J. A. M.

Felippe de Souza 4 - Sistemas

4 – Sistemas

4.1 – Introdução aos Sistemas 3

4.2 – Principais Classificações de Sistemas 7
Natureza física 7
Continuidade no tempo 9
Linearidade 10
4.3 – Modelização de Sistemas 11
Exemplo 4.1 14
4.4 – Outras Classificações de Sistemas 17
Variância no tempo 17
Exemplo 4.2 17
Natureza aleatória 18
Memória 19
Exemplo 4.3 19
Inversibilidade 20
Exemplo 4.4 20
Exemplo 4.5 21
Causalidade 22
Exemplo 4.6 22
4.5 – Sistemas Lineares e Invariantes no Tempo (SLIT) 23
4.6 – Propriedades da Convolução 25
4.7 – SLIT sem memória 29

1
J. A. M. Felippe de Souza 4 - Sistemas

4.8 – SLIT inversíveis 30

Exemplo 4.7 32
4.9 – Estabilidade 33
Exemplo 4.8 34
Exemplo 4.9 35
Exemplo 4.10 35
4.10 – Teoria de Sistemas 36
Modelização (‘modeling’) 36
Identificação de parâmetros 36
Controlo de sistemas 36
Optimização 37
Simulação 37
Realimentação (‘feedback’) 37
Estimação de estados 37
Sistemas robustos 37
Sistemas tolerantes à falhas 37
Processamento paralelo ou distribuído 38
Sistemas ‘fuzzy’ 38
Sistemas inteligentes 38

2
J. A. M. Felippe de Souza 4 - Sistemas

Sistemas

4.1 – Introdução aos Sistemas

A noção de sistemas é intuitiva. Quase tudo que nos rodeia é algum tipo de sistema.
Qualquer mecanismo, ou dispositivo, que funcione como a internecção de componen-
tes físicos é um sistema.

Um circuito eléctrico, (com resistências, bobinas e condensadores); ou um circuito

electrónico (com transístores, díodos, etc.) são exemplos de sistemas. Na figura 1
vemos um exemplo de cada um destes tipos de circuitos.

Fig. 1 – Um circuito eléctrico (à esquerda) e um circuito electrónico (à direita).

Um simples mecanismo como uma alavanca, ou um mecanismo mais complexo

como o motor de um carro são também exemplos de sistemas. Na figura 1 vemos um
exemplo de cada um destes tipos de mecanismos.

3
J. A. M. Felippe de Souza 4 - Sistemas

Fig. 2 – Uma alavanca, um mecanismo simples(à esquerda), e o motor de um carro,

um mecanismo mais complexo (à direita).

Um automóvel, um robô ou um avião (ilustrados na figura 3) são outros exemplos de

sistema. São sistemas mais complexos pois dentro deles têm muitos circuitos eléctri-
cos e electrónicos assim como muitos mecanismos. Ou seja, são sistemas que pos-
suem dentro outros sistemas, ou subsistemas.

Fig. 3 – Um automóvel, um robô e um avião, exemplos de sistemas mais complexos;

sistemas com subsistemas dentro.

O corpo humano é também um exemplo de sistema, e de um sistema bastante sofis-

ticado, cheio de subsistemas: o sistema circulatório, o sistema respiratório, o apare-
lho digestivo, o sistema nervoso, etc., etc.

Na verdade, o corpo humano de cada pessoa é um sistema diferente. E cada órgão

deste, (seja o cérebro, ou o coração, ou os pulmões, ou o fígado, ou os rins, ou o in-
testino, ou o pâncreas, etc.), também é um sistema por si só, ou seja, é um subsistema
do mesmo.

4
J. A. M. Felippe de Souza 4 - Sistemas

Fig. 4 – O corpo humano, outro exemplo de um sistema complexo; na verdade, um

sistema com muitos subsistemas dentro.

Entretanto, há muitos outros sistemas menos palpáveis que estes exemplificados

acima, como por exemplo:
o aquecimento de uma casa;
o funcionamento dos elevadores de um edifício;
a automação de uma fábrica;
a gestão e a economia de um país;
etc.

Fig. 5 – O sistema de elevadores de um prédio grande, o sistema de automação de

uma indústria, outros exemplos de sistemas bastante complexos.

5
J. A. M. Felippe de Souza 4 - Sistemas

Os sinais que estudamos aqui, em geral, estão associados a algum sistema. Eles
podem representar, por exemplo, a entrada de um sistema, ou alternativamente, a
saída do sistema.

O sinal de entrada de um sistema (“input” em inglês) às vezes também é chamado de

o ‘controlo’ ou mesmo a ‘excitação’ do sistema.

Por outro lado, o sinal de saída de um sistema (“output” em inglês) às vezes também
é chamado de a ‘resposta’ ou a a ‘observação’ do sistema.

É comum se representar sistemas esquematicamente através de uma caixa preta

(black box), como vemos na figura 6.

Sistema
entrada saída
(“input”) (“output”)
controlo resposta
excitação observação
Fig. 6 – Caixa preta (black box) de um sistema e os vários nomes dados
para a entrada e a saída do mesmo.

Na realidade muitos sistemas podem ter não apenas uma entrada e uma saída, mas
múltiplas entradas e/ou múltiplas saídas.

Sistema
entradas saídas
Fig. 7 – Caixa preta (black box) de um sistema com múltiplas
entradas e/ou múltiplas saídas.

Existe uma forma de representar sistemas, assim como a ligação entre os subsistemas
de um sistema, usando blocos e por isso chamada de “Diagrama de blocos”. Na reali-
dade a caixa preta (black box) é um diagrama de blocos com apenas um bloco.

6
J. A. M. Felippe de Souza 4 - Sistemas

4.2 – Principais Classificações de Sistemas

Há muitas maneiras possíveis de se classificar os sistemas. Nesta secção veremos al-

gumas das principais.

Natureza física

Quanto a natureza física, sistemas podem ser classificados de muitas formas diferen-
tes. Abaixo citamos algumas das principais formas de sistemas que lidamos em enge-
nharia e tecnologia:

eléctricos; informáticos;

electrónicos; aeronáuticos;

mecânicos; aeroespaciais;

electromecânicos; biológicos;

térmicos; biomédicos;
hidráulicos; económicos;
ópticos; sociológicos;

acústicos; sócio-económicos;

químicos; etc.

Entretanto, a maioria dos sistemas complexos são combinações de vários subsistemas

de naturezas diferentes.

Veículos (carros, motocicletas, comboios, aviões, helicópteros, etc) são exemplos de

sistemas electromecânicos pois claramente ele tem partes eléctricas e electrónicas nos
seus comandos assim como partes mecânicas para os seus movimentos.

Outros sistemas complexos que combinam mais de uma natureza das mencionadas
acima: computadores, antenas parabólicas para receber emissões de satélites artifici-
ais, robôs em geral, seja um braço manipulador robótico encontrados em processos
de manufactura nas indústrias ou seja um robô humanóide (que imita o homem) ou
antropomórfico (que imita algum ser vivo). Estes sistemas estão ilustrados na figura 8.

7
J. A. M. Felippe de Souza 4 - Sistemas

Fig. 8 – Exemplos de sistemas electromecânicos: um computador portátil,

uma antena parabólica, um braço manipulador mecânico, e um
robô antropomórfico (que imita um cão).

Na medicina também encontramos muitos sistemas de bioengenharia, ou seja, siste-

mas biológicos e biomédicos em simultâneo com sistemas mecânicos, eléctricos ou
electrónicos.
Um membro artificial, ou cada aparelho utilizados em cirurgias são alguns exemplos
de sistemas biomédicos.

Fig. 9 – Exemplos de sistemas electromecânicos: um membro artificial

e equipamentos médicos de uma sala de operação.

8
J. A. M. Felippe de Souza 4 - Sistemas

Continuidade no Tempo

Quanto a Continuidade no Tempo, sistemas podem ser classificados como:

contínuos
discretos
discretizados

Fig. 9 – Ilustração do comportamento de um sistema contínuo (à esquerda) e de um

sistema discreto (à direita).

Sistemas podem ser naturalmente contínuos, naturalmente discretos, ou contínuos

que são tornados discretos e neste caso são chamados de discretizados.

Fig. 10 – Sistema contínuo que foi discretizado tornando-se um sistema discreto.

Quando o sistema que foi digitalizado é armazenado em “bits” (sequências de “zeros”

e “uns”) entao diz-se que o sistema foi digitalizado. Isso era o caso em alguns dos
sinais que descreviam o comportamento de sintemas nos exemplos que vimos no
capítulo anterior: a música em CD, os sistemas digitais de áudio ou de vídeo, e até
mesmo os exames de electrocardiogramas e electroencefalogramas que são armaze-
nados digitalmente no computador.

9
J. A. M. Felippe de Souza 4 - Sistemas

A digitalização não é o mesmo que a discretização. Normalmente são usados muitos

“bits” para armazenar cada posição discreta.

Linearidade

Quanto a Linearidade, sistemas podem ser classificados como:

lineares
não lineares

Fig. 11 – Ilustração do comportamento de um sistema linear (à esquerda) e não linear

(à direita).

Sistemas contínuos são lineares se satisfazem duas propriedades: homogeneidade e

aditividade:
homogeneidade: quando o sinal de entrada x(t) é multiplicado por um valor k;
então o sinal de saída y(t) fica também multiplicado por este mesmo valor k; e
além disso,
aditividade: quando o sinal de entrada é a soma de dois sinais x1(t) e x2(t), que
produzem individualmente sinais de saída y1(t) e y2(t) respectivamente; então o
sinal de saída é a soma dos sinais de saída y1(t) e y2(t).

Fig. 12 – Diagramas de blocos ou caixas preta (black boxes) esquemático de um sis-

tema linear. Ilustração das propriedades da homogeneidade e da aditividade.
Caso do sistema contínuo.

10
J. A. M. Felippe de Souza 4 - Sistemas

No caso discreto a definição de sistemas lineares é semelhante. Sistemas lineares são

aqueles que:
quando o sinal de entrada x[n] é multiplicado por um valor k; então o sinal de
saída y[n] fica também multiplicado por este mesmo valor k; e além disso,
quando o sinal de entrada é a soma de dois sinais x1[n] e x2[n], que produzem
individualmente sinais de saída y1[n] e y2[n] respectivamente; então o sinal de
saída é a soma dos sinais de saída y1[n] e y2[n].

Novamente aqui, estas duas propriedades acima são chamadas respectivamente de:
homogeneidade e aditividade.

Fig. 13 – Diagramas de blocos ou caixas preta (black boxes) esquemático de um sis-

tema linear. Ilustração das propriedades da homogeneidade e da aditividade.
Caso do sistema discreto.

4.3 – Modelização de Sistemas

A ‘modelização’ (em inglês “modeling”) em português às vezes é também traduzido

para: ‘modelação’, ou ‘modelamento’, ou até mesmo ‘modelagem’.
A modelização está associada com a construção de um modelo matemático, isto é,
forma de representar matematicamente o sistema, o equacionamento.
Os modelos matemáticos adoptados para representar os sistemas são muito comum-
mente descritos, ou equacionados:
com Equações de Diferenças [caso discreto]

com Equações Diferenciais Ordinárias (EDO) [caso contínuo]

com Equações Diferenciais Parciais (EDP) [caso contínuo]

com Equações de Retardo [caso contínuo]

11
J. A. M. Felippe de Souza 4 - Sistemas

As Equações de Diferenças, caso discreto, e as Equações Diferenciais Ordinárias

(EDO), no caso contínuo, são as formas mais comuns de representar sistemas em
ciências como Física, Química, Biologia, Engenharia, Economia, etc. Há no entanto
muitas outras formas de descrever sistemas, como por exemplo:

com Tabelas [caso discreto]

com Fluxogramas ou Gráfico de fluxos [caso discreto ou contínuo]

com Equações Integrais [caso contínuo]

com Equações Integro-Diferenciais [caso contínuo].

embora algumas destas formas não tenham interesse directo para presente este texto
sobre análise de sinais.

Abaixo apresentamos alguns sistemas discretos, para exemplificar, que são descritos
por Equações de Diferenças:

Fig. 14 – Caixas preta (black box) esquemático de um sistema discreto.

Sistema I:
y[ n ] + 7 y[ n − 1 ] + 2 y [ n − 2 ] = x [ n ] − 4 x [ n − 1 ]

Sistema II:
y[ n ]= − 4 x[ n − 1 ]

Sistema III:
y[ n ] − 5 n y[ n − 1 ] = x [ n + 1 ] − 2 x [ n ]
Sistema IV:
y[ n ] = 2 (x [ n ]) − 4 x [ n ]
2

Sistema V:
y[ n ] = x[ n ]
3 2

12
J. A. M. Felippe de Souza 4 - Sistemas

Abaixo apresentamos alguns sistemas contínuos através da forma que são descritos,
por Equações Diferenciais Ordinárias (EDO):

Fig. 15 – Caixas preta (black box) esquemático de um sistema contínuo.

Sistema VI:
d2y dy dx
+ 4 − y = + 3x
dt 2 dt dt

Sistema VII:
d2 y dy dx
+ 6 t + y = − ( t − 4) x
dt 2 dt dt

Sistema VIII:
d2y dy dx
2
+5 + 2y = − x ( t + 3)
dt dt dt

Sistema IX:
3 y′′ − 2 y′ + y = x ′x

Sistema X:
10 y ′′ + 2 y ′ − y = e x

Sistema XI:
d2y dy
2
+x +y=0
dt dt

Agora apresentamos dois sistemas contínuos bastante conhecidos na Física, que são
descritos através de Equações Diferenciais Parciais (EDP):

Sistema XII:
∂ 2u  ∂ 2u ∂ 2u ∂ 2u 
= k  2 + 2 + 2  =
∂ t2  ∂x ∂y ∂z 

= k (u xx + u yy + u zz )

Obs.: Este sistema descreve a propagação de uma onda no espaço e a equação diferencial parcial
abaixo é conhecida na Física como ‘equação de onda’ (“wave equation”):
13
 J. A. M. Felippe de Souza 4 - Sistemas

Sistema XIII:
∂u  ∂ 2u ∂ 2u ∂ 2u 
= k  2 + 2 + 2  =
∂t  ∂x ∂y ∂z 

= k (u xx + u yy + u zz )

Obs.: Este sistema descreve a propagação do calor no espaço e a equação diferencial parcial abaixo
é conhecida na Física como ‘equação de calor’ (“heat equation”):

Agora apresentamos dois exemplos de sistemas contínuos que são descritos através
de Equações de Retardo:

Sistema XIV:
y(t) = x(t − δ )

Sistema XV:
y' (t) + y(t) − 3 y(t − τ ) = x(t)

Sistema XVI:
y[n] = 5 x[n − n δ ]

Finalmente apresentamos exemplos de sistemas discretos e contínuos que são descri-

tos por Equações Algébricas:

Sistema XVII:
y(t) = 2 x(t) − 7

Sistema XVIII:
y(t) = − x 2 (t) − 2x(t) + 3

Sistema XIX:
y[n] = − 2 x[n]

Sistema XX:
y[n] = 1 − cos(2 π ⋅ x[n])

Exemplo 4.1:
Vamos classificar os sistemas acima quanto à continuidade no tempo (contínuo ou
discreto) e quanto à linearidade (linear ou não linear).

14
J. A. M. Felippe de Souza 4 - Sistemas

Sistema I:
y[ n ] + 7 y[ n − 1 ] + 2 y [ n − 2 ] = x [ n ] − 4 x [ n − 1 ]
(sistema discreto e linear)

Sistema II:
y[ n ]= − 4 x[ n − 1 ]
(sistema discreto e linear)

Sistema III:
y[ n ] − 5 n y[ n − 1 ] = x [ n + 1 ] − 2 x [ n ]
(sistema discreto e linear)

Sistema IV:
y[ n ] = 2 (x [ n ]) − 4 x [ n ]
2

(sistema discreto e não linear)

Sistema V:
y[ n ] = x[ n ]
3 2

(sistema discreto e não linear)

Sistema VI:
d2y dy dx
2
+4 −y= + 3x
dt dt dt
(sistema contínuo e linear)

Sistema VII:
d2 y dy dx
+ 6 t + y = − ( t − 4) x
dt 2 dt dt
(sistema contínuo e linear)

Sistema VIII:
d2y dy dx
2
+5 + 2y = − x ( t + 3)
dt dt dt
(sistema contínuo e linear)

Sistema IX:
3 y′′ − 2 y′ + y = x ′x
(sistema contínuo e não linear)

Sistema X:
10 y ′′ + 2 y ′ − y = e x
(sistema contínuo e não linear)

15
J. A. M. Felippe de Souza 4 - Sistemas

Sistema XI:
d2y dy
2
+x +y=0
dt dt
(sistema contínuo e não linear)
Sistema XII:
∂ 2u  ∂ 2u ∂ 2u ∂ 2u 
= k  2 + 2 + 2  = k (u xx + u yy + u zz )
∂ t2  ∂x ∂y ∂z 
(sistema contínuo e linear)
Sistema XIII:
∂u  ∂ 2u ∂ 2u ∂ 2u 
= k  2 + 2 + 2  = k (u xx + u yy + u zz )
∂t  ∂x ∂y ∂z 
(sistema contínuo e linear)
Sistema XIV:
y(t) = x(t − δ )
(sistema contínuo e linear)
Sistema XV:
y' (t) + y(t) − 3 y(t − τ ) = x(t)
(sistema contínuo e linear)
Sistema XVI:
y[n] = 5 x[n − n δ ]
(sistema discreto e linear)
Sistema XVII:
y(t) = 2 x(t) − 7
(sistema contínuo e não linear)
Sistema XVIII:
y(t) = − x 2 (t) − 2x(t) + 3
(sistema contínuo e não linear)
Sistema XIX:
y[n] = − 2 x[n]
(sistema discreto e linear)
Sistema XX:
y[n] = 1 − cos(2 π ⋅ x[n])
(sistema discreto e não linear)

16
J. A. M. Felippe de Souza 4 - Sistemas

4.4 – Outras Classificações de Sistemas

Variância no tempo

Quanto a Variância no Tempo, sistemas podem ser classificados como:

variantes no tempo
invariantes no tempo

Fig. 16 – A variância no tempo de um sistema está associada às características dinâ-

micas do mesmo, se elas se alteram ou não com o tempo.

Um sistema invariante no tempo é aquele que para um sinal de entrada x(t), o sinal de
saída é y(t), não importa quando é aplicada esta entrada.

Ou seja, as condições dinâmicas do sistema não mudam com o passar do tempo. Na

realidade nenhum sistema é invariante no tempo, mas na prática consideramos como
invariante no tempo muitos sistemas cuja variação no tempo é muito lenta.

Exemplo 4.2:
Nos sistemas I a XX descritos acima temos que apenas o sistema III e o sistema VII
são variantes no tempo,

Sistema III:
y[ n ] − 5 n y[ n − 1 ] = x [ n + 1 ] − 2 x [ n ]
(sistema variante no tempo)

Sistema VII:
d2 y dy dx
+ 6 t + y = − ( t − 4) x
dt 2 dt dt
(sistema variante no tempo)

17
J. A. M. Felippe de Souza 4 - Sistemas

pois um ou mais de seus coeficientes variam com o tempo (seja ‘t’ ou ‘n’). Os demais
sistemas são invariantes no tempo.


Natureza aleatória

Quanto a Natureza Aleatória, sistemas podem ser classificados como:

determinísticos
estocásticos

Fig. 17 – A natureza aleatória de um sistema está associada às incertezas e perturba-

ções aleatórias na dinâmicas do mesmo.

Um sistema determinístico é aquele que não sofre a influência de nenhuma perturba-

ção aleatória, ou seja, não tem incerteza. O sinal de saída y(t) para um sinal de
entrada x(t) pode ser calculado (ou “determinado”) com precisão quando se conhece
o modelo do sistema.

Na realidade, aqui novamente, nenhum sistema é determinístico. Todos os sistemas

têm algum tipo de incerteza ou carácter aleatório e portanto chamados de estocásticos.
Na prática entretanto consideramos como determinísticos muitos sistemas cujas per-
turbações aleatórias são pequenas ou desprezíveis.

Os sistemas I a XX acima são todos descritos por modelos matemáticos determinísti-

cos: equações de diferenças, EDO ou EDP determinísticas.

No caso de sistemas estocásticos, estas equações apresentariam variáveis adicionais

de natureza aleatória que descreveriam estatisticamente as incertezas associadas à
dinâmica do sistema.

18
J. A. M. Felippe de Souza 4 - Sistemas

Memória

Quanto a Memória, sistemas podem ser classificados como:

sem memória
com memória

Um sistema sem memória é aquele que: se o seu sinal de saída no instante t1 depende
apenas do sinal de entrada daquele instante t1.

Exemplo 4.3:
Nos sistemas I a XX acima temos que os sistemas IV, V, XVII, XVIII, XIX e XX são
sem memória:

Sistema IV:
y [ n ] = 2 (x [ n ])2 − 4 x[ n ]
(sistema sem memória)

Sistema V:
y[ n ] = x[ n ]
3 2

(sistema sem memória)

Sistema XVII:
y(t) = 2 x(t) − 7
(sistema sem memória)

Sistema XVIII:
y(t) = − x 2 (t) − 2x(t) + 3
(sistema sem memória)

Sistema XIX:
y[n] = − 2 x[n]
(sistema sem memória)

Sistema XX:
y[n] = 1 − cos(2 π ⋅ x[n])
(sistema sem memória)

pois a saída y[n], ou y(t), depende da entrada x[n], ou x(t), apenas nos instantes de
tempo (‘t’ ou ‘n’). Os demais são sistemas com memória pois dependem da entrada
x[n] nos instantes (n–1), (n–2), etc; ou de derivadas em relação ao tempo ‘t’.


19
J. A. M. Felippe de Souza 4 - Sistemas

Inversibilidade

Quanto a Inversibilidade, sistemas podem ser classificados como:

inversíveis
não inversíveis

Sistemas são inversíveis se entradas distintas levam a saídas distintas.

Desta forma, para um sistema S com sinal de entrada x[n], ou x(t), que produz um
sinal de saída y[n], ou y(t), respectivamente, é possível achar um sistema inverso S-1
cuja entrada y[n], ou y(t), produz a saída x[n], ou x(t), respectivamente.

Através de um esquema em que os sistemas S e S-1 são postos em cascata, (isto é, a

saída y(t) do Sistema S é a entrada do Sistema S-1), podemos recuperar x(t), o sinal de
entrada aplicado em S, na saída de S-1.

Fig. 18 – Diagrama de bloco esquemático de um sistema inversível S em cascata com

o seu inverso S-1.

Exemplo 4.4:
Os sistemas XVII e XIX acima são inversíveis.

Sistema XVII:
y(t) = 2 x(t) − 7
(sistema inversível)
Sistema XIX:
y[n] = − 2 x[n]
(sistema inversível)

Obviamente, nestes dois sistemas, cada sinal de entrada x, produz um sinal de saída y
exclusivo, diferente das saídas das outras entradas. Por isso o sinal de entrada x pode
ser expresso em termos do sinal de saída y como:

x(t) = ½ (y(t) + 7),

no caso do sistema XVII, e

20
J. A. M. Felippe de Souza 4 - Sistemas

x[n] = – y[n]/2,
no caso do sistema XIX.


Exemplo 4.5:
O sistema XIV acima também é inversível.

Sistema XIV:
y(t) = x(t – δ)
(sistema inversível)

Este é o chamado sistema com retardo (“time delay system”) pois a saída reproduz a
entrada com um atraso de δ unidades de tempo.

Alternativamente, podemos ver o sistema com retardo (“time delay system”) como
sendo uma translação (“shift”) para a direita de δ unidades de tempo.

Pode-se facilmente verificar que para este sistema, sinais de entrada x(t) distintos pro-
duzem sinais de saída y(t) distintos. Além disso, o sinal de entrada x(t) expresso em
termos do sinal de saída y(t) é de facto:

x(t) = y(t + δ) eq. (4.1)

que é conhecido como sistema em avanço (“time advance system”) pois neste caso o
sinal de saída x(t) reproduz o que será o sinal de entrada y(t) em δ unidades de tempo
depois.

Podemos ver também o sistema em avanço (“time advance system”) como sendo uma
translação (“shift”) para a esquerda de δ unidades de tempo que obviamente também
é a operação inversa translação (“shift”) para a direita do sistema com retardo.

No caso discreto o sistema com retardo (“time delay system”) tem a forma:

y[n] = x[n – nδ ]. eq. (4.2)

Alternativamente, podemos ver o sistema com retardo (“time delay system”) como
sendo uma translação (“shift”) para a direita de nδ unidades de tempo.

O sistema inverso, o sistema em avanço (“time advance system”) que expressa x[n]
em função de y[n] é

x[n] = y[n + nδ] eq. (4.3)

21
J. A. M. Felippe de Souza 4 - Sistemas

Podemos ver também o sistema em avanço (“time advance system”) como sendo uma
translação (“shift”) para a esquerda de nδ unidades de tempo que obviamente também
é a operação inversa translação (“shift”) para a direita do sistema com retardo.


Causalidade

Quanto a Causalidade, sistemas podem ser classificados como:

causais (ou não antecipativos)

não causais (ou antecipativos)

Um sistema é causal (ou não antecipativo) se a saída no instante t1 depende da

entrada apenas nos instantes t ≤ t1 .
É claro que se a saída no instante t1 dependesse da entrada em instantes t > t1 então
este sistema anteciparia o que ia acontecer e portanto seria “antecipativo” ou não
causal.

No nosso mundo físico real, se a variável ‘t’ (ou ‘n’ no caso discreto) representa o
tempo, então tem uma dinâmica que evolui no tempo e portanto não é possível se ter
um sistema não causal pois não é possível se prever o futuro.

Entretanto, há casos que a esta variável ‘t’ (ou ‘n’ no caso discreto) pode representar
outro parâmetro ou uma outra grandeza física (que não seja o tempo) e desta forma já
é possível ocorrer sistemas causais.

Exemplo 4.6:
Nos sistemas I a XX acima temos que apenas sistema III é não causal (ou antecipa-
tivo):

Sistema III:
y[ n ] − 5 n y[ n − 1 ] = x [ n + 1 ] − 2 x [ n ]
(sistema não causal ou antecipativo)

pois a saída y[n] depende da entrada x[n] no instante de tempo (n+1). Os demais são
sistemas causais (ou não antecipativos).

Entretanto, no Exemplo 4.5 acima, os sistemas em avanço (“time advance systems”)

das equações eq. (4.1) e eq. (4.3) são também claramente exemplos de sistemas não
causais ou antecipativos.


22
 J. A. M. Felippe de Souza 4 - Sistemas

4.5 – Sistemas lineares e Invariantes no tempo (SLIT)

No caso particular de Sistemas Lineares e Invariantes no Tempo chamaremos de

SLIT. Na literatura inglesa estes sistemas são chamados de “LTI systems” (Linear
time invariant systems).

Em um SLIT usa-se a notação de h[n] e h(t) para as respostas do sistema à entrada

impulso, uo[n] ou uo(t), respectivamente. Isso é ilustrados nas figuras 19 e 20.

Esta “resposta ao impulso” h[n] ou h(t), também chamada de “reposta impulsional”,

traz consigo informações intrínsecas dos sistema que permite se calcular a resposta à
qualquer outra entrada x(t).
Resumindo:
h[n] = a saída do sistema quando a é entrada impulso, uo[n], (caso discreto),

Fig. 19 – Diagrama de bloco ou caixa preta (black box) esquemático de h[n], a saída
do sistema quando a é entrada impulso uo[n] (sistema discreto).
e,
h(t) = a saída do sistema quando a é entrada impulso uo(t), (caso contínuo).

Fig. 20 – Diagrama de bloco ou caixa preta (black box) esquemático de h(t), a saída
do sistema quando a é entrada impulso uo(t) (sistema contínuo).

Um resultado clássico em Teoria de Sistemas é que:

No caso discreto, a saída de um sistema linear invariante no tempo (SLIT) toma a

forma de uma soma de convolução:

y[ n] = h[n] ∗ x[n]
+∞
= ∑ h[ n − k ] ⋅ x[ k ]
k=−∞
eq. (4.4)

23
J. A. M. Felippe de Souza 4 - Sistemas

Fig. 21 – Diagrama de bloco esquemático da saída y[n] do sistema como a convolu-

ção de h[n] pela entrada x[n] (sistema discreto).

Ou seja, h[n] traz consigo toda a informação do sistema necessária para saber a saída
de qualquer sinal de entrada x[n].
Isso é ilustrado na figura 21. É comum representar o diagrama de bloco ou caixa
preta (black box) esquemático do sistema com o h[n].

Sabendo-se h[n] nós podemos saber a saída de qualquer sinal de entrada x[n], pela
equação da soma de convolução [eq. (4.4)] acima.

Esse tipo de somatório (convolução) já apareceu no capítulo 3 (Sinais Singulares),

nas propriedades do impulso unitário discreto, eq. (3. 3).

No caso contínuo, a saída de um sistema linear invariante no tempo (SLIT) toma a

forma de uma integral de convolução:

y(t) = h (t) ∗x (t)

+∞
eq. (4.5)
= ∫
−∞
h (t − τ) ⋅ x (τ) ⋅ dτ

Fig. 22 – Diagrama de bloco esquemático da saída y(t) do sistema como a convolução

de h(t) pela entrada x(t) (sistema contínuo).

Ou seja, h(t) traz consigo toda a informação do sistema necessária para saber a saída
de qualquer sinal de entrada x(t).

Isso é ilustrado na figura 22. É comum representar o diagrama de bloco ou caixa

preta (black box) esquemático do sistema com o h(t).

Sabendo-se h(t) nós podemos saber a saída de qualquer sinal de entrada x(t), pela
equação da integral de convolução [eq. (4.5)] acima.

Esse tipo de integral (convolução) já apareceu no capítulo 3 (Sinais Singulares), nas

propriedades do impulso unitário, eq. (3.13).

24
J. A. M. Felippe de Souza 4 - Sistemas

4.6 – Propriedades da Convolução

A convolução, definida na secção anterior, como uma operação que é, satisfaz algu-
mas propriedades. Aqui vamos mencionar as 3 principais:

a) Propriedade Comutativa
b) Propriedade Distributiva
c) Propriedade Associativa

A Propriedade Comutativa:

h[ n ] ∗ x[ n ] = x[ n ] ∗ h[ n ]

h(t) ∗ x(t) = x(t) ∗h(t)

Pela propriedade comutativa podemos concluir que, no caso discreto, a resposta y[n]
de um sistema linear invariante no tempo (SLIT) tanto pode ser a convolução de
h[n] * x[n] como também pode ser a convolução de x[n] * h[n].

Ou seja, a eq. (4.4) acima é equivalente à

+∞
y[ n] = h[n] ∗ x[ n] = ∑ h[ n − k ] ⋅ x[ k ] =
k=−∞
+∞
= x[ n ] ∗ h[ n ] = ∑ x[ n − k] ⋅ h[k].
k=−∞

Semelhantemente, a propriedade comutativa permite concluir que, no caso contínuo,

a resposta y(t) de um sistema linear invariante no tempo (SLIT) tanto pode ser a con-
volução de h(t) * x(t), como também pode ser a convolução de x(t) * h(t).

Ou seja, a eq. (4.5) acima é equivalente a

+∞
y(t) = h (t) ∗ x (t) = ∫ −∞
h (t − τ) ⋅ x(τ) ⋅ dτ
+∞
= x (t) ∗ h (t) =∫ x (t − τ) ⋅ h (τ)⋅ dτ.
−∞

25
J. A. M. Felippe de Souza 4 - Sistemas

A Propriedade Distributiva:

( h [n ] + h [n ] ) ∗ x[n ] = h [ n ] ∗ x[n ] + h [n ] ∗ x[n ]

1 2 1 2

( h (t) + h (t) ) ∗ x (t) = h (t) ∗ x (t) + h (t) * x (t)

1 2 1 2

Por outro lado a propriedade distributiva corresponde ao facto de que se 2 sistemas,

S1 e S2, lineares e invariantes no tempo (SLIT), são somados, então a resposta à
entrada impulso unitário da soma dos sistemas (S1 + S2) é também a soma
( h1[n] + h2[n] ) no caso discreto ou a soma ( h1(t) + h2(t) ) no caso contínuo, onde
obviamente

h1[n] ou h1(t) = a resposta do sistema S1 à entrada impulso unitário; isto é,

a resposta impulsiona do sistema S1;
e

h2[n] ou h2(t) = a resposta do sistema S2 à entrada impulso unitário; isto é,

a resposta impulsiona do sistema S2.

Portanto, no caso discreto, a resposta y[n] da soma de 2 sistemas S1 e S2, lineares e

invariantes no tempo (SLIT), tanto pode ser a soma das convoluções h1[n] * x[n]
com h2[n] * x[n], como também pode ser a convolução da soma ( h1[n] + h2[n] ) com
o sinal de entrada x[n].

Ou seja:

y[ n] = h1 [n] ∗ x[ n] + h2 [n] ∗x[ n] = ( h 1 [ n] + h 2 [ n] ) * x[n]

Semelhantemente, no caso contínuo, a resposta y(t) da soma de 2 sistemas S1 e S2,

lineares e invariantes no tempo (SLIT), tanto pode ser a soma das convoluções
h1(t) * x(t) com h2(t) * x(t), como também pode ser a convolução da soma
( h1(t) + h2(t) ) com o sinal de entrada x(t).

Ou seja:

y (t) = h 1 (t) ∗ x (t) + h 2 (t) ∗ x (t) = (h 1 (t) + h 2 (t) ) ∗ x (t )

26
J. A. M. Felippe de Souza 4 - Sistemas

Fig. 23 – Diagrama de bloco esquemático da soma de 2 sistemas S1 e S2 nos quais são

aplicados a mesma entrada x(t) (caso contínuo).

Fig. 24 – Diagrama de bloco equivalente ao diagrama da figura 23 (sistema contínuo).

A Propriedade Associativa:

( h [ n ] ∗ h [ n ] ) ∗ x[ n ] = h [ n ] ∗ ( h [ n ] ∗ x [ n ] )
1 2 1 2

( h (t) ∗ h
1 2 (t) ) ∗ x(t) = h 1 (t) ∗ ( h 2 (t) ∗ x(t) )

A propriedade associativa da convolução diz respeito à sistemas ligados em cascata.

Isto é, sistemas em que a saída de um deles é a entrada do outro.

A propriedade associativa nos diz que: se 2 sistemas S1 e S2, lineares e invariantes no

tempo (SLIT), estão ligados em cascata então a resposta à entrada impulso unitário
dos 2 sistemas juntos (S1 e S2) é a convolução ( h1[n] * h2[n] ) no caso discreto ou a
convolução ( h1(t) * h2(t) ) no caso contínuo.

Fig. 25 – Diagrama de bloco de 2 sistemas em cascata.

27
J. A. M. Felippe de Souza 4 - Sistemas

Logo, no caso discreto, a resposta y[n] de 2 sistemas S1 e S2, lineares e invariantes no

tempo (SLIT), ligados em cascata, tanto pode ser a convolução dupla de h1[n] com
h2[n] primeiro, e depois o resultado com x[n], como também pode ser a convolução
dupla de h1[n] com o resultado de h2[n] com x[n].

Ou seja:
y[n] = ( h 1 [n] ∗ h 2 [n] ) ∗ x[n] = h 1 [n] ∗ ( h 2 [n] ∗ x[n] ) .

Fig. 26 – Diagrama de bloco de 2 sistemas em cascata. Primeiro S2 e depois S1. Caso

discreto.

Além disso, note que: pela propriedade comutativa, observamos que tanto faz a
ordem em que os sistemas S1 e S2 estão em cascata pois h1[n] * h2[n] = h2[n] * h1[n].

Fig. 27 – Diagrama de bloco de 2 sistemas em cascata. Primeiro S1 e depois S2. Caso

discreto.

Fig. 28 – Diagrama de bloco equivalente ao diagrama da figuras 26 e 27 (sistema dis-

creto).

Semelhantemente, no caso contínuo, a resposta y(t) de 2 sistemas S1 e S2, lineares e

invariantes no tempo (SLIT), ligados em cascata, tanto pode ser a convolução dupla
de h1(t) com h2(t) primeiro, e depois o resultado com x(t), como também pode ser a
convolução de h1(t) com o resultado da convolução de h2(t) com x(t).

Ou seja,
y(t) = ( h 1 (t) ∗ h 2 (t) ) ∗ x (t) = h 1 (t) ∗ ( h 2 (t) ∗ x (t) ) .

28
J. A. M. Felippe de Souza 4 - Sistemas

4.7 – SLIT sem memória

É fácil de verificar que: no caso discreto, se um sistema linear e invariante no tempo

(SLIT) é sem memória então a sua resposta ao impulso h[n] é da forma:

h[n] = k uo [n]

onde k = h[0] é uma constante.

Fig. 29 – Resposta impulsional de um SLIT sem memória (sistema discreto).

Portanto, pela fórmula da convolução [eq. (4.4)], temos que:

+∞ +∞
y[n] = h[n] ∗ x[n] = ∑ h[ n − k ] ⋅ x[ k ] = ∑ k u [ n − k ] ⋅ x[ k ] ,
o
k=−∞ k=−∞

e então, pela a eq. (3.3)

y[n] = k ⋅ x [n]

Por outro lado, no caso contínuo, se um sistema linear e invariante no tempo (SLIT) é
sem memória então a sua resposta ao impulso h(t) é da forma:

h (t) = k uo (t)

onde k = área do impulso uo(t).

29
J. A. M. Felippe de Souza 4 - Sistemas

Fig. 30 – Resposta impulsional de um SLIT sem memória (sistema contínuo).

Portanto, pela fórmula da convolução [eq. (4.5)], temos que, em sistemas SLIT sem
memória:
+∞ +∞
y(t) = h (t) ∗ x (t) = ∫
−∞
h (t − τ) ⋅ x (τ) ⋅ dτ = ∫
−∞
k uo (t − τ) ⋅ x (τ) ⋅ dτ

e então, pela a eq. (3.13)

y(t) = k x(t)

4.8 – SLIT inversíveis

Se um sistema linear e invariante no tempo (SLIT) é inversível então a seu inverso

também é um SLIT.

A figura 31 ilustra a situação para o caso discreto:

Fig. 31 – Caso discreto. Diagrama de blocos de um SLIT inversível em cascata com

seu sistema inverso. A saída do segundo bloco é a própria entrada do pri-
meiro bloco.

onde aqui, obviamente:

h1[n] = a resposta do sistema S à entrada impulso unitário; e

h2[n] = a resposta do sistema inverso, S-1, à entrada impulso unitário.

30
J. A. M. Felippe de Souza 4 - Sistemas

A figura 32 ilustra a situação para o caso contínuo:

Fig. 32 – Caso contínuo. Diagrama de blocos de um SLIT inversível em cascata com

seu sistema inverso. A saída do segundo bloco é a própria entrada do pri-
meiro bloco.

onde aqui, obviamente:

h1(t) = a resposta do sistema S à entrada impulso unitário; e

h2(t) = a resposta do sistema inverso, S-1, à entrada impulso unitário.

No caso discreto temos que o sistema total (“overall system”), em cascata, ambos o
sinal de entrada e o sinal de saída são x[n], e portanto este sistema total é a identidade,
conforme ilustrado na figura 33.

E, como para o sistema identidade, a resposta impulsional h[n] = uo[n], temos então
que:
h1[n] * h2[n] = uo[n] eq. (4.6)

Fig. 33 – Caso discreto. Diagrama de blocos de um SLIT inversível em cascata com

seu sistema inverso. O sistema total (“overall system”) é a identidade.

Semelhantemente, no caso contínuo temos que o sistema total (“overall system”), em

cascata, ambos o sinal de entrada e o sinal de saída são x(t), e portanto este sistema
total é a identidade, conforme ilustrado na figura 34.
E, como para o sistema identidade, a resposta impulsional h(t) = uo(t), temos então
que:
h1(t) * h2(t) = uo(t) eq. (4.7)

31
J. A. M. Felippe de Souza 4 - Sistemas

Fig. 34 – Caso contínuo. Diagrama de blocos de um SLIT inversível em cascata com

seu sistema inverso. O sistema total (“overall system”) é a identidade.

Exemplo 4.7:

Os sistemas com retardo (“time delay systems”) descritos no Exemplo 4.5 acima

y[n] = x[n – nδ ] (caso discreto)

e
y(t) = x(t – δ) (caso contínuo)

são SLIT e temos que as respostas ao impulso unitário h1(t) e h2(t) para os sistemas
das equações eq. (4.2) e eq. (4.3) são respectivamente:

h1(t) = uo(t – δ)
e
h2(t) = uo(t + δ)

e, pela eq. (3.10), verifica-se que h1(t) e h2(t) satisfazem a eq. (4.7) acima, ou seja,

h1(t) * h2(t) = uo(t).

Por outro lado temos que as respostas ao impulso unitário h1[n] e h2[n] para os siste-
mas das equações eq. (4.1) e eq. (4.2) são respectivamente:

h1[n] = uo[n – nδ ]
e
h2[n] = uo[n + nδ]

e, pela eq. (3.3), verifica-se que h1[n] e h2[n] satisfazem a eq. (4.6) acima, isto é,

h1[n] * h2[n] = uo[n]



32
J. A. M. Felippe de Souza 4 - Sistemas

4.9 – Estabilidade

Há muitas definições de estabilidade de sistemas. Uma definição bastante usada para

definir estabilidade de sistemas é a seguinte:

Definição: Estabilidade de Sistemas:

Um sistema é estável se para todo sinal de entrada limitado ele produz um sinal de
saída limitado.

Às vezes usa-se a sigla BIBO estável para descrever esta definição de estabilidade de
sistemas, onde o nome “bibo” vem do idioma inglês:

BIBO = Bounded Input, Bounded Output

(ou seja: “entrada limitada, saída limitada”)

Fig. 35 – Diagrama de blocos ilustrativo de um sistema BIBO estável.

No caso de SLIT (sistemas lineares e invariantes no tempo) temos resultados espe-

cíficos para este tipo de estabilidade:

Para um SLIT discreto prova-se que: O sistema é estável se e somente se a resposta

ao impulso unitário h[n] satisfaz

∑ h[k]
k=−∞
<∞ eq. (4.8)

Um sinal h[n] que satisfaz a equação eq. (4.8) é dito ser absolutamente somável.

Portanto, um SLIT discreto é estável se e somente se a resposta ao impulso unitário

h[n] é absolutamente somável.

33
J. A. M. Felippe de Souza 4 - Sistemas

Para um SLIT contínuo prova-se que: O sistema é estável se e somente se a resposta

ao impulso unitário h(t) satisfaz
∞

∫ h(τ) ⋅ dτ < ∞
−∞
eq. (4.9)

Um sinal h(t) que satisfaz a equação eq. (4.9) acima é dito ser absolutamente integrá-
vel.

Portanto, um SLIT contínuo é estável se e somente se a resposta ao impulso unitário

h(t) é absolutamente integrável.

Exemplo 4.8:
Tomando-se novamente os sistemas com retardo (“time delay systems”) descritos no
Exemplo 4.5 acima

y[n] = x[n – nδ ] (caso discreto)

e
y(t) = x(t – δ) (caso contínuo)

observamos que, no caso discreto

∞ ∞

∑ h[k]
k=−∞
= ∑ u [n − nδ]
k=−∞
o =1

e portanto a eq. (4.8) é satisfeita e o sistema com retardo discreto é estável.

Semelhantemente, observamos que, no caso contínuo

∞ ∞

∫ h(τ) ⋅ dτ
−∞
=
−∞
∫ u (τ − δ) ⋅ dτ = 1
o

e portanto a eq. (4.9) é satisfeita e o sistema com retardo contínuo também é estável.

Este resultado é de certa forma óbvio pois um sinal de entrada limitado irá permane-
cer limitado após uma translação (shift) para a direita (retardo).


34
J. A. M. Felippe de Souza 4 - Sistemas

Exemplo 4.9:
O sistema discreto cuja relação entre os sinais de entrada/saída é dada pela equação
abaixo:
∞
y[n] = ∑ x[k]
k=−∞

é chamado de “somador” ou “acumulador”.

É fácil observar que h[n], a resposta ao impulso unitário, para este sistema é

h[n] = u1[n] = degrau unitário discreto.

Fig. 36 – O sinal u1[n], degrau unitário discreto.

Este sistema não é estável pois nitidamente não satisfaz a eq. (4.8) uma vez que:

∞ ∞

∑ h [k]
k=−∞
= ∑ u [k]
k=−∞
1 = ( 1 + 1 + 1 + K) = ∞

Ou seja, h[n] deste sistema não é absolutamente somável.



Exemplo 4.10:
No caso contínuo, o sistema cuja relação entre os sinais de entrada/saída é dada pela
equação abaixo:

y (t) = ∫−∞ x(τ) ⋅ dτ

t

é chamado de “integrador” ou “acumulador”.

35
J. A. M. Felippe de Souza 4 - Sistemas

É fácil observar que h(t), a resposta ao impulso unitário, para este sistema é

h(t) = u1(t) = degrau unitário contínuo.

Fig. 37 – O sinal u1(t), degrau unitário contínuo.

Este sistema não é estável pois nitidamente não satisfaz a eq. (4.9) uma vez que:

∞ ∞ ∞ ∞
τ2
∫−∞ h(τ) ⋅ dτ = ∫ u1 (τ − δ) ⋅ dτ = ∫ τ⋅ dτ =
2
=∞
0 0 0

Ou seja, h(t) deste sistema não é absolutamente integrável.



4.10 – Teoria de Sistemas

O que vimos aqui neste capítulo foram apenas algumas noções básicas de sistemas.
Entretanto, a Teoria de Sistemas é muito mais ampla e inclui muitos outros temas de
estudo. Abaixo vamos ilustrar alguns dos principais tópicos estudados em Teoria de
Sistemas.

Modelização (‘modeling’)
Já referido na secção 4.3, a modelização estuda as técnicas de escrever o
modelo do sistema. No nosso caso o modelo matemático do sistema.

Identificação de parâmetros
Estuda as técnicas de identificar os valores dos parâmetros do modelo. Isto é,
encontrar os valores que melhor ajusta o sistema real ao seu modelo.

Controlo de sistemas
A “Teoria de Controlo” estuda as técnicas de controlar um sistema, ou seja,
conduzir um sistema de um estado inicial para um estado final desejado.

36
J. A. M. Felippe de Souza 4 - Sistemas

Optimização
Estuda as técnicas de optimizar o desempenho do sistema.

Simulação
Estuda as técnicas de construir um modelo simulado do sistema. A simulação
permite que se teste um sistema sem ter que utilizar o próprio sistema real,
mas sim o modelo simulado, em um laboratório ou, muito comummente em
um computador. Em fase de projecto muitas vezes é necessário testar um sis-
tema por muitas vezes e em certos casos os testes danificam ou alteram o
desempenho do sistema. Com o uso de simulação essas tarefas são realizadas
com o modelo simulado do sistema.

Realimentação (‘feedback’)
Estuda as técnicas de reintroduzir informações da saída na entrada com o
objectivo de corrigir o rumo do sistema e desta forma melhorar o desempe-
nho e obter a saída desejada.

R(s) Y(s)
+ S
-

Fig. 38 – Diagramas de blocos de um sistema com realimentação (“feedback”).

Estimação de estado
Estuda técnicas de recuperar informações do estado inicial do sistema e desta
forma recuperar todos os estados subsequentes.

Sistemas robustos
Existem técnicas que tornam sistemas robustos. A robustez é a qualidade de
um sistema ficar imune, ou protegido, ou inalterado a eventuais alterações
nos parâmetros do modelo, seja por envelhecimento dos componentes ou por
variações ambientais como a mudança de temperatura por exemplo.

Sistemas tolerantes à falhas

Estuda técnicas de criar sistemas cujo desempenho não é prejudicado em
casos de avarias ou falhas.

37
J. A. M. Felippe de Souza 4 - Sistemas

Processamento paralelo ou distribuído

Estuda a repartição do processamento de um sistema, com o uso de computa-
dores, tal que cada tarefa seja dividida em sub-tarefas que são processadas de
forma mais ágil e de forma simultâneas em computadores diferentes e mais
acessíveis.

Sistemas ‘fuzzy’
Usando a lógica‘fuzzy’ estuda técnicas que permitem um linguajar mais
natural e menos matemático nas comunicações e nas definições de variáveis
como o “input” e a “output”.

Sistemas inteligentes
Estuda técnicas para serem implementadas em máquinas, robôs, computado-
res, etc. de forma a estes poderem realizar tarefas que nós humanos ainda
hoje fazemos melhor que a máquina. Em geral são tarefas que nós, os huma-
nos, usamos a nossa mente para realizá-las.

o reconhecimento de coisas e objectos. Por exemplo, nós, os humanos, até

mesmo uma criança, sabemos distinguir uma maçã de uma pêra, apesar do
facto de que não há duas maçãs iguais. Semelhantemente, sabemos distin-
guir um cão de um gato, apesar do facto de que há muitas raças diferentes
de cães. Nós humanos, até mesmo uma criança, sabemos dizer ao olhar um
cesto cheio de frutas quais estão podres e devem ser retiradas. Todas estas
tarefas são difíceis para uma máquina realizar.

o reconhecimento de pessoas. Por exemplo, nós humanos, somos capazes

de reconhecer fisionomias, mesmo que a pessoa esteja de lado, ou esteja
diferente do usual: com bigode ou barba ou cabelo mais comprido, ou
usando um chapéu. Somos até capazes de reconhecer uma pessoa mesmo
depois de alguns anos sem vê-la e ela já esteja mudada. Uma máquina tem
muita dificuldade de fazer reconhecimento de pessoas.

muitas tarefas do nosso dia a dia como: caminhar, falar, ler, escrever,
subir e descer escadas, lembrar de nomes, factos ou coisas, conduzir (um
veículo), identificar uma placa de trânsito, cozinhar, costurar, etc. etc.
Nós humanos usamos o cérebro para realizá-las e é muito difícil ensinar
máquinas para fazê-las por nós.

tarefas como: cantar, dançar, tocar um instrumento, compor, redigir um

texto, pintar um quadro, ou outras actividades que envolvem arte, são
também exemplos de tarefas que é muito difícil ensinar máquinas para
fazê-las por nós pois nós, os humanos, usamos o nosso cérebro para rea-
lizá-las.

38