(UNICAMP Introdução À Analise Espectral) PDF

Introdução à Análise Espectral
José Roberto de França Arruda

Belisário Nina Huallpa
UNIVERSIDADE ESTADUAL DE CAMPINAS

FACULDADE DE ENGENHARIA MECÂNICA
Campinas, 2001
CONTEÚDO
CAPÍTULO 1 ........................................................................................................................ 1
Introdução ............................................................................................................................. 1
Série de Fourier ..................................................................................................................... 5
Exemplo 1.............................................................................................................................. 8
Teorema de energia (ou de Parseval)...................................................................................... 9
Transformada de Fourier .......................................................................................................10
Exemplo 2.............................................................................................................................12
Distribuição de Dirac e pseudo-transformada ........................................................................13
Exemplo 3.............................................................................................................................15
Teorema da convolução ........................................................................................................15
Exemplo 4.............................................................................................................................16
Exemplo 5.............................................................................................................................17
Teorema da energia...............................................................................................................19
Demonstração mais rigorosa da transformada de Fourier.......................................................19
Fórmula de Poisson...............................................................................................................21
Janelas de observação ...........................................................................................................22
Modulação em amplitude ......................................................................................................26
Exercícios .............................................................................................................................28
CAPITULO 2 .......................................................................................................................30
Relações entrada/saída de sistemas lineares ...........................................................................30
Sistema linear........................................................................................................................30
Sistema causal ou fisicamente realizável ................................................................................31
Sistema invariante no tempo..................................................................................................31
Equação diferencial ...............................................................................................................31
Integral de Duhamel (convolução).........................................................................................31
ii
Função de resposta em frequência .........................................................................................35
Exemplo: ..............................................................................................................................37
Filtros ...................................................................................................................................39
Exercícios .............................................................................................................................41
CAPITULO 3 .......................................................................................................................42
Discretização e transformada de Fourier discreta...................................................................42
Discretização e teorema da amostragem ................................................................................42
Transformada de Fourier discreta ..........................................................................................47
Execícios ..............................................................................................................................53
CAPITULO 4 .......................................................................................................................55
Algoritmos da transformada de Fourier rápida.......................................................................55
Decimação no tempo.............................................................................................................55
Decimação na frequência.......................................................................................................59
Economia de memória...........................................................................................................60
Resolução em frequência e “zoom”.......................................................................................63
Exemplo ...............................................................................................................................65
Analisadores de Fourier.........................................................................................................66
Filtro anti-rebatimento (anti-“aliasing”) .................................................................................66
Conversor Analógico – Digital (CAD)...................................................................................67
Processador da TFD..............................................................................................................67
Monitores .............................................................................................................................67
CAPÍTULO 5 .......................................................................................................................68
Sinais aleatórios ....................................................................................................................68
Densidade Espectral de Potência ...........................................................................................72
Definição 1: Espectro via Filtragem Analógica ......................................................................72
Definição 2: Espectro via Transformada de Fourier Finita......................................................73
Definição 3: Espectro via funções de correlação....................................................................74
iii
Equivalência entre as definições ............................................................................................76
CAPÍTULO 6 .......................................................................................................................81
Densidade espectral de potência via TFD ..............................................................................81
Janela de Hanning .................................................................................................................83
Circularidade e adição de zeros .............................................................................................84
Relações entrada/saída de sistemas lineares ...........................................................................89
Função de coerência ordinária ...............................................................................................92
Relações de sistemas lineares com múltiplas entradas e saídas................................................95
CAPÍTULO 7 .....................................................................................................................100
Densidade espectral de potência via modelo auto-regressivo................................................100
CAPÍTULO 8 .....................................................................................................................107
Tipos de sinal e a sua representação espectral......................................................................107
Sinal transitório...................................................................................................................107
Sinal periódico ....................................................................................................................107
Sinal aleatório estacionário..................................................................................................108
Exemplo 1...........................................................................................................................110
Exemplo 2...........................................................................................................................111
Exemplo 3...........................................................................................................................112
CAPÍTULO 9 .....................................................................................................................114
A transformada de Hilbert ...................................................................................................114
Sinal causal .........................................................................................................................114
Algoritmo para o cálculo da transformada de Hilbert ...........................................................117
Sinal analítico......................................................................................................................117
Exemplo 1...........................................................................................................................117
Exemplo 2...........................................................................................................................119
Referências .........................................................................................................................120
iv
v
Análise de Fourier 1
CAPÍTULO 1
Introdução
O resultado quantitativo da observação de um fenômeno físico são os valores

assumidos por uma grandeza x, função de uma variável independente t. Na maioria das
aplicações, a função x(t) será uma funçaõ do tempo, podendo, porém, ser função de um
outro parâmetro físico como, por exemplo, o espaço.
A esta função do tempo chamaremos de sinal. Considere , por exemplo, um

sistema físico constituído por um disco de massa m montado, equidistante dos mancais,
num eixo flexível (figura 1). O eixo tem massa desprezível e rigides à flexão k, ou seja,
se deslocarmos o disco de δ, o eixo exercerá sobre ele uma força elástica F = kδ. Se o
centro de massa G está delsocado do ponto onde o eixo é fixado ao disco E de uma
distância ε, e o sistema está girando com velocidade angular Ω , temos, aplicando as leis
de Newton:
m &y&G + k y E = 0
(1.1)
m &z&G + k z E = 0
A relação entre as coordenadas dos pontos E e G é dada por:
yG = y E + ξ sin(ϕ )
(1.2)
zG = z E + ξ cos(ϕ )
Substituindo as equações (1.2) nas equações (1.1) e obtendo a solução particular da

equação diferencial, que é a vibração devido ao desbalanceamento temos:
Ω2
y E (t ) = ξ sin(Ω t + β )
ω 2 − Ω2
(1.3)
Ω2
z E (t ) = ξ cos(Ω t + β )
ω 2 − Ω2
k
onde ω = é chamada velocidade crítica do sistema eixo/disco. Vamos olhar de
m
perto a variação da posição do centro do disco na direção y tal como seria vista por um
observador no plano yz sobre o eixo z.
(a) (b) (c)
Ω y S F y
z δ E
G
ε
kδ
β
x
Ωt ϕ
z
Figura 1.1. Vibração devido ao debalanceamento. (a) O sistema físico. (b) Rigidez à
flexão. (c) Forças externas.
Chamemos de x(t) esta função (este não tem nenhuma relação com a coordenada x).
x (t ) ≡ y E (t )
x (t ) = X sin (Ω t + β ) (1.4)
Ω2
X =ξ
ω 2 − Ω2
A forma gráfica desta função é mostrada na figura 1.2, em linha pontilhada.
x(t)
T
X
-X
β/Ω
Figura 1.2. Posição do centro do disco variando no tempo (sinal senoidal).

 X sin( Ω t ) . ----- X sin( Ω t + β )
O sinal senoidal é o tipo mais elmentar que se pode obter em fenômenos físicos.
Caracterizado por uma amplitude X, uma fase β e uma freqüência Ω , a senóide é a base
da análise espectral e da análise de sistemas lineares, como veremos no próximo
capítulo.
A freqüência Ω é, neste caso, a velocidade angular de rotação e, no equacionamento, é

dada em radianos por segundo. Na análise de sinais é mais comum expressar
freqüências em ciclos por segundo ou Hertz. No texto denotaremos f a freqüência em
Hertz.
Ω
f =
2π
(1.5)
1
T=
f
O inverso da freqüência f é o período T, ou intervalo de tempo que a função leva para

assumir novamente um mesmo valor numérico:
x (t ) = x (t ± nT ), n = 1,2,K (1.6)
Existem diversas formas de expressar a amplitude do sinal. Ao fator multiplicativo

que se aplica à forma básica da função harmônica chamamos de amplitude de "zero a
pico". A gama total de variação do sinal, de -X a X, ou seja 2X, é chamada amplitude
de "pico a pico". A raiz do valor médio quadrático do sinal também é usada para
caracterizar a amplitude com a abreviatura do termo equivalente em inglês, RMS
("Root Mean Square"). Para sinais periódicos temos:
1/ 2 1/ 2
 1 τ/2  1 T /2  X
RMS = Lim ∫ x 2 (t ) dt  = ∫− T / 2 x (t ) dt 
2
= (1.7)
τ → ∞ τ − τ / 2  T 2
No caso do rotor desbalanceado, a amplitude, em qualquer de suas representações,

varia com a velocidade de rotação do eixo Ω e tende a infinito quando Ω tende ao
valor da velocidade crítica ω, caracterizando um fenômeno da ressonância .
A fase é uma característica de importância menor uma vez que depende

unicamente da maneira como é tomado o início da dos tempos. O conceito importante
é a defasagem ou diferença entre as fases de dois sinais da mesma freqüência. No
exemplo tratado, podemos escrever:
π
z E (t ) = X sin (Ω t + ( β + )) (1.8)
2
ou seja, a defasagem entre os sinais zE(t) e yE(t) é π/2 ou 90o e esta quantidade
independe da origem da escala do tempo. Devido a esta defasagem, a reconstituição no
plano yz do movimento do centro do disco E é uma trajetória circular de raio X. A
projeção deste movimento circular no eixo é o sinal estudado x(t).
Para um sistema eixo/disco em uma máquina real, se considerarmos efeitos de

acoplamentos e juntas universais, engrenagens, etc., teremos um movimento muito
mais complexo do centro do disco, porém este movimento conservará a característica
básica de ser repetitivo a cada volta do conjunto. Isto significa que a projeção do
movimento do eixo y que estamos estudando, ou seja, nosso sinal x(t), será ainda
periódico, de período T = 2π/Ω , obedecendo a equação (1.6). Este sinal poderia ter a
forma mostrada na figura 1.3.a. Poderíamos ainda estar interessados no movimento do
sistema eixo/disco livre de excitação, ou seja , sem desbalanceamento algum (o que é
praticamente irrealizável) ou sem girar (Ω = 0). Levando-se em conta que os
amortecimentos presentes no sistema dissipam energia, o movimento resultante de
determinadas condições iniciais - solução homogênea da equação diferencial do
movimento - tenderá a se extinguir com o tempo. Sendo assim, este sinal jamais será
periódico (figura 1.3.b). Chamamos transitório a este tipo de sinal por ter existência
apenas num período limitado de tempo.
(a)
x(t)
(b)
x(t)
Figura 1.3. (a) Sinal periódico. (b) Sinal transitório.

Os dois tipos de sinal comentados acima, periódicos e transitórios, geralmente

podem ser razoavelmente representados por expressões matemáticas e são por isso
chamados determinísticos. Ao contrário, existem sinais para os quais é impossível ou
muito grosseiro representá-los por funções matématicas. Estes sinais são chamados
aleatórios e só podem ser estudados por suas propriedades médias ou estatísticas.
Neste capítulo, trataremos dos sinais determinísticos para os quais o Barão Jean-
Baptiste-Joseph Fourier (matemático Francês 1768-1830) nos deu as ferramentas
básicas que são a Série e a Transformada de Fourier.
Exporemos ainda alguns teoremas, fórmulas e propriedades básicas da análise de

sinais determinísticos que são: o teorema da Convolução ou de Borel, o teorema de
Parseval ou de energia, a fórmula de Poisson, a distribuição de Dirac e as "janelas" no
tempo.
Série de Fourier
Todo sinal periódico x(t) que obedeça as condições de Diritchlet, ou seja:
x (t ) = x (t ± nT ), n = 0,1, 2,...
a. T /2 (1.9)
∫− T / 2 x(t ) dt < ∞
b. número finito de discontinuidades num período T
c. número finito de máximos e mínimos locais num período T
pode ser expandido numa série trigonométrica infinita (série de Fourier) da forma:
∞
∑ (a cos(nω o t ) + bn sin( nω o t ) )
ao
x (t ) = + n (1.10)
2 n =1
onde ω o = 2π/T, os termos an e bn podem ser obtidos utilizando-se as seguintes

propriedades das funções trigonométricas:
T /2  0, m ≠ n
a. ∫
− T /2
cos( nω o t ) cos(mω o t ) dt = 
π / ω o , m = n
T /2  0, m ≠ n
b. ∫
− T /2
sin (nω o t ) sin(mω o t ) dt = 
π / ω o , m = n
T /2
c. ∫
− T /2
cos(nω o t ) sin( mω o t ) dt = 0
Multiplicando (1.10) por cos(mω ot), integrando no período e utilizando as propriedades

acima, temos:
π
∫
T /2
x (t ) cos( mω o t ) dt = a m ∫ cos(mω o t ) cos( mω o t ) dt = a m
T /2
− T /2 − T /2 ωo
donde se pode escrever as fórmulas de Euler-Fourier:
2 T /2
T ∫− T / 2
an = x (t ) cos( nω o t ) dt , n = 0, 1, 2,...
(1.11)
2 T /2
bn = ∫ x (t ) sin( nω o t ) dt , n = 1, 2,....
T − T /2
Para a análise de sinais é mais conveniente formular a série de Fourier na chamada

forma exponencial. Da representação no plano complexo na forma exponencial (figura
1.4) temos:
e ±inω o t = cos(nω o t ) ± sin (nω o t ) (1.12)
onde i = − 1 , daí podemos escrever:
a − ibn inω o t a n + ibn − inω o t

a n cos( nω o t ) + bn sin (nω o t ) = n e + e
2 2
Imaginário
Meiϕ = Mcos(ϕ ) + iMsin(ϕ)
M
ϕ
Real
Figura 1.4. Plano complexo e forma exponencial.

Chamando:
an − ibn a + ibn a
αn = , α− n = n , αo = o (1.13)
2 2 2
podemos chegar à forma exponencial:

∞
x (t ) = ∑α
n =− ∞
n e inω o t (1.14)
e as fórmulas de Euler - Fourier se condensam em:
1 T /2
αn = ∫
− T / 2
x (t ) e − inω o t dt (1.15)
T
A série de Fourier pode ter como forma de representação gráfica o que chamaremos
espectro de freqüências de raias. Para construir o espectro associamos a cada
coeficiente complexo αn a freqüência correspondente do termo da série: nωo (rad/seg)
ou fn = nω o/2π. Porém, na forma exponencial, aparecem freqüências negativas que não
têm significado físico, mas apenas utilidade matemática. Associando-se o conceito do
vetor girante , temos que os pares de termos:
α n e i 2πnt / T + α − n e − i 2πnt / T
representam dois vetores da mesma amplitude α n = α-n e fases opostas

∠ α n = − ∠ α − n (vide equação (1.13)) girando em direções opostas com a mesma
freqüência angular. Deste modo, as componentes imaginárias se anulam (figura 1.5).
Imaginário
nω
-nω Real
α-n
Figura 1.5. Interpretação das freqüências negativas.

Como forma final da série de Fourier adotaremos a notação:
X ( f k ) = α k = X ( f k ) e i∠X ( f k ) , k inteiro (1.16)
onde
1 T /2
∫− T / 2 x(t ) e
− i 2πkt / T
X ( fk ) = dt (1.17)
T
com
∞
x (t ) = ∑ X ( f k )e i 2πkt / T , onde fk = k/T (1.18)
k =− ∞
Podemos interpretar a equação (1.17) como a forma de transformar o sinal periódico

x(t) do domínio do tempo para o domínio da freqüência, e a equação (1.18) o inverso.
Esta forma é útil na comparação com a transformada de Fourier que veremos a seguir.
Exemplo 1
Tomemos, por exemplo uma onda quadrada como mostrada na figura 1.6 (a).
Aplicando a equação (1.17) temos:
1 0 1 T /2
∫− T / 2 ( − A) e ∫0
− i 2πkt / T
X ( fk ) = dt + A e − i 2πkt / T dt
T T
=−
A T
[sin (2πkt / T ) + i cos(2πkt / T )]0− T / 2 +
T 2πk
A T
[sin (2πkt / T ) + i cos(2πkt / T )]T0 / 2
T 2πk
 0, k par

=  i2 A
− , k impar

 πk
 0, k par  indefinida, k par

 
ou seja, X ( f k ) =  2 A e ∠X ( fk ) =  π
, k impar
− sinal( k ) , k impar

π k  2
+ 1, k ≥ 0
onde sinal( k ) = 
− 1, k < 0
(a)
A
-A
T
(b)
X(f k)
2A/π
1/T f
(c)
∠ X(fk)
π/2
f
− π/2
Figura 1.6. (a) Onda quadradada. (b) Espectro de amplitudes. (c) Espectro de fase.
Teorema de energia (ou de Parseval)

Chama-se de energia do sinal a integral a integral do quadrado de seu valor absoluto,
isto é,
+∞ 2
E = ∫− ∞ x (t ) dt
No caso de sinais periódicos, este valor é infinito. Neste caso, pode-se definir a potência
do sinal, ou taxa de variação da energia no tempo:
1 T /2 2
P= ∫
− T / 2
x (t ) dt
T
O teorema da energia para sinais periódicos pode então ser expresso em termos da
potência do sinal.
∞
Se x (t ) = ∑ X ( f k )e i 2πkt / T ,
k =− ∞
então
∞
1
∑
T /2
∫− T / 2
2 2
x (t ) dt = X ( fk ) (1.19)
T k =− ∞
ou seja, a potência contida no sinal independe da sua representação (no tempo ou em

freqüência).
Demonstração: Temos que
1 T /2 1 T /2
∫− T / 2 x(t ) ∫− T / 2 x(t ) x
2 ∗
dt = (t ) dt (1.20)
T T
onde * denota o conjugado de um complexo1.
Substituindo a equação (1.18) na equação (1.20) e desenvolvendo pode-se chegar a:

∞ ∞
1 1 
∑ ∑ X ( f n )X ∗ ( fm ) T ∫− T / 2 ei 2π( n − m )t / T dt 
T /2 T /2
∫− T / 2
2
x (t ) dt =
T n=− ∞ m=− ∞
e devido à ortogonalidade das funções trigonométricas:
1 T /2 0, n ≠ m
T ∫− T / 2 e i 2π( n − m ) t / T dt = 
1, n = m
donde:
∞ ∞
1
∑ ∑
T /2
∫− T / 2 X ( f n ) X ∗( fn ) =
2 2
x (t ) dt = X ( fn ) .
T n= − ∞ n= − ∞
Transformada de Fourier
Todo sinal x(t) transitório que satisfaz as condições de Diritchlet em todo

1 ∞
intervalo finito, e tal que ∫ x (t ) dt existe, pode ser expresso da forma:
T −∞
1 Na análise de sinais aplicada ao estudo experimental de fenômenos físicos os sinais são sempre reais.
Porém, como muitos dos resultados neste texto valem para o caso geral de sinais complexos, procurar-se-
á manter a generalidade sempre que isto não prejudicar a compreensão.
∞
x (t ) = ∫ X ( f ) e i 2πft df (1.21)
− ∞
onde:
∞
X ( f ) = ∫ x (t ) e − i 2πft dt (1.22)
− ∞
~
Este par de transformações lineares, transformada de Fourier direta x (t )  f → X ( f ) ,
~− 1
equação (1.22), e inversa X ( f )  f → x (t ) , equação (1.21) permitem a representação
de um sinal no domínio das freqüências ou no domínio do tempo.
Dada a semelhança destas equações com as equações (1.17) e (1.18), pode-se

interpretar a transformada ou integral de Fourier como um limite da série com T,
período de x(t), tendendo a infinito.
Chamando a distância entre duas raias do espectro discreto ∆f = 1/T podemos

escrever, de (1.17):
T /2
X ( k∆ f ) = ∆ f ∫ x (t ) e − i 2πk∆ft dt (1.23)
− T /2
e, substituindo em (1.18):
∞
∆f T / 2 x (t ) e − i 2πk∆ft dt e i 2πk∆ft
x (t ) = ∑  ∫− T / 2 
(1.24)
k =− ∞  
Fazendo T → ∞ ; ∆f → df; k∆f → f , temos:
∞ ∞
x(t ) = ∫ ∫ x(t ) e − i 2πft dt e i 2πft df (1.25)
−∞ ∞
− 

De (1.25) pode-se tirar o par de transformações das equações (1.21) e (1.22). Este
processo é ilustrado na Figura 1.7.
x(t) X(f) 
t f
t f
t f
Figura 1.7. Transformada de Fourier como limite da série.
Exemplo 2
Tomemos, por exemplo, a função porta como mostrada na figura 1.8 (a). Aplicando
(1.22) temos:
X(f) =
τ
∫0 A e
− i 2πft
dt =
A
− i 2πf
[ ]
e − i 2πft
τ
0
=
2πf
e e[
iA − iπfτ − iπfτ
− e iπfτ ]
sin (πfτ ) − iπfτ
= Aτ e = Aτ sinc (πfτ ) e − iπfτ
π fτ
donde
X ( f ) = Aτ sinc(π f τ ) e ∠ X ( f ) = tan − 1 (tan( − π fτ ) )
Note que a expressão obtida para a fase não é trivial. Pela expressão obtida para X(f)
temos que a fase é dada pela soma da fase correspondente ao sinal da função sinc (0 se
positivo e π se negativo) com a fase da exponencial de módulo unitário, e − iπfτ ; ou
seja, soma-se π à expressão − πfτ sempre que o sinal da função sinc é negativo. A
expressão acima é uma forma elegante de expressar este resultado.
x(t)
(a)
τ t
(b) X(f )
Aτ
f
(c) ∠X(f )
180 o
f
o
-180
Figura 1.8. (a) Função porta. (b) Espectro de amplitudes. (c) Espectro de fase
A denominação espectro será empregada neste texto para qualquer representação no

domínio da freqüência de um sinal, quer ele seja periódico, transitório ou, como
veremos em capítulos posteriores, aleatório.
É interessante notar que, como na série de Fourier, para sinais x(t) reais a
transformada de Fourier é, em amplitude, uma função par e, em fase, uma função
ímpar, o que se pode deduzir de:
∞
∫− ∞ x(t ) e
i 2πft
X (− f ) = dt = X ∗ ( f ) (1.26)
Distribuição de Dirac e pseudo-transformada
Chamada também delta de Dirac ou função delta, δ(t), é uma função generalizada
ou distribuição. Como só utilizaremos neste texto a distribuição delta de Dirac não
cabem maiores comentários sobre a teoria de distribuições. δ(t) é definida tal que:
 0, t ≠ 0
δ(t ) = 
+ ∞ , t = 0
b
∫a δ(t ) dt = 1, a < t < b (1.27)
b
∫a x (t ) δ(t − τ ) dt = x (τ ), a < τ < b
Então, temos que:
~− 1
f
δ( f − fo ) → e i 2πf o t (1.28)
pois, de (1.21):
∞
∫− ∞ δ( f − f o ) e i 2πft df = e i 2πfot
A distribuição δ(t) pode ser melhor compreendida como o limite de uma função porta
Π τ1 / τ (t ) de amplitude 1/τ e duração τ, ou seja, de área unitária (vide figura 1.9).
 0, t < 0
τ 
Π 1/
τ (t ) = 1 / τ , 0 ≤t ≤τ
 0, t > τ (1.29)

δ(t ) = lim Π τ1/τ (t )
τ→ 0
(a) (b)
Π τ(t) δ
(t)
1/τ
τ→ 0
τ t t
Figura 1.9. Distribuição de Dirac e sua representação gráfica. (a) Função porta.
(b) Distribuição.
Note que no exemplo 2 o sinal x(t) = Π τ (t), ou seja , é uma função porta de amplitude
unitária. A partir da propriedade (1.28) podemos obter uma pseudo-transformada de
Fourier de sinais periódicos pois, se x(t) é periódica:
∞
x (t ) = ∑ X ( f k )e i 2πkt / T (1.30)
k =− ∞
aplicando (1.28) e (1.22), temos para um sinal periódico:

∞
X( f ) = ∑ X ( f k ) δ( f − f k ) (1.31)
k =− ∞
Exemplo 3
Seja
e i 2πfot − e − i 2πfot
x(t) = sin(2π f0 t) =
2i
Aplicando (1.28) e (1.22), podemos chegar a:
X( f ) =
i
[δ( f + f o ) − δ( f − f o )]
2
Analogamente, para
x(t) = cos(2π f0 t)
teríamos
X( f ) =
1
[δ( f + f o ) + δ( f − f o )]
2
Teorema da convolução
Definimos a integral de convolução de duas funções (ou sinais) x(t) e h(t):

∞
x (t ) ∗ h(t ) = ∫ x (τ ) h(t − τ )dτ (1.32)
−∞
Assim definida, a integral de convolução tem as seguintes propriedades quando

associada à transformada de Fourier (teorema):
~
x (t ) ∗ h (t ) f → X ( f ) H ( f )
~ (1.33)
x (t )h(t ) f → X ( f ) ∗ H ( f )
onde, X(f) e H(f) são as transformadas de x(t) e h(t), respectivamente.
Demonstração:
Substituindo (1.32) em (1.22):

∞
 ∞ x (τ ) h(t − τ ) dt e − i 2πft dt =
∫− ∞ ∫− ∞ 

x (τ ) ∫ h(t − τ ) e − i 2πft dt dτ
∞ ∞
∫ −∞ 
−∞ 

mas temos que, para um deslocamento ao longo do eixo do tempo de uma função
(“shift”):
∞
∫−∞
x (t − τ ) e − i 2πft dt = X ( f ) e − i 2πfτ (1.34)
o que é facilmente obtido por substituição de variáveis, por exemplo t-τ = α.
Substituindo (1.34) temos:

∞
= ∫
−∞
x (τ ) e − i 2πfτ dτ H ( f ) = X ( f ) H ( f )
A demonstração de (1.33) é deixada ao leitor como exercício.
Exemplo 4
Seja a função “porta” definida como
 0, t < 0

x(t ) = Π τ (t ) = 1, 0 ≤t ≤τ
 0, t > τ

então, a sua representação no domínio da frequencia será
sin (2πfτ ) − iπfτ

X ( f ) = Πτ ( f ) = e
πf
E seja a função senoidal definida como
e i 2πfot − e − i 2πfot
h(t) = sin(2π f0 t) =
2i
então, a sua representação no domínio da freqüência será
H( f ) =
i
[δ( f + f o ) − δ( f − f o )]
2
logo, utilizando a segunda relação da equação (1.33), isto é, o produto no domínio do

tempo corresponde à convolução no domínio da freqüência.
A Figura 1.10 ilustra o exemplo de convolução no domínio da freqüência.

Observa-se que na figura superior tem-se a função “porta” no domínio do tempo e o
seu espectro no domínio da freqüência; na figura do meio é apresentado uma função
senoide de frecüência fo e de duração “infinita”, e à direita o seu espectro; e na figura
inferior é apresentado a função resultado do produto entre a função “porta” e a função
senoide, o qual corresponde à convolução no domínio da freqüência.
1 1
X( f )∗H( f ) = iΠ τ ( f + f o ) − iΠ τ ( f − f o )
2 2
X(f)
x(t)
τ t
f
H(f)
h(t)
-fo fo f
x(t) h(t) X(f)*H(f)
-fo fo f
Figura 1.10. Exemplo de convolução no domínio da freqüência .
Exemplo 5
Este segundo exemplo mostra a convolução no domínio do tempo. Seja a função

“porta” definida como
 0, t < − τ 2

x(t ) = Π τ (t ) = 1, − τ 2 ≤t ≤τ 2
 0, t > τ 2

então, a sua representação no domínio da frequencia será
sin (2πfτ ) − iπfτ

X ( f ) = Πτ ( f ) = e
πf
E seja a função de uma série de impulsos de período T

∞
h(t ) = ∑ δ(t +
n= − ∞
nT )
A representação da série de impulsos h(t) é também uma série de impulsos de período

fo = 1/T.
1 ∞
H( f ) = ∑ δ( f − nf o )
T n= − ∞
A convolução no domínio do tempo x(t)*h(t) pode ser obtido através da transformada

inversa de Fourier do produto das transformadas de Fourier das funções x(t) e h(t).
A Figura 1.11 ilustra graficamente o exemplo da convolução no domínio do

tempo. Na parte superior esquerda está a função “porta” de comprimento τ e à direita
está o espectro da função “porta”. A seguir está a série de impulsos de período T e à
direita está o espectro da série que também é outra série de impulsos de período 1/T.
Na parte inferior está a convolução da função “porta” e a série de impulsos. Pode-se
observar que o resultado da convolução é uma série de “portas” de período igual à da
série de impulsos. O espectro da convolução da função “porta” e da série de impulsos
resulta ser o produto dos espectros da função “porta” e da série de impulsos.
x(t) X(f)
H(f) f
h(t) t
x(t)*h(t) t X(f)H(f) f
t
f
Figura 1.11. Exemplo de convolução no domínio do tempo .

Teorema da energia
Também para a transformada de Fourier podemos formular um teorema de energia:

∞ ∞
∫ x (t ) dt = ∫
2 2
X ( f ) df (1.35)
−∞ −∞
Demonstração:
De (1.32) e (1.33) temos que, aplicando (1.21) no segundo membro:

∞ ∞
∫−∞
x (τ ) g (t − τ ) dτ = ∫ −∞
X ( f )G ( f ) e − i 2πft df (1.36)
com t = 0 temos:
∞ ∞
∫−∞
x (τ ) g ( − τ ) dτ = ∫ X ( f )G ( f ) df
−∞
(1.37)
Fazendo, g ( − t ) = h ∗ (t ) , temos que:
∞ ∞
H ∗ ( f ) = ∫ h ∗ (t ) e i 2πft dt = ∫ g ( − t ) e i 2πft dt (1.38)
−∞ −∞
com τ = -t, pode-se chegar a:

∞
H ∗ ( f ) = ∫ g (τ ) e − i 2πfτ dτ = G ( f ) (1.39)
−∞
de maneira que a equação (1.37) fica:

∞ ∞
∫−∞
x (t )h ∗ (t ) dt = ∫ X ( f ) H ∗ ( f ) df
−∞
(1.40)
então:
∞ ∞
∫−∞
x (t ) x ∗ (t ) dt = ∫ X ( f ) X ∗ ( f ) df
−∞
Demonstração mais rigorosa da transformada de Fourier

~
f
Agora podemos mostrar que x (t ) ← → X ( f ) , ou seja, que se:
∞
X( f ) = ∫ −∞
x (t ) e − i 2πft dt
então:
∞
x (t ) = ∫ X ( f ) e i 2πft df
−∞
Demonstração: Substituindo (1.22) em (1.21):
x (t ) = ∫ ∫ x (τ ) e − i 2πfτ dτ 
∞ ∞
e i 2πft df
−∞ −∞ 
mas:
a
∞ a e i 2πft  1 e i 2πat − e − i 2πat 
∫e df = lim ∫ e
i 2πft i 2πft
df = lim  =
a → ∞ i 2πt   
lim
−∞ a→ ∞ − a
 − a a→ ∞ πt  2i  (1.41)
sin( 2πat ) sin(bt )
= lim = lim
a→ ∞ πt b→ ∞ πt
onde b = 2πa. A figura 1.12 mostra graficamente a expressão (1.41)
sin(bt)
πt δ
(t)
b/π
b→ ∞
π/b t t
Figura 1.12. Função da expressão (1. 41).
Ora, mas é bem conhecido que:
∞ sin(bt )
∫−∞ πt
dt = 1 , e
∞ sin(bt ) ∞ sin ( bt )
lim ∫ y (t ) dt = y (0) lim ∫ dt = y (0)
b→ ∞ − ∞ πt b→ ∞ −∞ πt
então:
sin(bt )
lim = δ(t ) (1.42)
b→ ∞ πt
de onde:
∞
∫e
i 2πf ( t − τ )
df = δ(t − τ )
−∞
e, finalmente:
∞
∫
−∞
x (τ ) δ(t − τ ) dτ = x (t )
Fórmula de Poisson
Chamada também de função “pente”, a soma infinita de distribuição δespaçadas de T,

ou seja:
∞
∑ δ(t +
n= − ∞
nT )
é uma função periódica e como tal pode ser expandida em série de Fourier de
coeficientes (equação (1.17)) :
1 T /2 1
X ( kf o ) =
T ∫
− T /2
δ(t ) e − i 2πkfo t dt =
T
∞
onde fo = 1/T. Note que δ(t) iguala à soma infinita ∑ δ(t +
n= − ∞
nT ) no intervalo (-T/2,
T/2).
Temos então que:
∞ 1 ∞ i 2πkt / T
∑ δ( t + nT ) = ∑e (1.43)
n=− ∞ T k =− ∞
Mas, das equações (1.28) e (1.43) temos que:

∞ ∞
1
∑ ∑ δ( f −
~
δ(t + nT ) ←f → nf o )
n= − ∞ T n =− ∞
Do teorema da convolução multiplicar por X(f) em freqüência equivale a fazer a

convolução com x(t) no tempo,
∞
∞ 1 ∞
∫ ∑ ∑ δ( f − nfo )
~
δ(τ + nT ) x (t − τ ) dτ ←f → X ( f )
−∞ T n= − ∞
n= − ∞
Usando as propriedades da distribuição δ:

∞ ∞ ∞
∑∫
n= − ∞
−∞
x (t − τ ) δ(τ + nT ) dτ = ∑ x (t +
n =− ∞
nT )
Fazendo a transformação inversa (1.21):
∞ ∞
1
∫
−∞
X( f )
T
∑ δ( f −
n =− ∞
nf o ) e i 2πft df =
∞ ∞
1
T
∑∫
n= − ∞
−∞
X ( f ) e i 2πftδ( f − nf o ) df =
∞
1
T
∑
n= − ∞
X ( nf o ) e i 2πnfo t
de onde temos finalmente a fórmula de Poisson:
∞ ∞
T ∑ x (t + nT ) = ∑ X (nf o ) ei 2πnf o t (1.44)
n=− ∞ n=− ∞
De (1.44) podemos interpretar que os valores discretos X(nfo) amostrados da função

contínua X(f) são os coeficientes da série de Fourier da função periódica
∞
T ∑ x (t +
n= − ∞
nT ) .
Janelas de observação
A definição da transformada de Fourier pela expressão (1.22) implica numa

dificuldade de obtenção prática devido aos limites de integração. Como os sinais
tratados provêm da observação de fenômenos físicos, eles terão um início e um
término dentro dos limites finitos no tempo. Isto implica , matematicamente no
truncamento do sinal.
Considere-se, por exemplo, uma senóide com duração τ. Matematicamente é o

mesmo que multiplicar a senoide sin (2πf o t ) por uma funçaõ “porta” de amplitude
unitária e duração τ.
 0, t < 0

x (t ) = x (t ) Π τ (t ), Π τ (t ) = 1, 0 ≤t ≤τ
'
 0, t > τ

É como se estivessemos observando a senóide através de uma janela “retangular”.
x’(t) = x(t) Π τ(t) (a)

1
τ t
-1
X’(f) = X(f)∗Πτ(f) (b)

τ/2
ondulações
fo 1/τ f
Figura 1.13. (a) Senóide observada com janela retangular. (b) Sua transformada de
Fourier
Pelo teorema da convolução, esta multiplicação no tempo corresponde a fazer em

freqüência a convolução da transformad da senóide com a transformada da função
“porta” (vide exemplo 2).
sin(πfτ ) − iπfτ  1 
X '( f ) = τ e ∗  i[
δ( f + f o ) − δ( f − f o )]
πfτ 2 
Aplicando as propriedades da distribuição δ:
∞ 1 
X ' ( f ) = ∫ Π τ ( f − ζ )  i[δ(ζ + f o ) − δ(ζ − f o )] dζ =
−∞
2 
1 1
iΠ τ ( f + f o ) − iΠ τ ( f − f o )
2 2
onde Π τ(f) é a transformada de Π τ(t). O valor absoluto de X ' ( f ) é mostrado na figura

(1.11).
De forma geral, dada a janela p(t) de transformada P(f) e um sinal x(t) observado
através dela, temos:
~
f
x' (t ) = x(t ) p (t ) ←  → X ' ( f ) = X ( f ) ∗ P ( f ) (1.45)
Para a janela retangular, ou seja, o sinal truncado com duração τ:
∞ sin(πζ τ ) − iπζ τ
X ' ( f ) = ∫ X ( f − ζ )τ e dζ (1.46)
−∞ πζ τ
É facil imaginar que, se o sinal truncado tem componentes de freqüências vizinhas, os

lóbulos laterais introduzirão erros na leitura das amplitudes. Na figura 1.14, são
mostradas: em linha tracejada as transformadas de Fourier de duas senoides de
frequências f1 e f2 (f1 é vizinha de f2); e em linha cheia a transformada de Fourier
formada pela soma das duas senoides . Como se pode observar, a transformada do
sinal composto apresenta um erro de amplitude causado pela interferência dos lóbulos
laterais dos espectros das senoides.
X(f )
êrro
f1 f2 f
Figura 1.14. Efeito dos lóbulos laterais na leitura das amplitudes
Para atenuar este problema, pode-se utilizar outras formas de janela (figura 1.15),
onde uma diminuição das amplitudes das ondulações laterais é conseguida ao preço de
uma menor precisão na medida da freqüência, pois o “pico” principal fica mais
arrendado.
(a)
(b)
(c)
Figura 1.15. Formas de janela e ondulações produzidas. (a) Retangular. (b) Hanning.
(c) Hamming.
As janela são geralmente normalizadas de modo que:

∞
p (0) = ∫ P ( f ) df = 1 (1.47)
−∞
Nos analisadores modernos, a janela mais utilizada é a de Hanning, que tem a

expressão:
 τ
 0, t < −
2

 2 πt τ τ
p (t ) = cos ( ), − ≤t ≤ (1.48)
 τ 2 2
 τ
0, t >

 2
para chegar à sua transformada P(f) podemos fazer:
πt 1 1 2πt 1 1 1
cos 2 ( ) = + cos( ) = + e i 2πt / τ + e − i 2πt / τ
τ 2 2 τ 2 4 4
e aplicando (1.22) com:
πt
p (t ) = cos 2 ( ) Π τ (t )
τ
temos:
∞ 1 1 1 
P ( f ) = ∫  + e i 2πt /τ + e − i 2πt /τ Π τ (t )e − i 2πft dt

−∞ 2 4 4 
~
e sendo Π τ ( f ) ←f → Π τ (t ) temos finalmente:
1  1 1 1  1
P( f ) = Π τ  f −  + Π τ ( f )+ Π τ  f +  (1.49)
4  τ 2 4  τ
A figura 1.16 Mostra uma comparação de Π τ(f) e P(f) de Hanning.
Πτ (f ) retangular
P(f ) Hanning
Figura 1.16.Comparação de Π τ(f )  e P(f )  .
Modulação em amplitude
Consideremos um sinal transitório x(t). Podemos usar este sinal para modular uma
senóide de freqüência fo, ou seja, fazer o produto:
 e i 2πfot + e − i 2πfot 
m(t ) = x(t ) cos(2πf o t ) = x (t )
 

 2 
A transformada de Fourier deste produto será:
∞  e i 2πfo t + e − i 2πfot  − i 2πft

M ( f ) = ∫ x ( t )
 
e dt
−∞
 2 
que pode ser desdobrado em:
1 ∞ 1 ∞
M( f ) = ∫ x (t ) e − i 2π( f + dt + ∫ x (t ) e − i 2π( f −
fo ) t fo ) t
dt
2 −∞ 2 −∞
que em termos de X(f), transformada de x(t), fica:
M( f ) =
1
[X ( f + f o ) + X ( f − f o )] (1.50)
2
ou seja, a modulação provoca um desdobramento e um deslocamento do espectro de

+fo e -fo (figura 1.17).
x(t) |X(f)|
t f
|Y(f)|
y(t)
t -fo fo
f
|Z(f)|
z(t) = x(t)×y(t)
t -fo fo f
Figura 1.17. Efeito de deslocamento devido à modulação.
Para evitar o desdobramento do espectro podemos multiplicar um sinal real pela

exponencial complexa e i 2πfo t , o que significa criar um sinal complexo xnovo(t):
x novo (t ) = x(t ) cos( 2πf o t ) + i x(t ) sin (2πf o t ) (1.51)
Sendo assim sua transformada fica:

∞
X novo ( f ) = ∫ x(t ) e i 2πfo t e − i 2πft dt = X ( f − f o ) (1.52)
−∞
ou seja, o efeito é apenas um deslocamento do eixo das freqüências ("shift").

Exercícios
1.1 Calcular os coeficientes da série de Fourier complexa para uma onda quadrada de
período T e amplitude pico-a-pico A mostrada na figura abaixo:
T t
1.2 Calcular os coeficientes da série de Fourier complexa para a onda de período T e

amplitude pico-a-pico A mostrada na figura abaixo:
T/4 T t
1.3 Calcular a transformada (integral) de Fourier do pulso retangular abaixo. Se

possível, “plotar” os resultados dos itens anteriores usando o programa MATLAB
(“plotar” somente os valores absolutos).
A
T/4
1.4 Provar o teorema da convolução na forma:
x ( t ) h( t ) ⇔ X ( f ) ∗ H ( f )
1.5 Mostrar que a Série de Fourier pode ser aproximada pela expressão:
1 N− 1 − i 2πkn
Xk = ∑ xn e N
N n =0
1.6 Calcular a Série de Fourier de um sinal do tipo dente de serra usando a

aproximação acima e comparar com a Série de Fourier analítica. Comparar os
espectros graficamente. Usar A = 3 e T = 7
T t
1.7 Calcular a Transformada de Fourier de um pulso triangular (um período do sinal

do item anterior) usando a aproximação da SF e a fórmula de Poisson.
T t
Relações entrada /saída de sistemas lineares 30
CAPITULO 2
Relações entrada/saída de sistemas lineares
Matematicamente falando, um sistema (analógico) é uma regra para atribuir a uma

função x(t) uma outra função y(t). Chamemos a x(t) entrada e a y(t) saída e o sistema
faz a transformação L[x(t)]:
y (t ) = L[x(t )] (2.1)
Físicamente falando, um sistema produz um objetivo, uma resposta, quando

estimulado por uma excitação que são os termos correspondentes a saída e entrada
respectivamente. Exemplos de sistemas físicos são sistemas de potência, máquinas,
sistemas de rádio- comunicação, etc.
Restringiremos nosso estudo aos sistemas lineares, fisicamente realizáveis e

invariantes no tempo, que podem ser representados por uma equação diferencial
linear.
Sistema linear
Um sistema é linear se:
L[a1 x1 (t ) + a 2 x 2 (t )] = a1 L[ x1 (t )] + a 2 L[ x 2 (t )] (2.2)
para quaisquer a1, a2, x1(t), x2(t), ou seja, o conhecido princípio de superposição
(Figura 2.1)
x1(t ) y1(t )
L
a1 x1(t ) + a2 x2(t ) a1 y1(t ) + a2 y2(t )
L
x2(t ) y2(t )
L
Figura 2.1. Sistema linear e o princípio de superposição

Relações entrada/saída de sistemas lineares 31
Sistema causal ou fisicamente realizável
A resposta ou saída não depende de valores futuros da entrada. Isto pode ser
matematicamente representado por:
Se x (t ) = 0 para t ≤ τ ; então y (t ) = 0 para t ≤ τ (2.3)
Sistema invariante no tempo
Um sistema é invariante no tempo se:
L[x (t − τ )]= y (t − τ ) (2.4)
para qualquer τ real.
Equação diferencial
Um sistema linear invariante no tempo pode geralmente ser representado por uma
equação diferencial linear da forma:
d n y (t ) d n − 1 y (t ) dy (t )
an n
+ an− 1 n− 1
+ ..... + a1 + ao y (t ) =
dt dt dt
(2.5)
d m x (t ) d m− 1 x (t ) dx (t )
bm m
+ bm− 1 m− 1
+ ..... + b1 + bo x (t )
dt dt dt
É interessante notar que um sistema linear com N entradas e M saídas pode ser
dividido em NM problemas de uma entrada e uma saída utilizando o princípio de
superposição. Assim, por exemplo, uma sistema linear de 2 entradas e 3 saídas pode ser
subdividido em 6 sistemas lineares de uma entrada e uma saída.
Integral de Duhamel (convolução)
Se a resposta de um sistema linear à distribuição δ é a função h(t), podemos obter

a resposta a uma entrada qualquer x(t) em função de h(t). Para tanto, a entrada x(t) pode
ser escrita como a soma das entradas elementares (Figura 2.2).
x(t)
∆τ
τi t
y(t)
τi t
Figura 2.2. Integral de Duhamel
Com ∆ τ suficientemente pequeno podemos escrever:

N N
x (t ) = ∑
i= 1
xi (t ) = ∑ x (τ i )∆ τ δ(t − τ i )
i=1
(2.6)
Como o sistema é linear, pelo princípio da superposição, temos que a resposta

será:
N N
y (t ) = ∑
i= 1
yi (t ) = ∑ x (τ i )h(t − τ i ) ∆ τ
i=1
(2.7)
fazendo ∆ τ → dτ:
t
y (t ) = ∫ x(τ )h(t −
0
τ ) dτ (2.8)
Geralmente tomamos por conveniência a entrada x(t) só para tempos positivos

(função causal) ou seja:
x (t ) = 0 para t < 0 (2.9)
Como o sistema é causal, a saída y(t) não pode depender de entradas futuras x(τ >
t), ou seja:
h (t ) = 0 para t< 0 (2.10)
Donde a integral (2.8) fica:

∞
y (t ) = ∫
− ∞
x (τ )h(t − τ ) dτ (2.11)
A equação (2.8), que expressa a resposta de um sistema linear causal a uma

entrada qualquer, é conhecida por integral de Duhamel. Devido as equações (2.9) e
(2.10), as expressões (2.8) e (2.11) expressam o mesmo resultado.
Da definição (1.32), temos que a expressão (2.11) denota a convolução de x(t)

com h(t), ou seja:
“A resposta de um sistema linear a uma excitação qualquer é a convolução da entrada

com a função resposta ao impulso unitário”.
Do teorema da convolução (1.33) temos que, fazendo a transformada de Fourier

da expressão (2.11):
Y ( f ) = X ( f )H ( f )
onde
~
X ( f ) ←  f → x (t ); (2.12)
~
Y ( f ) ←  → y (t );
f
~
H ( f ) ←  f → h (t )
Mas este resultado pode ser obtido por um outro caminho mais rigoroso.
A resposta de um sistema linear à entrada e i 2πft é uma função de f e t.
[ ]
y (t , f ) = L e i 2πft (2.13)
pela invariância com o tempo (2.4):
[
y (t + τ , f ) = L e i 2πf ( t + τ ) ]
para qualquer τ. Devido à linearidade (2.2):
[ ] [ ]
L e i 2πft e i 2πfτ = e i 2πfτ L e i 2πft = e i 2πfτ y (t , f ) (2.14)
donde:
y (t + τ , f ) = e i 2πfτ y (t , f )
fazendo t = 0:
y (τ , f ) = e i 2πfτ y (0, f ) (2.15)

Como (2.15) é válida para qualquer τ e y(0,f ) é uma função apeans de f e

chamaremos H(f) = y(0,f ):
y (t , f ) = H ( f ) e i 2πft
ou seja, a resposta a uma exponencial complexa é também uma exponencial complexa.

Da expressão da transformada de Fourier inversa podemos escrever:
∞
∫X ( f )e
i 2πft
x (t ) = df
− ∞
e como resposta a e i 2πft é H ( f ) e i 2πft temos, pelo princípio da superposição:
∫ X ( f )H ( f ) e
i 2πft
y (t ) = df (2.16)
− ∞
Fazendo a transformada de (2.16) temos:

∞
∞  − i 2πft
∫− ∞ − ∫∞
i 2πξ t
Y(f ) =  X (ξ ) H (ξ ) e dξ e dt

ou seja:
∞
 ∞ i 2πξ t − i 2πft 
Y ( f ) = ∫ X (ξ ) H (ξ )  ∫ e e dt  dξ (2.17)
− ∞ − ∞ 
Mas de (1.28) temos que o termo no colchete vale δ(f-ξ ) donde:

∞
Y(f ) = ∫ X (ξ ) H (ξ ) δ( f −
− ∞
ξ ) dξ
(2.18)
Y ( f ) = X ( f ) H( f )
ou seja, o mesmo resultado de (2.12). Pelo teorema da convolução (1.33), chegamos a

(2.11) e, para mostrar que h(t) é a resposta ao impulso δ(t) basta substituir x(t) = δ(t)
em (2.11).
Função de resposta em frequência
A função H(f) que é a transformada de Fourier da resposta ao delta de Dirac é

chamada de função de resposta em freqüência (Figura 2.3):
∞
∫ h (t ) e
− i 2πft
H( f ) = dt (2.19)
− ∞
tempo frequência
x(t) y(t) X(f ) Y(f )
h(t) H(f )
∞
y (t ) = ∫ x(τ )h(t −
− ∞
τ ) dτ
Y ( f ) = H( f ) X( f )
y (t ) = x (t ) ∗ h(t )
Figura 2.3 Relações entrada/saída de um sistema linear
Dado que:
dx (t ) ~f
←  → i 2πf X ( f ) (2.20)
dt
pois:
dx (t ) d  
∞
dt
= 
 ∫
dt  − ∞
X ( f ) e i 2πft df 


∞
∫ X ( f ) dt (e )df
d i 2πft
=
− ∞
∞
∫( i2πfX ( f )) e
i 2πft
= df
− ∞
podemos fazer a transformada de Fourier dos dois lados da equação (2.5) e usando
(2.20):
[
Y ( f ) a n (i 2πf ) n + a n − 1 (i 2πf ) n − 1 + ..... + a1 (i 2πf ) + ao = ]
X ( f )[b m (i 2πf ) m + bm− 1 (i 2πf ) m − 1 + ..... + b1 (i 2πf ) + b] o
ou seja:
Y ( f ) bm (i 2πf ) m + bm − 1 (i 2πf ) m− 1 + ..... + b1 (i 2πf ) + bo

H( f ) = = (2.21)
X ( f ) a n (i 2πf ) n + a n − 1 (i 2πf ) n − 1 + ..... + a1 (i 2πf ) + ao
que é a expressão geral da função resposta em frequência para sistemas lineares

invariantes no tempo que podem ser representados por uma equação diferencial.
É interessante interpretar H(f ) considerando a resposta de um sistema linear a

uma entrada senoidal.
Todo sistema linear é real, ou seja, a resposta a uma entrada real é uma saída real:
L[x1 (t ) + ix2 (t )]= y1 (t ) + iy 2 (t )
então:
L[x1 (t )]= y1 (t ); L[x 2 (t )]= y 2 (t ) (2.22)
Tomemos a entrada :
x(t ) = X e i 2πft = X cos(2πft ) + iX sin( 2πft )
A resposta a esta entrada, em parte real, será a resposta a Xcos(2πft) e, em parte

imaginária, a Xsin(2πft).
Mas, já vimos que a resposta a x(t) será:
y (t ) = H ( f ) X e i 2πft
Como H(f ) é uma função complexa podemos escrever:
H ( f ) = H ( f ) e i∠ H ( f )
ou seja:
y (t ) = Y e i ( 2πft + ∠ H ( f ) ) (2.23)
onde:
Y = H( f ) X (2.24)
ou seja, a relação entre as amplitudes das senóides de entrada e saída é H ( f ) e a

defasagem é ∠ H(f).
Exemplo:
Consideremos o sistema mecânico elementar massa-mola-amortecedor (Figura

2.4.a). A excitação é a força externa F(t) atuando sobre a massa (devido , por exemplo,
a um rotor desbalanceado) e a resposta é o movimento da massa, que pode ser dado em
termos de deslocamento x(t). Aplicando as leis de Newton:
d 2 x (t ) dx(t )
m 2
+ c + k x (t ) = F (t ) (2.25)
dt dt
Aplicando (2.18) temos:
1
H( f ) = (2.26)
m(i 2πf ) + c (i 2πf ) + k
2
É mais conveniente escrever a expressão (2.26) usando definições:
c 1 k
ξ = ; fn = (2.27)
2 km 2π m
onde ξ é o fator de amortecimento e fn a frequência natural não amorecida.

Substituindo (2.27) em (2.26):
1/ k
H( f ) = (2.28)
1 − ( f / f n ) 2 + 2iξ ( f / f n )
ou, em termos de amplitude e fase, chamando γ= f/fn temos:
1/ k
H( f ) = (2.29)
(1 − γ ) + (2ξ γ) 2
2 2
 2ξ γ 
∠ H ( f ) = arctan  
2 
(2.30)
1 − γ 
as curvas H(f ) e ∠ H(f ) são mostradas nas Figura 2.4.(b) e (c) respectivamente, para
diferentes valores do coeficiente de amortecimento ξ .
É importante notar a diferença entre função de resposta em frequência e função de

transferência. A função de transferência é, por definição, o quociente da transformada
de Laplace da saída pela transformada de Laplace da entrada. A função de
transferência é utilizada no estudo analítico das relações entrada/saída de sistemas
lineares.
A transformada de Laplace é dada por :

∫ x (t ) e
− st
X (s) = dt; s = σ + iω (2.31)
0
e a transformada inversa de Laplace :

∞
x (t ) = ∫ X (s ) e
st
ds; (2.32)
− ∞
x(t)
(a)
k F(t)
m
c
4 ξ = .05
(b)
ξ = .25
ξ = .5
2 ξ =1
0 1 2 3 4
180
(c) 150 ξ = .05
ξ = .25
100 ξ = .5
ξ =1
50
0
1 2 3 4
f/fn
Figura 2.4. (a) Sistema massa-mola-amortecedor e sua função de resposta em

frequência. (b) Amplitude; (c) fase.
A transformada de Fourier pode ser obtida em (2.31) fazendo s = i2πf.
Y (s )
H (s ) = (2.33)
X ( s)
e a função de resposta em frequência pode ser obtida de (2.33) fazendo s = i2πf.

Filtros
Qualquer sistema linear é considerado um filtro. Um filtro analógico é físicamente

realizável se h(t) = 0 para t < 0. Os filtros são geralmente utilizados para eliminar ou ao
menos atenuar o sinal em determinadas faixas de frequência.
Podemos definir dois tipos básicos de filtros: passa-baixas e passa altas (Figura
2.5.a e Figura 2.5.b). Idealmente estes filtros eliminariam componentes de frequência
superior ou inferior, repectivamente, a uma determinada frequência fc, dita frequência
de corte. Colocados sequencialmente , estes dois tipos básicos de filtros geram outros
dois de larga aplicação: passa-banda e rejeita-banda (Figura 2.6.a e Figura 2.6.b).
x(t) y(t)
h(t)
(a ) H(f ) (b) H(f )
fc f fc f
Figura 2.5. Filtros ideais básicos: (a) Passa-baixas; (b) passa-altas.
Os filtros ideais assim definidos não são físicamente realizáveis. Isto porque:
(a) Para não haver defasagem do sinal, a parte imaginária de H(f ) deveria ser nula,
mas isto implicaria em h(t) ser real par, o que é impossível pois h(t) = 0 para t < 0. Daí
conclui-se que todo tipo de filtro fisicamente realizável defasa.
(b) A condição de h(t) ser causal implica num truncamento que, no domínio das
frequências, significa uma convolução com a transformada de uma janela. Daí conclui-
se que é impossível ter os cantos “cantos vivos” em H(f ).
Para demonstrar de forma rigorosa as afirmações acima seria necessário fazer

apelo à condição de Paley-Wiener1, ou seja : “Se h(t) = 0 para t < 0, então H(f ) não
1Paley, REA, Wiener, N., Fourier Transforms in the Complex Domain, American Math. Soc. Coll. , n.
19, 1934.
pode ser zero para todo f de um intervalo”. Esta demonstração estaria fora do escopo
deste texto.
(a ) H(f ) (b) H(f )
fc1 fc2 f fc1 fc2 f
Figura 2.6. Filtros ideais: (a) Passa-banda; (b) rejeita-banda.
A Figura 2.7, mostra a forma assintótica de  H(f ) para um filtro real passa-
baixas. O que caracteriza basicamente um filtro real é a frequência de corte fc, definida
como a frequência correspondente a uma atenuação de 3 dB, e a inclinação da curva de
atenuação em escala logarítmica expressa em dB/década ou dB/oitava. Uma década é o
intervalo entre f a 10f e uma oitava o intervalo de f a 2f no eixo das frequências.
db
3db
0
-20
60db/decada
-40
-60
1 10 100 1k 10k 100k f
Figura 2.7. Características básicas de um filtro real.
Outro conceito importante que caracteriza um filtro real é a largura de banda. A largura
de banda tem a propriedade de fazer passar somente parte da potência total cujas
freqüências estão dentro de uma determinada faixa finita.
Exercícios
Dado um sistema mecânicos dada pelas equações (2.26) e (2.27) cuja função de
resposta em freqüência (FRF) é conhecida analiticamente, H(f) , pede-se descrever todo
procedimento para calcular a resposta do sistema aos diferentes tipos de sinais
mostrados na figura abaixo utilizando a Transformada de Fourier Discreta (DFT).
 1  1 
H ( f ) =   , k = 1, ξ = 1, 0 ≤ f ≤ 4
 k   1 − f + iξ f 
2
1. Pede-se discutir aspectos relativos à discretização (freqüência de amostragem,

número de pontos, “zero-padding”, etc.), janelamento, filtragem e processamento.
2. Pede-se apontar também tipo adequado de espectro para cada tipo de sinal de
resposta obtido e um método para obter cada tipo de espectro utilizando a DFT.
 Asin(2πf 0 t ), 0 ≤ t < 80ms f 0 = 8Hz e A = 1

a) Excitação transitôria: x(t ) = 
 t ≥ 80ms
x(t)
x(t) y(t)
H(f)
b) Excitação periódica: x(t ) = Asin(2πf 0 t ) , 0 ≤ t < 40s f 0 = 5 Hz e A = 1
x(t)
x(t) y(t)
H(f)
t
Discretização e transformada de Fourier discreta 42
CAPITULO 3
Discretização e transformada de Fourier discreta
Para poder fazer uso dos modernos processadores digitais extremamente rápidos
na análise de sinais, é necessário trabalhar com valores discretos, ou seja, é necessário
discretizar ou digitalizar os sinais analógicos. Torna-se então necessário estabelecer
relações entre os sinais discretos e os sinais analógicos dos quais foram obtidos bem
como, na análise espectral, as relações entre suas transformadas.
Discretização e teorema da amostragem
Seja um sinal x(t) contínuo. A partir dele, tomando valores a intervalos de tempo
∆t, podemos obter um sinal discreto x(n) (Figura 1).
x(n) = x(t = n∆t ); n inteiro (1)
Para o sinal discreto x(n) podemos definir uma transformada de Fourier contínua do
sinal discreto X ( f ) :
∞
X(f ) = ∑ x(n) e
n= − ∞
− i 2πfn∆t
(2)
x(n)
x(t)
∆t t
Figura 1. Discretização do sinal
Podemos mostrar que esta transformada de Fourier do sinal discreto é periódica. A

frequência com que o sinal é amostrado, ou freqüência de amostragem, é:
1
fa = (3)
∆t
Então:
∞
X ( f + kf a ) = ∑ x(n) e − i 2πfn∆t e − i 2kf n∆t , k inteiro
a
n= − ∞
mas, usando (3) e lembrando que:
e − i 2πk = cos(2πk ) − i sin(2πk ) = 1 , k inteiro
temos:
X ( f + kf a ) = X ( f ) , k inteiro (4)
então X ( f ) definida em (2) é periódica de período fa . Multiplicando os dois lados de

(2) por e i 2πfn∆t , integrando de –fa/2 a fa/2 e multiplicando a integral por 1/fa, obtemos:
fa / 2 ∞ fa / 2
1 1
fa ∫X ( f ) e df =
i 2πfn∆t
∑
k =− ∞
x (k )
fa ∫e
i 2πf ( k − n ) ∆t
df (5)
− fa / 2 − fa / 2
mas
1, k = n
fa / 2
1
∫X ( f ) e
i 2πf ( k − n ) ∆t
df = δkn =  (6)
fa − fa / 2 0, k ≠ n
substituindo em (5) obtemos:

fa / 2
1
∫X ( f ) e
i 2πfn∆t
x(n) = df (7)
fa − fa / 2
Podemos interpretar (2) como uma expansão em série de Fourier da função periódica
X ( f ) de coeficientes de Euler-Fourier x(n) dados por (7).
Como x(t) é a transformada de X(f ) e dada a equação (1) temos:
∫X ( f ) e
i 2πfn∆t
x(n) = df (8)
−∞
que pode ser rearranjado:
∞ ( 2 r + 1) f a / 2
x(n) = ∑ ∫X ( f ) e
r = − ∞ ( 2 r − 1) f a / 2
i 2πfn∆t
df (9)
ou:
∞ fa / 2
x(n) = ∑ ∫X ( f +
r = − ∞− f a / 2
rf a ) ei 2πfn∆t ei 2πrf a n∆t df (10)
o que pode ser facilmente obtido por substituição de variáveis, com ξ = f − rf a . Mas:
ei 2πrf a n∆t = ei 2πrn = 1 , r e n inteiros
donde:
 ∞ 
fa / 2
x(n) = ∫  ∑ X ( f + rf a ) ei 2πfn∆t df (11)

− f a / 2 r = − ∞ 
Comparando (11) e (7) temos:
∞
X ( f ) = fa ∑
r=− ∞
X ( f + rfa ) (12)
A Figura 2. mostra graficamente a expressão (12) para um dado X(f ).
X(f)
(a)
-fmax fmax
(b)
X(f)
-fa fa
X(f)
(c)
-fa fa f
Figura 2. Efeito de rebatimento devido à discretização.(a) transformada do sinal original

(b) transformada do sinal discretizado com distorção (c) sem distorção.
É fácil ver que se:
X ( f ) = 0 , para f > fmax (13)
temos:
fa f fa
X ( f ) = fa X ( f ); − ≤f ≤ a se fmax ≤ (14)
2 2 2
fa
X ( f ) ≠ fa X ( f ); fmax ≤ (15)
2
Na condição de que a maior frequência contida no sinal seja inferior à metade da

frequência de amostragem, a transformada do sinal discretizado é igual à transformada
do sinal contínuo na faixa -fa/2 ≤ f ≤ fa/2 a menos de uma constante fa. Caso fmax > fa/2
então existirá distorção pelo efeito de rebatimento devido à discretização. A frequência
fa/2 é também chamada de frequência de Nyquist, fN .
No caso em que não há distorção, ou seja, fmax ≤fa/2, podemos escrever:
∞ fa / 2
1
∫X ( f ) e ∫
i 2πft
x(t ) = df = X ( f ) ei 2πft df (16)
−∞ − fa / 2 fa
e substituindo (2) em (16):
 ∞ 
fa / 2
1
x(t ) = ∫  ∑ x (k ) e − i 2πk∆t ei 2πft df (17)
fa − f a / 2 k = − ∞ 
ou ainda rearranjando:
∞ 1 fa / 2

x(t ) = ∑ x (k )  ∫ e i 2πf ( t − k∆t )
df 
 fa 
k=− ∞  − fa / 2 
mas a expressão entre colchetes é facilmente integrável, obtendo-se finalmente:

∞
sin(πf a (t − k∆t ))
x (t ) = ∑ x(k )
k=− ∞ πfa (t − k∆t )
(18)
A expressão (18) é conhecida por interpolação de Shannon e pode ser interpretada

como “prova da possibilidade de recuperar um sinal analógico a partir do mesmo sinal
discretizado desde que a frequência de amostragem tenha sido pelo menos o dobro da
maior frequência contida no sinal”.
Transformada de Fourier discreta
A transformada definida pela equação (2) ainda não é convenienente para obtenção
de um espectro, pois para seu cálculo seriam necessários infinitos valores amostrados
do sinal x(t). Neste item obteremos uma expressão de transformada por soma, análoga a
(2), porém finita, e portanto passível de ser calculada para um sinal físico observado
durante um intervalo de tempo finito.
A partir do sinal x(t) podemos obter um sinal discreto x(n) em intervalos de tempo
∆t, conforme a equação (1).
Da fórmula de Poisson (equação 1.44) temos que os termos da série de Fourier do

sinal x(t) periorizado, ou seja x (t ) são os valores amostrados da transformada de x(t):
∞
X (kf o ) i 2πkf o t
x (t ) = ∑
k =− ∞ T
e (19)
onde:
fo = 1 / T
∞ (20)
x (t ) = ∑ x(t +
k=− ∞
nT )
Valores discretos de x (t ) espaçados de ∆t com T = N∆t podem ser obtidos da

seguinte forma:
∞
X (kf o ) i 2πkn / N
x (n) = ∑
k =− ∞ T
e (21)
Introduzindo a notação:
e i 2π / N = w N
ou seja, wN sendo a N-ésima raiz da unidade, temos:

∞
X (kf o ) kn
x (n) = ∑
k =− ∞ T
wN (22)
onde:
∞
x (n) = ∑ x(n +
r =− ∞
rN ) (23)
Mas x (t ) é uma função periódica de perído T, o que implica que x (n) é periódica de
período N.
Do teorema de discretização (equação (12)) temos:

∞
X ( f + rf a )
X(f )= N ∑
r =− ∞ T
(24)
onde X ( f ) , dada pela equação (2), é periódica de período fa = 1/∆t. Fazendo f = mfo
em (24) podemos chegar facilmente a:
∞
X[
(m + rN ) fo ]
X (mfo ) = N ∑ (25)
r=− ∞ T
Trabalhando a equação (22) onde fazemos:
k = m + rN ; m = 0,1,....., N − 1; r = ..., − 1, 0,1, 2,.... (26)
chegamos a:
N− 1 ∞
X[
(m + rN ) f o ] ( m + rN ) n
x (n) = ∑ ∑ wN (27)
m =0 r = − ∞ T
mas como:
w NN = 1, donde w N( m + rN ) n = w Nmn
temos:
N− 1 ∞
X[
(m + rN ) f o ]
x (n) = ∑ w Nmn ∑ (28)
m =0 r =− ∞ T
Substituindo a expressão (25) em (28) temos:

N− 1
1
x (n) =
N
∑
m =0
X (m)w Nmn (29)
Multiplicando os dois lados da equação (29) por w N− nr e somando sobre n:
N− 1 N− 1 N− 1
1
∑
n= 0
w N− nr x (n) =
N
∑∑
n=0 m =0
X (m) w N( m − r ) n
que pode ser rearranjado:

N− 1 N− 1 N− 1
1
∑
n= 0
w N− nr x (n) = ∑ X (m)
m =0 N
∑
n=0
w N( m − r ) n
mas é bem conhecido que:

N− 1
 0, m ≠ r
∑w n( m − r )
= Nδmr =  (30)
N , m = r
N
n= 0
Então:
N−1
1
∑
m =0
X (m)
N
Nδmr = X (r )
e, finalmente:
N− 1
X (r ) = ∑ x (n) w N− nr (31)
n=0
A Figura 3 ilustra graficamente o significado das expressões (29) e (31).
É evidente que a constante multiplicativa 1/N que aparece na equação (29) poderia
igualmente aparecer na equação (31) e as duas equações continuariam a constituir um
par de transformações igualmente válido.
Na verdade preferiremos definir a transformada de Fourier discreta TFD pelas

expressões:
N− 1
1
Xr =
N
∑xw
n=0
n
− nr
N ; r = 0, ..., N-1 (32)
N− 1
x n = ∑ X r w N− nr ; r = 0, ..., N-1 (33)
r =0
A interpretação da TFD definida acima deduz-se imediatamente de (29), (31) e da

Figura 3.
Das equações obtidas e da Figura 3 fica claro que, para obter valores amostrados
da transformada de Fourier de um sinal transitório através da transformada de Fourier
discreta, é necessário que a periodização não introduza distorções no sinal, ou seja:
 t > T /2
x (t ) = 0, 
t < − T / 2
e ainda que a discretização seja tal que, sendo fmax a maior frequência contida no sinal
x(t), fa ≥ 2 fmax para que não haja distorção por rebatimento.
Para obter os valores dos coeficientes de Euler-Fourier para sinais periódicos a

partir da transformada de Fourier discreta, é necessário truncar o sinal e isto, como
vimos no capítulo 1, equivale a fazer uma convolução com a transformada da janela
utilizada.
Uma maneira de relacionar a transformada de Fourier discreta com os

coeficientes de Euler-Fourier é obter a resposta em frequência da TFD.
Fazendo:
xn = ei 2πfn∆t (34)
e substituindo em (32), obtemos:

N−1
1
F (k ) =
N
∑e
n=0
i 2πn ( ft − k ) / N
(35)
mas é bem conhecido que:
N 
N−1
sin a 
 2 eia ( N − 1) / 2
∑e
n=0
ina
=
a 
(36)
sin  
2 
2π
Substituindo a = ( ft − k ) pode-se chegar a:
N
sin (πft )
N − 1
1 iπ ( ft − k )
F (k ) = e  N 
(37)
N π 
sin  ( ft − k ) 
N 
que é a “resposta em frequência” da TFD.

x(t) X(f)
(a)
t f
x(n) X(f)
(b)
t -fa fa f
∆t = 1/fa
x(t)
X(kfo)/T
(c)
-T T t f
∆f = 1/T
x(n) X(k)
(d)
-T T t -fa fa f
Figura 3. Interpretação da transformada de Fourier discreta: (a) Sinal e sua

transformada; (b) sinal discretizado e sua transformada; (c) sinal periodizado e sua
transformada; (d) sinal periodizado discretizado e sua transformada
É importante notar que se tomarmos uma senóide de frequência fo e escolhermos N

e ∆t de modo que:
1
T = N∆t = M = MTo (38)
fo
ou seja, de modo a que o tempo total sobre o qual é calculada a TFD contenha um
número inteiro de períodos, teremos que F(k) = 1. Isto significa que pela TFD serão
obtidos exatamente valores da série de Fourier (Fig. 4). Para sinais periódicos quaisquer
isto também é verdade pois o produto f T será um número inteiro para cada frequência
contida no sinal.
x(n) (a) X(k)
f0 f
x(n) (b) X(k)
f0 f
Figura 4. Obtenção dos coeficientes de Euler-Fourier a partir da TDF (a) com fo múltipla
de ∆f e (b) com fo não múltipla de ∆f.
Execícios
Um sinal harmônico é digitalizado para análise espectral usando a DFT. Pede-se
calcular a DFT e comentar o resultado para os casos mostrados nas figuras abaixo. Os
círculos denotam os pontos amostrados.
Caso 1:
1
x [V ]
0 .5
0
t [s ]
- 0 .5
-1
0 1 2 3 4 5 6 7
Caso 2:
1
x [V ]
0 .5
0
t [s ]
-0.5
-1
0 1 2 3 4 5
Caso 3:
x [V ]
0 .5
0
t [s ]
-0.5
-1
0 1 2 3 4 5 6 7
Caso 4:
x [V ]
0 .5
0
t [s ]
- 0 .5
-1
0 1 2 3 4 5
Algoritmos da transformada de Fourier 55
CAPITULO 4
Algoritmos da transformada de Fourier rápida
Para o cálculo da TFD

N− 1
1
Xk =
N
∑ xn wN− kn , k = 0,.., N-1
n= 0
são necessárias N multiplicações complexas para cada valor de Xk, ou seja, N2

multiplicações complexas no total. Para N = 1024, que é o número usual para o cálculo
da TFD, são necessárias 1.048.576 multiplicações complexas. Esta quantidade de
operações implica num tempo de processamento em computador muito elevado.
Uma possibilidade para diminuir o número de operações necessárias ao cálculo de

Xk foi inicialmente formulada por Cooley e Tukey em 1965 1. Com o algoritmo por
eles proposto e denominado transformada rápida de Fourier ou mais conhecido como
“fast Fourier transform “ (FFT), é possível, como veremos a seguir, calcular a TFD
com N log2 N multiplicações complexas, ou seja, para os mesmos N = 1024 pontos,
serão necessárias 10.240 multiplicações complexas.
Trataremos aqui apenas o algoritmo original Cooley-Tukey onde N deve ser

potência de 2, ou seja, N = 2p com p inteiro. Na teoria generalizada dos algoritmos da
FFT, este algoritmo é chamado de base 2.
Decimação no tempo
Seja uma série temporal:
{xr }; r = 0,....., N − 1 (1)
composta pelos valores amostrados x(t = r∆t) de um sinal do qual se deseja obter a
FFT. Podemos partir esta série em duas outras (base 2) com metade do número de
valores, desde que N seja par:
[1] Cooley, J.W. and Tukey, J.W., Na Algorithm for the Machine Calculation of Complex
Fourier Series, Mathematics of Computation, vol.19, p. 297-301, 1965.
{yr } / yr = x2r  N
r = 0,....., −1
{zr } / zr = x2 r + 1 
; (2)
2
Substituindo no cálculo da TFD:
1 N / 2− 1 N / 2− 1

 ∑ x 2 r wN + ∑x
− 2 rk
Xk = 2r + 1 wN− ( 2 r + 1) k  , k = 0,.., N-1 (3)
N  r =0 r =0 
rearranjando:
12 N / 2− 1
2 − k N / 2− 1 
Xk = 
2 N
∑
r =0
y r wN− rk/ 2 +
N
wN ∑ z r wN− rk/ 2 
r =0 
denotando Yk e Zk as FFT das séries yr e zr de N/2 valores, temos:
Xk =
1
2
{ }
Yk + w N− k Z k , k = 0,.., N/2 - 1 (4)
Para obter os N/2 pontos restantes, basta substituir k = k + N/2 na equação (3):
1 
 − rN N / 2− 1
 2 r + 1  N / 2− 1
− N 

wN ∑ y r wN / 2 + wN wN ∑
− rk −k
X k+ N / 2 =  2 
z r wN− rk/ 2  (5)
N 
 r =0 r =0 

mas já vimos que wNN = 1 e, portanto:
wN− rN = 1; w N− ( 2 r + 1) N / 2 = wN− rN w N− N / 2 = − 1
Substituindo em (5):
X k+ N / 2 =
1
2
{ }
Yk − wN− k Z k , k = 0,.., N/2 - 1 (6)
As expressões (4) e (6) constituem a base de algoritmo da FFT, pois permitem

obter a TFD de duas séries de N/2 pontos cada, formadas a partir da série inicial,
conforme a expressão (2). A Figura 1 ilustra o algoritmo que, por sua forma gráfica, é
geralmente conhecido como “borboleta”.
Yk/2 + Xk
+
Zk/2 Xk+N/2
−k
w N _
Figura 1. Algoritmo básico da FFT (“borboleta”)
Partindo uma série de N = 2p pontos p vezes, chegamos a séries constituídas de

apenas um elemento. Mas, para uma série de apenas um elemento:
{xr }= xo , r = 0 (7)
Temos que a sua TFD é uma série de apenas um elemento igual a xo:
0
X k = ∑ x r wN− kr , k = 0 (8)
r =0
ou seja, Xo = xo. Remonta-se à TFD da série original usando (4) e (6). A Figura 2
ilustra o procedimento para uma série com N = 4.
{xr} = xo, x1, x2, x3
{yr} = xo, x2 {zr} = x1, x3
{y´r} = xo {z´r} = x2 {y´´r} = x1 {z´´r} = x3
{Y´k} = xo {Z´k} = x2 {Y´´k} = x1 {Z´´k} = x3
{Yk} = ½(xo + x2), ½(xo - x2) {Zk} = ½(x1 + x3), ½(x1 – x3)
{Xk} = ¼[xo + x1 + x2 + x3], ¼[(xo – x2) – i(x1 - x3)],

¼[(xo + x2) – (x1 + x3)], ¼[(xo – x2) + i(x1 - x3)]
Figura 2. FFT sobre uma série de N = 4 termos.
O processo de partição da série temporal conforme a expressão (2) é chamada

decimação no tempo. A Figura 3 ilustra de outra forma o procedimento para obter a
TFD da mesma série de N = 4 termos. Esta representação é útil na comparação com
outros algoritmos, como o que veremos a seguir.
xo/4 + + Xo
+ +
+
x1/4 + X1
0
w2 _
+
+
x2/4 + X2
0
w4 _
+
+ +
x3/4 X3
-1
w20 _ w4 _
Figura 3. FFT sobre uma série de N = 4 termos com decimação no tempo.
Decimação na frequência
Podemos partir a TFD de outra maneira:
1 N / 2− 1 N− 1

 ∑ x r wN + ∑x
− rk
Xk = r wN− rk 
N  r =0 r=N / 2 
que é o mesmo que:
1 N / 2− 1 N / 2− 1

 ∑ x r wN + wN ∑
− rk − kN / 2
Xk = x r + N / 2 wN− rk 
N  r =0 r =0 
mas já vimos que wN− N / 2 = − 1 e portanto:
∑ (x )
N / 2− 1
1
Xk = r + ( − 1) k x r + N / 2 w N− rk , k = 0,.., N-1
N r =0
Fazendo k = 2n (par):
N / 2− 1
X 2n =
2
∑
1
(xr + x r + N / 2 )wN− nr/ 2 , n = 0,.., N/2-1
N r =0 2
e para k = 2n + 1 (ímpar):
N / 2− 1
∑ 2 (x − x r + N / 2 )w N− nr/ 2 wN− r , n = 0,.., N/2-1

2 1
X 2n+ 1 = r
N r =0
Chamando:

yr =
1
{x r + x r + N / 2 } 
2  N
; r = 0,....., − 1 (9)
1
{
z r = ( x r − x r + N / 2 ) w N− r
2
}



2
temos:
X 2 n = Yn  N
; n = 0,....., − 1 (10)
X 2n + 1 = Zn  2
As expressões (9) e (10) constituem a base do algoritmo da FFT com decimação

em freqüência. A Figura 4 ilustra o procedimento.
xo/4 + + Xo
+ +
+
x1/4 + X1
w20
_
+
+
x2/4 +
_ w40
X2
+
+
+
x3/4
w4-1 _ w20
_ X3
Figura 4. FFT sobre uma série de N = 4 termos com decimação em frequência.
Economia de memória
Os algoritmos tratados apresentam ainda ineficiência em relação ao espaço de

memória ocupado. Como os sinais analizados são reais, metade da memória de N
valores complexos contém zeros. Vimos ainda que, para sinais reais, a transformada de
Fourier tem parte real par e parte imaginária ímpar. Dada a periodicidade do espectro
obtido via FFT temos que:
X k + nN = X k ; k = 0,....., N − 1 (11)
e:
X N − k = X ∗k ; (12)
Sendo assim, os valores de Xk com k variando de N/2 a N-1 são redundantes, uma vez
que sabemos que (Figura 5):
Re {X k + N / 2 }= Re {X N / 2 − k }
(13)
Im {X k + N / 2 }= − Im {X N / 2 − k }
Basta então calcular os N/2 primeiros pontos de Xk.
Xk
Xk
0 8 16 k
N/2 N
Figura 5. Redundância dos valores de Xk para k > N/2.
Investiguemos as posssibilidades de sanar estas ineficiências. Podemos construir a

partir da série real {xr} uma série complexa {αr} tal que:
 yr = x2 r 
 
zr = x2 r + 1  , r = 0,....., N/2-1 (14)
α = y + iz 
 r r r
Chamando Ak a TFD de {αr}, temos:

N / 2− 1
∑ (y − iz r )wN− kr/ 2
2
Ak = r
N r =0
ou seja:
Ak = Yk + iZ k , k = 0, ..., N/2 - 1 (15)
Então, processando a TFD da série {αr} obtemos Ak. Porém, de (15) não é imediato
obter Yk e Zk de que precisamos para o cálculo de Xk. Isto porque Yk e Zk são valores
complexos. Usando a simetria da FFT (equação (13)):
X k = X N∗ − k , k = 0, ..., N - 1 (16)
o que pode ser expresso para Yk, Zk e Ak de N/2 termos:
Yk = YN∗ / 2 − k
, k = 0, ..., N/2 - 1 (17)
Z k = Z N∗ / 2 − k
Podemos então escrever:
Ak = YN∗ / 2 − k + iZ N∗ / 2 − k , k = 0, ..., N/2 - 1 (18)
mas também podemos escrever (15):
AN∗ / 2 − k = YN∗ / 2 − k − iZ N∗ / 2 − k , k = 0, ..., N/2 - 1 (19)
Somando ou subtraindo (18) e (19) pode-se chegar facilmente a:
Yk =
1
2
(
Ak + AN∗ / 2 − k ) 


 , k = 0, ..., N/2 - 1 (20)
Zk = −
i
2
(
Ak − AN∗ / 2 − k )



Aplicando (4) temos finalmente:

Xk =
1 1
( ∗
 Ak + AN / 2− k −
2 2
) (
i
) 
Ak − AN∗ / 2− k w N− k  , k = 0, ..., N/2 - 1 (21)
2 
Resta calcular os valores da componente de corrente contínua k = 0 e de Nyquist k =

N/2. A expressão (21) não vale para k = 0 pois o valor AN/2 não é conhecido.
Substituindo k = 0 e k = N/2 em (4) temos:
X0 =
1
(Y0 + Z 0 )
2 (22)
= (Y0 − Z 0 )
1
X N /2
2
Mas como Yk e Zk têm parte imaginária ímpar, Y0 e Z0 são necessáriamente reais e,

neste caso, podemos obter Y0 e Z0 diretamente de A0 pela expressão (15):
Y0 = Re ( A0 )
(23)
Z 0 = Im ( A0 )
Com as equações (22) e (23) podemos obter X0 e XN/2.
Resolução em frequência e “zoom”
Aumentar a resolução em freqüência, ou seja, diminuir:
1 1
∆f = = (24)
T N ∆t
mantendo N (que é o tamanho da memória necessária) constante, implica em ter ∆t

maior, ou seja, ter a faixa de frequências de análise (0, fa/2) menor.
Portanto, a única maneira de aumentar a resolução em torno de uma dada

frequência fo seria aumentar N, pelo cálculo direto da TFD. Como veremos a seguir, é
possível, pré-processando o sinal, aumentar a resolução sem aumentar N. Esta técnica é
conhecida por análise em banda estreita com memória restrita ou “zoom – TFD”.
Esta técnica se baseia no deslocamento em frequência (“shift”) por modulação.

Isto é, diminuindo a frequência de amostragem aumenta-se a resolução em torno de f =
0 mantendo N constante.
Se quisermos aumentar a resolução em torno da frequência fo, podemos

multiplicar o sinal por uma exponencial complexa e − i 2πf o t , o que tem por efeito
deslocar a parte do espectro que se deseja analisar para a origem. Depois disto, basta
diminuir fa.
A Figura 6 mostra esquematicamente este procedimento.
cos(2πnfo∆t)
Re Re
-f‘a/2 f‘a/2
fá
Filtro
anti-aliasing
x(t) FFT Xk
x(t) fá = fa/Z
-fa/2 fa/2
CAD
fa
Filtro
Filtro
anti-aliasing
anti-aliasing
Im Im
-f‘a/2 f‘a/2
fá
-sin(2πnfo∆t)
Figura 6. “Zoom – TFD”.
Reamostrando o sinal com f a' = f a / Z temos que:
∆f
∆f ' = (25)
Z
T ' = N∆t ' = ZN∆t (26)
ou seja, a resolução aumenta de Z que é chamado fator “ZOOM”. É importante notar

que o tempo de aquisição aumenta com o mesmo fator Z.
Exemplo
Um sinal senoidal de 2000 Hz é obtido utilizando um sistema de aquisição de dados

a uma frequência de amostragem de 8192 Hz e é utilizado 4096 pontos. Pode-se
observar na Figura 7 que o sinal no domínio do tempo contém um ruído de baixa
frequência e observa-se também que o espectro do sinal apenas posui informações
interessantes em torno de 2000 Hz.
0.5
Sinal original
-0.5
-1
0 0.005 0.01 0.015 0.02 0.025
t [s]
0.5
Espectro do sinal original
0.4
0.3
0.2
0.1
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500
f [Hz]
Figura 7. Sinal senoidal de 2000 Hz e amostrado a uma frequencia de amostragem de

8192 Hz.
Para realizar um ZOOM em torno de 2000 Hz, escolhe-se a faixa entre 500 Hz a 4646
Hz e representa-se com 2048 pontos que é metade número de pontos do espectro
original (Figura 8). Pode-se observar também o desaparecimento do ruído de baixa
frequência.
sinal com zoom

0.5
-0.5
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
t [s]
0.8
espectro senoZ
0.6
0.4
0.2
0
500 1000 1500 2000 2500 3000 3500 4000 4500 5000
f [Hz]
Figura 8 Sinal reamostrado em 2 vezes.
Analisadores de Fourier
Analisadores em tempo real ou analisadores de Fourier são instrumentos

eletrônicos digitais operando com microprocessadores que calculam a FFT.
Para isto são basicamente constituídos (Figura 9) de um filtro anti-“aliasing” e de

um conversor analógico-digital (CAD) que realiza a conversão do sinal analógico no
sinal digital; este sinal digitalizado é então armazenado numa memória. A freqüência
de amostragem fa deve ser ajustável para cobrir a faixa de 0 a 25 kHz para aplicações
em vibrações e acústica.
Um analisador pode ser tanto um instrumento dedicado como um módulo de

conversão A/D acoplado a um microcomputador ou estação de trabalho. Os módulos
de aquisição de sinais, que incluem frequentemente microprocessadores vetoriais para
cálculo da FFT, são denominados, em inglês, de “front-end”. Os sistemas dedicados
são geralmente mais robustos e, por isso, adequados a aplicações “in situ”, enquanto os
sistemas com “front end” são mais versáteis e mais adequados para ambientes
controlados de laboratório.
Filtro anti-rebatimento (anti-“aliasing”)

Filtro passa-baixas com freqüência de corte ajustável de maneira a garantir a

condição fmax< fa/2 (anti-“aliasing”). Este filtro tem que ser analógico antes da primeira
digitalização. Pode-se optar por filtros analógicos de frequência de corte fixa ou
variável em função da gama de frequências de análise. No caso de um filtro de
frequência de corte fixa, geralmente é necessário realizar uma re-amostragem, e para
isto, é utilizado um filtro digital anti-“aliasing” permitindo um aumento na resolução.
Conversor Analógico – Digital (CAD)
Realizam a discretização do sinal analógico com uma dada frequência de

amostragem e a quantização da amplitude em 2b faixas, onde b é o número de bits do
conversor. Geralmente tem-se um amplificador de ganho variável antes do CAD para
utilizar toda a faixa útil de ...
Processador da TFD
Circuitos digitais com microprocessadores para cálculo da TFD através dos

algoritmos otimizados de FFT.
Monitores
Monitores ou tubo de raios catódicos para visualização do contúdo da memória-

sinal no tempo e transformada.
X(f)
x(t)
Processador
CAD
-fa/2 fa/2 FFT
Monitor
Filtro
anti-rebatimento
Figura 9. Configuração típica de um analisador de Fourier

r não serem periódicos, estes sinais não podem ser representado
não serem transitórios, não podem ser representados pela tr
estes sinais é preciso desenvolver, portanto, outra forma de
o destes sinais e da relação entre entrada e saída de sistemas li

tações deste tipo é então feito através da aplicação de concei
as características médias do sinal e dos estimadores das
mos nos servir da teoria de processos estocásticos sem, e
s no assunto, o que fugiria ao escopo deste texto. Para uma ab
ecomendam-se as referências [1] a [3].
e um processo estocástico no qual cada amostra é um sinal

.... A figura 1 mostra esquematicamente a representação grá
ϕ x ( k) = lim
T→ ∞ ∫ x ( t )dt k
T 0
médias de conjunto tomadas entre as realizações de um pro

de tempo, dadas pelas equações:
N
µ x ( t ) = lim
1
N→ ∞ N
∑ xk ( t )
k=1
N
1
ϕ x ( t ) = lim
2
N→ ∞ N
∑ x k2 ( t )
k=1
om a média e o valor médio quadrático, outros momentos

finidos através da média no tempo e da média de conjunto. De
omentos estatísticos, que podem ser calculados para um proces
as funções de correlação. A função de autocorrelação é de
odutos dos valores do sinal nos tempos t e t + τ em função de
1 T
R xx ( k , τ ) = lim ∫ x k ( t ) x k ( t + τ )dt
T→ ∞ T 0
N
1
R xx ( t , τ ) = lim
N→ ∞ N
∑ xk ( t )xk ( t + τ )
k=1
nam-se estacionários os processos cujas propriedades média

tantes. Quando as propriedades médias computadas no tempo
ção) individual são iguais às propriedades computadas a parti
ra usual de representar um sinal aleatório no domínio do temp
e autocorrelação, calculada através da média temporal. Vamos
de Fourier deste sinal, que é transitório para um sinal aleatóri
espectral conveniente. Cabe, portanto, investigar algumas da
e correlação.
sinal x(t) aleatório estacionário de média µ ( x ) , pode-se defin

cia
C xx ( τ ) = lim ∫ ( x( t ) − µ x )( x( t + τ ) − µ x )dt
1 T
T→ ∞ T 0
o entre a função de autocorrelação e a função de autocovariânc

r de suas definições como
C xx ( τ ) = R xx ( τ ) − µ 2x
claro que as funções são idênticas para sinais de média nula. É

e média de um sinal e tratá-la separadamente na análise. Por es
ndiferentemente com as funções da autocorrelação e autocova
utilizar a primeira.
om foi definida a função de autocorrelação, pode-se também d

ação entre dois sinais aleatórios x(t) e y(t)
1
( )
T
( ) ( )
e( τ , β ) = lim ∫ [x( t ) − β y( t + τ )] dt
1 T 2
T→ ∞ T 0
ue minimiza o erro pode ser obtida de
∂e
= 0
∂β
pressão de β
1 T
x( t ) y( t + τ )dt R ( τ )
T → ∞ T ∫0
lim
β= =
xy
1 T 2 ϕ 2y
y ( t + τ )dt
T → ∞ T ∫0
lim
ndo esta expressão de β na equação (15) obtém-se o erro mínim
 
xy (τ ) 
(1 − )
2
R
2
e min (τ ) = ϕ x 1 −

=ϕ 2
ρ xy
2
(τ )
ϕ x ϕ y 
2 2 x

é o coeficiente que mede o grau de relação linear, chamado de

Como o erro é quadrático e, portanto, sempre maior ou igual
is de média nula
R2
xpresso por
µ 2x − σ 2x ≤ R xx ( τ ) ≤ µ 2x + σ 2x
σ = lim ∫ ( x( t ) − µ x ) dt = ϕ 2x − µ 2x
2 1 T 2
x
T→ ∞ T 0
e das funções de correlação tem inúmeras aplicações em eng

ia delas, porém, também pode ser tratada com a análise espectr
os aqui. Mesmo porque o cálculo eficiente das funções de c
rtir dos espectros para aproveitar a eficiência dos algoritmos d
pida. Vamos, portanto, seguir na busca de uma representação
tórios.
Espectral de Potência
rdagem consistirá em, primeiramente, definir um espectr

diferentes maneiras para, depois, demonstrar que estas
1: Espectro via Filtragem Analógica

x(t)
1
f
∆f
x(t,f,∆ f)
Figura 2: Sinal aleatório filtrado por um filtro passa-banda idea
acima é evidente que o valor médio quadrático do sinal para u

[f 1 , f 2 ] pode ser obtido a partir da DEP
( f 1 , f 2 ) = ∫f 1 G xx(1) ( f )df
f2
ϕ 2
x
1 q
S xx( 2 ) ( f ) = lim lim ∑k = 1 X k ( f , T )
2
T → ∞ q → ∞ qT
loga, define-se a Densidade Espectral de Potência Cruzada en

q
S xy ( f ) = lim lim X k* ( f , T )Yk ( f , T )
1
( 2)
T → ∞ q → ∞ qT
∑
k =1
3: Espectro via funções de correlação
e é usual representar um sinal aleatório no domínio do tem

autocorrelação calculada através de média temporal, é n
desse sinal no domínio da freqüência seja dada pela sua tr
+∞
S ( 3)
xx ( f ) = ∫− ∞ R xx ( τ ) e − i 2 πfτ dτ
+∞
S xy ( f ) = ∫ R xy ( τ ) e − i 2 πfτ dτ
−∞
ta definição é fácil mostrar algumas propriedades importa

e, como a função de autocorrelação é uma função real par (eq
ada também o é, i. e.,
Gxx(f) = 0, f ≤ 0
lustra a representação one-sided e double-sided da DEP. O

erior pode também ser aplicada à DEP cruzada.
Sxx(f)
Gxx(f)
ensidade Espectral de Potência "one-sided", Gxx(f), e "double-s
as definições anteriores, temos que

+∞ ∞
R xx ( f ) = ∫ S xx ( f ) e i 2 πfτ
df = ∫ G xx ( f ) e i 2 πfτ df
−∞ 0
nição do valor médio quadrático temos que
1 T 2 1 +∞ 2
ϕ ( k ) = lim ∫ x k ( t )dt = lim ∫ x k ( t , T )dt
2
x
T→ ∞ T 0 T→ ∞ T − ∞
da energia, dado pela equação (1.35), temos que:
+∞ +∞
( t , T )dt = ∫ ( f ,T )
2
∫−∞
x k2
− ∞
X k2 df
1 +∞ 2
ϕ ( k ) = lim ∫ X k ( f , T ) df
2 2
x
T→ ∞ T − ∞
sinal xk(t,T) é suposto real, o valor absoluto de sua transformad
1 +∞ 2
ϕ ( k ) = 2 lim ∫ X k ( f , T ) df
2 2
x
T→ ∞ T 0
al xk(t) for filtrado em torno da freqüência f0 arbitrária por u

largura ∆ f , temos que seu valor médio quadrático será
1 +∞
ϕ ( k , f 0 , ∆ f ) = 2 lim ∫ H ( f ) X k ( f , T ) df
2 2 2 2
x
T→ ∞ T 0
função de resposta em freqüência do filtro ideal

inição 1 da DEP, temos,
f0 + ∆ f 2
ϕ 2
x ( f0 ,∆ f ) = ∫
f0 − ∆ f 2
G xx(1) ( f )df
lui-se que
q
1
∑ ( )
2
Gxx ( f ) = 2 lim lim
(1)
X 2
k f , T ≡ 2 S (2)
xx ( f )
T → ∞ q → ∞ qT
k=1
equivalência das definições 1 e 2 da DEP. Resta ainda provar

primeiras definições e a definição 3. Para isso vamos partir d
forma generalizada para dois sinais distintos, x(t) e y(t). A
caso particular desta, onde y (t ) = x (t ) .
os inicialmente, partindo da definição 2,
S xy ( f , T , k ) = X k ( f , T )Yk ( f , T )
~ 1 *
T
q
S xx ( f ) = lim lim ∑ S xx ( f , T , k )
( 2) 1 ~
T → ∞ q→ ∞ q
k=1
no lugar de t nas expressões das transformadas de Fourier fini

τ
T α T
-T
4: Domínio de integração antes e depois da substituição de va
divisão de domínio da equação (44) na equação (43) tem-se
1 T
S xy ( f , T , k ) =
~ 0
∫− T T ∫− τ k k
− i 2 πfτ
x ( α ) y ( α + τ ) d α e dτ +
T 1 T− τ
∫0 T ∫0 k
− i 2 πfτ
x ( α ) y k ( α + τ ) d α e dτ
édia de conjunto de (45) tem-se
1 T 1 q

S xy ( f , T ) = ∑k =1 k k
~ 0
∫− T T ∫− τ qlim
− i 2 pfτ
x ( α ) y ( α + τ )  d α e dτ
→ ∞ q

1 T  T+ τ T− τ
T

∫− τ dα  = T = T ; τ ≤ 0
1 T− τ  T− τ T− τ
T

∫0
dα  =
 T
=
T
; τ ≥ 0
pode ser reescrita como

T− τ
S xy ( f , T ) = R xy ( τ ) e − i 2 πfτ dτ
~ T
∫ − T T
quando T→ ∞ corresponde à definição 2

+∞
( f ) = lim S xy ( f , T ) = R xy ( τ ) e − i 2 πfτ dτ
~
∫
(2)
S xy
T→ ∞ −∞
queríamos demonstrar,
S xy( 2 ) ( f ) = S xy( 3) ( f )
S xx( 2 ) ( f ) = S xx(3) ( f )
e utiliza um filtro passa banda analógico na análise dos sin
nteressante na aplicação de equipamentos e técnicas digitais
dição, que utilizam algoritmos discretos. A definição 3 é
a investigações analíticas, que envolvam manipulações simbóli
Densidade espectral de potência via TFD 73
CAPÍTULO 6
Densidade espectral de potência via TFD
Feitas as definições da DEP e demonstrada a sua equivalência, cabe investigar as

formas de obtê-la numericamente. A definição 2, via transformada de Fourier finita, é o
caminho mais imediato. Podemos aproximar esta transformada pela TFD, como já foi visto
no capítulo 4:
( )
X k f = r T , T = TX r( k ) ; r = 0, N − 1. (1)
onde X r é a TFD definida pela equação
N− 1
1
Xr =
N
∑
n= 0
x n w N− nr ; r = 0,..., N − 1
da série:
( )
x n( k ) = x k t = n T N ; n = 0, N − 1. (2)
Desta forma, pode-se obter a expressão da DEP via TFD:
Sxx f = r T ≅( 1 q
∑
qT k = 1
)
TX r( k )
2
; r = 0,N -1. (3)
ou, finalmente,
Sxx ( f = T ≅
r )
1 1 q
∑
∆ f q k= 1
X r( k )
2
; r = 0,N -1. (4)
onde ∆ f = 1 T . Para xk ( t , T ) em unidades [U], a DEP é dada em [U2/Hz].
De forma análoga, o interespectro entre dois sinais x ( t ) e y ( t ) pode ser aproximado

por:
S xy ( f = T ≅
r )
1 1 q (k ) * ( k )
∑ X r Yr ; r = 0, N - 1.
∆ f q k= 1
(5)
74
onde Yr( k ) é a TFD de yk ( t , T ) .
A equação (51) do capítulo (4), dada por:
T− τ
S xy ( f , T ) = Rxy ( τ ) e − i 2 π fτ dτ
~
∫
T
− T T
expressa a aproximação da DEP via TFD. Esta aproximação convergirá para o valor exato
da DEP (que é uma abstração matemática para sinais obtidos experimentalmente) na medida
em que T → ∞ e q → ∞ . Cabe, portanto, investigar a precisão com que a expressão (4)
aproxima a DEP para T e q finitos. Uma discussão mais aprofundada deste tema está fora do
escopo deste texto, porém algumas diretrizes conceituais e considerações de ordem prática
serão feitas a seguir.
A equação (51) do capítulo (4) deixa claro que a DEP obtida a partir da transformada
de Fourier finita corresponde à transformada da função de autocorrelação (caso em que
~
x ≡ y em S xy ( f , T ) ) observada através de uma janela triangular dada pela expressão
T− t
 ; − T≤ t≤T
w (t ) =  T .
 0; caso contrário

Dado que a expressão (4) pode ser entendida como uma implementação da equação
1 q *
S 2
xy ( f ) = lim lim
T → ∞ q → ∞ qT
∑k = 1 X k ( f , T ) Yk ( f , T ) ,
onde a TFF é calculada a partir da TFD, pode-se concluir que a DEP estimada via TFD é
distorcida de duas formas:
• pelo efeito da janela triangular,

+ ∞
W ( ξ − f ) Sxx ( ξ ) dξ
~
Sxx ( f ) = ∫ − ∞
(6)
• pelo efeito de leakage da DFT na estimação da TFF
A expressão da transformada da janela triangular, que pode ser interpretada como um

filtro equivalente ao processo de obtenção da DEP via TFD, pode ser facilmente obtida:
75
T − τ − i 2 π fτ
∫
T
W(f ) = e dτ (7)
− T T
Pela simetria da janela, tem-se:
T− τ
W ( f ) = 2∫ cos( 2 π fτ ) dτ = T[sinc(π fτ )]
T 2
(8)
0 T
Além do efeito do janelamento e do leakage, existe erro na estimação da DEP devido

ao número de médias ser necessariamente finito. Este erro estatístico pode ser estimado [3]
e ele cai com a raiz do número de médias. Dado um certo intervalo de tempo de aquisição
dos sinais aleatórios, existe, portanto, um compromisso entre aumentar o número de
médias (e diminuir o erro estatístico) e aumentar a duração de cada amostra (e diminuir o
erro de janelamento).
Janela de Hanning
Para diminuir o erro do leakage utiliza-se geralmente a janela de Hanning, vista no

capítulo 1 (janelas de observação).
Aplicando a janela de Hanning depende pela equação (1.48), numa amostra do sinal
aleatório discretizado x n(k ) , n = 0,..,N-1, temos o sinal janelado, que é dado por
x n( k ) = x n( k ) hn , onde hn é a janela discretizada, dada por:
1 1 in 2π / N 1 − in 2π / N 1 1 n 1 − n
hn = − e − e = − wN − wN
2 4 4 2 4 4
A TFD do sinal janelado é dada por:

N− 1
X r( k ) = ∑
n= 0
x n( k ) hn w N− nr ; r = 0,..., N − 1 (9)
1 N − 1 ( k ) − nr 1 N − 1 ( k ) − n ( r − 1) 1 N − 1 ( k ) − n ( r + 1)
X r( k ) = ∑ xn w N − 4 ∑n = 0 xn w N − 4 ∑n = 0 xn w N
2 n= 0
de onde
76
1 1 1
X r( k ) = X r − X r − 1 − X r+ 1 (10)
2 4 4
Estimando a DEP one-sided pela TFD temos, para o sinal janelado:
2 1 q
∑ X r(k )
2
Gr = (11)
∆ f q r= 1
Substituindo na equação (11) a expressão (10) tem-se:
2 1 q  1 (k ) 1 ( k ) 2 1 (k ) 2 
∑  Xr
2
Gr ≅ + X r− 1 + X r + 1 + termos cruzados  (12)
∆ f q k= 1 4 16 16 
Considerando que a média dos termos cruzados se anulam num sinal aleatório, tem-se:
2 1 q  1 (k ) 1 (k ) 2 1 (k ) 2 
∑  Xr
2
Gr ≅ + X r− 1 + X r+ 1 
∆ f q k= 1 4 16 16 
de onde,
1 1 1 
Gr ≅  Gr + Gr − 1 + Gr + 1  (13)
4 16 16 
Levando em consideração que a DEP é suave na região de freqüência f = r∆ f , ou

seja G r ≈ Gr − 1 ≈ G r + 1 , então, a equação (13) pode-se escrever como:
3
Gr ≅ Gr (14)
8
Ou seja, aplicar a janela de Hanning tem o efeito de um alisamento (smoothing) da

DEP com ponderação de valor de ¼ para as linhas de freqüência vizinhas. Para corrigir a
atenuação da potência causada pela aplicação da janela de Hanning, deve-se multiplicar o
resultado pelo coeficiente de valor 8/3.
Circularidade e adição de zeros

77
Vamos demonstrar que a função de correlação cruzada (e também a de

autocorrelação) computada pela TFD inversa da DEP é circular. O erro de circularidade
consiste em periodizar artificialmente as amostras de sinal aleatório observadas, isto é, a
função de correlação circular é definida por:
N− 1
1
Rr =
N
∑
s= 0
xs ys+ r (15)
com ys + r = ys + r− N se s + r ≥ N . Na verdade , Rr é uma estimativa da função de

correlação cruzada entre x(t) e y(t) com t = r∆ t , já que N é finito. Para provar que esta é
uma estimativa obtida pela TFD inversa da DEP, por sua vez estimada pela TFD,
~
chamemos de S k a TFD de Rr
N− 1
~ 1
Sk =
N
∑
r= 0
Rr w N− kr (16)
Substituindo (15) em (16) vem:
~ 1 N− 1
 1 N− 1

Sk =
N
∑ 
r= 0  N
∑
s= 0
x s y s + r  w N− kr

N− 1 N− 1
1 1
=
N
∑
s= 0
x s w Nks
N
∑
r= 0
y s + r w N− k ( s + r)
(17)
como ys é periódica de período N, é facil ver que:

~
S k = X k∗ Yk (18)
o que implica:
N− 1 N− 1
~
Rr = ∑
k= 0
X k∗ Yk W Nkr = ∑
k= 0
S k W Nkr (19)
Existem maneiras de evitar a circularidade da função de correlação (auto ou cruzada) que

consistem em zerar parte do sinais adquiridos ou acrescentar zeros a eles.
78
Por exemplo, considere que x(t) e y(t) foram adquiridos com f a = 1 / ∆ t e número de
pontos 2N. Zerando N pontos do sinal x(t) (Figura 1) tem-se:
1 2N − 1
1  N− 1 2N − 1

Rr =
2N
∑s= 0
xs ys+ r =  ∑ xs y s+ r +
2 N  s= 0
∑
s= N
xs y s+ r 

(20)
onde a segunda somatória é nula para r = 0, N -1 pois xs = 0; s ≥ N. Daí pode-se escrever:
1 ˆ
Rr = Rr ; r = 0, N-1 (21)
2
onde
N− 1
1
Rˆr =
N
∑
s= 0
xs ys+ r (22)
que é, neste caso, um estimador não circular de Rxy(τ ).
x(t)
t
0
N-1 2N-1
y(t)
t
0
N-1
2N-1
Figura 1. Zerando metade dos pontos x(t) para evitar a circularidade
Quando não se deseja perder metade dos pontos adquiridos como é feito neste caso
(ainda que os N pontos restantes possam ser utilizados para estimar valores da função de
79
correlação cruzada para τ negativo, zerando então os N primeiros pontos de x), pode-se
apenas acrescentar N zeros a cada sinal, adquirido com N pontos desta vez:
xs = 0; s≥ N
ys = 0; s≥ N
A somatória que computa a correlação cruzada pode ser escrita:

N − r− 1 2N − 1
1 1
Rr =
2N
∑
s= 0
xs ys+ r +
2N
∑
s= N − r
xs y s+ r− 2N ; r = 0, N-1 (23)
onde o segundo somatório se anula. Portanto
N− r ˆ
Rr = Rr (24)
2N
ou seja, um estimador não circular é obtido da TFD inversa dos sinais com N zeros
2N
adicionados fazendo Rr ; r = 0, N – 1.
N− r
É interessante comentar, neste ponto, que a cornvolução calculada pela TFD inversa
também sofre do problema de circularidade. É facil mostrar, por analogia à correlação, que
a convolução calculada pela TFD inversa.
N− 1
Γr = ∑
k= 0
X k Yk W Nkr (25)
também é circular;
N− 1
1
Γr =
N
∑
s= 0
xs y r − s (26)
com yr-s = yr-s+N, se r-s < 0. Para evitar o erro de circularidade da convolução discreta
computada pela TFD, os mesmos procedimentos utilizados para a correlação podem ser
aplicados. Por exemplo, basta zerar N pontos do sinal x:
N− 1 2N − 1
1
Γr =
2N
∑
s= 0
xs y r − s + ∑
s= N
xs y r − s (27)
A segunda somatória será nula já que xs = 0; s > N. Daí pode-se escrever:

80
1 ˆ
Γr = Γ r ; r = 0, N - 1 (28)
2N
onde Γˆr é o estimador não circular da correlação entre x(t) e y(t). Cabe notar que:
∞
( x ∗ y)τ = ∫ x(t ) y(τ − t )dt (29)
− ∞
donde
 N− 1 
( x ∗ y ) τ = r∆ t ≅  ∑ x s y r − s  ∆ t = C r N∆ t (30)
 s= 0 
Portanto, sumarizando, as estimativas da correlação e da convolução a partir da TFD podem

ser obtidas da seguinte forma:
1. Adquirir xs e ys, s = 0, 2N-1 de x(t) e y(t).
2. Zerar metade dos pontos de x; xs =0, s ≥ N.
3. Computar as TFD’s de { x} e { y}.
4. Correlação:
R xy ( τ = r∆ t ) ≅ 2 ITFD[< X ∗ Y > ] (31)
onde < > denota a média sobre várias amostras.
5. Convolução:
x ∗ y (τ = r∆ t ) ≅ 2 N∆ t ITFD[ XY ] (32)
81
Relações entrada/saída de sistemas lineares
A partir das relações entrada/saída de sistemas lineares, pode-se facilmente estabelecer

estas relações em termos de auto espectros e espectros cruzados para sinais aleatórios.
Partindo da integral da convolução para sistemas causais (h(t) = 0, t < 0), pode-se
escrever:
∞
y (t ) = ∫ h(ξ ) x(t −
0
ξ ) dξ (33)
Substituindo t por t + τ na equação (33) e substituindo o resultado na expressão da

autocorrelação, tem-se:
T
R yy ( τ ) = lim
1
T ∫0
y (t ) y (t + τ )dt
T→ ∞
∞ ∞ T
1
= ∫ ∫ h(ξ )h(η ) lim
0 0
T→ ∞ T ∫0
x(t − ξ ) x(t + τ − η )dt dξ dη
∞ ∞
= ∫ ∫ h(ξ )h(η ) R
0 0
xx (τ − η + ξ )dξ dη (34)
já que:
T T− ξ
∫ x(t −
0
ξ ) x(t + τ − η )dt = ∫ x(θ )x(θ
− ξ
+ τ − η + ξ )dθ , com t - ξ = θ .
Mas, aplicando a transformada de Fourier em (34) vem,

∞
S yy ( f ) = ∫R
− ∞
yy (τ ) e − i 2π fτ dτ
∞ ∞ ∞
= ∫ ∫ h(ξ )h(η ) ∫ R
0 0 − ∞
xx (τ − η + ξ ) e − i 2π fτ dτ (35)
Fazendo a substituição γ = τ + ξ − η ; dγ = dτ em (35):
∞ ∞
 ∞  i 2π fη
∫0 ∫0  − ∫∞ Rxx (γ ) e dγ  e dη e dξ
− i 2π fγ − i 2π fξ
S yy ( f ) = h (ξ ) h (η ) (36)
82
Reconhecendo a expressão de Sxx(f) em (36), tem-se:

∞ ∞
S yy ( f ) = S xx ( f ) ∫ h(ξ ) e − i 2π fξ
dξ ∫ h(η )e
i 2π fη
dη (37)
0 0
e reconhecendo a transformada de Fourier de h(t) e seu conjugado em (37) tem-se

finalmente:
S yy ( f ) = H ( f ) H ∗ ( f ) S xx ( f ) (38)
ou seja
2
S yy ( f ) = H ( f ) S xx ( f ) (39)
A equação (39) expressa a relação entre o autoespectro da saída e o autoespectro da

entrada com sinais aleatórios. A partir desta relação, em deduções análogas, pode-se
chegar a outros resultados.
Por exemplo, fazendo x(t) y(t + τ ) em (34), é fácil chegar a:
S xy ( f ) = H ( f ) S xx ( f ) (40)
e fazendo y(t) y(t + τ ), porém sem substituir y(t) de (33), é imediato chegar a:
S yy ( f ) = H ( f ) S yx ( f ) (41)
Relações intermediárias das demonstrações anteriores expressam a relação

entrada/saída no domínio do tempo para sinais aleatórios:
∞
R xy = ∫ h(ξ )R
0
xx (τ − ξ ) dξ = h(t ) ∗ R xx (t ) (42)
∞
R yy = ∫ h(ξ )R
0
yx (τ − ξ ) dξ = h(t ) ∗ R yx (t ) (43)
As mesmas relações entre espectros de entrada e saída podem ser obtidas partindo-se
da transformada de Fourier finita dos sinais de entrada e saída.
Sabemos que para sistemas lineares,
Y(f) = H(f)X(f) (44)

83
Assumindo que esta relação é válida para a transformada de Fourier finita:
Y(f,T) = H(f,T)X(f,T) (45)
Omitindo a dependência de f e T para facilitar a notação tem-se:
Y=HX (46)
E, multiplicando por X*
X* Y = H X* X (47)
Fazendo o valor esperado da equação anterior, tem-se:
Sxy = H(f) Sxx (48)
onde Sxx = T E[X*X] e Sxy = T E[X*Y].
Alternativamente, multiplicando a expressão (44) por Y* tem-se
Y* Y = H Y* X (49)
Aplicando a média:
Syy = H(f) Syx (50)
Cabe notar que, quando resolvendo o problema inverso, onde procura-se determinar a
FRF a partir dos sinais x(t) e y(t) aleatórios medidos, denominam-se de Hˆ1 e Hˆ2 os
estimadores obtidos das equações (40) e (41):
S xy ( f )
Hˆ1 ( f ) = (51)
S xx ( f )
S yy ( f )
Hˆ2 ( f ) = (52)
S yx ( f )
Função de coerência ordinária
Dados dois sinais aleatórios, x(t) e y(t), já foi mostrado que:

84
R xy ( τ ) ≤ R xx ( 0 ) R yy ( 0)
2
Esta equação vale para qualquer τ , inclusive para τ = 0.
R xy ( 0) ≤ R xx ( 0 ) R yy ( 0)
2
(53)
Filtrando os sinais em torno de uma frequência f0 com filtro passa-banda ideal de

largura ∆ f, tem-se :
∞ f0 + ∆ f / 2
R xx ( 0 ) = ∫G xx ( f )df = ∫G xx ( f )df ≅ G xx ( f 0 )∆ f (54)

0 f0 − ∆ f / 2
já que ∆ f pode ser feito tão pequeno quanto se queira. Da mesma forma:
R yy ( 0) ≅ G yy ( f 0 )∆ f (55)
R xy ( 0 ) ≅ G xy ( f 0 )∆ f (56)
A última expressão merece um comentário:

∞
R xy ( 0 ) = ∫G xy ( f )e i 2π f0 df ≅ G xy ( f 0 )∆ f
− ∞
Substituindo (54) – (56) em (53) vem:
G xy ( f 0 ) ≤ G xx ( f 0 ) G yy ( f 0 )
2
(57)
que é válida para qualquer f0. A desigualdade é obviamente válida também para as DEP’s
“double sided”, i.e.;
S xy ( f ) ≤ S xx ( f ) S yy ( f )
2
(58)
A partir da relação (58) podemos definir uma função da frequência que chamaremos
função de coerência ordinária:
S xy ( f )
2
γ xy
2
( f)= (59)
S xx ( f ) S yy ( f )
85
e, devido a (58), tem-se:
0 ≤ γ 2xy ≤ 1 (60)
No caso de y(t) e x(t) serem ligados por uma relação linear, que pode ser representada por
uma FRF, H(f), tem-se:
Sxy(f) = H(f) Sxx(f)
donde,
2
H ( f ) S xx ( f)
2
γ 2
( f)=
S xx ( f ) S yy ( f )
xy
e substituindo (39):
2
H ( f ) S xx
2
(f)
γ xy
2
( f)= = 1 (61)
S xx ( f ) H ( f ) S xx ( f )
2
ou seja, se x(t) e y(t) têm uma relação linear , a coerência é unitária. Portanto, pode-se
interpretar a coerência como um coeficiente de correlação no domínio da freqüência.
Seguindo a modelagem de ruído proposta por Bendat e Piersol [3,4], imagine-se que
ruídos de medição Gaussianos aditivos independentes contaminem a entrada e a saída de
um sistema linear, como mostrado na Figura 2.
x(t) u(t)
h(τ )
v(t) y(t)
w(t) z(t)
Figura 2. Modelo de ruído de medição em um sistema linear
Na Figura 2, tem-se:
x(t) = u(t) + w(t)

86
y(t) = v(t) + z(t) (62)
ou, aplicando a transformada de Fourier finita:
X(f, T) = U(f, T) + W(f, T)
Y(f, T) = V(f, T) + Z(f, T) (63)
Os espectros são dados por:
2
G xx ( f ) = 2 E[ X ∗ X ] = E[U ∗ U + W ∗ W + U ∗ W + W ∗ U ]
∆f
mas, como o ruído é suposto estatisticamente independente, tem-se que,
E[U ∗ W ] = E[W ∗ U ] = 0 (64)
donde
G xx ( f ) = Guu ( f ) + G ww ( f ) (65)
Note que a dependência de f e T foi omitida para simplificar a notação. Analogamente:
G yy ( f ) = Gvv ( f ) + G zz ( f ) (66)
G xy ( f ) = Guv ( f ) (67)
Note-se que o espectro cruzado não é afetado pelo ruído Gaussiano aditivo.
Observe-se, agora, a influência do ruído nos estimadores Hˆ1 e Hˆ2 dados pelas
equações (51) e (52):
G xy ( f ) Guv
Hˆ1 ( f ) = = ≤ H( f ) (68)
G xx ( f ) Guu + G ww
G yy ( f ) Gvv + G zz
Hˆ2 ( f ) = = ≥ H( f ) (69)
G xy ( f ) Gvu
já que G ww ≥ 0 e G zz ≥ 0 , tem-se que:
Hˆ1 ( f ) ≤ H ( f ) ≤ Hˆ2 ( f ) (70)

87
donde os estimadores Hˆ1 e Hˆ2 são limites inferior e superior ao valor de H(f) quanto ao
ruído de medição. Cabe notar que a equação anterior não é geralmente verificada devido
aos erros de leakage, janelamento triangular dos espectros, erro estatístico de estimação
dos espectros e ruídos não independentes ou não Gaussianos.
Existem outros estimadores da FRF, porém Hˆ1 e Hˆ2 são os mais comumente
utilizados. O estimador Hˆ1 deve ser utilizado quando o ruído contamina principalmente o
sinal de resposta, enquanto Hˆ deve ser utilizado quando o ruído contamina o sinal de
2
entrada. O ruído no sinal de entrada é típico de situações onde excitadores eletrodinâmicos

são pilotados com sinais de banda larga sem realimentação para manter a amplitude da
força constante. Como o sistema apresenta uma reação menor nas ressonâncias, a
amplitude da força (entrada) tende a diminuir muito nas ressonâncias, tornando a relação
sinal/ruído muito baixa.
Relações de sistemas lineares com múltiplas entradas e saídas
O estimador H$ 1 pode ser generalizado para um sistema linear de múltiplas entradas e

saídas (MIMO, do inglês “multi-input/multi-output”). Considerando apenas a propriedade
de linearidade do sistema:
Yi ( f ) = ∑ j
Hij ( f ) X j ( f ) (71)
ou, em notação matricial:
{ Y ( f ) } = [H ( f ) ]{ X ( f ) } (72)
Multiplicando à direita por {X}H onde H denota transposto conjugado:
{ Y }{ X }H = [H ]{ X }{ X }H (73)
onde a dependência da freqüência foi omitida para simplificar a notação. Aplicando a

esperança matemática à equação (73) vem:
[G ] = [H ( f ) ][G xx ] (74)
ou
88
[
[G]ij = E Yi X ∗j ]
e
[
[G xx ]ij = E X i X ∗j ]
A solução para a matriz de FRFs é dada por:
 Y1  * *  X 1*Y1 X 2*Y1   G X1 Y1 G X 2Y 1 
{ }
  X1 X 2 =  * = G G X 2Y2 
(75)
 Y2   X 1 Y2 X 2*Y2   X 1Y 2
[Hˆ ] = [G ][G
1 yx xx ]− 1 (76)
onde a inversa deve ser entendida como uma expressão formal da solução, que pode ser
obtida de forma numérica mais eficiente pela solução do sistema linear dado por (74) por
decomposição (geralmente método LU de Gauss).
Um estimador mais genérico, que permite minimizar os erros na entrada e na saída e
que pode incorporar o conhecimento que se tenha a priori do ruído presente, é o estimador
denominado Hˆv . Será apresentada aqui uma formulação não rigorosa que permite
implementar o estimador e investigar algumas de suas propriedades.
Definindo um erro total, no domínio da freqüência, como sendo:
N = H X –Y (77)
E fazendo a matriz dos espectros cruzados de N:
[ ] [
G NN = E NN H = E YY H − YX H H H − HXY H + HXX H H H ] (78)
obtém-se:
G NN = GYY − GYX H H − HG XY + HG XX H H
que pode ser re-arranjado:
 GYY GYX   − I 
G NN = [I M
H ] = Q H G AAQ
G XX   H H 
(79)
 G XY
[
onde A H = Y H M ]
X H . A partir daqui existem pelo menos duas maneiras de chegar ao
estimador Hˆ .
v
89
A primeira é considerar os ruídos Ni independentes e, portanto, a matriz GNN diagonal:
G NN = λ [P ] (80)
Supondo que A = Z + N, e N independente de Z:
G AA = G ZZ + G NN (81)
onde Z seriam os sinais livres de ruído, Z H = [V H M

U H ] . Então:
G AAQ = G ZZ Q + G NN Q = G NN Q
pois GZZQ = 0 se GNN = 0.
Isto pode ser demonstrado da seguinte maneira:
Seja:
V 
Z=  
U 
[ ]
G zz = E Z Z H = 
[
 E VV H ] E[VU ] =
H
 GVV GVU 
então
 E UV[H
] E[UU ]
H G
 UV GUU 
(82)
− I
com Q=  H
H 
 GVV GVU   − I   − GVV + GVU H H 

G zz Q =  =  
GUU   H H   − GUV + GUU H H 
logo, (83)
 GUV
temos que:
V = HU ; VV H = HUV H
transpondo e conjugando:
VV H = VU H H H
[ ] [ ]
E VV H = E VU H H H ⇒ GVV = GVU H H
− GVV + GVU H H = 0 (84)

90
Por outro lado, temos que:
VU H = HUU H
transpondo e conjugando:
UV H = VU H H H
[ ] [ ]
E UV H = E UU H H H ⇒ GUV = GUU H H
− GUV + GUU H H = 0 (85)
donde utilizando as equações (84) e (85) demonstramos que G zz Q = 0 .
E pode-se escrever:
G AAQ = λ [ P ]Q (86)
ou
[ P ] − 1 G AAQ = λ Q
Como o objetivo é minimizar GNN com uma dada estrutura [P], deve-se minimizar λ . Além
disso, a equação acima é um problema de autovalor da matriz [P]-1GAA, conhecida. A
solução consiste, então, em obter os autovetores associados aos menores autovalores de
[P]-1GAA e normalizá-los de forma a ter uma matriz identidade negativa na parte superior da
matriz Q.
Outra possibilidade é utilizar a propriedade do quociente de Rayleigh.
{ q}H G AA { q}
min = λ min (87)
q { q}H { q}
onde
G AA { q} = λ { q}
ou seja, λ é um autovalor da matriz GAA. Como o vetor {q}, que é uma coluna da matriz Q,
está normalizado de forma que suas primeiras N0 linhas são uma coluna da matriz
identidade negativa, minimizar GNN significa tomar como solução os autovalores associados
aos menores autovalores [5]. Desta forma, a solução é a mesma que na formulação anterior
91
quando [P] = I, ou seja, nenhuma informação a priori existe para a estrutura de erros. Isto
equivale a dar o mesmo peso aos erros na entrada e na saída.
Nota: Quociente de Rayleigh.
∂
Sabendo que { q}H [A]{ q} = 2[A]{ q}, se [A] = [A]H
{
∂ q}
H
=
( H
) (
∂ { q} [A]{ q} 2 { q} { q} [A]{ q} − 2 { q} [A]{ q} { q}
H
)= 0
( )
Então
∂ { q} { q}H { q} { q}H { q}
2
Implica em
 { q}H [A]{ q} 
[A]{ q} =   { q}

 { q} { q} 
H
(88)
ou seja, o mínimo do quociente é o menor autovalor da matriz Hermitania [A]

Modelo AR 100
CAPÍTULO 7
Densidade espectral de potência via modelo auto-regressivo
Ao invés de modelar o sinal como uma série de Fourier, podem-se adotar outros
modelos de séries ortogonais ou ainda modelos ditos paramétricos, nos quais o sinal
aleatório é obtido de um ruído branco. Neste últimos supõe-se que, extraindo de um sinal
aleatório toda a informação nele contida, resta um ruído perfeitamente alaeatório, ou seja,
o ruído branco. Assim, discretizando x(t) com fa constante, pode-se escrever para um
destes modelos paramétricos:
p
xn = − ∑ax
s =1
s n− s + n n , n = 0,...., N − 1 (1)
onde nn é o resíduo após caracterizar-se x n = x(t = n∆t ) pelos seus p valores em instantes
passados xn-s; s = 1, p. Este modelo é denominado autoregressivo de ordem p. Ele é
caracterizado por p coeficientes as; s = 1, p.
Procuram-se os valores de as e a ordem p que tornam nn, com n variando, uma série
aleatória branca, tal que:
Rr = ψ x2δr (2)
onde δr é o delta de Dirac discreto, definido por:
1, r = 0
δr =  (3)
0, r ≠ 0
e Rr é a função de autocorrelação discreta do ruído em τ = r∆t :

N
1
Rr = lim
N→ ∞ N
∑nn
s =1
s s+ r (4)
Desta forma, a densidade espectral de potência do ruído n(t) é dada por:
S nn ( f ) = ψ n2 ∆t = cte. (5)
pois,
Modelo AR 101
fa / 2
ψ = ∫S ( f )df = S nn f a ⇒ S nn = ψ n2 ∆t
2
n nn
− fa / 2
Assim, considerando que Snn = 0, para f ≥ f a / 2 , hipótese necessária para a discretização,

tem-se:
∞ fa / 2
∫S ( f )df = ∫S ( f )df = ψ n2 ∆t f a = ψ = Rnn (0)

2
nn nn n (6)
−∞ − fa / 2
Rearranjando (1) e fazendo com a0 = 1 (sem perda de generalidade), tem-se:

p
nn = ∑ a s x n − s (7)
s =0
Aplicando a TFD dos dois lados da igualdade, tem-se:

p N− 1
1
N k = ∑ as ∑x n− s w N− nk (8)
s =0 N n =0
Levando em conta a periodicidade (N) da TFD e fazendo a substituição de variáveis

q = n − s , tem-se:
p N − 1− s
1
N k = ∑ a s w N− ks ∑x q w N− nq (9)
s =0 N q= − s
ou seja
p
N k = X k ∑ a s e − i 2πks / N (10)
s =0
de onde é possível fazer:

2
Nk
=
2
Xk 2
(11)
p
∑ae
s =0
s
− i 2πks / N
Notando que o denominador em (11) não é aleatório, e aplicando a esperança

matemática dos dois lados da igualdade:
Modelo AR 102
S nn (k∆f )
S xx (k∆f ) = 2
(12)
p
∑aes =0
s
− i 2πks / N
A equação (12) mostra que a DEP obtida pela TFD é equivalente à obtida
determinando um modelo AR e computando o lado direito da equação (12). Entretanto,
por hipótese tem-se que:
S nn ( f ) = ψ n2 ∆t
que pode ser substiuída em (12):
~ ψ n2 ∆t
S xx ( f ) = 2
(13)
p
∑ae
s =0
s
− i 2πks / N
onde, agora, f pode voltar a ser uma variável contínua, podendo-se interpretar (13) como
uma interpolaçãom entre os pontos de S xx (k∆f ) computados.
2
O fato de substituir E[ N k ] / ∆f por uma constante ψ n2 ∆t diminui, na prática, o erro
~ ~
estatístico em S xx ( f ) , suavizando a curva de S xx ( f ) . Por esta razão, o estimador da DEP
obtido pela equação (13) é preferido quando não se dispõe de sinal suficiente para fazer um
grande número de médias na aproximação da esperança matemática.
Resta saber como estimar os parâmetros as do modelo autoregressivo. Existem

diversas maneiras de fazê-lo (vide [5]). Será visto aqui apenas o método de Yule-Walker.
Retornando à equação (1) e fazendo E[ x n x n + k ] , tem-se:
p
E[ x n , x n+ k ] = Rxx (k ) = − ∑ a E[ x
s =1
s n+ k − s x n ] + E[n n+ k x n ] (14)
Com a hipótese de ruído independente, o termo E[nn+ k x n ] se anula, obtendo-se:
p
R xx (k ) = − ∑aR
s =1
s xx (k − s ) (15)
Variando o valor de k de 1 a p – 1 (pelo menos) tem-se:

Modelo AR 103
 Rxx (0) R xx (− 1) L Rxx (1 − p) a1   Rxx (1) 

 R (1)  
Rxx (0) L R xx (2 − p )a 2  R (2) 
 xx  =−  xx  (16)
 M M M  M  M 
    
R xx ( p − 1) R xx ( p − 2) L R xx (0)  a p 
 R xx ( p)
que são denominadas Equações de Yule – Walker. Este sistema linear de equações pode ser
resolvido dada uma ordem p. Existem implementações recursivas, como Levinson-Durbin
[5], que facilitam aumentar progressivamente a ordem do modelo AR.
Akaike [8] investigou exaustivamente critérios para estabelecer a ordem ótima do

modelo AR. Os dois índices mais utilizados são: Final Predictor Error (FPE) e o Akaike
Information Criterion (AIC), dados por:
N + p + 1
FPE = σ 
N − p −  (17)
 1

2( p + 1)
AIC = ln(σ ) + (18)
N
onde N é o número total de amostras de xn utilizadas, p a ordem do modelo e σ = ψ 2

é
o desvio padrão do ruído residual.
Cabe notar que a matriz da equação (16) é uma matriz de Toeplitz [6] pois todas as
diagonais são compostas por elementos iguais. Além disso, ela é simétrica já que
R xx (τ ) = R xx (− τ ) . Portanto, esta matriz pode ser formada a partir do vetor
{R xx (0), R xx (1),L , Rxx ( p − 1)}.
A metodologia para computar a DEP via modelo AR é, portanto:
• Computar R xx (r )
• Computar {a r }e ψ 2
n
• Aplicar a equação (13)
Para computar ψ 2
n pode-se usar a equação (7) e, após calcualr nn , obter a média de
nn2 ; n = 0, N − 1 .
Modelo AR 104
Outro modo de chegar às equações de Yule-Walker (equação (15)) consiste em fazer

uma minimização de ψ n2 . Esta é a forma usual, encontrada na maior parte da literatura.
Faz-se E[nn nn + k ] :
p p
E[nn nn + k ] = ∑ ∑ aa i j E[ x n− i x n + k − j ] (19)
i =0 j =0
k = 0 ⇒ Rnn (0) = E[nn nn ] = ψ 2

n
p p
ψ 2
n =∑ ∑ aa i j Rxx (i − j ) (20)
i =0 j = 0
Minimizando ψ 2
n vem:
∂ψ n2 p
= 0 ⇒ 2∑ a j Rxx (i − j ) = 0 (21)
∂ai j =0
A equação (21) pode ser rearranjada para o cálculo da solução aj , j = 0, p que

minimiza ψ n2 :
∑a j =0
j R xx (i − j ) = − R xx (i ) (22)
que é idêntica à equação (15).
A forma como chegamos à expressão da DEP via modelo AR não é usual. Ela tem a
vantagem de deixar clara a diferença entre a DEP calculada via TFD (periodograma) e a
DEP calculada via modelo AR (máxima entropia).
A maneira usual, utilizada por Akaike, pode ser exposta da seguinte forma:
p p p p
nn nn + l = ∑ as xn − s ∑ ar xn + l − r = ∑ ∑aax x
s r n− s n+ l − r
s =0 r =0 s=0 r =0
Aplicando a esperança matemática de ambos os lados da igualdade vem:

p p
Rnn (l ) = ∑ ∑aaR s r xx (l − r + s ) (23)
s=0 r =0
mas tem-se que:

Modelo AR 105
fa / 2
Rnn (l ) = ∫S
− fa / 2
nn ( f )ei 2πfl∆t df (24)
e
fa / 2
Rxx (l ) = ∫S
− fa / 2
xx ( f )ei 2πfl∆t df (25)
Aplicando então a integral em f de ambos os lados da equação (23) vem:
i 2πfl∆t  
fa / 2 fa / 2 p p
∫S nn ( f )e ∫ ∑ s
 ∑ a r e − i 2πfr∆t 
i 2πfl∆t i 2πfs∆t
df = e a e S xx ( f )df
− fa / 2 − fa / 2  s =0 r=0 
Note-se que o segundo somatório é nada mais que o complexo conjugado do primeiro, e,
portando:
fa / 2 fa / 2 p 2
∫S nn ( f )e i 2πfl∆t
df = ∫e
i 2πfl∆t
∑ ae
s =0
s
− i 2πfs∆t
S xx ( f )df (26)
− fa / 2 − fa / 2
Pela unicidade da transformada de Fourier, tem-se que:
p 2
S nn ( f ) = S xx ( f ) ∑ as e − i 2πfs∆t
s =0
ou, formalmente:
S nn ( f )
S xx ( f ) = 2
(27)
p
∑ae
s =0
s
− i 2πfs∆t
que é idêntica à equação (13).
[1] Papoulis, A, Probability, Random Variables and Stochastic Processes, Auckland,

McGraw-Hill, 1981.
[2] Davenport, W.B., Probability and Random Processes, Tokyo: McGraw-Hill

Kogakusha, 1970.
Modelo AR 106
[3] Bendat, J.S. and Piersol,AG., Engineering Aplications of Correlation and Spectral
Analysis, New York: John Wiley & Sons, 1980.
[4] Bendat, J.S. and Piersol,AG., Random Data: Analysis and Measurement Procedures,
New York: Wiley Interscience, 1971.
[5] Marple, S.L., Digital Spectral Analysis with Applications, Eglewood Cliffs: Prentice-
Hall, 1987.
[6] Strang, G., Introduction to Applied Mathematics, Wellesley: Wellesley-Cambridge

Press, 1986.
[7] Newland, D.E., An Introduction to Random Vibrations, Spectral and Wavelet Analysis,
3rd. Edition, Singapure: Longman, 1993.
[8] Akaike, H., Parzen, E. (Editor), Tanake, K. (Editor), Selected papers of Hirotuyu
Akaike, Springer Verlag, 1998.
Tipos de sinal e a sua representação espectral 107
CAPÍTULO 8
Tipos de sinal e a sua representação espectral
Tanto matematicamente como fisicamente, sinais transitórios, periódicos e aleatórios

são de natureza diferente. Utilizando a terminologia usual de processamento de sinais,
podemos chamar de “energia do sinal” a integral no tempo de seu valor absoluto ao
quadrado, com unidades UE2s, onde UE representa qualquer unidade de engenharia como,
por exemplo, Newtons, metros por segundo, etc. e s o tempo. Portanto, apenas sinais
transitórios (quadrado integráveis ou, falando em termos práticos, com uma duração finita
no tempo) podem ter uma representação na forma de energia espectral.
Sinal transitório
O espectro de um sinal transitório pode ser calculado utilizando a integral (ou

transformada) de Fourier e é uma função contínua da freqüência. Para se obter a energia do
sinal numa determinada faixa de freqüências é necessário integrar o espectro nesta faixa.
Desta forma, a amplitude do espectro de um sinal transitório é expressa em termos de
energia por freqüência, usualmente expresso em UE2s/Hz, e é chamado de Densidade
Espectral de Energia, ESD (do inglês, "Energy Spectral Density"). A ESD pode ser
calculada a partir da DFT elevando ao quadrado o valor absoluto dos coeficientes
complexos da DFT e multiplicando o resultado por T2 , onde T é a duração do bloco de
dados adquirido, expressa em segundos. Temos que T=N/fs, onde fs é a freqüência de
amostragem (do inglês, "sampling frequency") e N o número de amostras do bloco
adquirido. O princípio de conservação da energia em processamento de sinais (teorema de
Parseval) estabelece que a integral do valor absoluto do sinal ao quadrado (sua energia) é
igual à integral de sua ESD. O fator de correção para a ESD calculada via a DFT pode ser
obtido a partir da fórmula de Poisson [2], que relaciona a série à transformada de Fourier.
Sinal periódico
Se o sinal é periódico, sua potência (energia por unidade de tempo) em UE2 para uma
dada freqüência múltipla (ou harmônica) da freqüência fundamental é simplesmente o valor
absoluto do coeficiente da série de Fourier (também chamado coeficiente de Euler-Fourier)
elevado ao quadrado. A conservação da energia, neste caso, estabelece que a soma dos
quadrados dos valores absolutos dos coeficientes da série de Fourier é igual ao valor médio
quadrático do sinal. Os coeficientes da DFT são aproximadamente iguais aos coeficientes

da série de Fourier se um número inteiro de períodos é amostrado e se o critério de
Nyquist é respeitado, isto é, se a freqüência de Nyquist (metade da freqüência de
amostragem) é maior que a maior freqüência presente no espectro do sinal. Esta condição
pode ser garantida colocando um filtro passa baixas (chamado filtro "anti-aliasing") no
caminho do sinal analógico antes de fazer a conversão analógica/digital. O uso da DFT
implica sempre em tratar o sinal adquirido como se fosse um período de um sinal periódico
e calcular os coeficientes da série de Fourier que representa este sinal periódico. Se o bloco
de sinal adquirido não corresponde a um número inteiro de períodos, haverá um erro de
"circularidade", chamado de "leakage" porque causa um "vazamento" (em inglês, "leak")
da potência do sinal de uma determinada linha de freqüência para as linhas vizinhas, o que
pode diminuir a amplitude do pico correspondente de quase a sua metade. Janelas no
tempo podem ser utilizadas para diminuir o erro de "leakage" na amplitude ao custo de
uma menor resolução em freqüência [2]. O espectro resultante para um sinal periódico é
chamado de Espectro de Potência, PS (do inglês, "Power Spectrum").
Sinal aleatório estacionário
Finalmente, se o sinal é aleatório estacionário (aquele cujas propriedades estatísticas

não variam no tempo), pode ser caracterizado por seu valor médio quadrático, isto é, sua
potência. A distribuição da potência na freqüência é a Densidade Espectral de Potência,
PSD (do inglês, "Power Spectral Density"), com unidades UE2/Hz. A PSD pode ser
obtida por filtragem do sinal aleatório com um filtro passa-banda e cálculo do seu valor
médio quadrático, ou estimando sua função de auto-correlação e calculando a sua integral
de Fourier. Pode-se mostrar [2] que usar a DFT é equivalente tanto a fazer o cálculo por
filtragem como a transformar a função de auto-correlação. A DFT corresponde a um banco
de filtros de largura constante. Como o sinal aleatório não tem um período, erros de
"leakage" sempre estarão presentes. Eles podem, entretanto, ser minimizados utilizando
janelas temporais adequadas, sendo a de Hanning, que tem a forma de uma senóide elevada
ao quadrado, a mais utilizada. Pode-se mostrar que a aplicação da janela de Hanning no
domínio do tempo é equivalente a fazer um alisamento ("smoothing") da PSD estimada,
substituindo a potência em cada linha de freqüência pela média ponderada entre esta e as
duas linhas vizinhas, estas últimas ponderadas com um fator de 1/4. A largura de banda da
DFT é simplesmente a resolução em freqüência ( ∆f=fs/N=1/T ). A amplitude da PSD
pode, portanto, ser calculada fazendo a média dos valores absolutos dos coeficientes da
DFT ao quadrado e dividindo o resultado pela resolução em freqüência.
Apesar de não ser necessário, em princípio, fazer médias para estimar o espectro de sinais
determinísticos (transitórios e periódicos), usualmente fazem-se médias para verificar a
repetibilidade do resultado e para filtrar o ruído de medição, que sempre está presente em
sinais obtidos experimentalmente. No caso de sinais aleatórios, é imperativo fazer médias, e
o número de médias determina a precisão do espectro estimado. O erro estatístico na
amplitude da PSD é proporcional ao recíproco da raiz quadrada do número de médias [3].
No caso de sinais determinísticos, esta é a taxa de atenuação do ruído aleatório aditivo
presente no sinal que se consegue fazendo médias. Portanto, o procedimento usado para
estimar um espectro utilizando a DFT consiste em calcular a DFT dos blocos de dados
adquiridos (com ou sem sobreposição) e fazer a média dos quadrados dos valores
absolutos dos coeficientes da DFT. O resultado obtido já é o PS. A ESD pode ser estimada
multiplicando o resultado por T e dividindo por ∆f, o que é equivalente a dividir por ∆f2,
enquanto que a PSD é obtida dividindo o resultado por ∆f. Portanto, fica evidente que os
resultados obtidos para os três tipos de espectro serão numericamente diferentes para um
mesmo sinal e que vão ser afetados de forma diferente quando a resolução em freqüência
∆f é alterada.
Se um tipo de sinal não for representado com o tipo apropriado de espectro, a

alteração de ∆f mudará o resultado numérico da amplitude do espectro, o que não deveria
ocorrer se forem tomados os devidos cuidados para evitar erros de "aliasing" e "leakage".
Por outro lado, se o tipo adequado de espectro for utilizado, isto não ocorrerá. Esta
propriedade dos tipos de sinal e seus espectros pode ser utilizada até para determinar o tipo
predominante do sinal que está sendo analisado (se periódico, transitório ou aleatório)
quando isto não for conhecido a priori [4].
É de fundamental importância que engenheiros e técnicos que trabalham com

processamento de sinais tenham plena consciência de que cada tipo de sinal tem sua
representação espectral e que o fato dos analisadores de espectro permitirem mudar
facilmente de um tipo de espectro para outro não quer dizer que a escolha seja arbitrária..
Comparar as amplitudes de espectros de sinais transitórios, periódicos e aleatórios é o
mesmo que “comparar laranjas com bananas”.
Exemplo 1
Sinal de pressão sonora de voz dizendo "tá" medido com um microfone de placa de
som de computador e adquirido com freqüência de amostragem de 11025 Hz e 8 bits de
quantização. A energia do sinal obtida integrando a amplitude do sinal ao quadrado é igual à
integral da ESD e vale 2.2×10-4 V2s.
0.2
0.1
[V]
0
-0.1
-0.2
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
-6 tempo [s]
x 10
2
[V^2*s/Hz] 1.5
0.5
0
0 1000 2000 3000 4000 5000 6000
freqüência [Hz]
Figura 1: Exemplo de sinal transitório e sua densidade espectral de energia (ESD)
%Programa em MATLAB (The Mathworks, Inc.) v. 4.2 para gerar a Figura 1 (o arquivo ta.wav
%pode ser gerado por qualquer programa de gravação de placa multimidia para PC):
[y,Fs]=wavread('ta.wav');
y=y-mean(y);
y=y/1000;
N=4096;
t=(0:4095)/Fs;
T=4096/Fs;
f=(0:(N/2-1))*Fs/N;
Y=y(351:N+350);
S=fft(Y)/N;
subplot(211),plot(t,Y)
xlabel('tempo [s]')
ylabel('[V]')
subplot(212),plot(f,2*abs(S(1:N/2)*T).^2)
xlabel('freqüência [Hz]')
ylabel('[V^2*s/Hz]')
sum(Y.^2)/Fs
sum(2*abs(S(1:N/2+1)*T).^2)/T
Exemplo 2
Sinal de pressão sonora de voz cantando a nota musical "la" medido com um microfone
de placa de som de computador e adquirido com freqüência de amostragem de 11025 Hz e
8 bits de quantização. O valor médio quadrático do sinal é igual à soma dos valores das
amplitudes do PS e vale 0.0036 V2.
0.2
0.1
[V]
0
-0.1
-0.2
0.18 0.2 0.22 0.24 0.26 0.28
-3 tempo [s]
x 10
2
1.5
[V^2]
1
0.5
0
0 1000 2000 3000 4000 5000 6000
freqüência [Hz]
Figura 2: Exemplo de sinal periódico e seu espectro de potência (PS)
% Programa em MATLAB (The Mathworks, Inc.) v. 4.2 para gerar a Figura 2 (o arquivo la.wav
% pode ser gerado por qualquer programa de gravação de placa multimidia para PC):
[y,Fs]=wavread('la.wav');
y=y-mean(y);
y=y/1000;
N=4096;
t=(0:4095)/Fs;
f=(0:(N/2-1))*Fs/N;
Y=(y(1:N));
S=fft(Y)/N;
subplot(211),plot(t((N/2+1):(N/2+N/4)),Y((N/2+1):(N/2+N/4)))
xlabel('tempo [s]')
ylabel('[V]')
subplot(212),plot(f,2*abs(S(1:N/2)).^2)
xlabel('freqüência [Hz]')
ylabel('[V^2]')
mean(Y.^2)
sum(2*abs(S(1:N/2+1)).^2)
Exemplo 3
Sinal de pressão sonora de voz dizendo "shshshsh..." medido com um microfone de

placa de som de computador e adquirido com freqüência de amostragem de 11025 Hz e 8
bits de quantização. A potência média do sinal obtida calculando o valor médio quadrático
do sinal no tempo é igual à integral da PSD e vale 0.001 V2.
0.2
0.1
[V]
0
-0.1
-0.2
0 0.05 0.1 0.15 0.2
-6 tempo [s]
x 10
3
[V^2/Hz] 2
0
0 1000 2000 3000 4000 5000 6000
freqüência [Hz]
Figura 3. Sinal aleatório estacionário e sua densidade espectral de potência (PSD)
%Programa em MATLAB (The Mathworks, Inc.) v. 4.2 para gerar a Figura 3 (o arquivo sh.wav %pode ser
gerado por qualquer programa de gravação de placa multimidia para PC):
[y,Fs]=wavread('sh.wav');
y=y-mean(y);
y=y/1000;
N=2048;
t=(0:N-1)/Fs;
T=N/Fs;
f=(0:(N/2-1))*Fs/N;
S=zeros(N,1);
H=hanning(N);
ni=1;count=0;
while (ni+N-1) <= length(y),
Y=y(ni:ni+N-1);
Y=Y.*H;
S=S+2*abs(fft(Y)/N).^2*T;
count=count+1;
ni=ni+N/2;
end
S=S/count*8/3;
subplot(211),plot(t,y(1:N))
xlabel('tempo [s]')
ylabel('[V]')
subplot(212),plot(f,S(1:N/2))
xlabel('freqüência [Hz]'); ylabel('[V^2/Hz]')
mean(y.^2)
sum(S(1:N/2))/T
Referências
[1] Gade, S. and Herlufsen, H., “Signals and Units,” B&K Technical Review, No. 3, 1987,
pp. 29-38.
[2] Papoulis, A., Signal Analysis, McGraw-Hill, 1977.
[3] Bendat, J.S. and Piersol, A.G., Engineering Applications of Correlation and Spectral
Analysis, J. Wiley & Sons, 1980.
[4] Arruda, J.R.F. and Godoy, E., “A Peak Classification Technique in Digital Spectral
Analysis,” Proceedings of IMAC 7, Las Vegas, NV, 1989, pp. 1582-1586.
Transformada de Hilbert 114
CAPÍTULO 9
A transformada de Hilbert
A transformada de Hilbert transforma um sinal sem mudá-lo de domínio (a

transformada de um sinal no tempo é um outro sinal no tempo). Vamos mostrar que a
transformada de Hilbert é a relação que liga as componentes real e imaginária da
transformada de Fourier de um sinal real causal. Com ela pode-se construir o sinal analítico
(sinal complexo) cujo módulo (valor absoluto) corresponde à envoltória do sinal.
Sinal causal
Um sinal causal (Figura 1) é aquele que é nulo para o tempo negativo. Todo sinal
causal (9.1) pode ser expresso como a composição de um sinal par e um sinal ímpar (9.2).
x(t ) = x p (t ) + xi (t ), p : par e i :ímpar (9.1)
e, usando a função sinal denotada por sgn(t), tem-se:
x p (t ) = x i (t ) sgn(t ),
(9.2)
xi (t ) = x p (t ) sgn(t )
onde, sgn(t) = 1, x > 0 e sgn(t) = -1, x < 0;
2
causal
-2
-6 -4 -2 0 2 4 6
2
par
-2
-6 -4 -2 0 2 4 6
2
impar
-2
-6 -4 -2 0 2 4 6
t [s]
Figura 1. Sinal causal como a soma de um sinal par e um ímpar

Para relacionar as componentes par e ímpar do sinal com as componenetes real e

imaginária da transformada de Fourier, precisamos utilizar algumas relaçãoes já vistas
anteriormente. Então, lembrando a definição da transformada de Fourier, se estabelcem
relações a partir da transformada direta e inversa notando que a única diferença entre elas
está no sinal da função exponencial. Desse modo, tem-se que, para um sinal real, a
transformada de Fourier possui a propriedade dada pela equação (9.3).
∞
∫x(t )e
− i 2πft
X(f) = dt = X ∗ (− f ) (9.3)
−∞
Por outro lado, a transformada de Fourier de um sinal par (x(t) = x(-t)), tem a propriedade
dada pela equação,
∞ ∞
∫x(− t )e dt = ∫x(t )e
− i 2πft i 2πft
X(f) = dt = X ∗ ( f ) (9.4)
−∞ −∞
de onde conclui-se que a transformada de Fourier de um sinal par é uma função real e par,
isto é, a parte imaginária é nula.
ℑ{x p (t )}= X Re ( f ) (9.5)
Analogamente, a transformada de Fourier de um sinal ímpar é dada pela equação

∞ ∞
∫x(− t )e ∫x(t )e
− i 2πft i 2πft
X(f) = dt = − dt = − X ∗ ( f ) (9.6)
−∞ −∞
de onde conclui-se que a transformada de Fourier de um sinal ímpar é imaginária e é ímpar.
ℑ{xi (t )}= iX Im ( f ) (9.7)
Utilizando as equações (9.1), (9.4) e (9.6) pode-se estabelecer a transformada de Fourier

de um sinal causal, composto pelas componentes par e ímpar.
X ( f ) = ℑ{x p (t )}
+ ℑ{xi (t )} (9.8)
Então, utilizando as equações (9.5) e (9.7) na equação (9.8) tem-se,
X ( f ) = X Re ( f ) + iX Im ( f ) (9.9)
As partes par e ímpar do sinal x(t) podem ser rescritas uma em função da outra utilizando a
equação (9.2), de maneira que as componentes real e imaginária da transformada de
Fourier podem ser obtidas uma em função da outra.
A relação existente entre as componentes real e imaginária da transformada de Fourier de

de um sinal causal é conhecida como a transformada de Hilbert. Utilizando as equações
(9.2), (9.5) e (9.7), tem-se
X Re ( f ) = ℑ {x p (t )}= ℑ{x i (t ) sgn(t )} (9.10)
Aplicando o teorema da convolução,
X Re ( f ) = ℑ {x p (t )}= ℑ{x i (t )}
∗ ℑ{sgn(t )} (9.11)
de onde,
1 1
X Re ( f ) = iX Im ( f ) = X Im ( f ) (9.12)
iπf πf
ℑ{sgn(t )}=
1
já que .
iπf
Formalmente, a transformada de Hilbert do sinal x(t) é definida como a convolução do sinal

1
x(t) e .
πt
∞
1 
H {x (t )}=
1 1
∫
π−∞
x(τ )
t− τ
dτ =x(t ) ∗  
πt 
(9.13)
Aplicando a transformada de Fourier e o teorema da convolução na equação (9.13),

π
−i
ℑ{H {x (t )}
}= X ( f ) (− i sgn( f )) = e 2
X ( f ) sgn( f ) (9.14)
1
pois, a transformada de Fourier de é –i sgn(f), de onde pode-se obter a transformada de
πt
Hilbert utilizando a transformada de Fourier inversa.
 − iπ 
H {x (t )}= ℑ − 1 e 2 X ( f ) sgn( f ) (9.15)
 
Na equação (9.15), pode-se observar que houve uma mudança de fase em 90o da
transformada de Fourier o que pode ser obtido deslocando a fase das frequências positivas
em –90o e das frequências negativas em 90o.
Algoritmo para o cálculo da transformada de Hilbert
Resumindo, para calcular a transformada de Hilbert de um sinal é preciso:
1. Calcular o espectro de do sinal via transformada de Fourier.
2. Girar a fase em 90o multiplicando o espectro por {–i sgn(f) } (equação (9.14)).
3. Retornar ao domínio do tempo através da transformada inversa de Fourier (equação

(9.15)).
Este procedimento para o cálculo da transformada de Hilbert é bastante simples se

comparado com o cálculo através da equação (9.13).
Sinal analítico
A partir do sinal original e do sinal calculado utilizando a transformada de Hilbert, é

possível obter o sinal analítico, que é um sinal complexo cuja parte real é o sinal original e
cuja parte imaginária é a transformada de Hilbert do sinal original, isto é,
x a (t ) = x (t ) + i (H {x (t )}
) (9.16)
Exemplo 1
Um exemplo de aplicação é obter o sinal modulador de um sinal composto. Considere-se

um sinal cuja frequência é de 1 kHz modulado por um sinal de 70 Hz
(sinal=(sin(2*pi*f1*t)).*(4+2*cos(2*pi*f2*t)), f1=1000,
f2=70) como se mostra na Figura 2.
Para demodulá-lo, isto é, para obter a envoltória do sinal modulado, encontra-se o sinal
analítico (sinal complexo), cuja parte real é o sinal original (sinal modulado) e cuja parte
imaginária é a sua transformada de Hilbert. O módulo do sinal analítico é a envoltória do
sinal original como mostra a Figura 3.
sinal modulado
6
-2
-4
-6
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
t [seg]
Figura 2. Sinal de 1 kHz modulado por um outro sinal de 70 Hz
8
sinal modulado
modulador
6
-2
-4
-6
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
t [seg]
Figura 3. Sinal modulado e envoltória

Exemplo 2
Considere-se um sinal com decaimento exponencial dado pela equação (9.17)
x(t ) = e − ζ t sin(ω 0 t ) (9.17)
onde ω0 = 31 rad/s e ζ = 0.5.
A resposta livre do sistema amortecido é mostrada na Figura 4 (a) e o envelope na Figura 4

(b).
0.5
(a)
-0.5
-1
0 2 4 6 8 10 12
1.5
0.5
(b)
-0.5
-1
0 2 4 6 8 10 12
t [s]
Figura 4 (a) Resposta de um sistema livre amortecido e (b) envelope do sinal
O envelope foi obtido através da função analítica. Pode-se calcular o coeficiente de

amortecimento calculando a inclinação do logaritmo da envoltória, como se mostra na
Figura 5 (a). Através desta curva é possivel calcular o coeficiente de amortecimento ou
fator de amortecimento do modelo tratado. Observa-se, na Figura 5 (b), que a inclinação
da reta é de aproximadamente 0.5, consequentemente ζ = 0.5.
(a)
-5
-10
-15
0 2 4 6 8 10 12
-1
(b)
-2
-3
-4
2 2.5 3 3.5 4 4.5 5 5.5 6
t [s]
Figura 5 (a) Logaritmo do envelope (b) e logaritmo do envelope entre 2 a 6 seg.
Nota-se na Figura 5 (a) que há efeitos de distorção nas extremidades do valor absoluto do
sinal analítico.
Referências
Randall, B. Tech., B.A “Frequency Analysis,” Bruel & Kjaer, 1987, pp. 177-184.

(UNICAMP Introdução À Analise Espectral) PDF

Enviado por

Dados do documento

Descrição original:

Título original

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

(UNICAMP Introdução À Analise Espectral) PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Introdução à Análise Espectral

José Roberto de França Arruda

UNIVERSIDADE ESTADUAL DE CAMPINAS

O resultado quantitativo da observação de um fenômeno físico são os valores

A esta função do tempo chamaremos de sinal. Considere , por exemplo, um

A relação entre as coordenadas dos pontos E e G é dada por:

Substituindo as equações (1.2) nas equações (1.1) e obtendo a solução particular da

(a) (b) (c)

A forma gráfica desta função é mostrada na figura 1.2, em linha pontilhada.

Figura 1.2. Posição do centro do disco variando no tempo (sinal senoidal).

A freqüência Ω é, neste caso, a velocidade angular de rotação e, no equacionamento, é

O inverso da freqüência f é o período T, ou intervalo de tempo que a função leva para

Existem diversas formas de expressar a amplitude do sinal. Ao fator multiplicativo

No caso do rotor desbalanceado, a amplitude, em qualquer de suas representações,

A fase é uma característica de importância menor uma vez que depende

Para um sistema eixo/disco em uma máquina real, se considerarmos efeitos de

Figura 1.3. (a) Sinal periódico. (b) Sinal transitório.

Os dois tipos de sinal comentados acima, periódicos e transitórios, geralmente

Exporemos ainda alguns teoremas, fórmulas e propriedades básicas da análise de

Todo sinal periódico x(t) que obedeça as condições de Diritchlet, ou seja:

c. número finito de máximos e mínimos locais num período T

onde ω o = 2π/T, os termos an e bn podem ser obtidos utilizando-se as seguintes

Multiplicando (1.10) por cos(mω ot), integrando no período e utilizando as propriedades

donde se pode escrever as fórmulas de Euler-Fourier:

Para a análise de sinais é mais conveniente formular a série de Fourier na chamada

e ±inω o t = cos(nω o t ) ± sin (nω o t ) (1.12)

onde i = − 1 , daí podemos escrever:

a − ibn inω o t a n + ibn − inω o t

Meiϕ = Mcos(ϕ ) + iMsin(ϕ)

Figura 1.4. Plano complexo e forma exponencial.

podemos chegar à forma exponencial:

e as fórmulas de Euler - Fourier se condensam em:

representam dois vetores da mesma amplitude α n = α-n e fases opostas

Figura 1.5. Interpretação das freqüências negativas.

Como forma final da série de Fourier adotaremos a notação:

X ( f k ) = α k = X ( f k ) e i∠X ( f k ) , k inteiro (1.16)

Podemos interpretar a equação (1.17) como a forma de transformar o sinal periódico

 0, k par  indefinida, k par

Teorema de energia (ou de Parseval)

ou seja, a potência contida no sinal independe da sua representação (no tempo ou em

Demonstração: Temos que

onde * denota o conjugado de um complexo1.

Substituindo a equação (1.18) na equação (1.20) e desenvolvendo pode-se chegar a:

e devido à ortogonalidade das funções trigonométricas:

Todo sinal x(t) transitório que satisfaz as condições de Diritchlet em todo

Dada a semelhança destas equações com as equações (1.17) e (1.18), pode-se

Chamando a distância entre duas raias do espectro discreto ∆f = 1/T podemos

Fazendo T → ∞ ; ∆f → df; k∆f → f , temos:

Figura 1.7. Transformada de Fourier como limite da série.

X ( f ) = Aτ sinc(π f τ ) e ∠ X ( f ) = tan − 1 (tan( − π fτ ) )

A denominação espectro será empregada neste texto para qualquer representação no

Distribuição de Dirac e pseudo-transformada

aplicando (1.28) e (1.22), temos para um sinal periódico:

Aplicando (1.28) e (1.22), podemos chegar a:

Definimos a integral de convolução de duas funções (ou sinais) x(t) e h(t):

Assim definida, a integral de convolução tem as seguintes propriedades quando

onde, X(f) e H(f) são as transformadas de x(t) e h(t), respectivamente.

Substituindo (1.32) em (1.22):

o que é facilmente obtido por substituição de variáveis, por exemplo t-τ = α.

Substituindo (1.34) temos:

A demonstração de (1.33) é deixada ao leitor como exercício.

Seja a função “porta” definida como