Hola Diego,
Muy interesante tu pregunta. En el caso de Non-Uniform Sampling que es como se conoce ese tema también hay un resultado que generaliza el Teorema de Muestreo (Nyquist). El análisis inicial se puede consultar en este artículo: Landau, H. J. (1967). Necessary density conditions for sampling and interpolation of certain entire functions. Acta Mathematica, 117, 37-52. Y lo pueden ver acá, aunque probablemente no le encuentren la conexión inmediata en los resultados que presenta.
Yendo al resultados, el teorema de muestreo "sigue siendo válido" pero considerando que el tiempo de muestreo promedio debe cumplir con la cota de Nyquist. Notar que en el caso de uniform sampling el tiempo de muestreo y el su promedio coinciden. Lo digo con el tiempo (período) de muestreo en lugar de la frecuencia de muestreo porque puede ser más intuitivo de ver.
En el libro del curso, el ejercicio 7.37 se refiere a este punto y presenta un caso particular de no-uniformidad.
Expandiendo un poco más la teoría, vale la pena mencionar los resultados de Compressed Sensing (Donoho, D. L. (2006). Compressed sensing. IEEE Transactions on information theory, 52(4), 1289-1306) que llevó al planteo del concepto de Sparcity. Con esta teoría se puede reconstrutir una señal con menos muestras que lo que plantea el Teorema de Muestreo, pero con condiciones extra, obviamente. Esto quiere decir que si la señal es "esparsa" (o rala) en algún dominio. Yendo a cómo se realiza la reconstrucción, en el análisis de esta reconstrucción se plantea no solo determinar los coeficientes de la reconstrucción (pensemos en señales discretas) sino también aprender la base en la cual se descompone la señal. Esto último se asocia con el concepto de incoherencia de esta base, o un sistema subdeterminado.
Hay cosas muy interesantes desde el punto de vista de signal processing y matemática aplicada en esta área. Cuando quieran seguimos conversando.
Saludos.