Instituto de Tecnologias de Informação e Comunicação – ISNTIC

Curso de Engenharia de Telecomunicações

Regime Regular

PROCESSAMENTO DIGITAL DE SINAIS I

Prof. Adilson Gonçalo

Ano 2022 - 2023

 APRESENTAÇÃO DA CADEIRA

Processamento Digital de Sinais I (PDS I)

Área cientifica:
Dispositivos e Circuitos Electrónicos

Objectivos:
Dotar os alunos de conhecimentos básicos acerca das
principais técnicas de processamento digital de sinais e suas
aplicações em engenharia.

Precedência:
Análise Matemática de Sinais e Sistemas.
PROGRAMA SIMPLIFICADO
REFERÊNCIAS BIBLIOGRÁFICAS
• SMITH, S. W. - The Scientist and Engineer's Guide to Digital Signal Processing; Los
Angeles: California Technical Publishing, 1997.
• MANOLAKIS G. DIMITRIS; VINAY K. IGLES - Applied Digital Signal Processing -
Theory and Practice
• HAYKIN, S.; VEEN, B. V. - Sinais e Sistemas; trad. José Carlos Barbosa dos
Santos; Porto Alegre: Bookman, 2001.
• OPPENHEIM V. ALAN; SCHAFER W. RONALD – Processamento em tempo discreto
de Sinais, 3.ª Ed.
• HWEI P. HSU – Sinais e Sistemas (Coleção Schaum)

Critérios de Avaliação
A avaliação de cada estudante será feita tendo em conta os
seguintes aspectos:
 Comportamento moral em sala de aula
 Assiduidade (frequência, pontualidade, dedicação, cumprimento dos deveres)
 Participação nas aulas teórico/práticas
 Desempenho em práticas de Laboratório
 Desempenho em provas oral/escrita
Capítulo 2:
 Amostragem e quantização de sinais analógicos
2.1. Conceito de amostragem
2.2. Função de amostragem
2.3. Técnicas de amostragem
2.4. Reconstrucao de sinais amostrados
2.5. Aliasing e Teorema da Amostragem
2.6. Processamento em tempo discreto de sinais de tempo contínuo
2.7. Amostragem de sinais de tempo discreto
2.8. Quantização
OBJECTIVO DA AULA:
Depois de estudar este capítulo, os estudantes deverão ser
capazes de:

• Explicar o conceito de amostragem.

• Descrever o processo de amostragem, tanto teórica quanto matematicamente, e a sua

importância nas comunicações electrónicas.

• Determinar o espectro de um sinal de tempo discreto a partir do espectro do sinal de

tempo contínuo original e entender as condições que permitem a reconstrução perfeita
de um sinal de tempo contínuo a partir de suas amostras.

• Compreender como processar sinais de tempo contínuo por amostragem, seguido de

processamento de sinal de tempo discreto e reconstrução do sinal de tempo contínuo
resultante.

• Compreender como as limitações práticas afetam a amostragem e reconstrução de sinais

de tempo contínuo.

• Aplicar a teoria de amostragem a sinais passa-banda de tempo contínuo e sinais de

imagem bidimensionais.
2.1. O conceito de amostragem

De modo geral, o processo de amostragem cconsiste na selecçao ou captação de

determinados elementos de um todo, para representarem o “todo”.

Para que um sinal contínuo seja processado digitalmente, é ncessário que o mesmo seja
amostrado, ou seja, convertido em uma sequência de pulsos que contém a informação de
sua amplitude em instantes específicos determinados pelo intervalo de amostragem.

O processo de amostragem é geralmente, mas não exclusivamente, descrito no domínio do

tempo. Desta forma, ele é uma operação básica ao processamento digital de
sinais e comunicações digitais. Através da utilização do processo de amostragem, um sinal
analógico é convertido em uma sequência correspondente de amostras que são geralmente
uniformemente espaçadas no tempo. Claramente, para este procedimento ter utilidade
prática, é necessário que escolhamos a taxa de amostragem adequadamente, de tal forma
que a sequência de amostrar definam unicamente o sinal analógico original. Esta é a
essência do teorema da amostragem.
2.2. Amostragem periódica ideal de sinais de tempo contínuo

Na forma mais comum de amostragem, conhecida como amostragem periódica ou uniforme,

uma sequência de amostras x[n] é obtida de um sinal de tempo contínuo xc(t) tomando
valores em pontos igualmente espaçados no tempo. A amostragem periódica é definida pela
relação

onde 𝑥(𝑛) é um sinal discreto no tempo, obtido tomando amostras do sinal analógico 𝑥𝑐 𝑡
em cada 𝑇 segundos, sendo T o intervalo de tempo fixo entre amostras ou o período de
amostragem. O recíproco do período de amostragem, 1Τ𝑇 = 𝐹𝑠 é chamado de frequência de
amostragem (quando expressa em ciclos por segundo ou Hz) ou taxa de amostragem
𝑛
(quando expressa em amostras por segundo), com 𝑡 = 𝑛𝑇 = 𝐹
𝑠

Como consequência da expressão acima, existe uma relacão entre a de frequência F (ou Ω)
de sinais analógicos e a frequência f (ou ω ) de sinais discretos no tempo.

O sistema que implementa a operação descrita pela equação acima (o processo de

amostragem ideal) é conhecido como conversor analógico-digital ideal (ADC) ou amostrador
ideal e é representado na abaixo.
Considerando o sinal períodico

a qual, quando é amostrado periodicamente com uma taxa Fs = 1/T amostras por
segundo, dá lugar a

As frequências F e f relacionam-se linearmente como

ou

Esta expressão deriva de 𝐹𝑠 > 2𝐹𝑚𝑎𝑥 , onde, no ponto crítico, 𝐹𝑠 =

2𝐹𝑚𝑎𝑥 , ou seja, a frequência mínima de amostragem igual à
máxima do sinal analógico
Por definição, o termo amostragem ideal significa amostragem instantânea, onde cada
amostra é medida com precisão infinita. A principal diferença entre um ADC ideal e um ADC
prático é o número finito de bits (normalmente 12 ou 16 bits) usados para representar o valor
de cada amostra.

No campo do processamento de sinais, a amostragem é, portanto, a discretização de um

sinal no tempo ou o processo de passagem de um sinal analógico para sinal de tempo
discreto.

A amostragem pode ser considerada como multiplicação de um sinal de tempo contínuo g(t)
com um treim de pulsos unitários p(t).

Este processo é conhecido como

amostragem por trem de impulsos
Agora surge a pergunta: as amostras x[n] são suficientes para descrever
exclusivamente o sinal original de tempo contínuo? Em caso afirmativo, como xc(t) (o
sinal contínuo) pode ser reconstruído a partir de x[n]?

O exemplo da figura acima mostra que um número infinito de sinais pode gerar o
mesmo conjunto de amostras. Em outras palavras, as amostras não nos dizem nada
sobre os valores do sinal entre os tempos de amostragem. A única maneira de
determinar esses valores é colocando algumas restrições no comportamento do sinal
de tempo contínuo. A resposta para essas questões está no domínio da frequência,
ou seja, na relação entre os espectros de xc(t) e x[n]. A entrada para o ADC ideal é
um sinal de tempo contínuo que é representado matematicamente por uma função de
tempo, xc(t), onde t é uma variável contínua. O sinal xc(t) e seu espectro Xc(jΩ) são
exclusivamente relacionados pelo seguinte par CTFT (Continuous-Time Fourier
Transform)
O sinal de tempo discreto na saída do ADC ideal é representado matematicamente
por uma sequência indexada x[n] de números. A sequência x[n] e seu espectro
periódico 𝑋(𝑒 𝑗𝜔 ) são exclusivamente relacionados pelo seguinte par DTFT
(Discrete-Time Fourier Transform)
 A reconstrução do sinal a partir das amostras é comumente feita usando interpolação.
Existem várias técnicas de interpolação.

Uma questão: Podemos falar de

amostragem de sinais discretos?
Dito de outro modo: os sinais
discretos podem ser amostrados?

No sentido mais amplo da palavra,

sim, um sinal discreto também pode
ser amostrado, como mostra a figura
ao lado. Amostragem de um sinal no
tempo é captar amostra desse sinal
em tempos isolados. Podemos,
portanto, para qualquer sinal, tirar
amostras.

Deste processo, vários resultados e

aplicações importantes podem ser
obtidos.
Como x[n] e xc(t) estão relacionados por pela definição matemáica de
amostragem, deve existir uma relação equivalente entre 𝑋(𝑒 𝑗𝜔 ) e Xc(jΩ).
Encontrar essa relação, que é a representação no domínio da frequência da
amostragem periódica, requer primeiro o estabelecimento de uma relação entre as
variáveis de frequência ω e Ω. Para tanto, substituindo t por t = nT em (6.3)
obtemos
Sob certas condições, um sinal de tempo contínuo pode ser completamente
representado por seus valores (amostras) igualmente espaçadas no tempo. É
assim graças ao teorema da amostragem.

Nota: Para que a representação de um sinal específico pelas suas amostras seja
possível, é necessário que se obedeçam certas condições, pois existem infinitos
sinais que podem gerar determinada sequência de amostra. Na ausência dessas
condições, não seria possível a reconstrução.

O período de tempo T entre os pulsos unitários no trem de pulso é chamado de

período de amostragem. Na maioria dos casos, esse período é constante,
resultando em “amostragem equidistante”. Na maioria dos sistemas atuais, é
comum usar um ou mais períodos de amostragem constantes. O período de
amostragem T está relacionado com a taxa de amostragem ou frequência de
amostragem f pela expressão

O período de amostragem não precisa ser constante.

O vídeo é um exemplo de amostragem. Na realidade não são imagens
contínuas. A nossa mente faz a reconstrução. Quanto maior a frequência de
tiragem (mais amostras por segundo), maior a precisão.

Quais as condições que devem ser observadas no processo

de amostragem para que seja possível a reconstrução?

Se um sinal for limitado em banda, ou seja, se sua transformada de Fourier for

nula fora de um intervalo finito de frequências, e se as amostras forem tomadas
suficientemente próximas em relação à frequência mais alta presente no sinal,
então as amostras representam unicamente tal sinal, e tal pode ser
perfeitamente reconstruído. Isto traduz o teorema da amostragem, que será
enunciado nas próximas páginas.
Dado qualquer sinal analógico, como podemos selecionar o período de
amostragem 𝑻 ou, equivalentemente, a frequência de amostragem 𝑭𝒔 ? Para
responder a essa pergunta, precisamos ter algumas informações sobre as
características do sinal a ser amostrado. Especificamente, precisamos saber
informações gerais sobre o conteúdo de frequência do sinal. Essas informações
estarão normalmente disponíveis. Por exemplo, sabemos que os principais
componentes de frequência de um sinal de fala estão abaixo de 3000 Hz.
Por outro lado, os sinais de televisão geralmente contêm componentes de
frequência significativos até 5 MHz. A informação contida em tais sinais está nas
amplitudes, frequências e fases dos vários componentes de frequência, mas as
informações detalhadas das características de tais sinais não estarão disponíveis
para nós antes de obter os sinais. Na verdade, o objetivo do processamento de
sinal é extrair essas informações detalhadas. No entanto, se conhecemos a
frequência máxima da classe geral de sinais (por exemplo, a classe de sinais de
vídeo, etc.), podemos especificar a frequência de amostragem necessária para
converter sinais analógicos em sinais digitais.
Suponha que qualquer sinal analógico possa ser representado como uma soma de
senoides de diferentes amplitudes, frequências e fases, ou seja,

onde 𝑵 indica o número de componentes de frequência. Todos os sinais, como voz

e vídeo, se prestam a essa representação em qualquer pequeno intervalo de
tempo. Normalmente, as amplitudes, frequências e fases variam lentamente com o
tempo de um intervalo para outro. No entanto, suponha que as frequências não
excedam uma certa frequência conhecida, que podemos chamar de 𝑭𝒎𝒂𝒙 . Por
exemplo, 𝑭𝒎𝒂𝒙 = 𝟑𝟎𝟎𝟎 𝑯𝒛 para sinais de voz e 𝑭𝒎𝒂𝒙 = 𝟓 𝑴𝑯𝒛 para sinais de
televisão. Como a frequência máxima pode variar ligeiramente dentro da mesma
classe de sinais (por exemplo, o sinal de fala de dois alto-falantes diferentes),
podemos querer garantir que 𝑭𝒎𝒂𝒙 não exceda um valor predeterminado ao passar
o sinal analógico por um filtro. atenua os componentes de frequência acima de
𝑭𝒎𝒂𝒙 . Dessa forma, podemos ter certeza de que nenhum sinal conterá
componentes de frequência (com potência ou amplitude significativa) acima de
𝑭𝒎𝒂𝒙 . Na prática, esse processo de filtragem geralmente é realizado antes da
amostragem.
Conhecendo 𝑭𝒎𝒂𝒙 , podemos selecionar a frequência de amostragem apropriada.
Sabemos que a frequência mais alta de um sinal analógico que pode ser
inequivocamente reconstruída quando o sinal é amostrado em uma frequência
𝑭𝒔 = 𝟏/𝑻 é 𝐹𝑠/2. Qualquer frequência acima de 𝑭𝒔/𝟐 ou abaixo de −𝑭𝒔/𝟐 produz
amostras que são idênticas às frequências correspondentes dentro do intervalo
− 𝑭𝒔/𝟐 ≤ 𝑭 ≤ 𝑭𝒔/𝟐 . Para evitar ambiguidades devido ao aliasing, temos que
escolher uma taxa de amostragem que seja alta o suficiente. Ou seja, você deve
selecionar 𝑭𝒔/𝟐 para que seja maior que 𝑭𝒎𝒂𝒙 . Portanto, para evitar o problema de
aliasing, 𝐹𝑠 é selecionado de modo que

onde 𝑭𝒎𝒂𝒙 é a componente de frequência mais alta do sinal analógico.

Selecionando assim a taxa de amostragem, qualquer componente de frequência,
ou seja, |𝑭𝒊 | < 𝑭𝒎𝒂𝒙, do sinal analógico corresponde a uma senóide discreta no
tempo com uma frequência de

ou, o que é equivalente,

Desde |𝒇| = 𝟏/𝟐 ou |𝝎| = 𝝅 é a frequência mais alta (única) de um sinal discreto no
tempo, escolher a frequência de amostragem de acordo com (1.4.19) evita o
problema de aliasing. Em outras palavras, a condição 𝑭𝒔 > 𝟐𝑭𝒎𝒂𝒙 garante que todas
as componentes senoidais do sinal analógico correspondam às componentes de
tempo discreto com frequências incluídas no intervalo fundamental. Portanto, todos
os componentes de frequência do sinal analógico são representados em forma de
amostra inequívoca e, consequentemente, o sinal analógico pode ser reconstruído
sem distorção dos valores de amostra, usando o método “apropriado” de interpolação
(conversão digital para analógico). A fórmula de interpolação “adequada” ou ideal é
especificada pelo teorema da amostragem.
Teorema da amostragem. Se a frequência mais alta contida em um sinal analógico
𝒙𝒂 (𝒕) for 𝑭𝒎𝒂𝒙 = 𝑩 e o sinal for amostrado em uma frequência 𝑭𝒔 > 𝟐𝑭𝒎𝒂𝒙 ≡ 𝟐𝑩,
então 𝒙𝒂 (𝒕) pode ser recuperado exatamente dos valores de suas amostras usando o
método seguinte função de interpolação:
Então, 𝒙𝒂 (𝒕) pode ser expresso como

onde 𝒙𝒂 (𝒏/𝑭𝒔) = 𝒙𝒂 (𝒏𝑻) ≡ 𝒙(𝒏) são as amostras de 𝒙𝒂 (𝒕).

Quando 𝒙𝒂 (𝒕) é amostrado na frequência mínima de amostragem 𝑭𝒔 = 𝟐𝑩, a

fórmula de reconstrução (1.4.23) torna-se
A frequência de amostragem 𝑭𝑵 = 𝟐𝑩 = 𝟐𝑭𝒎𝒂𝒙 é chamada de frequência de
Nyquist. A Figura 1.4.6 ilustra o processo de conversão D/A ideal usando a função
de interpolação dada por (1.4.22).

Como podemos ver em (1.4.23) ou (1.4.24), a reconstrução de 𝒙𝒂 (𝒕) a partir da

sequência 𝒙(𝒏) é um processo complicado, envolvendo uma soma ponderada da
função de interpolação 𝒈(𝒕)e suas versões deslocadas no tempo 𝒈(𝒕 − 𝒏𝑻) para
− ∞ < 𝒏 < ∞ onde os pesos são as amostras de 𝒙(𝒏). Devido à complexidade e ao
número infinito de amostras necessárias em (1.4.23) ou (1.4.24), essas fórmulas de
reconstrução são principalmente de interesse teórico.

O processo de amostragem implica redução de conhecimento. Para o sinal de

tempo contínuo, sabemos o valor do sinal a cada instante de tempo, mas para a
versão da amostra (o sinal discreto no tempo) sabemos apenas o valor em pontos
específicos no tempo. Se quisermos reconstruir o sinal original de tempo contínuo a
partir da versão amostrada discreta no tempo, temos que fazer interpolações mais
ou menos qualificadas dos valores entre os pontos de amostragem. Se nossos
valores interpolados diferirem do sinal verdadeiro, introduzimos a distorção em
nosso sinal reconstruído.
Quando as condições impostas pelo teorema da amostragem não são observada,
ou seja, se 𝑤𝑠 < 2𝑤𝑀 (sendo 𝑤𝑠 a frequência de amostragem, e 𝑤𝑀 a frequência
máxima do sinal analógico) acontece o efeito conhecido como aliasing, que é o
efeito de sobreposição entre componentes de frequência do sinal, um efeito de
distorção do sinal.

O que é então o aliasing?

Pense na roda do carro em movimento. Quando a frequência de rotação da rota é

muito alta (maior que a frequência de captação da mente), nós vemos a mesma
imagem, como se a roda estivesse parada. Pense também na lâmpada
incandescente. Não vemos ela a acender e apagar porque oscila muito rápido.

Aliasing é, portanto, a distorção de um sinal devido à sobreposição entre

componentes do mesmo. Para evitar a distorção de aliasing no sinal amostrado, é
imperativo que a largura de banda do sinal original contínuo de tempo sendo
amostrado seja menor que a metade da frequência de amostragem (também
chamada de frequência de Nyquist).
Na prática, para evitar a distorção por aliasing, o dispositivo de amostragem é
sempre precedido por algum tipo de filtro passa-baixo (filtro antialiasing) para
reduzir a largura de banda do sinal de entrada. Este sinal é muitas vezes bastante
complicado e pode conter um grande número de componentes de frequência.

Como é impossível construir filtros perfeitos, existe o risco de componentes de

frequência muito alta vazarem para o amostrador, causando distorção de aliasing.
Também precisamos estar cientes de que a interferência de alta freqüência pode de
alguma forma entrar no caminho do sinal após o filtro passa-baixa, e podemos
experimentar distorção de aliasing mesmo que o filtro seja adequado.
 Em geral, a amostragem de um sinal senoidal contínuo no tempo

a uma frequência de amostragem de 𝑭𝒔 = 𝟏/𝑻 gera um sinal discreto no tempo

onde 𝒇𝟎 = 𝑭𝟎 /𝑭𝒔 é a frequência relativa da senóide. Se assumirmos que −𝑭𝒔 /𝟐 ≤

𝑭𝟎 ≤ 𝑭𝒔 /𝟐, a frequência f0 de 𝒙(𝒏) está no intervalo −𝟏/𝟐 ≤ 𝒇𝟎 ≤ 𝟏/𝟐 , que é o
intervalo de frequências para sinais de tempo discreto. Nesse caso, a relação entre
𝑭𝟎 e 𝒇𝟎 é uma relação de um para um e, portanto, é possível identificar (ou
reconstruir) o sinal analógico 𝒙𝒂 (𝒕) a partir das amostras 𝒙(𝒏).
Por outro lado, se as sinusóides

onde
são amostrados na frequência 𝑭𝒔 , fica claro que a frequência 𝑭𝒌 não pertence à
faixa da frequência fundamental −𝑭𝒔 /𝟐 ≤ 𝑭 ≤ 𝑭𝒔 /𝟐. Consequentemente, o sinal
amostrado é

que é idêntico ao sinal de tempo discreto dado pela expressão (1.4.15) obtido por
amostragem (1.4.14). Assim, um número infinito de senoides contínuas no tempo é
representado pela amostragem do mesmo sinal discreto no tempo (ou seja, o
mesmo conjunto de amostras). Consequentemente, dada a sequência 𝒙(𝒏), não é
possível representar o sinal contínuo no tempo 𝒙𝒂 (𝒕) a partir desses valores. Ou o
que é o mesmo, podemos dizer que as frequências 𝑭𝒌 = 𝑭𝟎 + 𝒌𝑭𝒔 , −∞ < 𝒌 <
∞ (𝒌 𝒊𝒏𝒕𝒆𝒊𝒓𝒐) são indistinguíveis da frequência 𝑭𝟎 após a amostragem e, portanto,
são aliases de 𝑭𝟎 .
Um exemplo de aliasing é ilustrado na Figura 1.4.5, em que duas senoides de frequências
𝟏 𝟕
𝑭𝟎 = 𝟖 𝑯𝒛 e 𝑭𝟏 = − 8 𝑯𝒛 produzem amostras idênticas quando a frequência de amostragem
é 𝑭𝒔 = 𝟏 𝑯𝒛. De ( 1.4.17) segue facilmente que para 𝒌 = −𝟏, 𝑭𝟎 = 𝑭𝟏 + 𝑭𝒔 = (−𝟕/𝟖 +
𝟏) 𝑯𝒛 = 𝟏/𝟖 𝑯𝒛.
Como 𝑭𝒔 /𝟐, que corresponde a 𝝎 = 𝝅, é a frequência mais alta que pode ser exclusivamente
por uma frequência de amostragem 𝑭𝒔 , é fácil determirepresentadanar a correspondência de
qualquer frequência

(alias) acima de 𝑭𝒔 /𝟐 (𝝎 = 𝝅) com a frequência equivalente abaixo de 𝑭𝒔 /𝟐. Podemos usar

𝑭𝒔 /𝟐 ou (𝝎 = 𝝅) como o ponto de pivô e refletir a frequência com alias no intervalo 𝟎 ≤ 𝝎 ≤
𝝅. Como o pivô ou ponto de sobreposição é 𝑭𝒔 /𝟐 (𝝎 = 𝝅), a frequência 𝑭𝒔 /𝟐 (𝝎 = 𝝅) é
chamada de frequência de sobreposição.
Exercícios:
1. Determine quais das seguintes senoides são periódicas e calcule seu período
fundamental.

2. Determine se os seguintes sinais são periódicos. Em caso afirmativo,

especifique a sua frequência fundamental.
Exercícios:
3. Considere o sinal analógico 𝑥𝑎 (𝑡) = 3cos 100𝜋𝑡

(a) Determine a frequência mínima de amostragem necessária para evitar o

aliasing.

(b) Suponha que o sinal é amostrado à frequência 𝐹𝑠 = 200 𝐻𝑧. Que sinal discreto
no tempo é obtido por amostragem?

(c) Suponha que o sinal é amostrado à frequência 𝐹𝑠 = 75 𝐻𝑧. Que sinal discreto no
tempo é obtido na amostragem?

(d) Qual é a frequência 0 < 𝐹 < 𝐹𝑠/2 de uma senoide que produz amostras
idênticas às obtidas no caso (c)?
4. Considere o seguinte sinal analógico sinusoidal:

(a) Faça um gráfico do sinal x a(t) para 0 ≤ t ≤ 30 ms.

(b) O sinal 𝒙𝒂 (𝒕) é amostrado com uma taxa de amostragem de Fs = 300

amostras/s. Determinar a frequência do sinal discreto no tempo 𝑥(𝑛) = 𝒙𝒂 (𝒏𝑻), T =
1/Fs, e mostre que é periódico

(c) Calcule os valores das amostras em um período de x(n). Plote x(n) no mesmo
gráfico que 𝒙𝒂 (𝒕). Qual é o período do sinal discreto no tempo em milissegundos?

(d) Você pode encontrar uma frequência de amostragem Fs tal que o sinal x(n)
alcance seu valor máximo em 3? Qual é a frequência mínima Fs aceitável para esta
tarefa?
5. Um sinal analógico contém frequências de até 10 kHz.

(a) Qual é a faixa de frequências de amostragem que permite a reconstrução exata

desse sinal a partir de suas amostras?

(b) Suponha que amostramos esse sinal em uma frequência de amostragem Fs = 8

kHz. Examine o que acontece com a frequência F1 = 5 kHz.

(c) Repita a parte (b) para uma frequência F2 = 9 kHz.

6. Um sinal analógico de eletrocardiograma (ECG) contém frequências úteis de até

100 Hz.

(a) Qual é a frequência de Nyquist desse sinal?

(b) Suponha que amostramos esse sinal a uma taxa de 250 amostras/s. Qual é a
frequência mais alta que pode ser representada exclusivamente para essa taxa de
amostragem?
7. Um sinal analógico 𝑥𝑎 (𝑡) = sin(480𝜋𝑡) + 3 sin(720𝜋𝑡) é amostrado 600 vezes por
segundo.

(a) Determine a frequência de amostragem de 𝑥𝑎 (𝑡).

(b) Determine a frequência de sobreposição.
(c) Quais são as frequências, em radianos, do sinal discreto no tempo resultante
x(n)?

8. Considere o seguinte sinal analógico 𝑥𝑎 𝑡 = 3 cos 50𝜋𝑡 + 10𝑠𝑒𝑛 300𝜋𝑡 −

cos 100𝜋𝑡 . Qual é a frequência de Nyquist para este sinal?

9. Considere o seguinte sinal analógico 𝑥𝑎 𝑡 = 3 cos 2000𝜋𝑡 + 5 sin 6000𝜋𝑡 +

10cos(12.000𝜋𝑡)

(a) Qual é a frequência de Nyquist para este sinal?

(b) Suponha que este sinal seja amostrado usando uma taxa de amostragem de Fs
= 5000 amostras/s. Como o sinal discreto no tempo é obtido após a amostragem?

(c) Como o sinal analógico 𝑥𝑎 𝑡 é reconstruído a partir das amostras se a

interpolação ideal for usada?
QUANTIZAÇÃO

Um sinal digital é uma sequência de números (mostra) onde cada

número está representado por um número finito de dígitos (precisão
finita).

Quantização é o processo de conversão de um sinal discreto no

tempo com amplitude contínua em um sinal digital expressando cada
valor de amostra como um número finito (no lugar de infinito) de
dígitos.

O processo de quantização converte um sinal contínuo em amplitude

em um sinal de amplitude discreta.

A quantização pode ser pensada como classificando o nível do sinal

de valor contínuo em certas bandas. Na maioria dos casos, essas
bandas são igualmente espaçadas em um determinado intervalo e o
espaçamento não-linear indesejado das faixas pode causar distorção
harmónica. Cada banda recebe um código ou valor numérico.
O ADC é o dispositivo no qual ocorre a quantização e a codificação binária do
sinal amostrado.

A função básica de um quantizador é definir eletronicamente uma faixa de valores

de entrada, subdividir esse intervalo em um conjunto de sub-regiões e, em
seguida, decidir dentro de qual sub-região a amostra de entrada está.

O codificador gera a palavra binária correspondente ao atribuído nível.

Um quantizador uniforme é aquele que divide a faixa de amplitude de entrada em

K intervalos de quantização de largura igual (passo de quantização) e os níveis
de saída são uniformemente espaçados.

Como todos os valores dentro de cada intervalo de quantização são

representados por um valor único, a quantização sempre resulta em perda de
informação.
O erro introduzido ao representar o sinal contínuo por
um conjunto finito de níveis discretos o erro (ou ruído) de
quantização.

À operacão de quantização das amostras 𝑥(𝑛)

denotamos por 𝑄[𝑥(𝑛)] e empregamos 𝑥𝑞 𝑛 para
indicar a sequência das amostras quantizadas à saída
do quantizador. Então,

O erro de quantização é uma sequência 𝑒𝑞 (𝑛) definida

como a diferencia entre o valor quantizado e o valor da
amostra real.
Exemplo:

Consideremos o sinal discreto no tempo

obtido por amostragem do sinal analógico exponencial

𝑥𝑎 𝑡 = 0.9𝑡, 𝑡 ≥ 0 a uma frequência de amostragem 𝐹𝑠 =
1𝐻𝑧

Se cada valor deve ser representado por apenas um dígito

significativo, o resto deve ser eliminado. Para eliminá-los,
podemos simplementemente descartá-los (truncamento)
ou descartá-los arredondando o número resultante
(arredondamento).
Os valores permitidos no sinal digital são os níveis de
quantização, e a distância Δ entre dois níveis de
quantização sucessivos define o tamanho da escala (ou
passo) de quantização (ou resolução). O quantizador por
arredondamento associa cada amostra de x(n) ao nível de
quantização mais próximo, ao passo que, um quantizador
por truncamento associa cada amostra de x(n) ao nível de
quantização imediatamente inferior. O erro de quantização
𝑒𝑞 (𝑛) por arredondamento limita-se entre −Δ/2 e Δ/2,
 O erro de quantização 𝑒𝑞 (𝑛) por arredondamento limita-
se entre −Δ/2 e Δ/2,

Onde L é o número de níveis de quantização, e m o número

de bits usados no ADC para codificar cada amostra, usado.

designa-se faixa dinámica do sinal.

𝒙 − 𝒙𝒎𝒊𝒏
𝒊 = 𝒂𝒓𝒓𝒆𝒅𝒐𝒏𝒅𝒂𝒓
∆

𝒙𝒒 é um nível de quantização, e 𝒊 é o índice correspondente ao có

Alguns autores consideram a quantização da forma
indicada na figura, em que cada valor de amplitude
amostrado é aproximado ao ponto médio do intervalo
(banda), no qual está contido.

Neste caso, o passo (escala ou degrau) de

quantização é