:: wikimiki.org ::

Compresión De Datos

Compresión de datos

La compresión consite en la reducción del volumen de información a tratar (procesar, transmitir o grabar). En principio, con la compresión se pretende transportar la misma información, pero empleando la menor cantidad de espacio. El espacio que ocupa una información codificada (datos, señal digital...) sin compresión viene a ser el conciente entre la frecuencia de muestreo y la resolución. Por tanto, cuantos más bits se empleen menor será el tamaño del archivo, no obstante, la resolución biene impuesta por el sistema digital con que se trabaja y no se puede alterar el número de bits a voluntad, por ello, se utiliza la compresión, para transmitir la misma cantidad de información que ocuparía una gran resolución en un número inferior de bits. La compresión de datos se basa fundamentalmente en buscar repeticiones en series de datos para después almacenar solo el dato junto al número de veces que se repite. Así, por ejemplo, si en un fichero aparece una secuencia como "AAAAAAA", ocupando 6 bytes se podría almacenar simplemente "6A" que ocupa solo 2 bytes, en algoritmo RLE. En realidad, el proceso es mucho más complejo, ya que raramente se consigue encontrar patrones de repetición tan exactos (salvo en algunas imágenes). Se utilizan complicadas fórmulas matemáticas, los llamados alogritmos de compresión:
- Por un lado, algunos buscan series largas que luego codifican de formas más cortas.
- Por otro lado, algunos algoritmos como el algoritmo de Huffman, examinan los caracteres más repetidos para luego codificar de forma más corta los que más se repiten. A la hora de hablar de compresión hay que tener presentes dos conceptos: #Redundacia: Datos que son repetitivos o previsibles #Entropia: La información nueva o esencial que se define como la diferencia entre la cantidad total de datos de un mensaje y su redundacia. La información que transmiten los datos puede ser de tres tipos: #Redundante: Información repetitiva o predecible. #Irrelevante: Información que no podemos apreciar y cuya eleminación por tanto no afeca al contenido del mensaje. Por ejemplo, si el frecuencias que es capaz de captar el oído humano está entre de 16/20 Hz a 16.000/20.000 KHz s, serían irrelevantes aquellas frecuencias que estubieran por debajo o por encima de estos valores. #Básica: La relevante. La que no es ni redundante ni irrelevante.La que debe ser transmitida para que se pueda reconstruir la señal. Teniendo en cuena estos tres tipos de información, se establecen tres tipologias de ompresión de la información: #Sin perdidas reales: Es decir, transmitiendo toda la entropía del mensaje (toda la información básica e irrelevante, pero eliminando la redundante). #Subjetivamente sin pérdidas: Es decir, además de eliminar la información redundante se elimina también la irrelevante. #Subjetivamente con pérdidas: Se elimina cierta cantidad de información básica, por lo que el mensaje se reconstruira con errores perceptibles pero tolerables. (por ejemplo: la videoconferencia).

Diferencias entre compresión con y sin pérdida

El objetivo de la codificación siempre es reducir el tamaño de la información, intentando que esta reducción de tamaño no afecte al contendio. No obstante, la reducción de datos puede afectar a la calidad de la información o no hacerlo:
- Compresión sin pérdida: Los datos antes y despues de comprimirlos son exactos en la compresión sin pérdida. En el caso de la compresión sin perdida una mayor compresión solo implica más tiempo de proceso. El bitrate siempre es variable en la compresión sin pérdida.
- Una algoritmo de compresión con pérdida puede eliminar datos para reducir aun más el tamaño, con lo que se suele reducir la calidad. En la compresión con perdida el bit rate puede ser constante o variable. A la hora de elegir un tipo de compresión para reducir el tamaño de un archivo, hay que tener en cuenta que, una vez comprimido, la señal original ya no se puede recuperar.

Véase también

- Algoritmo de compresión con pérdida
- Wavelets

Enlaces externos

- http://coco.ccu.uniovi.es/immed/compresion/descripcion/fundamentos/fundamentos.htm Fundamentos de la compresión de imágenes]
- [http://www.smi.hst.aau.dk/~vhooraz/tesis_wavelet.pdf Procesamiento Digital de Señales Acústicas utilizando Wavelets.] category:Algoritmos Category:Compresión de datos Category:Procesado digital de señal ja:データ圧縮 ko:데이터 압축 simple:Data compression th:การบีบอัดข้อมูล

Señal digital

Se dice que una señal es digital cuando las magnitudes de la misma se representan mediante valores discretos en lugar de variables continuas. Por ejemplo, el interruptor de la luz sólo puede tomar dos valores o estados: abierto o cerrado, o la misma lámpara: encendida o apagada (véase circuito de conmutación). Los sistemas digitales, como por ejemplo el ordenador, usan lógica de dos estados: la corriente pasa o no, por los componentes electrónicos del sistema. Estos dos estados son en realidad dos niveles de tensión, uno alto, H y otro bajo, L (de High y Low, respectivamente, en inglés). Por abstracción, dichos estados se sustituyen por ceros y unos, lo que facilita la aplicación de la lógica y la aritmética binaria. Si el nivel alto se representa por 1 y el bajo por 0, se habla de lógica positiva y en caso contrario de lógica negativa. Cabe mencionar que además de los niveles, en una señal digital están las transiciones de alto a bajo o de bajo a alto, denominadas flanco de subida o de bajada, respectivamente. En la siguiente figura se muestra una señal digital donde se identifican los niveles y los flancos. flanco Es conveniente aclarar que, a pesar de que en los ejemplos señalados el término digital se ha relacionado siempre con dispositivos binarios, no significa que digital y binario sean términos intercambiables.Por ejemplo, si nos fijamos en el código Morse, veremos que en él se utilizan, para el envío de mensajes por telégrafo eléctrico, cinco estados digitales que son: :punto, raya, espacio corto (entre letras), espacio medio (entre palabras) y espacio largo (entre frases) Referido a un aparato o instrumento de medida, decimos que es digital cuando el resultado de la medida se representa en un visualizador mediante números (dígitos) en lugar de hacerlo mediante la posición de una aguja, o cualquier otro indicador, en una escala. Antónimo de Señal analógica Categoría: Electrónica digital Categoría: Telecomunicaciones ja:デジタル ko:디지털

Frecuencia de muestreo

Señal original y muestreo de la misma.

La tasa o frecuencia de muestreo es el número de muestras por unidad de tiempo que se toman de una señal continua para producir una señal discreta, el proceso necesario para convertirla de analógica en digital. Como todas las frecuencias, generalmente se expresa en hercios (Hz, ciclos por segundo) o múltiplos suyos, como el kilohercio (kHz), aunque pueden utilizarse otras magnitudes.

Teorema de Nyquist

Según el teorema de muestreo de Nyquist-Shannon, para poder replicar con exactitud la forma de una onda es necesario que la frecuencia de muestreo sea como mínimo el doble de la máxima frecuencia a muestrear. El teorema de Nyquist sólo indica el valor mínimo necesario para que el muestreo resulte eficaz. Por encima de ese valor, cuanto mayor sea el número de niveles de comparación (muestras), más fiel será la conversión analógica digital (A/D), lo que se traduce en una mayor calidad de la señal resultante. Cuantas más muestras se tengan, será posible reconstruir mejor la señal; no obstante, a mayor frecuencia de muestreo (más información/datos), mayor será el ancho de banda necesario. En términos informáticos, una mayor frecuencia de muestreo requiere una mayor resolución (número de bits). Un número mayor de bits implica, en la práctica, que la señal se procese más lentamente y, por lo general, un encarecimiento del equipo, que requiere interfaces más potentes, más memoria, etc. Además, aunque se siga aumentando la frecuencia de muestreo, la calidad no continúa incrementándose indefinidamente. Matemáticamente se ha demostrado que, llegado un determinado punto (sobrepasada cierta cantidad de muestras por segundo), la calidad ya no aumenta, debido al principio general de rendimientos marginales decrecientes.

Frecuencias de muestreo para audio y vídeo

En audio, la máxima audiofrecuencia perceptible para el oído humano está en torno a los 20 kHz, por lo que teóricamente una frecuencia de muestreo de 40 kHz sería adecuada para digitalizarla; no obstante, el estándar introducido por el CD, se estableció en 44,1 kHz. La frecuencia de muestreo ligeramente superior permite compensar los filtros utilizados durante la conversión analógica-digital. Hay que tener en cuenta que no todas las fuentes sonoras se aproximan a los 20 kHz que corresponden a esta frecuencia máxima; la mayoría de los sonidos está muy por debajo de ésta. Por ejemplo, si se va a grabar la voz de una soprano, la máxima frecuencia que la cantante será capaz de producir estará en torno a los 1046 kHz, con lo que utilizar una frecuencia de muestreo de 44.1 hercios sería innecesario (se estaría empleando una capacidad de almacenamiento extra que se podría economizar). En este caso, siguiendo el Teorema de Nyquist, sería adecuada una frecuencia de muestreo en torno a los 2100 Hz. En este sentido, la mayoría de software/hardware están preparados para que el usuario pueda seleccionar la frecuencia de muestreo a utilizar. El estándar del CD-Audio está fijado en 44,1 kHz, pero esto no significa que esa sea la frecuencia que utilizan todos los equipos. Los sistemas domésticos de baja calidad pueden utilizar frecuencias de 22,05 kHz o de 11,025 kHz (produciendo así una señal analógica de inferior calidad a la que podría generarse con la información contenida en el disco). Además, las tarjetas de sonido de los equipos informáticos utilizan frecuencias por encima o por debajo de este estándar, muchas veces seleccionándolas en función de las necesidades concretas (sobre todo, en aplicaciones de audio profesional). En audio profesional, se utilizan frecuencias de muestreo de 48 kHz o superiores. La razón es que cuando se graban altas frecuencias, cercanas a los 20 kHz, usando los 44,1 kHz, sólo se recogen dos muestras por segundo, con lo que la señal resultante queda muy limitada. Ante esto, es evidente que las altas frecuencias se muestrean peor que las altas; una tasa de muestreo superior al estándar permite corregir esta disparidad. Algunas frecuencias de muestreo típicas en sistemas de audio y vídeo aparecen resumidas en tablas, más arriba.

Vídeo

En vídeo digital, la frecuencia entre fotogramas es utilizada para definir la frecuencia de muestreo de la imagen en lugar del ritmo de cambios de los píxeles individuales. La frecuencia de muestreo de la imagen es el ritmo de repetición del período de integración del CCD. Dado que el periodo de integración puede ser significativamente más corto que el tiempo entre repeticiones, la frecuencia de muestreo puede diferir de la inversa del tiempo de muestreo.

Efecto aliasing

Si se utiliza una frecuencia menor a la establecida por el teorema de Nyquist, se produce una distorsión conocida como aliasing; algunos autores traducen este término como solapamiento. El aliasing impide recuperar correctamente la señal cuando las muestras de ésta se obtienen a intervalos de tiempo demasiamo largos. La forma de la onda recuperada presenta pedientes muy abruptas. aliasing Una pendiente abrupta genera cierta dispersión de la señal. Esta dispersión es la responsable de que se generen ecos (entendiendo por eco, no un sonido, sino un desfase o desplazamiento temporal de la señal). El efecto aliasing y la dispersión (o distanciamiento de un conjunto de valores con respecto a su valor medio) que introduce quedaron demostrados por los experimentos de Lagadec y Stockham.

Filtro antialiasing

Para eliminar el aliasing, los sistemas de digitalización incluyen filtros paso bajo, que eliminan todas las frecuencias que sobrepasan la frecuencia ecuador (la que corresponde a la mitad de la frecuencia de muestreo elegida) en la señal de entrada. Es decir, todas las frecuencias que queden por encima de la frecuencia de muestreo seleccionada son eliminadas. El filtro paso bajo para este uso concreto recibe el nombre de filtro antialiasing. Sin embargo, abusar de los filtros antialiasing, puede producir el mismo efecto que se quiere evitar. Cuando se conectan varios filtros en cadena (en el muestreo, en la conversión digital-analógica, etc.), un filtrado excesivo de una onda que ya cumplía con el requisito para su correcta transformación A/D puede degenerar y provocar que la onda final presente una pendiente marcada. Por esta desventaja del filtro antialiasing se ha generalizado la técnica conocida como sobremuestreo de la señal.

Sobremuestreo

Para evitar las caídas abruptas se utiliza la técnica conocida como sobremuestreo (oversampling), que permite reconstruir, tras la conversión D/A, una señal de pendiente suave. Un sobremuestreo consiste en aplicar un filtro digital que actúa sobre el tiempo (dominio de frecuencia), cambiando de lugar las muestras, de forma que al superponerlas, se creen muestreos simultáneos virtuales. Estos muestreos simultaneos no son reales, son simulaciones generadas por el propio filtro. Estos muestreos simultáneos se obtienen utilizando el llamado coeficiente de sobremuestreo (

n

), que viene indicado por la expresión

x \times n

(

x \times 3

x \times 4

x \times 8

, ...). Las muestras obtenidas se superponen con los datos originales y los conversores A/D los promedian, obteniendo una única muestra ponderada (por ejemplo, si se hacen tres muestreos, finalmente, la muestra tomada no es ninguna de las tres, sino su valor medio). Para evitar el aliasing, también se introduce a la entrada un filtro paso bajo digital, que elimine aquellas frecuencias por encima de la mitad de la frecuencia de muestreo. No obstante, a la salida, la frecuencia de muestreo utilizada para reproducir la señal ya no es la misma que se utilizó para tomar las muestras a la entrada, sino que es tantas veces mayor como números de muestreo se hayan hecho. Consideremos un ejemplo característico de la digitalización de música en formato CD. Imaginemos que para digitalizar el CD se hacen 3 muestreos a 44,1 kHz que se interpolan. Se introduce un filtro paso bajo, llamado decimator, que elimina las frecuencias por encima de los 20 kHz, pero la frecuencia de muestreo utilizada para reconstruir la señal será tres veces mayor: 132,3 kHz. De este modo se reconstruye la señal suavizando la pendiente. A este proceso de filtrado durante la conversión D/A se lo conoce como diezmado. Sin embargo, es evidente que incorporar la técnica del sobremuestreo encarece considerablemente el equipo.

Véase también

- Aliasing
- Conversión analógica-digital
- Muestreo digital

Enlaces externos

- [http://www2.canalaudiovisual.com/ezine/books/acjirINFORMATICA/3info04.htm Canalaudiovisual.com: aliasing]
- [http://fing.uncu.edu.ar/catedras/industrial/electronica/archivos/electronica/TMuestreo.doc Fing.uncu.edu.ar: teorema de Nyquist]
- [http://prof.usb.ve/tperez/docencia/2422/contenido/muestreo/muestreo.htm Prof.usb.ve: contenidos para electrónicos]
- [http://www.dliengineering.com/vibman-spanish/formacindealiases.htm Dliengineering.com: aliasing]
- [http://www.saecollege.de/reference_material/pages/Recorders.htm Saecollege.de: grabadoras, ¿por qué exactamente 44.1 kHz?] (en inglés)

Bibliografía

- FRIES, Bruce y FRIES, Marty. Audio digital práctico. Ed. Anaya Multimedia. 2005. ISBN 8441518920
- RUMSEY, Francis y McCORMICK, Tim. Sonido y grabación. Introducción a las técnicas sonoras. 2004.
- RUSS, Martin. Síntesis y muestreo de sonido. (Guía práctica sobre los sintetizadores). 1999. ISBN 84-88788-35-5
- WATKINSON, J. El arte del audio digital. IORTV, Madrid, 1993
- WATKINSON, John. Introducción al audio digital. 2003. ISBN 8493284491. categoría:Procesado digital de señal ja:サンプリング周波数

Bit

Bit es el acrónimo de Binary digit. (dígito binario). Un bit es un dígito del sistema de numeración binario. Mientras que en nuestro sistema de numeración decimal se usan diez dígitos, en el binario se usan solo dos dígitos, el 0 y el 1. Un bit o dígito binario puede representar uno de esos dos valores, 0 ó 1. Podemos imaginarnos un bit como una bombilla que puede estar en uno de los siguientes dos estados: :apagada Imagen:Bulbgraph Off.png o encendida Imagen:Bulbgraph.png El bit es la unidad mínima de información empleada en informática, en cualquier dispositivo digital, o en la teoría de la información. Con él, podemos representar dos valores cualesquiera, como verdadero o falso, abierto o cerrado, blanco o negro, norte o sur, masculino o femenino, amarillo o azul, etc. Basta con asignar uno de esos valores al estado de "apagado" (0), y el otro al estado de "encendido" (1).

Combinaciones de bits

Con un bit podemos representar solamente dos valores. Para representar o codificar más información en un dispositivo digital, necesitamos una mayor cantidad de bits. Si usamos dos bits, tendremos cuatro combinaciones posibles:
- 0 0 - los dos están "apagados"
- 1 0 - el primero está "encendido" y el segundo "apagado"
- 0 1 - el primero está "apagado" y el segundo "encendido"
- 1 1 - los dos están "encendidos" Con estas cuatro combinaciones podemos representar hasta cuatro valores diferentes, como por ejemplo, los colores rojo, verde, azul y negro. A través de secuencias de bits, se puede codificar cualquier valor discreto como números, palabras, e imágenes. Cuatro bits forman un nibble, y pueden representar hasta 2^{4^{= 16 valores diferentes; ocho bits forman un octeto, y se pueden representar hasta 2^{8^{= 256 valores diferentes. En general, con n número de bits pueden representarse hasta 2^{n^{valores diferentes.

Nota: Un byte y un octeto no son la misma cosa. Mientras que un octeto siempre tiene 8 bits, un byte contiene un número fijo de bits, que no necesariamente son 8. En los computadores antiguos, el byte podría estar conformado por 6, 7, 8 ó 9 bits. Hoy en día, en la inmensa mayoría de los computadores, y en la mayoría de los campos, un byte tiene 8 bits, siendo equivalente al octeto, pero hay excepciones.

Valor de posición

En cualquier sistema de numeración, el valor de los dígitos depende del lugar en el que se encuentren.

En el sistema decimal, por ejemplo, el dígito 5 puede valer 5 si está en la posición de las unidades, pero vale 50 si está en la posición de las decenas, y 500 si está en la posición de las centenas. Generalizando, cada vez que nos movemos una posición hacia la izquierda el dígito vale 10 veces más, y cada vez que nos movemos una posición hacia la derecha, vale 10 veces menos. Esto también es aplicable a números con decimales.

+---------+---------+---------+
| Centena | Decena | Unidad |
+---------+---------+---------+
| x 100 | x 10 | x 1 |
+---------+---------+---------+

Por tanto, el número 153 en realidad es: 1 centena + 5 decenas + 3 unidades, es decir,
: 100 + 50 + 3 = 153.

En el sistema binario es similar, excepto que cada vez que un dígito binario (bit) se desplaza una posición hacia la izquierda vale el doble (2 veces más), y cada vez que se mueve hacia la derecha, vale la mitad (2 veces menos).

+----+----+----+----+----+ Valor del bit
| 16 | 8 | 4 | 2 | 1 | <-- de acuerdo a
+----+----+----+----+----+ su posición

Abajo vemos representado el número 19.
: 16 + 2 + 1 = 19.

También se pueden representar valores "decimales" (números reales, de punto flotante). Abajo vemos el número 5.25 representado en forma binaria.
: 4 + 1 + 0.25 = 5.25

Aunque la representación de números reales no es exactamente como lo que se muestra arriba, el esquema da una idea del concepto.

Subíndices

Cuando se trabaja con varios sistemas de numeración o cuando no está claro con cual se está trabajando, es típico usar un subíndice para indicar el sistema de numeración con el que se ha representado un número. El 10 es el subíndice para los números en el sistema decimal y el 2 para los del binario. En los ejemplos de arriba se muestran dos números en el sistema decimal y su equivalente en binario. Esta igualdad se representa de la siguiente manera:

- 19₁₀ = 10011₂

- 5.25₁₀ = 101.01₂

Bits más y menos significativos

Si un conjunto de bits (por ejemplo, un byte) representa un conjunto de elementos ordenados, los bits también han de guardar un orden. Se llama bit más significativo (MSB) al bit que tiene un mayor peso dentro del conjunto; análogamente, se llama bit menos significativo (LSB) al bit que tiene un menor peso dentro del conjunto.

Tomemos, por ejemplo, el número decimal 27 codificado en forma binaria en un octeto:

$27 = 16 + 8 + 2 + 1 = 2^4 + 2^3 + 2^1 + 2^0$ -> 0 0 0 1 1 0 1 1

En este caso, el primer '0' (que se corresponde con el coeficiente de $2^7$ ) es el bit más significativo, siendo el último '1' (que se corresponde con el coeficiente de $2^0$ ) el menos significativo.

Este aspecto es particularmente importante en la programación en código máquina, ya que algunas máquinas consideran el primer bit de la izquierda el más significativo (arquitecura little endian, Intel) mientras que otras consideran que ese es el menos significativo (arquitectura big endian, Motorola). De este modo, el número decimal 27 se almacenaría en una máquina little endian tal y como lo hemos codificado anteriormente, mientras que en una máquina big endian lo haría de forma invertida: 1 1 0 1 1 0 0 0

Véase también

- Tipo de dato

- Qubit

- Nibble

- Byte

- Kilobyte

- Megabyte

- Gigabyte

- Terabyte

- Petabyte

- Exabyte

- Zettabyte

- Yottabyte

- Célula Binaria

Categoría:Acrónimos de informática
Categoría:Teoría de la información
Categoría:Unidades de información

ja:ビット
ko:비트

simple:Bit

th:บิต

CompresiónLa compresión consite en la reducción del volumen de información a tratar (procesar, transmitir o grabar). En principio, con la compresión se pretende transportar la misma información, pero empleando la menor cantidad de espacio.

El espacio que ocupa una información codificada (datos, señal digital...) sin compresión viene a ser el conciente entre la frecuencia de muestreo y la resolución. Por tanto, cuantos más bits se empleen menor será el tamaño del archivo, no obstante, la resolución biene impuesta por el sistema digital con que se trabaja y no se puede alterar el número de bits a voluntad, por ello, se utiliza la compresión, para transmitir la misma cantidad de información que ocuparía una gran resolución en un número inferior de bits.

La compresión de datos se basa fundamentalmente en buscar repeticiones en series de datos para después almacenar solo el dato junto al número de veces que se repite. Así, por ejemplo, si en un fichero aparece una secuencia como "AAAAAAA", ocupando 6 bytes se podría almacenar simplemente "6A" que ocupa solo 2 bytes, en algoritmo RLE.

En realidad, el proceso es mucho más complejo, ya que raramente se consigue encontrar patrones de repetición tan exactos (salvo en algunas imágenes). Se utilizan complicadas fórmulas matemáticas, los llamados alogritmos de compresión:

- Por un lado, algunos buscan series largas que luego codifican de formas más cortas.

- Por otro lado, algunos algoritmos como el algoritmo de Huffman, examinan los caracteres más repetidos para luego codificar de forma más corta los que más se repiten.

A la hora de hablar de compresión hay que tener presentes dos conceptos:
#Redundacia: Datos que son repetitivos o previsibles
#Entropia: La información nueva o esencial que se define como la diferencia entre la cantidad total de datos de un mensaje y su redundacia.

La información que transmiten los datos puede ser de tres tipos:
#Redundante: Información repetitiva o predecible.
#Irrelevante: Información que no podemos apreciar y cuya eleminación por tanto no afeca al contenido del mensaje. Por ejemplo, si el frecuencias que es capaz de captar el oído humano está entre de 16/20 Hz a 16.000/20.000 KHz s, serían irrelevantes aquellas frecuencias que estubieran por debajo o por encima de estos valores.
#Básica: La relevante. La que no es ni redundante ni irrelevante.La que debe ser transmitida para que se pueda reconstruir la señal.

Teniendo en cuena estos tres tipos de información, se establecen tres tipologias de ompresión de la información:
#Sin perdidas reales: Es decir, transmitiendo toda la entropía del mensaje (toda la información básica e irrelevante, pero eliminando la redundante).
#Subjetivamente sin pérdidas: Es decir, además de eliminar la información redundante se elimina también la irrelevante.
#Subjetivamente con pérdidas: Se elimina cierta cantidad de información básica, por lo que el mensaje se reconstruira con errores perceptibles pero tolerables. (por ejemplo: la videoconferencia).

Diferencias entre compresión con y sin pérdida
El objetivo de la codificación siempre es reducir el tamaño de la información, intentando que esta reducción de tamaño no afecte al contendio. No obstante, la reducción de datos puede afectar a la calidad de la información o no hacerlo:

- Compresión sin pérdida: Los datos antes y despues de comprimirlos son exactos en la compresión sin pérdida. En el caso de la compresión sin perdida una mayor compresión solo implica más tiempo de proceso. El bitrate siempre es variable en la compresión sin pérdida.

- Una algoritmo de compresión con pérdida puede eliminar datos para reducir aun más el tamaño, con lo que se suele reducir la calidad. En la compresión con perdida el bit rate puede ser constante o variable.

A la hora de elegir un tipo de compresión para reducir el tamaño de un archivo, hay que tener en cuenta que, una vez comprimido, la señal original ya no se puede recuperar.

Véase también

- Algoritmo de compresión con pérdida

- Wavelets

Enlaces externos

- http://coco.ccu.uniovi.es/immed/compresion/descripcion/fundamentos/fundamentos.htm Fundamentos de la compresión de imágenes]

- [http://www.smi.hst.aau.dk/~vhooraz/tesis_wavelet.pdf Procesamiento Digital de Señales Acústicas utilizando Wavelets.]
category:Algoritmos
Category:Compresión de datos
Category:Procesado digital de señal

ja:データ圧縮
ko:데이터 압축

simple:Data compression

th:การบีบอัดข้อมูล

RLE
La compresión RLE o Run-lenght enconding es una forma muy simple de compresión de datos en la que secuencias de datos con el mismo valor son almacenadas como un único valor más su recuento. Esto es más útil en datos que contienen muchas de estas "secuencias"; por ejemplo, gráficos sencillos con áreas de color plano, como iconos y logotipos.

Por ejemplo, considera una pantalla que contiene texto en negro sobre un fondo blanco. Habría muchas secuencias de este tipo con píxeles blancos en los márgenes vacíos, y otras secuencias de píxeles negros en la zona del texto. Supongamos una única línea (o scanline), con N representando las zonas en negro y B las de blanco:

BBBBBBBBBBBBNBBBBBBBBBBBBNNNBBBBBBBBBBBBBBBBBBBBBBBBNBBBBBBBBBBBBBB

Si aplicamos la codificación run-lenght a está línea, obtendríamos lo siguiente:

12BN12B3N24BN14B

Interpretado esto como 12 bes, 1 ene, 12 bes, 3 enes, etc. El código run-length representa el original de 67 carácteres en tan sólo 16. Esta codificación traducida a binario, cuyo principio es el mismo, se utiliza para el almacenamiento de imágenes. Incluso ficheros de datos binarios pueden ser comprimidos utilizando este método. El primer byte contiene un número que representa el número de veces que el carácter está repetido. El segundo byte contiene al propio carácter. En otros casos se codifican en un solo byte: 1 bit (0 o 1) y 7 bits para especificar el número de carácteres consecutivos.

Sin embargo, sistemas de compresión más modernos a menudo usan el algoritmo de deflación o otros algoritmos basados en el LZ77, el cual tiene la ventaja de utilizar secuencias de cadenas de carácteres.

Algunos formatos que utilizan esta codificación incluyen Packbits, PCX y ILBM.

La codificación run-length realiza una compresión de datos sin pérdidas y es muy utilizado en imagenes de 8 bits indexadas (en un principio fue utilizado para images en blanco y negro). No funciona tan bien en imágenes donde varía constantemente el color de los pixels como fotografías, aunque JPEG lo utiliza de forma efectiva en los coeficientes que quedan después de transformar y cuantificar bloques de imágenes. Posteriormente ha formado la base de otros sistemas de compresión como por ejemplo el CCITT grupo 3 – 1D

Categoría:Algoritmos
Categoría:Acrónimos de informática

ja:連長圧縮
ko:반복 길이 부호화

Fórmula
En automovilismo:

- Fórmula 1

En química:

- Fórmula química

ja:公式

Matemática
Matemáticas (en castellano se usa comúnmente en plural para referirse al estudio y ciencia), del griego μάθημα, máthema: ciencia, conocimiento, aprendizaje, μαθηματικóς, mathematikós: amante del conocimiento. Es el estudio de patrones en las estructuras de entes abstractos y en las relaciones entre ellas. Algunos matemáticos se refieren a ella como la «Reina de las Ciencias».

Aunque la matemática sea la supuesta «Reina de las Ciencias», ella misma no se considera una ciencia natural. Principalmente, los matemáticos definen e investigan estructuras y conceptos abstractos por razones puramente internas a la matemática, debido a que tales estructuras pueden proveer, por ejemplo, una generalización elegante, o una útil herramienta para cálculos frecuentes. Además, muchos matemáticos estudian sus áreas de preferencia simplemente por razones estéticas, viendo así la matemática como una forma del arte en vez de una ciencia práctica o aplicada. Sin embargo, las estructuras que los matemáticos investigan frecuentemente sí tienen su origen en las ciencias naturales, y muchas veces encuentran sus aplicaciones en ellas, particularmente en la Física.

La matemática es un arte, pero también una ciencia de estudio. Informalmente, se puede decir que la matemática es el estudio de los «números y símbolos». Es decir, es la investigación de estructuras abstractas definidas axiomáticamente utilizando la lógica y la notación matemática. Es también la ciencia de las relaciones espaciales y cuantitativas. Se trata de relaciones exactas que existen entre cantidades y magnitudes, y de los métodos por los cuales, de acuerdo con estas relaciones, las cantidades buscadas son deducibles a partir de otras cantidades conocidas o presupuestas. Otros puntos de vista pueden encontrarse en la Filosofía matemática.

No es infrecuente encontrar a quien describe la matemática como una simple extensión de los lenguajes naturales humanos, que utiliza una gramática y un vocabulario definidos con extrema precisión, cuyo propósito es la descripción y exploración de relaciones conceptuales y físicas. Recientemente, sin embargo, los avances en el estudio del lenguaje humano apuntan en una dirección diferente: los lenguajes naturales (como el español y el francés) y los lenguajes formales (como la matemática y los lenguajes de programación) son estructuras que son de naturaleza básicamente diferente.

Categorías

Se dice que la matemática abarca tres ámbitos:
#Aritmética.
#Geometría, incluyendo la Trigonometría y las Secciones cónicas.
#Ánálisis matemático, en el cual se hace uso de letras y símbolos, y que incluye el álgebra, la geometría analítica y el cálculo.

(Algunos, especialmente los probabilistas, agregan a esta lista el cálculo de probabilidades).

Cada una de estas categorías se divide a su vez en pura o abstracta, en donde se consideran las magnitudes o cantidades abstractamente, sin relación a la materia; y en aplicada, la cual trata las magnitudes como substancia de cuerpos materiales, y por consecuencia se relaciona con consideraciones físicas.

Las numerosas ramas de la matemática están muy interrelacionadas; he aquí una lista de secciones que podemos considerar en su estudio.

Fundamentos y Métodos
:Filosofía de las matemáticas - Intuición matemática - Constructivismo matemático - Fundamentos de las matemáticas - Teoría de conjuntos - Subconjuntos flojos - Lógica simbólica - Lógica difusa - Teoría de modelos - Teoría de las categorías - Demostración matemática - Axiomática - Inducción

Investigación Operativa
:Investigación operativa - Teoría de grafos - Teoría de juegos - Programación entera - Programación lineal - Simulación - Optimización - Método del Símplex

Números
:Números - Número natural - Número entero - Número racional - Número irracional - Número real - Número complejo - Cuaterniones - Octoniones - Sedeniones - Números hiperreales - Números infinitos - Dígito - Sistema de numeración - Número p-ádico

Matemática del cambio
:Cálculo - Cálculo vectorial - Análisis - Ecuación diferencial - Sistemas dinámicos y teoría del caos - Lista de funciones - Logaritmo

Análisis
:Sucesiones - Series - Análisis real - Análisis Complejo - Análisis funcional - Álgebra de operadores

Estructuras matemáticas
:Álgebra abstracta - Teoría de números - Álgebra conmutativa - Geometría algebraica - Teoría de grupos - Monoides - Análisis - Topología - Álgebra lineal - Teoría de grafos - Teoría de las categorías

Espacios
:Topología - Geometría - Teoría de haces - Geometría algebraica - Geometría diferencial - Topología diferencial - Topología algebraica - Álgebra lineal - Cuaterniones y rotación en el espacio

Matemática finita
:Combinatoria - Teoría de conjuntos - Estadística y Probabilidad - Teoría de la Computación - Matemática discreta - Criptografía - Teoría de los grafos - Teoría de juegos

Matemática aplicada
:Mecánica - Cálculo numérico - Optimización - Matemáticas discreta - Estadística y probabilidad

Teoremas y conjeturas famosas
:Teorema de Fermat - Hipótesis de Riemann - Hipótesis del continuo - clases de complejidad P y NP - Conjetura de Goldbach - Conjetura de los números primos gemelos - Teoremas de incompletitud de Gödel - Conjetura de Poincaré - Argumento de la diagonal de Cantor - Teorema de Pitágoras - Teorema fundamental del cálculo - Teorema Fundamental del Álgebra - Teorema de los cuatro colores - Lema de Zorn - Identidad de Euler.

Historia de las matemáticas. El mundo de los matemáticos
:Historia de las matemáticas - Matemáticos - Medallas Fields - Millennium Prize Problems (Clay Math Prize) - International Mathematical Union - Competiciones matemáticas - Matemáticas en el mundo - Matemáticas en Bizancio - Matemáticas en el Islam medieval

Matemáticas recreativas
:Cuadrado mágico - Papiroflexia

Historia
Históricamente, la matemática surgió con el fin de hacer los cálculos en el comercio, para medir la tierra y para predecir los acontecimientos astronómicos. Estas tres necesidades pueden ser relacionadas en cierta forma con la subdivisión amplia de las matemáticas en el estudio de la estructura, el espacio y el cambio.

El estudio de la estructura comienza con los números, inicialmente los números naturales y los números enteros.

Las reglas que dirigen las operaciones aritméticas se estudian en el álgebra elemental, y las propiedades más profundas de los números enteros se estudian en la teoría de números.
La investigación de métodos para resolver ecuaciones lleva al campo del álgebra abstracta. El importante concepto de vector, generalizado a espacio vectorial, es estudiado en el álgebra lineal, y pertenece a las dos ramas de la estructura y el espacio. El estudio del espacio origina la geometría, primero la geometría euclídea y luego la trigonometría.

La comprensión y descripción del cambio en variables mensurables es el tema central de las ciencias naturales, y el cálculo. Para resolver problemas que se dirigen en forma natural a relaciones entre una cantidad y su tasa de cambio, y de las soluciones a estas ecuaciones, se estudian las ecuaciones diferenciales.

Los números usados para representar las cantidades continuas son los números reales. Para estudiar los procesos de cambio se utiliza el concepto de función matemática. Los conceptos de derivada e integral, introducidos por Newton y Leibniz, representan un papel clave en este estudio, que se denomina Análisis.

Por razones matemáticas, es conveniente para muchos fines introducir los números complejos, lo que da lugar al análisis complejo.

El análisis funcional consiste en estudiar problemas cuya incógnita es una función, pensándola como un punto de un espacio funcional abstracto.

Un campo importante en matemáticas aplicadas es la probabilidad y la estadística, que permiten la descripción, el análisis y la predicción de fenómenos que tienen variables aleatorias y que se usan en todas las ciencias.

El análisis numérico investiga los métodos para realizar los cálculos en computadoras.

Crisis históricas de las matemáticas
Las matemáticas han pasado por tres crisis históricas importantes:
# El descubrimiento de la inconmensurabilidad por los griegos, la existencia de los números irracionales que de alguna forma debilitó la filosofía de los pitagóricos.
# Aparición del cálculo en el siglo XVII, con el temor de que fuera ilegitimo manejar infinitesimales
# La tercera fue el hallazgo de las antinomias, como la de Russell o la paradoja de Berry a comienzos del siglo XX, que atacaban los mismos cimientos de la materia
::Fuente: El dedo de Galileo. Peter Atkins. En Espasa Calpe-2003

Instrumentos para cálculos matemáticos
Antiguos:

- Ábaco

- Ábaco de Napier

- Regla de cálculo

- Regla y compás

- Cálculo mental

Nuevos:

- Calculadoras

- Ordenadores (Lenguajes de programación y software especializado para ciertas áreas de las mátematicas.)

Conceptos errados
Lo que cuenta como conocimiento en matemáticas se determina no mediante experimentación, sino que mediante demostraciones. No son por lo tanto las matemáticas una rama de la física, la ciencia a la que históricamente se encuentra más emparentada, puesto que la física es una ciencia empírica. Por otro lado, la experimentación juega un papel importante en la formulación de conjeturas razonables, por lo que no se excluye a ésta de la investigación en matemáticas.

Las matemáticas no son un sistema intelectualmente cerrado, donde todo ya esté hecho. Aún existen gran cantidad de problemas esperando solución.

Matemáticas no significa contabilidad. Si bien los cálculos aritméticos son importantes en para los contadores, los avances en matématica abstracta difícilmente cambiarán su forma de llevar los libros.

Matemáticas no significa numerología. La numerología utiliza la aritmética modular para nombres y fechas a números a los que se les atribuye emociones o significados esotéricos, basados en la intución o en tradiciones.

Enlaces relacionados

- Lista de enunciados matemáticos

- Real Sociedad Matemática Española

- Identidad de Brahmagupta

Enlaces externos

- [http://thesaurus.maths.org/mmkb/view.html?resource=index Conexiones Matemáticas]

- [http://www.rsme.es Real Sociedad Matemática Española]

- [http://www.epsilones.com/index.html Epsilones - Portada]

- [http://www.epsilones.com/paginas/t-historias.html Epsilones - Historias matemáticas]

- [http://descartes.cnice.mecd.es/index.html Portal Descartes]

categoría:Matemáticas

ja:数学

ko:수학

ms:Matematik

simple:Mathematics

th:คณิตศาสตร์

zh-min-nan:Sò·-ha̍k

Algoritmo de compresiónLa compresión consite en la reducción del volumen de información a tratar (procesar, transmitir o grabar). En principio, con la compresión se pretende transportar la misma información, pero empleando la menor cantidad de espacio.

El espacio que ocupa una información codificada (datos, señal digital...) sin compresión viene a ser el conciente entre la frecuencia de muestreo y la resolución. Por tanto, cuantos más bits se empleen menor será el tamaño del archivo, no obstante, la resolución biene impuesta por el sistema digital con que se trabaja y no se puede alterar el número de bits a voluntad, por ello, se utiliza la compresión, para transmitir la misma cantidad de información que ocuparía una gran resolución en un número inferior de bits.

La compresión de datos se basa fundamentalmente en buscar repeticiones en series de datos para después almacenar solo el dato junto al número de veces que se repite. Así, por ejemplo, si en un fichero aparece una secuencia como "AAAAAAA", ocupando 6 bytes se podría almacenar simplemente "6A" que ocupa solo 2 bytes, en algoritmo RLE.

En realidad, el proceso es mucho más complejo, ya que raramente se consigue encontrar patrones de repetición tan exactos (salvo en algunas imágenes). Se utilizan complicadas fórmulas matemáticas, los llamados alogritmos de compresión:

- Por un lado, algunos buscan series largas que luego codifican de formas más cortas.

- Por otro lado, algunos algoritmos como el algoritmo de Huffman, examinan los caracteres más repetidos para luego codificar de forma más corta los que más se repiten.

A la hora de hablar de compresión hay que tener presentes dos conceptos:
#Redundacia: Datos que son repetitivos o previsibles
#Entropia: La información nueva o esencial que se define como la diferencia entre la cantidad total de datos de un mensaje y su redundacia.

La información que transmiten los datos puede ser de tres tipos:
#Redundante: Información repetitiva o predecible.
#Irrelevante: Información que no podemos apreciar y cuya eleminación por tanto no afeca al contenido del mensaje. Por ejemplo, si el frecuencias que es capaz de captar el oído humano está entre de 16/20 Hz a 16.000/20.000 KHz s, serían irrelevantes aquellas frecuencias que estubieran por debajo o por encima de estos valores.
#Básica: La relevante. La que no es ni redundante ni irrelevante.La que debe ser transmitida para que se pueda reconstruir la señal.

Teniendo en cuena estos tres tipos de información, se establecen tres tipologias de ompresión de la información:
#Sin perdidas reales: Es decir, transmitiendo toda la entropía del mensaje (toda la información básica e irrelevante, pero eliminando la redundante).
#Subjetivamente sin pérdidas: Es decir, además de eliminar la información redundante se elimina también la irrelevante.
#Subjetivamente con pérdidas: Se elimina cierta cantidad de información básica, por lo que el mensaje se reconstruira con errores perceptibles pero tolerables. (por ejemplo: la videoconferencia).

Diferencias entre compresión con y sin pérdida
El objetivo de la codificación siempre es reducir el tamaño de la información, intentando que esta reducción de tamaño no afecte al contendio. No obstante, la reducción de datos puede afectar a la calidad de la información o no hacerlo:

- Compresión sin pérdida: Los datos antes y despues de comprimirlos son exactos en la compresión sin pérdida. En el caso de la compresión sin perdida una mayor compresión solo implica más tiempo de proceso. El bitrate siempre es variable en la compresión sin pérdida.

- Una algoritmo de compresión con pérdida puede eliminar datos para reducir aun más el tamaño, con lo que se suele reducir la calidad. En la compresión con perdida el bit rate puede ser constante o variable.

A la hora de elegir un tipo de compresión para reducir el tamaño de un archivo, hay que tener en cuenta que, una vez comprimido, la señal original ya no se puede recuperar.

Véase también

- Algoritmo de compresión con pérdida

- Wavelets

Enlaces externos

- http://coco.ccu.uniovi.es/immed/compresion/descripcion/fundamentos/fundamentos.htm Fundamentos de la compresión de imágenes]

- [http://www.smi.hst.aau.dk/~vhooraz/tesis_wavelet.pdf Procesamiento Digital de Señales Acústicas utilizando Wavelets.]
category:Algoritmos
Category:Compresión de datos
Category:Procesado digital de señal

ja:データ圧縮
ko:데이터 압축

simple:Data compression

th:การบีบอัดข้อมูล

Algoritmo de Huffman
El Algoritmo de Huffman es un algoritmo para la construcción de códigos de Huffman, desarrollado por David A. Huffman en 1952 y descrito en [http://compression.graphicon.ru/download/articles/huff/huffman_1952_minimum-redundancy-codes.pdf A Method for the Construction of Minimum-Redundancy Codes].

Este algoritmo toma un alfabeto de n símbolos, junto con sus frecuencias de aparición asociadas, y produce un código de Huffman para ese alfabeto y esas frecuencias.

Descripción
El algoritmo consiste en la creación de un árbol binario que tiene cada uno de los símbolos por hoja, y construido de tal forma que siguiéndolo desde la raíz a cada una de sus hojas se obtiene el código Huffman asociado.

#Se crean varios árboles, uno por cada uno de los símbolos del alfabeto, consistiendo cada uno de los árboles en un nodo sin hijos, y etiquetado cada uno con su símbolo asociado y su frecuencia de aparición.
#Se toman los dos árboles de menor frecuencia, y se unen creando un nuevo árbol. La etiqueta de la raíz será la suma de las frecuencias de las raíces de los dos árboles que se unen, y cada uno de estos árboles será un hijo del nuevo árbol. También se etiquetan las dos ramas del nuevo árbol: con un 0 la de la izquierda, y con un 1 la de la derecha.
#Se repite el paso 2 hasta que sólo quede un árbol.

Con este árbol se puede conocer el código asociado a un símbolo, así como obtener el símbolo asociado a un determinado código.

Para obtener el código asociado a un símbolo se debe proceder del siguiente modo:

#Comenzar con un código vacío
#Iniciar el recorrido del árbol en la hoja asociada al símbolo
#Comenzar un recorrido del árbol hacia arriba
#Cada vez que se suba un nivel, añadir al código la etiqueta de la rama que se ha recorrido
#Tras llegar a la raíz, invertir el código
#El resultado es el código Huffman deseado

Para obtener un símbolo a partir de un código se debe hacer así:

#Comenzar el recorrido del árbol en la raíz de éste
#Extraer el primer símbolo del código a descodificar
#Descender por la rama etiquetada con ese símbolo
#Volver al paso 2 hasta que se llegue a una hoja, que será el símbolo asociado al código

En la práctica, casi siempre se utiliza el árbol para obtener todos los códigos de una sola vez; luego se guardan en tablas y se descarta el árbol.

Ejemplo de uso

La tabla describe el alfabeto a codificar, junto con las frecuencias de sus símbolos. En el gráfico se muestra el árbol construido a partir de este alfabeto siguiendo el algoritmo descrito.

árbol binario

Se puede ver con facilidad cuál es el código del símbolo E: subiendo por el árbol se recorren ramas etiquetadas con 1, 1 y 0; por lo tanto, el código es 011. Para obtener el código de D se recorren las ramas 0, 1, 1 y 1, por lo que el código es 1110.

La operación inversa también es fácil de realizar: dado el código 10 se recorren desde la raíz las ramas 1 y 0, obteniéndose el símbolo C. Para descodificar 010 se recorren las ramas 0, 1 y 0, obteniéndose el símbolo A.

Limitaciones

Para poder utilizar el algoritmo de Huffman es necesario conocer de antemano las frecuencias de aparición de cada símbolo, y su eficiencia depende de lo próximas a las frecuencias reales que sean las estimadas. Algunas implementaciones del algoritmo de Huffman son adaptativas, actualizando las frecuencias de cada símbolo conforme recorre el texto.

La eficiencia de la codificación de Huffman también depende del balance que exista entre los hijos de cada nodo del árbol, siendo más eficiente conforme menor sea la diferencia de frecuencias entre los dos hijos de cada nodo.

Ejemplos:

- La codificación binaria es un caso particular de la codificación de Huffman que ocurre cuando todos los símbolos del alfabeto tienen la misma frecuencia. Se tiene pues que la codificación binaria es la más eficiente para cualquier número de símbolos equiprobables.

- El algoritmo de Huffman aplicado sobre un alfabeto de dos símbolos asignará siempre un 1 al primero y un 0 al segundo, independientemente de la frecuencia de aparición de dichos símbolos. En este caso nunca se realiza compresión de los datos, mientras que otros algoritmos sí podrían conseguirlo.

Una manera de resolver este problema consiste en agrupar los símbolos en palabras antes de ejecutar el algoritmo. Por ejemplo, si se tiene la cadena de longitud 64

AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAB

El algoritmo de Huffman aplicado únicamente a los símbolos devuelve el código:

1111111111111111111111111111111111111111111111111111111111111110

También de longitud 64. Sin embargo, si antes de utilizar el algoritmo, se agrupan los símbolos en las palabras "AA", "AB" y "B" (que se codifican como 1, 01 y 00), el algoritmo devuelve la siguiente cadena:

111111111111111111111111111111101

que tiene longitud 32, la mitad que si no se hubiera agrupado. Si observa el árbol de Huffman, se puede comprobar que la diferencia de frecuencias entre las ramas del árbol es menor que en el caso anterior.

Variaciones del algoritmo

Códigos Huffman n-arios
Es posible crear códigos de Huffman ternarios, cuaternarios, y, en general, n-arios. Para ello sólo es necesario realizar dos modificaciones al algoritmo:

#Los árboles a crear tendrán tantos hijos como símbolos posibles puedan aparecer en los códigos Huffman. Por ejemplo, si es ternario se crearán árboles con tres hijos; si es cuaternario, con cuatro.
#Si se expresa como s el número de símbolos en el alfabeto a codificar, y n el número de símbolos que aparecen en el código Huffman, entonces s-1 debe ser múltiplo de n-1. Es decir, para un código ternario, s debe valer 3, 5, 7, etc. Si esta condición no se cumple, entonces se deben añadir símbolos "nulos" con frecuencia 0, que servirán sólo como relleno a la hora de construir el árbol.

Véase también

- Codificación Huffman

H

ja:ハフマン符号
ko:허프만 코딩

th:รหัสฮัฟแมน และ รหัสแชนนอน-ฟาโน

Compresión sin pérdidaSe llama así a cualquier procedimiento de codificación que tenga como objetivo representar cierta cantidad de información utilizando una menor cantidad de la misma, siendo posible una reconstrucción exacta de los datos originales.

Este tipo de compresión se vuelve necesaria cuando se requiere conservar íntegramente la información original, en contraposición a lo que sucedería con un algoritmo de compresión con pérdida.
----

Este sistema de compresión se usa en Compresores de archivo (RAR, Gzip, Bzip, zip, 7z, arj) y disco, también en imagenes (PNG, RLE) y en algún formato de audio (FLAC), en video es muy raro, suele ser utilizado para captura, como huffyuv.

Enlaces externos

- [http://www.genbeta.com/archivos/2005/07/12-formatos-de-audio-como-nunca-.php Repaso a formatos de audio sin pérdida]

C
Categoría:Compresión de datos

VBR
VBR son las siglas de Variable BitRate (bitrate variable).

El bitrate es la relación de bits por segundo que consume un fichero de audio, o de vídeo. Este método de compresión consigue una mayor calidad en ficheros de menor tamaño.

Lo que hace es otorgar una cantidad de bits que se corresponda con lo que realmente haga falta.

En sonido

Por ejemplo, si en una canción hay un fragmento en el que hay silencio, de poco sirve otorgar una cantidad grande de bits. Lo que se estaría haciendo es aumentar innecesariamente el tamaño del archivo final.

Por otra parte, en fragmentos de una canción donde la complejidad del sonido sea elevada, se otorga un bitrate mayor, porque de lo contrario puede que el bitrate no llegue a ser suficiente para que se produzca una audición correcta.

Así pues, y resumiendo, lo que hace el VBR es otorgar el bitrate necesario a cada parte del fichero, ya sea de audio o de vídeo, consiguiendo una calidad mayor en ficheros de un tamaño reducido.

La calidad de un fichero MP3 con un bitrate constante (CBR) de 192kbps es comparable a la de un CD. Pero puede que en ciertas partes de la canción esos 192kb se estén desaprovechando.

Ahí es donde el VBR saca la ventaja. Ahorra esos bits de las partes donde no se necesiten, para otorgarlos a otras partes donde haga falta un bitrate mayor para que la música suene bien.

En video

Lo mismo se puede aplicar a los vídeos. Hay escenas en las que la cámara está fija, hay poca luz, y poco movimiento. Y hay otras escenas donde la cámara se mueve, hay disparos, explosiones, etc. Lo que haría el VBR en este caso es ahorrar bitrate de la escena lenta para aplicarlo después a la escena rápida y conseguir así que esta última se vea lo mejor posible.

Categoría:Códecs de audio

CalidadLa palabra calidad tiene múltiples significados:

1) De un producto o servicio es la percepción que el cliente tiene del mismo.

2) Conjunto de propiedades inherentes a un objeto que permiten apreciarlo como igual, mejor o peor que el resto de objetos de los de su especie.

3) Conjunto de cualidades que pueden definirse como buena, mala o regular.

4) Conjunto de propiedades inherentes a un objeto que le confieren capacidad para satisfacer necesidades implícitas o explícitas.

5) Conjunto de propiedades y características (implicitas o establecidas)de un producto o servicio que le confieren su aptitud para satisfacer unas necesidades implicitas o establecidas.

6) Debe definirse en el contexto que se esté considerando, por ejemplo, la calidad del servicio postal, del servicio dental, del producto, de vida, etc.

Artículos Relacionados

- Calidad Personal

- Gestión de la calidad

- Sistema de gestión de la calidad

- Manual de calidad

- Garantía de la calidad

- Control de calidad

- Norma de calidad

- Evaluación de la calidad

- Fundación europea para la administración de la calidad

Categoría:Gestión
Category:Economía

Bit rate
En telecomunicación e informática, el término bit rate (en español, velocidad binaria) es la velocidad a la cual se transmiten los bit vía radio o cable. Así pues, el bit rate es la velocidad de transferencia de datos. Además de bit rate y velocidad binaria, en español, existen diversas nomenclaturas para referirse a este concepto: tasa de datos, flujo de datos, etc. No obstante, normalmente, se utiliza el anglicismo: bit rate. Como curiosidad, también se utiliza el término bitrate, procedente del spanglish.

La unidad con que el SI (Sistema Internacional) expresa el bit rate es el bits por segundo (bit/s, b/s, BPS). La b debe escribirse siempre en minúscula, para impedir la confusión con byte por segundo (B/s). Para convertir de bytes/s a bit/s, basta simplemente multiplicar por 8 y viceversa.

Que la unidad utilizada sea el bit/s, no implica que no puedan utilizarse múltiplos del mismo:

- Kbit/s (Kb/s, Kilobit/s o mil bits por segundo)

- Mbit/s (Mb/s, Megabit/ o un millon de bits por segundo)

- Gbit/s (Gb/s, Gigabit, mil millones de bits)

- Byte/s (B/s u 8 bits por segundo)

- Kilobyte/s (KB/s, mil bytes u ocho mil bits por segundo)

- Megabyte/s (MBs/s, un millón de bytes u 8 millones de bit por segundo)

- Gigabyte/s (GB/s, mil millones de bytes u 8 mil millones de bits)

Ejemplo:
:
- Bit rate para transmisión
::
- 8 kbit/s teléfono.
::
- 32 kbit/s Radio AM
::
- 96 kbit/s Radio FM

Otro error frecuente es utilizar el baudio como sinónimo de bit por segundo. La velocidad en baudios o baud rate no debe confundirse con el bit rate. La velocidad en baudios de una señal representa el número de cambios de estado, o eventos de señalización, que esta tiene en un segundo. Cada evento de señalización transmitido baudio puede transportar uno o más bits. Sólo cuando cada evento de señalización transporta un solo bit coinciden la velocidad de transmisión de datos en baudios y en bits.

La velocidad de transferencia de datos puede ser constante o variable:
# CBR (bit rate constante): Aplica una cuantificación uniforme, por lo que no tiene en cuenta si en la señal hay zonas con mayor o menor densidad de información, sino que cuantifica toda la señal por igual.
# VBR (bit rate variable): Aplica una cuantificación no uniforme que sí que hace diferención entre las zonas con mayor o menor densidad de información, por lo que la cuantificación resulta más eficaz.

thumb
Un ejemplo:

Al digitalizar esta fotografía, si se usa un bit rate constante, se está dando la misma cantidad de relevancia a toda la imagen. En este caso, se estaría codificando de forma poco eficiente, pues se estaría empleando una cantidad de memoria de almacenamiento muy grande de forma innecesaria.

En este caso, sería más conveniente utilizar un bit rate variable, que permitiría despreciar (emplear un bit rate menor) el fondo azul y centralizar la atención (utilizar un bit rate mayor) en el motivo: el paracaidista.

Categoría:Telecomunicaciones
Categoría:Informática
Categoría:Procesado digital de señal

ja:Bps

CBR
CBR (Constant Bit Rate), o Bitrate Constante.

Se trata de un método de compresión en la codificación (generalmente de audio y vídeo) que conserva constante el bitrate en todo el fichero. El proceso opuesto es VBR.

Su principal ventaja es la predicción del tamaño final del fichero en función de la duración del mismo, lo cual, permite comprimir el archivo en función de las necesidades.

Su principal inconveniente es la poca eficiencia que presenta, puesto que, los ficheros de audio o vídeo presentan fragmentos de baja complejidad (silencios, imagenes estáticas,...) para los que CBR otorga la misma capacidad de información que para los fragmentos complejos, con lo cual, se desaprovecha capacidad, obteniendo una fichero de mayor tamaño del necesario.

Su uso es el más extendido y común por parte de todos los codificadores de audio y vídeo.

Categoría:Compresión de datos

VBR
VBR son las siglas de Variable BitRate (bitrate variable).

El bitrate es la relación de bits por segundo que consume un fichero de audio, o de vídeo. Este método de compresión consigue una mayor calidad en ficheros de menor tamaño.

Lo que hace es otorgar una cantidad de bits que se corresponda con lo que realmente haga falta.

En sonido

Por ejemplo, si en una canción hay un fragmento en el que hay silencio, de poco sirve otorgar una cantidad grande de bits. Lo que se estaría haciendo es aumentar innecesariamente el tamaño del archivo final.

Por otra parte, en fragmentos de una canción donde la complejidad del sonido sea elevada, se otorga un bitrate mayor, porque de lo contrario puede que el bitrate no llegue a ser suficiente para que se produzca una audición correcta.

Así pues, y resumiendo, lo que hace el VBR es otorgar el bitrate necesario a cada parte del fichero, ya sea de audio o de vídeo, consiguiendo una calidad mayor en ficheros de un tamaño reducido.

La calidad de un fichero MP3 con un bitrate constante (CBR) de 192kbps es comparable a la de un CD. Pero puede que en ciertas partes de la canción esos 192kb se estén desaprovechando.

Ahí es donde el VBR saca la ventaja. Ahorra esos bits de las partes donde no se necesiten, para otorgarlos a otras partes donde haga falta un bitrate mayor para que la música suene bien.

En video

Lo mismo se puede aplicar a los vídeos. Hay escenas en las que la cámara está fija, hay poca luz, y poco movimiento. Y hay otras escenas donde la cámara se mueve, hay disparos, explosiones, etc. Lo que haría el VBR en este caso es ahorrar bitrate de la escena lenta para aplicarlo después a la escena rápida y conseguir así que esta última se vea lo mejor posible.

Categoría:Códecs de audio

Algoritmo de compresión con pérdidaSe llama así a cualquier procedimiento de codificación que tenga como objetivo representar cierta cantidad de información utilizando una menor cantidad de la misma, siendo imposible una reconstrucción exacta de los datos originales.

La compresión con pérdida solo es útil cuando la reconstrucción exacta no es indispensable para que la información tenga sentido. La información reconstruida es solo una aproximación de la información original.

Suele restringirse a información analógica que ha sido digitalizada (imágenes, audio, video, etc...), donde la información puede ser parecida, y al mismo tiempo, ser subjetivamente la misma.

Su mayor ventaja reside en las altas razones de compresión que ofrece en contraposición a un algoritmo de compresión sin pérdida.

Existen dos técnicas comúnes de compresión con pérdida:

- Por códecs de transformación: Los datos originales son transformados de tal forma que se simplifican (sin posibilidad de regreso a los datos originales). Creando un nuevo conjunto de datos proclives a altas razones de compresíon sin pérdida.

- Por códecs predictivos: Los datos originales son analizados para predecir el comportamiento de los mismos. Después se compara esta predicción con la realidad, codificando el error y la información necesaria para la reconstrucción. Nuevamente, el error es proclive a altas razones de compresión sin pérdida

En algunos casos se utilizan ambas, aplicando la transformación al resultado de la codificación predictiva.

Métodos de compresión con pérdida
Compresión de imagen con pérdida

- Compresión Fractal

- JPEG

- Compresión Wavelet

- DjVu

Compresión de vídeo con pérdida

- Flash (también soporta sprites JPEG)

- H.261

- H.263

- H.264/MPEG-4 AVC

- MNG (soporta sprites JPEG)

- Motion JPEG

- MPEG-1

- MPEG-2

- MPEG-4

- Ogg Theora

- Sorenson video codec

- VC-1

Compresión de audio con pérdida
Música

- AAC - usado, por ejemplo, por Apple Computer

- ADPCM

- ATRAC

- Dolby AC-3

- DTS

- MP2

- MP3

- Musepack

- Ogg Vorbis

- WMA

Habla/Diálogo

- CELP

- G.711

- G.726

- HILN

- Speex

Enlaces externos

- [http://www.xiph.org/vorbis/listen.html comparativa de diferentes codecs]

- [http://www.genbeta.com/archivos/2005/07/07-formatos-de-audio-como-nunca-.php Repaso a formato de audio con pérdida]

C
Categoría:Compresión de datos

ja:非可逆圧縮

കോട്ടയം
Kottayam

A town in Kerala, and a district of which Kottayam is the heardquarters. Kottayam was the first Indian town to become 100% literate after a massive literacy drive supported by the state government and other organisations. A large number of periodicals and newspapers are published from Kottayam and it also houses some of the publishing gaints of the state. The scenic backwaters of Kottayam have become important tourist destinations, Kumarakom being the most well known spot among these.

dog breeders spalanie kalorii tapety na pulpit zujer litera h}}}}}}

:: RELATED NEWS ::

Henry Clinton (American War of Independence)
General Sir Henry Clinton, KCB, (April 16 1730–December 23 1795) was a British officer during the American War of Independence,or revolutionary war. He was born in artificial neural network invented in 1957 at the Cornell Aeronautical Laboratory by Frank Rosenblatt. It can be seen as the simplest kind of feedforward neural network: a linear classifier.

Definition

The perceptron is a kind

Rollercoaster
:For the Scott Cain album, see Roller Coaster Roller Coaster The roller coaster is a popular amusement ride developed for amusement parks and modern theme parks. LaMarcus Adna Thompson Read More...

Thrill ride
An amusement ride is any number of devices found in funfairs and amusement parks meant to appeal to various senses of the rider.

Types

Amusement park rides

Larger rides, normally only found in amusement parks
- Dark rides
- Ferris wheels or Big wheels
- Freefall towers
-

Red-necked grebe
The Red-necked Grebe, Podiceps grisegena, is a member of the grebe family of water birds. It breeds in vegetated areas of freshwater lakes across Europe, western Asia and northwestern North America. Most birds migrate in winter to the coast. Like all grebes, it nests on the water's edge, since its legs are set very far back and it cannot walk w

Great crested grebe
The Great Crested Grebe, Podiceps cristatus, is a member of the grebe family of water birds. It breeds in vegetated areas of freshwater lakes across Europe and Asia. It is resident in the milder west of its range, but migrates from the colder regions. It winters on freshwater lakes and reservoirs or the coast. It has an elaborate mating display. Like all grebes, it nests on the water's edge, si

Slavonian grebe
The Slavonian Grebe, Podiceps auritus †, is a member of the grebe family of water birds. It is known in North America as the Horned Grebe. It is a small grebe at 31-38 cm (12"-15") long with a 46-55 cm wingspan. It is duck-like, with scarlet eyes, and a small, straight black bill tipped with white during the summer. It rides high in the water. Unmistakable in summer, the m

Black-necked grebe
The Black-necked Grebe, Podiceps nigricollis †, is a member of the grebe family of water birds. It is known in North America as the Eared Grebe. It breeds in vegetated areas of freshwater lakes across Europe, Asia, Africa, northern South Amer

Little grebe
The Little Grebe, Tachybaptus ruficollis , or Dabchick is, at 23-29 cm in length, the smallest European member of the grebe family of water birds. This bird breeds in small colonies in heavily vegetated areas of freshwater lakes across Europe, much of Asia down to New Guinea, and most of Africa. Most birds move to

Western grebe
The Western Grebe, Aechmophorus occidentalis †), is a member of the grebe family of water birds. The largest North American grebe (22"-29"), it is black-and-white, with a long, slender, swan-like neck and red eyes. Easily confused with Clark's Grebe, which shares the same features, behavior and habitat. Intermediates are kn