Oey) ENRICO MACL! ESERCIZI SVOLT DI TEORIA DEI SEGNAL| oma edeulianrcaacl Indice 1 Energia. Potensa 11.3 Energia e potenza di un segnale - 114 Rappresentarionegrometsea de segnal Galea delenergia di um sognai Galeolo della potenza media di ‘3 Sviluppi in serie. 4 Procedura di Gram-Schimidt . 221 Sviluppo in serie di Fourier (1) 222. Sviluppo in Serie di Fourier (2) 223 Proprieta della trasformata di Fourier 22.4 Spettzo di ampiezza ed energia 22.5 Trasformata di Fourier 22.6 Trasformata di Fourier ‘impulso e funsione di trasferimento 313 Proprieta dei sotomi LIT 3.14 _Interconnessione di sistemi LTT 32 Beercizi 7 3 S88eeR S8BNEey| 4 Indice | Indice 321 Caleolo dellenergia di segnali lrati 38 i 6.13 Medi statistiche . 2 322 Sguale alluseita di un filtro LTT SU 9 | 614 Process stasiouai in senso stretio of 323 Sognale modulatoe fitrato 30 | 6.1.5 Process stazionari in senso lato 95 324 Yerfca di lineata e tempo-invarianza a \ 61.6 Process ciclostazionari 96 325. Linearitae fitragsio CIEE 2 : 61.7 Process casuali gaussiani 9% 618 Densita spettrale di potenza 7 4 Segnali Periadici e Segnali a Potenza Media Finita a7 619. Tyasformarion linear di process casual. 98 41 Rickiamidh Teoria a 6.1.10 Processo di umore bianco - 9 AULT Kappresentavione spetrale dei segnali periodict a7 | S111 Brgodicita 99 412 Spetteo di energia Sar | 62 Bsercizi : “101 4.1.3 Spettro di potenza di segnaltperiodici 48 } 621 Calcolo del valore atieso . 101 4.14 Spettro di potenza per segnall a potenza media finita | 49 622 Spettro di povenca di proces! casual : 2 aor 42 seria 51 623 Process! gaussiani 103 421 Spettro di ampiezza di un segnate periodico 51 624 Rumore gaussiano fitraio .. 104 422 Tnerse, poten media epetiri di energia epotenza 52 ! 62.5 Calcolo della funzione di autocorrelazione (1) Cll) 105 423 Segnale periodico filtrato Ss 526 Caleolo della funzione di autocorrelazione (2). 106 424 Fito passabasso 7 | 62.7 Processo easuale filtrato (1)... : 107 425 Fillraggio di un treno di delta di Dirac... 0 j 828 Processo casuale Serato (2)... 2 309 | 6.2.9 — Processo casuale filtrato (3) . wees TD ‘5. Teoria della Probabilita e Variabili Casuali 63 5.1 Richiamidi Teoria 6 7 Campionamento ai Sognali Analogic 15 Tcanale di comunicazione discreto 1. 6 TA Richiams di Teoria . cee WS Analisi del canale Dinasio dscreto : 6 { TAL Tatrodurione ous 1a defnizione di variabile casuale a 67 | T12__Campionamento di un sogaale 116 Ta funaione distribusione cumulativa - 6 72 Boer veces 19 Ja densita i probabil : oo 72.1 Campionamento di un segnaie sinusoidale =. .2.22.22. 119 Modi statistche di variabil casual : 70 122 Campionamento dela omma dite sepals 0-028 Ssempi di densta di probabilita a 72.3 Segnale sottocampionato 120 Distiburioni e densith condionate..... 0. /ccl0cs0) 73 “Tasformavioni di varabili casual Elo 8. Segnali e Sistemi a Tempo Discreto as. oppie di varabili casual . 4 B1 Richiani di Teoria - . coteseeseeeees TB “Tasformazioni di dve variabil casual 76 811 Defaizione , 123 SI oar 812 Sistemi linear discret’... Tl aa anal dint“ sogete aN sill : 7 813 La trasformata z u Ut aa Canale ternario 7% S14 Ta trasformata di Fourier di sequenze discrete 125 ESC in cascata 79 1 8.1.5 Discrete Fourier Transform .. . . tenes ‘125, Codice a ripetizione... 81 j 816 Files numerich DUI gar Codice a contrllo di pasta 8202.02 2 202020020 82 | 82. Esercti aan 129 Codiica di canale 53 83.1 Calcolo dlia irasformata ~~~ TD ra9 Henson dest proba 6 propit 85 822 Scelta dei parametsi della DFT | I 129 To dela densi di probabilta.. a 86 823 Sistema a tempo disereto (1)... -- 129 529. Trasformazione di vriabile casuae (1) 0.00.0. 000.2 ar 824 Sinema a tonpo dcr 131 5.210 ‘Tasformasione di variable casuale (2) : 88 825 Sistema a tempo disereto (3) Tl 13 82.6 Caleolo della 4(2) e verifica della stabilita 134 6 Processi Castali a 82.7 Sistema a tempo discreto (4) 135 6.1 Richiamidi Teoria 1 82.8 Trasformata invasiante per Timmpulio TI a6 G1 Che cosa d un processo casuale? Sere eeeneenoeaa 6.12 Deserigione probabilistica di un processo casuale . 92 Bibliografia 137Indice A. Segnali notevoli e funzioni util 139 Ad Detnzionee propre dla delta di Dia . 139 A.2 Formule di prostaferesi aang 40 A'S. Formule di Werner... 40 Ad Formule di duplicazione e bisezione Fi 140 A'S Il segnale “porta” eee ui AG Il segnale “gradino” Mi ALT La funzione Sinc . aaa 12 AB La funzione gaussiana 42 Proprieta della trasformata di Fourier ¢ tabella di trasformate note- voli 145. Capitolo 1 Energia e Potenza 1.1. Richiami di Teoria LLL Defini Un segnale @ una rappresentazione per mezzo di un'equazione matematica dell’anda- ‘mento di una grandezza fisica. Tipicamente la variabile indipendente é 1 tempo, ma ud anche essere di interesso trattare segnali dipendenti da una variabile spozio come nel caso delle immagini. Un segnale 2(t) che pud assumere un qualunque valore di ampiezza inogni istante i tempo viene detto segnale a tempo continuo o analogice. Fsso@ dunque una funzione reale di variable reale 1e di segnale 2): RAR B di interesse (in particolare nel campo delle telecomunicazioni) consiterare anche segnali complessi 2(t) = z,(t) + J2s(t) dove 2-(t) e x(t) sono rspettivamente la parte realec la parte immaginaria del segnale e j @ V'unita immaginaria. In qusto caso RIC Quando invece il segnale assume valori solo in determinati istanti di tempo esso viene detto segnale a tempo discreto, In questo caso il segnale & una sequenga di valori ln} en viene detto tempo discret. un]: ZR Anche in questo caso la sequenze potrebbe consistere di velori complessi uln] ZC Nel caso in eu’ la sequenza a tempo disereto assuma solo un numero fisito di poss bili valori di ampiezza (segnale quantizzato) il segnale viene detto mumerie. Nel segui- to verranno cousiderati principalmente segnali analogici, e i sognali a tempo disereto saranno introdotti nel capitolo 7 e nel capitolo 8. T8 1 ~ Energia e Potenza Alcuni sognaii notevoli che ricorrono spesso nella teoria e negli esercizi, quali 1a porta pr(t), il gradino u(t), le funzione Sine(?) ¢ la delta di Dirac, sono defiiti nell’Appendice A. 1.1.2 Supporto di un segnale Inteoduciamo us concetto molto semplice, cio® quello di senate « supporto limitato In particolare ur segnale x(¢) ha supporto limitato se é diverso da zero soltanto in un intervallo di tenpo finito, ovvero z(t) # 0 per £ € (ab), con ~o0 Usegnale 2() = pr (t=) @ a supporto imitato nellntervallo (0,7). > LU segnale 2() = cos(2nfot}pr't) & a supporto limitato nelintervallo (~§, 5) © U segnale 2() = sin(2rfot) non @ a supporto limitato, 1.1.3 Energiae potenza di un segnale . Si definisce enevga di un segnale 2(@) reale 0 complesso la quantita a= [wore aay Nel cato in cut tale integrale converga il segnale si dice a energia finite. Si noti che segnali a suppetto liniteto sono generalmente ad energia finita, in quanto T'ntegra- le E, = f°|24|0Idt converge ad un valore finito, a meno che il sognale non tenda all'nfinit ‘llnterno del supporto. Seil segnale non ¢ ad energia finita ha senso valutare la sua potenza media, definita + renin} [Teta an Se P; < co il segnale si dice a potenza media finita. ‘Trai segnal'a potenza media nita sono di particolare intoresse i seal periadict per i quali esiste un valore T'> 0 per eui vale la relazione at+T) =2(0) as) €T viene dettoperiodo del sognale. Questo segnae si pub anche scrivere come ¥ ere-n, 2(0 dove ert) @ ilsegnale troncato su un unico periodo. La potenza media di un segnale { 2 int ean aan S11 = Richiami di Teoria 8 periodico vale aay ‘ed é pati all'energia del segnale zr(t) troncato su un periodo, divisa per il periodo 7. Esistono classi di segnali che non sono né a energia finita né a potenza media finita, ma questi sono generalmente di limitato interesse pratico. Tipicamente i segnali, nella realta, hanno durata finita e non assumono valor infiniti in nessun jstante di tempo, fe sono dunque segnali a energia finita. I segnali a potenza media finita, e tra questi { sognali periodici, sono perd delle utili approssimazioni matematiche di segnali la cui ddurata temporale 8 molto maggiore del tempo durante il quale vengono osservati 1.1.4 Rappresentazione geometrica dei segnali Due segnali 2;(¢) e a(t), in generale complessi, si dicono ortogonali se axon = 7 a(thzj(t)de =0 1 precedente integrale rappresenta un'operazione di prodotto scalare tra segnali, in modo analogo a quanto avviene tra i vettori. La norma del segnale ¢ definita come taol= yf [™ eora Un insieme di 1V segnali si dice ortonormale se essi sono ortogonali e ciascuno ha norma unitaria, cod se VEs cana = {2 523 LN segnali si dicono tra loro linearmente indipendenti se nessuno di essi pud essere seritto come combinazione lineare dei rimanenti N’~ 1 segnal ‘Un insieme di N segnali ortonormali tra loro linearmente indipendenti si pud inter~ pretare come base ortonormale di uno spazio di segnali a N' dimensioni, qualunque segnale dello spazio pub esere srtto come combinasione Hneare deg element della ‘Supponendo di avere un iasieme di N segnali ortonormali (¥u(t)sm = 1,2y=N) si uo approssimare un generico segnale ad energiafinita s(¢) attraverso una combinazione Tineare degli N segnali ¥ Ver 5) 1 cooficienti 34 si ottengono attraverso Ia proiezione del segnale s(t) sulle diverse funzioni ortonormali tramite prodotto scalare:10 1 —_Buergia ¢ Potenza se= (toute = J” sovstet In questo modo si ottiene la migliore approssimazione del segnale, nel senso che si mini- rmizea V'energia del segnale errore e(t) = s(t) ~ (8). L’energia del segnale approssimato si pud caleolare come: =f 7 ora wo x = [Yano Daiwa NN pw = Das [wove x = Die? (a) Il isultato precedente si ottiene ricordando che | diversi elementi della base sono tra loro ortogonali per k # Le quindi il loro prodotto scalare é nullo tranne che per k=l Lenergia del segnale errore vale dunque B= [oto —seorae [ a porate [era *sosroae— [sr ostnat x = By + Bs-2) |e? =B-B (1.6) Se s(t) apparticne allo spazio di ui {¥n(¢)} @ una base, allora la rappresentazione @ esatta e BE. = 0. In questo caso vale una relazione detta wguaglianza dt Parseval, che esprime Fenergia del segnale tramite i cofficenti della rappresentazione del segnale nella base scelta come W Fe= ole! (a7 i Procedura di Gram-Schmidt ‘Supponendo di avere un insieme di segnali a energia finite {a,(t),é = 1,2,.M), non necetsariamente ortogonali né linearmente indipendenti, @ possibile ottenere un insieme 4 funziont ortonormali applicanda la procedura di Gram-Schmidt. La prima forma jabba S11 = Richiami di Teoria Ww onda ortonormale @ ottenuta come ai) _ au) Vs ~ VEr La seconda forma d’onda @ ottenuta dopo aver calcolato la proiezione di s(t) su va(t), bee ca = Vesta = of [stout Si ottiene poi la forma d’onda w(t) Volt) = 9x(t) — cavnlt) che deve essere normalizzata, per ottenere una forma d’onda ad energia unitaria ‘La procedura prosegue caleolando le proiezioni di sa(t) su Ya(t) € va(t) € cas via, ome descritto nel riquadro seguente. Formule per Ia procedura di Gram-Schmidt ce = V(5u(O alt) Pan Galt) = sult) - Yo cavhlt) La procedura prosegue fino ad esaurimento degli M segnali si(t). in generale il numero di forme d’onda ottenute é NV 0, ‘Soluzione Come in moti stsi casi, anche in questo semplice esercizio la soluzione si pud trovare ‘aleolando ’enegia sia nel dominio del tempo che nel dotninio della frequenza che sar introdotto nei apitoli suceessivi. Procediamo per ora nel dominio del tempo: s.= [wore coset) a [I [Oe cotan ea Ricordando la frmmula di duplicazione del coseno si ottiene [ve Kd 4 af 2H cost ft)at B,= ‘Al secondo termine conviene applicare la formula di Bulero ed esprimere il easeno come ‘somma di espononsiali complessi: omg 3 [eaten fone 1 pt LL paun-stetongy gE greene, nn agta | aif at saarmior[ Lat ao, 4 ] atk = GRY a (R= aif) * RF GRI)| ~ AK * AIRE AID 5-2 1+ eral 1.2.2 Calcolo della potenza media di un segnale Calcolare le petenza media del segnale g12_— Bsercieh 13 x)= > vlt—nT) dove p(t) 8 riportato in figura 1.1. oo -A Figura 1.1 Soluzione 2(t) & periodico i periodo T. Quindi, indicando con Ey energia del segnale p(é) in un period, si ottiene 1.2.3. Sviluppi in serie Dati gli N segnali clementari ys(t), 1< i < Ny definiti sul supporto S A -h4 5 ome segnali complessi ad energia finita e supporto limitato nell’intervallo CHF Consideriamo T'insieme det segnali wa(t) = &™"/7, ‘nun intero tra —co e +00. B facile dimostrare che i segrali wa(t) costituiscono tun insieme di segnali ortogonali, ciascuno di energia pari aT. Siamo interessati 2a “costruire” il segnale 2(¢) come somma pesata di questi segnali w(t), in modo simile a quanto visto nel capitolo 1. La differenza principale consiste nel fatto che il numero di segnali utiizzati non @ NV ma infinito e i segnali non sono a norma unitaria, e quind non parliamo pid della “base” di uno spazio di segpali (anche se Al concetto di base si pud estendere a una dimensione infinita) » Seriviamo quindi il segnale 2(t) nella forma seguente: ¥ pawl) Questa formula @ valida soltanto pert € ( > Quanto devono valere i coeficent jn della rappresentazione al fine di minimizzare Venergia dellerrore? Come nel caso della base di segnal, i coeficertis2q devono Sinemet, x(t) 920 2 — Serie ¢ Trasformata di Fourier ‘essere pati al prodotto scalare del segnale z(t) con ciascuno degli elementi a(t) vero fn = # {2p 2(t)uy(tpdt = JF z{tjers™™"/T dt, Si noti che, se x(t) reae, si ha che pun = yh. Il risultato principale dimostrato da Fourier & che questa rappresentazione é esatta per i segnali a supporto limitato nelVintervallo (~ 4,5). Formule per ilcalcolo della serie di Fourier e dell’energia di un segnale a supporto limitato w= Sporn mete(-E2) en mak fiagerra Xda imerpretizione della serie di Fourier @ molto semplice. Per quanto riguarda i segnali wy (1), esi sono degli esponenziali complessi oscillanti a una singola frequenza ‘B. Pertanto qualunque segnale 2(t) a supporto limitato nellintervallo (—%,2) si pud Glotruite come somma di infinite componenti armoniche alle frequenze #, cascuna Gieve pasatada un cooffente jy. ramment i sguifesto intutivo del prodotto scalare utilizzto per calcolae il generico cocffciente in. Seil prodotto scalare ha valore ‘basso, z(t) e s(t) sono quasi ortogonali, avvero e'e “molto poco” di wn (t) nel segnale 2(0. In als terming, stiamo costruendo il segnale x(t) come somina di component alle frequenze #, ciascun coeficonte ji ci dice, per ciascuna componente, quanto essa é forte ne segnale z(t) ‘La serie di fourier ci offre anche uno strumento per calcolare 'energia di un segnale. Come si é visto, 'energia ¢ definita come Ez = J”. |x*(t)\dt. Questo integrale pud essere pits 0 meno difficile da ealcolare a seconda dellespressione del segnale 2(t). Se iT caleol nel cominio del tempo risultasse difficile, spesso il calcolo trate la serie di Fourier pud esere pid agevole. In particlare si pad dimostrare ta validita della formula riportate nel iguadro riassuntivo "Ai fini deg esercisi come vedremo ¢ sempre opportuno cercare di cape, prima di inisiare a efftizare calooli, quali siano le strade disponibili e quale di esse permetta di cottenere i risato richiestoeffettuando il minor munnero possibile di calli ‘Si not noire la presenca nella formula dellenergia di un fattore moltipicativo T, che deriva dalfatto che i segnali uilizzati per lespansione in serie non sono & norma ‘unitaria, adiferenza di quanto visto nell’equazione (1.7) nel $21 ~ Richiami di Teoria 2 La serie di Fourier - segnali periodici Quanto si@ detto in precedenca a proposito dalle serie di Fourier @ valido per segnali definiti su un supporto limitato quale per esempio Vintervallo (-3,4). Al di fuori esto intervalo il segnale deseritto dalla (2.1) non deserive il segnale z(0), che & {denticamente mllo. Quanto vale allora questa combinazione di exsponensiali complessi a di fuori delintervallo (—,5)? B facile dimostrare che la (2.1) desrive un segnale periodico di periodo T (questo deriva dal fatto che gli esponenziali complessi wn(t) sono periodici di periodo T/n). Pertanto, se si rimuove il vincolo che ¢ € (~$,5), Vequazione descrive un segnale periodico ottenuto considerando 2(¢) nell'intervallo (=2,2), ¢ replicandolo infinite Yolte con ritardi pari a multipl interi positivi e negativi di T. Si ha pertanto che aet)= So met = SF atta) valida per co < t < +00, dove a(t) é il segnale a supporto limitato nelf'intervallo (—$.f). Riassumiamo Je due possibili interpretazioni della serie di Fourier. > Se si guarda solo Vintervallo di tempo (~3,5), la serie di Fourier deserive un Segue a supporto limitato ed energa finita in ullintervall Sei guardaTiatervallo ~co La trasformata di Fourier gode di diverse proprieta che ne facilitano il ealcolo, Tali proprieta sono riportate in appendice B per comodita di consultazione, $21 ~ Richiami di Teoria 23 + Thal da rafrmata ( ntivaformata) Foe n eal pd ese CHertata pervs Seen tote (22) Spee pe npr te atoare Crests Pr alts ewe fciom Sun alee oped peters trasformata di Fourier ¢ nota. In questo caso, é generalmente pit) convenient ean cesar a ae rpeees eee ts eae ssegnale cercato tramite Vutilizzo delle proprieta della trasformata. L'appendice Burs vas telat copied wale nate waters Fos ee ee +» Siponga attenzione alla proprieta di dualita. Questa proprieta consente di utilizzare la tabella delle trasformate “al contrario”, ovvero scambiando le funzioni del temy ‘con quelle della frequenza e viceversa. ar ieasanaa anePy 2 — Serie ¢ Trasformata di Fourier 2.2 Esercici 2.2.1. Suiluppoin sere di Fourier (1) Si cael lo sviuppo in sri di Fourier del segnale defini neintervallo [—F ao =f a toto) Soluzione B necessario calolate i coefficient jn dello sviluppo in serie di Fourier applicando la definizione. Siottiene $ F ae 7 [seta = Loon i noti che, per certi valori di, alcuni dei coefficenti pn potrebbero diventare nulli, Per esempio, prendendo 7 = 7/2, si ottiene m= Asn (1 fe quindi jg =0 per n pari e diverso da 2. 2.22 Suilupo in Sere di Fourier (2) Tsegnale nt 240) = Aom (264) definito per -oo < t < +00 viene trasformato nel segnale y(t) in base alla seguente () sez) 20 w= {Oe nce Verificare se y(t) & ancora periodico di periodo T,, e ealcolarne lo sviluppo in serie di Fourier. otc et ba i eR ARNE EN $22 —_Boercsi 25 Soluzione Come si pud notare dalla figura 2.2.2 il segnale y(t) & ancora periodico di periodo T. a0 wn 7 =e 7 Figura 2.1 ‘Si puo calcolare lo sviluppo in serie di Fourier del segnale a(t) = g° -Fsts¥ 0 altrove poi estenderlo a tutto T'asse reale. Si ha D ne Fet u(t) = dove © a(te Fat,26 2. ~ Serie ¢ Traslormata di Fourier Per tzovare lo sviluppo in serie di Fourier di y(t) ¢ sufficiente caloolare i vari coeffcienti Hin. Si trova che w= 5 fi ace(B)a~3 4a apt nt) agpe sage = fF Aco (2) ea = - 4 [Lilet re lonta- Aft [eto even ml, AT : AL TT cso y ato mel eto s AT eer 4 oH] = TOE Paras sinf(e—1) | A sing(n+1) nat tae ett Poiché . . sin F(n1) = toon siha Si vede che! mn A yy _ cnn Bye = BaP opg Ein oy cos(m+ 15 sinm$ sing 4 n=0 a mali, _ mal saat cosng pati 0 ndispari 2.2.3 Proprieta delta trasformata di Fourier Determinare lo spetro del segnale2(t)rappresentato in figure 2.2, usando opportune- ‘mente le proprieta della trasformata di Fourier. sun pee x) Figura 222B 2 — Serie ¢ Trasformata di Fourier Soluzione Possiamo serrere il segnale 2(¢) come somma di due contributi: a(t) = a(t) +20(0) La scomposizione si pud fare in modi diversi, si veda ad esempio la figura 2.3. sequito scriviamo il segnale seguenco 'esempio B come 20) = Aor(t — (P+ 7/2) + Appa ltr +87 /4)) 2 Net A B a 20 A A ‘ ml ‘ AF q aE q 2 240 A 4 c vie 1 TP Tet Fgura 23 Quindi per lineata si ottione la trasformata di Fourier X(f) = X(f) + 2alf) oo see ema $22 — Bsercai 29 S800 (t) (p) = AED Xl) = guste jang(4T +7) Utiizzando alcune proprieta trigonometriche si pud scrivere X(f) in modo pitt elegente: = Gyr (oreo) Bet an of) {raa(ayf evr ster} y= ERED mt {oem (et) + hor} xy) = Ae, entry tte ASMELD) antyrgcte 2.2.4 Spettro di ampiezza ed energia ‘Si consideri il segnale a(t) = a(t — Te dove e oy = 88 © fo = # con k una costante strettamente positiva, > Caleolare lo spettro di ampiezza di x(t). © Caleolare Menergia di x(t), Soluzione I segnale 2(t) si pud scrivere come a(t) = a(t - T)e?Ft = y(thert doves posto) = at 7). Pera propiets trastarione in frequenza la X(J) X(N =YU ~ fo)Sere © Tasformata di Rourier Ma = Serie e Tasformata i Fourie A sua volta, per la proprieta di traslazione nel tempo, la ¥(f) vale YU) = Aly? © quindi lo spettro del segnale z(t) si pud scrivere come X(N) = AL ~ fle Pel either Ponendo fo = $ si ottiene ninna(s-A)emrren ca(pB)ecoer Inoltre la trasformata di Fourier di a(t) si pud caleolare facilmente grazie alla pro- prieta di dualita, che permette di stabilire che la trasformata di una funzione di tipo e Sine @ una porta 4 Alf) =P, () y A questo punto ¢semplicecalcolare Venerga di x(t) nel domino della frequenza afut- tando 'uguaglianza di Parseval, ricordando che il modulo quadro di un esponenciale ‘complesso vale sempre uno si ha che ; = [P xnra=} 2.2.5 Trasformata di Fourier Si consideri il segnale I(t) = a(t) cos(2n Fat) dove a(t) ¢ un segnale a energia fnita il eui spettro A(f) @ nullo per || > Fo/2. Si consideri poi un segnale y(t) il cui spettso Y(f) € legato allo spettro di 2(¢), ovvero X(f), dalla relazione ¥(A) = X(fu(f) eon 1 f20 w= {a 720 Valutare y(t) in funzione di 2(t). Soluzione Lavorando net dominio della frequenza si ha XD AU) * FF =) 45 +P) = MAY + ACU +A) $22 — Bsercisi 3 ees quindi 1 Y(f) = X(NUU) = 5AUS ~ Fo) “Antitrasformando si trova, vo = 7 {Lay ry} = Later = 1 x(t) Rot 2 momen 2.2.6 Trasformata di Fourier Si considers il segnale x(t) il cui spettro X(f) vale X(f) = cos(2nf)Pya(f) © Pija(f) @ la fanzione porta simmetrica, di ampiezza unitaria © durata 1/2 (¢ diversa da zero nellintervallo [-1/4,1/4]). Si costruiscano i segnali wie) = 2(et—e™4] a(t) =y(t) So 4(t-n). Si tracci l'andamento di 2(¢), dopo averne ricavato un’espressione analitica, Soluzione Per risolvere il problema si pud lavorare nel dominio della frequenca aiutandost con i sralici di X(f) (riportato in Bgura 2.26), Y(f) ¢ 2(/). Le e di Fourier di y(t) e 2(@) valgono YU) = XW)-xE-9) 2h) = rarer > sen} = = Yin Yo oy-m= S vy—m Gli andamenti di ¥(f) e Z(f) sono rappresentati in figura 2.5, Bala fgua 28 €mmedloco noes en Be A awers + x)= Foret = Heys He)2 2 = Serie e Trasformata di Fourier X(f) =a 1/4 f Figura 2.4 B possibile risolvere V'esercizio lavorando nel dominio del tempo, trovando analitica- mente le varie expression’ di z(t), y(t) e 2(t). Si ha: (0) = FX} =F {PD} 2 FE (cos 2af} = singt 1) . SE «File 1) + 60+ 0) = fog) | singie+1) 2] xt —1) t+) u(t) = 2(t)l- 2) att) = ult) YO slt=n)= SO ulnjsle-n) sZt 0] ogee + Anti Je > cr anewneeseseenecrerstal $22 — Bserciai 38 vw an Figura 2.5 Bevidente che: poiché 1-e/™ = [ee atte) See Bane)Serie ¢ Trasformaca di Fourier Resta ancora da analizzare y(1) ¢ y(—1). Si ha: Bim ula) = 3-4 -¢ oni = ot 3 “3 1 sin fin) alimvin) = 5 +e Quindi 2) = ull) +u-0) = S16(e~ 1) + 6(¢ + 0) L'andainento di 2(t) @ riportato in figura 2.6. 2) 42 -1 l 1 t Figura 26 Capitolo 3 Sistemi Lineari 3.1 Richiami di Teoria 3.1.1 Definizione Un sistema operante una trasformazione Tl} sul segnale in ingresso a(t), tale da generare un segnale in uscita y(t) = Tlz(t), si dice: > lineare se la trasformazione T[}] soddisfa la condizione: Tlaxzs(t) + o2z2(t)] = a:T {xi (6)] + a2T[e2(0)] dove a, e a2 sono due costanti e +; (t) e 22(#) due segnali posti in ingreso al sistema che opera la trasformazione. Per la veriica della condizione di lineata occorre: 1. pore in ingresso i due segnali 2,(t)¢ xo(¢) separatamente e otterere y(t) = Thex(t)] ¢ vat) = Tl2al) i 2 ren ingresso il segnale z(t) = a,x; (t) + agra(t) e ottenere I'uscita w(t) = 3, verificare se w(t) = aivs(t) + a2va(t) © tempo-invariante se, dato un sistema che opera la trasformazione y(i) = T[(t), @ soddisfatta la condi Tha(tt r= ue 7) Perla verifca della condizione di tempo-invarianza occore: 1. porre in ingresso il sognale 2() ottenere y(t) = Tle(0] 2 porre in ingreso il segnale 2(t) = 2(¢#r) e ottenere Puscta w(t) ~ Tle()] 3 verificare se w(t) = y(t) 3.1.2 Risposta all'mpulso e funzione di trasferimento Dato un sistema lineare ¢ tempo-invariante (LTT) che opera la trasformasione y(t) = L{x(Q)) si definisce risposta all'impatso Vuscta del sistema quando al suo ingressa viene 353 3. Stem Linea (81_— Richland Teoria x posto un ingresso pari alla delta di Dirac (vedi appendice A.1): HAN) MO = £160) x0 | A ms) HAN) Yun) X(f) YU) ‘Conoscends A(t) é possibile calcolare Puscita del sistema per ogni segnale di ingresso 1 ‘trove Topecsione d convolusone ay un w= [> a(nnte— nar (@) © Se il sistema LTT ammtte trasformata di Fourier 10s Fon rw H(S) = F[(e)] Tasca si pub caleolae ome Wh YU) = HX) | \ © dove X(J)e ¥(f) sone le trasformate di Fourier rispettivamente di x(t) e y(t). [Nall'analisi dei sistemi LTI, lavorando nel dominio della frequenza si ha dunque ‘che fare con prodotti semplici tra funzioni anziché prodotti di convoluzione. Nella Ssoluzione di un eserciio una scelta oculata del dominio in cul caleolare Puscita del sistema LTI puo far risparmiare un numero significative di passaggi matematici bene dunque sempre valutare con cura entrambe le possibiliti anche ricordando che il ealeolo éall'integrale di convoluzione pud essere agovolato dalla sua interpretazione ‘pafica 3.1.3 Proprieta dei sistemi LTI Un sistema LTT operante una trasformazione £{] sul sognale in ingresso 2(t), tale che lt) = Liat) si dice: > causale se h(t) =0 per t<0 » fisicamente realizzabile se é causale e h(t) @ una funzione puramente reale » non distorcente se h(t) = ki(t ~ 7) 0 equivalentemente H(f) = ke~%"" essendo ‘kuna costante reale ¢ + un ritardo. » stabile secondo il criterio Bounded-Input, Bounded-Output (BIBO) se e solo se [Tnar Interconnessione in serie come in Bgura 3.1 (a) HU) = FQ = Huta) Interconnessione in parallelo come in figura 3.1 (b) Hi) = FO = min +H) Interconnessione con reazione come in figura 3.1 (c) ¥(s) MS) HO = x0) > eR38 __3 = Sistemi Lineari $0.2 Bserczi 39 3.2) Esercizi 3.2.1 Calcolo deli'energia di segnali filtrati Si considerino i due segnali a(t) = ey are @) (0 z van (F ) = a(t) « Smt) 3 (0) = a(t) SH Quine la sotuzone & dove “+” denota it prodotto di convoluzione, Si determini la relazione che deve inter- cepene tale contanti ke 8 affinché Venergia di y() sia par alla meta del energia di x(t) Soluzione (0) = u(t) L'energia di 2(¢) si pud calcolare facilmente nel dominio del tempo: B= [penta [oma d os Per calcolare l'energia di y(t) é opportuno lavorare nel dominio della frequenza, dove il prodotto di convoluzione viene trasformato in un prodotto semplice, at) = ae) « 00 Yin=xinr {2000} = dove prt cleao dF {$8} tanta a roped ui B, -af “yr apd = deme (2) Imponiamno ora la condiaione richest dal wserciio 1 vctan® ie setan E O=k k#O i 3.2.2 Segnale all'uscita di un filtro LTH Un sistema LI ha risposta allimpulso h(é) rettangolare, causale, di ampiezza unitaria e durata T. Lingreas vale “ () =sin 2n/ot) Si denoti come y(t) Vuscita del sistema. Determinare per quali valor di fo V'uscita é identicamente ntlla: (2) = 0. Ve Soluzione La risposta allimpulso del sistema si pud serivere come h(t) = pr(t 7/2), dove pr(t) @ una posta di ampiezza unitaria e durata T, con supporto nel'intervallo (2,2). La trasformata di Fourier di f(t) & molto facile da caleolare;inoltre la trasformaia di 2(0) sard formata da delta di Dirac, dal momento che (¢) € petiodien. Queste consideraziont ci fanno propendere per una soluzione nel dominio della frequenza. In particolare la funzione di trasferimento vale X= HU ~) 60 +20 YN = XH) 6 verificata se le delta di Dirac nello spettro di X(f) eadono E k=12. La condizione Y(f) = in corrispondenza degli zeri di H(f), cioe per fo 3.2.3, Segnale modulato e filtrato Si consideri lo schema in figura 3.2, dove ¢ © fo sono costanti, e a(t) ¢ un segnale strettamente limitato in banda: X(f) =0 per [/| > B. Si supponga fo = 10B. > Ricavare un’espressione analitica per y(t). > E possibile trovare un valore di ¢ affinché y(t) = 0 Ve?A 3 = outa ps “ (SY 200) ; i aesrorlaey 2) ELL. {2 ' mont a Soluzione Scriviasno esplicitamente il segnale 2(t), applichiamo le formule di Werner, e quindi quelle di Eulero: a(t) = aft} cos (2x fot) cos (2x fot + #) = = Jo fo) +08 (Ur fot+6)]= 1 1 (ax fot+s 1 —HAx fot+9) Fo cosld) + FaQereerh 4 Fa(Qersernere) {A questo punto i pub caleolare facitmente I un rsformata di Pouri. af) Joos X(N) + FX (P= 2fo) + GerPOX (+ 2h) Come si pro notare, questa trasformata contien tre termini, ovvero lo spettrooviinale SEG) e dwn sue version trasate. Ci chiediamo come questo spettro venga modificato assed atravereo sistema LTT, e@ in paricolare salou di questi termini vengano Eaneclai Cid i pad detorminare pit faciimente per via grafica, facendo un dsegno {Guatativ, come in figura 3.3, della trasformata di Fourier Z(f) ¢ della funzione di Saformatto H7)),«aisegnando quindi lo spetio del seguate di uscita Y(/). Tn patcelare, notte per fo — 108 non si ha sovrapposiione in frequenca dei tte “omni inltre i filtro passabasso ideale cavcella le du repiche intorno alle frequenze +2fo. Quindi lo spettro del segnale di uscita vale ¥(f) = Z(/)H(f) = TeamgX(j) il sognale nel dominio det tempo si pub srivee come VO = feos(s)e(0 Cerchiame i valori di ¢ tali per eui y(t) =0 Ve. La condizione da imporre é quindi cos(@) = 6, che a sua volta implica @ = (2k-+1)5. v0 3.24 Verifica di linearta e tempo-invarianza Vuscita di un sistema é legata allingresso 2(t) dalla relazione: ue)= [. a(rdr + 2(t-2) Dimostrare che il sistema é lineare tempo-invariante. Calcolare la risposta allimpulso e la funzione di trasferimento, Soluzione Per la linearita dobbiamo verificare che Fuscita 2(t), quando Vingresso @ una com- binazione lineare di segnali, sia pari alla combinazione lineare delle uscite ai singoli sognali2 3. = Sistem Lineari al)= f, foxzu(r) + anta(r)] r+ arzi(t— 2) + ox09(t ~ 2) = sistema tempo-invariante ‘Bssendo un sistema LTT, dato in ingresso z(t) = cos? fot si avrd: uit) = |Hi(f)|eos(2rfot + 41 fo)) dove [f:(Ja)l © $:(fo) sono modulo ¢ fase della funtione di trasferimento Hi(f). T ‘due segnali sono in fase se gi(fo) = 0: sin 2a fT —sintrhT ye aefPann 3 Tao T4 Joos2nfol fe 2fo Poich! fo = 1 kHe, il minimo valore di T maggiore di 0 tale per cui y(t) e (6) siano in fase ono) = Taha sp =05ms per n=l ald Bf ~ Bo . Per quanto visto prima si pud scrivere: u(t) = keos(2nfot +) ove = [Hal Jo) # = (fo): Si v(t) = F cos? (2n fot + 4) = ea + c0s( 4x fot + 24)) Queso segnale ha componenti spettrali alle frequenze f = #2fy € una componente cmv sinnamemecenceaaemt §8.2_— Beercisi 45 ‘continua, Sviluppando si ottiene: vo = vo-848 eee tae [cos 4x fot 0824 — sin dx fot - sin 26] = dove: Pnsando in froqunea si tro 2 vn = San +4[ous- 2 +5s+20)]+ B ~B fou 2p) a1 + 280)]= 2 = Fane} (a 5) ay - 24) +4 (4+4) ay + 2%) Affinché z(t) sia costante @ sufficiente che all'uecita del filtro ideale ci sia solamen- te la componente continua del segnale y/(t). Il filtro deve quindi tagliare le due componcnti a f = £2fp, per cui deve essere W’< 2fo. In questo caso: 2 _ oP 2 2(t) = costante = Sih (fo? = —z~—— ——_ = (1+ peas fo)? +z sin? An fol 1 -—— Trestrhrs ~*\s 3_~ Sistemi Lineati essondo fo = 1 kHz e T= 0.5 ms. In definitiva z(t) @ costante se W < 2fy e vale: sty = HALE Capitolo 4 Segnali Periodici e Segnali a Potenza Media Finita 4.1 Richiami di Teoria 4.1.1 Rappresentazione spettrale dei segnali periodici Nel caso dei segnali periodici, per i quali vale la relazione (1.8), & possibile fornire una rappresentazioue nel dominio della frequenza utilizzando la trasformata di Fourier. Infatti il segnale periodico pud essere scrtio attraverso lo sviluppo in sere di Fourier pet segnali a supporto illmitato, come richiamato nel paragrafo 2.11. Prendendo la trasformata di Fourier del segnale espresso come sviluppo in terie, é possbile serivere X= Do nd — nfo) dove fo =1/T e jf Hn = foXr(nfo) Xr(J) rappresenta la trasformata di Fourier del sognale 7(t) troneato sul suo petiodo fondamentale T. Lo spettro di un segnale periodico @ detto “spettro a righe” perche € costituito da una sucoessione di funzioni impulsive i cui inviluppo segue andamento dela trasformata di Fourier del segnale 2r(t) i Fourier di un segnale periodico X(f) = fo Y) Xrl(mfo)6(F — nfo) (an) 4.1.2. Spettro di energia Come si é visto precedentemente, nel particolare caso dei segnali periodic ¢ possibile calcolare la trasformata di Fourier ottenenda dunque uno spettro di ampiezwa. Cid, a48 4. = Soguali Peviodici e Segnali a Potenza Media Finita che ci i chiede ora é se sia possibile trovate una rappresentazione nel dominio della ‘equenza anche per segnali a potenza media finita ma non periodici. Per fare cid, ‘consideriaero nuovamente un segnale 2(0) a energia finita, La quantita Self) = XA? (4.2) viene denoninaa sei d ener, infest descrve la compoicione nel dominio delle cannes lal senate’ oda do propre ce sono caratnstche deg ees doit opti) una gradeca ia (i questo cao energia} 1. uo integra fornisceVeneria totale del sgnale,ovvero Be = /*2IX(A) Pat 2 cutuns componente spettal ven trasformata in modo indipendente dal alte au stoma inate prima proprio deriva dal guagliance di Parseva. La soonda propre si verifon TEehtnetd Chnsderando inftts un stoma LTL confusion dt trasferiento 1(f) la cal wate vale — Y= HX) © immediato ottenere che S\(/) = (DP SALA) Liantitrasformata di Fourier dello spettro di energia viene denominata funsione di autocorrelasione Ralr)= * ate rlt)at (43) ‘Tale funtion fornsce un'indicazione su quanto rapidamente la funzione varia nel tempo (si veda [1). Essa gode di alcone propricta: > Re(r) én generale una funzione hermitiana Ran) = Rel) ce quindi, nel caso di x(t) reale, R(x) @ una funzione reale e pari; > Re(r) ba un massimo assolute neil’origine, [Ra(r)l $ Re(0) © Re(O}= Ess . 3. Spettro di potenza di segnali periodici In modo analogo a quanto fatto nel paragrafo precedente per un segnale a energia finita, consideriano ora un segnale periodico per il quale definiamo uno spettro di potenza SY baler = nfo). (44) Self) $41 = Richiami di Teoria 49 Anche in questo caso sono soddisfatte le proprieta degli spettri precedentemente intro- dotte: 1. La potenza si ottiene come integrale dello spettro di potenza, Pex [" oatnar ¥ wa? Occorre infatti ricordare che Venergia del segnale troncato su un periodo si pud calcolare attraverso la serie di Fourier come DY loal? ‘che per un segnale periodico ricordando Vequazione (1.4) la potenza vale Bez T 2. Lo spettro di potenza del segnale periodico (¢) filtrato da un sistema LTT con fanzione di trasferimento H(f) si ottiene come GAN) = A(NPGe(S) Infatti lo spettzo di ampieaza del sognale periodico filtrato ¥(f) = H(f)X(f) avra, ‘come coefficienti i valori Ep Yn = Hall (nfo) [Anche in questo caso antitrasformando lo spettro di potenza si ottiene una funzione di ‘autocorrelazione che vale B.(7) = FGA) Ane . AfMaeenewe aa 4.1.4 Spettro di potenza per segnali a potenza media fi Generalizzando le considerazioni precedenti, nel caso generale di segnali a potenza ‘media finita viene definito formalmente lo spettro di potenza attraverso un’operazione Gi limite eee Golf) & Jim ZIXr( Ah (48) dove Xr(f) # la trasformata di Fourier del sognale troncato zp(t). Si pud verificare che tale definizione soddisfa le due proprieta seguenti 1, La potenza totale si ottiene come ne [sana50 4_—_ Segnali Periodici e Segnali a Potenza Media Finita 2. Lo spetio dt potenza del segnale ftrato vale Gf) = ADP) La funsione dk autocorelsione vale in quetto cao 1 pn ,(1) = FNG2(f)] = lim a(t +7)2*(¢) (4.7) (=F NCA = fp [are Oe an Si noti che 1, (0) = Py. : t | i i $42 ~ Boorcish 5 Un segnale 2(t) con spottro di ampiezza X(f) come in figura 4.1-(a) viene moluiplicato per il segnale periodico y(t) della figura 4.1 (b). Nel caso = T'/10, ealeolce lo spettro ‘di ampiezza del segnale prodotto z(t)y(t) e disegnarne il modulo, xu) we) a CSF ao ar Figura 4.1 Soluzione Si deve calcolare lo spettro di ampiezza del segnale: 20 = 2(u(t). Poiché lo spettro ¥(f) de! segnale y(t) @ a righe (in quanto il segnale y(t} ¢ periodico) ‘conviene operare direttamente nel dominio della frequenza per trovare Af) = X(f)*¥(f) Si ha: 7 YUN = fo > Yrnfo)6(f—nfo) con owe Ye) sndea lo apetro dll porta a durata + o ampieza unitaia centata nel orgie sing ft Yo(f) = F {url} = F Sostituendo si ottiene: YiN=f SS Sah ay = nfo)82 4 ~_Segnali Perodici e Sognali a Potenza Media Finita Quindi F Mel yay af) X(NeY(A) ap iaeueeeri an = 0 notare che: a oat ae 7 Caleolare (se esistono) gli spettri di energia di ys(t) © ya(t) > Dire se il sistema racchiuso nel riquadro tratteggiato é ineare e/o tempo-invariante. 40) 1 a(t) a | a nO walt) Soluzione Dalle tavole della trasformate di Fourier si ottiene che A= + h(t) = ute eles + jnf34 4. = Segnali Periodici ¢ Segnali a Potenza Media Finita_ Quindi il segnale 21(t) si ottiene come y(t) = H(t) « A(t) = w(ter* A loro volta y(t) yo(t) valgono in(®) = ulte tome! tn(t) = [A+ u(dent] et Lienergia di yy(t) si calcola facilmente usando la definizione nel dominio del tempo, in(@) @ quindi un segnale ad energia finita. B= [ mokan [yeremefarn [oma I calcolo dell'energia di ya(#) mostra che Vintegrale diverge, quindi il segnale @ ad energia infinita. Per questo segnale non ha quindi senso calcolare uno spettro di energia. Eat fC Iyo(0)P at = I [A+ utt)e]?dt 9 00 Tl calcolo della potenza media di yx(t) di zero. Questo era prevedibile, dal momento che un segnale a energia finita ha necessariamente potenca media nulla. Calcoliamo quindi la. potenza media di yo(¢), Vintegrale si pub calcolare indife- rentemente neglt intervallt (-T/2,T/2} ¢ [0,1 ding, meter a tim tf" [Astute at Pa dn [ Warmnet wore oan [ert foasd [oral ' e i Lo spettro di energia di yi(t) vale SiO = M0" = ge “Tra Ff Verifichiamo la linearita e tempo invarianza del sistema nel riquadro. Applichiamo $42 — Boorisi Ja noiazione compatta C{e(t)] per inicare Vuscita del sistema quando il segnale di ingresio ¢ (0). Per quanto riguarda la linearita “ inact L£arzs(t) + antalt)} = A+ lorza(t) + azea(t)] ee?" Applicando i due ingressi separatamente, si ottiene: Lf} L{zo(t)) [A+ ay(t)] error [A+ 2(t)} er Si vetfica dungue che Lfaszs(t) + oat} # ax£ (21(t)} + al (22(0)} Quinds il sistema non @ lineare. Per quanto riguarda la tempo-invarianze: £ {a(t 6)} = [A+ x(t Ho" Considerando Puscita y(t) ritardata, si ottene invece: C= 8) =[A + a(t 0] oM- Pertanto il sistema non @ neanche tempo-invatiante 4.2.3 Segnale periodico filtrato Si consideri il sgnale periodico z(@) rappresentato in figura 44. Tale signa viene Altato con un fit la cui aposta llimpulso Nt) 6 etaralat, case € apices unitaria e durata T. Calcolare: " o) a ain x(t) Figura 44 > Lo spettro di potenza del segnale filtrato u(t)56 4. ~_Sognali Perodici e Sognall a Potenza Media Finita > La potenza media del segnale filtrato u(t) © Una epressione analitica per u(@) Soluzione x(t) & petiodico, quindt i suo spettr di potenca @ Ge(f) = E42 ae inl°6(F—n/T).1 coefficient fin, che determinano univocamente lo spettro di potenza, si possono ottenere {alin tradormata di Fourier del segnale Xr(0) considerato nel periodo fondamentale, covvero z(t) = Pra (t= 4). a= > 2. é per n pati vedi seguito pern dispari pinsr = FEELC~ND fogs (an 19%) —Fsin (00-405)] = 2 ant E isin?Qn+D$ 1 =I. fntls jrQn+i) pern = 0 oon {h, Seg jig perndispari it pern=0 = 6 perm pari ‘igs perndispari Lo spetio i potenga del sega all wita del tro si ottione come GN = GAN EAE $42 — Boerciah st dove H(/) = F{pr(t ~7/2)}. Si pud dunque notare che tuite le delta di Dirac nello spettro di potenza Gy(f) vengono poste a zero dagli zeri di |H(J)?, tranne quella palPorigine e dunque GF) = wal T70(F) = PUA) 11 ealeolo della potenza risulta quindi banale: r Pr 4 1 caleolo di un espressione peril segnale y(t) @ abbastanza semplice. Visto che il segnale d ingreso © periodico, i segoale di uscita 4!) deve easere anch’eso periodico {eventualmente una costante,o parts zero). La densita spettrale di potenza Gy(f) ci dice che y(t) ¢ una costante diversa da zero, in quanto il contribute alla frequenza zero @non nullo. Ci rimane da stabilire il segno (si ricordi che i coefficienti nello spettro 4 potenza sono in modulo quadro, quindl yl) potrebbe anche essere una costae hnogativa). Guardando la figura 4.4 & evidence che il valore medio (0) € postivo, © anche la H(0)€ postiva, da cui si deduce che y(t) = /T274 = 47/2 4.24 Filtro passabasso E dato un filtro passabasso RC, come in figura 4.5. La funzione di trasferimento del filtro, H(), assume un'ampiezza pati a Jy alla frequenza fo = 1.5fe R x(t) q a Figura 4.5 Allingresso viene inviato il segnale xia} 4 Setanta Latart calla a) Lo spettro di potenza del segnale di ingresso, x(t),58 4_= Segnali Periodici e Segnali a Potenza Media Finita b) Lo spettro di potenza del segnale di useita, y(t) €) La potenza media di x(2) d) La potenza media di y(t). Soluzione a) Il segnale z(t) @ a potenza media finita, per cui ha potenza Ge(J}, cioé la funzione che, integrata suf, for la potenza. Ovvero: Pee f * oatsat dove 9640) = im, ELE 27(t) 2 il sognale troncato. Se 2(t) & periodico si ha: Golf) = 37 lunl?5(F = nfo) com jin = Xe (nfo): In questo caso si ha: XC) = FD OU L485 + fl + IS —fe) ~ BE +f] = ZOU + 208-98 = fe) + FO +I) = 05(f) + o5(F ~ fa) + -n51F + Se) quindi lo spettro di potenza di z(t) vale: GelF) = laolP5(H) + lonlPOCF — fe) + la-aP OCF + fe) = = fins Bor 1) +6 + So ‘b) Lo spettro di potenza del segnale d'uscita é legato a quello del segnale d’ingresso dalla nota relazione: Gf) = FANE parlare di spettro di 4 62 — eres 29 Jn questo caso si ha: Gin) = {5+ Sau to)+6Cr+ so} UNE = 1 1H1(0)°8(4) + Suerte) POUE — J) + FA APOUE + fe) er proseguire @ dunque necessario calcolare la funzione di trasferimento H(f) del filtro passabasso RC. Si ha: 10) aot tut) =2(0) In frequenza: RO R2AfY(S) +¥(N) = X(N) vin . ae 1b MD= X0) ~ Te PRE ~ Te FE Toit dove fo = sake = 1.5, € la frequenaa di tagio del filtro tale per eu (fs) = oy Si vali ora ATO) (fe) PAH =f) Sih HU faba nin [HOP = 1 fA f=)? = IN(-f.)P = In definitive: 2 GA) = 35D) + 3 S16 fe) +564 40] = BOC) + ABI Jo) 80+ [9nd = Dial? = 42-8236 4. ~ Segnali Periodic ¢ Segnali a Potenza Medi Finita 4) Analoganente, la potenza media di y(t) vale: 1, a5 18+ Pom gt 0 4.25. Filtaggio di un treno di delta di Dirac 1M segnale att ieee sone poste anges un itso con fined trasesineto sin? (42 rss! (##) or etna sense (ome rpprecntto in gra 48. z(t) yt) 2(t) H Hy L (f) Cf) H(f) Figura 4.6 i scrva Pespressione analitica di y(t), verificando che si tratta di un sognale perie- dice dipeiodo Fi ealealilo spettro Y([). 1 segnale v() viene poi posto allingresse {i filtro psssahassn ideale con funzione di trasferimento #)(f) banda B= ay Per ottenere io uscita il segnale z(t). Si scriva Pespressione ‘di 2(t) nel tempo. Soluzione Per ottenee il segnale y(t) convene operare nel dominio del tempo, Infatti conside- rrando la risposta allimpulso del filtro si ottiene ye =2( ent = 55 s(t AT) OM he rcorlando le propreth dela convoluaone dun segnsle con una delta di Dirac pud ‘sere serio come . ale) =2(9 ent) = So Me-ET). $42 — Beercizi a Larisposta allimpulso h(2) si ottione antitrasformando la H(f) facendo uso delle tavole, ny = 18 (75g) Por dimostrare che il segnale z(t) @ periodico occorre valutare E o(GR2)- Eee) a(t+7) Effettuando il cambio di variabili = siottiene xeine F (SG) a verificando cost che si tratta di un segnale periodico dit period 7. Utilizeando le proprieta degli spettri Patan asad 'A degli spettri dei segnali periodici, lo spettro pud essere yh) ny Se (-$ YU) 8 uno apeto argh, fc , ec component armoniche son spate frequenza dt AYA Bltads unl etree tegaae en ico) ee be banda ‘hil sognale 2(t) sara costituto dalla sola componente continua (k= 0), ovvero P= Fi) Nel dominio del tempo esso sara dunque un segnalecostante A= 1/4ppitolo 5 oria della Probabilita e Variabili Casuali Teoria Richiami Bist capico i riciamerannoalounlcooeti legal alle vais coral lls Rictasfae dle stexe, che sono funional alla comprensone del conatto peo. tule tatato wel capitoto 6. La trattadione dle vail enol resuppone, Bib sets una cncscensa dl concetio di probabil, del sol asomi dle recon! Fie cimbnatorio che non sono riprse in questo capltcioe per equal inanda Fal ad eommplo 9. Le neion i calclocombatoro vengons ridiamete ie BP incando come esempio di applicazione al campo delle tlecomunicaziont, I eoncetto Be ctaic 0 comonearone discret 11 Il canale di comunicazione discreto nsideriamo un generico sistema di comunicazione nel quale i messagpi generati tuna sorgente di informazione giungono ad un ricevitore attraverso un canale di sorgente |=] canale | —+| ricevitore —J Figura 5.1 Sistema di tasmissione dscreto Per descrivere questo tipo di sistemi introduciamo alcune definizioni jorgente discreta: Produce messaggi allineando in sucesione i smb apparte Be tena un aero dt dimensione finite Sorgente binarin discreta: Pud emettre solo i simboll Xo od X; appartenenti Be all’alfabeto X: as b X= (%0.%1} 66 5._— Teoria della Prob §5.1_— Richiami di Teoria 65 S noi che ttraverso un coifcatre, tutte le sorgenti discrete possono ese COndotte ad una sovgente Dinara, “Ad esempio 4 diversi simboli possone cnlifati con un alfabeto binario come Himbolo | eoditiea Late binario simmetrico (BSC): B il canale binario che verfica le seguenti tw poss Ley a Pies [axel : po=r=Pe % a : Analisi del canale binario discreto Lemissione di un simbolo @ trattata come un esperimento casuale il cui spaai campione & costituito da 2 eventi. Le probabilita associate sono note: veld sta sezione si analizza il funzionamento del canale di trasmissione binario discreto este Ia teoria della probabilit. Py= P(X} e P= P(X} es con ee P= Jerviamo innanzitutto che le probabilita Fy e P; descrivono la sorgente mentre le Caxale di comunicazione discreto: ‘Trasferisce i simboli generati dalla sor Gpabilita po © pi descrivono il canale. . Cazale binario discreto: Entrano i simboli deli'alfabeto X = {Xo,X,} ed escona' Shock shape Y= ek a une sngaiia Shasieat ya trasnesso Xe 90 i 8 yerfato un ere et) Gov one . “ a aetet x oan La sorgente ha trasmesso Xo ¢ si @ verficato un errore. Fea se unto dei due eventi si avvera: Sorgente Canale Ricevitore EF poiche i due eventi sono mutuamente esclusivi (0 viene trasmesso Xp 0 viene tra- hesso X;), si pud calcolare la probabilita di ricevere Y, mediante il teorema della PX, % babiltA totale PUY} = PAM OX) UK X1)} (Yi | XopP{%o) + PLY | M}P{%) rx % poh +aPi ‘Analogamente si pud ricavare la probabilita di ricevere Yo P(Yo} = piFi + Fo Figura 8.2. Cenale binaro dscrevo Hivviamente, vale la relazione P(¥o) + P(Y:} = 1, infatti Pit Py-aPi- PoP 1- P04} tu = PUY |i} = Plviene ricevuto ¥; exsendo stato trasmesso Xi") Pi = PO | Xi} = Pl'vienericevato Yo exsendo stato trasmesso X,"} g = P{¥ | Xo} = P{“viene ricevuto Yo essendo stato trasmesso Xo") Py = P{% | Xo} = Pf{viene ricevuto ¥; essendo stato trasmesso X”} Nel caso di sorgente simmetrica (Fy = Pi P{Yo} = PAV} = 1/2 /2) risulta66 5_= Teoria della Probabilita e Variabili Casuali Probabilita di errore La principale grandezza che caratterizza la qualita del canale é la probabilita di errore, ive la probabilita dell'evento errore E cos definite, E = {(Xo trasmesso e ¥; ricevuto) oppure (X, trasmesso e Yo ticevuto)} = Monn) um ¥) Usando il teorema della probabilita totale, e osservando che gli eventi Xo Yi € Xi AY sono mutuamente esclusivi, si esprime P(E) come PIB} = PU(Xo0¥%)U(XiNY%)} P{Y | Xo}P{Xo} + PAYo | MPG} PoP. + Pi, waa Na caso di canale binaro simmetsico (p= po = pa: = a = @ = 1p), per qualungue valore di Pye Pi rsulta P{E)mge—p infatt ee P{E}asc = pPo + PP = p(Po+ Pi) =p 5 ee Le probabilita di transizione pp ep; descrivono l'attitudine del canale a trasportare Vinformazione generata dalla sorgente. Dal punto di vista del rieevitore pero é impor. tante sapere qual ¢ I'attendibilia del simbolo recuperato dal meccanisino di decisione. In altre parole, ci si chiede qual @ la probabilita che, avendo ricevuto Yo, sia stato effettivamente trasmesso Xo. La risposta é data dalla probabilitd a posteriori P{Xo| Yo} Facendo ricorso al teorema di Bayes, si pud esprimere la probabilita a posteriori come segue! PAX, Yo} PIV) = —Eryey PAYo | Xo}P{Xo} PAY | Xo}POK0) + PLY | KP OGT a P+ DP Analogamente si ricava oP POM = Tai $5.1 ~_Richiami di Teoria o Si sservi che se, per assurdo, la probablit a posterior valesse 0 (P{% | Yi} = 0) si sarebbe certi che, avendo ricevuto Y,, sia stato trasmesso Xp (errore aistemetice) Jn questo caso, il ¢anale & equivalente ‘ad un canale ideale, infati, pe recuperate cortettamente tutti simbolitrasmessi ¢ sufficiente scambiaee i simboli revut Viceversa, la situazione peggiore si ha quando Vincertezza sul simbolo trasmesso & massima, cio’ quando P{Xo1¥o) = POG |Yi}=1/2 + PP = poPy Nel caso di sorgente simmetrica (Py = P, = 1/2) ¢ canale binaro simmetsico (Po = pi =p) si dimostra facilmente che la condizione di massima incertewa diventa Pp=a=Pi¥|Xob=3 ‘ale condizione, sosttuita nell'espressione di P{Yo}, da: Lad Ula ap + 5 2 ¥ P{¥o| Xo} = {Yo} a 2 dimostrando cosi che il canale @ totalmente inaffidabile perché gli eventi “trasmesso Xo" € “ricevuto ¥5" sono tra loro statisticamente indipendenti 5.1.3. La definizione di variabile casuale TI risultato di un esperimento casuale non é necessariamente un numero na potrebbe ‘essere un oggetto, una grandezza fisica o altro. La variabile casuale & una rlazione che associa a ciascun risultato dello spazio campione $ un numero reale 2, cone in figura 53, (s) La variabile casuale consente di svincolarsi dalla “natura” del risultato del! esperimento © di trattare ed elaborare grandezze numeriche. Una variabile casuale pud assumere valori con continuit (variabile casuale conti- tua), oppure no (variable casuale discreta) 5.1.4 La funzione distribuzione cumulativa ‘Si definisce una funzione detta funzione di distribucione cumulativa dela variabile ‘casuale € come Fl) SPE <2)68 5 ~ Teoria della Protabilica e Variabili Casuali 8 &s) sh m= Figura 5.3. Corispondenea ta eventi casual e numer reali che rappresenta per ogni numero reale x € (00, + 00) la probabilita che € non superi il valore 2. Proprieti della Runzione di distriburione cumulative ‘Fe(+00)= 1 Fe{—00) 6.1) Ria) < Rie) © 10) Fe(za) (5.3) Fela*) = Fez) (5.4) Plas Linearita: date due variabili casuali & © &2 € due coeficienti reali a1 © az vale Ia relazione Biarks + a2ko} = ELE} + rE {Eo} © Se &; e 2 sono due variabili statisticamente indipendenti EX&&} = EE} BG) Varianza di una variabile casuale La varianza ¢ definita come oP = BEM} = [ema leds pet le variabilicasuali continue e come 0? = E((E—Me)?} = Peas — me)? per le variabili discrete, La varianza fornisce V'informazione sulla dispersione dei va fori della variabile casuale rispetto al suo valore medio. B infatti immediato verifica- re, svolgendo il termine al quadrato all’interno dell'integrale (0 della sommatoria), la relazione: E{C}—me Il termine E{€} prende il nome di valore quadratico medio della variabile casuale &. La radice quadrata della varianza viene detta deviazione standart. $5.1 ~ Richiami di Teoria a sen} a ° A 7 Uniforme ' Hot Sela) 22 Esponenziale bilatera_ : \ Rayleigh a | lata t ~~ D3 4 67 { — = or 234s 6s Binomiale Poisson Figura 5.4 Esempi di densité di probabilta 5.1.7 Esempi di densita di probat La densita robabilita uniforme. pg a 1) = dete (TH Xe > 1) = Jete ( dove asin ele € dfn in (4.2) ta denstd di probabil di Laplace, La densi di pobabiit di Laplace haan Sepia Donen Utaae ven tela viva in telefon per ap a regs dec snpicrss dl segue wocale modula La densita di probabilita di Rayleigh. B definita come Kea) = Fer Hue) ove u(s)@ la funzione che vale 1 per x > 0 e 0 altrove, La densité di probabilita binomiale. Ripetendo n volte un esperimento di Ber noull, orvero n estrazioni indipendenti da una variabile che pud assumere i due valori di suecesso/fallimento rispettivamente con probabilita p e q = 1 ~ p, e defi- pendo la variabile casuale € come il numero di success, le sua densita di probabilita, vale . Sele) = Yo pta Sola — 8) $5.1 = Richiami di Teoria 3 La densita di probabilita di Poisson, E definita come Neale. Jela)= i m* ‘La densita di Poisson trova applicazione nella teoria delle code che si applica ai problemi delle reti di telecomunteazioni Le precedenti densita di probabilit& sono rappresentate in modo qualitativo nella figura 5 5.1.8 Distribuzioni e densita condizionate B possibile definite distribuzioni e densita condizionate sostituendo nelle diverse defi- nizioni le probabilita con le corrispondenti probablita condizionate. Ad esempio: Re(xim) & PIE < zim) ‘Vogliamo considerare la trasformazione di una variabile casuale é in una nuova variabile ccasuale 1 attraverso una funzione g(z) n= a6) —— 9 = 92) -— Figura 5.5 Trasformazione di variabilecasuale La funzione distriburione cumulativa della variabile di uscita ¢ espressa come Fy(y) = Pla Sy} = Plal2) Su} = Pfr € Dy} Essa si pud determinare conoscendo fe(2) 0 Fe(z), essendo Dy = (x: 9(z) $v} ‘Schematicamente i passi per determninare F,(y) sono i segue 1. identificare per ogni y Vinsieme Dy di valori x tali per cui g(z) ie dete. a Includendo nella sommatoria anche il termine corsispondenteallindice k= 0, si icava Ta seguente expresione Ptewr=3o( I) rat " ot che pud essere seritta tenendo conto dello sviluppo di un binomio wrot-S(¥) reP{‘almeno un simbolo errato su N simboli”} = 1~P{‘nessun simbolo errato su N simboli"} 78 5 _~ Teoria della Probabilité ¢ Variabili Casuali $5.2 Bsercizi 79 ottenendo cost ‘ Soluzione PEx}= (p+ ay” i In generale, la probabilita a posterioxi P(x, | ys} (i = 1,2,3) vale (Teorena di Bayes): (infatti p +91). : | Plu ba} Pte} ‘Metodo 2. L'esercizio pud essere risolto in modo molto pit immediato se si osserva ' Ply) =e che: i | dove 1 | ailora PlEw} = 1- PIE} - (3) Pet m1 w Osservazione. Qualora la probabilita di errore sul canale sia molto piccola rispetto ad 1/N si pud ricorrere all approssimazione g® = (I~ p)® = 1~ Np in virta della quale risulta, PAE} = 1— (1 Np) = Np. 5.2.2 Canale ternario Si consideri il canale di comunicazione ternario rappresentato nella figura 5.7 © ca ratterizzato dalle probabilita di transizione ivi indicate. Si assuma che le probabilita associate ai simboli in ingresso siano: P{z1} = 0.3, P{z2} = 0.5 e P{rs} = 0.2. Cal- lita che, essendo stato ricewuto il simbolo y, sia stato trasmesso il Figura 5.7 Pus => Plu | 2} P(23} Con i valori dati nel testo dellesercizio, le probabilita di ticevere i simboli y (i = 1, 2,3) valgono: P{y;} = 06-03-4+01-05+01-0.2=0.25 Plys} = 03-03405-05+0.1-0.2 = 0.36 Plug} = 0.1-03404-05+08-02=039 da cui Piz |n} P{za| we} Pfs |ys} = 5.2.3 BSC in cascata Due canali binari simmetrici con probabilita di transizione rispettivamente pari a p! cp" vengono messi in cascata. Calcolare la probabilita di transizione 7 del canale binario simmetrico equivalente cosi ottenuto. Se poi la sorgente trasmette simboli 0" “I” con probabilita P{Tx “0” } = 3/4 ¢ P{Tx“T” } = 1/4, ponendo p= p= 1/10, calcolare la probabilta di ricevere uno “0” in uscita. Soluzione Con riferimento alla figura 3.8, 1a probabilita di transizione cercata pud esere scritta nel seguente modo = Plo %} Per definione ai probabiltacondzionaa,p vale p= Plat Xi) = PEO dove, peril teorema della probabilita totale, risulta, PAX} = PZ YON} + P(HAN AX}80 Figura 5.8 Applicandoripetutamente la definizione di probabilita condizionata alla P{Zo Yo" X1}, per esempie, si ottiene: P{ZNYo Xi} = PfZol WX PMX} P{Zo | (YO X1)} PAV | MPA} Nota La generalizeasione di questo risultato prende il nome di Teorema di motti- plicazione ger la probabiita condizionata la cui espressione & P(A Aan) = PLAs}P{As | Ai}P{As | An Ar} PE An | Ana 1-27 Ay} [Ne desi la seguente definizione per p: PZ [Yo Xi} PAY | X}PLN) PIX} PZ LY OX} PU | X}POG) * PAX) PUZo [Yo Xx} PU | Xa} + PZo [Yi L]POG |) Iu essa compaiono le probablitacaraterstche del primo BSC, f= P{Yo | X3) ed = PAY | X:}, € le probabilita condizionate P{Zo | Yo Xi} ¢ P{Zo | NOX}. Queste ultime due meritano qualche commento; per esempio, la probabilitd P{Zo | Yori} md essere “eta” cos P(Z|YoOX1} :* probabilita di ricevere Zo in uscita dal 2° BSC sapendo che net 2° BSC entrato Yo e nel 1° BSC @ entrato X1 Por defnizione perd il canale disereto di comunicazione da noi trattato ha memoria unitaria, In altre parole, il simbolo che entra nel 1° BSC non ha aleun effetto sul ‘Simubolo in scita dal 2° BSC: quest‘ultimo dipende unicamente dal simbolo che entra mal 2 BSC " Plo |¥on Xa} = Plo | Yo) =a $5.2 — Bsorcish 3 Analogamente, si dimostra che P{Zo | ¥i0Xi} = P{Zo Yi} = 2" Ritornando all'espressione della probabilita di transizione det BSC equivalente, si pud coneludere che: p = P{¥o| Xi}P{Zo| Yo} + PAM | Ma}P(Zo| Vi} = Bal +a" Si noti che lo stesso risultato poteva essere ottenuto per “ispezione diretta" dello scheina con i due BSC connessi in cascata. Infatti p ¢ la probabilita di transizione che pporta al simbolo Zo, eiod la probabilita di ricevere Zo quando @ stato trasmesso Xy. Gio pud avvenire in due modi: Heh 2% Xi sh > Zo ‘A ognuna delle due alternative @ associata una probabilita data dal prodotto delle probabilita sui singoli rami dei BSC: P(X, = Yo > Zo} = Wg" Pi > ¥% = Zo} = a'r ‘Usando la stessa notazione, allora, si pud concludere che P= Pl |Xi}= P((Xi > Yo Zo) U(X + Ki + Zo)} = va’ +ap" Identificando i simboli Xo, Yo, Zo con “0” ed i simboli Xi,¥i, 21 con “1”, si pud serivere la probabilta di sicevere “0” usando la probabil di transizione equivalent p the, per valor indicat nel testo delleerczio, vale p= 225 = oh: PURO} = {1x0} —p) + PLT p= Sat 19 3 a0 14 50 5.2.4 Codice a ripetizione Nelle appcasiont in cu a probabil di errore p del canalebinatio simmetico ¢ oppo Gevata al protgge Maformazione metas la eodjia dt conale Un semplice teevpio i eodice'é il Soice « peiione, che consste nel srasmettre sul canal, lanziché il simbolo generato dalla sorgente, una parola formata da 2n-+ 1 simmboli uguali ‘a quello emesso. In ricezione, si esegue la decodifiea a maggioranza, ciod si sceglie il2 5_= Teoria della Probabilita © Variabili Casvali simbolo che compare nella sequenza ricevuta almeno n-+1 volte. Si ricavi Vespressione della probabilita di errore su una singola trasmissione per un BSC con probabilita di transizione p. Si caleoli poi la probabilita di errore nel caso in cui n = 1,2,3,4 € p=10, Soluzione La probabilita di errore su una singola trasmissione coincide con la probabilita che il ccanale introduca almeno n+ 1 errori nella trasmissione dell'intera parola, Usando la formula di Bernoulli (p ¢ la probabilita di errore su un simbolo) si ricava: me) = 5 (87 )#a-n* ia Nella tabelle seguente sono riportati i valori di P(E} per p= 10~® ed i valori di n indicati nel testo dellesercizio: 2 0 3 35% 10-7 4126 x 10-% Al crescere din diminuisce la probabilita di erroro; la trasmissione cio’ pud essere resa arbitrariamente “affidabile” a patto di aumentare la lungheaza della parole di codice inviate sul canale. Aumentare n, perb, significa ridurre il “contenuto informativo” dei ‘messaggi inviati sul canale, infatti, la quantita di informazione mediamente affidata ad una parola di codice viene ridotta di un fattore 1/(2n +1). 5.2.5 Codice a controllo di parita Un'altra tecnica di codifica di canale & la codifca a controtto di parita. In questo schema i codifica ciascuna sequenza di simboli emessa dalla sorgente binaria viene suddivisa in blocchi (“parole”) di 2n ~ 1 simboli e si aggiunge ad ogni blocco un simbolo (Xo 0 Xj), scelto in modo da rendere pari il numero di simboli Xo (e di conseguenza anche X31). Bsempio: n= 3 sequenza di sorgente: __sequenza codificata: XoXoXiXod1 — > XoXoXiXoXiXo, In ricezione viene effettuato un controllo di parita verificando se il numero di Xo presenti nella parola ricevuta é pari: in caso positivo si accetta la parola ricevuta come. valida, in caso negativo si chiede la ritrasmissione della parola stessa. Ricavare le espressioni della probabilta di errore su una singola trasmissione, della probabilita di ritrasmissione e della probabilita di errore complessiva se il canale binario @ simmetrico od ha probabifita di transizione p. Soluzione 2) La probabilita di errore su una singola parola trasmessa, Ps, @ la probabilita che il canale introduca un numero pari di errori,cos\ che al ricevitore giunga una parola $52 ~ Beercisi 83 valida (con un numero pari di simboli Xp ¢ X;) ma diversa da quella effettivamente trasmessa, Se p é la probabilita di errore sul simbolo, risulta, Po= (3) apr ) La probabilita di chiedere la ritrasmissione, Pa, ¢ la probabilita che il canale introduea un numero dispri i P= 3 (oft namie ras ©) La probabilita complessiva di errore, Pe, sicalcola tenendo conto del meccanismo completo di codifica. Un errore si verifica quando alla prima trasmissione il canale ;roduee un numero pari di errori, oppure quando alla prima trasmissione il numero di errorié dispari (viene chiesta la ritrasmissione) ed alla seconda trasmisione é pati, oppure alla prima ed alla seconda trasmissione il numero di errori @ dispari «dalla terza trasmissione ¢ pari, eee. Siano Ps e Pe; le probabilita, rispettivamente, di ervore ¢ ritrasmissione alla t~esima trasmissione. La probabilita di errore complessiva, Pr, pud essere scritta nel seguente modo: Po = Per + PaiPsa+ PaaPraPea +--+ PraPaa Xo % PasaPa + Poiché il canale ¢ privo di memoria, la probabilita che si verfichi un numero pari/dispari di errori non dipende dal momento in cui avviene la trasmissione, dunque Pras — Pa © Pa, = Ps. Ne deriva la seguente espressione per la probabilita di errore oomplessiva: Pe 1 Pot PrPe + PRPs toot Pic 'Pe + Sera = Pe, 4 Ce er es (3)? (tcaoin al 1 P=0 5.2.6 Codifica di canale Una sorgente di informazione produce con uguale probabilita quattro possiili messaggi ‘ma,Mma,ms,ma. A ognuno di questi un codificatore fa cortispondere ura sequenza ordinata di simboli, secondo lo schema seguente: 1m 00 mz => 01 ms = 10 mq 1 Giascuna sequenza viene poi inviata in un canale binario simmetrico con probabilita i transizione p. Nel! ipotesi che i simboli trasmessi siano statistieamente isdipendenti4 5_= Teoria delta Probabilité ¢ Variabili Casual $52 — Bsercisi 8 e che Ia seqienza ricevuta sia 00, calcolare Ia probabilita che sia stato trasmesso ill ‘messaggio m, (i = 1,2,3,4). Riportare quindi in grafico tali probabilita in funaione di pe discuterei valori ottenuti per p = 031/251 Soluzione La probabilita di emissione del simbolo é—esimo & Pim} = 1/4 (= 1,2,3,4). Si dovono ricware le probabilita P(e me | Rx 00} (i = 1,2,3,4). Applicando il teorema di Bayes, si esprime tale probabilita nel seguente modo: Pit i = BE mm) (= 1,2,3,4) (Rs 0} = S>P(R oO m, SYEP{Rx 00 | Te m}P(Te my} = i EPO 00 | emg Le prokabiita del to P{Rx OD | Te mi} che compatono nellsprssione di (RS 00} sraluteno amediatamente: P{Rx 00 | Tx mj} = P{Rx 00 | Tx 00} nessun simbolo erato} =p? (R00 | Terma} = P{Rx 00 | Tx 01} PP simbolo sbagliato, 2° simbolo corretto) = p(t ~p) {Rx 00 | 110) = P(1° simbolo corretto, 2° simbolo sbagliato} = (1 p)p P{Rx 00 | Tx 11} = P{entrambi i simboli errati} = (1 — p)* P{Rx 00 | Tx ma} P{Rx 00 | Tx ma} dunque a 1 (Rx 00} = FF? + 2p —p) + p)] a Le probabilita cercate, allora, assumono questa espressione: PAR 00 | Tx mi} P{Ts ma} P(Tx my | Roe 0} = i (= 1,2,3,4), Osservando che P{Rx 00} = P{(Tx my] nisultato P{m} Vi, si giunge al seguente importante PAT ms | Rx 0} = P{Rx 00 | Te my} cio8 le probabilita a posteriori coincideno con le probabilita a priori! 1 valori di tali probabilita sono gia stati caleolati in precedenza: PARK OO | Bem} = PET m | Rx 00} = p? PARK 00 | Tema} = P{Tx me | Rx 00} = pl —p) PARK 00 | Te ms} = P{T ms | Rx 00} = (1-z)p P{Rx 00 | Te mg} = P{Tx mg | Rx 00} = (1p)? 5.2.7 Definizione di densita di probabilita e proprieta Una variable casuale € ha una densita di probabilita del tipo: Sela) Fey (-e<2< to) Si chiode di > Valutare la costante c in modo tale che fe(z) sia effettivamente una densita di probabilita, > doterminare V'espressione della funizione di distribuzione cumulativa Fe(z); > calcolare la probabilita che € sia compresa tra 0 ¢ 1 Soluzione Per calcolare it valore della costante c occorte ricordare la propricta 5.9 ¢ si deve dunque caleolare [. wyyt =e actana| da cui si ricava du R@= 5] asia ale86, 5 Teoria della Probabilta e Variabibi Casuali Per la proprieta 5.5 della funzione di distribuzione cumulativa 1 POO farctan 1 ~ arctan] 5.2.8 Uso della densita di probabilita Una variabile casuale & ha la seguente densita di probabilita : fee) = ferF, Catcolare la probabilta det soguenti event L {eis} 2 | s2ucz0 3. {f]s2n€s—l} ‘Soluzione La probabiita dll'evento 1 si calcola risolvendo integrale Piel <2) = P-2 0, issato il generico valore di , il dominio di integrazione Dy diventail segmento Dy=(e€R:-co< 2 <(y- Bia} dlunque Fyw= [> kloae= Re (88 5_~ Teoria dolla Probabilita ¢ Variabili Casuali Hite) = 23 Nel cas» in cui a <0, V'insieme Dy diventa: Dy={2ER:(y~bl/acz< +0) per ca Si pad dunque generalinzare il risultato come nto) = de (4S) Nel case patticolare di €~V(0, 02) (gaussiana a valor medio nullo) risulta dacui fol) = La variabile casuale trasformata 1) quindi @ ancora una variabile casuale con distribu dione normale ma la sua media vale be la deviazione standard lala: n~N (020) Questo @ un risultato di validita generale generale: una variabile casuale gaussiana che subisce una trasformazione lineare rimane geussiana. 5.2.10 Tresformazione di variable casuale (2) Si determini la densita di probabilita della variabile casuale 7 ottenuta trasformando la variable casuale £ con un dispositive limifatore la cui caratteristica ingresso, uscita -lec-t gl2)=} 2 -Ii Soluzione Calcoliamo dapprima la funzione di distribuzione cummulativa con la formula generale Futa)= ff fe (ente poi, calcoliamo la densita di probabilita per derivazione: = 2Faly) flo) = Gy a) y<-1 + Dy =O perché glx) > -1 dunque: Fyly) =0 -00 << -1 b) Per -1.< y <1 Minsiome D, é Vintervallo —00 <# < y quindi Frylu) = J, fela)de = Fey) -1 1, Vinsieme D, coincide con V'asse 2, perché la g(z) & sempre minore di ‘un numero magglore di 1, quindi Fal) = [2 fela\de = 1 y >. Riassumen = 0 y<-1 Fy) =4 Ry) ~1 Fissiamo il risultato dell’esperimento casuale a uno dei suoi valori possibili s = so ‘ed andiamo a guardare il processo casuale per il valore sp. Se viene fisato Pesto dell'esperimento casuale, 2(t,s = sp) non ha pit nulla di caswale, ma é una funzione deterministica della variabile tempo. Il processo casuale si pud pertanto interpretare ‘come un insieme di funzioni deterministiche del tempo, in numero potenzialmente infinito, una per eiascan possibile valore della variabile Tl processo casuale si pud anche interpretare in termini di variabili casual. In parti- colare, si iss la variable tempo ad un valore qualunque t = fq. Il proceso castale 2(t = to,s) dipende soltanto pia dal’esito s dell'esperimento casuale, ¢ | possibili valori &(3) = 2(fq,8) asunti dal processo costituiscono quindi una variatile casual. 1 processo casuale si pud quindi interpretare come una collezione di varabilieasuae 1i, in numero potencialmente infinito, una per ciascun valore assunto dala vatiabile t o2 6 ~ Processi Casuali T procest casuali possono essere a tempo continuo, quando ciot la variabile t 8 con- tina, oppux a tempo discreto. Una classe interessante di processi casuali é costituita dai processicosiddetti ‘quasi determinatt’, i quali possono essere espressi analiticamen- te come funsioni del tempo ¢ e di una o pi variabili casuall. Per esempio il processo casuale x(t) = Asin(2n fot +4), con A e @ variabili casual, é un processo di questo tipo. Altri processt non hanno invece un’espressione analitica. Nel seguito indichere- ‘mo uum proctsso easuale con Ia notazione x(t), omettendo per semplicita la dipendenza dalla variable s. Un procsso quasi determinato @ un ottimo esempio per interpretare il processo casuale fissmdo to s. > Faoendoriferimento all'esempio di cui sopra, issato t = to si ottiene una variabile casuale {= Asin(2rfoto + 4), che é a sua volta funzione delle due variabili casuadi Aeg. Al conttario,fssare il valore sdell’esperimento casuale vuol dire selezionare i valori assunti ta A’e @. Indichiamo con le costanti Ag e do i valor assunt in corrisponden ‘zadi's =o. In questo caso il proceso casuale si riduce a 2(¢) = Ao sin(2rfot-+da), ‘che ¢ chiaramente un segnale determinato. 6.1.2 Desirizione probabilistica di un processo casuale Cost come una variable casuale ¢ descritta tramite la sua densita di probabilita, anche al processo asuale, essendo costituito da una collerione di variabili easuali, pud essere data una decrizione dello stesso tipo. La differenza principale rspetto alle varia ‘casual sta tel fatto che la descrizione probabilistica dovra dipendere dal tempo, ‘quanto devedescrivere tutte le variabilicasuali che si possono estrarre dal processo ad ‘ani istantedi tempo. ciascuna delle variabli casual estratte dal processo si pub associare una funsione i distribuzime cumulativa Fe(x;t) = P(x(t) < 2), dove il pedice € sta ad indicare che per ciastn istante di tempo la densita di probabilita si rifersce ad una variable casuale. La densita di probabilita si ottiene come derivata tispetto alla variabile z, quind: Jet) = Fele;t). Queste densita si riferiscono ad un singolo istante di ‘tempo, e qundi descrivono un’unica variabile casuale estratta dal processo. E anch tile studare la dstibusion! congiunte di n variabih casual €),....f estratte dal processo agli istanti di tempo ti,...yén. La funsione di distribuzione cumulativa di ordine n si pud serivere come Bespoke (Btse0 mitre sooty) = P@(ta) S 45-1 (ta) Sa) ¢ quindi la dnsita di probabilita viene espressa come a Sends (aye sos aitaye ae Féssoba Bio -- Ents ost) 6.1.3 Mede statistiche Introduciam ora alcune importanti medie statistiche dei processi casuali. Indichiamo Je medie staistiche con la notazione E[], e ricordiamo che qualunque media statisti- ca del prime ordine di una funzione g(x} del processo casuale si pud ealeolare come $0.1 Richiami di Teoria 93 Elgle(t))) = [22 a(2)felesthde. Questa formula si pud facilmente estendere a medic diordine superiote al primo, Ci interessano in particolare due medie statistiche, orvero il valore atteso del process e la funzione di antocorrelazione. Valore atteso I valore atteso di un processo casuale 2(t) viene definito come Bett) = [steep Si noti che il valore atteso é in generale una funsione del tempo e non un valore costante, Per ogni istante di tempo, Elz(t)] descrive il valore atteso della variable casuale estratta dal processo al generico istante di tempo t. B una statistica del primo co hxalore attes divers dalla mea emporale defnita per un sgnaledeterminato (8) come wp (oOo) gin, fo, 2M La media temporate @ una costante che deserive quale é la media dei valori assunti da ‘un segnale x(t) Tango Masse dei tempi. In questo senso si pud estendere il concetto di media temporale ad un processo casuale, calcolando la media temporale di ciaseuna delle reaizzazioni del processo. Anche se in generale queste medic. vemporalt sono diverse dal valore ateso del processo, esste una classe di process, detti ergodic, per | quali possono assumere lo stesso valore (si veda il paragrafo 6.1.11) B importante notare che il valore atteso é un operatore lineare, quindi se a e b sono due costanti, e z(t) e y(t) sono due processi casual, si ha che Blan(#) + by(0)| — a£[2(0)| + bE [y(6)]. Questa proprieta deriva dieettamente dalla linearita delVintegrale che definisce la densita di probabilita del processo, ed é molto impostante negli esecizi, dove i process! casuali sono spesso definiti come somme di divers termini. er esempig um processo z(t) = Asin(2r/ot +4), com A e fy costanti e } una variable casuale, haa valore atteso pari a Elz(t)) = E[Asin(2xfot + 6)] = A Efoin(2r fot + 0)). Questo vara importante proper del sone da naltra importante proprieta del valore atteso riguarda Vattesa congiunta, ovyero i valore atteso B[z(t)y(t)] del prodotto di due processi casuali z(t) ¢ wit). Se x(0) € u(t) sono indipendenti, é facile dimostrare che Blz(t)u(0)) = Elet@|E(y()). Quindi nell'esempio precedente, se A é una variable casualeindipendente da, due process! casuall Ae sin(2nfot + 9) sono indipendenti, © Elz(6)} = ElA}- Elsin(n fot +0) Funzione di autocorrelazione Consideriamo due istanti di tempo ty ¢ t, ed estraiamo dal processo x(t) le corri- spondenti variabili casuali € = (ts) © & = ata). Ci interessa la “correlazione” Eka) = Ele(ts)z(4)] (questa attesa congiunta @ motto simile a coeficiente di eor- relazione tra le due variabill casuali). Se ty ¢ f2 vengono lasciati vatiare liberamente,94 6 ~ Processi Casuali si ottione a funzione di autocortelasione Pelt) = Blotiettl= [~ nizafueteraaststddedes La funzione di antocorrelazione ¢ una staistica del secondo ordine, e ci dice quanto sono correlate due variabili casuali estratte dal processo ad intervalli di empo differenti, Covvero quanta informazione si ha su &2 se si canosce &). Per th = tz ~ t, si ha che Relést) = E[z*(0)}, quindi otteniamo il valor quadratioo medio det process ‘Si puo anche definire una funzione di mutua eotrelavione tra due process casuali a(t) € y(t) come Rey(t ta) = Ela(ts)y°(ta)] = Rye (sta). ‘Anche la funzione di autocorrelazione richiamaa la corrispondente funsione di auto- correlasione temporal #,(2) = lim # [97 (elt + 7). Vale un discon analog a quello fatto peril valor atteso, in quanto Ia furzione di antocortelazione temporale si ud applicare a ogni realizzazione del processo,ottenendo fanzioni diverse tra loro, e di- verse dalla furzione di autocorrelazione statistica. Ricordiamo che, in termini intuitivi la funzione di autocorrelazione temporale descrive la “velocita di variazione temporale™ di un segnale, mentze la eorrispondente modia statistica deserive la correlazione tra variabili casuali estratte dal processo ad istanti di tempo diversi 6.1.4 Processi stazionari in senso stretto Ti concetto di stazionarieta & legato alla persistenza temporale delle caratterstiche statistiche del provesso. Per esempio se un processo ha valore atteso costante le corr spondenti variabli casvali hanno valor medio che non dipende dall'stante temporale di osservazione. Cid si pud generalizaare a medie statistiche pit complesse tramite il concetto di stazionarieta. Indichiamo com fey,..¢.(Z1s+-+s3q;ti,-.»>tn) la densita di probabilita di ordine n «li un processo casuale (0. In generale questa densta dipende singolarmente da tutti ali m istanti di tempo f3,...,f9. Siimmagini ora di traslare questi istanti di una ‘quantita fssa At, andando a Considerare il processo aghistanti {1 + At,...,t,-+At. Le Corrispondents variabilicasuali hanno densita congiunta pari a fe,_.¢¢(Bi,--yEnita + ‘At,--vfn + At). Questa densita congiunta sara generalmente diversa da quella delle ‘variabili originarie ottemute prima della traslazione di At. Esistono pero dei processi casual la cul densita di ordine n @ invariante per traslaioni, Se vale la condizione Feo Piss saith sors) = Seiya Brees yBrith + Mts ..ovty + AE) VO allora il processo x(t) viene detto stazionario di ordine n. Un proceso che sia staziona- rio di ordine n per qualunque valore di n viene detto stazionario in senso stretto, Per dare un'idea di cosa significhi intuitivamente Ia stazionarieta in senso stretto si pud notare che, se 2(t) @ stazionario in senso stretto, allora i processi x(t) e-7(¢-+ At) han- ro esattamente le stesse caratteristiche statistiche, ovvero qualunque media statistica, calcolata su z(¢) 0 2(¢ + At), da lo stesso risultato, Questo ovviamente non comport cche le funzioni campione dei due processi siano versioni traslate le une delle altre, ma soltanto che abbiano le stesse caratteristiche statistiche, er fnire, si noti che i processi stazionari hanno caratteristiche di “persistenza” 561 ~ Richiami di Teoria 9% temporale tra ~o0 @ -Hoo che fanno si che le loro funzioni campione non sano segnalt ad energia finita. 6.1.5 Processi stazionari in senso lato Liutilizzo del concetto di stazionarieta in senso stretto pone due problemi pratici. » La stazionarieta in senso stretto impone una condizione molto forte sal processo, pper cui i processi casuali di interesse pratico che godono di questa proprieta sono relativamente pochi > La verifica della stazionarieta in senso stretto di un processo é estremsmente com- pilessa, in quanto richiede di essere in grado di scrivere in forma analitiés la generica densita congiunta di ordine n. Per queste ragioni, si introduce un altro concetto di stazionarieta in qualche modo semplificata, detta stazionarieta in senso lato, che non é affetta dai problemi men- zionati. In particolare, un processo 2(t) viene detto stazionario in senso ato (che si abbrevia con SSL, oppure WSS dallinglese wide-sense stationary) se sono werificate le sequenti due condizioni 1. I vaore atts Bix] uns costante che non dipende dal tempo t. 2 La funaione di autocorelaione Rasta) non dipetde separatamente dag stant ta, ma soltant dala loo differenza rt fy. Si pud qunel server (t,t) Rafts = ta) = Ral). Si possono fare le seguenti osservaziont, Tl concetto di stazionarieta in senso lato riguarda soltanto due medie éel processo ccasuale. La verifica di stazionarieta @ quindi molto semplice, in quanto aoa richiede il calcolo della densita di probabilita. Per controllare se un dato processo casuale sia stazionario in senso lato @ necessario calcolare il valore atteso e la funzione di autocortelazione, e controllare che le due condizioni siano verificate. > Un processo casuale stazionario in senso stretto é certamente anche stazionario in senso lato, in quanto Vinvarianza temporale di tutte le densita di ordine n garantisce Vinvarianza delle due statistiche richieste per la stazionarieta in senso ato, > Ovviamente non vale il viceversa, in quanto la stazionarietA in senso sirtto @ una condizione molto pi forte di quella in senso lato. > Un processo stazionario in senso lato non é necessariamente stazionaro di ordine 2, in quanto per Ia stazionarieta in senso Tato non ¢ richiesta Vinvarianma temporale i tutte le statistiche del secondo ordine. Proprieta della funzione di autocorrelazione di processi stazionari in senso lato Un proossso 2(t) starionario in senso lato he una funzione di autocorrlasione Ra(r) che gode delle seguenti proprieté. © R(x) @ una funcione pari. > Rz(0) = £2"). Inoltre Re(7) ha una massimo assoluto per r = 0. : > Sell proceso 2(@) non ha component peiodiche, allora lim. (+) = (Bix)96 6 ~ Processi Casual © Se Ry(r)¢ continua in 7 = 0, allora & continua per ogni 7 La seconda proprieta ¢ di particolare interesse per gli eserczi, in quanto offre un metor per calcolareil valore quadratico medio di un processo a partie dalla sua funzione di autocorrelaaime. 6.1.6 Process ciclostazionari 1 processi cichstazionari servono a descrivere processi casuali che abbiano caratteristi- che di periodcita: Un processo 2(t) si dice cielostazionaio in senso Tato con periodo T se valgonole seguenti due condizioni (ett 7) 2 Roltista) = Re(tr ~ Tite ~ T) Per esempio 1 processo a(t) = Asin(2x fot-+ 4), con fo © 4 costanti e A una variable casuale con valor atteso diverso da zero, é cilostarionario in senso lato con periodo T = I/fo. Infatti si pud facilmente calcolare che Ez(t)] = E[Alsin(2rfot +) ¢ Reltata) = BELA*lo05(2n fot ~ 2) ~ cos(2nfolts + ta) +29)] Sel prozsso 2(¢) € cilestaxionario in senso lato, ess0 pid essere facilmente tra: ‘formato in un processo stazionaro in senso lato. In particolare si pud dimostrare che il process y() = 2(¢— 6), con 6 una variabile casuale uniformemente distribuita nel. Vintervallo (1, +) ¢ indipendente da z(t), & un processo stazionario in senso lato. Per esempio i processo dllesempio precedente diventastarionario in senso lato se @ una variabib casuale uniformemente distribuita tra ~3 F 6.1.7 Processi casuali gaussiani 1 processi cauali gaussiani rivestono particolare importanza, in quanto sono otti- ‘mi modelli dé molti fenomeni naturali e hanno intetessanti propriet&. matemati Torino ho una vrbecaale € gaesana he deni df pekabo Lote! the)= gig So em dove j1& il valor medio della variabile casuale e o Ia sua deviasione standard. Questi due parametr: determinano univocamente la densit& di probabilita. Immaginiamo ora di estendere questa definizione ai processi casuall includendo la dipendenca dil tempo t, e di avere un processo easuale 2(¢) con densita di probabilita el primo ordne uguale a fe(r,t) = fe(). In questo processo, tutte le vasiabili easuali estratte dal processo ad intervali di tempo ¢ sono gaussiane con la stessa densitA di probabilita. I processo @ cortamente stazionario del primo ordine. Per defini in modo pid generale un processo casuale gaussiano ci serve perd Ta densita di prebabilita di ordine n, che considera le statistiche congiunte di n variabili casuali estrate dal processo. Diciamo quindi che un processo casuale é gaussiano se la densita di jeobabilita congiunta di qualunque insieme di n vatiabili casual estratte dal processo @una densita congiuntamente gaussiana (si veda (2, pag. 49]). Le variabili casuall estratt» da un process gaussiano hanno tutte una densita del primo ordine di ‘ipo gaussiang, ma il valore atteso e la deviazione standard possono essere diversi t $6.1 ~ Richiami di Teoria a7 Rivestono particolare interesce i processi gaussiani stazionari in senso lato, Per ‘questi processi si pud dimostrare che la densita congiunta di ordine n é invatiante alle traslazioni temporal, © quindi vale la proprieta che tn processo casuale gaussiane stazionario in senso lato 8 anche stazionario in senso stretto. Di {uito quelle gaussiano é unico processo per cui sia semplice la verifica di stazionarieta in senso stretto, Un processo gaussiano stazionario ha quindi densita di probabilita del primo ordine data dalla (6.1), ¢ quindi tutte le variabili casual estrate dal processd sono saussiane con lo stesso valore atteso e deviazione standard. Rioordiamo infine una uile proprieta dele variabilicasuali gaussiane e dei process sgaussiani stazionari. Una combinazione fineare di variabili asta (0 processi casuali) fgaussiani@ ancora una variabile casuale (0 processo easuale) gaussiano. Tn particolate, ‘8 %, sono variabili casuali gaussiane con valor medio jy ¢ vatianza 03, la variabile casuale 2 = SOL, asx; & ancora gaussiana con media E2] = 37", aja. Se le variabili ‘asuali 2; sono incorrelate!, ovvero Elzaz,] = Ele,|Blz,] Vie}, la varianan @ part a of azo?. Questa proprieta ovviamente si applica allo stesso modo ai processi ‘casualtgaiissan’ stazionari 6.1.8 Densita spettrale di In precedenza abbiamo descritto molte delle proprieta statistiche di un proceso casuale che ne deseivono ia termini probabilistic! Tandamento nel dominio del tome posible dire quacosa tguardo allandamento in frequenaa in modo stile pean fatto per i segnali detenninat? Ha senso parlate dl tasformata di Fourier‘ us proceso casual? Tn generale la trattasione matematica del proces! casuali nel dominio della fee- uenza non ¢ semplice. Faano petd eccerion | proces! stavionari in senso lato cal quali ci concentreremo nel seguito. Osserviamo inizialmente che un processo SSL ha taloreatteso che rimanelavariato ou tutto Tasee del tempi da oo 44s Pesce seneralnente le funzion!campione tall procesi non sono ad energin Gata, acide Inoro trasformata dt Forte nom esse. Essie invece la trasformata di Fotees ae fonsione di autocoreelasione Ry (r). Definiamo la donsla spettale a potence (ase spettro di potenza) del processo x(t) stazionario in senso lato come la trasformata di ovrier della funcione di astocorrelaione: G11) = [~ Ratoertrrrar Questa dfinizone pub sembrare slegata dal eontenuto armonico del segnale, ma si bud mestrar (3 veda p. es. pp. 116-116) che essa denice uno spttre di potenca che deserive la distribuzione armonica del valor quadratico medio Ba (t)| del processo 2(f), La densita spettrale di potenza gode dele seguenti propel > Gx(f) @ reale e pari ER AUEAZA 7 Ricoriame che variabil/proess casuali gaussian! incorrelati sono anche indipendenti, mentre questo non ¢ generalmente vero per varlabil/proceat non gaussen!. E invece sempre, Yr che ‘tsb proce indipondent sono ance incorslat me98 Processi §6.1_— Richiami di Teoria 99 & Ble*(0)} = Liultima proprieta é particolarmente importante per gli esercizi, in quanto fornisce un metodo alternativo per il calcolo del valore quadratico medio di un processo, che viene sspesso tichiesto negli esercizi. Riassumendo, si ha quindi che euro) [ota = R200). Quindi il valore quadratico medio si pud calcolare alternativamente nel dominio della, Frequenza o tramite la funzione di eutocorrelazione. Normalmente il calcolo in uno dei due modi molto pit semplice che nel!'atro, e la parte pid importante della soluzione delMesercizio sta in realta nell'identificare quale sia il metodo tnigliore per artivare al risultato, Si noti che, se in un esercizio viene dato un processo casuale con una determinata densita spettrale di potenza, si pud assumere che il processo sia di tipo SSE, in quanto lo spettro di potenza come definito sopra é valido solo per processi SSL, (anche se esistono definizioni pia complesse per processi non stazionari). 6.1.9 Teasformazioni line processi casual Cosa significa porre un processo casuale 2(¢,s) allingresso di un sistema LTT con sposta allimpulso h(t)? Possiamo interpretare questa operazione come il filtraggio ciascuna funaione campione 2(t,80) del processo, che viene trasformata dal sistema in tuna corrispondente funzione y(t,s0) = 2(¢,so)*h(¢). Queste funzioni sono a loro volta le funzioni campione di un nuovo processo casuale y(t). Con la notazione y(t) = 2(t)+h(t) indichiamo quindi un processo casuale y(t) ottenuto tramite un sistema LTT al cui in- sresso entra un processo 2(t). Date le caratteristiche statistiche del processo 2(t), ¢ data la risposta allimpulso h(t) ola risposta in frequenza H(f), ci interessa derivare le corrispondenti caratteristiche del processo y(t), nel dominio del tempo e possibilmente anche in quello della frequenza, Nel caso in cul il processo 2(t) sia stazionario in senso lato valgono le seguenti relazioni > Stazionarieta del pracesso in uscita. Se il processo 2(¢) @ stazionario in senso lato, anche y(t) stavionario in senso lato, Valore atteso. Si pud dimostrare che il valore atteso del processo di uscita & legato a quello del processo di ingresso dalla relazione Ely(t)] = Blz(t)]-H(0). Ne segue che un processo di ingresso a media nulla rimane a media nulla anche dopo il filtraggio. > Densita spettrale di potenza. Si pud dimostrare che lo spettro di potenza, Gy(f) del processo di uscita ¢ legato allo spettro G.(f) del processo di ingresso dalla relazione Gy(f) = So(SA AP. » Funzione di autocorrelazione. La funzione di autocorrelazione Ry(r) del pro- cesso y(t) vale Ry(7) = Ra(r)*Ra(7), dove u(r) € la funsione di autororrelazione del segnale ad energia finita h(t), ovvero Ry (r) = [7S A(x + O)h (Oa. » Mutua correlazione tra ingresso e uscita. La miitus correlazione tra ingresso ‘euscita vale Rye(r) = Rar) # h(r). © Processi gaussiani Se z(t) &un processo gaussiano, allora anche y(t) gaussiano. Determinare la densita di probabilita di y(t} a partite da quella i 2(¢) @ in generale molto complicato, salvo nel caso di processi gaussian. In qussto caso la Geterminazione della densta di probabilita corrisponde alla determinaziowe del valoce ftteso e della varianza di y(t). Il valor attovo st pad generalmente ostemsre in modo semplice applicando la formula del valore attevo del processo di uscita. La varianea 6 il valore quadratico medio del processo si possono determinare in due modi, come egrale della G,(f) 0 come (0). Un tipico problema consist nel avereun proceso casuale 2(t) di cui viene data R(7) 0 Ga(f), © il processo viene fltrato atraverso un sistema di eui vengono date A(@) 0 H1(f). Come si pud caleolare il valor quadratico medio del processo di uscita y(t)? Prima di iniiare a fare caleolié opportum analizzare ati disposizione e domandarsi quali dei passagss Re(7) « Ge(J), Al ++ His) © ‘Ry(x) # Gy(f) siano semplici dal punto di vista dei caleok utiizzando le proprieta delle trasformate di Fourier, e se Vintegrale J" 6, (f)df sia facile da callace. 6.1.10 Processo di rumore bianco 1 rumore bianco @ un processo casuale con densita spettrale di poten pari a un valore costante su tutto l'asse delle frequenze, ovvero Ge(f) = “P Vf € {-00, + 00), dove la costante si & posta al valore convensionale 4. In generale idettiicheremo col termine processo bianco qualungue processo che abbia una G-(f) di questo tipo. Dalla definizione segue che la funzione di autocorrlazione di questo proceso € pari a Ra(r) = 485(7). Questa funrione di autocorrelazione ha valore pari a zero pet {qualunque + diverso da zero. Ne consegue che variabili casual estratte dal processo ad {stanti di tempo diversi sono incorrelate tra di loro. Tl ramore bianco non ¢ un processo easuale fisicamente realizeabile, in quanto ha vatianza infnita come si pud facilmente vedere dal fatto che integrate della Gx(F) rnon converge. Nella pretica questo non é un problema, perché andreno sempre considerare process! di rumore bianco filtzata, Il calcolo della densta spetirale di uscita di un processo bianco fitrato @ molto remplice, in quanto si ha dw Gy(f) Ge(D)UHUD! = BS|H(A)/2, edit processo y(t) ha varianza fnita ‘Verranno speSso considerati process: gaussiani bianchi. Si tratta di process! sta- zionari in cui tutte le variabilicasualiesteatte dal processo hanno la stesa densita di probabilitae sono indipendenti tra di loro. 6.1.11 Exgodicita Tl eoncetto di ergodicita si riferisce al eonfronto tra le medie temporali ¢ le medie statistiche di un processo casuale. Le medie statistiche si calcolano sull, base della conoscenza della densita di probabilita del processo, mentre le medie temporal si cal- colano su eiascuna funzione campione, e hanno generalmente valore diverse per ognuna di esse. Ci chiediamo se esistano dei casi in cui le medie temporal siano tute uguali, © anche uguali alle medie statistiche, Questa domanda riveste una notevoleimportanza in quanto nella pratica si vogliono spesso stimare Je medie statistiche di un processo avendo a disposizione soltanto una 0 comungue poche funzioni campione.102 6 = Processi Caswall oin={ ust Hf) = eIT T processay(t) in uscita da tale sistema viene quindi elevato al quadrato. Sia m(t) il risultato di tale operazione. Determinave il valor di A © Caleolare bt mesa di m(t) nel caso in ui B = Soluzione Possiamo deteminare il valore di A imponendo che la vatianza calvolata utilizzando la Gensita di protabilita del processo sia uguale a quella calcolata integrando la densita spettrale di potenza (si noti che il processo n(t) & a media nulla) 7 4, ’ ab f ntfutnydn = 3 + da cui A=}. Per trovareumeopressione di y(@) convene lavorare nel dominio del tempo, notando che Vantitrasformata di Fourier di H(f) contiene solo delle delta di Dirac. A(t) =F (H(A) = 60) + 5(¢-7) ut) = n(t) «At) = n(2) + n(t-7) Da cui il valoreatteso cercato & Elmnld}} = B{v°O} = Bln} +E {w2(e-1)} + 2B {nne—7)} = 2B {2} +26 {n(sin(t—T)} $6.2 ~ Esercii 103 Bin} = 0 Bio} = t= Me Bin(tnlt—1)} = R(T) =F Ga Dhar = SBD) Per B = siottiene tose) R(T) E{m(t)} = 203 = NyB 6.2.3 Processi gaussiani Un processo casuale 2(!) gaussiano stazionario a media nulla viene moltiplicato per ronda quadca rt) che assume alterativamente {valor +1 e —1 ogut T second ‘alcolare: © La densita di probabilita del segnale (f) cost ottenuto. © La probabilita P {y(t} > y(t-+a)} nei due casi a=T ea =F. © Si definisca il processo 2(0) = y(@)—y(t—F) e si verificht se z(t) @stavionario del primo ordine, Soluzione In ogni istante di tempo la variabile casuale estratta da 2(¢) é una variabile goussiana moltiplicata per +1 0-1. Quindi questa variabile € ancora gaussiana. TI suo valor medio e varianza valgono Blvd) = Elr(x(6)] = rE [e(e)] = 0 23 = Ev) = P08 0] = 02 Questi parametri quindi specificano completamente la densita di probabilita del pro- cesso y(t). La probabilita richiesta vale P{ult) > vlt-+ a)} = P{ylt) — ult +a) > 0} = P {za(t) > 0} ha Gan 2008) = WA) — ult +a). Poiché 20(2) @ ancora gausiano a valor medio nullo si Peat >0)e3 vei 104 6 Processi Casuali Definiamo ora il processo 2(8) = y(t) - y(t —T/2). Per la stazionarieta del primo ordine si ha che E {2(@)} =0. La varianza vale el BAP) = Efy(O} +B WE 7/2)} — 28 v(t T/2)} 205 — 2B {u(t)u(t - 7/2) Efy(t)u(t-T/2)} Efr(t)r(t—7/2)x(Ox(t - T/2)} Ef{a(t}x(t ~ T/2)} r(t}r(t — T/2) = r(t}r(t — T/2)Re(T/2) Chiaramente la varianza dipende dal tempo, quindi 2(¢) non é un processo stazio- nario del primo ordine, 6.2.4 Rumore gaussiano filtrato {Un proce di umoregaussiano bianco n(), om desta epetrale di potezaconante par a Bh, pans airaverso un sistema inca e fempovinvariante om fasion dl teosermehta L MO Te pat Sia 2(¢) il processo all? uscita di tale sistema, Determinare: & la densita di probabilita di 2(t); la probabilita P[2(#) > 0.5); » la funzione di autocorrelazione di 2(t), R.(r). Soluzione a(t) € ancora gaussiano, in quanto @ ottenuto trami processo gaussiano. Pertanto per doterminarne la densitA di probabilita dobbiamo caleolare il valore medio 1. e la varianza o? del processo all uscita del sistema, Tl valore medio vale: trasformazione lineare di un men B(aty) = B{ [-" ne-onrer} Poich a ispotaalimpulso del sistema ¢detrministica, Poperatore di media satis costae sao oul process ef move nd). Seambland dangue Fopertore integrals ¢ la media si ottiene: a Hes f EAn(e—r)}a(r)dr $6.2 — Eserciai 105 ricordando che il rumore gaussiano bianco @ un processo stazionario, la media assume ‘un valore costante sin © pud quindi essere portata fuori dalloperatore di integrale, ‘ttenendo cosi: t= tf Blolry ae ~ 9h = wot) Questa espressione, di carattere generale, si ottiene osservando che I'intyrale nell'e- ‘quazione precedente pud essere interpretato come la trasformata di Fourier di h(e) caloolata per f = 0. Nel caso specifico del rumore gaussiano poiché jy = 0 si ottiene che anche j1z = 0. ‘Trattandosi di un processo a media nulla, la varianza del processo 2(#)coincide con il suo valor quadratico medio. 02 = B{(0} - E(F = B(*0)} I valor quadratico medio @ anche il valore massimo della funzone di autccorelazione, che essa assume nel orgine. Ricordando Ia definizione della funzione di autocorrelazione come anitrasformata 4i Fourier dello spettro di patenza, il valore assunto nellorigine (r = 0) ule: RO) = FG Nhoa0 ’ quindi sufficiente calcolare lo spettro di potenza del segnale fitrato 2 _ No 1 GU) = GADD? = SpE da cui si ottiene antitrasformando . = Men, R.(r) = 4° La varianea vale dunque: 2 = R,(0) = = R= 7 Infine, la probabilta che il processo assuma valori maggiori di 0.5 vale hee (2) - Jere (—22) —Becte (2 Pett) > 05) = dere (5--) = Jere (sha) = joe (Fe): 6.2.5 Calcolo della funione di autocorrtazione (1) Si consider il segnale v(t) = 2(¢) cos(wot) — 2(¢) sin(wot) dove 2(t) ¢ 2(¢) sono processi casuali a media nulla, indipendenti ¢ con la stes- sa autocorrelazione 2 (tifa) = Re (tiita). Determinare Ry (tata) © venficare che se106 6 ~_ Processi Casual Ry {tiyta) = Ra (ti ~ ta) allora Ry (t1.t2) = Ry (tr — ta). Soluzione 1 calcolo della funzione di antocorretazione di y(t) segue i seguenti pas: Ry (ist) = E {y(ta)y(te)} = E {{a(t:) cos(wots) — 2(¢1) sin(wots)] [z(t2) c06(wot2) — 2(t2) sin(wot2)]} = EB {xtula(t2)} cos(wnts) cos(vota) + B {2(¢:)2(ta)} sin(upts)sin(uyts) + ~E {a(tx)=(t2)} cos(uots} sin(wota) — E {2(t2)=(tx)} cos(wota) sin(wots) [A questo punto si nota che F {2(t)2(ta}} = Re (tata): Ry (tata) = Re (Casta) [cos(aaots) cos(wntz) + sin(wots) sin(uyt2)] = = Re (tata) 08 fo (1 — t)] = Re (tata) €08 [ay (fs ~t3)] Se (Cnt) = Ret —t2) allora Ry (tifa) = Re (ts ~ ta) cos[un (ti ~t2)] © si ‘ede chiatamente che la funzione di antocoreelaatone Ry (ty.2) dipende solo da ty ~ ty enon separatamente da ty to 6.2.6 Calcalo della funzione di autocorrelazione (2) Si consider’ un processo casuale 2(¢) stazionario con fungione di autocorrelazione nulla per |r| 2 Te pasitiva per |r| <7. Si costruisca un processo easuale y(t) = 2(@)-+2(t— 1p) e da questosi estraggano due campioni nei due istanti ¢; ef) +A (Siano Ty > 0€ A> 0) ‘Trovare il minimo valore di A tale per cut il cooffciente di correlazione delle variabili casuali cosi otzenuto sia nullo, — Usando la notizione y = y(t) € xz = y(t +A), imporre che il coeficiente di ‘correlazione sianullo significa risolvere la seguente equaione: Exe) — Ef} Eva} Pre E{yiya} — E {ui} E {uz} = 0. Dal moments che 2(¢) @ stazionario si pud serivere Blu) = Bf{a(t) +2(6 ~ To)} = B (alts) + B (z(t ~ T)} = 2h Dal momento che 'autocorrelazione di x(t) tende aero per 7 —+ 00, si pud assumere che il processo s(t) sia a media nulla. Questo implica ovviamente ehe anche y(t) sia a media nulla, € qiindi le variabili casuall y; ¢ y» sono a media nulla: $6.2 — Beers 107 Elyz} = E falta) +-2(t2—Ty)} = ue v2 = Jim, Re(r) = 0 Blu) = En) 1 coefficient di correlazione cercato vale quindi Etna} = E {vty + A)} = = BXlelts) + 24 ~ To)| [a(t + A) + 2(t. + A— Toll} B(z(th)e( + A)} + E{z(h)2(h + A~Th)} +E {a(t ~ T)o(tr + A)} +E (x(t, — Telli +A —T)} Ra(A) + RelA ~ To) + Ra(A+T0) + Re(A) 2Ra(A) + Re(A~ To) + Re(A+ Ta). wa Bisogna quindi trovare it minimo valore di A tale per cui questo coelicente di correlazione vale zero. Si noti che il coefficiente di correlazione, visto in funzione di A, contiene tre termini uno centrato intorno allorgine (222,() © due ropicheintorni +To, Dal momento che Ra(A) ¢ a supporto limitato in (-7,7), si danno due eas, Se Ty T (quindi Ty > 27) i valore minimo¢ A ~T perche le replche vono separate da 2R.(A); altsimenti il valore minimo € A= Zp +7. Tue cas sono mosteat in igure 62 nad St) —— 7 a aP 4 Figura 6.2 6.2.7 Processo casuale filtrato (1) Un processo casuale 2(t) reale e stazionario in senso lato ha densita di probabilita, x(2) del primo ordine indipendente dal tempo e uniforme nellintervalls (2,2) &108 6 — Process Casual autocorrelazione f(r) triangolare nelPintervalo (~T:T), con valore massimo pari a 1K. "Tae processo passa atiraverso un sistema LTT con rispsta all'mpulko a(t) = 5) — 4(¢ ~0) dove @@ una costante postiva. Sia y(t) Puscita del sistema, 1. Doterminare il valor della costante K- 2! Calcolareil valor medio ai y(t) 3: Calcolare la varianza di (0), © indviduare per quali valon di @ tale vasianoa @ rassima 4, Caleolare Vautocorrlazione di y(t) i funzione di queli di x(t) ¢ disegnarla nel e250 é- 5. Verifcare se vt) @ stazionario in senso lato Soluzione 1. Peril processo casual 2() si ha: K = Ry(0)= Bf} = [ s*fele)de= - a -i# be = Bla() =o. iL te 2, Ti segnale y(t) all’uscita del sistema LTI vale: u(t) = x(t) + h(t) = a(t) + [6(¢) — 4(¢ - 8)] = x(t) — a(t - 8) ind “ B {v(t} = B (e() + h(0)} = Bald) - 2(¢-8)) = 0. 3. Essendo y(t) a media nulla, Ja sua varianza & oy = BAV'O} = E {27 + %(t - 8) - 2x(0)x(t—8)} = = 2o? — 2E {e(t)x(t ~ 8)} = 2o? — R.(6)]. DalVeprossione precedente & evidente che o2 & massima per Ra(@) = 0, cio per oor. $6.2 _— Boorcisi 309 4, Si ha: Rylr) = B{y(tu(t+r)} = B {[a(t) —2(t~)]la(t-+-7) -2(t+7—A))} = = E{a(t)z(¢+7)}-B (22(t+r-O)}-B (alt—O)o(t +r)} + 4B (2(t-O)alt-+ 7-0) = = Relr) — Re(r ~8) — Ral +0)+ Ralr) = = 2Re(r) ~ Re(r — 8) — Ral +6). | Se 0 = 20 si trova: Ry(t) = 2Re (1) — Re(7 — 27) ~ Ralr + 27) il cui andamento é rappresentato in figura 6:3. a9 Figura 63 5. Da quando ricavato in precedenza é evidente che il provesso y(t) é stazionario in senso lato, 6.2.8 Processo casuale filtrato (2) Un rumore gaussiano n(¢) con densita spettrale WWD ae BRR10 6 ~ Provessi Casuali viene sommato ain segnale periodico di periodo T il eui andamento nel periodo fonda- mentale é rappresentato in figura 6.4. La somma dei due segnali viene fitrata con tn filtro passabasso ideale con frequenza di taglio fo. Calcolare i valori di fo che rendono (0) Figura 6.4 il procosso all'uscita del filtro stazionatio per la media. Soluzione 1 sistema complessvo @ rappresentato in figura 6.5 dove aoe Sen) ee ee nee eee ee ceeeeteceeaarneeaien Ble(t)] = Elz.(¢)] + Blzn(t)) (t) + zn(t) Hen(O] = fi Res(P) Role) = toi =F" {arom} = ~ 2 (ats) 562 — Brercisi im a) ye) iz 2(t) nit) Figura 6.5 ain . Plen(O] = Him Rag() = Jim Semel" =o «loo 29(0) € un proceso stazionario a media nulla. Sia inltse: Pl] = 20 in quanto z(t) non @ caguale. Afinché il proceso d'uscita 2(t) sia stanionatio per la media occorre che E[2(t)] sia indipendente dal tempo; si deve trovare, quindi, il valore At fo tale per ex Ele(t)] = Elz.(t)] + Elen(t)] = 20(t) sia costante, In requenza si ha 2) = SNH) dove S(f) € a rghe in quanto spetro de segnale periodic s(?)- Quindt Si)= > ins (f-F) dove i coefficienti jn della serie di Fourier di x(t) sono: ee Bevidente che Ele(t) @costante sel filtro preleva solo la 6 nelVorigine, lot se fo < Tin questo caso si ha: SN = FAN) > Ble} = Ho = 5.12 6 — Processi Casuali 6.2.9 Processo casualefiltato (3) Sia dato un processo casuale 2(0) = my +n(t) dove my & una costante e n(t) @ un 1processo gaussiano stazionario bianco a valor medio nulloe densita spetirale di pocenzs, Af. (t) rappresenta Ia tensione ai eapi di un bipolo. Se ne vuole stimare il valor medio ‘m, usando un voltmetto la cui risposta all'impulso vale h(t) = w(t)e~*. La lettura dello strumento vale pertanto u(t) = x(t)» h(t), dove il simbolo “+” denota il prodotto ai convoluzione. Caleolare: valor medio, valor quadratico medio ¢ varianaa di v(t): © la probabilita che u(t) sia comprosa nell intervallo[0.9mq,1-Ime). Soluzione Il valore atteso di v(¢) si calcolaricordando che il valore atteso di un processo all uscita di un sistema LTT dato dal valore atteso dell'ingresso moltiplicato per la funzione di trasferimento valutata alla frequenza zero: Efu(t)} = E{x(t) + h(t)} = B {x(0)} HO) = B (2(0)} = = B{m, +n()}= B{n(t)} +m, = me jin quanto HU) = + H(0) =1. a ala pnt Per calcolate il valoré quadratico medio la strada pid semplice é di passare attraverso Ja funzione di autocorrelazione, che si pud calcolare come antitrasformata di Fourier della densita spettrale di potenza Gy(f) del processo di uscita v(f). A sua volta, la Go(f) si caleola utilizzando la densita spettrale di potenza dell'ingresso e la funzione di trasferimento del filtro LT. B{v(Q} = RO) =F (GA) Gif) = GAD IEDP Per calcolate la densita spettrale di potenza di 2(¢) si passa attraverso la sua funzione i autocorrelazione. Ror) = E{a(t}a(t +1)} = EB {lms + n(Q)] [ms + n(t + 7))} = = E{nityn(t + 1)} + m3 = Ra(r) + mz da cui si ottiene che $62 — Esercish 113, Golf) = F (Re (r)} = Gulf) +mzs1f) = % + mals), Quindi la densita spettrale di potenza di v(t) vale = (SB + maacn) acne = Sere + mts) el valore qusdratico melo ewo)=f * gsinar = mi + Me [Cora dove l'ultimo integrale si risolve con Vausilio delle tavole degl integral.Capitolo 7 Campionamento di Segnali Analogici 7.1 Richiami di Teoria 74.1 Introduzione La teoria dei segnali vista finora definisoe un segnale come una funzione 2(¢) che di pende da una variabile “tempo continua. In ciascun istante di tempo, il segnale pud assumere qualungue valore compreso tra ~o0 ¢ -+o0. Questo significa che ciascun va lore deve essere rappresentato con precisione infinita. Inoltre un segnale, anche se a supporto Limitato su un intervallo finito (a,b), @ definito allinterno del supporto in un numero infinito di istanti di tempo. Tale sognale, continuo nei tempi e nelle ampiezze, © generalmente chiamato sognale “analogico" Le modeme applicazioni di comunicazione rappresentano i segnali su calcolato- i dotati di rappresentazione aritmetica in precisiono finita, e ne consegue che que- st} segnali, tipicamonte denominati segnali ‘numeric, possono non essere unesatta rappresentazione del segnale analogico originario. Quali sono quindi i passi necessari per trasformare un segnale analogico in uno numerico? E quali di questi passi sono eventualmente reversibili? La trasformazione comporta l'esecuzione sequenziale delle s2guenti due operazioni > Campionamento. Questa operazione serve a trasformare la variabile continua t in una variable discreta, pelevando campioni del segnale 2() in determinat istanti di tempo, in modo che un intervallo temporale fnito contenga un numero fnito di campioni, Sotto opportune condizioni, questa operarione si pud effettuare senza perdita di informazione, ovvero a partire dai campioni del segnale a tempo discreto € possibile rcostruite esattamente il segnale originario a tempo continuo. © Quantizzazione. Ciascuno dei campioni prelevati dal segnale pud assumere qua- lunque valore sull'asse reale. L'operazione di quantizzazione definisce un insieme finito dt L possibili numeri reali utilizzabili per descrivere l'ampiezza del segnale. 11 valore vero di ogni campione viene apprassimato con il pid vieino tra gli L valoti disponibili, Ciascuno dei numeri reali viene etchettato con un numero tra 0 L~ 1, © vengono utilizzati [logs L] bit per descrivere ciascun campione. Questa opera” zione di approssimazione introduce una perdita di informazione non recuperabile. us116 7_~ Campionamento di Segnali Analogici [L'argomento della quantizzazione @ assai vasto, ¢ non viene trattato in questo testo, 7.1.2. Campionamento di un segnale Si consideri un segnale 2(t) con trasformata di Fourier X(f). 11 campionamento si effetiua estraendo da x(t) una sequenza di campioni con passo costante To, detto ‘paso 0 intervallo di campionamente. La sequenza di campioni viene indicata con Ia hotazione 2{n] = 2(nTo), dove si usano le parentesi quadre per evidenziare la differenza tra Tindice di tempo numerico n ¢ i corrispondenti istanti di tempo continuo nTo, Problema del campionamento: Ci chiediamo se, con una soelta opportuna di To, sia possibile ricostruire in maniera esatta il segnale originario z(t) a partire dai suoi campioni z[n}.. Questo € chiaramente un problema di interpolazione in quanto, dati Feampioni 1(%To), siamo alla ricerca di una funzione interpolante K(t) tale per cui, combinando linearmente i campioni disponibili, si ottenga un segnale ricostruito te axlt)= Yo a(nTo)K(t-nTo) che sia identicanmente uguale a z(t) per ogni t nellintervallo (0,00). Spettro del segnale campionato Tl segnale campionato x¢(¢) si ottiene moltiplicando 2(¢) per un treno di delta di Dirac, Te quali estraggono i valori del segnale negli istanti di campionamento nT, ovvero std =a (re At-uts) =e $ aoa esto atematcamente un eae ampo contin, ma & veo daz satan So cae et gall Tanca lcrmasionecouemsta i eo @ ala ae ar sewn sis), Lospotrod queso soa scleafacinente oa Lo spetto del segnale eampionato consste quindi in una serie di repiche ot X(f) tniformemente taslae di multipli interi di fo = qb. La pereta ricostrusione di (1) a partre dal suo campioni & possibile se le repliche non si sovrappongono una SPut2N odo ce tawands un sito TY pss eal Sa pani extare Ja replica per n= 0, uguale ad X(f), e cancellare tutte le altre, ottenendo infine x(t) ‘come antitrasformata di X(f). L’estrazione di X(f) da Xo(f) é possibile se » X(f) ha supporto limitato; se cost non fosse, le code di X(f) si sovrapporrebbero alle alte repliche, impedendo di estrarre X(J) Tintervallo di campionamento To é sufficientemente grande che le repliche siano ceffettivamente separate. S71 — Richiami di Teoria Tutto cid si riassume nel seguente teorema, attribuito a Shannon ma in realts dimo- strato indipendentemente da Shannon, Whittaker e Kotelnikow. Sia x(t) un segnale limitato in banda con frequenza massima pari B, tale ob | che la Sua trasformata di Fourier X(f) sia pari a 2ero per |f| > B. Questo segnale si pudricostruire esattamente dai suoi campioni presi con intervallo To, ovvero 2(n} = x(nTc), a condizione che Vintervallo di campionamento sia tale per cull frequenza di campionamento fc soddis la condone f BB La ricostruzione avviene filtrando il segnale campionato z(t) eon un fibro passabasso ideale con frequenza di taglio pari a yh La frequenza 2B @ anche detta frequénea di Nyquist, ¢ la condizione 7 > 2B @ detta riterio di Nyquist, dal nome del ricercatore americano che per per primo ‘comprese 'importanza di questa condizione filtro ideale di ricostruzione ha rispesta in frequenza pari a H(f) = ny.(D)s ¢ quindi risposta all'impulso uguate a h(t) = Sine (7) Tl segnale ricostruito alluscita del filtro ideale he trasformata di Fourier ¥ «(/-#)] ‘equindi, antitrasformando, otteniamo espressione del segnale rieostruito nel dominio del tempo: Xalf} = H(AXe(f) = H(A) [rw * alt) = A(t)» [xe DL anTo)b(t~nTo)} = 21 YS alnteynle—afe) =o Se alae\Sine (Sm) Questo ci mostra che nel dominio del tempo il segnale originale 2) siottieneiterpo- Jsndo i camnpioni 2{n] con un interpolatore del tipo K(t) = Sine (3) Filtro anti-aliasing 1 teorema del campionamonto prevede che il segnale 2(t) sia a banda limitata Nelle applicazioni reali questo é un problema. [ segnali generati nella pratica hanno sempre durata temporale finita, ovvero sono pari a zero prima di un determinato istante, e dopo un altro istante successivo. Se il egnale é nullo per t <0 ed ha durata tenporaleus 7_~ Campionamento ai Seguali Analogict pati a, ess si pudscrivere come {t) = r(t)pr(t— $), con r(¢) un segnate a banda Timitata uguale a 2() nelVintervallo (0,1). La trasformata di Fourier vale quind X(f) = R(f) * TSine(fT)ePT?, «questa trasformata chiatamente non ha una frequenza massima oltre la quale X(f) = 0, 1m quanto le code della funzione Sine creano contributi non nulli per ~20 < f < +00. {In questo caso none possibile separare le repliche di X(f) nello spettto del segnale carn pionato, la ricosiruzione tramite un filtt passabasso ideale conterra la trasformata X(f) pit i contributi delie code delle repliche di X(f) che entrano allinterno della banda del filtro di ricostruzione. Questo fenomeno prende il nome di aliasing, e il suo efetto @ molto nocivo in termini della fedelté e qualita del segnale ricostruito, Per questo motivo quando si campiona un segnale reale @ tipico precfltrare i] se- gnale 2(¢) prima del campionamento, applicando un filtro passabasso ideale con banda Uunilatera B che renda il segnale fltrato 2'(t) a banda limitata. $i campiona quindi (t) con una frequenza di carnpionamento che soddisfi il criterio di Nyquist, in modo ‘che 2'(t) possa essere ricostruito esattamente a partite dai suoi campioni. Ovviamente 2 (t) non é identico a z(t), ma Perrore introdotto dal filtro anti-aliasing é molto meno nocivo, e comungue pit controllabile, rispetto alleffetto dell aliasing. Campionamento con impulsi non ideali La delta di Dirac utitzzata nel campionamento é un'idealizeazione, e nella pratica il campionamento vine effettuato utilizeando un impulso reale r(t), per esempio una porta r(t) = pr(t) con durata T < T.. Ci chiediamo quindi come cambi il problema el campionamento quando r(t) non sia una delta di Dirac. Il segnale campionato Fo(t) si puo scrivere come Holt) = To FS alifeyr(t no) = =Terit)« Yo alaTest nto) e quindi to spettro X¢() vale Keto) = RKC) = RU) YE X(s-7) Pertanto lo spetto del seznale campionato con impaisi reali é lo steso di quello cam- pionato idealmente, salvo un termine distoreente (J). Lo condiiont relative alls, Sseparabilita delle mpliche nel dotninio della frequenza non cambiano. filtro di i= costruzione perd deve invertire la distorsione, ¢ quindi Ia sua risposta in frequenca dlewe essere pari a gy per J < ghz e zero altrove. Si noti che questo filtro non & necessariamente stable qualunque sia R(J). §72 ~ Boeri nig 7.2. Eserci 7.2.1 Campionamento di un segnale sinusoi I segnale le 2(t) = 20+ 20sin (5008 + 7) deve essere campionato e ricostruto esattamente dai suoi eampioni > Qual él massimo intervallo ammnissibile tra due campioni? > Qual @il numero minimo di campioni necessari per rieostruire 1 s di segnale? Soluzione Come quasi sempre avviene, gli esercizi sul campionamento richiedono di lavorare nel dominio delle ftequenza per calcolare la banda unilatera del segnale da campionare, Lo spettro di 2(t) vale X(f) = 205(f) + 10 [6S — fo) + 5(F + fo) e* con lasostituzione fo = 500/(2n), e quindi fy = 79.6 He. Poiché fy & anche chiaramente Ja banda unilatera del segnale 2(¢) si ha che la minima frequenza di campionamento vale fomin = 2fa = 159.15 He ¢ quindi i! massimo intervallo tra due campioni risulta 1 Foo La minima frequenza di campionamento corrisponde a 159.15, quindi ad almeno 160 campioni di segnale in un secondo. Tomax © = = 6 ms 7.2.2 Campionamento della somma di tre segnali i consider grate somes wo) = 20) +2 +2000 ni(t) = 2(8)cos(2rfot) , 22(t) = x(t) cos(N2x fot) © a(t) strettamente limitato in banda B = 1 kHz. y(t) deve essere campionato in modo tale da poter essere ricostruito dai suoi campioni. La frequenza di campionamento & f= l0kHz. Determinare i valori di fy ed N affinché: «+ i segnali di ingresso stano spettralmente separati; ‘¢ si abbia una perfetta ticastruzione di yit); ©. sia massimo.120 7_~_Gampionamento di Sexnali Analogic Soluzione La trasformata di Fourier del segnale y(t) ¢ YU) = XU) + RUE — fo) + XU + fl + GIR — Nf) + XU + NV) Facendo riferimento alla figura 7.1 é immediato notare che la massima occupazione in banda di ¥(f) si ha per fax = Njo +B. I segnali di ingresso sono spettralmente un he Nhe t Figuea 721 _separati se sono verificate le condizioni fo- B>B = (Rm Nfo-B> for8B (N-Ifo>2B 9 N>1 er avere perfetta ricostruzione di y(t) @ partire dai suot campioni @ necessario soddi- ‘fare il criterio di Nyquist: consideano tt connote prdedn f= 28 = 24 gut See a a i pte spar 8 so, vite waris! awse In definitiva, i vali di fo €.N che soddsano tute le coniaioniimposte sono: fo = 2kHz Ned 7.2.3. Segnale sottocampionate Sia dato il segnale 2 a= 2 sin(nBt) 20= 5 [ae con B =2 Kile, esi supponga di campinare i senale con un campionatore ideale a Eeqenza f. 2°20} i sgnale camponato viene iceesSvamente fitrato da un Bltro 972 ~ Reercisd a passabasso ideale di banda W = f,/2. Determinare il valore dif, nel caso particolare di affinché le repliche dello spettro del segnale introducano un’eniegia minore del 10 % del sognale utile sul segnale filtrato, Soluzione Lo spettro del segnale +(¢) si pud ottenere attraverso l'uso delle tavole e vale xp=ui() ‘Campionando il segnale, il suo spettro diviene periodico con repliche spaziate in fre- ‘quenza di una quantita pati alla frequenza di campionamento. Lo spettro de! segnale cainpionato é dunque: fs 0 XUF- KA) F AN = Poicht lo spettro X(f) ha banda Be f, < 2B avremo la comparsa di aliasing (vedi figura 7.2). Figura 7.2 Filtrando il segnale con un filtro passabasso ideale di banda W = j,/2, ilsegnale risulta sporcato dalle code delle repliche adiacenti. Lenergia associata alle code de! segnale che si sovrappongano al segnale utile sara dues dad na fot12 Campionanento i Sognali Analogii Da questo si ottiewe che ‘Venergia complesiva dl segue utile dopo i filtro passabasso di banda W & Capitolo 8 pw af [brenda “ewe p ° Segnali e Sistemi a Tempo Discreto ale, af 8.1 Richiami di Teoria 4B 8.1.1 Definizione ‘A questo punto si pud calcolare il valore di f, attraverso Vequazione Si definisce segnale a tempo disereto, rappresentato con la notazione zn}, una sequenza Ai valori reali o complessi defnita per tutti i valor! inter dim. Nelle applicasiont op 938 pratiche generalmente i segnale a tempo discreto @ ottenuto per campionamento di un Me B 4B segnale analogico ln] = x(n) da cui si ottene cle f= 1.868 dove Tz eit passo di campionamento. 8.1.2 Sistemi linear discreti Analogamente a quanto introdotto nel caso dei sistemi analogici sono di interesse i sistemi per cui valgono le proprieta di linearita e tempo-invarianza. Data una sequen, 42 ingresso afr e ta cortapondente soquenea ti soche vl), valgono le seguenti definizioni, > Linearita T{ax2[n] + apza[n}} = ay T{xs[n)} + T{e2\n)} » Tempe invaranza " vin K] = 74 —k)) I sistem lineari e tempo-invarianti discreti che operano una trasformazione £{-) sono caratterizzati dalla risposta allimpulso, definita come T{sin]} 13124 8 — Segnal ¢ Sistemi a Tempo Discreto ¢Fuscita yo del sistema, dato un qualunque ingresso zn, pud essere scritta attraverso un’operazione di convoluzione discreta vie] = Salen — 4) oN ‘che pud anche essere espressa attraverso un cambio di variabile come sin aot 2) vuln] 8.1.3 La trasformata 2 Ponendo allngresso di un sistema discroto la speciale sequenca z[n] = 2" si ottiene in nscita vin) = 2" =H] in ui la quantita . He) = So *H) viene chiamata funizione di trasferimento del sistema ed @ la trasformata = dela risposta all'impulso discreta hin). In generale la trasformata di una sequenza [n| @ definita dalla serie “boo Stat] X(2) @ una serie di Laurent a coefficienti reali che in generale converge in una corona Gircolare di raggi minore e maggiore R_ e R,,. Si pud dimostrare che se la sequenza.é causale allora Ry —> +00. Sequenze diverse possono avere la stessa trasformata 2 ma diverse regioni di convergenza, che quindi vanno sempre specificate Xe Proprieta delta trasformata = itardo: se X(z) é la trasformata z di z{n], allora la trasformata della sequenza itardata yin) = xin] & Yw ™X (2) © Convoluzione: se 23{n] ¢ zaln] hanno rispettivamente trasformate X;(z) e Xz(2) alllora la sequenza yin] definita come fn] = aif] +z2{n] = > ea[h}ealn~ &] $81 — Richiami di Teoria 125 hia teasformata 2 ¥ (2) = Xilz)Xalz), Da questa proprieta si evince che per i sistemi lineari vale la relazione ¥(2) =X(2)H(2) tra le trasformate = dell'ingresso X(z) ¢ delluscita ¥(2). 8.1.4 La trasformata di Fouri [La trasformata di Fourier di una generica sequenza disereta zn] é definita come di sequenze discrete Essa viene denominata Discrete Time Fourier Transform (DTFT),€ esiste oztamente se la sequenza & assolutamente sommabile, ovvero $F eta <0 Si noti che la DTT ¢ una funzione periodic delle variable continua w, con petiodo 2x. La DIFT di una sequenza 2[n} pub essere ottenuta dalla trasformata 2 ponendo = = ose. solo seo & contenuto nella regione di convergenza per ogni .s €(—20,+00), ovvero se Passe immaginario dela variabile 2 appartiene alla regione di convergenza 8.1.5 Discrete Fourier Transform La DTFT precedentemente introdatta @ una funzione che assume valori in funzione della variabile w. Per ottenere una rappresentazione della trasformata di Fourier di ‘una sequenza trattabile con un caleolatore @ necessario discretizzare V'asse w. Data una sequenza di lunghezza finita NV, la sua trasformata di Fourier disereta (Discrete Fourier ‘Transform - DFT) ¢ ottenuta discretizzando la sua DTFT in corrispondenza dei valori 2n Tk per 0SkS ye per OSk @ possibile dinostrare che la DFT della sequenza 2[n] di durata NV @ anche la DFT della sua esteasione periodiea 3 afe-+ mn » le relazioni (83) ¢ (8.4) sono due relasioni tra sequenze discrete di lunghezza N. La DFT vien sposso utiizeata per valutare con un calcolatore lo spettro di un segnale analogicor(¢). Per fare cio ¢ necesario eapre a elaione tra la DFT, la DTFT ela trasformata d Fourier, al fine di non trare conclusioni errate dal risultato fornito dalla DPT. Comes ¢detto, la DFT viene ottenuta campionando la DIFT ad interval regolari nella varibile w. E interessante studiare la relazione tra la DFT a N punti e la trasformata di Fourier X(f) del segnale analogico x(t) di partenza. Si definiscano le estensioni periadiche a(t) = 7°, x(t ~ iT) e X(f) = DE, X(F —iBw), ei parametri fo= 3, By = NfyeTo= ple, quindi T= NTp, B possibile dimostrare [1] che vale la relzione Rebs) = FY waters Questo impli che, a parte un fattore moltiplcativo, i coetfcienti X(t] della DPT nella (8.3) corrisjondono ai coefficienti della trasformata di Fourier con estensione periodica, edi canpioni x[n] ai campioni del sognale con estensione periodica. Questo deve essere tenute in conto nell’analizzare i risultati prodotti dalla DFT, in quanto le estensioni periodithe possono generare aliasing nel dominio del tempo ¢/o quello della frequenza. La scéta dei paramotri della DFT deve essere quindi effettuata cercando di minimizzare Pliasing. Come si @ visto esistono cinque parametri che sono perd legati 'uno all'alto dalla (8.5), in modo che soltanto due parametri possono essere scelti in modi indipendente. Il parametzo T'rappresenta I'intervallo di osservazione del segnale nel domino del tempo, ovvero (0,T', mentre By rappresenta il corrispondente intervallo di visuaizzazione dello spettz0 nel dominio della frequenca, ovvero (0,Bw) Esistono dei casi in cui aliasing pud essere reso trascurabile mediante wn’opportuna, seelta dei parametri > Soil segnale 2(t) @ a supporto limitato, allora una scelta di T’ pari almeno al sup- porto del segnale rende trascurabile Valiasing nel dominio del tempo. Un discorso ‘nalogo si pub fare nel dominio della frequenza per segnali a banda limitata, dove una scelta di By pari ad almeno Ia banda del segnale rende trascurabile Valiasing, nel dominio della frequenza. > Si pud dimostrare che, se un segnale @ sinusoidate, scegliore una finestra temporale T pari ad un numero intero di periodi del segnale rende trascurabile V'aliasing, nel dominio della frequenza, Infine, vale la pena ricordare che esiste un algoritmo veloce per il calcolo della DFT, chiamato FFT. La FFT viene spesso calcolata a partire da un numero di campioni N pari a una potenza di due, nel qual caso si parla di FFT a radice 2 8.1.6 Filtri numerici I concetto di filtro introdotto peri segnali analogici, ovvero di sistema lineare e tempo- invariante in grado di modificae il sognale di ingresso, ha. un analogo nel dominio del tempo discreto, dove si pud definire un operatore sulla sequenza di ingresso z{n] che fornisce una nuova sequenza yn). In generale tale operatore (dletto “filtro numerico”) pud essere rappresentato attraverso la relazione ln] = boa{n] + brefn— I] +---+ dme[n— m] — {aryfn— 1] +--+ + apyln —p]} (8.6) ‘Si noti come essa rappresenti un'equazione ricorsiva in cui Puscita al tempo discreto ‘n dipende sia dai valori di ingresso che dalle uscite ai passi precedenti, La funzione di trasferimento del sistema operante la trasformazione (8.6) si ottiene prendendo la ‘rasformata z di entrambi i membri dell'equazione, ottenendo dunque XC) _ bot bi ¥() 7 Tar (8.7) ato cortisponde un'uscita limitata, ‘Un filico numerico é stable se ad un ingresso li128 § _— Segnali¢ Sistemi a Tempo Discreto La condizione necessaria e sufficiente per avere Ia stabilita del filtro @ che ¥ tin fe, con fs = 10 kHz Si costruisca il segnale y(t) = 2(0) coo(2xfyt) con fy = 50 kiz. Si vuole valutare lo spettro Y(f) a partire da opportuni campioni di y(t), usando una DFT oppure una FFT a radice 2 1. Volendo ottenere una risoluzione in frequenza di 500 Hz, si valuti il passo di campionamento da scegliere per y(t) e il numero di cainpioni N. 2. Usando i risuleati del punto precedente e assumendo per X(f) un andamento trian: golare simmetrico rispetto all’origine, si disegni lo spettro di y() nelYinero campo ai frequenze fornito dalla DFT. Soluzione 11 primo punto richiede che la visolusione in frequenza fo sia pari a 300 Ha. Pestanto & necessarioimporre la condizione fo = 4 = 500, che cid un intervallo di esservazione del sognale pari aT = qhy = 0.002 s. numero N di campioni nocessari si pud sceghiere imponendo che non visa aliasing nel dominio della feequenza, e che quindi le repliche di Y(f) create dal passaggio al tempo discreto siano separate. Lo spettro ¥(f) @ rappresentato in figuia 8.1. Per evitare Valiasing deve quindi essere soddisfatta la condizione By > 2fy + 2f. = 120 lz, Dal momento che By = i si tiene N > 240. Questo valore ¢ aditto ad una DFT, mentre per una FET a radice 2, N deve essere una potenza di 2. Scegliamo ‘quindi la potenza di 2 immediatamente superioze, ovvero NV = 256. Questo valore fornisce una FFT che mostra lo spettro stimato ¥(J) del segnale fino alla fequenza di 128 kHe, come riportato in figura 8.2. 8.2.3. Sistema a tempo discreto (1) Sia dato un sistema lineare e tempo-invariante a tempo discreto la cui (2) vale130 8_~_Sognali¢ Sistomi a Tempo Disereto vin) Figura 8.2 A(z) 1. Determinare eel sistema é stabil. 2. Disegnare la stuttura del sistema lineare. 3. Determinare wil sistema @ FIR o IIR. $8.2 Bsercisi 131 Soluzione TI sistema ha un polo in 2 = -1/4 e quindi ¢ stabile. Ricordando che Y¥(2)/X(2) Jax (4°) da cui si ottione Mequazione alle difference 1 si pud ricavare ule) =—Fyn~ 1] - dein =3] ‘a cui corrisponde chiaramente una struttura IR. 8.2.4 Sistema a tempo discreto (2) ‘Si consider il sistema a tempo discreto mostrato in figura 8.3. Si chiede di ats) ots} s 1, Determinare la H(z) del sistema [Suggerimento: si consiglia di fare uso dei segnali ausiiari wine ln) per esprimere le retazioni nei diversi punt dlia rete numerics] 2, Detertainare una posible coppia di valori a ¢ ap per i quali sistema pub essere rappresentato con una struttura FIR, edisegnare la vispast allimpulso hn) 3. Scegliendo i valori a: = 1 ¢ a2 = —1/4 stabilire se il sistema é stabile. 5132 8 — Segnalo Sistemi a Tempo Discreto Soluzione Come suggerito, seriviamo Vuscita in fonzione dei segnaltausiiari w[n] e vie] vin} dove per ispezione dello schema a locchi troviamo che in} + = Fain] + awin a] + axle — 2) vin —2ufp = 1 + wfr- 2} Passando quinds alle trasformate z otteniame: ¥(@)= We) + VE) W(2) = EXE) He (e)2 7 + wa) da cui si ricava Per il secondo segnale aus V(e) = -20(2) V() = (-2271 #2") We) che puo essere scritto in funzione dell’ingresso utilizzando Vespressione di W(2) V(e) = BHD x0, Si ottiene dunque 1 nett he? ae) = ae? ¥(@) HO)= XG) ~T ‘Si noti che a tale H(z) corrisponde la relazione ingresso-uscita 1 1 abn] = $2 fn) ~~ a} + Flr ~ 2} + aryl — 1] + azule — 2 Anche il filtro sia di tipo FIR la funcione di trasferimento deve avere denominatore ‘unitario in modo tale da non rendere la relazione ingresso-uscita dipendente dalle uscite pprecedenti e quindi a) = a2 = 133 Figura 8.4 La risposta all'impulso si ottiene come 1 1 ule} = 55ln]— Sin — 1} + 551m — 2} ed @ rappresentata in figura 8.4 Timponendo i valori a; = 1 ¢ az ~ ~1/4 il sistema TIR che si ottiene @stabile solo sei poli risiedono alVinterno del cerchio di raggio unitario. I! denominatore della H(2) vale in questo cas0 D(z) che pud essere seritto come p= (1- che ha soluzione 2 = }. Il sistema é dunque stabile. 8.25. Sistema a tempo discreto (3) Sia dato un sistema numerico lineare ¢ empo-invariante la cui H(2) vale: 1. Determinare se il sistema @ stabile 2. Disegnare la struttura del sistema lineare, 3. Determinare se il sistema FIR o IIR. Soluzione Scrivendo tutto con un unico denominatore si ottiene$82 — Boereizi 135 134 8 = Segnali Stemi a Tempo Diserto Llepet ide pete deta desde tye) AG) = ihe “X@) 1/3 quindi @ stabile. Si ha inoltre x (1- {sistema ba un pdo in 2 = va (ved da cui si ottiene equazione alle differenze duln—a)+2 ul 1 cui corrisponde ma struttura IIR. 8.2.6 Calcolo dela H(z) e verifica della stabil Calcolare 1a funzioe di trasferimento H(z) ¢ la risposta in frequenza del sistema a. ‘tempo discreto la «ui risposta allimpulso hin) @ illustrata in figura 8.5, e dire se 1, il sistema @ causale; 2. FIR o IIR; 3. stabile o instatile Calcolare quindi larisposta al geadino Soluzione La risposta allimpulso h(n) in figura 8. assume valori non nulli per n < Od ¢ dungue ron causale. Infatti scrivendo la relazione di convoluzione come in (8.2) é semplice vedere che la sommatoria comprende solo 3 termini vin) = Alin — 4 = h{-Iein +1] + Alolz(n] + AlLe[n — 3) L'uscita al paso n dipende quindi da un ingresso futuro z{n-+ 1], ed il sistema @ quindi zon causale (e non fisicamente realizzabile). Osservando Vespressione dell uscita yn] si vede che essa dipende solo dagli ingressi e non dalle uscite ai passi precedenti, e si ‘tratta quindi di un filtro di tipo FIR, quindi intrinsecamente stabile perché la sua H(z) non presenta poli 8.2.7 Sistema a tempo discreto (4) Determinare la risposta all'impulso del sistema a tempo discreto rappresentato in figura 56 1} ols) Soluzione Utilizzando il segnale ausiliario w[n] possiamo scrivere: -§ [Pxo+we]?= we da cui si ricava136, Segnali ¢ Sistemi a Tempo Discreto Inoltre PRO WO+ (XO + WEI] © 8) X(2) + (1+ 22) W(2)- Sostituendo si ottiene vole (342-4) xora4e 8.2.8 Trasformata invariante per Fimpulso Sia halt) = e7°% - u(t) la risposta alPimpulso di un fltzo analogico. Si ottenga Ia Faposta allmpulso h(n} del filtro numeric ottenuto dalla risposta allimpulso del filtro nnlopi¢o per mezzo del metodo della trasformata invariante all'mpulso, che ottiene la in] atteaverso un campionamento della risposta analogica Ain] = he( wa). 1. Determinare H(2) 2 Indicare se il sistema @ FIR o UR. 3. Caleolare per quali valori di T: sso risulta stabile Soluzione da cui si ottiene I filtro @ FIR e quindi stabile per ogni valore di T. positivo. Si ricava inoltre che 0a yin — 142 Bibliografia [i] L Lo Pret, B. Neri, L’analisi dei segnali, second ediione, CLUT, 1992, la} L: Lo Presti F. Neri, Infrodusione at processi casuali, CLUT, 1995. [3] H. Hsu, Probabiica, variabili casuali ¢ processi stocastici, McCraw Hil, 2011Appendice A Segnali notevoli e funzioni utili A.1_ Definizione e proprieta della delta di Dirac La distribuzione delta di Dirac (t) viene formalmente definita come soluzione dell'e- ‘quazione integrale [ seatnae = 200) viene utilizzata nell’ambito della teoria dei segnali per rappresentare impulsi temporali ‘con supporto molto stretto e energia unitaria. Per dare una definizione piu intuitiva, si pud anche interpretaxe 4(¢) come il limite di una suecessione di porte con energia unitaria e durata decrescente, ovvero Jim rpr(). Sinoti che questa definizione mette bene in evidenza il fatto che il valore di 6(f) per # = 0, ovvero unica ascissa dove la delta é diversa da zero, non é pati a 1. Il valore assunto non é definito. ‘Si possono ricavare le seguenti proprieta utili per utilizzere la delta nelle operazioni sui segnali Proprieta di campionamento a(t)6(t ~ to) = 2(to)5{t — to) [2 eoste- tae = 200) Proprieta di convolugione * ae n)6le)ar = 20) 219 2600 =f 139140. A_~_Seuali notevol ¢ funzioni utili cio8 la delta rappresenta “Punita” del prodotto di convolurione. Inoltre 200 +(t~ ta) = J” =~ 2)8(r~to)dr = 2(¢—t) ovvero la convoluzione con una delta di Dirac centrata in ty trasla it segnale laddove @ contrata la delta A.2. Formule di prostaferesi 4 sina +sing = 2sin 2% * 2 at sin a — sin 8 = 2eoe a 2 reoe 28 08.0 +0088 = 2008“ cos cose ~ 0088 = =2sin F* 3 Formule di Werner snaca = Honfos 8) +snlaP) 008 «cos 8 : 1os(a + f) + c0s(a~ f)] 2 sinaesin# = Slcos(a— A) —cos(a + 6)] A.4 Formule di duplicazione e bisezione sin(2a) = 2sin(a)cos(a) os(2a) = cos*(a) ~ sin?(a) = 1 —2sin?(a) 2tan(a) tan(2a) = §A.6 ~ I segnale“gradino” uw cos(a) sin?(a/2) = =F cos"(ay2) = Ste) ‘tan%(a/2) = = A5 I segnale “porta” Definiamo un segnale che viene usato con grande frequenza, ovvero il segnale porta di ampiewa unitaria e durata T. Questo segnale é definito come 1 -Fetet w= {0 ado ‘ovvero il segnale ha ampiezza unitaria nellintervallo (- veda la figura A.1). Verra utilizzata anche la porta traslata, sia nell'intervallo (0,7). Essa si pud scrivere come pr (t— vale zero altrove (si ‘modo che il s30 supporto pr(t) 5 z t Figura A.1_ Segnale porta di ampiezza unitariae durata 7: A.6 Il segnale “gradino” Un altro segnale di uso molto comune @ il gradino unitario w(t), definito come 1120 wo={o 120a2 A Seguali notovol e fansioai utili disegnato in figura A.2 u(t) Figura A.2. Segnale gradino di ampiezza uitaria AT La funzione Sine Neli'ambito dellelatorazione dei segnali viene frequentemente utilizzata la funzione Ricordando che si ottione che la fuszione Sine(a) ha un massimo nelorigine pari ad 1. E inoltre semplice verificare ele sin(ra) = 0 se xa = kx con k intero e diverso da zero. Ne segue ‘dunque che la funsione ha zeri periodici nei valori interi di a (tranne che per a = 0) ‘come mostrato in figura A.3. A.8 La funzione gaussiana La fungione gaussiana, detta anche distribuzione normale e indicata con la notazione M(u,0);@ rappreseatata da ft) » we Vascissa del punto di massimo > 0, u-+a som le ascisse dei punti di flesso: al variare di o le curve sono pitt 0 ‘meno raccolte iniorno all'asse di simmetria, come mostrato in figura A. SAS La funione goussiana M3 os OB bo 4 02 § 02} VU 04! Poiché Vintegrale della funzione e~ ccono le funzion! ete) = Ze an fel) =1 ere) = Ze [oe (a2) In modo alternativo viene anche utilizzata la funcione Q che rappresenta Parea sottess dalla coda della Gaussiana a partite dal valore 2. Si noti e: (8) Qe)144 A= Segnali notevoli ¢ funziont utili Figura AA Funzione Gaussiana Appendice B Proprieta della trasformata di Fourier e tabella di trasformate notevoli In questa appendice vengono riportate la tabella delle proprieta della trasformata di Fourier e la tabella delle coppie notevoli di trasformate e antitrasformate di Fourier, che vengono utilizzate molto spess0 negli esercii. Queste tabelle sono prese da (1) si ‘ngraziano gli autori per avere concess0 la riproduzione del materiale. 1451M6_B ~ Prowiota della vasformata di Fourier e tabela di trasformate notevoll B_~_Proprith della trasformata di Fourier tabella di rasformate notevoli_ 147 pa Se roe ee ‘Funzione del tempo z(t) Funzione della frequenza X(J) HQ = (EXPT X(N) = [2S ae Mae ie MORLEY MUS YUN) = [AS Nera i NN oo am [© <= nea o=(0) +b) axin sory) : 4 inversion oat a(t) xen : ete connguione 310) xen n coy | ate (24 Koy anticipo.o ritede x(t 0) X(petinre sealamentoint (tt) we 5 . . scalumentoinf (4) xan AK, ow aus ZN f parita (1) reale R(X(A)} part HO rae TUX() pa oO ; — a(t) reale XA) pari t (4) reale arg X(D) dispar 2(t)reaee past X(j) tea e pati + 1 an tedaion in ete Xue he) we aaa modulazione x(t) cos(2r fot) HAL = fo) + XU + fo) convoluzione f° z(r)y(¢—r} dr xD, omy Gap prodctlo (040) LE XO ~ aye derivaione x) spXU) ‘ integraione ff afer AX(OMN 4 XN/i2F Jo fw feies | at? ) dualita xO a(-f) ‘ TT Figura 8.2 Figura B.1143_B_~_Proprieta della trasformata di Fourier e tabella di trasformate notevoli B_~ Proprieta dela trasformata di Fourier tabella di trasformate notevoli 149 Funsione del tempo 2(0) Funsione della frequensa X(J) Pumaione del tempo 2(0) Punsione della frequenza X(f) aay “, ila Gat ae 5 rm intero 20 A AD mw LU PARAS] cere a nl ae WY : Lo Aap | mame t ror 3) mn intero 2 0 ey rl ator “ ws dinpai aan u po] ADA] womtornn 20] fA | wosneerey | | 7 > BEY fH + 10) By Figura 8.3 ale costae), at ief hha ae ern PR Figura 8.4150__B_~ Prope dll trasormata di Fourier «tabella di trasformatenotevl B_ © Proprita dolla trasformata di Fourier ¢ tabla di tasormatenotevli__ 151 a oT Funsone dl tempo 20) Funioe dell equens XG) \ tad |" caer wer] 7 (Sel —f0N =} wmitrem |PN, WSED] sms + sim mal tensa] SER eer el TT | pros fe tise : D Saeebe a alge w+ FF By Y fe ranorn, | PLU et slices Porta ; to) rsagis7) . a) A] Lfeimacr |) pa \ | renin, | agra maleate aes ieee Push wa ‘ ine net = ae asur | ~S » Sa-an a SOR cr eon a is 7 ah, a F soraean Figura 8.5 ULL Sawn Figura 8.6Propriet della trasformata di Fourier e tabella di trasformate notevoli Funsione del tempo 2(0) ‘Pantone della frequenza X(J) wo Ean [iE oa)a-#) E sonia | men E alr B_~ Propriota della tasformata di Rourer tabella di trasformate nowvol FFunsione de tempo 2(4) Punsione della fequenzs X(J) cosh(2eat) eae 0 complesso Ro} >e tie) esa | Meyen)-6-i0 Figura 8.7 Figura 8.8