1.2.

Teorema de
Muestreo

1
 Teorema de muestreo

Teorema de Muestreo
También conocido como Teorema de Nyquist-Shannon, impacta
directamente en cómo funcionan algunos medios de comunicación e
información.

Nyquist formula (1928), Shannon demuestra (1949). Un antecedente es la

Teoría de la Información, la cual es preposición física-matemática que rige el
intercambio, transmisión y medición de la información mediante la
comprensión compleja de datos. Básicamente nos dice cómo enviar, medir y
recibir información sin la pérdida de la misma.

2
 Teorema de muestreo

Teorema de Muestreo
De acuerdo a la teoría de la información, la transmisión de archivos de
datos se encuentra compuesto por los siguientes elementos: una fuente,
un transmisor, un receptor y un destino. Por ejemplo, las ondas de
radio recopilan todos estos elementos. Al mismo tiempo, hay que
agregar otro, el ruido, que representa la perturbación.

3
 Teorema de muestreo

Teorema de Muestreo
Este teorema, básicamente es una piedra fundamental del tratamiento
digital de señales.

La formulación más conocida del teorema es que para poder

reconstruir una señal muestreada, la frecuencia de muestreo deberá ser
superior al doble de ancho de banda.

4
 Teorema de muestreo

Teorema de Muestreo
Si la frecuencia más alta contenida en una señal analógica es
y la señal se muestrea a una tasa entonces la señal
analógica se podrá recuperar totalmente a partir de muestras mediante
alguna interpolación.

Antes de continuar con las fórmulas matemáticas….

5
 Teorema de muestreo

Teorema de Muestreo
Conviene recordar que las señales del mundo físico (una señal de
audio, una señal electromagnética) son variaciones en la medición de
magnitud (son analógicas).

6
 Teorema de muestreo

Teorema de Muestreo
La siguiente señal es de audio, que se ha captado con un micrófono.

7
 Teorema de muestreo

Teorema de Muestreo
Si se requiere almacenar digitalmente esta señal analógica "real", no
me cabe. Se necesitaría memoria infinita para almacenar su infinito
grado de detalle. Así que de alguna forma se tiene que simplificar. Y
simplificar, casi siempre, supone perder información.

8
 Teorema de muestreo

Teorema de Muestreo
La forma más sencilla e intuitiva de digitalizar nuestra señal "real" es
muestrearla, es decir, tomar mediciones a intervalos regulares y
almacenarlos. Esta lista de números, es nuestra señal digital.

9
 Teorema de muestreo

Teorema de Muestreo
Luego, si se tiene que reconstruir la señal analógica a partir de los
datos tengo diversas formas, como "jugar a unir los puntos", o
interpolaciones más sofisticadas o menos, en función de cuánto se
quiera “romper la cabeza” y cuánta potencia de cálculo se tenga
disponible.

10
 Teorema de muestreo

Teorema de Muestreo
Una característica evidente del proceso de muestro es que cuanto más
cerca tenga los puntos, es decir, mayor sea mi frecuencia de muestreo,
captaré más detalles de la señal.

11
 Teorema de muestreo

Teorema de Muestreo
Lo mismo al revés, si puntos de muestreo se van separando más y
más, se acabará con una de señal digital “muy mala”, porque si la
frecuencia de muestreo es muy pequeña frente a la de la señal se
pierde mucha información. Entre dos puntos puede haber un pico, una
curva suave, oscilaciones...

12
 Teorema de muestreo

Teorema de Muestreo
Podemos acordar entonces que el teorema de muestreo es cómo afecta
a la calidad de la señal muestreada la separación entre los puntos.

13
 Teorema de muestreo

Espectro de la señal
Para pasar el dominio temporal al frecuencial empleamos la
Transformada integral de Fourier. En concreto, usaremos alguna de sus
versiones como la DFT (Discrete Fourier Transform) y el algoritmo
FFT (Fast Fourier Transform).
Esta transformada nos permite tratar (o ver, o concebir) nuestra señal
de otra forma, pero sin cambiarla. Simplemente, en lugar de tratarla
com una función de la magnitud de la señal en cada instante de
tiempo, ahora se trata como una función que codifica la amplitud de
sus componentes frecuenciales.

14
 Teorema de muestreo

Espectro de la señal
Al pasar al dominio frecuencial nuestra señal, obtenemos esta función
que llamaremos el espectro de la función. Si nuestra función era
continua, no periódica, etc., su espectro será también continuo, no
periódico, con ruido, etc.

Si se sabe qué le pasa a una señal senoidal de una determinada

frecuencia cuando se muestrea, entonces se puede deducir qué le va a
pasar a la señal "real" (o al menos a parte de ella) cuando se muestree.

15
 Teorema de muestreo

Espectro de la señal
Siguiendo con el ejemplo de la señal anterior, si se realiza una
transformada, se vería como a continuación. Puede observarse que la
señal se ha generado con 4 señales seno.

16
 Teorema de muestreo

Representación mediante fasores

Si se trabajará una señal en su dominio de la frecuencia, entonces se
necesita trabajar con señales senoidales para extraer consecuencias
válidas sobre cómo afecta el muestreo a la señal analógica.
Para esto se deberá hablar del tratamiento de las señales senoidales
mediante su representación fasorial.

Fasor: es una representación gráfica de un número complejo que se

utiliza para representar una oscilación.

17
 Teorema de muestreo

Representación mediante fasores

Recordemos: un senoide (seno, coseno) es en realidad la proyección
de un punto que está girando en torno a un centro

18
 Teorema de muestreo

Representación mediante fasores

Esto es una representación fasorial y simplifica muchísimo el trabajo
con senoides. El radio de giro del fasor respecto al centro es la
amplitud de la onda, y la frecuencia de la senoide es la frecuencia con
la que gira el fasor, que es equivalente a su velocidad de giro.

19
 Teorema de muestreo

Problema del muestreo

Recordemos que se desea saber si se puede reconstruir una señal a
partir de los "puntos" muestreados, o al menos qué consecuencias
tiene el proceso en la señal muestreada respecto a la original.

Básicamente al pasar al dominio frecuencial, el problema ha pasado a

ser: dada esa serie de puntos, se es capaz de saber las señales
senoidales que mejor ajustan a esa serie de puntos.

20
 Teorema de muestreo

Problema del muestreo

Si trabajamos en fasores, la pregunta acaba siendo, se es capaz de
saber para cada una de los fasores siguientes, su frecuencia y su radio
de giro. Y eso no es tan complicado, porque cada fasor gira a una
velocidad distinta.

21
 Teorema de muestreo

Problema del muestreo

La idea es ver cada fasor de manera individual (frecuencial) porque
van a velocidades distintas, y de esta forma el análisis se centra en una
sola frecuencia, y el resto de las demás frecuencias se realiza de una
forma similar.

22
 Teorema de muestreo

Problema del muestreo

Recordemos: Tras el muestreo se tienen imágenes estáticas (muestras),
y si se ha centrado el análisis en un sólo fasor, ahora sólo se tendría
que calcular la velocidad angular para calcular el componente
frecuencial.

23
 Teorema de muestreo

Armónicos Fundamentales
El fasor va girando y calcular la velocidad angular, es relativamente
sencillo, sin embargo, se tienen sólo imágenes fijas, y no se sabe si
entre en punto n y el punto n+1 se han dado 10, 20, 30 o x vueltas

24
 Teorema de muestreo

Armónicos Fundamentales
Ese es un primer problema del muestreo, que se tiene una
incertidumbre sobre qué armónico se está representando. En general,
no es un “gran problema” porque se sabe que se está muestreando a
una frecuencia Wm, así que toda frecuencia superior es "razonable"
asumido que se va a perder.

Es importante no olvidar que la velocidad (frecuencia) que se asume

que se quiere cuando se haga la reconstrucción es la menor de las
posibles.

25
 Teorema de muestreo

Teorema de muestreo
¿Qué es lo que pasa cuando incrementamos la frecuencia del
componente en relación a la frecuencia de muestreo? (bien sea porque
aumentamos la frecuencia del componente, o porque reducimos la
frecuencia de muestreo).

26
 Teorema de muestreo

Teorema de muestreo
Aumentemos la velocidad de giro del fasor un poco más, hasta que
pase el eje de abcisas.

Los fasores giran en ambos sentidos.

27
 Teorema de muestreo

Teorema de muestreo
Si se quiere reconstruir una frecuencia, se necesita tener al menos dos
muestras en la misma mitad del círculo. Es decir, que su frecuencia
tiene que ser inferior, a la mitad de la frecuencia de muestreo.

28
 Teorema de muestreo

Teorema de muestreo
Esto significa que no se pueden reconstruir componentes frecuenciales
superiores a la mitad de la frecuencia de muestreo.

La frecuencia que puedo reconstruir es la mitad de la frecuencia de

muestreo

29
 Teorema de muestreo

Alias
Esta señal "espejo" se denomina "alias", y es la que da origen al
fenómeno de Aliasing.

Recordemos que los fasores giran en ambos sentidos.

30
 Teorema de muestreo

Alias
Se puede asumir que es un pico no daría problemas, porque está muy
por encima de la mitad dela frecuencia de muestreo.

31
 Teorema de muestreo

Alias
Sin embargo, qué pasa cuando hay un ruido que también es superior,
se puede confundir con una frecuencia alta en la señal digital
muestreada. El problema es no poder distinguirla de los datos reales.

32
 Teorema de muestreo

Alias
Es incluso peor si se acerca a la señal de muestreo, porque me aparece
como componentes de baja frecuencia en la señal digital.

33
 Teorema de muestreo

Alias
También todos los armónicos de las frecuencias superiores a la mitad
de la frecuencia de muestreo me van a generar Aliasing.

34
 Teorema de muestreo

Alias
En general, cuando se realiza un proceso de muestreo de una señal,
también se muestrea el "espejo" de todo su espectro y de todos sus
armónicos. Y para todas esas señales no hay forma de distinguir ese
alias de los datos de "verdad"

35
 Teorema de muestreo

Alias
En el siguiente ejemplo, se ven claramente dos sinusoides que se
producen a partir de las mismas muestras.

36
 Teorema de muestreo

Alias
Cuando se obtienen muestras periódicas de una señal senoidal, puede
ocurrir que se obtengan las mismas muestras que se obtendrían de una
señal sinusoidal igualmente pero con frecuencia más baja.

Específicamente, si una sinusoide de frecuencia f Hz es muestreada s

veces por segundo, y s ≤ 2·f, entonces las muestras resultantes también
serán compatibles con una sinusoide de frecuencia fm - f, donde fm es
la frecuencia de muestreo.

37
 Teorema de muestreo

Alias

Antes de muestrear una señal se tiene que hacer un filtrado para las
bandas superiores a la mitad de la frecuencia de muestreo, para
impedir que toda esa información se cuele en el espectro registrado.

38