Cómo Hamming Aprendió sobre Filtros Digitales
Hamming llegó a los filtros digitales como matemático, no como ingeniero eléctrico. Cuando preguntó a los ingenieros por qué usaban sinusoides en lugar de polinomios o funciones de Bessel, nadie le dio una respuesta satisfactoria. Así que volvió a los conceptos básicos.
Identificó tres razones independientes por las que los exponenciales complejos dominan el procesamiento digital de señales. Cada razón por sí sola justifica la elección; juntas la hacen casi obligatoria.
Razón 1: Invariancia Temporal
La mayoría de los sistemas de procesamiento de señales no tienen un origen de tiempo natural. Un filtro aplicado al mediodía debe comportarse de forma idéntica al mismo filtro aplicado a medianoche. Esta restricción de invariancia temporal obliga a que las autofunciones sean exponenciales complejos.
En términos matemáticos: si un sistema lineal e invariante en el tiempo (LTI) tiene entrada x(n) = e^{i2πfn}, la salida también debe oscilar a la frecuencia f. Solo los exponenciales complejos satisfacen esto.
Razón 2: Linealidad
Los sistemas lineales obedecen el principio de superposición. Las autofunciones de cualquier operador lineal son las funciones que emergen sin cambios (excepto por escala) cuando el operador actúa sobre ellas. Para el operador de desplazamiento S: x(n) → x(n−1), las autofunciones son exactamente e^{i2πfn}.
Razón 3: Muestreo de Nyquist
Si una señal continua no contiene frecuencias por encima de f_max, muestrearla a una tasa ≥ 2f_max captura toda la información. Este teorema de muestreo de Nyquist-Shannon conecta el procesamiento de señales continuas & discretas de forma limpia solo para representaciones de Fourier.
Con muestreo equiespaciado, una única frecuencia alta crea un alias a una única frecuencia más baja. Con bases polinómicas, una única potencia alta de t crea alias a muchas potencias más bajas: un desorden que Fourier evita completamente.
La Función de Transferencia como Autovalor
Cuando e^{i2πfn} entra en un filtro lineal e invariante en el tiempo, la salida es igual a H(f) · e^{i2πfn} para algún número complejo H(f). El filtro escala & desplaza la oscilación pero no puede cambiar su frecuencia.
H(f) recopila todo el comportamiento del filtro en la frecuencia f en un único número complejo. Para un filtro con coeficientes c_k:
H(f) = Σ c_k · e^{−i2πfk}
Esta fórmula hace que H(f) sea la transformada de Fourier de la secuencia de coeficientes. Cada canal de frecuencia opera de forma independiente. El filtro descompone la entrada en componentes de frecuencia, multiplica cada una por H(f), & las reensambla.
El Teorema de Muestreo
Hamming señaló que el teorema de muestreo de Nyquist era conocido antes de Nyquist, pero Nyquist recibe el crédito. Citó a Pasteur: 'La suerte favorece a la mente preparada.' La persona que conecta una idea existente con una necesidad práctica gana la fama.
El Teorema
Si una señal continua x(t) no contiene componentes de frecuencia por encima de f_max, entonces muestrearla a una tasa f_s ≥ 2·f_max captura toda la información. La señal original se reconstruye exactamente a partir de las muestras.
El umbral f_s / 2 = f_max lleva el nombre de Nyquist. Muestrear exactamente a la tasa de Nyquist (2·f_max) es suficiente en principio pero peligroso en la práctica: cualquier pequeña desajuste crea un alias de la frecuencia más alta.
Alias
Cuando una señal contiene frecuencias por encima de f_s/2, esas frecuencias se pliegan hacia atrás en la banda [0, f_s/2]. Una sinusoide en f = f_s/2 + δ aparece indistinguible de una en f_s/2 − δ. Tukey acuñó el término alias para nombrar esta suplantación.
La imagen geométrica: exponenciales complejos en frecuencias f & f + f_s producen muestras idénticas en tiempos enteros. Comparten un alias.
Elegir una Tasa de Muestreo
Un sistema práctico de audio digital debe elegir su tasa de muestreo antes de diseñar filtros. Los humanos escuchan hasta aproximadamente 20 kHz. La tasa de muestreo estándar de CD de 44.1 kHz establece la frecuencia de Nyquist en 22.05 kHz.
Antes del muestreo, un filtro anti-alias debe eliminar todas las frecuencias por encima de la frecuencia de Nyquist. Si incluso un pequeño componente de 25 kHz entra al muestreador, crea un alias a 44100 − 25000 = 19.1 kHz — audible.
Los Tres Límites del Hardware
Hamming enseñó una lección más amplia junto con las matemáticas. Los filtros digitales existen porque el hardware tiene límites — & entender esos límites moldea un buen diseño.
Identificó tres leyes de la naturaleza que acotan el desempeño del hardware:
1. Tamaño molecular: los circuitos no pueden encogerse indefinidamente. Por debajo de una cierta escala, los efectos cuánticos dominan.
2. Velocidad de la luz: las señales viajan como máximo 3×10⁸ m/s. Los ciclos de reloj más rápidos que el tiempo de tránsito de luz en el chip producen fallos.
3. Disipación de calor: la conmutación consume energía, que se convierte en calor. Los chips densos y rápidos se sobrecalientan a menos que se enfríen.
Su filosofía de diseño seguía directamente: entiende los límites, luego diseña sistemas que operen cómodamente dentro de ellos, con espacio para variación & error.
Los filtros digitales trasladan el cálculo del hardware (circuitos analógicos) al software (aritmética en muestras). Este cambio intercambia fragilidad del hardware por precisión numérica & programabilidad — una consecuencia del teorema de muestreo, no un milagro.
La Filosofía de Diseño de Hamming
El planteamiento de Hamming: un filtro digital implementa en software lo que un filtro analógico hace en hardware. El teorema de muestreo es el puente. Una vez que sabes que el puente se mantiene, puedes diseñar filtros especificando la función de transferencia deseada H(f), luego encontrando la secuencia de coeficientes que la realiza.
El trabajo del ingeniero se convierte en especificación & aritmética, no en el bobinado de inductores & soldadura de capacitores.