Upload
ago-teri
View
212
Download
0
Embed Size (px)
Citation preview
8/18/2019 Lezione4_Processi_aleatori
1/29
1
Corso di Fondamenti di Telecomunicazioni
6 – Processi aleatori
1
.
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Struttura della lezione
statistica ( ) Stima delle statistiche di primo e secondo ordine
Processi aleatori stazionari ( ) Potenza, energia e Spettro di potenza ( )
Processi aleatori ergodici ( )
2
Processi aleatori notevoli ( ) Processi gaussiani Rumore bianco e rumore termico
Correlazione tra due processi aleatori ( )
Filtraggio di un segnale aleatorio con sistemi LTI ( )
8/18/2019 Lezione4_Processi_aleatori
2/29
2
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
PROCESSI ALEATORI:
DEFINIZIONEE CARATTERIZZAZIONE STATISTICA
3
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Processi aleatori
spesso dei segnali x (t ) trattati, elaborati, o ricevuti non si
conosce a priori la forma d’onda nel tempo
Processi aleatori: un processo aleatorio è un modello matematico per i segnali
aleatori
Processo aleatorio: definizione
4
collezione di un numero finito o infinito di funzioni del tempo
(segnali determinati) corrispondenti a diversi risultati di unesperimento aleatorio
8/18/2019 Lezione4_Processi_aleatori
3/29
3
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Processi aleatori
(t ,ω ) è il processo aleatorio
x(t ,ω i) funzione campione
X (t i ,ω ) variabile aleatoria
x(t j,ω i) numero
5
L’aleatorietà sta nel fatto che a priori non è possibile saperequale sarà il segnale
Eseguito l’esperimento, il processo diventa a posteriori unsegnale determinato x(t, ω i), detto funzione campione orealizzazione
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Processi aleatori parametrici
11 =ω
22 =ω
Esempio 1: processo esponenzia e
)()( t uet X t −Ω=
processo parametrico dipendentedalla v.a. (parametro) Ω
6
33 =ω Ω è una v.a.assume i valori del lancio di un dado
Ω = {ωi} = {1,2,..,6}
8/18/2019 Lezione4_Processi_aleatori
4/29
4
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Processi aleatori parametrici
semp o : genera ore segna e cos nuso a e
( )θ π += t f At X 02cos)( costante: Acostante:0 f
π θ 2,0incontinuaaleatoriavariabile:
7
I processi parametrici sono i processi più semplici da trattare
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Caratterizzazione statistica di un processoaleatorio
( ) )(, 11 t X t X = variabile aleatoria
Funzione distribuzione di probabilità del primo ordine delprocesso
} x t X t x F X ≤11 Pr ; Δ
2
4
X(t 1) x1(t)
8
-4
-2
0
543210
Tempo, t
t1
x2(t)
x3(t)
x4(t)
X (t 1)
dipende anche da una variabile temporale t 1perché le proprietà statistiche della variabilealeatoria cambiano, in generale, al cambiaredell’istante di tempo al quale si “campiona” ilprocesso:
21 t x F t x F X X ;; ≠
8/18/2019 Lezione4_Processi_aleatori
5/29
5
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Caratterizzazione statistica di un processoaleatorio
( ) )(, 11 t X t X =ω
Funzione densità di probabilità del primo ordine delprocesso
2
4
X(t 1) x1(t)
( ) ( )t ; x F
t ; x f X ∂
=Δ 1
9
-4
-2
0
543210
Tempo, t
t1
x2(t)
x3(t)
x4(t)
X (t 1)
x
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Caratterizzazione statistica di un processoaleatorio
Osserviamo che la funzione non è sufficiente a( )1;t x F X caratterizzare un processo aleatorio
Esempio:
un processo aleatorio utilizzato per modellare (e prevedere) laquotazione di un titolo in borsa
t X : probabilità dell’evento che la quotazione del titolo all’istante divendita t2 sia maggiore della quotazione all’istante di acquisto t1
10
}2211
2121
x t X x t X
t t x x F X
≤
=
,Pr
,;, Δ
1 t x F X ;
richiede la considerazione congiuntadi due variabili aleatorie estratte dallostesso processo in istanti distinti.Non può essere utilizzata
distr ibuzione di probabilità del secondo ordine del processo
8/18/2019 Lezione4_Processi_aleatori
6/29
8/18/2019 Lezione4_Processi_aleatori
7/29
8/18/2019 Lezione4_Processi_aleatori
8/29
8
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Indici statistici di un processo aleatorio
⎪⎧
=+∞
continuo proc.)();( X t dxt x xf μ
{ }
⎪⎪
⎩
⎨
=
=
∑
∞−
discreto proc.))((
)(
i
ii xt X P x
t X E
),()( ϑ t g t X =
Per un processo parametrico
ϑ ϑ ϑ ϑ d f t g t g E t X E θ
)(),()},({)}({ ∫+∞
∞−
==
15
unz one au ocorre az one or ne
{ }⎪⎩
⎪⎨
⎧
== )()(),( 2121 t X t X E t t R XX })(,)({ 21∑∑ ==
i j
ji ji xt X xt X P x x
∫ ∫+∞
∞−
+∞
∞−21212121 ),;,( dxdxt t x x f x x X Processo continuo
Processo discreto
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Indici statistici di un processo aleatorio
[ ][ ]{ }=−−= )()()()(),( 221121 t t X t t X E t t C XX )()(),( 2121 t t t t R XX −=
t t t == 21 se Varianza(ordine 1)
)()()}({),( 222 t t t X E t t C XX σ μ =−=
16
== ∫+∞
∞−Ω
− ω ω ω d f t uet X E t )()()}({
=−= ∫∑ −∞
∞−=
− ω ω ωδ d it uei
t )()(6
16
1
)(5.36
)(6
1
t uei
t ue t
i
t −
=
− =∑
Esempio 1 )()( t uet X t −Ω= Ω è una v.a.assume i valori del lancio di un dado
Ω = {ωi} = {1,2,..,6}
ϑ ϑ ϑ d f t g t X E θ
)(),()}({ ∫+∞
∞−
=
8/18/2019 Lezione4_Processi_aleatori
9/29
9
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Esempio 2: processo armonico
θ π θ += t t X 2cos dove θ è una v.a. uniformementestr u ta n , π
02
1)2cos()}({
2
0
0 =+= ∫π
θ π
θ π d t f At X E
{ }== )()(),( 2121 t X t X E t t R XX
2cos2cos θ π θ π ++= t t A E =+++−= 2)(2cos)(2cos2
θ π π t t f t t f E A
17
2
[ ] =+−= 0)(2cos2
210
2
t t f A
π
21 posto t t −=τ
)(τ X R
[ ] [ ] =+++−= ∫ α π α π π π
d t t f A
t t f A
2
12)(2cos
2)(2cos
2
2
0210
2
210
2
integrando il cos(a+θ) per θ∈[0,2π]. ATTENZIONE:la frequenza è1/ π, quindi è già nullo in [0,π]
NOTA: in questo caso non dipende dagli istanti, ma solo dalla loro distanza),( 21 t t R XX
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Esempio
Ω Ω Ω , Ω
v.a.∈
[-1,1] uniformemente distribuita
f X ( x;t )
-1 1
+1
-1
),( it x ω
t
18
t t X i ∀=ω )(
⎪⎩
⎪⎨⎧ −∈=
altrove
xt x f X
0
]1,1[2
1);( μ =)}({ t X E 0);(
1
1
== ∫−
dxt x xf X
NOTA: Il valore medio nondipende dal tempo perchénon ne dipende la f X
{ }== )()(),( 2121 t X t X E t t R XX { }3
1
2
11
1
22 == ∫−
dx x X E
f X ( x;t ) coincide con la pdf della Ω, ∀t
8/18/2019 Lezione4_Processi_aleatori
10/29
10
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
PROCESSI ALEATORISTAZIONARI
19
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Processi stazionari
un processo si dice stazionario in senso stretto se unatraslazione temporale modifica le forme d’onda ma il
comportamento statistico rimane invariato, cioè:( ) ( )ε ε ε +++= nn X nn X t t t x x x f t t t x x x f ,,,;,,,,,,;,,, 21212121 KKKK
ε ∀
n∀
20
n= ,stazionario di ordine M
Un processo si dice stazionario in senso lato (SSL) (o in sensodebole) se:
non dipende dal tempo{ })(t X E
( ) ( ) 1221 con, t t Rt t R X XX −== τ τ
8/18/2019 Lezione4_Processi_aleatori
11/29
11
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Processi stazionari almeno in senso lato
E [ X (t )] è indipendente dal tempo R XX (τ) dipende solo dalla distanza tra gli istanti
Processo STAZIONARIO IN SENSO LATO (SSL) se:
21
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Processi stazionari almeno in senso lato
{ })()()( t X t X E R XX ⋅+= τ τ
• R XX (τ)= R XX (-τ)• R XX (0)= E {[ X (t )]2}≥0
•| R XX (τ)|≤ R XX (0)
Potenza media statistica istantanea
22
C X (t 1,t 2) = E { X (t 1) X (t 2)}– μ X (t 1)μ X (t 2)
Se R XX dipende solo da τ
Se il valor medio è costante
C XX (τ) dipende solo da τ
Proprietà della funzione di autocovarianza
8/18/2019 Lezione4_Processi_aleatori
12/29
12
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Processo stazionario in senso lato{ })()()( t X t X E R XX ⋅+= τ τ
lato, che non contiene componenti periodiche. Risulta:
2)(lim X XX
R μ τ τ
=→∞
Dimostrazione
R X(τ)
μX2
23
{ } { } 2)()(lim X X X t X E t X E μ μ μ τ τ
==+=∞→
Il processo è stazionario in senso lato. Quindi il valor medio è indipendente dal tempo
{ }=+∞→
)()(lim τ τ
t X t X E
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Significato della funzione di autocorrelazione perun processo stazionario
11 22
valore medio e stessa potenza, R XX (0)
XX11(t)(t) varia lentamentevaria lentamente
XX22(t)(t) varia velocementevaria velocemente
Nello stesso tempoNello stesso tempo τ,, XX22(t) e X(t) e X22(t +(t + τ) sono più incorrelate di X) sono più incorrelate di X11(t) e(t) e
XX11(t +(t + τ) , cioè:) , cioè:
24
L’Autocorrelazione misura la rapidità di variazionedel segnale aleatorio
x x22 ττ →→ μμxx p ve ocemente p ve ocemente x x11 ττ
X
μX2
τ
8/18/2019 Lezione4_Processi_aleatori
13/29
13
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Significato della funzione di autocorrelazione perun processo stazionario
τcorr : minima distanzadi tempo affinché le v.a.estratte dal processosiano incorrelate
τcorr
2 X μ
)(τ XX R
τcorr
2 X μ
)(τ XX R
25dove
222 )( X X t X E μ σ −= è la varianzaτcorr
)(ˆ τ XX C
12
2)()(ˆ
X
X XX XX
RC
σ
μ τ τ
−=
(per confrontare grandezze diverse):
1)0(ˆ = XX C 0)(ˆlim =
∞→τ
τ XX C
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
POTENZAENERGIA ESPETTRO DI POTENZA
26
8/18/2019 Lezione4_Processi_aleatori
14/29
14
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Potenza ed energia X (t ): processo casuale x(t ,ω i): realizzazione
per ogni realizzazione l’energia e la potenza sono definiticome segue:
∫+∞
∞−
= dt t x ii ),(2 ω ε
+
=2/
2 ),(1
limT
ii dt t x p ω
8/18/2019 Lezione4_Processi_aleatori
15/29
15
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Spettro di potenza
Ricerchiamo una definizione di Densità S ettrale di Potenza
(spettro di potenza) congruente con quella dei segnali
determinati
Ogni realizzazione ha una diversa densità spettrale di potenza
⎪⎨⎧ <
=T t t x
t xi
iT
2/||),(),(
ω ω
29
|),(|
lim),(2
T
f X f S iT
T i X
ω ω
∞→= ( ) { }),(, dove iT iT t x f X ω ω ℑ=
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Spettro di potenza di un processoaleatorio
Conseguenza:(per i processi stazionari almeno in senso lato)
{ } { }
|)(|
lim|)(|
lim),(:)(22
T
f X E
T
f X E f S E f S T
T
T
T X X
∞→∞→=
⎭
⎬⎫
⎩
⎨⎧
== ω
30
come per i segnali determinati:
Teor. Di Wiener-Khintchine{ })()( τ XX X R f S ℑ=
{ }0
1 )()(=
−+∞
∞−
ℑ=∫ τ f S df f S X X X P ≡)0( XX R= Per un processo stazionario la SX(f) è ladensità spettrale di potenzadensità spettrale di potenza
8/18/2019 Lezione4_Processi_aleatori
16/29
16
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Spettro di potenza e funzione diautocorrelazione
Lo Spettro di Potenza di un p.a. stazionario S X ( f )=ℑ[ R X (τ)]soddisfa tutte le proprietà della densità spettrale di potenzadi un segnale determinato
La Funzione di Autocorrelazione di un p.a. stazionario R (τ)=
31
ℑ[ X (t ) X (t +τ)] soddisfa le stesse proprietàdell’autocorrelazione di un segnale determinato
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
PROCESSI ALEATORIERGODICI
32
8/18/2019 Lezione4_Processi_aleatori
17/29
17
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Ergodicità del valor medio di un processoaleatorio
∫+
−∞→
>=<2/
2/
),(1
lim),()1(T
T
iT
i dt t xT
t x ω ω ∫+∞
∞−
= dx x xf X E X )(}{)2(
Il processo è ergodico in valor medio se: la (1) e la (2) coincidono con probabilità 1
33
la media temporale è un numero. Ne segue che anche lamedia statistica non deve dipendere da t
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Ergodicità della funzione diautocorrelazione di un processo aleatorio
u ocorre az one empora e e segna e x t, i
∫−∞→+=
2/
2/
),(),(1
lim)(T
T
ii
T
x dt t xt x
T
Ri
ω ω τ τ
Il processo è ergodico in autocorrelazione se:
==
34
X xi
Inoltre, in tal caso si ha:
)()( f S f S X xi =
8/18/2019 Lezione4_Processi_aleatori
18/29
18
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Ergodicità in senso lato
l’ergodicità è verificata per le funzioni: Valor medio Autocorrelazione
Cioè se, scelta a caso una qualsiasi realizzazione,
35
e me e ns eme co nc ono con que e emporacon probabilità 1
Ogni realizzazione fornisce una buona stimadelle caratteristiche spettrali del processo
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Processi ergodici
Definizione: rocesso er odico in senso stretto è un processo strettamente stazionario per il quale è sufficiente
una sola realizzazione, scelta a caso, per ottenere con probabilitàunitaria, tutte le informazioni statistiche
In altre parole: tutte le medie temporali sono uguali (con probabilità 1) alle
corrispondenti medie statistiche
36
ua unque s a a unz one camp one sce ta, tranne per un ns emecon probabilità nulla, si dice che:
la media verticale (d’insieme) coincide
con quella orizzontale (temporale)
8/18/2019 Lezione4_Processi_aleatori
19/29
19
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Processi ergodici
37
CONSEGUENZA:
È possibile misurare certe statisti che, definite come medie diinsieme, mediante le corrispondenti medie temporali calcolate
su una sola (qualsiasi) realizzazione
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
PROCESSI ALEATORINOTEVOLI
38
8/18/2019 Lezione4_Processi_aleatori
20/29
20
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Processi aleatori Gaussiani
un processo aleatorio X (t ) è Gaussiano se le n variabili aleatorie[ X (t 1), …, X (t n)] da esso estratte agli istanti [t 1, …, t n] risultanocongiuntamente Gaussiane per ogni n, e per qualunque n-upladi istanti, cioè se:
( ) ( ) X XX T X X X n
nn X et t x x f η η −−− −=
15.0
11
1),,;,,(
CKK
39
Caratterizzazione completa:
)(t X η [ ]),( 21 t t C XX
XX determinante
sono sufficienti
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Processi aleatori Gaussiani dove:
( ) ( ) X XX T X X X n
nn X et t x x f η η −−− −
=15.0
11
1),,;,,(
CKK
[ ]T n X X X
t t )(,),(1
η η η K=
[ ][ ] ( ),, k i XX k i t t C ==XXC
XX
Vettore dei valori medi
Matrice delle autocovarianze( ) ( ) ( )
( ) ( ) ( )⎥⎥⎤
⎢⎢⎡
= n XX XX XX
n XX XX XX
t t C t t C t t C
t t C t t C t t C
,,,
,,,
22212
12111
C
40
( ) )()(, k X i X k i XX t t t t R η η −=
Proprietà fondamentali: se un processo Gaussiano è stazionario in senso lato, allora è
anche stazionario in senso stretto due processi gaussiani, se incorrelati, sono anche indipendenti
( ) ( ) ( )⎥⎦⎢⎣ nn XX n XX n XX t t C t t C t t C ,,, 11
8/18/2019 Lezione4_Processi_aleatori
21/29
21
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Rumore bianco
modello matematico astratto) caratterizzato da:
)( f S X
20 N 20 N
)(τ XX R
0 e 2
)( 0 == X X N
f S μ
41
Per ogni frequenza, il processo ha lo stesso contenuto di potenza
Come la luce bianca che contiene tutti i colori; per questo il rumore èdetto bianco
f τ
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Rumore bianco
R XX (τ) è un impulso. Quindi, presi due istanti anche vicinissimi, i valoriassunti dal processo nei due istanti sono incorrelati
Il rumore bianco non esiste nella realtà poiché risulta a potenza infinita
Esso serve come modello di un’ampia gamma di segnali, per i quali siuò assumere che non ci sia correlazione tra i valori assunti dal se nale
42
in tempi diversi
Tra i rumori bianchi un caso particolare è costituito dal rumore termicodovuto all’agitazione termica degli elettroni
8/18/2019 Lezione4_Processi_aleatori
22/29
22
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Rumore termico
R
1
Ogni elettrone contribuisce a generare una tensione Vdi disturbo che è dovuta alla temperatura T, il processoche rappresenta la tensione V è di tipo gaussiano
43
SV(f)
f 0 f
f 0 dell’ordine dei THz (Tera =1012)
f 0=6.025 THz
stato verificato che S V(f) è del tipo
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
SV(f)
Rumore termico
f 0 f
f 0 dell’ordine dei THz (Tera =1012)
f 0=6.025 THz
La tensione che si genera dovrà interagire con l’esterno, visto chetutti i sistemi hanno una banda che sicuramente è inferiore ai THz
44
SV(f)
f 0
H(f)
osso cons erare rumore erm co come rumore anco ne rangedi frequenza di interesse
8/18/2019 Lezione4_Processi_aleatori
23/29
23
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Rumore termico ai capi di una resistenza
T Il rumore termico di una resistenza a tem eratura T
R
K è la costante di Boltzman K=1.37E-23 J/°K
R è la resistenza in Ω
T è la temperatura in gradi °K
è modellato con una resistenza ideale ( T =0 °K) in serie con uneneratore di tensione rocesso bianco
45
R
)(t ne
KRT f S en
2)( =
{ } 0)( =t n E e
)(2)( τ δ τ KRT Reenn
=
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
CORRELAZIONE TRA DUEPROCESSI ALEATORI
46
8/18/2019 Lezione4_Processi_aleatori
24/29
24
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Processi aleatori congiuntamentestazionari
Due processi sono congiuntamente stazionaricongiuntamente stazionari insenso lato se: X (t ) e Y (t ) sono singolarmente stazionari in senso lato e R XY e R XY dipendono solo da τ
47
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Cross-correlazione e segnali incorrelati Definizione: Cross-correlazione tra 2 segnali SSL e
cong untamente staz onar
Definizione: X ( t) e Y ( t) SSL sono incorrelati se:
{ })()()( τ τ += t Y t X E R XY
{ })()()( τ τ += t X t Y E RYX
{ } { } { } Y X t Y E t X E t Y t X E μ μ τ τ ⋅=+⋅=+⋅ )()()()(
{ } { } { } X Y t X E t Y E t X t Y E μ μ τ τ ⋅=+⋅=+⋅ )()()()(
Se X e Y sonoSe X e Y sono SSL e congiuntamente stazionari,SSL e congiuntamente stazionari, incorrelatiincorrelati e a media nullae a media nulla
)()( τ τ YX XY R R =
0)()( == τ τ YX XY R R X e Y si dicono ortogonaliX e Y si dicono ortogonali
8/18/2019 Lezione4_Processi_aleatori
25/29
25
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Processi aleatori indipendenti e incorrelati
Notiamo che se due rocessi sono incorrelati:
[ ][ ]{ }=−−= )()()()(),( 221121 t t X t t X E t t C Y X XY μ μ
{ } { } { } =+−−⋅= )()()()()()()()( 21212121 t t t t X E t Y E t t Y t X E Y X Y X μ μ μ μ
{ } { } 0)()()()( 2121 =−⋅= t t t Y E t X E Y X μ μ
49
0),( 21 =t t C XY
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Caso rilevante: segnale + rumore termico
Esempio: segnale + rumore termico
Il rumore ha valor medio nullo 0)()( == τ τ YX XY R R
[ ] [ ]{ }
)()()()(
)()()()()
τ τ τ τ
τ τ τ
YX XY YY XX
ZZ
R R R R
t Y t X t Y t X E R
+++=
=+++⋅+=()()()( t Y t X t Z +=
Consideriamo il segnale:
50
)()() τ τ τ YY XX ZZ R R R +=(La funzione di autocorrelazione di un segnale affetto da rumoretermico additivo è la somma delle funzioni di autocorrelazione delsegnale e del rumore
8/18/2019 Lezione4_Processi_aleatori
26/29
8/18/2019 Lezione4_Processi_aleatori
27/29
27
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Filtraggio di un segnale aleatorio consistemi lineari tempo-invarianti (LTI)
Il Σ è attraversato da una sola realizzazione
x(t,ωi) y(t,ωi)
x(t,ω ) y(t,ω )
X(t)X(t) Y(t)Y(t)
T
T
Y(t)=T[X(t)]Y(t)=T[X(t)]
53
X(t,ωi) = X(t, ω j)Y(t, ω i) = Y(t, ω j)
Il Σ è deterministico:
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Notazione
Σ e Σ , e h t a sua r spos a a mpu so
h(t)h(t)x(t,ωi) y(t,ωi)
Useremo la notazione: ( ) )()( t h X t Y ⊗=
)(),( t h xt yii
⊗= ω
)(),( t h xt y j j ⊗= ω
54
processi aleatori !!!
8/18/2019 Lezione4_Processi_aleatori
28/29
28
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Trasmissione di processi attraversosistemi lineari tempo-invarianti (LTI)
o o processo a ea or o t n ngresso a s s ema e a ras ormaz onedel sistema, in generale non è possibile determinare il comportamentostatistico completo del processo aleatorio in uscita Y (t )
È però possibile calcolare valor medio e funzione di autocorrelazione
Eccezione per i sistemi senza memoria
’ ’
55
usc a pen e a va ore s an aneo e ngresso fissato l’istante, il processo diventa una variabile aleatoria in questo caso è possibile calcolare: ),( t y f Y
ΣX(t1) Y(t1) Σv.a. v.a.Trasformazionedi variabilialeatorie
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Valor medio e Autocorrelazione delprocesso di uscita
caratterizzato da valor medio e funzione di autocorrelazione:
Dato un sistema Σ LTI caratterizzato da una risposta all’impulso h(t ):
)(t X μ ),( 21 t t R XX
56
{ } )()(),()()(),( 2121212121
t ht ht t Rt Y t Y E t t Rt t
XX YY ⊗⊗==
{ } )()()()( t ht t Y E t X Y ⊗== μ μ
8/18/2019 Lezione4_Processi_aleatori
29/29
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Valor medio e Autocorrelazione delprocesso di uscita
Dato un rocesso X t stazionario in senso lato caratterizzato da valor medio e funzione di autocorrelazione:
Dato un sistema Σ LTI caratterizzato da una risposta all’impulso h(t ):
X μ )(τ XX R
57
X (t ) e Y (t ) risultanocongiuntamentecongiuntamente
stazionaristazionari)()()( τ τ τ −⊗= h R R XX XY
)0()( H dt t h X X Y ⋅== ∫∞−
μ μ μ
)()()()()()( τ τ τ τ τ τ hh XX XX YY R Rhh R R ⊗=−⊗⊗=
{ } 2)()()()( f H f S R f S X YY Y =ℑ= τ
Fondamenti di TLC - Prof. G. Schembra 6 – Processi aleatori
Filtraggio di processi aleatori Gaussiani
Processo di ingresso:
• Gaussiano
• Stazionario in senso lato (equindi anche in senso stretto)
Sistema:
Processo di ingresso:
• Gaussiano
• Stazionario in senso lato (equindi anche in senso stretto)
Sistema:
58
• Lineare Stazionario
Processo di uscita:
• Gaussiano
• Stazionario in senso lato (equindi anche in senso stretto)
• Lineare NON Stazionario
Processo di uscita:
• Gaussiano