Repaso de Sistemas Lineales

Muestreo y Aliasing

Teorema del Muestreo

Formulación y Consecuencias

Hugo Franco, PhD

18 de febrero de 2013

Hugo Franco, PhD Teorema del Muestreo

 Repaso de Sistemas Lineales
Muestreo y Aliasing

Repaso: Delta de Dirac

La delta de Dirac es una función generalizada (o

distribución)

Toma un único valor diferente de 0 en t=0 y

tiene energía innita

Se puede construir de múltiples formas, en

particular como el límite al innito de una
expresión exponencial

Hugo Franco, PhD Teorema del Muestreo

 Repaso de Sistemas Lineales
Muestreo y Aliasing

Repaso: Tren de Impulsos

Formalización y utilidad

Con la delta de Dirac se puede construir una función generalizada

cuyos valores diferentes de cero conforman un conjunto enumerable
∞
X
pT (t) = δ(t − nT )
n=−∞

En procesamiento de señales, permite la proyección de una función

continua sobre un conjunto discreto de muestras de la función
proyectada

Hugo Franco, PhD Teorema del Muestreo

Repaso de Sistemas Lineales
 Repaso de Sistemas Lineales
Muestreo y Aliasing

Sistemas Lineales

Linealidad de Funciones:

f (λx + y) = λf (x) + f (y)

Un sistema lineal es una representación simple de un fenómeno limitando

su formalización matemática a las siguientes propiedades

Homogeneidad: cambios de intensidad en la entrada producen

cambios proporcionales en la intensidad de la salida

f (λx) = λf (x)

Linealidad (aditividad): Dos señales de entrada se superponen sin

interferir ni cambiar la naturaleza de la salida del sistema

f (x + y) = f (x) + f (y)

Invarianza en el tiempo (espacio): El sistema se comporta igual ante

retardos (desplazamientos) introducidos en la entrada

y(t) = f (x(t)) → f (x(t − τ )) = y(t − τ )

Hugo Franco, PhD Teorema del Muestreo

 Repaso de Sistemas Lineales
Muestreo y Aliasing

Representación de Sistemas Lineales

k
Suma
Salida
+
x(t) Sistema f (t)
+
Producto
Entradas

y(t)

Implica el cumplimiento del Principio de Superposición: una señal

puede ser representada (y consecuentemente descompuesta) como
combinación lineal de un conjunto de señales base (p.ej. sinusoides)

Hugo Franco, PhD Teorema del Muestreo

 Repaso de Sistemas Lineales
Muestreo y Aliasing

Al margen: Interferencia

Dependiendo de su frecuencia y su fase, la superposición de dos

señales puede aumentar o anular la intensidad de la señal resultante

Hugo Franco, PhD Teorema del Muestreo

 Repaso de Sistemas Lineales
Muestreo y Aliasing

La Convolución

La convolución, notada con el símbolo ∗ es una operación entre

funciones que permite mezclar las propiedades de una y otra
función. Se dene como
ˆ ∞
h(t) = [f ∗ g] (t) = f (τ )g(τ − t)dτ
−∞

lo cual resulta en una estimación de la variación que se introduce en

f (t) al pasar por encima de ésta la función g(t)
En el dominio discreto, esta expresión se convierte en

∞
def
X
(f ∗ g)[n] = f [m]g[n − m]
m=−∞
∞
X
= f [n − m]g[m]
m=−∞

Hugo Franco, PhD Teorema del Muestreo

 Repaso de Sistemas Lineales
Muestreo y Aliasing

Ejemplos

Hugo Franco, PhD Teorema del Muestreo

 Repaso de Sistemas Lineales
Muestreo y Aliasing

Convolución, Sistemas Lineales y Transformada de Fourier

Sea f (t) una señal arbitraria y g(t) una función denida en un intervalo
dado. Sean F(ω) y G(ω) las Transformadas de Fourier de f (t) y g(t)
respectivamente.

Si h(t) = [f ∗ g] (t), la transformada de Fourier H(ω) cumple que

H(ω) = F(ω)G(ω)

Consecuentemente, si h(t) = f (t)g(t), entonces

H(ω) = F(ω) ∗ G(ω)

Hugo Franco, PhD Teorema del Muestreo

Muestreo y Aliasing
 Repaso de Sistemas Lineales
Muestreo y Aliasing

Transformada de Fourier de un Tren de Impulsos

Teorema

La Transformada de Fourier de la función

∞
X
pT (t) = δ(t − nT )
n=−∞

equivale a :
1
( ∞
)
X
PT (ω) = F {pT (t)} = F δ(t − nT )
n=−∞
∞  
2π X 2π
= δ ω−k
T T
k=−∞

1 La demostración se dará en el material de la asignatura

Hugo Franco, PhD Teorema del Muestreo
 Repaso de Sistemas Lineales
Muestreo y Aliasing

Muestreo visto desde el Tiempo y la Frecuencia I

El muestreo de una señal (generalmente explícito, durante la

adquisición) se lleva a cabo como

∞
X
xS [n] = x(t = n)δ(t − nT )
n=−∞

Por las propiedades de la Transformada de Fourier en términos de la

convolución, se sabe que (en frecuencia angular)
ˆ ∞
1
XS [k] = X (ω) ∗ PT (ω) = X (ω)PT (ω − ξ)dξ
2π −∞
se tiene que
2π
P∞ 2π


Usando el resultado PT (ω) =
T k=−∞ δ ω − k T
ˆ " ∞ #
1 ∞

X 2π
XS [k] = X (ω) δ ω−ξ−k dξ
T −∞ T
k=−∞
∞  
1 X 2π
= X ω−k
T T
k=−∞

Hugo Franco, PhD Teorema del Muestreo

 Repaso de Sistemas Lineales
Muestreo y Aliasing

Muestreo visto desde el Tiempo y la Frecuencia II

La expresión para el espectro discreto

∞  
1 X 2π
XS [k] = X ω−k
TS TS
k=−∞

resulta siendo una expansión periódica del espectro continuo de la

señal ideal no muestreada.

Hugo Franco, PhD Teorema del Muestreo

 Repaso de Sistemas Lineales
Muestreo y Aliasing

Teorema del Muestreo

Shannon, Nyquist, Kotelnikov

Teorema

Si una señal x(t) no contiene en su representación espectral componentes

en frecuencia mayores a fS (en Hz), la señal está completamente
determinada mediante muestras espaciadas en un periodo de muestreo Ts
tal que

1
Ts =
2fS
π
=
ωS

Hugo Franco, PhD Teorema del Muestreo

 Repaso de Sistemas Lineales
Muestreo y Aliasing

Aparición de Aliasing por Aplicación del Muestreo

Si no se escoge un periodo de muestreo TS sucientemente no, el

cociente k T2πS hace que la separación entre las réplicas del espectro
continuo no sea suciente y se produzca una mezcla de
contribuciones frecuenciales

Hugo Franco, PhD Teorema del Muestreo

 Repaso de Sistemas Lineales
Muestreo y Aliasing

Aparición de Aliasing por Aplicación del Muestreo

El resultado será una reconstrucción equivocada de la señal

(aliasing). Se puede retomar el ejemplo :

0 1 2 3 4 5 6 7 8 9 10

Hugo Franco, PhD Teorema del Muestreo