.37
Tabla 6.4: Coeficientes obtenidos para la representacin de la seal t2 con la Haar Wavelet en el espacio W1 .
Figura 6.7: Representacin de la funcin f (t) = t2 en el subespacio W1 .
84
p p
= 2 2. Por lo tanto para un subespacio Wj podemos establecer que
p p p
p
rj = 2 2 2:::hasta la j esima multiplicacion por 2
trmino de r0 de la forma r1
es decir
rj = 2
con lo que obtenemos lo que denominaremos la constante de normalizacin. De esta manera, al

igual que las funciones escalamiento, ya estamos en condiciones de definir un set de funciones bases
ortonormales mediante escalamiento y traslacin de la forma
(t) = 2 (2j t k) =
j
j;k
con
j;k
8
>
>
>
<
>
>
>
:
(t) 2 Wj que se define como

Wj = Spank f
2 j si kj t kj + j
2 j si kj + jk t k j
0 caso contrario
2
(2j t)g = Spank f
2 +1
j;k
(t)g
1
2 +1
+1
2
(6.62)
(6.63)
donde j;k (t) es la funcin wavelet base trasladada y escalada, y Wj es un subespacio de L2 (R) generado por (6.62).
Captulo 7
Anlisis Multi-Resolucin
7.1 Principios de Multi-Resolucin
El anlisis multi-resolucin consiste bsicamente en aproximar una funcin f (t) en distintos niveles de
resolucin ff1 (t); f2 (t); f3 (t); :::g, lo que nos entrega una descomposicin multi-escala de la forma:
f (t) = f0 (t) +
j 0
gj (t)
donde cada gj (t) = fj +1 (t) fj (t) representa el error en que se incurre al aproximar
mediante fj (t), o lo que es lo mismo, la fluctuacin entre dos niveles sucesivos de resolucin.
En este anlisis empleamos una funcin
fj +1 (t)
(t) cuidadosamente escogida segn la seal a analizar.
Esta funcin esta bien localizada tanto en tiempo como en frecuencia, y translaciones y escalamientos
de ella misma, generan una base f j;k (t)jj; k 2 Z g, que expande gj (t) como:
gj (t) =
k Z
dj;k
j;k
(t)
donde los dj;k son coeficientes escalares llamados coeficientes wavelet.

En la seccin anterior se esbozaron varios principios de multi-resolucin, como condiciones para
una buena funcin escala. Ahora los daremos como requerimientos bsicos para este tipo de anlisis.
Un anlisis multi-resolucin requiere un anidamiento de los espacios generados por las funciones
escala, de la forma:
::: V
o
V V V V ::: L
1
Vj Vj +1
85
8j 2 Z
7.1. PRINCIPIOS DE MULTI-RESOLUCIN

con
86
V 1 = f0g ;
V1 = L2
As el espacio que contiene las seales de ms alta resolucin contiene tambin las de ms baja
resolucin.
Debido a la definicin de
[BUR98]
Vj , estos espacios cumplen con la siguiente condicin de escalamiento

f (t) 2 Vj , f (2t) 2 Vj +1
lo que nos asegura que los elementos de un espacio son simplemente versiones escaladas de los
elementos del siguiente espacio. Como una forma prctica de mostrar esta propiedad representaremos
la funcin escala de Haar mediante versiones escaladas y trasladadas de ella misma. As tenemos que
0;0 (t) = 1;0 (t) + 1;1 (t)

esta ecuacin puede verse de otra forma aplicando (5.7), entonces
(t) = h(0)
p
2(2t) + h(1) 2(2t 1)
(7.1)
donde
h(0) =
Z 1
2
(t)
2(2t)dt
p
2 = p1
h(0) =
2
2
h(1) =
Z 1
1
2
(t)
2(2t 1)dt
p
2 = p1
h(1) =
2
2
entonces (7.1) queda como
(t) = (2t) + (2t
1)
lo que nos muestra que la funcin de escala se puede representar por una versin de ella misma
87
Figura 7.1: Espacios anidados generados por la funcin escala.
escalada ms otra versin de ella misma escalada y trasladada.

En la figura (7.1) se muestra la relacin entre los espacios expandidos por las funciones escala en
sus distintos niveles de resolucin.
As la familia de funciones j;k (t)generar un espacio
Vj = Spank2Z fj;k (t)g

donde el super-rayado denota clausura.
Entonces al aumentar j en la funcin escala mejoraremos la resolucin de la representacin de la
funcin f (t), como se muestra en la figura (7.2). No obstante una mejor representacin de la seal
es obtenida, no mediante el aumento de j , si no que al definir un nuevo espacio Wj , llamado espacio
wavelet, como el complemento ortogonal de Vj en Vj +1 . Lo anterior puede expresarse de la siguiente

forma
Vj Wj = Vj +1
Esta residencia de los espacios wavelet en los espacios de escalamiento se muestra en la figura(7.3),
donde podemos apreciar que dentro del espacio V3 se encuentran contenidos W2 , V2 , V1 y V0 , o dicho
de otra forma, V3 esta conformado por V0 , W0 , W1 y W2 .
Debido a esto el espacio V3 puede ser representado de la forma
V3 = V0 W0 W1 W2
Figura 7.2: Representacin de la funcin sin(t), por la funcin escala en distintos espacios.
Figura 7.3: Espacios wavelet.
88
89
Lo que se puede hacer extensible a todos los espacios siguientes, por ejemplo
L2 = V0 W0 W1 W2 :::
V0 es el espacio inicial, expandido por la funcin escala (t k), y los espacios Wj nos
irn entregando informacin ms detallada de la seal a medida que j crece. La escala que se use
donde
para expandir el espacio inicial ser una decisin del ingeniero, dependiendo su eleccin del anlisis
que se realize y de la seal en cuestin. As podemos representar nuestro espacio L2 partiendo de una
resolucin ms alta, como j = 8, lo que nos entregara
L2 = V8 W8 W9 :::
De esta manera podemos tomar una escala negativa para el espacio inicial, como j
escalas ms gruesas entraran en juego. Al tomar j=-1 tenemos
L2 = ::: W
W W W :::
= 1, donde
(7.2)
Como podemos ver en (7.2) hemos representado el espacio L2 solo con espacios wavelet, lo que
nos lleva a la siguiente ecuacin
V0 = W 1 ::: W
Esto nos muestra de nuevo que podemos escoger cualquier resolucin para nuestro espacio inicial.
En la figura (7.4) vemos proyecciones de una funcin en diferentes espacios wavelet. Ah se puede
observar que a partir del espacio W3 los coeficientes wavelet se concentran en puntos donde la funcin
tiene pendiente distinta de cero. Esto se debe a que los wavelet detectan los cambios de la funcin,
el detalle, que como veremos ms tarde se obtiene de la resta de dos muestras sucesivas de la funcin
discreta, por lo que en los puntos donde la pendiente es ms suave, la resta tendera a cero, junto con la
amplitud del coeficiente wavelet.
La funcin que expande el espacio Wj es la wavelet madre j;k (t). Como W0 V1 , la funcin
wavelet (t) puede ser representada por una suma de funciones escala, escaladas y trasladadas, de la
forma
(t) =
Lo anterior es tambin vlido para

representarse como
(t) =
h1 (n)
(t), ya que V0
h(n)
n2Z
2(2t n);
(7.3)
V , por lo que la funcin escala puede
2(2t n);
n2Z
(7.4)
Figura 7.4: Proyeccin de una funcin en diferentes espacios wavelet, usando el sistema Haar.
90
7.2. TRANSFORMADA DISCRETA WAVELET (DWT)
91
Esta ltima ecuacin es la ecuacin de recursin que vimos en el capitulo 5 en (5.7), los coeficientes
h1 (n) se calculan de la siguiente manera [BUR98]

h1 (n) = (
1)nh(1 n)
Por ejemplo, para una funcin finita de largo N , tenemos
h1 (n) = (
1)nh(N 1 n)
Una funcin pertenecer a el espacio Wj si puede ser representada por la funcin prototipo de una
wavelet madre de la forma
(t) = 2 j (2j t k)
(7.5)
j
donde 2j es la escala de t, k es la traslacin en t y 2 mantiene constante la norma de la wavelet en diferj;k
entes escalas. Como podemos observar, la variable j nos dir en que espacio wavelet esta trabajando
nuestra funcin madre. Esto es anlogo para la funcin escala.
En la figura (7.5) podemos ver ms claramente como mejora la resolucin de una representacin al
cambiar a un espacio escala ms grande o de ms alta resolucin. El detalle en los distintos espacios
wavelet se muestra en la figura (7.6).
7.2 Transformada Discreta Wavelet (DWT)

Hemos dicho ya que una mejor representacin de una seal se obtiene no mediante un aumento del espacio Vj , si no que al combinar con la funcin escala una funcin Wavelet , con todas las caractersticas
que se enuncian en la seccin 7.1.
Definimos antes (5.2), ecuacin que no muestra ningn mtodo para hacer correr las sumatorias
involucradas, cuestin de suma importancia en el momento de hacer una descomposicin eficiente. La
ecuacin llamada transformada discreta wavelet (DWT), que se observa en (7.6), no es ms que (5.2)
con una correcta notacin para j y k
f (t) =
0 1
2jX
cj ;k j ;k (t) +
0
k =0
j
N
X1 2X1
j =j0 k =0
djk
jk
(t)
j; k 2 Z +
(7.6)
cj ;k son los coeficientes de escala, dj;k son los coeficientes wavelet y j0 nos entrega el
espacio inicial VJ que ser el espacio de menor resolucin, y dependiendo de este j0 es que el resto
de los ndices seguirn corriendo. 2N es la longitud de la seal f (n). Esta longitud limitar el nivel
Donde
de descomposicin de una seal, ya que no tiene sentido representar una seal que se encuentra en un
espacio Vjn en el mismo espacio.
92
Figura 7.5: Al lado izquierdo vemos la representacin de una funcin mediante el sistema Haar en distintos espacios Vj ,
y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama. De abajo hacia arriba tenemos
desde el espacio V0 hasta el V6 .
93
Figura 7.6: Al lado izquierdo vemos el detalle de una funcin, obtenido mediante el sistema Haar en distintos espacios
Wj , y al lado derecho vemos representados estos espacios por la parte sombreada del diagrama. De abajo hacia arriba
tenemos desde el espacio W1 hasta el W6 .
94
Desarrollaremos ahora la DWT para el sistema Haar, como una forma de hacer ver la dificultad de
realizar este clculo a mano, y luego entraremos en la teora de banco de filtros que aliviar en forma
sustancial el trabajo realizado.
3
Tomemos la funcin f (t) = sen(t), la cual al ser sampleada a una frecuencia de 22 [Hz ]se transforma en la funcin por tramos
f (t) = [0; p12 ; 1; p12 ; 0; p12 ; 1; p12 ] 2 L2 (R)

con t 2 [0; 2 ], intervalo que trasladaremos a [0; 1] con el fin de trabajar en el mismo dominio
de la funcin escalamiento y la wavelet haar, funciones que utilizaremos para descomponer y luego
reconstruir la seal f (t).
La wavelet ms antigua y simple, la Haar y su funcin de escalamiento, estn definidas de la siguiente forma:
8
(t) = 1 si 0 t < 0:5

1 si t < 1
<
(7.7)
8
<
1 si 0 t < 1
0 el resto:
(7.8)
(t) = 2 j= (2j t k)
(7.9)
jk (t) = 2(j=2) (2j t k)
(7.10)
(t) = :
con
jk
2)
ahora si reemplazamos (7.9) y (7.10)en (7.6) y desarrollamos la sumatoria para j0
g (t) = c00 (t) + d00 (t) + d10
2 (2t) + d
11
2 (2t 1) + d 2 (4t) + ::::
entonces tenemos
(t) = 1 si 0 t < 1
(t) = 1 si 0 t < 0:5
1si0:5 t < 1
8
<
:
8
<
8
<
(2t) = 1 si 0 2t < 0:5 ) (2t) =

1si0:5 2t < 1
8
<
(2t 1) = 1 si 0:5 t < 0:75

1si0:75 t < 1
:
(4t) =
8
<
:
1 si 0 t < 0:125
1si0:125 t < 0:25
=0:
1 si 0 t < 0:25
1si0:25 t < 0:5
20
(7.11)
95
8
<
(4t 1) = 1 si 0:25 t < 0:375

1si0:375 t < 0:5
:
(4t 2) =
8
<
:
1 si 0:5 t < 0:625

1si0:625 t < 0:75
8
<
(4t 3) = 1 si 0:75 t < 0:875

1si0:875 t < 1
:
entonces podemos representar la seal en forma matricial de la siguiente forma:

2
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
7
7
7
7
7
7
7
7
1
7
2
7
7
7
7
7
1
7
2 7
7
7
5
1
2
6
6
6
6
6
6
6
6
j0 6
2 6
6
6
6
6
6
6
6
6
4
p12
=2
p
1 p2 0
1 p2 0
1 p2 0
2 p0
1
1 0 p2
1 0
p2
1 0
p2
1 0
2
1
1
1
1
1
1
1
1
2
2
0
0
0
0
0
0
0
0
2
2
0
0
0
0
0
0
0
0
2
2
0
0
0
0
0
0
0
0
2
2
32
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
C00
d00
d10
d11
d20
d21
d22
d23
3
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
5
(7.12)
donde los componentes de cada fila de la matriz 8x8 representan los valores de 00 (t) y jk (t) en el
mismo orden en que aparecen en (7.11) , y cada fila representa cada uno de los intervalos de tiempo en
que la funcin f (t) esta descompuesta, i.e ; en la fila 1 tenemos el valor de cada uno de los coeficientes
en t 2 [0; 0:125], esto es, e.g, 20 (t) = 2(2=2) (22 t 0) = 2 (2t 0) = 2 en t 2 [0; 0:125]. Ahora este
mismo coeficiente en la fila 2 es 20 (t) = 2 en t 2 [0:125; 0:25], y en todas las otras filas 20 = 0, ya
que esta funcin esta definida slo para t 2 [0; 0:25].
Ahora que tenemos la ecuacin matricial (7.13) podemos obtener el valor de los coeficientes que
nos ayudarn a reconstruir la seal original.
2
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
c00
d00
d10
d11
d20
d21
d22
d23
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
6
6
16
6
6
6
6
6
6
6
6
4
j0
=2 A
2
7
7
7
7
7
7
7
7
1
7
2
7
7
7
7
7
1
7
2 7
7
7
5
1
2
p12
(7.13)

donde A es la matriz 8x8 de la ecuacin (7.12) y j0
2
c00
d00
d10
d11
d20
d21
d22
d23
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
96
= 0, as tenemos que
0
0:6036
0:1768
0:1768
0:1768
0:0732
0:1768
0:0732
3
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
5
(7.14)
Hemos logrado aqu descomponer la seal discreta hasta ser representada slo por un coeficiente
escala o de aproximacin, y el resto slo coeficientes wavelet. Esto ser de gran importancia en la
limpieza y compresin de seales, como lo veremos en el captulo siguiente.
Ahora que conocemos el procedimiento para calcular los coeficientes, descompondremos la seal
para distintos espacios iniciales Vj0 :
para j0
=1
2
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
para j0
=2
2
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
para j0
=3
c10
c11
d10
d11
d20
d21
d22
d23
c20
c21
c22
c23
d20
d21
d22
d23
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
= p12
0:4268
0:4268
0:1768
0:1768
0:1768
0:0732
0:1768
0:0732
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
= p21p2
3
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
5
0:1768
0:4268
0:1768
0:4268
0:1768
0:0732
0:1768
0:0732
(7.15)
3
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
5
(7.16)
7.3. TRANSFORMADA RPIDA WAVELET (FWT) Y BANCO DE FILTROS

2
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
c30
c31
c32
c33
c34
c35
c36
c37
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
= p p1 p
2 2 2
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
5
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
0
p2
8
2 =
0
p2
8
2
97
7
7
7
2
7
7
7
7
7
1
7
2
7
7
7
7
7
1
7
2 7
7
7
5
1
2
p1
(7.17)
Queda claro que al acercar el espacio inicial Vj0 a el espacio Vjm en el cual reside la seal original,
estaremos disminuyendo los coeficientes wavelet, hasta llegar a representar la seal original solo
con coeficientes escala. Como podemos observar la ltima descomposicin nos entregar una
reconstruccin perfecta de la seal original, debido a que fue representada slo con funciones
escala pertenecientes al espacio al cual pertenece la seal original.
El gran tamao de los clculos matemticos hace necesario buscar una manera eficiente de realizar la
DWT, es por eso que debemos conocer la teora de banco de filtros que nos guiar a la obtencin de la
transformada rpida wavelet (FWT).
7.3 Transformada rpida Wavelet (FWT) y banco de filtros

Una de las principales razones por las cuales la transformada wavelet es una potente herramienta
matemtica para el anlisis de seales, es que permite el diseo y aplicacin de rpidos algoritmos
para el clculo computacional.
7.3.1 Representacin de seales

El anlisis de seales mediante la transformada continua wavelet (CWT) est definido sobre seales
anlogas de energa finita. Sin embargo, el procesamiento digital de seales, tal como su nombre lo
indica, se aplica sobre muestras de datos digitales de una seal perteneciente al dominio anlogo.
Supongamos que tenemos una seal f (t) 2 L2 conocida para todo t (o para una discretizacin
en el dominio del tiempo lo suficientemente densa), entonces de acuerdo con la propiedad de MRA1
[BUR98] [CHU97]
(Uj2Z Vj ) = L (R)
2
Del Ingls M ultiresolution Analisys
(7.18)
98
Figura 7.7: (a) Seal original; (b) Modelamiento de sampleos digitales mediante la funcin Haar escala con una longitud
de N
= 24 ;
(c) Modelo en el dominio anlogo.
es posible aproximar f tan cerca como se desee mediante un modelo fn 2 Vn con n 2 R, de tal
manera que este modelo lo podemos representar como una combinacin lineal de funciones escala
fn (t) =
cn;k 2 (2nt k)
n
2
(7.19)
donde los coeficientes escalares cn;k son los encargados de representar la seal en el dominio discreto o digital. De hecho, la importancia de la representacin de seales mediante funciones escala es
que los algoritmos diseados para la transformada discreta wavelet se aplican a datos de entrada que
han sido modelados mediante una funcin escala, es decir, son aplicados sobre el set de coeficientes
fcn;k ; k 2 Z g
(7.20)
Uno de los mtodos ms efectivos para realizar este modelamiento es la interpolacion [CHU97]
que consiste en que los coeficientes cn;k sean escogidos de tal manera que fn (t) concuerde con la
representacin discreta f ( 2kn ) para t = 2kn , es decir
fn (
k
)
=
f( n) k 2 Z
2
2
n
(7.21)
De esta forma se logra lo que se denomina una representacin didica de la seal [BUR98], ya que
el intervalo de tiempo dado para cada sampleo est controlado por una potencia de 2. En otras palabras,
un modelo fn de una seal anloga f correspondera a un set de valores discretos cuya longitud ser de
N = 2n.
7.3.2 Descomposicin de seales unidimensionales (Anlisis)

El principal objetivo de la descomposicin de una seal mediante la DWT se basa en que, de acuerdo
a lo expuesto en la seccin anterior, siendo el modelo fn 2 Vn una representacin de la seal original
99
mediante funciones escala solamente (apropiadas para un anlisis multi-resolucin), es posible escribir
fn como
fn = fn
+ gn
(7.22)
dado que
Vn
Vn ^ Wn Vn
(7.23)
Vn = Vn
Wn
(7.24)
fn
2 Vn
^ gn 2 Wn
(7.25)
Ahora bien el desarrollo de bancos de filtros y el diseo de rpidos algoritmos no se relaciona en

forma directa con las funciones escala y wavelet, sino ms bien con los coeficientes relacionados a estas
funciones. Entonces, el primer paso en la descomposicin es poder encontrar los coeficientes cn 1;k y
dn
en trminos de cn;k . Utilizando (7.19) y (7.21) podemos representar una seal unidimensional
de energa finita mediante los coeficientes cn;k como
1;k
f (t) =
cn;k 2 (2nt k)
n
(7.26)
Tambin sabemos que tanto (t) como
(t) generan bases ortogonales en L
de tal manera que el
clculo de cn 1;k y dn 1;k se realiza a travs del producto interno de la seal con la funcin escala y
wavelet respectivamente
cn
dn
1;k
=< f (t); n ;k(t) >=
1;k
=< f (t);
1
n 1
f (t)2 2 (2n 1 t
1
n 1;k
(t) >= 2
1
f (t)
1
k)dt
(7.27)
(2n t k)dt
(7.28)
De la ecuacin bsica de recursin (5.7) podemos obtener una representacin tanto para (2n
como para (2n 1 t k )
(2n 1 t k) =
(2n t k) =
h(p)
2(2nt 2k p)
h1 (p)
2(2nt 2k p)
t k)
(7.29)
(7.30)
100
que reemplazando en las integrales de (7.27) y (7.28) y haciendo un cambio de variable m = 2k + p

nos da
cn
dn
;k =< f (t); n ;k (t) >=
1
X
f (t) h(m
1
m
2k)2 n (2nt m)dt
(7.31)
1
X
f (t) h1 (m
1
m
2k)2 n (2nt m)dt
(7.32)
;k =< f (t);
;k (t) >=
n 1
e intercambiando la integral con la sumatoria obtenemos
cn
dn
;k =< f (t); n ;k (t) >=
1;k
=< f (t);
n 1;k
(t) >=
h(m
m
X
h1 (m
2k)
2k )
1
n
f (t)2 2 (2nt
1
m)dt
(7.33)
1
n
f (t)2 2 (2nt
1
m)dt
(7.34)
Podemos observar que en las ecuaciones (7.33) y (7.34), las integrales son idnticas y corresponden
al coeficiente cn;m , de tal manera que hemos logrado establecer la representacin de los coeficientes
escala y wavelets en un nivel de resolucin ms bajo en trminos de los coeficientes escala en un nivel
de resolucin ms alto
cn
1;k
dn
1;k
h(m
2k)cn;m
(7.35)
h1 (m
2k)cn;m
(7.36)
La operacin realizada por (7.35) y (7.36) corresponde a una convolucin discreta [CHU97]. La
secuencia de entrada dada por cn;k es convolucionada con h y h1 para obtener por una lado una representacin ms suave de la seal original caracterizada por los coeficientes escala cn 1;k , y por otro
lado el detalle de la seal representado por los coeficientes wavelet
reescribir (7.26) de la forma
f (t) =
cn
1;k
2 n (2n t k) +
2
dn
1;k
2n
dn
1;k
. Por lo tanto, podemos
(2n t k)
1
(7.37)
El hecho de que los coeficientes escalares representen la forma general de la seal original y los
coeficientes wavelets el detalle se debe a que los coeficientes h y h1 actan como filtros digitales.
Ms especificamente h corresponde a un filtro pasa-bajo y h1 a un filtro pasa-banda. Sin embargo, al

aplicar esta operacin sobre una seal digital real, nos daremos cuenta que nuestros datos de salida
estarn comprendidos por el doble de datos de entrada. En otras palabras, si tenemos una seal de 1024
muestras obtendremos una aproximacin y un detalle de la seal original, cada uno con una longitud
101
Figura 7.8: Descomposicin wavelet donde el dos con la flecha hacia abajo representa la operacin de subsampleo.
de 1024 datos tambin. Para resolver este problema, una vez realizada la convolucin discreta sobre
el set de datos de entrada se aplica una operacin denominada subsampleo2 que realiza un diezmado
de la seal original, es decir, toma una seal xn y produce una salida yn = x2n , descargando todos
los valores de ndice impar. Una descripcin esquemtica de lo anteriormente expuesto se ilustra en la
figura (7.8).
7.3.3 Reconstruccin de seales unidimensionales (Sntesis)

Hemos visto como trabaja la DWT para analizar o descomponer una seal. La otra mitad de la historia
consiste en como recuperar la seal original sin prdida de informacin a partir de las componentes
obtenidas durante el anlisis. A este proceso de reconstruccin se le denomina sntesis y corresponde
a la inversa de la transformada discreta wavelet (IDWT). En otras palabras, lo que se desea hacer es
poder representar los coeficientes escala en un nivel de resolucin ms alto mediante una combinacin
de los coeficientes escala y wavelets en un nivel de resolucin ms bajo. Para lograr esto observemos
que si utilizamos la ecuacin de recursin (5.7) para reemplazar (2n 1 t m) y (2n 1 t m) en (7.37)
obtenemos una nueva expresin para f de la forma
f (t) =
cn
X
1;m
h(p)2 (2nt
n
2
multiplicando ambos lados por (2n t

2
Proveniente del ingls Downsampling
2m p) +
dn
X
1;m
h1 (p)2 (2n t
n
2
k) e integrando con respecto al tiempo
2m p)
(7.38)
1
f (t)(2nt
1
k)dt =
+
como
cn;k
cn
dn
=< f (t); n;k (t) >=
1;m
1;m
h(p)2
h1 (p)
n
2
1
(2nt
1
1
(2nt
1
1 f (t)(2nt
1
102
2m p)(2nt k)dt
2m p)(2nt k)dt
k)dt y el set fn;k ; k
(7.39)
2 Z g es ortonormal,
entonces de acuerdo con (7.39) se tiene que
cn;k =
cn
X
1;m
h(p) (k
(2m p)) +
cn
X
1;m
dn
X
1;m
h1 (p) (k
(2m + p))
(7.40)
= 2m p
haciendo el cambio de variable q
cn;k =
h(p) (k
q) +
dn
X
1;m
h1 (p) (k
q)
(7.41)
y como
(k
8
<
q) = :
1 si k = q
0 si k 6= q
entonces finalmente
cn;k =
cn
1;m
h(2m k) +
dn
1;m
h1 (2m k)
(7.42)
As como en el anlisis se hace un filtrado y un subsampleo, en la sntesis se realiza un supsampleo3

y posteriormente un filtrado. El supsampleo es una operacin que inserta ceros entre cada sampleo con
el fin de aumentar al doble la longitud de las componentes de entrada (coeficientes de aproximacin o
escala y coeficientes de detalle o wavelet) de tal manera que la seal obtenida despus del filtrado tenga
la misma longitud que la seal original. Este proceso se puede observar en la figura (7.9) .
7.3.4 Mltiples Niveles Anlisis - Sntesis

Los procesos explicados en las dos secciones anteriores, el de anlisis y sntesis, constituyen lo que se
denomina un sistema de banco de filtros de 2 canales. Estos procesos son iterativos de tal manera que en
3
Proveniente del ingls upsampling
103
Figura 7.9: Reconstruccin Wavelet donde el dos con la flecha hacia arriba representa la operacin de supsampleo.
teora pueden repetirse en forma infinita con la salvedad que el proceso de sntesis depende del anlisis.
Obviamente en la prctica estos procesos no pueden repetirse en forma infinita, siendo el nivel de
resolucin de la seal original el que pone el lmite. Una explicacin ms detallada puede expresarse de
la siguiente manera: Supongamos una seal con una longitud N = 2n , en el anlisis dividimos la seal
original en una aproximacin y un detalle correspondientes al primer nivel de descomposicin, luego la
aproximacin de longitud igual a 2n 1 es nuevamente dividida obteniendo una nueva aproximacin y
detalle correspondientes a un segundo nivel de descomposicin. Este procedimiento se vuelve a repetir
hasta que la aproximacin y el detalle estn representados por un slo coeficiente, es decir, tienen una
longitud de 1 = 20 , lo que significa que el nmero de iteraciones posibles de realizar es de n = log2 N .
De esta forma se obtiene un vector de longitud N que contiene un slo trmino encargado de representar
la forma general de la seal (coeficiente escala) y todos los otros trminos con informacin sobre el
detalle obtenido en los diferentes niveles de descomposicin (coeficientes wavelets) como se ilustra en
la figura (7.10). A este conjunto de coeficientes se le denomina V ector
DW T .
La sntesis por su lado toma la aproximacin y el detalle, aumenta su longitud al doble mediante el
supsampleo y realiza la convolucin discreta con los respectivos filtros, obtenindose como resultado
una mejor aproximacin a la seal correspondiente al primer nivel de reconstruccin. Lgicamente el
nmero de veces que se realiza este proceso hasta llegar nuevamente a la seal original depende del
grado de descomposicin al que se lleg en el anlisis, como se observa en la figura (7.11).
Ejemplo
A modo de ejemplo mostraremos una descomposicin y reconstruccin utilizando la Haar wavelet.
Como vimos en el captulo 6, los coeficientes h y h1 corresponden a
104
Figura 7.10: (a) Estructura de una descomposicin multiresolucin; (b) Vector - DWT obtenido de la descomposicin.
Figura 7.11: Estructura de una reconstruccin multiresolucin.
105
1
2
h(0) = h(1) = p
h1 (0) =
p1 h (1) = p1
2
2
1
Como la aproximacin est relacionada con un promedio y el detalle con diferencias, entonces de
acuerdo con (7.35) y (7.36) podemos obtener nuestra primera descomposicin de la forma
cJ
1;k
dJ
1;k
= p12 (cJ; k + cJ; k )
(7.43)
= p12 (cJ; k cJ; k )
(7.44)
2 +1
2 +1
donde los cJ son los coeficientes correspondientes a la seal original, es decir, los datos de entrada.
En otras palabras J es el nivel de resolucin ms alto con el cual se puede trabajar y N = 2J es la
longitud de la seal original. De esta forma, supongamos una seal con una longitud N = 8 = 23
definida como Y = f2; 4; 1; 6; 4; 5; 1; 3g. Aplicando el algoritmo de descomposicin se puede ver en
la figura (7.12) como se realiza la convolucin discreta entre los filtros h y h1 con la seal original
y el posterior subsampleo de tal forma que se obtienen dos set de coeficientes, uno encargado de la
aproximacin a la seal original y el otro encargado del detalle, ambos de longitud 4. El paso siguiente
es mantener el detalle y volver aplicar el algoritmo a los coeficientes de aproximacin dando como
resultado una nueva aproximacin ms general y un nuevo detalle, ambos de longitud 2. Este proceso
se puede repetir una vez ms ya que tanto la longitud de la nueva aproximacin como del nuevo detalle
ser igual a 1.
Para reconstruir la seal a partir de los coeficientes escala y wavelet pertenecientes al primer nivel
de descomposicin observamos que si sumamos y restamos (7.43) y (7.44) obtenemos las expresiones
1
2
cJ;2k = p (cJ
cJ;2k
= p1 (cJ
2
1;k
+ dJ
1;k
dJ
1;k
1;k
(7.45)
(7.46)
permitindonos una reconstruccin perfecta de la seal. Las ecuaciones arriba tambin pueden ser
deducidas a partir de (7.42). En la figura (7.13) se puede ver como se realiza el proceso de supsampleo
y posterior convolucin para reconstruir la seal en forma perfecta mediante la suma de los coeficientes
de reconstruccin escala y wavelet como se ilustra en la figura (7.14).
106
Figura 7.12: Se observa la aplicacin del algoritmo sobre una seal de longitud N = 8 para obtener (a) Los coeficientes
de aproximacin y (b) los coeficientes wavelet. Ambos procesos se realizan en forma paralela.
Figura 7.13: Esquema de reconstruccin a partir de un nivel de descomposicin.
107
108
Figura 7.14: La suma de las reconstrucciones obtenidas de los coeficientes escala y wavelet nos entrega la seal original.
Hasta el momento se ha realizado slo una descomposicin y reconstruccin. Sin embargo, el
objetivo principal de un anlisis wavelet es obtener el vector - DWT ya que es este el que contiene informacin til para la aplicacin de esta herramienta en diferentes campos del procesamiento de seales
tales como compresin, limpieza de ruido, deteccin de singularidades, deteccin de comportamiento
comportamientos similares, etc. Tanto el proceso de descomposicin en forma iterativa como el de
reconstruccin se observan en la figura (7.15) y (7.16) respectivamente.
109
Figura 7.15: Anlisis multiresolucin de Y = f2; 4; 1; 6; 4; 5; 1; 3g y obtencin de los coeficientes dj;k que conforman el
vector - DWT. Observar que 0 < k < 2j con k slo como nmero entero.
Figura 7.16: Esquema de Reconstruccin.
110
Captulo 8
Aplicaciones
Ya en este punto hemos desarrollado un completo marco terico sobre wavelets por lo que estamos en
condiciones de aplicarlo al procesamiento de seales acstica. Wavelets ha sido aplicado a una gran
cantidad de problemas relacionados con el procesamiento de seales: deteccin [SAP98], compresin
[TAM99], clasificacin, limpieza de Ruido [SAP95], anlisis de transientes, anlisis tiempo - frecuencia
[PED99], en variadas disciplinas tales como medicina, estadstica, acstica, sismologa, criminologa,
robtica, etc. El desarrollo de este captulo se centrar en otorgar una explicacin general de algunas
aplicaciones (quizs las con mayor investigacin y/o cobertura) donde se utilize wavelets.
8.1 Anlisis de transientes

La transformada wavelet ha emergido como una efcetiva herramienta para el anlisis de seales transientes o no estacionarias. La propiedad de localizacin de la Transformada Wavelet es particularmente
atractiva, especialmente en problemas concernientes a la extraccin de caractersticas o deteccin de
comportamientos en seales durante pequeos intervalos de tiempo.
8.1.1 Biomedicina
Debido a la naturaleza no estacionaria de la mayora de las seales biolgicas, wavelet ha tenido un gran
xito en el campo de la Ingeniera Biomdica. En este campo la transformada wavelet ha sido utilizada
para el anlisis de electrocardiogramas con el objeto de poder diagnsticar desrdenes cardiovasculares,
tambin ha sido utilizada en electroencefalogramas para el diagnstico de desrdenes neurofisiolgico,
tales como deteccin seizure o anlisis de potencial evocado para la deteccin de la enfermedad de
Alzheimer [POL97]. Wavelet ha sido tambin utilizada en la deteccin de microcalcificaciones en
mamogramas y el procesamiento de tomografas e imgenes de resonancia magntica1 .
1
Para mayor informacin puede consultar la direccin internet http://www.public.iastate.edu/rpolikar
111
8.2. COMPRESIN
112
8.2 Compresin
La base o principio en la utilizacin de wavelets en compresin es aprovechar que los coeficientes en
los espacios Wj son pequeos si la seal analizada se comporta en forma suave y grandes si la seal
a analizar vara en forma notoria. Esto sugiere que pueden eliminarse o hacerse cero los coeficientes
pequeos y la seal sintetizada o reconstruda no variar mucho.
Existen tres pasos fundamentales en el proceso de compresin con wavelets:
1. Proyectar la seal original a un subespacio multi-resolucin
grande.
Vn con un n lo suficientemente
2. Aplicar el algoritmo de descomposicin wavelet.

3. Establecer un esquema de cuantizacin.
8.2.1 Compresin de Imgen

En la compresin de imgen, estudios han demostrado por ejemplo que al procesar una imgen de
512x512 pixels utilizando el sistema wavelet Daubechies 4 (ver apndice) con un umbral del 0.2% (se
eliminan los coeficientes wavelet menores al 0.2% del mximo coeficiente) es posible lograr un radio
de compresin de 11:1 [TAM99].
Uno de los grandes logros es la implementacin de wavelets, es el proyecto llevado a cabo por el FBI
para el diseo de un standard de compresin en la digitalizacin de su base de datos correspondiente
a imgenes de huellas digitales. El algoritmo utilizado por el FBI se conoce como W avelet=Scalar
Quantization o W SQ2 [BRA93].
8.2.2 Compresin de Audio

En la compresin de Audio uno de los algoritmos de codificacin ms conocidos corresponde al MPEG
audio. Este algoritmo utiliza un sistema de banco de filtros de 32 bandas en conjunto con la FFT
como analizador de espectro para calcular la curva de enmascaramiento que se utiliza como umbral
(Basado en la percepcin auditiva del odo humano) dejndo pasar slo las componentes de frecuencia
dominantes. Este algoritmo comprime seales de audio de 700 Kbits/sec (calidad de CD por ej.) a 128
Kbits/sec en mono y a 256 Kbits/sec en stereo. Ahora bien ya que el algoritmo de descomposicin
utilizado por la transformada discreta wavelet es anlogo a un sistema banco de filtros de dos bandas,
entonces se puede observar, que un sistema wavelet multinivel puede ser utilizado en reeemplazo del
sistema de banco de filtros de 32 bandas [CHU97]. Un ejemplo sobre este uso es el standard MPEG
layer 3 ms conocido como MP3.
2
Para mayor informacin puede consultar la direccin internet http://www.c3.lanl.gov/brislawn/FBI/FBI.html
8.3. LIMPIEZA DE RUIDO
113
Figura 8.1: Efecto del umbral duro y suave aplicado sobre un conjunto de coeficientes.
8.3 Limpieza de Ruido

Gracias al anlisis multiresolucin se vi que podamos separar el comportamiento general y el detalle
de una seal y luego reconstruir en forma perfecta la seal original a partir de la descomposicin
wavelet. Ahora bien, si nosotros establecemos un umbral sobre los coeficientes wavelet con el fin
de reducir su nmero eliminando los coeficientes de valores pequeos (considerados como ruido) y
dejando slo aquellos coeficientes considerados como significativos de acuerdo a un cierto criterio,
entonces, al realizar una reconstruccin slo obtendremos una aproximacin de la seal original; la idea
es que una versin ms clara de la seal original resulte cuando slo las componentes ms significativas
son retenidas. Adems, sea f la seal original con ruido y fb la seal obtenida despus de establecer un
umbral, se desea que el error medio cuadrado resulte en un valor lo ms pequeo posible

b
R(f;f
)=
E fb f
N
(8.1)
La eleccin del umbral ptimo ha sido un tema estudiado por varios investigadores [SAP95] tales
como Donoho y Johnstone [DON92] los cuales se basan principalmente en parmetros estadsticos
como la desviacin estndar, desviacin media absoluta, etc.
8.3.1 Criterios de umbral

Profundizando lo mencionado anteriormente, el hecho de establecer un umbral significa que todos los
coeficientes wavelet, o pertenecientes al detalle de la seal, que resulten ser menores que el valor del
umbral sern igualados a cero ya que ellos pueden ser omitidos sin afectar en forma substancial las
caractersticas principales de los datos de entrada. Con respecto a los coeficientes wavelet cuyo valor
absoluto resulte mayor que el umbral establecido, existen dos formas de ser procesados:
1. Umbral Duro: Si el valor absoluto del coeficiente es mayor que el umbral seleccionado, se
114
mantiene el coeficiente y en caso contrario se iguala a cero. En otras palabras, sea

del umbral establecido y di los coeficientes wavelet, entonces
T el valor
jdij < T ) di = 0
(8.2)
jdij T ) di = di
(8.3)
2. Umbral Suave: Si el valor absoluto del coeficiente es mayor que el umbral seleccionado, se
modifica el coeficiente restando el umbral a su valor absoluto, en caso contrario se iguala el
coeficiente a cero al igual que el umbral duro. En otras palabras, sea
establecido y di los coeficientes wavelet, entonces
T el valor del umbral
jdij < T ) di = 0
(8.4)
jdij T ) di = signo(di)(jdij T )
(8.5)
Como se observa en la figura (8.1) el umbral duro produce discontinuidad en di

con el umbral suave.
= T lo cual no ocurre
8.3.2 Desarrollo experimental con datos ficticios

El primer paso en el proceso de limpieza de una seal es obtener el umbral a utilizar. Variados estudios
han determinado que la eleccin del umbral depende directamente del nivel de ruido de los datos de
entrada. La eleccin del umbral se realiz utilizando un mtodo propuesto por Donoho y Johnstone
[SAP95]. Este mtodo propone que el nivel de ruido de los datos de entrada se calcule como la media absoluta de los coeficientes wavelet obtenidos en el primer nivel de descomposicin dividida por
0:6745,
,
=
jdJ
j 0:6745
n
1;k
(8.6)
ya que los coeficientes wavelet en este nivel son, con unas pocas excepciones, esencialmente puro
ruido. El tipo de umbral seleccionado se calcul de acuerdo con la siguiente frmula:
= 2log(N )
(8.7)
con N igual a la longitud de la seal original.

Ya con estos datos estamos en condiciones de hacer nuestro anlisis wavelet. El primer anlisis lo
115
Figura 8.2: Seal que representa un efecto doppler con un nivel de ruido bastante notable (1024 muestras).
Figura 8.3: Descomposicin wavelet realizada con la Daubechies 2 (Lado izquierdo); Coeficientes obtenidos despus de
haber sido comparados con el umbral (Lado derecho).
116
realizaremos con una seal artificial correspondiente a un efecto doppler con ruido, como se observa en
la figura (8.2), compuesta de 1024 muestras lo que nos permite realizar hasta diez descomposiciones.
La funcin wavelet madre a utilizar ser la Daubechies 2 (ver apndice) y la descomposicin se realizar
hasta el quinto nivel. La secuencia de trabajo se resume de la siguiente manera:
1. Clculo del nivel de ruido
= 0:93
2. Clculo del umbral
= 3:47
3. Descomposicin de la seal hasta el quinto nivel ( ver figura (8.3)).

4. Aplicacin de umbral suave sobre los coeficientes wavelet obtenidos en cada nivel de descomposicin (ver figura (8.3)).
5. Reconstruccin de la seal con los nuevos coeficientes wavelet (ver figura (8.4)).
6. Obtencin del error cuadrtico medio
E = 3; 5%
7. Obtencin del porcentaje de energa retenido
P ER =
js1j = 93; 8%
jsj
donde s1 corresponde a la seal reconstruida y s a la seal original.

El software utilizado fue Matlab en conjunto con el toolbox de wavelet cuyo uso fue exclusivamente
para corroborar resultados (figura (8.5)).
8.3.3 Desarrollo Experimental con seales reales

8.3.3.1 Tratamiento de seales reales obtenidas de las vibraciones de un motor
Una vez comprobado el mtodo de limpieza de ruido con datos artificiales, se prosigui a analizar una
seal real la que se ilustra en la figura (8.6). Esta seal corresponde a vibraciones de un motor rotatorio
las cuales fueron tomadas con un medidor de vibraciones Bruel & Kjaer modelo 2513.
La wavelet utilizada para este anlisis fue la Daubechies 4 (ver apndice), y al igual que para los
datos artificiales, se realizaron cinco descomposiciones (j = N 1; :::; N 5). El umbral utilizado
117
Figura 8.4: Seal reconstruida utilizando los coeficientes wavelet procesados mediante umbral suave.
Figura 8.5: Comparacin visual entre la seal original y la seal reconstruida. El porcentaje de energa conservado fue
de 93,8 %.
118
Figura 8.6: Seal correspondiente a vibraciones de un motor rotatorio (Arriba); Seal despus de haber sido procesada
(Abajo). Para una visualizacin ms clara, slo los primeros 2500 sampleos se graficaron.
entreg un valor de 0:01 lo que caus la eliminacin total de los primeros 4 niveles de descomposicin,
dejando slo algunos coeficientes wavelet pertenecientes al quinto nivel de descomposicin como se
observa en la figura (8.7). El error cuadrtico medio y el porcentaje de energa retenido fueron de:
E = 6:33x10
4%
P ER = 99:9%
Se observa para este caso que el nivel de ruido de la seal es totalmente identificable y notoriamente
diferenciable del comportamiento suave de la seal. Si obtenemos los espectros de Fourier tanto de la
seal real como de la seal limpia (figura (8.8)), nos podemos dar cuenta que despus de la aplicacin
del mtodo, se mantienen las componentes de frecuencia con mayor contenido energtico, que para el
caso corresponden a frecuencias bajas, eliminndose las componentes de frecuencia que portan menos
energa. Esto nos lleva a pensar que el mtodo elimina ruido de alta frecuencia ya que mantiene
el comportamiento suave de la seal el cual est asociada a componentes de baja frecuencia. Este
supuesto genera casi en forma autmatica la inquietud :- Que ocurre si el ruido es de baja frecuencia
119
Figura 8.7: Coeficientes de descomposicin wavelet obtenidos utilizando la Daubechies 4 (lado derecho); Coeficientes
Wavelet obtenidos despus de haber sido comparados con el umbral seleccionado (Lado izquierdo).
y la seal que queremos obtener es de alta frecuencia?.
8.3.3.2 Tratamiento de seales reales obtenidas al aire libre.
Con el fin de tratar seales reales al aire libre y analizar la inquietud nacida del caso anterior, se obtuvo
un set de datos correspondiente a sonidos de pjaros con alto nivel de ruido de fondo proveniente de
faenas constructoras, paso de vehculos y ruidos caractersticos de la urbe. Esta seal se ilustra en la
figura (8.9). Los datos fueron tomados utilizando un micrfono condensador omnidireccional Audio Technica y un Dat Porttil Tascam DA - P1, a una tasa de muestreo de 44.1 KHz, una cuantizacin de
16 Bit y utilizando un canal del Dat.
El objetivo de este tratamiento se centr en aislar el trinar de los pjaros del ruido de fondo utilizando un anlisis multi-resolucin con la wavelet Daubechies 4 (ver apndice). Se realizaron hasta cinco
niveles de descomposicin los que se ilustran en la figura (8.10). Mediante una percepcin auditiva
de la seal original nos dimos cuenta que el sonido de los pjaros estaba compuesto por frecuencias
notoriamente ms altas que el ruido de fondo. Como el mtodo explicado en la seccin anterior asume
que el ruido en una seal es de componentes de alta frecuencia, se procedi a restar a la seal original
el resultado obtenido de la limpieza, lo que como pensbamos nos entreg el sonido de los pjaros
ms componentes de ruido de alta frecuencia (Hiss). La percepcin auditiva de esta nueva seal no fue
120
Figura 8.8: Representacin del espectro de la seal original y de la seal limpia.
satisfactoria ya que subjetivamente cambiaba el espectro del sonido de los pjaros. Repetimos la experiencia cambiando el umbral en los distintos espacios wavelet lo que no nos entreg mejores resultados
auditivos que el anterior. Debido a esto se decidi aplicar otro criterio para lograr nuestro objetivo.
El nuevo criterio fue escuchar cada espacio wavelet y seleccionar aquellos espacios en los cuales el
sonido de los pjaros fuera ms claro y ntido. Mediante este mtodo se conserv el espacio d2 y d3,
eliminndose en su totalidad los coeficientes correspondientes a los espacios d1 y d5, que no aportaban
componentes de frecuencia en el rango buscado.
El espacio d4, adems de ruido, contena cierta informacin de inters, por lo que se decidi hacer
una nueva descomposicin sobre este espacio, la que se realiz utilizando la wavelet Daubechies 6 (ver
apndice) en cinco niveles. Esta descomposicin, que se ilustra en la figura (8.11), nos permiti aislar
ms componentes pertenecientes al trinar de los pjaros, debido a que estas se concentraron auditivamente en dos espacios, correspondientes al d43 y al d44 . El primero de estos espacios contena slo
componentes de inters, mientras que el segundo adems de contener componentes de inters presentaba ruido. Al reconstruir la seal con los espacios d2, d3 y d43 logramos una buena aislacin del cantar
de los pjaros, pero perdimos algunas frecuencias que se encuentran en el espacio d44 . Al reconstruir
la seal con los espacios d2, d3 , d43 y d44 conservamos prcticamente todas las componentes de frecuencia del cantar de los pjaros, pero incluimos un poco de ruido. La diferencia en las componentes
121
Figura 8.9: Seal original.

de frecuencia de estas dos ltimas reconstrucciones se pueden apreciar en la figura (8.12), y una visualizacin tiempo - frecuencia de la seal original y la reconstruccin empleando los espacios d2, d3 ,
d43 y d44 se observa en la figura (8.13).
Como podemos observar en la figura (8.13) el anlisis realizado permiti eliminar, en su mayora,
componentes de frecuencias bajas, trabajo que podra haber sido realizado por un filtro pasa altos al
momento de grabar o por un ecualizador en un proceso post - grabacin. Ms nuestro punto de vista es
tomar el anlisis Wavelet como una alternativa a estos procedimientos, alternativa que ha probado su
eficacia y potencialidad.
Figura 8.10: Descomposicin de la seal original realizada con la wavelet Daubechies 4.
122
Figura 8.11: Descomposicin de los coeficientes d4 usando la wavelet Daubechies 6.
123
124
Figura 8.12: Transformada de Fourier de las reconstrucciones de la seal original. En rojo: mediante los espacios d2,
d3y d43 . En azul: mediante d2, d3, d43 y d44 .
125
Figura 8.13: Arriba: Transformada Continua Wavelet de la seal original; Abajo: Transformada Continua Wavelet de la
reconstruccin con los espacios d2, d3 , d43 y d44 . Ambas representaciones fueron obtenidas utilizando la wavelet Morlet.
8.4. CONCLUSIONES
126
8.4 Conclusiones
1. Hay que dejar en claro que Wavelet no ha aparecido como la herramienta que desplaza a la
Transformada de Fourier (TF), sino ms bien como una herramienta que puede complementarse
con la TF, o ser una correcta o no correcta eleccin dependiendo del tipo de seal a analizar o de
la aplicacin en la cual se desee utilizar.
2. Las funciones bases ocupadas por Fourier son el seno y coseno cuyo soporte es infinito. Las funciones bases de wavelet son versiones dilatadas y trasladadas de una funcin de soporte compacto
(o finito), llamada wavelet madre, denotada comnmente por .
3. Las bases de Wavelet, al ser muchas y muy distintas, se adaptan muy bien a diversas aplicaciones y tipos de seal, dando incluso la posibilidad de crear una nueva base para una aplicacin
especifica o para un determinado tipo de seal.
4. En el anlisis de seales no estacionarias la transformada de Fourier no es ptima ya que aunque
entrega una informacin completa del contenido espectral de la seal, no es capaz de localizar en
el tiempo las componentes de frecuencia.
5. La transformada corta de Fourier permite hacer un anlisis tiempo - frecuencia de seales no estacionarias, ya que segmenta la seal utilizando una funcin tiempo - ventana (ventana Cuadrada,
Hanning, etc) y calcula la transformada de Fourier sobre cada segmento. El problema reside en la
rigidez del ancho de la ventana que se mantiene fijo durante el anlisis de la totalidad de la seal
y por lo tanto calcula con la misma resolucin tanto frecuencias bajas como frecuencias altas.
6. La transformada Wavelet depende de dos variables, una encargada del escalamiento de la funcin
wavelet a y otra encargada de la traslacin de la funcin wavelet b.
7. Mediante las variables de escalamiento y traslacin la transformada Wavelet es capaz de hacer
un anlisis tiempo - frecuencia con una resolucin variable, es decir, utiliza ventanas de diferente
ancho durante el anlisis de la seal.
8. Un conjunto de versiones dilatadas y trasladadas, tanto de una funcin escala como de una
funcin wavelet , ambas pertenecientes al espacio L2 , son capaces de aproximar cualquier seal
unidimensional cuyo contenido energtico sea finito.
9. La funcin escala es la encargada de analizar el comportamiento general de la seal, mientras
que la funcin wavelet se encarga de analizar el comportamiento del detalle de la seal.
8.4. CONCLUSIONES
127
10. La ortonormalidad de las bases empleadas, tanto en el anlisis de Fourier como en el anlisis
Wavelet, es una propiedad esencial (excepto para la CWT), debido a que convierte el clculo de
los coeficientes en una tarea rpida y sencilla.
11. La obtencin de los coeficientes escala como de los coeficientes wavelet se realiza mediante el
producto interno entre las versiones dilatadas y trasladadas de la funcin escala y wavelet con
la seal a analizar. De esta forma el coeficiente obtenido representa el grado de correlacin que
existe entre la funcin escala y wavelet con la seal en un intervalo finito en el espacio del tiempo.
12. La transformada discreta wavelet discretiza (valga la redundancia) las variables de escalamiento
y traslacin. Una discretizacin de la forma a = 2j y b = 2j k genera un sistema wavelet de
funciones base ortonormales por ej. Haar wavelet, Daubechies wavelet.
13. Mediante la transformada discreta wavelet es posible generar un anlisis multiresolucin sobre
una seal discreta. Un anlisis multiresolucin corresponde a un proceso iterativo de convoluciones entre la seal discreta y coeficientes que actan tanto como filtro pasa-bajo y filtro pasabanda de tal manera que la seal discreta es descompuesta obtenindo informacin sobre las
caractersticas generales de la seal y sobre las caractersticas del detalle de la seal en forma
separada.
14. Al tener una seal discreta con 2j muestras, podremos realizar una descomposicin wavelet en j
niveles de resolucin, obteniendo as j 1 espacios wavelet y un espacio escala.
15. La forma de trabajo de la transformada discreta Wavelet permite una fcil implementacin computacional mediante el diseo de rpidos algoritmos para el clculo de los coeficientes.
16. Debido a que los coeficientes wavelet son los encargados del detalle de la seal, estos son de
valores pequeos. Esto sugiere que pueden eliminarse o hacerse cero los coeficientes cercanos a
cero y la seal reconstruda no variar mucho, es decir, el error de aproximacin entre la seal
reconstruda y la original ser mnimo. Esta sencilla idea ha sido la base sobre la cual wavelet ha
encontrado importantes aplicaciones en la compresin de seales y eliminiacin de ruido.
17. Los espacios wavelet se comportan como filtros, pudiendose ver cada espacio como un intervalo
de frecuencias, as, se puede implementar un software que entregue un ecualizador grfico de j
bandas, al realizar un anlisis wavelet con j descomposiciones.
Bibliografa
[BRA93] BRADLEY, J. BRISLAWN, C. HOPPER, T., The FBI Wavelet/Scalar Quantization Standart
for Gray-scale Fingerprint Image Compression, Technical Report LA-UR-93-1659. Los Alamos
National Lab. N.M. 1993.
[BUR98] BURRUS, C. S., GOPHINATH, R., GUO, H., Introduction to Wavelet and Wavelet Transforms, Prentice Hall, New Jersey, 1998.
[CHU97] CHUI, C. K., Wavelets: A Mathematical Tool for Signal Processing, SIAM, Filadelfia, 1997.
[COD92] CODY, M., The Fast Wavelet Transform beyond Fourier Transform, Dr. Dobbs Journal,
Abril 1992.
[DAV89] DAVIS, H. F., Fourier Series and Orthogonal Functions, Dover Publications Inc., New York,
1989.
[DEV91] DEVORE, R., LUCIER, B., Wavelets, In Acta Numerica 1, Univeersidad de Cambridge,
1991, pp. 1-56.
[DON92] DONOHO, D. L., De - Noising by Soft - Thresholding, Departamento de Estadstica, Universidad de Stanford, 1992.
[EDW91] EDWARDS, T., Discrete Wavelet Transform: Theory and Implementation, Universidad de
Stanford, 1991.
[GRA95] GRAPS, A., An Introduction to Wavelets, IEEE Computer Society, Vol. 2, No 2, 1995.
[HEI99] HEIL, C. E., WALNUT, D. F., Continuous and Discrete Wavelet Transforms, SIAM Review,
Vol. 31, No 4, Diciembre 1989, pp. 628 - 666.
[KAI94] KAISER, G., A Friendly Guide to Wavelets, Birkhuser, Boston, 1994.
[NUM-REC] Numerical Recipes in C: The Art of Scientific Computing, Universidad de Cambridge,
1992 - 1998, pp. 496 - 521.
128
BIBLIOGRAFA
129
[PED99] PEDERSEN, F., Introduction to Joint Time Frequency Analisis, Departamento de Tecnologa
y Comunicacin, Universidad de Aulburg, Dinamarca, 1999.
[POL96] POLIKAR, R., The Wavelet Tutorial, Centro de Computacin, Universidad Estatal de Iowa,
U.S.A, 1996.
[POL97] POLIKAR, R.,GREER, M. H.,UDPA, L., KEINERT, F., Multiresolution Wavelet Analysis of ERPs for the Detection of Alzheimers Disease, Proceedings-19th International ConferenceIEEE/EMBS, Chicago, I.L. USA, 1997, pp 1301-1304.
[POL99] POLIKAR, R., The Story of Wavelets, Proceedings, IMACS/IEEE, 1999, pp. 5481-5486.
[PRO98] PROAKIS, J. G., MANOLAKIS, D. G., Tratamiento Digital de Seales, Prentice Hall,
Madrid, 1998.
[SAP95] SAPATINAS, T., POWELL, K. J., BAILEY, T. C., KRZANOWSKI, W. J., Application of
Wavelets to the pre - processing of Underwater Sounds, Departamento de Estadstica Matemtica e
Investigacin Operacional, Universidad de Exeter, Estadstica y Computacin (5), 1995, pp. 265 273.
[SAP98] SAPATINAS, T., POWELL, K. J., BAILEY, T. C., KRZANOWSKI, W. J., Signal Detection
in Underwater Sound Using Wavelets, Journal of the American Statistical Association, 1998, Vol.
93, No 441, pp. 73 - 83.
[STR89] STRANG, G., Wavelets and dilation equations: A brief introduction, SIAM Rev. 31(4), 1989,
pp. 614 - 627.
[STR93] STRANG, G., Wavelet Transform versus Fourier Transform, American Mathematical Society, Vol. 8, No 2, Abril 1993, pp. 288 - 305.
[STR94] STRANG, G., Wavelets, American Scientist, Vol. 82, Abril 1994, pp. 250 - 255.
[TAM00] TAMARA, V.,Compresin de seales empleando Wavelet, Tesis de pregrado, Departamento
de Matemticas. Universidad de los Andes, Santaf de Bogot, 2000.
[TOR97] TORRENCE, C., COMPO, G., A Practical Guide to Wavelet Analysis, American Metereological Society, Vol. 79, No 1, Enero 1998, pp. 61 - 78.
[TFT96] AUGER, F., FLANDRIN, P., GONALVS, P., LEMOINE, O., Time Frequency Toolbox
Tutorial: for use with Matlab, Centro Nacional de Investigacin Cientfica, Francia, 1995 - 1996.
[UED95] UEDA, M., LODHA, S., Wavelets: An Elementary Introduction and Examples, Centro de
Ingeniera Informtica, Universidad de California, Santa Cruz, Enero 1995.
BIBLIOGRAFA
130
[VID94] VIDAKOVIC, B., MLLER P., Wavelets For Kids, Instituto de Estadstica, Universidad de
Duke, 1994.
[WAV96] MISITI, M., MISITI, Y., OPPENHEIM, G., POGGI, J. M., Wavelet Toolbox: for use with
Matlab, Mathworks, Inc., 1996.
Apndice A
Referencias Internet
LA
SIGUIENTE LISTA ES UNA RECOPILACIN DE DOMINIOS PBLICOS LOS CUALES FUERON
COSULTADOS DURANTE EL DESARROLLO DE ESTA
T ESIS :
1. http://www.stats.bris.ac.uk/pub/reports/Wavelets/WavByTop.html
Articulos y papers de wavelet aplicado a problemas de estadstica principalmente.

2. http://www.oslo.sintef.no/wavelets/theory.html
Descripcin y Teora sobre Anlisis Multi - Resolucin.

3. http://www.cetaceanresearch.com/software.html
Software para anlisis de seales acsticas.

4. http://www.ecgcorp.com/velav/index.html
Informacin principalmente sobre acstica y vibraciones.

5. http://lcavwww.epfl.ch/minhdo/wavelet_course/
Informacin til sobre procesamiento de seales digitales mediante wavelets, con ejercicios en
Matlab.
6. http://www.cosy.sbg.ac.at/uhl/wav.html
Links a otras pginas dedicadas a wavelets y procesamiento de seales.

7. http://www.che.utexas.edu/misra/wavelet.html
Pequea gua de libros y software para utilizacin de wavelets.

8. http://www-stat.stanford.edu/wavelab/
Completo Software para Matlab.

9. http://www.isye.gatech.edu/brani/
Pgina de Brani Vidakovic, Profesor investigador en el campo de wavelets aplicado a problemas de

estadstica y limpieza de ruido.
10. http://www.dsp.rice.edu/publications/
Completa guia de papers clasificada por temas.

131
132
11. http://www.prosoniq.com
Software de Audio con implementaciones que utilizan algoritmos basados en wavelets.

12. http://cas.ensmp.fr/chaplais/Wavetour_presentation/Wavetour_presentation_US.html
Informacin sobre wavelet y Fourier, con tpicos tales como: anlisis de frecuencia, wavelets
didicas y filtrado discreto, entre otros.
13. http://www.spd.eee.strath.ac.uk/interact/fourier/fft.html
Tutorial sobre la Transformada Rpida de Fourier.

14. http://users.ox.ac.uk/ball0597/Fourier/
Informacin variada sobre anlisis de Fourier.

15. http://www.spd.eee.strath.ac.uk/interact/fourier/dft.html
Tutorial sobre la Transformada Discreta de Fourier.

16. http://www.med.harvard.edu/JPNM/physics/didactics/improc/intro/fourier1.html
Introduccin a la Transformada de Fourier.

17. http://archives.math.utk.edu/topics/fourierAnalysis.html
Lista de direcciones online dedicadas a diferentes aplicaciones que utilizan tanto teora de Fourier
como de wavelets.
18. http://www.amara.com/current/wavelet.html
Completa pgina con links a software, libros, papers, dedicados tanto a teora como aplicaciones de
wavelets.
19. http://www.mame.syr.edu/faculty/lewalle/tutor/tutor.html
Tutorial de Wavelets.
20. http://sepwww.stanford.edu/public/docs/pvi/toc_html/index.html
Informacin sobre Fourier y Wavelet.

21. http://www.wavelet.org
Completa pgina sobre el tema.

22. http://www.mathsoft.com/wavelets.html
Gran lista de papers sobre wavelets clasificados por temas de investigacin.

23. http://www.princeton.edu/icd/
Pgina de Ingrid Daubechies, cuyo campo de inters se focaliza en el anlisis tiempo - frecuencia
utilizando wavelets.
24. http://www-stat.stanford.edu/donoho/
Pgina de Dave Donoho, cuya principal campo de investigacin es limpieza de ruido utilizando
mtodos estadsticos en conjunto con wavelets.
25. http://www.ukc.ac.uk/IMS/statistics/people/T.Sapatinas/
Pgina de Teophanis Sapatinas, cuyas reas de inters son: Teora y aplicacion de wavelets en el
anlisis estadstico de seales de tiempo, Utilizacin de wavelets en el procesamiento de seal e
133
imgen.
26. http://www-dsp.rice.edu/harry/
Wavelets y procesamiento digital de seales.
27. http://euclides.uniandes.edu.co/wavelets/
Pgina de la Universidad de los Andes, Colombia, con informacin terica sobre wavelets.
28. http://www.public.iastate.edu/rpolikar/WAVELETS/WTtutorial.html
Prctico tutorial wavelet.
Apndice B
Rutinas programadas en MATLAB
Rutinas para Matlab utilizadas tanto para descomposicin como reconstruccin de seales utilizando
el sistema Wavelet Daubechies:
%*************************************************
% subsampleo(X) elimina todos los coeficientes de
% ndice impar pertenecientes al vector X. Disminuyendo
% la longitud de X a la mitad o a la mitad menos 1/2,
% dependiendo si la longitud original es par o impar.
%
% VER supsampleo
%*************************************************
function a=subsampleo(x)
if (nargin == 0)
error(Debes ingresar los datos de entrada);
end
[s1 s2]=size(x);
if s1 > s2
x=x
end
ls=length(x);
a=x(:,2:2:ls);
%*************************************************
% supsampleo(X) inserta ceros entre los coeficientes
% del vector X, aumentando la longitud del vector al
% doble ms uno.
134
135
%
% VER subsampleo
%*************************************************
function y=supsampleo(x)
if (nargin == 0)
end
[s1 s2]=size(x);
if s1 > s2
x=x
end
ls=2*length(x)+1;
y=zeros(1,ls);
y(2:2:ls)=x;
%*********************************************************************
% Rutina que mantiene parte de un vector. V=keep(S,N)
% crea un vector V de longitud N, extrayendo en forma
% alternada elementos de ambos extremos del vector S.
%**********************************************************************
function v=keep(s,n)
if (nargin == 0)
end
lsh=length(s)./2;
n1=floor(n./2);
if mod(n,2)==0
v=s(lsh-n1+1:1:lsh+n1);
else
v=s(lsh-n1:1:lsh+n1);
end
%***********************************************************************
% Rutina que realiza el primer nivel de descomposicin
% de una seal utilizando el sistema Wavelet Daubeuchies.
% SINTAXIS: [ca1 cd1]=analisisdb(X,M), donde X es la seal
136
% de entrada, y M es un entero positivo que especifica el
% sistema Daubeuchies utilizado.
% M puede tomar los siguientes valores:
%
[1,2,3,4,5,6,7,8]
%
% VER sintesisdb
%************************************************************************
function [c,d]=analisisdb(x,m)
if (nargin == 0)
end
tx=size(x);
if tx(1)>1
x=x;
end
switch m
case 1
filtro_escala=[1./sqrt(2) 1./sqrt(2)]; %Filtro Pasabajo de Descomposicin
filtro_wavelet=[-1./sqrt(2) 1./sqrt(2)]; %Filtro Pasaalto de Descomposicin
case 2
load daub2.dat; s=daub2;
filtro_escala=s(1,:);
filtro_wavelet=s(2,:);
case 3
case 4
case 5
case 6
137
case 7
case 8
otherwise
errargt(mfilename,argumento no vlido,msg); error(*);
end
%Clculo de los coeficientes de aproximacin
c=subsampleo(conv(x,filtro_escala));
%Clculo de los coeficientes de detalle
d=subsampleo(conv(x,filtro_wavelet));
%************************************************************************
% Rutina que realiza la reconstruccin de la seal
% original a partir del primer nivel de descomposicin
% de una seal utilizando el sistema Wavelet Daubeuchies.
% SINTAXIS: [C D]=sintesisdb(ca,cd,M), donde ca y cd son
% los coeficientes de aproximacin y detalle respectivamente,
% y M es un entero positivo que especifica el sistema Daubechies
% utilizado para la reconstruccin.
% M puede tomar los siguientes valores:
%
[1,2,3,4,5,6,7,8]
%
% VER analisisdb
%************************************************************************
function [C,D]=sintesisdb(ca,cd,m)
if (nargin == 0)
end
138
%Insercin de ceros entre los coeficientes de aproxiamcin (supsampleo)
Ctemp=supsampleo(ca);
%Insercin de ceros entre los coeficientes de detalle (supsampleo)
Dtemp=supsampleo(cd);
switch m
case 1
filtro_wavelet=[1./sqrt(2) -1./sqrt(2)]; %Filtro Pasaalto de Descomposicin
case 2
case 3
case 4
case 5
case 6
case 7
case 8
139
otherwise
end
lf=length(filtro_escala);
%Reconstruccin de la aproximacin
Ctemp=conv(Ctemp,filtro_escala);
C=Ctemp(:,lf:1:length(Ctemp)-lf+1);
%Reconstruccin del detalle
Dtemp=conv(Dtemp,filtro_wavelet);
D=Dtemp(:,lf:1:length(Dtemp)-lf+1);
%***************************************************************
% Rutina que realiza una descomposicin multinivel
% sobre una seal unidimensional utilizando el sis% tema Wavelet Daubechies.
% SINTAXIS: [C L]=dbdesc(X,M,N), donde X es la seal de
%
entrada, N es el nivel de descomposicin
deseado y M es un entero que especifica
el sistema Daubechies utilizado.
M puede tomar los siguientes valores:
[1,2,3,4,5,6,7,8]
%****************************************************************
function [c,l]=dbdesc(x,m,n)
if (nargin == 0)
end
if ((round(n)-n)=0)
error(N debe ser un nmero entero);
end
tx=size(x);
if tx(1)>1
x=x;
end
c=[];
l=[length(x)];
for i=1:n
140
[x d]=analisisdb(x,m); %Proceso de descomposicin
c=[d c];
l=[length(d) l];
%Guarda las longitudes correspondientes a cada descomposicin
end
c=[x c]; %Matriz wavelet
%**********************************************************************
% Rutina que realiza una reconstruccin multinivel
% sobre una seal unidimensional utilizando el sis% tema Wavelet Daubechies.
% SINTAXIS: S=dbdesc(C,L,M), donde C corresponde a
%
la matriz wavelet, L corresponde a los niveles
de descomposicin y M es un entero que especifica
el sistema Daubechies utilizado.
M puede tomar los siguientes valores:
[1,2,3,4,5,6,7,8]
%**********************************************************************
function s=dbrec(c,l,m);
if (nargin == 0)
end
switch m
case 1
filtro_wavelet=[1./sqrt(2) -1./sqrt(2)]; %Filtro Pasaalto de Descomposicin
case 2
case 3
case 4
141
case 5
case 6
case 7
case 8
otherwise
end
s=c(1:l(1)); %Coeficientes escala de la ltima descomposicin
ld=1;
for i=1:(length(l)-1)
ld=l(i)+ld;
%
% Reconstruccin de
d=c(ld:ld-1+l(i));
% las descomposiC=keep(conv(supsampleo(s),filtro_escala),l(i+1)); % ciones.
D=keep(conv(supsampleo(d),filtro_wavelet),l(i+1)); %
s=C+D;
%
ld=ld-(l(i+1)-l(i));
%
end
Apndice A
Wavelet Daubechies
Tabla con los coeficientes filtros de descomposicin y reconstruccin correspondientes a la Familia
Wavelet Daubechies (1-8).
Daubechies 1
Daubechies 2
Daubechies 3
Daubechies 4
14.14213e-001
4.82962e-001
3.32670e-001
2.30377e-001
14.14213e-001
8.36516e-001
8.06891e-001
7.14846e-001
2.24143e-001
4.59877e-001
6.30880e-001
-1.29409e-001 -1.35011e-001 -2.79837e-002
-8.54412e-002 -1.87034e-001
3.52262e-002
3.08413e-002
3.28830e-002
-1.05974e-002
10
11
12
13
14
15
142
143
n
Daubechies 5
Daubechies 6
Daubechies 7
Daubechies 8
1.60102e-001
1.11540e-001
7.78520e-002
5.44158e-002
6.03829e-001
4.94623e-001
3.96539e-001
3.12871e-001
7.24308e-001
7.51133e-001
7.29132e-001
6.75630e-001
1.38428e-001
3.15250e-001
4.69782e-001
5.85354e-001
-2.42294e-001 -2.26264e-001 -1.43906e-001 -1.58291e-002
-3.22448e-002 -1.29766e-001 -2.24036e-001 -2.84015e-001
7.75714e-002
9.75016e-002
7.13092e-002
4.72484e-004
-6.24149e-003
2.75228e-002
8.06126e-002
1.28747e-001
-1.25807e-002 -3.15820e-002 -3.80299e-002 -1.73693e-002
3.33572e-003
5.53842e-004
-1.65745e-002 -4.40882e-002
10
4.77725e-003
1.25509e-002
1.39810e-002
11
-1.07730e-003
4.29577e-004
8.74609e-003
12
-1.80164e-003 -4.87035e-003
13
3.53713e-004
-3.91740e-004
14
6.75449e-004
15
-1.17476e-004

Tesis Wavelet PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Wavelet PDF

Cargado por

Copyright:

Formatos disponibles

Procesamiento Digital de Seales Acsticas utilizando

Procesamiento Digital de Seales Acsticas utilizando

Coeficientes de reconstruccin para la funcin de escalamiento. . . . . . . . . . . . . . . . . . .

Coeficientes obtenidos para la representacin de la seal t2 con la Haar Wavelet en el espacio W0 . . . .

Coeficientes de reconstruccin para

, utilizando utilizando la funcin de escalamiento en 1 . .

Coeficientes obtenidos para la representacin de la seal t2 con la Haar Wavelet en el espacio W1 . . . .

Expansin de f (t) = t en series de Fourier para N=2, N=4, N=8 y N=16. . . . . . . . . . . . . . .

funcin entre [0;  ] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

(a) f es par y de perodo 2 ; (b) f es impar y de perodo 2 . . . . . . . . . . . . . . . . . . . .

Representacin en el tiempo de la funcin a analizar en el ejemplo. . . . . . . . . . . . . . . . . .

Representacin de una onda cuadrada con N

la DFT se realizaron 4096 operaciones de multiplicacin. . . . . . . . . . . . . . . . . . . . . .

3.10 Inversin binaria para una seal con N

Seal x(t) y funcin tiempo-ventana centrada en  . . . . . . . . . . . . . . . . . . . . . . . .

mada rpida de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Funcin wavelet correspondiente a la familia Daubechies 4 (ver Apndice). . . . . . . . . . . . . .

a medida que la frecuencia tiende a 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Diferencia tiempo - frecuencia v/s tiempo -escala entre la STFT y la CWT. . . . . . . . . . . . . .

Funcin Haar de escalamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

f (t) = t2 definida sobre el intervalo [-3,3].

burda, debido al espacio en que trabajamos. . . . . . . . . . . . . . . . . . . . . . . . . . . .

Aproximacin de la seal t2 mediante las funcin wavelet del espacio W0 .

Representacin de la funcin f (t) = t2 en el subespacio W1 . . . . . . . . . . . . . . . . . . . .

Espacios anidados generados por la funcin escala. . . . . . . . . . . . . . . . . . . . . . . . .

Representacin de la funcin sin(t), por la funcin escala en distintos espacios.

Proyeccin de una funcin en diferentes espacios wavelet, usando el sistema Haar. . . . . . . . . . .

hacia arriba tenemos desde el espacio V0 hasta el V6 . . . . . . . . . . . . . . . . . . . . . . . .

(c) Modelo en el dominio anlogo. . . . . . . . . . . . . . . . . . . . . . .

para obtener (a) Los coefi-

7.13 Esquema de reconstruccin a partir de un nivel de descomposicin. . . . . . . . . . . . . . . . . . 107

= f2; 4; 1; 6; 4; 5; 1; 3g y obtencin de los coeficientes dj;k

7.16 Esquema de Reconstruccin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110

Representacin del espectro de la seal original y de la seal limpia. . . . . . . . . . . . . . . . . 120

8.10 Descomposicin de la seal original realizada con la wavelet Daubechies 4. . . . . . . . . . . . . . 122

Espacios vectoriales de dimensin finita . . . . . . . . . . . . . . . . . . . . . . . . .

Espacios con producto interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Espacios Vectoriales de Dimensin Infinita . . . . . . . . . . . . . . . . . . . . . . .

Clculo de los coeficientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Series de Seno y Coseno . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Transformada Discreta de Fourier (DFT) . . . . . . . . . . . . . . . . . . . . . . . . .

Transformada rpida de Fourier (FFT) . . . . . . . . . . . . . . . . . . . . . . . . . .

FFT de diezmado de tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . .

FFT de diezmado de frecuencia . . . . . . . . . . . . . . . . . . . . . . . . .

4 Analisis Tiempo - Frecuencia

La Transformada corta de Fourier (STFT) . . . . . . . . . . . . . . . . . . . . . . . .

Resolucin Tiempo - Frecuencia . . . . . . . . . . . . . . . . . . . . . . . . .

Transformada Continua Wavelet (CWT) . . . . . . . . . . . . . . . . . . . . . . . . .

Variables de escala a y traslacin b . . . . . . . . . . . . . . . . . . . . . . . .

Sistemas wavelet de primera generacin . . . . . . . . . . . . . . . . . . . . . . . . .

Caractersticas de sistemas wavelet . . . . . . . . . . . . . . . . . . . . . . .

Funcin Haar Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Reconstruccin de seales unidimensionales (Sntesis) . . . . . . . . . . . . . 101

8.1.1 Biomedicina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

8.2.1 Compresin de Imgen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112

Criterios de umbral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

Desarrollo Experimental con seales reales . . . . . . . . . . . . . . . . . . . 116

B Rutinas programadas en MATLAB

2.1 Espacios vectoriales de dimensin finita

Definicin 1. Espacio vectorial. Un espacio vectorial consta de lo siguiente:

x + 0 = 0 + x = x, 8x 2 V (d) para cada vector x 2 V , existe un nico vector x 2 V , tal que

2.1. ESPACIOS VECTORIALES DE DIMENSIN FINITA

4. una operacin externa  : K V

, utilizando utilizando la funcin de escalamiento en 1 . .

funcin entre [0; ] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

(a) f es par y de perodo 2 ; (b) f es impar y de perodo 2 . . . . . . . . . . . . . . . . . . . .

Seal x(t) y funcin tiempo-ventana centrada en . . . . . . . . . . . . . . . . . . . . . . . .

4. una operacin externa : K V

! V tal que (; x) 7! x, llamada multiplicacin escalar, que

V , W 6= ; es un subespacio de V , 8x; y 2 W y 8c 2 K , el vector cx + y 2 W .

jT xj jT j jxjse cumple para todo x 2 <n.

kx yk = kxk 2Re hx; yi + kyk ; 8x; y