EA614 - Análise de Sinais

Tópico 7 - Amostragem

Levy Boccato
Renan Del Buono Brotto

25 de outubro de 2023
Conteúdo
1 Introdução 2

2 Amostragem Ideal 2
2.1 Teorema da Amostragem (Nyquist-Shannon) . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Processo de Reconstrução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

3 Resumo da Amostragem Ideal e Processamento Digital de Sinais 7

3.1 Filtros Discretos no Tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Exercı́cio de fixação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

4 Perspectivas Mais Realistas de Amostragem 11

4.1 Filtro Anti-Aliasing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.2 Segurador de Ordem Zero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.3 Superamostragem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

EA614 - Análise de Sinais 1 2023

1 Introdução
Neste tópico, vamos abordar um dos conceitos mais importantes para o tratamento de sinais reais
(analógicos) por meio de sistemas de computação digital (discretos): o processo de amostragem. Inici-
almente, veremos uma abordagem idealizada desse processo, a qual se mostra pertinente por facilitar a
análise das consequências da amostragem e as condições necessárias para a reconstrução do sinal. Pos-
teriormente, entenderemos como o processo empregado na prática pode ser descrito com naturalidade
usando os resultados da amostragem ideal como base.

2 Amostragem Ideal
x(t) p(t) xa (t) = x(t)p(t)

× =

t t t
−2Ts −Ts 0 Ts 2Ts −2Ts −Ts 0 Ts 2Ts −2Ts −Ts 0 Ts 2Ts

Esta forma de amostragem realiza o produto de x(t) por um trem de impulsos (função pente),
fornecendo como resultado um sinal “periódico” com impulsos cujas áreas correspondem às amplitudes
de x(t) nos instantes de amostragem.
" ∞ # ∞
X X
xa (t) = x(t) δ(t − kTs ) = x(kTs )δ(t − kTs )
k=−∞ k=−∞

Passando para o domı́nio da frequência:

1 
Xa (jω) = X(jω) ∗ F{p(t)}
2π
Ora, no tópico anterior, vimos que a transformada de Fourier do trem de impulsos é
∞
2π X
P (jω) = δ(ω − kωs ), ωs = 2π/Ts .
Ts k=−∞

Então,
 ∞ 
1 2π X
Xa (jω) = X(jω) ∗ δ(ω − kωs )
2π Ts k=−∞

Dado que h(t) ∗ δ(t − t0 ) = h(t − t0 ), concluı́mos que:

∞
1 X

Xa (jω) = X j(ω − kωs ) (1)
Ts k=−∞

EA614 - Análise de Sinais 2 2023

 X(jω)

ω
−ωm 0 ωm

Amostragem Ideal

Xa (jω)

1/Ts
··· k = −1 k=0 k=1 ···

ω
−ωs −ωm 0 ωm ωs − ωm ωs

Note que:

• Xa (jω) é periódico com perı́odo ωs = 2π/Ts ;

• quanto menor o valor de Ts , mais próximas entre si estarão as amostras no tempo e mais espaçadas
as réplicas do espectro de x(t) na frequência. No limite de Ts → 0, o sinal amostrado será o próprio
sinal contı́nuo.

A partir do sinal amostrado xa (t), é possı́vel recuperar, sem perdas, o sinal completo x(t) aplicando
um filtro passa-baixas ideal sobre xa (t), o qual irá capturar a componente espectral centrada em ω = 0
e eliminar as demais réplicas.

Xa (jω)
Ts
FPB ideal
1/Ts
··· ···

ω
−ωs −ωm 0 ωm ωs

EA614 - Análise de Sinais 3 2023

 X(jω)

ω
−ωm 0 ωm

Amostrador FPB
Ts
x(t) xa (t) ... x(t)
−ωs /2 ωs /2

A recuperação do sinal original só é possı́vel se as componentes espectrais em Xa (jω) não estiverem
sobrepostas. O fenômeno denominado aliasing ocorre se o tempo entre amostras for muito grande, ou
seja, se a frequência de amostragem ωs for pequena em comparação com a velocidade de variação do
sinal (i.e., em relação a ωm ).
Para evitar aliasing, a condição a ser respeitada é que ωs − ωm > ωm .
(
ωs = 2ωm
Taxa de Nyquist:
Ts = π/ωm
O sinal xa (t) ainda é analógico (tempo contı́nuo). Podemos, porém, trazer as amostras coletadas
para o contexto discreto construindo a sequência:

x[n] = x(nTs ), n ∈ Z

∞
X
xa (t) = x(nTs )δ(t − nTs )
n=−∞

Aplicando a transformada de Fourier:

∞
X ∞
X
Xa (jω) = x(nTs )F{δ(t − nTs )} = x(nTs )e−jωTs n
n=−∞ n=−∞

Fazendo a seguinte mudança de notação:

x(nTs ) = x[n], ωTs = Ω e Xa (jω) = X(ejΩ )

obtemos
∞
X
jΩ
X(e ) = x[n]e−jΩn (2)
n=−∞

Esta é a famosa expressão da Transformada de Fourier de Sinais Discretos.

Comentários:

EA614 - Análise de Sinais 4 2023

 • Percebemos que F{x[n]} = ∞ −jΩn
P
n=−∞ x[n]e é, na verdade, um caso particular da transformada
de Fourier que estudamos no contexto de sinais contı́nuos. Isto ocorre porque X(ejΩ ) surge a
partir da transformada de um sinal formado por impulsos cujas áreas são as amostras de x(t)
(portanto, ele é discreto no tempo). Sendo assim, o resultado obtido, denotado por X(ejΩ ), é um
espectro usual de Fourier, de modo que todas as propriedades estudadas anteriormente para F{·}
são válidas para a transformada de Fourier de sinais discretos.

• A variável Ω é igual à frequência em radianos por segundo normalizada pelo intervalo (perı́odo
de amostragem) Ts . Ela é dada em radianos ou, conforme sugerido por alguns autores, radia-
nos/amostra.

Relação entre os eixos de frequência

X(jω) Xa (jω) X(ejΩ )

ω ω Ω
0 −ωs ωm ωs −2π ωm Ts 2π

ω = 2πf
Ω = ωTs

f (Hz)
1 0 1
−
Ts Ts

ω (rad/s)
2π 0 2π
−
Ts Ts

Ω (rad)
−2π 0 2π

Observamos o surgimento de réplicas espectrais e de um espectro periódico por conta do processo de

amostragem; isto nos levou a um espectro (discreto) periódico (X(ejΩ )), fato já esperado por conta da
ambiguidade de frequências e da periodicidade de ejΩn em Ω (perı́odo 2π).

2.1 Teorema da Amostragem (Nyquist-Shannon)

Seja x(t) um sinal a tempo contı́nuo e limitado em banda com X(jω) = 0 para |ω| ≥ ωm . Então,
x(t) é única e perfeitamente representado por suas amostras x[n] = x(nTs ), n = 0, ±1, ±2, · · · , desde
que ωs = 2π/Ts > 2ωm .

Por quê estritamente maior ?

EA614 - Análise de Sinais 5 2023

 Amostrador
x1 (t) x1 [n]
Ts
x2 (t) x2 [n]


x1 (t) = cos 2π(fs /2)t + θ . Amostrando com ωs = 2πfs :


x1 [n] = cos 2π(fs /2)n/fs + θ = cos(πn + θ) = cos(πn). cos(θ)


x2 (t) = cos 2π(fs /2)t . cos(θ). Amostrando com ωs = 2πfs :


x2 [n] = cos 2π(fs /2)n/fs . cos(θ) = cos(πn). cos(θ)
Ora, x1 (t) 6= x2 (t), mas x1 [n] = x2 [n]. Portanto não sabemos dizer qual sinal analógico (x1 (t)
ou x2 (t), ambos com frequência fs /2), gerou o sinal discreto. Isto demonstra que fs /2 não é bem
representada na amostragem.

2.2 Processo de Reconstrução

Vamos olhar com mais calma para a reconstrução de x(t) a partir da sequência de amostras x[n].
Como ωs > 2ωm , necessariamente ωm < ωs /2. Sendo assim, não há ocorrência de aliasing e um FPB
ideal com frequência de corte igual a ωs /2 garante a recuperação, pois em sua faixa de passagem haverá
apenas uma componente sem distorções proporcional a X(jω).
Xa (jω)
HFPB (jω)
Ts
1/Ts
··· ···

ω
ωs −ωm ωm ωs
−
2 2

Mas o que a filtragem passa-baixas realiza no domı́nio do tempo?

xr (t) = xa (t) ∗ hFPB (t),

onde

sen(ωs t/2)
hFPB (t) = F −1 {HFPB (jω)} = .
ωs t/2
Sendo assim,

xr (t) = xa (t) ∗ hFPB (t)

∞
X
= x[k]δ(t − kTs ) ∗ hFPB (t)
k=−∞
∞
X (3)
= x[k]hFPB (t − kTs )
k=−∞
∞
X sen(ωs (t − kTs )/2)
= x[k] , ∀t ∈ R, ωs = 2π/Ts .
k=−∞
ωs (t − kTs )/2

EA614 - Análise de Sinais 6 2023

 Nos instantes t = nTs , n inteiro,
(
sen(ωs (nTs − kTs )/2) sen(ωs mTs /2) sen(πm) 1, caso m = 0
hFPB (t − kTs ) = = = = ,
ωs (nTs − kTs )/2 ωs mTs /2 πm 0, caso m 6= 0

para m = n − k. P
∞
Como xr (t) = k=−∞ x[k]hFPB (t − kTs ) (convolução), concluı́mos que nos instantes t = nTs ,
xr (nTs ) = x[n] (as demais amostras da sequência x[n] não interferem, pois hFPB (kTs ) é zero para
k 6= 0). Ou seja, o sinal que reconstruı́mos de acordo a fórmula de interpolação possui exatamente os
mesmos valores que o sinal contı́nuo original nos instantes de amostragem (e isso independe do perı́odo
de amostragem). Além disso, com as garantias dadas pelo teorema da amostragem, a interpolação
realizada em (3) é perfeita.

3 Resumo da Amostragem Ideal e Processamento Digital de

Sinais

C/D D/C
p(t)
x(t) Conversão p/ x[n] Conversão p/ y(t)
× h[n], H(ejΩ ) trem de FPB
X(jω), ωm xa (t) Sequência Y (jω)
Impulsos

Figura A - Esquema base para o processamento digital de sinais.

O sistema da figura A mistura elementos de processamento/filtragem a tempo contı́nuo com sequências

e sistemas a tempo discreto. Vamos, então, encontrar algumas relações de equivalência.
   ∞
1 X
jΩ Ω 2πk 1 X
x[n] = x(nTs ) ⇐⇒ X(e ) = X j − = X(j(ω − kωs )).
Ts k Ts Ts Ts k=−∞

Quando x[n] passa pelo filtro (h[n]), obtemos y[n] ⇐⇒ Y (ejΩ ).

A saı́da do conversor D/C é dada pela fórmula de interpolação:
∞
X
y(t) = y[n]hFPB (t − nTs ).
n=−∞

No domı́nio da frequência,

EA614 - Análise de Sinais 7 2023

 ∞
X
Y (jω) = y[n]HFPB (jω)e−jωnTs
n=−∞
∞
X
= HFPB (jω) y[n]e−jωnTs (4)
n=−∞
(
Ts .Y (ejωTs ), |ω| < ωs /2 = π/Ts
= HFPB (jω)Y (ejΩ ) =
0, caso contrário
O ajuste no eixo de frequências Ω = ωTs equivale a gerar o trem de impulsos a partir das amostras.
Caso especial: h[n] ⇐⇒ H(ejΩ ) é um sistema LIT.
Então,
Y (ejΩ ) = X(ejΩ ).H(ejΩ ).
Combinando esta expressão com a anterior, vemos que:

Y (jω) = HFPB (jω).H(ejωTs ).X(ejωTs )

Substituindo a expressão de X(ejωTs ):
 ∞ 
jωTs 1 X

Y (jω) = HFPB (jω).H(e ). X j(ω − 2πk/Ts ) .
Ts k=−∞

Se x(t) tem banda limitada, de modo que X(jω) = 0 para |ω| > ωs /2, então o filtro ideal de
reconstrução cancela o fator 1/Ts e seleciona somente a componente em banda base (k = 0) da equação
acima. Ou seja,
(
H(ejωTs ).X(jω), |ω| < ωs /2
Y (jω) =
0, caso contrário

Sendo assim, Y (jω) = Hefetivo (jω).X(jω), onde

(
H(ejωTs ), |ω| < ωs /2
Hefetivo (jω) =
0, caso contrário
Isso significa que o sistema inteiro – que inclui uma passagem ao domı́nio discreto – é equivalente a
um sistema LIT cuja resposta em frequência efetiva é dada pela relação obtida acima. A importância
do processo de amostragem e desta equivalência deve ser ressaltada: é possı́vel obter efeitos desejados
no sinal analógico x(t) por meio do processamento a tempo discreto de amostras deste sinal.

EA614 - Análise de Sinais 8 2023

3.1 Filtros Discretos no Tempo
a) FPB Ideal

HPB (ejΩ )

Ω
−2π −π −Ωc 0 Ωc π 2π

b) FPA Ideal

HPA (ejΩ )

Ω
−2π −π −Ωc 0 Ωc π 2π

c) FPF Ideal

HPF (ejΩ )

Ω
−2π −π −Ω2 −Ω1 Ω1 Ω2 π 2π

d) FRF Ideal

HRF (ejΩ )

Ω
−2π −π −Ω2 −Ω1 Ω1 Ω2 π 2π

3.2 Exercı́cio de fixação

Um sinal x(t) limitado a 10 kHz é amostrado a uma taxa de 40000 amostras/s, gerando a sequência
x[n]. Esboce a resposta de amplitude de um filtro discreto passa-baixas que, atuando sobre x[n], produz
uma limitação de faixa equivalente à de um filtro analógico passa-baixas ideal com frequência de corte
igual a 8 kHz.

EA614 - Análise de Sinais 9 2023

 X(jω)

ω
ωm = 2π.10k

Processo de amostragem com ωs = 2π.40k:

Xa (jω)

1/Ts
··· ···
ω
−ωs ωm = 2π.10k ωs = 2π.40k

Passando para o eixo de frequências Ω = ωTs :

X(ejΩ )

1/Ts
··· ···
Ω
−2π π π 2π
−
2 2

Qual frequência Ω está associada à frequência analógica f = 8 kHz?

1 8.103 2π
Ω = ωTs = 2πf → Ω = 2π 3
= .
fs 40.10 5
Então, se utilizarmos um FPB ideal discreto com resposta em frequência

|H(ejΩ )|

−π π Ω [rad]
−2π/5 0 2π/5

o resultado será equivalente a filtrar x(t) com um FPB ideal analógico com corte em 8 kHz.

EA614 - Análise de Sinais 10 2023

4 Perspectivas Mais Realistas de Amostragem
4.1 Filtro Anti-Aliasing
Taxas de amostragem menores tendem a reduzir a carga de processamento computacional, pois há
menos amostras a processar. Se a entrada não é limitada em banda (e.g., se o sinal x(t) tem duração finita
no tempo, o espectro tende a ser infinito) ou a frequência de Nyquist já é muito elevada, pré-filtragem
pode ser muito importante.
Mesmo que o sinal seja limitado em banda, ruı́do aditivo de banda larga pode inserir conteúdo de
alta frequência que, caso ignorado, produzirá aliasing.
Todos esses fatores motivam o uso de um filtro anti-aliasing.
(
1, |ω| < ωc < ωs /2
Ideal: H(jω) =
0, |ω| ≥ ωc
Exemplo: sinais de fala poderiam ser limitados, com perdas suportáveis, a 20 kHz.
Como já discutido, preparar um filtro analógico ideal é praticamente inviável.
Interessante: o projeto do filtro anti-aliasing pode ser facilitado se amostrarmos o sinal a uma
taxa maior do que a de Nyquist, uma técnica denominada oversampling. Esta ideia, combinada com
técnicas digitais de ajuste de amostragem (interpolação e decimação), permite que se trabalhe com a
taxa desejada (volume de dados menor) e que o filtro anti-aliasing seja mais simples.

4.2 Segurador de Ordem Zero

Sample Hold
C1 C2

A chave C1 fecha em t = nTs , quando o capacitor carrega/descarrega até atingir o valor da amostra
do sinal. Em t = nTs + , C1 abre e C2 fecha, de modo que o valor coletado da amostra é preservado.

x(t)
xas (t) = conjunto de pulsos retangulares

t
0 τ Ts 2Ts 3Ts 4Ts

Seja h0 (t)

h0 (t)

0 τ t

EA614 - Análise de Sinais 11 2023

 Podemos escrever o sinal amostrado como:
∞
X
xas (t) = x(kTs ).h0 (t − kTs ).
k=−∞
P P
Contudo, k h0 (t − kTs ) = h0 (t) ∗ k δ(t − kTs ). Então,
X 
xas (t) = h0 (t) ∗ x(kTs )δ(t − kTs ) = h0 (t) ∗ xa (t).
k
| {z }
Amostragem ideal

No domı́nio da frequência, Xas (jω) = Xa (jω).F{h0 (t)} = Xa (jω).τ Sa(ωτ /2).e−jωτ /2

• Xas (jω) é igual a Xa (jω), exceto pelo fator multiplicativo dado pelo sampling.

• Xas (jω) possui versões deslocadas de X(jω), mas não é periódico, pois cada componente é multi-
plicada por um ganho proporcional a Sa(·).

Como podemos recuperar x(t) a partir das amostras?

x[n] xas (t) x(t)

Segurador heq (t)

X(jω) = Xas (jω).Heq (jω)

 X 
1
−jωτ /2
= X j(ω − 2πk/Ts ) .e .τ Sa(ωτ /2).Heq (jω).
Ts k
O filtro heq (t) ⇐⇒ Heq (jω) deve:

• capturar a componente espectral centrada em ω = 0;

• corrigir o ganho introduzido pelo sampling.

1
Assim, Heq (jω) = .Ts , |ω| < ωs /2.
e−jωτ /2 .τ Sa(ωτ /2)

|Heq (jω)|

Ts

ω [rad/s]
−ωs /2 ωs /2

Aplicando este filtro sobre o sinal amostrado,

EA614 - Análise de Sinais 12 2023

 Xas (jω)

τ Sa(ωτ /2)

−ωm ωm ω
−ωs ωs

recuperamos x(t).

4.3 Superamostragem
X(jω)

f (Hz)
0 4410

x(t) x[n] xr (t)

C/D D/C

Considere fs = 44100 Hz.

2π 2π
Pelo mapeamento de frequências, Ωmax = 4410. = .
44100 10

X(ejΩ )

Ω (rad)
−2π 2π 2π
10

Na reconstrução, a frequência 2π se torna 2π(44100):

X(ejωTs )
Hr (jω)

f (Hz)
4410 44100

EA614 - Análise de Sinais 13 2023

 Agora, considere fs = 2.44100 = 88200 Hz.

X(ejΩ )

Ω (rad)
−2π 2π 2π
20

Na reconstrução, a frequência 2π vira 2πfs = 88200.2π:

X(ejωTs )
Hr (jω)

f (Hz)
4410 88200

Ocorrem menos distorções na faixa de frequências de interesse (onde temos o espectro de frequências
do sinal original) com uma frequência de amostragem fs mais elevada. Como não há conteúdo espectral
entre 4410 e 88200 Hz, podemos utilizar um filtro passa-baixas mais simples para a conversão D/C. Ou
seja, a superamostragem (oversampling) simplifica o projeto do filtro de reconstrução.
E o anti-aliasing?

X(jω)

f (Hz)
Faixa de 20 kHz
interesse

Se amostrarmos a 40 kHz, para não haver aliasing, o pré-filtro de anti-aliasing teria de ser ideal.
Se, porém, amostrarmos a 176.400 Hz

176400 - frej = 20 kHz =⇒ frej = 156.400 Hz

20 kHz

Para não acontecer aliasing na região de 20 kHz, a cauda da réplica situada em fs = 176400 Hz
não pode atingir 20 kHz. Logo, se usarmos um FPB barato que deixe passar o conteúdo de X(jω) até
156400 Hz, ainda assim ficamos com a faixa de 0 a 20 kHz intacta, podendo recuperar o sinal original.

EA614 - Análise de Sinais 14 2023