Udesc Isc Joaquim

Análise de Fourier - Henrique T.
Moriya - 2005/1 1
1. SINAIS E SISTEMAS
1.1. SINAL
Um sinal é uma abstração de qualquer quantidade mensurável que é função de
uma ou mais variáveis independentes como tempo ou espaço.
Exemplos: tensão som lousa
1.2. “TAMANHO” DE UM SINAL
Queremos um valor para quantificar o “tamanho” de um sinal.
Como medir o “tamanho” de uma pessoa?
Não é só a altura que caracteriza o tamanho de uma pessoa, precisamos
também da largura. Com a altura e a largura podemos calcular o volume de
uma pessoa e aí podemos ter uma idéia do “tamanho” dela por um único valor.
Como medir o tamanho de um sinal?
Não basta a amplitude, precisamos também da duração dele.
1.2.1. ENERGIA DE UM SINAL
Podemos considerar a área abaixo de um sinal f (t ) como sendo uma medida
do seu tamanho.
Análise de Fourier - Henrique T. Moriya - 2005/1 2
Qual é o problema com esta solução? As áreas positivas podem ser canceladas
pelas áreas negativas.
Solução: utilizar a área sob o sinal de f (t ) ao quadrado.
Ef → ENERGIA DO SINAL f (t )
Para um sinal real:
+∞
Ef = ∫−∞
f 2 (t )dt
Para um sinal complexo:
+∞
E f = ∫ | f (t ) |2 dt
−∞
1.2.2. POTÊNCIA DE UM SINAL
Qual é o problema com a medida de energia de um sinal?
Esta medida pode ser infinita se a amplitude do sinal NÃO tender a zero
quando o tempo tende a mais ou menos infinito.
Nestes casos, uma medida mais significativa é a média temporal da energia, se
esta existir.
Pf → POTÊNCIA DO SINAL f (t )
Para um sinal real:
T
1 +
Pf = lim ∫ T2 f 2 (t )dt
T →∞ T −
2
Para um sinal complexo:
T
1 +
Pf = lim ∫ T2| f (t ) |2 dt
T →∞ T −
2
O que é Pf ?
É a média temporal do quadrado da amplitude do sinal.
O que é RMS?
ROOT MEAN SQUARE
Ou seja, a raiz de Pf é o valor RMS de f (t ) .
1.2.3. OBSERVAÇÕES IMPORTANTES
Existem casos que nem a energia do sinal e nem a potência do sinal são
aplicáveis.
Exemplo: um sinal tipo rampa.
A energia do sinal ( E f ) não indica a verdadeira energia do sinal, pois esta
depende não somente do sinal, mas também da carga a qual o sinal está sendo
aplicado.
Por isso, cuidado com as unidades de Ef e Pf . Elas NÃO são J (joule) e W
(watt).
1.3. CLASSIFICAÇÃO DOS SINAIS
Os sinais podem ser classificados de diversas formas, iremos considerar a
seguinte classificação:
A. Sinais de Tempo Contínuo e de Tempo Discreto;
B. Sinais Analógicos e Digitais;
C. Sinais Reais e Complexos;
D. Sinais Determinísticos e Probabilísticos;
E. Sinais Pares e Ímpares;
F. Sinais Periódicos e Não-Periódicos;
G. Sinais de Energia e de Potência.
1.3.1. SINAIS DE TEMPO CONTÍNUO E DE TEMPO DISCRETO
Um sinal x(t ) é um sinal de tempo contínuo se t é uma variável contínua.

Se t é uma variável discreta, ou seja, x(t ) é definido em pontos discretos,
então x(t ) é um sinal de tempo discreto.
Como um sinal de tempo discreto é definido em instantes discretos, um sinal
de tempo discreto é geralmente identificado por uma seqüência de números,
denotado por x[n] onde n é um inteiro.
Notação: não existe um padrão. Oppenheim et al. (1997) utilizam x(t ) para
um sinal de tempo contínuo e x[n] para um sinal de tempo discreto.
Vamos trabalhar, na maior parte deste curso, com sinais de tempo contínuo.
Sinais de tempo discreto serão abordados quando falarmos em amostragem.
1.3.2. SINAIS ANALÓGICOS E DIGITAIS
Se um sinal de tempo contínuo x(t ) pode assumir qualquer valor em um
intervalo contínuo [ a ,b ] , então o sinal de tempo contínuo x(t ) é chamado
de sinal analógico.
Se um sinal de tempo discreto x[n] pode assumir somente um número finito
de valores distintos, então esse sinal é chamado de sinal digital.

1.3.3. SINAIS REAIS E COMPLEXOS
Um sinal complexo geral x(t ) é uma função da forma:
x(t ) = x1 (t ) + j ⋅ x2 (t )
onde x1 (t ) e x2 (t ) são sinais reais.
1.3.4. SINAIS DETERMINÍSTICOS E PROBABILÍSTICOS
Sinais determinísticos são aqueles cujos valores são completamente
especificados em um dado instante.
Então, um sinal determinístico pode ser modelado por uma função conhecida
no tempo t .
Sinais probabilísticos ou estocásticos são aqueles que assumem valores
aleatórios em um dados instante e devem ser caracterizados estatisticamente.
1.3.5. SINAIS PARES E ÍMPARES
Um sinal é chamado PAR (ou apresenta simetria par) se:
x par (t ) = x par (−t )
Um sinal é chamado ÍMPAR (ou apresenta simetria ímpar) se:
xímpar (t ) = − xímpar (−t )

1.3.6. SINAIS PERIÓDICOS E NÃO-PERIÓDICOS
Um sinal de tempo contínuo x(t ) é dito periódico com período T se existe
um valor positivo não-nulo de T tal que:
x(t ) = x(t + T ) para todo t
O período fundamental T0 de x(t ) é o menor valor positivo de T para qual
a equação acima continua valendo.
Para um sinal constante x(t ) , o período fundamental é indefinido, já que
x(t ) é periódico para qualquer escolha de T (e por isso não há um menor
valor positivo).
Qualquer sinal de tempo contínuo que não é periódico é chamado de sinal
não-periódico.
Observação: na literatura estrangeira existe o termo “quasi-periodic” usado
para sinais não-periódicos que podem ser aproximados por periódicos.

1.3.7. SINAIS DE ENERGIA E DE POTÊNCIA
x(t ) é considerado um SINAL DE ENERGIA se e somente se:
0 < Ex < ∞
e logo Px = 0 .
x(t ) é considerado um sinal de POTÊNCIA se e somente se:
0 < Px < ∞
implicando em Ex = ∞ .
1.4. OPERAÇÕES BÁSICAS COM SINAIS
1.4.1. ESCALONAMENTO EM AMPLITUDE
O escalonamento em amplitude de x(t ) por C ocorre quando todos os
valores do sinal x(t ) são multiplicados por C para gerar:
C ⋅ x(t )
1.4.2. DESLOCAMENTO EM AMPLITUDE
Um deslocamento em amplitude adiciona uma constante K a x(t ) em todos
os lugares (mesmo onde o sinal é nulo) para formar:
K + x(t )
1.4.3. DESLOCAMENTO NO TEMPO
Um deslocamento no tempo move um sinal x(t ) no tempo sem mudar seu
formato.
Considere o sinal y (t ) = x(t − α ) .
O valor de y (t ) em t =α corresponde ao valor de x(t ) em t = 0.
Em outras palavras, se α >0, o sinal y (t ) é uma réplica atrasada
(deslocada à direita por α ) de x(t ) .
De forma similar, se α >0, o sinal f (t ) = x(t + α ) é uma réplica
avançada (deslocada à esquerda por α ) de x(t ) .

1.4.4. ESCALONAMENTO NO TEMPO
Um escalonamento no tempo aumenta ou diminui a velocidade do sinal,
resultando em compressão ou expansão do sinal.
t
O sinal
g (t ) = x  descreve uma expansão de 2 vezes do sinal x(t ) , já
2
t
que t é diminuído para
2.
De forma similar, o sinal g (t ) = x(3 ⋅ t ) descreve uma compressão de 3
vezes do sinal x(t ) , já que t é aumentado para 3⋅t .
Para esboçar y (t ) = x(α ⋅ t ) , comprime-se ( α >1) ou expande-se
(0 <α < 1 ) o sinal x(t ) por α .
Isto é equivalente a esboçar o sinal x(t ) em uma nova base de tempo tn em
t
posições dadas por t = α ⋅ tn ou tn = .
α
1.4.5. INVERSÃO TEMPORAL OU REFLEXÃO
Inversão temporal, reflexão ou “dobramento” é apenas uma operação de
escalonamento no tempo com α = −1 .
Esta operação cria um sinal x(−t ) como uma imagem refletida de x(t ) em
relação ao eixo vertical que passa pela origem t = 0.

1.4.6. OBSERVAÇÃO IMPORTANTE
Note que o deslocamento no tempo ou a inversão temporal de um sinal x(t )
não irá modificar sua área ou energia, mas a operação de escalonamento
temporal de x(t ) para x(α ⋅ t ) irá reduzir tanto a sua área como a sua
energia por |α |.
1.4.7. COMBINAÇÃO DE OPERAÇÕES
O sinal y (t ) = x(α ⋅ t − β ) pode ser gerado a partir de x(t ) esboçando
x(t ) em uma nova base de tempo tn onde t = α ⋅ tn − β .
Pode-se, também, utilizar as operações de deslocamento e escalonamento
sucessivamente.
Por exemplo, pode-se gerar o sinal x(2 ⋅ t − 6) a partir de x(t ) de duas
formas:
• x(t ) → atraso de 6 (deslocamento à direita) → x(t − 6) →
compressão por 2 → x(2 ⋅ t − 6)
• x(t ) → compressão por 2 → x(2 ⋅ t ) → atraso de 3 (deslocamento
à direita) → x(2 ⋅ t − 6)
Na segunda maneira, note que após a compressão a transformação

x(2 ⋅ t ) ⇒ x(2 ⋅ t − 6) = x(2 ⋅ (t − 3))
implica em um atraso de somente 3 (e não 6) unidade (porque o sinal x(2 ⋅ t )
já está comprimido).
Em ambos os casos, utilize, como um teste de consistência para o esboço, o
fato de que posições na nova base tempo tn são obtidas a partir de
t = 2 ⋅ tn − 6 .
1.5. SIMETRIA DE SINAIS
Se um sinal é idêntico a sua versão invertida no tempo, com
x par (t ) = x par (−t ) ,
ele apresenta simetria par.
Se um sinal e sua versão invertida no tempo diferem somente no sinal, com
xímpar (t ) = − xímpar (−t )
ele apresenta simetria ímpar.
Qualquer sinal x(t ) pode ser expresso como uma soma de dois sinais, um
par e outro ímpar. Ou seja:
x(t ) = x par (t ) + xímpar (t )
onde:
1
x par (t ) = ⋅ {x(t ) + x(−t )}
2
1
xímpar (t ) = ⋅ {x(t ) − x(−t )}
2
1.5.1. SIMETRIA DE MEIA-ONDA
Simetria de meia-onda é definida somente para sinais periódicos.
Se o valor de um sinal periódico x p (t ) (com período T) em t =α e em
t = α ± 0,5 ⋅ T , meio período distante, difere apenas no sinal, x p (t ) é
chamado de um sinal simétrico de meia-onda (ou apresenta simetria de meia-
onda).
Sinais simétricos de meia-onda sempre apresentam dois meio-ciclos em um
período, sendo cada meio-ciclo uma réplica invertida do outro e com a área do
período sendo igual a zero.
1.6. FUNÇÃO COSSENOIDAL (SENOIDAL)
Um sinal senoidal contínuo pode ser expresso como:
x(t ) = A ⋅ cos(ω 0 ⋅ t + θ )
onde:
A → amplitude (real)
ω0 → freqüência angular em radianos por segundo
θ → fase em radianos
Período fundamental T0 :
2 ⋅π
T0 =
ω0 (s)
Freqüência fundamental f0 :
1
f0 = (Hz)
T0
Freqüência angular fundamental ω0 :
ω0 = 2 ⋅ π ⋅ f 0 (rad/s)
Utilizando a fórmula de Euler, temos:
[
A ⋅ cos(ω 0 ⋅ t + θ ) = A ⋅ Re e j⋅(ω0 ⋅t +θ ) ]
A ⋅ sen(ω 0 ⋅ t + θ ) = A ⋅ Im[e ( j ⋅ ω0 ⋅t +θ )
]
1.7. FUNÇÃO EXPONENCIAL COMPLEXA
A função exponencial complexa:

x(t ) = A ⋅ e j⋅ω0 ⋅t
é um importante exemplo de sinal complexo.
Utilizando a fórmula de Euler, este sinal pode ser definido como:
x(t ) = A ⋅ e j⋅ω0 ⋅t = A ⋅ cos(ω 0 ⋅ t ) + j ⋅ A ⋅ sen(ω 0 ⋅ t )
Então, x(t ) é um sinal complexo cuja parte real é A ⋅ cos(ω 0 ⋅ t ) e a parte
imaginária é A ⋅ sen(ω 0 ⋅ t ) .
Uma importante propriedade do sinal exponencial complexo contínuo x(t ) é
que ele é sempre periódico e único para qualquer escolha de período ou
freqüência (em contraste com sinais exponenciais complexos digitais).
O período fundamental T0 é dado por:
2 ⋅π
T0 =
ω0 (s)
1.7.1. FUNÇÃO EXPONENCIAL COMPLEXA GERAL
Seja s = σ + j ⋅ω um número complexo.
Define-se x(t ) como:
x(t ) = e s⋅t = e (σ + j⋅ω )⋅t = eσ ⋅t ⋅ [cos(ω ⋅ t ) + j ⋅ sen(ω ⋅ t )]

O sinal x(t ) é conhecido como sinal exponencial complexo geral cuja parte
real eσ ⋅t ⋅ cos(ω ⋅ t ) e a parte imaginária é eσ ⋅t ⋅ sen(ω ⋅ t ) são sinais
senoidais exponencialmente crescentes ( σ > 0 ) ou decrescentes ( σ < 0 ).
1.8. SINAL DEGRAU UNITÁRIO
A função degrau unitário u (t ) é definida como:
0 t < 0
u (t ) = 
1 t > 0
Note que esta função é descontínua em t=0 e que o valor em t=0 é
indefinido.
O sinal u (α − t ) descreve um degrau à esquerda que é zero após t =α .
1.9. SINAL RAMPA UNITÁRIA
A função rampa unitária r (t ) é definida como:

0 t < 0
r (t ) = t ⋅ u (t ) = 
t t > 0
1.10. FUNÇÃO SINAL
A função sinal sgn(t ) é definida como:
− 1 t < 0
sgn(t ) = 
1 t >0
1.11. FUNÇÃO IMPULSO UNITÁRIO
A função impulso unitário δ (t ) , também conhecida como função delta de

Dirac, exerce um papel central na análise de sistemas.
Tradicionalmente, δ (t ) é geralmente definido como o limite de uma função
devidamente escolhida que apresenta área unitária sobre um intervalo
infinitesimal de tempo.
δ (t ) = 0 t ≠ 0 ∫ δ (τ )dτ = 1
−∞
1.11.1. MULTIPLICAÇÃO DE UMA FUNÇÃO POR UM IMPULSO
Considere agora o que acontece quando multiplica-se o impulso unitário
δ (t ) por uma função f (t ) que seja contínua em t = 0.
Como o impulso existe somente em t=0 e o valor de f (t ) em t=0 é
f (0) , obtém-se:
f (t ) ⋅ δ (t ) = f (0) ⋅ δ (t )
De forma similar, se f (t ) é multiplicado por um impulso deslocado
δ (t − T ) (impulso localizado em t = T ), então:
f (t ) ⋅ δ (t − T ) = f (T ) ⋅ δ (t − T )
desde que f (t ) seja contínuo em t =T .
1.11.2. PROPRIEDADE DA AMOSTRAGEM DA FUNÇÃO IMPULSO
UNITÁRIO
Como:
f (t ) ⋅ δ (t ) = f (0) ⋅ δ (t )
segue que:
+∞ +∞
∫ f (t ) ⋅ δ (t )dt = f (0) ⋅ ∫ δ (t )dt = f (0)

−∞ −∞
desde que f (t ) seja contínuo em t = 0.
Este resultado significa que a área sob o produto de uma função f (t ) por um
impulso δ (t ) é igual ao valor da função no instante em que o impulso
unitário se localiza.
Esta propriedade é muito importante e útil, sendo conhecida como propriedade
da amostragem do impulso unitário.
Assim, como:
f (t ) ⋅ δ (t − T ) = f (T ) ⋅ δ (t − T )
segue que:
+∞ +∞
∫ f (t ) ⋅ δ (t − T )dt = f (T ) ⋅ ∫ δ (t − T )dt = f (T )
−∞ −∞
desde que f (t ) seja contínuo em t =T .
1.11.3. DEFINIÇÃO GENERALIZADA DE δ (t )
A função impulso unitário δ (t ) é a derivada da função degrau
du (t )
δ (t ) =
dt
t
u (t ) = ∫ δ (t )dt
−∞
1.11.4. DERIVADAS DE SINAIS COM MUDANÇAS ABRUPTAS
Como um sinal com mudanças abruptas pode ser descrito por funções degrau,
a derivada de tais sinais deve conter impulsos.
Por exemplo, a derivada de:
x(t ) = A ⋅ u (t ) − B ⋅ u (t − α )
é dada por:
x' (t ) = A ⋅ δ (t ) − B ⋅ δ (t − α )
Isto descreve dois impulsos cujas amplitudes A e −B correspondem às
mudanças abruptas (para cima e para baixo) em t = 0 e t =α .
De forma geral, a derivada em uma descontinuidade resulta em um impulso
cuja amplitude é igual ao tamanho da descontinuidade.
1.12. SISTEMAS
Em geral, um sistema é uma abstração de algo que recolhe um sinal de
entrada, opera sobre ele e produz um sinal de saída.
Em outras palavras, um sistema estabelece uma relação entre suas entradas e
suas saídas.
Um sistema pode consistir de componentes físicos (realização por hardware)
ou pode consistir de um algoritmo que irá operar computacionalmente o sinal
de entrada dando origem ao sinal de saída (realização por software).
1.12.1. CLASSIFICAÇÃO DE SISTEMAS
A. Lineares e não-lineares;
B. Parâmetros constantes e parâmetros variantes no tempo;
C. Com e sem memória;
D. Causais e não-causais;
E. Parâmetros concentrados e parâmetros distribuídos;
F. Tempo contínuo e tempo discreto;
G. Analógicos e digitais.
23
2. SÉRIE DE FOURIER
2.1. ANALOGIA ENTRE SINAIS E VETORES
Um vetor pode ser representado como a soma de seus componentes de
diversas formas (dependendo da escolha do sistema de coordenadas).
Um sinal também pode ser representado como a soma de seus componentes.
Logo, há uma perfeita analogia:
VETOR ↔ SINAL
2.1.1. VETORES
r r
Magnitude: | f | e | x |
Direção
Sentido
24
2.1.1.1. PRODUTO ESCALAR

r r r r
f ⋅ x =| f | ⋅ | x | ⋅ cosθ
onde
r r r r r
x ⋅ x =| x | ⋅ | x | ⋅ cos 0 o =| x | 2
2.1.1.2. COMPONENTES DE UM VETOR
r r r
f = c1 ⋅ x + e1
25
r r r
f = c 2 ⋅ x + e2
r r
A componente do vetor f em relação ao vetor x será a projeção do vetor
r r
f em x.
r r r
f = c⋅x +e
r
Esta escolha minimiza o vetor de erro e.
Como calcular c?
r r
c⋅ | x |=| f | ⋅ cosθ
r r r r r r
c⋅ | x | ⋅ | x |=| f | ⋅ | x | ⋅ cosθ = f ⋅ x
26
r r r r
f ⋅x f ⋅x
c= r 2 = r r
|x| x⋅x
r r r
Se f e x forem perpendiculares (ou ortogonais), f não apresentará
r
componente em relação ao vetor x.
Dois vetores serão ortogonais se o produto escalar entre eles for nulo.
2.1.2. COMPONENTE DE UM SINAL REAL
Sejam dois sinais reais f (t ) e x(t ) .
Vamos aproximar f (t ) em termos de x(t ) em um certo intervalo
( t1 ≤ t ≤ t 2 ):
f (t ) ≅ c ⋅ x(t ) (t1 ≤ t ≤ t 2 )
 f (t ) − c ⋅ x(t ) t1 ≤ t ≤ t 2
e(t ) = 
 0 p.d .v.
Qual é o valor de c para a melhor aproximação?
Critério para melhor aproximação: minimizar a energia do sinal e(t ) .

t2
Ee = ∫ e 2 (t )dt
t1
27
t2
Ee = ∫ [ f (t ) − c ⋅ x(t )] dt
2
t1
Para calcular c que irá minimizar Ee :
dEe
=0
dc
ou seja:
d  2 
t
∫ [ f (t ) − c ⋅ x(t )] dt  = 0
2
dc  t1 
d  2 2 
t
dc ∫t1
[ ]
 f (t ) − 2 ⋅ f (t ) ⋅ c ⋅ x(t ) + c ⋅ x (t ) dt  = 0
2 2

t t t
d 2 2 d 2 d 2 2 2
dc ∫t1
f (t )dt − ∫ 2 ⋅ f (t ) ⋅ c ⋅ x(t )dt + ∫ c ⋅ x (t )dt = 0
dc t1 dc t1
t2 t2
− 2 ⋅ ∫ f (t ) ⋅ x(t )dt + 2 ⋅ c ⋅ ∫ x 2 (t )dt = 0

t1 t1
t2 t2
2 ⋅ c ⋅ ∫ x (t )dt = 2 ⋅ ∫ f (t ) ⋅ x(t )dt

2
t1 t1
28
t2
∫ f (t ) ⋅ x(t )dt
t1
c= t2
∫x
2
(t )dt
t1
t2
∫ f (t ) ⋅ x(t )dt
t1
c=
Ex
Por analogia com vetores, dizemos que f (t ) tem uma componente c ⋅ x(t ) .
Se c = 0 , então f (t ) não contém nenhuma componente do sinal x(t ) e
dizemos que os dois sinais são ortogonais no intervalo (t1 , t 2 ) .
Duas funções, f1 (t ) e f 2 (t ) , são ortogonais no intervalo (t1 , t 2 ) , se:
t2
∫ f (t ) ⋅ x(t )dt = 0
t1
29
2.1.3. COMPONENTE DE UM SINAL COMPLEXO
Sejam f (t ) e x(t ) funções complexas da variável t :
f (t ) ≅ c ⋅ x(t ) (t1 ≤ t ≤ t 2 )
 f (t ) − c ⋅ x(t ) t1 ≤ t ≤ t 2
e(t ) = 
 0 p.d .v.
O valor de c para minimizar a energia do sinal e(t ) é:
t2
∫ f (t ) ⋅ x (t )dt
*
t1
c=
Ex
x * (t ) : complexo conjugado de x(t ) .
f (t ) e x(t ) são ortogonais em (t1 ≤ t ≤ t 2 ) se:
t2 t2
∫ f (t ) ⋅ x (t )dt = ∫ f (t ) ⋅ x(t )dt = 0

* *
t1 t1
2.1.4. ENERGIA DA SOMA DE SINAIS ORTOGONAIS

r r r r r
Se os vetores x e y forem ortogonais e se: z = x + y , então:
r2 r2 r2
z = x + y
Temos um resultado similar para sinais:

30
A energia da soma de dois sinais ortogonais é igual à soma das energias dos
dois sinais.
Então, se os sinais x(t ) e y (t ) são ortogonais sob um intervalo [t1 ,t 2 ] e

se z (t ) = x(t ) + y (t ) , então:
Ez = Ex + E y
2.2. COEFICIENTE DE CORRELAÇÃO
2.2.1. VETORES
Como sabemos se um vetor é similar ao outro?

r r
Suponha dois vetores f e x.
Poderíamos utilizar o parâmetro c calculado nos itens anteriores para
verificar a similaridade entre dois vetores.
Ou seja, supondo:
r r r r
f ≅ c⋅x (ou x ≅ c⋅ f )
r r r r
f ⋅x x⋅ f
c= r r (ou
c= r r )
x⋅x f⋅f
31
c poderia ser um parâmetro utilizado para verificar qual é o grau de

r r
similaridade entre os vetores f e x.
Entretanto, a similaridade não pode ser afetada pelo aumento da magnitude de
um dos vetores.
Como c é um parâmetro dependente da magnitude dos vetores, c não é um
bom parâmetro para medir a similaridade.
A similaridade entre dois vetores é indicada pelo ângulo θ entre eles. Quanto
menor o valor de θ , maior é a similaridade (e vice-versa).

O grau de similaridade entre dois vetores pode ser convenientemente medido
por cosθ .
r r
f ⋅x
cn = cosθ = r r
| f |⋅| x |
cn ⇒ coeficiente de correlação
− 1 ≤ cn ≤ 1
cn = 1 ⇒ os vetores estão alinhados no mesmo sentido

32
cn = −1 ⇒ os vetores estão alinhados, mas com sentidos opostos

cn = 0 ⇒ vetores são ortogonais, a similaridade é nula
2.2.2. SINAIS REAIS
Utilizamos os mesmos argumentos utilizados para os vetores para definir um
índice de similaridade (coeficiente de correlação).
Supondo dois sinais f (t ) e x(t ) .
f (t ) ≅ c ⋅ x(t ) (ou x(t ) ≅ c ⋅ f (t ) )
Não utilizamos o parâmetro c para verificar a similaridade entre os sinais
porque a similaridade não pode ser afetada pelo aumento da energia de um dos
sinais.
O grau de similaridade entre dois sinais pode ser convenientemente medido se
normalizássemos c em relação às energias dos sinais.
Logo:
∞
1
cn = ⋅ ∫ f (t ) ⋅ x(t )dt
E f ⋅ E x −∞
cn ⇒ coeficiente de correlação
− 1 ≤ cn ≤ 1
Suponha que:
33
f (t ) = k ⋅ x(t ) onde k é uma constante.
cn = 1 ⇒ k é positivo
cn = −1 ⇒ k é negativo
Se os sinais forem ortogonais: cn = 0
2.2.3. SINAIS COMPLEXOS
Se f (t ) e x(t ) forem sinais complexos, o coeficiente de correlação é
calculado da seguinte maneira:
∞
1
cn = ⋅ ∫ f (t ) ⋅ x* (t )dt
E f ⋅ Ex − ∞
onde x* (t ) é o conjugado de x(t ) .
2.3. FUNÇÕES DE CORRELAÇÃO

34
2.3.1. FUNÇÃO DE CORRELAÇÃO CRUZADA ENTRE DOIS SINAIS
REAIS
RADAR
• Um sinal é transmitido com o intuito de detectar um alvo suspeito;
• Se o alvo está presente, o sinal será refletido por ele;
• Se o alvo não estiver presente, não haverá sinal refletido, somente
ruído;
• Detectando ou não a presença do sinal refletido, confirma-se a presença
ou ausência do alvo;
• Medindo-se o atraso entre o sinal transmitido e o recebido (refletido),
determina-se a distância do alvo.
• g (t ) → sinal transmitido
• f (t ) → sinal refletido
Se utilizarmos o coeficiente de correlação cn :
∞
1
cn = ⋅ ∫ f (t ) ⋅ g (t )dt
E f ⋅ Eg − ∞
iremos obter cn = 0.
35
Isto acontece porque, apesar dos sinais serem similares, há um deslocamento
no tempo entre eles.
Para superar esta dificuldade, compara-se o sinal recebido f (t ) com o sinal
atrasado g (t ) para vários valores de atraso.
Se para algum valor de atraso houver uma correlação forte, detecta-se não
somente a presença do pulso, mas detecta-se, também, o deslocamento
temporal relativo de f (t ) em relação a g (t ) .
Portanto, ao invés de utilizar-se o coeficiente de correlação ( cn ), utiliza-se a
função de correlação cruzada dos sinais reais f (t ) e g (t ) :
+∞
ψ fg (t ) = ∫ f (τ ) ⋅ g (τ − t )dτ
−∞
ψ fg (t ) → função de correlação cruzada entre f (t ) e g (t )
O sinal g (τ − t ) é o sinal g (τ ) atrasado de t segundos em relação ao
sinal f (τ ) .
Logo, ψ fg (t ) é uma indicação de similaridade (correlação) do sinal f com
o sinal g com atraso de t segundos.

36
2.3.2. FUNÇÃO DE CORRELAÇÃO CRUZADA ENTRE DOIS SINAIS
COMPLEXOS
+∞
ψ fg (t ) = ∫
−∞
f * (τ ) ⋅ g (τ − t )dτ
onde:
f * (t ) e g (t ) são sinais complexos;
f * (t ) é o conjugado de f (t ) .
2.3.2. FUNÇÃO DE AUTOCORRELAÇÃO
A correlação de um sinal com ele mesmo é chamada de autocorrelação:
+∞
ψ f (t ) = ∫ f (τ ) ⋅ f (τ − t )dτ
−∞
ψ f (t ) → função de autocorrelação de f (t )
2.4. ESPAÇO VETORIAL ORTOGONAL

r
Suponha que queremos aproximar um vetor tridimensional f em termos de
r r
dois vetores mutuamente ortogonais x1 e x2 .
37
r r r
f ≅ c1 ⋅ x1 + c2 ⋅ x2
O erro na aproximação é:
r r r r
e = f − (c1 ⋅ x1 + c2 ⋅ x2 )
r r r r
f ⋅x f ⋅x
c1 = r r1 c2 = r r2
x1 ⋅ x1 x2 ⋅ x2
r
Vamos agora aproximar o vetor f em termos de três vetores mutuamente
r r r
ortogonais x1 , x2 e x3 .
r r r r
f ≅ c1 ⋅ x1 + c2 ⋅ x2 + c3 ⋅ x3
38
r r
Observando a figura, tem-se que não existe um vetor e , ou seja, o vetor f
r r r
pode ser totalmente decomposto nos vetores x1 , x2 e x3 .
Assim:
r r r r
f = c1 ⋅ x1 + c2 ⋅ x2 + c3 ⋅ x3
r r r r
A razão para que não haja e é que f é um vetor tridimensional e x1 , x2 e
r
x3 representam um CONJUNTO COMPLETO de vetores ortogonais no
espaço tridimensional.
O fato de o conjunto ser completo significa que é impossível achar outro vetor
r
x4 neste espaço que seja ortogonal em relação a todos os outros três vetores
r r r
x1 , x2 e x3 .
39
Qualquer vetor neste espaço pode ser representado (com erro nulo) em termos
r r r
dos três vetores x1 , x2 e x3 .
Tais vetores são conhecidos como VETORES DE BASE.

r
Se o conjunto de vetores i } não for completo, o erro na aproximação será,
{x
geralmente, diferente de zero.
A escolha dos vetores de base não é única. Um conjunto de vetores de base
corresponde a uma escolha particular de sistema de coordenadas.
2.5. ESPAÇO DE SINAIS ORTOGONAIS
2.5.1. SINAIS REAIS
Utilizando, mais uma vez, uma analogia com vetores (produto escalar),
definimos que um conjunto de sinais x1 (t ) , x2 (t ) , ..., xN (t ) será
ortogonal sob um intervalo [t1 , t2 ] se:
t2
0 m≠n
∫t m n
x (t ) ⋅ x (t )dt = 
 En m=n
1
Se as energias En forem iguais a 1 para todo n , então o conjunto de sinais é
normalizado e é chamado de CONJUNTO ORTONORMAL.

40
Um conjunto ortogonal pode sempre ser normalizado dividindo-se x n (t ) por
En para todo n.
Considerando a aproximação de um sinal f (t ) sob o intervalo [t1 , t2 ] por
um conjunto de N sinais reais mutuamente ortogonais x1 (t ) , x2 (t ) , ...,
xN (t )
N
f (t ) ≅ c1 ⋅ x1 (t ) + c2 ⋅ x2 (t ) + ... + cN ⋅ xN (t ) = ∑ cn ⋅ xn (t )
n =1
O erro e(t ) na aproximação é:
N
e(t ) = f (t ) − ∑ cn ⋅ xn (t )
n =1
Utilizando o critério de minimizar Ee , obtemos:
t2
∫ f (t ) ⋅ x (t )dt
t1
n
cn = t2
n = 1, 2, ..., N
∫ x (t )dt
2
n
t1
t
1 2
cn = ⋅ ∫ f (t ) ⋅ xn (t )dt n = 1, 2, ..., N
En t1
41
Desta forma, a energia Ee pode ser assim calculada:
t2 N
Ee = ∫ f (t )dt − ∑ cn2 ⋅En
2
t1 n =1
Observe que a energia do erro Ee geralmente diminui com o aumento de N
(número de termos). Isto acontece porque o termo ck2 ⋅ Ek é não negativo.
Logo, é possível que Ee → 0 quando N → ∞. Quando isto ocorre, o
conjunto de sinais ortogonais é dito COMPLETO.
Neste caso, f (t ) não é mais aproximado pelos sinais, temos, então, uma
igualdade:
f (t ) = c1 ⋅ x1 (t ) + c2 ⋅ x2 (t ) + ... + cn ⋅ xn (t ) + ... t1 ≤ t ≤ t2
∞
f (t ) = ∑ cn ⋅ xn (t ) t1 ≤ t ≤ t2
n =1
∑c
n =1
n ⋅ xn (t ) é conhecida como SÉRIE GERAL DE FOURIER de f (t )
em relação ao conjunto {xn (t )} .

Quando o conjunto {xn (t )} é tal que a energia Ee → 0 quando N →∞
para todos os membros de uma classe particular, dizemos que o conjunto

42
{xn (t )} é COMPLETO em [t1 , t2 ] para aquela classe de f (t ) e o conjunto
{xn (t )} é dito um conjunto de FUNÇÕES DE BASE ou SINAIS de BASE.
Pensando em termos de energia, tem-se:
t2
∫f (t )dt = c12 ⋅ E1 + c22 ⋅ E2 + ...

2
t1
t2 ∞
∫ f (t )dt = ∑ cn2 ⋅En

2
TEOREMA DE PARSEVAL
t1 n =1
2.5.2. SINAIS COMPLEXOS
Um conjunto de funções x1 (t ) , x2 (t ) , ..., xN (t ) é mutuamente ortogonal
sob o intervalo [t1 , t2 ] se:

t2
0 m≠n
∫t m n ⋅ =
*
x (t ) x (t )dt 
1
 En m=n
Se este conjunto for completo para uma certa classe de funções, então a
função f (t ) nesta classe pode ser expressa como:
f (t ) = c1 ⋅ x1 (t ) + c2 ⋅ x2 (t ) + ... + cn ⋅ xn (t ) + ... t1 ≤ t ≤ t2
43
∞
f (t ) = ∑ cn ⋅ xn (t ) t1 ≤ t ≤ t2
n =1
onde:
t
1 2
cn = ⋅ ∫ f (t ) ⋅ xn* (t )dt
En t1
2.5.3. ALGUNS EXEMPLOS DE SÉRIES GERAIS DE FOURIER
Existe um grande número de conjuntos de sinais ortogonais que podem ser
usados como sinais de base para séries gerais de Fourier.
Alguns exemplos:
• funções trigonométricas;
• funções exponenciais;
• funções de Walsh;
• funções de Bessel;
• funções de Laguerre;
• polinômios de Legendre;
• polinômios de Jacobi;
• polinômios de Hermite;
• polinômios de Chebyshev.
2.6. SÉRIE TRIGONOMÉTRICA DE FOURIER
O conjunto de sinais:
{1, cos(ω 0 ⋅ t ) , cos(2 ⋅ ω 0 ⋅ t ) , ..., cos(n ⋅ ω 0 ⋅ t ) , …;
sen (ω 0 ⋅ t ) , sen (2 ⋅ ω 0 ⋅ t ) , …, sen (n ⋅ ω 0 ⋅ t ) , …}
é chamado de conjunto trigonométrico.
Neste conjunto, usamos a seguinte terminologia:
ω0 → freqüência fundamental
Uma senóide de freqüência n ⋅ ω0 é chamada de n-ésima harmônica da
senóide de freqüência ω 0 (n ∈ Z ) .
O termo constante 1 é a 0-ésima harmônica:
cos(0 ⋅ ω 0 ⋅ t ) = 1 → componente D.C.
O conjunto trigonométrico é completo em qualquer intervalo de duração
2 ⋅π
T0 =
ω0 .
Logo, pode-se expressar um sinal f (t ) por uma série trigonométrica de
Fourier sob qualquer intervalo de duração T0 segundos.

f (t ) = a0 + a1 ⋅ cos(ω 0 ⋅ t ) + a2 ⋅ cos(2 ⋅ ω 0 ⋅ t ) + ...

+ b1 ⋅ sen(ω 0 ⋅ t ) + b2 ⋅ sen(2 ⋅ ω 0 ⋅ t ) + ...
t1 ≤ t ≤ t1 + T0
ou
∞
f (t ) = a0 + ∑ an ⋅ cos(n ⋅ ω 0 ⋅ t ) + bn ⋅ sen(n ⋅ ω 0 ⋅ t )
n =1
t1 ≤ t ≤ t1 + T0
2 ⋅π
ω =
onde: 0 T0
A expressão acima é denominada SÉRIE TRIGONOMÉTRICA DE
FOURIER.
Os coeficientes de Fourier a0 , a n e bn são calculados da mesma maneira
apresentada para a série geral de Fourier, ou seja:
t1 +T0
∫ f (t ) ⋅ cos(n ⋅ ω
t1
0 ⋅ t )dt
an = t1 +T0
n = 0, 1, ...
∫ (n ⋅ ω0 ⋅ t )dt
2
cos
t1
t1 +T0
∫ f (t ) ⋅ sen(n ⋅ ω
t1
0 ⋅ t )dt
bn = t1 +T0
n = 1, 2,...
∫ sen (n ⋅ ω 0 ⋅ t )dt
2
t1
Como:
t1 +T0 t1 +T0
T0
∫ cos (n ⋅ ω0 ⋅ t )dt = ∫ sen (n ⋅ ω0 ⋅ t )dt =
2 2
t1 t1
2
tem-se:
t +T
1 1 0
a0 = ⋅ ∫ f (t )dt
T0 t1
t +T
2 1 0
a n = ⋅ ∫ f (t ) ⋅ cos(n ⋅ ω 0 ⋅ t )dt n = 1, 2, 3,...
T0 t1
t +T
2 1 0
bn = ⋅ ∫ f (t ) ⋅ sen(n ⋅ ω 0 ⋅ t )dt n = 1, 2, 3,...
T0 t1
2.6.1. SÉRIE TRIGONOMÉTRICA COMPACTA DE FOURIER
Pode-se obter uma Série Trigonométrica Compacta de Fourier
utilizando a seguinte identidade trigonométrica:

a n ⋅ cos(n ⋅ ω 0 ⋅ t ) + bn ⋅ sen(n ⋅ ω 0 ⋅ t ) = C n ⋅ cos(n ⋅ ω 0 ⋅ t + θ n )

onde:
C n = a n2 + bn2 n = 1, 2, 3,...
 - bn 
θ n = tg 
−1
 n = 1, 2, 3,...
 an 
Desta forma, a Série Trigonométrica Compacta de Fourier é a
seguinte:
∞
f (t ) = C 0 + ∑ C n ⋅ cos(n ⋅ ω 0 ⋅ t + θ n )
n =1
t1 ≤ t ≤ t1 + T0
onde:
C0 = a 0
C n = a n2 + bn2 n = 1, 2, 3,...
-b 
θ n = tg −1  n  n = 1, 2, 3,...
 an 
A SÉRIE TRIGONOMÉTRICA COMPACTA DE FOURIER é também
denominada SÉRIE POLAR DE FOURIER.

2.6.2. PERIODICIDADE DA SÉRIE TRIGONOMÉTRICA DE
FOURIER
Demonstrou-se que um sinal arbitrário f (t ) pode ser expresso como
uma série trigonométrica de Fourier em qualquer intervalo de T0 segundos.
Ou seja, um sinal f (t ) arbitrário pode ser descrito por uma série
trigonométrica de Fourier em um intervalo qualquer t1 ≤ t ≤ t1 + T0 .
Como se comporta a série trigonométrica de Fourier fora deste intervalo
t1 ≤ t ≤ t1 + T0 ?
A SÉRIE TRIGONOMÉTRICA DE FOURIER, ϕ (t ) , é uma função
periódica de período T0 , pois:
∞
ϕ (t ) = C0 + ∑ C n ⋅ cos(n ⋅ ω 0 ⋅ t + θ n ) para todo t
n =1
∞
ϕ (t + T0 ) = C 0 + ∑ C n ⋅ cos[n ⋅ ω 0 ⋅ (t + T0 ) + θ n ]
n =1
2 ⋅π
T0 =
ω0
∞
ϕ (t + T0 ) = C0 + ∑ C n ⋅ cos[(n ⋅ ω 0 ⋅ t + 2 ⋅ n ⋅ π ) + θ n ]
n =1
∞
ϕ (t + T0 ) = C 0 + ∑ C n ⋅ cos[n ⋅ ω 0 ⋅ t + θ n ]
n =1
ϕ (t + T0 ) = ϕ (t ) para todo t
Assim, se a função f periódica (t ) for periódica de período T0 , então a
série de Fourier representando f periódica (t ) sob um intervalo T0 irá também
representar f periódica (t ) para todo t (não somente para o intervalo T0 ).
∞
f periódica (t ) = a0 + ∑ a n ⋅ cos(n ⋅ ω 0 ⋅ t ) + bn ⋅ sen(n ⋅ ω 0 ⋅ t )
n =1
para todo t desde que f periódica (t ) seja periódica com período igual a
k ⋅ T0 onde k ∈ Z +* .
2.6.3. CONDIÇÕES DE EXISTÊNCIA DA SÉRIE DE FOURIER
Para que a série de Fourier para um sinal f (t ) exista, o sinal f (t )
deve respeitar as seguintes condições:

t1 +T0
1. ∫
t1
f (t ) dt < ∞
2. O sinal f (t ) deve ter um número finito de máximos e mínimos
em um intervalo T0 qualquer.
3. O sinal f (t ) deve ter somente um número finito de
descontinuidades em um intervalo T0 qualquer.
Estas condições são chamadas de condições de Dirichlet e são suficientes, mas
não necessárias para a existência da série de Fourier do sinal f (t ) .
2.6.4. SIMPLIFICAÇÕES ATRAVÉS DA SIMETRIA DO SINAL
A série de Fourier de um sinal periódico f periodica (t ) , que não apresenta
simetria, contém tanto componentes ímpares (senos) como componentes pares
(dc e cossenos).
∞
f periódica (t ) = a0 + ∑ a n ⋅ cos(n ⋅ ω 0 ⋅ t ) + bn ⋅ sen(n ⋅ ω 0 ⋅ t )
n =1
para todo t
Se f periodica (t ) apresenta simetria PAR, este sinal deve ser composto apenas
pelos termos simétricos PARES (dc e cossenos). Então, bk = 0

∞
2 ⋅π
f par (t ) = a0 + ∑ a n ⋅ cos(n ⋅ ω 0 ⋅ t ) ω0 =
n =1 T0
Se f periodica (t ) apresenta simetria ÍMPAR, este sinal deve ser composto
apenas pelos termos simétricos ÍMPARES (senos). Então, a0 = a k = 0
∞
2 ⋅π
f ímpar (t ) = ∑ bn ⋅ sen(n ⋅ ω 0 ⋅ t ) ω0 =
n =1 T0
Se f periodica (t ) apresenta simetria de MEIA-ONDA, este sinal deve ser
composto apenas pelos termos simétricos de MEIA-ONDA. Somente
harmônicas ímpares ( ω 0 ,3 ⋅ ω 0 ,5 ⋅ ω 0 ,... ) apresentam simetria de MEIA
ONDA. Então, a0 = a k = bk = 0 para k PAR.
O cálculo dos coeficientes não-nulos para um sinal simétrico pode ser bastante
 T0 T0 
simplificado se forem utilizados os limites simétricos − ,  no
 2 2
cálculo das integrais e se forem levados em consideração os efeitos da
simetria.
Se f par (t ) apresenta simetria PAR, f par (t ) ⋅ cos(k ⋅ ω 0 ⋅ t ) também irá
apresentar simetria PAR. Para calcular ak para um sinal de simetria PAR,

 T0 
pode-se integrar f par (t ) ⋅ cos(k ⋅ ω 0 ⋅ t ) somente sobre  0,  e
 2
4
multiplicar o resultado por T0 . Assim:
T0
2
4
T0 ∫0
an = ⋅ f par (t ) ⋅ cos(n ⋅ ω 0 ⋅ t )dt n = 1, 2, 3,...
T0
2
2
T0 ∫0
a0 = ⋅ f par (t )dt
Se f ímpar (t ) apresenta simetria ÍMPAR, f ímpar (t ) ⋅ sen(k ⋅ ω 0 ⋅ t )
também irá apresentar simetria ÍMPAR. Para calcular bk para um sinal de
simetria ÍMPAR, pode-se integrar f ímpar (t ) ⋅ sen(k ⋅ ω 0 ⋅ t ) somente sobre
 T0  4
 0,  e multiplicar o resultado por . Assim:
 2 T0
T0
2
4
T0 ∫0
bn = ⋅ f ímpar (t ) ⋅ sen(n ⋅ ω 0 ⋅ t )dt n = 1, 2, 3,...
2.6.4.1. REMOÇÃO DE COMPONENTE DC PODE REVELAR
SIMETRIA “ESCONDIDA”
A adição de um nível dc a um sinal periódico irá modificar somente seu
coeficiente dc ( a0 e C 0 ) e todos os outros coeficientes da série de Fourier
irão permanecer os mesmos.
Deve-se, portanto, sempre verificar a possível existência de simetria
“escondida” em um sinal periódico retirando seu nível dc. Esta verificação se
faz importante, pois, como já foi visto, a simetria simplifica os cálculos dos
coeficientes.
Caso a simetria “escondida” seja verificada, deve-se calcular o coeficiente dc
utilizando o sinal original. Os demais coeficientes podem ser calculados
utilizando o sinal simétrico obtido (usando as simplificações devido à
simetria) ou o sinal original (sem usar as simplificações devido à simetria).

2.6.5. COMO DETERMINAR A FREQÜÊNCIA FUNDAMENTAL E O
PERÍODO
Uma soma de senóides constitui um sinal periódico?
Não necessariamente.
Uma soma de senóides constitui um sinal periódico quando a razão entre cada
par de freqüências individuais for uma fração racional.
Exemplos:
1  2  7 
f1 (t ) = 2 + 7 ⋅ cos ⋅ t + θ1  + 3 ⋅ cos ⋅ t + θ 2  + 5 ⋅ cos ⋅ t + θ 3 
2  3  6 
3 4
Como as razões entre as freqüências de f1 (t ) são
4 e 7 (o nível dc não é
considerado), o sinal f1 (t ) é periódico e suas senóides são
HARMONICAMENTE relacionadas.
f 2 (t ) = 2 ⋅ cos(2 ⋅ t + θ1 ) + 5 ⋅ sen(π ⋅ t + θ 2 )
2
Como a razão entre as freqüências de f 2 (t ) é , o sinal f 2 (t ) não é
π
periódico.
O Período Comum ou Período Fundamental T0 de uma soma periódica de
senóides é o menor intervalo de tempo no qual cada senóide completa um

número inteiro de ciclos. T0 é dado pelo mínimo múltiplo comum (MMC)
dos períodos individuais.
A FREQÜÊNCIA FUNDAMENTAL f0 é o recíproco de T0 e é dada pelo
maior divisor comum (MDC) das freqüências individuais.
As freqüências presentes em uma soma periódica de senóides são
HARMÔNICAS da freqüência fundamental f0 .
2.7. SÉRIE EXPONENCIAL DE FOURIER
O conjunto de sinais
e j⋅n⋅ω0 ⋅t n = 0, ± 1, ± 2, ...
2 ⋅π
T =
é completo em qualquer intervalo de duração 0 ω0 .
Logo, pode-se expressar um sinal f (t ) por uma SÉRIE EXPONENCIAL
DE FOURIER sob qualquer intervalo de duração T0 segundos.
+∞
f (t ) = ∑D
n = −∞
n ⋅ e j⋅n⋅ω0 ⋅t t1 ≤ t ≤ t1 + T0
onde:
t +T
1 1 0
Dn = ⋅ ∫ f (t ) ⋅ e − j⋅n⋅ω0 ⋅t dt
T0 t1
A SÉRIE EXPONENCIAL DE FOURIER é basicamente outra forma da
SÉRIE TRIGONOMÉTRICA DE FOURIER
Cada senóide de freqüência ω pode ser expressa como uma soma de duas
exponenciais e j⋅ω ⋅t e e − j⋅ω ⋅t . Isto faz com que a SÉRIE EXPONENCIAL
DE FOURIER consista de componentes da forma e j⋅n⋅ω0 ⋅t com n variando
de −∞ a +∞.
A SÉRIE EXPONENCIAL DE FOURIER é periódica com período T0 .
Vantagens da SÉRIE EXPONENCIAL DE FOURIER em relação à SÉRIE
TRIGONOMÉTRICA DE FOURIER:
1. A forma da série é mais compacta;
2. A expressão matemática dos coeficientes da série é mais compacta;
3. Na análise de sistemas, a forma exponencial é mais conveniente de ser
empregada.
2.7.1. RELAÇÕES DOS COEFICIENTES DAS SÉRIES DE FOURIER
1
Dn = ⋅ C n ⋅ e j⋅θ n
2
1
D− n = ⋅ C n ⋅ e − j⋅θ n
2
1
Dn = ⋅ (a n − j ⋅ bn )
2
2.7.2. EFEITO DA SIMETRIA NA SÉRIE EXPONENCIAL DE
FOURIER
Não há uma simplificação direta nos cálculos de Dn devido a existência de
simetria. Entretanto, usando as relações da Série Trigonométrica de Fourier, é
possível otimizar o cálculo dos coeficientes Dn .
Se f (t ) é par:
• bn = 0
an
• Dn =
2
• ∠Dn = 0 ou ±π
Se f (t ) é ímpar:
• an = 0
− j ⋅ bn
• Dn =
2
π
• ∠Dn = 0 ou ±
2
2.7.3. UTILIZANDO A FÓRMULA DE EULER PARA FACILITAR O
CÁLCULO DA SÉRIE EXPONENCIAL DE FOURIER
Suponha que:
x(t ) = cos(ω 0 ⋅ t )
Utilizando a fórmula de Euler, pode-se calcular Dn sem a utilização da
integral.
Dessa forma:
cos(ω 0 ⋅ t ) =
2
⋅e (
1 j⋅ω0 ⋅t 1
) 1
+ e − j⋅ω0 ⋅t = ⋅ e j⋅ω0 ⋅t + ⋅ e − j⋅ω0 ⋅t
2 2
+∞
cos(ω 0 ⋅ t ) = ∑D
n = −∞
n ⋅ e j⋅n⋅ω0 ⋅t
Logo, os coeficientes Dn para x(t ) = cos(ω 0 ⋅ t ) são:

1 1
D−1 = D1 = Dn = 0 para | n |≠ 1
2 2
Se f par (t ) apresenta simetria PAR, f par (t ) ⋅ cos(k ⋅ ω 0 ⋅ t ) também irá
apresentar simetria PAR. Para calcular ak para um sinal de simetria PAR,
 T0 
pode-se integrar f par (t ) ⋅ cos(k ⋅ ω 0 ⋅ t ) somente sobre  0,  e
 2
4
multiplicar o resultado por T0 . Assim:
T0
2
4
an = ⋅ ∫ f par (t ) ⋅ cos(n ⋅ ω 0 ⋅ t )dt n = 1, 2, 3,...
T0 0
e
T0
2
2
a0 = ⋅ ∫ f par (t )dt
T0 0
Se f ímpar (t ) apresenta simetria ÍMPAR, f ímpar (t ) ⋅ sen(k ⋅ ω 0 ⋅ t )
também irá apresentar simetria ÍMPAR. Para calcular bk para um sinal de

simetria ÍMPAR, pode-se integrar f ímpar (t ) ⋅ sen(k ⋅ ω 0 ⋅ t ) somente sobre
 T0  4
 0,  e multiplicar o resultado por . Assim:
 2 T0
T0
2
4
T0 ∫0
bn = ⋅ f ímpar (t ) ⋅ sen(n ⋅ ω 0 ⋅ t )dt n = 1, 2, 3,...
2.8. O ESPECTRO DE SINAIS PERIÓDICOS
Os termos ANÁLISE ESPECTRAL ou ANÁLISE HARMÔNICA são
geralmente utilizados para descrever a análise de um sinal periódico
f periodica (t ) através de suas Séries de Fourier.
As quantidades a n , bn , C n , θ n ou Dn descrevem os COEFICIENTES
ESPECTRAIS de f periodica (t ) .
Eles podem ser “plotados” em relação ao índice n , à freqüência n ⋅ f 0 (Hz)
ou à n ⋅ ω0 (rad/s) como mostrado a seguir:

O espectro de magnitude e o espectro de fase descrevem graficamente a
magnitude e a fase de cada harmônica. São exemplos de sinais discretos.
Existem três representações possíveis para o espectro de sinais periódicos
1. Utilizando a Série Compacta Trigonométrica de Fourier:
a. Espectros de magnitude (amplitude) e fase
i. Magnitudes ( C n ) x Freqüências
ii. Fases ( θ n ) x Freqüências
2. Utilizando a Série Exponencial de Fourier:
a. Parte real e parte imaginária
i. Parte real de Dn x Freqüências
ii. Parte imaginária de Dn x Freqüências
b. Espectros de magnitude e fase

i. Magnitude de Dn x Freqüências
ii. Fase de Dn x Freqüências
Relações:
D0 = a0 = C 0
1
Dn = D−n = ⋅ Cn n≠0
2
∠Dn = θ n
∠ − Dn = −θ n
Algumas características interessantes do Espectro Exponencial de Fourier:
• O Espectro existe para valores positivos e negativos de freqüência;
• O Espectro de magnitudes é uma função par de ω;

• O Espectro de fases é uma função ímpar de ω.
2.8.1. POR QUE HÁ FREQÜÊNCIAS NEGATIVAS?
Como interpretar uma freqüência negativa?
Usando uma identidade trigonométrica pode-se expressar uma senóide de uma
freqüência negativa − ω0 como:
cos(−ω0 ⋅ t + θ ) = cos(ω0 ⋅ t − θ )
Esta equação mostra claramente que a freqüência de uma senóide
cos(ω0 ⋅t + θ ) é ω0 , que é uma quantidade positiva.
A mesma conclusão pode ser alcançada observando-se que:
e ± j⋅ω0 ⋅t = cos(ω0 ⋅ t ) ± j ⋅ sen(ω0 ⋅ t )
A freqüência das exponenciais e ± j⋅ω0 ⋅t é na verdade ω0 .
Como, então, interpretar os gráficos do espectro com valores negativos de
ω?
Uma boa forma de encarar a situação é pensar que o espectro exponencial é
uma representação gráfica dos coeficientes Dn como uma função de ω.
A existência do espectro em ω = −n ⋅ ω0 é meramente uma indicação do
fato que uma componente e − j⋅n⋅ω0 ⋅t existe na série.
2.8.2. LARGURA DE BANDA DE UM SINAL
A diferença entre a maior e a menor freqüência das componentes espectrais de
um sinal é a largura de banda do sinal.
2.9. TEOREMA DE PARSEVAL
Suponha um sinal periódico f (t ) :

∞
f (t ) = C 0 + ∑ C n ⋅ cos(n ⋅ ω 0 ⋅ t + θ n )
n =1
O Teorema de Parseval diz que a potência do sinal f (t ) pode ser calculada
da seguinte forma:
1 ∞ 2
Pf = C + ⋅ ∑ C n
2
0
2 n =1
ou
∑ Dn
2
Pf =
n = −∞
Análise de Fourier - Henrique Takachi Moriya - 2005/1 65
3. TRANSFORMADA DE FOURIER
3.1. REPRESENTAÇÃO DE UMA FUNÇÃO NÃO-PERIÓDICA
PELA INTEGRAL DE FOURIER
Um sinal não-periódico pode ser representado em um determinado intervalo
pela série exponencial de Fourier.
Já os sinais periódicos podem ser representados em todo intervalo (-∞, +∞)
pela série exponencial de Fourier.
Entretanto, convém representar qualquer função geral (periódica ou não) em
todo o intervalo (-∞, +∞) em termos de sinais exponenciais.
Veremos que pode ser mostrado que um sinal não-periódico pode ser
geralmente expresso como uma soma contínua (integral) de sinais
exponenciais, em contraste com sinais periódicos que podem ser
representados por uma soma discreta de sinais exponenciais.
Suponha um sinal não-periódico f (t )

A partir de f (t ) , construiremos uma nova função periódica f T0 (t ) com
período T0 de forma a não haver sobreposição dos pulsos.
Quando T0 → ∞ , os pulsos de f T0 (t ) se repetem em intervalos infinitos,
logo:
lim f T0 (t ) = f (t )
T0 →∞
Assim, a série de Fourier de f T0 (t ) irá também representar f (t ) no limite
T0 → ∞ .
+∞
f T0 (t ) = ∑ n
D ⋅
n = −∞
e j ⋅n⋅ω0 ⋅t
t +T
1 1 0
Dn = ⋅ ∫ f T0 (t ) ⋅ e − j⋅n⋅ω0 ⋅t dt
T0 t1
2 ⋅π
ω0 =
T0
ou
t +T
1 1 0
Dn = ⋅ ∫ f (t ) ⋅ e − j⋅n⋅ω0 ⋅t dt
T0 t1
lim f T0 ( t ) = f ( t )
T0 →∞
Definindo uma função contínua em ω:

+∞
F (ω ) = ∫
−∞
f (t ) ⋅ e − j⋅ω⋅t dt
tem-se
1
Dn = ⋅ F ( n ⋅ ω0 )
T0
como:
+∞
f T0 (t ) = ∑D
n = −∞
n ⋅ e j⋅n⋅ω0 ⋅t
+∞
F (n ⋅ ω 0 ) j⋅n⋅ω0 ⋅t
f T0 (t ) = ∑
n = −∞ T0
⋅e
+∞
F (n ⋅ ω 0 ) j⋅n⋅ω0 ⋅t
f T0 (t ) = ∑
n = −∞ 2 ⋅π
⋅e ⋅ ω0
1 +∞
f T0 (t ) = ⋅ ∑ F (n ⋅ ω 0 ) ⋅ e j⋅n⋅ω0 ⋅t ⋅ ω 0
2 ⋅ π n =−∞
f (t ) = lim f T0 (t )
T0 →∞
+∞
1
f (t ) = lim ⋅ ∑ F (n ⋅ ω 0 ) ⋅ e j⋅n⋅ω0 ⋅t ⋅ ω 0
T0 →∞ 2 ⋅ π
n = −∞
quando T0 → ∞ → ω0 → 0 (ω 0 → dω )
n ⋅ ω0 = ω
∑ ⇒∫
ou seja,
+∞
1
f (t ) = ⋅ ∫ F (ω ) ⋅ e j⋅ω⋅t dω
2 ⋅ π −∞
+∞
∫
j ⋅ω ⋅t
F (ω ) ⋅ e dω → Integral de Fourier
−∞
Assim, temos a representação de um sinal não periódico f (t ) por uma
integral de Fourier.
Esta integral é basicamente uma série de Fourier (no limite) com a
freqüência fundamental ω0 → 0 .
Logo, F (ω ) funciona como uma função espectral.
F (ω ) → Transformada Direta de Fourier de f (t )
f (t ) → Transformada Inversa de Fourier de F (ω )
F ( ω ) = ℑ[ f ( t )] 
 par de transformadas de Fourier
f ( t ) = ℑ −1 [ F ( ω )] 
ℑ
f (t ) ←→ F (ω )
+∞
∫ f (t ) ⋅ e
− j ⋅ω ⋅t
F (ω ) = dt
−∞
+∞
1
f (t ) = ⋅ ∫ F (ω ) ⋅ e j⋅ω⋅t dω
2 ⋅ π −∞
Vale lembrar que a integral de Fourier é basicamente uma série de Fourier
com ω 0 → 0 . Com isso, a maioria das propriedades da série de Fourier é
aplicada também para a transformada.
F (ω ) → número complexo.
F (ω ) =| F (ω ) | e ∠F (ω )
Gráficos:
Amplitude x Freqüência
| F (ω ) | ×ω
Fase x Freqüência
∠F (ω ) × ω
3.1.1. EXISTÊNCIA DA TRANSFORMADA DE FOURIER
+∞
∫ f (t ) ⋅ e
− j ⋅ω ⋅t
Se
dt é finita, então a transformada existe.
−∞
Portanto:
+∞
∫| f ( t ) |dt < ∞
−∞
Esta condição é suficiente, mas não necessária, para a existência da
Transformada de Fourier de f (t ) .
Funções como sen(ω ⋅ t ) , cos(ω ⋅ t ) , u (t ) , etc. não satisfazem a
condição de integrabilidade absoluta e rigorosamente não possuiriam
transformada de Fourier. Entretanto, elas APRESENTAM transformada de
Fourier.
3.1.2. LINEARIDADE DA TRANSFORMADA DE FOURIER
A Transformada de Fourier é linear.
ℑ
f1 (t ) ←→ F1 (ω ) e
ℑ
f 2 (t ) ←→ F2 (ω )
ℑ
a1 ⋅ f1 (t ) + a 2 ⋅ f 2 (t ) ←→ a1 ⋅ F1 (ω ) + a 2 ⋅ F2 (ω )
a1 e a2 → constantes
3.2. ALGUMAS TRANSFORMADAS DE FOURIER
3.2.1. ALGUMAS FUNÇÕES ÚTEIS
3.2.1.1. FUNÇÃO PORTA UNITÁRIA
Define-se a função porta unitária rect( x ) como um pulso de amplitude
unitária centrado na origem e de duração unitária.
 1
0 | x |>
2
 1 1
rect( x ) =  | x |=
2 2
1 1
| x |<
 2
 x
Observe, agora, a função
rect  
τ 
 τ
0 | x |>
2
 x   1 τ
rect   =  | x |=
τ  2 2
1 τ
| x |<
 2
 x
Outra notação possível:
rect   = Gτ ( x ) .
τ 
Assim: rect ( x ) = G1( x )
3.2.1.2. FUNÇÃO TRIÂNGULO UNITÁRIO
Define-se a função triângulo unitário ∆( x ) como um pulso triangular de
amplitude máxima unitária centrado na origem e de duração unitária.

 1
 0 | x |≥
∆( x ) =  2
1
1 − 2⋅ | x | | x |<
 2
 x
Observe, agora, a função
∆  :
τ 
 τ
0 | x |≥
 x  2
∆  = 
 τ  1 − 2 ⋅ | x | | x |< τ
 τ 2
3.2.1.3. FUNÇÃO SINC(x)
Esta função desempenha um importante papel no processamento de sinais e
é comumente denominada de função de interpolação ou função “chapéu
mexicano”.
sen( x )
sin c( x ) =
x
Algumas observações:
1. sin c( x ) é uma função par de x.
2. sin c( x ) = 0 quando sen( x ) = 0 exceto em x =0. Isto
significa que sin c( x ) = 0 para x = ±π ,±2π ,±3π ,...
3. Usando a regra de L’Hôpital
sen( x )
lim sin c( x ) = lim
x →0 x →0 x
tem-se que sin c( 0 ) = 1 .
4. sin c( x ) é o produto de um sinal oscilante sen( x ) (de período
1
2 ⋅π ) e uma função monotonicamente decrescente
x. Logo,
sin c( x ) apresenta oscilações senoidais de período 2 ⋅π com
1
amplitudes decrescendo continuamente de
x.
5. Outra notação utilizada para sin c( x ) é Sa ( x ) .
6. Alguns autores definem sin c( x ) de forma diferente:
sen( π ⋅ x )
sin c( x ) =
π ⋅x
3.2.2. SINAL EXPONENCIAL UNILATERAL
f ( t ) = e − a⋅t ⋅ u( t )
+∞
F( ω ) = ∫
−∞
f ( t ) ⋅ e − j⋅ω ⋅t dt
+∞
F ( ω ) = ∫ e −a⋅t ⋅ u( t ) ⋅ e − j⋅ω ⋅t dt
−∞
+∞
F ( ω ) = ∫ e −( a + j⋅ω )⋅t dt
0
+∞
 − e −( a + j⋅ω )⋅t  1
F( ω ) =   =
 a + j ⋅ω 0 a + j ⋅ω
ω 
1 1 − j ⋅tg −1  
F( ω ) = = ⋅e a
a + j ⋅ω a +ω
2 2
Observação: F( ω ) converge somente para a >0.
3.2.3. SINAL EXPONENCIAL BILATERAL
− a⋅ t
f (t ) = e
+∞
F( ω ) = ∫ e
− a⋅ t
⋅ e − j⋅ω⋅t dt
−∞
0 +∞
F( ω ) = ∫ e ( a − j ⋅ω )⋅t
dt + ∫ e −( a + j ⋅ω )⋅t dt
−∞ 0
2⋅a
F( ω ) =
a2 + ω 2
3.2.4. FUNÇÃO PORTA
t
f ( t ) = α ⋅ rect  
τ 
onde α e τ são constantes.
τ
+
2
F ( ω ) = ∫ α ⋅ e − j ⋅ω ⋅t dt
τ
−
2
 τ
2 ⋅ α ⋅ sen ω ⋅ 
α  j ⋅ω ⋅τ2 τ
− j ⋅ω ⋅ 
2   2
F( ω ) = ⋅ e −e =
j ⋅ ω  
 ω
 τ
α ⋅ τ ⋅ sen ω ⋅ 
F( ω ) =  2  = α ⋅ τ ⋅ sin c ω ⋅ τ 
 
τ  2 
ω⋅
2
A transformada de Fourier de F( ω ) apresenta valores positivos e
negativos.
Uma amplitude negativa pode ser considerada como uma amplitude positiva
com fase de −π ou +π . Assim:
O espectro de fase, que é uma função ímpar de ω para f (t ) real, pode
ser esquematizada de diversas outras formas, já que um sinal negativo pode
ser representado por uma fase de ± n ⋅ π , onde n ∈ Z e n é ímpar.
3.2.5. FUNÇÃO IMPULSO UNITÁRIO
f (t ) = δ(t )
+∞
F ( ω ) = ∫ δ ( t ) ⋅ e − j ⋅ω ⋅t dt
−∞
F( ω ) = 1
3.2.6. FUNÇÃO CONSTANTE
f (t ) =α
Observação: esta função não satisfaz as condições de integrabilidade
absoluta, mas a transformada de Fourier existe no limite.
t
f ( t ) = α = lim α ⋅ rect  
τ →∞ τ 
t ℑ  τ
Como:
α ⋅ rect   ←→ α ⋅ τ ⋅ sin c ω ⋅ 
τ   2
 τ
F ( ω ) = lim α ⋅τ ⋅ sin c ω ⋅ 
τ →∞  2
τ  τ
F ( ω ) = 2 ⋅ π ⋅ α ⋅ lim ⋅ sin c ω ⋅ 
τ →∞ 2 ⋅ π
1444244423
δ(ω )
F( ω ) = 2 ⋅ π ⋅α ⋅ δ ( ω )
3.2.7. FUNÇÃO sgn(t)
f ( t ) = sgn( t )
sgn( t ) = 2 ⋅ u( t ) − 1
[
sgn( t ) = lim e − a ⋅t ⋅ u( t ) − e a ⋅t ⋅ u( t )
a →0
]
+∞
∫
− j ⋅ω ⋅t
F( ω ) = sgn( t ) ⋅ e dt
−∞
∞
[ ]
F ( ω ) = ∫ lim e − a ⋅t ⋅ u( t ) − e a ⋅t ⋅ u( t ) ⋅e − j ⋅ω ⋅t dt
a →0
−∞
∞ − a ⋅t − j ⋅ω ⋅t 0

F ( ω ) = lim  ∫ e ⋅ e dt − ∫ e ⋅ e
+ a ⋅t − j ⋅ω ⋅t
dt 
a →0
0 −∞ 
∞ −( a + j ⋅ω )⋅t 0

F ( ω ) = lim  ∫ e dt − ∫ e( a − j ⋅ω )⋅t dt 
a →0
0 −∞ 
 e −( a + j ⋅ω )⋅t ∞ e( a − j ⋅ω )⋅t 0 
F ( ω ) = lim − − 
a →0
 ( a + j ⋅ ω ) ( a − j ⋅ ω ) −∞ 
0 
 1 1 
F ( ω ) = lim  −
a →0 ( a + j ⋅ ω )
 ( a − j ⋅ ω ) 
a − j ⋅ω − a − j ⋅ω 
F ( ω ) = lim  
a →0  a2 + ω 2
− 2 ⋅ j ⋅ω 
F ( ω ) = lim  2
a →0  a + ω 2  
2 2
F( ω ) = =−j⋅
j ⋅ω ω
3.2.8. FUNÇÃO DEGRAU)
f ( t ) = u( t )
1
u( t ) = ⋅ [ 1 + sgn( t )]
2
1 1
ℑ{u( t )} = ⋅ ℑ[ 1 ] + ⋅ ℑ[sgn( t )]
2 2
2 ⋅π ⋅δ(ω ) 1 2
F( ω ) = + ⋅
2 2 j ⋅ω
1
F( ω ) = π ⋅ δ ( ω ) +
j ⋅ω
3.2.9. FUNÇÃO SEN(ω0.t)
f ( t ) = sen( ω0 ⋅ t )
Este sinal não satisfaz a condição de integrabilidade absoluta, mas sua
transformada existe e pode ser encontrada por um processo de limite.
 τ τ
Supondo que a função sen( ω0 ⋅ t ) exista no intervalo − 2 , 2  e seja
nula fora desse intervalo. No limite, τ será infinito.

τ
2
ℑ{sen( ω0 ⋅ t )} = lim ∫ sen( ω0 ⋅ t ) ⋅ e − j⋅ω⋅t dt
τ →∞
τ
−
2
τ
2
F ( ω ) = lim ∫ sen( ω0 ⋅ t ) ⋅ e − j⋅ω⋅t dt
τ →∞
τ
−
2
τ
2
(e j ⋅ω0 ⋅t
− e − j⋅ω0 ⋅t )
F ( ω ) = lim
τ →∞ ∫τ 2⋅ j
⋅ e − j⋅ω ⋅t dt
−
2
τ
 e − j⋅(ω −ω0 )⋅t − e − j⋅(ω +ω0 )⋅t 
2
F ( ω ) = lim ∫  dt
τ →∞
τ 2⋅ j 
−
2
τ
− j ⋅(ω − ω 0 )⋅t − j ⋅(ω + ω 0 )⋅t
1  e e  2
F( ω ) = ⋅ lim − + 
2 ⋅ j τ → ∞  j ⋅ (ω − ω0 ) j ⋅ (ω + ω0 )  − τ
2
 − j ⋅(ω −ω0 )⋅τ2 j ⋅(ω − ω 0 )⋅

τ
− j ⋅(ω + ω 0 )⋅
τ τ
j ⋅(ω + ω 0 )⋅ 
1  e +e 2
e 2
−e 2

F( ω ) = ⋅ lim − +
2 ⋅ j τ →∞  j ⋅ (ω − ω0 ) j ⋅ (ω + ω0 ) 
 
  τ  τ 
 sen (ω − ω ) ⋅ sen (ω + ω ) ⋅
2   2  
0 0
F ( ω ) = − j ⋅ lim   − 
τ →∞
 ( ω − ω0 ) ( ω + ω0 ) 
 
τ   τ  τ 
F ( ω ) = − j ⋅ lim ⋅ sin c (ω − ω0 ) ⋅  − sin c (ω + ω0 ) ⋅  
τ →∞ 2  2  2 

k  k
como
δ ( ω ) = lim ⋅ sin c ω ⋅  , então:
k →∞ 2 ⋅ π  2
F ( ω ) = j ⋅ π ⋅ [δ (ω + ω0 ) − δ (ω − ω0 )]
3.2.10. FUNÇÃO COS(ω0.t)
f ( t ) = cos( ω0 ⋅ t )
De forma análoga ao desenvolvimento de ℑ{sen( ω0 ⋅ t )} , tem-se:
τ
2
F ( ω ) = lim ∫ cos( ω0 ⋅ t ) ⋅ e − j ⋅ω ⋅t dt
τ →∞
τ
−
2
  τ  τ 
sen (ω − ω ) ⋅ sen (ω + ω ) ⋅
τ   0
2   0
2  
F ( ω ) = lim ⋅  + 
τ →∞ 2
 (ω − ω0 ) ⋅
τ τ
(ω + ω0 ) ⋅ 
 2 2 
F ( ω ) = π ⋅ [δ (ω − ω0 ) + δ (ω + ω0 )]
3.2.11. FUNÇÃO ej.ω0.t
f ( t ) = e j ⋅ω0 ⋅t
como:
e j ⋅ω0 ⋅t = cos( ω0 ⋅ t ) + j ⋅ sen( ω0 ⋅ t )
F ( ω ) = ℑ{cos( ω0 ⋅ t ) + j ⋅ sen( ω0 ⋅ t )}
F ( ω ) = ℑ{cos( ω0 ⋅ t )} + j ⋅ ℑ{sen( ω0 ⋅ t )}
portanto:
F ( ω ) = 2 ⋅ π ⋅ δ (ω − ω0 )
3.2.12. FUNÇÃO PERIÓDICA
A rigor não existe a transformada de Fourier para uma função f (t )
periódica, já que:
∫ f ( t )dt = ∞ , se
−∞
f ( t ) = f ( t + n ⋅T )
Entretanto, a transformada de Fourier de uma função periódica f (t )
existe no limite (como foi feito para sen( ω0 ⋅ t ) e cos( ω0 ⋅ t ) ).
Para o caso de uma função periódica f (t ), podemos representá-la pela
série exponencial de Fourier da seguinte maneira:
∞
f (t ) = ∑ n
D ⋅
n = −∞
e j ⋅ n ⋅ω o ⋅t
(I)
onde:
T
2
1
∫ f ( t )⋅ e
− j ⋅ n ⋅ω o ⋅t
Dn = ⋅ dt
T T
−
2
2 ⋅π
ωo =
T
Aplicando as transformadas de Fourier nos dois membros da Equação (I),
tem-se:
 ∞ 
ℑ{ f ( t )} = ℑ ∑ Dn ⋅ e j ⋅n⋅ω o ⋅t 
n = −∞ 
{ }
∞
F( ω ) = ∑D
n = −∞
n ⋅ ℑ e j ⋅n⋅ω o ⋅t
∞
F( ω ) = ∑D
n = −∞
n ⋅ 2 ⋅ π ⋅ δ ( ω − n ⋅ ωo )
∞
F( ω ) = 2 ⋅ π ⋅ ∑D
n = −∞
n ⋅ δ ( ω − n ⋅ ωo )
A equação acima estabelece que a função de densidade espectral ou a
transformada de Fourier de um sinal periódico é formada por impulsos
localizados nas freqüências harmônicas do sinal e que o peso de cada
impulso é igual a 2 ⋅π vezes o valor do coeficiente correspondente na série
exponencial de Fourier.
3.2.13. TABELA DE PARES DE TRANSFORMADAS DE FOURIER
TABLE 4.1 – PÁGINA 252 – LATHI

4. PROPRIEDADES DA TRANSFORMADA DE FOURIER
+∞
1
f (t ) = ⋅ ∫ F (ω ) ⋅ e j⋅ω⋅t dω
2 ⋅ π −∞
+∞
∫ f (t ) ⋅ e
− j ⋅ω ⋅t
F (ω ) = dt
−∞
ℑ
f (t ) ←→ F (ω )
As equações de f (t ) e F( ω ) guardam grande similaridade, daí tem-se
a dualidade tempo-freqüência.
Para qualquer resultado ou relação entre f (t ) e F( ω ) , existe um
resultado ou relação dual obtida trocando-se os papéis de f (t ) e F( ω )
no resultado original (algumas pequenas modificações se fazem necessárias
devido ao fator 2 ⋅π e à troca de sinal)
4.1. SIMETRIA
Se
ℑ
f (t ) ←→ F (ω )
Então
ℑ
F ( t ) ←→ 2 ⋅ π ⋅ f ( −ω )
4.1.1. DEMONSTRAÇÃO
+∞
1
f (t ) = ⋅ ∫ F (ω ) ⋅ e j⋅ω⋅t dω
2 ⋅ π −∞
+∞
∫
− j ⋅ω ⋅t
2 ⋅ π ⋅ f ( −t ) = F ( ω ) ⋅ e dω
−∞
ω = x e dω = dx
+∞
2 ⋅ π ⋅ f ( −t ) = ∫ F( x ) ⋅ e
− j ⋅ x ⋅t
dx
−∞
t =ω
+∞
∫ F( x ) ⋅ e
− j ⋅ x ⋅ω
2 ⋅ π ⋅ f ( −ω ) = dx
−∞
x=t e dx = dt
+∞
∫
− j ⋅ω ⋅t
2 ⋅ π ⋅ f ( −ω ) = F ( t ) ⋅ e dt
−∞
logo:
ℑ
F ( t ) ←→ 2 ⋅ π ⋅ f ( −ω )
4.1.2. EXEMPLO
ℑ{sin c( k ⋅ t )} = ?
solução:
t   ω ⋅τ 
rect   ↔ τ ⋅ sin c  
τ   2 
τ ⋅ t   ω
τ ⋅ sin c  ↔ 2 ⋅ π ⋅ rect  − 
 2   τ 
τ ⋅ t  2 ⋅π ω 
sin c ↔ ⋅ rect  
 2  τ τ 
τ
mas: = k →τ = 2⋅k
2
2 ⋅π  ω 
sin c(k ⋅ t ) ↔ ⋅ rect  
2⋅k  2⋅k 
Portanto:
π  ω 
sin c(k ⋅ t ) ↔ ⋅ rect  
k  2 ⋅ k 
4.2. ESCALONAMENTO
Se
ℑ
f (t ) ←→ F (ω )
Então, para qualquer constante real a:
ℑ 1 ω 
f ( a ⋅ t ) ←→ ⋅ F 
|a|  a 
Para a constante positiva real:
+∞
ℑ{ f ( a ⋅ t )} = ∫ f ( a ⋅t )⋅ e
− j ⋅ω ⋅t
dt
−∞
fazendo x = a ⋅ t → dx = a ⋅ dt
+∞ x
1 − j ⋅ω ⋅
ℑ{ f ( a ⋅ t )} = ⋅ ∫ f ( x ) ⋅ e a
dx
a −∞
1 ω 
ℑ{ f ( a ⋅ t )} = ⋅ F 
a a
Da mesma forma, para a < 0:
ℑ 1 ω 
f ( a ⋅ t ) ←→ ⋅ F 
−a  a 
Portanto:
ℑ 1 ω 
f ( a ⋅ t ) ←→ ⋅ F 
|a|  a 
4.2.2. SIGNIFICADO DO ESCALONAMENTO
ℑ 1 ω 
f ( a ⋅ t ) ←→ ⋅ F 
|a|  a 
A propriedade do escalonamento diz que a compressão no tempo de um
sinal resulta na sua expansão espectral; a expansão no tempo de um sinal
resulta na sua compressão espectral.
4.3. DESLOCAMENTO NO TEMPO
Se
ℑ
f (t ) ←→ F (ω )
Então:
ℑ
f ( t − t0 ) ←→ F ( ω ) ⋅ e − j ⋅ω ⋅t0
+∞
ℑ{ f ( t − t0 )} = ∫ f ( t − t0 ) ⋅ e − j ⋅ω ⋅t dt
−∞
x = t − t0 → dx = dt
+∞
ℑ{ f ( t − t0 )} = ∫ f ( x ) ⋅ e − j ⋅ω ⋅( x + t0 )dx
−∞
+∞
ℑ{ f ( t − t0 )} = ∫ f ( x ) ⋅ e − j ⋅ω ⋅ x ⋅ e − j ⋅ω ⋅t0 dx
−∞
+∞
ℑ{ f ( t − t0 )} = e − j ⋅ω ⋅t 0
⋅ ∫ f ( x ) ⋅ e − j ⋅ω ⋅ x dx
−∞
ℑ{ f ( t − t0 )} = e − j ⋅ω ⋅t0 ⋅ F ( ω )
4.3.2. EXEMPLO
  t τ 
ℑrect  −  = ?
  τ 2 
t  ω ⋅τ 
rect   ↔ τ ⋅ sin c 
τ
   2 
Portanto:
τ
t τ  ω ⋅ τ  − j ⋅ω ⋅ 2
rect  −  ↔ τ ⋅ sin c ⋅e
 τ 2   2 
4.3.3. FASE LINEAR
ℑ
f ( t − t0 ) ←→ F ( ω ) ⋅ e − j ⋅ω ⋅t0
Atrasar um sinal de t0 segundos não modifica sua amplitude espectral.

Um sinal atrasado de t0 segundos tem sua fase espectral original (sinal não
atrasado) deslocada de − ω ⋅ t0 .
Este deslocamento de − ω ⋅ t0 representa um deslocamento linear na fase
com coeficiente angular de − t0
4.4. DESLOCAMENTO EM FREQÜÊNCIA
Se
ℑ
f (t ) ←→ F (ω )
Então:
f ( t ) ⋅ e j ⋅ω0 ⋅t ←→
ℑ
F ( ω − ω0 )
+∞
{
ℑ f (t )⋅ e j ⋅ω 0 ⋅t
}= ∫ f ( t ) ⋅ e j ⋅ω 0 ⋅t
⋅ e − j ⋅ω ⋅t dt
−∞
+∞
{
ℑ f (t )⋅ e j ⋅ω 0 ⋅t
}= ∫ f ( t ) ⋅ e − j ⋅( ω − ω 0 )⋅t
dt
−∞
{ }
ℑ f ( t ) ⋅ e j ⋅ω0 ⋅t = F ( ω − ω0 )
4.4.2. MODULAÇÃO EM AMPLITUDE
Como e j ⋅ω0 ⋅t não é uma função real que possa ser gerada, o deslocamento
em freqüência é conseguido na prática multiplicando-se f (t ) por uma
cossenóide.
f ( t ) ⋅ cos( ω0 ⋅ t ) =
1
2
[
⋅ f ( t ) ⋅ e j ⋅ω0 ⋅t + f ( t ) ⋅ e − j ⋅ω0 ⋅t ]
e
1
f ( t ) ⋅ cos( ω0 ⋅ t ) ↔ ⋅ [F ( ω − ω0 ) + F ( ω + ω0 )]
2
Isto mostra que a multiplicação de um sinal f (t ) por uma senóide de
freqüência ω0 desloca o espectro de F( ω ) de ± ω0 .

A multiplicação de cos( ω0 ⋅ t ) por f (t ) modula a amplitude da
senóide.
Este tipo de modulação é conhecida como MODULAÇÃO EM
AMPLITUDE (AM).
cos( ω0 ⋅ t ) é chamada de PORTADORA.
f (t ) é chamado de SINAL MODULANTE.
f ( t ) ⋅ cos( ω0 ⋅ t ) é chamado de SINAL MODULADO.
Fazendo um esboço de um sinal f ( t ) ⋅ cos( ω0 ⋅ t ) :
Observa-se que:
 f (t ) quando cos( ω0 ⋅ t ) = 1
f ( t ) ⋅ cos( ω0 ⋅ t ) = 
− f ( t ) quando cos( ω0 ⋅ t ) = −1
Logo, f ( t ) ⋅ cos( ω0 ⋅ t ) toca f (t ) quando cos( ω0 ⋅ t ) está em
seus picos positivos e toca − f (t ) quando cos( ω0 ⋅ t ) está em seus
picos negativos.
Isto significa que f (t ) e − f (t ) agem como envelopes para o sinal
f ( t ) ⋅ cos( ω0 ⋅ t ) .
O sinal − f (t ) é a imagem refletida de f (t ) em relação ao eixo
horizontal.
4.5. DIFERENCIAÇÃO NO TEMPO
Se
ℑ
f (t ) ←→ F (ω )
Então:
dn f (t ) ℑ
n
←→( j ⋅ ω )n ⋅ F ( ω )
dt
+∞
1
f (t ) = ⋅ ∫ F (ω ) ⋅ e j⋅ω⋅t dω
2 ⋅ π −∞
+∞
df 1
= ⋅ ∫ j ⋅ ω ⋅ F ( ω ) ⋅ e j⋅ω⋅t dω
dt 2 ⋅ π −∞
assim:
df ( t ) ℑ
←→ j ⋅ ω ⋅ F ( ω )
dt
e
dn f (t ) ℑ
n
←→( j ⋅ ω ) n
⋅ F( ω )
dt
4.6. INTEGRAÇÃO NO TEMPO
Se
ℑ
f (t ) ←→ F (ω )
Então:
F( ω )
t
∫ f ( τ )dτ ←→ + π ⋅ F( 0 )⋅δ ( ω )

ℑ
−∞
j ⋅ω
4.7. CONVOLUÇÃO
Sejam duas funções:
f1( t ) e f 2 ( t )
A integral
+∞
f1( t ) ∗ f 2 ( t ) = ∫ f (τ ) ⋅ f
−∞
1 2 ( t − τ )dτ
ocorre freqüentemente em engenharia e recebe um nome especial de
INTEGRAL DE CONVOLUÇÃO.
A integral de convolução é expressa simbolicamente por: f1( t ) ∗ f 2 ( t ) .
4.7.1. PROPRIEDADES DA CONVOLUÇÃO
4.7.1.1. COMUTATIVA
f1( t ) ∗ f 2 ( t ) = f 2 ( t ) ∗ f1( t )
4.7.1.2. DISTRIBUTIVA
f 1 ( t ) ∗ [ f 2 ( t ) + f 3 ( t )] = f 1 ( t ) ∗ f 2 ( t ) + f 1 ( t ) ∗ f 3 ( t )
4.7.1.3. ASSOCIATIVA
f 1 ( t ) ∗ [ f 2 ( t ) ∗ f 3 ( t )] = [ f 1 ( t ) ∗ f 2 ( t )] ∗ f 3 ( t )
4.7.1.4. DESLOCAMENTO
Se
f 1 ( t ) ∗ f 2 ( t ) = c( t )
então
f 1 ( t ) ∗ f 2 ( t − T ) = c( t − T )
f 1 ( t − T ) ∗ f 2 ( t ) = c( t − T )
f 1 ( t − T1 ) ∗ f 2 ( t − T2 ) = c( t − T1 − T2 )
4.7.1.5. CONVOLUÇÃO COM UM IMPULSO
A convolução de uma função f (t ) com um impulso unitário δ(t )
resulta na própria função f (t ).

+∞
f ( t )∗δ ( t ) = ∫ f ( τ ) ⋅ δ ( t − τ )dτ
−∞
como δ(t − τ ) é um impulso localizado em τ =t.
f ( t )∗δ ( t ) = f ( t )
4.7.1.6. PROPRIEDADE DA LARGURA
Se as durações (larguras) de f1( t ) e f2( t ) forem T1 e T2
respectivamente.
Então, a duração (largura) de f 1 ( t ) ∗ f 2 ( t ) é T1 + T2 .
4.7.2. PROCEDIMENTO GRÁFICO PARA OBTENÇÃO DA
CONVOLUÇÃO
Seja
+∞
c( t ) = f ( t ) ∗ g ( t ) = ∫ f ( τ ) ⋅ g( t − τ )dτ
−∞
Para obter c( t ) graficamente siga os seguintes passos:
1. Mantenha a função f (τ ) fixa;
2. Visualize a função g( τ ) como uma armação rígida de arame e
rotacione (ou inverta) esta armação em relação ao eixo vertical
(τ = 0 ) para obter g( −τ ) ;
3. Desloque a armação invertida sobre o eixo τ por t0 segundos. A
armação deslocada representa g ( t0 − τ ) ;
4. A área sob o PRODUTO de f (τ ) e g ( t0 − τ ) (a armação
deslocada) é c( t0 ) , o valor da convolução em t = t0 .
+∞
c( t0 ) = ∫ f ( τ ) ⋅ g( t
−∞
0 − τ )dτ
5. Repita esse procedimento, deslocando a armação para diferentes
valores de t0 para obter c( t ) para todos os valores de t .

4.7.3. CONVOLUÇÃO NO TEMPO
Se
ℑ
f 1 ( t ) ←→ F1 ( ω ) e f 2 ( t ) ←→
ℑ
F2 ( ω )
Então:
ℑ
f 1 ( t )* f 2 ( t ) ←→ F1 ( ω ) ⋅ F2 ( ω )
4.7.3.1. DEMONSTRAÇÃO

+∞ +∞
 − j⋅ω ⋅t
ℑ{ f 1 ( t )* f 2 ( t )} = ∫  ∫ f 1 ( τ ) ⋅ f 2 ( t − τ )dτ  ⋅ e dt
− ∞ − ∞ 
+∞
 +∞ 
ℑ{ f 1 ( t )* f 2 ( t )} = ∫ f 1 ( τ ) ⋅  ∫ f 2 ( t − τ ) ⋅ e − j⋅ω⋅t dt dτ
−∞  −∞44424443
1
F2 ( ω )⋅e − j ⋅ω ⋅τ
+∞
ℑ{ f 1 ( t )* f 2 ( t )} = ∫ f (τ ) ⋅ F ( ω ) ⋅ e
1 2
− j ⋅ω ⋅τ
dτ
−∞
+∞
ℑ{ f 1 ( t )* f 2 ( t )} = F2 ( ω ) ⋅ ∫ f 1 ( τ ) ⋅ e − j⋅ω⋅τ dτ
−∞
ℑ{ f 1 ( t )* f 2 ( t )} = F1 ( ω ) ⋅ F2 ( ω )
4.7.4. CONVOLUÇÃO NA FREQÜÊNCIA
Se
ℑ
f 1 ( t ) ←→ F1 ( ω ) e f 2 ( t ) ←→
ℑ
F2 ( ω )
Então:
1
ℑ
f 1 ( t ) ⋅ f 2 ( t ) ←→ ⋅ [F1 ( ω )* F2 ( ω )]
2 ⋅π
4.7.4.1. DEMONSTRAÇÃO
1 
+∞ +∞
 j⋅ω⋅t
{ }
2 ⋅ π −∫∞ −∫∞
ℑ F1 ( ω )* F2 ( ω ) =
−1
⋅  F1 ( τ ) ⋅ F2 ( ω − τ )dτ  ⋅ e dω

+∞ +∞
1
ℑ {F1 ( ω )* F2 ( ω )} = ∫ F1 ( τ )dτ ⋅
−1
⋅ ∫ F2 ( ω − τ ) ⋅ e j⋅ω ⋅t dω
−∞
2 ⋅ π −∞
+∞
ℑ −1
{F1 ( ω )* F2 ( ω )} = ∫ F1 ( τ )dτ ⋅ [ f 2 ( t ) ⋅ e j⋅ω⋅τ ]
−∞
+∞
1
ℑ {F1 ( ω )* F2 ( ω )} = 2 ⋅ π ⋅ f 2 ( t ) ⋅
−1
⋅ ∫ F1 ( τ ) ⋅ e j⋅ω⋅τ dτ
2 ⋅ π −∞
ℑ−1 {F1 ( ω )* F2 ( ω )} = 2 ⋅ π ⋅ f 1 ( t ) ⋅ f 2 ( t )
1
ℑ
f 1 ( t ) ⋅ f 2 ( t ) ←→ ⋅ [F1 ( ω )* F2 ( ω )]
2 ⋅π
5. TRANSMISSÃO DE SINAIS ATRAVÉS DE SLIT DE TEMPO
CONTÍNUO
5.1. MULTIPLICAÇÃO DE UMA FUNÇÃO POR UM IMPULSO
 δ(t ) = 0 para t ≠ 0
+ ∞
 δ ( t )dt = 1
∫
−∞
Suponha que multipliquemos um impulso unitário δ(t ) por uma função
f (t ) que seja contínua em t =0.
f ( t )⋅δ( t ) = f ( 0 )⋅δ( t )
De forma similar, se f (t ) é multiplicada por um impulso deslocado
δ(t −T )
f ( t )⋅δ( t − T ) = f (T )⋅δ( t − T )
desde que f (t ) seja contínua em t =T .
5.1.1. PROPRIEDADE DA AMOSTRAGEM DA FUNÇÃO IMPULSO
UNITÁRIO
Do item anterior, tem-se
+∞ +∞
∫
−∞
f ( t ) ⋅ δ ( t )dt = f ( 0 ) ⋅ ∫ δ ( t )dt = f ( 0 )
−∞
desde que f (t ) seja contínua em t =0.
Este resultado significa que a área sob o produto de uma função f (t ) com
um impulso δ(t ) é igual ao valor da função f (t ) no instante onde o
impulso unitário é diferente de zero.
Esta propriedade é muito útil e importante e é conhecida como propriedade da
amostragem do impulso unitário.
A propriedade da amostragem do impulso unitário é descrita da seguinte
forma:
+∞
∫ f ( t ) ⋅ δ ( t − T )dt = f ( T )
−∞
como δ ( t ) = δ ( −t )
Podemos expressar qualquer sinal de tempo contínuo como:
+∞
f (t ) = ∫ f ( τ ) ⋅ δ ( t − τ )dτ
−∞
5.2. RESPOSTA DE UM SISTEMA LINEAR INVARIANTE NO
TEMPO E A INTEGRAL DE CONVOLUÇÃO
Suponha um SLIT
f ( t ) → SLIT → y( t )
y( t ) = T { f ( t )}
como:
+∞
f (t ) = ∫ f ( τ ) ⋅ δ ( t − τ )dτ
−∞
tem-se:
 +∞ 
y( t ) = T  ∫ f ( τ ) ⋅ δ ( t − τ )dτ 
− ∞ 
como o sistema é linear, tem-se:
+∞
y( t ) = ∫ f ( τ ) ⋅ T {δ ( t − τ )}dτ
−∞
como o sistema é invariante no tempo, tem-se:
h( t ) = T {δ ( t )} - resposta ao impulso unitário
T {δ ( t − τ )} = h( t − τ )
assim:
+∞
y( t ) = ∫ f ( τ ) ⋅ h( t − τ )dτ
−∞
ou seja,
y( t ) = f ( t ) ∗ h( t )
A saída de qualquer sistema linear invariante no tempo (SLIT) de tempo
contínuo é igual à convolução da entrada f (t ) com a resposta ao impulso
unitário do sistema h( t ) .
5.3. RESPOSTA EM FREQÜÊNCIA DE UM SLIT
Para um SLIT, tem-se:
y( t ) = f ( t ) ∗ h( t )
Aplicando a propriedade da convolução no tempo da Transformada de
Fourier, tem-se:
Y ( ω ) = F( ω ) ⋅ H ( ω )
A transmissão de um sinal de entrada f (t ) através de um SLIT modifica
este sinal e dá origem ao sinal y( t ) .
F( ω ) é o espectro de f (t ).
Y ( ω ) é o espectro de y( t ) .
H(ω ) é a resposta em freqüência do sistema.
Observação: dá-se o nome de Função de Transferência à Transformada de
Laplace da resposta ao pulso unitário, H( s ) .
Y ( ω ) ⋅ e j ⋅∠Y ( ω ) = F ( ω ) ⋅ H ( ω ) ⋅ e j ⋅[∠F ( ω )+ ∠H ( ω )]
logo:
Y ( ω ) = F( ω ) ⋅ H ( ω )
∠Y ( ω ) = ∠F ( ω ) + ∠H ( ω )
Durante a transmissão, a amplitude do espectro do sinal de entrada F( ω ) é
modificado para F( ω ) ⋅ H ( ω ) .
De forma similar, a fase do espectro do sinal de entrada ∠F ( ω ) é
modificada para ∠F ( ω ) + ∠H ( ω ) .
5.4. CAUSALIDADE PARA SLITs
Um sistema é “causal” se a saída em um instante de tempo depende somente
da entrada no mesmo instante de tempo e das entradas anteriores.
Tais sistemas são chamados também de “não-antecipativos”.
Matematicamente, o sistema causal é representado:
h( t ) = 0 para t < 0
Então, se h( t ) = 0 para t <0,
h( t − τ ) = 0 para t − τ < 0 ou τ > t
Assim, o limite inferior de y( t ) = f ( t ) ∗ h( t ) será 0.

5.5. ESTABILIDADE DE SLITs
Um sistema é estável se sua resposta ao impulso é absolutamente integrável,
isto é:
+∞
∫ h( t ) dt < ∞
−∞
5.6. SISTEMAS FISICAMENTE REALIZÁVEIS
Um sistema é fisicamente realizável se for causal.
No domínio da freqüência, a condição necessária para que o sistema seja
fisicamente realizável é:
+∞
ln H ( ω )
∫
−∞
1+ω 2
dω < ∞
Esta inequação é conhecida como “Critério de Paley-Wiener”.
Um sistema onde H(ω ) não satisfaça a inequação acima, tem resposta
não-causal.
5.7. TRANSMISSÃO SEM DISTORÇÃO
Uma transmissão é dita sem distorção se a forma de onda do sinal de entrada
for a mesma forma de onda do sinal de saída a menos de uma multiplicação
por uma constante.

Um sinal de saída atrasado que tenha a mesma forma de onda do sinal de
entrada a menos de uma multiplicação por uma constante também pode ser
obtido de uma transmissão sem distorção.
Então, em uma transmissão sem distorção, a entrada f (t ) e a saída y( t )
satisfazem a condição:
y( t ) = k ⋅ f ( t − td )
Realizando a Transformada de Fourier, tem-se:
Y (ω ) = k ⋅ F (ω ) ⋅ e − j ⋅ω ⋅t d
como:
Y ( ω ) = F( ω ) ⋅ H ( ω )
logo:
H (ω ) = k ⋅ e − j ⋅ω ⋅t d
onde H (ω ) é a resposta em freqüência do SLIT necessário para realizar uma
transmissão sem distorção.
Analisando-se H (ω ) , tem-se:
H (ω ) = k
∠H (ω ) = −ω ⋅ td
Isto mostra que, para uma transmissão sem distorção, a resposta em amplitude
do sistema deve ser H (ω ) e a resposta em fase ∠H (ω ) deve ser uma
função linear de ω com coeficiente angular − td , onde td é o atraso da
saída em relação à entrada.
5.8. O QUE É FILTRAGEM?
Lembrando que a Transformada de Fourier mostra o conteúdo em freqüência
de um sinal.
A filtragem é o processo de remoção seletiva ou alteração parcial deste
conteúdo em freqüência para criação de um novo sinal.
Um tipo comum de filtro que deve ser familiar para você são os botões de
controle de graves e agudos de aparelhos de som.

Ao girar os botões, você está alterando o conteúdo em freqüência do sinal de
áudio, aumentando ou reduzindo as componentes em altas ou baixas
freqüências.
FILTRAGEM
x( t ) → H ( ω ) → y( t ) = x( t ) modificado
Y(ω ) = H(ω )⋅ X (ω )
H(ω ) é escolhido arbitrariamente para alterar X(ω ) de maneira
desejada.
O bloco contendo H(ω ) é conhecido como filtro.

5.8.1. TIPOS DE FILTROS
TIPO | H ( ω ) | IDEAL DESCRIÇÃO EXEMPLOS
FILTRO IDEAL
Passa-baixas Desenhar um filtro Remove toda Remoção de

com simetria (lado informação em ruído,
positivo e lado freqüências acima interpolação,
negativo)
de ωc “alisar” sinais
Passa-altas Desenhar um filtro Remove toda Remoção de DC

com simetria (lado informação em e deriva de baixa
positivo e lado freqüências abaixo freqüência,
negativo)
de ωc detecção de
borda.
Passa-banda Desenhar um filtro Remove toda Sintonizar em
com simetria (lado informação fora de uma estação de
positivo e lado ω1 a ω2 rádio,
negativo) equalizadores
gráficos de
áudio.
Rejeita-faixa Desenhar um filtro Remove toda Remoção de
com simetria (lado informação entre ruído em uma
positivo e lado ω1 a ω2 freqüência
negativo) particular, e.g.
60 Hz
5.8.2. FILTROS IDEAIS/FILTROS REALIZÁVEIS
Filtros ideais permitem a transmissão sem distorção de uma certa banda de
freqüências e suprimem as componentes de todas as freqüências
remanescentes.
O filtro passa-baixas ideal permite a passagem sem distorção de todas as
componentes abaixo de ω =W rad/s e suprime todas as componentes acima
de ω =W rad/s.
O filtro passa-baixas ideal acima apresenta uma fase linear com coeficiente
angular − td que resulta em um atraso temporal de td segundos para todas as
componentes de entrada com freqüências abaixo de W rad/s.
Logo, se a entrada é um sinal f (t ) limitado em banda com freqüência
máxima W rad/s, a saída y( t ) é f ( t ) atrasado de td segundos, ou seja:
y( t ) = f ( t − td )
O sinal f (t ) é transmitido por este sistema sem distorção, mas com um
atraso temporal de td segundos.
Para este filtro:
 ω 
H ( ω ) = rect   e ∠H ( ω ) = −ω ⋅ td
 2 ⋅W 
Assim:
 ω  − j ⋅ω ⋅t d
H ( ω ) = rect  ⋅e
 2 ⋅W 
A resposta ao impulso unitário, h( t ) , para este filtro é obtido a partir do par:
 ω  ℑ W
rect   ←→ ⋅ sin c(W ⋅ t )
 2 ⋅W  π
e da propriedade de deslocamento no tempo.
  ω  − j ⋅ω ⋅t d 
h( t ) = ℑ−1 rect  ⋅e 
  2 ⋅ W  
W
h( t ) = ⋅ sin c[W ⋅ (t − td )]
π
h( t ) é claramente não-causal. Logo, o filtro passa-baixas ideal não é
fisicamente realizável.
De forma similar, pode-se demonstrar que outros filtros ideais (passa-altas,
passa-banda, rejeita-faixa) também não são fisicamente realizáveis.
Conforme já visto, para que um sistema seja fisicamente realizável, h( t )
deve ser causal, ou seja:
h( t ) = 0 para t <0
No domínio da freqüência, esta condição é equivalente ao critério de Paley-
Wiener, que diz que a condição necessária e suficiente para que a resposta em
amplitude H(ω ) seja realizável é:
+∞
ln H ( ω )
∫
−∞
1+ω2
dω < ∞
Se H(ω ) não satisfaz esta condição, ele não é fisicamente realizável.
Note que se H(ω ) = 0 para qualquer intervalo, ln H ( ω ) = ∞
naquele intervalo, logo o critério de Paley-Wiener é violado.
Entretanto, se H(ω ) = 0 para uma única freqüência (ou um conjunto de
freqüências discretas), a integral do critério de Paley-Wiener pode continuar a
ser finita embora o integrando seja infinito.

Logo para um sistema fisicamente realizável, H(ω ) pode ser zero para
algumas freqüências discretas, mas não pode ser nulo durante um intervalo
finito.
De acordo com este critério, filtros ideais são claramente não realizáveis.
Uma forma prática para se projetar filtros é cortar a parte de h( t ) para
t <0.
A resposta ao impulso resultante ĥ( t ) é causal:
ĥ( t ) = h( t ) ⋅ u( t )
e é fisicamente realizável.
Se td é suficientemente grande, ĥ( t ) será uma aproximação razoável de
h( t ) e o filtro resultante Ĥ ( ω ) será uma aproximação razoável de um
filtro ideal.
A aproximação será tanto melhor quanto maior for o valor do atraso td .
Esta observação significa que o preço de uma melhor realização é um maior
atraso na saída.
Teoricamente um atraso de td = ∞ é necessário para se obter um filtro ideal.

π
Na prática, uma atraso td de 3 ou 4 vezes irá fazer com que ĥ( t ) seja
W
uma versão bastante razoável de h( t − td ) .
5.8.3. ENERGIA DO SINAL
Anteriormente, a energia ( E f ) de um sinal f (t ) foi definida como:
∫
2
Ef = f ( t ) dt
−∞
2
lembrando que f ( t ) = f ( t )⋅ f *( t )
∞
Ef = ∫
−∞
f ( t ) ⋅ f * ( t )dt
já que
∞
1
f (t ) =
*
⋅ ∫ F * ( ω ) ⋅ e − j ⋅ω ⋅t dω
2 ⋅ π −∞
assim
∞
 1 ∞ * 
Ef = ∫
−∞
f ( t )⋅  ⋅ ∫ F ( ω ) ⋅ e − j ⋅ω ⋅t dω dt
 2 ⋅ π −∞ 
trocando a ordem da integração:
1
∞
∞ 
Ef = ⋅ ∫ F ( ω ) ⋅  ∫ f ( t ) ⋅ e − j ⋅ω ⋅t dt dω
*
2 ⋅ π −∞ − ∞ 
∞
1
Ef = ⋅ ∫ F * ( ω ) ⋅ F ( ω )dω
2 ⋅ π −∞
∞
1
⋅ ∫ F ( ω ) dω
2
Ef =
2 ⋅ π −∞
logo,
∞ ∞
1
E f = ∫ f ( t ) dt = ⋅ ∫ F ( ω ) dω
2 2
−∞
2 ⋅ π −∞
Esta relação é conhecida como Teorema de Parseval (para a Transformada de
Fourier).
Um resultado similar foi obtido anteriormente para um sinal periódico e sua
série de Fourier.
O Teorema de Parseval nos permite obter a energia do sinal também pela
representação do sinal no domínio da freqüência, F( ω ) .
O Teorema de Parseval pode ser interpretado da seguinte maneira: a energia
de um sinal f (t ) é o resultado das contribuições de energias de todos os
componentes espectrais do sinal f (t ).

2
A energia total do sinal é a área sob F( ω ) (dividida por 2 ⋅π ).
Se considerarmos uma pequena banda ∆ω ( ∆ω → 0 ).
2
a energia ∆E f das componentes espectrais nesta banda é a área de F( ω )
no intervalo dessa banda (dividida por 2 ⋅π ).
1 2 2
∆E f = ⋅ F ( ω ) ⋅ ∆ω = F ( ω ) ⋅ ∆ℑ
2 ⋅π
∆ω
= ∆ℑ Hz.
2 ⋅π
Logo, a energia devido às componentes nesta banda de ∆ℑ (Hz) é
2
F ( ω ) ⋅ ∆ℑ .
A energia total do sinal é a soma das energias em pequenas bandas (como
2
∆ℑ ) e é indicada pela área sob F( ω ) .
2
Logo, F( ω ) é a DENSIDADE ESPECTRAL DE ENERGIA (por Hz).
2
Para sinais reais, F( ω ) e F ( −ω ) são conjugados e F( ω ) é uma
função par de ω , já que:

2
F ( ω ) = F ( ω ) ⋅ F * ( ω ) = F ( ω ) ⋅ F ( −ω )
Logo, para sinais reais, o Teorema de Parseval pode ser reescrito como:
∞
1
⋅ ∫ F ( ω ) dω
2
Ef =
π 0
Para a equação acima assume-se que F( ω ) não contém um impulso em
ω =0. Se existir um impulso em ω =0, ele deve ser integrado
1 1
separadamente com um fator multiplicativo de ao invés de .
2 ⋅π π
A contribuição das componentes espectrais entre as freqüências ω1 e ω2

para a energia de um sinal real é dada por:
ω2
1
∫ F ( ω ) dω
2
Ef = ⋅
π ω1
5.8.4. LARGURA DE BANDA ESSENCIAL DE UM SINAL
O espectro da maioria dos sinais se estende ao infinito.

Entretanto, como a energia de qualquer sinal “prático” é finita, o espectro do
sinal deve se aproximar de zero quando ω →∞.

A maior parte da energia de um sinal está contida dentro de uma certa banda
de B Hz e a contribuição para a energia do sinal dos componentes fora dessa
banda é negligenciável.
Logo, podemos suprimir o espectro do sinal fora da banda de B Hz com
poucos efeitos na forma do sinal e na sua energia.
A largura de banda B é chamada de LARGURA DE BANDA ESSENCIAL
de um sinal.
O critério para seleção de B depende da tolerância ao erro da aplicação
desejada.
A supressão de todas as componentes espectrais de f (t ) que estão além da
largura de banda essencial resulta em um sinal f̂ ( t ) que é uma aproximação
de f (t ).
5.8.5. DENSIDADE ESPECTRAL DE ENERGIA ATRAVÉS DA
FUNÇÃO DE AUTOCORRELAÇÃO
A correlação de uma função f (t ) com ela mesma é chamada de FUNÇÃO
DE AUTOCORRELAÇÃO.
A função de autocorrelação é denotada por ψ f ( t ).
Para uma função real f ( t ) , tem-se:

+∞
ψ f (t ) = ∫ f ( x ) ⋅ f ( x − t )dx
−∞
ou
ψ f ( t ) = f ( t ) ∗ f ( −t )
assim
ψ f ( −t ) = f ( −t ) ∗ f ( t ) = ψ f ( t )
Logo, para f (t ) real, a função de autocorrelação ψ f ( t ) é uma função par
de t.
Como a convolução no tempo é igual à multiplicação em freqüência, tem-se:
2
ψ f ( t ) ←→
ℑ
F( ω )
Logo, a Transformada de Fourier da função de autocorrelação é sua
2
DENSIDADE ESPECTRAL DE ENERGIA F( ω ) .
Fica claro, então, que ψ f (t ) fornece diretamente informação espectral de
f (t ).
A conexão direta entre a função de autocorrelação e a informação espectral
pode ser explicada intuitivamente da seguinte maneira:
A função de autocorrelação ψ f (t ) é a correlação de um sinal com ele
mesmo atrasado de t segundos:
+∞
ψ f (t ) = ∫ f ( x ) ⋅ f ( x − t )dx
−∞
Um sinal f (t ) correlaciona-se perfeitamente com ele mesmo se o atraso for
nulo.
Entretanto, à medida que o atraso aumenta, a similaridade diminui.
Então, a função de autocorrelação ψ f (t ) é uma função que não aumenta
com t .
Se f (t ) é um sinal com variação lenta (sinal de baixa freqüência) ele varia
lentamente com t. Conseqüentemente tal sinal irá apresentar considerável
similaridade ou correlação com ele mesmo até para atrasos temporais
relativamente grandes. A função autocorrelação ψ f (t ) decai lentamente
com t e tem uma largura grande.
Para um sinal que varia rapidamente, a similaridade do sinal irá decrescer
rapidamente com um atraso t e ψ f (t ) tem uma largura menor.

Logo, a forma de ψ f (t ) tem uma conexão direta com a informação
espectral de f (t ).
5.8.6. TRUNCAMENTO
Muitas vezes é necessário realizar o truncamento de dados em situações que
vão da computação numérica até o projeto de filtros.
Por exemplo, se for necessário computar numericamente a Transformada de
Fourier de algum sinal como e − t ⋅ u( t ) , teremos que truncar o sinal de
e − t ⋅ u( t ) em um valor suficientemente alto de t (tipicamente 5 vezes a
constante de tempo ou mais).
A razão para isso é que em computação numérica temos que lidar com dados
de duração finita.
De forma similar, a resposta ao impulso h( t ) de um filtro ideal passa-baixas
é não-causal e se aproxima de zero assintóticamente quando | t |→ ∞ .
Para um projeto de implementação prática, podemos querer truncar h( t ) em
um valor suficientemente alto de t para fazer h( t ) ser causal (com
conseqüente deslocamento temporal).

Na amostragem de sinais, para eliminar o efeito de recobrimento, é necessário
truncar o espectro do sinal em, no caso ideal, em metade da freqüência de
ωs
amostragem usando um filtro anti-recobrimento (anti-aliasing).
2
Podemos, ainda, querer sintetizar um sinal periódio utilizando as n primeiras
harmônicas e truncando todas as harmônicas maiores.
Estes exemplos mostram que o truncamento dos dados pode ocorrer tanto no
domínio do tempo como no da freqüência.
Aparentemente, o trucamento parece ser um simples problema de desprezar os
dados a partir de um ponto onde os dados sejam considerados não tão
significativos.
Entretanto, o truncamento simples causa efeitos colaterais que serão estudados
a seguir.
5.8.6.1. FUNÇÕES DE JANELAS
A operação de truncamento pode ser vista como a multiplicação de um sinal
de maior largura por uma função de janela com largura menor (finita).
O truncamento simples é realizado utilizando-se a janela retangular wR ( t ) .

Utilizando esta janela, assume-se um peso unitário para todos os dados
 T
contidos na largura da janela  t <  e um peso nulo para todos os dados
 2
 T
que não estiverem contidos na janela  t > .
 2
Também é possível utilizar uma janela na qual o peso para os dados dentro da
janela não seja constante.
Em uma janela triangular, wT ( t ) , por exemplo, o peso assumido para os
dados decresce linearmente durante a largura temporal da janela.
Considere um sinal f (t ) e uma função de janela w( t ) .
Se f ( t ) ↔ F( ω ) e w( t ) ↔ W ( ω )
e se a função janelada f w ( t ) ↔ Fw ( ω )
então f w ( t ) = f ( t ) ⋅ w( t )
1
e Fw ( ω ) = ⋅ F( ω ) ∗W ( ω )
2 ⋅π
De acordo com a propriedade da largura da convolução, segue que a largura
de Fw ( ω ) é igual à soma das larguras de F( ω ) e W ( ω ) .
Então, o truncamento de um sinal irá aumentar sua largura de banda em uma
quantidade igual à largura de banda de W(ω ) .
Ou seja, o truncamento de um sinal faz com que seu espectro se espalhe por
uma largura de banda maior (a largura de banda do sinal não-truncado mais a
largura de banda de W ( ω ) ).
A largura de banda de um sinal é inversamente proporcional à sua duração
temporal.
Então, quanto maior a duração da janela no tempo, menor será sua largura de
banda na freqüência e menor será o espalhamento espectral ocasionado por
esta janela.
Este resultado é previsível, pois uma janela de duração maior significa que
estamos considerando mais dados (uma melhor aproximação) e isto deve
causar uma menor distorção (menor espalhamento espectral).
Janelas com menores durações no tempo (piores aproximações) causam
maiores espalhamentos espectrais (maiores distorções).

Assim, um dos efeitos do truncamento é o espalhamento espectral.
Existe um outro efeito do truncamento, produzido pelo fato de W(ω ) não
ser realmente restrito à uma banda de freqüência e seu espectro tender a zero
somente assintóticamente.
Isto faz com que o espectro de Fw ( ω ) → 0 assintóticamente a uma mesma
taxa de W ( ω ) , embora F ( ω ) possa ser limitado em banda.
Então, o truncamento/janelamento faz com que o espectro de F( ω ) vaze
para uma banda aonde ele seria supostamente nulo.
Este efeito é chamado de VAZAMENTO ou LEAKAGE.
EXEMPLO:
t
Suponha que f ( t ) = cos( ω0 ⋅ t ) e
wR ( t ) = rect  
T 
O espectro do sinal truncado f w ( t ) = f ( t ) ⋅ wR ( t )
é a convolução dos dois impulsos de F( ω ) com o espectro em forma de
sinc da janela wR ( t ) .
Como a convolução de qualquer função com um impulso é a própria função
(deslocada para a posição do impulso), o espectro resultante Fw ( ω ) do sinal
T
truncado fw( t ) são dois sincs, multiplicados por
2, um localizado em
− ω0 e um em + ω0 .
Comparando os espectros de F( ω ) e Fw ( ω ) , pode-se notar os seguintes
efeitos do truncamento:
1. Os impulsos em F( ω ) tem largura nula, mas o sinal truncado é
4 ⋅π
espalhado por em relação ao impulso. A quantidade de
T
espalhamento é igual à largura do lobo principal do espectro da janela.
Um efeito deste espalhamento espectral é que se f (t ) tivesse dois
componentes espectrais com freqüências separadas por menos que

4 ⋅π 2 
rad/s  Hz  , esses componentes não seriam distinguíveis no
T T 
sinal truncado. O resultado é a perda de resolução espectral. Busca-se
sempre que o espalhamento espectral (largura da banda principal) seja o
menor possível.
2. O espectro de f (t ) é zero exceto em ± ω0 . Já o espectro do sinal
truncado Fw ( ω ) é não nulo sempre devido aos lóbulos secundários.
1
Estes lóbulos secundário decaem assintóticamente com
ω. Logo, o
truncamento causa vazamento (leakage) espectral na banda onde o
espectro do sinal f (t ) é zero.
Para a janela retangular wR ( t ) , a magnitude do pico do primeiro lóbulo
secundário é 0 ,217 vezes a magnitude do pico do lóbulo principal
( 13 ,3 dB abaixo da magnitude do pico do lóbulo principal).

1
Na janela retangular, os lóbulos secundários decaem a uma taxa de ou
ω
−6 dB/oitava (ou − 20 dB/década). Esta taxa é chamada de taxa de
ROLLOFF dos lóbulos secundários.
Quanto menores os lobos secundários e maior a taxa de ROLL-OFF, menor
será o efeito de vazamento.
Devido à dualidade tempo-freqüência, o efeito do truncamento no domínio
da freqüência nas formas dos sinais é similar ao efeito do truncamento no
domínio do tempo (estudado até agora).
5.8.6.2. MINIMIZANDO OS EFEITOS DO TRUNCAMENTO
Para obtenção de melhores resultados, deve-se tentar minimizar os efeitos
do truncamento: espalhamento espectral (largura do lóbulo principal) e
vazamento (lóbulos secundários).
O espalhamento espectral (largura do lobo principal) de um sinal truncado
é igual à largura de banda da janela w( t ) .
A largura de banda de um sinal é inversamente proporcional à duração
temporal do sinal.
Então, para reduzir o espalhamento espectral (largura do lóbulo principal) é
necessário aumentar a duração no tempo da janela.

Para melhorar os efeitos do vazamento, deve-se procurar pela causa do
lento decaimento dos lóbulos secundários.
Quanto mais suave for a variação de um sinal, mais rápido é o decaimento
do seu espectro.
Para uma dada duração de janela, é impossível querer minimizar os dois
efeitos (espalhamento e vazamento espectral) simultaneamente.
Para tentar minimizar os efeitos do truncamento é necessário escolher a
forma e a duração da janela, sempre lembrando que os dois efeitos não
podem ser minimizados simultaneamente.
Existem diversas funções de janela criadas para minimizar os efeitos do
truncamento
A Tabela 4.13 mostra os dados de algumas delas.

A escolha da janela adequada depende da aplicação.

6. AMOSTRAGEM
6.1. TEOREMA DA AMOSTRAGEM
Pode-se mostrar que um sinal real cujo espectro é limitado em banda de 0
Hz até B Hz.
F( ω ) = 0 para ω > 2 ⋅π ⋅ B rad/s
pode ser reconstruído exatamente (sem nenhum erro) a partir de suas
amostras se estas forem tomadas uniformemente a uma taxa ℑs > 2 ⋅ B
amostras por segundo.
Em outras palavras, teoricamente a menor freqüência de amostragem para
possibilitar a reconstrução do sinal é ℑs = 2 ⋅ B Hz.
Para provar o Teorema da Amostragem, considere um sinal f (t ) cujo
espectro é limitado em banda em B Hz.
A amostragem de f (t ) a uma taxa de ℑs Hz ( ℑs amostras por

segundo) pode ser obtida multiplicando-se f (t ) por um trem de
impulsos δT ( t ) .
+∞
δT ( t ) = ∑δ ( t − n ⋅ T )
n = −∞
n∈Ζ
δT ( t ) = ∑δ ( t − n ⋅T )
n
δT ( t ) consiste em impulsos unitários repetidos periodicamente a cada
1
T segundos, onde T = s.
ℑs
Ou seja, a amostragem pode ser assim considerada:
x
O resultado da amostragem é o sinal amostrado f (t ).
f ( t ) = f ( t ) ⋅δT ( t ) = f ( t ) ⋅ ∑δ ( t − n ⋅T )
n
f ( t ) = ∑ f ( n ⋅T )⋅δ ( t − n ⋅T )
n
O sinal amostrado consiste de impulsos espaçados a cada T segundos
(intervalo de amostragem).
O n-ésimo impulso, localizado em t = n ⋅ T , apresenta uma amplitude de
f ( n ⋅ T ) , ou seja, o valor de f ( t ) em t = n ⋅T .
O trem de impulsos δT ( t ) é um sinal periódico de período T,
expressando δT ( t ) como uma Série Trigonométrica de Fourier, tem-se:
1
δT ( t ) = ⋅ [1 + 2 ⋅ cos(ω s ⋅ t ) + 2 ⋅ cos(2 ⋅ ω s ⋅ t ) + 2 ⋅ cos(3 ⋅ ω s ⋅ t ) + ...]
T
2 ⋅π
ωs = = 2 ⋅ π ⋅ ℑs
T
como:
f ( t ) = f ( t )⋅δT ( t )
Logo
1
f (t ) = ⋅ [ f ( t ) + 2 ⋅ f ( t ) ⋅ cos(ω s ⋅ t ) + 2 ⋅ f ( t ) ⋅ cos(2 ⋅ ω s ⋅ t ) + 2 ⋅ f ( t ) ⋅ cos(3 ⋅ ω s ⋅ t ) + ...]
T
Para calcular F ( ω ) , a Transformada de Fourier de f ( t ) , calcula-se a
Transformada de Fourier de cada parcela da soma que constitui f (t ).
A Transformada do primeiro termo dentro dos colchetes é F( ω ) .
A Transformada do segundo termo 2 ⋅ f ( t ) ⋅ cos(ω s ⋅ t ) é
F( ω − ωs ) + F( ω + ωs ) . Isto representa o espectro F( ω )
deslocado para ωs e − ωs .
De forma similar, tem-se:
2 ⋅ f ( t ) ⋅ cos(2 ⋅ ω s ⋅ t ) ↔ F ( ω − 2 ⋅ ω s ) + F ( ω + 2 ⋅ ω s )
2 ⋅ f ( t ) ⋅ cos(3 ⋅ ω s ⋅ t ) ↔ F ( ω − 3 ⋅ ω s ) + F ( ω + 3 ⋅ ω s )
2 ⋅ f ( t ) ⋅ cos (4 ⋅ ω s ⋅ t ) ↔ F ( ω − 4 ⋅ ω s ) + F ( ω + 4 ⋅ ω s )
e assim por diante.

Este resultado significa que o espectro F(ω ) consiste de F( ω )
2 ⋅π 1
repetido periodicamente com período ω s = rad/s ou ℑs = Hz.
T T
1
Existe, também, um fator multiplicativo em f ( t ) , logo:
T
1 ∞
F ( ω ) = ⋅ ∑ F( ω − n ⋅ ωs )
T n =−∞
Para poder-se reconstruir f (t ) a partir de f ( t ) , deve-se ser capaz de
recuperar F( ω ) a partir de F(ω ).
Para que não haja encavalamento, devemos ter:
ωs ≥ 2 ⋅ (2 ⋅ π ⋅ B ) rad/s ou ℑs ≥ 2 ⋅ B Hz.
1
Como o intervalo de amostragem é
T = , para que seja possível
ℑs
reconstruir o sinal f (t ) a partir de f (t ) deve-se ter:

1
T≤
2⋅B
Assim, desde que a freqüência de amostragem ℑs seja maior que duas
vezes a largura de banda B Hz do sinal, F(ω ) irá consistir de
repetições não-encavaladas (não-sobrepostas) de F( ω ) .
Se não houver encavalamento dos espectros, f (t ) pode ser recuperado
das amostras f (t ) fazendo com que o sinal amostrado f (t ) passe por
um filtro passa-baixas ideal com freqüência de corte de B Hz ou
2 ⋅π ⋅ B rad/s e ganho T.
 ω 
H ( ω ) = T ⋅ rect  
 4 ⋅ π ⋅ B 
A menor freqüência de amostragem ℑs = 2⋅B Hz necessária para
recuperar f (t ) a partir de suas amostras f (t ) é chamada de TAXA
DE NYQUIST para f (t ).
O termo FREQÜÊNCIA DE NYQUIST é utilizado para o valor de B em
Hz ou 2 ⋅π ⋅ B rad/s.
1
O intervalo de amostragem T= é chamado de INTERVALO DE
2⋅B
NYQUIST para f (t ).
6.1.1. AMOSTRAGEM PRÁTICA
Ao provar o Teorema da Amostragem foi assumida a obtenção de amostras
ideais realizando-se a multiplicação de um sinal f (t ) por um trem de
impulsos que fisicamente não é realizável.
Na prática, multiplica-se um sinal f (t ) por um trem de pulsos de duração
finita.
Desde que a amostragem seja feita com uma taxa maior que a taxa de Nyquist,
é possível reconstruir f (t ) a partir de f (t ).
Para provar este fato analiticamente, observe que o trem de pulsos de pT ( t )
pode ser expresso como uma Série Trigonométrica de Fourier:
∞
2 ⋅π
pT ( t ) = C0 + ∑ Cn ⋅ cos( n ⋅ ωs ⋅ t + θ n ) ωs =
n =1 T
assim
 ∞

f ( t ) = f ( t ) ⋅ pT ( t ) = f ( t ) ⋅ C0 + ∑ Cn ⋅ cos( n ⋅ ωs ⋅ t + θ n )
 n =1 
∞
f ( t ) = C0 ⋅ f ( t ) + ∑ Cn ⋅ f ( t ) ⋅ cos( n ⋅ ωs ⋅ t + θ n )
n =1
O sinal amostrado f (t ) consiste de C0 ⋅ f ( t ) ,
C1 ⋅ f ( t ) ⋅ cos( ωs ⋅ t + θ1 ) , C2 ⋅ f ( t ) ⋅ cos( 2 ⋅ ωs ⋅ t + θ 2 ) , …
Note que o primeiro termo C0 ⋅ f ( t ) é o sinal desejado e todos os outros
termos são sinais modulados com espectros centrados em ± ωs , ± 2 ⋅ ωs ,
± 3 ⋅ ωs , …
O sinal f (t ) pode ser recuperado a partir de f (t ) passando f (t ) por
1
um filtro passa-baixas ideal com ganho C0 e freqüência de corte B Hz
desde que ωs > 4 ⋅ π ⋅ B ou ℑs > 2 ⋅ B .
6.2. RECONSTRUÇÃO DO SINAL: FÓRMULA DA INTERPOLAÇÃO
O processo de reconstrução de um sinal de tempo contínuo f (t ) a partir de
suas amostras é também conhecido como interpolação.

Vimos que um sinal f (t ) com banda limitada em B Hz pode ser
reconstruído (interpolado) exatamente a partir de suas amostras.
Esta reconstrução é obtida passando o sinal amostrado por um filtro passa-
baixas ideal com freqüência de corte em B Hz.
1
O sinal amostrado contém um componente ⋅ f (t ), logo para recuperar
T
f (t ) (ou F ( ω ) ), o sinal amostrado deve ser passado por um filtro passa-
baixas ideal com freqüência de corte de B Hz e ganho T .
Logo, o filtro de reconstrução (ou interpolação) apresenta a seguinte resposta
em freqüência:
 ω 
H ( ω ) = T ⋅ rect  
 4 ⋅ π ⋅ B 
O processo de interpolação foi expresso, até agora, no domínio da freqüência
como sendo uma operação de filtragem.
A partir de agora, vamos examinar o processo de interpolação no domínio do
tempo.
Considere um filtro de interpolação muito simples cuja resposta impulsiva
seja:
t
h( t ) = rect  
T 
Trata-se de uma porta centrada na origem com amplitude unitária e duração
T (o intervalo de amostragem).
Como cada amostra de f (t ) é um impulso, a saída do filtro para entrada
f (t ) será uma seqüência de portas com amplitudes iguais às intensidades
das amostras de f (t ).
y( t ) = h( t ) ∗ f ( t )
Logo, a saída do filtro h( t ) para entrada f (t ) será uma aproximação em
degraus de f (t ).
Assim, o filtro h( t ) realiza uma interpolação grosseira.

A resposta em freqüência deste filtro H(ω ) é a Transformada de Fourier da
t
resposta impulsiva
h( t ) = rect   .
T 
1
Assumindo que seja utilizado a taxa de Nyquist, ou seja, T =
2⋅B .
t
h( t ) = rect   = rect( 2 ⋅ B ⋅ t )
T 
e
 ω ⋅T  1  ω 
H ( ω ) = T ⋅ sin c = ⋅ sin c 
 2  2⋅B 4⋅B
A resposta em amplitude H(ω ) para este filtro explica a razão da
interpolação grosseira.
Este filtro, também conhecido como filtro “zero-order hold”, é uma má
aproximação para o filtro passa-baixas ideal necessário para a realização da
interpolação de forma exata

Pode-se melhorar a interpolação utilizando-se um filtro “first-order hold” que
resulta em uma interpolação linear ao invés da interpolação por degraus obtida
com o filtro “zero-order hold”.
O interpolador linear, cuja resposta impulsiva é um pulso triangular
 t 
∆ 
 2 ⋅T  , resulta em uma interpolação na qual as amostras sucessivas são
conectadas por segmentos de reta.
Voltemos para o filtro de interpolação ideal
 ω 
H ( ω ) = T ⋅ rect  
 4 ⋅π ⋅ B 
A resposta impulsiva deste filtro é a Transformada de Fourier inversa de
H(ω ) .
h( t ) = 2 ⋅ B ⋅ T ⋅ sin c(2 ⋅ π ⋅ B ⋅ t )
Assumindo que esteja sendo utilizado a taxa de Nyquist, tem-se que
2 ⋅ B ⋅ T = 1 , logo
h( t ) = sin c( 2 ⋅ π ⋅ B ⋅ t )
É interessante observar que h( t ) = 0 para todos os valores múltiplos do
 n 
intervalo de Nyquist  t = ±  exceto em t =0.
 2⋅B
Quando o sinal amostrado f (t ) é aplicado na entrada deste filtro, a saída é
f (t ).
Como cada amostra de f (t ) é um impulso tem-se que cada amostra gera
um sin c com amplitude igual à da amostra.

A adição dos sin cs gerados por todas amostras resulta em f (t ).
Assim, a saída do filtro para entrada f (t ) é f (t ) e pode ser expressa
como a seguinte soma:
f ( t ) = ∑ f ( k ⋅ T ) ⋅ h( t − k ⋅ T )
k
f ( t ) = ∑ f ( k ⋅ T ) ⋅ sin c[2 ⋅ π ⋅ B ⋅ ( t − k ⋅ T )]
k
f ( t ) = ∑ f ( k ⋅ T ) ⋅ sin c( 2 ⋅ π ⋅ B ⋅ t − k ⋅ π )
k
Esta equação é chamada de fórmula de interpolação e produz valores de
f (t ) entre as amostras como sendo uma soma devido a todas as amostras.

DIFICULDADES PRÁTICAS NA RECONSTRUÇÃO DE SINAL
Se um sinal é amostrado com a taxa de Nyquist, ℑs = 2 ⋅ B Hz, o espectro
F(ω ) consiste de repetições de F( ω ) sem nenhum espaço entre os
ciclos sucessivos.
Para recuperar f (t ) a partir de f (t ), deve-se passar o sinal amostrado
f (t ) através de um filtro passa-baixas ideal com freqüência de corte de B
Hz e ganho T.
Entretanto, um filtro passa-baixas ideal não é realizável fisicamente, ele só
pode ser bem aproximado com um atraso infinito em sua resposta.
Em outras palavras, pode-se recuperar o sinal f (t ) a partir de suas amostras
com um atraso infinito.
Uma solução prática para este problema é amostrar o sinal com uma taxa
maior do que a taxa de Nyquist ( ℑs > 2⋅B Hz ou ωs > 4 ⋅ π ⋅ B rad/s).

O resultado é F(ω ) consistindo de repetições de F( ω ) com um espaço
finito entre ciclos sucessivos.
Pode-se assim, recuperar F( ω ) a partir de F(ω ) usando um filtro passa-
baixas com característica de corte mais gradual.
Entretanto, mesmo neste caso, o ganho do filtro deve ser zero após o primeiro
ciclo de F( ω ) .
De acordo com o critério de Paley-Wiener, é impossível realizar fisicamente
este filtro também.
A única vantagem neste caso é que o filtro necessário pode ser bem
aproximado com um menor atraso temporal.
Este fato indica que é impossível na prática recuperar um sinal de banda
limitada f (t ) de forma exata a partir de suas amostras, mesmo se a taxa de
amostragem for maior do que a taxa de Nyquist.
Entretanto, quanto maior a taxa de amostragem, mais o sinal recuperado pode
se aproximar do sinal desejado.

A ARMADILHA DO RECOBRIMENTO
Existe outra dificuldade prática fundamental na reconstrução de um sinal a
partir de suas amostras.
O Teorema da Amostragem foi provado assumindo-se que o sinal f (t ) era
limitado em banda (freqüência).
Entretanto, todos os sinais práticos são limitados no tempo, ou seja, eles
apresentam duração finita ou largura temporal finita.
Pode-se demonstrar que um sinal não pode ser limitado no tempo e apresentar
banda limitada em freqüência ao mesmo tempo.
Se um sinal é limitado no tempo, ele não pode ser limitado em banda e vice-
versa (mas ele pode ser simultaneamente ilimitado no tempo e ilimitado em
banda).
Desta forma, como todos os sinais práticos são limitados no tempo, eles,
necessariamente, não são limitados em banda.
Os sinais práticos apresentam largura de banda infinita, logo o espectro
F(ω ) irá consistir de ciclos sobrepostos de F( ω ) repetidos a cada ℑs
Hz (a freqüência de amostragem).
Devido ao fato da banda ilimitada do sinal, a sobreposição espectral vai
sempre acontecer independentemente da escolha da taxa de amostragem.
Devido à sobreposição espectral, F(ω ) não tem a informação completa
sobre F( ω ) e não é mais possível, mesmo teoricamente, recuperar f (t ) a
partir do sinal amostrado f (t ).
Se o sinal amostrado for passado por um filtro passa-baixas ideal, a saída não
será F( ω ) e sim uma versão distorcida de F( ω ) devido a duas causas
distintas:
ℑs
1. A perda de informação espectral de F( ω ) após | ℑ |> Hz ou
2
ωs
| ω |> rad/s;
2
2. O reaparecimento desta informação espectral de forma invertida ou
“dobrada” no espectro. Este fenômeno é conhecido como aliasing ou
recobrimento.
ℑs ωs
ou é conhecida como folding frequency.
2 2
UMA SOLUÇÃO: O FILTRO ANTI-ALIASING OU FILTRO ANTI-
RECOBRIMENTO
ℑs
Deve-se suprimir os componentes de f (t ) que estão após Hz ou
2
ωs
rad/s antes do processo de amostragem.
2
Com isso, continua ocorrendo a perda de informação espectral de F( ω )
ℑs ωs
após | ℑ |> Hz ou | ω |> rad/s, mas não haverá mais o
2 2
fenômeno do recobrimento.
Além disso, ℑs Hz ou ωs rad/s pode ser escolhido alta o bastante para
ℑs ωs
que a informação espectral após Hz ou rad/s seja pouco
2 2
relevante.
ℑs
A supressão dos componentes espectrais após Hz é realizada
2
passando o sinal f (t ) por um filtro passa-baixas ideal com freqüência de
ℑs
corte de Hz ANTES DA AMOSTRAGEM.
2
Este filtro é denominado filtro anti-aliasing ou filtro anti-recobrimento.
Como um filtro passa-baixas não é realizável fisicamente, utiliza-se filtros
ℑs
passa-baixas que atenuem bem as componentes espectrais após Hz.
2
6.3. TEOREMA DA AMOSTRAGEM ESPECTRAL: DUAL DO
TEOREMA DA AMOSTRAGEM NO TEMPO
Como em outros casos, o Teorema da Amostragem tem seu dual.
Até agora foi discutido o Teorema da Amostragem no domínio do
tempo, onde mostrou-se que um sinal com banda limitada de B Hz pode ser
quase que perfeitamente reconstruído a partir de suas amostras obtidas a uma
taxa de ℑs > 2 ⋅ B amostras/s.
Note que o espectro do sinal existe sob o intervalo de freqüências de
−B a B Hz.
Logo, 2⋅ B é a largura espectral (não a largura de banda, que é B)

do sinal.
Este fato significa que um sinal f (t ) pode ser reconstruído a partir de
suas amostras obtidas a uma taxa ℑs maior que a largura espectral (em Hz)
do sinal.
O dual do Teorema da Amostragem no domínio do tempo é o Teorema
da Amostragem no domínio da freqüência (Teorema da Amostragem
Espectral).
Este teorema se aplica aos sinais limitados no tempo que são duais aos
sinais com banda limitada (em freqüência).
Prova-se que o espectro F (ω ) de um sinal f (t ) limitado no tempo
em τ segundos pode ser reconstruído a partir das amostras de F (ω )
obtidas a uma taxa R >τ amostras por hertz.

+∞
∫ f (t ) ⋅ e
− j ⋅ω ⋅t
F (ω ) = dt
−∞
τ
F (ω ) = ∫ f (t ) ⋅ e − j ⋅ω ⋅t dt
0
Construindo fT0 (t ) , um sinal periódico formado pela repetição de
f (t ) a cada T0 segundos ( T0 >τ ).
Este sinal periódico pode ser expresso pela Série Exponencial de
Fourier:
+∞
2 ⋅π
fT0 (t ) = ∑ n
D
n = −∞
⋅ e j ⋅ n ⋅ω 0 ⋅t
ω0 =
T0
onde (assumindo τ < T0 )

T τ
1 0 1
Dn = ⋅ ∫ f (t ) ⋅ e − j ⋅ n⋅ω 0 ⋅t dt = ⋅ ∫ f (t ) ⋅ e − j ⋅n ⋅ω 0 ⋅t dt
T0 0 T0 0
ou seja:
1
Dn = ⋅ F (n ⋅ ω0 )
T0
Este resultado indica que os coeficientes da Série de Fourier para
1
fT0 (t ) são vezes os valores das amostras do espectro de F (ω ) obtidas
T0
em intervalos de ω0 .
Isto significa que o espectro de um sinal periódico fT0 (t ) é o espectro
amostrado de F (ω ) .
Desde que τ < T0 , os ciclos sucessivos de f (t ) que ocorrem em
fT0 (t ) não irão se sobrepor, logo f (t ) poderá ser recuperado a partir de
fT0 (t ) .
Tal recuperação implica indiretamente que F (ω ) possa ser
reconstruído a partir de suas amostras.
As amostras de F (ω ) estão separadas pela freqüência fundamental
1 2 ⋅π
f0 = Hz ω =
ou 0
rad / s do sinal periódico fT0 (t ) .
T0 T0
A condição para que a recuperação seja possível é que T0 ≥ τ , ou seja

1 2 ⋅π
f0 = Hz ou ω0 = rad / s
τ τ
Logo, para ser possível a reconstrução do espectro F (ω ) a partir das
amostras de F (ω ) , as amostras devem ser obtidas em intervalos de
1
freqüência não maiores que f0 = Hz .
τ
Se R é a taxa de amostragem (amostras/Hz), então:
1
R= ≥ τ amostras / Hz
f0
6.3.1. INTERPOLAÇÃO ESPECTRAL
O espectro F (ω ) de um sinal f (t ) limitado no tempo em τ
segundos pode ser reconstruído a partir das amostras de F (ω ) .
Para este caso, utilizando o dual do procedimento utilizado para derivar
a fórmula de interpolação de sinal
f ( t ) = ∑ f ( k ⋅ T ) ⋅ sin c( 2 ⋅ π ⋅ B ⋅ t − k ⋅ π )
k
obtém-se a fórmula de interpolação espectral

 ω ⋅τ  2 ⋅π
F (ω ) = ∑ F (n ⋅ ω0 ) ⋅ sin c − n ⋅π  ω0 =
k  2  τ
EXEMPLO 5.4
O espectro F (ω ) de um sinal de duração unitária f (t ) é amostrado
em intervalos de 1 Hz ou 2 ⋅ π rad / s (a taxa de Nyquist).
As amostras são:
F (0) = 1 e F ( ±2 ⋅ π ⋅ n ) = 0 (n = 1, 2, 3, ...)
Determine F (ω ) .
RESOLUÇÃO:
Usando a fórmula de interpolação espectral para construir F (ω ) a
partir de suas amostras:
 ω ⋅τ  2 ⋅π
F (ω ) = ∑ F (n ⋅ ω0 ) ⋅ sin c − n ⋅π  ω0 =
k  2  τ
como τ = 1 s ⇒ ω0 = 2 ⋅ π rad / s
 ω ⋅τ 
F (ω ) = ∑ F (n ⋅ 2 ⋅ π ) ⋅ sin c − n ⋅π 
n  2 
como F (0) = 1
F (±2 ⋅ π ⋅ n) = 0 (n = 1, 2, 3, ...)
tem-se que:
 ω ⋅1 
F (ω ) = 1 ⋅ sin c − 0 ⋅π 
 2 
ω 
F (ω ) = sin c 
2
6.4. COMPUTAÇÃO NUMÉRICA DA TRANSFORMADA DE
FOURIER: A TRANSFORMADA DISCRETA DE FOURIER (TDF)
A computação numérica da Transformada de Fourier de f (t )
necessita de valores de amostras de f ( t ) , pois um computador digital pode
trabalhar somente com dados discretos (seqüência de números).
Mais ainda, um computador pode calcular F( ω ) somente em alguns
valores discretos de ω [amostras de F ( ω ) ].
Logo, precisamos relacionar as amostras de F( ω ) com as amostras
de f (t ).
Esta tarefa pode ser realizada utilizando-se os resultados dos dois
teoremas de amostragem desenvolvidos anteriormente.
Comecemos com um sinal limitado no tempo f (t ):
e seu espectro F( ω ) :
Como f (t ) é limitado no tempo, F( ω ) não apresenta banda
limitada.
Por conveniência, o eixo das freqüências será apresentado com a
variável f (em hertz) ao invés de ω.
De acordo com o teorema da amostragem, o espectro F(ω ) de um
sinal amostrado f (t ) consiste de X(ω ) repetido a cada f s Hz , onde
1
fs = .
T
No próximo passo, o sinal amostrado f (t ) é repetido periodicamente
a cada T0 segundos.
De acordo com o teorema da amostragem espectral, tal operação resulta
na amostragem do espectro a uma taxa de T0 amostras/Hz. Esta taxa de
1
amostragem significa que as amostras estão espaçadas de
f0 = Hz.
T0
A discussão realizada até agora mostra que quando um sinal f (t ) é
amostrado e então periodicamente repetido, o espectro correspondente é
também amostrado e periodicamente repetido. Nosso objetivo é relacionar as
amostras de f (t ) com as amostras de F( ω ) .
NÚMERO DE AMOSTRAS
Uma observação interessante analisando as figuras

é que N 0 , o número de amostras do sinal amostrado e periódico no tempo em
um período T0 é idêntico a N' 0 , o número de amostras do espectro
amostrado e periódico em um período fs .
A razão para este fato é que:
T0 fs
N0 = e
N'0 =
T f0
mas, como:
1 1
fs = e
f0 =
T T0
tem-se que:
T0 f
N0 = = s = N'0
T f0
RECOBRIMENTO E VAZAMENTO NA COMPUTAÇÃO NUMÉRICA
A figura a seguir
mostra a presença de recobrimento nas amostras do espectro F( ω ) .
Este erro devido ao recobrimento pode ser reduzido incrementando-se a
freqüência de amostragem fs (diminuindo o intervalo de amostragem
1
T= ).
fs
O recobrimento não poderá nunca ser totalmente eliminado quando
utiliza-se um sinal limitado no tempo f ( t ) , pois seu espectro F ( ω ) não é
limitado em banda.
Se tivéssemos iniciado com um sinal que apresentasse um espectro
G (ω ) limitado em banda, não haveria recobrimento no espectro da figura a
seguir
Infelizmente, o sinal g (t ) que apresentasse espectro G (ω ) não seria
limitado no tempo e sua repetição iria resultar em um sinal com sobreposições

(recobrimento no domínio do tempo). Neste caso (utilizando g (t ) e
G (ω ) ), deveríamos encarar erros nas amostras temporais do sinal
Em outras palavras, ao realizarmos a computação numérica para o
cálculo da Transformada de Fourier direta ou sua inversa, pode-se reduzir os
efeitos dos erros, mas estes erros não podem nunca ser totalmente eliminados.
Este fato é verdadeiro para a computação numérica da Transformada de
Fourier direta ou sua inversa, independentemente do método utilizado.
Por exemplo, se calcularmos a Transformada de Fourier:
∞
F (ω ) = ∫
−∞
f (t ) ⋅ e − j⋅ω ⋅t dt
por integração numérica direta, existirá um erro, pois o intervalo de integração
∆t nunca pode ser igualado a zero. Limitações similares aplicam-se à
computação numérica da transformada inversa.
Logo, deve-se sempre ter em mente a natureza deste erra em nossos
resultados.
Na discussão passada sobre f (t ) , assume-se que f (t ) é um sinal
limitado no tempo. Se f (t ) não fosse limitado no tempo, seria necessário
limitarmos o sinal, pois as computações numéricas podem trabalhar somente
sobre dados finitos.

Deve-se lembrar, que este truncamento de dados ocasiona erros devido
ao espalhamento espectral e vazamento, como discutido anteriormente. O
vazamento também vai causar recobrimento. O vazamento pode ser reduzido
utilizando-se uma janela trabalhada matematicamente para realizar o
truncamento do sinal. Entretanto, esta escolha aumenta o espalhamento
espectral. O espalhamento espectral pode ser reduzido aumentando-se a
largura da janela (i.e., mais dados), que aumenta T0 e reduz f0 (aumenta a
resolução espectral ou resolução em freqüência).
EFEITO CERCA
O método de computação numérica irá produzir somente valores de
amostras de F (ω ) [ou f (t ) ] espaçadas uniformemente. A utilização deste
método se assemelha a observar um sinal e seu espectro através de uma cerca
de ripas de madeira.
Os maiores picos de F (ω ) [ou f (t ) ] podem estar localizados entre
duas amostras consecutivas e podem permanecer escondidos, uma situação
que irá dar uma falsa impressão da realidade.

Estes resultados “falsos” podem ser evitados utilizando-se um valor
suficientemente alto de N0 , o número de amostras, que aumentará a
resolução.
Pode-se também utilizar a fórmula de interpolação espectral
 ω ⋅τ  2 ⋅π
F (ω ) = ∑ F (n ⋅ ω 0 ) ⋅ sin c − n ⋅π  ω0 =
n  2  τ
para determinar os valores de F( ω ) entre as amostras.
DERIVAÇÃO DA TRANSFORMADA DISCRETA DE FOURIER
Se f (k ⋅ T ) e F (r ⋅ ω 0 ) são as k-ésima e r-ésima amostras de
f (t ) e F (ω ) , respectivamente, então define-se as novas variáveis f k e
Fr como:
T0
f k = T ⋅ f (k ⋅ T ) = ⋅ f (k ⋅ T )
N0
Fr = F (r ⋅ ω 0 )
2 ⋅π
onde
ω 0 = 2 ⋅π ⋅ f0 =
T0
Iremos demonstrar agora que fk e Fr são relacionados com as
seguintes equações:
N 0 −1
Fr = ∑f
k =0
k ⋅ e − j⋅r ⋅Ω0 ⋅k
2 ⋅π
fk =
1 N 0 −1
⋅ ∑ Fr ⋅ e j⋅r⋅Ω0 ⋅k Ω0 = ω0 ⋅T =
N 0 r =0 N
Estas equações definem as TRANSFORMADAS DISCRETAS DE
FOURIER direta e inversa, com Fr sendo a Transformada Discreta de
Fourier direta (DFT) de fk , e fk sendo a Transformada Discreta de Fourier
inversa (IDFT) de Fr .
A notação
f k ⇔ Fr
é também utilizada para indicar que fk e Fr são um par de Transformadas
Discretas de Fourier.
T0
Lembre-se que fk é vezes a k-ésima amostra de f (t ) e Fr éa
N0
r-ésima amostra de F (ω ) .
Sabendo os valores das amostras de f (t ) , pode-se calcular
computacionalmente os valores das amostras de F (ω ) – e vice-versa –
usando a DFT.
Note, entretanto, que fk é uma função de k
(k = 0, 1, 2, ..., N 0 − 1 ) ao invés de t e que Fr é uma função de r
(r = 0, 1, 2, ..., N 0 − 1 ) ao invés de ω .
Note ainda que tanto fk como Fr são seqüências periódicas de
período N0 .
A prova das relações da DFT segue diretamente dos resultados dos
teoremas da amostragem.
Como Fr é periódico em N 0 , é necessário determinar-se os valores
de Fr sobre um período qualquer. É costume determinar-se Fr sobre um
 N0 N0 
intervalo (0, N 0 − 1) ao invés do que um intervalo − , − 1 .
 2 2 
ESCOLHA DE T , T0 e N0
No cálculo computacional da DFT, é necessário primeiro selecionar
valores adequados para N0 , T e T0 .
Para este propósito, deve-se inicialmente decidir qual é a banda
essencial do sinal, B (em Hz).
A freqüência de amostragem , f s , deve ser de pelo menos 2 ⋅ B , ou
seja:
fs ≥ 2 ⋅ B
1
como o intervalo de amostragem é
T= , tem-se que
fs
1
T≤
2⋅ B
Uma vez escolhido B , escolhe-se T .

Tem-se, ainda, que:
1
f0 =
T0
onde f0 é a resolução em freqüência [separação entre amostras de F (ω ) ].
Então, se f0 for dado, escolhe-se T0 .

Conhecendo T0 e T , determina-se N 0 :
T0
N0 =
T
PONTOS DE DESCONTINUIDADE
Se f (t ) apresenta uma descontinuidade em um ponto de amostragem,
o valor da amostra deve ser tomado como sendo a média dos valores dos dois
lados da descontinuidade, pois a representação de Fourier no ponto da
descontinuidade converge para o valor médio.
INSERÇÃO DE ZEROS (ZERO PADDING)
Lembrando que observar Fr é como observar o espectro F (ω )
através de uma cerca de madeira com ripas verticais.
Se o intervalo de amostragem em freqüência f0 não for
suficientemente pequeno, pode-se perder algum detalhe significativo e obter
uma imagem diferente da real.
Para obter um maior número de amostras, deve-se reduzir f0 .

1
Como
f0 = , um maior número de amostras irá fazer com que seja
T0
necessário aumentar o valor de T0 , o período de repetição de f (t ) .
Esta opção aumenta N 0 , o número de amostras de f (t ) , adicionando
amostras com valores 0 à esquerda de f (t ) .
A adição destas amostras nulas à esquerda de f (t ) é conhecida como
zero padding.
Então, a realização de zero padding aumenta o número de amostras e
pode ajudar a dar uma melhor idéia sobre o espectro F (ω ) a partir de suas
amostras Fr .
A INSERÇÃO DE ZEROS NÃO AUMENTA A EXATIDÃO OU
RESOLUÇÃO
Um ponto deve ser claramente entendido: a inserção de zeros (zero
padding) meramente fornece mais amostras sem aumentar a exatidão das
amostras anteriormente obtidas.
A inserção de zeros (zero padding) irá ser útil somente se o intervalo de
amostragem T é suficientemente pequeno para que o erro de recobrimento
seja desprezível. Se existe uma grande influência do recobrimento, a inserção

de zeros irá somente fornecer mais amostras da corrupção gerada pelo
recobrimento.
A inserção de zeros (zero padding) não irá nunca melhorar a exatidão
ou a resolução em freqüência.
A exatidão pode ser aumentada somente pela redução do recobrimento,
1
que requer a redução do intervalo de amostragem T do sinal ( T <
2⋅ B ,
onde B é a largura de banda efetiva do sinal).
EXEMPLO 5.5.
Um sinal f (t ) apresenta duração de 2 ms e uma largura de banda
essencial de 10 kHz . É desejável que se tenha uma resolução em freqüência
de 100 Hz na DFT ( f 0 = 100 ). Determine N 0 .
RESOLUÇÃO:
A duração efetiva T0 do sinal é dada por:
1 1
T0 = = = 10 ms
f 0 100
Como a duração do sinal é de somente 2 ms , necessita-se inserir
zeros sobre 8 ms .
Como B = 10 kHz = 10.000 Hz , então:
f s = 2 ⋅ B = 20.000
1
T= = 50 µs
fs
Logo:
f s 20.000
N0 = = = 200
f0 100
Um sinal amostrado f (t ) pode ser expresso como:
N 0 −1
f (t ) = ∑ f (k ⋅ T ) ⋅ δ (t − k ⋅ T )
k =0
como δ (t − k ⋅ T ) ⇔ e − j ⋅k ⋅ω ⋅T , a transformada de Fourier de f (t ) é:
N 0 −1
F (ω ) = ∑ f (k ⋅ T ) ⋅ e
k =0
− j ⋅ k ⋅ω ⋅T
Assumindo que o recobrimento pode ser negligenciado, tem-se que no
ωs F (ω )
intervalo ω ≤ vale F (ω ) =
2 T .
Assim:
N 0 −1
ωs
F (ω ) = T ⋅ F (ω ) = T ⋅ ∑
k =0
f (k ⋅ T ) ⋅ e − j ⋅k ⋅ω ⋅T ω ≤
2
Convencionando-se:
N 0 −1
Fr = F (r ⋅ ω 0 ) = T ⋅ ∑ f (k ⋅ T ) ⋅ e
k =0
− j ⋅ k ⋅ r ⋅ω 0 ⋅T

Idioma

Udesc Isc Joaquim

Enviado por

Dados do documento

Descrição:

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?

Descrição:

Direitos autorais:

Formatos disponíveis

Udesc Isc Joaquim

Título original:

Enviado por

Descrição:

Direitos autorais:

Formatos disponíveis

Análise de Fourier - Henrique T.

Um sinal é uma abstração de qualquer quantidade mensurável que é função de

uma ou mais variáveis independentes como tempo ou espaço.

Exemplos: tensão som lousa

1.2. “TAMANHO” DE UM SINAL

Queremos um valor para quantificar o “tamanho” de um sinal.

Como medir o “tamanho” de uma pessoa?

Não é só a altura que caracteriza o tamanho de uma pessoa, precisamos

também da largura. Com a altura e a largura podemos calcular o volume de

Como medir o tamanho de um sinal?

Não basta a amplitude, precisamos também da duração dele.

1.2.1. ENERGIA DE UM SINAL

Podemos considerar a área abaixo de um sinal f (t ) como sendo uma medida

pelas áreas negativas.

Solução: utilizar a área sob o sinal de f (t ) ao quadrado.

Para um sinal real:

Para um sinal complexo:

1.2.2. POTÊNCIA DE UM SINAL

Qual é o problema com a medida de energia de um sinal?

quando o tempo tende a mais ou menos infinito.

Nestes casos, uma medida mais significativa é a média temporal da energia, se

Para um sinal real:

Para um sinal complexo:

É a média temporal do quadrado da amplitude do sinal.

ROOT MEAN SQUARE

Ou seja, a raiz de Pf é o valor RMS de f (t ) .

1.2.3. OBSERVAÇÕES IMPORTANTES

Exemplo: um sinal tipo rampa.

A energia do sinal ( E f ) não indica a verdadeira energia do sinal, pois esta

Por isso, cuidado com as unidades de Ef e Pf . Elas NÃO são J (joule) e W

1.3. CLASSIFICAÇÃO DOS SINAIS

Os sinais podem ser classificados de diversas formas, iremos considerar a

A. Sinais de Tempo Contínuo e de Tempo Discreto;

B. Sinais Analógicos e Digitais;

C. Sinais Reais e Complexos;

D. Sinais Determinísticos e Probabilísticos;

E. Sinais Pares e Ímpares;

F. Sinais Periódicos e Não-Periódicos;

G. Sinais de Energia e de Potência.

1.3.1. SINAIS DE TEMPO CONTÍNUO E DE TEMPO DISCRETO

Um sinal x(t ) é um sinal de tempo contínuo se t é uma variável contínua.

Se t é uma variável discreta, ou seja, x(t ) é definido em pontos discretos,

então x(t ) é um sinal de tempo discreto.

Como um sinal de tempo discreto é definido em instantes discretos, um sinal

de tempo discreto é geralmente identificado por uma seqüência de números,

denotado por x[n] onde n é um inteiro.

um sinal de tempo contínuo e x[n] para um sinal de tempo discreto.

Sinais de tempo discreto serão abordados quando falarmos em amostragem.

1.3.2. SINAIS ANALÓGICOS E DIGITAIS

Se um sinal de tempo contínuo x(t ) pode assumir qualquer valor em um

intervalo contínuo [ a ,b ] , então o sinal de tempo contínuo x(t ) é chamado

Se um sinal de tempo discreto x[n] pode assumir somente um número finito

de valores distintos, então esse sinal é chamado de sinal digital.

1.3.3. SINAIS REAIS E COMPLEXOS

Um sinal complexo geral x(t ) é uma função da forma:

onde x1 (t ) e x2 (t ) são sinais reais.

1.3.4. SINAIS DETERMINÍSTICOS E PROBABILÍSTICOS

Sinais determinísticos são aqueles cujos valores são completamente