Tesis 334

CARACTERIZACIN DE SEALES DE PRECIPITACIN
MEDIANTE LA TRANSFORMADA DE FOURIER Y

TRANSFORMADA WAVELET
ANA MARA MOROS VIVAS
PONTIFICIA UNIVERSIDAD JAVERIANA

FACULTAD DE INGENIERA
DEPARTAMENTO DE INGENIERA CIVIL
MAESTRA EN HIDROSISTEMAS
Bogot, 2010
PONTIFICIA UNIVERSIDAD JAVERIANA
FACULTAD DE INGENIERA
Trabajo de grado presentado como requisito para optar al

ttulo de Magster en Hidrosistemas
Asesor
JORGE ALBERTO VALERO FANDIO.
Ingeniero Civil
Bogot, 2010
Ana Mara Moros Vivas 2

REGLAMENTO DE LA
PONTIFICIA UNIVERSIDAD
JAVERIANA.
Artculo 23. "La Universidad no se hace

responsable por los conceptos emitidos
por sus alumnos en sus trabajos de tesis.
Slo velar porque no se publique nada
contrario al dogma y a la moral catlica
y por que las tesis no contengan ataques
personales contra persona alguna, antes
bien se vea en ellas el anhelo de buscar
la verdad y la justicia".
Resolucin No 13 de julio de 1946.

El proyecto de grado titulado:
CARACTERIZACIN DE SEALES
DE PRECIPITACIN MEDIANTE LA
TRANSFORMADA DE FOURIER
Y TRANSFORMADA WAVELET
presentado por Ana Mara Moros Vivas,
en cumplimiento parcial de los requisitos
exigidos para optar al ttulo de Magister
en Hidrosistemas, fue aprobado el da
____2____ del mes de __Julio__ de
__2.010_ _.
_______________ __
MSc. Ing. Jorge Alberto Valero Fandio
DIRECTOR
_______________________
PhD. MSc. Ing. Mario Daz-Granados
JURADO
_______________________
PhD. MSc. Ing. Nelson Obregn Neira
JURADO
Bogot D.C., de Julio de 2010

"Vivimos bajo una cadena de pensamientos que selecciona y asla un nico aspecto de la
realidad".
Matthieu Ricard.

Agradecimientos
A Dios, pues es a quin todo lo debo.
A mi madre, Martha Vivas y mi mami, Rosalis Mosquera por haber credo en m, por tener
siempre las palabas de cario, compresin y amor para darme aliento.
Al Ingeniero Jorge Valero, por la colaboracin prestada como director y por las grandes dosis de
inspiracin inyectadas durante la realizacin del Trabajo de Grado.
Al Ingeniero Nelson Obregn, por cada palabra de apoyo, confianza y amistad durante todos mis
estudios de maestra.
Liliana, Hillary, Martha, Franghy y compaeros del Instituto Geofsico, que siempre me
apoyaron y favorecieron para cumplir esta meta en mi vida.
A todos los profesores que contribuyeron en mi formacin tanto profesional como humana.

CONTENIDO
1. INTRODUCCIN...............................................................................................................................15
2. OBJETIVOS ........................................................................................................................................18
2.1 OBJETIVO GENERAL ..........................................................................................................................18

2.2 OBJETIVO ESPECIFICO ......................................................................................................................18
3. ANTECEDENTES ..............................................................................................................................19
4. CARACTERIZACIN ESTADSTICA DE UNA SERIE DE TIEMPO ......................................22
4.1 DESCRIPCIN GRFICA DE LOS DATOS ............................................................................................22

4.1.1 HISTOGRAMA ...................................................................................................................................22
4.1.2 DIAGRAMA DE CAJA Y BIGOTES .......................................................................................................23
4.2 DESCRIPCIN NUMRICA DE LOS DATOS1 ........................................................................................24
4.2.1 MEDIDAS DE TENDENCIA CENTRAL ..................................................................................................25
4.2.1.1 MEDIA ...........................................................................................................................................25
4.2.1.2 MEDIANA .......................................................................................................................................25
4.2.1.3 MODA ............................................................................................................................................25
4.2.2 MEDIDAS DE DISPERSIN .................................................................................................................26
4.2.2.1 RANGO ...........................................................................................................................................26
4.2.2.2 VARIANZA Y DESVIACIN ESTNDAR ..........................................................................................26
4.2.2.3 COEFICIENTE DE VARIACIN MUESTRAL.......................................................................................26
4.2.2.4 COEFICIENTE DE ASIMETRA..........................................................................................................27
4.2.2.5 COEFICIENTE DE APUNTAMIENTO .................................................................................................27
4.2.3 DESCRIPCIN DE LA MEMORIA DE PROCESO ....................................................................................28
4.2.3.1 FUNCIN DE AUTO-CORRELACIN LINEAL ...................................................................................28
4.2.3.2 EXPONENTE DE HURST ..................................................................................................................31
4.3 INFORMACIN A ANALIZAR...............................................................................................................37
4.3.1 ANLISIS DE LA SEAL SUMA DE COSENOS ................................................................................38
4.3.2 ANLISIS DE LA SEAL REGISTRADA POR LA ESTACIN CAMAVIEJA .............................................40
4.3.3 ANLISIS DE LA SEAL REGISTRADA EN LA TORMENTA DE BOSTON ..............................................46
5. ANLISIS DE FOURIER ..................................................................................................................53
5.1 TRANSFORMADA: LA OTRA REALIDAD.........................................................................................53

5.1.1 REPRESENTACIN DE UNA SERIE DE TIEMPO MEDIANTE LA SUMA DE ARMNICOS .........................54
5.1.1.1 CARACTERIZACIN MATEMTICA DE UN ARMNICO (F) ..............................................................55
CALCULO Y ...........................................................................................................................56
CLCULO DE Y A PARTIR DE LA SERIE DE TIEMPO ................................................................57
5.1.1.2 PERIODOGRAMA ............................................................................................................................58
5.1.1.3 TRANSFORMADA DE FOURIER DIRECTA DISCRETA ......................................................................58
5.1.1.4 TRANSFORMADA DE FOURIER INVERSA DISCRETA ......................................................................59
5.1.2 REPRESENTACIN DE UNA IMAGEN MEDIANTE ARMNICOS............................................................60
5.1.2.1 IMAGEN: SEAL BIDIMENSIONAL ..............................................................................................61
5.1.2.2 TRANSFORMADA DE FOURIER DIRECTA DISCRETA BIDIMENSIONAL ...........................................64

5.1.2.3 FILTRADO DE IMGENES ...............................................................................................................67
5.2 IMPLEMENTACIN DEL ANLISIS DE FOURIER ................................................................................70
5.2.1 SEALES UNIDIMENSIONALES .........................................................................................................70
5.2.1.1 SUMA DE COSENOS ...................................................................................................................70
5.2.1.2 SEAL DE LA ESTACIN CAMAVIEJA ............................................................................................71
5.2.1.3 SEAL DE LA TORMENTA DE BOSTON...........................................................................................73
5.2.2 SEALES BIDIMENSIONALES ............................................................................................................75
5.2.2.1 IMAGEN DE CONTROL: CARTN DE HUEVOS .............................................................................75
5.2.2.2 IMAGEN DE TORMENTA CAPITALINA ............................................................................................77
6. TRANSFORMADA DE FOURIER DE TIEMPO CORTO ...........................................................82
6.1 TRANSFORMADA DE FOURIER A TRAVS DE UNA VENTANA FINITA ...............................................82

6.1.1 FUNCIN VENTANA MVIL ..........................................................................................................84
6.2 IMPLEMENTACIN DE LA TRANSFORMADA DE FOURIER DE TIEMPO CORTO ..............................87
6.2.1 ANLISIS DE LA SEAL SUMA DE COSENOS .................................................................................87
6.2.2 ANLISIS DE LA SEAL REGISTRADA POR LA ESTACIN CAMAVIEJA .............................................89
6.2.3 ANLISIS DE LA SEAL REGISTRADA EN LA TORMENTA DE BOSTON ..............................................92
7. ANLISIS DE WAVELET ................................................................................................................97
7.1 LA FORMA Y LOS DETALLES ..............................................................................................................97

7.1.1 QU ES UNA WAVELET? ..............................................................................................................98
7.1.1.1 HISTORIA Y CRONOLOGA DE LA TRANSFORMADA WAVELET .....................................................98
7.1.1.2 APLICACIONES15, .........................................................................................................................100
7.1.1.3 VENTAJAS DE LAS WAVELET SOBRE LA TRANSFORMADA DE FOURIER Y LA TRANSFORMADA
DE TIEMPO CORTO .....................................................................................................................................101
7.1.1.4 PROPIEDADES DE LAS FUNCIONES WAVELET ..............................................................................101
7.1.2 PROBLEMA DIRECTO E INVERSO EN 1D ..........................................................................................102
7.1.2.1 MARCO CONTINUO19 ...................................................................................................................102
7.1.2.2 MARCO DISCRETO .......................................................................................................................106
7.1.2.3 METODOLOGA DE CLCULO DEL ESCALOGRAMA .....................................................................110
7.1.2.4 TIPOS DE FUNCIONES WAVELET Y FUNCIONES DE ESCALAMIENTO ....................................113
7.1.3 PROBLEMA DIRECTO E INVERSO EN 2D ..........................................................................................118
7.1.3.1 MARCO DISCRETO, ......................................................................................................................118
7.1.3.2 METODOLOGA DE CLCULO .......................................................................................................119
7.2 IMPLEMENTACIN DE LA TRANSFORMADA WAVELET .................................................................122
7.2.1 SEALES UNIDIMENSIONALES .......................................................................................................123
7.2.1.1 ANLISIS DE LA SEAL SUMA DE COSENOS.............................................................................123
7.2.1.2 ANLISIS DE LA SEAL REGISTRADA POR LA ESTACIN CAMAVIEJA .........................................124
7.2.1.3 ANLISIS DE LA SEAL REGISTRADA DURANTE LA TORMENTA DE BOSTON ..............................127
7.2.2 SEALES BIDIMENSIONALES ..........................................................................................................130
7.2.2.1 ANLISIS DE LA IMAGEN DE CONTROL CARTN DE HUEVOS ..................................................130
7.2.2.2 ANLISIS DE LA IMAGEN DE LENNA ........................................................................................131
7.2.2.3 ANLISIS DE IMGENES DE TORMENTA CAPITALINA .................................................................133
8. CONCLUSIONES Y RECOMENDACIONES ..............................................................................141
8.1 DEL PROBLEMA CENTRAL: .............................................................................................................141

8.2 OPERACIONALES: ............................................................................................................................141
8.3 DEL CASO ESTUDIO: .........................................................................................................................142
8.4 USUARIOS FINALES DE LA INVESTIGACIN: ...................................................................................142
9. BIBLIOGRAFA ...............................................................................................................................144
10. ANEXOS ..........................................................................................................................................149
1 ANEXO. FUNCIONES ORTOGONALES Y ORTONORMALES ..............................................150
1.1 CONJUNTOS ORTOGONALES ............................................................................................................151

1.2 SERIES ORTOGONALES ....................................................................................................................156
1.3 SERIES DE FOURIER PARA FUNCIONES PARES E IMPARES .............................................................165
2 ANEXO. RUTINAS DE CLCULO SOPORTADAS POR MATLAB.....................................169
2.1 ANLISIS EXPLORATORIO ...............................................................................................................169

2.2 CLCULO DEL EXPONENTE DE HURST ...........................................................................................170
2.3 CLCULO DE LA TRANSFORMADA DE FOURIER DISCRETA DE SEALES UNIDIMENSIONALES
MEDIANTE OPERACIONES MATRICIALES .................................................................................................172
2.4 CLCULO ANLISIS DE SEALES BIDIMENSIONALES CON TRANSFORMADA DE FOURIER EN
TIEMPO DISCRETO MEDIANTE OPERACIONES MATRICIALES .................................................................173
2.4.1 CLCULO TFDD: "TRANSFORMADA DE FOURIER DISCRETA DIRECTA" .........................................176
2.4.2 CLCULO TFDI: "TRANSFORMADA DE FOURIER DISCRETA INVERSA" ..........................................176
2.5 CLCULO DE LA TRANSFORMADA DE FOURIER DE TIEMPO CORTO DISCRETA MEDIANTE
OPERACIONES MATRICIALES....................................................................................................................177
2.6 CLCULO DE LOS COEFICIENTES DE APROXIMACIN CON EL ANLISIS DE WAVELET EN UNA
SEAL BIDIMENSIONAL .............................................................................................................................179
11. APNDICES ....................................................................................................................................181
1. APNDICE. SEALES BSICAS..................................................................................................182
2.7 FUNCIN UNITARIA .........................................................................................................................182

2.8 IMPULSO ...........................................................................................................................................182
2.9 FUNCIN SHAH .................................................................................................................................183
2.10 FUNCIONES HORQUILLA Y ANTIHORQUILLA ..............................................................................184
2.11 FUNCIN ESCALN ........................................................................................................................185
2.12 FUNCIN SIGNO .............................................................................................................................185
2.13 FUNCIN RECTANGULAR O FUNCIN RECT ............................................................................186
2.14 FUNCIN TRIANGULO ....................................................................................................................187
2.15 CAMPANA DE GAUSS O DISTRIBUCIN NORMAL.........................................................................188
2.16 FUNCIONES SINUSOIDALES............................................................................................................190
2.17 FUNCIN SINUSOIDAL AMORTIGUADA, FUNCIN SENO CARDINAL O FUNCIN SINC ............191
2.18 FUNCIN ASINC..........................................................................................................................192
2.19 EXPONENCIAL COMPLEJA.............................................................................................................192
2. APNDICE. NOCIONES DE CONVOLUCIN ..........................................................................193

LISTA DE TABLAS
Tabla 4-1. Serie Original Vs Serie rezagada una y dos unidades de tiempo ................................. 30
Tabla 4-2. Anlisis Exploratorio numrico de la seal Suma de Cosenos ................................ 39
Tabla 4-3. Anlisis Exploratorio numrico de la seal registrada por la Estacin Camavieja, para
diferentes escalas de agregacin temporal..................................................................................... 43
Tabla 4-4. Anlisis Exploratorio numrico de la seal registrada durante la tormenta de Boston
para diferentes escalas de agregacin temporal de 15 segundos,1 minuto, 10 minutos y 30
minutos .......................................................................................................................................... 49
Tabla 5-1. Valores por pixel para la Figura 5-7-d. ........................................................................ 64
Tabla 6-1. Relacin entre el tamao de la funcin ventana con la frecuencia y el tiempo de la
seal de anlisis ............................................................................................................................. 87
Tabla 7-1. Cronologa de la Transformada Wavelet15 ................................................................... 99
Tabla 7-2. Tamao de las series unidimensionales analizadas con Transformada Wavelet ....... 123
Tabla 7-3. Tamao de las seales bidimensionales analizadas con Transformada Wavelet ....... 130

LISTA DE FIGURAS
Figura 4-1. Diagrama de Caja y Bigotes ....................................................................................... 24
Figura 4-2. Grficas de dispersin para algunos valores de rk. (a) y (b) rk = 0, correlacin lineal
nula, (c) rk = -1, Correlacin lineal negativa y (d) rk = 0,9877, Correlacin lineal positiva. ......... 29
Figura 4-3. Relacin Potencial ...................................................................................................... 33
Figura 4-4. Relacin Potencial, bajo la apariencia de una lnea recta ........................................... 35
Figura 4-5. Divisin del conjunto de datos para realizar los clculos de [log(n)] Vs .... 36
Figura 4-6. Apariencia de la seal Suma de Cosenos junto con el histograma de frecuencia y el
diagrama de Caja y Bigotes. .......................................................................................................... 38
Figura 4-7. Funcin de Autocorrelacin para la seal "Suma de Cosenos" ................................. 39
Figura 4-8. Representacin del exponente de Hurst para la seal "Suma de Cosenos". (a) 10
puntos y (b) 20 puntos ................................................................................................................... 40
Figura 4-9 Serie de tiempo registrada por la estacin Camavieja para diferentes escalas de
agregacin temporal. (a) Diaria, (b) Semanal, (c) Mensual y (d) Anual ....................................... 42
Figura 4-10. Funcin de Autocorrelacin de la serie de tiempo registrada por la estacin
Camavieja con diferentes niveles de agregacin temporal: (a) Diaria, (b) Semanal, (c) Mensual y
(d) Anual. ....................................................................................................................................... 44
Figura 4-11. Valor de exponente de Hurst para la estacin Camavieja escala: (a) diaria con 10
puntos, (b) escala con 20 puntos, (c) semanal con 10 puntos, (d) semanal con 20 puntos, (e)
mensual con 10 puntos, (f) mensual con 20 puntos y (g) anual con 10 puntos ............................. 45
Figura 4-12. Serie de tiempo registrada para la tormenta de Boston para diferentes escalas de
agrupacin temporal. Cada, (a) 15 segundos, (b) 1 minuto, (c) 10 minutos y (d) 30 minutos. .... 48
Figura 4-13. Funcin de Autocorrelacin de la serie de tiempo registrada en la tormenta de
Boston, con diferentes escalas de agregacin temporal: (a) 15 segundos, (b) 1 minuto, (c) 10
minutos y (d) 30 minutos. .............................................................................................................. 50
Figura 4-14. Valor de exponente de Hurst para la tormenta de Boston cada (a) 15 segundos con
10 puntos, (b) 15 segundos con 20 puntos, (c) cada minuto con 10 puntos, (d) cada minuto con 20
puntos, (e) cada 10 minutos con 10 puntos y (f) cada 10 minutos con 20 puntos ......................... 51
Figura 5-1. (a) Seal de suma de cosenos presenta4.3.1 y (b) Transformada de dicha seal bajo el
lente del anlisis de Fourier (Periodograma) ................................................................................. 54
Figura 5-2. Representacin de una serie de tiempo mediante armnicos ..................................... 54
Figura 5-3. Representacin grfica de la relacin existente entre , , y ..................... 57
Figura 5-4. Reconstruccin de una seal con 10 armnicos ......................................................... 60
Figura 5-5. Escalas comparativas de frecuencia y longitud de onda del espectro visible ............. 62
Figura 5-6. Cubo de colores .......................................................................................................... 62
Figura 5-7. Fotografa de la modelo Lenna. (a) Imagen original 256*256(31), (b) 1er
Acercamiento 55*60, (c) 2do Acercamiento 28*30 y (d) 3er Acercamiento 17*19. ...................... 63
Figura 5-8. Funcin sinusoidal vertical bidimensional y su respectiva Transformada de Fourier. 66
Figura 5-9. Filtros. (a) Filtro Pasa alta y (b) Filtro pasa baja ........................................................ 68
Figura 5-10. Reconstruccin de la imagen de Lenna con diferente cantidad de armnicos. (a)
Imagen de entrada de Lenna, (b) Imagen reconstruida con 3.290 armnicos, (c) Imagen
reconstruida con 3.200 armnicos y (d) Imagen reconstruida con 2.300 armnicos .................. 69
Figura 5-11. Periodograma de la serie de tiempo Suma de Cosenos para diferente cantidad de
datos, con: (a) 400 datos, (b) 800 datos, (c) 1.000 datos y (d) 1.500 datos. .................................. 71
Figura 5-12. Periodograma de la serie de tiempo de la Estacin Camavieja de las diferentes
agregaciones temporal. (a) Agregacin semanal, (b) Acercamiento de agregacin semanal (c)
Agregacin mensual, (d) Acercamiento de agregacin mensual, (e) Agregacin Anual y (f)
Acercamiento de Agregacin Anual. ............................................................................................ 72
Figura 5-13. Periodograma de la serie de tiempo registrada por la tormenta presentada en Boston
a diferente resolucin temporal, cada: (a) 15 segundos, (b) Acercamiento de 15 segundos, (c) 1
minuto, (d) Acercamiento de 1 minuto, (e) 10 minutos, (f) Acercamiento de 10 minutos, (g) 15
minutos y (h) Acercamiento de 15 minutos................................................................................... 74
Figura 5-14. Imagen de control: Cartn de Huevos.................................................................. 75
Figura 5-15. Implementacin de la Transformada de Fourier en la imagen de control Cartn de
Huevos. (a) Imagen de control en planta con el Periodograma, (b) Imagen reconstruida con 1
armnico y el Periodograma, (c) Imagen reconstruida con 3 armnicos y el Periodograma y (d)
Imagen reconstruida con 100 armnicos y el Periodograma. ........................................................ 77
Figura 5-16. Localizacin de la zona de estudio7710 .................................................................... 78
Figura 5-17. Zona de estudio y localizacin de estaciones pluviomtricas ................................... 79
Figura 5-18. Implementacin de la Transformada de Fourier en una imagen de la Tormenta
Capitalina. (a) Imagen original y su Periodograma, (b) Reconstruccin de la seal con 1
armnico y el Periodograma, (c) Reconstruccin de la seal con 20 armnicos y (d)
Reconstruccin de la seal con 800 armnicos ms importantes. ................................................. 81
Figura 6-1. Desplazamiento de la funcin ventana en el dominio del tiempo de una seal.......... 85
Figura 6-2. Diferentes comportamientos de la funcin Ventana Gaussiana segn el parmetro .
(a) , (b) y (c) ............................................................................. 86
Figura 6-3. Periodograma de la Transformada de Fourier de Tiempo Corto para la seal Suma de
Cosenos con la funcin ventana Gaussiana para el diferentes valores del parmetro a. (a)
Serie original, (b) a =1 e-2, ............................................................................................................ 88
Figura 6-4. Periodograma de la Transformada de Fourier de Tiempo Corto con la funcin
ventana Gaussiana variando el valor del parmetro a, para la seal registrada en la Estacin
Camavieja a escala temporal semanal. .......................................................................................... 90
Camavieja a escala mensual. (a) Serie original, (b) a =1 e-2, (c) a =1 e-3 y (d) a =1 e-4. ............ 91
Camavieja a escala anual. (a) Serie original, (b) a =1 e-2, (c) a =1 e-3 y (d) a =1 e-4.................. 92
Figura 6-7. Periodograma de la Transformada de Fourier de Tiempo Corto con la funcin ventana
Gaussiana variando el parmetro a, para la seal registrada en la tormenta de Boston cada 15
segundos. (a) Serie original, (b) a =1 e-2, (c) a =1 e-3 y (d) a = 1 e-4. ......................................... 93
Figura 6-8. Periodograma de la Transformada de Fourier de Tiempo Corto con la funcin ventana
Gaussiana variando el parmetro a, para la seal registrada en la tormenta de Boston agregada
cada minuto. (a) Serie original, (b) a =1 e-2, (c) a =1 e-3 y (d) a =1 e-4. .................................... 94
Figura 6-9. Espectro de Potencia de la Transformada de Fourier de Tiempo Corto con la funcin
ventana Gaussiana variando el parmetro a, para la seal registrada en la tormenta de Boston
agregada cada 10 minutos. (a) Serie original, (b) a =1 e-2, (c) a =1 e-3 y (d) a =1 e-4. ............... 95
Figura 6-10. Espectro de Potencia de la Transformada de Fourier de Tiempo Corto con la funcin
ventana Gaussiana variando el parmetro a, para la seal registrada en la tormenta de Boston
agregada cada 30 minutos. (a) Serie original, (b) a = 1e-2, (c) a =1 e-3 y (d) a =1 e-4. ............... 96
Figura 7-1. Onda tipo wavelet ................................................................................................... 98
Figura 7-2. Escalograma .............................................................................................................. 105
Figura 7-3. Descomposicin de escalas de una seal .................................................................. 108
Figura 7-4. Proceso de descomposicin de una seal con Anlisis de Multiresolucin. ............ 110
Figura 7-5. Calculo de la Transformada Wavelet de tiempo Discreto mediante un banco de filtros
digitales31 ..................................................................................................................................... 112
Figura 7-6. Banco de filtros para clculo de la Transformada Wavelet Inversa de tiempo
Discreto31 ..................................................................................................................................... 113
Figura 7-7. Funcin wavelet y Funcin de escalamiento de Haar............................................... 114
Figura 7-8. Funcin wavelet Mexican Hat ......................................................................... 115
Figura 7-9. Familias de las funciones wavelet y de escalamiento de Daubechies. (a) , (b)
, (c) , (d) , (e) , (f) , (g) y (h) .
..................................................................................................................................................... 116
Figura 7-10. Funciones Wavelet y Escalamiento de Shanoon .................................................... 117
Figura 7-11. Proceso para calcular la Transformada Wavelet Discreta en dos dimensiones31 ... 120
Figura 7-12. Esquema de subbandas en Trasformada Wavelet Discreta para una imagen14 ...... 121
Figura 7-13. Diagrama de reconstruccin en Transformada Wavelet Discreta de una seal
bidimensional31 ............................................................................................................................ 122
Figura 7-14. Escalograma de la seal suma de cosenos. ......................................................... 124
Figura 7-15. Descomposicin jerrquica mediante Transformada Wavelet de la seal registrada
en la estacin Camavieja ............................................................................................................. 125
Figura 7-16. Escalograma de la seal registrada por la estacin Camavieja ............................... 126
Figura 7-17. Error medio cuadrtico variando la cantidad de coeficientes para la reconstruccin
de la seal registrada por la estacin Camavieja ......................................................................... 127
Figura 7-18. Descomposicin jerrquica mediante Transformada Wavelet de la seal registrada
durante la tormenta de Boston. .................................................................................................... 128
Figura 7-19. Escalograma de la seal registrada durante la tormenta de Boston ........................ 129
Figura 7-20. Error medio cuadrtico variando la cantidad de coeficientes para la reconstruccin
de la seal registra durante la tormenta de Boston ...................................................................... 129
Figura 7-21. Descomposicin jerrquica obtenida por el anlisis de Wavelet para la seal
bidimensional de control cartn de huevos. (a) Un primer nivel y (b) Segundo nivel ............ 131
Figura 7-22. Anlisis de Wavelet para la seal bidimensional de Lenna ................................ 132
Figura 7-23. Descomposicin jerrquica obtenida por el anlisis de Wavelet para la imagen de
Lenna........................................................................................................................................ 133
Figura 7-24. Campo de Precipitacin a las 2:30 pm del da 12 de Abril de 1.995 ...................... 134
Figura 7-25. Desenrollado de los coeficientes de aproximacin para su posterior organizacin
tipo vector columna ..................................................................................................................... 135
Figura 7-26. Variacin Espacio Temporal de los Coeficientes de Aproximacin de la Tormenta
Capitalina ..................................................................................................................................... 136
Capitalina con diferentes series para un espacio constante ......................................................... 137
Figura 7-28. Variacin temporal del coeficiente de aproximacin para diferentes series ......... 138
Capitalina ..................................................................................................................................... 139
Figura 7-30. Variacin temporal del coeficiente de aproximacin para una zona determina de
Bogot.......................................................................................................................................... 140
Figura 1-1. Representacin de la funcin del Ejemplo 3 ............................................................ 161
Figura 1-2. Representacin de la funcin del ejemplo 3 mediante una serie de Fourier. Funcin
desarrollada a partir de una sumatoria con: a) Un trmino, b) dos trminos, c) tres trminos, d)
cinco trminos, ............................................................................................................................ 164

Figura 1-3. Representacin de la funcin del ejemplo 4 mediante una serie de Fourier. Funcin
desarrollada a partir de una sumatoria con: a) Un trmino, b) cinco trminos, c) cincuenta
trminos y d) cien trminos. ........................................................................................................ 168
Figura 1-1. Funcin Uno en el intervalo de ............................................................ 182
Figura 1-2. El impulso ................................................................................................................. 183
Figura 1-3. Funcin Shah ........................................................................................................... 184
Figura 1-4. La funcin Horquilla................................................................................................. 184
Figura 1-5. Funcin Anti-Horquilla ............................................................................................ 185
Figura 1-6. La funcin Escaln ................................................................................................... 185
Figura 1-7. La funcin signo ....................................................................................................... 186
Figura 1-8. La funcin rect .......................................................................................................... 187
Figura 1-9. La funcin Tringulo ................................................................................................ 188
Figura 1-10. La funcin Gauss .................................................................................................... 189
Figura 1-11. Funciones Sinusoidales ........................................................................................... 190
Figura 1-12. La funcin de interpolacin sinc ............................................................................. 191
Figura 2-1. Secuencia de impulsos .............................................................................................. 194
Figura 2-2. La respuesta de un sistema de tiempo discreto a una secuencia de impulsos ........... 195
Figura 2-3. Suma ponderada de secuencias de impulsos unitarios desplazados ......................... 196
Figura 2-4. Operacin de Convolucin en sistemas de tiempo discreto ..................................... 199

1. INTRODUCCIN
Los hombres en su afn por comprender el mundo tratan de interpretar los signos que algunos
sistemas de la naturaleza emiten en su continuo trascurrir, y que son registrados a lo largo del
tiempo en lo que se conoce como serie de tiempo o seal.
El contexto del proceso de entender el comportamiento de estas seales, es lo que ha llevado a

cientficos, matemticos e Ingenieros a desarrollar herramientas para tal fin. La informacin que
definen las seales son valores definidos paramtricamente que no permiten visualizar toda la
informacin que contienen, la cual puede ser utilizada y aprovechada con beneficios prcticos.
Por lo anterior, es necesario procesar la seal con herramientas matemticas para llegar a una
representacin ms efectiva que permite encontrar informacin oculta, que puede ser incluso la
ms importante o representativa de la seal. Estas herramientas matemticas se denominan
Transformadas.
En los ltimos treinta aos las transformadas se han convertido en una herramienta indispensable
en las diferentes reas de Ingeniera. Es importante destacar que la cantidad de conceptos
desarrollados durante casi dos siglos, son aportes por de diferentes cientficos que perseguan
resolver problemas tcnicos de diversas disciplinas, se establecen actualmente como la
Transformada Wavelet.
Con respecto a lo antes mencionado, la Transformada Wavelet nace del anlisis de Fourier en
. Un siglo despus matemticos, fsicos e ingenieros como Alfred Haar en 1909, John
Littlewood y R.E.A.C. Paley en , Dennis Gabor en , Jean Morlet y Alex Grossmann
en , en Yves Meyer, Mallat en y Ingrid Daubechies fueron presentando
sus aportes para superar las limitaciones que se tena en el anlisis de seales con la
Transformada de Fourier y as llegar a lo que hoy en da se conoce como la teora de Wavelet
Uno de las principales ventajas de utilizar las wavelets es la compresin de datos. Esta
herramienta fue utilizada en por el FBI para comprimir la informacin que tienen de
huellas dactilares. En la Organizacin Internacional de Estndares acepto el uso un nuevo
estndar de compresin de imgenes digitales denominado JPEG-2000. El nuevo estndar utiliza
wavelets para comprimir archivos de imgenes sin prdidas apreciables en la calidad de la
imagen.
En la actualidad existe un sin nmero de aplicaciones de la transformada wavelet en diferentes

disciplinas a nivel internacional, que ha ido reemplazando en el transcurrir del tiempo a la
transformada de Fourier. Disciplinas conocidas como dinmica molecular, astrofsica, ssmica,
ptica, mecnica de turbulencia, mecnica cuntica, procesamiento de imgenes, anlisis de
seales medicas, como electrocardiogramas, anlisis de protenas y ADN, climatologa,
topografa y geogrfica, reconocimiento de voz y anlisis multifractal.
En relacin al rea climatolgica, especficamente en el caso del anlisis de seales de

Precipitacin, se resaltan dos trabajos. El primero presentado por Kumar y Foufola en
titulado A new look at rainfall fluctuations and Scaling Properties of Spatial Rainfall Using
Orthogonal Wavelets publicado en la revista American Meterological Society, donde se
presentan el anlisis de wavelet para campos de precipitacin monitoreados por un radar
durante la ocurrencia de una tormenta el 27 de mayo de para la identificacin de auto -
similitud en el marco de variacin de las escalas. Luego el artculo titulado Wavelet and Neuro
Fuzzy conjunction model for precipitation forecasting publicado en el en la revista
Journal of Hydrology y presentado por Turgay y zgr, donde se muestra la implementacin de
un modelo basado en la conjuncin de dos herramientas para el pronstico de la precipitacin.
A nivel nacional se destaca de los autores Arbelez, Bacchi, Ranzi y Arango en el el

artculo titulado Aplicacin de la Tcnica Wavelet a un campo de precipitacin. Identificacin
de Autosemejanza, donde utilizando el anlisis de mltiple escalamiento propuesto por Mallat,
se verific para dos eventos de tormentas localizados en el norte de Italia , que el
campo de precipitacin presenta caractersticas de auto - similaridad simple en un rango de
escalas de a .
Sin embargo los resultados obtenidos a la fecha pueden considerase satisfactorios en el contexto
internacional. Se recalca la necesidad de hacer la implementacin de las Transformadas a seales
registradas de los diferentes sistemas de la naturaleza, en especial a las seales de Precipitacin
en Colombia.
Esta razn, en adicin de las caractersticas propias de la maestra en Hidrosistemas, maestra de

investigacin de la Pontificia Universidad Javeriana, y la limitada existencia de un documento en
un lenguaje amigable para diferentes profesionales de las Geociencias ha impulsado el desarrollo
de un trabajo didctico de los conceptos de la Transformada de Fourier, Transformada de Fourier
de tiempo Corto y Transformada Wavelet.
Esta investigacin busca ofrecer a ingenieros e investigares de las ciencias de la tierra,

herramientas conceptuales y computacionales que faciliten la interpretacin de seales bajo los
lentes de las Transformadas.
Por consiguiente el objetivo fundamental de este texto se da en desarrollar una herramienta til y
practica que facilite el anlisis de series de tiempo y campo de precipitacin para profesionales de
la Geociencia que realizan procesamiento de series de datos, con dominio en el tiempo o el
espacio, buscando as, un desarrollo ms fcil y comprensible.
Para lograr lo anterior, el presente documento est estructurado con 11 captulos, incluyendo la
introduccin actual y los objetivos del presente documento. En los apartes siguientes se anticipa
brevemente el contenido registrado en cada uno de ellos donde se halla estructurado con la
exposicin de las consideraciones tericas necesarias para comprender la filosofa de cada tcnica
y continan con la implementacin de dichos conceptos en dos tipos de seales: seales de
control y seales de datos observables.
El captulo cuatro (4) contiene una caracterizacin de la serie de tiempo desde el punto de vista
estadstico.
El captulo cinco (5) se concentra en el anlisis de Fourier dejando de ver la seal en trminos de
Variable vs Tiempo, para pasar a verla en trminos de Potencia vs frecuencia. Respecto a
estos es necesario comentar que la implementacin de dichos conceptos se extiende desde
espacios unidimensionales hacia espacios bidimensionales, razn por la cual en el captulo 5 se
presentan algunas nociones acerca del tratamiento digital de imgenes o lo que es lo mismo:
seales en dos dimensiones.
Posteriormente, se introduce al lector aplicacin de los procedimientos del anlisis de Fourier a
intervalos cortos de tiempo sentando las bases del Anlisis de Fourier de Tiempo Corto, con el fin
de poder localizar en el tiempo las frecuencias de una seal (captulo 6). Seguidamente se
extienden las caractersticas del Anlisis de Fourier de Tiempo Corto al utilizar ventanas de
tamao variable que permiten analizar series no estacionarias a diversas escalas de anlisis,
ofreciendo un panorama ms amplio y profundo en el campo del procesamiento y anlisis de
series de datos (captulo 7).
El capitulo 8 contiene la principales conclusiones la cual se llego al final del desarrollo de

presente documento y adems se plantean algunas recomendaciones a seguir en el desarrollo de
futuras investigaciones a partir del presente estudio.
Los captulos nueve (9), diez (10) y once (0) contienen respectivamente la bibliografa, anexos
relacionados con: Funciones Ortogonales y Rutinas programadas soportadas por Matlab, y
apndices se halla informacin relaciona son Seales Bsicas y Convolucin.

2. OBJETIVOS
2.1 Objetivo General

Desarrollar herramientas que faciliten el anlisis de series de tiempo y campos de precipitacin.
2.2 Objetivo Especifico
Proveer un documento didctico para el estudio de la fundamentacin matemtica de la

transformada de Fourier y la transformada Wavelet, de modo que se facilite su
entendimiento a ingenieros y profesionales de las ciencias de la tierra.
Desarrollar rutinas computacionales que faciliten la implementacin y el anlisis de la

transformada de Fourier y la transformada Wavelet en series de tiempo y campos de
precipitacin.
Implementar los conceptos relacionados con la transformada de Fourier y la transformada

Wavelet en el anlisis de registros observables de precipitacin de la ciudad de Bogot.

3. ANTECEDENTES
Fourier como objeto de investigacin organizada tienen ms que los Wavelets que tiene menos
de dos dcadas. Los wavelet se derivan de una cantidad de conceptos desarrollados durante un
perodo de casi dos siglos, siendo repetidamente redescubiertas por cientficos que perseguan
resolver problemas tcnicos de diversas disciplinas.
En tal sentido el anlisis de Fourier. Jean Baptiste Joseph Fourier en , plantea que
cualquier forma de onda repetitiva, se puede expresar como una suma infinita de ondas
sinusoidales y cosinusoidales de diversas frecuencias. La transformada de Fourier fue un xito
durante el siglo XIX resolviendo muchos problemas de la fsica y de la ingeniera. Esa
importancia llev a cientficos e ingenieros a pensar que esta transformada era la nica capaz
analizar fenmenos de todo tipo. Por lo tanto, esta universalidad oblig a una exploracin ms
detallada de la metodologa. Como resultado, durante el siglo XX, matemticos, fsicos e
ingenieros encontraron un inconveniente de dicha transformacin: se tena problemas para ubicar
en el tiempo las frecuencias predominantes cuando la seal de anlisis es no estacionaria.
El principio profundo a este problema se puede ilustrar mediante lo que se conoce como el
principio de la indeterminacin de Heisenberg. En , el fsico Werner Heisenberg afirm que
la posicin y la velocidad de un objeto no se pueden medir exactamente al mismo tiempo, ni
siquiera en teora. En trminos de procesamiento de seales, esto significa que es imposible
conocer de forma simultnea la frecuencia exacta y el momento exacto en que ocurre esta
frecuencia en una seal. Para poder conocer la frecuencia, la seal se debe dilatar en el tiempo, y
viceversa.
La consecuencia del problema se puede ilustrar mediante lo que se conoce como el principio de
la indeterminacin de Heisenberg. En , el fsico Werner Heisenberg afirm que la posicin
y la velocidad de un objeto no se pueden medir exactamente al mismo tiempo, ni siquiera en
teora. En trminos de procesamiento de seales, esto significa que es imposible conocer de
forma simultnea la frecuencia exacta y el momento exacto en que ocurre esta frecuencia en una
seal. Para poder conocer la frecuencia, la seal se debe dilatar en el tiempo, y viceversa.
Por consiguiente en el transcurso del siglo XX, cientficos de distintos campos intentaron superar
estas limitaciones, para permitir que las representaciones de los datos se adaptaran a la naturaleza
de la informacin. Aunque cada cientfico intentaba resolver los problemas especficos de su
respectivo campo, todos comenzaron a llegar a la misma conclusin que las culpables eran las
transformaciones de Fourier. Tambin llegaron en esencia a la misma solucin, quizs al dividir
una seal en componentes que no fueran ondas sinusoidales puras sera posible condensar la
informacin tanto en el dominio del tiempo como en el de la frecuencia. Esta es la idea que
finalmente se denominara wavelet.
El primer colaborador en la carrera de las wavelet fue el matemtico Alfred Haar, en 1909
introdujo las funciones que actualmente se denominan "wavelets de Haar", que consisten en un
impulso positivo seguido de un breve impulso negativo; despus en 1930 los matemticos
ingleses John Littlewood y R.E.A.C. Paley demostraron que la informacin de onda, se poda
recuperar mediante la agrupacin de los trminos de sus series de Fourier en "octavas".

Seguidamente en 1946, Dennis Gabor, un fsico britnico-hngaro, present la transformacin de
Gabor, presentada en este documento como la Transformada de Fourier de Tiempo Corto, la cual
introduce el concepto de ventana donde se considera la seal estacionaria para hacer
Transformada de Fourier.
Ms adelante en las dcadas de y , las comunidades de procesamiento de seales y

procesamiento de imgenes presentaron sus propias versiones del anlisis de wavelets con
nombres tales como "codificacin de subbandas", "filtros de duplicacin de cuadratura" y
"algoritmo piramidal".
Unos aos despus, Jean Morlet no pensaba iniciar una revolucin cientfica. Solo intentaba
ofrecer a los gelogos una forma mejor de buscar petrleo. Normalmente los gelogos localizan
los depsitos subterrneos de petrleo mediante ruidos intensos. Las seales viajan a travs de
distintos materiales con velocidades distintas, los gelogos podan deducir el tipo de material que
se encontraba bajo la superficie enviando seales ssmicas a la tierra y midiendo la rapidez con la
que rebotaban. Si las seales se propagaban especialmente rpido a travs de una capa, poda
tratarse de una bveda salina que poda retener una capa de petrleo bajo ella.
Morlet, un ingeniero de Elf-Aquitanie, desarroll su propia forma de analizar las seales ssmicas
para crear componentes que estuvieran localizados en el espacio, a los que denomin "wavelets
de forma constante". Posteriormente, se conocieron como "wavelets de Morlet".
Independientemente de que los componentes se dilaten, compriman o desplacen en el tiempo,
mantienen la misma forma. Morlet consigui separar una seal en las wavelets que la componan
y tambin volver a unirlas para formar la seal original. l, comenz a preguntar a otros
cientficos si el mtodo era matemticamente coherente.
Morlet obtuvo respuesta de Alex Grossmann, un fsico del Centre de Physique Thorique de
Marsella. Grossmann trabaj con Morlet durante un ao para confirmar que las seales se podan
reconstruir a partir de la descomposicin de las wavelets. Lo cual, las transformaciones de
wavelets resultaron funcionar mucho mejor que las transformaciones de Fourier, porque eran
mucho menos susceptibles a pequeos errores de cmputo. Un error o un truncamiento
indeseados de los coeficientes de Fourier pueden transformar una seal suave en una saltarina o
viceversa; las wavelets evitan tales consecuencias no deseables. Seguidamente en 1984
publicaron conjuntamente el artculo donde se introduce por primera vez el trmino "wavelet" en
el lenguaje matemtico, consiguiendo que la teora de los wavelet adoptara finalmente su carcter
propio.
Posteriormente en 1985 Yves Meyer, descubre las primeras wavelets ortogonales suaves.
Despus en 1986 Mallat demuestra que todo lo que se haba presentado antes de 1982 estaba
relacionado con algoritmos basados de wavelet.
Seguidamente en 1987 Ingrid Daubechies construye las primeras wavelets ortogonales suaves
con una base slida, lo cual convierten la teora en una herramienta prctica. David Donoho e
Iain Johnstone en 1990 utilizan las wavelets para "eliminar el ruido" de las imgenes,
hacindolas an ms ntidas que los originales.
Uno de las principales ventajas de utilizar las wavelet es la compresin de datos, lo cual esta
herramienta fue utilizada en 1992 por el FBI para comprimir la base de datos de 30 millones de
huellas dactilares.
Por otra parte en 1995, Pixar Studios presenta la pelcula Toy Story, la primera pelcula de
dibujos animados realizadas completamente por computadora. En la secuencia de Toy Story 2,
algunas formas se realizan mediante superficies de subdivisin, una tcnica relacionada
matemticamente con las wavelets y posteriormente en 1999 la Organizacin Internacional de
Estndares acepto el uso un nuevo estndar de compresin de imgenes digitales denominado
JPEG-2000. El nuevo estndar utiliza wavelets para comprimir archivos de imgenes en una
proporcin de 1:200, sin prdidas apreciables en la calidad de la imagen.
En la actualidad la transformada wavelet ha sido adoptada como herramienta para un nmero

de aplicaciones de la naturaleza diversa, reemplazando a menudo a la transformada de Fourier.
Areas como dinmica molecular, astrofsica, ssmica, ptica, mecnica de turbulencia, mecnica
cuntica, procesamiento de imgenes, anlisis de seales medicas, como electrocardiogramas,
anlisis de protenas y ADN, climatologa, topografa y geogrfica, reconocimiento de voz y
anlisis multifractal.
A nivel internacional y nacional se han publicado gran cantidad de documentos entre los que se
destacaron por su inters en temas atmosfricos:
Kumar, P.; and Foufoula, E. . A new look at rainfall fluctuations and Scaling
Properties of Spatial Rainfall Using Orthogonal Wavelets.
Hoyos, C.; y Mesa, O. . Algunas aplicaciones de la transformada de Fourier y la

descomposicin de onditas a seales Hidrolgicas y Ssmicas.
Arbelez, C.; Bacchi, B., Ranzi R. y Arango H. . Aplicacin de la Tcnica

Wavelet a un campo de precipitacin. Identificacin de Autosemejanza.
Estupian, J.; Flrez, C.; y Obregn, N. . Manual conceptual y aplicativo de la

transformada wavelet para ingenieros.
Domnguez, M.; Mendez, Jr.; y Mendez, A. . On wavelet techiques in

atmospheric sciences.
Massei, N.; Dupont, J.; Mahler, B.; Laignel, B.; Fournier, M.; Valdes, D.; y Ogier, S.
. Investigating transport properties and turbidity dynamics of a karst aquifer using
correlation, spectral, and wavelet analyses.
Turgay, P.; y zgr, K. . Wavelet and neuro fuzzy conjunction model for
precipitation forecasting.

4. CARACTERIZACIN ESTADSTICA DE UNA SERIE
DE TIEMPO
Una etapa necesaria en toda investigacin es el anlisis exploratorio de la informacin. Los

resultados de este anlisis permiten visualizar los datos originales de otra manera, gracias a
procesos de organizacin y reduccin. En este captulo se presenta al lector una breve explicacin
del conjunto de datos utilizados en el desarrollo de este proyecto, as como sus representaciones
grficas y numricas empleadas.
Los mtodos que se exponen a continuacin son formas convenientes de reducir paquetes de
datos a formas ms compresibles.
4.1 Descripcin Grfica de los datos1

El ver la informacin de manera grfica ofrece al investigador numerosas ventajas, como ver
tendencias, dispersin, asimetra de los datos, etc., tal como lo dice el refrn popular: una
imagen vale ms que mil palabras.
A continuacin se describe dos tipos de representaciones graficas el Histograma y el diagrama de

caja y bigotes.
4.1.1 Histograma
Representacin grfica de conjuntos de datos, elaborada con el fin de contemplar la distribucin
de la informacin, donde le permite al investigador tener una visin inmediata de la amplitud de
los datos, los valores que ms se repiten o de mayor frecuencia absoluta y el grado de dispersin
alrededor de valores centrales o tpicos. Dicha grfica se construye subdividiendo el conjunto de
datos en intervalos de igual extensin llamados clases, para los cuales se determina el nmero de
elementos integrantes (frecuencias). En el eje de las ordenacias se ubica las frecuencias y en el
eje de las abscisas se colocan las clases. Se traza un rectngulo sobre cada intervalo o
subconjunto, de manera que la altura del rectngulo sea proporcional a la fraccin de
observaciones que caen en el intervalo.
Puede resultar til adoptar ciertos criterios para elegir los intervalos, an cuando estos criterios
sean un tanto arbitrarios. Un primer criterio tiene que ver con que los puntos de divisin del eje
de las abscisas no coincidan con ningn elemento del conjunto original, con el fin de evitar
ambigedades, es decir que un dato no pertenece a las clases. Un segundo criterio se relaciona
con la amplitud de los intervalos y en consecuencia con el mnimo nmero de intervalos
necesarios para describir los datos. Para fijar de manera aproximada la amplitud del intervalo se
puede hacer uso de las siguientes consideraciones matemticas:
1
WACKERLY, D., MENDENHALL, W. y SCHEAFFER, R. Estadstica matemtica con aplicaciones.
Sexta edicin. THOMSOM. 2.002
BENJAMIN, J. R y ALLIN, C. Probabilidad y Estadstica en Ingeniera Civil. McGRAW HILL. 1.981.

Ecuacin 4-1
Ecuacin 4-2
Ecuacin 4-3
Tomar entre y intervalos, empleando un mayor nmero de intervalos para cantidades

grandes de datos.
Donde:
Cantidad de intervalos
El nmero datos
En todo caso es el investigador quien define en cuantos intervalos fragmentara el conjunto de

datos de modo que las frmulas antes presentadas se constituyen nicamente como guas.
4.1.2 Diagrama de caja y bigotes2

Este diagrama, tambin conocido como box whister, caja y punto o caja con patillas, ofrece
una representacin creada a partir de siete nmeros , con el objeto de
que los datos del conjunto analizado no pierdan su distribucin espacial.
Esta herramienta de anlisis exploratorio permite estudiar la simetra de los datos y detectar los
valores atpicos en la informacin que se est analizando. El diagrama de cajas y bigotes divide
los datos en cuatro reas de igual frecuencia, con los siguientes intervalos:
El diagrama de caja y bigotes consta de una caja central y dos segmentos horizontales (bigotes)
que parten del centro de cada lado de la caja como se puede visualizar en la Figura 4-1. La caja
central encierra el 50% de los datos. La lnea vertical al interior de la caja representa la mediana o
50 percentil . Si esta lnea est en el centro de la caja, no hay asimetra en los datos. Los
lados verticales de la caja estn situados en los cuartiles inferior (25 percentil ) y superior (75
2
LINAS, H., y LVAREZ, C. Estadstica descriptiva y distribuciones de probabilidad. Primera edicin, 1
reimp. Barranquilla: ediciones Uninorte, 2.006.
percentil ) de los datos. Partiendo del centro de cada lado vertical de la caja se dibujan los
bigotes, uno hacia la izquierda y el otro hacia la derecha, teniendo en cuenta lo siguiente:
Bigote Izquierda CAJA Bigote Derecha
a b Q1 Q2 Q3 c d
Figura 4-1. Diagrama de Caja y Bigotes
El bigote de la izquierda tiene un extremo en el primer cuartil y el otro extremo en el

correspondiente valor de en la Figura 4-1 y calculado mediante Ecuacin 4-4.
El bigote de la derecha tiene un extremo en el tercer cuartil y el extremo superior

correspondiente al valor de en la Figura 4-1, calculado por la Ecuacin 4-5.
Ecuacin 4-4
Ecuacin 4-5
Donde el valor : Rango Intercuartilico, est definido por la siguiente expresin:
Ecuacin 4-6
A los datos que se encuentran a la izquierda del bigote izquierdo y a la derecha del bigote
derecho, se les denomina valores atpicos moderados siempre cuando se halle entre y ,
ver la Figura 4-1. Donde y se calculan mediante las siguientes ecuaciones:
Ecuacin 4-7
Ecuacin 4-8
Los datos ubicados a la izquierda del valor y a la derecha despus del valor se le llaman
valores atpicos extremos.
4.2 Descripcin Numrica de los datos1

A menudo es necesario resumir el conjunto de datos de anlisis en indicadores con significado
conocido, tales como las medidas de tendencia central, la medida de dispersin de los datos y la
memoria del proceso. El lector interesado puede remitirse a libros bsicos de de estadstica para
ampliar la informacin que se expone a continuacin.
4.2.1 Medidas de tendencia central
En esta seccin se definen algunas de las medidas numricas ms comunes para describir el
centro de los datos o los valores ms esperados.
4.2.1.1 Media
Es la medida ms popular de la tendencia central, tambin conocida como promedio o valor
esperado. La media de conjunto de datos slo indica el centro de la distribucin de los datos.
La media de una muestra de tamao se determina mediante la ecuacin:
Ecuacin 4-9
Donde:
Media muestral
Tamao de la muestra
I-simo valor del conjunto de datos.
La media es solo un indicador de lo que pasa en el centro de los datos y de manera formal es el
primer momento alrededor del valor cero.
4.2.1.2 Mediana
Es el valor ubicado en la mitad de los datos una vez estos han sido ordenados. Adopta el valor del
elemento central si el nmero de elementos es impar o el promedio de los dos elementos centrales
cuando el nmero de datos es par.
4.2.1.3 Moda
La moda es el valor que ms se repite del conjunto de datos. Posee dos ventajas: no requiere de
clculos complejos para su determinacin, solo de conteo, y se puede determinar tanto para datos
cualitativos como para datos cuantitativos.

4.2.2 Medidas de dispersin
Debido a que cada fenmeno tiene variaciones alrededor de su valor medio, el clculo de las
medidas de dispersin, proporciona una serie de parmetros importantes para describir la
dispersin del conjunto de datos o el grado de separacin entre los datos.
4.2.2.1 Rango
Extensin del conjunto de datos. Se calcula como la diferencia entre el mayor y menor valor de
los datos.
4.2.2.2 Varianza y Desviacin Estndar

Concepto anlogo al momento de inercia, puesto que se relaciona con la suma de los cuadrados
de las distancias existentes entre los datos y la media o centro de gravedad de los mismos.
La varianza de una muestra se calcula como la suma de los cuadrados de las

diferencias entre los valores y su media, dividida entre para eliminar la dependencia del tamao
de la muestra. Matemticamente se puede calcular como:
Ecuacin 4-10
Cuanto mayor sea la varianza del conjunto de mediciones, mayor ser el grado de separacin
entre los datos.
A la raz cuadrada positiva de la varianza se denomina desviacin estndar. Como se puede

observar en la Ecuacin 4-11. Este valor tiene las mismas unidades de los datos originales. Entre
ms pequea sea la desviacin estndar, los datos se concentrarn mas alrededor de la media
muestral y menos frecuentes sern los valores lejanos del centro de los datos.
Ecuacin 4-11
4.2.2.3 Coeficiente de variacin muestral

Coeficiente adimensional que expresa la magnitud de la dispersin de una variable aleatoria
respecto a la media, til para comparar conjunto de datos cuando la escala de medicin difiere de
manera apreciable entre stos. Matemticamente se expresa como:

Ecuacin 4-12
Tal medida tiene un parecido con la definicin del Exponente de Hurst explicado ms adelante.
4.2.2.4 Coeficiente de asimetra

Otro rasgo que es importante analizar en un conjunto de datos es su simetra respecto a la media.
Al cuantificar la simetra, es necesario conservar informacin tanto del signo, como de la
distancia de cada dato a la media (centro de simetra). Este razonamiento implica que la
diferencia entre cada valor y la media debe estar afectada por una potencia impar, que para el
caso toma el valor de tres.
Si la varianza es el segundo momento respecto de la media, el tercer momento respecto a la

media se define como el coeficiente de asimetra de la muestra o , definido mediante la
Ecuacin 4-13.
Ecuacin 4-13
Coeficientes positivos indicarn distribuciones con sesgo a la derecha (es decir, con colas ms
largas a la derecha) y valores negativos indicarn un sesgo a la izquierda. En el caso en que el
coeficiente valga cero la distribucin es simtrica alrededor de la media.
4.2.2.5 Coeficiente de apuntamiento

El cuarto momento central es una medida de que tan puntiaguda es la distribucin de los datos.
Recibe el nombre de coeficiente de apuntamiento o kurtosis . Indica si los datos se
concentran demasiado o no, comparados con un modelo de distribucin llamado curva normal.
Ecuacin 4-14
Si:
la distribucin se denomina platicrtica y es decir ms achata que la distribucin

normal.
la distribucin se denomina mesocrtica, es decir similar a la distribucin

normal.
la distribucin se denomina leptocrtica, es decir ms puntiaguda que la
distribucin normal.
4.2.3 Descripcin de la memoria de proceso

Estudiar la memoria del proceso es buscar la relacin que tiene el dato medido en el presente en
una estacin determinada, con el dato del pasado registrado por la misma estacin. Dos
herramientas matemticas utilizadas con gran frecuencia en el anlisis de la memoria de un
proceso son la funcin de Auto-correlacin Lineal y el Exponente de Hurst, para las cuales se
presentara en los prximos renglones una breve explicacin.
4.2.3.1 Funcin de Auto-correlacin Lineal

El objetivo de los prximos renglones es entender una de la medida para el anlisis de la
memoria de un proceso como lo es la funcin de Autocorrelacin Lineal, pero antes se presenta la
Correlacin lineal, de donde nace dicha funcin y permitir entender ms facial la aplicacin.
Coeficiente de Correlacin Lineal3
El coeficiente de correlacin , es una medida del grado de relacin lineal que existe entre dos
variables y . La siguiente expresin matemtica define el coeficiente de correlacin entre dos
variables:
Ecuacin 4-15
Donde:
Valor de la variable
Valor de la variable
Media muestral de la variable
Media muestral de la variable
3
CANAVOS C, George. PROBABILIDAD Y ESTADSTICA Aplicaciones y mtodos. Editorial: Mc Graw-
Hill. 1.999
Se encuentra definido en el intervalo . El valor de indica una correlacin
inversamente proporcional entre las dos variables de anlisis, mientras que un valor de
seala una correlacin directamente proporcional. Si es igual a , entonces no existe ninguna
relacin lineal entre y . En la Figura 4-2 se las graficas de dispersin para algunos valores de
6 300
Y = -X2 + 30*X + 25
5 250
4 200
Y
3
150
Y
2
100
1
50
0
0 1 2 3 4 5 6 7 0
0 5 10 15 20 25 30 35
X X
(a) (b)
12 12
Y = -X + 11 Y = 0,9851*X + 0,1765
10 10
8 8
Y
Y
6 6
4 4
2 2
0 0
0 2 4
0 2 4 6 8 10 12
X6 8 10 12
(c) (d)
Figura 4-2. Grficas de dispersin para algunos valores de rk. (a) y (b) rk = 0, correlacin lineal nula, (c) rk = -1,
Correlacin lineal negativa y (d) rk = 0,9877, Correlacin lineal positiva.
En la Figura 4-2 (b), puede verse que aunque existe una relacin parablica perfecta el
coeficiente de correlacin lineal es cercano a cero, por cuando este mide el parecido con una
lnea recta y no con una parbola u otra grfica.
Es importante aclarar tanto el concepto de Coeficientes de Correlacin Lineal y Funcin de

Autocorrelacin, son similares.

Funcin de Auto-correlacin Lineal
La funcin de auto-correlacin mide la relacin existente entre los valores de la serie temporal
discreta de un proceso y los correspondientes a la misma serie rezagada o desfasada unidades
de tiempo, como se presenta en la Tabla 4-1.
Tabla 4-1. Serie Original Vs Serie rezagada una y dos unidades de tiempo
Serie Original
a1 - -
a2 a1 -
a3 a2 a1
a4 a3 a2
a5 a4 a3
ai ai-1 ai-2
an an-1 an-2
Esta funcin es de gran utilidad para encontrar patrones repetitivos dentro de una seal. Para
estimar el coeficiente de auto-correlacin entre la serie original y la misma serie rezagadas
unidades de tiempo, debe hacerse el uso de la siguiente expresin:
Ecuacin 4-16
Donde:
Coeficiente de auto-correlacin Lineal
Dato de la serie original
La media de la serie de datos
Dato rezagado unidades de tiempo
Para obtener la funcin de Auto-correlacin se grafica en el eje el valor del rezago de la serie
en anlisis el coeficiente de Auto-correlacin entre la serie original y la serie rezagada, decir
el valor obtenido de haber reemplazado cada uno de los trminos queme definen la Ecuacin
4-16. Un decaimiento rpido de la funcin de Auto-correlacin permite afirmar que la serie en
anlisis tiene poca memoria y decaimiento lentamente es un proceso con memoria.

4.2.3.2 Exponente de Hurst
El hidrlogo ingles Harold Edwing Hurst (1.880 1.978), en su afn por responder Cul es el
tamao optimo del embalse?, pregunta para la cual respondi,
Aquel embalse nunca este vaco, es decir el embalse siempre debe almacenar algo de agua
para contrarrestar sequias.
Aquel embalse nunca se rebose, es decir que tenga un espacio vaco para almacenar
crecientes.
Hurst solucion este problema mediante el clculo de o rango de volmenes, o rango en

que se debe mover del embalse. Matemticamente puede expresarse como:
Ecuacin 4-17
Donde:
Es la mayor diferencia positiva entre el consumo acumulado y el caudal aportado por

el ro acumulado desde el inicio de la operacin del embalse hasta el tiempo . Lo
anterior con el fin de tener un tamao ptimo del embalse para que nunca este vaco,
con el fin de aliviar sequias.
Es la menor diferencia negativa entre el consumo acumulado y el caudal del ro

acumulado desde el inicio de la operacin del embalse hasta el tiempo , en busca de
tener el tamao recomendable para que el embalse nunca se rebose.
La diferencia entre el aporte del ro acumulado y consumo acumulado en el tiempo esta dada
por:
Ecuacin 4-18
Donde:
Es el volumen suministrado por el ro
Es el volumen promedio demandado
Otra forma de expresar es:

Como el contenido de la sumatoria interna del segundo trmino es una constante:
Ecuacin 4-19
Asumiendo que la probabilidad de cada trmino es la misma: , se llega a:
Ecuacin 4-20
Donde:
Cantidad total de agua entregada por el ro en aos
Cantidad total de agua demandad en aos
Tamao de la muestra
Hurst quera comparar rangos de volmenes de diferentes embalses, de modo para poder hacer
esto, normaliz dividindolo entre la desviacin estndar de los datos, , obteniendo de
esta manera lo que llam Anlisis de Rango Reescalado4.
Ecuacin 4-21
4
Dicho coeficiente experimental tiene gran similitud con el concepto de coeficiente de variacin muestral
de la estadstica descriptiva, ver 4.2.2.3.
Adicionalmente, Hurst y sus colegas estudiaron el comportamiento del Rango Reescalado, y
notaron que al graficar en papel logartmico los valores de Vs , se obtena
una relacin potencial como la mostrada en la Ecuacin 4-22, relacin que se hablar en el
siguiente tem (Ley de Potencia).
Ecuacin 4-22
Donde:
Es una constante
Tamao de la muestra
Medida de la intensidad de la dependencia de largo plazo, nombrada Exponente de

Hurst en honor al hidrlogo ingls Harold Edwin Hurst.
Ley de Potencia
La Ecuacin 4-22, posee la forma funcional de una ley de potencia. De manera general una ley de
potencia posee la forma de la Ecuacin 4-23, en la cual la variable independiente esta afectada
por un coeficiente y un exponente . Por ejemplo, cuando toma una valor de 2 y de -0.9,
se genera la grfica que se muestra en la Figura 4-3 la cual es una representacin clsica de
eventos tales como: terremotos, tormentas, avalanchas, etc., eventos para los cuales la frecuencia
de ocurrencia, , disminuye a medida que aumenta el tamao del evento .
9
8 f(x) = 2x-0,9
Frecuencia del Evento
7
6
5
f(x)
4
3
2
1
0
0 1 2 3 4 5 6 7
Tamao del Evento
(x)
Figura 4-3. Relacin Potencial

Sea:
Ecuacin 4-23
Despejando se tiene:
Al aplicar logaritmos, a cada uno de los lados:
Ecuacin 4-24
Haciendo:
Se llega a:
Ecuacin 4-25
Con
Donde la Ecuacin 4-25, posee la forma funcional de una lnea recta. La Figura 4-3 bajo la
apariencia de una lnea recta toma la forma:
Ecuacin 4-26
Al graficarla la Ecuacin 4-26 se obtiene la Figura 4-4

6
y = -0,9x + 0,301
4
Log[f(x)]
0
-6 -4 -2 0 2 4 6
-2
-4
Log[x]
Figura 4-4. Relacin Potencial, bajo la apariencia de una lnea recta
Invarianza de escalas
A partir de la Ecuacin 4-23, puede apreciar el concepto de Invariancia de Escala. Al ampliar la

variable , multiplicndola por un escalar , se obtiene:
Ecuacin 4-27
De modo que si es escalado por una magnitud constante , se ve escalado en una

magnitud . Por lo tanto, si se conoce el comportamiento de un fenmeno a una escala ,
es posible conocer o inferir el comportamiento de dicho fenmeno a otras escalas ms finas o
gruesas segn el valor que adopte la constante .
Calculo e Interpretacin del Exponente Hurst
Para obtener cada uno de los puntos que hacen parte de la grfica logartmica se debe dividir la
serie en conjuntos de datos, para los cuales se calculan los correspondientes valores de
y . A modo de ejemplo se tiene, para un conjunto de datos se desea obtener el exponente
de Hurst con 8 divisiones. Es importante recordar como son 8 divisiones para hacer el grafico se
va contar con 8 puntos, los cuales se van a obtener a partir de: una primera divisin es con todos
los datos de la serie, , lo cual se calcula el rango, la desviacin estndar y los logaritmos de
y , lo cual es el primer punto de la grfica. Para un segundo punto de la grfica, se divide
la serie de tiempo en dos partes, a cada parte se le calcula el rango y la desviacin estndar, de los
cuales se calcula el prometido y aplica el logaritmo a y a la relacin del promedio de los
rangos y las desviaciones estndar de ; as sucesivamente para cada una de
las divisiones como se muestra en la Figura 4-5.
n/2
n/3
n/4
n/5
:
:
:
n/8
:
:
:
Datos R/S Logaritmos
n log(n)
n/2 log(n/2)
n/3 log(n/3)
n/4 log(n/4)
n/5 log(n/5)
: : : :
n/8 log(n/8)
: : : :
: : : :
Figura 4-5. Divisin del conjunto de datos para realizar los clculos de [log(n)] Vs
Al graficar en el eje de las abscisas el y en el de las ordenadas el se tiene

una cantidad de puntos segn la cantidad de divisiones que se desean hacer de la serie, los cuales
se aproximan a una lnea recta que al obtener la ecuacin de dicha lnea recta el valor de la
pendiente (el que acompaa a la variable ) es el coeficiente de Hurst.
El coeficiente de Hurst, es una medida estadstica utilizada en hidrologa para determinar si una
serie de tiempo tiene memoria de largo plazo, es decir si la serie no se comporta de manera
totalmente aleatoria. Este coeficiente indica la existencia de persistencia o anti-persistencia (no
persistencia) en una serie temporal. De encontrarse persistencia, existe algn tipo de dependencia
entre los datos con su pasado. Es decir, el coeficiente de Hurst permite comprobar si los datos se
comportan como un movimiento browniano ordinario o si por el contraro la serie presenta
memoria.
El coeficiente de Hurst puede tomar valores entre cero y uno, de modo que:
El caso especial de , da evidencia de un comportamiento aleatorio puro, es decir,

evidencia independencia estadstica de largo plazo. El futuro no se ve influenciado por lo
que ocurre en el presente y pasado.
Un proceso con un valor de tal que es llamado un Proceso

Antipersistente, es decir si la serie est creciendo no se sabe si seguir creciendo o
decreciendo, su comportamiento es incierto pero el proceso presenta memoria.
Un proceso con un valor de tal que es llamado un Proceso Persistente, en

el que los valores que toma el proceso tienden a reforzar la tendencia actual, esto es, si la
tendencia de la serie de tiempo ha sido positiva en el ltimo perodo observado, es ms
fcil que esta tendencia contine siendo positiva en el siguiente perodo. La intensidad del
comportamiento persistente se incrementa cuando H se aproxima a uno, y es este efecto
de memoria de largo plazo el que causa la apariencia de tendencias y ciclos en el proceso.
Mandelbrot llam a ste comportamiento el Efecto Jos por la historia bblica de los
siete aos de abundancia seguidos de los siete aos de escasez.
En conclusin cuando una serie de tiempo tiene un valor de H diferente de 0.5, las observaciones
NO son independientes. Cada observacin es producto del recuerdo de todos los eventos
predecesores, es decir, existe un efecto de sesgo o de memoria. Sin embargo, esta no es una
memoria de corto plazo, comnmente llamada Markoviana, esta memoria es distinta, es de largo
plazo. Es evidente que eventos ms recientes tengan un impacto mayor que eventos distantes,
pero estos ltimos siguen influenciando al proceso.
4.3 Informacin a analizar

Para ilustrar cada uno de los conceptos presentados en este captulo, se analizaron tres series de
tiempo de las cuales: una est compuesta una por la suma de funciones cosenos y las otras dos
por series de precipitacin registradas por estaciones pluviomtricas.
Funcin Suma de Cosenos: serie construida para actuar como experimento controlado.
Consiste en la suma de cuatro funciones cosenoidales y est definida en el intervalo
.
Ecuacin 4-28
Estacin Camavieja EAAB5: serie de datos de precipitacin diaria registradas por la

estacin Camavieja desde el 3 de marzo de 1.975 hasta 15 de diciembre de 2.009, cuenta
con datos.
5
La estacin Camavieja pertenece al conjunto de estaciones de la Empresa de Acueducto y
Alcantarillado de Bogot (EAAB). Identificada con el cdigo 2120569, ubicada en la Sabana de Bogot
Colombia, en las coordenadas Este: 338447 y Norte: 1003528. Informacin utilizada con el aval de dicha
entidad.
Earl Williams of the Department of Meteorology of MIT: serie de datos registrados cada
segundos durante la ocurrencia de una tormenta en Boston el da 25 de Octubre de
desde las hasta , cuenta con datos.
4.3.1 Anlisis de la seal Suma de Cosenos

Supngase que en cierta estacin se registraron valores de lluvia que pueden ser descritos por la
Ecuacin 4-28. Dichos datos son presentados de tres maneras distintas (Figura 4-6): Serie de
tiempo, Histograma y diagrama de Caja y Bigotes.
Figura 4-6. Apariencia de la seal Suma de Cosenos junto con el histograma de frecuencia y el diagrama de Caja
y Bigotes.
En el histograma de la Figura 4-6 se puede apreciar que lo datos siguen la forma de una
distribucin Normal, con una cola o sesgo hacia los valores altos de la funcin debido a que el
intervalo de tiempo comprendido entre y la funcin no alcanza a completar ciclos exactos.
La misma asimetra tambin se aprecia en diagrama de caja y bigotes. Ntese que en la grafica
del histograma no se ve un pico excesivo ni disminuido.
La Tabla 4-2, corresponde a cada uno de los valores que toma las medidas numricas en la
caracterizacin estadstica exploratoria de la seal de Suma de Cosenos.

Tabla 4-2. Anlisis Exploratorio numrico de la seal Suma de Cosenos
ANLISIS EXPLORATORIO DE LA SEAL SUMA DE

COSENOS
Parmetros Unidades Valor
Numero de datos und 400
Mnimo mm -2,67
Moda mm -2,67
Mediana mm -0,24
Media mm 1,90E-03
Desviacin Estndar mm 1,43
Coeficiente de variacin muestral Adimensional 750,00
Coeficiente de Asimetra Adimensional 0,54
Coeficiente de Apuntamiento Adimensional 2,99
Mximo mm 4,00
En la Tabla 4-2 se hallan inscritas las medidas de descripcin numrica del conjunto de datos. Se
aprecia la existencia de una asimetra positiva lo cual indica sesgo hacia valores altos y un
apuntamiento muy cercano a lo que evidencia el parecido de dicha serie con la distribucin
normal en cuanto curtosis se refiere.
Con este experimento controlado se aprecia que las rutinas de clculo utilizadas funcionan
correctamente, de modo que pueden ser utilizados para caracterizar series de datos reales.
En la Figura 4-7 y Figura 4-8, se presenta la funcin de Autocorrelacin y la grfica necesaria

para obtener el exponente de Hurst de la seal en estudio, con el objetivo de observar la memoria
del proceso de la serie.
Figura 4-7. Funcin de Autocorrelacin para la seal "Suma de Cosenos"
De la grafica de la funcin de Auto-correlacin lineal puede apreciarse, la alta memoria del

proceso estudiado.

El exponente de Hurst (pendientes de las rectas) fue calculado con (a) 10 puntos y (b) 20 puntos,
ver Figura 4-8. Se puede observar que dicho coeficiente es muy sensible a la cantidad de puntos
utilizados. Para el primer caso H toma un valor de caracterstico de un Proceso Anti-
persistente. En el segundo caso H toma un valor de caracterstico de un Proceso
Persistente. En ambos casos la calidad del ajuste fue evaluado mediante el parmetro y tal
como se observa, la calidad del ajuste es buena por cuanto tiende a . Respecto al coeficiente
de Hurst puede concluirse que existe memoria, concordando con los resultados obtenidos con la
grfica de Auto-correlacin Lineal.
(a) (b)
Figura 4-8. Representacin del exponente de Hurst para la seal "Suma de Cosenos". (a) 10 puntos y (b) 20 puntos
4.3.2 Anlisis de la seal registrada por la Estacin Camavieja

Para analizar la informacin de dicha estacin se decidi trabajar con cuatro escalas de
agregacin temporal: diaria, semanal, mensual y anual, con el objetivo de mostrar la variacin de
las caractersticas estadsticas de la informacin para diferentes niveles de agregacin temporal.
Los resultados se pueden apreciar en la Figura 4-9.

(a)
(b)

(c)
(d)
Figura 4-9 Serie de tiempo registrada por la estacin Camavieja para diferentes escalas de agregacin temporal. (a)
Diaria, (b) Semanal, (c) Mensual y (d) Anual
En la Figura 4-9 es fcil visualizar que para la resolucin diaria y semanal la mayora de los datos
se encuentran agrupados en las primeras clases, lo cual pone en evidencia la alta existencia de
valores bajos. Para las escalas mensuales y anuales se observa un mayor grado de dispersin.

Tabla 4-3. Anlisis Exploratorio numrico de la seal registrada por la Estacin Camavieja, para diferentes escalas
de agregacin temporal.
ANLISIS EXPLORATORIO DE LA SEAL REGISTRADA POR LA ESTACIN CAMAVIEJA

Agregacin Temporal
Parmetros Unidades Diaria
Semanal Mensual Anual
Numero de datos Und 12.397 1.771 415 35
Mnimo mm 0,00 0,00 0,40 405,30
Moda mm 0,00 0,00 11,70 405,30
Mediana mm 0,10 10,30 60,90 853,50
Media mm 2,41 16,88 72,03 854,09
Desviacin Estndar mm 5,64 19,20 50,05 177,82
Coeficiente de Variacin Muestral Adimensional 2,34 1,14 0,69 0,21
Coeficiente de Asimetra Adimensional 4,17 1,89 1,24 -0,02
Coeficiente de Apuntamiento Adimensional 26,71 7,40 4,41 2,71
Mximo mm 75,10 152,90 276,00 1.189,20
En la Tabla 4-3 se observa que a medida que cambia la escala temporal cambian los parmetros
estadsticos como era de esperarse, sin embargo existen algunas caractersticas comunes en estas
cuatro escalas:
Existe un sesgo hacia los valores altos, excepto en la escala anual donde el sesgo es casi
nulo.
Los coeficiente de variacin muestral varan de mayor a menor a medida que la

agregacin temporal va aumentando.
Existe un comportamiento Leptocrtica, es decir alta concentracin de valores alrededor

de la media, excepto en el caso anual como lo constata la Figura 4-9 (d).
En la Figura 4-10 se muestra la funcin de Auto-correlacin para las escalas temporales antes
mencionadas.
(a) (b)

(c) (d)
Figura 4-10. Funcin de Autocorrelacin de la serie de tiempo registrada por la estacin Camavieja con diferentes
niveles de agregacin temporal: (a) Diaria, (b) Semanal, (c) Mensual y (d) Anual.
En la Figura 4-10 se observa que la memoria para la escala diaria decae rpidamente hasta
estabilizarse en un valor cercano a , valor bajo comparado con el de las escalas semanales,
mensuales y anuales el cual oscila alrededor de . Sin embargo, para todas las escalas se
aprecia como la memoria disminuye con el tiempo.
En la Figura 4-11, se presentan los resultados de las grficas generadas para el Anlisis de Rango
Reescalado con su respectiva ecuacin lineal y nivel de ajuste para cada una de las escalas de
agregacin. Nuevamente el exponente de Hurst fue calculado con y puntos.
(a) (b)

(c) (d)
(e) (f)
(g)
Figura 4-11. Valor de exponente de Hurst para la estacin Camavieja escala: (a) diaria con 10 puntos, (b) escala
con 20 puntos, (c) semanal con 10 puntos, (d) semanal con 20 puntos, (e) mensual con 10 puntos, (f) mensual con 20
puntos y (g) anual con 10 puntos

Como se puede apreciar en la Figura 4-11 el valor del coeficiente de Hurst (pendiente de la
recta) es poco sensible a los cambios de la escala temporal, pero si es sensible al nmero de
puntos que se generan para hacer la grfica. Para el nivel temporal anual con las diferentes
divisiones que se desee hacer presenta error por la cantidad de datos que se tienen en esta
resolucin temporal . Al dividir la serie anual para generar los puntos que forman
la grfica van a resultar grupos de datos pequeos, que no presentan gran variacin con respecto a
la media, por lo tanto la desviacin estndar es cercana al valor cero de lo cual se obtendrn
errores en los clculos respectivos ya que se encuentra en el denominador del fraccionario
, presentados en el lenguaje de programacin Matlab R2009b como NAN.
4.3.3 Anlisis de la seal registrada en la tormenta de Boston

Para analizar la informacin de registrada durante la tormenta presentada en Boston Estados
Unidos el da de Octubre de se decidi trabajar con cuatro escalas de agregacin
temporal de cada segundos, cada minuto, cada minutos y cada minutos, con el fin de
poder visualizar la variacin de las caractersticas estadsticas para diferentes niveles de escalas.
Los resultados se pueden observar en la Figura 4-12.
(a)

(b)
(c)

(d)
Figura 4-12. Serie de tiempo registrada para la tormenta de Boston para diferentes escalas de agrupacin temporal.
Cada, (a) 15 segundos, (b) 1 minuto, (c) 10 minutos y (d) 30 minutos.
En la Figura 4-12 se puede observar que las grficas exhiben la misma forma aunque se est
cambiando la escala de agregacin. Ntese por ejemplo como en las cuatro graficas existe sesgo
hacia valores altos y como la mayora de los datos son pequeos, lo que conlleva a que en las
primeras clases se ubiquen la mayora de los datos.
En la Tabla 4-4 se muestra la descripcin numrica estadstica de cada una de las agregaciones
temporales que se estudiaron de la seal registrada en la tormenta de Boston.

Tabla 4-4. Anlisis Exploratorio numrico de la seal registrada durante la tormenta de Boston para diferentes
escalas de agregacin temporal de 15 segundos,1 minuto, 10 minutos y 30 minutos
ANLISIS EXPLORATORIO DE LA SEAL REGISTRADA DURANTE LA TORMENTA DE

BOSTON
Agregacin Temporal
Parmetros Unidades 15 seg
1 min 10 min 30 min
Numero de Datos Und. 1.990 497 49 16
Mnimo mm 0,08 0,34 9,48 87,84
Moda mm 0,11 0,44 9,48 87,84
Mediana mm 1,54 6,30 62,41 205,40
Media mm 1,97 7,90 79,63 242,02
Desviacin Estndar mm 1,88 7,30 61,69 150,52
Coeficiente de variacin muestral Adimensional 0,95 0,92 0,77 0,62
Coeficiente de Asimetra Adimensional 3,64 3,43 2,22 1,09
Coeficiente de Apuntamiento Adimensional 28,74 24,99 9,84 3,40
Mximo mm 25,20 78,75 360,31 364,35
En la Tabla 4-4 se puede observar que a medida que se cambia la escala temporal cambian los
parmetros estadsticos, pero sin embargo se puede destacar para las cuatro escalas en anlisis
algunas caractersticas comunes:
Existe un sesgo hacia los valores altos.
El coeficiente de variacin muestral va disminuyendo a medida que se van aumentando la

agregacin de los datos.
La distribucin de las diferentes escalas Leptocrtica, es decir presentan un pico

relativamente alto.
En la Figura 4-13, se presenta la funcin de Autocorrelacin para la serie registrada por la

tormenta de Boston en diferentes escalas de agregacin temporal, desde segundos hasta
minutos.

(a) (b)
(c) (d)
Figura 4-13. Funcin de Autocorrelacin de la serie de tiempo registrada en la tormenta de Boston, con diferentes
escalas de agregacin temporal: (a) 15 segundos, (b) 1 minuto, (c) 10 minutos y (d) 30 minutos.
Ntese como la memoria decae lentamente en los cuatro casos y como a medida que cambia la
escala temporal la forma de la grafica de la funcin de Auto-correlacin Lineal se mantiene.
En la Figura 4-14 se presentan cada una de las grficas generadas para las diferentes escalas y
nmeros de puntos con los que se construye las rectas.

(a) (b)
(c) (d)
(e) (f)
Figura 4-14. Valor de exponente de Hurst para la tormenta de Boston cada (a) 15 segundos con 10 puntos, (b) 15
segundos con 20 puntos, (c) cada minuto con 10 puntos, (d) cada minuto con 20 puntos, (e) cada 10 minutos con 10
puntos y (f) cada 10 minutos con 20 puntos

Como se puede observar en la Figura 4-14 el exponente de Hurst que presenta la tormenta de
Boston analizada con puntos y puntos es cercano al valor de , evidenciando un Proceso
Persistente. En la Figura 4-14 (f) se tiene el mismo error descrito al final del numeral 4.3.2, con
la serie temporal agregada anual de la estacin Camavieja.

5. ANLISIS DE FOURIER
El propsito de esta investigacin es establecer las consideraciones matemticas necesarias para

caracterizar seales de precipitacin mediante la Transformada de Fourier y Wavelet. Por lo tanto
es importante destacar a quien se le debe el aporte principal para este tipo de herramientas.
Jean Baptiste Joseph Fourier , fue el primero en darse cuenta de que muchos
tipos de series temporales pueden ser representados como combinaciones lineales de funciones
sinusoidales. Fourier expres la distribucin de temperaturas de un cuerpo, en funcin de la suma
de funciones exponenciales sinusoidales. A partir de trabajo de Fourier, Cauchy estableci
explcitamente la Transformada de Fourier en 1.816 en su trabajo Theorie de la Propagation des
Ondes.
En consecuencia en el Anexo 1 se puede evidenciar como una funcin peridica cualquiera

puede expresarse como una suma de funciones y . Con los coeficientes Fourier
expresan directamente el contenido de frecuencia de la funcin, es decir, expresan directamente
cuales son los armnicos que contribuyen de mayor manera en la construccin de la seal.
El presente captulo busca mostrar una serie de conceptos relacionados con la Transformada de
Fourier de manera didctica para facilitar al lector su compresin, la cual tiene diversas
aplicaciones en ciencia bsica y aplicada, ya que permite representar mediante armnicos una
seal originalmente desarrollada en el dominio del tiempo o del espacio. Aunque el aspecto
matemtico de todas estas aplicaciones es similar, su interpretacin fsica depende de la
aplicacin. Esta seccin se divide en dos partes: En la primera se describe la terica de la
Transformada de Fourier para seales de una dimensin y dos dimensiones y la segunda parte, la
implementacin de dicho anlisis en dos tipos de seales, una de experimentos controlados y otro
dato observado. Se hace hincapi, en las interpretaciones conceptuales y formulacin matemtica
as como las aplicaciones en una y dos dimensiones de series continuas y discretas.
5.1 Transformada: La otra realidad

La transformacin de una funcin o seal, busca representar de manera diferente el fenmeno
analizado, permitiendo observar el fenmeno analizado de otra manera, ver en la Figura 5-1.

(a) (b)
Figura 5-1. (a) Seal de suma de cosenos presenta4.3.1 y (b) Transformada de dicha seal bajo el lente del anlisis
de Fourier (Periodograma)
5.1.1 Representacin de una serie de tiempo mediante la suma de armnicos
Una serie de tiempo , puede ser representada mediante la combinacin lineal de funciones
sinusoidales conocidas como armnicos, tal como se puede ver en la Figura 5-2. En la parte
superior de dicha figura esta la serie original y en la parte inferior aparecen los primeros cinco
armnicos.
Tmx
Figura 5-2. Representacin de una serie de tiempo mediante armnicos

Como se puede observar en la Figura 5-2 el valor a correspondiente en el tiempo es
igual a la suma de los valores de los cinco armnicos para dicho tiempo.
Lo anterior se puede expresar de manera matemtica como:
Ecuacin 5-1
Donde:
Valor de la serie de tiempo en el tiempo .
Valor del simo armnico en el tiempo .
Es decir, el valor de la serie de tiempo en el tiempo , es igual a la suma de las combinaciones de

todos los armnicos (o frecuencias) en el tiempo , tal como se aprecia en la Ecuacin 5-1 y en la
Figura 5-2.
5.1.1.1 Caracterizacin matemtica de un armnico (f)6

Tal como se mencion los armnicos son funciones sinusoidales que tienen la forma:
Ecuacin 5-2
En donde:
Tiempo durante el cual est definida. Duracin de la serie tal como se aprecia en la
Figura 5-2.
Armnico o frecuencia, oscilaciones por unidad de tiempo
Amplitud del armnico
Desfase del armnico
6
QUIROGA, J. Anlisis de Fourier. Primera Edicin. Bogot, Colombia. 2007.
Calculo y
Haciendo:
Ecuacin 5-3
Se llega a:
De modo que7:
Haciendo:
Ecuacin 5-4
Ecuacin 5-5
Se reduce a:
Ecuacin 5-6
De la Ecuacin 5-4 y Ecuacin 5-5 puede verse que:
Grficamente dichas relaciones se visualizan como:
7
Recurdese la identidad:

Af
f
f
f
Figura 5-3. Representacin grfica de la relacin existente entre , , y
De esta manera:
Ecuacin 5-7
Ecuacin 5-8
y se constituyen como los parmetros que caracterizan la ecuacin del armnico .

A lo largo del presente documento se prestar nicamente atencin al parmetro valor
conocido como potencia, el cual describe de manera directa la contribucin del armnico
en la constitucin de la seal. Altos valores de indican alta importancia del armnico y
viceversa. A los valores bajos de se les conoce como ruido o detalle de la seal.
Clculo de y a partir de la serie de tiempo
Como se aprecia en las Ecuacin 5-7 y Ecuacin 5-8 para cuantificar y es necesario
conocer los valores y . Dichos valores sern aquellos que minimicen el error
generado al tratar de reconstruir la seal nicamente a partir del armnico . Lo anterior se
puede expresar matemticamente como:
En donde:

Es el tamao de la serie de tiempo
Si el error es pequeo es porque el armnico contribuye en gran medida con la

constitucin de la seal. Minimizando respecto a y se llega a:
Ecuacin 5-9
Ecuacin 5-10
Ntese que cuando :
5.1.1.2 Periodograma
Al graficar los valores de contra los valores de se obtiene una grfica conocida como
Periodograma o Espectro de Potencia en la cual se puede visualizar la importancia de cada
armnico en la reconstruccin de la seal.
5.1.1.3 Transformada de Fourier Directa Discreta

La transformada de Fourier directa discreta se expresa de la siguiente manera:
Ecuacin 5-11
Es decir:
Ecuacin 5-12

En las anteriores expresiones se introdujo el nmero imaginario , con el fin de ampliar el
dominio de la serie de tiempo de los reales a los nmeros complejos.
5.1.1.4 Transformada de Fourier Inversa Discreta

Al proceso de reconstruir la seal a partir de los armnicos identificados se le conoce como
Transformada de Fourier Inversa.
Al reemplazar la Ecuacin 5-6 en la Ecuacin 5-1 se llega a:
Ecuacin 5-13
Recordando que es el tiempo en el cual se desarrolla el fenmeno analizado, se puede

igualar con el nmero de datos de la serie de modo que la Ecuacin 5-3 se transforma
en:
Ecuacin 5-14
De este modo la Ecuacin 5-13 se convierte en:
Ecuacin 5-15
La cual es la expresin para calcular la Transformada de Fourier Inversa Discreta.
Como ejemplo de la reconstruccin de una serie de tiempo mediante el anlisis de Fourier se

presenta la Figura 5-4. En la Figura 5-4a se presenta una serie de tiempo, en la Figura 5-4b es el
primer armnico o media de los datos, en la Figura 5-4c aparecen los armnicos de al , la
Figura 5-4d la serie reconstruida con los primeros armnicos y la Figura 5-4e los errores
obtenidos entre la seal original y la reconstruida.

Figura 5-4. Reconstruccin de una seal con 10 armnicos
En resumen, se conoce como Transformada de Fourier Directa al formalismo matemtico

mediante el cual se identifican las frecuencias predominantes, cambiando la forma como se ve el
fenmeno: deja de verse como Vs y pasa a verse bajo el lente de Vs
(armnico), es decir la seal es vista ahora como Periodograma. Y se conoce como
Transformada de Fourier Inversa al proceso de reconstruir la seal a partir de conjunto de
armnicos.
5.1.2 Representacin de una imagen mediante armnicos

En este captulo se han venido tratando los conceptos generales de la reconstruccin de una seal
en una dimensin, ya sea continua o discreta.
Con un mnimo esfuerzo es posible generalizar la Transformada de Fourier a dos o ms

dimensiones para poder aprovechar su potencial como herramienta de anlisis particularmente
til para analizar imgenes.
En esta seccin inicialmente se presenta el concepto de imagen, los conceptos matemticos de la

Transformada de Fourier en dos dimensiones, tanto en el caso continuo como discreto y dos
filtros bsicos en el procesamiento de seales bidimensionales, con el objetivo de reconstruir la
seal analizada a partir de un conjunto de seales sinusoidales u armnicos.

5.1.2.1 Imagen: Seal Bidimensional
Hay muchas definiciones de la palabra imagen. Si se mira el diccionario se encuentra que una de
la definicin de imagen es: una representacin visual de un objeto o un lugar, que no cambia con
el tiempo.
Se puede considerar que una imagen monocromtica continua es una distribucin de las
intensidades de luz (variacin del color) dentro de un plano de coordenadas y , y que
puede ser representada por una funcin de las dos variables y , a la cual se llama
seal bidimensional.
Hasta el momento no se ha pensado en la imagen en trminos de variacin en la iluminacin

distribuidos en un plano. Este es el punto de vista de la fotografa o televisin en blanco y negro,
que utiliza imgenes pancromticas, es decir imgenes que carecen de informacin de color.
Estas imgenes estn representadas en el modo que se denomina color verdadero. El modo de
color verdadero es una representacin que intenta mostrar una vista del color con la mayor
similitud del color original. En este proceso aditivo cualquier color del espectro puede ser
reproducido por la mezcla de los tres colores primarios aditivos rojo, verde y azul.
Vale decir que el color no tiene existencia material; es apenas una sensacin producida en ciertas
organizaciones nerviosas por la accin de la luz sobre el rgano de la visin. Su aparicin est
condicionada a la existencia de dos elementos:
La luz: objeto fsico, actuando como estimulo
El ojo: aparato receptor, funcionando como descifrador del flujo luminoso,

descomponindolo o alterndolo a travs de la funcin selectora de la retina
Las ondas electromagnticas se propagan por el espacio a la velocidad de la luz, unos

. Parte del espectro electromagntico, la gama que va desde los Hz
hasta los Hz, excitan la retina del ojo produciendo sensaciones de color y brillo.
La luz solar (luz blanca) est formada por todo el conjunto de radiaciones visibles
monocromticas que estimulan el ojo humano generando una sensacin de luminosidad exenta de
color. Se entiende por radiacin monocromtica a cada una de las posibles componentes de la luz,
correspondientes a cada frecuencia (o longitud de onda) del espectro electromagntico.
La siguiente figura muestra las escalas comparativas de frecuencia y longitud de onda del
espectro visible. A medida que aumenta la frecuencia, la longitud de onda disminuye, y
viceversa. Esto es as porque la relacin entre ambas es inversamente proporcional (la velocidad
de la luz no vara en un mismo medio). Por ejemplo, se puede apreciar que para un tono rojo, el
valor de frecuencia es de los ms pequeos dentro de la gama visible (aproximadamente
Hz), pero la longitud de onda de ese mismo rojo, es de las mayores en magnitud (unos nm).

Figura 5-58. Escalas comparativas de frecuencia y longitud de onda del espectro visible
En la Figura 5-5, se han destacado especialmente las zonas donde se encuentra aquellas
tonalidades que corresponde a los colores primarios aditivos: la zona de rojos hacia la izquierda y
la de azules hacia la derecha. En el centro se ubican tonalidades verdes. Tambin se puede notar
que entre la zona del color rojo y verde se ubican tonos naranjas y amarillos. Lo propio ocurre
entre la zona de color verde y azul, donde se ubican tonalidades verdes-azuladas (cian es el
nombre tcnico).
Bastan solo tres colores para obtener el resto mediante la superposicin entre ellos. A
continuacin, se muestra una representacin grafica del sistema utilizando un espacio
tridimensional y un sistema de ejes cartesianos para representar el espacio del color.
Figura 5-6. Cubo de colores
Como se puede observar en la Figura 5-6 las componentes RGB de un color cualquiera seran las
coordenadas colorimtricas; el origen de coordenadas corresponde al color negro. El
lugar geomtrico de los puntos que satisfacen la condicin R = G = B es una lnea, la escala de
grises. A su vez, los planos R - G, G - B y B - R son respectivamente los espacios de color del
Amarillo, Cian y Magenta. Es as como se conforman los colores en una imagen.
8
Prof. Bemn. Generacin Electrnica de imgenes
Por otra parte a la menor unidad homognea en color que forma parte una imagen digital se le
denomina pxel. Los pxeles aparecen como pequeos cuadros o rectngulos en color, en blanco o
negro, o en matices de grises. Las imgenes se forman como una matriz rectangular de pxeles,
donde cada pxel forma un rea relativamente pequea respecto a la imagen total.
Para exponer los conceptos tratados, se presenta la fotografa de la modelo Lenna en la Figura
5-7. La figura est compuesta por imgenes a distintas escalas, presentadas para permitir
comprender el concepto de pixel.
(a) (b) (c) (d)
Figura 5-7. Fotografa de la modelo Lenna. (a) Imagen original 256*256(31), (b) 1er Acercamiento 55*60, (c) 2do
Acercamiento 28*30 y (d) 3er Acercamiento 17*19.
En las imgenes o dispositivos grficos cada pxel se codifica mediante un conjunto de bits de
longitud determinada, el cual es llamado profundidad de color. La profundidad de color es un
concepto computacional grfica que se refiere a la cantidad de informacin necesaria para
representar el color de un pxel en una imagen digital. Debido a la naturaleza del sistema binario
de numeracin, una profundidad de bits de implica que cada pxel de la imagen puede tener 2n
posibles valores y por lo tanto, representar colores distintos.
Puede codificarse un pxel con un byts ( bits) de manera que cada pxel admite variaciones
(28 variaciones con repeticiones de valores posibles en un bit tomados de en ). En las
imgenes con color verdadero, se suelen usar tres bytes para definir un color; es decir, en total
podemos representar un total colores, que asumen opciones de color.
Para poder transformar la informacin numrica que almacena un pxel en un color, se debe
conocer adems de la profundidad, el brillo.
El tercer acercamiento de la fotografa de Lenna (Figura 5-7d) puede verse en forma matricial
tal como se indica para cada pixel en la Tabla 5-1.

Tabla 5-1. Valores por pixel para la Figura 5-7-d.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
1 177 184 181 127 92 98 114 113 114 104 92 77 58 32 31 34 49 68 104
2 183 174 111 83 97 115 122 115 110 127 125 107 87 72 54 44 35 31 36
3 171 92 81 89 94 101 104 104 70 117 126 113 87 95 58 61 54 47 45
4 71 64 71 70 68 78 77 74 25 67 112 79 61 63 67 86 64 74 62
5 53 49 50 55 32 32 33 28 15 27 43 21 19 21 51 86 60 92 84
6 34 29 19 23 21 21 17 16 19 23 23 23 15 10 13 25 81 106 89
7 20 16 20 20 24 14 13 14 14 36 66 53 25 18 12 12 25 72 100
8 12 18 17 19 15 18 13 23 25 68 146 147 85 34 11 12 10 39 86
9 11 25 47 27 33 26 8 25 49 53 172 185 166 127 40 24 60 38 78
10 10 33 70 46 43 62 23 39 65 38 169 186 183 173 105 36 75 62 63
11 13 36 68 85 36 51 58 52 31 94 196 197 191 192 143 63 52 82 56
12 13 24 66 82 80 46 25 43 93 175 190 193 186 176 133 92 64 84 75
13 52 48 61 77 99 93 90 113 165 181 188 194 188 157 105 113 90 75 94
14 92 69 62 67 81 97 113 126 134 152 160 163 154 156 130 110 94 93 92
15 106 89 96 87 69 79 61 90 101 102 107 97 125 141 151 153 141 106 87
16 110 109 113 96 82 90 65 97 103 97 87 90 120 117 127 130 115 101 82
17 105 111 116 104 107 99 96 94 104 107 105 119 123 129 120 117 117 116 86
5.1.2.2 Transformada de Fourier Directa Discreta Bidimensional

Como se dijo en la introduccin del presente tem el esfuerzo para generalizar la Transformada de
Fourier en dos dimensiones es mnimo. Partiendo de la ecuacin de la Transformada de Fourier
para seales de una dimensin en tiempo continuo, se puede llegar:
Ecuacin 5-16
Donde:
Funcin en dos dimensiones. Imagen a analizar, valor de cada pixel.
Cantidad de pixeles en el eje horizontal.
Cantidad de pixeles en el eje vertical.
Funcin de transformacin en Fourier en dos dimensiones.

:
Transformada de Fourier en dos dimensiones.
Para la Transformada de Fourier Continua e Inversa se tiene:

Ecuacin 5-17
La transformada de Fourier en directa discreta es:
Ecuacin 5-18
Y la Transformada de Fourier Discreta e inversa es:
Ecuacin 5-19
Al reemplazar la identidad de Euler que igualmente se puede llevar a dos dimensiones mostrada
en la
Ecuacin 5-20, se obtiene:
Ecuacin 5-20
Ecuacin 5-21
Como se puede observar la Ecuacin 5-21 est compuesta de una parte real y una parte
imaginaria , son igual a:
Ecuacin 5-22
Ecuacin 5-23
La dos parte son fundamental para los clculos matemticos del Espectro de Potencia de Fourier
o Periodograma y la Fase de la imagen como se puede observar en las
siguientes expresiones:
Ecuacin 5-24
Ecuacin 5-25
El Periodograma ofrece una descripcin cuantitativa, de la composicin frecuencial de la imagen.

En resumen, el Periodograma dice cunto de un componente de cierta frecuencia hace parte de
la seal.
Para poder ilustrar los conceptos que se han venido discutiendo, se parte de una imagen generada
por ciclos de senos verticales como se puede ver en la parte superior izquierda de la Figura 5-8,
descrita por la siguiente ecuacin:
Figura 5-8. Funcin sinusoidal vertical bidimensional y su respectiva Transformada de Fourier.
En la parte superior izquierda de la Figura 5-8 se presenta la imagen de entrada en plano en

, en la parte inferior izquierda se presenta la seal de anlisis en planta. Al lado derecho se
presenta el Periodograma para la seal de anlisis, en la parte superior se puede ver en y en la
parte inferior en . Para los anlisis de seales bidimensionales del presente documento se
mostrara el Periodograma en por comodidad para observar la presencia de las frecuencias
de la seal analizada.

Como se puede observar en la imagen inferior derecha de la Figura 5-8, la seal bidimensional
construida por los ciclos de senos verticales tiene dos frecuencias predominantes, las cuales
corresponden la primera con la media y la segunda la frecuencia de la onda sinusoidal.
5.1.2.3 Filtrado de imgenes

El proceso de filtrado de una imagen busca mejorar la calidad o facilitar la identificacin de
elementos importantes de la imagen.
Los principales objetivos que se persiguen con la aplicacin de filtros sobre una imagen son:
Suavizar la imagen, para reducir contrastes.
Asentar la imagen, eliminar el ruido de la imagen.
Detectar bordes: detectar los pixeles donde se producen cambios bruscos de intensidad.
En resumen la operacin de filtrado de una imagen busca hacer nfasis en cierta informacin o
conseguir un efecto especial de ella.
En el presente documento solo se presentan dos filtros de los mltiples que existen:
Filtro pasa alta: pasan las frecuencias altas. En la Figura 5-9 (a) se ilustra en color rojo las
frecuencia que se apagan y en color azul las frecuencias que se tienen en cuenta para la
reconstruccin de la seal.
Filtro pasa baja: pasan las frecuencias bajas. En la Figura 5-9 (b) se muestra un esquema
de cmo funciona dicho filtro. La figura que delimita el color rojo indica apagado y lo
azul encendido, es decir se enciendas las frecuencias bajas las cuales tienen valores de
potencia ms altos.

Potencia
(a) (b)
Figura 5-9. Filtros. (a) Filtro Pasa alta y (b) Filtro pasa baja
Al usar todos los armnicos que tiene una seal en la Transformada de Fourier Inversa se obtiene
la reconstruccin de la seal imagen en su totalidad.
En busca de dar un mayor claridad de los conceptos presentados de procesamiento de imgenes,

en los siguientes renglones, se ilustrarn los efectos que hace un filtro pasa alta sobre una seal
de dos dimensiones. Se tomar la imagen de la modelo Lenna obtenida por el primer
acercamiento que se present en el tem 5.1.2.1, la cual la forma una matriz de con un
total de datos.
La Figura 5-10 se compone de cuatro figuras de (a) a (d). En cada figura se presenta en la parte
superior la imagen de Lenna y abajo el Espectro de Potencia con el que se reconstruyo dicha
imagen. Las imgenes de la Figura 5-10 fueron procesadas mediante un filtro pasa alta.
En Figura 5-10 (a) se presenta la imagen de entrada de la modelo Lenna para el anlisis con su
respectivo Periodograma, en la parte superior Figura 5-10 (b) la reconstruccin de la imagen
empleando un filtro pasa alta, en donde se encendieron las potencias ms altas presentes en la
imagen original; en la parte Figura 5-10 (c) se muestra la reconstruccin de la imagen apagando
las frecuencias ms bajas y en la Figura 5-10 (d) se presenta la reconstruccin de la seal
con las potencias ms altas.

(a) (b)
(c) (d)
Figura 5-10. Reconstruccin de la imagen de Lenna con diferente cantidad de armnicos. (a) Imagen de entrada
de Lenna, (b) Imagen reconstruida con 3.290 armnicos, (c) Imagen reconstruida con 3.200 armnicos y (d)
Imagen reconstruida con 2.300 armnicos
Al observar de las secuencia de las imgenes que componen la Figura 5-10, se tienen dos
situaciones que no se podran pasar por alto, la primera cada vez que se apaguen mayor cantidad
de frecuencias bajas de la imagen se van definiendo mas los bordes de dicha seal bidimensional,
y segundo cada uno de los Periodograma para las imgenes reconstruidas van variado con
respecto al de la imagen original, los valores de las frecuencias altas van aumentando, este es el
efecto del filtro pasa alta en el Periodograma.

5.2 Implementacin del anlisis de Fourier
Los conceptos matemticos antes expuestos tanto en seales unidimensional como bidimensional
han sido programados en Matlab R2009b, con el fin de evaluar bajo este nuevo lente cada una de
las tres seales que se presentaron y analizaron en el captulo 3, una imagen de control a la que se
le llamo cartn de huevos y una imagen de lluvia de la ciudad de Bogot.
Las rutinas fueron desarrolladas en el lenguaje de programacin Matlab R2009b bajo el sistema
operativo Windows XP:
5.2.1 Seales Unidimensionales

En este numeral se presentara los resultados del anlisis de la Transformada de Fourier, es decir
el Periodograma para cada una de las seales que se analizaron en el Anlisis Exploratorio de
series de tiempo.
5.2.1.1 Suma de Cosenos

Para la serie de tiempo denominada Suma de Cosenos (Ecuacin 4-28) se calculo
Periodograma, con el fin de identificar las frecuencias que controlan la seal.
Los resultados se aprecian en la Figura 5-11, la cual est conformada por cuatro imgenes cuya
diferencia radica en la cantidad de datos que se utilizan para generar las series de datos.
(a) (b)

(c) (d)
Figura 5-11. Periodograma de la serie de tiempo Suma de Cosenos para diferente cantidad de datos, con: (a) 400
datos, (b) 800 datos, (c) 1.000 datos y (d) 1.500 datos.
Como se puede observar en la Figura 5-11 a medida que va cambiando el nmero de datos que
componen la seal de anlisis, la ubicacin de las frecuencias en el eje horizontal van cambiando.
Lo anterior debido a la cantidad de periodos completos que se presentan en la serie generada.
5.2.1.2 Seal de la Estacin Camavieja

La Figura 5-12 est compuesta por seis imgenes, de las cuales las imgenes (a), (c) y (e)
corresponde a cada uno de los Periodograma obtenidos por el anlisis con la Transformada de
Fourier para la serie de tiempo de la Estacin Camavieja en diferentes escalas de agregacin
temporales. Imgenes (b), (d) y (f) se constituyen como acercamiento de cada uno de los
Periodogramas con el fin de poder ver un poco ms de las pequeas frecuencias que componen la
seal que no se pueden ver muy bien por valor tan alto del armnico , es decir la media, en
comparacin con el resto.
No se presentan las imgenes de la serie de tiempo a nivel diario, debido a limitaciones de

clculo del programa desarrollado.

(a) (b)
(c) (d)
(e) (f)
Figura 5-12. Periodograma de la serie de tiempo de la Estacin Camavieja de las diferentes agregaciones temporal.
(a) Agregacin semanal, (b) Acercamiento de agregacin semanal (c) Agregacin mensual, (d) Acercamiento de
agregacin mensual, (e) Agregacin Anual y (f) Acercamiento de Agregacin Anual.

De la secuencia de imgenes que componen la Figura 5-12 se puede observar que sobresalen las
frecuencias predominantes de la agregacin semanal y mensual, sin necesidad del acercamiento,
aspecto que no se presenta en la agregacin anual. Con este nuevo lente se ubican exactamente
los armnicos importantes de la seal, pero es imposible conocer su ubicacin en el tiempo.
5.2.1.3 Seal de la Tormenta de Boston

En la Figura 5-13 contiene ocho imgenes, en las que se muestra el Periodograma obtenido al
hacer el anlisis de la Transformada de Fourier en la seal registrada durante la tormenta de
Boston en las diferentes resoluciones temporales que se analizaron en el captulo 3.
Con el mismo fin que se presento para la seal se la estacin Camavieja aqu tambin se sigue la
dinmica de hacer una acercamiento de los diferentes Periodograma que se obtuvieron en el
anlisis.
La primera fila de imgenes de la Figura 5-13 corresponde al Periodograma de la seal registrada

cada segundos, la segunda fila de imgenes es el resultado del anlisis de la seal agregada
cada minuto, la tercera fila de imgenes corresponde a los resultados obtenidos de la seal
agregada cada minutos y la ltima fila de imgenes de Periodograma corresponde a la seal
agregada cada minutos.
(a) (b)

(c) (d)
(e) (f)
(g) (h)
Figura 5-13. Periodograma de la serie de tiempo registrada por la tormenta presentada en Boston a diferente
resolucin temporal, cada: (a) 15 segundos, (b) Acercamiento de 15 segundos, (c) 1 minuto, (d) Acercamiento de 1
minuto, (e) 10 minutos, (f) Acercamiento de 10 minutos, (g) 15 minutos y (h) Acercamiento de 15 minutos

Ntese, tal como se observ en el numeral 4.3.3 para esta seal registrada durante la tormenta de
Boston a medida que se cambia el nivel de agregacin de la informacin la forma de la funcin
de Autocorrelacin se mantuvo, situacin similar observada mediante el anlisis de Fourier.
5.2.2 Seales Bidimensionales

Para ilustrar cada uno de los conceptos presentados en este captulo lo correspondiente con
seales bidimensionales, se analizaron dos imgenes:
Cartn de Huevos: imagen construida para actuar como experimento controlado.

Consiste en la suma de dos funciones sinusoidales como se expresa en la Ecuacin 5-26.
Ecuacin 5-26
Imagen de lluvia de la ciudad de Bogot: Tormenta Capitalina. Dicha imagen de

anlisis corresponde al campo de precipitacin a la hora pm, del da de abril de
.
5.2.2.1 Imagen de control: Cartn de Huevos

Con el fin de comprobar la validez de las rutinas de clculo desarrolladas se utilizo la Ecuacin
5-26 para generar una imagen de resolucin de pixeles tal como e muestra en la
Figura 5-14.
Figura 5-14. Imagen de control: Cartn de Huevos

Para ilustrar el procesamiento de imgenes con la Transformada directa e inversa de Fourier se
presenta a continuacin en la (a) de la Figura 5-15 en planta la imagen de control cartn de
huevos con su respectivo Periodograma, en la parte (b) la imagen reconstruida con el primer
armnico (la media) y el Periodograma, en la parte (c) la imagen reconstruida con los tres
primeros armnicos de la seal bidimensional y el Periodograma y en la parte (d) la imagen
reconstruida con los ms importantes armnicos.
(a) (b)

(c) (d)
Figura 5-15. Implementacin de la Transformada de Fourier en la imagen de control Cartn de Huevos. (a)
Imagen de control en planta con el Periodograma, (b) Imagen reconstruida con 1 armnico y el Periodograma, (c)
Imagen reconstruida con 3 armnicos y el Periodograma y (d) Imagen reconstruida con 100 armnicos y el
Periodograma.
Como se puede observar en el Periodograma mostrado en la Figura 5-15 (a), la imagen de control
tiene tres frecuencias predominantes. El primer valor o armnico (0,0), representa la media de la
seal, y el segundo y tercer valor de las frecuencias predominante son las que generan la onda
sinusoidal tanto horizontal como vertical. Como ocurra en el anlisis de una seal en una
dimensional con la Transformada de Fourier el Periodograma es simtrico. A medida que
aumenta la cantidad de armnicos con los que se reconstruye la seal, el parecido con la seal
original aumenta. Aunque con tres armnicos se logra un gran parecido con la imagen original.
5.2.2.2 Imagen de Tormenta Capitalina
Del estudio hecho por Bernal y Obregn 9 y Vargas, Crdenas, Santos y Obregn
10 se identifico una zona donde la variacin de los centros de tormenta a travs del
9
BERNAL Q, Fabio A y OBREGN N, Nelson. Desarrollo de Modelos Conceptuales y Computacionales
para simular estocsticamente la dinmica Espacio Temporal de la Precipitacin de Bogot.
Universidad Nacional de Colombia. .
10
VARGAS L, Andrs., CRDENAS C, Eder G., SANTOS R, Ana C., y OBREGN N, Nelson.
Consideraciones en la estimacin de los campos de precipitacin en la ciudad de Bogot. Pontificia
Universidad Javeriana. .
tiempo demuestra la dinmica de la formacin y movimiento de la precipitacin para el periodo
comprendido entre enero de al de diciembre de , en la ciudad de Bogot.
La ciudad de Bogot se encuentra ubicada en la zona central del pas en el altiplano

Cundiboyacense de la Cordillera Oriental. Su localizacin est dada por las coordenadas 4 35'
53" N 74 4' 33" W y por su altitud de msnm. Bogot tiene un rea total de km2 y
su casco urbano se extiende en ms de 40 km a lo largo de la sabana en el sentido norte-sur y en
20 km en el sentido este-oeste. La ciudad tiene por lmites naturales los llamados Cerros
Orientales en el costado este y al ro Bogot en el costado occidental (Figura 5-16). En lo que
respecta al clima, Bogot se caracteriza por tener un rgimen bimodal, siendo las pocas
lluviosas, los perodos comprendidos entre abril y mayo, y entre septiembre y noviembre. La
temperatura promedio de Bogot es de 13 C en un rango de 7 a 18 C10.
Figura 5-16. Localizacin de la zona de estudio7710

El rea espacial a modelar correspondi a la zona central (casco urbano delimitado de color azul)
de la ciudad de Bogot - Colombia con dimensiones aproximadas de kilmetros en direccin
norte sur y kilmetros en sentido oriente occidente, lo correspondiente a km2 rea que
se encuentra delimitado por un rectngulo de color azul en la Figura 5-17. Como se puede
observar en la Figura 5-17, la zona de estudio delimita en el norte con la localidad de Suba,
occidente con la de Fontibn, oriente por los cerros orientales y sur los cerros de Guacamayas,
Juan Rey y Doa Juana, que se encuentran sealizados en tringulos rojos. Para a seleccin de la
zona de estudio fueron considerados los siguientes criterios:
Densidad de estaciones pluviogrficas con registros en un periodo comn

Estaciones localizadas en la zona plana, con el fin de reproducir precipitaciones de tipo
convectivo.
Las estaciones de medicin de precipitacin que contaron los autores se encuentran localizadas
en su gran mayora dentro del casco urbano de la ciudad de Bogot y estn marcadas con puntos
de color verde en la Figura 5-17, teniendo para la zona de estudio estaciones, de las cuales
estaciones pertenecen a la Empresa de Acueducto y Alcantarillado de Bogot (EAAB) y
estaciones al Instituto de Hidrologa y Meteorologa y Estudios Ambientales (IDEAM).
Figura 5-17. Zona de estudio y localizacin de estaciones pluviomtricas
La informacin de este parmetro hidrolgico (precipitacin) en la ciudad de Bogot es

recopilada en estaciones de medicin puntual, mediante instrumentos de medicin discreta
(pluvimetros) o continua (pluvigrafos). Sin embargo, en la prctica es necesario conocer la
variacin de la precipitacin en el rea de estudio, para lo cual se construyen los mapas de
isoyetas inverso de la distancia.
En los trabajos citados se identificaron tormentas, de las cuales se escogi un solo evento para
hacer el anlisis es el presente documento. Se advierte al lector que el anlisis de la Transformada
de Fourier bidimensional se hace solo para una imagen de dicho evento, ya que se le sacar ms
provecho a esta informacin en la implementacin de la Transformada Wavelet que se presenta
en el captulo 0.
La imagen que se expone a continuacin corresponde al campo de precipitacin generado por la

metodologa de interpolacin IDW para la agregacin temporal de minutos cuatro horas
despus de haber comenzado la tormenta, es decir pm. En la parte superior izquierda de la
Figura 5-18 se muestra el campo de precipitacin de la tormenta que est compuesta por una
matriz de filas y columnas, que contiene datos, y su Periodograma. Las otras
imgenes que componen la Figura 5-18 son la reconstruccin de la seal de entrada con diferente
cantidades de armnicos y su respectivo Periodograma.
(a) (b)

(c) (d)
Figura 5-18. Implementacin de la Transformada de Fourier en una imagen de la Tormenta Capitalina. (a)
Imagen original y su Periodograma, (b) Reconstruccin de la seal con 1 armnico y el Periodograma, (c)
Reconstruccin de la seal con 20 armnicos y (d) Reconstruccin de la seal con 800 armnicos ms importantes.
Como se puede apreciar en la Figura 5-18 para el anlisis de la imagen de la Tormenta

Capitalina se necesita una mayor cantidad de armnicos para que la reconstruccin de la seal
visualmente sea aceptable en comparacin con la imagen de Cartn de Huevos.

6. TRANSFORMADA DE FOURIER DE TIEMPO CORTO
Algunas seales que describen los sistemas de la naturaleza estn descritas por un
comportamiento en donde la frecuencia cambia eventualmente en el tiempo, fenmeno conocido
cientficamente como No estacionalidad. Por esta necesidad de entender la naturaleza, se han
encontrado mtodos matemticos, ms eficaces que la Transformada de Fourier, estudiado en el
captulo 5, a la hora de ver los resultados. Despus del estudiar dicha Transformada que permite
ver las frecuencias pero no es capaz de localizarlas en el tiempo, se presenta est temtica bsica
de la Transformada de Fourier de Tiempo Corto (STFT)11.
STFT, es una herramienta matemtica la cual se puede ver como una versin ms reciente del
anlisis de seales comparado con la Transformada de Fourier o una versin revisada y
perfecciona de la Transformada de Fourier. El gran aporte de est transformada, es que permite
ubicar en intervalos de tiempo las frecuencias existentes de una seal, segn su ocurrencia. Por lo
tanto el Periodograma de la STFT, tendra un aspecto tridimensional, donde un eje indicar la
Frecuencia, otro el tiempo y el ltimo el valor de la Potencia.
Del mismo modo en este captulo, se presentara primero la base terica correspondiente y luego
se muestra la implementacin con las seales unidimensionales que se han venido utilizando
desde el capitulo 3.
Se le informa al lector que la temtica que se est presentando en este captulo no se extiendes a
las seales bidimensionales.
6.1 Transformada de Fourier a travs de una ventana finita

El contraste entre la Transformada de Fourier y la Transformada de Fourier de Tiempo Corto, es
mnima, pero fundamental. Tal diferencia radica en que se aplica Transformada de Fourier a
pequeos intervalos de la seal original, intervalos para los cuales la seal se considera
estacionaria. Estos intervalos varan variando la ubicacin de la ventana de anlisis.
En otras palabras, el proceso consiste en multiplicar la seal de entrada por una funcin ventana
, que se traslada en el tiempo y al producto se le aplica la Transformada de Fourier. Como
resultado de dicha transformacin se obtienen las frecuencias de la seal analizada dentro de la
ventana para cada una de las traslaciones de la ventana, y as podr definir la seal, en tres
dimensiones: Translacin de la ventana , Frecuencia y Potencia . La ubicacin de
cada uno de los puntos obtenidos, al aplicar STFT, da como resultado el Periodograma de la
Transformada de Fourier de Tiempo Corto.
La Ecuacin 6-1 se define la Transformada de Fourier de Tiempo Corto para seales continuas,
es:
11
STFT: Short Time Fourier Transform
Ecuacin 6-1
Donde:
Seal definida en .
Funcin ventana, retrasada en el tiempo un valor de .
Frecuencia
Tiempo
Tiempo en el cual se ubica el centro de la ventana
Short Time Fourier Transform. Valor de la Transformada de Fourier de tiempo

corto para una frecuencia y un centroide de ventana .
La Transformada de Fourier de tiempo corto para seales discretas se define mediante expresin
matemtica:
Ecuacin 6-2
Donde:
Numero de datos que tiene la seal de anlisis.
Es importante recordar que para desplazar hacia adelante una funcin en el tiempo sin alterar su
forma, es necesario retrasarla hasta el instante donde se desea ubicar. Este retraso, se efecta por
medio de la resta de cierta cantidad en el dominio del tiempo. Por eso motivo, la funcin ventana,
dentro de la definicin de la Transformada de Fourier de Tiempo Corto, presenta una resta en su
dominio.
Como se puede apreciar en la Ecuacin 6-1 y Ecuacin 6-2, corresponde a la seal de entrada
para el anlisis por una funcin ventana , la cual se encuentra rezagada en el tiempo,
antes de ser procesada por el anlisis de la Transformada de Fourier.

6.1.1 Funcin Ventana Mvil
La funcin ventana defina como , es una funcin la cual est contenida en un ancho que es
variable pero finito. Donde se encuentre ubicada la ventana sobre la seal de anlisis se enciende
lo que se encuentra por dentro y el resto lo apaga. El ancho, o longitud de esta funcin es
denominada , se localiza en el mismo dominio de la seal, lo cual se puede variar su
magnitud.
El concepto de funcin ventana se ha venido utilizando implcitamente hasta el momento, en la

Transformada de Fourier, pues se efecta una integracin en todo el tiempo en el que la seal
existe, por lo tanto es como si se utilizara una funcin ventana con una longitud igual al dominio
de la seal. En la Transformada de Fourier de Tiempo Corto, a diferencia del caso expuesto
anteriormente, la funcin ventana presenta una longitud menor en comparacin con la longitud
que tiene la seal, lo que permite que el dominio de la seal sea dividido en intervalos de longitud
igual al ancho de la funcin ventana utilizada. Es all en estos intervalos donde ahora se
considera estacionaria la seal de anlisis.
El proceso de desplazamiento que efecta la funcin ventana en una seal de entrada se puede
observar con la secuencia de imgenes que componen Figura 6-1. La seal permanece fija en su
dominio original (en color naranja) y la funcin ventana (color morado) se va desplazando en el
dominio del tiempo, instante tras instante hasta recorrer toda la seal. Como se dijo
anteriormente, de acuerdo al ancho de la funcin ventana, la seal es dividida en segmentos de
tiempo donde se puede considerar que la seal es estacionaria; es all donde se efecta la
multiplicacin entre la funcin ventana utilizada y la seal original. Como se puede observar en
la Figura 6-1, la funcin ventana se desplaza a travs de todos los instantes del tiempo de la seal
de anlisis, por lo tanto es por esta razn que se obtiene la informacin de intervalos (tiempo)
donde se presentan las frecuencias de la seal.
(a) (b)

(c) (d)
(e) (f)
Figura 6-112. Desplazamiento de la funcin ventana en el dominio del tiempo de una seal
Como se puede observar en la Figura 6-1, la funcin ventana ubicada en algunos instantes de
tiempo diferentes. Es importante mencionar, que estos desplazamientos de la funcin ventana
sobre la seal de anlisis corresponden especficamente algunos de todas las posibles
localizaciones que podra tener la funcin ventana en el dominio de la seal. La totalidad de
desplazamientos, corresponden a todo el tiempo en el que est definida la seal, y esto puede ser
incluso, desde menos infinito hasta infinito, si la seal as lo requiere.
Como se present anteriormente en la Ecuacin 6-1 la funcin ventana est definida como
, donde al observar la Figura 6-1 representa el punto central donde se ubica las funcin
ventana utilizada, es decir el punto ms alto de la funcin definida en color morado.
En el anlisis de una seal con la Transformada de Fourier de tiempo corto existen varios tipos de
funciones ventana, la ms usada es la de funcin ventana Gaussiana. La funcin ventana
Gaussiana definida en la Ecuacin 6-3, tiene la ventaja que en el instante de tiempo donde se
12
Presentacin de clase de Jorge Alberto Valero Fandio (I.C, MSc.)
ubique y en sus alrededores cercanos ejercer buena influencia en el dominio de la seal,
mientras que en los valores lejanos tender apagar la informacin de la seal, aspecto importante
por haber pasado de Transformada de Fourier a la Transformada de Fourier de Tiempo Corto.
Ecuacin 6-3
Donde:
Funcin ventana
Parmetro que define la longitud de la funcin ventana
Tiempo
El parmetro , que hace parte de la funcin ventana Gaussiana es inversamente proporcional

a la longitud de est, es decir, si al parmetro se le da un valor grande, la ventana es estrecha,
mientras que si , tiene un valor pequeo la ventana es amplia, estos se puede observar en la
Figura 6-2.
(a) (b) (c)
Figura 6-2. Diferentes comportamientos de la funcin Ventana Gaussiana segn el parmetro . (a) ,
(b) y (c)
Como se puede observar en la Figura 6-2, el ancho de ventana debe ser elegido teniendo en
cuenta la relacin entre frecuencia y tiempo. Cuando la funcin ventana es pequea pueden
apreciarse frecuencias altas y cuando la funcin ventana es grande se observan las frecuencias
bajas. En la Tabla 6-1 se presenta la relacin que existe entre la resolucin del tiempo y la
frecuencia con el tamao de la funcin ventana.

Tabla 6-1. Relacin entre el tamao de la funcin ventana con la frecuencia y el tiempo de la seal de anlisis
Buena Permite analizar
resolucion en segmentos cortos de la
Ventana tiempo seal
angosta en
tiempo No permite conocer con
Mala resolucion
exactitud las frecuencias
en frecuencia
presentes
Buena Permite conocer con
resolucion en exactitud las frecuencias
Ventana frecuencia presentes
ancha en
tiempo No permite conocer con
Mala resolucion
exactitud en que tiempo
en tiempo
ocurren
Como se puede observar en la Tabla 6-1, con una nica funcin ventana es complicado ver al
mismo tiempo frecuencias altas y bajas.
En resumen, para seales no estacionarias se tiene que los componentes de baja frecuencia son de
larga duracin, lo cual se requiere de ventanas anchas y los componentes de alta frecuencia son
de corta duracin, por lo tanto se requieren de ventanas angostas. Esto indica que se necesita una
herramienta ms verstil que permite extraer informacin ms precisa para altas y bajas
frecuencias de forma simultnea, tal herramienta es la analizada en el captulo 0.
6.2 Implementacin de la Transformada de Fourier de Tiempo Corto

A continuacin se presenta el anlisis de la Trasformada de Fourier de Tiempo Corto para cada
las seales unidimensionales que se han venido trabajando desde el captulo 3,
Seal Suma de Cosenos
Seal registrada por la estacin Camavieja
Seal registrada durante la tormenta de Boston
Las rutinas fueron desarrolladas en el lenguaje de programacin Matlab R2009b bajo el sistema
operativo Windows XP.
6.2.1 Anlisis de la seal Suma de Cosenos

La seal Suma de Cosenos definida por la Ecuacin 4-28 acta como experimento para
analizar la confiabilidad de las rutinas desarrolladas. La seal fue analizada mediante un ventana
Gaussiana con diferentes valores de . En la Figura 6-3 se presenta los resultados obtenidos con
esta transformada.

(a) (b)
(c) (d)
Figura 6-3. Periodograma de la Transformada de Fourier de Tiempo Corto para la seal Suma de Cosenos con la
funcin ventana Gaussiana para el diferentes valores del parmetro a. (a) Serie original, (b) a =1 e-2,
(c) a =1 e-3 y (d) a =1 e-4.
Como se puede apreciar en la imagen de la Figura 6-3 (a), con el valor del parmetro escogido de
la funcin ventana Gaussiana se pueden denotar los intervalos de tiempo donde se encuentra las
frecuencias predominantes de la seal. Al ampliar la ventana se va perdiendo informacin del
tiempo en que se encuentran ubicadas las frecuencias predominantes de la seal. Ntese como el
tamao de la ventana influye importantemente en los resultados obtenidos. En la Figura 6-3 (c),
se identifican claramente cuatro frecuencias que ocurren a lo lardo de todo el tiempo, tal como la
seal original lo establece. En la imagen 6-3 (d) se aprecia que las frecuencias no son
diferenciadas, como estn persistentes a lo largo de tiempo, es anlogo a los resultado de la
Transformada de Fourier sin funcin ventana (capitulo 5.2.1.1).

6.2.2 Anlisis de la seal registrada por la Estacin Camavieja
Con el objetivo de poder ver el desarrollo secuencial que se genera al hacer la Transformada de
Fourier de Tiempo Corto en una serie de datos real, se presenta a continuacin los resultados
obtenidos para la seal descrita en el numeral 4.3.2, como una secuencia de imgenes que hacen
parte de las Figura 6-4, Figura 6-5 y Figura 6-6. All se presentan los Periodogramas obtenidos
con la funcin ventana Gaussiana con diferentes valores del parmetro .
Advertimos al lector que no se presentara el anlisis de la Transformada de Fourier de Tiempo

Corto para la resolucin temporal diaria de la seal registrada de la estacin Camavieja, por
limitaciones del programa desarrollado.
El conjunto de imgenes que contiene la Figura 6-4 se presentan (a) la serie de tiempo con
agregacin semanal, (b), (c) y (d) los Periodogramas obtenido con la Transformada de Fourier de
tiempo Corto con variacin del parmetro de la funcin Gaussiana.
(a) (b)

(c) (d)
Figura 6-4. Periodograma de la Transformada de Fourier de Tiempo Corto con la funcin ventana Gaussiana
variando el valor del parmetro a, para la seal registrada en la Estacin Camavieja a escala temporal semanal.
(a) Serie original, (b) a =1 e-2, (c) a =1 e-3 y (d) a =1 e-4.
Ntese en la Figura 6-4 la dificultad para hallar un ventana apropiada y nica para poder
diferenciar las frecuencias que se hallan en la seal de anlisis.
Al igual que en la agregacin semanal anteriormente mostrada, en las Figura 6-5 y Figura 6-6 se
expone los Periodogramas de la Transformada de Fourier de Tiempo Corto respectivamente para
la agregacin mensual y anula de la estacin Camavieja.
(a) (b)

(c) (d)
variando el valor del parmetro a, para la seal registrada en la Estacin Camavieja a escala mensual. (a) Serie
original, (b) a =1 e-2, (c) a =1 e-3 y (d) a =1 e-4.
Al observar la imagen de la Figura 6-5 (a) y Figura 6-4 (d) y al compralas el comportamiento de
los Periodogramas es muy parecido, a pesar de ser diferente la agregacin temporal.
(a) (b)

(c) (d)
variando el valor del parmetro a, para la seal registrada en la Estacin Camavieja a escala anual. (a) Serie
Como se aprecia en el conjunto de imgenes de la Figura 6-6 para las diferentes funciones
ventanas Gaussianas utilizadas el comportamiento del Periodograma es igual al obtenido con la
Transformada de Fourier.
6.2.3 Anlisis de la seal registrada en la Tormenta de Boston

En las siguientes imgenes muestra la Transformada de Fourier de Tiempo Corto para la seal
Tormenta en Boston, para los niveles de agregacin mencionados en el captulo 4.
(a) (b)

(c) (d)
variando el parmetro a, para la seal registrada en la tormenta de Boston cada 15 segundos. (a) Serie original, (b)
a =1 e-2, (c) a =1 e-3 y (d) a = 1 e-4.
En la Figura 6-7, es evidente la dificultad de hallar una ventana apropiada con la que se
visualicen diferenciadas las frecuencias de la seal de anlisis.
En la Figura 6-8 se presenta el conjunto de Periodogramas para la serie registrada durante la

tormenta de Boston agregada cada minuto con diferentes valores del parmetro para la
funcin ventana Gaussiana.
(a) (b)

(c) (d)
variando el parmetro a, para la seal registrada en la tormenta de Boston agregada cada minuto. (a) Serie
En la siguiente figura se puede observar el comportamiento del Periodograma para diferentes

valores de de la funcin ventana Gaussiana en la serie registrada durante la tormenta de
Boston agregada cada minutos.
(a) (b)

(c) (d)
Figura 6-9. Espectro de Potencia de la Transformada de Fourier de Tiempo Corto con la funcin ventana Gaussiana
variando el parmetro a, para la seal registrada en la tormenta de Boston agregada cada 10 minutos. (a) Serie
A continuacin se puede visualizar en la Figura 6-10 los resultados obtenidos del anlisis de la
Transformada de Fourier de Tiempo Corto para la serie agregada cada minutos variando el
valor del parmetro de la funcin ventana utilizada en este documento.
(a) (b)

(c) (d)
Figura 6-10. Espectro de Potencia de la Transformada de Fourier de Tiempo Corto con la funcin ventana
Gaussiana variando el parmetro a, para la seal registrada en la tormenta de Boston agregada cada 30 minutos. (a)
Serie original, (b) a = 1e-2, (c) a =1 e-3 y (d) a =1 e-4.
Ntese en la Figura 6-9 y Figura 6-10 los valores del parmetro utilizados en la funcin
ventana no son los adecuados para cada una de las agregaciones que se est haciendo en el
anlisis, ya que el comportamiento de los Periodogramas presentado es anlogo al los resultados
obtenido por la Transformada de Fourier.
Despus de poder observar el comportamiento de la Transformada de Fourier de tiempo Corto en

el anlisis de varias seales unidimensionales, se pudo evidenciar que la funcin Ventana que se
utiliza permite obtener la informacin de intervalos de tiempo. Sin embargo, esta funcin ventana
presenta un nivel de ineficiencia e inexactitud en cuanto a la resolucin final que permita
visualizar grficamente las frecuencias y su tiempo de ocurrencia. El ancho de esta ventana en
este anlisis debe ser variado por el mtodo de prueba y error hasta obtener la resolucin ms
adecuada. Esto indica que se necesita una herramienta ms verstil la cual es el Anlisis de
Wavelet.

7. ANLISIS DE WAVELET
A pesar de la existencia del problema que se vio en el captulo anterior, si se desea ver frecuencia
se pierde tiempo y viceversa, es posible analizar una seal unidimensional o bidimensional
usando un enfoque mediante la denomina Transformada Wavelet.
De manera formal en anlisis Wavelet13 apareci en la dcada de los ochenta en el anlisis de

seales ssmicas con los trabajos de Morlet y Grossman y Morlet . Desde
entonces varios avances matemticos significativos en la Transformada Wavelet han sido
desarrollados y usados en diversos campos. Esta transformada es una de las tcnicas ms
recientes propuestas para resolver problemas de compresin de imgenes, relevamiento de
bordes, anlisis de textura y anlisis multiescala. El inters por este nuevo herramienta
matemtico nace de la emergencia que ofrece de superar alguna de las limitaciones que se
enfrentan al emplear la transformada de Fourier (capitulo 5) y la Transformada de Fourier de
Tiempo Corto (capitulo 6).
La prioridad de este captulo es hacer una descripcin de los conceptos necesarios para
comprender como se realiza el Anlisis de Wavelet. En un primer lugar, se parte de la definicin
de la palabra wavelet, se contina con la historia, aplicaciones, ventajas, la metodologa de
anlisis se define matemticamente y se concluye con su implementacin en las seales
unidimensionales y bidimensionales que se han venido trabajando en el presente documento.
7.1 La forma y los detalles14

En el transcurso del siglo XX, los cientficos de distintos campos intentaron superar cada una de
las limitaciones que tiene la Transformada de Fourier y Transformada de Fourier de tiempo
Corto. Tal como se expone en el documento: Wavelet: ver el bosque y los arboles15, se busco
disear una tcnica matemtica mediante la cual se aprecia la forma de la seal y sus detalles.
Aunque cada cientfico intentaba resolver los problemas especficos de su respectivo campo,
todos comenzaron a llegar a la misma conclusin: que el anlisis con la Transformada de Fourier
no era el adecuado para seales no estacionarias. Tambin llegaron en esencia a la misma
solucin: quizs al dividir una seal en componentes que no fueran ondas sinusoidales puras,
sera posible condensar la informacin tanto en el dominio del tiempo como en el de la
frecuencia. Esta es la idea que finalmente se denominara wavelet.
13
Por razones a la nomenclatura encontrada en la literatura internacional y nacional, en este documento
se ha decidido utilizar la designacin wavelet en vez de su traduccin: ondita u ondeleta.
14
POLIKAR, R. The Wavelet Tutorial. Dept. of Electrical and Computer Engineering. Rowan University.
1995.
15
Artculo: Wavelets: ver el bosque y los arboles, elaborado por la cientfica Dana Mackenzie, con la
colaboracin de los Dres. Ingrid Daubechies, Daniel Kleppner, Stphane Mallat, Yves Meyer, Mary Beth
Ruskai y Guido Weiss para Beyond Discovery. National Academy of Sciences. 2001
7.1.1 Qu es una Wavelet?
Una wavelet es el nombre dado a una pequea onda u ondita que tiene su energa
concentrada en un periodo de tiempo determinado, lo cual proporciona una herramienta para el
anlisis de fenmenos transitorios no estacionarios, como se ilustra en la Figura 7-1. Wavelet
es una funcin oscilatoria de longitud finita al estilo de la funcin ventana, vista en el contexto de
la Transformada de Fourier de Tiempo Corto (capitulo 6).
Figura 7-1. Onda tipo wavelet
7.1.1.1 Historia y Cronologa16 de la Transformada Wavelet

La gran revolucin de las wavelets naci en la dcada de los 80`s a partir de la bsqueda de
petrleo, el llamado oro negro, por el ingeniero Jean Morlet de la compaa Francesa EIf
Aquitanie quien buscaba ofrecer a los gelogos de interpretacin de seales ssmicas.
Jean Morlet, desarroll su propia forma de analizar las seales ssmicas creando componentes
estuvieran localizadas en el espacio. Estos componentes los denomino wavelets de forma
constante, que despus de cierto tiempo se conocieron como wavelet de Morlet. La forma de
analizar una onda ssmica consista en separarla en las wavelet que las componan y tambin
volvindolas a unir para reconstruir la onda original (proceso inverso). Tal como se haca en el
caso de la Transformada de Fourier en donde se descompone una seal en armnicos u ondas
sinusoidales. Con el fin de encontrar coherencia matemtica en el funcionamiento emprico de su
mtodo de anlisis de seales, el Ingeniero en el cientfico Alex Grossmann, fsico del Centre de
Physique Thorique de Marsella (Francia).
Morlet trabaj con Grossmann de forma continua hasta lograr demostrar matemticamente que
las ondas se podan reconstruir a partir de sus componentes wavelets; y al lograr esto, pudieron
afirmar que transformaciones de wavelets funcionaran mucho mejor que las transformaciones
16
HOYOS O, Carlos D. Algunas aplicaciones de la Transformada de Fourier y la descomposicin en
Onditas a seales Hidrolgicas y Ssmicas. Universidad Nacional de Colombia Sede Medelln. 1999.
de Fourier. Los resultados de su investigacin fueron publicados en un artculo en , y es el
primer documento donde se identifica la palabra "wavelet".
Es as, que la Transformada Wavelet se origin en la geofsica a principios de para el

anlisis de seales ssmicas. Desde entonces, se han venido realizando aplicaciones en diversos
campos, como en geofsica donde el poder de las wavelets permite analizar procesos no
estacionarios que contienen caractersticas multi-escalares y deteccin de singularidades; el
anlisis de fenmenos transitorios, procesos fractales y multifractales, la compresin de la
seales, estudios de precipitacin, turbulencia atmosfrica, topografa de la superficie terrestre,
batimetra del fondo marino, etc.
Se prevn en el futuro prximo, importantes avances en la comprensin y anlisis de series.17
A continuacin se presenta la cronolgica de la Transformada Wavelet, pero como se anot

anteriormente los aportes ms relevantes se dieron a partir de
Tabla 7-1. Cronologa de la Transformada Wavelet15
AO APORTES A LA TRANSFORMADA WAVELET
Jean Baptiste Joseph Fourier, matemtico francs y protegido de Napolen, afirma que cualquier
funcin peridica, u onda, se puede expresar como una suma infinita de ondas sinusoidales y
cosinusoidales de distintas frecuencias. Como haba serias dudas sobre la exactitud de sus
argumentos, su artculo no se public hasta 15 aos despus. A finales del siglo, las series de Fourier
1.807
estn omnipresentes en la ciencia. Son una herramienta ideal para analizar ondas sonoras y de luz.
Sin embargo, no son igual de eficaces para el estudio de fenmenos transitorios, tales como rfagas
breves de sonido o de luz.
Alfred Haar, matemtico hngaro, descubre una "base" de funciones que se reconocen actualmente
1.909 como las primeras wavelets. Consisten en un breve impulso positivo seguido de un breve impulso
negativo
John Littlewood y Richard Paley, de la Universidad de Cambridge, demuestran que la informacin
1.930 local sobre una onda, como la duracin de un impulso de energa, se puede recuperar mediante la
agrupacin de los trminos de sus series de Fourier en "octavas".
Dennis (Denes) Gabor, cientfico britnico-hngaro inventor de la holografa, descompone las
1.946 seales en "paquetes de tiempo-frecuencia" o "frecuencias de Gabor" o Transformada de Fourier de
Tiempo Corto.
El matemtico argentino Alberto Caldern descubre la expresin matemtica que posteriormente
1.960
permite a los matemticos recuperar una seal a partir de la expansin de sus wavelets.
Fsicos de IBM Claude Galand y Daniel Esteban descubren la codificacin subbanda, la forma de
1.976
codificar transmisiones digitales por telfono.
El ingeniero geofsico Jean Morlet, de Elf-Aquitaine, descubre una manera de descomponer las
1.981 seales ssmicas "wavelets de forma constante". Pide ayuda al fsico cuntico Alex Grossmann para
demostrar que el mtodo funciona.
Un artculo publicado conjuntamente por Morlet y Grossmann introduce por primera vez el trmino
1.984
"wavelet" en el lenguaje matemtico
1.985 Yves Meyer, de la Universidad de Pars, descubre las primeras wavelets ortogonales suaves.
17
KUMAR Praveen and FOUFOULA GEORGIOU Efi. Wavelet Analysis for Geophysical Applications.
The American Geophysical Union. November Pages:
Stephan Mallat, por entonces investigador de la Universidad de Pennsylvania, demuestra que la base
1.986 de Haar, las octavas de Littlewood-Paley, las frecuencias de Gabor y los filtros subbanda de Galand y
Esteban estn todos relacionados con algoritmos basados en wavelets.
Ingrid Daubechies construye las primeras wavelets ortogonales suaves con una base slida. Sus
1.987 wavelets convierten la teora en una herramienta prctica, que cualquier cientfico con una
formacin matemtica mnima puede programar y utilizar fcilmente.
David Donoho e Iain Johnstone, de la Universidad de Stanford, utilizan las wavelets para "eliminar
1.990
el ruido" de imgenes, hacindolas an ms ntidas que los originales.
El FBI elige el mtodo de wavelets desarrollado por Tom Hopper, de la divisin de Servicios de
1.992 informacin criminal del FBI, y Jonathan Bradley y Chris Brislawn, del Laboratorio Nacional de Los
Alamos, para comprimir su enorme base de datos de huellas dactilares.
Pixar Studios presenta la pelcula Toy Story, la primera pelcula de dibujos animados realizadas
1.995 completamente por computadora. En la secuela Toy Story 2, algunas formas se realizan mediante
superficies de subdivisin, tcnica relacionada matemticamente con las wavelets.
La Organizacin Internacional de Estndares (International Standards Organization) aprueba el

estndar de compresin de imgenes digital denominado JPEG-2000. El nuevo estndar utiliza
1.999
wavelets para comprimir archivos de imgenes en una proporcin de 1:200, sin prdidas
apreciables en la calidad de la imagen.
7.1.1.2 Aplicaciones15,18
La teora de las Wavelet tiene muchas aplicaciones reales y aportes en diferentes campos,
siendo esta herramienta muy joven en comparacin con las Transformadas de Fourier.
Con el fin de detectar discontinuidades, puntos de rupturas, identificar frecuencias puras, reducir
del ruido, comprimir informacin, aproximar funciones, solucin de ecuaciones diferenciales en
seales unidimensionales, dinmica molecular, la astrofsica, la geofsica de los sismos, la ptica,
el estudio de las turbulencias y la mecnica cuntica, as como en otros campos muy variados
como el anlisis de electrocardiogramas, el estudio del ADN, al anlisis de sangre, el
reconocimiento de voz, meteorologa, en el campo de la biometra y anlisis Multifractal es
utilizada la Transformada Wavelet.
Las imgenes, seales bidimensionales son la aplicacin ms famosa de esta transformada ya sea
para la compresin o el procesamiento de estas, es decir reduccin o ampliacin. El eje central de
las imgenes digitales JPEG-2000 y del mtodo WSQ (del ingls Wavelet Scalar Quantization,
cuantificacin escalar de wavelets) que utiliz el FBI (Federal Bureau of Investigation) para
comprimir su base de datos de huellas dactilares. Esta aplicacin es posible gracias a los
coeficientes de wavelet, que presentaran ms adelante, que es informacin que sin ser la
imagen misma posee los recursos suficientes. En este contexto, se puede pensar que las
wavelets contienen los componentes bsicos de una imagen.
18
SEPLVEDA, F; y CASTELLANOS G. determinacin de voces disfonicas usando bases wavelet
discriminante. 2004.
Imagnese que se aprecia un bosque. En el contexto de wavelet es posible visualizar el bosque
en general o concentrarse sobre un rbol en esencial.
La Transformada Wavelet proporciona las herramientas apropiadas para disear estrategias

analticas para caracterizar los parmetros especiales de las seales unidimensionales y
bidimensionales.
Es importante aclarar que no son todas las aplicaciones que existen para dicha transformada, esto
es solo una prueba muy pequea de lo que se puede conseguir aplicndose por si solas tal como
lo marca la historia y el lmite de nuestra imaginacin.
7.1.1.3 Ventajas de las wavelet sobre la Transformada de Fourier y la

Transformada de Tiempo Corto 19
El anlisis de seales con las Transformadas de Fourier y Wavelet el objetivo es el mimo:
descomponer una seal en ondas.
A continuacin, se presentan una serie de aspectos que deben considerarse a la hora de analizar
una seal con alguna de las transformadas presentadas en este documento:
El anlisis de Fourier es inestable frente a seales de tipo intermitente: si se aade un

impulso localizado en el tiempo de una seal, todo el espectro de Fourier se ver afectado,
mientras que solo algunos coeficientes de wavelet modifican.
El anlisis de wavelet esta especialmente diseado para explorar seales con pulsos o
intermitencias (cambios bruscos), es decir sucesos que ocurren de manera no peridicas.
Para estas seales, Fourier da muy poca informacin, al perder casi toda informacin
temporal.
El anlisis de wavelet en muchos casos proporciona una mejor compresin de los datos
que con la Transformada de Fourier.
El anlisis se recorre la seal con un solo tamao de ventana en cambio en

wavelet con varios tamaos de ventana.
Con la transformada Wavelet se puede examinar exhaustivamente seales con tiempos de

clculo reducidos y permite tener ms informacin de la seal de anlisis en comparacin
de las Transformadas de Fourier.
7.1.1.4 Propiedades de las funciones Wavelet

La eleccin de un tipo wavelet para aproximar una determina seal requiere de un balance
entre diferentes propiedades, tales como la suavidad, localizacin espacial y temporal, la
19
STRANG, G.; TRUONG, N. Wavelet and Filter Banks. Wellesley Cambridge Press. 1996.
localizacin de frecuencia, la habilidad para presentar funciones polinmicas locales, la
ortogonalidad y la simetra. Estas propiedades se discuten a continuacin19:
La suavidad. En varias aplicaciones, las wavelet deben ser los suficientemente suaves
como para poder representar eficientemente las caractersticas de la seal que se desee
aproximar. La suavidad en la wavelets se mide por el nmero de derivadas que existen,
y esta tambin relacionado con el nmero de momentos nulos.
Localizacin espacial y temporal. Una propiedad muy importante de las wavelet es su

habilidad para localizar las caractersticas del fenmeno analizado en espacio y en tiempo.
Localizacin de frecuencias. Las wavelets no solo localizan caractersticas en tiempo y en

espacio, sino tambin en frecuencia. En general, las funciones wavelets ms suaves
tienen mejores propiedades de la localizacin de frecuencias.
Simetra. Las wavelets ortogonales de soporte compacto no son simtricas, excepto la

wavelet de Haar como se ver ms adelante.
Ortogonalidad20. Caracterstica fundamental en el anlisis con la transformada wavelet,

ya que la informacin capturada por una funcin wavelet es completamente independiente
de la informacin capturada por la funcin de escalamiento por lo tanto son mutuamente
excluyentes. De esta manera no hay superposicin de la representacin de los datos en el
anlisis del dominio de la frecuencia.
7.1.2 Problema directo e inverso en 1D

El anlisis mediante wavelet puede hacerse para fenmenos continuos o discretos. Estas son las
herramientas matemticas que permiten el anlisis de seales unidimensionales dando
informacin en el dominio del tiempo y en el dominio de la frecuencia. Como menciona
Daubechies:
the wavelet transform is a tool that cuts up data or functions or operators into different
frequency components, and then studies each component with a resolution matched to its scale
7.1.2.1 Marco Continuo19

Ahora que se conocen las propiedades que tiene las funciones wavelets y que se ha expuesto
el tipo de anlisis que se puede realizar, es conveniente presentar la Transformada Wavelets en
tiempo Continuo de una seal :
20
1 Anexo. Funciones Ortogonales y Ortonormales
Ecuacin 7-1
Donde:
Transformada Wavelet de tiempo Continuo (Continued Wavelet Transform)
Seal de anlisis
Convolucin21
Tiempo
Escala. Real mayor que cero
Funcin de Transformacin o Funcin wavelet
Translacin de la funcin wavelet en el dominio de la seal de anlisis. Real

mayor que cero
Ntese que la es funcin de dos variables y , y est estrechamente relacionada con

o madre wavelet u Ondita madre a partir de la cual se generan hijos con cada dupla de
valores particulares de y , ya que hace referencia a una funcin ventana de longitud finita
y de carcter oscilatorio, y por el anlisis ser alterada durante el procesamiento de la seal
siendo dilatada y trasladada en el dominio original de la seal.
Los valores que toma para cada pareja y representan de cierta manera el
grado de similitud entre la funcin wavelet y la seal analizada. Si estas son ortogonales22 el
resultado es un coeficiente nulo, mientras que si la seal de anlisis est constituida por
componentes similares a una o ms funcin wavelet, entonces los coeficientes correspondientes
poseern un valor relativamente grande.
Respecto a los parmetros y es necesario comentar que la translacin , est

relacionada con la localizacin de la ventana en la medida que esta se desplaza a travs de la
seal , mientras que la escala corresponde a una dilatacin o una contraccin de la
misma, entonces las altas escalas corresponden a seales dilatadas y las escalas pequeas
corresponden a seales comprimidas. En relacin con la frecuencia, las escalas menores
corresponden a altas frecuencias y escalas mayores corresponden a bajas frecuencias.
21
Ver Anexo 2
22
Ver Apndice 1
Dilatacin Binaria y Traslacin continuas en el tiempo
En la transformacin , los parmetros de dilatacin y translacin , son nmeros

reales enteros, por lo tanto al analizar seales es necesario tomar algunos valores de y de
las infinitas posibilidades que existen. Uno de los mtodos consiste en hacer que las escalas
varen en potencia de dos, por la cual el muestre de se conoce como Dilatacin Binaria y
la traslacin se realiza con base en mltiplos del tamao de la ventana y recibe el nombre de
Translacin Didica. Es decir:
Ecuacin 7-2
Ecuacin 7-3
Donde:
ndice de discretizacin de la . Tomando valores enteros positivos.
ndice de discretizacin de .Tomando valores enteros positivos.
Para un nmero de datos es necesario determinar el valor mximo de el cual

garantiza que el valor mnimo de sea entero. Este trmino nuevo se puede ver como la
cantidad mxima de niveles para los que se puede analizar la seal.
Ecuacin 7-4
Las barras dobles simbolizan la funcin parte entera.
Reemplazando en la Ecuacin 7-1, los parmetros escala y traslacin por sus respectivos
equivalentes discretizados dados en las Ecuacin 7-2 y Ecuacin 7-3 se llega a la siguiente
expresin que se denomina Trasformada de Wavelet Continua en el Tiempo pero Discretizada
para los parmetros y :
Ecuacin 7-5
Ntese que el mtodo de discretizacin de y se basa en potencias de dos, de modo que la

serie o conjunto de datos a analizar debe ser tambin en potencia de dos. En la implementacin
de la Transformada, se muestra como se modific el tamao de las seales de anlisis
unidimensionales y bidimensionales para que fuesen potencia de dos.
Escalograma

Diagrama que describe la distribucin de la energa de la seal en funcin de la escala y la
traslacin.
En la Figura 7-2 se muestra un Escalograma. Ntese que cuando el valor de la traslacin es alto
(ventana amplia) valor denotado por las frecuencias que se aprecian son bajas (escalas altas)
valor denotado con . En caso contrario cuando el valor de la traslacin es bajo (ventana
angosta) valor denotado por , las frecuencias que se aprecian son altas (escalas bajas) valor
denotado por .
Figura 7-2. Escalograma
El anlisis de wavelet da informacin sobre el espectro de frecuencia en funcin del tiempo. La

resolucin espectral de una frecuencia es . La resolucin temporal de esa misma
frecuencia es: , por lo tanto . Es elemental destacar que las celdas que
componen el Escalograma (Figura 7-2) tienen un rea no nula, lo cual indica que no es posible
conocer el valor de un punto particular ya que estn determinadas por el principio de
incertidumbre de Heisenberg.
Es importante aclarar que el proceso de transformacin de una seal es reversible, a esto es lo que
literalmente se le conoce como la Transformada Inversa Continua de Wavelets . Esta
transformacin inversa est dada por la siguiente expresin matemtica:
Ecuacin 7-6

Donde es una constante determina por wavelet que se ha utilizado en la transformacin.
Esta constante se conoce como constante de admisibilidad o condicione de la media nula y est
definida como:
Ecuacin 7-7
Donde es la transformada de Fourier de que es la funcin madre de la wavelet

utilizada en la transformacin inicial. Bsicamente la debe tener un valor finito para que se
pueda hacer una transformacin inversa. A este proceso de reconstruccin de la seal se le
conoce como sntesis de la seal y generalmente se realiza despus del proceso de anlisis o
descomposicin de la seal. Esta herramienta matemtica tambin puede ser usada para analizar
seales que no son continuas. A continuacin se presenta el mismo anlisis pero para seales en
tiempo discreto.
7.1.2.2 Marco Discreto

La Transformada de Wavelets en tiempo Discreto es el caso particular de esta transformada para
ser aplicado a series discretas, el caso ms comn en ingeniera.
El clculo de la transformada wavelet para todas las posibles escalas supone una gran cantidad de
informacin. Escoger solo aquellas escalas y posiciones que resulten interesantes para ciertos
estudios es una tarea complicada. Si se escogen aquellas escalas y posiciones basadas en potencia
de dos como se present en el marco continuo, los clculos computacionales serian mas agiles. El
anlisis de la Transformada de Wavelet en Tiempo Discreto se describe
matemticamente:
Es decir:
Ecuacin 7-8
Al igual que para la transformacin , la seal se puede reconstruir a partir de los coeficientes
de transformacin, mediante una transformacin inversa discreta:

Ecuacin 7-9
Para las seales la informacin ms importante desde el punto de vista de su constitucin podra
decirse que se encuentra en las frecuencias bajas, mientras que en las altas frecuencias se
encuentran los detalles o matices de la seal. El anlisis wavelet en tiempo discreto permite
descomponer la seal en aproximaciones y detalles para hacer un anlisis por separado
del alma o alma y los detalles de la seal.
Para encontrar se debe partir de la expresin matemtica que se tiene en la Ecuacin 7-9; si se fija
una escala y se nombrar todas las traslaciones a lo largo de la escala de tiempo se obtiene
una subseal de detalle para esta escala que se bautizara , como se muestra a continuacin:
Ecuacin 7-10
De igual manera, si se suman todas las subseales de detalle a lo largo de las escalas se
recupera la seal original:
Ecuacin 7-11
Como se puede observar en la ltima expresin, la seal original se cubre con la sumatoria de
todos los detalles para infinitas escalas de anlisis. Un procedimiento bastante largo y tedioso.
Si la translacin de las wavelets est limitada por la duracin temporal de la seal es necesario
un nmero finito de escalas para recuperar la seal. Al hacer esta transformacin hasta un
nmero finito de escalas se pretende reconstruir la seal original con cierta cantidad de
escalas disponibles, lo cual es necesario completar la informacin correspondiente a
para escalas superiores a , en este caso se tiene:
Ecuacin 7-12
Donde:
La subseal de aproximacin
Obsrvese de la expresin matemtica anterior, los lmites ahora de la sumatoria han cambiado y
las subseales de aproximacin se relacionan a diferentes escalas mediante:

Ecuacin 7-13
Es importante tener en cuenta que la subseal de aproximacin y la subseal de detalles son

complementarias y ortogonales.
La cantidad de detalles que se tengan en cuenta en la sumatoria es la cantidad de niveles que

se analiza una seal.
En la Figura 7-3, se puede observar lo que se ha venido expresando de la descomposicin para

diferentes escalas de una seal que tiene infinitas opciones, es decir un infinito numero detalles
para la reconstruccin.
Figura 7-3. Descomposicin de escalas de una seal
En la Figura 7-3 se muestra una silueta geomtrica tipo triangulo (color azul) que representa la
infinitas escalas que se puede ser analizada una seal. Las lneas horizontales que subdividen
el triangulo de colores variados, azul turquesa, morado y verde, representan las subseales de
detalles que se obtiene al hacer la descomposicin en por cada nivel que es analizado la
seal. La lnea horizontal color rojo representa la subseal de Aproximacin (la cual esta
definiendo las infinitas subseales que se puede obtener en las infinitas escalas).
Para obtener la subseal de aproximacin en el anlisis wavelets se recurre a unas

funciones bases llamadas funciones de escalamiento denotas por: , lo cual para cada
funcin de wavelet est definida una funcin de escalamiento, que se presentarn ms
adelante. De tal forma la Ecuacin 7-9 se reescribe como:

Ecuacin 7-14
Donde:
Funcin de escalado, principio fundamental del concepto de

escala.
Para calcular dicho trmino se tiene:
Ecuacin 7-15
Ntese de la Ecuacin 7-14 la escala es finita, mientras que la traslacin no est limitada, es
decir se mira a unas escalas la seal y el resto lo aproximo. Esto conduce a la teora
matemtica conocida como Anlisis de Multiresolucin , la cual hace una descomposicin
jerrquica de la seal en subseales de detalles y aproximacin. La idea central de este anlisis
consiste en estudiar una seal a partir de aproximaciones ms y ms burdas, donde a cada
aproximacin se cancelan algunas de las altas frecuencias o de los detalles de la seal original.
La informacin que se elimina de una aproximacin a la siguiente, equivale a:
En la Figura 7-4 se presenta como funcionan el anlisis de una seal con la transformada wavelet.
Se tiene una seal de la cual se desea hacer una descomposicin de niveles:

A3
A2
A1 D3
SEAL
D2
f(t)
D1
Nivel 1 Nivel 2 Nivel 3
Figura 7-4. Proceso de descomposicin de una seal con Anlisis de Multiresolucin.
Las cajas del diagrama que se observan en la Figura 7-4 nombradas con la letras y
corresponde a las subseales de aproximacin y detalles, respectivamente. El subndice que
acompaa las letras corresponde al nivel descomposicin. Por lo tanto para obtener la seal
presentada en la Figura 7-4 a partir de la descomposicin hecha y con respecto a la Ecuacin 7-14
se tiene:
Es decir, la reconstruccin de la seal perfecta se da con la suma de las subseales de la

descomposicin de aproximacin y detalles del ltimo nivel y los detalles de los niveles
inferiores.
7.1.2.3 Metodologa de clculo del Escalograma

La transformada wavelet se puede interpretar como una operacin de filtrado, este algoritmo
utiliza una serie de filtros de paso bajo y paso alto para obtener las subseales de aproximacin y
detalle, respectivamente.
En el anlisis de wavelet el trabajo del filtro paso bajo lo realizan las funciones de escalamiento
y la tarea del filtro paso alto le corresponden a las funciones wavelet o funciones
madres . Con cada filtro se genera una subseal. Teniendo en cuenta la definicin
matemtica expresada en la Ecuacin 7-5, estas funciones se definen como:

Ecuacin 7-16
Ecuacin 7-17
Como se defini matemticamente en la Ecuacin 7-8 la transformacin de la seal con funcin

madre, a continuacin se define la transformada con la funcin de escalamiento:
Ecuacin 7-18
Al observar las Ecuacin 7-8 y Ecuacin 7-18, se puede apreciar estn definidas por dos trminos
que contienen un producto y una sumatoria de dos sistemas, es decir para la primera expresin
matemtica la seal de entrada con la funcin wavelet y la siguiente expresin matemtica la
misma seal de entrada con la funcin de escalamiento, logrando con esto el filtrado de la seal.
De aqu en adelante por comodidad simblica denotaremos y como y
respectivamente, y se llamaran Coeficiente de Wavelet de Aproximacin y Coeficientes de
Wavelet de Detalle. Por lo tanto, la Ecuacin 7-8 y Ecuacin 7-18 se reescribe a continuacin:
Ecuacin 7-19
Ecuacin 7-20
Los coeficientes wavelet y de escalamiento han sido definidos mediante el

producto interno entre la seal a analizar y las versiones dilatas y desplazadas de la funcin
wavelet y funcin de escalamiento respectivamente.
Los coeficientes, tanto de aproximacin y detalles se pueden calcular mediante una convolucin
de tiempo discreto que involucra la secuencia de y dos filtros digitales23. Los filtros
y , corresponde respectivamente a un filtro pasa bajo que lo
hacen las funciones de escalamiento y a un filtro pasa alto que lo hace las
funciones wavelet. En la Figura 7-7 se muestra el diagrama para la descomposicin que hace la
Transformada Wavelet, con el objetivo de poder ver la secuencia del anlisis para el caso del
ejemplo que se presento anteriormente con descomposicin de niveles.
23
Operador lineal invariante en el tiempo que acta sobre un vector de entrada.
Figura 7-5. Calculo de la Transformada Wavelet de tiempo Discreto mediante un banco de filtros digitales31,24
Al observar la Figura 7-5 se debe aclarar que los coeficiente de los filtros y se
obtienen a partir de la funcin de escalamiento y la wavelet madre ,
25
correspondientemente. La respuesta que se obtiene al filtrar es submuestreada , lo cual se
elimina una de cada dos muestras de entrada, obteniendo los respectivos coeficientes del nivel de
anlisis. Para empezar un nuevo nivel de anlisis de la seal la secuencia del anlisis
anteriormente descrito empieza en los subseal de aproximacin.
El costo computacional de la Transformada Wavelet Discreta mediante bancos de filtros

submuestreados puede hacerse menor que el costo computacional del clculo de la Transformada
de Fourier.
Para la reconstruccin de la seal se usan filtro de espejo Quadrature 26 con

27
sobremuestreo , en el cual se insertan un valor de cero entre cada par de muestras de la
entrada, para tal objetivo se logra eficiencia mediante el uso de la transformada wavelet discreta
inversa (Ecuacin 7-14). Dicho proceso se puede apreciar en la Figura 7-6.
24
Banco de filtros digitales: es un conjunto de filtros que separa la seal de entrada en bandas o
intervalos de frecuencias.
25
Downsampling
26
Es un banco de filtros que divide la seal de entrada en dos bandas que se submuestrean por 2.
27
Upsampling
Figura 7-6. Banco de filtros para clculo de la Transformada Wavelet Inversa de tiempo Discreto31
Como se puede observar en la Figura 7-6 cada coeficiente de aproximacin puede ser
recuperado a partir de los coeficientes aproximacin y detalle , sobremuestreando
dichos coeficientes y aplicando filtros pasa baja y alta.
El anlisis de wavelet una de las ventajas es la descomposicin de la seal discreta. Como se

presento en la Figura 7-5, por cada nivel analiza una seal se obtienen coeficientes de
aproximacin y detalles. En un plano de escala Vs coeficientes de detalles es lo que define el
Escalograma en el contexto de seales discretas.
7.1.2.4 Tipos de funciones Wavelet y funciones de Escalamiento 28
Se han desarrollado varios tipos de funciones wavelets, debido a la gran variedad de

aplicaciones que ha tenido esta transformada.
Cientficos, matemticos, fsicos e incluso ingenieros, han sido los protagonistas de este
desarrollo progresivo que se encuentra ubicado temporalmente en las ltimas dos dcadas.
Dentro de los tipos de funciones wavelets ms conocidas y con la mayor trayectoria de uso
estn los que se enuncian a continuacin. Es importante tener en cuenta que su escogencia debe
ser evaluada de acuerdo con cada una de las propiedades presentadas anteriormente y del tipo de
aplicacin.
Funcin Wavelet y Funcin de Escalamiento de Haar
El pionero de las funciones wavelets, fue Alfred Haar, quien en 1.909, segn descubrimientos
cientficos, defini probablemente sin saberlo, la primera funcin con comportamiento tipo
wavelet. La wavelet Haar, aparte de ser la ms antigua, tambin es la ms simple, y se
define grficamente y matemticamente a continuacin:
28
C, SIDNEY.; RAMES, A.; GOPINATH.; and HAITAO, G. Introduction to Wavelets and Wavelet
Transforms. Prentice Hall. 1998.
(a) Funcin wavelet de Haar (b) Funcin de escalamiento de Haar
Figura 7-7. Funcin wavelet y Funcin de escalamiento de Haar
En el caso de las funciones de Haar puede reunirse a un procedimiento matricial para realizar los
clculos.
En este sencillo caso, un anlisis con las funciones de Haar consiste en el clculo de la media y la
diferencia entre cada dos vecinos de los datos de la seal de anlisis, lo cual dichos resultados son
submuestreados de manera recursiva como se puede observar en la Figura 7-5.
Funcin Wavelet Mexican Hat
La wavelet Mexican Hat (sombrero Mexicano), es una de las wavelet ms utilizadas en el

anlisis de seales. Esta funcin wavelet es generada a partir de la segunda derivada de la funcin
de densidad de probabilidad Funcin Gaussiana,
Ecuacin 7-21
Como se puede observar en la Figura 7-8 es una funcin simtrica.

Figura 7-8. Funcin wavelet Mexican Hat
Funcin de Wavelet y Funcin de Escalamiento Daubechie
Ingrid Daubechies, una de las estrellas ms brillantes del mundo de la investigacin wavelet,
logro definir un funcin wavelet donde se ve reflejado lo que se denomina soporte compacto
wavelets Ortonormales, con el fin de hacer posible el anlisis de una seal discreta.
Los nombres de las ondas de la familia Daubechies se escriben , donde es el orden, y

el el apellido de la onda. La wavelet , es el mismo que wavelet Haar. En la
Figura 7-9 mostramos las funciones wavelets y funciones de escalamiento de los primeros
cinco miembros de la familia de este tipo de onda ya que en total son miembros.
(a) (b)

(c) (d)
(e) (f)
(g) (h)
Figura 7-9. Familias de las funciones wavelet y de escalamiento de Daubechies. (a) , (b)
, (c) , (d) , (e) , (f) , (g) y (h)
.
Como se puede observar en la Figura 7-9, la mayora de las no son simtricas.
Esta familia ms amplia de funciones wavelet y de funciones de escalamiento es de mayor

complejidad y se comportan muy bien para el anlisis de seales discontinuas, no derivables y
adicionalmente, la proporcin de coeficientes resultantes iguales a cero es mayor facilitando las
operaciones y el almacenamiento de datos29.
Funcin Wavelet y Funcin de Escalamiento Shannon
Una onda compleja es la onda de la wavelet de Shannon, la cual est definida por la siguiente
expresin matemtica dependiendo de dos parmetros:
Ecuacin 7-22
Donde:
Parmetro definido por el ancho de banda
Es el centro de la frecuencia da la funcin wavelet
La condicin , es suficiente para garantizar que el cero no est en el intervalo de

frecuencia de apoyo de la funcin.
En la Figura 7-10 se puede observar la funcin wavelet y escalamiento de Morlet.
(a) Funcin Wavelet (b) Funcin de escalamiento
Figura 7-10. Funciones Wavelet y Escalamiento de Shanoon

Tanto estas ondas y las de Daubechie son bastante aplicadas en transformada continua y discreta
de los Wavelet, por la presencia la asimetra y por la cantidad momentos nulos.
29
Arbelez A, Bacchi B, Ranzi R y Arango H. Aplicacin de la Tcnica Wavelet en un campo de
precipitacin. Identificacin de Autosemenjanza. Avances en recursos Hidrulicos. Numero 07. Pg.:
052-061. Noviembre 2.000.
7.1.3 Problema directo e inverso en 2D
El anlisis de multiresolucin presentado anteriormente es fcil de extenderlo al campo
bidimensional (imgenes).
En los prximos renglones se presentaran las ecuaciones y la metodologa general para el anlisis
de seales bidimensional discretas con la Transformada Wavelet, con aplicacin de filtros,
submuestreo para la descomposicin y sobremuestreo para la reconstruccin.
7.1.3.1 Marco Discreto30,31

Como se present en el capitulo anterior las wavelets son familias que tienen la particularidad
de tener soporte compacto, es decir son acotados en el tiempo y poseen media igual a cero. Cada
familia est compuesta por un conjunto de wavelets que son versiones trasladadas y escaladas
de una wavelet madre, las cuales son mutuamente excluyentes caracterstica heredada de la
ortogonalidad.
La transformada discreta de wavelet en una dimensin, es una funcin de dos variables, una ms
que la propia funcin de transformacin. Para cada incremento de una variable, la transformada
aumenta su dimensin en una unidad. Por lo tanto, para el caso de dos dimensiones se denotara la
imagen como . Una funcin de escalado separable32 y tras wavelet
sensitivas direccionalmente, que miden las variaciones de intensidad o de colores en las dos
direcciones:
Direccin horizontal (columnas) Ecuacin 7-23
Direccin vertical (filas) Ecuacin 7-24
Direccin diagonal Ecuacin 7-25
Estas funciones se definen en base de la Ecuacin 7-16 y Ecuacin 7-17, como:
Ecuacin 7-26
Ecuacin 7-27
La transformada wavelet discreta de la seal bidimensional de tamao , esta dada por:
30
COVA, W.; CAVALLERO, R. Sobre Wavelet e Imgenes.
31
BARRETO, S.; y LEMES, M. Anlisis de sonidos, representacin y compresin de imgenes.
Universidad Distrital Francisco Jos de Caldas. Carrera de matemticas. Octubre 2006.
32
Cada convolucin puede ser separada en convoluciones unidimensionales operadas sobre las filas y
columnas
Ecuacin 7-28
Ecuacin 7-29
Donde:
Escala inicial
Coeficientes que definen la aproximacin de la imagen
Coeficientes que definen los detalles de la imagen en las diferentes direcciones
Note que . El proceso inverso se obtiene por la siguiente expresin matemtica:
Ecuacin 7-30
7.1.3.2 Metodologa de clculo

Este anlisis es muy parecido en el que se exhibi para seales unidimensionales. Consiste en
descomponer una imagen en una serie de aproximaciones y detalles organizados jerrquicamente
en niveles.
Con una imagen con dimensiones de , donde y son potencias de dos. El

anlisis de wavelet se hace en dos etapas por cada nivel que se tiene que descomponer la seal de
entrada. La primera etapa consiste en tomar la imagen y pasarle un filtro pasa baja y pasa
alta en las filas que la componen, es decir se convolucionan las filas y se eliminan las
columnas impares (enumeradas a partir de cero la columna de mas a la izquierda de la imagen de
entrada) estos se denotado como , lo cual el resultado de la convolucin es submuestreada
por a lo largo del obtenindose una imagen con la mitad de las columnas de entrada
. La segunda etapa se hace el anlisis con las imgenes obtenidas en la etapa anterior,
por lo tanto cada imagen se convoluciona, es decir se pasa por un filtro pasa baja y pasa alta y
se hace un submuestreo por 2 denotado como a lo largo del , es decir se eliminan
las filas impares (numerando a partir de cero la fila de ms arriba). El resultado obtenido son

cuatro matrices cada una de las cuales representa una imagen con dimensiones de , es decir
cada una con la mitad de las columnas y filas de la imagen original. Esto se puede apreciar en la
Figura 7-11.
Figura 7-11. Proceso para calcular la Transformada Wavelet Discreta en dos dimensiones31
Ntese, en la Figura 7-11 las cuatros imgenes obtenidas despus de las dos etapas, antes citadas,
corresponden a los coeficientes en que se descomponen la imagen, los cuales son direccionales,
es decir, indican fluctuaciones del proceso en diferentes direcciones. La primera imagen obtenida
por haber hecho dos veces filtro pasa bajo es la que contiene los coeficientes de aproximacin
, permitiendo ser el alma de la imagen, el mismo criterio expuesto en seales
unidimensionales. Cada cuadro final representa adems de los coeficientes de aproximacin
, los detalles horizontales , verticales y diagonales .
Segn hasta el nivel de anlisis que se desea hacer para las seal bidimensional, las
ramificaciones para las dos etapas expuestas anteriormente parten desde , es decir, el anlisis
para cada nivel se construye a part de los coeficientes de aproximacin.
Los coeficientes obtenidos se pueden visualizar en la Figura 7-12.

Figura 7-12. Esquema de subbandas en Trasformada Wavelet Discreta para una imagen14
Al observar la Figura 7-12, se encuentra un cuadro dividido en cuatro partes donde se van
almacenar cada uno de los coeficientes que genera el anlisis con la Transformada Wavelet. En el
cuadrante superior izquierdo se ubica la imagen que genera los coeficientes de aproximacin .
En el cuadrante superior derecho se ubica la seal generada a partir de los coeficientes de detalles
horizontales y en la parte inferior de izquierda a derecha se ubican respectivamente los
coeficientes detalles verticales y horizontales respectivamente.
El proceso de reconstruccin de la imagen se realiza a partir de las cuatro imgenes que se

generan con los coeficientes de aproximacin y detalle del ltimo nivel de anlisis, como se
puede observar en la siguiente figura:

Figura 7-13. Diagrama de reconstruccin en Transformada Wavelet Discreta de una seal bidimensional 31
Como se puede observar en la figura anterior el proceso de Transformada Wavelet Discreta

Inversa tambin se hace en dos etapas. En las dos etapas se sobremuestrean las imgenes de
entrada. En la primera etapa se inserta una columna de ceros a la izquierda de cada columna y
posteriormente se convolucionan las filas con y y se suman las matrices
resultantes. Posteriormente se sobremuestrean las imgenes de salida de la etapa primera etapa,
agregando filas de ceros por cada fila de las matrices para llevarlo a la dimensin . Las
columnas de las dos matrices que as se obtienen se convolucionan nuevamente con un filtro pasa
bajo y paso alto. La suma de las dos matrices resultantes representa imagen final de la etapa de la
reconstruccin.
7.2 Implementacin de la Transformada Wavelet

A continuacin se muestra la implementacin de la Transformada wavelet en las seales que se
han venido estudiando desde el primer captulo. Con el objetivo de exponer como funciona dicha
transformada y que ventajas trae al ver las seales en estudio con otros lentes el anlisis de
Wavelet.
Como el anlisis wavelet permite apreciar informacin a diferentes escalas en la presente seccin
no se agrega informacin y se trabaja bajo las Toolbox de Wavelet que contiene Matlab.

Para la implementacin de la Transformada Wavelet a seales unidimensionales y
bidimensionales, se le aclara al lector que se utilizara la funcin wavelet y funcin de
escalamiento correspondiente a la por las razones que resentan el documento de Praveen
K. y Foufola E. 33.
7.2.1 Seales Unidimensionales

Como ninguna de las seales unidimensionales estudiadas desde el capitulo 3 cuenta con una
cantidad de datos registros igual a una potencia de dos, importante aspecto para facilitar los
clculos del anlisis de Wavelet. Se decidi insertar datos en el caso de la seal suma de
cosenos y truncar la informacin en el caso de las estaciones de lluvia. A continuacin se
presenta las seales de anlisis con la cantidad de datos inciales y los datos con que se trabajar
de aqu en adelante:
Tabla 7-2. Tamao de las series unidimensionales analizadas con Transformada Wavelet
Seal Unidimensiona Tamao inicial Potencia de 2 Datos TW Observacin
Suma de Cosenos 400 2^9 512 Se extendi la serie

Estacion Camavieja 12.397 2^13 8.192 Se trunco la serie
Tormenta de Boston 1.990 2^11 2.048 Se extendi la serie
Datos
7.2.1.1 Anlisis deSeal
la seal sumaDatos Iniciales
de Cosenos Potencia de 2 TW
Suma de Cosenos 400 2^9 512

La seal sumaEstacion
de cosenos continua en el tiempo
Camvieja 12.397servir como2^13
seal de contraste
8.192o experimento
controlado. Tormenta de Boston 1.990 2^10 1.024
En la Figura 7-14 se presenta en la parte superior la seal de anlisis, ntese que la describen
datos, y en la parte inferior se muestra el Escalograma, donde los ejes respectivamente son
.
33
Praveen Kumar and Efi Foufola-Georgiou. A New Look at Rainfall and Scaling Properties of Spatial
Rainfall Usin Orthogonal Wavelet. University of Minnesota. Journal of Applied Meteorology. Volumen 32.
Pg. 209-222.
Figura 7-14. Escalograma de la seal suma de cosenos.
Como se puede apreciar en la Figura 7-14, en la franja horizontal sealada delimitada en el

rectngulo negro, el anlisis de escalas pequeas se puede apreciar los detalles de la seal y a
medida que se va aumentando, lneas punteadas en la parte superior del Escalograma, en la escala
resultan visibles las caractersticas macroscpicas. Al observar el Escalograma de la seal de
anlisis se puede detectar una periodicidad del sistema cada datos.
7.2.1.2 Anlisis de la seal registrada por la estacin Camavieja

Para realizar el anlisis de la seal registrada por la estacin Camavieja, se omitieron varios datos
para tener una longitud de la seal con potencia de . Teniendo en cuenta la cantidad de datos de
la seal con la Ecuacin 7-4, se calcul el mximo nivel que puede ser analizada dicha
seal con la funcin wavelet y funcin de escalamiento de Daubechie de orden .
A continuacin en la Figura 7-15 se puede observar la descomposicin jerrquica que genera el

anlisis de wavelet para un nivel .

Figura 7-15. Descomposicin jerrquica mediante Transformada Wavelet de la seal registrada en la estacin
Camavieja
La Figura 7-15 contiene nueve imgenes. La primera, de arriba hacia abajo, es la seal de anlisis
, la segunda es la subseal generada por los coeficientes de aproximacin del nivel y de
la tercera imagen a la novena corresponden a cada uno de los detalles generados por cada nivel.
Como se puede observar en la Figura 7-15 medida que se aumentan los niveles de anlisis de la
seal en las subseales de detalles van disminuyendo los cambios bruscos.
La reconstruccin exacta de la seal analizada con niveles se obtiene mediante la siguiente

expresin matemtica:
En la Figura 7-16 se muestra el Escalograma de la seal de la estacin Camavieja. La escala

(denotada en el grafico como el nivel). Cada caja que hace parte en la definicin del nivel
mostrado en diferentes colores esta describiendo los valores de coeficiente de detalle. El
Escalograma se encuentra definido por solo los coeficientes detalles por la razn de que para la
reconstruccin se tiene solo una subseal de los coeficientes de aproximacin.

Figura 7-16. Escalograma de la seal registrada por la estacin Camavieja
Al observar la Figura 7-16 en la parte inferior se denota la escala de colores, note que entre ms
oscuro es el color el valor del coeficiente de detalle es bajo y colores claros indican valores altos
de dichos coeficientes.
Despus de haber obtenido cada uno de los valores de coeficientes que definen la subseal de
aproximacin y las subseales de detalles , se reconstruyo la seal
a partir de los coeficientes de aproximacin y de los coeficientes de detalle ms importantes
mostrados en el Escalograma.
Una vez reconstruida la seal son diferentes nmeros de coeficientes de detalles se evalu la
calidad de la reconstruccin mediante el Error Medio Cuadrtico definido por:
Ecuacin 7-31
Donde:
Seal original
Valor de la seal reconstruida
Cantidad de datos de la seal
Al graficar el contra el nmero de coeficientes de detalles considerados se genero la Figura

7-17.
EMC Vs Dn
6,00
5,00
EMC (mm)
4,00
3,00
2,00
1,00
0,00
0,0% 20,0% 40,0% 60,0% 80,0% 100,0%
Porcentaje Coeficientes Detalle
Figura 7-17. Error medio cuadrtico variando la cantidad de coeficientes para la reconstruccin de la seal
registrada por la estacin Camavieja
Como se puede ver en la Figura 7-17, haciendo el proceso de reconstruccin con solo los
coeficientes de aproximacin se tiene el mximo valor del , el valor que disminuye a medida
que se aumenta el porcentaje de coeficientes detalles que se involucran en la reconstruccin de la
seal. Es importante recalcar de esta figura que omitiendo el de los coeficientes detalles, se
obtiene un buen grado de reconstruccin de la seal. Ntese por tanto la capacidad de la
Transformada Wavelet para comprimir informacin sin prdida importante de calidad.
7.2.1.3 Anlisis de la seal registrada durante la Tormenta de Boston

Respecto a la seal registrada durante la tormenta de Boston es necesario comentar que se realizo
un anlisis al de la estacin Camavieja: generando Escalograma y utilizando durante la
reconstruccin los componentes de detalle ms importantes para posteriormente evaluar la
relacin contra porcentaje de Coeficientes de detalle.

Figura 7-18. Descomposicin jerrquica mediante Transformada Wavelet de la seal registrada durante la tormenta
de Boston.
Al observar la Figura 7-18 se puede apreciar como la subseal de aproximacin describe la

formada de la seal original pero suavizada (la segunda de la imagen de la figura). En cada una
de las subseales que describen los coeficientes de detalle (color verde) se puede ver la ubicacin
de la mayor intensidad de la tormenta.

Figura 7-19. Escalograma de la seal registrada durante la tormenta de Boston
Al observar el Escalograma presentado en la Figura 7-19 se puede apreciar el cambio de

frecuencia en el tiempo en las diferentes escalas que es analizada la tormenta. Note que cada
escala muestra dicho cambio, es decir la franja de colores claros, ubicados entre y .
Para la Figura 7-20 se esperaba un comportamiento similar al de la Figura 7-17, a mayor cantidad
de coeficientes que se apaguen en la reconstruccin de la seal, mayor es el entre la seal
original y la reconstruida.
Ntese que los son muchsimo menores que lo obtenidos con la Figura 7-17.
EMC Vs Dn
1,20
1,00
EMC (mm)
0,80
0,60
0,40
0,20
0,00
0,0% 20,0% 40,0% 60,0% 80,0% 100,0%
Porcentaje Coeficientes Detalle
Figura 7-20. Error medio cuadrtico variando la cantidad de coeficientes para la reconstruccin de la seal registra
durante la tormenta de Boston

7.2.2 Seales Bidimensionales
En el caso bidimensional se analizan seales:
Imagen de control Cartn de Huevos
Imagen de Lenna
Imgenes de la tormenta Capitalina
Al igual que en las seales unidimensionales es importante revisar el tamao de las imgenes, en
este contexto se habla del tamao de la matriz que la compone para llevarla a un tamao de
potencia de . A continuacin en la Tabla 7-3 se puede observar los tamaos originales y los
tamaos finalmente adoptados:
Tabla 7-3. Tamao de las seales bidimensionales analizadas con Transformada Wavelet
Seal Bidimensional Tamao inicial Potencia de 2 Datos TW_2d Observacin
Carton de huevos 100*100 2^6*2^6 64*64 Se trunco el tamao

Lenna 256*256 2^8*2^8 256*256 Se mantuvo el tamao
Tormenta Capitalina 131*62 2^7*2^6 128*64 Se trunco y se insertaron ceros
La Tabla 7-3 se muestra la seal bidimensional de control cartn de huevos se recort para as
obtener una imagen con el tamao de una potencia de ; mientras la imagen de Lenna
permanece de igual tamao. Sin embargo la tormenta capitalina fue necesario quitar filas en a
parte inferior de la imagen y aumentar 2 columnas al lado izquierdo de la matriz que compone
dicha imagen, las cuales estarn con el valor de cero34.
7.2.2.1 AnlisisSeal
de la imagen de control
Datos Cartn
Iniciales de huevos
Potencia de 2 Datos TW
Suma de Cosenos 400 2^9 512

Para la seal bidimensional llamada cartn de huevos se presentan los resultados de la
Estacion Camvieja 12.397 2^13 8.192
descomposicin jerrquica obtenida por el anlisis de wavelet con uno y dos niveles, mostrado en
Tormenta de Boston 1.990 2^10 1.024
la Figura 7-21.
34
Esta decisin fue tomada por el autor del presente documento al observar la secuencia de imgenes
que se tienen de dicho evento ubicando el centro de la tormenta, aspecto importante para no alterar la
informacin analizar.
(a) (b)
Figura 7-21. Descomposicin jerrquica obtenida por el anlisis de Wavelet para la seal bidimensional de control
cartn de huevos. (a) Un primer nivel y (b) Segundo nivel
La Figura 7-21(a) corresponde al anlisis de la seal a un solo nivel. Est compuesta por cuatro
imgenes, donde la superior derecha corresponde coeficientes de detalle horizontal , por lo
tanto ve las frecuencias de la funcin seno vertical. La inferior derecha corresponde a los
coeficientes detalles diagonales, sin informacin y la imagen inferior izquierda corresponde los
coeficientes verticales, donde se ven las frecuencias de la funcin seno horizontales. Como se
puede observar en la parte superior izquierda se presenta la imagen generada por los coeficientes
de aproximacin, una vez ms queda evidencia de que , son el alma de la seal analizada
solo con ver su forma.
La Figura 7-21 (b) se presenta los resultados obtenido al hacer el anlisis para dos niveles de la
seal en estudio. Note que la diferencia entre las imgenes que componen la Figura 7-21 es el
cuadrante superior izquierdo que es subdividido en cuatro partes ms para la imagen 7-21(b). La
imagen generada por los coeficientes de aproximacin del primer nivel es subdividi, es aqu
donde podemos ver que el anlisis para los diferentes niveles que se desea hacer para una seal
toma como valor inicial imagen generada por los coeficientes de aproximacin del nivel anterior
(ver Figura 7-11).
7.2.2.2 Anlisis de la imagen de Lenna

A continuacin se presenta el anlisis mediante la Transformada Wavelet para la imagen de
Lenna con niveles y la funcin wavelet de (ver Figura 7-22).

Figura 7-22. Anlisis de Wavelet para la seal bidimensional de Lenna
La Figura 7-22 la conforman cuatro imgenes; la imagen superior izquierda es la imagen original,
al aplicar transformada wavelet discreta ( ) con la funcin wavelet y los niveles escogidos
se obtiene la descomposicin presentada en la parte inferior derecha, ntese de esta ltima
imagen como los coeficientes horizontales, verticales y diagonales pronuncias los bordes que se
encuentran definiendo la seal. La imagen inferior izquierda presenta la seal reconstruida, es
decir aplicando la transformada wavelet discreta e inversa. Tal imagen es menos ntida que la
seal original.
Otra manera de ver los resultado presentados en la Figura 7-22 se muestran en la Figura 7-23.

Figura 7-23. Descomposicin jerrquica obtenida por el anlisis de Wavelet para la imagen de Lenna
Donde en la Figura 7-23 y corresponde a las imgenes que se obtiene por cada uno de los
coeficientes de aproximaciones y detalles (horizontal, vertical y diagonal), es decir son los
resultados de cada nivel de anlisis. En la parte superior de la figura se tiene tres imgenes, las
cuales corresponde de izquierda a derecha a la imagen original, imagen sintetizada, es decir la
reconstruida, y la imagen que se genera con los coeficientes de aproximacin de nivel .
7.2.2.3 Anlisis de imgenes de Tormenta Capitalina
Despus de visualizar las capacidades de las wavelets en , se procede al anlisis de series de

imgenes con que se cuenta durante la ocurrencia de una tormenta, ms especficamente los
campos de precipitacin, donde se pretende describir espacio - temporal el comportamiento de la
tormenta.
Como se describi en el numeral 5.2.2.2, fue posible acceder en el marco de este estudio a
imgenes de lluvia cada minutos de una tormenta registrada el da de abril de desde
las hasta del de abril del mismo ao, de modo que se cuenta con
imgenes que describen dichos campos de precipitacin.
Para empezar hacer la caracterizacin de los campos de lluvia con transformada wavelet, como se
ha hecho anteriormente se inicia modificando el tamao de las imgenes, tal como se menciono
en el numeral 7.2.2.

Los campos de lluvia, representan como ocurri la tormenta a lo largo del tiempo en anlisis.
Dicho evento empieza con ambigua intensidad en la zona central de estudio y a su vez en la zona
inferior de estudio con menor intensidad que la anteriormente descrita. Despus se mantiene la
cantidad de lluvia por dos horas. Entre las horas y de la ocurrencia de la tormenta
aumenta su intensidad en el norte y en la zona central pero esta ltima con menor intensidad (ms
claro el color con respecto al descrito anteriormente). Las siguientes horas baja la intensidad de
precipitacin en la zona de estudio, tanto en el norte como el sur. En la hora del evento la
intensidad de la lluvia aumenta un poco en la zona del norte y la hora se presento un pico es
decir un valor alto de precipitacin en la zona central.
En la Figura 7-24 se presenta la forma del campo de precipitacin a las pm del da de

abril de .
Figura 7-24. Campo de Precipitacin a las 2:30 pm del da 12 de Abril de 1.995
Cada una de las imgenes fue analizada mediante la transformada wavelet de primer nivel con
una funcin de Daubechie de orden ( ). Donde a partir de este anlisis realizado, solo se

tomaron los valores de los coeficientes de aproximacin para cada imagen. Seguidamente, con
dichos coeficientes se hizo un proceso de desenrollado de la imagen, como se puede visualizar
en la Figura 7-25 (a), con el fin de obtener un nico vector que defina la imagen de anlisis
(ver Figura 7-25 (b)).
78 78
81
81
(a) (b)
Figura 7-25. Desenrollado de los coeficientes de aproximacin para su posterior organizacin tipo vector columna
En la Figura 7-26 se presenta el vector que contiene los coeficientes de aproximacin para cada
una de las imgenes analizadas. De esta manera la Figura 7-26 se constituye como una
representacin espacio-temporal de la distribucin de los valores de precipitacin, por cuanto los
colores de cada rectngulo de la imagen representan el valor del coeficiente de aproximacin, en
ltimas el alma de la imagen.
Agregando a lo anterior descrito, el corresponde a cada una de las imgenes

analizadas, lo cual se pueden relacionar con tiempo, y el son los coeficientes de
aproximacin. Note que el empieza de menor a mayor, donde pertenece al espacio
de la zona de estudio, obtenido a partir del proceso de desenrollado anteriormente descrito.

Figura 7-26. Variacin Espacio Temporal de los Coeficientes de Aproximacin de la Tormenta Capitalina
En relacin al observar la Figura 7-26, se puede evidenciar que cada fila que compone la imagen
corresponde a una serie de tiempo para un pixel de la imagen original, es decir en un espacio
constante. Cada fila est definida por la magnitud de diferentes colores que tiene el coeficiente de
aproximacin relacionada con la precipitacin a lo largo del tiempo. Los colores fros indican
valores de coeficientes de aproximacin bajo y colores clidos valores de coeficientes de
aproximacin alto.
Algunas de las series anteriormente descritas que componen la imagen se resaltan con una franja
amarilla en la Figura 7-27.

Figura 7-27. Variacin Espacio Temporal de los Coeficientes de Aproximacin de la Tormenta Capitalina con
diferentes series para un espacio constante
Las series resaltadas en la Figura

7-27 corresponde al espacio
y . Cada uno de estas series de
tiempo se puede observar en la Figura 7-28 su comportamiento.

Figura 7-28. Variacin temporal del coeficiente de aproximacin para diferentes series
En este contexto, tomar una franja ms ancha Figura 7-26 se relaciona con una zona
correspondiente a Bogot en la cual se podr estudiar el comportamiento de la precipitacin
como se puede ver en la Figura 7-29.

Figura 7-29. Variacin Espacio Temporal de los Coeficientes de Aproximacin de la Tormenta Capitalina
El comportamiento de dichos coeficientes para la zona presentada en la Figura 7-29 se muestra en

la Figura 7-30. Encontrar una envolvente que defina todas las series presentadas en a la Figura
7-30 permite estar definida por una sola funcin el cual se podra ser estudiar para contribuir a
modelos de pronstico.

Figura 7-30. Variacin temporal del coeficiente de aproximacin para una zona determina de Bogot

8. CONCLUSIONES Y RECOMENDACIONES
En el presente captulo se presentan las principales conclusiones a las cuales se llega luego de la
implementacin de las transformadas mostradas en el documento a las seales de anlisis.
No obstante, cabe mencionar que estas conclusiones son el resultado de una primera
aproximacin de la implementacin, las cuales podrn ser validadas o rectificadas una vez se
avance en este sentido, mediante investigaciones futuras.
8.1 Del problema central:

Se han provedo las herramientas necesarias para que ingenieros y profesionales de las ciencias
de la tierra, puedan analizar registros de precipitacin (series de lluvia y campos de precipitacin)
mediante la Transformada de Fourier y la Transformada Wavelet. Lo anterior con ayuda de un
documento con un lenguaje amigable que permite entender los conceptos requeridos y rutinas de
clculo para analizar la informacin.
8.2 Operacionales:
Al evaluar la memoria de series de tiempo mediante el Exponente de Hurts, se evidenci la
inestabilidad del mtodo al tratar de lidiar con paquetes de datos uniformes (con varianza cero),
porque se genera una divisin por cero.
Al analizar la seal controlada suma de cosenos mediante Fourier, se not que el nmero de
datos de la seal incidi en la localizacin de los cuatro principales componentes en el dominio
de las frecuencias. Lo anterior tiene que ver directamente con la definicin de frecuencia,
oscilaciones por unidad de tiempo, puesto que al cambiar la duracin del evento analizado el
cociente antes mencionado vara.
A lo largo del documento se analizaron seales de comportamiento conocido (suma de cosenos,

fotografa de Lenna, cartn de huevos), con el fin de verificar la comprensin de los conceptos
investigados y evaluar la calidad de las rutinas computacionales desarrolladas. Igualmente se
analiz informacin de tormentas histricas, una ocurrida en Boston y otra especialmente en la
ciudad de Bogot donde se pudo adelantar un anlisis preliminar espacio-temporal de la
precipitacin.
Al utilizar Transformada Wavelet para analizar las 37 imgenes de precipitacin de Bogot

(pelcula de lluvia), fue posible obtener una grfica (Figura 7-26) en la que se condensaron:
espacio, tiempo y los coeficientes de aproximacin de la seal. Tal grfica se constituye como
uno de los aportes especiales de este trabajo, contribuyendo de manera puntual a la comprensin
de la variacin espacio temporal de la precipitacin.

8.3 Del caso estudio:
Al analizar los registros de precipitacin diaria de la estacin pluviomtrica Camavieja de la
ciudad de Bogot (caso unidimensional), se evidenci un sesgo de los datos hacia valores bajos
debido a la existencia de gran cantidad de das sin lluvia. A si mismo desde la ptica de la
funcin de Autocorrelacin fue visible la baja memoria del proceso a escala diaria y desde el
punto de vista de Exponente Hurts se observ un comportamiento que tiende a ser puramente
aleatorio.
Gracias al anlisis de Fourier se identificaron las frecuencias ms importantes de la seal

registrada por la estacin Camavieja. Sin embargo se identificaron dos dificultades en dicho
anlisis: a) la imposibilidad de ubicar las frecuencias en el tiempo y b) la importancia del nivel de
agregacin (escala) al momento de visualizar las frecuencias. En el caso del campo de lluvia de
Bogot analizado, fue posible reconstruir una imagen de pixeles con solo armnicos
logrando una compresin de la imagen cercana al .
Con el anlisis de la Transformada de Fourier de tiempo Corto fue posible identificar aparte de la
frecuencia fundamental (media de los datos) algunas de las frecuencias importantes. Sin embargo
se evidenci dificultad para escoger una nica ventana con la que se pudiesen ubicar en el tiempo
las frecuencias.
En el Escalograma generado mediante anlisis Wavelet para la seal registrada por la estacin
Cama Vieja fue posible: a) Identificar los componentes principales de la seal en el tiempo para
diferentes escalas temporales y b) Reconstruir la seal con diferentes porcentajes de componentes
de detalles, pudindose observar la alta eficiencia de los Wavelet para comprimir informacin sin
prdida apreciable de calidad.
La Figura 7-26 que condensa: espacio, tiempo y los coeficientes de aproximacin de la seal,
permiti identificar de primera vista para el caso de la tormenta capitalina, la ubicacin espacio
temporal de los mayores componentes de precipitacin.
8.4 Usuarios finales de la investigacin:

Para entidades como Instituto de Hidrologa, Meteorologa y Estudios Ambientales (IDEAM), la
Empresa de Acueducto y Alcantarillado de Bogot (EAAB), la Corporacin Autnoma Regional
(CAR), etc. sera importante contar con rutinas de clculo diseadas especficamente para
analizar series de tiempo a distintas escalas temporales, as como con rutinas de compresin de
informacin que faciliten su manipulacin.
Se recalca que los anlisis realizados a lluvias de la sabana se limitaron al registro de una estacin
pluviomtrica y a una tormenta histrica, por lo tanto para tener resultados ms concluyentes se
recomienda replicar los anlisis realizados para mucha ms informacin.
En el evento en que en cualquier regin de Colombia se llegue a contar con imgenes de

precipitacin a intervalos de tiempo regulares, tales como las que se pueden obtener con un radar

meteorolgico o satlite, ser necesario contar con rutinas compresin y de anlisis de imgenes
dentro de las que se destacan las sealadas en el presente documento.

9. BIBLIOGRAFA
ARBELEZ, C.; BACCHI, B.; RANZI, R.; ARANGO, H. Aplicacin de la Tcnica Wavelet a
un campo de precipitacin. Identificacin de Autosemejanza. Avances en Recursos Hidrulicos.
2000, nm. 07, pp. 52-61.
ANDREO, B.; JIMNEZ, P.; DURN, J.; CARRASCO, F.; VADILLO, I.; MANGIN, A.
Climatic and hydrological variations during the last 117 166 years in the south of the Iberian
Peninsula, from spectral and correlation analyses and continuous wavelet analyses. Journal of
Hydrology. 2006, vol. 324, pp. 24-39.
BARBA, L.; VARGAS, L.; TORRES, C.; MATTOS, L. Anlisis de imgenes mamografas a
travs de Tcnicas de mejoramiento de contraste y Transformada Wavelet. III Congreso
Colombiano de Computacin. Medelln, 2008.
BARRETO, S.; y LEMES, M. Anlisis de sonidos, representacin y compresin de imgenes.

Universidad Distrital Francisco Jos de Caldas. Carrera de matemticas. Octubre 2006.
BASTO, J.; y PLATA, A. Determinacin de descriptores para la caracterizacin de imgenes de

mltiples galaxias utilizando wavelet. Universidad Industrial de Santander. Facultad de
Ingenieras Fsico Mecnico. Bucaramanga 2008.
BAZERIANOS, A.; POPESCU, M; LASKARIS, N.; MANOLIS, A.; HILADAKIS, J.;

STATHOPOULOS, C.; y CRISTEA, P. Selective Noise Filtering of Hihg Resoution ECG
through Wavelet Transform. IEEE Computers in Cardiology. 1996, pp. 637- 640.
BENJAMIN, J.; y ALLIN, C. Probabilidad y Estadstica en Ingeniera Civil. Mc GRAW HILL.

1.981
BERNAL, Q. F.; OBREGN, N. N. Desarrollo de Modelos Conceptuales y Computacionales

para simular estocsticamente la dinmica Espacio Temporal de la Precipitacin de Bogot.
Universidad Nacional de Colombia. 2007.
C, SIDNEY.; RAMES, A.; GOPINATH.; and HAITAO, G. introduction to Wavelets and

Wavelet Transforms. Prentice Hall. 1998.
CABRERA, J.; RUEDA, M., RAMOS, G. Aplicacin de la Transformada de Wavelet y Redes

neuronales en el anlisis de seales mixtas en sistemas de potencia. Universidad de los Andes.
Facultad de Ingeniera. Departamento de Ingeniera Elctrica y Electrnica. Bogot, 2004.
CABRERA, M.; PREZ, A.; DATTELLIS, C.; y SERRANO, E. Anlisis de seales

Biomdicas mediante Transformada Wavelet. Universidad Nacional de San Martin. 2005.
CANAVOS C. Probabilidad y Estadstica Aplicaciones y mtodos. Editorial: Mc Graw-Hill.

1999.
CARR, J. Numerical Analysis for Geological Sciences. Prentice Hall. 1995.
COVA, W.; CAVALLERO, R. Sobre Wavelet e Imgenes. Universidad Tecnolgica Nacional.

Facultad Regional Crdoba. Universidad Tecnolgica Nacional. Agosto 2006.
DANA, M.; DAUBECHIES, I.; KLEPPNER, D.; MALLAT, S.; MEYER, Y.; RUSKAI B.; y
WEISS, G. Wavelets: ver el bosque y los arboles. Para Beyond Discovery. National Academy
of Sciences. 2001
DOMINGUEZ, M.; MENDES J.; MENDES, A. On wavelet techiques in atmospheric sciences.

Advances in Space Research. 2005, nm. 35, pp. 831-842.
DAUBECHIES, I. Orthonormal bases of compactly supported wavelets, Communications on

Pure and Applied Mathematics. 1988, vol. XLI, pp. 909-996.
DAUBECHIES, I.; GROSSMANN, A.; y MEYER, Y. Painless non-orthogonal expansions. J.

Math. Phys., 1986, pp. 1271 1283.
DAUBECHIES, I. Ten lectures on wavelets, SIAM, 1992.
DANZ, J. Diagnosis de modos de fallo en mquinas rotativas mediante tcnicas basadas en redes
neuronales artificiales y en la Transformada con Ondculas. Escuela Tcnica Superior de
Ingenieros Industriales de la Universidad Nacional de Educacin a Distancia. 2007.
ESTUPIAN, J.; FLREZ, C.; OBREGN, N. Manual conceptual y aplicativo de la

transformada wavelet para ingenieros. Pontificia Universidad Javeriana. 2004.
FARAS, G.; SANTOS, M.; MARRN, J.; DORMIDO, S. Determinacin de parmetros de la

Transformada Wavelet para la clasificacin de seales del diagnostico Scattering Thomson. XXV
Jornadas de Automtica. Ciudad Real, del 8 al 10 de septiembre de 2004.
FRAZIER, Michael W., An Introduction to Wavelets to Linear Algebra, Springer-Verlag, New

York, USA, 1999.
FREUND, J; y SIMON, A. estadstica elemental. Prentice Hall Hispanoamrica S.A. Octava
Edicin. 1994
GABEL, R.; ROBERTS, R. Seales y Sistemas Lineales. Departamento de Ingeniera,

Universidad de Colorado, Editorial Limusa, Primera Edicin, Mxico. 1995.
GOMES, J, y VELHO, L. From Fourier analysis to Wavelets. Instituto de matemtica pura e

Aplicada (IMPA). Rio de Janeiro, Brazil. 1999.
H, LINAS.; y C, ALVAREZ. Estadstica descriptiva y distribuciones de probabilidad. Primera

edicin, 1 reimp. Barranquilla: ediciones Uninorte, 2006.
HOYOS, C.; MESA, O. Algunas aplicaciones de la transformada de Fourier y la descomposicin

de onditas a seales Hidrolgicas y Ssmicas. Universidad Nacional de Colombia. 1999,
Medelln.
IRARRZAVAL, P. Anlisis de Seales. Mc Graw-Hill / Interamericada de Chile. 1999.
IVANISSEVICH, L. Gua Objetos Fractales y Algoritmos Evolutivos. Maestra en Matemtica

Aplicada Universidad Nacional Piura. 2003.

ISTEPANIAN, R.; y PETROSIAN, A. Optimal Zonal Wavelet Based ECG Data Compression
for a Mobile Telecardiology System. IEEE Transactions on Information Technology in
Biomedicine, vol. 4, num. 3, Septiembre 2000.
KESTLER, HA.; HASCHKA, M; KRATZ, W.; SCHWENJER, F.; PALM, G.; HOMBACH, V.;
y HHER, M. De noising of High resolution ECG Signals by Combining the Discrete
Wavelet Transform with the Wiener Filter. IEEE. 1998, vol. 25, pp. 233-236.
KOTTEGODA, N; y ROSSO R. Statistics, Probability, and Reliability for Civil and

Environmental Engineers. Mc Graw Hill International Editions. 1997.
KUMAR, P.; FOUFOULA, G. E. Wavelet Analysis for Geophysical Applications. Reviews of

Geophysics. November 1997, nm. 35-4, pp. 385-412.
KK, M.; TIGLI, E., AIRALLU, N. Wavelet Transform Analysis for Nonstationary
Rainfall Runoff - Temperature Processes. Istanbul Technical University.
NAKAMURA, S. Anlisis numrica y visualizacin grfica con MATLAB. Prentice Hall

Hispanoamrica, S.A. 1997.
LABAT, D. recent advances in wavelet analyses: Part 1. A review of concepts. Journal of

Hydrology. Abril 2005, num. 314, pp. 275-288.
LABAT, D.; RONCHAIL, J.; y LOUP, J. Recent advances in wavelet analyses: Part 2 Amazon,
Parana, Orinoco and Congo discharges time scale variability. Journal of Hydrology. Abril 2005,
num 314, pp. 289-311.
LLANOS, D.; y CARDEOSO, P. Filtrado de seales de voz a travs de wavelet shrinkage.

Departamento de Ingeniera Telemtica, Universidad de Valladolid de Las Palmas de Gran
Canaria. Julio 1998, pp. 373 382.
MALLAT, S. Multifrecuency channel decomposition of images and wavelet models. IEEE

Transactions on Acoustics, Speech and Signal Processing. 1989, vol. 37, num. 12, pp. 2091-
2110.
MALLAT, S. Multiresolution approximation and wavelets. Trans. Amer. Math. Soc.1989. Vol.
315, pp. 69-88.
MALLAT, S. A Wavelet Tour of signal processing. Second Edition. Academic Press. 1998.
MALLAT, S.; Y ZHONG, S. Characterization of signals from multiscale edges. IEEE

Transactions on Pattern Analysis and Machine Intelligence,1992, 14(7), pp. 710 - 732.
MASSEI, N.; DUPONT, J.; MAHLER, B.; LAIGNEL, B.; FOURNIER, M.; VALDES D.;
OGIER, S. Investigating transport properties and turbidity dynamics of a karst aquifer using
correlation, spectral, and wavelet analyses. Journal of Hydrology. 2006, volume 329, Issues 1-2,
pp. 244-257.
MEYER, Y. Wavelets: Algorithms and Applications. SIAM, Philadelphia. 1993.

MONTEJO, L.; y SUAREZ, L. aplicaciones de la Transformada Ondculas (Wavelet) en
Ingeniera Estructural. Asociacin Argentina de Mecnica Computacional. Vol. XXVI, pp. 2742-
2753. Octubre 2007.
MORLET J.; ARENS G.; FORGEAU E.; y GIARD D. Wave Propagation and Sampling Theory
Part 1: Complex signal and scattering in multilayered media, Geophysics, 47(2) , pp. 203-221,
1982.
MORLET J.; ARENS, G.; FORGEAU, E.; y GIARD, D. Wave Propagation and Sampling
Theory Part 2: sampling theory and complex waves, Geophysics, 47(2), pp. 222-236, 1982.
MORLET, J.; y GROSSMANN, A. Decompotition of hardy functions into square integrable

wavelets of constant shape, SIAM J. Math. Anal., 15(4), pp. 723-736, 1984.
MISITI, M.; MISITI, Y.; OPPENHEIM, G.; y POGGI, J. Wavelet Toolbox 4, Users Guide.
MATLAB. The MathWorks. 1997.
MONZN, J.; y AGRETTI, H. Anlisis Espectral del Electrocardiograma. Departamento de

Ingeniera Elctrica Facultad de Ciencias Exactas y Naturales y Agrimensura UNNE. 1994.
NOORI, R.; ALI, M.; FAROKHNIA, A.; y ABBASI, M. Results uncertainty of solid waste
generation forecasting by hybrid of wavelet transform ANFIS and wavelet transform neural
network. Expert Systems with Applications. 2009, nm. 36, pp. 9991-9999.
NOURANI, V.; ALAMI, M.; AMINFAR, M. Acombined neural wavelet model for prediction
of Ligvanchai watershed precipitation. Engineering Applications of Artificial Intelligence. Vol.
22, 2009, pp. 466-472.
PARTAL, T.; ZGR, K. Wavelet and neuro fuzzy conjunction model for precipitation
forcasting. Journal of Hydrology. 2007, 342, pp. 199-212.
PEREZ, A.; LA MURA, G.; PIOTRKOWSKI, R.; y SERRANO, E. Procesamiento no lineal con
Wavelet para la eliminacin del ruido en Imgenes Planares de Medicina Nuclear. Bioingeniera
y Fisica Medica Cubana. 2002. Vol. 3, nm. 2.
SERRANO, E.; FIGLIOLA, M.; D`ATTELLIS, C. Aproximacin a la Transformada wavelet

continua mediante funciones spline de soporte compacto. Mecanica Computacional. 2007, vol
XXVI, pp. 3788-3798
POLIKAR, R. The Wavelet Tutorial. Dept. of Electrical and Computer Engineering. Rowan
University. 1995
PRAVEEN, K.; FOUFOLA, E. A New Look at Rainfall and Scaling Properties of Spatial
Rainfall Usin Orthogonal Wavelet. University of Minnesota. Journal of Applied Meteorology.
1992, vol. , pp. 209-222.
POVEDA, G. La Hidroclimatologa de Colombia varias escalas de Tiempo. Posgrados en

Recursos Hidrulicos. Universidad Nacional de Colombia. 2007.

POVEDA, G. La hidroclimatologa de Colombia. Una sntesis desde la escala inter - decadal
hasta la escala diurna. Revista Acad. Colomb. Cienc. 28 (107), pp. 201-222. 2004.
QUIROGA, J. Anlisis de Fourier. Primera Edicin. Bogot, Colombia. 2007.
SEPLVEDA, F; y CATELLANOS G. Determinacin de voces disfonas usando bases Wavelet

Discriminantes. Scientia et Techinica. 2004, pp. 167-172.
ROMAN, E. Programa en Matlab para el clculo del exponente de Hurts y dimensin Fractal de
Series de Tiempo. Centro de Geociencias, UNAM. 2001.
STRANG, G.; TRUONG, N. Wavelet and Filter Banks. Wellesley Cambridge Press. 1996.
TORRENCE. C.; y COMPO, G. A Practical Guide to Wavelet Analysis. Bulletin of the

American Meteorological Society. Enero 1998, vol. 79, nm. 1, pp. 61-78.
TURBELIN, G.; NGAE, P.; y GRIGNON, M. Wavelet cross correlation analysis of wind speed
series generated by ANN based models. Renewable Energy. 2009, vol. 34, pp. 1024 1032.
VARGAS, L. A.; CRDENAS C. E.; SANTOS R. A.; OBREGN N. N. Consideraciones en la

estimacin de los campos de precipitacin en la ciudad de Bogot. Pontificia Universidad
Javeriana. 2009.
VILLA, J.; MARA, J. L a Transformada Wavelet y su aplicacin en Ingeniera Biomdica.

Programa de Ingeniera Biomdica. EIA CES. 2000.
WACKERLY, D.; MENDENHALL, W.; Y SCHEAFFER, R. Estadstica matemtica con

aplicaciones. Sexta edicin. 2001. Thomsom.
WILLIAMS, J.; AMARATUNGA, K. Introduction to wavelets in Engineering. International

Journal for Numerical in Engineering. 1994, vol. 31, pp. 2365-2388.
YARLEQU, C.; POSADAS, D.; y QUIROZ, R. Reconstruccin de lluvia en series de tiempo,

en el Altiplano peruano mediante Transformadas de Wavelet con dos niveles de descomposicin.
Centro Internacional de la Papa. Lima. 2001.
ZILL, D. Ecuaciones Diferenciales con Aplicacin de modelado. Editorial Internacional

Thomson. Sexta Edicin. 1997.

10. ANEXOS

1 ANEXO. FUNCIONES ORTOGONALES Y
ORTONORMALES35
Dentro de los conceptos de matemticas avanzadas partimos de que: Una funcin es una
generalizacin de un vector. En el presente anexo se ver cmo los dos conceptos de Producto
Interno (punto) y Ortogonalidad de vectores se puede extender funciones. Sean y , dos
vectores en un espacio tridimensional. El producto interno de los vectores, , posee
las siguientes propiedades:
(i).
(ii).
(iii).
(iv).
Sean y dos funciones dos funciones para las cuales la integral de su periodo en el
intervalo cumple las propiedades ,
Ecuacin 1-1
Tal integral es llamada Producto Interno de dos funciones. Si dicho producto interno es igual a
cero se dice que las funciones y son Ortogonales en el intervalo
Ecuacin 1-2
Sin embargo diferencia del anlisis vectorial, donde la palabra ortogonal es sinnimo de
perpendicular, en el presente contexto el trmino ortogonal representado por la Ecuacin 1-2 no
tiene significado geomtrico.
Ejemplo 1:
Determine las funciones y son ortogonales en el intervalo .
35
ZILL, D. Cullen, M. Ecuaciones Diferenciales con problemas de Modelado.
Norma de una funcin: Recordando que la norma de una vector est dado por la expresin:
Ecuacin 1-3
Se puede extender dicho planteamiento para calcular la norma de una funcin en el

intervalo , de modo que:
Ecuacin 1-4
1.1 Conjuntos ortogonales

Un conjunto de funciones del valor real es ortogonal en el
intervalo :
Ecuacin 1-5
Y la norma de cada funcin estar dada por:
Ecuacin 1-6
Al dividir cada una de las funciones del anterior conjunto ortogonal, entre su respectiva norma, se
obtienen un nuevo conjunto ortogonal llamada Conjunto Ortonormal, caracterizado por:
Sus funciones son Ortogonales:
Dado que y son ortogoanles.

La norma de cada una de las funciones de la Ecuacin 1-8 es igual a .
Ecuacin 1-7
Ejemplo 2:
Demuestre que el conjunto es ortogonal

en el intervalo y hllese el conjunto ortogonal correspondiente.
Sea y , aplicando la definicin del producto punto de

funciones (ver Ecuacin 1-1) en el intervalo definido se tiene:
Recurdese que:
Ecuacin 1-8
Luego:

Sea y
Recurdese que:
Ecuacin 1-9
Entonces
Sea y
Recurdese que:
Ecuacin 1-10

Sea y
Recurdese que:
Ecuacin 1-11
Sea y
Recurdese que:
Ecuacin 1-12

De modo que el conjunto analizado es ortogonal en el intervalo :

El conjunto ortonormal correspondiente en el intervalo :
1.2 Series ortogonales36
Definicin: Sea un conjunto ortogonal en el intervalo . Una serie

ortogonal en el intervalo es una expresin de la forma:
Ecuacin 1-13
En donde , representa en n-esimo coeficiente de la Serie de Fourier.
Con series ortogonales se puede formular la siguiente pregunta: Cul es el valor de cada uno de
los coeficientes que contiene la serie ortogonal, si mediante dicha serie se busca representar un
funcin ?
Suponga que la funcin se puede expresar mediante una serie ortogonal de la siguiente
forma:
Ecuacin 1-14
36
Notas de Clase de Ana Mara Moros Vivas, de la asignatura Calculo V de Pregrado de Ingeniera Civil.
Multiplicando cada uno de los trminos de la Ecuacin 1-14 por e integrando en el
intervalo se obtiene:
Ecuacin 1-15
Puesto que el conjunto es ortogonal en el intervalo , cuando

se obtiene:
Ecuacin 1-16
Luego la Ecuacin 1-15 se transforma en:
Ecuacin 1-17
De esta forma cada uno de los coeficientes de la Serie de Fourier presentados en la Ecuacin
1-17, se puede expresar de la siguiente forma:
Ecuacin 1-18
Suponga que es una funcin definida en el intervalo y que puede ser representada mediante
una serie ortogonal, formada por las funciones trigonomtricas del conjunto ortogonal del Ejemplo 2. Es
decir:
Ecuacin 1-19
Aplicando el procedimiento mostrado al inicio del presente numeral, para hallar los coeficientes
se obtiene:

Como y son ortogonales a 1, cuando , la anterior expresin se reduce a:
De modo que:
Ecuacin 1-20
Multiplicando la Ecuacin 1-19 por e integrando en el intervalo se llega a:
Ecuacin 1-21
En el ejemplo 2 se demostr que por ortogonalidad:
Cuando

De modo que:
Que es lo mismo que:
Ecuacin 1-22
Por ltimo multiplicando la Ecuacin 1-19 por e integrando en el intervalo se

obtiene:
En el ejemplo 2 se demostr que por Ortogonalidad se llega a:
=0
De modo que:

Que es lo mismo que:
Ecuacin 1-23
Resumiendo:
La serie de Fourier mediante la cual se puede representar una funcin definida en el

intervalo es:
Ecuacin 1-24
En donde:
Ecuacin 1-25
Ecuacin 1-26
Ecuacin 1-27
Ejemplo 3:
Representar la funcin:
Mediante una serie de Fourier.

Figura 1-1. Representacin de la funcin del Ejemplo 3
Solucin:
Segn las Ecuacin 1-19, Ecuacin 1-20, Ecuacin 1-22 y Ecuacin 1-23, como la funcin
se desarrolla entre , debe ser igual a pi de modo que:
Clculo de
Clculo de

Haciendo
Clculo de

De modo que en trminos de una serie de Fourier es:
Ecuacin 1-28
Graficando la Ecuacin 1-28, mediante la Serie de Fourier desarrollada:
2.5 3
2 2.5
1.5 2
1 1.5
f(x)
f(x)
0.5 1
0 0.5
-3.5 -2.5 -1.5 -0.5 0.5 1.5 2.5 3.5
-0.5 0
-3.5 -2.5 -1.5 -0.5 0.5 1.5 2.5 3.5
-1 -0.5
x x
a) b)
3 3.5
3
2.5
2.5
2
2
1.5
f(x)
f(x)
1.5
1
1
0.5
0.5
0
0
-3.5 -2.5 -1.5 -0.5 0.5 1.5 2.5 3.5
-3.5 -2.5 -1.5 -0.5 0.5 1.5 2.5 3.5
-0.5 -0.5
x x
c) d)

3.5 3.5
3 3
2.5 2.5
2 2
f(x)
f(x)
1.5 1.5
1 1
0.5 0.5
0 0
-3.5 -2.5 -1.5 -0.5 0.5 1.5 2.5 3.5 -3.5 -2.5 -1.5 -0.5 0.5 1.5 2.5 3.5
-0.5 -0.5
x x
e) f)
4 4
3.5 3.5
3 3
2.5 2.5
2 2
f(x)
f(x)
1.5 1.5
1 1
0.5 0.5
0 0
-3.5 -2.5 -1.5 -0.5 0.5 1.5 2.5 3.5 -3.5 -2.5 -1.5 -0.5 0.5 1.5 2.5 3.5
-0.5 -0.5
x x
g) h)
Figura 1-2. Representacin de la funcin del ejemplo 3 mediante una serie de Fourier. Funcin desarrollada a partir
de una sumatoria con: a) Un trmino, b) dos trminos, c) tres trminos, d) cinco trminos,
e) diez trminos, f) 20 trminos, g) cincuenta trminos y h) 100 trminos.37
37
Fenmeno de Gibbs:
Cuando una funcin dada se aproxima mediante una suma parcial de la serie Fourier, habr un error
considerable en la velocidad de una discontinuidad, no importa cuntos trminos se quieren utilizar.

1.3 Series de Fourier para funciones pares e impares38
Cuando la funcin que se intenta representar mediante series de Fourier en el intervalo es

par o impar, se puede reducir significativamente el nmero de operaciones para calcular los
coeficientes .
Si la funcin es par en el intervalo , los coeficientes presentados en las

ecuaciones Ecuacin 1-20, Ecuacin 1-22 y Ecuacin 1-23 toman la forma:
De modo que los coeficientes de la serie de Fourier que representan la funcin en el

intervalo toman la forma:
Cuando es una funcin par Ecuacin 1-29
35
Propiedades de las funciones pares e impares:

a. El producto de dos funciones pares es par.
b. El producto de dos funciones impares es par.
c. El producto de una funcin impar y una funcin par es impar.
d. La suma o diferencia de dos funciones pares es par.
e. La suma o diferencia de dos funciones pares es par
f. Si f es par,
g. Si f es par,
Cuando es una funcin par Ecuacin 1-30
Ejemplo 4:
Desarrolle:
Como una serie de Fourier teniendo en cuenta las definiciones de funcin par e impar.
Solucin:
Como es una funcin impar en el intervalo dicha funcin se puede expresar

mediante la Ecuacin 1-31:
Ecuacin 1-31
Como:
Se transforma para el ejemplo:
Para , se tiene:

Como
De modo que:
Ecuacin 1-32
Graficando la funcin Ecuacin 1-32, mediante la Serie de Fourier desarrollada:
1.5 2.5
1
1.5
1
0.5
0.5
f(x)
f(x)
0 0
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5
-0.5
-0.5
-1
-1.5
-1
-2
-1.5 -2.5
x x
a) b)

3 3
2 2
1 1
f(x)
f(x)
0 0
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5
-1 -1
-2 -2
-3 -3
x x
c) d)
Figura 1-3. Representacin de la funcin del ejemplo 4 mediante una serie de Fourier. Funcin desarrollada a partir
de una sumatoria con: a) Un trmino, b) cinco trminos, c) cincuenta trminos y d) cien trminos.

2 ANEXO. RUTINAS DE CLCULO SOPORTADAS POR
MATLAB
2.1 Anlisis Exploratorio

%Titulo:
%Caracterizacin de seales de precipitacin mediante la Transformada de Fourier y Transformada
%Wavelet
% Desarrollado por:
% Jorge Alberto Valero Fandio
% Ana Mara Moros Vivas
% Fecha de creacin: Domingo, 05 de Julio de 2009.

% ***********************************************************************************
% Declaracin de variables
clear
h=0;
hoja_trabajo=1; % Valor quemado por cdigo
col_analizada=1; % Valor quemado por cdigo
num_armonicos=500; % Valor quemado por cdigo
paso=10; % Valor quemado por cdigo
% ***********************************************************************************
% Cargue de los datos desde Excel
datos = xlsread('libro_1.xlsx',hoja_trabajo);
[num_fil,num_col]=size(datos);
num_fil_vec=num_fil;
vector_datos=datos(1:num_fil_vec,col_analizada);
% ***********************************************************************************
% Clculo de parmetros estadsticos
% Clculo de mnimos
min=min(vector_datos)
%Clculo de la moda de la muestra

Moda=mode(vector_datos)
%Clculo de la mediana de la muestra

Mediana=median(vector_datos)
% Clculo de la media de los datos

media=mean(vector_datos)
% Clculo de la desviacion estandar de la muestra

desvest=std(vector_datos)
% Clculo del coeficiente de asimetra de la muestra

vector_medias=media*ones(num_fil_vec,1);
c_asim=sum((vector_datos-vector_medias).^3)/(num_fil_vec*desvest^3)
% Clculo del coeficiente de Apuntamiento de la muestra

c_apunt=sum((vector_datos-vector_medias).^4)/(num_fil_vec*desvest^4)
%Clculo de mximo
max=max(vector_datos)
% Grafica de los datos originales

h=h+1; h=figure;
subplot(1,3,1),plot(vector_datos);
title('Serie de Tiempo');
xlabel('Tiempo (min)');
ylabel('Precipitacin (mm)');
% ***********************************************************************************
% Grafica del Histograma
marcas_clase=roundn(1+3.3*log10(num_fil_vec),0); %Numero de Marcas de %Clase

(sturges)
delta=(max-min)/marcas_clase;
area_total=delta*(num_fil_vec);
[frecuencia, clase]=hist(vector_datos,marcas_clase);
subplot(1,3,2),barh(clase, frecuencia/area_total,'w');
title('Histograma de Frecuencia')
xlabel('Probabilidad')
ylabel('Clase')
2.2 Clculo del exponente de Hurst

%Titulo:
%Wavelet
% Desarrollado por:
% Fecha de creacin: Sbado, 17 de Octubre de 2009.

% ***********************************************************************************
clc

clear
clear all
close all

s = xlsread('libro_1.xlsx',hoja_trabajo);
N = length(s);
for i = 1:16;
% "i" Representa el numero del punto de la regresin a generar
% Tamao de la serie de datos que se est tomando

% "2*i" representa la cantidad de grupos que se quieren generar
m = floor(N/(2*i));
% Clculo del rango Reescalado y desviacin para cada grupo
for j=1:2*i;
r = s(1+(j-1)*m:j*m);
M = mean(r);
x = (r-M);
V = cumsum(x);
R(j) = max(V)-min(V);
S(j) = std(r);
end
tau(i) = m;
cociente=R./S;
RS(i) = mean(cociente);
end
%Grafica de la serie original

f1=figure;
T = 1:N;
plot(T,s,'r')
xlabel('Tiempo','FontSize',12)
ylabel('Precipitacion','FontSize',12)
% Grafica de los puntos

f2=figure;
plot(log10(tau),log10(RS),'+')
xlabel('log(\tau)','FontSize',12)
ylabel('log(R/S)','FontSize',12)
hold on
%Grafica de la recta ajustada

q = polyfit(log10(tau),log10(RS),1);
r1=corrcoef(log10(tau),log10(RS));
R1=r1(2,1);
text(0.5,1.6,['R= ' num2str(R1)])
t = 0:0.01:6;
y = q(1)*t+(q(2));
plot(t,y,'r','LineWidth',2)
text(2.0,3.5,['y = ' num2str(q(1)),' * x + ' num2str(q(2))],'FontSize',12)
hold off
2.3 Clculo de la Transformada de Fourier discreta de seales

unidimensionales mediante operaciones matriciales
%Titulo:
%Wavelet
% Desarrollado por:
% Fecha de creacin: Jueves, 05 de noviembre de 2009.

% ***********************************************************************************
tic % Indicador del tiempo de ejecucin del programa

clc
clear
num_armonicos=5; % Valor quemado por cdigo
% ***********************************************************************************
hoja_trabajo=1;

Ak = xlsread('libro_1.xlsx',hoja_trabajo);
[N,num_col]=size(Ak);
% ***********************************************************************************
% Creacin de variables
% Creacin del vector "nn" y de la constante "alpha"

nn=[0:1:N-1];
alpha=2*pi/N;
% Creacin del vector nn_alpha

nn_alpha=alpha*nn;
% Calculo del Angulo, asi como de su coseno y seno

angulo=nn'*nn_alpha;
cos_angulo=cos(angulo);
sin_angulo=sin(angulo);
% Creacin de la matriz con columnas iguales a "Ak"

auxiliar=ones(1,N);
matriz_Ak=Ak*auxiliar;
% Producto datos y matries coseno y seno

Ak_cos=matriz_Ak.*cos_angulo;
Ak_sin=matriz_Ak.*sin_angulo;
% Creacin de la vector de valores acumulados

FA_real=sum(Ak_cos)/N;
FA_imag=-sum(Ak_sin)/N;
FA2=((FA_real.^2)+(FA_imag.^2))'
% Presentacin de:
% Columna 1: Nmero de Armnico
% Columna 2: Potencia del numero de armnicos especificados "num_armonicos"
armonicos=[1:1:num_armonicos]';
potencia=FA2(1:num_armonicos);
armonicos_potencia=cat(2,armonicos,potencia)
pot_min=min(FA2)
pot_max=max(FA2)
% Grafica del Periodograma

hold on;
axis([0 400 0 0.02])
plot(FA2,'-r','LineWidth',1);
title ('PERIODOGRAMA')
xlabel('Frecuencia (n)');
ylabel('Potencia (FA2)');
toc
2.4 Clculo anlisis de seales bidimensionales con Transformada de Fourier

en tiempo discreto mediante operaciones matriciales
%Titulo:
%Wavelet
% Desarrollado por:
% Ing. Msc. Jorge Alberto Valero Fandio
% Ing. Ana Mara Moros Vivas
% Fecha: Domingo, 18 de Abril de 2010.

% ***********************************************************************************
tic
clear
clc

% Valor quemado por cdigo
hoja_trabajo=1;
num_armonicos=50;

Axy = xlsread('imagen_datos.xls_1',hoja_trabajo);
%Axy = dlmread('imagen_datos.txt');
[M,N]=size(Axy);
% ***********************************************************************************
% Clculo de la transformada directa de Fourier en 2D
% Corre la rutina tfdd "Transformada de Fourier Discreta Directa"
[FA_real,FA_imag,FA2] = tfdd(M,N,Axy);
% ***********************************************************************************
% Reconstruccin de la seal original
% Clculo de la transformada inversa de Fourier en 2D
c=0;
id=[1:1:M*N]'; % Vector de IDs
% Convierte la matriz de potencias, en un vector columna de potencias

% llamado "b"
for i=1:M
for j=1:N
c=c+1;
b(c,1)=FA2(i,j);
end
end
% Se concatenan: Vector de IDs y el vector de FA2

m_conc=[id,b];
% Se ordena la matriz ascendentemente por potencias (columna 2)

m_ordenada = sortrows(m_conc, 2);
% Creacin de un vector de interruptores

interruptores1=zeros(M*N-num_armonicos,1);
interruptores2=ones(num_armonicos,1);
interruptores=[interruptores1;interruptores2];
% Concatenacin de matrices
m_conc2 =[m_ordenada,interruptores];
% Ordena la matriz ascendentemente por Id

m_ordenada2=sortrows(m_conc2, 1);
% Creacin de la matriz de interruptores

c=0;
for i=1:M
for j=1:N
c=c+1;
f=1+fix((c-1)/N);
g=c-(f-1)*N;
m_interruptores(f,g)=m_ordenada2(c,3);
end
end
% Potencias con las que se reconstruir la imagen

FA_real_recons=m_interruptores.*FA_real;
FA_imag_recons=m_interruptores.*FA_imag;
% Corre la rutina tfdd "Transformado de Fourier Discreta Inversa"

% y calcula los valores reconstruidos
[Axy_reconst] = tfdi(M,N,FA_real_recons,FA_imag_recons);
% Espectro de potencia reconstruido

FA2_reconst=FA_real_recons.^2+FA_imag_recons.^2;
% Primera reordenacin de columnas

col_fin=Axy_reconst(:,1);
Axy_reconst(:,1)=[];
Axy_reconst1=[Axy_reconst,col_fin];
% Primera reordenacion de filas

fil_fin=Axy_reconst1(1,:);
Axy_reconst1(1,:)=[];
Axy_reconst2=[Axy_reconst1;fil_fin];
% Segunda reordenacin de filas

Axy_reconst3=flipud(Axy_reconst2);
% Segunda reordenacin de columnas

Axy_reconst4=fliplr(Axy_reconst3);
figure
subplot(1,1,1),surf(Axy(1:M,1:N),'DisplayName','Axy(1:1257,1:50)');
figure(gcf)
colormap(jet(128))
title('COMBINACIN DE SENOS HORIZONTALES Y VERTICALES')
xlabel('X')
ylabel('Y')
zlabel('AMPLITUD')
%Creacin de imgenes para el anlisis

figure
subplot(2,2,1),imagesc(Axy(1:M,1:N))
colorbar % Comando para presentar en las imgenes la paleta de
% colores de la escala
colormap(jet(128))
title('IMAGEN ORIGINAL')
xlabel('X')
ylabel('Y')
subplot(2,2,2),imagesc(Axy_reconst4(1:M,1:N));
colorbar
colormap(jet(128))
title('IMAGEN RECONSTRUIDA ')
xlabel('X')
ylabel('Y')
subplot(2,2,3),surf(FA2(1:M,1:N))
colormap(jet(128))
title('ESPECTRO DE POTENCIA DE LA IMAGEN ORIGINAL')
xlabel('U')
ylabel('V')
zlabel('Potencia (FA^2)')
subplot(2,2,4),surf(FA2_reconst(1:M,1:N))
colormap(jet(128))
title('ESPECTRO DE POTENCIA DE LA IMAGEN RECONSTRUIDA')
xlabel('U')
ylabel('V')
zlabel('Potencia (FA^2)')
toc
2.4.1 Clculo tfdd: "Transformada de Fourier Discreta Directa"

function [FA_real,FA_imag,FA2] = tfdd(M,N,Axy)
% Corre la rutina la "Transformada de Fourier Discreta Directa"

for v=0:N-1
for u=0:M-1
sum_real=0;
sum_imag=0;
% Para una combinacin de armnicos (u,v) se recorren todos los pixeles (x,y) de la imagen
for y=0:N-1
for x=0:M-1
sum_real=sum_real+Axy(x+1,y+1)*cos(2*pi*((u*x/M)+(v*y/N)));
sum_imag=sum_imag+Axy(x+1,y+1)*sin(2*pi*((u*x/M)+(v*y/N)));
end
end
% Se crean las matrices donde se guardan los resultados

FA_real(u+1,v+1)=sum_real/(M*N);
FA_imag(u+1,v+1)=sum_imag/(M*N);
FA2(u+1,v+1)=FA_real(u+1,v+1)^2+FA_imag(u+1,v+1)^2;
end
end
2.4.2 Clculo tfdi: "Transformada de Fourier Discreta Inversa"

function [Axy_reconst] = tfdi(M,N,FA_real_recons,FA_imag_recons)

% Corre la rutina la "Transformada de Fourier Discreta Inversa"
for y=0:N-1
for x=0:M-1
sum_real=0;
sum_imag=0;
% Para una combinacin de pixeles (x,y) de la imagen se recorren todos los armnicos (u,v)
for v=0:N-1
for u=0:M-1
sum_real=sum_real+FA_real_recons(u+1,v+1)*cos(2*pi*((u*x/M)+(v*y/N)));
sum_imag=sum_imag+FA_imag_recons(u+1,v+1)*sin(2*pi*((u*x/M)+(v*y/N)));
end
end
% Se crea la matriz de valores de la imagen

Axy_reconst(x+1,y+1)=sum_real-sum_imag;
end
end
2.5 Clculo de la Transformada de Fourier de Tiempo Corto discreta mediante

operaciones matriciales
%Titulo:
%Wavelet
% Desarrollado por:
% Fecha: Domingo, 29 de noviembre de 2009.

% ***********************************************************************************
tic
clc
clear
% ***********************************************************************************
hoja_trabajo=1;
Ak = xlsread('libro_1.xls',hoja_trabajo);
[N,num_col]=size(Ak);
% Introduzca el valor de la ventana

a=0.01; % Valor quemado por cdigo

% Ciclos con series transformadas por la ventana
mm=[1:1:N];
for i=0:N-1 % "i" Representa los valores de desfase
%Creacin de la funcin ventana desfasada

desface=i*ones(1,N);
w=exp((-a/2)*(mm-desface).^2);
% Creacin de la serie modificada

Ak2=Ak.*w';
% **********************************************************************************
% Creacin de variables
% Creacin del vector "nn" y de la constante "alpha"

nn=[0:1:N-1];
alpha=2*pi/N;
% Creacin del vector nn_alpha

nn_alpha=alpha*nn;
% Calculo del Angulo, asi como de su coseno y seno

angulo=nn'*nn_alpha;
cos_angulo=cos(angulo);
sin_angulo=sin(angulo);
% Creacin de la matriz con columnas iguales a "Ak2"

auxiliar=ones(1,N);
matriz_Ak2=Ak2*auxiliar;
% Producto datos y matrices coseno y seno

Ak2_cos=matriz_Ak2.*cos_angulo;
Ak2_sin=matriz_Ak2.*sin_angulo;
% Creacin de la vector de valores acumulados

FA_real=sum(Ak2_cos)/N;
FA_imag=-sum(Ak2_sin)/N;
FA2=((FA_real.^2)+(FA_imag.^2))';
%Almacenamiento de resultados en: "matriz_FA2"

matriz_FA2(i+1,:)=FA2;
end
surf(matriz_FA2,'EdgeColor','interp')
title('PERIODOGRAMA DE LA TRANSFORMADA DE FOURIER DE TIEMPO CORTO', 'Color',
[0,64,128]/256, 'FontSize', 14)
ylabel('TIEMPO', 'Color', [0,64,128]/256);
xlabel('FRECUENCIA', 'Color', [0,64,128]/256);
zlabel('POTENCIA', 'Color', [0,64,128]/256);
figure
plot(Ak(1:N,1),'DisplayName','Ak(1:N,1)','YDataSource','Ak(1:N,1)');
figure(gcf)
title('SERIE DE TIEMPO ', 'Color', [0,64,128]/256, 'FontSize', 12)
ylabel('PRECIPITACIN (mm)');
xlabel('TIEMPO (Anual)');
toc
2.6 Clculo de los coeficientes de aproximacin con el anlisis de Wavelet en

una seal bidimensional
%Titulo:
%Caracterizacin de seales de precipitacin mediante la Transformada de %Fourier y Transformada
Wavelet
% Desarrollado por:
% Fecha: Lunes, 19 de abril de 2010.

% ***********************************************************************************
tic
clear
clc
% **********************************************************************************
%Valores quemados por cdigo
num_fotos=37; % cantidad de imgenes analizar
num_niveles=1;
vector_aprox=zeros(67*35,1);
% ***********************************************************************************
for i=1:num_fotos
% Cargue de cada una de las fotos

foto=xlsread('imagenes_tormenta.xlsx',i);
% Clculo de los coeficientes wavelet de cada foto

[c,s]=wavedec2(foto,num_niveles,'db4');
matriz_coef=appcoef2(c,s,'db4',1);
[fil_matriz_coef,col_matriz_coef]=size(matriz_coef)
coef_aprox=zeros(fil_matriz_coef*col_matriz_coef,1);
for j=1:fil_matriz_coef
auxiliar=matriz_coef(j,:);
coef_aprox(col_matriz_coef*(j-1)+1:col_matriz_coef*j,1)=auxiliar';

end
% Armado del vector de aproximaciones de las imgenes
vector_aprox=cat(2,vector_aprox,coef_aprox);
end
save 'vector_aprox.mat' % Guardado de vectores de aproximacin en una matriz
toc

11. APNDICES

1. APNDICE. SEALES BSICAS39
En el presente apndice se estudia un conjunto de seales frecuentemente utilizadas en diferentes

disciplinas a partir de las cuales se pueden construir otras seales.
2.7 Funcin Unitaria

Funcin que adopta el valor de uno en un intervalo de inters, .
Ecuacin 1-1
2
1.8
1.6
1.4
1.2
f(x)
1
0.8
0.6
0.4
0.2
0
-6 -4 -2 0 2 4 6
Figura 1-1. Funcin Uno en el intervalo de
2.8 Impulso
Es muy comn encontrarse con cantidades fsicas que concentran mucha energa en un instante
de tiempo muy breve o en un espacio muy reducido, as es como sucede con las masas puntuales,
cargas puntuales, fuentes de luz puntuales, fuerzas concentradas, cargas superficiales, etc. Resulta
til contar con un smbolo que sea apropiado para representar estas cantidades y a la vez provea
una relacin matemtica. Una de las seales discretas ms simples es el impulso no es, en
estricto rigor, una funcin matemtica, pero si se observan algunas precauciones se puede
emplear como si lo fuera. Se define un pulso de rea unitaria muy breve e intenso llamado
impulso. Este impulso concentrado e infinitamente fuerte, satisface las siguientes
condiciones:
a) si
Ecuacin 1-2
b)
39
IRARRZAVAL. Pablo. Anlisis de Seales
Y est representada en la Figura 1-2 como una flecha.
1.2
0.8
(x)
0.6
0.4
0.2
0
-1 -0.5 0 0.5 1
Figura 1-2. El impulso

El rea del impulso que se conoce como la magnitud del impulso.
La integral de la Ecuacin 1-3 no es una cantidad con significado a menos que se establezcan
algunas convenciones que permitan su interpretacin, pero podra realizarse de su valor haciendo
uso de loa conceptos de funcin rectangular.
Ecuacin 1-3
Ecuacin 1-4
La funcin es un pulso rectangular de alto y ancho , por lo que tiene rea igual a uno.
A medida que tiende a cero se genera una secuencia de pulso de area uno, que va
incrementando su amplitud en el lmite, se tiene un pulso breve y amplitud my grande cuya
integral es igual a la unidad.
2.9 Funcin Shah

Dicha funcin consiste en tren peridico de impulsos. Se define la funcin shah, como:
Ecuacin 1-5
En la Figura 1-3. Funcin Shah est representada dicha funcin descrita en la Ecuacin 1-5
1.2
0.8
(x)
0.6
0.4
0.2
0
-4 -3 -2 -1 0 1 2 3 4
Figura 1-3. Funcin Shah
2.10 Funciones Horquilla y Antihorquilla

De igual manera que fue conveniente definir la funcin shah, es conveniente definir las funciones
horquilla, , y antihorquilla , que son formadas por dos impulsos de rea cada
uno. La importancia de estas funciones radica en que son proporcionales a la transformada de
Fourier de las funciones cosenos y seno, respectivamente. Se define la funcin horquilla como
(Figura 1-4)
Ecuacin 1-6
0.6
0.5
0.4
(x)
0.3
0.2
0.1
0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
Figura 1-4. La funcin Horquilla

Y la funcin antihorquilla como (Figura 1-5)
Ecuacin 1-7

0.6
0.4
0.2
(x)
0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
-0.2
-0.4
-0.6
x
Figura 1-5. Funcin Anti-Horquilla

Ntese que el rea total bajo la curva es uno para la horquilla y cero para la antihorquilla
2.11 Funcin Escaln

La funcin escaln o de Heaviside, mostrada en la Figura 1-6 se define con la Ecuacin 1-8
Ecuacin 1-8
1.2
0.8
Escaln (x)
0.6
0.4
0.2
0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
-0.2
x
Figura 1-6. La funcin Escaln

Nuevamente se debe referir a los comentarios acerca de la funcin rect para determinar el valor
del escaln en el origen. La derivada del escaln es
Ecuacin 1-9
2.12 Funcin Signo

La funcin signo, sgn(x) se define en la Ecuacin 1-10 y se muestra en la Figura 1-7
Ecuacin 1-10
El signo es una funcin impar que puede ser expresada en trminos de la funcin escaln
Ecuacin 1-11
Por convencin diremos que
1.5
0.5
sgn(x)
0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
-0.5
-1
-1.5
x
Figura 1-7. La funcin signo
2.13 Funcin Rectangular o funcin Rect

La funcin Rect es una funcin discontinua definida como
Ecuacin 1-12

1.2
0.8
f(x)
0.6
0.4
0.2
0
-0.6 -0.4 -0.2 0 0.2 0.4 0.6
Figura 1-8. La funcin rect

Qu pasa cuando ? En realidad no es muy importante, despus de todo, Qu es un
simple punto? Por simetra se puede suponer que la funcin rect vale en la discontinuidad.
Otra manera de ver el rect es suponer que hay una transicin suave entre el cero y el uno, as el
rect se obtiene tomando el lmite de la funcin suave cuando la derivada en y
tiende a . A esta funcin se le llamar la funcin aproximante, es decir
Ecuacin 1-13
Y se define
Ecuacin 1-14
De esta manera se puede calcular la derivada de la funcin rect, primero calculando en la funcin
aproximada y luego tomando el lmite. La derivada de rect es
Ecuacin 1-15
La funcin nos da una herramienta para trabajar con el rect como funcin continua, sin
embargo, su derivada no es continua. Si se quiere obtener derivadas de mayor orden es
conveniente emplear una funcin aproximante ms suave.
2.14 Funcin Triangulo

La funcin tringulo, mostrada en la Figura 1-9 se define como:

Ecuacin 1-16
Donde la variable est entre dos barras que corresponde al valor absoluto de dicha variable.
La funcin triangulo se caracteriza por ser par, porque su valor en el origen es uno y su rea
tambin es uno. La derivada de la funcin tringulo es:
Ecuacin 1-17
1.2
0.8
f(x)
0.6
0.4
0.2
0 1; 0
-1.5 -1 -0.5 0 0.5 1 1.5
Figura 1-9. La funcin Tringulo
2.15 Campana de Gauss o Distribucin Normal

La funcin Gauss definida como se muestra en la Ecuacin 1-18 y graficada en la Figura 1-10
Ecuacin 1-18
Tal funcin se caracteriza por describir el comportamiento de poblaciones de individuos de la

naturaleza. De su grafica puede apreciarse que adopta la forma de una campana simtrica cuyas
colas tienden a cero cuando toma valores que tienden a .
Ntese que esta funcin es equivalente a la distribucin de probabilidades normal con media cero
y desviacin estndar
Ecuacin 1-19

1.2
0.8
f(x)
0.6
0.4
0.2
0
-3 -2 -1 0 1 2 3
Figura 1-10. La funcin Gauss

La funcin Gaussiana es una funcin par. Adopta un valor de uno cuando x toma el valor de cero,
y el rea bajo la curva tambin es uno
Ecuacin 1-20
La derivada de la funcin Gaussiana es
Ecuacin 1-21
Y su integral
Ecuacin 1-22
Donde es la funcin de error estadstica definida como se muestra en la Ecuacin 1-23, ya

que la integral no se puede calcular de manera analtica sino mediante mtodos numricos.
Ecuacin 1-23
La funcin de Gauss es importante en el anlisis de seales por al menos dos razones,

descontando su naturalidad como funcin de probabilidades, las cuales son:
Es una funcin para apodizar, la operacin de multiplicar la seccin de una seal muy
larga por una ventana que en este caso contiene la funcin Gaussiana.
La transformada de Fourier de ella es tambin una funcin Gauss.

2.16 Funciones Sinusoidales
Funciones que describen un comportamiento ondulatorio peridico perfecto. Ejemplo de dichas
funciones son la funcin seno y la funcin coseno, mostradas en la Figura 1-11.
1.5
0.5
0
f(x)
-3 -2 -1 0 1 2 3 f(x)=Sen(x)
-0.5 f(x)=Cos(x)
-1
-1.5
x
Figura 1-11. Funciones Sinusoidales

Al referirnos a la funcin seno (o coseno) sin indicar los parmetros, se emplearn las siguientes
expresiones:
o Ecuacin 1-24
La funcin seno es peridica y en esta definicin el periodo es 2, es decir la frecuencia de

oscilacin es (se eligi el argumento en vez de para evitar tener el factor en la
frecuencia). Un coseno es igual a un seno que ha sido desplazado en , es decir
.
De acuerdo con la simetra de las funciones sinusoidales se puede afirmar que la funcin seno es
simtrica respecto al origen o lo que es lo mismo es una funcin impar. Mientras que la funcin
coseno es simtrica respecto al eje Y o lo que es lo mismo es una funcin par. El valor en el
origen de la funcin seno es y de la funcin coseno, La funcin
seno es impar y la funcin coseno, par.
Sus derivadas e integrales indefinidas son:

y Ecuacin 1-25
2.17 Funcin sinusoidal amortiguada, funcin seno cardinal o funcin Sinc

La funcin sinc (Figura 1-12) tambin conocida como funcin de filtraje o interpolacin, se
define como:
Ecuacin 1-26
La importancia de esta funcin proviene del hecho que en la transformada de Fourier del rect.
Esto implica, entre otras cosas, que: una seal que tiene forma de sinc es de ancho de banda
limitado.
1.2
0.8
0.6
sinc(x)
0.4
0.2
0
-4 -3 -2 -1 0 1 2 3 4
-0.2
-0.4
x
Figura 1-12. La funcin de interpolacin sinc

La funcin sinc cruza por cero cuando toma valores enteros tanto positivos como negativos es
deccir en , su valor en el origen es uno y el rea total bajo la curva es uno.
Ecuacin 1-27

2.18 Funcin Asinc
La funcin Asinc se define como
Ecuacin 1-28
Funcin formada por la suma de funciones sinc, desplazadas una magnitud unas de otras.
Dicha funcin tambin se puede expresar de la siguiente manera:
Ecuacin 1-29
La importancia de esta funcin aparece en el dominio de tiempo discreto. Es la transformada de

Fourier en tiempo discreto de un rect ha sido muestreado con muestras. Normalmente slo se
emplea un periodo de dicha funcin.
2.19 Exponencial Compleja

Funcin peridica desarrollada sobre un espacio imaginario y descrito mediante la Ecuacin
1-30:
Ecuacin 1-30
Con
La periodicidad puede ser analizada recordando que la identidad de Euler establece que:
Ecuacin 1-31
La importancia de esta funcin radica en que es la base para la transformada de Fourier, y es una
forma de incluir senos (funcin impar) y cosenos (funcin par) en una misma funcin.

2. APNDICE. NOCIONES DE CONVOLUCIN40
En el siguiente apndice se presenta nociones del tema de convolucin, importante para entender
las operaciones matemticas que se hace en el anlisis de la Transformada Wavelet.
En el anlisis de sistemas lineales, uno de los aspectos ms importantes es conocer la respuesta o

salida del sistema provocada por seales de entrada. El empleo de la operacin de convolucin se
basa en la propiedad de superposicin de los sistemas lineales.
La convolucin se puede usar muy frecuentemente en diferentes disciplinas. En ingeniera, la

convolucin se emplea como otro mtodo para caracterizar sistemas lineales y proporciona otro
punto de vista para su anlisis, permitiendo nuevas formas de visualizacin.
Superposicin y Convolucin Sistemas de Tiempo Discreto

Los sistemas lineales satisfacen la propiedad de superposicin. Es decir, si se conoce la respuesta
particular a las secuencias de entrada y , entonces se puede conocer la respuesta
de entrada , que es precisamente la suma de las dos respuestas particulares.
Adems, si el sistema es invariable en el tiempo, las entradas se pueden desplazar a lo largo del
eje del tiempo, obteniendo entonces las salidas haciendo el desplazamiento en el tiempo
correspondiente. Esto es, si para se obtiene , entonces producir la salida
. Se emplearan estas dos propiedades de los sistemas lineales invariables en el tiempo
para desarrollar una relacin alterna con el fin describir la relacin de entrada-salida. Dicha
formulacin emplea la funcin caracterstica del sistema, o sea la respuesta del sistema a la
funcin impulso o, en el caso de sistemas de tiempo discreto, la respuesta a una secuencia de
impulsos. La respuesta de un sistema de tiempo discreto a una secuencia de impulsos se conoce
comnmente como secuencia respuesta al impulso.
La secuencia de impulso se muestra en la Figura 2-1 y est definida por la Ecuacin 2-1
Ecuacin 2-1
La respuesta de un sistema de tiempo discreto a una secuencia de impulsos de entrada es,

por definicin, la secuencia de respuesta a impulsos es decir,
Si se multiplica la secuencia de impulsos por la constante , entoneces, debido a la linealidad,

la salida tambin estar multiplicada por , es decir,
40
GABEL Robert A y ROBERT Richard A. Seales y Sistemas Lineales. Capitulo 2. Convolucin. Pgina
65. Editorial LIMUSA. 1.994
Si se modifica la posicin en el tiempo de la secuencia de impulsos, entonces, debido a la
invariancia del sistema en el tiempo, la salida se desplazara en el tiempo la misma cantidad, es
decir,
Figura 2-1. Secuencia de impulsos

Las relaciones anteriores, se muestran esquemticamente en la

Figura 2-2. La respuesta de un sistema de tiempo discreto a una secuencia de impulsos
Por supuesto que lo importante es conocer la respuesta que resulta de aplicar secuencias de
seales de entrada arbitrarias, digamos . Cmo podra entonces ser til la secuencia de
impulsos? Suponga que se representa la secuencia de entrada como:
En otras palabras, cada valor de de la secuencia se multiplica por la secuencia de impulsos

desplazados . Ya que solo vale para , este procedimiento permite representar
un secuencias de entradas arbitrarias como una suma ponderada de secuencias de impulsos
unitarios desplazados. As,
Ecuacin 2-2
La Figura 2-3 es un ejemplo de la representacin de la Ecuacin 2-2.

Figura 2-3. Suma ponderada de secuencias de impulsos unitarios desplazados
Ahora, se empleara la linealidad del sistema para calcular su respuesta de salida. Primero se
calculara la salida debida a cada trmino de la entrada y despus, se sumaran todas las
salidas para obtener la respuesta toral. Por ejemplo, la salida debida a es:
En forma similar, la respuesta debida a es:
El trmino general produce una respuesta . Empleando la propiedad de

superposicin, la respuesta total ser justamente la suma de las respuestas de la forma
. As la secuencia de salida es:
El -simo trmino e la secuencia de salida es entonces:

Ecuacin 2-3
La sumatoria de la Ecuacin 2-3 se conoce como la suma convolucin. Para indicar en forma
condesada la operacin de la Ecuacin 2-3 se emplea la notacin:
Ecuacin 2-4
Haciendo , Ecuacin 2-3 puede escribirse como:
Ecuacin 2-5
Lo cual significa que la convolucin es conmutativa, es decir,
La caracterizacin de un sistema lineal en trminos de la operacin y la convolucin es un

concepto muy importante. Aunque el clculo de las sumatorias en la Ecuacin 2-3 y Ecuacin 2-5
puede ser difcil, estas formulas constituyen una gran ayuda conceptual para comprender los
sistemas lineales. El empleo de la superposicin y la respuesta de un sistema de impulso es una
caracterizacin ms general que la que frecuentemente se usa empleando transformadas. Por
ejemplo, si un sistema contiene coeficientes variables en el tiempo, el mtodo que emplea
transformadas deja de ser valido; sin embargo, es vlida la caracterizacin en trminos de la
respuesta al impulso variable en el tiempo y de la suma integral de superposicin. Otro
ejemplo de la naturaleza general de este mtodo se presenta al estudiar los sistemas lineales
excitados por seales aleatorias de entrada. Empleando la respuesta al impulso y la integral de
superposicin se puede estudiar una gama mayor de tipos de seales aleatorias de entrada que son
los mtodos de transformada.
La operacin convolucin sistemas de tiempo discreto

La suma de convolucin la Ecuacin 2-3puede interpretarse grficamente. Considrese dos
secuencias y . La convolucin de estas dos secuencias ser otra secuencia ,
dada por:
En donde:

Ecuacin 2-6
Por ejemplo, supongamos que es la secuencia ,41 y es la

secuencia . Analicemos el clculo de:
Para calcular , se necesita el valor . Primero, se toma la imagen espejo de

sobe el eje vertical a travs del origen para obtener como se ilustra en Figura 2-4 (a) y
Figura 2-4 (b). A continuacin, se desplaza un unidad a la derecha para obtener
, que se ilustra en la Figura 2-4 (c). Esta secuencia desplazada, se multiplica por ,
graficada en Figura 2-4 (d), y la secuencia de valores obtenidos, mostrados en la Figura 2-4 (e),
se suman para obtener un trmino, , de la secuencia .
(a) (b)
41
Si no aparece la flecha en la lista de secuencia, significa que el primer termino dentro de los parntesis
es el termino k=0
(c) (d)
(e) (f)
Figura 2-4. Operacin de Convolucin en sistemas de tiempo discreto
Para calcular , se desplaza dos unidades hacia la derecha para obtener .

Multiplicando esta secuencia por y sumando los valores de la secuencia resultante
obtenemos . Los valores de la secuencia se obtienen en forma similar. La secuencia de
salida para este ejemplo se muestra en la
Debe observarse que la operacin de convolucin ha producido un efecto de regulacin en la

secuencia de entrada
Resumiendo; se presento que la convolucin est compuesta de cuatro operaciones bsicas:
1. Tomar la imagen de espejo de sobre el eje vertical a travs del origen para obtener
.
2. Desplazar en una cantidad igual al valor de , en donde la secuencia se evala

para calcular .
3. Multiplicar esta secuencia desplazada por la secuencia de entrada .
Sumar la secuencia de valores resultantes para obtener el valor de la convolucin en .


Tesis 334

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tesis 334

Uploaded by

Copyright:

Available Formats

CARACTERIZACIN DE SEALES DE PRECIPITACIN

MEDIANTE LA TRANSFORMADA DE FOURIER Y

ANA MARA MOROS VIVAS

PONTIFICIA UNIVERSIDAD JAVERIANA

Trabajo de grado presentado como requisito para optar al

Ana Mara Moros Vivas 2

Artculo 23. "La Universidad no se hace

Resolucin No 13 de julio de 1946.

Ana Mara Moros Vivas 3

Bogot D.C., de Julio de 2010

Ana Mara Moros Vivas 4

Ana Mara Moros Vivas 5

A Dios, pues es a quin todo lo debo.

Ana Mara Moros Vivas 6

2.1 OBJETIVO GENERAL ..........................................................................................................................18

4. CARACTERIZACIN ESTADSTICA DE UNA SERIE DE TIEMPO ......................................22

4.1 DESCRIPCIN GRFICA DE LOS DATOS ............................................................................................22

5. ANLISIS DE FOURIER ..................................................................................................................53

5.1 TRANSFORMADA: LA OTRA REALIDAD.........................................................................................53

Ana Mara Moros Vivas 7

6. TRANSFORMADA DE FOURIER DE TIEMPO CORTO ...........................................................82

6.1 TRANSFORMADA DE FOURIER A TRAVS DE UNA VENTANA FINITA ...............................................82

7. ANLISIS DE WAVELET ................................................................................................................97

7.1 LA FORMA Y LOS DETALLES ..............................................................................................................97

8. CONCLUSIONES Y RECOMENDACIONES ..............................................................................141

8.1 DEL PROBLEMA CENTRAL: .............................................................................................................141

10. ANEXOS ..........................................................................................................................................149

1 ANEXO. FUNCIONES ORTOGONALES Y ORTONORMALES ..............................................150

1.1 CONJUNTOS ORTOGONALES ............................................................................................................151

2 ANEXO. RUTINAS DE CLCULO SOPORTADAS POR MATLAB.....................................169

2.1 ANLISIS EXPLORATORIO ...............................................................................................................169

11. APNDICES ....................................................................................................................................181

1. APNDICE. SEALES BSICAS..................................................................................................182

2.7 FUNCIN UNITARIA .........................................................................................................................182

2. APNDICE. NOCIONES DE CONVOLUCIN ..........................................................................193

Ana Mara Moros Vivas 9

Ana Mara Moros Vivas 10

Ana Mara Moros Vivas 13

Ana Mara Moros Vivas 14

El contexto del proceso de entender el comportamiento de estas seales, es lo que ha llevado a

En la actualidad existe un sin nmero de aplicaciones de la transformada wavelet en diferentes

En relacin al rea climatolgica, especficamente en el caso del anlisis de seales de

A nivel nacional se destaca de los autores Arbelez, Bacchi, Ranzi y Arango en el el

Esta razn, en adicin de las caractersticas propias de la maestra en Hidrosistemas, maestra de

Esta investigacin busca ofrecer a ingenieros e investigares de las ciencias de la tierra,

El capitulo 8 contiene la principales conclusiones la cual se llego al final del desarrollo de

Ana Mara Moros Vivas 17

2.1 Objetivo General

2.2 Objetivo Especifico

Proveer un documento didctico para el estudio de la fundamentacin matemtica de la

Desarrollar rutinas computacionales que faciliten la implementacin y el anlisis de la

Implementar los conceptos relacionados con la transformada de Fourier y la transformada

Ana Mara Moros Vivas 18

Ana Mara Moros Vivas 19

Ms adelante en las dcadas de y , las comunidades de procesamiento de seales y

En la actualidad la transformada wavelet ha sido adoptada como herramienta para un nmero

Hoyos, C.; y Mesa, O. . Algunas aplicaciones de la transformada de Fourier y la

Arbelez, C.; Bacchi, B., Ranzi R. y Arango H. . Aplicacin de la Tcnica

Estupian, J.; Flrez, C.; y Obregn, N. . Manual conceptual y aplicativo de la

Domnguez, M.; Mendez, Jr.; y Mendez, A. . On wavelet techiques in

Ana Mara Moros Vivas 21

Una etapa necesaria en toda investigacin es el anlisis exploratorio de la informacin. Los

4.1 Descripcin Grfica de los datos1