Capa_Geromel_Analise de sinais_P2.

pdf 3 28/02/2019 12:49:39

Este livro trata de um conjunto de assuntos clássicos que

Geromel • Deaecto
permeia todos os programas de graduação em engenharia e
ciências exatas. Ele estuda os sinais e os sistemas que os
manipulam e os modificam para atender a alguma finalidade. A
CONTEÚDO obra é resultado de uma visão pessoal dos autores a respeito José C. Geromel
dos assuntos abordados, proporcionando ao leitor um texto
Nasceu em Itatiba, São Paulo, em 1952.
inédito sobre a área.
Graduou-se em 1975 e concluiu seu mestrado
1 em 1976 na Faculdade de Engenharia Elétrica
Considerações preliminares da Unicamp. Obteve o título de docteur d’État
Os mais importantes aspectos teóricos envolvendo sinais e sistemas expressos no
em 1979 no LAAS-CNRS, na França. Em 1987,
domínio de tempo contínuo e no domínio de tempo discreto são abordados com a
atuou como professor convidado no Instituto
2 devida abrangência, mas com o cuidado de não exigir do leitor conhecimento
Politécnico de Milão, na Itália. Desde 1990, é
além do esperado. Dezenas de exemplos são resolvidos para ilustrar resultados

ANÁLISE LINEAR DE SINAIS

Sinais professor titular da Faculdade de Engenharia
teóricos importantes e também para colocar em evidência alguma técnica de
Elétrica e de Computação da Unicamp, onde
cálculo que deve ser aprendida de maneira sólida e definitiva. Várias informações
exerceu o cargo de pró-reitor de pós-graduação
3 suplementares na forma de discussões específicas ganham o devido destaque no
(1998-2002). Desde 1991, é pesquisador nível
Análise de sinais periódicos decorrer do texto. Ademais, um capítulo é inteiramente dedicado a aplicações
1A do CNPq. Recebeu o prêmio Zeferino Vaz,
práticas e dois apêndices tratam de temas estratégicos para que a leitura possa
ser feita com o devido cuidado.
José C. Geromel concedido pela Unicamp, em 1994 e 2014, e o
C
prêmio Scopus, concedido pela Elsevier e pela
M
4 Grace S. Deaecto CAPES, em 2007. É membro titular da Academia
Y
Transformada de Fourier Brasileira de Ciências, chevalier dans l’Ordre des
CM
Palmes Académiques da França e docteur
honoris causa da Universidade Paul Sabatier, na
MY 5
ANÁLISE LINEAR
França. Em 2011, tornou-se comendador da
CY Amostragem Ordem Nacional do Mérito Científico do Brasil,
CMY
sendo agraciado, em 2018, com a Grã-Cruz da

DE SINAIS
K
6 Ordem. Em 2011, tornou-se distinguished
lecturer da IEEE Control Systems Society.
Filtragem determinística

7
Grace S. Deaecto
Filtragem estocástica Teoria, ensaios práticos e exercícios
Graduou-se em Engenharia Elétrica pela Unesp ,
campus de Ilha Solteira, em 2005. Concluiu o
8
mestrado em 2007 e o doutorado em 2010,
Modelagem e ensaios práticos
ambos pela Faculdade de Engenharia Elétrica e
de Computação da Unicamp. Durante o ano de
A 2011, realizou pós-doutorado no Centre de
Recherche en Automatique de Nancy, na
Noções básicas de cálculo
França, onde também participou de um projeto
e simulação
conjunto entre esse laboratório e a empresa
ArcelorMittal. Atualmente, é professora da
B Faculdade de Engenharia Mecânica da Unicamp
e bolsista nível 1D do CNPq.
Probabilidade
ANÁLISE LINEAR DE SINAIS

Teoria, ensaios práticos e exercı́cios

José C. Geromel
Faculdade de Engenharia Elétrica
e de Computação, UNICAMP

Grace S. Deaecto
Faculdade de Engenharia Mecânica,
UNICAMP
 Análise linear de sinais: teoria, ensaios práticos e exercícios
© 2019 José C. Geromel, Grace S. Deaecto
Editora Edgard Blücher Ltda.

Dados Internacionais de Catalogação na Publicação (CIP)

Angélica Ilacqua CRB-8/7057

Rua Pedroso Alvarenga, 1245, 4º andar Geromel, José C.

04531-934 – São Paulo – SP – Brasil Análise linear de sinais : teoria, ensaios práticos
Tel.: 55 11 3078-5366 e exercícios / José C. Geromel e Grace S. Deaecto. –
contato@blucher.com.br São Paulo : Blucher, 2019.

www.blucher.com.br 347 p. : il.

Bibliografia
Segundo o Novo Acordo Ortográfico, conforme 5. ed. ISBN 978-85-212-1415-1 (impresso)
do Vocabulário Ortográfico da Língua Portuguesa, ISBN 978-85-212-1416-8 (e-book)
Academia Brasileira de Letras, março de 2009.

1. Processamento de sinais 2. Sistemas lineares

3. Análise de sistemas 4. Engenharia elétrica
5. Teoria dos sinais I. Deaecto, Grace S.

É proibida a reprodução total ou parcial por quaisquer

meios sem autorização escrita da editora. 18-2278 CDD 621.3823

Todos os direitos reservados pela Editora Índice para catálogo sistemático:

Edgard Blücher Ltda. 1. Processamento de sinais – Engenharia elétrica

geromel.indd 4 15/01/2019 11:44:43

Conteúdo

Prefácio & Agradecimentos xi

1 Considerações Preliminares 1
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 A Função Zeta . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2 Modelagem de Vazão . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3 Oscilações Mecânicas . . . . . . . . . . . . . . . . . . . . . . 7
1.1.4 Oscilações Elétricas . . . . . . . . . . . . . . . . . . . . . . 13
1.2 Requisitos Básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3 Descrição dos Capı́tulos e Apêndices . . . . . . . . . . . . . . . . . 19
1.4 Notação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.5 Notas Bibliográficas . . . . . . . . . . . . . . . . . . . . . . . . . . 28

2 Sinais 29
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Propriedades Básicas . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.1 Sinais a Tempo Contı́nuo . . . . . . . . . . . . . . . . . . . 33
2.2.2 Sinais a Tempo Discreto . . . . . . . . . . . . . . . . . . . . 40
2.3 Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.3.1 Sistemas a Tempo Contı́nuo . . . . . . . . . . . . . . . . . . 50
2.3.2 Sistemas a Tempo Discreto . . . . . . . . . . . . . . . . . . 56
2.4 Notas Bibliográficas . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.5 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

3 Análise de Sinais Periódicos 69

3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.2 Representação de Sinais . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3 Sinais a Tempo Contı́nuo . . . . . . . . . . . . . . . . . . . . . . . 73
3.4 Sinais a Tempo Discreto . . . . . . . . . . . . . . . . . . . . . . . . 79

vii
viii CONTEÚDO

3.5 Notas Bibliográficas . . . . . . . . . . . . . . . . . . . . . . . . . . 87

3.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

4 Transformada de Fourier 93
4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.2 Sinais a Tempo Contı́nuo . . . . . . . . . . . . . . . . . . . . . . . 94
4.2.1 Propriedades Básicas . . . . . . . . . . . . . . . . . . . . . . 104
4.2.2 Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.3 Sinais a Tempo Discreto . . . . . . . . . . . . . . . . . . . . . . . . 114
4.3.1 Propriedades Básicas . . . . . . . . . . . . . . . . . . . . . . 124
4.3.2 Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4.4 Análise Numérica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
4.5 Notas Bibliográficas . . . . . . . . . . . . . . . . . . . . . . . . . . 136
4.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

5 Amostragem 141
5.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
5.2 Amostragem de Sinais . . . . . . . . . . . . . . . . . . . . . . . . . 142
5.2.1 Amostragem e Reconstrução Aproximada de Sinais . . . . . 153
5.2.2 Amostragem Dual . . . . . . . . . . . . . . . . . . . . . . . 162
5.3 Discretização de Sistemas . . . . . . . . . . . . . . . . . . . . . . . 165
5.3.1 Função de Transferência Pulsada . . . . . . . . . . . . . . . 168
5.4 Notas Bibliográficas . . . . . . . . . . . . . . . . . . . . . . . . . . 173
5.5 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

6 Filtragem Determinı́stica 179

6.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
6.2 Filtragem a Tempo Contı́nuo . . . . . . . . . . . . . . . . . . . . . 181
6.2.1 O Filtro de Wiener . . . . . . . . . . . . . . . . . . . . . . . 181
6.2.2 Filtros Analógicos . . . . . . . . . . . . . . . . . . . . . . . 191
6.3 Filtragem a Tempo Discreto . . . . . . . . . . . . . . . . . . . . . . 203
6.3.1 O Filtro de Wiener . . . . . . . . . . . . . . . . . . . . . . . 203
6.3.2 Filtros Digitais . . . . . . . . . . . . . . . . . . . . . . . . . 210
6.4 Notas Bibliográficas . . . . . . . . . . . . . . . . . . . . . . . . . . 217
6.5 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218

7 Filtragem Estocástica 223

7.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
7.2 Filtragem a Tempo Contı́nuo . . . . . . . . . . . . . . . . . . . . . 224
7.2.1 O Filtro de Wiener . . . . . . . . . . . . . . . . . . . . . . . 226
CONTEÚDO ix

7.3 Filtragem a Tempo Discreto . . . . . . . . . . . . . . . . . . . . . . 240

7.3.1 O Filtro de Wiener . . . . . . . . . . . . . . . . . . . . . . . 242
7.4 Determinı́stico versus Estocástico . . . . . . . . . . . . . . . . . . . 253
7.5 Notas Bibliográficas . . . . . . . . . . . . . . . . . . . . . . . . . . 258
7.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258

8 Modelagem e Ensaios Práticos 263

8.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
8.2 Eletrocardiograma . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
8.3 Rádio AM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
8.4 Vibrações Mecânicas . . . . . . . . . . . . . . . . . . . . . . . . . . 276
8.5 Notas Bibliográficas . . . . . . . . . . . . . . . . . . . . . . . . . . 282
8.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282

A Noções Básicas de Cálculo e Simulação 285

A.1 Vetores e Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
A.2 Problema de Norma Mı́nima . . . . . . . . . . . . . . . . . . . . . . 289
A.3 Funções de Variáveis Complexas . . . . . . . . . . . . . . . . . . . 293
A.4 Simulação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 296

B Probabilidade 299
B.1 Definições e Conceitos Básicos . . . . . . . . . . . . . . . . . . . . . 299
B.2 Variável Aleatória . . . . . . . . . . . . . . . . . . . . . . . . . . . 302
B.3 Duas Variáveis Aleatórias . . . . . . . . . . . . . . . . . . . . . . . 309

Bibliografia 317

Índice 319
Capı́tulo 1

Considerações Preliminares

1.1 Introdução

Começa uma aventura!

Na verdade é uma aventura que continua, ela começou há pelo menos 2.300
anos com Euclides e sua obra monumental Os Elementos, livro que até os dias
atuais inspira todos aqueles que desejam aprender os meandros fantásticos da
Matemática e suas aplicações.
O Teorema Fundamental da Aritmética (TFA), provado por Euclides, enun-
cia que todo número inteiro positivo (maior do que um) pode ser escrito como
o produto de números primos. Deixando de lado permutações, esta forma de
expressar os números inteiros positivos é única. Como consequência, Euclides
também provou o que hoje chamamos de Teorema de Euclides, que diz: O con-
junto dos números primos contém um número infinito de elementos. Tendo em
vista que os números primos parecem se tornar cada vez mais raros à medida
que se avança no eixo dos números inteiros positivos, este resultado causa certa
surpresa e tem um impacto singular na teoria dos números e em várias áreas
da ciência. Além disso, para poder provar tal afirmação, Euclides lançou mão,
pela primeira vez, de um argumento lógico que seria muito utilizado em tempos
futuros: a prova por redução ao absurdo.
Mas o TFA permite uma outra interpretação muito interessante. O conjunto
dos números primos é a parte fundamental do conjunto dos números inteiros
positivos - embora seja apenas parte, com ela se gera o todo. A parte fundamental
de qualquer conjunto recebe o nome de base. Conhecemos e operamos com muitos
outros conjuntos e suas bases. Por exemplo, sendo R3 o conjunto de todos os
vetores v com três componentes reais, se escolhermos três deles, v1 , v2 e v3 ,

1
2 CAPÍTULO 1. CONSIDERAÇÕES PRELIMINARES

linearmente independentes, isto é, de tal forma que a matriz quadrada V =

[v1 v2 v3 ] ∈ R3×3 seja não singular, então esses três vetores formam uma base
(que não é única) para o R3 . Esta afirmação se comprova pela existência de três
números reais α1 , α2 e α3 que são capazes de gerar qualquer vetor v ∈ R3 , através
da operação
v = α1 v1 + α2 v2 + α3 v3 (1.1)
denominada combinação linear. Existem outros conjuntos e suas bases que são
de grande utilidade. Considere o intervalo de tempo t ∈ [−T0 /2, T0 /2] ⊂ R com
T0 > 0 e as funções
2π
fi (t) = ejωi t , ωi = i (1.2)
T0
para todo i ∈ Z com domı́nio em R e imagem em C. São infinitas funções
que formam uma base para o conjunto das funções contı́nuas g(t) com domı́nio
|t| ≤ T0 /2 e imagem em C. Ou seja, toda e qualquer função g(t) desse conjunto
pode ser escrita na forma de uma combinação linear com infinitos termos
∞
X
g(t) = αi fi (t) (1.3)
i=−∞

desde que os coeficientes αi para todo i ∈ Z sejam apropriadamente determinados.

O ponto central é que a base assegura a existência de coeficientes de tal forma que
(1.3) seja satisfeita. A escolha desta base e a determinação surpreendentemente
simples dos coeficientes αi para todo i ∈ Z resulta na célebre série de Fourier,
que é uma das ferramentas matemáticas de maior uso no âmbito da análise e da
sı́ntese de sinais e sistemas. Aliás, como tentaremos ilustrar em seguida, trata-se
de uma ferramenta de largo uso em vários campos da engenharia e das ciências
exatas.

1.1.1 A Função Zeta

Como primeira aplicação a ser estudada, vamos voltar a analisar um aspecto

da teoria dos números. Foi Euler que aplicou o TFA de uma forma que levou a
uma igualdade surpreendente, que permitiu a formulação de um problema ma-
temático até hoje não resolvido - a hipótese de Riemann. Obviamente não é
nosso propósito analisar de maneira geral este difı́cil problema, mas desejamos
calcular, a partir de um ponto de vista alternativo, em alguns casos particulares,
a chamada função zeta. Nesses casos, ela assume a forma mais simples
∞
X 1
ζ(n) = (1.4)
in
i=1
Capı́tulo 3

Análise de Sinais Periódicos

3.1 Introdução

Este capı́tulo é inteiramente dedicado ao estudo de sinais periódicos a tempo

contı́nuo e a tempo discreto. Uma entidade matemática absolutamente singular
denominada Série de Fourier será apresentada e analisada com bastante detalhe.
Em linhas gerais, podemos dizer que qualquer sinal periódico definido no domı́nio
do tempo, em R ou Z, pode ser decomposto em um número infinito de compo-
nentes que compõem o seu espectro de frequências. A luz, por exemplo, é um
sinal que tem um espectro denominado espectro eletromagnético bem conhecido.
A série de Fourier permite decompor e aproximar um sinal através de uma com-
binação linear das suas componentes fundamentais. Como consequência, permite
também calcular a sua potência média através de um resultado importante e fa-
moso denominado Teorema de Parseval. O estudo começa com a formulação e
resolução de um problema de erro quadrático mı́nimo, cuja solução se torna uma
ferramenta essencial para o estudo de sinais e sistemas.

3.2 Representação de Sinais

Considere um conjunto de vetores vi ∈ Rn para todo i = 1, · · · , m em que

m ≤ n. Uma pergunta importante que deve ser respondida é: Dado um vetor
y ∈ Rn , existem constantes αi ∈ R, Pmi = 1, 2, · · · , m não todas nulas de tal
forma que y seja expresso como y = i=1 αi vi ? A resposta a esta pergunta, que
pode ou não ser afirmativa, permitiu o desenvolvimento de importantes conceitos
em diversas áreas da matemática, tais como os de combinação linear e de base

69
70 CAPÍTULO 3. ANÁLISE DE SINAIS PERIÓDICOS

em um espaço vetorial. Como y é um vetor arbitrário com n componentes, a

resposta, para ser afirmativa, exige que m = n e que os vetores sejam linearmente
independentes, o que quer dizer que a matriz quadrada V = [v1 · · · vn ] ∈ Rn×n
deve ser não singular det(V ) 6= 0. Mas existem outras importantes situações
que devem ser consideradas. Por exemplo, como já discutimos no Capı́tulo 1,
há mais de 23 séculos, Euclides provou o Teorema Fundamental da Aritmética
(TFA), que diz: Todo número inteiro maior do que um pode se decomposto, de
maneira única, no produto de números primos. O conjunto dos números primos
forma uma base para o conjunto dos números naturais.
No estudo de sinais a tempo contı́nuo g(t) com domı́nio R e imagem C, de-
sejamos determinar um conjunto de m (que pode ser infinito) sinais fi (t), i =
1, 2, · · · , m com os mesmos domı́nios e imagens, de tal forma que existam escala-
res αi ∈ C, ∀i = 1, 2, · · · , m capazes de garantir a igualdade
m
X
g(t) = αi fi (t), ∀t ∈ R (3.1)
i=1

Neste sentido, formulamos o seguinte problema de otimização denominado erro

quadrático mı́nimo
2
m
X

min g − αi fi (3.2)
α1 ,α2 ,··· ,αm
i=1

em que k·k é a norma introduzida no capı́tulo anterior. A solução ótima deste pro-
blema remonta aos tempos do Teorema de Pitágoras, pois exige ortogonalidade.
De fato, para cada conjunto de parâmetros α1 , α2 , · · · , αm escolhidos definimos
o sinal de erro como sendo
m
X
ǫ(t) = g(t) − αi fi (t), ∀t ∈ R (3.3)
i=1

e para resolver (3.2) devemos determinar os parâmetros, que são as nossas variá-
veis de decisão, de tal forma que a norma do erro seja a menor possı́vel (ideal-
mente, zero). A Figura 3.1 ilustra o que ocorre com as funções transformadas em
vetores para que a ilustração geométrica seja possı́vel. A combinação ótima de
f1 e f2 deve gerar um ponto que é exatamente a projeção ortogonal do ponto O
no plano definido por f1 e f2 , pois essa situação define a menor distância entre
o ponto O e qualquer ponto do referido plano. Dito de outra forma, o erro deve
ser ortogonal a f1 e a f2 .
Retomando o problema (3.2), sua condição de otimalidade se expressa na
forma hǫ, fn i = 0 para todo n = 1, 2, · · · , m, o que leva ao sistema de equações
Capı́tulo 5

Amostragem

5.1 Introdução

Este capı́tulo é inteiramente dedicado ao estudo de amostragem de sinais a

tempo contı́nuo. Trata-se de uma manipulação muito útil que pode ser aplicada a
sinais de classes bastante amplas, como por exemplo, que tenham domı́nio em R e
imagem em C. Entretanto, em geral, ela se aplica com maior simplicidade a sinais
reais, ou seja, aqueles com domı́nio e imagem em R. De maneira mais precisa,
podemos dizer que amostrar um sinal s(t) : R → C significa colher amostras em
instantes de tempo predeterminados tk ∈ R para todo k ∈ Z. Estas amostras são
os valores {s(tk )}k∈Z que o sinal assume nestes instantes t = tk para todo k ∈ Z,
denominados instantes de amostragem. O espaçamento temporal, denotado T >
0, entre duas amostras sucessivas, é denominado perı́odo de amostragem e impõe
tk+1 − tk = T para todo k ∈ Z. Ao conjunto de amostras de um determinado
sinal s(t) colhidas com um certo perı́odo de amostragem é conveniente associar
um sinal a tempo contı́nuo definido na forma
∞
X
s∗ (t) = s(t) δ(t − kT )
k=−∞
∞
X
= s(kT )δ(t − kT ) (5.1)
k=−∞

que foi escolhido por preencher duas propriedades básicas essenciais. A pri-
meira é que o sinal s∗ (t) é igual ao produto do sinal original s(t) por um si-
nal periódico com perı́odo igual ao perı́odo de amostragem T > 0. A segunda
é que o resultado deste produto é um sinal a tempo contı́nuo, mas que só de-

141
142 CAPÍTULO 5. AMOSTRAGEM

pende das amostras s(kT ) do sinal original. A periodicidade do sinal deno-

minado trem de impulsos resulta de simples verificação, enquanto que a igual-
dade s(t)δ(t − kT ) = s(kT )δ(t − kT ) decorre de uma propriedade básica do
impulso unitário deslocado δ(t − kT ) que, como já sabemos, é nulo para todo
t 6= kT, ∀k ∈ Z. Neste capı́tulo, para simplificar a notação, em várias oportuni-
dades utilizaremos sT (k) = s(kT ) para indicar as amostras do sinal s(t) que são
avaliadas nos instantes tk = kT para todo k ∈ Z.
O presente estudo é dividido em duas partes principais que contemplam di-
versos aspectos, dentre os quais desejamos ressaltar:

• Amostragem de sinais: A amostragem de um sinal a tempo contı́nuo

s(t), com um certo perı́odo de amostragem T > 0, determina um outro
sinal s∗ (t) que é construı́do exclusivamente a partir de suas amostras. É
natural se perguntar sob quais condições o conhecimento de s∗ (t) permite
determinar s(t) exatamente. Ou seja, para qual classe de sinais o conheci-
mento de um certo número de amostras permite determiná-lo. A resposta
a esta questão é dada pelo célebre Teorema da Amostragem. A recons-
trução de sinais, de forma aproximada, também é um tema importante a
ser abordado.

• Discretização de sistemas: Sistemas a tempo contı́nuo precisam ser

discretizados para que possam atuar em sinais amostrados, permitindo, as-
sim, o seu processamento digital. Deve-se converter, segundo algum critério
a ser bastante discutido, um sistema a tempo contı́nuo em um sistema a
tempo discreto. Neste sentido, é imperativo manipular e obter a resposta
ao impulso δ(k) a partir da resposta ao impulso δ(t) que o define.

É preciso colocar em evidência a importância do aprendizado deste capı́tulo

introdutório de amostragem de sinais a tempo contı́nuo, suas implicações e con-
sequências. O motivo é simples, como vemos cada dia com maior ênfase, o mundo
está se tornando uma aldeia digital que manipula e processa quase que exclusi-
vamente sinais a tempo discreto. Vários deles resultam de algum processo de
amostragem.

5.2 Amostragem de Sinais

Vale a pena reforçar que o sinal s∗ (t) é de fundamental importância, pois ele é
construı́do exclusivamente com as amostras do sinal s(t), obtidas com um perı́odo
de amostragem T > 0 dado. A partir da relação (5.1), ele pode ser reescrito como
Capı́tulo 7

Filtragem Estocástica

7.1 Introdução

Em linhas gerais, tudo o que foi dito a respeito de filtragem determinı́stica

permanece válido no âmbito de filtragem estocástica em ambos os domı́nios de
tempo contı́nuo e discreto. Nosso objetivo é projetar filtros LIT, os quais, como
sabemos, são definidos por suas respectivas respostas ao impulso unitário. Dese-
jamos então determinar f (t) para todo t ∈ R ou f (k) para todo k ∈ Z a partir de
informações disponı́veis e do critério de desempenho adotado. Vamos trabalhar
em um ambiente estocástico no qual as incertezas são modeladas por ruı́dos com
caracterı́sticas aleatórias. Nosso objetivo é seguir, o mais próximo possı́vel, tudo
o que foi feito no estudo de filtros determinı́sticos. Como ficará evidente, isso
pode ser feito sem grandes dificuldades, tendo em vista a similaridade dos pro-
blemas a serem enfrentados. Sugere-se ao leitor que faça uma leitura detalhada e
cuidadosa do material fornecido no Apêndice B, que serve como base do que será
exposto em seguida.
A situação usual que desejamos tratar é ilustrada na Figura 6.1. Ela mostra
como opera um filtro que recebe na sua entrada o sinal g = s + r, composto por
um sinal útil s corrompido por um ruı́do r. No presente caso, supomos que s e
r sejam sinais aleatórios, definidos em cada instante de tempo, por uma variável
aleatória com caracterı́sticas conhecidas. Definindo o erro de estimação como
sendo ε = s − y, verifica-se pela figura mencionada que

ε = s − f (·) ∗ (s + r) (7.1)

é um sinal aleatório que resulta da ação do filtro escolhido. O nosso objetivo

permanece o de minimizar uma medida deste erro pela escolha conveniente da

223
224 CAPÍTULO 7. FILTRAGEM ESTOCÁSTICA

resposta ao impulso do filtro ou, de forma equivalente, da sua função de trans-

ferência. Assim sendo, os seguintes problemas devem ser considerados:

min kεk2 = min kε̂k2 (7.2)

f (·) F (ω)

Propositadamente, em relação ao capı́tulo anterior, a notação mantém-se inalte-

rada muito embora no presente contexto ela tenha um significado ligeiramente
diferente. Segundo o que será visto em seguida, a função objetivo dos problemas
indicados em (7.2) é um número real não negativo cuja raiz quadrada indica uma
medida da amplitude do erro de estimação que se deseja minimizar. A seguinte
definição é importante e delimita o contexto de nosso estudo.

Definição 7.1 (Processo estocástico) O sinal s(t) a tempo contı́nuo é um pro-

cesso estocástico se s(t) for uma variável aleatória para cada t ∈ R. Da mesma
forma, o sinal s(k) a tempo discreto é um processo estocástico se s(k) for uma
variável aleatória para cada k ∈ Z

Desta forma, devemos manipular sinais aleatórios ou processos estocásticos,

nos domı́nios de tempo contı́nuo e discreto que são caracterizados através de suas
funções densidade e distribuição de probabilidade, as quais em geral dependem
explicitamente do tempo contı́nuo t ∈ R ou discreto k ∈ Z. A principal carac-
terı́stica de um processo estocástico é ter o tempo, contı́nuo ou discreto, como
variável independente. Tudo o que foi visto no Apêndice B com respeito ao estudo
de probabilidade não envolveu variáveis aleatórias dependentes do tempo. En-
tretanto, os conceitos lá introduzidos são perfeitamente aplicáveis em processos
estocásticos, conforme caracterização proposta pela Definição 7.1.

7.2 Filtragem a Tempo Contı́nuo

O projeto de filtros lineares invariantes no tempo, que atuam em ambientes

estocásticos, se dá indiferentemente no domı́nio do tempo, no qual a resposta ao
impulso f (t) : R → R é determinada, ou no domı́nio da frequência, quando o
objetivo é calcular a função de transferência F (ω) : R → C. A equivalência entre
essas duas versões do mesmo projeto é imediata, tendo em vista que a transfor-
mada de Fourier de f (t) resulta em F (ω). Ademais, como sabemos, a restrição
f (t) = 0 para todo t < 0 fornece um filtro causal. Um processo estocástico s(t) é
caracterizado por sua função distribuição de probabilidade Fs (ξ, t) = p(s(t) ≤ ξ)
definida para todo ξ ∈ R, a qual, após simples diferenciação, resulta na função
Apêndice A

Noções Básicas de Cálculo e

Simulação

Este apêndice contém material de apoio para alguns tópicos importantes que
devem ser discutidos com mais detalhes. Não tem a pretensão de ser exaustivo
sobre os temas abordados, mas discute o que julgamos ser essencial para assegurar
ao leitor um bom entendimento dos capı́tulos do livro sem ter que recorrer a
referências adicionais. Evita a consulta amiúde enquanto enfatiza a boa prática
de se obterem informações suplementares das mais variadas fontes.

A.1 Vetores e Matrizes

Um vetor é uma coleção de r ≥ 2 escalares, dispostos segundo uma coluna.

A notação v ∈ Cr indica que os r escalares, cada qual definindo uma das suas
componentes vi , i = 1, 2, · · · , r, são números complexos, isto é,
 
v1
 v2 
v =  .  ∈ Cr
 
(A.1)
 .. 
vr
O número natural r ∈ N é a sua dimensão. Todas as componentes de um vetor
podem pertencer ao conjunto dos números reais, o que é indicado pela notação
v ∈ Rr . Neste texto consideramos o caso mais geral em que os vetores são
complexos v ∈ Cr , mas o leitor sempre será alertado se um determinado resultado
for válido apenas para vetores reais v ∈ Rr .

285
286 APÊNDICE A. NOÇÕES BÁSICAS DE CÁLCULO E SIMULAÇÃO

É possı́vel somar vetores de mesmas dimensões v, u ∈ Cr para obter um outro

vetor com componentes vi + ui ∈ C, i = 1, 2, · · · , r. Com um escalar α ∈ C e
um vetor v ∈ Cr pode-se multiplicar um vetor por um escalar que resulta em um
novo vetor αv ∈ Cr com componentes αvi ∈ C, i = 1, 2, · · · , r. Um vetor linha
denotado v ′ ∈ Cr é o transposto do vetor coluna v ∈ Cr . O vetor v ∗ ∈ Cr é o
conjugado de v ∈ Cr e suas componentes são os complexos conjugados de cada
componente de v ∈ Cr , a saber, vi∗ , i = 1, 2, · · · , r. O vetor conjugado transposto
de v ∈ Cr recebe a notação especial v ∼ ∈ Cr . Talvez a operação mais importante
entre vetores de mesmas dimensões v, u ∈ Cr seja a operação denominada produto
escalar ou produto interno, definida na forma
r
X
hv, ui = vi u∗i = u∼ v = v ′ u∗ (A.2)
i=1

Observe que para vetores complexos a ordem das operações é importante, pois
hv, ui∗ = v ∼ u = hu, vi, mas o mesmo não acontece para vetores reais. Para
qualquer vetor v ∈ Cr sempre tem-se hv, vi ≥ 0, sendo que a igualdade ocorre se
e apenas se v = 0 ∈ Cr . Isto nos leva a definir uma norma induzida por este
produto escalar, também chamada norma Euclidiana do vetor v ∈ Cr , na forma
v
u r
p uX
kvk = hv, vi = t |vi |2 (A.3)
i=1

Para que esta definição seja consistente, calcula-se imediatamente que kαvk =
|α|kvk para todo vetor v ∈ Cr e todo escalar α ∈ C. Deve-se também verificar
a validade da chamada desigualdade triangular, o que é feito através do próximo
lema.
Lema A.1 A desigualdade triangular kv+uk ≤ kvk+kuk é válida para quaisquer
vetores v, u ∈ Cr .
Prova: Se kvk = 0 a desigualdade se verifica trivialmente. Assumindo que
6 0, definimos o escalar real α = (v ∼ u + u∼ v)/(2kvk2 ) ∈ R. De fato, trata-
kvk =
se de um número real resultado da soma de um número complexo com o seu
conjugado, pois (v ∼ u)∗ = v ′ u∗ = u∼ v. Portanto, a definição de norma implica
em que

0 ≤ kαv − uk2
= α2 kvk2 − α(v ∼ u + u∼ v) + kuk2
(v ∼ u + u∼ v)2
= kuk2 − (A.4)
4kvk2
 Capa_Geromel_Analise de sinais_P2.pdf 3 28/02/2019 12:49:39

Este livro trata de um conjunto de assuntos clássicos que

Geromel • Deaecto
permeia todos os programas de graduação em engenharia e
ciências exatas. Ele estuda os sinais e os sistemas que os
manipulam e os modificam para atender a alguma finalidade. A
CONTEÚDO obra é resultado de uma visão pessoal dos autores a respeito José C. Geromel
dos assuntos abordados, proporcionando ao leitor um texto
Nasceu em Itatiba, São Paulo, em 1952.
inédito sobre a área.
Graduou-se em 1975 e concluiu seu mestrado
1 em 1976 na Faculdade de Engenharia Elétrica
Considerações preliminares da Unicamp. Obteve o título de docteur d’État
Os mais importantes aspectos teóricos envolvendo sinais e sistemas expressos no
em 1979 no LAAS-CNRS, na França. Em 1987,
domínio de tempo contínuo e no domínio de tempo discreto são abordados com a
atuou como professor convidado no Instituto
2 devida abrangência, mas com o cuidado de não exigir do leitor conhecimento
Politécnico de Milão, na Itália. Desde 1990, é
além do esperado. Dezenas de exemplos são resolvidos para ilustrar resultados

ANÁLISE LINEAR DE SINAIS

Sinais professor titular da Faculdade de Engenharia
teóricos importantes e também para colocar em evidência alguma técnica de
Elétrica e de Computação da Unicamp, onde
cálculo que deve ser aprendida de maneira sólida e definitiva. Várias informações
exerceu o cargo de pró-reitor de pós-graduação
3 suplementares na forma de discussões específicas ganham o devido destaque no
(1998-2002). Desde 1991, é pesquisador nível
Análise de sinais periódicos decorrer do texto. Ademais, um capítulo é inteiramente dedicado a aplicações
1A do CNPq. Recebeu o prêmio Zeferino Vaz,
práticas e dois apêndices tratam de temas estratégicos para que a leitura possa
ser feita com o devido cuidado.
José C. Geromel concedido pela Unicamp, em 1994 e 2014, e o
C
prêmio Scopus, concedido pela Elsevier e pela
M
4 Grace S. Deaecto CAPES, em 2007. É membro titular da Academia
Y
Transformada de Fourier Brasileira de Ciências, chevalier dans l’Ordre des
CM
Palmes Académiques da França e docteur
honoris causa da Universidade Paul Sabatier, na
MY 5
ANÁLISE LINEAR
França. Em 2011, tornou-se comendador da
CY Amostragem Ordem Nacional do Mérito Científico do Brasil,
CMY
sendo agraciado, em 2018, com a Grã-Cruz da

DE SINAIS
K
6 Ordem. Em 2011, tornou-se distinguished
lecturer da IEEE Control Systems Society.
Filtragem determinística

7
Grace S. Deaecto
Filtragem estocástica Teoria, ensaios práticos e exercícios
Graduou-se em Engenharia Elétrica pela Unesp ,
campus de Ilha Solteira, em 2005. Concluiu o
8
mestrado em 2007 e o doutorado em 2010,
Modelagem e ensaios práticos
ambos pela Faculdade de Engenharia Elétrica e
de Computação da Unicamp. Durante o ano de
A 2011, realizou pós-doutorado no Centre de
Recherche en Automatique de Nancy, na
Noções básicas de cálculo
França, onde também participou de um projeto
e simulação
conjunto entre esse laboratório e a empresa
ArcelorMittal. Atualmente, é professora da
B Faculdade de Engenharia Mecânica da Unicamp
e bolsista nível 1D do CNPq.
Probabilidade
 Clique aqui e:
Veja na loja

Análise Linear
de Sinais
José C. Geromel
Grace S. Deaecto

ISBN: 9788521214151
Páginas: 334
Formato: 17 x 24 cm
Ano de Publicação: 2019