UNIVERSIDAD VERACRUZANA

FACULTAD DE MATEMÁTICAS

Análisis de Multiresolución
en el
Espacio de Bergman del Disco

TESIS

que para obtener el grado de

Maestro en Matemáticas

Correspondiente al Plan de Estudios de la

Maestrı́a en Matemáticas

P R E S E N T A N:
Lic. Ricardo Aguilar Garcı́a
DIRECTOR DE TESIS:
Dr. Josué Ramı́rez Ortega

Mes del año 2017 Xalapa, Ver. México

CONTENIDO

I Introducción 3

1 Transformaciones de Möbius y el Grupo de Blaschke 5

1.1 Transformaciones de Möbius . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Clasificación de transformaciones de Möbius . . . . . . . . . . . . . . 6
1.2 Transformaciones de Möbius en el semiplano superior Π . . . . . . . . . . . 7
1.2.1 Clasificación de transformaciones de Möbius en Π . . . . . . . . . . 7
1.2.2 Subgrupos especiales de SL2 (R) . . . . . . . . . . . . . . . . . . . . 8
1.2.3 Descomposición de Iwasawa de SL2 (R) . . . . . . . . . . . . . . . . 10
1.2.4 Grupo afı́n y acción en Π . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Transformaciones de Möbius del disco D . . . . . . . . . . . . . . . . . . . . 11
1.3.1 Grupo de Blaschke B . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.2 Subgrupo GD de B, isomorfo al grupo afı́n . . . . . . . . . . . . . . . 13
1.4 Espacio de Bergman A2 (D) . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5 Representación de B en A2 (D) . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2 Análisis de Multiresolución en el Espacio de Bergman del Disco 21

2.1 Análisis de Multiresolución en L2 (R) . . . . . . . . . . . . . . . . . . . . . . 21
2.2 Un conjunto de muestreo y Análisis de Multiresolución en A2 (D) . . . . . . 24
2.2.1 Construcción de un conjunto de muestreo en D . . . . . . . . . . . . 24
2.2.2 Desarrollo de un Análisis de Multiresolución en A2 (D) . . . . . . . . 29
2.3 Otro conjunto de muestreo y Análisis de Multiresolución en A2 (D) . . . . . 30
2.3.1 Conjunto de muestreo derivado del grupo afı́n . . . . . . . . . . . . 31
2.3.2 Análisis de Multiresolución en A2 (D) . . . . . . . . . . . . . . . . . 37
2.4 Análisis de Multiresolución en un subespacio H < A2 (D) . . . . . . . . . . 39
2.4.1 Base ortonormal {ψk } para H . . . . . . . . . . . . . . . . . . . . . 40
2.4.2 Proyección en el n-ésimo nivel de resolución . . . . . . . . . . . . . 47
2.5 Aplicación en el procesamiento de imágenes . . . . . . . . . . . . . . . . . . 49
2.5.1 Algoritmos en Matlab . . . . . . . . . . . . . . . . . . . . . . . . . 50

1
II Conclusiones 51

III Apéndice A 52

IV Bibliografı́a 58

2
 Introducción

El poder generar un nuevo conocimiento en base a lo ya existente, ha sido y seguirá

siendo clave para el avance de la ciencia y sus diferentes ramas, las matemáticas no son
la excepción. En esta disciplina donde la abstracción lo es todo, resulta interesante hacer
analogı́as o traducciones de lo ya conocido hacia nuevos campos de estudio. Transportarse
de un espacio a otro mediante transformaciones, permite observar desde otro enfoque los
objetos ya conocidos y describir sus nuevas caracterı́sticas; por ejemplo, enviar los ele-
mentos del semiplano superior cartesiano al disco unidad, por medio de una aplicación de
Möbius, deja la posibilidad de observar, entre otras cosas, cómo una recta se transforma en
curva y aún aplicando otra métrica, se siguen conservando las propiedades del semiplano
superior.

En este trabajo se pretende crear un análisis de multiresolución basándose en la teorı́a

del análisis clásico, el cual se efectúa en el semiplano superior Π. Para esto se enviarán los
elementos de Π al disco unidad; cabe mencionar que esta manera de desarrollar un análisis
de multiresolución no es única, es por eso que en este escrito se mencionará una manera
alterna de construcción, la cual se desarrolla en el artı́culo ([8]). De aquı́ la importancia
de generar una análisis traduciendo lo realizado en el semiplano Π.

Para desarrollar un análisis de multiresolución previamente se estudiará el grupo de

transformaciones de Möbius, ası́ como también la identificación que tiene este grupo con
cocientes de GL2 (C) y SL2 (C). Además se efectuará una clasificación de las transforma-
ciones.
Se estudiarán las transformaciones de Möbius que preservan el semiplano superior, aquı́
destacan tres subgrupos de transformaciones que se asocian a tres subgrupos de SL2 (R)
que son de gran interés, pues a partir de ellos se genera todo SL2 (R). Dicho resultado se
conoce como la descomposición de Iwasawa. También se estudiarán las transformaciones
de Möbius que preservan el disco, se hablará acerca del llamado grupo de Blaschke B. Por
último, se tratará a un subgrupo GD de B, homeomorfo al grupo afı́n, y a su vez al disco D.

Lo siguiente es definir una representación unitaria para los grupos de interés. Contar
con una representación permite generar las funciones que serán una base para los diferentes
niveles de resolución, los cuales se generarán en el Capı́tulo 2. Pero no sólo se generan

3
las bases, además, con una representación se permite el tránsito a los niveles superiores o
inferiores del análisis de multiresolución. Es por eso que se definirá la representación de
B en el espacio de Bergman A2 (D); esta será muy importante para desarrollar un análisis
de multiresolución.

En el Capı́tulo 2 se generará el análisis de multiresolución. Recuérdese que en Π se

cumple que en L2 (R) se puede construir un análisis de multiresolución con una colección
de subespacios {Vj : j ∈ Z} de L2 (R) los cuales tienen que satisfacer la jerarquización
(Vn ⊂ Vn+1 ), densidad ( Vn = L2 (R)), separación ( Vn = {0}) y la existencia de una
S T
base ortonormal para cada nivel de resolucion Vn , como se puede ver en ([8]). Del mismo
modo que en Π, se desarrollará un análisis de multiresolución en el disco, para esto es
necesario contar con un grupo y un conjunto de muestreo para el espacio de Bergman
A2 (D), el cual está relacionado al grupo de Blaschke B. Se estudiarán subgrupos discretos
de B, y se darán condiciones para que estos subgrupos formen un conjunto de muestreo.
Además se analizará si en estos subgrupos se puede generar un análisis de multiresolución.

Para generar el análisis de multiresolución en el disco D, el conjunto discreto de puntos

en Π se enviará al disco y se probará que se tiene un conjunto de muestreo formado por
puntos en D. Para generar un análisis de multiresolución se debe tomar en cuenta las
propiedades del grupo GD ; el cual es un subgrupo de B. Se probará que un conjunto dis-
j+i(1−2k )
creto de puntos de la forma bjk = Ψ(zjk ) = −j−i(1+2 k ) es un conjunto de muestreo con la

métrica pseudohiperbólica, para ello se hará uso de la aplicación que va de Π a D, la cual

i−z
se define como Ψ(z) = i+z . De esta manera aplicando Ψ a un punto z = zjk ∈ Π se obtiene
el punto b = bjk ∈ D. Una vez obtenido el conjunto de muestreo y con la representación se
definirán las funciones ϕjk las cuales formarán los distintos niveles de resolución Vn . En
este caso no se obtendrá una base ortonormal pero esto no es un impedimento para poder
desarrollar un análisis de multiresolución.

Finalmente, se enfatizará en dar un ejemplo de análisis de multiresolución aplicable,

donde se vea con precisión el cómo se adapta esta teorı́a, al tratado de una imagen, por
ejemplo. Para esto se considerará trabajar solo en una dimensión del análisis desarrollado
al enviar Π a D, es decir, sobre el gen{ϕk }. También se tratará de dar un algoritmo para
poder transitar entre los diferentes niveles de resolución; con esto se consigue una forma
viable y clara de mostrar la importancia del análisis de multiresolución.

4
CAPÍTULO 1

Transformaciones de Möbius y el
Grupo de Blaschke

En este capı́tulo se tratará el grupo de transformaciones de Möbius, ası́ como también

la identificación que tiene este grupo con cocientes de GL2 (C) y SL2 (C). Además se
verá una clasificación de las transformaciones mediante conjugación y puntos fijos ([2], [3],
[5]). En particular, se tratarán las transformaciones de Möbius que preservan el semiplano
superior, destacando tres subgrupos de transformaciones, los cuales estarán asociados a
tres subgrupos de SL2 (R) que son de gran interés, pues a partir de ellos se genera todo
SL2 (R). Dicho resultado se conoce como la descomposición de Iwasawa. También se
estudiarán las transformaciones de Möbius que preservan el disco, en este contexto se
hablará acerca del llamado grupo de Blaschke B. Por último, se tratará a un subgrupo
GD de B, isomorfo al grupo afin y homeomorfo al disco D, donde este conjunto se dota de
una estructura de grupo.

1.1 Transformaciones de Möbius

En esta sección se introduce la definición de transformación de Möbius y se estudia la
identificación que tiene este grupo de transformaciones con cocientes de GL2 (C) y SL2 (C).
Sea C̃ = C ∪ {∞}. Una transformación de Möbius es una aplicación de la forma
az + b
T (z) = : C̃ → C̃,
cz + d
donde ad − bc 6= 0. Este conjunto de transformaciones forma un grupo, el cual se denotará
por M. Este grupo puede identificarse con cocientes de GL2 (C) y SL2 (C) de la manera
siguiente. A cada matriz invertible A se le asocia la transfomación de Möbius ΦA definida
como  
az + b a b
ΦA (z) = , A= . (1.1)
cz + d c d

La aplicación Φ : GL2 (C) 3 A 7→ ΦA ∈ M es un homomorfismo sobreyectivo, esto es,

ΦAB = ΦA ◦ ΦB .

5
Esta correspondencia no es inyectiva. Si ΦA = ΦB , entonces existe un escalar λ tal que
λA = B. Entonces ker Φ = C× I, donde C× = C \ {0}. Por otra parte, para cada A, es
posible escoger λ tal que det(λA) = λ2 det A = 1, en realidad existen dos valores. Por lo
tanto, la aplicación Φ : SL2 (C) → M es un homomorfismo sobreyectivo con ker Φ = {±I}.
Ası́
GL2 (C)/C× I ∼
= M,
P SL2 (C) := SL2 (C)/{±I} ∼
= M.

1.1.1 Clasificación de transformaciones de Möbius

A continuación se dará una clasificación de las transformaciones de Möbius mediante

conjugación y puntos fijos. Dos transformaciones de Möbius S, T son conjugadas si existe
una transformación de Möbius ϕ tal que

S = ϕ−1 T ϕ.

La conjugación es una relación de equivalencia, por lo que induce una clasificación por
clases de equivalencia:
[T ] = {ϕ−1 T ϕ : ϕ ∈ M}.
Si T es la transformación identidad, entonces [T ] = {T }.

Se tiene que T = ϕ−1 Sϕ en los siguientes casos particulares:

βz+δ
a) T z = z + α, Sz = z + β y ϕ(z) = α con α, β 6= 0.
−1
b) T z = kz, Sz = k1 z y ϕ(z) = kz .

Proposición 1 Se cumple que T (z) = αz y S(z) = βz son conjugadas si y sólo si α = β

o α = 1/β.

La clasificación también se lleva a cabo por el número de puntos fijos. Si S = ϕ−1 T ϕ

y z0 es un punto fijo de T , entonces ϕ−1 (z0 ) es un punto fijo de S. Por lo tanto el número
de puntos fijos de S es igual al número de puntos fijos de T . Se les llama parabólicas
a las transformaciones que tienen un sólo punto fijo. Las transformaciones que tienen
dos puntos fijos se dividen en elı́pticas, hiperbólicas y loxodrómicas. La transformación
identidad es la única que tiene más de dos puntos fijos.

Proposición 2 Se cumple que

1. T tiene un sólo punto fijo si y sólo si es conjugada a S(z) = z +α para alguna α 6= 0.

Esto es equivalente a que ∆ = 0, donde ∆ = (a − d)2 + 4bc.

6
 2. T tiene dos puntos fijos si y sólo si es conjugada a S(z) = kz para alguna k 6= 0, 1.

La transformación T z = z + α (α 6= 0) tiene a ∞ como único punto fijo, mientras que

T z = βz tiene a 0 e ∞ como puntos fijos (β 6= 0, 1). Entonces z + α y βz no pueden ser
conjugadas una de la otra. Además αz y βz no son conjugadas a menos que β = 1/α.
Todos los hechos enunciados hacen consistente la siguiente definición.

Definición 3 Dada una transformación de Möbius T ,

(a) T es parabólica si es conjugada a alguna S(z) = z + α, con α 6= 0,

(b) T es elı́ptica si es conjugada a alguna S(z) = kz, con |k| = 1 y k 6= 1,

(c) T es hiperbólica si es conjugada a alguna S(z) = kz, con k ∈ R+ y k 6= 1.

(d) T es loxodrómica si es conjugada a alguna S(z) = kz, con |k| =

6 1yk∈
/ R+ .

1.2 Transformaciones de Möbius en el semiplano superior

Π
El grupo MΠ de todas las tranformaciones de Möbius que preservan el semiplano superior
Π = {z | Im z > 0} tienen la forma
az + b
ΦA (z) = , A ∈ GL+
2 (R),
cz + d
donde GL+ 2 (R) = {A ∈ GL2 (R) : det A > 0}. La aplicación A 7→ ΦA es un homomorfismo
de GL+2 (R) sobre MΠ . Luego, se tienen los siguientes isomorfismos

MΠ ∼
= GL+ ×
2 (R)/{R I}, R× = R \ {0}
MΠ ∼
= SL2 (R)/{±I}.

1.2.1 Clasificación de transformaciones de Möbius en Π

Se tratará la clasificación por conjugación en MΠ , es decir, tómese ahora conjugación
sólo con transformaciones en MΠ . Puede suceder que dos transformaciones en MΠ sean
conjugadas en M pero no en MΠ .

Lema 4 Sea T = ΦA ∈ MΠ , con A ∈ GL+

2 (R) y T 6= I.

i) Si T tiene sólo un punto fijo z, entonces z ∈ R ∪ {∞}.

ii) Si T tiene dos puntos fijos z1 y z2 , entonces z1 , z2 ∈ R ∪ {∞} o bien z1 ∈ Π y

z2 = z1 .

7
Proposición 5 Sea T ∈ MΠ , con T 6= I. Se cumple que
1) T ∈ MΠ tiene sólo un punto fijo si y sólo si es conjugada a S(z) = z + α para alguna
α ∈ R \ {0}.

2) Si T ∈ MΠ tiene dos puntos fijos en R ∪ {∞}, entonces es conjugada a S(z) = kz

para alguna k ∈ R+ \ {1}.

3) Si T ∈ MΠ tiene dos puntos fijos α1 , α2 , con α2 = α1 y α1 ∈ Π, entonces es

conjugada a
cos θ z − sin θ
S(z) = , para algún θ ∈ (0, π).
sin θ z + cos θ

Definición 6 Se dice que T ∈ MΠ , con T 6= I, es

1. elı́ptica si T tiene un punto fijo en Π,

2. parabólica si T tiene sólo un punto fijo en R ∪ {∞},

3. hiperbólica si T tiene dos puntos fijos en R ∪ {∞}.

1.2.2 Subgrupos especiales de SL2 (R)

En esta sección se describen a tres subgrupos de SL2 (R) que son de gran interés, pues a
partir de ellos se genera todo SL2 (R). Dicho resultado se conoce como la descomposición
de Iwasawa y será enunciado al final de esta sección. Se tratarán las transformaciones de
Möbius en MΠ asociadas a estos tres grupos de matrices, y su relación con la clasificación
dada en la sección anterior.

El grupo SL2 (R) contiene los siguientes subgrupos:

1. El subgrupo compacto K formado por matrices de la siguiente forma

   
cos θ − sin θ
K = Kθ = : θ ∈ [0, 2π] .
sin θ cos θ

2. El subgrupo abeliano A dado por

( √ ! )
r 0
A= Ar = √1
:r>0 .
0 r

3. El subgrupo nilpotente N dado por

   
1 x
N = Nx = :x∈R .
0 1

8
Transformaciones de Möbius asociadas a K
Se verá que las transformaciones asociadas al grupo K son elı́pticas. Si ΦA es elı́ptica, se
verá como llevarla a la forma canónica bajo conjugación. Considérese la aplicación
 
cos θ − sin θ cos θz − sin θ
Kθ = 7−→ ΦKθ (z) = .
sin θ cos θ sin θz + cos θ

Se tiene que ΦKθ (i) = i, esto es, ΦKθ es elı́ptica. Recı́procamente, si A ∈ SL2 (R) satisface
ΦA (i) = i, entonces se puede ver fácilmente que A = Kθ , para algún θ.

Ahora supóngase que A ∈ SL2 (R) satisface ΦA (α + βi) = α + βi, β > 0. Considérese
z−α
ϕ(z) = ∈ MΠ .
β

Se tiene que ϕ(α + βi) = i. Entonces ϕΦA ϕ−1 (i) = i. Es decir, toda ΦA elı́ptica es
conjugada a alguna ΦKθ , con Kθ ∈ K.

Sea MK = Φ(K). Entonces la aplicación K 7→ MK tiene por núcleo a {±I}, por lo

tanto
MK ∼ = K/{± I}.

Transformaciones de Möbius asociadas a A

Brevemente se tratarán las transformaciones asociadas al grupo A, las cuales son hiperbólicas.
Considérese  √ 
r 0
Ar = √ 7−→ ΦAr (z) = rz, r > 0.
0 1/ r
Nótese que ΦAr (0) = 0, ΦAr (∞) = ∞. Es decir, ΦAr es hiperbólica. Recı́procamente, si
ΦM ∈ MΠ es hiperbólica, entonces es conjugada a alguna ΦAr , con Ar ∈ A.

Además, el grupo A es isomorfo al grupo multiplicativo R+ ; a su vez es isomorfo al

grupo de transformaciones de Möbius que son dilataciones, denótese a este grupo como
MD = Φ(A). Los isomorfismos están dados por:

r ←→ Ar ←→ ΦAr .

Transformaciones de Möbius asociadas a N

Considérese ahora las transformaciones asociadas al grupo N , las cuales son parabólicas.
Se tiene  
1 x
Nx = 7−→ ΦNx (z) = z + x, x ∈ R.
0 1
Obsérvese que ΦNx (∞) = ∞ y es el único punto fijo en R, luego ΦNx es parabólica.
Recı́procamente, si ΦM ∈ MΠ es parabólica, entonces es conjugada a alguna ΦNx , con
Nx ∈ N .

9
 El grupo N es isomorfo al grupo aditivo R; a su vez es isomorfo al grupo de transfor-
maciones de Möbius que son traslaciones, denótese a dicho grupo como MT = Φ(N ). Los
isomorfismos están dados por:
x ←→ Nx ←→ ΦNx .

1.2.3 Descomposición de Iwasawa de SL2 (R)

La descomposición de Iwasawa dice que se puede expresar de forma única cualquier matriz
en SL2 (R) como un producto de tres matrices que pertenecen a K, A y N , respectivamente
([14]).

Teorema 7 Dada A ∈ SL2 (R), existen únicos Kθ ∈ K, Ar ∈ A y Nx ∈ N tales que

A = Kθ Ar Nx .

Se hará referencia a esta factorización de A como la descomposición KAN.

Sea A ∈ SL2 (R). Considerando A−1 y su descomposición KAN , esto es, A−1 =
Kθ1 Ar1 Nx1 , se obtiene A = N−x1 A1/r1 K−θ1 , es decir, la descomposición N AK de A:

A = Nx Ar Kθ .

Esta descomposición es fácil de calcular. Para A ∈ SL2 (R) considérese su transformación

de Möbius asociada ΦA (z). Se tiene que

ΦA (i) = x + iy = (ΦNx ◦ ΦAy )(i).

Entonces (Φ−1 −1
Ay ◦ ΦNx ◦ ΦA )(i) = i. Por lo visto en la Sección 1.2.2, se tiene que A1/y N−x A
es alguna rotación Kθ . Ası́
ΦA = ΦNx ◦ ΦAy ◦ ΦKθ ,
o bien,
A = Nx Ay Kθ .

1.2.4 Grupo afı́n y acción en Π

En primer lugar se describirá al grupo afı́n Π ([1]) y sus isomorfismos. Se tiene que el
semiplano superior Π = {(x, r) | x ∈ R, r ∈ R+ } es un grupo con la operación

(x1 , r1 )(x2 , r2 ) = (x1 + r1 x2 , r1 r2 )

para (xk , rk ) ∈ Π, con k = 1, 2. Por lo que Π es isomorfo al grupo afı́n, el cual consiste de
las transformaciones afines ax + b definidas en R. Expresamos los elementos de Π como
números complejos zk = xk + irk , entonces el producto toma la forma
1 1
z1 ◦ z2 = (z1 + z1 ) + (z1 − z1 )z2 .
2 2i

10
 A su vez, Π es isomorfo al siguiente subgrupo de SL2 (R):

N A = {Nx Ar | x ∈ R, r ∈ R+ },

pues se cumple (Nx1 Ar1 )(Nx2 Ar2 ) = Nx1 +r1 x2 Ar1 r2 . Por la unicidad de la descomposición
de Iwasawa se tienen los siguientes isomorfismos:

(x, r) ←→ Nx Ar ←→ ΦNx Ar .

Por otra parte, se tiene la acción transitiva del grupo MΠ en Π mediante:

MΠ × Π −→ Π

(Φ, z) 7−→ Φ(z).

Considérese el grupo de isotropı́a de i, es decir, el grupo de transformaciones en MΠ que
dejan fijo a i, esto es, el grupo de rotaciones MK . Por lo tanto Π es homeomorfo al espacio
cociente
MΠ /MK = {ΦMK | Φ ∈ MΠ }.
Sea ΦA MK ∈ MΠ /MK . Como A = Nx Ar Kθ , entonces

ΦA MK = ΦNx Ar Kθ MK = ΦNx Ar MK ,

pues ΦKθ ∈ MK . Esto significa que el grupo afı́n define al cociente MΠ /MK . Además la
aplicación
Π 3 Nx Ar 7−→ ΦNx Ar MK ∈ MΠ /MK
es biyectiva. Es sobreyectiva por definición. Se verá que es inyectiva. En efecto, si
ΦNx Ar MK = ΦNx1 Ar1 MK , entonces Nx Ar I = Nx1 Ar1 Kθ1 para algún θ1 . Por la unicidad
de la descomposición de Iwasawa se tiene que x1 = x y r1 = r. Por lo tanto Nx1 Ar1 =
Nx Ar .

1.3 Transformaciones de Möbius del disco D

En esta sección se tratarán las transformaciones de Möbius en el disco D correspondientes

a transformaciones conjugadas de MΠ , esto a través de la siguiente transformación de
Möbius. Considérese la transformada de Cayley ϕ : Π −→ D definida como
z−i
ϕ(z) = ΦC (z) = ,
z+i
donde D := {z ∈ C : |z| < 1} y C es la matriz unitaria dada por
 
1 1 −i
C=√ .
2 1 i

11
Nótese que ϕ(i) = 0 y |ϕ(x)| = 1 ∀x ∈ R. Además
z+1 1+z
ϕ−1 (z) = =i .
zi − i 1−z

Sea ΦA ∈ MΠ , donde A ∈ GL2 (R) está dada en (1.1) y det A > 0. Entonces
αz + β
ΦB (z) = ϕΦA ϕ−1 (z) = , (1.2)
βz + α
(a+d)+(b−c)i (a−d)−(b+c)i
donde α = 2 , β= 2 y
 
−1 α β
B = CAC = . (1.3)
β α

Sea MD el grupo de transformaciones de Möbius que preservan el disco. Las transforma-

ciones en MD tienen la forma (1.2) con |α|2 − |β|2 > 0. En particular, si A ∈ SL2 (R)
entonces ΦB (z) ∈ MD con |α|2 − |β|2 = 1. El conjunto de matrices de la forma (1.3), con
|α|2 − |β|2 = 1, es un grupo, el cual se denota por SU (1, 1).

1.3.1 Grupo de Blaschke B

A continuación se identificarán a las transformaciones en MD con un grupo de parámetros
adecuados. Una manera conveniente de representar las transformaciones de Möbius en MD
es la siguiente:
αz + β z−b
ΦB (z) = = ,
βz + α 1 − bz
donde
α −β
= ∈ T, b= ∈ D.
α α
Se define
z−b
Ba (z) :=  , a = (b, ) ∈ B := D × T. (1.4)
1 − bz
Ası́ se tiene la correspondencia biyectiva:

MD 3 Ba ←→ a = (b, ) ∈ B.

Puesto que MD es un grupo bajo composición, esta correspondencia induce un producto

en B, esto es, si a1 , a2 ∈ B entonces a1 ◦ a2 es tal que

Ba1 ◦ Ba2 = Ba1 ◦a2 .

De esta manera B, conocido como grupo de Blaschke, es isomorfo a MD . Concretamente,

si ak := (bk , k ), k ∈ {1, 2} y a := (b, ) := a1 ◦ a2 , entonces

b1 2 + b2 2 + b1 b2
b= ,  = 1 .
1 + b1 b2 2 1 + 2 b1 b2

12
Por ejemplo,
(0, ) ◦ (b, 1) = (b, ),
(b, 1) ◦ (0, ) = (b, ), (1.5)
(0, ) ◦ (b, 1) ◦ (0, ) = (b, 1).

El elemento neutral de B es e = (0, 1) y el elemento inverso de a = (b, ) ∈ B es

a−1 = (−b, ). En particular, si a = (b, −1), entonces a−1 = a, es decir, a2 = e. También
(0, ±1)2 = e. Además, si a = (b, 1), entonces a−1 = (−b, 1).

Como ejemplo de algunos subgrupos en B, se tienen los siguientes:

1. B1 := {(r, 1) : r ∈ (−1, 1)},

2. B2 := {(0, ) :  ∈ T},
n  o
1−η
3. B3 := 2 , η : η ∈ T \ {−1} ,

El subgrupo B1 es isomorfo al grupo de operadores de dilatación en L2 (R); mientras que

B3 es isomorfo al grupo de operadores de translación en L2 (R), esto se analizará más
adelante con más detalle. También en ([8]) se menciona el subgrupo B5

ak − a−k
 
B5 := (rk , 1) : rk = k , k ∈ Z, a > 1 , (1.6)
a + a−k

el cual es isomorfo al grupo aditivo Z:

(rk , 1) ◦ (rn , 1) = (rk+n , 1). (1.7)

Este subgrupo tendrá importancia en las próximas secciones pues formará parte de la
construcción de un análisis de multiresolución.

1.3.2 Subgrupo GD de B, isomorfo al grupo afı́n

En esta sección se estudiará al subgrupo de B que es isomorfo al grupo de transformaciones
de Möbius en D asociadas al grupo afı́n N A. En primer lugar se tratarán los subgrupos
de B que son isomorfos a A y N .

Grupo abeliano A
Sea Ar ∈ A. La transformación de Möbius ΦAr será enviada a su conjugada en MD a
través de la transformada de Cayley, dicha conjugada llevada a la forma (1.4). Esto es,
 
−1 1 r+1 r−1
Br = CAr C = √ .
2 r r−1 r+1

13
Definimos entonces
(r + 1)z + (r − 1) z−t
Φt (z) = ΦBr (z) = = ,
(r − 1)z + (r + 1) 1 − tz
donde t = 1−r
1+r ∈ (−1, 1). Aquı́  = 1. Luego, se tiene la correspondencia entre estas
transformaciones de Möbius y los correspondientes elementos del grupo de Blaschke:
z−t
Φt (z) = ←→ (t, 1) ∈ (−1, 1) × {1},
1 − tz
donde el conjunto AB := (−1, 1) × {1} es un subgrupo de B. Si (t, 1) := (t1 , 1) ◦ (t2 , 1)
entonces
t1 + t2
t= . (1.8)
1 + t1 t2
Puesto que el grupo AB sólo depende del parámetro t, se tendrá que el conjunto (−1, 1)
será un grupo dotado con la operación t = t1 · t2 dada por (1.8).

Se tiene el isomorfismo φ : R+ −→ (−1, 1) dado por

1−r
t = φ(r) = . (1.9)
1+r

Grupo nilpotente N
Sea Nx ∈ N . Entonces
 
−1 1 2 + xi −xi
Bx = CNx C = .
2 xi 2 − xi
Esta matriz le corresponde la siguiente transformación de Möbius del disco con los parámetros
indicados:
(2 + ix)z − ix z−b
Φη (z) = ΦBx (z) = =η ,
(ix)z + 2 − ix 1 − bz
2+ix
donde η = 2−ix ∈ T \ {−1} y b = b(η) = 2+ix ix
= 1−η
2 ∈ C, donde C es la circunferencia
con centro en 1/2 y radio 1/2. Ası́, se tiene la correspondencia
z − b(η)
Φη (z) = η ←→ (b(η), η) ∈ C × (T \ {−1}),
1 − b(η)z
donde el conjunto NB := C × (T \ {−1}) es un subgrupo de B. Si (b(η), η) := (b(η1 ), η1 ) ◦
(b(η2 ), η2 ), entonces
η2 + b(η1 )b(η2 ) 3η1 η2 + η1 + η2 − 1
η = η1 = , (1.10)
1 + η2 b(η1 )b(η2 ) 3 − η1 η2 + η1 + η2

donde b(ηk ) = 1−η2 . Nuevamente, como el grupo NB sólo depende del parámetro η,
k

entonces se considera al conjunto T \ {−1} como un grupo con el producto η = η1 · η2 dado

por (1.10). Luego, se tiene el isomorfismo φ1 : (R, +) −→ (T \ {−1}, ·) dado por
2 + ix
η = φ1 (x) = . (1.11)
2 − ix

14
 Otro enfoque diferente pero más claro de ver la operación (1.10) es mediante la
proyección estereográfica Ψ realizada desde el punto −1 ∈ T hacia el eje imaginario iy, la
cual es un homomorfismo de R sobre T \ {−1} dada por

1 + ix x−i
Ψ(x) = =− . (1.12)
1 − ix x+i

Grupo afı́n en B en términos de dos parámetros

Se identificará al grupo afı́n con un subgrupo de B. Dicha identificación se hará de dos
maneras diferentes. En primer lugar, el grupo afı́n será visto en términos de las variables
t ∈ (−1, 1) y η ∈ T \ {−1}. Dichas variables dependen de r y x, respectivamente, de
acuerdo a los isomorfismos (1.9) y (1.11). Se tiene que

(Nx1 Ar1 )(Nx2 Ar2 ) ←→ (Φη1 Φt1 )(Φη2 Φt2 ),

donde
2 + ixj 1 − rj
ηj = φ1 (xj ) = , tj = φ(rj ) = .
2 − ixj 1 + rj

Considere la identificación Φη Φt ←→ (η, t) ←→ (b(η), η)(t, 1). Se define el producto

en (T \ {−1}) × (−1, 1) como

(η1 , t1 )(η2 , t2 ) = (η1 · (t1 ∗ η2 ), t1 · t2 ),

donde t1 ∗ η2 ∈ T \ {−1} es la acción de (−1, 1) en T \ {−1} dada por

t+η
t∗η = ∈ T \ {−1}.
1 + tη
Se puede comprobar que
 
1−t t+η
(t, 1) ◦ (b(η), η) ◦ (−t, 1) = −b(η) , .
η + t 1 + ηt

Ası́
(Φη1 Φt1 )(Φη2 Φt2 ) = Φη1 Φt1 ∗η2 Φt1 Φt2 = Φη1 ·(t1 ∗η2 ) Φt1 ·t2 .

Se tiene entonces el isomorfismo φ2 : Π = R × R+ −→ (T \ {−1}) × (−1, 1) dado por

 
2 + ix 1 − r
(x, r) 7−→ , .
2 − ix 1 + r

15
Grupo GD en términos de un parámetro en D
Ahora se verá el mismo grupo afı́n en B pero en términos de un parámetro b ∈ D de
variable compleja. Se tiene que el disco D = D × {1} no es un subgrupo de B; sin embargo,
existe un subgrupo de B que se identifica con D como conjunto. Dado b ∈ D se construye
el par
(bξ, ξ) = (b, 1) ◦ (0, ξ) ∈ B,
donde
1+b
ξ = ξ(b) = ∈ T \ {−1}. (1.13)
1+b
Se observa que la siguiente aplicación es inyectiva:

(b, 1) 7→ (bξ, ξ).

Teorema 8 El conjunto
GD = {(bξ, ξ) | b ∈ D}
es un subgrupo de B, donde ξ = ξ(b) está dada en (1.13). Si (bξ, ξ) := (b1 ξ 1 , ξ1 )◦(b2 ξ 2 , ξ2 ),
entonces
b1 + b2 + b1 b2 + |b1 |2
b= , (1.14)
1 + b1 + b1 b2 + |b1 |2 b2
ξ1 + b1 b2
ξ = ξ2 .
1 + ξ1 b1 b2
La igualdad (1.14) define una estructura de grupo en D. Además, el grupo GD es isomorfo
al grupo afı́n Π; a su vez el grupo afı́n es isomorfo a D bajo el isomorfismo Ω : D −→ Π
dado por
1−b
ζ = Ω(b) = i .
1+b
En particular (bξ, ξ)−1 = (−b, ξ) = (cξ, ξ), donde c = −bξ ∈ D y ξ = (1 + c)/(1 + c).

A continuación se explicará como se obtuvo el grupo GD . Se tiene la acción del grupo

MD en D mediante
MD × D −→ D
z−b
(Φ, z) 7−→ Φ(z) =  .
1 − bz
Dicha acción es transitiva. Considérese el grupo de isotropı́a del origen, es decir, el conjunto
de transformaciones en MD que dejan fijo al origen, dicho grupo es el de rotaciones:

KD = {Φ ∈ MD | Φ(z) = z,  ∈ T}.

Con lo anterior se define al espacio homogéneo, esto es, el homeomorfismo entre D y el

espacio cociente MD /KD , formado por todas las clases laterales izquierdas de KD . Puesto
que KD no es un subgrupo normal, el espacio cociente no es un grupo cociente. Sin embargo

16
tiene una estructura de grupo, cuyo producto será definido a continuación. Este producto
inducirá un producto en D.

Para B ∈ SU (1, 1) se tiene la siguiente descomposición:

 
α β
B= = αP U, (|α|2 − |β|2 = 1)
β α

donde    
1 −b  0
P = , U= ,
−b 1 0 1
con
−β α
b= , = .
α α
Luego
z − b
ΦB (z) = (ΦP ◦ ΦU )(z) = .
1 − bz
Nótese que P es una matriz definida positiva mientras que U es una matriz unitaria, es
decir, se obtuvo la descomposición polar de un múltiplo de B. Lo que prosigue es trabajar
sólo con la matriz P , ya que la matriz U no brinda información, en el sentido de que su
transformación de Möbius asociada es absorbida por el grupo de isotropı́a KD , es decir,
ΦB KD = ΦP KD .

El objetivo del siguiente análisis es encontrar la descomposición N AK de P en el

disco, en especı́fico se desea conocer el producto N A. En primer lugar, se buscará la
descomposición N AK de C −1 P C. Una vez hecho esto, se aplicará conjugación nuevamente
para obtener la descomposición N AK de P .

La matriz P es llevada mediante conjugación a una matriz A ∈ GL+

2 (R), a través de
la matriz unitaria C asociada a la transformación de Cayley:
 
1 − Re(b) Im(b)
A = C −1 P C = .
Im(b) 1 + Re(b)

Al igual que P , la matriz A también es definida positiva y det A = 1 − |b|2 = (det B)/|α|2 .
A
A continuación se obtendrá la descomposición N AK de √det A
. Se tiene que

1−b
ζ = Φ √ A (i) = ΦA (i) = x + iy = i .
det A 1+b
Entonces
A 2Im(b) 1 − |b|2
√ = Nx Ay Kθ , x= , y = , θ ∈ [0, π].
det A |1 + b|2 |1 + b|2
Como ya se mencionó anteriormente, lo que prosigue es trabajar sólo con Nx Ay , pues este
factor define a la clase lateral en el cociente MD /KD . En otras palabras:

ΦA MK = ΦNx Ay Kθ MK = ΦNx Ay MK .

17
Se tiene que  √ √ 
y x/ y
à = Nx Ay = √ .
0 1/ y
Ahora se conjuga esta matriz para encontrar el subgrupo de B que es isomorfo al grupo
afı́n. Esto es,
   
−1 1 y + xi + 1 y − xi − 1 1 iζ + 1 −iζ − 1
B̃ = C ÃC = √ = √ ,
2 y y + xi − 1 y − xi + 1 2 y iζ − 1 −iζ + 1

donde ζ = x + iy. Puesto que x + iy = i 1−b

1+b , b ∈ D, entonces

2 −2b
!
1 1+b 1+b
B̃ = √ −2b 2 .
2 y 1+b
1+b

Por lo tanto, se ha obtenido la descomposición N AK de la matriz P :

P = B̃ K̃,

donde K̃ es alguna matriz que induce una rotación en D. El cálculo de dicha matriz
no es relevante pues su transformación de Möbius asociada es absorbida por el grupo de
isotropı́a KD . Ası́
ΦB KD = ΦP KD = ΦB̃ K̃ KD = ΦB̃ KD .
La matriz B̃ se corresponde con su respectiva transformación de Möbius:
1+b
1 + b z − b( 1+b ) z − bξ¯
ΦB̃ (z) = =ξ ,
1 + b 1 − b(1+b) z 1 − bξz
1+b

donde
1+b
ξ = ξ(b) = .
1+b
Por lo tanto, se tiene la correspondencia entre ΦB̃ (z) y su respectivo subgrupo GD en B:

z − bξ¯ ¯ ξ) ∈ B.
ΦB̃ (z) = ξ ←→ (bξ,
1 − bξz

El producto en Π = R × R+ se induce en D bajo la aplicación de Möbius Ω : D −→ Π

dada por
1−b
ζ = Ω(b) = i . (1.15)
1+b
Se tiene entonces el isomorfismo de GD a Π dado por (bξ, ξ) 7→ b.

Nótese que la inversa de Ω es la proyección estereográfica (1.12) extendida en el semi-

plano superior
i−ζ
Ω−1 (ζ) = Ψ(ζ) = .
i+ζ

18
1.4 Espacio de Bergman A2 (D)
En esta sección se tratará una representación unitaria del grupo de Blaschke B en el
espacio de Bergman del disco. En primer lugar, se darán algunos resultados acerca de
dicho espacio ([12]).

Sea A(D) el conjunto de funciones analı́ticas f : D −→ C. El espacio de Bergman se

define como Z
2 1
A (D) := {f ∈ A(D) : |f (z)|2 dxdy < ∞},
π D
donde z = x + iy ∈ D. El conjunto A2 (D) es un espacio de Hilbert con el producto escalar
Z
1
hf, gi := f (z)g(z)dxdy. (1.16)
π D
Una función analı́tica f (z) = ∞ n 2
P
n=0 cn z , con z ∈ D, pertenece al espacio A (D) si y sólo
si los coeficientes satisfacen que
∞
X 1
|cn |2 < ∞.
2(n + 1)
n=0

Para cada punto fijo z ∈ D, la aplicación Fz : A2 (D) −→ C dada por Fz (f ) = f (z) es un

funcional lineal acotado en A2 (D). El espacio de Bergman A2 (D) es un subespacio cerrado
de L2 (D). Por el teorema de representación de Riesz aplicado al funcional Fz , existe un
único elemento kz ∈ A2 (D) tal que para cada f ∈ A2 (D),
Z
1
f (z) = hf, kz i = f (ξ)kz (ξ)dξ1 dξ2 , ξ = ξ1 + iξ2 , z ∈ D.
π D
La función K(z, ξ) = kz (ξ) : D × D −→ C se llama núcleo de Bergman de D y tiene la
siguiente propiedad de reproducción
Z
1
f (z) = f (ξ)K(z, ξ)dξ1 dξ2 , f ∈ A2 (D), z ∈ D.
π D
En ([12]) se prueba que el núcleo de Bergman cumple:
• K(z, z) > 0,
• K(ξ, z) = K(z, ξ),
• respecto a ξ, el núcleo K(ξ, z) pertenece a A2 (D),
• kK(·, z)k2 = K(z, z) = 1/(1 − |z|2 )2 .
El núcleo para el disco unitario está dado por
1
K(ξ, z) = .
(1 − zξ)2
Además la proyección de Bergman P : L2 (D) −→ A2 (D) está dada por
Z
1 1
(P f )(z) = hf, K(·, z)i = f (ξ) dξ1 dξ2 .
π D (1 − ξz)2

19
1.5 Representación de B en A2 (D)
La acción de B en D induce una representación unitario en el espacio de Bergman. Para
cada a = (b, ) ∈ B se define un operador unitario en A2 (D) de la siguiente manera:

1 − |b|2
(Ua f )(z) =  f (Ba−1 (z)), (1.17)
(1 + bz)2

donde a−1 = (−b, ). En particular para un punto b ∈ D se cumple la siguiente relación
con el núcleo de Bergman:

1 − |b|2 K(z, −b)

(U(b,1) 1)(z) = = .
(1 + bz)2 kK(·, −b)k

Otra forma de expresar la representación es con Ua−1 , como sigue

1 − |b|2
(Ua−1 f )(z) =  f (Ba (z)). (1.18)
(1 − bz)2

En particular,
1 − |b|2 K(z, b)
(U(b,1)−1 1)(z) = = .
(1 − bz)2 kK(·, b)k
En ([7]) también se demuestra el siguiente resultado:

Teorema 9 La aplicación π : a 7→ Ua es una representación unitaria del grupo B en

A2 (D).

Ahora ya se cuenta con una base sólida de herramientas para enfocarse en el estudio de
un conjunto de muestreo y en base a ello, la construcción de un análisis de multiresolución.

20
CAPÍTULO 2

Análisis de Multiresolución en el
Espacio de Bergman del Disco

En este capı́tulo se generarán dos análisis de multiresolución, uno basándose en el análisis

de multiresolución clásico en L2 (R) y otro construido en el espacio de Bergman ([8]).
Se dará un breve resumen de un análisis multiresolución en L2 (R), el cual consiste de
una colección de subespacios {Vj : j ∈ Z} de L2 (R) que satisfacen las propiedades de
ortogonalidad, jerarquización, densidad y separación. Este análisis de multiresolución se
construye a partir de un subconjunto discreto del grupo afı́n Π, una representación de Π
en L2 (R) y una función de escala ϕ ∈ L2 (R).

Posteriormente se desarrollarán los análisis de multiresolución en el espacio de Bergman.

Para esto se debe seleccionar un conjunto de puntos en el disco de modo que formen un
conjunto de muestreo para el espacio de Bergman A2 (D), el cual está relacionado al grupo
de operadores de Blaschke B. Se trabajará con subgrupos especiales de B y se darán condi-
ciones para que ciertos subconjuntos discretos del disco formen un conjunto de muestreo.
Además se analizarán las condiciones para que estos subconjuntos puedan generar un
análisis de multiresolución.

2.1 Análisis de Multiresolución en L2 (R)

En este trabajo de tesis se construirá un análisis de multiresolución en A2 (D) mediante
la construcción de un conjunto de muestreo enviando Π al disco, este será diferente al
expuesto en ([8]), el cual también se analizará en la siguiente sección. Para este fin, se
tomarán algunos aspectos del análisis de multiresolución efectuado en L2 (R); es por eso
que en esta sección se mostrará como se lleva a cabo el análisis clásico.

Para desarrollar un análisis de multiresolución en L2 (R), es necesario definir dos clases

de operadores unitarios. Dichos operadores son los de traslación y dilatación .

Definición 10 Para f ∈ L2 (R),  ∈ R \ {0} y x, t ∈ R , defı́nase el operador traslación

Tx y el operador dilatación D como

21
 1. (Tx f )(t) = f (t − x),
1
2. (D f )(t) = 1 f ( t ).
|| 2

Estos operadores cumplen las siguientes propiedades:

• Tx1 Tx2 = Tx1 +x2 ,
• D1 D2 = D1 2 ,
• los inversos de los operadores Tx y D son T−x y D 1 , respectivamente,


• D Tx = Tx D .
Los operadores de la forma Tx D constituyen un grupo, isomorfo al grupo afı́n, el cual
identificamos con el semiplano superior Π. El isomorfismo está dado por
z = (x, ) 7→ π(z) = Tx D .
Esta correspondencia en realidad establece una representación unitaria del grupo afı́n en
el espacio L2 (R). Para f ∈ L2 (R) se tiene que
 
1 1 t−x
(π(z)f )(t) = √ f (ϕz −1 (t)) = √ f ,
  
donde ϕz (t) = t + x, z = (x, ) y z −1 = (−x/, 1/) es el inverso de z en el grupo afı́n.

Los operadores D Tx tienen un papel muy destacable ya que son un grupo clave para
la construcción de un análisis de multiresolución. El análisis de multiresolución en L2 (R)
contempla un subcunjunto de puntos discreto de Π, estos puntos son de la forma
   
j 1 1
zjk = , = 0, k (j, 1) , j, k ∈ Z.
2k 2k 2
Aunque en este apartado no se destaque el papel de este conjunto, estos puntos serán de
gran utilidad para el desarrollo de otro análisis de multiresolución en A2 (D), transladando
estos puntos mediante una transformación de Möbius, para conseguir un conjunto de
muestreo de A2 (D).

El análisis de multiresolución en L2 (R) toma en cuenta una función ϕ ∈ L2 (R), lla-

mada función de escala, la cual debe generar bases ortonormales mediante traslaciones y
dilataciones, como se indica a continuación. Defı́nase el espacio
Vk = gen{ϕkj : j ∈ Z},
donde
ϕkj (t) = (D2−k Tj ϕ)(t) = 2k/2 ϕ(2k t − j).
En particular tomando ϕj = ϕ0j , se tiene que

V0 = gen{ϕj (t) = ϕ(t − j) : j ∈ Z}.

Se dice que ϕ define un análisis de multiresolución si la sucesión de subespacios Vk cumplen:

22
a) Ortogonalidad: {ϕj (t) = ϕ(t − j) : j ∈ Z} es base ortonormal de V0 .

b) Jerarquización: V0 ⊂ V1 .

c) Densidad: k∈Z Vk = L2 (R).

S

T
d) Separación: k∈Z Vk = {0}.
Nótese que
ϕkj = π(zjk )ϕ = Tj2−k D2−k ϕ.
Aquı́ destacamos los elementos de la construcción de este análisis de multiresolución: el
conjunto discreto {zjk }, la función de escala ϕ y la representación unitaria π. Además se
tiene una relación de escala, es decir,

ϕk+1,j (t) = (D2−(k+1) Tj ϕ)(t),

= (D2−1 D2−k Tj ϕ)(t),
= (D2−1 ϕkj )(t),

de aquı́ se deduce lo siguiente

D2−1 Vk = Vk+1 .

Espacios de detalle y ondoleta madre

Los espacios Vk se les denomina niveles de resolución, el término se justifca porque los
espacios forman una sucesión creciente con los cuales se puede aproximar cualquier función
en L2 (R) con el grado de precisión que se desee. El espacio de detalle Wk se defne como
el complemento ortogonal de Vk en Vk+1 , de esta manera se tiene que

Vk+1 = Vk ⊕ Wk . (2.1)

Dado que el operador dilatación es unitario, conserva la propiedad de ortogonalidad. Por

lo tanto D2−1 Vk+1 = D2−1 Vk ⊕ D2−1 Wk , en consecuencia Vk+2 = Vk+1 ⊕ D2−1 Wk . Esto
significa que D2−1 Wk es el complemento ortogonal de Vk+1 en Vk+2 , esto es,

Wk+1 = D2−1 Wk ,

lo cual implica que es suficiente encontrar W0 para poder determinar el resto de los espacios
de detalle. Por otra parte, si se aplica la descomposición (2.1) en forma recurrente se
consigue que:
Vn = V0 ⊕ W0 ⊕ · · · ⊕ Wn−1 ,
V0 = V−n ⊕ W−n ⊕ · · · ⊕ W−1 ,
de aquı́ se consigue que

L2 (R) = Vn ⊕ Vn⊥
= V−n ⊕ W−n ⊕ · · · ⊕ W−1 ⊕ W0 ⊕ · · · ⊕ Wn−1 ⊕ Vn⊥
= V−n (⊕W−n ⊕ W−1 ⊕ · · · ⊕ Wn−1 ) ⊕ Vn⊥ .

23
Analizando la forma en que la función de escala ϕ genera los niveles de resolución Vk , se
cuestiona si existe una función que genere los espacios de detalle Wk con el mismo proceso
de construcción de los Vk . La respuesta es afirmativa, es posible la existencia de una base
que genera los espacios Wk ; a estas funciones se les conoce como ondoletas madre.

Definición 11 Sea ϕ una función que induce un análisis de multiresolución. Una ondo-
leta madre es una función ψ ∈ L2 (R) tal que {ψkj : j ∈ Z} es una base ortonormal de Wk ,
donde
ψkj (t) = 2k/2 ψ(2k t − j).

Un resultado importante para ψ ∈ L2 (R) es el siguiente: ψ es una ondoleta madre para el

análisis de multiresolución si y sólo si {ψ0,j : j ∈ Z} es una base ortonormal de W0 .

En base al análisis de multiresolución clásico se pasará a generar el análisis de mul-

tiresolución en el espacio de Bergman.

2.2 Un conjunto de muestreo y Análisis de Multiresolución

en A2 (D)
Una vez recordado el análisis clásico, este trabajo se enfocará en el disco D. Primeramente
se considera el artı́culo ([8]), en el cual se establecen condiciones para que un subconjunto
del disco sea de muestreo en los espacios de Bergman. Posteriormente se mostrará un
conjunto de muestro obtenido en dicho artı́culo, el cual sirve para efectuar un análisis de
multiresolución en A2 (D). Más adelante se darán dos construcciones alternas como parte
del trabajo de tesis.

2.2.1 Construcción de un conjunto de muestreo en D

A continuación se definirán los conceptos necesarios para obtener un conjunto de muestro.
Estos conceptos son la base para construir los dos análisis de multiresolución efectuados
en este trabajo.

Definición 12 La métrica pseudohiperbólica en D se define por

y−x
ρ(x, y) = (x, y ∈ D).
1 − yx
Definición 13 Una sucesión {bk } en D es uniformemente discreta si

inf ρ(bj , bk ) = δ > 0.

j6=k

Definición 14 Para 0 <  < 1, una sucesión {bk } de puntos en el disco, se llama -red
si para cada y ∈ D se tiene que ρ(y, bk ) <  para algún bk ∈ D. Esta definición es análoga
a que se cumpla lo siguiente
∞
[
D= B (bk ),
k=1

24
donde B (bk ) denota el disco pseudohiperbólico con centro en bk y radio .

El espacio de Bergman Ap (D) es el conjunto de funciones analı́ticas en D que se en-

cuentran también en el espacio Lp (D). Un conjunto de muestreo se define a través de una
base de Schauder.

Definición 15 Una sucesión {vn } es una base de Schauder de un espacio de Banach

V si para cada v ∈ V existe una sucesión de escalares {an } tal que
X
v= an vn .
n∈N

En ([10]) se dice que dos bases de Schauder vn y wn en V son equivalentes si existe un

operador lineal acotado T : V → V tal que T vn = wn para todo n. Cuando wn es una
base ortonormal se dice que vn es una base de Riesz.

Teorema 16 ([10]) Si V es un espacio de Hilbert, entonces {vn } es P una base de Riesz

si y sólo si cada v ∈ V puede ser expresado unı́vocamente como v = n∈N an vn . Además
existen constantes positivas A y B tales que
X ∞
X X
2
A |an | ≤ k an vn k2 ≤ B |an |2 ∀v ∈ V.
n∈N n=1 n∈N

En ([8]) se define un conjunto de muestreo como

Definición 17 Una sucesión de puntos {bk } ⊂ D es un conjunto de muestreo para Ap (D),

con 1 < p < ∞, si existen constantes positivas A y B tales que
∞
X
Akf kp ≤ |f (bk )|p (1 − |bk |2 )2 ≤ Bkf kp , f ∈ Ap (D).
k=1

Cuando p = 2 se tiene que cumplir que

∞
X
2
Akf k ≤ |hf, ϕk i|2 ≤ Bkf k2 , f ∈ A2 (D), (2.2)
k=1

donde
K(y, bk )
ϕk (y) = .
kK(y, bk )k
Tomando en cuenta el resultado de una base de Schauder que cumple el Teorema 16,
se tiene que ϕk es una base de Schauder en el espacio de Bergman A2 (D). El siguiente
teorema establece condiciones suficientes para que un conjunto en el disco sea de muestreo.

Teorema 18 ([9]) Si {bk } una -red uniformemente discreta tal que

r
p
< ,
p+2
entonces {bk } es un conjunto de muestreo en Ap (D).

25
 Este último resultado es muy importante y se tomará en cuenta para construir con-
juntos de muestreo.

El análisis de multiresolución tratado en ([8]) se lleva a cabo tomando en cuenta un

parámetro a > 1 para construir un conjunto de muestreo. El parámetro debe ajustarse a
condiciones que permitan que un conjunto de puntos del disco sea de muestreo. En ([8])
se mencionan dos valores adecuados del parámetro, los cuales son:
√
a = 2, 2.

Un pequeño aporte en este trabajo de tesis es dar más valores del parámetro para los
cuales se cumple la condición de muestreo.

Sea Nk , k ≥ 1, una sucesión creciente de números naturales, por conveniencia se

denotará por N (a, k) para indicar que depende de a. Considérese el siguiente conjunto de
puntos del disco:
i 2πl
A = {mkl = rk e Nk : l = 0, 1, ..., N (a, k) − 1, k = 0, 1, 2, 3, ...}, (2.3)

donde N (a, 0) := 1, m00 := 0 y l sólo toma el valor 0 cuando k = 0. Fijo k, los puntos
mkl se encuentran en la circunferencia de radio rk y centro en el origen. Los radios rk son
algunos elementos de grupo B5 dado en (1.6):

ak − a−k
rk = , k ∈ N.
ak + a−k
Para un k ∈ N fijo se considera el subconjunto
i 2πl
Ak = {mkl = rk e Nk : l = 0, 1, ..., N (a, k) − 1}.

Los radios rk de los cı́rculos concéntricos cumplen (1.7). Se puede elegir a y Nk tal que A
sea un conjunto de muestreo en el espacio de Bergman, como se ve en el siguiente teorema.

Teorema 19 ([8]) Sea a > 1 y N (a, k) una succesión creciente de números naturales y
considérese el conjunto de puntos A definido en (2.3). Supongamos que existe el lı́mite
α = limk→∞ N (a, k)a−2k . Se tiene que:

• Si N (a, k)a−2k es una sucesión creciente y α es finito, entonces A es uniformemente

discreto y la constante de separación satisface
 
1
δ ≥ min r1 , √ .
1 + α2

• Si N (a, k)a−2k es decreciente y 0 < α < ∞, entonces existe 0 ∈ (0, 1) para el cual
el conjunto A es una 0 -red.

26
 • Si N (a, k)a−2k = α es una constante para k ≥ 1, 0 < α < ∞ y

a2
(a − a−1 )2 + π 2 < 2p, (2.4)
α2
entonces A es un conjunto de muestreo para Ap (D).

En ([8]) se indican algunos valores de los parámetros para que A√sea un conjunto de
muestreo. Se considera p = 2. Se mencionan los valores a = 2 y a = 2 para los cuales se
toma √
N (2, k) = 22k+3 y N ( 2, k) = 2k+2 ,
√
respectivamente. Para a = 2 se tiene α = 23 ; mientras que para a = 2 se tiene α = 22 .
En el siguiente apartado se verá que estos no son los únicos valores que permiten que se
satisfaga la condición de muestreo.

Condiciones para obtener un conjunto de muestreo en D

Con la finalidad de comprender mejor bajo qué condiciones se pueden elegir los valores de
a, N (a, k) y α. Se efectuará un análisis detallado de cada variable, este aporte brindará
una mayor perspectiva de los valores que se pueden elegir, para que se lleve a cabo un
análisis de multiresolución. En este trabajo se analizará qué otros valores de a se pueden
tomar para conseguir un conjunto de muestreo, aparte de los mostrados en ([8]).
La condición (2.4) del Teorema 19 implica, en particular, que

(a − a−1 )2 < 2p.

Por lo tanto  √ √ 
2p + 2p + 4
a∈ 1, ,
2
lo cual delimita los valores posibles de a.

Como se sabe, el conjunto de muestreo expuesto previamente depende del parámetro

a > 1 y de la sucesión de enteros N (a, k) de modo que el conjunto de puntos mkl sea de
muestreo. Para conseguir un conjunto de muestro en el espacio de Bergman A2 (D) con
p = 2, es suficiente que exista una sucesión creciente de enteros positivos N (a, k) tal que
α = N (a, k)a−2k sea constante positiva y que

a2 π 2
(a − a−1 )2 + < 4.
α2
Puesto que α es constante, debe cumplirse que N (a, k) = αa2k sea entero, esto impone
restricciones en la elección de a. Primero se tiene que cumplir que (a − a−1 )2 < 4 lo que
implica que √
a ∈ (1, 1 + 2).

27
Despejando α se llega a que

πa πa2
α> p =p =: ξ. (2.5)
4 − (a − a−1 )2 (2a − a2 + 1)(2a + a2 − 1)

De esta √manera se obtienen rangos para los posibles valores de a y α. Con los valores a = 2
y a = 2 considerados en ([8]), se tienen más valores posibles para la sucesión creciente de
enteros N √(a, k). Por ejemplo, para a = 2, α puede tomar 2kcualquier valor entero mayor que
ξ = 4π/ 7 ∼ = 4.75, siendo ası́ los productos N (2, k) = α2 forman una sucesión creciente
de enteros. La colección de puntos mkl formará un conjunto de muestreo. Cuanto mayor
sea α, mayor será el conjunto de muestreo, en este sentido quizá convenga el valor menor
posible de α, es decir, α√= 5 para el cual N (2, k) = 5 · 22k . Se puede llevar√ a cabo√un
análisis similar con a = 2. También se pueden considerar los valores a = 3 y a = 5.
√ √ 2k
Esto es, para a = m con m = 2, 3, 5 se toma N (a, k) = α m = αmk , donde α puede
ser cualquier entero mayor que ξ, como se indica en la siguiente tabla:

Valor
√ de a Valores de α
√2 {x ∈ N : x ≥ 3}
3 {x ∈ N : x ≥ 4}
√2 {x ∈ N : x ≥ 5}
5 {x ∈ N : x ≥ 8}.

Considerando α de la forma α = aβ se tiene que

aβ ≥ ξ,

lo que implica que β ≥ loga ξ. Luego, se obtiene N (a, k) = a2k+β . Ası́ se llega a la
siguiente tabla:

Valor
√ de a Mı́nimo Valor de β Mı́nimo Valor de α Valor de N (a, k)
2 2k+2
√2 4 2
2
3 4 3 3k+2 (2.6)
3 22k+3
√2 3 2
5 4 52 5k+2

En general el conjunto de las raı́ces r-ésimas de un entero a = m, con r > 2, no

2k
cumplen la condición de muestreo porque N = α · m r tiene que ser un entero para todo
k; esto ocurre, por ejemplo cuando k es multiplo de r, pero no sucede para todo k. Por
un motivo similar el resto de números irracionales no pueden tomarse como valores de
a, puede suceder que a una cierta potencia k el número irracional se vuelva un racional
entero, pero para k + 1 se tiene el producto de un racional por un irracional y de nuevo se
obtiene un irracional. Para el resto de números racionales no enteros o raices r-ésimas de
números racionales no enteros, tampoco cumplen la condición de muestreo,pues (c/d)2k
no es entero para todo k, el panorama es más complicado para (c/d)2k/r , ya que no se
consigue un entero par todo k.

28
 Bajo estas condiciones ahora se tiene un panorama más claro para poder obtener un
conjunto de muestreo y efectuar un análisis multiresolución. Cabe aclarar que no se está
descartando la posibilidad de que exista otro valor que cumpla la condición de muestreo,
lo que se realizó en este análisis no implica que los valores encontrados sean únicos.

2.2.2 Desarrollo de un Análisis de Multiresolución en A2 (D)

Veamos ahora como se construye un análisis multiresolución en el espacio de Bergman con
un conjunto de muestreo. Supóngase que se tiene a > 1, α = N (a, k)a−2k constante, una
sucesión creciente de enteros N (a, k) y que además

a2 π 2
(a − a−1 )2 + < 4.
α2
Entonces A dado en (2.3) es un conjunto de muestreo para el espacio de Bergman A2 (D).
Anteriormente se mostró la representación unitaria de B en A2 (D), esto es, se tiene un
operador unitario Ua−1 para cada a = (b, ) ∈ B, ver (1.17). Tomando f = 1,  = 1 y
b = mkl se tiene que el conjunto de funciones

K(z, mkl ) 1 − rk2

ϕkl (z) := (U(mkl ,1)−1 1)(z) = = ,
kK(·, mkl )k (1 − mkl z)2

es una base de Schauder para A2 (D). Esto es, se cumple (2.2). De esto se sigue que toda
función f ∈ A2 (D) puede ser representada como una serie

∞ N (a,k)−1
X X
f (z) = ckl ϕkl (z),
k=0 l=0

donde {ckl } ∈ l2 . La base define diferentes niveles de resolución Vn , se obtienen de la

siguiente manera. Primero se considera la función ϕ00 = 1, ası́

V0 = gen{ϕ00 } = C.

El espacio V1 se define como el generado por la base

1 − r12
 
B1 = ϕ1l (z) = : l = 0, 1, ..., N (a, 1) − 1 ,
(1 − m1l z)2
esto es  
 1 N (a,k)−1
X X 
V1 = f : D → C | f (z) = ckl ϕkl (z), ckl ∈ C .
 
k=0 l=0

En general, el nivel n-ésimo de resolución Vn es generado por

Bn = {ϕkl (z) : k = 0, 1, ..., n, l = 0, 1, ..., N (a, k) − 1} ,

29
es decir,  
 n N (a,k)−1
X X 
Vn = f : D → C | f (z) = ckl ϕkl (z), ckl ∈ C . (2.7)
 
k=0 l=0

Ası́ se obtiene una sucesión de subespacios cerrados de A2 (D) tales que

V0 ⊂ V1 ⊂ V2 ⊂ ... ⊂ Vn ⊂ ...

Puesto que el conjunto A es de muestreo se consigue que

[
Vn = A2 (D).
n∈N

De este modo se obtiene un análisis de multiresolución en A2 (D). A diferencia del análisis

de resolución clásico en L2 (R), no se cuenta con una relación de escala.

En resumen, para obtener un análisis de multiresolución es necesario contar con valores

adecuados para a. Los posibles a’s que se encontraron y que permiten obtener un conjunto
de muestreo, son √ √ √
2, 3, 2, 5,
con los valores de α y N (a, k) referenciados en (2.6). De aquı́ se obtiene un conjunto de
muestreo. Posteriormente se construyen los niveles de resolución Vn los cuales forman una
sucesión de subespacios en A2 (D). Finalmente, se tiene el siguiente resultado

Teorema 20 Sean a y N (a, k) tales que definen el conjunto de muestreo dado en (2.3).
Sea {Vn }, n ∈ N la sucesión de niveles de resolución de A2 (D) dados en (2.7). Entonces,
{Vn , n ∈ N} es un análisis multiresolución, es decir, se cumplen los siguientes incisos:

1. (Jerarquización) Vn ⊂ Vn+1 ,

Vn = A2 (D),
S
2. (Densidad)

3. El conjunto {ϕkl }, con k = 0, ..., n, l = 0, ..., N (a, k) − 1, es una base de cada Vn .

2.3 Otro conjunto de muestreo y Análisis de Multiresolución

en A2 (D)
Como se vio previamente, el análisis de multiresolución clásico es diferente a la construcción
efectuada en el artı́culo ([8]), donde se obtuvo un conjunto de muestreo, lo que implica
que la manera de construcción no es única. Tampoco se indica una manera especı́fica para
obtener un conjunto de muestreo para el espacio de Bergman A2 (D). En esta sección se
creará un conjunto de muestreo de una manera distinta a la realizada en ([8]).

Ahora se generará un análisis de multiresolución en A2 (D), tomando en cuenta la rep-

resentación del grupo de Blaschke en el espacio de Bergman. El análisis de multiresolución

30
en A2 (D) se hará por analogı́a al análisis efectuado con el grupo Π; mediante una transfor-
mada de Möbius que relaciona D con Π se obtendrá un conjunto de muestreo. El conjunto
discreto de puntos zjk = (j/2k , 1/2k ) en Π se enviará al disco y se probará que forma un
conjunto de muestreo. En el Teorema 8 se justifica que D tiene una estructura de grupo,
y que Ψ = Ω−1 : Π → D es un isomorfismo.

2.3.1 Conjunto de muestreo derivado del grupo afı́n

La aplicación de Möbius Ω que manda los elementos de D a Π, está dada en (1.15), mientras
que la aplicación que va de Π a D es
i−z
Ψ(z) = .
i+z
Recuérdese que
 en Π se trabajó con el subconjunto discreto formado por puntos de la
forma zjk = 2jk , 21k . De esta manera aplicando Ψ al punto

j 1
zjk = + ki ∈ Π (2.8)
2k 2
se obtiene el punto bjk ∈ D, el cual es

j + i(1 − 2k )
bjk = Ψ(zjk ) = − . (2.9)
j + i(1 + 2k )

Desde luego bjk se identifica con el elemento (bjk ξjk , ξjk ) ∈ GD , para el cual

1 + bjk 1 + 2k + ij
ξjk = = .
1 + bj k 1 + 2k − ij

Otro enfoque para identificar los bjk es el siguiente, como se sabe cada punto zjk puede
ser expresado como un producto de la siguiente manera
 
1
zjk = 0, k (j, 1) = z0k zj0 .
2

Pasando zjk al disco con el isomorfismo Ψ se tiene que

Ψ(zjk ) = Ψ(z0k )Ψ(zj0 )

= b0k bj0 ,

donde
2k − 1 j
b0k = , bj0 = − ,
2k + 1 j + 2i
lo que implica que bjk = b0k bj0 , donde el producto está definido en (1.14). Este producto
también se puede calcular tomando en cuenta que b0k se identifica con (b0k , 1) ∈ GD ,

31
mientras que bj0 se identifica con un elemento de la forma (bj0 ξ j0 , ξj0 ) ∈ GD . Tomando en
cuenta (1.5) se tiene que

(b0k , 1)(bj0 ξ j0 , ξj0 ) = (b0k , 1)(bj0 , 1)(0, ξj0 ).

De esta manera
b0k + bj0
bjk = .
1 + b0k bj0
Nótese que este producto precisamente corresponde con la definición de bjk dada en (2.9).

La transformada de Möbius Ψ manda rectas en Π a circunferencias en D. Entonces, fijo

k, los puntos zjk de la recta horizontal y = 1/2k se mandan a puntos en una circunferencia
de D bajo Ψ. Veamos cual es la imagen de la recta y = 1/2k bajo la transformada Ψ.
Dado que Ψ(∞) = −1 y Ψ(iR+ ) = (−1, 1), la imagen es una circunferencia tangente a
k −1
−1 en D. Además Ψ(i/2k ) = 22k +1 . Con estos dos puntos, extremos de un diámetro, la
circunferencia está completamente identificada. El centro ck y el radio ρk de la k-ésima
circunferencia son los siguientes:

2k
 
1
ck = − k ,0 ρk = k .
2 +1 2 +1

La circunferencia en D se muestra en la siguiente imagen:

Teorema 21 El conjunto discreto de puntos {bjk }, dado en (2.9), es un conjunto de

muestreo en A2 (D).

Demostración. Para ver que el conjunto de puntos elegidos es de muestreo, se pro-

barán las mismas condiciones que en el caso del conjunto A. Para que el conjunto {bjk }
sea de muestreo es suficiente que:

1) sea uniformemente discreto,

32
 2) sea una -red,
√
3)  < 1/ 2.

Primero se encontrará una cota inferior para el ı́nfimo de todas las distancias pseudo-
hiperbólicas entre los puntos bjk . Sean bjk y blm dos puntos distintos entre sı́, es decir,
(j, k) 6= (l, m). Se tiene que
l+i(1−2 )m j+i(1−2k )
− l+i(1+2m) + j+i(1+2k )
ρ(bjk , blm ) = l−i(1−2 ) j+i(1−2k )
m
1 − l−i(1+2 m ) j+i(1+2k )

[l − i(1 + 2m )][2k − 2m + i(2m j − 2k l)]

=
[l + i(1 + 2m )][2k + 2m − i(2m j − 2k l)]
2k−m − 1 + i(j − 2k−m l)
= .
2k−m + 1 + i(j − 2k−m l)
Esta última expresión de ρ(bjk , blm ) se analizará efectuando un cambio de variable. Con-
sidérese
x = (j − 2k−m l)2 ≥ 0,
de esta manera
(2k−m − 1)2 + x
ρ2 (bjk , blm ) = .
(2k−m + 1)2 + x
Tómese k 6= m y asúmase que x es cualquier número real. Respecto a x la función
ρ2 (bjk , blm ) es creciente en el intervalo [−c, ∞), donde c = (2k−m + 1)2 > 0. Dado que
x = (j − 2k−m l)2 ≥ 0, una cota inferior para ρ2 (bjk , blm ) se obtiene tomando x = 0, tal
cota inferior es  k−m 2
2 −1
dkm = .
2k−m + 1
Observese que dkm = dmk . Luego, sea y = 2k−m , con k > m. Entonces y ∈ [2, ∞). El
y−1 2
valor mı́nimo de la función ( y+1 ) en la región [2, ∞) es 19 , por lo tanto la cota inferior
para ρ(bjk , blm ) cuando k 6= m es 13 .

Supongamos que k = m. Se analizará el mı́nimo de la función

x
ρ2 (bjk , blm ) = ,
4+x
donde x = (j − l)2 ≥ 1. La función x/(4 + x) es creciente en [1, ∞), entonces su mı́nimo
lo alcanza en x = 1. El valor mı́nimo para ρ2 (bjk , blm ) es 15 , supuesto que k = m y j 6= l.
Entonces la cota inferior para ρ(bjk , blm ), con k = m, es √15 .

Tomando en cuenta los dos casos k 6= m y k = m, una cota inferior para ρ(bjk , blm )
es 31 . Esta cota es mayor que cero lo que implica que el ı́nfimo de todas las distancias
pseudohiperbólicas es mayor que cero y con esto se consigue que el conjunto discreto
elegido es uniformemente discreto.

33
 Lo que sigue es probar que el conjunto discreto {bjk } forma una -red, con la métrica
pseudohiperbólica. Puesto que existe un isomorfismo Ψ entre Π y D, conviene analizar
las distancias ası́ como las bolas pseudohiperbólicas en el semiplano superior Π, el cual es
isomorfo al disco.

Dados cualesquiera dos puntos s, w ∈ D, el isomorfismo Ψ implica que existen ξ, ω ∈ Π

tales que Ψ(ξ) = s y Ψ(ω) = w. Entonces

s−w Ψ(ξ) − Ψ(ω)

ρ(s, w) = = .
1 − sw 1 − Ψ(ξ)Ψ(ω)

Luego

i−ξ i−ω
i+ξ − i+ω
ρ(s, w) =  
i−ξ i−ω
1− i+ξ i+ω
ξ−ω
= .
ξ−ω

El isomorfismo Ψ es una isometrı́a pseudohiperbólica con la métrica ρe en Π dada por

ρe(ξ, ω) = ρ(Ψ(ξ), Ψ(ω)).

Esto garantiza la posibilidad de analizar circunferencias pseudohiperbólicas en Π. Ahora

se identificará una circunferencia√pseudohiperbólica en el semiplano superior Π. Fijando
ω ∈ Π y tomando un radio de 1/ 2 se tiene la circunferencia

ξ−ω 1
=√ .
ξ−ω 2
Haciendo cálculos

2|ξ − ω|2 = |ξ − ω|2

2(ξ − ω)(ξ − ω) = (ξ − ω)(ξ − ω).

Luego
ξξ − (2ω − ω)ξ − (2ω − ω)ξ + ωω = 0. (2.10)
Una circunferencia en los complejos centrada en z0 y radio r se identifica como |z −z0 | = r,
al desarrollar se obtiene
zz − z0 z − z0 z + z0 z0 = r2 . (2.11)
Con la finalidad de observar la circunferencia pseudohiperbólica como una euclidiana se
llevará (2.10) a la forma (2.11), ası́

ξξ − (2ω − ω)ξ − (2ω − ω)ξ + (2ω − ω)(2ω − ω) = r2 ,

34
donde r2 = (2ω − ω)(2ω − ω) − ωω. Entonces, la circunferencia euclidiana es

|ξ − (2ω − ω)|2 = r2 .

Tomando en cuenta que ω = u + iv al desarrollar 2ω − ω y r2 se obtiene que

2ω − ω = u + 3iv = ω + 2iv.

Por otro lado

r2 = (2ω − ω)(2ω − ω) − ωω
= −2(ω − ω)2
= 8v 2 .
√
Esto implica que r = 2 2v, mientras que el centro eucliiano√ se encuentra en w + 2iv. En
concreto, la circunferencia pseudohiperbólica ρe(ξ, ω) = 1 2 es la circunferencia euclidiana
√
|ξ − (ω + 2iv)| = 2 2v.
√
El centro euclidiano de la circunferencia ρe(ξ, ω) = 1/ 2 está verticalmente arriba de ω a
tres veces la parte imaginaria de ω sobre el eje x. Mientras que el radio es aproximadamente
2.82 veces la parte imaginaria de ω, como puede verse en la siguiente imagen:

Consideremos ahora
√ todas las circunferencias con centro pseudohiperbólico en zjk =
k
(j + i)/2 y radio 1/ 2:
z − zjk 1
=√ , z ∈ Π.
z − zjk 2
Se tiene que el centro euclidiano es wj,k = 2zj,k − zj,k = j/2k + 3i/2k . Luego, la circunfer-
encia euclidiana es √
2 2
|z − wj,k | = k .
2

35
Intersectando esta circunferencia con su circunferencia consecutiva correspondiente a zj−1,k
se tiene que

|z − wj,k |2 = |z − wj−1,k |2
2j − 1
z+z = .
2k
Dado que z es de la forma z = x + iy, entonces z + z = 2x, lo que implica que
2j − 1 j 1
x= k+1
= k − k+1 .
2 2 2
Este valor corresponde a la abscisa de los puntos de intersección de las circunferencias
pseudohiperbólicas con centro en zjk y zj−1,k . Por otra parte, los valores de la ordenada
del punto de intersección de las circunferencias son
√
6 ± 31 ∼ 0.44 11.56
y= = k+1 , k+1 .
2k+1 2 2
Las ordenadas no dependen de j. Cuando se intersecta con la circunferencia correspondi-
ente a zj+1,k se obtiene que la abscisa de intersección se da en
2j + 1
x= .
2k+1
√
Tomando la raı́z negativa se obtiene que y = (6 − 31)/2k+1 < 1/2k+1 . Esto implica
que la celda
 
2j − 1 2j + 1 1 1
Cj,k = z = x + iy : k+1 ≤ x ≤ k+1 , ≤ y ≤ , (2.12)
2 2 2k+1 2k
está completamente
√ contenida en la circunferencia con centro pseudohiperbólico zj,k y
radio 1/ 2. Esto se puede observar más claramente en la siguiente imagen:

Nótese que si se juntan las celdas Cj,k , de la forma (2.12), de cada circunferencia
centrada en zj,k , variando j y k fijo, se logra cubrir la banda de los y ∈ C tal que
1
2k+1
≤ y ≤ 21k . Además, si se hace variar k, las celdas Cj,k cubren todo el semiplano Π.

36
 Para comprobar que efectivamente la celda Cj,k está contenida en la circunferencia,
usemos la métrica pseudohiperbólica y la distancia de cualquier z ∈ Cj,k al centro pseu-
dohiperbólico zj,k :
2 2
z − zjk x + iy − (j + i)/2k
=
z − zj,k x + iy − (j − i)/2k
(2k x − j)2 + (2k y − 1)2
= . (2.13)
(2k x − j)2 + (2k y + 1)2

Obsérvese que z − zj,k = x − j/2k + i(y − 1/2k ) lo que implica que

2j − 1 j j 2j + 1 j
k+1
− k ≤ x − k ≤ k+1 − k ,
2 2 2 2 2
ası́
−1 1
≤ 2k x − j ≤ .
2 2
Por otro lado se sabe que 1/2k+1 ≤ y ≤ 1/2k , de aquı́ se infiere que
1
≤ 2k y ≤ 1.
2
Esto permite analizar la función

x + (y − 1)2
f (x, y) = ,
x + (y + 1)2

en la región 0 ≤ x ≤ 1/4, .5 ≤ y ≤ 1. El máximo de esta función es f (1/4, 1/2) = 1/5 <

1/2. Está claro que si este valor no supera el radio al cuadrado de la circunferencia, mucho
menos lo superará el máximo de la expresión (2.13). Con esto queda probado que la celda
Cj,k está completamente contenida en la circunferencia con la métrica pseudohiperbólica.

Como el zj,k fue arbitrario, se ha logrado construir una -red que cubre todo Π; pasando
esto al disco D,√este también se consigue cubrir con circunferencias pseudohiperbólicas B
de radio  = 1/ 2 cuyo centro pseudohiperbólico se encuentra en bj,k .

Ası́ se tiene una -red en D. Además se consigue la densidad, esto es,

[
D= B (bjk ).

Por lo tanto se tiene un conjunto de muestreo. 

2.3.2 Análisis de Multiresolución en A2 (D)

Ahora se puede construir un análisis de multiresolución considerando el conjunto de
muestreo formado por los puntos bjk en el espacio de Bergman A2 (D).

37
 Anteriormente se mostró la representación unitaria de B en el espacio de Bergman.
Para efectos de cálculos se trabajará con Ua−1 la cual se define en (1.18). Tomando en
cuenta que a = (b, ), se tiene que

1 − |b|2
(Ua−1 f )(z) =  f (Ba (z)) ,
(1 − bz)2
1 − |b|2
 
z−b
=  f  .
(1 − bz)2 1 − bz

En este caso consideramos los elementos de la forma ajk = (bjk , 1). Entonces
!
1 − |bjk |2 z − bjk
(Ua−1 f )(z) = f .
jk (1 − bjk z)2 1 − bjk z

Tomando f = 1 se definen las funciones ϕjk , se tiene que

1 − |bjk |2 K(z, bjk )

ϕjk (z) = (U(bjk ,1)−1 1)(z) = = .
(1 − bjk z) 2 kK(z, bjk )k

De esta manera se tiene que el conjunto ϕjk (z) es una base de A2 (D) ya que los bjk ’s
forman un conjunto de muestreo. El papel de f = 1 es análogo al de una función de
escala. De esto se sigue que toda función f ∈ A2 (D) puede ser representada como
∞
X ∞
X
f (z) = cjk ϕjk (z),
k=−∞ j=−∞

donde {cjk } ∈ l2 (Z × Z).

Los niveles de resolución se definen por puntos sobre circunferencias que se aproximan
a la frontera del disco unitario. De esta manera se puede definir el nivel de resolución Vn
como sigue
 
 X n ∞
X 
Vn = f : D → C | f (z) = cjk ϕjk (z), cjk ∈ C . (2.14)
 
k=−∞ j=−∞

Ası́ se obtiene una sucesión de subespacios cerrados de A2 (D), tal que

... ⊂ V−n ⊂ ... ⊂ V0 ⊂ ... ⊂ Vn ⊂ ... ⊂ A2 (D).

Puesto que se tiene un conjunto de muestreo se cumple que

[
Vn = A2 (D).
n∈Z

En esta construcción de análisis de multiresolución la dilatación no es posible. En Π

se pasa al nivel superior con z0,1 , se espera que en D pase algo similar aplicando U(b0,1 ,1)

38
a ϕjk (z) = (U(bj,k ,1)−1 1)(z); sin embargo, el producto (b0,1 , 1)(−bj,k , 1) no es de la forma
(−bj,k+1 , 1).

Aún ası́ se tiene un análisis de multiresolución, claro está que aquı́ no se cuenta con
una base {ϕjk } ortonormal. Tomando en cuenta lo efectuado previamente y basándose
en la definición análoga de un análisis de multiresolución clásico, esta sección se puede
resumir en el siguiente teorema

Teorema 22 Sea {Vk }, k ∈ Z la sucesión de subespacios de A2 (D) dados en (2.14). Los

subespacios {Vk , k ∈ Z} forman un análisis de multiresolución, se cumplen las siguientes
condiciones:

1. (Jerarquización) Vk ⊂ Vk+1 ,

Vk = A2 (D),
S
2. (Densidad)

3. El conjunto {ϕjk }, con −∞ < j < ∞, −∞ < k ≤ n, es una base para cada Vk .

Nótese que en este caso la relación de escala, no es muy conveniente para usos prácticos.
El uso de este análisis de multiresolución, digamos en el procesamiento de imágenes, se
dificulta debido a que la proyección ortogonal sobre niveles de resolución inferiores no es
fácil de calcular. Sin embargo, esta dificultad se supera si se lleva a cabo un análisis de
multiresolución en un subespacio de A2 (D). De esto se ocupa la siguiente sección.

2.4 Análisis de Multiresolución en un subespacio H < A2 (D)

El análisis de multiresolución construido tiene una gran desventaja desde el punto de vista
numérico, no es una tarea sencilla efectuar la proyección ortogonal de un nivel de resolución
al inmediato inferior. En su defecto, trataremos un análisis de multiresolución sobre un
subespacio de A2 (D). Es decir, la densidad puede omitirse cuando se considera el espacio
generado por todas las funciones que pretenden definir un análisis de multiresolución. Lo
explicaremos en detalle en lo que sigue.

Consideremos los elementos de la forma b0k = rk , ası́ como las funciones ϕk =

U(b0k ,1)−1 1. Se tratará un análisis de multiresolución en el espacio H generado por las
funciones ϕk .

Trabajar de esta forma facilita el poder proyectar ortogonalmente sobre los niveles de
multiresolución y de esta manera poder transitar entre los diferentes niveles de resolución.
En este caso se tendrá un análisis de multiresolución tomando como base las funciones
ϕk , las cuales se generarán en este apartado. De esta manera se cumplirán las siguientes
condiciones:

1. (Jerarquización) Vk ⊂ Vk+1 ,
S
2. (Densidad) Vk = gen{ϕk },

39
 3. (Dilatación) U(r1 ,1) (Vk ) ⊂ Vk+1 ,

4. Existe una base ortonormal {ψk } para cada Vk .

Consideremos entonces las funciones

1 − rk2
ϕk (z) := ϕ0k (z) = , k = 0, 1, ...
(1 − rk z)2

donde
2k − 1 ak − a−k √
rk = b0k = = , a= 2.
2k + 1 ak + ak
Ahora defı́nase el espacio de Hilbert H = gen{ϕk : k = 0, 1, 2, ...}. Los niveles de resolución
se definen de la siguiente manera

Vn = gen{ϕk : k = 0, 1, ..., n}.

Es claro que se tiene una sucesión de subespacios de H, que cumplen

V0 ⊂ V1 ⊂ V2 ⊂ ... ⊂ Vn ⊂ ... ⊂ H.

Además se cumple que

[
Vn = H.
n∈N

En este caso no se tiene una base para el espacio de Bergman A2 (D), es decir, el conjunto de
puntos rk no es de muestreo. Sin embargo esto no es un impedimento para que se pueda
generar un análisis de multiresolución sobre el espacio generado por los ϕk (z). Los ϕk
generan los diferenres niveles de resolución, se aclara que no forman una base ortogonal.
Puesto que cada nivel tiene una base finita, el Teorema de Gram-Schmidt garantiza la
existencia de una base ortonormal de cada nivel de resolución.

2.4.1 Base ortonormal {ψk } para H

Se pretende generar una base ortonormal en H. Es importante mencionar que los ϕk se
pueden expresar en terminos del núcleo de Bergman de la siguiente manera

1 − rk2 K(z, rk )
ϕk (z) = = .
(1 − rk z)2 kK(z, rk )k

Sea
1
σk = = 1 − rk2 ,
kK(z, rk )k
con esta notación los ϕk se expresan como

ϕk (z) = σk K(z, rk ) = σk K(rk , z).

40
Además, se cumple que para cada función f en el espacio de Bergman se tiene que
Z
f (z) = hf, K(z, ·)i = f (w)K(z, w)dA(w), (2.15)
D

dxdy
donde dA(w) = π . De esta manera para cualesquiera ϕn y ϕk , aplicando (2.15), se
tiene que

hϕn , ϕk i = σk hϕn , K(rk , z)i,

Z
σk
= ϕn (z)K(rk , z)dxdy,
π D
= σk ϕn (rk ).

Se seguirá el algoritmo de Gram-Schmidt para obtener una base ortonormal a partir de

{ϕ0 , ϕ1 , ...}. En general, se sabe que cada elemento ψn , de la nueva base, se puede expresar
como una combinación lineal de los ϕ’s que lo generan. Por Gram-Schmidt se sabe que

ψe0 = ϕ0 ,
ψen = ϕn − hϕn , ψ0 iψ0 − · · · − hϕn , ψn−1 iψn−1 , n≥1

donde ψn = ψen /kψen k y {ψ0 , ..., ψn } es un conjunto ortonormal que define el mismo espacio
que {ϕ0 , ..., ϕn }. A continuación se definirá el parámetro de normalización λn como

λn = kψen k.

En particular puesto que kϕ0 k = 1, entonces λ0 = 1. Luego ψ0 = ϕ0 = 1. Por una parte,

existen escalares Dn,k tales que
n
X
ψen = Dn,k ϕk , n ≥ 0, (2.16)
k=0

donde Dn,n = 1. Nótese que para Dn,k el subindice n indica que es un coeficiente cor-
respondiente a ψn , donde k señala que es el coeficiente de ϕk . Por otra parte, siguiendo
Gram-Schmidt se tiene que

ψen = ϕn − hϕn , ψ0 iψ0 − · · · − hϕn , ψn−1 iψn−1 ,

!
hϕn , ψe0 i e hϕn , ψen−1 i e
= ϕn − ψ0 + · · · + ψn−1 .
λ20 λ2n−1

Esto es,
ψen = ϕn − (αn,0 ψe0 + · · · + αn,n−1 ψen−1 ),
donde
hϕn , ψem i
αn,m = , n ≥ 1, m = 0, . . . , n − 1.
λ2m

41
Veremos la relación entre los αn,m y los coeficientes Dn,k . Se tiene que cada ψek , con
k = 0, ..., n − 1, se puede expresar como en (2.16), ası́
n−1
!
X
ψen = ϕn − αn,0 D0,0 ϕ0 + · · · + αn,n−1 Dn−1,k ϕk
k=0
n−1
X j
X
= ϕn − αn,j Dj,k ϕk .
j=0 k=0

Reordenando
    
n−1
X n−1
X
ψen = ϕn −  αn,j Dj,0  ϕ0 + · · · +  αn,j Dj,n−1  ϕn−1 
j=0 j=n−1
n−1
X n−1
X
= ϕn − αn,j Dj,k ϕk .
k=0 j=k

Ası́ el Dn,k correspondiente a ϕk para k = 0, ..., n − 1, satisface

n−1
X
Dn,k = − αn,j Dj,k ,
j=k
= −(αn,n−1 Dn−1,k + αn,n−2 Dn−2,k + · · · + αn,k Dk,k ).

Nótese que si k = n − 1 se tiene que Dn,n−1 = −αn,n−1 Dn−1,n−1 , luego Dn,n−1 = −αn,n−1 .
En base a lo anterior, se tiene el siguiente teorema

Teorema 23 Dado ψn , cada coeficiente Dn,k , para n > 0 y k = 0, ..., n − 1, tiene la forma
n−1
X
Dn,k = − αn,j Dj,k .
j=k

Expresando lo anterior en forma matricial se tiene que

t  
D0,0 0 ··· 0

Dn,0
 Dn,1   . .. .. 

 D1,0 D1,1 . 
 = − αn,0 αn,1 · · · αn,n−1  .
 
 .. 
. . .
 .   .. .. .. 0


Dn,n−1 Dn−1,0 Dn−1,1 · · · Dn−1,n−1

Esta igualdad es parte de un proceso recurrente para obtener los valores de las constantes.
El procesa empieza con el cálculo de α1,0 :

hϕ1 , ψe0 i σ0 ϕ1 (r0 )

α1,0 = 2 = = ϕ1 (r0 ). (2.17)
λ0 λ20

42
Con esto se obtiene el primer Dn,k , el cual es

D1,0 = −α1,0 D0,0 = −α1,0 . (2.18)

A su vez, las constantes αn,m se expresan en términos de los Dn,k , esto permite hacer el
cálculo de los contantes en un proceso recurrente alternado.

Teorema 24 La expresión general para αn,m , con n ≥ 1 y 0 ≤ m ≤ n − 1, es

Pm
hϕn , ψem i k=0 Dm,k σk ϕn (rk )
αn,m = = .
λ2m λ2m

Demostración. Considérese n ≥ 1 y 0 ≤ m ≤ n − 1. Se tiene que

m
X
ψem = Dm,k ϕk .
k=0

Entonces

hϕn , ψem i
αn,m =
λ2m
hϕn , m
P
k=0 Dm,k ϕk i
=
λ2m
Pm
k=0 D m,k hϕn , ϕk i
= .
λ2m

Luego

Pm
k=0 D m,k σk ϕn (rk )
αn,m = .
λ2m
Veamos que Dn,k es real. En efecto, se sabe que Dn,k se define con los Dn,k y αn,m previos.
Como α1,0 y D1,0 ∈ R, entonces, los siguientes Dn,k y αn,m dependen de los primeros, ası́
tanto Dn,k como αn,m son reales, por lo tanto
Pm
k=0 Dm,k σk ϕn (rk )
αn,m = .
λ2m

Ahora ya se puede expresar a αn,m en términos de Dn,k matricialmente, es decir
  
λ20 αn,0 D0,0 0 ··· 0
 
σ0 ϕn (r0 )
2
λ1 αn,1
 .. .. 
σ1 ϕn (r1 )
 
  D1,0 D1,1 . .  
=  . (2.19)
 
 .. . .. ..
 ..
 .  
 .. . . 0

 . 
2
λn−1 αn,n−1 σn−1 ϕn (rn−1 )
Dn−1,0 Dn−1,1 · · · Dn−1,n−1

43
 Como puede observarse cada αn,k también depende de las constantes de normalización
λk . Observe que tenemos ya los valores de D0,0 , D1,1 y D1,0 . En particular, la igualdad
anterior nos permite calcular λ20 α2,0 y λ21 α2,1 . Ya se tiene que λ0 = 1. Se efectuará el
cálculo de λ1 ,
Z
1
λ21 = |ϕ1 (z) + D1,0 ϕ0 (z)|2 dxdy
π D
Z
1
= (ϕ1 (z) + D1,0 ϕ0 (z))(ϕ1 (z) + D1,0 ϕ0 (z))dxdy
π D
2
= σ1 (ϕ1 (r1 ) + D1,0 ϕ0 (r1 )) + σ0 (D1,0 ϕ1 (r0 ) + D1,0 ϕ0 (r0 )).
Expresar λ21 como un producto de matrices permitirá ver más claramente como es la
expresión para λ2n . En concreto, λ21 es
 
2

σ1 (ϕ1 (r1 ) + D1,0 ϕ0 (r1 ))
λ1 = 1 D1,0 . (2.20)
σ0 (ϕ1 (r0 ) + D1,0 ϕ0 (r0 ))

Los cálculos de λ22 son análogos a λ21 , se parte con la norma de ψe2 y haciendo cálculos
se obtiene lo siguiente
Z
2 1
λ2 = |ϕ2 (z) + D2,1 ϕ1 (z) + D2,0 ϕ0 (z)|2 dxdy
π D

= σ2 ϕ2 (r2 ) + σ1 D2,1 ϕ2 (r1 ) + σ0 D2,0 ϕ2 (r0 ) +

2
+σ2 D2,1 ϕ1 (r2 ) + σ1 D2,1 ϕ1 (r1 ) + σ0 D2,1 D2,0 ϕ1 (r0 ) +
2
+σ2 D2,0 ϕ0 (r2 ) + σ1 D2,1 D2,0 ϕ0 (r1 ) + σ0 D2,0 ϕ0 (r0 ).
Matricialmente este último resultado se puede ver como sigue
σ2 2k=0 D2,k ϕk (r2 )
 P 

λ22 = 1 D2,1 D2,0  σ1 2k=0 D2,k ϕk (r1 )  .

P
(2.21)
σ0 2k=0 D2,k ϕk (r0 )
P

Haciendo una generalización, para λn = kψen k, se llega a

Teorema 25 La expresión para λ2n es

σn Pnk=0 Dn,k ϕk (rn )
 P 

 σn−1 nk=0 Dn,k ϕk (rn−1 ) 

λ2n = 1 Dn,n−1 · · · Dn,0 . (2.22)
 
 ..
Pn .
 
σ0 k=0 Dn,k ϕk (r0 )

Demostración. Se tiene que

n
X
λn = kψen k = k Dn,k ϕk k.
k=0

44
Luego
Z n
1 X
λ2n = | Dn,k ϕk |2 dxdy
π D k=0

Z n
! n

1 X X
= Dn,k ϕk  Dn,j ϕj  dxdy
π D k=0 j=0
Z X n Xn
1
= Dn,k Dn,j ϕk ϕj dxdy
π D
k=0 j=0
n Xn Z
X Dn,k Dn,j
= ϕk ϕj dxdy.
π D
k=0 j=0

Aplicando (2.15) se obtiene que

n X
X n
λ2n = Dn,k Dn,j σj ϕk (rj )
k=0 j=0
n
X n
X
= Dn,j σj Dn,k ϕk (rj ).
j=0 k=0

Considerando que Dn,n = 1, esta última expresión se puede presentar matricialmente como

σn Pnk=0 Dn,k ϕk (rn )

 P 
n
 σn−1 k=0 Dn,k ϕk (rn−1 ) 

 
2
λn = 1 Dn,n−1 · · · Dn,0  .. .
Pn .
 
σ0 k=0 Dn,k ϕk (r0 )

En resumen, existe una relación de dependencia entre los αn,m , Dn,k y λn , todo parte
de los ya conocidos λ0 , α1,0 y D1,0 . Además se sabe que cada Dn,n es 1. En base a estas
variables se obtendrán las siguientes, como a continuación se muestra

Variables Necesitan
λ21 D1,0
α2,0 , α2,1 λ21
D2,0 , D2,1 α2,0 , α2,1
λ22 D2,0 , D2,1
α3,0 , α3,1 , α3,2 λ22
D3,0 , D3,1 , D3,2 α3,0 , α3,1 , α3,2
.. ..
. .

45
Ejemplo 26 Se calcularán D3,0 , D3,1 y D3,2 matricialmente. Se sabe que λ21 ya se calculó
en (2.20), ası́
1
!
0
   
α2,0 λ20 D0,0 0 σ0 ϕ2 (r0 )
= .
α2,1 0 λ12 D1,0 D1,1 σ1 ϕ2 (r1 )
1

Luego  


D0,0 0
D2,0 D2,1 =− α2,0 α2,1 .
D1,0 D1,1
Con estas variables ya se puede calcular λ22 , su expresión se puede ver en (2.21). De esta
manera
   1 0 0
  
α3,0 λ20 D0,0 0 0 σ0 ϕ3 (r0 )
1
 α3,1  =   0 λ21 0   D1,0 D1,1 0  σ1 ϕ3 (r1 )  .

α3,2 1 D2,0 D2,1 D2,2 σ2 ϕ3 (r2 )
0 0 λ2
2

Por lo tanto
 t  
D3,0
D0,0 0 0
 D3,1  = − α3,0 α3,1 α3,2  D1,0 D1,1 0 .
D3,2 D2,0 D2,1 D2,2

Con la información previa se llevará a cabo el proceso de Gram-Schmitd rápidamente.

Para facilitar la obtención y comprensión de lo que es ψn , se efectuarán los cálculos de ψ1
y ψ2 . Se tiene que
ψ0 (z) = ϕ0 (z)/kϕ0 (z)k.
Puesto que la norma de la función ψ0 es 1, se obtiene que ψ0 (z) = 1. Defı́nase

ψe1 (z) = ϕ1 (z) − hϕ1 , ψ0 iψ0 (z)

= ϕ1 (z) − hϕ1 , ϕ0 iϕ0 (z).

Se tienen que encontrar el coeficiente D1,0 , el cual se obtiene de desarrollar el producto

escalar −hϕ1 , ϕ0 i; se aplicarán los resultados previos. Por (2.17) se sabe que α1,0 = ϕ1 (r0 ),
además en (2.18) se obtuvo que
D1,0 = −α1,0 .
Ası́ la función ψ1 se define como

ϕ1 (z) − α1,0 ϕ0 (z)

ψ1 (z) = ,
λ1

donde λ1 está dado en (2.20). Análogamente a ψ1 (z) se puede calcular ψe2 (z), considerando
la definición de Dn,k del Teorema 23 se tiene que

D2,1 = −α2,1 D1,1 = −α2,1 .

46
Mientras que
D2,0 = −(α2,0 D0,0 + α2,1 D1,0 ) = α2,1 α1,0 − α2,0 .
donde
σ0 ϕ2 (r0 ) σ1 ϕ2 (r1 ) − σ0 α1,0 ϕ2 (r0 )
α2,0 = y α2,1 = .
λ20 λ21
Por lo tanto
ψe2 = ϕ2 − α2,1 ϕ1 + (α2,1 α1,0 − α2,0 )ϕ0 .
De esta manera dividiendo entre su norma λ2 se obtiene
ϕ2 (z) − α2,1 ϕ1 (z) + (α2,1 α1,0 − α2,0 )ϕ0 (z)
ψ2 (z) = ,
λ2
donde λ2 está dado en (2.21).

En concreto, se cuenta ya con ψ0 . Ahora supongamos que se cuenta con {ψ0 , ψ1 , · · · , ψn−1 }.
Además se cumple que gen{ψ0 , ψ1 , · · · , ψn−1 } = gen{ϕ0 , ϕ1 , · · · , ϕn−1 }. Defı́nase

ψen = ϕn − hϕn , ψ0 iψ0 − · · · − hϕn , ψn−1 iψn−1 .

El Teorema de Gram-Schmidt garantiza que ψen es ortogonal a los anteriores ψj . Al tomar

ψ
se tiene que el conjunto de vectores {ψ0 , ψ1 , · · · , ψn } es ortonormal y
en
ψn = λn

gen{ψ0 , ψ1 , · · · , ψn } = gen{ϕ0 , ϕ1 , · · · , ϕn }.

De este modo y ya conociendo los Dn,k y lo que es λn se tiene el siguiente Teorema

Teorema 27 La expresión general para ψn (z) es

n
1 X
ψn (z) = Dn,k ϕk (z).
λn
k=0

De esta manera se tiene una base ortonormal {ψ0 , ..., ψn } para cada espacio Vn .

2.4.2 Proyección en el n-ésimo nivel de resolución

Para poder proyectar sobre el n-ésimo nivel se tiene que considerar una base ortonormal,
la cual se construyó previamemte aplicando el proceso de Gram-Schmidt. Ası́ se obtienen
los niveles de resolución
Vn = gen{ψk : k = 0, ..., n}.
Ahora se considerará la proyección ortogonal de una función arbitraria f ∈ A2 (D) sobre
el subespacio Vn . Se tiene que
n
X
(Pn f )(z) = βn ψn (z) (βn = hf (z), ψn (z)i).
k=0

47
Puesto que cada ψn es una combinación lineal de elementos de la base ϕn , se tiene que la
proyección ortonormal Pn f se puede expresar en terminos de ϕn , ası́
n
X
(Pn f )(z) = ϑk ϕk ,
k=0

donde ϑn son los nuevos coeficientes en la base ϕn .

Para pasar de la base de ϕ’s a la base de ψ’s o viceversa se necesita una matriz de
transición.

Teorema 28 La matriz de cambio de base de {ψ0 , ..., ψn } a {ϕ0 , ..., ϕn } es

 1 D1,0 D2,0 Dn,0 
λ0 λ1 λ2 ··· λn
1 D2,1 Dn,1
0 ···
 
 λ1 λ2 λn 
 1 Dn,2 
Mn = 
 0 0 λ2 ··· λn

 (2.23)
 .. .. .. 
 . . . 
1
0 0 ··· 0 λn

Demostración. Obsérvese que para obtener ψn es necesaria una combinación lineal

de los ϕn , esto es
n
1 X
ψn (z) = Dn,k ϕk (z).
λn
k=0

De aquı́ se sigue que la matriz de cambio de coordenadas está dada en (2.23). 

Ası́ se tiene que la relación de coordenadas es la siguiente:

 1 D1,0 D2,0 D 
λ λ1 λ2 · · · λn,0
n
   
 0 1 D2,1 Dn,1 β0 ϑ0
 0 · · ·

λ1 λ2 λn   β1 
  ϑ1 
 1 Dn,2
 0 0 · · ·  .  = .
 
λ2 λn  .    ..
. .

 .. .. ..   
 . . . 
βn ϑn
1
0 0 ··· 0 λn

Ahora se puede cambiar de base al momento de proyectar y facilitar los cálculos. En

conclusión se ha conseguido obtener una base ortonormal, esto permite que se pueda
proyectar sobre los diferentes niveles de resolución Vn . Una vez construido este peculiar
análisis de multiresolución el lector puede plantearse la siguiente pregunta, ¿es posible
aplicar esta teorı́a en el procesamiento de imágenes? En efecto, es por eso que en la
siguiente sección se tratará de implementar un programa que permita modificar una imagen
reduciendo el número de pixeles sin perder demasiada información.

48
2.5 Aplicación en el procesamiento de imágenes
Para describir el proceso del algoritmo que se plantea en este trabajo, es necesario previa-
mente dar una explicación de lo que se hará. Como se sabe, se ha conseguido cambiar de
coordenadas por medio de la matriz Mn dada en (2.23), esto permite cambiar de base; el
nuevo sistema de referencia dado por la base {ψ0 , ..., ψn }, el cual es una base ortonormal,
permite proyectar ortogonalmente. Esto será de gran ayuda para aplicar el análisis de
multiresolución, efectuado previamente, a el tratado de una imagen.

Una imagen está formada por tres capas de color, los cuales son el rojo, verde y azul,
al combinarse forman el color especı́fico que se desea. Se puede extraer una capa de un
color, ésta forma una imagen en gris que indica en cada pixel la cantidad del color que
existe, esta cantidad va desde 0 hasta 255, donde el cero representa el negro y el 255 el
blanco. Los pixeles forman una matriz cuyas dimensiones coinciden con las dimensiones
de la imagen; de esta manera, una imagen se puede manipular modificando la matriz de
pixeles.

La imagen en gris se va a procesar por filas o por columnas, para esto se identificará
una fila o columna c de la matriz en gris C como las coordenadas de una función f que
pertenece a un determinado nivel de resolución Vn , de esta manera
n
X
c = (c0 , c1 , ..., cn ) 7→ f donde f = ci ϕi .
i=0

Puesto que la matriz Mn permite el cambio de coordenadas, entonces, se puede enviar el

vector c a el vector d = (d0 , d1 , ..., dn ), esto es

Mn−1 c = d.

el vector d representa las coordenadas de f en la base ortonormal {ψ0 , ..., ψn }, ası́

n
X
d = (d0 , d1 , ..., dn ) 7→ f donde f = di ψi .
i=0

Una vez que se ha cambiado a la base ortonormal, se puede proyectar ortogonalmente,

en este caso proyectar serı́a equivalente a quitar una o más componentes al vector d, de
esta forma se consigue bajar k niveles de resolución de una manera práctica y sencilla. En
concreto, lo que se hace es dada la proyección P : Vn 7→ Vn−k se tiene que
n−k
X
P (f ) = di ψi ,
i=0

d0
donde P (f ) se identifica con = (d0 , d1 , ..., dn−k ). Nótese que para regresar a la base de
los ϕk ’s se tiene que aplicar Mn , pero con dimensiones adecuadas para el nivel Vn−k . Con
Mn−k se obtienen las coordenadas en la base formada por los ϕk ’s. Ası́

Mn−k d0 = v,

49
donde v = (v0 , v1 , ..., vn−k ). El vector v formará parte de la nueva matriz C 0 colocandose
como una de sus filas o columnas según sea el caso.

2.5.1 Algoritmos en Matlab

A continuación se explicará brevemente un algoritmo que tiene la finalidad de poner en
práctica la teorı́a previa dada en la sección (2.4). Para no hacer tediosa la explicación
de lo que se realizó, los códigos efectuados en Matlab se mostrarán en el Apéndice A. Se
pretende que dada una imagen se pueda obtener otra de menores dimensiones sin perder
demasiada información. El objetivo es recrear el algoritmo que se hizo en el ejemplo 2.20
para encontrar los Dn,k y landas que permitan obtener la matriz de cambio de base Mn y
después aplicarla a la imagen.

Cabe mencionar que de ahora en adelante, cuando se hable de una función en Matlab
se refiere a un segmento de código que genera un resultado introduciendo variables de
entrada y no de una función que comúnmente se conoce en matemáticas. Para poder
iniciar es necesario obtener rk , σk y ϕk ; las cuales se definirán como funciones de Matlab
con parámetros de entrada que van a estar variando. Sus códigos se pueden consultar en
el anexo final.

Para obtener los Dn,k , landas y alfas que permiten la construción de la matriz de
transición Mn , se generó la función LAD, este código devuelve una matriz con los Dn,k
y los landas al cuadrado que se necesitarán para obtener Mn , esta función se explica con
más detalle en el apéndice. Para generar la matriz de cambio de coordenadas se desarrolló
el código de función M C el cual depende de la función LAD. Los valores obtenidos en
LAD pasan a ser colocados adecuadamente para obtener la forma definitiva de la matriz
Mn que se requiera.

Una vez obtenida la matriz de cambio de base, se lleva a cabo el proceso mencionado en
la sección (2.5). En vista que no existe una convolución que permita modificar los pixeles
de la imagen, se optó por remover los elementos de la imagen previamente a aplicarle
el proceso; esto brindó muy buenos resultados, de tal manera que se logra obtener una
imagen con la mitad de sus dimensiones, con una apariencia muy similar a la orginal y
lo mejor con un peso menor que la mitad del peso de la original. Se le deja al lector la
opción abierta de seguir el algoritmo ya sea con los códigos presentados en el Apéndice A
o que él mismo programe en su lenguaje de preferencia.

50
 Conclusiones

En este trabajo se logró desarrollar un análisis de multiresolución en el disco D, sigu-

iendo lo más cercano posible lo hecho en el análisis clásico. Esta manera de construcción
permitió observar la analogı́a que existe entre Π y D, ası́ también, como las diferencias
entre estos espacios isomorfos. Una diferencia a resaltar, es que en el disco no existe
una función de escala que permita la dilación, para poder acceder a los niveles superi-
ores, o la contración, para alcanzar los niveles inferiores de resolución; sin embargo, en
D se logró, por medio de la proyección ortonormal, bajar a los niveles inmediatos inferiores.

Para alcanzar los objetivos planteados fue necesario estudiar las transformaciones de
Möbius, ası́ como el grupo de blaschke y sus propiedades; también se estudió el espacio
de Bergman y su correspondiente representación. Resaltar el uso de la teorı́a de variable
compleja que fue muy necesaria para analizar el espacio de Bergman, ası́ como para de-
sarrollar un conjuto de muestreo, entre otras cosas.

Para poder comprender y construir la base de los niveles de resolución Vn , fue muy
importante la representación. Quizás el método para obtener una base ortonormal no fue
muy práctico, sin embargo fue muy necesario para poder obtener la matriz de cambio de
coordenadas, además contar con esta base ortonormal permitió proyectar ortogonalmente
sobre los niveles de resolución inferiores.

Finalmente se desarrolló un código lo más apegado posible a el análisis de multires-

olución efectuado en la sección (2.4) y se logró procesar una imagen. Cabe mencionar
que el algoritmo que se implemento para procesar una imagen quizás no sea lo más re-
comendable, pues existen muchos métodos para procesar imágenes con mayor efectividad.
A pesar de muchas limitaciones; el algoritmo efectuado tuvo buenos resultados.

51
 Apéndice A

Códigos en Matlab

En este apartado se presentan los códigos que permiten generar la matriz de cambio de
base Mn . Primero se presentarán las funciones r k, sigma k y fi k, con estas se consigue
rk , σk y ϕk respectivamente. El código para rk es

function [ R ] = r k(a,k)
x= (aˆk - aˆ(-k) )/(aˆk + aˆ(-k));
R=x;
end
√
De preferencia se elige el valor de a como 2, no obstante se puede elegir otro valor
y la variable de entrada k se elige según sea el rk que se pida. Las mismas entradas son
necesarias para poder evaluar σk , puesto que solo se necesita que se evalúe 1 − rk2 , la
función para rk queda de la siguiente manera
function [ R ] = sigma k(a,k)
Y= r k(a,k);
R= 1 - Yˆ2;
end
A menudo se trabajará con las funciones ϕk evaluadas en algún rm , es por eso que se
diseñó un código que permite obtener el ϕk (rm ) que se necesite, esto es
function [ R ] = fi k(a,k,z)
X = r k(a, k);
Z= r k(a, z);
Y=1 - X ∗ Z;
R= (1 - Xˆ2)/Yˆ2;
end
El parámetro de entrada z representa el valor de m en rm . Nótese que se tienen que
tomar restricciones para que Y no sea cero y R esté definido.

52
 Para presentar la funcin LAD es necesario previamente presentar cuatro funciones
que fueron necesarias para lograr obtener los alfas y landas, ya que para conseguirlos se
necesitan los siguientes vectores:

σn Pnk=0 Dn,k ϕk (rn )

   P 
σ0 ϕn (r0 )
 σ1 ϕn (r1 )   σn−1 n Dn,k ϕk (rn−1 ) 
k=0
VSF =  , V s= .
   
.. ..
 .  
Pn . 
σn−1 ϕn (rn−1 ) σ0 k=0 Dn,k ϕk (r0 )

Para conseguir el primer vector VSF se creó la función sigma fi, esto es
function [ R ] = sigma fi(a,n)
for i=0:n
v= sigma k(a,i)∗ fi k(a,n+1, i);
vec(i+1)= v;
end
R= vec;
end
Mientras que para obtener el segundo vector V s, se construyeron dos funciones, la
primera genera las sumas y la segunda construye el vector; para generar las sumas se tiene
lo siguiente
function [ R ] = suma(a,k,n,D)
sum=0;
for i=0:k
sum=sum + D(i+1) ∗ fi k(a,i,n);
end
R=sum;
end
El vector V s se obtiene con la función v sum, que a su vez utiliza la función suma,
mostrada arriba. El código es
function [ R ] = v sum(a,k,n,D)
for i=0:n
v s(i+1)= sigma k(a,i) ∗ suma(a,k, i, D);
end
vs= fliplr(v s);
R=(vs)0 ;
end
Por último se presenta una función muy simple llamada celda. Este código obtiene
una matriz cuyas dimensiones son las primeras n filas y las primeras m columnas de la
matriz de entrada, esto es
function [ R ] =celda(M,n,m)
C =M(1:n,1:m);

53
R=C;
end
Con estos códigos de funciones ya se pueden generar los Dn,k y landas al cuadrado.
Posteriormente se les extraerá raı́z cuadrada a los landas al cuadrado; para el código LAD
se necesitan al cuadrado. A continuación se presentará el código LAD por partes, primero
se inicia con los valores que ya se conocen y se forma una matriz de ceros que será donde
se irán guardando los Dn,k .
function [ R ] = LAD(a,n)
alfa1= fi k(a,1,0);
D0=[1];
D= [-alfa1 1];
landa= [1];
mat D=zeros(n+1);
for s=1:1
for r=1:1
mat D(s,r)=D0(s,r);
end
end
En seguida se generan los landas al cuadrado, para esto se aplica la función v sum.
Puesto que se van a generar n valores de landa, estos se van a ir guardando en el vector
landa. De aquı́ en adelante todo se hace dentro de un ciclo for, ası́
for j=1:n
% generación de landas
A=fliplr(D);
B= v sum(a,j,j,D);
landa n= A ∗ B;
landa(j+1)= landa n;
Siguiendo en el mismo ciclo se generan los valores de alfa, para esto, como en el ejemplo
26, se multiplican la matriz diagonal de los landas al cuadrado, otra matriz con los Dn,k ,
para conseguir esta matriz se utiliza la función celda y el vector resultante del código
sigma fi.

Finalmente se generan los Dn,k , estos se guardan en el vector D para que vuelva a
iniciar el proceso para el siguiente valor de j, hasta que j valga n; al final R muestra como
salida la matriz M D formada por los Dn,k y en su última fila el vector landa formado por
los landas al cuadrado. Se tiene lo siguiente
% generación de alfas
for i=1:length(landa)
landa inv(i)= 1/landa(i) ;
end
M landa= diag(landa inv);

54
 for s=j+1:j+1
for r=1:j+1
mat D(s,r)=D(s - j, r);
end
end
M D= celda(mat D, j+1, j+1);
M sf = sigma fi(a,j);
alfa= M landa ∗ M D ∗ (M sf)0 ;

% generación de Dn,k
D = - (alfa)0 ∗ M D;
D(end +1)=1;
end % final del primer ciclo for
R=[M D;landa];
end
Ahora ya se puede obtener la matriz de cambio de coordenadas Mn con la función MC.
Aquı́ se extrae la raı́z cuadrada a los landas y por último se forma la matriz. La función
se presenta a continuación
function [ R ] = MC(a,n)
A=LAD(a,n);
Mat DD= celda(A,n+1,n+1);
Mat D=(Mat DD)0 ;

L=A(n+2,:);
for i=1:length(L)
L ir(i)= 1/sqrt(L(i));
end

M landa= diag(L ir);

Matriz= Mat D ∗ M landa;
R=Matriz;
end
Como ya se cuenta con la matriz Mn , ya se puede aplicar el procedimiento planteado
en la sección 2.5. Claro está que al no contar con una convolución que altere el orden de
los pixeles de la imagen, se tuvo que improvisar con un último algoritmo que juega el papel
de remover las filas de La imagen original. La función REMOVF hace una selección por
filas de tal manera que los pixeles que se eliminan no distorsionan la imagen resultante,
en concreto, lo que se hace es pasar las filas seleccionadas a las primeras filas. Se tiene el
siguiente código
function [ R ] = REMOVF(A,r)
[f,c]=size(A);
a=fix(c/(r+1));

55
if a==1
a=2;
end
C=zeros(r,c);

% elección de filas
for j=1:r
if f -(r ∗ a)<=a
b=a ∗ j;
else
if (a+1)∗ r >f
d=round(((a+1)∗ r - f)/2);
if j<=d
b= a ∗ j;
G(j)=b;
else
b=(a+1)∗ (j - d)+ G(end);
H(j)=b;
end
if j>r - d
b= a ∗ (j - r + length(G)) + H(r - length(G));
end
else
b=(a+1)∗ j;
end
end
B(j)=b;
C(j, :)=A(b, :); % filas seleccionadas guardadas en C
end

% eliminación de filas seleccionadas en A

for i=1:r
A(B(i) - (i - 1), :)=[ ];
end
R=[C;A];
end
A continuación se mostrará el código final que permite procesar una imagen, recuérdese
que el proceso se puede hacer por filas o columnas, en este caso se muestra el algoritmo por
columnas. Para esto, se lee una imagen, se elige una capa en gris, en el código aparece la
palabra ”color”, aquı́ se tiene que sustituir por 1, 2 o 3, estos números indican si se extrae
la capa en rojo, en verde o en azul respectivamente; luego se procesa como se indicó en la
sección 2.5, el algoritmo final es el siguiente
im=imread( 0 imagen original.jpg0 ); % lee imagen original

56
gris=im(:, :, color); % obtiene la capa en gris
[f,c]=size(gris);

% generación de Matriz Mn
a=sqrt(2); % valor de a
Matriz = MC(a, f - 1);

% cambio base
gris1=REMOVF(gris,r);
gris11=REMOVF((gris1)0 ,r);
gris2=(gris11)0 ;
cambio base = inv(Matriz) ∗ double(gris2);

% proyección
for i=1:r
i=1;
cambio base(:, i)=[ ];
cambio base(i, :)=[ ];
end

%regreso
for i=1:r
i=1;
Matriz(:, i)=[ ];
Matriz(i, :)=[ ];
end
regreso base = Matriz ∗ double(cambio base);
Gris=regreso base;
regreso=uint8(Gris); % convierte imagen a formato de enteros

imwrite( regreso, 0 imagen filtrada.jpg0 , 0 jpg0 ); %guarda imagen

imshow( regreso ); %muestra imagen.

57
Bibliografı́a

[1] A. Grossman, J. Morlet, Decomposition of Hardy functions into square integrable

wavelets of constant shape, SIAM J. Math. Anal., Volumen 15 (1984), 723-736.

[2] A. Lascurain, Una introducción a la geometrı́a hiperbólica bidimensional, UNAM,

2005.

[3] D. Gámez, M. Pasadas, R. Pérez, C. Ruiz, Isometrı́as en el Plano Hiperbólico. Estudio

mediante puntos fijos, LA GACETA DE LA RSME, Volumen 7.2 (2004), 387-404.

[4] G. B. Folland, A Course in Abstract Harmonic Analysis, CRC Press, Florida, 1995.

[5] J. W. Anderson, Hyperbolic Geometry, Springer-Verlag, London, 2005.

[6] M. Pap, F. Schipp, The voice transform on the Blaschke Group II, Annales Univ. Sci.
Budapest., Sect. Comp. 29 (2008), 157-173.

[7] M. Pap, F. Schipp, The voice transform on the Blaschke Group III, Annales Univ.
Sci. Budapest., Sect. Comp. 29 (2009), 1-14.

[8] M. Pap, F. Schipp, The voice transform on the Blaschke Group II, Annales Univ. Sci.
Budapest., Sect. Comp. 29 (2008), 157-173.

[9] M. Pap, F. Schipp, The voice transform on the Blaschke Group III, Annales Univ.
Sci. Budapest., Sect. Comp. 29 (2009), 1-14.

[10] N. L. Vasilevski, On the structure of Bergman and poli-Bergman Spaces. Integral

Equations and Operator Theory, Volume 33 (1999), 471-488.

[11] N. L. Vasilevski, On the structure of Bergman and poli-Bergman Spaces. Integral

Equations and Operator Theory, Volume 33 (1999), 471-488.

[12] P. Duren, A. Schuster, Bergman Spaces, AMS, Rhode Island, 2004.

[13] R. Goodman, N. R. Wallach, Symmetry, Representations, and Invariants, Springer,

New York, 2009.

[14] S. Lang, SL2 (R), Springer-Verlag, New York, 1985.

58