4.2.

ANÁLISE DE FOURIER

 Série de Fourier

 Transformada de Fourier para Sinais Contínuos

 Transformada de Fourier para Discretos (DFT)

1
A) Representação de Sinais por Série de Fourier
Introdução
Neste capítulo vamos introduzir as transformações de sinais Série de
Fourier e Transformada de Fourier, que convertem sinais do domínio do
tempo em representações no domínio da freqüência.

Histórico sobre a Série de Fourier

O conceito em usar harmônicos (senos e co-senos) ou exponenciais
complexas para descreverem fenômenos periódicos data de muito tempo
atrás:
1748 – L. Euler – Movimento de uma corda vibratória era combinação dos
modos normais.
1753 – D. Bernoulli – idem
1759 – J. L. Lagrange – Criticou o uso de séries trigonométricas na análise
do movimento de cordas vibratórias. Ele achava que era impossível
representar sinais com descontinuidades usando as séries trigonométricas.
2
1768 – Nasce Jean Baptiste Joseph Fourier em Auxerre, França.
Matemático e Professor na “Ecole Polytechnique de France”.
Vida política intensa. Escapou da guilhotina em duas vezes após a
revolução francesa. Acompanhou Napoleão Bonaparte no Egito.
Prefeito em Grenoble (1802). Nesta cidade desenvolveu suas idéias
sobre série trigonométrica, com aplicação no fenômeno de
propagação de calor e difusão.
1807 – Fourier termina seu trabalho e o apresenta no “Institut de France”.
Foram 4 julgadores de seu trabalho: Lacroix, Monge, Laplace e
Lagrange. Os 3 primeiro a favor da publicação, mas Lagrange foi
veemente contra. O trabalho não foi publicado.
1822 – Publicou o livro “Théorie analytique de la chaleur”, que incluía suas
idéias.
1828 – Dirichlet forneceu condições precisas na qual uma função periódica
poderá ser representada por uma série trigonométrica.
3
Representação em Série de Fourier Trigonométrica de Sinais
Periódicos
Em capítulos anteriores, definiu-se um sinal de tempo contínuo x(t) como
sendo periódico se existir um valor diferente de zero positivo para T tal
que
x(t + T ) = x(t )
O período fundamental T0 de x(t) é o menor valor positivo de T para o
qual a equação acima é satisfeita, e 1/T0 = f0 é chamada freqüência
fundamental dada em Hz.
Dois exemplos básicos de sinais periódicos são os sinal senoidal (co-
senoidal)
x(t ) = cos(ω0t + φ)
e o sinal exponencial complexo
x(t ) = e jω0t

onde ω0 = 2π T0 = 2πf 0 é chamada freqüência angular fundamental.

4
Sendo f(t) uma função periódica com período T. Esta função, caso
obedeça as condições de Dirichlet, pode ser representada pela série
trigonométrica:
1
f (t )  a0  a1cos0t  a2cos20t  ...  b1sen0t  b2sen20t  ...
2
ou
a0 ∞
f (t ) = + ∑ (an cos nω0t + bnsen nω0t ) (1)
2 n =1

A componente senoidal de freqüência ωn = nω0 é chamada o n-ésimo

harmônico da função periódica. O primeiro harmônico é chamado de
componente fundamental, pois ele tem o mesmo período que a
função, e a freqüência correspondente ω0 = 2πf0 = 2π/T é chamada
freqüência angular fundamental (como já mencionado
anteriormente).

5
Convergência da Série de Fourier:
Sabe-se que um sinal periódico f(t) tem uma representação em série de
Fourier se ele satisfazer as seguintes condições de Dirichlet:

(i) A função f(t) é absolutamente integrável em um período, isto é:

T /2
∫−T / 2 | f (t ) | dt = finita < ∞
(ii) A função f(t) possui um número finito de máximos e mínimos em um
período.

(iii) A função f(t) possui um número finito de descontinuidades em um

período.

6
 A convergência é satisfeita, somente quando um número infinito de
termos for incluído na expansão da série de Fourier. Se a série for
truncada, ou seja, se um número finito de termos for usado na expansão
da série, como na verdade deve ser em quase todas as aplicações práticas,
então a aproximação exibirá um comportamento oscilatório em torno da
descontinuidade, conhecido como Fenômeno de Gibbs. Quando o
número de termos cresce, a curva resultante oscila com freqüência
crescente e a amplitude decrescente.

4 termos na série 16 termos na série
1.5 1.5

1 1

0.5 0.5

0 0

­0.5 ­0.5

­1 ­1

­1.5 ­1.5
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4
Tempo, s ­3
Tempo, s ­3
x 10 x 10
7
Determinação dos Coeficientes da Série:
Os coeficientes an, a0 e bn são obtidos através da utilização das propriedades
de ortogonalidade das funções trigonométricas.
Um conjunto de funções {φk(t)} é ortogonal em um intervalo a<t<b, se para
duas funções quaisquer φm(t) e φn(t) no conjunto existe a integral
T /2 0 , m≠n
∫−T / 2 φm (t ) φn (t ) dt = rn , m=n

Por exemplo, um conjunto de funções senoidais. Pelo calculo elementar,

pode-se mostrar que:
T /2 T /2
∫−T / 2 cos mω0t dt = 0, para m ≠ 0 ; ∫−T / 2 sen mω0t dt = 0, para todo m

T /2 0 , m≠n
∫−T / 2 cos ( mω0 t )cos ( n ω0 t ) dt = 
T / 2 , m = n ≠ 0
T /2 0 , m≠n
∫−T / 2 sen ( mω0 t )sen ( n ω0 t ) dt = 
T / 2 , m = n ≠ 0
T /2
∫−T / 2 sen (mω0t )cos (nω0t ) dt = 0 8
As equações anteriores mostram que as funções {1, cosω0t, cos2ω0t, ..., cosn
ω0t, ..., senω0t, sen2ω0t, ..., sennω0t} formam um conjunto de funções
ortogonais em um intervalo –T/2 < t< T/2.
Usando as equações mostradas em slide anterior e combinando com a
equação (1), chega-se às expressões dos coeficientes da série de Fourier:
2 T /2
an = ∫ f (t ) cos (nω0t ) dt , n = 0,1,2,... (2)
T − T / 2

2 T /2
bn = ∫
T −T / 2
f (t ) sen (nω0t ) dt , n = 1,2,... (3)

2 T /2 (4)
a0 = ∫ f (t ) dt
T − T / 2

Observa-se que (4) está contida em (2). E esta equação (4) mostra que o
primeiro termo da série (a0/2) é o valor médio da função em um período.
Logo, se a função for simétrica em relação ao eixo das abscissas, este
primeiro termo da série é igual a zero.
9
Simetria Ondulatória – Funções Pares e Ímpares

Uma função f(t) é dita par quando satisfaz a condição:

f (-t ) = f (t )
As funções pares são simétricas em relação ao eixo dos Y (eixo da
coordenada dependente), portanto:
+a a
∫− a f (t ) dt = 2∫0 f (t ) dt
Uma função f(t) é dita ímpar quando satisfaz a condição:
f (−t ) = − f (t )

As funções ímpares são anti-simétricas em relação a tal eixo, logo:

+a
∫− a f (t ) dt = 0 e f ( 0) = 0

10
 Propriedades:
i) Qualquer função f(t) pode ser expressa como a soma de duas
componentes, das quais uma é par e outra é ímpar, ou seja:

f (t ) = f p (t ) + f i (t )

ii) Se f(t) for uma função periódica par, sua série de Fourier consiste
somente dos termos an (n=0,1,...), ou seja, de uma constante e dos termos
em co-senos:
a0 ∞
f (t ) = + ∑ an cos nω0t
2 n =1

iii) Se f(t) for uma função periódica impar, sua série de Fourier consiste
somente dos termos bn (n=1, 2,...), ou seja, de termos em senos:
∞
f (t ) = ∑ bnsen nω0t
n =1
11
Forma Complexa da Séries de Fourier – Espectro de Freqüência

O co-seno e o seno podem ser expressos em função de exponenciais, ou

seja:
1
cos nω0t = (e jnω0t + e − jnω0t ) (5)
2
1 jnω0t − jnω0t
sen nω0t = (e −e ) (6)
2j
As expressões acima são determinadas a partir da equação de Euler:
e ± jθ = cosθ ± j senθ

Substituindo (5) e (6) em (1), vem (lembrando que -j=1/j):

f (t ) =
2 n =1 2
(
a0 ∞  1 jnω0t
+ ∑  an e +e − jnω0t
+ bn
2j
)e (
1 jnω0t − jnω0t 
−e 

)
a0 ∞  1 1 
f (t ) = + ∑  (an − jbn )e jnω0t + (an + jbn )e − jnω0t 
2 n =1 2 2  12
Definindo:
1 1 1
c0 = a0 , cn = (an − jbn ), c− n = (an + jbn )
2 2 2
Logo,
∞
f (t ) = c0 + ∑ (cn e jnω0t + c− n e − jnω0t )
n =1
∞ ∞
f (t ) = c0 + ∑ cn e jnω0 t
+ ∑ c− n e − jnω0t
n =1 n =1

∞ −∞
f (t ) = c0 + ∑ cn e jnω0t
+ ∑n
c e jnω0 t

n =1 n = −1

∞
f (t ) = ∑ cne jnω0t (7) Série de Fourier Complexa
n = −∞

13
Determinação dos Coeficientes da Série de Fourier Complexa:
1
cn = (an − jbn )
2
Os coeficientes cn são valores complexos
1  T /2 T /2 
T  ∫−T / 2 ∫−T / 2
cn = f (t ) cos( nω0 t ) dt − j f (t ) sen( nω0 t ) dt 

1 T /2
cn = ∫ f (t )[cos(nω0t )dt − j sen(nω0t )]dt
T − T / 2

1 T /2
cn = ∫ f (t ) e − jnω0t dt n = 0,±1,±2,....
T −T / 2

1 T /2 jnω0t
c− n = ∫
T −T / 2
f (t ) e dt

Se f(t) for real então: c− n = cn*

O símbolo (*) denota o complexo conjugado 14
 1 T − jnω0t
cn =
T ∫0
f (t ) e dt

cn é complexo para todo n com exceção de n=0 (ou seja, c0=(1/2)a0),

então possui módulo e ângulo de fase:
cn | cn | e j n

1
| cn | (an2  bn2 ) e  n  arc tg ( - bn / an )
2

Um gráfico onde se marcam no eixo horizontal as freqüências dos

harmônicos e no eixo vertical os valores dos coeficientes cn da série
complexa de Fourier, chamamos espectro de amplitudes da função
periódica f(t). No caso de se ter, no eixo vertical, os ângulos de fase θn em
função da freqüência, este gráfico chama-se espectro de fases de f(t).

15
Como os índices n assumem somente valores inteiros, os espectros de
amplitudes e de fases, não são curvas contínuas e sim surgem como linhas
verticais (raias) nas variáveis discretas nω0. Portanto, tais gráficos denominam-
se espectro de freqüência discreta. A representação dos coeficientes complexos
cn em função da variável complexa nω0 especifica a função periódica f(t) no
domínio da freqüência, do mesmo modo que a função f(t) em função de t a
especifica no domínio do tempo.
É usual representar tais espectros apenas em relação ao eixo de freqüências
positivas, pois o lado esquerdo (lado das freqüências negativas) contém a
mesma informação que o direito, já que os coeficientes c*n são os complexos
conjugados de cn. Na Figura abaixo é mostrado um exemplo de um espectro de
amplitudes. 0.6

0.5

|cn| 0.4
Cn

0.3

0.2

0.1

0 16
5 10 15 20 25 30 35 40
w Freqüência
B) Transformada De Fourier de Sinais Contínuos
 A expansão por série de Fourier é uma forma de representação de
funções periódicas em termos de um somatório de funções harmônicas.
 Para funções não-periódicas é necessário uma adequação da análise de
Fourier ao problema.
 Nesta análise, um sinal transiente pode ser visualizado como um sinal
periódico tendo seu período tendendo ao infinito.
Da Série de Fourier à Transformada de Fourier:
Seja um sinal não-periódico x(t)=0 para -T1 > t > T1 :

Sinal Transiente

Formando um sinal periódico xp(t) através da repetição de x(t) com

período fundamental T0 :

... ... Sinal Periódico

17
Relembrando a série complexa de Fourier e a expressão de seus
coeficientes:
∞
x p (t ) = ∑ cn e jnω0t 1 T0 / 2
cn = ∫ x p (t ) e - jnω0t dt
n = −∞ T0 −T0 / 2
Aqui foi substituído o símbolo da função temporal f(t) por x(t) para evitar
confusão com o símbolo de freqüência f dada em Hz. Substituindo a segunda
na primeira, vem:
∞  
1 T /2
x p (t ) = ∑  ∫ 0 x p (t ) e- jnω0t dt  e jnω0t
T −T0 / 2
n = −∞  0 
2π
T0 =
ω0
∞
 1 T0 / 2 
x p (t ) = ∑  ∫ x p (t ) e - jnω0t dt  ω0e jnω0t
n = −∞ 
2π −T0 / 2 
Quando T0 torna-se muito grande, ω0 torna-se muito pequeno. Logo, fazendo
ω0=∆ω, tem-se nω0= n∆ω, então:
∞
 1 T0 / 2 - jn∆ωt  jn∆ωt
x p (t ) = ∑  2π ∫−T0 / 2 p
x (t ) e dt  e

∆ω
n = −∞ 18
No limite, quando T0→∞, n∆ω→ω, ∆ω→dω, e o somatório torna-se uma
integral:
1 ∞  ∞ - jωt  jωt
x p (t ) =
2π ∫− ∞ 
 ∫− ∞
x p (t ) e dt  e

dω

Assim pode-se definir o termo entre colchetes, na equação acima como:

∞
X (ω) = ∫ x(t ) e- jωt dt Transformada de Fourier
−∞

Logo,
1 ∞ jωt Transformada Inversa de
x(t ) =
2π ∫− ∞
X ( ω) e dω
Fourier
As duas integrais acima formam o Par de Integrais de Fourier. Este par
também pode ser escrito por (quando considera-se freqüência em Hz):

∞ ∞
X(f ) = ∫ x (t ) e - j 2 πft
dt x(t ) = ∫ X ( f ) e j2πft df
−∞ −∞

19
Simbologia:
X ( f ) = ℑ{x(t )}
−1
ou x(t ) ← ℑ → X ( f )
x(t ) = ℑ { X ( f )}
O gráfico de |X(f)| versus f é um espectro contínuo.
No espectro das amplitudes complexas de um sinal periódico, se o período
aumenta, a freqüência fundamental diminui e as componentes em
freqüência dos harmônicos ficam mais próximas entre si, fazendo com que
a disposição das raias tendam a uma distribuição contínua e a série de
Fourier vem a tornar-se uma integral.
CnT0
Exemplo: T 0 = 4T 1

T0= 8T1

T0= 16T1

20
Convergência das Transformadas de Fourier:
As condições de Dirichlet são condições suficientes, mas não necessárias
para a existência da Transformada de Fourier de uma determinada
função.
Condições de Dirichlet:
(i) A função x(t) é absolutamente integrável em módulo, isto é:
∞
∫−∞ | x(t ) | dt = finita < ∞
(ii) A função x(t) possui um número finito de máximos e mínimos dentro
de qualquer intervalo finito.

(iii) A função x(t) possui um número finito de descontinuidades dentro de

qualquer intervalo finito e cada uma dessas descontinuidades é finita.

Funções periódicas não obedecem à condição (i), mas possuem

transformadas, caso funções impulsos estejam presentes na
transformação. As funções aleatórias não atendem à condição (i).
21
Propriedades das Transformadas de Fourier:

(i) Linearidade
Se x(t) ←ℑ→ X(ω) e se y(t) ←ℑ→ Y(ω), então
ax( t ) + by ( t ) ← ℑ → aX ( ω ) + bY ( ω )

(ii) Atraso no tempo

x( t − t 0 ) ← ℑ → X ( ω ) e -jωt0

(iii) Atraso na freqüência

x( t )e jω0t ← ℑ → X ( ω − ω 0 )

(iv) Escalonamento
1  ω
x( at ) ← ℑ → X 
|a| a

22
(v) Reverso no tempo
x ( −t ) ← ℑ → X ( − ω )

(vi) Diferenciação ou Integração

d
x( t ) ← ℑ → j 2πf X( f ) , ou
dt
d
x( t ) ← ℑ → j ω X( ω ) , ou de modo geral
dt
dn
x( t ) ← ℑ → (j ω ) n X( ω )
dt n
d
− j t x( t ) ← ℑ → X ( ω)
dω
t 1
∫−∞ x( t )dt ← ℑ →
jω
X ( ω ) + π X (0) δ(ω)

23
(vii) Simetria ou Dualidade
X ( t ) ← ℑ → 2π x( −ω )

X ( t ) ← ℑ → x ( −f )

(viii) Propriedades da T.F quando a função é

real
x(t) ←ℑ→ X(ω) x(t ) ∈ ℜ
x( t ) = x par ( t ) + x impar ( t ) X ( ω ) = Re( ω ) + j Im( ω )
então
ℑ{x(t )} = ℑ{x par (t )} + ℑ{ximpar (t )}

Re(ω) = ℑ{x par (t )} A T.F. de uma função

par será sempre real
j Im(ω) = ℑ{ximpar (t )}

24
 x( t ) = x par ( t ) + x impar ( t )

x(−t ) = x par (−t ) + ximpar (−t )

x(−t ) = x par (t ) − ximpar (t )
Aplicando a T.F.

ℑ{x(−t )} = ℑ{x par (t ) − ximpar (t )}

ℑ{x(−t )} = ℑ{x par (t )} − ℑ{ximpar (t )}

X (−ω) = Re(ω) − j Im(ω) = X ∗ (ω)

Então, se x(t) for uma função real então:

X (−ω) = X ∗ (ω)

25
Exemplos de Aplicação da Transformada de Fourier:
i) T.F. da Função Pulso Retangular Simétrico

x(t ) = A, | t |< T0
x(t ) = 0, | t |> T0
∞
X( f ) = ∫ x(t ) e -j2πft dt
−∞
T0 -j 2πft T0
X(f ) = ∫ Ae dt = A∫ e -j 2πft dt
−T0 −T0

X( f ) =
A
-j 2πf
T0
∫−T0 A e
u
du =
A
-j 2πf
e [
-j 2πft T0
−T0 ]
X( f ) =
A
-j 2πf
( e -j 2πfT 0 − e j 2πfT0 = ) π f 2j
e (
A 1 j 2πfT0
− e − j 2πfT0 )
A
X(f ) = sen(2πfT0 )
πf
26
 A 2T0
X(f ) = sen(2πfT0 ) ×
πf 2T0

sen(2πfT0 )
X ( f ) = 2 AT0
2πfT0

X ( f ) = 2 AT0 sinc(2πfT0 ) Função Real

27
 (ii) T.F. da Função Pulso Retangular (Função Porta)

τ A τ A A
- j2πft - j2πft
X (f ) = ∫0 A e dt = e = (e - j2πfτ - 1) = e - jπfτ (e - jπfτ - e + jπfτ )
- j2πf 0 - j2πf - j2πf

A - jπfτ 1 jπfτ sen( πfτ) - jπfτ

X(f ) = e [ (e - e − jπfτ )] = Aτ e
πf 2j πfτ

X ( f ) = Aτ sinc( πfτ)e -jπfτ

| X ( f ) |= Aτ | sinc( πfτ) |

∠X ( f ) = arc tg [tg( πfτ)]

28
Funções portas com diferentes durações e magnitudes das
respectivas transformadas
Magnitude da Transformada de Fourier da Função Porta
Função Porta 0.2
1.2
0.18

1 0.16

0.14
0.8
0.12

0.1
0.6
0.08

0.4 0.06

0.04
0.2
0.02

0
0 ­10 ­8 ­6 ­4 ­2 0 2 4 6 8 10
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Freqüência [Hz]
Tempo [s]

Função Porta
1.2
Magnitude da Transformada de Fourier da Função Porta
0.1

1 0.09

0.08
0.8
0.07

0.06
0.6

0.05

0.4 0.04

0.03
0.2
0.02

0.01
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tempo [s] 0
­10 ­8 ­6 ­4 ­2 0 2 4 6 8 10
Freqüência [Hz]

Percebe-se que quanto menor a duração da porta, o

primeiro “vale” no espectro da transformada será
mais prolongado
29
 (iii) T. F. do Impulso

x (t ) = K δ(t )
∞ - j2πft ∞
X (f ) = ℑ{ x (t )} = ∫− ∞ K δ(t ) e dt = K ∫− ∞ δ(t ) e - j2πft dt

∞
∫− ∞ δ(t − t 0 ) x (t ) dt = x (t 0 ) Propriedade da função
Delta de Dirac
Portanto, ∞
X (f ) = K ∫− ∞ δ(t ) e - j2πft dt = K e - j2πf0 = K

Logo, ℑ{K δ(t )} = K

Daí o motivo de se usar excitação impulsiva na análise modal experimental,

pois teoricamente o impulso excitaria todas as freqüências do sistema sob teste
30
iv) T.F. de uma Constante
Do caso anterior, tem-se:
Kδ(t ) ← ℑ → K
Segundo a propriedade de simetria (X(t)←ℑ→ x(-f))
K ← ℑ → Kδ ( − f )
e levando-se em conta que δ(f)= δ(-f):
K ← ℑ → K δ( f )

Logo,
ℑ{K } = Kδ( f )
ℑ{K } = 2πKδ(ω)

31
 iv) T.F. da Função Co-seno
1 jω 0 t
x(t ) = cos(ω0t ) x(t ) = (e + e − jω 0 t )
2
1 jω 0 t 1
X (ω) = ℑ{x(t )} = ℑ{e } + ℑ{e − jω0t }
2 2
(* Obs : ℑ{x(t )e jω t } = X (ω − ω0 ))
0 ( * Obs : ℑ{K } = 2πKδ(ω) )
1 1
X (ω) = 2πδ(ω − ω0 ) + 2πδ(ω + ω0 )
2 2
1 1
X (ω) = πδ(ω − ω0 ) + πδ(ω + ω0 ) X ( f ) = δ( f − f 0 ) + δ( f − f 0 )
2 2
A T.F. do co-seno consiste de duas funções delta de Dirac simétricas,
uma localizada em f0 e outra em - f0.

32
Teorema Parseval para Sinais Não-Periódicos de Energia finita
Sendo x(t) um sinal de energia finita, sua energia é dada por:
∞
Ex = ∫ | x(t ) |2 dt
−∞
que pode ser expressa em termos de X(f), ou seja:
∞ ∞ ∞
E x = ∫ x(t ) x (t )dt = ∫ x(t )  ∫ X ∗ ( f )e − j 2πft df  dt
∗ 
−∞ −∞  −∞ 
∞ ∞
∞
E x = ∫ x(t ) x (t )dt = ∫ X ( f )  ∫ x(t )e − j 2πft dt df
∗  ∗
−∞ −∞  −∞ 
∞ ∗ ∞
Ex = ∫ X ( f ) X ( f ) df = ∫ | X ( f ) |2 df
−∞ −∞
Então, ∞ 2 ∞
Ex = ∫ | x(t ) | dt = ∫ | X ( f ) |2 df
−∞ −∞

A energia do sinal pode ser descrita no domínio do tempo ou

no domínio da freqüência. 33
 ∞
Ex = ∫ | X ( f ) |2 df
−∞

 O termo |X(f)|2 representa a distribuição de energia do sinal

em função da freqüência.

| X ( f ) |2 = S xx ( f )

 Sxx(f) ⇒ Auto Densidade Espectral de Energia do Sinal x(t)

 Será visto posteriormente que a função auto densidade

espectral, Sxx(f), é a transformada de Fourier da função de
auto correlação, Rxx(τ).
ℑ{Rxx (τ)} = S xx ( f )

34
C) TRANSFORMADA DE FOURIER DISCRETA

 A Transformada de Fourier têm sido usada com sucesso através dos anos
para resolver muitos tipos de problemas de engenharia, física e matemática.
Esta transformada, como já visto, é definida para funções contínuas (ou
analógicas).
 A partir dos anos 60 a transformada de Fourier tem sido implementada na
forma digital (surgindo a Transformada de Fourier Discreta) em vários
tipos de analisadores. Estes analisadores computam a forma digital (ou
discretizada) de espectros de potência, funções de resposta em freqüência e
outras funções no domínio da freqüência a partir de sinais medidos
(amostrados) no domínio do tempo, todos a partir da Transformada de
Fourier Discreta.
 Nesta seção é apresentada a técnica conhecida com Transformada de
Fourier Discreta (TFD) ou DFT (sigla da técnica em inglês) para
seqüências de comprimento finito.

35
 A implementação da Transformada Discreta de Fourier ou simplesmente
DFT (“Discrete Fourier Transform”), veio a ser prática em 1965 quando
Cooley e Turkey descreveram um algorítmo para computar a DFT de
forma bem eficiente. Seu algorítmo (e outros como ele) tornaram-se
conhecidos como a Transformada Rápida de Fourier ou FFT (“Fast
Fourier Transform”).
 Usando o algorítmo da FFT, analisadores digitais de sinais podem
computar a DFT em milisegundos ao invés de horas como era feita em
décadas passadas.
 A computação direta da DFT de uma função contendo N pontos, requer
N2 operações; onde uma operação é definida como uma multiplicação
mais uma adição. O algorítmo de Cooley e Tukey requer
aproximadamente N×log2N operações, sendo N potência de 2.
 Muitos outros métodos para computação eficiente da DFT têm sido
descobertos, contudo, todos os quais que requerem em torno de N×log2N
operações têm sido conhecidos como FFT’s.

36
Seja x[n]uma seqüência de tamanho finito de comprimento N, isto é,
x[n] = 0 Fora do intervalo 0 ≤ n ≤ N-1

A TFD (ou DFT) de x[n], representada por X[k], é definida por:

1 N −1
X [k ] = ∑
N n =0
x[ n ] W kn
N k = 0,1,.., N-1

sendo WN = e − j ( 2 π / N )
A TFD (ou DFT) inversa é dada por:
N −1
x[n] = ∑ X [k ] WN− kn n = 0,1,.., N-1
n =0

Exemplo: Dada a seqüência x[n]=[1, 2, 1]. (a) Calcule a DFT de x[n];

(b) Use o comando da fft no matlab para determinar a DFT de x[n]

37
Solução: (a)
W30 = 1 1
(
W3 = e )
− j ( 2 π / 3) 1
= −0,5 − j 0,866
2
W3 = e ( )
− j ( 2 π / 3) 2
= −0,5 + j 0,866 W3 = (e
3
) =1
− j ( 2 π / 3) 3

W34 = W31

2
X [0] = ∑ x[ n ] W 0
3 = 1+ 2 +1 = 4
n =0
2
X [1] = ∑ x[n] W31n = x[0] W30 + x[1] W31 + x[2] W32 =
n =0
= 1(1) + 2( −0,5 − j 0,866) + 1(−0,5 + j 0,866) = −0,5 − j 0,866
2
X [2] = ∑ x[ n ] W3
2n
= x[ 0] W3
0
+ x[1] W3
2
+ x[ 2] W 4
3 =
n =0
= 1(1) + 2( −0,5 + j 0,866) + 1(−0,5 − j 0,866) = −0,5 + j 0,866

38
(b) Resultados do Matlab:
» x=[1 2 1];
» xfft=fft(x)
xfft =
4.0000 -0.5000 - 0.8660i -0.5000 + 0.8660i

O que se percebe?
R: O Matlab calcula a DFT através da fórmula mostrada com a exceção do
parâmetro (1/N). Portanto o usuário deve dividir o resultado da fft por N.
Por quê?
R: Porque muitos autores definem a DFT sem a divisão por N, que surge
dividindo na expressão da IDFT.

39
 Fórmulas da Discretização dos Sinais no Domínio do Tempo e no
Domínio da Freqüência.

T = Tempo (ou Período) de Aquisição ou

T = N ∆t
Período de Análise ou Registro Temporal
(“Time Record”); 1 1
∆t = ∴ fs =
N = Número de Linhas Espectrais fs ∆t
∆t = Intervalo de Tempo ou de
1 1
Amostragem ou Incremento de Tempo; ∆f = ∴ T= ∴ T∆f = 1
T ∆f
∆f = Intervalo de Freqüência ou
Resolução em Freqüência; Quanto maior a duração da aquisição do sinal,
fs = Freqüência ou Taxa de amostragem maior resolução terá o espectro.
40
 Princípio da Incerteza T = Tempo (ou Período) de
Aquisição ou Período de Análise ou
Registro Temporal (“Time
Record”);
∆t = Intervalo de Tempo ou de
Amostragem ou Incremento de
Tempo;
∆f = Intervalo de Freqüência ou
Resolução em Freqüência;
fs = Freqüência ou Taxa de
amostragem
T = N ∆t

1 1
∆t = ∴ fs =
fs ∆t s
1 1
∆f = ∴ T= ∴ T∆f = 1
T ∆f
41
Natureza e Disposição dos Coeficientes de Fourier no Espectro

No Matlab (como não pode haver índice zero em variáveis indexadas):

42