TRANSFORMADA DISCRETA

DE FOURIER
AULA 3

Prof. Eng. Viviana Raquel Zurro MSc.

Conversa inicial
Em tempo contínuo, no domínio do tempo um sinal é a representação
instantânea de um parâmetro qualquer variando no tempo. Qualquer sinal
periódico pode ser representado pela soma de várias ondas senoidais cujas
frequências são múltiplos inteiros de uma frequência fundamental f, cada uma
delas com uma fase e amplitude determinada. Estes sinais senoidais são
chamados de harmônicos e o conjunto destes harmônicos compõe o espectro
de frequência do sinal. No domínio da frequência temos os espectros de
amplitude e de fase que contém informações que não são visíveis no domínio do
tempo. Para passar do domínio do tempo para o domínio da frequência se usa
um operador matemático chamado transformada integral. Existem vários tipos
de transformadas, mas a transformada de Laplace em conjunto com a
transformada e a série de Fourier são provavelmente as ferramentas
matemáticas mais poderosas no processamento de sinais. Em tempo discreto
se trabalha com a transformada z discutida na Aula 2, e com a transformada
discreta de Fourier para análise de sinal. Na Figura 1 é possível ver sinais de
ECG no domínio do tempo com seus respectivos espectros no domínio da
frequência (WEI, HONGXING, et al., 2010).

Figura 1: Sinais de eletrocardiograma com seus respectivos

espectros em frequência.
TEMA 1 – SÉRIES, SEQUÊNCIAS PERIÓDICAS E PROPRIEDADES
A análise de Fourier de sinais consiste em um conjunto de técnicas
matemáticas cuja finalidade é decompor um sinal qualquer em suas
componentes senoidais. Para se analisar sinais digitalizados (discretos) é usada
a transformada discreta de Fourier (TFD), também conhecida como DFT pela
sua sigla em inglês (Discrete Fourier Transform). Ela é usada em sequências de
duração finita. A DFT não é uma função de variável contínua, e sim uma
sequência de amostras em frequência da Transformada de Fourier em Tempo
Discreto (TFTD), também conhecida como DTFT pela sua sigla em inglês
(Discrete Time Fourier Transform). A DFT é de grande importância no
desenvolvimento de algoritmos de processamento de sinais.
Quando se trata de analisar sinais com séries ou transformadas de Fourier
deve se levar em conta a classificação dos sinais. Os critérios a seguir são
mostrados na Tabela 1.
Tabela 1: Análise de Fourier de acordo com o tipo de sinais.
Tipo de sinal Análise de Fourier
Sinais contínuos e periódicos Série de Fourier
Sinais contínuos e aperiódicos Transformada de Fourier
Transformada discreta de Fourier
Sinais discretos e periódicos
(TFD ou DFT)
Transformada de Fourier em tempo
Sinais discretos e aperiódicos
discreto (TFTD ou DTFT)

1.1 Série de Fourier discreta

Uma sequência periódica em tempo discreto tem a seguinte forma:
𝑥̃[𝑛] = 𝑥̃[𝑛 + 𝑟𝑁] (1)
Onde r e N são números inteiros e o ~ do x representa sinal periódico. O
período do sinal é N, portanto, a frequência fundamental pode ser definida como:
2𝜋
⍵0 = (2)
𝑁
A sequência discreta pode ser representada por uma série de exponenciais
complexas. Enquanto a representação de Fourier para sinais em tempo contínuo
requer inúmeras exponenciais complexas harmonicamente relacionadas, para
qualquer sinal discreto periódico com período N serão necessárias somente N
exponenciais complexas harmonicamente relacionadas, com frequências
múltiplas da frequência fundamental.

3
 𝑋̃[𝑘] 𝑗2𝜋𝑘𝑛
𝑥̃[𝑛] = ∑ ⅇ 𝑁 (3)
𝑁
𝑘
2𝜋
ⅇ𝑘 [𝑛] = ⅇ 𝑗 𝑁 𝑘𝑛 (4)

Sendo k um número inteiro a exponencial fica da seguinte maneira: ⅇ0 [𝑛],

ⅇ1 [𝑛],..., ⅇ𝑁−1 [𝑛]. Para 𝑘 = 𝑁:
2𝜋
ⅇ𝑁 [𝑛] = ⅇ 𝑗 𝑁 𝑁𝑛 = ⅇ 𝑗2𝜋𝑛 = 1 = ⅇ0 [𝑛] (5)

Como é uma função periódica: ⅇ𝑁+1 (𝑛) = ⅇ1 (𝑛) e assim por diante. Então
só há apenas N frequências diferentes para k=0, 1, 2, ...N-1 definidas por:
2𝜋
𝜔𝑘 = 𝑘 (6)
𝑁
Neste caso a série periódica fica:
𝑁−1
1
𝑥̃ = ∑ 𝑋̃[𝑘]ⅇ 𝑗𝜔𝑛 (7)
𝑁
𝑘=0

𝑋̃[𝑘] são os coeficientes da série discreta de Fourier (DFS pela sua sigla
em inglês) que representam as amplitudes de cada componente de frequência
do sinal periódico. Os mesmos são obtidos da seguinte maneira:
𝑁−1
2𝜋
𝑋̃[𝑘] = ∑ 𝑥̃[𝑛]ⅇ −𝑗 𝑁 𝑘𝑛 , 𝑘 = 0, 1 … , 𝑁 − 1 (8)
𝑛=0

Outra forma de escrever esta equação é definindo a variável complexa W N:

2𝜋
𝑊𝑁 = ⅇ −𝑗 𝑁 (9)

Com esta notação a DFS pode ser escrita da seguinte maneira:

Equação de análise:
𝑁−1

𝑋̃[𝑘] = ∑ 𝑥̃[𝑛]𝑊𝑁𝑘𝑛 (10)

𝑛=0

Equação de síntese:
𝑁−1
1
𝑥̃[𝑛] = ∑ 𝑋̃[𝑘]𝑊𝑁−𝑘𝑛 (11)
𝑁
𝑘=0

Desta maneira chegamos ao par de transformadas:

𝐷𝐹𝑆
𝑥̃[𝑛] ↔ 𝑋̃[𝑘] (12)
2𝜋
A frequência de 𝑋̃[𝑘] é discreta e igual a 𝑘, e 𝑋̃[𝑘] é periódico, portanto
𝑁

𝑋̃[𝑘 + 𝑁] = 𝑋̃[𝑘].

4
1.2 Propriedades da DFS
Assim como a série e transformada de Fourier e transformada de Laplace
em tempo contínuo e a transformada z e DTFT em tempo discreto a DFS tem
propriedades que facilitam o cálculo e são de importância fundamental em
processamento digital de sinais. Muitas das propriedades básicas da DFS são
similares às da DTFT e da transformada z.
1.2.1 Linearidade
Para duas sequências x1 e x2 com comprimentos iguais (se os
comprimentos forem diferentes zeros deverão ser acrescentados à sequência
mais curta.
𝐷𝐹𝑆
𝑥̃1 [𝑛] ↔ 𝑋̃1 [𝑘]
𝐷𝐹𝑆
𝑥̃2 [𝑛] ↔ 𝑋̃2 [𝑘]
Assim
𝐷𝐹𝑆
𝑎𝑥̃1 [𝑛] + 𝑏𝑥̃2 [𝑛] ↔ 𝑎𝑋̃1 [𝑘] + 𝑏𝑋̃2 [𝑘] (13)

Figura 2: DFS de um trem de pulsos retangulares periódicos, onde a

equação 8.12 é a equação (11) (OPPENHEIM e SCHAFER, 2012).
1.2.2 Deslocamento de uma sequência
Se uma sequência 𝑥̃(𝑛) tem coeficientes de Fourier 𝑋̃[𝑘]:
𝐷𝐹𝑆
𝑥̃[𝑛 − 𝑚] ↔ 𝑊𝑁𝑘𝑚 𝑋̃[𝑘] (14)

5
1.2.3 Dualidade
𝐷𝐹𝑆
𝑥̃[𝑛] ↔ 𝑋̃[𝑘]
{ 𝐷𝐹𝑆 (15)
𝑋̃[𝑛] ↔ 𝑁𝑥̃[−𝑘]
1.2.4 Simetria
Da mesma forma que a transformada de Fourier para tempo discreto, a
DFS tem as mesmas propriedades básicas de simetria. Elas serão mostradas na
Tabela 1.
1.2.5 Convolução periódica
Se:
𝑋̃3 [𝑘] = 𝑋̃1 [𝑘]𝑋̃2 [𝑘] (16)
Então:
𝑁−1

𝑥3 [𝑛] = ∑ 𝑥̃1 [𝑚]𝑥̃2 [𝑛 − 𝑚] (17)

𝑚=0

Como esta propriedade é comutativa:

𝑁−1

𝑥3 [𝑛] = ∑ 𝑥̃2 [𝑚]𝑥̃1 [𝑛 − 𝑚] (18)

𝑚=0

Resumindo:
𝑁−1
𝐷𝐹𝑆
∑ 𝑥̃1 [𝑚]𝑥̃2 [𝑛 − 𝑚] ↔ 𝑋̃1 [𝑘]𝑋̃2 [𝑘] (19)
𝑚=0

Tabela 2: Resumo das propriedades da DFS (OPPENHEIM e

SCHAFER, 2012).

6
TEMA 2 – TRANSFORMADA DE FOURIER DE SINAIS PERIÓDICOS
Muitas vezes a DFS de sinais periódicos pode ser representada por uma
DTFT. Por exemplo, seja um sinal periódico 𝑥̃(𝑛), com período N. se
considerarmos somente um periodo desse sinal podemos definir 𝑥(𝑛) como:
𝑥̃[𝑛] 𝑛 = 0, 1, 2, … , 𝑁 − 1
𝑥[𝑛] = { (20)
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
A DTFT é:
N−1 N−1
𝑗⍵ −𝑗⍵𝑛
𝑋(ⅇ ) = ∑ 𝑥[𝑛]ⅇ = ∑ 𝑥̃[𝑛]ⅇ −𝑗⍵𝑛 (21)
𝑛=0 𝑛=0

Como a DFS de 𝑥̃(𝑛) é definida pela equação (8):

𝑋̃[𝑘] = 𝑋(ⅇ 𝑗⍵ )|𝜔=2𝜋𝑘 𝑝𝑎𝑟𝑎 𝑘 = 0, … , 𝑁 − 1 (22)
𝑁

Isto significa que amostras da DTFT definida em N pontos espaçados em

2𝜋
entre 𝜔 = 0 e 2𝜋 compõem a DFS. Este fato está representado na Figura (3).
𝑁

𝑥̃(𝑛)

𝑥(𝑛)

Figura 3: Sequência periódica infinita 𝑥̃[𝑛] e sequência de

comprimento finito 𝑥[𝑛].
A repetição de uma sequência finita 𝑥[𝑛] forma uma sequência periódica
𝑥̃[𝑛]. Por outro lado, uma sequência de comprimento finito 𝑥[𝑛] corresponde a
um período de 𝑥̃[𝑛].
A Figura 4 mostra a relação entre os coeficientes da série e da
transformada de Fourier em um período. Para verificar as equações e figuras aí
mencionadas, consultar o capítulo 8 do livro texto da disciplina.
2.1 Amostragem da DTFT
Na seção anterior foi demonstrado que uma sequência periódica com
período N pode ser produzida a partir de uma sequência de duração finita com
comprimento L≤N, sendo os coeficientes da DFS amostras da DTFT nas
2𝜋
frequências de 𝜔𝑘 = 𝑘.
𝑁

7
 ∞
𝐷𝐹𝑆
𝑥[𝑛] ⇒ 𝑥̃[𝑛] = ∑ 𝑥[𝑛 + 𝑚𝑁] ↔ 𝑋̃(𝑘) = 𝑋(ⅇ 𝑗𝜔 )|𝜔=2𝜋𝑘 (23)
𝑁
𝑚!⋅∞

Fazendo o caminho contrário. Partir de uma DTFT de um sinal qualquer é

possível obter amostras que correspondam aos coeficientes da DFS como
mostra a equação (22). A DTFT seria dada por:
∞
𝑗𝜔
𝑋(ⅇ ) = ∑ 𝑥[𝑚]ⅇ −𝑗𝜔𝑚 (24)
𝑚=−∞

Figura 4: Relação entre a transformada em tempo discreto de Fourier

de um período e os coeficientes de Fourier (OPPENHEIM e
SCHAFER, 2012).
Onde a sequência periódica pode ser calculada com a DFS inversa:
𝑁−1
1
𝑥̃[𝑛] = ∑ 𝑋̃[𝑘]𝑊𝑁−𝑘𝑛
𝑁
𝑘=0
∞
𝑗𝜔
𝑋(ⅇ ) = ∑ 𝑥[𝑚]ⅇ −𝑗𝜔𝑚
𝑚=−∞
𝑁−1
∞
1 2𝜋
𝑥̃[𝑛] = ∑ [ ∑ 𝑥[𝑚]ⅇ −𝑗 𝑁 𝑘𝑚 ] 𝑊𝑁−𝑘𝑛 =
𝑁
𝑚=−∞
𝑘=0

8
 ∞ 𝑁−1
1
𝑥̃[𝑛] = ∑ 𝑥[𝑚] [ ∑ 𝑊𝑁−𝑘(𝑛−𝑚) ] (25)
𝑁
𝑚=−∞ 𝑘=0

Na equação (25) o termo entre colchetes pode ser descrito pela seguinte
equação:
𝑁−1 ∞
1
∑ 𝑊𝑁−𝑘(𝑛−𝑚) = ∑ 𝛿[𝑛 − 𝑚 − 𝑟𝑁] (26)
𝑁
𝑘=0 𝑟=−∞

Substituindo a equação (26) na (25):

∞ ∞

𝑥̃[𝑛] = ∑ 𝑥[𝑚] ∑ 𝛿[𝑛 − 𝑚 − 𝑟𝑁] (27)

𝑚=−∞ 𝑟=−∞
∞ ∞

𝑥̃[𝑛] = 𝑥[𝑛] ∗ ∑ 𝛿[𝑛 − 𝑟𝑁] = ∑ 𝑥[𝑛 − 𝑟𝑁] (28)

𝑟=−∞ 𝑟=−∞

A Figura (5) mostra uma sequência com suas respectivas transformadas.

Figura 5: (a) Sequência original, (b) magnitude da DTFT de um

período, (c) fase da DTFT, (d) coeficientes de amplitude da DFS como
amostras da DTFT, (e) coeficientes de fase da DFS como amostras
da DTFT

9
 Na equação (28) a convolução é aperiódica, o que significa que a
convolução aperiódica de um trem de pulsos unitários periódicos com 𝑥(𝑛)
resulta em uma sequência periódica 𝑥̃(𝑛). Como N é o período da sequência
𝑋̃(𝑘), todos os deslocamentos são múltiplos de N positivos ou negativos. Na
Figura 6 podemos ver os pontos onde 𝑋(𝑧) é amostrada (OPPENHEIM e
SCHAFER, 2012).

Figura 6: Pontos no círculo de raio unitário no plano z onde se obtêm a

sequência periódica 𝑋̃[𝑘](𝑁 = 8) pela amostragem de 𝑋(𝑧).
A Figura 7 mostra uma sequência 𝑥(𝑛) de comprimento 9. Considerando a
equação (28) para N=12, o ponto (b) da Figura 7 mostra que os valores atrasados
de 𝑥[𝑛] não estão superpostos. Caso diferente é o do ponto (c) da Figura 7.
Neste caso, como N=7 as réplicas de 𝑥[𝑛] são superpostas e o período de 𝑥̃[𝑛]
não será igual a 𝑥[𝑛]. Nesta figura podemos ver que a sequência 𝑥[𝑛] pode ser
recuperada a partir da sequência periódica 𝑥̃[𝑛] mostrada na parte (b) da figura,
mas não pode ser recuperada da sequência periódica da parte (c). O ponto (b)
da figura mostra uma sequência que foi amostrada com um espaçamento
adequado, portanto vai ser possível recuperar a mesma. Já o ponto (c) mostra
uma sequência subamostrada o que pode ser considerado como aliasing no
domínio do tempo.
Então, os coeficientes da DFS de uma sequência periódica 𝑥̃[𝑛] obtida pela
soma de réplicas periódicas da sequência aperiódica 𝑥[𝑛] podem ser obtidos
pela amostragem da DTFT de 𝑥[𝑛].
Verificando a equação (20) podemos afirmar que a sequência 𝑥[𝑛] pode
ser recuperada a partir de 𝑥̃[𝑛]:
𝑥̃[𝑛] 0≤𝑛 ≤𝑁−1
𝑥[𝑛] = { (29)
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜

10
 E cada sequência periódica 𝑥̃[𝑛] pode ser associada a uma sequência 𝑥[𝑛]
de comprimento finito N (equação (28)).

Figura 7: (a) Sequência 𝑥[𝑛] de comprimento finito, (b) sequência

periódica 𝑥̃[𝑛] que corresponde à DTFT de 𝑥[𝑛] com N=12, (c)
sequência periódica 𝑥̃[𝑛] que corresponde à DTFT de 𝑥[𝑛] com N=7.
Resumindo:
 Uma sequência periódica 𝑥̃[𝑛] pode ser associada a uma sequência de
comprimento finito 𝑥[𝑛].
 É possível recuperar uma sequência 𝑥[𝑛] a partir de uma sequência
periódica 𝑥̃[𝑛] sempre e quando o comprimento de 𝑥[𝑛] seja menor o igual
a N.

TEMA 3 – TRANSFORMADA DISCRETA DE FOURIER (DFT)

A transformada discreta de Fourier (pela sigla em inglês – Discrete Fourier
Transform) é usada para transformar uma função matemática em outra. A função
original está no domínio do tempo, aplicando a DFT será possível obter a
representação da função no domínio da frequência. A entrada da DFT é uma
sequência discreta com duração finita. A diferença da DTFT, a DFT verifica
somente as componentes de frequência para reconstruir o segmento finito a ser
analisado. Isto significa que vai ser analisado somente um único período de um
sinal periódico, o qual se repete indefinidamente. Caso contrário é necessário
usar uma janela para evitar as faixas indesejáveis do espectro. Da mesma forma,

11
a menos que a entrada seja periódica, a inversa da DFT não pode reproduzir o
sinal em tempo completo. Esta transformada só pode ser realizada com sinais
em tempo discreto de domínio finito e as funções senoidais correspondentes têm
as mesmas propriedades.
Como a entrada da DFT é uma sequência finita de números reais ou
complexos, ela é adequada para processar informação armazenada em meios
digitais, sendo amplamente usada em processamento digital de sinais. Um fato
muito importante é que a DFT pode ser calculada de forma prática e eficiente
usando um algoritmo da transformada rápida de Fourier (FFT – Fast Fourier
Transform).
3.1 Representação de Fourier de sequências de duração finita
Verificando as equações (28) e (29):
∞

𝑥̃[𝑛] = ∑ 𝑥[𝑛 − 𝑟𝑁]

𝑟=−∞

𝑥̃[𝑛] 0≤𝑛≤𝑁−1
𝑥[𝑛] = {
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Muitas vezes, a sequência tendo comprimento 𝑀 ≤ 𝑁, deveremos assumir
que o comprimento da mesma é N sendo que as amotras retantes terão valor
nulo. Na seção anterior temos visto que os coeficientes da DFS de 𝑥̃(𝑛)
correspondem a amostras da DTFT. Não haverá superposição de valores para
diferentes valores de r. reescrevendo a equação (28):

𝑥̃[𝑛] = 𝑥[(𝑛 mod 𝑁)] = 𝑥 [((𝑛))𝑁 ] (30)

Sempre que 𝑥[𝑛] tiver comprimento menor ou igual a N, a equação (3) é

igual à equação (28).
A sequência periódica dos coeficientes da DFS 𝑋̃[𝑘] da sequência periódica
𝑥̃[𝑛] tem periodo N. Agora se considerarmos uma sequência de duração finita
𝑋[𝑘] tal que:
̃
𝑋[𝑘] = {𝑋[𝑘] 0≤𝑘 ≤𝑁−1 (31)
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
𝑋̃[𝑘] = 𝑋[(𝑘 mod 𝑁)] = 𝑋 [((𝑘))𝑁 ] (32)

A DFT 𝑋(𝑘) está relacionada aos coeficientes da DFS (𝑋̃[𝑘]) de cordo com
as equações (31) e (32).
2𝜋
Sendo 𝑊𝑁 = ⅇ −𝑗( 𝑁 )

12
 𝑁−1
𝑘𝑛
𝑋[𝑘] = { ∑ 𝑥[𝑛]𝑊𝑁 0≤𝑘 ≤𝑁−1 (33)
𝑛=0
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
𝑁−1
1 −𝑘𝑛
𝑥[𝑛] = {𝑁 ∑ 𝑋[𝑘]𝑊𝑁 0≤𝑛 ≤𝑁−1 (34)
𝑘=0
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
A forma geral das equações de análise e síntese é:
𝑁−1

𝑋[𝑘] = ∑ 𝑥[𝑛]𝑊𝑁𝑘𝑛 0≤ 𝑘 ≤ 𝑁−1 (35)

𝑛=0
𝑁−1
1
𝑥[𝑛] = ∑ 𝑋[𝑘]𝑊𝑁−𝑘𝑛 0≤𝑛≤𝑁−1 (36)
𝑁
𝑘=0

Sendo que todos os valores fora desse intervalo são iguais a zero. A
relação entre 𝑥(𝑛) e 𝑋(𝑘) poder vir a ser indicada como:
𝐷𝐹𝑇
𝑥[𝑛] ↔ 𝑋[𝑘] (37)
A Figura 8 mostra uma DFT de um pulso retangular (OPPENHEIM e
SCHAFER, 2012).

Figura 8: (a) Sequência finita 𝑥[𝑛], (b) sequência periódica 𝑥̃[𝑛] com N=5, (c)
coeficientes 𝑋̃[𝑘] de 𝑥̃[𝑛] e (d) DFT de 𝑥[𝑛].
13
Na Figura 8 podemos considerar que a sequência 𝑥[𝑛] tem um comprimento
finito 𝑁 ≥ 5. Se considerarmos 𝑁 = 5, la DFS da sequência periódica 𝑥̃[𝑛]
corresponde à DFT de 𝑥[𝑛]. Para 0 ≤ 𝑛 ≤ 4:
4 2𝜋𝑘
1 − ⅇ−𝑗
𝑋̃[𝑘] = ∑ ⅇ −𝑗(2𝜋𝑘∕5)𝑛
=
1 − ⅇ−𝑗(2𝜋𝑘∕5)
𝑛=0 (38)
5 𝑘 = 0, ±5, ±10, …
𝑋̃[𝑘] = {
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Portanto, todos os coeficientes da DFS são nulos exceto em k=0 ou k igual a
múltiplos inteiros de 5. A DFT de 𝑥[𝑛] corresponde a um período de 𝑋̃[𝑘] e é a
mostrada na Figura 8d.

TEMA 4 – PROPRIEDADES DA DFT

Algumas propriedades da DFT são muito importantes para resolução de
problemas e aplicações reais. Por isso é de grande importância conhecer e
compreender estas propriedades para melhor análise dos resultados
(OPPENHEIM e SCHAFER, 1975).
4.1 Linearidade
Considerando duas sequências 𝑥1 [𝑛] e 𝑥2 [𝑛] de comprimento finito 𝑁1 e 𝑁2
respectivamente, se combinadas linearmente gerarão uma sequência 𝑥3 [𝑛] cujo
comprimento 𝑁3 será o maior de 𝑁1 e 𝑁2 . Sendo:
𝑥3 [𝑛] = 𝑎𝑥1 [𝑛] + 𝑏𝑥2 [𝑛] (39)
A DFT de 𝑥3 [𝑛] será:
𝑋3 [𝑘] = 𝑎𝑋1 [𝑘] + 𝑏𝑋2 [𝑘] (40)
Resumindo:
𝐷𝐹𝑇
𝑥1 [𝑛] ↔ 𝑋1 [𝑘]
𝐷𝐹𝑇
𝑥2 [𝑛] ↔ 𝑋2 [𝑘] (41)
𝐷𝐹𝑇
𝑎𝑥1 [𝑛] + 𝑏𝑥2 [𝑛] ↔ 𝑎𝑋1 [𝑘] + 𝑏𝑋2 [𝑘]
Sendo que, o comprimento das sequências será, no mínimo, o
comprimento da maior sequência. No caso de 𝑥1 [𝑛] e 𝑥2 [𝑛], a que tiver
comprimento menor deverá ser acrescida de zeros até atingir o comprimento da
sequência maior.
4.2 Deslocamento circular de uma sequência
2𝜋𝑘
Se multiplicarmos 𝑥[𝑛] por uma fase linear ⅇ −𝑗( )𝑚
𝑁 gerando uma
sequência 𝑥1 [𝑛], para qualquer m inteiro, isso equivale a um deslocamento

14
circular da saída de 𝑋[𝑘] para 𝑋[𝑘 − 𝑚], onde ao subindice se repete
periodicamente.
𝐷𝐹𝑇
𝑥[𝑛] ↔ 𝑋[𝑘]
𝐷𝐹𝑇
𝑥1 [𝑛] ↔ 𝑋1 [𝑘]
𝑋1 [𝑘] = ⅇ−𝑗(2𝜋𝑘∕𝑁)𝑚 𝑋[𝑘] (42)
Como ⅇ −𝑗(2𝜋𝑘∕𝑁)𝑚 é periódica com período N em k e m:
𝑋̃1 [𝑘] = ⅇ−𝑗(2𝜋𝑘⁄𝑁)𝑚 𝑋̃[(𝑘)] (43)
Portanto:

𝑥̃1 [𝑛] = 𝑥 [((𝑛 − 𝑚))𝑁 ] 0≤𝑛 ≤𝑁−1

𝑥1 [𝑛] = { (44)
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜

Figura 9: Deslocamento circular de uma sequência.

4.3 Dualidade
Se:
𝐷𝐹𝑇
𝑥[𝑛] ↔ 𝑋[𝑘]
𝐷𝐹𝑇
𝑋[(𝑛)]↔ 𝑁𝑥 [((−𝑘)) ] 0 ≤ 𝑘 ≤ 𝑁 − 1 (45)
𝑁

4.4 Simetria
As propriedades de simetria da DFT podem ser deduzidas a partir das da
DFS.

15
 𝐷𝐹𝑇
𝑅ⅇ{𝑥[𝑛]} ↔ 𝑋𝑒𝑝 [𝑘] (46)
𝐷𝐹𝑇
𝑗 𝐼𝑚{𝑥[𝑛]} ↔ 𝑋𝑜𝑝 [𝑘] (47)
𝐷𝐹𝑇
𝑥𝑒𝑝 [𝑛] ↔ 𝑅ⅇ{𝑋[𝑘]} (48)
𝐷𝐹𝑇
𝑥𝑜𝑝 [𝑛] ↔ 𝑗𝐼𝑚{𝑋[𝑘]} (49)

4.5 Convolução circular

Considerando duas sequências de duração finita com comprimento N e
suas respectivas DFT, determinaremos uma terceira função finita quando:
𝑋3 [𝑘] = 𝑋1 [𝑘]𝑋2 [𝑘] (50)
Sendo:
𝑁−1

𝑥3 [𝑛] = ∑ 𝑥̃1 [𝑚]𝑥̃2 [𝑛 − 𝑚] 0 ≤ 𝑛 ≤ 𝑁 − 1 (51)

𝑚=0

Trabalhando com a equação:

𝑁−1

𝑥3 [𝑛] = ∑ 𝑥1 [𝑚]𝑥2 [((𝑛 − 𝑚))𝑁 ] 0 ≤ 𝑛 ≤ 𝑁 − 1 (52)

𝑚=0

Esta operação pode ser escrita como:

𝑥3 [𝑛] = 𝑥1 [𝑛] 𝑁 𝑥2 [𝑛] (53)
Ou:
𝑁−1

𝑥3 [𝑛] = ∑ 𝑥2 [𝑚]𝑥1 [((𝑛 − 𝑚))𝑁 ] (54)

𝑚=0

Figura 10: Convolução circular de duas sequências finitas de

comprimento N.

16
 A Tabela 3 mostra um resumo das propriedades da DFT (OPPENHEIM e
SCHAFER, 2012).
Tabela 3: Propriedades da DFT.

TEMA 5 – CONVOLUÇÃO LINEAR

Considerando duas sequências 𝑥1 [𝑛] e 𝑥2 [𝑛] de comprimento finito L e P
respectivamente:
∞

𝑥3 [𝑛] = ∑ 𝑥1 [𝑚]𝑥2 [𝑛 − 𝑚] (55)

𝑛=−∞

O comprimento de 𝑥3 [𝑛] será L+P-1 que é o comprimento máximo da

convolução de 𝑥1 [𝑛] e 𝑥2 [𝑛].
Uma propriedade muito útil é que a convolução circular de duas sequências
finitas de comprimento L e P equivale à convolução linear de duas sequências
de comprimento L+P-1 obtidas adicionando zeros às duas sequências originais
𝑥1 [𝑛] e 𝑥2 [𝑛].

17
 Outra propriedade útil é que podemos realizar a convolução circular e
verificar quantos pontos permanecem iguais aos da convolução linear. Quando
P<L e se realiza uma convolução circular de L pontos, os primeiros pontos P-1
são corrompidos, e os pontos remanescentes de n= P-1 até n=L-1 não são
corrompidos.
5.1 Convolução circular como convolução linear com aliasing
Como foi visto na seção anterior, o comprimento da DFT (convolução
circular) resultante do produto de duas DFTs correspondentes a duas
sequências finitas, depende do comprimento das sequências finitas. Existe uma
relação entre convolução linear e convolução circular em termos de aliasing no
tempo.
Como:
∞

𝑥̃[𝑛] = ∑ 𝑥[𝑛 − 𝑟𝑁] (56)

−∞

Sendo a DFT de um período de 𝑥̃(𝑛) a sequência de comprimento finito:

𝑋(ⅇ𝑗(2𝜋𝑘∕𝑁) ) 0 ≤ 𝑘 ≤ 𝑁 − 1
𝑋[𝑘] = { (57)
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Definindo:
𝑥̃[𝑛] 0≤𝑛 ≤𝑁−1
𝑥𝑝 [𝑛] = { (58)
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
O subíndice p indica que a sequência corresponde a um período de uma
sequência periódica derivada da DFT inversa de uma DTFT amostrada. Se o
comprimento de 𝑥[𝑛] for ≤ N não haverá aliasing no tempo e 𝑥𝑝 [𝑛] = 𝑥[𝑛]. Agora,
se o comprimento de 𝑥[𝑛] for maior do que N 𝑥𝑝 [𝑛] ≠ 𝑥[𝑛] para todos ou alguns
dos valores de n.
A DTFT da equação (55) é:
𝜔
𝑋3 (ⅇ𝑗𝜔 ) = 𝑋1 (ⅇ𝑗𝜔 )𝑋2 (ⅇ𝑗 ) (59)
Definindo a DFT como:
𝑋3 [𝑘] = 𝑋3 (ⅇ𝑗(2𝜋𝑘∕𝑁) ) 0 ≤ 𝑘 ≤ 𝑁 − 1 (60)
𝑋3 [𝑘] = 𝑋1 (ⅇ𝑗(2𝜋𝑘∕𝑁) )𝑋2 (ⅇ𝑗(2𝜋𝑘∕𝑁) ) 0≤𝑘 ≤𝑁−1 (61)
Assim comprovamos que a equação (50) da convolução circular aplica-se
à convolução linear nestas condições:
𝑋3 [𝑘] = 𝑋1 [𝑘]𝑋2 [𝑘] (62)
Portanto a DFT inversa é:

18
 ∞

∑ 𝑥3 [𝑛 − 𝑟𝑁] 0≤𝑛≤𝑁−1
𝑥3𝑝 [𝑛] = { (63)
𝑟=−∞
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
Considerando a equação (62):
𝑥3𝑝 [𝑛] = 𝑥1 [𝑛] 𝑁 𝑥2 [𝑛] (64)
A convolução circular de duas sequências de comprimento finito é
equivalente à convolução linear seguida pelo aliasing no tempo (OPPENHEIM e
SCHAFER, 2012).
Para evitar aliasing no tempo por causa da convolução circular de duas
sequências de comprimento finito N ≥ L+P-1, mas se N = L = P os valores da
sequência da convolução linear podem vir a ser diferentes dos da convolução
circular.
Considerando duas sequências 𝑥1 [𝑛] e 𝑥2 [𝑛] de comprimento finito L e P
respectivamente com P<L (Figura 11 a e b). Considerando uma convolução
circular de N pontos vamos verificar os valores que são iguais na convolução
linear e os que não são. Para achar a convolução circular de L pontos:
∞

𝑥 [𝑛] 𝐿 𝑥2 [𝑛] = ∑ 𝑥3 [𝑛 − 𝑟𝑁] 0≤𝑛 ≤𝐿−1

𝑥3𝑝 [𝑛] = { 1 (65)
𝑟=−∞
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜

19
 Figura 11: Convolução linear de duas sequências 𝑥1 [𝑛] e 𝑥2 [𝑛] de
comprimento finito L e P respectivamente.
Na Figura 12 podemos ver a parcela da equação (65) para r=0, -1 e +1. No
intervalo 0 ≤ 𝑛 ≤ 𝐿 − 1, 𝑥3𝑝 [𝑛] será influenciado somente por 𝑥3 [𝑛] e 𝑥3 [𝑛 + 𝐿].
Se P < L 𝑥3 [𝑛 + 𝐿] sofrerá aliasing em 0 ≤ 𝑛 ≤ 𝐿 − 1. Os últimos (𝑃 – 1)
pontos de 𝑥3 (𝑛 + 𝐿) entre 0 ≤ 𝑛 ≤ 𝑃 − 2 se somam aos primeiros (𝑃 – 1) pontos
de 𝑥3 [𝑛]. Os últimos (𝑃 – 1) pontos de 𝑥3 (𝑛) entre 𝐿 ≤ 𝑛 ≤ 𝐿 + 𝑃 − 2 contribuirão
para o próximo período de 𝑥̃3 [𝑛]. Nesse caso 𝑥3𝑝 [𝑛] em 0 ≤ 𝑛 ≤ 𝐿 − 1. Este é
um processo de convolução circular a partir de convolução linear com aliasing.

Figura 12: Convolução circular interpretada como convolução linear

seguida de aliasing.

20
FINALIZANDO (retomada dos conteúdos examinados na aula)
Nesta Aula estudamos a família de transformadas de Fourier. Falamos
acerca dos quatro elementos que compõem a família de transformadas: em
tempo contínuo a série e a transformada de Fourier, e em tempo discreto a DTFT
e a DFT. Para processar sinais por meios digitais e necessário que os mesmos
estejam em formato digital. Esta sequência de números compõe o sinal discreto
e somente nesse formato pode ser processado digitalmente. Como os
processadores (computadores e DSP) podem processar somente sinais
discretos de comprimentos finitos, isto inviabiliza o uso das DTFT porque para
representar sinais periódicos são necessárias infinitas senoides. Portanto, a
única transformada que pode ser usada na prática é a DFT.
Para finalizar, cabe lembrar que esta rota de estudo é somente um guia, e
que aluno, além de ler este guia de estudos deve estudar pelo livro texto e pelo
material de leitura obrigatória disponibilizado na Aula.
 Capítulo 8: A transformada de Fourier discreta – página 368

REFERÊNCIAS
OPPENHEIM, A. V.; SCHAFER, R. W. Digital Signal Processing. New Jersey:
Prentice-Hall, 1975.
OPPENHEIM, V.; SCHAFER, R. W. Processamento em Tempo Discreto de
Sinais. 3. ed. São Paulo: Pearson Education do Brasil, 2012.
WEI, Z. et al. Single-lead fetal electrocardiogram estimation by means of
combining R-peak detection, resampling and comb filter. Medical Engineering
& Physics, Nanjing, May 2010.

21