Aula 3 - Sistemas Discretos

Processamento Digital de Sinais
Prof. Dr. Paulo Rogério de Almeida Ribeiro
Coordenação do Curso de Engenharia da Computação
Sistemas discretos
Sistema Discreto
(Oppenheim and Schafer, 2009)
2 / 41
Sistema Discreto
y [n] = T {x [n]}
2 / 41
Exemplos
Sistema atraso ideal (Ideal Delay System)
3 / 41
Exemplos
y [n] = x [n − nd ]
−∞ < n < ∞ e nd um número inteiro positivo.
3 / 41
Exemplos
y [n] = x [n − nd ]
Comportamento para nd negativo?
3 / 41
Exemplos
y [n] = x [n − nd ]
Comportamento para nd negativo?
nd negativo - avanço.
3 / 41
Exemplos
Média Móvel (Moving Average)

1 ∑M2
y [n] = x [n − k]
M1 + M2 + 1 k=−M
1
4 / 41
Exemplos
Média Móvel (Moving Average)

1 ∑M2
y [n] = x [n − k]
M1 + M2 + 1 k=−M
1
y [n], por exemplo, n = 7, M1 = 0 e M2 = 5 (Oppenheim and Schafer, 2009)

4 / 41
Exemplo
Sistema de tempo discreto, sendo o sinal de saída a média dos três valores mais
recentes do sinal de entrada:
5 / 41
Exemplo
1
y [n] = (x [n] + x [n − 1] + x [n − 2])
3
5 / 41
Exemplo
1
y [n] = (x [n] + x [n − 1] + x [n − 2])
3
Sistema de média móvel.
5 / 41
Exemplos
IBOVESPA
67500
65000
62500
60000
Pontos
57500
55000
52500
50000
6 8 0 -12 2 4
1-0 1-0 1-1 1 2-0 2-0
201 201 201 201 201 201
Período
IBOVESPA (azul) e sua média móvel (laranja)
6 / 41
Exemplos
IBOVESPA
67500
65000
62500
60000
Pontos
57500
55000
52500
50000
6 8 0 -12 2 4
1-0 1-0 1-1 1 2-0 2-0
201 201 201 201 201 201
Período
IBOVESPA (azul) e sua média móvel (laranja)
Exemplo de aplicação: https://andrebona.com.br/acoes-medias-moveis/

6 / 41
Exemplo
1
y [n] = (x [n] + x [n − 1] + x [n − 2])
3
(Haykin and Veen, 2001)
7 / 41
Exemplo
1
y [n] = (x [n] + x [n − 1] + x [n − 2])
3
Operador S k desloca no tempo a entrada em k unidades:
1( )
H= 1 + S + S2
3
(Haykin and Veen, 2001)
7 / 41
Exemplo
1
y [n] = (x [n] + x [n − 1] + x [n − 2])
3
8 / 41
Exemplo
1
y [n] = (x [n] + x [n − 1] + x [n − 2])
3
Sistema de média móvel - diagramas de blocos:
Cascata (a) e paralela (b) - (Haykin and Veen, 2001)

8 / 41
Exemplos
Sistema sem memória (Memoryless System)
9 / 41
Exemplos
y [n] depende apenas de x [n] para o instante n.
9 / 41
Exemplos
y [n] depende apenas de x [n] para o instante n.
Exemplo:
y [n] = (x [n])2
9 / 41
Exemplos
Sistema linear (Linear System)
10 / 41
Exemplos

Princípio da superposição:
10 / 41
Exemplos

1 Propriedade aditiva
10 / 41
Exemplos

2 Propriedade escalar (homogeneidade)
10 / 41
Exemplos

T {x1 [n] + x2 [n]} = T {x1 [n]} + T {x2 [n]} = y1 [n] + y2 [n]
10 / 41
Exemplos

T {αx [n]} = αT {x [n]} = αy [n]
10 / 41
Exemplos

T {αx [n]} = αT {x [n]} = αy [n]
Combinação das propriedades
T{αx1 [n] + βx2 [n]} = αT {x1 [n]} + βT {x2 [n]} = αy1 [n] + βy2 [n]
10 / 41
Exemplos
Sistema linear
11 / 41
Exemplos
Sistema linear
∑
Várias entradas combinadas: x [n] = k ak xk [n]
11 / 41
Exemplos
Sistema linear
∑
Várias entradas combinadas: x [n] = k ak xk [n]
∑
Saída combinada: y [n] = k ak yk [n]
11 / 41
Exemplos
Sistema linear
Sistema acumulador:
∑
n
y [n] = x [k]
k=−∞
12 / 41
Exemplos
Sistema linear
Sistema acumulador:
∑
n
y [n] = x [k]
k=−∞
Linear?
12 / 41
Sistema acumulador:
∑n
y [n] = x [k]
k=−∞
13 / 41
Sistema acumulador:
∑n
y [n] = x [k]
k=−∞
∑n ∑n
y1 [n] = k=−∞ x1 [k] e y2 [n] = k=−∞ x2 [k]
13 / 41
Sistema acumulador:
∑n
y [n] = x [k]
k=−∞
∑n ∑n
y1 [n] = k=−∞ x1 [k] e y2 [n] = k=−∞ x2 [k]
Entrada x3 [n] = αx1 [n] + βx2 [n] e saída y3 [n] = αy1 [n] + βy2 [n]
13 / 41
Sistema acumulador:
∑n
y [n] = x [k]
k=−∞
∑n ∑n
y1 [n] = k=−∞ x1 [k] e y2 [n] = k=−∞ x2 [k]
∑
y3 [n] = nk=−∞ x3 [k]
13 / 41
Sistema acumulador:
∑n
y [n] = x [k]
k=−∞
∑n ∑n
y1 [n] = k=−∞ x1 [k] e y2 [n] = k=−∞ x2 [k]
∑
y3 [n] = nk=−∞ x3 [k]
∑n
y3 [n] = k=−∞ αx1 [k] + βx2 [k]
13 / 41
Sistema acumulador:
∑n
y [n] = x [k]
k=−∞
∑n ∑n
y1 [n] = k=−∞ x1 [k] e y2 [n] = k=−∞ x2 [k]
∑
y3 [n] = nk=−∞ x3 [k]
∑n
y3 [n] = k=−∞ αx1 [k] + βx2 [k]
....
y3 [n] = αy1 [n] + βy2 [n]
13 / 41
Linear?
y [n] = log10 (|x [n]|)
14 / 41
Linear?
y [n] = log10 (|x [n]|)
Contraprova: x1 [n] = 1 e x2 [n] = 10, logo, x1 [n] + x2 [n] = 11
14 / 41
Linear?
y [n] = log10 (|x [n]|)
w1 [n] + w2 [n] = log10 (|1|) + log10 (|10|)
14 / 41
Linear?
y [n] = log10 (|x [n]|)
w1 [n] + w2 [n] = log10 (|1|) + log10 (|10|)

w1 [n] + w2 [n] = 0 + log10 (|10|)
14 / 41
Linear?
y [n] = log10 (|x [n]|)
w1 [n] + w2 [n] = log10 (|1|) + log10 (|10|)

w1 [n] + w2 [n] = 0 + log10 (|10|)
w1 [n] + w2 [n] = 1
14 / 41
Linear?
y [n] = log10 (|x [n]|)
w1 [n] + w2 [n] = log10 (|1|) + log10 (|10|)

w1 [n] + w2 [n] = 0 + log10 (|10|)
w1 [n] + w2 [n] = 1
Só que log10 (|x1 [n] + x2 [n]|) = log10 (|11|) ̸= w1 [n] + w2 [n]
14 / 41
Exemplos
Sistema invariante no tempo (Time-Invariant System)
15 / 41
Exemplos
time shift or delay de x [n] causa o mesmo efeito em y [n]
15 / 41
Exemplos
x [n] ⇒ y [n]
15 / 41
Exemplos
x [n] ⇒ y [n]
x1 = x [n − n0 ] ⇒ y1 = y [n − n0 ]
15 / 41
Exemplos
Sistema invariante no tempo - acumulador
16 / 41
Exemplos
∑
n
y [n] = x [k]
k=−∞
16 / 41
Exemplos
∑
n
y [n] = x [k]
k=−∞
x1 = x [n − n0 ] ⇒ y1
y1[n] = y [n − n0]?
16 / 41
Exemplos
∑
n
y [n] = x [k]
k=−∞
x1 = x [n − n0 ] ⇒ y1
y1[n] = y [n − n0]?
∑0
n−n
1) y [n − n0 ] = x [k]
k=−∞
16 / 41
Exemplos
∑
n
y [n] = x [k]
k=−∞
x1 = x [n − n0 ] ⇒ y1
y1[n] = y [n − n0]?
∑0
n−n
1) y [n − n0 ] = x [k]
k=−∞
∑
n
2) y 1[n] = x1 [k]
k=−∞
16 / 41
∑0
n−n
1) y [n − n0 ] = x [k]
k=−∞
∑
n
2) y 1[n] = x1 [k]
k=−∞
17 / 41
∑0
n−n
1) y [n − n0 ] = x [k]
k=−∞
∑
n
2) y 1[n] = x1 [k]
k=−∞
Para x1:
∑ n
y 1[n] = x [k − n0 ]
k=−∞
17 / 41
∑0
n−n
1) y [n − n0 ] = x [k]
k=−∞
∑
n
2) y 1[n] = x1 [k]
k=−∞
Para x1:
∑ n
y 1[n] = x [k − n0 ]
k=−∞
Mudança de variável k1 = k − n0
∑0
n−n
y 1[n] = x [k1]
k1 =−∞
17 / 41
∑0
n−n
1) y [n − n0 ] = x [k]
k=−∞
∑
n
2) y 1[n] = x1 [k]
k=−∞
Para x1:
∑ n
y 1[n] = x [k − n0 ]
k=−∞
Mudança de variável k1 = k − n0
∑0
n−n
y 1[n] = x [k1]
k1 =−∞
Como k1 e k são apenas índices, y1 [n] = y [n − n0 ], sistema invariante no tempo.

17 / 41
Exemplos
Sistema causal - causalidade
18 / 41
Exemplos
y [n0 ], instante n0 , depende apenas de valores de x [n] com n ≤ n0
18 / 41
Exemplos
Implicando que, se x1 [n] = x2 [n] para n ≤ n0 , então, y1 [n] = y2 [n] para

n ≤ n0
18 / 41
Exemplos
Implicando que, se x1 [n] = x2 [n] para n ≤ n0 , então, y1 [n] = y2 [n] para

n ≤ n0
Sistema não antecipativo
18 / 41
Sistemas de diferenças progressivas e regressivas
Forward difference system
y [n] = x [n + 1] − x [n]
19 / 41
y [n] = x [n + 1] − x [n]
Backward difference system
y [n] = x [n] − x [n − 1]
19 / 41
y [n] = x [n + 1] − x [n]
Não causal
y [n] = x [n] − x [n − 1]
19 / 41
y [n] = x [n + 1] − x [n]
Não causal
y [n] = x [n] − x [n − 1]
Causal
19 / 41
Exemplos
Estabilidade
Bounded-input bounded-output (BIBO)
20 / 41
Exemplos
Estabilidade
|x [n]| ≤ Bx < ∞, ∀n
20 / 41
Exemplos
Estabilidade
|x [n]| ≤ Bx < ∞, ∀n
|y [n]| ≤ By < ∞, ∀n
20 / 41
Exemplos
Sistema linear e invariante no tempo

Linear-Time Invariant System (LTI)
21 / 41
Exemplos

Propriedade de representação da δ[n]
∞
∑
x [n] = x [k]δ[n − k]
k=−∞
21 / 41
Exemplos

Propriedade de representação da δ[n]
∞
∑
x [n] = x [k]δ[n − k]
k=−∞
y [n] = T {x [n]}
21 / 41
∑
∞
y [n] = T { x [k]δ[n − k]}
k=−∞
22 / 41
∑
∞
y [n] = T { x [k]δ[n − k]}
k=−∞
∑
∞
y [n] = x [k]T {δ[n − k]}
k=−∞
22 / 41
∑
∞
y [n] = T { x [k]δ[n − k]}
k=−∞
∑
∞
y [n] = x [k]T {δ[n − k]}
k=−∞
Seja hk [n] = T {δ[n − k]}, então:
∑
∞
y [n] = x [k]hk [n]
k=−∞
22 / 41
Sendo esse um sistema invariante no tempo:
δ[n] ⇒ h[n]
δ[n − k] ⇒ h[n − k]
23 / 41
δ[n] ⇒ h[n]
δ[n − k] ⇒ h[n − k]
Assim chega-se a soma de convolução:
∑
∞
y [n] = x [k]h[n − k]
k=−∞
23 / 41
δ[n] ⇒ h[n]
δ[n − k] ⇒ h[n − k]
∑
∞
y [n] = x [k]h[n − k]
k=−∞
Forma abreviada:
y [n] = x [n] ∗ h[n]
23 / 41
δ[n] ⇒ h[n]
δ[n − k] ⇒ h[n − k]
∑
∞
y [n] = x [k]h[n − k]
k=−∞
Forma abreviada:
y [n] = x [n] ∗ h[n]
Logo, um LTI é completamente caracterizado pela sua resposta ao impulso.

23 / 41
Exemplo
24 / 41
25 / 41
26 / 41
27 / 41
(Oppenheim and Schafer, 2009) 28 / 41
Zoom de y [n] (Oppenheim and Schafer, 2009)
29 / 41
O que significa h[n − k] ?
30 / 41
Seja h[k](Oppenheim and Schafer, 2009)
30 / 41
Seja h[k]:
31 / 41
Seja h[k]:
Seja h1 [k] = h[−k] = h[0 − k]:
31 / 41
Seja h[k]:
Seja h1 [k] = h[−k] = h[0 − k]:
31 / 41
Seja h[k]:
Seja h1 [k] = h[−k] = h[0 − k]:
Seja h2 [k] = h1 [k − n] = h[−(k − n)] = h[n − k]:
31 / 41
Seja h[k]:
Seja h1 [k] = h[−k] = h[0 − k]:
Seja h2 [k] = h1 [k − n] = h[−(k − n)] = h[n − k]:
h[n − k] para n = 4
31 / 41
32 / 41
32 / 41
h[n − k] é a sequência h[k] refletida (tempo) e atrasada por n amostras.

32 / 41
h[n − k] é a sequência h[k] refletida (tempo) e atrasada por n amostras.

Vídeo: https://www.youtube.com/shorts/eCxzdXFNBkY
32 / 41
Exemplo numérico
n = [0, 1, 2, 3, 4]
33 / 41
Exemplo numérico
n = [0, 1, 2, 3, 4]
x [n] = [0.8, 0.3, 0.5, 0.7, 1.3]
33 / 41
Exemplo numérico
n = [0, 1, 2, 3, 4]
x [n] = [0.8, 0.3, 0.5, 0.7, 1.3]
h[n] = (0.5)n
33 / 41
Exemplo numérico
n = [0, 1, 2, 3, 4]
x [n] = [0.8, 0.3, 0.5, 0.7, 1.3]
h[n] = (0.5)n
y [n]?
33 / 41
Exemplo numérico
n = [0, 1, 2, 3, 4]
x [n] = [0.8, 0.3, 0.5, 0.7, 1.3]
h[n] = (0.5)n
y [n]?
Qual o valor de y [0]?
33 / 41
Exemplo numérico
y [n]?
34 / 41
Exemplo numérico
y [n]?
h = [1, 0.5, 0.25, 0.125, 0.0625]
34 / 41
Exemplo numérico
y [n]?
h = [1, 0.5, 0.25, 0.125, 0.0625]
y [0]?
34 / 41
Exemplo numérico
y [n]?
h = [1, 0.5, 0.25, 0.125, 0.0625]
y [0]?
34 / 41
Exemplo numérico
y [n]?
h = [1, 0.5, 0.25, 0.125, 0.0625]
y [0]?
y [0] = x [0]h[0] = 0.8x 1 = 0.8
34 / 41
Exemplo numérico
y [n]?
h = [1, 0.5, 0.25, 0.125, 0.0625]
y [0]?
y [0] = x [0]h[0] = 0.8x 1 = 0.8
y [1]?
34 / 41
Exemplo numérico
y [n]?
h = [1, 0.5, 0.25, 0.125, 0.0625]
y [0]?
y [0] = x [0]h[0] = 0.8x 1 = 0.8
y [1]?
y [1] = x [0]h[1] + x [1]h[0] = 0.8x 0.5 + 0.3x 1 = 0.7
34 / 41
Exemplo numérico
y [n]?
h = [1, 0.5, 0.25, 0.125, 0.0625]
y [0]?
y [0] = x [0]h[0] = 0.8x 1 = 0.8
y [1]?
y [1] = x [0]h[1] + x [1]h[0] = 0.8x 0.5 + 0.3x 1 = 0.7
y [n] = [0.8, 0.7, 0.85, 1.1250, 1.8625]

34 / 41
Solução do exemplo numérico - MatLab
Entrada x[n]
1
Amplitude
0.5
0
-0.5
0 1 2 3 4
Amostra
Resposta ao impulso h[n]
1
Amplitude
0.5
0
0 1 2 3 4
Amostra
Saida y[n]
1.5
Amplitude
0.5
0 1 2 3 4
Amostra
35 / 41
Propriedades de um sistema LTI
Completamente caracterizado pela sua reposta ao impulso (h[n]);
36 / 41
Convolução:
36 / 41
Convolução:
Comutativa: x [n] ∗ h[n] = h[n] ∗ x [n]
36 / 41
Convolução:
Distributiva: x [n] ∗ (h1 [n] + h2 [n]) = x [n] ∗ h1 [n] + x [n] ∗ h2 [n]
36 / 41
Convolução:
Distributiva: x [n] ∗ (h1 [n] + h2 [n]) = x [n] ∗ h1 [n] + x [n] ∗ h2 [n]
Associativa: y [n] = (x [n] ∗ h1 [n]) ∗ h2 [n] = x [n] ∗ (h1 [n] ∗ h2 [n])
36 / 41
h1[n] Combinação h1[n] h2[n]
x[n] y[n]
paralela
+ (a) Combinação
x[n] y[n]
h2[n]
cascata
h2[n] h1[n]
(a) x[n] y[n]
(b)
Equivalente
h1[n] +h2[n]
x[n] y[n]
(b) h1[n] * h2[n]
x[n] y[n]
Equivalente
(c)
37 / 41
Comutatividade - convolução
∞
∑
y [n] = x [k]h[n − k]
k=−∞
38 / 41
∞
∑
y [n] = x [k]h[n − k]
k=−∞
Fazendo m = n − k, isto é, k = n − m
−∞
∑
y [n] = x [n − m]h[m]
m=∞
38 / 41
∞
∑
y [n] = x [k]h[n − k]
k=−∞
Fazendo m = n − k, isto é, k = n − m
−∞
∑
y [n] = x [n − m]h[m]
m=∞
Trocando a ordem do somatório e x com h :

∞
∑
y [n] = h[m]x [n − m]
m=−∞
38 / 41
Portanto, um sistema LTI com entrada x e resposta ao impulso h

tem a mesma saída que um sistema com entrada h e resposta ao
impulso x.
39 / 41
Causalidade:
40 / 41
Causalidade:
Causal, se h[n] = 0 para n < 0
40 / 41
Referência bibliográfica
Haykin, S. and Veen, B. V. (2001). Sinais e Sistemas. Bookman.

Oppenheim, A. V. and Schafer, R. W. (2009). Discrete-Time Signal Processing.
Prentice Hall, 3 edition.
41 / 41

Aula 3 - Sistemas Discretos

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 3 - Sistemas Discretos

Enviado por

Direitos autorais:

Formatos disponíveis

Processamento Digital de Sinais

Prof. Dr. Paulo Rogério de Almeida Ribeiro

Coordenação do Curso de Engenharia da Computação

(Oppenheim and Schafer, 2009)

(Oppenheim and Schafer, 2009)

Sistema atraso ideal (Ideal Delay System)

Sistema atraso ideal (Ideal Delay System)

−∞ < n < ∞ e nd um número inteiro positivo.

Sistema atraso ideal (Ideal Delay System)

−∞ < n < ∞ e nd um número inteiro positivo.

Comportamento para nd negativo?

Sistema atraso ideal (Ideal Delay System)

−∞ < n < ∞ e nd um número inteiro positivo.

Comportamento para nd negativo?

Média Móvel (Moving Average)

Média Móvel (Moving Average)

y [n], por exemplo, n = 7, M1 = 0 e M2 = 5 (Oppenheim and Schafer, 2009)

Sistema de média móvel.

IBOVESPA (azul) e sua média móvel (laranja)

IBOVESPA (azul) e sua média móvel (laranja)

Exemplo de aplicação: https://andrebona.com.br/acoes-medias-moveis/

(Haykin and Veen, 2001)

Operador S k desloca no tempo a entrada em k unidades:

(Haykin and Veen, 2001)

Cascata (a) e paralela (b) - (Haykin and Veen, 2001)

Sistema sem memória (Memoryless System)

Sistema sem memória (Memoryless System)

y [n] depende apenas de x [n] para o instante n.

Sistema sem memória (Memoryless System)

y [n] depende apenas de x [n] para o instante n.

Sistema linear (Linear System)

Sistema linear (Linear System)

Sistema linear (Linear System)

Sistema linear (Linear System)

2 Propriedade escalar (homogeneidade)

Sistema linear (Linear System)

Sistema linear (Linear System)

Sistema linear (Linear System)

Combinação das propriedades

y [n] = log10 (|x [n]|)

y [n] = log10 (|x [n]|)

Contraprova: x1 [n] = 1 e x2 [n] = 10, logo, x1 [n] + x2 [n] = 11

y [n] = log10 (|x [n]|)

Contraprova: x1 [n] = 1 e x2 [n] = 10, logo, x1 [n] + x2 [n] = 11

w1 [n] + w2 [n] = log10 (|1|) + log10 (|10|)

y [n] = log10 (|x [n]|)

Contraprova: x1 [n] = 1 e x2 [n] = 10, logo, x1 [n] + x2 [n] = 11

w1 [n] + w2 [n] = log10 (|1|) + log10 (|10|)

y [n] = log10 (|x [n]|)

Contraprova: x1 [n] = 1 e x2 [n] = 10, logo, x1 [n] + x2 [n] = 11

w1 [n] + w2 [n] = log10 (|1|) + log10 (|10|)

y [n] = log10 (|x [n]|)

Contraprova: x1 [n] = 1 e x2 [n] = 10, logo, x1 [n] + x2 [n] = 11

w1 [n] + w2 [n] = log10 (|1|) + log10 (|10|)

Só que log10 (|x1 [n] + x2 [n]|) = log10 (|11|) ̸= w1 [n] + w2 [n]

Sistema invariante no tempo (Time-Invariant System)

Sistema invariante no tempo (Time-Invariant System)

time shift or delay de x [n] causa o mesmo efeito em y [n]

Sistema invariante no tempo (Time-Invariant System)

time shift or delay de x [n] causa o mesmo efeito em y [n]

Sistema invariante no tempo (Time-Invariant System)

time shift or delay de x [n] causa o mesmo efeito em y [n]

Como k1 e k são apenas índices, y1 [n] = y [n − n0 ], sistema invariante no tempo.