★Star B · Academia · Processamento Digital de Sinal

Série & Transformada
de Fourier

Do domínio do tempo ao domínio da frequência — fundamentos rigorosos com derivações completas, 6 simuladores interactivos canvas e exercícios de nível universitário. Terminologia PDS alinhada com ISCTEM e UEM.

⊞ Nível Fundamentos∑ 35h estimadas✦ Acesso gratuito

Progresso de leitura

★ Como usar este curso

Cada secção combina teoria rigorosa com analogias intuitivas, derivações passo a passo e simuladores interactivos. Lê o enunciado completo antes de avançar para o simulador. Nos exercícios, tenta resolver autonomamente antes de ver a dica ou a resolução. O objectivo é compreender porquê cada passo funciona — não apenas memorizar resultados.

Sinais & Frequências

O que é um sinal? O que é frequência? A base conceptual antes de qualquer fórmula.

Em engenharia, um sinal é qualquer quantidade física que varia com o tempo e transporta informação — a tensão num circuito, a pressão sonora, a intensidade de luz, a posição de um robô. Matematicamente, representamos sinais como funções de uma variável independente.

A ideia central de todo o PDS é deceptivamente simples: qualquer sinal pode ser escrito como soma de sinusóides. Esta decomposição — descoberta por Jean-Baptiste Joseph Fourier em 1822 — é o que permite filtrar ruído, comprimir áudio, transmitir Wi-Fi e fazer ecografias.

🎻 Analogia — O Afinador de Guitarra

Tocas um acorde e o microfone capta um único sinal complexo. Um afinador digital decompõe esse sinal em notas individuais (Lá 440Hz, Ré 293Hz...) — isso é exactamente o que a Transformada de Fourier faz. O resultado é a lista de frequências que compõem o sinal e a intensidade de cada uma.

Sinais Contínuos vs. Sinais Discretos

Definição — Sinal Contínuo x(t)

Definido para todos os instantes t ∈ ℝ. Contínuo no tempo e na amplitude. Exemplo: x(t) = cos(2π·50t) — uma sinusóide de 50 Hz. Existe em cada instante de tempo, mas em hardware analógico apenas.

Definição — Sinal Discreto x[n]

Definido apenas num conjunto discreto de instantes n ∈ ℤ. Obtém-se por amostragem: x[n] = x(nT), onde T é o período de amostragem e Fs = 1/T é a frequência de amostragem em Hz. É o que os computadores e DSPs processam.

Domínio do Tempo vs. Domínio da Frequência

O mesmo sinal pode ser descrito de duas formas complementares: no domínio do tempo (como o valor evolui ao longo do tempo) ou no domínio da frequência (que frequências estão presentes e com que amplitude/fase). A Transformada de Fourier é o "dicionário" que traduz entre os dois.

💡

Princípio fundamental do PDS: em vez de processar directamente o sinal complexo, decompomo-lo nas suas frequências simples, processamos cada uma independentemente, e recombinamos. Filtros, compressão MP3, Wi-Fi 5G — tudo usa este princípio.

⚙ Simulador — Composição de Sinusóides

Freq 1 (Hz)1 Hz

Amp 11.00

Freq 2 (Hz)3 Hz

Amp 20.50

Freq 3 (Hz)5 Hz

Amp 30.33

Comp. 1Comp. 2Comp. 3Soma (tracejado)

↑ Experimenta: ajusta as frequências e amplitudes dos três componentes e observa como a soma (linha tracejada verde) vai mudando de forma. É assim que a natureza "constrói" sons complexos a partir de sinusóides puras.

Sinais básicos em PDS: Degrau unitário u[n] (liga em n=0), Impulso unitário δ[n] (vale 1 apenas em n=0, zero em todo o resto), Exponencial complexa e^(jω₀n) = cos(ω₀n) + j·sin(ω₀n). O impulso é o sinal mais importante: a resposta do sistema ao impulso define completamente o sistema.

Série de Fourier

Para sinais periódicos — representação exacta como soma infinita de exponenciais.

A Série de Fourier responde à pergunta: dado um sinal periódico qualquer, como o escrevo como soma de sinusóides? A resposta de Fourier é que qualquer sinal periódico "razoável" (condições de Dirichlet) pode ser representado exactamente como soma infinita de exponenciais complexas com frequências múltiplas inteiras da frequência fundamental.

Definição — Sinal Periódico

x(t) é periódico com período T₀ se x(t + T₀) = x(t) para todo t ∈ ℝ. O período fundamental T₀ é o menor valor positivo com esta propriedade. A frequência fundamental é f₀ = 1/T₀ Hz, e ω₀ = 2π/T₀ rad/s.

🧩 Analogia — LEGO de Sinusóides

A onda quadrada parece muito diferente de uma sinusóide. Mas tal como podes construir qualquer forma com peças LEGO, podes aproximar qualquer sinal periódico com sinusóides. Cada "peça" é uma harmónica: a 1ª harmónica (fundamental) tem período T₀, a 2ª tem período T₀/2, etc. A Série de Fourier diz-te exactamente quantas e quão grandes devem ser as peças.

Forma Exponencial Complexa — a mais compacta

Representar o sinal como soma de exponenciais complexas (e não senos/cossenos) é matematicamente mais limpo porque as exponenciais são os valores própriosdos sistemas lineares invariantes no tempo — qualquer SLIT mantém a forma exponencial, apenas multiplicando por um escalar H(ω) (a resposta em frequência).

Série de Fourier — Forma Complexa

x (t) = k = - \infty \sum \infty a_{k} e^{j k ω_{0} t}

coeficientes de síntese (fórmula de análise):

a_{k} = \frac{1}{T _{0}} \int_{T_{0}} x (t) e^{- j k ω_{0} t} d t

Cada coeficiente aₖ é um número complexo: o módulo |aₖ| dá a amplitude da k-ésima harmónica, e o argumento arg(aₖ) dá a fase. O conjunto {|aₖ|} para todos os k é o espectro de amplitudes do sinal.

Forma Trigonométrica — para sinais reais

Para sinais reais x(t) ∈ ℝ, os coeficientes satisfazem aₖ = a*₋ₖ (simetria hermitiana). Isto permite reescrever a série com apenas cosenos e senos — a forma mais usada em engenharia:

Forma Trigonométrica

x (t) = a_{0} + k = 1 \sum \infty [A_{k} cos (k ω_{0} t) + B_{k} sin (k ω_{0} t)]

onde A_k = 2Re{a_k} e B_k = −2Im{a_k} e a₀ = valor médio do sinal.

Fenómeno de Gibbs — porque a aproximação nunca é perfeita nas descontinuidades

Quando aproximamos um sinal com descontinuidades (como a onda quadrada) por N harmónicas, ocorre sempre um overshooting de ~9% perto das descontinuidades, independentemente de N. Este é o Fenómeno de Gibbs: a série converge em energia, mas não converge uniformemente nos pontos de descontinuidade. É crucial saber isto para filtros digitais e processamento de imagem.

⚙ Aproximação da Onda Quadrada — N Harmónicas Ímpares

Nº de Harmónicas (N)N = 1

x(t) ≈ (4/π)·(1/1)·sin(1πt)

↑ Clica "Animar" para ver a série a convergir. Nota como o pico perto da descontinuidade persiste mesmo com N=25 harmónicas — esse é o Fenómeno de Gibbs.

Cálculo dos Coeficientes aₖ

Da ortogonalidade das exponenciais ao protocolo de cálculo em 4 fases.

A fórmula de análise aₖ = (1/T₀)∫x(t)e^(−jkω₀t)dt não é arbitrária — deriva directamente da ortogonalidade das exponenciais complexas. Duas funções f e g são ortogonais quando o seu produto interno (∫fg*dt) é zero. As exponenciais e^(jkω₀t) são ortogonais entre si no intervalo T₀.

Propriedade de Ortogonalidade

\frac{1}{T _{0}} \int_{T_{0}} e^{j k ω_{0} t} e^{- j n ω_{0} t} d t = {10 se k = n se k \neq = n

Exemplo — Como a ortogonalidade dá a fórmula de aₖ

Multiplica ambos os lados de x(t)=Σaₖe^(jkω₀t) por e^(−jnω₀t) e integra em T₀. Todos os termos com k≠n cancelam (ortogonalidade), restando apenas aₙ·T₀·1 = aₙ·T₀. Dividindo por T₀: aₙ = (1/T₀)∫x(t)e^(−jnω₀t)dt. □

Protocolo de cálculo — 4 fases obrigatórias

Identificar T₀ e ω₀

T_{0} = per \overset{ı}{ˊ} odo fundamental, ω_{0} = \frac{2 π}{T _{0}}

Encontrar o menor T tal que x(t+T)=x(t). Para somas de sinusóides, T₀=1/MDC(f₁,f₂,...)

Definir x(t) num período

Escolher o intervalo mais conveniente: [0,T₀) ou [−T₀/2,T₀/2). Dividir em troços se necessário.

Integrar para obter aₖ

a_{k} = \frac{1}{T _{0}} \int_{T_{0}} x (t) e^{- j k ω_{0} t} d t

Integrar por partes se necessário. Explorar simetrias: x(t) par → aₖ reais; x(t) ímpar → aₖ imaginários puros.

Verificar sanidade

a₀ deve ser o valor médio de x(t). |aₖ| deve diminuir com k→∞ (condição de convergência).

Exemplo completo — Onda Quadrada Bipolar

Seja x(t) uma onda quadrada bipolar com T₀=2s: x(t)=+1 para 0≤t<1 e x(t)=−1 para 1≤t<2. Este é o exemplo canónico da Série de Fourier — o resultado é elegante e revela porque a onda quadrada só tem harmónicas ímpares.

Derivação completa

Parâmetros:

T_{0} = 2 s, ω_{0} = π rad/s, f_{0} = 0.5 Hz

Componente DC (k=0):

a_{0} = \frac{1}{2} [\int_{0}^{1} (+ 1) d t + \int_{1}^{2} (- 1) d t] = \frac{1}{2} [1 - 1] = 0 ✓

Faz sentido: a onda quadrada bipolar tem valor médio zero.

Coeficientes gerais (k≠0):

a_{k} = \frac{1 - ( - 1 ) ^{k}}{j k π} = ⎩ ⎨ ⎧ \frac{2}{j k π} 0 k \overset{ı}{ˊ} mpar k par

Para k par: (−1)^k=1 → numerador=0. Para k ímpar: (−1)^k=−1 → numerador=2. Só existem harmónicas ímpares!

Série completa:

x (t) = \frac{4}{π} [sin (π t) + \frac{sin ( 3 π t )}{3} + \frac{sin ( 5 π t )}{5} + \dots]

Espectro de amplitudes |aₖ|

O espectro de amplitudes representa graficamente as intensidades de cada harmónica. Para a onda quadrada: apenas k ímpar tem amplitude não-nula, e essa amplitude decresce como 1/(|k|π) — uma cauda lenta (decaimento linear). Comparativamente, a onda triangular tem coeficientes que decaem como 1/k², muito mais rápido.

Espectro |aₖ| da onda quadrada — harmónicas ímpares k = ±1, ±3, ±5, ...

Transformada de Fourier Contínua (CTFT)

Extensão para sinais aperiódicos — do espectro discreto ao espectro contínuo.

A Série de Fourier funciona para sinais periódicos — mas a maioria dos sinais reais (um pulso de radar, um fonema de voz, a resposta impulsiva de um filtro) não são periódicos. A solução: deixar o período T₀ → ∞. Nesse limite, as frequências discretas kω₀ juntam-se e formam um espectro contínuo — a Transformada de Fourier Contínua (CTFT).

💡 Analogia — De Corda a Arco

Na Série de Fourier, o espectro tem "riscos" discretos (como cordas de guitarra — só existem certas notas). Ao fazer T₀→∞, os riscos ficam infinitamente próximos e fundem-se num espectro contínuo (como um arco de violino que pode tocar qualquer frequência). Esse limite é o nascimento da CTFT.

Par de Fourier Contínuo (CTFT)

Transformada (Análise — Tempo → Frequência):

X (ω) = \int_{- \infty}^{\infty} x (t) e^{- j ω t} d t

Transformada Inversa (Síntese — Frequência → Tempo):

x (t) = \frac{1}{2 π} \int_{- \infty}^{\infty} X (ω) e^{j ω t} d ω

Exemplo canónico — Pulso Rectangular → Sinc

O pulso rectangular é o exemplo mais importante da CTFT porque o par rect ↔ sinc demonstra a dualidade tempo-frequência. Um pulso estreito no tempo tem espectro largo na frequência, e vice-versa — o Princípio da Incerteza de Heisenberg em sinais.

CTFT do Pulso Rectangular rect(t/τ)

Integral directa:

X (ω) = \int_{- τ /2}^{τ /2} 1 \cdot e^{- j ω t} d t

Primitiva de e^(−jωt):

X (ω) = [\frac{e ^{- j ω t}}{- j ω}]_{- τ /2}^{τ /2} = \frac{e ^{- j ω τ /2} - e ^{j ω τ /2}}{- j ω}

Usando e^(jθ)−e^(−jθ) = 2j sin(θ):

X (ω) = \frac{2 sin ( ω τ /2 )}{ω} = τ \cdot sinc (\frac{ω τ}{2 π})

onde sinc(u) = sin(πu)/(πu) é a função sinc normalizada.

⚙ Par Fourier: Pulso Rectangular ↔ Sinc

Largura τ (s)τ = 4s

Esq: x(t) — domínio tempo | Dir: |X(ω)| — domínio frequência

↑ Arrasta τ: quando o pulso fica mais largo (τ grande), a sinc fica mais estreita — e vice-versa. Os zeros da sinc ocorrem em ω = 2πk/τ (k≠0).

Princípio da Incerteza de Fourier: Não é possível ter um sinal arbitrariamente concentrado tanto no tempo quanto na frequência. Formalmente: Δt · Δω ≥ 1/2 (para qualquer sinal com energia finita). O pulso gaussiano e^(−t²/2σ²) atinge o limite de igualdade — é o sinal "mais compacto" possível.

Propriedades da Transformada de Fourier

As ferramentas que permitem calcular sem integrar de novo — de cor no exame.

Na prática, raramente calculamos a CTFT por integração directa. Em vez disso, usamos a tabela de pares de Fourier (formas conhecidas) combinada com as propriedades (que permitem construir transformadas complexas a partir de transformadas simples). Dominar as propriedades é a competência central de PDS.

🔧 Analogia — Tabela de Logaritmos

Antes das calculadoras, ninguém multiplicava directamente 3471 × 2983. Em vez disso: log(3471) + log(2983) e depois antilog — muito mais simples. As propriedades de Fourier fazem o mesmo: transformam problemas difíceis (integração de sinais complexos) em problemas simples (álgebra de funções conhecidas).

Propriedade	Domínio do Tempo x(t)	Domínio da Frequência X(ω)	Para que serve
Linearidade	αx₁(t)+βx₂(t)	αX₁(ω)+βX₂(ω)	Sobreposição — base do SLIT
Deslocamento Temporal	x(t−t₀)	e^(−jωt₀)·X(ω)	Atraso de sinal, eco, reverb
Modulação em Frequência	e^(jω₀t)·x(t)	X(ω−ω₀)	AM/FM, upconversion de RF
Convolução ↔ Produto ★	(x★h)(t)	X(ω)·H(ω)	Filtragem linear — propriedade central!
Produto ↔ Convolução	x(t)·w(t)	(1/2π)X(ω)★W(ω)	Janelamento, modulação AM
Derivada Temporal	dx/dt	jω·X(ω)	Equações diferenciais → algébricas
Integral Temporal	∫x(τ)dτ	X(ω)/(jω) + πX(0)δ(ω)	Acumuladores, integradores
Parseval (Energia)	∫\|x(t)\|²dt	(1/2π)∫\|X(ω)\|²dω	Energia conservada em ambos os domínios
Dualidade	X(t)	2π·x(−ω)	sinc↔rect, δ↔1, Gaussiana↔Gaussiana
Simetria (x(t) real)	x(t)∈ℝ	X*(−ω)=X(ω)	Espectro é hermitiano — \|X\| é par

💡

A propriedade mais importante de todo o PDS: Convolução no tempo = Produto na frequência. Em vez de calcular a convolução (operação O(N²)), basta multiplicar os espectros (operação O(N log N) com FFT). É por isso que os filtros digitais são implementados no domínio da frequência.

Filtragem em SLIT — a propriedade de ouro

y(t) = x(t) ★ h(t)

Convolução no tempo — difícil de calcular directamente

⟺

Y(ω) = X(ω)·H(ω)

Produto na frequência — multiplicação simples!

Transformada Discreta — DTFT & DFT

Do mundo contínuo para o digital — o que os computadores realmente calculam.

A CTFT trata de sinais contínuos — mas os computadores só processam sequências finitas de números. Como chegamos lá? Por dois passos de discretização: primeiro amostrar o sinal contínuo (CTFT → DTFT), depois truncar a sequência para N pontos (DTFT → DFT). A DFT é o que os chips DSP e as GPUs calculam, acelerado pelo algoritmo FFT.

📷 Analogia — Da Câmara Analógica ao JPEG

Uma câmara analógica captura um campo de luz contínuo. Ao digitalizar, "fotografamos" N×M pixels (amostragem 2D). O codec JPEG calcula depois a DCT (prima da DFT) de blocos 8×8 pixels e comprime os coeficientes de frequência. O aliasing ocorre quando a resolução é insuficiente: pixels a fazer "aliasing" de padrões finos criam o artefacto mosaico (moiré).

Definição — DTFT — Transformada Discreta de Fourier no Tempo

Para sinal discreto x[n] (potencialmente infinito), a DTFT produz um espectro contínuo e periódico com período 2π (em rad/amostra):

DTFT

X (e^{j Ω}) = n = - \infty \sum \infty x [n] e^{- j Ω n}, Ω \in [- π, π]

Definição — DFT — Transformada Discreta de Fourier (N pontos)

Para sinal discreto finito x[n] com n=0,...,N−1, a DFT produz N coeficientes complexos X[k] igualmente espaçados na frequência:

DFT e IDFT

Análise (DFT)

X [k] = n = 0 \sum N - 1 x [n] e^{- j \frac{2 π}{N} k n}

Síntese (IDFT)

x [n] = \frac{1}{N} k = 0 \sum N - 1 X [k] e^{j \frac{2 π}{N} k n}

A resolução frequencial da DFT é Δf = Fs/N Hz. Para melhor resolução: aumentar N (mais amostras).

⚙ Simulador DFT — N=8 pontos

Frequência do Sinal (k₀)k=2 (2000 Hz)

Esquerda: amostras x[n] | Direita: módulo |X[k]| da DFT

↑ Experimenta: uma sinusóide de frequência k₀ gera picos a k=k₀ e k=N−k₀ (simetria hermitiana para sinais reais).

Teorema da Amostragem de Nyquist-Shannon

O teorema mais importante do processamento de sinal digital: define a taxa mínima de amostragem que permite reconstruir um sinal analógico sem perda de informação.

Definição — Teorema de Nyquist

Para reconstruir sem ambiguidade um sinal de banda limitada B (Hz), a frequência de amostragem Fs deve satisfazer: Fs ≥ 2B. O valor mínimo 2B é a frequência de Nyquist. Se Fs < 2B, as réplicas espectrais sobrepõem-se — ocorre aliasing.

Porquê 2B? Ao amostrar com Fs, o espectro X(ω) é replicado em múltiplos de Fs. Para que as réplicas não se sobreponham (sem aliasing), é preciso que a banda do sinal [−B, B] caiba no intervalo [−Fs/2, Fs/2]. Logo Fs/2 ≥ B, i.e., Fs ≥ 2B. Em áudio CD: Fs=44.1kHz → banda máxima = 22.05kHz (acima do limite auditivo humano de ~20kHz). ✓

⚠ Aliasing — o inimigo silencioso: x(t)=cos(2π·700t) amostrado a Fs=800Hz. Frequência de Nyquist: 400Hz. Como 700 > 400 Hz, ocorre aliasing: f_alias = |700 − 800| = 100 Hz. A componente de 700Hz parece estar a 100Hz no espectro! Solução: usar um filtro anti-aliasing analógico (passa-baixo com fc≤Fs/2) ANTES de amostrar.

Exercícios Guiados

Resolve, verifica a tua resposta e vê a resolução passo a passo — com enunciados completos.

Estes exercícios testam os conceitos fundamentais das secções 1 a 4. Para cada um: lê o enunciado completo, tenta resolver autonomamente, usa a dica se precisar, e compara com a resolução detalhada. O objectivo não é a resposta correcta — é compreender porquê cada passo é feito.

● FácilExercício 1 — Período e Frequência Fundamental

Dado x(t) = 3 cos(20πt) + 2 sin(30πt), determina:

(a) Período fundamental T₀ — o menor período tal que x(t+T₀)=x(t)
(b) Frequência fundamental f₀ = 1/T₀ em Hz
(c) Frequência angular fundamental ω₀ = 2πf₀ em rad/s

◆ MédioExercício 2 — Coeficiente de Onda Triangular

Uma onda triangular simétrica tem período T₀ = 2π e amplitude 1.

Sabe-se que para a onda triangular os coeficientes complexos de Fourier são:
|aₖ| = 2/(k²π²) para k ímpar, e |aₖ| = 0 para k par.

Calcula numericamente o módulo do primeiro coeficiente |a₁|.

∣ a_{1} ∣ = \frac{1}{2 π} \int_{0}^{2 π} x (t) e^{- j t} d t = ?

◆ MédioExercício 3 — CTFT por Propriedade de Deslocamento Temporal

Sabe-se que a CTFT de um pulso rectangular centrado em t=0 com largura τ é:
rect(t/τ) ↔ τ·sinc(ωτ/2π)

Usando a propriedade de deslocamento temporal, calcula a CTFT de:
x(t) = rect((t−2)/4)
(pulso de largura τ=4 centrado em t=2)

X (ω) = 4 e^{?} sinc (?)

Exercícios de PDS Aplicado

Filtragem SLIT, DFT, aliasing — problemas de nível universitário com contexto real.

Estes exercícios integram múltiplos conceitos e correspondem ao tipo de problema que aparece em exames de Sinais e Sistemas / Processamento Digital de Sinal nas universidades moçambicanas (ISCTEM, UEM, ISUTC). Cada exercício inclui contexto sobre a aplicação real do conceito.

◆ MédioExercício 4 — SLIT com Filtro Passa-Baixo Ideal

Um Sistema Linear Invariante no Tempo (SLIT) tem função de transferência:
H(ω) = 1 se |ω| ≤ 100π (passa), H(ω) = 0 se |ω| > 100π (corta)

Este filtro passa-baixo ideal deixa passar todas as componentes com frequência angular abaixo de ωc = 100π rad/s e elimina as restantes.

Entrada: x(t) = 2cos(60πt) + 3sin(120πt) + cos(200πt)

Qual é a saída y(t)?

y (t) = H (ω) \cdot X (ω) \to ?

■ DifícilExercício 5 — DFT de N=4 pontos

A DFT de N pontos transforma N amostras no domínio do tempo em N coeficientes no domínio da frequência.

Calcula a DFT de 4 pontos do sinal x[n] = {1, 0, 1, 0} (n=0,1,2,3).

A fórmula da DFT para N=4 é: X[k] = Σ x[n]·e^(−j2πkn/4)

Qual é o valor de X[2]?

X [k] = n = 0 \sum 3 x [n] e^{- j \frac{2 π}{4} k n}

■ DifícilExercício 6 — Aliasing e Critério de Nyquist

O sinal x(t) = cos(2π·300t) + cos(2π·700t) é amostrado com frequência Fs = 800 Hz.

Ao calcular a DFT das amostras, aparece um pico inesperado a 100 Hz — mas a componente de 100 Hz não existe no sinal original. Este artefacto chama-se aliasing.

(a) Explica matematicamente porque é que 700 Hz aparece como 100 Hz.
(b) Indica a frequência mínima de amostragem para evitar aliasing.

Simulador Unificado

Todos os 5 simuladores num único painel — explora, compara, experimenta.

Usa este painel para revisitar e consolidar todos os conceitos do curso. Cada tab foca um aspecto diferente: da composição de sinusóides (base da Série de Fourier) à DFT discreta (base dos algoritmos FFT que correm em toda a electrónica moderna).

Simulador Unificado — Aula 1 Completa

Série de Fourier · CTFT · DTFT · DFT

Objectivo: Ajusta frequências e amplitudes e vê em tempo real como a soma de sinusóides cria formas complexas a partir de componentes simples.

⚙ Simulador — Composição de Sinusóides