Apostila Filtros Felipe Borges

Introducao a Filtragem Digital de Sinais
Felipe Borges Cunha

6 de janeiro de 2009
ii
Sum
ario
1 Introduc
ao ao estudo de sinais e sistemas lineares
1.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1 Rudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.2 Filtragem e Modelagem . . . . . . . . . . . . . . . . . . . .
1.2 Tipos e Classificacoes de Sinais . . . . . . . . . . . . . . . . . . . .
1.3 Sistemas lineares e o princpio da superposicao . . . . . . . . . . . .
1.3.1 Tipos de sistemas . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2 Modelos de convolucao . . . . . . . . . . . . . . . . . . . . .
1.3.3 Transformada de Laplace, Transformada Z e funcoes de transferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Representa
c
oes de Fourier e an
alise espectral
2.1 Serie de Fourier em tempo contnuo . . . . . . . . . . .
2.2 Serie de Fourier em tempo discreto . . . . . . . . . . .
2.3 Transformada de Fourier em tempo contnuo . . . . . .
2.4 Transformada de Fourier em tempo discreto . . . . . .
2.5 Analise da resposta em freq
uencia de sistemas lineares
.
.
.
.
.
.
.
.
.
.
3 Teoria da amostragem
3.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Amostragem de funcoes exponenciais periodicas . . . . . .
3.3 Teorema de Nyquist-Shannon . . . . . . . . . . . . . . . .
3.3.1 Formulacao matematica do processo de amostragem
3.4 Reconstrucao de sinais amostrados . . . . . . . . . . . . .
4 Filtragem digital de sinais
4.1 Introducao ao processamento digital de
4.1.1 Sistemas vistos como filtros . .
4.2 Tipos de filtros . . . . . . . . . . . . .
4.2.1 Filtros digitais . . . . . . . . . .
4.3 Criterios de especificacao de filtros . .
iii
sinais
. . . .
. . . .
. . . .
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
2
3
4
7
7
10
. 12
.
.
.
.
.
19
19
24
26
30
33
.
.
.
.
.
43
43
44
47
47
51
.
.
.
.
.
55
55
57
57
58
62

SUMARIO
iv
4.4
4.5
4.6
4.3.1 Filtros ideais . . . . . . . . . . . . . . . . . . . . . .

4.3.2 Filtros reais . . . . . . . . . . . . . . . . . . . . . . .
4.3.3 Transformacoes de freq
uencia . . . . . . . . . . . . .
Funcoes de aproximacao para prototipos analogicos de filtros
4.4.1 Butterworth . . . . . . . . . . . . . . . . . . . . . . .
4.4.2 Chebyshev . . . . . . . . . . . . . . . . . . . . . . . .
4.4.3 Chebyshev inverso . . . . . . . . . . . . . . . . . . .
4.4.4 Outras funcoes de aproximacao . . . . . . . . . . . .
Equivalentes discretos de filtros analogicos . . . . . . . . . .
Realizacao de filtros digitais . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
62
63
68
70
71
75
78
80
81
83
Captulo 1
Introduc
ao ao estudo de sinais e
sistemas lineares
Este captulo aborda de forma rapida e introdutoria alguns conceitos matematicos
basicos aplicados à teoria de controle e processamento de sinais. O material coberto
aqui abrange apenas os topicos e ideias que, mais tarde, serao de alguma utilidade
no desenvolvimento do formalismo matematico para a sntese de filtros digitais e
à compreensao dos conceitos relacionados à analise no domnio da freq
uencia. Isso
inclui: propriedades basicas de sinais, sistemas dinamicos lineares, soma e integral
de convolucao, autofuncoes de sistemas lineares, transformada de Laplace, transformada Z, e discretizacao de equacoes diferenciais. Para aqueles que ja tiveram contato
com as teorias de analise de sinais e sistemas lineares, a leitura deste captulo nao e
necessaria, mas pode ser muito u
til como revisao. Ja para aqueles que nao tiveram
um curso elementar nessa area, este captulo serve de fundamento para os assuntos
abordados no decorrer do curso; serve tambem como guia para aqueles que desejarem
aprofundar a teoria de sistemas dinamicos lineares.
1.1
Introduc
ao
O projeto de sistemas de controle pode ser dividido em duas etapas principais. A

primeira etapa consiste na modelagem do sistema que se deseja controlar. A segunda
etapa consiste na escolha de uma estrategia de controle e no desenvolvimento e
sintonia dos respectivos controladores.
A estrategia de controle escolhida pode induzir alteracoes no projeto do sistema
a ser controlado. No caso de um processo petroqumico, por exemplo, pode ser
necessario incluir valvulas de controle que nao estavam inicialmente previstas no
projeto. A escolha da estrategia de controle tambem determina a necessidade de se
medir certas variaveis.
1
AO ESTUDO DE SINAIS E SISTEMAS LINEARES

INTRODUC
AO
O que chamamos de sistema de controle e um conjunto de dispositivos projetados

para processar os sinais resultantes das medicoes das variaveis de processo e gerar,
a partir desse processamento, sinais de comando para os elementos finais que vao
atuar de volta no processo com o objetivo de controla-lo. Fecha-se assim a chamada
malha de controle realimentado.
O dispositivos usados para executar o processamento desses sinais, desde a
medicao das variaveis de processo ate a atuacao no proprio processo, sao genericamente chamados instrumentos. Tais instrumentos podem ser implementados a partir de diferentes princpios fsicos, como por exemplo pneumaticos, eletromecanicos,
eletronicos analogicos, hidraulicos e eletronicos digitais.
Excetuando-se os elementos primarios de medicao e elementos finais de controle,
como valvulas, motores e atuadores hidraulicos, a grande maioria dos instrumentos
hoje em dia sao eletronicos digitais, e quase sempre, microprocessados. Deste modo,
toda informacao manipulada por tais dispositivos precisam ser primeiro convertidas
em sinais eletricos, em geral, tensao ou corrente em faixas padronizadas, sendo,
em seguida, convertidos em sinais digitais, que sao conjuntos de smbolos binarios
chamados bits representados eletronicamente por nveis discretos de tensao. Este
processo de digitalizac
ao sera visto com maiores detalhes no Captulo 3.
1.1.1
Rudo
2
1.5
1
0.5
0
0.5
Processo
2
1.5
1
0.5
0
0.5
Ruido
2
1.5
1
0.5
0
0.5
2
Ruido interferindo no processo
Figura 1.1: Variavel de processo contaminada como rudo.

Seja na forma analogica (tensao ou corrente) seja na forma digital (seq
uencias
de bits), os sinais sao representacoes analogas das variaveis do processo, porem
1.1. Introducao
contaminadas com rudo. Chamamos de rudo toda variacao de um sinal que nao
seja causada pela dinamica propria do processo. Algumas das principais fonte de
rudo sao:
nao idealidades intrnsecas aos instrumentos de medicao
interferencia eletromagnetica
baixa isolacao nos condutores de sinal eletrico
turbulencias nos fluidos de processo
transicoes de fase nos fluidos de processo
vibracoes mecanicas em maquinas rotativas
ou ainda fontes aleatorias desconhecidas1 . Em geral, o rudo apresenta uma baixa
correlacao com as variacoes de sinal provocadas pela dinamica do processo. Isso
acontece porque as variacoes das variaveis de processo e as variacoes dos rudos sao
provocadas por fontes excitadoras diferentes na grande maioria da vezes.
Existem numerosas tecnicas para se eliminar ou reduzir o rudo em sinais. Neste
curso, abordaremos a mais comum de todas elas: a filtragem no domnio da freq
uencia.
Daremos enfase a tecnicas digitais de filtragem, uma vez que estas podem ser
implementadas em qualquer dispositivo digital programavel de processamento de
sinais; desde SDCDs a microcomputadores de uso geral. Muitos instrumentos para
aplicacao em controle de processos ja dispoem ate mesmo de funcoes especficas para
este fim.
1.1.2
Filtragem e Modelagem
Conforme foi dito no incio, uma das etapas do desenvolvimento de um sistema de

controle consiste na modelagem do processo que se deseja controlar. Nesta etapa de
modelagem, quase sempre ha a necessidade de se estimar parametros do modelo a
partir de dados reais obtidos por meio de testes praticos na planta. Esses dados, via
de regra, estao contaminados com rudo, e este rudo, principalmente apos digital
izacao do sinal, pode provocar erros nos algoritmos de estimacao de parametros. E
conveniente, portanto, realizar a filtragem do rudo antes de se efetuar a identificacao
de parametros do modelo.
1
Defeitos em componentes dos equipamentos tambem podem provocar rudo nas variaveis de
processo. Porem, nao se recomenda o uso de filtros para a eliminacao de tais efeitos. A maneira
adequada de eliminar este tipo de rudo e efetuar manutencao nos equipamentos.
Felipe Borges Cunha

INTRODUC
AO
Todo processo de identificacao de sistemas passa primeiro por um pre-tratamento

dos dados. A filtragem do rudo constitui uma das possveis etapas neste pretratamento. Este curso tem como objetivo principal dar nocoes basicas de processamento de sinais no domnio da freq
uencia para que se possa desenvolver filtros
digitais adequados para o pre-tratamento de dados com vistas a identificacao de
modelos de processos2 .
Este primeiro captulo revisa conceitos matematicos basicos para o processamento de sinais. O captulo 3 introduz o teorema da amostragem, necessario sempre
que se deseja converter sinais analogicos em digitais. O captulo 4 trata dos conceitos basicos da filtragem, aplicaveis tanto no caso analogico como no caso digital,
bem como das funcoes matematicas que sintetizam filtros reais. Os metodos de
transformacao de filtros analogicos em filtros digitais tambem sao discutidos.
1.2
Tipos e Classificaco
es de Sinais
Chamamos de sinal uma func

ao que modela o comportamento de alguma grandeza
fsica de interesse com respeito a uma ou mais variaveis independentes. Para os
propositos deste curso, sera suficiente definirmos uma u
nica variavel independente,
que sera o tempo, e os sinais serao sempre funcoes escalares do tempo3 . Desta
forma, praticamente todos os conceitos matematicos associados a funcoes de uma
u
nica variavel sao aplicaveis a sinais. Os sinais sao portanto os modelos matematicos
de grandezas do mundo real.
Alguns criterios de classificacao sao utilizados para explicitar propriedades u
teis
ao estudo dos sinais.
Crit
erio 1.1. Tempo contnuo X Tempo discreto:
Quando o domnio da funcao que representa um sinal for um conjunto contnuo,
como por exemplo o conjunto dos n
umeros reais, dizemos que o sinal e um sinal em
tempo contnuo. Este e o caso para todos os sinais analogicos. Funcoes de tempo
contnuo tem seus valores definidos para todo e qualquer instante de tempo.
Representaremos o tempo contnuo como t e funcoes em tempo contnuo como
f (t). Fica implcito que t R, ou seja
f :RR
2
Para um tratamento abrangente sobre filtros analogicos e suas implementacoes ver [1] e suas
referencias.
3
Sistemas cujas variaveis sao funcoes de apenas uma variavel independente sao descritos por
equacoes diferenciais ordinarias. Estes sao chamados de sistemas a par
ametros concentrados.
Quando ha mais de uma variavel independente, por exemplo, tempo e espaco, o modelo do sistema
exige que se usem equacoes diferenciais parciais e o sistema e dito ser de par
ametros distribudos
1.2. Tipos e Classificacoes de Sinais
Quando a variavel independente de um sinal e elemento de um conjunto discreto,

como por exemplo o conjunto dos n
umeros inteiros, dizemos que se trata de um sinal
em tempo discreto. A funcao que o representa esta definida apenas para os instantes
discretos de tempo definidos pelos elementos do domnio discreto em questao. Existem sinais que sao naturalmente de tempo discreto, com por exemplo, o valor da
cotacao de uma acao no fechamento do pregao da bolsa de valores. Este e um indicador que so se define no momento do fechamento do pregao. O proximo valor, so
estara disponvel, no fechamento do dia seguinte. Porem, os casos que mais nos interessam correspondem a sinais de tempo discreto obtidos por amostragem de sinais
em tempo contnuo. Vermos no captulo 3 que a amostragem e um dos principais
passos para a digitalizacao de um sinal e que existem criterios bem definidos para
a escolha do intervalo de amostragem T . Por hora, consideremos que este intervalo
e dado e que desejamos obter a representacao em tempo discreto para uma certa
funcao de tempo contnuo f (t). Neste caso, ao amostrarmos o sinal f (t) segundo
um perodo de amostragem de T segundos, teremos as amostras dadas por
f (nT ) = f (t)|t=nT
(1.1)
onde n e um n
umero inteiro, que chamaremos de tempo normalizado. Formalmente,
seu valor e definido como a razao entre o valor de t e a duracao do intervalo de
amostragem T sempre que esta razao for um n
umero inteiro.
t
t
Z
n=
T
T
Para finalizar o processo de amostragem, tomamos a func
ao amostrada f (nT ) e
definimos a partir dela a func
ao de tempo discreto f [n] segundo a relacao
f [n] = f (nT )
(1.2)
Deste modo, convencionaremos que funcoes em tempo discreto tem seus argumentos representados por n e indicados entre colchetes, enquanto que funcoes de tempo
contnuo tem argumentos representados por t entre parenteses4 . Vale ressaltar que,
apesar de funcoes em tempo discreto terem sua variavel independente no conjunto
dos n
umeros inteiros, a variavel dependente, ou seja, o valor da funcao, pode variar
continuamente ao longo de todo o conjunto dos n
umeros reais. Representando simbolicamente:
f :ZR
Crit
erio 1.2. Sinais Determinsticos X Sinais Estoc
asticos:
4
Esta convencao nao e universal. Alguns autores a adotam, outros nao.
Felipe Borges Cunha

INTRODUC
AO
Um sinal determinstico e aquele cuja funcao que o descreve assume uma forma
matematica bem definida e que para cada valor da variavel independente tal funcao
associa um valor bem definido da variavel dependente.
Um sinal estocastico, ao contrario, so pode ser representado por suas estatsticas,
tais como media, variancia, momentos de ordem superior, distribuicoes de probabilidades. A funcao que o descreve nao pode ser matematicamente explicitada. Apenas
seus parametros estatsticos sao conhecidos. A maioria dos rudos enquadram-se
nesta categoria.
Crit
erio 1.3. Sinais Pares X Sinais Impares:
Sinais pares sao descritos por funcoes pares, ou seja, possuem a seguinte propriedade:
f (t) = f (t)
(1.3)
Sinais mpares, por sua vez, sao aqueles descritos por funcoes mpares, possuindo
a seguinte propriedade:
f (t) = f (t)
(1.4)
Exerccio 1.1. Mostre que todo sinal pode ser representado pela soma de duas
componentes. Uma dada por um sinal par e outra dada por um sinal mpar. Este
resultado tambem e valido para sinais em tempo discreto? Justifique.
Crit
erio 1.4. Sinais Peri
odicos X Sinais N
ao Peri
odicos
Um sinal periodico f (t) e aquele para o qual existe um valor da constante T que
satisfaz a condicao
f (t) = f (t + T )
(1.5)
para todo t. O menor valor de T que atende a essa condicao e chamado de perodo
fundamental. Qualquer m
ultiplo inteiro do perodo fundamental, tambem e um
perodo do sinal f (t). O inverso do perodo fundamental e chamado de freq
uencia
fundamental.
1
f0 =
(1.6)
T
Define-se tambem a freq
uencia angular fundamental, dada por
0 = 2f0 =
2
T
(1.7)
Exerccio 1.2. Sendo j a unidade imaginaria e sendo 0 e 0 n

umeros reais, dej0 t
termine sob que condicao o sinal em tempo contnuo f (t) = e
e periodico e sob
j0 n
que condicao o sinal em tempo discreto f [n] = e
e periodico.
Crit
erio 1.5. Sinais de Energia X Sinais de Pot
encia
Definimos de forma abstrata os conceitos de energia e potencia de um sinal por
analogia com circuitos eletricos. Se um certo sinal f (t) representar uma fonte de
1.3. Sistemas lineares e o princpio da superposicao
tensao que alimenta um resistor de 1, 0, a potencia instantanea dissipada no resistor

vale
p(t) = f 2 (t)
(1.8)
Esta e entao a definicao de potencia instantanea de um sinal5 . A energia do sinal
entre os instantes de tempo a e b vale entao
Z b
Eab =
f 2 (t)dt
(1.9)
a
A energia total do sinal corresponde entao a

Z
T
2
E = lim
f 2 (t)dt
(1.10)
T2
E sua potencia media corresponde a

1
P = lim
T T
T
2
f 2 (t)dt
(1.11)
T2
Quando a energia total de um sinal e finita, ou seja 0 < E < , dizemos tratarse de um sinal de energia. Para sinais de energia, a potencia media P definida
em (1.11) tende a zero. Quando a potencia media de um sinal e finita, ou seja
0 < P < , dizemos tratar-se de um sinal de potencia. Para sinais de potencia, a
energia total E definida em (1.10) tende a infinito.
1.3
Sistemas lineares e o princpio da superposic

ao
Nesta secao discutiremos sucintamente os principais criterios de classificacao dos

sistemas afim de situar no contexto geral os sistemas lineares invariantes no tempo,
que serao nosso objeto de estudo na sntese de filtros. Tambem desenvolveremos as
principais ferramentas matematicas para analise de tais sistemas.
1.3.1
Tipos de sistemas
Os modelos matematicos de processos podem ser divididos em duas grandes famlias.

Os modelos estaticos e os modelos dinamicos. Modelos estaticos estabelecem as
relacoes entre as variaveis de processo quando estes permanecem estacionarios, fixos
num ponto de operacao que nao varia. Ja os modelos dinamicos estabelecem as
5
Nessas definicoes, consideramos que f (t) e uma funcao real. Se f (t) for uma funcao complexa,
devemos usar como definicao de potencia a relacao p(t) = f (t) f (t), onde o asterisco denota o
complexo conjugado.
Felipe Borges Cunha

INTRODUC
AO
relacoes que governam a dinamica do processo, ou seja, a forma com a variacao de

uma variavel interfere, ao longo do tempo, nas variacoes das outras variaveis.
Modelos para uso em controle de processos sao, em geral, modelos dinamicos.
Os modelos dinamicos sao estruturas matematicas que relacionam as variaveis de
entrada com as variaveis de sada de um processo. Variaveis de entrada sao todos
os sinais cujas causas sao externas ao processo e que influenciam na sua operacao;
geralmente simbolizadas como u(t) ou u[n], conforme trate-se de um modelo em
tempo contnuo ou em tempo discreto. Variaveis de sada sao sinais gerados pelo
processo e podem ser acessados externamente, inclusive influenciando na operacao
de outros processos. Geralmente, os sinais de sada sao simbolizadas por y(t) ou
y[n] para tempo contnuo e discreto respectivamente.
Muitos processos reais sao multivariaveis, ou seja, possuem m
ultiplas entradas e
m
ultiplas sadas, tambem chamados MIMO (Multiple Input Multiple Output). De
modo geral, cada sada pode sofrer influencia de todas as entradas. Processos mais
simples, com apenas um sinal de entrada e um sinal de sada, sao chamados monovariaveis, ou SISO (Single Input Single Output). Nos concentraremos em sistemas
monovariaveis neste curso.
Figura 1.2: Representacao simbolica de um sistema na forma de diagrama de bloco,

relacionando a entrada com a sada.
A descricao matematica de um modelo dinamico em tempo contnuo para um
processo monovariavel pode ser expressa na forma de uma equacao diferencial do
tipo:
n
d y(t)
dy(t)
dm u(t)
du(t)
F
,...,
, y(t),
,...,
, u(t) = 0
(1.12)
dtn
dt
dtm
dt
Quando se trata de um modelo em tempo discreto a sua descricao matematica pode
ser dada por uma equacao a diferencas com a seguinte forma geral:
F y[n], y[n 1], . . . , y[n N ], u[n], u[n 1], . . . , u[n M ] = 0

(1.13)
Tanto as equacoes diferenciais quanto as equacoes a diferencas expressam as relacoes
dinamicas entre as variaveis dos modelos, motivo pelo qual tais modelos sao chamamos
de sistemas dinamicos.
Descricoes matematicas que relacionam diretamente as entradas com as sadas
dos sistemas sao modelos do tipo externo, tambem chamados de modelos entradasada. A equacao (1.12) e um exemplo deste tipo de modelo. Alem das entradas e
sadas, os sistemas possuem tambem variaveis internas, conhecidas como vari

aveis de
estado, simbolizadas por x(t), que, de maneira geral, podem nao estar disponveis
para medicao. Modelos matematicos que, alem das entradas e sadas, descrevem
tambem o comportamento das variaveis de estado sao chamados modelos internos,
ou modelos em espaco de estados. Modelos em espaco de estados sao sempre representados por um sistema de equacoes diferenciais de primeira ordem que define a
equac
ao de estados 6 e um sistema de equacoes algebricas que define a equac
ao das
sadas, conforme a equacao (1.15)
x 1 (t) = F1 (x1 , x2 , . . . , xn , u1 , u2 , . . . , up )
x 2 (t) = F2 (x1 , x2 , . . . , xn , u1 , u2 , . . . , up )
..
x (t) = F (x , x , . . . , x , u , u , . . . , u )
n
y1 (t) = G1 (x1 , x2 , . . . , xn , u1 , u2 , . . . , up )
y2 (t) = G2 (x1 , x2 , . . . , xn , u1 , u2 , . . . , up )
..
y (t) = G (x , x , . . . , x , u , u , . . . , u )
q
(1.14)
A este conjunto de equacoes, da-se o nome de modelo em espaco de estados, que

costuma ser simplificado adotando-se a notacao vetorial
x(t)
= F (x(t), u(t))
(1.15)
y(t) = G(x(t), u(t))
O primeiro paradigma no estudo de sistemas dinamicos sao os chamados sistemas lineares. Dizemos que um sistema e linear se a ele se aplica o princpio da
superposicao. De modo simplificado, o princpio da superposicao estabelece que um
sistema e linear se, e somente se, a resposta do sistema a uma combinacao linear de
sinais de entrada e tambem uma combinacao linear dos sinais de sada, ponderada
pelos mesmos coeficientes. Simbolicamente:
u1 (t) y1 (t)
N
N
X
X
u2 (t) y2 (t)
i ui (t)
i yi (t)
(1.16)
..
i=1
i=1
u (t) y (t)
N
Esta propriedade e muito importante e u

til na teoria de sistemas. Se conhecermos
previamente as respostas do sistema a um certo conjunto de sinais basicos ui (t),
6
O smbolo x representa a primeira derivada de x em relacao ao tempo, e e conhecida como

notacao de Newton, enquanto que o smbolo dx/dt corresponde à notacao de Leibniz.
Felipe Borges Cunha

INTRODUC
AO
10
i = 1, 2, . . . , N , podemos calcular a resposta do sistema a qualquer outra entrada

que possa ser decomposta em uma combinacao linear dos N sinais ui (t). Levando em
conta que o conjunto de todas as funcoes constitui um espaco vetorial de dimensao
infinita, se o conjunto de sinais {ui (t)} formar uma base do espaco de funcoes,
qualquer funcao podera ser expressa como combinacao linear dos elementos desta
base. Essa e uma das ideias que formam o fundamento da teoria de sistema lineares.
Um sistema pode ser tambem invariante no tempo. Isso significa que um mesmo
sinal de entrada aplicado ao sistema em instantes diferentes, produzira o mesmo
sinal de sada deslocado no tempo. Simbolicamente:
u(t) y(t)
1.3.2
u(t t0 ) y(t t0 )
(1.17)
Modelos de convoluc
ao
Considere um sistema liner e invariante no tempo denotado por H. Definimos a

funcao h(t) como sendo a resposta do sistema H a uma excitacao na forma de
impulso unitario. A funcao impulso unitario em tempo contnuo e definida por suas
propriedades dadas por
(t) = 0, t 6= 0
e
(1.18)
(t)dt = 1
(1.19)
Esta segunda propriedade da funcao impulso unitario estabelece que a area sob
seu grafico e unitaria. Como conseq
uencia das duas propriedades dadas por (1.18)
e (1.19), pode-se mostrar que o valor de (t) para t = 0 tende a infinito7 .
A area sob o grafico da funcao impulso tambem e chamada de peso ou forca do
impulso. Quando multiplicado por uma constante C, o impulso C(t) passa a ter
peso C. Outra propriedade importante e a propriedade de amostragem, selec
ao ou
peneiramento, a qual afirma que
Z
f (t)(t t0 )dt = f (t0 ).
(1.20)
Exerccio 1.3. Demonstre a propriedade da funcao impulso unitario dada por

(1.20).
7
A funcao impulso unitario, tambem conhecida como func

ao delta de Dirac, faz parte da
famlia das chamadas funco
es singulares. A funcao (t) pode ser modelada por um processo de
limite aplicado a pulsos de area unitaria de diferentes formas. Sua definicao rigorosa depende da
teoria das func
oes generalizadas, ou teoria das distribuic
oes. Para uma abordagem mais profunda
sobre este tema ver [2, 3, 4] e as referencias citadas nestes.

Em tempo discreto a funcao impulso unitario e definida por
0, n =
6 0
[n] =
1, n = 0
11
(1.21)
Figura 1.3: Funcoes impulso unitario em tempo contnuo e em tempo discreto.

Exerccio 1.4. O impulso em tempo discreto tambem possui a propriedade de
amostragem. Obtenha a expressao matematica que define esta propriedade a partir
de uma analogia com o caso em tempo contnuo dado por (1.20).
Se um sistema for ao mesmo tempo linear e invariante no tempo, e possvel
mostrar que sua sada pode ser calculada diretamente a partir da entrada pela
expressao
Z
y(t) =
h(t )u( )d
(1.22)
que e conhecida como integral de convoluc

ao e se denota de forma simplificada como
y(t) = h(t) u(t) . Se o sistema for em tempo discreto, sua sada e dada por
y[n] =
h[n k]u[k]
(1.23)
k=
que e a soma de convolucao, denotada de forma resumida por y[n] = h[n] u[n]. A
demonstracao destes resultados pode ser encontrada em [5, 6, 7].
Exerccio 1.5. Mostre que a convolucao e uma operacao que possui as propriedades
comutativa, distributiva e associativa.
Exerccio 1.6. Mostre que a convolucao de uma funcao f (t) com um impulso deslocado de t0 segundos, dado por (t t0 ), e a funcao f (t) deslocada dos mesmos t0
segundos, dada por f (t t0 ).
As funcoes h(t) e h[n] sao, na verdade, modelos dos sistemas, no sentido de que
contem informacao sobre a sua dinamica. De acordo com sua definicao, h(t) e a
Felipe Borges Cunha
12

INTRODUC
AO
resposta do sistema a um impulso unitario que ocorre no instante t = 0. Isso nos

leva a uma importante constatacao. Se o impulso ocorre em t = 0 a resposta do
sistema ao impulso so deve existir para t 0. Caso contrario, se o sistema exibisse
valores da sada nao nulos para t < 0 ele estaria manifestando uma resposta antes de
ter acontecido a excitacao. Em outras palavras, o sistema geraria o efeito antes de
acontecer a causa. Um sistema assim e chamado nao causal, ou ainda antecipat
orio.
Sistemas fsicos em tempo real sao sempre causais, ou seja, a conseq
uencia sempre
sucede a causa. Portanto, se a entrada impulsiva ocorre em t = 0 a resposta ao
impulso so pode ser nao nula para t 0. Expressamos isto simbolicamente por
h(t) = 0, t < 0
(1.24)
Levando-se em conta a causalidade do sistema, a integral de convolucao pode ser

simplificada para
Z t
h(t )u( )d
(1.25)
y(t) =
ja que h(t ) = 0 para todo > t. Se alem disso, o sinal de entrada tambem for
causal, ou seja, u(t) = 0 para todo t < 0, entao a (1.25) e simplificada para
Z
h(t )u( )d
y(t) =
(1.26)
A hipotese de causalidade de u(t) e razoavel quando consideramos que o instante

inicial t = 0 e justamente o momento em que inicia-se a aplicacao do sinal u(t) ao
sistema.
1.3.3
Transformada de Laplace, Transformada Z e func

oes
de transfer
encia
Fazendo uma analogia dos espacos vetoriais com o espaco das funcoes, podemos
entender um sistema dinamico como um operador que, ao operar sobre uma funcao
u(t) resulta em uma outra funcao y(t). Representamos simbolicamente essa operacao
como
y(t) = H{u(t)}
(1.27)
Sistemas lineares, conforme ja foi dito, atendem ao princpio da superposicao, ou
seja, para quaisquer funcoes u1 (t) e u2 (t) e quaisquer escalares 1 e 2 , e verdade
que
H{1 u1 (t) + 2 u2 (t)} = 1 H{u1 (t)} + 2 H{u2 (t)}
(1.28)
O operador H na equacao (1.28) tem portanto, no espaco das funcoes, a mesma
propriedade que uma matriz n n no espaco vetorial de dimensao n. Deste modo,
13
podemos entender o sistema dinamico linear H como um operador linear no espaco

das funcoes, do mesmo modo como as matrizes quadradas sao operadores lineares nos
espacos vetoriais. Partindo desta analogia, podemos estender aos sistemas dinamicos
lineares os conceitos de autovalores e autovetores.
Consideremos um sistema linear invariante no tempo representado pelo operador
H{} excitado pela funcao
u(t) = est
(1.29)
onde s e uma constante independente de t, e calculemos a resposta y(t).
Z
st
y(t) = H{e } =
h(t )es d
(1.30)
Efetuando a mudanca de variaveis = t ficamos com

Z
h()es(t) d
y(t) =
(1.31)
st
y(t) = e
h()es d
(1.32)
A integral no segundo membro de (1.32), apos efetuada a integracao e avaliados os

limites, torna-se independente da variavel de integracao , e seu valor dependera do
parametro s. O valor da integral e entao uma funcao do parametro s. Denotando-a
por H(s), ficamos com:
y(t) = est H(s)
(1.33)
Reconhecendo o fator est como a propria funcao de entrada u(t) dada inicialmente,
percebemos que, para um sistema linear, a resposta y(t) a uma entrada u(t) = est e
a propria entrada multiplicada por um fator H(s) que independe de t. Ou seja:
y(t) = H(s) u(t)
(1.34)
Dito de outra forma, a sada e um m

ultiplo da entrada, e o fator de proporcionalidade e uma constante H(s). Analogamente ao autovetor de uma matriz, a funcao
est e uma autofuncao dos sistemas lineares invariantes no tempo. O autovalor correspondente e o fator H(s), que de acordo com (1.32) e dado por
Z
H(s) =
h(t)est dt
(1.35)
que pode ser reconhecida como a transformada bilateral de Laplace de h(t). Se o

sistema for causal, (1.35) se reduz a transformada unilateral de Laplace
Z
H(s) =
h(t)est dt
(1.36)
0
Felipe Borges Cunha
14

INTRODUC
AO
Esse fator constante H(s), quando encarado como uma funcao da variavel complexa
s e chamado de func
ao de transferencia do sistema.
Assim como a funcao de resposta ao impulso h(t), a funcao de transferencia
H(s) tambem e um modelo matematico do sistema. Como H(s) e transformada
de Laplace de h(t), ambas as representacoes contem a mesma informacao. Dizemos
que h(t) e um modelo no domnio do tempo e H(s) e um modelo no domnio da
freq
uencia complexa, pois o parametro s e uma variavel complexa com dimensao de
freq
uencia.
Exerccio 1.7. Mostre que a funcao u[n] = z n , em que z e uma constante complexa,
e autofuncao dos sistemas lineares invariantes no tempo em tempo discreto, ou seja:
u[n] = z n
y[n] = H(z) z n
onde
H(z) = Z {u[n]} =
h[n] z k
(1.37)
(1.38)
n=
e a transformada Z de h[n].
A funcao H(z) dada por 1.38 tem, para sistemas em tempo discreto, o mesmo
significado que H(s) para sistemas em tempo contnuo. Tambem ela recebe o nome
de funcao de transferencia, às vezes chamada de func
ao de transferencia pulsada [8].
A transformada Z portanto, e o equivalente em tempo discreto da transformada de
Laplace. Do mesmo modo que a transformada de Laplace, a transformada Z esta
sujeita a questoes relacionadas com a convergencia do somatorio que a define, bem
como a questoes relativas à unicidade da transformada inversa. Nao aprofundaremos
aqui essas questoes. Para uma discussao mais profunda sobre existencia e unicidade
da transformada de Laplace e da transformada Z ver [5, 6, 4].
Assim como a transformada de Laplace, a transformada Z tem sua versao unilateral para sinais causais.
H(z) = Z {u[n]} =
h[n] z k
(1.39)
n=0
Exerccio 1.8. Mostre que, se U (z) e a transformada Z de u[n], entao

Z {u[n k]} = z k U (z)
(1.40)
Equa
c
oes diferenciais, equac
oes a diferencas e func
ao de transfer
encia em
Z
Partindo da hipotese da linearidade e invariancia no tempo, chegamos aos modelos de
sistemas em tempo contnuo e em tempo discreto dados pelas respostas aos impulsos
15
h(t) e h[n] e pelas funcoes de transferencia H(s) e H(z) respectivamente. Porem,

na pratica, tais funcoes nao estao disponveis. O modelo ao qual se tem acesso e, na
melhor das hipoteses, uma equacao diferencial na forma (1.12). Quando o sistema
e linear e invariante no tempo, esta equacao se resume a uma equacao diferencial
linear de coeficientes constantes dada por
an
dn y(t)
dy(t)
dm u(t)
du(t)
+
.
.
.
+
a
+
a
y(t)
=
b
+ . . . + b1
+ b0 u(t)
1
0
m
n
m
dt
dt
dt
dt
(1.41)
Se alem de linear e invariante no tempo, o sistema for causal, teremos que m n.

A equacao diferencial (1.41) fornece um modelo implcito do processo, no sentido
de que a relacao entre a entrada u(t) e a sada y(t) e dada de forma indireta pelas
relacoes entre suas derivadas. Para obtermos a sada y(t) para uma dada entrada,
precisamos resolver a equacao diferencial. O metodo da convolucao ja fornece uma
forma explcita para a sada em funcao da entrada, porem, e necessario conhecer a
resposta ao impulso unitario h(t). Para se obter h(t), recamos novamente na necessidade de se resolver a equacao diferencial (veremos um exemplo disso na Secao 2.5,
Exemplo 2.5). Isto sugere que a informacao contida em h(t) e a mesma contida na
equacao diferencial. Para confirmarmos esta afirmacao, apliquemos a transformada
de laplace à equacao (1.41) considerando todas as condicoes iniciais nulas.
dn y(t)
dy(t)
dm u(t)
du(t)
L an
+ . . . + a1
+ a0 y(t) = L bm
+ . . . + b1
+ b0 u(t)
dtn
dt
dtm
dt
(1.42)
an sn Y (s) + . . . + a1 sY (s) + a0 Y (s) = bm sm U (s) + . . . + b1 sU (s) + b0 U (s)
(an sn + . . . + a1 s + a0 ) Y (s) = (bm sm + . . . + b1 s + b0 ) U (s)
Y (s) =
bm sm + . . . + b1 s + b0
U (s) = H(s) U (s)
an sn + . . . + a1 s + a0
bm sm + . . . + b1 s + b0
(1.43)
an sn + . . . + a1 s + a0
A equacao (1.43) define a mesma funcao de transferencia dada por (1.36) considerando condicoes iniciais nulas. Deste modo, tanto a equacao diferencial, quanto
a resposta ao impulso, quanto a funcao de transferencia sao modelos validos do
sistema e contem as mesmas informacoes sobre sua dinamica8 .
H(s) =
Estamos considerando implicitamente que o sistema esta inicialmente relaxado, ou seja, suas
condicoes iniciais sao nulas. Caso esta condicao nao esteja atendida os tres modelos nao sao
necessariamente equivalentes [7].
Felipe Borges Cunha

INTRODUC
AO
16
Como vimos, a aplicacao da transformada de Laplace à derivada de ordem k da

funcao y(t) considerando condicoes iniciais nulas, leva a
k
d y(t)
L
= sk Y (s).
dtk
Portanto, podemos dizer que a variavel s, representa no domnio da freq
uencia, a
operacao de diferenciacao.
Analisemos agora o que acontece em tempo discreto. Considere uma equacao
diferencial de primeira ordem dada por
y(t) =
du(t)
dt
(1.44)
representando um sistema cuja sada e a derivada da entrada. Pela definicao da

derivada9
du(t)
u(t + t) u(t)
y(t) =
= lim
(1.45)
t0
dt
t
Vamos agora discretizar10 este sistema a um intervalo de amostragem T . Temos
entao que o menor t possvel e t = T . Portanto, ficamos com a seguinte aproximacao da derivada:
du(t)
u(nT + T ) u(nT )
y(nT ) =
'
(1.46)
dt t=nT
T
Transformando agora para o tempo normalizado n segundo (1.2) teremos
y[n] =
1
(u[n + 1] u[n])
T
(1.47)
Tomando a transformada Z de (1.47) temos
!
1 X
Y (z) =
u[n + 1]z n U (z)
T n=0
Fazendo a mudanca de variaveis k = n + 1
!
1 X
Y (z) =
u[k]z (k1) U (z)
T k=1
9
Na verdade, esta e a definicao da derivada lateral pela direita. Para que a derivada de uma
funcao exista no ponto t e necessario que as derivadas laterais à esquerda e à direita existam e seja
iguais.
10
Detalhes da teoria da amostragem serao vistos no Captulo 3
Y (z) =
1
T
17
!
u[k]z k U (z)
k=1
Quando k = 1, n = 0, logo o primeiro termo do somatorio e o valor de u[n] para

n = 0. Supondo que u[n] e um sinal causal, ou seja, u[n] = 0 para todo n < 0,
podemos acrescentar ao somatorio o termo nulo u[n] para n = 1 sem alterar o
resultado do somatorio. Mas para n = 1 temos que k = 0, logo, basta substituir o
limite inferior do somatorio, que agora fica

!
X
1
Y (z) =
z
u[k]z k U (z)
T
k=0
Reconhecendo este somatorio como a transformada Z de u[k], temos
Y (z) =
1
(zU (z) U (z))
T
(1.48)
Comparando (1.48) com (1.47) podemos perceber que o produto pela variavel z
no domnio da freq
uencia, corresponde ao avanco de uma unidade no domnio do
tempo. Percebe-se tambem que, a aproximacao da derivada dada por (1.46) e um
sistema nao causal, pois em (1.47), o valor de y[n] depende de um valor futuro
u[n + 1]. Comparando este resultado com a equacao (1.40) obtida no Exerccio 1.8,
vemos que o produto pela variavel z 1 equivale a uma operacao de atraso unitario
no tempo discreto.
Exerccio 1.9. Obtenha a versao em tempo discreto da equacao (1.45) utilizando
para aproximar a derivada a expressao de definicao da derivada lateral esquerda.
Compare o resultado obtido com a equacao (1.48).
Resposta:
y[n] =
1
(u[n] u[n 1])
T
Y (z) =
1
U (z) z 1 U (z)
T
(1.49)
De modo geral, podemos aproximar qualquer equacao diferencial para uma expressao equivalente em tempo discreto usando o procedimento do Exerccio 1.9.
A equacao resultante envolve sempre versoes deslocadas no tempo dos sinais y[n]
e u[n]. Tais equacoes sao denominadas equac
oes a diferencas e sao o equivalente
em tempo discreto das equacoes diferenciais. O procedimento descrito aqui consiste na obtencao de uma aproximacao numerica da equacao diferencial por uma
equacao a diferencas. Existem formas de se obter a equacao a diferencas equivalente a uma dada equacao diferencial de forma analtica sem a necessidade de se
recorrer a aproximacoes. O procedimento para isto requer o conhecimento da teoria de sistemas lineares em espaco de estados e pode ser encontrado nas referencias
Felipe Borges Cunha
18

INTRODUC
AO
[7, 9, 10]. Outras formas de discretizacao por aproximacao tambem sao possveis.
As diferencas residem essencialmente na expressao usada para aproximar em termos
discretos a operacao contnua da derivada. Algumas das abordagens mais usadas
podem ser encontradas em [11]
Nao abordaremos aqui as tecnicas para resolucao de equacoes a diferencas11 .
Apenas precisamos conhece-las para usa-las mais adiante, no Captulo 4 no desenvolvimento de algoritmos de implementacao de filtros digitais. Para tanto, basta
entendermos a relacao entre o atraso no domnio do tempo e o produto por z 1 no
domnio da freq
uencia dada por (1.40).
Exemplo 1.1. Considere um sistema em tempo contnuo inicialmente relaxado
descrito pela seguinte equacao
Z t
y(t) = c1 u(t) + c2
u( )d
(1.50)
onde u(t) e um sinal causal. Obtenha um modelo discretizado deste sistema com
perodo de amostragem T e encontre sua funcao de transferencia no domnio Z.
Como o sistema esta inicialmente relaxado, podemos efetuar a derivada da
equacao (1.50) sem perda de informacao. Logo
dy(t)
du(t)
= c1
+ c2 u(t)
dt
dt
(1.51)
Discretizando esta equacao pela aproximacao da derivada lateral esquerda temos

y[n] y[n 1] = (c1 + T c2 ) u[n] c1 u[n 1]
(1.52)
Note que esta e uma equacao a diferencas que expressa o valor de y[n] em funcao
de seu valor anterior e da entrada atual e anterior. Em outras palavras, y[n] nao
depende de valores futuros, e portanto, o sistema e causal. Efetuando a transformada
Z em (1.52) teremos
1 z 1 Y (z) = (c1 + T c2 ) c1 z 1 U (z)

(1.53)
(c1 + T c2 ) c1 z 1
Y (z)
= H(z) =
U (z)
1 z 1
(1.54)
A equacao (1.50) pode ser identificada como a expressao no domnio do tempo

de um controlador PI, e a eq. (1.54) corresponde a sua funcao de transferencia
digitalizada.
11
Para uma introducao aos metodos de solucao de equacoes a diferencas veja [12]
Captulo 2
Representac
oes de Fourier e
an
alise espectral
Este captulo e um resumo das tecnicas de analise de Fourier em tempo contnuo
e em tempo discreto. Filtros de sinais, sejam eles analogicos ou digitais, operam
no domnio da freq
uencia. O que um filtro efetivamente filtra, ou seleciona, sao
as faixas de freq
uencia em que os sinais possuem energia, separando as faixas de
interesse, correspondentes à dinamica do processo, daquelas faixas correspondentes
às freq
uencias de rudo. Para compreender adequadamente de que forma os filtros
operam, e necessario, portanto, conhecer os metodos de analise de sinais e sistemas
no domnio da freq
uencia. Tais metodos sao fundamentados na analise de Fourier.
As secoes de 2.1 a 2.4 apresentam um resumo do formalismo matematico das tecnicas
de analise de Fourier. Aqueles que ja dominam tais tecnicas podem se limitar a fazer
uma leitura diagonal e passar à secao 2.5, onde tecnicas de Fourier sao usadas na
analise da resposta em freq
uencia de sistemas lineares.
2.1
S
erie de Fourier em tempo contnuo
Considere novamente a funcao (1.29). Se desejarmos avaliar as respostas do sistema a entradas senoidais de diferentes freq
uencias basta fazer com que o n
umero
complexo s = + j seja puramente imaginario impondo s = j. Chamamos
este procedimento de analise da resposta em freq
uencia em regime permanente. A
equacao (1.31) torna-se entao
Z
y(t) =
h( )ej(t ) d
(2.1)
Da resulta que
Z
jt
y(t) = e
19
h( )ej d
(2.2)
REPRESENTAC
OES
DE FOURIER E ANALISE
ESPECTRAL
20
A integral da equacao (2.2) corresponde à transformada de Fourier da funcao h(t) e

podemos representa-la por
Z
H(j) =
h( )ej d.
(2.3)
Deste modo temos

y(t) = H(j) ejt .
(2.4)
Sendo assim, exponenciais com argumento puramente imaginario, tambem sao autofuncoes de sistemas lineares invariantes no tempo1 e o autovalor H(j) e a funcao
de transferencia em regime permanente dada pela transformada de Fourier de h(t).
Funcoes do tipo ejt assumem valores complexos, pois
ejt = cos(t) + jsen(t)
onde o parametro desempenha o papel de freq
uencia angular. No mundo real os
sinais sao funcoes de valor real. Isso significa que, para tratar sinais reais usando
a teoria das autofuncoes, precisamos sempre nos valer dos pares complexos conjugados ej e ej . Neste sentido, para exponenciais complexas, existe o conceito de
freq
uencia negativa, uma vez que
ejt = cos(t) + jsen(t)
Como cosseno e uma funcao par e seno e uma funcao mpar, temos
ejt = cos(t) jsen(t)
Desta forma, as exponenciais com freq
uencia negativa anulam as partes imaginarias
das exponenciais de freq
uencia positiva.
Para tirarmos proveito do princpio da superposicao, devemos procurar formas
de representar os sinais de entrada como combinacao linear de autofuncoes. Deste
modo, o calculo da sada se resume à mesma combinacao linear das autofuncoes
ponderadas pelos seus respectivos autovalores.
Analisaremos primeiro sinais de entrada representados por funcoes periodicas de
tempo contnuo. Ja sabemos que funcoes periodicas atendem a condicao (1.5) com
perodo fundamental T e freq
uencia fundamental 0 = 2/T . Toda funcao cuja
freq
uencia e k0 , ou seja, um m
ultiplo inteiro de 0 , tambem possui perodo T =
2/0 que atende à equacao (1.5). Portanto, qualquer combinacao linear de funcoes
periodicas cujas freq
uencias sejam m
ultiplos inteiros de 0 serao tambem periodicas
e com perodo T 2 . Se tomarmos entao uma combinacao linear de autofuncoes na
1
2
Compare com a expressao (1.34).

A demonstracao deste resultado e deixada como exerccio.
2.1. Serie de Fourier em tempo contnuo
21
forma ejk0 t teremos um sinal periodico de perodo T = 2/0 . Tal combinacao

linear pode ser expressa como
X
f (t) =
F [k]ejk0 t
(2.5)
k
onde cada F [k] e o coeficiente da componente de freq

uencia k0 , tambem chamada
de harm
onico de ordem k. Conforme ja discutimos, a cada freq
uencia, associamos
sua freq
uencia simetrica para tornar o resultado do somatorio em (2.5) um valor
real. Deste modo, o ndice k do somatorio tem que variar entre valores simetricos.
Como o espaco das funcoes tem dimensao infinita, os limites do somatorio em (2.5)
tem que ser infinitos para que possamos representar o maior n
umero possvel de
funcoes periodicas. Logo
X
f (t) =
F [k]ejk0 t
(2.6)
k=
A equacao (2.6) e conhecida como a expansao em serie exponencial de Fourier

da funcao f (t). Para determinar os coeficientes F [k], basta multiplicar a equacao
(2.6) por ejm0 e integrar sobre um perodo3 . Devido ao fato de que componentes
harmonicas de freq
uencias distintas sao funcoes ortogonais, todos os termos no lado
direito da equacao se anularao exceto um. Este u
nico termo que sobra e justamente
a componente harmonica de ordem k = m. Resulta entao que:
Z
1
F [k] =
f (t)ejk0 t dt
(2.7)
T hT i
O smbolo hT i significa que a integral e avaliada em qualquer intervalo de largura
T.
A equacao (2.6) e chamada equac
ao de sntese da serie de Fourier enquanto que
(2.7) e chamada equac
ao de analise da serie de Fourier. O conjunto dos coeficientes
F [k] para cada valor de k pode ser entendido como uma funcao discreta da variavel
k, que e a ordem do harmonico de freq
uencia k = k0 . A variavel discreta k pode
entao ser interpretada como uma freq
uencia normalizada, pois k = k /0 . A funcao
complexa F [k] possui a seguinte propriedade4 :
F [k] = F [k]
(2.8)
A convergencia da serie de Fourier de uma funcao f (t) se aplica apenas aos pontos onde f (t)
e contnua. Nas descontinuidades de f (t), sua serie de Fourier converge para a media aritmetica
dos limites laterais da descontinuidade. Alem disso, a convergencia da serie de Fourier tem como
condicao suficiente o atendimento às condicoes de Dirichlet. Maiores detalhes em [3] e [12]
4
Esta propriedade so se verifica quando a imagem da funcao f (t) esta contida no conjunto dos
n
umeros reais, ou seja, f e uma funcao real da variavel t.
Felipe Borges Cunha
22
REPRESENTAC
OES
ESPECTRAL
onde o smbolo significa o complexo conjugado. O modulo do complexo F [k] e

conhecido como espectro de magnitude do sinal f (t) enquanto que o angulo de F [k]
e chamado de espectro de fase de f (t).
Exerccio 2.1. Demonstre a propriedade (2.8) e mostre que a parte real de F [k] e
uma funcao par e a parte imaginaria de F [k] e uma funcao mpar. Mostre tambem
que a magnitude de F [k] e uma funcao par e a fase de F [k] e uma funcao mpar.
Exemplo 2.1. Obtenha os espectros de magnitude e fase do sinal periodico dado
por
A, t0 + nT < t < t0 + + nT
(2.9)
f (t) =
0, t0 + + nT < t < t0 + (n + 1) T
Em primeiro lugar, devemos reconhecer que este e um sinal periodico. Tracando
o seu grafico, obtemos a figura 2.1. Este sinal e conhecido como porta peri
odica.
Figura 2.1: Grafico da funcao porta peri

odica.
Substituindo o valor de f (t) na equacao de analise, obtemos
Z
1 t0 + jk0 t
F [k] =
Ae
dt
T t0
que integrando fica
(2.10)
t0 +
A
1
j k0 t
F [k] =
T jk0
t0
e apos substituir os limites de integracao

F [k] =
j k0 (t0 + )
A
1
e
ej k0 t0
T jk0
Desmembrando o do expoente da primeira exponencial em 2 /2 e somando e

subtraindo /2 do expoente da segunda exponencial ficamos com
1 jk0 (t0 + 2 + 2 )
A
e
ejk0 (t0 + 2 2 )
F [k] =
T jk0
2.1. Serie de Fourier em tempo contnuo
23
Apos alguma manipulacao algebrica
A
2
ej k0 2 ej k0 2
F [k] =
ej k0 (t0 + 2 )
T k0
2j
Reconhecendo a funcao entre parenteses como a forma de Euler do seno e arrumando
os termos, ficamos com
sen k0 2
F [k] = A
ejk0 (t0 + 2 )
(2.11)
T
k0 2
Calculando o modulo desta expressao obtemos
sen k
02

|F [k]| = A
T k0 2
e para a fase temos
(2.12)
/F [k] = k0 t0 +
(2.13)
2
Trancando os graficos de magnitude e fase em funcao de k, temos a figura 2.2.
Essas representacoes graficas da magnitude e fase da funcao F [k] sao chamadas
de espectros. Essa denominacao se justifica se lembrarmos que a variavel independente k pode ser interpretada como uma freq
uencia normalizada. Cada componente
harmonica de ordem k possui um coeficiente f [k] que representa quanto da potencia
total do sinal periodico f (t) esta presente naquela componente de freq
uencia k0 5 .
O grafico da Fig.2.2 deixa claro, para o exemplo estudado, que as componentes
de freq
uencia mais intensas sao aquelas proximas da origem, sendo a maior delas
quando k = 0, que representa a intensidade da componente constante do sinal. De
fato, o sinal representado por (2.9) possui um valor medio positivo, que corresponde
justamente à intensidade da componente de freq
uencia nula e aumenta com a razao
cclica /T .
Ao variarmos o valor de , alteramos apenas a razao cclica da onda quadrada,
mas nao variamos o seu perodo fundamental. Conseq
uentemente, as distancias
entre as componentes harmonicas k0 nao mudam. Apenas a envoltoria do espectro
se modifica. Observe na Fig.2.3 como o pico de magnitude em k = 0 se reduz à
medida que a razao /T diminui.
A expressao entre parenteses na equacao (2.11) corresponde a uma funcao importante na teoria de processamento de sinais e recebe um nome especial: seno cardinal,
e e denotada por:
sen(x)
(2.14)
Sinc(x) =
x
5
A equivalencia entre o calculo da potencia de um sinal no domnio do tempo e no domnio da

freq
uencia e garantida pelo teorema de Parseval. Para maiores detalhes, ver [2].
Felipe Borges Cunha
REPRESENTAC
OES
ESPECTRAL
24
Magnitude
0.2
0.15
0.1
0.05
0
1000
Fase
500
500
1000
25
20
15
10
10
15
20
25
Ordem da componente harmonica (k)
Figura 2.2: Espectros de magnitude e fase da funcao porta periodica com t0 = 0,

T = 1 e = 0, 2.
Se a expressarmos normalizando a variavel independente por um fator , tal funcao
recebe o nome de func
ao de amostragem (ou funcao Sample) e e expressa como6
Sa(x) =
2.2
sen(x)
x
(2.15)
S
erie de Fourier em tempo discreto
Funcoes periodicas em tempo discreto tambem podem ser representadas por serie
de Fourier. Nao demonstraremos aqui a deducao da serie, pois o princpio fundamental e o mesmo que foi usado no tempo contnuo, ou seja, representar funcoes
periodicas com combinacao linear das autofuncoes exponenciais limitando a analise
a autofuncoes com freq
uencias harmonicas7 .
6
A diferenca na representacao do seno cardinal e da funcao de amostragem e somente o fator

preciso ser cauteloso com o uso das notacoes Sinc(x) e
de escala na variavel independente. E
Sa(x), pois na literatura encontramos divergencias nas suas definicoes. Nas referencias [6] e [2],
por exemplo, as definicoes de Sinc(x) sao diferentes. Outros autores se referem a esta funcao
como func
ao de interpolac
ao, denominacao que se tornara clara no Captulo 3. Na d
uvida, deve-se
recorrer à notacao explcita sen(x)/x.
7
Uma deducao da serie de Fourier em tempo discreto pode ser encontrada em [6]
2.2. Serie de Fourier em tempo discreto
25
= 0,2 T
= 0,1 T
= 0,05 T
Figura 2.3: Graficos de F[k] para t0 = /2 e valores diferentes de .

A equacao de sntese da serie de Fourier em tempo discreto de uma funcao
periodica f [n] com perodo fundamental N e freq
uencia fundamental 0 = 2/N e
X
F [n]ejk0 n .
(2.16)
f [n] =
k=hN i
A equacao de analise e
F [k] =
1 X
f [n]ejk0 n .
N
(2.17)
n=hN i
Note que, em tempo discreto, tanto o sinal f [n] como seu espectro F [k] sao funcoes
periodicas das variaveis discretas n e k. As autofuncoes que servem de base para a
construcao da serie sao ejk0 n para N valores consecutivos de k.
Exerccio 2.2. Diferentemente das funcoes periodicas em tempo contnuo, as funcoes
periodicas em tempo discreto nao necessitam de infinitas componentes harmonicas
para compor sua expansao em serie de Fourier (compare a eq.(2.6) com a eq.(2.16)).
Felipe Borges Cunha
26
REPRESENTAC
OES
ESPECTRAL
Se uma dada funcao f [n] e periodica com perodo N , entao sua expansao em serie
de Fourier necessita no maximo de N componentes harmonicas de freq
uencias. Explique por que (Sugestao: Determine a condicao que a freq
uencia angular deve
satisfazer para que ejn seja uma funcao periodica e use a eq.(3.2)).
2.3
Transformada de Fourier em tempo contnuo
A serie de Fourier, conforme vimos ate agora, e uma forma de representar sinais
periodicos como combinacao linear de autofuncoes dos sistemas lineares invariantes
no tempo. Estes sinais periodicos sao sempre sinais de potencia, conforme definido na
secao 1.2. Como em tempo contnuo, o espaco das funcoes periodicas tem dimensao
infinita, esta combinacao linear pode ter infinitos termos. Porem, cada termo possui
uma freq
uencia que e um m
ultiplo inteiro da freq
uencia fundamental do sinal a ser
representado.
A questao que se coloca agora e: Podemos representar funcoes nao periodicas,
em particular, sinais de energia na forma de combinacao linear de autofuncoes do
tipo ej0 t ? A resposta e sim.
Inicialmente consideremos a funcao periodica generica fp (t) de perodo T mostrada
no grafico da Fig.2.4 cujo espectro e dado pela equacao de analise da serie de Fourier.
Z T
2
1
F [k] =
fp (t)ejk0 t dt
(2.18)
T T2
A funcao periodica fp (t) e recuperada atraves da equacao de sntese
fp (t) =
F [k]ejk0 t
(2.19)
k=
Se fizermos o perodo T tender a infinito, no limite, a funcao fp (t) passa a ser

nao periodica, e a representaremos entao por f (t). Simultaneamente teremos
0 d
T
(2.20)
k0
Definindo T F [k] = F (j) e multiplicando a equacao de analise or T , teremos no
limite
Z
F (j) =
f (t)ejt dt
(2.21)
Ja para a equacao de sntese, multiplicando e dividindo por 0 = 2/T teremos

fp (t) =
X
k=
F [k]
T jk0 t
e
0
2
(2.22)
2.3. Transformada de Fourier em tempo contnuo
27
Figura 2.4: Limite de uma funcao periodica com o perodo tendendo a infinito.
No limite entao, o somatorio se transforma numa integral, pois a variavel discreta
k0 se torna uma variavel contnua .
Z
1
f (t) =
F (j)ejt d
(2.23)
2
As equacoes (2.21) e (2.23) sao respectivamente as equacoes de analise e sntese
da transformada de Fourier em tempo contnuo. Note que a (2.21) corresponde
exatamente à mesma funcao obtida em (2.3) por outro caminho.
Exemplo 2.2. Calcular a transformada de Fourier do pulso quadrado dado por
1, t0 t t0 +
f (t) =
(2.24)
0, caso contrario
Utilizando a equacao de analise (2.21) temos
Z t0 +
F (j) =
1 ejt dt
(2.25)
t0
t0 +
1 j(t0 + )
1
jt
jt0
=
F (j) =
e
j
j
t0
(2.26)
Felipe Borges Cunha
28
REPRESENTAC
OES
ESPECTRAL
1.2
0.8
F(j)
0.6
0.4
0.2
0.2
0.4
30
20
10
10
20
30
Frequencia Angular (rad/s)
Figura 2.5: Espectro contnuo da funcao pulso.
F (j) =
1 ej
j
jt0
ej 2 ej 2 ej 2 ej 2
j
ejt0
(2.27)
ej 2 ej 2
1
F (j) =
ej(t0 + 2 )
(2.28)
2j
2

sen 2
F (j) =
ej(t0 + 2 )
(2.29)
F (j) = Sa
ej(t0 + 2 )
(2.30)
2
Note que o espectro F (j) e uma funcao contnua da freq
uencia e que sua
magnitude
depende de uma funcao seno cardinal. O termo exponencial em t0 + 2 so contribui

com um angulo de fase.
Para facilitar a visualizacao do espectro, consideremos o caso particular em que
t0 = 2 . A figura 2.5 mostra o espectro do sinal dado por (2.24). Note que à medida
que o valor da freq
uencia aumenta, a intensidade de F (j) tende a diminuir, porem
nunca estabiliza no valor nulo, oscilando assintoticamente em torno do zero.
Exemplo 2.3. Transformada de Fourier de sinais peri

odicos: Seja f (t) uma
funcao periodica com perodo T . Qual e a sua transformada de Fourier?
Sabemos que a serie de Fourier de f (t) e dada por
f (t) =
F [k] ejk0 t
k=
onde 0 = 2/T . Se aplicarmos diretamente a equacao de analise da transformada

de Fourier à funcao periodica f (t), veremos que a integral nao converge. Utilizaremos
2.3. Transformada de Fourier em tempo contnuo
29
o seguinte artifcio. Considere um impulso em freq

uencia deslocado em k0 dado
por ( k0 ). Sua transformada inversa de Fourier e
Z
Z
1
1
jt
( k0 ) e d =
( k0 ) ejk0 t d
2
2
1 jk0 t
=
e
2
( k0 )d =
1 jk0 t
e
2
ou seja:
1 jk0 t
TFTC
e
( k0 )
(2.31)
2
onde TFTC significa Transformada de Fourier em Tempo Contnuo.
Deste modo, cada componente de freq
uencia ejk0 t possui uma transformada de
Fourier na forma de um impulso na freq
uencia k0 . Usando a equacao (2.31) para
calcular a transformada de Fourier de f (t) teremos
F{f (t)} =
F [k] F ejk0 t
k=
F{f (t)} =
2F [k] ( k0 )
(2.32)
k=
Desta forma, a transformada de Fourier, apesar de ter sido deduzida partindo

do princpio de que a funcao a ser transformada era nao periodica, tambem pode
ser aplicada a funcoes periodicas. A equacao (2.32) afirma que a transformada
de Fourier de uma funcao periodica e uma seq
uencia de impulsos na freq
uencia
ponderados pelos coeficientes da serie de Fourier correspondente e multiplicados por
2.
Exerccio 2.3. Calcule a transformada de Fourier dos seguintes sinais:
a) f (t) = cos (0 t + ).
b) f (t) = sen (0 t + ).
c) f (t) = et ,
d) f (t) =
para t 0.
(t nT ). Sugestao: use a equacao (2.32).
n=
Felipe Borges Cunha
30
REPRESENTAC
OES
ESPECTRAL
Exerccio 2.4. Mostre que a transformada de Fourier da convolucao entre duas

funcoes e o produto das transformadas de Fourier de cada uma das funcoes.
TFTC
f (t) g(t) F (j) G(j)
(2.33)
Exerccio 2.5. Mostre que a transformada de Fourier do produto duas funcoes e a

convolucao das transformadas de Fourier de cada uma das funcoes.
TF
f (t) g(t)
2.4
1
F (j) G(j)
2
(2.34)
Transformada de Fourier em tempo discreto
Usando o mesmo raciocnio que conduziu à deducao da transformada de Fourier em

tempo contnuo a partir da serie de Fourier em tempo contnuo, podemos estabelecer
a transformada de Fourier em tempo discreto a partir da serie de Fourier em tempo
discreto. Esta nova transformada permite entao expressar funcoes nao periodicas
em tempo discreto por combinacao linear de autofuncoes dadas por ejn , em que
e uma variavel contnua.
As equacoes de sntese e analise da transformada de Fourier em tempo discreto
sao respectivamente
1
f [n] =
2
F e

F ej ejn d
(2.35)
h2i
f [n] ejn
(2.36)
n=
A deducao da transformada de Fourier em tempo discreto a partir da serie de Fourier

em tempo discreto e deixada como exerccio para o leitor.
que, apesar do sinal f [n] ser uma funcao discreta do tempo, seu espectro
Note
uencia. Al
m disso, enquanto f [n] e uma
F ej e uma funcao contnua da freq
ej
e uma funcao periodica da
funcao nao periodica do tempo, seu espectro F e
freq
uencia e seu perodo e sempre 2.
Exemplo 2.4. Considere o pulso exponencial decrescente dado por
n
, n0
f [n] =
0, n < 0
onde 0 < < 1.
(2.37)
31
f[n]
2.4. Transformada de Fourier em tempo discreto
0
2
4
6
8
Tempo discreto normalizado (n)
10
Figura 2.6: Pulso exponencial decrescente em tempo discreto.

Calcule a transformada de Fourier do sinal f [n] e trace os graficos de magnitude
e fase do espectro de f [n].
F e
jn
n=0
n
=
ej
n=0
Como o termo exponencial tem sempre magnitude unitaria, a convergencia do somatorio so depende de . Como 0 < < 1, o somatorio converge para

F ej =
1
1 ej
Figura 2.7: Espectros de magnitude e fase da funcao pulso exponencial em tempo

discreto.
Felipe Borges Cunha
32
REPRESENTAC
OES
ESPECTRAL
Observando a Fig.2.7, notamos que os espectros de magnitude e fase sao, de

fato, funcoes periodicas com perodo 2. Esta e uma caracterstica dos espectros de
todo sinal em tempo discreto; quer seja ele periodico ou nao no domnio do tempo.
Esta propriedade dos sinais em tempo discreto leva a uma interpretacao interessante
sobre o domnio da freq
uencia para
tais sinais. A periodicidade pode ser entendida
como um retorno da funcao F ej ao mesmo ponto; o que leva a uma topologia
circular do espaco das freq
uencias de sinais em tempo discreto, como pode ser visto
na figura 2.8.
Figura 2.8: Topologia circular do espaco das freq

uencias em tempo discreto.
2.5. Analise da resposta em freq

2.5
33
An
alise da resposta em freq
u
encia de sistemas
lineares
Ate agora, vimos que ha formas de representar sinais de diversos tipos por meio de
diferentes representacoes de Fourier. Todas elas sao combinacoes lineares de autofuncoes de sistemas lineares invariantes no tempo. Todas elas tambem nos fornecem
funcoes no domnio da freq
uencia que representam a intensidade de cada componente de freq
uencia presente no sinal analisado. Nosso objetivo agora e descobrir
como essas representacoes de Fourier no domnio da freq
uencia podem ser u
teis na
analise de sistemas lineares.
Ja sabemos que a resposta de um sistema linear em tempo contnuo pode ser
dada pela integral de convolucao
Z
y(t) = h(t) u(t) =
h(t )u( )d
onde h(t) e a resposta do sistema a uma excitacao na forma de impulso unitario

(t). Sabemos tambem que a convolucao e uma operacao comutativa, ou seja
Z
h( )u(t )d
y(t) = u(t) h(t) =
Expressando u(t ) pela equacao se sntese (2.23) teremos

Z
1
u(t ) =
U (j)ej(t ) d
2
Usando esta expressao de u(t ) na integral de convolucao teremos
Z
Z
1
y(t) = u(t) h(t) =
h( )
U (j)ejt ej d d
2
Como e sao variaveis independentes entre si, podemos inverter a ordem das
integrais em e .
Z Z
1
h( )ej d U (j)ejt d
y(t) = u(t) h(t) =
2
Reconhecendo a integral interna como a transformada de Fourier de h(t), podemos
escrever
Z
1
h(t) u(t) =
H(j) U (j)ejt d
2
O termo do segundo membro e justamente a equacao de sntese aplicada ao produto
H(j) U (j). Em outras palavras, H(j) U (j) e a transformada de Fourier de
Felipe Borges Cunha
REPRESENTAC
OES
ESPECTRAL
34
h(t) u(t). Desta forma, onde antes havia uma integral de convolucao entre duas
funcoes no domnio do tempo, agora ha um produto entre funcoes no domnio da
freq
uencia. Usando uma notacao mais compacta
TFTC
h(t) u(t) H(j) U (j).
(2.38)
A equacao (2.38) afirma entao que a operacao de convolucao no tempo se converte

em produto na freq
uencia8 .
importante notar que a funcao H(j) contem em si as mesmas informacoes
E
sobre o modelo do processo que h(t), pois a transformacao de uma na outra e
biunvoca. A funcao H(j) e uma func
ao de transferencia do sistema, do mesmo
modo que a funcao H(s) dada pela equacao (1.36). A diferenca e que H(j) nos da
uma visao mais voltada para a resposta em freq
uencia do sistema, ou seja, a maneira
como o sistema processa as diferentes componentes de freq
uencia da entrada u(t) em
regime permanente; enquanto que H(s) direciona a analise para o comportamento
transitorio da resposta do sistema diante de variacoes na sua entrada.
A propriedade dada por (2.38) sugere entao um metodo para determinar a resposta de sistemas lineares sem a necessidade do calculo da integral de convolucao.
Basta transformar as funcoes h(t) e u(t) para sua representacao no domnio da
freq
uencia, multiplica-las e entao efetuar a transformacao inversa atraves da equacao
de sntese apropriada. Esta abordagem, contudo e mais do que um metodo pratico
para computar a resposta de um sistema linear. As representacoes dos sinais no
domnio da freq
uencia podem fornecer uma compreensao adicional sobre a dinamica
do sistema. Considere o exemplo a seguir.
Exemplo 2.5. Considere o circuito dado esquematicamente pela figura 2.9
Figura 2.9: Modelo esquematico do circuito RC.

Utilizando a lei das malhas de Kirchhoff, chega-se à seguinte equacao diferencial
que modela este circuito
u(t) = R C
8
dy(t)
+ y(t)
dt
(2.39)
Esta propriedade tambem e valida no domnio da transformada de Laplace. Essa e outras propriedades das representacoes de Fourier podem ser encontradas nas referencias [5, 6, 2], bem como
uma abordagem completa sobre as representacoes de Fourier, incluindo tabelas de transformadas
e suas propriedades.

35
Considerando a tensao u(t) da fonte como variavel de entrada e a tensao y(t)

sobre o capacitor como variavel de sada, desejamos calcular a resposta do sistema
a uma excitacao permanente do tipo
u(t) = A cos(0 t),
(2.40)
sendo A uma amplitude constante e 0 uma freq

uencia constante.
Uma das formas de se resolver este problema e trata-lo de modo particular e
calcular diretamente a solucao da equacao diferencial que modela o circuito. Este
metodo, porem, so nos da uma visao limitada do sistema, pois revela apenas seu
comportamento para a entrada especfica considerada. Uma vez que o sinal da
fonte excitadora e uma funcao senoidal, podemos utilizar o metodo da resposta em
freq
uencia, calculando o produto H(j) U (j). Evitamos assim ter que resolver a
equacao diferencial, alem do que, a funcao H(j) sendo conhecida, permite que se
investigue o comportamento do sistema para qualquer valor possvel de .
O problema que se coloca entao e como obter H(j). Sabemos que H(j) e a
transformada de Fourier da funcao h(t), que e a resposta do sistema a uma entrada
em impulso unitario (t). Precisamos agora calcular a sada y(t) para uma entrada
u(t) = (t), considerando que o sistema esta inicialmente relaxado. O u
nico ponto
de partida de que dispomos e o modelo do sistema na forma de equacao diferencial
(2.39). Voltamos entao ao problema inicial. A solucao da equacao diferencial para
uma funcao de excitacao dada. A diferenca agora e que o sinal de entrada considerado nao e uma entrada qualquer, e sim uma funcao impulso unitario. Conforme
foi visto na Secao 1.3.2, o conhecimento da resposta h(t) nos permitira calcular a
resposta do sistema para qualquer sinal de entrada generico u(t) usando a integral
de convolucao.
Sabemos que para t < 0 a funcao impulso e nula. Sabemos tambem que, por
ser o modelo de um circuito real, o sistema dado por (2.39) tem que ser causal.
Portanto, a sua resposta ao impulso para t < 0 tem que ser nula. Para t = 0 a
funcao impulso e infinita, porem sua integral e finita. Calculemos entao a resposta
y(t) para t 0+. Integrando a equacao (2.39)
Z
0+
0+
u(t)dt =
dy(t)
RC
+ y(t) dt
dt
Substituindo o valor de u(t)

Z
0+
0+
(t)dt = RC
dy(t)
dt
0+
dt +
y(t)dt
1 = RC y(t)|0+
+ 0 1 = RC (y(0+) y()) = RCy(0+)
Felipe Borges Cunha
REPRESENTAC
OES
ESPECTRAL
36
Ou seja,
1
RC
Calculemos agora a resposta ao impulso para t > 0. Neste caso, a excitacao
e nula, conforme a definicao da funcao impulso pela equacao (1.18). Portanto, a
solucao de (2.39) resume-se à solucao da equacao homogenea
y(0+) =
RC
dy(t)
+ y(t) = 0
dt
(2.41)
Temos entao que

R C dy(t) = y(t)dt
Separando as variaveis
dy
= dt
y
Calculando a integral indefinida de ambos os membros
Z
Z
dy
dt
=
y
RC
RC
t
+ ln(K)
RC
onde ln(K) e uma constante de integracao arbitraria. Calculando a exponencial de
ambos os membros temos que
ln(y) =
y(t) = K e RC t
A presenca da constante arbitraria K na solucao da equacao diferencial representa
um grau de liberdade para se ajustar a solucao à condicao inicial, ou seja, o valor
de y(0+). Teremos entao
1
y(0+) = K e RC (0+) K = y(0+) =
1
RC
Portanto, a resposta y(t) a uma entrada u(t) na forma de impulso unitario e

h(t) =
1
1
e RC t
RC
(2.42)
De posse de h(t), calcularemos agora sua transformada de Fourier H(j). Como

h(t) = 0 para todo t < 0, a integral de Fourier fica
Z
Z
1
1
1
1
RC
t jt
e
e( RC +j)t dt
e
dt =
H(j) =
RC
RC
0
0

1
=
RC
1
RC
1
1
( RC
+j )t
e
=
0
+ j
1
RC
1
RC
37
(2.43)
+ j
De posse da funcao de transferencia H(j), precisamos agora representar o sinal

de entrada u(t) no domnio da freq
uencia. Como u(t) e um sinal periodico, sua
expansao em serie de Fourier e
cos(0 t) =
1 j0 t 1 j0 t
e
+ e
2
2
(2.44)
Conforme a equacao (2.4), as exponenciais do tipo ejt sao autofuncoes dos sistemas
lineares invariantes no tempo. Sendo assim, a entrada u(t) = cos(0 t), conforme
expressa por (2.44), e uma superposicao de autofuncoes. A resposta do sistema a
esta entrada pode entao ser calculada usando a equacao (2.4) para cada componente
de freq
uencia de u(t). Sendo assim,
1
1
y(t) = H(j)=0 ej0 t + H(j)=0 ej0 t
2
2
y(t) =
1
RC
1
RC
+ j0
1 j0 t
e
+
2
1
RC
1
RC
j0
1 j0 t
e
2
Note que, para cada uma das componente exponenciais, ha um coeficiente invariante no tempo, mas que e funcao da freq
uencia angular de cada componente do sinal
de entrada u(t). As freq
uencias 0 e 0 sao simetricas. Portanto, as componentes
exponenciais de freq
uencia 0 e 0 sao complexos conjugados, assim como seus
respectivos coeficientes H(j0 ) e H(j0 ). Expressando esses coeficientes na sua
forma polar, temos
1
y(t) = q
2
1
RC
1
RC
j0 t
+ 0 2
1
+ q
2
1
RC
1
RC
ej ej0 t
+ 0 2
onde = tg1 (0 RC). Ficamos entao com

y(t) = q
1
RC
1 2
RC
+ 0 2
1 j(0 t+)
e
+ ej(0 t+)
2
que e equivalente a
y(t) = q
1
RC
1 2
RC
cos(0 t + )
+ 0
(2.45)
Felipe Borges Cunha
38
REPRESENTAC
OES
ESPECTRAL
Neste exemplo, comparando y(t) dado por (2.45) com u(t) dado por (2.40),
podemos perceber que a resposta do circuito da figura 2.9 a uma tensao excitacao
senoidal consiste exatamente em um sinal senoidal do mesmo tipo com amplitude
e fase modificadas. As alteracoes de amplitude e fase que o sistema provoca na
entrada u(t) para gerar a sada y(t) sao dependentes das caractersticas do circuito
e da freq
uencia do sinal de entrada u(t). Isto e evidenciado pela expressao de H(j)
dada pela equacao (2.43). Por isso, damos a esta tecnica o nome de analise da
resposta em freq
uencia. A maneira como o sistema altera amplitude e fase do sinal
de entrada e dada diretamente pela sua funcao de transferencia. A amplitude do
sinal de entrada e multiplicada pela magnitude da funcao de transferencia calculada
em = 0 , enquanto que a fase do sinal de entrada e somada com o angulo de fase
da funcao de transferencia, tambem para = 0 .
` luz deste exemplo, podemos perceber que qualquer sinal que possa ser exA
presso como superposicao de autofuncoes, sera processado pelos sistemas lineares
desta mesma forma: ganho de amplitude e deslocamento de fase. Por este motivo,
e conveniente interpretarmos os sistemas lineares como dispositivos que alteram as
caractersticas do sinal de entrada em funcao das freq
uencias de suas componentes
jt
exponenciais periodicas do tipo e . Da vem o conceito de filtro de sinais. Um
sistema linear pode ser projetado para atenuar as componentes de freq
uencias indesejadas. Se, por exemplo, um sinal de freq
uencia baixa esta contaminado com rudo
de freq
uencias altas, um filtro corretamente projetado pode ser capaz de eliminar,
ou atenuar, essa interferencia indesejada.
Vejamos o caso do exemplo 2.5. Consideremos que R = 16, 0k e C = 1, 0F .
A funcao de transferencia H(j) fica
H(j) =
62, 5
62, 5 + j
Suponha que a tensao de entrada represente a medicao de uma variavel de processo

contaminada com rudo de 60Hz proveniente da alimentacao eletrica dos instrumentos. O circuito da figura 2.9 funcionara como filtro analogico, atenuando a
componente do rudo e permitindo a passagem das variacoes de processo, que neste
caso, sao mais lentas que as do rudo, como pode ser visto no grafico da figura 2.10.
Note como a variavel de processo tem um comportamento dinamico sub-amortecido.
A freq
uencia desta variacao e de 5Hz enquanto que o rudo e de 60Hz. Logicamente,
as componentes do sinal referentes à variacao propria do processo nao e imune aos
efeitos do uso do filtro. Estas tambem sao alteradas pela funcao de transferencia
do filtro. A melhor maneira de avaliar essa influencia e representa-la graficamente
em funcao da freq
uencia. Tracamos entao os chamados graficos de resposta em
freq
uencia. Como a funcao de transferencia e uma funcao complexa de variavel real,
sua representacao grafica teria que levar em conta parte real e parte imaginaria. Ao
inves disso, preferimos representar graficamente sua forma polar, pois ja vimos que

39
0
0.2
0.1
0.1
0.2
Sinal com ruido
0.3
0.4
0.5
0.1
0.1
0.2
Sinal filtrado
0.3
0.4
0.5
0
0.2
Figura 2.10: Resultado da filtragem de um sinal por um circuito RC dimensionado

para atenuar rudo de 60Hz.
a magnitude e o angulo de fase tem um significado fsico de crucial importancia no
funcionamento do filtro. A magnitude da funcao H(j) e entao
|H(j)| = q
1
RC
1 2
RC
(2.46)
+
e o angulo de fase e
/H(j) = tg1 (RC)
(2.47)
A figura 2.11 traz os graficos de magnitude e fase em funcao da freq

uencia angular
. Note os valores de magnitude e fase para a freq
uencia r do rudo e para a
freq
uencia natural amortecida d da variacao do processo.
O resultado que vimos no Exerccio 2.1 pode ser estendido para todos os quatro
tipos de representacoes de Fourier. Portanto, os graficos de resposta em freq
uencia
H(j) tambem apresentam simetria par para o espectro de magnitude e simetria mpar para o espectro de fase, como pode ser visto na figura 2.11. Por isso
costuma-se representar graficamente apenas a metade direita do grafico, correspondente às freq
uencias positivas. Alem disso, para visualizarmos no grafico uma faixa
de freq
uencias mais extensa, costuma-se usar escala logartmica para o eixo horizontal. No caso do grafico de magnitude, como a mesma representa um ganho de
Felipe Borges Cunha
REPRESENTAC
OES
ESPECTRAL
40
Magnitude
0.5
Fase (rad)
0
2
1
0
1
2
500
400
300
200
100
0
100
(rad/s)
200
300
400
500
Figura 2.11: Graficos de resposta em freq

uencia para a funcao de transferencia
H(j) do circuito da figura 2.9.
potencia do sinal, representamos sua escala em decibeis, ou seja
|H(j)|dB = 10 log |H(j)|2 = 20 log |H(j)|

enquanto que o grafico de fase tem sua escala vertical representada em graus. A
representacao grafica resultante e chamada de diagrama de Bode.
A faixa de freq
uencias em que o diagrama de magnitude apresenta um comportamento plano e chamada de faixa, ou banda, de passagem do filtro. A regiao em que
a magnitude de H(j) decai a uma taxa aproximadamente constante e chamada de
faixa, ou banda, de rejeicao. Entre a faixa de passagem e a faixa de rejeicao existe
uma faixa de transicao em que o comportamento de H(j) varia de modo nao uniforme. Para que haja um criterio mais claro de separacao entre a faixa de passagem
e a faixa de rejeicao, definimos a freq
uencia de corte c do filtro. Esta freq
uencia
e definida como sendo aquela em que o ganho de potencia, ou o ganho de energia,
conforme trate-se de um sinal de potencia ou de energia, e reduzia à metade. Deste
modo, c e tal que
1
|H(jc )|dB = 3dB
|H(jc )|2 =
2
Usando a equacao (2.46) para calcular c obtemos
c =
1
RC

41
Magnitude (dB)
0
5
10
15
20
Fase (Graus)
25
0
20
40
60
80
100
0
10
10
(rad/s)
10
10
Figura 2.12: Diagrama de Bode da funcao de transferencia do circuito RC.

O produto RC tambem e conhecido como constante de tempo do filtro. Este circuito
RC e portanto um filtro analogico de primeira ordem.
Muitos instrumentos para aplicacoes industriais ja vem com um filtro de primeira
ordem embutido, porem, implementado digitalmente. Os fabricantes costumam designar a constante de tempo deste filtro por um parametro chamado damping, dado
sempre em segundos ou fracoes de segundo. O objetivo e justamente promover a
filtragem do sinal da variavel medida. Ao projetar um sistema de instrumentacao
ou uma malha de controle, deve-se sempre ter em mente que o parametro de damping precisa ser especificado de acordo com as freq
uencias dos rudos presentes na
medicao e com as freq
uencias das variacoes dinamica do processo. Em se tratando
de um instrumento que participa de uma malha de controle realimentado, deve se
dar uma atencao especial ao deslocamento de fase provocado pela presenca do filtro.
Como se pode ser pela Fig.2.12, mesmo na sua banda de passagem, um filtro de
primeira ordem pode introduzir atrasos de fase ate cerca de 20 .
Exerccio 2.6. Considere o circuito da figura 2.13.
a) Obtenha a funcao de resposta ao impulso h(t) utilizando o metodo usado no
exemplo 2.5.
Felipe Borges Cunha
42
REPRESENTAC
OES
ESPECTRAL
Figura 2.13: Circuito RL.

b) Obtenha a transformada de Fourier de h(t).
c) Trace os graficos de magnitude e fase de H(j). Qual e a diferenca que ha entre
a resposta em freq
uencia deste sistema em relacao à resposta em freq
uencia do
circuito RC?
d) Calcule a resposta y1 (t) deste circuito a uma excitacao u1 (t) = cos(2 2000 t) e
a resposta y2 (t) a uma excitacao u2 (t) = cos(2 200t) considerando R = 63, 0,
e L = 10, 0mH.
e) Compare as duas respostas y1 (t) e y2 (t), e determine a freq
uencia de corte deste
circuito em hertz.
Respostas:
R
e L t (t) + (t)
a) h(t) = R
L
b) H(j) =
R
L
j
+ j
c) O circuito RC do exemplo 2.5 atenua altas freq

uencias e permite a passagem de
baixas freq
uencias, enquanto que o circuito RL atenua as baixas freq
uencias e
permite a transmissao das altas freq
uencias.
Captulo 3
Teoria da amostragem
3.1
Introduc
ao
No mundo real, em geral, as grandezas fsicas sao variaveis contnuas que variam ao
longo do tempo. Suas representacoes matematicas sao sinais em tempo contnuo.
Para que seja possvel o uso de sistemas digitais para processar sinais de tempo
contnuo e necessario que se converta tais sinais para uma representacao digital
capaz de ser armazenada e processada digitalmente. A este processo, chamamos de
digitalizac
ao. Dividimos didaticamente a digitalizacao em tres etapas. Amostragem,
quantizacao, e codificacao. O diagrama de blocos da figura 3.1 ilustra estas etapas.
Figura 3.1: Processo de digitalizacao.

Na primeira etapa, a amostragem, o sinal em tempo contnuo x(t) e amostrado
segundo um intervalo de amostragem Ts predeterminado e transformado no sinal
de tempo discreto x[n]. A seq
uencia discreta de valores de x[n] para cada instante
normalizado n ainda e um sinal anal
ogico no sentido de que para cada n inteiro,
43
44
TEORIA DA AMOSTRAGEM
o valor de x[n] pode ser qualquer n

umero real dentro da faixa de variacao de x(t),
pois coincide exatamente com o valor de x(nT ).
Na etapa de quantizacao, a faixa de variacao de x[n] e subdividida em uma
quantidade predefinida de nveis. Cada amostra x[n] e aproximada para o nvel
mais proximo. Obtemos assim a nova seq
uencia xq [n]. Para finalizar o processo de
digitalizacao, associa-se a cada nvel quantico um codigo binario que o represente.
A seq
uencia de codigos xd [n] torna-se entao a versao digital de x(t) e pode ser agora
armazenada e processada digitalmente por um dispositivo microprocessado.
Neste captulo, trataremos dos cuidados que se deve tomar na escolha do perodo
possvel mostrar que, impondo algumas condicoes ao espectro
de amostragem Ts . E
de x(t) e escolhendo adequadamente o valor de Ts , e possvel recuperar de forma
exata o sinal x(t) a partir do sinal amostrado x[n]. Em outras palavras, o sinal em
tempo contnuo x(t) pode ser representado por suas amostras x[n] sem perda de
informacao. Isto significa que o processo de amostragem e teoricamente reversvel.
Infelizmente, nao se pode afirmar o mesmo quanto ao processo de quantizacao. Ao
aproximarmos os valores de x[n] para os nveis quanticos mais proximos, estamos
inserindo, de forma irreversvel, um erro no valor de cada amostra. O efeito global
destes erros e chamado rudo de quantizac
ao e esta presente em todo sistema digital.
A u
nica forma de reduzir sua intensidade e aumentando a quantidade de nveis
quanticos, o que exige o uso de um maior n
umero de dgitos binarios (bits) para a
codificacao do sinal digital.
Sistemas digitais modernos para controle de processos e processamento de sinais
nao trabalham com menos de 12 bits na digitalizacao dos sinais. Portanto, ha em
geral mais do que 212 = 4096 nveis quanticos disponveis para representacao dos
valores na faixa de variacao do sinal a ser digitalizado. Esta quantidade e, em
geral, grande o suficiente para que o rudo de quantizacao seja desprezvel. Sendo
assim, os textos que tratam de processamento digital de sinais costumam considerar
o sinal amostrado x[n] como representativo do sinal digital. Evita-se assim incluir
no formalismo matematico as etapas de quantizacao e codificacao.
3.2
Amostragem de func
oes exponenciais peri
odicas
Considere o sinal exponencial periodico com perodo T = 2/0

x(t) = ej0 t .
Escolhendo um intervalo de amostragem Ts e tomando um conjunto de amostras
nos instantes nTs com n Z temos
= x(nTs ) = ej0 nTs

x(t)
t=nTs
3.2. Amostragem de funcoes exponenciais periodicas
45
Lembrando que 0 = 2/T temos

Ts
n
x(nTs ) = ej2 T
Se definirmos fs = 1/Ts como a freq

uencia de amostragem e s = 2/Ts como a
freq
uencia angular de amostragem teremos
Ts
2 Ts
0
f0
=
=
=
T
T 2
s
fs
Interpretando a razao entre as freq
uencias f0 e fs como uma freq
uencia normalizada
F0 teremos
x[n] = ej2F0 n
Definindo tambem 0 = 2F0 como a freq
uencia angular normalizada teremos
x[n] = ej0 n
(3.1)
Esta e a exponencial em tempo discreto que usamos na Secao 2.4 como autofuncao
dos sistemas lineares em tempo discreto. Lembremos que esta funcao so e periodica
se a freq
uencia 0 for um m
ultiplo racional de 2.
Sabemos que, em tempo discreto
ej(0 +k2)n = ej0 n ejk2n = ej0 n
(3.2)
Pela definicao de funcao periodica dada em (1.5), podemos concluir que a funcao
exponencial complexa ej0 n e periodica no domnio da freq
uencia e possui perodo
2, pois a cada m
ultiplo inteiro de 2 somado ao valor de 0 a funcao ej(0 +k2)n se
torna novamente igual a ej0 n .
Esta propriedade de periodicidade de ej0 n no domnio da freq
uencia nos permite
inferir um criterio para a escolha da freq
uencia de amostragem de sinais em tempo
contnuo.
Ja sabemos que e possvel representar qualquer sinal de interesse pratico como
superposicao de autofuncoes do tipo ejn . Ao amostrarmos um sinal em tempo
contnuo x(t), desejamos que o mesmo seja representado de forma u
nica pela seq
uencia
em tempo discreto x[n] resultante da amostragem. Para tanto, apos a amostragem,
cada componente de freq
uencia de x(t) deve possuir uma representacao u
nica em
tempo discreto. Como a funcao ejn e periodica em com perodo 2, ela so e
capaz de representar, sem ambig
uidades, componentes de freq
uencia numa faixa de
largura 2.
Considere que M seja a maxima componente de freq
uencia do sinal x(t). Sua
representacao normalizada sera M = M /s . Para que M nao gere uma representacao ambgua tal como acontece em (3.2) devemos garantir que seu valor esteja
numa faixa de largura 2
< M < = 1 < 2 ffMs < 1 = fs < 2fM < fs
Felipe Borges Cunha
46
o que resulta finalmente em

|fs | > 2fM
(3.3)
A equacao (3.3) afirma que a freq

uencia de amostragem fs tem que ser maior do
que o dobro da maxima freq
uencia presente no sinal x(t) para que nenhuma de
suas componentes de freq
uencia sofra o tipo de ambig
uidade dada por (3.2). Dito
de outra forma, para que duas componentes de freq
uencias distintas ej1 t e ej2 t
possuam representacoes em tempo discreto tambem distintas, e suficiente que a
freq
uencia de amostragem seja pelo menos o dobro da maior entre as freq
uencias
das duas componentes. Caso contrario, ocorre um fenomeno chamado aliasing.
Exemplo 3.1. Considere por exemplo, dois sinais senoidais; x1 (t) com f1 = 1Hz
e x2 (t) com f2 = 5Hz. Ao amostrarmos ambos os sinais com uma freq
uencia de
amostragem fs = 6Hz obtemos a mesma representacao em tempo discreto, o que
impossibilita distinguir os dois sinais apos a amostragem.
1
x1(t)
0.5
0
0.5
1
1
x2(t)
0.5
0
0.5
1
0
0.2
0.4
0.6
Tempo (s)
0.8
Figura 3.2: Aliasing resultante da sub-amostragem do sinal x2 (t).

Observe a figura 3.2 e note que as representacoes amostradas dos sinais x1 (t)
e x2 (t) sao identicas. Isto ocorre porque ao amostrarmos x1 (t), a freq
uencia de
amostragem fs = 6Hz atende o criterio dado por (3.3) enquanto que para o sinal
x2 (t) a freq
uencia de amostragem mnima necessaria seria fs = 10Hz. Ao deixar de
atender este criterio, a representacao em tempo discreto de ambos os sinais com a
taxa de amostragem fs = 6Hz torna-se ambgua, ou seja, apos a amostragem, nao
e possvel distinguir um sinal do outro.
3.3. Teorema de Nyquist-Shannon
3.3
47
Teorema de Nyquist-Shannon
As conclusoes da secao anterior podem ser obtidas tambem pela analise de Fourier
do processo de amostragem. Esta abordagem resulta no chamado Teoroema de
Nyquist-Shannon, que diz o seguinte:
Teorema 3.1. Um sinal limitado em faixa, que nao possua componentes acima da
freq
uencia fM , e determinado univocamente por seus valores tomados a intervalos
uniformes de largura Ts = 2f1M
Para podermos provar este teorema, trabalharemos mais profundamente o formalismo matematico do processo de amostragem.
3.3.1
Formulac
ao matem
atica do processo de amostragem
Ja sabemos como obter matematicamente uma expressao em tempo discreto para

um dado sinal em tempo contnuo simplesmente definindo
f [n] = f (nTs ) = f (t)

t=nTs
Neste caso, f [n] e uma funcao da variavel discreta n. Este procedimento e puramente
algebrico e nao explicita de que forma se pode amostrar na pratica um sinal contnuo.
Para modelarmos matematicamente o processo real de amostragem, consideremos
a seguinte funcao em tempo contnuo, formada por uma seq
uencia, ou trem, de
impulsos unitarios sucessivos.
Ts =
(t nTs )
(3.4)
n=
Usaremos esse trem de impulsos para amostrar um sinal f (t) atraves do produto de
funcoes f (t) Ts (t).
Temos entao que, o produto f (t) Ts (t) resulta em
fs (t) = f (t)
(t nTs )
n=
fs (t) =
f (t) (t nTs )
n=
fs (t) =
f (nTs ) (t nTs )
n=
Felipe Borges Cunha
48
Figura 3.3: Processo de amostragem por trem de impulsos.

Portanto, o sinal amostrado por um trem de impulsos unitarios e tambem um
trem de impulsos com peso f (nTs ), onde nTs denota o instante de ocorrencia de
cada impulso da seq
uencia.
Vimos no Exerccio 2.5 que o espectro do produto de duas funcoes e a convolucao
dos espectros dessas mesmas funcoes dividia por um fator 2, ou seja
Z
1
TFTC
f (t) Ts (t)
F j( ) Ts (j)d
2
Sabemos que o espectro da funcao f (t) e limitado em faixa, ou seja, nao contem
freq
uencias superiores a fM , conforme a Figura 3.4a. O espectro do trem de impulsos
Ts (t) foi calculado no Exerccio 2.3 como sendo tambem um trem de impulsos em
freq
uencia dado por
2 X
Ts (j) =
( ks )
(3.5)
Ts k=
que pode ser visto na Figura 3.4b. Portanto, o espectro do sinal amostrado fs (t) =
f (t) Ts (t) e a convolucao de F (j) com Ts (j). Mas sabemos que Ts (j) e
uma seq
uencia de impulsos deslocados em freq
uencia e que a convolucao do espectro
F (j) com cada impulso deslocado de ks sera o proprio espectro F (j) deslocado
3.3. Teorema de Nyquist-Shannon
49
Figura 3.4: (a) Espectro do sinal f (t), (b) Espectro do trem de impulsos de
amostragem, (c) Espectro do sinal amostrado fs (t).
para a freq
uencia ks . Portanto,
1 X
Fs (j) =
F (j ( ks ))
Ts k=
(3.6)
O espectro amostrado Fs (j) pode ser visto na Figura 3.4c.

Analisando a figura 3.4, percebemos que o espectro Fs (j) e justamente o espectro F (j) replicado ao longo do eixo das freq
uencias com um espacamento de
s entre lobulos adjacentes. Pela equacao (3.6) podemos ver tambem que a magnitude do espectro amostrado e multiplicada por um fator 1/Ts . Como fazer entao
para recuperar o sinal f (t) a partir de suas amostras dadas por fs (t)? Observando
o espectro de fs (t) fica evidente que se conseguirmos eliminar as componentes de
freq
uencias superiores a M e inferiores a M teremos de volta o espectro original
F (j) multiplicado pela constante 1/Ts . Bastaria antao multiplica-lo por Ts para
recuperar o espectro original e, conseq
uentemente, o sinal f (t) original.
O dispositivo capaz de executar este processamento e justamente um filtro com
ganho igual a Ts na sua faixa de passagem e ganho nulo na faixa de rejeicao. A
freq
uencia de corte teria que estar entre M e s 2M . O espectro deste filtro seria
entao dado por
Ts , || c
(3.7)
H(j) =
0, || > c
Felipe Borges Cunha
50
A operacao de filtragem e representada na forma de diagrama de bloco na figura
3.5
Figura 3.5: Diagrama de blocos representando a operacao de filtragem ideal.

A figura 3.6 ilustra como seria o espectro do filtro ideal com estas caractersticas.
Figura 3.6: Filtro de reconstrucao do sinal original a partir de suas amostras.

Observe que so e possvel recuperar perfeitamente o sinal f (t) original porque,
apos a convolucao com o trem de impulsos Ts , os espectros de f (t) replicados
na freq
uencia nao se sobrepoem. Isto se deve ao fato de que a amostragem foi
feita atendendo-se ao criterio de Nyquist-Shannon, que diz que a amostragem deve
ser feita com um freq
uencia maior que o dobro da maxima freq
uencia presente no
espectro do sinal f (t). Caso este criterio nao fosse atendido as faixas laterais dos
espectros replicados seriam sobrepostas, como mostra a figura 3.7
A superposicao das faixas laterais do espectro original causa distorcao do espectro
amostrado. Esta distorcao e resultado do fenomeno de aliasing, que ocorre quando
amostramos um sinal a uma freq
uencia inferior à mnima necessaria determinada
pelo criterio de Nyquist-Shannon. Vimos um exemplo deste fenomeno no Exemplo
3.1, no qual um sinal senoidal de 5Hz foi amostrado a 6Hz e resultou num sinal em
tempo discreto identico às amostras de um sinal de 1Hz.
Podemos ver pela figura 3.7 que, mesmo usando um filtro passa baixas ideal,
o espectro recuperado e diferente do espectro original, pois o fenomeno de aliasing
distorceu o espectro do sinal, corrompendo a informacao e impedindo a recuperacao
da funcao original f (t).
3.4. Reconstrucao de sinais amostrados
51
Figura 3.7: Efeito da sub-amostragem.
3.4
Reconstruc
ao de sinais amostrados
Nesta secao discutiremos de forma breve a reconstrucao pratica de sinais amostrados.

Na secao anterior vimos que, desde que se atendam as condicoes do criterio de
Nyquist-Shannon, e possvel representar univocamente um sinal limitado em faixa
pelas suas amostras tomadas a intervalos uniformes. Mostramos que, de posse de
um filtro ideal, com espectro dado pela (3.7) e possvel reconstruir exatamente o
sinal em tempo contnuo anterior à amostragem. A pergunta que devemos fazer
agora e: como construir este filtro ideal?
Para que seja construdo, tal filtro tem que ser causal, ou seja, sua resposta ao
impulso unitario deve ser nula para t < 0. Calculemos entao a transformada inversa
de Fourier da funcao de transferencia H(j) do filtro ideal da Figura 3.6 para obter
sua resposta ao impulso h(t).
Z
1
h(t) =
H(j)ejt d
2
1
h(t) =
2
h(t) =
Ts e
c
jt
d =
Ts ejc t ejc t
Ts 1 jt c
=
e
2 jt
t
2j
c
Ts
c sen (c t)
c
sen (c t) = 2
= 2 Sa (c t)
t
s
c t
s
(3.8)
Felipe Borges Cunha
52
A equacao (3.8) mostra a que a resposta ao impulso unitario do filtro passabaixas ideal e uma funcao seno cardinal do tempo. Tracando o grafico de h(t) em
funcao do tempo, podemos ver que esta funcao nao e nula para t < 0 e portanto, o
filtro passa-baixas ideal nao e causal. Sistemas nao causais nao podem ser realizados
em tempo real. Logo, na pratica e impossvel implementar um filtro ideal1 .
2 /
h(t)
5
c
4
c
3
c
2
c
Figura 3.8: Resposta ao impulso do filtro passa-baixas ideal.

Na pratica, usam-se filtros analogicos realizaveis, tais como o circuito RC do
exemplo 2.5, porem, com um grau de complexidade maior. O circuito RC e um
filtro de primeira ordem, enquanto que os filtros praticos podem possuir ordens
elevadas. Abordaremos aqui filtros analogicos em maior profundidade no Captulo
4, porem, apenas como caminho para chegar aos filtros digitais. Uma abordagem
mais completa sobre filtros analogicos pode ser encontrada em [1].
Quando usamos filtros de reconstrucao reais, para garantir uma recuperacao
satisfatoria do sinal f (t), a freq
uencia de amostragem do sistema deve ser escolhida
de modo a deixar um intervalo razoavel entre os espectros replicados. Assim, e
possvel compensar as nao idealidades do filtro, afastando o espectro do sinal a ser
recuperado da faixa da transicao do filtro. Veremos no Captulo 4 que a largura
desta faixa de transicao depende das especificacoes do filtro.
1
Em aplicacoes de processamento off-line ou em processamento de imagem, em que a variavel

independente nao e o tempo, a questao da causalidade deixa de ter importancia. Porem, alem
do problema da causalidade, a resposta ao impulso do filtro ideal tem duracao infinita tanto no
sentido positivo como no sentido negativo, o que impede sua implementacao exata. Entretanto, a
maior parte da sua energia esta concentrada na vizinhanca de t = 0. Se considerarmos a funcao
h(t) truncada num intervalo finito t0 < t < t0 e deslocada para a direita em t0 segundos, ela
passa a ser causal e portanto realizavel, porem, deixara de representar um filtro ideal e sera um
filtro real, de modo que a recuperacao do sinal amostrado nao sera mais perfeita.
3.4. Reconstrucao de sinais amostrados
53
No incio deste captulo, o processo de digitalizacao foi separado em partes e

enfatizamos a modelagem matematica do processo de amostragem. Por sua vez, o
processo inverso da amostragem, ou seja, a reconstrucao do sinal original a partir de
suas amostras, faz parte da conversao do domnio digital para o domnio analogico.
Apesar do teorema da amostragem garantir que qualquer sinal limitado em faixa
possa ser representado por suas amostras tomadas numa freq
uencia conveniente,
na pratica e impossvel implementar essa reconstrucao perfeita. As dificuldades nao
residem apenas na impossibilidade de se implementar um filtro ideal. Tambem devemos levar em conta o fato de que nenhum sinal real e limitado em faixa. Um resultado
teorico chamado teorema de Payley-Wiener 2 tem, como um de seus corolarios, que,
se um sinal e limitado no tempo, seu espectro nao pode ser limitado em faixa; e de
forma recproca, se um espectro e limitado em faixa, seu sinal equivalente no domnio
do tempo e eterno, ou seja, existe de a . Este resultado esta relacionado com
a dualidade tempo/freq
uencia que esta presente tambem nas propriedades das transformacoes de Fourier (note a simetria que ha entre as equacoes de sntese e analise).
Maiores detalhes sobre os processo de conversao analogico/digital e digital/analogico
podem ser encontrados em [5, 12, 2] e para uma discussao a respeito da simetria
entre tempo e freq
uencia veja [6].
Tambem conhecido como criterio de Payley-Wiener. Maiores detalhes em [12, 2]
Felipe Borges Cunha
54
Captulo 4
Filtragem digital de sinais
4.1
Introduc
ao ao processamento digital de sinais
Neste captulo abordaremos mais de perto o conceito de filtragem de sinais. Partindo

duma referencia fundamentada em filtros analogicos ideais, apresentaremos as principais funcoes de aproximacao analogicas e algumas formas de converte-las em funcoes
digitais. Enfatizaremos portanto, a famlia dos filtros digitais que sao derivados diretamente dos filtros analogicos. Outros metodos para obtencao direta de filtros
digitais mais genericos podem ser encontrados em [12, 13, 14].
Sistemas de processamento de sinais sao geralmente compostos pelos seguintes
elementos: pre-filtro, conversor A/D, processador, conversor D/A, filtro de reconstrucao.
Figura 4.1: Diagrama de blocos representativo das principais funcoes num sistema
de processamento digital de sinais.
Vimos no captulo anterior que sinais de tempo contnuo, podem ser, pelo menos
em teoria, completamente descritos por suas amostras tomadas a intervalos regulares. Para que isto seja possvel, devem-se atender duas condicoes.
O sinal deve ser limitado em faixa, ou seja, nao deve ter componentes acima
de uma freq
uencia maxima M .
A freq
uencia de amostragem s deve ser pelo menos o dobro de M
55
56
FILTRAGEM DIGITAL DE SINAIS
Vimos tambem que nenhum sinal real, de duracao finita, possui espectro limitado
em faixa. Porem, na pratica, a maioria dos sinais de interesse contem seu conte
udo
energetico proximo de uma faixa limitada. As componentes de freq
uencia fora desta
faixa carregam consigo pouca energia, e conseq
uentemente, pouca informacao. Para
que se possa entao amostrar um sinal em tempo contnuo, deve-se primeiro garantir
que o sinal a ser amostrado seja limitado em faixa. Isto e conseguido submetendo
previamente o sinal original a uma etapa analogica de filtragem. A este pre-filtro
da-se o nome de filtro anti-aliasing, ou ainda filtro anti-recobrimento [1], pois ele
evita que as componentes de alta freq
uencia interfiram nas de baixa freq
uencia apos
a amostragem.
Apos o condicionamento de sinal proporcionado pelo filtro anti-aliasing, ocorre
de fato o processo de amostragem, quantizacao e codificacao mostrados na Figura
3.1. Essa divisao e meramente didatica, posto que, em geral, essas tres etapas podem
ser executadas de forma simultanea no chamado conversor A/D.
Convertido em codigo binario, o sinal pode ser processado por um sistema digital
que, na maioria das vezes, e microprocessado. Muitas vezes, o resultado do processamento permanece no formato digital e este e seu destino final. Em outros casos,
o resultado do processamento precisa ser novamente convertido em sinal analogico
para que possa ser devolvido ao mundo fsico na forma de tensao ou corrente
eletrica, que muitas vezes servira de sinal de entrada para um outro sistema. E
o que ocorre, por exemplo, em sistemas de controle. O controlador digital precisa
enviar sinal de comando para um dispositivo analogico, tal como uma valvula de
controle, um pistao hidraulico ou um conversor de freq
uencia. Esta u
ltima etapa de
processamento consiste na atuacao do conversor D/A juntamente com um filtro de
reconstruc
ao, tambem chamado de filtro anti-imagem, que serve para atenuar as distorcoes provocadas pelas nao-idealidades do processo de reconstrucao implementado
no conversor D/A [6].
Outras aplicacoes, como por exemplo, processamento de audio, capturam o
sinal, processam, e em seguida reconvertem o sinal para o mesmo domnio original.
Funcoes tpicas de processamento de sinais de audio sao, por exemplo, equalizacao
e cancelamento de eco. Essas e outras operacoes sao realizadas digitalmente por
a esta famlia de algoritmos
meio de algoritmos que atuam no sinal digitalizado. E
que pertencem os filtros digitais. Conforme foi dito no Captulo 1, o objetivo deste
curso e apresentar as tecnicas basicas que permitam desenvolver filtros digitais para
o pre-processamento de sinais destinados a servir como dados para identificacao de
parametros de modelos de processos. Portanto, nosso escopo e bastante limitado diante da amplitude do tema processamento digital de sinais. Para o leitor interessado,
as referencias [12, 13, 14] trazem maiores desenvolvimentos neste tema.
4.2. Tipos de filtros
4.1.1
57
Sistemas vistos como filtros
Todo sistema dinamico linear, seja ele em tempo contnuo ou tempo discreto, pode
ser entendido como um filtro de algum tipo, desde que seja assintoticamente estavel.
Na verdade, ao determinarmos a funcao de transferencia de um sistema linear, estamos determinando o seu espectro de resposta em freq
uencia, que nada mais e do que
uma forma de descrever suas propriedades de filtragem. A resposta em freq
uencia
de um sistema linear revela quais freq
uencias sao amplificadas e quais freq
uencias
sao atenuadas pelo sistema. Ate mesmo o sistema de suspensao de um automovel
pode ser entendido como um filtro. O projeto das molas e amortecedores deve, entre
outras coisas, levar em conta a atenuacao das perturbacoes e ondulacoes que afetam
as rodas do veculo, para que as mesmas nao se propaguem para a sua estrutura.
4.2
Tipos de filtros
Os filtro seletores de sinais podem ser agrupados segundo diferentes criterios de classificacao e podem ser de diversos tipos. Inicialmente, separamos os filtros segundo
a implementac
ao. Temos entao:
a) Filtros anal
ogicos passivos, compostos apenas de componentes passivos, como
capacitores, indutores e resistores. Os circuitos RC e RL do Captulo 2 e o sistema
de suspensao convencional dos automoveis sao exemplos de filtros passivos.
b) Filtros anal
ogicos ativos, compostos por componentes ativos, tais como transistores e amplificadores operacionais. Os sistemas de suspensao ativa, que possuem amortecedores atuados hidraulicamente, podem ser interpretados como filtros ativos.
c) Filtros digitais, compostos por algoritmos executados por algum sistema microprocessado programavel, ou ainda por um sistema digital de logica fixa.
Temos tambem classificacoes quanto à seletividade, que determinam o comportamento dos filtros para cada faixa de freq
uencia.
a) Filtro passa-baixa, projetado para permitir a transmissao de componentes de
freq
uencias abaixo de uma determinada freq
uencia de corte e atenuar todas as
componentes de freq
uencia acima desta.
b) Filtro passa-alta, projetado para atenuar componentes de freq
uencia abaixo
da freq
uencia de corte e permitir a transmissao das componentes de freq
uencia
acima desta.
Felipe Borges Cunha
58
c) Filtro passa-faixa, projetado para permitir a transmissao de todas as componentes de freq

uencia situadas entre uma freq
uencia limite inferior e uma freq
uencia
limite superior de uma determinada faixa, e atenuar todas as outras componentes
abaixo ou acima desta faixa.
d) Filtro rejeita-faixa, projetado para atenuar as componentes de freq
uencia situadas entre as duas freq
uencias limites de uma dada faixa e permitir a passagem
das componentes de freq
uencia situadas acima ou abaixo desta faixa.
Quanto à seletividade, existem ainda outros tipos de filtros especiais, tais como
filtros passa-tudo, tambem conhecidos como equalizadores de fase, e filtros notch,
projetados para rejeitar uma u
nica componente de freq
uencia. Nao estudaremos
esses filtros aqui.
4.2.1
Filtros digitais
Alem das classificacoes ja discutidas, os filtros digitais possuem ainda um outro

criterio de classificacao que nao se aplica a filtros analogicos. Sistemas em tempo
discreto podem ter funcoes de resposta ao impulso h[n] de duracao finita ou de
duracao infinita. Separamos entao os filtros digitais em duas famlias:
a) FIR - Finite-duration Impulse Response (resposta ao impulso de duracao finita);
b) IIR - Infinite-duration Impulse Response (resposta ao impulso de duracao infinita).
A diferenca fundamental entre os filtros FIR e os filtros IIR e que, qualquer
filtro FIR pode ser descrito tanto por uma equacao a diferencas recursiva como por
uma equacao a diferencas nao recursiva. Uma equacao recursiva e aquela em que
o valor da sada y no instante n depende de valores atrasados da propria sada y
em instantes atrasados n 1, n 2, etc. bem como do valor da entrada u tambem
em diferentes instantes. Ja uma equacao nao recursiva da o valor de y no instante
n somente como funcao da entrada em diferentes instantes do passado. Neste caso,
y[n] nao depende de nenhum de seus valores anteriores. Ao contrario dos filtros FIR,
os filtros IIR so podem ser descritos por equacoes a diferencas recursivas.
Um exemplo classico e elementar de filtro FIR e a media movel. Neste tipo de
filtro, toma-se a media aritmetica das u
ltimas M amostras do sinal de entrada para
gerar o sinal de sada.
M 1
1 X
u[n k]
(4.1)
y[n] =
M k=0
Note que, nesta representacao, y[n] nao depende de seus valores anteriores. Para o
caso particular de M = 4 teremos
1
(u[n] + u[n 1] + u[n 2] + u[n 3])
4
Calculando a transformada Z desta equacao temos
y[n] =
Y (z) =
1
1 + z 1 + z 2 + z 3 U (z)
4
59
(4.2)
(4.3)
Neste caso, assim como em todo filtro FIR, o valor de Y (z) e dado por um polinomio
na variavel independente z 1 multiplicado pela entrada U (z). Este polinomio e a
funcao de transferencia do filtro.
H(z) =
1 + z 1 + z 2 + z 3
4
(4.4)
Se substituirmos a variavel complexa z por ej , onde = Ts teremos o espectro

de resposta em freq
uencia deste filtro.
1 + ej + ej2 + ej3
H ej =
4
(4.5)
Separando as partes real e imaginaria da funcao H(ej ) temos

1
HR ej = 1 + cos() + cos(2) + cos(3)

4
1
HI ej =
sen() + sen(2) + sen(3)
4
Teremos entao que os espectros de magnitude e fase sao dados por
j q 2
H e = HR (ej ) + HI 2 (ej )
e
j
= tg1
H e
!
HI ej
HR (ej )
(4.6)
(4.7)
(4.8)
(4.9)
A figura 4.2 mostra os graficos de magnitude e fase da funcao de transferencia

do filtro de media movel com M = 4.
Retornemos agora à equacao (4.2) e a expressemos de outra forma, somando e
subtraindo u[n 4].
y[n] =
1
(u[n] + u[n 1] + u[n 2] + u[n 3] + u[n 4] u[n 4])
4
(4.10)
Teremos entao que

y[n] =
1
1
(u[n] u[n 4]) + (u[n 1] + u[n 2] + u[n 3] + u[n 4])
4
4
(4.11)
Felipe Borges Cunha
60
|H(ej)| (dB)
0
10
20
30
__
2
180
Fase (graus)
__
90
0
90
180
__
0
(rad)
__
Figura 4.2: Magnitude em decibeis e fase em graus do filtro de media movel de 4

amostras.
Examinando o segundo termo do membro direito da equacao (4.11), vemos que se
trata de y[n 1]. Portanto,
y[n] = y[n 1] +
1
(u[n] u[n 4])
4
(4.12)
Deste modo, a equacao que define y[n] tornou-se agora recursiva. Esta propriedade
e comum a todos os filtros cuja resposta ao impulso tenha duracao finita, ou seja,
filtros FIR. Note que, apesar de equivalentes, as duas representacoes nao sao iguais.
Para visualizar isto, tome a transformada Z da equacao (4.12) e obtenha a funcao
de transferencia em z da equacao recursiva.
H(z) =
1 z 4
4(1 z 1 )
(4.13)
Note que a funcao de transferencia dada por (4.13) tem ordem 4 enquanto que a
funcao de transferencia dada por (4.4) tem ordem 3. Apesar disso, ambas possuem
a mesma resposta em freq
uencia.
Exerccio 4.1. Obtenha os diagrams de magnitude e fase da funcao de transferencia
dada por (4.13) e compare com a figura 4.2
61
A equacao (4.2) e a equacao (4.12) sugerem, cada uma, uma forma diferente de se
implementar o filtro de media movel. Cada implementacao especfica de uma certa
funcao de transferencia e chamada de realizac
ao. A Figura 4.3 mostra, na forma
de diagramas de blocos as realizacoes nao recursiva e recursiva do mesmo filtro de
media movel utilizando elementos basicos de operacao de soma e atraso unitario.
Tais elementos sao triviais no ambito da eletronica digital. Tais diagramas podem
ser prontamente transformados em circuitos eletronicos digitais com um mnimo de
esforco de projeto.
Figura 4.3: Realizacoes do filtro de media movel de 4 amostras na forma (a) nao
recursiva, e (b) recursiva.
Ao contrario do filtro de media movel e de todos os outros filtros FIR, os filtros
IIR nao podem ser expressos de forma nao recursiva. Existem varias vantagens e
desvantagens, tanto na utilizacao de filtros IIR como de filtros FIR. Neste curso,
concentraremos nossa atencao em tecnicas de sntese de filtros IIR derivadas das
tecnicas de sntese de filtros analogicos. O leitor interessado em maiores desenvolvimentos a respeito das diferencas, vantagens e desvantagens dessas duas famlias de
filtros digitais, bem como em tecnicas para sntese de filtros FIR pode consultar as
referencias [12, 13, 5].
Como u
ltimo comentario desta Secao, vale a pena lembrar que todo filtro analogico
tem resposta ao impulso de duracao infinita. Por isso, nao existe a classificacao FIR
e IIR para filtros analogicos. Do mesmo modo, filtros digitais derivados de filtros
analogicos por qualquer tecnica de discretizacao tambem sera do tipo IIR.
Felipe Borges Cunha
62
4.3
Crit
erios de especificac
ao de filtros
Nesta secao trataremos dos criterios de especificacao de filtros de acordo com os

requisitos de resposta em freq
uencia. Enfatizaremos o caso analogico e passa-baixa,
posto que os metodos de sntese que serao apresentados se baseiam na sntese inicial
de um prototipo analogico passa-baixa. Em seguida, o prototipo e transformado
para o tipo de seletividade desejada e entao e discretizado para obtencao do seu
equivalente digital.
4.3.1
Filtros ideais
Ja demonstramos no Captulo 3 que um filtro ideal passa-baixa nao e realizavel.

Esta mesma conclusao vale para qualquer outro tipo de filtro ideal. Nao obstante,
os filtros ideais sao a referencia para a especificacao de filtros reais. Representamos
a especificacao de um filtro ideal pelo grafico do seu espectro de magnitude para
freq
uencias positivas. Para o caso de filtros analogicos, espera-se que, na faixa de
passagem, seu ganho seja unitario e que, na faixa de rejeicao, o ganho seja nulo.
Teremos portanto os espectros ideais dados pela figura 4.4.
Figura 4.4: Espectros dos filtros ideais (a) passa-baixa; (b)passa-alta; (c) rejeitafaixa; (d) passa-faixa.
No caso de filtros digitais, a especificacao cobre apenas a faixa de freq
uencias
angulares 0 , pois sabemos que o espaco das freq
uencias em tempo discreto
tem topologia circular com perodo 2 e, alem disso, o espectro de magnitude de um
sistema real tem que ser uma funcao par da freq
uencia [4, 5]. Portanto, a faixa de
freq
uencias negativas e simetrica à faixa positiva e as faixas abaixo de e acima
de sao meras repeticoes do mesmo espectro para .
4.3. Criterios de especificacao de filtros
4.3.2
63
Filtros reais
Para que sejamos capazes de projetar filtros realizaveis, precisamos definir tolerancias
nas especificacoes dos filtros ideais. Na pratica, nao se consegue um ganho perfeitamente plano na faixa de passagem. Devemos definir entao, uma variacao maxima
toleravel do ganho nesta faixa. Do mesmo modo, nao e possvel ter ganho nulo
na faixa de rejeicao; por isso definimos o seu ganho maximo toleravel. Tambem a
transicao da faixa de passagem para a faixa de rejeicao nao pode ocorrer de maneira
descontnua. Deve existir uma faixa de transicao em que o ganho decai de forma
suave. Novamente, costuma-se expressar essas especificacoes de forma grafica. A
essa representacao grafica da especificacao do filtro da-se o nome de gabarito.
A figura 4.5 exemplifica o caso de um filtro passa-baixa analogico, que servira
como prototipo para todos os outros filtros. Chamamos de a tolerancia de variacao
de ganho na banda de passagem e de a tolerancia de ganho na banda de rejeicao.
A freq
uencia maxima da banda de passagem e determinada pelo parametro p e a
freq
uencia mnima da banda de rejeicao e designada por r 1 .
Figura 4.5: Especificacoes de um filtro passa-baixa real.
Coment
arios sobre m
etodos de especificac
ao de filtros
Para geramos a especificacao de resposta em freq
uencia de um filtro, necessitamos
de algum conhecimento a priori da composicao em freq
uencias do sinal a ser filtrado. Por exemplo, em telecomunicacoes, e freq
uente a necessidade de se separar
as componentes de freq
uencia dos sinais de voz de outras interferencias ac
usticas
ou eletricas. Portanto, e preciso conhecer a faixa de freq
uencias presente na voz
humana para poder especificar a freq
uencia de corte do filtro destinado a eliminar
rudo das transmissoes de voz.
1
Na literatura especializada, costuma-se designar a freq

uencia mnima da banda de rejeicao por
s , onde o s vem de stop-band. Usaremos aqui r para nao confundir com o s que usamos para
denotar a freq
uencia angular de amostragem.
Felipe Borges Cunha
64
Quando se trata de aplicacoes em controle de processo, se o que nos interessa e

obter sinais de entrada e sada dos processos com o objetivo de alimentar algoritmos
de identificacao, e preciso conhecer de antemao, ainda que por uma aproximacao
grosseira, as freq
uencias caractersticas da dinamica do processo. Dito de outra
forma, e necessario ter uma ideia inicial da ordem de grandeza dos polos da funcao
de transferencia, ou ainda, das constantes de tempo caractersticas do processo. O
primeiro passo para obter tal informacao e tracar os graficos das entradas e sadas
do processo, e tentar visualizar de forma emprica formas de onda regulares, ou comportamentos dinamicos padronizados, tais como oscilacoes periodicas, decaimentos
exponenciais, oscilacoes sub-amortecidas, etc. Estes comportamentos ja nos permitem prever algumas estimativas sobre a ordem do modelo e as faixas de valores
que seus parametros podem assumir.
O conhecimento desses parametros e importante porque, ao projetarmos filtros
para pre-tratamento do sinais provenientes do processo com vistas a identificacao de
parametros, queremos que toda a dinamica gerada pelo processo seja transmitida.
Por outro lado, queremos que rudos esp
urios, gerados por interferencias externas
ao processo, ou efeitos parasitas, sejam rejeitados para que nao interfiram na identificacao. Portanto, algum conhecimento previo sobre a composicao em freq
uencias
do sinal a ser filtrado e sempre necessario.
Considere por exemplo o sinal f [n] da Figura 4.6.
5
0
5
0
100
200
300
400
500
600
Tempo discreto
700
800
900
1000
Figura 4.6: Sinal amostrado à taxa de uma amostra por segundo e contaminado
com rudo.
A princpio, e difcil distinguir se ha no sinal alguma variacao oriunda de dinamica
de processo, ou se toda a variacao observada e devida a rudo. Porem, qualquer
um que tenha suficiente familiaridade com o processo, pode perceber uma certa
regularidade nas variacoes observadas. Para os olhos bem treinados de um operador
ou um engenheiro de processo, oscilacoes na dinamica do processo podem estar
escondidas por tras de rudo aleatorio. Muitas vezes isso e suficiente para determinar
que freq
uencias sao devidas ao processo e quais sao as faixas de rudo a serem
filtradas. Porem, este nao e o caso geral. Nem sempre dispomos de familiaridade com
o processo a ponto de detectarmos visualmente seu comportamento dinamico. Para
65
podermos fazer uma especificacao do filtro com mais embasamento, e conveniente

analisar o espectro do sinal para ver mais claramente quais sao as componentes de
freq
uencia presentes nele.
De posse do conjunto de dados amostrados coletados do processo, poderamos,
em princpio, efetuar a transformada de Fourier de tempo discreto dada por (2.36).
Porem, o espectro de Fourier de sinais nao periodicos em tempo discreto e uma
funcao contnua da freq
uencia . Se queremos efetuar este calculo computacionalmente, devemos utilizar a serie de Fourier em tempo discreto dada por (2.17), ja que
a mesma e uma funcao discreta da freq
uencia , o que permite que todos os calculos
2
sejam efetuados computacionalmente . Temos entao que o espectro de magnitude
do sinal da Figura 4.6 e dado graficamente pela Figura 4.7.
0.8
0.6
0.4
0.2
/2
(rad)
/2
Figura 4.7: Espectro de magnitude das componentes de freq

uencia do sinal f [n] da
Figura 4.6.
Observe que o espectro de f [n] so foi representado para freq
uencias ,
em decorrencia do fato de que sinais em tempo discreto tem espectros periodicos.
Alem disso, o grafico de magnitude de F (ej ) e caracterizado por um conjunto de
picos, semelhantes a impulsos, em determinadas freq
uencias. Tais picos sao indicativos de que o sinal tem um alto teor de componentes periodicas, cujas freq
uencias
sao os pontos no grafico onde os mesmos ocorrem. Tais componentes periodicas, que
no domnio do tempo eram apenas uma suspeita, agora se confirmam.
Note que ha um pico em freq
uencia negativa correspondente a cada pico de
freq
uencia positiva. E esta simetria em torno do eixo = 0 que anula as partes
imaginarias das funcoes do tipo ejn .
Percebemos claramente, no espectro do sinal, dois picos mais intensos proximos
da origem. Suponhamos que, neste exemplo, as variacoes mais lentas do sinal sao
2
Para maiores detalhes sobre implementacoes computacionais das transformacoes de Fourier

ver [5, 6, 12]
Felipe Borges Cunha
66
devidas à dinamica do processo e que as variacoes de freq

uencias maiores sao resultado de interferencias indesejadas. Este par de picos no espectro proximos de
= 0 formam, portanto, a componente de baixa freq
uencia do sinal que desejamos
detectar.
Pode-se perceber claramente uma zona repleta de picos de intensidade media
numa faixa de freq
uencias ligeiramente acima do pico principal. Esta faixa com
picos medios muito proximos uns dos outros e caracterstica de rudo colorido, ou
seja, nao totalmente aleatorio. Alguns picos maiores podem ser vistos sobrepostos
a essa faixa ruidosa, conforme indicado na Figura 4.8.
0.8
Componentes caractersticas
de interferncias peridicas
de outras fontes esprias
Componentes devidas a uma

oscilao de baixa freqncia
0.6
0.4
Componentes
caractersticas
de rudo colorido
0.2
/2
(rad)
/2
Figura 4.8: Analise das diferentes contribuicoes em freq

uencia e suas provaveis fontes
originadoras.
Neste exemplo, uma possvel interpretacao do espectro e a de que pode haver
tres tipos de fonte de sinal. Em geral, quando as freq
uencias mais baixas coincidem
com as intensidades mais altas, e um indicativo de que essas componentes sao de
fato efeitos reais de dinamica do processo, podendo ter suas causas associadas a uma
fraca estabilidade relativa do processo, ou problemas de ressonancia nas malhas de
controle, ou ainda defeitos em valvulas de controle ou outros dispositivos presentes
na malha.
Ja a faixa ruidosa de menor intensidade, e um rudo nao representativo das
dinamicas do processo. Pode ser causado por turbulencia de fluido nas vizinhancas
de tomadas de instrumentos, interferencias de natureza aleatoria, etc. Por u
ltimo,
os picos isolados em freq
uencias altas podem ser interferencias de outros sistemas,
tais como rudo eletromagnetico gerado por equipamentos eletricos, vibracoes em
maquinas rotativas presentes no processo.
Desejamos entao eliminar todo efeito que nao seja oriundo da dinamica propria
do processo. A analise do espectro nos permitiu concluir que a u
nica componente
de freq
uencia que traduz essa dinamica e aquela de mais baixa freq
uencia e maior
amplitude. Portanto, esta devera estar na faixa de passagem do filtro. Todas as
67
componentes com freq

uencia acima desta deverao ser eliminadas. Escolheremos
entao, para sntese do filtro, as seguintes especificacoes:
Freq
uencia maxima da faixa de passagem: p = 0, 27 rad.
Ganho mnimo da faixa de passagem: |H(ejp )| = 0, 9
Freq
uencia mnima da faixa de rejeicao: r = 0, 55 rad.
Ganho maximo da faixa de rejeicao: |H(ejr )| = 0, 1
Lembremos que estas especificacoes foram determinadas a partir da analise do
espectro do sinal a ser filtrado. Sao portanto, especificacoes para um filtro em
possvel desenvolver metodos de sntese diretamente a partir
tempo discreto. E
dessas especificacoes. Porem, adotaremos aqui o metodo mais generico que faz uso
do prototipo analogico passa-baixa normalizado em freq
uencia. Devemos entao,
converter esta especificacao de forma adequada.
As especificacoes de ganho, nao mudam com as transformacoes de freq
uencia.
Devemos entao nos voltar para as especificacoes de freq
uencia. Inicialmente, passamos do tempo discreto para o tempo contnuo. Sabemos que em tempo discreto,
a freq
uencia e medida em radianos. Para obtermos a freq
uencia equivalente em
tempo contnuo, basta dividir pelo perodo de amostragem Ts . Considerando
que neste caso foi usado um perodo de amostragem de 1, 0s, numericamente as
freq
uencias nao se alteram, porem, a unidade muda. Ficamos entao com as seguintes
especificacoes:
Freq
uencia maxima da faixa de passagem: p = 0, 27 rad/s.
Ganho mnimo da faixa de passagem: |H(jp )| = 0, 9
Freq
uencia mnima da faixa de rejeicao: r = 0, 55 rad/s.
Ganho maximo da faixa de rejeicao: |H(jr )| = 0, 1
Agora, temos a especificacao de um filtro analogico. Para procedermos à sntese,
precisamos ainda normalizar a freq
uencia em relacao a uma freq
uencia de referencia.
Esta normalizacao faz parte da famlia de funcoes de transformacao em freq
uencia
que discutiremos a seguir.
Felipe Borges Cunha
68
4.3.3
Transformaco
es de freq
u
encia
Conforme ja foi dito, usaremos um prototipo passa-baixa analogico para realizar a

sntese de todos os tipos de filtro. Atraves de transformacoes de freq
uencia na funcao
de transferencia do filtro prototipo geraremos a funcao de transferencia desejada para
qualquer tipo de filtro.
A sntese e realizada no prototipo passa-baixa normalizado. Precisamos entao
converter os requisitos de resposta em freq
uencia do filtro desejado para especificacoes do prototipo. As funcoes de transformacao em freq
uencia ja executam esta
conversao naturalmente, pois sao definidas de forma normalizada em funcao das
especificacoes da resposta em freq
uencia desejada.
As funcoes de transferencia dos filtros analogicos sao dadas no domnio da freq
uencia
complexa s da transformada de Laplace. Portanto, as transformacoes em freq
uencia
sao equacoes que relacionam o domnio da freq
uencia original s com um domnio
transformado s, no qual sera desenvolvido o filtro prototipo.
Filtro passa-baixa
Se desejamos sintetizar um filtro passa-baixa, e conveniente fazer a normalizacao da
freq
uencia tomando como referencia a maxima freq
uencia da banda de passagem.
Chamaremos s de freq
uencia normalizada. Teremos entao:
s =
s
p
(4.14)
Deste modo, a freq

uencia limite da banda de passagem do filtro normalizado sera
s = 1. Ao sintetizar o filtro passa-baixa normalizado, que chamamos de prototipo,
sua funcao de transferencia sera dada em funcao da freq
uencia normalizada s. Para
convertermos a funcao de transferencia para a freq
uencia real, basta entao substituir
s) e entao obter a funcao denormalizada H(s).
(4.14) na funcao H(
H(
s) = H
s
p
= H(s)
(4.15)
Filtro passa-alta
Se desejamos projetar um filtro passa-alta, devemos encontrar uma transformacao
que converta o prototipo passa-baixa normalizado num passa-alta com as mesmas
especificacoes. Tal transformacao e dada por
s =
p
s
(4.16)
69
Filtro passa-faixa
Para transformar o prototipo passa-baixa normalizado num passa-faixa com banda
de passagem 1 < < 2 usamos a seguinte transformacao
s =
s2 + 0 2
Bs
(4.17)
onde B representa a largura da banda de passagem dada por

B = 2 1
(4.18)
e 0 representa a media geometrica entre as freq

uencias limite superior e inferior da
banda de passagem.
0 = 1 2
(4.19)
importante ressaltar que esta transformacao impoe uma simetria geometrica ao
E
espaco das freq
uencias, de modo que as freq
uencias limites da banda de rejeicao
tambem devem atender à condicao dada por
0 = 3 4
(4.20)
dessa forma, a freq
uencia central da banda de passagem coincide com a freq
uencia
central da banda de rejeicao do ponto de vista da media geometrica. A freq
uencia
limite da banda de passagem do prototipo passa-baixas normalizado sera unitaria,
ou seja, p = 1 e a freq
uencia limite da banda de rejeicao sera dada por
r =
4 3
2 1
(4.21)
Filtro rejeita-faixa
Para obter um filtro rejeita-faixa com banda de rejeicao de largura B = 2 1 a
partir de um prototipo passa-baixa normalizado usa-se a transformacao
s =
Bs
+ 0 2
s2
que segue tambem a simetria geometrica dada por
0 = 1 2 = 3 4
(4.22)
(4.23)
Neste caso, a freq

uencia mnima da banda de rejeicao do prototipo passa-baixa
normalizado e
2 1
r =
(4.24)
4 3
Felipe Borges Cunha
70
As transformacoes dadas por (4.14), (4.16), (4.17) e (4.22) so alteram a escala

da freq
uencia. As especificacoes de ganho do filtro nao sao alteradas.
Para o exemplo da secao anterior, desejamos sintetizar um filtro passa baixas.
Portanto, devemos normalizar as especificacoes de freq
uencia usando a relacao (4.14).
Neste caso teremos
s
s=
(4.25)
0, 27
de modo que
Freq
uencia maxima da faixa de passagem: p = 1
Ganho mnimo da faixa de passagem: |H(j p )| = 0, 9
Freq
uencia mnima da faixa de rejeicao: r = 2, 037
Ganho maximo da faixa de rejeicao: |H(j r )| = 0, 1
4.4
Funco
es de aproximac
ao para
prot
otipos anal
ogicos de filtros
De posse da especificacao do filtro prototipo, o proximo passo e sintetizar a sua

funcao de transferencia. Qualquer funcao de transferencia cuja resposta em freq
uencia
se encaixe no gabarito de especificacao, servira como modelo para o filtro. Chamamos
tais funcoes de funcoes de aproximacao de filtros, pois as mesmas se propoem a aproximar o comportamento dos filtros ideais. A figura (4.9) ilustra diferentes funcoes
de aproximacao para um dado gabarito de especificacao do filtro prototipo.
Magnitude
1
0.8
0.6
0.4
0.2
0
0.5
1
1.5
2
Frequencia angular (rad/s)
2.5
Figura 4.9: Gabarito de especificacao de um filtro passa baixa normalizado atendido

por diferentes funcoes de resposta em freq
uencia.
4.4. Funcoes de aproximacao para prototipos analogicos de filtros
4.4.1
71
Butterworth
A primeira funcao de aproximacao estudada aqui e a funcao de Butterworth. Sua

principal caracterstica e que a magnitude da resposta em freq
uencia da funcao de
Butterworth e monotonica em toda a faixa de freq
uencias. Alem disso, ela tem um
comportamento maximamente plano na freq
uencia = 0. Isso significa que ela
atende o seguinte requisito
dk
(4.26)
= 0 para 1 k 2n 1
|H
(j)|
d k
=0
onde n e a ordem da funcao. A expressao geral que define a funcao de Butterworth
e
1
|H(j)|2 =
(4.27)
2n
1 + c
Os dois parametros fundamentais deste filtro sao a ordem n e a chamada freq
uencia
de corte c . Note que, quando = c temos um ganho |H(j)| = 1/ 2, que
corresponde a 3dB, independentemente da ordem n do filtro. A determinacao
da ordem do filtro e feita a partir das suas especificacoes e esta relacionada com o
que chamamos de seletividade. Para se determinar a ordem mnima necessaria que
atende as especificacoes, usa-se o seguinte criterio:
(1 2 )(1)2
log 2 (22 )

n
(4.28)
2 log pr
Escolhe-se n como o menor n
umero inteiro que satisfaz (4.28). Se as especificacoes
de ganho do filtro forem dadas em funcao das atenuacoes em dB, usa-se
A
min
10 10 1
log
Amax
10 10 1

n
(4.29)
2 log pr
onde Amax corresponde à maxima atenuacao em dB permitida na faixa de passagem
e Amin corresponde à mnima atenuacao em dB exigida na faixa de rejeicao3 .
Considerando o nosso exemplo e usando o criterio (4.28) para o filtro passa baixas
normalizado, temos:
(10,12 )(10,1)2
log 0,12 (20,10,12 )
= 4, 2483
(4.30)
n
2 log 2,037
1
3
A funcao atenuacao e definida como A() = 20 log(|H(j)|), que e o inverso do ganho.
Felipe Borges Cunha
72
Como n deve ser um n

umero inteiro, consideramos n = 5.
A freq
uencia de corte c e calculada a partir da especificacao do filtro segundo
as seguintes relacoes:
2 2
n1
c r
2
1 2
2n1
(4.31)
onde p , , r e sao os parametros de especificacao do filtro conforme definidos na

figura 4.5 e n e a ordem do filtro. Para o calculo de c pode-se usar tanto o conjunto
de parametros originais como o conjunto de parametros normalizado, resultando
assim numa freq
uencia c nao normalizada ou normalizada, respectivamente. No
caso do nosso exemplo teremos:
1 0, 1
p
2 0, 1 0, 12
! 15
c 2, 037
0, 12
1 0, 12
101
(4.32)
1, 1560 c 1, 2866
Podemos escolher qualquer valor de c dentro da faixa calculada. Escolheremos
entao c = 1, 2
Exerccio 4.2. Deduza os criterios (4.28) e (4.29) a partir de (4.27).
Ferramentas computacionais
A sntese de filtros e significativamente simplificada pelo uso de pacotes de ferramentas computacionais voltadas tanto para calculo numerico como calculo simbolico.
A mais popular na area da engenharia de controle e processamento de sinais e o
MATLABr 4 . O toolbox de processamento de sinais do MATLABr ja traz uma
funcao chamada buttord que calcula a ordem e a freq
uencia de corte necessarias
para um filtro Butterworth em funcao das suas especificacoes.
Exerccio 4.3. Use o comando buttord do MATLABr para calcular a ordem e a
freq
uencia de corte do filtro considerado no exemplo.
De posse da ordem necessaria e da freq
uencia de corte, pode-se determinar todos
os coeficientes da funcao de transferencia do filtro. Se os parametros de especificacao
usados para sntese tiverem sido normalizados, a funcao de transferencia na variavel
4
MATLABr e marca registrada da Math Works Inc.
73
normalizada s para o filtro de Butterworth pode ser obtida a partir da seguinte

relacao
|H(j)|2 = H(j) H(j) = H(

s) H(
s)s=j
(4.33)
pois o quadrado do modulo de uma funcao complexa e o produto dela pelo seu
conjugado. Temos entao que
H(j) H(j) =
1+
1
2n =
2
c 2
1+
1
H(j) H(j) =
1 + (1)
(j)2
n =
1+
1+
(4.34)
2n
(4.35)
(j)(j)
c 2
n =
c 2
(1)n
j
c
Substituindo agora j por s temos

1
H(
s) H(
s) =
1+
(1)n
2n
(4.36)
s
c
Os polos de H(
s) H(
s) serao as razes de
1 + (1)
s
c
2n
=0
(4.37)
Renormalizando a variavel s pelo fator c temos s = s/c .

1 + (1)n (
s)2n = 0
(4.38)
2k+n1
s = ej 2n
(4.39)
As razes de (4.38) sao
para todo k Z. Note que a expressao (4.39) fornece apenas 2n polos distintos
uniformemente distribudos sobre o crculo de raio unitario no plano s, conforme
mostra a Figura 4.10.
Como a funcao H(
s) tem que ser estavel, dos 2n polos dados por (4.39) somente aqueles n polos com parte real negativa sao devidos a H(
s). Os outros n
polos correspondem ao complexo conjugado H(
s). Escolhendo entao apenas os n
polos estaveis, H(
s) sera entao, a funcao de transferencia do filtro no domnio da
transformada de Laplace, com freq
uencia normalizada por c .
Felipe Borges Cunha
74
Figura 4.10: Localizacao dos polos de H(

s)H(
s) para n = 3.
Para o nosso exemplo teremos os seguintes polos de H(
s)H(
s):
s1 = 0, 3090 j 0, 9511
s2 = 0, 8090 j 0, 5878
s3 = 1, 0000 j 0, 0000
s4 = 0, 8090 + j 0, 5878
s5 = 0, 3090 + j 0, 9511
s6 = 0, 3090 + j 0, 9511
s7 = 0, 8090 + j 0, 5878
s8 = 1, 0000 + j 0, 0000
s9 = 0, 8090 j 0, 5878
s10 = 0, 3090 j 0, 9511
Tomando apenas os polos estaveis, podemos construir a funcao de transferencia
renormalizada por c simplesmente compondo o denominador com o produto dos
fatores associados a cada um dos polos e o numerador como o produto de todos os
polos (para manter o ganho estatico unitario). Como ainda estamos no domnio da
freq
uencia renormalizada s, isso significa que H(
s) tem freq
uencia de corte igual a 1,0
rad/s. Para obter a funcao denormalizada, basta substituir s por s c na expressao
de H(
s). A nova expressao obtida, H(
s) corresponde à funcao de transferencia do
filtro que atende as especificacoes do prototipo passa-baixa normalizado. Podemos
tambem compor a funcao diretamente a partir dos polos ja denormalizados. Teremos
entao os seguintes valores para os polos de H(s):
s1
s2
s3
s4
s5
= 1.2000 j
= 0.3708 + j
= 0.3708 j
= 0.9708 + j
= 0.9708 j
0.0000
1.1413
1.1413
0.7053
0.7053
75
A funcao de transferencia assim obtida fica

H(s) =
1
(s + 1, 2) (s + 0, 7416 s + 1, 4401) (s2 + 1, 9416 s + 1, 4399)
2
(4.40)
Para obter a funcao de transferencia real H(s) a ser implementada devemos efetuar as transformacoes de freq
uencia estudadas na Secao 4.3.3. Neste caso especfico,
isto equivale apenas a fazer mais uma denormalizacao simplesmente substituindo s
por sp , o que da:
H(s) =
s5
+ 1, 0484
s4
+ 0, 5495
s3
0, 0036
+ 0, 1780 s2 + 0, 0356 s + 0, 0036
(4.41)
O toolbox de processamento de sinais do MATLABr ja traz uma funcao chamada
butter para sntese de filtros do tipo Butterworth tanto analogicos como digitais.
Os dados de entrada sao a ordem do filtro e a freq
uencia de corte c , que pode ser
normalizada ou nao.
Exerccio 4.4. Digite help butter na janela de comando do MATLABr para
verificar a sintaxe de uso do comando butter e use-o para sintetizar a funcao de
transferencia do filtro analogico que atende as seguintes especificacoes:
Freq
uencia maxima da faixa de passagem: p = 100 rad/s;
Ganho mnimo da faixa de passagem: |H(jp )| = 0, 95;
Freq
uencia mnima da faixa de rejeicao: r = 500 rad/s;
Ganho maximo da faixa de rejeicao: |H(jr )| = 0, 01.
Trace o diagrama de magnitude da funcao de transferencia encontrada e verifique
se ela atende as especificacoes dadas.
4.4.2
Chebyshev
A funcao de Chebyshev, tambem chamada de Chebyshev tipo I, se caracteriza por

ter uma resposta em freq
uencia equiripple na faixa de passagem e monotonica nas
faixas de transicao e de rejeicao. Chamamos de equiripple uma funcao que possui
ondulacoes (ripple) de amplitude constante. Alem disso, a funcao de Chebyshev
consegue faixas de transicao de largura menor do que uma funcao de Butterworth
com a mesma ordem.
Felipe Borges Cunha
76

A definicao da funcao de Chebyshev e
|H(j)|2 =
1
1 + 2 Cn 2
(4.42)
onde Cn (
) e um polinomio de Chebyshev de grau n na variavel normalizada
=
/p , definido por
)) para |
| 1
cos (n cos1 (
(4.43)
Cn (
) =
cosh n cosh1 (
) para |
| 1
O fator na funcao de transferencia de Chebyshev e chamado fator de ripple,
ou fator de ondulac
ao e esta relacionado com a amplitude permitida de ondulacao
do ganho na banda de passagem, dada pelo criterio de especificacao . Note que,
neste caso, a relacao do da equacao (4.42) e do da figura 4.5 e
r
1
2 2
(4.44)
=1
=
1 + 2
1
A equacao (4.43) e de difcil tratamento analtico. Felizmente, e possvel obter
uma forma recursiva para o calculo do polinomio de Chebyshev de ordem n. Calculemos inicialmente, os polinomios de grau n = 0 e grau n = 1. A (4.43) da
C0 (
) = 1
C1 (
) =
(4.45)
A partir de C0 (
) e C1 (
) podemos entao calcular de forma recursiva qualquer
polinomio de Chebyshev usando a relacao de recorrencia
Ck+1 (
) = 2
Ck (
) Ck1 (
)
(4.46)
O polinomio de Chebyshev sempre sera uma funcao par se o grau n for par ou
uma funcao mpar se o grau n for mpar. Seus coeficientes sao sempre n
umeros
n1
inteiros e o coeficiente do termo de maior grau sempre sera 2
(a u
nica excecao e
o polinomio de grau zero). O valor de Cn (1) e sempre unitario, independentemente
do grau n.
Assim como no caso do filtro de Butterworth, o primeiro passo na sntese do
filtro de Chebyshev e determinar a ordem n mnima necessaria para atender as
especificacoes do gabarito. Temos entao que
1 2
1
cosh

(4.47)
n
r
1
cosh
p
77
em que e definido conforme o gabarito da figura 4.5. Para manter a uniformidade

de notacao, podemos tambem expressar (4.47) em funcao do parametro do gabarito
!
r
2
2
(1
)
1
cosh1
2 2

n
(4.48)
r
1
cosh
p
Se as especificacoes de de ganho forem dadas em termos das atenuacoes em dB,
teremos
q
Amin
10
10
cosh1 p Amax
10
10
1

n
(4.49)
r
1
cosh
p
onde Amin e a atenuacao mnima requerida na faixa de rejeicao e Amax e a maxima
atenuacao permitida na faixa de passagem.
O proximo passo consiste em obter a expressao da funcao de transferencia do
filtro de Chebyshev no domnio da freq
uencia complexa normalizada s. Seja entao
|H(j
)|2 = H(j
) H(j
) = H(
s) H(
s)s=j
(4.50)
logo
H(
s) H(
s)s=j =
(4.51)
2 Cn 2 (
)
1+
onde
= /p . Os 2n polos de (4.51) sao as razes de
1 + 2 Cn 2 (
) = 0
(4.52)
e estao situados sobre uma elipse centralizada na origem do plano s, distribudos

simetricamente. Apenas os n polos com parte real negativa sao devidos a H(
s).
Os outros, como parte real positiva, sao devidos a H(
s). Felizmente, existe uma
expressao analtica para a determinacao dos polos de H(
s). Se expressarmos cada
polo pela sua parte real e imaginaria como
sk =
k + j
k
(4.53)
teremos a solucao dada por

(2k 1)
1
1
1
k = sen
senh
senh
2n
n
k = cos
(2k 1)
2n

1
1
1
cosh
senh
n
(4.54)
Felipe Borges Cunha
78
com 1 k n. A expressao de H(
s) sera dada entao por
H(
s) =
K
(
s s1 ) . . . (
s sn )
(4.55)
onde
o fator K deve ser escolhido de modo a que H(0) = 1 para n mpar e H(0) =
1/ 1 + 2 para n par.
A sntese de filtros Chebyshev tambem e facilitada pelo MATLABr atraves da
funcao cheby1. Os dados de entrada da funcao sao a ordem do filtro, a maxima
ondulacao na banda de passagem, dada em dB, e a freq
uencia limite da banda
de passagem p . Se for usado p = 1, tem-se a sntese do filtro normalizado na
freq
uencia.
Exerccio 4.5. Usando a funcao cheby1 do MATLABr , sintetize um filtro Chebyshev que atenda as seguintes especificacoes:
Freq
Freq
Trace o grafico de magnitude da funcao de transferencia do filtro e verifique se o
mesmo atende as especificacoes.
4.4.3
Chebyshev inverso
O filtro inverso de Chebyshev, tambem chamado de Chebyshev tipo II, tem um

espectro de magnitude monotonico na faixa de passagem e de transicao. Em compensacao, seu espectro e equiripple na faixa de rejeicao. Neste sentido, ele se comporta de forma inversa ao Chebyshev, da seu nome. Seu ganho de potencia e dado
pela expressao geral

2 Cn 2 r
2

(4.56)
|H(j)| =
1 + 2 Cn 2 r
onde Cn e o mesmo polinomio de Chebyshev definido em (4.43) e (4.46), com a
diferenca que agora o mesmo e calculado para um espaco de freq
uencias dado pelo
mapeamento invertido
r
1
=
(4.57)
79
O fator de ripple na faixa de rejeicao e dado pelo parametro da funcao (4.56) e

esta relacionado com o maximo ganho da faixa de rejeicao pela relacao
=p
1 + 2
1 2
(4.58)
A ordem do filtro Chebyshev inverso que atende a um conjunto de especificacoes e

a mesma do filtro Chebyshev tipo I. Agora, com o parametro definido em (4.58)
podemos escrever

1
1
cosh

n
(4.59)
r
1
cosh
p
onde os fatores de ripple e sao dados em funcao das especificacoes de resposta
em freq
uencia e pelas relacoes (4.44) e (4.58).
Ao contrario das outras funcoes estudadas, a funcao de Chebyshev inversa possui
zeros finitos, imaginarios puros. Seus valores normalizados por r sao dados por
1

(2k 1)
(4.60)
zk = j cos
2n
No caso dos polos, expressamos os mesmos por
pk = (
k + j
k )1
onde
(2k 1)
k = sen
2n
k = cos
(2k 1)
2n
(4.61)

1
1
1
senh
senh
n

1
1
1
cosh
senh
n
(4.62)
para 1 k n. De posse de zk e pk pode-se montar a funcao de transferencia em

s, que fica
(
s z1 ) . . . (
s zn )
(4.63)
H(
s) =
(
s p1 ) . . . (
s pn )
Para obter a funcao de transferencia no domnio s basta agora denormalizar substituindo s por s/r .
A sntese de filtros Chebyshev inverso, assim como as outras tambem e possvel ser
realizada computacionalmente. No MATLABr existe a funcao cheby2 que sintetiza
Felipe Borges Cunha
80
filtros Chebyshev inversos, ou tipo II. Os dados de entrada da funcao sao a ordem do
filtro, a maxima ondulacao na banda de rejeicao, dada em dB, e a freq
uencia limite
da banda de rejeicao r . Se for usado r = 1, tem-se a sntese do filtro normalizado
na freq
uencia.
Exerccio 4.6. Usando a funcao cheby2 do MATLABr , sintetize um filtro Chebyshev que atenda as mesmas especificacoes do Exerccio 4.5, ou seja:
Freq
Freq
Trace o grafico de magnitude da funcao de transferencia do filtro. Verifique se o
mesmo atende as especificacoes e compare o resultado com o resultado obtido no
Exerccio 4.5.
4.4.4
Outras func
oes de aproxima
c
ao
Alem dos filtros Butterworth, Chebyshev e Chebyshev inverso, existem outros tais
como filtro elptico, ou de Cauer, filtro de Bessel, filtro Chebyshev modificado, filtro
Cauer modificado, e outros. Nao abordaremos todos estes filtros, porem todos eles
seguem as mesmas ideias basicas estudadas aqui. Os exemplos apresentados neste
curso sao os mais usados e mais conhecidos e cobrem as aplicacoes nas quais estamos
interessados. Outras aproximacoes podem ser tambem obtidas pelo MATLABr com
o uso de funcoes predefinidas para sntese de filtros, como por exemplo, besself e
ellip.
Nao faz parte do escopo deste curso analisar todas as vantagens e desvantagens dos diferentes tipos de filtros em relacao a cada tipo de aplicacao. Mas convem
salientar que, no exposto nas secoes anteriores, so nos preocupamos com os espectros
de magnitude dos filtros analisados. Porem, cada funcao de aproximacao de filtros
possui suas proprias caractersticas de espectro de fase e isso pode ser de fundamental importancia em algumas aplicacoes. Em controle de processos, por exemplo,
quando se utiliza um filtro em algum ponto do caminho do sinal realimentado, a
defasagem que ele gera pode ser tal que, em certas freq
uencias, provoque a inversao
da polaridade do sinal, adicionando um atraso de 180 graus. Isso pode transformar a
realimentacao negativa em realimentacao positiva e ocasionar instabilidade do processo. Se existe algum filtro no caminho da realimentacao, isso deve ser considerado
no momento do projeto do sistema de controle e sintonia do controlador.
Exerccio 4.7. Trace os espectros de fase dos filtros obtidos nos Exerccios 4.4, 4.5
e 4.6.
4.5. Equivalentes discretos de filtros analogicos
4.5
81
Equivalentes discretos de filtros anal

ogicos
De posse da funcao de transferencia do prototipo analogico passa-baixa normalizado,

precisamos agora converte-lo em um filtro digital. O primeiro passo e transformar
o prototipo passa-baixa em um filtro na faixa de especificacao original, usando uma
das relacoes (4.14), (4.16), (4.17) ou (4.22). Temos entao o filtro analogico, denormalizado, na faixa de freq
uencias real. Resta apenas converte-lo em um filtro digital.
Para tanto, existem algumas funcoes de mapeamento do plano complexo s para o
plano complexo z que representam aproximacoes do processo de discretizacao da
derivada, conforme discutido na Secao 1.3.3 [11, 8]. As principais funcoes de mapeamento de s para z sao as seguintes:
Transforma
c
ao bilinear
2
s=
Ts
z1
z+1
(4.64)
onde Ts e o perodo de amostragem considerado na discretizacao. Devemos lembrar

que Ts deve atender o criterio de Nyquist-Shannon. Conhecida tambem como metodo
de Tustin, esta e a transformacao mais usada na pratica para converter funcoes de
transferencia analogicas em funcoes digitais.
Transforma
c
ao em avan
co
s=
z1
Ts
(4.65)
Esta transformacao se caracteriza apenas por uma translacao e reescalonamento do

plano complexo. Por isso, nao garante que polos estaveis sejam sempre mapeados
para o plano z no interior do crculo de raio unitario.
Transforma
c
ao em atraso
s=
z1
Ts z
(4.66)
Esta transformacao se caracteriza apenas por mapear todo o semiplano esquerdo do

plano s num crculo de raio 1/2 localizado no plano z entre z = 0 e z = 1. Deste
modo garante a estabilidade, no plano z, dos polos estaveis no plano s mapeados
pela transformacao.
Transforma
c
ao exata (ou transcendente)
s=
ln(z)
Ts
(4.67)
Felipe Borges Cunha
82
Esta transformacao e exata e vem da propria definicao da transformada Z, que

estabelece que z = esTs . Porem, e muito pouco utilizada porque a funcao H(z)
resultante e transcendente, dificultando a analise.
De todas essas transformacoes, a (4.67) e a u
nica que corresponde a uma conversao exata do domnio contnuo para o domnio discreto. Porem, e de difcil
tratamento matematico e implica em dificuldades que tornam o trabalho inviavel.
Se for realmente necessario que se faca uma conversao exata da funcao de transferencia em s para a funcao de transferencia em z, existe uma forma de contornar a
necessidade de se utilizar a relacao (4.67). O procedimento e relativamente trabalhoso e envolve efetuar a transformada inversa de Laplace de H(s), obtendo assim
a resposta ao impulso h(t) do filtro. Entao, discretiza-se h(t) para obter h[n] e
efetua-se a transformada Z em h[n].
Outra forma, tambem trabalhosa, envolve encontrar uma realizacao em espaco
de estados de H(s), usar a solucao geral da equacao de estados [7, 10, 9], e entao
discretiza-la, obtendo assim o modelo em espaco de estados em tempo discreto do
filtro digital, que nada mais e do que a equacao a diferencas que modela o filtro. Na
verdade, conforme veremos na Secao 4.6, apos a obtencao de um modelo em equacao
a diferencas, nao ha a necessidade do calculo de H(z) pela transformada Z. Para
implementacao computacional do filtro, o que precisamos e justamente da equacao
a diferencas que o define.
As transformacoes (4.65) e (4.66), apesar de mais simples, introduzem distorcoes
e erros que podem comprometer muito os resultados se o intervalo de amostragem
for grande. Se Ts for muito superior ao recomendado pelo criterio de NyquistShannon, elas podem ser usadas, porem, com cautela. De todas as transformacoes,
a que apresenta a escolha mais adequada, por apresentar menores distorcoes e ainda
assim permanecer uma funcao racional, e a transformacao bilinear dada por (4.64).
Esta e a transformacao que usaremos na conversao de filtros analogicos para filtros
digitais. A transformacao bilinear tambem e muito usada para converter modelos
dinamicos de processos contnuos, dados na forma de funcoes de transferencia em s,
para modelos digitalizados, dados no domnio z. Esta transformacao e u
til quando
se quer projetar controladores digitais para o processo em questao [11, 8].
As funcoes de MATLABr butter, cheby1, e cheby2 tambem podem ser usadas
diretamente para se sintetizar filtros digitais. Porem, o que elas fazem e justamente
aplicar a transformacao bilinear (4.64) para converter um filtro analogico num digital. O MATLABr faz a transformacao bilinear atraves da funcao interna bilinear,
que pode ser usada para converter qualquer funcao de transferencia em s para sua
equivalente discreta em z.
Exerccio 4.8. Use a transformacao bilinear para encontrar o equivalente discreto
4.6. Realizacao de filtros digitais
83
da funcao de transferencia dada por (4.41) e compare com o resultado gerado no

MATLABr pelo comando bilinear.
4.6
Realizac
ao de filtros digitais
Podemos efetuar a etapa de sntese do filtro tanto utilizando os procedimentos

analticos descritos ao longo deste captulo como utilizando diretamente as funcoes
do MATLABr . Porem, em ambos os casos, o resultado final consiste na funcao
de transferencia do filtro digital expressa em funcao da variavel z como uma funcao
racional, ou seja, a razao entre dois polinomios da variavel z, ou em z 1 .
Para tornar este filtro operacional precisamos projetar a realizacao do filtro.
Para filtros analogicos, a etapa de realizacao e, via de regra, a mais complexa.
Envolve o projeto de circuitos eletronicos que implementam na pratica a funcao de
transferencia em s do filtro. Apesar de termos estudado as tecnicas de sntese de
filtros analogicos, ou seja, obtencao das funcoes de transferencia, nao trataremos do
projeto de implementacao desses dispositivos.
Ja no caso dos filtros digitais, podemos implementa-los simplesmente recorrendo
a sistemas computacionais programaveis, pois tais filtros sao na verdade algoritmos
matematicos que podem ser executados por qualquer sistema microprocessado com
memoria suficiente e capacidade para efetuar operacoes matematicas simples.
Para realizar um filtro digital a partir da sua funcao de transferencia em z,
primeiramente precisamos transformar a funcao de transferencia numa equacao a
diferencas. Seja entao a funcao de transferencia racional generica5 dada em funcao
e z 1
Y (z)
bm z m + bm1 z (m1) + . . . + b2 z 2 + b1 z 1 + b0
H(z) =
=
U (z)
an z n + an1 z (n1) + . . . + a2 z 2 + a1 z 1 + a0
(4.68)
Y (z) an z n + . . . + a1 z 1 + a0 = U (z) bn z m + . . . + b1 z 1 + b0
(4.69)
logo,
Fazendo a transformada z inversa de (4.69) temos a equacao a diferencas

an y[k n] + . . . + a1 y[k 1] + a0 y[k] = bm u[k m] + . . . + b1 u[k 1] + b0 u[k] (4.70)
5
Deve-se ter cautela ao definir a ordem em que os termos dos polinomios A(z) e B(z) sao
escritos. Diferentes autores usam diferentes formas de escrever tais polinomios e de indexar os
coeficientes em funcao do grau de cada termo. Em alguns casos, o termo de grau k pode ter
coeficiente com ndice n k, enquanto que em outros casos, termo de grau k pode estar associado
a coeficiente com ndice k. Tambem deve-se ter atencao quando à variavel independente ser z ou
z 1 . Alem disso, no MATLABr nao e permitido indexar vetores com ndice 0, e a seq
uencia de
indexacao dos coeficientes sempre fica deslocada de uma unidade em relacao aos graus dos termos
correspondentes.
Felipe Borges Cunha
84
Isolando o termo y[k], temos

1
(bm u[k m] + . . . + b1 u[k 1] + b0 u[k] an y[k n] . . . a1 y[k 1])
a0
(4.71)
A equacao (4.71) e uma equacao recursiva que permite calcular o valor de y[k]
em funcao dos seus valores passados e dos valores passados e presente de u[k], onde
k e o tempo discreto normalizado. Esta equacao pode ser implementada facilmente
em qualquer sistema digital programavel. Devemos apenas ter o cuidado no que diz
respeito às ordens de grandeza dos coeficientes e valores das amostras y[k] e u[k],
pois em sistemas de processamento numerico, estamos sempre sujeitos a problemas
de mau condicionamento quando as ordens de grandezas dos parametros sao muito
diferentes, principalmente em sistemas numericos de ponto flutuante.
y[k] =
O MATLABr traz tambem uma funcao para realizacao de filtros digitais. Trata-se
da funcao filter. Apos sintetizar a funcao de transferencia do filtro, os polinomios
do numerador e do denominador sao passados como argumento para a funcao filter
juntamente com o vetor u[n] de dados a ser filtrado. O resultado do calculo da funcao
e um vetor contendo a seq
uencia y[n] obtida apos a filtragem do sinal de entrada
u[n].
Outra funcao muito u
til e fvtool, ou Filter Visualization Tool, que cria um
ambiente grafico para analise de filtros do ponto de vista de resposta em freq
uencia
(transformada de Fourier em tempo discreto) e resposta no domnio do tempo (resposta ao impulso unitario e ao degrau unitario).
Exerccio 4.9. Digite no espaco de trabalho do MATLABr o comando help fvtool
e, com base nas instrucoes dadas pelo MATLABr , use a ferramenta fvtool para
analisar os filtros sintetizados nos Exerccios 4.4, 4.5 e 4.6. Compare os resultados
de magnitude e fase com os graficos obtidos nos Exerccios 4.4, 4.5, 4.6 e 4.7.
Refer
encias Bibliogr
aficas
[1] Sidnei Noceti Filho. Filtros Seletores de Sinais. Editora da UFSC, Florianopolis,
1998.
[2] B. P. Lathi. Sinais e Sistemas Lineares. Bookman, Porto Alegre, 2006.
[3] Harry F. Davis. Fourier Series and Orthogonal Functions. Dover, New York,
1989. Reimpressao do original de 1963.
[4] Bernd Girod, Rudolf Rabenstein, and Alexandrer Stenger. Sinais e Sistemas.
LTC, Rio de Janeiro, 2003.
[5] Alan V. Oppenheim, Alan S. Willsky, and Hamid Nawab. Signals And Systems.
Prentice Hall, New Jersey, 1997.
[6] Simon Haykin and Barry Van Veen. Sinais e Sistemas. Bookman, Porto Alegre,
2001.
[7] Chi-Tsong Chen. Linear System Theory and Design. Oxford University Press,
New York, 1999.
[8] Benjamin C. Kuo. Digital Control Systems. Oxford University Press, New York,
1992.
[9] Wilson J. Rugh. Linear System Theory. Prentice Hall, Upper Saddle River,
New Jersey, 1996.
[10] John S. Bay. Fundamentals of Linear State Space Systems. McGraw-Hill.
[11] Gene F. Franklin, J. David Powell, and Michael L. Workman. Digital Control
of Dynamic Systems. Addison-Wesley, Menlo Park, CA, 1998.
[12] John G. Proakis and Dimitris G. Manolakis. Digital Signal Processing - Principles, Algorithms and Applications. Prentice Hall, Upper Saddle River, New
Jersey, 1996.
85
86
REFERENCIAS
BIBLIOGRAFICAS
[13] Paulo Sergio Ramirez Diniz, Eduardo Antonio Barros da Silva, and Sergio Lima
Netto. Processamento Digital de Sinais - Projeto e analise de sistemas. Bookman, 2004.
[14] Monson H. Hayes. Processamento Digital de Sinais. Bookman, 2006.

Apostila Filtros Felipe Borges

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Apostila Filtros Felipe Borges

Uploaded by

Copyright:

Available Formats

Introducao a Filtragem Digital de Sinais

Felipe Borges Cunha

Introducao a Filtragem Digital de Sinais

4.3.1 Filtros ideais . . . . . . . . . . . . . . . . . . . . . .

Introducao a Filtragem Digital de Sinais

O projeto de sistemas de controle pode ser dividido em duas etapas principais. A

AO ESTUDO DE SINAIS E SISTEMAS LINEARES

O que chamamos de sistema de controle e um conjunto de dispositivos projetados

Ruido interferindo no processo

Figura 1.1: Variavel de processo contaminada como rudo.

Conforme foi dito no incio, uma das etapas do desenvolvimento de um sistema de

Felipe Borges Cunha

AO ESTUDO DE SINAIS E SISTEMAS LINEARES

Todo processo de identificacao de sistemas passa primeiro por um pre-tratamento

Chamamos de sinal uma func

Introducao a Filtragem Digital de Sinais

1.2. Tipos e Classificacoes de Sinais

Quando a variavel independente de um sinal e elemento de um conjunto discreto,

Esta convencao nao e universal. Alguns autores a adotam, outros nao.

Felipe Borges Cunha

AO ESTUDO DE SINAIS E SISTEMAS LINEARES

Exerccio 1.2. Sendo j a unidade imaginaria e sendo 0 e 0 n

1.3. Sistemas lineares e o princpio da superposicao

tensao que alimenta um resistor de 1, 0, a potencia instantanea dissipada no resistor

A energia total do sinal corresponde entao a

E sua potencia media corresponde a

Sistemas lineares e o princpio da superposic

Nesta secao discutiremos sucintamente os principais criterios de classificacao dos

Os modelos matematicos de processos podem ser divididos em duas grandes famlias.

Felipe Borges Cunha

AO ESTUDO DE SINAIS E SISTEMAS LINEARES

relacoes que governam a dinamica do processo, ou seja, a forma com a variacao de

Figura 1.2: Representacao simbolica de um sistema na forma de diagrama de bloco,

F y[n], y[n 1], . . . , y[n N ], u[n], u[n 1], . . . , u[n M ] = 0

1.3. Sistemas lineares e o princpio da superposicao

sadas, os sistemas possuem tambem variaveis internas, conhecidas como vari

A este conjunto de equacoes, da-se o nome de modelo em espaco de estados, que

Esta propriedade e muito importante e u

O smbolo x representa a primeira derivada de x em relacao ao tempo, e e conhecida como

Felipe Borges Cunha

AO ESTUDO DE SINAIS E SISTEMAS LINEARES

i = 1, 2, . . . , N , podemos calcular a resposta do sistema a qualquer outra entrada

Considere um sistema liner e invariante no tempo denotado por H. Definimos a

Exerccio 1.3. Demonstre a propriedade da funcao impulso unitario dada por

A funcao impulso unitario, tambem conhecida como func

Introducao a Filtragem Digital de Sinais

1.3. Sistemas lineares e o princpio da superposicao

Figura 1.3: Funcoes impulso unitario em tempo contnuo e em tempo discreto.

que e conhecida como integral de convoluc

AO ESTUDO DE SINAIS E SISTEMAS LINEARES

resposta do sistema a um impulso unitario que ocorre no instante t = 0. Isso nos

Levando-se em conta a causalidade do sistema, a integral de convolucao pode ser

A hipotese de causalidade de u(t) e razoavel quando consideramos que o instante

Transformada de Laplace, Transformada Z e func

1.3. Sistemas lineares e o princpio da superposicao

podemos entender o sistema dinamico linear H como um operador linear no espaco

Efetuando a mudanca de variaveis = t ficamos com

A integral no segundo membro de (1.32), apos efetuada a integracao e avaliados os

Dito de outra forma, a sada e um m

que pode ser reconhecida como a transformada bilateral de Laplace de h(t). Se o

Felipe Borges Cunha

AO ESTUDO DE SINAIS E SISTEMAS LINEARES

Exerccio 1.8. Mostre que, se U (z) e a transformada Z de u[n], entao

1.3. Sistemas lineares e o princpio da superposicao