BIOINGENIERIA I

Extensi
on opcional de la Gu
a N 2

C
esar Mart
nez

Diego Tomassi

25 de marzo de 2008

1. Ejercicios conceptuales...
Suele usarse la denominacion L2 (R) para referirse al espacio de las se~nales continuas que tienen energa
nita. Identique una expresion coloquial que pueda asociar al espacio L1 (R).
En el apunte de la catedra se vio una denicion explcita para jj
jj1 . Interprete esta misma expresion
como el caso lmite para p ! 1 de la denicion general de la norma jj
jjp .
Muestre que una secuencia que pertenece al espacio `1 (N) necesariamente pertenece a `2 (N). >Es
siempre cierto lo recproco? >Que espacio impone una condicion mas restrictiva para que una se~nal
pertenezca a el: `1 (N), `2 (N) o `1 (N)?
Recuerde los axiomas que debe satisfacer una norma y aquellos que debe satisfacer una metrica y a
partir de ellos muestre que jjx yjjp constituye una metrica dp (x; y).
Es usual pensar que la metrica Eucldea inducida por la norma p = 2, jjx yjj2 , se corresponde con
nuestra intuicion fsica de distancia. Sin embargo, lo anterior es estrictamente cierto solo cuando los
vectores estan representados en una base ortonormal. Para verlo, escoja dos puntos distintos del espacio
Eucldeo y representelos en R3 , primero en una base ortonormal y luego en otra base que no lo sea
(para verlo claramente, escoja puntos para los cuales sea facil decir de antemano cual es la distancia
entre ellos). Obtenga jjx yjj2 en ambas bases y compare los resultados. >Es invariante la metrica
Eucldea a este cambio de base? >Cual de los resultados se corresponde con su intuicion fsica?
Para continuar con el punto anterior, considere ahora la siguiente generalizacion de la distancia Eu-
cldea: q
d2w (x; y) = [x y]T W[x y];
donde W es una matriz denida positiva ( 8x : hWx; xi > 0).
- Muestre que d2w (x; y) es una metrica.
- Muestre que si V es una matriz de cambio de base que lleva los vectores x e y a su representacion en
una base ortonormal, entonces la expresion generalizada de la distancia Eucldea con W = VT V nos
devuelve una distancia que se corresponde con nuestra intuicion fsica.
Muestre que el producto interno de dos secuencias es igual al productoPinterno de susPrepresentaciones
en una base ortonormal. Esto es, si fui g es una base ortonormal y x = i ai ui e y = i bi ui , entonces
hx; yi = ha; bi, donde (a)i = ai y (b)i = bi .
>Como denira una \distancia" entre se~nales aleatorias?
Exprese formalmente cuando un conjunto es completo.
>Cual es la diferencia entre convergencia puntual, convergencia uniforme y convergencia en la media?
Si le interesa, investigue la extension del concepto de norma para matrices. Sea A una matriz en RN N .
>Como se denen jjAjj2 , jjAjj1 y jjAjj1 ? >Que es el radio espectral de una matriz? >Cual es la relacion
entre el radio espectral y jjAjj?

1
2. Ejercicios para resolver con computadora...
Dise~ne un \experimento numerico" que le permita mostrar que el conjunto fk (t)g de se~nales senoidales
de la forma
k (t) = sen(k!0 t); con k = 1; 2; 3; :::
no es un conjunto completo en L2 ( 1; 1).
Hemos visto que cualquier se~nal x(t) 2 L2 (a; b) puede aproximarse con una precision arbitraria por
medio de una expansion ortonormal de la forma
X
N
x^(t) = hx; k ik (t);
k=1
siempre que N se escoja lo sucientemente grande y que los vectores k (t) se tomen de un conjunto
ortonormal completo. En la seccion (2.4.4) se usaron funciones de Legendre para aproximar una funcion
denida en el intervalo [-1,1]. A n de explorar otras posibilidades, lo invitamos a que repita el ejercicio
considerando los siguientes conjuntos:
1. Exponenciales complejas :
ejkt
k (t) = p ; k = 0; 1; 2; :::;
2
2. Funciones de Legendre r
n (t) =
2n + 1 P ; n = 0; 1; 2; :::;
2 n
donde
P0 (t) = 1; (1)
P1 (t) = t; (2)
1
Pn (t) = [(2n 1)tPn 1 (n 1)Pn 2 ] : (3)
n
3. Polinomios de Chebyshev :
n (t) = An Tn (t); n  0
p p
donde A0 = 1=, An = 2= para n > 0 y Tn (t) puede obtenerse recursivamente mediante la
expresion:
Tn (t) = 2tTn 1 (t) Tn 2 (t);
con los polinomios de menor orden dados por:
T0 (t) = 1; (4)
T1 (t) = t; (5)
T2 (t) = 2t 2 1; (6)
T3 (t) = 4t 3 3t: (7)
Cuando use polinomios de Chebyshev, tenga en cuenta que son ortogonales \con peso (1 t2 ) 1=2 ".
Esto signica que el producto interno se dene aqu de la siguiente manera:
Z 1  (t) (t)
hn (t); m (t)i = pn m dt
1 (1 t2 )

4. Funciones de Walsh : estas funciones toman unicamente los valores 1 y -1 y pueden denirse
observando la Figura 1.
- Verique que los conjuntos anteriores son ortogonales.
- Muestre como evoluciona el error de aproximacion a medida que suma terminos a la representacion.
- >Cual de las representaciones implementadas necesita menos terminos para lograr una aproximacion
con un nivel de precision dado?
- Repita el ejercicio proponiendo funciones con distintas caractersticas de \suavidad". Observe para
los distintos casos como decae la magnitud de los coecientes a medida que N crece.
- Repita el ejercicio midiendo el error de aproximacion en otra norma.
2
 3.3. General Series Expansions 57

Figura 1: Funciones de Walsh.

have a signal r ( t ) = C , d ( m ) g ( t- mT) with g ( t ) = s ( t ) * h @ )on the receiver
3. Ejercicios de extension...
side. This new basis { g ( t - m T ) ;m E Z} is no longer orthogonal, so that the
question arises of how to recover the data if r ( t ) and g ( t ) are given.

3.1. Aproximaci
on de funciones por residuos ponderados
3.3.1 Calculating the Representation
En el ejercicio anterior
In the vimos
following, como2 una
signals E X misma
with X funci
= span on pod
{ p l,a.. aproximarse
. ,p,} will be por una combinacion lineal
consid-
de funcionesered.
ortogonales
We assumetomadas
that theden alg
un conjunto
vectors { p l , .. . ,completo. En esos
p,} are linearly casos, adem
independent so as, el soporte de las
funciones aproximantes
that all X E Xsecan
extend a sobre todo
be represented el dominio
uniquely as de la funcion a aproximar. Podemos intentar
ahora una estrategia mas general para aproximar funciones, siempre que lo hagamos con un conjunto
completo. Lo que estamos buscando es una representacion de la forma: (3.52)
i= 1
X
N
f (x) fN (x) =
As will be shown, the representation  (x) + an n (x);
T n=1
a = [ a l , .. . ,a,] (3.53)
donde (x)withtomarespect
los mismos valores que f (x) en los extremos del dominio y f g es nuestro conjunto
to a given basis {pl,. . . , p,} can be computed by solvingn a
de funcioneslinear
aproximantes, que suponemos que se anulan en esos extremos. Esto es, si f (x) : [a; b] ! R,
entonces (equations
a) = f (a), (b) = f (b), n (a) = 0 y n (b) = 0 para todo n. Pensemos ahora en el error
set of equations and also via the so-called reciprocal basis. The set of
o \residuo"pj,
R
j denido por R
= f fN . Esta claro que nuestro objetivo es reducir este residuo en
is obtained by multiplying (inner product) both sides of (3.52) with
= 1,.. . ,n:
todos los puntos del dominio
. Una forma alternativa de plantear el problema es buscar que se anule
la integral de este residuo, pesado conn N funciones de peso independientes Wl :
Z
(",'pj)=~ai(cpi,cpj), j=L...,n. (3.54)
Wl R
d
= 0; l = 1; 2; 3; :::; N:
i=l

In matrix notation this is

El requisito de convergencia es ahora que la+ ecuaci

a=p
todo l cuando N ! 1.
on anterior se satisfaga para(3.55)
Si sustituimos para fN , obtenemos un sistema lineal de ecuaciones para los coecientes an :
Ka = b;
donde
aT = [a1 ; a2 ; :::; aN ]; (8)
Z
Kln = Wl n d
; 1  l; n  N; (9)
Z

bl = Wl (f )d
; 1  l  N: (10)

Dependiendo de la eleccion de las Wl y de las n tendremos distintos metodos. Consideremos algunas

alternativas para n :
1. Funciones senoidales:
n (x) = sin nx
L
; siendo L la longitud del dominio:

3
 2. Funciones constantes a trozos:
(
1; xn < x < xn+1
n (x) =
0; en otro caso,
siendo fxn g una particion de [a; b] tal que x0 = a, xN = b y xn < xn+1 .
3. Funciones lineales a trozos:
8 x xn 1
>
> ; xn 1  x  xn
< xn xn 1
n (x) = > xn+1 x ; xn  x  xn+1
>
: xn+1 xn 0; en otro caso
De la misma forma, opciones frecuentes para Wl son:
1. Funcion  de Dirac:
Wl (x) =  (x xl )
2. Funcion de peso igual a la funcion aproximante:
Wl (x) = l (x)

Considere una funcion f (x) denida en el intervalo [0; 1] por:

f (x) = x + sin ( 1;8x):
- Muestre que la opcion Wl = (x xl ) anula el residuo en todos los puntos interiores fxl g, cualquiera
sea n (este metodo recibe el nombre de \colocacion puntual").
L ) conduce a una aproximaci
- Muestre que la eleccion Wl = l = sin ( lx on de (f ) equivalente a la
obtenida mediante una expansion ortogonal en terminos de funciones senoidales. >Que caractersticas
tiene la matriz K en este caso?
- Muestre que un metodo de colocacion puntual con las n funciones constantes a trozos aproxima la
funcion f (x) mediante una expansion ortogonal con coecientes de la forma:
R xn+1
xn f (x)dx
an = xn+1 xn
:

>Podra esta aproximacion, bajo ciertas condiciones, ser equivalente a una interpolacion de orden cero
de la funcion f (x), muestreada en los puntos fxl g, tal como vimos en el Captulo 1?
- Considere el conjunto fn g de funciones lineales a trozos. >Es ortogonal este conjunto? Divida el
dominio de f (x) en intervalos equiespaciados xn+1 xn = xn xn 1 = h y encuentre una aproximacion
fN (x) usando colocacion puntual y n lineales a trozos. Compare el resultado con la interpolacion lineal
de los valores de f (x) evaluada en los puntos fxl g, obtenida con las expresiones del Captulo 1.
- Dena un funcional I (a) como: Z
I (a) = (f fN )2 d

Muestre que minimizar I (a) equivale a escoger Wl = l en la formulacion de residuos ponderados.

Exprese coloquialmente este resultado.

3.2. Representacion de se~

nales en bases no ortogonales
Hemos visto que la representacion de una se~nal en una base ortogonal tiene una forma muy sencilla. Sin
embargo, en la practica podemos encontrarnos con bases que no son ortogonales. >Como representamos
nuestras se~nales en estos casos?

4
 Consideremos un espacio X  RN generado por un conjunto de N vectores linealmente independi-
entes fi g, pero no necesariamente ortogonales. Luego, cualquier x 2 X puede representarse por una
combinacion lineal
XN
x = ai i :
i=1
Podemos obtener un sistema de ecuaciones lineales multiplicando ambos miembros de la igualdad
anterior con j , para j = 1; :::; N :
X
N
hx; j i = ai hi ; j i:
i=1
de forma que obtenemos un sistema
b = a;
con
()ji = hi ; j i (11)
(b)j = hx; j i : (12)
De esta forma, determinamos a solucionando el sistema de ecuaciones. Una forma mas conveniente
consiste en usar una base recproca fi g que verique una condicion de biortogonalidad con fi g, esto
es hi ; j i = ij . Lo invitamos a explorar esta alternativa.
- Exprese los vectores j como combinacion lineal de los i
X
N
j = ji i
i=1
y muestre que la base recproca puede obtenerse a partir de la relacion
T = I;
donde ( )ij = ij .
- Muestre que ai = hx; i i y verique que x puede representarse de cualquiera de las siguientes formas:
X
N X
N
x= hx; i i i = hx; i i i :
i=1 i=1

Como ejemplo elemental, comience por considerar una base en R2 dada por 1 = [0; 1]T y 2 = [2; 1]T .

3.3. Transformada KLT discreta.

Lea detenidamente las paginas que se adjuntan dedicadas a la transformada de Karhunen-Loeve (KLT)
discreta 1 .
- >Sobre que tipo de se~nales se aplica esta transformacion?
- >En que consiste la propiedad de \mejor aproximacion" de la KLT referida en el texto? Reproduzca
en detalle la demostracion.
- Verique computacionalmente las propiedades atribuidas en el texto a la matriz de covarianza.
- >En que aplicaciones piensa que podra usar esta transformacion? Justique.
- >Encuentra posibles desventajas del uso de esta transformacion? En ese caso, mencionelas y justique
su respuesta.
- Implemente una rutina que permita \limpiar" una se~nal de voz contaminada con ruido blanco aditivo
utilizando la KLT (solicite a la catedra grabaciones de voz).
- Investigue como podra proceder en el caso que el ruido que contamina la se~nal no fuera blanco.
1 Material tomado del libro de A. Mertins: \Signal Analysis. Wavelets, Filter Banks, Time-Frequency Transforms and
Applications". John Wiley & Sons, 1999.
5