Você está na página 1de 14

Sinais Discretos

Osmar Tormena Junior, Prof. Me.∗

1 Introdução à sinais Cada quantidade pode ser vista como um


sinal separado. Porém pode ser útil man-
Há diferentes abordagens no estudo de ter esses sinais em conjunto, como um ve-
problemas de análise de sinais: empírica, téc- tor. Isso é chamado de sinal multicanal. As-
nica e teórica. Neste curso, todas serão abor- sim, se x é discreto com N canais, então
dadas, através de exemplos. x(n) = (x1 (n), x2 (n), . . . , xN (n)), sendo xi (n)
Os métodos iniciais serão empíricos, ba- as componentes (ou canais) do sinal.
seados numa abordagem intuitiva. Isto ofe- Sinais também podem ser funções de
recerá oportunidades de fazer uma aborda- mais de uma variável independente. Por
gem técnica, sobre as ferramentas matemá- exemplo, a imagem deste texto é uma fun-
ticas melhor aplicadas ao problema em ques- ção da disposição vertical e horizontal dos
tão. Por fim, considerações abstratas podem pixels. Sinais com mais de uma variável in-
ser desenvolvidas, mantendo assim uma mo- dependente são chamados de multidimensio-
tivação para a construção de uma abordagem nais.
teórica completa e formal. Como o intuito desta disciplina é desen-
volver as habilidades básicas da análise e pro-
cessamento de sinais, os exemplos desenvolvi-
1.1 Conceitos básicos dos serão limitados à uma única dimensão e
um único canal.
Sinais podem ser relacionados à quanti-
dades numéricas, com uma certa ordenação,
de uma grandeza física. Sinais também po-
dem ser simbólicos por natureza (e.g. texto),
porém é possível estabelecer uma relação
entre esses e sinais quantificáveis numerica-
1.2 Descrição no domínio do
mente. Desta forma, o foco desta disciplina
irá se limitar aos sinais quantificáveis. tempo
Isso permite a utilização de ferramentas
matemáticas no estudo dos sinais, havendo O tempo é uma grandeza física natural-
uma grande riqueza de técnicas matemáticas mente utilizda para descrever a ordenação de
para tal. valores de um sinal. Esse é comumente o caso,
Se o sinal for um fenômeno discreto, porém há situações onde o sinal depende de
que ocorre apenas em instantes separados no uma medida de distância, ou da contagem
tempo, é possível representá-lo como uma fun- de um evento. Representações de sinais como
ção sobre um subconjunto de inteiros n; sendo funções do tempo, distância, ou uma quanti-
x(n) o valor do sinal discreto x na n-ésima dade entre eventos sucessivos, são chamadas
amostra. de representações no domínio do tempo.
Alguns processos produzem mais de uma Nem sempre é possível escrever uma re-
quantidade mensurável em função do tempo. presentação matemática de um sinal do do-
mínio do tempo. Isto é particularmente ver-

tormena@utfpr.edu.br dadeiro para sinais de natureza aleatória.
2 SINAIS DISCRETOS 2

1.3 Outros domínios: Frequên- valor do sinal na amostra n. Um sinal discreto


cia e Escala complexo é uma função x : Z ÞÑ C. Assim,
x(n) = xℜ (n) + jxℑ (n), onde xℜ (n) é a parte
Enquanto algum sucesso pode ser obtido real de x(n) e xℑ (n) é a parte imaginária de
analisando e processando sinais com técnicas x(n), com j 2 = ´1.
básicas no domínio do tempo, é comum a ne-
cessidade da aplicação de técnicas mais sofis- Muitas vezes sinais discretos não são des-
ticadas. Por exemplo, a natureza oscilatória critos por uma função matemática explícita,
de sinais pode conter informações relevantes, mas tabulados em seus valores não-nulos. Por
levando à considerações sobre sua periodici- exemplo, o sinal x(n) = [3, 2, 5, ´3, 1, 1], pos-
dade, ou frequência. sui 6 amostras não-nulas, com x(0) = 5.
Técnicas no domínio da frequência de-
compõem o sinal em senóides, usando estas 2.2 Exemplos
como bases na descrição do sinal. A senoide
de frequência que melhor reproduz o sinal é Definição (Sinal polinomial). O sinal po-
sua componente principal de frequência. Re- linomial N
movendo essa componente do sinal e anali-
ÿ
x(n) = ak nk , (1)
sando a diferença, pode-se obter as sucessivas k=0
componentes de frequência, num processo ite- não é muito útil como modelo de sinais, pois
rativo, que pode ser repetido até restar peque- |x(n)| Ñ 8 conforme |n| cresce sem limites
nos perturbações aleatórias—ruído. (Figura 1).
Porém, há sinais que, por sua variabili-
dade, desafiam até as técnicas no domínio da 400
frequência para sua descrição e análise. Para
estes, uma descrição no domínio da escala
200
pode ser mais vantajosa.
A representação no domínio da escala se-
0
para o sinal em fragmentos de forma similar,
com diferentes “tamanhos”.
´200

2 Sinais discretos ´400


´5 0 5

Muito embora sinais discretos nem sem- Figura 1: Sinal polinomial.


pre sejam fruto da amostragem de sinais ana-
lógicos, muito da nomenclatura é baseada Definição (Sinal racional). Se p(n) e q(n)
neste pressuposto. Sinais discretos são uma são polinômios, então
ferramenta teórica idealizada no estudo de si-
nais digitais. p(n)
x(n) = , (2)
q(n)

2.1 Definições e notação é um sinal racional. Sinais racionais devem ser


definidos, de alguma maneira, para os valores
Sinais discretos são definidos apenas n0 tal que q(n0 ) = 0 (Figura 2).
para valores inteiros do seu domínio (Z). É
importante salientar que o sinal não possui Definição (Sinal algébrico). Sinais que en-
valor definido fora desse conjunto. volvem um exponente racional da variável in-
dependente, como
Definição (Sinais discretos). Um sinal dis-
1
creto é uma função x : Z ÞÑ R, onde x(n) é o x(n) = n 2 , (3)
2 SINAIS DISCRETOS 3

1 1

0
0
´1

´2
´4 ´2 0 2 4 ´1
´10 ´5 0 5 10
Figura 2: Sinal racional.
Figura 4: Sinal senoidal.
são chamados sinais algébricos (Figura 3).
Esse tipo de sinal costuma ter problemas com
a definição do seu domínio.

3 8

2 6

4
1
2
0
0 2 4 6 8 10 0
´6 ´4 ´2 0 2 4 6
Figura 3: Sinal algébrico.
Figura 5: Sinal exponencial.
Definição (Sinal senoidal). Sinais senoi-
dais, como sen(ωn) e cos(ωn), embora seja
mais comumente utilizado cos(ωn + ϕ) são de
fundamental importância na teoria de sinais
discretos (Figura 4). Interessantemente, a pe-
riodicidade de senoides discretas não é garan-
tida.
1
Definição (Sinal exponencial). Sinais ex-
ponenciais são da forma
0
an
x(n) = Ce , (4) 1
´1
onde C e a são constantes, e representa a fun- ´10 ´5 0
ção exponencial exp(¨) (Figuras 5 e 6). Um 0 5 10´1
caso particularmente interessante é quando a
é puramente imaginário, chegando à relação
Figura 6: Sinal exponencial complexo.
de Euler
e˘jωn = cos(ωn) ˘ j sen(ωn). (5)
2 SINAIS DISCRETOS 4

Definição (Sinal gaussiano). A gaussiana


discreta (Figura 7), de média µ e desvio pa-
drão σ, é dada por 0,2
( )
1 (n ´ µ)2
gµ,σ (n) = ? exp ´ , (6)
σ 2π 2σ 2 0
sendo comumente truncada fora de um inter-
valo [M, N ]. ´0,2 0,1
´5 0 0
5 ´0,1
0,2

Figura 9: Sinal de Gabor complexo.

0,1
Definição (Degrau unitário). O degrau
unitário u(n) (Figura 10) é definido por
#
0 1 se n ě 0,
u(n) = (8)
´5 0 5 0 se n ă 0.

O degrau é particularmente útil na constru-


Figura 7: Sinal gaussiano.
ção de pulsos retangulares, pois para m ą k,
w(n) = u(n ´ k) ´ u(n ´ m) é um pulso re-
Definição (Sinal de Gabor). A função ele-
tangular no intervalo [k, m ´ 1].
mentar de Gabor (Figuras 8 e 9) é dada por
ψµ,σ,ω (n) = gµ,σ (n)ejωn , (7)
1
onde a gaussiana (comumente truncada) de-
fine o envelope de oscilação da exponencial
complexa. Essas funções são de fundamental
importância para análises tempo-frequência. 0,5

0,2

0,1 ´4 ´2 2 4

0 Figura 10: Degrau unitário.

Definição (Impulso unitário). O impulso


´0,1
unitário (delta de Kronecker—Figura 11) δ(n)
´5 0 5 é definido por
#
Figura 8: Sinal de Gabor. 1 se n = 0,
δ(n) = (9)
0 se n ‰ 0.

Com a propriedade geral


2.3 Sinais discretos especiais
8
Diferente de suas versões analógicas, es-
ÿ
x(n)δ(n ´ m) = x(m). (10)
tes sinais discretos não possuem dificuldades n=´8
teóricas.
3 AMOSTRAGEM E INTERPOLAÇÃO 5

1 1

0,5 0

´1
´4 ´2 2 4 0 5 10 15 20

Figura 11: Impulso unitário. Figura 12: Interpolação linear.

3 Amostragem e interpo- por todos os pontos (n, x(n). Infelizmente


este tipo de interpolação está sujeita à erros
lação de aproximação numérica (Figura 13).
Amostragem é o processo pelo qual um
sinal discreto é obtido à partir de um sinal 1
analógico. No outro sentido, interpolação é
o processo pelo qual um sinal analógico é re-
construído a partir de um sinal discreto.
0

3.1 Introdução
Na amostragem uniforme, o período de ´1
amostragem (ou intervalo de amostragem) é 0 5 10 15 20
um valor constante. Seu inverso é a frequência
de amostragem. Figura 13: Interpolação polinomial (La-
grange).
3.2 Interpolação
Definição (Splines cúbicas). Splines qua-
A interpolação de um sinal discreto pode dráticas podem ser utilizadas para combinar
ser resultado de uma conversão D/A, ou sim- três amostras em um segmento de parábola.
plesmente uma ferramenta para visualização Infelizmente isso ainda produz descontinuida-
dos dados. Algumas das técnicas mais comuns des, a cada duas amostras, na derivada de
de interpolação são: primeira ordem. A solução é utilizar segmen-
tos cúbicos para interpolar as amostras. Isso
Definição (Linear). Tipo mais simples de
permite o ajuste exato não só da curva aos
interpolação. Infelizmente as descontinuida-
pontos amostrais, mas também de suas deri-
des da primeira derivada nos pontos amos-
vadas.
trais tornam ela uma pobre reprodução de si-
nais contínuos típicos (que costumam ser su-
aves, conforme mostra a Figura 12.
4 Sinais periódicos
Definição (Polinomial). Interpolações
mais suaves são possíveis, através de funções Sinais periódicos repetem seu valores, em
quadráticas, ou de ordem superior. A inter- diferentes intervalos. Os mais comuns são as
polação de Lagrange permite determinar um senoides, que aparecem na modelagem de vá-
polinômio p(n), de grau N , cuja curva passa rios problemas de engenharia.
4 SINAIS PERIÓDICOS 6

1 • Nem todos as senoides discretas são pe-


riódicas.

Uma senoide discreta de frequência an-


0
gular ω só será periódica se ω = 2πf , com
f P Q (i.e. racional).

´1
4.3 Domínio da frequência
0 5 10 15 20
Muito embora tenha se discutido que se-
Figura 14: Interpolação spline cúbica. noides ideais são um modelo pobre para si-
nais fisicamente realizáveis, processos físicos
4.1 Período e frequência funda- podem resultar em sinais que possuem uma
mentais boa representação como uma combinação li-
near de senoides, de diferentes amplitudes, fa-
Um sinal discreto x(n) é periódico se ses e frequências.
existe um inteiro N ą 0 tal qual x(n + N ) = Isso permite decompor um sinal (ou
x(n), para qualquer n. O menor valor de N parte dele) em uma sequência de senoides,
que satisfaz a igualdade é chamado de período o que pode trazer informações importantes
fundamental. quanto à natureza do sinal em si, bem como
Uma senoide discreta pode ser generali- o processo que o produziu.
zada por Por exemplo, em aplicações de reconhe-
cimento de voz, é comum modelar as vo-
x(n) = A cos(ωn + ϕ), (11) gais como a sobreposição de duas senoides de
frequências distintas. A determinação dessas
onde A é sua amplitude, ω sua frequência an- frequência permite identificar as vogais, e pos-
gular (em rad/amostra) e ϕ é a fase (em rad). teriormente, os fonemas, de maneira a tornar
A relação entre a frequência angular e o pe- possível um reconhecimento estruturado da
ríodo fundamental é dada por ω = 2π/N . fala.

4.2 Frequência de sinais discre-


4.4 Tempo e frequência combi-
tos
nados
Por conta do intervalo definido entre su-
A análise de Fourier é uma ferramenta
cessivas amostras de um sinal discreto, suas
clássica, muito poderosa, mas não sem suas
propriedades de periodicidade diferem das de
limitações. Aplicações importantes, como o
sinais analógicos.
eletrocardiograma (ECG) e o eletroencefalo-
grama (EEG), desafiam as capacidades da
• Sinais discretos possuem um limite infe- análise puramente no domínio da frequência.
rior em seu período, que não pode ser
Particularmente, mesmo técnicas híbri-
menor que a unidade.
das tempo-frequência (utilizando a função de
• Isto faz com que seu recíproco, a frequên- Gabor) possuem limitações na análise de si-
cia, possua um valor máximo, de ˘π rad/ nais de EEG. Na verdade, as limitações das
amostra. técnicas tempo-frequência na análise de sinais
sismológicos, na prospecção de petróleo, leva-
• Um sinal discreto de período unitário é ram ao desenvolvimento da análise no domí-
um sinal constante. nio da escala, baseada em wavelets.
5 CLASSES ESPECIAIS DE SINAIS 7

5 Classes especiais de si- [aM , . . . ,a0 , . . . , aN ], onde x(n) = an e M ď


0 ď N.
nais
É simples mostras que a combinação li-
Algumas classes importantes de sinais se- near de sinais de suporte finito resulta num
rão apresentadas. Dentre elas destaca-se a sinal de suporte finito (i.e. o suporte finito é
classe de sinais de energia, as principais fi- fechado sobre a adição).
guras do desenvolvimento teórico no proces-
samento de sinais. 5.2 Sinais somáveis
Suporte finito é uma restrição bem forte
5.1 Classes básicas sobre um sinal. Alguns sinais possuem decai-
Simetria e comportamento assintótico mento rápido o suficiente que se tornam des-
são duas características importantes de si- prezíveis para altos valores de n. Sinais assim
nais. podem ser considerados localizados no tempo.

Definição (Simetria e paridade). Um si- Definição (Sinais absolutamente somá-


nal discreto x(n) é simétrico em torno do veis). Um sinal x(n) é absolutamente somá-
instante n = m se x(m + n) = x(m ´ n), vel se
8
para qualquer n P Z. Alternativamente, x(n)
ÿ
|x(n)| ă 8. (15)
é anti-simétrico, em torno de n = m, se n=´8
x(m + n) = ´x(m ´ n), para qualquer n P Z˚ . Sinais discretos desta família são denotados
Quando a simetria é em torno da origem (i.e. por l1 .
m = 0), diz-se que o sinal simétrico é par
(x(n) = x(´n)). Da mesma forma, diz-se
que o sinal anti-simétrico é ímpar (x(n) = 5.3 Sinais de energia
´x(´n)).
Esta é a família mais importante dos si-
Definição (Partes par e ímpar de sinais). nais discretos. São chamados desta forma pois
Sendo x(n) um sinal discreto, sua parte par é possuem energia finita.
definida por
Definição (Sinais de energia). Um sinal
x(n) + x(´n) discreto x(n) é de energia se
xe (n) = , (12)
2 8
ÿ
enquanto a parte ímpar |x(n)|2 ă 8. (16)
n=´8
x(n) ´ x(´n)
xo (n) = , (13) Sinais discretos desta família são denotados
2
por l2 .
de forma que
Sinais de energia são importantes pois
x(n) = xe (n) + xo (n). (14) são uma classe de sinais que permite suporte

Definição (Suporte finito). O conjunto de infinito, enquanto mantém todas as operações


valores para os quais um sinal x é não-nulo é de espaços vetoriais, necessárias ao processa-
chamado de suporte de x. Sinais de suporte fi- mento de sinais.
nito são nulos fora de um intervalo. Um sinal
discreto x(n) possui suporte finito se existi-
rem inteiros M ă N , tal que x(n) = 0 para 6 Sinais complexos
n ă M e n ą N.
Números complexos são úteis na deter-
Um sinal discreto de suporte finito pode minação da fase entre sinais, bem como no
ser representado através da notação x = estudo do seu espectro.
6 SINAIS COMPLEXOS 8

6.1 Introdução Três séries de potência importantes são

Muitos embora sinais complexos possam z3 z5 z7


sen(z) = z ´ + ´ + ¨¨¨ , (20)
ser vistos como dois sinais reais distintos, 3! 5! 7!
uma parte real e outra imaginária, a interação z2 z4 z6
entre essas partes, em razão das propriedades cos(z) = 1 ´ + ´ + ¨¨¨ , (21)
2! 4! 6!
da análise complexa (distintas às da análise z2 z3
real), produz resultados inesperados, porém exp(z) = 1 + z + + + ¨¨¨ . (22)
2! 3!
muito úteis.
Os critérios de convergência são similares
aos de séries reais. Se uma série de potência,
6.2 Funções holomórficas dada por
A existência da derivada é uma propri- 8
ÿ
edade muito relevante em uma função com- p(z) = an (z ´ w)n , (23)
plexa. n=0

Definição (Diferenciação). Sendo S Ď C é convergente em S, então p(z) é holomórfica


e f : S ÞÑ C, então f é diferenciável no ponto em S e sua derivada é
z P S se o limite 8
ÿ
d f (w) ´ f (z)
1
p (z) = nan (z ´ w)n´1 . (24)
1
f (z) = f (z) = lim (17) n=1
dz wÑz w´z
existe. Esse limite é a derivada de f em z. Surpreendentemente, algumas funções
complexas triviais, como f (z) = x ´ jy,
Definição (Holomórfica). Sendo w P C. Se não são diferenciáveis. Supondo que f (z) =
existe um r ą 0 tal que f (z) é diferenciável u(x, y) + jv(x, y), onde u e v são funções re-
para todo z, de forma que |w ´ z| ă r, então ais sobre x e y. Pelo teorema de Cauchy-Ri-
f é holomórfica em w. Se f (z) é holomórfica emann, se f é diferenciável em z = w, então
para todo w P S, então f (z) é holomórfica em suas derivadas parciais devem satisfazer
S.
Bu Bv
Interessantemente, as regras e proprieda- (w) = (w),
Bx By
des da derivada complexa são as mesmas da (25)
Bu Bv
derivada real. (w) = (w).
By Bx
Definição (Séries de potência e de Lau-
rent). Uma série de potência complexa é
uma soma ponderada de potências de uma 6.3 Integração complexa
variável complexa z, da forma A integração complexa possui resultados
ÿ8 ainda mais interessantes que a diferenciação.
n
an z . (18) Definição (Contorno). Uma curva no
n=0
plano complexo é uma função s : [a, b] ÞÑ C,
Uma série de Laurent é bilateral onde [a, b] Ă R. Diz-se que s parametriza sua
imagem. Se as partes real e imaginária de s(u)
8
ÿ são continuamente diferenciáveis, então s é
an z n . (19) um arco. Se s(a) = s(b), a curva é fechada.
n=´8
Se s(u1 ) = s(u2 ), no intervalo (a, b), implica
Nota-se que essas séries são similares às que u1 = u2 , então a curva s é simples.
transformadas z, unilateral e bilateral, respec- Definição (Integral de contorno). Se a
tivamente, se for considerado que an = x(n). função complexa f (z) é contínua numa região
7 SINAIS ALEATÓRIOS E RUÍDO 9

contendo um arco C, então a integral de con- 7.1 Teoria da probabilidade


torno de f sobre C é dada por
‰ ˆ b Para uma variável aleatória, todos os
f (z) dz = 1
f (s(u))s (u) du (26) seus valores possíveis constituem seu espaço
C a amostral. Eventos são subconjuntos do es-
paço amostral. É útil atribuir probabilidades
onde s(u) é a função que parametriza C.
à eventos.
Definição (Polos e zeros). Uma função
Definição (Álgebra e σ-Álgebra). Uma
complexa f (z) possui um polo de ordem k
álgebra sobre um conjunto Ω é uma coleção
em z = w se existe uma g(z) tal que f (z) =
de subconjuntos de Ω, Σ Ď P(Σ) = tA : A Ď
g(z)/(z ´ w)k , sendo g(z) holomórfica em
Ωu, com as seguintes propriedades:
z = w, com g(w) ‰ 0. Diz-se que f (z) possui
um zero de ordem k em z = w se existe uma
g(z) tal que f (z) = g(z)(z ´ w)k , sendo g(z) • O conjunto vazio pertence à Σ: H P Σ;
holomórfica em z = w, com g(w) ‰ 0.
• Se A P Σ, então seu complemento tam-
Definição (Resíduo). O resíduo de f (z), no bém está em Σ: A1 P Σ;
polo z = w de ordem k, é dado por
• Se A, B P Σ, então A Y B P Σ.
Res(f (z), w) =
( k´1 )
1 d ( k
) Uma σ-álgebra sobre um conjunto Ω é
lim (z ´ w) f (z) . (27) uma álgebra Σ com a propriedade adicional
(k ´ 1)! zÑw dz k´1

Definição (Teorema dos resíduos de 8


ď
Cauchy). Assumindo que C é uma curva An P Σ. (29)
simples e fechada, sem polos em seu traçado, n=0

e que f (z) seja holomórfica dentro de C, ex-


Definição (Medida de probabilidade).
ceto nos polos am , então
Uma medida de probabilidade de uma σ-ál-
‰ M gebra Σ sobre um conjunto Ω é uma função
1 ÿ
f (z) dz = Res(f (z), am ). (28) P : Σ Ñ [0, 1], tal que:
j2π C m=1

• P (Ω) = 1;
7 Sinais aleatórios e ruído
• A probabilidade soma em uniões disjun-
Na prática, é impossível estabelecer uma tas, ou seja, se tAn : n P Iu Ď Σ, onde
função matemática para qualquer sinal. Seja I Ď N, e An X Am = H, quando n ‰ m,
pela própria natureza do sinal, ou pela cor- então
rupção por ruído (sempre presente), faz-se ne- ( )
cessário uma nova teoria para incorporar este
ď ÿ
P An = P (An ). (30)
fator aleatório. nPI nPI
Assim, sinais podem ser determinísticos
ou aleatórios (ou estocásticos). Sinais deter- Definição (Espaço de probabilidades).
minísticos podem ser representados apenas Um espaço de probabilidades é definido pelo
por sua relação com sua variável indepen- tripleto ordenado (Ω, Σ, P ), onde Ω é o con-
dente, ou seja, sua descrição temporal exata é junto de resultados experimentais, chamado
possível. Um sinal aleatório não pode ser pré- de espaço amostral; Σ é uma σ-álgebra sobre
definido em seus valores temporais. Interes- Ω, cujos elementos são chamados de eventos;
santemente, sinais determinísticos são bons e P é a medida de probabilidade de Σ. O
portadores de informação, porém a informa- evento H é chamado de evento impossível, en-
ção em si, é estocástica. quanto o evento Ω é chamado de evento certo.
7 SINAIS ALEATÓRIOS E RUÍDO 10

7.2 Variáveis aleatórias discre- Definição (Média). Se a variável aleatória


tas discreta X possui função massa fX (x), e se
1
xfX (x) for l , então a média de X é
Uma variável aleatória é uma função que
8
mapeia eventos para valores numéricos. ÿ
µ= xi fX (xi ). (32)
Definição (Variável aleatória discreta). i=´8
Supondo que (Ω, Σ, P ) é um espaço de proba-
bilidades. Uma variável aleatória X sobre Ω Definição (Variância). Se a variável aleató-
é uma função x : Ω ÞÑ Z, sendo Ω um espaço ria discreta X possui função massa fX (x), se
amostral discreto. xfX (x) e x2 fX (x) forem l1 , então a variância
de X é
Definição (Função distribuição cumula-
tiva). Supondo que (Ω, Σ, P ) é um espaço de ÿ 8
2
probabilidades e X uma variável aleatória x : σ = (xi ´ µ)2 fX (xi ). (33)
Ω ÞÑ Z. Então a função distribuição cumula- i=´8

tiva de X é definida por FX (x) = P (X ď x).


Definição (Distribuição uniforme). A
Definição (Propriedades da função dis- distribuição uniforme é definida por sua fun-
tribuição). Sendo x : Ω ÞÑ Z uma va- ção massa
riável aleatória no espaço de probabilidades #
(Ω, Σ, P ), com FX (x) sua função distribuição: 1
se x P [a, b],
fX (x) = b´a (34)
0 caso contrário,
• Se a ď b, então FX (a) ď FX (b);
2
• limxÑ8 FX (x) = 1 e limxÑ´8 FX (x) = com média 2µ = (a + b)/2 e variância σ =
0; ((b ´ a + 1) ´ 1)/12.
Definição (Distribuição binomial). A dis-
• P (X ą x) = 1 ´ FX (x); tribuição binomial de n testes de Bernoulli
• P (a ď X ď b) = FX (a) ´ FX (b). (independentes, categorizados por sucesso ou
falha), cada um com a probabilidade de su-
Definição (Função massa de probabili- cesso dada por p, possui a seguinte função
dade). Supondo que (Ω, Σ, P ) é um espaço massa de probabilidade
de probabilidades e X uma variável aleatória ( )
x : Ω ÞÑ Z. Pode-se escrever n x
fX (x) = p (1 ´ p)n´x , (35)
x
fX (xi ) = P (X = xi ), (31)
com média µ = np e variância σ 2 = np(1 ´ p).
chamada de função massa de probabilidade
de X.
7.3 Sinais aleatórios
Definição (Propriedades da função
massa). Sendo x : Ω ÞÑ Z uma variável ale- Os conceitos de variáveis aleatórias, suas
atória no espaço de probabilidades (Ω, Σ, P ), distribuições e parâmetros, são a base para a
com FX (x) sua função distribuição, então: descrição de sinais aleatórios.
Um sinal aleatório não é uma quanti-
• fX (x) ě 0, para todo x P Z; dade completamente desconhecida. Embora
ř8
• i=´8 fX (xi ) = 1; seja impossível prever um valor exato, é pos-
sível estabelecer probabilidades do sinal estar
řa
• FX (a) = i=´8 fX (xi ); dentro de um intervalo. Na teoria da probabi-
řb lidade, isso é conhecido por processo estocás-
• P (a ď X ď b) = i=a fX (xi ). tico.
8 ESPAÇO LP 11

Definição (Sinal aleatório). Supondo que para estes, existe um real positivo finito Mx ,
(Ω, Σ, P ) é um espaço de probabilidades. onde para todo n,
Sendo X = tx : x P Zu uma família de variá-
veis aleatórias sobre (Ω, Σ, P ) indexada nos |x(n)| ď Mx . (38)
reais. Então X é um processo estocástico, ou
variável aleatória, discreto. E sua norma-l8 é o seu menor limite superior:

}x(n)}8 = míntMx : x(n) ď Mx , @nu. (39)


8 Espaço lp
8.2 Espaço abstrato de sinais
O espaço euclidiano n-dimensional Rn
(ou, alternativamente, o espaço unitário n- O espaço lp é fechado para algumas ope-
dimensional Cn ) compõe a base da análise rações sobre os sinais. Isto significa que a
multivariada, álgebra linear e geometria ana- saída também é um sinal lp (porém, não ne-
lítica. cessariamente para o mesmo p).
A generalização das propriedades desses Definição (Espaço lp é fechado). Sendo
espaços vetoriais, para o espaço de sinais de x P lp , para 1 ď p ď 8, para um real c (ou
dimensão infinita, é útil, pois permite a apli- complexo) e um inteiro m:
cação direta de técnicas e resultados intuiti-
vos. • cx(n) P lp e }cx(n)}p = |c| }x(n)}p ;

• x(n ´ m) P lp e }x(n ´ m)}p = }x(n)}p .


8.1 Sinais lp
Definição (Espaço l1 é fechado). Sendo
É necessário definir quais operações en- x, y P l1 , então x + y P l1 .
tre sinais serão suportadas formalmente. Foi
Definição (Espaço l8 é fechado). Sendo
visto que a convolução é de fundamental im-
x, y P l8 , então x + y P l8 .
portância em sistemas LIT. Como ela é uma
soma infinita, deve-se determinar em quais si- Espaços vetoriais (Rn ou Cn ) possuem
tuações esta some converge para um limite. propriedades simples de soma, multiplicação
Definição (Espaço de sinais lp ). Sendo por escalar, associatividade, comutatividade,
p ě 1 e real. Então lp é o conjunto de todos distributividade, etc., que são úteis se pude-
os sinais reais (ou complexos) x(n) tal que rem ser generalizadas para o espaço de sinais.
Isso traz consigo ideias de combinação
8
ÿ linear, geração, independência linear, base e
|x(n)|p ă 8. (36) dimensão que precisam também ser generali-
n=´8
zadas para o domínio de sinais. Também de
p
A norma-l de um sinal x(n) é dada por grande relevância é o conceito de produto in-
terno (ou produto escalar) e ortogonalidade.
( ) p1 Espaços métricos incorporam uma defi-
8
ÿ p
}x(n)}p = |x(n)| . (37) nição de distância entre os elementos de um
n=´8 espaço vetorial.

Enquanto a distância-lp é dada por dp (x, y) = Definição (Espaço métrico). Um espaço


}x ´ y}p . métrico de elementos em V mapeia pares de
elementos em V sobre os reais d : V ˆ V ÞÑ
Dentro do espaço de sinais lp , são de R. O espaço V será métrico se a medida de
grande relevância, para a análise de sinais e distância d, para x, y, z P V , satisfazer:
sistemas, os subespaços l1 , l2 e l8 . O subes-
paço l8 é chamado de sinais limitados pois, • d(x, y) ě 0;
9 ESPAÇO PRODUTO INTERNO 12

• d(x, x) = 0; Definição (Espaço de Banach). Um es-


paço de Banach B é um espaço normado
• d(x, y) = d(y, x); que é completo. Ou seja, qualquer sequência
txk (n)u P B que for uma sequência de Cau-
• d(x, y) ď d(x, z) + d(z, y). chy converge para um sinal x(n) P B. Uma
sequência txk (n)u é uma sequência de Cau-
8.3 Espaço normado chy se para todo ε ą 0, há um N ą 0, de
forma que para k, l ą N então }xk ´ xl } ă ε.
Um espaço normado é uma combinação
Os espaços lp , para 1 ď p ď 8, são com-
de espaços vetoriais com espaços métricos.
pletos, ou seja, são espaços de Banach.
Um espaço normado é um espaço vetorial V ,
com norma }¨} tal que para qualquer u e v em
V:
9 Espaço produto interno
• }x} ě 0 e real;
Espaços produto interno são espaços nor-
• }x} = 0 apenas se x = 0; mados que possuem um operador binário
para medir a similaridade de dois elementos.
• }ax} = |a| }x}, para qualquer real a; O produto interno define a noção de ortogo-
nalidade e ortonormalidade de um conjunto
• }x + y} ď }x} + }y}. de bases.
Definição (Exponentes conjugados).
Sendo p ą 1, se p´1 + q ´1 = 1, então q é um 9.1 Definições e exemplos
exponente conjugado de p.
Definição (Espaço produto interno).
Dois pares de exponentes conjugados im-
Um espaço produto interno I é um espaço
portantes são: p = 1 e q = 8; e p = q = 2.
vetorial com um produto interno definido. O
Definição (Desigualdade de Hölder). produto interno xx, yy satisfaz cinco regras:
Sendo x P lp e h P lq , com p e q expo-
nentes conjugados, então y = xh P l1 e • xx, xy ě 0;
}y}1 ď }x}p }h}q .
• xx, xy = 0 apenas se x = 0;
Definição (Desigualdade de Cauchy-
Schwarz). Supondo x, h P l2 , então o pro- • xx, yy = xy, xy;
duto y = xh P l1 , com
• xcx, yy = c xx, yy, para todo c P R, C;
}y}1 ď }x}2 }h}2 . (40)
• xw + x, yy = xw, yy + xx, yy.
Definição (Desigualdade de Min-
kowski). Se x, y P lp , então x + y P lp , com Os seguintes são espaços produto in-
}x + y}p ď }x}p + }y}p . terno:
Os espaços lp são normados para 1 ď p ď
8. • O espaço euclidiano Rn ;

• O espaço unitário Cn ;
8.4 Espaço de Banach
• O espaço l2 com
Espaços de Banach incorporam a ideia de 8
convergência de sinais sobre os espaços nor-
ÿ
xx, yy = x(x)y(n). (41)
mados. n=´8
10 ESPAÇO DE HILBERT 13

9.2 Norma e métrica 10 Espaço de Hilbert


Um espaço produto interno I possui uma Espaços de Hilbert são espaços normados
norma anatural associada ao produto interno completos (de Banach) que também possuem
}x} = xx, xy. Há também uma métrica de um produto interno definido. É neste espaço
distância natural d(x, y) = }x ´ y}. que se baseia a teoria de sinais.
Definição (Desigualdade de Cauchy-
Schwarz). Sendo I um espaço produto in- 10.1 Definições e exemplos
terno, com x, y P I, então
Definição (Espaço de Hilbert). Um es-
paço de Hilbert H é um espaço de produto
|xx, yy| ď }x} }y} , (42) interno completo. Sendo S Ď H, se todas as
sequências de Cauchy dos elementos de S con-
onde a igualdade |xx, yy| = }x} }y} ocorre ape- vergirem para um elemento também em S,
nas se x e y forem linearmente dependentes. então S é um subespaço de Hilbert de H.
Definição (Regra do paralelogramo). Os seguintes são espaços de Hilbert:
Sendo I um espaço produto interno, com
x, y P I, então }x + y}2 + }x ´ y}2 = 2 }x}2 + • O espaço euclidiano Rn ;
2 }y}2 . • O espaço unitário Cn ;
Uma consequência importante da regra • O espaço l2 com
do paralelogramo é que, exceto pelo l2 , ne-
8
nhum espaço lp suporta uma definição de pro- ÿ
duto interno que seja relacionada à norma-lp . xx, yy = x(x)y(n); (44)
n=´8

• Algum subconjunto de S = tδ(n ´ m)u.


9.3 Ortogonalidade
10.2 Decomposição e somas di-
Definição (Ortogonalidade). Em um es- retas
paço produto interno I, dois elementos x e
y são ortogonais se xx, yy = 0. Nesse caso Ortogonalidade, base e subespaço estão
pode-se escrever x K y. Se x é ortogonal a relacionados no espaço de Hilbert. O espaço
todo elemento de um conjunto S, escreve-se de Hilbert l2 é como uma extensão de dimen-
x K S. O conjunto de todo x P I, onde para são infinita de um espaço euclidiano (ou uni-
todo y P S, pode-se escrever x K y é chamado tário) n-dimensional.
complemento ortogonal de S, escrito como S K . Definição (Decomposição no espaço de
Um conjunto S de elementos não-nulos de I é Hilbert). Sendo H um espaço de Hilbert,
um conjunto ortogonal se x K y para x, y P S, sendo X Ď H e Y = X K . Então para qual-
com x ‰ y. Se S é um conjunto ortogonal quer h P H, h = x + y, onde x P X e y P Y .
onde }x} = 1 para todo x P S, então S é um
conjunto ortonormal. Sendo interessante notar que:
Definição (Desigualdade de Bessel). • }y} = d(h, X);
Sendo I um espaço produto interno, sendo
S = tek u um conjunto ortonormal em I e as- • A decomposição h = x + y é única;
sumindo x P I, então
• S Ă H é completo apenas se o único
ÿ elemento ortogonal à todos os elementos
}x}2 ě |xek , xy|2 . (43) de S é o elemento nulo.
10 ESPAÇO DE HILBERT 14

Definição (Soma direta e projeção). Su- • possui, no máximo, coeficientes não-nu-


pondo que H é um espaço de Hilbert, com los infinitamente contáveis em relação à
X, Y Ď H. Então H é a soma direta de X e ea ;
Y se todo h P H for uma combinação única
de X e Y , da forma h = x + y. Escreve-se • S é completo apenas se
H = X ‘ Y . Nesse caso, se h = x + y, com ÿ
}x}2 = |xx, ea y|2 ; (46)
x P X e y P Y , diz-se que x é a projeção de h
aPA
em X e y é a projeção de h em Y .
Assim, um espaço de Hilbert é a soma di- • (Teorema de Riesz-Fischer) Se tca : a P
reta de qualquer subespaço de Hilbert e seu Au for um conjunto de escalares tal que
complemento ortogonal. A decomposição por ÿ
soma direta dos espaços de Hilbert leva, na- |ca |2 ă 8, (47)
aPA
turalmente, a um sistema linear.
A importância dos espaços de Hilbert na então existe um único x P H tal que
análise de sinais está em sua decomposição or- xx, ea y = ca , e
togonal. Considerando um conjunto de sinais ÿ
ortonormais tek (n)u em um espaço de Hilbert x= ca ea . (48)
H e um conjunto de escalares tak u. A soma aPA

8
ÿ
x(n) = ak ek (n) (45)
k=´8

pode, ou não, convergir em H. Ela convergirá


para um limite se
N
ÿ
xN (n) = ak ek (n)
k=´N

for uma sequência de Cauchy.


Definição (Critério de convergência da
série). A série da Eq. (45) converge no es-
paço de Hilbert apenas se o sinal an = a(n)
for l2 .

10.3 Bases ortonormais


Definição (Base ortonormal). Num es-
paço de Hilbert, um conjunto ortonormal
completo é chamado de base ortonormal.
Já foi mostrado que impulsos deslocados
forma uma base ortonormal para o espaço de
Hilbert l2 .
Definição (Existência da base ortonor-
mal). Todo espaço de Hilbert possui uma
base ortonormal.
Sendo H um espaço de Hilbert, com S =
tea : a P Au uma base ortonormal de H, pode-
se dizer, de um sinal x P H, que: