Sobre a DFT Responda:
a) O que é a DFT? Para que serve e como se calcula? Compare a DFT com a Série de Fourier, com a Transformada de Fourier, e com a Transformada de Fourier do Tempo Discreto. Mostre a fórmula coma qual se calcula cada uma delas e comente em quais ocasiões se utiliza cada uma delas? Comente as diferenças e semelhanças entre elas.
b) Calcule a DFT, \mathrm{X}(\mathrm{m}), do sinal discreto de 6 amostras x(n)=[1,3,2,5,4,1] e faça um esboço do seu Diagrama amplitude o e do seu Diagrama de fase de \mathrm{X}(\mathrm{m}), assumindo que o período de amostragem T seja de 100 ms .
c) Como você interpretaria os valores de \mathrm{X}(0) e de \mathrm{X}(2) ?
d) Calcule a DFT de \mathrm{X}_{2}(\mathrm{~m}) de \mathrm{x}_{2}(\mathrm{n})=[1,0,3,0,2,0,5,0,4,0,1,0]
e) O que significa o fenômeno de “aliasing” em processamento digital de sinais? Como surge? E como podemos reduzir este problema? Liste os principais métodos utilizados para solucionar este problema.
Passo 1
Aqui está o que o exercício pede e as informações que ele dá (resumido e organizado para não nos perder):
Pergunta (a): explicar o que é a DFT, para que serve, como se calcula; comparar com Série de Fourier, Transformada de Fourier (FT) e Transformada de Fourier do Tempo Discreto (DTFT). Mostrar a fórmula de cada uma e comentar quando cada uma é usada e semelhanças/diferenças.
Pergunta (b): calcular a DFT X(m) do sinal discreto de 6 amostras \;x(n)=[1,3,2,5,4,1]\; e esboçar (descrever) o diagrama de amplitude e o diagrama de fase de X(m), assumindo período de amostragem T=100\\ \text{ms}.
Pergunta (c): interpretar os valores de X(0) e X(2).
Pergunta (d): calcular a DFT X_2(m) de \;x_2(n)=[1,0,3,0,2,0,5,0,4,0,1,0]\;.
Pergunta (e): explicar o fenômeno de aliasing, como surge e como reduzir/evitar; listar os principais métodos.
Dados explícitos que usaremos:
Sequência x(n)=[1,3,2,5,4,1] com N=6.
Período de amostragem T=100\\ \text{ms}=0{,}1\\ \text{s} (logo frequência de amostragem F_s=1/T=10\\ \text{Hz}).
Sequência x_2(n) dada de comprimento 12.
Passo 2
O que é a DFT — conceito e fórmula de cálculo (aula curta e direta)
Intuição: a DFT transforma uma sequência discreta finita de N amostras no domínio do tempo numa sequência de N coeficientes complexos que representam amplitudes e fases dos N “componentes harmônicos discretos” igualmente espaçados em frequência. Em prova, pense: a DFT responde “quais senóides discretos, com frequências discretas, somados, geram minha sequência?”
Fórmula da DFT: para uma sequência x(n) de comprimento N,
Quando usar: quando a sequência é finita (ou truncada) e queremos a representação discreta em frequência (por exemplo implementação numérica, análise em sinais digitais, FFT).
Passo 3
Comparações rápidas (fórmulas + quando usar) — Série de Fourier, FT, DTFT e DFT
Série de Fourier (para sinais periódicos contínuos ou discretos):
Caso contínuo periódico (período T_0): coeficientes C_k
C_k=\frac{1}{T_0}\int_{T_0} x(t)\,e^{-j k \omega_0 t}\,dt,\quad \omega_0=\frac{2\pi}{T_0}.
Interpretação: representa um sinal periódico como soma de harmônicos discretos k\omega_0.
Uso: sinais contínuos ou discretos estritamente periódicos.
Transformada de Fourier (FT) — sinais contínuos não necessariamente periódicos:X(\omega)=\int_{-\infty}^{\infty} x(t)\,e^{-j\omega t}\,dt.
Interpretação: representação contínua em frequência (amplitude para cada \omega).
Uso: análise de sinais contínuos não periódicos; teoria analítica.
Transformada de Fourier do Tempo Discreto (DTFT) — sinais discretos no tempo, possivelmente infinitos:X(e^{j\omega})=\sum_{n=-\infty}^{\infty} x[n]\,e^{-j\omega n}.
X(e^{j\omega}) é contínua em \omega e 2π-periódica.
Uso: quando temos sinal discreto no tempo (infinito ou longo) e queremos espectro contínuo (ex.: análise teórica).
DFT — já dada no Passo 2:X[k]=\sum_{n=0}^{N-1} x[n]\,e^{-j\frac{2\pi}{N}kn}.
É a versão discreta e finita (espaço e frequência) da DTFT: amostramos a DTFT em N pontos igualmente espaçados em \omega.
Uso: computação numérica (FFT), análise prática com sinais finitos/segmentados.
Passo 4
Diferenças e semelhanças conceituais (didático, sem jargões)
Semelhanças:
Todas decompõem sinais em somas/integral de exponenciais complexas e^{j\omega t} ou e^{j\omega n}.
Série/FT/DTFT/DFT diferem basicamente em duas coisas: domínio (contínuo vs discreto) e se o espectro é contínuo ou amostrado (discreto).
Diferenças chave:
Contínuo vs discreto no tempo: FT e Séries trabalham com tempo contínuo; DTFT e DFT com tempo discreto.
Espectro contínuo vs discretizado: FT e DTFT têm espectro contínuo; DFT e Série de Fourier (coeficientes) têm espectro discreto (amostras).
Finito vs infinito: DFT trabalha com N amostras finitas; DTFT tipicamente com sequência infinita ou longa.
Em termos práticos: para implementar em computador usa-se DFT (FFT). Para análise teórica de sinais discretos usa-se DTFT. Para sinais contínuos não periódicos usa-se FT. Para sinais estritamente periódicos usa-se Série de Fourier.
Passo 5
Propriedade importante (que ajuda muito nas provas): relação DTFT ↔ DFT
Se x[n] tem comprimento finito N, a DTFT X(e^{j\omega}) é uma função contínua periódica em \omega. A DFT de N pontos são exatamente N amostras igualmente espaçadas de X(e^{j\omega}):
Frequência de amostragem: F_s=\dfrac{1}{T}=\dfrac{1}{0{,}1}=10\\ \text{Hz}.
Resolução de frequência (bin width): \Delta f=\dfrac{F_s}{N}=\dfrac{10}{6}\approx 1{,}6667\\ \text{Hz}.
Frequência correspondente ao bin k:
f_k = k\Delta f = k\frac{F_s}{N} = k\cdot\frac{10}{6}\\ \text{Hz}.
Passo 7
Cálculo direto X(0) e X(3) (fácil e didático)
X(0)=\sum_{n=0}^5 x(n)=1+3+2+5+4+1=16.
Para k=3, e^{-j\frac{2\pi}{6}3n}=e^{-j\pi n}=(-1)^n. Então
X(3)=\sum_{n=0}^5 x(n)(-1)^n = 1-3+2-5+4-1 = -2.
Expliquei os passos para que você faça isso à mão na prova: some os termos com sinais alternados.
Passo 8
Cálculo X(1) passo a passo (mostrar as contas)
Precisamos de e^{-j\frac{2\pi}{6}n}=e^{-j\pi n/3}. Usamos as cos/sen tabeladas:
Para n=0,1,2,3,4,5 os ângulos são 0,\pi/3,2\pi/3,\pi,4\pi/3,5\pi/3.
e^{-j\theta}=\cos\theta - j\sin\theta.
Multiplicamos cada x(n) pela respectiva exponencial e somamos. Fazendo as contas (mostradas no rascunho) obtemos:
X(1)=-5\quad(\text{número real, sem parte imaginária}).úá
Observação: se na prova quiser verificar sem calcular trigonometria inteira, use simetria de sequência real (ver passo 9): para sinal real, X(N-k)=X(k)^*. Depois de computar X(1), já sabe X(5).
Passo 9
Cálculo X(2) passo a passo (mostrar as contas e expressões exatas)
Para k=2, usamos ângulos 0,2\pi/3,4\pi/3,2\pi,8\pi/3,10\pi/3 que reduzem aos valores conhecidos de cosseno/seno.
Fazendo o somatório (detalhado como em rascunho), obtemos a forma exata:
Diagramas de amplitude e fase (como esboçar na prova e interpretação das frequências)
Amplitude (magnitude) em cada bin k\):
- \(|X(0)|=16\).
- \(|X(1)|=5\).
- \(|X(2)|=\sqrt{13}\approx 3{,}6056\).
- \(|X(3)|=2\).
- \(|X(4)|=|X(2)|\approx 3{,}6056\).
- \(|X(5)|=5\).
- Fase \(\angle X(k)\) (em rad e graus):
- \(\angle X(0)=0\) (positivo real).
- \(\angle X(1)=\pi\) (pois é \(-5\), real e negativo) — pode usar \(-\pi\) equivalently.
- \(\angle X(2)\approx -1{,}2925\\ \text{rad}\\ (\approx -74{,}21^\circ)\).
- \(\angle X(3)=\pi\) (pois é \(-2\)).
- \(\angle X(4)\approx +1{,}2925\\ \text{rad}\\ (\approx +74{,}21^\circ)\).
- \(\angle X(5)=\pi\).
- Frequências reais correspondentes a cada bin (com \(F_s=10\\ \text{Hz}\)):
\[f_k = k\frac{F_s}{N}=k\cdot\frac{10}{6}\\ \text{Hz}\Rightarrow \begin{cases} f_0=0,\\\ f_1\approx 1{,}6667\\ \text{Hz},\\\ f_2\approx 3{,}3333\\ \text{Hz},\\\ f_3=5\\ \text{Hz},\\\ f_4\approx 6{,}6667\\ \text{Hz},\\\ f_5\approx 8{,}3333\\ \text{Hz}. \end{cases}
Esboço: em prova desenhe um eixo horizontal com k=0,\dots,5\] (ou com \(f_k) e barras verticais com alturas dadas por |X(k)|. Para fases desenhe pontos em outro gráfico colocando as fases listadas (notar simetria ímpar para partes imaginárias).
Passo 12
Interpretação de X(0) e X(2) (parte c)
X(0):
É a soma das amostras: X(0)=\sum_{n=0}^{N-1} x(n)=16.
Interpretação prática: componente DC (valor médio multiplicado por N). O valor médio do sinal é \bar{x}=\dfrac{X(0)}{N}=\dfrac{16}{6}\approx 2{,}6667. Em prova: diga “é o componente de frequência zero (nível DC) e seu amplitude indica o deslocamento médio do sinal”.
X(2):
Representa a contribuição complexa da componente de frequência f_2\approx 3{,}3333\\ \text{Hz}.
Magnitude |X(2)|=\sqrt{13} indica a força (amplitude) dessa componente; \angle X(2)\approx -74{,}21^\circ indica o deslocamento de fase.
Em palavras: tem um senóide na frequência f_2 presente no sinal com amplitude proporcional a \sqrt{13} e fase -74{,}21^\circ.
Passo 13
Cálculo da DFT de x_2(n)=[1,0,3,0,2,0,5,0,4,0,1,0] (parte d) — observação importante
Observe que x_2(n) é obtida de x(n) intercalando um zero entre cada amostra (upsampling por L=2 com inserção de zeros). Em notação: x_2[2k]=x[k] para k=0,\dots,5 e x_2[2k+1]=0.
Isso mostra que X_2(m) para m=0,\dots,11 é igual a X(m\,\bmod\,6) onde X(\cdot) é a DFT de comprimento 6 calculada antes. Em palavras: o espectro de x é repetido (periodizado) duas vezes ao usar zeros entre amostras.
Observação prática: inserir zeros no tempo (upsampling) provoca repetição do espectro na frequência (aliasing no sentido de repetição espectral), por isso geralmente filtramos depois (interpolação) para evitar imagens.
Passo 14
Fenômeno de aliasing — o que é e por que surge (parte e)
Definição simples: aliasing é o efeito pelo qual componentes de alta frequência de um sinal contínuo se “misturam” (se sobrepõem) com componentes de baixa frequência quando o sinal é amostrado, tornando-as indistinguíveis no sinal amostrado.
Por que surge (matemática e intuição):
Em tempo-contínuo, senóides com frequências diferentes são distintas. Ao amostrar com taxa F_s, as frequências contínuas f e f+kF_s produzem as mesmas amostras (porque e^{j2\pi(f+kF_s)nT}=e^{j2\pi f nT}e^{j2\pi k n}=e^{j2\pi f nT}). Assim frequências separadas por F_s são indistinguíveis após amostragem.
Nyquist: para não haver sobreposição, a taxa de amostragem deve ser pelo menos o dobro da maior frequência presente no sinal: F_s\ge 2F_{\max} (teorema de amostragem). Se F_s<2F_{\max} o sinal apresenta aliasing.
Visual: no domínio da frequência do sinal amostrado ocorre replicação do espectro em múltiplos de F_s. Se essas réplicas se sobrepõem, há aliasing.
Passo 15
Como reduzir o aliasing — principais métodos (lista para prova)
Anti-aliasing analógico (PRINCIPAL): antes do conversor ADC colocar um filtro passa-baixa analógico com corte em f_c\le F_s/2. Assim atenua componentes acima de Nyquist antes da amostragem.
Aumentar a taxa de amostragem (oversampling): escolher F_s maior que 2F_{\max} para evitar sobreposição.
Filtragem digital após oversampling + decimação bem projetada: amostra em alta taxa, use filtro digital para atenuar frequências acima de F_s/2 do novo F_s, depois reduza a taxa.
Projeto adequado de janelas/antialiasing ao discretizar sinais continuos: por exemplo, usar janelas de tempo para controlar leakage (related, but leakage ≠ aliasing; ainda assim útil).
Em processamento discreto quando for reduzir taxa (downsampling/decimação): antes de decimar aplique filtro passa-baixa digital (filtro de anti-aliasing) com banda passante dentro do novo Nyquist.
Observação prática: na maioria dos sistemas reais, a solução é combinação de anti-aliasing analógico + escolha adequada de F_s.
Passo 16
Exemplos rápidos e finais de como identificar aliasing em problemas de prova
Exemplo: sinal contínuo com componente em f=8\\ \text{Hz} amostrado a F_s=10\\ \text{Hz} (como no nosso caso de T=0{,}1\\ \text{s}): a componente aliás aparece em f_\text{aliased}=|f-kF_s| que caia no intervalo [0,F_s/2]. Aqui 8\\ \text{Hz} aparece como 8-10=-2\\ \text{Hz} → módulo 2\\ \text{Hz} (equivalente visual) — a forma padrão de treino: reduzir por múltiplos de F_s até ficar no intervalo desejado.
Fórmula útil para provas: as frequências contínuas f mapeiam para frequências amostradas f_a por f_a = \big|(f \bmod F_s)\big| ajustado para intervalo [0,F_s/2] (dependendo da convenção).
Resposta
a) A DFT é a transformação que converte uma sequência discreta finita \{x[n]\}_{n=0}^{N-1} em N coeficientes complexos X[k] que representam amplitudes e fases dos N bins de frequência igualmente espaçados. Fórmula:
\text{Série de Fourier: }\; C_k=\frac{1}{T_0}\int_{T_0} x(t)\,e^{-jk\omega_0 t}\quad(\text{sinais periódicos})éó
\text{FT: }\; X(\omega)=\int_{-\infty}^{\infty} x(t)\,e^{-j\omega t}\quad(\text{sinais contínuos, não periódicos})íãó
\text{DTFT: }\; X(e^{j\omega})=\sum_{n=-\infty}^{\infty} x[n]\,e^{-j\omega n}\quad(\text{sinais discretos, espectro contínuo em }\omega)í
\text{DFT: }\; X[k]=\sum_{n=0}^{N-1} x[n]\,e^{-j\frac{2\pi}{N}kn}\quad(\text{uso prático/numérico, amostragem do DTFT})áé
Semelhanças: todas decompõem em exponenciais; diferenças: tempo contínuo vs discreto; espectro contínuo vs amostrado; DFT é versão computável/finita da DTFT. Use DFT/FFT para cálculo numérico, DTFT para análise teórica, FT para sinais contínuos e Série para sinais periódicos.
b) Para x(n)=[1,3,2,5,4,1],\\ N=6,\\ T=0{,}1\\ \text{s},\\ F_s=10\\ \text{Hz},\\ \Delta f=10/6\approx1{,}6667\\ \text{Hz}. DFT:
Significado: quando amostramos, componentes de frequência acima de F_s/2 aparecem “sobrepostos” às baixas frequências e ficam indistinguíveis (perdemos informação de alta frequência).
Causa: réplicas do espectro no processo de amostragem; se F_s<2F_{\max} (violação de Nyquist) as réplicas se sobrepõem.
Como reduzir/evitar (métodos principais):
Filtro anti-aliasing analógico (passa-baixa) antes do ADC com corte \le F_s/2.
Aumentar F_s (oversampling).
Oversampling + filtragem digital + decimação adequada.
Ao reduzir taxa (downsampling), aplique filtro antialiasing digital antes da decimação.
Projeto cuidadoso de filtros/janelas quando discretizamos sinais para reduzir efeitos indesejados.