Sei sulla pagina 1di 5

Capitolo 3

Segnali aleatori gaussiani


3.1 Introduzione e denizioni fondamentali
I segnali aleatori gaussiani, come le variabili aleatorie gaussiane, ricorrono in numerose applicazioni.
La denizione di segnale aleatorio gaussiano si basa sul concetto di variabile aleatoria gaussiana.
Ricordiamo che una singola variabile aleatoria gaussiana X N(
X
,
X
) caratterizzata dalla sua
pdf:
f
X
(x) =
1

2
e

1
2
2
X
(x
X
)
2
(3.1)
dove
X
=E(X) e
2
X
=Var(X) =E[(X
X
)
2
] rappresentano media e varianza di X. Pi in generale,
N variabili aleatorie XXX = [X
1
, X
2
, . . . , X
N
]
T
si dicono congiuntamente gaussiane se la loro pdf congiunta
assume la forma
f
XXX
(xxx) =
1
(2)
N/2
[det(CCC
XXX
)]
1/2
exp
_

1
2
(xxx
XXX
)
T
CCC
1
XXX
(xxx
XXX
)
_
(3.2)
dove xxx = [x
1
, x
2
, . . . , x
N
]
T
. I parametri caratteristici della pdf gaussiana sono:
il vettore della medie
XXX
= E(XXX) = [E(X
1
), E(X
2
), . . . , E(X
N
)]
T
(vettore colonna con N ele-
menti);
la matrice di autocovarianza CCC
XXX
= E[(XXX
XXX
)(XXX
XXX
)
T
] (matrice quadrata N N simme-
trica e semidenita positiva).
Caratterizzare statisticamente un segnale aleatorio equivale, nel caso TC, a ssare N istanti di tempo
t
1
, t
2
, . . . , t
N
e a caratterizzare statisticamente le variabili aleatorie X
1
=x(t
1
), X
2
=x(t
2
), . . . , X
n
=x(t
n
),
ovvero ad assegnare la pdf congiunta del vettore XXX = [X
1
, X
2
, . . . , X
N
]
T
. Se tale pdf congiunta ha la
forma (3.2), il segnale aleatorio si dir gaussiano. Estendendo in modo ovvio tali concetti al caso TD,
possiamo dare la seguente denizione:
38 Segnali aleatori gaussiani
Denizione 3.1 (segnale aleatorio gaussiano)
Un segnale aleatorio x() si dice gaussiano se, scelti arbitrariamente N campioni del segnale, tali
campioni sono N variabili aleatorie congiuntamente gaussiane, ovvero la loro pdf ha la forma
(3.2).
3.2 Caratterizzazione statistica di un segnale aleatorio gaussiano
La caratterizzazione statistica di un segnale aleatorio gaussiano particolarmente semplice se i cam-
pioni del segnale sono indipendenti, come mostrato dallesempio seguente nel caso TD.
Esempio 3.1 (segnale iid gaussiano) Si consideri un segnale x(n) gaussiano a campioni indipendenti ed
identicamente distribuiti (iid). Lindipendenza tra i campioni assicura che x(n
1
) ed x(n
2
) sono statisticamen-
te indipendenti per n
1
= n
2
, mentre il fatto che i campioni siano identicamente distribuiti signica che ogni
campione x(n) descritto dalla stessa pdf gaussiana (3.1), con E[x(n)] =
x
e Var[x(n)] =
2
x
indipendenti dal
tempo, ovvero x(n) N(
x
,
x
).
La caratterizzazione di ordine N per N arbitrario (ovvero la caratterizzazione completa) si ricava facilmente,
data lindipendenza tra i campioni. Fissati N istanti di tempo distinti n
1
= n
2
= = n
N
, la pdf congiunta di
ordine N data dal prodotto delle pdf del primo ordine:
f
x
(xxx; nnn) =
N

i=1
f
x
(x
i
) =
_
1

2
_
N
exp
_

1
2
2
x
N

i=1
(x
i

x
)
2
_
Si noti che tale pdf non dipende da nnn = [n
1
, n
2
, . . . , n
N
] per cui il segnale aleatorio stazionario in senso stretto
(SSS). Daltra parte, qualunque segnale aleatorio iid SSS.
Pi in generale, un segnale aleatorio gaussiano pu essere caratterizzato completamente anche quando
i campioni non sono indipendenti. Vale infatti la seguente propriet:
Propriet 3.1 (caratterizzazione completa di un segnale aleatorio gaussiano)
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).
Prova. Caratterizzare completamente un segnale aleatorio equivale a determinare la pdf di ordine N dei suoi
campioni, per N arbitrario. Poich il segnale gaussiano, tale pdf gaussiana, cio ha la forma (3.2), per cui
essa dipende solo dal vettore delle medie
XXX
e dalla matrice di covarianza CCC
XXX
dei campioni. Nel caso TC,
essendo XXX = [x(t
1
), x(t
2
), . . . , x(t
N
)]
T
il vettore dei campioni, il vettore delle medie

XXX
= [E[x(t
1
)], E[x(t
2
)], . . . , E[x(t
N
)]]
T
= [
x
(t
1
),
x
(t
2
), . . . ,
x
(t
N
)]
T
per cui chiaro che conoscere la funzione
x
(t) per ogni t R consente di calcolare il vettore delle medie.
Daltra parte, lelemento di posto (i, j) della matrice di covarianza
Cov(X
i
, X
j
) = Cov[x(t
i
), x(t
j
)] = c
x
(t
i
, t
j
)
per cui la conoscenza della funzione di autocovarianza c
x
(t
1
, t
2
) per ogni (t
1
, t
2
) R
2
consente di calcolare la
matrice di covarianza. Con analogo ragionamento si prova tale propriet nel caso TD.
La conoscenza della media e della funzione di autocovarianza di un segnale aleatorio equivalen-
te alla conoscenza della media e della funzione di autocorrelazione statistica, ovvero rappresen-
ta la cosiddetta caratterizzazione sintetica del segnale aleatorio. Dalla propriet 3.1 segue allora
banalmente:
3.3 Stazionariet di un segnale aleatorio gaussiano 39
Propriet 3.2 (caratterizzazione completa di un segnale aleatorio gaussiano)
Per un segnale aleatorio gaussiano, la caratterizzazione completa equivale alla caratterizzazione
sintetica.
Si noti che, se il segnale non gaussiano, la caratterizzazione sintetica non consente di ricavare nep-
pure la caratterizzazione del primo e del secondo ordine. Per i segnali aleatori gaussiani, invece, la
propriet 3.2 consente una enorme semplicazione nella loro caratterizzazione statistica, in quanto
determinare la caratterizzazione sintetica di un segnale aleatorio di gran lunga pi semplice che de-
terminarne la caratterizzazione completa. Si osservi inne che, poich la caratterizzazione sintetica si
pu ottenere a partire dalla caratterizzazione del secondo ordine, dalla propriet 3.3 segue:
Propriet 3.3 (caratterizzazione completa di un segnale aleatorio gaussiano)
Per un segnale aleatorio gaussiano, la caratterizzazione completa equivale alla caratterizzazione
del secondo ordine.
3.3 Stazionariet di un segnale aleatorio gaussiano
Lo studio della stazionariet di un segnale aleatorio gaussiano estremamente semplicato in virt
delle propriet 3.13.2. Si provano infatti facilmente le seguenti propriet:
Propriet 3.4 (stazionariet di un segnale aleatorio gaussiano)
(a) Per un segnale aleatorio gaussiano, la stazionariet in senso lato (SSL) implica la
stazionariet in senso stretto (SSS).
(b) Per un segnale aleatorio gaussiano, la stazionariet del secondo ordine implica la
stazionariet in senso stretto (SSS).
Prova. La prova di queste propriet si fonda sulle propriet 3.13.2. Ad esempio, per provare la (a), se
il segnale (supposto TC) SSL, allora
x
(t) =
x
e r
x
(t
1
, t
2
) = r
x
(t
1
t
2
), da cui discende che c
x
(t
1
, t
2
) =
r
x
(t
1
, t
2
)
x
(t
1
)
x
(t
2
) = r
x
(t
1
t
2
)
2
x
, ovvero c
x
(t
1
, t
2
) = c
x
(t
1
t
2
). Segue che il vettore delle media
XXX
non dipende dagli istanti di tempo t
1
, t
2
, . . . , t
N
e la matrice di covarianza CCC
XXX
dipende solo dalle N1 differenze
di tempo t
1
t
2
, t
2
t
3
, . . ., t
N1
t
N
. Segue per la propriet 3.1 che la pdf di ordine N, per ogni N, invariante
ad una traslazione dei campioni, per cui il segnale SSS. Con analogo ragionamento si dimostra la (b) e si
estendono le dimostrazioni al caso TD.
Si noti che per un segnale qualunque, la stazionariet in senso stretto (SSS), essendo la forma pi
forte di stazionariet, implica sempre quella in senso lato (SSL) e quella del secondo ordine. Per i
segnali aleatori gaussiani, vale anche la propriet inversa, il che semplica notevolmente lo studio
della stazionariet.
Alla luce delle propriet 3.4, un segnale aleatorio gaussiano stazionario pu rientrare solo in due
tipologie:
stazionario del primo ordine;
stazionario del secondo ordine ovvero SSL ovvero SSS.
40 Segnali aleatori gaussiani
3.4 Propriet dei segnali aleatori gaussiani
I segnali aleatori gaussiani godono di altre propriet tipiche della variabili aleatorie gaussiane:
Propriet 3.5 (relazione tra incorrelazione ed indipendenza)
Per un segnale aleatorio gaussiano, lincorrelazione tra i campioni implica lindipendenza tra i
campioni.
Prova. La prova ricalca quella dellanaloga propriet per le variabili aleatorie congiuntamente gaussiane. Se
un segnale aleatorio, ad esempio a TD, a campioni incorrelati, allora risulta
c
x
(n
1
, n
2
) = Cov[x(n
1
), x(n
2
)] = 0, n
1
= n
2
Ci comporta che la matrice di covarianza di qualunque N-pla di campioni diagonale, il che per un segnale
gaussiano comporta la fattorizzazione della pdf di ordine N nel prodotto di N pdf del primo ordine, per cui i
campioni sono anche indipendenti.
Esempio 3.2 (rumore gaussiano bianco) Si consideri un segnale gaussiano a TC, SSL, a media nulla e a
campioni incorrelati. Per lipotesi di media nulla, la funzione di autocovarianza (funzione solo di ) coincide
con la funzione di autocorrelazione, per cui questultima deve soddisfare la
r
x
() = E[x(t)x(t )] = 0 = 0
Ne segue che r
x
() si pu esprimere come
r
x
() = a()
con a > 0. Un segnale gaussiano avente tale autocorrelazione prende il nome di rumore gaussiano bianco, in
quanto un buon modello per la debole tensione aleatoria (rumore termico) generata ai capi di una resistenza
per effetto del moto di agitazione termica degli elettroni.
Nel caso TD, il rumore gaussiano bianco caratterizzato dallautocorrelazione
r
x
(m) = a(m)
con a > 0. Una differenza sostanziale tra il caso TC e quello TD che, poich r
x
(0) = E[x
2
()] il valor
quadratico medio, esso assume un valore innito nel caso TC (perch () per = 0 non ha valore nito),
mentre esso nito e pari ad a nel caso TD (in quanto (m) per m = 0 assume il valore unitario).
Esempio 3.3 (rumore bianco) Il concetto di rumore bianco pu essere esteso anche a segnali non gaussiani:
si dir rumore bianco un segnale aleatorio SSL, a media nulla, e con funzione di autocorrelazione impulsiva:
r
x
() = a()
con a > 0. Un segnale del genere caratterizzato dallavere i campioni incorrelati; nel caso non gaussiano,
per, tale incorrelazione tra i campioni non implica lindipendenza. Ovviamente, rientrano nella denizione di
rumore bianco i segnali iid a media nulla.
Una delle propriet pi importanti nello studio dei segnali aleatori gaussiani la chiusura rispetto alle
trasformazioni lineari, che enunciamo senza prova:
Propriet 3.6 (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.
3.4 Propriet dei segnali aleatori gaussiani 41
Una conseguenza importante di tale propriet quella che, se facciamo passare un segnale aleato-
rio gaussiano attraverso un sistema lineare (in particolare LTI), in uscita avremo ancora un segnale
aleatorio gaussiano. Questa propriet semplica molto lanalisi di segnali aleatori gaussiani elaborati
mediante sistemi lineari (in particolare LTI).
Esempio 3.4 (sinusoide modulata in ampiezza da un segnale gaussiano) Si consideri il segnale TD mo-
dulato in ampiezza y(n) = x(n)cos(2
0
n), dove
0
un parametro deterministico. Esso si pu vedere come
luscita del sistema lineare tempo-variante y(n) = a(n)x(n), con a(n) = cos(2
0
n). Supponiamo che x(n) sia
un segnale aleatorio gaussiano SSL avente media nulla e funzione di autocorrelazione r
x
(m), e calcoliamo la
caratterizzazione statistica delluscita.
Per quanto detto precedentemente, essendo il sistema lineare, il segnale aleatorio in uscita sar ancora gaus-
siano, e la sua caratterizzazione statistica completa si ottiene calcolando la caratterizzazione sintetica (media e
funzione di autocorrelazione). Per la media, si ha

y
(n) = E[y(n)] = E[x(n)cos(2
0
n)] = E[x(n)]
. .
=0
cos(2
0
n) = 0
mentre la funzione di autocorrelazione in tempo-ritardo vale
r
y
(n, m) = E[y(n)y(nm)] = E{x(n) cos(2
0
n)x(nm)cos[2
0
(nm)]}
= E[x(n)x(nm)]
. .
=r
x
(m)
cos(2
0
n)cos[2
0
(nm)]
= r
x
(m)cos(2
0
n)cos[2
0
(nm)]
Poich r
y
(n, m) dipende da n (a meno che
0
non assuma determinati valori), il segnale non SSL. Si noti che
r
y
(n, 0) = E[y
2
(n)] = r
x
(0)cos
2
(2
0
n), per cui, essendo il valor quadratico medio funzione di n, il segnale
non neppure stazionario del primo ordine, per cui si tratta di un segnale gaussiano non stazionario (in nessun
senso). Il lettore potr vericare che si tratta di un segnale ciclostazionario.