Teorema de Shanon PDF

Indice
Un viaje matematico a traves del teorema de

Shannon
A. G. Garca1
1 Departamento de Matem aticas
Universidad Carlos III de Madrid
A. G. Garca Viaje a trav

es del Teorema de Shannon
Indice
1 El teorema de muestreo de Shannon

Dualidad de Fourier
Undersampling y Oversampling
Comentarios por el camino
Errores
Muestreo Multidimensional
2 Recuperacion Estable
3 Muestreo Irregular
4 Muestreo con muestras de funciones relacionadas
Muestreo con derivadas
Muestro con la transformada de Hilbert
5 Teorema de muestreo de Kramer
6 Espacios invariantes por traslacion

Dualidad de Fourier
El teorema de muestreo de Shannon Comentarios por el camino
Errores
El Teorema de muestreo de Shannon
Cualquier funcion f del espacio de Paley-Wiener:
PW := f L2 (R) C(R), supp b

f [, ]
(bandalimitada a [, ]) puede desarrollarse como

X sin (t n)
f (t) = f (n)
n=
(t n)
La serie converge absoluta y uniformemente en R.

Dualidad de Fourier
Errores

f [, ]

X sin (t n)
f (t) = f (n)
n=
(t n)
PW = F 1 L2 [, ] es un espacio de Hilbert contenido

en L2 (R).

Dualidad de Fourier
Errores

f [, ]

X sin (t n)
f (t) = f (n)
n=
(t n)
Para f PW se verifica
e itw
Z
1
f (t) = f (w )e iwt dw = hb
b f , iL2 [,]
2 2
Dualidad de Fourier
Errores
Una prueba elegante (Hardy)

f en la base ortonormal {e inw / 2}nZ de
Desarrollamos b
L2 [, ]:
X e inw e inw X e inw
f =
b f,
hb iL2 [,] = f (n)
nZ
2 2 nZ
2
Aplicando la transformada de Fourier inversa F 1 :

X e inw X sin (t n)
f (t) = f (n)F 1 (t) = f (n)
2 (t n)
nZ nZ

X
= f (n) sinc(t n)
n=

Dualidad de Fourier
Errores

f en la base ortonormal {e inw / 2}nZ de
Desarrollamos b
L2 [, ]:
X e inw e inw X e inw
f =
b f,
hb iL2 [,] = f (n)
nZ
2 2 nZ
2
Aplicando la transformada de Fourier inversa F 1 :

X e inw X sin (t n)
f (t) = f (n)F 1 (t) = f (n)
2 (t n)
nZ nZ

X
= f (n) sinc(t n)
n=

Dualidad de Fourier
Errores

X
f (t) = f (n) sinc(t n)
n=
Seno cardinal
sin t
sinc t :=
t
q
1 1
F [,] (t)
2

Dualidad de Fourier
Errores
Una prueba elegante. Convergencia
1
Z
e itw
b f, iL2 [,]
2 2
f kL2 [,] = kf kPW , luego convergencia en L2 (R)

|f (t)| kb
implica convergencia puntual
Convergencia incondicional de una serie de Fourier implica
convergencia absoluta
Convergencia uniforme en R

Dualidad de Fourier
Errores

|f (t)| kb

Dualidad de Fourier
Errores

|f (t)| kb

Dualidad de Fourier
Errores
Convergencia uniforme en R.
Las evaluaciones puntuales Et (f ) := f (t) son funcionales lineales

continuos en PW

PW es un espacio de Hilbert con n ucleo reproductor (RKHS)

Dualidad de Fourier
Errores
Convergencia uniforme en R.
Las evaluaciones puntuales Et (f ) := f (t) son funcionales lineales

continuos en PW

PW es un espacio de Hilbert con n ucleo reproductor (RKHS)
Para cada s R y f PW
f (s) = hf , sinc( s)iPW
k (t, s) := sinc(t s) es el n
ucleo reproductor de PW

Dualidad de Fourier
Errores
Interpretacion de la Dualidad de Fourier
f PW

Dualidad de Fourier
Errores
F
f L2 [, ]
f PW b

Dualidad de Fourier
Errores
F
f PW f L2 [, ]
b

Sy
{f (n)}nZ `2 (Z)
F

Sy

Dualidad de Fourier
Errores
F
f PW f L2 [, ]
b

Sy yP
fp L2p [, ]
{f (n)}nZ `2 (Z) b
F
F

Sy yP

F
Dualidad de Fourier
Errores
Dado un periodo de muestreo Ts > 0 consideramos las muestras

{f (nTs )}nZ de f PW . Consideramos la version 2
Ts -periodizada
de fb

X 2
fp () :=
b f +
b n
n=
Ts

Dualidad de Fourier
Errores

X 2
fp () :=
b f +
b n
n=
Ts
La desarrollamos con respecto la base ortonormal

q T imT w
2 e
s s
mZ
de L2 [0, 2/Ts ]
F
ormula sumatoria de Poisson

X 2 X e imTs
fp () =
b f +
b n = Ts f (mTs )
n=
Ts m= 2

Dualidad de Fourier
Errores

X 2
fp () :=
b f +
b n
n=
Ts
F
ormula sumatoria de Poisson

X 2 X e imTs
fp () =
b f +
b n = Ts f (mTs )
n=
Ts m= 2
Consecuencia
Muestrear una senal con periodo Ts equivale a periodizar su
espectro con periodo 2/Ts

Dualidad de Fourier
Errores
Primer caso: 0 < Ts 1

Oversampling

Dualidad de Fourier
Errores
Primer caso: 0 < Ts 1

Oversampling
Ventaja del Oversampling

Dualidad de Fourier
Errores
Segundo caso: Ts > 1

Undersampling

Dualidad de Fourier
Errores

Undersampling
Frecuencia Nyquist
Fenomeno de aliasing

Dualidad de Fourier
Errores

Undersampling
Frecuencia Nyquist
Fenomeno de aliasing

Dualidad de Fourier
Errores

Nota Historica
Teorema WSK (Whittaker-Shannon-Kotelnikov)
E. T. Whittaker (1915) y J. M. Whittaker (1935): Estudio de
series cardinales
C. E. Shannon (1949): Communication in the presence of noise
V. Kotelnikov (1933): On the carrying capacity of the ether
and wire in telecommunications
Soporte de b
f simetrico: Para f real y bandalimitada
f (w )|2 = b
|b f (w )b
f (w ) = b
f (w )b
f (w )
f [w0 , w0 + ] se obtiene la formula de
Si supp b
muestreo

X sin (t n)
f (t) = f (n)e iw0 (tn)
n=
(t n)

Dualidad de Fourier
Errores

Nota Historica
series cardinales
Soporte de b
f (w )|2 = b
|b f (w )b
f (w ) = b
f (w )b
f (w )
Si supp b
muestreo

X sin (t n)
f (t) = f (n)e iw0 (tn)
n=
(t n)

Dualidad de Fourier
Errores

Nota Historica
series cardinales
Soporte de b
f (w )|2 = b
|b f (w )b
f (w ) = b
f (w )b
f (w )
Si supp b
muestreo

X sin (t n)
f (t) = f (n)e iw0 (tn)
n=
(t n)

Dualidad de Fourier
Errores

Nota Historica
series cardinales
Soporte de b
f (w )|2 = b
|b f (w )b
f (w ) = b
f (w )b
f (w )
Si supp b
muestreo

X sin (t n)
f (t) = f (n)e iw0 (tn)
n=
(t n)

Dualidad de Fourier
Errores

Nota Historica
series cardinales
Soporte de b
f (w )|2 = b
|b f (w )b
f (w ) = b
f (w )b
f (w )
Si supp b
muestreo

X sin (t n)
f (t) = f (n)e iw0 (tn)
n=
(t n)

Dualidad de Fourier
Errores

Nota Historica
series cardinales
Soporte de b
f (w )|2 = b
|b f (w )b
f (w ) = b
f (w )b
f (w )
Si supp b
muestreo

X sin (t n)
f (t) = f (n)e iw0 (tn)
n=
(t n)

Dualidad de Fourier
Errores

Nota Historica
series cardinales
Soporte de b
f (w )|2 = b
|b f (w )b
f (w ) = b
f (w )b
f (w )
Si supp b
muestreo

X sin (t n)
f (t) = f (n)e iw0 (tn)
n=
(t n)

Dualidad de Fourier
Errores
En PW , el periodo de muestreo Nyquist es

2
Ts = =1
long([, ])
Toda funcion f PW se recupera a partir de sus muestras

{f (n + )}nZ cualquiera que sea el R.Desarrollando f
b
i(n+)w

respecto a la base ortonormal e / 2 nZ y
aplicando F 1 se obtiene:

X
f (t) = f (n + ) sinc(t n )
n=

Dualidad de Fourier
Errores
En PW , el periodo de muestreo Nyquist es

2
Ts = =1
long([, ])
Toda funcion f PW se recupera a partir de sus muestras

{f (n + )}nZ cualquiera que sea el R.Desarrollando f
b
i(n+)w

respecto a la base ortonormal e / 2 nZ y
aplicando F 1 se obtiene:

X
f (t) = f (n + ) sinc(t n )
n=

Dualidad de Fourier
Errores
La formula hf , sinc( t)iL2 (R) da la proyeccion ortogonal de

f L2 (R) sobre PW
F
ormula interpolatoria tipo-Lagrange:

X
n=

X P(t)
= f (n)
n=
(t n)P 0 (n)
sin t
donde P(t) :=

Dualidad de Fourier
Errores
La formula hf , sinc( t)iL2 (R) da la proyeccion ortogonal de

f L2 (R) sobre PW
F
ormula interpolatoria tipo-Lagrange:

X
n=

X P(t)
= f (n)
n=
(t n)P 0 (n)
sin t
donde P(t) :=

Dualidad de Fourier
Errores
En el espacio de Paley-Wiener general PW en donde

2
f L2 [, ], se verifica que Ts = 2
supp b = 1 . Para
f PW se verifica

X sin (t n)
f (t) = f (n/)
n=
(t n)
ucleo reproductor es: k = sinc (t s)

El n

Dualidad de Fourier
Errores
f = decaimiento mas rapido de f en .

Regularidad de b
1
sinc(t) = O |t| cuando |t| + debido a las
discontinuidades de [,]
Problemas numericos: Si queremos calcular f (1/2) a partir de
las muestras {f (n) + n }nZ el error cometido es:
X (1)n n

1

n
(n 2 )
Podra valer infinito aunque |n |

Solucion: Tecnica de oversampling

Dualidad de Fourier
Errores

Regularidad de b
1
X (1)n n

1

n
(n 2 )


Dualidad de Fourier
Errores

Regularidad de b
1
X (1)n n

1

n
(n 2 )


Dualidad de Fourier
Errores
Tecnica de oversampling
Supongamos supp b f [, ] [, ] donde < 1
Sea una funcion suficientemente regular tal que
(
1 w [, ]
(w ) :=
0 w / [, ]

Dualidad de Fourier
Errores

Tecnica de oversampling
Supongamos supp b f [, ] [, ] donde < 1
Sea una funcion suficientemente regular tal que
(
1 w [, ]
(w ) :=
0 w / [, ]
Entonces
X e inw
f (w ) =
b f (n)(w ) en L2 [, ]
n 2
X
f (t) = f (n)S(t n) en PW
n

donde S(t n) = F 1 [(w )e inw / 2](t)
Dualidad de Fourier
Errores
PW como un RKHS de funciones enteras:

f PW se extiende a C como:
Z
1
f (z) = f (w )e izw dw , z C
b
2
Aplicando Cauchy-Schwarz:
|f (z)| kf ke |z| , z C
Teorema clasico de Paley-Wiener:
PW = {f H(C) ; |f (z)| Ae |z| ; f |R L2 (R)}

Dualidad de Fourier
Errores
Transformada de Fourier en sentido distribucional.

Sea T E 0 (R) con supp T (, ).
Si b D(R) con supp b (, ) y b 1 en un abierto
conteniendo a supp T
Teorema de Campbell
Sea f = F 1 T , entonces

X
X
f (z) = f (n)(z n) = f (n) sinc( n) (z), z C
n= n=
uniformemente en compactos de C

Dualidad de Fourier
Errores
Transformada de Fourier en sentido distribucional.

Sea T E 0 (R) con supp T (, ).
Si b D(R) con supp b (, ) y b 1 en un abierto
conteniendo a supp T
Teorema de Campbell
Sea f = F 1 T , entonces

X
X
f (z) = f (n)(z n) = f (n) sinc( n) (z), z C
n= n=
uniformemente en compactos de C

Dualidad de Fourier
Errores
Validez de la formula de muestreo en otros espacios

funcionales:
1 Clases de Paley-Wiener PWp
2 Espacios de Bernstein Bp
Etc.

Dualidad de Fourier
Errores

funcionales:
Etc.

Dualidad de Fourier
Errores

funcionales:
Etc.

Dualidad de Fourier
Errores

funcionales:
Etc.

Dualidad de Fourier
Errores
Estudio de errores
Error de truncamiento Para f PW se verifica

N
X 2 N
X
kf k2 |f (n)|2

f (t) f (n) sinc(t n)

n=N n=N
Error de amplitud
Error Time-jitter
Error por perdida de informacion
Error de Aliasing

Dualidad de Fourier
Errores
Estudio de errores
Error de truncamiento
Error de amplitud
{f (n) + n }nZ
Error Time-jitter
Error de Aliasing

Dualidad de Fourier
Errores
Estudio de errores
Error de amplitud
Error Time-jitter
{f (n + n )}nZ
Error de Aliasing

Dualidad de Fourier
Errores
Estudio de errores
Error de amplitud
Error Time-jitter
{n f (n)}nZ donde 0 n 1 para cada n Z.
Error de Aliasing

Dualidad de Fourier
Errores
Estudio de errores
Error de amplitud
Error Time-jitter
Error de Aliasing
Si f L2 (R) C(R) y b
f L1 (R)
r Z

f (t)
X 2
f (n) sinc(t n) |b
f (w )|dw

n=
|w |>

Dualidad de Fourier
Errores
Muestreo multidimensional
Z Z
1
f (t, s) = f (x, y )e itx e isy dxdy
b
2
entonces
X sin (t n) sin (s m)
f (t, s) = f (n, m)
(t n) (s m)
n,mZ

Dualidad de Fourier
Errores
Muestreo multidimensional
Z Z
1
f (t, s) = f (x, y )e itx e isy dxdy
b
2
entonces
X sin (t n) sin (s m)
f (t, s) = f (n, m)
(t n) (s m)
n,mZ
f B con B Rn acotado, la reconstruccion

En general, si supp b
eficiente de f depende de la geometra del conjunto B

Recuperacion Estable
Muestreo Irregular
Muestreo con muestras de funciones relacionadas
Teorema de muestreo de Kramer
Espacios invariantes por traslaci
on
Recuperacion estable
1
Z
e itw
b f, iL2 [,]
2 2
{e itn w }nZ completo en L2 [, ] implica que la sucesion

{f (tn )}nZ caracteriza f PW

Muestreo Irregular
on
1
Z
e itw
b f, iL2 [,]
2 2
{e itn w }nZ completo en L2 [, ] implica que la sucesion

{f (tn )}nZ caracteriza f PW
Muestreo estable en {tn }nZ
kf kPW K k{f (tn )}k`2 (Z)

Muestreo Irregular
on
1
Z
e itw
b f, iL2 [,]
2 2
Muestreo estable en {tn }nZ
kf kPW K k{f (tn )}k`2 (Z)
Bases ortonormales: Identidad de Parseval

Bases de Riesz
Frames

Muestreo Irregular
on
Recuperacion estable. Bases de Riesz
Una base de Riesz {xn } en un espacio de Hilbert H es la imagen

de una base ortonormal {en } mediante un operador T : H H
acotado e invertible
Existe {yn } base de Riesz biortonormal (i.e., hxn , ym i = n,m ) tal

que para todo x H
X X
x= hx, yn ixn = hx, xn iyn
n n

Muestreo Irregular
on
Recuperacion estable. Bases de Riesz
Una base de Riesz {xn } en un espacio de Hilbert H es la imagen

de una base ortonormal {en } mediante un operador T : H H
acotado e invertible
Existe {yn } base de Riesz biortonormal (i.e., hxn , ym i = n,m ) tal

que para todo x H
X X
x= hx, yn ixn = hx, xn iyn
n n

Muestreo Irregular
on
Recuperacion estable. Frames
Una sucesion {xn } es un frame en H si existen constantes

0 < A B tal que
X
Akxk2 |hx, xn i|2 Bkxk2 para todo x H
n
P
Se mantiene la representacion x = n c n xn en H aunque no es
u
nica.
el punto de vista practico, x H se recupera a partir de

DesdeP
Sx = n hx, xn ixn mediante un algoritmo iterativo
Algoritmo frame

Muestreo Irregular
on

0 < A B tal que
X
n
P
u
nica.

DesdeP
Algoritmo frame

Muestreo Irregular
on

0 < A B tal que
X
n
P
u
nica.

DesdeP
Algoritmo frame

Muestreo Irregular
on
Muestreo estable en PW en los puntos de muestreo {tn }

equivale a encontrar bases de Riesz, frames {e itn w } en
L2 [, ]

Muestreo Irregular
on
Muestreo irregular
Condicion 1/4 de Kadec
1
sup |tn n| < {e itn w / 2}nZ es una base de Riesz de L2 [, ]
nZ 4
Teorema de Perturbacion
Sea {en } base ortonormal de H y {fn } sucesi
on de H. Supongamos existe
[0, 1) tal que
s
X X
cn (en fn )
|cn |2
n n
para toda sucesion {cn } finita. Entonces, {fn } es base de Riesz de H

Muestreo Irregular
on
Muestreo irregular
Condicion 1/4 de Kadec
1
sup |tn n| < {e itn w / 2}nZ es una base de Riesz de L2 [, ]
nZ 4
Teorema de Perturbacion
Sea {en } base ortonormal de H y {fn } sucesi
on de H. Supongamos existe
[0, 1) tal que
s
X X
cn (en fn )
|cn |2
n n
para toda sucesion {cn } finita. Entonces, {fn } es base de Riesz de H

Muestreo Irregular
on
Muestreo irregular

Sea {hn }nZ la base biortonormal de {e itn w / 2}nZ
X
f (w ) =
b f (tn )hn (w ) en L2 [, ]
n
Aplicando F 1
X
f (t) = f (tn )F 1 (hn )(t) en PW
n

Muestreo Irregular
on
Muestreo irregular
X
f (t) = f (tn )F 1 (hn )(t) en PW
n
Teorema de Paley-Wiener-Levinson
Para toda f PW se tiene

X G (t)
f (t) = f (tn )
n=
(t tn )G 0 (tn )
donde

Y t t
G (t) := (t t0 ) 1 1
tn tn
n=1

Muestreo Irregular
on
Z Z
1 0 1
f (t) = f (w )e iwt dw
b f (t) = f (w )iwe iwt dw
b
2 2
Un par de bases de Riesz duales en L2 [, ] apropiadas para el

muestreo con derivadas son:
1 |w | 2inw i sgn w
yn = e 2inw nZ

xn = 1 e nZ

y
1 1
xn = e 2inw yn = iwe 2inw nZ


Muestreo Irregular
on
Desarrollando b un la base {xn } {yn }

f seg

X
2f 0 (2n)yn

f =
b 2f (2n)xn
n=
Aplicando F 1

2 t 2n
X
0

f (t) = f (2n) + (t 2n)f (2n) sinc
n=
2

Muestreo Irregular
on
Muestreo con la transformada de Hilbert
Transformada de Hilbert
Dada f PW , su transformada de Hilbert esta definida por
Z
1
f (t) :=
e f (w )e iwt dw
(i sgn w )b
2

La sucesion {i sgn we inw / 2}nZ es base ortonormal de
L2 [, ]. Desarrollando bf en dicha base y aplicando F 1

X 1
f (t) = f (n) sinc (t n) sin (t n)
e
n=
2 2

Muestreo Irregular
on
Transformada de Hilbert
Dada f PW , su transformada de Hilbert esta definida por
Z
1
f (t) :=
e f (w )e iwt dw
(i sgn w )b
2

La sucesion {i sgn we inw / 2}nZ es base ortonormal de
L2 [, ]. Desarrollando bf en dicha base y aplicando F 1

X 1
f (t) = f (n) sinc (t n) sin (t n)
e
n=
2 2

Muestreo Irregular
on
Se nal real f L2 (R)

nal analtica asociada a una se
fa := f + i e
f = fba = b
f + i(i sgn)b
f = 2b
fu
i.e., supp fba [0, +) (u es la funcion de Heaviside)

Muestreo Irregular
on
Muestreo se
nales pasobanda
Supongamos f real con supp b f [w0 , w0 ] [w0 , w0 + ]
Entonces
R w +
fa (t) = 12 w00 2b f (w )e iwt dw

X sin ( 2t n)
fa (t) = fa (2n)e iw1 (t2n)
n=
( 2t n)
donde w1 = w0 + 2 .

Muestreo Irregular
on
Muestreo se
nales pasobanda

X sin ( 2t n)
fa (t) = fa (2n)e iw1 (t2n)
n=
( 2t n)
Como f = <fa

X
f (t) = f (2n) cos w1 (t 2n)
n=
sin (t 2n)
f (2n) sin w1 (t 2n) 2
e
2 (t 2n)

Muestreo Irregular
on
Teorema de muestro de Kramer
Sea H espacio de Hilbert separable y subconjunto de R o C

Dada una funcion K : H, para x H se define la
funcion:

f (t) := hx, K (t)iH f (t) := hK (t), xiH t
Al espacio vectorial HK de todas las funciones definidas de

esta forma se le dota de estructura de espacio de Hilbert con
n
ucleo reproductor

Muestreo Irregular
on

funcion:


n
ucleo reproductor

Muestreo Irregular
on

funcion:


n
ucleo reproductor

Muestreo Irregular
on
HK = {f (t) := hx, K (t)iH : x H, t }
HK es un RKHS
kf kHK = nf{kxk : Tx = f } donde
T : x H f HK
El n
ucleo reproductor viene dado por
k(t, s) = hK (s), K (t)iH (k(t, s) = hK (t), K (s)iH )

Muestreo Irregular
on
HK = {f (t) := hx, K (t)iH : x H, t }
1 Estudio de la regularidad de las funciones en HK

2 Muestreo en HK : Teorema de Kramer
3 Muestreo utilizando otro tipo de muestras
4 Cuando se escribira la serie muestral como una serie
interpolatoria tipo Lagrange?
X X P(t)
f (t) = f (tn )Sn (t) = f (tn )
n n
(t tn )P 0 (tn )
donde P tiene ceros simples en {tn }

Muestreo Irregular
on
HK = {f (t) := hx, K (t)iH : x H, t }

X X P(t)
f (t) = f (tn )Sn (t) = f (tn )
n n
(t tn )P 0 (tn )

Muestreo Irregular
on
Teorema de Kramer
Supongamos existe {tn } en tal que {K (tn )} es base ortogonal
de H. Entonces,
X
f (t) = f (tn )Sn (t) , t
n
donde
hK (tn ), K (t)iH
Sn (t) =
kK (tn )k2
La serie converge absolutamente en cada punto de y
uniformemente en subconjuntos de donde kK (t)k este acotada

Muestreo Irregular
on
HK = {f (t) := hx, K (t)iH : x H, t }

X X P(t)
f (t) = f (tn )Sn (t) = f (tn )
n n
(t tn )P 0 (tn )

Muestreo Irregular
on
HK = {f (t) := hx, K (t)iH : x H, t }

X X P(t)
f (t) = f (tn )Sn (t) = f (tn )
n n
(t tn )P 0 (tn )

Muestreo Irregular
on
HK = {f (t) := hx, K (t)iH : x H, t }
5 omo obtener K y la sucesion {tn }?

C
Una manera de obtener los n ucleos K ha consistido en considerar

problemas diferenciales y en diferencias, de manera que la sucesion
{tn } sea la de los autovalores del problema y {K (tn )} la sucesion
de las correspondientes autofunciones.
6 Tipologa conocida del espacio HK . Por ejemplo, cuando HK
sera un espacio de De Branges de funciones enteras?

Muestreo Irregular
on
HK = {f (t) := hx, K (t)iH : x H, t }

C
Ejemplo: Volviendo al Teorema de Shannon
(
iy 0 = ty ; x [, ]
y () = y ()
[K (t)](x) = e itx ; tn = n Z

Muestreo Irregular
on
HK = {f (t) := hx, K (t)iH : x H, t }

C

Muestreo Irregular
on
Teora de muestreo en espacios invariantes por traslacion
Definicion
Dada L2 (R) se define X
V := span{(t n) : n Z} = { an (t n) : {an } `2 (Z)}
nZ
cuando {(t n)}nZ sea al menos un frame para V
Ejemplos
1 = sinc = V = PW
2 = Nm donde Nm es el B-spline de orden m 1, i.e.,
Nm := N1 N1 N1 (m veces) donde N1 := [0,1]
3 es la funcion escala de un MRA

Muestreo Irregular
on
Definicion
nZ
Ejemplos
1 = sinc = V = PW

Muestreo Irregular
on
Definicion
nZ
Ejemplos
1 = sinc = V = PW

Muestreo Irregular
on
Definicion
nZ
Ejemplos
1 = sinc = V = PW

Muestreo Irregular
on
Supongamos las siguientes hipotesis sobre el generador :

La sucesion {(t n)}nZ es una base de Riesz de V
es continua en R
La serie 2
P
n= |(t n)| est
a uniformemente acotada en R

Muestreo Irregular
on
Supongamos las siguientes hipotesis sobre el generador :

La sucesion {(t n)}nZ es una base de Riesz de V
es continua en R
La serie 2
P
n= |(t n)| est
a uniformemente acotada en R
Sea T : L2 (0, 1) V el isomorfismo definido como

T (e 2inw ) := (t n) para cada n Z

Muestreo Irregular
on
Entonces:
Para cada f V se tiene
f (t) = hF , Kt iL2 (0,1) , tR
donde F = T 1 f y

X
Kt (w ) = (t n)e 2inw = Z (t, w )
n=

Muestreo Irregular
on
Entonces:
Para cada f V se tiene
f (t) = hF , Kt iL2 (0,1) , tR
donde F = T 1 f y

X
Kt (w ) = (t n)e 2inw = Z (t, w )
n=
Z es la transformada de Zak de

Muestreo Irregular
on
Entonces:
f (t) = hF , Kt iL2 (0,1) , Kt (w ) = Z (t, w )
Kt+m (w ) = e 2imw Kt (w )
T e 2imw F (w ) = f (t m) si f = T (F )


Muestreo Irregular
on
Entonces:
f (t) = hF , Kt iL2 (0,1) , Kt (w ) = Z (t, w )
Kt+m (w ) = e 2imw Kt (w )
T e 2imw F (w ) = f (t m) si f = T (F )


Muestreo Irregular
on
Teorema de muestreo en V
Supongamos 0 < kKa k0 kKa k < . Entonces, para cada
f V
X
f (t) = f (a + n)Sa (t n) , t R
n=

donde Sa = T 1/Ka . La convergencia de la serie es absoluta y
uniforme en R

Muestreo Irregular
on
f V
X
f (t) = f (a + n)Sa (t n) , t R
n=

uniforme en R
1 Muestreo no uniforme: {f (a + n + n )}

Muestreo Irregular
on
f V
X
f (t) = f (a + n)Sa (t n) , t R
n=

uniforme en R
on {Ka+n (w )e 2inw }nZ
Para que {n } con supn |n | < la sucesi
es una base de Riesz obtenida perturbando {Ka (w )e 2inw }nZ ?

Muestreo Irregular
on
f V
X
f (t) = f (a + n)Sa (t n) , t R
n=

uniforme en R
2 Muestreo utilizando muestras de versiones filtradas de f


Teorema de Shanon PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Teorema de Shanon PDF

Transféré par

Droits d'auteur :

Formats disponibles

Indice

Un viaje matematico a traves del teorema de

A. G. Garca Viaje a trav

1 El teorema de muestreo de Shannon

A. G. Garca Viaje a trav

El Teorema de muestreo de Shannon

Cualquier funcion f del espacio de Paley-Wiener:

PW := f L2 (R) C(R), supp b

(bandalimitada a [, ]) puede desarrollarse como

La serie converge absoluta y uniformemente en R.

A. G. Garca Viaje a trav

El Teorema de muestreo de Shannon

Cualquier funcion f del espacio de Paley-Wiener:

PW := f L2 (R) C(R), supp b

(bandalimitada a [, ]) puede desarrollarse como

La serie converge absoluta y uniformemente en R.

PW = F 1 L2 [, ] es un espacio de Hilbert contenido

A. G. Garca Viaje a trav

El Teorema de muestreo de Shannon

Cualquier funcion f del espacio de Paley-Wiener:

PW := f L2 (R) C(R), supp b

(bandalimitada a [, ]) puede desarrollarse como

La serie converge absoluta y uniformemente en R.

Una prueba elegante (Hardy)

Aplicando la transformada de Fourier inversa F 1 :

A. G. Garca Viaje a trav

Una prueba elegante (Hardy)

Aplicando la transformada de Fourier inversa F 1 :

A. G. Garca Viaje a trav

Una prueba elegante (Hardy)

A. G. Garca Viaje a trav

Una prueba elegante. Convergencia

f kL2 [,] = kf kPW , luego convergencia en L2 (R)

A. G. Garca Viaje a trav

Una prueba elegante. Convergencia

f kL2 [,] = kf kPW , luego convergencia en L2 (R)

A. G. Garca Viaje a trav

Una prueba elegante. Convergencia

f kL2 [,] = kf kPW , luego convergencia en L2 (R)

A. G. Garca Viaje a trav

Una prueba elegante. Convergencia

Las evaluaciones puntuales Et (f ) := f (t) son funcionales lineales

A. G. Garca Viaje a trav

Una prueba elegante. Convergencia

Las evaluaciones puntuales Et (f ) := f (t) son funcionales lineales

f (s) = hf , sinc( s)iPW

A. G. Garca Viaje a trav

Interpretacion de la Dualidad de Fourier

A. G. Garca Viaje a trav

Interpretacion de la Dualidad de Fourier

A. G. Garca Viaje a trav

Interpretacion de la Dualidad de Fourier

A. G. Garca Viaje a trav

Interpretacion de la Dualidad de Fourier

Dado un periodo de muestreo Ts > 0 consideramos las muestras

A. G. Garca Viaje a trav

La desarrollamos con respecto la base ortonormal

A. G. Garca Viaje a trav

A. G. Garca Viaje a trav

Primer caso: 0 < Ts 1

A. G. Garca Viaje a trav

Primer caso: 0 < Ts 1

Ventaja del Oversampling