Formula Rio Segnali Sistemi Prob Ver2.0

Parte 1: segnali e sistemi
Nota per luso del formulario: possibile scrivere ulteriori formule solo negli spazi riservati a tale
scopo, contrassegnati da un riquadro con la dicitura Spazio riservato a formule personali.
1.2 Principali notazioni utilizzate
N insieme dei numeri naturali 1, 2, . . . ,
N
0
=N0 insieme dei numeri naturali, zero incluso 0, 1, 2, . . .
Z insieme dei numeri interi relativi . . . , 2, 1, 0, 1, 2, . . .
R insieme dei numeri reali
R
+
=]0, [ insieme dei numeri reali positivi (zero escluso)
R
=] , 0[ insieme dei numeri reali negativi (zero escluso)

R =R, insieme ampliato dei numeri reali
1.3 Segnali elementari e denizioni fondamentali
Segnali elementari
Gradino:
u(t)

=
_
1, se t 0;
0, altrimenti .
u(n)

=
_
1, se n 0;
0, altrimenti .
Signum:
sgn(t)

=
_
1, se t 0;
1, altrimenti .
sgn(n)

=
_
1, se n 0;
1, altrimenti .
Finestra rettangolare:
rect(t)

=
_
1, se [t[ 0.5;
0, altrimenti .
R
N
(n)

=
_
1, se n 0, 1, . . . , N1};
0, altrimenti .
2 Formulario di Teoria dei Segnali (Gelli-Verde) - ver. 2.0 (9 CFU)
Finestra triangolare:
(t)

=
_
1[t[ , se [t[ < 1;
0, altrimenti .
B
2N
(n) =
1
[nN[
N
, se n 0, . . . , 2N1;
0, altrimenti .
Impulso:
(t) (impulso di Dirac) una distribuzione (n)

=
_
1, se n = 0;
0, altrimenti .
1.3.1 Propriet elementari dellimpulso di Dirac (t)
(a) Area unitaria:
_
+
(t)dt = 1.
(b) Campionamento:
_
+
(t t
0
)x(t)dt = x(t
0
), t
0
R, x(t) continua in t
0
.
(c) Prodotto: x(t)(t t
0
) = x(t
0
)(t t
0
), t
0
R, x(t) continua in t
0
.
(d) Parit: (t) =(t).
(e) Cambiamento di scala: (at) =
1
[a[
(t), a R0.
(f) Derivazione:
_
+
_
d
n
dt
n
(t)
_
x(t)dt = (1)
n
_
d
n
dt
n
x(t)
_
t=0
, n N, x(t) derivabile no allor-
dine n con derivata n-esima continua in t = 0.
(g) Integrazione: u(t) =
_
t
(u)du.
(h) Integrazione denita:
_
b
a
(t)x(t)dt =
_
x(0) , se a < 0 < b;
0, se a > 0 oppure b < 0;
a <b R, x(t) con-
tinuo in t = 0.
1.3.2 Propriet elementari dellimpulso discreto (n)
(a) Area unitaria:
+
n=
(n) = 1.
(b) Campionamento:
+
n=
x(n)(nn
0
) = x(n
0
), n
0
Z.
(c) Prodotto: x(n)(nn
0
) = x(n
0
)(nn
0
), n
0
Z.
(d) Parit: (n) =(n).
(e) Decimazione ed espansione:
(nM) =(n) , M N;
_
n
L
_
=(n) , L N.
(f) Somma: u(n) =
n
m=
(m).
1.3 Segnali elementari e denizioni fondamentali 3
1.3.3 Replicazione
rep
T
0
[x
g
(t)]

=
+
k=
x
g
(t kT
0
) rep
N
0
[x
g
(n)] =
+
k=
x
g
(nkN
0
)
1.3.4 Area e media temporale
A
x
lim
Z+
_
Z
Z
x(t)dt
lim
K+
K
n=K
x(n)
x())
lim
Z+
1
2Z
_
Z
Z
x(t)dt
lim
K+
1
2K+1
K
n=K
x(n)
1.3.5 Propriet della media temporale
(a) Linearit:
1
x
1
() +
2
x
2
()) =
1
x
1
()) +
2
x
2
()) ,
1
,
2
C.
(b) Invarianza temporale:
x(t t
0
)) =x(t)) , t
0
R;
x(nn
0
)) =x(n)) , n
0
Z.
(c) Media temporale di un segnale periodico:
Sia x() un segnale periodico, avente periodo T
0
nel caso TC, o periodo N
0
nel caso TD, assolu-
tamente integrabile/sommabile su un periodo. La media temporale di x() pu essere calcolata su
un solo periodo:
x()) =
1
T
0
_
T
0
0
x(t)dt
1
N
0
N
0
1
n=0
x(n)
1.3.6 Componente continua ed alternata
x
dc
=x()) , x
ac
()

= x() x
dc
, x() = x
dc
+x
ac
()
1.3.7 Energia e potenza
E
x
lim
Z+
_
Z
Z
[x(t)[
2
dt
lim
K+
K
n=K
[x(n)[
2
P
x
[x()[
2
_
=
lim
Z+
1
2Z
_
Z
Z
[x(t)[
2
dt
lim
K+
1
2K+1
K
n=K
[x(n)[
2
1.3.8 Energia mutua e potenza mutua
E
xy
lim
Z+
_
Z
Z
x(t)y
(t)dt
lim
K+
K
n=K
x(n)y
(n)
P
xy
=x()y
()) =
lim
Z+
1
2Z
_
Z
Z
x(t)y
(t)dt
lim
K+
1
2K+1
K
n=K
x(n)y
(n)
1.3.9 Valore efcace
x
rms
=
_
P
x
=
_
[x()[
2
) .
1.3.10 Energia/potenza della somma di due segnali
E
x+y
=E
x
+E
y
+2Re(E
xy
) , P
x+y
=P
x
+P
y
+2Re(P
xy
) .
1.3.11 Misura in dB di potenza e valore efcace
[P
x
]
dB
= 10 log
10
_
P
x
P
0
_
[x
rms
]
dB
= 20 log
10
_
x
rms
x
0
_
Nota: P
x
= x
2
rms
, P
0
= x
2
0
potenza di riferimento.
1.4 Funzione di autocorrelazione per segnali deterministici di energia
1.4.1 Denizione
r
x
()

= x() x() =
_
+
x(t)x(t )dt
r
x
(m)

= x(m) x(m) =
+
n=
x(n)x(nm)
1.4.2 Propriet
(a) Valore nellorigine: r
x
(0) =E
x
.
(b) Simmetria: r
x
() = r
x
(()).
(c) Valore massimo: [r
x
()[ r
x
(0).
1.5 Funzione di autocorrelazione per segnali deterministici di potenza
1.5.1 Denizione
r
x
()

=x(t)x(t )) = lim
Z+
1
2Z
_
Z
Z
x(t)x(t )dt
r
x
(m)

=x(m)x(nm)) = lim
K+
1
2K+1
K
n=K
x(n)x(nm)
1.5.2 Propriet
x
(0) =P
x
.
(b) Simmetria: r
x
() = r
x
(()).
x
()[ r
x
(0).
1.6 Sistemi LTI 5
1.6 Sistemi LTI
1.6.1 Relazione i-u di un sistema LTI nel dominio del tempo (convoluzione)
y(t) = x(t) h(t) =
_
+
x()h(t )d =
_
+
h()x(t )d
y(n) = x(n) h(n) =
+
k=
x(k)h(nk) =
+
k=
h(k)x(nk)
Nota: h() la risposta impulsiva del sistema LTI, denita come luscita del sistema quando lingresso
x() =().
1.6.2 Propriet della convoluzione
(a) Propriet commutativa: x() h() = h() x().
(b) Propriet associativa: x() [h
1
() h
2
()] = [x() h
1
()] h
2
().
(c) Propriet distributiva: x() [h
1
() +h
2
()] = x() h
1
() +x() h
2
().
(d) Propriet di esistenza dellunit: x() = x() () =() x().
(e) Propriet di invarianza temporale:
h() x() = y() =
_
h(t t
1
) x(t t
2
) = y[t (t
1
+t
2
)] , t
1
R, t
2
R;
h(nn
1
) x(nn
2
) = y[n(n
1
+n
2
)] , n
1
Z, n
2
Z.
(f) Propriet di convoluzione con limpulso:
x(t t
0
) = x(t) (t t
0
) =(t t
0
) x(t) , t
0
R;
x(nn
0
) = x(n) (nn
0
) =(nn
0
) x(n) , n
0
Z.
(g) Propriet di durata della convoluzione:
Siano x(t) e h(t) di durata rigorosamente limitata, con durate
x
,
h
R
+
=y(t) = x(t) h(t)
di durata rigorosamente limitata, con durata
y
x
+
h
.
Siano x(n) e h(n) di durata rigorosamente limitata, con durate
x
,
h
N =y(n) = x(n) h(n)
di durata rigorosamente limitata, con durata
y
x
+
h
1.
1.6.3 Propriet della risposta impulsiva
(a) La serie di due sistemi LTI, con risposte impulsive h
1
() e h
2
(), equivale ad un unico sistema LTI
avente risposta impulsiva h
ser
() = h
1
() h
2
().
(b) Il parallelo di due sistemi LTI, con risposte impulsive h
1
() e h
2
(), equivale ad un unico sistema
LTI avente risposta impulsiva h
par
() = h
1
() +h
2
().
(c) Un sistema LTI non dispersivo se e solo se la sua risposta impulsiva assume la forma h() =
(), con C.
(d) Un sistema LTI causale se e solo se
h(t) = 0, t < 0 h(n) = 0, n < 0
(e) Un sistema LTI stabile se e solo se la sua risposta impulsiva sommabile, ovvero se e solo se
_
+
[h()[ d < +
+
k=
[h(k)[ < +
(f) Si consideri un sistema LTI invertibile con risposta impulsiva h(), il suo sistema inverso an-
chesso LTI e, detta h
inv
() la sua risposta impulsiva, sussiste la seguente relazione tra le due
risposte impulsive:
h() h
inv
() = h
inv
() h() =() .
(g) Legami tra risposta al gradino e risposta impulsiva: sia s() la risposta al gradino del sistema
LTI, denita come luscita del sistema quando x() = u(), si ha:
s(t) =
_
t
h()d h(t) =
d
dt
s(t)
s(n) =
n
k=
h(k) h(n) =
1
[s(n)] = s(n) s(n1)
1.6.4 Relazione i-u di un sistema LTI nel dominio della frequenza
Sia x()
FT
X(), y()
FT
Y(), h()
FT
H(), si ha:
Y( f ) = H( f )X( f ) Y() = H()X()
dove
H( f )

=
_
+
h()e
j2 f
d H()

=
+
k=
h(k)e
j2k
1.6.5 Risposta in ampiezza espressa in dB
[X( f )[
dB
= 20 log
10
[X( f )[
[X( f
rif
)[
1.6.6 Risposta ad un fasore di un sistema LTI
x(t) = e
j2 f t
y(t) = H( f )e
j2 f t
x(n) = e
j2n
y(n) = H()e
j2n
1.6.7 Risposta ad una sinusoide di un sistema LTI reale
x(t) = A cos(2 f
0
t +
0
) y(t) = A[H( f
0
)[ cos[2 f
0
t +
0
+H( f
0
)]
x(t) = A sin(2 f
0
t +
0
) y(t) = A[H( f
0
)[ sin[2 f
0
t +
0
+H( f
0
)]
x(n) = A cos(2
0
n+
0
) y(n) = A[H(
0
)[ cos[2
0
n+
0
+H(
0
)]
x(n) = A sin(2
0
n+
0
) y(n) = A[H(
0
)[ sin[2
0
n+
0
+H(
0
)]
1.6 Sistemi LTI 7
1.6.8 Risposta ad un segnale periodico di un sistema LTI
Sia x() un segnale periodico di periodo T
0
= 1/ f
0
(TC) o N
0
= 1/
0
(TD), in ingresso ad un sistema
LTI con risposta in frequenza H(). Si ha:
x(t) =
+
k=
X
k
e
j2k f
0
t
y(t) =
+
k=
X
k
H(k f
0
)
. .
Y
k
e
j2k f
0
t
x(n) =
1
N
0
N
0
1
k=0
X(k)e
j2k
0
n
y(n) =
1
N
0
N
0
1
k=0
X(k)H(k
0
)
. .
Y(k)
e
j2k
0
n
1.6.9 Propriet della risposta in frequenza
(a) La serie di due sistemi LTI, con risposte in frequenza H
1
() e H
2
(), equivale ad unico sistema
LTI avente risposta in frequenza H
ser
() = H
1
()H
2
().
(b) Il parallelo di due sistemi LTI, con risposte in frequenza H
1
() e H
2
(), equivale ad un unico
sistema LTI avente risposta in frequenza H
par
() = H
1
() +H
2
().
(c) La connessione in retroazione di due sistemi LTI, con risposte in frequenza H
1
() e H
2
() (con
luscita di H
2
() che si sottrae al segnale di ingresso al sistema complessivo), equivale ad un unico
sistema LTI avente risposta in frequenza
H
retr
() =
H
1
()
1+H
1
()H
2
()
.
(d) Un sistema LTI non dispersivo se e solo se la sua risposta in frequenza del tipo H() =, con
C.
(e) Una condizione necessaria per la stabilit:
Se un sistema LTI a TC stabile, allora la sua risposta in frequenza H( f ) continua ed
innitesima allinnito.
Se un sistema LTI a TD stabile, allora la sua risposta in frequenza H() continua.
(f) Condizione di Paley-Wiener (causalit):
Sia H( f ) la risposta in frequenza di un sistema TC a quadrato sommabile su R.
(f1) Se il sistema causale allora la sua risposta in frequenza H( f ) verica la condizione:
_
+
[ log([H( f )[)[
1+ f
2
d f < +.
(f2) Viceversa, se la risposta in frequenza H( f ) verica la condizione di cui sopra, alla
risposta in ampiezza [H( f )[ pu essere associata una risposta in fase ( f ) tale che
H
( f ) =[H( f )[ e
j( f )
sia la risposta in frequenza di un sistema causale.
Sia H() la risposta in frequenza di un sistema TD a quadrato sommabile su (1/2, 1/2).
(f1) Se il sistema causale, allora la sua risposta in frequenza H() verica la condizione:
_
1/2
1/2
[ log([H()[)[d < +.
(f2) Viceversa, se la risposta in frequenza H() verica la condizione di cui sopra, alla
risposta in ampiezza [H()[ pu essere associata una risposta in fase () (periodica
di periodo unitario) tale che H
() = [H()[ e
j()
sia la risposta in frequenza di un
sistema causale.
(g) Si consideri un sistema LTI invertibile con risposta in frequenza H(), il suo sistema inverso
anchesso LTI e, detta H
inv
() la sua risposta impulsiva, sussiste la seguente relazione tra le due
risposte in frequenza: H
inv
() = 1/H().
1.6.10 Filtri ideali
Tipo Risposta in frequenza (TC) Risposta in frequenza (TD)
LPF H
LPF
( f ) = rect
_
f
2 f
c
_
H
LPF
() = rep
1
_
rect
_

2
c
__
HPF H
HPF
( f ) = 1H
LPF
( f ) H
HPF
() = 1H
LPF
()
BPF H
BPF
( f ) = rect
_
f f
0
f
_
+rect
_
f + f
0
f
_
H
BPF
() = rep
1
_
rect
_

0
_
+rect
_
+
0
__
BSF H
BSF
( f ) = 1H
BPF
( f ) H
BSF
() = 1H
BPF
()
1.7 Serie di Fourier
1.7.1 Serie di Fourier a TC: denizione, propriet e sviluppi notevoli
Sia x(t) un segnale periodico di periodo T
0
= 1/ f
0
R
+
:
x(t)
FS
X
k
x(t) =
+
k=
X
k
e
j2k f
0
t
(equazione di sintesi)
X
k
=
1
T
0
_
T
0
x(t)e
j2k f
0
t
dt (equazione di analisi)
1. Rapidit di decadimento a zero dei coefcienti: se il segnale continuo con le sue derivate no
a quella di ordine n, con derivata (n+1)-esima discontinua ma limitata, i coefcienti X
k
della sua
serie di Fourier decadono a zero per k come 1/[k[
n+2
.
2. Linearit:
1
x(t) +
2
y(t)
FS

1
X
k
+
2
Y
k
,
1
,
2
C.
Nota: x(t) ed y(t) periodici dello stesso periodo T
0
.
3. Simmetria hermitiana dei coefcienti:
x(t) reale X
k
= X
k
.
1.7 Serie di Fourier 9
4. Simmetria:
x(t)
FS
X
k
,
x
(t)
FS
X
k
,
x
(t)
FS
X
k
.
Nota: come conseguenza, un segnale pari ha coefcienti di Fourier pari (X
k
= X
k
), un segnale
dispari ha coefcienti di Fourier dispari (X
k
= X
k
), un segnale reale ha coefcienti di Fourier
hermitiani (X
k
= X
k
), un segnale reale e pari ha coefcienti di Fourier reali e pari, un segnale
reale e dispari ha coefcienti di Fourier immaginari puri e dispari.
5. Traslazione nel tempo:
y(t) = x(t t
0
)
FS
Y
k
= X
k
e
j2k f
0
t
0
, t
0
R.
Nota: una traslazione nel tempo non altera lo spettro di ampiezza del segnale.
6. Traslazione in frequenza:
y(t) = x(t)e
j2k
0
f
0
t
FS
Y
k
= X
kk
0
k
0
Z.
7. Cambiamento di scala:
y(t) = x(at)
FS
Y
k
= X
k
, a R
+
.
Nota: x(t) periodico di periodo T
0
, per cui y(t) = x(at) periodico di periodo T
0
/a. Pertanto lo
sviluppo di x(t) relativo al periodo T
0
, mentre quello di y(t) = x(at) relativo al periodo T
0
/a.
Se a < 0, risulta che y(t) = x(at) = x([a[t), per cui in base alla prop. 2, segue che Y
k
= X
k
.
8. Derivazione:
y(t) =
d
dt
x(t)
FS
Y
k
= ( j2k f
0
)X
k
.
9. Convoluzione periodica:
z(t) =
1
T
0
_
T
0
x()y(t )d
FS
Z
k
= X
k
Y
k
.
0
. Nella convoluzione periodica lintegrale
esteso al periodo T
0
.
10. Prodotto:
z(t) = x(t)y(t)
FS
Z
k
= X
k
Y
k
=
+
=
X
Y
k
.
0
.
11. Parseval:
P
x
=
1
T
0
_
T
0
[x(t)[
2
dt =
+
k=
[X
k
[
2
, P
xy
=
1
T
0
_
T
0
x(t)y
(t)dt =
+
k=
X
k
Y
k
.
Nota: nella seconda, x(t) ed y(t) periodici dello stesso periodo T
0
.
12. Serie TC notevoli:
x(t) = rep
T
0
_
Arect
_
t
T
__
FS
X
k
= A
c
sinc(k
c
) con
c
= T/T
0
1
x(t) = rep
T
0
_
A
_
2t
T
0
__
FS
X
k
=
A
2
, k = 0;
0, k pari, k ,= 0;
2A
2
k
2
, k dispari.
Nota: la funzione sinc(x) denita come sinc(x)

=
sin(x)
x
, con x R. Si tratta di una funzione
pari ed innitesima (del primo ordine) allinnito, che si annulla in tutti i valori interi di x, tranne
che nellorigine dove assume valore unitario.
1.7.2 Serie di Fourier a TD (DFS): denizione, propriet e sviluppi notevoli
Sia x(n) un segnale periodico di periodo N
0
N, w
N
0
= e
j2/N
0
:
x(n)
DFS
X(k)
x(n) =
1
N
0
N
0
1
k=0
X(k)w
kn
N
0
(equazione di sintesi - IDFS)
X(k) =
N
0
1
n=0
x(n)w
kn
N
0
(equazione di analisi - DFS)
Nota: X(k) periodica dello stesso periodo N
0
.
1. Linearit:
1
x(n) +
2
y(n)
DFS

1
X(k) +
2
Y(k) ,
1
,
2
C.
Nota: x(n) ed y(n) periodici dello stesso periodo N
0
.
2. Simmetria hermitiana dei coefcienti:
x(n) reale X
(k) = X(k) .
3. Simmetria:
x(n)
DFS
X(k) = X(N
0
k) ,
x
(n)
DFS
X
(k) = X
(N
0
k) ,
x
(n)
DFS
X
(k) .
Nota: come conseguenza, un segnale pari ha DFS pari [X(k) = X(k) = X(N
0
k)], un segnale
dispari ha DFS dispari [X(k) = X(k) = X(N
0
k)], un segnale reale ha DFS hermitiana
[X
(k) = X(k) = X(N

0
k)], un segnale reale e pari ha DFS reale e pari, un segnale reale e
dispari ha DFS immaginaria pura e dispari.
1.7 Serie di Fourier 11
y(n) = x(nn
0
)
DFS
Y(k) = X(k)w
kn
0
N
0
, n
0
Z.
Nota: una traslazione nel tempo non altera lo spettro di ampiezza del segnale.
y(n) = x(n)w
k
0
n
N
0
DFS
Y(k) = X(k k
0
) , k
0
Z.
6. Dualit:
x(n)
DFS
X(k)
X(n)
DFS
N
0
x(k)
Nota: la dualit non sussiste per la serie di Fourier a TC.
7. Differenza prima:
y(n) = x(n) x(n1)
DFS
Y(k) = (1w
k
N
0
)X(k) .
8. Convoluzione periodica:
z(n) =
N
0
x(m)y(nm)
DFS
Z(k) = X(k)Y(k) .
0
. Nella convoluzione periodica la sommatoria
estesa al periodo N
0
.
9. Prodotto:
z(n) = N
0
x(n)y(n)
DFS
Z(k) =
N
0
X()Y(k ) .
0
. I coefcienti Z(k) sono il risultato della
convoluzione periodica tra X(k) e Y(k).
10. Parseval:
P
x
=
1
N
0
N
0
[x(n)[
2
=
1
N
2
0
N
0
[X(k)[
2
, P
xy
=
1
N
0
N
0
x(n)y
(n) =
1
N
2
0
N
0
X(k)Y
(k) .
Nota: nella seconda, x(n) ed y(n) periodici dello stesso periodo N
0
.
11. Serie TD notevole:
x(n) = rep
N
0
[R
M
(n)]
DFS
X(k) =D
M
_
k
N
0
_
Nota: la funzione di Dirichlet denita come D
M
(x)

=
sin(xM)
sin(x)
e
j(M1)x
, con x R. Si tratta
di una funzione periodica di periodo unitario, che si annulla in tutti i valori di x multipli di 1/M,
tranne che in x =1, 2, . . ., dove vale M.
1.8 Trasformata di Fourier
1.8.1 Trasformata di Fourier a TC: denizioni, propriet e trasformate notevoli
x(t)
FT
X( f )
x(t) =
_
+
X( f )e
j2 f t
d f (equazione di sintesi - antitrasformata)
X( f ) =
_
+
x(t)e
j2 f t
dt (equazione di analisi - trasformata)
1. Rapidit di decadimento a zero della trasformata: Se il segnale continuo con le sue derivate
no a quella di ordine n, con derivata (n+1)-esima discontinua ma sommabile, la sua trasformata
di Fourier X( f ) decade a zero per f come 1/[ f [
n+2
.
2. Linearit:
1
x(t) +
2
y(t)
FT

1
X( f ) +
2
Y( f ) ,
1
,
2
C.
3. Simmetria hermitiana della trasformata:
x(t) reale X
( f ) = X(f ) .
4. Valore nellorigine:
X(0) =
_
+
x(t)dt , x(0) =
_
+
X( f )d f .
Nota: vale se le quantit calcolate ad ambo i membri sono nite.
5. Dualit:
x(t)
FT
X( f ) ,
X(t)
FT
x(f ) .
6. Simmetria:
x(t)
FT
X(f ) ,
x
(t)
FT
X
(f ) ,
x
(t)
FT
X
( f ) .
Nota: come conseguenza, un segnale pari ha spettro pari, un segnale dispari ha spettro dispari,
un segnale reale ha spettro hermitiano, un segnale reale e pari ha spettro reale e pari, un segnale
reale e dispari ha spettro immaginario puro e dispari.
y(t) = x(t t
0
)
FT
Y( f ) = X( f )e
j2 f t
0
, t
0
R.
y(t) = x(t)e
j2 f
0
t
FT
Y( f ) = X( f f
0
) , f
0
R.
1.8 Trasformata di Fourier 13
9. Modulazione:
y(t) = x(t) cos(2 f
0
t +
0
)
FT
Y( f ) =
1
2
e
j
0
X( f f
0
) +
1
2
e
j
0
X( f + f
0
) , f
0
,
0
R.
10. Cambiamento di scala:
y(t) = x(at)
FT
Y( f ) =
1
[a[
X
_
f
a
_
, a R0.
11. Derivazione nel tempo:
y(t) =
d
k
dt
k
x(t)
FT
Y( f ) = ( j2 f )
k
X( f ) , k N.
12. Derivazione in frequenza:
(t)
k
x(t)
FT
1
( j2)
k
d
k
d f
k
X( f ) , k N.
13. Integrazione:
y(t) =
_
t
x()d
FT
Y( f ) =
1
2
X(0)( f ) +
X( f )
j2 f
.
Nota: se X(0) =
_
+
x(t)dt = 0 si ha una versione semplicata (senza la parte impulsiva).

14. Convoluzione:
z(t) = x(t) y(t) =
_
+
x()y(t )d
FT
Z( f ) = X( f )Y( f ) .
15. Prodotto:
z(t) = x(t)y(t)
FS
Z( f ) = X( f ) Y( f ) =
_
+
X()Y( f )d .
16. Parseval:
E
x
=
_
+
[x(t)[
2
dt =
_
+
[X( f )[
2
d f , E
xy
=
_
+
x(t)y
(t)dt =
_
+
X( f )Y
( f )d f .
Nota: x(t) e y(t) segnali di energia (a quadrato sommabile).
17. Replicazione/campionamento:
y(t) =
+
k=
x(t kT
0
)
FT
Y( f ) =
1
T
0
+
k=
X
_
k
T
0
_
_
f
k
T
0
_
, T
0
R
+
,
y(t) =
+
k=
x(kT
0
)(t kT
0
)
FT
Y( f ) =
1
T
0
+
k=
X
_
f
k
T
0
_
, T
0
R
+
.
18. Formule di Poisson:
+
k=
x(t kT
0
) =
1
T
0
+
k=
X
_
k
T
0
_
e
j2
k
T
0
t
, T
0
R
+
(prima formula di Poisson) ,
+
k=
x(kT
0
)e
j2
k
T
0
t
=
1
T
0
+
k=
X
_
f
k
T
0
_
, T
0
R
+
(seconda formula di Poisson) .
19. Trasformata di Fourier di un segnale periodico e campionamento in frequenza:
x(t) =
+
k=
X
k
e
j2
k
T
0
t FT
X( f ) =
+
k=
X
k
_
f
k
T
0
_
x(t) = rep
T
0
[x
g
(t)]
FT
X( f ) =
1
T
0
+
k=
X
g
_
k
T
0
_
_
f
k
T
0
_
X
k
=
1
T
0
X
g
_
k
T
0
_
Nota: x(t) periodico di periodo T
0
= 1/ f
0
.
20. Trasformate TC notevoli:
Segnale x(t) Trasformata X( f )
(t) 1
1 ( f )
u(t)
1
2
( f ) +
1
j2 f
sgn(t)
1
j f
1
t
jsgn( f )
rect(t) sinc( f )
(t) sinc
2
( f )
sinc(t) rect( f )
sinc
2
(t) ( f )
e
at
u(t), a R
+
1
a+ j2 f
t e
at
u(t), a R
+
1
(a+ j2 f )
2
e
a[t[
, a R
+
2a
a
2
+(2 f )
2
e
j2 f
0
t
( f f
0
)
cos(2 f
0
t +
0
)
1
2
e
j
0
( f f
0
) +
1
2
e
j
0
( f + f
0
)
sin(2 f
0
t +
0
)
1
2j
e
j
0
( f f
0
)
1
2j
e
j
0
( f + f
0
)
+
k=
(t kT
0
), T
0
R
+
1
T
0
+
k=
_
f
k
T
0
_
Nota: applicando la propriet di dualit possibile ottenere da ogni
coppia x(t)
FT
X( f ) una nuova coppia X(t)
FT
x(f ) (le pi
importanti sono comunque riportate per completezza).
1.8 Trasformata di Fourier 15
1.8.2 Trasformata di Fourier a TD: denizioni, propriet e trasformate notevoli
x(n)
FT
X()
x(n) =
_
1/2
1/2
X()e
j2n
d (equazione di sintesi - antitrasformata)
X() =
+
n=
x(n)e
j2n
(equazione di analisi - trasformata)
Nota: X() una funzione periodica di periodo 1.
1. Linearit:
1
x(n) +
2
y(n)
FT

1
X() +
2
Y() ,
1
,
2
C.
2. Simmetria hermitiana della trasformata:
x(n) reale X
() = X() .
3. Valore nellorigine:
X(0) =
+
n=
x(n) , x(0) =
_
1/2
1/2
X()d .
Nota: vale se le quantit calcolate ad ambo i membri sono nite.
4. Simmetria:
x(n)
FT
X() ,
x
(n)
FT
X
() ,
x
(n)
FT
X
() .
Nota: come conseguenza, un segnale pari ha spettro pari, un segnale dispari ha spettro dispari,
un segnale reale ha spettro hermitiano, un segnale reale e pari ha spettro reale e pari, un segnale
reale e dispari ha spettro immaginario puro e dispari.
y(n) = x(nn
0
)
FT
Y() = X()e
j2n
0
, n
0
Z.
y(n) = x(n)e
j2
0
n
FT
Y() = X(
0
) ,
0
R.
7. Modulazione:
y(n) =x(n) cos(2
0
n+
0
)
FT
Y() =
1
2
e
j
0
X(
0
)+
1
2
e
j
0
X( +
0
),
0
,
0
R.
8. Espansione:
y(n) = x
_
n
L
_
FT
Y() = X(L) , L N.
9. Decimazione:
y(n) = x(nM)
FT
Y() =
1
M
M1
k=0
X
_
k
M
_
, M N.
10. Differenza:
k
[x(n)] =
1
k1
[x(n)]
FT
Y() =
_
1e
j2
_
k
X() , k N.
11. Derivazione in frequenza:
(n)
k
x(n)
FT
1
( j2)
k
d
k
d
k
X() , k N.
12. Somma:
y(n) =
n
k=
x(k)
FT
Y() =
1
2
X(0)
() +
X()
1e
j2
.
Nota: Il pettine di delta denito come

()

= rep
1
[()]. Se X(0) =
+
n=
x(n) = 0 si ha una
versione semplicata (senza la parte impulsiva).
13. Convoluzione:
z(n) = x(n) y(n) =
+
k=
x(k)y(nk)
FT
Z() = X()Y() .
14. Prodotto:
z(n) = x(n)y(n)
FT
Z() = X() Y() =
_
1/2
1/2
X()Y( )d .
Nota: nel dominio della frequenza si effettua la convoluzione periodica.
15. Parseval:
E
x
=
+
n=
[x(n)[
2
=
_
1/2
1/2
[X()[
2
d , E
xy
=
+
n=
x(n)y
(n) =
_
1/2
1/2
X()Y
()d .
Nota: x(n) e y(n) segnali di energia (a quadrato sommabile).
16. Replicazione/campionamento:
y(n) =
+
k=
x(nkN
0
)
FT
Y() =
1
N
0
N
0
1
k=0
X
_
k
N
0
_

_

k
N
0
_
, N
0
N,
y(n) =
+
k=
x(kN
0
)(nkN
0
)
FT
Y() =
1
N
0
N
0
1
k=0
X
_

k
N
0
_
, N
0
N.
17. Formule di Poisson:
+
k=
x(nkN
0
) =
1
N
0
N
0
1
k=0
X
_
k
N
0
_
e
j2
k
N
0
n
, N
0
N (prima formula di Poisson) ,
+
k=
x(kN
0
)e
j2
k
N
0
n
=
1
N
0
N
0
1
k=0
X
_

k
N
0
_
, N
0
N (seconda formula di Poisson) .
1.9 Conversione A/D e D/A 17
18. Trasformata di Fourier di un segnale periodico e campionamento in frequenza:
x(n) =
1
N
0
N
0
1
k=0
X(k)e
j2
k
N
0
n FT
X() =
1
N
0
N
0
1
k=0
X(k)
_

k
N
0
_
x(n) = rep
N
0
[x
g
(n)]
FT
X() =
1
N
0
N
0
1
k=0
X
g
_
k
N
0
_

_

k
N
0
_
X(k) = X
g
_
k
N
0
_
Nota: x(n) periodico di periodo N
0
= 1/
0
.
19. Trasformate TD notevoli:
Segnale x(n) Trasformata X()
(n) 1
1

()
u(n)
1
2
() +
1
1e
j2
sgn(n)
2
1e
j2
R
N
(n) D
N
()
B
2N
(n)
1
N
D
2
N
()e
j2
sinc(2
c
n), 0 <
c
<
1
2
1
2
c
rep
1
_
rect
_

2
c
__
sinc
2
(2
c
n), 0 <
c
<
1
2
1
2
c
rep
1
_
_

2
c
__
a
n
u(n), [a[ < 1
1
1ae
j2
(n+1)a
n
u(n), [a[ < 1
1
(1ae
j2
)
2
a
[n[
, [a[ < 1
1a
2
1+a
2
2a cos(2)
e
j2
0
n
(
0
)
cos(2
0
n+
0
)
1
2
e
j
0
(
0
) +
1
2
e
j
0
( +
0
)
sin(2
0
n+
0
)
1
2j
e
j
0
(
0
)
1
2j
e
j
0
( +
0
)
+
k=
(nkN
0
), N
0
N
1
N
0
N
0
1
k=0
_

k
N
0
_
=
1
N
0
+
k=
_

k
N
0
_
1.9 Conversione A/D e D/A
1.9.1 Teorema del campionamento o teorema di Shannon
Sia x
a
(t)
FT
X
a
( f ) un segnale a TC, e siano x(n) = x
a
(nT
c
) i suoi campioni presi con passo di
campionamento T
c
. Se:
(i) il segnale x
a
(t) a banda rigorosamente limitata, ovvero X
a
( f ) = 0, [ f [ W;
(ii) la frequenza di campionamento f
c
= 1/T
c
soddisfa la condizione di Nyquist f
c
2W

= f
c,min
(frequenza di Nyquist);
allora il segnale x
a
(t) perfettamente rappresentato dai suoi campioni x(n) = x
a
(nT
c
), e si ha
x
a
(t) =
+
n=
x
a
(nT
c
)sinc
_
t nT
c
T
c
_
(serie di Shannon)
1.9.2 Quantizzazione
Sia Q un quantizzatore simmetrico con b bit e M = 2
b
livelli, senza restituzione dello zero, con passo
di quantizzazione = 2X
max
/M, e sia x(n) il segnale di ingresso con potenza P
x
= x
2
rms
. Il rapporto
segnale-rumore (SNR) di quantizzazione (espresso in dB) dato da:
SNR
dB
= 10log
10
_
12P
x
2
_
= 6.02b20log
10
k
c
+4.77,
dove k
c
= X
max
/x
rms
il fattore di carico.
Spazio per formule personali
1.9 Conversione A/D e D/A 19
Parte 2: probabilit e variabili aleatorie
2.1 Probabilit elementare
2.1.1 Assiomi di Kolmogorov
Assegnato uno spazio campione ed un -campo S di eventi di , si denisce probabilit una
funzione P denita in S, a valori reali non negativi, tale da soddisfare i seguenti tre assiomi (assiomi
di Kolmogorov):
I. P(A) 0 per ogni A S (assioma di non negativit);
II. P() = 1 (assioma di normalizzazione);
III. Se A
n
n=1
una successione di eventi mutuamente esclusivi (A
i
A
j
= , i ,= j) di S, allora
P(
n=1
A
n
) =
n=1
P(A
n
) (assioma di numerabile additivit).
2.1.2 Propriet elementari della probabilit
1. P() = 0.
2. AB =P(AB) = P(A) +P(B) (nita additivit).
3. P(A) = 1P(A).
4. P(AB) = P(A) +P(B) P(AB).
5. P(AB) P(A) +P(B) (disuguaglianza di Boole).
6. B A P(B) P(A) (monotonia).
7. P(A) 1.
2.2 Probabilit condizionale
2.2.1 Denizione
P(A[B) =
P(AB)
P(B)
P(B[A) =
P(BA)
P(A)
2.2.2 Legge della probabilit composta
P(AB) = P(A[B)P(B) = P(B[A)P(A)
2.2.3 Regola della catena
P(A
1
A
2
A
n
) = P(A
1
)P(A
2
[A
1
)P(A
3
[A
1
, A
2
) P(A
n
[A
1
, A
2
, . . . , A
n1
)
2.2.4 Teorema della probabilit totale
Siano A
1
, A
2
, . . . , A
n
eventi mutuamente esclusivi (A
i
A
j
=, i ,= j) e sia B
n
i=1
A
i
. Si ha:
P(B) =
n
i=1
P(B[A
i
)P(A
i
)
2.2.5 Teorema di Bayes
Siano A
1
, A
2
, . . . , A
n
eventi mutuamente esclusivi (A
i
A
j
=, i ,= j) e sia B
n
i=1
A
i
. Si ha:
P(A
i
[B) =
P(B[A
i
)P(A
i
)
n
i=1
P(B[A
i
)P(A
i
)
2.3 Indipendenza
2.3.1 Indipendenza tra due eventi
Gli eventi A e B si dicono indipendenti se
P(AB) = P(A)P(B)
2.3.2 Indipendenza a coppie
Gli eventi A
i
n
i=1
si dicono indipendenti a coppie se
P(A
i
A
j
) = P(A
i
)P(A
j
), i ,= j
2.3.3 Indipendenza tra tre eventi
Gli eventi A, B e C si dicono indipendenti se:
1. sono indipendenti a coppie, cio P(AB) =P(A)P(B), P(AC) =P(A)P(C), P(BC) =P(B)P(C);
2. P(ABC) = P(A)P(B)P(C).
2.3.4 Indipendenza tra n eventi
Gli eventi A
i
n
i=1
si dicono indipendenti se
P
_
iI
A
i
_
=
iI
P(A
i
)
per ogni insieme I 1, 2, . . . , n di indici diversi.
2.4 Variabile aleatoria 23
2.3.5 Indipendenza condizionale tra eventi
Gli eventi A e B si dicono condizionalmente indipendenti, dato levento C, se
P(AB[C) = P(A[C)P(B[C)
2.4 Variabile aleatoria
2.4.1 Denizione
Dato uno spazio di probabilit (, S, P), una variabile aleatoria (v.a.) X una funzione denita in
ed a valori in X R =R, +, tale che
1. X x un evento, x R;
2. P(X = +) = P(X =) = 0.
2.4.2 Funzione di distribuzione cumulativa (CDF)
La funzione di distribuzione cumulativa (CDF) di una v.a. X :
F(x)

= P(X x), x R
2.4.3 Propriet della CDF
1. F(+) = 1, F() = 0.
2. F(x) una funzione monotona crescente, ovvero x
1
< x
2
F(x
1
) F(x
2
).
3. P(X > x) = 1F(x).
4. F(x) continua da destra, ovvero F(x
+
) = F(x).
5. P(x
1
< X x
2
) = F(x
2
) F(x
1
).
6. P(X = x) = F(x) F(x
).
7. P(x
1
X x
2
) = F(x
2
) F(x
1
).
8. P(x
1
X < x
2
) = F(x
2
) F(x
1
).
9. P(x
1
< X < x
2
) = F(x
2
) F(x
1
).
2.4.4 Funzione densit di probabilit (pdf)
La funzione densit di probabilit (pdf) di una v.a. X :
f (x)

=
d
dx
F(x)
2.4.5 Propriet della pdf
1. f (x) 0.
2. F(x) =
_
x
f (y)dy.
3.
_

f (x)dx = 1 (propriet di normalizzazione).

4. P(x
1
< X x
2
) = F(x
2
) F(x
1
) =
_
x
2
x
1
f (x)dx.
5. X continua, con pdf f (x) continua P(x X x +x) f (x)x, per x 1.
2.4.6 Funzione distribuzione di probabilit (DF)
La funzione distribuzione di probabilit (DF) di una v.a. discreta X a valori in X :
p(x)

= P(X = x) , x X
2.4.7 Propriet della DF
1. p(x) 0.
2. F(x) =

uX,ux
p(u).
3.

uX
p(u) = 1.
4. P(x
1
< X x
2
) =

u]x
1
,x
2
]X
p(u).
2.4.8 Media di una variabile aleatoria
La media = E(X) di una v.a. X con pdf f (x) :
= E(X)

=
_

x f (x)dx
se tale integrale esiste nito.
2.4.9 Propriet della media
1. Sia X una v.a. con pdf f (x). Se la media E(X) esiste, e se esiste a R tale che f (a +x) =
f (ax), x R, allora E(X) = a.
2. Se X una v.a. discreta, che assume i valori x
i
X con probabilit p(x
i
), allora
E(X) =

x
i
X
x
i
p(x
i
)
3. Teorema fondamentale della media: Sia Y = g(X) una trasformazione della v.a. X avente pdf
f
X
(x), si ha:
E(Y) = E[g(X)] =
_
+
g(x) f
X
(x)dx
se tale integrale esiste nito. Per una v.a. discreta X, che assume i valori x
i
X con probabilit
p(x
i
), il teorema si scrive
E(Y) = E[g(X)] =

x
i
X
g(x
i
) p(x
i
)
4. Siano g() e h() funzioni reali, e siano a e b costanti reali. Si ha:
E[ag(X) +bh(X)] = aE[g(X)] +bE[h(X)] .
In particolare, si ha la linearit della media scegliendo g(X) = X e h(X) = 1:
E(aX +b) = aE(X) +b,
5. Se g(x) 0 per ogni x, allora E[g(X)] 0.
6. Se g
1
(x) g
2
(x) per ogni x, allora E[g
1
(X)] E[g
2
(X)].
7. Se a g(x) b per ogni x, allora a E[g(X)] b.
2.4.10 Varianza e deviazione standard di una variabile aleatoria
La varianza
2
= Var(X) 0 di una v.a. X con media = E(X) :
2
= Var(X)

= E[(X )
2
] =
_
+
(x )
2
f (x)dx
se tale integrale esiste nito. La radice quadrata

=
_
Var(X) 0 della varianza prende il nome di
deviazione standard della v.a. X;
2.4.11 Valor quadratico medio e valore efcace di una variabile aleatoria
Il valore quadratico medio E(X
2
) 0 di una v.a. X :
E(X
2
)

=
_
+
x
2
f (x)dx
se tale integrale esiste nito. La radice quadrata x
rms
=
_
E(X
2
) 0 del valore quadratico medio
prende il nome di valore efcace della v.a. X,
2.4.12 Propriet della varianza e del valor quadratico medio
1. Se X una v.a. discreta, con media = E(X), che assume i valori x
i
X con probabilit p(x
i
),
allora
E(X
2
) =

x
i
X
x
2
i
p(x
i
) , Var(X) =

x
i
X
p(x
i
)(x
i
)
2
2. Var(X) = E(X
2
) E
2
(X).
3. Var(aX +b) = a
2
Var(X).
2.4.13 Momenti di una variabile aleatoria
Il momento di ordine n N di una v.a. X :
= E(X
n
) =
_

x
n
f (x)dx
se tale integrale esiste nito [N.B.
1
= E(X) = ,
2
= E(X
2
)].
2.4.14 Momenti centrali di una variabile aleatoria
Il momento centrale di ordine n N di una v.a. X con media = E(X) :
= E[(X )
n
] =
_

(x )
n
f (x)dx
se tale integrale esiste nito. [N.B.
1
= 0,
2
= Var(X) =
2
].
2.4.15 Relazioni tra momenti e momenti centrali
n
=
n
k=0
_
n
k
_
k
()
nk
, n N
n
=
n
k=0
_
n
k
_
nk
, n N
2.4.16 Disuguaglianze notevoli
1. Disuguaglianza di Markov: Sia Y una v.a. positiva, cio tale che f
Y
(y) 0 per ogni y < 0, e
con media E(Y) nita. Si ha:
P(Y )
E(Y)
per ogni > 0.

2. Disuguaglianza di Bienaym: Sia X una v.a. e sia b un numero reale. Si ha:
P([X b[ )
E([X b[
n
)
n
per ogni n N ed > 0.
3. Disuguaglianza di Chebishev: Sia X una v.a. con media e varianza
2
nite. Si ha:
P([X [ )

2
2
per ogni > 0.
2.4.17 Variabili aleatorie discrete notevoli
Nome DF Media Varianza Momenti e momenti centrali
della distribuzione
n
= E(X
n
);
n
= E[(X )
n
]
Uniforme discreta p(k) =
1
N
N+1
2
N
2
1
12

3
=
N(N+1)
2
4
k = 1, 2, . . . , N
4
=
(N+1)(2N+1)(3N
2
+3N1)
30
Bernoulli p(k) =
_
q, k = 0
p, k = 1
p pq
n
= p, n N
X Bern(p) p [0, 1], q = 1p
Binomiale p(k) =
_
n
k
_
p
k
q
nk
np npq
3
= npq(qp)
X B(n, p) k = 0, 1, . . . , n,
4
= 3n
2
p
2
q
2
+npq(16pq)
p [0, 1], q = 1p
Binomiale negativa p(k) =
_
r+k1
k
_
p
r
q
k r
p
rq
p
2

3
=
r(q+q
2
)
p
3
X NB(r, p) k N
0
, r N,
4
=
r(q+(3r+4)q
2
+q
3
p
4
p [0, 1], q = 1p
Geometrica p(k) = pq
k1 1
p
q
p
2

3
=
q+q
2
p
2
X Geom(p) k N,
4
=
q+7q
2
+q
3
p
4
p [0, 1], q = 1p
Poisson p(k) =

k
k!
e

3
=
X Poiss() k N
0
,
4
= +3
2
> 0
2.4.18 Variabili aleatorie continue notevoli
Nome pdf Media Varianza Momenti e momenti centrali
della distribuzione
n
= E(X
n
);
n
= E[(X )
n
]
Uniforme f (x) =
_
1
ba
, x [a, b]
0, altrove
a+b
2
(ba)
2
12

n
=
_
0, n dispari
(ba)
n
2
n
(n+1)
, n pari
X U(a, b) < a < b < +
Gaussiana o normale f (x) =
1
2
e
(x)
2
2
2

2
n
=
_
0, n dispari
n
(n1)!!, n pari
X N(, ) R, > 0,
Esponenziale f (x) = e
x
u(x)
1
2

n
=
n!
n
X Exp() > 0,
Laplace f (x) =

2
e
[x[
0
2
2

n
=
_
0, n dispari
n!
n
, n pari
X Lap() > 0,
Rayleigh f (x) =
2x
b
e
x
2
b
u(x)
_
b
4
b
_
1
4
_

n
= b
n/2 n
2
_
n
2
_
X Rayleigh(b) b > 0, (x) funzione gamma euleriana
2.4.19 CDF della v.a. gaussiana e funzione G(x)
Se X N(, ), allora F(x) =G
_
x
_
, con G(x) =
1
2
_
x
u
2
2
du.
1. G() = 0, G(+) = 1, G(0) =
1
2
.
2. G(x) una funzione monotona strettamente crescente.
3. G(x) = 1G(x).
4. G(x) =
1
2
_
1+erf
_
x
2
__
, con erf(x)

=
2
_
x
0
e
u
2
du (funzione di errore).
2.4.20 Tabella dei valori della funzione G(x)
x 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5159 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7518 0.7549
0.7 0.7580 0.7612 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8016 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8380
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8718 0.8729 0.8749 0.8770 0.8790 0.8810 0.8836
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9083 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9430 0.9441
1.6 0.9452 0.9463 0.9474 0.9485 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9509 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9758 0.9762 0.9767
2.0 0.9773 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9865 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9989 0.9980 0.9980 0.9981
2.9 0.9981 0.9982 0.9983 0.9984 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9986 0.9987 0.9987 0.9988 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995
Per valori di x < 0, si usi la relazione G(x) = 1 G(x), per valori di x > 3.29 si usi lapprossimazione
G(x) 1
1
x
2
e
x
2
2
.
2.5 Coppie di variabili aleatorie 29
2.5 Coppie di variabili aleatorie
2.5.1 Funzione di distribuzione cumulativa (CDF) congiunta
La funzione di distribuzione cumulativa (CDF) congiunta di una coppia (X,Y) di vv.aa. :
F(x, y)

= P(X x,Y y), (x, y) RR
2.5.2 Propriet della CDF congiunta
1. F(, y) = 0, F(x, +) = 0, F(+, +) = 1.
2. P(x
1
< X x
2
,Y y) = F(x
2
, y) F(x
1
, y); P(X x, y
1
<Y y
2
) = F(x, y
2
) F(x, y
1
).
3. P(x
1
< X x
2
, y
1
<Y y
2
) = F(x
2
, y
2
) F(x
1
, y
2
) F(x
2
, y
1
) +F(x
1
, y
1
).
2.5.3 Funzione di densit di probabilit (pdf) congiunta
La funzione di densit di probabilit (pdf) congiunta di una coppia (X,Y) di vv.aa.
f (x, y)

=

2
xy
F(x, y)
2.5.4 Propriet della pdf congiunta
1. f (x, y) 0.
2. F(x, y) =
_
x
_
y
f (u, v)dudv.
3.
_
+
_
+
f (x, y)dxdy = 1 (propriet di normalizzazione).

4. P(X,Y) D =
_ _
D
f (x, y)dxdy.
5. P(x < X x +x, y <Y y +y) f (x, y)xy, per x, y 1.
2.5.5 Funzione distribuzione di probabilit (DF) congiunta
La funzione distribuzione di probabilit (DF) congiunta di una coppia (X,Y) di vv.aa. discrete a valori
in XY
p(x, y)

= P(X = y,Y = y), (x, y) XY
2.5.6 Propriet della DF congiunta
1. p(x, y) 0.
2. F(x, y) =

uX,ux
vY,vy
p(u, v).
3.

uX,vY
p(u, v) = 1.
4. P(x
1
< X x
2
, y
1
<Y y
2
) =

u]x
1
,x
2
]X
v]y
1
,y
2
]X
p(u, v).
2.5.7 Relazioni tra statistiche congiunte e marginali
1. F
X
(x) = F
XY
(x, +); F
Y
(x) = F
XY
(+, y).
2. f
X
(x) =
_
+
f
XY
(x, y)dy; f
Y
(y) =
_
+
f
XY
(x, y)dx.
3. p
X
(x) =

yY
p
XY
(x, y); p
Y
(y) =

xX
p
XY
(x, y).
2.5.8 Coppia di variabili aleatorie congiuntamente gaussiane
Se (X,Y) N(
X
,
Y
,
X
,
Y
, ), allora
f (x, y) =
1
2
X
Y
_
1
2
e
1
2(1
2
)
_
(x
X
)
2
2
X
2
(x
X
)(y
Y
)
Y
+
(y
Y
)
2
2
Y
_
Si dimostra che X N(
X
,
X
) e Y N(
Y
,
Y
).
2.5.9 Indipendenza tra due variabili aleatorie
Le vv.aa. X ed Y si dicono indipendenti se
F
XY
(x, y) = F
X
(x)F
Y
(y) (x, y) R
2
2.5.10 Propriet delle variabili aleatorie indipendenti
1. X ed Y sono indipendenti f
XY
(x, y) = f
X
(x) f
Y
(y), (x, y) R
2
.
2. X ed Y sono indipendenti e discrete p
XY
(x, y) = p
X
(x) p
Y
(y), (x, y) XY.
3. X ed Y sono indipendenti =gli eventi X I
1
e Y I
2
sono indipendenti.
4. X ed Y sono indipendenti =Z = g(X) e W = h(Y) sono indipendenti.
2.5.11 Teorema fondamentale della media per una coppia di variabili aleatorie
Sia Z = g(X,Y) una trasformazione della coppia di vv.aa. (X,Y) aventi pdf congiunta f
XY
(x, y), si ha:
E(Z) = E[g(X,Y)] =
_
+
_
+
g(x, y) f
XY
(x, y)dxdy
se tale integrale esiste nito. Per una coppia di vv.aa. discrete (X,Y) con DF congiunta p
XY
(x, y) il
teorema si scrive
E(Z) = E[g(X,Y)] =

xX,yY
g(x, y) p
XY
(x, y)
2.5.12 Propriet di linearit della media
Siano g
1
(, ) e g
2
(, ) funzioni reali, e siano a
1
e a
2
costanti reali. Si ha:
E[a
1
g
1
(X,Y) +a
2
g
2
(X,Y)] = a
1
E[g
1
(X,Y)] +a
2
E[g
2
(X,Y)] .
In particolare si ha la linearit della media scegliendo g
1
(X,Y) = X e g
2
(X,Y) =Y:
E(a
1
X +a
2
Y) = a
1
E(X) +a
2
E(Y) .
2.5 Coppie di variabili aleatorie 31
2.5.13 Momenti congiunti di una coppia di variabili aleatorie
Il momento congiunto (di ordine n = k +r) di una coppia (X,Y) di vv.aa.
kr
= E(X
k
Y
r
) =
_
+
_
+
x
k
y
r
f (x, y)dxdy
10
=
X
,
01
=
Y
,
20
= E(X
2
),
02
= E(Y
2
)].
2.5.14 Momenti congiunti centrali di una coppia di variabili aleatorie
Il momento congiunto centrale (di ordine n = k +r) di una coppia (X,Y) di vv.aa. con medie
X
e
Y
kr
= E[(X
X
)
k
(Y
Y
)
r
] =
_
+
_
+
(x
X
)
k
(y
Y
)
r
f (x, y)dxdy
10
=
01
= 0,
20
=
2
X
,
02
=
2
Y
].
2.5.15 Correlazione di una coppia di variabili aleatorie
La correlazione di una coppia (X,Y) di vv.aa.
Corr(X,Y)

=
11
= E(XY) =
_
+
_
+
xy f (x, y)dxdy
se lintegrale esiste nito.
2.5.16 Ortogonalit tra due variabili aleatorie
Due vv.aa. X ed Y si dicono ortogonali se E(XY) = 0.
2.5.17 Covarianza di una coppia di variabili aleatorie
La covarianza di una coppia (X,Y) di vv.aa. con medie
X
e
Y

Cov(X,Y)

=
11
= E[(X
X
)(Y
Y
)] =
_
+
_
+
(x
X
)(y
Y
) f (x, y)dxdy
se lintegrale esiste nito.
2.5.18 Coefciente di correlazione di una coppia di variabili aleatorie
Il coefciente di correlazione di una coppia (X,Y) di vv.aa.
XY
=
Cov(X,Y)
Y
2.5.19 Propriet della correlazione, della covarianza e del coefciente di correlazione
1. Relazione tra covarianza e correlazione: Cov(X,Y) = E(XY) E(X)E(Y).
2. E[(X +Y)
2
] = E(X
2
) +E(Y
2
) +2E(XY)
3. Var(X +Y) = Var(X) +Var(Y) +2Cov(X,Y).
4. Disuguaglianza di Schwartz:
(a) [E(XY)[
_
E(X
2
)
_
E(Y
2
) con uguaglianza se e solo se Y = aX (in media quadratica).
(b) [Cov(XY)[
X
Y
con uguaglianza se e solo se Y
Y
=a(X
X
) (in media quadratica).
(c) [
XY
)[ 1 con uguaglianza se e solo se Y
Y
= a(X
X
) (in media quadratica).
2.5.20 Incorrelazione tra due variabili aleatorie
Due vv.aa. X ed Y si dicono incorrelate se Cov(X,Y) = 0
XY
= 0.
2.5.21 Propriet delle variabili aleatorie incorrelate
1. X ed Y sono incorrelate E(XY) = E(X)E(Y).
2. X ed Y sono indipendenti =X ed Y sono incorrelate.
3. X ed Y sono congiuntamente gaussiane ed incorrelate =X ed Y sono indipendenti.
4. X ed Y sono incorrelate Var(X +Y) = Var(X) +Var(Y).
2.6 Vettori di variabili aleatorie
2.6.1 Funzione di distribuzione cumulativa (CDF) congiunta
La funzione di distribuzione cumulativa (CDF) congiunta di un vettore X = [X
1
, X
2
, . . . , X
n
]
T
di n
vv.aa. :
F(x
1
, x
2
, . . . , x
n
)

= P(X
1
x
1
, X
2
x
2
, . . . , X
n
x
n
), (x
1
, x
2
, . . . , x
n
) R
n
2.6.2 Funzione di densit di probabilit (pdf) congiunta
La funzione di densit di probabilit (pdf) congiunta di un vettore X = [X
1
, X
2
, . . . , X
n
]
T
di n vv.aa. :
f (x
1
, x
2
, . . . , x
n
)

=

n
x
1
x
2
x
n
F(x
1
, x
2
, . . . , x
n
)
2.6.3 Funzione distribuzione di probabilit (DF) congiunta
La funzione distribuzione di probabilit (DF) congiunta di un vettore X = [X
1
, X
2
, . . . , X
n
]
T
di n vv.aa.
discrete a valori in X
1
X
2
X
n
:
p(x
1
, x
2
, . . . , x
n
)

= P(X
1
= x
1
, X
2
= x
2
, . . . , X
n
= x
n
), (x
1
, x
2
, . . . , x
n
) X
1
X
2
X
n
2.6 Vettori di variabili aleatorie 33
2.6.4 Propriet della pdf congiunta
1. f (x
1
, x
2
, . . . , x
n
) 0.
2. F(x
1
, x
2
, . . . , x
n
) =
_
x
1
_
x
2

_
x
n
f (u
1
, u
2
, . . . , u
n
)du
1
du
2
du
n
.
3.
_
+
_
+

_
+
f (x
1
, x
2
, . . . x
n
)dx
1
dx
2
dx
n
= 1 (propriet di normalizzazione).
4. P(X
1
, X
2
, . . . , X
n
) D =
_ _

_
D
f (x
1
, x
2
, . . . x
n
)dx
1
dx
2
dx
n
.
5. P(x
1
<X
1
x
1
+x
1
, x
2
<X
2
x
2
+x
2
, . . . , x
n
<X
n
x
n
+x
n
) f (x
1
, x
2
, . . . , x
n
)x
1
x
2
x
n
,
per x
1
, x
2
, . . . x
n
1.
2.6.5 Relazioni tra statistiche congiunte di ordine differente
Si estendono banalmente quelle valide per la coppia di vv.aa. Ad esempio per un vettore X =
[X
1
, X
2
, X
2
]
T
di tre vv.aa. si ha:
1. F
X
1
(x
1
) = F
X
1
X
2
X
3
(x
1
, +, +), F
X
1
X
2
(x
1
, x
2
) = F
X
1
X
2
X
3
(x
1
, x
2
, +), etc.
2. f
X
1
(x
1
) =
_
+
_
+
f
X
1
X
2
X
3
(x
1
, x
2
, x
3
)dx
2
dx
3
, f
X
1
X
2
(x
1
, x
2
) =
_
+
f
X
1
X
2
X
3
(x
1
, x
2
, x
3
)dx
3
, etc.
3. p
X
1
(x
1
) =

x
2
X
2
x
3
X
3
p
X
1
X
2
X
3
(x
1
, x
2
, x
3
), p
X
1
X
2
(x
1
, x
2
) =

x
3
X
3
p
X
1
X
2
X
3
(x
1
, x
2
, x
3
), etc.
2.6.6 Indipendenza tra n variabili aleatorie
Le n vv.aa. X
1
, X
2
, . . . , X
n
si dicono indipendenti se:
F
X
1
,X
2
,...,X
n
(x
1
, x
2
, . . . , x
n
) = F
X
1
(x
1
)F
X
2
(x
2
) F
X
n
(x
n
)
Chiaramente la fattorizzazione della CDF congiunta equivalente a quella della pdf congiunta e della
DF congiunta:
f
X
1
,X
2
,...,X
n
(x
1
, x
2
, . . . , x
n
) = f
X
1
(x
1
) f
X
2
(x
2
) f
X
n
(x
n
)
p
X
1
,X
2
,...,X
n
(x
1
, x
2
, . . . , x
n
) = p
X
1
(x
1
) p
X
2
(x
2
) p
X
n
(x
n
)
2.6.7 Variabili aleatorie indipendenti a coppie
Le n vv.aa. X
1
, X
2
, . . . , X
n
si dicono indipendenti a coppie se:
F
X
i
,X
j
(x
i
, x
j
) = F
X
i
(x
i
)F
X
j
(x
j
) , i ,= j e (x
i
, x
j
) R
2
Lindipendenza implica sempre lindipendenza a coppie, mentre il viceversa non vero in generale.
2.6.8 Variabili aleatorie indipendenti a gruppi
Le vv.aa. X
1
, X
2
, . . . , X
k
si dicono indipendenti dalle vv.aa. X
k+1
, X
k+2
, . . . , X
n
se:
F
X
1
,X
2
,...,X
n
(x
1
, x
2
, . . . , x
n
) = F
X
1
,X
2
,...,X
k
(x
1
, x
2
, . . . , x
k
)F
X
k+1
,X
k+2
,...,X
n
(x
k+1
, x
k+2
, . . . , x
n
) ,
per ogni (x
1
, x
2
, . . . , x
n
) R
n
.
2.6.9 Variabili aleatorie indenticamente distribuite
Le n vv.aa. X
1
, X
2
, . . . , X
n
si dicono identicamente distribuite se:
F
X
i
(x) = F(x) , i 1, 2, . . . , n
Se le vv.aa. oltre ad essere identicamente distribuite sono anche indipendenti si dicono indipendenti
ed identicamente distribuite (iid).
2.6.10 Teorema fondamentale della media per n variabili aleatorie
Sia Z =g(X
1
, X
2
, . . . , X
n
) una trasformazione delle variabili aleatorie X
1
, X
2
, . . . , X
n
aventi pdf congiun-
ta f
X
1
,X
2
,...,X
n
(x
1
, x
2
, . . . , x
n
); si ha:
E(Z) =E[g(X
1
, X
2
, . . . , X
n
)] =
_
+
_
+
. . .
_
+
g(x
1
, x
2
, . . . , x
n
) f
X
1
,X
2
,...,X
n
(x
1
, x
2
, . . . , x
n
)dx
1
dx
2
. . . dx
n
se tale integrale esiste nito.
2.6.11 Linearit della media
Siano g
k
(X
1
, X
2
, . . . , X
n
) n arbitrarie funzioni delle n vv.aa. X
1
, X
2
, . . . , X
n
e siano a
k
n costanti reali,
con k 1, 2, . . . , n, si ha:
E
_
n
k=1
a
k
g
k
(X
1
, X
2
, . . . , X
n
)
_
=
n
k=1
a
k
E [g
k
(X
1
, X
2
, . . . , X
n
)]
che, scegliendo g
1
(X
1
, X
2
, . . . , X
n
) = X
1
, g
2
(X
1
, X
2
, . . . , X
n
) = X
2
, . . . , g
n
(X
1
, X
2
, . . . , X
n
) = X
n
, si parti-
colarizza come segue:
E
_
n
k=1
a
k
X
k
_
=
n
k=1
a
k
E (X
k
)
2.6.12 Vettore delle medie
Dato un vettore X = [X
1
, X
2
, . . . , X
n
]
T
di n vv.aa. si denisce vettore delle medie il vettore colonna
X
= E(X) = [
X
1
,
X
2
, . . . ,
X
n
]
T
la cui componente i-esima data da:
X
i
= E(X
i
) =
_
+
x
i
f
X
i
(x
i
)dx
i
,
per i 1, 2, . . . , n.
2.6.13 Matrice di correlazione
Dato un vettore X= [X
1
, X
2
, . . . , X
n
]
T
di n vv.aa. si denisce matrice di correlazione la matrice quadrata
R
X
= E(XX
T
) il cui elemento di posto (i, j) dato da:
Corr(X
i
, X
j
) = E(X
i
X
j
) =
_
+
_
+
x
i
x
j
f
X
i
X
j
(x
i
, x
j
)dx
i
dx
j
,
per i, j 1, 2, . . . , n.
Propriet della matrice di correlazione
1. La matrice di correlazione simmetrica, ossia R
X
= R
T
X
.
2. La matrice di correlazione semidenita positiva, ossia a
T
R
X
a 0, a R
n
.
3. Nel caso in cui a
T
R
X
a > 0, a ,= 0 R
n
(matrice di correlazione denita positiva), le vv.aa.
X
1
, X
2
, . . . , X
n
si dicono linearmente indipendenti.
2.6.14 Matrice di covarianza
Dato un vettore X = [X
1
, X
2
, . . . , X
n
]
T
di n vv.aa. si denisce matrice di covarianza la matrice quadrata
C
X
= E
_
(X
X
)(X
X
)
T
il cui elemento di posto (i, j) dato da:

Cov(X
i
, X
j
) = E
_
(X
i
X
i
)(X
j
X
j
)
=
_
+
_
+
(x
i
X
i
)(x
j
X
i
) f
X
i
X
j
(x
i
, x
j
)dx
i
dx
j
,
per i, j 1, 2, . . . , n.
Propriet della matrice di covarianza
1. La matrice di covarianza simmetrica, ossia C
X
= C
T
X
.
2. La matrice di covarianza semidenita positiva, ossia a
T
C
X
a 0, a R
n
.
3. Se a
T
C
X
a > 0, a ,= 0 R
n
(matrice denita positiva), le vv.aa. centrate X
1
X
1
, X
2
X
2
, . . . , X
n
X
n
si dicono linearmente indipendenti.
4. C
X
= R
X
T
X
.
2.6.15 Incorrelazione tra n variabili aleatorie
Le n vv.aa. X
1
, X
2
, . . . , X
n
si dicono incorrelate se Cov(X
i
, X
j
) = 0, i ,= j. In tal caso, la matrice di
covarianza C
X
diagonale e, inoltre, risulta che
Var
_
n
i=1
X
i
_
=
n
i=1
Var(X
i
)
2.6.16 Vettori di variabili aleatorie congiuntamente gaussiane
Le vv.aa. X = [X
1
, X
2
, . . . , X
n
]
T
si dicono congiuntamente gaussiane se la loro pdf congiunta ammette
la seguente espressione:
f
X
(x) =
1
(2)
n/2
[det(C
X
)]
1/2
exp
_
1
2
(x
X
)
T
C
1
X
(x
X
)
_
,
dove x = [x
1
, x
2
, . . . , x
n
]
T
R
n
.
Propriet delle variabili aleatorie congiuntamente gaussiane
1. Se n vv.aa. sono congiuntamente gaussiane, allora qualsiasi sottoinsieme composto da k < n
tra queste variabili aleatorie sono ancora congiuntamente gaussiane. In particolare, le n vv.aa.
sono anche marginalmente gaussiane.
2. Se n vv.aa. marginalmente gaussiane sono indipendenti, allora esse sono anche congiuntamente
gaussiane.
3. Se n vv.aa. congiuntamente gaussiane sono incorrelate, allora esse sono anche indipendenti.
4. Una trasformazione lineare Y = AX+b di un vettore gaussiano X con media
X
e matri-
ce di covarianza C
X
ancora un vettore gaussiano avente media
Y
= A
X
+b e matrice di
covarianza C
Y
= AC
X
A
T
.
Parte 3: segnali aleatori
3.2 Denizione
Dato uno spazio campione dotato di una legge di probabilit P(), un segnale (o processo) aleatorio
una legge di corrispondenza che associa a ciascun (risultato di un esperimento aleatorio) un
segnale deterministico x(t, ) o x(n, ) (chiamato realizzazione o funzione membro).
3.3 Caratterizzazione statistica
3.3.1 Caratterizzazione statistica del primo ordine
F
x
(x; t)

= Px(t) x
f
x
(x; t)

=
d
dx
F
x
(x; t)
p
x
(x; t)

= Px(t) = x
F
x
(x; n)

= Px(n) x
f
x
(x; n)

=
d
dx
F
x
(x; n)
p
x
(x; n)

= Px(n) = x
3.3.2 Caratterizzazione statistica del secondo ordine
F
x
(x
1
, x
2
; t
1
, t
2
)

= Px(t
1
) x
1
, x(t
2
) x
2
f
x
(x
1
, x
2
; t
1
, t
2
)

=

2
x
1
x
2
F
x
(x
1
, x
2
; t
1
, t
2
)
p
x
(x
1
, x
2
; t
1
, t
2
)

= Px(t
1
) = x
1
, x(t
2
) = x
2
F
x
(x
1
, x
2
; n
1
, n
2
)

= Px(n
1
) x
1
, x(n
2
) x
2
f
x
(x
1
, x
2
; n
1
, n
2
)

=

2
x
1
x
2
F
x
(x
1
, x
2
; n
1
, n
2
)
p
x
(x
1
, x
2
; n
1
, n
2
)

= Px(n
1
) = x
1
, x(n
2
) = x
2
3.3.3 Caratterizzazione statistica di ordine N

F
x
(x
1
, x
2
, . . . , x
N
; t
1
, t
2
, . . . , t
N
)

= Px(t
1
) x
1
, x(t
2
) x
2
, . . . , x(t
N
) x
N
f
x
(x
1
, x
2
, . . . , x
N
; t
1
, t
2
, . . . , t
N
)

=

N
x
1
x
2
x
N
F
x
(x
1
, x
2
, . . . , x
N
; t
1
, t
2
, . . . , t
N
)
p
x
(x
1
, x
2
, . . . , x
N
; t
1
, t
2
, . . . , t
N
)

= Px(t
1
) = x
1
, x(t
2
) = x
2
, . . . , x(t
N
) = x
N
F
x
(x
1
, x
2
, . . . , x
N
; n
1
, n
2
, . . . , n
N
)

= Px(n
1
) x
1
, x(n
2
) x
2
, . . . , x(n
N
) x
N
f
x
(x
1
, x
2
, . . . , x
N
; n
1
, n
2
, . . . , n
N
)

=

N
x
1
x
2
x
N
F
x
(x
1
, x
2
, . . . , x
N
; n
1
, n
2
, . . . , n
N
)
p
x
(x
1
, x
2
, . . . , x
N
; n
1
, n
2
, . . . , n
N
)

= Px(n
1
) = x
1
, x(n
2
) = x
2
, . . . , x(n
N
) = x
N

3.3.4 Gerarchia delle caratterizzazioni statistiche
La caratterizzazione statistica di ordine N implica la caratterizzazione statistica di ordine K < N.
3.3.5 Caratterizzazione statistica completa
Un segnale aleatorio x() si dice completamente caratterizzato (statisticamente) se nota la caratte-
rizzazione di ordine N per ogni N e per ogni scelta della N-pla di istanti di tempo.
3.3.6 Momenti del primo ordine (segnali reali)
(1) Media statistica:
x
()

= E[x()] =
_
+
x f
x
(x; )dx
(2) Valore quadratico medio: x
2
()

= E[x
2
()] =
_
+
x
2
f
x
(x; )dx
(3) Varianza:
2
x
() = Var[x()] =
_
+
[x
x
()]
2
f
x
(x; )dx
(4) Relazione tra i momenti del primo ordine:
2
x
() = x
2
()
2
x
()
3.3.7 Momenti del secondo ordine (segnali reali)
(1) Autocorrelazione statistica in tempo-tempo:
r
x
(t
1
, t
2
)

= E[x(t
1
)x(t
2
)] =
_
+
_
+
x
1
x
2
f
x
(x
1
, x
2
; t
1
, t
2
)dx
1
dx
2
r
x
(n
1
, n
2
)

= E[x(n
1
)x(n
2
)] =
_
+
_
+
x
1
x
2
f
x
(x
1
, x
2
; n
1
, n
2
)dx
1
dx
2
(2) Autocovarianza statistica in tempo-tempo:
c
x
(t
1
, t
2
)

= Cov[x(t
1
), x(t
2
)] = E[x(t
1
)
x
(t
1
)][x(t
2
)
x
(t
2
)]
=
_
+
_
+
[x
1
x
(t
1
)][x
2
x
(t
2
)] f
x
(x
1
, x
2
; t
1
, t
2
)dx
1
dx
2
c
x
(n
1
, n
2
)

= Cov[x(n
1
), x(n
2
)] = E[x(n
1
)
x
(n
1
)][x(n
2
)
x
(n
2
)]
=
_
+
_
+
[x
1
x
(n
1
)][x
2
x
(n
2
)] f
x
(x
1
, x
2
; n
1
, n
2
)dx
1
dx
2
(3) Propriet dellautocorrelazione/autocovarianza statistica in tempo-tempo:
(a) Valore nellorigine:
r
x
(t, t) = E[x
2
(t)] r
x
(n, n) = E[x
2
(n)]
c
x
(t, t) = Var[x(t)] c
x
(n, n) = Var[x(n)]
(b) Simmetria:
r
x
(t
1
, t
2
) = r
x
(t
2
, t
1
) r
x
(n
1
, n
2
) = r
x
(n
2
, n
1
)
c
x
(t
1
, t
2
) = c
x
(t
2
, t
1
) c
x
(n
1
, n
2
) = c
x
(n
2
, n
1
)
(c) Relazione tra autocorrelazione e autocovarianza:
c
x
(t
1
, t
2
) = r
x
(t
1
, t
2
)
x
(t
1
)
x
(t
2
) c
x
(n
1
, n
2
) = r
x
(n
1
, n
2
)
x
(n
1
)
x
(n
2
)
3.4 Stazionariet 41
(4) Autocorrelazione statistica in tempo-ritardo:
r
x
(t, )

= E[x(t)x(t )]
r
x
(n, m)

= E[x(n)x(nm)]
(5) Autocovarianza statistica in tempo-ritardo:
c
x
(t, )

= E[x(t)
x
(t)][x(t )
x
(t )]
c
x
(n, m)

= E[x(n)
x
(n)][x(nm)
x
(nm)]
(6) Propriet dellautocorrelazione/autocovarianza statistica in tempo-ritardo
r
x
(t, 0) = E[x
2
(t)] r
x
(n, 0) = E[x
2
(n)]
c
x
(t, 0) = Var[x(t)] c
x
(n, 0) = Var[x(n)]
(b) Simmetria:
r
x
(t, ) = r
x
(t , ) r
x
(n, m) = r
x
(nm, m)
c
x
(t, ) = c
x
(t , ) c
x
(n, m) = c
x
(nm, m)
(c) Relazione tra autocorrelazione e autocovarianza:
c
x
(t, ) = r
x
(t, )
x
(t)
x
(t ) c
x
(n, m) = r
x
(n, m)
x
(n)
x
(nm)
3.3.8 Caratterizzazione sintetica
Dato un segnale aleatorio x(), la sua caratterizzazione sintetica equivale alla conoscenza della sua
media statistica
x
() e della sua funzione di autocorrelazione r
x
(, ) (in tempo-tempo o in tempo-
ritardo).
3.4 Stazionariet
3.4.1 Stazionariet in senso stretto
Un segnale aleatorio TC x(t) si dice stazionario in senso stretto (SSS) se x(t) e x(t t
0
) hanno la stessa
caratterizzazione statistica completa per ogni t
0
R. Un segnale aleatorio TD x(n) si dice stazionario
in senso stretto (SSS) se x(n) e x(nn
0
) hanno la stessa caratterizzazione statistica completa per ogni
n
0
Z.
3.4.2 Stazionariet del primo ordine
Un segnale aleatorio TC x(t) si dice stazionario del primo ordine se x(t) e x(t t
0
) hanno la stessa
caratterizzazione statistica del primo ordine per ogni t
0
R. Un segnale aleatorio TD x(n) si dice
stazionario del primo ordine se x(n) e x(nn
0
) hanno la stessa caratterizzazione statistica del primo
ordine per ogni n
0
Z.
F
x
(x; t) = F
x
(x)
f
x
(x; t) = f
x
(x)
p
x
(x; t) = p
x
(x)
F
x
(x; n) = F
x
(x)
f
x
(x; n) = f
x
(x)
p
x
(x; n) = p
x
(x)
3.4.3 Stazionariet del secondo ordine
Un segnale aleatorio TC x(t) si dice stazionario del secondo ordine se x(t) e x(t t
0
) hanno la stessa
caratterizzazione statistica del secondo ordine per ogni t
0
R. Un segnale aleatorio TD x(n) si dice
stazionario del secondo ordine se x(n) e x(n n
0
) hanno la stessa caratterizzazione statistica del
secondo ordine per ogni n
0
Z.
F
x
(x
1
, x
2
; t
1
, t
2
) = F
x
(x
1
, x
2
; t
1
t
2
)
f
x
(x
1
, x
2
; t
1
, t
2
) = f
x
(x
1
, x
2
; t
1
t
2
)
p
x
(x
1
, x
2
; t
1
, t
2
) = p
x
(x
1
, x
2
; t
1
t
2
)
F
x
(x
1
, x
2
; n
1
, n
2
) = F
x
(x
1
, x
2
; n
1
n
2
)
f
x
(x
1
, x
2
; n
1
, n
2
) = f
x
(x
1
, x
2
; n
1
n
2
)
p
x
(x
1
, x
2
; n
1
, n
2
) = p
x
(x
1
, x
2
; n
1
n
2
)
3.4.4 Stazionariet di ordine N
Un segnale aleatorio TC x(t) si dice stazionario di ordine N se x(t) e x(t t
0
) hanno la stessa
caratterizzazione statistica di ordine N per ogni t
0
R.
F
x
(x
1
, x
2
, . . . , x
N
; t
1
, t
2
, . . . , t
N
) = F f
x
(x
1
, x
2
, . . . , x
N
; t
1
t
2
, t
1
t
3
, . . . , t
1
t
N
)
f
x
(x
1
, x
2
, . . . , x
N
; t
1
, t
2
, . . . , t
N
) = f
x
(x
1
, x
2
, . . . , x
N
; t
1
t
2
, t
1
t
3
, . . . , t
1
t
N
)
p
x
(x
1
, x
2
, . . . , x
N
; t
1
, t
2
, . . . , t
N
) = p
x
(x
1
, x
2
, . . . , x
N
; t
1
t
2
, t
1
t
3
, . . . , t
1
t
N
)
Un segnale aleatorio TD x(n) si dice stazionario di ordine N se x(n) e x(n n
0
) hanno la stessa
caratterizzazione statistica di ordine N per ogni n
0
Z.
F
x
(x
1
, x
2
, . . . , x
N
; n
1
, n
2
, . . . , n
N
) = F
x
(x
1
, x
2
, . . . , x
N
; n
1
n
2
, n
1
n
3
, . . . , n
1
n
N
)
f
x
(x
1
, x
2
, . . . , x
N
; n
1
, n
2
, . . . , n
N
) = f
x
(x
1
, x
2
, . . . , x
N
; n
1
n
2
, n
1
n
3
, . . . , n
1
n
N
)
p
x
(x
1
, x
2
, . . . , x
N
; n
1
, n
2
, . . . , n
N
) = p
x
(x
1
, x
2
, . . . , x
N
; n
1
n
2
, n
1
n
3
, . . . , n
1
n
N
)
3.4.5 Stazionariet in senso lato
Un segnale aleatorio x() si dice stazionario in senso lato (SSL) se:
(1)
x
() =
x
;
(2) r
x
(t, ) = r
x
() (caso TC) oppure r
x
(n, m) = r
x
(m) (caso TD).
3.4.6 Legami tra i tipi di stazionariet
(1) un segnale aleatorio stazionario di ordine N stazionario di ordine K < N;
(2) un segnale aleatorio SSS stazionario in tutti gli altri sensi;
(3) un segnale stazionario del secondo ordine SSL.
3.4.7 Ciclostazionariet in senso lato
Un segnale TC x(t) si dice ciclostazionario in senso lato (CSSL) di periodo T
0
> 0 se la media e la
funzione di autocorrelazione in tempo-ritardo sono periodiche in t dello stesso periodo T
0
:
x
(t) =
x
(t +T
0
) r
x
(t, ) = r
x
(t +T
0
, ) (t, ) R
2
Un segnale TD x(n) si dice ciclostazionario in senso lato (CSSL) con periodo N
0
> 1 se la media e la
funzione di autocorrelazione in tempo-ritardo sono periodiche in n dello stesso periodo N
0
:
x
(n) =
x
(n+N
0
) r
x
(n, m) = r
x
(n+N
0
, m) (n, m) Z
2
3.5 Caratterizzazione statistica congiunta di due segnali aleatori 43
3.5 Caratterizzazione statistica congiunta di due segnali aleatori
3.5.1 Caratterizzazione statistica completa
Dati due segnali aleatori TC x(t) e y(t), ssati N
x
campioni di x(t) ed N
y
campioni di y(t), la caratteriz-
zazione completa equivale a specicare la CDF (o la pdf o la DF) congiunta degli N = N
x
+N
y
cam-
pioni x(t
1
), x(t
2
), . . . , x(t
N
x
), y(t
1
), y(t
2
), . . . , y(t
N
y
), sia essa F
xy
(x, y; t
x
, t
y
), dove x = (x
1
, x
2
, . . . , x
N
x
),
y = (y
1
, y
2
, . . . , y
N
y
), t
x
= (t
1
, t
2
, . . . , t
N
x
), t
y
= (t
1
, t
2
, . . . , t
N
y
). Una denizione analoga si applica al
caso TD.
3.5.2 Indipendenza statistica
Dati due segnali aleatori TC x(t) e y(t), essi si dicono statisticamente indipendenti se:
F
xy
(x, y; t
x
, t
y
) = F
x
(x, t
x
)F
y
(y; t
y
) (x, y, t
x
, t
y
)
Una denizione analoga si applica al caso TD.
3.5.3 Momenti congiunti del secondo ordine (segnali reali)
(1) Mutua correlazione statistica in tempo-tempo:
r
xy
(t
1
, t
2
)

= E[x(t
1
)y(t
2
)] =
_
+
_
+
x
1
y
2
f
xy
(x
1
, y
2
; t
1
, t
2
)dx
1
dy
2
r
xy
(n
1
, n
2
)

= E[x(n
1
)x(n
2
)] =
_
+
_
+
x
1
y
2
f
xy
(x
1
, y
2
; n
1
, n
2
)dx
1
dy
2
(2) Mutua covarianza statistica in tempo-tempo:
c
xy
(t
1
, t
2
)

= Cov[x(t
1
), y(t
2
)] = E[x(t
1
)
x
(t
1
)][y(t
2
)
y
(t
2
)]
=
_
+
_
+
[x
1
x
(t
1
)][y
2
y
(t
2
)] f
xy
(x
1
, y
2
; t
1
, t
2
)dx
1
dy
2
c
xy
(n
1
, n
2
)

= Cov[x(n
1
), y(n
2
)] = E[x(n
1
)
x
(n
1
)][y(n
2
)
y
(n
2
)]
=
_
+
_
+
[x
1
x
(n
1
)][y
2
y
(n
2
)] f
xy
(x
1
, y
2
; n
1
, n
2
)dx
1
dy
2
(3) Propriet della mutua correlazione/mutua covarianza statistica in tempo-tempo:
r
xy
(t, t) = E[x(t)y(t)] r
xy
(n, n) = E[x(n)y(n)]
c
xy
(t, t) = Cov[x(t), y(t)] c
xy
(n, n) = Cov[x(n), y(n)]
(b) Simmetria:
r
yx
(t
1
, t
2
) = r
xy
(t
2
, t
1
) r
yx
(n
1
, n
2
) = r
xy
(n
2
, n
1
)
c
yx
(t
1
, t
2
) = c
xy
(t
2
, t
1
) c
yx
(n
1
, n
2
) = c
xy
(n
2
, n
1
)
(c) Relazione tra mutua correlazione e mutua covarianza:
c
xy
(t
1
, t
2
) = r
xy
(t
1
, t
2
)
x
(t
1
)
y
(t
2
) c
xy
(n
1
, n
2
) = r
xy
(n
1
, n
2
)
x
(n
1
)
y
(n
2
)
(4) Mutua correlazione statistica in tempo-ritardo:
r
xy
(t, )

= E[x(t)y(t )]
r
xy
(n, m)

= E[x(n)y(nm)]
(5) Mutua covarianza statistica in tempo-ritardo:
c
xy
(t, )

= E[x(t)
x
(t)][y(t )
y
(t )]
c
xy
(n, m)

= E[x(n)
x
(n)][y(nm)
y
(nm)]
(6) Propriet della mutua correlazione/mutua covarianza statistica in tempo-ritardo
r
xy
(t, 0) = E[x(t)y(t)] r
xy
(n, 0) = E[x(n)y(n)]
c
xy
(t, 0) = Cov[x(t), y(t)] c
xy
(n, 0) = Cov[x(n), y(n)]
(b) Simmetria:
r
yx
(t, ) = r
xy
(t , ) r
yx
(n, m) = r
xy
(nm, m)
c
yx
(t, ) = c
xy
(t , ) c
yx
(n, m) = c
xy
(nm, m)
(c) Relazione tra mutua correlazione e mutua covarianza:
c
xy
(t, ) = r
xy
(t, )
x
(t)
y
(t ) c
xy
(n, m) = r
xy
(n, m)
x
(n)
y
(nm)
3.5.4 Caratterizzazione statistica sintetica congiunta
Dati due segnali aleatori x() e y(), la loro caratterizzazione statistica sintetica congiunta equivale alla
conoscenza della caratterizzazione sintetica dei singoli segnali e della funzione di mutua correlazione
statistica r
xy
(, ) in tempo-tempo o in tempo-ritardo.
3.5.5 Stazionariet congiunta in senso lato
Due segnali aleatori x() e y() si dicono congiuntamente stazionari in senso lato se:
(1) x() e y() sono singolarmente SSL;
(2) r
xy
(t, ) = r
xy
() (caso TC) oppure r
xy
(n, m) = r
xy
(m) (caso TD).
3.6 Parametri sintetici di un segnale aleatorio
3.6.1 Componente continua ed alternata
x
dc
=
x
()) =E[x()]) =
lim
Z+
1
2Z
_
Z
Z
E[x(t)]dt
lim
K+
1
2K+1
K
n=K
E[x(n)]
x
ac
()

= x() x
dc
3.7 Autocorrelazione media (segnali reali) 45
3.6.2 Energia e potenza (segnali reali)
E
x
=
_
+
E[x
2
(t)]dt
+
n=
E[x
2
(n)]
P
x
=E[x
2
()]) =
lim
Z+
1
2Z
_
Z
Z
E[x
2
(t)]dt
lim
K+
1
2K+1
K
n=K
E[x
2
(n)]
3.6.3 Energia mutua e potenza mutua (segnali reali)
E
xy
_
+
E[x(t)y(t)]dt
+
n=
E[x(n)y(n)]
P
xy
=E[x()y()]) =
lim
Z+
1
2Z
_
Z
Z
E[x(t)y(t)]dt
lim
K+
1
2K+1
K
n=K
E[x(n)y(n)]
3.6.4 Valore efcace (segnali reali)
x
rms
=
_
P
x
=
_
E[x
2
()])
3.6.5 Energia/potenza della somma di due segnali (segnali reali)
E
x+y
=E
x
+E
y
+2E
xy
, P
x+y
=P
x
+P
y
+2P
xy
.
3.7 Autocorrelazione media (segnali reali)
3.7.1 Denizione
r
x
()

=r
x
(t, )) =E[x(t)x(t )])
r
x
(m)

=r
x
(n, m)) =E[x(n)x(nm)])
3.7.2 Propriet
x
(0) =E[x
2
()]) =P
x
.
(b) Simmetria: r
x
() = r
x
(()).
x
()[ r
x
(0).
(d) Segnale SSL: se x() SSL lautocorrelazione media coincide con lautocorrelazione statistica.
3.8 Mutua correlazione media (segnali reali)
3.8.1 Denizione
r
xy
()

=r
xy
(t, )) =E[x(t)y(t )])
r
xy
(m)

=r
xy
(n, m)) =E[x(n)y(nm)])
3.8.2 Propriet
xy
(0) =E[x()y()]) =P
xy
.
(b) Simmetria: r
yx
() = r
xy
(()).
xy
()[
_
r
x
(0)
_
r
y
(0).
(d) Segnali congiuntamente SSL: se x() e t() sono congiuntamente SSL la mutua correlazione
media coincide con la mutua correlazione statistica.
3.9 Segnali aleatori gaussiani
3.9.1 Denizione
Un segnale aleatorio x() si dice gaussiano se, scelti arbitrariamente N campioni del segnale, tali cam-
pioni sono N variabili aleatorie congiuntamente gaussiane, ovvero la loro pdf ha la forma gaussiana
multidimensionale.
3.9.2 Caratterizzazione statistica
(1) Per caratterizzare completamente un segnale aleatorio gaussiano sufciente assegnare la sua
media
x
() e la sua funzione di autocovarianza statistica c
x
(, ) (in tempo-tempo o in tempo-
ritardo).
(2) Per un segnale aleatorio gaussiano, la caratterizzazione completa equivale alla caratterizzazione
sintetica.
(3) Per un segnale aleatorio gaussiano, la caratterizzazione completa equivale alla caratterizzazione
del secondo ordine.
3.9.3 Stazionariet
(1) Per un segnale aleatorio gaussiano, la stazionariet in senso lato (SSL) implica la stazionariet in
senso stretto (SSS).
(2) Per un segnale aleatorio gaussiano, la stazionariet del secondo ordine implica la stazionariet in
senso stretto (SSS).
3.9.4 Propriet
(1) Relazione tra incorrelazione ed indipendenza: per un segnale aleatorio gaussiano, lincorrela-
zione tra i campioni implica lindipendenza tra i campioni.
(2) Chiusura rispetto alle trasformazioni lineari: un segnale aleatorio y() ottenuto mediante
una trasformazione lineare da un segnale aleatorio gaussiano x() ancora un segnale aleatorio
gaussiano.
3.10 Densit spettrale di potenza (PSD) 47
3.10 Densit spettrale di potenza (PSD)
3.10.1 Denizione
(1) Segnali TC: dato un segnale aleatorio x(t), la sua densit spettrale di potenza (PSD)
S
x
( f ) = lim
Z+
1
2Z
E[[X
Z
( f )[
2
]
dove x
Z
(t) = x(t)rect
_
t
2Z
_
una versione nestrata di x(n).
(2) Segnali TD: dato un segnale aleatorio x(n), la sua densit spettrale di potenza (PSD)
S
x
() = lim
K+
1
2K+1
E[[X
K
()[
2
]
dove x
K
(n) = x(n)R
2K+1
(n+K) una versione nestrata di x(n).
3.10.2 Propriet
(a) Non negativit: S
x
() 0
(b) Integrazione:
P
x
=
_
+
S
x
( f )d f
_
1/2
1/2
S
x
()d
(c) Parit per segnali reali: se x() un segnale reale, allora S
x
(()) =S
x
() (funzione pari).
(d) Periodicit nel caso TD: S
x
() =S
x
( +1), R (periodica di periodo 1).
3.10.3 Teorema di Wiener-Khinchin
Dato un segnale aleatorio x() avente funzione di autocorrelazione media r
x
(), la sua PSD S
x
()
coincide con la trasformata di Fourier di r
x
().
3.11 Relazioni ingresso-uscita per sistemi LTI
Si consideri un sistema LTI reale avente risposta impulsiva h() e risposta in frequenza H(), con
ingresso x() ed uscita y() aleatori.
3.11.1 Caratterizzazione sintetica (caso generale)
(1) Segnali TC: la caratterizzazione sintetica di y(t) in funzione di quella di x(t) :
y
(t) = h(t)
x
(t)
r
y
(t, ) =
_
+
_
+
h(u
1
)h(u
2
)r
x
(t u
1
, +u
2
u
1
)du
1
du
2
(2) Segnali TC: la caratterizzazione sintetica di y(n) in funzione di quella di x(n) :
y
(n) = h(n)
x
(n)
r
y
(n, m) =
+
k
1
=
+
k
2
=
h(k
1
)h(k
2
)r
x
(nk
1
, m+k
2
k
1
)
3.11.2 Caratterizzazione sintetica (caso di segnali aleatori SSL)
Se x() SSL, allora y() SSL, e la sua caratterizzazione sintetica in funzione di quella di x() :
y
= H(0)
x
r
y
() = r
h
() r
x
()
dove H(0) il guadagno in continua del sistema, e r
h
() = h() h(()) la funzione di autocorrela-
zione della risposta impulsiva.
3.11.3 Componente continua e autocorrelazione media
La componente continua e lautocorrelazione media di y() sono
y
dc
= H(0)x
dc
r
y
() = r
h
() r
x
()
dove H(0) il guadagno in continua del sistema, e r
h
() = h() h(()) la funzione di autocorrela-
zione della risposta impulsiva.
3.11.4 Densit spettrale di potenza (PSD)
La densit spettrale di potenza (PSD) di y()
S
y
() =[H()[
2
S
x
()
dove S
h
() =[H()[
2
la densit spettrale di energia (ESD) della risposta impulsiva.
3.11 Relazioni ingresso-uscita per sistemi LTI 49
Parte 4: formule matematiche notevoli
4.1.5 Fattoriale e coefciente binomiale
n!

= n(n1)(n2) 3 2 1
0! = 1, 1! = 1
_
n
k
_

=
n(n1) (nk +2)(nk +1)
k!
=
n!
k! (nk)!
_
n
0
_
= 1,
_
n
1
_
= n,
_
n
k
_
=
_
n
nk
_
,
_
n
k
_
+
_
n
k +1
_
=
_
n+1
k +1
_
4.1.6 Sommatorie di potenze di interi
N
n=1
n =
N(N+1)
2
,
N
n=1
n
2
=
N(N+1)(2N+1)
6
N
n=1
n
3
=
_
N(N+1)
2
_
2
,
N
n=1
n
4
=
N(N+1)(2N+1)(3N
2
+3N1)
30
4.1.7 Somma della serie geometrica
+
i=0
z
i
=
1
1z
, z C, [z[ < 1
4.1.8 Somma di un numero nito di termini della serie geometrica
N
2
k=N
1
z
k
=
z
N
1
z
N
2
+1
1z
, z C, N
2
N
1
Ponendo N
1
= 0 ed N
2
= N1 si ha:
N1
k=0
z
k
=
1z
N
1z
, z C0, N N
4.1.9 Formule di Eulero
cos(x) =
e
jx
+e
jx
2
, sin(x) =
e
jx
e
jx
2 j
, x R

Formula Rio Segnali Sistemi Prob Ver2.0

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Formula Rio Segnali Sistemi Prob Ver2.0

Caricato da

Copyright:

Formati disponibili

Parte 1: segnali e sistemi

=] , 0[ insieme dei numeri reali negativi (zero escluso)

(k) = X(k) = X(N

x(t)dt = 0 si ha una versione semplicata (senza la parte impulsiva).

f (x)dx = 1 (propriet di normalizzazione).

per ogni > 0.

f (x, y)dxdy = 1 (propriet di normalizzazione).

il cui elemento di posto (i, j) dato da:

3.3.3 Caratterizzazione statistica di ordine N

40 Formulario di Teoria dei Segnali (Gelli-Verde) - ver. 2.0 (9 CFU)

Potrebbero piacerti anche