Lezioni di TEORIA DEI SEGNALI.pdf
April 27, 2017 | Author: emaxxim | Category: N/A
Short Description
Download Lezioni di TEORIA DEI SEGNALI.pdf...
Description
DIPARTIMENTO DI ENERGIA INGEGNERIA DELLโINFORMAZIONE E MODELLI MATEMATICI (DEIM)
Lezioni Di Teoria Dei Segnali Giovanni Garbo, Giovanni Mamola, Stefano Mangione
29/12/2014
SOMMARIO Introduzione CAPITOLO - 1 Richiami di Matematica 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 -
1 7 7
Premessa. ........................................................................... 7 Lโintegrazione alla Lebesgue. .......................................... 7 Misura associata a una classe di insiemi....................... 10 ๐-Algebra di Borel........................................................... 11 La misura di Lebesgue su โ .......................................... 11 La misura di Lebesgue su โ๐ต ....................................... 12 Funzioni integrabili alla Lebesgue e relative proprietร .13 Funzioni a quadrato sommabile .................................... 16
II Teorema di Lebesgue: ............................................................... 18
1.9 - Spazi metrici. ................................................................... 18 1.10 - Spazi vettoriali. .............................................................. 20 1.11 - Spazi normati. ................................................................ 21 1.12 - Forme bilineari, quadratiche, hermitiane. ................... 21 1.13 - Riduzione di una forma hermitiana a forma canonica.23 1.14 - Forme hermitiane semidefinite positive. ..................... 26 1.15 - Prodotto scalare. ............................................................ 27 1.16 - Vettori linearmente indipendenti. ................................ 30
CAPITOLO - 2 Rappresentazione Vettoriale dei Segnali
33 33
2.1 - Premessa. ......................................................................... 33 2.2 - Lo spazio dei segnali a energia finita. ........................... 34 Prodotto scalare ....................................................................... 35 Distanza.................................................................................... 35 Norma....................................................................................... 36 2.3 - Segnali linearmente indipendenti.................................. 37 Teorema 2.1 (di Gram) ................................................................. 37
2.4 - Rappresentazione geometrica di un segnale. ............... 40 2.5 - Angolo tra due segnali. ................................................... 44
2
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
2.6 - Approssimazione dei segnali nel sottospazio S๐. Teorema della proiezione. ....................................................................... 46 2.7 - Procedimento di ortonormalizzazione di Gram-Schmidt. ................................................................................................... 50 2.8 - Sviluppo di un segnale in serie di funzioni ortogonali. 52
CAPITOLO - 3 Segnali Periodici 3.1 3.2 3.3 3.4 3.5 -
55 55
Generalitร . ....................................................................... 55 Serie di Fourier in forma esponenziale. ........................ 56 Forma trigonometrica della serie di Fourier. ................ 59 Segnali reali. .................................................................... 60 Proprietร della serie di Fourier. ..................................... 65
Linearitร ....................................................................................... 65 Inversione nel dominio del tempo ................................................ 66 Segnale coniugato ......................................................................... 66 Coefficienti coniugati .................................................................... 66 Traslazione nel dominio del tempo ............................................... 67 Traslazione nel dominio della frequenza ....................................... 67 Convoluzione nel dominio del tempo ........................................... 67 Convoluzione nel dominio della frequenza ................................... 68
3.6 - Segnali bidimensionali. .................................................. 70
CAPITOLO - 4 Segnali a Energia Finita
73 73
4.1 - Deduzione elementare della trasformata di Fourier. .... 73 4.2 - La trasformata di Fourier di segnali ad energia finita. 74 La trasformata in ๐ท(โ). ........................................................... 75 La trasformata in ๐ท(โ) โฉ ๐ท๐(โ). ........................................... 75 La trasformata in ๐ท๐(โ). ........................................................ 78 Conclusioni .............................................................................. 81 4.3 - Principali proprietร della trasformata di Fourier di un segnale ...................................................................................... 82 Trasformata di Fourier di segnali reali.................................. 83 4.4 - Proprietร della trasformata di Fourier. .......................... 86 Linearitร ................................................................................... 86 Simmetria ................................................................................. 87 Segnale coniugato .................................................................... 87 Trasformata coniugata ............................................................ 88
3
Introduzione
Traslazione nel dominio del tempo ........................................ 88 Traslazione nel dominio della frequenza ............................... 88 Cambiamento di scala ............................................................. 89 Derivazione nel dominio del tempo ....................................... 90 Derivazione nel dominio della frequenza .............................. 90 Convoluzione nel dominio del tempo .................................... 91 Convoluzione nel dominio della frequenza ........................... 94 4.5 - Limitazioni dello spettro di ampiezza di un segnale. .. 98 4.6 - Segnali bidimensionali. ................................................ 100 Linearitร ................................................................................. 101 Traslazione nel dominio dello spazio e della frequenza ..... 101 Cambiamento di scala. .......................................................... 101 Convoluzione nel dominio dello spazio e della frequenza.. 102 Trasformazioni di variabili .................................................... 103
CAPITOLO - 5 Segnali a Potenza Finita
107 107
5.1 - Cenni di teoria delle distribuzioni. .............................. 107 5.2 - Esempi di distribuzioni. ............................................... 109 Distribuzioni regolari ............................................................ 109 Gradino unitario ..................................................................... 109 Delta di Dirac ......................................................................... 109 Pseudo funzione t-1 ................................................................ 110 5.3 - Calcolo delle distribuzioni. .......................................... 111 Uguaglianza ........................................................................... 111 Somma .................................................................................... 111 Traslazione ............................................................................. 111 Derivata di una distribuzione ............................................... 112 Prodotto di una funzione per una distribuzione.................. 115 Distribuzioni a supporto limitato ......................................... 115 5.4 - Convoluzione tra distribuzioni. ................................... 116 5.5 - Formula di Poisson....................................................... 120 5.6 - Trasformata di Fourier di una distribuzione. ............. 122 Teorema 5.1 ............................................................................... 123
5.7 - Trasformata di Fourier di distribuzioni a supporto limitato.................................................................................... 124 5.8 - Trasformate di Fourier di distribuzioni notevoli. ....... 125 Trasformata di una costante ................................................. 125 Trasformata della delta di Dirac ........................................... 125
4
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
Trasformata della delta di Dirac traslata .............................. 125 Antitrasformata della delta di Dirac traslata ........................ 125 Trasformate delle funzioni seno e coseno............................ 125 Trasformata di un segnale periodico.................................... 125 Trasformata della funzione segno ........................................ 126 Trasformata del gradino unitario.......................................... 127 5.9 - Proprietร delle trasformate delle distribuzioni. .......... 127 Linearitร ................................................................................. 127 Trasformata della convoluzione ........................................... 127 Derivazione nel dominio del tempo e della frequenza ........ 128 Traslazione nel dominio del tempo e della frequenza ........ 129
CAPITOLO - 6 Trasformazioni Lineari dei Segnali
133 133
6.1 - Definizioni. Proprietร generali. .................................... 133 6.2 - Studio nel dominio del tempo...................................... 135 6.3 - Stabilitร di un sistema lineare ...................................... 137 6.4 - Risposta impulsiva di trasformazioni lineari prive di memoria.................................................................................. 138 6.5 - Studio nel dominio della frequenza. ............................ 138 6.6 - Determinazione della risposta in frequenza di una trasformazione LTI................................................................ 139 6.7 - Trasmissione senza distorsione. Filtri ideali. ............. 143
CAPITOLO - 7 Caratterizzazione Energetica dei Segnali
145 145
Segnali a energia finita................................................................. 145
7.1 7.2 7.3 7.4 -
Densitร spettrale di energia.......................................... 145 Funzione di autocorrelazione. ..................................... 149 Teorema di Wiener-Khinchine. ................................... 152 Funzioni di mutua correlazione. ................................. 153
Segnali a potenza finita ............................................................... 155
7.5 - Densitร spettrale di potenza. ....................................... 155 7.6 - Funzioni di correlazione. ............................................. 158
CAPITOLO - 8 Caratteristiche e Proprietร dei Segnali
163 163
8.1 - Segnale analitico. Trasformata di Hilbert. .................. 163
5
Introduzione
8.2 - Componenti del segnale a frequenze positive e negative. ................................................................................................. 167 8.3 - Segnali a banda e durata rigorosamente limitata. ...... 168 8.4 - Proprietร dei segnali a banda rigorosamente limitata.169 Segnali passabasso................................................................. 169 Segnali passabanda................................................................ 170 8.5 - Banda e durata convenzionali...................................... 173 Banda e durata quadratica o efficace ........................................... 173 Banda e durata sulla base dellโenergia .......................................... 174
CAPITOLO - 9 Il Campionamento dei Segnali 9.1 9.2 9.3 9.4 9.5 9.6 9.7 9.8 -
177 177
Il teorema del campionamento. ................................... 177 Il sottospazio dei segnali passabasso. ......................... 179 Campionamento naturale............................................. 182 Campionamento istantaneo. ........................................ 185 Errori di ricoprimento spettrale (aliasing). ................. 187 Campionamento ideale dei segnali passabanda. ....... 189 Ricostruzione del segnale passabanda........................ 195 Campionamento del secondo ordine. ......................... 196
Segnali passabasso. ..................................................................... 196 Segnali passabanda. ..................................................................... 198
CAPITOLO - 10 Segnali a tempo discreto
201 201
10.1 - Segnali a tempo discreto. Energia e potenza specifica. ................................................................................................. 201 10.2 - Segnali periodici. ......................................................... 202 10.3 - La trasformata discreta di Fourier ............................. 204 10.4 - Segnali a potenza finita............................................... 209 10.5 - Proprietร della trasformata di Fourier di un segnale a tempo discreto. ...................................................................... 211 10.6 - Funzioni di correlazione e densitร spettrali. ............. 213 - Segnali periodici. ................................................................. 213 - Segnali ad energia finita...................................................... 215 - Segnali a potenza finita. ...................................................... 217
CAPITOLO - 11 Trasformazioni lineari discrete
219 219
6
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
11.1 - Studio nel dominio del tempo..................................... 219 11.2 - Studio nel dominio della frequenza ........................... 223
CAPITOLO - 12 Valutazione Numerica della Trasformata di Fourier
227 227
12.1 - Valutazione Numerica della Trasformata di Fourier di un Segnale a tempo continuo ..................................................... 227 12.2 - Troncamento del segnale. Finestre temporali. ......... 232 12.3 - La trasformata discreta di Fourier. ............................ 235
CAPITOLO - 13 Richiami di Teoria della Probabilitร
241 241
13.1 - Lo spazio dei risultati. Gli eventi................................ 241 13.2 - Lo spazio di probabilitร . ............................................. 244 13.3 - Probabilitร condizionate - Formula di Bayes - Teorema delle probabilitร composte. ................................................... 247
CAPITOLO - 14 Variabili Aleatorie
253 253
14.1 - Variabili aleatorie monodimensionali. ....................... 253 14.2 - Funzione di distribuzione di probabilitร . .................. 254 - intervallo semiaperto a sinistra ........................................... 254 - semiretta dโorigine destra aperta ........................................ 255 - intervallo chiuso................................................................... 255 - punto isolato ........................................................................ 255 - intervallo aperto ................................................................... 256 - intervallo semiaperto a destra ............................................. 256 14.3 - Proprietร della distribuzione di probabilitร . ............. 256 - valori limite .......................................................................... 256 - monotonia e limitatezza ...................................................... 257 - continuitร a destra ............................................................... 257 - limiti da sinistra ................................................................... 258 - numero di discontinuitร ...................................................... 258 14.4 - Densitร di probabilitร di una variabile aleatoria continua. ................................................................................................. 260 14.5 - Densitร di probabilitร di una variabile aleatoria discreta. ................................................................................................. 261 14.6 - Variabili aleatorie bidimensionali. Funzioni di probabilitร congiunte. ........................................................... 262
Introduzione
7
14.7 - Funzioni di probabilitร condizionate. ....................... 266 14.8 - Funzioni di probabilitร dโordine superiore. .............. 267
CAPITOLO - 15 Funzioni di variabili aleatorie
269 269
15.1 - Funzioni di una variabile aleatoria............................. 269
CAPITOLO - 16 Medie Statistiche 16.1 16.2 16.3 16.4 -
Valore medio di funzioni di variabili aleatorie. ......... 275 Momenti. ..................................................................... 276 Teorema della media. ................................................. 282 Funzione caratteristica. .............................................. 283
CAPITOLO - 17 Variabili Aleatorie Notevoli 17.1 17.2 17.3 17.4 17.5 17.6 17.7 17.8 17.9 -
275 275
288 288
Premessa. ..................................................................... 288 Distribuzione uniforme. ............................................. 288 Distribuzione esponenziale. ....................................... 289 Distribuzione di Laplace. ........................................... 290 Distribuzione normale o gaussiana. .......................... 290 Distribuzione di Rayleigh........................................... 295 Distribuzione di Bernoulli. ......................................... 296 Distribuzione binomiale. ............................................ 296 Distribuzione di Poisson. ........................................... 298
CAPITOLO - 18 Caratterizzazione Statistica dei Segnali
302 302
18.1 - Segnale aleatorio. Funzioni di probabilitร del primo ordine. ..................................................................................... 302 18.2 - Funzioni di probabilitร del secondo ordine e funzioni di probabilitร condizionate........................................................ 306 18.3 - Funzioni di probabilitร dโordine superiore. .............. 310 18.4 - Segnali aleatori deterministici. ................................... 312 18.5 - Segnali dipendenti da una variabile aleatoria monodimensionale ................................................................ 312 funzioni di probabilitร del primo ordine. ............................. 312 funzioni di probabilitร dโordine superiore al primo. ........... 316 18.6 - Segnali dipendenti da un vettore aleatorio. ............... 318
8
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
18.7 - Segnali distinti. Funzioni di probabilitร congiunte. . 321
CAPITOLO - 19 Valori Medi, Stazionarietร ed Ergodicitร
325 325
19.1 - Medie statistiche. ........................................................ 325 19.2 - Stazionarietร . ............................................................... 329 19.3 - Medie temporali ed ergodicitร . .................................. 332 19.4 - Ergodicitร delle funzioni di probabilitร del primo ordine. ................................................................................................. 336
CAPITOLO - 20 Segnali Gaussiani
341 341
20.1 - Variabili aleatorie congiuntamente gaussiane. ......... 341 20.2 - Funzione caratteristica di variabili aleatorie congiuntamente gaussiane. .................................................. 341 20.3 - Densitร di probabilitร di ordine inferiore.................. 344 20.4 - Caratterizzazione degli elementi del vettore ๐ e della matrice ๐ฎ. ............................................................................... 345 20.5 - Segnali gaussiani. ....................................................... 346 20.6 - Distribuzioni singolari................................................ 347 20.7 - Densitร di probabilitร del secondo ordine e condizionali. ................................................................................................. 351 20.8 - Trasformazioni lineari di segnali gaussiani. ............. 353 20.9 - Statistica della somma di variabili aleatorie indipendenti. ................................................................................................. 356
CAPITOLO - 21 359 Caratterizzazione Energetica di Segnali a Tempo Continuo .................... 21.1 - Funzione di autocorrelazione. .................................... 359 la funzione di autocorrelazione normalizzata ...................... 362 la funzione di autocovarianza ............................................... 362 la funzione di autocovarianza normalizzata, o coefficiente di autocorrelazione..................................................................... 362 21.2 - Densitร spettrale di potenza. ...................................... 363 21.3 - Caratterizzazione dei segnali nel dominio della frequenza. ............................................................................... 366 21.4 - Segnali ciclostazionari. ............................................... 371 21.5 - Segnali distinti. Funzioni di correlazione e densitร spettrale incrociate................................................................. 376
Introduzione
9
CAPITOLO - 22 381 Caratterizzazione Energetica di Segnali Aleatori a Tempo Discreto 381 22.1 - Funzione di autocorrelazione..................................... 381 22.2 - Densitร spettrale di potenza....................................... 383 22.3 - Caratterizzazione nel dominio della frequenza ........ 385
CAPITOLO - 23 Segnali Passabanda
389 389
23.1 - Il rumore bianco. ......................................................... 389 23.2 - -Rumore bianco passabasso. ..................................... 389 23.3 - -Rumore bianco passabanda...................................... 390 23.4 - Segnali aleatori passabasso. ....................................... 391 23.5 - Segnali aleatori passabanda. ...................................... 393 23.6 - Segnali gaussiani. ....................................................... 402 23.7 - Segnale gaussiano a banda stretta sovrapposto a un segnale deterministico di tipo sinusoidale........................... 404
INTRODUZIONE Una grandezza fisica, alla cui variazione in funzione di determinate variabili, quali, ad esempio, il tempo, le coordinate di un punto nel piano o entrambe, รจ associata una certa quantitร di informazione, costituisce un segnale. La tensione o la corrente all'ingresso di un biporta, la pressione acustica incidente sulla membrana di un microfono, l'intensitร di un'immagine in un punto di uno schermo o la successione temporale di immagini quali quelle che si ottengono in una ripresa televisiva, sono esempi di segnali. A seconda degli aspetti che interessa mettere in evidenza รจ possibile classificare i segnali secondo criteri diversi. Una prima classificazione รจ di natura fenomenologica. Essa รจ basata sul tipo d'evoluzione subita dal segnale in funzione delle variabili indipendenti. Su questa base i segnali si distinguono in segnali determinati e segnali aleatori. Limitandosi per il momento a considerare segnali che dipendono esclusivamente dal tempo, un segnale si dice determinato quando i valori che esso assume in corrispondenza ad un qualsiasi istante sono conosciuti esattamente. Per contro i segnali aleatori sono quelli il cui andamento temporale รจ imprevedibile, anche se รจ possibile determinarne alcune caratteristiche medie. Di conseguenza, mentre un segnale determinato รจ perfettamente ripetibile, altrettanto non si puรฒ dire per un segnale aleatorio giacchรฉ, per la sua natura casuale, esso puรฒ assumere forme diverse anche se viene osservato in esperimenti effettuati nelle medesime condizioni. Da quanto detto discende che, mentre รจ possibile rappresentare un segnale determinato mediante una funzione (reale o complessa) di un certo numero di variabili indipendenti, ciรฒ non puรฒ essere fatto nel caso di segnali aleatori, a meno che, una tale funzione, non venga costruita sulla base di una manifestazione del segnale ottenuta โa posterioriโ. Di conseguenza mentre รจ possibile affrontare lo studio dei segnali determinati utilizzando algoritmi matematici che presuppongono una rappresentazione analitica del segnale, nel caso di segnali aleatori si deve ricor-
2
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
rere a metodologie di analisi di tipo statistico quali quelle basate sulla Teoria della Probabilitร . Una seconda classificazione dei segnali รจ di natura morfologica. Essa si basa sul carattere continuo o discreto dell'ampiezza del segnale o dalle variabili da cui dipende la sua evoluzione.
Figura 1 - a) Segnale a tempo-continuo b) segnale a tempo discreto, c) segnale quantizzato, d) segnale numerico.
Facendo riferimento a segnali dipendenti soltanto dal tempo, si possono distinguere i segnali continui nel tempo (segnali a tempo continuo) e i segnali discreti nel tempo (segnali a tempo discreto). Nel primo caso la variabile ๐ก puรฒ assumere un qualsiasi valore appartenente ad un assegnato intervallo di ampiezza finita o infinita (vedi Figura 1,a). Nel secondo caso la variabile indipendente รจ definita in un insieme al piรน numerabile di valori {๐ก๐ } con ๐ก๐โ1 < ๐ก๐ < ๐ก๐+1 (vedi Figura 1,b). Di norma gli istanti ๐ก๐ si succedono con regolaritร cioรจ si ha: ๐ก๐ = ๐๐ (i.1) cosicchรฉ l'insieme {๐ก๐ } รจ completamente specificato individuando il periodo ๐ ed il campo di variabilitร dell'indice ๐. Se infine l'ampiezza del segnale puรฒ assumere un insieme finito o al piรน numerabile di valori {๐๐ } con ๐๐โ1 โค ๐๐ โค ๐๐+1 , il segnale si dice
Introduzione
3
discreto in ampiezza. Un segnale discreto in ampiezza puรฒ essere ulteriormente classificato in segnale quantizzato (vedi Figura 1,c) e in segnale numerico (vedi Figura 1,d) se esso รจ a tempo continuo o discreto. Una terza classificazione รจ di natura energetica. A tale scopo si definisce energia specifica associata ad un segnale rappresentato da una funzione definita su tutto l'asse dei tempi a valori generalmente complessi, la quantitร : โ
(i.2)
๐ธ = โซ |๐ (๐ก)|2 ๐๐ก โโ
La precedente รจ detta energia specifica in quanto essa rappresenterebbe l'energia effettivamente dissipata su una resistenza di valore unitario che venisse attraversata da una corrente ๐ (๐ก). La potenza (media) specifica, in armonia con la (i.2), รจ definita dal limite: ๐
(i.3)
1 2 ๐ = lim โซ |๐ (๐ก)|2 ๐๐ก ๐โโ ๐ โ๐ 2
Le definizioni di energia specifica e di potenza specifica appena fornite per i segnali a tempo continuo possono essere facilmente estese ai segnali a tempo discreto. In tal caso l'energia e la potenza specifica del segnale sono rispettivamente definite dalle: โ
(i.4)
๐ธ = ๐ โ |๐ (๐๐)|2 ๐=โโ ๐
(i.5)
1 โ |๐ (๐๐)|2 ๐โโ 2๐ + 1
๐ = lim
๐=โ๐
Si noti che un segnale ad energia finita presenta una potenza specifica nulla; inoltre se la potenza specifica definita dalla (i.3) o dalla (i.5) รจ maggiore di zero, le quantitร a secondo membro delle (i.2) e (i.4) non sono finite. Ciรฒ premesso, si definiscono segnali ad energia finita quei segnali per cui lโenergia specifica รจ finita. Si dicono a potenza finita i segnali per i quali รจ finita e non nulla la potenza specifica. Un'ulteriore classificazione รจ di natura dimensionale. Essa รจ basata sul numero di variabili indipendenti da cui il segnale dipende. Ad
4
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
esempio i segnali che dipendendo soltanto dal tempo sono monodimensionali, mentre una immagine fissa e una sequenza di immagini in bianco e nero sono esempi di un segnale rispettivamente bi e tridimensionale. Esempio 1 Si consideri il segnale ๐ (๐ก) = ๐ ๐2๐๐0 ๐ก
la sua energia specifica vale: โ
๐ธ = โซ ๐๐ก = โ โโ
Viceversa la sua potenza specifica vale: 1 ๐ ๐2๐๐ ๐ก 2 1 ๐ 0 | ๐๐ก = lim โซ |๐ โซ ๐๐ก = 1 ๐โโ 2๐ โ๐ ๐โโ 2๐ โ๐
๐ = lim
๐ (๐ก) รจ pertanto un segnale a potenza finita. Esempio 2 Si consideri il segnale ๐ (๐ก) = ๐ โ๐ผ|๐ก|
con ๐ผ costante. A secondo del valore di ๐ผ, ๐ (๐ก) puรฒ essere classificato come segnale a energia o a potenza finita. a) s(t) รจ un segnale a energia finita se l'integrale: โ
๐ธ = โซ ๐ โ2๐ผ|๐ก| ๐๐ก โโ
รจ finito. Poichรฉ si ha: ๐
0
๐
๐ธ = lim โซ ๐ โ2๐ผ|๐ก| ๐๐ก = lim {โซ ๐ โ2๐ผ|๐ก| ๐๐ก + โซ ๐ โ2๐ผ|๐ก| ๐๐ก } ๐โโ โ๐
๐โโ
๐
๐
โ๐
0
1 โ ๐ โ2๐ผ๐ = lim {โซ ๐ โ2๐ผ๐ก ๐๐ก + โซ ๐ โ2๐ผ๐ก ๐๐ก } = lim ๐โโ ๐โโ ๐ผ 0 0
il segnale รจ a energia finita se รจ ๐ผ > 0. In tal caso ๐ธ vale: ๐ธ=
1 (๐ผ > 0) ๐ผ
b) ๐ (๐ก) รจ un segnale a potenza finita se la quantitร ๐
1 2 1 โ ๐ โ๐ผ๐ ๐ = lim โซ ๐ โ2๐ผ|๐ก| ๐๐ก = lim = lim ๐ โ๐ผ๐ ๐โโ ๐ โ๐ ๐โโ ๐โโ ๐ผ๐ 2
converge a un valore non nullo.
Introduzione
Il segnale รจ a potenza finita se รจ ๐ผ = 0. In tal caso รจ ๐ = 1;
(๐ผ = 0)
b) Per ๐ผ < 0 il segnale non รจ nรจ a potenza nรจ a energia finita.
5
CAPITOLO - 1 RICHIAMI DI MATEMATICA 1.1 - Premessa. In questo capitolo si accenna brevemente, senza alcuna pretesa di rigore, ai fondamenti dellโintegrazione alla Lebesgue, alla teoria della misura degli insiemi, agli spazi vettoriali e alle forme quadratiche, con il solo scopo di porre lโaccento su alcuni aspetti che si ritengono importanti per la comprensione di quanto esposto in questo testo, sia con riferimento alla parte concernente allโanalisi dei segnali determinati, sia a quella riguardante i segnali aleatori. 1.2 - Lโintegrazione alla Lebesgue. In quel che segue, รจ richiamata lโintegrazione alla Lebesgue. Essa verrร applicata inizialmente a delle funzioni elementari, per poi estenderla alla piรน ampia classe delle cosiddette funzioni misurabili. Si prenda in considerazione lโinsieme delle funzioni limitate definite su un intervallo chiuso e limitato A = [๐, ๐]. Per una qualsiasi funzione appartenente a detto insieme si ha in pratica: ๐(๐ด) โ [๐, ๐]
(1.2.1)
essendo rispettivamente ๐ ed ๐ lโestremo inferiore e lโestremo superiore della funzione considerata. Si consideri inoltre, nellโinsieme anzidetto, il sottoinsieme costituito dalle funzioni a valori non negativi, tali che, comunque scelto I = [๐ผ, ๐ฝ] โ [๐, ๐], lโimmagine inversa di detto insieme secondo la funzione ๐, cioรจ lโinsieme ๐ โ1 (I) dei punti ๐ฅ โ A per cui risulta ๐ผ โค ๐(๐ฅ) โค ๐ฝ , รจ costituito dallโunione di un numero finito di intervalli chiusi a due a due disgiunti. ร noto che per calcolare lโintegrale di una funzione alla Riemann sul suo dominio, si procede alla scomposizione di questโultimo in un certo numero dโintervalli chiusi in esso contenuti, privi a due a due di punti interni in comune e tali che la loro unione coincida con [๐, ๐]. Si costruisce cosรฌ una partizione puntuale dellโintervallo [๐, ๐]. A partire da
8
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
detta partizione, si generano le seguenti somme inferiori e superiori di Darboux: ๐
๐ ๐
= โ ๐๐ (๐ฅ๐ โ ๐ฅ๐โ1 ) ; ๐=1 ๐
{
(๐ = ๐ฅ0 < ๐ฅ1 0, ๐ > ๐ > โ โ risulta: โ
โ
โ
๐
๐(๐๐ , ๐๐ ) = โซ |๐๐ (๐ฅ) โ ๐๐ (๐ฅ)|๐๐ฅ = โซ ๐๐ (๐ฅ)๐๐ฅ โ โซ ๐๐ (๐ฅ)๐๐ฅ = โโ
โโ
โโ
1 1 โ 2 |๐ฅ| โค
1
Infatti per โ๐ > 0, ๐ > โ โ implica: ๐
โ โ ๐ฅ ๐ฅ 1 ๐ (๐๐ (๐ฅ),โ ( )) = โซ โ ( ) ๐๐ฅ โ โซ ๐๐ (๐ฅ)๐๐ฅ = < ๐ 2 2 ๐ โโ โโ
La funzione
๐ฅ
โ (2) non รจ continua quindi non appartiene all'insieme A
che quindi non รจ completo rispetto alla metrica considerata.
1.10 - Spazi vettoriali. Sia dato un insieme X, i cui elementi vengono denominati vettori. Si dice che X ha la struttura di spazio vettoriale se: รจ un gruppo commutativo rispetto a una legge di composizione interna, che verrร indicata con il simbolo +; esiste un campo ๐ฝ, i cui elementi sono detti scalari, e una legge di composizione detta prodotto per scalari che soddisfa le proprietร : ๐) โ๐ โ ๐ฝโโ, ๐ โ X โ ๐๐ โ X; ๐) โ๐1 โ ,โ ๐2 โ ๐ฝโโ, ๐ โ X โ ๐1 (๐2 ๐) = (๐1 ๐2 )๐; ๐) โ๐1 โ ,โ ๐2 โ ๐ฝโโ, ๐ โ X โ (๐1 + ๐2 )โ๐ = ๐1 ๐ + ๐2 ๐; ๐) โ๐1 โ ,โ ๐2 โ Xโโ, ๐ โ ๐ฝ โ ๐โโ(๐1 + ๐2 ) = ๐๐1 + ๐๐2 ; {๐)โ โ๐ โ X โ 1 ๐ = ๐โโ โ ; โ 0 ๐ = ๐จ;
(1.10.1)
Dove ๐จ, detto vettore nullo o origine, indica l'elemento neutro rispetto alla legge di composizione interna definita su X; 1 e 0 indicano rispettivamente l'elemento neutro rispetto al prodotto e rispetto alla somma nel campo ๐ฝ. Si ricorda che un insieme X ha la struttura di gruppo commutativo rispetto a una data legge di composizione interna se, comunque scelti due suoi elementi, si ha: ๐) ๐1 + ๐2 = ๐2 + ๐1 โ X; ๐) ๐1 + (๐2 + ๐3 ) = (๐1 + ๐2 ) + ๐3 ; { ๐) โโโ ๐ โ X | โ๐ โ X โ ๐ + ๐จ = ๐; ๐) โ ๐ โโโ (โ๐)|๐ + (โ๐) = ๐จ;
(1.10.2)
In quel che segue il campo ๐ฝ si identificherร , salvo avviso contrario, con il campo โ dei numeri complessi.
CAPITOLO - 1 - Richiami di Matematica -
21
1.11 - Spazi normati. Sia dato uno spazio vettoriale X si dice che esso รจ normato, se si รจ individuata una applicazione, denotata con โ๐โ, definita su X a valori nell'insieme โ+ dei reali non negativi che โโ๐,โ๐ โ X soddisfa le proprietร : ๐) โ๐โ โฅ 0, โ๐โ = 0 โ ๐ = ๐จ; { ๐) โ๐๐โ = |๐|โ๐โ; ๐) โ๐ + ๐โ โค โ๐โ + โ๐โ;
(1.11.1)
Si osservi che uno spazio normato รจ implicitamente anche uno spazio metrico in quanto si puรฒ assumere come distanza tra due elementi di esso la norma dell'elemento differenza cioรจ: ๐(๐, ๐) = โ๐ โ ๐โ;
(1.11.2)
Uno spazio normato si dice completo, o anche spazio di Banach, se comunque scelta una successione di Cauchy di suoi elementi, essa converge a un elemento dello spazio, o, che รจ lo stesso, se in detto spazio la condizione di Cauchy รจ necessaria e sufficiente alla convergenza di una successione di suoi elementi. 1.12 - Forme bilineari, quadratiche, hermitiane. Una polinomio a valori complessi nelle 2๐ variabili generalmente complesse ๐ฅ1 , ๐ฅ2 , โฆ , ๐ฅ๐ , ๐ฆ1 , ๐ฆ2 , โฆ , ๐ฆ๐ del tipo: ๐
๐
๐(๐ฅ1 , ๐ฅ2 , โฆ , ๐ฅ๐ , ๐ฆ1 , ๐ฆ2 , โฆ , ๐ฆ๐ ) = โ โ ๐๐๐ ๐ฅ๐ ๐ฆ๐
(1.12.1)
๐=1 ๐=1
viene chiamata forma bilineare. Introducendo i vettori: ๐ฆ1 ๐=[โฎ] ๐ฆ๐
๐ฅ1 ๐ = [ โฎ ]; ๐ฅ๐
(1.12.2)
e la matrice a coefficienti generalmente complessi ๐11 ๐21 ๐ด=[โฆ ๐๐1
๐12 ๐22 โฆ ๐๐2
โฆ โฆ โฆ โฆ
๐1๐ ๐2๐ โฆ] ๐๐๐
la (1.12.1) si puรฒ riscrivere nella seguente forma matriciale:
(1.12.3)
22
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
๐(๐, ๐) = ๐๐ ๐ด๐
(1.12.4)
Per forma quadratica nelle ๐ variabili complesse ๐ฅ1 , ๐ฅ2 โฆ ๐ฅ๐ si intende un polinomio omogeneo del tipo: ๐
๐
๐
๐
1 ๐(๐) = ๐ ๐ด๐ = โ โ ๐๐๐ ๐ฅ๐ ๐ฅ๐ = โ โ (๐๐๐ + ๐๐๐ )๐ฅ๐ ๐ฅ๐ 2 ๐
๐=1 ๐=1
(1.12.5)
๐=1 ๐=1
Dall'ultimo membro della precedente si evince che ad una forma quadratica si puรฒ sempre associare una e una sola matrice simmetrica. Se detta matrice รจ reale e se ๐ โ โ๐ la ๐(๐) รจ una forma quadratica reale. Data una matrice ๐ด hermitiana, cioรจ tale che risulti: ๐๐๐ = ๐๐๐โ ๐, ๐ = 1,2, โฆ , ๐
(1.12.6)
e definito ๐ secondo la (1.12.2) il polinomio: ๐
๐
๐(๐) = โ โ ๐๐๐ ๐ฅ๐โ ๐ฅ๐
(1.12.7)
๐=1 ๐=1
nelle ๐ variabili complesse ๐ฅ1 , ๐ฅ2 โฆ ๐ฅ๐ รจ una forma hermitiana. Indicato con ๐โ il trasposto coniugato del vettore ๐, la ๐(๐) si puรฒ porre nella forma matriciale: ๐(๐) = ๐โ A๐. Per una forma hermitiana ๐(๐) si ha: ๐ โ
๐ (๐) =
๐
๐
โ โ โ ๐๐๐ ๐ฅ๐ ๐ฅ๐โ
๐
= โ โ ๐๐๐ ๐ฅ๐ ๐ฅ๐โ = ๐(๐)
๐=1 ๐=1
(1.12.8)
๐=1 ๐=1
essa assume quindi valori reali per ogni ๐ appartenente a โ๐ . ponendo: ๐ด = ๐ด๐
+ ๐๐ด๐ผ
(1.12.9)
con ๐ด๐
e ๐ด๐ผ matrici reali e analogamente: ๐ฅ๐ = ๐ข๐ + ๐๐ฃ๐ ,โโโ๐ = 1,2 โฆ ๐
(1.12.10)
la forma hermitiana ๐(๐ฅ) diventa: ๐(๐) = (๐๐ โ ๐๐๐ )(๐ด๐
+ ๐๐ด๐ผ )(๐ + ๐๐) = (๐๐ ๐ด๐
๐ โ ๐๐ ๐ด๐ผ ๐ + ๐ฃ ๐ ๐ด๐
๐ + ๐๐ ๐ด๐ผ ๐) + ๐(๐๐ ๐ด๐
๐ + ๐๐ ๐ด๐ผ ๐ โ ๐๐ ๐ด๐
๐ + ๐๐ ๐ด๐ผ ๐)
(1.12.11)
CAPITOLO - 1 - Richiami di Matematica -
23
Poichรฉ, tenendo conto della (1.12.8), e valendo la condizione (1.12.6) sussistono le uguaglianze: ๐ด๐๐
= ๐ด๐
; ๐ด๐๐ผ = โ๐ด๐ผ
(1.12.12)
da cui discendono le ulteriori identitร : โ๐๐ ๐ด๐ผ ๐ + ๐๐ ๐ด๐ผ ๐ = โ(๐๐ ๐ด๐๐ผ ๐)๐ + ๐๐ ๐ด๐ผ ๐ = (๐๐ ๐ด๐ผ ๐)๐ + ๐๐ ๐ด๐ผ ๐ = ๐๐ ๐ด๐ผ ๐๐ + ๐๐ ๐ด๐ผ ๐ = 2๐๐ ๐ด๐ผ ๐; ๐๐ ๐ด๐
๐ โ ๐๐ ๐ด๐
๐ = (๐๐ ๐ด๐๐
๐)๐ โ ๐๐ ๐ด๐
๐ =
(๐๐
๐
๐
๐
(1.12.13)
๐
๐ด๐
๐) โ ๐ ๐ด๐
๐ = ๐ ๐ด๐
๐ โ ๐ ๐ด๐
๐ = 0;
{ ๐๐ ๐ด๐ผ ๐ = (๐๐ ๐ด๐๐ผ ๐)๐ = โ๐๐ ๐ด๐ผ ๐ โ ๐๐ ๐ด๐ผ ๐ = 0;
la ๐(๐) si puรฒ anche riscrivere: ๐(๐) = ๐๐ ๐ด๐
๐ + ๐๐ ๐ด๐
๐ + 2๐ฃ ๐ ๐ด๐ผ ๐ ๐ด ๐ด๐๐ผ ๐ = [๐๐ โ๐๐ ] [ ๐
][ ] ๐ด ๐ผ ๐ด๐
๐
(1.12.14)
Una forma hermitiana puรฒ quindi essere rappresentata anche da una forma quadratica nelle 2๐ variabili reali ๐ข1 , ๐ข2 โฆ ๐ข๐ ; ๐ฃ1 , ๐ฃ2 โฆ ๐ฃ๐ . 1.13 - Riduzione di una forma hermitiana a forma canonica. Si consideri una forma hermitiana ๐(๐) nelle ๐ variabili ๐ฅ1 , ๐ฅ2 , โฆ , ๐ฅ๐ . Data una matrice ๐ di ordine ๐ non singolare, esiste una unica ๐upla ๐ง1 , ๐ง2 , โฆ , ๐ง๐ che soddisfa il sistema: ๐๐ = ๐
(1.13.1)
La forma ๐(๐) riferita a ๐ si muta nella: ๐(๐๐) = (๐๐)โ ๐ด(๐๐) = ๐โ ๐ โ ๐ด๐๐ = ๐โ ๐ดโฒ ๐ = ๐โฒ (๐)
(1.13.2)
in cui si รจ posto: ๐ดโฒ = ๐ โ ๐ด๐
(1.13.3)
โฒ
๐ (๐)รจ una forma hermitiana in ๐ poichรฉ risulta: โ
๐ดโฒ = (๐ โ ๐ด๐)โ = ๐ โ ๐ดโ ๐ = ๐ โ ๐ด๐ = ๐ดโฒ
(1.13.4)
๐ดโฒ รจ hermitiana.
Per autovettore associato ad una matrice quadrata di ordine ๐ si intende una soluzione non banale del sistema di equazioni dipendente dal parametro ๐:
24
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
(๐ด โ ๐๐ผ)๐ = 0
(1.13.5)
Poichรฉ il sistema รจ omogeneo, esso ammette soluzioni non banali solo se รจ nullo il determinante della matrice dei coefficienti. L'imposizione di tale condizione conduce a una equazione polinomiale di grado ๐ nell'incognita ๐. Detta equazione ammette al piรน ๐ soluzioni distinte, dette autovalori della matrice. Ogni vettore non banale ๐๐ che soddisfa l'equazione: ๐ด๐๐ = ๐๐ ๐๐
(1.13.6)
cioรจ alla (1.13.5) scritta per l'autovalore ๐๐ , รจ chiamato autovettore associato all'autovalore considerato. Ci si convince facilmente del fatto che se ๐๐ รฉ un autovettore di ๐ด, tale รจ anche un qualunque vettore ๐๐ = ๐ผ๐๐ dove ๐ผ รจ un complesso โ1
qualsiasi. In particolare ponendo ๐ผ =
(โ๐โ ๐ ๐๐ )
si ottiene un autovet-
tore ๐๐ che soddisfa la condizione di normalizzazione ๐โ ๐ ๐๐ = 1
(1.13.7)
e viene quindi chiamato autoversore della matrice. Si osservi che gli autovalori di una matrice hermitiana ๐ด sono reali. Infatti premoltimplicando ambo i membri della (1.13.6) per ๐โ ๐ si ha: ๐โ ๐ ๐ด๐๐ = ๐๐โ ๐๐ ๐๐ = ๐๐ ๐โ ๐ ๐๐ .
(1.13.8)
Ricordando che in virtรน della (1.12.8) una forma hermitiana assume solo valori reali e poichรฉ ๐โ ๐ ๐๐ รจ, come si verifica facilmente, reale, ๐๐ deve essere necessariamente reale. Si puรฒ anche mostrare che autovettori ๐๐ , ๐๐ , associati a una matrice hermitiana ๐ด, relativi a due autovalori distinti ๐๐ , ๐๐ , sono mutuamente ortogonali, cioรจ soddisfano lโuguaglianza: ๐โ ๐ ๐๐ = 0
(1.13.9)
Infatti, in virtรน della (1.13.6) e della appartenenza ad โ degli autovalori, si puรฒ scrivere: ๐๐ ๐โ ๐ ๐๐ = ๐โ ๐ ๐๐ ๐๐ = ๐โ ๐ ๐ด๐๐ = (๐๐โ ๐ดโ ๐๐ )โ = = (๐๐โ ๐ด๐๐ )โ = (๐๐โ ๐๐ ๐๐ )โ = ๐โ๐ ๐โ ๐ ๐๐ = ๐๐ ๐โ ๐ ๐๐
(1.13.10)
CAPITOLO - 1 - Richiami di Matematica -
25
Essendo per ipotesi ๐๐ โ ๐๐ dalla precedente discende la (1.13.9). In quel che segue si ipotizza per semplicitร che tutti gli autovalori della matrice hermitiana ๐ด abbiano molteplicitร 1, o che รจ lo stesso, che il suo polinomio caratteristico ammette ๐ radici distinte. Si vuole provare che, mediante una trasformazione del tipo (1.13.3), รจ possibile individuare un riferimento rispetto al quale la forma hermitiana si presenta in forma diagonale3. A tal fine si consideri la matrice ๐ degli autovettori normalizzati di ๐ด: ๐ = [๐1
๐2
โฏ
๐๐ ]
๐1โ ๐ โ ๐ = [ โฎ ] [๐1 ๐โ ๐
โฏ
๐๐ ] = ๐ผ
(1.13.11)
Risulta: (1.13.12)
da cui immediatamente si evince che ๐ โ = ๐ โ1 e che ๐ ha determinante unitario. Sostituendo la matrice ๐ appena introdotta nella (1.13.3) si ottiene: ๐1โ
โ ๐ดโฒ = ๐2 ๐ด[๐1 , ๐2 , โฆ , ๐๐ ] โฎ [๐โ ๐ ]
๐1โ ๐ด๐1
โ = ๐2 ๐ด๐1 โฆ [๐โ ๐ ๐ด๐1
๐1โ ๐ด๐2
๐โ 2 ๐ด๐2 โฆ ๐โ ๐ ๐ด๐2
โฆ โฆ โฆ โฆ
๐1โ ๐ด๐๐
(1.13.13)
๐โ 2 ๐ด๐๐ โฆ ๐โ ๐ ๐ด๐๐ ]
che, ricordando le (1.13.6), (1.13.7) e la (1.13.9) diventa: ๐1 ๐1โ ๐1 ๐ดโฒ = [
0 โฆ 0
0
โฆ
0
๐2 ๐โ 2 ๐2
โฆ โฆ โฆ
0 โฆ ๐๐ ๐โ ๐ ๐๐ ]
โฆ 0
(1.13.14)
= diag(๐1 , ๐2 , โฆ , ๐๐ ) 3
Si noti che la diagonalizzazione di una forma hermitiana รจ possibile anche nel caso in cui gli autovalori non abbiano tutti molteplicitร 1
26
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
Per effetto di tale trasformazione quindi la forma hermitiana si riscrive: ๐
๐ (๐) = โ ๐๐ ๐ง๐ ๐ง๐โ โฒ
(1.13.15)
๐=1
Si osservi che, il determinante di ๐ด รจ uguale al determinante di ๐ดโฒ , che a sua volta รจ dato da โ๐๐=1 ๐๐ . Se ne conclude che una matrice hermitiana ha determinante reale.
1.14 - Forme hermitiane semidefinite positive. Una forma hermitiana si dice semidefinita positiva se per ogni ๐ risulta: ๐(๐) โฅ 0
(1.14.1)
Se risulta ๐(๐) = 0 solo per ๐ = ๐จ la forma si dice definita positiva. Se una forma hermitiana รจ semidefinita positiva ovviamente tale รจ anche la sua forma equivalente ๐โฒ (๐). In particolare ciรฒ comporta: ๐1 โฅ 0,โโ๐2 โฅ 0,โ โฆ , ๐๐ โฅ 0
(1.14.2)
quindi deve anche essere: det(๐ด) โฅ 0
(1.14.3)
Ci si convince facilmente che attribuendo valore zero a ๐ โ ๐ variabili di una forma hermitiana semidefinita positiva si ottiene ancora una forma hermitiana semidefinita positiva nelle ๐ variabili non nulle. Assumendo, senza per questo ledere la generalitร , che le variabili non necessariamente nulle siano le prime ๐, si deduce che la condizione di semidefinitezza positiva comporta anche: ๐11
๐11 โฅ 0; โโโ |๐ 21
๐11 ๐21 ๐12 ๐22 | โฅ 0; โโโโโโ | โฆ ๐๐1
๐12 ๐22 โฆ ๐๐2
โฆ โฆ โฆ โฆ
๐1๐ ๐2๐ โฆ | โฅ 0; ๐๐๐
(1.14.4)
Cioรจ i determinanti dei minori principali della matrice di una forma hermitiana semidefinita positiva non possono essere negativi. Si puรฒ dimostrare che tale condizione รจ anche sufficiente affinchรฉ la forma sia semidefinita positiva. Esempio 1.3 La forma
CAPITOLO - 1 - Richiami di Matematica -
27
๐(๐) = (4๐ + 5)๐ฅ1 ๐ฅ1โ + ๐ฅ1โ ๐ฅ2 + ๐ฅ1 ๐ฅ2โ + (๐ + 2)๐ฅ2 ๐ฅ2โ
รจ una forma hermitiana nelle variabili ๐ = [๐ฅ1 ๐ฅ2 ]๐ dipendente dal parametro ๐, in quanto la matrice ad essa associata, essendo reale รจ simmetrica soddisfa la (1.12.6). Per studiarne la natura, occorre prendere in considerazione la matrice ad essa associata 4๐ + 5 1 ๐ด=[ ] 1 ๐+2
il cui determinate vale: ๐๐๐ก(๐ด) = (4๐ + 5)(๐ + 2) โ 1 = 4๐ 2 + 13๐ + 9
Esso si annulla in corrispondenza dei valori di ๐ dati dalle: โ13 โ โ132 โ 16 โ
9 โ13 โ 5 = = โ1 8 8 2 โ13 + โ13 โ 16 โ
9 โ13 + 5 9 ๐2 = = =โ 8 8 4 { ๐1 =
Poichรฉ risulta: det(๐ด) โฅ 0 per ๐ โค โ
9 โ ๐ โฅ โ1 4
e anche 4๐ + 5 โฅ 0 per ๐ โฅ โ
5 4
la forma hermitiana รจ semidefinita positiva solo se: ๐ โฅ โ1
1.15 - Prodotto scalare. Lo spazio vettoriale X sul campo โ dei numeri complessi si puรฒ dotare di prodotto scalare, se รจ possibile definire una applicazione, qui indicata con la notazione โฉ๐, ๐โช, di X ร X su โ che soddisfa le seguenti proprietร : ๐) โฉ๐, ๐โช = โฉ๐, ๐โชโ ; ๐) โฉ๐, ๐โช โฅ 0; โฉ๐, ๐โช = 0 โ ๐ = ๐; ๐) โฉ๐๐, ๐โช = ๐โฉ๐, ๐โช = โฉ๐, ๐โ ๐โช; {๐) โฉ(๐ + ๐), ๐โช = โฉ๐, ๐โช + โฉ๐, ๐โช;
(1.15.1)
Si noti che la proprietร (1.15.1)a, implica che la quantitร a primo membro della (1.15.1)b deve essere reale. Tale osservazione consente di dedurre dai primi due l'ultimo membro della (1.15.1)c.
28
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
La proprietร (1.15.1)c si riassume dicendo che il prodotto scalare รจ lineare a sinistra ed antilineare a destra. Detti ๐1 , ๐2 due elementi di X e ๐1 , ๐2 due complessi, si ha: 0 โค โฉ๐1 ๐1 + ๐2 ๐2 , ๐1 ๐1 + ๐2 ๐2 โช = ๐1 โฉ๐1 , ๐1 ๐1 + ๐2 ๐2 โช + ๐2 โฉ๐2 , ๐1 ๐1 + ๐2 ๐2 โช
(1.15.2)
e per la proprietร (1.15.1)a: 0 โค ๐1 โฉ๐1 ๐1 + ๐2 ๐2 , ๐1 โชโ + ๐2 โฉ๐1 ๐1 + ๐2 ๐2 , ๐2 โชโ = โฉ๐1 , ๐1 โชโ ๐1 ๐1โ + โฉ๐2 , ๐1 โชโ ๐1 ๐2โ + โฉ๐1 , ๐2 โชโ ๐1โ ๐2 + โฉ๐2 , ๐2 โชโ ๐2 ๐2โ =
โฉ๐1 , ๐1 โช๐1 ๐1โ
+
(1.15.3)
โฉ๐1 , ๐2 โช๐1 ๐2โ
+ โฉ๐1 , ๐2 โช โ
๐1โ ๐2
+ โฉ๐2 , ๐2 โช๐2 ๐2โ
Ciรฒ significa che la forma hermitiana โ(๐1 , ๐2 ) = ๐11 ๐1 ๐1โ + ๐12 ๐1 ๐2โ + ๐21 ๐1โ ๐2 + ๐22 ๐2 ๐2โ
(1.15.4)
dove: ๐11 = โฉ๐1 , ๐1 โช ๐21 = โฉ๐1 , ๐2 โชโ
๐12 = โฉ๐1 , ๐2 โช ๐22 = โฉ๐2 , ๐2 โช
(1.15.5)
รจ semidefinita positiva. Pertanto deve essere ๐11 ๐22 โ ๐12 ๐21 โฅ 0. Tenendo conto delle (1.15.5), si deduce che vale la disuguaglianza di Schwarz: 1
1
|โฉ๐1 , ๐2 โช| โค โฉ๐1 , ๐1 โช2 โ
โฉ๐2 , ๐2 โช2
(1.15.6)
Che รจ verificata come uguaglianza quando, in accordo con la proprietร (1.15.1)b, si ha ๐1 = ๐ e/o ๐2 = ๐, ovvero se risulta: ๐1 = ๐๐2
(1.15.7)
dove ๐ โ โ. Se uno spazio รจ dotato di prodotto scalare esso รจ implicitamente anche uno spazio normato nel senso che la quantitร โโฉ๐, ๐โช รจ una possibile norma per X. Essa infatti รจ una quantitร reale e non negativa; inoltre risulta: โฉ๐๐, ๐๐โช = ๐โฉ๐, ๐๐โช = ๐โฉ๐๐, ๐โชโ = |๐|2 โฉ๐, ๐โช
e quindi
(1.15.8)
CAPITOLO - 1 - Richiami di Matematica 1 2
โฉ๐๐, ๐๐โช = |๐|โฉ๐, ๐โช
29
1 2
(1.15.9)
il che significa che la proprietร (1.11.1)b della norma รจ verificata. In base alla proprietร (1.15.1)c si ottiene facilmente: โฉ(๐1 + ๐2 ), (๐1 + ๐2 )โช = โฉ๐1 , ๐1 โช + 2Re[โฉ๐1 , ๐2 โช] + โฉ๐2 , ๐2 โช
(1.15.10)
dalla quale applicando la disuguaglianza di Schwarz si deduce: 1
1
โฉ๐1 + ๐2 , ๐1 + ๐2 โช2 โค (โฉ๐1 , ๐1 โช + 2|โฉ๐1 , ๐2 โช| + โฉ๐2 , ๐2 โช)2 1
1
โค (โฉ๐1 , ๐1 โช + 2โฉ๐1 , ๐1 โช2 โฉ๐2 , ๐2 โช2 + โฉ๐2 , ๐2 โช) 1
1 2
(1.15.11)
1
= โฉ๐1 , ๐1 โช2 + โฉ๐2 , ๐2 โช2
che corrisponde alla proprietร (1.11.1)c della norma. In definitiva se X รจ dotato di prodotto scalare a esso si puรฒ anche associare la norma cosรฌ definita: 1
โ๐โ = โฉ๐, ๐โช2
(1.15.12)
Se due vettori ๐1 e ๐2 sono tali che il loro prodotto scalare si annulla si dicono ortogonali. Se essi hanno anche norma unitaria cioรจ se: โฉ๐1 , ๐2 โช = 0โโ โง โโโ๐1 โ = โ๐2 โโ = 1
(1.15.13)
si dicono ortonormali. Uno spazio vettoriale dotato di prodotto scalare, รจ anche uno spazio metrico. Infatti รจ possibile assumere come distanza tra due elementi qualsiasi dello spazio la quantitร : ๐(๐๐ , ๐๐ ) = โ๐๐ โ ๐๐ โ = โโฉ๐๐ โ ๐๐ , ๐๐ โ ๐๐ โช
(1.15.14)
Con ciรฒ non si intende dire che non รจ possibile definire su uno spazio dotato di prodotto scalare altre metriche o altre norme, ma semplicemente che, se si definisce su uno spazio un prodotto scalare, a esso naturalmente si associano la metrica e la norma da esso indotte e con esso coerenti. Uno spazio vettoriale dotato di prodotto scalare che sia anche completo รจ detto spazio di Hilbert.
30
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
1.16 - Vettori linearmente indipendenti. Sia dato uno spazio vettoriale X sul campo โ, si considerino ๐ suoi vettori (๐1 , ๐2 , โฆ , ๐๐ ) e una ๐-upla di complessi (๐ผ1 , ๐ผ2 , โฆ , ๐ผ๐ ) e sia ๐ il vettore di X ottenuto combinando linearmente i vettori anzidetti a mezzo della ๐-upla di costanti. In simboli: ๐
๐ = โ ๐ผ ๐ ๐๐
(1.16.1)
๐=1
se risulta: ๐
๐
๐ = โ ๐ผ๐ ๐๐ = ๐ โ โ|๐ผ๐ | = 0 ๐=1
(1.16.2)
๐=1
cioรจ se l'unica ๐-upla di scalari (๐ผ1 , ๐ผ2 , โฆ , ๐ผ๐ ) che porta nell'origine dello spazio รจ quella i cui elementi sono tutti nulli, si dice che i vettori (๐1 , ๐2 , โฆ , ๐๐ ) sono linearmente indipendenti. Si verifica facilmente che il sottoinsieme di X generato da tutte le possibili combinazioni lineari di ๐ vettori รจ a sua volta uno spazio vettoriale, generalmente un sottospazio, non necessariamente proprio, di X. Se gli ๐ vettori sono linearmente indipendenti, e se lo spazio da essi generato coincide con X, si dice che gli ๐ vettori sono una base per X. ร Inoltre facile convincersi del fatto che se ๐ vettori sono una base per lo spazio vettoriale X e ad essi si aggiunge un ulteriore vettore gli ๐ + 1 vettori cosรฌ ottenuti sono linearmente dipendenti. Inoltre se ๐ vettori linearmente indipendenti generano X comunque presa un'altra ๐upla di vettori linearmente indipendenti di X anche essa generร X. Ciรฒ significa che il parametro ๐ รจ caratteristico dello spazio vettoriale considerato e ne individua la dimensione. ร opportuno osservare che uno spazio vettoriale non deve necessariamente avere dimensione finita; in questo caso si dice che lo spazio ha dimensione infinita. Dato uno spazio vettoriale X di dimensione ๐, finita o infinita, ๐ < ๐ vettori linearmente indipendenti di detto spazio generano uno spazio vettoriale di dimensione ๐ contenuto propriamente in X. Si osservi che scegliere una base per uno spazio vettoriale X di dimensione ๐ equivale a definire una corrispondenza biunivoca tra i vet-
CAPITOLO - 1 - Richiami di Matematica -
31
tori dello spazio e tutte le possibili ๐-uple ordinate (๐ผ1 , ๐ผ2 , โฆ , ๐ผ๐ ) di numeri complessi cioรจ tra il generico vettore di X e il generico punto di โ๐ che รจ a sua volta uno spazio vettoriale. Il generico elemento ๐ผ๐ di tale ๐-upla รจ la componente ๐ -esima del vettore rispetto alla base prescelta. Il vettore ๐ผ๐ ๐๐ รจ il componente ๐-esimo rispetto alla predetta base.
CAPITOLO - 2 RAPPRESENTAZIONE VETTORIALE DEI SEGNALI 2.1 - Premessa. Un segnale a tempo continuo puรฒ essere identificato mediante una funzione generalmente complessa di ๐ variabili reali definita in D โ โ๐ . In quel che segue, si considerano prevalentemente segnali dipendenti da una sola variabile che generalmente รจ il tempo. Essi sono quindi rappresentati da funzioni del tipo: ๐ : ๐ก โ T โ โ โ โ
(2.1.1)
Il primo passo nell'analisi di un segnale consiste nella sua classificazione, che si effettua sulla base delle proprietร di cui gode. Ciรฒ equivale a considerare il segnale come appartenente a una data classe o insieme. Se S denota un tale insieme e ๐ (๐ก) รจ un suo elemento, si scrive: ๐ (๐ก) โ S
-
(2.1.2)
Esempi di tali insiemi sono: l'insieme S๐ dei segnali sinusoidali, definito dalla seguente regola di appartenenza: ๐ (๐ก) โ S๐ โ ๐ (๐ก) = ๐0 Re[๐ ๐(2๐๐๐ก+๐) ];
-
(๐0 โฅ ,0, ๐, ๐ โ โ)
l'insieme S๐ dei segnali periodici che obbedisce alla: ๐ (๐ก) โ S๐ โ โ ๐ > 0 | โ ๐ก โ ๐ (๐ก) = ๐ (๐ก + ๐)
-
(2.1.4)
l'insieme ๐๐ท dei segnali a durata limitata cosi definiti: ๐ (๐ก) โ S๐ท โ โ๐ก1 โง ๐ก2 โ โ | ๐ (๐ก) = 0 โ ๐ก โ [๐ก1 , ๐ก2 ]
-
(2.1.3)
(2.1.5)
L'insieme ๐๐ต dei segnali a banda limitata cioรจ quelli per cui si ha: โ
๐ (๐ก) โ S๐ต โ โ ๐1 โง ๐2 โ โ | โซ ๐ (๐ก)๐ โ๐2๐๐๐ก ๐๐ก = 0, โโ
โ ๐ | |๐| โ [๐1 , ๐2 ]
(2.1.6)
34
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
ร evidente che se si riesce ad associare a un dato insieme di segnali una struttura algebrica, si possono meglio evidenziare particolari caratteristiche degli elementi che lo compongono. Ad esempio se su un dato insieme si definisce una metrica diventa possibile associare una distanza a ogni coppia di suoi elementi. L'individuazione di una struttura algebrica piรน complessa, su un dato insieme di segnali, come ad esempio quella di spazio vettoriale, permette di utilizzare gli strumenti propri dell'Algebra lineare. Ad esempio, lo sviluppo di un segnale in termini di unโopportuna base dello spazio, permetterebbe di rappresentare il segnale mediante una sequenza al piรน numerabile di coefficienti. Tale tipo di rappresentazione ha come immediata conseguenza una notevole semplificazione nell'applicazione di tecniche numeriche all'analisi dei segnali. Inoltre, la struttura di spazio vettoriale rende alcune proprietร evidenti e intuitivamente accettabili, in quanto si presta a semplici analogie di tipo geometrico. Dette analogie risultano inoltre particolarmente efficaci nell'approccio a molti problemi, la cui soluzione, affrontata per via puramente analitica, risulterebbe oltremodo complessa. Una classe di segnali di particolare interesse รจ costituita dai segnali ad energia finita. Se si vuole associare a tale classe la desiderata struttura di spazio vettoriale, รจ necessario tuttavia raffinare la definizione di segnale come verrร chiarito nel prossimo paragrafo. 2.2 - Lo spazio dei segnali a energia finita. Si consideri l'insieme delle funzioni reali o complesse appartenenti a ๐2 (โ). In detto insieme sโintroduce la relazione di equivalenza: due funzioni sono equivalenti se assumono valori diversi solo in un sottoinsieme di โ di misura nulla cioรจ se le funzioni sono uguali quasi ovunque. La relazione di equivalenza appena introdotta definisce una partizione S di ๐2 (โ). S รจ cioรจ una famiglia di sottoinsiemi disgiunti di ๐2 (โ), detti classi di equivalenza, la cui unione ricopre ๐2 (โ). Ciascun elemento ๐ di S รจ un segnale. In altri termini due funzioni in ๐2 (โ) uguali quasi ovunque rappresentano lo stesso segnale in quanto appartengono alla medesima classe di equivalenza. Siano ๐ 1 (๐ก), ๐ 2 (๐ก) due funzioni scelte arbitrariamente nelle rispettive classi di equivalenza ๐1 , ๐2 . La funzione ๐ (๐ก) = ๐ 1 (๐ก) + ๐ 2 (๐ก), appartenendo, in virtรน della (1.8.3), a ๐2 (โ), individua un solo segnale ๐ โ S
CAPITOLO - 2 โ Rappresentazione Vettoriale dei Segnali
-35-
che costituisce la somma dei segnali ๐1 , ๐2 . In modo analogo si puรฒ definire in S l'elemento ๐ผ๐ con ๐ผ costante complessa. ร facile verificare che S รจ un gruppo commutativo rispetto all'operazione di somma sopra definita. L'elemento neutro di detto gruppo รจ la classe delle funzioni quasi ovunque nulle. Dalle ultime considerazioni svolte, discende che S ha la struttura di spazio vettoriale. Esso รจ denominato spazio dei segnali a energia finita. Tale nome รจ giustificato dal fatto che a ogni elemento ๐ โ S si puรฒ associare la quantitร : โ
๐ธ = โซ |๐ (๐ก)|2 ๐๐ก < โ
(2.2.1)
โโ
che, essendo invariante rispetto alla scelta di ๐ (๐ก) nella classe ๐, esprime l'energia specifica associata al segnale ๐. In quel che segue, per brevitร , spesso un segnale ๐ verrร denotato mediante una qualunque funzione ๐ (๐ก) appartenente alla classe di equivalenza associata al segnale in esame. Prodotto scalare
Dati due generici elementi ๐1 ed ๐2 dello spazio S ad essi si puรฒ associare la quantitร generalmente complessa definita dalla: โ
โฉ๐1 , ๐2 โช = โซ ๐ 1 (๐ก)๐ 2โ (๐ก)๐๐ก
(2.2.2)
โโ
Detta quantitร esiste ed รจ limitata in modulo. Infatti tenendo conto della (1.8.4), risulta: โ
โ
|โซ ๐ 1 (๐ก)๐ 2โ (๐ก)๐๐ก| โค โซ |๐ 1 (๐ก)๐ 2โ (๐ก)|๐๐ก โโ
โ
2
1 2
โโ
โ
2
1 2
(2.2.3)
โโโโโโโโ โค (โซ |๐ 1 (๐ก)| ๐๐ก) (โซ |๐ 2 (๐ก)| ๐๐ก) < โ โโ
โโ
La (2.2.2) definisce un prodotto scalare in quanto รจ facile verificare che essa soddisfa le proprietร (1.15.1) che lo caratterizzano. Distanza
Da quanto esposto nel Capitolo precedente, discende che lo spazio S, essendo dotato di prodotto scalare, รจ uno spazio metrico. La di-
36
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
stanza ๐(๐1 , ๐2 ) tra due qualsiasi suoi elementi, coerente con la (2.2.2), รจ definita dalla: โ
1 2
๐(๐1 , ๐2 ) = โฉ๐1 โ ๐2 , ๐1 โ ๐2 โช = (โซ |๐ 1 (๐ก) โ ๐ 2 (๐ก)|2 ๐๐ก )
1 2
(2.2.4)
โโ
Norma
Lo spazio S รจ normato. Infatti ad esso puรฒ associarsi la seguente norma: โ
2
โ๐โ = โโฉ๐, ๐โช = (โซ |๐ (๐ก)| ๐๐ก)
1 2
(2.2.5)
โโ
ร opportuno sottolineare che รจ possibile definire in S diversi prodotti scalari, tuttavia quello definito dalla (2.2.2), come si nota facilmente, induce una norma che รจ legata all'energia specifica del segnale. Le (2.2.4), (2.2.5) si chiamano rispettivamente distanza e norma euclidea per la loro evidente analogia alle corrispondenti grandezze definite nello spazio euclideo. Ad ogni segnale non nullo corrisponde un segnale normalizzato: ๐ โ๐โ
๐=
(2.2.6)
che ha evidentemente norma unitaria. Esempio 2.1 Si valuti la distanza fra i segnali rappresentati dalle seguenti funzioni: 2๐๐ก ๐ก 2๐(๐ก + ๐) ๐ก ๐ 1 (๐ก) = cos ( ) โ ( ) , ๐ 2 (๐ก) = cos ( )โ( ) ๐ ๐ ๐ ๐
Essendo: |๐ 1 (๐ก) โ ๐ 2 (๐ก)| = 2 |sin (
๐๐ ๐(2๐ก + ๐) ๐ก ) sin ( )| โ ( ) ๐ ๐ ๐
risulta: ๐
๐2 (๐
๐ , ๐๐ )
=
4sin2 (
๐๐ 2 ๐(2๐ก + ๐) ๐๐ ) โซ sin2 ( ) ๐๐ก = 2๐sin2 ( ) ๐ โ๐ ๐ ๐ 2
da cui: ๐(๐๐ , ๐๐ ) = โ2๐ |sin (
๐๐ )| ๐
CAPITOLO - 2 โ Rappresentazione Vettoriale dei Segnali
-37-
2.3 - Segnali linearmente indipendenti. Un insieme di ๐ segnali appartenenti allo spazio dei segnali genera un sottospazio di dimensione finita. A priori, non รจ detto che la dimensione di detto sottospazio sia uguale al numero dei segnali presi in considerazione, in quanto si puรฒ verificare il caso in cui almeno uno dei segnali considerati รจ esprimibile mediante una opportuna combinazione lineare dei restanti. ร quindi evidente l'opportunitร di individuare dei metodi per stabilire se ๐ segnali sono linearmente indipendenti al fine di determinare lโeffettiva dimensione del sottospazio da essi generato. Un metodo generale per stabilire la lineare indipendenza di ๐ segnali si ottiene osservando il determinante della seguente matrice di Gram: โฉ๐1 , ๐1 โช โฉ๐2 , ๐1 โช [ โฆ โฉ๐๐ , ๐1 โช
โฉ๐1 , ๐2 โช โฉ๐2 , ๐2 โช โฆ โฉ๐๐ , ๐2 โช
โฆ โฆ โฆ โฆ
โฉ๐1 , ๐๐ โช โฉ๐2 , ๐๐ โช ] โฆ โฉ๐๐ , ๐๐ โช
(2.3.1)
Vale il seguente teorema: Teorema 2.1 (di Gram) ๐ segnali sono linearmente dipendenti se e solo se il determinante di Gram ๐บ(๐1 , ๐2 , โฆ , ๐๐ ) ad essi relativo รจ nullo. Necessarietร : se con {๐ ๐ }๐๐=1 si denota un insieme di ๐ segnali linearmente dipendenti, devono esistere ๐ costanti {๐๐ }, non tutte nulle, tali che: ๐
โ ๐๐ ๐๐ = ๐
(2.3.2)
๐=1
Effettuando il prodotto scalare tra il primo membro della precedente e il generico segnale ๐ ๐ si ottengono le ๐ equazioni: ๐
โ ๐๐ โฉ๐ ๐ , ๐ ๐ โช = 0;
j=1,2,โฆ,n
(2.3.3)
๐=1
che, riguardate come un sistema lineare omogeneo di ๐ equazioni nelle ๐ incognite {๐๐ }, devono ammettere una soluzione non banale. Pertanto la matrice dei coefficienti di detto sistema deve essere singolare. Sufficienza:
38
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
se รจ ๐บ(๐1 , ๐2 , โฆ , ๐๐ ) = 0 il sistema omogeneo (2.3.3) ammette anche soluzioni diverse dall'identica. Detta {๐๐ } una tale soluzione, si consideri il segnale: ๐
๐ = โ ๐๐ ๐ ๐
(2.3.4)
๐=1
Si ha: ๐
๐
๐
โ๐โ2 = โฉโ ๐๐ ๐๐ , โ ๐๐ ๐๐ โช = โ ๐๐ ๐๐โ โฉ๐๐ , ๐ ๐ โช ๐=1 ๐
=
๐=1
๐,๐=1
(2.3.5)
๐
โ ๐๐โ (โ ๐๐ โฉ๐๐ , ๐๐ โช) ๐=1
=0
๐=1
essendo per ipotesi le {๐๐ } una soluzione del sistema (2.3.3). Il segnale definito dalla (2.3.4), avendo norma nulla, รจ il segnale nullo. Pertanto i segnali {๐๐ }๐๐=1 sono linearmente dipendenti. *********** Si osservi che, se il determinante di Gram รจ nullo, la matrice di Gram ha rango ๐ < ๐. Data la simmetria hermitiana della matrice si puรฒ dimostrare che essa ammette almeno un minore non nullo contenente ๐ elementi della sua diagonale principale. Detto minore si puรฒ interpretare quindi come la matrice di Gram associata agli ๐ segnali con cui รจ costituito. Ciรฒ significa che il rango della matrice di Gram รจ uguale al numero massimo di segnali indipendenti contenuti nella ๐-upla. ร interessante osservare che la matrice di Gram รจ semidefinita positiva. Infatti la norma del generico segnale ๐ appartenente al sottospazio generato da un insieme di segnali {๐๐ }๐๐=1 รจ non negativa. Si puรฒ quindi scrivere: ๐
๐
๐
0 โค โ๐โ2 = โฉโ ๐๐ ๐๐ , โ ๐๐ ๐๐ โช = โ ๐๐ ๐๐โ โฉ๐๐ , ๐๐ โช ๐=1
๐=1
(2.3.6)
๐,๐=1
Si noti che l'ultimo membro della disuguaglianza precedente รจ la forma hermitiana nelle variabili ๐1 , ๐2 , โฆ , ๐๐ associata alla matrice di Gram che รจ quindi semidefinita positiva. Esempio 2.2 Verificare che i segnali rappresentati dalle seguenti funzioni:
CAPITOLO - 2 โ Rappresentazione Vettoriale dei Segnali
-39-
๐ ๐ (๐ก) = ๐ก ๐ 1
nโ{1,2,3}
โ (๐ก โ 2) ; sono linearmente indipendenti. Il generico prodotto scalare vale: 1
โฉ๐๐ , ๐๐ โช = โซ ๐ก ๐+๐ ๐๐ก = 0
1 1+๐+๐
da cui si ottiene il determinante di Gram associato ai segnali considerati: ๐บ(๐1 , ๐2 , ๐3 ) =
1 3 ||1 4 1 5
1 4 1 5 1 6
1 5 1 | 6| 1 7
=
1 378.000
Poichรฉ ๐บ(๐1 , ๐2 , ๐3 ) โ 0 i tre segnali sono linearmente indipendenti. Esempio 2.3 Dati i segnali rappresentati in Fig.E 2.1: determinare la dimensione del sottospazio da essi generato. Si ha: โฉ๐1 , ๐1 โช = 5 โฉ๐2 , ๐1 โช = โ6 โฉ๐3 , ๐1 โช = โ1
โโฉ๐1 , ๐2 โช = โ6 โฉ๐2 , ๐2 โช = 8 โฉ๐3 , ๐2 โช = 2
โฉ๐1 , ๐3 โช = โ1 โฉ๐2 , ๐3 โช = 2 โฉ๐3 , ๐3 โช = 1
pertanto il determinante di Gram vale: 5 ๐บ = |โ6 โ1
โ6 8 2
โ1 2 |=0 1
quindi i segnali sono linearmente dipendenti. Poichรฉ, come รจ facile verificare, il rango della matrice di Gram vale 2, solo due segnali risultano linearmente indipendenti; conseguentemente Fig.E 2.1 il sottospazio da essi generato ha dimensione 2. La lineare dipendenza dei segnali poteva essere verificata semplicemente osservando che: โ๐1 (๐) โ ๐2 (๐) + ๐3 (๐) = ๐
40
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
2.4 - Rappresentazione geometrica di un segnale. Siano {๐๐ }๐๐=1 ๐ segnali linearmente indipendenti. L'insieme S๐ dei segnali esprimibili nella forma ๐
๐ = โ ๐ผ๐ ๐๐
(2.4.1)
๐=1
al variare dei coefficienti {๐ผ๐ } in โ๐ , รจ, come รจ noto, un sottospazio vettoriale di dimensione ๐ generato dai segnali {๐๐ }. Ogni segnale ivi contenuto individua univocamente, in virtรน della lineare indipendenza degli {๐ข๐ }๐๐=1 , una ๐-upla di coefficienti. Reciprocamente, comunque scelto un punto in โ๐ , ad esso, tramite la (2.4.1), corrisponde un unico segnale in S๐ . I coefficienti {๐ผ๐ }๐๐=1 si possono interpretare come le โcoordinateโ del segnale ๐ nel sistema di riferimento individuato dai vettori {๐๐ }๐๐=1 . Queste considerazioni, nel caso in cui i segnali {๐๐ }๐๐=1 siano rappresentabili mediante funzioni reali e i coefficienti {๐ผ๐ }๐๐=1 siano anchโessi reali, suggeriscono la Fig. 2.1 - Rappresentazione vettorappresentazione geometrica mostrata riale del segnale ๐. in Fig. 2.1 per il caso tridimensionale. L'insieme dei vettori {๐๐ }๐๐=1 costituisce quindi una base del sottospazio vettoriale S๐ di S. ร opportuno ricordare che un qualsiasi altro insieme {๐ฃ๐ }๐๐=1 di vettori linearmente indipendenti appartenenti a S๐ costituisce a sua volta una base per il sottospazio; la base pertanto non รจ unica. I coefficienti {๐ผ๐ }๐๐=1 , di un dato segnale appartenente a S๐ , possono essere calcolati effettuando in ambo i membri della (2.4.1) il prodotto scalare per il generico vettore di base ๐๐ . Si ottengono cosรฌ le ๐ equazioni: ๐
โฉ๐, ๐๐ โช = โ ๐ผ๐ โฉ๐i ,๐๐ โช ; ๐=1
j=1,2,โฆ,n
(2.4.2)
CAPITOLO - 2 โ Rappresentazione Vettoriale dei Segnali
-41-
che costituiscono un sistema lineare nelle incognite {๐ผ๐ }. In forma matriciale il sistema (2.4.2) si scrive: โฉ๐1 , ๐1 โช โฉ๐1 , ๐2 โช [ โฆ โฉ๐1 , ๐๐ โช
โฉ๐2 , ๐1 โช โฉ๐2 , ๐2 โช โฆ โฉ๐๐ , ๐๐ โช
โฆ โฆ โฆ โฆ
โฉ๐๐ , ๐1 โช ๐ผ1 โฉ๐,๐1 โช โฉ๐๐ , ๐2 โช ๐ผ2 โฉ๐,๐2 โช ][โฆ] = [ ] โฆ โฆ โฉ๐๐ , ๐๐ โช ๐ผ๐ โฉ๐,๐๐ โช
(2.4.3)
Detto sistema ammette un'unica soluzione, poichรฉ la matrice dei coefficienti ad esso associata รจ la trasposta della matrice di Gram associata a un insieme di segnali linearmente indipendenti. Un altro metodo per calcolare i coefficienti {๐ผ๐ }๐๐=1 consiste nel determinare ๐ vettori {๐ฃ๐ }๐๐=1 che godano della proprietร : โฉ๐, ๐๐ โช = ๐ผ๐ ;
๐ = 1,2, โฆ , ๐
(2.4.4)
Tenendo conto della (2.4.1) si ottiene: ๐
๐ผ๐ = โฉ๐, ๐๐ โช = โฉโ ๐ผ๐ ๐๐ , ๐๐ โช ๐=1
๐
โโโโโโโโ = โ ๐ผ๐ โฉ๐๐ , ๐๐ โช;
(2.4.5) ๐ = 1,2, โฆ , ๐
๐=1
che ammette la soluzione: 1; โฉ๐ข๐ , ๐ฃ๐ โช = { 0;
๐=๐ = ๐ฟ๐๐ ๐โ ๐
(2.4.6)
Il generico ๐๐ risulta pertanto ortogonale a ciascun vettore della base {๐๐ }๐๐=1 fatta eccezione per il ๐-esimo. L'insieme di vettori {๐๐ }๐๐=1 costituisce a sua volta una base del sottospazio che รจ detta base reciproca associata alla base {๐๐ }๐๐=1. Si osservi che dalla (2.4.6) discende che la reciproca di una base reciproca รจ la base di partenza. Esempio 2.4 Dati i segnali individuati dalle seguenti funzioni: ๐ข1 (๐ก) = โ (๐ก โ 2) 1
๐ข2 (๐ก) = โ(๐ก โ 1)
{๐ข3 (๐ก) = โ (๐ก โ 2) 3
42
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
verificare che essi costituiscono una base per il sottospazio da essi generato e quindi determinare la base reciproca associata. I tre segnali sono linearmente indipendenti, in quanto comunque scelti due di essi, da una loro combinazione lineare non si puรฒ ottenere il terzo. Infatti esiste un insieme di misura non nulla in cui il terzo segnale รจ diverso da zero mentre gli altri due segnali sono entrambi identicamente nulli. Il generico elemento della base reciproca si puรฒ esprimere nella forma: 3
๐๐ = โ ๐ผ๐,๐ ๐๐ ๐=1
Imponendo per ciascun vettore ๐๐ la condizione (2.4.6), si ottengono i tre sistemi lineari: 3
โฉ๐๐ , ๐๐ โช = โ ๐ผ1,๐ โฉ๐๐ , ๐๐ โช = ๐ฟ๐,1 ๐=1 3
โฉ๐๐ , ๐๐ โช = โ ๐ผ2,๐ โฉ๐๐ , ๐๐ โช = ๐ฟ๐,2 ;
๐ = 1,2,3
๐=1 3
{
โฉ๐๐ , ๐๐ โช = โ ๐ผ3,๐ โฉ๐๐ , ๐๐ โช = ๐ฟ๐,3 ๐=1
le cui soluzioni forniscono: ๐
๐
๐
๐
๐๐ = ๐๐๐ โ ๐๐ + ๐๐๐ ๐๐ = โ๐๐ + ๐๐๐ โ ๐๐ ๐๐ = ๐๐๐ โ ๐๐ + ๐๐๐
Si perviene a una notevole semplificazione scegliendo una base {๐ข๐ }๐๐=1 composta da vettori di norma unitaria a due a due ortogonali
detta base ortonormale. In simboli: โฉ๐๐ , ๐๐ โช = ๐ฟ๐,๐
(2.4.7)
In questo caso la matrice di Gram diventa unitaria e la (2.4.2) si riduce alla: ๐ผ๐ = โฉ๐, ๐๐ โช; โโโโโ๐ = 1,2, โฆ , ๐
(2.4.8)
Un segnale appartenente al sottospazio riferito a una base ortonormale si esprime pertanto nella forma: ๐
๐ = โโฉ๐, ๐๐ โช๐๐ ๐=1
(2.4.9)
CAPITOLO - 2 โ Rappresentazione Vettoriale dei Segnali
-43-
Dal confronto tra la (2.4.6) e la (2.4.7) discende che la base reciproca associata ad una base ortonormale รจ la base stessa. Le basi ortonormali sono quindi anche basi autoreciproche. Se si fa riferimento a una base ortonormale si ottiene la seguente espressione per il prodotto scalare tra segnali appartenenti al sottospazio S๐ : ๐
๐
๐
โ โ โฉ๐1 , ๐2 โช = โ โ ๐ผ1๐ ๐ผ2๐ โฉ๐๐ , ๐๐ โช = โ ๐ผ1๐ ๐ผ2๐ ๐=1 ๐=1
(2.4.10)
๐=1
analogamente per la norma e per la distanza euclidea si ha: 1โ2
๐
โ๐โ = โฉ๐, ๐โช
1โ2
2
= (โ |๐ผ๐ | )
(2.4.11)
๐=1 1โ2
๐ 2
๐(๐1 , ๐2 ) = โ๐1 โ ๐2 โ = (โ |๐ผ1๐ โ ๐ผ2๐ | )
(2.4.12)
๐=1
Queste ultime evidenziano un ulteriore motivo per cercare, quando รจ possibile, di adottare una base ortonormale. Infatti se si riguardano le componenti {๐ผ1๐ }๐๐=1 , {๐ผ2๐ }๐๐=1 dei due segnali, riferiti ad una stessa base ortonormale, come vettori riga dello spazio โ๐ , le (2.4.10), (2.4.11) e la (2.4.12) possono essere riscritte sotto forma matriciale: โฉ๐1 , ๐2 โช = ๐ถ1 ๐ถโ 2
(2.4.13)
1 โ 2
โ๐โ = (๐ถ๐ถ )
(2.4.14) 1 โ 2
๐(๐1 , ๐2 ) = [(๐ถ1 โ ๐ถ2 )(๐ถ1 โ ๐ถ2 ) ]
(2.4.15)
In altri termini, se in un sottospazio si individua una base ortonormale, il prodotto scalare, la norma e la distanza euclidee possono essere calcolati in modo semplice effettuando le medesime operazioni sui vettori delle componenti dei segnali in โ๐ . Esempio 2.5 Sia ๐(๐) = ๐โ ๐ด๐ una forma hermitiana. Se gli autovalori della matrice ad essa associata hanno tutti molteplicitร 1, gli autoversori associati a ciascun autovalore di ๐ด, sono mutuamente ortogonali e quindi costituiscono una base ortonormale per lo spazio โ๐ a cui ๐ appartiene.
44
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
Nel caso in cui tutti gli autovalori di ๐ด hanno molteplicitร 1 ad eccezione di uno che ha molteplicitร 2 tra gli autovettori associati a quest'ultimo, se ne possono certamente scegliere 2 linearmente indipendenti. Essi individuano un sottospazio di dimensione due (autospazio) che contiene tutti e soli gli autovettori relativi all'autovalore in questione. Ciascun vettore di questo autospazio รจ ortogonale ad ogni autovettore relativo ad un altro autovalore. Inoltre รจ sempre possibile riferire l'autospazio ad una base ortonormale, gli autoversori che la costituiscono, uniti ai restanti autoversori, generano una base (autobase) per lo spazio โ๐ associata alla ๐(๐) . La generalizzazione di quanto esposto al caso di matrici hermitiane con autovalori di molteplicitร qualsiasi รจ immediata. Per quanto riguarda la riduzione a forma canonica di una forma hermitiana, si osservi che, individuata una autobase {๐๐ }๐๐=1 , il generico vettore ๐ di โ๐ si puรฒ scrivere: ๐
๐ = โ ๐ผ๐ ๐๐ ๐=1
Pertanto: ๐
๐
๐
๐
๐
๐
๐(๐ฅ) = ๐โ ๐จ๐ = โ ๐ผ๐โ ๐โ ๐ ๐จ โ ๐ผ๐ ๐๐ = โ โ ๐ผ๐โ ๐ผ๐ ๐โ ๐ ๐จ๐๐ = โ โ ๐ผ๐โ ๐ผ๐ ๐๐โ ๐๐ ๐๐ ๐=1 ๐
๐
๐=1
๐=1 ๐=1
๐=1 ๐=1
๐
= โ โ ๐ผ๐โ ๐ผ๐ ๐๐ ๐๐โ ๐๐ = โ ๐๐ |๐ผ๐ |2 = ๐ถโ โ
diag(๐1 , ๐2 , โฆ , ๐๐ ) โ
๐ถ ๐=1 ๐=1
๐=1
nell'ultimo membro della precedente, ogni autovalore viene ripetuto un numero di volte pari alla sua molteplicitร .
2.5 - Angolo tra due segnali. Siano dati due segnali reali ad energia finita ๐1 ,โ๐2 . Per essi vale la disuguaglianza di Schwarz (1.15.6) che, in virtรน della natura reale dei due segnali, puรฒ essere riscritta nella forma: โ
โ1 โค
โซโโ ๐ 1 (๐ก) ๐ 2 (๐ก)๐๐ก โ โโซโโ |๐ 1 (๐ก)|2
โ ๐๐ก โซโโ |๐ 2 (๐ก)|2
โค1 ๐๐ก
(2.5.1)
dalla quale si deduce che รจ sempre possibile individuare un unico angolo ๐ appartenente all'intervallo [0, ๐] che verifica l'uguaglianza: โฉ๐1 , ๐2 โช = โ๐1 โ โ
โ๐2 โcos๐
(2.5.2)
CAPITOLO - 2 โ Rappresentazione Vettoriale dei Segnali
-45-
I due segnali in questione sono certamente contenuti in un sottospazio di dimensione due che รจ unico se i segnali sono linearmente indipendenti. Fissata che sia una base ortonormale {๐๐ }2๐=1 in detto sottospazio, รจ possibile esprimere i due segnali nella forma: Fig. 2.2 - Angolo tra due segnali
๐1 = ๐ผ11 ๐1 + ๐ผ12 ๐2 ; ๐2 = ๐ผ21 ๐1 + ๐ผ22 ๐2 ;
(2.5.3)
D'altro canto, tenendo conto delle (2.4.10) e (2.4.11) la (2.5.2) puรฒ essere anche scritta come segue: < ๐1 , ๐2 >= ๐ผ11 ๐ผ21 + ๐ผ12 ๐ผ22 2 2 2 2 = โ๐ผ11 + ๐ผ12 โ
โ๐ผ21 + ๐ผ22 cos๐
(2.5.4)
il cui ultimo membro si puรฒ immediatamente interpretare come il prodotto scalare in โ2 tra due vettori aventi rispettivamente modulo 2 2 2 2 โ๐ผ11 + ๐ผ12 e โ๐ผ21 + ๐ผ22 , formanti un angolo ๐. Si verifica facilmente
che detto angolo รจ indipendente dalla base ortonormale scelta nel sottospazio in cui i segnali sono contenuti. ร quindi possibile fornire una rappresentazione grafica dei due segnali reali come mostrato in Fig. 2.2, ร questo il motivo per cui in generale due segnali si dicono ortogonali se il loro prodotto scalare รจ nullo. Esempio 2.6 Dati i segnali mostrati in Fig.E 2.2,a). se ne costruisca una rappresentazione vettoriale. Come si riconosce facilmente i due segnali hanno entrambi norma unitaria. Se si associa al primo segnale un vettore ๐ di modulo unitario, il secondo segnale sarร rappresentato da un vettore ๐๐ anch'esso di modulo unitario la cui componente ortogonale su ๐ si ottiene effettuando il seguente prodotto scalare: 1 โ ๐; 0 โค ๐ โค 1 โ ๐ โฉ๐, ๐๐ โช = โซ ๐ (๐ก)๐ ๐ (๐ก)๐๐ก = { 1 + ๐; โ1 โค ๐ < 0 โโ = โโ(1 โ |๐|)โ ( ) 2 โโ |๐| > 1 0;
46
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
La rappresentazione geometrica dei due segnali si presenta come in Fig.E
Fig.E 2.2
2.2,b). Si noti che se |๐| โฅ 1 i due segnali risultano ortonormali.
2.6 - Approssimazione dei segnali nel sottospazio S๐ . Teorema della proiezione. Sia S๐ un sottospazio vettoriale ad ๐ dimensioni e ๐ un segnale non necessariamente appartenente ad S๐ . In alcune applicazioni puรฒ essere utile costruire un segnale ๐ห๐ โ S๐ che, in base a un assegnato criterio, ne costituisca la migliore approssimazione. Il criterio piรน naturale per determinare la migliore approssimazione di ๐ in S๐ consiste nello scegliere quell'elemento di S๐ che si trova alla minima distanza euclidea dal segnale considerato ๐. Poichรฉ un generico segnale ๐๐ โ S๐ si puรฒ sempre riferire ad una base ortonormale {๐๐ }๐๐=1 di detto sottospazio: ๐
๐ ๐ = โ ๐ผ๐ ๐ ๐
(2.6.1)
๐=1
l'approssimazione ๐ห๐ cercata รจ individuata dalla ๐-upla di coefficienti {๐ผ๐ } che minimizzano la quantitร : ๐ 2
โ๐โ = โ๐ โ โ ๐ผ๐ ๐๐ โ2
(2.6.2)
๐=1
Esplicitando la precedente si ha: ๐ 2
2
๐ โ
โ๐โ = โ๐โ โ โ ๐ผ๐ โฉ๐, ๐๐ โช โ ๐=1
โ ๐ผ๐โ โฉ๐, ๐๐ โช ๐=1
๐
+ โ |๐ผ๐ |2
(2.6.3)
๐=1 ๐
Se nella (2.6.3) si somma e si sottrae la quantitร โ๐=1 |โฉ๐, ๐๐ โช|2 si ottiene:
CAPITOLO - 2 โ Rappresentazione Vettoriale dei Segnali ๐
-47-
๐
โ๐โ2 = โ๐โ2 โ โ |โฉ๐, ๐๐ โช|2 + โ |๐ผ๐ โ โฉ๐, ๐๐ โช|2 ๐=1
(2.6.4)
๐=1
Poichรฉ l'ultimo addendo a secondo membro della precedente รจ certamente non negativo il minimo cercato si ottiene quando esso si annulla cioรจ quando risulta: ๐ผ๐ = โฉ๐ , ๐ข๐ โช;
๐ = 1,2, โฆ ๐
(2.6.5)
Pertanto si ha: ๐
๐ห๐ = โโฉ๐, ๐๐ โช๐๐
(2.6.6)
๐=1
I coefficienti {๐ผ๐ }๐๐=1 definiti dalle (2.6.5) sono chiamati coefficienti di Fourier generalizzati del segnale ๐ rispetto alla base ortonormale . {๐๐ }๐๐=1 Un interessante conseguenza del risultato appena ottenuto รจ il cosiddetto Teorema della proiezione Fig. 2.3 Proiezione ortogonale che stabilisce che, detta ๐ห๐ la migliore approssimazione di ๐ in S๐ , secondo il criterio della minima distanza euclidea, il vettore ๐ โ ๐ห๐ รจ ortogonale a ogni vettore appartenente ad S๐ e quindi al sottospazio S๐ (vedi Fig. 2.3 ). Per dimostrarlo รจ sufficiente verificare che il vettore ๐ โ ๐ห๐ รจ ortogonale a ciascun vettore di una qualsiasi base {๐๐ }๐๐=1 ortonormale di S๐ . Tenendo conto delle (2.6.5) e (2.6.6) risulta: โฉ๐ โ ๐ห๐ , ๐๐ โช = โฉ๐, ๐๐ โช โ โฉ๐ห๐ , ๐๐ โช = 0
(2.6.7)
Per questo motivo ๐ห๐ si dice proiezione ortogonale di ๐ nel sottospazio S๐ . Nel caso in cui si scelga in S๐ una base {๐๐ }๐๐=1 non ortonormale, tenendo presente che, in base alla (2.6.7), risulta per ogni ๐ โ S๐ : โฉ๐, ๐โช = โฉ๐ห๐ , ๐โช {๐ฝ๐ }๐๐=1
(2.6.8)
si deduce che le componenti del segnale ๐ห๐ rispetto alla base ๐ {๐๐ }๐=1 si ottengono risolvendo il sistema:
48
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati ๐
โฉ๐ห๐ , ๐๐ โช = โ ๐ฝ๐ โฉ๐๐ , ๐๐ โช = โฉ๐, ๐๐ โช;
๐ = 1, โฆ , ๐
(2.6.9)
๐=1
ร interessante osservare che un sottospazio lineare a ๐ dimensioni determina nello spazio dei segnali S una partizione in classi di equivalenza: due segnali appartengono alla stessa classe di equivalenza se ammettono la stessa approssimazione in S๐ o, che รจ lo stesso, se la loro differenza รจ ortogonale a S๐ . La quantitร ๐ = ๐ โ ๐ห๐
(2.6.10)
รจ l'errore di approssimazione; la sua norma โ๐โ ne misura l'entitร . Si ha: โ๐โ2 = โ๐ โ ๐ห๐ โ2 = โฉ๐ โ ๐ห๐ , ๐ โ ๐ห๐ โช = โฉ๐, ๐ โ ๐ห๐ โช โ โฉ๐ห๐ , ๐ โ ๐ห๐ โชโ = โฉ๐ โ ๐ห๐ , ๐โชโ = โฉ๐, ๐โช โ โฉ๐ห๐ , ๐โชโ 2
โ
2
= โ๐โ โ โฉ๐ห๐ , ๐โช = โ๐โ โ โ๐ห๐ โ
(2.6.11)
2
poichรฉ, essendo ๐ ortogonale a ๐ ห๐ , risulta โฉ๐ห๐ , ๐โช = โ๐ห๐ โ2 . La (2.6.11) costituisce l'estensione della relazione pitagorica agli spazi normati. Se il vettore ๐ห๐ si riferisce ad una base ortonormale {๐๐ }๐๐=1 si ha: ๐ 2
โ๐ห๐ โ = โ |โฉ๐, ๐๐ โช|2
(2.6.12)
๐=1
in questo caso la (2.6.11) assume la forma: ๐
โ๐โ2 = โ๐โ2 โ โ |โฉ๐, ๐๐ โช|2
(2.6.13)
๐=1
Essendo, d'altra parte, โ๐โ โฅ 0 si deduce: ๐
โ |โฉ๐, ๐๐ โช|2 โค โ๐โ2
(2.6.14)
๐=1
nota come disuguaglianza di Bessel. Esempio 2.7 Determinare la proiezione dell'impulso โ (๐ก โ
1 2
) nel sottospazio lineare
S3 individuato dai segnali rappresentabili me diante le funzioni:
CAPITOLO - 2 โ Rappresentazione Vettoriale dei Segnali
-49-
โ๐๐ก ๐ฃ๐ (๐ก) = {๐ โโโ๐ก โฅ 0 ;โโ โn=1,2,3 0โโโโโโโ๐ก < 0
Indicando con ๐ lโimpulso rettangolare, risulta: 1
โฉ๐, ๐๐ โช = โซ ๐ โ๐๐ก ๐๐ก โ = 0
Fig.E 2.3
1 โ ๐ โ๐ ๐
il sistema (2.6.9) diventa 1 2 1 3 1 [4
1 3 1 4 1 5
1 4 1 5 1 6]
1 โ ๐ โ1 1 โ ๐ โ2 ๐ฝ1 โ
[๐ฝ2 ] = 2 ๐ฝ3 1 โ ๐ โ3 [ 3 ]
da cui: ๐ฝ1 12 โ 72๐ โ1 + 120๐ โ2 โ 60๐ โ3 [๐ฝ2 ] = [โ30 + 240๐ โ1 โ 450๐ โ2 + 240๐ โ3 ] ๐ฝ3 20 โ 180๐ โ1 + 360๐ โ2 โ 200๐ โ3
per cui l'approssimazione dell'impulso rettangolare nel sottospazio in questione vale: 3
๐ 3 (๐ก) = โ ๐ฝ๐ ๐ฃ๐ (๐ก) ๐=1
= (12 โ 72๐ โ1 + 120๐ โ2 โ 60๐ โ3 )๐ โ๐ก + (โ30 + 240๐ โ1 โ 450๐ โ2 + 240๐ โ3 )๐ โ2๐ก + (20 โ 180๐ โ1 + 360๐ โ2 โ 200๐ โ3 )๐ โ3๐ก
In Fig.E 2.3 รจ rappresentata la migliore approssimazione dell'impulso rettangolare nel sottospazio S3 . Esempio 2.8 Le funzioni rappresentate in Fig.E 2.4 sono i primi quattro elementi dell'insieme (ortonormale) delle funzioni di Walsh. Esse definiscono un sottospazio S4 a quattro dimensioni. I coefficienti, rispetto alla citata base, della proiezione ortogonale su S4 del segnale ๐ individuato dalla: 1 ๐ (๐ก) = ๐ก โ (๐ก โ ) 2
valgono:
Fig.E 2.4
50
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati 1 1 1 ๐ผ1 = โซ ๐ก๐ค0 (๐ก)๐๐ก = [๐ก 2 ]10 = ; 2 2 0 1 1 1 1 ๐ผ2 = โซ ๐ก๐ค1 (๐ก)๐๐ก = ([๐ก 2 ]20 โ [๐ก 2 ]11 ) โ ; 2 4 2 0 1 3 1 1 ๐ผ3 = โซ ๐ก๐ค2 (๐ก)๐๐ก = ([๐ก 2 ]40 โ [๐ก 2 ]41 + [๐ก 2 ]13 ) = 0; 2 4 0 4 1 3 1 1 1 1 ๐ผ4 = โซ ๐ก๐ค3 (๐ก)๐๐ก = ([๐ก 2 ]80 โ [๐ก 2 ]41 + [๐ก 2 ]81 โ [๐ก 2 ]13 ) = โ ; 2 8 { 8 0 8 4
In Fig.E 2.5 sono mostrate le funzioni rappresentative dei segnali ๐ฬ1 ,โ๐ฬ2 ,โ๐ฬ3 ,โ๐ฬ4 โ che costituiscono le approssimazioni di ๐, rispettivamente nei sottospazi generati da ๐0 , da ๐0 , ๐1 , da ๐0 , ๐1 , ๐2 , e da ๐0 , ๐1 , ๐2 , ๐3 . In particolare ๐ ห4 (๐ก), cioรจ la funzione rappresentativa del segnale ๐ห4 apparte-
Fig.E 2.5 Proiezioni di un segnale in sottospazi annidati di dimensione crescente.
nente al sottospazio S4 a minima distanza Euclidea da ๐, รจ data da: 1 1 1 ๐ห๐ (๐ก) = ๐๐ (๐ก) โ ๐๐ (๐ก) โ ๐๐ (๐ก) 2 4 8
2.7 - Procedimento di ortonormalizzazione di GramSchmidt. Da quanto detto risulta evidente l'opportunitร di disporre di un algoritmo che permetta di costruire una base ortonormale per il sottospazio generato da un assegnato insieme {๐๐ }๐๐=1 di segnali. Un tale algoritmo, noto come procedimento di ortonormalizzazione di GramSchmidt, รจ basato sul teorema della proiezione. Esso consiste nel generare ricorsivamente sottospazi di dimensione crescente annidati l'uno dentro l'altro. Si procede come segue: Si considera il segnale ๐1 . Il primo elemento della base รจ: ๐1 =
๐1 โ๐1 โ
che genera un sottospazio S1 di dimensione 1. Si considera quindi ๐2 e si costruisce il segnale:
(2.7.1)
CAPITOLO - 2 โ Rappresentazione Vettoriale dei Segnali
๐2 = ๐2 โ โฉ๐2 , ๐1 โช๐1
-51-
(2.7.2)
Se ๐2 รจ il segnale nullo, ๐2 appartiene ad S1 e si salta al passo successivo. In caso contrario, in virtรน del teorema della proiezione, ๐2 รจ ortogonale al sottospazio S1 . Pertanto si puรฒ assumere come secondo elemento della base il segnale: ๐2 =
๐2 โ๐2 โ
(2.7.3)
I due segnali ๐1 e ๐2 generano quindi un sottospazio S2 in cui รจ annidato S1 . Si ripete il passo precedente fino ad esaurire i segnali dell'insieme {๐๐ }. Al passo ๐-esimo supposto che tutti i segnali precedentemente considerati siano tra loro linearmente indipendenti l'๐-esimo vettore di base รจ dato da: ๐๐ =
๐๐ โ๐๐ โ
(2.7.4)
dove: ๐โ1
๐๐ = ๐๐ โ โโฉ๐๐ , ๐๐ โช๐๐
(2.7.5)
๐=1
L'algoritmo appena descritto consente, in genere, per un dato insieme {๐๐ }๐๐=1, di costruire piรน basi ortonormali, dipendentemente dall'ordinamento scelto all'interno dell'insieme {๐๐ }๐๐=1 . Evidentemente una qualunque base ottenuta con il procedimento descritto genera lo stesso sottospazio di S. Detto sottospazio ha la minima dimensione necessaria per contenere i segnali dell'insieme {๐๐ }๐๐=1 . Tale dimensione ovviamente non puรฒ superare la cardinalitร di {๐๐ }๐๐=1 . Si osservi inoltre che la procedura descritta in virtรน della sua natura ricorsiva si puรฒ applicare anche al caso in cui l'insieme dei segnali sia di cardinalitร infinita, purchรฉ numerabile. Esempio 2.9 Determinare una base ortonormale per il sottospazio lineare individuato dai segnali rappresentati dalle funzioni: ๐ โ๐๐ก ; ๐ ๐ (๐ก) = { 0;
๐กโฅ0 ; n=1,2,3 ๐ก 0. Potremo pertanto scrivere: โ
โซ ฮฆ(๐ฟ๐)๐ ๐2๐๐(๐ก2โ๐ก1) ๐๐ = โโ
=
๐ก2 โ๐ก1 1 โ โซ ฮฆ(๐ฟ๐)๐ ๐2๐๐ฟ๐ ๐ฟ ๐(๐ฟ๐) ๐ฟ โโ
1 ๐ก2 โ ๐ก1 ๐( ) ๐ฟ ๐ฟ
(4.2.9)
che sostituita nella (4.2.8) fornisce: ๐ผ(๐ฟ) =
1 โ โ ๐ก2 โ ๐ก1 โซ โซ ๐ (๐ก1 )๐ โ (๐ก2 )๐ ( ) ๐๐ก1 ๐๐ก2 ๐ฟ โโ โโ ๐ฟ
(4.2.10)
Operando la trasformazione di variabili: {
2
๐ก = ๐ก1 ; ๐ก2 โ ๐ก1 ๐= ; ๐ฟ
6 Tale รจ ad esempio ๐(๐ก) = ๐ โ๐ก la cui trasformata vale ฮฆ(๐) = โ๐๐ โ๐
(4.2.11)
2 ๐2
(vedi Esempio 4.6).
CAPITOLO - 4 - Segnali a Energia Finita -
77
il cui Jacobiano vale ๐๐ก1 ๐ฝ = | ๐๐ก ๐๐ก2 ๐๐ก
๐๐ก1 ๐๐ | = |1 ๐๐ก2 1 ๐๐
0 |=๐ฟ ๐ฟ
(4.2.12)
la (4.2.10) diventa: โ
โ
๐ผ(๐ฟ) = โซ โซ ๐ (๐ก)๐ โ (๐ก + ๐ฟ๐)๐(๐)๐๐ก๐๐ โโ โโ โ
โ
โโ
โโ
(4.2.13)
= โซ ๐(๐) (โซ ๐ (๐ก)๐ โ (๐ก + ๐ฟ๐)๐๐ก ) ๐๐
applicando all'integrale piรน interno che compare allโultimo membro della precedente la disuguaglianza di Schwarz si ottiene: โ
|โซ ๐ (๐ก)๐ โ (๐ก + ๐ฟ๐)๐๐ก| โโ 1 2
โ
โ
โโ
โโ
โ
(4.2.14)
โค (โซ |๐ (๐ก)|2 ๐๐ก โ
โซ |๐ (๐ก + ๐ฟ๐)|2 ๐๐ก) = โซ |๐ (๐ก)|2 ๐๐ก โโ
da cui discende: โ
โ
|๐ผ(๐ฟ)| โค โซ |๐(๐) (โซ ๐ (๐ก)๐ โ (๐ก + ๐ฟ๐)๐๐ก )| ๐๐ โโ โ
โโ โ
(4.2.15) 2
โค โซ |๐(๐)|๐๐ โซ |๐ (๐ก)| ๐๐ก โโ
โโ
ne segue che l'integrale (4.2.6) esiste. Eguagliando i secondi membri delle (4.2.6) e (4.2.13) si ottiene: โ
โ
โ
โโ
โโ
โโ
โซ ฮฆ(๐ฟ๐)|๐(๐)|2 ๐๐ = โซ ๐(๐) (โซ ๐ (๐ก)๐ โ (๐ก + ๐ฟ๐)๐๐ก) ๐๐
(4.2.16)
poichรฉ si ha: โ
|ฮฆ(๐ฟ๐)||๐(๐)|2 โค |๐(๐)|2 โซ |๐(๐)๐ โ๐2๐๐ฟ๐๐ |๐๐ โโ โ
= |๐(๐)|2 โซ |๐(๐)|๐๐ โโ
e, ricordando la (4.2.14):
(4.2.17)
78
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati โ
โ
โโ
โโ
|๐(๐) (โซ ๐ (๐ก)๐ โ (๐ก + ๐ฟ๐)๐๐ก)| โค |๐(๐)| โซ |๐ (๐ก)|2 ๐๐ก
(4.2.18)
puรฒ applicarsi ad entrambi i membri della (4.2.16) il II Teorema di Lebesgue, il quale ci assicura che si puรฒ scrivere: โ
โ
lim โซ ฮฆ(๐ฟ๐)|๐(๐)|2 ๐๐ = ฮฆ(0) โซ |๐(๐)|2 ๐๐ โ
๐ฟโ0 โโ
โโ โ
โ
๐ฟโ0 โโ
โโ
= lim โซ ๐(๐) (โซ ๐ (๐ก)๐ โ (๐ก + ๐ฟ๐)๐๐ก) ๐๐ โ โ
โ
โโ
โโ
(4.2.19)
= โซ ๐(๐)๐๐ โซ |๐ (๐ก)|2 ๐๐ก โ
Osservando che ฮฆ(0) = โซโโ ๐(๐)๐๐ , dalla precedente si ottiene: โ
โ
โโ
โโ
โซ |๐ (๐ก)|2 ๐๐ก = โซ |๐(๐)|2 ๐๐
(4.2.20)
Concludendo si รจ pervenuti al fatto che, se ๐ (๐ก) โ ๐(โ) โฉ ๐2 (โ), la sua trasformata ๐(๐) รจ una funzione a quadrato sommabile in โ. Con procedimento analogo si puรฒ mostrare che se ๐ 1 (๐ก) e ๐ 2 (๐ก) appartengono entrambe ad ๐(โ) โฉ ๐2 (โ), dette rispettivamente ๐1 (๐) e ๐2 (๐) le loro trasformate, si ha: โ
โ
โโ
โโ
โซ ๐ 1 (๐ก)๐ 2โ (๐ก)๐๐ก = โซ ๐1 (๐)๐2โ (๐)๐๐
(4.2.21)
La trasformata in ๐ท๐ (โ).
Per definire la trasformata di Fourier di una funzione a quadrato sommabile รจ opportuno riferirsi nuovamente alla funzione troncata ๐ ๐ (๐ก). La funzione ๐ ๐ (๐ก), nella metrica di ๐2 (โ), tende a ๐ (๐ก). Ciรฒ significa che la distanza euclidea tra ๐ ๐ (๐ก) e ๐ (๐ก) tende a zero quando ๐ โ โ: โ
lim โซ |๐ (๐ก) โ ๐ ๐ (๐ก)|2 ๐๐ก = 0
๐โโ โโ
(4.2.22)
ร bene osservare che la funzione ๐ ๐ (๐ก) essendo identicamente nulla all'esterno di un intervallo limitato, oltre ad essere a quadrato sommabile, รจ anche sommabile in โ. Di conseguenza essa ammette trasformata di Fourier ๐๐ (๐):
CAPITOLO - 4 - Segnali a Energia Finita -
79
โ
๐๐ (๐) = โซ ๐ ๐ (๐ก)๐ โ๐2๐๐๐ก ๐๐ก โโ
(4.2.23)
che soddisfa la condizione (4.2.20), cioรจ: โ๐๐ (๐)โ = โ๐ ๐ (๐ก)โ
(4.2.24)
โ๐ ๐ โฒ (๐) โ ๐๐ (๐)โ = โ๐ ๐ โฒ (๐ก) โ ๐ ๐ (๐ก)โ
(4.2.25)
inoltre รจ evidente che: 2
D'altro canto, poichรฉ ๐ ๐ (๐ก) โ ๐ (โ), comunque scelta una successione ๐๐ โ โ, esiste un ๐๐ tale che, ๐, ๐ > ๐๐ implicano โ๐ ๐๐ (๐ก) โ ๐ ๐๐ (๐ก)โ < ๐ . Per la (4.2.25) si ha anche: โ๐๐๐ (๐) โ ๐๐๐ (๐)โ < ๐
(4.2.26)
{๐๐๐ (๐)}โ ๐=1 รจ pertanto una successione di Cauchy, quindi, in virtรน della completezza di ๐2 (โ), {๐๐๐ (๐)}โ ๐=1 รจ convergente,. Inoltre l'arbitrarietร
nella scelta della {๐๐ }โ ๐=1 assicura che la famiglia di funzioni ๐๐ (๐), al divergere di ๐, tende, secondo la metrica di ๐2 (โ), ad una ๐(๐) โ ๐2 (โ), che si assume come trasformata di Fourier della funzione ๐ (๐ก) โ ๐2 (โ). Esplicitando la funzione ๐๐ (๐), quanto detto, equivale a scrivere 2
๐ 2
โ
lim โซ |๐(๐) โ โซ ๐ (๐ก)๐ โ๐2๐๐๐ก ๐๐ก | ๐๐ = 0
๐โโ โโ
๐ 2
โ
(4.2.27)
Per definire la trasformata inversa di una funzione ๐(๐) โ ๐2 (โ) si puรฒ procedere analogamente. In particolare, la trasformata troncata ๐ ๐๐ต (๐) = ๐(๐)โ ( ) ๐ต
(4.2.28)
รจ anche sommabile, essendo identicamente nulla al di fuori di un intervallo finito. Essa quindi รจ antitrasformabile, e la sua antitrasformata รจ: โ
๐ ห๐น (๐ก) = โซ ๐๐ต (๐)๐ ๐2๐๐๐ก ๐๐ โโ
(4.2.29)
che, evidentemente gode della proprietร : โ
โ
โโ
โโ
โซ |๐๐ต (๐)|2 ๐๐ = โซ |๐ ห๐ต (๐ก)|2 ๐๐ก
(4.2.30)
80
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
Al crescere di ๐น la funzione ๐ ห๐น (๐ก) ammette, nella metrica di ๐2 (โ), il limite ๐ ห(๐ก), cioรจ: 2
๐ต 2
โ
lim โซ |๐ ห(๐ก) โ โซ ๐(๐)๐
๐ตโโ โโ
๐2๐๐๐ก
๐ต 2
๐๐ | ๐๐ก = 0
โ
(4.2.31)
Tale valore limite appartiene a ๐2 (โ) e soddisfa la relazione: โ
โ
โโ
โโ
โซ |๐ ห(๐ก)|2 ๐๐ก = โซ |๐(๐)|2 ๐๐
(4.2.32)
Resta quindi soltanto da dimostrare che, detta ๐(๐) la trasformata di ๐ (๐ก), la sua antitrasformata ๐ ห(๐ก) รจ uguale, almeno quasi ovunque, a ๐ (๐ก). A tal proposito, essendo ๐ ห(๐ก), ๐ (๐ก) โ ๐2 (โ), si puรฒ scrivere: โ
โ๐ ห(๐ก) โ ๐ (๐ก)โ2 = โซ |๐ ห(๐ก) โ ๐ (๐ก)|2 ๐๐ก โโ โ
โ
โ
โโ
โโ
โโ
= โซ |๐ (๐ก)|2 ๐๐ก โ โซ ๐ (๐ก)๐ ห โ (๐ก)๐๐ก โ โซ ๐ โ (๐ก)๐ ห(๐ก)๐๐ก
(4.2.33)
โ
+ โซ |๐ ห(๐ก)|2 ๐๐ก โโ
Per le (4.2.20) e (4.2.32) risulta: โ
โ
โ
โโ
โโ
โโ
โซ |๐ (๐ก)|2 ๐๐ก = โซ |๐ ห(๐ก)|2 ๐๐ก = โซ |๐(๐)|2 ๐๐
(4.2.34)
Inoltre in virtรน delle (4.2.23) e (4.2.29) si ha: โ
โซ ๐ (๐ก)๐ ห โ (๐ก)๐๐ก โโ โ
=โซ
โ
lim ๐ ๐ (๐ก) [ lim โซ ๐๐ต
โโ ๐โโ โ
๐ตโโ โโ
โ
(๐)๐ ๐2๐๐๐ก
โ
= lim โซ ๐ ๐ (๐ก) [โซ ๐โ๐ต (๐)๐โ๐2๐๐๐ก ๐๐] ๐๐ก ๐โโ ๐ตโโ โโ
โโ
๐๐ ] ๐๐ก
(4.2.35)
CAPITOLO - 4 - Segnali a Energia Finita โ
โ
๐โโ ๐ตโโ โโ
โโ
81
= lim โซ ๐๐ตโ (๐) [โซ ๐ ๐ (๐ก)๐ โ๐2๐๐๐ก ๐๐ก] ๐๐ โ
โ
๐โโ ๐ตโโ โโ
โโ
= lim โซ ๐๐ตโ (๐)๐๐ (๐)๐๐ = โซ |๐(๐)|2 ๐๐
Con procedimento analogo si mostra anche che: โ
โ
โโ
โโ
โซ ๐ (๐ก)โ ๐ ห(๐ก)๐๐ก = โซ |๐(๐)|2 ๐๐
(4.2.36)
Finalmente, sostituendo le (4.2.35) e, (4.2.36) nella (4.2.33) si ottiene โ๐ ห(๐ก) โ ๐ (๐ก)โ2 = 0
(4.2.37)
che necessariamente comporta: ๐.๐.
๐ (๐ก) = โ ๐ ห(๐ก)
(4.2.38)
Conclusioni
La trasformata di Fourier di una generica rappresentazione di un segnale s ad energia finita รจ impicitamente definita dalla (4.2.27) che qui ripetiamo per comoditร : โ
2
๐ 2
lim โซ |๐(๐) โ โซ ๐ (๐ก)๐ โ๐2๐๐๐ก ๐๐ก | ๐๐ = 0
๐โโ โโ
๐ 2
โ
(4.2.39)
Ciรฒ equivale a dire che per trasformata di ๐ (๐ก) si deve intendere quella ๐(๐) che soddisfa la (4.2.27) cioรจ la cui distanza euclidea da ๐
โซ2๐ ๐ (๐ก)๐ โ๐2๐๐๐ก ๐๐ก tende a zero al divergere di ๐. โ
2
Si osservi che se una ๐(๐) soddisfa la precedente per una rappresentazione ๐ (๐ก) di un segnale ๐, essa la soddisferร anche per tutte le altre rappresentazioni dello stesso segnale, cioรจ per tutte le funzioni del tempo che differiscono da ๐ (๐ก) solo su un insieme di misura nulla di punti. Reciprocamente, l'antitrasformata di Fourier di una generica rappresentazione ๐ รจ definita dalla: โ
๐ต 2
lim โซ |๐ (๐ก) โ โซ ๐(๐)๐
๐ตโโ โโ
๐ต 2
โ
2 ๐2๐๐๐ก
๐๐ | ๐๐ก = 0
(4.2.40)
82
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
Ciรฒ equivale a dire che per antitrasformata di ๐(๐) si deve intendere quella ๐ (๐ก) che soddisfa la (4.2.31) cioรจ la cui distanza euclidea da ๐ต
โซ 2๐ต ๐(๐)๐ ๐2๐๐๐ก ๐๐ tende a zero al divergere di ๐ต . Dโaltro canto se funzioโ
2
ne ๐ (๐ก) soddisfa la (4.2.40) per una data ๐(๐) essa la soddisfa anche per tutte le funzioni che ad ๐(๐) sono uguali quasi ovunque. ๐ (๐ก) pertanto puรฒ essere intesa come antitrasformata di ciascuna di esse. In definitiva un segnale ad energia finita ๐ puรฒ essere quindi rappresentato indifferentemente sia mediante funzioni nel dominio del tempo sia attraverso funzioni nel dominio della frequenza ร opportuno ricordare che se ๐ รจ rappresentabile mediante una funzione che รจ anche sommabile, il limite (4.2.39) puรฒ essere calcolato anche secondo la metrica di ๐(โ), cioรจ: ๐ 2
lim |๐(๐) โ โซ ๐ (๐ก)๐ โ๐2๐๐๐ก ๐๐ก| = 0
๐โโ
โ
๐ 2
(4.2.41)
๐
La convergenza dell'integrale โซ2๐ ๐ (๐ก)๐ โ๐2๐๐๐ก ๐๐ก รจ quindi uniforme. โ
2
Conclusioni analoghe valgono per l'antitrasformata. 4.3 - Principali proprietร della trasformata di Fourier di un segnale In quel che segue per semplicitร di esposizione la trasformata e l'antitrasformata di Fourie verranno rispettivamente denotate in una delle forme equivalenti: โ
a)
๐(๐) = ๐[๐ (๐ก)] = โซ ๐ (๐ก)๐ โ๐2๐๐๐ก ๐๐ก ; โโ โ
b)
(4.3.1)
โโ๐ (๐ก) = ๐โ1 [๐(๐)] = โซ ๐(๐)๐ ๐2๐๐๐ก ๐๐; โโ
Negli ultimi membri delle quali si sottintendono cioรจ gli eventuali passaggi al limite nel senso di ๐2 (โ). La trasformata di una funzione risulta in generale complessa, essa si puรฒ quindi scrivere in una delle forme: ๐(๐) = ๐๐
(๐) + ๐๐๐ผ (๐) = |๐(๐)|๐ ๐๐(๐)
(4.3.2)
CAPITOLO - 4 - Segnali a Energia Finita -
83
dove ๐๐
(๐) e ๐๐ผ (๐) sono funzioni reali. Dalla precedente si deduce che per rappresentare un segnale nel dominio della frequenza sono necessari due diagrammi che mostrano gli andamenti della parte reale ๐๐
(๐) e del coefficiente della parte immaginaria ๐๐ผ (๐), o equivalentemente, quelli del modulo |๐(๐)| e dell'argomento ๐(๐) di ๐(๐) al variare di ๐. Questi ultimi due diagrammi prendono rispettivamente il nome di spettro di ampiezza e spettro di fase del segnale. Trasformata di Fourier reali.
Fig. 4.2 - Rappresentazione della trasformata di Fourier di un segnale reale.
di segnali
La trasformata di un segnale reale adottando la notazione (4.3.1) si puรฒ
anche porre nella forma: โ
โ
๐(๐) = โซ ๐ (๐ก)cos(2๐๐๐ก)๐๐ก โ ๐ โซ ๐ (๐ก)sin(2๐๐๐ก)๐๐ก โโ
โโ
(4.3.3)
Pertanto, se ๐ (๐ก) รจ reale, le quantitร ๐๐
(๐) e ๐๐ผ (๐) assumono la forma: โ
a)
๐๐
(๐) = โซ ๐ (๐ก)cos(2๐๐๐ก)๐๐ก ; โโ
โ
b)
(4.3.4)
โ๐๐ผ (๐) = โ โซ ๐ (๐ก)sin(2๐๐๐ก)๐๐ก; โโ
Dalle (4.3.4) si deduce che la parte reale (coefficiente della parte immaginaria) di ๐(๐) รจ una funzione pari (dispari) di ๐; di conseguenza il modulo |๐(๐)| รจ ancora una funzione pari e l'argomento ๐(๐) รจ una funzione dispari di ๐; quindi: ๐(โ๐) = ๐ โ (๐)
(4.3.5)
che equivale a dire che la trasformata di Fourier di un segnale reale deve presentare una simmetria di tipo hermitiano. In Fig. 4.2 sono mostrati gli andamenti tipici di ๐๐
(๐) e ๐๐ผ (๐) e quelli di |๐(๐)| e ๐(๐) per un segnale reale. Casi particolari:
84
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
๐ (๐ก)รจ a simmetria pari cioรจ: ๐ (๐ก)=๐ (โ๐ก)
(4.3.6)
Si osservi che gli integrandi nelle (4.3.4) risultano essere rispettivamente funzioni pari e dispari del tempo. Quindi: โ
๐)โโโโ๐๐
(๐) = 2 โซ ๐ (๐ก)cos(2๐๐๐ก)๐๐ก ; 0
๐)โโโโ๐๐ผ (๐) = 0;
(4.3.7)
Pertanto: โ
๐(๐) = 2 โซ ๐ (๐ก)cos(2๐๐๐ก)๐๐ก 0
(4.3.8)
๐ (๐ก) รจ a simmetria dispari cioรจ: ๐ (๐ก) = โ๐ (โ๐ก)
(4.3.9)
Risulta: ๐)โโโโโโโโโโ๐๐
(๐) = 0;
โ
๐)โโโโโโโโโ๐๐ผ (๐) = โ2 โซ ๐ (๐ก)sin(2๐๐๐ก)๐๐ก;
(4.3.10)
0
quindi: โ
๐(๐) = โ2๐ โซ ๐ (๐ก)sin(2๐๐๐ก)๐๐ก 0
(4.3.11)
In altri termini, la trasformata di Fourier di una funzione pari รจ pari, mentre la trasformata di una funzione dispari รจ una funzione immaginaria dispari. Dalla (4.3.1),b si deduce: 0
โ
๐ (๐ก) = (โซ + โซ ๐( ๐)๐ ๐2๐๐๐ก ๐๐ ) โโ
0
(4.3.12)
che, cambiando ๐ in โ๐ nel primo integrale, diventa: โ
๐ (๐ก) = โซ [๐(โ๐)๐ โ๐2๐๐๐ก + ๐(๐)๐ ๐2๐๐๐ก ]๐๐ 0
(4.3.13)
Tenendo presente la condizione (4.3.5), si riconosce facilmente che le due quantitร ๐(๐)๐ ๐2๐๐๐ก e ๐(โ๐)๐ โ๐2๐๐๐ก rappresentano due grandezze complesse coniugate la cui somma รจ uguale al doppio della loro
CAPITOLO - 4 - Segnali a Energia Finita -
85
parte reale. Ciรฒ permette, interpretando l'integrale come limite di una somma di contributi elementari, di scrivere la (4.3.13) nella forma: โ
๐ (๐ก) = 2 โซ Re[๐(๐)๐ ๐2๐๐๐ก ]๐๐ 0 โ
= 2 โซ |๐(๐)|cos[2๐๐๐ก + ๐(๐)]๐๐
(4.3.14)
0 โ
= lim โ 2|๐(๐๐ฅ๐)|๐ฅ๐cos[2๐๐๐ฅ๐๐ก + ๐(๐๐ฅ๐)] ๐ฅ๐โ0
๐=0
Osservandone l'ultimo membro, si deduce che al modulo della trasformata di Fourier si puรฒ attribuire il significato di densitร spettrale di ampiezza, in quanto esso รจ proporzionale al limite del rapporto tra l'ampiezza dell'armonica di frequenza ๐๐ฅ๐ e ๐ฅ๐ al tendere a zero di quest'ultimo. Esempio 4.1 La trasformata di Fourier dell'impulso rettangolare di durata T : ๐ก ๐ (๐ก)= โ ( ) ๐
รจ reale e vale: ๐
๐ก 2 ๐ [โ ( )] = โซ ๐ โ๐2๐๐๐ก ๐๐ก ๐ ๐ โ 2
={
sin(๐๐๐) ; ๐โ 0 โ = ๐sinc(๐๐) ๐๐๐ ๐; ๐=0 ๐
Fig.E 4.1
Esempio 4.2 Sia ๐ข(๐ก) la funzione gradino unitario definita come segue: u(๐ก) = {
1; 0;
๐กโฅ0 ๐ก 0 ๐ ๐
Dove ๐[๐ (๐ก)] = ๐(๐). In maniera analoga, si dimostra che, per ๐ < 0, si ha: 1 ๐ ๐[๐ (๐๐ก)] = โ ๐ ( ) ; ๐ ๐
๐ 1) o lโattenuazione (0 < โ0 < 1) del sistema. Trasformando secondo Fourier ambo i membri della (6.7.1) si ottiene: ๐(๐) = โ0 ๐ โ๐2๐๐๐ ๐(๐)
(6.7.2)
dalla quale si deduce: ๐ป(๐) = โ0 ๐ โ๐2๐๐๐
(6.7.3)
Fig. 6.3 - Risposta in frequenza di un sistema senza distorsione
In un sistema di trasmissione senza distorsione lโampiezza della ๐ป(๐) รจ costante mentre il suo argomento risulta proporzionale alla frequenza come รจ mostrato in Fig. 6.3. Un sistema di trasmissione che non introduce distorsioni entro una certa banda (finita) di frequenza ma non permette, al di fuori di essa, la trasmissione del segnale, costituisce un filtro ideale. A seconda della dislocazione della banda i filtri ideali si distinguono in filtri passa-basso e filtri passa-banda. La risposta in frequenza per un filtro passa-basso ideale di banda ๐๐ , che introduce un ritardo ๐ ed unโattenuazione โ0 รจ: ๐ ๐ป(๐) = โ0 โ ( ) ๐ โ๐2๐๐๐ 2๐๐
(6.7.4)
144
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
vedi Fig. 6.4 a), la risposta in frequenza di un filtro passabanda ideale centrato alla frequenza ๐0 con banda ๐ต ritardo ๐ ed attenuazione โ0 vale ๐ โ ๐0 ๐ + ๐0 ๐ป(๐) = โ0 (โ ( ) +โ ( )) ๐ โ๐2๐๐๐ ๐ต ๐ต
(6.7.5)
vedi Fig. 6.4 b) Le corrispondenti risposte impulsive valgono: a) filtro passa-basso: โ(๐ก) = 2โ0 ๐๐ sinc[2๐๐ (๐ก โ ๐)]
(6.7.6)
b) filtro passa-banda: โ(๐ก) = 2โ0 ๐ต cos[2๐๐0 (๐ก โ ๐)] sinc[๐ต(๐ก โ ๐)]
(6.7.7)
rappresentano lโampiezza di banda e la frequenza centrale del filtro. Come si deduce dalle (6.7.6) e (6.7.7), risulta โ(๐ก) โ 0 per ๐ก < 0 quindi il principio di causalitร รจ violato, pertanto tali filtri non sono fisicamente realizzabili, la loro risposta impulsiva puรฒ comunque essere approssiamata introducendo un ritardo temporale, ovvero se si accetta di avere una risposta in frequenza che rientri in una prefissata maschera di tolleranza ad esempio rispetto alle piattezza in banda o alla ripiditร dei fronti di Fig. 6.4 - Risposte in frequenza di un filtro ideale: a) passa-basso, discesa al di fuori di essa. b) passa-banda
CAPITOLO - 7 CARATTERIZZAZIONE ENERGETICA DEI SEGNALI Segnali a energia finita
7.1 - Densitร spettrale di energia. Lโenergia specifica ๐ธ associata al segnale ๐ vale: โ
โ
โโ
โโ
๐ธ = โซ |๐ (๐ก)|2 ๐๐ก = โซ ๐ (๐ก)๐ โ (๐ก)๐๐ก
(7.1.1)
dove ๐ (๐ก) รจ una qualsiasi rappresentazione del segnale ๐. Esprimendo ๐ (๐ก) in termini della sua trasformata di Fourier, si ha: โ
โ
๐ธ = โซ ๐ โ (๐ก) (โซ ๐(๐)๐ ๐2๐๐๐ก ๐๐) ๐๐ก โโ โโ
โโ
โ
โ
โโ
โโ
โ
โ
= โซ ๐(๐) (โซ ๐ (๐ก)๐ โ๐2๐๐๐ก ๐๐ก) ๐๐ โ = โซ ๐(๐) ๐ โ (๐)๐๐ โโ
(7.1.2)
โ
= โซ |๐(๐)|2 ๐๐ โโ
Lโenergia specifica di un segnale si puรฒ quindi calcolare integrando il quadrato del modulo della sua trasformata di Fourier (Teorema di Parseval 9). Se il segnale รจ reale il modulo della sua trasformata di Fourier รจ pari per cui la (7.1.2) si puรฒ scrivere: โ
๐ธ = 2 โซ |๐(๐)|2 ๐๐ 0
(7.1.3)
Da quest'ultima si evince che la porzione ๐๐ธ di energia specifica associata al pacchetto di componenti armoniche del segnale le cui frequenze cadono nellโintervallo (๐, ๐ + ๐๐) รจ data da 2|๐(๐)|2 ๐๐ ; ciรฒ si-
9
Il Teorema di Parseval รจ stato giร provato in modo formalmente piรน corretto nel CAPITOLO 4. In tutto questo capitolo si รจ preferito sacrificare il rigore formale a vantaggio di una piรน immediata interpretazione dei risultati.
146
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati ๐๐ธ
gnifica che la funzione |๐(๐)|2 รจ proporzionale al rapporto ๐๐ , e pertanto assume il significato di densitร di energia. Piรน in generale, si definisce densitร spettrale di energia di un segnale la quantitร : ๐(๐) = |๐(๐)|2
(7.1.4)
Essa รจ una funzione reale e non negativa di ๐: ๐(๐) โฅ 0
(7.1.5)
e tale che il suo integrale risulta pari a ๐ธ : โ
๐ธ = โซ ๐(๐)๐๐ โโ
(7.1.6)
Nel caso di segnali reali, dalla condizione di simmetria hermitiana ๐(โ๐) = ๐ โ (๐), discende: ๐(โ๐) = ๐(๐)
(7.1.7)
La densitร spettrale di energia di un segnale reale รจ quindi una funzione reale e pari di ๐. Le considerazioni svolte possono essere estese al caso di due segnali distinti ๐1 e ๐2 . In tal caso, si introducono le energie specifiche incrociate, o mutue, ๐ธ12 e ๐ธ21 definite dalle: โ
๐ธ12 = โซ ๐ 1 (๐ก)๐ 2โ (๐ก)๐๐ก; โโ โ
๐ธ21 = โซ ๐ 2 (๐ก)๐ 1โ (๐ก)(๐ก)๐๐ก;
(7.1.8)
โโ
Si osservi che le precedenti esprimono anche i prodotti scalari โฉ๐1 , ๐2 โช e โฉ๐2 , ๐1 โช tra i segnali; cosicchรฉ la condizione di ortogonalitร di
detti segnali si traduce nella: ๐ธ12 = ๐ธ21 = 0
(7.1.9)
Le energie incrociate sono quantitร , in generale, complesse e risulta: โ ๐ธ12 = ๐ธ21
(7.1.10)
Facendo uso della disuguaglianza di Schwarz, si ottiene: |๐ธ12 | โค โ๐ธ1 โ
โ๐ธ2 ,
|๐ธ21 | โค โ๐ธ1 โ
โ๐ธ2
(7.1.11)
CAPITOLO - 7 - Caratterizzazione Energetica dei Segnali -
147
o anche: ๐ธ12 ๐ธ21 โค ๐ธ1 ๐ธ2
(7.1.12)
essendo ๐ธ1 ed ๐ธ2 le energie specifiche associate a ๐1 e ๐2 rispettivamente. Se i segnali sono reali le quantitร ๐ธ12 e ๐ธ21 sono anch'esse reali; in tal caso si ha: โ
๐ธ12 = ๐ธ21 = โซ ๐ 1 (๐ก)๐ 2 (๐ก)๐๐ก โโ
(7.1.13)
Denotando con ๐1 (๐) e ๐2 (๐) le trasformate di Fourier di ๐ 1 (๐ก) e ๐ 2 (๐ก) rispettivamente, dalle (7.1.8) discende: โ
โ
๐ธ12 = โซ ๐ 1 (๐ก) (โซ ๐2โ (โ๐)๐ ๐2๐๐๐ก ๐๐ ) ๐๐ก โโ
โโ
โ
โ
โโ
โโ
= โซ ๐2โ (โ๐) (โซ ๐ 1 (๐ก)๐ ๐2๐๐๐ก ๐๐ก) ๐๐
(7.1.14)
โ
= โซ ๐1 (โ๐)๐2โ (โ๐)๐๐ โโ
che con un cambiamento di variabile puรฒ ancora scriversi: โ
๐ธ12 = โซ ๐1 (๐)๐2โ (๐)๐๐ = โฉ๐ 1 , ๐ 2 โช โโ
(7.1.15)
Analogamente si ha: โ
๐ธ21 = โซ ๐2 (๐)๐1โ (๐)๐๐ = โฉ๐ 2 , ๐ 1 โช โโ
(7.1.16)
Queste ultime costituiscono la forma piรน generale del Teorema di Parseval. Introducendo le densitร spettrali di energia incrociate, o mutue: ๐12 (๐) = ๐1 (๐) โ
๐2โ (๐);
๐21 (๐) = ๐2 (๐) โ
๐1โ (๐);
(7.1.17)
le (7.1.15) e (7.1.16) divengono rispettivamente: โ
๐ธ12 = โซ ๐12 (๐)๐๐ ; โโ
โ
๐ธ21 = โซ ๐21 (๐)๐๐ ; โโ
(7.1.18)
Le densitร spettrali incrociate sono, in generale, complesse e risulta:
148
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati โ ๐12 (๐) = ๐21 (๐);
(7.1.19)
Tuttavia, se i segnali sono reali, la precedente, in virtรน della simmetria hermitiana, si semplifica nella: ๐12 (๐) = ๐21 (โ๐)
(7.1.20)
Esempio 7.1 Si considerino i due segnali: ๐ก ๐ 1 (๐ก) = โ ( ) ๐
๐ 2 (๐ก) = u(๐ก)๐
โ
๐ก ๐0
Essi sono segnali a energia finita poichรฉ risulta: ๐ธ1 = ๐; ๐ธ2 =
Fig.E 7.1
๐0 ; 2
La loro energia incrociata vale: ๐ 2
๐ธ12 = ๐ธ21 = โซ ๐ โ๐ก/๐0 ๐๐ก = ๐0 (1 โ ๐
๐ 2๐0
โ
)
0
Lโenergia normalizzata vale: ๐=
๐ธ12 โ๐ธ1 ๐ธ2
=โ
๐ 2๐0 โ (1 โ ๐ 2๐0 ) ๐
e risulta manifestamente |๐| โค 1 in accordo con la condizione (7.1.12). In Fig.E 7.1 รจ riportato lโandamento di ๐ al variare di ๐โ2๐0 . Il suo valore massimo si ottiene quando รจ verificata la condizione: ๐
โ
๐ 2๐0
=
1 1+
๐ ๐0
Il massimo di ๐ si raggiunge per ๐โ2๐0 โ 1,256 e vale 0,638. Esempio 7.2 Per il segnale: ๐ (๐ก) = u(๐ก)๐ โ๐๐ก ;
๐>0
si calcoli il contributo all'energia specifica dovuto alla parte del suo spettro compresa nell'intervallo di frequenze [โ
๐
,
๐
2๐ 2๐
].
Tenendo conto dei risultati dellโEsempio 7.1, la densitร spettrale di ๐ (๐ก) vale:
CAPITOLO - 7 - Caratterizzazione Energetica dei Segnali -
๐(๐) =
149
1 ๐2 + (2๐๐)2
Pertanto si ha: ๐ธ๐ = โซ
๐ 2๐ ๐ 2๐
โ
๐2
1 ๐๐ 1 ๐๐ฅ 1 = โซ = 2 + (2๐๐) 2๐๐ โ1 1 + ๐ฅ 2 4๐
Esempio 7.3 Sia ๐ un segnale ottenuto sommando sue segnali ๐1 e ๐2 a energia finita: ๐ = ๐1 + ๐2
Dette ๐1 (๐) e ๐1 (๐) le trasformate di Fourier di ๐1 e ๐2 rispettivamente, la densitร spettrale di potenza di ๐ vale: ๐(๐) = ๐(๐) โ
๐ โ (๐) = [๐1 (๐) + ๐2 (๐)] โ
[๐1โ (๐) + ๐2โ (๐)] = ๐1 (๐) โ
๐1โ (๐) + ๐1 (๐) โ
๐2โ (๐) + ๐2 (๐) โ
๐1โ (๐) + ๐2 (๐) โ
๐2โ (๐)
la quale, denotando con ๐1 (๐) e ๐2 (๐) le densitร spettrali di energia associate a ๐1 e ๐2 e con ๐12 (๐) e ๐21 (๐) le corrispondenti densitร spettrali di energia incrociate, si puรฒ riscrivere: ๐(๐) = ๐1 (๐) + ๐12 (๐) + ๐21 (๐) + ๐2 (๐)
Per caratterizzare completamente dal punto di vista energetico la somma di due segnali occorre definire pertanto quattro densitร spettrali che possono essere disposte nella seguente matrice: ๐ (๐) ๐12 (๐) ๐พ(๐) = [ 1 ] ๐21 (๐) ๐2 (๐)
che costituisce la matrice delle densitร spettrali. Essa รจ una matrice hermitiana giacchรฉ gli elementi della diagonale secondaria risultano complessi coniugati.
7.2 - Funzione di autocorrelazione. Dato un segnale ๐ a energia finita, la funzione a valori generalmente complessi โ
๐พ(๐) = โซ ๐ (๐ก + ๐)๐ โ (๐ก)๐๐ก โโ
(7.2.1)
costituisce la funzione di autocorrelazione ad esso associata. Se il segnale รจ reale la sua autocorrelazione รจ anch'essa reale. Ponendo nella (7.2.1) ๐ = 0 si ottiene:
150
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati โ
๐พ(0) = โซ |๐ (๐ก)|2 ๐๐ก
(7.2.2)
โโ
Pertanto la funzione di autocorrelazione valutata nellโorigine eguaglia lโenergia specifica del segnale. Effettuando la trasformazione ๐ โ โ๐, nella (7.2.1) si ottiene: โ
๐พ(โ๐) = โซ ๐ (๐ก โ ๐)๐ โ (๐ก)๐๐ก
(7.2.3)
โโ
che, con la ulteriore sostituzione ๐ก โ ๐ = ๐, diviene: โ
โ
โโ
โโ
โ
๐พ(โ๐) = โซ ๐ (๐)๐ โ (๐ + ๐)๐๐ = [โซ ๐ (๐ + ๐)๐ โ (๐)๐๐]
(7.2.4)
Dal confronto con la (7.2.1), discende: ๐พ โ (๐) = ๐พ(โ๐)
(7.2.5)
Quindi lโautocorrelazione di un segnale รจ una funzione a simmetria hermitiana. Applicando la disuguaglianza di Schwarz alla (7.2.1) si ottiene: โ
2
โ
โ
โโ
โโ
|โซ ๐ (๐ก + ๐)๐ โ (๐ก)๐๐ก| โค โซ |๐ (๐ก + ๐)|2 ๐๐ก โซ |๐ (๐ก)|2 ๐๐ก โโ
(7.2.6)
2
= ๐พ (0)
da cui si evince: |๐พ(๐)| โค ๐พ(0)
(7.2.7)
Se il segnale รจ reale, la (7.2.5) diventa: ๐พ(โ๐) = ๐พ(๐)
(7.2.8)
cioรจ, la funzione di autocorrelazione di un segnale reale ha simmetria pari. La (7.2.7) inoltre assicura che la ๐พ(๐) raggiunge il suo valore massimo ๐พ(0) nell'origine. La conoscenza della funzione di autocorrelazione fornisce interessanti informazioni riguardo l'andamento del segnale nel dominio del tempo. A tal fine si consideri, per semplicitร , un segnale reale e si prenda in esame il seguente integrale:
CAPITOLO - 7 - Caratterizzazione Energetica dei Segnali -
151
โ
๐ 2 (๐) = โซ [๐ (๐ก) โ ๐ (๐ก + ๐)]2 ๐๐ก โโ
(7.2.9)
che rappresenta il quadrato della distanza euclidea fra il segnale ๐ (๐ก) e la sua versione anticipata di ๐. ร ovvio che, se ๐ (๐ก) varia molto lentamente nel tempo, l'integrando si manterrร piccolo, almeno per valori di ๐ non troppo elevati. Viceversa, Fig. 7.1 โ autocorrelazioni dei segnali: ci si dovrebbero attendere valo๐) cos(2ฯt)โ(2t3); ๐) cos(10๐๐ก)โ(2๐ก3). ri elevati di [๐ (๐ก) โ ๐ (๐ก + ๐)]2 , quando il segnale varia rapidamente nel tempo. Sviluppando la (7.2.9) si ha: ๐ 2 (๐) โ
โ
โ
โโ
โโ
โโ
= โซ ๐ 2 (๐ก)๐๐ก โ 2 โซ ๐ (๐ก)๐ (๐ก + ๐)๐๐ก + โซ ๐ 2 (๐ก + ๐)๐๐ก
(7.2.10)
che, utilizzando la funzione di autocorrelazione si puรฒ riscrivere: ๐ 2 (๐) = 2[๐พ(0) โ ๐พ(๐)]
(7.2.11)
Si puรฒ quindi concludere che, tanto piรน rapide sono le variazioni del segnale nel tempo, tanto piรน rapidamente decresce la funzione di autocorrelazione e viceversa. Osservando la Fig. 7.1, ad esempio, si nota che la curva a) rappresenta l'autocorrelazione di un segnale che varia nel tempo piรน lentamente del segnale cui รจ associata l'autocorrelazione rappresentata dalla curva b). Esempio 7.4 La funzione di autocorrelazione della derivata di un segnale รจ data dalla: โ
โ
๐พ๐ โฒ๐ โฒ (๐) = โซ ๐ โฒ (๐ก + ๐)๐ โฒ (๐ก)๐๐ก โโ
Essa puรฒ essere messa in relazione con la funzione di autocorrelazione di ๐ (๐ก): โ
๐พ๐ ๐ (๐) = โซ ๐ (๐ก + ๐)๐ โ (๐ก)๐๐ก โโ
152
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
Derivando una prima volta ๐พ๐ ๐ (๐) rispetto a ๐ si ottiene: โ ๐๐พ๐ ๐ (๐) = โซ ๐ โฒ (๐ก + ๐)๐ โ (๐ก)๐๐ก ๐๐ โโ
che, con un opportuno cambiamento di variabili, puรฒ essere scritta nella forma: โ ๐๐พ๐ ๐ (๐) = โซ ๐ โฒ (๐ฅ)๐ โ (๐ฅ โ ๐)๐๐ฅ ๐๐ โโ
Derivando una seconda volta rispetto a ๐ si ha: โ โ ๐2 ๐พ๐ ๐ (๐) โ โ = โ โซ ๐ โฒ (๐ฅ โ ๐)๐ โฒ (๐ฅ)๐๐ฅ = โ โซ ๐ โฒ (๐ก)๐ โฒ (๐ก + ๐)๐๐ 2 ๐๐ โโ โโ
che fornisce: ๐พ๐ โฒ๐ โฒ (๐) = โ
๐2 ๐พ๐ ๐ (๐) ๐๐ 2
7.3 - Teorema di Wiener-Khinchine. Si consideri la trasformata della funzione di autocorrelazione: โ
๐[๐พ(๐)] = โซ ๐พ(๐)๐ โ๐2๐๐๐ ๐๐ โโ
(7.3.1)
che, tenendo conto della (7.2.1), diventa: โ
โ
โโ
โโ
๐[๐พ(๐)] = โซ ๐ โ๐2๐๐๐ (โซ ๐ โ (๐ก)๐ (๐ก + ๐)๐๐ก) ๐๐
(7.3.2)
Invertendo lโordine dโintegrazione si ottiene: โ
โ
โโ
โโ
๐[๐พ(๐)] = โซ ๐ โ (๐ก) (โซ ๐ (๐ก + ๐)๐ โ๐2๐๐๐ ๐๐) ๐๐ก
(7.3.3)
la quale, denotando con ๐(๐) la trasformata di Fourier del segnale puรฒ essere scritta nella forma: โ
๐[๐พ(๐)] = ๐(๐) โซ ๐ โ (๐ก)๐ ๐2๐๐๐ก ๐๐ก = ๐(๐) โ
๐ โ (๐) โโ
(7.3.4)
Tenendo infine conto della (7.1.4), si ha: ๐[๐พ(๐)] = ๐(๐)
che รจ lโespressione formale del Teorema di Wiener-Khinchine.
(7.3.5)
CAPITOLO - 7 - Caratterizzazione Energetica dei Segnali -
153
7.4 - Funzioni di mutua correlazione. Siano ๐1 e ๐2 due segnali ad energia finita. A essi si possono associare le seguenti funzioni generalmente complesse: โ
๐พ12 (๐) = โซ ๐ 1 (๐ก + ๐)๐ 2โ (๐ก)๐๐ก ; โโ
(7.4.1)
โ
๐พ21 (๐) = โซ ๐ 2 (๐ก + ๐)๐ 1โ (๐ก)๐๐ก ; โโ
che sono dette correlazioni mutue o incrociate. Si noti che ๐พ12 (๐) e ๐พ21 (๐) soddisfano la seguente relazione: โ ๐พ12 (๐) = ๐พ21 (โ๐)
(7.4.2)
come si dimostra facilmente effettuando nella (7.4.1) la trasformazione ๐ก + ๐ = ๐ฅ . Si ha infatti: โ
โ
โโ
โโ
๐พ12 (๐) = โซ ๐ 1 (๐ฅ)๐ 2โ (๐ฅ โ ๐)๐๐ฅ = (โซ ๐ 2 (๐ฅ โ ๐)๐ 1โ (๐ฅ)๐๐ฅ )
โ
(7.4.3)
che dร luogo alla (7.4.2) ove si tenga presente la definizione (7.4.1). Se i segnali sono reali le funzioni ๐พ12 (๐) e ๐พ21 (๐) sono anch'esse reali e la condizione (7.4.2) si semplifica nella: ๐พ12 (๐) = ๐พ21 (โ๐)
(7.4.4)
Ponendo nella (7.4.1) ๐ = 0 si ottiene: โ
๐พ12 (0) = โซ ๐ 1 (๐ก)๐ 2โ (๐ก)๐๐ก = ๐ธ12 ; โโ โ
๐พ21 (0) = โซ ๐ 2 (๐ก)๐ 1โ (๐ก)๐๐ก = ๐ธ21 ;
(7.4.5)
โโ
cioรจ i valori assunti nel punto ๐ = 0 dalle due funzioni di mutua correlazione coincidono con le corrispondenti energie incrociate. Applicando la disuguaglianza di Schwarz alle (7.4.1) si deduce: |๐พ12 (๐)|2 โค ๐พ1 (0) โ
๐พ2 (0) = ๐ธ1 โ
๐ธ2 ; |๐พ21 (๐)|2 โค ๐พ1 (0) โ
๐พ2 (0) = ๐ธ1 โ
๐ธ2 ;
(7.4.6)
dove ๐ธ1 e ๐ธ2 denotano le energie specifiche associate rispettivamente ai segnali ๐1 e ๐2 . Se risulta:
154
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
๐พ12 (๐) = ๐พ21 (๐) = 0
(7.4.7)
i due segnali si dicono incorrelati. Ponendo nella (7.4.3), ๐ = 0 si ottiene: โ
โซ ๐ 1 (๐ก)๐ 2โ (๐ก)๐๐ก = 0
(7.4.8)
โโ
che corrisponde alla condizione di ortogonalitร tra i due segnali. Ciรฒ significa che se due segnali sono incorrelati sono anche ortogonali; il viceversa in genere non vale. La condizione dโincorrelazione pertanto รจ piรน forte di quella di ortogonalitร . ร facile infine riconoscere che con procedimento analogo a quello seguito per dedurre la (7.3.5) si ottengono le: ๐[๐พ12 (๐)] = ๐12 (๐); โโโ โโ๐[๐พ21 (๐)] = ๐21 (๐);
(7.4.9)
che costituiscono una naturale estensione del teorema di WienerKhinchine al caso delle funzioni di mutua correlazione. Esempio 7.5 La funzione di correlazione incrociata ๐พ12 (๐) per i segnali โ
๐ก
๐ 1 (๐ก) = u(๐ก)๐ ๐0 ๐ก ๐ 2 (๐ก) = โ ( ) ; ๐0
Fig.E 7.2
vale: ๐พ12 (๐) = โซ
โ
โโ
๐ก
๐ก+๐
๐0 2
๐ก+๐
โ (๐ ) u(๐ก + ๐)๐ โ ๐0 ๐๐ก = โซ ๐0 u(๐ก + ๐)๐ โ ๐0 ๐๐ก 0
๐0 2
โ
2
๐0
๐ก ๐ โ๐ ๐0 โ ๐ 2 โ ๐ก โ = โ ( ) ๐ ๐0 โซ ๐ ๐0 ๐๐ก + u (๐ โ ) ๐ ๐0 โซ ๐ ๐0 ๐๐ก ๐ ๐0 2 โ๐ โ 0 2
= ๐0 ๐
๐ โ ๐0
[(๐
๐ ๐0
1 1 ๐ ๐ 1 โ ๐ ) โ ( ) + (๐ 2 โ ๐ โ2 ) u ( โ )] ๐0 ๐0 2 1 โ 2
il cui andamento in funzione di ๐โ๐0 รจ riportato in Fig.E 7.2 In maniera analoga si ha (vedi Fig.E 7.2): ๐ โ๐ 1 1 1 ๐ โ๐ 1 ๐พ21 (๐) = ๐พ12 (โ๐) = ๐0 ๐ ๐0 [(๐ ๐0 โ ๐ โ2 ) โ ( ) + (๐ 2 โ ๐ โ2 ) u ( + )] ๐0 ๐0 2
CAPITOLO - 7 - Caratterizzazione Energetica dei Segnali -
155
Segnali a potenza finita 7.5 - Densitร spettrale di potenza. ร noto che se un segnale รจ a potenza finita, la quantitร : ๐
1 2 ๐ = lim โซ |๐ (๐ก)|2 ๐๐ก ๐โโ ๐ โ๐
(7.5.1)
2
รจ positiva e limitata. Introducendo il segnale troncato ๐ ๐ (๐ก) la (7.5.1) diventa: 1 โ โซ |๐ ๐ (๐ก)|2 ๐๐ก ๐โโ ๐ โโ
๐ = lim
(7.5.2)
Per un fissato valore di ๐ il segnale ๐ ๐ (๐ก) รจ ad energia finita; pertanto, detta ๐๐ (๐) la sua trasformata di Fourier, utilizzando il teorema di Parseval, si puรฒ scrivere: ๐
โ
โ
โ๐
โโ
โโ
โซ |๐ (๐ก)|2 ๐๐ก = โซ |๐ ๐ (๐ก)|2 ๐๐ก = โซ |๐๐ (๐)|2 ๐๐
(7.5.3)
Di conseguenza la potenza specifica ๐ puรฒ essere posta nella forma: โ 1 โ |๐๐ (๐)|2 โซ |๐๐ (๐)|2 ๐๐ = โซ lim ๐๐ ๐โโ ๐ โโ ๐ โโ ๐โโ
๐ = lim
(7.5.4)
Risulta quindi immediato associare al segnale ๐ (๐ก) la seguente espressione per la densitร spettrale di potenza10 |๐๐ (๐)|2 ๐โโ ๐
๐(๐) = lim
(7.5.5)
La potenza specifica del segnale cosรฌ diventa: โ
๐ = โซ ๐(๐)๐๐ โโ
10
(7.5.6)
Si osservi che il simbolo adottato per la densitร spettrale di potenza รจ lo stesso di quello adoperato per la densitร spettrale di energia. Al fine di non incorrere in spiacevoli equivoci รจ necessario pertanto precisare la classe di segnali (ad energia finita o a potenza finita) che via via si prendono in considerazione. Le stesse precauzioni si dovranno prendere a proposito delle funzioni di correlazione piรน avanti definite.
156
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
Analogamente alla densitร spettrale di energia introdotta nel ยง 7.1 - , la densitร spettrale di potenza รจ una funzione reale e non negativa della variabile ๐. Nel caso in cui ๐ (๐ก) sia reale รจ manifestamente: ๐(โ๐) = ๐(๐)
(7.5.7)
La densitร spettrale di potenza associata ad un segnale reale รจ quindi una funzione reale, non negativa e pari della frequenza. Se ๐ 1 (๐ก) e ๐ 2 (๐ก) denotano due segnali a potenza finita le loro potenze specifiche mutue o potenze specifiche incrociate sono: ๐
๐12 ๐21
1 2 = lim โซ ๐ 1 (๐ก)๐ 2โ (๐ก)๐๐ก ; ๐โโ ๐ โ๐ 2 ๐ 2
(7.5.8)
1 = lim โซ ๐ 2 (๐ก)๐ 1โ (๐ก)๐๐ก. ๐โโ ๐ โ๐ 2
Le quantitร ๐12 e ๐21 sono, in generale, complesse. Esse inoltre obbediscono alla condizione: โ ๐12 = ๐21
(7.5.9)
Applicando la disuguaglianza di Schwarz si ottiene: ๐ 2
2
๐ 2
๐ 2
|โซ ๐ 1 (๐ก)๐ 2โ ๐๐ก| โค โซ |๐ 1 (๐ก)|2 ๐๐ก โซ |๐ 2 (๐ก)|2 ๐๐ก ; ๐ 2
โ
๐ 2
โ
2
|โซ ๐ 1โ (๐ก)๐ 2 ๐๐ก| ๐ โ 2
๐ 2
๐ 2
โ
2
๐ 2
๐ 2
(7.5.10) 2
โค โซ |๐ 1 (๐ก)| ๐๐ก โซ |๐ 2 (๐ก)| ๐๐ก ; โ
๐ 2
โ
๐ 2
dalla quale, tenendo conto delle (7.5.8), discende: |๐12 | โค โ๐1 โ๐2 ; โโโโโโโโ|๐21 | โค โ๐1 โ๐2
(7.5.11)
dove ๐1 e ๐2 sono le potenze specifiche associate a ๐ 1 (๐ก) e ๐ 2 (๐ก). Due segnali a potenza finita si dicono ortogonali se risulta: ๐12 = ๐21 = 0
(7.5.12)
Indicando con ๐ 1๐ (๐ก) e ๐ 2๐ (๐ก) i segnali troncati associati a ๐ 1 (๐ก) e ๐ 2 (๐ก) rispettivamente รจ facile riconoscere che le potenze mutue si possono porre nella forma seguente:
CAPITOLO - 7 - Caratterizzazione Energetica dei Segnali -
157
โ (๐)๐ (๐) ๐1๐ 2๐ ๐๐ ; ๐โโ ๐ โโ โ
๐12 = โซ
lim
โ ๐1๐ (๐)๐2๐ (๐) ๐๐ ; ๐ โโ ๐โโ โ
๐21 = โซ
(7.5.13)
lim
avendo denotato con ๐1๐ (๐) e ๐2๐ (๐) le trasformate di Fourier di ๐ 1๐ (๐ก) e ๐ 2๐ (๐ก) rispettivamente. Dalle espressioni di ๐12 e ๐21 si deducono le seguenti definizioni per le densitร spettrali di potenza mutue (o incrociate): โ (๐) ๐1๐ (๐)๐2๐ ; ๐โโ ๐ โ ๐2๐ (๐)๐1๐ (๐) ๐21 (๐) = lim ; ๐โโ ๐
๐12 (๐) = lim
(7.5.14)
Si ha: โ
๐12 = โซ ๐12 (๐)๐๐; โโ โ
๐21 = โซ ๐21 (๐)๐๐ ;
(7.5.15)
โโ
Per ๐12 (๐) e ๐21 (๐), si ha: โ ๐12 (๐) = ๐21 (๐)
(7.5.16)
Esempio 7.6 Il segnale: ๐
๐ (๐ก) = โ ๐๐ cos(2๐๐๐ ๐ก) ๐=1
รจ un segnale a potenza finita. Infatti essendo: ๐ 2 (๐ก) ๐
= โ ๐๐ ๐๐ cos(2๐๐๐ ๐ก) cos(2๐๐๐ ๐ก) ๐,๐=1 ๐
= โ ๐๐2 cos2 (2๐๐๐ ๐ก) + ๐=1
risulta:
๐
1 โ ๐๐ ๐๐ [cos(2๐(๐๐ โ ๐๐ )๐ก) + cos(2๐(๐๐ + ๐๐ )๐ก)] 2 ๐,๐=1 ๐โ ๐
158
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
๐ ๐
๐ 1 โ ๐๐ ๐๐ โซ [cos(2๐(๐๐ โ ๐๐ )๐ก) + cos(2๐(๐๐ + ๐๐ )๐ก)]๐๐ก ๐โโ 2๐ โ๐ ๐,๐=1 [ โ๐โ ๐
= lim
๐
๐
+ โ ๐๐2 โซ (cos(4๐๐๐ ๐ก) + 1)๐๐ก โ๐
๐=1
]
๐
=
๐
๐
sin(๐(๐๐ โ ๐๐ )๐) sin(๐(๐๐ + ๐๐ )๐) 1 sin(2๐๐๐ ๐) lim โ ๐๐ ๐๐ [ + + โ ๐๐2 ] + โ ๐๐2 2 ๐โโ 2๐๐๐ ๐ ๐(๐ โ ๐ ๐(๐ + ๐ )๐ )๐ ๐ ๐ ๐ ๐ ๐,๐=1 ๐=1 ๐=1 { โ๐โ ๐ } ๐
= โ ๐๐2 ๐=1
7.6 - Funzioni di correlazione. La funzione di autocorrelazione di un segnale ๐ (๐ก) a potenza finita รจ definita dalla: ๐
1 2 โซ ๐ (๐ก + ๐)๐ โ (๐ก)๐๐ก ๐โโ ๐ โ๐
๐พ(๐) = lim
(7.6.1)
2
Essa รจ una funzione, in generale complessa, della quantitร ๐; รจ reale nel caso di segnali reali. Nel punto ๐ = 0 la ๐พ(๐) vale: ๐
1 2 ๐พ(0) = lim โซ ๐ (๐ก)๐ โ (๐ก)๐๐ก ๐โโ ๐ โ๐
(7.6.2)
2
ed รจ quindi uguale alla potenza specifica del segnale. Ponendo nella (7.6.1) ๐ โ โ๐ e successivamente ๐ก โ ๐ = ๐ si ottiene: ๐
๐พ(โ๐) =
1 2 lim โซ ๐ (๐ก ๐โโ ๐ โ๐
๐
โ ๐)๐ โ (๐ก)๐๐ก
2
=
โ๐ 1 2 lim ๐ โซ ๐ (๐)๐ โ (๐ ๐ ๐โโ โ โ๐
+ ๐)๐๐
2
๐
=
1 2 lim โซ ๐ (๐)๐ โ (๐ + ๐)๐๐ ๐โโ ๐ โ๐ 2 1
๐ โ2
(7.6.3) ๐ โ๐ 2
+ lim ๐ (โซ ๐ ๐ (๐)๐ โ (๐ + ๐)๐๐ + โซ๐ ๐โโ
=
๐พโ (๐)
โ2โ๐
2
๐ (๐)๐ โ (๐ + ๐)๐๐)
CAPITOLO - 7 - Caratterizzazione Energetica dei Segnali -
159
dove si รจ tenuto conto del fatto che, per ogni valore di ๐, gli integrali che compaiono nel secondo limite al penultimo membro sono certamente finiti. In conclusione si puรฒ affermare che la funzione di autocorrelazione di un segnale a potenza finita รจ a simmetria hermitiana. Per segnali reali la (7.6.3) si riduce alla: ๐พ(๐) = ๐พ(โ๐)
(7.6.4)
In virtรน della disuguaglianza di Schwarz, si puรฒ infine scrivere: |๐พ(๐)| โค ๐พ(0) = ๐
(7.6.5)
Per segnali reali, quindi, la funzione ๐พ(๐)raggiunge in ๐ = 0 un massimo assoluto. Detta ๐พ๐ (๐) la funzione di autocorrelazione del segnale troncato, si ha (vedi Fig. 7.2): โ
๐พ๐ (๐) = โซ ๐ ๐โ (๐ก)๐ ๐ (๐ก + ๐)๐๐ก โโ
= u(โ๐) โซ
๐ 2 ๐ 2
๐ โ (๐ก)๐ (๐ก
+ ๐)๐๐ก + u(๐) โซ
โ โ๐
๐ โ๐ 2 ๐ 2
(7.6.6) ๐ โ (๐ก)๐ (๐ก + ๐)๐๐ก
โ
Considerazioni analoghe a quelle che hanno condotto alla (7.6.3) consentono di scrivere: ๐พ(๐) = lim
๐โโ
๐พ๐ (๐) ๐
(7.6.7)
Si osservi adesso che poichรฉ ๐ ๐ (๐ก) รจ ad energia fiFig. 7.2 - Segnale troncato e sue traslazioni. nita, per esso vale il teorema di WienerKhinchine per cui, detta ๐๐ (๐) la sua trasformata di Fourier, si ha: ๐[๐พ๐ (๐)] = |๐๐ (๐)|2
(7.6.8)
Trasformando ambo i membri della (7.6.7) risulta: |๐๐ (๐)|2 ๐โโ ๐
๐[๐พ(๐)] = lim
(7.6.9)
Dal confronto con la (7.5.5), si deduce quindi: ๐[๐พ(๐)] = ๐(๐)
(7.6.10)
160
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
che estende il teorema di Wiener-Khinchine anche al caso dei segnali a potenza finita. Nel caso di due segnali ๐ 1 (๐ก) e ๐ 2 (๐ก) a potenza finita si possono definire le correlazioni incrociate, o mutue mediante le: ๐
1 2 โซ ๐ 1 (๐ก + ๐)๐ 2โ (๐ก)๐๐ก ๐โโ 2๐ โ๐
๐พ12 (๐) = lim
2 ๐
1 2 ๐พ21 (๐) = lim โซ ๐ 2 (๐ก + ๐)๐ 1โ (๐ก)๐๐ก ๐โโ 2๐ โ๐
(7.6.11)
2
Si verifica facilmente che: โ ๐พ12 (๐) = ๐พ21 (โ๐)
(7.6.12)
e che, dette ๐พ1 (๐) e ๐พ2 (๐), ๐1 e ๐2 le autocorrelazioni e le potenze specifiche associate a ๐ 1 (๐ก) e a ๐ 2 (๐ก) rispettivamente, si ha: |๐พ21 (โ๐)|2 = |๐พ12 (๐)|2 โค ๐พ1 (0) โ
๐พ2 (0) = ๐1 โ
๐2
(7.6.13)
Quando risulta ๐พ12 (๐) = ๐พ21 (๐) = 0 i segnali si dicono incorrelati. Si noti che ponendo ๐ = 0 nella condizione di incorrelazione si ottiene ๐12 = ๐21 = 0; ciรฒ significa che, l'ortogonalitร รจ soltanto una condizione necessaria per la incorrelazione. Procedendo come per il caso della funzione di autocorrelazione, si puรฒ mostrare che valgono le relazioni: ๐[๐พ12 (๐)] = ๐12 (๐) ๐[๐พ21 (๐)] = ๐21 (๐)
(7.6.14)
cioรจ le funzioni di mutua correlazione e le rispettive densitร spettrali costituiscono coppie di trasformate di Fourier. Esempio 7.7 La funzione di autocorrelazione del segnale di cui allโEsempio 7.6 vale: ๐
๐
1 2 โซ cos(2๐๐๐ ๐ก) cos (2๐๐๐ (๐ก + ๐)) ๐๐ก ๐โโ ๐ โ๐
๐พ(๐) = โ ๐๐ ๐๐ lim ๐,๐=1 ๐
= โ ๐,๐=1 ๐โ ๐
2
๐ 2
๐๐ ๐๐ 1 lim โซ {cos [2๐ ((๐๐ + ๐๐ )๐ก + ๐๐ ๐)] + cos[2๐(๐๐ โ ๐๐ )๐ก โ ๐๐ ๐]} ๐๐ก 2 ๐โโ ๐ โ๐ 2
๐
๐
๐=1
2
๐๐2 1 2 +โ lim โซ {cos(2๐๐๐ (2๐ก + ๐)) + cos(2๐๐๐ ๐)}๐๐ก 2 ๐โโ ๐ โ๐
CAPITOLO - 7 - Caratterizzazione Energetica dei Segnali -
161
๐ โ 2
๐
sin [2๐ ((๐๐ + ๐๐ )๐ก + ๐๐ ๐)] ๐๐ ๐๐ lim [ ] 2 ๐โโ 2๐(๐๐ + ๐๐ )๐ ๐,๐=1 ๐ โ { 2 ๐โ ๐
= โ
sin [2๐ ((๐๐ โ ๐๐ )๐ก โ ๐๐ ๐)] +[ ] 2๐(๐๐ โ ๐๐ )๐
๐ 2
โ
๐ 2
โ
} ๐
๐
๐
โ
sin(2๐๐๐ (2๐ก + ๐)) 2 ๐๐2 1 +โ lim {[ ] + cos(2๐๐๐ ๐)} = โ ๐๐2 cos(2๐๐๐ ๐) 2 ๐โโ 4๐๐๐ ๐ 2 ๐ โ ๐=1
๐=1
2
La corrispondente densitร spettrale vale quindi: ๐
๐(๐) = ๐[๐พ(๐)] = โ ๐=1
๐๐2 [๐ฟ(๐ โ ๐๐ ) + ๐ฟ(๐ + ๐๐ )] 4
Esempio 7.8 Sia ๐ (๐ก) un segnale, periodico di periodo ๐0 , che puรฒ essere quindi sviluppato in serie di Fourier: โ
๐ (๐ก) = โ ๐๐ ๐
๐
2๐๐๐ก ๐0
๐=โโ
Esso รจ un segnale a potenza finita e la sua funzione di autocorrelazione puรฒ essere scritta nella forma: ๐
โ
โ
๐=โโ
๐=โโ
2๐๐๐ก 2๐๐(๐ก+๐) 1 2 โ๐ ๐ โซ ( โ ๐๐โ ๐ ๐0 โ ๐๐ ๐ ๐0 ) ๐๐ก ๐โโ ๐ โ๐
๐พ(๐) = lim
2
โ
=
๐๐โ ๐๐ ๐ ๐
โ
2๐๐๐ ๐
๐,๐=โโ
๐๐โ ๐๐ ๐ ๐
2๐๐๐ ๐
โ ๐
๐
โ
+
โ ๐,๐=โโ ๐โ ๐
๐=โโ
= โ |๐๐ |2 ๐
2๐(๐โ๐)๐ก 1 ๐ โซ ๐ ๐0 ๐๐ก ๐โโ ๐ โ๐
lim
2
โ
= โ
๐ 2
๐๐โ ๐๐ ๐ ๐
2๐๐๐ ๐
lim
sin [๐(๐ โ ๐) ]
๐โโ
๐(๐ โ ๐)
๐
๐0
๐0
2๐๐๐ ๐0
๐=โโ
La funzione di autocorrelazione รจ dunque una funzione periodica di periodo ๐0 ed il generico coefficiente del suo sviluppo in serie di Fourier vale: ๐ค๐ = |๐๐ |2
162
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
Si osservi che l'integrale che compare nel calcolo dell'autocorrelazione, puรฒ essere espresso anche utilizzando la funzione sinc(โ
). Si puรฒ infatti scrivere: ๐
1 2 ๐2๐(๐โ๐)๐ก ๐ โซ ๐ ๐0 ๐๐ก = sinc ((๐ โ ๐) ) ๐ โ๐ ๐0 2
ร evidente che la precedente รจ valida anche se l'argomento dell'esponenziale รจ identicamente nullo, non si rende quindi necessaria la distinzione tra i casi ๐ = ๐, ๐ โ ๐.
CAPITOLO - 8 CARATTERISTICHE E PROPRIETร DEI SEGNALI 8.1 - Segnale analitico. Trasformata di Hilbert. In alcune applicazioni della teoria della modulazione, come pure nello studio della risposta dei filtri passabanda, รจ opportuno caratterizzare i segnali reali fornendo una rappresentazione che generalizza quella che usualmente si adotta per lo studio dei circuiti in regime sinusoidale. Tale generalizzazione si basa sul concetto di segnale analitico. Si consideri un segnale reale Fig. 8.1 - a) Modulo della trasformata di ๐ (๐ก); b) modulo dellatrasformata del se๐ (๐ก) la cui trasformata di Fourier gnale analitico ๐ง(๐ก) ad esso associato. ๐(๐) รจ rappresentata in Fig. 8.1. Alla ๐(๐) si puรฒ associare una funzione ๐(๐): ๐(๐) = ๐(๐)[1 + sgm(๐)]
(8.1.1)
come รจ mostrato nella stessa Fig. 8.1. Tale funzione รจ manifestamente unilatera giacchรฉ essa รจ identicamente nulla per ๐ < 0; pertanto la sua antitrasformata ๐ง(๐ก) รจ una funzione complessa poichรฉ la ๐(๐) non รจ a simmetria hermitiana. L'antitrasformata di ๐(๐) si puรฒ effettuare facilmente applicando il teorema della convoluzione nel dominio del tempo e osservando che lโespressione dellโantitrasformata della funzione sgm(๐) risulta, per la proprietร di simmetria: ๐-1 [sgm(๐)] = โPf (
1 1 ) = ๐Pf ( ) ๐๐๐ก ๐๐ก
(8.1.2)
Si ottiene cosรฌ: 1 ๐ง(๐ก) = ๐ (๐ก) โ (๐ฟ(๐ก) + ๐Pf ( )) ๐๐ก
che, ponendo:
(8.1.3)
164
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
sฬ(๐ก) =
โ 1 ๐ (๐) VP โซ ๐๐ ๐ โโ ๐ก โ ๐
(8.1.4)
si puรฒ riscrivere: ๐ง(๐ก) = ๐ (๐ก) + ๐๐ ฬ (๐ก)
(8.1.5)
Dalla (8.1.4) si deduce che sฬ(๐ก) รจ ottenuta dalla convoluzione tra 1
๐ (๐ก) e la pseudofunzione Pf (๐๐ก) cioรจ: 1 ๐ ฬ (๐ก) = ๐ (๐ก) โ Pf ( ) ๐๐ก
(8.1.6)
che trasformata secondo Fourier dร luogo alla: ๐ฬ(๐) = ๐[๐ ฬ (๐ก)] = โ๐๐(๐)sgm(๐)
(8.1.7)
quindi: ๐(๐) =
๐ฬ(๐) = ๐๐ฬ(๐)sgm(๐) โ๐sgm(๐)
(8.1.8)
da cui antitrasformando: โ 1 ๐ ฬ (๐) ๐ (๐ก) = โ VP โซ ๐๐ ๐ ๐ก โโ โ ๐
(8.1.9)
Le trasformazioni (8.1.4) (8.1.9) vengono dette rispettivamente trasformata e antitrasformata di Hilbert. Esse si denotano con i simboli: โ[โ],
โ โ1 [โ]
(8.1.10)
Il segnale complesso ๐ง(๐ก), definito dalla (8.1.5), prende il nome di segnale analitico associato a ๐ (๐ก); la ragione di questa denominazione sta nel fatto che se una funzione complessa ๐(๐ค), di variabile complessa ๐ค = ๐ข + ๐๐ฃ, รจ analitica su tutto il semipiano superiore (๐ข > 0), la parte reale ed il coefficiente della parte immaginaria di ๐(๐ค) costituiscono una coppia di trasformate di Hilbert e viceversa. Osserviamo inoltre che se ๐ (๐ก) rappresenta un segnale ๐ ad energia finita, tale รจ anche la sua trasformata di Hilbert e risulta: โ โฉ๐, ๐ฬโช=โฉ๐บ, ฬ ๐บโช = โซโโ ๐(๐)๐ฬ โ (๐) ๐๐ = โ
๐ โซโโ ๐(๐) ๐ โ (๐)sgm(๐)๐๐ = 0
(8.1.11)
CAPITOLO - 8 - Caratteristiche e Proprietร dei Segnali -
165
Il risultato รจ zero in quanto essendo il segnale reale la funzione integranda รจ dispari. Possiamo quindi affermare che un segnale ๐ e quello associato alla trasformata di Hilbert di una funzione che lo rappresenta sono ortogonali.
Fig.E 8.1
Esempio 8.1 Applicando la definizione (8.1.4) al rettangolo unitario di durata โ
โ (๐๐ )
T 2
โ๐
2
2
T si ha: ๐
๐ก 1 1 ๐๐ 1 ๐๐ 2 ๐๐ โ [โ ( )] = VP โซ ๐๐ = VP โซ = lim (โซ +โซ ) T ๐ก โ๐ ๐ ๐ก โ ๐ ๐โ0 ๐ ๐ ๐ก โ ๐ ๐ ๐ โโ โ ๐ ๐กโ๐ ๐
=
๐ก+ 1 ๐ ๐ 1 2 lim (log |๐ก + | โ log|๐ก + ๐| + log |๐ก โ ๐| โ log |๐ก โ |) = log | ๐| ๐โ0 ๐ 2 2 ๐ ๐กโ 2
๐ก
Il segnale โ ( ) e la sua trasformata di Hil๐
bert sono mostrati in Fig.E 8.1. ๐ก
Il segnale analitico associato a โ ( ) vale ๐
quindi: ๐
๐ก+ ๐ก 1 2 ๐ง(๐ก) = โ ( ) + ๐ log | ๐| ๐ ๐ ๐กโ 2
la cui rappresentazione nel piano complesso รจ riportata in Fig.E 8.2. Esempio 8.2 Determinare la trasformata di Hilbert del segnale ๐ ยฑ๐2๐๐0๐ก . Poichรฉ si ha: ๐[๐ ยฑ๐2๐๐0๐ก ] = ๐ฟ(๐ โ ๐0 )
รจ per la (8.1.7) ๐[โ[๐ ยฑ๐2๐๐0 ๐ก ]] = โ๐๐ฟ(๐ โ ๐0 )sgm(๐)
Fig.E 8.2
166
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
da cui antitrasformando: โ
โ[๐ ยฑ๐2๐๐0๐ก ] = โ๐ โซ ๐ฟ(๐ โ ๐0 )sgm(๐)๐ ๐2๐๐๐ก ๐๐ = โ๐sgm(ยฑ๐0 )๐ ยฑ๐2๐๐0 ๐ก โโ
cioรจ: โ[๐ ยฑ๐2๐๐0 ๐ก ] = โ๐๐ ยฑ๐2๐๐0 ๐ก
In particolare si deduce, eguagliando le parti reali e i coefficienti delle parti immaginarie: โ[cos(2๐๐0 ๐ก)] = sin(2๐๐0 ๐ก) โ[sin(2๐๐0 ๐ก)] = โ cos(2๐๐0 ๐ก)
Esempio 8.3 Determinare il segnale analitico associato al segnale ๐ rappresentabile mediante la funzione: ๐ (๐ก) =
1 ๐ก2 + ๐2
Potendosi scrivere: 1 ๐ 1 1 = [ โ ] ๐ก 2 + ๐ 2 2๐ ๐ก + ๐๐ ๐ก โ ๐๐
la trasformata di Fourier del segnale ๐ vale: ๐(๐) =
๐ 1 1 {๐ [ ] โ๐[ ]} 2๐ ๐ก + ๐๐ ๐ก โ ๐๐
Ricordando l' Esempio 4.2, applicando la proprietร di simmetria si ottiene: ๐[
1 ] = u(โ๐)๐ ๐ผ๐ ๐ผ + ๐2๐๐ก
quindi: 1 1 ๐[ ] = ๐2๐๐ [ ] ๐ก โ ๐๐ 2๐๐ + ๐2๐๐ก = ๐2๐u(โ๐)๐ 2๐๐๐
Applicando ora la proprietร della coniugazione nel dominio del tempo si ha poi:
Fig.E 8.3
1 ๐[ ] = โ๐2๐ u(๐)๐ โ2๐๐๐ ๐ก + ๐๐
Di conseguenza ๐(๐) diviene: ๐(๐) =
๐ ๐ (โ๐2๐u(๐)๐ โ2๐๐๐ โ ๐2๐u(โ๐)๐ 2๐๐๐ ) = ๐ โ2๐๐|๐| 2๐ ๐
CAPITOLO - 8 - Caratteristiche e Proprietร dei Segnali -
167
Il segnale analitico ๐ง(๐ก) associato a ๐ (๐ก) vale dunque: โ
๐ง(๐ก) = 2 โซ 0
โ
๐ โ2๐๐|๐| ๐2๐๐๐ก 2๐ ๐ โ2๐๐(๐โ๐๐ก) 1 ๐ ๐ ๐๐ = [ ] = ๐ ๐ โ2๐(๐๐๐ก) 0 ๐(๐ โ ๐๐ก)
o anche: ๐ง(๐ก) =
1 ๐ก +๐ ๐ก2 + ๐2 ๐(๐ก 2 + ๐ 2 )
Il suo modulo vale: ๐(๐ก) =
ed il suo argomento:
1 1 ๐ โ๐ก 2 + ๐ 2
๐ก ๐(๐ก) = arctg ( ) ๐
Nel piano complesso (Re[๐ง], Im[๐ง]) lโestremo del vettore ๐ง(๐ก) descrive il luogo individuato dallโequazione: ๐ 2 (๐ฅ 2 + ๐ฆ 2 ) = ๐ฅ
che รจ una circonferenza di centro ๐ถ โก (
1 2๐2
, 0) e raggio ๐
=
1 ๐2
come รจ indi-
cato nella Fig. E.VII.3.
8.2 - Componenti del segnale a frequenze positive e negative. Nellโanalisi dei segnali reali risulta talvolta utile introdurre le quantitร ๐+ (๐) e ๐โ (๐) definite dalle: ๐+ (๐) = ๐(๐)u(๐)
(8.2.1)
๐โ (๐) = ๐(๐)u(โ๐)
(8.2.2)
e che individuano il contenuto di frequenze positive e negative di un segnale ๐ (๐ก) il cui spettro รจ stato denotato con ๐(๐). Alle quantitร ๐+ (๐) e ๐โ (๐), sopra definite, si possono associare due segnali complessi ๐ + (๐ก) e ๐ โ (๐ก) ottenuti per mezzo delle seguenti antitrasformate: ๐ + (๐ก) = ๐โ1 [๐+ (๐)];
๐ โ (๐ก) = ๐[๐โ (๐)]
(8.2.3)
denominati componenti a frequenze positive e negative del segnale. Poichรฉ risulta manifestamente:
168
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
๐(๐) = ๐+ (๐) + ๐โ (๐)
(8.2.4)
๐ (๐ก) = ๐ + (๐ก) + ๐ โ (๐ก)
(8.2.5)
si ha: Tenendo conto della (8.2.4), la trasformata di Fourier di ๐ ฬ (๐ก) vale: ๐ฬ(๐) = โ๐sgm(๐) โ
[๐+ (๐) + ๐โ (๐)] = โ๐๐+ (๐) + ๐๐โ (๐)
(8.2.6)
da cui antitrasformando: ๐ ฬ (๐ก) = โ๐[๐ + (๐ก) โ ๐ โ (๐ก)]
(8.2.7)
che permette di esprimere la trasformata di Hilbert di un segnale in termini delle sue componenti a frequenze positive e negative. Invertendo le (8.2.5) e (8.2.7) si ottiene infine: ๐ + (๐ก) =
1 [๐ (๐ก) + ๐๐ ฬ (๐ก)], 2
1 ๐ โ (๐ก) = [๐ (๐ก) โ ๐๐ ฬ (๐ก)] 2
(8.2.8)
8.3 - Segnali a banda e durata rigorosamente limitata. Un segnale ๐ (๐ก) si dice a banda rigorosamente limitata quando la sua trasformata di Fourier soddisfa la condizione: โ ๐ โฒ , ๐ โณ (0 โค ๐ โฒ < ๐ โณ < โ) | ๐(๐) = 0 โ ๐| |๐| โ [๐ โฒ , ๐ โณ ]
(8.3.1)
Detti ๐1 l'estremo superiore dell'insieme {๐ โฒ } ed ๐2 l'estremo inferiore dell'insieme {๐ โณ }, la quantitร : ๐ต = ๐2 โ ๐1
(8.3.2)
esprime lโampiezza di banda del segnale e le frequenze ๐1 e ๐2 vengono rispettivamente dette frequenza di taglio inferiore e superiore (vedi Fig. 8.2). Se per un segnale ๐ (๐ก) a banda rigorosamente limitata risulta ๐1 = 0 il Fig. 8.2 โ Segnale a banda rigorosegnale si dice passabasso, altrimenti si samente limitata parla di segnale passabanda. Un segnale ๐ (๐ก) si dice a durata rigorosamente limitata quando รจ soddisfatta la condizione: โ ๐ก โฒ โ ๐ก โณ | ๐ (๐ก) = 0 โ ๐ก โ [๐ก โฒ , ๐ก โณ ]
(8.3.3)
CAPITOLO - 8 - Caratteristiche e Proprietร dei Segnali -
169
La misura dell'intersezione tra tutti gli intervalli [๐ก โฒ , ๐ก โณ ] che verificano la (8.3.3) definisce la durata ๐ del segnale. Con riferimento alla Fig. 8.2 si puรฒ osservare che, se ๐(๐) denota la trasformata di Fourier di un segnale a banda rigorosamente limitata, si puรฒ scrivere: ๐ โ ๐0 ๐ + ๐0 ๐(๐) = ๐(๐)โ ( ) + ๐(๐)โ ( ) ๐ต ๐ต
(8.3.4)
avendo denotato con ๐0 il valore della frequenza di centro banda: ๐0 =
๐1 + ๐2 2
(8.3.5)
Antitrasformando la (8.3.4), essendo: ๐ ยฑ ๐0 ๐โ1 [โ ( )] = ๐ตsinc(๐ต๐ก)๐ โ๐2๐๐0 ๐ก ๐ต
(8.3.6)
si ottiene facilmente l'identitร : ๐ (๐ก) = ๐ (๐ก) โ ๐ต(sinc(๐ต๐ก)๐ ๐2๐๐0 ๐ก + sinc(๐ต๐ก)๐ โ๐2๐๐0 ๐ก )
(8.3.7)
dalla quale si deduce che il segnale ๐ (๐ก) non puรฒ avere durata limitata giacchรฉ esso si puรฒ esprimere mediante una convoluzione in cui uno dei due operandi ha supporto non limitato. Di converso, se ๐ (๐ก) รจ a durata rigorosamente limitata, la sua trasformata si estenderร su tutto lโasse delle frequenze. In altre parole non esistono segnali che siano simultaneamente a banda e a durata rigorosamente limitate. 8.4 - Proprietร dei segnali a banda rigorosamente limitata. Segnali passabasso Se ๐ (๐ก) รจ un segnale passabasso, รจ anche rappresentabile mediante
una funzione continua e derivabile infinite volte (vedi ยง. 5.7 - ). Si ha: ๐ (๐ก) = โซ
๐๐
๐(๐)๐ ๐2๐๐๐ก ๐๐
โ๐๐
(8.4.1)
dove ๐๐ denota la frequenza di taglio. Dalla precedente discende: |๐ (๐ก)| โค โซ
๐๐
โ๐๐
|๐(๐)|๐๐ < โ
(8.4.2)
170
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
Derivando la (8.4.1)rispetto a t si ottiene: ๐๐ ๐๐ (๐ก) = โซ ๐2๐๐ โ
๐(๐)๐ ๐2๐๐๐ก ๐๐ ๐๐ก โ๐๐
(8.4.3)
da cui: |
๐๐ ๐๐ ๐๐ (๐ก) | โค โซ |2๐๐| โ
|๐(๐)|๐๐ โค 2๐๐๐ โซ |๐(๐)|๐๐ ๐๐ก โ๐๐ โ๐๐
(8.4.4)
Procedendo analogamente per la derivata ๐-esima si ottiene la seguente limitazione: |
๐๐ ๐ ๐ ๐ (๐ก) ๐ | โค (2๐๐ ) โซ |๐(๐)|๐๐ ๐ ๐๐ก ๐ โ๐๐
(8.4.5)
cioรจ: il modulo di un segnale passabasso รจ limitato, come pure i moduli di tutte le sue derivate. Tali limiti dipendono dallโampiezza ๐๐ della banda del segnale. Un segnale passabasso, pertanto, ha un andamento regolare nel tempo con variazioni tanto piรน lente quanto piรน piccola รจ la sua frequenza di taglio. Segnali passabanda
Con riferimento alla Fig. 8.2 se ๐ (๐ก) รจ reale, si puรฒ scrivere: ๐ (๐ก) = โซ
โ๐1
๐2
๐(๐)๐ ๐2๐๐๐ก ๐๐ + โซ ๐(๐)๐ ๐2๐๐๐ก ๐๐
โ๐2
๐1
๐2
(8.4.6)
= 2Re [โซ ๐(๐)๐
๐2๐๐๐ก
๐๐ ]
๐1
che con la posizione ๐ = ๐0 + ๐ diventa: ๐ (๐ก) = 2Re [๐
๐2๐๐0 ๐ก
๐ต 2
โซ ๐(๐0 + ๐)๐ ๐2๐๐๐ก ๐๐ ] โ
๐ต 2
(8.4.7)
Definendo il segnale: ๐ต 2
๐ค(๐ก) = 2 โซ ๐(๐0 + ๐)๐ ๐2๐๐๐ก ๐๐ โ
๐ต 2
(8.4.8)
la (8.4.7) si puรฒ riscrivere nella forma: ๐ (๐ก) = Re[๐ค(๐ก)๐ ๐2๐๐0 ๐ก ]
(8.4.9)
CAPITOLO - 8 - Caratteristiche e Proprietร dei Segnali -
171
Il segnale ๐ค(๐ก), definito dalla (8.4.8), รจ in generale complesso a meno che la ๐(๐) non soddisfi la condizione di simmetria: ๐(๐0 โ ๐) = ๐ โ (๐0 + ๐)
(8.4.10)
Indicando con ๐(๐ก) e con ๐(๐ก) il modulo e lโargomento di ๐ค(๐ก): ๐ค(๐ก) = ๐(๐ก)๐ ๐๐(๐ก)
(8.4.11)
dalla (8.4.9) discende: ๐ (๐ก) = ๐(๐ก) cos(2๐๐0 ๐ก + ๐(๐ก)) = ๐ ๐ (๐ก) cos(2๐๐0 ๐ก) โ ๐ ๐ (๐ก) sin(2๐๐0 ๐ก)
(8.4.12)
laddove le quantitร ๐ ๐ (๐ก) e ๐ ๐ (๐ก) definite dalle: ๐ต 2
๐) ๐ ๐ (๐ก) = ๐(๐ก) cos ๐(๐ก) = 2Re [โซ ๐(๐0 + ๐)๐ ๐2๐๐๐ก ๐๐ ] โ
๐ต 2
๐ต 2
(8.4.13)
๐) ๐ ๐ (๐ก) = ๐(๐ก) sin ๐(๐ก) = 2Im [โซ ๐(๐0 + ๐)๐ ๐2๐๐๐ก ๐๐ ] โ
๐ต 2
prendono il nome rispettivamente di componenti in fase e in quadratura del segnale. Le (8.4.9) e (8.4.13) suggeriscono una particolare rappresentazione grafica di ๐ (๐ก). Inฬ
ฬ
ฬ
ฬ
fatti se il vettore ๐๐ individua nel piano complesso di Fig. 8.3 la quantitร ๐ค(๐ก) a Fig. 8.3 - Rappresentazione vettoriale di un segnale passa- un istante generico banda ๐ก, il valore ๐ (๐ก) del segnale si potrร ottenere dalla proiezione sullโasse reale del vettore ฬ
ฬ
ฬ
ฬ
๐๐โฒ ฬ
ฬ
ฬ
ฬ
ottenuto ruotando ๐๐ di un angolo pari a 2๐๐0 ๐ก. Il segnale ๐ (๐ก) รจ noto se ฬ
ฬ
ฬ
ฬ
al variare di ๐ก. Ciรฒ significa che si conosce la posizione del vettore ๐๐ ๐ (๐ก) puรฒ essere rappresentato dal luogo ๐พ dell'estremo di tale vettore. Si perviene cosรฌ alla naturale estensione dellโusuale rappresentazione di una grandezza sinusoidale mediante un vettore rotante. In questโultimo caso,
172
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
il vettore rappresentativo del segnale non varia nel tempo cosicchรฉ la curva ๐พ si riduce a un punto. Le quantitร ๐(๐ก) e ๐(๐ก) prendono rispettivamente il nome di inviluppo e fase istantanei del segnale; si definisce frequenza istantanea la quantitร ๐(๐ก): ๐(๐ก) = ๐0 +
1 ๐๐(๐ก) 2๐ ๐๐ก
(8.4.14)
Dalla (8.4.12) si deduce che un segnale passabanda assume la forma di unโoscillazione modulata in ampiezza e fase; le quantitร ๐ ๐ (๐ก) e ๐ ๐ (๐ก) rappresentano due segnali i cui spettri, in virtรน delle (8.4.13), sono ๐ต ๐ต
contenuti nellโintervallo (โ 2 , 2 ). Tali funzioni pertanto corrispondono a segnali di tipo passabasso, e le loro variazioni nel tempo risultano tanto piรน lente quanto piรน stretta รจ la banda ๐ต del segnale. Prendendo le trasformate di Fourier della (8.4.9), si ottiene: โ
๐(๐) = โซ Re[๐ค(๐ก)๐ ๐2๐๐0๐ก ]๐ โ๐2๐๐๐ก ๐๐ก โโ
1 โ = โซ [๐ค(๐ก)๐ ๐2๐๐0 ๐ก + ๐ค โ (๐ก)๐ โ๐2๐๐0 ๐ก ]๐ โ๐2๐๐๐ก ๐๐ก 2 โโ โ 1 โ 1 = โซ ๐ค(๐ก)๐ โ๐2๐(๐โ๐0 )๐ก ๐๐ก + (โซ ๐ค(๐ก)๐ ๐2๐(๐+๐0 )๐ก ๐๐ก) 2 โโ 2 โโ
(8.4.15) โ
che, detta ๐(๐) la trasformata di ๐ค(๐ก), si puรฒ scrivere nella forma: 1 1 ๐(๐) = ๐(๐ โ ๐0 ) + ๐ โ (โ๐ โ ๐0 ) 2 2
(8.4.16)
Esempio 8.4
Fig.E 8.4 ๐ต ๐ต
Detto ๐0 il valore della frequenza di centro banda, il segnale ๐ (๐ก), il cui spettro ๐(๐) รจ rappresentato in Fig. E.VII.4, puรฒ ottenersi sulla base della (8.4.13) determinando le quantitร ๐ ๐ (๐ก) e ๐ ๐ (๐ก). A tal fine si osservi che lo spettro ๐(๐0 + ๐)
limitatamente all'intervallo (โ , ) si presenta come รจ mostrato in Fig. 2 2
E.VII.5, la cui antitrasformata risulta:
CAPITOLO - 8 - Caratteristiche e Proprietร dei Segnali -
173
1 โ cos(๐๐ต๐ก) sin(๐๐ต๐ก) sin(๐๐ต๐ก) cos(๐๐ต๐ก) ๐โ1 [๐(๐0 + ๐)] = ( + )+๐( โ ) 2๐ต๐ 2 ๐ก 2 2๐๐ก 2๐ต๐ 2 ๐ก 2 2๐๐ก
Le componenti in fase e in quadratura allora sono: 1 โ cos(๐๐ต๐ก) sin(๐๐ต๐ก) + ; 2๐ต๐ 2 ๐ก 2 2๐๐ก { sin(๐๐ต๐ก) cos(๐๐ต๐ก) ๐ ๐ (๐ก) = โ ; 2๐ต๐ 2 ๐ก 2 2๐๐ก ๐ ๐ (๐ก) =
Il segnale ๐ (๐ก) vale allora: ๐ (๐ก) 1 โ cos(๐๐ต๐ก) sin(๐๐ต๐ก) =( + ) cos(2๐๐0 ๐ก) 2๐ต๐ 2 ๐ก 2 2๐๐ก sin(๐๐ต๐ก) cos(๐๐ต๐ก) โ( โ ) sin(2๐๐0 ๐ก) 2๐ต๐ 2 ๐ก 2 2๐๐ก
Fig.E 8.5
8.5 - Banda e durata convenzionali. Se ๐ (๐ก) non รจ a banda o durata rigorosamente limitata, pur essendo a energia finita, puรฒ essere in certi casi conveniente attribuire al segnale una banda o durata convenzionali. In quel che segue ๐ (๐ก) si suppone reale passabasso; tuttavia le considerazioni svolte si possono facilmente estendere ai segnali reali passabanda. Banda e durata quadratica o efficace Si definisce banda quadratica ๐ต๐ la quantitร : 1
2 1 โ ๐ต๐ = ( โซ ๐ 2 |๐(๐)|2 ๐๐) ๐ธ โโ
(8.5.1)
dove ๐ธ รจ l'energia specifica del segnale. Si noti che la banda quadratica ๐ต๐ di un segnale dร una misura della dispersione dei valori di |๐(๐)|2 attorno all'asse delle frequenze. In maniera simile si puรฒ definire una durata quadratica ๐๐ . Detta ๐กยฏ lโascissa baricentrica di |๐ (๐ก)|: ๐กยฏ =
la quantitร ๐๐ vale:
1 โ โซ ๐ก|๐ (๐ก)|2 ๐๐ก ๐ธ โโ
(8.5.2)
174
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati 1
2 1 โ ๐๐ = ( โซ (๐ก โ ๐กยฏ)2 |๐ (๐ก)|2 ๐๐ก) ๐ธ โโ
(8.5.3)
che, riferendo l'origine dei tempi a ๐กยฏ, assumerebbe la forma piรน semplice: 1
2 1 โ ๐๐ = ( โซ ๐ก 2 |๐ (๐ก)|2 ๐๐ก) ๐ธ โโ
(8.5.4)
analoga alla (8.5.1). Banda e durata sulla base dellโenergia La durata convenzionale di un segnale รจ definita dall'ampiezza dell'intervallo centrato sull'ascissa baricentrica nel quale รจ contenuta una prefissata aliquota ๐๐2 โค 1 dell'energia totale del segnale. Detta durata puรฒ essere calcolata risolvendo l'equazione nell'incognita ๐: ๐
๐๐2
1 2 = โซ |๐ (๐ก โ ๐กยฏ)|2 ๐๐ก ๐ธ โ๐
(8.5.5)
2
รโ ovvio che la quantitร ๐ รจ una funzione non decrescente di ๐๐2 . Analogamente si introduce una banda equivalente che si ottiene risolvendo l'equazione nell'incognita ๐: ๐๐ต2 =
1 ๐ โซ |๐(๐)|2 ๐๐ ๐ธ โ๐
(8.5.6)
dove ๐๐ต2 รจ una prefissata quantitร non superiore a 1. Esempio 8.5 Si determino la durata e banda convenzionali del segnale: ๐ (๐ก) = u(๐ก)๐ โ๐๐ก (๐ > 0)
Lโenergia specifica del segnale vale: โ
๐ธ = โซ ๐ โ2๐๐ก ๐๐ก = 0
1 2๐
a) Durata quadratica: Lโascissa baricentrica vale: โ
๐กยฏ = 2๐ โซ ๐ก๐ โ2๐๐ก ๐๐ก = 0
quindi la durata quadratica รจ ottenuta dalla:
2 ๐
CAPITOLO - 8 - Caratteristiche e Proprietร dei Segnali -
175
โ
2 2 5 ๐๐2 = 2๐ โซ (๐ก โ ) ๐ โ2๐๐ก ๐๐ก = 2 ๐ 2๐ 0
Risulta quindi: ๐๐ =
1 5 โ ๐ 2
b) Durata sulla base dellโenergia: Riferendo il segnale alla sua ascissa baricentrica ๐กยฏ si ottiene: 2 2 ๐ฅ(๐ก) = ๐ (๐ก โ ๐กยฏ ) = u(๐ก โ )๐ โ๐(๐กโ๐) ๐
e quindi la durata ๏ด si deduce dallโequazione: ๐
2 ๐๐2 2 2 1 โ ๐ 4โ๐๐ = โซ u (๐ก โ ) ๐ โ2๐(๐กโ๐) ๐๐ก = ๐ 2๐ ๐ 2๐ โ 2
da cui: ๐=
1 [4 โ log(1 โ ๐๐2 )] ๐ ๏ญ1
Poichรฉ la trasformata del segnale vale: S(f ) ๏ฝ ๏จa ๏ซ j2๏ฐf ๏ฉ risulta: a) Banda quadratica: Si ha: โ
๐ต๐2
1 ๐ 2 ๐๐ โซ 2 = =โ 2๐ ๐ + (2๐๐)2 โโ
b) Banda sulla base dellโenergia: La banda ๏ณ si determina dalla condizione: ๐ ๐๐ต2 ๐๐ arctg(๐) =โซ 2 = 2 2๐ ๐๐ โ๐ ๐ + (2๐๐)
dalla quale si deduce:
๐ ๐ = tan ( ๐๐ต2 ) 2
CAPITOLO - 9 IL CAMPIONAMENTO DEI SEGNALI 9.1 - Il teorema del campionamento. Un'importante caratteristica di un segnale a banda limitata รจ quella di potere essere ricostruito a partire dalla conoscenza dei valori, campioni, assunti da esso in corrispondenza di un'opportuna sequenza di istanti. Quanto detto, in altri termini, significa che รจ possibile stabilire una corrispondenza biunivoca tra funzioni del tempo rappresentative di segnali a banda limitata e sequenze numeriche. In linea di principio per poter ricostruire il segnale non รจ necessario che i campioni vengano prelevati con cadenza regolare. Tuttavia, poichรฉ in genere si adottano campionatori uniformi, in quel che segue si considererร soltanto il campionamento uniforme; cioรจ si assumerร che l'intervallo di tempo ๐ = Fig. 9.1 - a) Spettro di un segnale passabasso; b) sua ripetizione periodica. ๐ก๐+1 โ ๐ก๐ che intercorre tra due campioni consecutivi, detto periodo di campionamento, sia costante. Dato un segnale ๐ (๐ก) reale rigorosamente passa basso, cioรจ tale che detta ๐(๐) la sua trasformata di Fourier (vedi Fig. 9.1a)), risulti: ๐ ๐(๐) = ๐(๐)โ ( ), 2๐๐
โ๐ โ โ
(9.1.1)
si consideri la funzione ๐๐ (๐), ottenuta ripetendo periodicamente lo spettro ๐(๐) con periodicitร ๐๐ (v. Fig. 9.1,b):
178
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati โ
๐๐ (๐) = โ ๐(๐ โ ๐๐๐ )
(9.1.2)
๐=โโ
ร evidente che se si sceglie ๐๐ โฅ 2๐๐
(9.1.3)
๐ ๐(๐) = ๐๐ (๐)โ ( ) ๐๐
(9.1.4)
si ha:
In questo caso cioรจ la trasformata di Fourier del segnale e la funzione ๐
๐
2
2
๐๐ (๐) coincidono nell'intervallo (โ ๐ , ๐ ).
Poichรฉ ๐๐ (๐) รจ periodica, puรฒ essere sviluppata in serie di Fourier: โ
๐๐ (๐) = โ ๐ถ๐ ๐
๐2๐๐
๐ ๐๐
(9.1.5)
๐=โโ
dove: ๐๐
๐ 1 2 1 ๐ โ๐2๐๐ ๐๐ ๐๐ = ๐ถ๐ = โซ ๐(๐)๐ ๐ (โ ) ๐๐ โ๐๐ ๐๐ ๐๐
(9.1.6)
2
Sostituendo la (9.1.5) e la (9.1.6) nella (9.1.4) si ottiene la seguente espressione per ๐(๐): โ
1 ๐ ๐ ๐2๐๐ ๐ ๐๐ ๐(๐) = โ ( ) โ ๐ (โ ) ๐ ๐๐ ๐๐ ๐๐ ๐=โโ
(9.1.7)
โ
1 ๐ ๐ โ๐2๐๐ ๐ ๐๐ = โ( ) โ ๐ ( )๐ ๐๐ ๐๐ ๐๐ ๐=โโ
dove nell'ultima sommatoria si รจ mutato ๐ in โ๐. ๐
Tenendo infine presente che ๐โ1 [โ (๐ )] = ๐๐ sinc(๐๐ ๐ก) si ha: ๐
โ
๐ ๐ ๐ (๐ก) = โ ๐ ( ) sinc [๐๐ (๐ก โ )] ๐๐ ๐๐
(9.1.8)
๐=โโ
La precedente costituisce l'espressione formale del teorema del campionamento. Da essa risulta infatti evidente che รจ possibile ricostrui-
CAPITOLO - 9 - Il Campionamento dei Segnali -
179 ๐
โ
re un segnale passabasso a partire dalla sequenza {๐ (๐ )} ๐
๐=โโ
dei suoi
campioni. Si osservi che, in base alla (9.1.8), la ricostruzione del segnale viene effettuata sommando una serie di funzioni del tipo sinc(๐๐ ๐ก) opportunamente ritardate e pesate per mezzo dei campioni di ๐ (๐ก) come indicato in Fig. 9.2. Si sottolinea che la (9.1.8) vale soltanto se la (9.1.3) รจ verificata. La
Fig. 9.2 - Ricostruzione di un segnale a partire dai suoi campioni
minima frequenza di campionamento che soddisfa tale limitazione รจ detta frequenza di Nyquist, e il corrispondente massimo periodo di campionamento periodo di Nyquist. Essi valgono rispettivamente: ๐๐ = 2๐๐ ;
๐๐ =
1 2๐๐
;
(9.1.9)
9.2 - Il sottospazio dei segnali passabasso. Dalla (9.1.8) si deduce che l'insieme di funzioni normalizzate: ๐ ๐ข๐ (๐ก) = โ๐๐ sinc [๐๐ (๐ก โ )] ๐๐
(9.2.1)
รจ completo rispetto all'insieme dei segnali passabasso ad energia finita ๐
con frequenza di taglio non superiore ad 2๐ . Inoltre le (9.2.1) sono ortogonali. Infatti detta ๐๐ (๐) la trasformata di Fourier di ๐ข๐ (๐ก) si ha:
180
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
๐๐ (๐) = โ๐๐ ๐
โ๐2๐๐
๐ ๐๐
๐[sinc(๐๐ ๐ก)] =
1 โ๐๐
๐ ๐๐
โ( )๐
โ๐2๐๐
๐ ๐๐
(9.2.2)
Applicando il teorema di Parseval si ottiene: โ
โ
โ โซ ๐ข๐ (๐ก)๐ข๐ (๐ก)๐๐ก = โซ ๐๐ (๐)๐๐ (๐)๐๐ โโ
=
โโ
๐๐ 2
(9.2.3)
2๐(๐โ๐)๐ 1 โ๐ ๐๐ โซ ๐ ๐๐ = sinc(๐-๐) ๐๐ โ๐๐ 2
In termini delle funzioni ๐ข๐ (๐ก), la (9.1.8) si traduce nella: โ
๐ (๐ก) = โ ๐ผ๐ ๐ข๐ (๐ก)
(9.2.4)
๐=โโ
dove: ๐ผ๐ =
1
๐ ๐ ( ) ๐ ๐ โ๐๐
(9.2.5)
Si noti che l'ortogonalitร delle ๐ข๐ (๐ก) implica che la famiglia di dette funzioni costituisce un set completo per lo spazio dei segnali passabasso di banda non superiore ๐
Fig. 9.3 โ Campionamento con ๐๐ < 2๐๐
a 2๐ , e conseguentemente implica anche che la sequenza di coefficienti definiti dalla (9.2.5) รจ l'unica che consente la ricostruzione del generico elemento di detto spazio per mezzo della base in questio-
ne. ร evidente che se ๐๐ < 2๐๐ , ๐๐ (๐) non coincide con ๐(๐) nell'intervallo (โ๐๐ , ๐๐ ) del segnale ๐ (๐ก) (vedi Fig. 9.3). La sua ricostruzione non รจ effettuabile mediante la (9.1.8).
CAPITOLO - 9 - Il Campionamento dei Segnali -
181
D'altra parte, se la frequenza di campionamento รจ superiore a quella di Nyquist, cioรจ se risulta ๐๐ > 2๐๐ , ci si convince che, in alternativa alla (9.1.7), ๐(๐) puรฒ anche essere ricostruito a partire dalla: โ
๐ 1 ๐ ๐ โ๐2๐๐ ๐ ๐๐ ๐(๐) = โ ( ) ๐๐ (๐) = โ ( ) โ ๐ ( )๐ 2๐๐ ๐๐ 2๐๐ ๐๐
(9.2.6)
๐=โโ
dalla quale si perviene alla seguente formula di ricostruzione: โ
๐ (๐ก) =
2๐๐ ๐ ๐ โ ๐ ( ) sinc [2๐๐ (๐ก โ )] ๐๐ ๐๐ ๐๐
(9.2.7)
๐=โโ
che analogamente alla (9.2.4) puรฒ essere scritta nella forma: con ๐ ๐ฃ๐ (๐ก) = โ2๐๐ sinc [2๐๐ (๐ก โ )] ๐๐
(9.2.8)
e ๐ฝ๐ =
โ2๐๐ ๐ ๐ ( ) ๐๐ ๐๐
(9.2.9)
Tuttavia in questo caso, la (9.2.8) individua una famiglia di funzioni normalizzate che non sono mutuamente ortogonali. Si ha infatti: โ
โซ ๐ข๐ (๐ก)๐ข๐ (๐ก)๐๐ก = โโ
๐๐ ๐ 1 โ๐2๐(๐โ๐) ๐๐ ๐๐ โซ ๐ 2๐๐ โ๐๐
(9.2.10)
2๐๐ = sinc [ (๐ โ ๐)] ๐๐
Si consideri una generica combinazione lineare delle {๐ฃ๐ (๐ก)}: โ
๐(๐ก) = โ ๐พ๐ ๐ฃ๐ (๐ก)
(9.2.11)
๐=โโ
la cui trasformata vale: โ
1
โ
๐ ๐ ๐ท(๐) = โ ๐พ๐ ๐๐ (๐) = โ ( ) โ ๐พ๐ ๐ โ๐2๐๐๐๐ 2๐๐ โ2๐๐ ๐=โโ ๐=โโ
โ๐2๐๐
๐
(9.2.12)
๐๐ individua una funzione Si osservi che la sommatoria โโ ๐=โโ ๐พ๐ ๐ periodica di periodo ๐๐ . Scegliendo opportunamente la sequenza di coef-
182
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
ficienti ๐พ๐ รจ possibile generare una funzione nulla nell'intervallo (โ๐๐ , ๐๐ ) e diversa da zero nel suo complementare rispetto all'intervallo ๐
๐
2
2
(โ ๐ , ๐ ). Sostituendo una tale sequenza nella (9.2.12) si ottiene, in virtรน ๐
della presenza della funzione โ (2๐ ), una ๐ท(๐) e quindi una ๐(๐ก) nulla ๐
in corrispondenza di una sequenza di coefficienti non identicamente nulla. Pertanto le funzioni ๐ฃ๐ (๐ก), pur generando lo spazio dei segnali passabasso di banda ๐๐ , non sono tra loro linearmente indipendenti, quindi non ne costituiscono una base. 9.3 - Campionamento naturale. La ripetizione periodica del segnale ๐(๐) con periodicitร ๐๐ , definita dalla (9.1.2) corrisponde nel dominio del tempo al segnale: โ
โ โ1
๐ ๐ (๐ก) = โ ๐ [๐(๐ โ ๐๐๐ )] = ๐ (๐ก) โ ๐ ๐2๐๐๐๐ ๐ก ๐=โโ
(9.3.1)
๐=โโ
Il segnale campionato puรฒ quindi essere ottenuto comโรจ schematizzato in Fig. 9.4, cioรจ dal prodotto di ๐ (๐ก) per la funzione: โ
๐ฃ0 (๐ก) = โ ๐ ๐2๐๐๐๐๐ก
(9.3.2)
๐=โโ
detta funzione campionatrice. La (9.3.2), utilizzando la formula di Pois- Fig. 9.4 - Campionatore son (5.5.8), puรฒ essere espressa nella โ
๐ฃ0 (๐ก) = ๐๐ โ ๐ฟ(๐ก โ ๐๐๐ )
(9.3.3)
๐=โโ
Il campionatore del tipo mostrato in Fig. 9.4 non รจ quindi fisicamente realizzabile a causa della presenza della delta di Dirac. Si puรฒ pensare di approssimare la funzione campionatrice (9.3.3) con un treno dโimpulsi che sia la ripetizione periodica con passo ๐๐ di un impulso ๐(๐ก) di durata ๐ < ๐๐ e trasformata di Fourier ๐(๐). cioรจ assumendo che ๐ฃ0 (๐ก) valga: โ
๐ก โ ๐๐๐ ๐ฃ0 (๐ก) = โ ๐ ( ) ๐ ๐=โโ
(9.3.4)
CAPITOLO - 9 - Il Campionamento dei Segnali -
183
con ๐ < ๐๐ . Il segnale campionato, in questo caso, si presenta (vedi Fig. 9.5) nella forma: โ
๐ก โ ๐๐๐ ๐ ๐ (๐ก) = ๐ (๐ก) โ
๐ฃ0 (๐ก) = ๐ (๐ก) โ ๐ ( ) ๐
(9.3.5)
๐=โโ
e si parla di campionamento naturale.
Fig. 9.5 - Campionamento naturale.
La trasformata di ๐ ๐ (๐ก) si puรฒ calcolare tramite il teorema della convoluzione nel dominio della frequenza ottenendo: ๐๐ (๐) = ๐(๐) โ ๐0 (๐)
(9.3.6)
dove: โ
๐0 (๐) = ๐[๐ฃ0 (๐ก)] = ๐ [ โ ๐0 ๐ ๐
๐2๐๐
๐ก ๐๐
]
๐=โโ
(9.3.7)
โ
= โ ๐0 ๐ ๐ฟ(๐ โ ๐๐๐ ) ๐=โโ
in cui ๐
๐0 ๐
1 2 ๐(๐๐๐ ๐) = โซ ๐(๐ก)๐ โ๐2๐๐๐๐๐ก ๐๐ก = ๐ ๐๐ โ ๐๐ 2
(9.3.8)
184
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
Si ha quindi: โ
โ
๐๐ (๐) = โ ๐0 ๐ โซ ๐(๐)๐ฟ(๐ โ ๐ โ ๐๐๐ )๐๐ ๐=โโ
โโ
โ
โ
๐=โโ
๐=โโ
1 = โ ๐0 ๐ ๐(๐ โ ๐๐๐ ) = โ ๐(๐๐๐ ๐)๐(๐ โ ๐๐๐ ) ๐๐
(9.3.9)
La (9.3.9) mostra che nel campionamento naturale lโennesima ripetizione dello spettro risulta moltiplicata per il fattore ๐(๐๐๐ ๐) ๐๐
.
Pertanto nell'intervallo
๐๐ ๐๐
(โ , ), la forma 2
Fig. 9.6 - Spettro del segnale campionato: campionamento ideale, campionamento naturale.
2
dello spettro rimane immutata, รจ quindi evidente che il segnale puรฒ essere ancora ricostruito. Nel caso
๐ก
in cui ๐(๐ก) =โ (๐) si ha ๐(๐) = ๐sinc(๐๐) da cui sostituendo nella (9.3.9) si ottiene: โ
๐ ๐๐ (๐) = โ sinc(๐๐๐ ๐)๐(๐ โ ๐๐๐ ) ๐๐
(9.3.10)
๐=โโ
In questo caso lo spettro di ampiezza |๐๐ (๐)| del segnale ๐ ๐ (๐ก) si presenta come รจ mostrato in Fig. 9.6. Tornando alla Fig. 9.5 possiamo osservare che nel campionamento naturale il generico impulso ๐(๐ก โ ๐๐๐ ) viene in realtร distorto dal segnale quindi non possiamo parlare di vero e proprio campionamento nel senso che non potremmo ricostruire il segnale a partire dalla sola conoscenza dei valori che esso assume in una sequenza di istanti, tale campionamento potrebbe al piรน essere utilizzato per una multiplazione di piรน segnali su uno stesso mezzo fisico (multiplazione a divisione di tempo), in quanto sarebbe possibile inserire tra gli impulsi associati ad un segnale quelli relativi ad altri.
CAPITOLO - 9 - Il Campionamento dei Segnali -
185
9.4 - Campionamento istantaneo. Un'altra modalitร di campionamento consiste nel cosiddetto campionamento istantaneo (vedi Fig. 9.7). In questo caso il segnale campionato vale: โ
๐ก โ ๐๐๐ ๐ ๐ (๐ก) = โ ๐ (๐๐๐ )๐ ( ) ๐
(9.4.1)
๐=โโ
Nel campionamento istantaneo gli impulsi che costituiscono ๐ ๐ (๐ก) mantengono cioรจ la loro forma mentre le loro ampiezze sono proporzionali ai campioni ๐ (๐๐๐ ) del segnale. Per valutare lo spettro del segnale espresso dalla (9.4.1) รจ
Fig. 9.7 Campionamento Istantaneo
conveniente scrivere ๐ (
๐กโ๐๐๐ ๐
) mediante la seguente convoluzione:
๐ก โ ๐๐๐ ๐ก ๐( ) = ๐ ( ) โ ๐ฟ(๐ก โ ๐๐๐ ) ๐ ๐
(9.4.2)
Di conseguenza: โ
๐ก ๐ ๐ (๐ก) = ๐ ( ) โ ( โ ๐ (๐๐๐ )๐ฟ(๐ก โ ๐๐๐ )) ๐ ๐=โโ โ
๐ก = ๐ ( ) โ (๐ (๐ก) โ ๐ฟ(๐ก โ ๐๐๐ )) ๐
(9.4.3)
๐=โโ
Nella precedente abbiamo ricordato che: ๐ (๐๐๐ )๐ฟ(๐ก โ ๐๐๐ ) = ๐ (๐ก)๐ฟ(๐ก โ ๐๐๐ )
e utilizzando la (5.8.5) per la trasformata di ๐ ๐ (๐ก), si ottiene:
(9.4.4)
186
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati โ
๐๐ (๐) = ๐(๐)๐ [๐ (๐ก) โ ๐ฟ(๐ก โ ๐๐๐ )] ๐=โโ โ
= ๐(๐) (๐(๐) โ
1 โ ๐ฟ(๐ โ ๐๐๐ )) ๐๐
(9.4.5)
๐=โโ
โ
=
๐(๐) โ ๐(๐ โ ๐๐๐ ) ๐๐ ๐=โโ
๐ก ๐
Nel caso in cui ๐(๐ก) =โ ( ) avremmo: โ
๐๐ (๐) = ๐sinc(๐๐)๐ [๐ (๐ก) โ ๐ฟ(๐ก โ ๐๐๐ )] ๐=โโ โ
= ๐sinc(๐๐) (๐(๐) โ
1 โ ๐ฟ(๐ โ ๐๐๐ )) ๐๐
(9.4.6)
๐=โโ
โ
๐ = sinc(๐๐) โ ๐(๐ โ ๐๐๐ ) ๐๐ ๐=โโ
In questo caso lo spettro del segnale campionato รจ mostrato in blu in ๐ Fig. 9.8, da cui si rileva che, a causa del fattore ๐ sinc(๐๐) tale spettro ha ๐
una forma diversa da quello del segnale nella porzione contenuta nell'in-
Fig. 9.8 - Campionamento naturale, campionamento istantaneo.
CAPITOLO - 9 - Il Campionamento dei Segnali ๐
187
๐
tervallo (โ 2๐ , 2๐ ). Di conseguenza un filtro passabasso non รจ in grado di ricostruire il segnale. Tuttavia, poichรฉ il legame tra lo spettro del segnale campionato e quello di ๐ (๐ก) รจ noto, รจ possibile eliminare la distorsione introdotta dal campionatore. Si osservi inoltre che, se ๐ ๐
(10.6.21)
Seguendo una procedura analoga a quella adottata per i segnali a tempo continuo si ottiene anche: โ ๐พ21 (โ๐๐) = ๐พ12 (๐๐)
(10.6.22)
Le trasformate di Fourier delle funzioni di mutua correlazione rispettivamente valgono: โ
๐ค12 (๐) = ๐ โ ๐พ12 (๐๐)๐ โ๐2๐๐๐๐ a)
๐=โโ โ
=๐ โ ๐ ๐=โโ
โ๐2๐๐๐๐
๐พ๐12 (๐๐) lim = ๐โโ 2๐ + 1
(10.6.23)
218
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati โ
โ
1 = ๐ lim โ โ ๐ 1๐ ((๐ ๐โโ 2๐ + 1 2
๐=โโ ๐=โโ
โ (๐๐) โ๐2๐๐๐๐ + ๐)๐)๐ 2๐ ๐ โ
โ
๐=โโ
๐=โโ
1 โ (๐๐)๐ ๐2๐๐๐๐ = ๐ lim โ ๐ 2๐ โ ๐ 1๐ ((๐ ๐โโ 2๐ + 1 2
b)
โ (๐) ๐1๐ (๐)๐2๐ + ๐)๐) ๐ โ๐2๐(๐+๐)๐๐ = lim ; ๐โโ 2๐ + 1 โ (๐) ๐2๐ (๐)๐1๐ ๐ค21 (๐) = lim ๐โโ 2๐ + 1
Per l'autocorrelazione a tempo discreto si ha ovviamente: ๐พ๐ (๐๐) ๐โโ 2๐ + 1
๐พ(๐๐) = lim
(10.6.24)
e la sua trasformata di Fourier vale: |๐๐ (๐)|2 ๐๐ (๐)๐๐โ (๐) = lim ๐โโ ๐โโ 2๐ + 1 2๐ + 1
๐ค(๐) = lim
(10.6.25)
Ponendo ๐ = 0 nella (10.6.24)si ha: โ
๐พ๐ (0) 1 ๐พ(0) = lim = ๐ lim โ |๐ ๐ (๐๐)|2 ๐โโ 2๐ + 1 ๐โโ 2๐ + 1
(10.6.26)
๐=โโ
di conseguenza: โ
1
๐=โโ
2๐
1 2๐ ๐ lim โ |๐ ๐ (๐๐)|2 = โซ ๐ค(๐)๐๐ 1 ๐โโ 2๐ + 1 โ =โซ
1 2๐ 1 2๐
โ
|๐๐ (๐)|2 lim ๐๐ ๐โโ 2๐ + 1
(10.6.27)
che รจ la formulazione del teorema di Parseval per i segnali a tempo discreto a potenza finita.
CAPITOLO - 11 TRASFORMAZIONI LINEARI DISCRETE 11.1 - Studio nel dominio del tempo Nei sistemi numerici i segnali che intervengono in ingresso e in uscita sono dei segnali tempo discreti denotati con ๐ฅ(๐๐) e ๐ฆ(๐๐) rispettivamente. In quel che segue รจ conveniente normalizzare il quanto temporale ๐ ponendo ๐ = 1. Questo comporta che ci si riferisce a sequenze numeriche ๐ฅ๐ e ๐ฆ๐ in uscita. e il sistema numerico รจ caratterizzato dalla seguente trasformazione lineare: ๐ฆ๐ = ๐{๐ฅ๐ }
(11.1.1)
Come nel caso dei sistemi lineari analogici, per caratterizzare la trasformazione ๐ basta esprimere il segnale in ingresso nella forma: โ
๐ฅ๐ = โ ๐ฅ๐ ๐ฟ๐โ๐
(11.1.2)
๐=โ
essendo ๐ฟ๐ la sequenza impulsiva definita dalla: ๐ฟ๐ = {
1; 0;
๐=0 ๐โ 0
(11.1.3)
Se la trasformazione ๐ รจ lineare, risulta: โ
๐ฆ๐ = โ ๐ฅ๐ ๐{๐ฟ๐โ๐ }
(11.1.4)
๐=โ
la quale, ponendo: โ๐,๐ = ๐{๐ฟ๐โ๐ }
(11.1.5)
assume la forma: โ
๐ฆ๐ = โ ๐ฅ๐ โ๐,๐
(11.1.6)
๐=โ
La sequenza โ๐,๐ , definita dalla (11.1.5), corrisponde alla risposta del sistema quando al suo ingresso รจ applicata la sequenza impulsiva (11.1.3) ritardata di ๐ passi e pertanto costituisce la cosiddetta risposta im-
220
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
pulsiva del sistema. Se la trasformazione ๐ oltre che lineare รจ anche tempo invariante, la (11.1.6) diviene: โ
โ
๐ฆ๐ = โ ๐ฅ๐ โ๐โ๐ = โ ๐ฅ๐โ๐ โ๐ ๐=โ
(11.1.7)
๐=โ
essendo: โ๐ = ๐{๐ฟ๐ }
(11.1.8)
In sostanza, come per i sistemi a tempo continuo, il segnale in uscita da un sistema discreto lineare e tempo invariante si ottiene dalla convoluzione della sequenza dโingresso con la risposta impulsiva โ๐ . Nel caso di sistemi discreti la condizione di causalitร comporta: โ๐,๐ = 0 ๐๐๐ ๐ < ๐
(11.1.9)
che, nel caso di trasformazioni tempo invarianti, si semplifica nella: โ๐ = 0 ๐๐๐ ๐ < 0
(11.1.10)
Per sistemi causali tempo varianti la (11.1.6) diventa: ๐
๐ฆ๐ = โ ๐ฅ๐ โ๐,๐
(11.1.11)
๐=โ
e per sistemi tempo invarianti la (I.43) si semplifica nella: ๐
โ
๐ฆ๐ = โ ๐ฅ๐ โ๐โ๐ = โ ๐ฅ๐โ๐ โ๐ ๐=โ
(11.1.12)
๐=0
Nell'ambito dei sistemi discreti la risposta impulsiva โ๐,๐ puรฒ presentare una durata finita o infinita. Si ottengono cosรฌ i cosiddetti sistemi a risposta impulsiva a durata finita (sistemi FIR Finite Impulse Response) o i sistemi a risposta impulsiva a durata infinita (sistemi IIR Infinite Impulsive Response). Nel caso di sistemi lineari FIR causali, tempo invarianti si puรฒ porre, senza ledere le generalitร : โ๐ = 0 ๐๐๐ ๐ < 0 ๐ ๐ > ๐
e questo comporta:
(11.1.13)
CAPITOLO - 11 - Trasformazioni Lineari Discrete. ๐
๐ฆ๐ =
221
๐โ1
โ
๐ฅ๐ โ๐โ๐ = โ ๐ฅ๐โ๐ โ๐
๐=๐โ๐+1
(11.1.14)
๐=0
Si osservi che il sistema presenta una memoria finita giacchรจ solo ๐ valori del segnale in ingresso contribuiscono alla determinazione dellโuscita ๐ฆ๐ . Per contro i sistemi IIR sono caratterizzati da una memoria infinita. Un sistema discreto lineare e tempo invariante puรฒ essere caratterizzato da unโequazione alle differenze del tipo: ๐
๐
๐ฆ๐ + โ ๐๐ ๐ฆ๐โ๐ = โ ๐๐ ๐ฅ๐โ๐ ๐=1
(11.1.15)
๐=0
Il valore ๐ฆ๐ dellโuscita dipende cosรฌ dagli ๐ valori ๐ฆ๐โ1 , ๐ฆ๐โ2 , โฆ ๐ฆ๐โ๐ precedenti. Un sistema di questo tipo viene denominato sistema ricorsivo. Se รจ: ๐
๐ฆ๐ = โ ๐๐ ๐ฅ๐โ๐
(11.1.16)
๐=0
il sistema รจ detto non ricorsivo;. Eโ interessante osservare che la risposta impulsiva di un sistema non ricorsivo vale: ๐
โ๐ = โ ๐๐ ๐ฟ๐โ๐ = { ๐=0
๐๐ ; 0;
0โค๐โค๐ ๐๐๐ก๐๐๐ฃ๐
(11.1.17)
il che significa che un sistema non ricorsivo รจ un sistema FIR. Un caso interessante รจ costituito dal sistema retto dalla seguente equazione alle differenze: ๐
๐ฆ๐ + โ ๐๐ ๐ฆ๐โ๐ = ๐ฅ๐
(11.1.18)
๐=1
La sua risposta impulsiva รจ definita dalla: ๐
โ๐ + โ ๐๐ โ๐โ๐ = ๐ฟ๐ ๐=1
Per ottenere la soluzione basta porre:
(11.1.19)
222
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
โ๐ = ๐ด๐๐
(11.1.20)
dove ๐ด e ๐ sono due costanti. Sostituendo lโespressione della โ๐ nella (11.1.19)si ottiene: ๐
๐
๐ด๐๐ + โ ๐๐ ๐ด๐๐โ๐ = ๐ด๐๐โ๐ (๐๐ + โ ๐๐ ๐๐โ๐ ) = 0; ๐=1
(11.1.21)
๐=1
๐>0
che, dovendo essere verificata per tutti i valori di ๐, comporta lโannullamento del polinomio: ๐๐ + ๐1 ๐๐โ1 + ๐2 ๐๐โ2 + โฏ ๐๐
(11.1.22)
detto polinomio caratteristico del sistema. Un parametro ๐, che individua una soluzione della(11.1.21), deve pertanto essere uno zero del polinomio caratteristico. Esistono ๐ zeri di detto polinomio, non necessariamente distinti, che possono essere reali o complessi. Nel secondo caso, se i coefficienti ๐๐ โ โ, gli zeri complessi si presentano in coppie coniugate. Se gli zeri sono distinti la risposta impulsiva assume la forma: ๐
โ๐ = โ ๐ด๐ ๐ง๐๐
(11.1.23)
๐=1
dove z๐ denota il generico zero del polinomio caratteristico. Se il polinomio caratteristico contiene zeri multipli, la forma della (11.1.23) deve essere modificata. Ad esempio se z1 รจ uno zero di molteplicitร ๐ e gli altri ๐ โ ๐ sono semplici, si ha: ๐
๐
โ๐ = โ ๐ด๐ ๐๐โ1 ๐ง1๐ โ ๐ด๐ ๐ง๐๐ ๐=1
(11.1.24)
๐=1
Le costanti ๐ด๐ che compaiono nella (11.1.23) o (11.1.24) si determinano imponendo che siano nulle le condizioni iniziali e cioรจ: โโ1 = โโ2 = โฏ = โโ๐ = 0
(11.1.25)
Esempio 11.1 Per determinare la risposta impulsiva del sistema del secondo ordine seguente: ๐ฆ๐ = 3๐ฆ๐โ1 + 4๐ฆ๐โ2 + ๐ฅ๐
CAPITOLO - 11 - Trasformazioni Lineari Discrete.
223
basta porre ๐ฅ๐ = ๐ฟ๐ . Si ha: (*) โ๐ = 3โ๐โ1 + 4โ๐โ2 + ๐ฟ๐ le radici del polinomio caratteristico: ๐๐ โ 3๐ โ 4 = 0
valgono ๐ง1 = 1 e ๐ง2 = 4 , la risposta impulsiva รจ della forma: โ๐ = ๐ด1 (โ1)๐ + ๐ด2 4๐ ; ๐ โฅ 0
Per determinare le costanti ๐ด1 e ๐ด2 basta porre nella (*) ๐ = 0 e ๐ = 1. Tenendo presente che deve essere โโ1 = โโ2 = 0, si deduce: โ0 = 3โโ1 + 4โโ2 + ๐ฟ0 = 1 โ1 = 3โ0 + 4โโ1 + ๐ฟ1 = 3
che, tenendo conto dellโespressione della โ๐ , forniscono il seguente sistema di equazioni: ๐ด + ๐ด2 = 1; { 1 โ๐ด1 + 4๐ด2 = 3;
la cui soluzione รจ: ๐ด1 =
1 4 ;๐ด = 5 2 5
Si ha di conseguenza: 1 4 โ๐ = (โ1)๐ + 4๐ ; ๐ โฅ 0 5 5
11.2 - Studio nel dominio della frequenza Prendendo la trasformata di Fourier della sequenza ๐ฆ๐ definita dalla (11.1.6) si ottiene: โ
โ
๐(๐) = โ ๐ฆ๐ ๐
โ๐2๐๐๐
โ
= โ ๐
๐=โโ
โ๐2๐๐๐
๐=โโ
โ ๐ฅ๐ โ๐,๐
(11.2.1)
๐=โ
che, esprimendo la sequenza dโingresso ๐ฅ๐ mediante la sua trasformata di Fourier ๐(๐) diventa: โ
โ
๐(๐) = โ ๐
โ๐2๐๐๐
๐=โโ 1 2
โ โ๐,๐ โซ ๐(๐)๐ ๐2๐๐๐ ๐๐ ๐=โ
โ
1 2
โ
1 2
โ
= โซ ๐(๐) โ โ โ๐,๐ ๐ โ๐2๐(๐๐โ๐๐) ๐๐ 1 2
โ
Denotando con:
๐=โโ ๐=โ
(11.2.2)
224
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati โ
โ
ฬ(๐, โ๐) = โ โ โ๐,๐ ๐ โ๐2๐(๐๐โ๐๐) ๐ป
(11.2.3)
๐=โโ ๐=โ
la trasformata bidimensionale di Fourier della risposta impulsiva โ(๐, ๐), valutata in ๐ ed in โ๐, si ha: 1 2
ฬ(๐, โ๐)๐(๐) ๐๐ ๐(๐) = โซ ๐ป โ
1 2
(11.2.4)
Nel caso di trasformazioni tempo invarianti, la (11.2.3) diventa: โ
โ
ฬ(๐, โ๐) = โ โ โ๐โ๐ ๐ โ๐2๐(๐๐โ๐๐) ๐ป ๐=โโ ๐=โ โ
โ
= โ โ โ๐ ๐ โ๐2๐(๐๐โ๐(๐โ๐))
(11.2.5)
๐=โโ ๐=โ โ
โ
= โ โ๐ ๐
โ๐2๐๐๐
๐=โโ
โ ๐ โ๐2๐๐(๐โ๐) ๐=โ
Si osservi adesso che:
โ
โ โ๐ ๐ โ๐2๐๐๐ = ๐ป(๐)
(11.2.6)
๐=โโ
รจ la trasformata di Fourier della risposta impulsiva del sistema, inoltre, lโuguaglianza di Poisson (5.5.8) ci permette di scrivere: โ
โ
โ๐
โ๐2๐๐(๐โ๐)
๐=โ
= โ ๐ฟ(๐ โ ๐ โ ๐)
(11.2.7)
๐=โ
Quindi, se il sistema รจ tempo invariante possiamo ulteriormente scrivere: โ
โ
ฬ(๐, โ๐) = โ โ๐ ๐ โ๐2๐๐๐ โ ๐ โ๐2๐๐(๐โ๐) ๐ป ๐=โโ โ
= ๐ป(๐) โ ๐ฟ(๐ โ ๐ โ ๐) ๐=โ
Che, sostituita nella (11.2.4) fornisce:
๐=โ
(11.2.8)
CAPITOLO - 11 - Trasformazioni Lineari Discrete.
225
โ
1 2
๐(๐) = ๐ป(๐) โซ โ ๐ฟ(๐ โ ๐ โ ๐) ๐(๐) ๐๐ 1
โ ๐=โ 2 โ
1 2
= ๐ป(๐) โ ๐(๐ โ ๐) โซ ๐ฟ(๐ โ (๐ โ ๐)) ๐๐ 1 2
โ
๐=โ
(11.2.9)
โ
= ๐ป(๐) โ ๐(๐ โ ๐)โ(๐ โ ๐) = ๐ป(๐)๐(๐) ๐=โ
ฬ (๐, โ๐) e ๐ป (๐) denotano la risposta in frequenza Le funzioni ๐ป di un sistema lineare tempo variante e tempo invariante rispettivamente. Nel caso di sistemi tempo invarianti la risposta in frequenza puรฒ essere facilmente calcolata sulla base della risposta del sistema ad un ingresso cisoidale del tipo: ๐ฅ๐ = ๐ ๐2๐๐๐
Si ha infatti, per la (11.1.7): โ
๐ฆ๐ = โ ๐
๐2๐(๐โ๐)๐
๐=โโ
=๐
๐2๐๐๐
(11.2.10) โ
โ๐ = ๐
๐2๐๐๐
โ โ๐ ๐ โ๐2๐๐๐ ๐=โโ
(11.2.11)
๐ป(๐)
La risposta del sistema presenta la stessa forma della sollecitazione in ingresso, l'ampiezza perรฒ dipende dalla risposta in frequenza del sistema
CAPITOLO - 12 VALUTAZIONE NUMERICA DELLA TRASFORMATA DI FOURIER 12.1 - Valutazione Numerica della Trasformata di Fourier di un Segnale a tempo continuo Uno dei fondamentali problemi della Teoria dei segnali consiste nella valutazione numerica della trasformata di Fourier ๐(๐) di un segnale ๐ (๐ก) a tempo continuo e a energia finita. A tal fine si consideri un segnale che, seppur non rigorosamente passabasso, permetta comunque di definire un opportuno intervallo di 1
1
frequenze [โ 2๐ , 2๐] al di fuori del quale resta una frazione trascurabile della sua energia specifica. Sotto questa ipotesi la trasformata di Fourier del segnale si puรฒ approssimare, trascurando cioรจ gli effetti del ricoprimento spettrale, in base alla (9.1.7) utilizzando la sequenza dei suoi campioni: โ
๐(๐) โ
๐โ(๐๐) โ ๐ (๐๐)๐ โ๐2๐๐๐๐
(12.1.1)
๐=โโ
Osseviamo che, per lโipotesi fatta nel paragrafo precedente, se si campionasse ๐(๐) nel dominio della frequenza, si otterebbe solo un numero finito, diciamo ๐, di campioni significativamente diversi da ze1
1
ro, precisamente quelli ricadenti all'interno dell'intervallo [โ 2๐ , 2๐]. Il generico campione della trasformata si puรฒ esprimere mediante la (12.1.1) nella forma: โ
๐(
2๐๐๐ ๐ ๐ ) โ
๐โ ( ) โ ๐ (๐๐)๐ โ๐ ๐ ๐๐ ๐
(12.1.2)
๐=โโ
1
dove si รจ implicitamente scelto un passo di campionamento pari a ๐๐. Supponendo, per semplicitร , di scegliere un valore dispari per ๐, la precedente puรฒ essere riscritta come segue:
228
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati โ
๐ ๐ ๐ ( ) โ
๐โ ( ) โ โ ๐๐ ๐
๐โ1 2
๐๐+
๐ (๐๐)๐ โ๐
โ
2๐๐๐ ๐
(12.1.3)
๐=โโ ๐=๐๐โ๐โ1 2
la quale, effettuando la sostituzione di indice ๐โฒ = ๐ โ ๐๐, scambiando l'ordine delle sommatorie, e tenendo conto della periodicitร del fattore esponenziale, diventa: ๐ ๐ ๐ ( ) โ
๐โ ( ) ๐๐ ๐
๐โ1 2
โ ๐โฒ =โ
โ
[ โ ๐ ((๐โฒ + ๐๐)๐)] ๐ โ๐
2๐๐๐โฒ ๐
(12.1.4)
๐โ1 ๐=โโ 2
Si nota che la sommatoria interna รจ la ripetizione periodica della sequenza ๐ (๐๐) dei campioni del segnale effettuata con periodicitร ๐๐. ร ovvio che detta ripetizione periodica รจ in genere, diversa da ๐ (๐๐), anche nell'intervallo [โ
๐โ1 2
๐,
๐โ1 2
๐], a causa del ricoprimento temporale
che insorge in quanto il segnale puรฒ non essere a durata rigorosamente limitata. Se tuttavia il segnale in esame consente di determinare un valore della quantitร ๐๐ che renda trascurabile l'effetto del ricoprimento temporale, si puรฒ scrivere: โ
๐ ๐ โ ( ) โ ๐ ((๐ + ๐๐)๐) โ
โ ( ) ๐ (๐๐) ๐ ๐
(12.1.5)
๐=โโ
quindi la (12.1.4) diviene: ๐โ1 2
2๐๐๐ ๐ ๐ ๐ ( ) โ
๐โ ( ) โ ๐ (๐๐)๐ โ๐ ๐ ๐๐ ๐ ๐โ1
๐=โ
(12.1.6)
2
๐
la quale, sfruttando l'ortogonalitร delle sequenze โ ( ๐ ) ๐ โ๐2๐๐๐โ๐ , puรฒ essere facilmente invertita: ๐ (๐๐) โ
1 ๐ โ (๐ ) ๐๐
๐โ1 2
โ ๐=โ
๐โ1 2
๐(
2๐๐๐ ๐ ) ๐๐ ๐ ๐๐
(12.1.7)
CAPITOLO - 12 - Valutazione Numerica della Trasformata di Fourier -
229
La (12.1.6) e la (12.1.7) definiscono una coppia di trasformate discrete di Fourier di ordine ๐. Esse costituiscono il punto di partenza per valutare numericamente la trasformata e l'antitrasformata di Fourier di un segnale a tempo continuo. Esempio 12.1 Si consideri il segnale a tempo continuo dato dalla: ๐ก 1 ๐ (๐ก) = โ ( โ ) ๐0 2
ร noto che la sua trasformata di Fourier vale: ๐(๐) = ๐0 sinc(๐๐0 )๐ โ๐๐๐๐0
Tenendo presente la (12.1.5), si scelgono un passo di campionamento T ed un valore di N tali che risulti NT ๏ณ T0 , Quindi la (12.1.5) vale, in questo caso, come uguaglianza. Si avrร : 1; ๐ (๐๐) = { 0;
0โค๐โค๐ ๐๐๐ก๐๐๐ฃ๐ ๐0 ๐=โ โ ๐
D'altra parte la scelta del passo di campionamento ๐ incide sull'entitร dell'errore dovuto al ricoprimento spettrale. Volendo limitare tale errore, occorre rendere sufficientemente elevata la quantitร 1โ๐ , in accordo con la (12.1.6). Scegliere un valore ๐ equivale ad ipotizzare che il segnale abbia una banda ๐ต = 1โ2๐ . Nel caso specifico, si puรฒ procedere assumendo che il segnale abbia una banda equivalente ๐ต๐ = kโ๐ (๐ > 1) e quindi assumere: 0 ๐โค
๐0 2๐
il che comporta: ๐
๐ โฅ โ 0 โ โฅ 2๐ ๐
In tali condizioni si ottiene: ๐(
๐โ1
๐โ1
๐=0
๐=0
2๐๐๐ 2๐๐๐ ๐ ) = ๐ โ ๐ (๐๐)๐ โ๐ ๐ = ๐ โ ๐ โ๐ ๐ ๐๐
={ ๐
๐
โ๐
2๐๐๐ ๐
2๐๐ โ๐ ๐
๐ ๐๐;
โ1
โ1
;
๐=โ
๐ ๐ , โฆ , โ1,1, โฆ , โ 1 2 2 ๐=0
230
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
il cui modulo vale: ๐๐
๐ ๐๐ (๐ ) ๐ ๐ ๐โ
| |; ๐ |๐ ( )| = ๐ ๐๐ (๐ ) ๐๐ ๐ { ๐๐;
๐=โ
๐ ๐ , โฆ , โ1,1, โฆ , โ 1 2 2 ๐=0 ๐
In Fig.E 12.1sono riportati gli andamenti di |๐ ( )| per diversi valori di ๐๐
๐ e di ๐ unitamente al modulo di ๐(๐). Si noti che al crescere del parametro ๐ le righe dello spettro si infittiscono e l'errore tra il valore vero dello spettro e quello stimato si riduce, in quanto la banda aumenta e si riduce di conseguenza lโaliasing. Esempio 12.2 Si consideri il seguente segnale tempo continuo: ๐ (๐ก) = ๐ข(๐ก)๐ โ๐ก
Fig.E 12.1
CAPITOLO - 12 - Valutazione Numerica della Trasformata di Fourier -
231
la cui trasformata di Fourier vale: ๐(๐) =
1 1 + ๐2๐๐
Il segnale considerato non presenta nรฉ durata nรฉ banda rigorosamente limitata per cui รจ necessaria un'adeguata scelta di ๐ e ๐ per limitare sia l'errore di ricoprimento temporale sia quello di ricoprimento spettrale. In tal caso si puรฒ scrivere: โ
๐(
๐ ๐ ๐ ) โ
โ ๐( + ); ๐๐ ๐๐ ๐
0โค๐ โค๐โ1
๐=โโ
e quindi in base alla (12.1.6)si ha:
Fig.E 12.2 ๐โ1
๐(
2๐๐๐ ๐ 1 โ ๐ โ๐๐ ) โ
๐ โ ๐ (๐๐)๐ โ๐ ๐ = ๐ ; 2๐๐ ๐๐ 1 โ ๐ โ๐ ๐ โ๐
๐=0
๐ = 0,1, โฆ , ๐ โ 1
232
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
il cui modulo รจ dato dalla: |๐ (
๐ )| = ๐ ๐๐
1 โ ๐ โ๐๐ โ1
+ ๐ โ2๐
โ
2๐๐ 2๐ โ๐ ๐๐๐ ( ) ๐
;
๐ = 0,1, โฆ , ๐ โ 1
๐
In Fig. E.IX.8 sono paragonati i valori delle quantitร |๐ ( )| al variare ๐๐
dei parametri ๐ e ๐ con il modulo dello spettro del segnale ๐ (๐ก): |๐(๐)| =
1 โ1 + (2๐๐)2
allo scopo di illustrare l'influenza del numero dei punti e della periodicitร nella valutazione numerica dello spettro di un segnale che non presenta nรฉ durata nรฉ banda rigorosamente limitata.
12.2 - Troncamento del segnale. Finestre temporali. Un modo per eliminare gli errori di ricoprimento temporale รจ quello di considerare una versione troncata del segnale ๐ (๐ก) ๐ ๐ค (๐ก) = ๐ (๐ก) โ
๐ค(๐ก)
(12.2.1)
ottenuta moltiplicando ๐ (๐ก) per una funzione finestra temporale ๐ค(๐ก) tale che risulti: {
๐ค(๐ก) = 0; ๐ค(0) = 1;
|๐ก| >
๐0 ; 2
(12.2.2)
La (12.2.1) comporta un errore nella valutazione della ๐(๐); tuttavia se ๐0 si sceglie in modo tale che i valori del segnale ๐ (๐ก) al di fuori dell'intervallo [โ๐0 /2, ๐0 /2] siano piccoli rispetto a quelli assunti dal segnale al suo interno, tale errore puรฒ ritenersi trascurabile. Per rendersi Fig. 12.1 Spettro della finestra di Hanning conto dell'entitร di tale
CAPITOLO - 12 - Valutazione Numerica della Trasformata di Fourier -
233
errore basta trasformare la (12.2.1). Indicando con ๐๐ค (๐), ๐(๐) e ๐(๐) le trasformate di ๐ ๐ค (๐ก), ๐ (๐ก) e ๐ค(๐ก) rispettivamente si ha: โ
๐๐ค (๐) = ๐(๐) โ ๐(๐) = โซ ๐(๐)๐(๐ โ ๐)๐๐ โโ
(12.2.3)
Si osservi che la forma tipica dello spettro di ampiezza |๐(๐)| di una funzione finestra si presenta come indicato in Fig. 12.1, cioรจ ha un lobo fondamentale simmetrico rispetto all'asse delle ordinate che inFig. 12.2 Effetto della funzione finestra sullo spet- siste su un intervallo di amtro di un segnale piezza ฮ๐ e un insieme di lobi laterali con ampiezze massime via via decrescenti . Se lo spettro ๐(๐) del segnale ๐ (๐ก) non รจ continuo nel punto ๐0, lo spettro del segnale troncato si presenta qualitativamente come indicato in Fig. 12.2. Esso รจ cioรจ continuo e ha andamento oscillatorio in prossimitร di ๐0 . Si puรฒ verificare che lโampiezza ๐(๐ )
delle oscillazioni dipende dal rapporto | ๐(0)๐ |, cioรจ dal livello di picco relativo dei lobi secondari dello spettro di ๐ค(๐ก), mentre la transizione da ๐(๐0โ ) a ๐(๐0+ ) si verifica in una banda la cui ampiezza รจ proporzionale a ๐ฅ๐. Le quantitร |
๐(๐๐ ) ๐(0)
| e ๐ฅ๐ pertanto caratterizzano una funzione finestra
dato che i loro valori influenzano la precisione con cui viene approssimato lo spettro. Le caratteristiche di alcune funzioni finestra comunemente usate sono riportate nella Tabella 12.1
234
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
Tabella 12.1 Caratteristiche di alcune funzioni finestra
Hamming
Hanning
Bartlett
Rettangolare
๐ฅ๐ ๐ก
๐ค(๐ก)
โ( )
๐(๐)
๐0 sinc(๐๐0 )
๐0
(1 โ
๐ค(๐ก)
2 ๐0
|2๐ก| ๐ก )โ( ) ๐0 ๐0
4 ๐0
๐(๐)
๐0 ๐๐0 2 sinc [ ] 2 2
๐ค(๐ก)
๐๐ก ๐ก cos2 ( ) โ ( ) ๐0 ๐0
๐(๐)
๐0 sinc[๐๐0 ] 2(1 โ ๐ 2 ๐02 )
๐ค(๐ก)
2๐๐ก ๐ก (0,54 + 0,46cos ( )) โ ( ) ๐0 ๐0
๐(๐)
๐0
Tukey
๐ค(๐ก)
๐(๐๐ ) | | ๐(0)
4 ๐0
4 ๐0
(โ0.54 + 0.08๐ 2 ๐02 ) sinc[๐๐0 ] (โ1 + ๐ 2 ๐02 ) ๐(2|๐ก|โ๐ผ๐๐ )
4|๐ก|โ๐๐ (1+๐ผ)
(1โ๐ผ)๐๐
2๐๐ (1โ๐ผ)
(1 + cos [ ๐ก โ( )+ ๐ผ๐0
]) โ (
2
sinc[๐๐0 ] + ๐ผsinc[๐๐ผ๐0 ] 2[1 โ (๐๐0 (๐ผ โ 1))2 ]
๐(๐)
๐0
๐ค(๐ก)
๐ผ0 (๐๐ฝโ1 โ ( ) ) ๐
0.22 -13.2 dB
0.047 -26.5 dB
0.027 -31.5db
0.0062 -44 dB
) 4 (1 + ๐ผ)๐0
Taylor-Kaiser
2๐ก 2 0
๐ผ0 (๐๐ฝ)
๐(๐)
๐0
๐ก โ( ) ๐0
sinh[๐โ๐ฝ 2 โ ๐ 2 ๐02 ]
2๐ฝ ๐0
0,22๐๐ฝ sinh(๐๐ฝ)
๐ผ0 (๐๐ฝ)๐โ๐ฝ 2 โ ๐ 2 ๐02
N. B. ๐ผ0 (๐ฅ) รจ la funzione di Bessel modificata di prima specie di ordine zero.
CAPITOLO - 12 - Valutazione Numerica della Trasformata di Fourier -
235
12.3 - La trasformata discreta di Fourier. Come visto al - ยง. 12.1 - , le trasformate di Fourier diretta e inversa di un segnale a tempo continuo, possono effettuarsi mediante le (12.1.6) e (12.1.7), purchรฉ la scelta del quanto temporale ๐ e del numero dei campioni ๐ sia tale che gli errori di ricoprimento temporale e spettrale risultino trascurabili. Usualmente le (10.3.9), vengono presentate nella forma: ๐โ1
a)
๐๐ = โ ๐ ๐ ๐ ๐
2๐๐๐ ๐
;
๐ = 0,1, โฆ , ๐ โ 1
๐=0
(12.3.1)
๐โ1
b)
2๐๐๐ 1 ๐ ๐ = โ ๐๐ ๐ ๐ ๐ ; ๐
๐ = 0,1, โฆ , ๐ โ 1
๐=0
Queste ultime si ottengono normalizzando il quanto temporale (๐ = 1). In esse si sono denotati con ๐ ๐ e ๐๐ i campioni del segnale e della sua trasformata di Fourier rispettivamente. Le (12.3.1) sono delle sequenze periodiche di periodo ๐, cosicchรฉ esse possono essere prolungate al di fuori degli intervalli (0 โค ๐, ๐ โค ๐ โ 1). Ciรฒ significa che ๐ ๐ e ๐๐ sono uguali ai campioni di ๐ (๐ก) e ๐(๐) nell'insieme {0, ๐ โ 1} ma non al di fuori di esso. Per sottolineare tale differenza รจ allora opportuno denotare con ๐ ฬ๐ e ๐ฬ๐ le sequenze periodicizzate, di conseguenza le (12.3.1) possono essere riscritte nella forma: ๐โ1
a)
๐ฬ๐ = โ ๐ ฬ๐ ๐ ๐
2๐๐๐ ๐
๐=0 ๐โ1
b)
2๐๐๐ 1 ๐ ฬ๐ = โ ๐ฬ๐ ๐ ๐ ๐ ๐
(12.3.2)
๐=0
essendo: a)
๐ ฬ๐ = ๐ ๐ ;
0โค๐ โค๐โ1
b)
๐ฬ๐ = ๐๐ ;
0โค๐ โค๐โ1
(12.3.3)
Le (12.3.2), costituiscono una coppia di trasformazioni denominate trasformate (diretta e inversa) discrete di Fourier (DFT). Denotando con ๐ ฬ๐ e ๐ฬ๐ i vettori:
236
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
๐ ฬ1 โฆ ๐ ฬ๐โ1 ]๐ ๐ฬ1 โฆ ๐ฬ๐โ1 ]๐
๐ฬ๐ = [๐ ฬ0 ๐บฬ๐ = [๐ฬ0
(12.3.4)
e con ๐พ๐ la matrice: ๐พ๐ =
1
1
1 โฆ
โ๐
[1
=
๐
โฆ
2๐ ๐
โฆ ๐
2๐(๐โ1) โ๐ ๐
1
โฆ โฆ
๐
โฆ
๐
โ๐
2๐(๐โ1) ๐
โฆ
2๐(๐โ1)2 โ๐ ๐
๐๐0
๐๐0
โฆ
๐๐0
๐๐0 โฆ [๐๐0
๐๐1 โฆ (๐โ1) ๐๐
โฆ โฆ โฆ
๐๐ โฆ (๐โ1)2 ๐๐ ]
] (12.3.5)
(๐โ1)
2๐
in cui ๐๐ = ๐ โ๐ ๐ denota la radice ๐-esima dell'unitร , le (12.3.2) si possono riscrivere come segue: ๐บฬ๐ = ๐พ๐ ๐ฬ๐
a)
๐ฬ๐ =
b)
1 โ ๐พ ๐บฬ ๐ ๐ ๐
(12.3.6)
Confrontando le (12.3.6)si ottiene facilmente: 1 โ ๐พ ๐ ๐
(12.3.7)
๐พ๐ ๐พโ๐ = ๐๐ฐ๐
(12.3.8)
๐พโ1 ๐ =
che equivale a scrivere: dove ๐ฐ๐ รจ la matrice unitaria di ordine ๐. La matrice ๐พ๐ รจ pertanto una matrice ortogonale. Come nel caso delle altre trasformate di Fourier, la DFT gode di proprietร che vengono riassunte nella Tabella 12.2. Esempio 12.3 Siano: โ1; 2; ๐ฬ1 = { 4; โ2;
๐=0 ๐=1 ; ๐=2 ๐=3
1; โ1; ๐ฬ2 = { 2; โ3;
๐=0 ๐=1 ๐=2 ๐=3
due distinte sequenze periodiche di periodo ๐ = 4. La loro convoluzione
CAPITOLO - 12 - Valutazione Numerica della Trasformata di Fourier -
237
3
๐ ฬ๐ = โ ๐ ฬ1,๐ ๐ ฬ2,(๐โ๐) ๐=0
si valuta facilmente tenendo conto delle proprietร di periodicitร delle sequenze. Si ha infatti, per ๐ = 0: 3
๐ ฬ0 = โ ๐ ฬ1,๐ ๐ ฬ2,(โ๐) ๐=0
dove รจ: ๐ ฬ2,0 = 1; ๐ ฬ2,(โ1) = ๐ ฬ2,(4โ1) = ๐ ฬ2,3 = โ3; ๐ ฬ2,(โ2) = ๐ ฬ2,(4โ2) = ๐ ฬ2,2 = 2; ๐ ฬ { 2,(โ3) = ๐ ฬ2,(4โ3) = ๐ ฬ2,1 = โ1;
per cui risulta: ๐ ฬ1 = โ1 โ 6 + 8 + 2 = 3
In modo analogo, per ๐ = 1, รจ: 4
๐ ฬ1 = โ ๐ ฬ1,๐ ๐ ฬ2,(1โ๐) ๐=0
con: ๐ ฬ2,(1โ0) = ๐ ฬ2,(1) = โ1; ๐ ฬ 2,(1โ1) = ๐ ฬ 2,(0) = 1; ๐ ฬ2,(1โ2) = ๐ ฬ2,(โ1) = ๐ ฬ 2,(4โ1)= ๐ ฬ2,(3) = โ3; { ๐ ฬ2,(1โ3) = ๐ ฬ2,(โ2) = ๐ ฬ 2,(4โ2)= ๐ ฬ2,(2) = 2;
Si ha: ๐ ฬ1 = 1 + 2 โ 12 โ 4 = โ13
Per ๐ = 2 รจ: 3
๐ ฬ2 = โ ๐ ฬ1,๐ ๐ ฬ2,(2โ๐) ๐=0
con ๐ ฬ2,(2โ0) = ๐ ฬ2,2 = 2; ๐ ฬ2,(2โ1) = ๐ ฬ2,1 = โ1; ๐ ฬ2,(2โ2) = ๐ ฬ2,0 = 1; ๐ ฬ { 2,(2โ3) = ๐ ฬ2(โ1) = ๐ ฬ2(4โ1) = ๐ ฬ2,3 = โ3;
ร quindi: ๐ ฬ2 = โ2 โ 2 + 4 + 6 = 6
238
Lezioni di Teoria dei Segnali - Analisi dei Segnali Determinati -
Si ha infine, per ๐ = 3: 4
๐ ฬ3 = โ ๐ ฬ1๐ ๐ ฬ2,(3โ๐) ๐=0
Si ha: ๐ ฬ2,(3โ0) = ๐ ฬ2,3 = โ3; ๐ ฬ2,(3โ0) = ๐ ฬ2,2 = 2; ๐ ฬ2,(3โ2) = ๐ ฬ2,1 = โ1; { ๐ ฬ2,(3โ3) = ๐ ฬ2,0 = 1;
e quindi: ๐ ฬ3 = 3 + 4 โ 4 โ 2 = 1
In definitiva risulta: 3; โ13; ๐ฬ = { 6; 1;
๐=0 ๐=1 ๐=2 ๐=3
CAPITOLO - 12 - Valutazione Numerica della Trasformata di Fourier -
239
Tabella 12.2 Proprietร della DFT Proprietร
Coefficiente
Segnale ๐
Linearitร
โ ๐๐ ๐ ฬ๐๐
โ ๐๐ ๐ฬ๐๐
๐=1
๐=1
๐ ฬ๐โ
โ ๐ฬโ๐
๐ ๐โ (โ๐)
๐๐โ (๐)
Segnale coniugato Trasformata coniugata
๐
๐ ฬ๐โ๐0
Traslazione in ๐
2๐๐๐0 ๐
๐ โ๐
2๐๐0 ๐ ๐
๐ฬ๐โ๐0
Traslazione in ๐
๐๐
Differenza in avanti in ๐
๐ ฬ๐+1 โ ๐ ฬ๐
[๐ ๐
Differenza all'indietro in ๐
๐ ฬ๐ โ ๐ ฬ๐โ1
[1 โ ๐ โ๐
Differenza in avanti in ๐
(๐ โ๐
Differenza all'indietro in ๐
(1 โ ๐ ๐
2๐๐ ๐
๐ฬ๐
๐ ฬ๐
2๐๐ ๐
โ 1]๐ฬ๐ 2๐๐ ๐
]๐ฬ๐
โ 1) ๐ ฬ๐
๐ฬ๐+1 โ ๐ฬ๐
2๐๐ ๐
๐ฬ๐ โ ๐ฬ๐โ1
) ๐ ฬ๐
๐โ1
โ ๐ ฬ1๐ ๐ ฬ2(๐โ๐)
Convoluzione in ๐
๐=0
๐ฬ1๐ ๐ฬ2๐
๐โ1
= โ ๐ ฬ1(๐โ๐) ๐ ฬ2๐ ๐=0 ๐โ1
1 โ ๐ฬ1๐ ๐ฬ2(๐โ๐) ๐
Convoluzione in ๐
๐=0
๐ ฬ1๐ ๐ ฬ2๐
๐โ1
=
1 โ ๐ฬ1(๐โ๐) ๐ฬ2๐ ๐ ๐=0
CAPITOLO - 13 RICHIAMI DI TEORIA DELLA PROBABILITร 13.1 - Lo spazio dei risultati. Gli eventi. Spesso nella realtร ci sโimbatte in fenomeni i cui esiti non possono essere esattamente previsti, basti pensare all'estrazione del biglietto vincente di una lotteria, o al numero di chiamate in arrivo in una centrale telefonica nel corso di un'ora della giornata. Tuttavia se, osservando ripetutamente il fenomeno, si prende nota dei risultati, ci si accorge che, nella quasi totalitร dei casi, essi obbediscono ad una certa โregolaritร statistica โ, nel senso che il rapporto tra le volte in cui si verifica un determinato risultato e il numero totale dโosservazioni tende a stabilizzarsi attorno ad un dato valore al crescere di queste ultime. Cosรฌ, ad esempio, se da un'urna contenente palline nere e bianche si รจ estratta nel 90% dei casi una pallina bianca, e nel restante 10%, una nera, si รจ indotti a ritenere che l'evento: โestrazione di una pallina bianca โ abbia una maggiore probabilitร di verificarsi dell'evento: โestrazione di una pallina nera โ, o che รจ lo stesso che nellโurna vi siano molte piรน palline bianche che nere. Si รจ cosรฌ portati ad associare ad ogni evento casuale una certa probabilitร che esso si manifesti. Tuttavia, per definire correttamente il concetto di probabilitร associato ad un evento casuale, occorre richiamare alcune nozioni fondamentali concernenti il cosiddetto spazio di probabilitร . Per schematizzare il comportamento di un fenomeno aleatorio รจ opportuno introdurre il concetto di esperimento casuale che consiste in un procedimento di osservazione di risultati, ottenuti ripetendo la medesima prova tutte le volte che si voglia. Ad esempio nell'esperimento casuale lancio di una moneta, i possibili risultati osservabili sono testa ( T ) e croce ( C ). Qualcuno potrebbe osservare che la casualitร del risultato nel lancio della moneta รจ in realtร dovuto allโimperizia del lanciatore. Si consideri un esperimento casuale e sia ๐ un suo possibile risultato. L'insieme ฮฉ costituito da tutti i risultati che si possono manifestare prende il nome di spazio dei risultati. Nell'esempio precedente del lancio di una moneta si ha:
242
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
ฮฉ = {๐, ๐ถ}
(13.1.1)
Nel lancio di un dado, lo spazio dei risultati รจ costituito dall'insieme delle sei facce e si ha: ฮฉ = {๐1 , ๐2 , ๐3 , ๐4 , ๐5 , ๐6 }
(13.1.2)
Per studiare un esperimento casuale รจ opportuno identificare una classe di sottoinsiemi dello spazio dei risultati, (cioรจ un insieme di sottoinsiemi dello spazio dei risultati) il generico elemento di tale classe viene chiamato evento. Un evento ๐ธ si dice verificato tutte le volte che l'esperimento casuale da luogo ad un risultato ๐ che appartiene ad ๐ธ . La scelta della classe, seppure nel rispetto di alcune proprietร che vedremo piรน avanti, non รฉ obbligata e dipende da quali aspetti dellโesperimento si intendono evidenziare. Ad esempio, nel caso del lancio del dado, se si ha interesse al punteggio della faccia superiore, si devono necessariamente assumere come eventi gli insiemi contenenti i singoli risultati; mentre se si รจ interessati solo al fatto che il risultato sia pari o dispari ci si puรฒ limitare a prendere in considerazione gli eventi: E๐ = {๐2 , ๐4 , ๐6 };
E๐ = {๐1 , ๐3 , ๐5 };
(13.1.3)
L'intero spazio dei risultati ๐บ รจ un evento, come pure lo รจ l'insieme vuoto โ
. Nel primo caso si parla di evento certo, poichรฉ l'evento E = ๐บ si manifesta ogniqualvolta si compie l'esperimento; nel secondo si
Fig. 13.1 โ Da sinistra: unione, intersezione complementazione.
parla di evento impossibile, dato che l'evento E = โ
non si puรฒ manifestare. Agli eventi si puรฒ applicare l'algebra degli insiemi ed in particolare le note operazioni di unione, intersezione, e complementazione (Fig. 13.1)
CAPITOLO - 13 - Richiami di Teoria della Probabilitร -
243
Due eventi si dicono disgiunti o incompatibili quando il manifestarsi dell'uno implica il non manifestarsi dell'altro e viceversa, in altre parole se la loro intersezione รจ l'evento impossibile: ๐ธ1 โฉ ๐ธ2 = โ
(13.1.4)
Si supponga adesso di ripetere ๐ volte un certo esperimento casuale e sia ๐ฅ๐ il numero di volte in cui un dato evento E si รจ verificato. ๐ฅ๐ La quantitร lim ๐ รจ detta probabilitร associata all'evento E: ๐โโ
Pr{๐ธ} = lim
๐โโ
๐ฅ๐ ๐
(13.1.5)
In altre parole per probabilitร di un evento sโintende il limite della โfre๐ฅ๐ quenza relativaโ ๐ al tendere all'infinito del numero di ripetizioni dellโesperimento. Essendo necessariamente 0 โค ๐ฅ๐ โค ๐ risulta: 0 โค Pr{E} โค 1
(13.1.6)
Nel caso dell'evento certo, essendo ๐ฅ๐ = ๐, si ha Pr{ฮฉ} = 1
(13.1.7)
Infine, se gli eventi E1 ed E2 sono disgiunti, dallโovvia condizione: ๐ฅ๐E1 โชE2 = ๐ฅ๐E1 + ๐ฅ๐E2
(13.1.8)
Pr{E1 โช E2 } = Pr{E1 } + Pr{E2 }
(13.1.9)
segue: Si osservi che, purtroppo, poichรฉ in ogni esperimento fisico il numero delle prove, per quanto grande, non puรฒ mai essere infinito, il limite Pr{E} non puรฒ pertanto essere calcolato, nรฉ si puรฒ affermare che esso esista. Per questo motivo tale definizione, per quanto intuitiva, non puรฒ essere presa in considerazione come base per lo sviluppo di una teoria matematica della probabilitร . ร quindi necessario definire il concetto di probabilitร per via assiomatica, prescindendo da quello di frequenza relativa. Lโapproccio in termini di frequenza relativa, va tuttavia tenuto in considerazione, in quanto, in molti casi, esso si rivela utile nella giu-
244
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
stificazione intuitiva, di alcuni sviluppi teorici la cui dimostrazione sarebbe inutilmente onerosa. 13.2 - Lo spazio di probabilitร . Si consideri lo spazio dei risultati ฮฉ di un esperimento casuale, ad esso si associ una classe ๐ di suoi sottoinsiemi i cui elementi vengono chiamati eventi. Al generico evento E si associ un numero Pr{E}, detto probabilitร dell'evento, che soddisfi le seguenti proprietร : a)
0 โค Pr{E} โค 1
b)
Pr{ฮฉ} = 1
c)
E1 โฉ E2 = โ
โ Pr{E1 โช E2 } = Pr{E1 } + Pr{E2 }
cโ)
โ
(13.2.1)
โ
E๐ โฉ E๐ = โ
โ ๐ โ ๐ โ Pr{ โช E๐ } = โ Pr{E๐ } ๐=1
๐=1
In altre parole la probabilitร associata all'evento ๐ธ deve assumere valore non negativo e non maggiore di 1; inoltre essa deve godere della proprietร additiva rispetto all'unione di eventi disgiunti. La probabilitร dell'evento certo si pone uguale ad 1. La (13.2.1)cโ deve valere in alternativa alla (13.2.1)c, nel caso in cui la classe ๐ contenga un numero infinito di elementi. Quanto sopra esposto, equivale ad affermare che la probabilitร Pr
Pr{โ
} รจ un'applicazione ๐ โ [0,1].
Va precisato che la classe ๐ degli eventi non puรฒ essere scelta in modo totalmente arbitrario; essa deve, infatti, soddisfare le seguenti proprietร : a)
E โ ๐ โ E๐ โ ๐
b)
๐ธ1 , ๐ธ2 โ ๐ โ ๐ธ1 โช ๐ธ2 โ ๐
bโ)
โ
(13.2.2)
๐ธ๐ โ ๐ โ โช ๐ธ๐ โ ๐ ๐=1
Dove la proprietร (13.2.2)bโ vale in alternativa la (13.2.2)b se la classe ๐ contiene infiniti elementi. Dalle (13.2.2) discende facilmente: โ
โ ๐;
ฮฉ โ ๐;
(13.2.3)
CAPITOLO - 13 - Richiami di Teoria della Probabilitร -
245
La proprietร (13.2.2)a รจ intuitivamente giustificata dal fatto che se ad un certo evento รจ associata una probabilitร , resta implicitamente definita la probabilitร che l'evento non si sia verificato, cioรจ che l'esperimento casuale dia luogo ad un qualche risultato che non appartiene all'evento considerato. Pertanto l'insieme di detti risultati deve a sua volta costituire un evento. In conclusione si dice che si รจ definito uno spazio di probabilitร ๐ se si รจ assegnato: - un insieme di risultati ฮฉ (spazio dei risultati): - una classe ๐ di sottoinsiemi di ฮฉ (eventi) che soddisfi le (13.2.2)); Pr
- un'applicazione ๐ โ [0,1] definita su ๐ (probabilitร ) che soddisfi le (13.2.1). Ciรฒ viene di norma sintetizzato dalla notazione: ๐=(ฮฉ,๐,๐๐)
(13.2.4)
Si osservi che definire uno spazio di probabilitร significa semplicemente associare una particolare misura ad una classe di sottoinsiemi dell'insieme di risultati. Le proprietร (13.2.2) cui deve soddisfare la classe ๐ sono infatti le stesse giร viste nel CAPITOLO - 1 con riferimento alla misura degli insiemi. Inoltre l'applicazione Pr{โ
} soddisfa tutte le proprietร richieste ad una misura su una classe di insiemi. ร opportuno ribadire che non tutti i sottoinsiemi di ฮฉ sono necessariamente eventi. Gli eventi sono soltanto i sottoinsiemi di ฮฉ appartenenti alla classe ๐, quindi misurabili secondo la misura Pr{โ
}. Dagli assiomi (13.2.1) discendono facilmente le seguenti proprietร : - Gli eventi โ
e ฮฉ sono manifestamente disgiunti, pertanto in base alla (13.2.1)c si puรฒ scrivere: Pr{โ
โช ๐บ} = Pr{โ
} + Pr{๐บ}
(13.2.5)
dalla quale, notando che รจ: โ
โชฮฉ=ฮฉ
(13.2.6)
Pr{โ
} = 0
(13.2.7)
consegue: Ciรฒ significa che la probabilitร associata all'evento impossibile รจ nulla.
246
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
- Piรน in generale essendo E๐ ed E, disgiunti e poichรฉ E๐ โช E = ๐บ risulta: Pr{E ๐ โช E} = Pr{E ๐ } + Pr{E} = Pr{ฮฉ} = 1
(13.2.8)
Pr{E ๐ } = 1 โ Pr{E}
(13.2.9)
Discende: Pertanto la probabilitร associata al complementare di un evento E รจ il complemento ad 1 della probabilitร associata ad E. - Dati E1 e E2 , l'evento E1 puรฒ essere scomposto nei due eventi disgiunti (v. Fig.13.2) E1 โฉ E2 e E1 โฉ E๐2 . Risulta quindi: a)
Pr{E1 } = Pr{E1 โฉ E2 } + Pr{E1 โฉ E๐2 }
b)
Pr{E2 } = Pr{E1 โฉ E2 } + Pr{E1๐ โฉ E2 }
(13.2.10)
sommate termine a termine le (13.2.10)forniscono: Pr{E1 } + Pr{E2 } = 2Pr{E1 โฉ E2 } + Pr{E1 โฉ E2๐ } + Pr{E1๐ โฉ E2 }
(13.2.11)
Poichรฉ gli eventi E1 โฉ E2 , E1 โฉ E๐2 e E1๐ โฉ E2 sono disgiunti e la loro unione vale E1 โช E2 , si ha: Pr{E1 โช E2 } = Pr{E1 โฉ E2 } + Pr{E1 โฉ E2๐ } + Fig.13.2 โ Partizione dellโunione in eventi disgiunti.
Pr{E1๐
(13.2.12)
โฉ E2 }
cosicchรฉ dalle precedenti si deduce facilmente:
Pr{E1 โช E2 } = Pr{E1 } + Pr{E2 } โ Pr{E1 โฉ E2 }
(13.2.13)
che costituisce una generalizzazione della proprietร (13.2.1)c al caso di eventi non disgiunti (vedi Fig.13.2). Esempio 13.1 Un calcolatore cercherร di collegarsi per dieci minuti, a partire da un istante a caso di una data ora, ad un server. Il quale, in un istante a caso di quella stessa ora, verrร spento per subire un intervento di manutenzione. Quanto dovrร durare al piรน lโintervento di manutenzione affinchรฉ vi sia una probabilitร maggiore o uguale al 50% che il collegamento vada a buon fine?
CAPITOLO - 13 - Richiami di Teoria della Probabilitร -
247
***** Come risultato dellโesperimento casuale, si puรฒ assumere la coppia degli istanti t1 in cui inizia la trasmissione e t2 dโinizio dellโintervento di manutenzione. Lโinsieme dei risultati si puรฒ quindi rappresentare mediante un quadrato di lato 60 minuti (vedi Fig.E 13.1). Gli eventi sono rappresentabili mediante sottoinsiemi di punti del quadrato. La probabilitร di un generico Fig.E 13.1 evento, data la pura casualitร di t1 e t2, รจ data dal rapporto tra lโarea del sottoinsieme e lโarea del quadrato. Osserviamo che il collegamento andrร a buon fine se la manutenzione si รจ giร conclusa quando il calcolatore si connette al server ovvero se la manutenzione inizia dopo che il calcolatore ha finito di trasmettere. Detta T la durata dellโintervento di manutenzione le eventualitร appena descritte si traducono nelle disuguaglianze: ๐ก2 + ๐ โค ๐ก1 ๐ก1 + 10 โค ๐ก2 le quali individuano i due eventi incompatibili E1 e E2 evidenziati in figura Fig.E 13.1. Lโevento dโinteresse รจ quindi costituito dallโunione dei due eventi in questione e, per quanto detto sopra, la sua probabilitร vale: ๐๐{E1 โช E2 } =
(60โ๐)2 2
1250+
3600
Il valore di ๐ si ottiene quindi risolvendo la disequazione Pr๏ปE1๏E2๏ฝ โฅ ๏ฑ๏ฏ๏ฒ . Si ha: ๐ 2 โ 120๐ + 2500 โฅ 0
Che
รจ
soddisfatta
allโesterno
dellโintervallo
(10(6 โ โ11), 10(6 +
โ11)) considerato che lโestremo superiore di detto intervallo รจ maggiore di 60 la soluzione รจ: ๐ โค 10(6 โ โ11) โ
26,83๐๐๐ โก 26โฒ 50โณ
13.3 - Probabilitร condizionate - Formula di Bayes - Teorema delle probabilitร composte. Siano E1 ed E2 due eventi associati ad un esperimento casuale, e si denotino rispettivamente con ๐ฅ๐E1 e ๐ฅ๐E1 โฉE2 il numero di volte che,
248
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
su un totale di ๐ ripetizioni dell'esperimento casuale, si manifestano gli eventi E1 e E1 โฉ E2 . Dallโuguaglianza: ๐ฅ๐E1 โฉE2 ๐ฅ๐E1 โฉE2 ๐ฅ๐E1 = โ
๐ ๐ฅ๐E1 ๐
(13.3.1)
si ottiene, passando al limite per ๐ โ โ Pr{E1 โฉ E2 } = Pr{E2 |E1 }Pr{E1 }
(13.3.2)
dove: Pr{E2 |E1 } = lim
๐โโ
Osservando che
๐ฅ๐E1 โฉE2 ๐ฅ๐E1
๐ฅ๐E1 โฉE2 ๐ฅ๐E1
(13.3.3)
rappresenta il rapporto fra il numero di
volte in cui, in un totale di ๐ ripetizioni dell'esperimento casuale, si verifica l'evento E1 โฉ E2 e il numero di volte con cui si verifica l'evento E1 , la Pr{E2 |E1 } puรฒ essere interpretata come la probabilitร che si verifichi l'evento E2 sotto l'ipotesi che E1 sia soddisfatto. Per questo motivo Pr{E2 |E1 } รจ detta probabilitร dell'evento E2 condizionata allโevento E1 . In modo analogo puรฒ scriversi: Pr{E1 โฉ E2 } = Pr{E1 |E2 }๐๐{E2 }
(13.3.4)
dove Pr{E1 |E2 } denota la probabilitร che si manifesti E1 atteso che E2 sia verificato. Eguagliando i secondi membri delle (13.3.2) e (13.3.4) si ottiene: Pr{E1 |E2 } = Pr{E2 |E1 }
Pr{E1 } Pr{E2 }
(13.3.5)
nota come formula di Bayes. Essa stabilisce la relazione tra le probabilitร condizionate e quelle non condizionate degli eventi E1 e E2 . Se risulta: Pr{E1 |E2 } = Pr{E1 }, o Pr{E2 |E1 } = Pr{E2 }
(13.3.6)
cioรจ se la probabilitร con cui si manifesta E1 (E2 ) รจ indipendente dalla circostanza che E2 (E1 ) sia verificato, i due eventi si dicono statisticamente indipendenti. Pertanto, in base alle (13.3.2) e (13.3.4) si ha: Pr{E1 โฉ E2 } = Pr{E1 }Pr{E2 }
(13.3.7)
CAPITOLO - 13 - Richiami di Teoria della Probabilitร -
249
La probabilitร dell'intersezione di due eventi indipendenti si riduce cioรจ semplicemente al prodotto delle probabilitร associate ai singoli eventi. Ci si convince facilmente che due eventi disgiunti aventi entrambi probabilitร non nulla di verificarsi non possono essere statisticamente indipendenti. Esempio 13.2
Fig. 13.3 - Teorema delle probabilitร composte.
Nellโesperimento consistente nel lancio di due dadi si consideri lโevento E1 :โil risultato del lancio del primo dado รจ la faccia treโ e lโevento E2 : โil risultato del lancio del secondo dado รจ la faccia quattroโ. Si verifichi che i due eventi sono statisticamente indipendenti. Lo spazio dei risultati dellโesperimento considerato รฉ costituito da 36 elementi (tutte le possibili coppie ordinate di risultati). Lโevento E1 รจ dato da:
E1 = {(๐3 , ๐1 ), (๐3 , ๐2 ), (๐3 , ๐3 ), (๐3 , ๐4 ), (๐3 , ๐5 ), (๐3 , ๐6 )}
la sua probabilitร vale 1/6. Lโevento E2 รจ dato da: E2 = {(๐1 , ๐4 ), (๐2 , ๐4 ), (๐3 , ๐4 ), (๐4 , ๐4 ), (๐5 , ๐4 ), (๐6 , ๐4 )}
anche la sua probabilitร vale 1/6. Lโevento E1 โฉ E2 ๏ฝ {(๐1 , ๐2 )} ๏ฝ ha probabilitร 1/36 di verificarsi. Poichรฉ risulta anche Pr(E1)Pr(E2)๏ฝ๏ฑ๏ฏ36 i due eventi in questione sono statisticamente indipendenti.
Si consideri una famiglia al piรน numerabile {E๐ } di sottoinsiemi di ฮฉ a due a due disgiunti, tale che โ E๐ = ฮฉ. Un qualunque evento si puรฒ
scrivere (v. Fig. 13.3): โ
E = โช (๐ธ โฉ ๐ธ๐ )
(13.3.8)
(E โฉ E๐ ) โฉ (E โฉ E๐ ) = โ
โ๐ โ ๐
(13.3.9)
๐=1
Essendo: si ha: โ
๐๐{E} = โ Pr{E โฉ E๐ } ๐=1
(13.3.10)
250
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
che, utilizzando la (13.3.2), fornisce: โ
Pr{E} = โ Pr{E|E๐ }Pr{E๐ }
(13.3.11)
๐=1
nota come teorema delle probabilitร composte. Esempio 13.3 Un ricevitore si connette casualmente con una di tre sorgenti di segnali ๐1 , ๐2 e ๐3 che emettono due messaggi ๐ด e ๐ต secondo lo schema sotto riportato: ๐1 โ {
๐ด; ๐๐{๐ด} = ๐ต; ๐๐{๐ต} =
7 10 3 ;
๐2 โ {
10
๐ด; ๐๐{๐ด} = ๐ต; ๐๐{๐ต} =
1 2 1
๐3 โ {
2
๐ด; ๐๐{๐ด} = ๐ต; ๐๐{๐ต} =
3 5 2; 5
Supposto che il ricevitore riceva il messaggio ๐ด qual รจ la probabilitร che esso provenga dalla sorgente ๐3 ? - Se al ricevitore perviene il messaggio B qual รจ la probabilitร che esso provenga dalla sorgente S3? ***** Lo spazio dei risultati รจ costituito dal prodotto cartesiano tra lโinsieme delle sorgenti e lโinsieme dei messaggi ricevuti: -
Z = {(๐1 , ๐ด), (๐1 , ๐ต), (๐2 , ๐ด), (๐2 , ๐ต), (๐3 , ๐ด), (๐3 , ๐ต)}
Lโevento โร stato ricevuto il messaggio ๐ดโ รจ il sottoinsieme: E๐ด = {(๐1 , ๐ด), (๐2 , ๐ด), (๐3 , ๐ด)}
Lโevento โร connessa ๐3 โ รจ il sottoinsieme: E๐3 = {(๐3 , ๐ด), (๐3 , ๐ต)}
La prima probabilitร richiesta รจ data dalla probabilitร condizionata Pr{๐ธ๐3 | ๐ธ๐ด } la quale, in base alla formula di Bayes, vale: Pr{E๐3 |E๐ด } =
Pr{E๐ด |E๐3 }Pr{E๐3 } Pr{E๐ด }
Supponendo che le connessioni del ricevitore con le tre sorgenti avvengano con eguale probabilitร , รจ facile riconoscere che si ha: Pr{E๐ด |E๐3 } =
3 ; 5
Pr{E๐3 } =
1 3
D'altra parte la probabilitร che al ricevitore si presenti il messaggio ๐ด, dato che gli eventi ๐ธ๐1 , ๐ธ๐2 ed ๐ธ๐3 sono disgiunti, vale:
CAPITOLO - 13 - Richiami di Teoria della Probabilitร -
251
Pr{E๐ด } = Pr{E๐ด |E๐1 }Pr{E๐1 } + Pr{E๐ด |E๐2 }Pr{E๐2 } + Pr{E๐ด |E๐3 }Pr{E๐3 } =
7 1 11 31 3 + + = 10 3 2 3 5 3 5
Risulta allora: 21
โPr{E๐3 |E๐ต } =
53 2
=
5
1 3
Procedendo in modo analogo si ha per il secondo quesito posto: Pr{E๐3 |E๐ต } =
Pr{E๐ต |E๐3 }Pr{E๐3 } Pr{E๐ต }
Essendo Pr{E๐ต |E๐3 } =
2 5
e โโPr{E๐ต } = Pr{E๐ต |E๐1 }Pr{E๐1 } + Pr{E๐ต |E๐2 }๐๐{E๐2 } + Pr{E๐ต |E๐3 }๐๐{E๐3 } =
2 5
= 1 โ Pr{E๐ด }
risulta: Pr{E๐3 |E๐ต } =
1 3
Inoltre essendo Pr{๐ธ๐3 | ๐ธ๐ต } = Pr{๐ธ๐3 | ๐ธ๐ด }, si conclude che la decisione a favore della terza sorgente non dipende dal messaggio ricevuto.
CAPITOLO - 14 VARIABILI ALEATORIE 14.1 - Variabili aleatorie monodimensionali. Si consideri un esperimento casuale caratterizzato da uno spazio di probabilitร : ๐=(ฮฉ,โฐ,๐๐)
(14.1.1)
e sia ๐(โ
) un'applicazione che fa corrispondere ad ogni risultato ๐ โ ฮฉ un numero reale. Il dominio di tale applicazione รจ quindi l'intero spazio dei risultati, il suo codominio รจ il campo reale โ. Se โ๐ฅ โ โ il sottoinsieme E๐ฅ = ๐ โ1 (]โโ, ๐ฅ]), composto cioรจ da tutti i risultati a cui, tramite l'applicazione ๐(โ
), corrisponde un valore non superiore a ๐ฅ , costituisce un evento, cioรจ se: E๐ฅ = {๐ / ๐(๐) โค ๐ฅ} โ โฐ
(14.1.2)
si dice che ๐11 รจ una variabile aleatoria associata all'esperimento casuale. Ad esempio se nell'esperimento casuale โlancio di una monetaโ, assumendo โฐ={โ
, {testa}, {croce}, ฮฉ}, si definisce l'applicazione ๐(โ
) che associa al risultato โtestaโ il valore 0 e al risultato โcroceโ il valore 1, si รจ definita una variabile aleatoria. Infatti: - ogni semiretta ]โโ, ๐ฅ]con ๐ฅ < 0 ha come controimmagine nell'insieme dei risultati l'insieme vuoto che รจ un evento; - ogni semiretta ]โโ, ๐ฅ] con 0 โค ๐ฅ < 1 ha come controimmagine l'insieme E๐ฅ = {testa} โ โฐ ; - ogni semiretta ]โโ, ๐ฅ] con ๐ฅ โฅ 1 ha come controimmagine l'insieme ฮฉ che รจ anch'esso un evento. In sostanza definire una variabile aleatoria equivale a costruire un nuovo esperimento casuale che ha come spazio dei risultati l'insieme โ, e come classe di eventi โฌ la classe minima che contiene tutte le semirette del tipo ]โโ, ๐ฅ] e che soddisfa le (13.2.2). Detta classe coincide con 11
Il fatto che la variabile aleatoria venga abitualmente indicata con una lettera maiuscola ad es. ๐ e non con ๐(๐) รจ unโulteriore motivo di confusione per lo studente che dimentica facilmente che malgrado venga chiamata variabile, si tratta di unโapplicazione.
254
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
quella costituita da tutti i possibili sottoinsiemi di โ che siano misurabili secondo Lebesgue (la classe di Borel). Gli insiemi in essa contenuti sono detti insiemi di Borel. Detto B il generico elemento di tale classe, la probabilitร ad esso associata รจ uguale a quella della sua controimmagine ๐ โ1 (B), che, in virtรน della definizione di variabile aleatoria, รจ certamente un evento nello spazio di probabilitร ๐. In altri termini, la probabilitร dell'evento B โ โ vale Pr{๐ โ1 (B)}. In conclusione definire una variabile aleatoria su un esperimento casuale equivale a definire una misura sulla classe di Borel di โ. Detta misura dipende sia dall'esperimento casuale considerato, sia dalla particolare variabile aleatoria che in esso si รจ definita. Quindi variabili aleatorie distinte definiscono misure distinte in โ. 14.2 - Funzione di distribuzione di probabilitร . Si consideri un esperimento casuale caratterizzato da uno spazio di probabilitร ๐=(ฮฉ,โฐ,Prโฐ ). Come giร detto, definire una variabile aleatoria ๐ equivale a costruire un nuovo esperimento casuale ๐ = (ฮฉ,โฌ, Prโฌ ). Ci si rende facilmente conto che รจ possibile calcolare la probabilitร Prโฌ {B} da attribuire al generico evento B โ โฌ se si definisce la seguente applicazione avente โ come dominio: ๐๐ (๐ฅ) = Pr(๐ธ๐ฅ )
(14.2.1)
Essa รจ detta funzione di distribuzione di probabilitร , (Probability Distribution Function), associata alla variabile aleatoria ๐. Poichรฉ, in base alla sua stessa definizione la ๐๐ (โ
) associa ad ogni ๐ฅ โ โ la probabilitร dell'evento E๐ฅ = ๐ โ1 (]โโ, ๐ฅ]), essa puรฒ assumere soltanto valori appartenenti all'intervallo [0,1]. Nel seguito sarร dedotta la probabilitร da associare ad alcuni sottoinsiemi di โ, nota che sia la funzione di distribuzione di probabilitร della variabile aleatoria ๐: - intervallo semiaperto a sinistra
Sia: B = ]๐, ๐]
(14.2.2)
]โโ, ๐] = ]โโ, ๐] โช B
(14.2.3)
poichรฉ: e
CAPITOLO - 14 - Variabili Aleatorie -
255
]โโ, ๐] โฉ B = โ
(14.2.4)
Pr(B) = ๐๐ (๐) โ ๐๐ (๐)
(14.2.5)
si puรฒ scrivere: - semiretta dโorigine destra aperta
Sia B = (โโ, ๐)
(14.2.6)
Sia {๐ฅ๐ } una qualunque successione convergente ad ๐, non decrescente, e tale che โ๐ โ โ risulti ๐ฅ๐ โ ๐, detto B๐ = (โโ, ๐ฅ๐ ] si puรฒ scrivere: โ
B = โช B๐ ๐=1
(14.2.7)
โชโ ๐=1 B๐ รจ un evento in quanto unione numerabile di eventi; inoltre, poichรฉ ๐ > ๐ โ B๐ โ B๐ risulta Pr{โช๐๐=1 B๐ } = Pr{B๐ } = ๐๐ (๐ฅ๐ ).
Si ha quindi: Pr(B) = ๐๐ (๐โ ) โ
(14.2.8)
Pr{โชโ ๐=1 B๐ }.
dove ๐๐ (๐ ) = Ci si convince facilmente che la quantitร โ ๐๐ (๐ ) รจ indipendente dalla successione {๐ฅ๐ } considerata, e coincide con il limite della funzione di distribuzione ๐๐ (๐ฅ) per ๐ฅ che tende ad ๐ dalla sinistra. - intervallo chiuso
Sia B = [๐, ๐]
(14.2.9)
Poichรฉ risulta: ]โโ, ๐] = (โ โ, ๐) โช B
(14.2.10)
essendo (โ โ, ๐) โฉ B = โ
, utilizzando la (14.2.8) si ottiene: Pr(B) = ๐๐ (๐) โ ๐๐ (๐โ )
(14.2.11)
B = {๐ฅ0 }
(14.2.12)
- punto isolato
Sia: Ponendo nella (14.2.9) ๐ = ๐ = ๐ฅ0 la (14.2.11) fornisce: Pr(B) = ๐๐ (๐ฅ0 ) โ ๐๐ (๐ฅ0โ )
(14.2.13)
256
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
- intervallo aperto
Posto: B = (๐, ๐)
(14.2.14)
(โโ, ๐) = ]โโ, ๐] โช B
(14.2.15)
Pr(B) = ๐๐ (๐โ ) โ ๐๐ (๐)
(14.2.16)
dato che: si ottiene: - intervallo semiaperto a destra
Sia B = [๐, ๐)
(14.2.17)
Pr{B} = ๐๐ (๐ โ ) โ ๐๐ (๐โ )
(14.2.18)
Risulta facilmente: Quanto sopra esposto, evidenzia chiaramente che la distribuzione di probabilitร fornisce una descrizione statistica completa della variabile aleatoria X . Cosicchรฉ, normalmente, si fa riferimento allo spazio di probabilitร indotto in โ dalla variabile aleatoria, piuttosto che allo spazio di probabilitร originario ๐. Ad esempio nel caso della variabile aleatoria ๐, che nel lancio di una moneta associa 0 al risultato testa e 1 al risultato croce, si ottiene, assumendo gli eventi {testa} e {croce} equiprobabili: 0; 1 ๐๐ (๐ฅ) = { ; 2 1;
๐ฅ 2
0; {
Fig.E 14.1
1 2
;
e 1 2
โ
๐๐ (๐ฆ) = โซ ๐๐๐ (๐ฅ, ๐ฆ)๐๐ฅ = โโ
1 2; 1 |๐ฆ| > 2
|๐ฆ| โค
โซ 2๐๐ฅ = 1 โ 2๐ฆ; ๐ฆ
0; {
Si puรฒ facilmente verificare la corretteza dei risultati mostrando che รจ soddisfatta la propritร di normalizzazione per entrambe le densitร di probabilitร marginali: โ
1 2
โโ
1 โ 2
1
โซ ๐๐ (๐ฅ)๐๐ฅ = โซ (2๐ฅ + 1)๐๐ฅ = [๐ฅ 2 + ๐ฅ]2 1 = 1; โ
2
266
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori 1 2
โ
1
โซ ๐๐ (๐ฆ)๐๐ฆ = โซ (1 โ 2๐ฆ)๐๐ฆ = [๐ฆ โ ๐ฆ 2 ]2 1 = 1; โ
1 2
โโ
โ
2
14.7 - Funzioni di probabilitร condizionate. Date due varaibili aleatorie ๐ ed ๐ definite sullo stesso esperimento casuale aventi densitร di probabilitร congiunta ๐๐๐ (๐ฅ๐ฆ), si prendano in considerazione i due eventi: ๐ธ1 = {๐ โค ๐ฅ},
๐ธ2 = {๐ฆ โ
|โ๐ฆ| |โ๐ฆ| 0. La corrispondente densitร di probabilitร รจ data dalla seguente sequenza di delta di Dirac: โ
๐๐ (๐ฅ) = ๐
โ๐ฌ
โ ๐=0
๐ฌ๐ ๐ฟ(๐ฅ โ ๐) ๐!
(17.9.2)
La sua funzione di distribuzione vale: โ
๐๐ (๐ฅ) = ๐
โ๐ฌ
โ ๐=0
Ricordando che ๐ ๐ฅ = โโ ๐=0
๐ฅ๐ , ๐!
๐ฌ๐ ๐ข(๐ฅ โ ๐) ๐!
(17.9.3)
si deduce facilmente che il valor me-
dio di una variabile di Poisson vale: โ
โ
๐ฬ
= ๐ โ๐ฌ โ ๐ ๐=0
๐ฌ๐ ๐ฌ๐โ1 = ๐ฌ๐ โ๐ฌ โ =๐ฌ ๐! (๐ โ 1)!
(17.9.4)
๐=1
il suo valore quadratico medio: โ
ฬ
ฬ
๐ฬ
ฬ
2 = ๐ โ๐ฌ โ ๐2 ๐=0 โ
= ๐ฌ๐
โ๐ฌ
โ
๐ฌ๐ ๐ฌ๐โ1 = ๐ฌ๐ โ๐ฌ โ ๐ ๐! (๐ โ 1)! ๐=1
โ
๐โ1
๐ฌ ๐ฌ๐โ1 โ(๐ โ 1) + ๐ฌ๐ โ๐ฌ โ (๐ โ 1)! (๐ โ 1)!
๐=1 2 โ๐ฌ
=๐ฌ ๐
(17.9.5)
๐=1
โ
โ
๐=2
๐=1
๐ฌ๐โ2 ๐ฌ๐โ1 โ + ๐ฌ๐ โ๐ฌ โ = ๐ฌ2 + ๐ฌ (๐ โ 2)! (๐ โ 1)!
infine la sua varianza risulta: ๐2 = ๐ฌ
(17.9.6)
CAPITOLO - 18 - Caratterizzazione Statistica dei Segnali -
299
Esempio 17.3 Si vuole caratterizzare il traffico telefonico in arrivo ad una centrale. A tal fine si denoti con n il numero di telefonate in arrivo nell'intervallo di tempo (0, ๐ก). Per determinare la statistica di questo processo รจ opportuno introdurre le seguenti ipotesi: a) il numero di telefonate in arrivo in intervalli di tempo disgiunti sono statisticamente indipendenti; b) il numero di telefonate in arrivo nell'intervallo (๐ก, ๐ก + ฮ๐ก) dipende solo dalla durata ฮ๐ก e non dall'istante iniziale ๐ก. c) Se ฮ๐ก รจ sufficientemente piccolo, la probabilitร che in (0, ฮ๐ก) arrivi una sola telefonata รจ pari a ๐ฮ๐ก; mentre la probabilitร che nello stesso intervallo di tempo pervenga piรน di una chiamata รจ un infinitesimo di ordine superiore a ฮ๐ก ciรฒ significa anche che la probabilitร che in un intervallo di durata . ฮ๐ก non giunga nessuna chiamata vale, a meno di infinitesimi di ordine superiore, 1 โ ๐๐ฅ๐ก Detta ๐๐(๐ก) la probabilitร che, nell'intervallo (0, ๐ก), arrivino ๐ chiamate si consideri l'evento: โNellโintervallo (0, ๐ก + ฮ๐ก) pervengono ๐ chiamate. Tale evento, per le ipotesi fatte, si puรฒ verificare solo in uno dei seguenti modi: 1) in (0, ๐ก) sono pervenute n chiamate e in (๐ก, ๐ก + ฮ๐ก) non ne รจ pervenuta alcuna; 2) in (0, ๐ก) vi sono state ๐ โ 1 chiamate e in (๐ก, ๐ก + ฮ๐ก) una sola. Poichรฉ gli eventi 1) e 2) si escludono a vicenda, per la legge delle probabilitร composte, e per le ipotesi a), b) e c) si puรฒ scrivere: ๐)
๐๐ (๐ก + ๐ฅ๐ก) = ๐๐ (๐ก)[1 โ ๐๐ฅ๐ก] + ๐๐โ1 (๐ก)[๐๐ฅ๐ก];
๐>0
Nel caso di ๐ = 0 la precedente deve essere modificata come segue: ๐)
๐0 (๐ก + ๐ฅ๐ก) = ๐0 (๐ก)[1 โ ๐๐ฅ๐ก];
๐=0
Dalle (a) e (b) discende: ๐๐ (๐ก + ๐ฅ๐ก) โ ๐๐ (๐ก) = โ๐๐๐ (๐ก) + ๐๐๐โ1 (๐ก); ๐ฅ๐ก { ๐0 (๐ก + ๐ฅ๐ก) โ ๐0 (๐ก) = โ๐๐0 (๐ก); ๐ฅ๐ก
๐โฅ1 ๐=0
dalle quali, passando al limite per ฮ๐ก โ 0, si ottiene il seguente sistema di equazioni differenziali alle differenze: ๐)
๐๐๐ (๐ก) = โ๐๐๐ (๐ก) + ๐๐๐โ1 (๐ก); { ๐๐ก ๐๐0 (๐ก) = โ๐๐0 (๐ก); ๐๐ก
๐โฅ1 ๐=0
300
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
cui si associa la seguente condizione iniziale: ๐)
๐๐ (0) = {
1; 0;
๐=0 ๐โฅ1
che corrisponde alla condizione che all'istante iniziale (๐ก = 0) non vi siano chiamate in arrivo. Per risolvere il sistema in oggetto basta trasformare secondo Laplace la prima delle (c). Denotando con ๐ฬ๐ (๐ ) = ๐{๐๐ (๐ก)}
la trasformata di Laplace di ๐๐ (๐ก) si ha:
๐ ๐ฬ๐ (๐ ) โ ๐๐ (0) = โ๐๐ฬ๐ (๐ ) + ๐๐ฬ๐โ1 (๐ );
๐>0
che, tenendo conto della condizione iniziale, puรฒ essere riscritta nella forma: ๐ ๐ฬ๐ (๐ ) + ๐๐ฬ๐ (๐ ) = ๐๐ฬ๐โ1 (๐ );
๐>0
Fig.E 17.2
Si ottiene allora successivamente: ๐ฬ๐ (๐ ) =
๐๐ฬ๐โ1 (๐ ) ๐2 ๐ฬ๐โ2 (๐ ) ๐๐ ๐ฬ0 (๐ ) = =โฏ= 2 ๐ +๐ (๐ + ๐) (๐ + ๐)๐
D'altra parte, trasformando la seconda delle (c), si ha: ๐ ๐ฬ0 (๐ ) โ ๐0 (0) = โ๐๐ฬ0 (๐ )
che, in virtรน della (d), fornisce: ๐ฬ0 (๐ ) =
ร pertanto:
๐0 (0) 1 = ๐ +๐ ๐ +๐
CAPITOLO - 18 - Caratterizzazione Statistica dei Segnali -
๐ฬ๐ (๐ ) =
301
๐
๐ (๐ + ๐)๐+1
da cui, antitrasformando, si deduce: ๐๐ (๐ก) = ๐ โ๐๐ก
(๐๐ก)๐ u(๐ก); ๐!
๐โฅ0
Si ottiene cosรฌ una distribuzione di Poisson con parametro ๏ฌt. Gli andamenti di P n ( t ) per alcuni valori di n sono riportati in Fig.E 17.2
CAPITOLO - 18 CARATTERIZZAZIONE STATISTICA DEI SEGNALI 18.1 - Segnale aleatorio. Funzioni di probabilitร del primo ordine. Sia dato un esperimento casuale individuato da uno spazio di probabilitร S = (ฮฉ, ๐, Pr). Per segnale aleatorio reale sโintende un'applicazione che fa corrispondere a ciascun possibile risultato ๐ โ ฮฉ dell'esperimento casuale una funzione reale del tempo: โ๐ โ ฮฉ โ ๐ (๐ก, ๐) | T โ โ โ โ
(18.1.1)
tale da identificare una variabile aleatoria ๐ (๐ก, ๐) per ogni fissato ๐ก โ T. Il sottoinsieme T puรฒ coincidere con lโasse reale, o essere in esso contenuto. Da quanto detto discende che se Fig. 18.1 - Generazione di un segnale aleatorio. si fissa un valore di ๐ก il segnale aleatorio individua una variabile aleatoria su ฮฉ; mentre se si fissa un risultato ๐ si ottiene una funzione della sola variabile ๐ก, ๐ (๐ก, ๐), che costituisce una manifestazione del segnale come รจ schematicamente indicato nella Fig. 18.1. In quel che segue un segnale aleatorio verrร denotato talvolta con ๐ (๐ก), sottintendendo la dipendenza dal risultato dellโesperimento casuale ๐ . Dal contesto sarร chiaro quando ci si sta riferendo ad una variabile casuale, ๐ก assegnato, o a ad una particolare manifestazione, ๐ fissato. Ad esempio si consideri il segnale aleatorio la cui generica manifestazione รจ data dalla: ๐ (๐ก, ๐) = cos(2๐๐0 ๐ก + ๐)
(18.1.2)
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
303
dove ๐ รจ una variabile aleatoria che assume valori nell'intervallo [0,2๐]. In questo caso le manifestazioni del segnale sono costituite da tutte le possibili cosinusoidi di frequenza ๐0 ottenute in corrispondenza ai possibili valori di ๐. In Fig. 18.2, a titolo esemplificativo, si sono riportate tre possibili manifestazioni di un segnale ๐ (๐ก, ๐). Con riferimento alla figura, si consideri l'evento E๐ฅ = {๐ (๐ก, ๐)|๐ (๐ก, ๐) โค ๐ฅ} costituito Fig. 18.2 - Manifestazioni di un segnale da tutte le manifestazioni del aleatorio segnale che allโistante ๐ก assumono un valore non maggiore di ๐ฅ. Per il segnale di Fig. 18.2, la manifestazione ๐ (๐ก, ๐2 ) e la ๐ (๐ก, ๐3 ) appartengono a E๐ฅ mentre la ๐ (๐ก, ๐1 ) non vi appartiene. La probabilitร che si verifichi lโevento E๐ฅ dipende dal valore ๐ฅ e dallโistante ๐ก, essa si puรฒ quindi esprimere nella forma: Pr{E๐ฅ } = ๐๐ (๐ก) (๐ฅ)
(18.1.3)
La funzione ๐๐ (๐ก) (๐ฅ), definita nella (18.1.3), costituisce la distribuzione di probabilitร del primo ordine associata al segnale ๐ (๐ก). Ci si rende facilmente conto che la ๐๐ (๐ก) (๐ฅ) coincide con la funzione di distribuzione di probabilitร della variabile aleatoria individuata dal segnale in corrispondenza allโistante ๐ก. Alla ๐๐ (๐ก) (๐ฅ) si puรฒ associare una densitร di probabilitร del primo ordine ๐๐ (๐ก) (๐ฅ) cosรฌ definita: ๐๐ (๐ก) (๐ฅ) =
๐๐๐ (๐ก) (๐ฅ) ๐๐ฅ
(18.1.4)
in quanto sia ๐๐ (๐ก) (๐ฅ) sia ๐๐ (๐ก) (๐ฅ) sono in genere funzioni anche dell'istante ๐ก in cui si osserva il segnale. ร opportuno inoltre sottolineare che la derivazione nella (18.1.4) va intesa in senso generalizzato, la presenza dโeventuali discontinuitร non eliminabili nella ๐๐ (๐ก) (๐ฅ) si traduce infatti nella presenza di delta di Dirac di peso e posizione opportuni nella corrispondente densitร ๐๐ (๐ก) (๐ฅ).
304
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
Si osservi che la ๐๐ (๐ก) (๐ฅ) รจ una funzione non decrescente di ๐ฅ , pertanto, qualunque sia l'istante ๐ก, per tutti i valori di ๐ฅ in cui la ๐๐ (๐ก) (๐ฅ) รจ derivabile in senso ordinario, risulta: ๐๐ (๐ก) (๐ฅ) โฅ 0
(18.1.5)
Inoltre i pesi delle eventuali delta di Dirac presenti nella ๐๐ (๐ก) (๐ฅ) non possono essere negativi. Vale la condizione: ๐๐ (๐ก) (+โ) = 1
(18.1.6)
che dร conto del fatto che i valori assunti da una qualsiasi manifestazione del segnale appartengono certamente ad โ per ogni ๐ก โ T. Deve inoltre necessariamente essere: ๐๐ (๐ก) (โโ) = 0
(18.1.7)
in quanto la probabilitร che in un qualunque istante ๐ก risulti ๐ (๐ก) = โโ รจ nulla (evento impossibile). La (18.1.4) e la (18.1.7) consentono di scrivere: ๐ฅ
๐๐ (๐ก) (๐ฅ) = โซ ๐๐ (๐ก) (๐ฆ)๐๐ฆ
(18.1.8)
โโ
Inoltre, indipendentemente dal valore di ๐ก la (18.1.6) si traduce per la ps(t ) (x) nella condizione di normalizzazione: โ
โซ ๐๐ (๐ก) (๐ฅ)๐๐ฅ = 1
(18.1.9)
โโ
La probabilitร che il segnale, in un assegnato istante ๐ก, assuma un valore appartenente allโintervallo (๐, ๐] vale: ๐
Pr{๐ (๐ก) โ (๐, ๐]} = ๐๐ (๐ก) (๐) โ ๐๐ (๐ก) (๐) = โซ ๐๐ (๐ก) (๐ฅ)๐๐ฅ ๐
(18.1.10)
Esempio 18.1 Si consideri il segnale:
๐กโ๐ ๐ (๐ก, ๐) = โ ( ) ๐
dove ๐ rappresenta una variabile aleatoria caratterizzata da una densitร di probabilitร del primo ordine data da ๐๐ (๐).
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
305
La generica manifestazione del segnale รจ riportata in Fig.E 18.1. Da tale figura si deduce che, in corrispondenza ad un certo istante ๐ก, ๐ (๐ก, ๐) puรฒ assumere solo due
Fig.E 18.1
valori e precisamente: ๐ (๐ก, ๐) = 1; { ๐ (๐ก, ๐) = 0;
๐กโ
๐ ๐ โค๐โค๐ก+ 2 2 altrove
Ciรฒ significa che la probabilitร che ๐ (๐ก, ๐) assuma in un certo istante il valore 1 รจ data dalla: ๐1 (๐ก) โก ๐๐{๐ (๐ก, ๐) = 1} = Pr {๐ก โ
๐ ๐ โค๐โค๐ก+ } 2 2
mentre la probabilitร che ๐ (๐ก, ๐) assuma il valore 0 vale: ๐0 (๐ก) โก Pr{๐ (๐ก, ๐) = 0} = 1 โ Pr{๐ (๐ก, ๐) = 1}
dal momento che gli eventi ๐ (๐ก, ๐)=0 e ๐ (๐ก, ๐)=1 sono mutuamente esclusivi. Si ha: ๐ 2 ๐ ๐กโ 2
๐1 (๐ก) = โซ
๐ก+
๐๐ (๐)๐๐
Ciรฒ premesso si consideri la funzione di distribuzione ๐๐ (๐ก) (๐ฅ) associata al segnale ๐ (๐ก, ๐). Per ogni ๐ฅ < 0 la ๐๐ (๐ก) (๐ฅ) รจ nulla poichรฉ il segnale non puรฒ assumere valori negativi, mentre per valori di ๐ฅ โฅ 1 la ๐๐ (๐ก) (๐ฅ) vale 1 poichรฉ i valori che il segnale puรฒ assumere non possono essere superiori ad 1. Per 0 โค ๐ฅ < 1 si ha: ๐๐ (๐ก) (๐ฅ) = ๐0 (๐ก)u(๐ฅ) Fig.E 18.2
In definitiva quindi risulta: ๐๐ (๐ก) (๐ฅ) = ๐0 (๐ก)u(๐ฅ) + ๐1 (๐ก)u(๐ฅ โ 1)
Pertanto la corrispondente densitร di probabilitร vale: ๐๐ (๐ก) (๐ฅ) =
๐๐๐ (๐ก) (๐ฅ) = ๐0 (๐ก)๐ฟ(๐ฅ) + ๐1 (๐ก)๐ฟ(๐ฅ โ 1) ๐๐ฅ
306
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
Le funzioni ๐๐ (๐ก) (๐ฅ) e ๐๐ (๐ก) (๐ฅ) sono rappresentate nella Fig.E 18.2. Se in particolare la variabile ๐ รจ uniformemente distribuita in (- ๐/2, ๐/2), cioรจ รจ caratterizzata da una densitร di probabilitร del primo ordine data dalla: ๐๐ (๐) =
1 ๐ โ( ) ๐ ๐
si ha: ๐ก+
๐1 (๐ก) = โซ
๐ 2
๐ ๐กโ 2
|๐ก| 1 ๐ โ ( ) ๐๐ = { 1 โ ๐ ; ๐ ๐ 0;
|๐ก| โค ๐ = (1 โ |๐ก|) โ ( ๐ก ) ๐ 2๐ |๐ก| > ๐
di conseguenza: ๐0 (๐ก) = 1 โ (1 โ
|๐ก| ๐ก )โ( ) ๐ 2๐
18.2 - Funzioni di probabilitร del secondo ordine e funzioni di probabilitร condizionate. Dati due reali qualsiasi ๐ฅ1 , ๐ฅ2 si prenda in considerazione lโevento: E๐ฅ1๐ฅ2 = {๐ (๐ก)|๐ 1 โค ๐ฅ1 โ ๐ 2 โค ๐ฅ2 }
(18.2.1)
Dove, per comoditร di notazione, ๐ 1 ed ๐ 2 indicano i valori assunti dalla generica manifestazione del segnale agli istanti ๐ก1 e ๐ก2 rispettivamente. E๐ฅ1 ๐ฅ2 rappresenta cioรจ lโevento costituito da tutte le manifeFig. 18.3 - Manifestazioni di un segnale aleatostazioni del segnale ๐ (๐ก) rio. che assumono all'istante ๐ก1 un valore non maggiore di ๐ฅ1 , e all'istante ๐ก2 un valore non maggiore di ๐ฅ2 . Nellโesempio di Fig. 18.3soltanto la manifestazione ๐ (๐ก, ๐1 ) รจ contenuta in E๐ฅ1๐ฅ2 . La probabilitร che si verifichi lโevento ๐ธ๐ฅ1 ๐ฅ2 dipende evidentemente sia dagli istanti di tempo considerati sia dalla coppia ๐ฅ1 , ๐ฅ2 ; essa si puรฒ pertanto esprimere nella forma: Pr{E๐ฅ1 ๐ฅ2 } = ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 )
(18.2.2)
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
307
La funzione ๐๐ 1 ๐ 2 (๐ฅ1 , ๐ฅ2 ), appena introdotta, costituisce la distribuzione di probabilitร del secondo ordine associata al segnale aleatorio ๐ (๐ก) relativa ai due istanti ๐ก1 , ๐ก2 in cui il segnale aleatorio viene osservato. Anche in questo caso รจ possibile individuare una densitร di probabilitร del secondo ordine associata al segnale: ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 ) =
๐ 2 ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 ) ๐๐ฅ1 ๐๐ฅ2
(18.2.3)
nella quale la derivazione รจ da intendersi in senso generalizzato. La ๐๐ 1 ๐ 2 (๐ฅ1 , ๐ฅ2 ) deve necessariamente soddisfare le uguaglianze: ๐๐ 1๐ 2 (โ, โ) = 1; ๐๐ 1 ๐ 2 (โโ, โโ) = 0; ๐๐ 1๐ 2 (0, โโ) = 0; {๐๐ 1๐ 2 (โโ, 0) = 0;
(18.2.4)
la prima delle quali esprime la probabilitร associata allโevento certo; le restanti quelle dโeventi impossibili, indipendentemente dagli istanti dโosservazione considerati. Dalla (18.2.3)si deduce inoltre che la probabilitร che all'istante ๐ก1 il valore ๐ (๐ก1 ) = ๐ 1 , assunto dalla generica manifestazione del segnale, sia compreso nell'intervallo (๐1 , ๐1 ] e che a ๐ก2 il valore ๐ (๐ก2 ) = ๐ 2 , assunto dalla stessa manifestazione, appartenga all'intervallo (๐2 , ๐2 ] si puรฒ calcolare in uno dei seguenti modi: Pr{{๐ (๐ก)|(๐ 1 , ๐ 2 ) โ (๐1 , ๐1 ] ร (๐2 , ๐2 ]}} = ๐๐ 1๐ 2 (๐2 , ๐2 ) โ ๐๐ 1 ๐ 2 (๐1 , ๐2 ) โ ๐๐ 1 ๐ 2 (๐2 , ๐1 ) ๐1
๐2
+ ๐๐ 1 ๐ 2 (๐1 , ๐1 ) = โซ โซ ๐๐ 1๐ 2 (๐ฅ, ๐ฆ)๐๐ฅ๐๐ฆ ๐1
(18.2.5)
๐2
ร inoltre evidente che si ha: ๐ฅ1
๐ฅ2
๐๐ 1 ๐ 2 (๐ฅ1 , ๐ฅ2 ) = โซ โซ ๐๐ 1๐ 2 (๐ฅ, ๐ฆ)๐๐ฅ๐๐ฆ โโ โโ
Dato
(18.2.6)
che
l'evento E๐ฅ1 ๐ฅ2 รจ contenuto nell'evento E๐ฅ1+|๐ฅ๐ฅ1|,๐ฅ2+|๐ฅ๐ฅ2| deve necessariamente essere ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 ) โค ๐๐ 1 ๐ 2 (๐ฅ1 + |๐ฅ๐ฅ1 |, ๐ฅ2 + |๐ฅ๐ฅ2 |), il che comporta: ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 ) โฅ 0
(18.2.7)
308
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
in tutti i punti in cui la derivazione (18.2.3) si puรฒ effettuare in senso ordinario, inoltre, i pesi delle delta di Dirac, eventualmente presenti nella ๐๐ 1 ๐ 2 (๐ฅ1 , ๐ฅ2 ), non possono essere negativi. Si osservi che tutti I risultati ottenuti si potevano dedurre osservando che ๐ (๐ก1 ) ed ๐ (๐ก2 ) sono due variabili aleatorie definite su di uno stesso esperimento casuale, di cui la ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 ) e la ๐๐ 1 ๐ 2 (๐ฅ1 , ๐ฅ2 ) costituiscono le funzioni di probabilitร congiunte. Si considerino gli eventi: E2 = {๐ (๐ก)|๐ 2 โค ๐ฅ2 }; E1 = {๐ (๐ก)|๐ฅ1 โ โค ๐ฅ1 +
|๐ฅ๐ฅ1 | } 2
|๐ฅ๐ฅ1 | < ๐ 1 2
(18.2.8)
La probabilitร dell'evento E2 condizionata dal manifestarsi dell'evento E1 , nellโipotesi che quest'ultimo abbia probabilitร diversa da zero, per la formula di Bayes vale: |๐ฅ๐ฅ |
Pr{E2 |E1 } =
Pr{E2 โฉ E1 } = Pr{E1 }
โซ
๐ฅ1 + 2 1
๐ฅ2 ๐ (๐ฅ, ๐ฆ)๐๐ฅ๐๐ฆ โโ ๐ 1 ๐ 2
โซ
|๐ฅ๐ฅ | ๐ฅ1 โ 1 2
|๐ฅ๐ฅ1 | 2 |๐ฅ๐ฅ1 | ๐ฅ1 โ 2
โซ
๐ฅ1 +
(18.2.9)
๐๐ 1 (๐ฅ)๐๐ฅ
Se si fa tendere ๐ฅ๐ฅ1 a zero, ammesso che la ๐๐ 1 (๐ฅ1 ), sia continua in ๐ฅ1 , E1 si riduce all'evento singolare E1 = {๐ (๐ก)|๐ 1 = ๐ฅ1 } e si ha: |๐ฅ๐ฅ |
โซ lim Pr{E2 |E1 } = lim
๐ฅ๐ฅ1 โ0
=
๐ฅ๐ฅ1 โ0
๐ฅ2 ๐ (๐ฅ , ๐ฆ)๐๐ฆ โโ ๐ 1 ๐ 2 1
๐ฅ1 + 2 1
|๐ฅ๐ฅ | ๐ฅ1 โ 1 2
๐ฅ2 ๐ (๐ฅ, ๐ฆ)๐๐ฅ๐๐ฆ โโ ๐ 1 ๐ 2
โซ
|๐ฅ๐ฅ1 | 2 |๐ฅ๐ฅ1 | ๐ฅ1 โ 2
๐ฅ1 +
โซ
๐๐ 1 (๐ฅ)๐๐ฅ
(18.2.10)
โซ
๐๐ 1 (๐ฅ1 )
Si noti il limite (18.2.10) esiste finito se risulta ๐๐ 1 (๐ฅ1 ) โ 0 e definisce una funzione della variabile ๐ฅ1 che soddisfa tutte le proprietร di una distribuzione di probabilitร . Tale funzione, che si denota con ๐๐ 2 |๐ 1 (๐ฅ2 , ๐ฅ1 ) e prende il nome di distribuzione di probabilitร condizionata. Alla ๐๐ 2|๐ 1 (๐ฅ2 , ๐ฅ1 ) corrisponde la densitร di probabilitร condizionata data dalla:
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
๐๐ 2 |๐ 1 (๐ฅ2 , ๐ฅ1 ) =
๐๐๐ 2 |๐ 1 (๐ฅ2 , ๐ฅ1 ) ๐๐ฅ2
309
(18.2.11)
ร facile rendersi conto che tale densitร di probabilitร puรฒ esprimersi in termini delle densitร del primo e del secondo ordine associate al segnale ๐ (๐ก) come segue: ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 ) = ๐๐ 1 (๐ฅ1 ) โ
๐๐ 2|๐ 1 (๐ฅ2 , ๐ฅ1 )
(18.2.12)
In modo analogo, introducendo la densitร di probabilitร condizionata ๐๐ 1 |๐ 2 (๐ฅ1 , ๐ฅ2 ) si deduce: ๐๐ 1 ๐ 2 (๐ฅ1 ๐ฅ2 ) = ๐๐ 2 (๐ฅ2 ) โ
๐๐ 1 |๐ 2 (๐ฅ1 , ๐ฅ2 )
(18.2.13)
Si noti infine che risulta: lim ๐๐ 2 |๐ 1 (๐ฅ2 , ๐ฅ1 ) = lim ๐๐ 1|๐ 2 (๐ฅ1 , ๐ฅ2 ) = ๐ฟ(๐ฅ1 โ ๐ฅ2 )
๐ก2 โ๐ก1
๐ก1 โ๐ก2
(18.2.14)
che discende immediatamente dal fatto che una stessa manifestazione del segnale non puรฒ assumere due valori distinti nello stesso istante . Inoltre tenuto conto delle condizioni di normalizzazione: โ
โ
โซ ๐๐ 1|๐ 2 (๐ฅ1 , ๐ฅ2 )๐๐ฅ1 = โซ ๐๐ 2 |๐ 1 (๐ฅ2 , ๐ฅ1 )๐๐ฅ2 = 1 โโ
โโ
(18.2.15)
dalle (18.2.12) e (18.2.13) si deduce che le densitร del primo ordine del segnale valgono rispettivamente: โ
a)
๐๐ 1 (๐ฅ1 ) = โซ ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 )๐๐ฅ2 โโ โ
b)
(18.2.16)
๐๐ 2 (๐ฅ2 ) = โซ ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 )๐๐ฅ1 โโ
dalle quali si evince che la densitร di probabilitร del primo ordine di un segnale aleatorio รจ direttamente deducibile da quella del secondo ordine per marginalizzazione. ร inoltre evidente che: a)
๐๐ 1 (๐ฅ1 ) = lim ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 )
b)
๐๐ 2 (๐ฅ2 ) = lim ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 )
๐ฅ2 โโ
๐ฅ1 โโ
(18.2.17)
310
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
18.3 - Funzioni di probabilitร dโordine superiore. In maniera analoga a quanto fatto nei paragrafi precedenti, si puรฒ denotare con ๐๐ 1๐ 2 โฆ๐ ๐ (๐ฅ1 , ๐ฅ2 , โฆ ๐ฅ๐ )
(18.3.1)
la probabilitร dellโevento E๐ฅ1๐ฅ2 โฆ๐ฅ๐ = {๐ (๐ก)|๐ 1 โค ๐ฅ1 , ๐ 2 โค ๐ฅ2 , โฆ , ๐ ๐ โค ๐ฅ๐ }
(18.3.2)
costituito cioรจ da tutte le manifestazioni del segnale ๐ (๐ก) che, in corrispondenza agli istanti di tempo ๐ก1 , ๐ก2 , โฆ , ๐ก๐ , assumono valori rispettivamente non superiori a ๐ฅ1 , ๐ฅ2 , โฆ ๐ฅ๐ . La ๐๐ 1 ๐ 2โฆ๐ ๐ (๐ฅ1 , ๐ฅ2 , โฆ ๐ฅ๐ ) costituisce la distribuzione di probabilitร di ordine ๐ associata al segnale. Ad essa corrisponde la relativa densitร di probabilitร di ordine ๐: ๐๐ 1 ๐ 2โฆ๐ ๐ (๐ฅ1 , ๐ฅ2 , โฆ , ๐ฅ๐ ): ๐๐ 1 ๐ 2โฆ๐ ๐ (๐ฅ1 , ๐ฅ2 , โฆ , ๐ฅ๐ ) =
๐ ๐ ๐๐ 1๐ 2 โฆ๐ ๐ (๐ฅ1 , ๐ฅ2 , โฆ ๐ฅ๐ ) ๐๐ฅ1 ๐๐ฅ2 โฆ ๐๐ฅ๐
(18.3.3)
in cui la derivata, anche in questo caso, รจ intesa in senso generalizzato. Dalla ๐๐ 1๐ 2โฆ๐ ๐ (๐ฅ1 , ๐ฅ2 , โฆ , ๐ฅ๐ ) si possono dedurre tutte le densitร dโordine inferiore per successiva marginalizzazione. Si ha infatti, generalizzando le (18.2.16): โ
๐๐ 1 ๐ 2โฆ๐ ๐โ1 (๐ฅ1 , โฆ , ๐ฅ๐โ1 ) = โซ ๐๐ 1๐ 2 โฆ๐ ๐ (๐ฅ1 , โฆ , ๐ฅ๐ )๐๐ฅ๐ โ
โโ โ
๐๐ 1๐ 2โฆ๐ ๐โ2 (๐ฅ1 , โฆ , ๐ฅ๐โ2 ) = โซ โซ ๐๐ 1๐ 2โฆ๐ ๐ (๐ฅ1 , โฆ , ๐ฅ๐ )๐๐ฅ๐ ๐๐ฅ๐โ1 . . . . โโ . . . . .โโ ......... โ
(18.3.4)
โ
๐๐ 1 (๐ฅ1 ) = โซ โฆ โซ ๐๐ 1๐ 2 โฆ๐ ๐ (๐ฅ1 , โฆ , ๐ฅ๐ )๐๐ฅ๐ ๐๐ฅ๐โ1 โฆ ๐๐ฅ2 โโ
โโ
La densitร di probabilitร dโordine ๐ deve inoltre soddisfare la seguente condizione di normalizzazione: โ
โ
โซ โฆ โซ ๐๐ 1๐ 2 โฆ๐ ๐ (๐ฅ1 , โฆ , ๐ฅ๐ )๐๐ฅ๐ ๐๐ฅ๐โ1 โฆ ๐๐ฅ2 ๐๐ฅ1 = 1 โโ
โโ
(18.3.5)
che esprime la circostanza che i valori assunti dal segnale negli istanti ๐ก1 , ๐ก2 , โฆ , ๐ก๐ sono certamente limitati. Si ha:
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
311
๐๐ 1๐ 2 โฆ๐ ๐ (๐ฅ1 , โฆ , ๐ฅ๐ ) ๐ฅ1
๐ฅ๐
โโ
โโ
= โซ โฆ โซ ๐๐ 1๐ 2 โฆ๐ ๐ (๐ฆ1 , โฆ , ๐ฆ๐ )๐๐ฆ1 โฆ ๐๐ฆ๐
(18.3.6)
e sono soddisfatte le uguaglianze: ๐๐ 1๐ 2 โฆ๐ ๐ (โโ, โฆ , โโ) = 0, ๐๐ 1๐ 2 โฆ๐ ๐ (โ, โฆ , โ) = 1
(18.3.7)
Da considerazioni analoghe a quelle fatte per dedurre la (18.2.7) discende: ๐๐ 1๐ 2 โฆ๐ ๐ (๐ฅ1 , ๐ฅ2 , โฆ , ๐ฅ๐ ) โฅ 0
(18.3.8)
in tutti i punti in cui ๐๐ 1๐ 2โฆ๐ ๐ (๐ฅ1 , โฆ , ๐ฅ๐ ) รจ derivabile in senso ordinario; inoltre i pesi delle eventuali delta di Dirac nella ๐๐ 1 ๐ 2โฆ๐ ๐ (๐ฅ1 , ๐ฅ2 โฆ , ๐ฅ๐ ) non possono essere negativi. Quando sono note le funzioni di probabilitร fino a allโordine ๐ di un segnale aleatorio, si dice che esso รจ statisticamente noto fino all'ordine ๐. ร evidente che quanto piรน ๐ รจ elevato tanto maggiori sono le informazioni che si hanno sulla natura del segnale. Se i valori assunti dalla generica manifestazione del segnale negli istanti ๐ก1 , ๐ก2 , โฆ , ๐ก๐ sono statisticamente indipendenti cioรจ se risulta, qualunque sia l'ordine ๐ e comunque scelti gli istanti ๐ก1 , ๐ก2 , โฆ , ๐ก๐ : ๐๐ 1๐ 2โฆ๐ ๐ (๐ฅ1 , ๐ฅ2 , โฆ , ๐ฅ๐ ) = ๐๐ 1 (๐ฅ1 )๐๐ 2 (๐ฅ2 ) โฆ ๐๐ ๐ (๐ฅ๐ )
(18.3.9)
il segnale si dice puramente casuale. In tal caso la densitร di probabilitร del primo ordine contiene giร tutte le informazioni necessarie alla descrizione statistica del segnale. La funzione di distribuzione di probabilitร dโordine ๐ per un tale segnale risulta: ๐๐ 1โฆ๐ ๐ (๐ฅ1 , โฆ , ๐ฅ๐ ) ๐ฅ1
๐ฅ2
๐ฅ๐
โโ ๐
โโ
โโ
= โซ ๐๐ 1 (๐ฅ)๐๐ฅ โซ ๐๐ 2 (๐ฅ)๐๐ฅ โฆ โซ ๐๐ ๐ (๐ฅ)๐๐ฅ (18.3.10)
= โ ๐๐ ๐ (๐ฅ๐ ) ๐=1
essa, cioรจ, come la corrispondente densitร di probabilitร , si puรฒ esprimere come prodotto di ๐ distribuzioni di probabilitร del primo ordine rispettivamente valutate in corrispondenza degli ๐ istanti di osservazione.
312
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
18.4 - Segnali aleatori deterministici. Una classe particolare di segnali aleatori รจ costituita dai cosiddetti segnali deterministici. Per essi l'evoluzione della generica manifestazione per valori di ๐ก โฅ ๐ puรฒ essere dedotta dalla conoscenza del segnale per ๐ก < ๐ . Il segnale ๐ (๐ก, ๐) = cos(2๐๐0 ๐ก + ๐) ne รจ un esempio, dal momento che nota la frequenza ๐0 l'osservazione del segnale in almeno due istanti distinti consente di determinare il valore della fase ๐ e quindi la manifestazione. In generale un segnale aleatorio deterministico รจ rappresentabile mediante una funzione ๐ (๐ก, ๐) in cui ๐ = [๐1 , ๐2 , โฆ , ๐๐ ] รจ un ๐vettore di variabili aleatorie definite su uno stesso esperimento casuale caratterizzato da una distribuzione di probabilitร congiunta ๐๐ (๐ง1 , ๐ง2 , โฆ , ๐ง๐ ). 18.5 - Segnali dipendenti da una variabile aleatoria monodimensionale funzioni di probabilitร del primo ordine. Sia ๐ = ๐ (๐ก, ๐) un segnale dipendente da una variabile aleatoria monodimensionale ๐. Si vuole determinare la distribuzione di pro-
babilitร del primo ordine ad esso associata, nota che sia la densitร di probabilitร di ๐. A tal fine si ricorda che la ๐๐ (๐กฬ) (๐ฅ) eguaglia la probabilitร che il segnale allโistante ๐กฬ assuma un valore non superiore ad ๐ฅ . Tale eventualitร si verifica tutte e sole le volte che la variabile aleatoria ๐ assume valori appartenenti allโinsieme I๐กฬ,๐ฅ = ๐ โ1 (๐กฬ, (โโ, ๐ฅ]) โ โ In altri termini ๐๐ (๐กฬ) (๐ฅ) = Pr{I๐กฬ,๐ฅ }, nellโipotesi in cui I๐กฬ,๐ฅ costituisca un evento per ๐. Questโultima ipotesi รจ certamente soddisfatta, in quanto il segnale, in virtรน della sua definizione, individua in ogni istante una variabile aleatoria sullo spazio dei risultati dellโesperimento casuale. Nel caso in esame lโinsieme dei risultati รจ โ, quindi ๐ (๐กฬ, ๐) รจ una funzione misurabile di ๐. Ciรฒ significa che lโinsieme I๐กฬ,๐ฅ รจ di Borel, (misurabile nel senso di Lebesgue) ad esso รจ quindi possibile attribuire una probabilitร nota che sia la densitร di probabilitร ๐๐ (๐ง) della variabile aleatoria ๐. In definitiva si puรฒ quindi scrivere:
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
313
๐๐ (๐กฬ ) (๐ฅ) = Pr{๐ โ1 (๐กฬ, (โโ, ๐ฅ])} = โซ ๐๐ (๐ง)๐๐ง
(18.5.1)
๐ผ๐กฬ,๐ฅ
ร opportuno sottolineare che lโintegrale che compare nella precedente va inteso come una distribuzione qualora la ๐๐ (๐ง) contenga delle delta di Dirac. Si consideri adesso il caso particolare in cui la variabile aleatoria ๐ = ๐ (๐ก, ๐) sia di tipo continuo, la variabile aleatoria ๐ sia anche essa di tipo continuo caratterizzata da una distribuzione di probabilitร ๐๐ (๐ง) derivabile dappertutto. Si supponga inoltre che il segnale in ogni istante sia rappresentabile mediante una funzione derivabile di ๐ che sia priva di tratti costanti. Si osservi che lโequazione ๐ = ๐ (๐ก, ๐) nel piano (๐, ๐, ๐ ) รจ rappresentabile mediante una famiglia di curve parametrizzate dal tempo. Assegnato un istante ๐กฬ si consideri la funzione di ๐, ๐ = ๐ (๐กฬ, ๐), (v. Fig. 18.4. Si consideri quindi sullโasse ๐ lโintervallo I๐ฅ = (๐ฅ โ
๐ฅ๐ฅ 2
,๐ฅ +
๐ฅ๐ฅ 2
];
ad esso corrisponde un'immagine inversa ๐ โ1 (๐กฬ, I๐ฅ ), che si supFig. 18.4 - rappresentazione sul piano (O, Z, s) . pone costituita da unโunione finita o al piรน numerabile di intervalli a due a due disgiunti I๐๐ , cui appartengono rispettivamente le soluzioni ๐๐ dellโequazione ๐ฅ = ๐ (๐กฬ, ๐) (v. Fig. 18.4 sia cioรจ: โ
๐ โ1 (๐กฬ, I๐ฅ ) = โช I๐๐ ๐=1
(18.5.2)
La probabilitร che nell'istante ๐กฬ il segnale assuma un valore appartenente all'intervallo I๐ฅ , รจ uguale alla probabilitร che la variabile aleatoria Z assuma un valore appartenente all'evento E = โชโ ๐=1 I๐๐ . Si puรฒ quindi scrivere: โ
Pr{๐ผ๐ฅ } = Pr{E} = โ Pr{I๐๐ } ๐=1
(18.5.3)
314
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
dal momento che gli eventi che costituiscono E sono a due a due disgiunti. Si osservi inoltre che per le ipotesi fatte sul segnale, al tendere a zero della misura |๐ฅ๐ฅ| di ๐ผ๐ฅ anche la misura |๐ฅ๐๐ | del generico ๐ผ๐๐ tende a zero; la (18.5.3) quindi, a meno dโinfinitesimi di ordine superiore al primo, si puรฒ riscrivere nella forma: โ
๐๐ (๐กฬ) (๐ฅ)|๐ฅ๐ฅ| = โ
๐=1
๐๐ (๐๐ )|๐ฅ๐๐ |
(18.5.4)
dalla quale si puรฒ concludere che: ๐๐ (๐กฬ) (๐ฅ) = 0 se: โ๐งฬ |๐ฅ = ๐ (๐กฬ, ๐งฬ ) โ ๐๐ (๐งฬ ) = 0
(18.5.5)
Inoltre, per tutti i valori di ๐ฅ in corrispondenza ai quali risulta |
๐๐ (๐ก,๐) ๐๐
|๐กฬ,๐๐ โ 0โ๐๐ , dividendo ambo i membri della (18.5.4) per |๐ฅ๐ฅ|
e passando al limite per ๐ฅ๐ฅ โ 0, si ottiene: โ
๐๐ (๐กฬ) (๐ฅ) = lim โ ๐ฅ๐ฅโ0
๐=1
๐๐ (๐๐ ) |๐ฅ๐ฅ| |๐ฅ๐๐|
โ
=โ
๐=1 |
๐๐ (๐๐ ) ๐๐ (๐ก,๐) ๐๐
|
๐กฬ ,๐๐
(18.5.6)
In corrispondenza agli eventuali valori di ๐ฅ per i quali risulta che |
๐๐ (๐ก,๐) ๐๐
|
๐กฬ ,๐๐
= 0 la ๐๐ (๐กฬ) (๐ฅ) non รจ definita; tuttavia la ๐๐ (๐กฬ) (๐ฅ) risulta de-
finita quasi ovunque dalle (18.5.5) e (18.5.6), in quanto tali punti costituiscono, per le ipotesi fatte, un insieme al piรน numerabile. Si faccia ora riferimento al caso in cui il segnale ๐ = ๐ (๐ก, ๐) sia rappresentato da una funzione costante a tratti della variabile aleatoria continua ๐; cioรจ il segnale, fatta eccezione al piรน per un insieme di manifestazioni che si presentano con probabilitร nulla, puรฒ assumere soltanto valori appartenenti ad Fig. 18.5 - rappresentazione sul piano un sottoinsieme di A โ โ al piรน (O, Z, s) , costante a tratti. numerabile, comโรจ indicato in Fig. 18.5. Ci si convince facilmente che la ๐๐ (๐ก) (๐ฅ) in questo caso รจ di tipo discreto. Infatti, facendo riferimento alla Fig. 18.5, la probabilitร che il segnale assuma il valore ๐ฅ๐ รจ data da:
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
๐๐ = Pr{๐ (๐ก, ๐) = ๐ฅ๐ } = โซ ๐๐ (๐ง)๐๐ง ๐ผ๐
315
(18.5.7)
dove lโintegrale รจ esteso a I๐ = ๐ โ1 (๐กฬ, {๐ฅ๐ }), cioรจ alla controimmagine dellโinsieme {๐ฅ๐ }, che il segnale individua nel generico istante di tempo nellโinsieme dei valori assunti dalla variabile aleatoria ๐ cui esso รจ associato. La funzione distribuzione di probabilitร del primo ordine ๐๐ (๐ก) (๐ฅ) associata al segnale presenta, in corrispondenza al generico ๐ฅ๐ , un salto di valore ๐๐ (๐ก). Il valore da essa assunto รจ dato da ๐
โ๐=โโ ๐๐ (๐ก) e ๐๐ (๐ก) (๐ฅ) mantiene tale valore fino ad ๐ฅ๐+1 . La ๐๐ (๐ก) (๐ฅ)
si presenta quindi in ogni istante fissato come una funzione a scala. La densitร di probabilitร ๐๐ (๐ก) (๐ฅ) รจ conseguentemente espressa dalla: โ
๐๐ (๐ก) (๐ฅ) = โ ๐๐ (๐ก)๐ฟ(๐ฅ โ ๐ฅ๐ ) ๐=โโ
(18.5.8)
Esempio 18.2 Si consideri il segnale ๐ (๐ก, ๐) = cos(2๐๐0 ๐ก + ๐)
Fig.E 18.3
dove ๐ denota una variabile casuale caratterizzata da una densitร di probabilitร del primo ordine data da ๐๐ (๐). Se |๐ฅ| < 1 l'equazione ๐ฅ = cos(2๐๐0 ๐ก + ๐)
presenta soluzioni generate dalle (v. Fig.E 18.3) Fig. E.IV.3
2๐๐0 ๐ก + ๐๐ = arccos๐ฅ + 2๐๐ 2๐๐0 ๐ก + ๐ โฒ ๐ = โarccos๐ฅ + 2๐๐
Poichรฉ รจ: ๐๐ = โsin(2๐๐0 ๐ก + ๐) ๐๐
risulta: |
๐๐ | = |sin(2๐๐0 ๐ก + ๐๐ )| = โ1 โ cos2 (2๐๐0 ๐ก + ๐๐ ) ๐๐ ๐ ๐
๐๐ | | = |sin(2๐๐0 ๐ก + ๐ โฒ ๐ )| = โ1 โ cos2 (2๐๐0 ๐ก + ๐ โฒ ๐ ) ๐๐ ๐โฒ } ๐
= โ1 โ ๐ฅ 2
316
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
Quindi: ๐๐ (๐ก) (๐ฅ) =
1 โ1 โ ๐ฅ 2
โ[๐๐ (๐๐ ) + ๐๐ (๐ โฒ ๐ )] ๐
Se ๐ รจ uniformemente distribuita in [0, 2๐], qualunque sia l'istante ๐ก, la sommatoria che compare nella precedente, contiene due soli termini non nulli ottenuti in corrispondenza ai valori di ๐ dati dalla: ๐ = โ๐0 ๐ก ยฑ
arccos๐ฅ โ 2๐
In definitiva risulta: ๐๐ (๐ก) (๐ฅ) =
1 ๐โ1 โ
๐ฅ
๐ฅ2
โ (2 )
il cui andamento in funzione di ๐ฅ รจ riportato in Fig.E 18.4a). La distribuzione di probabilitร si ottiene per integrazione della precedente. Si ha: ๐๐ (๐ก) (๐ฅ) 1 arcsin๐ฅ ๐ฅ =( + )โ( ) 2 ๐ 2 Fig.E 18.4
+ u(๐ฅ โ 1)
ed รจ rappresentata nella Fig.E 18.4 b). funzioni di probabilitร dโordine superiore al primo. Sia ๐ (๐ก, ๐) un segnale aleatorio rappresentato da una funzione che, rispetto alla variabile aleatoria continua ๐, sia derivabile e non
presenti tratti costanti. ๐ฅ๐ ๐ฅ๐ ๐ฅ๐ ๐ฅ๐ Posto I1 = (๐ฅ1 โ 21 , ๐ฅ1 + 21), I2 = (๐ฅ2 โ 22 , ๐ฅ2 + 22) la probabilitร che si verifichi l'evento: E = {๐ (๐ก, ๐)|๐ 2 = ๐ (๐ก2 , ๐) โ I2 โง ๐ 1 = ๐ (๐ก1 , ๐) โ I1 }
(18.5.9)
a meno di infinitesimi dโordine superiore , vale: Pr{E} = ๐๐ 2 ๐ 1 (๐ฅ2 , ๐ฅ1 )๐ฅ๐ 2 ๐ฅ๐ 1
(18.5.10)
Questโultima puรฒ essere espressa in termini della variabile aleatoria ๐ osservando che all'istante ๐ก1 esiste un numero finito, o al piรน unโinfinitร numerabile, di intervalli elementari a due a due disgiunti tali che risulti:
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร โ1 โชโ ๐=1 J1๐ = ๐ (๐ก1 , I1 )
317
(18.5.11)
Ciascuno di questi intervalli, a meno dโinfinitesimi dโordine superiore, se risulta |
๐๐ (๐ก1 ,๐)
|
๐๐
J1๐ = (๐๐ โ
๐=๐๐
2|
โ 0 รจ dato da:
๐ฅ๐ 1 ๐๐ (๐ก1 ,๐)
|
๐๐
, ๐๐ +
2|
๐=๐๐
๐ฅ๐ 1 ๐๐ (๐ก1 ,๐) ๐๐
|
)
(18.5.12)
๐=๐๐
dove ๐๐ rappresenta la generica soluzione dellโequazione ๐ฅ1 = ๐ (๐ก1 , ๐). La probabilitร che la variabile aleatoria ๐ appartenga ad uno di questi intervalli vale a sua volta: Pr{{๐ โ J1๐ }} = ๐๐ (๐๐ )
|
๐ฅ๐ 1 ๐๐ (๐ก1 ,๐)
|
๐๐
๐=๐๐
(18.5.13)
dove la ๐๐ (โ
) indica la densitร di probabilitร di ๐. Si constata che: Pr{E} = ๐๐ 1 ๐ 2 (๐ฅ2 , ๐ฅ1 )๐ฅ๐ 1 ๐ฅ๐ 2 โ
= โ ๐๐๐ 2 (๐๐ , ๐ฅ2 ) ๐=1
|
๐ฅ๐ 1 ๐๐ (๐ก1 ,๐) ๐๐
|
๐ฅ๐ 2
(18.5.14)
๐=๐๐
Ma se ๐ = ๐๐ il segnale allโistante ๐ก2 assumerร con certezza il valore ๐ (๐ก2 , ๐๐ ). Pertanto si puรฒ scrivere: ๐๐๐ 2 (๐๐ , ๐ฅ2 ) = ๐ฟ(๐ฅ2 โ ๐ (๐ก2 , ๐๐ ))๐๐ (๐๐ )
(18.5.15)
che, sostituita nella (18.5.14), consente di scrivere la densitร di probabilitร del secondo ordine di un segnale deterministico associato ad una variabile aleatoria monodimensionale: โ
๐๐ 1 ๐ 2 (๐ฅ1 , ๐ฅ2 ) = โ ๐=1
๐ฟ(๐ฅ2 โ ๐ (๐ก2 , ๐๐ ))๐๐ (๐๐ ) |
๐๐ (๐ก1 ,๐) ๐๐
|
๐=๐๐
(18.5.16)
Le densitร di probabilitร di ordine piรน elevato possono ricavarsi con procedimento analogo.
318
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
Esempio 18.3 La densitร di probabilitร del secondo ordine per il segnale dellโesempio precedente per |x 1 |< 1 ed |x 2 |< 1 puรฒ essere scritta nella forma: ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 ) โ
= โ [ ๐=โโ
๐๐ (๐๐ ) ๐๐ (๐ก1 ,๐)
|
๐๐
|
๐ฟ(๐ฅ2 โ ๐ (๐ก2 , ๐๐ )) +
๐=๐๐
๐๐ (๐ฬ
๐ ) ๐๐ (๐ก1 ,๐)
|
๐๐
|
๐ฟ(๐ฅ2 โ ๐ (๐ก2 , ๐ฬ
๐ ))]
ฬ
๐ ๐=๐
dove รจ ๐ (๐ก2 , ๐๐ ) = cos(2๐๐0 ๐ก2 + ๐๐ ) = cos(2๐๐0 (๐ก2 โ ๐ก1 ) + arccos(๐ฅ1 )) ๐ (๐ก2 , ๐ฬ
๐ ) = cos(2๐๐0 ๐ก2 + ๐ฬ
๐ ) = cos(2๐๐0 (๐ก2 โ ๐ก1 ) โ arccos(๐ฅ1 ))
e ๐๐ = arccos(๐ฅ1 ) โ 2๐๐0 ๐ก1 + 2๐๐ ๐ฬ
๐ = โarccos(๐ฅ1 ) โ 2๐๐0 ๐ก1 + 2๐๐
i valori della fase ๏ช che soddisfano la condizione: ๐ฅ1 = cos(2๐๐0 ๐ก1 + ๐)
conseguentemente, per |๐ฅ1 | โค 1 ed |๐ฅ2 | โค 1, si ha: 1
{๐ฟ[๐ฅ2 โ cos(2๐๐0 (๐ก2 โ ๐ก1 ) โ arccos(๐ฅ1 ))] + 2๐โ1 โ ๐ฅ12 +๐ฟ[๐ฅ2 โ cos(2๐๐0 (๐ก2 โ ๐ก1 ) + arccos(๐ฅ1 ))]}
๐๐ 1,๐ 2 (๐ฅ1 , ๐ฅ2 ) =
mentre evidentemente per |๐ฅ1 | > 1 o per |๐ฅ2 | > 1 risulta: ๐๐ 1,๐ 2 (๐ฅ1 , ๐ฅ2 ) = 0
18.6 - Segnali dipendenti da un vettore aleatorio. Si consideri per semplicitร il caso di un segnale deterministico ๐ (๐ก, ๐) in cui ๐ รจ un vettore aleatorio continuo bidimensionale; inoltre il segnale sia una funzione continua e priva di tratti costanti delle componenti di ๐, parzialmente derivabile ovunque. Posto ๐ผ1 = (๐ฅ1 โ
๐ฅ๐ 1 2
, ๐ฅ1 +
๐ฅ๐ 1 2
), ๐ผ2 = (๐ฅ2 โ
๐ฅ๐ 2 2
, ๐ฅ2 +
๐ฅ๐ 2 2
), la
probabilitร che si verifichi l'evento: ๐ธ = {๐ (๐ก, ๐)|๐ 2 โ ๐ผ2 โง ๐ 1 โ ๐ผ1 }
(18.6.1)
รจ a meno di infinitesimi di ordine superiore รจ data da: Pr{E} = ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 )๐ฅ๐ 1 ๐ฅ๐ 2 = Pr{๐ โ A=๐ โ1 (๐ก1 , I1 ) โฉ ๐ โ1 (๐ก2 , I2 )}
(18.6.2)
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
319
L'insieme A รจ evidentemente costituito, per le ipotesi fatte sul segnale, da una unione al piu numerabile di sottoinsiemi A๐ in โ2 a due a due disgiunti. La (18.6.2) si puรฒ quindi scrivere: โ
๐๐ 1 ๐ 2 (๐ฅ1 , ๐ฅ2 )๐ฅ๐ 1 ๐ฅ๐ 2 = โ ๐๐ (๐ง1๐ , ๐ง2๐ ) ๐=1
๐ฅ๐ 1 ๐ฅ๐ 2 |๐ฝ|๐ง=๐ง๐
(18.6.3)
dove la coppia๐ง1๐ , ๐ง2๐ rappresenta lโ๐-esima soluzione del sistema: ๐ฅ = ๐ (๐ก1 , ๐ง1 , ๐ง2 ); { 1 ๐ฅ2 = ๐ (๐ก2 , ๐ง1 , ๐ง2 );
(18.6.4)
e |๐ฝ| il modulo del determinante Jacobiano ๐๐ (๐ก1 , ๐ง1 , ๐ง2 ) ๐(๐ 1 , ๐ 2 ) ๐๐ง1 ๐ฝ= = || ๐๐ (๐ก2 , ๐ง1 , ๐ง2 ) ๐(๐ง1 , ๐ง2 ) ๐๐ง1
๐๐ (๐ก1 , ๐ง1 , ๐ง2 ) ๐๐ง2 | ๐๐ (๐ก2 , ๐ง1 , ๐ง2 )| ๐๐ง2
(18.6.5)
Si osservi che per valutare le densitร di probabilitร del primo ordine basta marginalizzare le (18.6.3)rispetto ad una delle due variabili ๐ฅ1 , ๐ฅ2 . In modo analogo si determinano le densitร di probabilitร nel caso in cui il segnale dipenda da un vettore aleatorio ๐-dimensionale. In tal caso si procede alla determinazione della densitร di probabilitร dโordine ๐ e per successive marginalizzazioni si possono via via ottenere le densitร di probabilitร dโordine inferiore. Esempio 18.4 Sia ๐ (๐ก, ๐, ๐) = ๐cos(2๐๐0 ๐ก + ๐)
un segnale aleatorio dipendente da due variabili aleatorie V, ๏ช che si suppongono statisticamente indipendenti e caratterizzate da densitร di probabilitร del primo ordine che valgono: ๐๐ (๐ฃ) =
๐ฃ โ ๐22 1 ๐โ๐ ๐ 2๐ u(๐ฃ); ๐๐ (๐) = โ ( ) 2 ๐ 2๐ 2๐
Il sistema (IV.2.20) in tal caso diventa: ๐ฅ = ๐ฃcos(2๐๐0 ๐ก1 + ๐); { 1 ๐ฅ2 = ๐ฃcos(2๐๐0 ๐ก2 + ๐);
La prima delle (a) fornisce ๐1 = arccos
๐ฅ1 ๐ฅ1 โ 2๐๐0 ๐ก1 ๐1ฬ
= โarccos โ 2๐๐0 ๐ก1 ๐ฃ ๐ฃ
320
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
pertanto risulta: cos๐1 = cos (arccos = cos (arccos =
๐ฅ1 โ 2๐๐0 ๐ก1 ) ๐ฃ
๐ฅ1 ๐ฅ1 ) cos2๐๐0 ๐ก1 + sin (arccos ) sin2ฯf0 t1 ๐ฃ ๐ฃ
๐ฅ1 ๐ฅ12 cos2๐๐0 ๐ก1 + โ1 โ 2 sin2ฯf0 t1 ๐ฃ ๐ฃ
sin๐1 = sin (arccos = sin (arccos = โ1 โ
๐ฅ1 โ 2๐๐0 ๐ก1 ) ๐ฃ
๐ฅ1 ๐ฅ1 ) cos2๐๐0 ๐ก1 โ cos (arccos ) sin(2๐๐0 ๐ก1 ) ๐ฃ ๐ฃ
๐ฅ12 ๐ฅ1 cos2๐๐0 ๐ก1 โ sin2๐๐0 ๐ก1 ๐ฃ2 ๐ฃ
ed analogamente: ๐๐๐ ๐1ฬ
=
๐ฅ1 ๐ฅ12 cos(2๐๐0 ๐ก1 ) โ โ1 โ 2 sin(2ฯf0 t1 ); ๐ฃ ๐ฃ
๐ฅ1 ๐ฅ12 sin๐1ฬ
= โ cos(2๐๐0 ๐ก1 ) โ โ1 โ 2 sin(2ฯf0 t1 ); ๐ฃ ๐ฃ {
D'altra parte la seconda delle (a) puรฒ anche scriversi: ๐ฅ2 = ๐ฃ(cos(2๐๐0 ๐ก2 )cos๐ โ sin(2๐๐0 ๐ก2 )sin๐)
sostituendo si ottiene: ๐ฅ2 = ๐ฃ(
๐ฅ1 ๐ฅ12 cos(2๐๐0 ๐ก1 )cos(2๐๐0 ๐ก2 ) + โ1 โ 2 cos(2๐๐0 ๐ก1 )sin(2๐๐0 ๐ก2 ) ๐ฃ ๐ฃ
โ โ1 โ
๐ฅ12 ๐ฅ1 sin(2ฯf0 t1 )cos(2๐๐0 ๐ก2 ) + sin(2ฯf0 t1 )sin(2๐๐0 ๐ก2 )) ๐ฃ2 ๐ฃ
= ๐ฅ1 cos2๐๐0 (๐ก2 โ ๐ก1 ) โ โ๐ฃ 2 โ ๐ฅ12 sin(2๐๐0 (๐ก2 โ ๐ก1 ))
che risolta rispetto a ๏ฎ fornisce ๐ฃ=
โ๐ฅ12 + ๐ฅ22 โ 2๐ฅ1 ๐ฅ2 cos(2๐๐0 (๐ก2 โ ๐ก1 )) |sin(2๐๐0 (๐ก2 โ ๐ก1 ))|
supposto 2๐๐ (๐ก2 โ ๐ก1 ) โ ๐๏ฐ. 0 Per la soluzione ๏ ๏1 analogamente si ottiene
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
321
๐ฅฬ
2 = ๐ฅ1 cos(2๐๐0 (๐ก2 โ ๐ก1 )) + โ๐ฃ 2 โ ๐ฅ12 sin(2๐๐0 (๐ก2 โ ๐ก1 ))
che risolta rispetto a ๏ฎ fornisce ๐ฃฬ
=
โ๐ฅ12 + ๐ฅฬ
22 โ 2๐ฅ1 ๐ฅฬ
2 cos(2๐๐0 (๐ก2 โ ๐ก1 )) =๐ฃ |sin(2๐๐0 (๐ก2 โ ๐ก1 ))|
Lo Jacobiano della trasformazione vale cos(2๐๐0 ๐ก1 + ๐) โ๐ฃsin(2๐๐0 ๐ก1 + ๐) ๐ฝ=| | = โ๐ฃsin(2๐๐0 (๐ก2 โ ๐ก1 )) cos(2๐๐0 ๐ก2 + ๐) โ๐ฃsin(2๐๐0 ๐ก2 + ๐)
quindi la densitร di probabilitร del secondo ordine cercata รจ data da: ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 ) = =
๐๐ (๐ฃ) ๐๐ (๐ฃฬ
) + 2๐๐ฃ|sin(2๐๐0 (๐ก2 โ ๐ก1 ))| 2๐๐ฃฬ
|sin(2๐๐0 (๐ก2 โ ๐ก1 ))|
๐๐ (๐ฃ) ๐|sin(2๐๐0 (๐ก2 โ ๐ก1 ))|
che sostituendo alla variabile ๏ฎ la sua espressione in termini di x1 ed x2 diventa: 2
๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 ) =
2
1๐ฅ2cos(2๐๐0(๐ก2 โ๐ก1 )) โ๐ฅ12 + ๐ฅ22 โ 2๐ฅ1 ๐ฅ2 cos(2๐๐0 (๐ก2 โ ๐ก1 )) โ๐ฅ1+๐ฅ2โ2๐ฅ 2๐2 sin2 (2๐๐0 (๐ก2โ๐ก1 )) ๐ 2 2 ๐ ๐sin (2๐๐0 (๐ก2 โ ๐ก1 ))
18.7 - Segnali distinti. Funzioni di probabilitร congiunte. Siano ๐(๐ก) e ๐(๐ก) due segnali aleatori a tempo continuo, definiti sullo stesso spazio di probabilitร . Si prenda in considerazione l'evento ๐ผ๐ฅ๐ฆ il cui generico elemento รจ una coppia di manifestazioni (๐(๐ก), ๐(๐ก)) tale che ๐(๐ก) all'istante ๐ก1 , assuma un valore appartenente alla semiretta ๐ผ๐ฅ = (โโ, ๐ฅ] e che, all'istante ๐ก2 , ๐(๐ก) assuma un valore appartente a ๐ผ๐ฆ = (โโ, ๐ฆ]. Si osservi che la probabilitร dellโevento ๐ผ๐ฅ๐ฆ , oltre che da ๐ฅ e da ๐ฆ, dipende evidentemente anche dagli istanti ๐ก1 e ๐ก2 dโosservazione, risulta: Pr{๐ผ๐ฅ๐ฆ } = ๐๐1 ๐2 (๐ฅ, ๐ฆ)
(18.7.1)
dove la funzione ๐๐1 ๐2 (๐ฅ, ๐ฆ) rappresenta la distribuzione di probabilitร congiunta associata ai due segnali. Naturalmente tale distribuzione di probabilitร , indipendentemente dagli istanti di tempo considerati, soddisfa le condizioni: a)
๐๐1 ๐2 (โ, โ) = 1
b)
๐๐1 ๐2 (โโ, โโ) = 0
(18.7.2)
322
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
La corrispondente funzione di densitร di probabilitร congiunta ๐๐1 ๐2 (๐ฅ, ๐ฆ) รจ la derivata mista, eventualmente intesa in senso generalizzato, della ๐๐1 ๐2 (๐ฅ, ๐ฆ) e soddisfa le condizioni: โฌ ๐๐1 ๐2 (๐ฅ, ๐ฆ)๐๐ฅ๐๐ฆ = 1 โ2
๐ฅ
(18.7.3)
๐ฆ
๐๐1 ๐2 (๐ฅ, ๐ฆ) = โซ โซ ๐๐1 ๐2 (๐, ๐)๐๐๐๐ โโ โโ
(18.7.4)
Introducendo le densitร di probabilitร condizionate la funzione ๐๐1 ๐2 (๐ฅ, ๐ฆ) puรฒ essere scritta come segue: a)
๐๐1 ๐2 (๐ฅ, ๐ฆ) = ๐๐1 (๐ฅ) โ
๐๐2|๐1 (๐ฆ, ๐ฅ)
b)
๐๐1 ๐2 (๐ฅ, ๐ฆ) = ๐๐2 (๐ฆ) โ
๐๐1 |๐2 (๐ฅ, ๐ฆ)
(18.7.5)
dove ๐๐1 (๐ฅ) e ๐๐2 (๐ฆ) denotano le densitร di probabilitร del primo ordine associate ai segnali ๐(๐ก) e ๐(๐ก), valutate negli istanti ๐ก1 e ๐ก2 rispettivamente. Essendo peraltro: โ
โ
โซ ๐๐1 |๐2 (๐ฅ, ๐ฆ)๐๐ฅ = โซ ๐๐2|๐1 (๐ฆ, ๐ฅ)๐๐ฆ = 1 โโ
โโ
(18.7.6)
si ottiene per integrazione delle (18.7.5) โ
a)
๐๐1 (๐ฅ) = โซ ๐๐1 ๐2 (๐ฅ, ๐ฆ)๐๐ฆ
b)
๐๐2 (๐ฆ) = โซ ๐๐1 ๐2 (๐ฅ, ๐ฆ)๐๐ฅ
โโ โ
(18.7.7)
โโ
che consentono di determinare le densitร di probabilitร del primo ordine associate ai segnali ๐(๐ก) e ๐(๐ก) nota che sia la loro densitร di probabilitร congiunta. Se risulta: ๐๐1 ๐2 (๐ฅ, ๐ฆ) = ๐๐1 (๐ฅ) โ
๐๐2 (๐ฆ)
(18.7.8)
i segnali si dicono congiuntamente statisticamente indipendenti. Dal confronto tra le (18.7.5) e la 0(18.7.8) discende che in questo caso: a)
๐๐1 |๐2 (๐ฅ, ๐ฆ) = ๐๐1 (๐ฅ)
b)
๐๐2|๐1 (๐ฆ, ๐ฅ) = ๐๐2 (๐ฆ)
(18.7.9)
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
323
cioรจ: la probabilitร che una manifestazione del segnale ๐(๐ก) (๐(๐ก)) as๐ฅ๐ฅ suma all'istante ๐ก1 (๐ก2 ) un valore compreso nell'intervallo ]๐ฅ โ 2 , ๐ฅ + ๐ฅ๐ฅ 2
] (]๐ฆ โ
๐ฅ๐ฆ 2
,๐ฆ +
๐ฅ๐ฆ 2
]) รจ indipendente dal valore assunto dal sgnale
๐(๐ก) (๐(๐ก)) all'istante ๐ก2 (๐ก1 ). Esempio 18.5 Sia z(t) un segnale aleatorio dato da: ๐ง(๐ก) = ๐(๐ฅ(๐ก), ๐ฆ(๐ก))
funzione cioรจ di due segnali ๐ฅ(๐ก) e ๐ฆ(๐ก) dei quali sia assegnata la densitร di probabilitร congiunta. Per determinare la densitร di Fig.E 18.5 probabilitร del primo ordine di ๐ง(๐ก) basta osservare che la corrispondente funzione di distribuzione di probabilitร si ottiene dalla: ๐๐ง(๐ก) (๐) = Pr{๐ง(๐ก) โค ๐}
Detta allora ฮฉ๐ la regione del piano (๐, ๐ฅ, ๐ฆ) (v. Fig.E 18.5) costituita da tutte le coppie (๐ฅ, ๐ฆ) per le quali risulti ๐(๐ฅ, ๐ฆ) โค ๐. ร evidente che il valore assunto dalla ๐๐ง(๐ก) (โ
) quando il suo argomento รจ ๐ รจ dato da: ๐๐ง(๐ก) (๐) = Pr{(๐ฅ, ๐ฆ) โ ฮฉ๐ } = โฌ ๐๐ฅ(๐ก)๐ฆ(๐ก) (๐, ๐)๐๐๐๐ ๐บ๐
E' da notare che la regione ฮฉ๐ potrebbe non essere semplicemente connessa come mostra la Fig. E.IV.5 Dalla ๐๐ง(๐ก) (๐) si deduce immediatamente: ๐๐ง(๐ก) (๐) = Fig.E 18.6
๐๐๐ง(๐ก) (๐) ๐๐
Nel caso in cui il segnale ๐ง(๐ก) รจ la somma dei segnali ๐ฅ(๐ก) e ๐ฆ(๐ก), la regione ฮฉ๐ costituita da tutte le coppie (๐ฅ, ๐ฆ) che soddisfano la disugualianza: ๐ฅ+๐ฆ โค ๐
tale regione รจ il semipiano evidenziato in Fig. E.IV.6. Si ha pertanto:
324
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori โ
๐งโ๐ฅ
๐๐ง(๐ก) (๐) = โซ โซ
โโ โโ
๐๐ฅ(๐ก)๐ฆ(๐ก) (๐, ๐)๐๐๐๐
quindi: โ
๐๐ง(๐ก) (๐) = โซ ๐๐ฅ(๐ก)๐ฆ(๐ก) (๐, ๐ โ ๐)๐๐ โโ
Nellโulteriore eventualitร in cui i segnali ๐ฅ(๐ก) e ๐ฆ(๐ก), siano statisticamente indipendenti la precedente assume la forma: โ
๐๐ง(๐ก) (๐) = โซ ๐๐ฅ(๐ก) (๐)๐๐ฆ(๐ก) (๐ โ ๐)๐๐ โโ
la densitร di probabilitร cercata รจ quindi in questo caso data dalla convoluzione tra le densitร di probabilitร dei due segnali.
CAPITOLO - 19 VALORI MEDI, STAZIONARIETร ED ERGODICITร 19.1 - Medie statistiche. Sia ๐ (๐ก, ๐) un segnale aleatorio associato ad un esperimento casuale di cui ๐ rappresenta il generico risultato, al quale corrisponde una densitร di probabilitร del primo ordine data da ๐๐ (๐ก) (๐ฅ). Per un assegnato valore di ๐ก รจ individuata una variabile aleatoria ๐ = ๐ (๐ก, ๐) della quale si puรฒ calcolare il valore medio, il valore quadratico medio, la varianza, o piรน in generale, la media di una qualunque funzione misurabile ๐ฆ = ๐(๐ ): โ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
= โซ ๐(๐ฅ)๐๐ (๐ก) (๐ฅ)๐๐ฅ ๐ธ{๐(๐ )} = ๐(๐ ) โโ
(19.1.1)
ร opportuno qui sottolineare che la media espressa dalla (19.1.1) dipende in genere dall'istante di osservazione ๐ก. Se ๐(๐ ) = ๐ ๐ (con ๐ intero) dalla (19.1.1) si ottiene il valore medio statistico della potenza ๐-esima del segnale: โ
๐๐ (๐ก) = โซ ๐ฅ ๐ ๐๐ (๐ก) (๐ฅ)๐๐ฅ โโ
(19.1.2)
che costituisce il momento ๐ -esimo del primo ordine del segnale ๐ (๐ก). In particolare risulta: โ
๐0 (๐ก) = โซ ๐๐ (๐ก) (๐ฅ)๐๐ฅ = 1 โโ
(19.1.3)
Per ๐ = 1 si ha: โ
๐(๐ก) = ๐ธ{๐ (๐ก, ๐)} = ๐ ฬ
= โซ ๐ฅ๐๐ (๐ก) (๐ฅ)๐๐ฅ โโ
(19.1.4)
che prende il nome di valore medio statistico del segnale. Per ๐ = 2 si deduce: โ
๐2 (๐ก) = ๐ธ{๐ 2 (๐ก, ๐)} = ฬ
ฬ
ฬ
๐ 2 = โซ ๐ฅ 2 ๐๐ (๐ก) (๐ฅ)๐๐ฅ โโ
(19.1.5)
326
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
che rappresenta il valore quadratico medio statistico del segnale. La varianza del segnale vale evidentemente: ๐2 (๐ก) = ๐ธ{(๐ (๐ก, ๐) โ ๐(๐ก))2 } = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
(๐ โ ๐(๐ก))2 โ
= โซ (๐ฅ โ ๐(๐ก))2 ๐๐ (๐ก) (๐ฅ)๐๐ฅ
(19.1.6)
โโ
Piรน in generale il suo momento centrale ๐ -esimo del primo ordine vale: โ
๐ ๐ (๐ก) โก ๐๐ (๐ก) = โซ (๐ฅ โ ๐(๐ก))๐ ๐๐ (๐ก) (๐ฅ)๐๐ฅ
(19.1.7)
๐ 2 (๐ก) = ๐2 (๐ก) โ ๐2 (๐ก)
(19.1.8)
โโ
risulta: Nel caso in cui la generica manifestazione del segnale ๐ (๐ก, ๐) dipenda dal valore assunto da un vettore aleatorio ๐ a ๐ dimensioni, il valore medio di una qualunque funzione ๐(๐ (๐ก, ๐)) misurabile puรฒ essere calcolato anche utilizzando il teorema della: โ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
= โซ ๐(๐ฅ)๐๐ (๐ก) (๐ฅ)๐๐ฅ = โซ ๐(๐ (๐ก, ๐ง)๐๐ (๐)๐๐ ๐(๐ ) โ๐
โโ
(19.1.9)
dove ๐๐ (๐) denota la densitร di probabilitร congiunta associata al vettore aleatorio ๐ da cui dipende il segnale. In generale dato un segnale ๐ = ๐ (๐ก, ๐) fissata ๐ upla ๐ก1 , โฆ , ๐ก๐ viene individuato un vettore ๐ di variabili aleatorie definite su di uno stesso esperimento casuale le cui componenti sono rispettivamente: ๐ 1 = ๐ (๐ก1 , ๐), โฆ , ๐ ๐ = ๐ (๐ก๐ , ๐). Data una generica funzione misurabile ๐(๐) definita in uno spazio ๐-dimensionale รจ possibile definire la media statitistica di tale funzione ponendo: ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
= ๐ธ{๐(๐ )} = โซ ๐(๐ฅ)๐๐ ๐ โฆ๐ (๐ฅ)๐๐ฅ ๐(๐ ) 1 2 ๐ โ๐
(19.1.10)
dove ๐๐ 1๐ 2 โฆ๐ ๐ (๐) indica la densitร di probabilitร di ordine ๐ del segnale. In particolare, considerando solo due istanti di tempo ๐ก1 , ๐ก2 la precedente si riduce alla: ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐(๐ 1 , ๐ 2 ) = โฌ ๐(๐ฅ1 , ๐ฅ2 )๐๐ 1 ๐ 2 (๐ฅ1 , ๐ฅ2 )๐๐ฅ1 ๐๐ฅ2 โ2
(19.1.11)
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
327
Se in particolare ๐(๐ 1 , ๐ 2 ) = ๐ 1๐ ๐ 2๐ dalla (19.1.11) si ottiene il momento (๐ + ๐)-esimo del secondo ordine del segnale: ๐ ๐ ๐ ๐ ๐๐๐ (๐ก1 , ๐ก2 ) = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ 1 ๐ 2 = ๐ธ{๐ 1 ๐ 2 } ๐ ๐
= โฌ ๐ฅ1 ๐ฅ2 ๐๐ 1 ๐ 2 (๐ฅ1 , ๐ฅ2 )๐๐ฅ1 ๐๐ฅ2
(19.1.12)
โ2
che in particolare per ๐ = ๐ = 0 si riduce alla: ๐00 (๐ก1 , ๐ก2 ) = โฌ ๐๐ 1 ๐ 2 (๐ฅ1 , ๐ฅ2 )๐๐ฅ1 ๐๐ฅ2 = 1 โ2
(19.1.13)
e per ๐ = ๐ = 1 fornisce la cosiddetta funzione di autocorrelazione ๐
๐ (๐ก1 , ๐ก2 ) del segnale: ๐
๐ (๐ก1 , ๐ก2 ) โก ๐11 (๐ก1 , ๐ก2 ) = โฌ ๐ฅ1 ๐ฅ2 ๐๐ 1 ๐ 2 (๐ฅ1 , ๐ฅ2 )๐๐ฅ1 ๐๐ฅ2 โ2
(19.1.14)
Si possono anche definire dei momenti centrali (๐ + ๐)-esimi del secondo ordine: ๐๐๐ (๐ก1 , ๐ก2 ) = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
(๐ 1 โ ๐(๐ก1 ))๐ (๐ 2 โ ๐(๐ก2 ))๐ โ
= โฌ โซ (๐ฅ1 โ ๐(๐ก1 ))๐ (๐ฅ2 โ
R2 โโ ๐(๐ก2 ))๐ ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 )๐๐ฅ1 ๐๐ฅ2
(19.1.15)
in particolare il momento centrale ๏ญ11 prende il nome di autocovarianza e risulta: ๐๐ (๐ก1 , ๐ก2 ) โก ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
(๐ 1 โ ๐(๐ก1 ))(๐ 2 โ ๐(๐ก2 )) = ฬ
ฬ
ฬ
ฬ
ฬ
๐ 1 ๐ 2 โ ๐ ฬ
1 โ
๐(๐ก2 ) โ ๐(๐ก1 ) โ
๐ ฬ
2 + ๐(๐ก1 )๐(๐ก2 ) = ฬ
ฬ
ฬ
ฬ
ฬ
๐ 1 ๐ 2 โ ๐(๐ก1 )๐(๐ก2 ) = ๐
๐ (๐ก1 , ๐ก2 ) โ ๐ ฬ
1 โ
๐ ฬ
2
(19.1.16)
I momenti centrali ๐20 e ๐02 individuano la varianza del segnale valutata negli istanti ๐ก1 e ๐ก2 rispettivamente: a)
๐20 (๐ก1 ) = ๐ 2 (๐ก1 ) = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
(๐ 1 โ ๐(๐ก1 ))2
b)
๐02 (๐ก2 ) = ๐ 2 (๐ก2 ) = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
(๐ 2 โ ๐(๐ก2 ))2
(19.1.17)
Anche nel caso di due segnali aleatori distinti ๐ฅ(๐ก) e ๐ฆ(๐ก), si puรฒ definire il valore medio statistico della funzione ๐(๐ฅ1 , ๐ฆ2 ) mediante la: ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐(๐ฅ1 , ๐ฆ2 ) = ๐ธ{๐(๐ฅ1 , ๐ฆ2 )} = โฌ ๐(๐, ๐)๐๐ฅ1 ๐ฆ2 (๐, ๐)๐๐๐๐ โ2
(19.1.18)
328
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
essendo rispettivamente ๐ฅ1 e ๐ฆ1 le variabili aleatorie ๐ฅ(๐ก1 ) e ๐ฆ(๐ก2 ) e dove ๐๐ฅ1 ๐ฆ2 (๐, ๐) denota la densitร di probabilitร congiunta dei due segnali. Il momento incrociato (๐ + ๐)-esimo รจ allora definito dalla: ๐ ๐ ๐ ๐ ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ฅ1 ๐ฆ2 = ๐ธ{๐ฅ1 ๐ฆ2 } = โฌ ๐ ๐ ๐ ๐ ๐๐ฅ1 ๐ฆ2 (๐, ๐)๐๐๐๐ โ2
(19.1.19)
Qualora i segnali siano statisticamente indipendenti risulta evidentemente: ๐ ๐ ๐ ๐ ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ฅ1 ๐ฆ2 = ฬ
ฬ
ฬ
๐ฅ1 โ
ฬ
ฬ
ฬ
๐ฆ2
(19.1.20)
cioรจ il valore medio del binomio ๐ฅ1๐ ๐ฆ2๐ si ottiene dal prodotto dei va๐ ๐ lori medi delle quantitร ๐ฅ1 e ๐ฆ2 Se si pone nella (19.1.19) ๐ = ๐ = 1 si ha: ๐
๐ฅ๐ฆ (๐ก1 , ๐ก2 ) = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ฅ1 ๐ฆ2 = ๐ธ{๐ฅ1 ๐ฆ2 } = โฌ ๐๐๐๐ฅ1 ๐ฆ2 (๐, ๐)๐๐๐๐ โ2
(19.1.21)
che costituisce la funzione di correlazione incrociata o di mutua correlazione associata ai due segnali. I momenti centrali (๐ + ๐)-esimi incrociati, sono definiti come segue: ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
(๐ฅ1 โ ๐ฅฬ
1 )๐ (๐ฆ2 โ ๐ฆฬ
2 )๐ = ๐ธ{(๐ฅ1 โ ๐ฅฬ
1 )๐ (๐ฆ2 โ ๐ฆฬ
2 )๐ } = โฌ (๐ฅ โ ๐ฅฬ
1 )๐ (๐ฆ โ ๐ฆฬ
2 )๐ ๐๐ฅ1 ๐ฆ2 (๐ฅ, ๐ฆ)๐๐ฅ๐๐ฆ
(19.1.22)
โ2
Ponendo ๐ = ๐ = 1 si ha: ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐๐ฅ๐ฆ (๐ก1 , ๐ก2 ) โก (๐ฅ ฬ
2 ) 1 โ ๐ฅฬ
1 )(๐ฆ2 โ ๐ฆ = ๐ธ{(๐ฅ1 โ ๐ฅฬ
1 )(๐ฆ2 โ ๐ฆฬ
2 )} = โฌ (๐ฅ โ ๐ฅฬ
1 )(๐ฆ โ ๐ฆฬ
2 )๐๐ฅ1๐ฆ2 (๐ฅ, ๐ฆ)๐๐ฅ๐๐ฆ
(19.1.23)
โ2
che รจ la covarianza mutua. Si ottiene facilmente: ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐๐ฅ๐ฆ (๐ก1 , ๐ก2 ) = (๐ฅ ฬ
2 ) 1 โ ๐ฅฬ
1 )(๐ฆ2 โ ๐ฆ ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
= ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ฅ1 โ
๐ฆ2 โ ๐ฅ1 โ
๐ฆฬ
2 โ ๐ฅฬ
1 โ
๐ฆ2 + ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ฅฬ
1 โ
๐ฆฬ
2 = ๐
๐ฅ๐ฆ (๐ก1 , ๐ก2 ) โ ๐ฅฬ
1 โ
๐ฆฬ
2
(19.1.24)
Nel caso in cui i segnali siano statisticamente indipendenti risulta ๐
๐ฅ๐ฆ (๐ก1 , ๐ก2 ) = ๐ฅฬ
1 โ
๐ฆฬ
2 , quindi: ๐๐ฅ๐ฆ (๐ก1 , ๐ก2 ) = 0
(19.1.25)
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
329
Esempio 19.1 Si prenda in considerazione il segnale ๐ (๐ก, ๐) = ๐๐๐ (2๐๐0 ๐ก + ๐) analizzato nell'Esempio 18.2. Il suo valore medio risulta: โ
๐ ฬ
= โซ ๐ฅ๐๐ (๐ก) (๐ฅ)๐๐ฅ = โโ
1 1 ๐ฅ๐๐ฅ โซ ๐ โ1 โ1 โ ๐ฅ 2
che ponendo ๐ฅ = ๐๐๐ ๐ si scrive ๐ ฬ
=
1 ๐ โซ cos๐๐๐ = 0 ๐ 0
Il suo valore quadratico medio vale: 1
โ 1 ๐ฅ 2 ๐๐ฅ ฬ
ฬ
ฬ
2 1 ๐ 2 1 ฬ
ฬ
ฬ
๐ 2 = โซ ๐ฅ 2 ๐๐ (๐ก) (๐ฅ)๐๐ฅ = โซ ๐ = โซ cos ๐๐๐ = 2 ๐ ๐ 2 โ1 โ ๐ฅ โโ 0 โ1
Agli stessi risultati รจ possibile pervenire utilizzando la (19.1.9). Si ha infatti: โ
๐ ฬ
= โซ ๐ (๐ก, ๐)๐๐ (๐)๐๐ = โโ
1 2๐ โซ cos(2๐๐0 ๐ก + ๐)๐๐ = 0 2๐ 0
e โ 1 2๐ 2 1 ฬ
ฬ
ฬ
๐ 2 = โซ ๐ 2 (๐ก, ๐)๐๐ (๐)๐๐ = โซ cos (2๐๐0 ๐ก + ๐)๐๐ = 2๐ 0 2 โโ
19.2 - Stazionarietร . Un segnale aleatorio ๐ (๐ก) si dice stazionario in senso stretto se le sue funzioni di probabilitร , di qualsiasi ordine dipendono esclusivamente dalla posizione relativa degli istanti in cui il segnale viene osservato. Cioรจ se risulta: ๐๐ (๐ก1)โฆ๐ (๐ก๐) (๐ฅ1 , ๐ฅ2 , โฆ , ๐ฅ๐ ) = ๐๐ (๐ก1+๐)โฆ๐ (๐ก๐ +๐) (๐ฅ1 , ๐ฅ2 , โฆ , ๐ฅ๐ );
(19.2.1)
โ๐ โ โ โ โ T โ โ
Se la precedente vale solo ๐ โค ๐, il segnale si dice stazionario all'ordine ๐. La condizione (19.2.1)comporta che la densitร di probabilitร di ordine ๐ dipenda dalle differenze ๐๐๐ = ๐ก๐ โ ๐ก๐ fra gli istanti di osservazione. In particolare per ๐ = 2 si ha: ๐๐ (๐ก1)๐ (๐ก2) (๐ฅ1 , ๐ฅ2 ) = ๐๐ (๐กโฒ1)๐ (๐กโฒ2) (๐ฅ1 , ๐ฅ2 )
(19.2.2)
330
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
ogniqualvolta risulti ๐ก2 โ ๐ก1 = ๐กโฒ2 โ ๐กโฒ1 , mentre la densitร di probabilitร del primo ordine deve risultare indipendente dal tempo: ๐๐ (๐ฅ) = ๐๐ (๐ก1) (๐ฅ) = ๐๐ (๐ก2) (๐ฅ);
โ๐ก1 , ๐ก2 โ โ
(19.2.3)
Si noti che dal momento che la densitร di probabilitร di ordine ๐ โ 1 puรฒ essere dedotta da quella di ordine ๐ la stazionarietร all'ordine ๐ comporta quella agli ordini inferiori, ma non il viceversa. Una classe importante di segnali รจ costituita dai segnali stazionari in senso lato. Un segnale si dice stazionario in senso lato se risulta: a)
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ (๐ก, ๐) = cost
b)
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ (๐ก1 , ๐)๐ (๐ก2 , ๐) = ๐
๐ (๐ก2 โ ๐ก1 )
(19.2.4)
cioรจ se il suo valore medio รจ indipendente dal tempo e se la sua l'autocorrelazione dipende solo dalla differenza fra gli istanti ๐ก2 e ๐ก1 . E' evidente che, essendo ๐
๐ (0) = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ 2 (๐ก) la stazionarietร in senso lato implica che anche il valore quadratico medio non dipende da ๐ก. E' opportuno osservare che un segnale stazionario in senso stretto lo รจ anche in senso lato, ma non viceversa giacchรฉ, ad esempio, l'invarianza temporale del momento del secondo ordine non implica necessariamente quella della corrispondente densitร di probabilitร . Esempio 19.2 Si prenda in esame il segnale ๐ (๐ก) definito dalla: ๐ (๐ก) = ๐ดcos๐๐ก + ๐ตsin๐๐ก
essendo ๐ด e ๐ต due quantitร aleatorie tali che risulti: ฬ
๐ดฬ
ฬ
2ฬ
= ๐ต ฬ
ฬ
ฬ
2ฬ
= ๐ 2 ฬ
ฬ
ฬ
ฬ
= 0 ๐ด๐ต
Il valor medio di ๐ (๐ก) vale: ฬ
ฬ
ฬ
ฬ
ฬ
= ๐ดฬ
cos๐๐ก + ๐ตฬ
๐ ๐๐๐๐ก ๐ (๐ก)
Per quanto riguarda la funzione di autocorrelazione, si ha: ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ (๐ก1 )๐ (๐ก2 ) ฬ
ฬ
ฬ
ฬ
[cos๐๐ก1 sin๐๐ก2 + sin๐๐ก1 cos๐๐ก2 ] = ฬ
๐ดฬ
ฬ
2ฬ
cos๐๐ก1 cos๐๐ก2 + ฬ
ฬ
ฬ
๐ต2ฬ
sin๐๐ก1 sin๐๐ก2 + ๐ด๐ต
che per le ipotesi fatte, diventa: 2 2 ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ (๐ก 1 )๐ (๐ก2 ) = ๐ [cos๐๐ก1 cos๐๐ก2 + sin๐๐ก1 sin๐๐ก2 ] = ๐ cos(๐(๐ก2 โ ๐ก1 ))
Un tale segnale รจ quindi stazionario in senso lato solo se risulta
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
331
๐ดฬ
= ๐ตฬ
= 0
Esempio 19.3 Si consideri il segnale ๐ (๐ก) = cos(2๐๐0 ๐ก + ๐)
in cui ๐ รจ una variabile aleatoria definita in (0,2๐) e caratterizzata dalla densitร di probabilitร del primo ordine ๐๐ (๐). Per determinare le condizioni sotto le quali ๐ (๐ก) รจ un segnale stazionario in senso stretto, si prenda in considerazione la sua funzione caratteristica di ordine ๐, che individua univocamente la sua densitร di probabilitร di ordine ๐ Detto ๐ = {๐ก1 , ๐ก2 , โฆ , ๐ก๐ } un insieme di ๐ istanti di tempo, si ha: ๐ ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐น๐ (๐ข, ๐ก) = exp[๐ โ ๐ข๐ cos(2๐๐0 ๐ก๐ + ๐)] ๐=1 2๐
=โซ
๐
exp[๐ โ ๐ข๐ cos(2๐๐0 ๐ก๐ + ๐)]๐๐ (๐)๐๐ ๐=1
0
per ๐ยด = {๐ก1 + ๐, ๐ก2 + ๐, โฆ , ๐ก๐ + ๐} la funzione caratteristica vale: ๐น โฒ ๐ (๐ข, ๐ก) = โซ
2๐
0
=โซ
2๐(1+๐0 ๐)
e
๐
e ๐ โ๐=1 ๐ข๐ cos(2๐๐0 ๐ก๐+๐+2๐๐0 ๐) ๐๐ (๐)๐๐
๐ ๐ โ๐=1 ๐ข๐ cos(2๐๐0 ๐ก๐ +๐โฒ)
2๐๐0 ๐
๐๐ (๐โฒ + 2๐๐0 ๐)๐๐
Affinchรฉ il segnale risulti stazionario in senso stretto ๐น๐ (๐, ๐) = ๐นโฒ๐ (๐, ๐โฒ) in corrispondenza ad ogni indice ๐, per ogni possibile scelta di ๐ e per ogni valore di ๐. dato che la quantitร ๐
e ๐ โ๐=1 ๐ข๐ cos(2๐๐0 ๐ก๐ +๐)
indipendentemente da ๐ รจ periodica di periodo 2๐ in ๐ si intuisce facilmente che lโunica densitร di probabilitร ๐๐ (๐). che rende il segnale in questione stazionario in senso stretto รจ quella uniforme deve cioรจ essere: ๐๐ (๐) =
1 ๐โ๐ โ ( 2๐ ) 2๐
Esempio 19.4 Si consideri il seguente segnale aleatorio
332
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
cos2๐๐0 ๐ก + sin2๐๐0 ๐กPr = ๐ (๐ก) =
1 3 1 {โcos2๐๐0 ๐กPr = 3
1 3
โsin2๐๐0 ๐กPr =
Ciรฒ significa lo spazio dei risultati รจ partizionato in tre eventi E1 , E2 , E3 , equiprobabili, ai quali sono associate le tre possibili manifestazioni. Il segnale qui considerato รจ stazionario in senso lato. Infatti, il suo valor medio: 1 1 1 ฬ
ฬ
ฬ
ฬ
ฬ
= (cos2๐๐0 ๐ก + sin2๐๐0 ๐ก) โ sin2๐๐0 ๐ก โ cos2๐๐0 ๐ก = 0 ๐ (๐ก) 3 3 3
รจ nullo (quindi indipendente da ๐ก) e la sua funzione di autocorrelazione: ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ (๐ก1 )๐ (๐ก2 ) 1 1 = (cos2๐๐0 ๐ก1 + sin2๐๐0 ๐ก1 )(cos2๐๐0 ๐ก2 + sin2๐๐0 ๐ก2 ) โ sin2๐๐0 ๐ก1 sin2๐๐0 ๐ก2 3 3 1 1 โ cos2๐๐0 ๐ก1 cos2๐๐0 ๐ก2 = (cos2๐๐0 ๐ก1 sin2๐๐0 ๐ก2 + sin2๐๐0 ๐ก1 cos2๐๐0 ๐ก2 ) 3 3 1 = cos(2๐๐0 (๐ก1 โ ๐ก2 )) 3
dipende soltanto dalla differenza ๐ก2 โ ๐ก1 . Il segnale perรฒ non รจ stazionario in senso stretto. Per rendersene conto, basta osservare che la densitร di probabilitร del primo ordine all'istante ๐ก = 0 vale: 1 1 1 ๐๐ (0) (๐ฅ) = ๐ฟ(๐ฅ โ 1) + ๐ฟ(๐ฅ) + ๐ฟ(๐ฅ + 1) 3 3 3
e ๐๐ (
1 ) 8๐0
2 1 โ2 (๐ฅ) = ๐ฟ(๐ฅ + ) + ๐ฟ(๐ฅ โ โ2) 3 2 3
quindi: ๐๐ (0) (๐ฅ) โ ๐๐ (
1 ) 8๐0
(๐ฅ)
19.3 - Medie temporali ed ergodicitร . Le considerazioni sin qui svolte mostrano come รจ possibile ottenere delle informazioni su un segnale aleatorio a partire dall'insieme delle sue manifestazioni note che siano le sue funzioni di probabilitร . In molti casi si hanno a disposizione alcune manifestazioni del segnale (se non una sola) dalle quale possono dedursi solo quelle in-
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
333
formazioni che si ottengono utilizzando le cosiddette medie temporali. Se ๐ (๐ก) denota la generica manifestazione di un segnale aleatorio, la quantitร 1 ๐ โซ ๐[๐ (๐ก)]๐๐ก ๐โโ 2๐ โ๐
< ๐[๐ (๐ก)] >= lim
(19.3.1)
se esiste, costituisce la media temporale della funzione f (s) associata alla manifestazione ๐ (๐ก) del segnale. Dalla (19.3.1) si possono in particolare dedurre il valore medio temporale: 1 ๐ โซ ๐ (๐ก)๐๐ก ๐โโ 2๐ โ๐
< ๐ (๐ก) >= lim
(19.3.2)
e il valore quadratico medio temporale: 1 ๐ 2 โซ ๐ (๐ก)๐๐ก ๐โโ 2๐ โ๐
< ๐ 2 (๐ก) >= lim
(19.3.3)
che esprime la potenza media specifica associata alla manifestazione ๐ (๐ก). Piรน in generale si puรฒ definire una media temporale associata alla funzione ๐[๐ (๐ก1 + ๐ก), ๐ (๐ก2 + ๐ก), โฆ , ๐ (๐ก๐ + ๐ก)] < ๐[๐ (๐ก1 + ๐ก), ๐ (๐ก2 + ๐ก), โฆ , ๐ (๐ก๐ + ๐ก)] > 1 ๐ = lim โซ ๐[๐ (๐ก1 + ๐ก), ๐ (๐ก2 + ๐ก), โฆ , ๐ (๐ก๐ + ๐ก)]๐๐ก ๐โโ 2๐ โ๐
(19.3.4)
Dalla precedente in particolare discende l'espressione della funzione di autocorrelazione in media temporale (7.6.1), per segnali reali. ร infatti: 1 ๐ โซ ๐ (๐ก)๐ (๐ก + ๐)๐๐ก ๐โโ 2๐ โ๐
๐พ๐ (๐) =< ๐ (๐ก)๐ (๐ก + ๐) >= lim
(19.3.5)
E' da notare che, in ogni caso, le medie temporali, fornite dalla (19.3.2)o dalla (19.3.4), definiscono altrettante variabili aleatorie, dato che esse dipendono dalla manifestazione del segnale che si prende in considerazione. ร quindi possibile definire un loro valore medio statistico a mezzo della:
334
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
1 ๐ ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
< ๐[๐ (๐ก)] >= lim โซ ๐[๐ (๐ก)]๐๐ก ๐โโ 2๐ โ๐ 1 ๐ = lim โซ ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐[๐ (๐ก)]๐๐ก =< ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐[๐ (๐ก)] > ๐โโ 2๐ โ๐
(19.3.6)
In maniera analoga, partendo dalla (19.3.4) si perviene alla: ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
< ๐[๐ (๐ก1 + ๐ก), ๐ (๐ก2 + ๐ก), โฆ , ๐ (๐ก๐ + ๐ก)] >= < ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐[๐ (๐ก1 + ๐ก), ๐ (๐ก2 + ๐ก), โฆ , ๐ (๐ก๐ + ๐ก)] >
(19.3.7)
Le (19.3.6) e (19.3.7) stanno a significare che le operazioni di media temporale e media statistica possono essere tra loro permutate. Le medie temporali, di per sรจ, non permettono dunque di ottenere delle informazioni di natura statistica del segnale. Tuttavia esiste una particolare classe di segnali per i quali ogni proprietร statistica puรฒ essere determinata a partire da una qualsiasi manifestazione. In altri termini, qualsiasi operazione di media effettuata nel tempo su una generica manifestazione conduce agli stessi risultati se si effettua l'operazione analoga sulla base dell'insieme delle manifestazioni. Un segnale di tale tipo si dice ergodico. In genere si รจ interessati ad un particolare caratteristica del segnale (valore medio, potenza specifica o autocorrelazione). Di conseguenza l'ergodicitร viene formulata limitatamente alla caratteristica dโinteresse in quanto se un segnale aleatorio รจ ergodico rispetto a certi parametri puรฒ non esserlo per altri. In particolare un segnale si dice ergodico in media quando risulta: โ 1 ๐ โซ ๐ (๐ก)๐๐ก = โซ ๐ฅ๐๐ (๐ก) (๐ฅ)๐๐ฅ ๐โโ 2๐ โ๐ โโ
lim
(19.3.8)
si dice ergodico in media quadratica se: โ 1 ๐ 2 โซ ๐ (๐ก)๐๐ก = โซ ๐ฅ 2 ๐๐ (๐ก) (๐ฅ)๐๐ฅ ๐โโ 2๐ โ๐ โโ
lim
(19.3.9)
La condizione di ergodicitร limitata alla funzione di autocorrelazione conduce alla: ๐พ๐ (๐) = ๐
๐ (๐)
cioรจ:
(19.3.10)
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
335
1 ๐ โซ ๐ (๐ก)๐ (๐ก + ๐)๐๐ก = โฌ ๐ฅ๐ฆ๐๐ 1 ๐ 2 (๐ฅ, ๐ฆ)๐๐ฅ๐๐ฆ ๐โโ 2๐ โ๐ R2
(19.3.11)
lim
In questo caso si puรฒ affermare che un segnale ergodico in autocorrelazione deve presentare una media temporale ๐พ๐ (๐) indipendente dalla manifestazione e una media statistica ๐
๐ (๐) dipendente solo dalla differenza ๐ tra gli istanti di osservazione ๐ก2 e ๐ก1 . Piรน in generale, affinchรฉ la condizione di ergodicitร sia soddisfatta, e necessario che le medie temporali non dipendano dalla particolare manifestazione sulla quale vengono calcolate, e che le medie statistiche non dipendano dallโorigine dei tempi, ma soltanto dalla posizione relativa tra gli istanti in cui la media statistica รจ valutata. Ciรฒ significa che una condizione necessaria per lโergodicitร รจ la stazionarietร in senso stretto. Per meglio comprendere il significato della condizione di ergodicitร si prenda in considerazione la (19.3.1), l'integrale che vi compare, puรฒ essere valutato dividendo l'intervallo [โ๐, ๐] in ๐ subintervalli contigui di uguale ampiezza e quindi passando al limite per ๐ โ โ: ๐
1 2๐ ๐ < ๐(๐ (๐ก)) >= lim โ ๐ (๐ (โ๐ + 2๐)) ๐โโ 2๐ ๐ ๐ ๐=1
๐
1 ๐ = lim โ ๐ (๐ (โ๐ + 2๐)) ๐โโ ๐ ๐
(19.3.12)
๐=1
D'altra parte la media statistica puรฒ essere espressa in una forma analoga alla (19.3.12) mediante la: ๐
1 โ ๐(๐ (๐ก, ๐๐ )) ๐โโ ๐
ฬ
ฬ
ฬ
ฬ
ฬ
= lim ๐[๐ ]
(19.3.13)
๐=1
cioรจ come limite della somma dei valori assunti all'istante ๐ก da un insieme di ๐ manifestazioni del segnale divisa per ๐ al tendere di ๐ all'infinito. La condizione di ergodicitร in media comporta l'uguaglianza dei limiti (19.3.12) e (19.3.13) quindi il poter assumere per ๐ sufficientemente elevato
336
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori ๐
๐
๐=1
๐=1
1 2๐ 1 โ ๐ (๐ (โ๐ + ๐ )) โ
โ ๐(๐ (๐ก, ๐๐ )) ๐ ๐ ๐
(19.3.14)
Ciรฒ significa che la somma dei valori assunti dalla funzione ๐(โ
) in corrispondenza all'insieme dei valori assunti all'istante ๐ก dalle possibili manifestazioni del segnale, eguaglia la somma dei valori assunti dalla funzione valutata in corrispondenza di una qualsiasi manifestazione al variare del tempo. In altri termini i valori che assume al variare del tempo una manifestazione, si ritrovano in una qualsiasi altra, con la stessa frequenza, seppur disposti in un diverso ordine temporale. Ogni manifestazione puรฒ quindi pensarsi ottenuta โrimescolandoโ i valori che tutte le manifestazioni assumono in un istante qualsiasi. 19.4 - Ergodicitร delle funzioni di probabilitร del primo ordine. L'ipotesi di ergodicitร , discussa nel precedente paragrafo, puรฒ consentire di valutare le funzioni di probabilitร del primo ordine di un segnale aleatorio pur disponendo soltanto di una manifestazione di Fig. 19.1 - Ergodicitร delle funzioni di esso. probabilitร A tale scopo si consideri un segnale aleatorio ๐ (๐ก, ๐) e sia ๐ฅ un reale qualsiasi. A ๐ (๐ก, ๐) si associ un nuovo segnale ๐ค๐ฅ (๐ (๐ก, ๐)) cosรฌ definito: ๐ค๐ฅ (๐ (๐ก, ๐)) = u(๐ฅ โ ๐ (๐ก, ๐))
(19.4.1)
Il segnale ๐ค๐ฅ (๐ (๐ก, ๐)) in ogni istante individua una variabile aleatoria di tipo discreto, che puรฒ assumere solo valori appartenenti all'insieme {0,1} comโรจ indicato nella Fig. 19.1. Risulta: Pr{๐ค๐ฅ (๐ (๐ก, ๐)) = 0} = Pr{๐ (๐ก, ๐) > ๐ฅ} Pr{๐ค๐ฅ (๐ (๐ก, ๐)) = 1} = Pr{๐ (๐ก, ๐) โค ๐ฅ}
Il valore medio statistico di ๐ค๐ฅ (๐ (๐ก, ๐)) vale:
(19.4.2)
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ค๐ฅ (๐ (๐ก, ๐)) = 1 โ
Pr{๐ (๐ก, ๐) โค ๐ฅ} + 0 โ
Pr{๐ (๐ก, ๐) > ๐ฅ} = Pr{๐ (๐ก, ๐) โค ๐ฅ} = ๐๐ (๐ก) (๐ฅ)
337
(19.4.3)
dove ๐๐ (๐ก) (๐ฅ) denota la funzione distribuzione di probabilitร del primo ordine associata al segnale ๐ (๐ก). D'altra parte la media temporale di una data manifestazione ๐ค๐ฅ (๐ (๐ก, ๐ฬ)) del segnale vale: ๐
1 2 โซ ๐ค๐ฅ (๐ (๐ก, ๐ฬ))๐๐ก โ ๐โโ ๐ โ๐
< ๐ค๐ฅ (๐ (๐ก, ๐ฬ)) >= lim
2
= lim
๐ ๐ ๐[๐ โ1 ((โโ, ๐ฅ], ๐ฬ) โฉ [โ , ]]
(19.4.4)
2 2
๐
๐โโ
๐ ๐
Dove ๐ (๐ โ1 ((โโ, ๐ฅ], ๐ฬ) โฉ [โ 2 , 2]) รจ la misura dell'insieme degli ๐ ๐
istanti di tempo appartenenti a [โ 2 , 2] in corrispondenza ai quali la manifestazione del segnale ๐ non supera ๐ฅ (v. Fig. 19.1). Se la condizione di ergodicitร รจ soddisfatta deve aversi indipendentemente dalla manifestazione considerata: ๐ ๐
๐๐ (๐ก) (๐ฅ) = lim
๐ (๐ โ1 ((โโ, ๐ฅ], ๐ฬ ) โฉ [โ 2 , 2])
๐โโ
๐
(19.4.5)
Esempio 19.5 Si consideri ancora il segnale ๐ (๐ก, ๐) = cos(2๐๐0 ๐ก + ๐)
dove la fase ๐ รจ una variabile uniformemente distribuita in [0,2๐]. Sulla base della Fig.E 19.1 รจ facile riconoscere che un generico istante di tempo per il quale ๐ (๐ก, ๏ช)๏ฃ๐ฅ deve soddisfare la disuguaglianza: 2๐๐ + arccos๐ฅ โค 2๐๐0 ๐ก + ๐ โค (2๐ + 1)๐ โ arccos๐ฅ
la quale, al variare dellโintero ๐ e per ๐ฅ๏[๏ญ1,1], identifica la famiglia di intervalli: ๐ผ๐ = [
2๐๐ + arccos๐ฅ โ ๐ (2๐ + 1)๐ โ arccos๐ฅ โ ๐ , ] 2๐๐0 2๐๐0
338
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
nei quali la ๐ค๐ (๐ (๐ก, ๏ช)) assume il valore 1. La misura ๏๐ก๐ di ogni intervallo non dipende nรฉ dalla manifestazione nรฉ dallโindice ๐ e vale ๐โ2arccos๐ฅ 2๐๐0
La ๐ค๐ (๐ (๐ก, ๏ช)) รจ periodica pertanto la sua media temporale coincide con quella in un periodo si ha quindi: 0;
1 arccos๐ฅ < ๐ค๐ฅ (๐ (๐ก, ๐)) >= {๐0 ๐ฅ๐ก๐ฅ = โ ; 2 ๐ 1;
๐ฅ โค โ1 โ1 < ๐ฅ < 1 ๐ฅ โฅ โ1
Si puรฒ constatare che la media appena ottenuta coincide con la distribuzione di probabilitร del segnale (vedi Esempio 18.2). In effetti il segnale in questione risulta ergodico seppur limitatamente alle medie del primo ordine. Infatti, data una funzione ๐(โ
) Fig.E 19.1 integrabile alla Lebesgue in [๏ญ1,1], risulta: 1 โ โซ ๐(cos(2๐๐0 ๐ก + ๐))๐๐ก ๐โโ 2๐ โโ
< ๐(cos(2๐๐0 ๐ก + ๐)) >= lim 1 ๐0
1 ๐0
= ๐0 โซ ๐(cos(2๐๐0 ๐ก + ๐))๐๐ก = ๐0 โซ ๐(cos(2๐๐0 ๐ก))๐๐ก 0
0
2๐
=
1 โซ ๐(cos(๐))๐๐ 2๐ 0
La corrispondente media statistica vale: โ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐(cos(2๐๐0 ๐ก + ๐)) = โซ ๐(cos(2๐๐0 ๐ก + ๐))๐๐ (๐)๐๐ โโ
2๐
=
1 1 2๐ โซ ๐(cos(2๐๐0 ๐ก + ๐))๐๐ = โซ ๐(cos(๐))๐๐ 2๐ 0 2๐ 0
Pertanto per le medie del primo ordine la condizione di ergodicitร รจ soddisfatta poichรฉ risulta: < ๐(cos(2๐๐0 ๐ก + ๐)) >= ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐(cos(2๐๐0 ๐ก + ๐)) =
1 2๐ โซ ๐(cos(๐))๐๐ 2๐ 0
CAPITOLO - 19 โ Valori Medi, Stazionarietร ed Ergodicitร -
339
Il segnale in questione non รจ tuttavia ergodico come si puรฒ verificare calcolando medie di ordine superiore al primo.
CAPITOLO - 20 SEGNALI GAUSSIANI 20.1 - Variabili aleatorie congiuntamente gaussiane. Sia dato un vettore ๐ฟ = [๐1 , ๐2 , โฆ , ๐๐ ]๐ di ๐ variabili aleatorie definite su di uno stesso esperimento casuale. Le variabili ๐1 , ๐2 , โฆ , ๐๐ si dicono congiuntamente gaussiane se la loro densitร di probabilitร congiunta รจ del tipo: 1
๐๐ (๐ฅ1 , ๐ฅ2 , โฆ ๐ฅ๐ ) = ๐พ๐ โ2๐(๐ฅ1 โ๐1 ,๐ฅ2 โ๐2 ,โฆ,๐ฅ๐ โ๐๐ )
(20.1.1)
dove ๐ รจ una forma quadratica definita positiva: ๐
๐
๐ = โ โ ๐๐๐ (๐ฅ๐ โ ๐๐ )(๐ฅ๐ โ ๐๐ );
๐๐๐ = ๐๐๐
(20.1.2)
๐=1 ๐=1
๐พ unโopportuna costante di normalizzazione ed ๐1 , ๐2 , โฆ ๐๐ ๐ co-
stanti reali. Ponendo: ๐ = [๐ฅ1
๐ฅ2
โฆ
๐ฅ๐ ]๐ ; ๐ = [๐1
๐2
โฆ
๐๐ ]๐
(20.1.3)
e introducendo la matrice12: ๐ด
โ1
๐11 ๐21 =[ โฆ ๐๐1
๐12 ๐22 โฆ ๐๐2
โฆ โฆ โฆ โฆ
๐1๐ ๐2๐ โฆ] ๐๐๐
(20.1.4)
la densitร di probabilitร (20.1.1) puรฒ ulteriormente scriversi: 1
๐ ๐ด โ1 (๐โ๐)
๐๐ฟ (๐) = ๐พ๐ โ2(๐โ๐)
(20.1.5)
20.2 - Funzione caratteristica di variabili aleatorie congiuntamente gaussiane. La funzione caratteristica associata al vettore aleatorio ๐ = ๐ฟ โ ๐. Detta funzione per definizione vale: ๐ ๐ป ๐น๐ (๐) = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ ๐๐ ๐ = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ ๐๐ (๐ฟโ๐)
12
(20.2.1)
Si noti che la forma quadratica รจ definita positiva quindi la matrice dei coefficienti ad essa associata รจ certamente non singolare.
342
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
dove: ๐ข1 ๐ข2 ๐ = [โฆ]; ๐ข๐
๐ฅ1 โ ๐1 ๐ฅ2 โ ๐2 ๐=[ โฆ ] ๐ฅ๐ โ ๐๐
(20.2.2)
Tenuto conto dell'espressione della densitร di probabilitร (20.1.5), la (20.2.1) si puรฒ ancora scrivere: ๐น๐ (๐)
๐ (๐โ๐)โ1(๐โ๐)๐ ๐ด โ1 (๐โ๐) 2
= ๐พ โซ ๐ ๐๐ ๐
๐
=๐พโซ ๐
1 2
๐๐๐ ๐โ ๐๐ ๐ด โ1 ๐
๐
๐
๐๐ (20.2.3)
๐๐
Sia ๐ una matrice ortonormale che diagonalizza la matrice ๐ด, cioรจ tale che si abbia: ๐ ๐ ๐ด๐ = diag[๐1 , ๐2 , โฆ , ๐๐ ]
(20.2.4)
essendo: ๐1 0 diag[๐1 , ๐2 , โฆ , ๐๐ ] = [ โฆ 0
0 ๐2 โฆ 0
โฆ โฆ โฆ โฆ
0 0 ] โฆ ๐๐
(20.2.5)
i cui elementi, come รจ noto, sono gli autovalori della matrice ๐ด. Dalla (20.2.4) discende facilmente: ๐ ๐ ๐ด โ1 ๐ = diag [
1 1 1 , ,โฆ, ] ๐1 ๐2 ๐๐
(20.2.6)
Se nell'integrale all'ultimo membro della (20.2.3) si effettua la seguente trasformazione di variabili: ๐ = ๐ โ1 ๐ = ๐ ๐ ๐
(20.2.7)
cui, in virtรน della ortonormalitร della matrice ๐, corrisponde un determinante Jacobiano di modulo unitario. Si ottiene: ๐ ๐๐โ1๐๐ ๐ ๐ ๐ด โ1 ๐๐ 2
๐น๐ (๐) = ๐พ โซ ๐ ๐๐ ๐
๐
๐๐
(20.2.8)
Ponendo inoltre: ๐ = ๐ป๐
Tramite la (20.2.4), si ottiene ancora:
(20.2.9)
CAPITOLO - 20 โ Segnali Gaussiani -
๐น๐ (๐๐) = ๐พ โซ ๐
1 2
๐๐๐ ๐โ ๐๐ diag(
๐
๐
= ๐พโซ ๐
โ๐ ๐=1(๐๐ฃ๐ ๐ง๐ โ
๐ง2 ๐ ) 2๐๐
343
1 1 1 , ,โฆ, )๐ ๐1 ๐2 ๐๐ ๐๐
๐
โ
๐๐ = ๐พ โ โซ ๐ ๐=1
๐
๐
๐๐ฃ๐ ๐ง๐ โ
๐ง2 ๐ 2๐๐
โโ
(20.2.10) ๐๐ง๐
Lโintegrale ad argomento della produttoria รจ riconducibile allโintegrale noto: โ ๐ ๐ฝ2 2 โซ ๐ ๐ฮฒ๐ฅโฮฑ๐ฅ ๐๐ฅ = โ ๐ โ4๐ผ ๐ผ โโ
(20.2.11)
Con ๐ผ anche complesso purchรฉ con parte reale strettamente positiva. 1 ponendo ๐ฃ๐ = ฮฒ e 2๐ = ฮฑ in ogni fattore della produttoria nella (20.2.10), ๐
otteniamo: ๐
โ
๐น๐ (๐๐) = ๐พ โ โซ ๐ ๐=1
๐๐ฃ๐ ๐ง๐ โ
1 2 ๐ง 2๐๐ ๐
โโ
๐
๐๐ ๐ฃ2 ๐ 2
๐๐ง๐ = ๐พ โ โ2๐๐๐ ๐ โ
(20.2.12)
๐=1
Calcolando la produttoria all'ultimo membro della precedente si ottiene per la funzione caratteristica associata alle ๐ variabili aleatorie ๐ = ๐ฟ โ ๐ l'espressione: ๐
1 2
๐๐ ๐ฃ2 ๐ 2
๐น๐ (๐) = ๐น๐ (๐๐) = ๐พ((2๐) |๐ด|) โ ๐ โ ๐
=
1
๐
2
๐=1
๐พโ(2๐)๐ |๐ด|๐ โ2 โ๐=1 ๐๐๐ฃ๐
1 ๐ [ ]๐ = ๐พโ(2๐)๐ |๐ด|๐ โ2๐ diag ๐1,๐2,โฆ,๐๐
(20.2.13)
1 ๐ [ ]๐ ๐ = ๐พโ(2๐)๐ |๐ด|๐ โ2๐ ๐diag ๐1,๐2,โฆ,๐๐ ๐ 1 ๐ ๐ด๐
= ๐พโ(2๐)๐ |๐ด|๐ โ2๐
dalla quale imponendo la condizione di normalizzazione ๐น(๐) = 1, si ottiene per la costante ๐พ il valore ๐พ=
1 โ(2๐)๐ |๐ด|
(20.2.14)
che sostituito nella (20.2.13) consente finalmente di scrivere: 1 ๐ ๐ด๐
๐น๐ (๐) = ๐ โ2๐
(20.2.15)
Sostituendo il valore appena ottenuto per la costante ๐พ nellโespressione della densitร di probabilitร (20.1.5) di un vettore di variabili aleatorie congiuntamente gaussiane si ottiene:
344
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
๐๐ฟ (๐) =
1 โ(2๐)๐ |๐ด|
1
๐ ๐ด โ1 (๐โ๐)
๐ โ2(๐โ๐)
(20.2.16)
che รจ univocamente determinata noti che siano la matrice ๐ด e il vettore ๐. 20.3 - Densitร di probabilitร di ordine inferiore. Nota la funzione caratteristica associata ad ๐ variabili aleatorie รจ in generale possibile dedurre le funzioni caratteristiche relative ad un qualunque sottoinsieme di esse. A tal fine si consideri un vettore ฬ ๐ = [๐ข1 , โฆ ๐ข๐โ1 , 0, ๐ข๐+1 , โฆ , ๐ข๐ ], cioรฉ caratterizzato in โ๐ del tipo ๐ dall'avere la ๐-esima componente pari a zero. Un vettore del tipo anzidetto puรฒ essere ottenuto da un generico vettore ๐ appartenente a โ๐โ1 premoltiplicando quest'ultimo per una matrice ๐ฏ๐ dโordine ๐ ร (๐ โ 1) ottenuta inserendo nella matrice unitaria di ordine ๐ โ 1 una riga nulla nella ๐-esima posizione. Se si valuta la funzione caratteฬ ๐ si ottiene: ristica in corrispondenza di ๐ ๐ ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ ๐ ฬ ๐ ) = ๐น๐ฟ (๐ป๐ ๐) = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐น๐ฟ (๐ ๐ ๐(๐ป๐๐) ๐ = ๐ ๐๐ค ๐ป๐ ๐
(20.3.1)
Si osservi che in virtรน della definizione data per la matrice ๐ฏ๐ , ๐ = ๐ป๐๐ ๐ = [๐ง1 = ๐ฅ1 , โฆ , ๐ง๐โ1 = ๐ฅ๐โ1 , ๐ง๐ = ๐ฅ๐+1 , โฆ ๐ง๐โ1 = ๐ฅ๐ ]๐ รจ un vettore a ๐ โ 1 dimensioni, ottenuto eliminando la componente ๐-esima di ๐. In modo analogo sโindividua il vettore di variabili aleatorie ๐ = ๐ป๐๐ ๐ฟ. In termini dei vettori appena definiti si ottiene: ๐ ๐ ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ ๐ ๐ ฬ ๐ ) = ๐ ๐๐ ๐ป๐ ๐ = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐น๐ฟ (๐ ๐ ๐๐ ๐ = โซ ๐ ๐๐ ๐ป๐ ๐ ๐๐ฟ (๐)๐๐
= โซ ๐ โ๐โ1
๐๐๐ ๐
= ๐น๐ (๐)
โ
โ๐ ๐
(โซ ๐๐ฟ (๐)๐๐ฅ๐ ) ๐๐ = โซ ๐ ๐๐ ๐ ๐๐ (๐)๐๐ โโ
(20.3.2)
โ๐โ1
che rappresenta la funzione caratteristica delle ๐ โ 1 variabili aleatorie ๐1 , โฆ , ๐๐โ1 , ๐๐+1 , โฆ , ๐๐ . La (20.3.2) consente di affermare che, nota la funzione caratteristica associata a ๐ variabili aleatorie definite su di uno stesso esperimento casuale, รจ possibile ottenere quella associata ad un qualunque sottoinsieme di esse. Essa si ottiene ponendo, nella funzione originaria, uguali a zero le componenti del vettore ๐ corrispondenti alle variabili che non appartengono al sottoinsieme di interesse.
CAPITOLO - 20 โ Segnali Gaussiani -
345
Ponendo ๐ = ๐ป๐๐ ๐ nella (20.2.15), tenuto conto della (20.3.2)si ottiene: 1 ๐
1 ๐ ๐ ๐ป๐ ๐ด๐ป๐ ๐
ฬ ๐ ) = ๐ โ2๐ฬ๐ ๐ด๐ฬ๐ = ๐ โ2๐ ๐น๐ (๐) = ๐น๐ (๐
1 ๐ ฬ๐ ๐ ๐ด
= ๐ โ 2๐ค
(20.3.3)
dove ๐ดฬ๐ โ ๐ป๐๐ ๐ด๐ป๐ รจ la matrice che si ottiene da ๐ด cancellando la riga e la colonna ๐-esima. ๐ดฬ๐ รจ pertanto una matrice definita positiva. Ponendo nella (20.3.3) ๐ฝ = ๐ป๐๐ ๐ฟ, ๐ = ๐ป๐๐ ๐ e ๐๐ฃ = ๐ป๐๐ ๐, si ottiene la densitร di probabilitร : ๐๐ป ๐ ๐ฟ (๐ป๐๐ ๐) = ๐
=
1
1
1
โ(2๐)๐โ1 |๐ดฬ๐ |
โ(2๐)๐โ1 |๐ดฬ๐ |
1
๐ โ1 ๐ ฬ ๐ ๐ป๐ (๐โ๐) ๐ด
๐
๐ โ2(๐ป๐ (๐โ๐))
๐๐ด ฬ ๐โ1 ๐โ๐๐
๐ โ2(๐โ๐๐)
= ๐๐ฝ (๐)
(20.3.4)
che assicura che se la densitร di probabilitร congiunta di ๐ varaibili aleatorie รจ di tipo gaussiano, tale รจ anche la densitร di probabilitร di un qualunque sottoinsieme proprio di dette variabili. Inoltre la matrice ๐ด e il vettore ๐ che caratterizzano la densitร di probabilitร congiunta associata a detto sottoinsieme si ottengono da quelli originari rispettivamente cancellando dalla prima le righe e le colonne, e dal secondo le componenti, dโindice corrispondente alle variabili che non sono contenute nel sottoinsieme di interesse. 20.4 - Caratterizzazione degli elementi del vettore ๐ e della matrice ๐ฎ. La conoscenza della funzione caratteristica del vettore ๐ definito nel - ยง 20.2 - consente di calcolare i momenti di qualsiasi ordine (vedi CAPITOLO - 19) ed in particolare anche il valore medio di una qualunque componente di detto vettore. Risulta infatti: ๐
๐๐ ๐ ๐๐ ๐๐น๐ (๐) ๐ โซโ๐ ๐๐ฟ (๐ฅ1 , ๐ฅ2 , โฆ , ๐ฅ๐ )๐ = ๐๐ข๐ ๐๐ข๐ ๐
= โซ ๐๐ฅ๐ ๐๐ (๐ฅ1 , ๐ฅ2 , โฆ , ๐ฅ๐ )๐ ๐๐ ๐ ๐๐
(20.4.1)
โ๐
che valutata in ๐ = ๐ fornisce: ๐๐น๐ (๐) | = โซ ๐๐ฅ๐ ๐๐ฟ (๐ฅ1 , ๐ฅ2 , โฆ , ๐ฅ๐ )๐๐ = ๐๐ฬ
๐ ๐๐ข๐ ๐=๐ โ๐
(20.4.2)
Nel caso di variabili aleatorie congiuntamente gaussiane si ottiene:
346
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori ๐
1 ๐ ๐๐น(๐) ฬ
๐ = โ๐ ๐ | = ๐ (๐ โ2๐ ๐ด๐ โ ๐๐๐ ๐ข๐ )| ๐๐ข๐ ๐=๐
๐=1
=0
(20.4.3)
๐=๐
dove ๐๐๐ indica il generico elemento della matrice ๐ด. Ricordando che ๐ = ๐ฟ โ ๐ dalla precedente si deduce facilmente che le componenti del vettore ๐ sono i valori medi delle corrispondenti componenti di ๐ฟ. Al fine di caratterizzare gli elementi della matrice ๐ด si osservi che in generale risulta: โ
๐ 2 ๐น๐ฟ (๐) | = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐๐ ๐๐ ๐๐ข๐ ๐๐ข๐ ๐=๐
(20.4.4)
quindi: ฬ
ฬ
ฬ
ฬ
ฬ
๐๐ ๐๐ = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
(๐๐ โ ๐๐ )(๐๐ โ ๐๐ ) = โ = โ๐
1 2
โ ๐ข๐ ๐ด๐ข
๐
๐
๐ 2 ๐น๐ (๐ข) | ๐๐ข๐ ๐๐ข๐ ๐=๐ 1 ๐ ๐ด๐ข
โ ๐๐๐ ๐ข๐ โ ๐๐๐ ๐ข๐ โ ๐ โ2๐ข ๐=1
๐=1
๐๐๐ |
= ๐๐๐
(20.4.5)
๐=๐
La precedente mostra che il generico elemento ๐๐๐ della matrice ๐ด รจ la covarianza delle variabili aleatorie ๐๐ ed ๐๐ . La matrice ๐ด viene pertanto detta matrice di covarianza. Gli elementi che giacciono sulla diagonale della matrice di covarianza rappresentano le varianze delle variabili aleatorie cui ๐ด รจ associata. 20.5 - Segnali gaussiani. Un segnale aleatorio ๐ (๐ก, ๐) si dice normale o gaussiano se la sua densitร di probabilitร di qualunque ordine ๐, indipendentemente dalla scelta della ๐ -upla dโistanti ๐ = [๐ก1 , ๐ก2 , โฆ , ๐ก๐ ], รจ di tipo gaussiano, cioรฉ se risulta: ๐๐ (๐ก1),โฆ,๐ (๐ก๐ ) (๐ฅ) =
1 โ(2๐)๐ |๐ด|
1
๐
)) ๐ด โ1 (๐โ๐(๐))
๐ โ2(๐โ๐(๐
;
โ๐ โ โโ โ ๐ โ โ๐
(20.5.1)
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ รจ un vettore la cui ๐ -esima dove ๐(๐) = [๐ (๐ก 1 ), ๐ (๐ก2 ), โฆ , ๐ (๐ก๐ )] componente รจ il valore medio del segnale valutato nell'istante ๐ก๐ , e il generico elemento della matrice ๐ด ๐๐๐ = ๐(๐ก๐ , ๐ก๐ ) = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
(๐ (๐ก๐ ) โ ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ (๐ก๐ ))(๐ (๐ก๐ ) โ ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ (๐ก๐ ))
(20.5.2)
CAPITOLO - 20 โ Segnali Gaussiani -
347
esprime la covarianza delle variabili aleatorie individuate dal segnale agli istanti ๐ก๐ e ๐ก๐ . Ci si rende facilmente conto del fatto che un segnale gaussiano stazionario in senso lato lo รจ anche in senso stretto. Infatti, se il segnale รจ stazionario in senso lato, gli elementi della sua matrice di covarianza, a qualunque ordine, dipendono soltanto dalle differenze tra gli istanti di tempo ๐ก๐ e ๐ก๐ . Inoltre il valore medio del segnale รฉ indipendente dal tempo, quindi tale รจ anche il vettore ๐ che compare nella sua densitร di probabilitร . Esempio 20.1 Si determini la densitร di probabilitร del terzo ordine di un segnale gaussiano a media nulla valutata negli istanti ๐ก1 = 0, ๐ก2 = ๐ e ๐ก3 = 2๐. sapendo la sua funzione di autocovarianza vale: ๐(๐) = exp (โ
|๐| ) ๐
Lโelemento generico della matrice di autocovarianza vale: ๐๐๐ = exp(โ
|๐ก๐ โ ๐ก๐ | ) ๐
pertanto la matrice di covarianza valutata negli istanti di interesse risulta: 1 ๐ด = [๐ โ1 ๐ โ2
๐ โ1 1 ๐ โ1
๐ โ2 ๐ โ1 ] 1
la cui inversa vale: ๐ด โ1 =
1 1 [โ๐ โ1 โ2 1โ๐ 0
โ๐ โ1 1 + ๐ โ2 โ๐ โ1
0 โ๐ โ1 ] 1
La forma quadratica che definisce la ๐๐ (0)๐ (๐)๐ (2๐) (๐ฅ1, ๐ฅ2, ๐ฅ3) รจ: ๐(๐ฅ1 , ๐ฅ2 , ๐ฅ3 ) =
1 [๐ฅ 2 + (1 + ๐ โ2 )๐ฅ22 + ๐ฅ32 โ 2๐ โ1 ๐ฅ1 ๐ฅ2 โ 2๐ โ1 ๐ฅ2 ๐ฅ3 ] 1 โ ๐ โ2 1
Essendo inoltre: |๐ด| = (1 โ ๐ โ2 )2
la densitร di probabilitร cercata si scrive quindi: ๐๐ (0)๐ (๐)๐ (2๐) (๐ฅ1 , ๐ฅ2 , ๐ฅ3 ) =
1 3
(2๐)2 (1 โ ๐ โ2 )
๐
โ
20.6 - Distribuzioni singolari. Sia data la funzione definita in โ๐ :
โ2 2 2 โ1 โ1 ๐ฅ2 1 +(1+๐ )๐ฅ2 +๐ฅ3 โ2๐ ๐ฅ1๐ฅ2โ2๐ ๐ฅ2 ๐ฅ3 2(1โ๐โ2 )
348
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori 1 ๐ ๐ด๐
๐น(๐) = ๐ โ2๐
(20.6.1)
dove ๐ด รจ una matrice semidefinita positiva. La (20.6.1), se la matrice ๐ด รจ definita positiva, si puรฒ interpretare come la funzione caratteristica associata ad un opportuno vettore costituito da ๐ variabili aleatorie congiuntamente gaussiane a media nulla. Si vuole indagare su come interpretare la (20.6.1) qualora la matrice ๐ด sia semidefinita positiva senza essere definita positiva. Cioรจ quando si verifichi il caso che la suddetta matrice presenti degli autovalori nulli. In particolare si vuole stabilire se alla (20.6.1) possa ancora attribuirsi il significato di funzione caratteristica associata ad un opportuno vettore ๐ di variabili aleatorie e, in caso affermativo, quale sia la densitร di probabilitร congiunta di dette variabili. A tal fine si proceda ad antitrasformare la (20.6.1) sulla base della (16.4.12): ๐(๐) =
1 ๐ 1 ๐ โซ ๐ โ2๐ ๐ด๐ ๐ โ๐๐ ๐ ๐๐ ๐ (2๐) โ๐
(20.6.2)
Sia ๐ una opportuna matrice ortonormale (certamente esistente) che diagonalizza la matrice ๐ด e che, inoltre, faccia si che gli autovalori non nulli della ๐ด cadano nelle prime ๐ righe della matrice diagonalizzata, cioรจ ๐ sia tale che risulti ๐1 0 โฆ โฆ โฆ โฆ โฆ โฆ โฆ 0 0 ๐2 โฆ โฆ โฆ โฆ โฆ โฆ โฆ 0 โฆโฆโฆโฆโฆโฆโฆโฆโฆโฆ ๐ ๐ ๐ด๐ = ๐ฌ = 0 โฆ โฆ โฆ โฆ ๐๐ 0 โฆ โฆ 0 0 โฆ โฆ โฆ โฆ . . .0. . . . .0 โฆ โฆโฆโฆโฆโฆโฆโฆโฆโฆ [0 โฆ โฆ . โฆ . . . . . . . . . . . . . .0]
(20.6.3)
dove ๐๐ รจ il generico autovalore non nullo della ๐ด. Operando al secondo membro della (20.6.2) la trasformazione di variabili ๐ = ๐ ๐ ๐ si ottiene: ๐(๐ฅ) =
1 1 โ ๐๐ ๐ฌ๐ โ๐๐๐ ๐ ๐ ๐ 2 โซ ๐ ๐ ๐๐ (2๐)๐ โ๐
(20.6.4)
Si osservi che ๐๐ ๐ฌ๐, in virtรน della particolare composizione della matrice ๐ฌ, dipende solo dalle prime ๐ componenti del vettore ๐. Mediante le posizioni:
CAPITOLO - 20 โ Segnali Gaussiani -
๐ฃ1 [โฎ] ๐๐ ๐ฃ ๐ฌ ๐ = [๐ ] = ๐ฃ ๐ ; ๐ฌ = [ ๐ ๐+1 ๐โ๐ 0 [ โฎ ] [ ๐ฃ๐ ]
0 ] ; ๐ = [๐๐ 0
349
๐๐โ๐ ]
(20.6.5)
l'integrale (20.6.4) puรฒ essere espresso come prodotto di due integrali. Piรน precisamente si puรฒ scrivere: 1 1 โ ๐ฃ ๐ ๐ฌ๐ โ๐๐๐ ๐ ๐ ๐ 2 โซ ๐ ๐ ๐๐ (2๐)๐ โ๐ 1 ๐ 1 ๐ ๐ =( โซ ๐ โ2๐๐ ๐ฌ๐ ๐ ๐ โ๐๐๐ ๐๐ ๐ ๐๐๐ ) ๐ (2๐) โ๐ 1 ๐ ๐ โ
( โซ ๐ โ๐๐ฃ๐โ๐ ๐๐โ๐ ๐ ๐๐๐โ๐ ) ๐โ๐ (2๐) โ๐โ๐
(20.6.6)
da cui facilmente si ottiene: ๐(๐) =
1 โ(2๐)๐ |๐ฌ๐ |
๐
1 2
๐ โ ๐ฅ ๐ ๐๐ ๐ฌโ1 ๐ ๐๐ ๐
๐โ๐ ๐ โ ๐ฟ((๐๐โ๐ ๐)๐ )
(20.6.7)
๐=1
๐ ๐ dove (๐๐โ๐ ๐)๐ indica la ๐-esima componente del vettore ๐๐โ๐ ๐. ๐(๐) รจ non negativa e rispetta la condizione di normalizzazione, in quanto la (20.6.1) vale uno per ๐ = ๐, quindi la precedente implica che รจ leggitimo porre:
๐(๐) = ๐๐ฟ (๐)
(20.6.8)
cioรจ che รจ possibile interpretare ๐(๐) come la funzione di densitร di probabilitร congiunta ๐๐ฟ (๐) associata a un opportuno ๐-vettore ๐ฟ di variabili aleatorie. Eโ interessante rilevare che la presenza delle delta nella (20.6.7) porta a concludere che la ๐๐ฟ (๐) รจ nulla ovunque, fatta eccezione che in corrispondenza alle soluzioni del sistema lineare di equazioni: ๐ ๐๐โ๐ ๐=๐
(20.6.9)
In altri termini, quanto detto significa che il vettore ๐ฟ appartiene con probabilitร 1 al sottospazio di โ๐ implicitamente definito dalle (20.6.9). Detto sottospazio, in virtรน dell'ortogonalitร della matrice ๐, ha certamente dimensione ๐. Inoltre ci si rende facilmente conto del fatto che se il vettore ๐ฟ viene riferito a una qualsiasi base di detto
350
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
sottospazio le variabili aleatorie componenti di ๐ฟ rispetto a detta base sarebbero congiuntamente gaussiane. Esempio 20.2 Si determini la densitร di probabilitร del terzo ordine di un segnale gaussiano a media nulla e la cui funzione di autocovarianza รจ: ๐ ๐(๐) = cos (2๐ ) ๐
valutata negli istanti ๐ก1 = 0, ๐ก2 = ๐/4 e ๐ก3 = ๐/2. La matrice di covarianza vale: 1 0 ๐ด=[ 0 1 โ1 0
โ1 0] 1
Essa รจ singolare ed ha rango 2. Per determinare la varietร lineare sulla quale la ps
1s2s3
( x 1 , x 2 ,x 3 ) ri-
sulta diversa da zero occorre individuare una matrice ๐ che diagonalizza la ๏. Detta matrice ha per righe gli autoversori di ๏. Lโequazione che fornisce gli autovalori come รจ noto รจ: |๐ด โ ๐๐ผ| โก ๐(๐ โ 1)(๐ โ 2) = 0
le cui soluzioni sono: ๐1 = 0,
๐2 = 1,
๐3 = 2;
I corrispondenti autovettori normalizzati sono: ๐1 =
1 1 [0 ] , โ2 1
0 ๐2 = [1] , 0
๐3 =
1 [0] โ2 โ1 1
scegliendo come matrice T: โ ๐=
1
0
โ2 0 1
1
โ2 1 0 1 0 โ2]
[ โ2
Risulta: 2 ๐ ๐ ๐ด๐ = [0 0
La varietร lineare su cui la ps allora definita dalla:
1s2s3
0 0 1 0] 0 0
( x 1 , x 2 ,x 3 ) risulta diversa da zero รจ
CAPITOLO - 20 โ Segnali Gaussiani -
1 ๐ ๐๐โ๐ ๐ = ๐;
351
๐
โ2 0 ๐ = ๐; ๐1 + ๐3 = ๐ 1 [โ2]
nel caso in esame la matrice Tr รจ data dalle prime due colonne di T, 1 ๐ฌโ1 ๐ = [2 0
0] 1
si ha: 1 0 4 ๐ ๐ = ๐๐ ๐ฅ ๐ ๐๐ ๐ฌโ1 ๐ 0 1 ๐ ๐ 1 [โ 4 0 =
la ps
1s2s3
1 4 ๐ฅ12 ๐ฅ1 ๐ฅ3 ๐ฅ32 + ๐ฅ22 โ + 0 ๐= 4 2 4 1 ] 4
โ
(๐ฅ1 + ๐ฅ3 )2 + ๐ฅ22 4
quindi in base alla (20.6.7) รจ data da:
๐๐ 1๐ 2๐ 3 (๐ฅ) =
1 [(๐ฅ1โ๐ฅ3)2+๐ฅ22] 1 (๐ฅ2 +๐ฅ2 ) ๐ 4 ๐ฟ(๐ฅ1 + ๐ฅ3 ) = ๐ 1 2 ๐ฟ(๐ฅ1 + ๐ฅ3 ) 4๐ 4๐
20.7 - Densitร di probabilitร del secondo ordine e condizionali. Nel caso di un vettore aleatorio ๐ฟ gaussiano bidimensionale denotando con
๐12
๐11 = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
(๐1 โ ๐1 )2 = ๐12 ; ๐22 = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
(๐2 โ ๐2 )2 = ๐22 ; = ๐21 = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
(๐1 โ ๐1 )(๐2 โ ๐2 )
(20.7.1)
gli elementi della matrice di covarianza, si puo scrivere: ๐ด โ1 =
๐12 ๐22
1 ๐2 [ 2 โ ๐12 ๐21 โ๐21
โ๐12 ] ๐12
(20.7.2)
Di conseguenza la densitร di probabilitร vale: ๐๐ฟ (๐) =
๐
2 ๐2 (๐ฅ โ๐1 )2 โ(๐12+๐21 )(๐ฅ1โ๐1 )(๐ฅ2 โ๐2 )+๐2 1 (๐ฅ2 โ๐2 ) โ 2 1 2 2 2(๐1 ๐2 โ๐12 ๐21 )
2๐โ๐12 ๐22 โ ๐12 ๐21
(20.7.3)
Di norma la precedente si esprime in termini del coefficiente di correlazione:
352
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
๐=
๐12 ๐21 = ๐1 ๐2 ๐1 ๐2
(20.7.4)
che, in virtรน della definitezza positiva della ๐ด, soddisfa la limitazione |๐| โค 1. Risulta allora: ๐๐ 1 ๐ 2 (๐ฅ1 , ๐ฅ2 ) =
๐
1 (๐ฅ โ๐ )2 2๐ (๐ฅ โ๐ )2 [ 1 21 โ (๐ฅ โ๐1 )(๐ฅ2 โ๐2 )+ 2 2 2 ] ๐1 ๐2 1 2(1โ๐2 ) ๐1 ๐2
โ
2๐๐1 ๐2 โ1 โ
(20.7.5)
๐2
Nel piano (๐ฅ1 , ๐ฅ2 ) i luoghi a ๐๐ 1๐ 2 = cost sono rappresentati da una famiglia dโellissi (|๐| โค 1) concentriche di centro (๐1 , ๐2 ) di equazioni: (๐ฅ1 โ ๐1 )2 2๐ (๐ฅ2 โ ๐2 )2 โ (๐ฅ1 โ ๐1 )(๐ฅ2 โ ๐2 ) + 2 ๐1 ๐2 ๐1 ๐22 = cost
(20.7.6)
Le densitร di probabilitร marginali ๐๐ 1 (๐ฅ1 ) e ๐๐ 2 (๐ฅ2 ) valgono rispettivamente: ๐๐ 1 (๐ฅ1 ) = ๐๐ 2 (๐ฅ2 ) =
1 โ2๐๐12 1 โ2๐๐22
๐
(๐ฅ โ๐ )2 โ 1 21
๐
2๐1
(๐ โ๐ ) โ 2 22 2๐2
;
2
(20.7.7)
;
come si deduce facilmente applicando le regole di marginalizzazione dedotte precedentemente in questo Capitolo ร interessante notare che se ๐ = 0, la matrice di covarianza รจ diagonale, in questo caso evidentemente risulta: ๐๐ 1๐ 2 (๐ฅ1 , ๐ฅ2 ) = ๐๐ 1 (๐ฅ1 )๐๐ 2 (๐ฅ2 )
(20.7.8)
Ciรฒ significa che se risulta ๐(๐ก1 , ๐ก2 ) = 0, le variabili aleatorie ๐ 1 = ๐ (๐ก1 ) e ๐ 2 = ๐ (๐ก2 ), estratte da un segnale gaussiano, sono statisticamente indipendenti. Dalle relazioni: ๐๐ 1 ๐ 2 (๐ฅ1 , ๐ฅ2 ) = ๐๐ 1 (๐ฅ1 )๐๐ 2|๐ 2 (๐ฅ2 , ๐ฅ1 ) = ๐๐ 2 (๐ฅ2 )๐๐ 1 |๐ 2 (๐ฅ1 , ๐ฅ2 )
si possono dedurre le densitร di probabilitร condizionate:
(20.7.9)
CAPITOLO - 20 โ Segnali Gaussiani -
353
1
๐๐ 1 |๐ 2 (๐ฅ1 , ๐ฅ2 ) =
๐
๐๐ โ 2 [๐ฅ1 โ๐1 โ 1 (๐ฅ2 โ๐2 )]2 ๐2 2๐1 (1โ๐2 )
๐1 โ2๐(1 โ ๐2 )
(20.7.10)
e ๐๐ 2 |๐ 1 (๐ฅ2 , ๐ฅ1 ) =
๐
โ
1 ๐๐2 2 2 [๐ฅ2 โ๐2 โ ๐1 (๐ฅ1 โ๐1 )] 2๐2 2 (1โ๐ )
๐2 โ2๐(1 โ ๐2 )
(20.7.11)
che come si riconosce facilmente, sono due gaussiane rispettivamen๐๐ ๐๐ te caratterizzate dai valori medi ๐1 + ๐ 1 (๐ 2 โ ๐2 ), ๐2 + ๐ 2 (๐ 1 โ 2
๐1 ) e dalle varianze ๐12 (1 โ ๐2 ), ๐22 (1 โ ๐2 ).
1
20.8 - Trasformazioni lineari di segnali gaussiani. Sia ๐ฟ = [๐1
๐2
โฆ
๐๐ ]๐
(20.8.1)
un vettore le cui componenti siano variabili aleatorie gaussiane, tali cioรจ che la loro densitร di probabilitร congiunta sia espressa da una relazione del tipo della (20.2.16). Se si applica al vettore ๐ฟ una trasformazione lineare del tipo: ๐ = ๐๐ฟ
(20.8.2)
essendo ๐ una matrice ๐ ร ๐ รจ facile riconoscere che anche il vettore aleatorio ๐ cosรฌ ottenuto ha componenti congiuntamente gaussiane. Infatti detta ๐น๐ (๐) la funzione caratteristica del vettore ๐ รจ ๐ ๐ ๐ ๐ ๐น๐ (๐) = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ ๐๐ ๐ = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ ๐๐ ๐๐ = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ ๐(๐ ๐) ๐ = ๐น๐ฟ (๐ ๐ ๐)
(20.8.3)
Ricordando la (20.2.15) si verifica facilmente che la funzione caratteristica associata ad un vettore di variabili gaussiane vale: 1 ๐ ๐ ๐ ๐ ๐ ๐น๐ฟ (๐) = ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ ๐๐ ๐ฟ = ๐ ๐๐ ๐๐ฟ ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ ๐๐ (๐ฟโ๐๐ฟ) = ๐ ๐๐ ๐๐ฟ โ2๐ ๐ด๐ฟ๐
(20.8.4)
avendo denotato con ๐๐ฟ il vettore dei valori medi: ฬ
ฬ
ฬ
1 ๐๐ฟ = [๐
ฬ
ฬ
ฬ
๐2
โฆ
ฬ
๐ฬ
ฬ
๐ฬ
]๐
(20.8.5)
e con ๐ด๐ฟ la matrice di covarianza. Tenendo conto delle (20.8.2) e (20.8.4) la (20.8.3) diviene: ๐ ๐๐ โ1๐๐ (๐ป๐ด ๐ ๐ )๐ ๐ฟ 2 ๐ฟ
๐น๐ (๐) = ๐น๐ฟ (๐ ๐ ๐) = ๐ ๐๐
(20.8.6)
354
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
che confrontata con la (20.8.4) consente di concludere che il vettore ๐ ha componenti congiuntamente gaussiane caratterizzate da un vettore di valori medi ๐๐ e da una matrice di autocovarianza ๐ด๐ dati rispettivamente dalle: a)
๐๐ = ๐๐๐ฟ
b)
๐ด๐ = ๐๐ด๐ฟ ๐ ๐
(20.8.7)
Le considerazioni sin qui svolte possono essere estese al caso di segnali aleatori legati da trasformazioni lineari del tipo: โ
๐ฆ(๐ก, ๐) = โซ โ(๐ก, ๐)๐ฅ(๐, ๐)๐๐ โโ
(20.8.8)
dove โ(๐ก, ๐) denota la risposta della trasformazione ad una delta di Dirac centrata allโistante ๐. La (20.8.8) si potrebbe anche interpretare come una distribuzione definita su un opportuno spazio di funzioni di prova cui devono appartenere le manifestazioni del segnale ๐ฅ(๐, ๐). Anche in questo caso si puรฒ dimostrare che, se ๐ฅ(๐, ๐) รจ un processo gaussiano, tale รจ anche ๐ฆ(๐ก, ๐). Limitandosi a fornirne una giustificazione intuitiva , si consideri il caso in cui โ(๐ก, ๐) rappresenta una funzione regolare. Suddividendo il dominio dโintegrazione nella (20.8.8) in intervalli disgiunti di ampiezza ๐ฅ, l'integrale puรฒ essere calcolato mediante la: ๐
๐ฆ(๐ก, ๐) = lim ๐ฅ โ โ(๐ก, ๐๐ฅ)๐ฅ(๐๐ฅ, ๐) ๐โโ ๐ฅโ0
(20.8.9)
๐=โ๐
Valutando la precedente in ๐ก = ๐๐ฅ si ottiene: ๐
๐ฆ(๐๐ฅ, ๐) = lim ๐ฅ โ โ(๐๐ฅ, ๐๐ฅ)๐ฅ(๐๐ฅ, ๐) ๐โโ ๐ฅโ0
(20.8.10)
๐=โ๐
L'argomento del limite puรฒ essere interpretato, per fissati ๐ e ๐
๐ฅ, come la componente ๐-esima ๐ฆฬ๐ = โ๐=โ๐ โ(๐๐ฅ, ๐๐ฅ)๐ฅ(๐๐ฅ, ๐) di un
vettore aleatorio ottenuto dal prodotto tra una matrice ๐ il cui generico elemento รจ โ(๐๐ฅ, ๐๐ฅ) e un 2๐ + 1 vettore aleatorio gaussiano la cui ๐-esima componente vale ๐ฅ(๐๐ฅ, ๐). ๐ฆฬ๐ รจ pertanto, indipendente-
CAPITOLO - 20 โ Segnali Gaussiani -
355
mente dai valori di ๐ e ๐ฅ, una variabile aleatoria gaussiana e tale resta passando al limite per ๐ โ โ e ๐ฅ โ 0. Essendo ๐ฆ(๐ก, ๐) gaussiano, la sua densitร di probabilitร a qualunque ordine dipende soltanto dal valor medio e dalla funzione di autocovarianza. Dalla (20.8.8), prendendo il valore medio statistico di ambo i membri, si ha: โ
โ
โโ
โโ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐๐ฆ (๐ก) = ๐ฆ(๐ก, ๐) = โซ โ(๐ก, ๐)๐ฅ(๐, ๐)๐๐ = โซ โ(๐ก, ๐)๐๐ฅ (๐)๐๐
(20.8.11)
dove con ๐๐ฅ (๐ก) si รจ indicato il valore medio del segnale ๐ฅ(๐ก, ๐). La funzione di covarianza vale: ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐๐ฆ (๐ก1 , ๐ก2 ) = (๐ฆ(๐ก 1 , ๐) โ ๐๐ฆ (๐ก1 ))(๐ฆ(๐ก2 , ๐) โ ๐๐ฆ (๐ก2 )) โ
โ
= ๐ธ {โซ ๐(๐ก1 , ๐1 )(๐ฅ(๐1 , ๐) โ ๐๐ฅ (๐1 ))๐๐1 โซ โ(๐ก2 , ๐2 )(๐ฅ(๐2 , ๐) โโ
โโ
โ ๐๐ฅ (๐2 ))๐๐2 } โ
โ
= โซ โซ ๐ธ{[๐ฅ(๐1 , ๐) โ ๐๐ฅ (๐1 )][๐ฅ(๐2 , ๐)
(20.8.12)
โโ โโ
โ ๐๐ฅ (๐2 )]}โ(๐ก1 , ๐1 )๐(๐ก2 , ๐2 )๐๐1 ๐๐2 โ
โ
= โซ โซ ๐๐ฅ (๐1 , ๐2 )โ(๐ก1 , ๐1 )โ(๐ก2 , ๐2 )๐๐1 ๐๐2 โโ โโ
avendo denotato con ๐๐ฅ (๐ก1 , ๐ก2 ) la funzione di autocovarianza di ๐ฅ(๐ก, ๐). Esempio 20.3 Si determini la densitร di probabilitร del secondo ordine del segnale ๐ฆ(๐ก, ๐) =
1 ๐ก+๐ โซ ๐ฅ(๐, ๐)๐๐ ๐ ๐ก
valutata negli istanti t 1 =0 e t 2 = T essendo x( t ,๏บ ) un segnale gaussiano, stazionario, a valor medio nullo e funzione dโautocorrelazione t 1 =0 R X ( ๏ด) =๏ค( ๏ด) Se la media di x( t,๏บ ) รจ nulla lo รจ anche quella di y( t,๏บ ) . La funzione dโautocorrelazione di y( t,๏บ ) vale 1 ๐
๐ฆ (๐ก1 , ๐ก2 ) = 2 โซ ๐
๐ก1 +๐
๐ก1
โซ
๐ก2 +๐
๐ก2
๐ฟ(๐2 โ ๐1 )๐๐1 ๐๐2
1 ๐ก1+๐ ๐1 โ ๐ก2 1 = 2โซ โ ( โ ) ๐๐1 ๐ ๐ก1 ๐ 2
356
Lezioni di Teoria dei Segnali - Analisi dei Segnali Aleatori -
essendo, come รจ facile verificare: ๐ฝ ๐ฅ 1 1; ๐ฅ โ [๐ผ, ๐ฝ] โซ ๐ฟ(๐ฅ โ ๐ฅ0 )๐๐ฅ = { = โ๐ฝโ๐ผ ( โ ) 0; ๐ฅ โ [๐ผ, ๐ฝ] ๐ฝ โ ๐ผ 2 ๐ผ
Si ha pertanto, ponendo ๏ด๏ฝ t 2 ๏ญ t 1 : ๐
1 2 +๐ ๐ 1 |๐| ๐ ๐๐ฆ (๐) = ๐
๐ฆ (๐) = 2 โซ โ ( ) ๐๐ = (1 โ ) โ ( ) ๐ ๐โ๐ ๐ ๐ ๐ ๐ 2
La matrice di covarianza negli istanti dโinteresse vale: 1 ๐ ๐ด=[ 0
0 1 ๐
]
la densitร di probabilitร richiesta vale quindi: ๐๐ฆ(0),๐ฆ(๐) (๐, ๐) =
๐ โ๐(๐2+๐2) 2 ๐ 2๐
20.9 - Statistica della somma di variabili aleatorie indipendenti. Sia {๐๐ } una sequenza di variabili aleatorie statisticamente indipendenti. Si assuma per semplicitร che la generica variabile ๐๐ della sequenza abbia valor medio nullo e si indichi la sua varianza con ๐๐2 . Ci si propone di determinare la densitร di probabilitร della variabile aleatoria ๐ definita come segue: ๐ ๐ โ๐๐=1 ๐๐ ๐ = lim โ = lim ๐๐ ๐โโ ๐โโ ๐โโ ๐ค๐ ๐=1 ๐ค๐
๐ = lim
(20.9.1)
dove: ๐
๐ค๐ = โโ
๐=1
๐๐2
(20.9.2)
sotto l'ipotesi che risulti: ๐น๐ =0 ๐โโ ๐ค๐ lim
(20.9.3)
dove 3
๐
๐น๐ = โโ ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
|๐๐3 | ๐=1
(20.9.4)
CAPITOLO - 20 โ Segnali Gaussiani -
357
Sia ๐น๐ (๐ข) la funzione caratteristica della variabile aleatoria ๐๐ la funzione caratteristica ๐น๐๐ (๐ข) della variabile aleatoria ๐๐ , definita dalla (20.9.1), in virtรน della supposta statistica indipendenza delle ๐๐ , vale: ๐
๐
๐=1
๐=1
๐ข ๐ข ๐น๐๐ (๐ข) = โ ๐น๐ ( ) โ log[๐น๐๐ (๐ข)] = โ log (๐น๐ ( )) ๐ค๐ ๐ค๐
(20.9.5)
Dโaltra parte puรฒ scriversi: ๐ข ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ข ๐ ๐ ๐น๐ ( ) = ๐ ๐ค๐ ๐ ๐ค๐ 3 ๐ข 3 ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ ๐ข ๐๐2 ๐ข 2 ๐ ๐ ๐๐ = 1 + ๐๐๐ โ ( ) โ ๐๐ ๐ค๐ ๐ ( ) ๐ค๐ 2 ๐ค๐ 6 ๐ค๐ ๐ ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ ๐ ๐๐2 ๐ข2 โ๐๐ ๐ค๐ ๐ ๐๐3 ๐ข3 =1โ + 2๐ค๐2 6๐ค๐3
(20.9.6)
dove ๐ รจ un opportuno reale che dipende da ๐ข e da ๐๐ . ๐ข
Si consideri adesso il logaritmo naturale della ๐น๐ (๐ค ): ๐
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ข ๐๐2 ๐ข2 โ๐๐ ๐๐3 ๐ข3 log (๐น๐ ( )) = log (1 โ + ) ๐ค๐ 2๐ค๐2 6๐ค๐3 ๐ ๐ ๐๐ ๐ค๐
(20.9.7)
= log[1 + ๐ง]
avendo posto: ๐ ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
ฬ
๐ ๐ ๐๐2 ๐ข2 โ๐๐ ๐ค๐ ๐ ๐๐3 ๐ข3 ๐ง=โ + 2๐ค๐2 6๐ค๐3
(20.9.8)
In virtรน della (20.9.3) si puรฒ affermare che esiste ๐ tale che: ๐>๐โ
๐น๐
View more...
Comments