Corso di Fondamenti di Telecomunicazioni

6 Processi aleatori
Prof Giovanni Schembra
Prof.

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Struttura della lezione

Definizioni di processi aleatori e caratterizzazione

statistica ()

Processi aleatori stazionari ()

Potenza, energia e Spettro di potenza ()
Processi aleatori ergodici ()
Processi aleatori notevoli ()

Stima delle statistiche di primo e secondo ordine

Processi gaussiani
Rumore bianco e rumore termico

Correlazione tra due processi aleatori ()

Filtraggio di un segnale aleatorio con sistemi LTI ()
2

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

PROCESSI ALEATORI:
DEFINIZIONE
E CARATTERIZZAZIONE STATISTICA
3

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Processi aleatori

Segnali aleatori:

Processi aleatori:

spesso dei segnali x(t) trattati, elaborati, o ricevuti non si

conosce a priori la forma donda nel tempo
un processo aleatorio un modello matematico per i segnali
aleatori

Processo aleatorio: definizione

collezione di un numero finito o infinito di funzioni del tempo

(segnali determinati) corrispondenti a diversi risultati di un
esperimento aleatorio

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Processi aleatori
X(t,) il processo aleatorio
x(t,i) funzione campione
X(ti ,) variabile aleatoria
x(tj,i) numero

Laleatoriet sta nel fatto che a priori non possibile sapere

quale sar il segnale
Eseguito lesperimento, il processo diventa a posteriori un
segnale determinato x(t, i), detto funzione campione o
realizzazione
5

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Processi aleatori parametrici

E
Esempio
i 1:
1 processo esponenziale
i l

1 = 1

X (t ) = e u (t )
processo parametrico dipendente
(parametro))
dalla v.a. (p
una v.a.
assume i valori del lancio di un dado

2 = 2

3 = 3

= {i} = {1,2,..,6}
6

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Processi aleatori parametrici

E
Esempio
i 2:
2 generatore
t
di segnale
l cosinusoidale
i
id l

X (t ) = A cos (2f 0 t + )

A : costante
f 0 : costante

: variabile aleatoria continua in [0,2 ]

I processi parametrici sono i processi pi semplici da trattare

7

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Caratterizzazione statistica di un processo

aleatorio
Statistiche del primo ordine

X (t1 , ) = X ( t1 )

variabile aleatoria

Funzione distribuzione di probabilit del primo ordine del

processo

FX ( x; t1 ) = Pr{X (t1 ) x}

dipende anche da una variabile temporale t1

perch le propriet statistiche della variabile
aleatoria cambiano, in generale, al cambiare
dellistante di tempo al quale si campiona il
processo:

FX ( x; t1 ) FX ( x ; t 2 )

x 1(t)

X(t 1 )
2

x 2(t)

x 3(t)
-2

x 4(t)

t1

-4
0

X(t1)

Tempo, t

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Caratterizzazione statistica di un processo

aleatorio
X (t1 , ) = X ( t1 )
Statistiche del primo ordine

Funzione densit di probabilit del primo ordine del

processo
F ( x ; t1 )
f X ( x; t1 ) = X
x

x 1(t)

X(t 1 )
2

x 2(t)

x 3(t)
-2

x 4(t)

t1

-4
0

X(t1)

Tempo, t

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Caratterizzazione statistica di un processo

aleatorio

Osserviamo che la funzione FX ( x;t1 ) non sufficiente a

caratterizzare un processo aleatorio

Esempio:

un processo aleatorio utilizzato per modellare (e prevedere) la

quotazione di un titolo in borsa

X (t ) : probabilit dellevento che la quotazione del titolo allistante di

vendita t2 sia maggiore della quotazione allistante di acquisto t1

F X ( x1 , x 2 ; t 1 , t 2 ) =

Pr{X (t1 ) x1 , X (t 2 ) x 2 }

richiede la considerazione congiunta

di due variabili aleatorie estratte dallo
stesso processo in istanti distinti.
Non pu essere utilizzata FX ( x; t1 )

distribuzione di probabilit del secondo ordine del processo

10

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Caratterizzazione statistica completa di un

processo aleatorio

Funzione distribuzione di probabilit di ordine n:

FX ( x1 , x 2 ,..., x n ; t1 , t 2 ,..., t n ) = Pr{X (t1 ) x1 , X (t 2 ) x 2 ,..., X (t n ) x n }

Funzione densit di probabilit di ordine n:

f X ( x1 , x 2 ,..., x n ; t1 , t 2 ,..., t n ) =

n FX ( x1 , x 2 ,..., x n ; t1 , t 2 ,..., t n )
x1x 2 ...x n

NOTA: La descrizione statistica completa di un processo stocastico si ha quando

nota la funzione distribuzione di probabilit congiunta delle n v.a. X(t1), X(t2), X(tn)
per n e n-upla (t1,t2,,tn) [distribuzione di probab. di ordine n]
Praticamente impossibile!!!!!

Fondamenti di TLC - Prof. G. Schembra

parametri statistici semplificati

11

6 Processi aleatori

Classificazione dei processi aleatori

processo
processo
processo
processo

discreto: a valori discreti

continuo: a valori continui
tempo-discreto: con t variabile discreta
tempo-continuo: con t variabile continua

12

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Esempio
Il segnale Dati binario un processo a valori
discreti (valori 0 e 1) e tempo discreto.
Due possibili realizzazioni di un processo binario:

13

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Indici statistici del 1 ordine di un

processo aleatorio

Valore medio statistico X (t )

Il valore di questa funzione a un istante assegnato t = t

il valor medio della variabile aleatoria X (t ) , estratta
+
dal processo allistante stesso:
X (t ) = E {X (t )} = x f X ( x; t )dx
4

x3(t)

x1(t)

Per processi continui:

X (t ) = E{X (t )} =

-2

xf

(x, t )dx

x4(t)

x2(t)

Per processi discreti

-4
0

Tempo, t

X (t ) = E{X (t )} =

x P( X (t ) = x )
i

14

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Indici statistici di un processo aleatorio

Valor medio (ordine 1)

+
xff X ( x; t )dx = (t ) pproc. continuo

E{X (t )} =

proc. discreto
xi P( X (t ) = xi )
i

Per un processo parametrico

X (t ) = g (t , )

E{ X (t )} = E{g (t , )} =

g (t , ) f

( )d

F
Funzione
i
di autocorrelazione
t
l i
(ordine
( di
2)
++

x1 x2 f X ( x1 , x2 ; t1 , t 2 )dx1dx2
Processo continuo

RXX (t1 , t 2 ) = E{X (t1 ) X (t 2 )} =
xi x j P{ X (t1 ) = xi , X (t 2 ) = x j } Processo discreto
i j
15

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Indici statistici di un processo aleatorio

Funzione di autocovarianza (ordine 2)

C XX (t1 , t 2 ) = E{[ X (t1 ) (t1 )][ X (t 2 ) (t 2 )]} == R XX (t1 , t 2 ) (t1 ) (t 2 )
se t1 = t 2 = t

C XX (t , t ) = E{ X 2 (t )} 2 (t ) = 2 (t )

Esempio
i 1 X (t ) = e t u (t )
+

E{ X (t )} = e t u (t ) f ( )d =

Varianza
(ordine 1)

una v.a.
assume i valori del lancio di un dado

= {i} = {1,2,..,6}

6
6
i
1
t
t
= e t u (t ) ( i )d = e u (t ) = 3.5e u (t )
i =1 6
E{ X (t )} = g (t , ) f ( )d i =1 6
16

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Esempio 2: processo armonico

X ( , t ) = A cos (2f 0 t + )
2

E{ X (t )} =

dove una v.a. uniformemente

di ib i in
distribuita
i [0,2]
[0 2 ]

A cos(2f t + ) 2 d = 0
0

R XX (t1 , t 2 ) = E{X (t1 ) X (t 2 )} =

= E {A cos(( 2f 0t1 + ) A cos(( 2f 0t 2 + )}=

=

A2
A2
cos[2f 0 (t1 t 2 )] +
2
2

A2
cos[2f 0 (t1 t 2 )] + 0 = R X ( )
2
posto = t

cos[2f 0 (t1 + t 2 ) + 2 ]

NOTA:

A2
E{cos[2f 0 (t1 t 2 )] + cos[2f 0 (t1 + t 2 ) + 2 ]} =
2
1
d =
2

integrando il cos(a+) per [0,2]. ATTENZIONE:

la frequenza 1/ , quindi gi nullo in [0,]

t2

R XX (t1 , t 2 ) in questo caso non dipende dagli istanti, ma solo dalla loro distanza
17

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Esempio

Consideriamo il processo X(t) = , dove una

v.a. [-1,1] uniformemente distribuita
x(t , i )

+1

fX(x;t)
t
-1

X (t ) = i
1

f X ( x; t ) = 2
0

t
x [1,1]
altrove

-1

fX(x;t) coincide con la pdf della , t

1

E{ X (t )} = = xf X ( x; t )dx = 0
1

{ }

R XX (t1 , t 2 ) = E{X (t1 ) X (t 2 )} = E X 2 = x 2

1

1
1
dx =
2
3

NOTA: Il valore medio non

dipende dal tempo perch
non ne dipende la fX

18

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

PROCESSI ALEATORI
STAZIONARI

19

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Processi stazionari

Definizione:

un processo si dice stazionario in senso stretto se una

traslazione temporale modifica le forme donda ma il
comportamento statistico rimane invariato, cio:

f X ( x1 , x2 ,K , xn ; t1 , t 2 ,K, t n ) = f X (x1 , x2 , K, xn ; t1 + , t 2 + , K, t n + )

Se la relazione vale per n=M fissato (kM),

) il processo si dice
stazionario di ordine M
Un processo si dice stazionario in senso lato (SSL) (o in senso
debole) se:

E{X (t )} non dipende dal tempo

RXX (t1 , t 2 ) = RX ( )

con

= t 2 t1

20

10

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Processi stazionari almeno in senso lato

Processo STAZIONARIO IN SENSO LATO (SSL) se:

E[X(t)] indipendente dal tempo

RXX () dipende solo dalla distanza tra gli istanti

21

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Processi stazionari almeno in senso lato

Propriet della funzione di autocorrelazione

R XX ( ) = E{X (t + ) X (t )}

RXX()=RXX(-)
RXX(0)=E{[X(t)]2}0

Potenza media statistica istantanea

| RXX()|RXX(0)

Propriet della funzione di autocovarianza

CX(t1,t2) = E{X(t1) X(t2)}X(t1)X(t2)

Se RXX dipende solo da

CXX () dipende solo da

Se il valor medio costante

22

11

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Processo stazionario in senso lato

RXX ( ) = E{X (t + ) X (t )}

Consideriamo un processo X(t) stazionario in senso

lato, che non contiene componenti periodiche. Risulta:

lim R XX ( ) = X2

RX()

X2

Dimostrazione
2
lim E{X (t ) X (t + )} == lim E{X (t )}E{X (t + )} = X X = X

Il processo stazionario in senso lato. Quindi il valor medio indipendente dal tempo
23

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Significato della funzione di autocorrelazione per

un processo stazionario

Consideriamo due processi X1(t) e X2(t) con lo stesso

valore medio e stessa potenza, RXX(0)
X1(t)
X2(t)

varia lentamente
varia velocemente

Nello stesso tempo , X2(t) e X2(t + ) sono pi incorrelate di X1(t) e

X1(t + ) , cio:

Rx2() x2 pi
i velocemente
l
t di Rx1()

LAutocorrelazione misura la rapidit di variazione

del segnale aleatorio

RX()

X2

24

12

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Significato della funzione di autocorrelazione per

un processo stazionario

Distanza di incorrelazione
RXX ( )

RXX ( )

X2

X2

corr

corr : minima distanza

corr

di tempo affinch le v.a.

estratte dal processo
siano incorrelate

Funzione di autocovarianza normalizzata

(per confrontare grandezze diverse):

C XX ( ) =

R XX ( ) X2

X2

2
2
2
dove X = E X (t ) X la varianza

C XX ( )
1

corr
C XX ( ) = 0
C XX (0) = 1 lim

Fondamenti di TLC - Prof. G. Schembra

25

6 Processi aleatori

POTENZA
ENERGIA E
SPETTRO DI POTENZA

26

13

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Potenza ed energia

X(t):
x(t,i):

Definizioni:

processo casuale
realizzazione

per ogni realizzazione lenergia e la potenza sono definiti

come segue:
+

i = x 2 (t , i )dt

<

il segnale di energia

1
T T

+T / 2

pi = lim

(t , i )dt

0<p<

il segnale di potenza

T / 2

ogni realizzazione ha una diversa e p

quindi per un processo si hanno pi valori di p e di

Definisco quindi le due variabili aleatorie

X = {1, 2, }

pX = {p1, p2, }
27

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Potenza ed energia

Utilizziamo la seguente notazione:

X =

2
X (t )dt

1
T T

p x = lim

+T / 2

(t )dt

T / 2

Definizioni:

Energia del processo X(t)

+
+
+
X = E{ X } = E X 2 (t )dt = E X 2 (t ) dt = R XX (t , t )dt

Potenza del processo X(t)

+T / 2
+T / 2
+T / 2

1
1
1
2
2
PX = E{ p x } = E lim
X
(
t
)
dt
=
lim
E
X
(
t
)
dt
=
lim
RXX (t , t )dt
T
T

T T
T T/ 2
T T/ 2
T / 2

28

14

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Spettro di potenza

Ricerchiamo una definizione di Densit Spettrale di Potenza

(spettro di potenza) congruente con quella dei segnali
determinati
Ogni realizzazione ha una diversa densit spettrale di potenza

x (t , i ) | t |< T / 2
x T (t , i ) =
0
altrove

| X T ( f , i ) |2
S X ( f , i ) = lim
T
T

dove X T ( f , i ) = {xT (t , i )}

29

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Spettro di potenza di un processo

aleatorio

Definizione 1: spettro di potenza

| X ( f ) |2
E | X T ( f ) |2
= lim
S X ( f ) := E{S X ( f , )} = E lim T

T
T
T
T

Conseguenza:
(per i processi stazionari almeno in senso lato)

come per i segnali determinati:

S X ( f ) = {RXX ( )} Teor. Di Wiener-Khintchine

+

( f )df = 1{S X ( f )} = RXX (0) PX

=0

Per un processo stazionario la SX(f) la

densit spettrale di potenza
30

15

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Spettro di potenza e funzione di

autocorrelazione

Notiamo che:

Lo Spettro di Potenza di un p.a. stazionario SX(f)=[RX()]

soddisfa tutte le propriet della densit spettrale di potenza
di un segnale determinato
La Funzione di Autocorrelazione di un p.a. stazionario RX()=
[X(t)X(t+)] soddisfa le stesse propriet
dellautocorrelazione di un segnale determinato

31

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

PROCESSI ALEATORI
ERGODICI

32

16

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Ergodicit del valor medio di un processo

aleatorio
MEDIA TEMPORALE

1
T T

(1) < x(t , i ) >= lim

MEDIA STATISTICA
+T / 2

x(t , i )dt

(2) E{ X } =

T / 2

xf

( x)dx

Il processo ergodico in valor medio se:

la (1) e la (2) coincidono con probabilit 1

la media temporale un numero. Ne segue che anche la
media statistica non deve dipendere da t

33

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Ergodicit della funzione di

autocorrelazione di un processo aleatorio

A t
Autocorrelazione
l i
[temporale]
[t
l ] del
d l segnale
l x(t,
( i)
T /2

1
x(t + , i ) x(t , i ) dt
T T
T / 2

Rxi ( ) = lim

Il processo ergodico in autocorrelazione se:

Rxi ( ) = R X ( ) = E{ X (t ) X (t + )}

Inoltre, in tal caso si ha:

S xi ( f ) = S X ( f )
34

17

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Ergodicit in senso lato

Un processo ergodico in senso lato quando

lergodicit verificata per le funzioni:

Valor medio
Autocorrelazione

Cio se, scelta a caso una qualsiasi realizzazione,

le medie di insieme coincidono con quelle temporali
con probabilit 1
Ogni realizzazione fornisce una buona stima
delle caratteristiche spettrali del processo
35

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Processi ergodici

Definizione: p
processo ergodico
g
in senso stretto

un processo strettamente stazionario per il quale sufficiente

una sola realizzazione, scelta a caso, per ottenere con probabilit
unitaria, tutte le informazioni statistiche

In altre parole:

tutte le medie temporali sono uguali (con probabilit 1) alle

corrispondenti medie statistiche
Q l
Qualunque
sia
i la
l funzione
f
i
campione
i
scelta,
lt tranne
t
per un insieme
i i
con probabilit nulla, si dice che:
la media verticale (dinsieme) coincide
con quella orizzontale (temporale)
36

18

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Processi ergodici

CONSEGUENZA:
possibile misurare certe statistiche, definite come medie di
insieme, mediante le corrispondenti medie temporali calcolate
su una sola (qualsiasi) realizzazione
37

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

PROCESSI ALEATORI
NOTEVOLI

38

19

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Processi aleatori Gaussiani

Definizione:

un processo aleatorio X(t) Gaussiano se le n variabili aleatorie

[X(t1), , X(tn)] da esso estratte agli istanti [t1, , tn] risultano
congiuntamente Gaussiane per ogni n, e per qualunque n-upla
di istanti, cio se:

f X ( x1 , K , xn ; t1 , K , t n ) =

(2 )n det(C XX )

0.5 X X

)T CXX1 ( X X )

determinante

Caratterizzazione completa:
sono sufficienti

[C XX (t1 , t2 )]

X (t )

39

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Processi aleatori Gaussiani

dove:

f X ( x1 , K , xn ; t1 , K , t n ) =

(2 )

C XX

0.5 X X

)T C XX1 ( X X )

Vettore dei valori medi

X = [ X (t1 ),K, X (t n ) ]

Matrice delle autocovarianze

[C XX ][i ,k ] = C XX (ti , tk ) =
= RXX (ti , t k ) X (ti ) X (t k )

C XX (t1 , t1 ) C XX (t1 , t2 )
C (t , t ) C (t , t )
[C XX ] = XX 2 1 XX 2 2

C XX (t n , t1 ) C XX (tn , t1 )

C XX (t1 , t n )
C XX (t2 , tn )

C XX (t n , t n )

Propriet fondamentali:

se un processo Gaussiano stazionario in senso lato, allora

anche stazionario in senso stretto
due processi gaussiani, se incorrelati, sono anche indipendenti

40

20

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Rumore bianco

Il rumore bianco un processo aleatorio (cio un

modello matematico astratto) caratterizzato da:
N
SX ( f ) = 0
e
X = 0
2
RXX ( )

SX ( f )
N0 2

N0 2

Per ogni frequenza, il processo ha lo stesso contenuto di potenza

Come la luce bianca che contiene tutti i colori; per questo il rumore
detto bianco

Fondamenti di TLC - Prof. G. Schembra

41

6 Processi aleatori

Rumore bianco
RXX () un impulso. Quindi, presi due istanti anche vicinissimi, i valori
assunti dal processo nei due istanti sono incorrelati
Il rumore bianco non esiste nella realt poich risulta a potenza infinita
Esso serve come modello di unampia gamma di segnali, per i quali si
pu assumere che non ci sia correlazione tra i valori assunti dal segnale
p
g
in tempi diversi
Tra i rumori bianchi un caso particolare costituito dal rumore termico
dovuto allagitazione termica degli elettroni

42

21

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Rumore termico

Consideriamo una R ad una certa temperatura T1

Ogni elettrone contribuisce a generare una tensione V

di disturbo che dovuta alla temperatura T, il processo
che rappresenta la tensione V di tipo gaussiano
stato verificato che SV(f) del tipo
SV(f)
f0 dellordine dei THz (Tera =1012)
f0=6.025 THz
f0

43

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Rumore termico
SV(f)
f0 dellordine dei THz (Tera =1012)
f0=6.025 THz
f0

La tensione che si genera dovr interagire con lesterno, visto che

tutti i sistemi hanno una banda che sicuramente inferiore ai THz
Posso considerare il rumore termico come rumore bianco nel range
di frequenza di interesse

SV(f)
H(f)
f0

44

22

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Rumore termico ai capi di una resistenza

Il rumore termico di una resistenza a temperatura T

R la resistenza in
T la temperatura in gradi K
K la costante di Boltzman K=1.37E-23 J/K

modellato con una resistenza ideale ( T =0 K) in serie con un

generatore di tensione (processo bianco)
ne (t )
R

E{ne (t )} = 0

Rne ne ( ) = 2 KRT ( )

S ne ( f ) = 2 KRT

Fondamenti di TLC - Prof. G. Schembra

45

6 Processi aleatori

CORRELAZIONE TRA DUE

PROCESSI ALEATORI

46

23

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Processi aleatori congiuntamente

stazionari

Definizione:

Due processi sono congiuntamente stazionari in

senso lato se:

X(t) e Y(t) sono singolarmente stazionari in senso lato

e RXY e RXY dipendono solo da

47

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Cross-correlazione e segnali incorrelati

Definizione: Cross-correlazione tra 2 segnali SSL e

congiuntamente
i t
t stazionari
t i
i

R XY ( ) = E{X (t ) Y (t + )}

RYX ( ) = E{Y (t ) X (t + )}

Definizione: X(t) e Y(t) SSL sono incorrelati se:

E{X (t ) Y (t + )} = E {X (t )} E {Y (t + )} = X Y

E{Y (t ) X (t + )} = E{Y (t )} E{X (t + )} = Y X

RXY ( ) = RYX ( )
Se X e Y sono SSL e congiuntamente stazionari, incorrelati e a media nulla

RXY ( ) = RYX ( ) = 0

X e Y si dicono ortogonali

24

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Processi aleatori indipendenti e incorrelati

Notiamo che, se due processi sono incorrelati:

C XY (t1 , t 2 ) = E {[X (t1 ) X (t1 )][X (t 2 ) Y (t 2 )]} =

= E{X (t1 ) Y (t 2 )} X (t1 ) E{Y (t 2 )} E{X (t1 )}Y (t 2 ) + X (t1 ) Y (t 2 ) =
= E{X (t1 )} E{Y (t 2 )} X (t1 ) Y (t 2 ) = 0

C XY (t1 , t 2 ) = 0
49

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Caso rilevante: segnale + rumore termico

Consideriamo il segnale:

Z (t ) = X (t ) + Y (t )

RZZ ( ) = E{[ X (t ) + Y (t )] [X (t + ) + Y (t + )]} =

= R XX ( ) + RYY ( ) + R XY ( ) + RYX ( )

Esempio: segnale + rumore termico

Il rumore ha valor medio nullo

RXY ( ) = RYX ( ) = 0

RZZ ( ) = RXX ( ) + RYY ( )

La funzione di autocorrelazione di un segnale affetto da rumore
termico additivo la somma delle funzioni di autocorrelazione del
segnale e del rumore
50

25

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Processi aleatori indipendenti e incorrelati

Definizione:

Due processi X(t) e Y(t) sono indipendenti se per t1,t2, le

variabili aleatorie X(t1) e Y(t2) sono statisticamente indipendenti
Due processi X(t) e Y(t) sono incorrelati se:
per t1,t2 , R XY (t1 , t 2 ) = E {X (t1 )}E {Y (t 2 )} = X (t1 ) Y (t 2 )

Notiamo che:
Indipendenti

Incorrelati

51

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

FILTRAGGIO DI PROCESSI
ALEATORI

52

26

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Filtraggio di un segnale aleatorio con

sistemi lineari tempo-invarianti (LTI)

Il processo aleatorio un modello di un segnale aleatorio

Il attraversato da una sola realizzazione
x(t,i)

y(t,i)

Y(t)

X(t)

x(t,j)

Y(t)=T[X(t)]

y(t,j)

Il deterministico:
X(t,i) = X(t, j) Y(t, i) = Y(t, j)

53

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Notazione

S il LTI,
Se
LTI e h(t)
h( ) la
l sua risposta
i
t allimpulso
lli
l
x(t,i)

h(t)

y(t,i)

Useremo la notazione:

y (t , i ) = x h (t )

y (t , j ) = x j h (t )
Y (t ) = ( X h )(t )

processi aleatori !!!

54

27

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Trasmissione di processi attraverso

sistemi lineari tempo-invarianti (LTI)
Noto
N
t il processo aleatorio
l t i X(t) in
i ingresso
i
all sistema
i t
e la
l trasformazione
t f
i
T
del sistema, in generale non possibile determinare il comportamento
statistico completo del processo aleatorio in uscita Y(t)
per possibile calcolare valor medio e funzione di autocorrelazione

Eccezione per i sistemi senza memoria

lluscita
it dipende
di
d dal
d l valore
l
istantaneo
i t t
dellingresso
d lli
fissato listante, il processo diventa una variabile aleatoria
in questo caso possibile calcolare: f Y ( y, t )
X(t1)

Y(t1)

v.a.

v.a.

Trasformazione
di variabili
aleatorie
55

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Valor medio e Autocorrelazione del

processo di uscita

Dato un processo X(t) QUALUNQUE

caratterizzato da valor medio e funzione di autocorrelazione:

X (t )

RXX (t1 , t 2 )

Dato un sistema LTI

caratterizzato da una risposta allimpulso h(t):

Y (t ) = E{Y (t )} = X (t ) h(t )
t1

t2

RYY (t1 , t 2 ) = E {Y (t1 )Y (t 2 )} = R XX (t1 , t 2 ) h(t1 ) h(t 2 )

56

28

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Valor medio e Autocorrelazione del

processo di uscita

Dato un p
processo X(t)
( ) stazionario in senso lato

caratterizzato da valor medio e funzione di autocorrelazione:

RXX ( )

Dato un sistema LTI

caratterizzato da una risposta allimpulso h(t):

+

Y = X h(t )dt = X H (0)

X(t) e Y(t) risultano

congiuntamente
stazionari

R XY ( ) = R XX ( ) h( )

RYY ( ) = RXX ( ) h( ) h( ) = RXX ( ) Rhh ( )

SY ( f ) = {RYY ( )} = S X ( f ) H ( f )

57

Fondamenti di TLC - Prof. G. Schembra

6 Processi aleatori

Filtraggio di processi aleatori Gaussiani

Conservazione della Gaussianit

Processo di ingresso:

Processo di ingresso:

Gaussiano

Gaussiano

Stazionario in senso lato (e

quindi anche in senso stretto)

Stazionario in senso lato (e

quindi anche in senso stretto)

Sistema:

Sistema:

Lineare Stazionario

Lineare NON Stazionario

Processo di uscita:

Processo di uscita:

Gaussiano

Stazionario in senso lato (e

quindi anche in senso stretto)

Gaussiano
58

29