Processamento de Sinais: 1.1 Transformadas Integrais

Processamento de Sinais - Centro Federal de Educação Tecnológica do Paraná
Se Ψi (x) é formado por um conjunto de funções ortogonais 1, então os coeficientes a i são independentes. Neste caso, trata-se de
um “desenvolvimento em série de funções ortogonais”. De todos os desenvolvimentos em série de funções ortogonais, a Série
de Fourier2 é sem dúvida o desenvolvimento mais utilizado em Análise de Circuitos e Tratamento de Sinais.
As séries de Fourier são expansões de funções periódicas g(x) na forma de uma soma infinita de senos e co-senos:
∞ ∞
g(x) = ∑ an cos(nx) + ∑ bn sen(nx) .
Processamento de Sinais n=0 n=0
As séries de Fourier fazem uso da relação de ortogonalidade existente entre as funções seno e co-seno que é usada para calcular
os coeficientes an e bn da somatória. O cálculo e estudo das séries de Fourier é conhecido como Análise Harmônica.
Para computar a série de Fourier, usa-se as identidades integrais:
Z π
Data de impressão (versão): 28 de agosto de 2004, 08:23:23 documento composto com LATEX 2ε usando LYX.
sen(nx) dx = 0
−π
⎧
Z π ⎨ 0 se n = 0
1.1 Transformadas Integrais cos(nx) dx =
−π ⎩ 2π se n = 0
Z π
ĝ(t)
cos(mx) sen(nx) dx = 0
−π
g(t) contínua ⎧
Análise ⎪
⎪ m = n
descontínua equacionamento Z π ⎪
⎨
0 se
Série de Fourier Harmônica sen(mx) sen(nx) dx = π se m = n = 0
periódica simples −π ⎪
⎪
(Série Complexa de Fourier) ⎪
⎩
(Análise de Circuitos, 0 se m = n = 0
equacionamento ⎧
Termodinâmica)
G( f ) ⎪
⎪ m = n
complexo Z π ⎪
⎨
0 se
discreta cos(mx) cos(nx) dx = π se m = n = 0
−π ⎪
⎪
⎪
⎩ 2π
G( f ) Análise se m = n = 0
g(t)
Transformada de Fourier
contínua Espectral onde m, n ∈ , isso é, m e n são inteiros. Estas identidades correspondem a condição de ortogonalidade das funções integradas
aperiódica
complexa (G( f ) ∈ ) (Análise de Sistemas, no intervalo [−π, π].
real (g(t) ∈ ) Expandindo g(x) numa série infinita na forma:
f <0 Telecomunicações)
∞ ∞
g(t) G(s)
Análise g(x) = ∑ an cos(nx) + ∑ bn sen(nx)
n=0 n=0
Transformada de Laplace Transitória
g(t) = 0, t <0 s∈ ou iniciando a série em n = 1 para evitar os casos especiais das identidades integrais acima (assim n > 0):
(Controle Automático)
∞ ∞
Sistemas g(x) = a0 + ∑ an cos(nx) + ∑ bn sen(nx) (1.1)
g(t) → g[k] n=1 n=1
G(z) Amostrados
Transformada Z tempo
z∈ (Controle Digital,
onde foi usado o fato de que sen 0 = 0 o que torna b 0 indeterminado (e desnecessário) já que b 0 sen 0 = 0 para todo e qualquer
discreto valor de b0 ; e também a0 cos 0 = a0 já que cos0 = 1.
Processamento Digital de Sinais) Supondo que a função g(x) é periódica no intervalo [−π, π] 3 pode-se usar a condição de ortogonalidade para, integrando a
Equação (1.1) no intervalo [−π, π], obter:
Z Z

1.2 Série de Fourier π π ∞ ∞
g(x) dx = a0 + ∑ an cos(nx) + ∑ bn sen(nx) dx
−π −π n=1 n=1
A idéia de se representar uma função complicada como uma combinação linear de funções elementares de forma simples é bem Z π Z π
∞
conhecida e bastante utilizada na análise de circuitos. = a0 dx + ∑ [an cos(nx) + bn sen(nx)] dx
Desta forma, uma função complicada g(x) em um intervalo [x 1 , x2 ] pode ser representada por: −π n=1 −π
∞
∞ = 2πa0 + ∑ (0 + 0) = 2πa0
g(x) = ∑ ai Ψi (x) n=1
i=0
1 Duas funções g(x) e h(x) são ditas ortogonais em um intervalo [a, b] se:
onde: Z b
g(x) h(x) dx = 0 .
a
Ψi (x) é um conjunto de funções elementares;
2 Jean-Baptiste-Joseph Fourier (1768-1830), matemático e físico francês.
ai são os coeficientes do desenvolvimento. 3 Portanto com período igual à 2π.
1 28 de agosto de 2004 Prof. Luís Paulo Laus, Eng. MSc. 2

Processamento de Sinais - Centro Federal de Educação Tecnológica do Paraná Processamento de Sinais - Centro Federal de Educação Tecnológica do Paraná
e, multiplicando a Equação (1.1) por sen(mx) e integrando no intervalo [−π, π], temos: Aplicando a Equação (1.2):
Z π Z 0 Z π
Z π Z π ∞ ∞ 1 1 1
a0 = g(x) dx = −1 dx + 1 dx = (0 − π + π − 0) = 0 .
g(x) sen(mx) dx = a0 + ∑ an cos(nx) + ∑ bn sen(nx) sen(mx) dx 2π −π 2π −π 0 2π
−π −π n=1 n=1
Z π ∞ Z π Da mesma forma, aplicando a Equação (1.3), temos:
= a0 sen(mx) dx + ∑ [an cos(nx) sen(mx) + bn sen(nx) sen(mx)] dx Z π Z
Z π 0

−π n=1 −π 1 1
an = g(x) cos(nx) dx =
− cos(nx) dx + cos(nx) dx
= πbn se n = m . π −π −π π 0

1 − sen(nx) 0 sen(nx) π 1
Da mesma forma, multiplicando a Equação ( 1.1) por cos(mx) e integrando no intervalo [−π, π], assim: = + = (−0 − 0 + 0 − 0) = 0
π n −π n nπ
Z Z
0
π π ∞ ∞
g(x) cos(mx) dx = a0 + ∑ an cos(nx) + ∑ bn sen(nx) cos(mx) dx Então, aplicando a Equação (1.4), temos:
−π −π Z
n=1 n=1 Z π Z π 0
Z π ∞ Z π 1 1
bn = g(x) sen(nx) dx =− sen(nx) dx + sen(nx) dx
= a0 cos(mx) dx + ∑ [an cos(nx) cos(mx) + bn sen(nx) cos(mx)] dx π −π −π π 0
−π n=1 −π

= πan se n = m . 1 cos(nx) 0 − cos(nx) π 1
= + = (1 − cos(−nπ) − cos(nπ) + 1)
π n −π n 0 nπ
Note que se m = 0 a expressão acima recai no primerio caso (cálculo de a 0 ).
2
Isolando a 0 , an e bn tem-se as Fórmulas de Euler4 : = (1 − cos(nπ))
nπ
Z
1 π
a0 = g(x) dx (1.2) como o cos(nπ) vale (−1, 1, −1, 1, . . .) para n = (1, 2, 3, 4, . . .) pode-se simplificar o resultado para:
2π −π ⎧
Z
1 π ⎨ 4 para n ímpar
an = g(x) cos(nx) dx (1.3)
π −π bn = nπ . (1.6)
Z ⎩ 0 para n par
1 π
bn = g(x) sen(nx) dx (1.4)
π −π Levando os valores de a 0 , an e bn à Equação (1.1), obtemos:
para n = 1, 2, 3, . . .. 4 ∞ 1
A expansão em série converge para a função g(x) que é igual a função original g(x) nos pontos onde g(x) é contínua ou igual à g(x) = ∑ n sen(nx) com n ímpar
π n=1
(1.7)
média dos dois limites laterais nos pontos de descontinuidade. Por isso o sinal de igual da Equação ( 1.1) não está rigorosamente
correto; a expansão em série de Fourier é na verdade uma aproximação para a função. Mas esta aproximação é muita boa e ou, de outra forma:
geralmente só traz problemas do ponto de vista teórico nos pontos de descontinuidade da função original. Note que um sinal
4 1 1 1 1 1
físico real não pode apresentar pontos de descontinuidade pois implicaria no dispêndio de uma potência infinita para fazer a g(x) = sen x + sen 3x + sen 5x + sen 7x + sen 9x + sen 11x + . . . (1.8)
π 3 5 7 9 11
função mudar de valor instantaneamente o que não é possível na prática. Num ponto de descontinuidade x 0 ∈ [−π, π], g vale:
⎧ isso é: uma somatória de senóides com freqüência crescente e amplitude decrescente. Observe que a função representada
⎪
⎪ na Figura (1.1-h) não é a função g(x) mas sim uma aproximação de g(x) usando vinte e cinco harmônicas (da 1 a até a 49a
⎪ limx→x0 − g(x) + limx→x0 + g(x) para −π < x0 < π
⎪
⎨ harmônica, apenas as harmônicas ímpares).
g(x0 ) ≡ 2 (1.5)
⎪
⎪ limx→−π+ g(x) + limx→π− g(x) Para simplificar an e bn convém observar que:
⎪
⎪
⎩ para x0 = −π, π
2 sen nπ = 0
se a função g(x) satisfaz a condição de Dirichlet 5 , isso é: cos nπ =−1, 1, −1, 1, −1, . . . = (−1) n
⎧
⎨ 2 para n par
1 + cosnπ =
1. a função g(x) possui um número finito de descontinuidades; ⎩ 0 para n ímpar
⎧
2. a função g(x) tem um número finito de extremos. ⎨ 2 para n ímpar
1 − cosnπ =
Exemplo: considere a onda quadrada g(x) representada na Figura ( 1.1-a) com período igual à 2π. A expansão em série de ⎩ 0 para n par
Fourier pode ser obtida aplicando as fórmulas de Euler dadas pelas Equações ( 1.2), (1.3) e (1.4) para calcular os coeficientes ⎧
a0 , an e bn e, então, substituindo os coeficientes obtidos na Equação ( 1.1). Note que, no intervalo (−π, π), a função g(x) nπ ⎨ (−1) n−1
2 para n ímpar
sen = 1, 0, −1, 0, −1, 0, . . . =
pode ser escrita como: ⎧ 2 ⎩ 0 para n par
⎨ −1 se −π < x < 0 ⎧
g(x) = ⎨ (−1) 2n para n par
⎩ 1 se 0 < x < π cos
nπ
= 0, −1, 0, 1, 0, −1, . . . =
2 ⎩ 0 para n ímpar
Observe que g(x) não precisa ser definida nos pontos de descontinuidade, isso é, quando x valer (. . ., −π, 0, π, 2π, 3π, . . .).
nπ 3nπ 5nπ 7nπ 9nπ
Pela Equação (1.5) o valor da expansão em série de Fourier nestes pontos será zero. sen = − sen = sen = − sen = sen = ...
2 2 2 2 2
4 Leonhard Euler (1707-1783), matemático suíço. nπ 3nπ 5nπ 7nπ 9nπ
5 Peter Gustav Dirichlet (1805-1859), matemático alemão. cos = cos = cos = cos = cos = ...
2 2 2 2 2
28 de agosto de 2004 Prof. Luís Paulo Laus, Eng. MSc. 3 28 de agosto de 2004 Prof. Luís Paulo Laus, Eng. MSc. 4
G(n)
4
π
g(x)
4
x πω
(a)
−π 0 π 2π 3π
4
3π
4
5π rd
x ω
(b) s
−π 0 π 2π 3π
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 n
Figura 1.2: Espectro de freqüência da onda quadrada

x
(c)
−π 0 π 2π 3π
Note que as Equações (1.7) e (1.8) podem ser interpretadas no domínio da freqüência (ou, mais especificamente, da freqüência
angular) se x for tomado como sendo o tempo medido em segundos: como n = 1, 2, 3, 4, . . . tem-se uma senóide de 1 rad/s
com amplitude igual à 4/π; outra senóide de 3 rad/s com amplitude igual à 4/3π; outra senóide de 5 rad/s com amplitude igual
à 4/5π; e assim por diante. Cada uma destas senóides é chamada de harmônica, daí o fato do cálculo das séries de Fourier ser
(d) x conhecido como Análise Harmônica. A primeira harmônica é chamada de fundamental (n = 1); todas as outras harmônicas são
−π 0 π 2π 3π de freqüências que são múltiplos inteiros da fundamental. A freqüência da fundamental é sempre igual a da onda original.
Pode-se, então, ilustrar como é o comportamento da onda quadrada em termos de freqüência e amplitude das senóides que
a compõe (a Análise Harmônica propriamente dita). A Figura 1.2 mostra a amplitude relativa de cada senóide para n = 1, 2,
3, 4, . . . , 15, ou seja, para as senóides de freqüência angular valendo 1, 2, 3, 4, . . . , 15 rad/s. Pode-se, então, definir uma nova
x função G(ω) que só existe nos pontos onde ω = 0, 1, 2, 3, 4, . . . rad/s e tem o valor da amplitude de cada senóide na respectiva
(e) freqüência angular 6. A nova função G(ω) ou G(n) é chamada espectro de g(x). Na Figura 1.2 foi mostrada uma função contínua
−π 0 π 2π 3π
de ω com uma linha tracejada que passa pelos pontos da função G(ω) quando G(ω) = 0 (isso é, para n ímpar) que dá uma idéia
melhor do comportamento da função G(ω) mas que não é o espectro da função g(x). Como g(x) é periódica o seu espectro
G(ω) ou G( f ) ou ainda G(n) é uma função descontínua, se g(x) fosse aperiódica o seu espectro seria contínuo; o estudo de
funções aperiódicas se faz pela Transformada de Fourier.
x Se an e bn forem ambos diferentes de zero a expansão em série de Fourier terá componentes tanto em sen nx como em cos nx
(f)
−π 0 π 2π 3π o que torna a representação do espectro um tanto confusa. Pode-se contornar este problema usando a equação:
sen (nx + ϕn) = cos ϕn sen nx + senϕn cos nx
que possibilita representar o soma de seno com um co-seno da mesma freqüência com um único seno (pode-se fazer o mesmo
x
(g) com co-seno). O ângulo ϕ n depende de n é chamado de ângulo de fase ou simplesmente fase. Assim, é possível expandir o
−π 0 π 2π 3π conceito de espectro para espectro de fase e, em contra partida, o espectro de uma função g(x) será chamado de espectro de
módulo e será definido como:
|G(n)| = a2n + b2n
x e o espectro de fase por:
(h)
−π 0 π 2π 3π bn
ϕn = arg(bn , an ) = arg = atan2(bn , an )
an
onde arg é o argumento da relação de b n por an que pode ser calculado pela função atan2 7 .
O espectro de módulo e fase de função g(x) exprimem a distribuição freqüencial do módulo e da fase, respectivamente, da
Figura 1.1: Onda quadrada representada como soma parcial de uma série de Fourier, (a) onda original, (b) primeira harmônica função.
(fundamental), (c) 1 a e 3a harmônicas, (d) 1 a , 3a e 5a harmônicas, (e) 1 a , 3a , 5a e 7a harmônicas, (f) 1 a , 3a , 5a , 7a e 9a harmônicas, Ainda na Figura (1.1-h) observa-se que próximo aos pontos de descontinuidade ocorrem “oscilações” conhecidas como
(g) 1a , 3a , 5a , 7a , 9a e 11a harmônicas, (h) da 1 a até a 49a harmônicas ímpares Fenômeno de Gibbs8 .
6 Note que ω = 0 corresponde à co-senóide com freqüência angular nula que é o valor médio da função representado por a0 .
7 A função atan2(y, x) calcula o ângulo da representação polar do ponto (x, y) o que equivale a calcular arctan y/x levando em conta os sinais de x e y (que
determinam o quadrante do argumento) e os casos onde x = 0 onde não é possível realizar a divisão mas o argumento existe e vale π ou −π rad dependendo do
sinal de y.
8 Josianh Willard Gibbs (1839-1903), matemático e físico americano.
Se a função g(x) for par 9 de tal forma que g(x) = g(−x), então g(x) sen(nx) é ímpar uma vez que sen(nx) é ímpar e que uma g(x)
função ímpar multiplicada por uma função par resulta numa função ímpar e que, ainda, a integral sobre um ou mais períodos
inteiros de uma função ímpar é zero. Logo, b n = 0 para todo n. Da mesma forma, se a função g(x) é ímpar 10 de tal forma que
g(x) = −g(−x), então g(x) cos(nx) é ímpar uma vez que cos(nx) é par e que uma função par multiplicada por uma função ímpar
x
resulta numa função ímpar. Logo, a n = 0 para todo n. Resumindo:
−π 0 π 2π 3π
⎧
⎪
⎪ par ⇒ g(x) sen(nx) é ímpar ⇒ b n = 0
⎪
⎨ ⎧
se g(x) for ⎨ g(x) cos(nx) é ímpar ⇒ a = 0 Figura 1.3: Co-senóide retificada
⎪
⎪ ímpar ⇒
n
⎪
⎩ ⎩ a =0
0
que não inclui o caso especial onde n = 1. Assim, se n = 1, tem-se:
Z π Z Z π/2
Se a função g(x) for simétrica em relação ao eixo dos xx (mesma área acima e abaixo do eixo) então a 0 = 0 mesmo que ela 1 1 π/2 1
a1 = an |n=1 = g(x) cos(nx) dx =
cos(x) cos(x) dx = cos2 (x) dx
não seja ímpar. Se a função g(x) for ímpar a 0 = 0 já que uma função ímpar é simétrica em relação ao eixo dos xx. Note que a n π −π n=1 π −π/2 π −π/2
pode ser zero se a função g(x) não for ímpar; basta que g(x) − a 0 seja ímpar. Assim, se aparentemente uma função não for par Z

nem ímpar e a 0 = 0 pode ser que seja desnecessário calcular a n 11 . 1 π/2 1 sen (2x) π/2
= 1 + cos(2x) dx = x+
2π −π/2 2π 2 −π/2

1 π π sen π sen −π 1
Exemplo: considere a função g(x), uma co-senóide retificada, mostrada na Figura 1.3 que pode ser definida no intervalo (−π, π) = − − + − = (π)
2π 2 2 2 2 2π
como:
1
⎧ =
⎪
⎪ se −π < x < −π/2 2
⎪
⎨
0
g(x) = cos x se −π/2 < x < π/2 . e a função g(x) pode ser aproximada por:
⎪
⎪
⎪
⎩ 0 se π/2 < x < π ∞ ∞
g(x) = a0 + ∑ an cos nx = a0 + a1 cos x + ∑ an cosnx
n=1 n=2
Pode-se observar que a função g(x) é par, logo, b n = 0. Deve-se então calcular a n e a0 já que a função obviamente não é
1 cosx 2 ∞ cos nπ
simétrica em relação ao eixo dos xx. Assim: = + − ∑ 2 2 cos nx .
π 2 π n=2 (n − 1)
Z π Z π/2
1 1 sen x π/2 1 π π 1
a0 = g(x) dx = cos(x) dx = = sen − sen− = Note que cos nπ2 = −1, 0, 1, 0, -1, . . . para n = 2, 3, 4, 5, 6, . . . . Este exemplo é interessante porque mostra o surgimento
2π −π 2π −π/2 2π −π/2 2π 2 2 π e o tratamento de um caso especial quando n = 1 que impossibilita o cálculo de a n usando o caso geral porque implica em
uma divisão por zero.
e
Z π Z π/2
1 1
an = g(x) cos(nx) dx = cos(x) cos(nx) dx Funções com Período Arbitrário
π −π π −π/2
Z Z Para uma função g(x) periódica no intervalo [−T /2, T /2], usa-se uma mudança de variável para comutar o intervalo de integração
1 π/2 1 π/2
= cos(x + nx) dx + cos(x − nx) dx para [−T /2, T /2]. Fazendo:
π −π/2 π −π/2

1 sen ((1 + n)x) π/2 sen ((1 − n)x) π/2 2π
= + se n = 1 x ≡ t
π 1+n −π/2 1−n −π/2 T
π nπ π nπ π nπ 2πdt
n sen 2 + 2 − sen 2 + 2 − n sen 2 − 2 − sen π2 − nπ dx = .
= 2
T
π (2n − 2)
2
nπ π π nπ nπ π
n sen − π2 − nπ
2 − sen 2 − 2 − sen − 2 − 2 − n sen 2 − 2
Resolvendo para t, t = T x/2π tem-se que se x = ±π ⇒ t = ±T /2. Aplicando nas Equações ( 1.1), (1.2), (1.3) e (1.4) obtem-se:
−
π (2n2 − 2) ∞ ∞
2π n 2π n
2 cos nπ g(t) = a0 + ∑ an cos t + ∑ bn sen t (1.9)
= − 2
se n = 1 T T
π (n2 − 1) n=1 n=1
Z T /2
9 Um forma fácil de verificar se um função é par observando o gráfico da função consiste em rebater o lado positivo do eixo horizontal (abscissa) ou eixo dos 1
xx sobre o lado negativo, isso é, girar o lado direito da função sobre o eixo vertical (ordenada) e verificar se ele recai sobre o lado negativo da função: se a curva
a0 = g(t) dt (1.10)
T −T /2
do lado direito recair exatamente sobre a curva do lado esquerdo a função é par. Se não houver coincidência é porque a função não é par. Z T /2
10 Para verificar se um função é ímpar pode-se rebater o lado direito da função sobre o lado esquerdo (da mesma forma que foi feito para verificar se a função é 2 2π n
par) e então girar o lado direito já rebatido ao redor do eixo horizontal (abscissa) ou eixo dos xx de 180o : se a curva do lado direito rebatida e rotacionada recair
an = g(t) cos( t) dt (1.11)
T −T /2 T
exatamente sobre a curva do lado esquerdo a função é ímpar. Z T /2
11
Nesse caso, após rebater o lado direito da função sobre o lado esquerdo gira-se o lado direito já rebatido ao redor de um eixo horizontal que passa por 0a e 2 2π n
não ao redor do eixo das abscissas. Se houver coincidência an = 0.
bn = g(t) sen( t) dt (1.12)
T −T /2 T
Observe que a 0 tanto na Equação (1.2) como na Equação (1.10) representa o valor médio da função g(x) (compare as v̂ f (t)
Equações (1.2) e (1.10) com (??) e (??), note que início e fim dos períodos de integração são diferentes 12 ). Então, as expansões
em série de Fourier de uma função g(x) ou g(t) dada pelas Equações ( 1.1) e (1.9) podem ser interpretadas como sendo uma R
componente contínua de amplitude a 0 e freqüência nula somada à uma série de componentes alternadas (a somatória de senos e vC (t)
co-senos). t
Normalmente, a amplitude de cada componente alternada diminui com o aumento da freqüência o que torna possível apro- v f (t) C vC (t) −π 0 π 2π 3π
ximar a função original por uma soma finita de senóides e co-senóides. Esta aproximação da função é conhecida como Série
Incompleta de Fourier. Por exemplo, a função da Figura ( 1.1-h), que só tem 25 harmônicas, pode ser considerada uma boa apro-
ximação para a função g(x) mostrada na Figura ( 1.1-a) dependendo da aplicação. É possível calcular qual será o erro cometido
no valor RMS de uma aproximação de uma função quando é empregado uma série incompleta de Fourier em função do número
de harmônicas presentes nesta série. Quanto mais harmônicas menor será o erro. Contudo, além do erro no valor RMS há ainda o
problema do erro no valor instantâneo da função. Uma função sem descontinuidades pode ser aproximada de forma muito exata
usando um número relativamente pequeno de harmônicas: tanto o valor RMS quanto o valor da aproximação da função a cada (a) (b)
instante de tempo será muito próximo do valor da função original. Por outro lado, uma função com descontinuidades apresentará
o Fenômeno de Gibbs de forma mais acentuada e, quando aproximada por uma série incompleta de Fourier, poderá apresentar
valores muito diferentes da função original em pontos próximos as descontinuidades. Figura 1.4: Exemplo de aplicação de uma onda quadrada em um circuito linear
Como as funções seno e co-seno formam uma base ortogonal complexa, o teorema da superposição é aplicável e pode-se
dizer que a série de Fourier de uma combinação linear de funções é a combinação linear da série de Fourier das funções que a o que significa que 14 :
compõe.
a0 = 0
Exemplo: Considere a aplicação de uma tensão com forma de onda quadrada sobre um circuito RC série como ilustrado na
4RC
Figura (1.4-a). O valor da tensão em regime sobre o capacitor pode ser obtido usando a análise fasorial com uma pequena an =
modificação: ao invés de uma única senóide aplicada ao circuito considera-se que há várias delas. Como o circuito é linear π (1 + n2R2C2 )
o teorema da superposição é aplicável e o resultado final é a soma dos resultados parciais. Supondo que há uma única 4
bn =
senóide aplicada com valor v f (t) = A sen ωt pode-se expressar este valor com um fasor na forma V f = A∠00 . Aplicando a nπ (1 + n2R2C2 )
Segunda Lei de Kirschhoff 13:
Vf Supondo R = 100 kΩ e C = 10 µF, temos:
V f = RI + XC I = (R + XC ) I ∴ I =
R + XC ∞
4
onde vC (t) = ∑ nπ√1 + n2 sen (nt − arctann) com n ímpar
1 n=1
XC = ∞
jωC 4
e j2 = −1. A tensão no capacitor é dada por:
= ∑ nπ (1 + n2) (sen (nt) − n cos(nt)) com n ímpar.
n=1
Vf
XCV f jωC Vf 1 − jωRC que está representada na Figura (1.4-b) junto com uma aproximação para a tensão v f (t) usando uma série incompleta de
VC = XC I = = = = Vf Fourier com 30 harmônicas (da 1 a até a 59a ) denominada v̂ f (t). Na verdade, a função vC (t) representada na Figura (1.4-b)
R + XC R + jωC
1 1 + jωRC 1 + ω2R2C2
também é uma aproximação usando uma série incompleta de Fourier com 30 harmônicas. Contudo, esta aproximação
A é praticamente igual a função que seria obtida caso fosse possível desenhar o gráfico da função com todas as infinitas
= √ ∠ − arctanωRC . harmônicas que a compõe. Note, ainda, na Figura ( 1.4-b) que a aproximação para a função v f (t), v̂ f (t), é uma aproximação
1 + ω 2 R2C 2
muito ruim. Já a aproximação para a função v C (t) é tão boa que não é possível distingui-la da função v C (t) real (por este
Expressando a tensão no capacitor como uma função do tempo: motivo foi usado o mesmo nome). v̂ f (t) é uma aproximação ruim porque a função v f (t) possui descontinuidades onde
A ocorrem o Fenomeno de Gibbs. Por outro lado, a função v C (t) não possui descontinuidades, apesar de não ser suave, e
vC (t) = √ sen (ωt − arctan(ωRC))
1 + ω2R2C2 por isso, não apresenta também o Fenomeno de Gibbs. Isso permite que uma aproximação com um número relativamente
pequeno de harmônicas forneça uma idéia muito exata do comportamento da função.
A 1 ωRC
= √ √ sen (ωt) − √ cos (ωt)
1+ω R C
2 2 2 1+ω R C
2 2 2 1+ω R C
2 2 2
O problema do exemplo acima poderia ter sido resolvido com o emprego de equações diferenciais, mas na solução de uma
A equação diferencial é necessário saber a priori o valor da função em um ponto o que não é possível se a fonte sempre (desde o
= (sen (ωt) − ωRC cos(ωt))
1 + ω2R2C2 início dos tempo, t → −∞) esteve ligada ao circuito. O emprego de equações diferenciais é muito útil na solução de problemas
Porém, não foi aplicado apenas uma senóide com freqüência angular igual à ω e sim várias delas com amplitude A = 4/nπ no regime transitório mas muito difícil em problemas no regime permanente (ou estável). Pode-se supor que a fonte é ligada no
e freqüência angular ω = n. Assim, comparando a equação acima com a Equação ( 1.7), temos: instante inicial e usar o valor inicial vC (0) = 0, contudo isso traz uma dificuldade enorme para calcular o valor de v C (t) em um
∞
instante de tempo muito depois de t = 0 porque, na verdade, isso torna necessário resolver uma infinidade de problemas de valor
4 de contorno onde a solução para v C (t f inal ) é o valor de contorno para o próximo problema. Pode-se, ainda, usar a Equação 1.4
vC (t) = ∑ nπ√1 + n2R2C2 sen (nt − arctan(nRC)) com n ímpar
e a teoria de convergência de séries para calcular o valor inicial em regime transitório e usar este valor para resolver o problema
n=1
∞ usando equações diferenciais.
4
= ∑ nπ (1 + n2R2C2 ) (sen(nt) − nRC cos(nt)) com n ímpar. (1.13) 14 Note que foram usadas as identidades:
n=1
12 Como sen (nt − arctan (nRC)) = cos (arctan (nRC)) sen(nt) − sen (arctan (nRC)) cos(nt)
as funções são periódicas, o início e fim do intervalo de integração não é importante desde que a integral seja calculada sobre um número inteiro de
períodos completos, isso é: 1
Z T Z a+T cos (arctan (nRC)) = √
0
g(x) dx =
a
g(x) dx ∀a ∈ Ê 1 + n2 R2C2
nRC
sen (arctan (nRC)) = √
onde T é o período de g(x). 1 + n2 R2C2
13 Gustav Robert Kirschhoff (1824-1887), físico alemão.
Uso de Softwares de Processamento Simbólico 15 delete() apaga um identificador liberando a memória.

Os principais softwares de processamento simbólico disponível no mercado são: Exemplo: a onda triangular representada em um período por:
• MuPAD (www.mupad.de/, www.mupad.com/); ⎧
⎨ x se −π/2 < x < π/2
• Mathematica (http://www.wolfram.com/); g(x) =
⎩ −x + π se π/2 < x < 3π/2
• Maxima16 (http://www.ma.utexas.edu/maxima.html);
• Maple (http://www.maplesoft.com/); e a0 = 0
• Matlab (versão 5.3 ou superior, http://www.mathworks.com/). an = 0
Z Z
1 π/2 1 3π/2
O MuPAD está disponível na internet com licença gratuita para estudantes e, por isso, será usando nos exemplos. O Maxima bn = x sen nxdx + (−x + π) sennxdx
π −π/2 π π/2
também é distribuído gratuitamente com licença GLP (General Public License) e constitui uma boa opção apesar de ser um
pouco mais difícil de usar devido a sua interface pouco amigável 17 e a sintaxe baseada na linguagem LISP. Usando o MuPAD:
A sintaxe do MuPAD é baseada na linguagem Pascal e muito similar a linguagem C. Quando existe a necessidade de se
descrever uma ação ou objeto que não tem similar no Pascal o MuPAD usa a sintaxe emprestada de outras linguagens como ADA. assume(n,Type::PosInt);
bn:=simplify(int(x*sin(n*x),x=-PI/2..PI/2)/PI+int((-x+PI)*sin(n*x),x=PI/2..3*PI/2)/PI);
PI, E, I são as constantes π, e e j, respectivamente;
x, y, var, a1 são variáveis do usuário e seus nomes (identificadores) seguem as mesmas regras da lingua- O comando assume foi usado para informar ao software que a variável n é do tipo inteiro e só assume valores maiores que
gem C; zero; a declaração assume(n,Type::PosInt) pode ser lida como: suponha n do tipo inteiro positivo. Isso é importante porque:
1) o software pode usar esta informação para simplificar a expressão; 2) evita um erro causado pela detecção automática de
x[5] é o quinto elemento da lista x, diferente da linguagem C as listas (vetores) inicial na posição descontinuidades que impede o cálculo das integrais (uma vez que a integral de sen nx resulta em − cos(nx)/n que não existe se
1; n = 0). O comando := cria a variável bn e atribui a ela o resultado do comando simplify que, por sua vez, simplifica o resultado
obtido que é a soma das integrais obtidas com o comando int. Foram necessários dois comandos int para calcular a integral b n
:= é o operador de atribuição (igual ao Pascal);
porque a função g(x) tem duas definições diferentes, dependendo do intervalo. O comando int recebe como parâmetros a função
= é o operador de comparação (igualdade); a ser integrada e a variável de integração x que, neste caso, por se tratar de integrais definidas, é acompanhada do intervalo de
integração. Assim, obtemos:
<>, <, >, <=, >= são os operadores de comparação (desigualdades);
+, -, *, /, ^, ! são os operadores de soma, subtração, multiplicação, divisão, e exponenciação e fatorial; Z π/2 Z 3π/2 nπ 3nπ nπ cos( nπ
2 ) nπ cos( 3nπ
2 )
1 1 3 sen − sen − +
bn = x sen nx dx + (−x + π) sennx dx = 2 2 2 2
:e; são os separadores de comando; π −π/2 π π/2 n2 π

, é o separador de elementos das listas, conjuntos e seqüências; 4 sen nπ
= 2
π n2
sin(), cos() são as funções seno e co-seno;
onde a segunda linha foi obtida com a simplificação “manual” da expressão resultante usando as propriedades dadas na página 4.
[1, 2, 3] é uma lista contendo os números 1, 2, 3, nas listas a ordem em que os elementos aparecem é Para visualizar o gráfico da expansão em série de Fourier da função é necessário usar uma aproximação por série incompleta de
importante; Fourier. Com esse objetivo pode-se, entre muitas outras opções, usar o comando:
{1, 2, 3} é um conjunto contendo os números 1, 2, 3, nos conjuntos a ordem em que os elementos
bn:=4*sin(n*PI/2)/PI/n^2;
aparecem não é importante;
plotfunc2d(Ticks = [Steps = PI/2, Automatic],
2..5 é o intervalo [2, 5]; _plus(bn*sin(n*x) $ n=1..30), x=-4..10, Grid=1000);
$ cria uma seqüência de valores; Onde o comando bn:=4*sin(n*PI/2)/PI/n^2 atribui à variável bn o resultado da simplificação que o software não foi capaz
de realizar automaticamente. O comando plotfunc2d plota o gráfico da função e, para isso, recebe quatro parâmetros: 1) Ticks
int() é a função de integração, ela calcula a integral de uma função com relação a uma variável e, = [Steps = PI/2, Automatic] é opcional (pode ser omitido) e serve para informar que o eixo dos xx deve ser marcado a cada
opcionalmente, sobre um intervalo dado; π/2 unidades; 2) a função a ser plotada; 3) o nome da variável e o intervalo de variação especificados, ambos, por x=-4..10;
?int fornece uma descrição detalhada da função de integração (help); e 4) o parâmetro opcional Grid=1000 que informa ao comando plotfunc2d que a função a ser plotada deve ser calculada em
mil pontos sobre o eixo da variável independente x, isso é, ele especifica a resolução sobre o eixo dos xx. O valor default
simplify() é uma função que simplifica a expressão fornecida como argumento; para Grid é 100 que, neste caso, não permite uma representação correta da função. A função a ser plotada é especificada
por _plus(bn*sin(n*x) $ n=1..30) onde: _plus soma todas as funções geradas pelo comando $ que cria um seqüência de
%, %2, %3 é o último, penúltimo e antepenúltimo resultado obtido;
funções bn*sin(n*x) com n variando de 1 até 30, isso é, as trinta primeira harmônicas (b n sen nx). Note que se o MuPAD estiver
Type::Real, Type::PosInt é o tipo (conjunto) dos números reais e inteiros positivos, respectivamente; sendo usado no modo texto (normal no UNIX) o comando acima não vai gerar uma visualização do gráfico diretamente mas,
do contrário, vai gravar um arquivo com o nome save.mp que pode ser visualizado com o a software vcam (que acompanha o
assume(), unassume() atribui uma propriedade a um identificador e desatribui qualquer propriedade anteriormente MuPAD).
atribuída a um identificador; Para plotar o espectro de onda triangular pode-se usar os comandos:
15 Também chamados de “Sistemas Algébricos para Computador” ou “Computer Algebra Systems”.
16 Inicialmentechamado de Macsyma. c:=[Mode=List,[point(n,bn) $ n=1..15], Color=[Flat,RGB::Blue]]:
17 Naturalmente,isso é apenas uma questão de opinião pessoal. plot2d(Axes=Origin, AxesOrigin=[0,0], Ticks=[15,Automatic], Labels=["n", "G(n)"], c):
4/PI*sin(x) - 4/9/PI*sin(3*x) + 4/25/PI*sin(5*x) - ...

(1.4) se tornam:
G(n)
1.5 1.25
Z
1 π
a−n = g(x) cos(−nx) dx
1 1 π −π
Z
1 π
0.5 = g(x) cos(nx) dx
0.75
π −π
0 = an para n = 1, 2, 3, . . .
-3.142
-1.5710 1.5713.1424.7126.2837.8549.425 0.5 Z
1 π
-0.5
x
b−n = g(x) sen(−nx) dx
0.25 π −π
Z
-1 1 π
= − g(x) sen(nx) dx
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 π −π
-1.5
n = −bn para n = 1, 2, 3, . . .
que permite escrever:

(a) (b) ∞ −∞
Figura 1.5: Onda triangular: (a) expansão em série de Fourier (b) espectro da função
∑ ane− j nx = ∑ an e j nx
n=1 n=−1
e
onde o comando := atribui um objeto gráfico a variável c que é uma lista contendo: 1) o tipo do objeto gráfico (Mode=List); ∞ −∞
2) uma lista de pontos; e 3) o parâmetro opcional Color=[Flat,RGB::Blue] que define que todos os pontos da lista serão ∑ j bn e− j nx = − ∑ j bn e j nx
n=1 n=−1
azuis. Cada ponto da lista tem coordenada x com valor n e y com valor bn e o comando $ n=1..15 é responsável por criar uma
lista de pontos (as 15 primeiras harmônicas). O comando plot2d desenha o objeto c com os seguintes parâmetros opcionais:
que quando somadas podem substituir o último termo da Equação ( 1.14) levando à:
Axes=Origin faz com que os eixos das abscissas e das ordenadas sejam desenhados na origem (passando pela origem e não nos
limites externos do gráfico); AxesOrigin=[0,0] faz com que os eixos sejam desenhados de tal forma que se cortem na origem
1 ∞ 1 −∞
(0, 0), sem este parâmetro o MuPAD desenharia os eixo se cortando no ponto (1, 0); Ticks=[15,Automatic] faz com o eixo das
abscissas receba quinze marcas numeradas e o das ordenadas um número de marcas determinado pelo software; Labels=["n",
g(t) = a0 + ∑ (an − j bn) e j nx + 2 ∑ (an − j bn) e j nx
2 n=1 n=−1
"G(n)"] nomeia o eixo das abscissas e das ordenadas com n e G(n) respectivamente. A Figura 1.5 mostra os gráficos obtidos. 1 ∞ 1
= a0 + ∑ (an − j bn ) e j nx − 2 (a0 − j b0 ) e0
2 n=−∞
1 1 ∞
= (a0 + j b0 ) + ∑ (an − j bn ) e j nx
1.2.1 Série Complexa de Fourier 2 2 n=−∞
a0 1 ∞
Um outra forma de expandir uma função g(x) em série de Fourier é usando a equação de Euler: = + ∑ (an − j bn ) e j nx pois b0 = 0 .
2 2 n=−∞
e j nx = cos(nx) + j sen(nx) .
Logo, para uma função periódica com período igual à 2π:
Pode-se, então, escrever:

∞ ∞
g(x) = ∑ (an cos(nx) + bn sen(nx)) = ∑ An e j nx . (1.15)
e j nx + e− j nx n=0 n=−∞
cos nx =
2
e j nx − e− j nx A série de Fourier, tal como definida pelas Equações ( 1.1) ou (1.9), será chamada de série trigonométrica de Fourier para
sen nx = diferenciá-la da série complexa de Fourier.
2j
A introdução da constante imaginária j geralmente causa surpresa. A primeira impressão que se tem é que a série será uma
que aplicada na expansão em série de Fourier de uma função g(x) dada por: soma de funções complexas. Isso de fato não ocorre: se g(x) for real os termos imaginários com n negativo anulam os termos
imaginários com n positivo (n com mesmo valor em módulo) de tal forma que o resultado sempre é real. Naturalmente pode-se
∞ ∞
pensar na expansão de uma função g(x) complexa, mas um sinal do mundo físico é sempre real 18 .
g(x) = a0 + ∑ an cos(nx) + ∑ bn sen(nx) O preço a ser pago pela simplicidade da série complexa de Fourier é a inclusão dos valores negativos de n na somatória para
n=1 n=1 cancelar os termos imaginários caso g(x) seja real. Isso tem o efeito de criar o conceito de “freqüência negativa”, ou seja, haverão
harmônicas com freqüência positiva (n > 0), nula (n = 0) e negativa (n < 0). O fato das funções seno e co-seno serem ímpar e
leva à: par, respectivamente, fornece uma interpretação simples para as harmônicas de freqüência negativa: se for uma co-senóide com
freqüência negativa ela irá se somar a outra co-senóide de mesma freqüência (em módulo); se for senóide ela irá se subtrair da
1 ∞ 1 ∞
g(x) = a0 + ∑ (an − j bn ) e j nx + 2 ∑ (an + j bn) e− j nx .
2 n=1
(1.14) harmônica correspondente com freqüência positiva (note que não necessariamente elas vão se anular, isso depende da amplitude,
n=1 isso é, do valor de A n ).
Para simplificar a expressão acima pode-se introduzir valores negativos de n, podecedendo desta forma as Equações ( 1.3) e 18 De fato, a série complexa de Fourier torna possível expandir em série uma função complexa.
Cálculo de An : integrando a Equação (1.15) em relação x após multiplicar g(x) pelo fator de integração e − j mx : caso n par. Assim:
Z π Z π

∞ ∞
−2 j j nx
∞ g(x) = ∑ An e j nx = ∑ e para n ímpar
−π
g(x) e− j mx dx =
−π
∑ An e j nx e− j mx dx n=−∞ n=−∞ nπ
n=−∞ 2 j − j 5x 2 j − j 3x 2 j − j x −2 j j x −2 j j 3x −2 j j 5x
∞ Z π = ... + e + e + e + e + e + e +...
= ∑ An e j(n−m)x dx 5π 3π π π 3π 5π
n=−∞ −π n=−5 n=−3 n=−1 n=1 n=3 n=5
∞ Z π
2 j −jx 2 j jx 2 j − j 3x 2 j j 3x 2 j − j 5x 2 j j 5x
= ∑ An
−π
(cos ((n − m)x) + j sen ((n − m)x)) dx =
π
e − e
π
+
3π
e − e
3π
+
5π
e − e
5π
+ ...
n=−∞

= 2πAn se n = m , 2 −jx 1 − j 3x 1
= je − j ejx + je − j e j 3x + j e− j 5x − j e j 5x + . . .
π 3 5

assim: 4 1 1
Z π = sen x + sen 3x + sen 5x + . . .
1 π
An = g(x) e− j nx dx . 3 5
2π −π
onde foi usada a igualdade 2 sen a = j e − j a − j e j a . A última linha da equação acima é igual à Equação ( 1.8) mostrando a
equivalência da série de Fourier e série complexa de Fourier.
An pode ser expresso em termos dos coeficientes da série trigonométrica de Fourier:
Se g(x), real, for uma função par A n será um número real puro para que sejam cancelados os termos em j sen(nt); se g(x) for uma
Z função ímpar A n será um número imaginário puro para que sejam cancelados os termos em cos(nt) e tornados reais os termos
1 π em j sen(nt); e se g(x) não for nem par nem ímpar A n será uma número complexo com as partes real e imaginária não nulas e
An = g(x)[cos(nx) − j sen(nx)] dx
2π
⎧ −π mesmo assim os termos imaginários serão cancelados só restando termos reais.
⎪
⎪ Z
⎪
⎪ 1 π
⎪
⎪ g(x)[cos(nx) + j sen(|n| x)] dx n < 0 Funções com Período Arbitrário
⎪
⎪ 2π −π
⎪
⎨ Z π Para uma função periódica com período T (fazendo x ≡ 2π
1 T t), a expansão em série complexa de Fourier fica:
= g(x) dx n=0
⎪
⎪ ∞
⎪
⎪
2π −π
∑ An e j ( )
2π nt
⎪
⎪ Z g(t) = T (1.16)
⎪
⎪ π
⎪ 1
⎩ g(x)[cos(nx) − j sen(nx)] dx n>0 n=−∞
2π −π Z T /2
⎧ 1
g(t) e− j( ) dt.
2π nt
⎪
⎪ 1 An = T (1.17)
⎪
⎪ T −T /2
⎪
⎪ (an + j bn ) n < 0
⎪
⎪ 2
⎪
⎨
Estas equações são a base para a Transformada de Fourier, que é extremamente importante. A transformada de Fourier é obtida
= transformando A n (que depende da variável discreta n) em um novo A(k), função da variável contínua k através do aumento do
⎪ a0 n=0 período (T → ∞).
⎪
⎪
⎪
⎪
⎪
⎪
⎪
⎪ 1
⎩ (an − j bn ) n > 0. Função de Amostragem
2
Define-se a função de amostragem, ou função de filtro ou função interpoladora por:
Exemplo: usando a onda quadrada da Figura ( 1.1-a), temos: ⎧ sen πx
⎨ se x = 0
Z sinc x = πx
1 π ⎩ 1
An = g(x) e− j nx dx se x = 0
2π −π
Z 0 Z π
1 que é muito comum no tratamento de sinais. O gráfico desta função pode ser visto na Figura 1.6. Note que a função de
= (−1) e− j nx dx + e− j nx dx
2π −π 0 amostragem é par uma vez que sen x e 1/x são ambas ímpares. Além disso, a função de amostragem possui as seguintes

0 π
1 e− j nx e− j nx propriedades:
= − + se n = 0
2π − j n −π −jn 0 sinc 0 = 1
j sinc n = 0 onde n é um inteiro não nulo
= −1 + e j nπ + e− j nπ − 1 Z ∞
1
2nπ sinc x dx =
j + j nπ 2
= e + e− j nπ − 2 Z 0∞
2nπ sinc x dx = 1 .
−j −∞
= (1 − cos(nπ))
nπ
⎧
⎨ −2 j Exemplo: considere a seqüência de pulsos retangulares (ou trem de pulsos retangulares) de largura igual à τ e distânciados de
para n ímpar
= nπ T na Figura 1.7 definida em um único período por:
⎩ 0 para n par ⎧
⎨ 1 se −τ/2 < t < τ/2
g(t) =
1 Rπ ⎩ 0 se τ/2 < t < T − τ/2 .
onde foi usada a igualdade 2 cos a = e j a + e− j a . Note que An=0 = 0
2π −π g(x) e dx = 0 = a0 que também se enquadra no
sinc(x) 1
1 2
T = 2τ
Exemplo: τ =1 ms
-7 -3 3 7
n
-8 -6 -5 -4 -2 -1 0 1 2 4 5 6 8
-4k -3k -2k -1k 1k 2k 3k 4k
f (Hz)
1
4
−2 x T = 4τ
−5 −4 −3 −1 0 1 2 3 4 5
-14 -6 6 14
n
-16 -12 -10 -8 -4 -2 0 1 2 3 4 8 10 12 16
-4k -3k -2k -1k 1k 2k 3k 4k
f (Hz)
1
Figura 1.6: Função de amostragem 8
g(t) T = 8τ
T
1
-28 -12 12 28 n
t -32
-4k
-24
-3k
-20 -16
-2k
-8
-1k
-4 0 2 4 6 8
1k
16
2k
20 24
3k
32
4k
f (Hz)
− 2τ τ
2 T − 2τ
τ
T Figura 1.8: Espectro da seqüência de pulsos retangulares
Figura 1.7: Seqüência de pulsos retangulares exemplo, com τ = 1 ms as freqüências de mesmo valor numérico se localizam sobre a mesma vertical, f = n/T ): se o período
aumenta, a freqüência da fundamental diminui e em conseqüência as harmônicas ficam mais próximas umas das outras. Note
ainda que τ nunca pode ser maior que T para que os pulsos adjacente não se recubram, logo: 0 ≤ τ ≤ T .
Expandindo em série complexa de Fourier, tem-se que: A Figura 1.8 também sugere o que aconteceria se a largura do pulso τ fosse mantida constante e o período T fosse aumentado
Z T /2 Z τ/2 indefinidademente. Neste casso as raias se aproximariam cada vez mais, e quando T → ∞ elas se sobreporiam. No tempo, a
An =
1
g(t) e− j(
2π nt
T ) dt =
1
e− j (
2π nt
T ) dt função se torna aperiódica: somente um único pulso retangular centrado em t = 0.
T −T /2 T −τ/2
τ/2
1 − j( π nτ )
2π nt
je− j( T ) 1.3 Transformada de Fourier
− je j( T )
π nτ
= = je T se n = 0
2π n 2π n
−τ/2
π nτ A transformada de Fourier é uma generalização da Série Complexa de Fourier no limite com T → ∞. Ela substitui A n , que é
1
= sen discreto, por uma versão contínua G( f ) fazendo n/T → f e substituindo a somatória por uma integral:
nπ T
e no caso de n = 0 tem-se: Z ∞
Z Z G( f ) = g(t) e−2π j f t dt (1.18)
1 T /2 1 T /2 −∞
Z ∞
g(t) e− j(
2π 0t )
An |n=0 = A0 = T dt = g(t) dt
T −T /2 T −T /2 g(t) = G( f ) e2π j f t d f . (1.19)
Z τ/2 τ/2
1 τ τ τ
−∞
1 1
= 1 dt = = − − = .
T −τ/2 T −τ/2 T 2 2 T onde, Z ∞
G( f ) = F {g(t)} = g(t) e−2π j f t dt
Usando a função de amostragem pode-se dizer que: −∞
nτ é chamada de transformada direta de Fourier (note o sinal negativo do expoente) e
1 τπ n 1 π nτ sen πTnτ τ
An = sen( )= π nτ = sinc Z ∞
nπ T nπ T T T T g(t) = F −1 {G( f )} = G( f ) e2π j f t d f
−∞
mesmo que n = 0 pois A 0 = τ/T sinc 0 = τ/T .
é chamada de transformada inversa de Fourier (note o sinal positivo do expoente).
A Figura 1.8 traz o espectro da seqüência de pulsos retangulares para diferentes relações de τ e T onde a amplitude de Para obter a transformada inversa de Fourier deve-se considerar que quando a freqüência de uma função periódica diminui (o
cada co-senóide é mostrada como uma seta. Observe que todos os gráficos estão na mesma escala de freqüência (veja que, por período aumenta) os pontos que formam a função discreta G(n) (ou G( f )), chamados raias, ficam cada vez mais próximos. Se o
período T for aumentado infinitamente G( f ) se torna contínua e a função g(t) deixa de ser periódica. Assim se: u(t) u(t − a) u(t − a) − u(t − b)
1 1 1
T →∞
e t t t
n
→ f. a a b
T
Então An , que representa a distribuição espectral da função g(t), se torna uma função contínua multiplicada por um pequeno
diferencial de freqüência, isso é Figura 1.9: Função Degrau de Heaviside ou Função Degrau Unitário
An → G( f ) d f
que quando substituído em Função Pulso Retangular
∞
g(t) = ∑ An e j(
2π nt )
T A função do exemplo anterior é chamada de função pulso retangular de largura τ e definida por 19 :
n=−∞ ⎧
⎨ 1 se − τ/2 < t < τ/2
leva à Z ∞ τ
retτ (t) = Πτ (t) =
g(t) = G( f ) e2π j f t d f ⎩ 0 caso contrário.
−∞
onde a somatória foi substituída pela integral porque os valores de n/T se tornaram muito próximos a ponto da função se tornar A área da função pulso retangular é unitária, ela é uma função par e sua transformada de Fourier vale:
contínua.
Para obter a transformada direta G( f ) deve-se levar em conta que quando T → ∞ F {retτ (t)} = F {Πτ (t)} = sinc (τ f ) . (1.20)
Z T /2
T An = g(t) e− j(
2π nt )
T dt Função Degrau de Heaviside ou Função Degrau Unitário
−T /2
A função degrau unitário é definida por: ⎧
tende a G( f ), isso é, ⎨ 1 se t ≥ 0
u(t) =
lim T An = lim T G( f ) d f = G( f ) ⎩ 0 se t < 0
T →∞ T →∞
logo
Z ∞ Esta função apresenta uma descontinuidade em t = 0, uma vez que o valor de u(t) se modifica instantaneamente de 0 para 1
G( f ) = g(t) e−2π j f t dt . quando t = 0, como mostrado na Figura 1.9. É interessante observar que se pode criar outras funções baseando-se na função
−∞ degrau unitário.
No MuPAD a função degrau de unitário é chamada heaviside().
Exemplo: considere um único pulso retangular de largura (duração) τ definido por:
⎧ Função Delta de Dirac ou Função Impulso Unitário
⎨ 1 se − τ/2 < t < τ/2
g(t) = τ A função delta de Dirac é definida por:
⎩ 0 caso contrário
δ(t) = 0 para t = 0
A transformada Fourier é: Z +∞
Z ∞ δ(t) dt = 1
−∞
F {g(t)} = G( f ) = g(t) e−2π j f t dt
−∞ Observe que ela não é definida para t = 0. Muitos autores dizem que ela tende a infinito quando t → 0, definindo assim o
Z τ/2 τ/2
1 e−2π j f t limite de δ(t) quando t → 0. Embora isso não seja necessário já que não é usado para provar nenhuma propriedade da função,
= e−2π j f t dt = se f = 0 é conveniente para facilitar a visualização. Por isso, a função delta é representada como uma seta para cima em t = 0 com
τ −τ/2 −2π j f τ −τ/2
comprimento igual à uma unidade e uma reta sobre o eixo dos tt representando os valores onde t = 0 para os quais a função delta
1 −π j f τ 1
= je − jeπ j f τ = sen (π f τ) . é nula, como mostrado na Figura 1.10.
2π f τ πfτ Outra forma de definir a função delta de Dirac é através da integral do produto da função delta por uma outra função g(t):
No caso em que f = 0:
δ(t) = 0 para t = 0 (1.21)
Z ∞ Z +∞
−2π j0t g(t) δ(t) dt = g(0)
G( f )| f =0 = G(0) = g(t) e dt (1.22)
−∞ −∞
Z τ/2
1 1 τ τ
= dt = − − = 1. que se justifica pelo fato da função delta não ser nula apenas na origem, assim apenas o valor que g(t) assume na origem é que
τ −τ/2 τ 2 2 influencia o valor da integral.
A função delta pode ser vista com sendo a derivada da função degrau unitário:
Se for usada a função de amostragem:
1 d u(t)
G( f ) = sen (π f τ) = sinc (τ f ) δ(t) = u
(t) =
πfτ dt
que também vale quando f = 0. 19 Há duas notações amplamente usadas para a função pulso retangular de largura τ: 1) retτ ; e 2) Πτ , ou seja, usando a letra grega pi maiúscula.
δ(t) δ(t − a) δ(t − a) − δ(t − b) Exemplo: a transformada de Fourier de e j( ) vale:

2π nt
T
1 1 1 2π nt Z ∞
F e j( T ) e j( ) e−2π j f t dt
2π nt
= T
−∞
Z ∞
t t t
e− j2π( f − T )t dt
n
=
a a b −∞
n
= δ f−
T

onde foi usada a Equação (1.24) com f − T no lugar de t e t no lugar de f . Assim:
n
Figura 1.10: Função Delta de Dirac ou Função Impulso Unitário 2π nt n

F e j( T ) = δ f − (1.25)
T
Note que em t = 0 a função u(t) apresenta uma descontinuidade onde a sua derivada não é definida: o limite a esquerda quando
Exemplo: a transformada de Fourier da função g(t) = A cos(2π f 0t) onde A é a amplitude e f 0 é a freqüência (constante) é
t → 0 vale zero enquanto o limite a direita quando t → 0 vale 1. Como houve um salto para cima a derivada deve tender a infinito
expressa por:
em t = 0. Exatamente como a função delta de Dirac.
No MuPAD a função delta de Dirac é chamada dirac(). G( f ) = F {A cos(2π f 0t)}
A transformada de Fourier da função delta é: Z ∞
Z ∞ = A cos(2π f 0t) e−2π j f t dt
−∞
F {δ(t)} = δ(t) e−2π j f t dt . Z ∞ Z ∞

−∞
= A cos(2π f 0t) cos(2π f t) dt − j cos(2π f 0t) sen(2π f t) dt .
−∞ −∞
Neste caso g(t) = e−2π j f t na Equação (1.22) e g(0) = e0 = 1, logo:
a segunda integral é nula já que função resultante é ímpar (produto de função par por ímpar). A primeira integral se
F {δ(t)} = 1 .
transforma em:
Esse resultado é muito importante. Uma das suas aplicações é mostrar que: Z ∞
Z ∞ Z ∞ G( f ) = A cos(2π f 0t) cos(2π f t) dt
−∞
e2π j f t d f = cos(2π f t) d f = δ(t) . (1.23) Z ∞ Z ∞
−∞ −∞ A
= cos(2π f t + 2π f 0t) dt + cos(2π f t − 2π f 0t) dt
Uma vez que a transformada da função delta é um, a transformada inversa de um deve ser a função delta, assim: 2 −∞ −∞
Z ∞ Z ∞
Z ∞ A
= cos(2π( f + f 0 )t) dt + cos(2π( f − f 0 )t) dt
F −1 {1} = 1 e2π j f t d f = δ(t) 2 −∞ −∞
−∞
Z ∞ Z ∞ A
= cos(2π f t) d f + sen(2π f t) d f , = (δ( f + f0 ) + δ( f − f0 ))
2
−∞ −∞
a segunda integral é nula pois trata-se de uma função ímpar, logo: onde foi usada a Equação (1.23) com ( f − f 0 ) no lugar de t e t no lugar de f .
Z ∞ Z ∞
A transformada de uma co-senóide são dois impulsos deslocados: um na freqüência f 0 e outro em − f 0 . Por isso o espectro da
e2π j f t d f = cos(2π f t) d f = δ(t) . seqüência de pulsos retangulares mostrada na Figura 1.8 foi plotada com uma seqüência de setas, cada uma representando um
−∞ −∞
impulso. A expansão em série complexa de Fourier da seqüência de pulso resulta na somatória de co-senos reais já que a função
A justificativa para este resultado é que a integral é nula se t = 0, mas se t = 0 tem-se cos 0 = 1: a integral de um de menos original é par, portanto A n será real e os termos complexos (senos) com n < 0 anulam os com n > 0. Se cada co-senóide for
infinito até infinito é indeterminada (tende a infinito). transformada para o domínio da freqüência empregando a transformada de Fourier o resultado será uma seqüência de impulsos
Note ainda que a função delta de Dirac é par, logo: localizados na freqüência n/T e com amplitude dada por A n exatamente como representado na Figura 1.8. Isso mostra que a
Z ∞
transformada de Fourier é muito similar a série de Fourier, tudo depende da interpretação dos impulsos.
δ(t) = δ(−t) = e−2π j f t d f . (1.24)
−∞
Como a integral acima vale: 1.3.1 Outras Formas para a Transformada de Fourier
Z ∞ ∞ Alguns autores preferem escrever a transformada de Fourier em termos de freqüência angular ω ≡ 2π f , medida em radiano
e−2π j f t e−2π j f t e−2π j f t
e−2π j f t d f = = lim − lim = δ(t) , por segundo (rad/s) ao invés da freqüência oscilatória f medida em hertz (Hz). Entretanto, isso destrói a simetria do par de
−∞ −2π jt −∞ f →∞ −2π jt f →−∞ −2π jt
transformadas que se tornam:
logo, cada um dos limites deve valer, respectivamente, δ(t)/2 e −δ(t)/2. Esse resultado é usado para calcular a transformada de Z ∞
Fourier da função degrau unitário. H(ω) = F {h(t)} = h(t) e− jωt dt
−∞
Z ∞
Exemplo: a transformada de Fourier da função degrau unitário é: 1
h(t) = F −1 {H(ω)} = H(ω) e jωt dω.
Z ∞ 2π −∞
−2π j f t
F {u(t)} = u(t) e dt
−∞ No caso geral, o par de transformadas de Fourier pode ser definido usando duas constantes arbitrárias A e B como:
Z ∞
−2π j f t Z ∞
= e dt
0 G( f ) = A g(t) eB jωt dt
∞ −∞
e−2π j f t e−2π j f t e−2π j f 0 δ( f ) 1 Z ∞
= = lim − = + . |B|
−2π j f 0
t→∞ −2π j f −2π j f 2 2π j f g(t) = G(ω) e−B jωt dω.
2πA −∞
O programa 20
√para processamento simbólico M ATHEMATICA (da Wolfram Research, Champaign, IL, http://www.wolfram.com/) Estas condições de existência são chamadas de condição de Lipschitz . É uma condição fraca porque ela é suficiente (se for
define A = 1/ 2π e B = 1 por default, mas permite que estes valores sejam ajustados. Dependendo do campo de aplicação ou comprida existe a transformada) mas não é necessária, logo há muitas funções que não atendem esta condição mas possuem
do software de processamento usado pode-se ter valores diferentes para A e B: transformada.
Quanto mais suave a função (isso é, quanto maior o número de derivadas contínuas) mais compacta será a sua transformada
de Fourier.
Área ou Software A B ω
√ Linearidade
Física Moderna 1/ 2π 1 ω
A transformada de Fourier é linear 21 uma vez que se g(t) e h(t) tem transformadas G( f ) e H( f ), então:
Matemática 1 −1 ω
Z +∞ Z ∞ Z ∞
Processamento de Sinais 1 −2π f [ag(t) + bh(t)]e−2π j f t dt = a g(t) e−2π j f t dt + b h(t) e−2π j f t dt
√ −∞ −∞ −∞
Mathematica 1/ 2π 1 ω = aG( f ) + bH( f ) ,
Matlab 1 −1 ω logo:
MuPAD 1 1 ω F {ag(t) + bh(t)} = aF {g(t)} + bF {h(t)} = aG( f ) + bH( f ).
Exemplo: considere a seqüência 22 de impulsos dada por:
O MuPAD fornece uma biblioteca de transformações integrais chamada transform, contudo a transformada de Fourier e sua +∞
inversa não é definida nesta biblioteca exatamente como as Equações ( 1.18) e (1.19) mas a forma com que a biblioteca trata as g(t) = ∑ δ(t − nT )
n=−∞
transformadas permite que se chegue ao mesmo resultado. Isso porque o uso da biblioteca requer que sejam especificadas as va-
riáveis (ou expressões das variáveis) além da função a ser transformada. Portanto para usar o MuPAD para calcular a transformada onde T é a “distância” (constante) no tempo entre dois impulsos consecutivos. Esta função é periódica com período igual à
de Fourier tal como definida na Equação ( 1.18) deve-se substituir ω por −2π f . Para calcular a transformada inversa deve-se T . Para calcular transformada de Fourier desta seqüência primeiro expande-se a função em série complexa de Fourier para
substituir t por −2πt, ω por f e multiplicar o resultado por 2π. depois calcular a transformada de cada termo e, aplicando a propriedade de linearidade, obter a transformada da seqüência.
Para expandir em série complexa de Fourier calcula-se A n pela Equação (1.17) que lava à:
Exemplo: para calcular a transformada de função degrau unitário u(t): Z T /2 Z ∞
1 ) dt = 1 ) dt = 1 e− j( 2πTn0 ) = 1 .
δ(t) e− j( δ(t) e− j(
2π nt 2π nt
An = T T
transform::fourier(heaviside(t),t,-2*PI*f); T −T /2 T −∞ T T
Logo, a expansão em série complexa de Fourier pode ser escrita como:
para obter:
+∞ +∞
δ( f ) 1/2 j δ( f ) 1
e j( )
1
∑ ∑
2π nt
F {u(t)} = − = + . g(t) = δ(t − nT ) = T
2 πf 2 2π j f n=−∞ T n=−∞
cuja transformada de Fourier vale:

Exemplo: para calcular a transformada da função e −t pode-se usar o comando:
2

1 +∞
1 +∞ 2π nt 1 +∞ n
∑ e j( )
∑ F e j( T ) = ∑
2π nt
transform::fourier(exp(-t^2),t,-2*PI*f); G( f ) = F T = δ f− (1.26)
T n=−∞ T n=−∞ T n=−∞ T
para obter: onde foi usado a Equação (1.25). A Figura 1.11 ilustra a seqüência de pulso no tempo e sua transformada de Fourier.
√ −π2 f 2
F {e−t } =
2
πe . Esse resultado é no mínimo surpreendente: a transformada de Fourier de uma seqüência de impulsos no tempo é uma
seqüência de impulsos na freqüência. Alguns autores dizem que “a transformada de Fourier de uma seqüência da impulso
Exemplo: para calcular a transformada inversa do exemplo anterior: é ela mesma”.
transform::invfourier(%,f,-2*PI*t)*2*PI;
Exemplo: a transformada de Fourier da função g(t) = A sen(2π f 0t) onde A é a amplitude e f 0 é a freqüência (constante) é
expressa por:
1.3.2 Propriedades jA
G( f ) = F {A sen(2π f 0t)} = F {e− j 2π f0t } − F {e j 2π f0t } .
2
Condição de Existência Usando a Equação (1.25) com ± f 0 no lugar de n/T , tem-se:
Uma função g(t) tem sua transformada direta e inversa de tal forma que: jA
G( f ) = F {A sen(2π f 0t)} = (δ( f + f0 ) − δ( f − f0 )) .
Z +∞ 2
Z +∞
g(t) = e2π j f t g(t) e−2π j f t dt d f
−∞ −∞ Transformada de Função Real, Par e Ímpar
dado que: A transformada de Fourier de uma função g(t) real terá sua parte real par e sua parte imaginária ímpar. Se a função for imaginária
Z ∞ sua transformada terá a parte real ímpar e a imaginária par. Se ela for complexa nada se pode afirmar a priori sobre sua
1. existe |g(t)| dt; transformada.
−∞ Além disso: se a função for real e par sua transformada será real; se ela for real e ímpar sua transformada será imaginária.
2. toda descontinuidade é finita (limitada); 20 Rudolf Lipschitz (1831-1903), matemático alemão.
21 A transformada de Fourier é um operador linear.
3. a função é descontínua apenas em pontos e não em intervalos completos (descontínua em um número finito de pontos). 22 Pode-se dizer também: série de impulsos (somatória); ou trem de impulsos.
+∞ +∞
1 n
∑ δ(t − nT )
T ∑ δ( f −
T
) Correlação
n=−∞ n=−∞
δ(t + 3T ) δ(t + 2T ) δ(t + T ) δ(t − T ) δ(t − 2T ) δ(t − 3T ) A correlação de duas funções, denotadas por g(t) h(t) é definida com:
1 δ(t)
F δ( f +2/T )
T
δ( f +1/T )
T
1 δ( f )
δ( f −1/T )
T
δ( f −2/T )
T Z +∞ Z +∞
T g(t) h(t) g(λ) h(t + λ) dλ = h(λ) g(t + λ) dλ .
T −∞ −∞
t
F −1 f
-3 -2 -1 0 T 1 2 3 n -2 -1 0 1 1 2 n onde g(t) é o complexo conjugado de g(t). Se g(t) = h(t) a correlação é chamada auto-correlação, se g(t) = h(t) a correlação é
T chamada de correlação cruzada. A auto-correlação de uma função g(t) é calculada por:
Z +∞
Cg (t) ≡ g(t) g(t) = g(−t) ∗ g(t) = g(λ) g(t + λ) dλ .
−∞
Figura 1.11: Seqüência de impulsos no tempo e na freqüência
Há, também, um relacionamento extremamente importante e surpreendente entre a auto-correlação e a transformada de
Fourier conhecida como teorema de Wiener-Khintchine. Faça F {g(t)} = G( f ) e G( f ) denotar o complexo conjugado de G( f ),
Simetria então a transformada de Fourier da norma quadrática de G( f ), isso é |G( f )| 2 = G( f ) G( f )) é dado por:
Z ∞
Se F {|G( f )|2 } = g(λ) g(λ + t) dλ = Cg (t)
−∞
G( f ) = F {g(t)} e
g(t) = F −1 {G( f )} onde Cg (t) é a autocorrelação de g(t).
F {|G( f )|2 } é o espectro de energia do sinal: representa da distribuição da energia de um sinal na freqüência. Por isso a
então: transformada de Fourier de um co-seno tende ao infinito na freqüência igual a do co-seno (na freqüência positiva e negativa): a
energia de uma co-senóide se concentra apenas na freqüência própria do co-seno, não há energia em outras freqüência. Um sinal
g(− f ) = F {G(t)} e DC também só possui energia em zero hertz, por isso a transformada de Fourier de uma constante é a função delta de Dirac.
G(−t) = F −1 {g(t)}
Convolução
Por que, considerando as Equações (1.18) e (1.19) reescritas aqui:
Z ∞ A convolução de duas funções, denotadas por g(t) ∗ h(t) é definida com:
F {g(t)} = g(t) e−2π j f t dt = G( f ) Z +∞ Z +∞
−∞
Z ∞ g(t) ∗ h(t) = g(λ) h(t − λ) dλ = h(λ) g(t − λ) dλ
F −1 {G( f )} = G( f ) e2π j f t d f = g(t) −∞ −∞
−∞
e expressa a quantidade de sombreamento de uma função h(t) que é deslocada sobre g(t). Em outras palavras ela “mistura” duas
tem-se: funções23 . Relacionadas com convolução, pode-se escrever as seguintes transformadas:
Z ∞ F {g(t) ∗ h(t)} = F {g(t)} F {h(t)}
F {G(t)} = G(t) e−2π j f t dt com λ = − f F {g(t) h(t)} = F {g(t)} ∗ F {h(t)}
−∞
Z ∞
F −1 {F {g(t)} F {h(t)}} = g(t) ∗ h(t)
= G(t) e 2π jλt
dt com t = f
−∞
Z ∞ F −1 {F {g(t)} ∗ F {h(t)}} = g(t) h(t).
= G( f ) e2π jλ f d f A primeira pode ser deduzida como segue:
−∞
Z ∞ Z ∞
que é igual à Equação (1.19) com t = λ, logo: F {g(t) ∗ h(t)} = e−2π j f t g(λ) h(t − λ) dλ dt
−∞ −∞
Z ∞Z ∞
F {G(t)} = g(λ) = g(−t) .
= e−2π j f t g(λ) h(t − λ) dλ dt
−∞ −∞
Tem-se também: Z ∞Z ∞
Z ∞ = e−2π j f λ g(λ) e−2π j f (t−λ) h(t − λ) dλ dt
F −1 {g( f )} = g( f ) e2π j f t d f com λ = −t −∞ −∞
Z ∞ Z ∞
−∞
Z ∞
= e−2π j f λ g(λ) dλ e−2π j f ξ h(ξ) dξ
= g( f ) e−2π j f λ d f com f = t −∞ −∞
−∞
Z ∞ = F {g(t)} F {h(t)},
= g(t) e−2π jλt dt
−∞ onde ξ ≡ t − λ.
que, por sua vez é igual à Equação (1.18) com f = λ, logo: Exemplo: a correlação de uma função g(t) por uma função delta de Dirac denotada por g(t) ∗ δ(t) pode se calculada usando o
F −1 {g( f )} = G(λ) = G(−t) . teorema acima:
Exemplo: a transformada de Fourier da função sinc (τt) pode ser obtida substituindo f por t na Equação ( 1.20) e aplicando o F {g(t) ∗ δ(t)} = F {g(t)} F {δ(t)}
teorema da simetria que fornece: = F {g(t)} 1
F {sinc (τt)} = retτ (− f ) = retτ ( f ) = F {g(t)}
já que função pulso retangular é par. 23 Em alemão, a convolução é chamada de Faltung, palavra que significa dobra.
retτ (λ) deslocar a função no tempo; e

para cada valor diferente do tempo multipica-la pela outra função e integrar o resultado. Logo, para cada instante de tempo a
λ integral tem um valor diferente.
A integral de convolução, por ser uma integral, possui ainda as seguintes propriedades:
τ
g(t) ∗ h(t) = h(t) ∗ g(t) (comutativa)

retτ (t − λ)/2
g(t) ∗ (h1 (t) + h2(t)) = g(t) ∗ h1(t) + g(t) ∗ h2(t) (distributiva)
λ (g(t) ∗ h(t)) ∗ x(t) = g(t) ∗ (h(t) ∗ x(t)) (associativa)
t g(t) ∗ 0 = 0 ∗ g(t) = 0
mas no geral 1 ∗ g(t) = g(t), embora seja possível encontrar alguma função g(t) tal que 1 ∗ g(t) = g(t).
retτ (t − λ) A operação de convolução de duas funções tem uma importância fundamental em processamento de sinais e análise de
retτ (λ)
2 sistemas. Gráficos como o da Figura 1.12 são fundamentais para visualizar o processo e compreender melhor o conceito de con-
λ volução. Este gráficos podem ser construídos com ajuda dos applets java disponíveis no site: http://www.jhu.edu/~signals.
t
Transformada de Funções Periódicas
Uma função periódica g p (t) pode ser escrita como uma função g(t), igual a g p (t) no intervalo [−T /2, T /2] e nula fora dele,
λ
t4 = 0
convoluída com uma série de impulsos com período T . A convolução posiciona uma cópia da função g(t) a cada período. A
Figura 1.13 ilustra o processo. Assim:
λ +∞
t3 λ g p (t) = g(t) ∗ ∑ δ(t − nT ) .
λ t5 n=−∞
t2 = −τ
E a transformada será:
trigτ (t) = retτ (t) ∗ retτ (t) λ

t6 = τ +∞
λ λ
F {g p (t)} = F g(t) ∗ ∑ δ(t − nT )
n=−∞
t
t1 t7
+∞
1 n
t1 t2 t3 t4 t5 t6 t7 = F {g(t)}
T ∑ δ( f −
T
).
τ τ n=−∞
Exemplo: a transformada de Fourier da seqüência de pulsos retangulares da Figura 1.7 é a transformada de um único pulso
retangular de largura τ e amplitude 1 (que vale τ sinc (τ f )) multiplicada pela seqüência de impulsos distanciados de uma
Figura 1.12: Convolução de dois pulsos retangulares formando um pulso triangular freqüência igual à 1/T ; como ilustrado na Figura 1.8.
logo: Transformada de Fourier da Derivada

Z +∞
g(t) ∗ δ(t) = g(λ) δ(t − λ) dλ = g(t) . A transformada de Fourier da derivada g
(t) = dg(t)/dt de uma função g(t) está relacionada de forma simples com a transformada
−∞ de Fourier da função g(t). Considere que Z ∞
A convolução de uma função g(t) por uma função delta de Dirac atrasada de t 0 , ou seja, δ(t − t0 ) tem o efeito de atrasar a função: F {g
(t)} = g
(t) e−2π j f t dt.
−∞
Z +∞
g(t) ∗ δ(t − t0 ) = g(λ) δ((t − t0 ) − λ) dλ Integrando por partes: Z Z
−∞ v du = u v − u dv
Z +∞
= g((t − t0 ) − λ) δ(λ) dλ = g(t − t0 ) . com:
−∞
Exemplo: a função pulso triangular 24 de largura 2τ pode ser obtida pela convolução de dois pulsos retangulares também de du = g
(t) dt ∴ u = g(t)
largura τ. v = e−2π j f t ∴ dv − 2π j f e−2π j f t dt,
trigτ (t) = Λτ (t) = retτ (t) ∗ retτ (t) .
então
∞ Z ∞
Note que a área será unitária e a amplitude do pulso será 1/τ. Assim, pode-se obter a transformada de Fourier do pulso F {g
(t)} = g(t) e−2π j f t −∞ − g(t)(−2π j f e−2π j f t dt).
−∞
triangular por:
F {trigτ (t)} = F {retτ (t) ∗ retτ (t)} = sinc2 (τ f ) . onde o primeiro termo consiste de uma função oscilante multiplicada por g(t). Mas se a função é limitada de tal forma que:
Na Figura 1.12 a amplitude de um dos pulsos retangulares foi dividido por dois para facilitar a visualização. lim g(t) = 0
t→±∞
Observe que convoluir duas funções significa: (como qualquer sinal físico de importância realmente é), então o primeiro termo desaparece deixando:
inverter uma das função girando de 180 0 em torno do eixo vertical (no exemplo acima a função ret é par, logo não é alterada); Z ∞
24 Há duas notações amplamente usadas para a função pulso triangular de largura 2τ: 1) trigτ ; e 2) Λτ , ou seja, usando a letra grega lambda maiúscula. F {g
(t)} = 2π j f g(t) e−2π j f t dt = 2π j f F {g(t)}.
−∞
g(t) que pode ser comprovada derivando-se duas vezes e aplicando o resultado na equação original. Assim:
1
−2π f0 sen 2π f 0t
y
(t) = e
1 − 4π2 f02
t
−4π2 f02 cos 2π f 0t
− 2τ τ y
(t) =
2 1 − 4π2 f02
τ
+∞ então:
∑ δ(t − nT )
cos2π f 0t −4π2 f02 cos 2π f 0t
n=−∞ y
(t) + y(t) = + = cos2π f 0t .

1 − 4π2 f02 1 − 4π2 f02
t
Portanto a solução encontrada é uma solução para a equação diferencial y
(t) + y(t) = cos 2π f 0t, mas não é a única. Esta

T solução é particular e só é válida considerando as condições iniciais:
+∞ 1
y(0) =
g p (t) = g(t) ∗ ∑ δ(t − nT )
T 1 − 4π2 f02
n=−∞
1 y
(0) = 0 .
Para outras condições iniciais outras soluções podem ser encontrada. Por exemplo, para y(0) = y
(0) = 0, a solução será:
t
cos2π f 0t − cost
− 2τ τ y(t) =
τ
2 1 − 4π2 f02
que não pode ser calculada empregando a transformada de Fourier. O fato de não ser possível impor os valores iniciais é
uma forte limitação da aplicação da transformada de Fourier na resolução de equações diferenciais. Para contornar esta
Figura 1.13: Convolução de um pulso retangular por uma seqüência de impulsos limitação usa-se a transformada de Laplace.
Este processo pode ser realizado para uma derivada de ordem n levando à: Teorema da Modulação
F {g(n) (t)} = (2π j f )n F {g(t)}. O Teorema da Modulação, muito importante na área de telecomunicação, permite que F {cos(2π f 0t) g(t)} seja expressa em
termos de F {g(t)} = G( f ) como segue:
Essa equação não pode ser aplicada a funções como seno, co-seno e exponencial pois é necessário que lim t→±∞ g(t) = 0, o que
não ocorre para essas funções. F {cos(2π f 0t) g(t)}
Exemplo: para resolver a equação diferencial y
(t) + y(t) = cos 2π f 0t pode-se aplicar a transformada de Fourier a ambos os Que significa que uma função g(t), chamada de modulante, quando multiplicada por um co-senóide de freqüência fixa f 0 ,
lados da equação obtendo: chamada de portadora, terá seu espectro G( f ) deslocado metade (em amplitude) para f 0 e a outra metade para − f 0 : esse é o
princípio do modulador AM-SC (Amplitude Modulation - Suppressed Carrier).
F {y
(t) + y(t)} = F {cos 2π f 0t}

O mesmo resultado poderia ser encontrado considerando que F {cos(2π f 0t)} = 12 (δ ( f + f0 ) + δ ( f − f0 )) e aplicando uma

1
F {y (t)} + F {y(t)} = (δ ( f + f0 ) + δ ( f − f0 )) das propriedades da convolução que diz que: F {g(t) h(t)} = F {g(t)}∗F {h(t)}. Dessa forma a transformada de F {cos(2π f 0t) g(t)}
2 é dada pela convolução de F {g(t)} = G( f ) com duas funções deltas, uma centrada na freqüência f 0 e a outra em − f 0 . Já é
1
(2π j f )2 F {y(t)} + F {y(t)} = (δ ( f + f0 ) + δ ( f − f0 )) sabido que esta convolução posiciona uma cópia de G( f ) nas freqüências f 0 e − f0 .
2
1
1 − 4π2 f 2 F {y(t)} = (δ ( f + f0 ) + δ ( f − f0 )) Z ∞
2
Integral na Forma t n g(t) dt
δ ( f + f0 ) δ ( f − f0 ) −∞
F {y(t)} = +
2 (1 − 4π2 f 2 ) 2 (1 − 4π2 f 2 )
Desde que a derivada da transformada de Fourier é dada por:
a solução é encontrada aplicando a transformada inversa de Fourier: Z ∞
d
G
( f ) ≡ F {g(t)} = (−2π jt)g(t) e−2π j f t dt,
δ ( f + f0 ) δ ( f − f0 ) df −∞
y(t) = F −1 + F −1
2 (1 − 4π f )
2 2 2 (1 − 4π f )
2 2
Z ∞ Z ∞ decorre que
e2π j f t e2π j f t Z ∞
= δ ( f + f0 ) df + δ ( f − f0 ) df G
(0) = −2π j
−∞ 2 (1 − 4π2 f 2 ) −∞ 2 (1 − 4π2 f 2 ) t g(t) dt.
−2π j f t −∞
1 e 0 e2π j f0t
= + Que fornece a fórmula geral:
1 − 4π f0
2 2 2 2 Z ∞
cos 2π f 0t G(n) (0)
= µn ≡ t n g(t) dt = .
1 − 4π2 f02 −∞ (−2π j)n
Deslocamento no Tempo 1.3.3 Transformada de Fourier de Algumas Funções

Se g(t) tem a transformada de Fourier G( f ), a transformada de Fourier apresenta a seguinte propriedade relativa ao deslocamento
no tempo (atraso ou adiantamento):
Z ∞ g(t) F {g(t)} = G( f )
F {g(t − t0 )} = g(t − t0) e−2π j f t dt
−∞
Z ∞
= g(t − t0) e−2π j(t−t0 ) f e−2π j f t0 d(t − t0 ) 1 δ( f )
−∞
Z ∞
= g(λ) e−2π jλ f e−2π j f t0 d(λ)
−∞ δ(t) 1
−2π j f t0
= e G( f ) .
Mudança de Escala retτ (t) sinc(τ f )
Se g(t) tem a transforma de Fourier G( f ), então a transformada de Fourier obedece ao teorema de similaridade (mudança de
escala): trigτ (t) sinc2 (τ f )
Z ∞
F {g(at)} = g(at) e−2π j f t dt
−∞
Z
δ( f ) 1
1 ∞ u(t) +
= g(at) e−2π j(at)( f /a) d(at) 2 2π j f
|a| −∞
Z
1 ∞ 1
= g(λ) e−2π j λ( f /a) d(λ) cos 2π f 0t (δ ( f + f0 ) + δ ( f − f0 ))
|a| −∞ 2

1 f
= G . j
|a| a sen 2π f 0t (δ ( f + f0 ) − δ ( f − f0 ))
2
Área Total de Uma Função
e j2πat δ ( f − a)
Uma vez que: Z ∞
F {g(t)}| f =0 = G(0) = g(t) dt ,
−∞
a “área” de uma função pode ser calculada facilmente. Note que G(0) não representa a área no sentido exato mas sim o valor 1.4 Transformada de Laplace
da integral que, por sua vez, considera área positivas e negativas. Qualquer operação em g(t) que não altera a área de g(t) não
altera também G(0). O valor médio de uma função periódica (ou valor DC) pode ser determinado considerando o peso (valor)
do impulso em f = 0 na transformada de Fourier da função. 1.5 Transformada Inversa de Laplace
Transformada Bidimensional 1.6 Sinais e Sistemas

A transformada bidimensional de Fourier de uma função g(x, y) é definida como:
Z ∞Z ∞ 1.6.1 Tipos de Sistemas
G( fx , fy ) = g(x, y) e−2π j( fx x+ fy y) d fx d fy
−∞ −∞ Sistemas Causais
Z ∞Z ∞
g(x, y) = G(x, y) e2π j( fx x+ fy y) dx dy . Diz-se que um sistema é causal se o valor atual do sinal de saída depender somente dos valores presentes e/ou passados do sinal
−∞ −∞
de entrada. Em contrapartida, o sinal de saída de um sistema não causal depende dos valores futuros do sinal de entrada.
De forma similar, a transformada de Fourier de n dimensões pode ser definida para f , x ∈ n por: Os sistemas não causais não podem ser implementados como sistemas físicos reais e também não podem ser usados para
Z ∞ Z ∞ processamento em tempo real. Contudo, quando se conhece inteiramente o sinal (todo o sinal está memorizado) é possível usar
G( f ) = ··· g(x) e−2π j f •x dn x um sistema não causal para processa-lo. Naturalmente, para que se possa memorizar todo o sinal ele deve ter duração finita.
−∞ −∞
O nome nome causal está ligado a lei de causa e efeito: “em um sistema físico, o efeito não pode preceder sua causa”.
n
Z ∞ Z ∞
g(x) = ··· G( f ) e2π j f •x dn f .
−∞ −∞
Sistemas Invariantes no Tempo
n
Diz-se que um sistema é invariante no tempo se um sinal de entrada atraso ou adiantado de um certo tempo produzir um sinal
onde o operador • denota o produto interno ou escalar de vetores definido como:
de saída idêntico porém atrasado ou adiantado de um tempo igual. Isso é, um sistema invariante no tempo reage sempre da
−
→
N mesma maneira a um dado sinal de entrada, não importa quando este sinal de entrada é aplicado. Portanto, as características de
u •→
−
v = ∑ u i · vi um sistema invariante no tempo não se modificam ao longo do tempo. Caso contrário, o sistema é dito variante no tempo.
i=1
Assim, se a aplicação de um sinal x(t) à entrada de um sistema invariante no tempo produzir um sinal y(t) na saída; a aplicação
onde ui é a i-ésima componente do vetor −
→
u e vi é a i-ésima componente do vetor −
→
v. deste mesmo sinal um certo tempo “τ” depois, ou seja x(t − τ), produzirá um sinal y(t − τ) como ilustrado na Figura 1.14.
x(t) y(t) y(t) do impulso:

x(t) Z +∞
G
t t x(t) = x(τ) δ(t − τ) dτ
−∞
e supondo que a aplicação do sinal x(t) ao sistema G produz o sinal de saída y(t), tem-se:
x(t − τ) y(t − τ) y(t) = G{x(t)}
x(t − τ) y(t − τ) Z +∞
t t
G = G x(τ) δ(t − τ) dτ .
−∞
τ τ
Se o sistema for linear a integral do sinal de entrada produzirá a integral do sinal de saída. Ou seja, um sinal integrado é
aplicado a entrada é equivalente a aplicar o sinal ao sistema e integrar a saída. Considerando x(τ) dτ o peso do sinal δ(t − τ),
Figura 1.14: Sistemas lineares invariantes no tempo tem-se: Z +∞
y(t) = x(τ) G {δ(t − τ)} dτ .
x(t) y(t) −∞
G Se o sistema for invariante no tempo:
Z +∞
a x(t) a y(t) y(t) = x(τ) g(t − τ) dτ = x(t) ∗ g(t)
−∞
G
que é uma integral de convolução. Assim, a saída y(t) é dada como uma superposição ponderada de respostas ao impulsos
deslocadas de τ no tempo. Os pesos são x(τ) dτ.
a x1 (t) + b x2(t) a y1 (t) + b y2(t)
G A resposta ao impulso caracteriza completamente um sistema linear e invariante no tempo. Portanto há uma
equivalência entre um sinal (função do tempo) e em sistema (algo capaz de modificar um sinal). Ambos podem ser
Z t Z t
representados da mesma forma usando a resposta ao impulso.
x(τ) dτ y(τ) dτ
−∞ −∞
G
1.6.3 Teorema da Amostragem ou Teorema de Nyquist
Considere um trem (seqüência) de impulsos dada por:
Figura 1.15: Relações entre sinais de entrada e de saída para sistemas lineares ∞
s(t) = ∑ δ(t − nT ) .
n=−∞
Sistemas Lineares
Pela Equação (1.26) sabe-se que a transformada de Fourier deste trem de impulsos será:
Diz-se que um sistema é linear se ele satisfizer o princípio da superposição 25 , ou seja, a resposta de um sistema linear a uma
soma ponderada de sinais de entrada é igual à mesma soma ponderada de sinais de saída (saídas com os pesos respectivos das 1 +∞ n 1 +∞
entradas), sendo cada sinal de saída associada a um sinal de entrada particular que age no sistema independentemente de todos
S( f ) =
T ∑ δ f−
T
=
T ∑ δ ( f − n fs ) .
n=−∞ n=−∞
os outros sinais de entrada. Um sistema que viole este princípio é dito não-linear.
De uma outra forma, um sistema é linear se a combinação linear de sinais de entrada produzir uma combinação linear A freqüência 1/T que define quantas amostras do sinal são tomadas por segundo é chamada taxa de amostragem e denotada
dos sinais de saída respectivos. Assim, se uma entrada x(t) produzir uma saída y(t) em um sistema G linear de tal forma que por f s . Assim, fs = 1/T .
y(t) = G{x(t)}, uma entrada a x(t) produzirá uma saída a y(t) = G{a x(t)} = a G{x(t)} 26 ; a soma de duas entradas a x 1 (t)+ b x2(t) Considere agora que o sinal a ser amostrado x(t) tenha sua transformada de Fourier X( f ) tal que X( f ) = 0 se | f | > B, isso
produzirá uma saída a y 1 (t) + b y2 (t); se a entrada for a integral de um sinal de entrada original x(t) (soma de infinitos sinais com é, x(t) é uma função limitada na freqüência; para freqüências fora do intervalo (−B, B) a transformada de x(t) vale zero. A
peso dt) sistema produzirá a integral do sinal de saída y(t) como ilustrado na Figura 1.15: Figura 1.16 ilustra um sinal x(t) sendo amostrado por uma chave rotativa ideal que produz um sinal amostrado x ∗ (t) dado por:
Z t Zt Z t ∞
G x(τ) dτ =
−∞
G{x(τ)} dτ =
−∞
y(τ) dτ .
−∞
x∗ (t) = x(t) s(t) = x(t) ∑ δ(t − nT )
n=−∞
que tem por transformada:

1.6.2 Resposta ao Impulso F {x∗ (t)} = X ∗ ( f ) = F {x(t) s(t)} = F {x(t)} ∗ F {s(t)}
A resposta ao impulso de um sistema G é uma função do tempo g(t) que é o sinal de saída do sistema quando é aplicado um 1 +∞ n 1 +∞ n
impulso unitário (ou delta de Dirac) na entrada do sistema. Assim: = X( f ) ∗ ∑
T n=−∞
δ f−
T
= ∑
T n=−∞
X( f ) ∗ δ f −
T
g(t) = G{δ(t)} . 1 +∞ n
= ∑ X f−T
T n=−∞
Se o sistema for invariante no tempo a resposta ao impulso será G{δ(t − τ)} = g(t − τ), ou seja, uma entrada de impulso deslocada +∞
1
no tempo de um valor τ gera uma saída de resposta ao impulso deslocada do mesmo valor de tempo. Lembrado que, pela definição =
T ∑ X ( f − n fs)
n=−∞
25 As vezes chamado de “princípio da linearidade e superposição”.
26 Note que a não varia no tempo, ou seja, a não é uma função do tempo o que significa que a é invariante no tempo. Isso significa que o espectro de x(t) será repetido a cada f s Hz como ilustrado na Figura 1.17.
T
x(t) x∗ (t)
x(t) x∗ (t)
1
t 8 9 10 11 12 13 t
0
0 1 2 3 45 6 7 14 15 16 17
-1
-2
-3
G( f )
Figura 1.16: Amostragem de um sinal x(t)
f
Para que o sinal x(t) seja totalmente recuperado, isso é, sem sofrer qualquer interferência, é necessário que:
−B B
2B
fs − B ≥ B
+∞
∑ δ( f − n fs )
n=−∞
fs ≥ 2B . (1.27)
No caso limite, onde f
fs = 2B = f N , (1.28) fs
fN é denominada de taxa de Nyquist ou freqüência de Nyquist e corresponde a um caso ideal, pois só se pode recuperar x(t)
com um filtro passa baixa (FPB) ideal com ganho igual à T e largura de banda igual à f s /2. Este tipo de filtro não pode ser +∞
realizado na prática por ser um sistema não causal (não obedece a lei de causa e efeito) como foi visto na Seção 1.6.1. Contudo, é G∗ ( f ) = G( f ) ∗ ∑ δ( f − n fs )
n=−∞
possível realizar um filtro que seja uma boa aproximação do filtro passa baixa ideal, embora essa não seja a abordagem geralmente
empregada na prática.
O filtro responsável pela regeneração de um sinal amostrado é chamado de filtro reconstrutor. Como o processo de amos-
tragem é um tipo de modulação, o filtro reconstrutor as vezes é chamado de demodulador. f
A Inequação (1.27) é chamada de Teorema da Amostragem ou Teorema de Nyquist e estabelece o limite teórico para a taxa
de amostragem de um sinal sem causar distorção pelo processo de amostragem. Caso o sinal tenha uma largura de banda superior fs fs − B
à metade da taxa de Nyquist (desrespeitando o Teorema da Amostragem), as bandas reposicionadas em freqüências inferiores
e superiores causarão interferência umas nas outras provocando um fenômeno conhecido com recobrimento (aliasing) com
ilustrado na Figura 1.18. O erro introduzido pelo recobrimento das bandas laterais não pode ser corrigido pois não se conhece G( f )
o espectro do sinal sendo amostrado (se o espectro fosse conhecido com exatidão não haveria a necessidade de amostrar o sinal
para processa-lo); é um erro irrecuperável.
Na prática, costuma-se usar uma freqüência de amostragem acima da taxa de Nyquist porque:
f
1. geralmente se deseja visualizar o sinal amostrado (plotar um gráfico) e uma amostragem lenta (realizada à taxa de Nyquist)
permite apenas uma representação muito pobre do sinal (embora sem perda de informação 27);
2. não é possível realizar um filtro passa baixa ideal para reconstruir o sinal mas é fácil implementar um filtro com corte Figura 1.17: Efeito da amostragem ideal, reconstrução do sinal com filtro passa baixa ideal
suave, para evitar que as componentes de x(t) próximas à freqüência de corte do filtro deturpem o sinal amostrado durante
a sua reconstrução, é comum aumentar a freqüência de corte do filtro e, com isso, a taxa de amostragem;
3. existem disponíveis no mercado conversores relativamente rápidos de baixo custo que permitem a amostragem de um sinal
lento (com limite de freqüência muito baixo) em uma taxa muito superior a de Nyquist;
4. o Teorema da Amostragem foi concebido levando em consideração a transformada de Fourier do sinal que, por vez,
pressupõe que sinal sempre esteve presente. Sinais limitados no tempo (que tem duração limitada) costumam ter uma
distribuição freqüencial bastante ampla (veja, por exemplo, o caso dos pulsos retangular e triangular que são transformados
para função de amostragem e função de amostragem ao quadrado, respectivamente) e em conseqüência não podem ser
amostrados sem incorrer em erro.
27
É possível também interpolar o sinal amostrado para realizar uma representação mais realística, mas, no geral, é mais fácil simplesmente aumentar a taxa de
amostragem já que processo de interpolação é complexo.
G( f )
B
+∞
∑ δ( f − n fs )
n=−∞
G( f ) fs
+∞
G∗ ( f ) = G( f ) ∗ ∑ δ( f − n fs )
n=−∞
f
−B B
2B
+∞ f
∑ δ( f − n fs )
fs /2 fs /2
n=−∞
f
G( f )
fs
+∞
G∗ ( f ) = G( f ) ∗ ∑ δ( f − n fs ) f
n=−∞
Figura 1.19: Largura de banda inferior à freqüência mínima, reconstrução com filtro passa faixa
f
fs
= G( f )
Sinal reconstruído com recobrimento Para garantir que o sinal x(t) seja mesmo limitado em freqüência, costuma-se passar o sinal por um filtro, chamado filtro anti-
recobrimento ou anti-aliasing, antes de amostrar o sinal. Esse filtro evita o erro causado pelo recobrimento do sinal mas altera o
sinal sendo, por si só, uma fonte de erro. Assim, um sistema que trabalha com sinais amostrados irá possuir um filtro na entrada
f (filtro anti-recobrimento) e outro na saída (filtro reconstrutor).
Note B na Equação (1.28) representa a largura de banda do sinal de entrada (ou do sinal após o filtro anti-recobrimento).
Figura 1.18: Recobrimento (aliasing) Embora o Teorema da Amostragem tenha sido concebido para sinais com espectro próximos do zero (sinais com espectro
contínuo de − f 0 até f0 arbitrário) é possível aplica-lo para sinais concentrado em uma banda distante do zero. Neste caso, deve-
se usar uma freqüência de amostragem exatamente igual ao dobro da largura de banda do sinal e um filtro reconstrutor passa
faixa (FPF) ideal com banda passante igual à metade da freqüência de amostragem para recuperar o sinal sem erro. Para alguns
casos especiais, como mostrado na Figura 1.19, é possível usar uma freqüência de amostragem superior ao dobro da largura
de banda o que possibilita o uso de filtro passa faixa não ideal para reconstruir o sinal. Entretanto, é necessário construir um
diagrama como o mostrado na Figura 1.19 para se certificar que as banda reposicionadas não recobrirão a faixa de passagem
do filtro causando distorção. É possível, ainda, usar o processo de amostragem para recuperar um sinal modulado por uma co-
senóide (ver Teorema da Modulação na página 30) usando uma freqüência de amostragem igual a um múltiplo ou submúltiplo
da freqüência da portadora e um filtro reconstrutor com largura de banda igual a metade da freqüência de amostragem.
Um sinal amostrado x ∗ (t) pode ser recuperado exatamente se passado por um filtro passa baixa (FPB) ideal com resposta ao
impulso h(t) = sinc(t), assim:
∞
x(t) = ∑ x(nT ) sinc(t − nT ) ℜ(est )
9
ℑ(est )
9
n=−∞
6 6
3 eσt 3 eσt
t t
− 2f − 1f 0 2 3 − 2f − 1f 0 2 3
1 f f 1 f f
-3 f -3 f
−eσt −eσt
-6 -6
-9 -9
Figura 1.22: Parte real e imaginária da exponencial complexa e st com σ > 0

t
-5 -4 -3 -2 -1 0 1 2 1.7 Transformada Discreta de Fourier

???
Figura 1.20: Reconstrução de um sinal amostrado (interpolação)

1.7.1 Análise de Sistemas Dinâmicos
ℜ(est ) ℑ(est )
3 3
???
2 2
1 eσt 1 eσt
t t
0 0
− 2f − 1f 1
2
f
3
f − 2f − 1f 1
2
f
3
f
-1 f -1 f
−eσt −eσt
-2 -2
-3 -3
Figura 1.21: Parte real e imaginária da exponencial complexa e st com σ < 0
x(t) = x∗ (t) ∗ h(t)

∞
= ∑ x(t) δ(t − nT ) ∗ h(t)
n=−∞
∞ Z ∞
= ∑ x(λ) δ( λ − nT ) h(t − λ) dλ

n=−∞ −∞
δ(0)⇒λ=nT
∞
= ∑ x(nT ) h(t − nT )
n=−∞
∞
= ∑ x(nT )

sinc(t − nT )
n=−∞
amostras de x(t)
que é uma expansão em série usando a função de amostragem deslocada (sinc(t − nT )) para cada instante em que o sinal foi
amostrado e com amplitude igual a do sinal original também no instante em que ele foi amostrado. A função de amostragem
tem, então, uma propriedade muito importante: ela interpola um sinal amostrado levando a um novo tipo de expansão em série
que, como todas as expansões em série, é igual ao sinal original quando se soma todos os termos da série. Por isso, a função
de amostragem as vezes é chamada de função interpoladora. A Figura 1.20 mostra uma função reconstruída a partir de suas
amostras por uma somatória (série) de funções de amostragem deslocadas.
est = e(σ+ j 2π f )t = eσt (cos 2π f t + j sen 2π f t) = eσt cos 2π f t + jeσt sen 2π f t
Processamento de Sinais - Centro Federal de Educação Tecnológica do Paraná
Índice Remissivo Referências Bibliográficas
ímpar, veja função Nyquist [1] B RIGHAM, E. Oran. The fast Fouier transform, Englewood Cliffs : Prentice Hall, 1974.
ângulo de fase, 6 taxa de Nyquist, 35
Teorema de Nyquist, 35 [2] B RACWWELL, Ron. The Fourier transform and its applications, New York : McGraw-Hill, 1965.
aliasing, 35
amostragem, veja Teorema da Amostragem par, veja função [3] K REYSZIG, Erwin. Matemática superior, v1, Rio de Janeiro : LTC, 1984.
função de, 16 princípio da superposição, 33 [4] K REYSZIG, Erwin. Matemática superior, v3, Rio de Janeiro : LTC, 1984.
Análise Harmônica, 2 pulso retangular, veja função: pulso retangular
auto-correlação, veja correlação pulso triangular, veja função: pulso triangular [5] H AYKIN, Simon; V EEN, Barry Van. Sinais e sistemas, Porto Alegre : Bookman, 2001.
causal, veja sistema: causal recobrimento, 35 [6] O PPENHEIN, Alan V. ; S CHAFER, Ronald W. Digital signal processing, 1975.
convolução, 26 resposta ao impulso, 33
[7] R ABINER, Lawrence R. ; G OLD, Bernard. Theory and application of digital signal processing, 1975.
correlação, 26
auto-correlação, 26 Série Complexa de Fourier, 14 [8] K UNT, M. Traitement numérique des signaux, 1981.
Série de Fourier, 2
Dirac, veja função: delta de Dirac Complexa, 14 [9] B ELLANGER, M. Traitement numérique du signal, 1982.
Fórmulas de Euler, 3
espectro, 6 Fenômeno de Gibbs, 6 [10] P ELED, A. ; L IN, B. Digital signal processing, 1976.
espetro, 6 Incompleta, 9 [11] O PPENHEIN, Alan V. ; S CHAFER, Ronald W. Discrete-time signal processing, 1989.
Série Complexa de Fourier, 14
Fórmulas de Euler, 3 Série Incompleta de Fourier, 9
fase, 6 Série Trigonométrica de Fourier, 14
Fenômeno de Gibbs, 6 Trigonométrica, 14
filtro Série Incompleta de Fourier, 9
anti-aliasing, 38 Série Trigonométrica de Fourier, 14
anti-recobrimento, 38 sistema
função de, 16 causal, 32
reconstrutor, 35 linear, 33
freqüência de Nyquist, 35 não causal, 32
função não-linear, 33
ímpar, 7 sistema:invariante no tempo, 32
de amostragem, 16 sistema:variante no tempo, 32
de filtro, 16 superposição, veja princípio da superposição
degrau de Heaviside, 20
degrau unitário, 20 taxa de amostragem, 34
delta de Dirac, 20 taxa de Nyquist, 35
impulso unitário, 20 Teorema
interpoladora, 16, 39 da Amostragem, 35
par, 7 de Nyquist, 35
pulso retangular, 20 Transformada de Fourier, 6
pulso triangular, 27 Transformada de Fourier, 18
Heaviside, veja função: degrau de Heaviside variante no tempo, veja sistema: variante no tempo
interpoladora, veja função: interpoladora
invariante no tempo, veja sistema: invariante no tempo
Lei de Causa e Efeito, 32

linear, veja sistema linear
não causal, veja sistema: não causal

não-linear, veja sistema não-linear
41 28 de agosto de 2004 Prof. Luís Paulo Laus, Eng. MSc. 42

Processamento de Sinais: 1.1 Transformadas Integrais

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Processamento de Sinais: 1.1 Transformadas Integrais

Transféré par

Droits d'auteur :

Formats disponibles

Processamento de Sinais - Centro Federal de Educação Tecnológica do Paraná

1 28 de agosto de 2004 Prof. Luís Paulo Laus, Eng. MSc. 2

Figura 1.2: Espectro de freqüência da onda quadrada

sen (nx + ϕn) = cos ϕn sen nx + senϕn cos nx

Uso de Softwares de Processamento Simbólico 15 delete() apaga um identificador liberando a memória.

4/PI*sin(x) - 4/9/PI*sin(3*x) + 4/25/PI*sin(5*x) - ...

que permite escrever:

Pode-se, então, escrever:

δ(t) δ(t − a) δ(t − a) − δ(t − b) Exemplo: a transformada de Fourier de e j( ) vale:

Figura 1.10: Função Delta de Dirac ou Função Impulso Unitário  2π nt   n

cuja transformada de Fourier vale:

retτ (λ) deslocar a função no tempo; e

g(t) ∗ h(t) = h(t) ∗ g(t) (comutativa)

logo: Transformada de Fourier da Derivada

(t) + y(t) = + = cos2π f 0t .

(t) + y(t) = cos 2π f 0t, mas não é a única. Esta

(t) + y(t)} = F {cos 2π f 0t}

Deslocamento no Tempo 1.3.3 Transformada de Fourier de Algumas Funções

Mudança de Escala retτ (t) sinc(τ f )

Transformada Bidimensional 1.6 Sinais e Sistemas

x(t) y(t) y(t) do impulso:

que tem por transformada:

Figura 1.16: Amostragem de um sinal x(t)

Figura 1.22: Parte real e imaginária da exponencial complexa e st com σ > 0

-5 -4 -3 -2 -1 0 1 2 1.7 Transformada Discreta de Fourier

Figura 1.20: Reconstrução de um sinal amostrado (interpolação)

Figura 1.21: Parte real e imaginária da exponencial complexa e st com σ < 0

x(t) = x∗ (t) ∗ h(t)

est = e(σ+ j 2π f )t = eσt (cos 2π f t + j sen 2π f t) = eσt cos 2π f t + jeσt sen 2π f t

Índice Remissivo Referências Bibliográficas

Lei de Causa e Efeito, 32

não causal, veja sistema: não causal

41 28 de agosto de 2004 Prof. Luís Paulo Laus, Eng. MSc. 42

Vous aimerez peut-être aussi

4/PIsin(x) - 4/9/PIsin(3x) + 4/25/PIsin(5*x) - ...

Figura 1.10: Função Delta de Dirac ou Função Impulso Unitário 2π nt n