Pds 2006

PDS
Processamento Digital de Sinais
Instituto Superior Tecnico

2o Semestre 2005/2006
Joao Miguel Raposo Sanches

(jmrs@alfa.ist.utl.pt)
2
Conteudo
1 Introducao 5
2 Espacos vectoriais de sinais 11

2.1 Espacos metricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 Sequencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.1 Convergencia de funcoes . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4 Espacos vectoriais lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4.1 Espacos normados . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4.2 Espacos vectoriais com produto interno . . . . . . . . . . . . . . . . 17
2.4.3 Sub espacos ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.4 Transformacoes lineares: Imagem e espaco de nulidade . . . . . . . 20
2.4.5 Projeccoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.6 Ortogonalizacao de vectores, algoritmo de Gram-Schmidt . . . . . . 22
2.5 Representacao e aproximacao em espacos de sinais . . . . . . . . . . . . . . 23
2.5.1 Princpio da ortogonalidade . . . . . . . . . . . . . . . . . . . . . . 23
2.5.2 Problema dos mnimos quadraticos . . . . . . . . . . . . . . . . . . 23
2.5.3 Formulacao matricial de problemas de mnimos quadraticos . . . . . 26
2.5.4 Erro mnimo em espacos vectoriais aproximados . . . . . . . . . . . 27
2.5.5 Regressao linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.5.6 Filtro de mnimos quadraticos . . . . . . . . . . . . . . . . . . . . . 28
2.5.7 Predicao linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.5.8 Solucao de norma mnima de sistemas indeterminados de equacoes . 31
2.5.9 Optimizacao iterativa de mnimos quadraticos pesados (IRLS) em Lp 33
2.6 Representacao de funcoes contnuas . . . . . . . . . . . . . . . . . . . . . . 35
2.6.1 Conjuntos de funcoes ortogonais completos . . . . . . . . . . . . . . 38
2.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.8 Trabalhos de Laboratorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.8.1 Ortogonalizacao de Gram-Schmidt . . . . . . . . . . . . . . . . . . 48
2.8.2 Interpolacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.8.3 Filtro de mnimos quadraticos . . . . . . . . . . . . . . . . . . . . . 51
3
4 CONTEUDO
3 Transformadas 53
3.1 DFT - Transformada discreta de Fourier . . . . . . . . . . . . . . . . . . . 54
3.1.1 Deslocamento circular . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.1.2 Representacao matricial . . . . . . . . . . . . . . . . . . . . . . . . 57
3.1.3 Propriedades da DFT . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.1.4 Processamento de sequencias longas . . . . . . . . . . . . . . . . . . 60
3.1.5 FFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.2 DCT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2.1 Processamento multi-ritmo . . . . . . . . . . . . . . . . . . . . . . . 70
3.2.2 Bancos de filtros . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.3 Analise tempo-frequencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4 Processos estocasticos 85
4.1 Estatsticas de primeira e segunda ordem . . . . . . . . . . . . . . . . . . . 85
4.2 Processos estocasticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.3 Transformada de Karhunen-Loeve . . . . . . . . . . . . . . . . . . . . . . . 85
4.4 SVD/PCA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.5 ICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5 Estimacao 87
5.1 Modelo de geracao de dados . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2 Estimacao de maxima verosimilhanca . . . . . . . . . . . . . . . . . . . . . 87
5.3 Estimacao Bayesiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.4 Filtragem de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.5 Filtragem adaptativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.5.1 LMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.5.2 RMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
Captulo 1
Introducao
O alcance da disciplina de Processamento Digital de Sinais e, neste momento, quase global

ja que todas as areas cientificas recorrem a esta disciplina para processar os dados com
que trabalham.
Figura 1.1: Sistema tpico de processamento de som.
Por exemplo, a Fig. 1.1 mostra o esquema tpico de um sistema de som, comum nos
computadores pessoais. O sinal proveniente do microfone e discretizado no tempo, isto e,
amostrado e quantificado na amplitude. O resultado e um fluxo de valores numericos,
ou sinal digital xd (n) que e uma representacao digital do sinal analogico original, xc (t). O
sinal xd (n) pode entao ser processado atraves de um processador numerico (nao analogico)
e o resultado reconvertido em sinal analogico.
5
6 CAPITULO 1. INTRODUCAO
O processo descrito anteriormente desenvolve-se em tres fases distintas,
1. Amostragem
2. Processamento
3. Reconstrucao
Figura 1.2: Amostrador.
O processo de amostragem e realizado pelo amostrador que medea amplitude do

sinal a intervalos regulares e o converte num valor numerico que pode ser armazenado
em qualquer meio de armazenamento de dados digitais, p. ex., memoria RAM, disco
rgido, CDROM, etc, como esta representado na fig. 1.2.O ritmo a que o sinal analogico
e amostrado designa-se frequencia de amostragem, fs e mede-se em Hz(ciclos/seg). A
duracao entre amostras designa-se perodo de amostragem, T = 1/fs seg e sob certas
condicoes e possvel amostrar um sinal sem perder informacao (teorema de amostragem
de Nyquist [3]).
O processamento pode ser qualquer. Tipicamente, nos nossos computadores pessoais
a placa de som pode amplificar, multiplicando o sinal de entrada por uma constante,
yd (n) = Kxd (n). Pode misturar o sinal do microfone com o sinal proveniente do CDROM,
y(n) = ax1 (n)+bx2 (n). Introduzir eco no sinal do microfone, y(n) = a1 x(n)+a2 x(nN ),
em que N e um atraso, etc.
Depois de processado o sinal e uma sequencia de valores numericos armazenados al-
gures no computador que devem ser disponibilizados no exterior a um ritmo igual ao ritmo
a que o sinal de entrada esta a ser amostrado. Nao e essencial que os dois ritmos sejam
iguais ou sincronizados mas a situacao mais comum e que todos os ritmos envolvidos num
sistema de processamento digital de sinal sejam iguais e sncronos. A fig.1.3 mostra uma
curta sequencia extrada de um trecho musical.
O sistema que transforma o sinal processado digital, yd (n) num sinal analogico que
pode ser aplicado a um amplificador analogico designa-se reconstrutor. Um reconstrutor
tpico e o retentor de ordem zero (zero order hold). Este reconstrutor converte cada
valor digital numa grandeza analogica (tensao) e mantem esse valor durante o perodo de
amostragem (ver fig. 1.4).
7
Figura 1.3: Sequencia de audio.
Figura 1.4: Retentor de ordem zero.
A analise matematica do processo de amostragem e reconstrucao esta apresentada em

apendice.
Anteriormente apresentamos um exemplo tpico de um sistema de processamento digi-
tal de sinal que envolve a conversao de um sinal analogico em sinal digital e a operacao in-
versa, convertendo o sinal digital processado em sinal analogico. No entanto, os processos
de conversao nem sempre estao presentes. Um sinal digital pode ser gerado directamente
na forma digital e utilizado sem ter de ser convertido em nenhum formato analogico.
Algumas areas em que as tecnicas de processamento digital de sinais sao particular-
mente importantes sao:
Comunicacoes multimedia (audio, video e dados) envolvendo operacoes de com-
pressao de informacao, igualizacao de canal, codificacao.
Processamento e sntese de fala.
Processamento de imagem na area da producao multimedia, designadamente na
industria cinematografica e do video.
Geracao, processamento e visualizacao de dados em Biomedicina. Todas as modal-

idades de imagem medica, CT, VCT, MRI, Ultrasom, etc, sao neste momento digi-
tais o que significa que os dados analogicos sao convertidos em digital o mais cedo
possvel para serem processados em computador.
Controlo digital de processos industriais.
Industria automovel onde neste momento muitas das funcionalidades disponveis
sao realizadas por microprocessadores.
Domotica - gestao inteligente de edifcios atraves da leitura de sensores e tomada
das correspondente accoes com vista a poupanca de energia, climatizacao ou outras
funcoes.
Nesta disciplina iremos tratar apenas de sinais discretos, nao tendo em conta os proces-
sos que conduziram a producao desses sinais, tendo ou nao origem em processos analogicos.
Para o processamento digital de sinais existem alguns conceitos e ferramentas matematicas
particularmente relevantes, das quais se destacam as seguintes:
Teoria de sinais e de sistemas.
Transformadas.
Probabilidades e processos estocasticos.
Calculo e analise.
Algebra linear e espacos vectoriais.
Metodos numericos.
Analise funcional.
Optimizacao.
Estimacao e filtragem optima.
Metodos iterativos.
Neste curso iremos representar preferencialmente os sinais discretos (ou contnuos per-
tencentes a espacos de dimensao finita) como vectores e a notacao matricial sera utilizada
sempre que possvel. Esta aproximacao simplifica normalmente a notacao tornando as
equacoes mais faceis de compreender.
O curso esta dividido em cinco captulos principais:
9
1. Espacos vectoriais. Nesta parte serao revistos alguns conceitos ja conhecidos e

alguns aprofundados no contexto da teoria dos sinais e sistemas. Os sinas sao
encarados como elementos de espacos vectoriais e algumas operacoes sobre sinais
serao formalizadas neste contexto.
2. Transformadas. As transformadas conduzem a diferentes representacoes dos mesmos

sinais permitindo observar certas caractersticas que doutro mode estariam escondi-
das. Permitem tambem realizar certas operacoes sobre os sinais de uma forma mais
eficiente que na sua representacao original.
3. Probabilidades e processos estocasticos. Uma classe muito importante de sinais

com que temos que lidar tem um caracter aleatorio que deve ser tratado numa
perspectiva estatstica. Neste captulo serao abordados os conceitos e as ferramentas
fundamentais de analise estatstica de sinais.
4. Estimacao.
5. Filtragem adaptativa
Captulo 2
Espacos vectoriais de sinais
Este captulo faz um apanhado de alguns topicos importantes desenvolvidos nos captulos
2 e 3 de [2]. Aqui, assumiremos que os sinais de interesse pertencem a um conjunto X
e serao tratados utilizando o formalismo dos vectores e das matrizes. Esta aproximacao
permite utilizar um conjunto de ferramentas matematicas, designadamente, a teoria dos
espacos vectoriais, no processamento de sinais.
Seja X o conjunto de todos os sinais (vectores), f (x), definidos no intervalo a t b.
Neste conjunto estao definidas as operacoes de adicao e de multiplicacao por escalares
(reais ou complexos), para as quais o conjunto e fechado, isto e,
f (x) = af1 (x) + bf2 (x) X. (2.1)
Neste caso diz-se que X e um espaco vectorial e os seus elementos sao designados
genericamente por vectores.
Figura 2.1: Conjunto de funcoes (sinais) como vectores pertencentes a um espaco vectorial.
2.1 Espacos metricos

Definicao 2.1.1. Uma metrica d : X X R e uma funcao utilizada para medir
a distancia entre os elementos de X. Para que d seja uma metrica e necessario que
satisfaca as seguintes propriedades para todo x, y X :
11
12 CAPITULO 2. ESPACOS VECTORIAIS DE SINAIS
d(x, y) = d(y, x)
d(x, y) 0
d(x, y) = 0 se e so se x = y
Para todos os pontos x, y, z X, d(x, z) d(x, y) + d(y, z).
Existem varias metricas que sao utilizadas com grande frequencia. Por exemplo,
1. l1 , tambem designada Manhattan, define-se como
n
X
d1 (x, y) = |xi yi | (2.2)
i=1
2. l2 , designada normalmente por Euclidiana,

v
u n
uX
d2 (x, y) = t (xi yi )2 (2.3)
i=1
3. lp , e uma generalizacao das metricas anteriores e define-se como:

n
X
dp (x, y) = ( |xi yi |p )1/p (2.4)
i=1
4. Quando p a metrica lp torna-se na metrica l , que se define como:

d (x, y) = maxi=1,2,..,n |xi yi | (2.5)
Definicao 2.1.2. Um espaco metrico (X, d) e constitudo pelo conjunto X e pela

metrica d.
Uma classe importante de funcoes metricas surgem quando os elementos de X sao
funcoes contnuas num dado intervalo. Estes espacos metricos de dimensao infinita
designam-se por espaco de funcoes. Consideremos alguns exemplos.
(C[a, b], dp ): e o conjunto de todas as funcoes reais ou complexas contnuas, definidas
no intervalo [a, b], com a < b, e em que dp se define como
Z b 1/p
p
dp (x, y) = |x(t) y(y)| (2.6)
a
em que 1 p < . Neste caso de um espaco vectorial de funcoes a funcao metrica

dp designa-se normalmente por metrica Lp .
2.2. CONJUNTOS 13
(C[a, b], d ): neste caso a metrica define-se como
d = sup{|x(t) y(t)| : a t b}. (2.7)
Portanto, neste espaco metrico, (C[a, b], d ), a distancia entre duas funcoes e igual
a distancia maxima entre elas.
Lp [a, b]: este espaco e formado por todas as funcoes reais ou complexas definidas
em [a, b], e pela metrica Lp tal que
Z b
|x(t)|p dt < . (2.8)
a
Um caso particular desta classe de espacos metricos e o espaco L2 constitudo por

todas as funcoes de energia finita no intervalo [a, b], em que a e b podem assumir
valores finitos ou infinitos.
L [a, b]: este espaco, equipado pela metrica d , e constitudo por todas as funcoes
definidas em [a, b] tal que:
sup |x(t)| < (2.9)

t[a,b]
2.2 Conjuntos
Consideremos agora algumas nocoes importantes sobre conjuntos.
Bola: Num espaco metrico, a Bola (ou esfera), B(x0 , ), centrada em x0 e de raio
e o conjunto de pontos tal que:
B(x0 , ) = {x X : d(x0 , x) < }. (2.10)
Esta bola tambem se designa vizinhanca de x0 .
Um ponto x0 X e interior a S X se existir um > 0 tal que B(x0 , ) S.
Um conjunto S e aberto se todos os seus pontos sao interiores.
Um conjunto S X e fechado se o seu complemento e aberto.
Um ponto fronteira, x0 e um ponto cuja vizinhanca contem sempre elementos

pertencentes e nao pertencentes a S.
OS
fecho de um conjunto S e a uniao de S com a sua fronteira, isto e, f echo(S) =
S f ronteira(S)
Um ponto x X diz-se ponto de acumulacao de X se qualquer vizinhanca de x

contem um numero infinito de pontos de X.
O suporte de uma funcao f : A B e o fecho do conjunto formado por todos os

elementos a A tal que f (a) 6= 0.
Medida de um conjunto: Dado um intervalo S = [a, b[, a medida de S e simples-

mente o comprimento do intervalo, (S) = b a. S Para
S um
S conjunto que Te formado
pela uniao de varios intervalos dijuntos, S = S1 S2 S3 ... em que Si Sj = a
medida e a soma das medidas de cada intervalo, (S) = (S1 ) + (S2 ) + (S3 ) + ....
Um conjunto de numeros reais e dito de medida nula se, para qualquer > 0, o
conjunto pode ser coberto por uma coleccao de intervalos abertos cujo comprimento
total e < . Um ponto isolado e um conjunto de medida nula e portanto tambem
um numero finito de pontos isolados. Qualquer conjunto contavel de pontos tem
medida nula.
2.3 Sequencias
Definicao 2.3.1. Convergencia: Se para qualquer > 0 existir um n0 tal que d(xn , x ) <
, para qualquer n > n0 e para um ponto fixo x , entao a sequencia xn diz-se que converge
para x , ou que x e o limite de xn .
Um caso semelhante, e o caso do ponto limite. Neste caso, a sequencia xn aproxima-

se um numero infinito de vezes de x . Por exemplo, xn = 1 + (1)n . Os pontos 0 e 2 sao
pontos limite de xn .
Definicao 2.3.2. A sequencia {xn } R e monotonica se x1 x2 x3 ... ou

x1 x2 x3 ....
Definicao 2.3.3. A sequencia xn num espaco metrico (X, d) e designada sequencia de

Cauchy se, para qualquer > 0, existe um N > 0 tal que d(xn , xm ) < , para qualquer
n, m > N .
Exerccio:Mostre que se uma sequencia converge, entao e de Cauchy. Note que e

possvel uma sequencia ser de Cauchy e nao convergir em X.
Definicao 2.3.4. Um espaco metrico (X, d) e completo se qualquer sequencia de Cauchy

em X converge para X.
2.4. ESPACOS VECTORIAIS LINEARES 15
2.3.1 Convergencia de funcoes

1. Convergencia em L2 : Uma sequencia de funcoes,xn (t), converge para a funcao
x(t) em L2 (a, b) se kxn (t) x(t)k2 0 quando n .
2. Convergencia ponto a ponto: Uma funcao xn (t) converge, ponto a ponto, para
x(t) no intervalo a t b se para cada t [a, b] e para cada > 0, existe um
numero inteiro N (t), tal que se n > N (t), entao |xn (t) x(t)| < .
3. Convergencia uniforme: Uma sequencia de funcoes xn (t) converge uniforme-
mente para x(t) no intervalo a t b se para qualquer > 0, existe um numero
inteiro N , tal que para qualquer n > N , entao |xn (t)x(t)| < para todo o t [a, b].
2.4 Espacos vectoriais lineares

Seja x = [x1 , x2 , ..., xn ]T um vector de dimensao finita.
Definicao 2.4.1. Um espaco linear de vectores S, definido sobre um conjunto de
escalares R e uma coleccao de objectos designados vectores para os quais estao definidas
operacoes de adicao e de multiplicacao por escalares, satisfazendo as seguintes propriedades:
S e um grupo relativamente a adicao de vectores, isto e, as seguintes propriedades

verificam-se,
1. Para qualquer x e y S, x + y S. Fecho em relacao a adicao de vectores.
2. Existe um vector 0 S, tal que para qualquer x S, x + 0 = 0 + x = x.
3. Para qualquer x S existe um outro elemento y S tal que x + y = 0.
Para qualquer a, b R e qualquer x, y S tem-se,
1. ax S
2. a(bx) = (ab)x
3. (a + b)x = ax + bx
4. a(x + y) = ax + by
Existe um elemento 1 R, tal que 1x = y e um elemento 0 R tal que 0x = 0.
Definicao 2.4.2. Seja S um espaco vectorial sobre R e T S com um numero finito ou

infinito de elementos. Diz-se que um ponto x S e uma combinacao linear de elementos
de T se para um numero finito de elementos p1 , p2 , ..., pm T e para um numero finito de
escalares c1 , c2 , ..., cm R
x = c1 p1 + c2 p2 + ... + cm pm (2.11)
Definicao 2.4.3. Seja S um espaco vectorial, e T um subconjunto de S. O conjunto

e linearmente independente se para cada subconjunto nao vazio de T , por exemplo,
p1 , p2 , ..., pm , o unico conjunto de escalares que satisfazem a equacao
c1 p1 + c2 p2 + ... + cm pm = 0 (2.12)
c1 = c2 = ... = cm = 0 (2.13)
Neste caso, os vectores p1 , p2 , ..., pm dizem-se linearmente independentes.
Considere a matriz A = [p1 , p2 , ..., pm ] cujas colunas sao os vectores p1 , p2 , ..., pm e seja
c = [c1 , c2 , ..., cm ]T um vector coluna com os escalares c1 , c2 , ..., cm . A combinacao linear
dos vectores pi pode ser obtido atraves da seguinte multiplicacao matricial
x = Ac (2.14)
Seja S um espaco vectorial e T um conjunto de vectores de S tal que span(T ) = S em

que span(T ) designa o conjunto de todos os vectores obtidos a partir de T por combinacao
linear. Se os vectores T forem linearmente independentes diz-se que T e uma base de
Hamel de S.
Definicao 2.4.4. Se T1 e T2 sao bases de Hamel para o espaco vectorial S entao T1 e T2

tem a mesma cardinalidade.
Definicao 2.4.5. Seja T uma base de Hamel para o espaco vectorial S. A cardinalidade
de T e a dimensao de S designada dim(S). Esta cardinalidade e igual ao menor numero
de vectores de S necessarios para gerar todo o S.
2.4.1 Espacos normados

Definicao 2.4.6. Seja S um espaco vectorial com elementos x. A funcao real kxk e
designada norma de x, ou comprimento de x e satisfaz as seguintes propriedades:
1. kxk 0 para qualquer x S.
2. kxk = 0 se e so se x = 0.
3. kxk = ||kxk, em que e um escalar qualquer.
4. kx + yk kxk + kyk (desigualdade triangular)
Definicao 2.4.7. Um espaco linear normado e definido pelo par (S, k.k) em que S e
um espaco vectorial e k.k e uma norma definida em S.
A funcao norma e muito parecida a funcao metrica, mas e mais estruturada que a
funcao metrica. Por exemplo, exige a definicao da soma de vectores, x+y e a multiplicacao
de vectores por escalares, x. Dada a semelhanca entre estas duas funcoes a metrica pode
ser definida em termos da norma, por exemplo,
d(x, y) = kx yk. (2.15)
Definicao 2.4.8. O vector x diz-se normalizado, ou unitario se kxk = 1.
Definicao 2.4.9. Se para uma sequencia xn existir um numero M < tal que
kxn k < M, n > 0 (2.16)
entao diz-se que a sequencia e limitada (bounded).
Os espacos vectoriais normados satisfazem as seguintes propriedades:
1. Qualquer subespaco de dimensao finita de um espaco S e fechado.
2. Qualquer subespaco de dimensao finita de um espaco S e completo.
3. Se L : X Y e um operador linear e X e um espaco vectorial normado, entao L e

contnuo (o que implica que L e limitado)
4. Num espaco linear normado quaisquer duas normas sao equivalentes.
Quando os espacos vectoriais de dimensao finita e corrente utilizar as seguintes norma:

P
1. norma l1 : kxk1 = ni=1 |xi |
P
2. norma lp : kxkp = ( ni=1 |xi |p )1/p
3. norma l : kxk = maxi=1,2,...,n |xi |
2.4.2 Espacos vectoriais com produto interno

Definicao 2.4.10. Seja S um espaco vectorial definido sobre um conjunto de escalares
R. O produto interno e uma funcao h., .i : S S R satisfazendo as seguintes
propriedades:
1. hx, yi = hy, xi em que a barra significa a operacao de conjugacao complexa. Para o

caso real, hx, yi = hy, xi
2. hx, yi = hx, yi, para todos os escalares R.
3. hx + y, zi = hx, zi + hy, zi
4. hx, xi > 0 se x 6= 0, e hx, xi = 0 se so se x = 0
A operacao produto interno, h., .i, pode ser utilizado para definir uma norma, chamada
norma induzida., kxk = hx, xi1/2 , x S.
No caso de espacos vectoriais definidos em C n o produto interno Euclidiano define-se
como
n
X
hx, yi = xk yk = yH x (2.17)
k=1
Teorema 2.4.1. Num espaco vectorial com produto interno e norma induzida k.k, |hx, yi|
kxkkyk, para qualquer x, y S em que a igualdade se verifica se e so se, y = x para
um dado escalar . Esta desigualdade e designada por desigualdade de Cauchy-
Schwartz.
Exerccio 2.4.1. Prova da desigualdade de Cauchy-Schwartz.

Se x = y = 0 a demonstracao e trivial. Considere-se agora a seguinte norma
0 kx yk2 = kxk2 2Rehx, yi + ||2 kyk2 (2.18)
e calcule-se o valor do escalar que minimiza a norma kx yk2 derivando-a em ordem

ao parametro , isto e,
dkx yk2
= 2Rehx, yi + 2kyk2 = 0 (2.19)
d
Rehx, yi
= (2.20)
kyk2
e substituindo tem-se
Rehx, yi Rehx, yi
0 kx yk2 = kxk2 2 + (2.21)
kyk2 kyk2
Rehx, yi
= kxk2 (2.22)
kyk2
|Rehx, yi| kxkkyk, (2.23)
Se y = x entao
hx, yi = hx, xi = hx, xi = kxk2 (2.24)
e como kyk = ||kxk kxk = kyk/ tem-se
kyk
hx, yi = kxk = kxkkyk, (2.25)

q.e.d
Nota:
kx yk2 = hx y, x yi
= hx, xi hx, yi hy, xi + hy, yi
= kxk2 2Rehx, yi + kyk2
Para um espaco vectorial real, obtem-se
kx yk2 = kxk2 2hx, yi + kyk2 (2.26)
A partir do teorema de Cauchy-Schwartz pode-se demonstrar a desigualdade triangu-

lar,
kx + yk2 = hx + y, x + yi
= hx, xi + 2hx, yi + hy, yi
hx, xi + 2kxkkyk + hy, yi
= (kxk2 + kyk2 )2 (2.27)
kx + yk kxk + kyk (2.28)
No caso do espaco vectorial de funcoes reais definidas no intervalo [a, b] a desigualdade de

Cauchy-Schwartz tem o seguinte aspecto:
Z b 2 Z b Z b
2
f (t)g(t)dt f (t)dt g 2 (t)dt (2.29)
a a a
Definicao 2.4.11. Os vectores x e y num espaco vectorial com produto interno dizem-se
ortogonais se hx, yi = 0. O vector nulo e ortogonal (ou perpendicular) a todos os outros.
Definicao 2.4.12. Um conjunto de vectores {p1 , p2 , ..., pm } e dito ortonormado se os seus

elementos sao mutuamente ortogonais (aos pares) e tem comprimento unitario, hpi , pj i =
i,j , onde i,j e a funcao delta de Kronecker, definida como

1, i = j
i,j = (2.30)
0, caso contrario.
Lema 2.4.1. Se hx, yi = 0 e k.k e uma norma induzida entao
kx + yk2 = kxk2 + kxk2 . (2.31)
Definicao 2.4.13. Um espaco vectorial linear normado designa-se espaco de Banach.

Um espaco vectorial normado com um produto interno designa-se espaco de Hilbert.
2.4.3 Sub espacos ortogonais

Definicao 2.4.14. Seja S um espaco vectorial e sejam V e W sub espacos de S. V e W
sao ortogonais se todo v V e ortogonal a qualquer w W : hv, wi=0.
Definicao 2.4.15. Para um subconjunto V de um espaco vectorial com produto interno

S, o espaco de todos os vectores ortogonais a V e designado complemento ortogonal
de V , e denota-se por V .
2.4.4 Transformacoes lineares: Imagem e espaco de nulidade

Definicao 2.4.16. Uma transformacao L : Z Y de um espaco vectorial X no espaco
vectorial Y e uma transformacao linear se para todos x1 , x2 X:
1. L(x) = L(x) para todo o x X e para todo o R e
2. L(x1 + x2 ) = L(x1 ) + L(x2 ).
Definicao 2.4.17. Seja L : X Y um operador (linear ou nao). X designa-se domnio

de L e R(L) = {y = Lx : x X}, designado imagem de L, e o conjunto de vectores
de Y que sao alcancados a partir de X atraves de L. O espaco de nulidade, N (L) =
{x X : Lx = 0}, e o conjunto de valores de X transformados em 0 atraves de L. O
espaco de nulidade de um operador e designado kernel do operador.
Definicao 2.4.18. Se V e W sao espacos lineares, o espaco V + W e o espaco soma

interna, formado por todos os vectores x = v + w, em que v V e w W .
Definicao 2.4.19.
T Dois sub espacos lineares V e W com a mesma dimensionalidade sao
dijuntos se V W = {0}
Lema 2.4.2. Sejam V e W sub espacos de um espaco vectorial S. Entao para cada
x V + W , existe um unico v V e um unico w W tal que x = v + w se e so se V e
W sao dijuntos.
2.4.5 Projeccoes
Seja P : S V um operador projeccao tal que: para qualquer x S que admite a
decomposicao, x = v + w, P x = v, isto e, o operador P devolve a componente de x que
pertence a V . Se x ja pertence a V entao o operador P nao deve altera-lo e portanto
P (P x) = P x, portanto
Definicao 2.4.20. Uma transformacao linear P de um espaco linear nele proprio e uma
projeccao se P 2 = P . Um operador que satisfaz esta propriedade diz-se idempotente.
Teorema 2.4.2. Seja P um operador projeccao definido num espaco linear S. Entao, a
sua range e o seu espaco de nulidade sao sub espacos dijuntos de S e S = R(P ) + N (P ).
Definicao 2.4.21. Seja P um operador projeccao definido num espaco vectorial S com
produto interno. P diz-se uma projeccao ortogonal se o seu domnio e o seu espaco de
nulidade sao ortogonais, R(P )N (P ).
Teorema 2.4.3. (Teorema da projeccao) Seja S um espaco de Hilbert e seja V um

sub espaco fechado de S. Para qualquer x S existe um unico vector v0 V que e o
mais proximo de x, isto e, kx v0 k kx vk para todo v V . Alem disso, o vector v0
e o que minimiza kx v0 k se e so se x v0 e ortogonal a V .
x
S
d0 d
V v
v0
Figura 2.2: Teorema da projeccao.
Com base no teorema da projeccao, qualquer vector de um espaco de Hilbert, S, pode

ser decomposto de unica forma em duas componentes, uma pertencente a V e outra nao
pertencente a V ,
Teorema 2.4.4. Seja V um sub espaco fechado de um espaco vectorial de Hilbert, S.

Entao
M
S=V V (2.32)
V = V (2.33)
L
em que se define como:
L
Definicao 2.4.22. A soma directa dos espacos linearesLV e W , V W , e definida no
produto Cartesiano V W ,tal que qualquer ponto de V W e um par ordenado (v, w)
em que v V e w W
.
2.4.6 Ortogonalizacao de vectores, algoritmo de Gram-Schmidt

Dado um conjunto de vectores T = {p1 , p2 , ..., pn } pretende-se encontrar um conjunto de
vectores T 0 = {q1 , q2 , ..., qm } com m n tal que
span{q1 , q2 , ..., qm } = span{p1 , p2 , ..., pn } (2.34)
e hqi , qj i = i,j .
Este problema e resolvido pelo algoritmo de ortogonalizacao Gram-Schmidt que tambem
pode ser utilizado para determinar a dimensao de um espaco gerado por um conjunto de
vectores.
Admitamos que todos os vectores qi 6= 0. O algoritmo de Gram-Schmidt desenvolve-se
nos seguintes passos:
1. Normaliza-se o primeiro vector p1 , isto e, q1 = p1 /kp1 k.
2. Calcula-se a diferenca entre a projeccao de p2 em q1 e p2 . Pelo teorema da projeccao,
este resultado e igual a:
hp2 , q1 i
e2 = p2 q1 = p2 hp2 , q1 iq1 (2.35)
kq1 k2
Se e2 = 0 entao q2 span(q1 ) e pode ser descartado. Se e2 6= 0 entao

e2
q2 = (2.36)
ke2 k
3. o vector e3 , ortogonal a q1 e a q2 e obtido da diferenca entre p3 e a sua projeccao

em span(q1 , q2 ):
e3 = p3 hp3 , q1 iq1 hp3 , q2 iq2 . (2.37)
Normalizando produz-se
e3
q3 = . (2.38)
ke3 k
4. O algoritmo continua usando o mesmo procedimento que anteriormente, para os

proximos vectores, isto e, determinando a componente de pk ortogonal a todos os
vectores qi anteriormente calculados, isto e,
k1
X
ek = pk hpk , qi iqi (2.39)
i=1
ek
qk = (2.40)
kek k
2.5. REPRESENTACAO E APROXIMACAO EM ESPACOS DE SINAIS 23
2.5 Representacao e aproximacao em espacos de sinais

Seja (S, k.k um espaco linear normado e seja T = {p1 , p2 , ..., pm } S um conjunto de vec-
tores linearmente independentes gerando o sub espaco V = span(T ) Pretende-se calcular
o conjunto de coeficientes c1 , c2 , ..., cm tal que, dado um vector x S, o vector
m
X
x = ci pi (2.41)
i=1
seja o vector mais proximo possvel de x, isto e, x = x + e em que kek tem a menor norma
possvel.
Quando x V entao e possvel ter kek = 0. A forma da funcao norma determina a
solucao particular da solucao. As normas L2 ou l2 sao frequentemente utilizadas porque
apresentam grandes vantagens do ponto de vista algebrico pois sao continuamente difer-
enciaveis . Pelo contrario, tanto as normas L1 e l1 como as normas L e l apresentam
dificuldades numericas pois nao possuem derivada na origem.
2.5.1 Princpio da ortogonalidade

Teorema 2.5.1. (Princpio da ortogonalidade) Sejam p1 , p2 , ..., pm e x, vectores de um
espaco vectorial S. Na representacao
m
X
x= ci pi + e = x + e, (2.42)
i=1
a norma induzida do vector e, kek e minimizada quando o erro e = x x e ortogonal a

cada um dos vectores pi , isto e,
m
X
hx ci pi , pj i = 0, j = 1, 2, ..., m. (2.43)
i=1
2.5.2 Problema dos mnimos quadraticos

Seja x S e um conjunto de m vectores linearmente independentes tal que
x = x + e (2.44)
P
em que x = m i=1 ci pi . Consideremos ainda a norma induzida por um produto interno,
2
tal que kuk = hu, ui.
Problema: Calcular os coeficientes ci que minimizam a norma do erro, kek.
Calculo do mnimo pelo princpio da ortogonalidade

Atraves do princpio da ortogonalidade sabemos que o erro, e = x x, deve ser ortogonal
a todos os vectores pj dando origem a um conjunto de m equacoes,
m
X
hx ci pi , pi i = 0, j = 1, 2, ..., m. (2.45)
i=1
Desenvolvendo o produto interno tem-se

R c p
z
}| { z }| { z
}| {
hp1 , p1 i hp2 , p1 i ... hpm , p1 i c1 hx, p1 i
hp1 , p2 i hp2 , p2 i ...
hpm , p2 i c2 hx, p2 i (2.46)
=
... ... ... ... ... ...
hp1 , pm i hp2 , pm i ... hpm , pm i cm hx, pm i
isto e
Rc = p (2.47)
em que R e a matriz de produtos internos. Este conjunto de equacoes designam-se
equacoes normais e o vector c = {c1 , c2 , ..., cm }, que e solucao de (2.46) designa-se
solucao do mnimo erro quadratico ou do mnimo erro quadratico medio.
A matriz R designa-se Graminiano de T e e Hermiteana, isto e, e igual a sua
trans-conjugada, RH = R.
Teorema 2.5.2. A matriz Graminiana R e sempre semi-definida positiva (xH Rx
0, x Cm ). E definida positiva, (xH Rx > 0, x Cm ), se e so se p1 , p2 , ..., pm forem
linearmente independentes.
Definicao 2.5.1. Uma matriz A diz-se definida positiva (PD) se xH Ax > 0, x 6= 0.
Se xH Ax 0, x 6= 0 entao diz-se que A e semi-definida positiva (PSD). Sub-
stituindo os sinais > e por < e a matriz A diz-se definida negativa (ND) e
semi-definida negativa (NSD) respectivamente.
Consideremos agora algumas propriedades das matrizes positivas-definidas (ou semi-
positivas definidas).
1. Todos os elementos de uma matriz PD(PSD) sao positivos (nao negativos). O
reverso, no entanto, nao implica que a matriz seja PD (PSD), isto e, uma matriz
com todos os elementos positivos (nao negativos) pode nao ser PD (PSD).
2. Uma matriz Hermiteana e PD(PSD) se e so se todos os seus valores proprios forem
positivos (nao negativos). Portanto, uma matriz PD tem um determinante positivo
e portanto e invertvel.
3. Uma matriz Hermiteana e PD se e so se todos os menores principais sao positivos.

4. Se A > 0 e B > 0, entao A + B > 0. Se A e PD e B e PSD, entao A + B e PD.
Portanto, se em (2.46) os vectores pi forem linearmente independentes, a matriz R e
PD e portanto, invertvel, isto e,
c = R1 p (2.48)
Por outro lado, se os vectores pi forem ortogonais o Graminiano R e diagonal e os
coeficientes ci podem ser facilmente obtidos atraves de
hx, pi i
ci = (2.49)
hpi , pi i
Calculo do mnimo atraves do gradiente

Consideremos a norma do erro: J(c) = kek2 = he, ei, ou seja
M
X M
X
J(c) = hx c j pj , x c i pi i (2.50)
j=1 i=1
ou em termos matriciais
J(c) = kxk2 2Re(cH p) + cH Rc (2.51)

Consideremos as seguintes igualdades relativas a operacoes de derivacao envolvendo
matrizes:
H
c
d c =0
H
c
c d =d

c
Re(cH d) = 12 d
H
c
c Rc = Rc
Portanto,
J(c)
= p + Rc (2.52)
c
Rc = p, (2.53)
ou seja, o vector de coeficientes que minimiza o erro satisfaz a mesma equacao que se
obteve atraves do princpio da ortogonalidade. Derivando novamente obtem-se a matriz
Hessiana de J, 2 J(c)/c = R. R e o Graminiano que ja sabemos ser pelo menos semi-
definida positiva e portanto a solucao de Rc = p e de facto um mnimo de J(c).
2.5.3 Formulacao matricial de problemas de mnimos quadraticos

A combinacao linear de m vectores pode ser escrita da seguinte forma simplificada
x = Ac (2.54)
em que A = [p1 , p2 , ..., pm ] e uma matriz cujas colunas sao os vectores pi e c = [c1 , c2 , ..., cm ]T
e um vector coluna cujos elementos sao os coeficientes da combinacao linear.
Problema: Calcular o vector c que minimize a norma do vector de erro,kek22 em que
x = Ac + e = x + e. O princpio da ortogonalidade, hx Ac, pj i = 0, pode ser aplicado,
neste caso, da seguinte forma
AH
z }| {
pH
1
pH (2.55)
2 (x Ac) = 0
...
pH
m
em que pH
i sao vectores linha resultantes da trans-conjugacao de pi e tem-se
AH Ac = AH x (2.56)
em que AH A e o Graminiano R obtido na seccao anterior. Assim, o vector de coeficientes

que minimiza a norma do erro e
c = (AH A)1 AH x = R1 p (2.57)
Como ja foi referido, o Graminiano R = AH A e definido positivo se os vectores pi

forem linearmente independentes e, nesse caso, AH A e invertvel. A matriz (AH A)1 AH
designa-se pseudo inversa de A.
Utilizando (2.57) o vector x V mais proximo de x e
x = Ac = A(AH A)1 AH x (2.58)
em que a matriz P = A(AH A)1 AH e a matriz de projeccao que projecta ortogonalmente

o vector x no espaco gerado pelos vectores pi .
Mnimos quadraticos pesados

Por vezes ha a necessidade de resolver o problema dos mnimos quadraticos em que as
diferentes parcelas tem pesos diferentes, devido por exemplo, a diferentes graus de con-
fianca em cada um dos termos. Defina-se portanto o seguinte produto interno
hx, yiW = y H W x (2.59)

em que W e uma matriz diagonal.

As equacoes normais que conduzem a minimizacao do erro quadratico medio sao, neste
caso,
AH W Ac = AH W x (2.60)
c = (AH W A)1 AH W x (2.61)
2.5.4 Erro mnimo em espacos vectoriais aproximados

Neste seccao iremos avaliar o erro residual no caso da solucao optima (norma mnima).
Segundo o modelo
m
X
x= ci pi + e = x + emin (2.62)
i=1
calculando o quadrado da norma de ambos os membros tem-se
kxk2 = hx, xi = hx + emin , x + emin i

= hx, xi + hx, emin i + hemin , xi + hemin , emin i
= = hx, xi + hemin , emin i
= kxk2 + kemin k2 (2.63)
em que assumimos que hx, emin i = 0

Este resultado e por vezes chamado Teorema de Pitagoras estatstico. Portanto
kemin k2 = kxk2 kxk2 (2.64)
e como x = Ac tem-se
kxk2 = cH AH Ac = cH Rc = cH p, (2.65)
em que p esta definido em (2.46). Ou seja,
kek2 = xH x cH p (2.66)
Outra forma de obter kxk2 e
kxk2 = (Ac)H (Ac) = xH A(AH A)1 AH x

kemin k2 = xH x xH A(AH A)1 AH x
= xH (I A(AH A)1 AH )x. (2.67)
Pode-se provar (veja exerccios) que (I A(AH A)1 AH ) e semi-definida positiva o que
permite concluir que kemin k2 < kxk2
2.5.5 Regressao linear

Considere um conjunto de observacoes, xi = [xi , yi ]. Pretende-se encontrar a recta, y =
ax+b que melhor representa este conjunto de dados. Este problema designa-se regressao
linear e pode ser formalizado da seguinte forma

y1 ax1 + b e1
y2 ax2 + b
+ e2
... = ... ...
(2.68)
yn axn + b en
para um conjunto de valores de erro, ei . Na forma matricial, tem-se
y = Ac + e (2.69)
em que y = [y1 , y2 , ..., yn ]T , e = [e1 , e2 , ..., en ]T , c = [a, b]T , e

x1 1
x2 1
A = ...
(2.70)
1
xn 1
Portanto, a solucao optima no sentido do erro quadratico mnimo e
c = (AH A)1 AH y (2.71)
2.5.6 Filtro de mnimos quadraticos

Nesta seccao pretende-se resolver o seguinte problema: Pretende-se filtrar uma sequencia
f (t), com t [0, N 1] usando um filtro de resposta impulsiva h(t) de comprimento m
de forma a produzir uma sada tao proxima quanto possvel de sequencia desejada d(t).
Portanto
m1
X
d(t) = y(t) + e(y) = h(i)f (t i) + e(t) (2.72)
i=0
P2
em que e(t) = d(t)y(t) e a sequencia de erro que deve ser minimizada, isto e, ii=i 1
|e(i)|2
deve ser mnimo, em que i1 e i2 definem o intervalo em que a minimizacao sera feita. Sejam
entao os seguintes vectores coluna
y = [y(i1 ), y(i1 + 1), ..., y(i2 )]T

h = [h(0), h(1), ..., h(m 1)]T
d = [d(i1 ), d(i1 + 1), ..., d(i2 )]T (2.73)
y = Ah (2.74)
em que A e a matriz com os dados de entrada.

A matriz A tem a seguinte forma

f (i1 ) f (i1 1) f (i1 2) ... f (i1 m + 1)
f (i1 + 1) f (i1 ) f (i1 1) ... f (i1 m + 2)

f (i1 + 2) f (i1 + 1) f (i1 ) ... f (i1 m + 3)

A= .. .. .. .. . (2.75)
. . . ... .

f (i2 1) f (i2 ) f (i2 3) ... f (i2 m)
f (i2 ) f (i2 1) f (i2 2) ... f (i2 m + 1)
Esta matriz pode ser construda de formas diferentes consoante i1 e i2 e as assuncoes

que se facam acerca do comportamento de f (t) fora do intervalo [0, N 1]. Assim, se
nao fizermos nenhuma assuncao sobre f (t) fora do intervalo observado entao i1 m 1
e i2 N 1. Pode-se porem admitir que f (t) = 0 para t < 0 e neste caso, i1 0 e
i2 N + m 2.
Assim, tem-se os seguintes metodos, que correspondem as situacoes limite em que se
utilizam todos os dados disponveis:
1. auto-covariancia: nao se fazem nenhumas assuncoes acerca de f (t) fora do inter-

valo [0, N 1], A = Acov .
2. auto-correlacao: admite-se que f (t) = 0 para t < 0 e t > N 1, A = Acorr .
3. causal (pre-windowing ): admite-se apenas que f (t) = 0 para t < 0, A = Apre .
4. anti-causal (post-windowing ): admite-se apenas que f (t) = 0 para t > N 1,

A = Apost .
Sejam as seguintes matrizes

f (1) 0 0 ... 0
f (2) f (1) 0 ... 0

f (3) f (2) f (1) ... f (0)

A1 = .. .. .. .. . (2.76)
. . . ... .

f (m 1) f (m 2) f (m 3) ... 0

f (m) f (m 1) f (m 2) ... f (1)
f (m + 1) f (m) f (m 1) ... f (2)
A2 =

.
(2.77)
... ... ... ... ...
f (N ) f (N 1) f (N 2) ... f (N m + 1)

0 f (N ) f (N 1) ... f (N m + 2)
0 0 f (N ) ... f (N m + 3)

A3 = .. .. .. .. .. . (2.78)
. . . . .
0 0 0 ... f (N )
As matrizes Acov , Acorr , Apre e Apost podem ser obtidas da seguinte forma

A1
A1 A2
Acov = A2 , Acorr = A2 Apre = Apost = (2.79)
A2 A3
A3
Pi2
Se o produto interno for definido como hx, yi = i=i1 xi y1 = y H x entao a solucao de
d = Ah + e (2.80)
e dada por (2.57), isto e,
h = (AH A)1 AH d. (2.81)
2.5.7 Predicao linear

Nesta seccao pretende-se estimar x(t) a partir dos valores anteriores usando um preditor
linear, isto e,
m1
X
x(t) = h(i)x(t i 1) + ec (t) (2.82)
i=0
Se fizermos d(t) = x(t) o problema e equivalente ao descrito na seccao anterior e,

neste caso, ec (t) e designado erro de predicao. Este filtro, equacao (2.82), designa-se
forward predictor (preditor causal).
O preditor anti-causal (backward predictor ) permite estimar x(t m) a partir dos
m valores posteriores da sequencia,
m1
X
x(t) = h(i)x(t + i + 1) + ea (t), (2.83)
i=0
em que ea (t) e o erro de predicao.

Como os coeficientes dos dois preditores sao os mesmos, podem-se utilizar os dois para
obter uma melhor estimativa dos coeficientes, h = {h(0), h(1), ..., h(m 1)}. Admitamos
que se fizeram N medidas de x(t), isto e, {x(0), x(1), ..., x(N 1) tem-se a seguinte equacao
matricial
x = Ah + e (2.84)
em que
x = [x(m), x(m + 1), ..., x(N 1), x(0), x(1), ..., x(N m 1)]T
e = [ec (m), ec (m + 1), ..., ec (N 1), ea (0), ea (1), ..., ea (N m 1)]T

x(m 1) x(m 2) ... x(0)
x(m) x(m 1) ... x(1)

... ... ... ...

x(N 2) x(N 3) ... x(N m 1)
A = (2.85)
x(1) x(2) ... x(m)

x(2) x(3) ... x(m + 1)

... ... ... ...
x(N m) x(N m + 1) ... x(N 1)
O coeficientes do preditor, h(n) podem ser calculados, como no problema anterior, por
h = (AH A)1 AH x (2.86)
2.5.8 Solucao de norma mnima de sistemas indeterminados de

equacoes
Definicao 2.5.2. Problema mal-posto [4]. Seja A : H1 H2 um operador de um
espaco de Hilbert H1 noutro espaco de Hilbert H2 . A equacao
A(f ) = g (2.87)
diz-se bem posta se
1. para cada g H2 existir f H1 que satisfaca a equacao,
2. a solucao f e unica, e
3. a solucao e estavel relativamente a perturbacoes em g. Isto quer dizer que se

K(f ) = g e A(f ) = g, entao f f sempre que g g . Diz-se neste caso,
que a solucao depende continuamente dos dados.
Uma equacao que nao e bem-posta diz-se mal-posta (ill-posed)

Se a equacao (2.87) e bem posta entao A possui inversa definida, A1 . Em particular,

A1 (A(f )) = f para qualquer f H1 e R(A) = H2 . Se A e um operador linear entao
a equacao (2.87) e bem posta se e so se as condicoes 1) e 2) forem satisfeitas, o que
equivale a N (A) = {0} e R(A) = H2 . Se A e um operador linear em Rn , entao (2.87) e
bem posta desde que uma das condicoes 1) ou 2) sejam satisfeitas.
Seja x uma solucao de
Ax = b, (2.88)
em que A e uma matrix m n com m < n e seja N = N (A) o espaco de nulidade de A.

Entao se x0 e solucao de Ax = b tambem x0 + n o e se n N . Se o espaco de nulidade
nao for trivial existem muitas solucoes para Ax = b. Este e tipicamente um problema
mal posto, ja que para um unico ponto em R(A), b, correspondem muitas solucoes no
domnio, x0 + n com n N .
Apesar deste problema ser indeterminado e possvel utilizar alguns criterios que per-
mitam escolher uma das solucoes possveis. O conjunto de tecnicas que permitem eliminar
a mau-acondicionamento(ill-poseness) do problema designa-se regularizacao[4].
Consideremos o seguinte teorema:
Teorema 2.5.3. Aproximacao Dual(Dual approximation) Sejam {y1 , y2 , ..., ym } vec-

tores linearmente independentes num espaco de Hilbert S, e seja M = span(y1 , y2 , ..., ym )
o espaco gerado pelos vectores yi . O elemento x S que satisfaz
hx, y1 i = a1
hx, y2 i = a2
(2.89)
...
hx, ym i = am
com norma mnima esta contido em M , e pode ser obtido a partir de

m
X
x= ci yi (2.90)
i=1
em que os coeficientes ci satisfazem a seguinte equacao

hy1 , y1 i hy2 , y1 i ... hym , y1 i c1 a1
hy1 , y2 i hy2 , y2 i ... hym , y2 i c2
= a2 (2.91)
... ... ... ... ... ...
hy1 , ym i hy2 , ym i ... hym , ym i cm am
Consideremos a equacao (2.88) assumindo que se trata de um problema mal posto.

Vamos resolver a equacao, escolhendo a solucao de menor norma, isto e,
x = arg min kxk Ax = b (2.92)

x
Seja

y1H
y2H
A=
... (2.93)
H
ym
Da equacao (2.88) verifica-se que
y1H x = b1
y2H x = b2
(2.94)
...
H
ym x = bm
e portanto pelo teorema 2.5.3

m
X
x= ci yi = AH c (2.95)
i=1
em que AH = [y1 , y2 , ..., ym ]. Re-escrevendo (2.91) para o caso presente, tem-se
AAH c = b (2.96)
Se as linhas de A forem linearmente independentes, AAH e invertvel e portanto
c = (AAH )1 b (2.97)
e portanto a solucao de (2.88) de menor norma e
x = AH (AAH )1 b. (2.98)
A matrix AH (AAH )1 e a pseudo inversa de A.
2.5.9 Optimizacao iterativa de mnimos quadraticos pesados (IRLS)

em Lp
A optimizacao usando normas que nao a quadratica coloca, em geral, problemas algebricos
e numericos mais complexos. Nesta seccao e apresentado o metodo iterativo de mnimos
quadraticos pesados que permite realizar a optimizacao usando a norma Lp , com p 6= 2,

usando a norma L2 , isto e, calcular o vector c tal que
x = Ac + e (2.99)
em que e e mnimo de acordo com uma dada norma Lp .

O problema dos mnimos quadraticos pesados tem o seguinte enunciado: seja W =
S T S uma matriz de pesos para a qual se pretende encontrar c tal que
c = min eT W e = min eT S T Se (2.100)

c c
cuja solucao e
c = (AT S T SA)1 AT S T Sx (2.101)
Seja agora este outro problema de optimizacao

m
X
min kx Ackpp = min |xi (Ac)i |p (2.102)
c c
i=1
cuja solucao e c . Este problema de optimizacao pode ser resolvido atraves de

m
X

c = min wi |xi (Ac)i |2 (2.103)
c
i=1
com wi = |xi (Aci )|p2 , que e o problema dos mnimos quadraticos pesados apresentado
anteriormente.
Este problema, no entanto, nao pode ser resolvido num unico passo porque c , descon-
hecido, e necessario para calcular os pesos. Portanto o problema e resolvido iterativamente
utilizando, no calculo dos pesos, a estimativa anterior de ct , isto e, em
m
X

c(t) = min wi (t)|xi (Ac)i |2 (2.104)
c
i=1
wi (t) = |xi (Aci (t 1) )|p2 (2.105)
Este metodo e designado Iterative Reweighted Least-Squares (IRLS).

Sejam agora S(t) e c(t) a matriz de pesos e a solucao optima respectivamente, na
iteracao t. O erro nesta iteracao e
e(t) = x Ac(t) (2.106)
e portanto a nova matriz de pesos e
S(t + 1) = diag[e1 (t)(p2)/2 , e2 (t)(p2)/2 , ..., em (t)(p2)/2 ] (2.107)

2.6. REPRESENTACAO DE FUNCOES CONTINUAS 35
e o erro a minimizar no iteracao t + 1 e

m
X
T T
e (t + 1)S (t + 1)S(t + 1)e = |xi (Ac(t))i |p (2.108)
i=1
o que mostra que se o algoritmo convergir, entao a solucao iterativa dos mnimos quadrati-
cos pesados e a mesma que a dos mnimos usando a norma Lp .
Este algoritmo e lento a convergir. Uma alternativa mais rapida e numericamente
mais estavel e
c(t + 1) = (AT S T (t + 1)S(t + 1)A)1 AT S T (t + 1)S(t + 1)x) (2.109)
c(t + 1) = c(t + 1) + (1 )c(t) (2.110)
para [0, 1]. E possvel mostrar que para = 1/(p 1) o algoritmo apresenta carac-
tersticas de convergencia semelhantes ao metodo de Newton. Finalmente, uma estrategia
de variacao continuada para p melhora tambem a estabilidade do algoritmo. Assim tem-se
p(t) = min (p, p(t 1)) em que tipicamente = 1.5 e p(0) e baixo.
2.6 Representacao de funcoes contnuas

A representacao de funcoes contnuas atraves de um conjunto discreto, finito ou infinito,
de coeficientes e necessario em muitos problemas cientficos e tecnologicos.
Por exemplo, operacoes de compressao, codificacao, interpolacao [6] ou alteracao de
ritmo de amostragem em dados multimedia (audio, imagem e video) utilizam repre-
sentacoes contnuas dos dados digitais.
Em CAD/CAM, realidade virtual, imagem medica 3D e 4D e producao industrial a
representacao discreta de funcoes contnuas e tambem muito utilizada assim como em
producao multimedia e cinematografica [8]. Nestas areas, linhas [7], superfcies ou mesmo
volumes contnuos sao manipuladas digitalmente atraves dos coeficientes que os repre-
sentam chamados pontos de controlo. Em termos genericos estas variedades designam-se
splines [10]
O problema que e tratado nesta seccao tem o seguinte enunciado:
Problema: Encontrar a melhor representacao (no sentido da norma L2 ) da funcao
x(t) tal que
m
X
x(t) ci pi (t) (2.111)
i=1
em que {pi (t)} e um conjunto de funcoes de base.

Se as funcoes P
de base forem ortonormais, entao os coeficientes que que minimizam o
erro, e = kx(t) m i=1 ci pi (t)k2 , podem ser obtidos atraves de
ci = hx, pi i. (2.112)
Este conjunto de coeficientes, ci com i = 1, 2, ..., m, conduz a solucao optima, x segundo

o criterio dos mnimos quadraticos.
Exerccio 2.6.1. Demonstre as seguintes igualdades:
m
X m
X
|ci |2 = hx, pi i2 (2.113)
i=1 i=1
2
m
X m
X
2
x ci pi = kxk hx, pi i2 (2.114)

i=1 i=1
Das igualdades anteriores e do facto do erro quadratico mnimo,

2
Xm

x c i i ,
p (2.115)

i=1
ter de ser sempre positivo, resulta a desigualdade de Bessel:

m
X
|ci |2 kxk2 (2.116)
i=1
P
A funcao mi=1 ci pi que minimiza a norma L2 e designada projeccao de x(t) no espaco
gerado pelas funcoes {p1 , p2 , ..., pm }, eventualmente em numero infinito.
Para qualquer base ortonormada,
P {pi }, a melhor aproximacao de x no sentido dos
mnimos quadraticos e y = m c p
i=1 i i em que ci = hx, pi i.
Pretende-se agora saber em que condicoes e = kx yk2 = 0. Funcoes que diferem
num conjunto de medida nula dizem-se iguais no sentido da norma L2 .
Definicao 2.6.1. Um conjunto de funcoes ortonormais, {p1 , p2 , ..., p } num espaco de
Hilbert, S diz-se completo se

X
x= hx, pi ipi (2.117)
i=1
para qualquer x S
Teorema 2.6.1. Um conjunto de funcoes ortonormais, {p1 , p2 , ...} e completa num espaco
vectorial S com produto interno e norma induzida se as seguintes propriedades equivalentes
se verifiquem:
1. Para qualquer x S,

X
x= hx, pi ipi . (2.118)
i=1
2. Para qualquer > 0 existe um N < tal que para todo o n N ,

N
X

x hx, pi ipi . (2.119)

i=1
3. A igualdade de Parseval verifica-se:

X
kxk2 = hx, pi i2 (2.120)
i=1
para todo x S.
4. Se hx, pi i = 0 para todo i, entao x = 0.

S
5. Nao existe nenhuma funcao, f S nao nula para a qual o conjunto {p1 , p2 , ...} f
forme um conjunto ortogonal.
Quando {pi } e um conjunto completo, entao a sequencia {c1 , c2 , ...} descreve comple-
tamente x. Diz-se, neste case, que a sequencia {c1 , c2 , ...} e a transformada ou serie
generalizda de Fourier de x.
Se {p1 , p2 , ...} e um conjunto completo, nao existe erro na representacao de x e portanto
a igualdade de Bessel verifica-se, isto e,

X
kxk2 = |ci |2 . (2.121)
i=1
Este realcao denomina-se igualdade de Parseval e pode ser escrita como
kxk = kck (2.122)
em que a norma e L2 a esquerda se x e uma funcao contnua e a norma l2 a direita.
Lema 2.6.1. Se x e y tiverem transformada generalizada de Fourier numa qualquer base

ortonormal, {p1 , p2 , ...} num espaco S de Hilbert, com
T (x) = c T (y) = b (2.123)
entao
hx, yi = hc, bi. (2.124)

2.6.1 Conjuntos de funcoes ortogonais completos

Existem varios conjuntos de funcoes ortogonais completos que sao utilizados em varios
problema tecnicos e cientficos.
Sejam f (t) e g(t) polinomios e seja I = [a, b] um intervalo de interesse. Os polinomios
f (t) e g(t) sao ortogonais em relacao a uma funcao de peso, w(t) se
hf , giw = 0, (2.125)
em que
Z b
hf , giw = w(t)f (t)g(t)dt (2.126)
a
Lema 2.6.2. Polinomios ortogonais satisfazem a seguinte recursao:

tpn (t) = an pn+1 (t) + bn pn (t) + cn pn1 (t) (2.127)
para n = 1, 2, ...
Polinomios de Legendre
Os polinomios de Legendre estao definidos no intervalo [1, 1] com uma funcao de peso,
w(t) = 1. Os primeiros quatro polinomios de Legendre sao os seguintes:
p0 (t) = 1
p1 (t) = t
1
p2 (t) = t2
3
3 3
p3 (t) = t t
5
Os polinomios seguintes sao obtidos atraves da seguinte expressao de recorrencia
n+1 n
tpn = pn+1 (t) + pn1 (t) (2.128)
2n + 1 2n + 1
Exerccio 2.6.2. Utilize o MatLab para desenhar os primeiros 5 polinomios de Legendre
e verifique o observe a amplitude das oscilacoes dos diversos polinomios.
Polinomios de Chebyshev

Os polinomios de Chebyshev sao ortogonais em relacao a funcao de peso w(t) = 1/ 1 t2
no intervalo I = [1, 1]. Se pr (t) e ps (t) sao polinomios de Chebyshev entao

Z 1 0, r 6= s;
1
p1 (t)p2 (t)dt = , r = s = 0; (2.129)
1 1 t2
/2, r = s 6= 0.
A expressao de recorrencia e Tn+1 = 2tTn (t) Tn1 (t), T0 (t) = 1, T1 (t) = t. A

expressao geral para o polinomio de ordem n e
Tn (t) = cos(n cos1 (t)). (2.130)
Por exemplo considere os seguintes polinomios de Chebyshev,
T2 (t) = 2t2 1,
T3 (t) = 4t3 3t,
T4 (t) = 8t4 8t2 + 1
Exerccio 2.6.3. Calcule o numero e valor dos zeros e extremos no intervalo I dos
polinomios de Chebyshev.
Uma das aplicacoes dos polinomios de Chebyshev e de expansao em serie de funcoes
na forma

X
f (t) = ci Ti (t). (2.131)
i=1
Esta serie converge uniformemente quando f (t) e contnua e limitada no intervalo

[1, 1]
Funcoes sinc
A forma da funcao sinc e a seguinte
sin(t)
sinc(t) = (2.132)
t
Esta funcao pode servir de base a construcao de bases ortogonais com a seguinte
expressao
pk (t) = sinc(2B(t k/2B)). (2.133)
R
Exerccio 2.6.4. Calcule hpr (t), ps (t)i quando hf , gi =
f (t)g(t)dt
Se f (t) e de banda limitada, isto e, F () = 0 para nao pertencente a [2B, 2B],
entao na serie
X
f (t) = ck pk (t) (2.134)
k
os coeficientes sao
hf , pk i
ck = = f (k/2B), (2.135)
hpk , pk i
e portanto
X sin(2B(t k/2B))
f (t) = f (k/2B) (2.136)
k
2B(t k/2B)
2.7 Exerccios
Exerccio 2.7.1. (Ex.2.1-1, pag. 121)Considere o vector x = [1, 2, 3, 4, 5, 6]T . Calcule a
metrica lp , dp (x, 0) para p = 1, 2, 4, 10, 100, . Comente o facto de dp (x, 0) max(xi )
quando p .
Exerccio 2.7.2. (Ex.2.1-2, pag. 121)(RESOLVIDO) Seja X um conjunto arbitrario.

Mostre que a funcao

0, x = y
d(x, y) = (2.137)
1, x 6= y
e uma metrica.
Para que d(x, y) seja uma metrica e necessario que i)d(x, y) 0, o que e verdade,
ii)d(x, y) = 0 se e so se x = y o que e verdade e finalmente iii) deve satisfazer a de-
sigualdade triangular. Se x = y = z a demonstracao e trivial. Se (x = y) (y 6= z)
ou (x 6= y) (y = z) entao d(x, y) + d(y, z) = 1 + 0 = d(x, z) Se x 6= y 6= z,
d(x, y) + d(y, z) = 1 + 1 = 2 > 1 = d(x, z) q.e.d.
Exerccio 2.7.3. (Ex.2.1-4, pag. 121)Demonstracao da desigualdade triangular:
Para x, y R prove que a desigualdade triangular e da forma
|x + y| |x| + |y|. (2.138)
Qual e a condicao para a igualdade.
Para x, y Rn prove a desigualdade triangular
kx + yk kxk + kyk. (2.139)

Pn
onde k.k e a norma Euclidiana. Sugestao: Use o facto de i=1 xi yj kxkkyk(desigualdade
de Cauchy-Schwartz.)
Exerccio 2.7.4. (Ex.2.1-5, pag. 122) Seja (X, d) um espaco metrico. Mostre que
d(x, y)
g(x, y) = (2.140)
1 + d(x, y)
e uma metrica em X. Indique uma caracterstica desta norma.
Exerccio 2.7.5. (Ex.2.1-8, pag. 122) Mostre que no espaco metrico (Rn , dp ) a funcao
dp (x, y) decresce com p, isto e, dp (x, y) dq (x, y) se p q. Sugestao: Calcule a
2.7. EXERCICIOS 41
derivada em ordem a p e mostre que e menor ou igual a zero. Use a desigualdade da

soma logartmica que diz que para sequencias nao negativas a1 , a2 , ..., an e b1 , b2 , ..., bn ,
n
" n # Pn
X X ai
i=1
ai log(ai /bi ) ai log Pn (2.141)
i=1 i=1 i=1 bi
= 1 e ai = |xi yi |p . Use tambem o facto de, para sequencias {i } nao negativas,

Faca bi P
tal que ni=1 i = 1 o maximo valor de
n
X
i log i (2.142)
i=1
e zero.
Exerccio 2.7.6. (Ex.2.1-20, pag. 123)(RESOLVIDO) Mostre que se {xn } e uma
sequencia tal que
d(xn+1 , xn ) < Crn (2.143)
para 0 r < 1, entao {xn } e uma sequencia de Cauchy.

Uma sequencia diz-se de Cauchy se para qualquer > 0, existe um N > 0 tal que
d(xn , xm ) < para todo n, m > N .
Seja n > m e a distancia
d(xn , xm ) <
d(xn , xn1 ) + d(xn1 , xm )
<
d(xn , xn1 ) + d(xn1 , xn2 ) + ... + d(xm+1 , xm )
Crn1 + Crn2 + ... + Crm+1
=
C(rn1 + rn2 + ... + rm+1 )
=
1 rnm
= Crm
1r
m
< Cr /(1 r) =
N = ceil(log((1 r)/C)/ log(r)) (2.144)
isto e, sempre que n, m > N , d(xn , xm ) <

Exerccio 2.7.7. (Ex.2.1-21, pag. 123) Seja pn = (xn , yn , zn ) R3 . Mostre que se {pn }
e uma sequencia de Cauchy com a seguinte metrica
q
d(pj , pk ) = (xj xk )2 + (yj yk )2 + (zj zk )2 , (2.145)
entao tambem {xn }, {yn } e {zn } sao sequencias de Cauchy usando a metrica d(xj , xk ) =
|xj xk |.
Exerccio 2.7.8. (Ex.2.3-30, pag. 124) Seja S o conjunto formado por todas as solucoes
da seguinte equacao diferencial definida em C 3 [0, ]
d3 x d2 x dx
3
+ b 3
+ c + dx = 0. (2.146)
dt dt dt
Mostre que S e um sub espaco linear de C 3 [0, ].
Exerccio 2.7.9. (Ex.2.3-33, pag. 124) (RESOLVIDO) Mostre que num espaco linear
normado
|kxk kyk| kx yk. (2.147)
Se x = y a demonstracao e trivial. Seja kxk > kyk pretense-se provar que
kxk kyk < kx yk

kxk < kyk + kx yk (2.148)
e fazendo e = x y x = y + e tem-se
ke + yk < kyk + kek (2.149)
o que e verdade ja que resulta directamente da desigualdade triangular. Se kxk < kyk a
demonstracao e semelhante.
Exerccio 2.7.10. (Ex.2.3-34, pag. 124)Mostre que a norma e uma funcao convexa.
Exerccio 2.7.11. (Ex.2.4-40, pag. 124) Calcule o produto interno hf , gi usando a

definicao
Z 1
hf , gi = f (t)g(t)dt. (2.150)
0
1. f (t) = t2 + 2t, g(t) = t + 1.
2. f (t) = et , g(t) = t + 1.
3. f (t) = cos(2t), g(t) = sin(2t).
Exerccio 2.7.12. (Ex.2.4-41, pag. 125) Calcule o produto interno xT y usando a norma
Euclidiana,
1. x = [1, 2, 3, 4]T , y = [2, 3, 4, 1]T .
2. x = [2, 3]T , y = [1, 2]T .

2.7. EXERCICIOS 43
Exerccio 2.7.13. (Ex.2.5-43, pag. 125) Mostre que usando a norma induzida k.k num
espaco vectorial real:
1. A lei do paralelogramo e verdadeira:
kx + yk2 + kx yk2 = 2kxk2 + 2kyk2 . (2.151)
Mostre graficamente em R2 a lei do paralelogramo.
2. Mostre que
kx + yk2 kx yk2
hx, yi = , (2.152)
4
chamada igualdade de polarizacao.
Exerccio 2.7.14. (Ex.2.6-44, pag. 125) Para a seguinte operacao de produto interno
Z 1
hf , gi = f (t)g(t)dt (2.153)
0
verifique que a desigualdade de Cauchy-Schwartz e verdadeira quando

1. f (t) = et , g(t) = t + 1.
2. f (t) = et , g(t) = 5et

Exerccio 2.7.15. (Ex.2.6-45, pag. 125) Verifique que a desigualdade
hx, yi
1 1 (2.154)
kxk2 kyk2
e verdadeira.
Exerccio 2.7.16. R(Ex.2.7-47, pag. 125) Seja x1 (t) = 3t2 1, x2 (t) = 5t3 3t, x3 (t) =
1
2t2 t e hf , gi = 1 f (t)g(t)dt. Calcule os angulos entre estes sinais e identifique as
funcoes que sao ortogonais.
Exerccio 2.7.17. (Ex.2.7-48, pag. 125) Sejam
x1 = [1, 2, 4, 2]T (2.155)

x2 = [5, 2, 3, 1]T (2.156)
x3 = [1, 2, 1, 2]T . (2.157)
Calcule os angulos entre estes vectores usando o produto interno Euclidiano e identifique
os pares que sao ortogonais.
Exerccio 2.7.18. Mostre que as funcoes f (t) = sin(t) e g(t) = cos(t) sao ortogonais em
L2 (, ).

Exerccio
2.7.19. Seja V o espaco gerado pelas funcoes p1 (x) = cos(x)/ e p2 (x) =
sin(x)/ em L2 (, ).
1. Mostre que {p1 , p2 } e uma base ortonormada.
2. Calcule a projeccao de f (x) = x em V .

1, 0 x 1/2;
3. Considere o espaco W gerado por (x) = 1 e = no inter-
1, 1/2 x 1.
valo [0, 1]. As funcoes (x) e (x) sao a funcao de escala e a funcao de wavelet
respectivamente.
(a) Mostre que estas funcoes sao ortogonais em L2 (, ).
(b) Calcule a projeccao de f (x) = x em W .
Exerccio 2.7.20. (Ex.2.7-49, pag. 126) Mostre que um conjunto de vectores {p1 , p2 , ..., pm }
cujos elementos sao mutuamente ortogonais, i.e., hpi , pj i = 0, i 6= j, e linearmente inde-
pendente, isto e, a ortogonalidade implica independencia linear.
Exerccio 2.7.21. (Ex.2.12-57, pag.T126) Mostre que se V e W sao sub espacos de um
espaco S entao a sua interseccao, V W tambem e um sub espaco de S.
Exerccio 2.7.22. (Ex.2.12-64, pag. 127) Se v e um vector, mostre que a matriz que
projecta em span(v) e
vv H
Pv = . (2.158)
vH v
Exerccio 2.7.23. (Ex.2.13-68, pag. 127) Seja A uma matriz que pode ser factorizada
como
A = U V H (2.159)
em que U H U = I e V H V = I e e uma matriz diagonal real. Esta factorizacao designa-
se: decomposicao em valores singulares (single value decomposition). Mostre que
PA = PU .
Exerccio 2.7.24. (Ex.3.5-2, pag. 216) No contexto do problema de aproximacao de erro
mnimo mostre que
(I A(AH A)1 AH ) (2.160)
e semi-definida positiva e que portanto kemin k2 < kxk2 . Sugestao: observe que 0 kBxk2 ,
onde B = I A(AH A)1 AH .
2.7. EXERCICIOS 45
Exerccio 2.7.25. (Ex.3.8-3, pag. 216) Considere os seguintes conjuntos de dados x =

{2, 2.5, 3, 5, 9} e y = {4.2, 5, 2, 1, 24.3}.
1. Represente graficamente estes dados.
2. Determine a recta que melhor se ajusta aos dados segundo o criterio dos mnimos
quadraticos.
3. Admitindo que os primeiros e ultimos pontos sao mais fiaveis (mais precisos) formule
o problema no contexto dos mnimos quadraticos pesados, especificando a matriz de
pesos. Desenhe a nova recta de regressao.
Exerccio 2.7.26. (Ex.3.8-(4-7), pag. 216) Formule o problema da regressao para os
seguintes modelos
yi = a0 + a1 xi + a2 x2i (2.161)
zi = axi + byi + c (2.162)
yi = ceaxi (2.163)
yi = axbi (2.164)
Exerccio 2.7.27. (Ex.3.8-10, pag. 217) Seja a seguinte definicao de produto interno
entre matrizes
hX, Yi = traco(XY H ). (2.165)
Pretende-se aproximar a matrix Y atraves da seguinte combinacao linear,
Y = c1 X1 + c2 X2 + ... + cm Xm + E. (2.166)
Usando o principio da ortogonalidade deduza o conjunto das equacoes normais que permita
estimar os coeficientes {c1 , c2 , ..., cm } que minimizam a norma induzida do erro E.
Exerccio 2.7.28. (Ex.3.9-12, pag. 217) Para a seguinte sequencia, {1, 1, 2, 3, 5, 8, 13},
1. Escreva a matriz A dos dados e o Graminiano AH A usando os metodos da co-
variancia e da auto-correlacao, assumindo m=2.
2. Esta sequencia sera utilizada para treinar um preditor linear. O sinal desejado, d(t)
e x(t) e os dados utilizados sao as duas amostras anteriores, isto e,
x(t) = a1 x(t 1) + a2 x(t 2) + e(t), (2.167)
em que e(t) e o erro de predicao. Determine os coeficientes do preditor atraves

do metodo dos mnimos quadraticos usando o metodo da covariancia e da auto-
correlacao.
3. Determine o erro quadratico mnimo para os dois metodos.

Exerccio 2.7.29. (Ex.3.15-30, pag. 223) Use o teorema da projeccao para resolver o
seguinte problema de dimensao finita
x = arg min xH Qx (2.168)

x
Ax = b (2.169)
em que x C n , Q e uma matriz simetrica semi definida positiva e A e uma matriz de

dimensao m n com m < n.
Exerccio 2.7.30. (Ex.3.17-32, pag. 223) Mostre que as funcoes
1
pk (t) = ej2kt/N (2.170)
N
sao ortonormais em relacao a seguinte operacao de produto interno
N
X 1
hx, yi =
x(t)y(t) (2.171)
t=0
Exerccio 2.7.31. (Ex.3.18-37, pag. 224) Este exerccio aborda o problema da quadratura
Gaussiana, um metodo rapido de integracao numerica. Neste metodo pretende-se aproxi-
mar o integral atraves de uma soma,
Z b Xm
f (t)dt ai f (ti ) (2.172)
a i=1
Contrariamente a outros metodos, na quadratura Gaussiana as abcissas nao estao

uniformemente espacadas. O problema e o de encontrar os {ti } e os {ai } de tal forma
que a soma seja tao proxima quanto possvel do verdadeiro valor do integral. Este metodo
e exacto quando a funcao f (t) for um polinomio de grau 2m 1. Para funcoes nao
polinomiais, suaves o metodo e bastante preciso. A implementacao
R1 do metodo utiliza
polinomios ortogonais e assume-se neste exerccio que hf , gi = 1 f (t)g(t)dt.
1. Sem perda de generalidade restringiremos a analise ao intervalo [1, 1]. Mostre que
para o integral
Z b
g(x)dx (2.173)
a
a substituicao,
2x a b
t= (2.174)
ba
2.7. EXERCICIOS 47
conduz a um integral da forma

Z 1
f (t)dt (2.175)
1
2. Se {pn (t), n = 0, 1, ..., m} e um conjunto de polinomios ortogonais no intervalo

[1, 1], em que pn (t) e um polinomio de grau n, mostre que
hp(t), pm (t) = 0i (2.176)
para todos os polinomios p(t) de grau m 1.
3. Seja f (t) um polinomio de grau 2m 1. Mostre que f (t)pode ser escrito como
f (t) = q(t)pm (t) + r(t), (2.177)
em que q(t) e r(t) sao de grau m 1. Sugestao: utilize a divisao.
4. Mostre que que sao possveis as seguintes expansoes:
m1
X
q(t) = k pk (t) (2.178)
k=0
m1
X
r(t) = k pk (t) (2.179)
k=0
5. Mostre que
Z 1 Z 1
f (t)dt = 0 p0 (t)dt. (2.180)
1 1
6. Sejam t1 , t2 , ..., tm as razes de pm (t). Mostre que

m
X m1
X m
X
ai f (ti ) = k ai pk (ti ). (2.181)
i=1 k=0 i=1
7. Mostre que se os pesos ai forem escolhidos de tal forma que

Xm R1
p (t)dt, k = 0
ai pk (xi ) = 1 0 (2.182)
i=1
0, k = 1, 2, ..., n 1
entao (2.181) pode ser escrita como
m
X Z 1
ai f (ti ) = 0 p0 (t)dt. (2.183)
i=1 1
8. Escreva a equacao matricial para os pesos {ai } escolhidos em 7)
9. A partir das equacoes (2.180) e (2.183)escreva a formula para a quadratura Gaus-

siana.
R1
10. Generalize o resultado anterior de forma a calcular 1 w(t)f (t)dt em que pk (t) sao
ortogonais em relacao ao seguinte produto interno,
Z 1
hf , gi = f (t)g(t)w(t)dt (2.184)
1
2.8 Trabalhos de Laboratorio

2.8.1 Ortogonalizacao de Gram-Schmidt
1. Comece por gerar uma matriz X, de dimensoes 3 N , com N = 20 em que a ultima
linha e constituda por zeros. Cada coluna da matriz e um vector pi R3 contido
no plano X-Y com coordenada Z = 0.
2. Aplique uma transformacao de rotacao aos elementos desta matriz,
P = TX (2.185)
em que
T = Tz Ty Tx (2.186)
com

cos(z ) sin(z ) 0
Tz = sin(z ) cos(z ) 0 (2.187)
0 0 1

cos(y ) 0 sin(y )
Ty = 0 1 0 (2.188)
sin(z ) 0 cos(z )

1 0 0
Tx = 0 cos(x ) sin(x ) (2.189)
0 sin(x ) cos(x )
[x y z ] e um vector com os angulos de rotacao em torno dos eixos X, Y e Z

respectivamente. Estes angulos devem ser aleatorios, uniformemente distribudos
entre [0, /2], isto e [x y z ] = (/2)rand(1, 3);
2.8. TRABALHOS DE LABORATORIO 49
3. Utilize o comando MatLab para representar graficamente os pontos X e P .
4. Implemente o algoritmo de Gram-Schmidt calculando o conjunto com o numero

mnimo de vectores que geram o mesmo espaco que {p1 , p2 , ..., pN }. Represente
graficamente estes vectores.
Sugestao: Note que o produto interno de dois vectores coluna x e y reais, pode ser
calculado atraves de
hx, yi = xT y. (2.190)
O calculo da norma de um vector x, kxk,

p pode serefectuado utilizando a funcao do
MatLab, norm(x) ou entao fazendo kxk = hx, xi = xT x.
2.8.2 Interpolacao
Introducao
Neste trabalho iremos tratar da representacao discreta de funcoes contnuas. Consider-

emos uma funcao f (x), f : R R pertencente ao espaco C(a, b) das funcoes contnuas
no intervalo I = [a, b] e sejam k (x) um conjunto de funcoes de base que geram um
sub-espaco V C(a, b), tal que,
f (t) = g(t) + e(t) = T (t)c + e(t) (2.191)
em que (t) = [1 (t), 2 (t), ..., m (t)]T e um vector coluna e g(t) V .

Neste trabalho assumiremos que as funcoes de base k (t) sao obtidas a partir de uma
funcao mae, (t) atraves de translacoes e escalamentos do eixo das abcissas, isto e,
k (t) = ((t/ k)) em que = (b a)/(N 1) e 0 k < N .
Seja F = {fi } um conjunto de M observacoes de f (t) em localizacoes nao uniformes
T = {ti } com a ti b. Neste trabalho pretende-se resolver o seguinte problema:
Problema: Dado M observacoes de f (t), F , em localizacoes T nao equi-espacadas,
encontrar os N coeficientes c = [c1 , c2 , ..., cN ]T tal que a energia
M
X
E(c) = (fi T (ti )c)2 (2.192)
i=1
seja mnima.
Parte experimental
1. Obtenha a expressao que lhe permite obter o vector c a partir de F , T e (t) =
[1 (t), 2 (t), ..., m (t)]T de forma a minimizar (2.192). Sugestao: Utilize a seguinte
matriz para obter o resultado pretendido,
T
1 (t1 ) 2 (t1 ) ... N (t1 ) (t1 )
1 (t2 ) 2 (t2 ) ... N (t2 ) T
= = (t2 ) (2.193)
... ... ... ... ...
1 (tM ) 2 (tM ) ... N (tM ) T (tM )
2
2. Amostre a funcao f (t) = sin(2t)e20(t0.5) em M = 10 posicoes aleatorias uni-
formemente distribudos no intervalo I = [0, 1]. Alem do valor da funcao, F , guarde
tambem as respectivas posicoes, T . Represente graficamente a funcao f (t) no inter-
valo [0, 1] usando 500 pontos e sobreponha neste grafico as amostras (T, F ) obtidas
anteriormente.
3. Com base nas amostras obtidas na alnea anterior e na expressao obtida em 1),
calcule o vector c, de dimensao N = 10, que permite estimar a funcao f (t) a partir
de (T, F ), isto e,
f (t) g(t) = T (t)c. (2.194)
Utilize as seguintes funcoes de base,
k (t) = sinc(t/ k) = sin((t/ k))/(t/ k). (2.195)
Represente no mesmo grafico a funcao original f (t) e a funcao estimada g(t). Calcule
a relacao sinal rudo em dB, isto e,

kf k2
SN R = 10 log10 (2.196)
kf gk2
qP
1 L 2
em que kxk = L i=1 x (ti ), com L = 500, ti = (i 1)/(L 1) e 1 i L.
4. Utilizando novamente M = 10 amostras de f (t) calcule o vector c de dimensao

N = 50. Observe e comente o resultado. Aumente o numero de amostras para
M = 100 e observe o resultado. Comente.
5. Experimente agora amostrar a funcao f (t) = sign(sin(2t)) com M = 200. Calcule

c com N = 50 e visualize o resultado. Comente o que observa, designadamente, no
que respeita ao comportamento da funcao estimada na zona de transicao.
2.8. TRABALHOS DE LABORATORIO 51
6. Mantendo o numero de amostras M e aumente gradualmente o numero de funcoes

de base, N . Comente as diferentes estimativas de f (t), g(t) quando aumenta N .
Justifique.
7. Desprezando os efeitos de fronteira, sugira uma expressao para calcular kg(t)k2 =<
Rb P
g(t), g(t) >= a g 2 (t)dt com g(t) = M i=1 ci i (t).
2.8.3 Filtro de mnimos quadraticos

Neste trabalho de laboratorio pretende-se implementar um filtro de mnimos quadraticos
para atenuar rudo aleatorio. A sua eficacia sera testada em imagens e audio.
Seja x(n) uma sequencia de comprimento N , com 1 n N . Pretende-se estimar
a resposta impulsiva de um filtro FIR de comprimento m = 3, h = {h(1), h(2), h(3)} tal
que
N m1
" m m
#
X X X
J(h) = kx(n) h(i)x(n + i)k2 + kx(n) h(i)x(n i)k2 (2.197)
n=m+1 i=1 i=1
seja mnimo. Esta formalizacao conduz a um filtro, h = {h(1), h(2), h(3)}, tal que a soma
das normas dos erros kec (n)k2 + kea (n)k2 , para m < n < L m, definidos por
m
X
x(t) = h(i)x(n i) + ec (n)
i=1
Xm
x(t) = h(i)x(n + i) + ea (n)
i=1
seja mnima.
Parte experimental
1. Formalize o problema anterior em termos matriciais e deduza a equacao que permite
calcular o vector h = [h1 , h2 , h3 ]T .
2. Implemente uma funcao, [y,h]=preditor(x,L), que aceita um vector x, unidimen-

sional, a filtrar, e a dimensao L do filtro. Esta funcao devolve o sinal filtrado, e os
coeficientes, h, do filtro de mnimos quadraticos.
3. Carregue o trecho de audio e filtre-o com a funcao implementada na alnea anterior,

partindo-o em trocos de dimensao N = 10000. Oica o resultado e comente.
4. Calcule o espectrograma do sinal ruidoso e do sinal filtrado e comente as diferencas.

5. Note que os coeficientes do filtro vao variando de troco para troco. Guarde todos os
coeficientes numa matriz, H(M, 3), em que M e o numero de trocos, e represente-os
num grafico 3D, usando o comando plot3. Verifique como e que estes coeficientes
variam ao longo do trecho musical.
6. Carregue a imagem fornecida, corrompida com rudo, e filtre-a com o filtro de

mnimos quadraticos obtido na primeira alnea. Filtre a imagem primeiro por linhas
e depois por colunas. Observe o resultado.
Sugestao: Normalize a imagem ruidosa, x = x/max(max(x)), antes de a processar.
7. Experimente filtrar o trecho musical com um filtro de mnimos quadraticos com

L = 5. Oica o resultado e comente o resultado.
Captulo 3
Transformadas
Uma transformada e um operador (funcao) que mapeia um espaco vectorial X num outro
espaco Y (pode ser o mesmo), isto e,
T : X Y. (3.1)
Uma classe importante e a das transformadas lineares integrais que se definem da

seguinte forma,
Definicao 3.0.1. Seja V um espaco vectorial de funcoes f : R R. Uma transformada

linear integral e um mapeamento linear T : V V com a seguinte forma
Z b
T (f (x)) = f (x)K(x, )dx F (). (3.2)
a
F () designa-se transformada de f (x) e K(x, ) o kernel da transformada.
Algumas destas transformadas sao:

R
1. Transformada de Laplace: L(f (x)) = F (s) = 0 f (x)esx dx
R
2. Transformada de Fourier: F(f (x)) = F () f (x)ejx dx
R
3. Transformada do coseno: F(f (x)) = F () = 0 f (x) cos(x)dx
R
4. Transformada do seno: F(f (x)) = F () = 0 f (x) sin(x)dx
No caso das funcoes discretas, x(n), o integral e substitudo por um somatorio. Por
exemplo,
P
1. Transformada Z: T Z(x(n)) = X(z) = x(n)z
n
P
2. Transformada de Fourier: T F (x(n)) = F () = x(n)e
jn
53
54 CAPITULO 3. TRANSFORMADAS
Como se pode verificar, estas transformadas sao lineares, pois,

T (x + y) = T (x) + T (y) (3.3)
e podem ser calculadas por multiplicacao matricial, isto e, se x Rm e X Rn ,
X = Tx (3.4)
em que T e uma matriz n m.
Este tipo de funcoes sao de grande importancia no contexto do processamento de sinais
por dois tipos de razoes:
1. permitem realizar operacoes sobre os sinais transformados de forma muito mais
simples do que sobre os sinais nao transformados. Por exemplo, a resolucao de
equacoes diferenciais ou equacoes as diferencas pode ser muito simplificada sobre
os sinais transformados do que sobre os sinais originais. A existencia de algorit-
mos rapidos de conversao X = T (x) e x = T 1 (X) permitem, de forma eficiente,
converter os sinais atraves da transformada, processa-los e seguidamente calcular a
transformada inversa.
2. algumas caractersticas sao realcadas no sinal transformado relativamente ao sinal
original. E o caso da transformada de Fourier, que permite analises simples no
domnio da frequencia que nao sao triviais no domnio do tempo, designadamente
operacoes de filtragem.
3.1 DFT - Transformada discreta de Fourier

Nesta seccao iremos considerar a representacao de sequencias periodicas discretas, x(n),
de perodo N e de sequencias, x(n), de dimensao finita, N absolutamente somaveis.
Consideremos as seguintes funcoes de base periodicas ,
1 j2
k (n) = e N kn (3.5)
N
de perodo N/k. A sua periodicidade em n pode ser verificada fazendo
j2
k(n+N/k)
k (n + N/k) = e N
j2 j2
kn
= e N ej2 = e N
kn
= k (n) (3.6)
e a sua periodicidade em k verifica-se atraves de
j2
(k+N )n
k+N (n) = e N
j2 j2
kn
= e N ej2n = e N
kn
= k (n) (3.7)
o que significa que apenas N funcoes k (n) sao diferentes, isto e, a funcao k (n) tem
perodo N em k.
3.1. DFT - TRANSFORMADA DISCRETA DE FOURIER 55
Exerccio 3.1.1. Verifique que as funcoes k (n) e r (n) sao ortogonais em qualquer in-
tervalo de dimensao N , por exemplo, [n0 , n0 +N 1] e que formam um conjunto completo,
isto e, apenas a sequencia nula e ortogonal a todas as funcoes de base.
n0X
+N 1 N 1
1 X j 2 kn j 2 rn
hk (n), r (n)i = k (n)r (n)= e N e N
n=n0
N n=0
N 1
(
1 X j 2 (kr)n 1 N, k = r;
= e N = 1ej2(kr)
, k 6= r.
N n=0 N
1e j 2 (kr)
N

1, k = r;
= = (k r) (3.8)
0, k 6= r.
Estas funcoes, de perodo N, N/2, N/3, ..., 1, 0, para k = 1, 2, ..., N, 0 respectivamente,
podem entao ser utilizadas para representar sequencias discretas de perodo T N atraves
da seguinte combinacao linear
N
X N
X 1
2
x(n) = X(k)k (n) = X(k)ej N kn (3.9)
k=0 k=0
em que X(k) sao os coeficientes da combinacao linear.

Exerccio 3.1.2. Deduza a equacao que permite calcularP os coeficientes X(k) a partir de
x(n), equacao de analise. Sugestao: Calcule hr (n), N
k=0 X(k)k (n)i
O conjunto das N funcoes de base (3.5) permite gerar qualquer sequencia periodica,
discreta, de perodo N e de energia limitada em cada perodo.
Os coeficientes que per-
mitem obter x(n) como combinacao linear de k (n)/ N designam-se coeficientes do
desenvolvimento em serie de Fourier de x(n), e a partir deles, e possvel recuperar a
sequencia original, ja que a representacao e exacta. Esta dualidade de representacoes
de x(n) traduz-se pelas seguintes equacoes de analise e sntese do desenvolvimento em
serie de Fourier, DFS, que permitem converter cada representacao na sua dual,
PN 1 2
Analise, X(k) = n=0 x(n)ej N kn ;
(3.10)
1
PN 1 j 2 kn
Sntese, x(n) = N k=0 X(k)e N .
No caso de sequencias discretas de comprimento finito a representacao discreta nao e
possvel, pois seria necessario um numero infinito e nao contavel de funcoes de base. De
facto, neste caso, a transformada utilizada e a transformada de Fourier, FT, contnua
de sinais discretos a qual estao associadas as seguintes equacao de analise/sntese,
P
Analise, X() = x(n)ejn ;
R (3.11)
1 jn
Sntese, x(n) = 2 X()e d.
em que X() e uma funcao contnua, de perodo 2 (Demonstre). Esta transformada

utiliza um numero infinito de funcoes de base, ejw e portanto, nao e apropriada para ser
utilizada em computador.
Consideremos entao a sequencia x(n) de comprimento N e amostremos a sua trans-
formada de Fourier contnua em pontos equi-espacados, k = 2k/N ,

X N
X 1
2
X(k ) = x(n)ejk n = x(n)ej N kn = X(k) (3.12)
0
que sao, como vimos anteriormente, os coeficientes do desenvolvimento em serie de Fourier

da sequencia periodica, x(n), cujo perodo e x(n).
Portanto, a representacao de uma sequencia de duracao N pode ser realizada atraves
da representacao da sua equivalente periodica tomando apenas o primeiro perodo. Esta
representacao de sinais de duracao finita designa-se transformada discreta de Fourier,
abreviadamente, DFT.
~
x ( n)
x(n)
1
1
Figura 3.1: Representacao de sequencias de comprimento finito atraves da representacao

da sua equivalente periodica
3.1.1 Deslocamento circular

Como foi referido, a representacao de sinais de comprimento finito e representada atraves
da sua extensao periodica. Isto significa que a DFT e, de facto, a representacao da
sequencia periodica e nao da sequencia finita. Portanto, operacoes que envolvem desloca-
mentos no tempo atraves da DFT, como por exemplo a convolucao, designa-se desloca-
mento circular que e diferente do comum deslocamento linear. Assim, nas operacoes
de convolucao entre dois sinais de dimensao finita realizada atraves da DFT estao implcitos
deslocamentos circulares e nao lineares. A diferenca entre estes dois metodos de deslocar
uma sequencia de dimensao finita esta ilustrada na figura 3.2.
O resultado do deslocamento depende, naturalmente do valor de deslocamento, mas
tambem do intervalo considerado, isto e, da dimensao N da DFT utilizada (ver figura
3.2).
Para lidar com esta particularidade da DFT e util definir a seguinte funcao,
Definicao 3.1.1. A funcao (n)N = n modulo N devolve o resto da divisao inteira de n

por N, e portanto e um valor inteiro no intervalo [0, N 1], ou seja, n = rN + (n)N em
que r e um inteiro.
De acordo com a definicao anterior
x[(n L)N ] = x(n L) (3.13)
em que x(n) e a sequencia periodica representada por X(k) e cujo primeiro perodo e
igual a x(n).
6HTXrQFLD 'HVORFDPHQWR&LUFXODU
2ULJLQDO
'HVORFDPHQWR/LQHDU
Figura 3.2: Deslocamento circular e deslocamento linear.
3.1.2 Representacao matricial

2
Fazendo wN = ej N , as equacoes (3.10) podem ser escritas na seguinte notacao matricial,

Analise, X = WN x;
(3.14)
1 H
Sntese, x = N WN X.
em que x = [x(0), x(1), ..., x(N 1)]T , X = [X(0), X(1), ..., X(N 1)]T e

1 1 1 ... 1 1
1 wN
(1)(1)
wN
(1)(2)
... wN
(1)(N 2)
wN
(1)(N 1)

(2)(1) (2)(2) (2)(N 2) (2)(N 1)
1 wN wN ... wN wN
WN = (3.15)
... ... ... ... ...
(N 2)(1) (N 2)(2) (N 2)(N 2) (N 2)(N 1)
1 wN wN ... wN wN
(N 1)(1) (N 1)(2) (N 1)(N 2) (N 1)(N 1)
1 wN wN ... wN wN
Exerccio 3.1.3. Prove que WN1 = WNH /N

Desta forma, em termos simbolicos a DFT pode ser calculada atraves de uma simples
operacao matricial. Note no entanto, que do ponto de vista computacional, a operacao
matricial pode ser muito exigente. O calculo de uma DFT de dimensao N envolve uma
matrix de N N e como a matrix W e complexa sao necessarias 4 multiplicacoes reais
e duas adicoes por cada multiplicacao complexa, isto e, 4N 2 multiplicacoes reais e 2N 2
adicoes no total. Portanto, o calculo da transformada por este meio tem uma complexi-
dade O(N 2 ), ou seja, cresce proporcionalmente com quadrado da dimensao do sinal. Por
exemplo, para N = 1024, sao necessarias 4194304 e 2097152 multiplicacoes e adicoes
respectivamente.
3.1.3 Propriedades da DFT

Sejam x = {x(0), x(1), ..., x(N 1) e y = {y(0), y(1), ..., y(N 1) duas sequencias de
dimensao N e X(k) e Y (k) as respectivas DFTs. As seguintes propriedades verificam-se:
1. Linearidade:
DF T [ax(n) + by(n)] = aX(k) + bY (k), k = 0, 1, ..., N 1
2. Simetria:
Se x(n) for uma sequencia real entao X(K) = X (N k),
DF T [x (n)] = X ((k)N )
DF T [x ((n)N )] = X (k)
3. Deslocamento circular:
kL
DF T [x((n L)N )] = wN X(K), k = 0, 1, ..., N 1
4. Convolucao circular:
N
DF T [x(n) y(n)] = X(k)YN (k), k = 0, 1, ..., N 1
1
DF T [x(n)y(n)] = N X(k) Y (k), k = 0, 1, ..., N 1.
5. Deslocamento na frequencia:
DF T [x(n)ej2M n/N ] = X[(k M )N ]
6. Multiplicacao no tempo:
1
N
DF T [x(n)y(n)] = N
X(k) Y (k)
7. Dualidade: DF T [X(n)] = N x((k)N )
8. Produto interno (Teorema de Parseval):
PN 1 1
PN 1
n=0 x (n)y(n) = N k=0 X (k)Y (k)
N
em que designa a operacao de convolucao circular.
Exerccio 3.1.4. Como foi referido a DFT corresponde a uma amostragem da Trans-
formada de Fourier em N pontos equi-espacados, wk = 2k N
, com k = 0, 1, 2, ..., N 1.
Considere um sinal x(n) de dimensao finita, N cuja transformada de Fourier, X(), e
de banda limitada, isto e, X() = 0 para || < c < na primeira replica. Relacione
o sinal y(n) = IDF TM (X(k )) com x(n), isto e, relacione o sinal obtido por inversao
da DFT de dimensao M com o sinal x(n). Note que esta operacao esta de certa forma
relacionada com a amostragem de sinais contnuos no domnio do tempo. Neste caso, no
entanto, a amostragem realiza-se no domnio da frequencia.
A propriedade 4 e base do processamento no domnio da frequencia. A operacao de
convolucao, que surge com frequencia em diversos problemas de processamento de sinal,
designadamente na filtragem digital, e computacionalmente pesada no domnio do tempo.
Consoante a dimensao dos sinais envolvidos, e muitas vezes prefervel obter a convolucao
de dois sinais atraves da multiplicacao das suas transformadas, como esta representado
na figura 3.3.
x(n) X(k)
Y(k) y(n)
h(n) H(k)
Figura 3.3: Filtragem no domnio da frequencia.
A operacao de convolucao linear de dois sinais, x(n) e h(n) de dimensao N e L re-

spectivamente da origem a um sinal y(n) de dimensao N + L 1, como se pode verificar
a partir da expressao da convolucao,
L1
X
y(n) = x(n) h(n) = h(i)x(n i), n = 0, ..., N + M 2. (3.16)
i=0
O sinal filtrado pode ser obtido atraves de
y(n) = IDF T [H(k)X(k)] (3.17)
Existem, no entanto dois factores a ter em conta: i) a multiplicacao das DFTs corre-
sponde a uma convolucao circular no domnio do tempo, e nao a uma convolucao linear
e ii) as duas sequencias podem nao ter a mesma dimensao.
Portanto as DFTs devem ser calculadas de forma a garantir que a convolucao circular
das duas sequencias e igual a sua convolucao linear. Para isso, e necessario que a dimensao
da DFT seja pelo menos igual ao comprimento do sinal filtrado, isto e, M N + L 1.
Por outro lado, as DFTs dos dois sinais a filtrar, X(k), H(k) devem ter a mesma dimensao
M , apesar do comprimento das respectivas sequencias ser de menor dimensao. Portanto,
antes de calcular X(k) e H(k) os sinais x(n) e h(n) devem ser aumentados com zeros ate
atingirem dimensao M N + L 1, isto e,
xM (n) = [x(0), x(1), ..., x(N 1), 0, 0, ..., 0 ] (3.18)

| {z }
M N zeros
hM (n) = [h(0), h(1), ..., h(L 1), 0, 0, ..., 0 ] (3.19)
| {z }
M L zeros
e portanto o sinal filtrado deve ser calculado como se segue,
y(n) = h(n) x(n) = IDF TM {DF TM [xM (n)]DF TM [hM (k)]} (3.20)
em que DF TM e IDF TM designam a DFT e a sua inversa de comprimento M respec-

tivamente. xM (n) e hM (n) designam os sinais x(n) e h(n) extendidos com zeros, de
comprimento M , respectivamente.
Exerccio 3.1.5. Considere o sinal x(n) de dimensao N e o filtro de resposta impulsiva

h(n) de dimensao L << N . Calcule o valor de N a partir do qual e prefervel calcular o
sinal filtrado atraves da multiplicacao de ambas as DFTs, admitindo que as operacoes de
calculo das DFTs e das suas inversas IDFTs necessitam 4N log2 (N ) multiplicacoes reais.
3.1.4 Processamento de sequencias longas

A DFT e utilizada frequentemente em filtragem ou estimacao espectral de sinais de longa
duracao, por vezes de comprimento indefinido. Por exemplo, o processamento digital de
uma conversacao telefonica envolve sequencias discretas, amostradas ou nao, de grande
dimensao e de comprimento nao conhecido a partida.
No entanto, a DFT e por definicao utilizada para sequencias de comprimento finito
e de comprimento conhecido. Por outro lado, a DFT e calculada em bloco, isto e, o
seu calculo nao vai sendo disponibilizado ao mesmo ritmo a que a sequencia vai sendo
gerada. Portanto, processar sequencias de grande dimensao tem a grande desvantagem
de introduzir atraso no sinal processado. Por exemplo, a filtragem de uma conversacao
telefonica amostrada a 4kHz usando uma DFT de comprimento 4000, introduz um atraso
perceptvel de pelo menos 1 segundo na conversacao, o que nao e desejavel.
Portanto, e necessario frequentemente, ter de partir um sinal em trocos mais pe-
quenos que possam ser processados independente. Esta operacao levanta duas dificul-
dades: i)como e que se parte o sinal e ii)como e que se juntam os bocados processados.
Seguidamente iremos analisar a solucao destas duas dificuldades.
Particao de sequencias
Consideremos o sinal x(n) de longa duracao, M . Pretende-se processar este sinal em
blocos de menor dimensao N < M . A transformada de Fourier de x(n) e
N
X 1
X() = x(n)ejn (3.21)
n=0
O sinal x(n) pode ser decomposto em blocos mais pequenos de dimensao N < M
tal que rN = M em que r e um inteiro. Entao, cada bloco, xi (n) = x(iN + n), com
0 n N e 0 i r 1 pode ser obtido atraves da seguinte operacao,
xi (n) = wi (n)x(n) (3.22)
em que

1, iN n < (i + 1)N ;
wi (n) = (3.23)
0, caso contrario.
e uma janela rectangular.

A janela rectangular de dimensao N , wi (n), elimina todos os valores de x(n) excepto
aqueles que se situam dentro do bloco que se pretende processar, e portanto, a transfor-
mada de Fourier de cada bloco e
Xi () = Wi () X() (3.24)
Suponhamos, por exemplo, que x(n) e um sinal periodico de perodo N . Entao,

X() = Xi () se cada bloco coincidir exactamente com cada perodo. No entanto, se
os blocos nao coincidirem com o perodo do sinal X() 6= Xi (), o que significa que a
transformada de Fourier calculada por blocos nem sempre coincide com a transformada de
Fourier do sinal completo. Por outro lado, o efeito da janela (por exemplo a rectangular)
e o de filtrar passa-baixo o espectro X() e portanto, o de reduzir a resolucao espectral
do sinal x(n).
Consideremos janelas rectangulares de dimensao N , cuja transformada de Fourier,
representada na figura 3.4, e
N
X 1
W () = ejn (3.25)
n=0
A transformada de Fourier de cada bloco resulta da convolucao com W () cujo lobo

principal tem largura igual a 4/N . Isto significa que quanto menor for a largura da janela,
maior e a largura do lobo principal da sua transformada, e portanto, maior a distorcao
/2 0 2/N /2
Figura 3.4: Transformada de Fourier da janela rectangular de comprimento N = 10
Nome M(dB)
Rectangular 4/N 13
Bartlett 8/N 27
Blackman 16/N 58
Hamming 8/N 43
Tabela 3.1: Caractersticas de algumas janelas frequentemente utilizadas. Segunda coluna:

largura do lobo principal e Terceira coluna: magnitude do maior lobo secundario em dB.
introduzida em W (), principalmente quando X() varia abruptamente. Idealmente,

W () deveria ser um Dirac para que Xi () = () X() = X() e isto so acontece
quando N , quando a janela engloba todo o sinal x(n).
Outro factor importante no alisamento de Xi () sao os lobos secundarios de W (),
que podem atenuar significativamente harmonicas de pequena amplitude existentes em
X().
Assim, os dois parametros que se utilizam normalmente para caracterizar uma dada
janela sao i) a largura do lobo principal, e a ii) amplitude do maior lobo secundario
(que e normalmente o primeiro).
Janelas diferentes da rectangular sao frequentemente utilizadas pois apresentam difer-
entes caractersticas espectrais, designadamente relativamente ao lobo principal e a mag-
nitude dos lobos secundarios. A figura 3.5 mostra diferentes janelas e as magnitudes das
respectivas transformadas de Fourier. A tabela 3.1 mostra os valores dos lobos principais e
a magnitude do modulo do maior lobo secundario para quatro das janelas mais utilizadas.
Rectangular
0
1 25
50
75
0 100
1 4 8 12 16 0 /2 3/2 2
Bartlett
0
1 25
50
75
0 100
1 4 8 12 16 0 /2 3/2 2
Blackman
0
1 25
50
75
0 100
1 4 8 12 16 0 /2 3/2 2
Hamming
0
1 25
50
75
0 100
1 4 8 12 16 0 /2 3/2 2
Figura 3.5: Sinais w(n) e magnitudes (dB) das respectivas transformadas de Fourier,
|W ()| de algumas das janelas mais utilizadas.
Processamento por blocos

O processamento de sequencias muito longas nao e, em geral, possvel de realizar de uma
so vez, isto e, atraves do calculo de uma unica DFT. Assim, ha a necessidade de processar
o sinal por blocos e seguidamente juntar os resultados do processamento dos diferentes
blocos.
Para compreender os metodos normalmente utilizados para fazer o processamento
por blocos e necessario ter em conta o seguinte facto: a convolucao de duas sequencias, a
primeira x(n) de dimensao P e a segunda, h(n) de dimensao L, da origem a uma sequencia
y(n) = x(n) h(n) de dimensao P + L 1.
Os dois metodos normalmente utilizados para convoluir sequencias longas com sequencias
mais pequenas, normalmente a resposta impulsivas de filtros, partem a sequencia longa,
x(n), em blocos de dimensao N e designam-se Overlap-add e Overlap-save,
X
y(n) = h(n) xi (n) (3.26)
i
Consideremos os detalhes da sua implementacao.

1. Sobreposicao e soma (Overlap-add) Neste metodo a convolucao dos dois sinais

h(n) e xi (n) e realizada utilizando DFTs de dimensao M > N + L 1. A sequencia
processada, yi (n) = IDF T (H(k)Xi (k)) tem portanto dimensao N + L 1. Este
facto levanta a dificuldade do resultado ter dimensao superior ao bloco original
que lhe deu origem, xi (n). Portanto se estivermos a processar um sinal de audio
de dimensao indeterminada, o ritmo de sada teria de ser superior ao da entrada
para acomodar este aumento na dimensao da sequencia processada. No entanto, a
R
x(n) N N N N
N L-1
N L-1
N L-1
N L-1
y (n) N L-1 N L-1 N L-1 N L-1
R+L-1
Figura 3.6: Metodo de overlap-add.
operacao de convolucao e linear. Assim, neste metodo, de yi (n) = h(n)xi (n) apenas
se disponibilizam N amostras. As L 1 restantes sao adicionadas ao resultado do
processamento do bloco seguinte tal como esta representado na figura 3.6.
2. Sobreposicao e armazenamento (Overlap-save) Neste metodo utiliza-se uma DFT

de dimensao igual a dimensao do bloco dos dados, N . Neste caso, o resultado da
convolucao circular nao e igual a convolucao linear que se pretende realizar, pelo
menos em parte do sinal processado. De facto, como o comprimento da convolucao
linear das duas sequencias e N + L 1 e a DFT utilizada e de dimensao N , as L 1
primeiras amostras da convolucao circular sao diferentes das que se obteriam com a
convolucao linear. Assim, apenas se aproveitam as ultimas N L + 1 amostras da
convolucao circular e substituem-se as L 1 primeiras pelas ultimas L 1 amostras
calculadas no bloco anterior, tal como esta representado na Fig.3.7. Note que para
se conseguir este efeito e necessario sobrepor parcialmente blocos consecutivos, isto
e, as ultimas L 1 amostras de um bloco sao as mesmas que as L 1 do bloco
seguinte.
x(n)
x1 (n) 0 N
0 x2 ( n ) N
y1 (n) N x3 (n) N
y 2 ( n) N x4 ( n ) N
y3 ( n ) N
y4 (n) N
y (n) N-L+1 N-L+1 N-L+1 N-L+1 N-L+1
Figura 3.7: Metodo de overlap-save.
3.1.5 FFT
Existe uma classe de algoritmos, designados FFT (Fast Fourier Transform), que
tem uma complexidade computacional O(N log2 (N )). Para N = 1024, o numero de
multiplicacoes reais e de 4N log2 (N ) = 40960, o que representa um ganho de G =
4N 2 /(4N log2 (N )) = N/ log2 (N ) = N/ log2 (N ) = 102.4. Este ganho aumenta quando
N aumenta. Por exemplo, para N = 4096 o ganho computacional ja e G = 341.3.
O aumento da eficiencia computacional, nesta classe de algoritmos, e conseguido a

custa da reducao da redundancia de calculos que esta implcita na definicao da DFT.
800
700
600
500
400
G
300
200
100
0
0 2000 4000 6000 8000 10000
N
Figura 3.8: Ganho computational da FFT em comparacao com o calculo directo da matriz
W em funcao do tamanho da sequencia N .
Consideremos a expressao de calculo da DFT de dimensao N ,

N
X 1
XN (k) = x(n)WNnk
n=0
N/21 N/21
X X (2m+1)k
= x(2m)WN2mk + x(2m + 1)WN
m=0 m=0
N/21 N/21
X X
= x(2m)WN2mk + WNk x(2m + 1)WN2mk
m=0 m=0
em que as amostras de ndice par e mpar sao processadas separadamente. Considerando

que WN2 = ej2/(N/2)=WN/2 tem-se
XN (k) = YN/2 + WNk ZN/2 (3.27)
em que YN/2 e ZN/2 sao as DFTs de ordem N/2 das amostras de ordem par e mpar
respectivamente.
A complexidade computacional do calculo da DFT de dimensao N atraves da definicao
e de N 2 . No entanto, a complexidade computacional usando (3.27) e de [2(N/2)2 + N ] =
[(N 2 )/2 + N ], a que corresponde a um ganho computacional de G = N 2 / [(N 2 )/2 + N ] =
2N/(N + 2) > 1 para qualquer N > 2. Quando N = 2r e possvel continuar este proced-
imento sobre as DFTs resultantes da decomposicao, isto e, decompondo cada uma das
DFTs de dimensao N/2 em duas DFTs de dimensao N/4 e assim por diante ate atingir
DFTs de dimensao 2. E desta forma que a FFT consegue atingir uma complexidade
computacional N log2 (N ).
Consideremos, a ttulo de exemplo, a DFT de dimensao 8, representada figura 3.9. A
unidade basica de calculo deste grafo e a borboleta que esta representada na figura 3.10.
A borboleta apenas envolve somas e subtraccoes o que significa que as multiplicacoes
complexas, na FFT de dimensao 8, apenas surgem nos ramos afectados pelos coeficientes
i
wM , com i 6= 0, isto e, este esquema de calculo apenas envolve 5 multiplicacoes complexas,
enquanto que pela definicao seriam necessarias 49. Como se pode ver na figura 3.9 a
eliminacao da redundancia de calculos corresponde a existencia de varios ramos a sair
de um mesmo no, o que significa que o resultado de um unico calculo e utilizado em
diferentes partes do grafo. Deste ponto de vista, a FFT e optima, pois realiza apenas o
numero mnimo de calculos necessarios.
A sequencia x(n) nao e aplicada directamente a entrada da DFT como se pode verificar
na figura 3.9. A ordenacao apropriada designa-se bit reverse. Esta ordenacao obtem-se
representando os indices em binario e invertendo a ordenacao dos respectivos bits. Para o
caso presente, DFT de dimensao 8, o esquema de ordenacao esta representado na tabela
3.1.5.
3.2. DCT 67
DFT4 DFT8
x ( 0) X 8 ( 0)
DFT2
x(4) X 8 (1)
w40
x(2) X 8 (2)
DFT2 w14
x ( 6) X 8 (3)
w80
x(1) X 8 (4)
DFT2 w81
x(5) X 8 (5)
x(3)
w40 w82
X 8 (6)
x (7 )
DFT2 w14 w83
X 8 ( 7)
DFT4
Figura 3.9: FFT de dimensao 8.
0 000 000 0
1 001 100 4
2 010 010 2
3 011 110 6
4 100 001 1
5 101 101 5
6 110 011 3
7 111 111 7
3.2 DCT
De acordo com a relacao de Parseval,
N
X 1 N 1
1 X
|x(n)|2 = |X(k)|2 (3.28)
n=0
N n=0
a energia de uma sequencia de comprimento finito e distribuda de forma desigual pelos

coeficientes da DFT. Para uma grande classe sinais, a energia do sinal tende a concentrar-
se nos coeficientes de mais baixa frequencia e este facto pode ser utilizado nos algoritmos
de compressao. Por exemplo, um sinal pode ser representado apenas por uma pequena
parte dos coeficientes da DFT, aos quais esta associada a maior parte da energia do sinal,
sendo os restantes descartados. A utilizacao dos coeficientes da DFT apresenta no entanto
uma dificuldade.
Como foi referido na seccao anterior, a DFT de uma sequencia de comprimento finito,
x(n), e na verdade o conjunto dos coeficientes do desenvolvimento em serie de Fourier do
x x+ y
y x y
DFT2
Figura 3.10: Borboleta - FFT de dimensao 2.
sinal periodico x(n) cujo perodo e igual a x(n). Assim, quando x(n) a direita e diferente
de x(n) a esquerda, o correspondente sinal periodico apresenta uma descontinuidade nas
transicoes, como se pode observar na figura 3.11.
~
x (n)
x (n )
Figura 3.11: Sinal x(n) e a correspondente sequencia periodica x(n)
Estas descontinuidades traduzem-se, na DFT, pelo aparecimento de valores de ele-

vada magnitude nos coeficientes de alta frequencia. Assim, neste caso, a eliminacao dos
coeficientes de alta frequencia para efeitos de compressao nao e um procedimento viavel.
~
z (n)
x (n )
Figura 3.12: Sinal x(n) e a correspondente sequencia periodica extendida z(n)
Para ultrapassar esta dificuldade, utiliza-se a DCT. Nesta transformada, constroi-se

um sinal z(n), a partir do sinal x(n) sem descontinuidades, tal como esta representado na
figura 3.12. A diferentes formas como se podem construir sequencias simetricas a partir
de x(n) dao origem a diferentes tipos de transformada DCT, designadas, DCTI, DCTII,
DCTIII e DCTIV (ver figura 3.13).
3.2. DCT 69
x(t ) DCT-I DCT-II

4 4
3 3
2 2
1 1
0 0
0 5 10 15 0 5 10 15 20
DCT-III DCT-IV
4 4
2 2
0 0
-2 -2
-4 -4
0 5 10 15 20 0 5 10 15 20
Figura 3.13: Varias extensoes associadas aos 4 tipos diferentes de DCTs. A DCTII e a
mais utilizada.
As equacoes de analise e sntese da DCT mais utilizada, a DCTII sao

X II (k) = DCT II [x(n)] =
N
X 1
p k(2n + 1)
= 2/N C(k) x(n) cos (3.29)
N
n=0
x(n) = IDCT II X II (k) =
N
X 1
p II k(2n + 1)
= 2/N C(k)X (k) cos (3.30)
k=0
N

1, k 6= 0;
C(k) =
1/ 2, k = 0.
k, n = 0, 1, ..., N 1.
A figura 3.14 mostra um sinal de dimensao finita com N = 64 e as magnitudes das
transformadas de Fourier e do co-seno. Neste exemplo, verifica-se que a magnitude dos
coeficientes da DCT decresce mais rapidamente com a frequencia do que os coeficientes da
DFT, ou seja, a DCT concentrou mais energia do sinal x(n) nos primeiros coeficientes do
que a DFT. Esta propriedade e utilizada pelos algoritmos de compressao. Tipicamente, a
representacao de um dado sinal utiliza apenas uma parte dos coeficientes que representam
a maior parte da energia do sinal nao comprimido.
Exerccio 3.2.1. Verifique que as funcoes de base

k(2n + 1)
k (n) = cos , n = 0, 1, ..., N 1. (3.31)
N
[Q
1
0.8
0.6
0.4
0.2
0
0 10 20 30 40 50 60
1
|DFT|
0.8 |DCT|
0.6
0.4
0.2
0
0 20 40 60 80 100 120
Figura 3.14: Comparacao da magnitude da fft e da dct para o mesmo sinal x(n).
sao ortogonais.
Exerccio 3.2.2. Deduza as equacoes de sntese e analise das quatro formas da DCT, I,
II, III e IV.
3.2.1 Processamento multi-ritmo

A alteracao do ritmo de amostragem de um sinal e um procedimento frequente em varios
contextos em processamento digital de sinais.
Por exemplo, e possvel, apenas no domnio discreto, alterar o ritmo de amostragem
que foi utilizado para obter um dado sinal discreto sem ter que reverter o processo, isto
e, sem ter de obter novamente o sinal analogico original.
No caso da analise multi escala (wavelets)[11], codificacao multi-banda (sub band
coding )[12] ou no desenho de bancos de filtros (filter banks)[1] a alteracao do ritmo de
amostragem de um sinal discreto e uma questao central.
As duas operacoes basicas envolvidas no processamento multi-ritmo sao a diminuicao
do ritmo (dowsampling ) e o aumento do ritmo (upsampling ). A estas duas
operacoes estao associadas as seguintes operacoes matematicas:
1. decimacao - reducao do numero de amostras. Nesta englobam-se todos os proced-

imentos envolvidos na reducao do numero de amostras, designadamente, operacoes
de filtragem de forma a reduzir a distorcao do sinal resultante.
2. interpolacao - aumento do numero de amostras. Nesta operacao sao criadas novas

3.2. DCT 71
amostras entre as existentes. Quantas amostras e qual o seu valor e a questao

principal que se levanta.
Amostragem de sequencias discretas

Consideremos o procedimento de seleccao de amostras num processo de amostragem de
sequencias discretas. Seja

1, se n/D e inteiro;
D (n) = (3.32)
0, caso contrario.
e seja
xa (n) = D (n)x(n) (3.33)
a sequencia cujas amostras a descartar sao colocadas a zero. A transformada Z de xa (n)

e
X X
Xa (z) = xa (n)z n = xa (mD)z mD = X(z D ). (3.34)
n m
Pretende-se relacionar as transformadas de Fourier de X() e de Xa (). A funcao D (n)

pode ser expressa da seguinte forma
D1
1 X j 2 kn
D (n) = e D (3.35)
D k=0
ou seja, D (n) e uma soma de D exponenciais complexas de frequencias k = 2 D

k. Por-
tanto, o produto xa (n) = D (n)x(n) expressa-se na frequencia como a convolucao de X()
com D Diracs nas frequencias k , isto e
D1
1 X
Xa () = X( 2k/D) (3.36)
D k=0
Do exposto, verifica-se que a amostragem de uma sequencia discreta e um processo

semelhante ao processo de amostragem de sinais analogicos. Nesse caso, o espectro dos
sinais discretos resultantes sao constitudos por replicas do espectro original analogico em
frequencias multiplas da frequencia de amostragem. No caso da amostragem de sequencias
discretas tambem surgem replicas do espectro original em D frequencias multiplas de
0 = 2/D. Note, que estas replicas continuam a ser funcoes contnuas definidas para
todo o eixo real e de perodo 2.
X ( )
-2 2
Y ( )
-2 2
Figura 3.15: Espectro do sinal original, x(n) e do correspondente sinal depois de reduzido
o ritmo de amostragem para metade (D = 2).
Reducao do ritmo e amostragem - Downsampling

A reducao do ritmo de amostragem atraves da supressao de algumas amostras do sinal
original expressa-se da seguinte forma
y(n) = x(nD) (3.37)
e portanto
Y (z) = ... + y(0) + y(1) z 1 + ... + y(n) z n + ... = Xa (z 1/D )
|{z} |{z} |{z}
v(0) v(D) v(nD)
D1
X
1
Y () = Xa (z 1/D )|z=ej = X(/D 2k/D) (3.38)
D k=0
ou seja, O espectro do sinal resultante e obtido do espectro original por expansao do

eixo das frequencias de um factor D e simultaneamente, pela sobreposicao de D destes
espectros expandidos, como se pode observar na figura 3.15 para o caso D = 2. Tal como
acontece no caso da amostragem de sinais analogicos, tambem aqui se pode dar o efeito de
sobreposicao de espectros (aliasing) se a frequencia maxima do sinal discreto original for
c > /D. Note-se que os efeitos deste processo de reducao do ritmo de amostragem nao
se distinguem dos efeitos obtidos se essa reducao tivesse sido feita sobre o sinal analogico,
pois os dois processos sao equivalentes.
Para evitar a sobreposicao de espectros o sinal original deve ser filtrado com um filtro
passa baixo discreto de frequencia de corte c = /D. O processo constitudo por estas
duas operacoes; i) filtragem passa baixo seguida de ii) eliminacao de amostras, designa-se
decimacao (ver figura 3.16).
Aumento do ritmo de amostragem - Upsampling

A primeira fase no processo de aumento do ritmos de amostragem de uma sequencia
discreta de um factor L, consiste na introducao de L 1 zeros por cada amostra da
3.2. DCT 73
X ( ) Y ( )

D D D D
x(n) D y (n)
D
Filtro Passa Baixo
Figura 3.16: Decimacao.
sequencia original. Portanto, a transformada Z do sinal resultante e,

X X
Y (z) = y(nL) z nL = x(n)z nL = X(z L )
| {z }
n n
x(n)
Y () = X(L) (3.39)
Contrariamente ao caso anterior, no processo de aumento do ritmo de amostragem, o

eixo das frequencias e comprimido por um factor L e portanto, neste caso, nao ha problema
com a sobreposicao de espectros. No entanto, podem aparecer replicas comprimidas do
sinal original no intervalo [0, 2]. Estas replicas aparecem como artefactos espectrais nao
desejaveis e devem ser eliminadas depois de introduzidos os zeros. Para isso, filtra-se o
sinal aumentado com um filtro passa baixo de frequencia de corte c = /L. O processo
constitudo por estes dois procedimentos; i) introducao de zeros na sequencia original e
ii) filtragem passa baixo designa-se interpolacao (ver figura 3.17).
Alteracao do ritmo de amostragem de um factor racional nao inteiro.
A alteracao do ritmo de amostragem por um factor R = L/D, racional nao inteiro, pode
ser obtido atraves da realizacao do aumento do ritmo de um factor L seguido de uma
diminuicao de um factor D. Para evitar sobreposicao de espectros a primeira operacao
deve ser a do aumento do ritmo seguida da correspondente filtragem. Quando os dois
processos sao aplicados em serie nao e necessario realizar duas filtragens, basta utilizar
apenas um filtro passa baixo de frequencia de corte c = min{/D, /L}, (ver figura
3.18)
X ( ) Y ( )

L L L L
x(n) L y (n)
L
Filtro Passa Baixo
Figura 3.17: Interpolacao.
x(n) L D y (n)
C
Filtro Passa Baixo
Figura 3.18: Alteracao do ritmo de amostragem de um factor racional nao inteiro.
Decomposicao polifasica de filtros lineares

A filtragem e processamento multi-ritmo de sequencias discretas faz-se com recurso a
processamento numerico, isto e, a processadores. Faz portanto sentido desenvolver pro-
cedimentos que minimizem o peso computacional de um dado algoritmo, no sentido de
o conseguir realizar com o menor numero possvel de operacoes. Consideremos, por ex-
emplo, o caso da decimacao. Neste caso, o sinal e primeiro filtrado com um filtro passa
baixo anti-aliasing e seguidamente sao eliminadas as amostras, isto e,
y(n) = TD (x(n) h(n)) (3.40)
em que TD () representa a operacao de reducao do ritmo de amostragem de um factor D.

Neste caso, em cada D amostras produzidas a sada do filtro D 1 sao deitadas fora.
No caso da interpolacao o problema tambem se coloca, pois sao introduzidas L amostras
nulas por cada amostra do sinal original e depois filtram-se todas, inclusive aquelas que
sao nulas. Estes dois procedimentos apresentam desperdcio computacional, ja que, no
primeiro caso, foi necessario esforco computacional para produzir as amostras que sao
descartadas e no segundo caso sao filtradas amostras que se sabe a partida serem zero.
Este problema e resolvido atraves da decomposicao polifasica dos filtros.
Nos casos descritos anteriormente seria prefervel trocar a ordem das operacoes, isto e,
3.2. DCT 75
na decimacao, remover as amostras e seguidamente filtrar e no caso da interpolacao filtrar

e so depois introduzir novas amostras. Nesse caso, o numero de operacoes realizadas pelos
filtros seria menor.
Infelizmente as operacoes de mudanca de ritmo e de filtragem nao sao sempre per-
mutaveis, apenas em casos especiais. Apenas quando o filtro tiver a seguinte forma
X
H(z) = g(n)z nM (3.41)
em que M e o factor de aumento ou diminuicao do ritmo de amostragem. Neste caso as

seguintes igualdades verificam-se

TD H(z D )X(z)) = H(z)TD [X(z)]) (3.42)
H(z L )TL [X(z)] = TL [H(z)X(z)] (3.43)
e a permutacao entre a alteracao do ritmo de amostragem e a filtragem pode ser feita.

Qualquer filtro FIR ou IIR linear, H(z), pode ser decomposto das seguintes formas
M
X 1
H(z) = z k Hk (z M ) (3.44)
k=0
M
X 1
H(z) = z k Hk (z M ) (3.45)
k=0
P
em que Hk (z M ) = n h(nM k)z nM .
x(n) H (z ) D y (n)
x(n) D H 0 ( z) + y (n)
z 1
D H1 ( z ) +
z 1
D H D 1 ( z )
Figura 3.19: Reducao de ritmo de amostragem seguido de decomposicao polifasica do

filtro H(z).
Exerccio 3.2.3. Seja H(z) = 1 + 2z 1 + 3z 2 + 4z 3 + 5z 4 + 6z 5 e M = 2. H(z) pode

entao ser escrita como
(1 + 3z 2 + 5z 4 ) +z 1 (2 + 4z 2 + 6z 4 ) = H0 (z 2 ) + z 1 H1 (z 2 ) (3.46)
| {z } | {z }
H0 (z 2 ) H1 (z 2 )
Exerccio 3.2.4. O filtro anterior tambem pode ser decomposto da seguinte forma,
(1 + 3z 2 + 5z 4 ) +z (2z 2 + 4z 4 + 6z 6 ) = H0 (z 2 ) + z 1 H1 (z 2 ) (3.47)
| {z } | {z }
H0 (z 2 ) H1 (z 2 )
3.2.2 Bancos de filtros

A decomposicao de um sinal em diversas componentes, denominada analise ou a mistura
de varios sinais num unico sinal, denominada sntese, sao operacoes que surgem frequente-
mente em muitas aplicacoes de processamento de sinal. Uma classe importante de algorit-
mos que realizam a analise de sinais, fazem-no atraves de um conjunto de diferentes filtros,
chamado banco de filtros. Por outro lado, o conjunto de filtros que permite realizar a
sntese de um sinal a partir de varios sinais diferentes denomina-se trans-multiplexer.
Seja o seguinte problema: pretende-se decompor um sinal x(n) em M componentes

espectrais contidas em M bandas equi-espacadas e de igual comprimento, tal como se
mostra na figura 3.20.
H 0 ( ) H 1 ( ) H 2 ( ) H k ( ) H M 1 ( )
2 4 2 2
k ( M 1)
M M M M M
Figura 3.20: Banco de M filtros.
Os filtros que compoe o banco sao obtidos a partir de um filtro passa baixo nao ideal
e colocados a intervalos equi-espacados no eixo das frequencias,
2
Hk () = H( k) (3.48)
M
com k = 0, 1, ..., M 1. A transformada Z de cada filtro e dada por
k
Hk (z) = H(wM z) (3.49)
3.2. DCT 77
em que w = ej2/M .
No caso mais simples em que M = 2 tem-se
H0 () = H()
H1 () = H( ) (3.50)
em que H0 () e um filtro passa-baixo e H1 () e um filtro passa-alto.

Como veremos de seguida, a implementacao de um banco de filtros pode ser realizado
com a complexidade computacional de um unico filtro mais uma DFT de dimensao M .
Considerando a decomposicao polifasica do filtro prototipo,
M
X 1
H(z) = z r Er (z M ) (3.51)
r=0
cada filtro do banco pode ser escrito como

M
X 1 M
X 1
k r kr
Hk (z) = H(wM z) = z wM Er (z M kM
wM ) = z r wM
kr
Er (z M ), (3.52)
|{z}
r=0 =1 r=0
donde se conclui que todos os filtros tem a mesma decomposicao polifasica a menos de
kr
constantes multiplicativas wM . Portanto, o conjunto dos M filtros pode-se expressar como

H0 (z) 1 1 ... 1 E0 (z M )
H1 (z) 1 wM ... wMM 1
zE1 (z M )

.. = .. .. ... .. .. (3.53)
. . . . .
M 1 (M 1)2 M 1 M
HM 1 (z) 1 wM ... wM z EM +1 (z )
x(n) D E0 ( z ) y 0 ( n)
z 1
D E1 ( z ) y1 (n)
DFT
z 1
D E M +1 ( z ) y M 1 (n)
Figura 3.21: Banco de filtros usando uma DFT.

O filtro prototipo H(z) utilizado para construir o banco de filtro determina a forma
como a analise do sinal em diversas bandas e feito. Assim, intuitivamente, conclui-se que
o filtro H(z) deve ser tal que o conjunto das suas M replicas cubram todo o espectro para
nao haver perda de informacao, ou dito de outra forma, para que o sinal original possa
ser completamente recuperado a partir das M componentes.
Uma condicao suficiente para se obter um banco de filtros maximamente decimado,
isto e, sem perda de informacao e que a soma das sadas dos M filtros (antes da reducao
do ritmo de amostragem) seja igual ao sinal original, isto e,
M
X 1
x(n) = [hk (n) x(n)] (3.54)
i=0
ou equivalentemente, na frequencia
M
X 1
2
X() = H( k)X()
k=0
M
M
X 1
2
H( k) = 1 (3.55)
k=0
M
A propriedade anterior e equivalente a outras duas:
1. No domnio do tempo: h(nM ) = (1/M )(n).
2. Na decomposicao polifasica, H(z) = E0 (z M ) + z 1 E1 (z M ) + ... + z (M 1) E(z M ),

E0 (z M ) = 1/M .
3.3 Analise tempo-frequencia

3.4 Exerccios
Exerccio 3.4.1. Verifique a seguinte igualdade,
N 1
1 X j 2 kn 1, se k = mN ;
e N = (3.56)
N n=0 0, caso contrario.
Exerccio 3.4.2. Considere a seguinte sequencia periodica (onda quadrada) de perodo

N = 10, x(n) = ...1, 1, 1, 1, 1, 0, 0, 0, 0, 0, .... e o sistema descrito pela equacao: y(n) =
0.8y(n 1) + 0.2x(n).
1. Calcule a DFS do sinal periodico x(n).

3.4. EXERCICIOS 79
2. Qual e a sada e a respectiva DFS?
Exerccio 3.4.3. Considere o sistema linear de 1a ordem y(n) = ay(n 1 + x(n) com
a [0, 1[ e x(n) periodico de perodo N . Determine a resposta impulsiva do filtro FIR
com uma resposta forcada igual a do filtro apresentado.
Exerccio 3.4.4. Considere as seguintes sequencias periodicas de perodo N = 4,
x(n) = ...0, 2, 0, 1, ...

y(n) = ... 1, 0, 1, 0, ...
1. Determine os coeficientes da serie de Fourier discreta de ambas as sequencias.
2. Usando os coeficientes que calculou na alnea anterior, calcule a convolucao periodica

das sequencias.
3. Considere a sequencia z(n) = x(n) + y(n). Determine a sua convolucao com x(n).
Exerccio 3.4.5. Considere a sequencia w(n) = x(n) + y(n). Sabendo que x(n) tem
perodo N e que y(n) tem perodo M :
1. Mostre que w(n) tem perodo N M
2. Determine W (K) em funcao de X(k) e de Y (k).
Exerccio 3.4.6. Calcular a DFT das seguintes sequencias:
1. x(n) = (n).
2. x(n) = (n n0 ) para 0 n0 N .
3. x(n) = a(n) para 0 n N 1.
Exerccio 3.4.7. Dada a sequencia de duracao finita x(n) = {1, 2, 3} com 0 n 3,

desenhar x((n)4 ).
Exerccio 3.4.8. Pretende-se determinar o espectro de um sinal analogico usando uma

DFT de 1024 pontos. Se o sinal for amostrado a 10kHz, qual a resolucao que se obtem
em frequencia?
Exerccio 3.4.9. A DFT de uma sequencia de duracao finita corresponde a amostras

da sua transformada Z no circulo de raio unitario. Por exemplo, a DFT de ordem 10
da sequencia x(n) de comprimento 10, corresponde a 10 amostras de X(z) igualmente
espacadas. Pretende-se determinar a sequencia x1 (n) que tem como DFT as amostras de
2
X(z) em z = 0.5ej 10 k+ 10 .
Exerccio 3.4.10. Uma sequencia de duracao finita tem a seguinte DFT: X(k) = {4, 3, 2, 1, 0, 1, 2, 3,
para 0 k < 8. Determine os 16 pontos da DFT da sequencia y(n) obtida da seguinte
forma

x(n/2), n par;
y(n) = (3.57)
0, n mpar.
Exerccio 3.4.11. Considere a sequencia de duracao finita x(n) com x(n) = 0 para
n Z\[0, N 1]. Pretende-se determinar M amostras de X(z) igualmente espacadas
sobre o crculo de unitario com M < N . Uma das amostras esta em z = 1. Como obter
as M amostras de X(z) usando uma DFT de M pontos de uma sequencia de M pontos
obtida a partir de x(n)?
Exerccio3.4.12. Considere duas
sequencias de duracao finita x(n) e y(n), nulas para
x(n) = 0 n 8
n < 0 e . As DFTs de 20 pontos de ambas as sequencias sao
y(n) = 0 n 20
multiplicadas e e calculada a transformada inversa do resultado, r(n). Indique quais os
pontos de r(n) que correspondem a pontos que se obteriam pela convolucao linear de x(n)
com y(n).
Exerccio 3.4.13. Pretende-se realizar um filtro FIR de ordem 50 com a tecnica de
overlap-save: i) sobreposicao de V amostras nas seccoes de entrada, ii) das sadas de
cada seccao devem-se retirar M amostras que se devem juntar para obter a sada desejada,
filtrada. Assuma que os segmentos de entrada tem 100 amostras de comprimento e que
a DFT tem dimensao 128. Alem disso, assuma que a sequencia de sada da convolucao
circular e indexada do ponto 0 ao ponto 127.
1. Determine V.
2. Determine M.
3. Determine o ndice do incio e do fim dos M pontos extrados, ou seja, quais dos
128 pontos da convolucao circular deverao ser extrados para juntar aos resultados
da seccao anterior.
Exerccio 3.4.14. Usando a definicao, determine a DFT das seguintes sequencias (caso
nao existam diga a razao).
1. x(n) = 0.5n u(n)
2. x(n) = 0.5|n|
3. x(n) = 2n u(n)
4. x(n) = 0.5n u(n)

3.4. EXERCICIOS 81
5. x(n) = 2|n|
6. x(n) = 3(8)|n| cos(0.1n)
Exerccio 3.4.15. Calcule a DFT das seguintes sequencias:
1. x(n) = [1, 0, 1, 0]
2. x(n) = [j, 0, j, 1]
3. x(n) = [1, 1, 1, 1, 1, 1, 1, 1]
4. x(n) = cos(0.25n) para n = 0, ..., 7.
5. x(n) = 0.9n para n = 0, ..., 7.
Exerccio 3.4.16. Sejam X(k) = [1, j, 1, j] e H(k) = [0, 1, 1, 1] as DFTs de duas
sequencias x(n) e h(n) respectivamente. Usando as propriedades da DFT (sem calcular
explicitamente x(n) e y(n)) determine as DFTs das seguintes sequencias:
1. x((n 1)4 )
2. x((n + 3)4 )
3. y(n) = h(n) ~ x(n), em que ~ significa convolucao circular.
4. (1)n x(n)
5. j n x(n)
6. x((n)4 )
7. x((2 n)4 )
Exerccio 3.4.17. Duas sequencias finitas h(n) e x(n) tem as seguintes DFTs, X(k) =
DF T (x) = [1, 2, 1, 2] e H(k) = DF T (h) = [1, j, 1, j]. Seja y(n) uma sequencia
de dimensao 4, obtida atraves da convolucao circular de h(n) com x(n), i.e., y(n) =
h(n) ~ x(n). Sem calcular explicitamente h(n) e x(n),
1. determine DF T (x((n 1)4 )) e DF T (h((n + 2)4 )) onde os deslocamentos sao circu-
lares.
2. determine os valores y(0) e y(1).
Exerccio 3.4.18. Seja X(k) a DFT de x(n) e sejam as seguintes sequencias:
s(n) = [x(0), ..., x(N 1), x(0), ..., x(N 1)] (3.58)
y(n) = [x(0), ..., x(N 1), 0, ..., 0]. (3.59)
| {z }
N zeros
1. Mostre que S(2k) = Y (2k) = X(k), para k = 0, ..., N 1.
2. Mostre que S(2k + 1) = 0, para k = 0, ..., N 1.
3. Se y(n) = s(n)w(n), com w(n) = [1, ..., 1, 0, ..., 0], determine uma expressao (formula
| {z } | {z }
N N
de interpolacao) para Y (2k + 1).
Exerccio 3.4.19. Um problema que existe em muitos pacotes de calculo cientfico (como
o MatLab, p.ex.) e o facto de apenas se ter acesso a ndices positivos. Suponha que
4 , 5, 6, 7], e o algo-
quer determinar a DFT da seguinte sequencia: x(n) = [0, 1, 2, 3, |{z}
x(0)
ritmo apenas lhe permite calcular a DFT de [x(0), x(1), ..., x(N 1)]. Como resolveria o
problema?
Exerccio 3.4.20. Seja X(k) = DF T (x(n)) com n, k = 0, ..., N 1. Determine a relacao
entre X(k) e as seguintes DFTs,
1. DF T (x (n))
2. DF T (x((n)N ))
3. DF T (Re(x(n)))
4. DF T (Im(x(n)))
5. Aplique os resultados anteriores a sequencia x(n) tal que DF T (x(n)) = [1, 2, 3, 4, 5, 6, 7, 8].
Exerccio 3.4.21. Seja X(k) = DF T (x(n)) com n, k = 0, ..., N 1. Determine a relacao
entre X(k) e as seguintes DFTs,
1. IDF T (X (k))
2. IDF T (X((k)N ))
3. IDF T (Re(X(k)))
4. IDF T (Im(X(k)))
5. Aplique os resultados anteriores a sequencia X(k) em que IDF T (X(k)) = [1, 2j, 2j, 0, 1, j, j].
Exerccio 3.4.22. Seja x(n) uma sequencia periodica cujo perodo e [1, 2, |{z}
3 456].
x(0)
Esta sequencia e a entrada de um sistema linear e invariante no tempo cuja resposta
impulsiva e h(n) = 0.8|n| . Determine um perodo da sequencia da sada y(n).
Exerccio 3.4.23. Considere uma DFT de 9 pontos.
3.4. EXERCICIOS 83
1. Desenhe o diagrama de fluxo com decimacao no tempo usando uma decomposicao

3 3.
2. Quantas multiplicacoes complexas por potencias de ej2/N sao necessarias?
3. E possvel realizar todos os calculos usando apenas um vector (in place)?
Exerccio 3.4.24. O calculo da DFT exige geralmente a realizacao de produtos de numeros

complexos. Considere o produto, (a + jb)(c + jd) = (ac bd) + j(bc + ad). Nesta forma
a multiplicacao complexa requer 4 multiplicacoes e 2 somas reais. Verifique que a mul-
tiplicacao complexa pode tambem ser efectuada com 3 multiplicacoes e 5 somas reais:
[(a b)d + (c d)a] + j[(a b)d + (c + d)b].
Exerccio 3.4.25. Considere as seguintes sequencias de comprimento 8:
x(n) = [3, 0, 2, 0, 1, 0, 2, 0]
y(n) = [2, 0, 1, 0, 2, 0, 1, 0]. (3.60)
Resolva as alneas seguintes usando o menor numero de operacoes possvel.
1. Determine a DFT de x(n) usando o algoritmo FFT.
2. Determine a DFT de y(n) usando o algoritmo FFT.
3. Determine a sequencia z(n) resultante da convolucao circular de ordem 8 de x(n)

com y(n).
Exerccio 3.4.26. Construa o grafico de fluxo do algoritmo FFT de base 2 com 16 pontos
e decimacao no tempo. Indique os factores multiplicativos diferentes de 1. Indique as
amostras das sequencias de entrada e de sada. Determine o numero de multiplicacoes e
somas reais necessarias.
Exerccio 3.4.27. Considere a sequencia complexa x(n) de comprimento N que satisfaz

a seguinte condicao de simetria: x(n) = x(((n N/2))N ) com 0 n N 1 em que N
e par.
1. Mostre que a DFT de X(k) = 0 quando k e par.
2. Indique como calcular os termos impares da DFT de x(n) usando apenas uma DFT
de N/2 pontos com alguns calculos adicionais.
Exerccio 3.4.28. Considere uma sequencia x(n) de comprimento N cuja DFT e X(k)
com k [0, N 1]. O algoritmo seguinte calcula as amostras pares da DFT, para N par,
usando uma unica DFT de N/2 pontos.

x(n) + x(n + N/2), 0 n N/2 1;
Crie a sequencia y(n) =
0, caso contrario.
Calcule a DFT de N/2 pontos de y(n), Y (k) com k [0, N/2 1].
As amostras pares de X(k) sao X(k) = Y (k/2) para k [0, N 1].
1. Mostre que o algoritmo apresentado produz os resultados pretendidos.
2. Considere agora que a sequencia y(n) e criada a partir de x(n) por:
P
y(n) = r= x(n + rM ), 0 n M 1; (3.61)
0, caso contrario.
Determine a relacao entre a DFT de M pontos Y (k) e a transformada de Fourier
de x(n). Mostre que a alnea anterior e um caso particular desta.
3. Desenvolva um algoritmo semelhante ao exposto para calcular as amostras mpares
de X(k) usando apenas uma DFT de N/2 pontos.
Exerccio 3.4.29. Considere as sequencias x(n) de comprimento L e h(n) de com-
primento P. Pretende-se calcular a convolucao linear destas duas sequencias, y(n) =
x(n) h(n).
1. Qual e o comprimento de y(n)?
2. Quantas multiplicacoes reais sao necessarias para calcular directamente y(n)?
3. Defina um procedimento para usar uma DFT na determinacao das amostras de y(n).
Determine a menor dimensao das transformadas directa e inversa em termos de L
e P.
4. Assuma que L = P = N/2 em que N e uma potencia de 2 e e a dimensao da DFT.
Determine uma expressao para o numero de multiplicacoes reais necessarias para
calcular y(n) usando o metodo da alnea anterior com FFT de base 2. Com base
nessa expressao qual o menor valor de N para o qual o metodo da FFT requer menos
multiplicacoes reais que o calculo directo da convolucao.
Exerccio 3.4.30. A entrada e a sada de um sistema linear e invariante no tempo
satisfazem a seguinte equacao as diferencas:
N
X M
X
y(n) = ak y(n k) + bk x(n k) (3.62)
k=1 k=0
Suponha de que dispoe de um programa para calcular DFTs de sequencias de comprimento

N = 2v . Descreva um procedimento que utilize esse programa e que permita calcular:
2
H(ej 512 k ) para k [0, 511].
Captulo 4
Processos estocasticos
4.1 Estatsticas de primeira e segunda ordem

4.2 Processos estocasticos
4.3 Transformada de Karhunen-Loeve
4.4 SVD/PCA
4.5 ICA
85
86 CAPITULO 4. PROCESSOS ESTOCASTICOS
Captulo 5
Estimacao
5.1 Modelo de geracao de dados

5.2 Estimacao de maxima verosimilhanca
5.3 Estimacao Bayesiana
5.4 Filtragem de Wiener
5.5 Filtragem adaptativa
5.5.1 LMS
5.5.2 RMS
87
88 CAPITULO 5. ESTIMACAO
Bibliografia
[1] Roberto Cristi, Modern Digital Signal Processing, Thomson, 2004, ISBN 0-534-
40095-7
[2] Moon Todd K and Stirling Wynn C., Mathematical Methods and Algorithms for
Signal Processing, Prentice Hall, 2000, ISBN 0-201-36186-8.
[3] Alan V. Oppenheim and Ronald W. Schafer, Discrete-Time Signal Processing, Pren-
tice Hall.
[4] Curtis R. Vogel, Computational Methods for Inverse Problems, Frontiers in applied
mathematics, SIAM, 2002 (ISBN: 0-89871-507-5).
[5] Michael E. Wall, Andreas Rechtsteiner, Luis M. Rocha Modeling,
Singular value decomposition and principal componentanalysis, 2003
(http://public.lanl.gov/mewall/kluwer2002.html)
[6] T. Lehmann, C. Spitzer, Survey:Interpolation Methods in Medical Image Processing,
IEEE Trans. on Medical Imaging, vol.18, no.11, November 1999.
[7] A. Jonas, N. Kiryati, Digital Representation Schemes for 3D Curves, Pattern Recog-
nition, 1803-1816, 1997.
[8] Gerald Farin, Curves and Surfaces for Computer Aided Geometric Design, A pratical
Guide, Academic Press, Inc, 1990.
[9] Jieqing Feng, Tomoyuki Nishita, Xiaogang Jin,Qunsheng Peng, B-spline free-form,
deformation of polygonal object as trimmed Bezier surfaces, Visual Computer, 2002.
[10] Michael Unser, B-Spline Signal Processing: Part I - Theory, IEEE Trans. on Signal
Processing, vol.41, no.2, February 1993.
[11] Mallat, S., A Wavelet Tour of Signal Processing. San Diego, CA: Academic Press,
1998.
[12] John W. Woods, Subband Image Coding, Kluwer Academic Publishers, 1991.
89

Pds 2006

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Pds 2006

Enviado por

Direitos autorais:

Formatos disponíveis

PDS

Processamento Digital de Sinais

Instituto Superior Tecnico

Joao Miguel Raposo Sanches

2 Espacos vectoriais de sinais 11

O alcance da disciplina de Processamento Digital de Sinais e, neste momento, quase global

Figura 1.1: Sistema tpico de processamento de som.

O processo descrito anteriormente desenvolve-se em tres fases distintas,

Figura 1.2: Amostrador.

O processo de amostragem e realizado pelo amostrador que medea amplitude do

Figura 1.3: Sequencia de audio.

Figura 1.4: Retentor de ordem zero.

A analise matematica do processo de amostragem e reconstrucao esta apresentada em

Geracao, processamento e visualizacao de dados em Biomedicina. Todas as modal-

1. Espacos vectoriais. Nesta parte serao revistos alguns conceitos ja conhecidos e

2. Transformadas. As transformadas conduzem a diferentes representacoes dos mesmos

3. Probabilidades e processos estocasticos. Uma classe muito importante de sinais

Espacos vectoriais de sinais

f (x) = af1 (x) + bf2 (x) X. (2.1)

2.1 Espacos metricos

2. l2 , designada normalmente por Euclidiana,

3. lp , e uma generalizacao das metricas anteriores e define-se como:

4. Quando p a metrica lp torna-se na metrica l , que se define como:

Definicao 2.1.2. Um espaco metrico (X, d) e constitudo pelo conjunto X e pela

em que 1 p < . Neste caso de um espaco vectorial de funcoes a funcao metrica

(C[a, b], d ): neste caso a metrica define-se como

d = sup{|x(t) y(t)| : a t b}. (2.7)

Um caso particular desta classe de espacos metricos e o espaco L2 constitudo por

sup |x(t)| < (2.9)

B(x0 , ) = {x X : d(x0 , x) < }. (2.10)

Esta bola tambem se designa vizinhanca de x0 .

Um ponto x0 X e interior a S X se existir um > 0 tal que B(x0 , ) S.

Um conjunto S e aberto se todos os seus pontos sao interiores.

Um conjunto S X e fechado se o seu complemento e aberto.

Um ponto fronteira, x0 e um ponto cuja vizinhanca contem sempre elementos

Um ponto x X diz-se ponto de acumulacao de X se qualquer vizinhanca de x

O suporte de uma funcao f : A B e o fecho do conjunto formado por todos os

Medida de um conjunto: Dado um intervalo S = [a, b[, a medida de S e simples-

Um caso semelhante, e o caso do ponto limite. Neste caso, a sequencia xn aproxima-

Definicao 2.3.2. A sequencia {xn } R e monotonica se x1 x2 x3 ... ou

Definicao 2.3.3. A sequencia xn num espaco metrico (X, d) e designada sequencia de

Exerccio:Mostre que se uma sequencia converge, entao e de Cauchy. Note que e

Definicao 2.3.4. Um espaco metrico (X, d) e completo se qualquer sequencia de Cauchy

2.3.1 Convergencia de funcoes

2.4 Espacos vectoriais lineares

S e um grupo relativamente a adicao de vectores, isto e, as seguintes propriedades

Definicao 2.4.2. Seja S um espaco vectorial sobre R e T S com um numero finito ou

Definicao 2.4.3. Seja S um espaco vectorial, e T um subconjunto de S. O conjunto

Neste caso, os vectores p1 , p2 , ..., pm dizem-se linearmente independentes.

Seja S um espaco vectorial e T um conjunto de vectores de S tal que span(T ) = S em

Definicao 2.4.4. Se T1 e T2 sao bases de Hamel para o espaco vectorial S entao T1 e T2

2.4.1 Espacos normados

1. kxk 0 para qualquer x S.

3. kxk = ||kxk, em que e um escalar qualquer.

4. kx + yk kxk + kyk (desigualdade triangular)

d(x, y) = kx yk. (2.15)

Definicao 2.4.8. O vector x diz-se normalizado, ou unitario se kxk = 1.

kxn k < M, n > 0 (2.16)

entao diz-se que a sequencia e limitada (bounded).

Os espacos vectoriais normados satisfazem as seguintes propriedades:

1. Qualquer subespaco de dimensao finita de um espaco S e fechado.

2. Qualquer subespaco de dimensao finita de um espaco S e completo.

3. Se L : X Y e um operador linear e X e um espaco vectorial normado, entao L e

4. Num espaco linear normado quaisquer duas normas sao equivalentes.