Sei sulla pagina 1di 7

1 Basi matematiche

Rb
< f, g >= f (x)g ? (x)dx −→ prodotto scalare
Rab Rb
< f, f >= a f (x)f ? (x)dx = a |f (x)|2 dx = E(x) = kxk2
p q Rb
kxk2 = kxk = a
|f (x)|2 dx
→si {si1 , si2 , . . . , sin }
si (t)←
B

Da qui ho ottenuto una RAPPRESENTAZIONE VETTORIALE del segnale !

RELAZIONE DI PARSEVAL
E(si ) = |si (t)|2 dt =< si , si >= ksi k2 −→ energia del segnale [J]
R

GRAM SCHMIDT
x1
ψ1 =
kx1 k
x2,1 = x1 ψ1? dt
R

ϕ2 = x2 − x2,1
ϕ2
ψ2 =
kϕ2 k
= x3 ψ1? dt
R
x3,1
= x3 ψ2? dt
R
x3,2
ϕ3 = x3 − x3,1 − x3,2
ϕ3
ψ3 =
kϕ3 k

SERIE DI FOURIER
t
B = { √1T ej2πk T }∞
k=−∞

t
ψk = √1 ej2πk T −→ base normale
T
T t
√1 x(t)e−j2πk T dt
R
Ck =< x(t), ψk >= T
2
− T2
P∞ t
x(x) = k=−∞ Ck √1T ej2πk T
P∞
E(x) = k=−∞ |Ck |2

SERIE DI FOURIER PROPRIAMENTE DETTA


t
B = {ej2πk T }∞
k=−∞
t
ψk = ej2πk T −→ base non normale
RT t
µk = Ck √1T = T1 −2T x(t)e−j2πk T dt
2

P∞ t
x(x) = k=−∞ µk ej2πk T
P∞
E(x) = T k=−∞ |µk |2

1
TRIGONOMETRIA
2 cos(α) cos(β) = cos(α + β) + cos(α − β)
1
cos(α) cos(β) = 2 cos(α + β) + cos(α − β)
2 sin(α) sin(β) = cos(α − β) − cos(α + β)
1
sin(α) sin(β) = 2 cos(α − β) − cos(α + β)

CONVOLUZIONE
Operazione tra funzioni definita come:
R
x(t) ∗ y(t) := x(θ)y(t − θ)dθ
Passaggi:
RIBALTAMENTO
TRASLAZIONE
MOLTIPLICAZIONE
INTEGRAZIONE

DELTA DI DIRAC
R
x(t)δ(t)dt = x(0) · 1
R
x(t)δ(t − t0 )dt = x(t0 ) · 1
x(t)δ(t) = x(0)δ(t)
x(t)δ(t − t0 ) = x(t0 )δ(t − t0 )
F{δ(t)} = 1
F −1 {1} = δ(t)
x(t) ∗ δ(t) = x(t)
x(t) ∗ δ(t − t0 ) = x(t − t0 )

TRASFORMATA DI FOURIER
linearitá ax(t) + by(t) = aX(f ) + bY (f )
anticipo o ritardo x(t ± θ) = X(f )e±j2πf θ
traslazioone in f x(t)e±j2πf0 t = X(f ∓ f0 )
1 f
scalamento in t x(kt) = |k| X( k )

1 t
scalamento in f |k| x( k ) = X(kf )

modulazione x(t)cos(2πf0 t) = 12 [X(f − f0 ) + X(f + f0 )]


R +∞
convoluzione −∞ x(τ )y(t − τ )dτ = X(f )Y (f )
R +∞
prodotto x(t)y(t) = −∞
X(a)Y (f − a)da
derivazione ẋ(t) = j2πf X(f )
Rt
integrazione −∞ x(r)dr = 12 X(0)δ(f ) + X(f )/j2πf

2
TRASFORMATE NOTEVOLI
1
e−at u(t) =
a + j2πf
2a
e−a|t| =
a2 + 4π 2 f 2
2 √ 2
f2
e−t = πe−π
√ 2
2 π −π 2 f9
e−9t = 9 e

δ(t) = 1
1 = δ(f )
δ (n) (t) = (j2πf )n
sin(πf T )
PT (t) =
πf
sin2 (πf T )
T riT = T
(πf T )2
1 δ(f )
u(t) = +
j2πf 2
1 jδ(f )
tu(t) = 2
+
(j2πf ) 4π
jδ(f )
t=

cos(2πf0 t) = 12 [δ(f − f0 ) + δ(f + f0 )]
1
sin(2πf0 t) = 2j [δ(f − f0 ) − δ(f + f0 )]
a
ate−at u(t) =
a + j2πf

SISTEMI LINEARI TEMPO INVARIANTI LTI


Per poter definire un sitema LTI devo dimostrare la linearitá e la tempo invarianza

LINEARITÁ
αy(t) = Ω{αx(t)}

TEMPO INVARIANZA
y(t − D) = Ω{x(t − D)}

SEGNALI ENERGIA FINITA


x(t) = segnale con energia finita
Sx (f ) = |X(f )2 | −→ spettro di energia
Rx (τ ) = F −1 {Sx (f )} −→ autocorrelazione
Rx (0) = E(x)
Sy (f ) = |H(f )2 |Sx (f )
Ry (τ ) = F −1 {|H(f )2 |Sx (f )}

3
SEGNALI PERIODICI
P P
x(t) = xT (t − nT ) −→ X(f ) = f0 XT (nf0 )δ(f − nf0 )
P P
x(t) = q(t − nT ) −→ X(f ) = f0 Q(nf0 )δ(f − nf0 )

x(t) = µn ej2πf0 t −→ X(f ) = µn δ(f − nf0 )


P P

1 R T2 2
P (x) = T |x(t)| dt
T −2
P
µn = µn se X(f ) = µn δ(f − nf0 )
P
µn = f0 XT (nf0 ) se X(f ) = f0 XT (nf0 )δ(f − nf0 )
P
µn = f0 Q(nf0 ) se X(f ) = f0 Q(nf0 )δ(f − nf0 )
Gx (f ) = |µn |2 δ(f − nf0 ) −→ spettro di potenza
P

Φx (τ ) = F −1 {Gx (f )} = |µn |2 ej2πnf0 τ −→ autocorrelazione


P

T
1
x∗ (t)x(t + τ )dt −→ autocorrelazione
R
Φx (τ ) = T
2
− T2

In LTI:
P
Y (f ) = H(f ) µn δ(f − nf0 )
P
Y (f ) = µn H(nf0 )δ(f − nf0 )
Gy (f ) = |µn |2 |H(nf0 )|2 δ(f − nf0 ) = |H(f )|2 Gx (f )
P

PROCESSI CASUALI

x(t) PROCESSO CASUALE


⇓ genera −→ come? −→ REALIZZAZIONE PROCESSO
ξ(s) VARIABILE CASUALE

caratterizzo ξ(s) −→ voglio sapere come si comporta


,→ DISTRIBUZIONE DI PROBABILITÁ
,→ DENSITÁ DI PROBABILITÁ

DISTRIBUZIONE DI PROBABILITÁ
Fξ (x) := P {ξ ≤ x}
Fξ (−∞) = 0
Fξ (+∞) = 1
DENSITÁ DI PROBABILITÁ
dFξ (x)
fξ (x) :=
dx
fξ (x) ≥ 0
R +∞
−∞ ξ
f (x)dx = 1

MEDIA STATISTICA
R +∞
µx = E{g(ξ)} = −∞
g(x)fξ (x)dx

MOMENTO

4
R∞
µn = E{ξ n } = −∞
un fξ (u)du
MOMENTO CENTRALE
R∞
mn = E{(ξ − µξ )n } = −∞
(u − µξ )n fξ (u)du

DISTRIBUZIONE CUMULATA DI PROBABILITÁ CONGIUNTA


Fξ1 ,ξ2 (u1 , u2 ) = P (ξ1 ≤ u1 , ξ2 ≤ u2 )
0 ≤ Fξ1 ,ξ2 (u1 , u2 ) ≤ 1
Fξ1 ,ξ2 (u1 , ∞) = P (ξ1 ≤ u1 ) = Fξ1 (u1 )
DENSITÁ DI PROBABILITÁ CONGIUNTA
∂2
fξ1 ,ξ2 (u1 , u2 ) = ∂u1 ∂u2 Fξ1 ,ξ2 (u1 , u2 )
fξ1 ,ξ2 (u1 , u2 ) ≥ 0
RR
fξ1 ,ξ2 (u1 , u2 )du1 du2 = 1
R
fξ1 ,ξ2 (u1 , u2 )du2 = fξ1 (u1 )
INDIPENDENZA STATISTICA

ξ1 e ξ2
⇓ sono statisticamente indipendenti se
Fξ1 ,ξ2 (u1 , u2 ) = P (ξ1 ≤ u1 )P (ξ2 ≤ u2 ) = Fξ1 (u1 )Fξ2 (u2 )
⇓ quindi questo comporta che

fξ1 ,ξ2 (u1 , u2 ) = fξ1 (u1 )fξ2 (u2 )


MOMENTI CONGIUNTI
E{ξ1n ξ2k } =
RR n k
u1 u2 fξ1 ,ξ2 (u1 , u2 )du1 du2

E{ξ1 ξ2 } −→ correlazione ξ1 ξ2
COEFFICENTE DI CORRELAZIONE
E{(ξ1 − µ1 )(ξ2 − µ2 )}
ρ ξ1 ξ2 =
σξ1 σξ2
VARIANZA
σx2 = E{(ξ − µ)2 } = E{ξ 2 } − µ2
σx −→ deviazione standard
FUNZIONE AUTOCORRELAZIONE
Rx (t1 , t2 ) = E{x(t1 )x∗ (t2 )}
FUNZIONE AUTOCOVARIANZA

Kx (t1 , t2 ) = E{[x(t1 ) − µx (t1 )][x(t2 ) − µx (t2 )]∗ }

5
STAZIONARIETÁ
STAZIONARIETÁ 1
fx (x1 , t1 ) = fx (x2 , t2 )∀x, t
P (x(t1 ) ≤ u1 ) = P (x(t1 + ∆t ) ≤ u1 )
STAZIONARIETÁ 2
fx (x1 x2 , t1 t2 ) = fx (x3 x4 , t3 t4 )∀x, t
P (x(t1 ) ≤ u1 , x(t2 ) ≤ u2 ) = P (x(t1 + ∆t ) ≤ u1 , x(t2 + ∆t ) ≤ u2 )
STAZIONARIETÁ N (SSS)
P (x(t1 ) ≤ u1 , . . . , x(tN ) ≤ uN ) = P (x(t1 + ∆t ) ≤ u1 , . . . , x(tN + ∆t ) ≤ uN )
in questo caso si dice che il processo é stazionario in senso stretto o SSS

STAZIONARIO IN SENSO LATO (WSS) se


E{x(t, s)} = µx la media non dipende dal tempo
Rx (t1 , t2 ) = Rx (t1 + ∆t , t2 + ∆t ) l’AUTOCORRELAZIONE dipende solo da τ = t2 − t1

WSS
Rx (τ ) = E{x(t + τ )x∗ (t)}
Rx (0) = E{|x(t)|2 }
|Rx (τ )| ≤ Rx (0)
Rx (−τ ) = Rx∗ (τ )
Rx (τ )e−j2πf τ dτ
R
Sx (f ) = F{Rx (τ )} =

LTI E PROCESSI WSS


Se un processo casuale WSS x(t) viene usato come input in un sistema LTI allora:
Ry (τ ) = Rx (τ ) ∗ Rh (τ )
Rh (τ ) = h∗ (t)h(t + τ )dt −→ h(t) é determinato
R

Rx (τ ) = E{x∗ (t)x(t + τ )} −→ x(t) processo casuale


Ry (τ ) = E{y ∗ (t)y(t + τ )} −→ y(t) processo casuale
µy = µx H(0)
Sy (f ) = Sx (f )|H(f )|2
Sy (f ) = F{Ry (τ )} = Ry (τ )e−j2πf τ dτ
R

Ry (τ ) = F −1 {Sy (f )} = Sy (f )ej2πf τ df
R

LTI E PROCESSI GAUSSIANI O MEDIA NULLA


σy2 = Ry (0)
Ry (0) = F −1 {Sy (f )}τ =0 =
= Sy (f )ej2πf τ |τ =0 df =
R

= Sy (f )ej2πf 0 df =
R
R
= Sy (f )1df =
= Sx (f )|H(f )|2 df
R

6
MEDIA TEMPORALE
T
1
R
hf [x(t, s0 )]i := limT →∞ T
2
− T2
f [x(t, s0 )]dt

ERGODICITÁ

Al fine di misurare Rx (τ ) o Sx (f ) sarebbero necessarie tutte le possibili realizzazioni ed é una cosa impossi-
bile.
Nella vita reale si hanno solo un numero finito di realizzazioni.
Possiamo stimare Rx (τ ) o Sx (f ) solo da una realizzazione se il processo é ERGODICO.
CONDIZIONE DI ERGODICITÁ
RT
Es {f (x(t, s))} = limT →∞ T1 −2T f (x(t, s0 ))dt
2

Potrebbero piacerti anche