Sei sulla pagina 1di 515

Marco Luise

Giorgio M. Vitetta
I-

--

..

..--

--- -:"..4::.i/i1\i1

.
-\

..' ,',.

_':il!.-

Teoria dei segnali

.
I\
I
d

.
\

j
J

,-

J
I

I
,

McGraw-Hill

lo.

.,
t -

v:ol

I.
I

Questo libro si propone al lettore come


percorso di apprendimento guidato,
piuttosto che come riferimento
esaustivo sull'argOmento; in questo senso,
il volume aspira a colmare
un vuoto significativo nell'attuale
bibliografia in lingua italiana.
Il testo presenta con un approccio
sostanzialmente unitario, e a pari dignit,
i segnali determinati analogici (a tempo
continuo) e digitali (a tempo discreto);
inoltre, vista l'importanza crescente
dei segnali digitali, vengono introdotti
concetti tradizionalmente ritenuti di
pertinenza dell'elaborazione numerica dei
segnali (interpolazione
e decimazione, filtri numerici, FFT...).
l'analisi di Fourier per i segnali periodici
e aperiodici, a tempo continuo
e discreto, viene applicata anche
allo studio dei sistemi lineari stazionari
monodimensionali.
I capitoli conclusivi sono dedicati a uno
studio elementare dei segnali aleatori;
a tal fine vengono richiamate le necessarie
nozioni di probabilit e statistica.
l'esposizione, senza trascurare il rigore
matematico, privilegia piuttosto
gli aspetti intuitivi, anche con l'ausilio
di numerosi esempi svolti ed esercizi.

Il

II

'

~r:
.

t..

Teoria dei segnali

Marco Luise professore associato


di Comunicazioni ottiche presso la Facolt
di Ingegneria dell'Universit di Pisa.
Giorgio Matteo Vitetta professore
associato di Sistemi di telecomunicazione
presso la Facolt di Ingegneria
dell'Universit di Modena.

ISBN 88-386-0809-1

111111111111111111111111

9 "788838

608094

lire 54.000 (LL)

---~

Indice

Prefazione

xi

1 Introduzione allo studio dei segnali


1.1.' Che cos' un segnale? "''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''""""''''''
1.2 Tipi di segnali
1.3 Propriet elementari dei segnali determinati
Sommario

Eserciziproposti

"""""''''''''''''''''''''''''''''''''''''''''''''''''''''

2 Segnali periodici a tempo continuo


2.1 Dall'analisi fasoriale all'analisi di Fourier
2.2 Analisi armonica dei segnali periodici
2.2.1 Sviluppo in serie di Fourier in forma reale polare
2.2.2 Sviluppo in serie di Fourier in forma complessa
2.2.3 Sviluppo in serie di Fourier in forma reale rettangolare
2.3 Il criteriodi Dirichlet""""'"''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
2.4 Spettri di ampiezza e di fase
2.5 Propriet dello spettro di un segnale reale periodico "'"''''''''''''''''''''''''''''''''''''''''''''''''
2.6 Segnali pari, dispari e alternativi
2.7 Sintesi del segnale con un numero limitato di armoniche

Sommario
('

""""""

Esercizi proposti
) 3 Segnali aperiodici a tempo continuo
3.1 Dalla serie all'integrale di Fourier
3.2 Propriet della trasformata di Fourier "''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
3.2.1 Criteri di esistenza
3.2.2 Simmetrie degli spettri
3.2.3 Segnali pari e dispari
3.3 Teoremi sulla trasformata di Fourier
3.3.1 Teorema di linearit
3.3.2 Teorema di dualit

1
3
9
12

13
15
18
18
20
22

22
24
28
32
38

47
47
51

60
60
62
63
63
63
64

vi

Indice

3.3.3 Teorema del ritardo


3.3.4 Teorema del cambiamento di ..scala
3.3.5 Teorema della modulazione
3.3.6 Teorema di derivazione e integrazione
3.3.7 Teorema del prodotto
3.3.8 Teorema della convoluzione
3.4 Trasformate di Fourier generalizzate '"''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
3.4.1 La funzione generalizzata impulsiva o 8 di Dirac
3.4.2 Propriet della funzione generalizzata 8(t)
3.4.3 Trasformata di Fourier della funzione 8
3.4.4 Una trasformata notevole: la funzione 1/t
3.4.5 Trasformata della funzione gradino; teorema d'integrazione completo
3.4.6 Trasformata delle funzioni seno, coseno e dei segnali periodici
.3.5 Periodicizzazione e formule di somma di Poisson
3.6 Relazione fra le trasformate di Laplace e di Fourier
Sommario..
Esercizi proposti

65
68
73
77
85
86
93
93
100
103
104
106
108
114
117
122
123

Appendice: Cenni alla teoria delle distribuzioni


A.l Definizione di distribuzione e funzione generalizzata
A.2 La funzione generalizzata di Dirac
A.3 Derivata di una distribuzione e di una funzione generalizzata
A.4 Limite di una distribuzione e di una funzione geperalizzata

127
129
130
132

Sistemi monodimensionali
a tempo continuo
4.1 Caratterizzazionedei sistemi a tempo continuo
4.1.1 Dal concetto di segnale al concetto di sistema
4.1.2 Propriet dei sistemi monodimensionali
4.2 Caratterizzazione e analisi dei sistemi lineari stazionari
4.2.1 La risposta impulsiva
4.2.2 La risposta in frequenza
4.2.3 Il decibel
4.2.4 Sistemi in cascata e in parallelo

133
133
135
139
139
143
149
160

4.3

Filtri """"'"

4.3.1 Generalit sui filtri e filtri ideali


4.3.2 Criterio di Paley-Wiener e filtri reali
4.3.3 Banda e durata di un segnale e banda di un sistema
4.3.4 Distorsioni introdotte dai filtri
4.4 Densit spettrale di energia e potenza
4.4.1 Teorema di Parseval e densit spettrale di energia
4.4.2 Densit spettrale di potenza
4.4.3 Funzione di autocorrelazione e teorema di Wiener-Khintchine
4.4.4 Densit spettrale di potenza dei segnali periodici
4.5 Sistemi non lineari
4.5.1 Caratterizzazione dei sistemi non lineari
4.5.2 Nonlinearit essenziali e parassite
4.5.3 Misura delle distorsioni non lineari ""''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
''''''''''''''''''
Sommario
Esercizi proposti

162

162
169
171
180
186
186
189
191
198
200
200
203
205
211
213

Indice

5 Segnali a tempo discreto


5.1 Dal tempo continuo al tempo discreto
5.1.1 Campionamento dei segnali a tempo continuo
5.1.2 Alcuni segnali notevoli
5.2 Rappresentazione dei segnali aperiodici a tempo discreto
nel dominio della frequenza
5.2.1 Trasformata di Fourier di una sequenza
5.3 Teoremi sulla trasformata di Fourier di una sequenza
5.3.1 Teorema di linearit
5.3.2 Teorema del ritardo
5.3.3 Teorema della ..modulazione
5.3.4 Teorema della somma di convoluzione
5.3.5 Teorema del ..prodotto
5.3.6 Teorema dell'incremento
"''''''''''
5.3.7 Teorema della sequenza somma
5.4 La condizione di Nyquist e il teorema del campionamento
5.4.1 La condizione di Nyquist
5.4.2 Interpolazione a mantenimento
5.4.3 Interpolazione cardinale - Il teorema del campionamento
5.5 Analisi di Fourier delle sequenze periodiche
5.5.1 Trasformata discreta di Fourier
5.5.2 Teorema del prodotto
5.5.3 Teorema della convoluzione
5.5.4 Periodicizzazione di una sequenza aperiodica
- 5.6 Cenno agli algoritmi veloci di trasformata discreta (FFT)
5.6.1 Complessit di calcolo della trasformata discreta
5.6.2 Applicazioni dell'algoritmo di FFT: analisi spettrale
5.6.3 Applicazioni dell'algoritmo FFT: convoluzione veloce
5.7 Riassunto delle caratteristiche delle trasformate di Fourier
Sommario
Esercizi proposti

'y

6 Sistemi monodimensionali
a tempo discreto
6.1 Caratterizzazione dei sistemi a tempo discreto
6.1.1 Propriet dei sistemi monodimensionali a tempo discreto
6.1.2 Sistemi lineari e stazionari a tempo discreto
6.1.3 Risposta in frequenza di un SLS
6.1.4 Filtri a tempo discreto
6.2 Cambiamento della frequenza di campionamento
6.2.1 Sovracampionamento con interpolazione numerica
6.2.2 Decimazione o sottocampionamento
6.3 Cenni alla trasformata Z di una sequenza
6.3.1 Definizione di trasformata Z e zone di convergenza
6.3.2 Relazione con la trasformata di Fourier
6.3.3 Inversione della trasformata Z
6.3.4 Propriet della trasformata Z
6.4 Sistemi a tempo discreto regolati da equazioni alle differenze
6.4.1 Un caso di studio
6.4.2 Implementazione con componenti elementari e generalizzazione
6.4.3 Calolo della risposta impulsiva

vii

219
219
222
225
225
233
233
233
234
234
235
236
236
237
237
244
251
257
257
264
264
267
269
269
274
277
282
283
284
289
290
291
294
296
303
303
312
317
317
324
326
326
328
328
331
334

viii

Indice

6.4.4Lafunzionedi trasferimento

337
338
342
343
350

"'"''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''

L
)

6'

6.4.5 Sistemi a risposta impulsiva finita e infinita


Cenni al progetto di filtri numerici IIR
6.5.1 La tecnica dell'invarianza impulsiva
6.5.2 La tecnica della trasformazione bilineare "'"''''''''''''''''''''''''''''''''''''''''''''''''''''''

Sommario'"

359

Esercizi proposti...

361

7 Richiami di teoria della probabilit


Premessa..
7.1 Esperimenti deterministici e aleatori
7.2 Elementi di teoria della probabilit
7.2.1 Esperimento aleatorio, spazio di probabilit e propriet elementari
7.2.2 Esperimento aleatorio composto
7.3 Variabili aleatorie
7.3.1 Definizione di variabile aleatoria
7.3.2 Densit di probabilit di una variabile aleatoria
7.3.3 Trasformazione di una variabile aleatoria

7.3.4Indicicaratteristicidi unadistribuzione
7.3.5 La variabile aleatoria Gaussiana
7.3.6 Variabili aleatorie condizionate
7.4 Sistemi di variabili aleatorie '"''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
7.4.1 Sistemi di due variabili ..aleatorie
7.4.2 Funzioni distribuzione e densit di probabilit condizionate
7.4.3 Trasformazione di una coppia di variabili aleatorie
7.4.4 Correlazione e covarianza ...f
7.4.5 Sistemi di n variabili aleatorie e vettori aleatori
7.4.6 Trasformazione di un vettore aleatorio
7.4.7 Variabili aleatorie congiuntamente Gaussiane (vettori Gaussiani)
7.4.8 Il teorema-limite centrale
Sommario.. "'"''''''''''

Eserciziproposti

"""''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
"""'"''''''''''''''''''''''''''''''''''''''''''''''''''''''''''

8 Segnali aleatori
8.1 Dai segnali determinati ai segnali aleatori
8.1.1 Definizione di processo aleatorio
8.1.2 Processi parametrici
8.1.3 Caratterizzazionestatistica di un processo aleatorio

8.2 Indicistatisticidel l o e 20ordinedi un processoaleatorio


8.2.1 Funzioni valor medio, potenza, varianza
8.2.2 Funzioni di autocorrelazione e autocovarianza
8.3 Processi aleatori stazionari
8.3.1 Stazionariet in senso stretto
8.3.2 Stazionariet in senso lato
8.3.3 Propriet della funzione di autocorrelazione di un processo
stazionario in senso lato
8.4 Filtraggio di un segnale aleatorio
8.4.1 Relazione ingresso-uscita tra le statistiche semplificate
8.4.2 Filtraggio di un processo aleatorio stazionario in senso lato
8.5 Densit spettrale di potenza di un processo stazionario

369
369
371
378
381
381
384
390
:

393
398
401
404
404
407
408
412
414
416
420
423

426
426
431
433
435
437

441
441
444
446
446
449
455
461
461
465
467

Indice

ix

8.5.1 Definizione e teorema di Wiener-Khintchine


8.5.2 Filtraggio di un processo aleatorio e densit spettrale di potenza
8.5.3 Processo di rumore bianco
8.6 Processi aleatori Gaussiani
8.6.1 Definizione e prime propriet
8.6.2 Filtraggio dei processi Gaussiani
8.7 Processi ergodici
8.7.1 Ergodicit del valore medio
8.7.2 Ergodicit della funzione di autocorrelazione - Ergodicit in senso stretto
Sommario
Esercizi proposti

467
470
472
482
482
484
493
493
498
501
503

Indice analitico

SII

1
Introduzione allo studio dei segnali

1.1 Che cos' un segnale?


La definizione di segnale non immediata. Esempi familiari tratti dalla vita
quotidianasono il segnale acustico prodotto da uno strumento musicale (che dal
punto di vista fisico pu essere caratterizzato come una variazione della
pressione dell'aria provocata dallo strumento, e rilevata dal nostro orecchio); il
segnale misurato da un elettrocardiografo (una debole tensione elettrica) e
registrato sulla tipica "strisciata"; il segnale radio (un campo.elettromagnetico
variabile) captato dall' antenna di un ricevitore; il segnale luminoso emesso da
una lampadina di un semaforo, o da un apparecchio televisivo, e cos via. Tutti
gli esempi precedenti hanno in comune una caratteristica, e cio il fatto che il
segnale esiste in quanto si fa portatore di una informazione che giustifica
l'esistenza e l'importanza del segnale stesso. Questa informazione pu essere di
varia natura: di carattere estetico, nel caso del brano musicale, medico, nel caso
dell' elettrocardiogramma,e cos via.
Tentando dunque di sintetizzare quanto sopra, possiamo dire che un segnale
una qualunque f(randezzafisica variabile cui associata una informazione. In
molti casi, l'andamento del segnale pu essere perfettamente noto, ad esempio
attraverso una registrazione su carta (come per il caso dell' elettrocardiogramma), su nastro magnetico o come un file in un calcolatore elettronico.
Dunque il modo pi conveniente per caratterizzare, studiare ed elaborare un
segnale passa attraverso la schematizzazione dello stesso come una funzione
matematica di una o pi variabili. L'elettrocardiogramma rappresentato in

Il

'r

I
I
1-

2 Capitolo l

Figura 1.1 pu essere considerato come il grafico di una funzione di variabile

reale a valori reali X(t): 9i ~ 9i ove la variabile indipendente t ha il significato


di un tempo, e il valore del segnale x(t) rappresenta l'andamento della tensione
raccolta dall'apparato biomedicale. La notazione usata riflette questo caso tipico,
in cui cio l'evoluzione del segnale avviene in ambito temporale.

'

--

, "

'

I,...

~'~

,...

---- .. -.--;--

"

~,

",

'r

.. ."'-1-

-.-~~:
.

t. t

..

''f''

. -t--+1~

"

~,.

. ~H,..j..
t .. .-1.-. .
" -'-'\1
~
l
t . 't
'tirI

.-...

Figura 1.1 Esempio di elettrocardiogramma

L'esempio precedente di segnale monodimensionale nel tempo non esaurisce


ovviamente i diversi tipi di segnale con cui si pu avere a che fare. La semplice
immagine in bianco e nero in Figura 1.2 deve essere considerata anch' essa un
segnale, poich, concordemente con la definizione appena data, ha in s una
certa informazione. La schematizzazione appropriata stavolta quella di una
funzione bidimensionale Z(XpX2):9i2 ~ 9i delle due coordinate spaziali (X.,X2)
(si veda la Figura 1.2), ove il valore z rappresenta l'intensit luminosa del
genericopunto sull'immagine (detto nel gergo dell'elaborazione delle immagini
pixel) di coordinate (X.,X2)' La variazione del segnale avviene in un ambito di
tipo spaziale, nel senso che si hanno diversi valori del segnale (l'intensit
luminosa)per diversi valori delle coordinate spaziali del generico pixel.
Se consideriamo inoltre una immagine a colori, essa pu essere rappresentata
dalla sovrapposizionedi tre distinte.immagini nei cosiddetti colori fondamentali
Rosso (R, Red), Verde (G, Green) e Blu (B, Blue). Ciascuna di queste immagini
caratterizzata da un diverso andamento della rispettiva intensit luminosa sui
vari pixel. In questo caso abbiamo a che fare con un segnale bidimensionale
vettoriale le cui componenti sono rispettivamente le tre intensit dei canali RGB:
Z(XpX2)

=[ZR(XpX2)

ZG(XpX2)

ZB(XpX2)].

Come ulteriore esempio, la Figura 1.3 rappresenta una moltitudine di segnali


sismici rilevati a un dato istante da vari sensori in diversi siti, segnali che devono
essere considerati congiuntamentecome un segnale vettoriale z(t) per ottenere la
massima informazione sullo stato geofisico del territorio.
Per una introduzione allo studio dei segnali, sufficiente trattare soltanto
segnali monodimensionali di una variabile che, salvo diversa indicazione, dovr
intendersi di carattere temporale.

...

Introduzione allo studio dei segnali

--Figura 1.2 Esempio di segnale bidimensionale

1.2 Tipi di segnali


Una prima classificazione dei segnali pu essere fatta proprio in base ai valori
assunti dalla variabile indipendente, che negli esempi del Paragrafo 1.1 abbiamo
per semplicitsempre supposto essere reale. Distinguiamo infatti tra:
. segnali a tempo continuo, per i quali il dominio della funzione ha la
cardinalit dell'insieme dei numeri reali. La variabile indipendente pu
assumere con continuit tutti i valori compresi entro un certo intervallo,
eventualmente illimitato. Il simbolo che useremo per la variabile temporale
(continua) sar t, e i segnali saranno indicati con x(t), y(t) ecc. L'elettrocardiogramma di Figura 1.1 e i vari segnali sismici in Figura 1.3 sono
esempi tipici di segnali a tempo continuo;
. segnali a tempo discreto, per i quali il dominio della funzione ha la
cardinalit dell'insieme (discreto) dei numeri interi. Tali segnali vengono
chiamati in matematica successioni e indicati con il simbolo Xn' Yn ecc. Pi
specificamente, le successioni vengono chiamate nella teoria dei segnali
sequenze, e saranno indicate con espressioni del tipo x[n], y[n], ove la
variabile "temporale" n viene racchiusa tra parentesi quadre per evidenziarne
l'intrinseca diversit dalla variabile (continua) t, che viceversa viene
racchiusa tra parentesi tonde. Un segnale cinematografico, come noto,

4 Capitolo 1

ottenuto proiettando una sequenza di 24 fotogrammi (immagini) al secondo


che d all'occhio umano l'illusione di un segnale a tempo continuo (si veda a
questo proposito l'interpolatore con mantenimento del Capitolo 5). Allora,
come si suggerisce in Figura 1.4, il segnale cinematografico una funzione
tridimensionale z(x.,x2,n] di due.variabili spaziali continue che identificano i
pixel dell'immagine, e di una ulteriore variabile temporale discreta n che
identifica i vari fotogrammi in successione.
SADO
EEO
CRlO
GAC
MNT
DAQ
CNQ
GSQ
ICQ
MNQ
lG4Q
SMQ
lMN
DRLN
SCHQ
TBO
ULM
FCC
RES
INK
DAWY
WHY
HYT
DlBC
YKBO
YKW1
BBB
EDM
PMB
PGC
PNT
WALA
MOBC
BNB

a1:00UT

'"

a1:10 UT

07:00

GSCinOttawa

l"

l"

07:10

07:3:J UT

C1l:20UT

l"

I,

"

07:40 UT

07:20
07:30
07:40
Tuesday Oclober 14, 1997 07:00 lo 08:00 UT

07:50UT

07:50

08:00 Ul

08:00

Figura 1.3 Registrazione di segnali sismici

Una classificazione analoga pu essere condotta sulla base dei valori assunti dai
segnali (cio sulla base del codominio della funzione che li rappresenta).
Avremo:

.
.

segnali ad ampiezza continua, che possono assumere con continuit tutti i


valori reali di un intervallo (eventualmente illimitato), come nel caso di un
segnale acustico e in generale dei segnali osservati nei sistemi naturali;
segnali ad ampiezza discreta, aventi come codominio un insieme numerabile,

eventualmente illimitato. Il segnale luminoso prodotto da una lampadina di


un semaforo pu assumere solo due valori (acceso o spento), cos come i
segnali binari che regolano il funzionamento dei circuiti elettronici digitali.

Introduzione allo studio dei segnali

Figura 1.4 Segnale cinematografico a tempo discreto Z(x"x2,n]

I segnali a tempo continuo e ad ampiezza continua si dicono analogici,


mentre quelli a tempo e ampiezza discreti si dicono numerici e, come gi
accennato, sono quelli tipicamente trattati dai calcolatori elettronici. Anche i
segnali a tempo discreto e ampiezza continua (cio le sequenze a valori reali)
hanno una grande importanza perch costituiscono l'oggetto delle tecniche di
elaborazione numerica dei segnali (DSP, Digital Signal Processing) che hanno
avutoun enorme sviluppo negli ultimi trent'anni, come vedremo sommariamente nei Capitoli 4 e 5. Dei segnali ad ampiezze discrete e tempo continuo (talvolta
detti quantizzati) non avremo pi modo di discutere in seguito. Le Figure 1.5a-d
mostrano esempi-tipo delle 4 classi di cui sopra; per meglio chiarire per la
differente natura di questi diversi tipi di segnali, esaminiamo un esempio
piuttosto familiare di applicazione delle tecniche di elaborazione dei segnali.
Esempio 1.1
La Figura 1.6 uno schema semplificato di un sistema di registrazione di un segnale acustico su Compact-Disc (CD). Il segnale utile che deve essere registrato
la variazione di pressione acustica p(t) prodotta dalla sorgente del segnale
stesso, cio il pianoforte. Tale segnale viene convertito in una debole tensione
elettrica v(t) dal microfono, che svolge la funzione di trasduttore (cio di dispositivoche cambia la natura del segnale senza alterarne la forma). La tensione
prodotta dal microfono, prima di poter essere ulteriormente elaborata, deve essere amplificata dal dispositivo amplificatore indicato con il simbolo triangolare.

6 Capitolo 1

x(t)

x[n]

Figura 1.5a Segnale analogico

Figura 1.5b Segnale a tempo discreto

x[n]

x(t)

Figura 1.5c Segnale numerico

Figura 1.5d Segnale quantizzato

All'uscita di tale amplificatore ideale troviamo la tensione x(t) = a .v(t), ove


a > 1 il coefficiente di amplificazione. Sia il microfono sia l'amplificatore
sono comp~nenti analogici poich trattano segnali analogici. Infatti l'andamento
di v(t), se il microfono non introduce distorsioni, analogo a quello del segnale
originario p(t), e cos anche il segnale x(t), a meno di una costante moltiplicativa, replica fedelmente l'andamento di v(t).
Poich per si desidera registrare il segnale con componenti e circuiti digitali
dobbiamo compiere ulteriori operazioni per adattare il segnale al mezzo. In
particolare, il funzionamento di tutto il sistema regolato da un elaboratore
(microprocessore) che sostanzialmente pu essere considerato alla stregua di un
complesso circuito digitale sincrono. Come noto, il funzionamento di un
circuito sincrono avviene secondo una sequenza di singoli passi successivi
regolati da un segnale di temporizzazione detto clock. Un segnale la cui variazione avviene a tempo continuo quindi intrinsecamente inadatto a essere trattato da un microprocessore funzionante per passi discreti nel tempo. La Figura
1.6 mostra che la forma d'onda x(t) viene allora campionata, ottenendo la
sequenza x[n] dei valori di x(t) considerati ai multipli di un opportuno periodo
di campionamento T: x[n] = x(nT).

Introduzione allo studio dei segnali

'"
"

"u;
'"
C!:

o C!:
.ow
C1>(fJ
&:5

"

"
~

.80
CU.C:
uCtl

c:

'giii
o

-----

Ie

c
x

c
x

'>

Q)
"E
Q)

~
o
CI)

Ci:

Figura 1.6 Schema di un sistema di registrazione su Compact Disc

Il segnale stato adesso ridotto a tempo discreto, ma i vari campioni di x[n]


assumono ancora infiniti valori nell'insieme dei reali. Si deve quindi

8 Capitolo 1

ulteriormente procedere a una codifica di questi valori reali attraverso 1'alfabeto


binario tipico dei circuiti digitali, per ottenere il segnale digitale binario
(numerico) y[n] di Figura 1.6. Nell'esempio della registrazione su CD, il
campionamento del segnale avviene alla cadenza standardizzata di 44100
campioni/secondo,e la codifica binaria dei valori reali del segnale campionato
in virgola fissa su 16 bit (in Figura 1.6 sono indicati per semplicit soli 8 bit di
codifica). L'unione delle operazioni di campionamento e di codifica prende il
nome di conversione analogico/digitale, e viene realizzata da appositi circuiti
elettronicidetti appunto convertitori AlD.
Il segnale digitale binario y[n] viene quindi registrato sul CD dal cosiddetto
masterizzatore.Si noti che il segnale temporale binario derivato in ultima analisi
da p(t) registrato sul CD come un segnale spaziale: i valori delle cifre binarie
(bit) di y[n] che si susseguononel tempo vengono registrati sotto forma di
areole riflettenti o assorbenti la luce (a seconda del valore O o 1) lungo un
"solco" a spirale che si svolge dal centro verso la periferia del CD stesso. Questo
segnalesar poi riletto dal laser dell'apparecchio lettore (come indicato in Figura
1.6),riconvertito in segnale analogico, amplificato e inviato a un altoparlante per
.
ricostruirecon la massima fedelt il segnale-messaggio originario p(t).
Nei prossimi capitoli risponderemo ad alcune domande fondamentali che il
lettore dovrebbe essersi gi posto a proposito di questo esempio: cosa succede se
il microfono e/o 1'amplificatore non sono perfettamente fedeli? Quando si
effettua un campionamento, sotto quali condizioni non viene persa 1'informazione del segnale analogico di partenza? Perch l'intervallo di
campionamento T nel sistema CD pari a 1/44100 di secondo? Viene forse
falsata la natura del segnale nella codifica binaria dei valori reali?
O
Distingueremo poi altre grandi classi di segnali secondo criteri differenti da
quelli appena esposti. Nel caso di segnali a tempo continuo, diremo che un
segnale periodico quando esiste un certo intervallo temporale To (No per un
segnale a tempo discreto) tale che si possa scrivere x(t) = x(t + To) per
qualunque generico valore del tempo t (x[n] = x[n + No] '\In nel caso del tempo

discreto). Ci significa che il segnale si "ripete" uguale a se stesso dopo un


periodo di tempo To(No)' Se non esiste alcun valore <;liTo(No) che verifica la
relazione suddetta, il segnale non periodico o aperiodico.
.

Nella considerazionedelle varie propriet ed esempi visti finora, stato

implicitamente assunto che il valore del segnale fosse univocamente


determinabile non appena fossero fissati i valori delle variabili indipendenti (in

Introduzione allo studio dei segnali

particolare, il tempo per segnali monodimensionali). Questo accade quando il


segnale noto attraverso un grafico, o una registrazione magnetica, o pi
semplicemente attraverso una ben definita espressione matematica, o ancora
perch il prodotto di sistemi e apparati di cui si ha stretto controllo (ad
esempio, un generatore di forme d'onda di un laboratorio elettronico). In tali
casi, diremo che il segnale determinato o deterministico.
Viceversa, in moltissimi casi non possibile conoscere con esattezza a priori
il valore assunto da un segnale in un certo istante. Si pensi al segnale geofisico
raccolto da sensori posti sul terreno per effettuare rilevazioni minerarie. Tale
segnale non noto a priori completamente, in particolare non se ne conosce
l'evoluzione futura se non dopo l'osservazione, cio a posteriori. Prima
dell'osservazione, si ha solo una conoscenza generica di alcune propriet di
massimadi tale segnale, derivante dall'esperienza pregressa in casi simili. Stessa
osservazione pu farsi a proposito delle tensioni di disturbo (rumore) presenti
nei componenti elettronici attivi e passivi e prodotte da fenomeni incontrollabili,
tipicamente di origine quantistica. Diremo quindi che questi segnali sono
aleatori, intendendo che il valore assunto da essi affetto da un certo grado di
imponderabilit (aIea) che ne impedisce una conoscenza esatta. Mentre per
modellare e studiare i segnali determinati sono sufficienti i concetti dell' analisi
matematica tradizionale, per i segnali aleatori indispensabile ricorrere a
tecnichebasate sulla teoria della probabilit e dei processi aleatori, che saranno
oggettodei Capitoli 7 e 8.

1.3 Propriet elementari

dei segnali determinati

Limitiamo per il momento la nostra attenzione ai segnali determinati e


definiamoalcune grandezze di fondamentale importanza per il prosieguo dello
studio.
Supponiamo di disporre di un resistore di resistenza R attraversato da una
corrente i(t); l'espressione della potenza istantanea dissipata sul resistore per
effettoJoule , come noto, Ri2(t). Osserviamo quindi la proporzionalit tra la
potenzaistantanea e il quadrato del segnale; il coefficiente di proporzionalit
legato al particolare esempio. Estendendo in maniera astratta !ale definizione,
diremo che al segnale x(t) associata una potenza istantanea normalizzata
(aggettivoche verr poi sistematicamente omesso) pari a X2(t). Inoltre, tornando
all'esempio del resistore, l'energia totale dissipata per effetto del passaggio della
corrente i(t) pari a f:Ri2(t)dt.
associataal segnale x(t) come

Conseguentemente, definiremo l'energia

lO

Capitolo l

+~

Ex ~

(1.3.1)

flx(tt dt

purch l'integrale risulti convergente (cio Ex < 00)1. La definizione di energia,


bench meno intuitiva, viene banalmente estesa anche ai segnali a tempo
discreto come segue:

Ex~ Llx[n]12

<

(1.3.2)

00

Per tutti i segnali fisici (cio effettivamente osservati) l'integrale (o la


sommatoria) che definisce l'energia risulta convergente, poich ogni segnale
proveniente da un sistema fisico portatore di energia finita. Molto spesso per
conviene considerare modelli ideali di segnale, ovvero segnali idealizzati non
esistenti in natura, ma assai utili per approssimare casi reali. La tensione v(t)
generata dalla "batteria ideale" in Figura 1.7 (cio da un generatore ideale di
a
(e ci fisicamente
tensione) costante per ogni valore di t da
assurdo). Se per la batteria "reale" viene osservata durante il periodo in cui
carica ed eroga la tensione nominale, v(t) un'ottima approssimazione del
segnale reale. Chiaramente, v(t) possiede energia illimitata (nel senso che
-00

+00

f:' v(t) 12dt = 00),e quindi la definizione (1.3.1) per questo segnale mal posta.
Consideriamo dunque un generico segnale x(t) a valori limitati ma energia
infinita, e costruiamo il segnale xr(t) con una operazione di troncamento come
segue:
Itl~T/2
altrove

(1.3.3)

La Figura 1.8 illustra graficamente questo procedimento. Evidentemente, xr(t)


ottenuto limitando l'osservazione all'intervallo finito -T / 2 ~ t ~ T / 2. Se
indichiamo con EXTl'energia di XT(t), chiaro che in generale EXT< 00 poich
il segnale diverso da zero e assume valori finiti solo su di un intervallo
limitato. Altrettanto chiaro che se ingrandiamo l'intervallo di osservazione per
comprendere l'andamento di tutto il segnale x(t) (imponiamo cio T -700)
otteniamo EXT-7 00.Introduciamo allora il concetto di potenza di un segnale: la
potenza media del segnale xr(t) valutata sull'intervallo di osservazione
[-T/2,T/2] per definizione pari all'energia di xr(t) rapportata alla durata
1 Il simbolo ~ significa "per definizione uguale a".

Introduzione allo studio dei segnali

dell'intervallo stesso: PXT~EXT / T. Siamo ora in grado di estendere


questa definizione di potenza media attraverso un' operazione al limite:

~ ~ Tlim
~ T =Tlim
-2.. = lim.!.
~~
~~
T T T
~~

11

a x(t)

T/2

(1.3.4)

J lx(tt dt
-T/2

v(t)

+l

-J

V(I)

Figura 1.7 Segnale prodotto da una batteria ideale

Figura 1.8 Troncamento del segnale x(t)

Esempio 1.2
Calcoliamo la potenza del segnale della batteria ideale di Figura 1.7. Dalla
(1.3.4) si ha
l T/2

l T/2

l T/2

Pv= lim - J lv(t)12dt = lim - J Vo2dt = V02lim T~~ T


T~~ T
T~~ T
-T/2

come era ragionevole aspettarsi.

-T/2

Jl' dt = Vo2

(E1.2.l)

-T/2

12

Capitolo 1

Osserviamo che un segnale a energia finita (matematicamente, a quadrato


sommabile) ha potenza media nulla; viceversa, un segnale che abbia un valore
finito diverso da zero della potenza media ha necessariamente energia infinita.
Analogamente al caso della (1.3.2), per i segnali a tempo discreto abbiamo
inoltre
(1.3.5)
ove la notazione autoesplicativa.
Talvolta torna utile usare il valore efficace di un segnale a potenza finita,
definito sia per i segnali a tempo continuo, sia per quelli a tempo discreto come
(1.3.6)
Ricordiamo che il valore efficace di un dato segnale (chiamato nei paesi
anglosassoni RMS, Root Mean Square) si pu interpretare come quel valore che
dovrebbe assumere un segnale costante per avere lo stesso contenuto in potenza
del segnale dato.
Terminiamo il capitolo con la definizione di valor medio temporale di un
segnale, che richiede un procedimento al limite simile a quello appena visto
relativamente alla potenza:
1 T/2
x(t)dt
xm ~ lim -

(1.3.7a)

xm~lim~

(1.3.7b)

T->~

f
T -T/2

fx[n]

N->~2N + lll=-N

Nell'ingegneria elettrica, il valor medio rappresenta la "componente continua"


(cio costante) attorno alla quale si svolge l'evoluzione temporale del segnale.

1.4 Sommario
Dopo aver definito un segnale come una grandezza fisica variabile portatrice di
una informazione, abbiamo individuato alcune grandi classi di segnali, a tempo
continuo e a tempo discreto, e anche ad ampiezza continua e ampiezza discreta.
I segnali a tempo e ampiezza continui si dicono analogici, quelli a tempo e
ampiezza discreti si chiamano numerici. I segnali a tempo discreto e ampiezza
continua sono le sequenze che hanno grande importanza nelle tecniche di
elaborazione numerica del segnale (DSP). I segnali sono inoltre determinati se il

Introduzione allo studio dei segnali

13

loro andamento noto in anticipo (a prion) per tutti i valori del tempo,
altrimenti sono aleatori (noti a posteriori). Sono inoltre periodici se si ripetono
con regolarit dopo un intervallo temporale finito, altrimenti sono aperiodici. Le
propriet elementari dei segnali, e cio energia,potenza, valor medio, rappresentano il punto di partenza per uno studio e un' analisi pi approfondita che inizier
nel prossimo capitolo con i segnali periodici a tempo continuo.
Esercizi proposti
1.1 Un apparato di rilevazione automatica a un casello autostradale conta i
veicoli in ingresso al casello e annota l'orario d'ingresso. Considerando
questa serie di osservazioni come un segnale, dire di che tipo di segnale si
tratta, nel senso della Figura 1.5.
1.2 Spiegare perch un elettrocardiogramma un segnale periodico.
Osservando poi che la frequenza cardiaca di un adulto maschio a riposo
all'incirca 60 battiti al minuto, trovare il periodo di ripetizione To del
segnale.
1.3 Spiegare perch un segnale aleatorio solo finch non lo si
completamente osservato, dopo di che rientra anch'esso nella categoria dei
segnali determinati. L'elettrocardiogramma di un paziente un segnale
aleatorio o determinato prima che venga misurato? E dopo?
1.4 Rappresentare il grafico del segnale

x(t)

t<O
t~O

= { ~xp( -t 1T)

e calcolarne il valor medio Xm' l'energia Ex e la potenza

~.

1.5 Calcolare il valor medio e la potenza dei seguenti segnali:


i)
ii)
iii)

x(t)

=a

x(t)

= sin(2Jrt

x(t)

. cos(2Jrt

1 To)

1 To)

= sgn(t)!

t>O

t =O

{ -1
iv)

x(t)

= sgn(a .cos(2JrtlTo))
I

v)

x(t)

t<O

= u(t)!

1/2
{ O

t>O
t =O
t<O

r
14

Capitolo 1

1.6
1.7

Ripetere l'Esercizio 1.4 per il segnale x[n] = exp(-n/ N), n ~ o.


Considerare il segnale
l ItkT/2
x(t)

=
{ O altrimenti

e dire perch il problema di calcolarne il valore efficace xeff mal posto.

2
Segnali periodici a tempo continuo

2.1 Dall'analisi fasoriale all'analisi di Fourier


Introduciamoin questo paragrafo l'analisi di Fourier dei segnali periodici con
unesempiotratto dalla teoria dei circuiti lineari. Come noto, i metodi del calcolofasorialepermettono di risolvere problemi anche di una certa rilevanza e di
uncertogrado di complessit relativi al regime sinusoidale dei circuiti lineari a
componenti concentrati e di valore costante nel tempo. Un esempio semplicissimodi questa classe di circuiti dato in Figura 2.1, che mostra il circuito
passivodetto "squadra R-C'. Rivediamo brevemente come viene applicato il
calcolo fasoriale a questo problema. Supponiamo di fornire al circuito la
tensionesinusoidale
x(t)

= a.

cos(21ifot

+ O)

(2.1.1)

Come noto, a l'ampiezza della oscillazione, fo = 1/ To ne lafrequenza e O


ne lafase iniziale. Se il periodo dell'oscillazione To misurato in secondi,
allorala frequenza fo misurata in cicli/secondo, ovvero hertz (Hz). La Figura
2.2amostraun esempio di segnale sinusoidale con i particolari valori di a, fo e
() indicatinella didascalia.
o

Il fasore X associato alla sinusoide x(t) per definizione quel numero


complesso tale che

x(t)

= 9t[ X exp(j21ifot)]

(2.1.2)

16

Capitolo 2

Figura 2.1 Squadra R-C

ove l'operatore 9t[.] indica "parte reale" e j!.J=f. l'unit immaginaria. Nel
nostro caso, X = a exp(j8). A questo punto si desidera evidentemente ricavare
l'andamento della tensione y(t) ai capi del condensatore di capacit C in Figura
2.1. Le propriet dei circuiti lineari a componenti costanti assicurano che anche
la tensione y(t) sar sinusoidale alla stessa frequenza di x(t). Del segnale
cercato restano soltanto da determinare l'ampiezza e la fase iniziale.
Per far questo, applichiamo la legge del "partitore di tensione" al circuito

dato. Tenendo conto che l'impedenza del condensatorealla frequenza data


D

ze

= 1/ (j2-1ifoC), si pu ottenere immediatamente

il valore del fasore Y della

tensionesinusoidaleincognitay(t):
(2.1.3)
e da questo risalire poi all'espressione cercata di y(t):
D

y(t) =1 Y l.cos(21ifot + L Y)

(2.1.4)

Il metodo fasoriale, di applicazione estremamente semplice, continua a rivelarsi


utile anche quando il segnale di eccitazione x(t) come in Figura 2.2b,
costituito cio dalla somma di pi componenti sinusoidali a diverse frequenze:
(2.1.5)
In tal caso, stante la linearit del circuito possibile applicare il principio di
sovrapposizione degli effetti come sequenza di tre passi fondamentali:

~,

..~

Segnali periodici a tempo continuo

1.5
1.0

-....o

"

'

17

fo=5fT

0.5

C\I

cn
o
o

0.0

J!..
....
-0.5
X
-1.0
-1.5
-1.0

-0.8

-0.6

-0.4

-0.2

Tempo

0.0

0.2

normalizzato

0.4

0.6

0.8

1.0

t/T

(a)

+
....
o

Ci)
o
o

,... o
;!:.
....
o

C\I

Ci) -1
o
o
J!..
....
I

-X

-2

-1.0

fo=5fT
-0.8

-0.6

-0.4

-0.2

Tempo

0.0

0.2

normalizzato

0.4

0.6

0.8

t/T

1.0
(b)

Figura 2.2 (a) Segnale sinusoidale con a = l, io = 5/ T e (J= O;(b) segnalecompositocon


al

= l,

l.

= lo, (J, = O e a, = 1/ 2, f, = 210. (J, =

1C /

i) si scompone il segnale d'ingresso x(t) nelle due componenti elementari


XI<!)

= al cos(27ifl

+ O,) e x2 (t)

= a2 COS(27if2t + (2)

con fasori

X I = al exp(jl)

e X2 =a2exp(jJ riferiti rispettivame~te a!le due frequenze Il ed 12; ii) si


determinanoseparatamente i due fasori YI e Y2 come se in ciascuno dei due casi
agisse singolarmente la componente rispettivamente XI(t) e x2(t); iii) si

-..

r
18

Capitolo 2

ricostruisce la forma d'onda globale y~t) ric?mponendo le due rispostparziali


y\(t) e Y2(t) ottenute dai due fasori Y\ e Y2 alle due frequenze fl ed f2' Il
procedimento ovviamente pi complicato rispetto al caso precedente della
singola componente sinusoidale, ma solo per questioni di calcolo, non
comportando alcuna ulteriore difficolt concettuale.
Esaminando criticamente la questione, i presupposti che hanno permesso di
risolvere anche il caso pi complesso del segnale di Figura 2.2b sono due: i) la
linearit del circuito, che ha consentito l'applicazione del principio di
sovrapposizione degli effetti, ma soprattutto ii) la possibilit di rappresentare il
segnale come somma di un certo numero di componenti sinusoidali elementari
(2.1.5). Questa osservazione fa da introduzione al prossimo paragrafo nel quale
si dar una risposta all'ulteriore quesito che sorge spontaneo generalizzando
ulteriormente il problema appena esaminato: Qual il modo pi appropriato di
procedere quando il segnale x(t) periodico con andamento arbitrario, e in
particolare non sinusoidale?

2.2 Analisi armonica dei segnali periodici


2.2.1 Sviluppo in serie di Fourier in forma reale polare
Come gi affermato nel Capitolo l, un segnale x(t) periodico se soddisfa la
seguente relazione:
x(t)

= x(t

+ To)

(2.2.1)

per ogni valore della variabile t. La grandezza Torappresenta il periodo del


segnale che legato alla frequenza di ripetizione fa del segnale stesso dalla
relazione fo = l/To. L'energia Ex del segnale periodico infinita, come discende
immediatamente dalla definizione (1.3.1); in generale invece x(t) ha potenza Px
finita, per calcolare la quale, come si pu intuire, non necessario il
procedimento al limite definito dalla (1.3.4). Si dimostra facilmente infatti che,
una volta eseguito il limite, si giunge al risultato pi semplice

P.r =

1 To /2
T:o -ToJlx(tt
dt
/2

(2.2.2)

Analogamente, l'espressione del valor medio (1.3.7a) si semplifica, per il


segnale periodico x(t), come segue:

..,

Segnali periodici a tempo continuo

1
Xm =

19

To /2

(2.2.3)

T:o -To/2x(t)dt

Ci premesso, ci poniamo ancora una volta la domanda con cui si chiuso il


Paragrafo2.1, e cio: come trattare segnali periodici arbitrari\jtfparticolare non
sinusoidali? La risposta a questo quesito sta nella cosiddetta analisi di Fourier
che costituisce la base della moderna teoria dei segnali. Infatti, sotto ipotesi
piuttosto ampie, che in seguito elencheremo, un segnale reale periodico
qualunque pu essere espresso come somma di oscillazioni sinusoidali di
ampiezza,frequenza efase opportune, cio in una forma che richiama la (2.1.5):
(2.2.4)
In particolare, le frequenze di oscillazione includono in generale la "frequenza
zero" relativa al termine costante ao, e sono multiple intere della frequenza
fondamentale fo' cosicch la (2.2.4) diventa

\ x(t) = Ao+ 2 t;Ak


cos(2nkfot + 1Jk)
"

~ ~

t"1

I~ ~ vtC.r'1\

JN ..~ttl
4

f
~

1:)1 F.lJvtel{1L.
~

>, '.-

(2.2.5)

Questa rappresentazione del segnale prende il nome di sviluppo in serie di


Fourier;pi precisamente la relazione (2.2.5) costituisce l'espressione informa
polare dello sviluppo in serie di Fourier. Essa permette dunque di rappresentare
un segnale reale x(t) come somma di una costante Ao e di una serie il cui kesimotermine, detto k-esima oscillazione armonica (o armonica tout-court), ha
ampiezza Ak > O, frequenza kfo (la k-esima frequenza armonica) e fase iniziale
k'

Evidentemente, ogni particolare segnale x(t) sar caratterizzato da particolari


insiemidi valori di Ak e 1Jk.Dovremo quindi ricavare delle formule utili per il
calcolo delle ampiezze e delle fasi delle varie armoniche e indicare condizioni
matematiche che garantiscano la convergenza della serie (2.2.5). Il primo di
questiproblemi fu risolto dal matematico L. Eulero attorno alla fine del 1700 in
connessionecon lo studio delle corde vibranti, e fu ripreso alcuni anni pi tardi
da I.E. Fourier. Questi fu il primo a intuire !'importanza e la potenza della rappresentazione(2.2.5), che us per risolvere questioni di trasmissione del calore.
La convergenza della (2.2.5) fu dimostrata in seguito in maniera rigorosa da P.D.
Dirichlet.

20

Capitolo 2

2.2.2 Sviluppo in serie di Fourier in forma complessa


Per semplificare gli sviluppi analitici si preferisce usare una forma alternativa
della serie di Fourier. Richiamando le formule di Eulero delle funzioni trigonometriche

ejx
cos (x)=~e-JX

, SIn(x)=

ejx

,
-e-Jx

(2.2.6)

la (2.2.5) pu essere riscritta come segue:

= Ao +

Ak eN, ej21Tk/ol+

k=l
~

= Ao + I,Ak
k=1

Ak e-N'e

- j211k!o'

k=1
-I

eN'ej211kfol + I,A-k
k=-~

(2.2.7)

e-N-'ej211k!ol

Definiamo ora le quantit


A
-N-, k
, Xk- A -k e
,

,-,-2 l

(2.2.8)

Se si effettuano le opportune sostituzioni nella (2.2.7) si ricava

- -= Xo + ~

L--I

x(t)

- - -- -

(2.2.9)
Xk

ej21tJ.fol

+ kt

Xk ej211k!ol
= k~ Xk ej211k!ol

che rappresenta l'espressione informa complessa della serie di Fourierl, e che


risulta la pi conveniente dal punto di vista del calcolo.
Determiniamo ora una espressione per il calcolo del coefficiente XII' ove n
deve intendersifissato. A tal fine moltiplichiamo entrambi i membri della (2.2.9)
per il fattore e-j21C11!ol
e integriamo il risultato in un intervallo di ampiezza pari al
periodo Todel segnale:

To/2

Jx(t)

-To/2

To/2e-j21C11!o'dt=

I,Xk

-To/2k=-

ej211k!ole-j21C11!oldt

(2.2.10)

Supponendo che la serie a secondo membro converga uniformemente (cosa che

I Tale rappresentazione pu essere estesa nella stessa forma anche al caso di segnale x(t)
complesso.

.
Segnali periodici a tempo continuo

21

peraltro non stata dimostrata fino a questo momento), possiamo integrare


termine a termine:
To/2

x( t) e - j2101fol
dt =
-To/2
k=-

To/2

Xk

ej2tr(k-n

(2.2.11)

)fol dt

-To/2

Procediamo adesso con il calcolo dell'integrale a secondo membro della


(2.2.11). Ricordando che io. To = l si ha

TI:j2tr(k-n)fo' dt = exp~j2n(k
}2n(k
~p

To/2=
n )fot] -T. 2
- -n)fo
o/
I

= exp[jn(k-n)]-exp[-jn(k-n)]
j2n(k-n)fo

= sin[n(k-n)]

(2.2.12)

n(k-n)fo

Il valore dell' integrale pertanto nullo se k *-n, essendo sin( n( k

- n)] = o. Se

k = n il risultato finale della (2.2.12) perde di significato, ma ponendo k = n


direttamente nell' espressione di partenza si ricava immediatamente che
l'integralecercato vale in questo caso To.Riassumendo:
To/2

'E

Jej2tr(k-n)foldt= { Oo
-To/2

=n

(2.2.13)

k *-n

e sostituendonella (2.2.11) il risultato ottenuto, si ha:


To/2
Jx(t)e-j2101foldt=Xn
-To/2

(2.2.14)

To

dalla quale si deduce infine l'espressione cercata del coefficiente Xk:


,

1
Xk =T:

To/2

J x(t)e-j211kfo'dt

o -To/2

(2.2.15)

Questa relazione permette quindi di effettuare il calcolo dei coefficienti della


seriedi Fourier di un segnale x(t) dato. In particolare, per k = O si ha
1
Xo

To/2

=T:o -To/2
x(t) dt

che coincide con l'espressione del valor medio del segnale.

(2.2.16)

22

Capitolo 2

2.2.3 Sviluppo in serie di Fourier in forma reale rettangolare


Abbiamo dunque ricavato due possibili espressioni per la serie di Fourier, e
precisamente quella in forma polare (2.2.5) e quella in forma complessa (2.2.9);
ne esiste anche una terza, detta espressione informa rettangolare, che ricaviamo
di seguito. Sviluppando le funzioni cosinusoidali della (2.2.5) si ha
~

x(t)

= Au + 2 IAk

cos(27rkfot + 1Jk) =

k=1
~

= Au + 2 IAk[

cos(211kfot )cos1Jk - sin(211kfot) sin1Jk]

n=1

(2.2.17)

Se adesso si definiscono le quantit ao ~ Au, ak ~ Ak cos 1Jk e bk~ Ak sin 1Jk' con
k = 1,2,. .. si ricava la relazione cercata:
~

x( t)

= ao

+ 2

Ik=1[ak cos( 211kfot) -

bk sin( 211kfot)]

(2.2.18)

Il lettore dimostri cne i coefficienti dell' espressione in forma rettangolare


{ak' bk} sono legati a quelli relativi all'espansione in forma complessa {Xk}
dalle relazioni
(2.2.19)

bk

= g[Xk] = -~

f x(t)

To[To]

sin(211kfot) dt

(2.2.20)

Nelle equazioniprecedenti,la notazione J[Tol sta a indicareche l'integrale pu


essere esteso a un qualunque intervallo temporale di ampiezza To.Per ragioni di
simmetria, buona norma scegliere l'intervallo [- To/2, To/2].

2.3 TIcriterio di Dirichlet


Ricordiamo che negli sviluppi analitici appena visti, e precisamente nel
passaggio dalla (2.2.10) alla (2.2.11), stata ipotizzata la convergenza uniforme
della serie (2.2.9). Per i segnali che si incontrano comunemente nelle
applicazioni pratiche, questa ipotesi sempre verificata; spesso per, per
schematizzare fenomeni fisici, si fa ricorso a funzioni che non rappresentano
esattamente i segnali in esame, ma che offrono il vantaggio non indifferente di
una maggiore semplicit. Per tali funzioni, tuttavia, non pi assicurata in

Segnali periodici a tempo continuo

23

generale la possibilit di uno sviluppo in serie di Fourier e diventa quindi


necessariodisporre di criteri che garantiscano la correttezza di tale sviluppo.
Consideriamo ad esempio il segnale a dente di sega rappresentato in Figura
2.3a; dal punto di vista matematico, esso presenta all'istante To una discontinuitdi prima specie (non elirninabile), in corrispondenza della quale esistono
finiti e diversi tra loro i limiti destro e sinistro del segnale: x(T;)"* x(T~).
Ovviamente,non avremo mai nella realt un fenomeno fisico che si manifesta
contale andamento a causa dell'impossibilit di riscontrare una discontinuit nel
segnale. Tuttavia, avremo a che fare con segnali che possono essere ben
approssimatida un andamento discontinuo, come quello mostrato in Figura
2.3b, che tipico dei circuiti di pilotaggio dei tubi catodici degli apparecchi
televisivi.
x(t)
J A

...

...

----.
To

t
(a)

x(t)

...

...
't

(b)

Figura 2.3 Segnali a dente di sega di ampiezza A: (a) ideale; (b) reale, con" 1;,

quindi lecito domandarsi se per il segnale ci.dente di sega idealizzato, e per


altri che hanno andamenti di particolare utilit e ai quali si applicano
considerazioni analoghe, sia corretto utilizzare la rappresentazione (2.2.9) con i
coefficienti espressi dalla (2.2.15).

24

Capitolo
2

Un insieme di condizioni sufficienti che garantiscono la possibilit di


sviluppare un segnale in serie di Fourier il cosiddetto criterio di Dirichlet che
pu essere enunciato come segue:
. se x(t) assolutamente integrabile sul periodo 1'0 (cio se verifica la
condizione

E%~2

Ix(t) Idt < 00);

. sex(t) continua o presenta in un periodo un numero finito di discontinuit


di prima specie;
. se x(t) derivabile rispetto al tempo nel periodo, escluso al pi un numero
finito di punti nei quali esistono finite la derivata destra e sinistra,
allora la serie di Fourier converge al valore assunto dalla funzione x(t) nei
punti in cui questa continua, e alla semisomma dei limiti destro e sinistro
nei punti in cui x(t) presenta le eventuali discontinuit di prima specie.
La terza ipotesi del criterio pu anche essere sostituita con la seguente, che
risulta del tutto equivalente:
. se il segnale presenta un numero finito di massimi e minimi nel periodo
Alla luce di questo criterio possibile adesso.affermare con sicurezza che anche
la funzione a dente di sega di Figura 2.3a pu essere sviluppata in serie di
Fourier. Nel punto di discontinuit il valore cui la serie converge pari a
x(To)=[x(T;)+x(T~)]/2
=A/2.

2.4 Spettri di ampiezza e di fase


Dunque, ogni segnale x(t) che soddisfi il criterio di Dirichlet pu essere rappresentato con lo sviluppo in serie di Fourier (2.2.9) ove i coefficienti Xk sono dati
dalla (2.2.15). Ripetiamo per completezza qui di seguito queste due relazioni:

La seconda delle due una equazione di analisi che permette di stabilire qual
il contenuto in termini di oscillazioni armoniche del segnale (in una parola, di
analizzare il segnale). La prima delle due, viceversa, una equazione di sintesi
che, note le ampiezze e fasi delle varie armoniche (cio noti i coefficienti di
Fourier) permette di ricostruire, cio sintetizzare, il segnale dato a partire dalle
proprie componenti frequenziali (armoniche). Evidentemente, l'equazione di
sintesi prevede l'uso di infinite armoniche per ricostruire il segnale. D'altronde,

Segnali periodici a tempo continuo

25

condizione necessaria alla convergenza della serie che l'ampiezza IXkI delle
armoniche tenda a zero quando k ~
Questo comporta che le armoniche pi
"importanti" ai fini della sintesi del segnale sono in numero limitato, e che
quindi la serie pu essere sostituita ai fini pratici con una sommatoria di un
numerofinito di termini (come si discuter in dettaglio nel Paragrafo 2.7).
Le equazioni di analisi e sintesi permettono dunque di stabilire una
corrispondenza tra il segnale x(t) e la sequenza Xk costituita dai coefficienti
della serie (coefficienti di Fourier o di Eulero). Indicheremo tale corrispondenza
con la seguente scrittura:
00.

(2.4.1)
Questo tipo di notazione suggerisce che la conoscenza dell'andamento del
segnale x(t) in ambito temporale di fatto equivalente alla conoscenza della
successionedei coefficienti di Fourier Xk in ambito frequenziale, nel senso che
il passaggio dall'un dominio all'altro immediato attraverso le relazioni di
analisie sintesi (2.2.15) e (2.2.9). Naturalmente, la seque~ Xk in generale
complessa;per rappresentarla conveniente tracciare due grafic\ che prendono il
nome di spettro di ampiezza e spettro di fase2. Il primo illustra l'andamento
dell'ampiezza (modulo) dei coefficienti Xk, il secondo ne illustra l'andamento
della fase, entrambi in funzione dell' ordine k del coefficiente o del valore della
k-esima frequenza armonica kfo' Esempi stilizzati di queste rappresentazioni
sonoriportati in Figura 2.4 e Figura 2.5.
Gli spettri di ampiezza e di fase del segnale sono a righe, cio discreti, in
quantosono definiti solo in corrispondenza delle frequenze armoniche, che formanoappunto una successione discreta. La rappresentazione degli spettri come
"righe"di ampiezza proporzionale all'ampiezza o alla fase delle componenti armonicheha un' origine ben precisa. Gli spettri di ampiezza a righe dei segnali
periodicivengono infatti misurati mediante strumenti elettronici chiamati analizzatoridi spettro, sullo schermo dei quali si ottiene una rappresentazione molto
similealla Figura 2.4. Gli analizzatori rappresentano gli spettri di ampiezza solo
per valori positivi delle frequenze. Questo giustificato dalle propriet di
simmetriadegli spettri discusse nel paragrafo a seguire.

2 Il termine "spettro" deve intendersi nel significato di "rappresentazione, visione" e nasce in


fisica nel campo della spettroscopia in cui si analizza la composizione dei materiali attraverso le
"righe" di emissione caratteristiche dei diversi elementi chimici.

Il

26

Capitolo 2

-31

-21

-1

Frequenza

Figura 2.4 Spettro di ampiezza

-31 o -21 o -1 o
Frequenza

Figura 2.5 Spettro di fase

Esempio 2.1
Consideriamo il segnale
x( t)

(E2.1.l)

a cos( 21ifot )

Esso rappresentaun'oscillazionecosinusoidaledi frequenza 10; il periododel


segnale To= 1/10. Se si confronta l'espressione in forma polare della serie di
Fourier di un segnale generico
~

x(t)

= Ao + 2 L:Ak cos(2n/ifot
k=l

+ {)k)

(E2.1.2)

con la (E2.1.l) si ricava che


a

AI

= -,2

{)I

=O;

(E2.1.3)

Segnali periodici a tempo contilUo 27

ovvero
(E2.1.4)
e gli spettri del segnale sono quelli di Figura 2.6a-2.6b.

a/2

(a)

-f

o
(b)

Figura 2.6 Spettri di ampiezza (a) e fase (b) del segnale dell'Esempio 2.1

D
Esempio 2.2
Consideriamoil segnale

x( t)

=a

sin( 21t.fot )

a cos(

2 TCjot

- ~)

(E2.2.1)

Tenendo conto del procedimento usato nell'Esempio 2.1, si trova che


A-a
1-2'

re
6) =-"2;

(E2.2.2)

ovvero
a.1<

X = -e-li
l

'

.1<

'

X = -eli'
-)

(E2.2.3)

Lo spettro di ampiezza uguale a quello dell'esempio precedente, mentre lo


spettro di fase mostrato in Figura 2.7.

28

Capitolo 2

rr./2

-rr./2
Figura 2.7 Spettro di fase del segnale dell'Esempio 2.2

2.5 Propriet dello spettro di un segnale reale periodico


Simmetria
Ricordandoche il nostropuntodi partenza stata la rappresentazione(2.2.5)di

----

un segnale reale, osserviamo che


Xo=Ao,

Xk=Akel

'O

"

'o

(2.5.1)

X-k =Ak e-l '; k=1,2,...

e che quindi i coefficienti Xk dello sviluppo in serie di Fourier in forma


complessa di un segnale reale godono della propriet di simmetria coniugata o
Hermitiana, ovvero
(2.5.2)
Linearit
Consideriamo ora due segnali x(t) e y(t), entrambi periodici dello stesso periodo 1'0 e aventi come coefficienti

z(t)

= a x(t)+

b y(t)

di Fourier rispettivamente

Xk e

~. Il segnale
(2.5.3)

dato dalla combinazione lineare di x(t) e y(t) periodico di periodo To,e il


coefficiente k-esimo Zk della sua serie di Fourier
(2.5.4)
Tale propriet di linearit dei coefficienti di Fourier deriva direttamente dalla
medesima propriet dell'integrale; si ha infatti che

Segnali periodici a tempo continuo

29

(2.5.5)

Naturalmente, lo sviluppo in serie di z(t) costituito da una somma di


oscillazioniaventi le stesse frequenze di quelle che compongono i segnali x(t) e
y(t); pertanto, in generale una combinazione lineare di segnali aventi il
medesimoperiodo Tonon introduce nuove armoniche.
Potremmo elencare e dimostrare molte altre propriet dei coefficienti di
Fourier(ad esempio, il comportamento degli Xk nei confronti di una traslazione
del segnale, o di una operazione di derivata temporale, o di integrale, ecc.). Le
pi semplici vengono proposte come esercizi in calce al capitolo, che possono
essere facilmente risolti dal lettore; queste propriet verranno comunque
discusse in maggior dettaglio e in una forma sostanzialmente equivalente nel
Capitolo3, a proposito della trasformata di Fourier per segnali non periodici, al
I
qualesi rimanda.
Esempio 2.3
Consideriamo il segnale detto treno di impulsi rettangolari di durata T e
periodo To(T < To)rappresentato in Figura 2.8. Per questo segnale si definisce
il parametro duty-factor (o duty-cycle) 8 = TiTo che esprime il rapporto tra la
durata T di ciascun impulso e il periodo di ripetizione del segnale To.
x(t)

,
-To

-T/2

T/2

To

Figura 2.8 Treno di impulsi rettangolari

Per rappresentare pi comodamente il treno di impulsi rettangolari utile


definirela seguente funzione:

r
30

Capitolo 2

rect(a)!

lal < 1/2

1/2 lal = 1/2


{ O

(E2.3.1)

altrove

il cui andamento (impulso rettangolare) rappresentato in Figura 2.9. La


discussione relativa ai punti di discontinuit del segnale a dente di sega di Figura
2.3 valida anche per il segnale rect(.). Ancora una volta, questa semplice
funzione rappresenta un' astrazione matematica utile per schematizzare impulsi
che hanno un tempo di salita molto breve rispetto alla propria durata.
Utilizzando questa funzione possibile scrivere la seguente espressione per il
treno di impulsi rettangolari:

x(t)

=n~ a.rect(t-;

(E2.3.2)

1'0)

rect(a)

-1/2

1/2

Figura 2.9 Grafico della funzione rect(a)

Il segnale periodico infatti rappresentato come la sovrapposizione di infiniti


impulsi di durata T ottenuti ciascuno ritardando l'impulso "base" non periodico
rect(t/T) di n1'o secondi con n = 0,::1:1,...In questo caso diremo che l'impulsobase rect(t/T) stato periodicizzato con periodo di ripetizione 1'0per ottenere il
segnale x(t). Il lettore pu dimostrare facilmente che il segnale x(t) nella forma
di segnale-base ripetuto (E2.3.2) effettivamente periodico di periodo 1'0.
Calcoliamo ora i coefficienti dello sviluppo in serie del segnale in esame
utilizzando la (2.2.15):

Segnali periodici a tempo continuo

31

=
. nkT

SIll-

a sin( nkfoT) - aT
Lo
- o
-nk
To

(-j2nkfo)

(.

To

(E2.3.3)

nkT

Per esprimere Xk in una forma pi concisa, definiamo una ulteriore funzione


notevole:
,

(E2.3.4)

per CUi

Xk

= aT sinc

kT

( To)

To

= a8sinc(k8)

(E2.3.5)

La funzione sincO, il cui grafico mostrato in Figurai2.1O,verr usata molto di


frequente nella pagine a seguire, e quindi import~
caratteristichepeculiari.
'-

evidenziarne alcune

1.2
1.0
0.8
0.6
'8'

c:
'Ci)

0.4
0.2

-0.2
-0.4
-5

-4

-3

-2

-1

o
ex.

Figura 2.10 Andamento della funzione sinc( a)

32

Capitolo 2

Come si nota dalla Figura 2.10, essa si annulla per tutti i valori interi del suo
argomento a diversi da zero, mentre nell'origine assume valore unitario. La
discontinuit in questo punto stata infatti eliminata, osservando che

=1

lim sin(na )
a

na

(E2.3.6)

Inoltre, sinc(a) una funzione pari in quanto rapporto di due funzioni dispari!
tende ad annullarsi al tendere di a all'infinito, e in particolare soddisfa la
relazione sinc(a)::; lI(n Ia I). Il calcolo dei punti di massimo e minimo della
funzione porta invece a una equazione trascendente (che il lettore pu facilmente ricavare) e che non verr presa in considerazione per brevit.
Scegliamo ora nel nostro treno di impulsi i valori particolari a = l e 8 =0.5.
Gli spettri di ampiezza e fase del segnale hanno allora l'andamento illustrato
nelle Figure 2.11-2.12. Si nota che lo spettro di ampiezza simmetrico rispetto
alla frequenza O, mentre lo spettro di fase assume soltanto i valori O e I1t (il
coefficiente di Fourier infatti reale), e conserva simmetria dispari.

2.6 Segnali pari, dispari e alternativi


Il segnale (periodico) x(t) pari se verifica la relazione x(t)

= x(-t).

In tal caso,

il genericocoefficienteXk della serie di Fourierdi x(t) un~unzione paridi


k, cio
(2.6.1)
Infatti, dalla (2.2.15) immediato verificare che
(2.6.2)
nella quale, effettuando il cambiamento di variabile a
1 -To/2

X-k = -""T
x(-a)
o To/2

1 To/2

=-t,

si ottiene

x(a) e-J2/difoada= Xk
o -T./2

e-J21rkfoada =""T

(2.6.3)

Poich in generale sappiamo che Xk = (X-k )*,segue che Xk reale, e quindi


possibile riscrivere la serie di Fourier in forma sffiplificata:
...,.

x( t)

= Xo + L Xk
k=1

-I
ej2n:kfol

L
k=-

Xk ej2n:kfol

(2.6.4)

Segnali periodici a tempo continuo

33

l
0.75

0.50

0.25

0.00

-8

-10

-6

-4

-2

10

k
Figura 2.11 Spettro di ampiezza del segnale di Figura 2.8 per o

= 0.5

e a

=l

I
1t

I
\

=c
"'"
X
'\I

Il
d;J"'"

-2

Il

-1t
-4
-10

-8

-6

-4

-2

Il

10

k
Figura 2.12 Spettro di fase del segnale di Figura 2.8 per 8

= 0.5 e a = 1

e, cambiando segno all'indice nella seconda sommatoria, si ottiene


-+<o

x(t)

= Xo + LXk
k=l

-+<o

ej21rlifol
+ LX-k
k=l

e-j21rlifol

(2.6.5)

34

Capitolo 2

Poich Xk = X-k, unendo le due sommatorie si ha infine

x( t)

Xo +

L
Xk (ej21rkfot + e - j21rkfot) = Xo + 2 L
n=l
k=l

Xk

cos( 2rrkfot )

(2.6.6)

Il segnale dunque esprimibile i~oli


Inoltre, il calcolo di Xk
pu essere effettuato con una formula semplificata. !!.lfatti,se nella (2.2.15) si
riscrive l'esponenziale complesso nella funzione integranda in forma
rettangolare si ottiene
l ~p
Xk

. ~p

= r:o-~p
J x( t) cos(2rrkf(/ ) dt - ~
x( t) sin( 2rrf%t) dt
o-~p

(2.6.7)

La funzione iIitegranda del primo integrale della (2.6.7) pari e pertanto tale
integrale pu essere calcolato come
l

To/2

x( t)
To-To/2

cos( 21rlifot ) dt

2
=-

To/2

Jx( t) cos( 2 rrf% t ) dt

(2.6.8)

To o

Invece il contributo del secondo integrale della (2.6.7) nullo poich la funzione
integranda dispari e l'intervallo di integrazione simmetrico. In conclusione si
ricava che, se x(t) reale e pari,
-- il k-esimo coefficiente
_. -_. della
_.-_o sua
- serie di
F~urier pu e,serecalcolatQ-c_~nla fOf!lli"iia
-, se~p'lifi~ata2

Xk =

To/2

J
To o

x(t) cos(2rrf%t) dt E 9\

(2.6.9)

-~,

r
1Un segnale (periodico) x(t) dispari se verifica la relazione
x(t)

= -xC-t)

(2.6.10)

Allora possibile dimostrare, con considerazioni identiche a quelle fatte per i


segnali pari, che la sua serie --di Fourier gode delle propriet
seguenti:
.
-- ---il coefficiente Xk della serie una funzione dispari di k, cio

(2.6.11)

ed quindi immaginario puro. Ne consegue che Xo = O;


il segnale sviluppabile in serie di soli seni:

35

Segnali periodici a tempo continuo

+00

(2.6.12)

x(t) = 2jL:Xk sin(2nkfot)


k=1

il coefficiente Xk pu essere calcolato con la seguente formula semplificata:

2 . To/2

Xk =

- -1..

Jx( t) sin( 2nk.fot ) dt

(2.6.13)

To o

Relativamente alle simmetrie pari e dispari di un segnale, interessante notare


cheun segnale reale arbitrario x(t) pu essere sempre scomposto come
(2.6.14)
dove i segnali xp(t) e xAt) sono rispettivamente la parte pari e la parte dispari
del segnaledato:
(2.6.15)
-t)

~;u

J,.

(2.6.16)

xAt)~x(t)-x(-t)
2
Sulla base di questa scomposizione si pu scrivere

11

(2.6.17)

oveevidentemente Xpk (il k-esimo coefficiente di xp(t) reale, mentre Xdk (kesimocoefficiente di xAt) immaginario puro. Si conclude allora che la parte
reale del coefficiente di Fourier di un segnale reale arbitrario x(t) rappresenta il
coefficiente dello sviluppo della sua parte pari xp(t), mentre la parte
immaginariadi Xk (a meno del fattore j) il coefficiente dello sviluppo della
partedispari xAt) di x(t).
Un segnale periodico x(t) 31tern::!.!.v.!!se verifica la relazione
x(t + To/2)

= -x(t)

,I

(2.6.18)

cio se l'andamento del segnale in un qualunque semiperiodo to ::;t < to + To / 2


identico all'andamento nel semiperiodo precedente to - To /2::; t < to'
cambiato di segno (si veda la Figura 2.13 per un esempio). Allora il coefficiente
Xk della serie di Fourier di x(t) nullo per tutti i valori pari dell'indice k.
Infatti Xk dato da

1111

r,

Ir

36

Capitolo 2

(2.6.19)
avendo suddiviso l'intervallo di integrazione

[-~ /2,

To/2] in due semiperiodi.

x(t)

Figura 2.13 Segnale .alternativo

Il secondo integrale a secondo membro della (2.6.19) pu essere riscritto come

(2.6.20)
Sostituendo la (2.6.20) nella (2.6.19) si ricava
k To/2

Xk

= 1- To
C-l)

fo xCt) e-j21difo'dt

(2.6.21)

da cui

Xk

k pari
(2.6.22)

To/2

! ~To

J x(t) e-j2trk!o'dt k dispari

e l'espressione (2.2.9) della serie di Fourier si semplifica come segue:


+00

X (t )

,
\\

+00

~
ej21f(2p+I)!o'
. Xk ej2trk!o'= ~.. X2p+1

k=-oo
k dispari

p=-

(2.6.23)

Segnali periodici a tempo continuo

37

avendo effettuato il cambiamento di variabile k = 2p + l per rappresentare


l'insieme dei numeri relativi dispari.
Esempio 2.4
Calcoliamo lo sviluppo in serie di Fourier del segnale onda quadra y( t) rappresentato in Figura 2.14a.
y(t)
A
000

000

-To/2
,

To/2

To

-A
(a)

x(t)
2A

I
000

000

~ I,

o /2

lo

'~

(b)

Figura 2.14 Segnale onda quadra (a) e treno di impulsi rettangolari (b)
I~

,J

Vediamo come esprimere questo segnale in funzione del treno di impulsi


rettangolari x(t) di Figura 2.8. Se per quest'ultimo

assegnamo i valori a = 2A e

T=To/2 (8=1/2), otteniamo il segnale x(t) di Figura 2.14b. Allora


immediatovedere che
y(t)

= x(t) - A

(E2.4.1)

Il segnale costante pari ad A a secondo membro della (E2.4.1) pu essere


considerato periodico con sviluppo in serie di Fourier ridotto al solo termine
costantee pari ovviamente ad a. Per la linearit della serie di Fourier si ha quindi

Il

38

Capitolo 2

(E2.4.2)
Poich

Xk

=2A8

sinc(8k)

(E2.4.3)

= A sinc(~)

la (E2.4.2) diventa

~ = {;

sinc(k/2)

k=O
altrimenti

(E2.4.4)

2.7 Sintesi del segnale con un numero limitato di armoniche


Calcoliamo lo sviluppo in serie di Fourier del segnale onda quadra x(t)
rappresentato in Figura 2.15.

Figura 2.15 Segnale onda quadra

TIsegnale dispari e alternativo. Pertanto il calcolo del coefficiente Xk della sua


serie di Fourier pu essere effettuato con la formula semplificata (2.6.13) o con
la (2.6.21). Scegliendo per semplicit la prima delle due, si ha:

2 . To/2
Xk = - --1. J x(t) sin( 27Tkfot)dt

To o

. 2A
=] 2nw T cos(2~t
"'lo o

da cui

1=To/2.

)11=0

2A To/2
sin(2~t)

=-j -

To o

dt

.A

=] -nk [cos(Jrk)-1 ] = ] -nk [(-1)

-1 ]

(2.7.1)

Segnali periodici a tempo continuo

39

k pari

Xk = 2A
{ jnk

(2.7.2)

k dispari

Come ci aspettavamo, la sequenza {Xk} dei coefficienti di Fourier dell'onda


quadra (qui in versione dispari) immaginaria pura e dispari, e i coefficienti di
ordinepari sono tutti nulli (l'onda quadra alternativa). Lo spettro risultante
quellodi Figura 2.16.
0.75
0.50

0.25
I

0.00

Il

-0.25

-0.50

-0.75
-20

-16

-12

-8

-4

12

16

20

k
Figura 2.16 Spettro del segnale in Figura 2.15 con A

=l

Lo sviluppo in s'erie di Fourier di x(t) (in soli seni) siIottiene sostituendo


l'espressionedegli Xk (2.7.2) nella (2.6.12):
I

x(t) = 4Af

k=l

sin(2n/%t)
k

(2.7.3)

Si nota che l'ampiezza delle righe tende a zero come l/k quando k ~ 00. Questa
la minima "velocit" con cui lo spettro di ampiezza pu decrescere, affinch la
serie di funzioni (2.7.3) risulti convergente. In altri termini, l'ampiezza delle
componentiarmoniche ad "alte frequenze" (cio le armoniche di ordine elevato)
ancorarelativamente grande rispetto a quella delle prime armoniche.
Per meglio evidenziare questa peculiarit, consideriamo adesso lo sviluppo in
serie di Fourier del segnale onda triangolare x(t) rappresentato in Figura 2.17.

li
i~1

iIIll
!!~
~

II

IIIII

ili
,Il

40

Capitolo 2

x(t)

Figura 2.17 Segnale onda triangolare

Questo segnale pari e alternativo. Il k -esimo coefficiente Xk della sua serie di


Fourier pu allora essere calcolato sostituendo nella formula semplificata (2.6.9)
l'espressione
(2.7.4)
valida per O~ t ~ 1'0/2. Si ottiene cos
2 To/2

= -1'0 J
A 1- ~ cos(21rkfot) dt
o (
1'0)

Xk

2A~~

=-

1'00

8A~~t

J cos( 2rrklrl) dt - - J -

cos(21rkfot) dt

1'001'0

(2.7.5)

Il calcolo dei due integrali a secondo membro immediato:


To/2

Jo cos( 21rkfot) dt = O

(2.7.6)

~~

J!

o 1'0

cos(21rkfot
) dt =-(

~o
2

21Ck)

[(-1 -1]

(2.7.7)

~~
k pari
k dispari

(2.7.8)

Segnali periodici a tempo continuo

41

Lo spettro del segnale rappresentato in Figura 2.18. Si nota innanzitutto che


anche in questo caso tutti i coefficienti con indice pari sono nulli perch x(t)
alternativo.La caratteristica per pi evidente in un confronto con la Figura 2.16
che l'ampiezza delle armoniche tende a zero molto pi velocemente quando
k ~ 00. La (2.7.8) suggerisce infatti che tale velocit proporzionale a 1/ e;
quindi,le armoniche superiori hanno meno "importanza" nella sintesi dell' onda
triangolarerispetto al caso dell' onda quadra.
0.75

0.50

Il

0.25

0.00

-0.25
-20

-16

-12

-8

-4

,.1

12

16

20

k
Figura 2.18 Spettro del segnale in Figura 2.17 con A

=1

/
/

Questocomportamento un riflesso dell'andamento temporale dei due segnali:


l'onda quadra presenta discontinuit, cio brusche variazioni temporali del
valore del segnale, che viceversa non sono presenti nell' onda triangolare.
Possiamo quindi dire che le variazioni "brusche" comportano la presenza di
armonichedi ordine pi elevato. In altri termini, un segnale avente velocit di
cambiamentomolto alta necessita per essere ricostruito di molte componenti ad
"alta frequenza", cio di molte armoniche di ordine superiore. Viceversa, un
segnalea variazione "pi lenta" ha un contenuto di armoniche a frequenze pi
basse. Questo concetto verr precisato nel Capitolo 4 discutendo i concetti di
bandae durata di un segnale.
L'andamento delle ampiezze delle armoniche di tipo l/e tipico dei segnali
con derivataprima discontinua, come l'onda triangolare di Figura 2.17. A questo
proposito,consideriamo un ulteriore esempio.

Il
Il

42

Capitolo 2

Esempio 2.5
Calcoliamo i coefficienti dello sviluppo in serie di Fourier del segnale
cosinusoidale

raddrizzato

a doppia

semionda

x( t)

= Alcos(

2rcfot)1 rappresentato

in Figura 2.19 (To = l/.fo, A> O).


1.0

-~o

0.5

i)
o

0.0

(\J

(.)

J!..

-0.5

\ /

-1.0
-2.0

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

Tempo normalizzato tifo


Figura 2.19 Segnale cosinusoidale raddrizzato a doppia semionda

Questo'segnale pari. ma soprattutto periodico di periodo To12; pertanto le


sue frequenze armoniche sono multiple della frequenza fondamentale 210. n kesimo coefficiente Xk della sua serie di Fourier pu allora essere calcolato
sostituendo l'espressione analitica di x(t) nella formula semplificata (2.6.9)
(tenendo conto del fatto che ora il periodo del segnale vale ToI2).
Dunque:
4A To/4
cos( 2rcfot) cos( 4nkfot ) dt
Xk = -

To o

2A To/4

=-

f {cos[ 2Jr(1 + 2k )fot] + cos[ 2Jr(I-

To o

2k ).fot]} dt

(E2.5.1)

Sviluppando il calcolo dei due integrali si ricava


Xk

= AJr

{ l + 2k

sin

Jr (1 + 2k )

[2

+~

1- 2k

sin Jr (1- 2k )
[2
]}

(E2.5.2)

.., 11,,
.I

Segnali periodici a tempo continuo

43

Se inoltre si osserva che

(E2.5.3)
l'espressione di Xk si semplifica come segue:

x = A (-l)k ~+~
n

{ 1+ 2k

1- 2k }

=(-l)k 2A

n 1- 4e

(E2.5.4)
I

Si noti che, essendo x(t) reale e pari, i coefficienti del suo sviluppo in serie di
Fourier risultano reali e pari. Inoltre il valor medio del segnale x(t) espresso
da

I!I

(E2.5.5)

Xm = Xo = 2A

Infine, osserviamo che si ritrova anche per questo segnale (continuo, ma con
derivataprima discontinua) l'andamento delle armoniche proporzionale a 1/ k2
comenel caso dell' onda triangolare.
D
L'equazione di sintesi (2.2.9) richiede un numero illimitato di armoniche per
ricostruire il segnale periodico x(t). Le considerazioni fatte a proposito degli
sviluppidelle onde quadra e triangolare ci suggeriscono per che una approssimazione soddisfacente del segnale pu essere conseguita anJ;hecon un numero
finito di armoniche. Per avvalorare questa considerazion~'6i limiteremo qui a un
esempio particolare, consideriando di nuovo il treno di impulsi rettangolari
dell'Esempio2.3. Il suo k-esimo coefficiente di Fourier
Xk

(2.7.9)

= a 8 sinc(k 8)

dove,ricordiamo, 8 = T/1'0, a l'ampiezza del segnale, To il suo periodo e T


la durata di ciascun impulso. Poniamo per semplicit a = 1, 8 = 0.5 e ricaviamo
l'espressione in forma polare della serie di Fourier:
1
x(t)=-+
2

L
sinc - cos(2nkfot)
(2 )
k=l

:11\

jlllli
,

l"
i"
~

(2.7.10)

D'altronde

Ii

44

Capitolo 2

k _Sin(k1r/2)=
02 (-lik-l)/2
SlllC2" - k1r/ 2
{ k 1r
.

()

k pari
k dispari

(2.7.11)

e quindi la serie pu essere semplificata come segue:

x(t) =.!. + ~
2

~(-1)(k-1)/2 cos(2Jrk.fot)
1r k=l k

(2.7.12)

k di.'pari

Consideriamo ora il segnale


~

XK(t)=-+.J -(-1)
2 1r k=l k

(k-I)/2

cos (2Jrk.fot)

(2.7.13)

k dispari

ottenuto arrestando lo sviluppo (2.7.12) alla K-esima armonica. Nella Figura


2.20 possibile confrontare il segnale originale (treno di impulsi) x(t) con il
segnale approssimante XK(t) che si ottiene per tre diversi valori del parametroK.
Si nota che l'approssimazione del segnale periodico in esame pu considerarsi
soddisfacente anche con un numero esiguo di armoniche. In corrispondenza dei
punti di discontinuit del treno di impulsi, il segnale approssimante presenta
inoltre delle fluttuazioni (ripple) attorno all'andamento del segnale x(t).
Per il segnale dato, indipendentemente dal numero di armoniche K che si
usano nella ricostruzione di x(t), si ottiene comunque un segnale approssimante
che ha esattamente un valore massimo (nei pressi della discontinuit) pari circa a
1.09a. Questo fatto noto come fenomeno di Gibbs, e la sua presenza fa intuire
che la successione di funzioni {XK(t)} non converge uniformemente al segnale
x(t)..Quanto detto a proposito della rapidit di convergenza dei coefficienti di
Fourier dell' onda triangolare di Figura 2.17 facilmente riscontrabile dal confronto della Figura 2.20 con la Figura 2.21. Quest'ultima mostra ancora il segnale xK(t) ottenuto per sintesi di sole K armoniche, stavolta per relativamente
all'onda triangolare. evidente che la ricostruzione del segnale periodico
originario molto migliore in questo secondo caso piuttosto che nel caso
dell'onda quadra, ovviamente a parit del numero di armoniche considerate.

-'"

Segnali periodici a tempo continuo

1.4

K=3
1.0

L'h

"-x

0.8

0.6
0.4
0.2
0.0
-0.2
-0.4
-2

-1

Vfo

(a)

1.4
K=7

1.2
1.0

1\

1\

.1.

1\

0.8
X

0.6

0.4
0.2
0.0

-0.2r
-0.4

-2

-1

Vfo

(b)

1.4
1.2
1.0

K=15
A

0.8

0.6

0.4
0.2
0.0
-0.2
-0.4
-2

-1

o
Vfo

Figura 2.20 Approssimazione

2
(c)

del treno di impulsi con 3 (a), 7 (b), e 15 (c) armoniche

45

.
46

Capitolo 2

1.25
1.00

>:
x
-:5
X

0.25
0.00
-0.25
-0.50
-0.75
-1.00
-1.25
-1.00

K=3
-0.75

-0.50

-0.25

0.00

0.25

0.50

0.75

1.00

IITO

(a)

1.25
1.00

"-

>:
x

0.25
0.00
-0.25
-0.50
-0.75

K=7

-1.00
-1.25
-1.0

-0.8

I
-0.5

I
-0.2

I
0.0

r
0.2

0.5

0.8

1.0

IITO

(b)

1.25

....." 0.25
>:
x
0.00
X

-0.25
-0.50
-0.75

-1.00
-1.25
-1.0

-0.8

-0.6

-0.4

K=15
-0.2

0.0
IITO

0.2

0.4

0.6

0.8

1.0

(c)

Figura 2.21 Approssimazione dell'onda triangolare con 3 (a), 7 (b), e 15 (c) armoniche

Segnali periodici a tempo continuo

47

Sommario
Il punto nodale di questo capitolo l'introduzione dello sviluppo in serie di
Fourier di un segnale a tempo continuo x(t) periodico di periodo To.Questo
tipo di rappresentazione (l'equazione di sintesi) permette di pensare il segnale
come"scomposto"in una sovrapposizione di oscillazioni sinusoidali (le armoniche) a frequenza multipla della frequenza fondamentale

fo

= 1/

To' L'ampiezza

e la fase delle armoniche sono regolate dall'ampiezza e dalla fase dei rispettivi
coefficientidi Fourier Xk calcolabili a partire dal segnale x(t) attraverso
l'equazionedi analisi.
La conoscenzadella successione completa dei coefficienti di Fourier di fatto
equivalentealla conoscenza dell'andamento del segnale nel tempo, cosicch
viene usata la scrittura x(t) <=>Xk per rappresentare sinteticamente questa
corrispondenza.I coefficienti di Fourier del segnale, in generale complessi, vengonousualmente rappresentati in modulo e fase in funzione della frequenza armonicacui si riferiscono, e queste rappresentazioni costituiscono i cosiddetti
spettridi ampiezza e fase del segnale dato. Poich il segnale x(t) assume valori
reali, lo spettro di ampiezza simmetrico rispetto alla frequenza O (cio
IXkl =IX-kl)mentre lo spettro di fase antisimmetrico
(e cio L.Xk = -L-X-k).
Altreeventuali propriet. di simmetria del segnale producono ulteriori vincoli
suglispettri di ampiezza e fase del segnale: a segnale pari corrispondono coefficientidi Fourier reali, a segnale dispari corrispondono coefficientipnrnaginari
puri,a segnalealternativo corrispondono coefficienti di ordine pari nulli.
In pratica,la sintesi di un segnale periodico viene effettuata con un numero di
armonichefinito. Questo comporta un certo errore nella ricostruzione del
segnale,tanto minore quanto maggiore il numero di armoniche considerate, ma
tantomaggiorequanto pi la velocit di variazione del segnale grande: il caso
pi sfavorevole quello di un segnale con discontinuit di prima specie, come
l'ondaquadra.
Esercizi proposti
2.1 Si riprenda in considerazione l'esempio della squadra R-C del Paragrafo
2.1. in grado il lettore di calcolare i coefficienti di Fourier del segnale
y(t) nel caso in cui il segnale x(t) sia l'onda quadra di Figura 2.15?
2.2 Dimostrareattraversola (2.2.9)che se x(t) <=> Xk, allora
dx(t)
dt

<=>j27difo

. Xk

48

Capitolo 2

2.3

e sulla base di questo risultato ricavare i coefficienti di Fourier dell'onda


quadra di Figura 2.15 da quelli dell'onda triangolare di Figura 2.17.
Dimostrare attraverso la (2.2.15) che se x(t) :>Xk, allora
x(t - to) :>Xk . exp{- j2nk,foto}

2.4

Attraverso il risultato (2.7.8) sullo sviluppo in serie dell'onda triangolare,


determinare i coefficienti di Fourier del segnale periodico di Figura 2.23.
x(t)

2A

Figura 2.23

2.5

Sfruttando i risultati degli Esercizi 2.2 e 2.4 ricavare i coefficienti di


Fourier del segnale di Figura 2.22. [Suggerimento: si scomponga il segnale
dato come differenza tra l'onda triangolare dell'Esercizio 2.4 e...]
x(t)
2A

Figura 2.22

2.6

Determinare l'espressione dei coefficienti delle serie di Fourier dei segnali


x(t) periodici di periodo 1;,rappresentati rispettivamente in Figura 2.24ab-c (T = 1'0/2).

Segnali periodici a tempo continuo

49

x(t)

-T/2
T/2

-10/2

lQI2

-1
(a)
x(t)
2

...
-T/2

T/2

(b)

Il!

n
!I
I

x(t)

--"

l.
n .1
-1

(c)
Figura 2.24

..I

3
Segnali aperiodici a tempo continuo

3.1 Dalla serie all'integrale di Fourier


n significato e l'importanza della rappresentazione in serie di Fourier di un segnaleperiodico a tempo continuo sono stati ampiamente discussi nel Capitolo 2.
Molti segnali che si osservano nei fenomeni naturali non sono per periodici.
Sorge allora immediata la questione della possibilit di ottenere una scomposizione simile alla serie di Fourier anche per i segnali aperiodici. possibile cio
rappresentare anche un segnale non periodico come una opportuna sovrapposizione di segnali elementari, in particolare sinusoidali? Per rispondere a ~sta

domanda,consideriamocomecaso di studioil segnaleaperiodico


x(t)=rec{; )

'------

(3.1.1)

rappresentato in Figura 3.1, e per ricollegare il discorso a quanto visto nel


Capitolo2 cerchiamo di mettere in relazione questo segnale con il treno di impulsirettangolari periodico
(3.1.2)
di cui gi conosciamo la rappresentazione in serie di Fourier. Come chiaro,
x/t) ottenuto periodicizzando x(t) con periodo di ripetizione To,come suggerito dalla Figura 3.2. Il segnale originario x(t) pu essere considerato come una
sorta di caso-limite di un segnale periodico: partendo da x/t), si riottiene

52

Capitolo 3

l'impulso "base" x(t) centrato in t=O se si pensa di fare una periodicizzazione


periodo

periodico x/t) per periodicizzazione


(3.1.2), vero in generale che

x(t)

di

1'0~ 00. Al di l del particolare esempio, se si costruisce un segnale


del segnale aperiodico

= lim xp(t)

x(t) come nella

(3.1.3)

To---+oo

x(t)
1

T/2

-T/2

Figura 3.1 Impulso rettangolare aperiodico

x(t)

x(t-To)

...
-T/2

T/2

Figura 3.2 Treno periodico di impulsi rettangolari

Naturalmente, il segnale xp(t), essendo periodico di periodo 1'0,pu essere


rappresentato mediante serie di Fourier:
~

xp(t) =

Xk ej2trk!ol

k=->o

con io = l/To e con i coefficienti di Fourier Xk dati da

(3.1.4)

53

Segnali aperiodici a tempo continuo

(3.1.5)

Nasceadesso l'esigenza di stabilire il comportamento della serie di Fourier


(3.1.4)e dei relativi coefficienti Xk (3.1.5) quando 1;,~ 00.
Comeprima osservazione, chiaro che aumentando il periodo ~ di ripetizionesi riduce la frequenza fondamentale io, e quindi si riduce la differenza tra
duegenerichefrequenze armoniche consecutive kfo- (k -1).10 =.10.Ci determinaun infittimento dello spettro del segnale se la scala di rappresentazione
dellefrequenze resta la stessa. Inoltre, dalla (3.1.5) si nota che l'ampiezza dei
coefficientitende a ridursi man mano che ~ cresce; al limite, per ~ ~
lo
spettrodi xp(t) tende a divenire sempre pi fitto e ad assumere valori sempre
pi piccoliper tutte le frequenze armoniche. La Figura 3.3, relativa al treno di
impulsirettangolari(3.1.2), rappresenta lo spettro di ampiezza del segnale xp(t)
pertre diversivalori del periodo 1;,e per un valore di T assegnato, ed evidenzia
chiaramentei due fenomeni appena discussi. Per evitare di dover specificare il
particolarevalore del periodo T in secondi, la scala delle frequenze stata normalizzataal valore della durata T dell'impulso x(t). Nel grafico si utilizza una
variabile"adimensionale" data appunto dal prodotto fT, come chiaramente indicatonella dicitura dell'asse delle ascisse. Questo procedimento di normalizzazionedellefrequenzeo dei tempi(ed eventualmentedelleampiezze)verrusato
sistematicamentenelle pagine a seguire per comodit di rappresentazione.
Si pu facilmente ovviare al problema della riduzione delle ampiezze delle
righespettralidefinendo, per ciascuna delle frequenze armoniche kfo,una sorta
di"coefficientedi Fourier modificato":
00,

To/2

X(kfo)!1;,

Xk =

xp(t)

-To/2

(3.1.6)

e-j21d.fo'dt= Tsinc(kfoT)

cheevidentemente
una quantitche non tende a zero per To~

00.

La Figura

3.4rappresentaappunto l'andamento del modulo di X(kfo) nei casi considerati


in Figura 3.3. Intenzionalmente, stata abbandonata la rappresentazione "a
righe"dello spettro di ampiezze per passare a una rappresentazione "per punti"
che evidenzia solo il valore dello spettro in corrispondenza della frequenza
armonicagenerica, e mette ancora meglio in evidenza l'infittimento delle
armoniche.
Riscriviamo dunque l'espansione in serie di Fourier di x/t)
coefficientemodificato (3.1.6):

usando il

----

,.

54

Capitolo 3

Xp(t) = LX(kh)
k=-oo

(3.1.7)

ej21!kfol. io

1.2
TofT=4
1.0
0.8
0.6

-0.2
-4

-3

Frequenza normalizzata,

fT

Figura 3.3 Spettro di ampiezza del segnale periodico x p (t)


Possiamo adesso effettuare il passaggio cruciale al limite per Tu ~

00

(ovvero

per io ~ O). Il segnale periodico x/t) a primo membro della (3.1.7) si


trasforma nel segnale aperiodico x(t); si nota inoltre che la serie a secondo
membro esattamente una somma di valori di una funzione valutata sui punti
discretiequispaziati kh (e cio X(kfo)ej2I!kfol),
moltiplicati per il valore della
distanza io tra due punti consecutivi, distanza tendente a zero quando 'lo~ 00.
Al limite, la somma (per definizione!) si trasforma in un integrale, e si ottiene
un6 sviluppo del segnale aperiodico x(t) come segue:

x(t)

(3.1.8)

= JX(J)ej21iftdf

Il segnale aperiodico dunque rappresentabile attraverso il cosiddetto integrale


di Fourier. Resta da determinare l'espressione della funzione X(f) che compare
nell'integrando della (3.1.8). Innanzitutto, chiaro che tale quantit risulta una
funzione complessa della variabile continua f, che mantiene il significato di
frequenza. L'espressione di X(!) si ottiene passando al limite per Tu~
nella
espressione (3.1.6) del coefficiente di Fourier modificato:
00

Segnali aperiodici a tempo continuo

To/2

X(j)

= Tu-+00
lim

55

J x I,(t)

(3.1.9)

J x(t) e-j21if/dt

e-j2rrk!01 dt =

h~O-~P

cherappresenta la trasformata continua di Fourier del segnale x(t). In maniera


euristica,possiamo dire che la variabile continua f , in un certo senso, il limite
dellavariabile discreta kfodi partenza, quando .io ~ O. La Figura 3.5, che rappresenta l'ampiezza della X(f) risultante per il treno di impulsi rettangolari,
permettedi visualizzare il passaggio al limite tra il coefficiente di Fourier modificato X(kfo) di Figura 3.4, ancora funzione di variabile discreta, e la trasformatadi Fourier X(f), funzione, al contrario, di una variabile continua.
1.2
1.0
0.8

'"O

0.6

'.'

TJT=16

X
0.41
@

0.2

~2

Frequenza normalizzata,

fT

Figura 3.4 Andamento del modulo del coefficiente di Fourier modificato X(kf.)

Commentiamo il risultato ottenuto. Nella serie di Fourier per un segnale periodico, quest'ultimo viene rappresentato mediante componenti sinusoidali a
frequenzein relazione armonica, cio tutte multiple di un'unica fondamentale, e
di ampiezzafinita. Nel caso del segnale aperiodico, la (3.1.8), detta anche antitrasformatadi Fourier (o trasformata inversa di Fourier), permette ancora di
rappresentareil segnale aperiodico x(t) come la sovrapposizione di componenti
sinusoidali,ma stavolta di ampiezza infinitesima X(J) df e di frequenza f variabilecon continuit su tutto l'asse reale. In altre parole, il segnale aperiodico
visto come_un_segnaleperiodico "di peri.2.QQ.
illimiiato~e_'l-uiJJdicon frequenza
fondamentale"infinitamente piccola". La .oJjedjsreJa di armoniche della serie

..

56

Capitolo 3

degenera quindi nell'insieme continuo di componenti proprio dell'integrale di


Fourier (antitrasformata).
1.2
1.0
0.8

-'+I::::

0.6

0.4
0.2
0.0
-0.2
-4

-2

-3

-1

Frequenza

normalizzata, fT

Figura 3.5 Ampiezza della Trasfonnata di Fourier dell'impulso rettangolare

Riportiamo di nuovo le due equazioni relative alla rappresentazione del


segnale aperiodico:

x(t) =

JX(J)

ej21[{r

dI

X(J)=

Jx(t)e-j21[{rdt

(3.1.10)

La prima delle due rappresenta evidentemente un'equazione di sintesi che


permette di rappresentare il segnale come sovrapposizione di segnali elementari,
ed chiaramente analoga alla (2.2.9) per i segnali periodici; la seconda
un'equazione di analisi (analoga alla (2.2.15)) che permette di determinare il
peso che le varie componenti frequenziali (a tutte le possibili frequenze variabili
con continuit da -00 a -too) hanno nella composizione di x(t). Tali relazioni
mettono in corrispondenza un segnale del tempo con la propria trasformata di
Fourier, funzione a valori complessi della frequenza. Come d'uso anche con i
coefficienti di Fourier, le relazioni (3.1.10) vengono riassunte con la notazione

x(t)

<=>

X(J)

(3.1.11)

Segnali aperiodici a tempo continuo

57

Un modo alternativo di indiare sinteticamente le operazioni di trasformata e


antitrasformata quello mutuato dalla notazione degli operatori caratteristica
dell'analisifunzionale:
X(f)=.r[x(t)]

, x(t)=.r-1[X(f)]

(3.1.12)

In analogia a quanto visto per i coefficienti di Fourier Xk' si soliti estrarre


dalla funzione complessa X(I) le funzioni reali modulo A f e fase 1')(1)
secondo la relazione
X(J)= A(I)eNU)

(3.1.13)

La funzione A(I) rappresenta lo spettro di ampiezza del segnale, la funzione


1J(J)il suo spettrQdi fase. Naturalmente, i due spettri forniscono informazioni
sull'ampiezzae sulla fase delle componenti frequenziali alla generica frequenza
f incui il segnale viene scomposto dal!' operazione di trasformata.
Per completezza, osserviamo che d'uso talvolta esprimere la trasformata
continuadi Fourier in funzione della pulsazione OJ= 21if (misurata in rad/s) anzichin funzione della frequenza (in Hz). Dalle (3.1.8)-(3.1.9), con un cambiamentodi variabile, si possono ricavare le equivalenti relazioni
(3.1.14)
che tuttavia non verranno pi prese in considerazione in questo testo.
Esempio 3.1

Consideriamoil segnale impulso rettangolare x(t)


trasformata di Fourier x(I).
~

T/2

-j2rift

T/2

X(J)=Jx(t)e-j2riftdt=
J e-j2rftdt=~
=Tsinc(jT)

=rect(t/T)

e calcoliamone la

Questa data da

-T/2

]21if

-T/2

. ('1rfT )

=~..

1if

(E3.1.l)

Gli spettri di ampiezza e di fase del segnale x(t) sono rappresentati nella
Figura3.6. Lo spettro di ampiezza presenta infiniti nulli per tutte le frequenze
multiple intere dell' inverso della durata dell'impulso (esclusa ovviamente
f =O).Il risultato trovato si pu dunque riassumere come segue:

L..

58

Capitolo 3

(E3.1.2)

rect(t / T) <=>Tsinc(fT)
1.2
1.0
0.8

-X
t:

0.6
0.4
0.2
0.0
-0.2
-4

-3

-2

-1

Frequenza normalizzata, fT
I

(a)
I

4
1t

al

-l

::t::..

X
"J

-2
-1t
-4 -

-4

-3

-2

-1

Frequenza normalizzata, fT

(b)

Figura 3.6 Spettro di ampiezza (a) e di fase (b) dell'impulso rettangolare di ampiezza unitaria

Una verifica sulla correttezza di una coppia segnale<=>trasformata pu essere


effettuata osservando che dalla equazione di analisi (3.1.9) con f = O si ha:

Segnali aperiodici a tempo continuo

59

(E3.1.3)

X(O)=f x(t) dt

cioil valore dell'integrale su tutto l'asse reale di un segnale pari al valore per
f

=Odella sua trasformata. Nel nostro caso abbiamo infatti


X(O) = Tsinc(O)

(E3.1.4)

=T
Tf2

f rect(t / T) dt =

f 1 dt = T
-Tf2

(E3.1.5)

checonfermanola correttezza della (E3.1.l). Naturalmente, la trasformata X(f)


(E3.1.1) appena ricavata esattamente uguale al risultato che si ottiene
calcolandoil limite del coefficiente di Fourier modificato (3.1.6) del treno di
impulsirettangolari per To--7 00, cio io --7O,e kfo--7i.

Esempio 3.2
Nella teoria dei segnali e dei sistemi utile definire la funzione gradino unitario

u(t)=

t>O

1/2
{ O

t=O
t<O

(E3.2.1)

Tale funzione, discontinua

nell'origine,

utile per rappresentare

in modo

conciso i segnali cosiddetti causati o cisoidati, cio nulli pert < O. Un esponente

di questa classe il segnale esponenziale unilatero x(t) = e-1fTu(t) mostrato in


Figura3.7, la cui trasformata di Fourier X(f) pari a
~

X(J)= fx(t)e-j2/ifidt=
e-I(lfT+j2/if)

=-

1/ T + j21if

fe-I'Tu(t)e-j2/ifldt=

1=1

1=0

-f

o e-I(lfT+j2/if)dt

(E3.2.2)

= 1+ j21ifT

Allora gli spettri di ampiezza e di fase del segnale x( t) sono dati da

T
A(J) = ~l + (21ifT)2

e(J) = -

arctg(21ifT)

I I

lI

u(t) (detta anche funzione di Heavyside), come segue:

(E3.2.3)

60

Capitolo 3

e sono rappresentati in Figura 3.8. Contrariamente alla Figura 3.6, lo spettro di


fase stato rappresentato in gradi anzich radianti, come d'uso nella pratica.
1.25

1.00
0.75

....

0.50

0.25

0.00

-0.25
-2

-1

Tempo normalizzato, t!T


Figura 3.7 Segnale esponenziale unilatero

3.2 Propriet della trasformata

o
di Fourier

3.2.1 Criteri di esistenza


Indichiamo adesso delle condizioni sufficienti per la rappresentazione del segnale x(t) attraverso la propria trasformata di Fourier X(J), nel senso gi discusso riguardo la serie di Fourier. Se tali condizioni sono soddisfatte possibile
afferm~e che la conoscenza dell'andamento nel tempo del segnale x(t) equivalente alla conoscenza dell'andamento frequenziale della relativa trasformata di
Fourier.
Una prima condizione sufficiente afferma che se il segnale x(t) ha energia
finita:
~

Ex = Jlx(t)12dt <+00

(3.2.1)

allora la trasformata X(J) esiste, nel senso che l'integrale nella (3.1.9) convergente, e la rappresentazione del segnale come integrale di Fourier (antitrasformata) coincide quasi ovunque col segnale originario x(t).

Segnali aperiodici a tempo continuo

61

1.25
1.00
0.75

-!;
-

0.50
0.25
0.00
-0.25
-5

-4

-3

.2

-1

Frequenza

normalizza{a,

21tfT

(a)

180
135

-'5

-X

<tS
...

O>

'\J

90

45
O
-45
-90
-135
-180
-5

-4

-3

-2

Frequenza

-1

normalizzata,

21tfT

5
(b)

Fjgura 3.8 Spettro di ampiezza (a) e fase (b) del segnale esponenziale unilatero

Un secondo criterio sufficiente meno restrittivo (criterio di Dirichlet) pu essere


enunciato come segue (si confronti con il criterio per la serie di Fourier nel
Paragrafo 2.3):

. se il segnale x(t) assolutamente sommabile, ovvero

f:

Ix(t) Idt < -too ;

. se in qualunque intervallo finito ti ~ t.~ t2 il segnale x(t) ha un numero finito


di discontinuitdi prima specie;

62

Capitolo 3

se in qualunque intervallo finito t] ~ t ~ t2 il segnale x(t) ha un numerofinito


di massimi e minimi;
allora il segnale rappresentabile come integrale di Fourier (cio antitrasformata della sua propria trasformata di Fourier X(J secondo le (3.1.10),e
nei punti di discontinuit l'integrale di Fourier converge alla semisomma dei
limiti destro e sinistro del segnale.

3.2.2 Simmetrie degli spettri


La funzione complessa X(J) pu essere rappresentata in forma polare (3.1.13)o
in forma rettangolare:
X(J) = R(J) + jf(J)

(3.2.2)

ove R(J) e f(J) ne rappresentano rispettivamente la parte reale.e la parte


immaginaria. Cerchiamo ora di stabilire in che modo le propriet della funzione
x(t) si riflettano nella sua trasformata.
Supponiamo che x(t) sia una funzione reale; in tal caso le funzioni R(J) e
f(J) si ricavano immediatamente dalla (3.1.9):
~

R(J)

= f x( t) cos( 21ift )dt

(3.2.3)

f(J)

=-

f x(t)

sin(21ift)dt

(3.2.4)

Da quest; espressioni si vede chiaramente che

R(J) = R(-f)

(3.2.5)

f(J) = -f( - f)

(3.2.6)

ovvero la parte reale della trasformata di un segnale reale una funzione pari
della frequenza, mentre la parte immaginaria ne una funzione dispari. Queste
simmetrie si possono riassumere scrivendo
X(J) = X*(- f)

(3.2.7)

secondo cuipa trasformata di un segnale reale gode della propriet di simmetria


Hermltiana Jo coniugata). La medesima propriet si riflette ovviamente ancb
r nelle funzioni A(J) e 1J(J):
.

Segnali aperiodici a tempo continuo

63

A(j) = A(-f)

(3.2.8)

1J(j)= -6(- f)

(3.2.9)

per cui lo spettro di ampiezza di un segnale reale una funzione pari, mentre il
suospettrodi fase dispari (si rivedano a questo proposito le Figure 3.6 e 3.8).
3.2.3 Segnali pari e dispari
Supponiamoadesso che x(t) sia un segnale reale e pari. Le (3.2.3)-(3.2.4) si
semplificanocome segue
(3.2.10)

R(J)= 2 x(t)COS(2*);

f(j) = O

(3.2.11)

poich la funzione integranda della (3.2.3) pari, mentre quella della (3.2.4)
dispari.Ci dimostra che la trasformata di un segnale reale e pari una funzione
realee pari della frequenza. Se invece x(t) reale e dispari, le (3.2.3)-(3.2.4)
diventano
(3.2.12)
~

(3.2.13)

f(j) = -2 x(t) sin(2Jift)dt


o

poichstavolta la funzione integranda della (3.2.3) dispari, mentre quella della


(3.2.4) pari. Perci, la trasformata di un segnale reale e dispari una f~nzione
pura e dispari.
!!!!!!:!aginaria

\, 3.3 Teoremi sulla trasformata

di Fourier

Dalla definizione di trasformata, seguono facilmente alcune ulteriori propriet,


che chiameremo teoremi, estremamente utili nel calcolo delle trasformate dei
segnali e comunque nell.'uso dell'analisi di Fourier in problemi di carattere
applicativo.
3.3.1 Teorema di linearit
Pu essere conveniente in molti casi esprimere un segnale x(t) come combinazionelineare di due segnali XI(t) e X2(t):

64

Capitolo 3

I x(t)~a:l(t)+bX2(t))

(3.3.1)
co; a e b costanti. Indicando come di consueto con XI(J) e X2(J) le trasformate rispettivamente dei segnali XI(t) e X2(t), la trasformata X(J) di x(t) allora
(

X(J)

(3.3.2)

= a XI (J) ~ b X2U)J

Infatti, applicando la definizione di trasformata (3.1.9) abbiamo


~

X(J)

= f x(t)

e-j211jt dt

= Ha xl(t) + b X2(t)] e-j211jtdt

(3.3.3)

e sfruttando la linearit dell'integrale otteniamo


~

X(J)

= a f xl(t)

e-j211jtdt+ b

f x2(t)

e-j211jtdt = a XI (J) + b X2(J)

(3.3.4)

3.3.2 Teorema di dualit


La similitudine tra le relazioni (3.1.10) di trasformata e antitrasformata

intese

come "operatori" sulle funzioni rispettivamente x(t) e X(J) permette di risolvere una questione: se X(J) indica la trasformata del segnale x(t), qual la trasformata del segnale temporale X(t), avente cio lo stesso andamento temporale
originariamente posseduto nell' ambito frequenziale dalla trasformata di X(l)?
La risposta la seguente: se

(3.3.5)

~~X(JD
allora

(3.3.6)
Infatti, sappiamo che il segnale x(t) legato alla sua trasformata dalla relazione
~

(3.3.7)

x(t) = X(J) ej211jtdJ


Scambiando formalmente le variabili

t ed

J nella (3.3.7) si ricava

x(J)

= f X(t)

ej2Trt/

dt

(3.3.8)

Segnali aperiodici a tempo continuo

65

Se poi in questa relazione si effettua un cambiamento di variabile sostituendo


allavariabile f la variabile - f, si ottiene
~

x(-f)

(3.3.9)

= JX(t)e-j21ifldt

che coincide con la (3.3.6).


Esempio 3.3

Consideriamoil segoale x(t)


rec{~)<=> T sinc(jT)

sinc(B(ffiPiO

3.1 sappiamo che


(E3.3.I)

Utilizzando la propriet di dualit allora possibile scrivere:

Tsinc(T t) <=>rec{

- ~)

(E3.3.2)

Poich l'impulso rettangolare una funzione pari, ponendo formalmente


B =!5Si

trova la seguente relazione, duale della (E3.1.I):

--

sinc( B t) <=>! rect

'/

(B )

J'T]

-J

(E3.3.3)
O

3.3.3 Teorema del ritardo


Come viene modificata la trasformata di un segnale se questo viene traslato
sull'assedei tempi (cio, anticipato o ritardato)? Sia dunque X(J) la trasformata
del segnale x(t); allora la trasformata del segnale traslato verso destra della
quantitto
(3.3.10)

Questa operazione corrisponde evidentemente a un ritardo se to> O, e a un


anticipose to< O. Applicando la definizione di trasformata si ha
~

x(t-to)<=> J x(t-to)e-j21iftdt

(3.3.11)

Il

66

Capitolo 3

Se nell'integrale che figura nella relazione precedente si effettua il cambiamento


di variabile a = t - to si ricava
~

x(t

to)

<=>

f x( a)

e-j21if(a+to )da

= e-j21ifto

f x( a)

e-j21ifada

(3.3.12)

dalla quale segue immediatamente la (3.3.10).


Questa propriet mostra che un ritardo temporale modifica lo spettro di fase
della trasformata del segnale ma non cambia il suo spettro di ampiezza. Infatti,
se si indica con f(J) la trasformata di Fourier del segnale x(t - to)' il teoreIlta
del ritardo si traduce nelle seguenti relazioni:
/
(3.3.13)

If(J)1 = IX(J)I
Lf(J)

= LX(J) -

(3.3.14)

27ifto

la seconda delle quali sottolinea che lo sfasamento introdotto dal ritardo to varia
linearmente con la frequenza.

Esempio 3.4
Consideriamo l'impulso rettangolare dell'\ Esempio 3.1 ritardato di met della
sua durata (Figura 3.9):

x(t)

(E3.4.1)

= rec{t -;/2)

e calcoliamo la sua trasformata continua.

x(t)

.A
+
T/2 T

Figura 3.9 Impulso rettangolare ritardato

Utilizzando la (E3.LI) e il teorema del ritardo (3.3.10) si ricava che

.J

Segnali aperiodici

X(J)!T

a tempo continuo

67

(E3.4.2)

sinc(jT) e-j21C/T/2
= AT sinc(jT) e-jlrjT

Lo spettro di ampiezza del segnale ancora quello rappresentato in Figura 3.5,


mentre il nuovo spettro di fase rappresentato in Figura 3.10. Si noti che lo
spettrodi fase viene rappresentato riducendo il valore della fase tra -re e re,cio
se ne considerail valore modulo-2re.
180
135

-'5
--

90
45

(\j
....

C>

X
"J

o
-45
-90
-135
-180
-5

-4

-2

-3

-1

Frequenza normalizzata, fT
"O

Figura 3.10 Spettro di fase dell'impulso rettangolare ritardato

Esempio3.5
Consideriamo il segnale esponenziale unilatero dell'Esempio 3.2 ritardato di
to = T/l 6 secondi:

(E3.5.1)

e ca1coliamonela trasformata continua X(f). Il segnale x(t) rappresentato a


tratto spesso in Figura 3.11, insieme al segnale esponenziale non ritardato,
mostrato a linea tratteggiata. Utilizzando la (E3.2.2) e il teorema del ritardo
(3.3.10)si ricava:

X(J) =

T
1 +j2rcjT

e-j2rrfto

l + j2rcjT

e-jTrjT/8

(E3.5.2)

W-.-

I
68

Capitolo 3

1.25

1.00
0.75

-X

0.50

0.25

0.00

to=T/16
-0.25

-0.4

0.0

0.4

0.8

1.2

1.6

2.0

2.4

Tempo normalizzato, t/T


Figura 3.11 Segnale esponenziale ritardato di to=T/16
...

III

Lo spettro di ampiezza del segnale ancora quello rappresentato in Figura 3.8a.


Lo spettro di fase invece rappresentato in Figura 3.12 (a tratto spesso) ed
espresso da
fJ(J) = - arctg(21ifT) -1ifT /8

(E3.5.3)

Nella stessa figura sono anche illustrati gli andamenti dei due adendi a secondo
membro della (E3.5.3).
D
. 3.3.4 Teorema del cambiamento di scala
Per illustrare il significato di questo teorema facciamo riferimento come caso di
studio all'impulso rettangolare x(t) di durata T (3.1.1), avente come trasformata
X(!) = Tsinc(fF), e a un impulso rettangolare y(t) di durata doppia:

y(t)

= rec{;T ) ~ 2Tsinc(2fF)

(3.3.15)

Possiamo considerare y(t) come una versione "rallentata" di x(t), perch la


forma del segnale rimastainalterata,ma la sua durata raddoppiata. Dalla
(3.3.15) si nota che y(t) ha ancora una trasformata del tipo sinc(.). il cui lobo
principaleperha unalarghezza(danulloa nullo)pari a 1fT, cioparialla met
della larghezza 2/T del lobo principale della trasformata di x(t).

...

Segnali aperiodici a tempo continuo

69

180
135
90

..-.
'6

45

-9

X
"J

-45

..-.

'"

-90
-135

-4

-3

-2

-1

Frequenza normalizzata, fT
Figura 3.12 Spettro di fase dell'esponenziale unilatero ritardato di T/16
"-

Questocaso particolareesemplificala situazionegeneralein cui i due segnali


sono legati dalla relazione
y( t )

(3.3.16)

x( at )

cio si effettua un cambiamento della scala temporale. Moltiplicando la variabile indipendente t del segnale x(t) per il coefficiente a si producono i seguenti
effetti:
~
~

lal>1
lal<1
a<O

compressione della scala dei tempi


dilatazione della scala dei tempi
inversione della scala dei tempi

In altri termini, se lal < I l'evoluzione del segnale viene "rallentata", viceversa
se lal > l il segnale viene "accelerato". Operazioni di questo tipo vengono
effettuate correntemente nell'elaborazione dei segnali registrando il segnale su
nastro o su disco a una certa velocit e riproducendolo a velocit diversa.
Supponiamo per semplicit che sia a > O e calcoliamo la trasformata del segnale
x(at). Possiamo scrivere:
~

x(at)

:>

x(at)

e-j21r/'dt

(3.3.17)

70

Capitolo 3

Effettuando la sostituzione z = a t a secondomembrosi ha

1
x(at) <=>-

.
1
J x(z) e-J21if</a
dz = -x
~

a-

I
a

(),
-

a> O

(f.3.18)

Se invece a < O allora la (3.3.18) si modifica nella


(3.3.19)
I risultati (3.3.18)-(3.3.19) possono allora essere riassunti da
(3.3.20)

rat)~

,~x(f~

Si nota che una dilatazione dell'asse dei tempi compnr.ta,,!oa-c:ompressionedell'asse delle frequenze, e viceversa. Se infatti il segnale vie~"i.-allentato"
ven-.
gono a predominare le componenti frequenziali a bassa frequenza che sono responsabili per cos dire dell' evoluzione lenta del segnale; lo spettro allora si
"addensa" nell'intorno della frequenza nulla.
Esempio

3.6

Consideriamo i seguenti due segnali (Figura 3.13):

= sinc( ~ )

x(t)

(E3.6.1)

(E3.6.2)
Se si osserva che

= x(at)

y(t)

con a

= 1/2,

f(f)

(E3.6.3)

applicando il teorema del cambiamento di scala si ricava:

= 2 X(2j) =2Trect(2jT)

(E3.6.4)

L'andamento dei segnali x(t) e y(t) e delle loro trasformate X(f) e f(f)
illustrato nella Figura 3.13, che evidenzia molto bene il comportamento "duale"
nei domini tempo e frequenza: al segnale pi "veloce" x(t) (compresso nel

...

Segnali aperiodici a tempo continuo'

71

tempo) corrisponde una trasformata X(J) contenente componenti a pi alte


frequenze(espansa in frequenza).
1.5

1.0
x(l)

o
Q.

Q)

I-

0.5

(ij

c:::

O>
Q)
Cf)

0.0

-0.5
-5

-4

-3

-2

-1

Tempo normalizzato, t/T

(a)

2.5

....
Q)
.L:
::J
o
u..
'5
Q)

-1

2.0

Y(f)=X(f/a)/1 a I

la=1/21

1.5
X(f)

1.0

....

-oCI)

0.5

1
....

t:

0.0

-0.5
-1.5

-1.0

-0.5

Frequenza

0.0

0.5

1.0

normalizzata, fT

Figura 3.13 Andamento temporale (a) e spettro (b) dei segnali dell'Esempio 3.6

1.5

(b)

Esempio 3.7

Calcoliamo la trasformata di Fourier Y(J) del segnale esponenziale bilatero


rappresentatoin Figura 3.14a:

72

Capitolo 3

y(t) = e-111fT

(E3.7.1)

1.25

1.00
0.75

-->-

0.50

0.25
0.00
-0.25
-5

-4

-3

Tempo normalizzato, VI

(a)

2~

2.00
1.50

I:::

1.00

):'

. 0.50
0.00
-0.50
-3.0

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

Frequenza normalizzata,

1.5

2.0

2.5

3.0

fT

(b)

Figura 3.14 Andamento temporale (a) e spettro (b) del segnale esponenziale bilatero

Il segnale y(t) pu essere espresso in funzione del segnale esponenziale unilatero x(t) =e-1fTu(t) dell'Esempio 3.2 come
y(t) = x(t) + x(-t)

(E3.7.2)

.....

Segnali aperiodici a tempo continuo

73

Utilizzandoil teorema del cambiamento di scala con a = -1, dalla (E3.7.2)si


ncava:

f(J) = X(J) + X(-i)

(E3.7.3)

Sostituendol'espressione di XJf}data dalla (E3.7.2) si trova infine l'espressionedi f(J):


(
f

T
+
T
2T
(J) - 1+ j2rcjT 1- j2rcjT - 1+ (2rcjT)2

(E3.7.4)

rappresentata in Figura 3.l4b.


3.3.5 Teorema della modulazione

Enunciamo ora formalmente il cosiddetto teorema della modulazione prima di


descriveme una applicazione importante. Se, come di consueto, x(t) <=>X(f),
allora

(3.3.21)

x(t )cos( 2rcfot) <=>X(J - io) + x(J + io)


Cerchiamo infatti la trasformata del segnale a primo membro:

.'f[x(t)cos(2rcfot)]

= J x(t)cos(2rcfot)

e-j2;rjidt

(3.3.22)

Ricordando che

(3.3.23)

cos( 2rcfot ) = ej2trfol + e - j2trfol

SIncava

= ~ Ix(t)

e-j211(J-!o)1 dt + ~

r
I
I

j x(t)

e-j21C(j+!o)1

d~

(3.3.24)

Rivolgiamoora la nostra attenzione al primo integrale della (3.3.24); immediatorendersi conto che

74

Capitolo 3

J x(t) e-j2n(J-fo)t dt

= X(J - fu)

(3.3:25)

Una prima conclusione che possiamo trarre la seguente: se un segnale viene


moltiplicato per un fattore esponenziale complesso ej21ifot,
la sua trasformata di/
Fourier viene traslata attorno alla frequenza io. Questorisultatorappresenta(ra
cosiddetta propriet di traslazione in frequenza della trasformata e pu essere
riassunto come segue:
(3.3.26)
Allora la trasformata cercata del segnale modulato x(t) cos(2J%t) pu essere
espressa come
j"[x(t)cos(2J%t)]

= X(J - fu) + X(J + fu)

(3.3.27)

Esaminiamo ora una applicazione pratica di questo risultato.


Esempio 3.8
noto che gli oggetti metallici riflettono le onde elettromagnetiche, e che questa
propriet dei corpi conduttori si accentua al crescere della frequenza della radiazione incidente. Su questo fenomeno sono basati i sistemi radar1 di rivelazione e
misura della distanza di oggetti metallici (tipicamente aerei o navi). Lo schema
di principio di un radar rappresentato in Figura 3.15: l;antenna trasmittente
emette un impulso radio x(t) e si dispone a ricevere poi un segnale y(t) di eco
riemesso dal bersaglio per semplice riflessione. L'eventuale ricezione di un' eco
permette di rivelare la presenza del "bersaglio radar", cio di un oggetto metallico di grosse dimensioni.
Attraverso la misura del ritardo dell'eco rispetto all'istante di trasmissione
dell' impulso possibile inoltre calcolare la distanza dell' oggetto riflettente dal
trasmettitore. I segnali trasmesso e ricevuto sono schematizzati in Figura 3.16.
Se indichiamo con 1: il ritardo di ricezione dell' eco radar e d la distanza che
separa il radar dall'oggetto individuato, possiamo scrivere
d=c1:/2

(E3.8.1)

1 Radar l'acronimo di RAdio Detection And Ranging, letteralmente: rivelazione e misura della
distanza tramite onde radio.

Segnali aperiodici

a tempo continuo

75

ove c la velocit di propagazione dell'onda elettromagnetica (c = 3.108 rnIs).


11fattore 1/2 che compare nella relazione (E3.8.1) deriva dal fatto che l'impulso
percorreduevoltela distanza d antenna-bersaglio.

.\
Impulso
trasmesso
Eco
radar "')

~
'

Antenna
rotante

. , \. \.
.

~,~
I

\\ f
.
.

,~ ,
\t~~~~""

r
,

Figura 3.15 Sistema radar

't

..I1
I
I

x(t)

01

I
T

1
I
I
1
I
I
I

't

HT

y(t)
t

Figura 3.16 Segnale trasmesso ed eco radar

11valore tipico della durata T dell'impulso trasmesso x(t) pari all'incirca a l


Ils. Viene utilizzato un valore cos piccolo per evitare che, usando impulsi di
duratamaggiore, l'eco possa sovrapporsi all'impulso trasmesso. Lo spettro di

76

Capitolo 3

ampiezza del segnale trasmesso allora


IXer)1= T Isinc(jT)1

(E3.8.2)

Se si osserva l'andamento della funzione IX(J)I riportato in Figura 3.5, si pu


notare che la parte pi significativa dello spettro dell'impulso rettangolare
contenuta entro un intervallo frequenziale che si estende dalla frequenza zero
fino a ~ = l/T che rappresenta il primo nullo della funzione sinc(} Con il valore di T = 1 j..ls,possiamo affermare dunque che le componenti frequenziali significative nello spettro del segnale sono limitate a valori dell'ordine di 1 MHz.
Sfortunatamente, tali valori di frequenza sono troppo bassi per provocare una riflessione adeguata del segnale radio, e non garantiscono quindi una rilevazione
efficace dell'eco radar. Diventa necessario trasmettere un segnale che presenti
contemporaneamente durata limitata per quanto gi visto, ma la cui parte significativa dello spettro si trovi afrequenze molto pi elevate, in pratica dell'ordine
di lo = 1GHz = 109Hz, per dar luogo a una buona riflessione e quindi a una
buona eco. Ci che viene trasmesso dal radar allora un impulso a radiofrequenza

x(t)

= rec{~ )cOS(21%t)

(E3.8.3)

il cui andamento rappresentato in Figura 3.17. Il segnale risultante uno


"spezzone" di durata T dell'oscillazione cosiddetta portante alla frequenza lo.
Nella Figura 3.17, la frequenza portante pari a sole lO volte l'inverso della durata dell'impulso. In realt, se T = 1 j..lsed io = 1 GHz, l'impulso trasmesso risulta formato da un migliaio di cicli dell' oscillazione portante. Lo spettro dell'impulso a radiofrequenza immediatamente calcolabile mediante il teorema
della modulazione:

rec{ ~ ) cos(27ifot) <=>T sinc[ (J - fo)T] +2 T sinc[ (J + io)T]

(E3.8.4)

che viene rappresentato, ancora nel caso semplificato io = IO/T, in Figura3.18.


Si ottiene uno spettro sostanzialmente concentrato attorno alla frequenza lo,
mantenendo un segnale di tipo impulsivo con durata-ancora pari a T. Nel caso
reale in cui io = 1 GHz, le due repliche dello spettro originario create dalla modulazione sono molto pi "distanziate" sull'asse frequenziale nei confronti della
larghezza dei lobi delle funzioni sinc(.) di quanto la Figura 3.18 non mostri.

Segnali aperiodici a tempo continuo

1.5

0.5

0.0

~
....

-0.5

~
-

1.0 f-

-~o

C\I
(j)

fo=10rr

I-

I-

-1.0

-1.5
-2.5

77

-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

2.5

Tempo normalizzato, t!T


Figura 3.17 Impulso a radiofrequenza

0.75

~
.....
XO

fo=1orr

0.50

-(\3
N
.!:1
(ij
E
....

0.25

O
c:

==
Q)
Cl.

0.00

rn

-0.25
-20

-10

10

20

Frequenza normalizzata, fT
Figura 3.18 Spettro dell'impulso a radiofrequenza

3.3.6 Teoremi di derivazione e integrazione


Nellaelaborazione dei segnali a tempo continuo, si effettuano spesso operazioni

78

Capitolo 3

di derivazione e/o integrazione temporale dei segnali stessi. Sorge quindi la


necessit di determinare le trasformate dei nuovi segnali ottenuti con tali
operazlO111.

Consideriamo dunque come di consueto un segnale x(t) con trasformata


X(J). Questi pu essere espresso come integrale di Fourier:
~

(3.3.28)

x(t) = J X(J) ej2J!fldf

Se inoltre il segnale derivabile,

-j

dx(t) =!!:.- X(J)

dt

dt

ej2J!f1

df

(3.3.29)

Procediamo nel calcolo del secondo membro della (3.3.29) invertendo le


operazioni di derivazione e di integrazione:
(3.3.30)
Nell'ultimo passaggio della (3.3.30) stato sfruttato il fatto che l'esponenziale
l'unica funzione che dipende da t. Calcolando quindi la derivata si ottiene
dx(t) =
dt

-J
~

X(J)(j21if)

ej2J!f1
df

(3.3.31)

Ponendof(J) = (j21if)X(J) nella (3.3.31) si ha infine


dx(t)
dt

-J
~

f(J)

ej2J!fldf

(3.3.32)

e quindi (si confronti con la (3.3.28)) possiamo affermare che f(J) la


trasformata della funzione dx(t)/dt. Concludiamo allora con la seguente
relazione di corrispondenza che prende il nome di teorema di derivazione
dx(t) ~ j21if. X(J)
dt

(3.3.33)

L'operazione di derivata temporale di un segnale si traduce, nel dominio della


frequenza, in una semplice operazione algebrica, e cio in una alterazione di
tutte le componenti frequenziali secondo un fattore j21if proporzionale al valore

Segnali aperiodici a tempo continuo

79

dellafrequenza stessa. Olt~ea uno sfasamento di In / 2 (a seconda del segno di


f), l'operazione di derivata comporta in particolare una esaltazione delle
c~iitpbnenti alle alte freq~~nz::. Q""uest~ fenomeno eVi nte dalla Figura 3:"19,'""
.

che mostra la derivata

y(t) del segnale

x(t)

= exp(-

t l/T)

(esponenziale

bilatero),lo spettro di tale segnale, e lo spettro di ampi za I Y(f) I del segnale


derivato dx(t)/ dt

Risolviamoadesso il problema inverso; indichiamo con y(t) lafunzione integrale(o segnale integrale, o primitiva) di x(t), definita come segue:
I

y(t) =f x(a) da
Poichovviamente x(t)

(3.3.34)

=dy(t)/ dt, utilizzando il teorema di derivazione si ha

X(J) =j21if Y(J)

(3.3.35)

da cui si ricava

(3.3.36)
Il risultato noto come teorema di integrazione

e si riassume con

fx(a) da ~

(3.3.37)

~(J)
]21if

Ancorauna volta, una operazione di calcolo differenziale in ambito temporale si


traducein una semplice operazione algebrica (una divisione per il fattore j21if)
in ambito frequenziale. In questo caso, dualmente al teorema di derivazione,
.vengonoesaltate le componentl a bassa frequenza nello spettro del segnale, e
attenuatequelle alle alte frequenze.
Il teoremadi integrazione-- per valido
ben precisa: dal punto
- sotto un'ipotesi
-di vista puramente a1gebrico, la (3.3.36) equivalente alla (3.3.35) solo per

f * O. Quando f = O, affinch la (3.3.35) possa essere verificata, si deve avere


_X(O)= O, altrimenti l'uguaglianza
impossibile. La condizione X(O) = O

equivale ad affermare che il segnale x(t) "sottende area nulla". Abbiamo gi


vistoinfatti nell' Esempio 3.1 che
~

X(O)= x(t) dt

(3.3.38)

80

Capitolo 3

1.25
1.00
0.75

'5
:::
X
I-

"

>;

0.50
0.25

0.00
-0.25
-0.50
-0.75
.1.00
-1.25
.S

-4

-3

-2

-1

Tempo normalizzato, 1fT

(a)

3.S0
."

3.00
L

:.:

~
g

I:S0

i2"lflT

\ !
\A !

1.00

O.SO
0.00
-0.50
.3.0

-2.S -2.0

-1.S -1.0 -O.S 0.0

O.S

1.0

1.S

2.0

2.5

3.0

Frequenza normalizzata, fT

1.00

(b)

O.SO

):'

0.00

-O.SO

-1.00

-4

Frequenza normalizzata, fT

(c)

Figura 3.19 Derivata temporale (a) e trasformata (b) del segnale esponenziale bilatero;
trasformata della derivata dello stesso segnale (c)

Segnali aperiodici a tempo continuo

81

Alternativamente, la stessa condizione pu essere espressa dicendo che il


segnale y(t) deve tendere a un valore nullo quando t -7 00: y(-too)= O. Dalla
definizionedi funzione integrale (3.3.34) si vede infatti che
~

y(+oo)= J x(t) dt = X(O)

(3.3.39)

Unesempio di applicazione del teorema di integrazione illustrato nella Figura


3.20in cui il segnale integrato x(t) sottende area nullaYngono
mostrati il
segnaleintegrale y(t) (che ha valore all'infinito nullo); e le due trasformate
X(f) e Y(f).
L'ipotesi necessaria per l'applicabilit del teorema di integrazione deriva dal
fatto che se la funzione y(t) tendesse a un valore non nullo al tendere di t
all'infinito,essa non avrebbe energiafinita e in generale potrebbe non esistere la
suatrasformatadi Fourier. Dopo l'introduzione nel Paragrafo 3.4 delle funzioni
generalizzate, saremo in grado di ricavare una versione del teorema di
integrazionevalida incondizionatamente.
Esempio3.9
Vediamocome i teoremi di derivazione e integrazione risultino fondamentali
nell'applicazionedell'analisi di Fourier alla teoria dei circuiti lineari.
Consideriamo dunque il circuito elettrico di Figura 3.21 (squadra C-R).
Supponendo di conoscere la tensione in ingresso v;(t) ci proponiamo di
calcolare quella in uscita VI/(t). Stavolta, contrariamente a quanto visto nel
Paragrafo 2.1, non faremo nessuna ipotesi sulla periodicit del segnale
d'ingresso.Le due grandezze sono legate dalla semplice relazione
(E3.9.1)
dove vc(t) la tensione ai capi del condensatore C,

(E3.9.2)
La corrente di maglia i(t) inoltre legata alla tensione di uscita dalla relazione
i(t)= vl/(t)/R. Sostituendo quest'ultima e la (E3.9.2) nella (E3.9.1) si ricava
(E3.9.3)

82

Capitolo 3

1.5

1.5

1.0

1.0
0.5

Sx

C:
~
:;:;

0.0

0.5

-0.5

-1.5
-3

0.0

-1.0

,
~

~
Tempo

normalizzato,

~5

.2

-1

Tempo

t!T

normalizzato,

t!T

(b)

(a)
2.0
1.5
1.0
0.5
f-

0.0
..
-0.5
-1.0
.1.5
-2.0
.5

-4

-3

.2

-1

Frequenza

normalizzata,

fT

(c)

1.25
1.00
0.75

C:

0.50

>="
0.25
0.00
-0.25
-5

.4

-3

.2

-1

Frequenza

normalizzata,

fT

(d)

Figura 3.20 Applicazione del teorema di integrazione: segnale integrando (a), segnaleintegrale
(b), trasformata del segnale integrando (c) e trasformata del segnale integrale (d)

Segnali aperiodici a tempo continuo

+.

+
-

v.I (t)

Il

i(t)

83

---..

u(t)

Figura 3.21 Squadra C-R

dalla quale, per derivazione, si ottiene l'equazione differenziale che caratterizza


il comportamento del circuito in ambito temporale:
dvu(t) = dvi(t)
dt
dt

_!

vu(t)

(E3.9.4)

CR

Poichil sistema in esame lineare, possibile applicare il principio di sovrapposizione degli effetti; questo ci suggerisce di risolvere il circuito nel dominio
dellafrequenza pensando di scomporre il segnale come integrale di Fourier. In
pratica,questo significa cercare di ricavare la trasformata del segnale di uscita in
funzionedella trasformata del segnale d'ingresso.
Supponiamo allora di conoscere V;(J) e di voler determinare v,,(J). Nelle
equazioni da risolvere (E3.9.3) o (E3.9.4) compaiono proprio operazioni di
derivazione o di integrazione di una funzione. Riconsideriamo ad esempio
l'equazione (E3.9.3):

vu(t)= vi(t)- ~

vu~)

da ,

(E3.9.5)

e trasformiamo ambo i membri di questa equazione; sfruttando il teorema di


integrazionesi ricava:
l v,,(J)
v,;(J)= V;(J)- RC j21if

j2TCjRC V;(J)
v,,(J) = 1+ j2TCjRC

(E3.9.6)

Allo stesso risultato si perviene naturalmente applicando il teorema di


derivazione all'equazione differenziale (E3.9.4). Si noti che le trasformate dei
segnalidi ingresso/uscita V;(J) e v,,(J) sono legate da una semplice relazione

Il

84

Capitolo 3

algebrica e non da una relazione differenziale come le corrispondenti grandezze


nel dominio del tempo.
D

Esempio 3.10
Calcoliamo la trasformata continua di Fourier X(J) dell' impulso triangolare
x(t) di Figura 3.22. Troviamo allora la derivata prima s(t) = dx(t)/dt del
segnale dato (ancora rappresentata in Figura 3.22), e osserviamo che essa pu
essere espressa come segue:
A
A
t + T/2
t - T/2
s(t) = T rect
T
- T rect
T

(E3.10.1)

Utilizzando il teorema del ritardo e la trasformata notevole dell'impulso


rettangolare (Esempio 3.1) si calcola direttamente la trasformata S(J) di s(t):

S(J) = AT T sinc(jT).. ej2rrjT/2- AT T sinc(jT) e-j2rrjT/2


= 2j A sinc(jT) sen(1ifT)

(E3.10.2)
...f"'1 ~I
lJi\.(...i~

x(t)
s(t)

A
Aff

-T

-T
-Aff

Figura 3.22 Impulso triangolare x(t) e sua derivata s(t)

Osserviamo adesso che x(t) evidentemente il segnale integrale di s(t), e che


x(+00)= O; possibile allora utilizzare il teorema di integrazione e ricavare

S(J) - j 2A sinc(jT) sin(1ifT)= A T sinc2(jT)


."-L'

X(J) = j21if -

(E3.l0.3)

'''"''''I

Segnali aperiodici a tempo continuo

85

3.3.7 Teorema del prodotto


Consideriamo adesso due segnali x(t) e y(t) con le rispettive trasformate di
Fourier X(t) e f(J). Si vuole calcolare la trasformata del segnale prodotto
z(t) = x(t) y(t). Essa espressa da

-+-o

(3.3.40)

Z(t)= /=-00
Jz(t)e-j2~dt=1=Jx(t)y(t)e-j2~dt
Sostituendoa x(t) la sua espressione come integrale di Fourier si ricava

(3.3.41)
Poichnel passaggio precedente compaiono due operazioni di integrazione,
abbiamoesplicitamente indicato sugli estremi di ogni integrale la variabile di
integrazionecui ci si riferisce; inoltre, nell'espressione di x(t) come integrale di
Founer,si usata una variabile di integrazione "muta" v con un nome differente
da f per non creare conflitti con la variabile f di cui la trasformata Z(J) risulta
funzione.Se nella (3.3.41) si inverte l'ordine di integrazione, ammettendo che
questaoperazionesia lecita, si ricava
(3.3.42)
L'integrale entro parentesi quadra rappresenta

la trasformata di y(t) calcolata

perii valore della frequenza pari a (J - v); di conseguenza la (3.3.42) pu essere


riscrittacome
+00

Z(t)= V=J X(v) f(J

- v) dv = X(J) Y(J)
<8>

(3.3.43)

L'operazione indicata con il simbolo <8>prende il nome di integrale (o talvolta


impropriamenteprodotto) di convoluzione, o convoluzione tout-court. La convoluzione,introdotta qui in ambito frequenziale per il calcolo della trasformata del
prodottodi due segnali, ha un' importanza cardinale nella teoria dei sistemi linearistazionari, come vedremo pi avanti, nel Capitolo 4.
Dunque il risultato ottenuto pu essere riassunto come
x(t) y(t) <=> X(J)<8>
Y(J)

(3.3.44)

86

Capitolo 3

Si noti che scambiando formalmente il ruolo di x(t) e y(t), per la propriet


commutativa del prodotto, anche Z(f) non deve cambiare. Ne segue che
l'integrale di convoluzione gode anch'esso della propriet commutativa, nel
senso che
+00

X(J)@ Y(J) = J X(v) Y(J - v) dv


+00

(3.3.45)

J Y(v) X(J - v) dv = Y(f)@ X(f)

3.3.8 Teorema della convoluzione


Consideriamo ora il caso duale del precedente, ovvero un segnale z(t) dato dall'integrale di convoluzione in ambito temporale tra x( t) e y(t) :
~

z(t) = x(t) <8>y(t)

Jx(a) y(t - a) da = J y(a) x(t - a) da

(3.3.46)

e ca1coliamone la trasformata di Fourier. Procedendo come nel caso della


convoluzione in frequenza si ricava:
+00

Z(J)=

Jz(t)e-j21iftdt=

1=-00

Jx(a)y(t-a)dae-j21ifldt

= J x(a) J y(t-a)e-j21if(I-a+a)dt
1=-00
~

da

Jx(a) Jy(t-a)e-j21if(,-a)dte-j21ifada
~

J x(a) Y(J) e-j211jada= X(J) Y(J)

(3.3.47)

e quindi
x(t)@ y(t)

(3.3.48)

X(J) Y(J)

Lasciamo al lettore la verifica delle seguenti propriet di cui gode l'integrale di


convoluzione, che vanno ad aggiungersi alla propriet commutativa gi discussa
nell'ambito del teorema del prodotto:
propriet associativa:

[x(t)@ y(t)]

<8>

z(t)

= x(t)

<8>

[y(t)

<8>

z(t)]

(3.3.49)

,
.....

87

Segnali aperiodici a tempo continuo

. propriet distributiva rispetto alla somma:

z(t)@[x(t)+ y(t)] = z(t)<8>x(t)+ z(t) <8>y(t)

(3.3.50)

Primadi esaminare qualche esempio di applicazione dei teoremi del prodotto e


dellaconvoluzione, cerchiamo di discutere le operazioni che portano al calcolo
di un integrale di convoluzione. Supponiamo quindi che i segnali x(t) e y(t)
siano quelli di Figura 3.23, e cerchiamo di trovare il valore che assume
z(t) =x(t) @y(t) per un particolare valore del tempo, diciamo to'
x(t)

y(t)
1

-T

-T

Figura 3.23 Segnali di cui calcolare l'integrale di convoluzione

Considerando che

z(to)

=J

x(a)' y(to - a)da

(3.3.51)

le operazioniidealmente da compiere in questo calcolo sono le seguenti:

.
.
..

ribaltamentoattorno all'asse delle ordinate del segnale y(a) (Figura 3.2~


traslazione di y(-a)

attorno a1ristante to (Figura 3.24b);

\"-n

calcolodel prodotto x(a)' y(to - a) (Figura 3.24c);


calcolo dell'integrale del prodotto di cui al passo precedente per ricavare
z(to) (Figura 3.24d).

Attraversoquesti passi, ripetuti in teoria infinite volte, ovvero per ogni valore
dell'istanteto' si arriva a determinare l'andamento del segnale z(t). In molti casi
semplice procedere alla valutazione dell'integrale di convoluzione "per via
grafica",come testimoniano i due esempi seguenti.

r
88

Capitolo 3

y(-a)
1

-T

(a)
y(t o-a)
1

t.o

to-T

..

to+T a

(b)

x(a)

" ,/

y(to-a)

x( a).y(t oa)

t o-T

to

'"
....-

to+T a

(c)

a
(d)
Figura 3.24 Passi che conducono al calcolo dell'integrale di convoluzione

......

Segnali aperiodici a tempo continuo

89

Esempio 3.11
Come applicazione del teorema del prodotto, consideriamo il caso particolare in

cui x(t) = y(t) = sinc(2Bt); si vuole cio calcolare la trasformata Z(J) del
segnale
z(t) = x(t) y(t)

= sinc2(2Bt)

(E3.l1.l)

Sapendoche (vedi Esempio 3.3)

X(J)

(E3.11.2)

= Y(J) = 2~ rec{ ~)

possibilecalcolare Z(J) svolgendo l'integrale di convoluzione di due segnali


rettangolariin ambito frequenziale. Come suggerito nel testo, utile avvalersi di
una rappresentazione grafica dei fattori X(v) e Y(J - v) della funzione
integranda,e del loro prodotto Y(J - v) X(v). Dalla Figura 3.25 si nota che il
calcolodella convoluzione pu essere svolto esaminando i quattro casi seguenti:
i) 15: -2B;
ii) -2B

5:

..

1 5: O;

iii) 05:15: 2B;


iv) 1 ".2B.

Nelcaso i) il prodotto fra Y(J


Pertanto

- v) e

X(v) identicamente nullo (Figura 3.25a).

Z(J) =O , 1 5: -2B

(E3.11.3)

Nel caso ii) (Figura 3.25b) il prodotto fra r(J - v) ed X(v) non nullo, ed
rappresentato in Figura 3.25c. Da questa si deduce che il risultato della
operazione di integrazione espresso dall' area del rettangolo di base

[(B+1)-(-B)]= 2B+ 1 e di altezza (1/2Br, Segueche


l + L , -2B 5: 15:0
Z(J) =J...
2B [
2B ]

~
(E3.11.4)

Analogamente, nel caso iii) (rappresentato in Figura 3.25d) si ricava, con


considerazionidi carattere grafico,

l- L
Z(J) =J...
2B [
2B' ]

05:

1 5: 2B

Infine, nel caso iv) si ottiene, analogamente al caso i):

(E3.l1.5)

90

Capitolo 3

Z(J)

=O

(E3.11.6)

2B

f"?

rI

1/28

Y(f-v)

I
I
I
I
I

,I

I
I
I
I
I

-8

XCv)

v
(a)

X(v)Y(I-v)
XCv)

1/28

~i--

Y(I-v)

I
I
I
I

-8+1 -8

8+1

1/(28)2

-8

8+1

v
(c)

(b)

Y(I-v)
XCv)

1128

-8

r---L-,
8

I
I
I
I
I
I

8+1

1- 8+1
(d)

Figura 3.25 Vari casi nel calcolo della convoluzione di un impulso rettangolare con se stesso

Le relazioni (E3 .11.3)-(E3 .11.6) possono essere riassunte nella seguente


espreSSiOne:

Z(J)

=~2B

1-

JLL

2B ]

rect

(L )
4B

(E3.11.7)

che rappresentata nella Figura 3.26. Come risultato finale, possiamo scrivere
l'ulteriore coppia trasformata-antitrasformata
sinc2(2B!) ~

1- JLL rect L
~
2B( 2B ( 4B)

(E3.11.8)

...

Segnali aperiodici a tempo continuo

91

ovvero, ponendo T = 1/(2B),

(E3.11.9)

Z(f)
1/28

-28

28

Figura 3.26 Trasformata di Fourier della funzione sinc' (2Bt)

importante notare che le funzioni X(J) e Y(J) hanno una "estensione frequenziale"(cio sono diverse da zero su di un intervallo di ampiezza) pari a 2B,
mentreil loro integrale di convoluzione ha estensione pari a 4B. In generale l'estensionedell'integrale di convoluzione tra due funzioni aventi estensione limitata data dalla somma delle due estensioni stesse.
D
Esempio 3.12
Calcoliamola convoluzione
x(t)

= s(t)

(E3.12.l)

<8>s(t)

delsegnale s(t) = e-1fTu(t) con se stesso. Sappiamo che

x(t)

=f s(a)

s(t - a) da

~12.2)

L'andamento dei segnali s(a) ed s(t - a) illustrato in Figura 3.27 (per un caso
in cui t > O). Dall' esame di tale figura si vede facilmente che
x(t)

=O

, t<O

(E3.12.3)

Se invece t > O, e quindi esiste una ZOnadi "sovrapposizione" nOn nulla tra
s(a) ed s(t - a), dalla Figura 3.27 si vede che si ha

92

Capitolo 3

x(t) =

fo s(a) s(t - a) da =fo e-alT e-(/-a)/T da

= e-IIT

fo ,aa = t

(E3.12.4)

e-IIT

Le (E3. 12.3)-(E3. 12.4) possono essere riassunte nella


x(t)

= t e-IIT u(t)

(E3.12.5)

s(t - a)

s(a)
ex.

Figura 3.27 Calcolo dell'integrale di convoluzione del segnale s(t) con se stesso

Allo stesso risultato si perviene ovviamente procedendo con il calcolo in


maniera puramente analitica. Infatti, sostituendo nella (E3.12.2) l'espressione di
s(t), si ricava
~

x(t)

=f u(a)

u(t - a) e-alTe-(/-a)/Tda

= e-IIT

f u(a) u(t - a) da

(E3.12.6)

Il lettore dimostri ora che


~

f u(a) u(t - a) da = t u(t)


e che quindi la (E3.12.5) ancora valida.
In questo esempio abbiamo eseguito la convoluzione tra due segnali causati,
ottenendo il segnale (E3.12.5) a sua volta causale. Questa propriet ha validit
generale, come si pu facilmente verificare.

Segnali aperiodici a tempo continuo

93

3.4 Trasformate di Fourier generalizzate


3.4.1La funzione generalizzata impulsiva o 8 di Dirac
Consideriamodi nuovo la funzione gradino unitario (rappresentata in Figura
3.28)
l

t>O

u(t}= 1/2
IO

(3.4.1)

t=O
t<O

u(t)
1

t
Figura 3.28 Gradino unitario ideale

Evidentemente,il segnale gradino unitario presenta una discontinuit di prima


specieper t =O. Il valore assegnato alla funzione in questo punto pu essere
sceltoarbitrariamente; per consistenza con il criterio di Dirichlet, si sceglie la
semisommadei limiti destro e sinistro, cio si pone u(O)= 1/2.
Immaginiamodi applicare tale segnale in ingresso a un circuito elettrico, ad
esempiola squadra C-R dell'Esempio 3.9. Il segnale gradino, in questo contesto,
la modellizzazionematematica della "chiusura" del circuito su di un generatore
ditensioneideale all'istante t = O di "salita" del gradino stesso, come suggerito
dallaFigura 3.29. L'evoluzione temporale dei segnali nel circuito regolata da
un'equazione differenziale simile a quella gi ricavata nrll'Esempio 3.9. In
questocontesto si presenta allora il problema di calcolare la derivata temporale
dellafunzionegradino intesa come eccitazione del circuito. Tale operazione
presentadelle difficolt poich tale derivata nulla ovunque tranne in t = O ove
peraltroessa non definita, come illustrato in Figura 3.30.
Si pu pensare di assegnare alla funzione du(t)jdt un valore arbitrario di
comodo in t

= O, e

di usare questa nuova funzione come derivata del gradino

unitario.Se questo approccio fosse corretto, si dovrebbe essere in grado di


"ricostruire"la u(t) come funzione integrale della sua propria derivata:

l'
I

94

Capitolo 3

u(t) =

-f

du(a)

da

(3.4.2)

da
t=O

/'\.

y(t)

L~=U{')
Figura 3.29 Gradino unitario in ingresso a una squadra C-R

Tuttavia questo espediente non funziona poich integrando la presunta funzione


du(t)/ dt, diversa da zero solo in un punto, non si ottiene la funzione gradino
unitario, ma una funzione nulla ovunque.
u(t)

du(t)/dt

Funzione
non definita

Figura 3.30 Derivata della funzione gradino unitario

Per cercare una soluzione alla questione, osserviamo innanzitutto che la funzione
u(t) comunque un'astrazione matematica poich i segnali effettivamente pre- .
senti nei sistemi fisici non possono presentare discontinuit, cio salti finiti nel
valore del segnale su un tempo nullo. Ogni segnale fisico caratterizzato da un
tempo di salita finito,pari al tempoche il segnale"impiega"per passaredalli-

Segnali apc;riodicia
tempo continuo
,

95

velloOprima del "salto" al livello al termine della salita. Il gradino ideale solo
una schematizzazione matematica per quelle situazioni nelle quali la costante di
tempodel sistema in cui il segnale compare molto maggiore del tempo di salita
del segnale stesso. Consideriamo allora una migliore approssimazione di una
funzionegradino "reale" uAt) definita dalla relazione:

t<-E
-E:::; t:::; E
U,(t)

= {?

+ t/E) 12

(3.4.3)

t>E

illustrata nella Figura 3.31.

-E
Figura 3.31 Gradino unitario con tempo di salita finito

NellaFigura 3.31 l'andamento del gradino durante l'intervallo di "salita" (-E, E)


stato preso lineare per semplicit. Le considerazioni che stiamo per fare non
cambierebberoper anche se tale andamento fosse ancora pi simile a quello di
un segnale reale (in particolare ancora pi regolare). Il segnale uE(t) adesso
ovunque derivabile, e la sua derivata 8E(t) = duAt)/ dt rappresentata in Figura

3.32.Evidentemente,
/

(3.4.4)

e inoltre
I

UE(t)

J8E(a) da

senz'alcuna ambiguit.

(3.4.5)

96

Capitolo 3

Osserviamo che riducendo il valore del parametro e, ossia riducendo il


tempo di salita del segnale, si ottiene una appros~imazione sempre miglioredel
gradino ideale, tant' che si pu scrivere
u(t) = limuAt)
->0

(3.4.6)

e quindi

,
u(t)= lim
8(a) da
--+0J

(3.4.7)

1/2

Figura 3.32 Derivata del gradino unitario reale

Il procedimento al limite, perfettamente lecito nell' ambito delle relazioni (3.4.6)


e (3.4.7) di cui sopra, diventa per problematico considerando isolatamente il
segnale 8(t). La Figura 3.33 indica infatti che al tendere di E a O la derivata
della funzione gradino "reale" tende ad avere una "durata" sempre pi piccolae
ad assumere un valore nell'intervallo di salita del gradino sempre pi grande.
L'aumento di tale valore avviene in maniera inversamente proporzionale a e
poich dal segnale, per integrazione, si deve sempre ottenere un valore unitario
I
pari al salto della funzione gradino. In parole povere, l'area degli impulsi
rettangolari comunque unitaria!

'---

Il problema di trovare la "derivata della funzione gradino" sarebbe risolto se


nella (3.4.7) potessimo eseguire l'operazione di limite sotto il segno d'integrale
ponendo dunque
du(t) ~lim8(t)

dt

--+0

= 8(t)

(3.4.8)

Otterremmo cos una funzione 8(t) con l'apparenza della derivata del gradino
ideale come limite della successione di funzioni 8(t). Purtroppo, come

Segnali ap~odici a tempo continuo

97

evidente dalla Figura 3.33, il limite di tale successione non una funzione nel
sensoordinario dell'analisi matematica. Infatti tale funzione dovrebbe assumere
ovunque valore nullo al di fuori del punto t = O e, se integrata, dovrebbe
restituire un valore finito diverso da zero. Non corretto quindi affermare che
8(t) il limite della successione di funzioni 8e(t). Tuttavia, per estensione,
definiamo una funzione generalizzata impulso unitario 8(t) o funzione o di
Dirac, attraverso una sua propriet di carattere integrale:
t

(3.4.9)

u(t) = 8(a) da

che la identifica come "derivata della funzione gradino", e che in pratica


l'unione della (3.4.7) e della (3.4.8).
d

~ (t)= dt

u(t)

1/2

Figura 3.33 Limite del gradino "reale" e della sua derivata

Come abbiamo gi discusso, non esiste alcuna funzione ordinaria che possa
soddisfare la definizione e quindi dobbiamo ammettere che l'impulso unitario
sia un'entit matematica di carattere analogo a quello di una funzione ordinaria,

98

Capitolo 3

I-

ma che assume un significato solo quando se ne consideri una qualche propriet


di carattere integrale come nella definizione stessa. Ogniqualvolta si incontra
una funzione impulsiva 8(t) di Dirac, questa deve essere intesa s come limite
della successione 8e(t), ma non nel senso "diretto" della (3.4.8), privo di
significato a rigore; viceversa, 1'operazione di limite, per calcolare correttamente
il valore dell'integrale in cui la 8(t) obbligatoriamente compare, deve intendersi
eseguitajUori dal segno di integrale stesso, nel senso della (3.4.7).
Come esempio di applicazione di questi concetti, consideriamo un segnale
x(t) continuo in t =O e calcoliamo il valore del seguente integrale:
~

(3.4.10)

1= f x(t) 8(t) dt

Il problema ben posto perch la funzione compare sotto il segno di integrale;


il valore di detto integrale si calcola attraverso un ben inteso procedimento al
limite:
~

1= lim f x(t) 8At) dt


e--+O

(3.4.11)

Come suggerito dalla Figura 3.34, l'integrale della (3.4.11) pu essere espresso
come
1

f x(t) 8At) dt =-2E -ef x(t) dt = -2E 2E x(l)

(3.4.12)

dove l E (-E,E) secondo il teorema della media. Il limite (3.4.11) diventa allora
~

lim x(t) 8e(t) dt = limx(t)


e--+Oe--+O

Quando E ~ O, naturalmente

O e quindi, essendo x(t) continua in t =O, si

ricavain conclusione
~

f x(t)

8(t) dt

= x(O)

(3.4.14)

che prende il nome di propriet campionatrice dell'impulso unitario e pu


essere considerata anche una maniera alternativa di definire la funzione 8(t)
attraverso una sua propriet integrale. Nell' Appendice al Capitolo 3, che pu

Segnali aperiodici a tempo continuo

99

essere tralasciata in prima lettura, diamo qualche cenno alla teoria delle
distribuzioni che rappresenta il contesto appropriato per una definizione della
8(t) di carattere rigoroso, proprio secondo la propriet campionatrice.

1/2
x(t)

Figura 3.34 Applicazione del teorema della media

Una volta stabilita la maniera generale di intendere e di trattare la funzione


generalizzata 8(t), si pu dimostrare che questa gode di molte propriet (in particolareper quel che riguarda le operazioni di carattere lineare come derivazione,
integrazione, moltiplicazione per costante, ecc.) identiche a quelle possedute
dalle funzioni ordinarie. Queste propriet autorizzano in pratica a trattare la 8(t)
come un qualunque segnale ordinario a tempo continuo, con le dovute cautele
del caso. La Figura 3.35 illustra il simbolo che rappresenta convenzionalmente
la funzione 8(t): il numero posto accanto alla punta della freccia indica che
l'area sottesa da questa funzione unitaria, e no~ un valore riportato sull' asse
delleordinate.
"

x(t)

o(t)

Figura 3.35 Rappresentazione simbolica della funzione D

100

Capitolo 3

3.4.2 Propriet della funzione generalizzata 8(t)


Abbiamo gi esaminato la propriet campionatrice della funzione 8(t):
~

Jx(t) 8(t) dt =x(O)

(3.4.15)

Da questa si deduce immediatamente che la funzione 8(t) pari, cio che


8(t) = 8(-t). Come sempre, quest'ultima propriet deve essere intesa in senso
integrale relativamente alla propriet campionatrice. Infatti possiamo scrivere:
~
~

J8(-t)

x(t) dt

= - J 8(a) x(-a)da

(3.4.16)

= J 8(a) x(-a) da = x(O)

avendo effettuato il cambiamento di variabile a =-t. Poich 8(t) e 8(-t)


rendono da questo punto di vista lo stesso risultato, possiamo stabilirne

l'uguaglianza,da cuiseguela proprietdiparit appenaenunciata..


La propriet campionatrice pu essere estesa considerando la funzione
impulsiva "traslata" 8(t - to). Infatti abbiamo
~

Jx(t)8(t-to) dt= fx(to+a)8(a)

(3.4.17)

da=x(to)

Da questa consegue l'ulteriore propriet


x(t)8(t

to)

= x(to )8(t -

(3.4.18)

to)

Questa uguaglianza va intesa ancora nel senso che, dopo una operazione di integrazione, le due funzioni a primo e secondo membro nella (3.4.18) fornisconolo
stesso risultato; infatti
~

J x(to) 8(t-to)

dt

= x(to)

J8(t -to)

dt

= x(to) = f x(t)

8(t-to)

dt

(3.4.19)

Elaboriamo adesso la relazione (3.4.17); cambiando variabile di integrazionee


tenendo conto che la 8(t) pari, si ha
~

fx(a)8(a-to)

da= fx(a)8(to-a)

da=x(to)

e, chiamando t il generico valore to' si conclude che

(3.4.20)

x(t) = x(a)8(t-a)

(3.4.21)

da = x(t)@8(t)

Questarelazione, piuttosto importante, indica che la funzione generalizzata 8(t)


pu intendersi anche, tra le varie interpretazioni, come una sorta di elemento
neutrorispetto all'operazione di integrale di convoluzione.
Esempio 3.13
Sfruttando formalmente le propriet della funzione 8(t), calcoliamo
b

(E3.l3.l)

Ia.b= 8(t) dt
a

ove a e b sono due parametri reali, a < b. possibile riscrivere questo integrale
come
(E3.l3.2)
avendo moltiplicato la funzione integranda della (E3.l3.l) per una funzione
rect(-) identicamente nulla al di fuori dell'intervallo (a,b). Utilizzando la
proprietcampionatrice della funzione 8(t) si ricava allora

- (b+a )/2

Ia,b= rect

b-a

1 b+a

= rect -.2 b-a


)

(E3.l3.3)

Tale risultato pu essere semplificato osservand<rctlSe

Ib+al<b-a

(E3.l3.4)

il modulodell'argomento della funzione rect(-) nella (E3.l3.3) risulta minore di


1/2 e
(E3.l3.5)
altrimenti Ia,b= O. La condizione (E3.l3.4) verificata solo se a e b hanno
segnodiscorde e cio quando a < O e b > O.
In pratica, questo risultato si pu riassumere dicendo che l'integrale fa,b
diversoda zero ( e uguale a 1) se l'intervallo di integrazione contiene l'origine,
contiene cio il "punto di applicazione" della funzione 8(t). Generalizzando il
risultatoottenuto si pu affermare che

102 Capitolo 3

fx(t)8(t-to)dt=x(to)

(IDJ3.6)

<=a<to <b

cio se il "punto di applicazione" della funzione 8 contenuto nell'intervallo di


integrazione (si veda la Figura 3.36a), mentre l'integrale uguale a zero se la
funzione 8 applicata all'esterno dell'intervallo, se cio to ~ [a,b] (Figura
3.36b).

to

t
I

to a

1
b

(a)

(b)

Figura 3.36 Integrali contenenti la funzione 8 su intervalli di integrazione limitati

Esempio

.
l'

li
I
I

3.14

Calcoliamo l'integrale
+o-

la = x(t) 8(at) dt

(E3.14.1)!

ove
a un=parametro
reale. Effettuando nella (E3.14.1) il cambi:"ento
variabilea
at si ottiene

la = sgn(a)Ix( ~) 8(a) d:

(E3.14.2)

dove il fattore sgn(a) mette in conto il fatto che, se a < O, il cambiamento di


variabile produce una inversione di segno negli estremi di integrazione e quindi
fa cambiare il segno del risultato. Dalla (E3.14.2), applicando la propriet
campionatrice della funzione 8(t), si ricava

la = sg:(a) x(O) = xl~~)

(E3.14.3)

Segnali aperiodici a tempo continuo

103

Avremmo ottenuto lo stesso risultato se nell'integrale originario (E3.14.1)


avessimo sostituito alla funzione D(at) la funzione 8( t)/Ial. In questo senso
abbiamoricavato un'ulteriore propriet della funzione impulsiva di Dirac:
1

(E3.14.4)

8(at)= laID(t)

D
3.4.3 Trasformata di Fourier della funzione D
Calcoliamo ora la trasformata di Fourier della funzione generalizzata D(t).
Applicandodirettamente la definizione di trasformata e ricordando la propriet
campionatricedella 8(t) si ha
(3.4.22)

o(t)

~(f)

Figura 3.37 Funzione 8 di Dirac e relativa trasformata

Quindilo spettro della funzione 8 di Dirac ha ampiezza costante e pari a 1 per


ogni valore della frequenza come illustrato in Figura 3.37. La peculiarit della
funzione 8 riflessa anche nella peculiarit della sua trasformata: in pratica, lo
spettrodella funzione D contiene componenti a qualunque frequenza arbitrariamentegrande, e tutte con la medesima ampiezza.
La trasformata !1(f) del segnale generalizzato D(t) pu anche essere rcavata
con un procedimento al limite a partire dalla trasformata !1e(f)

= sinc(2if)

della

funzioneordinaria 8e(t): la Figura 3.38 chiarisce questo punto di vista, e spiega


moltobene come deve intendersi lo spettro "piatto" della D(t).
Dal teorema di dualit si ricava poi
x(t)

= 1 :::> D(- f) = 8(J)

(3.4.23)

104 Capitolo3

Questo risultato mostra che l'introduzione delle funzioni generalizzate permette


di calcolare la trasformata di Fourier di un segnale a energia infinita come il
segnale costante. Evidentemente, questa trasformata deve intendersi in senso
generalizzato visto che contiene una funzione generalizzata.
d

o Jt)= d uE(t)

1/2

II

'I

~E

(f)
1

I
I

I
I

Figura 3.38 Segnale 8(t) e sua trasfonnata !!..(f) intesi come limite

3.4.4 Una trasformata notevole: la funzione l/t


Una trasformata notevole che, come vedremo, imparentata con le trasformate
generalizzate, quella del segnale x(t) = l/t il cui grafico rappresentato in
Figura 3.39. Procedendo con il calcolo si ha:

'I

Segnali aperiodici a tempo continuo

105

(3.4.24)

ovel'ultimo passaggio si giustifica intuitivamente considerando che la funzione


cos(21ift)/t dispari e quindi, integrata da -00 a 00rende un risultato nullo. In
realt questa conclusione lecita solo se dell'integrale generalizzato nella trasformatasi considera il cosiddetto valore principale di Cauchy (VPC). A stretto
rigoreinfatti, la funzione cos(2rcft)/t infinita di ordine 1 nell'origine, e non
ammetteintegrale generalizzato ordinario. Il valore principale di Cauchy invece
quel valore che si ottiene considerando sempre intervalli di integrazione simmetriciattorno al punto di singolarit (eventualmente all'infinito), cio, nel nostrocaso:

VP~

] = ~~

COS(~nj)

(3.4.25)
COS(~nj) +

COS(~nj)

che'pari a Oproprio per la antisimmetria della funzione integranda. Dunque la


trasformatacercata pu essere anche riscritta come

X(J)

=- j

j sin( ~7ift) dt

= - j27if

j sinc(

2 ft

(3.4.26)

) dt

5
4
3
2
.:t:::

r-

Jl

-1
-2
-3
-4
-5
-5

-4

-3

-2

-1

o
Tempo

Figura 3.39 Grafico del segnale x(t) = 1/ t

t
/

r
106

Capitolo 3

Per il calcolo dell'integrale della (3.4.26) utile tenere presente la propriet


generale, sfruttata gi pi volte, per cui l'integrale temporale di un segnale pari
al valore nello zero della relativa trasformata, cio
~

f y(t) dt = Y(O)

(3.4.27)

Richiamiamo allora la consueta trasformata notevole


(3.4.28)
ove compare stavolta a denominatore la quantit IB I per tenere conto del caso
B < O, caso che non deve alterare l'espressione della trasformata perch la
funzione sinc(.) pari. Da questa trasformata notevole si ricava immediatamente
che
1

-f sinc(2ft) dt = 21ilrect( 2i ) --~21il


~

(3.4.29)

e quindi

X(J) = - j21if Isinc(2ft)

dt

(3.4.30)

= - ;~r = - jnsgn(f)

In conclusione si ricava la trasformata notevole cercata

!t

<=>

- jn sgn(J)

(3.4.31)

che deve intendersi ancora in senso generalizzato per l'aver considerato i valori
principali di Cauchy degli integrali coinvolti nella trasformazione.
3.4.5 Trasformata della funzione gradino; teorema d'integrazione completo
Consideriamo di nuovo il segnale gradino unitario ideale u(t); immediato
verificare. che la sua trasformata di Fourier in senso ordinario non esiste.
Cerchiamo allora di stabilire se, alla luce dei risultati ottenuti con le funzioni
generalizzate, possiamo calcolare questa trasformata per altra via.
Facendo uso della funzione sgn(t), possiamo esprimere u(t) come (vedi
Figura 3.40)

Segnali aperiodici a tempo continuo

u(t)

=-sgn(t)+
2

1
2

107

(3.4.32)

---

u(t)

sgn(t)/2
1/2

0- -.

----.-.-.-

-1/2

Figura 3.40 Relazione tra le funzioni u(t) e sgn(t)

Calcolando la trasformata di Fourier di entrambi i membri abbiamo

J
U(J)=!SGN(J)
+ !8(J)
2
2

(3.4.33)

ove SGN(J) rappresenta la trasformata di sgn(t). Ora, SGN(J) p.J essere


facilmente calcolata applicando il teorema di dualit alla trasf~~
segnale
1/t (3.4.31):

- jn sgn(t) <=>_.l

(3.4.34)

da cui
1
sgn(t) <=>SGN(J) = j1if

(3.4.35)

Sostituendo la (3.4.35) nella (3.4.33) si ottiene infine


1
1
U(J) = j21if + 28(J)

(3.4.36)

Utilizzando i risultati ottenuti ora possibile rimuovere l'ipotesi X(O)= O che


alla base dell' applicabilit del teorema di integrazione nella sua forma
"incompleta"ricavatanel Paragrafo3.3:
I

Jx(a) da <=>j21if
X(J)

-~

(3.4.37)
/'

.._~

-----

------

~_.---

~---

108 Capitolo 3

Infatti, per definizione di integrale di convoluzione, si pu scrivere che

x(t)@u(t)=

fx(a) u(t -a)

da =

f x(a) da

(3.4.38)

Ricordando poi che la trasformata di un prodotto di convoluzione uguale al


prodotto delle trasformate dei fattori, abbiamo
I

Lx(a) da =x(t)@ u(t)

:>

X(J) U(J)= X(J) j21if + 28(J)

(3.4.39)

Xc
I I

t
J
I

II

11
-fo

Il teorema completo d'integrazione afferma quindi che


y(t) =

-j

x(a)da

:> ~(J)

;21if

(3.4.40)

+ 8(J)
X(O)
2

Figura 3.41 Trasformau

Il termine aggiuntivo comprende una funzione generalizzata, e naturalmente


scompare nell'ipotesi di applicabilit del teorema incompleto, cio quando
X(O)

= O. Se invece

Alla luce dei risultat


della modulazione

il segnale x(t) non sottende area nulla, la funzione integrale

prodotto di due segn


scriviamo

y(t) non tende a zero quando t --7 bens verso il valore finito X(O). Il
secondo termine rende conto allora della "componente continua" (cio del valore
medio diverso da zero) pari a X(0)/2 che presente per questo in y(t).
00,

x( t) cos( 21ifot) ~

3.4.6 Trasformata delle funzioni seno, coseno e dei segnali periodici


Dunque la funzione generalizzata 8(t) permette di calcolare trasformate di
Fourier non esistenti in senso ordinario. Altri esempi di questo tipo si possono
ottenere applicando i teoremi del ritardo e della traslazione in frequenza alle

e, poich
X(J)@ 8(J - lo) =

trasformate generalizzate gi ottenute. Ricordando che 8(t) :>l, e c~


1 :>8(f), si ottiene immediatamente
(3.4.41)

concludiamo, come ci

(3.4.42)

x( t) cos( 21ifot) ~ ~

Quest'ultima relazione permette poi di calcolare la trasformata continua di


Fourier di un' oscillazione cosinusoidale.lnfatti si ha (vedi Figura 3.41):
Xc (t) = cos(27fot)

= ej2rr!ol + e-j2rr!ol

e, per una oscillazione sinusoidale,

:>

8(J - io) + 8(J + io)

e analogamente per la
Avendo determinat
nusoidale in forma re~

(3.4.43)

continua di un segnale
x( t) periodico con per

Segnali aperiodici a tempo continuo

109

(3.4.44)

j X s (f)
1/2

1/2

1/2

-1/2

Figura 3.41 Trasfonnata di Fourier dei segnali cos( 21if"t) e sin( 21if"t)

Alla luce dei risultati ottenuti si pu dare una nuova interpretazione al teorema
della modulazione (3.3.21); tenendo presente che la trasformata Ji Fourier del
prodotto di due segnali data dalla convoluzione delle tr~ate
dei fattori,
scriviamo
(3.4.45)
e, poich

X(J)

8(1 - io) =

JX( a) 8(1 - io - a) da = X(1 - io)

(3.4.46)

concludiamo, come ci aspettavamo, affermando che


x(t) cos(2J%t) ~ X(1

- 10)+X(1+ io)

(3.4.47)

e analogamente per la versione del teorema con la funzione seno.


Avendo determinato la trasformata continua di Fourier di una oscillazione sinusoidale in forma reale o complessa, si riesce anche a esprimere la trasformata
continua di un segnale periodico qualunque. Ricordiamo infatti che un segnale
x(t) periodico con periodo To sviluppabile in serie di Fourier:

110

Capitolo 3

X(t)

2trkl

(3.4.48)

= I,Xk ej-:;:;
k=-

Calcolando ora la trasfonnata della serie a termine a termine si ricava

X(f)

=k=iXk

1 -~
1'0

(3.4.49)

Questa relazione mostra che il contenuto spettrale di un segnale periodico


concentrato nelle frequenze armoniche, piuttosto che distribuito con continuit
su tutte le frequenze come per un segnale aperiodico; in particolare, il contributo
al segnale della k-esima armonica rappresentato da una funzione 8 posizionata
in corrispondenza della frequenza k/1'o e di integrale ("area") pari a Xk, come
viene indicato nella Figura 3.42. Lo spettro del segnale periodico ha ancora il
tipico andamento "a righe", ma il significato della rappresentazione in Figura
3.42 diverso da quello degli spettri a righe visti, ad esempio, in Figura 2.4.
Infatti nel capitolo precedente le "righe" erano semplicemente proporzionali
all'ampiezza del coefficiente di Fourier relativo; in Figura 3.42, viceversa, le
"frecce" sono soltanto rappresentazioni simboliche della presenza di una
funzione 8 centrata su quella certa frequenza e nulla pi. Anche l'altezza
digradante delle funzioni 8 indicata in Figura 3.42 impropria e in un certo
senso fuorviante, anche se pu dare un'idea dell'andamento dello spettro di
ampiezza del segnale.
X(f)

-3fT o -2fTo -1 fT o

Figura 3.42 Trasformata continua di un segnale periodico con coefficienti di Fourier X,

Esempio 3.15
Calcoliamo la trasfonnata del segnale

(E3.I5.!)

Segnali aperiodici a tempo continuo

111

Questo segnale pu essere riscritto nella forma


1

4m

x(t)=-+-cos 2 2
( To )

(E3.l5.2)

da cui si ricava:

X(J)= !5(J)+! 5(1 -2ITo)+ 5(1 +2ITo~


2
22
1
_1
21
-"25(J)+-5
f-+-5
4 (
To) 4 ( f+~7:o

(E3.15.3)

rappresentata in Figura 3.43.


X(f)
1/2
1/4

2fTQ

Figura 3.43 Spettro del segnale x(t) = cos'(2m/r.) (Esempio3.15)

o
Esempio 3.16
Calcoliamo la trasformata X(J) del segnale
x(t)

~
= Mrect
T
2T

( )

(E3.l6.l)

rappresentato in Figura 3.44a.


Poich x(t) un segnale lineare a tratti possiamo utilizzare il teorema
dell'integrale per il calcolo di X(J). Ricaviamo dunque la derivata prima s(t)
del segnale x(t) (vedi Figura 3.44b)
1

s(t) =5(t + T) - 5(t - T)- -rect

e la sua trasformata S(J)

1
t + T12
+ -rect
T
T

t - T/2
T

(E3.l6.2)

112 Capitolo 3

SU)

= ej2TCjT- e-j2TCjT-

= 2j

sin(2JifT)

- 2j

~T

T sinc(jT)

ejTCjT+ ~ T sinc(jT)

e-jTCjT

(E3.16.3)

sinc(jT) sin(7ifT)

x(t)
s(t)=dx(t)/dt

1
1fT
T
-T

-T

""t
-1
-1fT

(b)

(a)
Figura 3.44 Segnali x(t) (a) ed s(t) (b) dell'Esempio 3.16

Poich x(+00)= Osi pu applicare il teorema d'integrazione incompleto:


X (f)

= SU) = 2j

=2T

sinc(2jT) - T sinc2(jT)

sin(2JifT)- 2j sinc(jT) sin(7ifT)

j2~

j2~
(E3.16.4)

Si ricava lo stesso risultato pi rapidamente osservando che il segnale x(t)


(E3.16.1) pu essere espresso come la differenza fra un impulso rettangolare e
uno triangolare aventi la stessa durata 2T:
(E3.16.5)
dalla quale si deduce immediatamente il risultato (E3.16.4).

Esempio 3.17
Il segnale periodico di periodo 1'0
+00

x(t)

= n=L8(t - nTo)

(E3.17.1)

Segnali aperiodici a tempo continuo

rappresentato in Figura 3.45a noto come pettine di


suo sviluppo in serie di Fourier

o. Il

coefficiente

113

Xk del

(E3.l7.2)
con lo

= l/To. Sulla

base dell'Esempio 3.13 e considerando la Figura 3.45a

o che

vediamo che l'unico termine del pettine di

produce un contributo non


nullo nell'operazione di integrazione della (E3.l7.2) quello relativo a n = O,

cio alla funzione o applicatain t = O,poichtutte le altre funzioni sonoal di


fuoridell'intervallodi integrazione[-:To/2,To/2]. Allora
.

1 T./2

Jo(t)

Xk = -

To-T./2

e-j2n!if.'

(E3.l7.3)

dt =.!
To

La rappresentazione in serie di Fourier del segnale x(t) dunque


/
+00

x(t)= Lo(t-nTo)=n=-oo

+00

.2"",

Le1T;

~ n=-

(E3.l7.4)

e la corrispondente trasformata continua X(J) di x(t)


k

+00

X(J)=

L Xk O(f-- To) =-Tok=L O(f-k=+00

Pertanto lo spettro del segnale pettine di

(E3.l7.5)

To)

o anch'esso

illustrato in Figura 3.45b.

X(f)

x(t)

...

un pettine di o, come
D

-2To - To

...
210 t

...

...

-2 fo -fo

(a)

(b)

Figura 3.45 Segnale pettine di 8 (a) e sua trasformata (b)

114 Capitolo 3

3.5 Periodicizzazione e formule di somma di Poisson


Consideriamo un segnale aperiodico x(t) e costruiamo il segnale y(t) periodico
di periodo Tosecondo la relazione di periodicizzazione

y(t)

= n=-oo
Lx(t

(3.5.1)

- nTo)

gi incontrata pi volte nel Capitolo 2. Il segnale y(t) pu esser sviluppato in


serie di Fourier:

y(t) =
ove fo

L~

k=-

(3.5.2)

ej2lfkfol

= I/To e
(3.5.3)

Vediamo come stabilire una relazione fra il coefficiente ~ dello sviluppo in


serie (3.5.2) del segnale periodico y(t) e la trasformata X(J) del segnale base
aperiodico x(t). Sostituiamo dunque la (3.5.1) nella (3.5.3) ottenendo
(3.5.4)
Scambiando poi l'operazione di sommatoria e di integrazione nella (3.5.4), si ha

L
~

~ =-

To/2

1I=--To/2

=2- L

J x(t-nTo)e-j21fkfoldt=2-

To/2-IITo

L J

x(a)e-j21fkfo(a+IITO)da

To 1I=--To/2-IITo

To/2-IITo

x(a) e-j21fkfoada

(3.5.5)

To 1I=--To/2-IITo

Si giunti a questo risultato dopo aver effettuato il cambiamento di variabile


a =t - nTo e avendo osservato che e-j21fkllfoTo
= e-j21fk1l
==1. La funzione
integranda a secondo membro nella (3.5.5) non dipende dall'indice della serie n;
tale indice agisce infatti solo sugli estremi di integrazione. Ci si rende allora
conto facilmente, con l' ausilio della Figura 3.46, che, al variare di n tra -00 e
+00,

gli intervallidi integrazione(- To/2 - n~, To/2 - n1;))de/la stessafunzione

integranda ricoprono tutto l'asse reale senza sovrapposizioni. Pertanto

...

Segnali aperiodici a tempo continuo

115

possibile semplificare la (3.5.5) come segue:


(3.5.6)
che stabilisce la relazione cercata, detta di campionamento in frequenza. I coefficienti di Fourier del segnale periodico y(t) sono dunque, a meno del fattore
1/1;1' i valori della trasformata continua del segnale-base x(t) in corrispondenza
delle frequenze armoniche kfo.
n=2

n=1

n=O

L--r
O
-3To/2

-To/2

n=-2

n=-1

Ti2

)
!

ex

3To/2

Figura 3.46 Ricopertura dell'asse reale con intervalli di integrazione limitati variabili

Se usiamo l'espressione appena ricavata del coefficiente di Fourier nel corrispondente sviluppo in serie si ottiene
+00

l:x(t-nTu)=I-X-

11=-

+00

k=- Tu

.21rk1

( Tu) e}T;

(3.5.7)

che nota come prima formula di somma di Poisson. Il risultato de ' sempio
3.17 un caso particolare di questa formula, con x(t) = 8(t) e quindi X(f) = 1.
Esempio 3.18
Ritroviamo dalla relazione di campionamento in frequenza corrispondente
all' operazione di periodicizzazione il valore dei coefficienti di Fourier del
segnale cosinusoidale rettificato dell'Esempio 2.5:
y( t) = Icos( 21ifot )1

(E3.18.1)

importante notare che l'operazione di "rettificazione" dimezza il periodo del


segnale. Se infatti il segnale originario cos(2J%t) periodico di periodo
Tu = 1/ lo, dopo la rettifica si ottiene il segnale y(t) periodico di periodo Tu/2,
come evidente dalla Figura 3.47. Per usare il campionamento in frequenza,
esprimiamo y(t) nella forma

I
116

Capitolo 3

-+y(t)

=k=Lx(t-kTo/2)

(E3.l8.2)

dove abbiamo identificato il "segnale base"


(E3.l8.3)
x( t) = cos( 2~t ) rec{ To~ 2 )

y(t)

x(t)

-To

Figura 3.47 Segnale periodico "cosinusoide rettificata" y(t) e suo segnale base x(t)

./

La trasformata continua di Fourier di x(t) si trova facilmente attraverso il


teorema della modulazione:

x(J)

= Tosinc( (fTo + 1)/2) 4+ sinc( (fTo -1 )/2)

(E3.l8.4)

e il suo andamento rappresentato in Figura 3.48. Andando a valutare questa


trasformata nelle frequenza armoniche k/(To/2) come richiesto dalla (3.5.6) si
trova immediatamente l'espressione del k-esimo coefficiente di Fourier di y(t):

2k = sinc(k+ 1/2)+ sinc(k-l/2)


To ( To)
2

~ =~X

(E3.l8.5)

cherappresentaproprioil risultato(E2.5.3)(con A =1)dell'Esempio2.5.

Applichiamo adesso il teorema di dualit alla prima formula di Poisson; si


ottiene

Segnali aperiodici a tempo continuo

+00

+00

LX(t-nTu)= L -x

n=-

k=- Tu

=>n~ x(t -

;)=

( )
--

Tu

.2JrkI

+00

+00

eJr; =>LX(t-nTu)= L -x
11=-/'

k=- Tu

.2Jrkt

()
-

117

e-Jr;

Tu

(3.5.8)
Tk~X(kT)

e-j2JrkIT

0.8

0.7

0.6
0.5
o

0.4
0.3

c\i
0.2
0.1
0.0
-0.1
-10

-6

-8

10

Frequenza Normalizzata, fTo


Figura 3.48 Campionamento in frequenza per ottenere i coefficienti di Fourier di y(t)

avendo cambiato segno all'indice di sommatoria nel secondo membro e avendo


posto T = 1/ To. Se adesso, dal punto di vista puramente formale, cambiamo
nome alla variabile corrente da t ad f, otteniamo un' espressione "duale" della
(3.5.7) che costituisce la secondaformula di somma di Poisson:

n=-

x(nT) e-j2mrjT=.!.

f X( T )

T k=-

f - 15.-

(3.5.9)

la cui utilit sar chiara nel Capitolo 5 a proposito del campionamento


segnali a tempo continuo.

dei

3.6 Relazione fra le trasformate di Laplace e di Fourier


Nel paragrafo precedente abbiamo visto che anche alcuni segnali a potenza
finita, come un segnale costante, il segnale gradino o un segnale periodico,
ammettono trasformata di Fourier, anche se in senso generalizzato. D'altro
canto, alcuni segnali possono presentare potenza illimitata come il segnale a

118

Capitolo 3

rampa:
I

x(t)

= t.

u(t)

= f u(a)da

(3.6.1~

risultante dall'integrazione del segnale gradino. Questi segnali non ammettono


trasformata di Fourier neanche in senso generalizzato. Inoltre, pu non essere
conveniente trattare i segnali a potenza finita con funzioni generalizzate anche
nei casi gi visti in cui queste ultime permettono di ricavare la trasformata.
Cerchiamo dunque di risolvere la questione di trovare una funzione trasformata di un segnale assegnato che consenta in particolare di trasformare le operazioni differenziali in algebriche, e semplificare quindi le procedure di risoluzione delle equazioni differenziali, come brevemente indicato nell'Esempio 3.9.
Limitiamoci inoltre per semplicit al caso dei segnali causati, cio nulli per
t< O.
Consideriamo allora il segnale causale per antonomasia, e cio x(t) = u(t);
sappiamo gi che la sua trasformata
~

U(f)

= f u(t)e-j21fftdt = f e-j21l/ldt

(3.6.2)

non esiste in senso ordinario, perch l'integrale (generalizzato) appena scritto


non convergente. Consideriamo allora un segnale modificato x(t) ottenuto da
x(t) come illustrato in Figura 3.49, aggiungendo cio un fattore di "smorzamento" che tenda a far convergere l'integrale (3.6.2):
x(t)

=x(t).

e-m

(3.6.3)

Con l'aggiunta di questo fattore, la funzione integranda tende rapidamente a O


quando t tende a infinito, e l'integrale soddisfa le condizioni necessarie alla convergenza. Calcolando la trasformata di Fourier del segnale modificato x(t) si ha:
~

:r[x(t)]

= f x(t)e-j21l/ldt
o

= f x(t)e-me-j21l/'dt

(3.6.4)

chiaro che il valore di (J deve essere scelto opportunamente in relazione all'andamento del particolare segnale. Ad esempio, per il segnale gradino sufficiente un sia pur minimo grado di smorzamento per far convergere l'integrale,
cio sufficiente (J > O. In tal caso infatti

Il!!"

Segnali aperiodici a tempo continuo

e -(u+ j2rrf)t

fo x(t)e-ar

e-j2rrftdt =

fo

e-(U+j2rrf)t

dt

= a + j21if

= ~+ j21if

119

(3.6.5)

x(t)

t
Figura 3.49 Segnale smorzato per il calcolo della trasfonnata

non appena a> O. Se si considera la quantit a + j21if = a+ jO) come un'unica


variabile complessa

s=a+ jO)=a+ j21if

(3.6.6)

si pu interpretare la trasformata di Fourier del segnale "modificato" x(t)


(trasformata che verr a dipendere dal generico valore di a scelto, oltre che
dalla frequenza f) come una diversa trasformata del segnale originario x(t)
dipendente appunto dalla variabile complessa s = a + jO):
~

X(s)

= f x(t)e-stdt = f x(t)e-(u+j2rrf)tdt= [x(t)]

(3.6.7)

e cio la trasformata di Laplace unilatera2. La differenza principale sta


evidentemente nel fatto che questa trasformata esiste in senso ordinario anche in
molti casi in cui la trasformata di Fourier non esiste.
Dalla (3.6.5) chiaro dunque che il segnale gradino unitario ammette
trasformata di Laplace ordinaria e che questa Ves) = 1/ s. Altrettanto chiaro
dalla breve discussione sul ruolo della "costante di smorzamento" a che tale

2 Applicabile cio ai soli segnali causali. La trasfonnata di Laplace bilatera definita mediante
un integrale da

-00

00

e si applica a qualunque segnale, analogamente alla trasfonnata di

Fourier. Le'considerazioni valide per la trasfonnata bilatera relativamente alla sua relazione con
la trasfonnata di Fourier sono comunque molto simili a quelle che vengono qui fonnulate per la
unilatera, per cui la trasfonnata bilatera non verr ulterionnente presa in considerazione.

120 Capitolo 3

risultato deve intendersi valido solo per particolari valori di a, in questo caso
a> O. Se ad esempio consideriamo il segnale x(t) = eQIu(t), a> O, chiaro che
per avere smorzamento sufficiente deve aversi stavolta a> a. Relazioni di
questo tipo identificano una zona del piano complesso della variabile s in cui l'L
trasformata di Laplace esiste, in cui cio l'integrale nella (3.6.7) convergente.
Questa zona viene chiamata zona di convergenza e, per i segnali causali, un
semipiano del tipo a> ao raffigurato in Figura 3.50; la quantit ao una
caratteristica del segnale x(t) e viene chiamata ascissa di convergenza.
3[5]
I

Zona di
convergenza

j27tf
I

0"0

O"

9\[5]

Figura 3.50 Zona di convergenza della trasformata di Laplace sul piano complesso s

Non interessa stabilire qui in dettaglio le caratteristiche della trasformata di


Laplace, come la formula di inversione e i vari teoremi e propriet, molte delle
quali sono peraltro analoghe a quelle possedute dalla trasformata di Fourier.
invece interessante approfondire la relazione intercorrente tra le due trasformate.
Dal punto di vista formale, se nella (3.6.7) si pone a = O abbiamo
~

X(s)la=o

=Jox(t)e-S'dt = Jo x(t)e-j21t/'dt

(3.6.8)

a=O

che porterebbe la seguente relazione tra le trasformate di Fourier e Laplace per


segnali causali:

Segnali aperiodici a tempo continuo

X(f)

(3.6.9)

--

= X(s)la=o = X(S)IS=j21!f

121

In pratica, i valori della trasformata di Fourier del segnale sarebbero quelli che la
trasformata di Laplace assume per s

= j21if,

cio sull' asse immaginario

(j = O

del piano s.
Abbiamo usato il condizionale nelle precedenti due affermazioni perch esse
sono soggette a una ipotesi. Infatti l'uguaglianza (3.6.9) ha senso e porta a risultati corretti solo se l'asse immaginario del piano s contenuto nella zona di
convergenza della trasformata di Laplace. Altrimenti, usare la (3.6.9) pu portare a risultati senza senso o errati. La procedura (3.6.9) viene illustrata in Figura
3.51 in un caso permesso; l'andamento della X(!) viene raffigurato su di una
"sezione" lungo l'asse immaginario di una superficie che rappresenta i valori di
X(s) (supposta reale) in funzione di s.
j21tf
Zona di
convergenza

cr
cr

Figura 3.51 Estrazione, quando lecito, della trasfonnata di Fourier da quella di Laplace

Esempio 3.19

Il segnale gradino x(t)

= u(t)

ammette trasformata di Laplace

122

Capitolo 3

X(s)=-

1
s

(E3.19.1)

, 0'>0

Applicando la relazione (3.6.9) per tentare di ricavare la trasformata di Fourier


del gradino, si ottiene

=-

X (s)1

(E3.19.2)

s=j21if j21if

che non il risultato corretto. Infatti la zona di convergenza 9\[s]

= O' > O della

trasformata di Laplace non comprende l'asse immaginario O' = O.

Esempio 3.20
Il segnale esponenziale unilatero
x(t)

= e-IIT

u(t)

(E3.20.1)

, T> O

ha trasformata di Laplace
-[(C1+1IT)+j21if]1

X(s) = Je-'ITe-S'dt=
o
(:+1/T)+ j21if o
I

(E3.20.2)

purch O'+ 1/ T> O, cio (J > -1/ T. La zona di convergenza contiene dunque
l'asse immaginario
X(f)

O'

= O ed quindi

.
=
= X(s) s=}21if
1

perfettamente lecito scrivere che

--

(E3.20.3)
O

come gi noto.

Sommario
Questo capitolo ha dimostrato che l'analisi di Fourier applicabile anche ai segnali aperiodici. Immaginando infatti di ottenere un segnale aperiodico come il
limite di un segnale periodico quando il periodo di ripetizione To tende a infinito, si riesce a estendere l'espansione in serie di Fourier, valida per il segnale
periodico, anche ai segnali non periodici, ottenendo cos l'integrale di Fourier.

In questaequazionedi sintesi,il ruolochenellaserie giocavanoi coefficientiXk


viene riservato alla trasformata continua di Fourier X(f) del segnale aperiodico
x(t). Il segnale ancora scomposto come una sovrapposizione di infinite com-

ponenti sinusoidali di frequenza variabile con continuit da

-00

+00,

con fase

Segnali aperiodici a tempo continuo

123

LX(f) e con ampiezza infinitesima IX(f) Idi. Molte delle propriet di simmetria dello spettro di ampiezza A(f) =1X(n I e dello spettro di fase
D(f) = LX(f) del segnale aperiodico sono analoghe a quelle gi discusse nel
Capitolo 2 (simmetria Hermitiana, segnali pari e dispari ecc.)
Sono state ricavate molte propriet notevoli della trasformata continua di
Fourier, che permettono di calcolare lo spettro di un segnale che subisce particolari operazioni di trasformazione: ritardo, modulazione, combinazione lineare
tra pi segnali, ed stata messa in evidenza la dualit tra i domini del tempo e
della frequenza. Tra le propriet pi importanti, menzioniamo i teoremi di integrazione e derivazione, secondo i quali operazioni di carattere differenziale sul
segnale temporale equivalgono a pi semplici operazioni algebriche sulle trasformate. Analoga considerazione pu farsi a proposito del teorema della convoluzione, per cui l'operazione di integrale di convoluzione nel tempo corrisponde
a un semplice prodotto in ambito frequenziale.
La necessit di estendere l'operazione di derivata anche in casi in cui il segnale temporale discontinuo ha portato poi all'introduzione della funzione generalizzata 8(t) di Dirac, formalmente definita come la derivata della funzione
gradino unitario. Da questa definizione, precisata poi in senso limite, sono state
ricavate numerose altre propriet, come la propriet campionatrice e la neutralit nei confronti della convoluzione. Attraverso la 8 di Dirac, si stati in grado
di ricavare le trasformate di Fourier generalizzate di segnali non trasformabili in
senso ordinario: il segnale costante, il gradino unitario, le funzioni seno e coseno, e i segnali periodici. A quest'ultimo proposito, si poi ricavata la relazione
di campionamento infrequenza che sussiste tra la trasformata continua di un se-o
gnale aperiodico e i coefficienti di Fourier del segnale periodico ottenuto periodicizzando il segnale aperiodico dato.
.
Il capitolo si chiuso infine con l'esame della relazione tra la trasformata di
Fourier X(f) e la trasformata di Laplace X(s) di un segnale causale. Si messo
in luce in particolare che la trasformata di Fourier si pu direttamente ricavare da
quella di Laplace solo quando la zona di convergenza di quest'ultima comprende
l'asse immaginario s = j21if .

Esercizi proposti
3.1 Determinaree rappresentarela trasformatadi Fourier X(f) del segnale
x(t) nei seguentitre casi:

124

Capitolo 3

COS2(7rt/T) It k T /2
.
O
altrove
{
O
t <-T
2
l t
- -+1
-T5,t<O

a) x(t)

b) x(t)

=i

(1 t )
( )

2 T

1-2"
1
,

T-l

05,t<T
t ".T

c) x(t) come in Figura 3.52.


3.2

Dato un segnale xC!) con trasformata XC!), trovare e rappresentare la


trasformata del segnale
y(t)

= x(t). I8(t
n

- nT)

x(t)

-T
T

-1
Figura 3.52
3.3

Determinare le trasformate dei seguenti segnali semipe1jpdici (cioe periodici per t> O):
i) xc(t) = cos(27r.fot).u(t)
ii) Xs(t) = sin(2%t) . u(t)
iii) y(t)

3.4

= Acos(2%t

+ rp). u(t)

Determinare la relazione duale del teorema di derivazione (calcolare cio


:r -I [dX(f) / di]), e sfruttarlaper calcolarela trasformatadel segnale x(t)
in Figura 3.53.

3.5 Calcolaree rappresentarez(t) =x(t) Q9y(t), con


x(t)

=e

t/T

u(t) , y(t) = rect

t-T/2
T

Segnali aperiodici a tempo continuo

3.6

Rappresentare la seguente trasformata di Fourier:

X(f)=

T
2T(1-I/IT)

III~ 1/2T
1/2T<I/I~1/T

{O
3.7

125

III> 1/ T

e trovare il segnale x(t) antitrasformato.


Determinare la trasformata di Fourier D(J) del segnale
d(t)

= L(-1)k8(tk

kTo/2)

Utilizzando questo risultato dimostrare poi che i coefficienti di Fourier di


ordine pari di un qualunque segnale periodico alternativo sono nulli.
x(t)
1

-T
T

-1
Figura 3.53

3.8

Determinare i coefficienti Xk della serie di Fourier del segnale periodico


x(t) di Figura 3.54.
x(t)
1

-1
Figura 3.54

3.9

Un segnale periodico y(t) di periodo 1'0 ottenuto come periodicizzazione


del segnale aperiodico x(t):
I
l

126

Capitolo 3

-+-o

y(t)= Lx(t-nTo)
n=-1

Dimostrare che
-+-o

y(t)

= x(t)

<8>Lo(t
n =-00

- nTo)

e da questa espressione ricavare in una maniera alternativa a quella del


testo la relazione di campionamento infrequenza tra ~ e X(f).
3.10 Il segnale cosiddetto coseno rialzato

viene periodicizzato con periodo T. Determinare i coefficienti di Fourier


del segnale periodicizzato tramite la formula del campionamento in
frequenza, e discutere a posteriori il risultato ottenuto. Era questo
prevedibile in partenza? Ripetere lo stesso procedimento per il segnale

Appendice
Cenni alla teoria delle distribuzioni

A.I Definizione di distribuzione e di funzione generalizzata


Senza nessuna pretesa di rigore matematico, diamo nelle pagine seguenti alcuni
cenni alla teoria delle distribuzioni per chiarire meglio il contesto in cui le
funzioni generalizzate hanno una sistemazione fonnale corretta.
Si definiscefunzionale e si indica con T[x] una corrispondenza che associa a
una funzione x(t), di durata limitata, un ben definito valore numerico reale o
complesso. Un esempio di funzionale 1'energia di un segnale:
~

T[x] = Ex = J x2(t)dt

(Al)

o il suo limite superiore:


T[x]

= sup[x(t)]

(A2)

o anche l' "area sottesa" dallo stesso


~

T[x] = x(t)dt

(A3)

Il funzionale una generalizzazione del concetto di funzione nel senso di


corrispondenza o mappa. Contrariamente alle funzioni ordinarie, gli elementi del
dominio della corrispondenza sono funzioni (cio segnali) anzich valori
numerici, e il valore reso dal funzionale stesso dipende dall'andamento del

128

Capitolo 3

segnale nella sua globalit.


Distinguiamo alcune categorie di funzionali. Un funzionale lineare se per
esso vale la relazione
(A.4)
per ogni valore dei parametri a e f3 e per ogni coppia di funzioni xl(t) e xAt).
Evidentemente, il funzionale che associa a ogni segnale la propria energia non
lineare, mentre quello che associa l' "area sottesa" lo . Inoltre, un funzionale
= x(t),
continuo se, data una successione di funzioni xAt) con limxAt)
e->O
verificata la relazione
limT[xAt)]
e->O

= T [ limxAt)
= T[x(t)]
e->O
]

(A.5)

per ogni valore del tempo t. La continuit garantisce in pratica che possibile
"portare il limite sotto il segno di funzionale". Un funzionale lineare e continuo
una distribuzione.
Esempio A.l
Consideriamo il funzionale definito dalla relazione seguente:
T[x(t)]

(A.6)

x(o)

Come possiamo notare, questo particolare funzionale dipende da un solo valore


del segnale x(t); verifichiamo se esso gode delle propriet di linearit e
continuit. La (A.6) implica che
(A.7)
che dimostra la linearit del funzionale. Per quanto riguarda la continuit, se
verificata la seguente relazione
limxAt)
e->O

= x(t)

~t

(A.8)

possiamo scrivere che


limT[xAt)]
e->O

= limxAO)=
x(O)= T[x(t)]
e O

(A. 9)

e la continuit resta dimostrata. Il funzionale in esame pertanto una


distribuzione.
D

Segnali aperiodici a tempo continuo

129

Nello studio della teoria delle distribuzioni utile introdurre una funzione di
comodo q>(t)che permetta di esprimere il valore del funzionale nella seguente
forma:
~

Tq>[x]=

fq>(t)x(t) dt

(A IO)

Si richiede che la funzione q>(t)sia localmente sommabile, cio che verifichi la


seguente relazione:
/,
flq>(t)1dt <

(AlI)

00

con t) e t2 finiti. Il motivo per cui si introduce tale rappresentazione che essa
garantisce automaticamente la linearit e continuit del funzionale. In altre
parole, qualunque sia la funzione q>(t)scelta, la Tq>[x] comunque una
distribuzione.Se infatti la propriet di linearit garantita dalla presenza
dell'operatore di integrale, la continuit del funzionale segue immediatamente
dalla locale sommabilit di q>(t),come semplice dimostrare. Il pedice q>nella
(A.IO) indica che la distribuzione si "appoggia" alla funzione q>(t).Se, ad
esempio, scegliamo q>(t)= l otteniamo la distribuzione che fornisce il valore
dell'area sottesa dalla curva x(t). Invece se q>(t)= u(to - t) con to assegnato si

ottiene
~

Tq>[x]
= fx(t)u(to-t)dt=

/0

fx(t)dt

(AI2)

cio il funzionale restituisce il valore algebrico dell'area sottesa dal segnale x(t)
fino all'istante to'

A.2 La funzione generalizzata 8 di Dirac


Dunque ogni funzione ordinaria q>(t)genera una distribuzione, ma vicversa
non detto che data una qualunque distribuzione si riesca a trovare una funzione
ordinaria q>(
t) che la generi. Infatti, se consideriamo la distribuzione T[x ] = x(O)
ci rendiamo conto che non esiste alcuna funzione ordinaria q>(t)che permetta di
scrivere tale distribuzione nella forma (AIO). Si definiscono allora le funzioni
generalizzate che garantiscono la possibilit di scrivere ogni distribuzione nella
forma (A.IO); tra queste, particolare importanza assume la funzione impulsiva ~

di Dirac implicitamente definita dalla distribuzione appena citata:

130

Capitolo 3

To[x]! J x(t) 8(t) dt

(Al3)

= x(O)

Questa la definizione formalmente corretta per la funzione 8(t); essa prevede


ovviamente che la 8(t) debba comparire sotto il segno di integrale. La (Al3)
gia stata presentata nel testo come una propriet della 8(t) ricavabile a partire
dalla definizione euristica intesa come limite di una successione di funzioni
ordinarie.

A.3 Derivata di una distribuzione


L'introduzione della 8(t) nel testo stata giustificata attraverso la ricerca della
derivata temporale del gradino unitario; si cio stabilito intuitivamente che
8(t)

= du(t)
dt

(A 14)

Cerchiamo adesso di dimostrare la correttezza di questa relazione nell'ambito


della teoria delle distribuzioni. Per fare ci, definiamo innanzitutto la derivata di
una distribuzione che si appoggia alla funzione q>(t)come
~

(AI5)

T;[ x ]!Tq>'[x] = J q>'(t) x(t) dt

ove q>'(t)indica la derivata prima di q>(t)(nell'ipotesi di esistenza). Integrando


per parti il secondo membro della (AI5) si ottiene

T;[x] = q>(t)X(t)[ -

(AI6)

j q>(t)x'(t) dt

Il primo addendo della (AI6) nullo poich x(t), per avere energia finita, deve
tendere a zero quando il tempo tende all'infinito; allora si pu dare un' altra
definizione di derivata di una distribuzione:
(AI7)
Utilizzando questo risultato cerchiamo di giustificare la relazione (A.14).
Ponendo q>(t)= u(t) nella (A lO) si ottiene la distribuzione
~

Jo

T"[x] = x(t) dt

(AI8)

Segnali aperiodici a tempo continuo

131

e, calcolandone la derivata attraverso la (Al?), si ricava


~

1;;[x ] = - J u(t) x' (t) dt = - J x' (t) dt = J x' (-a) da = x( O)= 18[x ]
o

(AI9)

Dunque, poich la derivata della distribuzione che si appoggia ad u(t) la


distribuzione che si appoggia a 8(t), allora, secondo la (A.15), la 8(t) pu
essere considerata la derivata dellafunzione u(t).
Definiamo adesso una nuova distribuzione:
(A20)

TD[x]=-x'(O)

in cui, per cos dire, si campiona il valore nell' origine della derivata del segnale
x(t) cambiata di segno. Chiamiamo D(t) la fun~ione generalizzata d'appoggio
di questa distribuzione:
~

TD[x]

= -x'

D(t)x(t)dt

(A2I)

(O)

Se calcoliamo la derivata della distribuzione 18[x] abbiamo


~

T;[x] = -

J8(t)x'(t)dt

= -x' (O) = TD[x]

(A22)

e quindi, ripetendo il ragionamento gi fatto a proposito delle funzioni 8(t) e


u(t), concludiamo che la D(t) la derivata prima della 8(t):
D(t) = d8(t)/ dt

(A23)

Da questa definizione seguono immediatamente alcune propriet interessanti


della D(t) vista come funzione generalizzata:
~

JD(t)x(t

- to) dt

= -x'(to)

JD(t) x(to - t) dt = x'(to)

(A24 )

e quindi
x(t) @ D(t)

= x'(t)

(A25)

Relazioni simili possono ottenersi definendo le derivate successive della


funzione 8(t), e costituiscono una base di analisi dei sistemi lineari e stazionari
a un ingresso e una uscita, come sar chiarito nel Capitolo 4.

132 Capitolo 3

A.4 Limite di una distribuzione e di una funzione generalizzata


Consideriamo adesso una successione di funzioni generalizzate rpe(t). Diremo
che questa successione
ammette una funzione generalizzata limite rp(t), e
e-+O
scriveremo che rpe(t)~ rp(t) quando, per ogni segnale x(t),
limTm
[x] = T,Jx]
E~O r
.,..

(A.26)

ovvero
~

lim

e-+O

f rpe(t)x(t)dt =f rp(t)x(t)dt

(A.2?)

Questo chiarisce il senso della definizione della funzione generalizzata D(t)


come limite della successione De(t) (3.4.4). La convergenza di funzioni
generalizzate implicata dalla definizione (A.2?) non "diretta" come la
convergenza di funzioni ordinarie, in cui si richiede che, per ogni valore di t, si
abbia
limxe(t)
= x(t)
e-+O

(A.28)

Nel caso delle funzioni generalizzate, infatti, la convergenza mediata


attraverso una operazione di integrazione al di fuori dalla quale la funzione
generalizzata stessa non ha senso; ricordiamo infatti che quest'ultima ha il solo
scopo di definire un funzionale (una distribuzione) che a essa si "appoggia".
Emerge chiara adesso la necessit di intendere le operazioni al limite che si
devono eseguire per calcolare
integrali in cui compare la funzione D(t) come
,/
eseguite al di fuori del segno di integrale (si riveda la discussione su questo
punto nel Paragrafo 3.4.1). La definizione stessa di convergenza tra funzioni
generalizzate (A.2?) prevede infatti esplicitamente tale operazione.

4
Sistemi monodimensionali a tempo continuo

4.1 Caratterizzazione dei sistemi a tempo continuo


4.1.1 Dal concetto di segnale al concetto di sistema
L'analisi e in generale lo studio dei segnali a tempo continuo intrapresi nei capitoli precedenti originano un certo numero di domande: In che contesto si manifestano tali segnali? Dove possono essere osservati? Che cosa responsabile
della produzione dei segnali stessi? Come questi possono essere elaborati? Nei
capitoli precedenti abbiamo gi visto alcune risposte parziali a queste domande.
Abbiamo infatti preso in considerazione segnali prodotti da fenomeni fisici, da
circuiti elettrici, da apparati in generale sia naturali che artificiali. Tutti questi
esempi possono essere accomunati in un solo concetto, ovvero quello di sistema.
Cos come nel caso della definizione di segnale.discussa nel Capitolo 1, anche la definizione di sistema abbastanza articolata, per lo meno dal punto di
vista del linguaggio ordinario. In senso lato, possiamo chiamare sistema monodimensionale (altrimenti detto a un ingresso e una uscita) un qualunque dispositivo, o interconnessione di dispositivi, o apparato, che produce un segnale di
uscita (chiamato anche risposta o effetto) in corrispondenza a un segnale di ingresso (detto anche sollecitazione, eccitazione o causa). Questa definizione
intenzionalmente molto vaga, in modo che sotto la dizione sistema possano
rientrare i casi pi disparati. chiaro che un circuito elettronico per il trattamento del segnale un caso tipico di sistema (ad esempio un amplificatore in un
sistema di riproduzione audio ad alta fedelt). A buon diritto pu per classificarsi come tale anche un sistema di controllo: la potenza erogata dal motore a

134

Capitolo 4

scoppio di una autovettura (segnale di uscita), controllata dal sistema di


iniezione di carburante, determinata dalla posizione che istante per istante
assume il pedale dell'acceleratore (segnale di ingresso); la temperatura del
nocciolo di una centrale termonuc1eare (segnale di uscita) determinata d~la
portata con cui il liquido refrigerante affluisce al nocciolo stesso (segnale di
ingresso), e cos via.
Dal punto di vista matematico, che quello che riguarda pi da vicino la
teoria dei segnali, la definizione di sistema assai meno vaga. In questo
contesto, un sistema una trasformazione (o, con la nomenc1atura dell'analisi
fUnzionale,unfunzionale) che a un segnale di ingresso x(t) fa corrispondere un
ben determinato e unico segnale d'uscita y(t). La trasformazione del segnale
x(t) nel segnale y(t) si denota nel modo seguente:
(4.1.la)

y(t) ='T[x(a);t]

ove con questa notazione si intende che il valore dell'uscita all'istante t dipende
in generale dall'andamento complessivo del segnale d'ingresso x(t), cio da tutti

i suoi valori x(a), con

-00

< a < 00 (ad esempio y(t) =J~x(a)da). Qu.@do

non ci sono per particolari questioni di ambiguit, si pu usare anche la notazione semplificata
(4.1.lb)

y(t) ='T[x(t)]

yna rappresentazione grafica di questa trasformazione quella di Figur~ 4.LLe


frecce indicano i segnali di ingresso e di uscita; il rettangolo la "materializzazione" grafica della trasformazione '1"'[-];il punto interrogativo allude al fatto che
per il momento del sistema non nota n la struttura interna (racchiusa dal
blocco e inaccessibile), n la maniera per caratterizzarne il comportamento agli
effetti esterni. Quest'ultimo argomento l'oggetto dei prossimi paragrafi.
x(t)

y(t)

Figura 4.1 Sistema che trasfonna il segnale x( t) nel segnale y( t)

Un esempio di sistema l'amplificatore ideale per il quale la legge di trasformazione elementare: esso viene infatti descritto dalla semplice relazione

y(t)

= A x(t),

essendo A una costante data (1'amplificazione).

Sistemi monodimensionali a tempo continuo

135

4.1.2 Propriet dei sistemi monodimensionali


A prescindere dalla struttura interna del sistema, fortemente dipendente dal contesto e dall'applicazione, possibile acquisire alcune informazioni preliminari
sul comportamento del sistema stesso e individuarne cos alcune propriet,
compiendo osservazioni esclusivamente sui segnali di ingresso/uscita.
Esaminiamo dunque queste propriet in dettaglio.
i) Stazionariet
Se le ~aratteristiche del sistema non variano nel tempo, il sistema stazionario;
questo il caso dei circuiti elettrici con componenti, per l'appunto, costanti nel
tempo. Volendo caratterizzare in modo formale un sistema siffatto possiamo
scrivere che, se
(4.1.2)

y(t) ='T[x(t)]

allora
(4.1.3)
9uesta relazione dice in pratica che la risposta corrispondente all'eccitazione
traslata nel tempo x(t

- to)

ha lo stesso andamento

della risposta al segnale

originario x(t) non traslato, purch la si trasli della stessa medesima quantit to.
ii) Causalit
Un sistema causale quando il valore dell'uscita all'istante arbitrario generico t
dipende soltanto dai valori assunti dall'ingresso agli istanti precedenti (o al
limite coincidenti con) t stesso:
y(t)

= 'T[x(a),a::; t;t] = 'T[x(a)u(t - a);t]

(4.1.4)

L'aggettivo causale deriva dalla considerazione che; se la relazione precedente


non fosse verificata, l'uscita all'istante t sarebbe determinata anche da valori dell'ingresso x(a) a istanti a> t, cio valorijitturi relativamente a t, in violazione
del principio di causa-effetto.
La causalit dei sistemi sembrerebbe quindi una propriet scontata. In realt
possiamo introdurre un'ulteriore distinzione: si dice che un sistema opera in
tempo reale se produce il segnale di uscita contestuaImente alla presentazione di
quello d'ingresso. Quindi un sistema fisicamente realizzabile che lavora in
tempo reale non pu che essere causale. Se invece l'uscita viene fornita dal
sistema solo successivamente all'acquisizione completa del segnale di ingresso,
si dice che il sistema opera in tempo virtuale. Registrando il segnale d'ingresso

,
136 Capitolo 4

su nastro o disco magnetico, si pu generare il segnale di uscita elaborando il


segnale successivamente all'acquisizione (cio in tempo virtuale) e quindi si
possono anche compiere operazioni di tipo "predittivo" impossibili in tempo
reale, e tipiche di un sistema non causale.
iii) Memoria
Un caso particolare di sistema causale il cosiddetto sistema istantaneo in cui
l'uscita all'istante t dipende solamente dal valore dell'ingresso al medesimo
istante:
y(t)

(4.1.5)

= 'T[x(a),a = t;t]

In questo caso si usa anche la dizione di sistema senza memoria (per evidenti
motivi). Due diversi segnali di ingresso XI(t) e X2(t), coincidenti a un certo
istante t*, provocano un medesimo valore in uscita all'istante t*, indipendentemente dai rispettivi andamenti per t * t*. L'esempio tipico di sistema istantaneo
l'amplificatore ideale y(t)=A.x(t). Viceversa, un esempio di sistema con
memoria il cosiddetto integratore a finestra mobile per il quale
I

y(t)

= J x(a) da

(4.1.6)

l-T

ove T> O l'ampiezza della "finestra di integrazione". Il calcolo del valore


dell'uscita all'istante t presuppone la conoscenza dell'andamento del segnale
d'ingresso in tutto l'intervallo [t - T, t] (Figura 4.2): il sistema mantiene una
certa memoria dell'andamento del segnale d'ingresso x(t).

y(t)

x(a)

t-T

Figura 4.2 Funzionamento di un integratore a finestra mobile

Sistemi monodimensionali a tempo continuo

137

Esempio 4.1
Consideriamo di nuovo l'amplificatore ideale. Come gi accennato, il suo
comportamento descritto dall'equazione
y(t)

=A. x(t)

(E4.1.I)

ove il parametro reale A rappresenta l'amplificazione (cio il guadagno). Tale


sistema causale e senza memoria. Inoltre esso stazionario essendo
banalmente verificata l'uguaglianza tra 'T[x(t - to)]e y(t - to).
In una realizzazione dell'amplificatore con componenti elettronici, pu accadere che, per lente derive dei componenti stessi, il guadagno non sia costante,
ma vari lentamente nel tempo. Un semplice modello di questa situazione il
nuovo sistema
y(t)

= (A + B t) x(t)

(E4.1.2)

che ancora causale e senza memoria, ma non stazionario. Si ha infatti che


'T [x(t - to)]

= (A + B t) x(t -

to) * y(t - to) = (A + B (t - to)) x(t - to). (E4.1.3)

D
iv) Stabilit
Diremo che un sistema stabile se, sollecitato da un segnale con andamento
arbitrario ma di ampiezza limitata, produce a sua volta in uscita un segnale di
ampiezza limitata:
Ix( t)1::; M :::} Iy( t)1::; K

(4.1.7)

con M e K finiti. Questa definizione di stabilit si indica con l'acronimo BIBO


(Bounded-Input Bounded-Output) che significa "uscita limitata per ogni ingresso
limitato", ed solo una tra le molte definizioni di stabilit che si possono dare
per i sistemi monodimensionali. Secondo questo criterio, un "buon pilotaggio"
di un sistema stabile, cio un segnale di ingresso adeguatamente limitato, non
causa mai in uscita fenomeni di instabilit, cio situazioni in cui la risposta y(t)
tende a crescere illimitatamente.
v) lnvertibilit
In molti casi necessario ricostruire il segnale di eccitazione in ingresso a un
sistema nota la risposta al segnale stesso. Questa operazione possibile solo per
sistemi invertibili, per i quali cio esiste un sistema inverso 'T-I [.] tale che:

138 Capitolo 4

(4.1.8)

'T-I [y(t)] = X(t)

qualunque sia il segnale di ingresso x(t). chiaro che l'amplificatore ideale


invertibile (e il suo sistema inverso ancora un amplificatore ideale), mentre il
sistema y(t) = X2(t) non lo .
vi) Linearit
Infine, un sistema lineare se a esso applicabile il principio di sovrapposizione
degli effetti. Ci significa che al segnale di ingresso
(4.1.9)
costituito da una combinazione lineare con coefficienti costanti a e f3 delle due
eccitazionix,(t) e X2(t)(le cause),il sistemarispondecon il segnaledi uscita
(4.1.10)
ove YI(t)='T[Xl(t)] e Y2(t)= 'T[X2(t)]. L'uscita si ottiene dunque mediante la
stessa combinazione lineare delle due risposte YI(t) e Y2(t) (gli effetti) alle due
eccitazioni XI(t) e X2(t) considerate agenti separatamente.
Esempio 4.2
Consideriamo il raddrizzatore a doppia semionda, la cui relazione costitutiva
'T[ x(t)] =

(E4.2.1)

Ix(t)1

Poniamo al suo ingresso il segnale x(t)

= XI (t) + x2(t);

poich

(E4.2.2)
D

si pu dire che il sistema in esame non lineare.

Esempio 4.3
Riprendiamo in considerazione
dell'Esempio 4.1:
y(t)

= (A + Bt)x(t)

l'amplificatore

a guadagno

variabile

(E4.3.1)

e studiamone la linearit. Se il segnale d'ingresso x(t)=axl(t)+f3x2(t),


l'uscita corrispondente data da

Sistemi monodimensionali a tempo continuo

139

'T[x(t)] = (A + Bt)[ax.(t) + /h2(t)] = (A + Bt)ax.(t) + (A + Bt)f3X2(t)(E4.3.2)


Poich y.(t)=(A+Bt)XI(t)
essere riscritta nella forma

e Y2(t) = (A + Bt) X2(t) la relazione (E4.3.2) pu

(E4.3.3)
e quindi il sistema lineare.

4.2 Caratterizzazione e analisi dei sistemi lineari stazionari


Restringiamo adesso la nostra attenzione al caso estremamente importante di
sistemi lineari e stazionari (SLS) (o invarianti nel tempo). Questi rivestono una
particolare importanza perch si rivelano estremamente semplici da analizzare, e
possono inoltre essere sintetizzati (progettati) con altrettanta facilit.
Nel paragrafo precedente, abbiamo qualificato i sistemi monodimensionali
secondo determinate propriet rilevabili mediante lo studio dei soli segnali di
ingresso e uscita, a prescindere dalla struttura materiale del sistema stesso.
Vogliamo estendere questo modo di procedere, che potremmo chiamare "a
scatola chiusa" con riferimento al diagramma di Figura 4.1, per arrivare a una
caratterizzazione esaustiva del comportamento dei sistemi lineari stazionari.
4.2.1 La risposta impulsiva
.
Per un SLS dato possibile misurare (o calcolare se si dispone di uno schema di
progetto) la cosiddetta risposta impulsiva, cio l'uscita del sistema in corrispondenza all'eccitazione impulsiva x(t) = 8(t). Convenzionalmente, tale segnale
viene indicato con h(t):
(4.2.1)

h(t)~'T[8(t)]

L'importanza della risposta impulsiva di un SLS risiede nel fatto che la MIaconoscenza permette di determinare la risposta del sistema a un segnale di ingresso
di andamento arbitrario. Ricordiamo la (3.4.21):
~

x(t)

= x(t)<8>8(t) = fx(a)8(t-a)da

e scriviamo:

(4.2.2)

140 Capitolo 4

y(t)

='T[x(t)] ='TU

(4.2.3)
x(a)O(t - a)da]

La trasformazione 'T[']caratteristica del sistema e l'operazione di integrale sono


entrambe operatori lineari, e quindi possibile invertime l'ordine di calcolo. La
(4.2.3) diventa quindi
~

y(t) = f'T[x(a)8(t-a)]da

(4.2.4)

ove importante osservare che l'operatore 'T['] agisce su segnali funzioni del
tempo t. Poich tale operatore lineare, e tenendo conto che, rispetto al tempo t,
la quantit x( a) una costante, si ha:
~

y(t) = fx(a)''T[8(t-a)]da

(4.2.5)

e infine, per la propriet di stazionariet del sistema e ricordando la definizione


di risposta impulsiva h(t) (4.2.1), si ottiene:
~

y(t)

fx(a) h(t - a) da = x(t) <8>h(t)

(4.2.6)

che stabilisce la relazione fondamentale (diremmo costitutiva) del sistema lineare stazionario: il segnale di uscita pu essere calcolato attraverso la convoluzione del segnale di ingresso con la risposta impulsiva.
La conoscenza della risposta impulsiva, oltre a permettere di ricavare il
segnale di uscita dato quello di ingresso, consente anche di verificare le propriet
possedute dal sistema e quindi caratterizza completamente il comportamento del
sistema stesso. Nel paragrafo precedente abbiamo visto ad esempio che un,
sistema causale se verificata la relazione
y(t) = 'T[x(a),a::; t;t] = 'T[x(a)u(t - a);t]

(4.2.7)

Dimostriamo ora che un SLS causale se e solo se la sua risposta impulsiva un


segnale causale (nel senso specificato nell'Esempio 3.2), cio
h(t)

==

h(t) u(t)

(4.2.8)

Infatti, se calcoliamo il segnale di uscita di un SLS la cui risposta impulsiva


causale, abbiamo:

Sistemi monodimensionali a tempo continuo

y(t) = x(t) <8>


h(t) =

141

fx(a) h(t - a) da = fx(a) h(t - a)u(t - a) da

fx(a) h(t-

(4.2.9)

a) da

in cui l'ultimo passaggio giustificato dal fatto che h(t - a)


mostrato in Figura 4.3.
h(t)

= O per a ~ t come

h(t -o:)

t-o:

o:

Figura 4.3 Risposta impulsiva di un sistema causale

La limitazione dell'estremo superiore di integrazione nella (4.2.9), provocata


dalla causalit della risposta impulsiva, porta a concludere che il valore al
generico istante t del segnale di uscita determinato dai soli valori assunti da
x(a) per a '5,t. In una parola, il sistema causale. Viceversa, se il SLS in
esame fosse causale e la (4.2.8) non fosse verificata (cio la risposta impulsiva
non fosse causale) si avrebbe un assurdo perch, con un ragionamento analogo a
quello appena visto, si dimostrerebbe che l'uscita del sistema a un istante
assegnato dipenderebbe anche dai valori assunti dal segnale di ingresso in istanti
successivi.
Anche la stabilit del sistema univocamente determinata dall'andamento
della risposta impulsiva. Infatti, condizione necessaria e sufficiente affinch un
SLS sia stabile che la sua risposta impulsiva sia assolutamente,integrabile:
~

flh(t)1dt < +00

(4.2.10)

Verifichiamo innanzitutto la sufficienza. Supponiamo dunque

flh(t)1 dt = H < 00

(4.2.11)

142 Capitolo 4

Per un segnale d'ingresso limitato (cio Ix(t)J~ M) possiamo scrivere


ly(t)1=,j h(a)

x(t-a) dal ~ jlh(a) x(t- a)1da

= jlh(a)llx(t -a)1 da ~

~ M flh(a)1 da

= MH

(4.2.12)

<-too

e quindi il sistema stabile. Procedendo per assurdo dimostriamo poi che la


condizione (4.2.10) di assoluta integrabilit anche necessaria. Supponiamo che
h(t) non sia assolutamente integrabile e che il sistema, nonostante ci, sia stabile. Ci significa che, dando in ingresso al sistema un segnale limitato arbitrario, il segnale di uscita corrispondente deve avere ampiezza limitata. Questo
deve accadere in particolare per il segnale di ingresso (ovviamente limitato)
x(t) = sgn[h(-t)] (il cosiddetto segnale del caso peggiore) rappresentato in
Figura 4.4 insieme a un particolare andamento della risposta impulsiva h(t).
1.5

sgn[h( -t)]

1.0

0.5
1\1

o.o~

"

"1

l'

'

\./

\~

-0.5

-1.0

h(-t)
-1.5
-2

-1

Tempo normalizzato, tfr

Figura 4.4 Rappresentazione del segnale x(t)

= sgn[h( -t)]

Calcoliamo adesso il valore del segnale di uscita y(t) per t = O

y(O)

=f h(a) x(t -

a) da

=f h(a) x(-a)

1=0

da = f h(a)sgn[h(a)] da

Sistemi monodimensionali a tempo continuo

143

flh(a)1
da

(4.2.13)

=-too

avendo supposto, coerentemente con le ipotesi, che la risposta impulsiva del


sistema non sia assolutamente integrabile. Allora, poich il segnale di uscita del
sistema non ha ampiezza limitata, il sistema in realt non stabile, in
contraddizione con l'ipotesi fatta. Concludendo, possiamo scrivere
~

sistema stabile in senso BIBO <=>flh(t)1 dt <-too

(4.2.14)

4.2.2 La risposta in frequenza


La risposta impulsiva di un sistema pu essere ricavata applicando in ingresso al
sistema stesso un segnale che approssimi la funzione 8(t) e misurando l'uscita
corrispondente. Diciamo "approssimi" perch il segnale 8(t) un'astrazione
matematica che pu solo essere approssimata quando si effettua una misurazione
nella pratica. Se per si ha un'idea dei tempi di risposta del sistema, una buona
approssimazione della sollecitazione impulsiva un impulso rettangolare di
durata sufficientemente pi piccola della costante di tempo intrinseca al sistema,
e di ampiezza sufficientemente elevata. Ci che si ottiene in questo modo la
caratterizzazione del sistema nel dominio del tempo.
In molti casi per non possibile e/o conveniente applicare al sistema una
sollecitazione impulsiva, vuoi per l'impossibilit di generare un segnale che sia
una buona approssimazione di un impulso di Dirac, vuoi per il timore che una
sollecitazione di ampiezza elevata come !'impulso (o meglio, l'approssimazione
pratica dell'impulso) possa danneggiare il sistema stesso. Cambiamo dunque
tipo di eccitazione, e forniamo al sistema un segnale di ingresso sinusoidale o

meglio,per semplicitdi calcolo, una oscillazionesinusoidalecomplessaalla


frequenzaf:
(4.2.15)

x(t) = ej2'!fi
L'uscita corrispondente espressa da
~

y(t)

=f h(a) x(t - a) da =f h(a)

ej21if(t-a)da

= ej2'!fi h(a)

e-j21ifada

(4.2.16)

144 Capitolo 4

.~

Se il sistema stabile, la risposta a un' oscillazione di frequenza f assegnata a


sua volta un' oscillazione alla stessa frequenza f, ma modificata in ampiezza e
fase rispetto all'ingresso di un fattore a valori complessi che chiamiamo risposta
infrequenza (talvolta risposta armonica) del sistema:
(4.2.17)

H(J)~ y(t)

x(t) x(t)=ej21r/t
1

Al variare della frequenzaf, la variazione di ampiezza e lo sfasamento introdotto


dal sistema su un segnale sinusoidale cambiano, cosicch la risposta in frequenza deve intendersi come una funzione della frequenza f esprimibile ad
esempio in modulo e fase. Questa definizione di carattere operativo della risposta in frequenza pu essere presentata in modo alternativo se si riconsidera la
(4.2.16):
~

H(f)

= Jh(a)

e-j21r/ada

(4.2.18)

Allora chiaro che la risposta in frequenza anche ricavabile come trasformata


di Fourier della risposta impulsiva:
(4.2.19)

H(f)~:r[h(t)]

Le due definizioni (4.2.17) e (4.2.19) sono chiaramente equivalenti. La prima


per suggerisce un metodo per misurare la risposta in frequenza attraverso
segnali di prova sinusoidali a frequenza variabile. La seconda richiede la
preventiva conoscenza della risposta impulsiva, e quindi ha come prerequisito la
caratterizzazione temporale del sistema, che non richiesta vice}iersa nella
"misura" della risposta in frequenza (4.2.17).
Se infine indichiamo con X(J) e Y(J) le trasformate di Fourier rispettivamente del segnale di ingresso e di quello di uscita, possiamo trovare una terza
maniera di definire o ricavare la risposta in frequenza H(J). Trasformando entrambi i membri della relazione costitutiva del SLS (4.2.6) abbiamo
y(t)

=x(t)

(8)h(t)

Y(J) = x(J) H(J)

(4.2.20)

ovvero
(4.2.21)

Sistemi monodimensionali a tempo continuo

145

Questa relazione permette di ricavare la risposta in frequenza del SLS attraverso


la conoscenza delle trasformate di Fourier dell'ingresso e dell'uscita del sistema,
prescindendo ancora una volta da una misura della risposta impulsiva. chiaro
per che quest'ultima definizione ha senso solo per quei valori di f per cui
X(f) *"O. Le tre definizioni viste per H(f) possono essere usate indifferentemente nella risoluzione di problemi pratici o teorici a seconda della convenienza.
Sappiamo che la trasformata di Fourier di un segnale reale gode della propriet di simmetria Herrnitiana (si vedano le (3.2.8-3.2.9)); perci se la risposta
impulsiva di un sistema reale possiamo scrivere:

A(J) = A(- f)
H(J) = H*(- f) => 8(J) = -8(- f)

(4.2.22)

dove A(J)= IH(J)I la cosiddetta risposta in ampiezza del sistema e


8(J) = LH(J) la sua risposta in fase. Per comprendere appieno il perch di
questa nomenclatura (analoga peraltro a quella adottata per gli spettri dei
segnali), poniamo in ingresso al sistema il segnale
x(t)

= acos(21ifot + qJo)

(4.2.23)

e calcoliamo il corrispondente segnale d'uscita y(t). Osserviamo che x(t) pu


essere riscritto come
(4.2.24)

Pertanto, sfruttando la definizione di risposta in frequenza (4.2.17) e la linearit


del sistema si ottiene:
y(t) = H(fo) ~ejrpoej21ifol
+ H( -.lo) ~e-jrpoe-j21ifol
= A(.fo) ej9(Jo)~ejrpoej21ifol+ A( - .lo) ej9(- fo) ~e- No e- j21ifol
= A(.fo) ~ [ej(9(Jo)+9'0)ej21ifol
+ e-j(9(Jo)+9'0)e-j21ifol]

= a A(fo) cos(21ifot+ qJo+ 8(10))

(4.2.25)

Come gi ricavato nel caso dell'oscillazione complessa, l'uscita del sistema risulta modificata in ampiezza e fase relativamente al segnale d'ingresso in ragione rispettivamente delle risposte in ampiezza efase del sistema alla frequenza
lo considerata.

146

Capitolo 4

Esempio 4.4
Consideriamo la consueta squadra R-C mostrata in Figura 4.5 e determiniamola
sua risposta in frequenza H(1). Osserviamo preliminarmente che il problema
ben posto, nel senso che il sistema dato lineare e stazionario poich costituito
da componenti lineari a valori costanti nel tempo. La risposta impulsiva del
sistema pu essere ricavata come segue:
h(t) = 'T[o(t)] = 'T

dU(t)
= ~'T[u(t)] = dg(t)
dt
[ dt ] dt

(E4.4.1)

.
I

Figura 4.5 Circuito elettrico R-C

ove g(t) come di consueto la risposta del sistema al gradino unitario u(t).
Ancora una volta nella (E4.4.I) sono state invertite le operazioni lineari di
derivazione temporale e trasformazione operata dal sistema.
La risposta al gradino del circuito pu essere interpretata come il risultatodi
un'operazione di "carica del condensatore C'attraverso la resistenza R (si veda
a questo proposito la Figura 3.29). Nozioni di fisica elementare permettonodi
scrivere
.

(E4.4.2)

relazione rappresentata in Figura 4.6, e dove T = RC la costante di tempo del


circuito. Derivando, si ottiene la risposta impulsiva h(t) rappresentata in Figura
4.7:
h(t)

= dg(t)
= .!.e-1IT
u(t)
dt
T

La sua trasformata di Fourier

....

(E.4.4.3)

Sistemi monodimensionali

H(J)

a tempo continuo

147

(E4.4.4)

che rappresenta infine la risposta in frequenza cercata del sistema dato.


1.25

-C)
o

"O
S
....
C)

1.00
0.75

0.50

(ij
S

-cn
o
a.
cn

a:

0.25
0.00

-0.25
-2

-1

Tempo normalizzato, tJT


Figura 4.6 Risposta al gradino del circuito R-C

1.25

--

1.00

...=.
S

0.75

..c:
>
'Ci)
"3
a.
.
S
cn
O
a.
cn

0.50

0.25

a:

0.00

-0.25
-2

-1

Tempo normalizzato, tJT


Figura 4.7 Risposta impulsiva del circuito R-C
D

..,....

148

Capitolo 4

Esempio 4.5
Determiniamo la risposta in frequenza del circuito di Figura 4.5 per altra via. A
tal fine facciamo riferimento alla notazione indicata in Figura 4.8.

;<1> i<~

.IV

Figura 4.8 Circuito elettrico R-C

Considerando la caduta di tensione sul resistore e la tensione ai capi del


condensatore si ha
(E4.5.1)
Indicando con q(t) la carica elettrica
condensatore fino all'istante t, si ha inoltre
d vu(t)
~-=--=dt

1 dq(t)
C dt

accumulata

i(t)
C

sulle armature del

(E4.5.2)

per cui
i(t)

=C

(E4.5.3)

d vu(t)

dt

e, sostituendo questa relazione nella (E4.5.1), si ottiene


vu(t) = v;(t) - RC d VII(t)

dt

(E4.5.4)

che descrive la relazione tra i segnali di ingresso x(t) = v;(t) e di uscita


y(t) = vu(t). Calcolando la trasformata di Fourier di entrambi i membri della
(E4.5.4) si ha

v,,(J)= Y;(J)- j21ifRCv,,(J)

(E4.5.5)

,."

Sistemi monodimensionali a tempo continuo

149

da cui si ricava

) ~(J)

(E4.5.6)

H(J = Y;(J) - 1+ j21if RC

Se si definisce la frequenza di taglio del sistema (il cui significato sar chiarito
pi avanti) come

fT

1
= 2rcRC

(E4.5.7)

la risposta in frequenza del SLS anche

H(J) =

(E4.5.8)

dalla quale si trovano immediatamente le seguenti espressioni della risposta in


ampiezza e in fase:
1
IH(J)I = ~1 +(J I fT

, L-H(J) =-arctgL

(E4.5.9)

fT

L'andamento delle risposte in ampiezza e fase rappresentato nella Figura 4.9


mediante scale lineari per entrambi gli assi del riferimento cartesiano del
grafico.
D

4.2.3n decibel

In molti fenomeni fisici, specialmente collegati con la percezione sensoriale


umana, l'ampiezza di un segnale pu variare di molti ordini di grandezza.
L'esempio tipico di questa tendenza dato dai segnali acustici udibili. I suoni
pi forti che l'orecchio umano pu tollerare senza danni hanno una intensit di
pressione acustica I pari a circa 1 W/m2 (ad esempio, un motore aeronautico a
piena potenza). I pi deboli rumori percepibili, viceversa, hanno una pressione
acustica di 1 pW/m2= 10-12W/m2, cio 12 ordini di grandezza ~nferiore. Quel
che pi conta inoltre che a sensazione di intensit acustica raddoppiata,
triplicata ecc. rispetto a una intensit di riferimento lo corrisponde in realt una
effettiva intensit acustica che varia come (l/Io )2, (I I lo )3 ecc. In questi casi
dunque appropriato usare una scala di misura logaritmica, in cui al "raddoppio
soggettivo" della intensit corrisponde un raddoppio dell'unit di misura, che

150

Capitolo 4

deve essere intesa come logaritmo (in base lO) del fattore di incremento reale,
Questa unit il bel (abbreviato B) o pi, comunemente, il decibel (abbreviato
dB) pari evidentemente a un decimo di bel.
1.25

:!::I

1.00

f
N
N

0.75

Q)

'5.

E
ro

0.50

0.25

a:

0.00

,!;;

ro
Cf)

o
a.
Cf)

-0.25
-5

-4

-3

-2

-1

Frequenza

normalizzata,

flfT

(a)

180
'5

135

.9

90

:!::I
"!

45

CCI

Q)
Cf)
ro

-45

-('(j
Cf)

-90

O
a.

Cf)

a:

-....

01

-c:

-135
-180

-5

-4

-3

-2

-1

Frequenza

normalizzata,

flfT

5
(b)

Figura 4.9 Risposta in ampiezza (a) e fase (b) del circuito R-C

Per quel che riguarda la misura della risposta in ampiezza di un sistema, si


definisce la risposta in dB del sistema come

Sistemi

monodit11\

'E>

>

,a tempo continuo

IH(Jt
IH(J)ldB
! l Olog,o IH(fo

151

(4.2.26)

Poich il dB, come chiarito poc'anzi, sempre e comunque una misura relativa
a un riferimento,

nella definizione

compare

il fattore

JH(fo

che costituisce

ap-

punto il valore rispetto al quale i dB sono calcolati; la frequenza lo del riferimento deve essere scelta opportunamente per i vari tipi di sistema considerati,
come sar chiarito in seguito; il moltiplicatore lO serve infine a convertire i bel
(dati dal solo logaritmo del rapporto) in decibel. La risposta in ampiezza del sistema viene elevata al quadrato perch il dB si riferisce a misure relative di potenza, e la potenza dei segnali trattati dal SLS legata alla risposta in ampiezza
elevata al quadrato (si veda il Paragrafo 4.4).
Esempio 4.6
Ricaviamo la risposta in ampiezza del SLS dell'Esempio 4.5 espressa in decibel:

Abbiamo scelto come riferimento la frequenza lo = O per la quale si ha il valore


massimo della risposta in ampiezza: IH(Io)1 = 1. Spesso utile una scala loga-

ritmica anche per l'asse delle frequenze espresse in Hz. Ci permette di visualizzare 1'andamento della risposta in un ambito molto esteso senza perdere il
dettaglio sulle basse frequenze. In tal caso viene rappres~tata la sola parte della
risposta per f > O, e si ottiene il grafico di Figura 4.lOa. In Figura 4.lOb rappresentata inoltre la risposta in fase del sistema ancora su scala frequenziale 10garitmica.
[J
Esempio 4.7
Determiniamo la risposta in frequenza del circuito C-R di Figura 4.11. Da un
esame dello schema si ha
(E4.7.1)
ove q(t) rappresenta la carica nel condensatore all'istante t. Combinando le due
equazioni e derivando rispetto al tempo si ricava

152

Capitolo 4

10

I
N
N
Q)

'Q.
E
I
.~
I
1i)
o
c..
cn

o
-3 ,

-10

-20
.

-30

c:
-40
101

103

Frequenza (Hz)

'6

-I
....

(a)

180
135

C>

90

:t::.
:J:

45

"I

Q)

cn

-Ic:

-Icn
O
c..
cn

c:

-45
-90
-135
-180
10'

103

Frequenza (Hz)

(b)

Figura 4.10 Risposta in ampiezza in dB (a) e in fase (b) del circuito R-C

d
i(t)
-v.(t)--

dt'

= R -l(t)
dt

(E4.7.2)

Poich inoltre i(t)=vu(t)IR si ottiene l'equazione differenziale che lega i


segnali di ingresso e di uscita:

Sistemi monodimensionali a tempo continuo

t
Vi

153

(t)

t
Vu(t)

iVR
I

Figura 4.11 Circuito elettrico C-R (Esempio 4.7)

-v. (t )
dt

( ) = -vd

V t
!!

RC

dt

(E4.7.3)

(t )
U

Calcolando la trasformata di Fourier di entrambi i membri si ha


j2TCjV;(J)- ~
RC Y,,(J)= j2TCjY,,(J)

(E4.7.4)

da cui si ricava la risposta in frequenza del sistema:

H(J) = Y,,(J)= j2TCjRC


V;(J)

1+ j2TCjRC

j2TCjT
T = RC
1+ j2TCjT '

(E4.7.5)

Definendo anche in questo caso la frequenza di raglio del circuito

l
fr = 2nRC

(E4.7.6)

la risposta in frequenza del sistema diventa


(E4.7.7)
cui corrispondono le risposte in ampiezza e fase

IH(f)1

= 11+f/fr
I (~Ifr)' )'

. LH(f)

= "2 sgn(f)- arctg Lfr =-arctg J,


f

(E4. 7.8)

che sono rappresentate in Figura 4.12 utilizzando scale lineari per entrambi gli
assi di riferimento.

154 Capitolo 4

1.25

.....

ai
N
N
Q)
'5.

1.00

0.75

0.50

.
a:s

0.25

a:s

Ci)
o
Cl.
rn

0.00

-0.25
-5

-4

-3

-2

-1

Frequenza

normalizzata,

flfT

(a)

180
:c
E!
.9

c-

'-.J

135
90

45

ai
o
cn
$
-45
.
a:s
Ci)
-90
o
Cl.
.
CI: -135
-180
-5

,
-4

-3

-2

-1

Frequenza normalizzata,

flfT

(b)

Figura 4.12 Risposta in ampiezza (a) e fase (b) del circuito C-R

Prima di calcolare l'espressione della risposta in ampiezza del circuito in dB,


osserviamo che in questo caso non ha senso scegliere come riferimento .io = O,
in quanto H(O) = O. Viceversa, visto l'andamento della risposta in ampiezza, si
deve scegliere stavolta fo ~ 00 , per cui

IH(jt
IH(j)ldB

= lO loglO IH(

00

(j/ fTf

t = lO loglO[ 1+ (J /

fT

f]

(E4.7.9)

L'andamento di IH(j)ldB illustrato in Figura 4.13 insieme al grafico della


risposta in fase, entrambi su scala logaritmica per le frequenze.

Sistemi monodimensionali a tempo continuo

155

10

:f
~

o
-3 ~

CI!
N
N
Q)

-10

CI!

-20

.5.
E

,.,

0.0

.:
CI!
(;j
o

cm
Cf

-30

103
Frequenza

(Hz)

(a)

180

'6

135

-9

90

I
"I

45

Q)

.:

-45

CI!
(;j
o
cm

-90

-mCI!
Cf

-135
-180
10'

103
Frequenza (Hz)

(b)

Figura 4.13 Risposta in ampiezza misurata in dB (a) e in fase (b) del circuito C-R

Antitrasformando la risposta in frequenza (E4.7.7) si ricava la risposta impulsiva


del circuito:
h(t)

= 8(t)

_.!. e-1fT u(t)

(E4.7.1O)

che rappresentata in Figura 4.14 (T = RC). Dalla risposta impulsiva si pu


ricavare infine la risposta al gradino g(t):

156 Capitolo 4

=u(t)-

u(t) e-alT da
T o

(E4.7.11)

= e-IIT u(t)

rappresentata a sua volta in Figura 4.15.


0.6

0.4
0.2
0.0

ro
>
"Ci)
"S
c..

-0.2

-0.4

ro
C;;

-0.6

CI)
CI:

-0.8

o
c..

-1.0
-1.2
-2

-1

Tempo normalizzato, t/T


Figura 4.14 Risposta impulsiva del circuito C-R

1.25

--

1.00

C>
O

c:
'5

0.75

C)

0.50

(ij

ro

CI)
O
c..
CI)
CI:

0.25

0.00

-0.25_2

-1

1.

Tempo normalizzato, t/T


Figura 4.15 Risposta al gradino del circuito C-R
D

Sistemi monodimensionali a tempo continuo

157

Esempio 4.8
Determiniamo la risposta y(t) del circuito di Figura 4.16 al cui ingresso
applicato il segnale x(t) di Figura 4.17.
L

y(t)
I

Figura 4.16 Circuito elettrico dell'Esempio 4.8


x(t)
1

,t

Figura 4.17 Segnale di ingresso del circuito di Figura 4.16

Si osservi che il segnale in ingresso pu essere espresso nella forma


x(t)

= u(t) -

(E4.8.1)

u(t - T)

da cui segue immediatamente


y(t)

= g(t) -

(E4.8.2)

g(t - T)

dove g(t) come di consueto la risposta al gradino unitario del circuito in


esame. Per determinare g(t) ricaviamo la risposta impulsiva h(t) del sistema
come antitrasformata della risposta in frequenza H(J). Consideriamo dunque il
segnale di eccitazione x(t) = ej2trft;attraverso il calcolo fasoriale semplice
trovare l'espressione del corrispondente segnale di uscita y(t):
ej2trftj21ifL + R
2j21ifL + R

(E4.8.3)

158

Capitolo 4

ove evidentemente

ZL

l'impedenza dell'induttore L alla frequenza f.

immediato ricavare l'espressione della risposta in frequenza cercata:

H(J)

= R+

(E4.8.4)

j21ifL

R+ j41ifL

da cui, ponendo a = LIR, si ricava

H(J)= 1+j21ifa _112+ j21ifa+112 -.!..+.!


!
1+j41ifa
1+j41ifa
2 2 1+ j41ifa

(E4.8.5)

La risposta in ampiezza e la risposta in fase del circuito sono rappresentate nella


Figura 4.18. Antitrasformando la (E4.8.5) si ottiene l'espressione della risposta
impulsiva del circuito:
(E4.8.6)

h(t) =.!..8(t)+~ e-I!2au(t)


2
4a
e quindi la risposta al gradino
1

g(t)=u(t)@h(t)= fh(-r)d-r=-u(t)+-

=.!..u(t)+u(t)~J
2

4ao

4a-J e-r!2au(-r)d-r

e-r!2ad-r=[ 1-.!..e-'!2a] u(t)

(E4.8.7)

per cui il segnale di uscita risulta


(E4.8.8)
e cio

o
y(t)

t:::;O
O<t:::;T

1-.!..e-,!2a
2

(E4.8.9)

.!(eT!2a_l)e-'!2a
t>T
2
segnale che visualizzato in Figura 4.19. interessante notare che, se T
allora:
1
t-TI2
rect T
2

y(t)::= -

=-2 x(t)

a,

(E4.8.1O)

Sistemi monodimensionali a tempo continuo

159

iD
..-..

:=..
I
tU

IfO=1/(21ta.)I

N
N

Q)

'0..
E
tU

-3

.!:

-cnotU

-6

c..
cn

CI:

-9

0.01

1
10
0.1
Frequenza normalizzata, flfo
'

I I I I .. Il

'

'

I IIIIII

(a)

I I I I 111

..-..

'5

-..-.. l
.9

100

22.5

Ifo=11(21ta.)I

I
"I

Q)

-.!:cn
tU

0.0

tU

Ci) -22.5
o
c..
cn
CI:

-45.0
0.01

0.1

Frequenza

normalizzata,

10

100

flfo

Figura 4.18 Risposta in ampiezza (a) e in fase (b) del sistema dell'Esempio 4.8

mentre, se T

a,

t - T/2

y(t)::=

rect

)=x(t)

(E4.8.11)

L'andamento di entrambi i due casi limite (E4.8.1O-E4.8.11) si pu facilmente


riscontrare rispettivamente dalle curve per a = 2T e a = T 18 di Figura 4.19.

160 Capitolo 4

1.25
1.00
0.75

->:-

0.50
0.25

0.00

-0.25
-1.0

-0.5

0.0

0.5

1.0

2.0

1.5

2.5

3.0

Tempo normalizzato, t/T


Figura 4.19 Risposta del sistema di Figura 4.16 al segnale di Figura 4.17

D
4.2.4 Sistemi in cascata e in parallelo
Consideriamo ora due SLS stabili disposti in cascata, come illustrato in Figura
4.20.

-1

h 1(t)

X(I)

~Y(I)

Figura 4.20 Sistemi lineari stazionari in cascata

Indicando con ~(t) e ~(t) ie risposte impulsive rispettivamente del primo e del
secondo sistema, vogliamo determinare la relazione esistente tra il segnale x(t)
in ingresso al primo sistema e il segnale y(t) in uscita al secondo. Sappiamo che
~

y(t)

= Jz(a)~(t-a)da

(4.2.27)

e che
~

z(t)

= x({3) ~ (t - {3) d{3

(4.2.28)

Sistemi monodimensionali a tempo continuo

161

Sostituendo la (4.2.28) nella (4.2.27) si ottiene:

y(t)

=}~(t-a)

[)ya-P)x(P)dP] da

P)h,(t-a) da ]dP
e con l'ulteriore sostituzione r =a - {3 nell'integrale

(4.2.29)

= )~(P)[).':(a-

y(t)

in da,

= )~(P)
[)yr) h,(t- p)-r) dr] dp

= f x({3)[~(t - {3)@ ~(t

- {3)] d{3 = x(t) @ [~(t)@

~(t)]

(4.2.30)

Questo risultato dimostra che la cascata di Figura 4.20 pu essere rappresentata


come un unico sistema equivalente con risposta impulsiva
(4.2.31)
ovvero risposta in frequenza
(4.2.32)
come suggerito dalla Figura 4.21. Nel procedimento analitico che porta al
risultato (4.2.31) stata fatta la tacita ipotesi che i due sistemi in cascata non si
influenzino a vicenda, cio che il comportamento dei due (in particolare la loro
risposta impulsiva), quando vengono connessi in cascata, sia identico a quello
riscontrato per ciascuno isolatamente. Questa ipotesi non verificata ad esempio
per i circuiti R-C e C-R esaminati negli Esempi 4.4-4.5. In tal caso necessario
interporre eventualmente tra i due un circuito disaccoppiatore (o buffer) che
impedisce reciproche influenze tra i due stadi.
Un secondo tipo molto comune di interconnessione quella in parallelo, in
cui i sistemi vengono alimentati dallo stesso ingresso, e le uscite dei due
vengono poi sommate, come in Figura 4.22. chiaro che la risposta impulsiva e
in frequenza equivalenti sono in questo caso pari a
(4.2.33)

162

Capitolo 4

L
~(t)
Figura 4.21 Sistema equivalente alla cascata di Figura 4.20

x(t)

Figura 4.22 Sistemi in parallelo

4.3 Filtri
4.3.1 Generalit sui filtri e filtri ideali
Un caso tipico che si presenta nell'elaborazione dei segnali quello in cui il segnale osservato x(t) costituito dalla sovrapposizione, cio dalla somma, di due
segnali: x(t) = x1(t)+ x2(t) dei quali il primo un segnale utile, cio portatore di
informazione, mentre il secondo rappresenta solo un disturbo ineliminabile alla
fonte. Nella raccolta di un segnale elettrocardiografico, ad esempio, pu accadere che alla tensione raccolta dai sensori sul corpo del paziente (molto debole,
dell'ordine di grandezza dei mVe stilizzata in Figura 4.23a) venga a sovrapporsi
un disturbo dovuto alla tensione di alimentazione fornita all'apparato elettromedicale dalla normale rete elettrica 220 V-50 Hz (come in Figura 4.23b). Se il
circuito elettrico dello strumento non realizzato con la massima accuratezza, il
residuo della tensione di alimentazione pu rivelarsi dello stesso ordine di grandezza del segnale utile. In un caso di questo genere, fondamentale riuscire a discriminare il segnale utile dal disturbo, cosa apparentemente impossibile tenendo
conto che il segnale osservato la sovrapposizione di queste due componenti,
come si vede dalla Figura 4.24.

Sistemi monodimensionali a tempo continuo

1.25

100

163

1120 battitilminI

0.75

0.50
0.25
0.00
-0.25
-0.50
0.000

0.125

0.250

0.375

0.500

0.625

0.750

tT.875

1.000

Tempo (5)
1.25
1.00

--

I'0=50Hz

0'+
0.50

0.25
0.00
-0.25
-0.50
0.0

0.1

0.2

0.3

0.4

0.5

Tempo

0.6

0.7

0.8

0.9

1.0

(5)

Figura 4.23 Segnale utile (a) e disturbo (b) in un elettrocardiogramma

Consideriamo per i segnali in ambito jrequenziale. La situazione quella


rappresentata in Figura 4.25, in cui lo spettro del segnale "utile" e quello del
"disturbo" insistono su intervalli jrequenziali disgiunti. Si intuisce allora che
possibile separare il segnale utile dal disturbo utilizzando un SLS con risposta
in frequenza opportuna. Se, come di consueto, indichiamo con Xl(I) e X2(I) le
trasformate di Fourier rispettivamente di Xl(t) e X2(t), la trasformata di Fourier

164

Capitolo 4

del segnale x(t) allora


(4.3.1)
1.25
1.00

0.75

:t:.
C\I

X
.:t.
:t:.
x
J!..
+-'
X

0.50
0.25
0.00

.....

-0.25
-0.50
0.0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1.0

Tempo (5)
Figura 4.24 Sovrapposizione del segnale e del disturbo di Figura 4.23

X(f)

x 1(f)

-f o

-8

x 2(f)

Figura 4.25 Spettro del segnale x(t) di Figura 4.24

Se vogliamo reiettare (cio cancellare) il disturbo x2(t), possiamo elaborare il


segnale tramite un SLS con caratteristiche di selettivit nei confronti delle varie
componenti frequenziali che compongono il segnale. In particolare, evidente
che il segnale viene preservato e il disturbo viene reiettato se il sistema ha una
risposta in frequenza pari a
.

(4.3.2)

Sistemi monodimensionali a tempo continuo

165

illustrata in Figura 4.26. Il segnale d'uscita y(t) del filtro, avendo infatti
trasformata di Fourier Y(J)= X(J) H(J), sar privo del disturbo x2(t).

~t)
-8

Figura 4.26 Risposta in frequenza di un filtro passa-basso ideale

Un sistema con risposta in frequenza come ii Figura 4.26 viene chiamato filtro
passa-basso ideale. Esso infatti possiede caratteristiche di selettivit, nel senso
che le componenti frequenziali all'interno di una certa banda, cio intervallo di
frequenze, vicino alla frequenza nulla (quindi basse frequenze) vengono lasciate
inalterate. In questa zona infatti, chiamata banda passante, si ha H(f) = 1.
Viceversa, all'esterno della banda passante, e cio nella cosiddetta banda
oscura, le componenti frequenziali vengono completamente cancellate perch
H(f)

= O. La

frequenza B rappresenta il cosiddetto limite di banda.

Questa funzione di selettivit giustifica il nome di "filtro" dato a questo SLS,


nel senso che le componenti nello spettro del segnale aventi frequenza maggiore
del limite di banda vengono "trattenute", mentre le altre componenti vengono
"lasciate passare". Nella pratica, si tende ad identificare il limite di banda B con
l'ampiezza della banda passante (o banda tout-court). Per convenzione, infatti, la
banda del filtro L'ampiezza della banda passante considerata sul solo semiasse
positivo delle frequenze. Per il filtro di Figura 4.26, quindi, la banda pari a B e
coincide con il limite di banda.
La risposta impulsiva del filtro passa-basso (low-pass) ideale si ricava
antitrasformando l'espressione della risposta in frequenza (4.3.2):
hLP(t)

= 2B

sinc(2Bt)

(4.3.3)

funzione rappresentata in Figura 4.27. Si nota immediatamente che hLP(t)


diversa da zero anche per valori di t < O, per cui il filtro passa-basso ideale un
sistema non causale e quindi fisicamente non realizzabile.

166

Capitolo 4

28

Figura 4.27 Risposta impulsiva del filtro passa-basso ideale

Se invece desiderassimo sopprimere la componente x.(t) nel segnale x(t) per


isolare X2(t), potremmo utilizzare un SLS la cui risposta in frequenza- rappresentata in Figura 4.28. Tale sistema, che permette l'eliminazione delle basse frequenze, viene chiamato filtro passa-alto ideale ed caratterizzato dalle risposte
in frequenza e impulsiva seguenti:
HHP(J)= 1- rec{{B) ::}hHP(t)= 8(t) - 2Bsinc(2Bt)

(4.3.4)

chiaro che stavolta la banda passante del filtro passa alto (high-pass) quella
che sta al di l del limite di banda B, nella quale le componenti frequenziali del
segnale di ingresso non vengono alterate. Colloquialmente, diremo ancora (in
modo improprio) che la banda del filtro passa-alto B, alludendo in realt al
limite di banda. immediato verificare che anche il filtro passa-alto ideale un
sistema non causale.

-8

Figura 4.28 Risposta in frequenza di un filtro passa alto ideale

167

Sistemi monodimensionali a tempo continuo

Nella situazione di Figura 4.25 la separazione tra i due segnali XI(t) e X2(t)
stata effettuata rispettivamente con un filtro passa-basso o con un filtro passaalto ideali. Supponiamo invece di osservare il segnale x(t) somma di tre componenti
(4.3.5)
aventi trasformate di Fourier come in Figura 4.29, e di voler estrarre da esso il
segnale x2(t); questo caso tipico dei segnali modulati emessi dalle stazioni di
radiodiffusione. I vari segnali hanno infatti spettri non sovrapposti in ambito
frequenziale e posti a cavallo delle cosiddette frequenze portanti su cui i
radioricevitori vengono poi sintonizzati. Come mostra la figura, necessario
disporre di un sistema con risposta in frequenza HBP(J) non nulla solo nella
banda occupata dal segnale x2(t). Tale sistema prende il nome di filtro passabanda ideale. La banda passante del filtro (ripetiamo, definita per convenzione
sul solo semiasse delle frequenze positive) si estende tra il limite di banda
inferiore fL e il limite di banda superiore fH'

X(f)

t.-I
I
II

B -+1

H BP(f)

I
I
II

,I

I ,, X1(f)
I
,I ,,
\

f
Figura 4.29 Spettro del segnale e risposta in frequenza del filtro passa-banda ideale

Alternativamente ai limiti di banda, il filtro passa-banda (band-pass) viene pi


comunemente caratterizzato attraverso i due parametri equivalenti frequenza
centrale (o di centro-banda) lo = (tL + fH )/2, e ampiezza della banda passante

B =fH - fL' Calcoliamoora la rispostaimpulsivadel filtro passa-bandaideale

ricordando il teorema della modulazione:


x(t) cos(21ifot)~ X(t - io) + X(t + lo)
Nel nostro caso,

(4.3.6)

168

Capitolo 4

(4.3.7)

e quindi
hBP(t)

= 2B

(4.3.8)

sinc(Bt)cos(21if;,t)

relazione illustrata nella Figura 4.30 nel caso in cui lo

= lO B .

2.5
2.0

1.5
1.0

-cc
-...

a..
IXI

..c

0.5
0.0
-0.5

-1.0
-1.5
-2.0
-2.5
-4

-3

-2

-1

Tempo normalizzato, St
Figura 4.30 Risposta impulsiva di un filtro passa-banda ideale

Ricordiamo infine che per i filtri passa-banda si definisce anche un altro


parametro, dettofattore di qualit Q, che mette in relazione la frequenza centrale
con la banda del filtro:
(4.3.9)
e che tanto maggiore quanto minore la banda passante relativamente alla
frequenzacentrale,cioquantopi il filtro selettivo.
Consideriamo di nuovo il segnale x(t) (4.3.5) il cui spettro rappresentato in
Figura 4.31, e supponiamo di voler eliminare da esso il segnale X2(t). Il filtro
che permette di effettuare tale operazione viene detto filtro elimina-banda ideale
e la sua rispostain frequenzaHBR(J) rappresentatain Figura4.31. Tale risposta ancora caratterizzata da una frequenza centrale lo e da un' ampiezza di
banda B (o dai limiti di banda fL ed fN)' entrambe per relative alla banda

Sistemi monodimensionali a tempo continuo

169

oscura. immediato stabilire la seguente relazione tra la risposta in frequenza


del filtro elimina-banda (band-reject) ideale e quella del filtro passa banda ideale:
(4.3.10)
per cui
hBR(t)

(4.3.11)

= 8(t) - 2B sinc(Bt)cos(27ifot)

Un filtro elimina-banda pu essere molto selettivo, e al limite pu essere


utilizzato per reiettare la componente spetttaIe a una sola particolare frequenza
(ad esempio, la frequenza di rete io = 50 Hz). In tal caso il filtro elimina-banda
viene pi comunemente chiamato filtro notch.

t.-

X(f)

I
I
I
I

1-

B --.I

I
I
I
I

I \ X1 (f)
\

Figura 4.31 Risposta in frequenza di un filtro elimina-banda ideale

4.3.2 Criterio di Paley- Wiener e f'Iltri reali


Tutti i filtri ideali che sono stati appena presi in esame sono non causali perch
harino risposte impulsive non nulle per t < O. Questa non-causalit emerge
chiara da un esame delle caratteristiche temporali dei sistemi considerati.
Tuttavia, anche nota la sola risposta infrequenza di un SLS, possibile decidere
se essa relativa a un sistema causale o meno. A questo proposito utile il
criterio di Paley-Wiener, che riguarda i sistemi lineari stazionari la cui risposta
in ampiezza a quadrato integrabile:
~

Il H(f) 12dJ<

00

(4.3.12)

e che quindi applicabile direttamente ai filtri passa-basso e passa-banda ideali.

--I:

170

Capitolo 4

In questa ipotesi, se la risposta in ampiezza IH(J)I tale da verificare la ulteriore


condizione

[ 1+ (21Cj)2
~

Iln[1 H(f)

I]Idf

< 00

(4.3.13)

allora esiste una funzione reale e(J) tale che

\ (4.3.14)
rappresenta la risposta in frequenza di un sistema causale; se viceversa la condizione (4.3.13) non verificata, il sistema non causale. Questa condizione
quindi necessaria alla causalit del sistema, ma non sufficiente. In particolare,
il criterio non indica come scegliere l'opportuna e(J) che rende effettivamente
il sistema causale.
,
Nel caso dei filtri ideali passa-basso e passa-banda, che verificano l'ipotesi di
applicabilit del criterio, notiamo che le risposte in ampiezza sono nulle su intervalli frequenziali di misL!ra(ampiezza) non nulla. Questo implica che l'integrale della (4.3.13) sicuramente divergente perch la funzione integranda non
limitata su intervalli di misura non nulla. Il criterio non quindi soddisfatto, e i
filtri sono necessariamente non causali. Indirettamente, questo dice che anche i
filtri passa-alto ed elimina-banda sono non causali in quanto le loro risposte in
frequenza sono il complemento a uno delle risposte rispettivamente del passabasso e passa-banda aventi gli stessi limiti di banda.
Conseguenza di queste osservazioni che un filtro causale pu avere una
risposta in frequenza che si annulla solo per un insieme di frequenze di misura
nu?la, cio soltanto per un numero finito (o infinito numerabile) di frequenze.
Esempi elementari di filtri passa-basso e passa-alto reali sono rispettivamente le
squadre R-C e C-R di Figura 4.8 e 4.11 per le quali le risposte in ampiezza sono
I

(4.3.15)
la prima delle quali resta sempre * O, mentre la seconda si annulla nel solo
punto f = O,senza violare il criterio di Paley-Wiener.
Filtri elementari di tipo passa-banda ed elimina-banda si possono realizzare
con circuiti risonanti L- C rispettivamente come in Figura 4.32a-b, ove
21ifo = 1/ -J LC e 1/ Q = 21ifoL/R. Le risposte in frequenza di questi filtri sono:

Sistemi monodimensionali a tempo continuo

171

(4.3.16a)

(4.3.16b)
le cui ampiezze sono rappresentate in Figura 4.33.

x(t)

tX(t)! ---.r-C

t
L y(t)
I

ty(t)
I

(b)

(a)

Figura 4.32 Filtri passa-banda (a) ed elimina-banda (b) reali con gruppi L-C parallelo

4.3.3 Banda e durata di un segnale e banda di un sistema


Le caratteristiche selettive dei filtri "reali" sono chiaramente meno spiccate di
quelle dei filtri ideali, nel senso che per essi non individuabile esattamente una
bandapassante e una oscura come per i prototipi ideali. Altrettanto chiaro per
che essi possiedono tuttavia un certo grado di selettivit che ne rende utile
l'impiego in pratica come sistemi filtranti. In questi casi necessario definire
convenzionalmentei limiti di banda dei filtri reali, e all'atto pratico considerare
questi limiti convenzionali come del tutto analoghi a quelli propriamente detti
relativi ai filtri ideali (cio non fisicamente realizzabili).
Prima di arrivare alle definizioni convenzionali di banda di un sistema, premettiamouna discussione sui concetti generali di durata e banda di un segnale,
che sono stati prima d'ora ampiamente utilizzati nel testo senza una definizione
rigorosa.Consideriamo dapprima un segnale x(t) a duratafinita, cio non nullo
solo su di un intervallo limitato [t(,t2] (Figura 4.34). La durata del segnale in
questocaso pari a D:= t2 - t(. Per il segnale a durata finita esiste un certo valore
(r.

~..-

7'

"..

-_u.-- ~"'"L''' uu l;t:ITOvalore

\t'.'(...l~rafit!h'Y"
T = max(1t( 1,1 t2 I tale che il segnale originario non subisce
Icuna modifica se viene moltiplicato per una funzione rect(.) di durata 2T:

x(t)

= x(t) rec{2~ )

(4.3.17)

I 1

: j
I
I

172

Capitolo 4

Passando alle trasformate di Fourier, si ha

X(J) = X(J)@ 2T sinc(2jT)

(4.3.18)

--a:

1.25

ID

i3 1.00
...J
J:
ti
N
N

0.75

(])

"6.

'"

-'"

0.50

.!:
CI)

c..

0.25

CI)

a:
0.00
0.0

0.5

1.0

1.5

2.0

Frequenza

--

2.5

3.0

normalizzata,

3.5

4.0

4.5

5.0

flfo

(a)

1.25

lI:
ID

i3 1.00
...J

J:

ti
N
N

0.75

(])

'5.
E

'"
.5

-'"
CI)

o
c..

0.50

10=11

1/

0.25

CI)

a:
0.00
0.0

0.5

1.0

1.5

2.0

Frequenza

2.5

3.0

normalizzata,

3.5

4.0

4.5

5.0

flfo

-<)

Figura 4.33 Risposte in ampiezza dei filtri L-C passa-banda (a) ed elimina-banda (b)

Questa relazione permette di rispondere (anche se in modo non del tutto


rigoroso) alla seguente domanda: pu il segnale x(t) a durata finita avere anche
banda finita, cio avere trasformata di Fourier diversa da zero solo su di un

Sistemi monodimensionali a tempo continuo

173

intervallo di frequenze limitato? Se rispondiamo di s a questa domanda cadiamo


in un assurdo perch il secondo membro della (4.3.18) la convoluzione tra due
trasformate delle quali la seconda una funzione sincO avente estensione (cio
banda) illimitata. Il risultato della convoluzione ha quindi estensione (banda)
illimitata, in contrasto con la nostra affermazione.
Dunque un segnale a durata rigorosamente limitata ha banda infinita.
Dualmente, un segnale con banda rigorosamente limitata ha durata illimitata.
Molti segnali non hanno per n banda n durata rigorosamente limitata,
cosicch spesso necessario definire convenzionalmente queste \ue quantit.

rect(t/2T)

Figura 4.34 Segnale a durata finita

Consideriamo un segnale x(t) il cui spettro di ampiezza assume il valore


massimo per f

= lo. Se

lo spettro di tipo passa-basso,

fa

= O;

se lQ spettro

passa-alto, lo = +00, altrimenti lo spettro di tipo passa-banda e fa finita e


diversa da zero. Per gli spettri passa-basso o passa-alto, si definisce limite di
banda a -3 dB quella frequenza per la quale lo spettro di ampiezza risulta
ridotto di un fattore

-ti rispetto

al valore di riferimento (Figura 4.35a 1):

(4.3.19)
I

ovvero

1 Nellil figura vengono mostrati gli spettri di ampiezza dei segnali solo per f > O perch la
definizione di banda riguarda sempre il solo serniasse positivo delle frequenze.

174

Capitolo 4

(4.3.20)

risultato che giustifica il nome di banda a -3 dB. Quest'ultima rappresenta una


indicazione "pratica" della banda di un segnale, nel senso che, per uno spettro
passa-basso, le componenti a frequenze inferiori a B_3sono arbitrariamente ritenute "importanti" nella composizione del segnale, mentre quelle oltre B_3sono
ritenute "trascurabili". Per gli spettri passa-banda, si possono identificare due
limiti di banda a -3 dB e una banda a -3 dB come differenza tra i due limiti
(Figura 4.35b).
La banda di un filtro non ideale pu essere definita in maniera analoga a
quanto appena visto per i segnali, ove la risposta in ampiezza del sistema gioca il
ruolo che per un segnale di pertinenza dello spettro di ampiezza. In particolari
applicazioni vengono talvolta definite anche bande a -l dB o a -20 dB dei
segnali e sistemi, con lo stesso criterio appena esposto per la banda a -3 dE.
IX(f}12

IX(f}12

IX(O)12

IX(fo)12

0.5 ~------

(a)

(b)

Figura 4.35 Banda a -3 dB di uno spettro passa-basso (a) e passa-banda (b)

La definizione pi comune di durata convenzionale di un segnale molto simile


a quella di banda per un segnale passa-banda. Se to rappresenta l'istante in cui il '
segnale presenta il valore di riferimento (generalmente quello di massimo
modulo, come in Figura 4.36), si identificano gli istanti t) e t2 (t2 > t) in cui il
segnale assume in valore assoluto la met del valore di riferimento Ix(to) I e si
definisce come durata a met ampiezza del segnale la quantit D = t2 - t. .
Esempio 4.9
Riprendiamo in considerazione il filtro passa-basso reale implementato come
squadra R-C degli Esempi 4.4-4.5. La sua risposta in frequenza

Sistemi monodimensionali a tempo continuo

R(J)

175

(E4.9.l)

Ca1coliamone la banda a -3 dB. Essendo il filtro passa-basso, scegliamo come


valore della frequenza di riferimento io = O, in corrispondenza della quale si ha
R(O)

= 1. Quindi

2
IH(B3)1=1/2~
-.

la banda B_3 data da


l
1+ (2nB_3RC)

2=1/2~B3=-

1
-

(E4.9.2)

2n RC

cio la banda a -3 dB coincidecon quella che negli Esempi 4.4-4.5 era stata
chiamata la frequenza di taglio del sistema. Si dimostra facilmente che la
squadra passa-alto C-R dell'Esempio 4.7 ha questo stesso limite di banda. I
grafici delle risposte in ampiezza dei due filtri R-C e C-R rispettivamente nelle
Figure 4.10 e 4.13 riportano esplicitamente una linea di riferimento a -3 dB che
mette in evidenza geometricamente il risultato analitico appena ricavato.
D

t
Figura 4.36 Definizione di durata di un segnale

Oltre alla banda a -3 dB (di gran lunga la pi utilizzata) e alla durata a met
ampiezza, esistono altre definizioni di banda e durata particolarmente importanti
dal punto di vista concettuale, come la durata efficace (o quadratica) e la banda
efficace (quadratica). Cominciamo a esaminare la definizione di durata efficace
per un segnale x(t) reale e ad energia finita. Come nella definizione di durata a
met ampiezza, viene preliminarmente identificato un valore temporale di
riferimento to che in un certo senso rappresenta il "centro" dell'impulso:
~

, Ex=Jx2(t)dt

(4.3.21)

176

Capitolo 4

dove Ex l'energia del segnale. La durata efficace Dq allora definita dalla


relazione

(4.3.22)
che fornisce un'indicazione della dispersione dei valori del segnale attorno al
centro presunto to' Il concetto di durata efficace analogo a quello di varianza
di una densit di probabilit Ix(t) 12/ Ex attorno al valor medio to' In maniera
analoga, si definisce una banda efficace Bq come segue:

(2Bqf ~ ~x-flxut

f2df

(4.3.23)

in cui il "centro" (valor medio) dello spettro Ixut non compare perch risulta
comunque pari a O.Il fattore 2 a moltiplicare la Bq (che non compare nella definizione di durata) deriva dal fatto che la banda viene come sempre misurata
solo sul semiasse positivo delle frequenze, mentre il secondo membro d una
indicazione

della dispersione

dello spettro sia a destra che a sinistra della f

= O.

Una generalizzazione importante della propriet gi esaminata secondo la


quale un segnale non pu contemporaneamente presentare banda limitata e
durata limitata costituita dalla relazione seguente:
1
B . D >q

8n

(4.3.24)

Questo risultato mostra come non si possa ridurre arbitrariamente la durata di un


segnale senza far crescere la sua banda e viceversa: il prodotto durata-banda
comunque limitato inferiormente. Il particolare valore del limite inferiore, 1/8n ,
deriva dalle particolari definizioni di banda e durata adottate, ma il principio di
carattere generale: con diverse definizioni di banda e durata si ottiene comunque
un limite inferiore, ovviamente diverso da quello del caso presente, ma sempre
finito.
Una relazione della forma (4.3.24) appare anche in meccanica quantistica con
il nome di principio di indeterminazione di Heisenberg. Questa legge fisica fondamentale sancisce l'impossibilit di ridurre arbitrariamente l'incertezza sulla
misurazione di variabili quantistiche coniugate (cio la dispersione dei valori
misurati), come la posizione e la quantit di moto di una particella.

II
II

Sistemi monodimensionali a tempo continuo

177

Nel Paragrafo 4.4, dimostreremo che per un qualunque segnale reale a energia
finita y( t) si ha:

Ey

= J l(t)

dt

(4.3.25)

= JIY(Jtdi

Questo risultato (teorema di Parseval (4.4.4)), insieme al teorema di derivazione


del Paragrafo 3.3.6, utile per riscrivere l'espressione della banda efficace
(4.3.23) come segue:
B2
q

l
16n2 Ex

J lj21ifX(J)

--

2
12di

l
16n2 Ex

d
-J- [ dx(t)
dt ] t

(4.3.26)

Supponiamo, senza perdita di generalit, che il centro del segnale to sia pari a
zero. TIprodotto fra D: e B: allora espresso da (vedi la (4.3.22) e la (4.3.26))
(4.3.27)
Richiamiamo a questo punto la disuguaglianza di Schwarz:

(4.3.28)
valida per ogni coppia xa(t), Xb(t) di funzioni reali a energia finita. Applicando
la disuguaglianza al prodotto durata-banda, si pu scrivere che
(4.3.29)
Calcolando per parti l'integrale a secondo membro si ha

- dx(t) _t X2(t)- - _l
-Jt x(t) - dt dt - - 2 - - -2 -Jx (t) dt --- 2 E
l

avendo osservato che necessariamente,

(4.3.30)

per un segnale a energia finita,

lim t X2(t) = O. Sostituendo la (4.3.30) nella (4.3.29) si ottiene infine

,->:t-o

Dq2 Bq2>-~ l
64n

=>

>1
DB
q q-8n

(4.3.31)

178

Capitolo 4

La relazione valida con il segno di uguaglianza quando la disuguaglianza di


Schwarz (4.3.28) anch'essa verificata con il segno di uguaglianza. Ci accade
quando il segnale xa(t) proporzionale a Xb(t), e quindi, nel nostro caso,
quando (vedi la (4.3.29 la derivata prima di x(t) proporzionale a t x(t).
Esempio 4.10
Calcoliamo la banda e la durata efficace del segnale esponenziale bilatero:
(E4. 10.l)

X(t) = e-ItI/T

Poich il segnale pari, il suo centro to espresso dalla (4.3.21) nullo. Pertanto
la sua durata efficace Dq
(E4.10.2)

L'energia

Ex del segnale x( t) data da


~

(E4.1O.3)

Ex= Jx2(t)dt = 2Je-2rfTdt= T


o
e inoltre
~

T3

J t2X2(t)dt =2 J t2e-2lfT
o

dt

= - 40

T3

Ja2e-a da =- 2
~.

(E4.10A)

Sostituendo, si ricava che

(E4.10.5)
Calcoliamo ora la banda efficace attraverso la definizione modificata (4.3.26):
(E4.10.6)
Poich
2
~

I[

-dX(t)
dt ]

d t--

1 e-2rjT d t--J
T2

Ex
T2

(E4.1O.7)

Sistemi monodimensionali

a tempo continuo

179

dalla (E4.1O.6) si ricava che

B=~
q

(E4.1O.8)
41ff

li prodotto fra durata e banda efficace del segnale (E4.1 0.1) quindi dato da

~>-

Bq Dq

= 4n-J2

(E4.1O.9)

8n

o
Esempio
Calcoliamo

4.11
la banda e la durata efficace

del segnale

Gaussiano

(E4.11.1)
Poich il segnale pari, il suo centro to nullo e la sua durata efficace Dq

(E4.11.2)
Dallo studio delle variabili aleatorie Gaussiane noto che, assegnato un valore
(J'> O, si ha
(E4.11.3)
e

(E4.11.4)

Dunque l'energia Ex del segnale x(t) pari a


(E4.11.5)
ove

(J'

= T/-J2.

L'integrale che figura a secondo membro della (E4.11.2) vale

Sistemi monodimensionali a tempo continuo

179

dalla (E4.1O.6) si ricava che

B=~
q

(E4.1O.8)

41ff

Il prodotto fra durata e banda efficace del segnale (E4.1O.1) quindi dato da

Bq Dq = 4rc-fi

>~
8rc

(E4.1O.9)

D
Esempio 4.11
Calcoliamo la banda e la durata efficace del segnale Gaussiano
x(t) = e-(I/T)'

(E4.11.1)

Poich il segnale pari, il suo centro to nullo e la sua durata efficace Dq

(E4.11.2)
Dallo studio delle variabili aleatorie Gaussiane noto che, assegnato un valore
(j'> O,si ha
(E4.11.3)
e

(E4.11.4)
Dunquel'energia Ex del segnale x(t) pari a
(E4.11.5)
ove (j' =

r/-fi. L'integraleche figuraa secondomembrodella(E4.11.2)vale

180

Capitolo 4

e quindi

= 0"3.J2ii = 0"2

D2

=>

O".J2ii

=~

(E4.11.7)

-ti

Per calcolare la banda efficace utilizziamo di nuovo la (4.3.26)


B

r~

dX(t) 2 dt
/J...
J
4n-~ Ex.1
dt ]

=J...

(E4.11.8)

Poich
(E4.11.9)
si ha
2

f[

- 4
-dX(t) dt-dt

ft x
T4 ~

_l

(t ) dt--O"

!f= -V~n---

40"4

.J2ii

(E4.11.1O)

40"

per cui si ricava

=> B=-ti
q
-

8n-T

(E4.11.11)

Il prodotto fra durata e banda efficace del segnale (E4.11.1) quindi dato da

(E4.11.12)
Si osserva che in questo caso il prodotto banda-durata assume proprio il minimo
valore possibile. Ci accade perch la derivata prima del segnale x(t)
proporzionale al segnale t x(t), come mostra la (E4.11.9).
O
4.3.4 Distorsioni introdotte dai filtri
Abbiamo gi esaminato una funzione tipica di unfiltro, cio quella di separare
un segnale utile da altri segnali di disturbo. In questa operazione, si deve porre la
massima attenzione a non alterare o, pi precisamente, a non distorcere il
segnale utile per preservarne intatto il contenuto informativo. Per trovare dei
criteri che rispondono a questa esigenza, cominciamo con lo stabilire sotto quali
condizioni il segnale in uscita y(t) da un generico SLS rappresenta una rePlica

Sistemi monodimensionali a tempo continuo

181

fedele del segnale di ingresso x(t). La definizione di replica fedele in generale


dipendente dall'applicazione; in molti casi per utile dire che il SLS non
introduce distorsioni quando l'uscita del sistema
y(t)

= K x(t-to)

(4.3.32)

ove K una costante reale e to una traslazione temporale (ritardo) (Figura


4.37). Passando alle trasformate di Fourier otteniamo

f(J) = K X(J) e-j21ifto

(4.3.33)

da cui si trova la seguente espressione per la risposta in frequenza del sistema:


H(J) = f(J)

X(J)

(4.3.34)

= K e-j21rj"lo

e per le corrispondenti risposte in ampiezza A(J) e fase e(J):

A(J) = IKI ' e(J)

= -27ifto

(4.3.35)

y(t) ;

'.-t

Figura 4.37 Il segnale y(t) una replica fedele di x(t)

Quindi, affinch un sistema non introduca distorsioni, esso deve possedere una
risposta in ampiezza costante e una risposta in fase proporzionale alla frequenza come illustrato in Figura 4.38. In altri termini, le componenti sinusoidali
in cui un segnale arbitrario pu pensarsi scomposto devono essere amplificate o
attenuate tutte nella medesima misura, e devono essere ritardate ciascuna della
medesima quantit (e quindi sfasate di un angolo proporzionale alla frequenza
della componente stessa). Tuttavia chiaro che ogni sistema reale ha dei limiti
di banda intrinseci e non pu garantire una risposta in frequenza con le suddette
caratteristiche per tutti i valori della frequenza. Sulla base di questa considera-

182 Capitolo 4

zione, sembrerebbe irrealizzabile la condizione di non distorsione appena discussa. Inoltre, uno qualunque dei filtri gi esaminati nelle pagine precedenti
parrebbe, in base a questa discussione, un sistema distorcente perch per definizione esso non possiede, in particolare, risposta in ampiezza costante.

IKI
........

........

........

........

A(f)

........
""........
........

........

........
""........

........

.....

9(f)
Figura 4.38 Risposta in ampiezza e in fase di un SLS che non introduce distorsioni

In realt, il segnale "utile" x(t) che non deve essere distorto sar in generale
caratterizzato da una banda limitata; le condizioni (4.3.35) possono allora essere
verificate soltanto per tutte le frequenze all'interno della banda del segnale. Ai
fini della distorsione del segnale non ha cio rilevanza l'andamento delle
risposte del sistema per frequenze in corrispondenza alle quali non esistono
componenti nello spettro del segnale stesso. Se, ad esempio, la trasformata X(J)
e le risposte in ampiezza e fase del sistema sono quelle rappresentate in Figura
4.39, allora il segnale in uscita una replica indistorta di x(t) anche se il filtro
non ha risposte come in Figura 4.38.
Se non si riesce a garantire le condizioni di non-distorsione neanche nella
banda del segnale, questo subisce distorsioni lineari. In particolare, se la risposta
in ampiezza non costante nella banda del segnale, si avranno distorsioni di
ampiezza (Figura 4.40a); viceversa, se la risposta in fase non lineare nella
banda del segnale, si avranno distorsioni di fase (Figura 4.40b). Per alcuni tipi di
segnale, tollerabile l'introduzione di distorsioni di fase da parte di un filtro. Ad
esempio, nei segnali telefonici di tipo vocale, la presenza di una distorsione di
fase introdotta dal sistema di comunicazione praticamente ininfluente sulla
qualit del segnale ricevuto. Viceversa la distorsione di fase non tollerabile per
i segnali di tipo numerico delle trasmissioni facsimile che peraltro transitano attraverso gli stessi canali telefonici. I ricevitori negli apparecchi fax possiedono
degli appositi circuiti cosiddetti equalizzatori il cui compito proprio quello di
annullare le eventuali distorsioni di fase introdotte dai circuiti telefonici ordinari.

Sistemi monodimensionali a tempo continuo

183

9(f)
Figura 4.39 Il sistema non introduce distorsioni sul segnale x(t)

A(f)

(a)

(b)

Figura 4.40 Distorsioni lineari di ampiezza (a) e fase (b)

Esempio 4.12
Consideriamo i seguenti quattro segnali:
XI(t)

= 2 sin(nBt)

X2(t)

= cos(7rBt)

X3(t)

= 4 cos(

(E4.12.1a)
+ sin(3nBt)

(E4.12.1b)

27rBt) + sin( 47rBt)

(E4.12.1c)
(E4.12.1d)

e cerchiamo di stabilire se tali segnali vengono o meno distorti nel passaggio

184 Capitolo 4

attraverso il SLS la cui risposta in frequenza rappresentata in Figura 4.41.


9(t)
I

1t

A(t)

-28

-8

1t/2

8
I
B

-ri

28

- 1t!2
t

(a)

-1t

(b)

Figura 4.41 Risposta in ampiezza (a) e in fase (b) del SLS dell'Esempio 4.12

Il segnale x\(t) sinusoidale puro con frequenza B/2 e non viene distorto dal
sistema in esame. Infatti il segnale di uscita (A( B/2) = l e 8(B/2) =n/2):
YI (t)

= 2 A(B/2)

=2

sin( nBt + n /2)

sin(nBt + 8(B/2))

= 2 sin[ nB( t + 1/2B)]

(E4.12.2)

e rappresenta una replica, inalterata in ampiezza e anticipata di 1/2B, del segnale


di ingresso. In generale, lo studio delle distorsioni lineari presuppone che il
segnale in ingresso a un SLS sia costituito almeno da due componenti frequenziali che possono subire, nell'attraversare il sistema, ritardi e amplificazioni
diverse. Invece, in presenza di una sola componente frequenziale, come in questo caso, il segnale di uscita sar sempre una replica indistorta del segnale di ingresso comunque esso venga amplificato e/o ritardato.
Il segnale X2(t) contiene invece due componenti sinusoidali alle due diverse
frequenze B/2 e 3B/2. Questo segnale subisce distorsioni di ampiezza poich

A(B/2)=1:f'; A(3B/2)= 2. Inoltre esso subisce distorsionidi fase poich i due


punti individuati sulla risposta in fase del sistema per le frequenze B/2 e 3B/2
non sono disposti secondo una retta passante per l'origine degli assi cartesiani.
La presenza di distorsioni pu anche essere messa in evidenza scrivendo l'espressione del segnale di uscita
Y2(t) = A(B/2) cos(nBt + 8(B/2)) + A(3B/2) sin(3nBt + 8(3B/2))

= cos(nBt + n/2) + 2 sin(3nBt + 3n/4)

= cos[nB(t

+ 1/2B)] + 2 sin[ 3nB(t + 1/4B)]

(E4.12.3)

Sistemi monodimensionali a tempo continuo

185

La presenza di distorsioni di fase si traduce in Unanticipo diverso introdotto dal


sistema sulle componenti del segnale a frequenza diversa.
Anche il segnale X3(t) contiene due componenti sinusoidali ma alle frequenze
B e 2B. Questo segnale nOn subisce distorsioni di ampiezza poich A(B) =
=A(2B) = 1, e neanche distorsioni di fase poich i due punti individuati sulla
risposta in fase del sistema per le frequenze B e 2B SOnOdisposti secondo Una
rettapassanteper l'origine.L'espressionedel segnaledi uscita
Y3(t)

= 4A(B)

cos(2nBt + O(B)+ A(2B) sin(4nBt + O(2B

= 8 cos(2nBt+ n/2)+2 sin(4nBt+n)


=8cos[2nB(t + 1/4B)]+ 2 sin[4nB(t + 1/4B)]

(E4.12.4)

e mostra che il sistema introduce la stessa amplificazione e lo stesso anticipo


sulle due componenti del segnale.
Infine, la trasformata di Fourier del segnale xAt)

l_lfI rect L
x4 (J)=1B
B
2B
(

( )

(E4.12.5)

Pertanto X4(t) Unsegnale passa-basso di banda B. Nella banda del segnale, le


risposte in ampiezza e in fase del sistema SOnOdate da (vedi la Figura 4.41)

(E4.12.6)

A(J) = 2~1 , O(J)= ~ sgn(J)


e cio

H(J) =A(J) ejlJ(f)

=j 2fB = ~(j21if)
nB

-B ~ f ~ B

(E4.12.7)

Il segnale subisce ovviamente distorsioni di ampiezza e di fase. Si pu anche osservare che il sistema, nell'intervallo di frequenze di interesse, esegue la derivata del segnale di ingresso (a menOdi Unacostante l/nB). Allora l'espressione
del segnale di uscita
1 d
Y4(t) = --x4(t)
nB dt

1 d .

= --smc2(Bt)
nB dt

=~nB sinc( Bt) !:.dt sinc( Bt) = ~nBt sinc( Bt) [cos(nBt) -

sinc(Bt)]

(E4.12.8)

186

Capitolo 4

I criteri di fedelt, distorsione e banda appena introdotti possono essere


rivisitati e ridefiniti considerando il contenuto energetico dei segnali. quindi
necessario esaminare pi da vicino il concetto di energia epotenza dei segnali a
tempo continuo, e di studiare come queste grandezze vengono influenzate
dall' elaborazione dei medesimi con sistemi lineari stazionari.

4.4 Densit spettrale di energia e potenza


4.4.1 Teorema di Parseval e densit spettrale di energia
Consideriamo un segnale x(t) a energia finita:
~

Ex = Jlx(tt dt <

00

(4.4.1)

e mostriamo come il calcolo di questa grandezza pu essere effettuato anche nel


dominio della frequenza. Infatti
(4.4.2)
Se a secondo membro della (4.4.2) si inverte l'ordine di integrazione si ottiene
(4.4.3)
per cui si conclude:
~

Jlx(t)12
dt= Jixut di

(4.4.4)

risultato detto teorema (o relazione) di Parseval. Al di l dell'utilit come


strumento di calcolo, il teorema di Parseval costituisce la base per considerazioni
di carattere pi profondo. Dalla definizione di energia di un segnale data nel
Capitolo 1, sappiamo che la quantit Px(t) = Ix(tt rappresenta la potenza
istantanea (normalizzata) del segnale che, integrata, fornisce appunto l'energia
totale del segnale stesso. Non chiaro invece il significato fisico della quantit
"duale"
(4.4.5)

Sistemi monodimensionali a tempo continuo

187

Considerando 'Ex(f) come una funzione della frequenza, chiaro che


. 'Ex(f) una funzione che assume sempre valori non negativi:

(4.4.6)

se il segnale x( t) reale, allora 'Ex(f) una funzione pari:


(4.4.7)

l'energia del segnale x(t) pu essere calcolata integrando la funzione 'Ex(f)


su tutto l'asse delle frequenze:
~

Ex = f 'E)I) dI

(4.4.8)

Queste propriet non rispondono per alla domanda circa il significato da attribuire a 'Ex(f). Consideriamo allora un sistema lineare stazionario con risposta in
frequenza H(I) il cui ingresso sia x(t) e la cui uscita sia y(t). La funzione
'Ey(l) relativa al segnale di uscita si pu ricavare immediatamente nota 'Ex(f):
(4.4.9)
Stante questa relazione di carattere generale, scegliamo un particolare SLS per
compiere una sorta di "esperimento ideale", e cio ilfiltro passa-banda ideale di
Figura 4.42.
H(f)

-f

Figura 4.42 Filtro passa-banda ideale con frequenza centrale

I
e banda /).1

La funzione 'E)I) del segnale di ingresso quella rappresentata a tratto sottile in Figura 4.43, mentre l'andamento della corrispondente 'E!J
(I) disegnato a
tratto spesso. L'energia del segnale di ustita y(t) si pu calcolare come segue:

188 Capitolo 4

Ey= fE)f)df=

-j+tif/2

J~)f)

IH(J)12df=

j+tif/2

J~Af)

df+

-j-tif/2

J~Af)

j-l1f/2

df

j+tif/2

=2

(4.4.10)

J~x(J) df
j-tif /2

~ (f)
H(f)

-f

Figura 4.43 Andamento delle funzioni 'Ex(J) ed 'Ey (J)

Se si riduce progressivamente la banda passante I1f del filtro, cio si considera


un filtro estremamente selettivo, si pu approssimare la funzione ~Af) all'interno della banda stessa con 'una costante di valore pari a 'EA1). Allora, sotto
questa ipotesi, l'energia del segnale d'uscita pu essere approssimata da
(4.4.11)
e quindi
(4.4.12)
Notiamo, ora, che y(t) stato ottenuto da x(t) sopprimendo tutte le componenti
frequenziali al di fuori di un intorno della frequenza Il. Dunque, come suggerisce la notazione nella (4.4.12), Ey = I1EA1) rappresenta il contributo all'energia
totale del segnale Ex delle sole componenti di x(t) con frequenze appartenenti
all'intervallo [l - 4f /2, 1+ I1f/2 ] (pi il simmetrico sul semiasse negativo), in
quanto tutte le altre componenti sono state cancellate dal filtro passa-banda.
Questo risultato permette finalmente di fornire un'interpretazione della funzione 'Ex:il particolare valore 'EA1) alla frequenza l rappresenta il contributo
locale all'energia totale del segnale x(t) dovuto alle sole componenti di segnale

Sistemi monodimensionali a tempo continuo

189

con frequenza appartenente a Un piccolo intorno di J, rapportato all' ampiezza


piccola !!:.fdell'intorno stesso. Ci corrisponde alla classica definizione di densit di Una grandezza fisica (qui l'energia) rispetto a una misura di estensione
(qui l'ampiezza di una banda), e giustifica il nome COnil quale si designa la
funzione 'Ex(J): densit spettrale di energia del segnale x(t). TIfattore 1/2 nella
(4.4.12) relativo alla necessit di considerare sia le componenti in prossimit di
J sia le "omologhe" a frequenza -J in modo da dar luogo a oscillazioni reali.
La definizione di densit spettrale di energia 'EAf) = IX(f)12mostra che, ai
fini del calcolo dell'energia di x(t), risulta determinante il solo spettro di ampiezza del segnale stesso, mentre lo spettro di fase ininfiuente. La stessa
osservazione vale anche a proposito della relazione fondamentale del filtraggio
'Ey (J) = 'E)f) IH(Jt secondo la quale, ai fini del calcolo dell' energia del
segnale di uscita, risulta determinante la sola risposta in ampiezza del sistema,
mentre la sua risposta in fase del tutto ininfluente. In particolare, se vogliamo
che l'energia del segnale d'ingresso si conservi nel filtraggio con un SLS,
necessario garantire che la sua risposta in ampiezza nOn cancelli quelle
componenti alle frequenze per le quali 'E)f) assume i valori pi significativi.
Per un segnale passa-basso si adotta talvolta una definizione di banda basata
su Un criterio energetico. La cosiddetta banda al 99% dell'energia del segnale
x(t) il limite di banda B99di quel filtro passa-basso ideale che, applicato sul
segnale in oggetto, rende in uscita un segnale avente un'energia pari al 99%
dell'energia d'ingresso

Ex:
B...

B...

A:x(f)df

- 0.99Ex =>

J'Ex(f)df
-8.."

J'Ex(f)df=-r"
- 0.99

JI

'

'tl(fV>

" ,'~

./\

,~i

P. :::
O . .ti -- y:.

~-

"'--.(4.4.13)

l>..,~

4.4.2 Densit spettrale di potenza


I concetti appena introdotti riguardo ai segnali a energia finita possono essere
generalizzati al caso di Unsegnale x(t) per il quale finita la potenza:
l T/2

~ = T-+1imT

J X2(t) dt <

00

(4.4.14)

-Tf2

Ricordiamo (si veda il Paragrafo 1.3) che il valore dell'integrale nella'defini-

190

Capitolo 4

zione di potenza (4.4.14) rappresenta l'energia del segnale "troncato"


XT(t)= x(t)rect(tlT), che ha necessariamente energia finita. La densit spettrale
di energia di xT(t) dunque

\~XT

(4.4.15)

u)=IxTut

e l'energia associata a XT(t) data da


~

(4.4.16)

EXT= flxTUtdj
Allora la potenza del segnale di partenza x(t) pu e~sere calcolata come

(4.4.17)
Questo risultato suggerisce di definire una funzione densit spettrale di potenza
come limite della densit di energia del segnale troncato sull'intervallo "di
osservazione" [-T 12,T 12], rapportata all'ampiezza T dell'intervallo medesimo:

T-7~

T-7~

(4.4.18)

\s,U),o,lim ~<,U) ~ lim IX,UJ'


Le propriet della densit spettrale di potenza sono formalmente analoghe a
quelle della densit di energia, e possono essere facilmente dimostrate:

la densit spettrale di potenza una funzione della frequenza reale a valori


non negativi:
(4.4.19)
se il segnale x(t) reale, la sua densit spettrale di potenza una funzione
pan:
(4.4.20)

la potenza di un segnale si pu calcolare integrando la sua densit spettrale di


potenza su tutto l'asse delle frequenze:
~

~ = f Sx(f)

dj

(4.4.21)

Sistemi monodimensionali a tempo continuo

191

se il..~gnille x(t) posto in ingresso a un SLS con risposta in frequenza

H(J), la densit~peth-aledip~enza -S/f) del segnaledi uscita y(t) leg~a

'Ha qlle1la
.delsegnlediingressodallarelazione:- -- ~-

- ---

- -. (4.4.22)

- ":JrSA;)=~x(J)IH(J)jj

Anche il significato fisico della densit spettrale di potenza pu essere compreso


ricordando le. considerazioni esposte a proposito della densit spettrale di
energia; scelto un valore arbitrario

di frequenza,

la_quantit infinitesima

sAl) df rappresenta il contributo alla potenza totale del segnale x(t) fornito
dalle componenti frequenziali prossime a

l.

4.4.3 Funzione di autocorrelazione e teorema di Wiener-Khintchine


Le funzioni densit spettrale di energia e di potenza definite precedentemente
possono essere calcolate in una maniera alternativa rispetto a quanto previsto
dalle relative definizioni se si introduce una nuova grandezza che caratterizza
ulteriormente il segnale nel dominio del tempo: la funzione di autocorrelazione.
Per un segnale ~(t) ("'~~uesta

grandezza definita da

R,(T)~ Ix(t)x(t-T)
dt
x J-.. fr'M.:" Q (4.4.23)
Il calcolo della funzione di autocorrelazione richiede di considerare il segnale
dato x(t), una suareplica x(t - 'l') ritardata del ritardo 'l', eseguire il prodotto di
queste due funzioni e calcolare infine il valore dell'integrale del prodotto. Una
volta eseguito il calcolo dell'integrale, il risultato resta ovviamente dipendente
dal ritardodellareplica x(t - 'l') del segnale dato: la notazione Rx('l')suggerisce
proprio questa dipendenza.
La funzione di autocorrelazione fornisce informazioni utili sulla rapidit di
variazione del segnale x(t), come si pu capire dall'esempio illustrato in Figura
4.44. Essa riassume infatti il calcolo del valore della funzione di autocorrelazione, per il medesimo valore di ritardo 'l', di due differenti segnali, x(t) e y(t)
aventi stessa energia ma due diverse "velocit di variazione". chiaro che il segnale x(t), pi "veloce", presenta un valore della funzione di autocorrelazione
. minore di quello relativo al segnale y(t) a parit di ritardo 'l'. Inoltre, quando la
variabile 'l'assume valori crescenti si riduce l'ampiezza dell'intervallo in cui sia
x(t) che x(t - 'l') assumono valori non nulli e, di conseguenza, tende a diminuire
il valore di Rx('l'). Il nome di "autocorrelazione" suggerisce infatti che questa
funzione un indice di "somiglianza" del segnale con se stesso, o meglio, con

==

192 Capitolo 4

una replica di se stesso ritardata.

x(t)

1l

/ /

y(t)
x(t-t)

1/J2

y(t -t)

Figura 4.44 Esempi di calcolo della funzione di autocorrelazione

\1

i...m La funzione
l..'.~egnale x( t):

di autocorrelazione

valutata per'!'

= O coincide con l'energia

del

(4.4.24)

Rx(O)= Jx2(t)dt=Ex

Inoltre, si intuisce facilmente che il segnale x(t) massimamente correlato


(somigliante) con se stesso quando'!' = O, quandocio x(t-'!') = x(t). Possiamo
quindi concludere (vedi l'Esercizio proposto 4.2) che
(4.4.25)
Il lettore dimostri anche che la Rx('!') una funzione pari del proprio argomento:

(4.4.26)
Come conclusione di queste osservazioni, una forma verosimile per le funzioni
di autocorrelazione dei due segnali di Figura 4.44 quella di Figura 4.45.
Quando la variabile'!' supera una soglia di valore opportuno (detto tempo di
correlazione) la funzione di autocorrelazione pu considerarsi nulla.
Tornando all'argomento originario, possibile mettere in relazione la funzione di autocorrelazione con la densit spettrale di energia del segnale; il teorema di Wiener-Khintchine afferma infatti che la densit spettrale di energ"iadi
un segnale pari alla trasformatadi Fourkrdella rispettiva funzione di auto-:'

-correlazione:
---

--

Sistemi monodimensionali a tempo continuo

f R)-r)

'Ex(J) =

193

e-j21ifTd-r

= 2 f Rx(-r)
o

(4.4.27)

cos(21if-r)d-r

~=Ex

Figura 4.45 Funzioni di autocorrelazione dei segnali di Figura 4.44

Osserviamo infatti che la funzione di autocorrelazione pu essere espressa nella


forma di prodotto di convoluzione come segue:
~

Rx(-r) =

fx(a) x(a - -r)da = fx(a) x( -(-r - a) da = x(-r)@x(--r)

(4.4.28)

La trasformata di Fourier di Rx(-r) allora

R)-r)

X(J) X(-j)

(4.4.29)

ed essendo il segnale rale risulta: X(- f)

;vt

= X. (J). Segue

che
(4.4.30)

MR.~)<O>
=".(!~~
La definizione di funzione di autocorrelazione data nella (4.4.23) si applica solo
al caso di segnali a energia finita; per i segnali a potenza finita tale definizione
deve essere modificata come segue:

----

J Rx(-r)~limI

~-

T~~T
--

T/2

fx(t)x(t--r)dt
-T2
-_Z

(4.4.31)

da cui, in particolare, R) O)= Px' Questa funzione di autocorrelazione possiede


tutte le propriet formali gi viste per i segnali a energia finita. Inoltre, il teorema di Wiener-Khintchine di nuovo applicabile (si omette la dimostrazione,

194

Capitolo 4

formalmente pi complessa di quella appena riportata per i segnali a energia


finita), e stabilisce l'uguaglianza tra la trasformata di Fourier della funzione di
autocorrelazione--Cosdefinita e la densit spettrale- di--potenza
- del segnale x(t):
-

- Sx(j)

Rx( T) e-j21!fr dT

~ 2 j R~('r)c~s(21ifT)dT
o

(4.4.32)

L'importanza del teorema di Wiener-Khintchine risiede nel fatto che la densit


spettrale di energia (o potenza) di ogni tipo di segnale a energia o potenza finita,
continuo o discreto, determinato o aleatorio, pu essere ricavata attraverso il
calcolo della trasformata di Fourier della opportuna funzione di autocorrelazione, come avremo modo di approfondire anche nel Capitolo 8. Questo procedimento si rivela spesso pi comodo da utilizzare della definizione diretta di
densit spettrale.
Esempio 4.13
Calcoliamo la densit spettrale di energia dell'impulso rettangolare

x(t)

(E4.13.1)

= rec{~)

Essendo
X(j)

= T sinc(jT)

(E4.13.2)

la densit spettrale di energia risulta


(E4.13.3)
Allo stesso risultato si perviene calcolando la funzione di autocorrelazione che
data da

Rx ( T) = x( T) Q9x( -T)

= rec{

;)

Q9rec{

; )= T( 1- I~) rec{ 2~ )

(E4.13.4)

Se si calcola la trasformata di Fourier della Rx(!') si riottiene i~ediatamente


risultato (E4.13.3).

il
D

Sistemi monodimensionali a tempo continuo

195

Esempio 4.14
Calcoliamo la densit spettrale di potenza del segnale gradino unitario:

x(t)

= u(t)

(E4.14.1)

Questo segnale aperiodico a potenza finita. La sua densit spettrale di potenza


espressa dalla (4.4.18):
(E4.14.2)
ove XY(f) la trasformata di Fourier del segnale
(E4.14.3~
come illustrato in Figura 4.46. Passando alle trasformate,
(E4.14.4)
e quindi la densit spettrale di potenza data dal seguente limite:
(E4.14.5)
con

Yr(J)=

: sinc2(~)

(E4.14.6)

L'andamento della funzione Yy(f) illustrato in Figura 4.47 per valori di T


crescenti. Essa assume il valore T/4 per f = O e si annulla per le frequenze
h = 2k/T , con k numero intero relativo diverso da O. importante notare che
tale funzione sottende un'area costante, indipendentemente dal valore di T;
infatti
!

(E4.14.7)
in quanto

196 Capitolo 4

Itl

()

(E4.14.8)

YT(t)=-2 1-- T/2 rect -T


)

rect(t/T)

r--------I

x(t)=u(t)

I
I
I
I
I
I

-T/2

T/2

T/2

Figura 4.46 Andamento del segnale xr(t) (Esempio 4.14)

-2fT

Figura 4.47 Andamento della funzione fr(f)

2fT

(Esempio 4.14)

Dunque, al crescere del valore di T il valore della funzione nell' origine tende
all'infinito, la sua banda diminuisce arbitrariamente, poich i suoi punti di nullo
si avvicinano all'origine, ma l'area da essa sottesa non cambia: la successione di
funzioni YT(f) tende a un impulso di Dirac! In conclusione si ha:

Sistemi monodimensionali a tempo continuo

197

(E4.14.9)

Allo stesso risultato si perviene (tutto sommato in maniera pi rapida)


applicando il teorema di Wiener-Khintchine. La funzione di autocorrelazione per
segnali a potenza finita
l T/2

Rx(T) = lim-

T-7~ T

f x(t)X(t-T)dt

(E4.14.10)

-T/2

Limitiamoci al caso T ~ O, visto che la funzione di autocorrelazione pari.


Allora si ottiene
l T/2

RAT)

= T-7~
lim T

l T/2

f u(t) u(t - 'l")dt = lim -T fou(t - T) dt


-ry2

(E4.14.11)

T-7~

Calcoliamo adesso il valore dell'integrale, prima di eseguire il limite:


T/2

fo u(t-'l")dt=

O
{ T/2-T

'l">

T/ 2

'l"~T/2 }

=(T/2-T)U(T/2-T)

(E4.14.12)

quindi, per T;:::O

RAT) = T-7~
lim.!.[(T/2-T)u(T/2-T)]
T

= lim
T-7~

(!2 - ~T )U(T/'2 - T) = !2

(E4.14.13)

Infatti, quando T --700 la quantit 'l"/ T tende a zero, mentre la funzione


u(T /2 - T) vale comunque l (il punto di applicazione del gradino si sposta
verso destra illimitatamente). Geometricamente, si ha la situazione di Figura
4.48. Estendendo per simmetria pari questo risultato, si conclude che, per qualunque 'l",
I

(E4.14.14)
dalla quale si ricava immediatamente, calcolando la trasformata di Fourier, il
risultato (E4.14.9).

198 Capitolo 4

(-1/2-t1T)

.u(T /2-'1:)

1/2

T/2

't

Figura 4.48 Funzione d'autocorrelazione del segnale gradino unitario

D
4.4.4 Densit spettrale di potenza dei segnali periodici
Una particolare categoria di segnali a potenza finita rappresentata dai segnali
periodici. Per essi vogliamo determinare la funzione di autocorrelazione e la
densit spettrale di potenza in funzione del relativo coefficiente di Fourier Xk.
Per un segnale x(t) periodico di periodo 1'0,l'espressione della funzione di
autocorrelazione (4.4.31) si semplifica come segue:

1
Rx ('r) =

To/2

Lo -To/2
f x( t) x( t -

'Z")dt

(4.4.33)

immediato rendersi conto che la funzione di autocorrelazione di un segnale


periodico periodica in 'Z"dello stesso periodo 1'0del segnale. Per procedere con
il calcolo, sostituiamo a x(t - 'Z")nella (4.4.33) il relativo sviluppo in serie di
Fourier. Si ottiene cos
(4.4.34)
Invertendo le operazioni di sommatoria e integrazione ricaviamo

(4.4.35)
Tenendo conto che il segnale reale e che quindi X-k = X;, si concludeche

Sistemi monodimensionali a tempo continuo

199

(4.4.36)

Dunque, i coefficienti dell'espansione in serie di Fourier della funzione di autocorrelazione del segnale periodico sono dati dal modulo quadro dei coefficienti
dell'espansione in serie del segnale stesso:
(4.4.37)
Per ricavare la densit spettrale di potenza di x(t) ora sufficiente calcolare la
trasformata continua di Fourier della funzione Rx('r). Dalla (4.4.36) si ricava
immediatamente
(4.4.38)
Dunque, un segnale periodico ha uno spettro di potenza a righe come illustrato
in Figura 4.49; ciascuna riga rappresenta il contributo alla potenza del segnale
dato dalla componente alla frequenza armonica corrispondente. Pertanto
possiamo dire che la potenza, anzich essere distribuita con continuit su tutte le
frequenze dell'asse' reale (come per un generico segnale aperiodico), concentrata sulle frequenze armoniche.
La potenza complessiva del segnale si ottiene integrando la densit spettrale
di potenza su tutto l'asse delle frequenze; quindi possiamo scrivere

~ =fSx(J)df=Tk~xl8(f-

~)df= k~lxl 10(f- ~)df=k~xkI2


(4.4.39)

Il risultato espresso dalla (4.4.39), che di seguito riassumiamo, rappresenta la


versione del teorema di Parseval per i segnali periodici:
-+-

~ = Llxl

(4.4.40)

k=-oo

Utilizzando i coefficienti dello sviluppo in serie in forma reale polare si ha


anche
-+-

l-+--+-

~ = k=LIXkl2 = Llxl + IXol2 + Llxkl2 = Ag + 2LA;


k=k=l
k=1

(4.4.41)

200

Capitolo 4

Osserviamo che la potenza associata alla generica k-esima oscillazione armonica


dello sviluppo in forma reale polare pari a
(4.4.42)
dato che l'oscillazione ha ampiezza di picco 2Ak' Quindi il teorema di Parseval
sancisce che la potenza totale del segnale periodico si ottiene semplicemente
sommando le potenze delle singole oscillazioni armoniche in cui il segnale
scomponibile, come se queste si presentassero singolarmente.

1fTo 2fTo 3fTo


Figura 4.49 Densit spettrale di potenza di un segnale periodico

4.5 Sistemi non lineari


4.5.1 Caratterizzazione dei sistemi non lineari
I sistemi lineari stazionari sono caratterizzati dalla conoscenza della risposta
impulsiva h(t). Se si considera il particolare SLS causale di Figura 4.50, il
segnale y(t) d'uscita esprimibile come
~

y(t)

= x(a) h(t- a) da = l-Tx(a) h(t- a) da

(4.5.1)

essendo h(t - a) *-O solo nell'intervallo t - T < a < t. Il valore del segnale
d'uscita calcolato all'istante t dipende quindi dai valori che l'ingresso assume in
un intervallo di durata T precedente l'istante t stesso. Un comportamento di
questo tipo caratteristico di un sistema con memoria e, nel caso specifico, con
una memoria finita pari a T. Un sistema invece senza memoria se l'uscita a un
istante arbitrario dipende solamente dal valore dell'ingresso al medesimo istante.

Sistemi monodimensionali a tempo continuo

201

Pertanto il comportamento ingresso-uscita di un sistema senza memoria


caratterizzato in generale da una relazione del tipo
y(t)

(4.5.2)

= 'T[x(a),a = t;t]
h(t)
x(t)

y(t)

T t

Figura 4.50 Sistema lineare stazionario con memoria finita

Se il sistema anche stazionario, l'operatore '1'[.]"collassa" in una semplice


funzione g(x) che rappresenta la cosiddetta caratteristica ingresso-uscita del
sistema (vedi Figura 4.51).
y=g{x)

~t)
x

Figura 4.51 Caratteristica ingresso-uscita di un sistema senza memoria

La caratteristica non dipende dal tempo poich il sistema stazionario; in tutti


gli istanti in cui il segnale di ingresso "passa" da un certo valore xo, in uscita
troveremo comunque il valore Yo = g(xo).
Quali sono le peculiarit di funzionamento di un generico sistema non lineare
staz~onariosenza memoria? Quali le principali differen~e rispetto a un sistema
lineare? Suppondendo nota la caratteristica ingresso-uscita g(x), il comportamento della non linearit pu essere meglio compreso sviluppando in serie di

202

Capitolo 4

Taylor la caratteristica stessa in un intorno dell'origine2:


(4.5.3)
con
- l d"
glI--

(4.5.4)

n! dx" g(x) x=o


I

Per semplicit, supponiamo di avere a che fare con una nonlinearit per cui lo
sviluppo in serie (4.5.3) arrestato al secondo ordine sia una approssimazione
sufficientemente accurata della caratteristica, cio
(4.5.5)
La presenza del termine quadratico g2X2(t)nell'espressione del segnale di uscita
chiaramente responsabile dell'introduzione di distorsione non lineare sul
segnale d'ingresso. Per meglio comprendere la natura di tale distorsione,
passiamo alle trasformate; la relazione (4.5.5) si traduce nella seguente nel
dominio della frequenza:

f(J) = go8(J)+ gl X(J) + g2 X(J) @ X(J)

(4.5.6)

Se, ad esempio, X(J) uno spettro rettangolare (a banda limitata):

X(J)

=rec{

~)

(4.5.7)

allora la trasformata f(J) ottenuta calcolando la somma dei tre contributi nella
(4.5.6) quella rappresentata nella Figura 4.52.
Gi questo semplice esempio significativo del meccanismo di distorsione di
un sistema nonlineare senza memoria: nel segnale d'uscita ritroviamo, oltre a
una componente continua, che in pratica pu essere facilmente eliminata con un
accoppiamento in alternata del segnale di uscita, anche alcune componenti
frequenziali che non sono presenti nel segnale d'ingresso, in particolare tutte
quelle nella banda (B,2B]. La produzione di queste componenti chiaramente
2 Solo caratteristiche con un certo grado di "regolarit" nell'intorno dell'origine possono essere
sviluppate in serie di Taylor. Questa condizione non necessariamente verificata, ma la
discussione riveste comunque carattere generale.

Sistemi monodimensionali a tempo continuo

203

dovuta alla presenza del termine nonlineare (in particolare quadratico) nella
caratteristica ingresso-uscita.
Y(f)

2B~
Figura 4.52 Esempio di distorsione non lineare

L'allargamento dello spettro del segnale, tipico delle distorsioni non lineari,
tanto pi marcato quanto pi la caratteristica ingresso-uscita del sistema si discosta da un andamento lineare. Se avessimo preso in considerazione anche un
termine cubico nell'espansione in serie di Taylor, avremmo ottenuto uno spettro
del segnale di uscita con banda triplicata, e cos via. Osserviamo inoltre che un
eventuale filtraggio dell'uscita per reiettare le componenti fuori banda (cio
fuori della banda originaria B) non permette comunque di recuperare una replica
fedele del segnale di ingresso; l'effetto della non linearit si manifesta infatti anche all'interno della banda del segnale utile (fenomeno di intermodulazione).
4.5.2 Nonlinearit essenziali e parassite
Nella discussione precedente sull'effetto della nonlinearit, essa stata considerata come un fattore negativo producente distorsione sul segnale. Questa visione
in generale valida per sistemi di elaborazione dei segnali, ma deve essere
approfondita quando si considerano sistemi nonlineari in generale, in particolare
sistemi elettronici di potenza. importante cio classificare preliminarmente il
tipo di non linearit o, meglio, stabilire se si tratta di una non linearit essenziale
o parassita in relazione alla funzione che il sistema deve svolgere.
Una nonlinearit parassita si manifesta nonostante tutti gli sforzi di progettazione in sistemi nominalmente lineari, e provoca quindi effetti indesiderati.
L'esempio tipico di non linearit parassita quella presentata da un circuito amplificatore reale. Abbiamo gi pi volte considerato un amplificatore ideale, che
descritto dalla relazione
y(t)

= A. x(t)

(4.5.8)

204

Capitolo 4

cui corrisponde la caratteristica ingresso-uscita g(x) = A. x rappresentata in


Figura 4.53a. Osserviamo esplicitamente che questo sistema rappresenta, per
cos dire, "l' intersezione" tra la classe dei sistemi lineari stazionari e quella dei
sistemi stazionari senza memoria. Per un amplificatore reale, per, la
caratteristica non quella illustrata nella Figura 4.53a, bens quella (non lineare)
di Figura 4.53b, che indica un fenomeno di saturazione. Se i valori del segnale
d'ingresso sono compresi in un certo intervallo [-XM,XM]'ove XM la dinamica
d'ingresso, il sistema si comporta come un amplificatore ideale (caratteristica
lineare); al di fuori di questo intervallo, il sistema opera in zona non lineare e

l'uscita non superaun valorecostante YM (la dinamicad'uscita) cherappresenta


il livello di saturazione dell'amplificatore. Se si eccede la dinamica di ingresso,
si avranno quindi distorsioni nonlineari sul segnale d'uscita.
g(x)

(a)

(b)

Figura 4.53 Caratteristiche ingresso-uscita dell'amplificatore ideale (a) e reale (b)

Consideriamo al contrario un esempio di nonlinearit essenziale. Supponiamo di


disporre di un generatore di forma d'onda sinusoidale, e di voler ricavare a partire dal segnale x(t) fornito dal generatore un segnale y(t) costante. Si dispone
dunque di un segnale x(t) il cui spettro costituito da due righe a frequenza I/o
e si vuole produrre un segnale y(t) costituito solo da una componente (continua)
a frequenza o. chiaro che questa operazione non pu essere realizzata con un
di
sistema lineare stazionario. La relazione fondamentale Y(f) = H(f)X(f)
questi sistemi indica che nello spettro del segnale di uscita non possono esistere
componenti che sono di ampiezza nulla nello spettro del segnale di ingresso.
La funzione desiderata, che quella tipica compiuta dai circuiti alimentatori
degli apparati elettronici, pu essere invece realizzata utilizzando un sistema non
lineare in cui la nonlinearit diventa parte essenziale. Tale sistema costituito
da due blocchi funzionali ed rappresentato in Figura 4.54. Il primo blocco un
raddrizzatore a doppia semionda con caratteristica ingresso-uscita

Sistemi monodimensionali a tempo continuo

g(x ) =Ixl

205

(4.5.9)

e il secondo un filtro passa-basso (quindi un SLS) che estrae dal segnale


raddrizzato la sola componente continua.

x(t)

y(t)

t
Figura 4.54 Schema a blocchi di un alimentatore

4.5.3 Misura delle distorsioni non lineari


Esistono alcuni metodi di misura per caratterizzare la maggiore o minore
influenza della nonlinearit in un sistema in cui questa vista come parassita. Il
pi semplice consiste nel dare in ingresso al sistema in esame un segnale
sinusoidale
x(t)

(4.5.10)

= ~ cos(2J%t)

Supponiamo dapprima, per semplicit, che la caratteristica ingresso-uscita del


sistema sia quella di una nonlinearit del secondo ordine:
(4.5.11)
Allora il segnale d'uscita espresso da
(4.5.12)
(4.5.13)
Nel segnale d'uscita presente un' oscillazione a frequenza 2.10che non compare
nel segnale d'ingresso e che viene chiamata distorsione di seconda armonica.
Nel caso generale, in cui la caratteristica del sistema arbitraria, in risposta al
segnale sinusoidale periodico di periodo To= 1/.lo, il sistema produrr il segnale
y(t)

= g[x(t)] = g[x(t+

To)]

= y(t+

To)

(4.5.14)

206

Capitolo 4

Il segnale di uscita, visto che il sistema senza memoria, a sua volta periodico
con lo stesso periodo di quello d'ingresso, come esemplificato in Figura 4.55,
anche se non sinusoidale. Ci consente di sviluppare y(t) in serie di Fourier
(forma reale polare):
y(t)

= Ao+ 2A, cos(21ifot + 8,)+

2~ cos(2n2fot + 82) +...


(4.5.15)

= Ao+ 2LAk cos(2nkfot + 8k)


k='

y(t)

g(x)

I
I
l
I
I
I
-i

x
~

I
l
l
l
l
l
l
I
I
I
I

X
-::;,

~-

Figura 4.55 Esempio di distorsione nonlineare (amplificatore con saturazione)

Come gi detto, l'effetto della non linearit quello di generare componenti


non presenti nel segnale d'ingresso; le componenti generate sono qui in relazione armonica con la frequenza del segnale d'ingresso; questo meccanismo di
distorsione si indica dunque con il nome di distorsione armonica. La componente continua Aonon viene considerata come prodotto di distorsione ( spesso
ininfluente nelle applicazioni), e la componente per k = 1 in pratica la parte

Sistemi monodimensionali a tempo continuo

207

"utile" del segnale di uscita perch replica fedele del segnale di ingresso. Per
quantificare l'influenza della nonlinearit si definisce allora il coefficiente di distorsione di k-esima armonica

D ~ (2Ak)2/2
k

'(2Al)2

/2

= Ak
AI

;::.

(4.5.16)

'

i /2

della kesima armonica prodottasi per distorsione, e la potenza (2A1)2/2 della prima
armonica, che viene considerata come la replica non distorta del segnale
che rappresenta la radice quadrata del rapporto tra la potenza (2Ak

d'ingresso. In teoria esistono infiniti coefficienti di distorsione~ch


in pratica
siano rilevanti soltanto quelli di ordine inferiore (seconda e terza armonica).
Per disporre comunque di un'informazione sulla distorsione complessiva,
cio relativa a tutte le armoniche prodotte, si definisce innanzitutto il segnale
distorsione come "residuo" del segnale di uscita, tolta la componente utile e
quella (ininfluente) continua:
+00

d(t)

y(t) - Ao - 2A, cos(2J%t + 81) = 2LAk cos(2nkfot + 8k)


k=2

(4.5.17)

Si definisce poi il coefficiente di distorsione armonica totale (THD, Total


Harmonic Distortion) come il rapporto tra la potenza del residuo di distorsione
d(t) e quella della componente utile:
(4.5.18)
Si noti che, per il teorema di Parseval:
+00

Pd

=2LA;
k=2

+00

~ =Ag+ 2LA;
k=l

=> Pd=

~-

Ag - 2 AI2

(4.5.19)

Allora il coefficiente di distorsione totale (4.5.18) risulta

(4.5.20)

Esempio 4.15
Il segnale x(t)= cos(2J%t) applicato al sistema nonlineare di Figura 4.56.

208 Capitolo 4

Determiniamo i coefficienti di distorsione di seconda armonica D2, di terza


armonica D3 e di distorsione totale D del segnale di uscita y(t). I segnali di
ingressoe di uscitadel sistemain esamesonorappresentatiin Figura4.57.

x(t)

y(t)

Figura 4.56 Limitatore/Comparatore


2.0
1.5 -

1.0

'-"
X

1\

0.0

.
:

-0.5
-'....'"

f
...
\......,/

"..,'

'..

-1.5
-2.0
-2

j-

-1.0

y(t)

." .

"\
0.5
>- -\

,-

A1.5

x(t)

I
~

I
1

Tempo normalizzato,

t!T o

Figura 4.57 Andamento dei segnali di ingresso e di uscita del sistema di Figura 4.56

Il segnale di uscita un' onda quadra di periodo To= l/Io e di ampiezza pari ad
A. Come dimostrato nell'Esempio 2.4, i coefficienti dello sviluppo in serie di
Fourier del segnale y(t) sono

~ = { ~ sinc(k/2)

per k.= O
altrimenti

(E4.15.1)

Poich .li = O (il segnale y(t) alternativo) il coefficiente di distorsione di


seconda armonica nullo. Il coefficiente di distorsione di terza armonica
invece dato da

Sistemi monodimensionali a tempo continuo

~ A3 _11;1-

D3

Al

A Isinc(3/2)1- 1

--

A Isinc(1/2)1

IYrI

209

(E4.l5.2)

Inoltre,la potenzadel segnaledi uscita banalmente ~ =A2 e il valore medio


del segnale nullo ( Yo= O); la potenza del residuo di distorsione Pd allora pari
a:

(E4.l5.3)
Allora il coefficiente di distorsione armonica totale dato da
~

D=

&
~2

21Yrl

A2

[1-8 /n2 ] =

2A2sinc2(1/2)

1-

8/n 2 = ~-l

8/n2

=0.483

(E4.15.4)

D
Esempio 4.16
Il segnale x(t) = 2A cos(21ifot) applicato al sistema nonlineare di Figura 4.58.
Calcoliamo i coefficienti di distorsione di seconda armonica D2, di terza
armonica D3 e di distorsione armonica totale D del segnale di uscita y(t).

x(t)

y(t)

AAY

-A

Figura 4.58 Sistema nonlineare

Il segnale di ingresso e il corrispondente segnale di uscita sono rappresentati in


Figura 4.59. Si vede che il segnale di uscita alternativo, quindi tutte le sue
armoniche di ordine pari hanno ampiezza nulla e, come nell'esempio precedente,
il coefficiente di distorsione di seconda armonica D2 nullo. Per calcolare il
coefficiente di distorsione di terza armonica D3 necessario determinare i
coefficienti 1; e Yr.Essendo y(t) un segnale pari, il k-esimo coefficiente del suo
sviluppo in serie di Fourier pu essere calcolato con la formula semplificata
(2.6.9):

210

Capitolo 4

2 To/2
Y;,=

(E4.16.1)

- J y(t) cos(21rkfot) dt
To o

da cui segue
2 To/2
y(t) cos(2J%t)
To o

~ =-

dt

1 -13
J
cos (2J%t)dt=A --( 3 2n )
To To/6

4A To/3

=-

2 To/3
J y(t) cos(2J%t)
To To/6

=-

dt

(E4.16.2)

2.0

'O,."
'-"

"""""","0'

1.5

'...,....
""'"

//....
l-- --

.-1.0.>--

-- 0.5 y(t),
->. 0.0
x

- -...-----

1/3 .
1/6

-0.5
-1.0

-A,

-1.5

'.
'.

../"/"~(t)
..'.,'

-2.0 L """""
-0.50

-0.25

0.00

0.25

............
0.50

Tempo normalizzato, tfTo


Figura 4.59 Andamento dei segnali di ingresso e di uscita del sistema di Figura 4.58

Analogamente,
2 To/2

1; = -

J y(t) cos(6J%t) dt
To o
4A To/3

= -

2 To/3

=-

y(t) cos(6J%t) dt
1'0To/6

J cos( 21ifot) cos( 61ifot) dt

To To/6

4A To/31
. =-

J -[cos(4J%t)+cos(8J%t)]dt=--A-I3

1'0 To/62

41r

(E4.16.3)

Sistemi monodimensionali a tempo continuo

211

Usando i risultati (E4.16.2-3) si ottiene

D3=

(E4.16.4)

3-J3
2[211: - 3-J3]

==

2.39

Procediamo ora 'con il calcolo del coefficiente di distorsione totale. Essendo


y(t) un segnale pari, la sua potenza media data da
2 To/2

~.=-

fl(t)dt=-

To o

2 To/3

fl(t)dt

1;, To/6

8A2 To/3

=-

To

f cos2(2Jifot)dt = 2A
To/6

-J3

(E4.16.5)

( -3 - -211:)

La potenza associata alle componenti di distorsione invece


2

!- -J3 -2A2 !- -J3


Pd = ~ -IYcl- 21tt = 2A2
( 3 211:)
( 3 211:)

(E4.16.6)

( Yo = O). Allora il coefficiente di distorsione totale risulta


1 ==4.16

(E4.16.7)

D
Sommario
Un sistema monodimensionale (a un ingresso e una uscita) trasforma un segnale
d'ingresso x(t) (sollecitazione) in un segnale d'uscita (risposta) y(t). Anche
senza conoscere la struttura del sistema, possibile individuare alcune propriet
di quest'ultimo: stazionariet se il comportamento del sistema non varia nel
tempo; causalit se l'evoluzione dell'uscita non dipende dalla futura evoluzione
dell'ingresso; istantaneit se il valore dell'uscita dipende solo dal valore dell'ingresso al medesimo istante; stabilit se a qualunque ingresso limitato in ampiezza corrisponde sempre un'uscita limitata in ampiezza; invertibilit se il segnale d'ingresso pu sempre essere ricostruito a partire dall'osservazione del segnale d'uscita; linearit se al sistema applicabile il principio di sovrapposizione degli effetti. Limitandoci allo studio dei sistemi lineari stazionari (SLS), si
definisce la risposta impulsiva h(t) come risposta all'eccitazione 8(t), e si di-

212

Capitolo 4

mostra che questa caratterizza complecimente il comportamento del sistema; in


particolare, l'uscita del sistema si pu calcolare come y(t) =x(t) <8>h(t). Una caratterizzazione equivalente si ottiene in ambito frequenziale definendo la risposta infrequenza del sistema H(!), cio la trasformata di Fourier della risposta
impulsiva; la risposta in frequenza pu anche essere calcolata come rapporto tra
le trasformate dei segnali d'uscita e d'ingresso H(!) = Y(!)/ XC!), oppure
come il coefficiente (complesso) secondo cui viene modificata un' oscillazione
complessa alla frequenzaf che passa attraverso il sistema: y(t) = H(f)ej21ifi.
La caratterizzazione dei SLS i~ ambito frequenziale risulta indispensabile
quando il sistema stesso deve effettuare operazioni di elaborazione dei segnali
selettive infrequenza, cio operazioni difiltraggio. A questo proposi/o si definiscono le risposte dei filtri ideali passa-basso, passa-alto, passa-banda ed eliminabanda. Questi sistemi fondamentali sono caratterizzati da una banda passante e
una banda oscura che ne rappresentano le caratteristiche fondamentali. Si dimostra per che questi filtri ideali non sono fisicamente realizzabili perch non
causali, come si pu verificare attraverso il criterio di Paley-Wiener sulla risposta in ampiezza.
Il concetto di banda introdotto per i filtri pu essere generalizzato e precisato
anche per segnali arbitrari a energia finita. Attraverso opportune definizioni di
banda e durata si arriva al risultato che queste due quantit variano in maniera
inversa. In particolare, non possibile ridurre arbitrariamente la banda di un
segnale senza aumentarne in proporzione la durata: il prodotto di queste due
grandezze limitato inferiormente. Le approssimazioni dei filtri ideali che si
realizzano in pratica possono per introdurre distorsioni lineari sul segnale utile.
Il criterio di non distorsione richiede che la risposta in ampiezza del filtro sia
costante (piatta) e la risposta in fase sia proporzionale alla frequenza (lineare)
all'interno della banda del segnale utile.
Attraverso lo studio dei SLS possibile anche caratterizzare il contenuto
energetico dei segnali in ambito frequenziale. Il teorema di Parseval, nelle varie
versioni per segnali periodici e aperiodici, permette di calcolare l'energia
(potenza) dei segnali a partire dalla conoscenza dello spettro di ampiezza. Le
funzioni densit spettrale di energia e di potenza (rispettivamente per i segnali a
energia e potenza finita) rappresentano, frequenza per frequenza, il contributo
"locale" all'energia (potenza) del segnale fornito dalle componenti in un intorno
della frequenza considerata, rapportato all'ampiezza dell'intorno stesso. Quando
il segnale viene filtrato, queste funzioni vengono modificate in ragione della risposta in ampiezza al quadrato del sistema, IH(f)12. Il teorema di Wiener-

Sistemi monodimensionali a tempo continuo

213

Khintchine permette poi di definire le densit spettrali come trasformata di


Fourier delle rispettive funzioni di autocolTelazione.
I sistemi nonlineari senza memoria sono caratterizzabili attraverso la caratteristica ingresso-uscita g(x), e si distinguono dai SLS perch in generale producono componenti spettrali non presenti nel segnale d'ingresso. La maniera pi
semplice per quantificare in questi sistemi !'influenza delle distorsioni non lineari (considerate come fenomeno parassita) la misura dei coefficienti di distorsione armonica quando l'ingresso del sistema sinusoidale.

Esercizi proposti
4.1 Per ciascunodei seguentisegnali:

= 2 + cos(71tt/T)
X2(t) = sen(51tt/T) + 3cos(71tt/T)
x.(t)

X3(t)

= 2cos(1tt/T) -

sen(31tt/T)

dire (giustificando il risultato) se ed eventualmente in che modo essi vengono distorti nel passaggio attraverso il sistema lineare stazionario la cui
risposta in frequenza rappresentata in Figura 4.60.
IH(f)1
A

-T

-T

2
T

4
T

LH(f)

Figura 4.60

4.2

Calcolare la funzione di autocorrelazione dei due segnali x(t) e y(t) in


Figura 4.44.

214

Capitolo 4

4.3

Partendo dalla relazione (x(t) segnale a energia finita)


~

j[ x(t):f:

4.4

./

x(t - 1")]2dt 2':O

dimostrare la propriet (4.4.25) 1Rx('l")I::;Rx(O).


Il teorema di .Parseval pu anche essere generalizzato considerando due
segnali x(t) e y(t) a energia finita. Se con X(J) e Y(J) si indicano le
rispettive trasformate di Fourier di questi segnali, dimostrare che (teorema
di Parseval generalizzato)
~

f x(t) y*(t)dt = f X(J)


4.5

Y*(J) di

Considerando lo schema di Figura 4.61, in cui il segnale x(t) espresso da

x(t)

= sinc( t - ;12 ) + sinc( t + ; /2 )

determinare l'espressione del segnale di uscita y(t) sapendo che.


c(t)

= k=- rect

t-kT
T /2 J

e che le risposte in frequenza H1(J) e H2(J) sono come in Figura 4.62.


c(t)

H Jf)
x(t)

y(t)

c(t-T/4)

Figura 4.61

Sistemi monodimensionali a tempo continuo

-7/2T -3fT -5/2T

5/2T

3fT

215

7/2T

Figura 4.62

4.6

Il segnale
+00

y(t)

= k;;:.-oo
IJ -1/ x(t - kT)

con

x(t)

= exp[-t/T] rectC-;/2)

viene applicato in ingresso al sistema di Figura 4..63(la caratteristica della


nonlinearit w = l). Determinare la potenza ~ del segnale di uscita
. z(t).
H (f)

Figura 4.63

4.7

Calcolare l'energia Ex e la potenza

= 2 sinc2(Bt)
4.8

del segnale aperiodico x(t)

sin(2nBt).

Determinare direttamente la densit spettrale di potenza Sx(f) del segnale


x(t) = cos(21fot)senza sfruttarne la propriet di periodicit.
4.9 Determinare la caratteristica ingresso-uscita di un sistema senza memoria
lineare e stazionario. possibile in questo caso calcolarne la risposta
impulsiva?
4.10 Il segnale x(t) = 2cos(2nBt) applicato al sistema di Figura 4.64. Sapendo
che h(t) = 2B sinc2(2Bt), determinare la potenza ~ del segnale di uscita
z(t).

216

Capitolo 4

x( t)

*
1

z(t)

y(t)
h(t)

-1

Figura 4.64

4.11 Il segnale x(t) = -fia cos(27rfot) applicato al sistema nonlineare di


Figura 4.65. Calcolare il coefficiente di distorsione armonica totale D del
segnale di uscita y(t).
y

y(t)

x(t)

t
Figura 4.65

4.12 La funzione di correlazione incrociata tra due segnali a energia finita x(t)
ed y(t) definita come segue:
+00

Rxy('C')!

Jx(t)y(t

- 'C')dt

Dimostrare che questa funzione, introdotta per misurare la rassomiglianza

tra duesegnalial variaredelritardo 'C', godedellapropriet


.1

A che cosa uguale questa funzione quando x(t) == y(t)?


4.13 Dimostrare il teorema di Parseval per segnali periodici (4.4.38) direttamente senza usare l'espressione (4.4.40) della densit spettrale di potenza.
[Suggerimento:si parta dall'espressione della potenza per un segnale periodico, si scriva che x\t) = x(t). x' (t) e poi...]
4.14 Trovare tramite il teorema di Wiener-Khintchine la densit spettrale di
potenza Sx(f) del segnale x(t) = sgn(t).

J
,.

1
Sistemi monodimensionali a tempo continuo

217

4.15 Calcolare la banda a -3 dB B_3del sistema lineare stazionario rappresentato in Figura 4.66 (00 = 21ifo).
.l

x(t)

;
~

y(t)

Figura 4.66

4.16 Determinare e rappresentare la risposta g(t) al gradino unitario u(t) per il


SLS di Figura 4.67.
4.17 Un sistema lineare stazionario caratterizzato dalla risposta in frequenza
In 2
H(f)

= exp ( -

8102f

Calcolare la banda a -3 dB B_3di tale sistema e determinarne poi la


risposta all'eccitazione x(t) = rect(2fot). [Suggerimento: usare lafunzione
<1>(-)
definita per una densit di probabilit Gaussiana standard]

Figura 4.67

5
Segnali a tempo discreto

I ,
/

5.1 Dal tempo continuo al tempo discreto


5.1.1 Campionamento dei segnali a tempo continuo
Nel Capitolo l stata discussa la classificazione dei segnali in base al tipo della
variabile indipendente, che in genere identificata con una grandezza di
carattere temporale. Sappiamo gi che un segnale a tempo discreto una
successione xn o sequenza x[n] di numeri, ed quindi rappresentabile con una
funzione di variabile intera relativa avente valori reali o complessi.
Supponiamo di compiere alcune osservazioni di traffico automobilistico autostradale: a un casello di uscita, annotiamo l'orario di ingresso di ogni vettura,
misurato in secondi a partire dalle ore 0.00, e riportiamo questi dati in una tabella (Tabella 5.1). Essa composta dal numero d'ordine n dell'automobile in
ingresso al casello, e dal relativo dato orario x[n]: la tabella rappresenta un
segnale a tempo discreto, che pu essere elaborato per ricavare informazioni sul
progetto e il dimensionamento del sistema di riscossione dei pedaggi.
Un caso pi tipico nell'elaborazione dei segnali quello in cui il segnale a
tempo discreto viene ottenuto da un segnale a tempo continuo attraverso la cosiddetta operazione di campionamento. Campionare un segnale x(t) significa
"estrarre" dal segnale stesso i valori che esso assume a istanti temporali equispaziati, cio multipli di un intervallo T detto periodo di campionamento, come
viene illustrato in Figura 5.1. Con questa operazione viene a crearsi una sequenza il cui valore n-esimo x[n]il valore assunto dal segnale a tempo continuo all'istante nT:

220

Capitolo 5

x[nJ =x(nT)

(5.1.1)

Tabella 5.1 Esempio di sequenza

x[n]
O
15.2
33.9
65.4
68.2
129.4
162.4
312.9
423.5
428.5
629.2
734.7

O
1
2
3
4
5
6
7
8
9
lO
11

Nella Figura 5.1, l'operazione di campionamento viene simbolicamente effettuata da un dispositivo, il campionatore, indicato con una sorta di "interruttore"
che si chiude per un intervallo di durata infinitesima. La cadenza con cui l' interruttore si chiude, cio con la quale il segnale viene campionato, pari a
(5.1.2)
e prende il nome difrequenza
in Hz o in campioni/s.

di campionamento

(sampling frequency), misurata

x(t)

-3T -2T-T

T 2T3T

.x[n]

X(~
t=nT
Figura 5.1 Campionamento di un segnale analogico

Segnali a tempo discreto

221

Nella pratica, come gi menzionato nel Capitolo 1, l'operazione di campionamento viene effettuata dai convertitori analogico/digitale (comunemente detti
convertitori A/D). Questi dispositivi sono comandati da un segnale di clock
(temporizzazione) alla frequenza fc, che fornisce gli impulsi di comando al circuito per effettuare le varie operazioni di campionamento. Il campionatore ideale
di Figura 5.1 estrae in corrispondenza di ogni impulso di c10ckil valore del segnale di ingresso x(t) all'istante di campionamento, che in generale un numero
reale con infinite cifre decimali. Diversamente dal campionatore ideale, il convertitore AID rende invece una rappresentazione finita di questo numero reale
(segnale numerico), e precisamente in aritmetica binaria su un numero finito di
cifre (bit), variabile in genere da 8 a 16. In tutto questo capitolo non ci occuperemo pi del piccolo errore insito nella rappresentazione del numero reale su un
numero finito di cifre, detto errore di quantizzazione, ma supporremo sempre di
effettuare operazioni di campionamento ideali.
Lo studio e l'elaborazione dei segnati a tempo discreto ha assunto grande importanza in questi ultimi per la possibilit di utilizzare componenti numerici ad
alta velocit e affidabilit, e a basso costo. La tendenza moderna, risultante dai
grandi progressi compiuti dai componenti elettronici ad altissima integrazione
(VLSI, Very Large-Scale Integration), quella di usare per l'elaborazione dei
segnali a tempo discreto dei microprocessori specializzati (dedicati) chiamati
DSP (Digital Signal Processor, elaboratore numerico di segnali). L'elaborazione
del segnale viene eseguita sui valori digitali estratti dal segnale stesso tramite
conversione AID, e si risolve nell'esecuzione di un opportuno programma da
parte del microprocessore. Questa struttura, rappresentata in Figura 5.2, estremamente flessibile, nel senso che diverse funzioni di elaborazione possono
essere realizzate semplicemente cambiando il programma di elaborazione
(software) senza dover minimamente modificare la struttura fisica (hardware)
del circuito.

X(I)

NO

OSP

~ lD/A

y(l)

Figura 5.2 Elaborazione numerica1fiUn segnale a tempo continuo

Il segnale a tempo discreto y[n] risultante dall'elaborazione numerica deve poi


essere riconvertito in forma analogica (cio in un segnale a tempo continuo).
Questa operazione la conversione digitale/analogico (D/A) indicata in Figura

222

Capitolo 5

5.2. Dal punto di vista teorico, il dispositivo che produce in uscita un segnale a
tempo continuo a partire da un segnale d'ingresso a tempo discreto chiamato
interpolatore, e il suo funzionamento schematizzato in Figura 5.3. Le operazione duali di campionamento e interpolazione verranno analizzate pi approfonditamente nei Paragrafi 5.3 e 5.4.
x(t)

-3T -2T-T

x[n]

T2T3T

x(t)
..

1
Figura 5.3 Interpolazione di un segnale a tempo discreto

5.1.2 Alcuni segnali notevoli


Consideriamo adesso qualche esempio di segnali a tempo discreto (brevemente:
segnali discreti) di particolare rilevanza e utilit. Alcuni di essi possono essere
derivati dalle rispettive controparti a tempo continuo per semplice campiona-.
mento, altri necessitano invece di importanti precisazioni.
i) sequenza gradino unitario (Figura 5.4):
n;::: O

u[n]= {~

(5.1.3)

n<O

u[n]

~~

-4 -3 -2 -1
Figura 5.4 Sequenza gradino unitario

1 2 3 4 5

Segnali a tempo discreto

223

Per ovvi motivi, non si pone per la sequenza u[n] la questione del valore nel
punto di discontinuit presentata invece dal gradino a tempo continuo u(t).
ii) sequenza esponenziale unilatera (Figura 5.5):
(5.1.4)

x[n]

-4 -3 -2 -1

O<a<1

1 2 3 4

Figura 5.5 Sequenza esponenziale unilatera

iii) sequenza 8 o impulsiva (Figura 5.6):


l n=O
8[n] = { O altrimenti

(5.1.5)

o[n]

-4 -3 -2 -1

1 2 3 4

Figura 5.6 Sequenza impulsiva

La sequenza 8[n] in pratica ci che in matematica chiamato "simbolo di


Kronecker" 8n,k:

l
8

n,k

n=k

= 8[n - k] = { O altrimenti

(5.1.6)

Non ha senso pensare di ottenere la sequenza 8 per campionamento del segnale


analogico 8(t). Si ricordi che il valore di quest'ultimo per t =O non limitato, e
quindi sarebbe impossibile (o meglio, privo di senso) definire 8[0] =8(0).
Le sequenze u[n] e 8[n] sono legate da relazioni simili a quelle che legano
u(t) e 8(t). Infatti, come il segnale gradino la funzione integrale della 8(t) (si

224

Capitolo 5

veda la (3.4.9, cos nell'ambito del tempo discreto si ha


n

(5.1.7)

u[n] = I8[i]
i= oo

cio il segnale gradino discreto la sequenza somma della sequenza 8[n].


Dualmente, sappiamo che la funzione 8(t) la derivata temporale del segnale
u(t). Nell'ambito del tempo discreto non ovviamente definita l'operazione di
derivazione, e la relazione analoga coinvolge la cosiddetta "differenza all'indietro del primo ordine" o incremento:
8[ n ] = u[ n ] - u[ n-l

(5.1.8)

iv) sequenza impulso rettangolare causale di durata N (Figura 5.7a):

(5.1.9)

x[ n ] = u[n] - u[n - N]

L'impulso rettangolare qui ottenuto (si ricordi l'Esempio 4.8) come differenza
tra la sequenza u[n] e la stessa sequenza ritardata di N campioni (Figura 5.7.b).

x[n]

u[n]

N-1 N

N-1

-u[n-N]
(a)

(b)

Figura 5.7 Impulso rettangolare discreto (a) e sua costruzione (b)

v) oscillazione complessa discreta alla frequenza normalizzata


x[n]

= exp(j2JrFon)

Fo:

~
(5.1.10)

che la versione a tempo discreto della oscillazione complessa analogica


exp(j21%t) alla frequenza lo. La frequenza Fo normalizzata perch rappresenta un numero puro. Si noti che, rispetto alla variabile temporale n, questo segnale' periodico solo se la frequenza Fo un numero razionale, cio se
Fo = p / q , p e q interi. Il lettore trovi il periodo No dell' oscillazione x[n] sotto
quest'ultima ipotesi.

226

Capitolo 5

delle frequenze normalizzate di ampiezza unitaria, ad esempio per


F E [-1/2,1/2] che chiameremo intervallo-base. Inoltre, la definizione (5.2.1) di
trasformata pi che esauriente ai fini matematici (ed infatti adottata in molti
testi di teoria dei segnali ed elaborazione numerica dei segnali, eventualmente
nella forma modificata (5.2.2)), ma si rivela poco conveniente quando la sequenza x[n] proviene da un'operazione di campionamento di un segnale analogico x(t). La presenza della frequenza normalizzata infatti non consente di
stabilire un legame immediato con la frequenza (misurata in Hz) delle
componenti nella trasformata X(f) del segnale analogico di partenza. Se allora
il periodo di campionarnento T, si pu definire la variabile
(5.2.4)
ottenuta "denormalizzando" la frequenza normalizzata F, e avente le dimensioni
di unafrequenza. Sostituendo nella definizione originaria di trasformata (5.2.1)
l'espressione della frequenza normalizzata F = f T ottenuta dalla (5.2.4),
otteniamo una nuova definizione di trasformata di Fourier di una sequenza, che
risulta adesso funzione complessa della frequenza f misurabile in Hz:
X(J)~

,x[n]e-j21f1lfT
n=-co

=1"[x[n]]

(5.2.5)

In questa definizione, che adotteremo definitivamente, abbiamo introdotto un


soprassegno al nome della trasformata per distinguere facilmente la trasformata
di una sequenza X(f) dalla trasformata di un segnale continuo XC!).
Poich la funzione X(F) periodica di periodo 1, la funzione X(J) periodica in ambito frequenziale di un periodo pari alla frequenza di campionamento fc = 1/ T :

~.6)
Questa periodicit caratteristica delle trasformate delle sequenze, e diventa
chiara se introduciamo la relazione, inversa della (5.2.5), di antitrasformazione.
Quest' ultima permette di esprimere la sequenza x[n] attraverso un integrale di
Fourier (o antitrasformata di Fourier di una sequenza) analogo alla (3.1.8):
l{2T

x[n] = T

JX(J)

-1/2T

ej21f1lfT

df

(5.2.7)

Segnali a tempo discreto

227

.P~$iustificare questa relazione, riprendiamo in considerazione la definizione di


Itrasformata
(5.2.5), moltiplichiamo ambo i membri per un'oscillazione com~.
. .
plessa alla frequenzaf, e integriamo sull'intervallo frequenziale [-l/2T,l/2T]:
~T

f X(J)

ej21fn[r

~x[

di =

-lj2T

~T

m] e-j21D1!fT
ej21fn[r
di

-lj2TIII=-

Ij2T

= ~x[m]
111=-

e-j2lr(lII-n)[r

(5.2.8)

di

-lj2T

Se si osserva che
Ij2T

e-j2lr(lII-n)[r

-lj2T

di =

m*n

{ l/T

m=n

(5.2.9)

la serie a secondo membro della (5.2.8) si riduce all'unico termine per cui
m = n, e cio la (5.2.8) diventa la (5.2.7).
Il significato dell'espansione (5.2.7) della sequenza x[n] quello consueto
per l'analisi di Fourier: il segnale dato viene espresso come sovrapposizione di
un continuo di componenti frequenziali di ampiezza e fase regolate dall' andamento di X(f). Mentre un segnale analogico necessita di componenti a tutte le
frequenze sull'asse reale da -00 a +00, cio in un ambito illimitato, per esprimere una sequenza in ambito frequenziale son~ sufficienti le sole comP.9Jle.DtL
~venti frequenze comprese nell' intt~rvallo limilato [-1 / ~:r,l / 211 In un certo
modo, questo risultato pienamente giustificato dalla periodicit della trasformata di una sequenza, nel senso che le sole componenti veramente significative
sono quelle nel periodo base. Anche per la trasformata di una sequenza comunque d'uso introdurre lo spettro di ampiezza A(f) =1X(f) I e lo spettro di
fase (j(f) = LX(f).
La periodicit della trasformata di una sequenza, e/o la limitatezza dell'intervallo frequenziale significativo nello spettro del segnale, sono conseguenze di un
unico fenomeno: nell'ambito dei segnali~mpo discreto, due oscillazioni sinusoidali (complesse) rispettivamente alla frequenza lo e lo + m / T (m intero)
sono indistinguibili. Infatti:
exp[j2Jr(1o + m/T)nT]

= exp(j21ifonT)exp(j2nmn)

= exp(j21ifonT)

(5.2.10)

La Figura 5.8 rappresenta un esempio di questa situazione per il caso particolare


lo

=O e

= 1. Quest'

esempio conferma che non ha senso pensare a compo-

nenti significative nello spettro del segnale discreto al di fuori di un intervallo-

228

Capitolo 5

base di ampiezza pari alla frequenza di campionamento, poich tali componenti


sono repliche indistinguibili di quelle gi presenti nel periodo-base. Ma questa
proprio, in altre parole, la definizione di periodicit della trasformata X (f) !

Figura 5.8 Oscillazioni a tempo discreto a frequenza Oe 1fT

Per la serie (5.2.5) si possono porre dei proble~ di convergenza. Una condizione sufficiente per l'esistenza della trasformata l'assoluta sommabilit della
sequenza, cio la condizione

(5.2.11)

:Llx[n]1< +00

n=-00

Infatti, essendo

(5.2.12)
:11

il verificarsi della (5.2.11) assicura la convergenza della serie per tutti i valori
della frequenza.
Esempio 5.1
Calcoliamo la trasformata di Fourier della sequenza o[n]. Essa data da

o[n] ~ ~(J) =

:Lo[n]e-j2mt/T= 1

(E5.1.l)

n=-oo

poich nella serie l'unico termine non nullo quello per n = O. La trasformata
~(J) quindi una funzione periodica di periodo l/T che, in ciascun periodo,
assume un valore costante e pari a 1 (Figura 5.9).

Segnali a tempo discreto

il(f)

o[nl

-4 -3 -2 -1

229

-1/2T

1234n

1/2T

Figura 5.9 Trasformata della sequenza 8[n]

D
Esempio 5.2
Calcoliamo la trasformata di Fourier dell' impulso rettangolare discreto di
Figura 5.7
~
x[ n ]

(E5.2.l)

u[ n ] - u[ n - N]

Applicando la definizione,
N-l

+00

X(J)=

N-l

(E5.2.2)

I,x[n]e-j2ID!/T = I,e-j211>tjT= I,[e-j21ifTr

n=-00

,,=0

n=O

e ricordando che
\
I

N-Il

I,
q"=
n=O

=.!L

(E5.2.3)

1- q

si trova
-

1- e-j2mVjT

X(J)

= 1-

e-jmVjTejmVjT- e-jmVjT -

e-j21ifT= e-j1ifT ej1ifT- e-j1ifT - e

-jn(N-I)jT sin(NrcfI')

(E5.2.4)

sin(rcfI')

Lo spettro di ampiezza allora


IX(J)I = Si~(N1ifT)
sm(1ifT)
I

(E5.2.5)
1

ed rappresentato in Figura 5.lOa per N

= lO nell'intervallo

f E [-l/T,l/T]

per

evidenziarnela periodicit.L'andamentodellospettrodi ampiezzain vicinanza


di f

= O ricorda

quello di una funzione Nsinc(NfF). Inoltre, restringendoci

all'intervallo"base" f E[-1/2T, 1/2T],esso si annullaper le frequenze

230

Capitolo 5

(E5.2.6)

k=:1:.1,:1:.2,...,:1:.N/2

12

10

IX

t
N
N
Q)

'5.

E
as
=c

:t::
Q)
a.
Cf)

6
4

2
o
-1.00

-0.75

-0.50

-0.25

0.00

0.25

Frequenza normalizzata,
180

=a
ra

--.9

-=c
eD
(J)

135

-0.25

0.00

0.50

0.75

1.00

fT

(a)

'

IN=101

90
45
O

as

-45

e
:t::.

-90

a.
U)

-135

Q)

-180
-1.00

-0.75

-0.50

Frequenza

0.25

normalizzata,

0.50

0.75

fT

1.00

(b)

Figura 5.10 Spettro di ampiezza (a) e fase (b) dell'impulso rettangolare discreto

e assume per f

= O il valore

IX(O)I = 1im IX(J)I= N

f~O

massimo dato da

(E5.2.7)

Segnali a tempo discreto

231

L'andamento dello spettro di fase LX(J) nell'intervallo f E [-l/T,l/T] quello


di Figura 5.lOb, disegnato ancora per N = lO. L'andamento lineare dovuto al
posizionamento non simmetrico dell'impulso rispetto a n=O(si veda il teorema
del ritardo 5.3.2), cio al termine e-jtr(N-lj[fnella trasformata.
O
Esempio 5.3
Calcoliamo la trasformata di Fourier della sequenza esponenziale discreto:
(E5.3.l)
Si ha che

X(J)

= Ix[nJ
n;-oo

e-j211>1[f
= Iane-j211>1[f = I[a
n=O

n=O

e-j21!17T

(E5.3.2)
\

Ricordando la formula della somma della serie geometrica,

(E5.3.3)

Iqn =, Iql<l
n=O
1- q
si trova~amente
X(J)=.

-ae l_;~.nT'

(E5.3.4)

lakl

Lo spettro di ampiezza della sequenza data allora (Figura 5.lla)


1

(E5.3.5)

IX(J) 1=~l + a2 - 2 a cos(21ifT)


mentre il suo spettro di fase dato da (Figura 5.11 b)

LX(J)

= arctg

a sin(21ifT0
[ 1- a COS(2;Ji)J

(E5.3.6)
O

~propriet
~lla trasformata di Fourier di una sequenza (simmetria
Hermitiana ecc.) relativamente a quelle del segnale temporale (segnale reale,
segnale pari o dispari ecc.) ~

sostanzialmente

identiche a quelle ricavate nel

Paragrafo 3.2 a--proposito della trasformata dei segnali analogici, e non verranno

232

Capitolo 5

2.50

IX

2.00

ai
N

'5E
as
'C

==
Q)

a.
(j)

1.50

1.00

a=0.1

0.50

0.00
-0.5

-0.4

-0.3

-0.2

-0.1

0.0

0.1

Frequenza normalizzata,

0.2

0.3

0.4

0.5

fT

(a)

90

a=0.5

45

-::a
eD
cn
as

==
Q)

-45

c..
Cf)
-90
-0.5

-0.4

-0.3

-0.2

-0.1

0.0

0.1

0.2

0.3

0.4

0.5

Frequenza normalizzata, fT

(b)

Figura 5.11 Spettro di ampiezza (a) e fase (b) della sequenza esponenziale discreto

ulteriormente ribadite. Sulla base delle relazioni di analisi (5.2.5) e di sintesi


(5.2.7), che di seguito riportiamo, il lettore in grado di ricavare tali propriet
autonomamente. Alcune differenze rispetto al caso del tempo continuo si
riscontrano invece nelle propriet analoghe a quelle viste nel Paragrafo 3.3. .

Segnali a tempo discreto

233

112T

x[n] = T

-JX(J)

ej21D1jT

-1/2T

",'I X(J)
I

dI

ovvero x[n] <=>X(f)

(5.2.13)

= I,x[n]e-j2n>!fT
n=-

5.3 Teoremi sulla trasformata di Fourier di una sequenza


Elenchiamo e dimostriamo invece alcune propriet fondamentali della trasformata di Fourier di una sequenza, spesso analoghe, ma in qualche caso significativamente differenti da quelle per i segnali a tempo continuo esaminate nel Paragrafo 3.3. Tali propriet saranno indicate come teoremi.
5.3.1 Teorema di linearit
Supponiamo che una sequenza x[n] sia espressa come combinazi6pe lineare
delle sequenze

XI [n] e x2 [n] :

(5.3.1)
con a e b costanti. Se si indicano con X.(J) e X2(J) le trasformate rispettiva-

mentedellesequenzex.[n] e x2[n],la trasformataX(J) di x[n]


(5.3.2)
Questa propriet una banale conseguenza della definizione di trasformata di
Fourier di una sequenza, e si dimostra in modo analogo a quanto visto nel
Paragrafo 3.3.
5.3.2 Teorema del ritardo

Cpnsideriamouna sequenza x[n] con trasformata X(J). La trasformatadella


sequenza x[n - k] ottenuta ritardando x[ n] di k passi espressa da
x[n - k] <=>X(J)

(5.3.3)

e-j21tkfT

Per dimostrare questa propriet basta osservare che

.r[x[n-k]]=
-

fx[n-k]e-j2n>!fT = fx[m]e-j21r(m+k)jT

= e-j21tkjTI,x[ m] e-j2n>n/T
= X(J)

ln=-

e-j21tkfT

In=-

avendo effettuato negli sviluppi il cambiamento di variabile m = n - k.

(5.3.4)

234

Capitolo 5

5.3.3 Teorema della modulazione


La trasformata della sequenza x[ n] ej21r11foT,
ottenuta "modulando"
sequenza ej21r11foT,
espressa da

(5.3.5)

X(J - fa)

x[n] ej21r11foT~

x[n] con la

Infatti si ha:

l'

[x[ n]

ej2/DifoT] =

x[ n ] ej21r11fo Te - j21r11fT

n=-oo

(5.3.6)

e-j21r11(J-fo)T= x(J - io)

= Lx[n]

Poich la funzione X(J) periodica di periodo l/T, la funzione X(f - fa),


ottenuta traslando X(J) della quantit io, coincide con la funzione
X(f -liolllT)' ottenuta invece traslando X(J) della quantit
lioIIlTio-m/T,

(5.3.7)

m=int{io/(lIT))

cio io modulo l/T. Questa un'ulteriore conferma della propriet (5.2.10)


delle oscillazioni complesse a tempo discreto.
5.3.4 Teorema della somma di convoluzione
Prima di introdurre questa propriet, definiamo la sequenza z[n] somma di
convoluzione tra le sequenze aperiodiche x[n] e y[n]:

z[ n]

= x[ n ]

y[ n ]

C8>

x[ k ] y[ n

k=-oo

k]

L y[ k ] x[ n -

k=-

k]

(5.3.8)

La somma di convoluzione gode naturalmente delle stesse propriet commutativa, associativa e distributiva gi dimostrate nel Paragrafo 3.3 per l'integrale di
convoluzione tra segnali analogici.
Ora, il teorema della somma di convoluzione afferma che la trasformata di
Fourier della sequenza z[n] data dal prodotto delle trasformate delle sequenze
x[n] e y[n]:
z[n] = x[n]

C8>

(5.3.9)

y[n] ~ f(J) X(J) = Z(J)

Infatti
~

Z(/)

=L

Lx[k]

~-

y[n - k] e-j21r11fT
=

L x[k] 11=-00
Ly[n

- k] e-j2/D!fT

(5.3.10)

Segnali a tempo discreto

235

avendo invertito l'ordine delle due sommatorie. Se si osserva che (per il teorema
del ritardo)
~

~>[

n - k] e-j21l71jT= f(J)

(5.3.11)

e-j21rkjT

la relazione (5.3.10) pu essere riscritta nella forma


~

= k=-oo
Lx[k]

Z(f)

e-j21rkjT
= f(J)

f(J)

Lx[k] e-j21rkjT
= f(J) X(J)

(5.3.12)

k=-oo

L'importanza di questo risultato diventer chiara nello studio dei sistemi lineari
stazionari a tempo discreto (Capitolo 6).
5.3.5 Teorema del prodotto
Consideriamo adesso la sequenza p[n] data dal prodotto fra la sequenza x[n] e
la sequenza

y[ n ]

= x[n]. y[n]

p[n]

(5.3.13)

e calcoliamone la trasformata di Fourier:


~

F(J) = LP[n]

n=-

y[n] e-j21l71jT

IJ2T

=L

e-j21l71jT
= Lx[n]

(5.3.14)

T fX(v)ej21l71I-1"dvy[n]e-j21l71jT
-IJ2T

avendo espresso x[n] come al!!itrasformata di Fourier di X(J). In questo passaggio, stata usata una variabile "muta" v nell' operazione di antitrasformazione per non creare ambiguit con la variabile f da cui dipende la trasformata

F.

Se nella (5.3.14) si inverte l'ordine delle operazioni di somma e di integrazione si ricava


1/2T

F(J)=T

-1/2T

lJ2T

X(v) Ly[n] e-j21l71(f-V)Tdv=T fX(v)Y(J-V)dV


n=-

(5.3.15)

-IJ2T

che permette di stabilire la relazione


lJ2T

p[n] = x[n] y[n] :} F(J)

= T f X(v)Y(J - v)dv
-IJ2T

(5.3.16)

236

Capitolo 5

Poich le funzioni X(v) e fU - v) sono periodiche di periodo l/T, l'integrazione nella (5.3.16) pu essere svolta su di un qualsiasi intervallo frequenziale di
ampiezza l/T.
L'integrale a secondo membro della (5.3.16) rappresenta la cosiddetta convoluzione ciclica o periodica fra la trasformate XU) e fU). La convoluzione ciclica un'operazione che si definisce tra funzioni periodiche come le trasformate delle sequenze. Si nota che la funzione integranda analoga a quella che si
ha nella convoluzione cosiddetta lineare o aperiodica (3.3.43) eseguita tra funzioni aperiodiche, ma l'integrale viene calcolato su di un solo periodo, e il risultato viene diviso per l'ampiezza del periodo stesso, l/T.
5.3.6 Teorema dell 'incremento
La derivata di un segnale a tempo continuo x(t) all'istante t = nT pu essere
approssimata con il seguente rapporto incrementale:
dx(t)

dt

==x(nT)/

l=nT

x(nT - T)

= x[n]-

/
x[n-1]
T

(5.3.17)

avendo definito la sequenza x[n]!x(nT) ottenuta per campionamento dal


segnale continuo x(t). Se si introduce allora l'operatore incremento il definito
dalla relazione
Llx[n]!x[n] - x[1i -1]

(5.3.18)

ragionevole immaginare la sequenza Llx[n] degli incrementi di x[n] come una


sorta di omologo a tempo discreto della derivata del segnale a te~continuo
dx(t)/ dt. Utilizzando il teorema del ritardo si pu scrivere:
(5.3.19)
5.3.7 Teorema della sequenza somma
Consideriamo adesso la sequenza somma y[n] di una sequenza data x[n]:
n

y[n]! Lx[k]

(5.3.20)

Vogliamo dimostrare che la trasformata della sequenza y[n] espressa da

(5.3.21)

Segnali a tempo discreto

237

purch X(O) = O. Il teorema dell'incremento permette infatti di scrivere:


(5.3.22)
D'altronde
n

~y[n] = y[n] - y[n -l]

n-I

=k=L,x[k] - k=L,x[k] = x[n]

(5.3.23)

e quindi
(5.3.24)
Ci permette di concludere che:
(5.3.25)
Se per si considera la (5.3.24) per f

= O, si ha
(5.3.26)

che non pu essere valida se X(O)* O. Quindi, condizione per l'applicabilit del
teorema nella forma (5.3.25) che valga
~

(5.3.27)

X(O)= L,x[n]=O
n=-00

~
5.4 La condizione di Nyquist e il teorema del campionamento
5.4.1 La condizione di Nyquist
Riprendiamo in considerazione il campionamento di un segnale a tempo continuo x(t):
x[n]

= x(nT)

(5.4.1)

e cerchiamo di determinare le conseguenze in ambito frequenziale di questa relazione valida in ambito temporale. Indichiamo come di consueto con X(J) e
X(J) rispettivamente la trasformata di Fourier della sequenza x[n] e del segnale
analogico x(t).
Ovviamente si ha:

2]8

Capitolo 5

+00

+00

X(J) = Lx[n] e-j2nnjT= Lx(nT)

(5.4.2)

e-j2nnjT

Esprimiamo adesso i campioni del segnale a tempo continuo x(t) attraverso l'integrale di Fourier (3.1.8), valutato naturalmente all'istante t = nT:
(5.4.3)
avendo effettuato lo scambio dell'ordine di somma e di integrazione. Per semplificare la relazione (5.4.3) riconsideriamo lo sviluppo in serie di Fourier
(E3.17.4) del segnale "pettine di o":
(5.4.4)
Calcolando la trasformata di Fourier dei due membri di questa relazione si ha
(5.4.5)
e sostituendo questo risultato nella (5.4.3) si ha
l

+00

L(
+00

X(J)= fX(v)- T k=- o f-v-dv


T

=!T k=--jX(V)o ( v- f-! T )) dV

Sfruttando infine la propriet campionatrice della funzione


11/

~~

i X (f-! )
T
T

X(J)=!

(5.4.6)

o si ottiene
(5.4.7)

k=-

che rappresenta la relazione cercata (si veda anche la (3.5.9)).


Questa relazione mostra che la trasform~~i Fourier di una sequenza ottenuta per campionamento si gcav~ ome periodicizzazione della trasf~rmat~~:!....
segnale analogico di partenza, con un periodo di ripetizione in frequenza pari
allafrequenzadi campio!!C!!!!mto
fc = l/T; Un esempiosignificativo illustrato
nelle Figure 5.12a-c: lo spettro del segnale x(t) rappresentato in Figura 5.12a
mentre lo spettro della sequenza x[n] rappresentato nelle Figure 5.12b-c per
due scelte diverse della frequenza di campionamento.

Segnali a tempo discreto

239

1.25

1.00

0.75

0.50

I0.25

0.00

-8

-0.25
-3.0

-2.0

-1.0

Frequenza

8
0.0

3.0

1.0

2.0

normalizzata,

f/B

(a)

1.25

0.25

0.00

-0.25
-3.0

-8
-2.5

-2.0

-1.5

-1.0 ~

0.0

Frequenza

0.5

normalizzata,

1.0

1.5

2.0

2.5

3.0

fT

(b)

1.25

-8
-0.25
-3.0

~o

~~
Frequenza

00

1~

normalizzata,

~o
fT

Figura 5.12 Trasformata del segnale analogico x(t) (a) e della sequenza x[n] con frequenza di
campionamento 5B/2 (b) e 5B/4 (c)

In particolare, il segnale di partenza ha banda B ri orosamente limitata, e le due

240

Capitolo 5

frequenze

di

campionament~

pari rispettivamente a l2. nel caso (b)~

1.25B nel caso (c). Come si nota, c' una differenza sostanziale nelle trasformate

della sequenza x[n] nei due casi delle Figure 5.12b e 5.12c. In quest'ultima, la

frequenza di campionamento t..ale~ le varie repliche della trasformata di x(t)


centrate sui multipli della frequenza di campionamento e derivanti dalla
periodicizzazione dello spettro v~n~~no a sovrapporsi. Nel caso di Figura 5.12b,
invece,- la frequenza di campionamento sufficientemente alta, e ".non si ha
sovrapposizione.
In
quest'ultima
situazione,
il
periodo
frequenziale
base
=-"
-~
[-l/2T,1/2T] -contiene
-- - una
-- replica non distorta della
- trasformata X(f) del
~
segnale a tempo continuo originario.,Viceversa, nell' altro caso le varie repliche
dello spettro "interferiscono" sommandosi alla replica base; nell'ambito
dell'intervallo [-l/2T,l/2T] quest'ultima accompagnata dal cosiddetto errore
di aliasing creato dalle repliche (alias) dello spettro-base, che porta a una
.clistorsionedel segnale.
Se il segnale a banda limitata, dunque, possibile trovare una condizione

---

che garantisce assenza di aliasing: la banda del segnale analogico di partenza B


deveessere pi piccola dell' estremo superiore dell' intervallo "base"

[-l/2T,1/2T], cio ~B:::;


1/2T} In altri termini, fissata la banda del segnale B, la
frequenza di campionamento deve essere scelta in modo che valga la condizione
-/
-",
,
"
1
, -r - - > 2B
/ (5.4.8)
,,'

Je

- T-

;/

detta condizione di Nyquist. Nella Figura 5.12b la condizione di Nyquist soddisfatta (fc = 2.5B > 2B), e l'intervallo frequenziale base contiene una replica indistorta dello spettro del segnale analogico di partenza, cosa che non accade
nella Figura 5.12c, in cui fc = 1.25B < 2B. Questa osservazione sembra suggerire la possibilit, in assenza di aliasin , di ricostruire il segn!!.!..e
origi.!}ario(a
ban a imitata) elaborando il!.egnale campionato. Nel paragrafo successivo illustreremo come questa op;'azione possa essere effettuata in teoria e in pratica.
Esempio 5.4
Osservazioni sperimentali di carattere fisiologico mostrano che 1'orecchio
umano pu udire segnali costituiti da componenti frequenziali comp;~se;r pi.
nella ban.?~tta 20 Hz e 20 kHz. Suoni con frequenza inferiore ai 20 Hz vengono
percepiti come "vibrazioni" con tutto il corpo, mentre suoni con frequenza
maggiore di 20 kHz sono inudibili e vengono chiamati ultrasuoni.
Possiamo quindi considerare un segnale audio come rigorosamente limitato

Segnali a tempo discreto

241

in banda con un limite di banda B = 20 kHz. Questa osservazione, insieme con


la condizione di Nyquist, giustifica la scelta delle due frequenze standard di
campionamento nell'elaborazione numerica dei segnali audio ad alta fedelt:
come gi accennato nel Ca itolo l, i sistemi di registrazione su Compact:Dlsc
adottano un

/,

= 44.1

kHz mentre i registratori

DAT (Digital Audio Tape)

hanno fc = 48 kH Entrambi questi valori sono di poco superiori al limite mi.


viene
introdotto un margine "di sicurezza" per facilitare
nimo fc --....-..
(come ve emo In seguito) l'operazione di ricostruzione del segnale analogico.
Quando il segnale audicampfonato deve essere trasmesso, come-i;ti'isistema di radiodiffusione, importante cercare di ridurre al minImo il numero di
c~mpionils, cio la frequenza di campionamento. Infatti, pi campioni devono
essere trasmessi nello stesso intervallo di tempo, maggiore deve essere la
capacit (e quindi il costo) del sistema di trasmissione. Per questo motivo, in al-

cuni standarddi radiodiffusionedell'audio digitale, si sceglie di campionareil


segnalecon-fc =-~
32 kHz. Questa frequenzanon s~ddisfach~amente
la,.,..condi.
zione di Nyq\iiSt rispetto alTabanda B

= 20

kHz. Allqra, per evitare problemi di

atiasing, si antepone-al onverTItore7\fu un-(iltr~-aliasing,!Ome


mostrato
in Figura 5.13, che limita convenientemente la banda del segnale analogico a un
valore B' in modo da annullare l'aliasing per la frequenza di campionamento
fissata. Nel caso dello standard con fc = 32 kHz, il filtro anti-aliasing ha una
banda B' =15 kHz. chiaro che in questo modo la qualit del segnale riprodotto
sar inferiore a quella dei sistemi CD e DAT per l'artificiale limitazione in
oanda, ma ancora sufficientemente elevata per una riproduzione godibIle, e con
una minore esigenza di capacit del sistema di trasmissione.
i

Filtro Anti-Aliasing

x(t)

lt1 NO

.
DSP

D/A

I y(t)

Figura 5.13 Elaborazione numerica del segnale con filtro anti-aliasing

o
La condizione di Nyquist (5.4.8) pone dei vincoli sulla scelta della frequenza
di campionamento se si desidera ricostruire un segnale a tempo continuo utilizzandone i campioni; in particolare, il periodo di campionamento deve essere

242

Capitolo 5

scelto in funzione della banda del segnale analogico. Gli esempi illustrati in
Figura 5.14 giustificano ulteriormente questa condizione. Nella Figura 5.l4a
viene rappresentato un segnale x(t) che ha una rapidit di variazione (e quindi
una banda) molto maggiore di quella del segnale y(t) di Figura 5.l4b. Si
intuisce allora che, per seguire con sufficiente accuratezza l'andamento del
segnale, e quindi poter poi essere in grado di ricostruire il medesimo a partire dai
campioni prelevati, si deve adottare un periodo di campionamento pi piccolo
(frequenza di campionamento maggiore) per il segnale x(t) che per y(t).
Negli esempi di Figura 5.14, il periodo di campionamento scelto adeguato
per y(t), ma palesemente troppo grande per x(t). In questo senso, la frequenza
di campionamento deve essere commisurata con la banda del segnale, come la
rv0J ~'-t",,-d..
1 v\~
condizione di Nyquist suggerisce.
ffv~

/~

't'Q

~.

fe -I-JA.A-J~

y(t) ! ~

i- -I t:J'"L
v

"'_-:7~

(b)

(a)
Figura 5.14 Esempi di campionamento di segnali a tempo continuo

~Esempio

5.5
Ricaviamo la trasformata di Fourier della sequenza costante

x[n] =1

(E5.5.l)

Possiamo pensare x[n] come risultante da un campionamento, con intervallo T


arbitrario, del segnale costante a tempo continuo x(t) = 1. Poich
x(t)

=1 ::> 8(f) = X(f)

(E5.5.2)

applicando la relazione (5.4.7) del campionamento, si trova immediatamente

1
X(J)=-

L 8 f-T k=- ( T )
~

relazione rappresentata in Figura 5.15.

(E5.5.3)

Segnali a tempo discreto

243

)(f)

x[n]

1fT

-1fT

1
2T

1
2T

1fT

Figura 5.15 Trasformata di Fourier di una sequenza costan~

D
Esempio 5.6
Troviamo la trasformata di Fourier delle sequenze
x[n]

= cos(2nnfoT)

(E5.6.1)

, y[n] = sin(2nnfoT)

Dalla trasformata della sequenza costante dell'Esempio 5.5 e dal teorema della
modulazione si ha che
1

exp(j2nnfoT)

L 8(i - lo - -T )
T k;~

(E5.6.2)

<=> -

per cui, ricordando le formule di Eulero, si trova immediatamente


-

X(f)

= -8(f-1
2T

lo Il/T)

+ -8(f+
2T

I lo Il/T)

1
--~i~'
2T

1
2T

(E5.6.3)

Y(f) = 2jT 8(f-1 lo 11fT)


- 2jT 8(f+ I io IIIT)
ove ci siamo limitati a considerare l'intervallo "base" della trasformata, senza
esplicitamente indicare la periodicizzazione ~ome nella (E5.6.2).

Esempio 5.7
La trasformata di Fourier X(f) di una sequenza x[n] rappresentata in Figura
5.16. Determiniamo l'andamento della sequenza stessa. Attraverso la relazione
di antitrasformazione si trova
1/2T
x[ n] = T

JX(J)

-1/2T

8
ej21fnjT

di = T J ej21r11jT
di
-8

244

Capitolo 5

ej21C1!fT

=T-

j2nnT -B

= 2BTsinc(2BnT)

(E5.7.l)

X(f)
1

-1rr

-B

1rr

Figura 5.16 Trasformata di Fourier della sequenza x[n] nell'Esempio 5.7

Allo stesso risultato si arriva pi facilmente se si pensa la X(J) come derivante


dalla periodicizzazione di una singola funzione rect(.):
-

f-kIT
L
T.rect
( 2B
T k=-

X(J)=-

(E5.7.2)

Segue che la sequenza x[n], rappresentata in Figura 5.17, pu farsi derivare dal
campionamento del segnale a tempo continuo
x(t) =.'F-1[T. rect(f 12B)] = 2BTsinc(2Bt)
come suggerito del resto dalla (E5.7.l).

(E5.7.3)
D

5.4.2 Interpolazione a mantenimento


La ricostruzione-di un
segnale a tempo
a partire da una sequenza .-.
viene
-,---- -continuo
-realizzata mediante un interpolatore. I vari tipi di interpolazione, che specificheremo con maggior dettaglio nel Paragrafo 5.4.3, possono in un certo senso
considerarsi come una generalizzazione dell' operazione compiuta in pratica da
un convertitore DIA per fornire in uscita un segnale a tempo continuo x(t) a
partire dai valori (rappresentati su di un certo numero di cifre binarie) di una
sequenza x[n].
Lo schema di un sistema che esegue in pratica il campionamento del segnale
e la successiva interpolazione, senz'alcuna elaborazione intermedia, rappresentato in Figura 5.18 come cascata di due blocchi A/D e DIA, ovvero come
successione di un campionatore ideale e di un interpolatore a mantenimento.

Segnali a tempo discreto

245

0.6
0.5
0.4
.
0.3

..

0.2
0.1

-0.1
-0.2
-16

-12

-8

-4

12

16

n
Figura 5.17 Sequenza x[n] ottenuta per campionamento da x(t) (ESem~ 5.7)

x~ ND~I

D/A
~

Figura 5.18 Campionamento e interpolazione a mantenimento

L'operazione svolta da quest'ultimo componente in particolare raffigurata in


Figura 5.19a: per costruire il segnale analogico di uscita, il valore n-esimo della
sequenza d'ingresso x[n] viene mantenuto a partire dall'istante nT e fino a che
non sia disponibile (all'istante (n + l) T) il successivo valore x[n + l].
Possiamo facilmente scrivere l'espressione del segnale interpolato x(t) in
funzione dei valori della sequenza x[n]. La Figura 5.19b suggerisce che x(t)
costituito da una successione di impulsi rettangolari di durata T, applicati agli
istanti nT e di ampiezza pari al relativo valore n-esimo della sequenza x[n]:
+00

x(t) = n=-oo
Lx[n] p(t -nT)

(5.4.9)

246

Capitolo 5

x[n]

/'

X(I)~

x(t)

(a)
p(t)

x(t)

x[1].p(t-T) x[2].p(t-2T) ~P(t-3T)

2T

3T
(b)

Figura 5.19 Campionamento e interpolazione a mantenimento

ove p(t) per l'appunto l'impulso rettangolare

p(t)

(5.4.10)

= rec{t -;/2)

La Figura 5.19a mostra per chiaramente che il segnale ricostruito dall'interpolatore a mantenimento, che una forma d'onda costante a tratti, non
una replica indistorta del segnale campionato x(t). L'operazione che direttamente conduce da x(t) al segnale costante a tratti x(t) viene indicata in
elettronica con il nome di Sample & Hold (campiona e mantieni), abbreviato in

Cerchiamo dunque di comprendere pi a fondo il comportamento dell'interpolatore a mantenimento, e di capire meglio le distorsioni che esso introduce rispetto al segnale di partenza, esaminandone il comportamento nel dominio della
frequenza. Calcoliamo allora la trasformata di Fourier del segnale interpolato
(5.4.9):

~\jMl

daW~

f ~)

~\X(J)
=n=Lx[n] P(J)e-j2"'!fT
= P(J)n=Lx[n] e-j2"'!fT
= P(J) X(J)

(5.4.11)

Questa relazione mostra che la tra~formata di Fourier del segnale interpolato

data dal prodottodellatrasformatacontinuadell'impulso_dimill1!enimento


p(t)

Segnali a tempo discreto

247

con}a. trasformata della s_equenza x[n]. Essendo p(t) espresso dalla (5.4.10), la
sua trasformata P(J)
-

P(J) = T sinc(jT) e-jtrfT

(5.4.12)

Abbiamo inoltre dimostrato che la trasformata della sequenza x[n] legata a


quella del segnale a tempo continuo x(t) dalla relazione
1

L
~

( )

X(J)=-T k=~ X i-- T

(5.4.13)

Allora, sostituendo le (5.4.12)-(5.4.13) nella (5.4.11) troviamo:

X(J) = sinc(jT)

e-jtrfT

i:X (i - !T )

(5.4.14)

k=~

Per fare un esempio, supponiamo che la trasformata di Fourier del segnale x(t)
di banda B sia espressa da

(L )

X(J) = ~ .Iilrect
2B B
2B

(5.4.15)

mostrata in Figura 5.20, e che la frequenza di campionamento sia l/T = 2.5B,


ovvero soddisfi la condizione di Nyquist. Utilizzando la relazione (5.4.14) appena ricavata si pu rappresentare lo spettro di ampiezza IX(!) I di x(t). Tale
spettro illustrato nella Figura 5.21, in cui sono riportati anche, a linea rispettivamente grigia e tratteggiata, l'andamento dei due fattori che compongono
IX(!) I, e cio T I X(J) I e Isinc(jT) lo
Lo spettro del segnale ricostruito differisce apprezzabilmente da quello del
segnale analogico di partenza in due aspetti fondamentali:
i) il segnale interpolato non limitato in banda: l'operazione di ricostruzione
del segnale introduce delle componenti frequenziali che non sono presenti nel
segnale analogico x(t). Esse derivano dalla presenza delle repliche dello
spettro del segnale di partenza a cavallo dei multipli della frequenza di
campionamento. Questi residui delle repliche sono chiamati immagini;
ii)'-anche all'interno della banda "utile", o meglio all'interno dell'intervallo base
[-1I2T,1I2T], !o spettro del segnale ricostruito differisce dallo spettro del
segnale.di part~
In assenza di aliasing, in tale intervallo i due spettri sono
legati dalla relazione (che si deduce immediatamente dalla (5.4.14

248

Capitolo 5

X(J) = P(J)'Y'X(J) = X(J)

sinc(jT)

e-prjT

(5.4.16)

- 2T :::;f :::;2T

~ quindi}l segnale x(t) subisce una distorsione di ampiezza.


1.25

1.00

-X

0.75

0.50

cc

C\I
0.25

0.00

-0.25
-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

1.5

2.0

Frequenza normalizzata, 1/8


Figura 5.20 Trasformata di Fourier del segnale analogico x(t)

1.25

1.00

0.75

:t:<X
0.50
CC
C\I
0.25

-0.25
-2.0

-1.5

-1.0

-0.5

0.0

0.5

Frequenza normalizzata,

1.0

fT

Figura 5.21 Spettro di ampiezza del segnale interpolato a mantenimento

Il

Segnali a tempo discreto

249

CM<>-4

Si pu ovviare alla questione i) usando un filtro anti-imma~ine all'uscita


dell'interpolatore (convertitore D/A) come indicato i~ Figura 5.22a. Esso un
filtro passa-basso di banda B che elimina le immagini dallo spettro del segnale
interpolato,riconducendo il segnale nella banda originaria (Figura 5.22b).

Filtro Anli-Immagine

y(t)

(a)

1.25
1.00

0.75

..-..
0.50

C\I
0.25
0.00

-0.25
-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

Frequenza normalizzata,

1.5

2.0

fT

(b)

~;VVtft~

~/-

~VV1~~

(~~-'-~

fb.. H \- F" , 't


J-

(.A.

t
(c)

Figura 5.22 Filtro anti-immagine H(j) (a) e suo effetto in frequenza (b) e nel tempo (c)

Come indicato nella Figura 5.22c, l'effetto del filtro anti-immagine in ambito
temporale quello di smussare
il--segnale costante --a tratti, e qumal con ehsconti---

(,

250

Capitolo 5

nuit, di Figura 5.19, per ricondurlo a un andamento pi somigliante a quello del


segnale analogico originario.
Esempio 5.8
Il segnale cinematografico di Figura 5.23, come abbiamo gi discusso nel
Paragrafo 1.2, una sequenza temporale di immagini, cio un segnale bicJ?men.sionale continuo per quel che riguarda le coordinate spaziali (XpX2) che id~ntificano il pixel nell'immagine, ma discreto per quel che riguarda il tempo. Questo
segnale a tempo discreto Z(xl'x2,n] viene ottenuto attraverso il campionamento
di un segnale a tempo continuo Z(XI,x2;t) che rappresenta la scena effettivamente osservata dalla cinepresa. Il campionatore di questo sistema l'otturatore
della cinepresa che fissa sulla pellicola il "campione" del segnale (cio il fotogramma) al generico istante di scatto dell'otturatore stesso. La frequenza di
campionamento fc = 24 Hz, cio 24 fotogrammi al secondo. La sequenza di
immagini ottenuta (ossia il segnale a tempo discreto) viene poi registrata sulla
pellicola cinematografica, cos come i campioni di un segnale audio vengono
registrati su di un CD.

n
Figura 5.23 Segnale cinematografico a tempo discreto Z(x"x2;n]

\NK~:S$
ANIV !
In fase di proiezione, si desidera ricostruire il segnale a tempo continuo originapo. Per far questo si usa un interpolatore a mantenimento, cio il proiettore cinematografico. Neu"proie:z;iQne(in cui l'ingrandimento sullo schermo inessenziale perch crea una replica fedele delle immagini sulla pellicola), il valore
del segnale campionato (cio l'immagine fissa di ogni fotogramma) viene man-

Segnali a tempo discreto

251

tenuto per 1/24 di secondo fino all'arrivo del_valore(fotogramma) successivo.


Il proce>limentodi interpolazione con mantenimento efficace, cio non si ha
apparentemente percezione della "granularit" del movimento effettivamente ricostruito, perch l'occhio umano svolge la funzione di filtro anti-immagine. Il

dato,spessocitato,di "tempodi permanenzadelle immagmisulla retina:~


circa0.1-s portaa valutarela "banda"dell'occhioumanoin circa 10Hz, e quindi
l'effetto anti-immagine filtrante adeguato vista la frequenza di campionamento
di 24 ~ Tuttavia, nele proiezioni cinematografiche si notano spesso artefatti,
come l'effetto per cui le pale del rotore di un elicottero o i raggi delle ruote di un
carro sembrano ruotare molto lentamente o addirittura in verso contrario a quello
reale. in grado il lettore di spiegare questi fenomeni?
O

5.4.3 Interpolazione cardinale Il teorema del campionamento


Le fonti di distorsione i) e ii) evidenziate nel paragrafo precedente per l'interpolatore a mantenimento possono ssere attribuite alla particolare scelta dell'impulso p(t) utilizzato nella formula di interpolazione (5.4.9). Le discontinuitdi
questo impulso mducono mtattI mfiniti punti di discontinuit nel segnale interpolato x(t) e causano l'allargamento illimitato della banda di x(t) stesso.
Analogamente, la distorsione di ampiezza, evidenziata dalla (5.4.16), da attribuire al fatto che nell'intervallo [-l/2T,l/2T] la trasformata P( f) dell'im.pulso
interpolante
non assume un valore costante.
......
Queste osservazioni suggeriscono la possibilit di generalizzare l'operazione
di interpolazione descritta dalla (5.4.9), scegliendo un diverso tipo di impulso interpolante p(t) (Figura 5.24). Ovviamente, a scelte diverse di p(t) corrispon~dono formule di interpolazione divers~, e diversi andamenti temporali e frequenziali del segnale interpolato x(t).

x[n]

Interpolatore
p(t)

x(t)

Figura 5.24 Interpolatore generalizzato

La possibilit, apparentemente banale, di generalizzare l'operazione di


interpolazione assume grande importanza alla luce delle seguenti osservazioni:
innanzi tutto la formula (5.4.11)

252

Capitolo 5

XU) = Lx[n] PU) e-j2nn/T= PU) Lx[n] e-j2nn/f= PU) XU)


n=-

n=-

(5.4.17)

/'

valida qualunque sia la particolare forma di p(t). Se si sceglie l'impulso


interpolante in modo che la sua trasformata sia costante nell'intervalw
[-1I2T,1I21l e nulla al di fuori, cio

\ PU) = T rect(jT)
~

(5.4.18)

allora si ottiene immediatamente

k
\I)' XU) = pU) XU) =T rect(jT). -l L
X
f
T k=T =XU)

( )

(5.4.19)

valida ovviamente in assenza di aliasirJ:g,cio nelle ipotesi che i) x(t) abbia

banda limitata B, e ii) sia stata rispettata la condizione di Nyquist fc ~ 2B,


come mostrato nella Figura 5.25.
Questo risultato di fondamentale importanza, ed universalmente noto con
il nome di teorema del campionamento (sampling theorem):
J( Teorema del campionamento (C. Shannon): Un segnale il cui spettro limitato
nella banda B pu essere ricostruito esattamente a partire dai propri campioni,
purch lafrequenza di campionamentOnon
- - - --- --sia inferiore ~L~B.
.

In particolare, poich

-Trect(jT) = P(f) :>~

~\

'".' ~..

'4--1~

(T~)

\sinc !..

, f -'o
(5.4.20)

la formula di interpolazione risultante dalla scelta di p(t)


(5.4.21)
che nota come formula di interpolazione cardinale. Il nome sinc(-) assegnato a
suo tempo alla funzione sin(na) / na significa infatti "seno cardinale" con
riferimento all'interpolazione cardinale stessa.
La Figura 5.26 illustra un esempio di interpolazione cardinale. Il segnale
analogico viene ricostruito dalla somma di una infinita serie di funzioni sinc(.),
ciascuna applicata agli istanti nT di campionamento del segnale originario, e
ciascuna pesata con il valore del relativo campione x[n]. Se ricampionzmo il

Segnali a tempo discreto

253

segnale interpolato al generico istante tk =kT, per le propriet della funzione


sinc(-), solo il k-esimo fra tutti gli impulsi della sonunatoria (5.4.21) produce un
contributo non llullo, e pari proprio al valore x[k]
segnale di partenza (vedi la Figura 5.26).

= x(kT)

del campione del

1.25

P(f)

1.00

0.75
C'

<X

0.50
0.25

0.00

-0.25
-3.0

-2.5

-2.0

-1.5

-1.0

-0.5

Frequenza

0.0

0.5

1.0

normalizzata,

1.5

2.0

2.5

3.0

3.0

3.5

4.0

fT

Figura 5.25 Dimostrazione grafica del teorema del campionamento


1.25

I
n=O

'

I
n=1

1.00
0.75

-- 0.50
<X
0.25

0.00

-0.25
-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

Tempo normalizzato,
Figura 5.26 Esempio di interpolazione cardinale

2.0

t!T

2.5

254

Capitolo 5

Si ha infatti:
+00

x(kT)

+00

= Lx[n]

sinc(k - n) = Lx[n] 8[k - n] = x[k] = x(kT)

\S.4.22)

Questo risultato conferma che il segnale interpolato coincide con il segnale di


partenza negli istanti di campionamento. Se si considera un qualunq~ltro
istante non coincidente con uno di quelli di campionamento, si nota che il valore
del segnale interpolato ottenuto nella (S.4.21) combinando linearmente tutti gli
infiniti campioni x[n] del segnale x(t). In altre parole, la ricostruzione di un segnale a banda limitata a un certo istante richiede la conoscenza di tutta la sequenza di campioni del segnale stesso, in istanti sia antecedenti quello consideTatO,SIasuccesslVl.Pertanto la formula di interpolazione cardinale, di grande rilevanza teorica, inutilizzabile nella sua forma esatta nelle applicazioni pratiche
per due motivi: in primo=-luogo, sono in teoria richiesti infiniti termini di una
sommatoria per ricostruire il segnale originario; secondariamente, una ricostruzione in tempo reale impossibile perch si richiederebbe la conoscenza di va- lori di segnale in istanti successivi a quello di interpolazione .(interpolatore--=non
"

causale).

::iO 5.9

b--<> Q,',~",

')

Riscriviamo l'espressione del segnale di uscita di un interpolatore:


+00

x(t)= Lx[n]p(t-nT)

(ES.9.1)

e supponiamo che l'impulso p(t) sia (Figura S.27)


(ES.9.2)
Questo impulso triangolare. caratteristico della formula di interpolazione line-

re. Consideriamo infatti la Figura S.28a nella quale sono rappresematrt'a1Jda..


mento di un segnale generico x(t), la sequenza dei suoi campioni, le repliche
dell'impulso interpolante p(t) associate ai diversi campioni e infine il segnale
interpolato x(t). Il segnale interpolato x(t) costituito da una spezzata che
collega i punti corrispondenti a campioni consecutivi del segnalex(t): X(t)
rappresenta la cosiddetta interpolazione lineare
-- della sequenza di carn"'pionL -

Segnali a tempo discreto

255

p(t)

!
T

-T -

Figura 5.27 Impulso utilizzato nella formula di interpolazione lineare

x[-2]

x[-1]

x(t)

-2T

-T

2T
(a)

x[k-1]

(k-1)T

kT
(b)

Figura 5.28 InterpoIazione lineare dei campioni di un segnale x(t)

Per giustificare analiticamente la Figura 5.28a, osserviamo con l'aiuto della


Figura 5.2Rb che nel generico intervallo [(k -1)T,kT) compreso fra i due campioni consecutivi x[k-l] e x[k] solo due addendi della sommatoria (E5.9.1)
danno un contributo non nullo, cio quelli con n =k -l e n = k. In questointervallo il segnale interpolato vale allora
x(t) = x[k -1] p(t - (k -1)T)+ x[k] p(t - kT)

256

Capito~o5

(E5.9.3)
la quale rappresenta l'equazione del segmento di retta che collega i punti corrispondenti ai campioni x[k -1] e x[k].
La trasformata di Fourier del segnale x(t) data ancora dalla (5.4.11):

X(J) = P(J) X(J)


ove stavolta

t P(J)=

~ sinc2(jT0

(E5.9.4)

I
(E5.9.5)

Lo spettro del segnale interpolato ha un andamento qualitativamente non


dissimile da quello relativo all'interpolatore con mantenimento di Figura 5.21.
Se riconsideriamo il segnale x(t) il cui spettro rappresentato in Figura 5.29a,
vediamo che lo spettro di ampiezza del segnale interpolato linearmente quello
di Figura 5.29b.
Un confronto tra la Figura 5.29b e la Figura 5.21 rivela che il segnale interpolato linearmente ha uno spettro di ampiezza con immagini pi attenuate rispetto
al caso dell'interpolatorecon mantenimento.Lo spettro P(J) dell'impulso in=-terpolatOredecresce infatti pi rapidamente al crescere della frequenza nel caso
di interpolazione lineare che nel caso del mantenimento. Se confrontiamo il
segnale generato da un interpolatore a mantenimento con quello generato da un
interpolatore lineare, possiamo immediatamente osservare che il primo presenta
delle discontinuit di prima specie (in corrispondenza della transizione da
ciascun impulso interpolatore al successivo), mentre il secondo un segnale
continuo. Pertanto da aspettarsi che il segnale con mantenimento abbia un
maggior contenuto di componenti alle alte frequenze rispetto a quello prodotto
da un interpolatore lineare.
Nella Figura 5.29b si nota anche.che la distorsione in banda per il segnale di
Figura 5.29a abbastanza marcata. Questo deriva dalla particolare forma dello
spettro del segnale di partenza, in cui sono molto ampie le componenti vicine al
limite di banda B. Se lo spettro di partenza invece pi decisamente passa-basso
(ossia con componenti via via digradanti con l'aumentare della frequenza), come
quello di Figura 5.30a, la trasformata del segnale interpolato linearmente come
in Figura 5.30b, e la distorsione in banda piuttosto ridotta.

I
I
I
I

Segnali a tempo discreto

257

1.25

1.00

0.75

..-.

CC

0.50

C\I

0.25 L
0.00

-0.25
-2.0

-1.5

-1.0

0.0

-0.5

Frequenza

0.5

normalizzata,

1.0

1.5

2.0

f/B

(a)

1,25

1.00

0.75
..-.
<

0.50

ca

C\I
0.25

0.00

I
fc=2.58

-0.251
-2.0

I
-1.5

I
-1.0

I
-0.5

Frequenza

0.0

0.5

1.0

1.5

2.0

normalizzata, fT

(b)

Figura 5.29 Spettro di ampiezza del segnale di partenza (a) e interpolato linearmente (b)

5.5 Analisi di Fourier delle sequenze periodiche


5.5.1 Trasformata discreta di Fonrier
Una sequenza x[n] periodica se esiste un intero positivo No (il periodo della
sequenza) per il quale verificata la seguente relazione:

258 Capitolo 5

x[n]

= x[n

(5.5.1)

+ No]

per ogni valore della variabile n. Una sequenza x[n] periodica di periodo No
individuata quindi da No numeri reali (o complessi) che rappresentano i valori
assunti da x[n] in un periodo, ad esempio nell'intervallo n = 0,1, ..., No-L
1.25

1.00
0.75

-X

t::
0.50

0.25
0.00

-0.25
-2.0

-1.5

-1.0

-0.5

0.0

0.5

Frequenza normalizzata,

1.0

1.5

2.0

fT

(a)

1.25
1.00

<~

0.75

0.50
0.25

0.00
B=V2T

-0.25
-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

Frequenza normalizzata, fT
Figura 5.30 Spettro di ampiezza del segnale originario (a) e interpolato linearmente (b)

(b)

Segnali a tempo discreto

259

interessante osservare che il campionamento di un segnale periodico a tempo


continuo non genera necessaIamente una sequenza penodica. Affinch si abbia
una sequenza periodica necessario che un numero intero No di intervalli di
campionamento sia esattamente pari a un qualche numero intero m di penodi dI
ripetizione del segnale originario: NnT = mTo.Ci significa che il rapporto TiTo
-deve essere razionale. In pratica, gli impulsi di campionamento del convertitore
AID devono essere sincronizzati con il segnale periodico analogico: essi non
possono avere una cadenza arbitraria senza un legame preciso con la cadenza di
ripetizione fond~entale del segnale dato. Se il rapporto TiTo non un numero
razionale (cio T ~ TosoDD-incommensurabili),l'operazione di campionamento
non d origine a una sequenza x[n] periodica (Figura 5.31).

x(t)

...

I
I

x[3]

x[2]

X[1])(
II
I
L
T 2T

/,

,I

, I

...

To

Figura 5.31 Sequenza non periodica generata dal campionamento di un segnale periodico a
tempo continuo

Supponiamo ora che x[n] sia una sequenza periodica di periodo No' Essa pu
essere rappresentata mediante uno sviluppo del tutto analogo alla serie di Fourier
per i segnali periodici a tempo continuo, chiamato serie discreta o antitrasformata discreta di Fourier:
(5.5.2)
La sequenza Xk dei coefficienti discreti di Fourier comunemente chiamata
trasformata discreta di Fourier della sequenza periodica data ed pari a
(5.5.3)
Notiamo le analogie tra le (5.5.2-5.5.3) e le corrispondenti relazioni di sintesi e
analisi per i segnali periodici a tempo continuo:

>

260

Capitolo 5

No-l

x[n]=

21ikn

I.Kk
k=O

x(t)=

ejN;

IXk

k=-oo

2trkt

ejr;
(5.5.4)

Xk =-

1 No-l

.21ikn

Ix[n]e-JN;

No n=O

Per i segnali periodici a tempo continuo la rappresentazione mediante serie di


Fourier comporta una somma infinita di termini; nel caso di sequenze periodiche, invece, la rappresentazione mediante antitrasformata discreta consiste in
una somma con un numero finito di addendi. Infatti la trasformata di una sequenza x[n] periodica di periodo No essa stessa periodica con il medesimo
periodo:

"

(5.5.5)
La sequenza periodica espressa, come nel caso del segnale periodico a tempo
continuo, da una somma di oscillazioni sinusoidali a frequenze armoniche, cio
multiple di una frequenza fondamentale. Riscriviamo infatti l'equazione di
sintesi come segue:
No-I

x[n] = I.Kk

k=O

ej2tr N:rnT

(5.5.6)

Si nota che i vari esponenziaIi complessi nella scomposizione oscillano alle frequenze h =k /(NoT), k = O,...,No-1, che a buon diritto possono chiamarsi le
armoniche relative al periodo di ripetizione No, ovvero alla frequenza fondamentale 1/(NoT). Una piccola diversit tra le equazioni di analisi a tempo continuo e discreto nella (5.5.4) sta nel fatto che l'integrale per ricavare il coefficiente
di Fourier si calcola sull'intervallo simmetrico (-To /2,1;J2), mentre la trasformata discreta viene calcolata su di un intervallo asimmetrico [O,No -1]. La
spiegazione semplice: quando No un numero dispari, semplice calcolare la
trasformata discreta anche sull'intervallo simmetrico [-(No -1)/2, (No -1)/2],
ma se No un numero pari, non possibile trovare un intervallo simmetrico di
ampiezza pari al periodo No' Si preferisce quindi unificare i due casi usando
l'intervallo asimmetrico destro [O,No -1].
Dimostriamo adesso che dalla relazione (5.5.2) di sintesi (antitrasformata

.I
I

Segnali a tempo discreto

261

discreta) discende la (5.5.3) di analisi (trasformata discreta). Moltiplichiamo


ambo i membri della (5.5.2) per il fattore e-j2trnm/No(O~ m ~ No -1) ed
effettuiamo l'operazione di somma sul periodo:
(5.5.7)
Sviluppando il secondo membro della (5.5.7) si ~cava
(5.5.8)
La seconda sommatoria a secondo membro della (5.5.8) diviene
, k:t=m

(5.5.9)

mentre, per k = m, si ha
(5.5.10)
Pertanto dalla (5.5.8) si trova che

(5.5.11)
Sostituendola (5.5.11) nella (5.5.7) si ricava infine
(5.5.12)
da cui segue immediatamente l'equazione di analisi (5.5.3).
Le propriet della trasformata discreta sono molto simili a quelle gi discusse
nel Paragrafo 3.2 a proposito della trasformata dei segnali analogici, e non
verrannoulteriormente ribadite.
La maggior parte dei teoremi riguardanti la trasformata discreta possono
inoltre eSSerefacilmente adattati o ricavati sulla base dei teoremi descritti nel
Paragrafo 5.3. Ci limitiamo a esaminare in dettaglio il caso dei teoremi del
prodotto e della convoluzione per le sequenze periodiche.

262

Capitolo 5

Esempio

r-

-")

if\

,.

5.10

<::

".

I.
~ r

"'f

1<":'o

Calcoliamo la trasformata discreta della sequenza

t>

-\--- '"-t'

'11

(E5.10.!)
"'.

che evidentemente periodica di periodo No = 8. Dalle formule di Eulero, '"


x[n] = (ejl!!/4+ e-jl!!/4) b ~ej21!!/8
2

~ ~.
/

-I;~e-j21!!/8

= !ej21D1/8 + !ej[21!!-21!!/8]= !;;1!!/8

+ !eJ721!!/8

(E5.10.2)

per cui, senza bisogno di effettuare materialmente la trasformata, si pu concludere direttamente che

XI = -,

X7 = -

e
Xk

=O ,

k = 0,2,3,4,5,6

(E5.1O.3b)

Questo risultato ricorda quello ricavato nell'Esempio 2.1 per il calcolo dei
coefficienti di Fourier del segnale x(t) =cos(2~t). Il segnale x[n]
un'oscillazione cosinusoidale (discreta) con frequenza io = 1/(8T), e quindi le
uniche armoniche diverse da Osono quelle con frequenza I fo' cio con indice
di armonica pari a Il, in quanto fo coincide con la frequenza fondamentale
l/(NoT). La (E5.1O.3a)non in contrasto con quest'osservazione, visto che
1
X-I =X7 =2"
per la propriet di periodicit della trasformata discreta.
Esempio

'-

(E5.lOA)

5.11

Calcoliamo la trasformata discreta della sequenza x[n] periodica di periodo


No = 8, definita sul periodo-base come segue:
(E5.11.1)

Segnali a tempo discreto

263

Questa sequenza in pratica un treno di impulsi rettangolari a tempo discreto,


come chiaro dalla rappresentazione

in Figura 5.32a.

x[n]
1

...

...
3

n
(a)

1/2

...
(b)

Figura 5.32 Segnale periodico dell'Esempio 5.11 (a) e suo spettro di ampiezza Ix, I (b)

La trasformata discreta

(E5.11.2)

Si pu applicare la formula della somma di una progressione geometrica quando


k *-O, mentre quando k = O si ha banalmente

l'o = 418 = 11~. Riassumendo

queste osservazioni si ha:

k=O
k*-O

- S~7t
---

.A

o;c'j.

cf'

(E5.11.3)

Si trova poi che X2 = X4 = X6 = O, che IXII= IX?I =1I[8sin(n 18)] ==0.327, e che
inoltre IX31=IXsl=1I[8sin(3n/8)]==0.135. Lo spettro di ampiezza del segnale
dato (cio il grafico di IXkl) dunque quello di Figura 5.32b.
O

264

Capitolo 5

5.5.2 Teorema del prodotto


Consideriamo adesso la sequenza (periodica) p[n] data dal prodotto fra la
sequenza x[n] e la sequenza y[n] entrambe periodiche di periodo No
p[n]

= x[n] y[n]

e ca1coliamone la trasformata discreta di Fourier:

(5.5.14)
..

ove x[n] stata scomposta in serie discreta di Fourier. In questo pass,ggio,


stata usata una variabile "muta" m nell' operazione di antitrasformazio~ per non
creare ambiguit con la variabile k da cui dipende la trasformata li. Invertendo
l'ordine delle sommatorie si ricava

(5.5.15)

ove naturalmente la convoluzione tra le trasformate discrete una somma di


convo1uzione ciclica tra le due sequenze periodiche Xk e
frequenziale. In conclusione:

in ambito

(5.5.16)
5.5.3 Teorema della convoluzione
Consideriamo ora la sequenza z[n] come somma di convoluzione ciclica tra le
due sequenze x[n] e y[n], entrambe periodiche di periodo No:
1 No-I
x[ m] y[ n - m]
z[ n] = x[ n] Q9y[ n] = No m=O

1 No-l
y[ m] x[ n - m]
No m=O

=-

(5.5.17)

Questa somma di convoluzione gode ovviamente delle stesse propriet


commutativa, associativa e distributiva gi citate per la somma di convoluzione
tra sequenze aperiodiche.

Segnali a tempo discreto

265

Calcoliamo poi la trasformata discreta di z[n]:


-

l No-I.

Zk= -

"k

l No-l l No-I

Lz[n] e-l21r
No= -

No ,,=0

l No-I

No-I
~

-"2

L -

"k

Lx[m] y[n- m]e-l21r


No

No n=O No 111=0

No-l

" "k

L x[m]- L y[n-m]e-l21rNo
No 111=0" No ,,=0

=-

l
=-

I1Ik

"",,-x[m]~ e-l 1rNo=Xk.~

(5.5.18)

JNo 111=0

In conclusione, possiamo enunciare il teorema della convoluzione (ciclica) nella


forma

~]

Q9y[n]

<=>

\/

X~

(5.5.19)

Esempio 5.12
Calcoliamola somma di convoluzione z[n] tra le due sequenze

x[ n] =

u[n]

- u[n - 4]

y[ n ] =

(E5.12.1)

(~ J u[n ]

La prima delle due un impulso rettangolare di durata 4, mentre la seconda


una sequenza esponenziale unilatera. La convoluzione che cerchiamo data da
+00

z[n]= x[n] Q9y[n] =

L x[ n - m]y[ m]

(E5.12.2)

111=-

che svolgeremo graficamente. La Figura 5.33a, che rappresenta i segnali x[-m]


e y[m] coinvolti nel calcolo, suggerisce che il risultato della convoluzione differente a seconda che n < O, n;;:::3, o O~ n ~ 2 (ricordiamo che n la traslazione

che si deve dare al segnale x[-m] nel calcolo della somma (E5.12.2. Nel
primocaso, non c' "sovrapposizione" tra i due segnali, il loro prodotto nullo e
la convoluzione pure nulla. Nel secondo caso, quattro campioni del segnale
y[m] contribuiscono al risultato, che pari a
"

z[n] =

1 "-3

1 "-2

"-1

I "

15 1

"-3

( ) (2 ) (2.) (2) = -8 (-2 )

y[m] = 111=,,-3
2

+ -

+ -

+ -

(E5.12.3)

Nel terzo caso, invece, i campioni che contribuiscono al risultato sono quelli con
O::;m ::;n, e quindiil risultato

266

Capitolo 5

y[m]

m
(a)

z[n]

--~

n
(b)

Figura 5.33 Calcolo (a) e risultato (b) della convoluzione tra le sequenze dell'Esempio 5.12
n

1
z[n] = Ly[m] = 111=0
2

()

+...+

l
2

()

=2--

()
2

(E5.12.4)

Riassumendo:

n<O
(E5.12.5)

come rappresentato nella Figura 5.33b.

Segnali a tempo discreto

267

5.5.4 Periodicizzazione di una sequenza aperiodica


~Nel Paragrafo 3.5 abbiamo studIato la periodicizzazione di periodo To di un
segnale aperiritlico a tempo continuo x(t) per ottenere un segnale y(t) periodico

(5.5.20)

y(t)= Lx(t-m~)
e abbiamo ricavato la relazione di campionamento

in frequenza fra i coefficienti

dello sviluppo in serie di Fourier di y(t) e la trasformata continua di Fourier


X(J) di x(t):

~ =~X ~
To ( To)

(5.5.21)

Vogliamo ora ricavare la relazione analoga per i segnali a tempo discreto.


Costruiamo dunque la sequenza y[n] periodica di periodo No a partire dalla
sequenza aperiodica x[n]:

y[n] = Lx(n-mNo]
m=-

(5.5.22)

La trasformata discreta (cio il k-esimo coefficiente della serie discreta di


Fourier) di y[n]
(5.5.23)
Sostituendo l'espressione della sequenza periodicizzata si ottiene
(5.5.24)
Se nella relazione precedente si effettua il cambiamento di variabile p

=n -

mNo

si ha

(5.5.25)
La sequenza "sommanda" a secondo membro nella (5.5.25) non dipende dall'indice della serie m. Tale indice agisce infatti solo sugli estremi di somma della

268

Capitolo 5

/
sommatoria interna. Ci si rende allora conto facilmente, con l' ausilio della
Figura 5.34, che, al variare di m tra -00 e +00, gli intervalli di somma
[-mNo,-(m -l)No -l] della stessa sequenza sommanda ricoprono tutti i numeri
interi relativi senza sovrapposizioni. Se ne conclude che la doppia sommatoria
della (5.5.25) pu essere riscritta come un 'unica sommatoria, cio
(5.5.26)

-No
I

:--1

-1

m=O

f--I-f

I
I

m=1

No
I I

2No-1
I

m=-1 ~

Figura 5.34 Spiegazione grafica della formula (5.5.26)

Infine, richiamando la definizione di trasformata di una sequenza aperiodica


+00

X(j) = I,x[n]

(5.5.27)

e-j21!>1jT

si vede che la (5.5.26) pu essere riscritta come

1 -

~ =-X (f )1 No

1 -

=-X

f- NoT No

( NoT )

(5.5.28)

che rappresenta la relazione cercata di "campionamento in frequenza".


Esempio 5.13
Ricaviamo la trasformata discreta di Fourier del treno di impulsi rettangolari
discreto y[n] rappresentato in Figura 5.35.
Il segnale periodico y[n] si pu ottenere dalla periodicizzazione con periodo
No dell'impulso rettangolare aperiodico x[n] dell'Esempio 5.2, per il quale si ha
X(f)

= e-j1C(N-I)jTsin(N7ifT)

sin(7ifT)

(E5.13.1)

Considerando ora la relazione (5.5.28) di campionamento in frequenza, si ricava


immediatamente la trasformata discreta di y[n]:

Segnali a tempo discreto

269

\
y[n]
1

...

n.

n.
N-1

...
n

Figura 5.35 Treno di impulsi rettangolari a tempo discreto

1 -

y;k =-X

No

=e
( NoT )

Se No = 8 e N

-jrrk(N-I)/N sin(nkN / No)


o
Nosin(nk/ No)

(E5.13.2)

= 4 si riottiene evidentemente il risultato tlell'Esempio 5.11. o

5.6 Cenno agli algoritmi veloci di trasformata discreta (FFT)


5.6.1 Complessit di calcolo della trasformata discreta
Supponiamodi avere disponibile nella memoria di un calcolatore gli No valoribase di una sequenza periodica x[n] e di volerne calcolare numericamente la
trasformatadiscreta

Cerchiamo allora di valutare l'impegno di calcolo in termini di numero di ope- "


razioni che il calcolatore deve eseguire per ricavare gli No valori della trasformata. Notiamo in via preliminare che le considerazioni che faremo a proposito
del calcolo di una trasformata sono validi anche per una antitrasformata, purch
si faccial'ipotesi che i valori x[O]...x[No -1] della sequenzasiano complessie
si ignori il fattore di scala l/No' Se infatti riscriviamo l' antitrasformata discreta
di Fourier nella forma della (5.6.la) troviamo:

r
270 Capitolo5

(5.6.lb)
Si devono cio effettuare sostanzialmente le stesse ope~oni sulle varie quantit W;: ~ ej21l11k
INo, salvo un inessenziale cambiamento di segno dell' esponente.
In questo modo, potremo unificare la valutazione della complessit dell'algoritmo di trasformata diretta e di quello di antitrasformata. Supponendo che i
fattori esponenziali complessi che figurano nelle (5.6.la-b) siano precalcolati,
cio gi disponibili in memoria, la determinazione del coefficiente Xk (ovvero
del campione x[n]) richiede No moltiplicazioni complesse ed No -I addizioni
complesse. Tenendo conto che un'addizione complessa richiede in realt 2 addizioni reali, e una moltiplicazione complessa richiede 4 moltip~azioni reali e 2
addizioni, sono necessarie complessivamente 8No - 2 operazioni (reali) per ogni
valore di k. Poich k assume tutti i valori compresi tra O e No -I, il numero
complessivo di operazioni da compiere per calcolare la trasformata discreta di
Fourier (TDF) di una sequenza periodica di periodo No pari a
(5.6.2)
ove l'ultima approssimazione stata fatta supponendo .che il parametro No
assuma un valore grande). Possiamo notare che la complessit di calcolo (o
computazionale) della trasformata discreta di tipo quadratico nell'ordine No di
trasformazione. Se immaginiamo di disporre di un elaboratore che svolge le
operazioni con una cadenza tlock pari a 100 MHz (cio 100 milioni di operazioni
al secondo), e prendiamo per No il valore tipico No = 210 = 1024, il tempo
necessario per effettuare il calcolo suddetto pari a
(5.6.3)
Supponiamo adesso che la sequenza x[n] venga generata campionando un
segnale analogico x(t) a frequenza t, e che si vogliano calcolare trasformate
discrete ripetute su spezzoni temporali adiacenti (le cosiddette finestre) di No
campioni consecutivi della sequenza. Se in un tempo pari a 80 ms riusciamo a
elaborare 1024 campioni, allora per poter .operare in tempo reale si deve
utilizzare una frequenza di campionamento tale che

1 In questa ipotesi, possibile anche trascurare le eventuali 2No moltiplicazioni finali per il
fattore di scala l/No nell'algoritmo di trasformazione diretta.

Segnali a tempo discreto

l' ~ No

Jc

1024

T. 80.10-3
No

= 12.8 kHz

271

(5.6.4)

altrimentinuovi campioni di un~nuova finestra di segnale vengono presi prima


che il precedente calcolo della trasformata sia terminato. Questo risultato
rappresenta un vincolo sulla banda B del segnale x(t) da elaborare poich la
condizionedi Nyquist richiede che valga B ~ fc /2.
Un deciso miglioramento della velocit di elaborazione pu essere conseguito
utilizzandoun algoritmo2 veloce di calcolo della trasformata discreta che, sfruttandoparticolari simmetrie insite nei fattori W;: della trasformata stessa, riduce
la complessit computaziona{e del medesimo. Tale algoritmo, noto come Fast
Fourier Transform (FFT)3, alparit di frequenza di c10ck dell'elaboratore, permette l'utilizzo di frequenze di campionamento notevolmente maggiori rispetto
a quella indicata dalla relazione (5.6.4). Cerchiamo quindi di dare un'idea del
principiodi funzionamento della FFT e di valutarne il grado di complessit.
Il pi semplice algoritmo di FFT si applica quando l'ordine No della
trasformata una potenza di 2, cio No = 2M. Riscriviamo in tal caso la (5.6.1)
ignorandoil fattore di scala l/No e suddividendo gli addendi in due gruppi:
-

No/2-1

Xk =

.21f(2m)k

L x[2m] e-J~

m=O

No/2-1

No

m=O

Pf
No/2-1

.21f(2m+l)k

L x[2m + 1] e-J
~k

.21rkm'

.21rk No/2-1

.21rkm'

L x[2m]e-JNo/2+e-JN;;"' m=O
L x[2m+1]e-JNo/2,k=0,...,No-1
m=O

(5.6.5)

La prima sommatoria rappresenta la trasformata discreta di una sequenza costituita dagli No/2 campioni di indice pari di x[n], mentre la seconda sommatoria
la trasformata discreta degli No/2 campioni di indice dispari. Possiamo dire
che questa scomposizione "ricorsiva nell'ordine", nel senso che la trasformata
di ordine No espressa come combinazione lineare di due trasformate di ordine
No/2.

2 Un algoritmo una successione di passi od operazioni di elaborazione univocamente definite


che, a partire da una serie di dati d'ingresso, nel nostro caso i valori della sequenza x[n],
fornisce i dati di uscita, qui i valori della trasformata discreta Xk'
3 L'acronimo FFf indica in realt una classe di algoritrni efficienti per il calcolo della
trasformata discreta di una sequenza periodica. Di seguito viene descritto solo uno di questi
algoritmi che noto come algoritmo a decimazione nel tempo.

272

Capitolo 5

Il numero di operazioni NFFr(No) necessario a calcolare la trasformata di


ordine No secondo questo nuovo criterio pu allora essere espreSSo-in maniera
ugualmente ricorsiva sulla base di questa scomposizione:

= NFFf(~o ) + NFFT(~o )

NFFf(No)

2 [NFFf

( )
~o

+ 6No + 2No

(5.6.6)
+ 4No]

avendo tenuto conto del fatto che, per ogni valore di k, necessario moltiplicare
Dk per un esponenziale co~plesso (precalcolato, 6 operazioni r\ali) e quindi
effettuare la somma con lt (2 operazioni reali). Questo procedimento di

scomposizionepu essere poi ripetuto in modo ricorsivo. Infatti

1{

Dk

possono a loro volta essere scomposti suddividendo le sequenze rispettivamente


x[2m] e x[2m + 1] in due sottosequenze ciascuna di lunghezza No/4. Il calcolo
di una trasformata di ordine No/2 comporta allora una complessit (basta
sostituire No/2 a No nella (5.6.6
N

No

No
N
[ FFT 4

( )=2 ( )+ 4No

FFf

2 ]

(5.6.7)

Sostituendo quest'ultima nella relazione di partenza (5.6.6) si ha


(5.6.8)
e, continuando a iterare dividendo per 2 progressivamente l'ordine di trasformazione, si ottiene:

FFf( No)

= 8 N FFf(~o) +

NFFf(No)

= 16

NFFf(No)

= No'

3 . 8No

NFFT( ~~) + 4. 8No

NFFf( ~:)+

(5.6.9)

10g2No .8No

Nell'ultima iterazione compare la quantit NFFT(1)che comporta banalmente


una sola moltiplicazione (Xo = x[O] .ejo), per cui si ricava:

Segnali a tempo discreto

273

(5.6.10)
Questa relazione estremamente importante indica una complessit per l'algoritmo di FFT notevolmente inferiore alla complessit (quadratica) dell'algoritmo
di trasformata discreta secondo la definizione. Il rapporto tra il numero di operazioni necessarie nei due casi pari a
NTDF(No)8Noz
= No
NFFf(No) 8Nologz No logz No

L
,').

(5.6.11)

Con riferimento all'esempio precedente, se si usa il medesimo elaboratore per


calcolare una FFT di ordine 1024, si otterr un tempo di calcolo inferiore a
quello prima calcolato del fattore
(5.6.12)
e di conseguenza la frequenza di campionamento massima per operare in tempo
reale sar
fc FFf

N
o

logz No

h. == 100fc= 1.28MHz

(5.6.13)

che molto maggiore di quella indicata nella (5.6.4). Dalla (5.6.11) anche
chiaro che il vantaggio che si consegue utilizzando l'algoritmo di calcolo FFT
invece della trasformata secondo la definizione aumenta al crescere di No.
Come gi detto, gli stessi algoritmi utilizzati per il calcolo veloce della trasformata discreta possono essere anche utilizzati per il calcolo della antitrasformata,
poich le relazioni di trasformazione e di antitrasformazione (5.5.2-5.5.3) sono
formalmente identiche, a parte l'inessenziale costante moltiplicativa l/No' e
l'altrettanto ininfluente segno dell' argomento degli esponenziali.
L'algoritmodi FFT fu pubblicatonel 1965da Coolev p.Tnkey; a questa data
si fa risalire la nascita della moderna elaborazione numerica dei segnali.
,/'
Attraverso la FFT, infatti, possono essere effettuate in maniera efficiente alcune
operazioni fondamentali di analisi ed elaborazione dei segnali (analisi spettrale e
filtraggio, come mostreremo brevemente nel seguito). Tali operazioni non
furono realizzabili in pratica fino al momento dell' introduzione dell' algoritmo
veloce, vista la ridotta velocit dei componenti elettronici e quindi dei calcolatori
dell'epoca. Questo giustifica l'importanza centrale attribuita alla FFT nello
sviluppo delle tecniche di elaborazione numerica.

274

Capitolo 5

~
5.6.2 Applicazioni dell'algoritmo di FFT: analisi spettrale
Una delle esigenze pi frequenti nell'elaborazione dei segnali quella di
calcolare lo spettro di una sequenza data. Ovviamente, non si ha a disposizione
un' espressione analitica dei valori della sequenza x[n], ma solo i valori
medesimi (ad esempio acquisiti mediante un convertitore A/D) in un intervallo
finito, diciamo O:::;n :::;N -l. Ci che si desidererebbe calcolare la trasformata
di Fourier della sequenza aperiodica
+00

X(J) =

Lx[n]

n=-00

(5.6.14)

e-j21C11/f

Ovviamente, questa trasformata non potr essere calcolata per gli infiniti valori
della variabile f in un periodo, cio, ad esempio, nell'intervallo [~].
Ci si
accontenter di ottenere il valore della trasformata per un numero finito di punti
normalmente equispaziati nell'intervallo [O, l/T].
Quest' operazione pu essere svolta in maniera efficiente tenendo conto della
relazione di campionamento in frequenza (5.5.28) conseguente ad una periodiClzzaZlOne:
1 - k
Y. --X
k

( NoT )

- No

, k = O, 1,.. o,N -l

(5.6.15)

e osservando che abbiamo a disposizione un algoritmo veloce per il calcolo delle


trasformate discrete. Immaginiamo dunque di periodicizzare la sequenza data
con periodo No = N:
+00

y[n]=

(5.6.16)

Lx[n-mN]

m=-

Poich y[n] una sequenza periodica, possiamo calcolarne la trasformata


discreta

di Fourier

~,

k = 0,1, o.., N -1

mediante

un algoritmo

veloce.

Sfruttando la (5.6.15) possiamo poi ricavare i seguenti valori di X(J):


-

k
X NT

=N ~

( )

, k = O,l, ..., N-l

(5.6.17)

Siamo cio riusciti a calcolare la funzione X(J) in N punti, e precisamente per


le N frequenze equispaziate nell'intervallo [O,l/T]:
k
h,= NT

, k = O,1,..., N-l

(5.6.18)

Segnali a tempo discreto

Esempio

275

5.14

Consideriamo la sequenza aperiodica x[n] di Figura 5.36: essa ha durata finita e


pari a N = 3. Consideriamo poi il segnale periodico y[n] ottenuto periodicizzando con periodo 3 la sequenza x[n] in accordo alla relazione (5.6.16), e rappresentiamo la sequenza y[n] cos ottenuta (Figura 5.37).
x[n]

0.5

-1

Figura 5.36 Sequenza aperiodica x[n] a durata finita

y[n]

0.5

-1

1 2

Figura 5.37 Sequenza periodica ottenuta dalla ripetizione di x[n] per No = N

La trasformata di Fourier

=3

X(j) della sequenza originaria

X(j) = x[O]+ x[l] e-j21!fT+ x[2] e-j21r2jT= e-j21!fT[1+ cos(27ifT)]

(E5.14.1)

corrispondente allo spettro di ampiezza di Figura 5.38. Utilizzando il metodo \


appena descritto, si usa una trasformata discreta di ordine 3 e si ricavano i 3
"campioni" della funzione X(j) per le frequenze h = O,1/3T,2/3T rappresentati ancora in Figura 5.38.
O
Spesso, la scelta No = N porta a una conoscenza insufficiente della funzione
X(j), nel senso che gli N campioni della trasformata discreta sono troppo
pochi per ottenere una stima sufficientemente accurata dell' andamento della

Capitolo 5

276

X(J) stessa, come nel caso della Figura 5.38. Per evital;equesto inconveniente
possibile usare per il parametro No un valore maggiore della durata della
sequenza N. Il segnale y[n] viene ottenuto cio dalla ripetizione di una sequenza
finita di durata No formata dagli N campioni della x[n] a cui vengono posposti
No - N campioni nulli. Si pu calcolare adesso la FFf di ordine No > N della
sequenza periodica che nel periodo base vale
(5.6.19)
cio di una sequenza riempita con campioni nulli. Questa operazione prende il
nome di zero-padding o riempimento con zeri. Una vol~ calc}ita la trasformata
discreta, vengono ricavati quindi No> N valori della X(J) secondo la consueta
relazione di campionamento in frequenza:
-

X -

( NoT )

(5.6.20)

=No~ ' k=0,1,...,No-1

Se si fa crescere il valore del parametro No, ossia si aggiungono molti campioni


nulli aumentando l'ordine della FFf, si pu aumentare il numero di campioni
della funzione X(J), cio si aumenta la risoluzione dell'analisi spettrale della
sequenza x[n] aperiodica e di durata finita originaria.
2.5

2.0

1.5

1.0

0.5

0.0
1/3T

2I3T

Frequenza
Figura 5.38 Trasfonnata discreta della sequenza x[n] dell 'Esempio 5.14

1fT

Segnali a tempo discreto

277

---Esempio 5.15
Ripetiamo il calcolo dell'Esempio 5.11, stavolta per con zero-padding fino a
No = 8. La sequenza periodicizzata dopo il riempimento con 5 zeri quella di
Figura5.39. Calcolando la FFT della sequenza dopo lo zero-padding ricaveremo
allora 8 valori della trasformata X(f) secondo la relazione

k
X 8T

( )=8 1i

-8 -7 -6

(E5.15.1)

, k = O,1,...,7

1 2

9 10

Figura 5.39 Sequenza periodica ottenuta dalla ripetizione di x[n] per No = 8

Nella Figura 5.40 viene riproposto l'andamento

del modulo di

X(J) e dei suoi

otto campioni calcolati con il procedimento di zero-padding ed FFT appena


descritto.L'andamento dello spettro di ampiezza IX(f) I viene ora ricavato con
una risoluzione maggiore che nel caso precedente. Vale la pena osservare che
l'operazione di periodicizzazione concettualmente necessaria prima di calcolare
la trasformata discreta non viene eseguita in pratica. Ci che serve infatti per il
calcolodella trasformata sono soltanto gli No campioni della sequenza y[n] nel
periodo base O::;n ::;No-1. Viceversa, l'operazione di zero-padding
fondamentale per costruire correttamente y[n] a partire da x[n], e deve essere
D
effettivamenteeseguita prima di calcolare la trasformata discreta ~ .
)

5.6.3 Applicazioni dell'algoritmo FFT: convoluzione veloce


Un'operazione di elaborazione dei segnali che si presenta molto frequentemente
quella del calcolo di una somma di convoluzione tra sequenze di durata finita
(tipicoproblema di filtraggio, come sar chiarito nel Capitolo 6). Siano dunque
x[n] e y[n] due sequenze aperiodiche (per semplicit causali) a durata finita pari
aNo
La convoluzione (lineare) tra le due sequenze

f ~
;

278

Capitolo 5

2.5

\
2.0

1.5

1.0

0.5

0.0
0.000

0.125

0.250

0.375

0.500

0.625

0.750

0.875

1.000

Frequenza normalizzata, tT
Figura 5.40 Risultato dell'operazione di zero-padding e FFf
-+<>o

N-l

z[n] = x[n] <29y[n] = L,x[m] y[n-m] = L,x[m] y[n-m]


m=-oo

(5.6.21)

m=O

Poich x[n] e y[n] hanno durata N, cio hanno solo N campioni non nulli,
immediato rendersi conto che z[n] ha durata pari a 2N -1 (si estende cio da Oa
2N - 2): un esempio illustrato in Figura 5.41 per N

= 4.

Cerchiamo ora di valutare il grado di complessit del calcolo (5.6.21) della


convoluzione eseguita attraverso la defInizione. Nella Tabella 5.2 abbiamo riportato per esteso tutte le operazioninecessarieal calcolo di tutti i valori di z[n],
con O::;;n ::;;2N - 2, tenendo conto che le sequenze x[n] e y[n] sono entrambe
nulle quando n < O o n ~ N. Il numero totale di operazioni Neonv
(N) si pu valutare notando che le operazioni necessarie al calcolo dei termini z[O] e
z[2N - 2] sono in ugual numero, e cos per i termini z[l] e z[2N - 3], z[2] e
z[2N - 4], ecc., fmo ad arrivare al termine z[N -1] che non ha nessun "partner".
I primi due termini richiedono 1 sola operazione ciascuno, i secondi due 3
operazioni, i successivi 5 operazioni e cos via, fino al termine z[N -1] che
richiede 2N -1 operazioni:
Neonv(N)= 2. [1+ 3 + 5 +... + (2(N - 2) + 1)]+ (2N -1)=
= 2. [1+ 3 + 5 +... + (2(N - 2) + 1) + (2(N -1) + 1)] - (2N -1)=

Segnali a tempo discreto

N-l

=2~:C2n+
l) n~
=2N2 -

(2N -1)

=4

N(N

l)

279

+ 2N - 2N + l

2N + 1 2N2

(5.6.22)

==

cio la complessit di tipo quadratico nella durata delle sequenze.


y[n]
2

1 2 3

z[n]

1 2 3

Figura 5.41 Convoluzione tra le sequenze x[n] e y[n]


Tabella 5.2 Operazioni necessarie al calcolo di una convoluzione

z[O]= x[O]. y[O]


z[l] = x[O]. y[1] + x[1]. y[O]
z[2] = x[O]. y[2]

+ x[1]. y[1] + x[2].

y[O]

z[N- 2] = x[O].y[N - 2] + x[I]. y[N - 3]+... + x[N - 2]. y[O]


z[N-1] = x[O].y[N -1] + x[1]. y[N - 2] + x[2] .y[N - 3]+ ...+ x[N -1] .y[O]
z[N] = x[1] . y[N -1] + x[2] . y[N - 2] + ...+ x[N -1] .y[O]
z[2N -4] = x[N - 3]. y[N -l]+x[N

-2]. y[N -2]+

z[2N -3] = x[N - 2]. y[N -1]+ x[N -1]. y[N - 2]


z[2N - 2] = x[N -1]. y[N -1]

x[N -1]. y[N -3]

280

Capitolo 5

La somma di convoluzione tra x[n] ed y[n] pu anche essere determinata per


altra via. Supponiamo di periodicizzare le due sequenze con periodo -No:

rI
i
!

-+<>o

xp(n]= L,x(n-mNo]

(5.6.23)

-+<>o

yp(n]

= L,y(n-mNo]
nJ=-OO

(5.6.24)

Sappiamo che la convoluzione cic/ica tra xp[ n] e yp[ n] la sequenza di periodo


No
!

.;
.

(5.6.25)
Questa sequenza (periodica) zAn] in generale diversa dalla sequenza z[n]
prodotta dall'operazione di convoluzione lineare (5.6.21). Si pu per scegliere
l'intervallo di periodicizzazione No in modo che esso risulti non minore della
durata della sequenza z[n)
(5.6.26)

~.

t
f

Allora chiaro che l'operazione di convoluzione ciclica fra le due sequenze


periodicizzate xp[n] e yp[n] d una sequenza zAn] che all'interno del "periodo
base" O~ n ~ No -1 coincide con il risultato della convoluzione aperiodica a
meno del fattore l/No:
z[n] =

No zp[n] n=O,1,...,2N-2
O
altrove
{

D'altronde,

dal teorema della convoluzione

(5.6.27)
(5.5.19), sappiamo che la

trasformata discreta di zp [n]

(5.6.28)
e questo suggerisce un metodo indiretto per il calcolo della convoluzione in
ambito frequenziale, costituito dai seguenti passi:

si sceglie per il parametro No il minimo valore che soddisfa la disuguaglianza


(5.6.26), cio No = 2N -1;

i
i

Segnali a tempo discreto

.
.

281

si calcolano mediante FFT le trasformate discrete Xp, e Yp, di ordine No


x Anfe y An];
si calcola la trasformata Zp, della convoluzione ciclica zA n] delle sequenze

delle sequenze periodicizzate

xp[n]e yp(n]comeprodottodi Xp, e ~,;


. sicalcolamedianteFFTl' antitrasformatadi Zp, ricavandocos i campionidi

un periodo di zp[n];

si ricavanoinfine i campioni non nulli della sequenza z[n] moltiplicando per


No la sequenza zAn].

Cerchiamodi capire quando questo procedimento pi conveniente rispetto alla


convoluzionesecondo definizione. Si pu dimostrare che per sequenze reali si
pu effettuareuna (anti-)FFT di una sequenza di lunghezza No usando opportunamenteUnaFFT di ordine No/2. Quindi, secondo la (5.6.10), la convoluzione
velocecomporta 2. 8No12 .log2 No12 operazioni per il calcolo delle due FFT di
xp[n] e yAn], 6No/2 operazioni (No/2 moltiplicazioni complesse) per il calcolo di Zp" 8No12 .log2 No12 operazioni per calcolare l'antitrasformata zp[n]
di Zp, con Unalgoritmo di FFT inversa, ed infine No operazioni per recuperare
il fattore di scala No. Se No

= 2N

-l,

e trascurando

termini

lineari

in No, SOnO

richieste in totale

(5.6.29)
operazioni(N)> 1). Questo risultato deve essere confrontato Conla (5.6.22):
sufficiente che sia N;;::32 affinch il metodo che fa uso di FFT diventi pi
efficientedel calcolo diretto della convoluzione mediante la definizione.
Esempio 5.16
Riprendiamo in considerazione le sequenze della Figura 5.41 e cerchiamo di
applicare il metodo della convoluzione veloce senza tener conto della
condizione(5.6.26). Fissiamo allora, in modo errato No = 5 (sarebbe richiesto
No~ 7). Le sequenze periodicizzate in questo modo SOnOrappresentate in
Figura5.42a. La relativa convoluzione ciclica, scalata del fattore No = 5, poi
confrontatain Figura 5.42b COnla convoluzione lineare che si desidererebbe
ottenere. chiaro che nOnpu sussistere l'uguaglianza, segnatamente perch la
convoluzione lineare ha durata pari a 7, mentre la convoluzione cic1ica
periodica di periodo 5 e nOn pu quindi fornire i 7 campioni distinti della
convoluzionelineare.

282

Capitolo 5

(a)

,,

...

...

z[n]
2I

lWlL

--

n
(b)

Figura 5.42 Sequenze di Figura 5.41 periodicizzate (a), convoluzione ciclica e lineare (b)

YLa Figura
Riassunto delle caratteristiche delle trasformate di Fourier
5.43 riassume le caratteristiche delle descrizioni frequenziali (spettri)
dei segnali a tempo continuo e a tempo discreto, periodici e aperiodici.
Ogniqualvolta il segnale periodico nel tempo, esso possiede uno spettro di~.
Viceversa,~e il segnale discreto nel tempo, ess {>ossiede_unspettro periodicl!...'Questo l'ennesimo riflesso della dualit dei domini di tempo e frequenza. Da quest'ultimo punto di vista, interessante notare che il se~nale dir

'

~c:eto aperiodico x[~] in pratica la successione dei coefficienti di Fourier del-

l'espansione in serie della funzione X(f), periodica nella variabile continua fre! quenza; ci in piena dualit rispetto al caso del segnaTe periodico nel tempo
,Icontinuo x(t) con la sua propria successione discreta dei coefficienti di Fourier
Xk:
'

x[n] =

1/2T

JX(J)

1/ T -1/2T

ej21111[f

X(J) = L,x[n]e-j21111[f

di

x(t) = L
k=-

(5.7.1)
Xkej21tkfol

Segnali a tempo discreto

Tempo

283

Frequenza

X.

x(t)

...

...
segnale
a tempo

continuo

"

periodico

------Spettro
discreto
aperiodico
X(f)

x(t)

t
Spettrocontinuo
aperiodico

Segnale a tempo continuo aperiodico

x[n]

X(f)

...

...
n
Segnale
a tempodiscreto
aperiodico

Spettrocontinuoperiodico

x[n]

...

...

n
Segnale
atempodiscretoperiodico

...

...

k
Spettrodiscretoperiodico

Figura 5.43 Tavola sinottica delle caratteristiche di segnali e spettri

Sommario
In questo capitolo sono stati ripresi in considerazione ed estesi ai segnali a tempo
discreto alcuni concetti relativi all'analisi di Fourier gi esaminati nei precedenti

284

Il

Il

...

Capitolo 5

capitoli per i segnali a tempo continuo. Per prima cosa stata definita la
trasformata di Fourier di una sequenza aperiodica X(f), che risulta una
funzione periodica nella frequenza f di periodo pari alla frequenza di
campionamento 1fT, ma che peraltro gode di propriet molto simili a quelle
della trasformata continua di Fourier X(f) per i segnali analogici. Quindi, si
esaminata in dettaglio la questione del campionamento di un segnale analogico
x(t), operazione che produce una sequenza di valori x[n]. La trasformata di
questa sequenza si ottiene attraverso periodicizzazione con periodo 1fT della
trasformata del segnale analogico di partenza.
/
L'operazione di interpolazione a mantenimento, cio la moekIlizzazione
dell'operazione svolta in pratica da un convertitore D/A (digitale-analogico),
non consente di ricostruire il segnale analogico di partenza. Viceversa, abbiamo
dimostrato che usando un interpolatore cardinale possibile ricostruire
esattamente un segnale a tempo continuo dalla sequenza dei propri campioni,
purch il segnale abbia spettro limitato nella banda B, e la frequenza di
campionamento sia pari almeno a 2B (teorema del campionamento di C.
Shannon).
La rappresentazione frequenziale di sequenze stata poi estesa al caso di sequenze periodiche di periodo No definendo la trasformata discreta di Fourier
Xk. Questa sequenza di valori periodica di periodo No in k, e rappresenta lo
spettro discreto della sequenza periodica x[n]. La relazione di campionamento
in frequenza mette in relazione i valori della tra'SfoITilatadiscreta di una sequenza periodicizzata e quelli della trasformata della sequenza-base aperiodica.
Questo consente di ...alGQl.are
lo spettro di una sequenza aperiodica a durata finita attra'Versoil calcolo di una trasformata discreta. L'operazione di iero~pad-dmg (riempimento con zeri) permette di aumentare la risoluzione di questa analisi spettrale. Le trasformate discrete insite in tale procedimento possono essere
calcolate in modo efficiente attraverso il cosiddetto algoritmo di FFf (Fast
Fourier Transform) che consente di abbattere la complessit del calcolo di un
trasformata discreta di un fattore No/logz No rispetto al calcolo secondo la definizione. Sfruttando la FFT anche possibile calcolare somme di convoluzione
tra sequenze a durata finita in maniera veloce.

Esercizi proposti
5.1 Ricavarela trasformatadi Fourierdellasequenza
"
x[n] = a'nl' , O:5;a<l

Segnali a tempo discreto

285

5.2 La convoluzione ciclica tra due segnali a tempo continuo periodici di


periodo To definita come
l
z(t)

To 12

= To -To 12x(a)y(t

- a) da

Noti i coefficienti di Fourier di x(t) e y(t), ricavare i coefficienti Zk di


z(t).
5.3 Il segnale

x(t)

= sinc2(

~)

viene elaborato secondo lo sch~<UifFigura 5.44, in cui l'interpolatore a


mantenimento. Sapendo che

H(J) =

1ifT rect(jT)
sen(1ifT)

determinare l'espressione del segnale di uscita y(t).

nT

~
-I

X(~

""

p(t)

H(f)

~)

Figura 5.44

5.4 Una sequenza periodica a tempo discreto pu essere espressa attraverso la


serie discreta (antitrasformata) di Fourier
No-I

x[n] = IXkej21<nlNo
k=O

Trovare l'espressione

della trasformata aperiodica

XU)

della sequenza

x[n] per f E [-l/2T,l/2T].


5.5 Applicando il teorema della funzione somma, calcolare la trasformata della
sequenza
In I
x[n]= l-li
{O

-N'.5.n'.5.N
altrove

286

Capitolo 5

5.6

Disegnare i segnali ricostruiti con interpolazione a mantenimento e interpolazione lineare rispettivamente nellea Figure 5.21 e nella Figura 5.29.
Ripetere per il segnale di Figura 5.30 (l'espressione della trasformata in
questa figura del tipo X(f) = (T /2)[1 + cos(2JifT)]rect(fT)).
Un segnale x(t) periodico di periodo Toviene campionato con periodo

5.7

5.8

5.9

= To/ No

ottenendo

la sequenza

periodica

x[n]. Determinare

la relazione

tra i coefficienti di Fourier Xk di x(t) e la trasformata discreta di Fourier


Xk di x[n]
Dire se il sistema monodimensionale a tempo continuo costituito dalla
cascata di campionatore ideale e interpolatore a mantenimento di Figura
5.18 lineare e/o stazionario.
Da un segnale x(t) periodico di periodo Toviene ricavato il segnale y(t)
aperiodico con una operazione di troncamento in un periodo: --;:
y(t)

= x(t)rect(t/To)

7.rt.z

Esprin}erela trasformata di FouriJr Y(f)

~ y(t) mediante i coefficienti di

FouI\~r Xk qj;x(t~ e spiegare perch quest'oesercizio pertinente a questo


capitlo-/
J..
5.10 Il segnale x(t) la cui trasformata di Fourier

X(f)

= (1+co{~) }ec{~)

vienecampionatocon frequenza fc = B, e quindi interpolato con un interpolatore cardinale. Trovare l'espressione del segnale x(t) cos ottenuto e
tracciarne un grafico.
5.11 Calcolare la trasformata di Fourier X (f) della sequenza

16{~J n~4
x[n] =H

In I:S;3

n:S;-4
5.12 Determinare e rappresentare lo spettro della sequenza x[n] ottenuta
campionando con frequenza 1/T il segnale x(t) = sinc(Bt)sin(nEt) con
B:S;1/ T :s;2B. possibile ricostruire il segnale originario x(t) a partire
dai campioni della sequenza x[n]?

Segnali a tempo discreto

5.13 Il segnale x(t)

=e-lilla viene

287

campionato con frequenza di campionamento

fc = 1/ T. Disegnare gli spettri di ampiezza e fase della sequenza x[n] cos


ottenuta.
5.14 Dimostrarel'uguaglianza

a/T

k=-1 + j2n{f - ;)a

l
1- e-(~+j21if)T

5.15 Calcolare e rappresentare la somma di convoluzione z[n] tra le sequenze


x[n] = u[n+ 1]-u[n -2] e y[n] = u[n+2]- u[n-3].

-r-'l~

~ /T~
\

...
I

~ ~

---

'L ~ l-r~

\.

kt+(

'-

l-:>

)T{)

'\

( t-

f<1i) )

Segnali a tempo discreto

225

5.2 Rappresentazic~medei segnali aperiodici a tempo discreto nel


domini~ della frequenza
5.2.1 Trasformata di Fourier di una sequenza
Dai capitoli precedenti risulta chiara l'utilit della rappresentazione dei segnali
analogici nel dominio della frequenza, sia come strumento di analisi e di sintesi,
sia in congiunzione con lo studio dei sistemi lineari stazionari. Vogliamo ora
estendere la rappresentazione frequenziale anche ai segnali a tempo discreto, e
per far questo seguiremo un cammino inverso rispetto a quello percorso per i
segnali a tempo continuo: partiremo cio dalle sequenze aperiodiche. Gli aspetti
di carattere concettuale insiti alla rappresentazione dei segnali nel dominio
frequenziale restano i medesimi, e sono ormai patrimonio acquisito del lettore.
La rappresentazione di una sequenza aperiodica x[n] in campo frequenziale
analoga alla trasformata continua di Fourier di un segnale analogico aperiodico
(3.1.9) la trasformata di Fourier della sequenza x[n] definita da

X(F):!

L,x[n]

n=-

(5.2.1)

e-j21C11F

Questa trasformata evidentemente una funzione complessa della variabile F


che la cosiddetta frequenza normalizzata (si confronti con la (5.1.10)). La
stessa trasformata viene talvolta espressa in funzione di una pulsazione
normalizzata Q =2nF:

(5.2.2)

X(Q):! L,x[n] e-jnD.

n=-

Come vedremo pi avanti, la X(F) definita dall'equazione di analisi (5.2.1)


continua ad avere il significato di spettro del segnale dato, ma si differenzia
dalla familiare trasformata continua X(f) per segnali analogici in alcune
propriet. Osserviamo preliminarmente che la trasformata di una sequenza una
funzionepe!iE..dicain F di periodo 1:

X(F+l)=

= L,x[n]

n=-

L,x[n]e-j21C11(F+l)

n=-

e-j21C11F
= X(F)

= L,x[n]e-j21C11Fe-j21C11

n=-

(5.2.3)

Quindi X(F) completamente nota se noto il suo andamento in un intervallo

6
Sistemi monodimensionali a tempo discreto

--~
6.1 Caratterizzazione dei sistemi a tempo discreto
La maggior parte delle considerazioni che sono gi state fatte nel Paragrafo 4.1 a
proposito dei sistemi a tempo continuo possono essere ripetute per i sistemi a
tempodiscreto. Un sistema monodimensionale a tempo discreto un dispositivo,
un apparato, un programma per calcolatore che elabora una sequenza d'ingresso
x[n] e genera una sequenza di uscita y[n] (Figura 6.1). L'unica differenza
notevole dal punto di vista concettuale che -abbiamo introdotto rispetto al caso
del Paragrafo 4.1 la menzione esplicita di un programma per calcolatore.
Infatti, secondo la discussione del Paragrafo 5.1, i segnali a tempo discreto
possono essere elaborati da circuiti elettronici digitali programmabili
(microprocessori) il cui funzionamento regolato da un programma. Si pu
allora identificare il sistema che trasforma la sequenza d'ingresso in quella di
uscita con il solo programma del circuito, piuttosto che con l'insieme di
dispositivi e programma (hardware e software) che permette effettivamente di
realizzare l'elaborazione stessa.
x[n]

y[n]

Figura 6.1 Sistema monodimensionale a tempo discreto

Stanti le fot:ti analogie tra lo studio dei sistemi a tempo continuo gi svolto nel
Capitolo 4 e quello dei sistemi a tempo discreto, in questo paragrafo passeremo

290

Capitolo 6

brevemente in rassegna quelle definizioni e propriet che sono gi state discusse


in maniera dettagliata per i sistemi a tempo continuo, limitandoci a sottolineare
le (molte) similitudini e le (poche) diversit. Per maggiori dettagli e commenti
su queste propriet, rimandiamo il lettore al Paragrafo 4.1 relativo ai sistemi a
tempo continuo.
6.1.1 Propriet dei sistemi monodimensionali a tempo discreto
Identifichiamo dunque un sistema a tempo discreto con la trasformazione che
viene eseguita sull' eccitazione x[n] per fornire la risposta y[n]:
(6.1.1a)

y[ n] = 'T[ x[m ];n]

o anche, quando non si corre alcun rischio di ambiguit,


I

(6.1.1b)

y[ n] = 'T[ x[n]]

Un generico sistema monodimensionale a tempo discreto :


lineare se a esso applicabile il principio di sovrapposizione degli effetti, cio
se

(6.1.2)
comunque siano fissate le sequenze XI[n] e x2[n] e i coefficienti a e f3 della
loro combinazione lineare;

stazionario o invariante nel tempo se una traslazione della sequenza in ingresso

comporta una traslazione della stessa entit della sequenza di uscita, cio
(6.1.3)
I

per ogni valore del parametro intero no;


. causale se la sequenza di uscita all'istante generico n non dipende dai valori
assunti dalla sequenza di ingresso a istanti successivi a n:

!I
.!

y[n] ='T[x[m],m::;

n; n] = 'T[x[m]u[n - m]; n]

(6.1.4)

stabile secondo il criterio BIBO (Bounded-Input, Bounded-Output) se, per


qualunque sequenza d'ingresso a valori limitati, tale cio che
Ix[n]l::;K \In

si ottiene una sequenza di uscita a sua volta a valori limitati, cio


,
r

(6.1.5)

Sistemi monodimensionali a tempo discreto

291

(6.1.6)

istantaneo o senza memoria se la sequenza di uscita all'istante generico n


dipende solo dal valore assunto dalla sequenza di ingresso al medesimo istante:
y[n] = <J'[x[m],m

= n; n] = <J'[x[m]8[n - m]; n]

(6.1.7)

. invertibile se possibile trovare un secondo sistema <J'-I[.]tale che, per


qualunque segnale di ingresso x[n], si abbia
(6.1.8)

x[n] = <J'-l [y[nJ]

6.1.2 Sistemi lineari e stazionari a tempo d~eto


Rivolgiamo adesso la nostra attenzione alla classe dei~temi lineari e stazionari
(SLS) a tempo discreto. Come gi dimostrato nel Paragrafo 4.1 per i sistemi
analogici, un SLS a tempo discreto caratterizzato completamente dalla
conoscenza della risposta impulsiva h[n] definita dalla relazione
h[n]

(6.1.9)

= <J'[8[n]]

Infatti, nota h[n], la sequenza di uscita y[n] del sistema avente in ingresso la
sequenza x[n]

(6.1.10)
y[n] = <J'[x[ n]] = <J'[k~X[k]

8[n - k]]

dalla quale, per la propriet di linearit, si ricava

y[n]

(6.1.11)

= Lx[k]<J'[8[n-k]]

Per la stazionariet del sistema, poi, <J'[8[n - k]] = h[n- k] e la relazione precedente diviene

y[ n]

k=-

x[ k ] h[ n - k]

x[ n ] <8>

h[

n]

(6.1.12)

e cio la sequenza di uscita di un SLS la somma di convoluzione fra la sequenza di ingresso e la risposta impulsiva del sistema stesso.
Sulla falsariga di quanto visto per i sistemi analogici nel Paragrafo 4.2, possibile dimostrare che condizione necessaria e sufficiente per la stabilit in senso
BIBO di un SLS la assoluta sommabilit della sua risposta impulsiva:

292

Capitolo 6
+(6.1.13)

Llh[k]1 <-too

k;-oo

e che inoltre un SLS causale se e solo se la sua risposta impulsiva una


sequenza
h[n]

causale:

(6.1.14)

= h[n]u[n]

cio h[n] = O se n<O.


Esempio 6.1
'\
Consideriamo il sistema, detto filtro a media mobile, che effettua la seguente
trasformazione sulla sequenza di ingresso x[n]:

l
y[n]=-

(E6.1.I)

Lx[k]
N k=n-N+l

con N dato. Si pu verificare facilmente che tale sistema lineare per la linearit
dell' operazione di somma che lo definisce, ed anche stazionario. Infatti

'T

[x[ n -

no]]

L x[k N k=n-N+I

=-

no]

=-

n-fIo

L x[m ] = y[n -

N m=n-N+l-no

no]

(E6.1.2)

Prima di procedere nell'analisi del sistema, cerchiamo di capire il tipo di funzione svolta dallo stesso (e di giustificarne quindi il nome). La Figura 6.2a riassume, per il caso particolare N = 4, le operazioni che si devono compiere sul
segnale di ingresso per ottenere il valore y[n*] della sequenza di uscita al generico istante n * (nella figura, n* = 4). Secondo la relazione (E6.1.l ), il valore
y[n*] si ottiene come media aritmetica degli ultimi N valori della sequenza di
ingresso x[n], presi cio a partire dall'istante n * verso tempi decrescenti. Questi
campioni sono i quattro contenuti all'interno della "finestra" ombreggiata in
Figura 6.2a. Da questa descrizione e dalla figura si comprende anche che il sistema causale; nella Figura 6.2a pure messo in evidenza il meccanismo secondo il quale verr calcolato il valore dell'uscita (indicato a linea tratteggiata)
all'istante n * + l: la "finestra" di N campioni della sequenza d'ingresso viene
traslata di un passo in avanti (linea tratteggiata), e viene calcolata la media
aritmetica dei nuovi N campioni contenuti nella finestra stessa (media mobile).
Poich dunque il sistema lineare e anche stazionario, possibile calcolarne
la risposta impulsiva che, per definizione, data da

Sistell monodimensionali a tempo discreto

293

(E6.1.3)
Osservando che
n

u[n] =

(E6.1.4)

I8[k]

k=-oo

si pu riscrivere la (E6.1.3) nella forma

1
N (u[ n ] - u[ n - N])

h[ n] = -

(E6.1.5)

x[k]
I

r--------I
I

x[n*]
I

---------

-3

-2

-1

1 2

3 4

i+

1+1

y[n]

4
y[n*]
Q

------J
n*

n
(a)

h[n]

1/N

ffi-1

N N+1

Figura 6.2 Funzionamento (a) e risposta impulsiva (b) del filtro a media mobile

294

Capitolo 6

da cui si vede che la risposta impulsiva del filtro a media mobile l'impulso
rettangolare causale di ampiezza 1/N raffigurato in Figura 6.2b. Il lettore pu autonomamente ricalcolare l'andamento di h[n] senza usare la relazione (E6.1.4),
ma ricavando direttamente la risposta impulsiva attraverso il procedimento descritto nella Figura 6.2a.
O
Quando due SLS aventi risposte impulsive ~[n] e hz[n] sono connessi in
cascata o in parallelo, cio rispettivamente come nelle Figure 6.3a e 6.3b, le
relative risposte impulsive dei sistemi equivalenti sono date da
h[n]

= ~[n]

h[n] =

<8> hz

[n]

[n]+hz[n]

(sistemi in cascata)

(6.1.l5a)

(sistemi in parallelo)

(6.1.l5b)
nl

X[
h1[n]

h2[n]
I Wlnl.1

x[n]

(a)

I
,

h1[n]

I
h2[n]

I
(b)

Figura 6.3 Sistemi lineari e stazionari in cascata (a) e in parallelo (b)

6.1.3 Risposta in frequenza di un SLS


La definizione di risposta in frequenza di un SLS a tempo discreto stabile non
differisce apprezzabilmel).teda quella introdotta nel Paragrafo 4.2 cui si rimanda
per ulteriori dettagli. Dunque diremo che:
i) la risposta in frequenza di un SLS a tempo discreto la trasformata di Fourier
della risposta impulsiva h[n] del sistema stesso:
-+-

H(J)=

I,h[n]e-j21D1!T
n=-

ii) la risposta in frequenza H(J) il rapporto fra le trasformate f(J)

(6.1.16)
e

X(J)

Sistemi monodimensionali a tempo discreto

rispettivamente della sequenza di uscita y[n] e di quella d'ingresso

H(J) = ~(J)
X(J)

295

x[n]:

(6.1.17)

iii) la risposta in frequenza H(J) data dal rapporto fra la sequenza di uscita
y[n] e quella di ingresso x[n] quando x[n] una oscillazione complessa alla
frequenza f:
y[n]
H(J)

(6.1.18)

I
= x[nL[nJ=e}2xnJT

La dimostrazione dell'equivalenza fra le diverse es~ressioni della risposta in


frequenza di un SLS a tempo discreto lasciata allettfe per esercizio. Data la
risposta in frequenza H(J), definiamo anche per i sistemi a tempo discreto la
risposta in ampiezza

X(J) = IH(J)I

(6.1.19)

che permette di stabilire le caratteristiche di selettivit di un SLS, e la sua


risposta in fase

(f(J)= LH(J)

(6.1.20)

Esempio 6.2
Data la risposta in frequenza H(J) di un SLS, troviamo l'espressione del
segnale di uscita y[n] quando l'ingresso la sequenza periodica di periodo No
x[n]

= x[n

+ No]'

La sequenza data pu essere scomposta in serie discreta (antitrasformata) di


Fourier (5.5.2):
(E6.2.1)
cio come somma pesata (combinazione lineare) di No oscillazioni sinusoidali
complesse a tempo discreto alle frequenze h = k/(NoT), k = O,I,...,No-1.
Poich il sistema lineare, possiamo applicare il.principio di sovrapposizione
degli effetti, osservando che ciascuna di queste oscillazioni viene modificata dal
sistema in ampiezza e fase in ragione del valore della risposta in frequenza in

296

Capitolo 6

corrispondenza della rispettiva frequenza di oscillazione. L'espressione del


segnale d'uscita dunque
(E6.2.2)

cio la trasformata discreta di Fourier

~ del segnale d'uscita

y[n]

(E6.2.3)

D
La condizione di non distorsione gi enunciata nel Paragrafo 4.3 per i segnali a
tempo continuo viene riformulata come segue:
y[n]

=K

x[n - no]

(6.1.21)

ove K ed norappresentano rispettivamente il guadagno e il ritardo del sistema.


Nel dominio della frequenza, la condizione (6.1.21) si traduce nei due seguenti
requisiti rispettivamente per la risposta in ampiezza e la risposta in fase:

X(I) = K

(6.1.22a)
(6.1.22b)

Come gi precisato nel Paragrafo 4.3, sufficiente che le condizioni (6.1.22)


siano verificate nell'ambito della banda del segnale d'ingresso per garantire
assenza di distorsioni.
6.1.4 Filtri a tempo discreto
Il concetto di SLS selettivo in frequenza, o filtro, viene esteso direttamente al
caso dei sistemi a tempo discreto, con identica nomenc1atura. Naturalmente, le
caratteristiche di selettivit di un filtro a tempo discreto con risposta in frequenza
H(I) (che .una funzione periodica di periodo l/T) sono determinate dall'andamento della sua risposta in ampiezza IH(I)I in un solo periodo dellafunzione,
ad esempio nell'intervallo [-1/2T, 1/2T). Limitando l'analisi di IH(I)I a questo
intervallo di frequenze occorre tener conto del fatto che le "basse frequenze"
continuano a essere quelle prossime alla frequenza nulla, mentre le "alte fre-

Sistemi monodimensionali a tempo discreto

297

quenze" sOnOquelle prossime al limite superiore dell' intervallo, cio 1/2T.


Queste considerazioni giustificano la classificazione dei filtri ideali riportata in
Figura 6.4 per la quale si possono ripetere le stesse osservazioni esposte nella
classificazione dei sistemi analogici del Paragrafo 4.3, in particolare quelle riguardo la causalit.
RLP (I)

-B

-1/2T

-1/2T

1/2T I

-B

1/2T I
(b)

(a)
RBP(I)

BI-1/2T

-lo

B
1/2T

-1/2T

- lo

(c)

lo

1/2T f
(d)

Figura 6.4 Filtri ideali a tempo discreto: passa-basso (a); passa-alto (b); passa-banda (c);
elimina-banda (d)

Esempio 6.3
Riconsideriamo il filtro a media mobile dell'Esempio 6.1. La sua risposta
impulsiva
l

(E6.3.1)

h[ n ] = - (u[n] - u[n - Nn

e la sua risposta in frequenza quindi (si veda l'Esempio 5.2)


N-l

H(J)

= Lh[n]
n=O

e-j21C11rr
= e-j1r(N-l)rr sin(rcNfT)

(E6.3.2)

N sin( rcjT)

La risposta in ampiezza del filtro allora


IH(J)I =~

(E6.3.3)

N Sin(rcNfT)1
sin( rcjT)
I

che rappresentata in Figura 6.5, insieme alla relativa risposta in fase, nel caso

298

Capitolo 6

particolare N = 16. Si nota che IH(O)I = 1, mentre le componenti ad alte frequenze (cio in prossimit di f = 1/2T) sono sensibilmente attenuate rispetto a
questo valore. Il filtro deve quindi considerarsi un passa-basso. Questa caratteristica ulteriormente evidenziata dalla risposta in ampiezza in dB riportata in
Figura 6.6.
1.2

'

10

II

'
IN=161

, l'

ct
N 0.81N

-I

Q)

'5.
E 0.6
(\j

(\j 0.4
cn
o
a.
cn
0.2
0.0
-0.50

-0.25
Frequenza

1ao
'6

135

--.9

90

II"J

normalizzata,

0.50

fT
I

0.25

IN=161

45

Q)
cn

-45

(\j
cn
o
a.
cn

-90

-(\j

0.00

.135
-180
-0.50

-0.25
Frequenza

0.00
normalizzata,

0.25

0.50

fT

Figura 6.5 Risposta in ampiezza (a) e in fase (b) di un filtro a media mobile su 16 valori

Sistemi monodimensionali a tempo discreto

299

in

:s.

--

-5

II

-10

li
N
N
Q)
'5.

-15
-20

-25

.!:

-30

1
....
CI)
o
a.
CI)
a:

-35
-40
-45
-0.50

-0.25

0.00

Frequenza normalizzata,

0.50

0.25

fT

Figura 6.6 Risposta in ampiezza in dB del filtro di Figura 6.5

Il filtro a media mobile viene spesso utilizzato per eliminare le fluttuazioni


rapide di un segnale (cio per smussare il segnale) senza modificarne l'andamento generale di lungo termine. La Figura 6.7a mostra l'andamento dell'indice
della borsa Italiana MIB durante l'anno 1998. La sequenza dei valori dell'indice
MIB alla chiusura molto frastagliata; per eliminareTe fluttuazioni si pu usare
un filtro a media mobile con N

= 16

(cio quello appena considerato) ottenendo

la curva smussata di Figura 6.7b.

Esempio 6.4
Calcoliamo

la risposta impulsiva

dei filtri passa-basso

e passa-alto ideale a

tempo discreto di Figura 6.4a-b. La risposta in frequenza del passa-basso ideale


una funzione rect(.) periodicizzata con periodo frequenziale 11T:
-

HLP(J)=-

f-kIT
L
T'rect (
T k=2B
~

(E6.4.1)

per cui (si confronti anche con lo svolgimento dell'Esempio 5.7)


hLP[n]

= 2BTsinc(2Bt)lt=nT= 2BTsinc(2nBT)

Per quanto riguarda il filtro passa-alto, si ha:

(E6.4.2)

300

Capitolo 6

(E6.4.3)

e quindi
hHP[n]= o[n] - hLP[n]= o[n]

(E6.4.4)

- 2BTsinc(2nBT)

40000

(Ij
....
::J
(j)
::J

:E
c..>

!:C

30000

:2

f-

Q.)

<,

c..>

'5

c:

"
25000

20000
01-01-1998

01-04-1998

01-07-1998

01-10-1998

31-12-1998

Giorno

(a)

40000

35000
::J
(j)

.:!
c..>
!:C

30000

:2
I

Q.)
c..>

'C
c:

25000

20000
01-01-1998

01-04-1998

01-07-1998

Giorno

OHO-1998

31-12-1998

(b)

Figura 6.7 Andamento dell'indice Mffi nel 1998 senza (a) e con (b) filtraggio a media mobile

l'
I

Si noti che entrambe le risposte impulsive sono non nulle per n < O.

Dall'esempio precedente, e come gi anticipato nella discussione generale, si


nota che i filtri ideali non sono causali. Questa conclusione si pu trarre anche
dalla versione per segnali a tempo discreto del criterio di Paley-Wiener. Se la risposta in ampiezza del sistema a quadrato sommabile sul periodo-base, cio se
1/2T

fIH(f)j2 di <

(6.1.23)

00

-1/2T

e verifica la condizione

1/2T

flln[IH(f)I]1di <

(6.1.24)

00

-1/2T

allora esiste una funzione reale

8(J) = 8(J + 1/ T) per cui


(6.1.25)

rappresenta la risposta in frequenza di un sistema a tempo discreto causale.

Esempio 6.S
Consideriamo il sistema di Figura 6.8a in cuvk frequenza di campionamento
fc = 48 kHz; il segnale di ingresso inoltre
x(t)

= cos(21%t)

(E6.5.1)

con lo = 16 kHz. Determiniamo l'espressione del segnale d'uscita y[n] sapendo


che il sistema nonlineare (NL) a tempo discreto senza memoria ed caratterizzato dalla relazione ingresso-uscita z[n] = X2[n], e che la risposta impulsiva del
successivo filtro

(E6.5.2)
La sequenza in uscita al campionatore
x[n]

= cos(2nnIoT)

e, di conseguenza, la sequenza in uscita alla nonlinearit data da

(E6.5.3)

302

Capitolo 6

f
X(t~

~~[n]

o x[n] ~

NLj

-~

(a)

H(f)
1

...
-60

...
-48

-36

-12

z)
(b)

Figura 6.8 Sistema dell'Esempio 6.5 (a) e risposta in frequenza del relativo filtro h[n] (b)

z[n] = cos2 (2mrfoT) = !2 [1 + cos( 4rcnfoT)]

(E6.5.4)

La sequenza z[n] costituita dalla somma di una costante (componente continua) e di una oscillazione cosinusoidale a frequenza 210 = 32 kHz. La sequenza
y[n] in uscita al filtro h[n] quindi

!IH(2fo)
y[n] = !H(O)+
1 cos(4rcnfoT + LH(2fo))
2
2

(E6.5.5)

ove H(1) = .'F[h[n]] la risposta in frequenza del sistema a tempo discreto.


Dall'Esempio 6.4 si trova che h[n] la risposta impulsiva di un filtro passabasso ideale di banda B = 1/4T = 12 kHz la cui risposta in frequenza
rappresentata nella Figura 6.8b.
.
Si pu verificare immediatamente che H(O) = 1 e H(2fo) = O, per cui la
sequenza y[n]
1

y[n]= "2

(E6.5.6)

Sistemi monodimensionali a tempo discreto

303

6.2 Cambiamento della frequenza di campionamento


Molto spesso, nella pratica dell'elaborazione numerica dei segnali opportuno
cambiare in tempo reale la cadenza con cui i campioni di una sequenza vengono
elaborati. Se ad esempio si considera il campionamento di un segnale audio ad
alta qualit, sappiamo che la frequenza di campionamento le deve essere
maggiore di 40 kHz. Una frequenza standard per queste applicazioni infatti la
gi citata le = 48 kHz. Supponiamo che il segnale campionato a questa velocit
venga filtrato con un filtro numerico passa-basso ideale di banda B = 15 kHz,
come in Figura 6.9. chiaro che per questo nuovo segnale a banda ridotta la
cadenza di campionamento di 48 kHz originaria risulta in qualche modo
sovrabbondante. conveniente allora introdurre un opporJbno sistema per
cambiare (in questo caso, ridurre) la cadenza di campionamento della sequenza
z[n] in uscitadal filtro,ad esempiopassareda 48 a 32 kHz.La sequenzay[m] in
ingresso al convertitore D/A che chiude la catena di elaborazione pu allora
essere convertita con una frequenza

f: = 32

kHz, usando un convertitore D/A a

32 kHz pi semplice e meno costoso di uno alla frequenza originaria le = 48


kHz. Si noti che la variabile temporale delle sequenze x[.] e y[.] stata indicata
con due nomi diversi (rispettivamente n ed m), perch tali variabili devono
intendersi riferite a due diverse frequenze di campionamento.
x(t)

x[n]

z[n]

A/D
fc=48 kHz

Cambia
y[m]
Frequenza
Campionam.

f c=48kHz

f c'=32kHz

Figura 6.9 Cambiamento della frequenza di campionamento

Le operazioni principali di cambiamento della frequenza di campionamento le


possono essere ricondotte a una combinazione di due funzioni base, il sovracampionamento e il sottocampionamento. Tali funzioni, opportunamente combinate, consentono di modificare le secondo un fattore razionale arbitrario, in
modo da generare una nuova sequenza con cadenza

f: = (p / q) . le, p

e q interi.

6.2.1 Sovracampionamento con interpolazione numerica


L'aumento della cadenza di campionamento secondo un fattore intero M chiamato sovracampionamento ed rappresentato dal blocco illustrato nella Figura
6.lOa. Nell'operazione di sovracampionamento, anche quando non esplicitamente indicata, sempre compresa una funzione di interpolazione numerica. Per

304 Capitolo 6

capire la necessit di quest'ultima funzione scomponiamo il blocco sovracampionatore nei due componenti elementari della Figura 6.10b. Il blocco ZP
quello che materialmente effettua 1'aumento nella velocit di campionamento.
Dalla sequenza di ingresso x[n], avente frequenza di campionamento fc, viene
infatti prodotta la sequenza di uscita xzp[m] avente frequenza J: = M. fc, ovvero periodo di campionamento T' = T / M. La generazione di questa nuova sequenza viene effettuata mediante un' operazione di zero-padding, cio di riempimento con zeri, come esemplificato nella Figura 6.11, per M = 4. L'aumento
della frequenza di campionamento viene cio ottenuto mediante inserimento di
M -1 campioni nulli tra ciascuna coppia di campioni consecutivi nella sequenza
originaria x[n]:

x[n] m=n.M

xzp[m]=

(6.2.1)

{ O altrimenti
o, equivalentemente,
+00

(6.2.2)

xzp[m] = Lx[n]8[m - Mn]


n=-

nm~
f c'=M'f c
(a)

x[n]

..

ZP

- -

XZP[m]

y[m]

Hp (f)

fc

fc
(b)

Figura

6.10 Rappresentazione simbolica (a) e realizzazione (b) del sovracampionatore con


interpolazione

interessante calcolare la trasformata di Fourier della sequenza sovracampionata, che va ovviamente riferita" alla nuova frequenza di campionamento
J:=M.fc:

Sistemi monodimensionali a tempo discreto

305

Xzp(f)

~>zp[m]

(6.2.3)

e-j2mnfT'

Se si osserva che xzp[m] diversa da zero solo per m = M. n (nel qual caso
xzp[m] = x[n]) e che T' = T / M, la (6.2.3) diventa

XZp

(f)

x[ n]e - j2m11'!fTI M =
n=-oo

L x[ n ]e - j21D1fT=

(6.2.4)

X (f)

cio le trasfonnate delle sequenze x[n] e xzp[m] sono identiche!

x[n]

n
M=4

12

16

Figura 6.11 Riempimento con zeri e sovracampionamento

Questo risultato solo apparentemente paradossale. Infatti le trasfonnate Xzp(f)


e X(f) sono uguali per ogni valore della frequenza, ma presentano una differenza fondamentale, evidenziata nella Figura 6.12 per M = 4: il periodo-base di
Xzp(f) l'intervallo [-1/2T',l/2T'] che, rispetto al corrispondente periodobase [-l/2T,l/2T]
di X(f), M volte pi grande. Ci significa che elaborando xzp[m] con un filtro numerico, cio proprio con il secondo blocco dello
schema di Figura 6.lOb, si possono modificare tutte le componenti frequenziali
appartenenti all 'intervallo [-1/ 2T', 1/ 2T']. Se invece elaboriamo direttamente
con un filtro numerico la sequenza originaria'x[n] possiamo agire soltanto sulle
sue componenti frequenziali relative all'intervallo [-l/2T,l/2T].

306

Capitolo 6

/\

f\

/\ /\, I~(:) /\ /\ A /\
2T

--

2T

2T

2T

f)

,A /\ A/\.

/\A/\ A,
M
T

M
2T

M
T

M
2T

P.(Q,

-- 1 -- 1
T
2T

M
T

M
2T

1
2T

1
T

M
2T

M
T

M
T

1
2T

Y(f)

1
2T

M
T

\
Figura 6.12 Trasformate della sequenza x[m] d'ingresso (a) e della sequenza riempita con zeri
xzp[m] (b); risposta in frequenza del filtro interpolatore (c) e trasformata della
sequenza sovracampionata d'uscita y[m] (d).

Al blocco ZP della Figura 6.lOb si fa quindi seguire un Ii/tro passa-basso ideale


Hp (f) , avente banda B = 1I2T = 1I(2MT') e guadagno in continua H/O) =M.
Questo filtro, la cui risposta in frequenza illustrata nella Figura 6.12c, opera

I:

alla frequenza di campionamento


e ha una funzione ben precisa, che risulta
chiara esaminando 1'andamento della trasformata Y (f) della sequenza di uscita
y[m] mostrato nella Figura 6.12d. Si nota che il filtro ha cancellato alcune

Sistemi monodimensionali a tempo discreto

307

immagini viciniori presenti nello spettro Xzp(f). Questo spettro identico a


quello che si sarebbe ottenuto campionando direttamente il segnale analogico
x(t) di partenza con la frequenza di campionamento t:!
Il filtro passa-basso ideale chiamato filtro interpolatore. Non si deve confondere questo filtro numerico passa-basso con l'interpolatore, introdotto nel
Paragrafo 5.1, che permette di ricostruire un segnale analogico a partire da una
sequenza di campioni. Il nome di filtro interpolatore , tuttavia, di uso comune
per le ragioni seguenti. Se indichiamo con hp[m] la risposta impulsiva del filtro
H/f), l'espressione del segnale sovracampionato y[m] (vedi la (6.2.2))
+00

y[m]

= xzp[m] @ hp[m] = Lx[n]8[m

- Mn] @ hp[m]

+00

(6.2.5)

hp[m - Mn]

= Lx[n]

Questa relazione formalmente analoga alla (5.4.9) che riassume l'elaborazione


del segnale compiuta dall'interpolatore propriamente detto.
La funzione di interpolatore svolta dal filtro digitale diviene ancora pi chiara
se si osserva che la risposta impulsiva hp[m] del filtro passa-basso ideale avente
banda 1/(2MT') e guadagno M
(6.2.6)

hp[m] = sinc(mj M)
Sostituendo allora la (6.2.6) nella (6.2.5) si trova

+00

y[m]

= n~

X[n]Sinc( m ~Mn)

(6.2.7\

che ricorda la formula di interpolazione cardinale (5.4.21). La sequenza y[m] ,


quindi, una versione interpolata del segnale xzp[m]. In tale versione i campioni
nulli deliberatameIite introdotti vengono sostituiti da campioni interpolati che
assicurano una maggiore "regolarit" del segnale sovracampionato, come illustrato nella Figura 6.13.
Esempio 6.6
Il segnale
(E6.6.1)

308

Capitolo 6

12

16

12

16

t y[m]
o

Figura 6.13 Interpolazione numerica

viene elaborato dai due sistemi illustrati in Figura 6.14, in entrambi i quali la
frequenza di campionamento iniziale fs = l/T. Le risposte impulsive dei filtri
sono

h(t) = ;sinc(~).

~(t)= ~sinc(~)

(E6.6.2)

Determiniamo e rappresentiamo gli spettri dei segnali z(t) e Zl(t) e stabiliamo


quale di questi ultimi presenta minore distorsione rispetto al segnale x(t).
Cominciamo col considerare la trasformata di Fourier del segnale x(t):
X(f)

= 2T(I- 2IfIT)rect(jT)

la trasformata X(j)
dunque

(E6.6.3)

della sequen,za x[n] ottenuta per campionamento sar

Sistemi monodimensionaIi a tempo discreto

X(~/
Xln]~

1fT

~~

y[m].~~
2fT
(a)

x(~/
1fT Xln], HOLD

309

z(t)

r~

.z,(t)

(b)
Figura 6.14 - Esempio di sovracampionamento
-

X(J ) =-

k
1 ~ ..i X f-T k=T

( )

(E6.6.4)

il cui andamento illustrato nella Figura 6.15a. La teoria del sovracampionamento appena sviluppata ci dice che il dispositivo di sovracampionamento della
Figura 6.14 cancella dallo spettro di x[n] tutte le immagini di X(J) poste a cavallo dei multipli dispari della frequenza l/T. La trasformata f(J) della sequenza y[m] sar quella illustrata in Figura 6.15b la cui espressione

f(J)=!

f X( - 2kT )
T
f

(E6.6.5)

k=-

A questo punto immediato ricavare la trasformata del segnale interpolato q(t):

Q(J) = f(J) ~ sinc( ~}-j1ifT/2

(E6.6.6)

ove si tenuto conto che l'impulso di interpolazione rettangolare di durata pari


a T/2 (si ricordi che questo interpolatore opera a frequenza di campionamento
2/T). Inoltre, il filtro della Figura 6.14a ha risposta in frequenza

H(J) = 2rect L
2/T )

(E6.6.7)

e cancella tutte le immagini di f(J) (vedi la (E6.6.6)). Lo spettro del segnale


z(t) all'uscita del sistema della Figura 6.14a allora

310

Capitolo 6

Z(I)

= Q(I)H(I) = ~ X(I) TSinc(~}-j1!fT/2


(E6.6.8)

= X(I) sinc( ~}-j1!fT/2

XCI)

-2fT

-1/2T

1/2T

2fT
(a)

+
Y(!)

-2fT

-1/2T

1/2T

2fT
(b)

Figura 6.15 Spettri delle sequenze x[n] (a) e y[m] (b) dell'Esempio 6.6

Dunque, il sistema della Figura 6.14a introduce una distorsione di ampiezza sul
segnale x(t).
La trasformata del segnale interpolato ql(t) invece
\
(E6.6.9)

poich stavolta l'impulso-base dell'interpolatore a mantenimento un impulso


rettangolare avente durata T. Il filtro della Figura 6.14b ha risposta in frequenza
HI (I)

= rect(fT)

(E6.6.1O)

e cancella i contributi di tutte le immagini in )((1). Lo spettro del segnale z\(t)


all'uscita del sistema della Figura 6.14b allora

In analogia con quanto accade con il primo sistema, anche il secondo sistema
introduce solo una distorsione di ampiezza. Se per si considera la Figura 6.16,

Sistemi monodimensionali a tempo discreto

311

che rappresenta le due situazioni a confronto, si nota che la distorsione sperimentata nel sistema di Figura 6.l4a (e rappresentata in Figura 6.l6a) evidentemente minore che nel caso della 6.l4b poich la trasformata dell'impulso dell'interpolatore ha un lobo principale pi "largo" che distorce in misura minore.
La minore distorsione evidentemente un effetto benefico del sovracampionamento. Chiaramente, con fattori di sovracampionamento ancora pi grandi sarebbe possibile ridurre maggiormente l'effetto distorcente dell'interpolatore. D
Esempio 6.7
Un lettore di Compact Disc (CD) ricostruisce il segnale analogico da inviare
all'amplificatore audio di ptenza a partire dalla sequenza di campioni x[n] che
stata riletta dal disco medesimo. Come sappiamo, il campionamento in fase di
registrazione (si veda l'Esempio 1.1) avviene alla frequenza fc = 44.1 kHz in
modo da rispettare con un certo margine la condizione di Nyquist relativamente
alla banda del segnale B

= 20

kHz. Molti dei lettori comunemente in commercio

usano un circuito di sovracampionamento e interpolazione per meglio effettuare


la conversione del segnale da numerico ad analogico.

====-2fT,/'

"-,
-1/2T

1/2T

;---.

2fT

(a)

-2fT

-1/2T

1/2T

2fT

(b)

Figura 6.16 Costruzione degli spettri di ampiezza dei segnali z(t) (a) e Z,(t) (b) dell'Esempio
6.6

Se si utilizzasse direttamente, per l'operazione di conversione, un convertitore


D/A (e, quindi, un interpolatore a mantenimento) operante a 44.1 kHz, si verifi-

312

Capitolo 6

cherebbe la situazione rappresentata nella Figura 6.17a. Le immagini presenti


nello spettro del segnale audio numerico sarebbero molto vicine alle componenti
utili dello spettro e il filtro analogico anti-immagine HAf(f), presente necessariamente all'uscita del D/A (si ricordi la Figura 5.22), dovrebbe avere una risposta in ampiezza con una transizione estremamente ripida nella banda
[B,l/T-B], cio 20 kHz-24.l kHz per ben cancellare le immagini. Sfortunatamente, un filtro con queste caratteristiche di selettivit (ad esempio un filtro
passivo con molti poli) presenta anche una risposta in fase estremamente non
lineare non solo nella banda di transizione ma anche in un intervallo di frequenze utili vicine 20 kHz. Questo comporterebbe un' apprezzabile disforsione di
fase del segnale e un' inaccettabile perdita di qualit per l'ascoltatore.
Usando un circuito di sovracampionamento e interpolazione numerica (fattori
tipici di sovracampionamento

sono M

=4

o 8) si possono invece gi allonta-

nare (reiettare) le prime immagini con l'interpolazione digitale, come illustrato


nella Figura 6.17b. Il filtraggio anti-immagine analogico quindi molto
semplificato, nel senso. che la zona di transizione dalla banda utile alla banda
soppressa nella risposta in ampiezza del filtro molto pi ampia e le distorsioni
di fase sono molto pi limitate. Inoltre, la distorsione di ampiezza dovuta al
convertitore D/A pure ridotta, secondo il meccanismo visto nell'Esempio 6.6.
O
6.2.2 Decimazione o sottocampionamento
L'operazione duale del sovracampionamento la decimazione rappresentata in
Figura 6.l8a-b. La sequenza in uscita y[m] al decimatore stavolta
caratterizzata da una frequenza di campionamento f; = l/T' = fc / M ed
ottenuta dalla sequenza di ingresso x[n], a frequenza fc = l/T, come segue:

I
Il

I
I

y[m]

(6.2.8)

= x[M. m]

In pratica, si seleziona un campione di x[n] ogni M (si "decimano" i campioni),


e necessariamente si aumenta di un fattore M l'intervallo di campionamento:
T' = MT.
La trasformata Y(f) della sequenza decimata sar dunque
+00

Y(f)

= Ly[m]

+00

e-j2m1JjT'
= Lx[Mm]
IlJ;:;-CQ

e-j2m1JjMT

(6.2.9)

Sistemi monodimensionali

313

a tempo discreto

1.8
1.6

fc=44.1

kHz

60

80

1.4
X(f)
1.2
I HAI(f)I
"'.~-\
'-',
\
\. ,

I::: 1.0
S 0.8
<X

.....
""-

i\

0.6

l''''

I \.

:,

0.4

I
I
I

0.2

"\

...
.

0.0
-0.2
-100

-80

-60

-40

-20

Frequenza

20

40

100

(kHz)

(a)

1B
1

M=4, fc'=176.4 kHz

1.4

Y(f)

12
I HAI'(f)I

, - --

I:::
SM
<X

''''''::':::::"~"~I
"""

; "'''"

./i

Q6
Q4

-0.2
-200

"~""""
, ,

-150

'I

,
,

"

,I
-100

I sinc(fT') I

"';"'",;:

"""",,"""':,

.,..,

Q2
QO

l..>..""""""'"

\\

\
""'..\

50

Frequenza

(kHz)

-50

...............

"'"
""'"

l,
\"
"

""".
'...
"j

100

150

200

(b)

Figura 6.17 Filtraggio anti-immagine senza (a) e con (b) sovracampionamento e interpolazione

D'altronde, il campione x[Mm] pu essere inteso come integrale di Fourier


secondo la formula di antitrasformazione (5.2.7):

314

Capitolo 6

1/2T

+00

= -1/2T X(v)T

(6.2.10)

,~>-j2ro\1m(f-V)T
dv

m=-

ove l'antitrasformazione usa come di consueto la variabile "muta" v distinta


dalla variabile f della trasformata. La serie di funzioni esponenziali a secondo
membro pu ora essere riscritta attraverso una formula di Poisson come un
pettine difunzioni o:
1/2T

Y(f)=

+00

J X(v) k=L O(f-v--1/2T

f+l/2T

J X(f-a)
f-1/2T

+00

LO a--

k=-

k
MT

k
MT

)dv

)da

(6.2.11)

avendodefinito,per semplificarela formula,la variabile a = f - v.


x[n]

--..

fe

y[m~
fe':f

e/M
(a)

t x[n]
o

12

16

y [m]

I
o

(b)

Figura 6.18 Simbolo (a) e funzione (b) di decimazione

Osserviamo che la funzione integranda della (6.2.11) periodica nella variabile

a di periodo l/T e l'intervallo di integrazione ha ampiezza pari a un periodo.

Sistemi monodimensionali a tempo discreto

315

Ne segue che il risultato dell'operazione di integrazione indipendente dalla


posizione del periodo di integrazione, cio dal valore della variabile f.
Scegliamo dunque per semplicit l'intervallo di integrazione [O,l/T), e
osserviamo che le uniche funzioni 8 il cui punto di applicazione appartiene a
questo intervallo sono quelle corrispondenti ai valori k = 0,1,.. .,M -1 (si veda
la Figura 6.19). Applicando la propriet campionatrice della funzione 8 si pu
quindi concludere che
~

M-l

f(f)= k=O
LX f--

k
MT

M-l

= k=O
LX(J-k'f:)

(6.2.12)

Si ottiene una somma di M repliche della trasformata della sequenza originaria,


ciascuna traslata rispetto alla precedente di una quantit pari alla frequenza di
campionamento "di uscita"

~a-k/MT)

f: =1/ MT.

k=O 1

M-1

Figura 6.19 Integrazione del pettine di 8 della relazione (6.2.11)

La conclusione di questo calcolo che l'operazione di decimazione pu comportare un fenomeno analogo a quello dell' aliasing nel campionamento di un segnale analogico (si confronti la (6.2.12) con la (5.4.7. Infatti se la sequenza
x[n] ha una banda B ~ 1/(2MT) (come nella Figura 6.20a) nello spettro f(f)
non si verifica alcuna sovrapposizione fra le repliche spettrali di X(J) (Figura
6.20b). Viceversa, se questa condizione (analoga alla condizione di Nyquist per
il campionamento dei segnali analogici) non verificata, si produce aliasing e lo
spettro della sequenza decimata, nel suo proprio intervallo-base [- fc' /2,fc' /2]
diverso da quello della sequenza originaria. Per questa ragione importante che
l'operazione di decimazione sia preceduta da un filtraggio numerico passa-basso
anti-aliasing che limiti la banda della sequenza x[n] a un valore minore del
limite 1/(2MT) .

316

Capitolo 6

M=4

f\

,(

2MT

2MT

f\

r
..

V(f)

M
T

M
2T

M
2T

M
T

Figura 6.20 Decimazione senza aliasing

Esempio 6.8
Descriviamo adesso uno schema per la conversione alla nuova frequenza di
campionamento f: =32 kHz di un segnale audio campionato a frequenza
fc = 48 kHz. Osserviamo preliminarmente che le due frequenze stanno in un
rapporto razionale, cosicch il problema risolubile con le tecniche appena viste. In particolare, poich 1:1fc = 2/3, necessario disporre in cascata un sovracampionatore/interpolatore di un fattore 2 (che innalza la frequenza di campionamento a 96 kHz) seguito da un decimatore di un fattore 3 (che la riduce ai
32 kHz richiesti), come indicato nella Figura 6.2la. La realizzazione del sistema
richiede, per quanto detto nei paragrafi precedenti, l'impiego di un filtro interpolatore (nel sovracampionatore) e di un filtro anti-aliasing (nel decimatore). Sia il
primo che il secondo filtro devono essere dei passa-basso ideali aventi rispettivamente

banda

Bl

= 20

kHz e banda

B2

= 15 kHz.

Poich i due si trovano diret-

tamente in cascata, il primo dei due (avente banda pi larga) risulta evidentemente inutile. La disposizione finale del sistema quindi quella di Figura 6.2lb,
in cui
h[p] = ~sinc

5P

(16 )

(E6.8.l)

Sistemi monodimensionali a tempo discreto

t2

x[n]
----.
le

z[p]

317

y[m]

! 3

I c'=1'/3=

I c"=2.1
c

=2.1c /3
(a)

ZP

h[p]
I

f"

-I ~

~m]-

Figura 6.21 Cambiamento della frequenza di campionamento da 48 a 32 kHz

o
6.3 Cenni alla trasformata Z di una sequenza
6.3.1 Definizione di trasformata Z e zone di convergenza
Le sequenze a energia illimitata non possiedono in generale trasformata di
Fourier in senso ordinario, poich la serie (5.2.5) usualmente non convergente.
In stretta analogia a quanto rapidamente accennato nel Paragrafo 3.6 relativamente alla trasformata di Laplace per segnali a tempo continuo, si introduce in
questi casi la sequenza

x[n]=x[n]-(~J

'

(6.3.1)

r>O

che, contrariamente alla sequenza originaria, tende rapidamente a zero quando


n ~ 00. Ad esempio, la sequenza x[n] = u[n] non ammette trasformata di
Fourier ordinaria, mentre la x[n] definita come sopra
esponenziale smorzata che ammette trasformata se r > 1.

una sequenza

Calcoliamo ora la trasformata della nuova sequenza "smorzata" x[n]:


~

X(f)

= Lx[n]

e-j21C11jr
= Lx[n]

r-"e-j21C11jr
= Lx[n]

(rej2rrfTr"

(6.3.2)

In analogia con il procedimento che porta dalla trasformata di Founer a quella di


Laplace, possiamo anche qui definire un'unica variabile complessa espressa in
forma polare come segue:

318

Capitolo 6

z~rej2rrjT

r=lzl;:::O

-7r<L.z:::;7r

=} -~:::; f <~
2T

2T

(6.3.3)

e interpretare poi la trasformata di Fourier della sequenza "modificata" x[n]


come una diversa trasformata del segnale originario x[n] dipendente appunto
dalla variabile complessa z = rej2rrjT:

X(z) =Z[x[n]]~

(6.3.4)

L,x[n] Z-n

Questa relazione definisce la trasformata Z bilatera della sequenza x[n]. La


differenza principale rispetto alla trasformata di Fourier sta evidentemente nel
fatto che questa trasformata esiste in senso ordinario anche in molti casi in cui la
trasformata di Fourier della sequenza originaria non esiste. Per il segnale gradino
abbiamo infatti

X(z)

= X(f) = n=~
L,x[n] e-j2rrn!T
= L,u[n]
n=O

1
1
= l-r -Ie]- "2rrjT
= l-z :(

, r = Izi> 1

r-ne-j2rrn!T
= L, (r-'e-j2rrjTf
n=O

(6.3.5)

chiaro dunque che la sequenza gradino unitario ammette trasformata Z ordinaria e che questa U(z) = 1/(1- Z-I). Altrettanto chiaro dalla breve discussione
sul ruolo del "parametro di smorzamento" r =1z I che tale risultato deve intendersi valido solo per particolari valori di r, in questo caso r > O. Se ad esempio
consideriamo la sequenza x[n] = anu[n], a> 1, il minimo valore di r che garantisce smorzamento sufficiente stavolta r = a, e dunque la trasformata sar valida solo se Iz I> a. Una relazione di questo tipo identifica una zona del piano
complesso della variabile z in cui la trasformata Z esiste, in cui cio la serie
nella (6.3.5) convergente.
Dal punto di vista squisitamente matematico, l'espressione (6.3.4) della trasformata Z rappresenta una serie di potenze o serie di Taylor-Laurent di variabile complessa. Come abbiamo anticipato con considerazioni euristiche, la serie
di Laurent converge in un dominio del piano complesso descritto dalla relazione
(6.3.6)
ove R, ed lS sono i cosiddetti raggi di convergenza e dipendono dalla
particolare sequenza x[n] di cui si cerca la trasformata. Pu accadere in
particolare che si abbia Rl = O e/o ~ = +00.

Sistemi monodimensionali a tempo discreto

319

Esempio 6.9
Calcoliamo la trasformata Z della sequenza
x[n]

(E6.9.l)

= a"u[n]

rappresentata in Figura 6.22. Applicando la definizione (6.3.4) si ha


-+<>o

X(z)

-+<>o

-+<>o

(E6.9.2)

= La"u[n]z-" = n=O
La" z-" = "=0
L (az-T
1.2

1.0

0.8

C
's'
c:
I
Il

C
X

0.6

0.4

0.2

0.0

-5

10

15

20

25

n
Figura 6.22 Sequenza dell'Esempio 6.9

La serie a secondo membro una serie geometrica di ragione az-l. Affinch


questa converga necessario che la sua ragione sia in modulo minore di 1, che si
abbia cio Izl> lal. Sotto questa ipotesi la trasformata cercata
1
X(z) = -az

(E6.9.3)

La zona di convergenza Izl> laldi X(z) rappresentata in Figura 6.23 quando a


un numero reale positivo. Nel caso particolare a =1, si ottiene la sequenza
gradino unitario

x[n]= u[n]
la cui trasformataZ ricavabile come caso particolare dalla (E6.9.3):

(E6.9.4)

320

Capitolo 6

X(z) =

_
1 -z

(E6.9.5)

-I

con zona di convergenza Izi> 1, come gi ricavato dalla discussione preliminare


alla definizione di trasformata.
D

S[z]

Zona di
convergenza

a ~ [z]

I
Figura 6.23 Zona di convergenza della trasformata dell'Esempio 6.9

Esempio 6.10

Calcoliamola trasformataZ della sequenza


(E6:1O.l)

y[n] = -anu[-n-l]
rappresentatain Figura 6.24. Applicando la definizione (6.3.4) si ha

Y(z)=-

Lanu[-n-l]z-n

n=-

~-

=- Lan z-n =- L(a-Iz)"


n=-oo

n=I

(E6.1O.2)

Di nuovo, la serie a secondo membro della (E6.l0.2) una serie geometrica di


ragione a-Iz. Se la ragione in modulo minore di uno, cio se Izl< lal, la serie
convergente, e la trasformata cercata
1
1-az- -I

(E6.1O.3)

cio esattamente identica a quella della sequenza (completamente differente)

Sistemi monodimensionali a tempo discreto

321

dell'Esempio 6.9! La zona di convergenza, rappresentata in Figura 6.25, per


Izi< lal, cio esattamente complementare a quella dell'esempio precedente.
0.0

c,

T""
..!...
:J
c:
CtS
I
Il

-0.5

-1.0

-1.5

-2.0

-2.5

-3.0

-3.5 I-4.0
-25

la=1.051
I

-20

-15

-10

-5

n
Figura 6.24 Sequenza dell'Esempio 6.10

g[z]

Zona di
convergenza

a
9\ [z]

Figura 6.25 Zona di convergenza della trasformata dell'Esempio 6.10

I due esempi appena visti indicano alcune propriet generali della trasformata Z
bilatera. Come chiaro, assegnata una trasformata X(z) non in generale

322

Capitolo 6

possibile risalire univocamente alla sequenza x[n] se non si specifica la zona di


convergenza. Le sequenze dei due esempi sono infatti differenti, ma possiedono
la stessa trasformata, ovviamente con differenti zone di convergenza. I due
esempi sono stati scelti perch casi particolari di tendenze generali. Infatti, le
sequenze causali (o comunque destre, cio semiinfinite verso destra), come
quella dell'Esempio 6.9, hanno in generale zone di convergenza date dalla parte
di piano esterna a una circonferenza. Viceversa, sequenze anticausali (diverse
da zero solo per n < O, o comunque sinistre) hanno come zona di convergenza
un cerchio con centro nell'origine.
Esempio

6.11

Calcoliamo la trasformata Z della sequenza


(E6.11.1)
di Figura 6.26. Essa costituita dalla somma di una sequenza anticausale e di
una causale analoghe a quelle degli Esempi 6.9-6.10. Possiamo dunque
concludere immediatamente che
(E6.11.2)
nell'ipotesi che esista una zona di convergenza. Infatti la zona di convergenza
individuata dalla intersezione fra le regioni di convergenza della parte causale e
di quella anticausale di w[n]. La zona di convergenza allora
lal < Izi < Ibl

(E6.11.3)

ma solo se questa espressione ha senso, cio se lal < Ibl, come in Figura 6.27, e
come nell'esempio
numerico della Figura 6.26; se viceversa lal ~ Ibl la

trasformata Z non esiste, perch non esiste nessuna zona del piano

entrambii terminidi w[n]dannoluogoa serieconvergenti.

z in

cui

Cos come succede per la trasformata di Laplace, si definisce anche una


versione monolatera della trasformata Z:
~

X(z)

= n=O
L x[n]z-n

(6.3.6)

Sistemi monodimensionali a tempo discreto

323

C
'S'

ro
.:t.
..-I

Il

-2

c:
...!.... -1
c::J
.cI

..

:!I':

-20

I
-10

a=0.8
Ib=1.0sl
10

20

n
Figura 6.26 Sequenza dell'Esempio 6.11

3[z]
Zona di
convergenza.

Figura 6.27 Zona di convergenza della trasformata dell'Esempio 6.11

che coincide con la trasformata bilatera gi definita quando le sequenze sono


causali. Nel caso di sequenze causali peraltro, la questione delle zone di
convergenza si semplifica, come testimonia il seguente esempio.

324

Capitolo 6

Esempio 6.12
Calcoliamo la trasfonnata Z della sequenza causale

(E6.12.1)

c[n] = a"u[n]+b"u[n]

La sequenza c[n] costituita dalla somma di due sequenze esponenziali causali


e quindi la trasfonnata cercata , come nell'esempio precedente,
(E6.12.2)
In questo caso la zona di convergenza esiste certamente. Infatti l'intersezione fra
le regioni di convergenza delle trasfonnate Z delle due componenti causali di
c[n] infatti pari a
(E6.12.3)

Izl> max(lal, Ibl)

ed rappresentata nella Figura 6.28 per a e b reali positivi, b> a.

3[z]

Zona di
convergenza

b 9[z]

Figura 6.28 Zona di convergenza della trasformata nell'Esempio 6.12

6.3.2 Relazione con la trasformata di Fourier


Confrontiamo le espressioni della trasformata di Fourier X (f)
trasfonnata Z X(z) di una stessa sequenza x[n]:

e della

Sistemi monodimensionali a tempo discreto

X(z)

= Lx[n]z-n

325

, X(f) = Lx[n]e-j2nnjT= Lx[n](e-j21!fT)n

(6.3.7)

chiaro che, formalmente, si pu ottenere la trasformata di Fourier dalla


conoscenza della trasformata Z semplicemente ponendo

X(f)

(6.3.8)

= X(z)I,=ej2>iff

Questo significa valutare la X(z) in tutti i punti del piano della variabile z che si
trovano

sulla circonferenza

di raggio

unitario

Izl = 1. Quando la frequenza

varia infatti tra -1/ 2T e 1/ 2T, la quantit ej21!fT


"percorre" tale luogo geometrico a partire dal punto -1 + jO, per ritomarvi dopo una intera rotazione in
senso antiorario. Riguardo a questo punto, per, bisogna fare considerazioni
simili a quelle viste nel Paragrafo 3.6 a proposito della relazione fra trasformata
di Laplacee di Fouriera tempocontinuo.Affinchla relazione X(f) = X(ej21!fT)
abbia senso, ci si deve assicurare che la circonferenza Izi= 1 sia interamente
contenuta nella zona di convergenza di X(z), come mostra la Figura 6.29, altrimenti la (6.3.8) non applicabile.
5[z]
Zona di
convergenza

9[z]

Figura 6.29 Estrazione, quando lecito, della trasformata di Fourier dalla trasformata Z

326

Capitolo 6

6.3.3 Inversione della trasformata Z


Qual la relazione che permette di ricostruire una sequenza x[n] a partire dall'espressione della sua trasformata Z X(z)? Il problema equivalente
I a quello
della ricostruzione di coefficienti della serie di Taylor-Laurent (6.3.4) nota la
somma della serie stessa. Questi coefficienti possono essere ricavati attraverso il
teorema di Cauchy applicato alla funzione di variabile complessa zn-I. Se
consideriamo un cammino di integrazione chiuso che circonda il punto z =O (ad
esempio, la circonferenza 1z 1=1) percorso in senso antiorario, il teorema di
Cauchy stabilisce che

~,(zn-ldZ = 8[n]
21rjj

(6.3.9)

Infatti, la funzione zn-I ha un polo nel punto z = O per n ~ O, ma l'unico caso in


cui il residuo in questo polo diverso da zero (e pari a 1) quello in cui n =O.
Consideriamo allora la seguente espressione:
(6.3.10)
ove l'integrale calcolato lungo un cammino chiuso che circonda l'origine,
percorso in senso antiorario e appartenente alla zona di convergenza della
funzione X(z). Se sostituiamo a X(z) l'espressione (6.3.4) si ottiene

~fX(z)
27rJ

zn-Idz= ~f
fx[k] z-kzn-Idz= k=fx[k] ~fzn-I-kdz
27rJ k=27rJ

= LX[k]8[n-k]=x[n]

(6.3.11)

k=-

Riassumiamo quindi la relazione (di Cauchy-Riemann) per la antitrasformazione


della trasformata Z:
(6.3.12)
L'importanza di questa relazione si rivela pi teorica che pratica, per la difficile
valutazione dell'integrale sul piano complesso.
6.3.4 Propriet della trasformata Z
Dalla definizione (6.3.4) segue immediatamente che l'operazione di trasformata
Z gode della propriet di linearit. Enunciamo adesso e dimostriamo alcune

Sistemi monodimensionali a tempo discreto

327

ulteriori propriet salienti di cui gode tale trasformata.


Teorema del ritardo

X(z), la trasformata della sequenza

Data una sequenza x[n] con trasformat\Z


ritardata di no passi data da
+00

Lx[n

+00

-no] z-n = Lx[n]


n=-00

+00

z-(n+no)= Z-noLx[n]

(6.3.13)

Z-n = Z-noX(Z)

n =-00

La zona di convergenza della sequenza x[n] e della sequenza x[n - no] coincidono a meno, eventualmente, dell'origine (se no> O) e del punto all'infinito (se
no < O).
Esempio 6.13
La trasformata Z della sequenza 8[n] data da ~(z)=l e la sua zona di
convergenza tutto il piano complesso. In virt del teorema del ritardo, la
trasformata Z della sequenza 8[n-l] allora Z-I ~(z)= Z-I e la sua zona di
convergenza costituita da tutto il piano complesso esclusa l'origine.
Analogamente,

la trasformata

Z della sequenza

8[ n + 1] data da z ~(z)

=z e

la

sua zona di convergenza costituita da tutto il piano complesso escluso il punto


all'infinito.
O
. Teorema della moltiplicazione per il tempo
Data una sequenza x[n] con trasformataZ X(z), la trasformata della sequenza
n.x[n) data da

Z[n. x[n])= In. x[n]Z-n= - z Ix[n](-n)


n=n=-

~-(Y)t1)
(6.3.14)

Z-n-I/=-Z d X(Z)
dz
I

La zona di convergenza della trasformata della sJquenza n. x[n) coincide, in


generale, con quella della sequenza x[n) (a meno del punto all'infinito).

~ ~

cl

~-'

-l
Y. V')-;;T?-1Nell'Esempio 6.9 abbiamo dimostrato che la trasfurmata Z delta seqenza
gradino unitario u[n]
r
Esempio 6.14

....

J-VI

U(z)=

l-z

:j=-

z-l

.- -L

, oc:::;;- V[IA 7'J-

'~"- "'<-Il'l--(E6.14.l)

cA1=\.V1

con Izl> 1. Per il teorema della moltiplicazione per il tempo, la trasformata della

328

Capitolo 6

sequenza

rampa unitaria

x[ n ] = n . u[n] data da

Z-l

d U(z) - - !!:.. ~

X(z)=-z~-

=~
[
]
zdz z-l
(z-l)

(E6.l4.2)

(l-z-'t

La zona di convergenza di X(z) coincide con quella di U(z), poich in entrambi


i casi presente il solo polo zp = 1.
O

Teorema

della convoluzione

Date due sequenze x[n] e y[n] con trasformateZ rispettivamente X(z) e Y(z),
la trasformata Z della loro somma di convoluzione x[n] @y[n]
~

Z[x[n]Q9y[n]]=IJx[n]@y[n]}z-n = L Lx[k]y[n-k]z-II
n=.....

(6.3.15)

= Lx[k] Ly[n -k] Z-n


k=n=Poich, per il teorema del ritardo, si ha
.....

Ly[n-k]z-n

(6.3.16)

=Z-k Y(Z)

n=-oo

la (6.3.15) diviene
.....

L {x[n]@

n=-

y[n]} Z-n = LX[k]

k=-

Z-k Y(Z) = X(Z) Y(Z)

(6.3.17)

La trasformata Z della somma di convoluzione tra due sequenze dunque pari al


prodotto delle trasformate Z delle sequenze stesse.
Si osservi che la zona di convergenza della sequenza somma di convoluzione
data in generale dalla intersezione fra le regioni di convergenza di X(z) e
Y(z), salvo casi particolari.

6.4 Sistemi a tempo discreto regolati da equazioni alle differenze


6.4.1 Un caso di studio
Introduciamo l'argomento di questo paragrafo attraverso lo studio di un caso
particolare. Consideriamo dunque il circuito R-C di Figura 6.30. Come gi dimostrato nel Capitolo 4, la risposta in frequenza di questo SLS a tempo continuo
espressa da

Sistemi monodimensionali a tempo discreto

329

(6.4.1)
da cui segue:

Y(J) + j21ifa Y(J) = X(J)

(6.4.2)

Se si antitrasformano entrambi i membri della (6.4.2) si ricava la seguente


equazione differenziale che caratterizza il comportamento del sistema nel
dominio del tempo:
l
l
y'(t) = --y(t)+-x(t)
a
a

(6.4.3)

con y'(t)~dy(t)/ dt

..
I

Figura 6.30 Circuito elettrico R-C

Le caratteristiche di linearit e stazionariet del sistema sono riflesse nella


struttura dell'equazione differenziale che regola il comportamento del sistema
stesso: l'equazione lineare e presenta coefficienti costanti (nel tempo). Il
sistema in esame solo un esemplare molto semplice della grande classe di
sistemi a tempo continuo che sono per l'appunto regolati da equazioni
differenziali lineari a coefficienti costanti. Qual l'equivalente a tempo discreto
di questa grande classe?
Per rispondere a questa domanda, riconsideriamo l'esempio particolare della
squadra R-C, e cerchiamo di ricavare un sistema a tempo discreto che, ricevendo
in ingresso la sequenza prodotta dal campionamento del se~nale x(t) con
periodo T, fornisca in uscita una sequenza quanto pi possibile simile a quella
prodotta dal campionamento di y(t) con lo stesso periodo. Risolviamo cio un
problema di approssimazione di un sistema a tempo continuo con uno a tempo
discreto (chiamato problema di simulazione) schematizzato nella Figura 6.31.

330

Capitolo 6

x(t)

SLS
Tempo Continuo

y(t)

y[n]=y(nT)
SLS
Tempo Discreto

x[n]=x(nT)

Figura 6.31 Simulazione di un SLS a tempo continuo con un SLS a tempo discreto

Cominciamo dunque con il riscrivere l'equazione differenziale (6.4.3) agli istanti


nT relativi al campionamento dei segnali a tempo continuo:
y'(nT) = -..!..y(nT)+ ..!..x(nT)

(6.4.4)

Approssimiamo adesso il valore della derivata del segnale d'uscita all'istante nT


con il valore del rapporto incrementale all'indietro calcolato su di un intervallo
di campionamento:
y'(nT)

==y(nT)

- yn
-1)T)
T

(6.4.5)

Se usiamo questa approssimazione nella (6.4.4) e sostituiamo ai valori dei


segnali a tempo continuo campionati i valori delle sequenze di ingresso/uscita
del sistema a tempo discreto, otteniamo la seguente equazione:
y[n]- y[n -1] - -..!..y[n] + ..!..x[n]

(6.4.6)

Questa relazione caratterizza dunque un sistema a tempo discreto il cui


comportamento, nei limiti di validit dell'approssimazione numerica (6.4.5),
simile a, cio simula, quello del sistema analogico di partenza.
La relazione (6.4.6) una equazione alle differenze, cio una relazione che
lega i valori all'istante corrente n dell'ingresso e dell'uscita del sistema con le
differenze tra tali valori e i rispettivi valori a istanti diversi (n -1, n - 2 ecc.). Le
equazioni alle differenze sono la controparte immediata a tempo discreto delle
equazioni differenziali a tempo continuo. La relazione (6.4.6) appena ricavata,
che possiamo riformulare come segue,

Sistemi monodimensionali a tempo discreto

y[n] =

(~a+T )y[

n-l]

+ ~
x[n]
T+a

( )

331

(6.4.7)

caratterizzata dalle seguenti propriet:


lineare poich i valori delle sequenze x[n] e y[n] compaiono solo come
termini di una combinazione lineare (su di essi cio non viene svolta alcuna
operazione nonlineare, come elevazione a potenza ecc.);
a coefficienti costanti poich tutti i coefficienti della combinazione lineare
suddetta non dipendono dalla variabile temporale n;

.
.

di ordine 1 poich la sequenza di uscita y[ n] compare ritardata al massimo

di 1 passo: y[n -1].


6.4.2 Implementazione con componenti elementari e generalizzazione
Possiamo rappresentare con un diagramma a blocchi l'equazione alle differenze
(6.4.7), ottenendo, del sistema a tempo discreto, una descrizione che considereremo analoga allo "schema elettrico" R-C del sistema di partenza, nel senso che
ugualmente ne d una descrizione di tipo grafico. Per costruire questo diagramma a blocchi useremo i tre componenti elementari rappresentati in Figura
6.32, cio l'amplificatore ideale, il ritardatore e il sommatore.

x[n]

ax[n]
Moltiplicatore per una costante

Ritardatore di un passo

X[n~n-1]

Sommatore minimo

X,lnrln"X,ln]
~[n]
Figura 6.32 Componenti elementari a tempo discreto

Lo schema che descrive il comportamento del SLS a tempo discreto in esame


facilmente ricavabile dall'Equazione (6.4.7) ed rappresentato in Figura 6.33.
L'Equazione (6.4.7) tipicamente ricorsiva: il valore corrente dell'uscita all'i-

332

Capitolo 6

stante n ricavabile in funzione del valore dell'uscita al passo precedente n-l,


che ricavabile in funzione del valore dell'uscita al passo precedente n - 2, che
ricavabile in funzione del valore dell'uscita al passo precedente n - 3... Questa
ricorsione si traduce dal punto di vista grafico nella "reazione di segnale" visibile in Figura 6.33, cio nel percorso che "riporta" il segnale di uscita, opportunamente ritardato e scalato, verso l'ingresso.
Cerchiamo adesso di estendere i concetti visti per l'esempio particolare al
caso generale di un SLS a tempo discreto che pu essere descritto da una
equazione alle differenze lineare e a coefficienti costanti di ordine N.
Limitandoci a considerare soltanto sistemi causali, il comportamento del sistema
descritto da un' equazione del tipo
N

I,am y[n-m]= I,bk x[n-k]

m;Q

(6.4.8)

k;Q

Senza perdere di generalit possiamo porre aQ = 1 nella relazione e trovare la

forma normaledell'equazionealle differenze:


N

(6.4.9)

y[n]=-I,am y[n-m]+ I,bk"x[n-k]


m;l

k;Q

y[n]

y[n-1]

Figura 6.33 Schema a blocchi di un SLS del primo ordine

La causalit adesso evidente: il valore assunto dalla sequenza di uscita


all'istante n determinato soltanto dai valori dell'ingresso e dell'uscita stessa
per istanti non successivi a n. L'ordine dell'equazione coincide in pratica con il
massimo ritardo con il quale compare la sequenza di uscita.
Utilizzando i componenti elementari di Figura 6.32, possiamo dare la rappresentazione generale di questa equazione mostrata in Figura 6.34, che prende il

Sistemi monodimensionali a tempo discreto

333

nome di rappresentazione in forma diretta. Questa comporta la presenza di due


registri di ritardo (o registri a scorrimento) di ordine M ed N; tali registri permettono di ottenere i valori ritardati rispettivamente dell'ingresso e dell'uscita
necessari alla implementazione delle sommatorie nella (6.4.9), per un totale di
M + N elementi di ritardo. Il disegno fa riferimento al caso particolare M > N,
ma in generale tra questi due parametri non c' alcuna relazione.
- -------r--- ----

:y[n]

x[n]

I
I
I
I

I
I
I
I

:x[n-1]
I
I
I

r:f0>-11

+'
I,
I

- -- ---

Sottosistema

y[n-N]

II
I

I
I

I
I
I

I
I
I

'-

Sottosistema
- - - --B

Figura 6.34 Realizzazione in forma diretta di un SLS causale di ordine N

Nella Figura 6.34 sono stati messi in evidenza due sottosistemi lineari e stazionari del SLS nella sua globalit, racchiusi nei riquadri a tratteggio. allora possibile invertire l'ordine di tali sottosisterni senza che il comportamento globale
muti minimamente: si ottiene cos la struttura modificata rappresentata in Figura
6.35. Si nota per che in questa nuova configurazione i due registri di ritardo

hannoin ingressoil medesimosegnale;essipossonoesseresostituitida un unico


registro che "serve" entrambi i sottosisterni e di lunghezza pari al massimo tra M
ed N. Si ottiene quindi la realizzazione in forma canonica del sistema mostrata
in Figura 6.36. La struttura canonica minirnizza il numero di ritardi necessari
all'implementazione dell'equazione alle differenze (ovviamente si ha che,
max(N,M)::; N + M), ma richiede la considerazione esplicita del segnale w[nJ

334

Capitolo 6
I
I
I
I

interno al circuito (una sorta di "variabile di stato"). In un programma per calcolatore che implementa l'equazione alle differenze (6.4.9), la lunghezza totale dei
registri di ritardo pari al numero di locazioni di memoria che si devono riservare per i valori ritardati dei segnali di ingresso/uscita necessari per calcolare il
valore corrente dell'uscita.
x[n]

y[n]

Sottosistema B

Sottosistema

Figura 6.35 Modifica della forma diretta di Figura 6.34

6.4.3 Calcolo della risposta impulsiva


L'equazione alle differenze (6.4.9) o uno degli schemi a blocchi delle Figure
6.34-6.36 descrivono completamente il comportamento del SLS a tempo
discreto nel dominio del tempo. Tuttavia, lo stesso sistema completamente
caratterizzato anche quando se ne conosce la risposta impulsiva
h[n] = 'T(8[n]]

(6.4.10)

Il calcolo della sequenza h[n] per il sistema dato pu essere effettuato in


maniera ricorsiva utilizzando l'equazione alle differenze in forma normale
(6.4.9), con x[n] = 8[n] e y[n] = h[n]:

I
tl!
r

Sistemi monodimensionali a tempo discreto

335

y[n]

x[n]

Figura 6.36 Realizzazione in fonna canonica di un SLS causale di ordine N

h[ n ]

=-

M
alli

h[n - m] +

111=1

bk

8[ n - k]

(6.4.11)

k=O

Questa equazione pu essere materialmente risolta con un calcolatore a partire


dall' istante n = O e tenendo conto che, per la causalit del sistema, h[n] = O per
n<O.
Esempio

6.15

Consideriamo un sistema causale del primo ordine descritto dall'equazione alle


differenze
y[n] = ay[n -1]+ bx[n]

(E6.15.1)

la cui realizzazione in forma canonica mostrata in Figura 6.37. Possiamo anche


caratterizzare il sistema mediante la sua risposta impulsiva utilizzando la relazione ricorsiva che si ottiene ponendo x[n] = 8[n] e y[n]= h[n] nella(E6.15.1):

336

Capitolo 6

x[n]

y[n]

Figura 6.37 Fonna canonica del sistema dell'Esempio 6.15

h[ n ]

=a

(E6.15.2)

h[ n -1] + b 8[ n ]

In particolare, ricordando che h[n] causale (e quindi h[-l]

= O), per n =O si

ha
h[O]= b

(E6.15.3)

mentre per n > O

(E6.15.4)

h[ n ] = a h[ n-l]

La Tabella 6.1 riassume i calcoli che si devono effettuare per ricavare


1'espressione della risposta impulsiva.
Tabella 6.1 Calcolo ricorsivo della risposta impulsiva

8[n]

-1
O
1
2
3

O
1
O
O
O

IO

h[n] = ah[n -1]


O
b
a.b+O=ab
a.ab+0=a2b
a.a2b+0=a3b

+ b8[n]

I a.al-lb+O=a"b

Riassumendo i risultati della Tabella 6.1, concludiamo che


(E6.15.5)
D

Sistemi monodimensionali a tempo discreto

337

6.4.4 La funzione di trasferimento


Lafunzione di trasferimento di un SLS avente risposta impulsiva h[n] definita
come la trasformataZ H(z) della sequenza h[n]:
+<->

(6.4.12)

H(z)~ ~)[n] Z-II

Abbiamo dimostrato che, nota la risposta impulsiva di un sistema a tempo


discreto, la sequenza di uscita y[n] data dalla somma di convoluzione tra la
risposta impulsiva stessa e la sequenza di ingresso x[n], cio
(6.4.13)

y[ n ] = x[ n ] <8> h[ n ]

Poich la trasformata Z di una somma di convoluzione data dal prodotto delle


trasformate Z dei due segnali (vedi la (6.3.17)), dalla (6.4.13) si ha che
(6.4.14)

y(z) = X(z) H(z)

quindi la funzione di trasferimento di un sistema anche espressa dal rapporto


fra la trasformata Z della sequenza d'uscita e quella della sequenza d'ingresso:
Y(z)
H(z) = X(z)

(6.4.15)

Torniamo ora a considerare i SLS causali descritti da equazioni alle differenze.


L'equazione in forma normale
N

y[ n ] = -

I,

y[ n - m] +

am

m-I

I,

bk

(6.4.16)

x[ n - k]

k-O

Calcolando la trasformata Z di entrambi i membri ricaviamo:


N

Y(z) = - I,am z-my(Z)+ I,bk Z-kX(Z) = -Y(z)I,am


m-l

k-O

m-I

Z-m+ X(z)I,bk Z-k


k-O

(6.4.17)

da cui, con semplici passaggi,


M

Y(Z) H(z)

= X(Z)

I,bkzk-O

- 1 + 'i:amZ-m
",=1

(6.4.18)

338

Capitolo 6

La funzione di trasferimento di un SLS causale descritto da una equazione alle


differenze lineare a coefficienti costanti quindi una funzione razionale fratta
nella variabile Z-I.
Esempio 6.16
Consideriamo nuovamente il sistema causale descritto nell'Esempio
y[n]

= ay[n

6.15:

(E6.l6.l)

-1] + bx[n]

Esso ricade nella forma generale (6.4.16) con N = 1, M = O, al = -a, bo = b. Si

pu alloraricavaredirettamentela funzionedi trasferimentodel sistema


H(z)

bo

= l+aoz-I

=-

l-az

(E6.l6.2)

-I

la cui antitrasformata, con zona di convergenza Izl> Iai.


h[n]

=b

(E6.l6.3)

a"u[n]

Si osservi che la scelta della zona di convergenza deriva immediatamente


dall'ipotesi di causalit.
O
6.4.5 Sistemi a risposta impulsiva finita e infinita
Discutiamo ora alcuni casi particolari di SLS causali con funzione di
trasferimento razionale fratta. Supponiamo, ad esempio, che sia N = O.
L'equazione alle differenze (6.4.16) perde completamente il carattere di
ricorsivit e si semplifica nella equazione non ricorsiva
M

y[n]

=~)k
k=O

(6.4.19)

x[n-k]

e la funzione di trasferimento corrispondente diviene unpolinomio in Z-I:


M

H(z) =L.A Z-k

(6.4.20)

k=O

Antitrasformando, si ricava immediatamente la risposta impulsiva del sistema:


M

h[n] =~)k
8[n
k=O

05:n5:M

={ O

altrimenti

Il

k]

(6.4.21)

Sistemi monodimensionali a tempo discreto

339

I sistemi caratterizzati da una equazione alle differenze del tipo (6.4.19), e quindi
non ricorsivi, sono chiamati sistemi FIR (Finite Impulse Response) in quanto,
come mostra la (6.4.21), hanno una risposta impulsiva di durata finita. La forma
diretta o canonica di un sistema FIR rappresentata in Figura 6.38, ove si nota
l'assenza di reazione di segnale dovuta alla mancata ricorsivit dell'equazione
alle differenze.
x[n]

y[n]

Figura 6.38 Realizzazione di un filtro FIR

Supponiamo ora che sia N:I; O, come nel caso degli Esempi 6.15-6.16, in cui
N = 1. L'equazione alle differenze comporta un calcolo ricorsivo: il valore della
sequenza di uscita all'istante n determinato dal valore all'istante precedente
che determinato dal valore all'istante precedente che determinato dal valore
all'istante precedente Questa ricorsione d luogo a una memoria infinita per il
sistema o, equivalentemente, a una risposta impulsiva di durata infinita (si vedano ancora gli Es2mpi 6.15-6.16). Per questa ragione i sistemi a tempo discreto
caratterizzati da un'equazione alle differenze (6.4.16) con N> O sono detti IIR
(Infinite Impulse Response) e la relativa funzione di trasferimento una funzione
razionale fratta nella variabile Z-I. Si introduce talvolta la nomenc1aturadi puramente ricorsivo per un sistema avente M = O, cio caratterizzatodall'equazIOne

34~

Capitolo 6
N

y[n]

(6.4.22)

= - Lam y[n -m]+ box[n]


m=1

corrispondente alla realizzazione di Figura 6.39.


y[n]

x[n]

~[~1]

y[n-N]
Figura 6.39 Realizzazione di un sistema puramente ricorsivo

Vogliamo ora evidenziare quali caratteristiche deve avere la funzione di trasferimento di un sistema causale FIR o IIR affinch sia garantita la stabilit secondo il criterio BIBO. Consideriamo innanzitutto un filtro FIR: poich la risposta impulsiva h[n] costituita da un numerofinito di valori di ampiezza limitata, la condizione (6.1.13) di assoluta sommabilit di h[n] sicuramente verificata. Segue che tutti i sistemi FIR sono sempre stabili senz' alcuna condizione
sul numero dei coefficienti e sui valori (limitati) da essi assunti: per questa ragione si usa dire che i sistemi (filtri) FIR sono incondizionatamente stabili.
Per i filtri IIR, invece, la stabilit non sempre garantita, come si vede
facilmente con un semplice esempio.
Esempio 6.17
Consideriamo lo stesso sistema dell'Esempio 6.15, con a = 2 e b = 1:
y[ n ] = 2 y[ n -1] + x[ n ]

(E6.17.1)

e ricalcoliamone la risposta impulsiva. Il sistema chiaramente IIR perch

Sistemi monodimensionali a tempo discreto

341

ricorsivo, e la risposta impulsiva si calcola attraverso la Tabella 6.2.


Tabella 6.2 Calcolo ricorsivo della risposta impulsiva'
n

I 8[n]

h[n] = 2h[n -1]+8[n]

O
l

-1

O
l

l
O

2
3

O
O

2+0=2
2.2+0=4
2.4+0=8

2.21/-1+ 0= 21/

Riassumendo i risultati della Tabella 6.2, concludiamo che

(E6.17.2)

h[n] = 2"u[n]

che diverge quando n ~

00

e non assolutamente sommabile. Il semplice si-

stema IIR dunque non stabile.

Dobbiamo trovare un criterio che permetta di stabilire se un dato sistema IIR


stabile o meno. Analizziamo quindi il caso generale di un sistema IIR puramente ricorsivo con funzione di trasferimento
(6.4.23)
e calcoliamo per prima cosa le N radici dell'equazione in z:
(6.4.24)
cio i poli zpm' m =1,...,N della funzione di trasferimento.Supponendoper
semplicit che i poli siano tutti a molteplicit unitaria, possiamo poi riscrivere la
(6.4.23) attraverso la scomposiziondnfratti semplici:
N

Alli

H(z) = ~1-ZpmZ

, ~1=H(z)(I-zPmz-t=."

(6.4.25)
"Pm

Antitrasformando la (6.4.25) si ricava la seguente espressione per la risposta


impulsiva del sistema:

342

Capitolo 6

h[n] =

I hm[n]

(6.4.26)

m=l

ove
(6.4.27)
Come sappiamo, condizione necessaria e sufficiente per la stabilit BIBO
l'assoluta sommabilit della risposta impulsiva. In questo caso tale condizione
verificata se e solo se

(6.4.28)

Ilhm[n]1 < +00, m = l, ..., N


cio se e solo se
-+-

IlzpJ
11=0

(6.4.29)

< +00, m = l, ..., N

li sistema allora stabile sotto la condizione

(6.4.30)

IZp...l<I, m=l,...,N

ovvero sotto la condizione che i poli della funzione di trasferimento siano tutti
interni alla circonferenza di raggio unitario Izl= l del piano z.
Per un sistema causale e stabile, dunque, la zona di convergenza la parte di
piano esterna alla circonferenza Izi= IZP.Maxl,
ove Z/!.Max
quello tra gli N poli
aventemodulomassimo.Poichper la stabilitdeve essere IZP.Maxl
< 1, necessariamente

la circonferenza

di raggio unitario

Izi = l interamente contenuta nella

zona di convergenza della funzione di trasferimento. Dalle considerazioni sulla


relazione fra trasformate di Fourier e Z del Paragrafo 6.3, segue che un sistema
causale e stabile ha risposta in frequenza pari a

-'6.4.31)

6.5 Cenni al progetto di filtri numerici IIR


Una delle funzioni elementari di elaborazione dei segnali a tempo discreto che
frequentemente necessaria in una variet di problemi pratici ilfiltraggio. I tipibase di filtri a tempo discreto sono gi stati rapidamente menzionati nel
Paragrafo 6.3, ma, come nel caso del tempo continuo, conducono a sistemi non

Sistemi monodimensionali a tempo discreto

343

fisicamente realizzabili. Sorge quindi la questione di realizzare filtri a tempo


discreto che rispettino specifiche di selettivit, ma che risultino di facile
progettazione e implementazione.
Un criterio di progetto semplice e che conduce a risultati in molti casi soddisfacenti quello di realizzare filtri a tempo discreto partendo da prototipi di filtri
analogici, cio a tempo continuo. In un certo senso, questo il punto di vista
adottato nel caso di studio del Paragrafo 6.4.1 per ricavare 1'equazione alle differenze di un SLS a tempo discreto, partendo da un SLS a tempo continuo. Le
tecniche che esporremo sono diverse da quella dell'esempio ma sono accomunate da una propriet importante. Se esse vengono applicate a filtri analogici
causali la cui funzione di trasferimento Ha(s) (intesa come trasformata di
Laplace della risposta impulsiva ha(t)) una funzione razionale fratta in s,
danno luogo a filtri causali a tempo discreto la cui funzione di trasferimento
razionale fratta in Z-I, e quindi implementabile con una delle strutture viste nel
Paragrafo 6.4. Poich le caratteristiche dei filtri analogici sono ben note, il progetto di un filtro a tempo discreto di caratteristiche date diventa quindi un
compito relativamente semplice.
6.5.1 La tecnica dell'invarianza impulsiva
Il punto di partenza per la tecnica dell' invarianza impulsiva rappresentato dalla
descrizione di un sistema a tempo continuo attraverso la risposta impulsiva
ha(t). Noto questo segnale, si ottiene la risposta impulsiva h[n] del SLS a tempo
discreto attraverso il campionamento della risposta a tempo continuo ha(t) con
un opportuno periodo T. In altre parole si impone che
(6.5.1)
ove la moltiplicazione per il fattore T viene introdotta, oltre che per motivi di
carattere "dimensionale", per far s che le risposte in frequenza dei due sistemi
siano il pi possibile simili. Infatti la risposta in frequenza del filtro a tempo
discreto H(J) legata alla risposta in frequenza del filtro analogico Ha(J)
attraverso la relazione (vedi la (5.4.7))
(6.5.2)
Se il segnale ha(t) rigorosamente limitato in banda e il periodo di campionamento T rispetta la condizione di Nyquist, allora il filtro a tempo discreto ha le
stesse caratteristiche di selettivit del filtro analogico poich il campionamento

344

Capitolo 6
i.

non d luogo ad aliasing. Nel periodo "base" [-1/2T,1/2T], quindi, la risposta in


frequenza del filtro a tempo discreto ha esattamente lo stesso andamento di
quella del filtro analogico "prototipo", come illustra la Figura 6.40 per un filtro
passa-basso ideale.
Per evitare problemi di realizzabilit, i prototipi analogici che si considerano
sono filtri causali e la loro risposta in frequenza non pu essere rigorosamente
limitata in banda. Un certo ammontare di aliasing sar comunque presente, come
esemplificato dalla Figura 6.41 che rappresenta la risposta in frequenza (per
semplicit, a valori reali) di un filtro passa-basso analogico reale e quella del
corrispondente filtro a tempo discreto. Per questa ragione, l'andamento di H(J),
nell'intervallo frequenziale di intersse [-1/2T,1/2T], risulta diverso da quello
della funzione Ha(J) nel medesimo intervallo. Tuttavia, se la frequenza di
campionamento l/T sufficientemente grande in rapporto alla "banda" del
segnale ha(t), allora l'effetto dell'aliasing pu essere trascurabile, e la funzione
H(J) pu risultare molto simile, nella banda di interesse, alla funzione Ha(J).

-8

8
(a)

H(f)

...

...
-1fT

-1/2T -8

1/2T

1fT

f
(b)

Figura 6.40 Risposte in frequenza di un filtro analogico passa-basso ideale (a), e del filtro a
tempo discreto ricavato con l'invarianza impulsiva e con t = l/T = 48 (b)

aI
.1
il
il

Sistemi monodimensionali a tempo discreto

345

importante osservare che la relazione (6.5.2) limita l'applicabilit della tecnica


dell'invarianza impulsiva alle classi dei filtri la cui risposta in frequenza ha un
limite superiore di banda, anche inteso in senso approssimato (banda a -3 dB,
banda efficace). Non ha quindi senso applicare l'invarianza impulsiva a filtri
passa-alto o elimina-banda per i quali l'aliasing intrinsecamente ineliminabile.
(a)

(b)

H(f)

-1fT

-1/2T

1/2T

1fT

Figura 6.41 Risposte in frequenza di un filtro analogico passa-basso reale (a), e del filtro a
tempo discreto ricavato con l'invarianza impulsiva (b)

Se il filtro prototipo analogico ha una funzione di trasferimento Ha(s)


razionale fratta in s, si pu ricavare direttamente la funzione di trasferimento
H(z) del filtro a tempo discreto (che risulta a sua volta razionale fratta in Z-l),
senza dover esplicitamente calcolare la risposta impulsiva a tempo continuo
ha(t). Consideriamo infatti la generica funzione di trasferimento Ha(s) di un
sistema analogico descritto da una equazione differenziale lineare a coefficienti
costanti di ordine N:
H (s) = N(s)
a

D(s)

130

+ 131 s +... + 13M SM

aO +al s+...+aN

(6.5.3)

SN

con M < N per semplicit. Una volta calcolati i poli si' i = 1,...,N di Ha(s)
risolvendo l'equazione D(s) = O, la stessa funzione pu essere scomposta in
fratti semplici:

346

Capitolo 6

(6.5.4)
ove Ai il residuo del polo si' A; = Ha(s){s- s;1=..;(i poli sono a molteplicit
unitaria per semplicit). Antitrasformando questa espressione si ottiene la
risposta impulsiva del sistema analogico:
N

(6.5.5)

ha(t)= LA; ' u(t)


i=1

e campionando la risposta analogica si ricava la seguente espressione della


risposta impulsiva h[n]:
N

h[ n ]

L;=1T A; enSi Tu[ n ]

(6.5.6)

Tramite trasformata Z, si determina infine la funzione di trasferimento H(z) del


filtro a tempo discreto:
N

H(z) =

i=1 1-

(6.5.7)

TA;

eSiT Z-I

In conclusione, la funzione di trasferimento H(z) del filtro a tempo discreto


direttamente ricavabile dai poli e dai residui della funzione di trasferimento del
filtro analogico. Si nota in particolare che i poli Si del filtro analogico si
trasformano nei poli z; = es;Tdel sistema a tempo discreto. Se il sistema di
partenza stabile, esso ha poli a parte reale negativa e quindi i poli del sistema a
tempo discreto cos ottenuto hanno modulo minore di uno. Anche il filtro a
tempo discreto progettato con la tecnica dell'invarianza impulsiva quindi
stabile.
Esempio 6.18
Supponiamo di voler progettare un filtro passa-basso a tempo discreto
utilizzando il prototipo analogico di Figura 6.42.
La funzione di trasferimento del filtro analogico

H (s)=~=
a

sa+l

(E6.18.1)

l/a

s+lja

ove a = RC rappresenta la costante di tempo del circuito. facile verificare che


la funzione Ha(s) del tipo (6.5.4) con N

= 1,

SI

= -lja

e AI

= l/a. Allorala

Sistemi monodimensionali a tempo discreto

347

funzione di trasferimento H(z) del filtro numerico si ricava immediatamente


dalla (6.5.7):
(E6.18.2)

H(Z)=(~)
l-e-lTlaz
R

t
.

Figura 6.42 Filtro R-C prototipo

La struttura diretta del filtro rappresentata in Figura 6.43. importante


osservare che, poich il prototipo analogico non ha banda rigorosamente
limitata, per ridurre l'effetto dell'aliasing necessario scegliere opportunamente
il valore della frequenza di campionamento 1fT nei confronti della banda del
filtro B_3= 1/(2na). Per questo filtro del primo ordine (avente bassa pendenza
di attenuazione), buona norma usare un valore di f...incrementato di un fattore
5+lO rispetto a quello previsto dalla condizione di Nyquist relativamente alla
banda B_3(cio fc = lO +

20B_3)

y[n]

Figura 6.43 Filtro a tempo discreto ottenuto con il metodo dell'invarianza impulsiva

Facciamo adesso delle ulteriori considerazioni sulla tecnica dell'invarianza


impulsiva con riferimento all'esempio appena esposto. In particolare appli-

348

Capitolo 6

chiamo di nuovo a tale esempio la stessa tecnica di progetto, ma seguendo alla


lettera il procedimento che prevede il campionamento della risposta impulsiva
nel tempo. Quest'ultima si ricava facilmente dalla funzione di trasferimento
(E6.18.1):

(6.5.8)

h (t) = .!.e-tla u(t)


a

Ricaviamo poi la risposta impulsiva h[n] del sistema a tempo discreto


applicando la relazione (6.5.1) che richiede di campionare ha(t) per t = nT,
come rappresentato in Figura 6.44. Si nota che l'operazione di campionamento
comporta una ambiguit per t = O poich, in questo istante, la funzione ha(t)

discontinua. Resta quindi incerto il valore da attribuire ad h[O].Nel ricavare la


relazione (6.5.6) abbiamo infatti scelto arbitrariamente il valore h[O] = Tha(O+),
cio il limite destro del segnale. Nell'analisi di Fourier, il valore pi opportuno
da attribuire a un segnale discontinuo la semisomma dei limiti destro e sinistro
nel punto di discontinuit.
1.2

1.0

<:;

0.8

IX h a(t)
f11T h[n]

0.6

0.4

I
T =f115

0.2

0.0Li"
-2

024

Tempo normalizzato, Va
Figura 6.44 Campionamento di una risposta impulsiva con discontinuit

Se riesaminiamo il caso generale alla luce della precedente osservazione, dalla


(6.5.5) si ha
(6.5.9)

ti

Sistemi monodimensionali a tempo discreto

349

(6.5.10)

ha(0+) = LA;
;=1
per cui si deve scegliere

(6.5.11)

h[O] = T (ha(O-)+ha(O+))= T ha(O+)= TfA;


2
2
2 ;=1
come in Figura 6.44, e si deve correggere il valore in n

= O della

sequenza h[n]

(6.5.6):

(6.5.12)
Quindi, la funzione di trasferimento pi appropriata
N

H(z) =

L;=11- TA;
es,TZ-I

(6.5.13)

che differisce dalla (6.5.7) per un termine correttivo che tiene conto dell'eventuale punto di discontinuit nell'origine.
Esempio 6.19
Riconsideriamo il progetto dell'Esempio 6.18 e riprogettiamo il filtro a tempo
discreto tenendo conto della discontinuit nell'origine della risposta impulsiva
del filtro analogico. Essendo, come gi visto nell'esempio precedente, N = l,
SI=-l/a
e AI = l/a, le relazioni (6.5.12)-(6.5.13) permettono di scrivere
immediatamente le espressioni della risposta impulsiva e della funzione di
trasferimento del filtro a tempo discreto:
T

IIT

h[n] = - e-c; u[n] - - 8[ n]


a
2a

H(z)

= 1- e-T/a
T/a Z-I

(E6.19.1)

(E6.19.3)

La nuova struttura del filtro in forma canonica rappresentata in Figura 6.45. Si


noti che il fattore T/2a comune ai coefficienti ho e h. stato messo in evidenza

350

Capitolo 6

davanti al circuito. Per rimarcare il fenomeno dell'aliasing, riportiamo inoltre in


Figura 6.46 l'andamento delle risposte in ampiezza e fase del filtro a tempo
discreto (linee a tratto continuo)
(E6.19.4)
confrontate con quelle del filtro analogico prototipo (linee punteggiate).

y[n]

Figura 6.45 Versione corretta del filtro di Figura 6.43

6.5.2 La tecnica della trasformazione bilineare


L'esempio appena visto evidenzia i limiti di applicabilit della tecnica
dell'invarianza impulsiva, che in particolare non adatta quando necessario
rispettare alcune specifiche. Se ad esempio si vuole realizzare un filtro numerico
di banda B data, ma non si pu aumentare la frequenza di campionamento,
l'effetto dell'aliasing porta una notevole differenza tra la risposta del prototipo e
quella del filtro discreto, e la specifica non viene rispettata: si deve quindi
cambiare il criterio di progetto del filtro a tempo discreto.
Supponiamo dunque di voler approssimare con un filtro a tempo discreto il
comportamento del filtro R-C dell'Esempio 6.18, la cui funzione di trasferimento ('r = RC)
Ha(s)=-

l
l + s'r

(6.5.14)

Da questa funzione di trasferimento semplice ricavare l'equazione differenziale


che regola il comportamento del filtro stesso:

I
I

Y(s)(1+ s'r) = X(s) => y(t) + 'r dy(t) = x(t)


dt

(6.5.15)

Sistemi monodimensionali a tempo discreto

351

1.2
----.I~ 1~
~
~ Q8
~
~
E
~ Q6
.~

.scn 0.4
o
Cl.
cn

0.2 L.....................................

0.0
-1.0

~~

Inv:lmpulsiva
Analogico
0.0

-0.5

Frequenza

1~

0.5

normalizzata, fT

(a)

90

"'"
""'"

45

""

\...
~...

\...:"

cn
o

Cl.
cn

-45

.............

-90
-1.0

~8

Inv.lmpulsiva
Analogico
-0.6

........................................................................

-004

-0.2

0.0

0.2

0.4

0.6

Frequenza normalizzata, fT

0.8

1~
(b)

Figura 6.46 Risposta in ampiezza (a) e in fase (b) del filtro di Figura 6.45

Integrando ambo i membri tra un instante iniziale to e il generico istante t,


l'equazione differenziale si trasforma in una equivalente equazione integrale:
t

fy(a) da + -r[y(t) - y(to)]= fx(a) da

(6.5.16)

352

Capitolo 6

Valutiamo adesso questa relazione per to = (n -l)T e t = nT, ove T rappresenta


l'intervallo di campionamento; la (6.5.16) diventa allora
T

f y(a) da + -r[y(nT)- y(n-1)T)] =(n-I)T


f x(a) da

(6.5.17)

(n-I)T

A questo punto il nostro scopo quello di passare da questa relazione tra i


segnali analogici in ingresso/uscita al filtro R-C, a una relazione "equivalente"
che leghi i segnali discreti x[n] e y[n] in ingresso/uscita a un filtro numerico il
quale simuli il comportamento del filtro analogico. Cerchiamo allora di
approssimare i due integrali che compaiono nella (6.5.17) con una formula
numerica. Ad esempio, l'integrale a secondo membro pu essere approssimato
con la regola del trapezio: come suggerito dalla Figura 6.47, l'area sottesa dal
grafico della curva di x(a) all'incirca uguale all'area del trapezio ABCD, cio
nT

f x(a)
(n-I)T

(6.5.18)

da ==2"[x(nT)+xn-1)T)]

Applicando questa formula ai due integrali nella (6.5.17) si ottiene

2T [y(nT) + y((n -l)T)] + -r[y(nT)- y(n -l)T)] ==T2 [x(nT) + x((n -l)T) ]
(6.5.19)
Questa equazione, valida quando la regola del trapezio una buona approssimazione, pu essere usata per caratterizzare il sistema a tempo discreto equivalenteal filtro analogicodato. Si introduconoquindile sequenze y[n] = y(nT) e
x[n] = x(nT) e si trasformala relazioneapprossimatain una uguaglianza,ottenendo con semplici passaggi:
y[n] =

-r-T/2

-r+T/2

y[n -1] +

T/2

-r+T/2 [x[n]+ x[n -1]]

(6.5.20)

che rappresenta l'equazione alle differenze del sistema a tempo discreto cercato.
Applicando la trasformata Z all'Equazione (6.5.20), si pu ricavare la corrispondente funzione di trasferimento del sistema:

T/2 (l+z-l) -r+T/2


H(z)

-r-T/2

1- -r+T/2 z

-I -

1
2 1-z-1

1+ T l+z =i-r

(6.5.21)

Sistemi monodimensionali a tempo discreto

x(a)

353

xn-1 )T)

x(nT) ~-----B

nT

Figura 6.47 Integrazione numerica: regola del trapezio

che, confrontata con la propria controparte analogica H(s) (6.5.14), porta alla
conclusione che le due funzioni di trasferimento sono legate dalla relazione
2 1-z
H(Z)=Ha(T"l+Z-'

-'
J

(6.5.22)

La relazione, ricavata per il caso particolare del filtro R-C, pu essere poi applicata in generale per ricavare la funzione di trasferimento H(z) del filtro a tempo
discreto dalla funzione di trasferimento Ha(s) di un qualunque prototipo analogico. Questa "sostituzione" di variabile ha il significato che emerge dall' esempio: ogniqualvolta nel sistema analogico si deve compiere un'operazione di integrazione, essa viene approssimata con la regola del trapezio per ricavare il filtro
"simulatore" a tempo discreto. La relazione
2 1- Z-I
s=-TI + Z-I

(6.5.23)

dal punto di vista matematico istituisce una corrispondenza (trasformazione) fra


i piani complessi s e z ed nota come trasformazione bilineare.
Cerchiamo ora di stabilire le caratteristiche pi importanti di questa trasformazione. Osserviamo innanzitutto che dalla (6.5.23) segue facilmente la relazione di corrispondenza inversa

z=

1+sT/2

1-sT/2

(6.5.24)

che a sua volta bilineare. Se poniamo s = (j + jOJ, si ottiene da quest'ultima

354

Capitolo 6

Izl= i(1+CTT/2)2+(roT/2)2
1

(1-

CT T

(6.5.25)

/2)2 + (ro T / 2)2

che permette di trarre conclusioni importanti sulla stabilit del sistema a tempo
discreto realizzato attraverso la trasformazione bilineare. Supponiamo infatti che
il sistema analogico Ha(s) sia stabile, quindi possieda poli SPicon parte reale

negativa.I poli del sistemaa tempodiscreto ZPi sono chiaramenteottenibiliapplicando la trasformazione bilineare inversa (6.5.24) ai poli "analogici" Spi'cosicchil modulodei poli Zpi si ottiene dalla (6.5.25). Se allora SPiha parte reale
negativa (cio se CT< O),il modulo del corrispondente polo ZPi minore di uno,
e il sistema a tempo discreto a sua volta stabile. In termini di trasformazione
tra piani complessi, il semipiano a parte reale negativa CT< O del piano s si trasforma nel cerchio di raggio unitario con centro nell'origine 1Zk 1 sul piano z
(Figura 6.48).
La risposta in frequenza H(J) del sistema a tempo discreto ottenuto tramite
trasformazione bilineare si ottiene come di consueto valutando la funzione di
trasferimento sui punti della circonferenza di raggio unitario 1z 1= 1:
(6.5.26)

Vediamo di calcolare quali sono i punti del piano s che nella corrispondenza
(6.5.23) generano i punti della circonferenza 1z 1=1. Sostituiamo quindi
Z=

ej2rrfTnell'espressione
2 l-e-j2rrfT

della trasformazione bilineare, ottenendo

2 e-jrrfTejrrfT-e-jrrfT

2 jsin(7ifT)

.2

s = T' 1 + e-j2rrfT
= T' e-jrrfTejrrfT+ e-jrrfT= T' cos(7ifT) - } T tan(7ifT)
(6.5.27)
ovvero, indicando con fa la frequenza relativa al piano s del sistema a tempo
continuo, si ha
CT+ j21ifa = j

~T tan(7ifT)

(6.5.28)

Questa relazione verificata per i punti del piano s con (J'= O, cio giacenti
sull'asse dei numeri immaginari, per i quali

2
21ifa= - tan(1ifT)

(6.5.29)

Sistemi monodimensionali a tempo discreto

355

3[z]

(O

1+sT/2
1-sT/2

1
9[z]

Figura 6.48 Stabilit e trasformazione bilineare

ovvero

(6.5.30)

fa = 1rT tan( JifT)

Questa relazione stabilisce una corrispondenza diretta tra i valori delle risposte
infrequenza Ha(f;,) del filtro analogico e H(!) del filtro a tempo discreto:
(6.5.31)
Ci significa che le caratteristiche frequenziali (in particolare la selettivit) del
filtro realizzato mediante la trasformazione bilineare sono unicamente determinate dalle caratteristiche frequenziali del prototipo analogico. Confrontiamo questa relazione con quella relativa alla tecnica dell'invarianza impulsiva:

H(J) =

f (f - ~T )

k=-

(6.5.32)

Ha

La prima osservazione che la trasformazione bilineare non d luogo ad aliasing. Infatti, l'andamento della risposta in frequenza del filtro a tempo discreto si
pu ricavare da quella del prototipo analogico attraverso il grafico di Figura 6.49
(che rappresenta il legame (6.5.30 e la relazione (6.5.31). I valori della risposta
in frequenza analogica H(f) con f che varia da
a +00 sono riportati
("mappati") sull'intervallo frequ~nziale base [-l/2T,l/2T]
della risposta del
filtro numerico H(!), secondo la curva del tipo "arcotangente" di Figura 6.49.
La scala delle frequenze subisce cio una compressione nonlineare (chiamata
distorsione, o con il termine anglosassone warping) nel passaggio dal sistema
-00

356

Capitolo 6

analogico al sistema a tempo discreto. In particolare, il valore della risposta in


frequenza analogica alla frequenza nulla viene conservato (la curva di distorsione passa per l'origine), e i valori-limite della risposta analogica per f ---7:!:00
vengono riportati rispettivamente alle frequenze f = :!:1/2T sulla risposta del
filtro discreto, come evidenziato dalla Figura 6.50. Non si pu verificare
quindi alcuna sovrapposizione di repliche della risposta in frequenza come nel
caso del filtro realizzato attraverso invarianza impulsiva, neanche se ilfiltro ha
banda illimitata. La trasformazione bilineare allora adatta anche a progettare
filtri di tipo passa-alto o elimina-banda non realizzabili attraverso il metodo dell'invarianza impulsiva.
0.5

I;:
tU'
o
";::
CI)

E
:J
c:
N
.!::!

tU
E
....
o
c:
ca
N

c:
CI)
:J
C"

LL

0.4
0.3
0.2
0.1
0.0
-0.1
-0.2
-0.3
-0.4

-0.5
-3.0

-2.5 -2.0

-1.5 -1.0 -0.5

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Frequenza normalizzata analogica, faT


Figura 6.49 Relazione tra frequenza del sistema analogico
sistema a tempo discreto

f. e frequenza

f del corrispondente

Osserviamo inoltre che la relazione di distorsione dell'asse della frequenza di


Figura 6.49 monotona crescente. Per questa ragione la trasformazione bilineare
conserva le propriet di selettivit del prototipo analogico utilizzato nel progetto: se, ad esempio, si vuole progettare un filtro passa-alto a tempo discreto, si
deve far riferimento a un prototipo analogico passa-alto. L'unico inconveniente
del quale occorre tener conto nell'applicazione di questa tecnica di progetto la
deformazione della risposta in frequenza conseguente alla nonlinearit della
curva di distorsione.
Supponiamo adesso di voler progettare un filtro a tempo discreto con limite di

Sistemi monodimensionali a tempo discreto

357

banda B assegnato. Affinch la specifica venga rispettata, il prototipo analogico


che costituisce la base del progetto non deve essere caratterizzato dallo stesso
limite di banda, bens da un limite di banda Ba artificialmente incrementato in
modo che, dopo la trasformazione bilineare, si ottenga effettivamente il limite
voluto:
1
Ba= - tan(nBT)
1ff

(6.5.33)

H(f)

H(f)

1/~~4/~~'
-1fT

-1/2T

1/2T

1fT

..
f

Figura 6.50 Compressione della risposta in frequenza nella trasformazione bilineare

L'operazione di incremento del limite di banda del prototipo viene chiamata


predistorsione (o prewarping). La predistorsione permette di precompensare
l'effetto della distorsione dell' asse delle frequenze nel passaggio dal sistema
analogicoa quello a tempo discreto, e consente quindi di rispettare la specifica
dibandadel filtro numeric.
Esempio 6.20
Si vuoIprogettare con la tecnica della trasformazione bilineare un filtro passabassodigitale utilizzando come prototipo il filtro R-C degli Esempi 6.18-6.19. In
questo caso per, a differenza di quanto visto con la tecnica ~ell'invarianza
impulsiva,assegnamo una specifica di progetto richiedendo che il filtro a tempo

358

Capitolo 6

discreto (per il quale assegnata la frequenza di campionamento l/T) abbia una


banda a -3 dB pari a B. Come gi visto negli esempi precedenti, la funzione di
trasferimento del sistema analogico data da
Ha(s)=-

1
l+m

(E6.20.l)

ove a = RC la costante di tempo del circuito. La banda a -3dB Ba del filtro


analogico dunque
1
Ba= 27ra

(E6.20.2)

Per rispettare la specifica del filtro a tempo discreto, dobbiamo effettuare la


predistorsione della banda, cio dobbiamo fissare la banda del filtro analogico al
valore
1

Ba= -1ff

(E6.20.3)

tan(7l'BT)

da cui

a
-T

(E6.20A)

2 tan(7rBT)

che permette di calcolare la costante di tempo a del filtro analogico. Fatto ci


possiamo determinare la funzione di trasferimento del filtro digitale utilizzando
la trasformazione bilineare (6.5.22):
-l

H(Z)=Ha

( --2l-z

Tl+Z-1

) --

l+a

2l-z

Tl+z

1:)

1
~

1+ tan(7rBT)l+z

-I
-l

(E6.20.5)

da cui si ricava

H(z)

tan(7rBT)

( tan(7rBT) + 1)

1+ Z-l
1+ tan(7rBT) -1

( tan(7rBT)

+1

(E6.20.6)

Z-I

La realizzazione in forma canonica del filtro a tempo discreto rappresentata in


Figura 6.51, mentre le risposte in ampiezza/fase sono riportate in Figura 6.52 per
il caso particolare di B

= 1/ 5T . Confrontiamo

tali risposte con quelle di Figura

Sistemi monodimensionali a tempo discreto

359

6.46 relative allo stesso filtro realizzato con la tecnica dell'invarianza impulsiva:
si nota l'assenza di aliasing, ma anche una distorsione della risposta in
ampiezza/fase rispetto a quella del prototipo analogico. Naturalmente, la banda a
-3 dB del filtro discreto esattamente quella richiesta.
y[n]

-Figura 6.51 Struttura canonica del filtro a tempo discreto realizzato tramite trasformazione
bilineare: ho = tan(1rBT)/(tan(1rBT)+ l), ao = (tan(1rBT)-l)/(tan(1rBT) + l)

Sommario
Molti dei concetti e delle propriet dei sistemi monodimensionali a tempo contiilUOviste nel Capitolo 4 sono state riprese in questo capitolo e adattate al caso
dei sistemi a tempo discreto. Tutte le propriet eventualmente possedute dai sistemi a tempo discreto (linearit, stazionariet, causalit, stabilit, memoria, invertibilit) sono state brevemente discusse, e si mostrato come non vi siano
sostanziali differenze rispetto al caso a tempo continuo, salvo piccoli adattamenti. Anche per il caso dei sistemi lineari e stazionari a tempo discreto valgono
le stesse considerazioni: i concetti di risposta impulsiva, risposta in frequenza,
convoluzione ecc. sono analoghi ai corrispondenti a tempo continuo, e sono stati
brevemente richiamati.
Due sistemi caratteristici dell' elaborazione dei segnali a tempo discreto sono
viceversa il sovracampionatore e il decimatore. Il sovracampionatore costituito dalla cascata di due sistemi: il primo aumenta di un fattore M la frequenza
di campionamento della sequenza d'ingresso inserendo M -1 campioni nulli tra
due campioni consecutivi; il secondo un filtro interpolatore digitale. Lo spettro
della sequenza sovracampionata identico a quello della sequenza di partenza,
ma la sua periodicit differente, poich la frequenza di campionamento di
maggiore di un fattore M:
= Mfc= M I T. quindi possibile
uscita
compiere operazioni di filtraggio numerico su questo spettro, in particolare eliminare numericamente le M -1 immagini di,un segnale analogico campionato

t:

t:

360

Capitolo 6

nell'intervallo di frequenze [-M /(2T),M /(2T)]. Viceversa, il decimatore costituito da un sistema che preleva un campione di segnale ogni M, riducendo cos
di un fattore M la frequenza di campionamento, e deve essere preceduto da un
filtro passa-basso numerico anti-aliasing di banda 1/(2MT). Lo spettro della sequenza decimata infatti una somma di M repliche dello spettro originario, ciascuna riportata a cavallo della frequenza k /(MT), k = 0,1,...,M -1.
1.2
c;::-

II

-T.B.
Analogico

1.0

ed'

~
CI)

0.8

'5.

E
ro 0.6
c
ro
Ci) 0.4
o
Cm
a:
0.0
-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

Frequenza normalizzata, fT

(a)

90

~.~,

45

CI)
m
ro

-.:

ro
m -45
o
Om
a:
......................-..........................................

-90
-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

Frequenza normalizzata, fT
Figura 6.52 Risposte in ampiezza (a) e fase (b) del filtro di Figura 6.51

0.8

1.0

(b)

Sistemi monodimensionali a tempo discreto

361

Molto spesso conveniente studiare i segnali e i sistemi lineari stazionari (SLS)


a tempo discreto attraverso la trasformata Z. Quest'ultima rappresenta l'analogo
a tempo discreto della trasformata di Laplace a tempo continuo, e permette di
trattare anche segnali a energia illimitata. Attraverso la trasformata Z in
particolare si analizzano e sintetizzano facilmente i SLS a tempo discreto
descrivibili attraverso equazioni alle differenze lineari a coefficienti costanti. Di
questi sistemi si pu dare una rappresentazione grafica diretta o canonica che
basata sui soli tre operatori amplificatore, ritardatore, sommatore, e che aiuta
molto nell' implementazione dei medesimi. La funzione di trasferimento del
sistema H(z), cio la trasformata Z della risposta impulsiva, una funzione
razionale fratta in Z-I, e questo permette di verificare alcune propriet del
sistema (ad esempio la stabilit) molto facilmente. Sulla base della forma della
H(z) i SLS descritti da equazioni alle differenze si possono inoltre suddividere
in due grandi classi: sistemi FIR a risposta impulsiva di durata finita e IIR a
risposta impulsiva di durata infinita.
I sistemi IIR possono essere sintetizzati (progettati) con una certa facilit se si
ricorre a uno tra i due criteri dell' invarianza impulsiva o della trasformazione
bilineare. In entrambi i casi si parte da un filtro prototipo analogico di caratteristiche note. Il passaggio al filtro numerico avviene nel primo caso imponendo
che la risposta iIp.pulsivadel filtro numerico si ottenga dal campionamento della
risposta (continua) del filtro prototipo. Nel secondo caso, la funzione di trasferimento H(z) del filtro numerico si ottiene trasformando la funzione di trasferimento H(s) del filtro prototipo secondo la relazione s = (2/ T)(1- Z-I)/(1 + Z-I).
L'invarianza impulsiva provoca aliasing nella risposta in frequenza del filtro
numerico, ed quindi utilizzabile solo per filtri in cui l'aliasing possa essere annullato o reso trascurabile (non perci applicabile per filtri passa-alto o elimina-banda). Viceversa, la trasformazione bilineare pu essere usata per la sintesi di qualsiasi tipo di filtro, ma pu comportare (specialmente per piccole frequenze di campionamento) sensibili distorsioni della risposta del filtro numerico
rispetto a quella del prototipo analogico.

Esercizi proposti
6.1 Un sistemaa tempodiscretoha rispostain frequenza

Disegnare la realizzazione canonica di tale sistema e determinarne la


risposta g[n] al gradino unitario u[n].

..

I
I

362

Capitolo 6

6.2

Utilizzando la tecnica dell'invarianza impulsiva, progettare il simulatore a


tempo discreto di un filtro analogico con risposta in frequenza

'

nei due casi in cui la frequenza di campionamento pari a:


a)

f. = l/T = 2B;

b) f.=l/T=B
Determinare inoltre in entrambi i casi la risposta y[n] del simulatore a
tempo discreto alla sequenza

6.3

x[ n ]

= u[n] -

u[-n ]

Determinare la sequenza y[n] in uscita al filtro a tempo discreto avente


risposta impulsiva
h[n]

= u[n]-u[1i-8]
8

sapendo che la sequenza in ingresso a tale filtro

x[n]=n,n=0,1,...,7,

x[n+8]=x[n]

\;;In

6.4 Si desidera progettare un filtro passa-basso a tempo discreto a partire dal


prototipo di filtro a tempo continuo mostrato in Figura 6.53 (si ponga
RC = a). Il filtro a tempo discreto viene realizzato con una frequenza di

f. =

campionamento
l/T = 20 kHz, e la sua banda a -40 dB deve essere
B = 5 kHz. Rappresentare la struttura canonica di tale filtro e ricavarne la
risposta impulsiva h[n].

I
I
I
Figura 6.53

6.5

Si vuole progettare un simulatore a tempo discreto del sistema a tempo


continuo di Figura 6.54. Scegliere a ragion veduta fra la tecnica della trasformazione bilineare e la quella dell'invarianza impulsiva. Con la tecnica

Sistemi monodimensionali a tempo discreto

363

scelta, determinare poi la funzione di trasferimento H(z) del simulatore


discreto sapendo che la sua banda a -3 dB deve essere B = 8 kHz con una
frequenza di campionamento fs = l/T = 48 kHz, e disegnarne infine la
struttura canonica.
x(t)

-1~(.)
0)0dt

y(t)

Figura 6.54

6.6

Nel sistema di Figura 6.55 la frequenza di campionamento fs = 48 kHz;


il segnale di ingresso inoltre x( t) =2 + sin(1ffot) con lo =24 kHz. Il
sistema nonlineare (NL) a tempo discreto caratterizzato dalla relazione
ingresso-uscita z[n] = x2[n]. Progettare un filtro FIR h[n] causale a 3
coefficienti in modo tale che la sequenza di uscita sia y[n] =sin(nn /2).

fs
X(t~

~
-

NL
"I

h[n]

~[n]

Figura 6.55

6.7 Progettare il simulatore a tempo discreto del sistema a tempo continuo


H(s) raffigurato in Figura 6.56, imponendo che la frequenza di notch fN
del sistema H(z) cos ottenuto sia pari a u]l quarto della frequenza di
campionamento del segnale. Determinare inoltre il valore del parametro a
in modo che il filtro a tempo discreto risultante (di cui si deve dare rappresentazione canonica) sia di tipo FIR.

364

Capitolo 6

y(t)

x(t)

1 d
0)0dt (.)

. I

I
I

:I
I

Figura 6.56

6.8
I

Considerando il sistema lineare invariante a tempo continuo di Figura


6.57, determinare la funzione di trasferimento e la risposta impulsiva h[n]
del relativo simulatore a tempo discreto ottenuto mediante il metodo della
trasformazione bilineare (porre a = LIR). Rappresentareinoltre la forma
canonica del simulatore.
L

y(t)
I

I/!

Figura 6.57
:\I!

6.9 Il segnale

x(t)

1-

~
1'0

rect ~

( 21'0 )

viene campionato con la frequenza di campionamento


II
!
il

fc = l/T = 4/ 1'0.La

Sistemi monodimensionali a tempo discreto

365

sequenza x[n] risultante viene poi periodicizzata con periodo No = 4,


ottenendo la sequenza periodica y[n] che viene filtrata con un filtro h[n]
ottenuto attraverso trasformazione bilineare del circuito rappresentato in
Figura 6.58, con RC = T. Determinare l'espressione del segnale z[n] in
uscita da tale filtro.
R

i
y(t)
I

Figura 6.58

6.10 Calcolare la funzione di trasferimento H(z) e la risposta in frequenza


H(J) del SLS a tempo discreto avente la risposta impulsiva h[n] illustrata
in Figura 6.59, e dire poi se tale sistema
a) causale o meno;
b) FIR o IIR;
c) passa-basso o passa-alto;
d) stabile o instabile.
Determinarne infine la risposta al gradino g[n].
h[n]
2

-2

-1

2
n
-1

Figura 6.59

6.11 Progettare il simulatore a tempo discreto del sistema analogico rappresentato in Figura 6.60 attraverso il metodo dell'invarianza impulsiva, sapendo
che la frequenza di campionamento fc = l/T = 4/1'0.Determinarequindi

366

Capitolo 6

la risposta y[n] del simulatore alla sequenza x[n] rappresentata in Figura


6.61.
x(t)

y(t)

{u f () da

Il

t-T o

Figura 6.60
x[n]

1
+

>

-1

-1

Figura 6.61

6.12 Progettare un filtro elimina-banda a tempo discreto con frequenza di notch

f. =1fT = 48 kHz.

FN = 12 kHz e frequenza di campionamento

A tal fine

utilizzare il prototipo analogico di Figura 6.62, ponendo per comodit


lo =1/(2n.,JLC) e sapendo che 1ifoL/R = 1. Rappresentare la forma canonica del filtro discreto e determinare la sequenza di uscita y[n] quando in
ingresso posta l'eccitazione x[n] = 2 + 2sin2(2nnJ;T), J; = 6 kHz.
L

c
I

i
y(t)

I
I

Figura 6.62

6.13 Determinare la risposta y[n] del sistema a tempo discreto rappresentato in


Figura 6.63 all'eccitazione

Sistemi monodimensionali a tempo discreto

x[ n ] = 2

+ sin(

~ )+

367

cos( 1m )

y[n]

Figura 6.63

6.14 Si consideri il sistema a tempo discreto mostrato in Figura 6.64, dove


al = 4/(4+ -16), az = 4-16/(4 + -16) e K = 1/(4 + -16). Si chiede di:
a) determinare 1'equazione alle differenze del sistema;

b) stabilirese il filtro passa-basso;


c) determinare la risposta y[n] alla sequenza di ingresso x[n] =4 + (-lr.
x[n]

Figura 6.64

y[n]

368

Capitolo 6

6.15 Considerando il sistema a tempo continuo di Figura 6.65, determinare la


forma canonica e la risposta impulsiva h[n] del relativo simulatore a
tempo discreto ottenuto mediante il metodo della trasformazione bilineare
nel caso (00 = 2/T.
y(t)

x(t)

d2
d t2

Figura 6.65

6.16 Indicare con g(t) la risposta al gradino del sistema a tempo continuo di
Figura 6.66. Determinare la funzione di trasferimento H(z) del simulatore
discreto la cui risposta al gradino g[n l data da g[n] = g( nT) e rappresen-

tarne la struttura canonica.


R

~
T)
Figura 6.66

2C C

I.T)

7
Richiami di teoria della probabilit

Premessa
Dobbiamo momentaneamente abbandonare lo studio dei segnali in senso stretto
per richiamare alcuni concetti matematici fondamentali alla comprensione della
natura e delle particolari propriet dei segnali aleatorioQuesti ultimi infatti vengono studiati attraverso gli strumenti della teoria della probabilit e delle variabili aleatorie, che si presuppone gi nota al lettore. Lo scopo di questo capitolo soltanto quello di richiamare i risultati principali della teoria della probabilit, e di riformularli con le notazioni che saranno poi riprese nel prossimo
capitolo. Il lettore che si ritiene ferrato su questi argomenti pu usare questo
capitolo soltanto come riferimento, e pu proseguire lo studio dei segnali procedendo direttamente alla lettura del Capitolo 8.
7.1 Esperimenti

deterministici

e aleatori

Ogni volta che si devono compiere misurazioni per controllare il verificarsi di


certi avvenimenti, necessario effettuare un esperimento. La definizione di .
esperimento che possiamo dare, cos come potrebbe trovarsi su di un vocabolario, appunto quella di una prova pratica intesa alla verifica di una certa ipotesi
di lavoro. Supponiamo che si desideri studiare la "caduta di un grave", cio di
un corpo materiale, lasciato libero a una certa altezza h dal suolo, e in particolare
che si desideri verificare la formula galileiana del tempo di caduta to = ~2h / g
(g =accelerazione di gravit). Dobbiamo costruire un esperimento che consiste
nell'effettuare una prova di caduta, misurando con la massima accuratezza pos-

370

Capitolo 7

sibile il tempo impiegato per arrivare al suolo. I dati raccolti in molte prove
permetteranno quindi di verificare l'ipotesi che sta alla base dell' esperimento
stesso.
Dobbiamo per notare una importante diversit di fondo tra certi tipi di esperimenti e altri, che porta alla introduzione di due diverse categorie di esperimenti. Tornando sull'esempio precedente di caduta di un grave, e supponendo di
effettuare molte prove, notiamo che i risultati che otteniamo in ogni prova sono
molto simili fra loro. Nel limite in cui l'effetto della resistenza dell'aria risulta
trascurabile o pu essere a sua volta calcolato (ad esempio, conducendo l'esperimento in ambiente controllato al chiuso e usando corpi sferici costruiti con
materiale ad alta densit) otteniamo risultati praticamente identici di volta in
volta. Possiamo allora dire che l'esperimento condotto di carattere deterministico, nel senso che possibile prevederne il risultato a priori, cio prima di effettuare una prova dell'esperimento stesso. Quest'ultimo mostra dunque una
completa predicibilit: esiste una legge di carattere matematico che rende di fatto
inutile la materiale effettuazione di una prova perch ne predice accuratamente il
risultato.
Sorvoliamo ovviamente sulle implicazioni che questo concetto di determinismo ha sulla visione del mondo e della vita umana, e procediamo presentando un
diverso tipo di esperimento. Immaginiamo dunque di sederci alla cassa di un supermercato e di contare il numero di clienti che si presentano nell'intervallo di
tempo di un'ora dalle ore 11.00 alle ore 12.00 di ogni giorno. Questo pu ritenersi a buon diritto un esperimento in virt del quale possibile verificare il numero di casse che sono necessarie per evitare lunghe code. Sfortunatamente,
questo esperimento d risultati anche molto diversi da prova a prova, e non
possibile prevedere a priori il risultato di nessuna delle prove effettuate. Il numero di persone osservato di volta in volta cambia in maniera aleatorial, cio
casuale. Bisogna dunque rinunciare a descrivere questo esperimento con una
legge? La risposta fortunatamente no. Ovviamente, sar comunque impossibil~
trovare una legge che potr predire in ogni prova il numero di clienti osservato:
questo dato ricavabile solo a posteriori, cio dopo che la prova stessa stata
effettuata. Quel che possibile fare in questo caso per predire il comportamento globale dei dati che si ottengono effettuando molte prove dell'esperimento. In quest'ultimo caso, infatti, i dati raccolti mostrano quella che viene
1 L'aggettivo aleatorio deriva dal latino alea, cio dado, che ritenuto l'oggetto casuale per
antonomasia.

Richiami di teoria della probabilit 371

chiamata regolarit statistica. Nell'esperimento aleatorio per antonomasia, il


lancio di un dado, nessuno in grado di predire il risultato di una data prova, e
cio la faccia che si presenta lanciando il dado a un certo istante. L'esperienza
per suggerisce che se abbiamo la pazienza di effettuare molti lanci del dado,
diciamo 6000 (possibilmente con un apposito meccanismo!), osserveremo all'incirca 1000 volte la faccia l, all'incirca 1000 volte la faccia 2,..., all'incirca
1000 volte la faccia 6. Questa regolarit permette di ricavare anche per l'esperimento aleatorio alcune leggi cui l'esperimento ottempera, per nel senso statIstico appena accennato.
Come l'analisi matematica tradizionale lo strumento matematico per eccellenza che descrive gli esperimenti deterministici (si pensi alla relazione tra l'analisi infinitesimale e la dinamica dei corpi), cos la teoria della probabilit lo
strumento matematico sviluppato appositamente per descrivere gli esperimenti
che un tempo veniva chiamato "calcolo delle probabilit" nasce
-aleatorioQuello
-infatti tra il diciassettesimo e il diciottesimo secolo a opera principalmente del
matematico svizzero J. Bemoulli e dei matematici francesi B. Pascal e P.S. de
Laplace per quantificare le vincite di giocatori e gestori dei giochi d'azzardo
(dadi, carte, estrazioni di palline ecc.). E a giudicare dai guadagni dei casin in
tutto il mondo, palese che questa teoria funziona alquanto bene!

a.2 Elementi di teoria della probabilit


7.2.1 Esperimento aleatorio, spazio di probabilit e propriet elementari
Immaginiamo dunque di effettuare un esperimento aleatorio. Vediamo come la
teoria della probabilit permetta di modellare strettamente questo esperimento, e
come si possano poi ricavare delle leggi applicabili all'esperimento stesso. Per
caratterizzare tale esperimento dobbiamo individuare innanzitutto l'insieme di
tutti i suoi possibili risultati (ad esempio, le possibili facce del dado, o il numero
di clienti che si possono presentare in un' ora alla cassa): tale insieme detto
spazio campione e si indica, convenzionalmente, con la lettera Q. Se l'esperimento prevede un numero finito (dado) o infinito numerabile (clienti alla cassa)
di risultati,questiverrannoindicaticon il simbolo OJi'i=l, Quindi, con la notazione tipica della teoria degli insiemi, possiamo scrivere Q

= {OJpOJ2"..}.

Oltre che i singoli risultati dell'esperimento, .spesso importante considerare


anche dei gruppi di risultati. Ad esempio, nell'esperimento della cassa del
supermercato importante considerare tutti i casi in cui il numero di clienti in
un'ora maggiore (ad esempio) di 20, perch essi potrebbero rappresentare un

T
372

Capitolo 7

numero eccessivo per quella cassa. L'interesse nell'esperimento potrebbe essere


allora concentrato su questo evento: "numero di clienti in un'ora superiore a 20",
cio su tutti quei risultati dello spazio campione contenuti nel sottoinsieme
{21,22,...}. I gruppi di risultati dello spazio campione sono chiamati eventi.
Formalmente, gli eventi sono tutti i sottoinsiemi dello spazio campione che
soddisfano le seguenti condizioni:

. evento;

se A un evento, anche il suo complemento A, rispetto all'insieme n, un

. se A e B sonoeventi,anchela loro unione A u B un evento.


Usando queste propriet si pu anche dimostrare che:

.
.

l'intersezione A l B di due eventi arbitrari A e B un evento;


dato un evento A, gli insiemi A u 11 e A l 11 sono eventi: il primo,
coincidente con n (ovvero con tutto lo spazio campione), detto evento
certo, mentre il secondo, indicato con il simbolo 0 e non contenente alcun
risultato dell'esperimento, detto evento impossibile.

Le definizioni e propriet sopra elencate dicono che gli eventi di uno spazio
campione costituiscono una classe S, ovvero un insieme chiuso rispetto alle
operazioni di unione e di intersezione.
A questo punto possiamo introdurre la caratterizzazione completa di un
esperimento aleatorio che richiede sostanzialmente tre elementi: i) la descrizione
del suo spazio campione n; ii) l'individuazione della sua classe degli eventi S, e
infine iii) la descrizione della sua legge di probabilit Pr{.} che associa ad ogni
evento una misura della sua probabilit di presentazione. La tema (n, S, Pr{.})
che rappresenta la descrizione dell'esperimento chiamata spazio di probabilit.
Qualche volta, con libert di linguaggio, indicheremo con esperimento aleatorio
ci che in realt lo spazio di probabilit, identificando cio l'esperimento con
la propria descrizione matematica astratta.
Non il caso di esaminare qui le varie definizioni e interpretazioni della
probabilit di un evento, che sono oggetto di discussione nei testi specificamente
dedicati alla teoria della probabilit e alla statistica (si veda comunque a questo
proposito l'Esempio 7.1). Secondo lo scopo di questo capitolo, ci limiteremo qui
a richiamare le propriet base della probabilit la cui conoscenza sar
indispensabile allo studio elementare dei processi aleatori nel Capitolo 8.
La probabilit per una classe di eventi pu essere definita secondo la teoria
assiomatica la cui forma moderna si pu sostanzialmente far risalire al matematico russo A.N. Kolmogorov. Secondo questo approccio, assegnato un esperi-

Richiami di teoria della probabilit 373

mento aleatorio con uno spazio campione Q e la relativa classe degli eventi S,
una legge di probabilit PrO semplicemente una corrispondenza che associa a
ogni elemento di S, cio a ogni evento di interesse in una prova dell'esperimento, un numero reale che soddisfa i seguenti assiomi:
Al

- la probabilit di un evento arbitrario A non negativa:


(7.2.1)

Pr(A);:::O

A2 -la probabilit dell'evento certo unitaria (assioma di normalizzazione):


Pr(Q) = l

(7.2.2)

A3 - dati due eventi A e B mutuamente esclusivi (o incompatibili, o disgiunti,


cio che non possono verificarsi contemporaneamente), la probabilit
dell'evento unione data dalla somma delle probabilit di A e B:
A l B

=0

=>

Pr(Au B) = Pr(A) + Pr(B)

(7.2.3)

Da questi assiomi si possono poi ricavare alcune propriet (cio dimostrare


alcuni teoremi o corollari) che sembrano ovvie, ma che devono comunque essere
ricondotte ai soli princpi primi (cio agli assiorni stessi):

.
..
.

Dato un evento A, la probabilit dell'evento complementare


complemento a uno di Pr(A):
pr(A)

= 1-

Pr(A)

data dal

(7.2.4)

L'insieme impossibile ha probabilit nulla di verificarsi;


La probabilit di un evento A non pu assumere un valore maggiore di uno:
O :::;Pr( A) :::;l

(7.2.5)

Dati due eventi A e B, la probabilit dell' evento unione A u B espressa


dall'uguaglianza
Pr(A u B)= Pr(A)+ Pr(B)- Pr(BI A)

(7.2.6)

L'intersezione fra due eventi A e B pu anche essere rappresentata con la


scrittura A B, cos come talvolta l'unione tra eventi viene indicata con la
scrittura A + B. La probabilit dell'evento intersezione fra A e B
Pr(B l A)= pr(A B), chiamata probabilit congiunta degli eventi A e B. Le
probabilit Pr(A) e Pr(B) sono dette, invece, probabilit marginali.

374

Capitolo 7
I I

Data una coppia di eventi A e B, con Pr(B):;i:O, la probabilit Pr(AIB)


dell'evento A condizionata al verificarsi dell'evento B definita dalla relazione
(7.2.7)

Pr(AIB)~ Pr(AB)

Pr(B)

Nella teoria della probabilit Pr(A) detta comunemente probabilit a priori


dell'evento A e pr(AIB) probabilit a posteriori di A dato B. La probabilit
condizionata (in alcuni testi chiamata anche condizionale) ha un significato importante, che ruota attorno all'evento condizionante B. Infatti, Pr(AIB) la
probabilit che l'evento A assume una volta che l'evento B si gi verificato. La
definizione (7.2.7) suggerisce proprio questo: la probabilit a priori di A viene
scalata del fattore IIPr(B) per tenere conto che l'evento B, essendosi gi verificato, deve considerarsi come una sorta di "nuovo spazio campione" in quanto al
di fuori di questo niente pu verificarsi. In questo senso bisogna rinormalizzare
tutte le probabilit rispetto a quella di B (si noti che P(B IB) = 1l).

Esempio 7.1 (Definizioni della probabilit di un evento)


Cerchiamo di definire un esperimento aleatorio (nel senso della definizione appena vista) che modelli il lancio di un dado non truccato. Evidentemente lo
spaziocampione Q costituitoda 6 risultati {co"co2,...,C06},
ove Wi corrisponde
al presentarsi al termine del lancio della faccia i-esima (cio quella con un numero di puntini pari ad i). Poich lo spazio campione Q finito, la classe degli
eventi S semplicemente costituita dalla collezione di tutti i sottoinsiemi di il
stesso (che sono in numero, come noto, di 26, inclusi 0 ed Q). La legge di
probabilit degli eventi resta a questo punto definita non appena assegnamo una
probabilit a ciascuno dei risultati dello spazio Q. Fatto ci, possibile calcolare la probabilit di un qualunque evento A. Infatti, sfruttando la simmetria del
problema, cio l'ipotesi di dado non truccato, ragionevole imporre che
Pr( (01)

= pr(

co2)

= . . . = pr(

(06)

= -6

(E7.1.1)

Allora, ad esempio, la probabilit dell'evento A={Lafaccia del dado dispari}

Pr(A) = pr( {Wl} U {W3} U {cos})

e quindi, per il terzo assioma,

(E7.1.2)

Richiami di teoria della probabilit

1 1 1 1
Pr(A) = Pr({m(})+ Pr({m3})+ Pr({m5})= -+
6 -6 + -6 =-2

375

(E7.1.3)

In casi come questo, di esperimento simmetrico e spazio campione finito, Pr(A)


pu anche essere calcolata attraverso la cosiddetta definizione classica di
probabilit, attribuibile a Laplace. Questa prevede di individuare il numero
NF(A) dei cosiddetti casi favorevoli ad A, e il numero Np dei cosiddetti casi
possibili. Quest'ultimo semplicemente il numero totale di risultati contenuti in
Q, mentre il primo il numero dei risultati elementari contenuti in A stesso. La
probabilit cercata allora data dal rapporto
Pr(A) = NAA)
Np

(E7.1.4)

Considerando di nuovo A={La faccia del dado dispari}, chiaro che


NAA) = 3 ed Np = 6, e quindi, dalla (E7.1.4), Pr(A) = 1/2.
L'ipotesi cruciale alla base della definizione "classica" la peifetta simmetria
del dado o, in altri termini, l'equiprobabilit
di tutti i possibili risultati
dell'esperimento. Questa definizione ha il pregio di essere molto semplice, ma
pu essere applicata solamente a una classe ristretta di esperimenti. In
particolare, essa incapace di modellare il caso in cui il dado risulti "truccato",
cio le varie facce (intenzionalmente o per imperfezioni di manifattura) non
siano equiprobabili!
In questi casi pi conveniente dare un'altra definizione di probabilit, che
trova una sua giustificazione in un approccio di tipo sperimentale. Consideriamo
di nuovo l'esperimento del lancio del dado ed effettuiamo N prove dell'esperimento stesso (cio lanciamo il dado N volte). Indichiamo poi con NA il numero
di volte in cui, nelle suddette ripetizioni, si verifica l'evento A (cio la faccia
uscita mostra un numero dispari). All'aumentare di N, ovvero del numero di
lanci, si ottiene una situazione simile a quella riassunta nella Tabella 7.1. Si nota
una certa regolarit nella relazione tra il numero di volte in cui si verifica l'e-

ventoA rispetto al numero totale di prove effettuate:il rapporto NA / N, detto


frequenza relativa dell'evento A, approssima il numero 1/2 al crescere di N. Da
questa osservazione discende la definizione di probabilit di Von Mises (ofrequentista), secondo la quale
Pr(A) = limlNA" ~:~~~~:~-~,r,'-"A1~
(E7.1.5)
N-7~/i[;
Tale definizione, rispetto alla definizione di Laplace, ha il vantaggio di

376

Capitolo 7

prescindere dalla simmetria del problema e di poter modellare anche il caso del
dado "truccato", ma contiene un'operazione di limite che non si in grado di
eseguire (e che pone anche questioni di esistenza).
Tabella 7.1 Prove di lancio di un dado
N

NA

100
1000
10000
100000
...

47
491
4984
50012
...

interessante osservare che la definizione "frequenti sta" non in contrasto con


quella assiomatica di Kolmogorov. Infatti la probabilit Pr(A}, espressa dalla
frequenza relativa (E7.l.5), i) una quantit non negativa poich prodotta dal
limite di un rapporto fra quantit positive; se inoltre ii) l'evento A coincide con
l'evento certo il, allora banalmente N A = N e quindi Pr(A} = l; se infine iii) A
e B sono due eventi mutuamente esclusivi, una prova dell'esperimento che fa
verificare A u B d un risultato che sta o in A o in B, ma che non pu stare in
entrambi, per cui NAUB= NA + NB e allora
Pr(AuB}=

lim NAuB = lim NA +NB

N~~

N~~

= lim NA + lim NA =Pr(A}+Pr(B}


N~~ N

N~~ N

cio tutti gli assiorni di Kolmogorov sono automaticamente verificati!

(E7.1.7)

Due eventi A e B sono indipendenti se la probabilit marginale Pr(A} e la


probabilit condizionata pr(AIB) sono identiche, cio in pratica se il verificarsi
dell'eventoB non ha alcunainfluenzasull'eventoA:
Pr(A}

(7.2.8)

= pr(AIB)

o, tenendo conto della definizione di probabilit condizionata (7.2.7):


Pr(AB}

= Pr(A}.

Pr(B}

(7.2.9)

Pertanto, se gli eventi A e B sono indipendenti, la probabilit congiunta


Pr(A B) pari al prodotto delle probabilit marginali. La relazione (7.2.9) viene
utilizzata spesso per definire l'indipendenza fra due eventi, anche se il suo

Richiami di teoria della probabilit 377

significato non immediatamente comprensibile come per la (7.2.8).


Consideriamo ora la coppia di eventi A e B, ciascuno avente probabilit non
nulla. La probabilit condizionata Pr(AIB) pu essere ricavata con la relazione
pr(AIB)

= pr(BIA)pr(A)
Pr(B)

(7.2.10)

nota come teorema (o formula) di Bayes. Se l'evento A indipendente dall'evento B, cio se la (7.2.8) verificata, dalla (7.2.10) si ricava immediatamente
l'uguaglianza Pr(BIA)= Pr(B). La relazione di indipendenza tra due eventi
gode, pertanto, della propriet di simmetria.
Il teorema di Bayes spesso usato insieme al teorema della probabilit totale
che esaminiamo di seguito. Costruiamo una partizione dello spazio Q scegliendo N eventi Bi' i = 1,2,..., N di S con le seguenti propriet (si veda la
Figura 7.1):
(7.2.11)
N

(7.2.12)

UBj=Q
;=1

Figura 7.1 Dimostrazione grafica del teorema della probabilit totale

La probabilit di un evento A pu allora essere calcolata (si ricordi il terzo


assiomaA.3) come segue:

378

Capitolo 7

Se in questa relazione si esprime poi ciascuna probabilit congiunta Pr(A ( B;)


come prodotto tra la probabilit condizionata pr(AIB;) e la probabilit marginale
Pr(B;), si ricava la seguente uguaglianza:
N

Pr(A}

L;=1Pr(AIB;)

pr(B;)

(7.2.14)

che rappresenta appunto l'enunciato del teorema della probabilit totale.


7.2.2 Esperimento aleatorio composto
Consideriamo ora due diversi esperimenti aleatori caratterizzati dagli spazi
campione QI e Q2 (ad esempio il lancio di un dado e l'estrazione di una carta
da un mazzo di 52). possibile definire un esperimento composto i cui risultati
sono costituiti da una coppia ordinata dei risultati degli esperimenti componenti
(ad esempio, C/',2~)). Lo spazio campione Q dell'esperimento composto
costituito dal prodotto cartesiano degli spazi dei due esperimenti. componenti,
cio Q = QI XQ2' Consideriamo, adesso, un evento AI definito nello spazio
campione QI e un evento ~ definito in Q2; vogliamo calcolare la probabilit

dell'evento A = AI X ~ appartenente allo spazio campione Q. Se i due


esperimenti sono indipendenti, la probabilit dell'evento composto A
(7.2.15)
ove Prl( . ) e Pr2( . ) rappresentano le leggi di probabilit definite rispettiva-

menteper il primoe il secondoesperimentocomponente. importanteosservare


che

dalla conoscenza delle leggi di probabilit dei singoli esperimenti non


possibile, in generale, ricavare la legge di probabilit dell'esperimento
composto;
le considerazioni appena illustrate per una coppia di esperimenti aleatori
indipendenti possono essere immediatamente estese al caso di n esperimenti
aleatori indipendenti.
In questo ambito utile ricordare il problema delle prove ripetute binarie e
indipendenti (o prove di Bernoulli). In tal caso l'esperimento composto costituito da n esperimenti identici, indipendenti, e aventi ciascuno uno spazio campione costituito da due risultati soltanto. In questo modello ricadono numerosi
esperimenti elementari (testa/croce, vero/falso, 0/1, alto/basso ecc.). Indichiamo
con ma e mi questi risultati e con p = pr{ma} e q = pr{mJ}= 1- P le loro
rispettive probabilit, e definiamo l'evento A = {masi presenta k volte in n prove

Richiami di teoria della probabilit 379

ripetute}. Laformula di Bernoul/i (o binomiale) dice che

(7.2.16)
ove compare il coefficiente binomiale
n

n!

(7.2.17)

( k ) = k!(n -k)!

Esempio 7.2
Una scatola contiene due monete: la prima una moneta "perfetta", la seconda
una moneta "truccata" avente Pr{Testa} = 0.8. Viene scelta casualmente una
delle due monete, che viene poi lanciata per dieci volte in condizioni indipendenti, osservando l'uscita di 5 facce Testa e 5 facce Croce. Sulla base di quest'ultima osservazione, qual la probabilit che la moneta scelta sia quella "perfetta"? Cosa pu dirsi di questa probabilit se si osservano 5000 facce Testa su
10000 lanci?
In questo esempio si deve calcolare la probabilit condizionata pr(AIB), ove
B l'evento osservato {5facce Testa, 5 facce Croce}, mentre A l'evento {La
moneta scelta quella peifetta }. Usando il teorema di Bayes (7.2.10) possibile
ricavare pr(AIB) dalla conoscenza delle probabilit pr(BIA), pr(A) e Pr(B).
Poich la scelta fra le due monete casuale, abbiamo facilmente
Pr(A)

(E7.2.1)

= pr(X) =!2

Supponiamo ora di aver effettivamente scelto la moneta perfetta, cio che si sia
verificato A. La probabilit condizionata Pr(BJA)pu essere calcolata mediante
la formula di Bemoulli immaginando che il risultato (00 corrisponda al presentarsi della faccia Testa, e (0\ al presentarsi della faccia Croce. Applicando la
(7.2.16) con n = lO lanci, k = 5 uscite di Testa, p = q = 1/2 (le facce della mo-

netaperfettasono equiprobabili),risulta
IO

! ! 5=

( )(2 )

pr(BIA) = 5 2
( )

1O

! = 252

( 5 ) 210

1024

==

0.246

(E7.2.2)

Pr(B) pu essere calcolata mediante il teorema della probabilit totale, con la


partizione Q = A u X:

---

380

Capitolo 7

Pr(B) = pr(BIA) Pr(A)

(E7.2.3)

+ pr( BIA) pr(A)

Resta da ricavare la probabilit pr(BIA) (cio la probabilit di avere 5 volte


Testa su lO prove con la moneta truccata), che pu di nuovo essere calcolata
mediante la formula di Bernoulli con n = lO. k = 5, p = pr{coo}=0.8
q = pr{co1} = 0.2 (le facce della moneta truccata non sono equiprobabili):
(E7.2.4)
Usando i valori appena ricavati possiamo finalmente determinare Pr(B):
10

lO

]0

) . 2 + ( 5 )(0.8)5(0.2)5.2'

Pr(B) = ( 5 )(2

= 252
2

+ (0.16)5
1024
[~
]

= 0.1363

(E7.2.5)

e infine

10 l 205 l
( )(

Pr(BIA)Pr(A) =

Pr(~B)

t~)G)

Pr(B)

= 1+(2.0.8.2.0.2)

2~

=0.903

'2

+ t~}0.8)'

(0.2)'
(E7.2.6)

Questa probabilit piuttosto alta. Lanciando infatti la moneta truccata,


abbastanza improbabile ottenere una serie di risultati "equiripartiti" 5-5 come
quella richiesta.
Ripetendo i calcoli per il caso in cui B sia l'evento {5000 facce Testa, 5000
facce Croce}, si ottiene, in analogia alla (E7.2.6), la seguente espressione per
pr(AIB):

l
pr(AIB)= 1+(0.8.0.2.4)

5000

=1
-

(E7.2.7)

e si raggiunge quasi la certezza che la moneta scelta sia effettivamente quella


perfetta. Infatti, la probabilit di ottenere un cos preciso bilanciamento dei risultati {Testa} e {Croce} con la moneta (pesantemente) truccata praticamente
~~.
D

Richiami di teoria della probabilit

381

7.3 Variabili aleatorie


7.3.1 Definizione di variabile aleatoria

---

-----.---

Consideriamo due diversi esperimenti aleatorioIl primo il familiare lancio del


dado (supposto perfetto) il cui spazio campione Q\ noto. Il secondo consiste
nello scegliere un qualunque giorno non festivo della settimana, ad esempio per
verificare casualmente le presenze del personale di una ditta settimana per settimana. Lo spazio campione Q2 = {Lun,Mar,Mer,Gio,Ven,Sab} di questo secondo esperimento evidentemente diverso da Ql' In realt, i due esperimenti
sono solo apparentement~!!~ver~i:in ogni esperimento si tratta di scegliere con
completa casualit uno tra 6 possibili risultati distinti. Cerchiamo dunque di
trovare una maniera di accomunare i due esperimenti, tentando di astrarci (cio
di allontanarci, di muoverei su di un livello maggiormente concettuale e pi
generale) dai due casi particolari. Potremmo ad esempio numerare le facce del
dado e i giorni della settimana da 1 a 6 e considerare non pi i particolari
risultati dell'esperimento (diversi nei due casi), bens il valore associato a
ciascuno dei possibili risultati. Si ottiene in questo caso una "descrizione" che si
attaglia a entrambi gli esperimenti, anche se in realt essi si riferiscono a casi
diversi con spazi campione diversi. In sintesi, abbiamo costruito una quantit
numerica variabile (in questo caso da l a 6) a seconda del risultato
dell'esperimento rispettivo, cio un esempio di ci che in teoria della probabilit
viene chiamata variabile aleatoria.
Cerchiamo adesso di dare una definizione formale di variabile aleatoria pi
precisa di quella colloquiaie appena vista. Consideriamo dunque un esperimento
aleatorio avente uno spazio campione Q, una classe degli eventi S e una legge
di probabilit pr( . ) (per semplicit considereremo uno spazio campione numerabile). Definiamo quindi (come sopra accennato) una corrispondenza, indicata
con X(coi), che associa a ciascun risultato coidell'esperimento un unico numero
reale. Tale corrispondenza fra lo spazio Q e l'asse reale una variabile aleatoria se l'insieme di risultati dell'esperimento per i quali verificata la disuguaglianza X(co)::;;a (tale insieme si indica convenzionalmentecon la scrittura
{X(co)::;;a}) un evento, comunque si scelga il valore del parametro reale a.
Nelle pagine seguenti le variabili aleatorie saranno sempre rappresentate da lettere maiuscole omettendo la dipendenza dal risultato co dell' esperimento (ad
esempioX, Y,Zanzich X(co), Y(co), Z(co) ecc.).
Il concetto di variabile aleatoria utile ogniqualvolta si deve modellare un
esperimento che ha come risultato finale un valore numerico non prevedibile a
~

382

Capitolo 7

priori. L'esempio per antonomasia un'operazione di misura con uno strumento


utilizzato ai limiti della precisione ottenibile. In questo caso, anche ripetendo pi
volte l'esperimento, si ottengono valori misurati di volta in volta diversi in maniera aleatoria per effetto dell'incertezza della misura. Questo procedimento
dunque immediatamente rappresentabile con una variabile aleatoria, con una
grandezza cio che varia in maniera non predicibile ogni volta che si ripete l'esperienza.
Dobbiamo adesso chiederci: una volta definita la variabile, come possibile
trasferire la legge di probabilit relativa alla classe S degli eventi dello spazio
campione a insiemi di valori assunti dalla variabile aleatoria stessa? In un problema di misura, su cui definita una variabile aleatoria X, spesso significativo
calcolare la probabilit che i valori di tale variabile aleatoria si trovino compresi
in un intervallo del tipo a < X ~ b, che di interesse per la misura stessa.
Concettualmente, data la corrispondenza istituita (si veda la Figura 7.2), questo
equivarrebbe a "ripercorrere la strada all'indietro" e in particolare a identificare
in 11 tutti e soli quei risultati che danno valori della variabile aleatoria compresi
appunto tra a e b. Questo insieme di risultati, per come stata costruita la
variabile aleatoria, sicuramente un evento e a esso associabile una probabilit. Quindi, con estensione di linguaggio, chiameremo direttamente evento anche l'intervallo di valori sulla retta reale (a,b] perch a esso comunque associabile una probabilit che indicheremo con Pr{a < X ~ b} .

x
Q

Figura 7.2 Definizione di una variabile aleatoria

L'operazione concettuale di "tracciamento a ritroso" appena descritta diventa


superflua se si introduce la funzione distribuzione di probabilit FAx) (talvolta
chiamata anche funzione di ripartizione) di una variabile aleatoria X, definita
come segue:

Richiami di teoria della probabilit. 383

(7.3.1)

In questa definizione, x un valore reale generico ma fissato (una sorta di valore


di "sonda")che identifical'evento {X::; x} di cui si deve calcolarela probabilit. La funzione distribuzione gode delle seguenti propriet fondamentali:
D.l - essa assume valori appartenenti all'intervallo [0,1], ovvero
(7.3.2)
D.2 - il suo valore limite per x ~ -toovale 1, cio
(7.3.3)

xlim Fx(x) = Fx( -too) = P{ X::; -too} = 1


~

D.3 - il suo valore limite per x ~

vale O,cio

-00

(7.304)

lim Fx(x) = Fx(-OO)= P{X::; -oo} = O


x....-

DA - essa monotona non decrescente, ovvero


(7.3.5)
D.5 - essa continua da destra, cio

FAx)

= hlimO' FAx+h)

(7.3.6)

D.6 - se essa presenta una discontinuit di prima specie nel punto x =x,
allora la differenza fra il suo limite destro e il suo limite sinistro in tale punto
pari alla probabilit dell'evento {X = x}, ovvero
(7.3.7)
D.7 -la probabilit dell'evento {a < X::; b} pu essere calcolata mediante la
relazione
Pr{a < X::; b}

= FAb)-

(7.3.8)

Fx<a)

A seconda delle caratteristiche della funzione distribuzione di probabilit, le


variabili aleatorie possono essere suddivise in
assi: variabili d~,
continue e miste. Una variabile aleatoria X discreta e la sua distribuzione

- - -

FAx) una funzione costante


a tratti, cio del tipo
FAx) = L,Pr{X = Xk}u(x -Xk)
k

--

--

(7.3.9)

384

Capitolo 7

Tenendo conto delle propriet D.6 e D.7, ci significa che la variabile aleatoria
assume con probabilit diversa da zero un insieme di valori xk discreto (finito o
non). Le quantit Pk = pr{X =Xk} sono le cosiddette masse di probabilit2.
Se, invece, la distr~buzione FAx) una funzione ovunqu~allora
la
variabile ~l:a~~;;-n~
la J2.fob!!bilitche }f. assuma u~~alor~ Ee~le
fissato identicamente

Una variabile aleatoria mista se non appartiene a nessuna delle due classi
ora definite. La funzione distribuzione di una variabile aleatoria mista continua
quasi ovunque, cio continua salvo in un numero finito (o in una infinit numerabile) di punti. Esempi dell'andamento qualitativo di funzioni distribuzione di
probabilit per una variabile aleatoria continua, discreta e mista sono mostrati in
Figura 7.3.
7.3.2 Densit di probabilit di una variabile aleatoria
Il comportamento statistico di una variabile aleatoria X dunque caratterizzato
completamente dalla conoscenza della sua funzione distribuzione FAx ). Una
descrizione alternativa anche data dalla funzione densit di probabilit fx(x)
della variabile, definita come segue:
(7.3.10)
Da questa definizione si ricava immediatamente la relazione inversa
x

FAx)

= ffAu)du

(7.3.11)

La funzione densit di probabilit fAx ) gode delle seguenti propriet:

essa non negativa, ovvero

(7.3.12a)

i:
I
['

per ogni valore reale della variabile x, poich la funzione distribuzione


monotona non decrescente;

I
I

r:
2 Per rispettare le propriet D.6 e D.7, la funzione gradino unitario che appare nella (7.3.9) deve
essere definita in modo leggermente diverso da quanto visto nel Capitolo 3. In particolare, qui si
deve intendere u(O)=1(cio si deve assicurare la continuit da destra).

!
I

Richiami di teoria della probabilit

385

~- ------------------------------

x
(a)

Fx(x)
1 ~-------------------------------_.

X1

(b)

1 ~-------------------------------_.

x
(c)
Figura7.3 Esempio di funzioni distribuzioni di probabilit di una variabile aleatoria continua
(a), discreta (b), mista (c)

la probabilit dell' evento {a < X ::;b} pu essere calcolata con la relazione


b

Pr{a < X::; b} = Fx(b)- Fx(a) = fAx) dx


a

(7.3.12b)

I
I
,/

386

Capitolo 7

. l'integralesu tuttol'asse realedellafunzionedensit unitario,cio


~

(7.3.l2c)

JfAx)dx=l

in quanto questo integrale rappresenta la probabilit dell'evento certo.


Consideriamo ora un intervallo di ampiezza molto piccola & attorno a un punto
fissato x. Si ha:
x+/U

Pr{x < X:S;x+&}=

J fx(x)dx=fAx).&
x

(7.3.13)

ove evidentemente l'approssimazione dell' integrale valida proprio nell' ipotesi


di ampiezza dell'intervallo tendente a O. Riorganizzando questa relazione si
ottiene

fAx) = Pr{x<X:S;x+&}
&

(7.3.14)

cio il valore della densit di probabilit in un certo punto pari al rapporto tra il
contributo elementare di probabilit dato dall'intervallino considerato, e l'ampiezza (la misura cio) dell'intervallino stesso. Questo risultato giustifica pienamente il nome e il significato di densit che abbiamo attribuito alla funzione
fAx)
A questo riguardo, molti testi di probabilit e statistica trattano separatamente
il caso della variabil~ntinu~r
la qual~ ~izione
..?2densit secondo la
(7.3.10) ben pos~a,e il caso di una variabile aleatoriardiscreiyer la quale la
definizione di densit perde significato in senso ordinario. La distribuzione
FAx) di una variabile aleatoria discreta infatti discontinua e quindi non
derivabile nei punti di discontinuit. Se per ripensiamo alla soluzione data nel
Capitolo 3 al problema della derivata generalizzata di una funzione gradino,
osserviamo che con gli strumenti matematici a nostra disposizione non c'
alcuna necessit di questa distinzione. Se infatti riprendiamo l'espressione
(7.3.9) della funzione distribuzione di una variabile aleatoria discreta, ne
.

ricaviamoimmediatamentela funzionedensitdi probabilit:


fAx)

=L
k

Pk 8(X-Xk)

(7.3.15)

che contiene naturalmente la funzione generalizzata 8 di Dirac. Questo indica

Richiami di teoria della probabilit

387

ancora una volta che per una variabile aleatoria discreta la probabilit
concentrata nei particolari valori Xk dell'asse reale anzich essere distribuita
con continuit come per una. variabile aleatoria continua. In Figura 7.4 sono
qualitativamente rappresentati alcuni esempi di densit di probabilit per una
variabile continua, discreta e mista.
fx<x)

x
(a)

XI

x
(b)

x
(c)
Figura 7.4 Esempio di funzioni densit di probabilit di una variabile aleatoria continua (a),
discreta (b), mista (c)

Esempio 7.3
a) La variabile aleatoria uniforme
Una variabile aleatoria continua Y uniforme sull' intervallo (a, b) se la sua
densit di probabilit fy(y) costante in tale intervallo e si annulla al di fuori di
esso. Per motivi di normalizzazione il valore della funzione su (a, b) deve essere

evidentementepari a lI(b - a):

--

388

Capitolo 7

fy(y)

= b-a!.-rect

Y - (b + a)/2

b -a

(E7.3.1)

Questo significa in pratica che Y non potr mai assumere valori all'esterno di
(a,b), mentre tutti i valori all'interno di tale intervallo vengono considerati alla
stessa stregua. Infatti, ogni evento del tipo {x < X ~ x + LU} contenuto in (a,b)
ha sempre la medesima probabilit di verificarsi indipendentemente dalla
posizione di x. In un certo senso, la variabile aleatoria uniforme l'analogo
continuo della variabile aleatoria discreta definita su un insieme finito di valori
equiprobabili (come nel caso del dado perfetto). L'insieme delle variabili
aleatorie uniformi nell' intervallo (a,b) si denota comunemente con la scrittura
'li(a,b). Per indicare l'appartenenza della variabile aleatoria Y a questa classe si
scrive Y E'li(a,b). La funzione distribuzione Fy(y) si ricava facilmente:
O

Fy(y) = ffy(a)da=

(y-a)f(b-a)
{1

y<a
a~y~b

(E7.3.2)

y>b

L'andamento delle funzioni fy(y) ed Fy(y) illustrato nella Figura 7.5.

fy (y)

1/(b-a)

Figura 7.5 Funzioni densit e distribuzione di probabilit della variabile aleatoria uniforme

b) La variabile esponenziale
Una variabile aleatoria continua X esponenziale unilatera se la sua densit di
probabilit fAx) espressa dalla relazione

fAx)

= ~exp(-~) u(x)

(E7.3.3)

Richiami di teoria della probabilit 389

ove TI un parametro reale positivo il cui significato sar chiaro in seguito. La


variabile aleatoria esponenziale usata comunemente in problemi di affidabilit
e calcolo del rischio. In prima approssimazione, infatti, il cosiddetto tempo di
vita di un dispositivo o di un apparato anche complesso, ovvero il tempo che
intercorre prima che l'apparato vada per la prima volta fuori servizio,
modellabile con una variabile aleatoria esponenziale di parametro TI opportuno.
La sua funzione distribuzione FAx ) allora
x

FAx)

JfAa)da

(E7.3.4)

= [1-exp(-x/TI)]u(x)

L'andamento delle funzioni fAx) ed FAx) illustrato nella Figura 7.6.

1/11

x
Figura 7.6 Funzioni densit e distribuzione di probabilit della variabile aleatoria esponenziale

c) La variabile di Poisson
Una variabile aleatoria discreta Z con densit di probabilit

(E7.3.5)
di Poisson con parametro A (A> O). Come si nota, la variabile Z pu assumere con probabilit diversa da zero solo valori interi non negativi. L'insieme
. delle variabili aleatorie di Poisson con parametro A si indica, comunemente,
con la scrittura P(A) e per denotare l'appartenenza della variabile aleatoria Z a
questa classe si scrive Z EP(A). La variabile aleatoria di Poisson un buon
modello dell'esperimento aleatorio di conteggio dei clienti descritto nel

390 Capitolo 7

Paragrafo 7.1, purch A venga scelto opportunamente. La funzione distribuzione Fz(z)


Fz(z)= e-A

Ak

L -k! u(z - k)

(E7.3.6)

k=O

L'andamento della massa di probabilit Pk = e-AAk / k! della variabile di Poisson


infine mostrato nella Figura 7.7 per due diversi valori di A.
D

7.3.3 Trasformazione di una variabile aleatoria


Nei problemi che coinvolgono una variabile aleatoria, molto comune dover
eseguire operazioni matematiche sui valori assunti dalla variabile stessa.
Supponiamo di voler misurare il valore di una piccolissima corrente elettrica in
un resistore. A causa dell'incertezza di misura, il valore misurato viene
modellato come una variabile aleatoria X, di cui si presume di essere in grado di
ricavare l'andamento della funzione densit di probabilit. Se per si desidera
conoscere il valore della potenza dissipata sul resistore per effetto Joule, si deve
calcolare la quantit P

= r . X2,

ove r il valore della resistenza del resistore.

Nasce dunque il problema di ricavare l~ descrizione statistica completa, e cio


l'andamento della funzione densit di probabilit, di questa nuova variabile
aleatoria P ottenuta trasformando la variabile aleatoria originaria X.
0.25

'

oro'

I I

0.15

1-

iD
Il -'"
Q.

A=5

A=10

0.10

0.05
0.00

-0.05

10

12

14

k
Figura 7.7 Massa di probabilit della variabile aleatoria di Poisson

16

18

20

Richiami di teoria della probabilit

391

Generalizziamo il problema: consideriamo una variabile aleatoria continua X a


partire dalla quale viene definita una variabile aleatoria Y mediante la relazione
Y = g(X)

(7.3.16)

ove g(x) una funzione di variabile reale a valori reali. Nota la densit di
probabilit fAx ) della variabile X, possibile calcolare la densit di

probabilitfy (y) dellavariabilealeatoria Y mediantela relazione


(7.3.17)
ove l'insieme {Xi} costituito da tutte le soluzioni dell' equazione g(x) =y.
Questo risultato noto come teorema fondamentale per la trasformazione di
una variabile aleatoria. Naturalmente, la dipendenza da y del secondo membro
della (7.3.17) "nascosta" nell'espressione degli xi' il cui numero e valore dipende infatti dal particolare valore di y considerato. Per applicare correttamente
il teorema fondamentale allora importante avere ben presente quanto segue:

a seconda del valore di y considerato, {Xi} pu essere un insieme vuoto (nel

qual caso evidentemente fy(y) = O) o pu contenere un numero finito o


infinito numerabile di punti;
se nel punto x =x con y = g(x) la derivata prima g'(x) nulla si hanno due
casi: i) la trasformazione g(x) ha in x un massimo o un minimo relativi; se
fx(x) diverso da O, allora la fy(y) tender in y a +00; oppure ii) x
appartiene a un intervallo I nel quale la funzione g(x) assume un valore
costante. In quest'ultimo caso, la variabile aleatoria Y assume il valore
y = g(x) con probabilit
Pr{Y

= y} = Pr{X

(7.3.18)

E I}

e se tale probabilit non nulla la variabile aleatoria Y mista.


Esempio 7.4
Nel circuito elettrico di Figura 7.8 il generatore di tensione Voviene collegato
alla squadra R-C all'istante t = O. Il resistore r ha un tempo di guasto aleatorio
X in corrispondenza del quale esso interrompe il circuito. L'istante X una
variabilealeatoria avente densit di probabilit esponenziale:
fxCx) =~ exp -~

2a

( 2a )

U(X)

(E7.4.1)

392

Capitolo 7

con a = re. Vogliamo detenninare la densit di probabilit fv( v) della variabile


aleatoria V che rappresenta la tensione ai capi del condensatore dopo il guasto
del resistore.

Figura 7.8 Schema della squadra R-C con guasto

L'andamento della tensione v(t) ai capi del condensatore si trova dalla


relazione di carica del condensatore e a partire dall'istante

t = O:

v(t) = vo[l-exp(-t/a)]u(t)

(E704.2)

dalla quale segue immediatamente


V == v(X) = vo[l-

exp(-x/a)]u(X)

(E704.3)

Abbiamo identificato una legge di trasformazione fra la variabile aleatoria X e


la variabile aleatoria V, il cui grafico rappresentato nella Figura 7.9.
Cominciamocon l'osservareche l'equazione v = g(x) nonha soluzionise v ~ Vo
o v < O;quindila densitdi probabilit fv( v) nulla su questiintervalli.Resta
quindi da determinare l'espressione di fv(v) per O~ v < vo' Secondo il teorema
fondamentale, bisogna per prima cosa trovare il numero e il valore dei punti Xi

che soddisfano v = v(x;). Dalla Figura 7.9 chiaro che nell'intervallo [O,vo)
esiste sempre uno e un solo valore di X che soddisfa la relazione
v = v(x)

(E704.4)

e cio
(E704.5)
Si ricava perci:

Richiami di teoria della probabilit 393

(E7.4.6)

con
(E7.4.7)

v'(x) = Voexp(-x/a)
a

v=g(x}

2a

3a

4a

Figura 7.9 Legge di trasformazione della variabile aleatoria dell'Esempio 7.4

Riprendendo in considerazione la forma della densit di probabilit (E7.4.1) si


ottiene infine

2a

fv(v)

exp -~

( 2a )

U(X)

I; exp(-x/a~

1~
= la ~1-;;; = l
2
Vo

-~

(0--;,-)a ( 1 v,)

(E7.4.8)

Vo l--

v,

per ogni v E [O,vo). L'andamento della fv(v) illustrato in Figura 7.10.

7.3.4 Indici caratteristici di una distribuzione


La conoscenza della funzione densit (o distribuzione) di probabilit di una
variabile aleatoria rappresenta il massimo di informazione che si pu avere sul
comportamento statistico dei valori assunti dalla variabile stessa. Naturalmente,
per, non sempre possibile arrivare a una conoscenza cos completa riguardo a
un problema aleatorio che si sta trattando. Molto pi spesso, ci si accontenta
della conoscenza di alcuni parametri statistici semplificati o indici relativi alla

394

Capitolo 7

distribuzione di probabilit presentata dalla variabile.

fv (v)

1/2vo
v
Figura 7.10 Densit di probabilit ricavata nell'Esempio 7.4

Il valore atteso (chiamato anche valor medio, speranza, attesa) 1Jx di una
variabile aleatoria X con densit di probabilit fAx) definito dalla relazione
~

(7.3.19)

1Jx~fxfAx)dx

e rappresenta in certo senso un valore "baricentrico" attorno al quale si distribuiscono i valori della variabile aleatoria stessa (indice di posizione). Se la variabile
discreta, richiamando la relazione (7.3.15) della relativa densit di probabilit,
si ha
~

1Jx ~

fx

fAx ) dx

fx

L
k

Pk <5(x

- Xk)

dx

= Lk Pk f x

<5(x

- Xk ) dx
(7.3.20)

che coincide con la formula normalmente fornita separatamente per le variabili


discrete, e dove stata sfruttata la propriet campionatrice della funzione <5.
Quando si ha a che fare con un problema di trasformazione di una variabile
aleatoria Y = g(X), si introduceil cosiddetto[ope;dto-;-~l~;medio:!
~

E{g(X)}~

f g(x) fAx)

dx

(7.3.21)

Richiami di teoria della probabilit

395

La lettera E nell'operatore valor medio E{.} l'iniziale della parola inglese


Expectation che traduce l'italiano "aspettativa". Notiamo che anche il valore
atteso ~u

essere risc~2pnalmente

usando questp operat2e:

17x

Jx fAx)

dx

= E{X}

(7.3.22)

cio il valore atteso anche il valor medio della variabile aleatoria stessa! Se una
variabile aleatoria Y funzione della variabile aleatoria X, Y = g(X), allora il
valore atteso 17ydi Y, dato per definizione da

17y

=Jy

(7.3.23)

fy(y) dy

pu essere calcolato con la relazione

17y

= E{g(X)} =

Jg(x)

fAx)

dx

(7.3.24)

Questo risultato noto come teorema del valor medio, ed molto utile in
pratica perch permette di evitare il calcolo esplicito del~~nzi~~Jy_(Y)
che
sarebbe necessario attraverso la definizione (7.3.23). Notiamo in margine che
l'operatore vaTormedro~come chiaro dalla sua stessa definizione attraverso
un'operazione di integrazione, gode della propriet di linearit:
E{a. g(X) + f3. h(X)}

= a. E{g(X)} + f3. E{h(X)}

(7.3.25)

con a e f3 costanti qualunque.


Due variabili aleatorie che pure presentano lo stesso valore atteso possono
avere comportamenti statistici sensibilmente differenti. Nella Figura 7.11 sono
mostrate appunto le densit di probabilit di due variabili aleatorie Xl e X2
accomunate dallo stesso valore atteso 17x, ma molto diverse per quel che
riguarda la "larghezza" della relativa curva attorno al valore 17x'La densit
fx,(x) molto "allargata" attorno al valore atteso; viceversa la fX2(x) molto
pi "appuntita". Questo suggerisce che per la prima variabile piuttosto
probabile trovare valori "lontani" dal valore atteso, e quindi molto pi dispersi
rispetto a quest'ultimo che per la variabile X2. Per quantificare questo
comportamentocon un singolo parametro statistico si definisce laFaria~
di una variabile aleatoria X come segue:

(j'~

396

Capitolo 7

(7.3.26)
Il parametro (jx' radice quadrata della varianza, la cosiddetta deviazione
standard. A maggiore varianza della variabile aleatoria corrispondono valori
molto dispersi attorno al valor medio, e viceversa. Al limite, una variabile
aleatoria che presenta varianza nulla ha valori per niente dispersi attorno al valor
medio e la sua densit di probabilit diventa "infinitamente appuntita" attorno a
questo valore:
(7.3.27)
In tal caso la probabilit di trovare valori diversi dal valore atteso nulla, e
quindi la variabile aleatoria in pratica "collassa" in un valore certo, precisamente
nella quantit costante e non pi variabile 1]x.

T/x

Figura 7.11 Densit di probabilit con ugual valore atteso ma diversa varianza

Il valore quadratico medio (talvolta chiamato anche potenza) di una variabile


aleatoria infine definito come
~

m~~E{X2}=

(7.3.28)

JX2 fAx)dx

Poich l'operatore valor medio ED un operatore lineare, facile trovare il


legame tra la varianza (j~ e il valor quadratico medio m~:

= E{X2 + 1]~ + 1]~ - 21]~ = m~ -1]~


-,

(j~ ~E{(X

=m~

-1]x )2}

21]x

. X} = E{X2} + E{1]~}- E{21]x. X}

(7.3.29)

Richiami di teoria della probabilit 397

Esempio 7.S
Calcoliamo i parametri statistici semplificati per le variabili aleatorie considerate
nell'Esempio 7.3. Il valore atteso 17xdi una variabile aleatoria X esponenziale
unilatera, avente densit di probabilit fxCx) espressa dalla (E7.3.3), dato da
(si veda la (7.3.19))
~

17x

= fxJxCx)dx= f(x/17)exp(-x/17)dx=17

(E7.5.1)

Dunque il parametro 17, che abbiamo usato per caratterizzare la variabile


aleatoria esponenziale unilatera, coincide in realt con il valore atteso 17xdella
variabile aleatoria stessa. Il valor quadratico medio mi della variabile aleatoria
esponenziale X dato da
~

mi = f( x2 /17)
o

exp(

X/17) dx

e, quindi, la sua varianza

ai

= 217i

(E7.5.2)

pari a

ai = E{ X2} -17i = 17i = 172

(E7.5.3)

Lasciamo al lettore come esercizio la dimostrazione che il valore atteso, il valor


quadratico medio e la varianza di una variabile aleatoria uniforme Y E'li(a,b)
sono rispettivamente
17y= a + b
2

(E7.5.4)

m;

=a

+ab+b2
2

a; = (b -12a /

(E7.5.5)
(E7.5.6)

Notiamo che all'aumentare dell'ampiezza del campo di variabilit [a,b] per una
variabile uniforme aumenta anche la varianza della variabile, come ci si deve
attendere dal carattere di indice di dispersione che questo parametro riveste.
Consideriamo, infine, una variabile aleatoria discreta di Poisson Z EP(A). Il
suo valore atteso 17z dato da

398

Capitolo 7

-A

+00

Ak

-A A

=Ae L-=Ae
Per

determinare

dapprima

il valor

il seguente

(E7.5.7)

e =A

k=O k!

quadratico

medio

e la varianza

di Z,

calcoliamo

valor medio:

(E7.5.8)
D'altronde,

E{Z(Z-l)} = E{Z2}- E{Z} = mi -1Jx = mi - A

(E7.5.9)

e quindi

mi = A2 + A

(E7.5.1O)

La varianza a~ di Z allora data da


(E7.5.11)
Dunque il parametro A, che caratterizza una variabile aleatoria di Poisson, ne
rappresenta sia il valore atteso sia la varianza.
O
7.3.5 La variabile aleatoria Gaussiana
Una variabile aleatoria X Gaussiana o normale se la sua funzione densit di
probabilit
J

.;1

fAx)

(X-1Jx )2

~2nai

-e

2ai

(7.3.30)

ove come di consueto ai e 1Jxindicano rispettivamente la varianza e il valore


atteso della variabile aleatoria stessa. Sinteticamente, scriveremo che
X E 91(1Jx'ai ). In particolare, una variabile N E 91 (0,1), ovvero una variabile
aleatoria Gaussiana con valor medio nullo e varianza unitaria, detta variabile
normale standard e la sua densit di probabilit

(7.3.31)

Richiami di teoria della probabilit 399

il cui andamento illustrato nella Figura 7.12. Usando il teorema fondamentale


(7.3.17), si vede che una generica variabile X E 9{(1}
x'ai) pu essere espressa
come trasformazione lineare della variabile aleatoria normale standard N:
(7.3.32)

0.6

0.4

0.2

0.0
-3.0 -2.5 -2.0 -1.5 -1.0 -0.5

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Figura 7.12 Grafico della densit di probabilit normale standard fN(n) e delle funzioni <I>(n)
e Q(n)

La funzione distribuzione di una variabile aleatoria Gaussiana non pu essere


espressa in forma chiusa. Per questa ragione si definisce la funzione distribuzione

<I>(x)

per una variabile aleatoria normale standard:

(7.3.33)
Questa funzione, il cui andamento visibile in Figura 7.12, viene calcolata con
metodi numerici ed generalmente disponibile nei linguaggi o ambienti di
programmazionedei calcolatorielettronici.Noti i valori della funzione <I>(x),
possibile calcolare quelli della funzione distribuzione FAx) relativa a una
variabile aleatoria X E 9{(1}x,ai) mediante la relazione (ricavabile immediatamentedalla (7.3.32))

400

Capitolo 7

(7.3.34)

La probabilit che una variabile aleatoria Gaussiana assuma valori in un intervallo [a,b] quindi pari a
(7.3.35)
In pratica, quando si deve calcolare numericamente la probabilit (7.3.35) bisogna ricorrere a una valutazione numerica della funzione <1>.Per, sia nei programmi moderni di matematica assistita dal calcolatore (MatLab, Mathematica
ecc.) sia nei linguaggi generali di programmazione ad alto livello (Fortran, CH
ecc.) pi comune avere a disposizione come funzione di macchina la cosiddetta
funzione errore (o error function) erf(x) e lafunzione errore complementare (o
complementary errorfunction) erfc(x), definite come segue:
d

erf(x)=

f e-e dO
-v~ o

(7.3.36)

r=

erfc(x )=1- erf(x) = ~

fx e-e

dO

(7.3.37)

La Figura 7.13 mostra l'andamento delle due funzioni erf(x) ed erfc(x); si noti
la propriet di simmetria dispari della erf( x) attorno al punto x = O. La
relazione fra <I>(x)ed erf(x) inoltre
l
<I>(x)

(~ )

=2 + 2erf -fi

(7.3.38)

e la probabilit di un intervallo

(7.3.39)

iami di teoria della probabilit

401

x
U
't:

<D

-1

erfc(x)

erf(x)

-2
-3.0

-2.0

-1.0

0.0

1.0

2.0

3.0

Figura 7.13 Andamento delle funzioni erf(x) ed erfc(x)

Nei problemi che coinvolgono le variabili aleatorie Gaussiane usata talvolta


nchela funzione

"

l
Q(x)=1- <t>(x)
= lerfc

( )
.J2

(7.3.40)

il cui andamento pure riportato in Figura 7.12 per completezza.


7.3.6 Variabili aleatorie condizionate
Ricordiamoche la definizione della funzione distribuzione di probabilit per una
variabile aleatoria X passa attraverso la definizion~ di un evento Ax = {X ~ x}
di cui in pratica la funzione rappresenta la probabilit:
Pr(A)

= Pr{X ~ x} = Fx(x)

(7.3.41)

Il verificarsidi questo evento pu per in generale essere influenzato dell'essersi


verificatoun secondo evento B (avente probabilit non nulla). Ha senso quindi
porsi il problema della caratterizzazione statistica della variabile aleatoria X
condizionatamenteal verificarsi dell' evento B considerato. Questa caratterizzazionesi effettua definendo lafunzione distribuzione condizionata FXIB(X/B)della
variabile aleatoria X, ovvero la probabilit dell'evento A condizionato al

402

Capitolo 7

verificarsi di B 3:

FXIB(xIB)Apr{Ax B} = Pr{X:S; x,B}


Pr(B)
Pr(B)

(7.3.42)

Si definisce, poi, la funzione densit di probabilit condizionata fXIB(xIB)


mediante la conseguente relazione
fXIB(xIB)~ dFAxIB)
dx

(7.3.43)

La funzione Fx,AxIB), essendo pur sempre una funzione distribuzione, gode di


tutte le propriet delle funzioni distribuzione non condizionate; analoghe
considerazioni si applicano alla densit di probabilit condizionata fXIB(xIB).
Esempio 7.6
Risolviamo il problema del tempo di guasto dopo rodaggio. Supponiamo di
effettuare il collaudo di una partita di lampadine, accendendole e lasciandole
accese fino allo spegnimento per guasto (bruciatura del filamento). In prima
approssimazione, il tempo di guasto cos definito una variabile aleatoria X
esponenziale unilatera, avente densit di probabilit
(E7.6.1)
ove 11 il tempo medio di guasto (MTBF, Mean Time Befare Failure).
Alteriamo adesso la modalit di collaudo come segue: attendiamo un tempo
fisso Xodall'accensione, scartiamo le lampadine che a tale istante risultano gi
guaste, e ripetiamo il collaudo come in precedenza sulle sole lampadine che a
Xo risultano funzionanti. Questa operazione di rodaggio ha influenza sulla
densit di probabilit del tempo di guasto della lampadine rimaste. Ci che
vogliamo determinare la densit di probabilit condizionata fx,AxIB), ove
B = {X ~ xo}. A tal fine si deve calcolare dapprima la funzione distribuzione
condizionata FXIB(xIB)e quindi (si veda la (7.3.42, le probabilit Pr(B) e
Pr{ X :s;x, B}.

La probabilit Pr(B) data da


3 La notazione abbreviata {x::; x, B} significa in realt {X::; x} Il B, e sar usata per
semplicit anche in seguito.

Richiami di teoria della probabilit 403

(E7.6.2)

ove FAx) la funzione distribuzione di X. La probabilit congiunta


Pr{X =::;
x,B}, invece, espressa da (si veda la Figura 7.14):
(E7.6.3)
ovvero
(E7.6.4)
Sostituendo, si ottiene
(E7.6.5)
e anche
(E7.6.6)

{Xs x}

x<xo
{Xsx}

Xo
x

'.

{X>x,,}

Figura 7.14 Probabilit di eventi

Questa formula spiega quali sono gli effetti del rodaggio: i) la densit del tempo
di guasto delle lampadine sopravvissute ovviamente nulla per x < Xo(il rodaggio infatti stato superato con certezza, e il tempo di guasto necessariamente

404

Capitolo 7

maggiore di xo); ii) la medesima densit condizionata ha lo stesso andamento

della densit incondizionata per x:2: xo, con l'aggiunta del fattore di scala

(1- FAxo) per ri-normalizzare a lla probabilit totale di guasto.


Nel nostro caso particolare di tempo di guasto esponenziale si trova
(E7.6.7)
che paragonata con la densit incondizionata nella Figura 7.15. Il lettore
spieghi perch, dal punto di vista del fabbricante, non c' alcuna convenienza di
effettuare il rodaggio in fabbrica per il caso particolare delle lampadine
esponenziali.

1/11

x
Figura 7.15 Densit di probabilit di una lampadina prima e dopo il rodaggio

7.4 Sistemi di variabili aleatorie


7.4.1 Sistemi di due variabili aleatorie

Nello studiodi un esperimentoaleatoriopu essere utile associareuna coppia


(x, y) di numeri reali ai risultati dell' esperimento stesso, definendo cos un coppia (X, Y) di variabili aleatorie. La caratterizzazione delle due variabili aleatorie
considerate singolarmente si pu effettuare come discusso nel paragrafo precedente attraverso le funzioni distribuzione (densit) di probabilit Fx(x) e Fy(y)
( fAx ) e fy (y)). Questefunzioniper non danno alcunainformazionesul comportamento congiunto delle due variabili aleatorie. Consideriamo infatti come

Richiami di teoria della probabilit

405

variabili aleatorie il peso e l'altezza di una persona scelta casualmente in una


certa popolazione. chiaro che sar molto improbabile trovare una persona.. \ ~
molto alta e congiuntamente molto leggera. C' un'influenza reciproca tra i va- ')'+''. k

..

loriassuntidalledue variabiliche nonpu ovviamenteesseredescrittadallesole


funzioni FAx) e Fy(Y) che riguardano il solo peso o la sola altezza senza minimamente tener conto dell'altra grandezza. importante, allora, disporre di una
caratterizzazione statistica congiunta di tali variabili.
Data la coppia (X, Y) di variabili aleatorie, si definisce la funzione
distribuzione di probabilit congiunta
(704.1)
la quale d~scrive in modo completo il comportamento statistico congiunto delle
due variabili. La funzione Fxy(x,y), come vedremo, determina anche le
proprietstatistiche marginali, cio relative a una sola variabile della coppia.
Elenchiamo, adesso, alcune propriet importanti della funzione FXY(x, y):
la funzione Fxy(x,y) assume valori compresi tra Oe l, ovvero

(704.2)

.
.

la funzione Fxy(x,yo), comunque si scelga il valore Yo della variabile y,


monotona non decrescente nella variabile x e continua da destra in questa
variabile; analogamente, la funzione Fxy(xo,Y), comunque si scelga il valore
Xo della variabile x, monotona non decrescente e continua da destra nella
variabile y;
la funzione Fxy(x, y) soddisfa le uguaglianze

=O

(7A.3a)

FXY(x,-oo) = P{X::; x,Y::; -oo} = O

(7A.3b)

Fxy(-OO,y) = p{X::; -00, Y::; y}

e naturalmente anche

(7A.3c)
le funzioni distribuzione marginali delle variabili aleatorie X e Y si ricavano
dalla congiunta come segue:
(7AAa)

t"

406

Capitolo 7

(7.4.4b)

il limite della funzione FXY(x,y) quando sia x sia y ~

+00

unitario, tio
(7.4.5)

. la probabilit dell'evento rettangolare R= {XI< X::;X2'Y\< Y::;Y2} pu


essere calcolata mediante la relazione
Pr{xi < X::; X2 <>'\< Y::; Y2}
= FXy(X2,yJ-

Fxy(xpyJ-

FXy(X2'YI)+ Fxy(xl'YI)

(7.4.6)

Riprendiamo quest'ultima relazione considerando un evento rettangolare di


misura molto piccola, avente cio "lati" di ampiezza rispettivamente Lit e /),.y
prossime a zero. La probabilit di questo evento dunque
Pr{x < X::; X + Lit,y < Y::; Y + /),.y}
= Fxy(x + Lit,y+ /),.y)- Fxy(x,y + /),.y)- [Fxy(x + Lit,y)==

Fxy(x,y)]

JFXY(x,y+ /),.y)Lit- JFxy(x,y) Lit = J2Fxy(x,y) Lit/),.

ax

ax

ove naturalmente l'approssimazione


"piccoli". Se definiamo la funzione

axay

(7.4.7)

valida nella misura in cui Lit e /),.ysono

(7.4.8)
abbiamo allora
Pr{x < X::; x + Lit,y < Y::; y+ /),.y}==fxy(x,y)Lit/),.y

(7.4.9)

o anche
f Xy(x,y ) ==Pr{x<X::;x+Lit,y<Y::;y+/),.y}
-

(7.4.10)

LitL\y

Quest'ultima relazione giustifica pienamente il nome di funzione densit di


probabilit congiunta che si d alla fxy (x, y) definita come nella (7.4.8). Si noti
l'analogia con la definizione (7.3.10) della densit marginale fAx).
La funzione densit di probabilit congiunta fxy(x,y) gode delle propriet
seguenti:
essa assume valori non negativi, ovvero

Richiami di teoria della probabilit 407

(7.4.11)

essa integra a l su tutto il piano:


+<>o

+o-

f ffxy(x,y)dxdY=l

(7.4.12)

. le densitmarginali fAx ) ed fy(y) rispettivamentedelle variabilialeatorie


X e Y si possonoricavarecomesegue:
+o-

=f fxy(x,y)

dy

(7.4.13a)

fy(y) = f fxy(x,y) dx

(7.4.13b)

fx(x)

+o-

la probabilit di un evento A = {(X,Y) E D} individuato da un dominio D


nel piano cartesiano (x, y) data da
Pr(A) = ff fxy(x,y)

dx dy

(7.4.14)

. la funzione distribuzione congiunta FXY(x,y) pu essere ricavata dalla


funzionedensitdi probabilitcongiuntafxy(x,y) mediantela relazione
x

Fxy(x,y) =

f f fxy(a,f3) da df3

(7.4.15)

a=- {3=-

7.4.2 Funzioni distribuzione e densit di probabilit condizionate


Consideriamo una coppia di variabili aleatorie (X, Y) con densit di probabilit
congiunta fxy(x,y) e supponiamo di aver osservato che la variabile X ha assunto
il particolare valore x; la distribuzione marginale della variabile Y viene modificata da questo condizionamento. Definiamo allora la funzione distribuzione condizionata della variabile aleatoria Y rispetto all' evento {X = x} come segue:
y

F.

ffxy(x,f3)df3
(
YIXylx)~
{3=-

(7.4.16)

La funzione densit di probabilit condizionata fy,Aylx) della variabile


aleatoria Y, rispetto all' evento {X = x}, si ricava poi derivandola funzione

408

Capitolo 7

distribuzione condizionata FYlx(ylx) rispetto alla variabile y:


fy,Aylx)! dFy(ylx)
dy

fxy(x,y)
fAx )

(7.4.17)

Se la densit di probabilit marginale fy(y) della variabile aleatoria X coincide


con la densit di probabilit condizionata fy,x (ylx) il comportamento statistico
della variabile Y non influenzato dal valore assunto dalla variabile X. In tal
caso le variabili aleatorie X e Y sono indipendenti. Se fYIX(ylx)=fy(y), allora la
densit di probabilit congiunta fxy(x,y) pu essere espressa come prodotto

delledensitdi8probabilitmarginali fy (y) ed fAx ), cio


(7.4.18)
7.4.3 Trasformazione di una coppia di variabili aleatorie
Definiamo, ora, una variabile aleatoria Z come funzione di una coppia di
variabili (X ,Y), averiti densit di probabilit congiunta fxy(x,y):
Z=g(X,Y)

(7.4.19)

ove g(.,.) una funzione reale di due variabili reali. La funzione distribuzione
FAz) della variabile aleatoria Z
Fz(z)

= Pr{Z::; z} = Pr{g(X,y)::; z}

(7.4.20)

Il calcolo della funzione Fz(z) pu essere effettuato, allora, con la relazione


(7.4.14), cio

FAz) = fffxy(x,y)dxdy

(7.4.21)

R(z)

ove R(z) indica la regione del piano cartesiano individuata dall'evento


{g(X,y)::;z}, ovvero l'insieme dei punti (x,y) verificanti la disuguaglianza
g(x,y)::; z. Nota la funzione Fz(z) si pu ricavare la densit di probabilit fz(z)
per derivazione:
(7.4.22)
Ad esempio, se definiamo la variabile Z come somma di X e Y si ha (Figura
7.16)

Richiami di teoria della probabilit 409

+o:>

z-x

Fz(z)= fJ fxy(x,y)dx dy= f

(7.4.23)

f f(x,y) dxdy

x+y';;z

e quindi
(7.4.24)
Se infine le due variabili aleatorie X e Y sono indipendenti, la densit di
probabilit congiunta fxy (x, y) pu essere fattorizzata e si ottiene
+00

+00

fz(z) = x=-co
f fxy(x,z -x) dx dy= f fAx)fy(z - x) dx=fAz) 0 fy(z)
cio la densit

di Z

=X + Y

(7.4.25)

pari alla convoluzione delle due densit marginali

delle variabili X e Y.
Tornando al caso generale, notiamo infine che per il calcolo del valore atteso
Tlzdella variabile aleatoria Z si pu utilizzare la formula

1Jz

= E{Z} = E{g(X,y)}

(7.4.26)

= f f g(x,y)fxy(x,y) dx dy

che rappresenta una generalizzazione del teorema del valor medio (7.3.24).
y

x+y:::;z

Figura 7.16 Calcolo della distribuzione della somma di due variabili aleatorie

410

Capitolo 7

Esempio 7.7
La Figura 7.17 rappresenta la generica "cella" a corona circolare di un sistema
radio cellulare. La stazione base, posta nel punto S, trasmette al generico
ricevitore R situato a una distanza aleatoria D (maggiore di 'i e minore di '2).11
ricevitore riceve un segnale di potenza inversamente proporzionale al quadrato
della distanza dal trasmettitore (con costante di proporzionalit k nota).
Supponendo che la posizione del ricevitore sia uniformemente distribuita
all'interno della cella, determiniamo la funzione densit di probabilit fp(p)
della potenza P ricevuta.
La potenza P di segnale ricevuta da R espressa dalla relazione

P=~

D2

(E7.7.1)

La funzione distribuzione della variabile aleatoria P data, allora, da


(E7.7.2)

I
I
I

Figura 7.17 Cella di copertura di un sistema radiomobile

Consideriamo, adesso, un riferimento cartesiano ortogonale avente origine nel


punto S e indichiamo con la coppia (X,Y) le coordinate aleatorie del punto in
cui si trova il ricevitore R. Poich la posizione di R uniformemente distribuita
all'interno della cella, la densit di probabilit congiunta fxy (x, y) pari a
(E7.7.3)
per tutti i punti interni alla corona circolare, e

Richiami di teoria della probabilit 411

fxy(x,y)

=o

(E7.7.4)

al di fuori di essa. La funzione distribuzione di P allora


(E7.7.5)
ove A(p) il dominio
(E7.7.6)
ovvero l'insieme dei punti del piano la cui distanza dall'origine non inferiore
a .,jk/p (si veda la Figura 7.18). Per comodit, identifichiamo le potenze
ricevute ai bordi della cella: Pt~ k/ r/ e P2~ k/ r22. Svolgendo l'integrale sulla
corona circolare di Figura 7.18, si ricava che, quando P2 < P ::;Pt'

JfXy(x,y)dxdy=

A(p)

nr22~nk:p = l-P2/p
n(r2 -1j )

(E7.7.7)

1- P2/ PI

Figura 7.18 Calcolo della distribuzione di probabilit dell'Esempio 7.7

e quindi, riassumendo,

P::;P2
P2 < P ::;PI

(E7.7.8)

P>Pl

Derivando la funzione distribuzione

Fp(p) si trova infine la seguente

412

Capitolo 7

espressione della densit di probabilit fp (p):

(E7.7.9)

D
7.4.4 Correlazione e covarianza
Come abbiamo discusso nelle pagine precedenti, il comportamento statistico di
una variabile aleatoria X pu essere caratterizzato in maniera incompleta ma
talvolta sufficiente da alcuni parametri caratteristici, quali il valore atteso T]xe la
varianza ai. Analogamente, per una coppia di variabili aleatorie (X,Y), possibile determinare alcuni parametri statistici semplificati che rappresentano utili
indicazioni per la comprensione del loro comportamento statistico congiunto.
Indici molto importanti sono la correlazione rXYtra le variabili aleatorie X e Y:

--

rxy!E{XY}

=J

Jx yfxy(x,y)

(7.4.27)

dx dy

e la covarianza c xy tra le due variabili aleatorie stesse:

--

cxy!E{(X

-T]x)(Y -T]y)}

J J(x-

T]x

)(y- T]y)fxy(x,y)

dx dy

(7.4.28)

Sviluppando la definizione di covarianza CXy,si dimostra facilmente che questa


legata alla correlazione rXYdalla relazione
(7.4.29)
La covarianza un parametro statistico molto importante che tende ad accertare
se tra le due variabili X e Y esiste una relazione di dipendenza di tipo lineare, e
che comunque misura la tendenza di variazione congiunta (co-varianza) delle
due. Se la covarianza grande e positiva, le due variabili aleatorie X e Y tendono
a discostarsi dal rispettivo valor medio nella stessa direzione, cio le due quan-

tit (X-

T]x)

e (Y -

T]y)

tendono ad avere lo stesso segno. questo il caso, ad

esempio, del peso e dell'altezza di una persona scelta a caso: se l'altezza maggiore della media, cos sar anche presumibilmente il peso. Viceversa, cova-

Richiami di teoria della probabilit 413

rianza negativa indica versi di variazione opposti (ad esempio, et e acuit visiva). Se la covarianza tra due variabili aleatorie nulla, le variabili si dicono
incorre late.

Il medesimo significato della covarianza ha il coefficiente di correlazione


fra le variabili aleatorie X e Y:

PXy

(7.4.30)
che gode delle propriet seguenti:

.
.
.

il suo modulo non pu assumere valori maggiori dell'unit:


(7.4.31)

IPxyl~ 1

esso assume valore nullo se e solo se le variabili aleatorie X e Y sono


incorrelate;
il suo modulo assume valore unitario se e solo se le variabili aleatorie X e Y
(che in tal caso si dicono completamente correlat) sono linearmente
dipendenti, cio se sono legate da una relazione del tipo
Y=aX+b

(7.4.32)

con a> O se PXy = l e a < O se PXy =-1 (si ricordi la discussione sul
significato del parametro covarianza).
Osserviamo che il coefficiente di correlazione un valore di covarianza normalizzata, come si vede dalla definizione (7.4.30): le variabili aleatorie X e Y vengono trasformate rispettivamente nelle variabili (X -1Jx)/ (jx e (X -1Jy )/ (jy
entrambeaventi valor medio nullo e varianza unitaria per poter definire un parametro di correlazione universale, cio omogeneo per coppie di variabili anche
molto diverse come valori numerici. In conseguenza di questa operazione, PXy
sempre limitato in ampiezza all'intervallo [0,1], e ci rende ogni coppia di variabili "commensurabile" con ogni altra. Se il coefficiente PXy (in modulo) vicino al, le variabili aleatorie X e Y tendono a seguire una relazione lineare di

variazionereciproca; viceversa, se p Xy = O, le variabili sono incorrelatee la


tendenzareciproca dei valori delle due variabili aleatorie non di tipo lineare.
Quando le variabili aleatorie X e Y sono indipendenti, la loro correlazione

--

rXY

= E{XY} = J J xYlxy(x,y)

--

dx dy =

J Jxy IAx)fy(y)

dx dy =

414

Capitolo 7

(7.4.33)

= Jx fx(x)dxJyfAy)dY=1]x1]y
Si trova quindi c Xy

= rXY

-1]x1]y

= O, ovvero

due variabili aleatorie indipendenti

sono anche incorrelate. L'implicazione inversa, tuttavia, non vera. Il lettore


provi a dimostrare come esempio che le due variabili X E'li [-1,1] e Y = X2, pur
non essendo indipendenti, sono incorrelate. In altre parole, l'indipendenza una
condizione pi restrittiva dell'incorrelazione.
7.4.5 Sistemi di n variabili aleatorie e vettori aleatori
Alcuni concetti e risultati relativi a una coppia di variabili aleatorie possono
essere facilmente estesi al caso di un sistema (XpX2,...,Xn) costituito da n
variabili aleatorie, cio al caso di una variabile aleatoria n-dimensionale. In
perfetta analogia al caso bidimensionale gi esaminato in dettaglio, la funzione
distribuzione di probabilit congiunta di tale sistema definita come segue:
(7.4.34)
e la relativa funzione densit di probabilit congiunta
I

(7.4.35)

l,

Data la densit di probabilit congiunta fX,x2..,x.(X..X2,...,Xn)' possibile ricavare la densit marginale di ciascuna variabile o le densit congiunte di un
sottoinsieme del sistema mediante relazioni simili a quelle illustrate per la
coppia di variabili aleatorie. Per ricavare, ad esempio, la funzione densit di
probabilit congiunta del (sotto-)sistema (XI,X3,...,Xn) basta integrare la densit
congiunta (7.4.35) rispetto alla variabile mancante nel sottogruppo:

fx,x3...x.
(XpX3,...,Xn)
=

fX,X2X3...X.

(XI,X2,X3""Xn)

dx2

(7.4.36)

Considerazioni analoghe possono essere ripetute per le funzioni densit di


probabilit condizionate. Per calcolare, ad esempio, la densit di probabilit
congiunta delle variabili aleatorie XI, X4,..., Xn condizionata rispetto alle
variabili aleatorie X2, X3si utilizza la relazione
(7.4.37)

Richiami di teoria della probabilit 415

Le variabili aleatorie sono infine indipendenti se la densit di un qualunque sottogruppo di esse condizionata a un qualunque altro sottogruppo (ovviamente costituito da variabili aleatorie distinte dalle prime) pari alla relativa densit
incondizionata.
Nello studio dei sistemi di variabili aleatorie n-dimensionali si utilizza, di
solito, una notazione pi compatta. Le n variabili aleatorie (Xl' X2,...Xn), infatti,
vengono disposte in un vettore aleatorio X:

(7.4.38)
X4[ i:]

=[x"x".. .,x.]'

ove [J indica l'operatore di trasposizione. Le funzioni distribuzione (7.4.34) e


densit di probabilit (7.4.35) possono essere allora indicate rispettivamente con
la scrittura Fx(x) e fx(x). Per semplificare la notazione, anche gli indici caratteristici delle variabili possono essere rappresentati con una notazione vettoriale.
Il vettore valor medio Tlxdel vettore X (7.4.38), ad esempio, definito dalla
relazione
llx ~E{X} = [1Jx" 1Jx2'"'' 1Jx.

(7.4.39)

ed quindi pari al vettore colonna dei valori attesi delle n variabili. Come nel
caso bidimensionale, utili informazioni sul comportamento statistico del vettore
aleatorio possono essere acquisite attraverso la conoscenza del valore della
correlazione e/o della covarianza di tutte le coppie di variabili aleatorie estraibili
dal vettore X. Le correlazioni {rXiXj;i, j = 1,..., n} fra tutte le variabili aleatorie
di X possono essere raccolte in una matrice di dimensioni n x n Rx, detta
matrice di correlazione, e definita da

RxE{XXT}=1

...

rX,x,

rx,x"

rX2X2 '"

rx,x.
rx x

.I

(7.4.40)

XXI

rx.x, rx.x2 ... rx.x.

Tale matrice simmetrica, essendo E{XiXj} = E{XjXi}, e gli elementi disposti


lungo la sua diagonale principale sono i valori quadratici medi delle variabili
aleatorie costituenti il sistema, in quanto rx,x;= E{XiX;} = m~,. Si definisce,

416

Capitolo 7

analogamente, la matrice di covarianza Cx del vettore X:


CX,X,

...

CX,X2

CX2X2 ...

Cx E{(X - T1x)(X-T1x)'}

= cxx,
I

cx.x,

...

CX.X2

cx,x.
C

xx.

(7.4.41)

Cx.x.

Anche la matrice di covarianza simmetrica, e ri-esimo elemento della sua


diagonale principale rappresenta

la varianza

ai

della variabile

essendo CXiXi= E{(Xj -T/Xi )2}. La matrice di cov~anza


riscrivere come

...

CX2X.

1=Rx -llx llx

aleatoria

Xi,

(7.4.41). si pu quindi

(7.4.42)

CX.X,
!l'

7.4.6 Trasformazione di un vettore aleatorio


Consideriamo un vettore aleatorio Y n -dimensionale espresso come funzione di
un altro vettore aleatorio X di ugual dimensione:
Y = g(X)

(7.4.43)

ove g(.) una funzione reale n-dimensionale di n variabili reali. Per


determinare la funzione densit di probabilit congiunta fy(y) del vettore Y,
nota la densit congiunta fx (x) del vettore X, si pu utilizzare il cosiddetto
teoremafondamentale generalizzato:
(7.4.44)

ove {x;} l'insieme di tutte le possibili soluzioni, per un vettore y assegnato,


del sistema di equazioni
(7.4.45)
e dove la quantit J(Xj) rappresenta la matrice Jacobiana della trasformazione

Richiami di teoria della probabilit 417

(7.4.43) calcolata per x

= Xi:

agi
dxn

(7.4.46)
X=Xj

Purtroppo il teorema fondamentale applicabile nella forma appena vista solo


quando la dimensione n del vettore aleatorio trasformato Y uguale a quella del
vettore di partenza X. Un altro caso importante per quello in cui il vettore X
viene trasformato in un' unica variabile aleatoria monodimensionale Z:
Z

= g(X) = g(X1,X2,. ..,Xn)

(7.4.47)

ove g(-) una funzione reale monodimensionale di n variabili reali. La densit


di probabilit fz(z) della variabile aleatoria Z pu essere ricavata con il metodo
illustrato nel Paragrafo 7.4.3. Si calcola, innanzitutto, la funzione distribuzione
Fz{z) (si veda la (7.4.21 mediante la relazione
Fz(z) = J fx(x) dx

(7.4.48)

R(z)

ove R(z) indica la regione dello spazio n-dimensionale individuata dall'evento


{g(XI'X2"",Xn)~z}.
Nota la funzione F;(z), possibile poi determinare la
densit di probabilit fz(z) della variabile Z per derivazione.
Esempio 7.8
Troviamo valore atteso e varianza della somma di n variabili aleatorie Xi,
i = l,...,n. Convienepensare a questo problemacome la trasformazionedi un
vettore aleatorio X in una singola variabile aleatoria Z:
n

Z=IXi
i=1

(E7.8.1)

Con notazione vettoriale, possiamo scrivere:

(E7.8.2)

418

Capitolo 7

Calcoliamo ora il valore atteso 17z:


n

T/z

= E{Z} = E{lTX} = lTE{X} = lT T/x = L17xi


;=1

(E7.8.3)

che risulta dato dalla somma dei valori attesi delle n variabili Xi di cui facciamo
la somma. Per quanto riguarda la varianza ()~ abbiamo:
()~

= E{(Z -

T/Z)2} = E{(lTX -lT T/x)(lTXn

= lTE{(X-T/x)(X-17xf}l

e T/xt}

= lTCxl = L;=1j=1
LCXiXj

(E7.8.4)

Per ottenere la varianza di Z si devono cio sommare tutti gli elementi della matrice di covarianza delle variabili aleatorie Xi date. Come caso particolare, se tali
variabili sono a due a due incorre/ate (oppure, a maggior ragione, indipendenti),
la varianza della loro somma pari alla somma delle varianze.
O
Esempio 7.9
Sono date le variabili aleatorie XI e X2, indipendenti ed entrambe E ?l (O,()2),a
partire dalle quali si costruiscono le nuove variabili
(E7.9.1)

y:2-- XI

X2

(E7.9.2)

Dopo aver ricavato la densit di probabilit fy, (y) della variabile aleatoria 1';,
dimostriamo che 1';e ~ sono ancora indipendenti.
Per dimostrare l'indipendenza delle variabili aleatorie 1';e ~ basta verificare
la validit dell'uguaglianza (si veda la (7.4.18))
(E7.9.3)
ove fr'Y2(YI'Y2) rappresenta la densit congiunta delle variabili aleatorie 1';e ~
mentre fy. (YI), fY2(Y2)sono le relative densit marginali. Per ricavare la densit
fr,Y2(Y\,Y2) si pu utilizzare il teorema fondamentale multi dimensionale
(7.4.44). Si devono quindi per prima cosa ricavare i punti x; risolvendo il sistema nonlineare
(E7.9.4)

Richiami di teoria della probabilit 419

Xl
Y2

(E7.9.5)

X2

XI e X2' Se Yl < O il sistema non ammette alcuna soluzione, e


quindi la densit congiunta nulla. Viceversa, se YI > O il sistema (E7.9.4-5)
ammette le due soluzioni seguenti:

nelle incognite

(E7.9.6)

(E7.9.7)
Il determinante dello Jacobiano della trasformazione dato da
det (J(Xl'xJ

2x(

)=det [ l/x2

2X2

X2
2

-XI

/ X2 ]

=-2 -t+l

[ X2

=-21+Y2
(

(E7.9.8)

e quindi
(E7.9.9)
La densit congiunta !x,x2 (XI'X2) di Xl e X2 si ricava immediatamente
conto dell' indipendenza:

tenendo

(E7.9.1O)

per cui troviamo il risultato cercato:


(E7.9.11)
La densit (marginale) della sola 1; si ricava subito per integrazione:
(E7.9.12)
ed quella di una variabile esponenziale. Da questo segue che possibile

esprimere la densit congiunta !Y'Y2(YI'Y2) come il prodotto di due fattori,

420

Capitolo 7

ciascuno dipendente solo da una variabile:


(E7.9.13)
ove la densit di 1; di Cauchy (Figura 7.19):

(E7.9.14)
Resta quindi dimostrato che le variabili aleatorie

~ e 1;sono indipendenti.

0.5

0.4

.-...

0.3

->-

0.2

C\J

'"

0.1

0.0
-5

-4

-3

-2

-1

Y2
Figura 7.19 Densit di probabilit di Cauchy

7.4.7 Variabili aleatorie congiuntamente Gaussiane (vettori Gaussiani)


Consideriamo un vettore aleatorio X = [X]'X2,..., Xn costituito da n variabili
aleatorie indipendenti. La densit di probabilit congiunta fx(x) del vettore X
espressa, per l'indipendenza delle variabili, dal prodotto delle densit di tutte le
componenti del vettore stesso, ovvero

(7.4.49)

fx(x) = nfx, (Xi)


i=]

Se, inoltre,

le variabili

aleatorie

sono Gaussiane,

i = 1,2,...,n, la funzionefx(x) diventa

cio

Xi E 9{ (1Jxi,(J'~i),

Richiami di teoria della probabilit 421

TI

fx(x)

(X'-1JX,)2

e ---'--=
2crx,

(7.4.50)

= ;=1 J2;rr(J~,

(2;rrrTI (J~,
;=1

Possiamo riscrivere questa densit usando il vettore dei valori medi 11x(7.4.39)
e la matrice di covarianza Cx (7.4.41). Quest'ultima, per l'indipendenza (e
quindi l'incorrelazione due a due) delle n variabili aleatorie, diagonale:
(J2

x,
O

Cx=l:
O

...

(J2
X2

o..

O
O
(J2
X.

, detCx =
I

TI(J,

(7.4.51)

nI

per cui facile riscrivere la densit di probabilit congiunta fx(x) nel modo
seguente:
(7.4.52)
Usciamo adessodal caso particolare delle variabili indipendenti, e definiamo
Gaussiano un vettore aleatorio X la cui densit di probabilit congiunta
espressadalla (7.4.52) qualunque sia la forma della matrice di covarianza
(purch ovviamente invertibile). Ribadiamo che la matrice Cx diagonale solo
se le variabili aleatorie sono incorrelate. Tale caso particolare solamente

servito a scopo

propedeutico,

cio per introdurre e motivare l'espressione

generale (7.4.52) della densit di probabilit del vettore Gaussiano. Le variabili


aleatorie XI, X2,. .., Xn che costituiscono
Gaussiane (o Gaussiane multivariate).

.
.

tale vettore si dicono congiuntamente

Un vettore Gaussiano X = [XI, X2,. oo,Xn gode delle seguenti propriet:


il suo comportamento statistico univocamente determinato dal suo vettore
dei valori medi 11xe dalla sua matrice di covarianza Cx;
se le n variabili aleatorie costituenti X sono incorrelate a due a due, allora la

densit di probabilit congiunta fx(x) (7.4.52) pu essere espressa come


prodotto delle n densit di probabilit marginali {fx, (x;),i = 1,2,...~n}; in altre
parole,

un vettore

Gaussi~o,

implica la loroil1flipende~za;

l' in..o[1~lazione
~

t..

tra le variabili
..

~le_at9rie
-<T"u..

un qualunque sotto-vettore k-dimensionale ( k < n) di X ancora un insiemef


di variabili aleatorie congiuntamente Gaussiane. 'Segue (basta prendere k = 1)

~. ~

I...)I~'W

..iooK-

4 1,]I

422

Capitolo 7

che tutte le variabili aleatorie che compongono il vettore aleatorio Gaussiano


sono marginalmente Gaussiane;
il vettore aleatorio Y = [~ ,1';,.. ., Ym generato a partire del vettore X con la
trasformazione lineare

Y=AX+b

(7.4.53)

ove A una matrice reale m x n e b un vettore reale a n componenti,


anch'esso un vettore aleatorio Gaussiano con vettore dei valori medi
l1v =Al1x +b

e matrice di covarianza
(7.4.54)

la densit congiunta di un qualunque sottogruppo di k variabili estratte dal


vettore (k < n) condizionata a un qualunque (sotto)gruppo di m tra le restanti
variabili (m ~ n - k) congiuntamente Gaussiana con opportuno vettore dei
valori medi condizionati e matrice di covarianza condizionata.

Esempio 7.10
Il vettore aleatorio
l1v

= [0,1,-1

1
Cv = 4 O

Gaussiano

V = [X,y,Zr

ha vettore

valori

medi

e matrice di covarianza

0.5

1 -0.5

r 0.5 -0.5

(E7.1O.1)

1]

Determiniamo la probabilit che la proiezione di V lungo la direzione


d = [0,1/-fi,1/ -fif sia maggioredi 2. Tale probabilit data da
Pr{V.d > 2} = Pr{(Y + Z)/-fi > 2} = Pr{Y + Z > 2-fi}

(E7.10.2)

Essa pu essere calcolata in maniera molto semplice se definiamo una nuova


variabile aleatoria W come somma di Y e Z, ovvero
W=Y+Z
La probabilit cercata allora

(E7.10.3)

Richiami di teoria della probabilit 423

(E7.1O.4)

= pr{ W> 2.J2}

Pr{V. d >.J2}

La variabile aleatoria W, essendo combinazione lineare di due variabili aleatorie


congiuntamente Gaussiane, essa stessa Gaussiana. Il suo valor medio e la sua
varianza, inoltre, sono ca1colabili immediatamente attraverso le relazioni
(E7.8.3)-(E7.8.4):
17w = 17y + T]z

(E7.1O.5)

= 1 -I = O

e
O'~

= O'~+ ai + Cyz + CZy = 4(1+ 1- 0.5 - 0.5) = 4

(E7.1O.6)

In conclusione, poich abbiamo dimostrato che W E9(0,4), la probabilit


(E7.1O.4) pari a

pr{ V . d > .J2}

= pr{ W > 2.J2}= 1-

<1>(
2~)

(E7.10.7)
==

0.0787

D
7.4.9 n teorema-limite centrale
Riprendiamoda un altro punto di vista la situazionedell'Esempio7.8, consideriamociola variabilealeatoria
n

Z=~x.
n
.J

(7.4.55)

i=]

che ottenuta come somma delle n variabili Xi, i = 1,...,n. Supponiamopoi che
le n variabili siano indipendenti e che abbiano tutte uguale funzione densit
fx (x) == f( x) con valore atteso 17x == 17e varianza a~ == 0'2. Dai risultati del
m~esimo Esempio 7.8, sappiamo che il valore atteso T]~e la varianza 0'; di Zn
sono rispettivamente
2
17n =n'17

an

2
=n'O'

(7.4.56)

Se consideriamo un numero n di variabili Xi man mano crescente, vediamo che


17ne 0'; crescono progressivamente con n. Definiamo allora, qualunque sia n, la
versione normalizzata della variabile Zn' precisamente la variabile aleatoria

424

Capitolo 7

(7.4.57)
che, indipendentemente da n, ha comunque valore atteso nullo e varianza
unitaria. Abbiamo gi incontrato questo procedimento di normalizzazione nella
definizione della variabile Gaussiana standard (7.3.31).
Un risultato fondamentale ("centrale") della teoria della probabilit il teorema-limite centrale (Lyapunov). Sotto ipotesi relativamente poco restrittive
sulla densit di probabilit fx, (x) ==f( x) delle variabili Xi' si dimostra abbastanza facilmente che, al tendere di n all'infinito, la densit di probabilit fs.(s)
della variabile somma normalizzata Sn (7.4.57) tende a una densit normale
standard:
(7.4.58)
In pratica, questo risultato dice che la somma di un gran numero di variabili
aleatorie indipendenti segue con buona approssimazione una legge Gaussiana, a
prescindere dalla particolare distribuzione di ciascuna di esse. Useremo il teorema-limite centrale nel prossimo capitolo quando modelleremo secondo una
statistica Gaussiana un fenomeno fisico (il rumore termico) composto dalla 80vrapposizione (somma) di moltissimi contributi elementari indipendenti.
L'ipotesi di equidistribuzione delle variabili Xi permette di condurre una dimostrazione del teorema particolarmente semplice. Il teorema-limite centrale per
valido anche sotto ipotesi diverse e meno restrittive, sebbene la dimostrazione
diventi pi complessa.
Un'idea della tendenza verso una distribuzione Gaussiana della somma normalizzata (7.4.57) si pu avere esaminando la Figura 7.20. Questa mostra le densit di probabilit delle variabili SI (a), S2(b), S3(c), SIO(d), SI5(e), S~ = N (t),
ottenute per ripetute convoluzioni e successiva normalizzazione a partire da una
variabile uniforme:
n-I volte

fz.

(z)= fAz)<?9fx(z)

Q9... <?9fAz)

, fs.(s)

=a-Jn.fz. (a-Jn.s + n.1])


(7.4.59)

La tendenza della densit n-esima verso una distribuzione Gaussiana chiara;


gi per n = 15 la

fs.(s)

e la fN(S) sono praticamente indistinguibili.

Richiami di teoria della probabilit 425

0.41-

n=1

0.3

0.3

00

";;;-

00
~

0.2

~~

Q1

0.0

0.0

234

-0.1

0.4
Q3

I]

n=2

0.5
-j

00

~~

Q1

0.0

0.0

-0.1
4

234

234

(e)

0.4

O't
0.31--

n=3

'

, "I

0.4

"j

"l"""

Ui
Z

0.2

0.1

-0.1
-4

/"'00. Normale

0.3

0.0

0.2

0.1
0.0

-3

-2

-1

O
S

(c)
Figura 7.20 Dimostrazione

L~

n=15

(b)

234

0.2

Q1

1\

0.41
03

00
~

0.2

-0.1
4

00
";8

(d)

0.5

";

o
S

(a)

n=10

0.2

Q1

-0.1

1\

0.41

-0.1
-4

-3

(f)
grafica del teorema-limite

centrale

-2

-1

O
S

426

Capitolo 7

Sommario
Contrariamente agli altri capitoli, non riassumeremo qui i risultati delle pagine
precedenti, perch tutto questo capitolo esso stesso un sommario di risultati e
concetti che il lettore deve avere gi fatto propri. Lo scopo di questa breve esposizione stato quello di rivedere in modo sintetico i punti principali della teoria
della probabilit, in modo da fissare uno scenario e le notazioni che fanno da
sfondo al Capitolo 8 sui processi aleatorio

Esercizi proposti
7.1 La stazione radio WXYZ trasmette il segnale orario allo scoccare di ogni
ora. L'ascoltatore-tipo sintonizza il proprio radioricevitore sulla stazione
WXYZ a un istante uniformemente distribuito tra le ore 7.10 e le ore 19.30

7.2

7.3

7.4

nella giornata. Calcolare la probabilit che l'ascoltatore riceva il segnale


orario entro 5 minuti dalla sintonizzazione su WXYZ (Suggerimento: si
adotti il minuto come unit di misura del tempo).
La popolazione di una data regione affetta dal virus Ebola con una probabilit dell' 1%. Il miglior test per il virus ha affidabilit pari all'80%.
Una persona viene scelta casualmente dalla popolazione data e risulta positiva al test. Qual la probabilit che la persona scelta sia effettivamente affetta da Ebola? Come si modifica il risultato se l'affidabilit del test tende
allOO%? E al 50%? Giustificare questi ultimi risultati (Suggerimento: si
usi laformula di Bayes).
La studentessa XYZ viene sottoposta a un quiz con m risposte possibili.
Se ha studiato l'argomento del quiz, ella risponder certamente in maniera
esatta, altrimenti sceglier una risposta a caso tra le m disponibili.
Supponiamo allora che XYZ abbia studiato l'argomento con probabilit p
e che, sottoposta al quiz, abbia scelto la risposta esatta. Sulla base di ci,
qual la probabilit che XYZ abbia studiato davvero? Se inoltre il numero
m delle risposte possibili grande, cosa si pu concludere sulla
preparazione di XYZ?

La scatolarappresentatain Figura7.21ha il fondoquadratodi lato l =l m


al centro del quale praticato un foro circolare di diametro d = 10cm.
Nella scatola vengono gettate a caso e indipendentemente lO palline di
piccolo diametro (cio di diametro d). Determinare la probabilit che,
alla fine della successione di lanci, nella scatola si trovino 7 palline.

Richiami di teoria della probabilit 427

Figura 7.21

7.5

data la variabile aleatoria X con densit di probabilit (esponenziale)

= exp(-x) u(x)

fAx)

Determinare e rappresentare la densit di probabilit della variabile


aleatoria
+00

Y = L(-l/(X

- i) rect(x-(i + 1/2))

;=0

7.6 data la variabile aleatoria X E 9{(O,l). Determinare la densit di


probabilit fy(y) e il valor medio 1]ydella variabile aleatoria lognormale
Y = e-x.
7.7 Per ottenere con precisione il valore della potenza P dissipata su un
resistore di resistenza nota r, si effettuano N operazioni di misura in
condizioni indipendenti della tensione ai capi di detto resistore e si
.

modellano i risultati di tali operazioni come N variabili aleatorie V;,


i = 1,...,N, mutuamenteindipendentie uniformementedistribuitetra -v e
+v. Si formaquindiuna stimadellapotenzadissipatacomesegue:

Determinare il valore atteso 1]pe l'accuratezza della stima, definita


quest'ultima come la deviazione standard a p della variabile aleatoria P.
Commentare l'influenza sui risultati del numero N di misure effettuate.
7.8 In un esperimento aleatorio si fissano in modo indipendente due punti r: e
Pz su una retta. Le coordinate XI e X2rispettivamente di r: e Pz sono
modellate come variabili aleatorie indipendenti entrambe E9{(O,l).

428

7.9

Capitolo 7

Determinare il valor medio della distanza fra F: e ?z .


Due amici si danno appuntamento nella piazza del paese alle ore 0:00.
L'ora di arrivo di ciascuno dei due una variabile aleatoria uniformemente
distribuita fra le ore 0:00 e le ore l :00. Inoltre, i due amici arrivano
indipendentemente l'uno dall'altro. Il primo arrivato aspetta l'altro per non
pi di 20 minuti e poi torna a casa. Calcolare la probabilit che i due amici
si incontrino.

7.10 Su di un segmento di lunghezza a vengono scelti due punti casualmente e


indipendentemente. Tali punti dividono il segmento dato in tre ulteriori
segmenti di lunghezza ~ a. Calcolare la probabilit che il segmento
"centrale" sia pi lungo del segmento "a sinistra".
7.11 Sono assegnate due variabili aleatorie indipendenti X e Y, entrambe
uniformemente distribuite fra -l e l. Trovare la probabilit che l'equazione di secondo grado in a
a2 +2Xa+ Y= O
abbia radici reali.
7.12 Viene fissato a caso un punto su ciascuno dei due lati adiacenti di un
quadrato. Calcolare la probabilit che l'area del triangolo formato dai lati
del quadrato e dal segmento di retta congiungente i due punti sia minore di
1/8 dell'area del quadrato stesso.
7.13 Un libro A di 200 pagine e uno B di 300 vengono aperti indipendentemente e in modo casuale da due lettori. Determinare la probabilit che il
numero della pagina alla quale il libro A viene aperto sia maggiore della
pagina di apertura di B.
7.14 Per questioni di scarsa accuratezza nella manifattura, i valori .della resistenza del resistore e della capacit del condensatore nel circuito di Figura
7.22 devono considerarsi come due variabili aleatorie rispettivamente R e
C indipendenti e con densit di probabilit uniforme tra O e 2 kQ per il
resistore e tra O e 2 Jl.Fper il condensatore. Come indicato in figura, al
condensatore inizialmente scarico viene applicata all'istante t = O una
tensione pari a l V attraverso il resistore R. Calcolare la probabilit che la
tensione ai capi del condensatore C all'istante to= l ms sia inferiore a
l-l/e V.

Richiami di teoria della probabilit

429

V(t)

Figura 7.22

7.15 data la variabile aleatoria X uniformemente distribuita tra -l e 1, e la


variabile Y indipendente da X e uniformemente distribuita tra O e 1.
Determinare e rappresentare la funzione densit di probabilit fz(z) della
variabile aleatoria

Z=Y-IXI
7.16 Sono assegnate le due variabili aleatorie indipendenti X e Y, entrambe
uniformemente distribuite fra O ed 1. Trovare la funzione densit di
probabilit fz(z) della variabile aleatoria
Z = max(XY,XjY)
7.17 assegnato un gruppo di variabili aleatorie XI' X2, X3,
identicamente distribuite, con

indipendenti e

Dato un generico numero intero n, trovare la probabilit Pn che valga


congiuntamente
Xl +X2 +",+Xn-I ~5
{ XI+ X2+... + Xn-l + Xn > 5

7.18 Un nuotatore deve attraversare il fiume rappresentato schematicamente in


Figura 7.23, e quindi si tuffa nel punto A e nuota con velocit di modulo
aleatorio Y e direzione ortogonale alle sponde del fiume. Tuttavia, a causa
dello scorrimento dell'acqua del fiume con velocit di modulo aleatorio X
(e direzione indicata dalla freccia in figura), il nuotatore non approda nel
punto B desiderato, bens nel punto C. Sapendo che X e Y sono variabili
aleatorie indipendenti e identicamente distribuite con densit esponenziale

430

Capitolo 7

unilatera di valor medio 17= 1 m/s, e che la distanza fra le due sponde del

fiume d = 100 m, ricavare la densit di probabilit della variabile aleatoria S che rappresenta la distanza fra i punti B e C.

t
d

T
I
I

Fiume

iI / /

14

1/
A 1/
1/

Figura 7.23

7.19 Sono assegnate due variabili aleatorie indipendenti X e Y, entrambe


uniformemente distribuite fra O e 1. Si consideri quindi il sistema di
variabili aleatorie

z = X- Y
{ V=X+Y
Trovare la densit di probabilit condizionata fZIA (ZIA), ove A == {V ~ l}.
7.20 Dimostrare che la densit di probabilit congiunta di due variabili aleatorie
X e Y congiuntamente Gaussiane si pu esprimere come segue:

ove i 5 parametri 17x' 17y,()x' ()Y' p xy sono rispettivamente i due valori


attesi, le due varianze e il coefficiente di correlazione delle due variabili
date.

8
Segnali aleatori

8.1 Dai segnali determinati

ai segnali aleatori

Gi nel Capitolo l abbiamo introdotto due importanti classi distinte di segnali:


determinati o aleatorio L'esempio tipico di segnale determinato l"'onda
quadra"prodotta da un generatore di forme d'onda elettronico (Figura 8.1): di
questo segnale possibile conoscere a priori l'andamento, perch possibile
controllame l'ampiezza picco-picco 2A e il periodo di ripetizione 1'0(o la
frequenzafondamentale io) agendo sui controlli dello strumento.
y(t)

...

...

-To/2
To/2

To

-A r
Figura 8.1 Esempio di segnale determinato: l'onda quadra

Consideriamo invece la tensione raccolta tra due elettrodi posti sul corpo di un
paziente per la misura di un elettrocardiogramma. A seconda del paziente e del
particolare stato di salute in cui egli si trova, si ottengono diverse forme d'onda,
come quelle mostrate in Figura 8.2.

432

Capitolo 8

6.0

:> 5.5
.s

:t:.. 5.0
X
4.5

I. t..

t.

I I l,I.

6.0

:>

-.s

1'1"

1'1

I I.

I.

I I...

I I I.

I I I..

I I Il

I I I I I I I I Il

I I I I I I I I I

I . I.

I.

I I t I.

I I I I.

I I I I I.

I I I I I

I
6

5.5

:t:..
5.0
C\J
X

4.5

1,1
o

l' I...

I 1.,.
1

l'

I l.

i 1",

i I i..
2

t I l''

t I,.

I I..

I. I..
3

I . I...

I l. 1.1
4

I I l' t I I I l' I I I i. I
5
6

6.0

:>
.s

5.5

:t:..
'"

5.0

4.5
1,1

I 1.1

..

1'1'1

l''''

l'

I 1.1.1.1.1

l''

1'1'"

1.1

I I l.

I "

I..

l'

1,1

t I I I I I I

I
6

I I

6.0

:>
.s

5.5

:t:..
....

5.0

4.5

I..
o

II

I I 1.1

l.

l''

I.

i..

1.1..

I...

I I..

Tempo,
Figura 8.2 Esempi di elettrocardiogramma

l'

I I I I I l.

i t I I I I.

I I 1.1

I I l''

I I

t (s)

in pazienti affetti da aritmia

Queste forme d'onda non sono ovviamente predicibili a priori (come l'onda
quadra), n sul breve n sul lungo termine. Sull'andamento di questi segnali si
hanno solo informazioni generiche: come si nota dalla Figura 8.2, l'ampiezza
dell'elettrocardiogramma di pochi mV attorno a un valore continuo diverso da
zero (informazione sulle ampiezze), e il segnale mostra una certa periodicit con
un periodo valutabile all'incirca tra 0.5 e 1 s (informazione sull' evoluzione temporale). L'unica maniera di conoscere l'andamento di un elettrocardiogramma


Segnali aleatori 433

quella di osservarlo e, come quotidianamente in uso nella pratica medica, registrar/o sotto forma di grafico su di una striscia di carta, o, negli ambulatori pi
moderni, sotto forma di un file in uno strumento elettronico digitale. Il segnale
non dunque determinato, cio non predicibile, ed noto solo a posteriori: in
una parola, abbiamo a che fare con un segnale aleatorio. Nonostante questa impossibilit di effettuare una predizione, dovremo comunque essere in grado di
studiare i segnali aleatori, per poter progettare sistemi che osservano ed
elaborano correttamente tali segnali (ad esempio un buon elettrocardiografo).
Lo strumento matematico per eccellenza che permette di studiare i segnali
aleatori naturalmente la teoria della probabilit, i cui concetti basilari sono
stati rivisti brevemente nel Capitolo 7. La modellizzazione di un segnale aleatorio viene effettuata attraverso la teoria dei processi aleatori (o stocastici) che in
pratica costituisce l'oggetto di tutto questo capitolo.
8.1.1 DefInizione di processo aleatorio
Torniamo dunque all'esempio dell'elettrocardiogramma, e supponiamo di compiere uno dei soliti "esperimenti ideali". Ammettiamo di essere in grado di raccogliere tutti gli esseri umani del mondo in un ambulatorio e di misurare e registrare i loro rispettivi elettrocardiogrammi in un "enorme archivio". Dovremmo
cio aggiungere ai quattro segnali X.(t),X2(t),X3(t),X4(t) di Figura 8.2, chiamati
funzioni campione, i restanti 5 miliardi circa di funzioni campione di tutti gli
altri esseri umani. Ogni volta che in un ambulatorio di cardiologia si presentasse
un paziente, l'osservazione del suo elettrocardiogramma si ridurrebbe quindi alla
selezione del segnale appropriato nell'archivio. Naturalmente, non sapendo a
priori chi si presenter in ambulatorio, non possibile sapere che forma avr il
segnale finche il paziente non si sar presentato (cio finch non sar stato effettivamente misurato l'elettrocardiogramma): in questo senso il segnale aleatorio.
Questo che abbiamo chiamato "esperimento ideale" una definizione un po'
romanzata di processo aleatorio. Questa definizione richiede innanzitutto di
considerare un esperimento aleatorio o, meglio, uno spazio di probabilit
caratterizzatoda uno spaziocampione Q = {OJj}(quiper semplicitdiscreto),da
una classe degli eventi S e dalla legge di probabilit PrO definita su S. Si deve
poi individuare un insieme difunzioni del tempo Xj(t) (le funzioni campione) in
numero pari a quello dei risultati dell'esperimento OJj'Infine, si deve istituire
una corrispondenza che associa a ciascun risultato OJjdell'esperimento una delle
possibili funzioni campione x;(t):

434

Capitolo 8

(8.1.1)

Questa corrispondenza, rappresentata in Figura 8.3, costituisce appunto il processo aleatorio. Quando si effettua una prova dell'esperimento (una misura di
un elettrocardiogramma), si ha un risultato dello spazio campione (un paziente)
cui associata una funzione campione (un elettrocardiogramma), cio il segnale
che effettivamente viene osservato, e che prende il nome di realizzazione del
processo I .

~
ro
1

ro

Figura 8.3 Rappresentazione grafica della defmizione di processo aleatorio

Il processo aleatorio caratterizzato dalla (8.1.1) si indica comunemente con X(t)


omettendo per semplicit la dipendenza dal risultato mi dello spazio campione
il. Tale dipendenza, come nel caso delle variabili aleatorie, deve essere sempre
considerata implicita (si veda il Paragrafo 7.3.1).
Discutiamo adesso le conseguenze di questa definizione. Come gi stato
chiarito, fissare nel processo aleatorio X(mi;t) il risultato dell' esperimento, ad
esempio mJ' significa selezionare quella tra le varie funzioni campione che si
realizzata in una data prova; non c' pi alcuna aleatoriet e il processo diventa
a posteriori il segnale determinato X(mJ;t), cio la funzione campione Xt(t).
I Normalmente, realizzazione viene usata come sinonimo di funzione campione. In realt, le
funzioni campione sono tutti i possibili segnali del processo, mentre la realizzazione quello tra
i possibili segnali che viene effettivamente osservato in una data prova dell'esperimento.

lo.

Segnali aleatori 435

Viceversa, co'sa succede se fissiamo arbitrariamente un certo istante di tempo


ti nel processo X(mi;t)? Questa operazione rappresentata nella Figura 8.4, in
cui sono riportate sullo stesso grafico quattro funzioni campione di un processo
dato e in cui viene evidenziato l'istante temporale t = t). Come si nota dal
grafico, il valore del processo x( mi;t,) per un istante fissato un insieme di
(quattro) valori ottenuti "campionando" le (quattro) funzioni campione a
quell'istante. Ogni valore risulta automaticamente corrispondente a un risultato
dello spazio campione (ovviamente, quello della relativa funzione campione): in
una parola, il valore del processo a un dato istante una variabile aleatoria.
Questa conclusione si accorda bene con il concetto elementare che si pu avere
di un segnale aleatorio, cio di un segnale il cui valore a un dato istante non sia
esattamente determinabile.

-2

-4

Tempo. t
Figura 8.4 Variabile aleatoria estratta da un processo

8.1.2 Processi parametrici


Un semplice esempio di processo aleatorio il seguente:
X(m;t) = e-A(w)I u(t)

(8.1.2)

in cui A(m) una variabile aleatoria con distribuzione uniforme nell' intervallo
(O,l/T). Omettendo la dipendenza dal risultato m si ha equivalentemente
X(t)

= e-AI u(t)

(8.1.3)

436

Capitolo 8

Questo un esempio di processo parametrico: viene definita una classe di


funzioni campione il cui andamento dipende dal valore di un numero finito di
variabili aleatorie (parametri). Queste variabili aleatorie servono in un certo
senso da "intermediario" tra lo spazio campione e le funzioni campione:
l'associazione tra i risultati dell'evento e la funzione campione non diretta
come in Figura 8.3, bens passa attraverso il particolare valore che la variabile
aleatoria prende nella prova dell'esperimento, come in Figura 8.5. Alcune
funzioni campione x(m;t) del processo dato corrispondenti a valori diversi della
variabile aleatoria A sono rappresentate nella Figura 8.6.

(09

1:I
I
I
I
I
I

(09
21
I

:
I
I

(O

9
3iI

,Q

a
Figura 8.5 Costruzione di un processo parametrico

Come ulteriore esempio di processo parametrico, consideriamo l'oscillazione sinusoidale prodotta da un generatore di forme d'onda elettronico. Di questa oscillazione possono essere controllate l'ampiezza e la frequenza, mentre lo strumento non consente in genere di controllarne la fase iniziale. Il modello pi appropriato di questo segnale allora il processo parametrico
X(t)

= a cos(2J%t + 8)

(8.1.4)

in cui a ed io sono quantit note, mentre la fase iniziale 8 una variabile


aleatoria uniformemente distribuita in [O,2n-)(cio completamente casuale).

Segnali aleatori 437

Torneremo su quest'ultimo processo nell'Esempio 8.2.


1.2

A=O

:;:;- 1.0

8
x

~
o

0.8

'0.
E
ro 0.6
o
'E
o 0.4
'N
c:
::I
U. 0.2
0.0
0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0

Tempo normalizzato, t!T


Figura 8.6 Funzioni campione del processo parametrico (8.1.4)

8.1.3 Caratterizzazione statistica di un processo aleatorio


chiaro a questo punto della discussione che, contrariamente al caso di un segnale determinato, non ha senso parlare dell' andamento di un processo.
D'altronde, l' elencazione esaustiva di tutte le funzioni campione del processo e,
soprattutto, la loro associazione ai risultati dello spazio campione un procedimento impensabile nella grande maggioranza dei casi (eccezione notevole, i processi parametrici). Si pone quindi il problema della caratterizzazione delle propriet di un processo dal punto di vista statistico.
Cominciamo con l'osservare che, stante la discussione al paragrafo precedente, se si fissa un arbitrario istante di tempo t = tI, il valore del processo X(tl)
a quell'istante in generale una variabile aleatoria. Come stato richiamato nel
Paragrafo 7.3, il comportamento statistico di questa variabile pu essere descritto mediante la sua funzione distribuzione. dunque ragionevole, in virt di
queste considerazioni, definire la funzione distribuzione di probabilit del primo
ordine del processo mediante la relazione
..
...

FAx;t,)~Pr{X(t()::; x}

(8.1.5)

Naturalmente questa funzione dipende anche da una variabile temporale perch


le propriet statistiche della variabile aleatoria X(t() cambiano, in generale, al

438

Capitolo 8

cambiare dell'istante di tempo tJ al quale si "campiona" il processo.


Potrebbe sembrare che la funzione FAx; tI) sia sufficiente a caratterizzare le
propriet del processo. Per dimostrare che quest'affermazione non vera, consideriamo un esempio elementare. Un tipico caso in cui si ricorre a un processo
aleatorio per modellare una serie di osservazioni la quotazione di un titolo in
borsa. L'andamento di questo segnale al variare del tempo non (sfortunatamente) prevedibile, e quindi possiamo usare la teoria dei processi per cercare di
ottimizzare i nostri investimenti in borsa. Chiamata X(t) la quotazione
(aIeatoria) del titolo di interesse, un investitore interessato alla probabilit di
realizzare un utile, ossia interessato alla probabilit dell' evento che la quotazione del titolo all'istante t2 di vendita sia maggiore della quotazione all'istante
ti di acquisto:
(8.1.6)

Questa probabilit non pu essere ricavata dalla funzione FAx;tl) (del primo
ordine) perch richiede la considerazione congiunta di due variabili aleatorie
estratte dallo stesso processo in istanti distinti. quindi necessario introdurre
una descrizione del secondo ordine del processo. Si devono considerare cio due
istanti di osservazione ti e t2 estraendo, cos, due variabili aleatorie X(tl) e
X(t2)' Il comportamento statistico di questa coppia di variabili aIeatorie allora
completamente descritto dalla loro funzione di distribuzione congiunta, cio
dalla funzione
(8.1.7)
nota come distribuzione di probabilit del secondo ordine del processo.
Come chiaro, il ragionamento che ha portato a estendere la descrizione dal
primo al secondo ordine pu essere iterato a piacere. La conclusione che la descrizione statistica di un processo completa solo quando si in grado di caratterizzare il comportamento statistico congiunto di un numero n arbitrario di variabili aleatorie X(t,),X(t2),...,X(t,,) estratte da X(t) a n istanti diversi, comunque grande sia il numero intero n, e comunque si scelga la n-upla di istanti
(t"t2...,t,,). Ci richiede, quindi, la conoscenza della funzione distribuzione di
probabilit dell'n-esimo ordine definita dalla relazione:
(8.1.8)

Segnali aleatori 439

per ogni valore del parametro n e per ogni valore del vettore (tl,t2...,t,,).Una
descrizione completa del tutto equivalente (e anche pi usata in pratica) si basa
sullajnzione densit di probabilit di ordine n del processo:
(8.1.9)
Riassumendo, la caratterizzazione statistica completa del processo aleatorio
X(t) richiede la conoscenza della classe di funzioni densit di probabilit
fX(XI,X2,...,X,,;tl,t2,...,tll)per qualunque numero n di variabili aleatorie X(tl)'
X(t2) ,..., X(t,,), cio di qualunque ordine.
Osserviamo che ci che stato introdotto come una caratterizzazione pu anche essere usato come definizione alternativa di processo aleatorio: un processo
aleatorio unafamiglia di variabili aleatorie dipendenti dalla variabile temporale t e caratterizzate dalla classe delle densit di probabilit congiunte
fAxpX2,.",XII;tpt2,...,tll). In questo testo abbiamo preferito introdurre il processo aleatorio come associazione di funzioni campione ai risultati dello spazio
campione perch tale definizione pi orientata allo studio del processo come
segnale.
abbastanza chiaro che, assegnato un processo X(t), impresa disperata
pervenire alla sua conoscenza statistica completa. In alcuni casi sufficiente in
realt conoscere la distribuzione (o densit) di probabilit del primo ordine, raramente si cerca di misurare o calcolare quella del secondo. Molto pi spesso ci
si accontenta di parametri statistici semplificati (si veda a questo proposito il
Paragrafo7.3.4) che saranno discussi nel prossimo paragrafo.
Esempio 8.1
Un punto materiale si muove su una linea retta con moto uniforme. Di questo
punto si misurano con incertezza la posizione e la velocit all'istante iniziale
t =O. Queste due grandezze vengono dunque modellate rispettivamente con una
variabile aleatoria SoE'li (-1,1), e una seconda variabile "o E? (, 4/T2) indipendenteda So'Indichiamo con S(t) il processo aleatorio che rappresenta la posizione del punto al generico istante t e determiniamo la densit di probabilit
del primo ordine fs(s;tl) di tale processo.
n segnale S(t) un processo aleatorio parametrico, essendo espresso dalla
seguenterelazione:

440

Capitolo 8

(E8.1.1 )

Le funzioni campione di questo processo sono rette di pendenza e intercetta


sugli assi aleatorie. Fissiamo dunque il particolare istante di tempo t), ed
estraiamo dal processo la variabile aleatoria
(E8.1.2)
Per determinare la densit fs(s;t)) cominciamo con l'osservare che il prodotto
SI=="Vo
t, una variabile aleatoria E? (0,4t,2/'r2)ancora indipendente da So'La
variabile estratta dal processo
(E8.1.3)
e la funzione fs(s;tl) data, quindi, dalla convoluzione tra la densit di probabilit fso(s) di Soe quella fs, (s) di SI:
-+fs(s;tl)

= fs.(s)

fs, (s) =

f fso(u )/s, (s -

(E8.1.4)

u)du

ove naturalmente il parametro ti "nascosto" in /S, (s)). Ricordando che:

(E8.1.5a)
(E8.1.5b)
dalla (E8.1.4) si ricava che
~

fs(s;tl)=

_2
f-rect

(2)
-

(.'-/l)2T2

I ti l-J8ne-~du=-fl
8"

Effettuando il cambiamento di variabile a

2 -I
= (u -

(J-/l)2T2

8"

(E8.1.6)

t) l-J8ne-~du

s)T / (21t)

si ottiene:

ove cp(x) la funzione distribuzione di una variabile aleatoria normale standard


(7.3.3). L'andamento della funzione fs(s;t)) illustrato nella Figura 8.7 per i
valori indicati del parametro t). Il lettore spieghi perch questa funzione tende a

Segnali aleatori 441

diventare "squadrata" man mano che ti si avvicina a zero.

-0.25
-4

-3

-2

-1

S
Figura 8.7 Densit di probabilit del primo ordine del processo dell'Esempio 8.1

8.2 Indici statistici dello e 20 ordine di un processo aleatorio


8.2.1 Funz.oni valor medio, potenza, varianza
Come gi accennato nel paragrafo precedente, la caratterizzazione statistica
completadel processo aleatorio X(t) richiede la conoscenza della classe di funzioni densit di probabilit fAxl,X2,...,X,,;tpt2,...,tll)' ed quindi estremamente
complessa da ottenere. Il comportamento del processo spesso abbastanza ben
descrittoda indici statistici semplificati.
Da questo punto di vista, una grandezza particolarmente significativa nella
descrizionestatistica semplificata di un processo aleatorio X(t) la sua funzione
valor medio statistico 1Jx(t). Per definizione, il valore di questa funzione a un
istante assegnato t =t il valor medio della variabile aleatoria X(t), estratta dal
processo all'istante stesso:
+00

1JAt) = E{X(t)} = J xfAx;t)dx

(8.2.1)

Al variare di t si generano infinite variabili aleatorie, ciascuna con un diverso


valor medio. Ripetendo il calcolo nella (8.2.1) per ogni valore della variabile

442

Capitolo 8

temporale si ricava l'andamento dellaftmzione

T7x(t) definita come segue:

-+<o

T7x(t)~E{X(t)}

(8.2.2)

=f xfx(x,t)dx

La funzione valor medio (8.2.2) rappresenta una statistica del primo ordine di
X(t) poich il suo calcolo prevede la considerazione di una sola variabile aleatoria estratta dal processo, e quindi richiede la conoscenza della sola densit di
probabilit del primo ordine del processo stesso. La dipendenza della funzione
T7x(t)dallavariabiletempo dovutaal fattoche la densitdi probabilitfAx;t)
del primo ordine di X(t) , usualmente, una funzione di tale variabile perch le
propriet statistiche della variabile aleatoria estratta dal processo cambiano al
variare del tempo (si veda la Figura 8.7).
La funzione T7x(t)rappresentauna sorta di "compendio"dell'andamentodi
tutte le funzioni campione del processo, pesate ciascuna con la relativa probabilit di presentazione, e per questo non necessariamente una delle funzioni
campione del processo X(t) (si veda la Figura 8.8).

....
o
ai
>

Q)
c
o
'N
c
:J
LL.

-2

-4

Tempo.

Figura 8.8 Funzionevalormediostatistico 1Jx(t) di un processo aleatorio X(t)

Esempio 8.2
Prendiamo in considerazione una versione modificata del processo aleatorio
parametrico introdotto alla fine del Paragrafo 8.1.1:

Segnali aleatori 443

X(t)

= acos(2n.fot + E

(E8.2.1)

ove a ed io sono noti, mentre la fase iniziale stavolta 8 E'll(O,n). Le funzioni


campione del processo sono segnali cosinusoidali aventi la medesima frequenza
lo, ma una diversa fase iniziale 8 appartenente all'intervallo [O,n]. Se immaginiamo di fissare il valore del tempo t, abbiamo una variabile aleatoria
a cos(21ifot+ 8) ottenuta come trasformazione della variabile 8. Per ricavare il
valor medio di tale variabile possiamo quindi usare il teorema del valor medio
(7.3.24):
-+-

E{X(t)}

!!:.-

= Ee{acos(21ifot+ 8)} = f acos(21ifot+O)fe(O)dO

j cos( 21ifot + O) dO =_n!!:.-[sin( 21ifot + n)

no

- sin( 21ifot)] = - 2a sin( 21ifot)

(E8.2.2)
ove il simbolo Ee {.} rappresenta l'operazione di media statistica rispetto alla
variabile E>. La Figura 8.9 mostra alcune funzioni campione del processo
insieme con la funzione valor medio 17At) appena ricavata:
(E8.2.3)

17At)= - 2a
n sin(21ifot)

Il lettore ricavi la funzione valor medio del processo nella versione del Paragrafo
8.1.1,in cui cio 8 E'U(O,2n).
O
Un'altra grandezza statistica del primo ordine utile per caratterizzare
statisticamenteil processo X(t) la funzione potenza media statistica istantanea
PAt) (brevemente, potenza media):
-+-

PAt)!E{ X2(t)} =f X2fAx;t)dx

(8.2.3)

che il diretto analogo, per i segnali aleatori, della potenza istantanea


Px(t)= X2(t) dei segnali determinati. Per i segnali aleatori si definisce anche la
funzione varianza del processo:
-+-

(j~(t)!E{(X(t)-

17At)f}

=f (x -

17At))2fAx;t)dx

(8.2.4)

ii

444

Capitolo 8

cio la varianza della variabile aleatoria ottenuta fissando l'istante t. Dalla


(8.2.4) si ricava facilmente l'uguaglianza
(8.2.5)
che esprime la varianza di X(t) in funzione del suo valor medio e della sua
potenza media statistica (si veda anche la (7.3.29.
1.5
a=1
1.0

0.5

~x 0.0
t="

-0.5

-1.0

-1.5
-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

Tempo normalizzato, fot


Figura 8.9 Funzioni campione e funzione valor medio del processo dell'Esempio 8.2

8.2.2 Funzioni di autocorrelazione e autocovarianza


Introduciamo adesso due parametri statistici del secondo ordine di fondamentale
importanza per lo studio dei segnali aleatori, rimandando di qualche pagina la
discussione sul significato e sull'utilit dei medesimi (che apparir chiara nel
contesto dei processi stazionari).
Fissiamo adesso due istanti di tempo arbitrari ti e t2 sul nostro processo, ottenendo le due variabili aleatorie Y = X(t() e Z = X(t2)' significativo allora
calcolare la correlazione ryz = E{YZ} (7.4.27) fra queste due variabili. Naturalmente, il valore di questa correlazione risulter funzione dei due istanti ti e t2
ai quali le variabili sono state estratte, e potr essere calcolata solo conoscendo
la funzione densit di probabilit del secondo ordine del processo:

RX(tl't2)~E{X(tl)X(t2)}= J

J XI X2 fAXI'X2

;tl't2 )dxl dX2

(8.2.6)

Segnali aleatori 445

La RA tI't2) si chiama funzione di autocorrelazione perch le due variabili


aleatorie di cui si calcola la correlazione sono estratte dallo stesso processo
aleatorio.
Se invece tra le due variabili aleatorie X(tI) e X(t2) calcoliamo la covarianza
(7.4.28)otteniamo la funzione di autocovarianza CX(tt,t2)di X(t):
CAtpt2)~E{[ X(tl) - T1Atl)][X(tJ - T1At2)]}
-+<o

-+<o

(8.2.7)

f[Xt - T1Atl)]'[X2- T1x(tJ]fx(xl'x2;tpt2)dxl dx2

Da questa definizione si ricava immediatamente la relazione:


(8.2.8)
che esprime la funzione di autocovarianza di X(t) attraverso le funzioni valor
medioe autocorrelazione.
Esempio 8.3

Ricaviamo la funzione di autocorrelazione RAtpt2) del processo dell'Esempio


8.2:

X(t) = acos(2~t+e)

(E8.3.1)

Osservandoil processo aleatorio agli istanti ti e t2 otteniamo rispettivamente le


variabili aleatorie X(tl) = acos(2~tl + e) e X(t2)=acos(2~t2 + e), le quali
sono entrambe trasformazioni della stessa variabile aleatoria E>.La funzione di
autocorrelazione Rx(tI't2) si pu calcolare facilmente con il teorema del valor
medio:

(E8.3.2)
La funzione Rx(tI't2) cosinusoidale e dipende dalle variabili

ti

e t2 attraverso

446

Capitolo 8

la loro differenza, ovvero


(E8.3.3) .
Questa propriet, come vedremo nel paragrafo successivo, verificata da una
classe notevole di processi.
O

8.3 Processi aleatori stazionari


8.3.1 Stazionariet in senso stretto
Una propriet notevole di alcuni processi aleatori la stazionariet. Come abbiamo gi visto nei precedenti paragrafi, gli indici statistici di un processo, ad
esempio la funzione valor medio 1JAt) o la funzione di autocorrelazione
RAtl't2) e, a maggior ragione, le funzioni densit di probabilit fAXI'X2,...,xn;
tl't2,...,t,,) dipendono in generale dalla scelta degli n istanti di tempo tl't2,...,t"
in corrispondenza dei quali viene valutato il processo. Cosa succede se spostiamo rigidamente tutti gli istanti temporali, cio consideriamo la nuova n-upla
di istanti t, + I1t,t2+ I1t, ,...,t" + 11t,con I1t arbitrario? In generale, otteniamoun
diverso valore della funzione densit di probabilit di ordine n. Se, viceversa,il
valore della funzione densit resta invariato qualunque sia I1t e per ogni ordine
n, allora il processo si dice stazionario in senso stretto:
"i/n,'Il/).t
(8.3.1)

La stazionariet in senso stretto (o in senso forte) richiede dunque che le


funzioni densit di probabilit del processo di qualunque ordine siano invarianti
rispetto a una traslazione rigida degli istanti temporali. Detto in altre parole,ci
significa che i processi X(t) e X(t + I1t) hanno le stesse statistiche, e quindi
sono equivalenti dal punto di vista statistico. Ci non significa che X(t + /).t)sia
uguale a X(t) ; infatti, le funzioni campione di X(t + I1t) sono ottenute da quelle
di X(t) per traslazione temporale, e quindi i due processi sono differenti. Se
per X(t) stazionario in senso stretto, non possibile distinguerlo da
X(t + I1t) con misure statistiche.
Discutiamo ora le conseguenze di questa definizione. Se consideriamo la
densit del primo ordine del processo, la definizione (8.3.1) ci dice che devevalere l'uguaglianza

Segnali aleatori 447

fAx;t)=fAx;t+M)

\;fM

(8.3.2)

Poich I1t arbitrario, se ne conclude che la densit di probabilit del primo


ordine fx(x;t) non dipende dal tempo: fx(x;t) = fAx) (stazionariet di ordine
uno). Questa osservazione porta anche a concludere che tutte le grandezze
statistiche del primo ordine del processo non dipendono a loro volta dalla
variabile tempo: tutte le variabili aleatorie estratte da X(t) sono equidistribuite e
hanno, in particolare, uguale valor medio e uguali potenza media statistica e
vananza:
(8.3.3)
Esaminiamo ora le implicazioni della stazionariet sulle statistiche del secondo
ordine. Immaginiamo, allora, di osservare il processo aleatorio X(t) a due istanti
arbitrari ti e t2, estraendo da esso le variabili aleatorie X(ti) ed X(t2)' Come
sappiamo, il comportamento statistico congiunto di tali variabili aleatorie
descritto dalla densit di probabilit del secondo ordine fAXI'X2;tl,t2)' Se
consideriamo, poi, la coppia di variabili aleatorie X(tl + I1t) e X(t2 + I1t) estratte
agli istanti ti + I1t e t2+ I1t, sappiamo che
(8.3.4)
si ha cio in particolare la stazionariet di ordine due. Considerando che anche
in questo caso I1t arbitrario, chiaro che la funzione fAx!,X2;tl't2) non pu
dipendere da ti e t2 separatamente, ma deve dipendere soltanto dalla differenza
ti - t2 tra gli istanti temporali, che resta appunto invariata in una traslazione

rigidadeitempi:
fAx"X2;t],t2) = fAxl,X2;tl - t2)

(8.3.5)

Tutte le statistiche del secondo ordine, e in particolare la funzione di


autocorrelazione e la funzione di autocovarianza godono evidentemente di
questa stessa propriet:
(8.3.6)
Generalizzando, chiaro che la densit di probabilit (e tutte le statistiche) di
ordine n di un processo stazionario in senso stretto dipendono soltanto dalle
(n-l) differenze (distanze) ti -t2,t3 -t3,...,tn-1 -t" tra gli istanti t"t2,...,t",
differenze che restano invariate in una traslazione rigida dei tempi:

448

Capitolo 8

(8.3.7)

Attraverso le "regole marginali" (7.4.36) non difficile verificare che la


stazionariet di ordine n implica tutte le stazionariet di ordine inferiore, mentre
non vale il viceversa.
Esempio 8.4
Consideriamo il processo aleatorio parametrico
X(t)

=A

(E8.4.1)

ove A una variabile aleatoria uniforme nell' intervallo [-1,1] e cerchiamo di


verificare se il processo stazionario in senso stretto. Alcune funzioni campione
di questo processo sono rappresentate in Figura 8.10: esse sono segnali costanti
il cui valore rappresentato dal particolare valore assunto in ogni prova
dell' esperimento della variabile aleatoria A.
x( oo;t}

-1
Figura 8.10 Funzioni campione del processo dell'Esempio 8.4

Evidentemente, il processo stazionario di ordine uno perch, comunque si fissi


un istante di tempo, la densit di probabilit della variabile aleatoria risultante
sempre la stessa:

(E8.4.2)
in quanto ovviamente X(t) = A. Ragionandoin questastessamanierasi capisce
che il processo stazionario di ordine n qualunque. Infatti, comunque si fissi la
n-upla di istanti t(,t2,...,tn si ottiene sempre la stessa n-upla di variabili aleatorie
X(t() = A,X(t2)= A,...,X(tn) = A, e quindi la densit di ordine n non dipende dal

Segnali aleatori 449

tempo. A maggior ragione, essa non dipender da traslazioni temporali. D'altronde, guardando le funzioni campione di Figura 8.10, chiaro che il processo
X(t) invariante rispetto a una traslazione dell' asse dei tempi di D.t, perci
X(t + D.t)ha le stesse statistiche di qualunque ordine di X(t).
D
8.3.2 Stazionariet in senso lato
La verifica della stazionariet in senso stretto di un processo , in generale,
estremamente difficoltosa (salvo casi particolari come i processi Gaussiani
studiati nel Paragrafo 8.5). Di solito nelle applicazioni si considera una
definizione di stazionariet molto meno restrittiva e difficile da verificare della
precedente: la stazionariet in senso lato.
Un processo aleatorio X(t) stazionario in senso lato (o in senso debole) se
la sua funzione valor medio T1At) costante e la sua funzione di autocorrelazione RAt"t2) non dipende da t. e t2 separatamente, ma solo dalla differenza

(t.-t2):
(8.3.8a)
(803.8b)

= RAt. - t2)
-'-RAt"t2)
-

La definizione di stazionariet in senso lato coinvolge solo due particolari


statistiche semplificate, una del primo e l'altra del secondo ordine, e non
richiede alcuna propriet di invarianza delle densit di probabilit; quindi una
propriet molto meno "impegnativa" della stazionariet in senso stretto. Infatti,
un processo stazionario in senso stretto anche stazionario in senso lato, mentre
la stazionariet in senso lato non implica quella in senso stretto.
Se il processo stazionario in senso lato, la funzione di autocovarianza vale

,(t"t,) ~Ell X(t,)- ry, X(t,)-ryxD = R,(t, - t,)- ry,'(c,(t, - t,)


cio dipende anch' essa dalla sola diffe renza temporale ti

- t2.

(~
~.

.....

Anche per le grandezze statistiche semplificate si pone comunque il problema


della misurazione: come si pu riuscire in pratica ad avere un'idea dell'andamento della funzione valor medio e della funzione di autocorrelazione di un dato
processo osservato? Questa domanda nasce dalla constatazione che sembra problematico se non impossibile effettuare una misura di media statistica che coinvolge la conoscenza di tutte le funzioni campione del processo! Saremo in grado
di rispondere a questa domanda fondamentale solo dopo lo studio dei processi

450

Capitolo 8

ergodici del Paragrafo 8.7.

Esempio 8.5
Riprendiamo il processo parametrico X(t) degli Esempi 8.2-8.3, ovvero
X(t)

(E8.5.I)

= acos(27ifot+ e)

ove a ed lo sono noti e e Eu(O,n). Tale processo ha valor medio (si veda la
(E8.2.3
17x ( t )

= - 2a
n

(E8.5.2)

sin( 21%t )

e quindi non stazionario in senso lato. Consideriamo per lo stesso processo in


cui stavolta e EU(O,2n). Ripetendo i conti dell'Esempio 8.2 si ottiene immediatamente:
2"
E{ X(t)} =..!:.. J cos(21%t

2n o

+ O)dO = ..!:..[sin(21%t + 2n) - sin(21%t)] = O


2n

(E8.5.3)

e, modificando i conti dell'Esempio 8.3:

(E8.5.4)
Quindi la funzione valor medio costante, e la funzione di autocorrelazione

dipendesolodalladifferenzati - t2:con la nuovasceltadelladistribuzionedella


variabile e il processo stazionario in senso lato.

Esempio 8.6
Consideriamo il processo aleatorio parametrico
+X(t)=

IP(t-2nT)
k=-

ottenuto attraverso la periodicizzazione del segnale aleatorio

(E8.6.1)

Segnali aleatori 451

P(t) = 1- J1 rect

E>

(~ )

(E8.6.2)

2E>

ove E> una variabilealeatoriauniformementedistribuitanell'intervallo[O,T],


e verifichiamo se X(t) stazionario in senso lato o meno.
Per studiare la stazionariet del processo X(t) utile rappresentare alcune sue
funzioni campione, ciascuna delle quali corrisponde a valori diversi della
variabile aleatoria E>.La rappresentazione semplice se si considera che ogni
funzione ottenuta dalla periodicizzazione con periodo 2T di un impulso
triangolare P(t) di ampiezza di picco unitaria e durata aleatoria 2E>(Figura
8.11). Cominciamo col cercare di capire se la funzione valor medio del processo
costante al variare del tempo.

9=T

x!ro;t)

-T

2T

3T

=T/2

4T

5T

Figura 8.11 Alcune funzioni campione del processo dell'Esempio 8.6

Come si vede dalla Figura 8.11, tutte le funzioni campione valgono 1 negli
istanti 2kT con k intero, e valgono Oper tutti gli istanti 2kT + T. Quindi,
E{X(2kT)}

(E8.6.3)

=1

E{X(2kT + T)}

=O

(E8.6.4)

La funzione valor medio 1JAt) di X(t) non costante e il processo stesso non
stazionario in senso lato.
D
Esempio 8.7 (Segnale dati)
Consideriamo un segnale V(t) generato con il seguente procedimento: agli
istanti tk =kT, con k = ..,-1,0,1,.., vienelanciatauna monetaideale(inmaniera

452

Capitolo 8

indipendente dai lanci precedenti e successivi) e, nel caso di un risultato "testa",


si fa assumere al segnale il valore +l che viene mantenuto per i T secondi successivi a tk; viceversa, se il risultato "croce" viene mantenuto il valore-L
Indichiamo, innanzitutto, con v" il valore del segnale nell'intervallo di
ampiezza T che segue l'n-esimo lancio della moneta:
V(t)=v"

'

nTS;tn+l)T

(E8.7.1)

Evidentemente, v" una variabile aleatoria che assume i valori +l e -1 con probabilit 1/2, ed indipendente da ~, k '* n. Osservando che il valore del segnale
viene mantenuto per tutto un intervallo di ampiezza T, e richiamando l'espressione del segnale Sample & Hold (5.4.9)-(5.4.10), si trova immediatamente la
forma della generica funzione campione (e quindi del processo in forma parametrica):
+o-

V(t) = n~v,.rectC- nT; T/2)

(E8.7.2)

L'andamento di una funzione campione del processo aleatorio illustrato nella


Figura 8.12.
Un segnale di questo tipo un buon modello del segnale dati binario con
velocit di clock pari a 1/T che si pu trovare ad esempio nei collegamenti tra un
Personal Computer (PC) e una stampante, su uno dei fili in uscita alla porta
seriale del PC. Il livello della tensione rappresenta il valore del segnale binario
che viene scambiato tra il PC e la stampante, e la cadenza 1/T la "velocit" alla
quale funziona la porta del calcolatore. Poich in generale non nota la
successione di dati che transitano sulla linea seriale, si ammette che i valori del
segnale siano aleatori, e quindi il segnale V(t) un processo aleatorio.
Di questo processo, ci proponiamo di determinare la densit di probabilit del
primo ordine fv(v;t), la funzione valor medio 17v(t) e la funzione di
autocorrelazione Rv(tI't2)'
Per determinare la funzione densit di probabilit del primo ordine fv(v;t) si
osserva il processo all'istante t estraendo da esso la variabile aleatoria V(t). Se
t E [nT,(n + l)T), la variabile aleatoria V(t) coincide con v" (si veda la (E8.7.1))
e, quindi, per le propriet di ~ abbiamo:
fv(v;t)

= -8(v
+ 1)+ -8(v
-1)
2
2

(E8.7.3)

Segnali aleatori 453

...
T

2T

4T

5T

...

3T

-1
Figura 8.12 Funzione campione del processo segnale dati binario nell'Esempio 8.7

Questa funzione densit, ricavata per t E [nT,(n + 1)T), in realt indipendente


dal tempo: il processo aleatorio stazionario del primo ordine. La funzione
valor medio risulta quindi costante, e vale:
(E8.7.4)
Il calcolo della funzione di autocorrelazione invece un poco pi complicato.
Partiamo dalla definizione:
(E8.7.5)
Senza calcolare esplicitamente questa funzione, ci si pu accorgere facilmente
che il processo non stazionario in senso lato. Supponiamo infatti che gli istanti
di osservazione tI e t2 appartengano entrambi all'intervallo (kT,(k + I)T], per
un opportuno valore di k (Figura 8.13a):

(E8.7.6)

kT < t"t2 < (k + I)T


Allora chiaro che V( tI ) = V(t2)= ~,

e quindi
(E8.7.7)

in quanto ~2 == 1. Trasliamo ora rigidamente i due istanti (mantenendo cio la


distanza tra i due) in modo da piazzarli a "cavallo" di due intervalli di c1ock.
consecutivi (Figura 8.13b):
kT<tl k+I)T

, (k+I)T<t2 k+2)T

(E8.7.8)

454

Capitolo 8

V(t)

...

(k+2)T

...

(k+1)T

(a)

V(t)

...

kT

(k+2)T

...

(b)
Figura 8.13 Dimostrazione che il processo dell'Esempio 8.7 non stazionario

Se il processo fosse stazionario in senso lato, il valore della funzione di


autocorrelazione non dovrebbe cambiare perch la differenza tra i due istanti
non cambiata. La funzione di autocorrelazione data per in questo secondo
caso da:
(E8.7.9)
che un valore diverso da quello del primo caso. Il processo non quindi
stazionario in autocorrelazione e non stazionario in senso lato. Questo risultato
pu essere confermato con il calcolo:

Segnali aleatori 455

~
=n=..i

rect

Nell'ultimo

ti

-nT-T/2
T

passaggio,

t2 -nT-T/2

)rect (

(E8.7.1O)

dopo avere sfruttato la linearit dell'operatore

medio, abbiamo tenuto conto che E{v,,~}

valor

diverso da zero solo se k

vede che la funzione Rv(t"tJ una funzione periodica in

tI

= n. Si

e t2 del periodo di

c10ck T, ma dipende dai due istanti separatamente.

D
8.3.3 Propriet della funzione di autocorrelazione di un processo
stazionario in senso lato
La funzione di autocorrelazione (8.2.6) pu anche essere definita in una maniera
alternativa, in cui si mette in evidenza la differenza (distanza) T tra i due istanti
di tempo tI e t2 considerati. Se infatti si pone tI

= t, t2= t - T, siha:
(8.3.10)

Se il processo X(t) stazionario almeno in senso lato, la funzione di autocorrelazione dipende soltanto dalla differenza T tra i due istanti, e non dall'istante
particolare t in corrispondenza del quale si "piazza" il primo:
(8.3.11)

Esempio 8.8
Una situazione che capita spesso quella in cui l'andamento di un segnale
noto, ma non se ne conosce esattamente la posizione rispetto a un riferimento
temporale. In questi casi il modello appropriato un processo aleatorio del tipo
(E8.8.l)

X(t)= p(t-8)

dove p(t) un segnale determinato, mentre e una variabile aleatoria che


modella l'incertezza temporale sulla posizione del segnale (si pensi al problema
dell'eco radar dell'Esempio 3.8). Come caso particolare, supponiamo che p(t)
sia un segnale determinato periodico di periodo 1'0:
p( t )

= p( t

(E8.8.2)

1'0)

e che 8 E 'l1(O,1'o). Dimostriamo che X(t)


funzione valor medio del processo :

stazionario

in senso lato. La

456

Capitolo 8

To

T/At)

= E{X(t)} = Ee{p(t-8)} =fo p(t-O)-dO


To

f p(a)da
To t-To

=-

ove nell'ultimo passaggio abbiamo effettuato il cambio di variabile a= t - O.


Osserviamo adesso che la funzione integranda periodica di periodo To,e che
1'intervallo di integrazione ha proprio ampiezza pari a un periodo. Segue che il
risultato dell'integrale indipendente dalla posizione degli estremi di
integrazione, e quindi non dipende da t: il processo stazionario in valor medio.
Scegliendo per comodit t = To/2 si ha:
l To/2
T/At)

==T/x

(E8.8.3)

= 1;
f p(a)da
o -To /2

cio il valor medio statistico del processo X(t) coincide con il valor medio
temporale Pm(2.2.3) del segnale periodico determinato p(t).
Per la funzione di autocorrelazione abbiamo:

l'

(E8.8A)

Il

"

l'
I

con la sostituzione a = ti - O. Anche in questo caso la funzione integranda, che


il prodotto di due segnali periodici di periodo To, periodica di periodo To.Il
risultato non dipende dal piazzamento degli estremi di integrazione, per cui si

pu scegliere

ti

= To/2

e concludere che:
l To/2

RAt"t2) = RAtl - t2) =

1;o -Tof /2p(a)p(a

+ t2 -

t.

)da

(E8.8.5)

Quindi la funzione di autocorrelazionedipende dalla differenza t. - t2 e il


processo X(t) stazionario in senso lato. Ponendo come di consueto" = t] - t2,
si ha:
(E8.8.6)
e cio la funzione di autocorrelazione statistica del processo stazionario X(t)
coincide con la funzione di autocorrelazione (4.4.33) del segnale periodico
determinato p(t).
O
'I

Segnali aleatori 457


I
I

La funzione di autocorrelazione Rx(-r) una grandezza di fondamentale


importanza nello studio dei processi stazionari. Prima di discutere la ragione di
questa importanza, analizziamo alcune propriet formali di tale funzione per un
processo stazionario in senso lato.

La funzione di autocorrelazione

RA -r) pari:
(8.3.12)

Per dimostrare questa relazione, basta osservare che, per la stazionariet del
processo, la correlazione tra le variabili aleatorie X(t) e X(t - -r) assume il
medesimo valore della correlazione tra le variabili X(t + -r) e X(t) ottenute
per traslazione rigida della quantit -r:
RA-r) = E{X(t)X(t-

-r)}

= E{X(t+

-r)X(t)}

= RA--r)

(8.3.13)

. Il valore assuntoda Rx(-r)nell'origineuguagliala potenzamediastatistica


del processo, cio

(8.3.14)
.

RA-r) massima in modulo nell'origine:

(8.3.15)
Consideriamo infatti la disuguaglianza
(8.3.16)
che sempre verificata, comunque si scelgano t e -r. Sviluppando il primo
membro si ha:

E{[X(t):t X(t - -r)t} = E{[X(t)]2 + [X(t - -r)Y:t 2X(t)X(t - -r)}


= RAO)+RAO):t2RA-r)

(8.3.17)

e, sostituendo:
(8.3.18)

dalla quale segue immediatamente la (8.3.15).


Se Rx(-r) non contiene componenti periodiche, il valore limite di RA-r) per
-r ~

00

pari al quadrato del valore medio:

458

Capitolo 8

(8.3.19)

Per giustificare questa propriet riscriviamo la relazione (8.3.9) nella forma


(8.3.20)

Al crescere di T, la distanza tra gli istanti t e t - T aumenta e quindi le


funzioni campione del processo hanno "tempo" per variare sensibilmente.
Questo comporta che i valori delle variabili aleatorie X(t) e X(t - T) tendono
a diventare incorre lati, cio la loro covarianza CAT) si riduce. Al limite,
quando T -7 +00 la covarianza si annulla e la funzione di autocorrelazione
tende a coincidere con il quadrato del valor medio.
Queste propriet, come gi accennato nel Paragrafo 4.4, non sono specifiche dei
processi, ma sono comuni alle funzioni di autocorrelazione dei segnali
determinati e aleatori, come si pu facilmente dimostrare (si veda anche
l'Esercizio proposto 4.2).
Esempio 8.9
Riprendiamo in considerazione il segnale dati binario V(t) dell'Esempio 8.7.
Come abbiamo gi discusso, spesso il riferimento temporale assoluto di un
segnale non noto, in questo caso perch il segnale di c10ck con il quale
vengono prodotti i dati ha una fase iniziale incognita. Allora il modello pi
appropriato per il segnale dati, che stavolta chiameremo X(t), :

X(t) = V(t-e) = n~ v"rec{t-e-;T-

T/2)

ove e la consueta variabile aleatoria uniformemente distribuita sull' intervallo


[O,T], e indipendente dai valori dei dati binari {v,,}. Il calcolo del valor medio
del processo non differisce da quello dell'Esempio 8.7, per cui si conclude:
T/At)

= T/x = O

(E8.9.1)

Anche il calcolo della funzione di autocorrelazione ricalca sostanzialmente


quello dell'Esempio 8.7, con la differenza che stavolta si deve compiere un'operazione di media inpi rispetto alla variabile "ritardo aleatorio" e:

RAt.,t2) = EeL~ rec{ t)- e -;T - T/2}ec{ t2 -

e -;T - T/2)}

Segnali aleatori

~
=n~ Ee rect (
{

t-e-nT-T/2
t--r-e-nT-T/2
rect (
)
T
T

459

)}

~
1
=n=~ -f rect(
To

t-O-nT-T/2

t--r-O-nT-T/2
rect

T
T
nT
a-T/2
a--r-T/2
1
'= - ~ f rect(
rect
)
(
)dO
T n=-'-nT-T
T
T
)

dO

ove nell'ultimo

passaggio si posto a

=t -

(E8.9.2)

O- nT. La funzione integranda non

contiene la variabile n e, al variare di n, si calcolano integrali della stessa


funzione integranda su intervalli di ampiezza T disgiunti che ricoprono tutto
l'asse reale di tempi (si veda a questo proposito l'analogo caso rappresentato
nella Figura 3.46). La conclusione che

RAt,t - -r)= RA-r)= ~

j rec{ a -:/2

}ec{ a - -r; T/2)dO

(E8.9.3)

cio il processo stazionario in senso lato perch la dipendenza dal tempo t


scomparsa. Si vede inoltre che la funzione di autocorrelazione del processo
proporzionale alla funzione di autocorrelazione (4.4.23) del segnale determinato
rect(t

- T 12)IT):

RA-r) = ~rec{

-r

-;/2)<8> rec{ --r;T/2)

=(1-li}ec{2~
)

(E8.9.4)

Questa funzione l'impulso triangolare di ampiezza unitaria di Figura 8.14. Il


lettore verifichi che questa funzione soddisfa le quattro propriet generali delle
funzioni di autocorrelazione dei processi stazionari.

-T

Figura 8.14 Funzione di autocorrelazione del segnale dati stazionario dell'Esempio 8.9
o

460

Capitolo 8

Qual il significatoe l'utilit dellafunzionedi autocorrelazioneRx('r) di un


processo stazionario? Per chiarire questo punto partiamo da un esempio. I due
insiemi di funzioni campione di Figura 8.15a e 8.15b sono relativi a due diversi
processi stazionari, rispettivamente X(t) e Y(t), aventi stesse statistiche del
primo ordine (valor medio, potenza, densit del primo ordine).
4

-2

-4
o

Tempo, t

(a)

I
2
i,

-2

-4
O

Tempo, t

(b)

Figura 8.15 Funzioni campione di due processi con diverse funzioni di autocorrelazione

Evidentemente, per, i due processi differiscono parecchio nella rispettiva velocit media di variazione delle funzioni campione. Se fissiamo sul processo Y(t)
ilI

Segnali aleatori 461

i due istanti alla distanza 'r indicati nella Figura 8.15b, notiamo che le funzioni
campione, piuttosto lente, hanno avuto poco tempo per variare, e quindi i valori
delle variabili aleatorie estratte dal processo a questi istanti sono molto correlati.
Viceversa, nello stesso lasso di tempo 'l' le funzioni campione del processo
X(t), assai pi veloci, sono variate considerevolmente, e i valori delle due variabili aleatorie sono molto meno correlati. In conclusione, la funzione Rx('l')
decresce velocemente a zero quando 'l'aumenta, come illustrato nella Figura
8.16a, mentre la funzione Ry('l') decresce pi lentamente (Figura 8.16b).
Dunque la funzione di autocorrelazione misura la rapidit dj variazione <tel
segn~le aleat9rio. Per quantificare con un singolo parametro la "velocit" del segnale si introduce il tempo di correlazione 'l'cor'definito come la minima distanza che deve intercorrere tra due istanti di osservazione affinch le variabili
aleatorie estratte dal processo siano incorrelate. Evidentemente, il tempo di correlazione pari alla semidurata della funzione di autocorrelazione (Figura 8.16),
eventualmente definita in modo convenzionale quando l'autocorrelazione non ha
durata rigorosamente limitata (si veda il Paragrafo 4.3.3). A tempo di correlazione grande corrispondono funzioni campione che variano lentamente, e, viceversa, a tempo di correlazione piccolo, corrisponde un processo le cui funzioni
campione manifestano variazioni veloci.

1:cor

1:

1:cor 1:
(a)

(b)

Figura 8.16 Funzioni,di autocorrelazione dei segnali aleatori di Figura 8.15

8.4 Filtraggio di un segnale aleatorio


8.4.1 Relazione ingresso-uscita tra le statistiche semplificate
Un caso tipico dell'elaborazione dei segnali quello in cui l'osservato X(t)
costituito da una componente determinata s(t) (il segnale "utile") accompagnata
da un disturbo aleatorio a valor medio nullo D(t) (chiamato anche rumore):
X(t)

= s(t)

+ D(t)

(8.4.1)

462

Capitolo 8

come nell'onda quadra di ampiezza unitaria "rumorosa" in Figura 8.17.


Naturalmente, si cercher di elaborare X(t) in modo da preservare la componente utile s(t) e reiettare il pi possibile il disturbo D(t). Quest' operazione pu
essere effettuata da unfiltro, cio da un sistema lineare stazionario nel senso del
Paragrafo 4.3, il cui comportamento riguardo ai segnali determinati perfettamente noto. Resta dunque da studiare la questione del filtraggio di un segnale
aleatorio, che l'oggetto di questo paragrafo.
1.5

1.0

-X

0.5

Q
+

li)
J!..

0.0
-0.5

-1.0

-1.5
-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

2.0

Tempo normalizzato, t/To


Figura 8.17 Esempio di segnale determinato con disturbo aleatorio
C'

Inviamo dunque un generico processo aleatorio X(t) in ingresso al sistema


lineare stazionario rappresentato nella Figura 8.18, e cerchiamo di stabilire le
caratteristiche statistiche del processo aleatorio di uscita Y(t), note quelle di
X(t). Osserviamo preliminarmente che il segnale di uscita Y(t) un nuovo
processo le cui funzioni campione possono essere facilmente messe in
corrispondenza con i risultati dell'esperimento che ha generato X(t). Infatti, data
una funzione campione x(lO;t), scelta in modo arbitrario fra tutte quelle del
processo X(t), la corrispondente funzione campione y(co;t) di Y(t) ricavabile
facilmente (si veda la (4.2.6:
y(co;t)

= x(lO;t;)@h(t)

(8.4.2)

dove h(t) la risposta impulsiva del sistema in esame. Questo risultato vale per
qualunque realizzazione x(lO;t) del processo X(t), e quindi scriveremo, per

Segnali aleatori 463

riassumere questa osservazione:


Y(t)

= X(t)

(8.4.3 )

C8>
h(t)

Questa relazione sembra mal posta, perch non abbiamo definito esplicitamente
una convoluzione per segnali aleatori; essa per va intesa nel senso appena
discusso, cio che il legame vale in realt per la coppia di funzioni campione
determinate x(m;t) e y(ro;t).
X(t)

Y(t)
h(t)

Figura 8.18 Filtraggio di un processo aleatorio

Purtroppo il problema di ricavare le densit di probabilit del processo di uscita


fY(YI'Y2,...,Yn;t"t2,...,tn) a partire da quelle fAXI'X2,...,Xn;tl't2,...,tn) del processo d'ingresso , salvo casi particolari, insolubile. Cerchiamo per pi modestamente di ricavare la funzione valor medio e la funzione di autocorrelazione
del processo Y(t), supponendo di conoscere le stesse statistiche di X(t), ovvero
le funzioni TJx(t)ed RAtl't2)'
Il valor medio TJy(t)di Y(t) :

~,(t)

=E{Y(t)}

E{X(t)@ h(t)}

- E{Ih(a)X(t-

(8.4.4)
a) da }

L'ordine delle operazioni di media statistica e di integrazione pu essere


invertito per la linearit degli operatori stessi:
+00

(8.4.5)

TJy(t) = J E{h(a)X(t - a)} da

In questa relazione, l'operazione di valor medio agisce solo sul segnale aleatorio
X(t) e non sul segnale determinato h(t). Possiamo allora scrivere:
+00

TJy(t) = J h(a)E{X(t

+00

- a)} da

Jh(a) TJAt - a)da

= TJx(t)

C8>h(t)

(8.4.6)

Dunque, la funzione valor medio del processo aleatorio di uscita pari alla
convoluzione della funzione valor medio del processo in ingresso con la risposta

464

Capitolo 8

impulsiva del sistema. Interpretiamo questa relazione: se definiamo il processo a


media nulla Xo(t) = X(t) -7JxCt), possiamo pensare il processo d'ingresso X(t)
scomposto come la somma di una componente determinata pari alla funzione
valor medio (nota) e una componente puramente aleatoria a valor medio nullo,
appunto Xo(t):
(8.4.7)
Allora, la componente determinata del processo viene ovviamente filtrata dal
sistema come un qualunque segnale determinato, per dare la componente determinata (cio la funzione valor medio) del processo d'uscita:
(8.4.8)
Ricaviamo, adesso, la funzione di autocorrelazione

Ry(t"t2) di Y(t)

Ry(t"t2) = E{ Y(tl)Y(t2)} = EHX(tl) @h(tl)]. [X(t2) @h(t2)]}

(8.4.9)

E{I X(a )h(t, - a) da X(jJ)h( t, - jJ) djJ}

Invertendo le operazioni di media statistica e di integrazione si ricava:


+00

Ry(t"t2)=
+00

+00

f f E{X(a)h(tl -a)X(f3)h(t2 - f3)}dadf3

a=- {3=-

+00

=a=-oo/3=f f h(tl-a)h(t2
-+-

- f3)E{X(a)X(f3)}dadf3

-+-

J f RAa,f3)h(tl -a)h(t2 - f3)dadf3

(8.4.10)

(3=-a=-

Possiamo riscrivere questo integrale doppio nella forma di una doppia convoluzione:
-+-

Ry(tl,t2) = J[ RAtl ,13)@ h(tl )]h(t2 - f3)df3 = RAtl,t2) @ h(t,) @ h(t2)

La prima operazione di convoluzione coinvolge solo la variabile

(8.4.11)
ti

e, nello

svolgimento di essa, la variabile t2 viene considerata come una costante. Nello


svolgimento del secondo prodotto di convoluzione, invece, i ruoli delle variabili
tI

e t2 si scambiano.

Segnali aleatori 465

8.4.2 Filtraggio di un processo aleatorio stazionario in senso lato


Esaminiamo ora il caso particolare in cui il processo d'ingresso
stazionario in senso lato. Per la funzione valor medio si ha:
-+<>o

17At) 0 h(t)

= f h(a)

al filtro

-+<>0--

17x(t- a)da

= 17x f h(a) da =~x H(O) == 17y


l

(8.4.12)

Il processo di uscita Y(t) ha, a sua volta, valor medio costante pari a
17y= 17xH(O),ove naturalmenteH(J) la rispostain frequenzadel sistema:in

questo caso il processo d'ingresso contiene una "componente continua" che


viene modificata in ragione del guadagno in continua del filtro H(O).
La funzione di autocorrelazione Ry(t,t - -r) poi:
Ry(t,t - -r)= E{Y(t)Y(t - -r)} = E{[X(t) 0 h(t)]. [X(t - -r)<8>
h(t - -r)]}

E{Ih(a)X(t - a)da.

7h(P)X(t-

<- P)dP}

{J }~(p)h(a)X(t-a)x(t-<-

-+<>o

= f

p)dPda}

-+<>o

fh(f3)h(a)E{X(t-a)X(t--r-,8)}d,8da

a =--00/3=-+<>o +~

f f h(a)Rx(-r+,8-a)h(,8)d,8da

{3=-a=-+<>o

-+<>o

(8.4.13)

= fh(,8) fh(a)RA-r+,8-a)dad,8
{3=-

a=-~

Gi da quest' espressione si nota che la funzione di autocorrelazione del processo


di uscita non dipende dal tempo t e quindi, tenendo conto della (8.4.12), il processo Y(t) stazionario in senso lato. Osservando ora che
-+<>o

f h(a)RA-r+

,8-a)da

= RA-r+ ,8)<8>h(-r+,8)

(8.4.14)

la (8.4.14) diventa:
-+<>o

Ry(t,t - -r)= Ry( -r)=

f h(,8)[ Rx( -r +

,8) <8>h(

-r + ,8)]d,8

(8.4.15)

466 Capitolo 8

Con il cambiamento di variabile r = - f3, si ottiene:


+00

Ry(~)

= f h( -r)[

Rx( 'C - r) <8>h( 'C- r)]dr

= Rx(

'C) Q9 h( 'C) Q9 h( -'C)

(8.4.16)

Riassumendo, la risposta a un processo stazionario in senso lato di un sistema


lineare stazionario un processo anch' esso stazionario in senso lato, con
funzione valor medio e funzione di autocorrelazione rispettivamente pari a:
,

1Jy= 1JxH(O)
<;>

Ry

(8.4.16a)

\~J-'l'
..w~

('C) = Rx ('C) <8>h( 'C) <8>h( -'C) = RA 'C) <8>


rh('C) ("

"I

ove rh('C) la funzione di autocorrelazione della risposta impulsiva del filtro.

Esempio 8.10
Consideriamo il processo aleatorio
+00

X(t)

= k=-oo
1:8(t- kT -

(E8.1O.1)

8)

ove 8 una variabile aleatoria uniformemente distribuita in [-T 12,T12).


Determiniamo la funzione valor medio 1Jy(t) del processo Y(t) ottenuto dal
filtraggio di X(t) con un filtro la cui risposta impulsiva h(t) rappresentata
nella Figura 8.19.
h(t)

-2T -T

1ff

Q
T

2T

Figura 8.19 Risposta impulsiva del filtro dell'Esempio 8.10

La funzione valor medio 1Jx(t) del processo aleatorio X(t) data da:

Segnali aleatori 467

IT-

Lc5(t-kT -8) d8 = - I Lc5(t-kT


-Ile(8) k==
L
Ic5(t-kT-O) d8
T k=- o
=

-8) d8

T o k=-

(E8.1O.2)

Se si effettua il cambiamento di variabile u = t - kT - 8 si ha:


l

T]x(t)= --

t-(k+I)T

- l-kT

L Ic5(u)du = -T L Ic5(u)du
T k=- t-kT

(E8.1O.3)

k=-t-(k+I)T

L'intervallo di integrazione (t - (k + I)T,t - kT) ricopre, al variare del parametro


intero k, tutto l'asse reale senza sovrapposizioni (si veda anche l'Esempio 8.9),
per CUI
l
T]At) = T

-Ic5(u)du =- T

(E8.lOA)

TIvalor medio del processo Y(t) allora:

T]y(t)

== T]y

= T]xH(O) = T]x h(t)dt =3

-r

(E8.10.5)

o
8.5 Densit spettrale di potenza di un processo stazionario
8.5.1 DefInizione e teorema di Wiener-Khintchine

Nel paragrafoprecedenteabbiamoaffrontatoe risoltoil problemadel filtraggio


di un processo aleatorio, almeno per quanto riguarda il calcolo delle statistiche
semplificate del primo e del secondo ordine. In particolare, abbiamo usato una
descrizione del sistema lineare stazionario e dei processi aleatori in ambito
temporale. Ogniqualvolta si ha a che fare con questioni di filtraggio per pu

essereconvenientecercareuna descrizionefrequenzialedel problema,e questo


ci porta all' analisi di Fourier dei segnali aleatorio
Ci limiteremo qui ad alcuni cenni di analisi spettrale dei processi aleatori solo
nel caso in cui questi ultimi siano stazionari in senso lato. L'analisi spettrale dei
processi non stazionari nori concettualmente complicata, ma va al di l degli
scopi di questo testo.
La caratterizzazione frequenziale dei processi aleatori stazionari in termini di

...

'.
468

Capitolo 8

spettri di ampiezza e fase poco usuale. Dal punto di vista concettuale, anche un
segnale aleatorio pu essere scomposto in una sovrapposizione di oscillazioni
armoniche, le cui ampiezze e fasi variano parimenti in maniera aleatoria al
variare della frequenza. Tuttavia, pi comune limitarsi alla descrizione dello
spettro di potenza di un processo aleatorio, sul quale ci concentreremo.
Cominciamo con l'osservare che le funzioni campione di un processo
stazionario non possono essere segnali a energiafinita. I segnali a energia finita,

infatti, tendono necessariamentea zero quando t ~

00.

Se tutte le funzioni

campione del processo tendessero a zero, necessariamente tenderebbe a zero


anche la funzione valor medio del processo, che quindi non potrebbe risultare in
generale costante (eccetto che per processi a media nulla). Le funzioni campione
di un processo stazionario sono segnali in generale a potenza finita, e perci il
segnale aleatorio stesso ammetter densit spettrale di potenza.
Ci premesso, la definizione di funzione densit spettrale di potenza SAf)
(brevemente, spettro di potenza) per un segnale aleatorio molto simile a quella
relativa a un segnale determinato a potenza finita x(t) che richiamiamo di
seguito:
(8.5.1)
Ricordiamo che XT(J) la trasformata di Fourier del segnale x(t) troncato
sull' intervallo [-T /2, T /2] e quindi ridotto a energia finita. Per un processo
aleatorio, si deve pensare di eseguire le stesse operazioni su ciascuna funzione
campione, ottenendo quindi una quantit aleatoria variabile da funzione
campione a funzione campione, ovvero con il risultato dell'esperimento:

(8.5.2)
ove XT(m;f) la trasformata di Fourier della generica funzione campione troncata: XAm;f)~.r[x(m;t)rect(t/T)].
Per ottenere la densit spettrale del processo, indipendente cio dalla particolare funzione campione, bisogna aggiungere a questa definizione un'operazione di valor medio per compendiare l'andamento delle particolari St(m;f) delle varie funzioni campione:

(8.5.3)

Segnali aIeatori 469

Questa definizione una diretta estensione di quella per segnali determinati, ed


utilizzabile anche per processi non stazionari. Sfortunatamente, essa quasi
sempre di difficile applicazione pratica (e comporta anche qualche problema di
carattere matematico relativamente all'inversione delle operazioni di valor
medio e di limite implicita nella (8.5.3. Per i processi stazionari, si usa allora
una diversa definizione di densit spettrale di potenza. Ricordiamo infatti il
teorema di Wiener-Khintchine (si veda il Paragrafo 4.4.3), secondo il quale la
densit spettrale di potenza per segnali determinati comunque calcolabile come
trasformata di Fourier della funzione di autocorrelazione Rx{-r).Questo teorema
(la cui dimostrazione piuttosto lunga e viene omessa) vale anche nel caso di
processi aleatori stazionari. Possiamo allora definire la funzione densit
spettrale di potenza SAf) di un processo aleatorio X(t) come la trasformata di
Fourier della sua funzione di autocorrelazione RA-r)= E{X(t)X(t - -r)}:
+00

--)

Sx(J)~

Q..-,to ,j .~~

;k..h",

""

+00

J
o

Li

~ Xl"',\ ignorando

(8.5.4)

J RA-r)e-j21C/Td-r
= 2 Rx(-r)cos(21if-r)d-r
-00

""~

per brevit

l'effettiva

(ma pi complicata)

definizione

(8.5.3).

Comunque venga definita, la funzione SAf) gode delle stesse propriet


elencate a suo tempo per i segnali determinati, e che qui ricapitoliamo:

.
.

SAf) una funzione reale e pari: ovvio dalla (8.5.3), ma anche dalla (8.5.4),
visto che SAf) la trasformata di Fourier della funzione RA-r), anch'essa
reale e pari.
La potenza media statistica Px del processo X(t) pu essere calcolata

integrandoSAf) su tuttol'asse dellefrequenze:


+00

Px

+00

= E{X2(t)} = JSAf)

df

=2 J
SAf)
o

(8.5.5)

df

Questo ancora ovvio dalla (8.5.3), ma anche dalla definizione alternativa:


come per ogni coppia trasformata-antitrasformata, l'integrale in frequenza
della SAf)

pari al valore per

-r

= O della

propria antitrasformata,

appunto il valore della potenza media statistica: RAO)

. SAf) una

funzione

che

= E{X2(t)}= Px.

non negativa:

(8.5.6)
Questa propriet discende immediatamente dalla definizione diretta (8.5.3),
mentre di dimostrazione piuttosto complessa (teorema di Bochner) nel caso

n
I

470

Capitolo 8
I

di definizione secondo il teorema di Wiener-Khintchine. Dimostreremo questa propriet nel prossimo paragrafo riconsiderando in ambito frequenziale il
filtraggio di un processo stazionario.
8.5.2 Filtraggio di un processo aleatorio e densit spettrale di potenza
Riprendiamo dunque il sistema lineare stazionario di Figura 8.18 e cerchiamo di
mettere in relazione le caratteristiche spettrali dei processi di ingresso X(t) e di
uscita Y(t), entrambi stazionari in senso lato. La densit spettrale di potenza
Sy(J)di quest'ultimo
(8.5.7)
Poich la risposta impulsiva h(t) del sistema un segnale reale, la sua
trasformata gode della propriet di simmetria Hermitiana (H* (J)= H(- f)), e la
(8.5.7) diventa
(8.5.8)
cio esattamente la relazione (4.4.22) che vale anche per segnali determinati. Lo
spettro di potenza del processo di uscita Y(t) pu essere ricavato da quello del
processo d'ingresso note le caratteristiche di selettivit in frequenza del sistema,
che sono riassunte nella risposta in ampiezza al quadrato IH(J)12.Ancora una
volta, la ri~~~ in-la!:. nel sistema non influenza il contenuto di potenza del
processo di uscita. Osserviamo incidentalmente che la potenza media statistica
Py del processo di uscita Y(t) pu esserecalcolatain ambitofrequenzialecome
segue:
-+Py

= Ry(O) = f Sy(J)df

-+-

=f SAf)!H(Jt

-+df

= 2 foSx(J)IH(Jt

df

(8.5.9)

La relazione del filtraggio (8.5.8) importante perch permette di dimostrare che


i) la densit spettrale di potenza di un processo stazionario una funzione non
negativa e ii) la funzione SAf), definita come trasformata di Fourier della
RA 'r), descrive la distribuzione della potenza sulle varie componenti frequenziali nello spettro del segnale aleatorio X(t). Riprendendo il ragionamento fatto
a questo proposito nel Paragrafo 4.4, filtriamo X(t) con il filtro passa-banda
ideale di Figura 8.20. La funzione SAf) del segnale di ingresso quella rappresentata a tratto sottile in Figura 8.21, mentre l'andamento della corrispondente
Sy(J) disegnatoa trattospesso.La potenzadel processodi uscita Y(t) si pu
calcolare come segue:

Segnali aleatori 471

Py =

-J+l;f12

JSy(J) df = JSAf)

JSAf)

IH(J)12df = 2

-J-l;f12

df

(8.5.10)

H(f)

-f

Figura 8.20 Filtro passa-banda ideale con frequenza centrale

e banda df

H(f)

-1

Figura 8.21 Andamento delle funzioni Sx(f) ed Sy(f)

Se si riduce progressivamente la banda passante f del filtro, cio si considera


un filtro estremamente selettivo, si pu approssimare Sx(J) all'interno della
banda stessa con una costante di valore pari a Sx(J).Allora la potenza del
segnale d'uscita pu essere approssimata da
(8.5.11)
e quindi
sAl) ==.!.Py ~.!. Px(l)
2f
2 f

(8.5.12)

472

Capitolo 8

Stante l'arbitrariet di l, la funzione SA.) deve essere positiva o al limite nulla


per tutti i valori della frequenza, in quanto Py non negativa. Notiamo, inoltre,
che Y(t) stato ottenuto da X(t) sopprimendo tutte le componenti frequenziali
al di fuori di un intorno della frequenza -:tI. Dunque, come suggerisce la notazione nella (4.4.12), Py= M'x(J) rappresenta il contributo alla potenza totale Px
delle sole componenti del segnale X(t) con frequenze appartenenti all'intervallo
[l-!J.f /2, l+!J.f /2 ] (pi il simmetrico sul semiasse negativo), in quanto tutte
le altre componenti sono state cancellate dal filtro passa-banda. Allora il particolare valore

sAl)

alla frequenza

rappresenta il contributo locale alla potenza

totale del segnale X(t) dovuto alle sole componenti di segnale con frequenza
appartenente a un piccolo intorno di l, rapportato all'ampiezza piccola !J.f delfintervallo stesso. Ci corrisponde alla classica definizione di densit di una
grandezza fisica (la potenza) rispetto a una misura di estensione (qui l'ampiezza
di una banda), e giustifica il nome con il quale si designa la funzione SAf):
densit spettrale di potenza del segnale X(t).
Esempio 8.11
Calcoliamo la densit spettrale di potenza del processo parametrico
X(t)

(E8.11.l)

= acos(27ifot+ e)

ove e E'U(O,2n").Dall'Esempio 8.5 sappiamo che il processo stazionario in


senso lato, e quindi calcoleremo la sua densit spettrale di potenza come
trasformata della relativa funzione di autocorrelazione. Sempre nell'Esempio
8.5, abbiamo trovato che
a2
(E8.11.2)
RA-r) = -cos(2J%-r)
2
per cui la densit spettrale di potenza SAf) di X(t) (Figura 8.22):
(E8.11.3)
La potenza del processo quindi concentrata sulle due frequenze

-:t.io.

8.5.3 Processo di rumore bianco


Nel Paragrafo 8.3 abbiamo introdo!to la nozione di tempo di correlazione per
misurare la rapidit media di variazione delle funzioni campione di un processo.

Segnali aleatori 473

La corrispondente grandezza in ambito frequenziale naturalmente la banda


dello spettro di potenza del processo, che d la stessa indicazione del tempo di
correlazione. Se la funzione di autocorrelazione di un processo decresce rapidamente, cio il tempo di correlazione piccolo, la densit spettrale corrispondente
ha una banda grande, come illustrato nelle Figure 8.23a-8.23b, viceversa se il
tempo di correlazione grande. Quindi, come era lecito aspettarsi, quanto maggiore la rapidit di variazione delle realizzazioni di un processo, tanto pi
grande la banda del suo spettro di potenza. La Figura 8.24 mostra tre funzioni
campione di tre processi aleatori X,(t), X2(t) e X3(t) con banda progressivamente crescente; si nota che la rapidit di variazione cresce, cos come l'ampiezza delle escursioni del segnale (per effetto dell'incremento della potenza del
segnale stesso).

i/4

i/4

Figura 8.22 Spettro di potenza del processo nell'Esempio 8.11

Cosa succede se consideriamo una situazione come quella di Figura 8.23b, in cui
la banda dello spettro di potenza tende a crescere illimitatamente, mantenendo lo
spettro sempre il medesimo valore per f = O? Evidentemente, la densit
spettrale di potenza del processo X(t) tende a diventare costante (di valore,
diciamo, SAO) = ) mentre il tempo di correlazione 'l'eortende a ridursi sempre
pi. Al limite, si arriva a una situazione in cui la funzione di autocorrelazione
impulsiva (Figura 8.25):
(8.5.13)
Un processo aleatorio stazionario (almeno) in senso lato che presenta queste caratteristiche statistiche viene chiamato 8-correlato o pi comunemente, nell'ingegneria, processo di rumore bianco. L'appellativo bianco deriva dall'analogia
dello spettro di potenza di questo processo con quello della luce bianca: il ru-

''l''''

474

Capitolo 8

more bianco contiene componenti a tutte le frequenze, da -00 a -too, con la


stessa intensit, cos come la luce bianca "contiene tutti i colori" (si ricordi
l'esperimento del disco di Newton). Osserviamo inoltre che un processo bianco
ha sempre valor medio nullo essendo, per la (8.3.19), T-+~
lim RN('l')= 11~= O.

9''t cor

I
't

(a)

(b)

Figura 8.23 Funzione di autocorrelazione e densit spettrale di potenza

Evidentemente, un processo bianco solo un' astrazione matematica: lo spettro


di potenza costante (8.5.13) comporta che la potenza di questo segnale sia infinita, condizione impossibile per un segnale fisico. anche problematico rappresentare la funzione campione di un processo bianco, che deve intendersi
come "caso-limite" della funzione campione in Figura 8.23c, pensando di aumentarne ulteriormente (e illimitatamente) l'ampiezza e la velocit di variazione.
Nonostante ci, il rumore bianco usato molto frequentemente nell'ingegneria
come modello per una variet di segnali coinv~lti in molti fenomeni fisici, come
testimonia l'esempio seguente.

Segnali aleatori

2
.....
X

:a
Q)

c::
o
"Ci

al
o
Q)
c::
o
";;j
c::

-1

IL
-2

5
(a)

2
.....
'"
X
:a
Q)
c::
o
"Ci

al
o
Q)
c::
o
";;j
c::

.1

IL
-2

5
(b)

2
I
...
M
X
:a
Q)
c::
o
"Ci
E
al
o
Q)
c::
o
";;j
c::

-1

IL
-2

Tempo t

3
(ms)

(c)

Figura 8.24 Funzioni campione di processi aventi diverse bande dello spettro di potenza

475

476

Capitolo 8

f
Figura 8.25 Funzione di autocorrelazione e densit spettrale di potenza di un processo bianco

Esempio 8.12
Un comune resistore usato nella realizzazione dei circuiti elettronici, oltre a presentare una resistenza R (ohm) al passaggio della corrente, genera anche una debole tensione di rumore per il solo fatto di trovarsi a una temperatura TR
(kelvin). Questo fenomeno fisico dovuto alla "agitazione termica" degli elettroni del materiale con cui il resistore costruito. Quanto maggiore la temperatura cui si trova il componente, tanto pi grande l'agitazione termica, e tanto
pi grande anche la tensione di disturbo (rumore) generata dal resistore, che
viene chiamata rumore termico. Un modello pi realistico del componente allora quello di Figura 8.26, in cui il resistore ideale (cio privo di disturbo), e il
generatore di tensione in serie al resistore responsabile della produzione del
rumore termico. Quest'ultimo viene a sua volta modellato come un processo
aleatorio stazionario N(t) di caratteristiche opportune.

Figura 8.26 Resistore con generatore di rumore termico

La descrizione del fenomeno del rumore termico abbastanza complessa, e


coinvolge considerazioni di meccanica quantistica. Attraverso quest' analisi, si
arriva a determinare l'espressione della densit spettrale di potenza della
tensione di rumore termico (H. Nyquist):

1 lo - 1 (V2/Hz),
SN(J)= 2kTRR exp(1(1(10)

h (Hz)
lo = kTR

(E8.I2.l)

Segnali aleatori

ove k la costante di Boltzmann (k

= 1.38 .10-23 J/K)

477

e h la costante di Planck

(h = 6.62 .10-34 J.s). Alla temperatura ambiente (TR = 290 K) la frequenza io


caratteristica dello spettro (E8.12.1) pari circa a .io = 6.05 THz, cio .io = 6050
GHz! L'andamento normalizzato di questa densit spettrale mostrato in Figura
8.27; si vede che per frequenze molto pi piccole di io lo spettro di potenza del
rumore termico praticamente piatto (costante) e vale

(E8.12.2)
1.25

1.00

T=290 K

0.75
O-

IH(f)12

Z
0.50
:=..
z
Cf)

0.25

0.00

-0.25
108

Frequenza (Hz)
Figura 8.27 Densit spettrale del rumore termico piatta nella banda di un filtro
J

Supponiamo ora che il rumore termico si trovi all'ingresso di un qualche sistema


filtrante con banda B. Nella grande maggioranza dei casi pratici, la banda B del
filtro sar di alcuni ordini di grandezza pi piccola di .io. Questo spiega perch
il rumore bianco un modello molto utile: come suggerito dalla Figura 8.27
stessa, per calcolare gli effetti del rumore termico sull' uscita di un qualunque
sistema filtrante, l'effettiva densit di potenza (E8.12.1) del rumore termico
N(t) pu tranquillamente essere sostituita da quella di un (fittizio) rumore
bianco W(t):
(E8.12.3)
In entrambi i casi (reale e fittizio) il sistema "vede" la stessa densit piatta nella
sua propria banda, ma, naturalmente, ogni tipo di calcolo semplificato con

478

Capitolo 8

questo approccio, perch la densit di potenza del rumore bianco Sw(J)=


assai pi semplice di quella effettiva del rumore termico SA!).
O
Esempio 8.13
Nel sistema illustrato nella Figura 8.28, il processo aleatorio N(t) stazionario
in senso lato con densit spettrale di potenza SN(J)= (rumore bianco), e
una variabile aleatoria indipendente da N(t) e uniformemente distribuita nell'intervallo [-n, 1t), e infine il filtro un passa-banda ideale la cui risposta in frequenza H(J) mostrata nella Figura 8.29. Determiniamo e rappresentiamo
l'andamento della densit spettrale di potenza del processo di uscita Y(t), nell'ipotesi in cui 10>> 11T.

H(f)
~(t)
2cos( 2m ot+E>)
Figura 8.28 Sistema dell'Esempio 8.13
H(f)

+- 2fT -+

+- 2fT -+

f
Figura 8.29 Risposta in frequenza del filtro indicato nello schema della Figura 8.28

Cominciamo con l'osservare che il processo X(t) stazionario in senso lato,


perch risulta dal filtraggio con un SLS di un processo bianco, quindi stazionario
in senso lato. Il sistema integratore a finestra mobile ha risposta impulsiva
hu(t) = ~recte-:/2)

(E8.13.1)

per cui la funzione valor medio TJx(t) di X(t)


(E8.13.2)
in quanto la funzione valor medio 17N(t)di N(t) identicamente nulla (processo
I
!

Segnali aleatori

479

bianco). La funzione di autocorrelazione RA'r) di X(t) data, invece, dalla


seguente relazione:
Rx( 'r)

RN( 'r) Q9ho( 'r) Q9ho( -'r)

= 8( 'r)

('r)

Q9 Rh
o

= i. I-I'rI rect ~
T(
T)
2T

( )
(E8.13.3)

La corrispondente densit spettrale di potenza


(E8.13.4)
Chiamiamo ora S(t) il processo
S(t)

= 2cos(27ffot + e)

(E8.13.5)

in Figura 8.18. Dall'Esempio 8.5 sappiamo che questo processo stazionario in


senso lato con valor medio 1Jsnullo e funzione di autocorrelazione
Rs( 'r)

= 2cos(27ffo 'r)

(E8.13.6)

Calcoliamo ora la funzione valor medio di Z(t):


1Jz(t)

= E{Z(t)} = E{ N(t)S(t)} = 2E{ X(t)cos(27ffot+ e)}

(E8.13.7)

Notiamo che la variabile aleatoria e, essendo indipendente dal pro~esso N(t),


anche indipendente da X(t). Quindi, fissato il tempo t, anche la variabile
aleatoria cos(27ffot+ e) indipendente da X(t). In conclusione:
1Jz{t)

= E{X(t) }E{S(t)} = O

(E8.13.8)

La funzione di autocorrelazione Rz(t,t - 'r) data da


Rz(t,t - 'r) = E{ Z(t)Z(t - 'r)}
= 4E{ X(t)X(t - 'r)cos(27ffot + e )cos(27ffo(t - 'r) + e)}

= 4E{ X(t)X(t + 'r)}E{ cos(27ifot + e )cOS(27ffo(t - 'r) + e)}


= 2Rx('r)cos(27ffo'r) = Rz('r)

(E8.13.9)

dove abbiamo ancora una volta sfruttato l'indipendenza da e di tutte le variabili


aleatorie estratte dal processo X(t).
Il risultato principale di questo calcolo che il processo Z(t) stazionario in
senso lato, avendo valor medio nullo e funzione di autocorrelazione (E8.13.9)

480

Capitolo 8

che non dipende da t. La densit spettrale di potenza di Z(t)

Sz(J)=.'T(Rz(-r)J=Sx(J- fo)+SAi+ lo)


= {sinc2[(J + fo)T]+sinc2[(J

(E8.13.1O)

- J;))T]}

Se vale la condizione io 1/ T, le due repliche della SAi) che compaiono


nella Sz(J) centrate a Ifo si possono considerare in pratica "isolate", cio non
interferenti reciprocamente: le "code" di ciascuna delle due funzioni sinc\) si
smorzano completamente prima di raggiungere l'altra, come (approssimativamente) in Figura 8.30.
1.25

--N

;g:
U)

ro
N
c

Q)

100

0.75

0.50

0.25

a.
'5
o
...

Ifo=5rr
I
I

-5

I 1\ IIH(f)12

Q)

a.
CI)

0.00
-0.25
-10

Frequenza normalizzata,

10

fT

Figura 8.30 Densit spettrale di potenza Sz(f) dell'Esempio 8.13

La densit Sy(J)del processo Y(t) si ricava infine dal teorema fondamentale del
filtraggio (8.5.8):
(E8.13.11)
e la condizione lo 1/ T permette di concludere che

S,(J)=+inC'((J - J,)T)recf27;

)+sinc'((J + J,)T)recf2~;)]
(E8.13.12)

Segnali aleatori

481

L'andamento della densit spettrale di potenza Sy(J) illustrato nella Figura


8.31. Si nota che il filtro H(J) ha selezionato le sole componenti frequenziali
relative ai lobi principali delle funzioni sinc2( . ) nello spettro di potenza di Z(t).
1.25

;g:
>CI)
ttS
N
c:
O>
+-'
o
Cl.
::c

I
-

1.00
1\

0.75

0.50

0.25

:t:::

O>
Cl.
CI)

0.00

-0.25
-10

\
I

-5

\
I

Frequenza normalizzata,

10

fT

Figura 8.31 Densit spettrale di potenza Sy(f) dell'Esempio 8.13

8.6 Processi aleatori Gaussiani

8.6.1 Definizione e prime propriet


Nell'Esempio 8.12 abbiamo esaminato alcune propriet del rumore termico. In
particolare, ne abbiamo studiato la densit spettrale di potenza e la funzione di
autocorrelazione, cio le caratteristiche temporali e spettrali, senza specificarne
le caratteristiche di distribuzione delle ampiezze. Fissiamo dunque un istante ti
ed estraiamo dal processo la variabile aleatoria X(tl)' Possiamo osservare che il
particolare valore del rumore termico ottenuto in una prova dell'esperimento a
quel dato istante determinato da un gran numero di contributi elementari
indipendenti di tensione di rumore, provocati ciascuno dai singoli elettroni in
agitazione termica all'interno del resistore. Questa osservazione giustifica
l'applicazione del teorema-limite centrale 7.4.9 e permette di concludere che le
statistiche di X(tl) sono con ottima approssimazione Gaussiane. Ma possiamo
dire anche di pi: con considerazioni simili, si trova che la n-upla di variabili
[X(tl),X(t2),...,X(t,,)] estratte agli istanti (tl't2,...,t,,) risulta un sistema di

l
482

Capitolo 8
'I
I

variabili aleatorie congiuntamente Gaussiane.


Questa propriet, verificata "sperimentalmente" da un particolare segnale generato da un altrettanto particolare fenomeno fisico, pu essere generalizzata in
modo da definire un'intera classe di processi aleatori che modellano una quantit
di fenomeni fisici anche diversi dal rumore termico: i processi Gaussiani.
Definizione Un processo aleatorio X(t) Gaussiano se le n variabili aleatorie
[X(tl),X(tJ,...,X(t,,)] da esso estratte agli istanti (t"t2,...,t,,) risultano congiuntamente Gaussiane comunque si scelga il valore del parametro intero n e per
qualunque n-upla di istanti (t"t2,...,t,,).
Questa definizione piuttosto restrittiva: non basta che una variabile aleatoria
X(t.) estratta a un certo istante tI sia Gaussiana per poter dire che il processo
Gaussiano. La definizione dice infatti che un vettore aleatorio riempito con un
numero qualunque (diremmo, arbitrariamente grande) di variabili estratte dal
processo a istanti qualunque deve comunque essere un vettore aleatorio
Gaussiano (si veda il Paragrafo 7.4.8).
Molti segnali incontrati in altrettanti fenomeni fisici possono essere modellati
come realizzazioni di un processo Gaussiano (segnali sismici, segnali vocali e
musicali, segnali radio ecc.). Questo spiega la "centralit" di questa classe di
processi, e la necessit di studiarne le propriet in maniera approfondita.
Cominciamo con l'osservare che un processo aleatorio Gaussiano X(t)
completamente caratterizzato dal punto di vista statistico quando sono note la
sua funzione valor medio 1JAt) e la sua funzione di autocorrelazione RAt.,t2)'
Ricordiamo che la descrizione statistica di un processo X(t) completa se nota
la densit di probabilit di ordine n fAx"X2,...,X,,;tl,t2,...,t,,) (8.1.9), comunque
grande sia il numero intero n e comunque si scelga la n-upla di istanti
(t"t2...,t,,). Indichiamo dunque con X"...,X" le n variabili aleatorie estratte dal
processo:

XI

= X(t.),X2 = X(tJ,...,X" = X(t,,). Se il processo Gaussiano, la

densit congiunta di queste n variabili per definizione Gaussiana, cio ha la


forma (7.4.49):

fAx"X2,...,X,,;t.,t2,...,tn)=

,.1.

exp[-~(x-T\xf

c~.(x-T\x)]
(8.6.1)

ove x = (x"x2,...,x"f. Le grandezzel1xe Cx possonoessereimmediatamente


esplicitate non appena si conosca l'andamento delle funzioni 1Jx(t) e RAtpt2)'
Infatti il vettore dei valori medi l1x dato da
,I

Segnali aleatori

Tlx~[E{ Xt},E{X2},...,E{Xn}r

483

= [E{X(t,)},E{ X(t2)}" ..,E{X(tn)}r

(8.6.2)

= [l1x(t,),l1x(t2),..., l1x(tn)

e quindi (com' ovvio) i suoi elementi sono i valori deUafunzione valor medio
del processo agli istanti (tI't2...,tn) di estrazione delle variabili aleatorie. Per
quanto riguarda la matrice di covarianza Cx, il suo generico elemento C;k dato
da

C;k~E{[ Xj -l1x,][ Xk -l1x,]} = E{[ X(tj) -l1At; )][X(tk) -l1x(tk)]}

(8.6.3)

= CAt;,tk) = RAtj,tk) -l1Atj )l1Atk)


e quindi
CAtl't,)

Cx I CA"t,)
CX(tll,tt)

CAtl't2)

...

CAtl'tn)

CA, ,t,) ... CA, ,t")


CAtll,t2)

...

,.

(8.6.4)

CAtn,tn)

ove CA.,.) la funzione di autocovarianza di X(t). La matrice di covarianza


quindi nota non appena nota la funzione di autocovarianza del processo o,
equivalentemente, la funzione di autocorrelazione e la funzione valor medio. Dal
vettore dei valori medi e dalla matrice di covarianza si ricava poi la densit di
probabilit del processo come nella (8.6.1) per qualunque valore di n e di
(tI,t2...,tn): la caratterizzazione del processo completa.
La particolare forma della densit Gaussiana comporta un'ulteriore propriet
dei processi Gaussiani: se un processo Gaus~a~x.u)
stazionario in s~nso
lato, allora anche stazionario in senso stretto. Se infatti il processo
';i~zfon;:ro n senso lato, la funzion~~lo; ~dio costante (l1At)=l1x) e la
funzione di autocovarianza dipende solo. dalla differenza dei due istanti
considerati (CAtl' t2) = CAtt - t2). In tal caso, il vettore dei valori medi 11x
(8.6.2)
(8.6.5)
e la matrice di covarianza Cx diventa

484

Capitolo 8

Cx(O)

CAt2-ti)

CAtl -t2) ... CAtl -t,,)


CAO) ... CAt2 -t,,)

(8.6.6)

Consideriamo, adesso, la n-upla di istanti (ti + &,t2 + /).t,...,t"+ /).t) ottenuta per
traslazione rigida dalla n-upla originaria, e ricalcoliamo la densit congiunta del
processo per questi nuovi istanti. Ci equivale a ricalcolare il vettore dei valori
medi e la matrice di covarianza, perch la densit dipende soltanto da queste
grandezze. Il vettore l1x (8.6.5) non dipende dal tempo e resta quindi invariato.
La nuova matrice di covarianza
CAtl +/).t-(t2 +&))
CAO)

...
...

CX(tl +/).t...;(t" +/).t))


CX(t2 +&-(t"

+/).t))

I:
CAO)

CX(t2

ti)

(8.6.7)

Poich il vettore dei valori medi e la matrice di covarianza non sono cambiate a
causa della traslazione temporale, concludiamo che anche la funzione densit
invariata:
(8.6.8)
comunque si scelga la traslazione /).t. Quindi il processo Gaussiano e stazionario
in senso lato X(t) anche stazionario in senso stretto.
8.6.2 Filtraggio dei processi Gaussiani
Come abbiamo visto nel Paragrafo 8.4, il problema del filtraggio di un processo
aleatorio non completamente risolubile, nel senso che in generale impossibile
ottenere la descrizione completa del processo d'uscita Y(t) nota quella del
processo d'ingresso X(t). Supponiamo per che X(t) sia Gaussiano: all'uscita
del filtro (SLS) avente risposta impulsiva h(t) avremo il processo

Segnali aleatori

485

-+=

Y(t) = X(t)0h(t)

(8.6.9)

= fX(a)h(t-a)da

ove la convoluzione da intendersi come precisato nel Paragrafo 8.4. Questo


integrale di convoluzione pu essere approssimato con una sommatoria:
-+=

-+=

(8.6.10)

Y(t) = fX(a)h(t-a)da== k=LX(kL\a)h(t-kL\a)L\a

e l'approssimazione tanto pi accurata quanto pi piccolo il periodo di


campionamento L\a del nostro segnale. Fissiamo adesso la consueta n-upla di
istanti (tl't2,...,t,,) e consideriamo le n variabile aleatorie estratte dal processo di
uscita a questi istanti:
-+=

Y(tl)==LX(kL\a)h(tl -kL\a)L\a
k=-+=
Y(t2)==LX(kL\a)h(t2

-kL\a)L\a

(8.6.11)

-+=

Y(t,,)==LX(kL\a)h(t"

-kL\a)L\a

Nota la risposta impulsiva del sistema, le varie quantit h(t; - k L\a)L\a con i e k
variabili sono dei coefficienti
de te rminati:
ajk = h( tj - k L\a )L\a, e quindi la
(8.6.11) diventa:
-+=

Y(tl)== LalkX(kL\a)
k=-oo
-+=

Y(t2) ==La2kX(kL\a)
k=-

=> Y = AX

(8.6.12)

-+=

Y(t,,) == La"kX(kL\a)
k=-

dove A = {a;k}' Y = [Y( ti ),Y( t2),. . ., Y(t" )

il vettore delle variabili

estratte dal

processo d'uscita e X = [.. .,X((k -1)L\a), X(k L\a),X((k + 1)L\a),.. contiene


variabili aleatorie estratte dal processo d'ingresso. Dalla definizione di processo
Gaussiano, sappiamo che X un vettore Gaussiano; vediamo inoltre che la
(8.6.12) una trasformazione lineare tra vettori aleatorioLa conclusione che
anche Y un vettore Gaussiano qualunque sia la scelta di n e degli istanti

486

Capitolo 8

(t"t2,...,t,,): il processo Y(t) esso stesso Gaussiano.


I processi Gaussiani sono l'eccezione che conferma la regola, nel senso che
per questi possibile dare una descrizione statistica completa del processo all'uscita di un SLS, quando siano note le caratteristiche del processo d'ingresso. La
propriet di "conservazione della Gaussianit" che abbiamo dimostrato per un
sistema lineare stazionario valida anche per sistemi lineari ma non stazionari.
Come chiaro, se il processo (Gaussiano) d'ingresso a un SLS stazionario in
senso lato (e quindi anche in senso stretto), allora il processo di uscita anch' esso stazionario. Se il sistema lineare non stazionario, il processo di uscita
ancora Gaussiano ma in generale perde la propriet di stazionariet.
Esempio 8.14 (Processo di Ornstein-Uhlenbeck)
Calcoliamo la funzione di autocorrelazione, lo spettro di potenza e la densit di
probabilit del primo ordine fy(y;t) del processo Y(t) in uscita alla squadra R-C
di Figura 8.32 (a = RC) quando il segnale d'ingresso un processo Gaussiano
bianco X(t) con densit spettrale di potenza SAf) = No /2.

Figura 8.32 Processo Gaussiano bianco in ingresso alla squadra R-C

Dalla definizione generale di processo bianco, sappiamo che X(t) stazionario


in senso lato e ha valor medio nullo. Essendo anche Gaussiano, pure stazionario in senso stretto. Poich il sistema lineare, il processo di uscita sar a sua
volta Gaussiano e anche stazionario, visto che il sistema anche stazionario.
Calcoliamo allora la funzione valor medio e la funzione di autocorrelazione di
Y(t). Si trova facilmente che Y(t) ha media nulla:
T]y = TJxH(O)

=O

(E8.l4.l)

Lo spettrodi potenzadi Y(t) si calcolaquasialtrettantofacilmente:


(E8.14.2)

Segnali aleatori

487

cos come la funzione di autocorrelazione:


(E8.14.3)

NoI2

~
.....

'>

cn

o
-1.5 -1.0 -0.5 0.0

0.5

1.0

1.5 2.0

2.5

3.0

Frequenza normalizzata, fa.

(a)

o
-5

-4

-2
-1
o
1
2
Ritardo normalizzato, 't/a.

(b)

Figura 8.33 Densit spettrale di potenza (a) e funzione di autocorrelazione (b) del processo di
Ornstein-Uhlenbeck di Figura 8.32

La densit di potenza di Y(t) (rappresentata in Figura 8.33a) viene comunemente detta Lorentziana. Inoltre, un processo Gaussiano con la futzione di autocorrelazione (E8.14.3) (visibile in Figura 8.33b) chiamato processo di
Omstein- Uhlenbeck.

488

Capitolo 8

facile trovare la potenza del segnale di uscita:

= 4a
No = nNo' B_3
2

(E8.14.4)

Py= Ry(O)

che ovviamente cresce al crescere della banda a -3 dB (B-3) della squadra R-C
usata come filtro passa-basso. Siccome Y(t) ha media nulla, la potenza del
processo uguaglia la sua varianza: CJ'; = Py =n No . B_3/2. La densit del primo
ordine di Y(t) non dipende dal tempo perch il processo, in quanto Gaussiano e
stazionario in senso lato, stazionario in senso stretto. In conclusione:
(E8.14.5)

o
Esempio 8.15
Consideriamo lo schema della Figura 8.34, nel quale il processo N(t)
Gaussiano stazionario e ha densit spettrale di potenza
(E8.15.1)

N(t)

X(t)

-Yt

Xk

d
dt (.)

Figura 8.34 Sistema dell'Esempio 8.15

Campionando il processo X(t) agli istanti tk = k/

B, con k = 1,2,...,n si ottiene

= X(tk)' con k = 1,2,...,n. Determiniamo


la densit di probabilit congiunta fX(XpX2,..,XN) di tali variabili aleatorie.

un insieme di n variabili aleatorie Xk

Segnali aleatori 489

Cominciamo calcolando la funzione di trasferimento H(s) del SLS di Figura


8.43. Sfruttando l'analogia di questo schema con la realizzazione canonica di un
sistema a tempo discreto (Figura 6.36), si trova immediatamente
H(s)

= l-sa
l+sa

(E8.15.2)

Quindi la risposta in frequenza H(J) del sistema

H(J)

= 1-

j21ifa

(E8.15.3)

1+ j21ifa

Il processo d'ingresso N(t) per ipotesi stazionario. Antitrasformando la funzione densit


spettrale di potenza se ne ricava la funzione di autocorrelazione:
~.
(E8.15.4)

Il valor medio di N(t) nullo perch ,->~


limRN('Z')= O. Inoltre, il processo X(t)
anch'esso Gaussiano e stazionario perch l'uscita di un SLS con un processo
Gaussiano stazionario in ingresso. Il valor medio di X(t) nullo, e la sua densit
spettrale di potenza data da
(E8.15.5)
Questo risultato si spiega osservando che la risposta in ampiezza del filtro dato
ovunque pari a 1 (filtro passa-tutto)! I processi di uscita e di ingresso sono statisticamente equivalenti: essi hanno stesso valor medio e funzione di autocorrelazione; essendo entrambi Gaussiani, questo comporta che hanno le stesse statistiche di qualunque ordine. Le variabili aleatorie (XI'X2,...,Xn) sono estratte da
un processo Gaussiano e sono quindi un sistema di n variabili congiuntamente
Gaussiane. Per determinare la densit di probabilit congiunta !X(X"X2,,,,XN)
occorre determinarne il vettore dei valori medi llx e la matric' di covarianza
CX' Le componenti del vettore llx sono tutte nulle poich X(t) un processoa
valor medio nullo. L'elemento generico della matrice Cx dato da
cx;x, = E{(Xj -1]x,)( Xk -1]x,)} = E{Xj Xk} = E{ X(tj)X(tk)}

= Rx( i ~ k = No B sinc2(i - k) = No B 8[i - k]

= Rx(tj - tk)
'.

(E8.15.6)

La matrice allora diagonale perch le variabili sono a due a due incorrelate.

490

Capitolo 8

Essendo congiuntamente Gaussiane, esse sono anche indipendenti. Inoltre, tutte


le variabili (a valor medio nullo) hanno stessa varianza a~= NoB. La densit di
probabilit congiunta fX(XI'X2,..,XN) allora semplificabile come segue:
n

(E8.15.7)

fX(XI,X2,,,,XN)= lIfAx;)
;=1

ove fAx), la densit di probabilit di ciascuna delle variabili (XO,X1,.."Xn-I)'


data da
(E8.15.8)
In conclusione,
(E8.15.9)

D
Esempio 8.16
Consideriamo un processo Gaussiano X(t) caratterizzato
medio 17x(t) = O e dalla funzione di autocorrelazione

dalla funzione valor

(E8.16.1)
Applichiamo questo processo, che risulta evidentemente non stazionario, al
sistema lineare stazionario della Figura 8.35 (con a

= LI

R) e determiniamo la

densit di probabilit del primo ordine fy(y;t) del processo di uscita Y(t).
L

X(t)
I

Y(t)
I

Figura 8.35 Sistema dell'Esempio 8.16

Il processo Y(t) Gaussiano essendo generato da un sistema lineare avente in

Segnali aleatori

491

ingresso un processo X(t) Gaussiano. La densit di probabilit fy(y;t) quindi


del tipo

fy(y;t)

[Y-I),(1)]2

= -J2ii
21r(j y ()
t e-

ZO}(I)

(E8.16.2)

ove 1]y(t) e (j~(t) sono rispettivamente le funzioni valor medio e varianza di


Y(t). Ricordiamo che per un processo non stazionario la funzione (j~(t) pari a
(E8.16.3)
La funzione 1]y(t) si pu ricavare dalla relazione (8.4.6):
(E8.16.4)
ove h(t), la risposta impulsiva del SLS, nel nostro caso
(E8.16.5)

h(t)= ~exp( - ~)u(t)

Poich per ipotesi 1]At) = O, anche la funzione 1]y(t) identicamente nulla. Per
determinare la funzione (j~(t) calcoliamo poi la funzione Ry(t"tz) attraverso la
(8.4.10):
(E8.16.6)
Sostituendo, si ricava

Svolgendo per prima l'operazione di convoluzione rispetto alla variabile tI (e


considerando tz come una costante) si ha:
Ry(tl'tz)=No[h(tl-tz)+h(tl

+tz)]@h(tz)

(E8.16.7)

Scrivendo in modo esplicito la convoluzione rispetto alla variabile ~z, si ottiene:


+00

Ry(tl,tz) = No f[h(tl - y) + h(tl + y)] h(tz - y)dy


dalla quale si ricava infine:

(E8.16.8)

492

Capitolo 8

+00

= Ry(t,t) = Nof[h(t

a:(t)

- y)+ h(t + y)] h(t - y)dy

+00

=No J[h(p)+ h(2t -

N+oo

P)] h(p)dp
N+oo

213

=a~ Lexp( -C; ) u(p)dP+ a~ Lexp


N

213

+00

2t

=a~ [exp ( -C; ) dp+ )exp


No

2No

2t

13+13

-a

) u(p)u(2t-p)dp

2/

(-a- )[ldp.U(t)

2t

( a )u(t )

=-+-texp
2a a2

--

(E8.16.9)

La varianza non costante perch il processo Y(t) non stazionario.

Esempio 8.17
Troviamo la funzione densit di probabilit fz(z) della variabile aleatoria Z in
Figura 8.36, nell'ipotesi in cui il processo N(t) sia Gaussiano bianco con densit
spettrale di potenza SN(J)= 2T.
X

I
I
t
N(t)
2~

f ()

W(t)

da

t-2T
~

I
J

t=o

Figura 8.36 Sistema dell'Esempio 8.17

Dallo schema della figura, si vede che la variabile aleatoria Z risulta espressa
dalla relazione
J
Z

= X + Y = 2W(O)+ W(-T)

(E8.17.1)

Il processo W(t) Gaussiano e stazionario perch la risposta di un SLS a un


processo Gaussiano stazionario. Il valor medio di N(t) nullo (processo
bianco), e quindi sar identicamente nulla anche la funzione valor medio di
W(t). Osserviamo che quest'ultimo viene generato da un integratore a finestra

Segnali aleatori

493

mobile la cui risposta impulsiva


l

h(t)=-rect
2T

t- T

( )
- 2T

(E8.17.2)

La funzione di autocorrelazione Rw(r) di W(t) allora data da (si veda anche la


(E8.14.3)):

Rw(r)=RN('X')<29h('X')<29h(-'X')=(I-

~i }ec{4~)

(E8.17.3)

Osserviamo poi che le variabili aleatorie W(O) e W(-T), essendo estratte da un


processo Gaussiano W(t), sono congiuntamente Gaussiane e, quindi, la
variabile aleatoria Z Gaussiana perch una combinazione lineare di variabili
congiuntamente Gaussiane. Il valor medio 1]z di Z pari a
1]z = E{Z}

= 2E{W(O)}

+ E{W(-T)}

= 21]w(O) +1]w(-T) = O

(E8.17.4)

mentre la sua varianza (j~


()~

= E{(Z

= 4E{W(Ol}

= 4Rw(O)+

_1]Z)2}

= E{ Z2} = E{[2 W(O)+ W(-T)t}

+ E{ W(-T)2} + 4E{W(O)W(-T)}
Rw(O)+.4Rw(T)

= 4+

l + 4 .1/2

=7

(E8.17.5)

In conclusione, la densit di probabilit 1z(z) della variabile aleatoria Z


(8.17.6)

8.7 Processi ergodici


8.7.1 Ergodicit del valore medio
Abbiamo intenzionalmente ritardato fino a questo paragrafo la discU8sionedi un
aspetto molto importante sia dal punto di vista concettuale sia da quello pratico.
Come sappiamo, anche nella definizione delle grandezze statistiche semplificate
(funzione valor medio, funzione di autocorrelazione) di un processo aleatorio
sempre prevista un'operazione di valor medio relativamente a tutte le possibili
funzioni campione del processo. Abbiamo chiamato quest' operazione valor medio statistico, o, in alternativa, valor medio sull'insieme (sottinteso: delle fun-

494

,I

Capitolo 8

zioni campione). Dal punto di vista teorico, quest'operazione non comporta alcuna difficolt, supponendo beninteso di conoscere le opportune funzioni densit
di probabilit del processo che consentono di effettuare le operazioni di media
previste (densit del primo ordine per la funzione valor medio, del secondo ordine per la funzione di autocorrelazione ecc.). In pratica, le funzioni densit di
un processo non sono generalmente note, e in molti casi esse non sono neanche
ricavabili con ragionevole accuratezza attraverso delle misure. Per fare misure
statistiche significative su di un processo dovremmo infatti osservare un numero
significativo di funzioni campione rispetto a tutte quelle possibili. Molto spesso,
di un dato processo viene invece osservata solo una realizzazione, quella cio
che si verificata in una certa prova dell'esperimento. Sorge allora spontanea la
domanda: possibile riuscire a effettuare misure su questa particolare realizzazione e in qualche modo ricavare il comportamento statistico generale del processo? La risposta a questa domanda ruota attorno alla nozione di ergodicit di
un processo, che dobbiamo discutere in un certo dettaglio2.
Supponiamo di sapere con certezza che il processo X(t) sotto osservazione
stazionario in media, e poniamoci il problema di stimarne il valor medio 17x
(costante). Ci che si ha a disposizione in una prova dell'esperimento una certa
realizzazione del processo x(t;ro) corrispondente al particolare risultato co
dell'esperimento stesso. Di questa certa realizzazione che, una volta osservata,
un segnale determinato, possiamo certamente calcolare il valor medio temporale
(1.3.7a)

,,

T""'~T

xm(CO)! lim

T/2

f x(ro;t)dt

(8.7.1)

-T/2

e possiamo chiederci poi quale sia la relazione di questa quantit con il valor

mediostatistico(o sull'insieme)17
x' Due questionisi pongonoda questopunto
'I

di vista: i) in generale, il valor medio temporale dipende dalla particolare

2 La parola ergodico (dal greco ergodes, laborioso) appare per la prima volta in meccanica
statistica con un'accezione molto simile a quella usata qui. In meccanica statistica, infatti, le
Il

propriet macroscopiche di un insieme di particelle microscopiche (ad esempio, la pressione di


un gas) vengono ricavate attraverso una media del comportamento sull'insieme delle particelle.
La propriet di ergodicit del sistema dice per che le stesse propriet macroscopiche possono
essere anche ricavate seguendo l'evoluzione temporale di una singola particella che tipica del
comportamento globale dell'insieme.

Segnali aleatori 495

funzione campione e quindi dal particolare risultato dell'esperimento, come


suggerisce la notazione nella (8.7.1). Non detto quindi che, osservando pi
volte il processo, si ottenga sempre uno stesso valor medio temporale dalle varie
realizzazioni; ii) anche se il valore sempre lo stesso, non detto che questo
coincida con il valor medio statistico 1Jx.
Alcuni processi sono invece tali che i) tutte le funzioni campione hanno lo
stesso valor medio temporale, e ii) quest'ultimo coincide col valor medio statistico 1Jx:sono i processi ergodici in media. Per quanto riguarda il valor medio,
ogni funzione campione di un processo ergodico in media "si comporta" come il
processo nella sua globalit: il valor medio temporale (di ogni funzione
campione) uguale al valor medio statistico, come rappresentato sinteticamente
nella Figura 8.37. Per il processo ergodico, una grandezza statistica pu essere
dunque ricavata attraverso una media temporale su una qualunque realizzazione
del processo stesso. chiaro che un processo non stazionario in media non pu
essere ergodico. Infatti, se il valor medio statistico non costante, non ha senso
porsi il problema dell'uguaglianza tra questo e un valor medio temporale che
un singolo valore per definizione.
Sotto quali condizioni un processo ergodico in media? Per rispondere a
questa domanda, osserviamo che in generale il valor medio temporale delle
funzioni campione una quantit numerica che dipende dal risultato
dell'esperimento: in sintesi, una variabile aleatoria. Con la notazione pi
appropriata, la (8.7.1) diventa
l T/2
XIII~lim-

T -->~

X(t)dt

J
T -T/2

(8.7.2)

ove abbiamo omesso, come di consueto, la dipendenza dal risultato dell'esperi- '"
mento. Le due condizioni sotto cui il processo ergodico si possono dunque
riassumere dicendo che il valore atteso di questa variabile aleatoria deve essere
uguale al valor medio del processo 1Jx'e la varianza della stessa variabile deve
essere nulla, dimodoch tutte le funzioni campione presentano sempre (cio con
probabilit 1) un valor medio temporale pari a 1Jxstesso!
In pratica, non potremo osservare il processo (o una sua funzione campione)
su di un intervallo illimitato. Cominciamo allora a considerare la variabile
aleatoria
l T/2
XT ~-

J X(t)dt

(8.7.3)

T -T/2

...

,I

496

Capitolo 8

ottenuta mediando le funzioni campione sull'intervallo limitato [-T/2,-T/2].


Evidentemente,
.
2
= ThmCJXT

17 -- Tlim 17XT
XIII

(8.7.4)

MEDIE TEMPORALI

Valori
medi
temporali

.,

o.

Tempo

..
.
..
.
..
..
..
.
!,
,.

4.0

2.0

Il,
I

o.

...
..
.,
..
.
...
.
l.

..
.
..
.
..
..
h.
..

...
..
..
..
...
.
2.0

..
.
..
.
..
.
...
.

5.0

(5)

..
.
..
.
..
..
...
3.0

... ... .,.


..'''''''''' .. ..,.....
.. . .
.. .. ..
.. .. ..
"''''''''''''_un..","'"
... ... ...
4.0

5.0

Tempo (5)

Figura 8.37 Rappresentazione sintetica dell'ergodicit del valor medio

La (8.7.3) suggerisce anche un modo per ottenere in pratica le medie temporali


richieste. Il valore XT si pu interpretare infatti come l'uscita di un integratore a
finestra mobile su di un intervallo temporale di ampiezza T, valutata a un certo

Segnali aleatori

497

istante, come suggerisce la Figura 8.38. In figura anche rappresentata la


risposta impulsiva di questo filtro:
h(t) = ~rec{t-;

(8.7.5)

/2)
t=T/2

(t)

X(t)

1fT

i=h
T

Y(t)

/..~

Figura 8.38 Variabile aleatoria valor medio temporale delle funzioni campione di un processo

L'integratore a finestra mobile con un intervallo di osservazione molto ampio


(ricordiamo che in teoria T ~
un filtro passa-basso a banda molto stretta.
00)

La risposta in ampiezza di tale filtro infatti H(f) =Isinc(jT)1il cui lobo principale si estende da -1/ 2T a 1/ 2T. La media temporale di una realizzazione del
processo si pu dunque eseguire valutando l'uscita di un filtro passa-basso a
banda stretta a un opportuno istante (in pratica, dopo che i fenomeni transitoriin
uscita al filtro si sono estinti).
Torniamo dunque al sistema di Figura 8.38. Poich il processo di ingresso
stazionario in senso lato, il valor medio dell'uscita di tale filtro costante (il
processo Y(t) ancora stazionario) e vale:
(8.7.6)
e quindi
17x
Il/

= lim 1Jx = 1Jx


T

+oo

(8.7.7)

Questo risultato non dipende da alcuna particolare ipotesi sul processo X(t), e
quindi la prima condizione per l'ergodicit automaticamente verificata per f
ogni processo stazionario (in senso lato). Dobbiamo per calcolare la varianza
(j~T' A questo proposito, torna ancora utile la Figura 8.38. Sapendo che Y(t)
stazionario, si pu infatti scrivere che
(8.7.8)
dove Cy(r) la funzione di autocovarianza del processo (stazionario) Y(t).

l
498

Capitolo 8
j

D'altronde:

Cy(O)= Cx(T)Q9 h(t)Q9 h(-T)lr=o = Cx(T)


=

~( l-li)rec{2TT

<8>

1=0

(8.7.9)

l CAa)~(I-IT;al}ec{T;:)da'r=o

per cui si conclude che


(8.7.10)
La condizione di ergodicit del valor medio presto trovata: la varianza 0';. di
Xmdeve essere nulla e quindi deve valere:
(8.7.11)
L'ergodicit del valor medio, che una statistica di ordine l del processo,
subordinata al verificarsi di una condizione su di una statistica di ordine 2, cio
di ordine superiore.
8.7.2

Ergodicit

della funzione di autocorrelazione

stretto

- Ergodicit

in senso

Quando si affrontano questioni di ergodicit dei processi aleatori, utile definire


un operatore valor medio temporale (.) che si pu applicare a un qualunque
segnale determinato x(t):
(x(t))~

l T/2
x(t)dt = Xm
lim
T -+-T

(8.7.12)

-T/2

La propriet di ergodicit del valor medio vista nel paragrafo precedente si pu


allora esprimere in modo sintetico come segue:
E{X(t)} = (x(co;t))

(8.7.13a)

dove x(t; co) la generica funzione campione del processo X(t). Con notazione
impropria, si pu riassumere la propriet di ergodicit del valor medio
E{ X(t)} = (X(t))

(8.7.13b)

intendendo in realt la (8.7.13a). Spesso, la propriet di ergodicit viene

Segnali aleatori

499

riassunta nell'uguaglianza (un po' semplicistica) "valor medio statistico=valor


medio temporale".
L'operatore valor medio temporale torna utile anche per esprimere la funzione di autocorrelazione di un segnale determinato a potenza finita (4.4.31):
1

R) T) = (x(t)x(t - T))~ T~~T


lim -

T/2

f x(t)x(t - T)dt

(8.7.14)

-T/2

abbastanza chiaro allora come estendere la propriet di ergodicit anche alla


funzione di autocorrelazione. Un processo si dice ergodico in autocorrelazione
se, indipendentemente dalla particolare funzione campione, risulta:
- T)}

Rx( T)~E{X(t)X(t

= (x(ro;t)x(ro;t

1 T/2

- T))

= T~~T
lim -

x(ro;t)x(ro;t
-T/2

- T)dt
(8.7.15)

cio se la funzione di autocorrelazione statistica del processo uguale alla funzione di autocorrelazione temporale di una qualunque realizzazione. chiaro
che un processo non stazionario in senso lato non pu essere ergodico in autocorrelazione in quanto la funzione di autocorrelazione calcolata come media
temporale dipende soltanto dalla variabile 'C e non da t, e non pu quindi uguagliare la funzione di autocorrelazione statistica di un processo non stazionario.
L'ergodicit in autocorrelazione importante perch se possibile ricavare
l'autocorrelazione del processo da una singola funzione campione, allora da
questa anche possibile ricavare (con semplice trasformata di Fourier) la densit
spettrale del processo stesso. In questo caso, il processo pu essere analizzato
con le medesime tecniche (di tipo temporale e non statistico) usate per l'analisi
dei segnali determinati. Le condizioni per l'ergodicit in autocorrelazione (su cui
non insisteremo per semplicit) coinvolgono grandezze statistiche del quarto
ordine del processo, e sono di difficile verifica, salvo casi particolari (i processi
Gaussiani).
f
Un processo ergodico in valor medio e funzione di autocorrelazione si dice
ergodico in senso lato. Se per la propriet di ergodicit vale per una qualunque
grandezza statistica estratta dal processo, allora il processo ergodico in senso
stretto e gode della propriet seguente:
E{g[X(t),X(t -

TI

),. ..,X(t - Tn-I)]} = (g[x(ro;t),x(ro;t - TI),. ..,x(ro;t - Tn-I)])

(8.7.16)

500

Capitolo 8

dove g[.] una qualunque funzione reale di n variabili e dove evidentemente il


valor medio temporale non dipende da 01. Si noti che nell'enunciare questa
propriet stata implicitamente assunta la stazionariet in senso stretto del
processo.
Esempio 8.18
Discutiamo l'ergodicit in valor medio del processo parametrico
X(t)

=A

(E8.l8.l)

dove A una variabile aleatoria con densit di probabilit fA (a) assegnata. Il


problema ben posto, perch il processo stazionario in media:
E{X(t)}

= E{A} = 17A

(E8.l8.2)

Nell'Esempio 8.4 abbiamo perfino dimostrato la stazionariet in senso stretto di


questo processo.
Le funzioni campione di X(t), rappresentate in Figura 8.10, sono delle
costanti. Consideriamo una qualunque di queste funzioni: quella, ad esempio,
corrispondente al valore a della variabile A:
x(t;01) =a

(E8.l8.3)

Il valor medio temporale di questa funzione campione chiaramente a, che in


generale diverso dal valor medio statistico 17Adi X(t): il processo non
ergodico in media. Il lettore pu dimostrare facilmente che la condizione
(8.7.11) per l' ergodicit in media non verificata.
D
Esempio 8.19
Dimostriamo che il processo aleatorio
X(t)

= acos(27ifot+ e)

(E8.l9.1)

ove a ed io sono noti e e Eu(O,2Jl') ergodico in senso lato. Nell'Esempio


8.5 abbiamo gi dimostrato che il processo stazionario in senso lato, e quindi il
problema ben posto. Nello stesso esempio, abbiamo trovato
(E8.l9.2)

..

Segnali aleatori 501

Calcoliamo ora le corrispondenti medie temporali:


1

(x(co;t))

= T""'~T
lim -

TI2

To/2

f acos(21ifot + E>)dt = -Lo -To/2


f a cos(21ifot
-T12

+ E>)dt

(E8.19.3)

Sappiamo infatti che la media temporale per un segnale periodico (come tutte le
funzioni campione del processo) pu essere valutata su un singolo periodo
anzich su tutto l'asse temporale. Proseguendo il calcolo si trova

(x(co;t))

=~
acos
1'0

TO/2

(
~1ifot+
1ifo

E>

(E8.19.4)

)I-To 12 = O

indipendentemente dal valore di E>,e cio dalla particolare funzione campione,


Il processo quindi ergodico in media.
Per la funzione di autocorrelazione si ha poi:
1
(x(co;t)x(co;t - -r)) = 1:
2 To/2

=~

To 12

f acos(21ifot

o -To 12
2 To/2

+ E>)acos(21ifo(t

- -r)+ E>)dt

f cos(27ifo-r)dt+ ~21'0 -To12


f cos(21ifo(2t- -r)+2Edt

21'0 -To12
a2
= -coS(21ifo-r)

= RA-r)

(E8.19.5)

Il processo anche ergodico in autocorrelazione e quindi ergodico in senso lato.


O

Sommario
In questo capitolo abbiamo introdotto e discusso i principali concetti necessari
allo studio dei segnali aleatorioUn processo aleatorio X(t) (cio la modellizzazione matematica di un segnale non noto a priori) una corrispondenza che associa a ogni risultato di un esperimento aleatorio una funzione campione selezionata in una certa famiglia. Se si fissa un istante temporale, i vari valori che le f
funzioni campione possono assumere definiscono una variabile aleatoria. La caratterizzazione del processo allora completa quando nota la densit di probabilit di ordine n del processo, con n qualunque, cio la densit congiunta
delle n variabili aleatorie X(t(), X(t2)'" " X(tll) estratte dal processo a istanti
(tI' t2...,t,,) arbitrari. Poich la caratterizzazione completa assi complicata, ci si
accontenta spesso dei parametri statistici semplificati: la funzione valor medio

502

IJ

'(

i
,

Capitolo 8

1JAt)!E{X(t)} e la funzione di autocorrelazione (oppure quella di autocovarianza) RAtl ,t2)!E{ X(t, )X(t2)} (CAtl,t2)!E{[ X(t,) -1JAtl )][X(t2) -1JAt2)]}).
Una propriet importante dei processi aleatori la stazionariet. Un processo
stazionario in senso stretto se tutte le sue grandezze statistiche non variano
cambiando l'origine del riferimento temporale (sono cio invarianti alle traslazioni temporali). Questo avviene se e solo se la stessa propriet di invarianza
temporale posseduta dalla densit di probabilit del processo di qualunque
ordine: fAxl,X2,...,XIl;tl + I::.t,t2+ I::.t,...,t"+ I::.t)= fAXI'X2,...,X,,;tl't2,...,tll) per
ogni traslazione I::.t.Un tipo di stazionariet di pi semplice verifica quella in
senso lato, che richiede l'invarianza temporale delle sole funzioni valor medio e
autocorrelazione: 1JAt) = 1Jxe RX(tl,t2)= Rx(t,- t2). Indicando diversamente
gli istanti tI e t2, quest'ultima propriet si riscrive: RAt,t - -r) = Rx( -r), ove -r
la distanza temporale tra tI e t2. La funzione di autocorrelazione di un processo
stazionario gode delle stesse propriet presentate dalla funzione di autocorrelazione per i segnali determinati gi introdotta nel Capitolo 4.
Quando un processo aleatorio X(t) viene filtrato con un SLS avente risposta
in frequenza H(J) e risposta impulsiva h(t), non in generale possibile ricavare
la descrizione completa dell'uscita Y(t) a partire da quella dell'ingresso. pe~
semplice mettere in -relazione le statistiche semplificate dei due processi. Nel

,I

caso di processo X(t) stazionario

l,I

= RA -r)@h(-r)@h(--r).
Si definisce poi la densit spettrale di potenza di un processo X(t) stazionario in senso lato come trasformata di Fourier della funzione di autocorrelazione

(almeno

in senso lato) si ha: 1Jy = 1JxH(O) e

Ry(-r)

.Io__:-

Rx(-r). Questo implica che lo spettro di potenza di un processo viene modificato


dal filtraggio esattamente come lo spettro di potenza di un segnale determinato
(Sy(J)= SAf)IH(Jt)
e che ne condivide le stesse propriet. In particolare, un
processo aleatorio stazionario si dice bianco quando possiede una densit spettrale di potenza costante per tutte le frequenze.
Molti fenomeni naturali possono essere modellati come processi Gaussiani.
Un processo aleatorio X(t) Gaussiano se n variabili aleatorie da esso estratte
agli istanti (tl,t2,...,t,,) risultano congiuntamente Gaussiane comunque si scelga
il valore del parametro intero n e per qualunque n-upla di istanti (tl't2,...,t,,).
Questa definizione comporta che il processo completamente descritto dalle
sole funzioni valor medio e autocorrelazione, che stazionario in senso stretto se
lo in senso lato, e che resta Gaussiano quando viene elaborato con un sistema
lineare (non necessariamente stazionario).
La possibilit di ricavare grandezze statistiche di un processo a partire dal-

Segnali aleatori 503

l'osservazione di una sola realiZzazione infine garantita dalla propriet di ergodicit: un processo ergodico se le grandezze medie statistiche (ad esempiola
funzione di autocorrelazione) possono essere ricavate come valor medio
temporale della corrispondente grandezza, valutato su una qualunque funzione
campione del processo stesso. Ci significa che ogni realizzazione tipica
dell'andamento globale del processo, e che non necessario osservare tutte le
funzioni campione del processo per ricavare l'andamento delle varie grandezze
statistiche.
Esercizi
8.1

8.2

proposti

La Figura 8.39 mostra il grafico delle cinque funzioni campione che


compongono un processo aleatorio X(t). Tenendo conto che queste
funzioni sono associate ai cinque risultati di un esperimento simmetrico
(cio t~tte le funzioni sono equiprobabili), dire qual il particolare valore
della funzione distribuzione del secondo ordine FAO,3;2,O).
assegnato un processo aleatorio X(t) stazionario in senso stretto.
Spiegare perch, in generale, il processo Y(t) = X(t)u(t) non pu essere
stazionario.

-4
o

Tempo, t
Figura 8.39

8.3

dato il processo aleatorio


X(t)

= XI cos(21t.fot) - X2 sin(21tfot)

ove XI e X2 sono due variabili aleatorie indipendenti Gaussiane a valor

.81

504

Capitolo 8

= (j~ 2 = 4. Questo processo l'ingresso dei


due SLS di Figura 8.40 aventi le risposte in frequenza indicate. Ricavare la
densit di probabilit del primo ordine fy(y;t) del processo Y(t) nei due
casi.
medio nullo e varianza (j~ ,

H (f)

X(t)

Y(t)

-4.
X(t)

Y(t)

Figura8.40

8.4

Calcolare e rappresentare la densit spettrale di potenza del processo


aleatorio segnale dati binario stazionario dell'Esempio 8.9.
8.5 Premessa: Data una coppia di processi aleatori Y(t) e Z(t) si definisce la
funzione di correlazione mutua Ryz(t,t - -r)= E{Y(t)Z(t - -r)}. I processi
Y(t) e Z(t) si dicono congiuntamente stazionari se Ryz(t,t - -r) dipende
solo dalla variabile -r, cio se Ryz(t,t--r)=Ryz('l'). Se i processi sono
congiuntamente stazionari possibile calcolare la densit spettrale di
potenza mutua Syz(l) =.'F[Ryz(-r)].
Nello schemadella Figura 8.41 X(t) un segnalealeatoriostazionarioin
senso lato con densit spettrale di potenza Sx(l) = e i due filtri hanno
risposta impulsiva
1

~ (t) = -exp(-at)u(t)
a

, ~(t) = -exp( -{3t)u(t)


{3

Dimostrare che i processi t;(t) e Yz(t) sono congiuntamente stazionari e


calcolare la funzione di correlazione mutua RY'Y2
(-r) e la densit spettrale di
potenza mutua SY'Y2
(I). [Trovare la forma generale di RY'Y2(-r) e SY'Y2(I)

per lo schema della Figura 8.41, prescindendo dal caso particolare, e


applicare poi tale risultato al caso particolare indicato.]

I
J
I
J

Segnali aleatori 505

h1(t)

Y1(t)

X(t)

Figura 8.41

8.6

Con la stessa premessa dell' esercizio precedente, calcolare l'espressione


generale della correlazione mutua Rrx(-r) tra un processo aleatorio
stazionario X(t) in ingresso a un SLS e il rispettivo processo di uscita
Y(t).
8.7 Una tensione costante Voviene disturbata da rumore bianco additivo N(t)
avente densit spettrale di potenza SN(J)=. Per reiettare tale disturbo si
usano i due sistemi in cascata mostrati nella Figura 8.42, in cui B = 1/2T .
Determinare i valori dei coefficienti a, b e c che minimizzano l'errore
quadratico medio

c = E{[Y(t) - vof}
tra l'uscita Y(t) e il valore costante Vo.

-d
-B

B f

N(t)

Y(t)
Figura 8.42

8.8

Determinare e rappresentare la densit spettrale di potenza Sx(f) del


processo aleatorio X(t) =2sin(2nFt + E, ove F una variabile aleatoria
uniformemente distribuita in [10,210] e E> una seconda variabile

506

8.9

Capitolo 8

indipendente da F e uniformemente distribuita in [-1C,1C].


Nello schema della Figura 8.43 il processo aleatorio N(t) Gaussiano con
densit spettrale di potenza SN(J) = No/2. Campionando agli istanti
tk = 2kT(k = 1,2,.. .,n) il processo X(t) in uscita al filtro H(J) (di banda
B =1/T) si ottiene un sistema di n variabili aleatorie {Xk ==X(2kT)}.
Determinare la densit di probabilit congiunta !X(X),X2,..,XII)di tale
sistema.
H(f)
N(t)

-ili-IX(t)
-8
8 f

Figura 8.43
Il

8.10 Nello schema di Figura 8.44 il processo di rumore W(t) stazionario in


senso lato e ha densit spettrale di potenza Sw(J)= No/2. Il segnale s(t)

Si indichi con N(t) il processo di rumore in uscita al filtro di banda B e


con x(t) la risposta del filtro a s(t) e si definisca il rapporto segnalerumore in uscita al filtro come

dove Ex rappresenta l'energia del segnale x(t). Ricavare il valore della


banda B che massimizza il valore di SNR.
W(t)

s(t)

..,+

-di
-8 8 f

x(t)+ N(t)

Figura 8.44

I
I

Segnali aleatori 507

8.11 Nella Figura 8.45 il processo SSL N(t) Gaussiano e ha densit spettrale
di potenza SN(j) = No/l. Determinare la probabilit che la variabile
aleatoria X assuma un valore maggiore di quello della variabile Y.

U_x

1/3
I

T/2 T t

N(t)

T/2

U_Y

T t

I
Figura 8.45

8.12 dato il processo aleatorio Gaussiano stazionario X(t) caratterizzato dalla


funzione densit spettrale di potenza
No

SAi) = l + (lliff3)2
Tale processo applicato in ingresso al SLS della Figura 8.34 (a, f3> O).
Determinare la densit di probabilit del primo ordine fr (y;t) del processo
di uscita Y(t).
Y(t)

X(t)

d
Cfi (.)

Figura 8.46

508

Capitolo 8

8.13 Nello schema della Figura 8.47, il processo N(t) Gaussiano con densit
spettrale di potenza SN(J) =. Dire se il processo di uscita X(t)
Gaussiano e determinarne la funzione valor medio 17At) e la funzione di
autocorrelazione RAt, -r).

~
illl

N(t)

-1/2T

Interpolatore
cardinale

1/2T f

X(t)

W(t) kT

Figura 8.47

8.14 Considerare il sistema della Figura 8.48 nel quale il processo Gaussiano
d'ingresso X(t) caratterizzato dalla funzione di autocorrelazione
Rx(-r)

= NoBsinc(B-r)

Ricavare la densit di probabilitdel primo ordine fy(y;t) del processo


aleatoriod'uscita Y(t) nei duecasi seguenti:
a) H(J)=1
b) H(J) = rect(J / B)
X(t)

Figura 8.48

8.15 Premessa: Due processi X(t) e Y(t) si dicono indipendenti se qualunque


insieme di variabili aleatorie estratte da X(t) indipendente da qualunque insieme di variabili aleatorie estratte da Y(t).
Sono dati due processi stazionari in senso lato e indipendenti X(t) e Y(t)
con funzione di autocorrelazione RA -r) = Ry Cr)= (j2sinc2 (B-r). Costruito
il processo
Z(t)

= X(t)cos(4JrBt) -

Y(t)sin( 4nBt)

~J

Segnali aleatori 509

dimostrare che 2(t) stazionario in senso lato. Determinare e rappresentare poi la densit spettrale di potenza SAI) di 2(t).
8.16 Sono assegnati due processi aleatori X(t) e Y(t) stazionari in senso lato,
indipendenti (si veda l'Esercizio 8.15), e aventi le densit spettrali di
potenza rispettivamente SAI) ed Sy(J) rappresentate nella Figura 8.49.
Trovare (almeno) un valore del parametro K per il quale 2(t) in Figura
8.50 risulta stazionario in senso lato e, con tale valore di K, calcolare la
potenza media statistica Pw del processo W(t) in uscita al filtro della
Figura 8.51.
8.17 Dimostrare che condizione sufficiente per l' ergodicit del valor medio di
un processo stazionario in senso lato X(t) che valga
limT-+-

T fICA-r)ld-r=

-T

8.17 assegnato un segnale determinato periodico p(t) di periodo 1'0.Dire se


il processo aleatorio X(t)=p(t-e),
con ee'l1(-n,n),
ergodico in
senso lato.

-8

-8

Figura 8.49
X(t)

COS(41tS:)Y
sin(41tBt)

Y(t)

Figura8.50

Z(t)

510

Capitolo 8

H(f)
W(t)

Z(t)

-58/2

58/2

Figura 8.51

8.18 Dato un processo X(t) ergodico in senso stretto con statistiche di


qualunque ordine note, calcolare
lim-

T~-T

T/2

J u[a-X(t)]dt

-T/2

con a costante assegnata.