Professional Documents
Culture Documents
Asesor
JORGE ALBERTO VALERO FANDIO.
Ingeniero Civil
Bogot, 2010
_______________ __
MSc. Ing. Jorge Alberto Valero Fandio
DIRECTOR
_______________________
PhD. MSc. Ing. Mario Daz-Granados
JURADO
_______________________
PhD. MSc. Ing. Nelson Obregn Neira
JURADO
Matthieu Ricard.
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.
2. OBJETIVOS ........................................................................................................................................18
3. ANTECEDENTES ..............................................................................................................................19
9. BIBLIOGRAFA ...............................................................................................................................144
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.
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.
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.
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.
Ana Mara Moros Vivas 16
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).
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.
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".
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.
Ana Mara Moros Vivas 20
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.
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.
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.
Los mtodos que se exponen a continuacin son formas convenientes de reducir paquetes de
datos a formas ms compresibles.
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 4-2
Ecuacin 4-3
Donde:
Cantidad de intervalos
El nmero datos
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.
Ana Mara Moros Vivas 23
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:
a b Q1 Q2 Q3 c d
Ecuacin 4-4
Ecuacin 4-5
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.
4.2.1.1 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.
Ecuacin 4-9
Donde:
Media muestral
Tamao de la muestra
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.
4.2.2.1 Rango
Extensin del conjunto de datos. Se calcula como la diferencia entre el mayor y menor valor de
los datos.
Ecuacin 4-10
Cuanto mayor sea la varianza del conjunto de mediciones, mayor ser el grado de separacin
entre los datos.
Ecuacin 4-11
Tal medida tiene un parecido con la definicin del Exponente de Hurst explicado ms adelante.
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.
Ecuacin 4-14
Si:
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
3
CANAVOS C, George. PROBABILIDAD Y ESTADSTICA Aplicaciones y mtodos. Editorial: Mc Graw-
Hill. 1.999
Ana Mara Moros Vivas 28
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.
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:
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.
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.
Ecuacin 4-17
Donde:
La diferencia entre el aporte del ro acumulado y consumo acumulado en el tiempo esta dada
por:
Ecuacin 4-18
Donde:
Ecuacin 4-19
Ecuacin 4-20
Donde:
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.
Ana Mara Moros Vivas 32
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
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)
Ecuacin 4-23
Despejando se tiene:
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
Log[f(x)]
0
-6 -4 -2 0 2 4 6
-2
-4
Log[x]
Invarianza de escalas
Ecuacin 4-27
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
Ana Mara Moros Vivas 35
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
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.
Ana Mara Moros Vivas 36
El coeficiente de Hurst puede tomar valores entre cero y uno, de modo que:
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.
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
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.
Ana Mara Moros Vivas 37
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.
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.
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.
(a) (b)
Figura 4-8. Representacin del exponente de Hurst para la seal "Suma de Cosenos". (a) 10 puntos y (b) 20 puntos
(b)
(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.
Existe un sesgo hacia los valores altos, excepto en la escala anual donde el sesgo es casi
nulo.
En la Figura 4-10 se muestra la funcin de Auto-correlacin para las escalas temporales antes
mencionadas.
(a) (b)
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)
(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
(a)
(c)
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.
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:
(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.
(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
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.
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.
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)
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
Ecuacin 5-1
Donde:
Ecuacin 5-2
En donde:
Tiempo durante el cual est definida. Duracin de la serie tal como se aprecia en la
Figura 5-2.
6
QUIROGA, J. Anlisis de Fourier. Primera Edicin. Bogot, Colombia. 2007.
Ana Mara Moros Vivas 55
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
7
Recurdese la identidad:
f
f
De esta manera:
Ecuacin 5-7
Ecuacin 5-8
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:
Ecuacin 5-9
Ecuacin 5-10
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.
Ecuacin 5-11
Es decir:
Ecuacin 5-12
Ecuacin 5-13
Ecuacin 5-14
Ecuacin 5-15
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.
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 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).
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.
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
Ana Mara Moros Vivas 62
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.
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.
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
Ecuacin 5-16
Donde:
Ecuacin 5-18
Ecuacin 5-19
Al reemplazar la identidad de Euler que igualmente se puede llevar a dos dimensiones mostrada
en la
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:
Ana Mara Moros Vivas 65
Ecuacin 5-24
Ecuacin 5-25
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:
Los principales objetivos que se persiguen con la aplicacin de filtros sobre una imagen son:
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.
(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.
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.
(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.
Las rutinas fueron desarrolladas en el lenguaje de programacin Matlab R2009b bajo el sistema
operativo Windows XP:
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)
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.
(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.
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.
(a) (b)
(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
Ecuacin 5-26
(a) (b)
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.
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. .
Ana Mara Moros Vivas 77
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.
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).
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
Ana Mara Moros Vivas 79
provecho a esta informacin en la implementacin de la Transformada Wavelet que se presenta
en el captulo 0.
(a) (b)
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.
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.
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
Ana Mara Moros Vivas 82
Ecuacin 6-1
Donde:
Seal definida en .
Frecuencia
Tiempo
La Transformada de Fourier de tiempo corto para seales discretas se define mediante expresin
matemtica:
Ecuacin 6-2
Donde:
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.
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 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)
(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.)
Ana Mara Moros Vivas 85
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
Tiempo
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.
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.
Las rutinas fueron desarrolladas en el lenguaje de programacin Matlab R2009b bajo el sistema
operativo Windows XP.
(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).
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)
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)
Figura 6-5. 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 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)
Figura 6-6. 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 anual. (a) Serie
original, (b) a =1 e-2, (c) a =1 e-3 y (d) a =1 e-4.
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.
(a) (b)
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.
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.
(a) (b)
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.
(a) (b)
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.
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)
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.
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.
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.
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
Ana Mara Moros Vivas 97
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).
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.
Ana Mara Moros Vivas 98
de Fourier. Los resultados de su investigacin fueron publicados en un artculo en , y es el
primer documento donde se identifica la palabra "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:
Ana Mara Moros Vivas 99
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.
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.
Ana Mara Moros Vivas 100
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.
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.
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 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.
19
STRANG, G.; TRUONG, N. Wavelet and Filter Banks. Wellesley Cambridge Press. 1996.
Ana Mara Moros Vivas 101
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.
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
20
1 Anexo. Funciones Ortogonales y Ortonormales
Ana Mara Moros Vivas 102
Ecuacin 7-1
Donde:
Seal de anlisis
Convolucin21
Tiempo
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.
21
Ver Anexo 2
22
Ver Apndice 1
Ana Mara Moros Vivas 103
Dilatacin Binaria y Traslacin continuas en el tiempo
Ecuacin 7-2
Ecuacin 7-3
Donde:
Ecuacin 7-4
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
Escalograma
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 .
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
Ecuacin 7-7
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:
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:
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).
Donde:
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:
A2
A1 D3
SEAL
D2
f(t)
D1
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:
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 7-17
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, 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.
Ana Mara Moros Vivas 111
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.
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
Ana Mara Moros Vivas 112
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.
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.
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.
Ana Mara Moros Vivas 113
(a) Funcin wavelet de Haar (b) 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.
Ecuacin 7-21
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.
(a) (b)
(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)
.
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:
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.
Ana Mara Moros Vivas 117
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.
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:
Ecuacin 7-26
Ecuacin 7-27
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
Ana Mara Moros Vivas 118
Ecuacin 7-28
Ecuacin 7-29
Donde:
Escala inicial
Ecuacin 7-30
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.
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.
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.
Tabla 7-2. Tamao de las series unidimensionales analizadas con Transformada Wavelet
Datos
7.2.1.1 Anlisis deSeal
la seal sumaDatos Iniciales
de Cosenos Potencia de 2 TW
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.
Ana Mara Moros Vivas 123
Figura 7-14. Escalograma de la seal suma de cosenos.
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.
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
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%
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.
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%
Figura 7-20. Error medio cuadrtico variando la cantidad de coeficientes para la reconstruccin de la seal registra
durante la tormenta de Boston
Imagen de Lenna
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
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
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.
Ana Mara Moros Vivas 130
(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).
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.
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 .
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.
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
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.
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.
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.
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.
8.2 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.
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.
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.
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.
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.
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.
KK, M.; TIGLI, E., AIRALLU, N. Wavelet Transform Analysis for Nonstationary
Rainfall Runoff - Temperature Processes. Istanbul Technical University.
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.
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.
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.
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.
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.
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.
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.
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.
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:
35
ZILL, D. Cullen, M. Ecuaciones Diferenciales con problemas de Modelado.
Ana Mara Moros Vivas 150
Norma de una funcin: Recordando que la norma de una vector est dado por la expresin:
Ecuacin 1-3
Ecuacin 1-4
Ecuacin 1-5
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:
Ecuacin 1-7
Ejemplo 2:
Recurdese que:
Ecuacin 1-8
Luego:
Recurdese que:
Ecuacin 1-9
Entonces
Sea y
Recurdese que:
Ecuacin 1-10
Recurdese que:
Ecuacin 1-11
Sea y
Recurdese que:
Ecuacin 1-12
Ecuacin 1-13
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.
Ana Mara Moros Vivas 156
Multiplicando cada uno de los trminos de la Ecuacin 1-14 por e integrando en el
intervalo se obtiene:
Ecuacin 1-15
Ecuacin 1-16
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:
De modo que:
Ecuacin 1-20
Ecuacin 1-21
Cuando
Ecuacin 1-22
=0
De modo que:
Ecuacin 1-23
Resumiendo:
Ecuacin 1-24
En donde:
Ecuacin 1-25
Ecuacin 1-26
Ecuacin 1-27
Ejemplo 3:
Representar la funcin:
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
Clculo de
Ecuacin 1-28
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 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.
35
Ejemplo 4:
Desarrolle:
Como una serie de Fourier teniendo en cuenta las definiciones de funcin par e impar.
Solucin:
Ecuacin 1-31
Como:
Para , se tiene:
De modo que:
Ecuacin 1-32
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)
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.
% Desarrollado por:
% Jorge Alberto Valero Fandio
% Ana Mara Moros Vivas
% 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 mximo
max=max(vector_datos)
% ***********************************************************************************
% Grafica del Histograma
% Desarrollado por:
% Jorge Alberto Valero Fandio
% Ana Mara Moros Vivas
clc
N = length(s);
for i = 1:16;
% "i" Representa el numero del punto de la regresin a generar
m = floor(N/(2*i));
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
% Desarrollado por:
% Jorge Alberto Valero Fandio
% Ana Mara Moros Vivas
% ***********************************************************************************
hoja_trabajo=1;
[N,num_col]=size(Ak);
% ***********************************************************************************
% Creacin de variables
% 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)
toc
% Desarrollado por:
% Ing. Msc. Jorge Alberto Valero Fandio
% Ing. Ana Mara Moros Vivas
% ***********************************************************************************
% 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
% Concatenacin de matrices
m_conc2 =[m_ordenada,interruptores];
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')
toc
% 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
% 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
% Desarrollado por:
% Ing. Msc. Jorge Alberto Valero Fandio
% Ing. Ana Mara Moros Vivas
% ***********************************************************************************
% Cargue de los datos desde Excel
hoja_trabajo=1;
Ak = xlsread('libro_1.xls',hoja_trabajo);
[N,num_col]=size(Ak);
mm=[1:1:N];
for i=0:N-1 % "i" Representa los valores de desfase
% **********************************************************************************
% Creacin de variables
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
Ana Mara Moros Vivas 178
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
% Desarrollado por:
% Ing. Msc. Jorge Alberto Valero Fandio
% Ing. Ana Mara Moros Vivas
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
for j=1:fil_matriz_coef
auxiliar=matriz_coef(j,:);
coef_aprox(col_matriz_coef*(j-1)+1:col_matriz_coef*j,1)=auxiliar';
vector_aprox=cat(2,vector_aprox,coef_aprox);
end
save 'vector_aprox.mat' % Guardado de vectores de aproximacin en una matriz
toc
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
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
Ana Mara Moros Vivas 182
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
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.
Ecuacin 1-5
En la Figura 1-3. Funcin Shah est representada dicha funcin descrita en la Ecuacin 1-5
Ana Mara Moros Vivas 183
1.2
0.8
(x)
0.6
0.4
0.2
0
-4 -3 -2 -1 0 1 2 3 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
Ecuacin 1-7
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
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
Ecuacin 1-9
El signo es una funcin impar que puede ser expresada en trminos de la funcin escaln
Ecuacin 1-11
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
Ecuacin 1-12
0.8
f(x)
0.6
0.4
0.2
0
-0.6 -0.4 -0.2 0 0.2 0.4 0.6
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.
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
Ecuacin 1-18
Ntese que esta funcin es equivalente a la distribucin de probabilidades normal con media cero
y desviacin estndar
Ecuacin 1-19
0.8
f(x)
0.6
0.4
0.2
0
-3 -2 -1 0 1 2 3
Ecuacin 1-20
Ecuacin 1-21
Y su integral
Ecuacin 1-22
Ecuacin 1-23
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.
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
o Ecuacin 1-24
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.
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
Ecuacin 1-27
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
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.
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.
La secuencia de impulso se muestra en la Figura 2-1 y est definida por la Ecuacin 2-1
Ecuacin 2-1
40
GABEL Robert A y ROBERT Richard A. Seales y Sistemas Lineales. Capitulo 2. Convolucin. Pgina
65. Editorial LIMUSA. 1.994
Ana Mara Moros Vivas 193
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,
Ecuacin 2-2
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:
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
Ecuacin 2-5
En donde:
(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
Ana Mara Moros Vivas 198
(c) (d)
(e) (f)
1. Tomar la imagen de espejo de sobre el eje vertical a travs del origen para obtener
.