Segnali e Sistemi Tutte Le Lezioni

Corso di Laurea: Ingegneria Informatica e dell’Automazione
Insegnamento: Segnali e Sistemi

Lezione n°: 1
Titolo: Introduzione al Corso
Attività n°: 1
Segnali e Sistemi
Contenuti
Dr. Christian Callegari

Lezione n°: 1
Attività n°: 1
Obiettivi del corso:

Con riferimento alla conoscenza e capacità di comprensione
– Studiare i principi alla base della comunicazione.
– Studiare i concetti di base della teoria delle probabilità.
– Approfondire alcune delle principali trasformate.
– Studiare le principali tecniche di elaborazione del segnale
Con riferimento alla conoscenza e capacità di comprensione applicate
– Fornire allo studente gli strumenti basilari per la gestione di un sistema di
elaborazione del segnale.
– Fornire allo studente le competenze necessarie per gestire un sistema di
telecomunicazioni.
Lezione n°: 1
Attività n°: 1
Il corso è suddivisono in 11 nuclei tematici
• 1 nucleo tematico di introduzione al corso

• 10 nuclei tematici in cui vengono trattati argomenti
teorici ed mostrati esempi
Nella prossim e slide verranno elencati i nuclei

tem atici.
Lezione n°: 1
Attività n°: 1
Nuclei Tematici
1. Teoria delle probabilità
2. Variabili aleatorie
3. Introduzione ai segnali
4. Sistemi LTI
5. Rappresentazione in frequenza
6. Campionamento di un segnale
7. Processi stocastici
8. Trasformata Z
9. Funz. trasferimento sistemi LTI
10.Sistemi di comunicazione
Lezione n°: 1/S1
Attività n°: 1
Segnali e Sistemi
Materiale per lo studio

Lezione n°: 1/S1
Attività n°: 1
Risorse per lo studio:

1. Slide fornite dal docente: contengono tutte le informazioni
necessarie per acquisire le conoscenze del corso. Contengono
approfondimenti, note storiche, esercizi e riferimenti bibliografici
2. Alcuni libri di testo: da consultare in base alle necessità di
ciascuno studente. La maggior parte delle informazioni contenute
nelle slide fanno riferimento a specifici paragrafi o libri
3. Pagine Web verificate dal docente: non tutto ciò che si trova
su internet è corretto, anzi molte informazioni sono rumorose e
contraddittorie. Il docente si preoccuperà di certificare le pagine
web che riterrà utili ed interessanti per approfondire alcuni
argomenti
Lezione n°: 1/S1
Attività n°: 1
Libri obbligatorio
Oppenheim-Schafer
“Discrete time signal processing”
Prentice Hall, 2010
Bononi, Ferrari
“Introduzione a teoria della probabilità e variabile aleatorie. Con applicazioni all'ingegneria
e alle scienze”
Esculapio 2012
Libro consigliati:
Prati
“Segnali e sistemi per le telecomunicazioni”
MacGraw-Hill Italia, 2003
Luise Vitetta
“Teoria dei segnali”
McGraw Hill
Lezione n°: 1/S1
Attività n°: 1
Attenzione
• Versioni più recenti dei libri consigliati vanno più che

bene.
• Sarà premura dello studente andare a ricercare nelle
nuove edizioni gli argomenti trattati nel corso (si da per
scontato che studenti universitari siano in grado di
svolgere questo semplice esercizio).
• Il docente ogni anno verificherà che le nuove versioni dei
libri contengano tutti gli argomenti trattati.
• Il docente è sempre a disposizione per chiarimenti sui
libri di testo e i loro contenuti.
Lezione n°: 1/S1
Attività n°: 1
Attenzione
• La maggior parte degli argomenti trattati nel corso sono stati tratti dai libri
consigliati.
• Questo significa che il docente ha letto, studiato ed analizzato i contenuti di tali
libri e ne ha effettuato una selezione ed una sintesi. N on esistono quindi
argom enti o parti più im portanti del corso. Bisogna studiare tutto!!!
• Quanto riportato nelle slide è più che sufficiente per superare
egregiam ente l’esam e : ciò non vieta allo studente di decidere di leggere i
contenuti dei libri ed utilizzare questi per fissare i concetti.
• L’im portante è che i concetti siano quelli espressi nel corso . Infatti, ci
potrebbero essere dei concetti espressi nel corso ma non presenti nei libri.
Questi potranno comunque essere oggetto di domanda di esame. I concetti
presenti nei libri ma non espressi nel corso non saranno mai oggetto di
domande di esame.
Lezione n°: 1/S1
Attività n°: 1
Nota sul diritto d’autore

• Il titolare del presente corso è il Dr. Christian Callegari. Egli risulta l’autore principale di
tutte le lezioni.
• Immagini e testi estratti da varie sorgenti sono sempre accompagnati da opportuna
citazione. Eventuali mancanze sono solo attribuibili a sviste (considerando la grande
quantità di fonti analizzate).
• Si invita chiunque noti delle evidenti violazioni del diritto di autore, di contattare il
prima possibile il Dr. Callegari che provvederà velocemente a risolvere la situazione.
• Tutti i contenuti del presente corso sono utilizzabili solo per fini didattici dagli studenti
iscritti all’Università Telematica eCampus.
Lezione n°: 1/S2
Titolo: Approfondimenti
Attività n°: 1
Segnali e Sistemi
Organizzazione della didattica

Lezione n°: 1/S2
Attività n°: 1
Organizzazione delle lezioni
Ogni lezione sarà divisa in quattro sessioni:

1. Lezione o esercitazione principale
2. seconda parte delle lezione e/o approfondimento
3. Approfondimenti e/o possibili domande ed
esercizi di esame
4. Possibili domande ed esercizi di esame
Lezione n°: 1/S2
Attività n°: 1
Gestione dell’eP ortfolio dello Studente

• Prestare attenzione alle sessioni di approfondimento con esem pi di
dom ande d’esam e
• In alcune di queste sessioni verrà richiesto allo studente di caricare
sul proprio ePorfolio (sessioni di studio contrassegnate dall’azione
COMPILA) la soluzione dello specifico esercizio o le risposte alle
domande di esame.
• La soluzione e/o le risposte caricate devono essere farina del sacco
dello studente. E’ inutile caricare la soluzione fornita dal docente
nelle slide o copiare pezzi di slide e incollarle come risposta alle
domande.
• Sarà premura del docente fornire un feedback allo studente sul
materiale caricato.
Lezione n°: 1/S2
Attività n°: 1
M a a cosa serve caricare esercizi e risposte sull’eP ortfolio?

• Prima di tutto serve al docente per monitorare lo stato di
avanzamento dello studio dello studente.
• Serve anche allo studente, che con una certa frequenza entra in
contatto con il docente. Infatti, ogni volta che viene effettuato il
caricamento lo studente è tenuto (anche se non gli viene data
comunicazione dalla piattaforma) a notificare il caricamento al
docente tramite sistema di messaggistica.
• Serve allo studente per capire se sta procedendo bene nello studio
(questo è valido se è lui che realizza gli esercizi e si sforza di scrivere
le risposte alle domande): il docente fornirà dei feeback tramite il
quale lo studente potrà capire a che punto è nel suo processo di
apprendimento.
Lezione n°: 1/S2
Attività n°: 1
Caricare esercizi e risposte sull’eP ortfolio m i da diritto a

qualche punteggio in sede di esam e?
• Purtroppo no!
• All’esame la commissione è tenuta a valutare obiettivamente lo
studente sulla base delle risposte che fornisce, sia nel test sia
nell’interrogazione, dinnanzi alla commissione stessa.
• Resta comunque obbligatorio effettuare il caricamento per poter
essere ammessi all’esame.
• Si ricorda, inoltre, che per essere am m essi all’esam e è
necessario scaricare tutte le slide del corso e svolgere tutte
le attività proposte.
Lezione n°: 1/S2
Attività n°: 1
Ricevimento in Aula Virtuale

• Il docente effettua ricevimento agli studenti nell’aula virtuale messa a
disposizione dalla piattaforma di eLearning di eCampus (si consiglia agli
studenti di chiedere ai tutor o al supporto tecnico informazioni a riguardo).
• Sul sito del docente sono disponibili gli orari del ricevim ento e il
calendario delle tematiche trattate. Periodicamente, il docente effettuerà
delle simulazioni di esame in aula virtuale.
• E’ caldamente consigliato (obbligatorio) iscriversi al ricevimento in Aula
Virtuale almeno due giorni prima contattando il docente tramite il sistema di
messaggistica e specificando le tematiche a cui si è interessati.
• Attenzione: nonostante ci sia un calendario di tem atiche, è
possibile sem pre richiedere al docente di effettuare un ricevim ento
personale durante quale approfondire delle tem atiche specifiche e
chiarire qualsiasi dubbio relativo ai contenuti del corso o ad aspetti
form ali dell’esam e.
Lezione n°: 1/S2
Attività n°: 1
Webinar
• Il docente effettua dei webinar facoltativi
• I webinar vertono su argomenti del corso, e non sostituiscono le slide del corso
Lezione n°: 1/S2
Attività n°: 1
Alcune regole per l’attività didattica

1. Appena si decide di seguire il corso, notificarlo al docente tramite il sistema
di messaggistica della piattaforma di eLearning di eCampus. In tale occasione
fissare con il docente un primo appuntamento in Aula Virtuale per effettuare la
conoscenza, richiedere chiarimenti, chiedere consigli, etc.
2. Leggere attentamente la scheda corso e le FAQ messe a disposizione sulla
pagina personale del docente.
3. Il docente consiglia caldam ente di partecipare ad almeno tre incontri in
Aula Virtuale prima di sostenere l’esame. E’ l’occasione per confrontarsi su
contenuti del corso ed altri aspetti utili all’apprendimento e al superamento
dell’esame.
4. Per qualsiasi necessità contattare il docente, anche fuori dall’orario di
ricevimento, tramite il sistema di messaggistica della piattaforma di eLearning
di eCampus.
5. Limitare al minimo necessario l’uso della mail per contattare il docente.
Lezione n°: 2
Titolo: Webinar - Introduzione al corso
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Teoria delle probabilità
Webinar – Introduzione al corso
Lezione n°: 2
Titolo: Webinar - Introduzione al corso
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Webinar – Introduzione al corso
Lezione n°: 2
Titolo: La probabilità
Attività n°: 3
Segnali e Sistemi
Nucleo Tematico:
La probabilità
Lezione n°: 2
Attività n°: 3
La probabilità
• Prendiamo ad esempio il lancio di un dado
• Annotiamo in un grafico i risultati dei lanci 
• Tale grafico prende il nome di istogramma
• Il lancio del dado è un esperimento aleatorio, con risultato non predicibile a priori
• L’esperimento è composto da prove (N esecuzioni), che sono i singoli lanci del dado
• Tutti i possibili risultati sono noti a priori
• Si definisce spazio campione S un insieme che contiene tutti i possibili
risultati di un esperimento aleatorio
Lezione n°: 2
Attività n°: 3
Frequenza relativa
• Si definisce frequenza relativa di un evento il numero di volte che si ottiene tale
evento diviso il numero di prove complessive
• Nel caso del lancio del dado, essendo lo spazio campione composto da 6 risultati, la
frequenza relativa risulta essere
• Proprietà di normalizzazione: la somma delle frequenze relative deve essere pari

a1
Lezione n°: 2
Attività n°: 3
Nel nostro esempio
• Al crescere di N, tutte le frequenze relative tendono ad “assestarsi”, per il

fenomeno detto di regolarità statistica, e tendono alla probabilità
Pr ({ω1}=
) Pr ({ω2 }=) = Pr ({ω6 }=) 1
6
Pr ( A ) = Pr ({la faccia del dado è dispari} )
= Pr ({ω1} ) + Pr ({ω3 } ) + Pr ({ω5 } ) =

1 1 1 1
+ + =
6 6 6 2
Definizione di probabilità di Von Mises (o frequentista):

NA
Pr ( A ) = lim
N →∞ N
Lezione n°: 3
Titolo: Spazio campione ed eventi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Teoria della probabilità
Spazio campione ed eventi
Lezione n°: 3
Attività n°: 1
SPAZIO CAMPIONE
• L’insieme di tutti i risultati di un esperimento costituisce lo spazio
campione, indicato con S
• Un insieme è una collezione di oggetti, detti elementi
• Alcuni esempi di spazi campione
Lezione n°: 3
Attività n°: 1
SPAZIO CAMPIONE
• Nella tabella della slide precedente, abbiamo:
– Casi da 1 a 3
• Gli elementi dello spazio campione sono in numero finito  Spazio campione
finito
– Caso 4
• Gli elementi dello spazio campione sono in numero infinito, con elementi
appartenenti ad una sequenza matematica  Spazio campione infinito
numerabile
– Caso 5
• Gli elementi dello spazio campione sono in numero infinito ed S viene definito in
base ad alcune sue proprietà  Spazio campione infinito non numerabile
Lezione n°: 3
Attività n°: 1
EVENTO
• Un evento è un sottoinsieme di S, cioè un insieme di risultati che sono
favorevoli all’evento
– Nel caso del lancio del dado, un esempio di evento è dato da “risultato
dispari”
– I risultati r1 , r3 , r5 si dicono quindi favoreli all’evento
• Gli elementi di S si dicono eventi elementari
• Se durante una prova accade un risultato favorevole all’evento , si
dice che l’evento si è verificato
Lezione n°: 3
Attività n°: 1
DIAGRAMMA DI VENN
Lezione n : 3
Attività n : 1
Segnali e Sistemi
Nucleo Tematico:
Spazio campione ed eventi
Lezione n : 3
Attività n : 1
SPAZIO CAMPIONE
• L’insieme di tu, i risulta0 di un esperimento cos0tuisce lo spazio
campione, indicato con S
• Un insieme è una collezione di ogge,, de, elemen-
• Alcuni esempi di spazi campione
Lezione n : 3
Attività n : 1
SP A Z I O C A M P I O N E
• Nella tabella della slide precedente, abbiamo:
– Casi da 1 a 3
• Gli elementi dello spazio campione sono in numero finito à Spazio campione
finito
– Caso 4
• Gli elementi dello spazio campione sono in numero infinito, con elementi
appartenenti ad una sequenza matematica à Spazio campione infinito
numerabile
– Caso 5
• Gli elementi dello spazio campione sono in numero infinito ed S viene definito in
base ad alcune sue proprietà à Spazio campione infinito non numerabile
Lezione n : 3
Attività n : 1
EVENTO
• Un evento è un sottoinsieme di S, cioè un insieme di risultati che sono
favorevoli all’evento
– Nel caso del lancio del dado, un esempio di evento è dato da “risultato
dispari”
– I risultati r1 , r3 , r5 si dicono quindi favoreli all’evento
• Gli elementi di S si dicono eventi elementari
• Se durante una prova accade un risultato favorevole all’evento , si
dice che l’evento si è verificato
Lezione n : 3
Attività n : 1
D I A G R A M M A D I VE N N
Lezione n°: 4
Titolo: Teoria degli insiemi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Teoria degli insiemi
Lezione n°: 4
Attività n°: 1
APPARTENENZA A UN INSIEME
• i ed e appartengono ad A, ovvero sono elementi dell’insieme A

• a e r non appartengono ad A
Lezione n°: 4
Attività n°: 1
PROPRIETÀ DEGLI INSIEMI

• B ⊂ 𝐴𝐴 indica che ogni elemento di B è anche un elemento di
A, cioè B è un sottoinsieme di A
• Se A=B, allora B ⊂ 𝐴𝐴 e A ⊂ 𝐵𝐵
Lezione n°: 4
Attività n°: 1

• Unione di A e B: insieme i cui elementi appartengono ad A o B
o ad entrambi
Lezione n°: 4
Attività n°: 1

• Intersezione di A e B: insieme i cui elementi appartengono sia
ad A che a B
Lezione n°: 4
Attività n°: 1

• Insiemi disgiunti: ad intersezione nulla
Lezione n°: 4
Attività n°: 1

• Proprietà di unione e intersezione
Nota:
• il simbolo di intersezione ⋂ può essere omesso
• Il simbolo di unione ⋃ può essere sostituito dal +
Lezione n : 4
Attività n : 1
Segnali e Sistemi
Nucleo Tematico:
Dr. Chris)an Callegari
Lezione n : 4
Attività n : 1
AP P A R T E N E N Z A A U N I N S I E M E
• i ed e appartengono ad A, ovvero sono elementi dell’insieme A

• a e r non appartengono ad A
Lezione n : 4
Attività n : 1
PR O P R I E T À D E G L I I N S I E M I
• B ⊂ # indica che ogni elemento di B è anche un elemento di
A, cioè B è un sottoinsieme di A
• Se A=B, allora B ⊂ # e A ⊂ %
Lezione n : 4
Attività n : 1

• Unione di A e B: insieme i cui elemen* appartengono ad A o B
o ad entrambi
Lezione n : 4
Attività n : 1

• Intersezione di A e B: insieme i cui elemen* appartengono sia
ad A che a B
Lezione n : 4
Attività n : 1
• Insiemi disgiun*: ad intersezione nulla
Lezione n : 4
Attività n : 1
• Proprietà di unione e intersezione
Nota:
• il simbolo di intersezione ⋂ può essere omesso
• Il simbolo di unione ⋃ può essere sostituito dal +
Lezione n°: 4
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Lezione n°: 4
Attività n°: 2
EVENTO COMPLEMENTARE
• Dato 𝐴𝐴 ⊂ 𝑆𝑆, l’evento complementare di A, indicato con 𝐴𝐴𝑐𝑐 o 𝐴𝐴̅ è

l’insieme di tutti gli elementi di S non appartenenti ad A
• Valgono:
– (𝐴𝐴𝑐𝑐 )𝑐𝑐 = 𝐴𝐴
– 𝐴𝐴⋃𝐴𝐴𝑐𝑐 = 𝑆𝑆
Lezione n°: 4
Attività n°: 2
PARTIZIONAMENTO
• Un partizionamento di 𝑆𝑆 (insieme non vuoto) è una classe (un

insieme di insieme), finita o infinita numerabile, di sottoinsiemi
non vuoti 𝐴𝐴1 , 𝐴𝐴2 , … , 𝐴𝐴𝑛𝑛 tali che:
– 𝐴𝐴𝑖𝑖 𝐴𝐴𝑗𝑗 = ∅ ∀𝑖𝑖 ≠ 𝑗𝑗
𝑛𝑛
– 𝐴𝐴1 ⋃𝐴𝐴2 ⋃ … ⋃𝐴𝐴𝑛𝑛 ≡ 𝑈𝑈𝑖𝑖=1 𝐴𝐴𝑖𝑖 = 𝑆𝑆
Lezione n°: 4
Attività n°: 2
LEGGI DI DE MORGAN
• ∪𝑛𝑛𝑖𝑖=1 𝐴𝐴𝑖𝑖 𝑐𝑐
= ∩𝑛𝑛𝑖𝑖=1 𝐴𝐴𝑐𝑐𝑖𝑖
• ∩𝑛𝑛𝑖𝑖=1 𝐴𝐴𝑖𝑖 𝑐𝑐
= ∪𝑛𝑛𝑖𝑖=1 𝐴𝐴𝑐𝑐𝑖𝑖
Lezione n°: 4
Attività n°: 2
ALCUNE PROPRIETÀ
• Lo spazio campione accade sempre e quindi è un evento
certo
• L’insieme vuoto non accade mai e quindi è detto evento
impossibile
• L’evento 𝐴𝐴 ∪ 𝐵𝐵 accade se accadono A o B o entrambi
• L’evento 𝐴𝐴 ∩ 𝐵𝐵 accade se accadono sia A che B
• Se 𝐴𝐴 ∩ 𝐵𝐵 = ∅ allora gli eventi A e B si dicono mutuamente
esclusivi
• Se A ⊂ B accade, allora anche B accade
Lezione n°: 4
Attività n°: 2
CLASSE DEGLI EVENTI

• L’insieme di tutti gli eventi si dice classe degli eventi
F
– Tutte le operazioni tra eventi danno come risultato un
evento
– Quindi si dice che F è un campo, o algebra
– Se includiamo anche unione e intersezione di sequenze
infinite di eventi,
allora la classe F viene detta 𝜎𝜎-algebra

Lezione n°: 5
Titolo: Frequenza e Probabilità
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Frequenza e Probabilità
Lezione n°: 5
Attività n°: 1
FREQUENZA RELATIVA
• Si considerino N prove di un esperimento aleatorio e
si definisca con 𝑛𝑛 𝜀𝜀 il numero di volte che l’evento
𝜀𝜀 accade.
• La frequenza relativa di 𝜀𝜀 su N prove è definita come
𝑛𝑛 𝜀𝜀
𝑓𝑓𝑁𝑁 𝜀𝜀 ≡
𝑁𝑁
• Nell’esempio del lancio del dado si è visto che
𝑓𝑓𝑁𝑁 𝑟𝑟𝑖𝑖 tende a 1/6 quando 𝑁𝑁 → ∞
Lezione n°: 5
Attività n°: 1
PROPRIETÀ DELLA FREQUENZA RELATIVA

• 𝑓𝑓𝑁𝑁 è una funzione 𝑓𝑓𝑁𝑁 ∶ 𝐹𝐹 → ℝ dove F è la classe
degli eventi
• 𝑓𝑓𝑁𝑁 𝑆𝑆 = 1 in quanto N/N=1
• 𝑓𝑓𝑁𝑁 ≥ 0 ∀𝜀𝜀 ∈ 𝐹𝐹
• Se A, B ∈ 𝐹𝐹 sono eventi mutuamente esclusivi
AB = ∅, allora 𝑓𝑓𝑁𝑁 𝐴𝐴 ∪ 𝐵𝐵 = 𝑓𝑓𝑁𝑁 𝐴𝐴 + 𝑓𝑓𝑁𝑁 𝐵𝐵
– Provare a dimostrarlo
Lezione n°: 5
Attività n°: 1
UNA PRIMA DEFINIZIONE DI PROBABILITÀ

• Probabilità di Mises (1957)
𝑃𝑃 𝜀𝜀 ≡ lim 𝑓𝑓𝑁𝑁 𝜀𝜀
𝑛𝑛→∞
Attenzione: in spazi campione con molti elementi e numero di

prove finite, non è garantita la convergenza
Lezione n°: 5
Attività n°: 1
DEFINIZIONE ASSIOMATICA DI PROBABILITÀ

• La probabilità è una funzione reale definita sulla classe degli
eventi (𝑃𝑃: 𝐹𝐹 → ℝ) che soddisfa i seguenti assiomi:
1. 𝑃𝑃 𝑆𝑆 = 1
2. 𝑃𝑃 𝜀𝜀 ≥ 0 ∀𝜀𝜀 ∈ F
3. Per ogni sequenza di eventi mutuamente esclusivi 𝜀𝜀1 , 𝜀𝜀2 , … , 𝜀𝜀𝑟𝑟 ∈ F
(cioè tali che 𝜀𝜀𝑖𝑖 𝜀𝜀𝑗𝑗 = ∅ se i ≠ 𝑗𝑗, si ha
∞ ∞
𝑃𝑃 � 𝜀𝜀𝑖𝑖 = � 𝑃𝑃(𝜀𝜀𝑖𝑖 )
𝑖𝑖=1 𝑖𝑖=1
Lezione n°: 5
Attività n°: 1
LA MISURA
• Qualunque funzione reale (𝑀𝑀: 𝐹𝐹 → ℝ) definita su una
𝜎𝜎 − 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 di insiemi F che soddisfa gli seguenti assiomi 2 e
3 della precedente slide si dice misura. Se soddisfa anche
l’assioma 1 si dice misura normalizzata
• Alcuni esempi di misura sono
– Conteggio 𝐶𝐶: 𝐹𝐹 → ℝ , definito come il numero di punti di ciascun
insieme di F
– Peso (𝑊𝑊: 𝐵𝐵3 → ℝ) (dove B è un campo di Borel)
– Pensare ad altri esempi noti di misura
Lezione n°: 6
Titolo: Assiomi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Assiomi
Lezione n°: 6
Titolo: Assiomi
Attività n°: 1
PRIMA CONSEGUENZA DEGLI ASSIOMI
• Data 𝑃𝑃 𝜀𝜀 , si ha
𝑃𝑃 𝜀𝜀𝑐𝑐 = 1 − 𝑃𝑃 𝜀𝜀
Dimostrazione
Poiché S = 𝜀𝜀𝑐𝑐 ∪ 𝜀𝜀 si ottiene facilmente
1 = 𝑃𝑃 𝑆𝑆 = 𝑃𝑃 𝜀𝜀𝑐𝑐 ∪ 𝜀𝜀 = 𝑃𝑃 𝜀𝜀 + 𝑃𝑃 𝜀𝜀𝑐𝑐
Da cui segue il risultato da dimostrare
Da cui si deduce che, essendo ∅ = 𝑆𝑆𝑆𝑆 , allora 𝑃𝑃 ∅ = 1 −

𝑃𝑃 𝑆𝑆 = 0
Lezione n°: 6
Titolo: Assiomi
Attività n°: 1
SECONDA CONSEGUENZA DEGLI ASSIOMI

• Dati due eventi A e B, si ha
𝑃𝑃 𝐴𝐴 ∪ 𝐵𝐵 = 𝑃𝑃 𝐴𝐴 + 𝑃𝑃 𝐵𝐵 − 𝑃𝑃(𝐴𝐴𝐴𝐴)
Dimostrazione intuitiva
Fornire una dimostrazione intuitiva tracciando il diagramma di Venn
• Essendo per definizione 𝑃𝑃 𝐴𝐴𝐴𝐴 ≥ 0, ottieniamo la diseguaglianza di Boole

𝑃𝑃 𝐴𝐴 ∪ 𝐵𝐵 ≤ 𝑃𝑃 𝐴𝐴 + 𝑃𝑃 𝐵𝐵
• Generalizzando –> Union Bound

𝑛𝑛 𝑛𝑛
𝑃𝑃 � 𝜀𝜀𝑖𝑖 ≤ � 𝑃𝑃(𝜀𝜀𝑖𝑖 )
𝑖𝑖=1 𝑖𝑖=1
Lezione n°: 6
Titolo: Assiomi
Attività n°: 1
SECONDA CONSEGUENZA DEGLI ASSIOMI

• Dati due eventi A e B, si ha
𝑃𝑃 𝐴𝐴 ∪ 𝐵𝐵 = 𝑃𝑃 𝐴𝐴 + 𝑃𝑃 𝐵𝐵 − 𝑃𝑃(𝐴𝐴𝐴𝐴)
Dimostrazione rigorosa
• Si scomponga B in due parti, quella comue ad A e qualla comune al suo
complemento
𝐵𝐵 = 𝐵𝐵𝐵𝐵 = 𝐴𝐴 ∪ 𝐴𝐴𝑐𝑐 𝐵𝐵 = 𝐴𝐴𝐴𝐴 ∪ 𝐴𝐴𝑐𝑐𝐵𝐵
Dove abbiamo sfruttato la proprietà distributiva di unione e intersezione
• Ne segue che P 𝐵𝐵 = 𝑃𝑃 𝐴𝐴𝐴𝐴 + 𝐴𝐴𝑐𝑐𝐵𝐵
• Essendo 𝐴𝐴 ∪ 𝐵𝐵 = 𝐴𝐴 ∪ 𝐴𝐴𝐴𝐴 ∪ 𝐴𝐴𝐴𝐴𝐴𝐴 = 𝐴𝐴 ∪ 𝐴𝐴𝐴𝐴𝐴𝐴
• Ne segue P 𝐴𝐴 ∪ 𝐵𝐵 = 𝑃𝑃 𝐴𝐴 + 𝑃𝑃 𝐴𝐴𝑐𝑐𝐵𝐵 = 𝑃𝑃 𝐴𝐴 + 𝑃𝑃 𝐵𝐵 − 𝑃𝑃 𝐴𝐴𝐴𝐴
CVD
Lezione n°: 6
Titolo: Assiomi
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Assiomi
Lezione n°: 6
Titolo: Assiomi
Attività n°: 2
TERZA CONSEGUENZA DEGLI ASSIOMI

• Dati due eventi A e B, con 𝐴𝐴 ⊂ 𝐵𝐵, si ha
𝑃𝑃 𝐴𝐴 ≤ 𝑃𝑃(𝐵𝐵)
Dimostrazione intuitiva
• Come per la seconda conseguenza degli assiomi, una dimostrazione
intuitiva può essere fornita osservando il diagramma di Venn
Lezione n°: 6
Titolo: Assiomi
Attività n°: 2
TERZA CONSEGUENZA DEGLI ASSIOMI
• Considerando l’analogia tra la misura probabilità e la misura peso,

possiamo facilmente intuire che il peso dell’evento A non può essere
maggiore del peso dell’evento B, essendo in esso contenuto
Lezione n°: 6
Titolo: Assiomi
Attività n°: 2
TERZACONSEGUENZA DEGLI ASSIOMI
• Dati due eventi A e B, con 𝐴𝐴 ⊂ 𝐵𝐵, si ha

𝑃𝑃 𝐴𝐴 ≤ 𝑃𝑃(𝐵𝐵)
Dimostrazione rigorosa
• La dimostrazione risulta banale osservando che 𝐴𝐴𝐴𝐴 = 𝐴𝐴
• Ne segue che P 𝐵𝐵 = 𝑃𝑃 𝐴𝐴 + 𝑃𝑃 𝐴𝐴𝑐𝑐𝐵𝐵
• Essendo per definizione 𝑃𝑃 𝐴𝐴𝑐𝑐𝐵𝐵 ≥ 0
• Ne segue 𝑃𝑃 𝐵𝐵 ≥ 𝑃𝑃(𝐴𝐴)
CVD
Lezione n°: 7
Titolo: Spazi campione discreti
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Spazi campione discreti
Lezione n°: 7
Attività n°: 1
SPAZI CAMPIONI DISCRETI UNIFORME

• È uno spazio campione a realizzazione equiprobabili
• Supponendo di avere N elementi (con N finito), se gli eventi
elementari sono equiprobabili, si ha che
• E poiché , allora
Lezione n°: 7
Attività n°: 1
EVENTI IN SPAZI CAMPIONI DISCRETI UNIFORME

• Poichè un evento 𝐴𝐴 = 𝑖𝑖1 , 𝑖𝑖2 , … , 𝑖𝑖𝑘𝑘 , è composto da k
“punti” in S, allora
Definizione di probabilità fornita da Laplace nel 1812

Valida solo in spazi uniformi
Lezione n°: 7
Attività n°: 1
ESEMPIO
• Consideriamo il gioco delle tombola (90 numeri
equiprobabili)
• Si calcoli la probabilità di estrarre un numero divisibile per 2
oppure per 5
– Definiamo evento A (estrazione di un numero divisibile per 2)
– Definiamo evento B (estrazione di un numero divisibile per 5)
– “evento A oppure B” significa 𝐴𝐴 ∪ 𝐵𝐵
– Si osservi che AB = “numero divisibile per 2 e per 5” = “numero
divisibile per 10”
Lezione n°: 7
Attività n°: 1
ESEMPIO
• Utilizzando la seconda conseguenza degli assiomi
Lezione n°: 7
Attività n°: 1
ESEMPIO 2
• Consideriamo un urna con 6 palline blu e 5 rosse, da cui
vengono estratte casualmente 2 palline.
• Quale è la probabilità di estrarre una pallina rossa e una
blu?
– Per rispondere dovremmo calcolare il numero totale di possibili

“coppie” e poi contare i casi favorevoli
Si utilizza il Calcolo Combinatorio

Lezione n°: 7
Attività n°: 1
PRINCIPIO DI ANALISI COMBINATORIA

• Dati n oggetti distuinguibili, il numero N di sequenze
ordinate (liste) di k oggetti scelti tra gli n dati è:
dove Ni è il numero di oggetti che possono essere scelti all’i-

esimo posto, quando le prime i-1 componenti sono note.
Lezione n°: 7
Attività n°: 1
DISPOSIZIONI SEMPLICI
• Le disposizioni semplici di k elementi su n elementi sono le
possibili sequenze di k elementi scelti tra gli n oggetti senza
essere ripetuti, sequenze che si differenziano o per gli
elementi che raccolgono o per l’ordine col quale sono
indicati.
• Il numero delle disposizioni senza ripetizione viene indicato
con Dn , k e corrisponde al prodotto di k numeri naturali in
ordine decrescente cominciando da n.
Lezione n°: 7
Attività n°: 1
PERMUTAZIONI
• Le permutazioni di n elementi sono sequenzedi n elementi,
non ripetuti, che si distinguono esclusivamente per l’ordine
col quale sono registrati.
• Il numero delle permutazioni si indica con Pn e
corrisponde al prodotto dei primi n numeri naturali, ovvero
al fattoriale di n.
Lezione n°: 7
Attività n°: 1
DISPOSIZIONI CON RIPETIZIONI

• Le disposizioni di k elementi su n elementi sono le possibili
sequenze di k elementi scelti tra gli n oggetti ammettendo
che questi possano essere ripetuti, sequenze che si
differenziano o per gli elementi che raccolgono o per
l’ordine col quale sono indicati
• Il numero delle disposizioni con ripetizione è:
Lezione n°: 7
Attività n°: 1
COMBINAZIONI SEMPLICI
• Le combinazioni semplici di k elementi su n sono le
sequenze possibili di k elementi distinti presi da n oggetti
senza essere ripetuti, allineamenti che si distinguono
esclusivamente per gli elementi che raccolgono e non per
l’ordine.
• Tale gruppo contiene k! sequenze, cioè tutte le
permutazione degli elementi costituenti.
• Il numero delle combinazioni semplici è:
Lezione n°: 7
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Spazi campione discreti
Lezione n°: 7
Attività n°: 2
UN ESEMPIO: IL LANCIO DI DUE DADI

• Si calcoli la probabilità dell’evento A = la somma è uguale a 7
• Soluzione:
– Le possibili realizzazioni, enumerate nella matrice sotto, sono N=36
– Le realizzazioni sono tutte equiprobabili, con p = 1/36
– Le 6 realizzazioni la cui somma vale 7, sono quelle evidenziate in matrice

– P(A) = 6/36 = 1/6
Lezione n°: 7
Attività n°: 2
UN ESEMPIO: DISPOSIZIONI SEMPLICI

• Date n=3 palline numerate, si calcoli il numero di possibili differenti
sequenze di due numeri
• Soluzione:
– Dall’albero delle scelte, in cui ogni ramo è etichettato con la decisione corrispondente
– La risposta è 6
Lezione n°: 7
Attività n°: 2
IL COEFFICIENTE BINOMIALE
• Prende il nome dal teorema binomiale
• Esempio:
Lezione n°: 7
Attività n°: 2
IL COEFFICIENTE BINOMIALE: PROPRIETÀ
• Dimostrare le tre proprietà

• Per n molto elevato (n>50) esiste un’approssimazione (formula di
Stirling), che può risultare utile
Lezione n°: 8
Titolo: Trascrizione slide video
Attività n°: 3
Segnali e Sistemi
Nucleo Tematico:
Trascrizione slide video
Lezione n°: 8
Attività n°: 3
ESERCIZIO #1
• Un urna contiene 6 palline blu e 5 rosse. Vengono estratte 2 palline,
si calcoli la probabilità dell’evento A={1 palline blu e 1 pallina rossa}
– Numeriamo le palline da 1 a 11
– Il numero totale di coppie ordinate è N = 10 * 11 (esistono 11 modi di
scegliere/estrarre la prima pallina e 10 la seconda)
– Dato che le estrazioni sono casuali si ha che ogni coppia ordinata è
equiprobabile p=1/110
– Casi favorevoli sono del tipo (rossa, blu) e (blu, rossa)
– Come per i casi totali, le coppie (blu, rossa) sono 6*5, come anche le coppie
(rossa, blu). I casi favorevoli sono in tutto 60
60
– 𝑃𝑃 𝐴𝐴 = ~0,545
110
– Lo stesso risultato si può ottenere anche considerando le coppie non ordinate
(in tutto sono mentre quelle favorevoli sono 6*5=30)…
Lezione n°: 8
Attività n°: 3
ESERCIZIO #2
• Un urna contiene 3 palline nere, 4 rosse e 5 bianche. Vengono
estratte 2 palline, si calcoli la probabilità dell’evento A={almeno 1
pallina bianca}
– Numeriamo le palline da 1 a 12
– Lo spazio campione è composto da N = 12 * 11 punti
– Il numero di coppie con la prima pallina bianca o entrambe è 5*11, mentre il
numero di coppie con la seconda pallina bianca soltanto è 7*5. In totale 90
90
– 𝑃𝑃 𝐴𝐴 = ~0,68
132
– Lo stesso risultato si può ottenere anche considerando l’evento
complementare nessuna pallina e bianca. Casi favorevoli 7*6
– Lo stesso risultato si può ottenere anche considerando le coppie non
ordinate…
Lezione n°: 8
Attività n°: 3
ESERCIZIO #3
• Si considerino n persone in una stanza e si calcoli la probabilità
dell’evento A={almeno 2 persone compiono gli anni lo stesso giorno
dell’anno} e si calcoli il numero n t.c. P(A)>0.5
– Tutte le possibili configurazioni possono essere rappresentate da vettori di
lunghezza n, contenenti in posizione i il giorno del compleanno della i-esima
persona
– Lo spazio campione è composto da (365)n punti equiprobabili

– Ragioniamo sull’evento complementare Ac={nessuno compie gli anni nello
stesso giorno}
– Tale probabilità è decrescente in n e si può mostrare che la probabilità

dell’evento complementare diventa minore di 0.5 quando n>22
Lezione n°: 8
Attività n°: 3
ESERCIZIO #4
• Si calcoli la probabilità di avere un full servito a poker (tre carte
dello stesso valore e due di un altro)
– Tutte le possibili configurazioni sono
– Si pensi a ciascuna carta come un coppia (V,S) con V=valore e S=seme
– Un full è del tipo
– V1 può essere scelto in 13 modi e per ciascuno di essi ci sono modi diversi
di scegliere (S1,S2,S3). Analogamente ci sono 12 modi scegliere V2 e per
ciascuno di essi modi diversi di scegliere (S1,S2)
Lezione n°: 9
Titolo: Probabilità condizionata
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Probabilità condizionata
Lezione n°: 9
Attività n°: 1
PROBABILITÀ CONDIZIONATA
• Fino ad ora abbiamo parlato di probabilità di un evento
singolo, detto elementare
• Nella vita reale è però facile imbattersi in eventi compositi,
ovvero successioni di eventi
• Spesso si incontrano eventi che dipendono da altri eventi
che si possono (o si devono) verificare precedentemente,
tali eventi, naturalmente, influiranno
sulla probabilità dell'evento successivo
• Da essa deriva il concetto di indipendenza statistica, il
teoremi della probabilità totale e la formula di Bayes
Lezione n°: 9
Attività n°: 1
Definizione
• Dato un evento M a probabilità non nulla P(M)>0
• Per ogni evento A, la probabilità condizionata (probabilità
dell’avento A condizionata all’evento M) si definisce come
• Rappresenta la probabilità che si verifichi l’evento A,

sapendo che si è già verificato l’evento M
Lezione n°: 9
Attività n°: 1
Rappresentazione grafica
Lezione n°: 9
Attività n°: 1
PROBABILITÀ CONDIZIONATA E FREQUENZA RELATIVA

• Si effettuino n prove
– nA numero di realizzazioni di A
– nB numero di realizzazioni di B
– nAB numero di realizzazioni di AB
– allora:
– Se scartiamo tutte le prove in cui M non si realizza, allora P(A|M)

corrisponde alla frequenza relativa dell’evento A nei casi in cui M si
è realizzato.
Lezione n°: 9
Attività n°: 1
• Valgono le proprietà
– Normalizzazione
– Per ogni
– Per ogni sequenza di eventi mutuamente esclusivi

Lezione n°: 9
Attività n°: 1
PROBABILITÀ CONDIZIONATA: UN ESEMPIO

• Si consideri il lancio di due dadi. Calcolare la probabilità che
la somma dei due lanci sia uguale a 7 sapendo che il primo
lancio ha dato 2
– Dalla definizione
– In alternativa, possiamo considerare che una volta che abbiamo osservato M (lancio
del primo dado = 2), lo spazio campione si restringe a sei punti equiprobabili (I
possibili valori del secondo lancio), di cui solo uno verifica l’evento
Lezione n°: 9
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Probabilità condizionata
Lezione n°: 9
Attività n°: 2
PROBABILITÀ CONDIZIONATA: INTERPRETAZIONE

• Una volta eseguito il primo esperimento, otteniamo l’informazione
parziale ”si è verificato M”
• L’originaria funzione di probabilità 𝑃𝑃(∙) (detta a priori), diventa una
nuova funzione 𝑃𝑃 ∙ 𝑀𝑀 (detta a posteriori)
• Chiaramente in tale nuova funzione, la probabilità di ogni evento
disgiunto da (esterno a) M avrà probabilità nulla
Lezione n°: 9
Attività n°: 2

Lezione n°: 9
Attività n°: 2

• Per ciascuna coppia di eventi A e B in M, si ha che
– Cioè lo probabilità a posteriori sono non minori di quelle a priori

– Tuttavia, l’osservazione parziale di M, mantiene inalterate le proporzioni degli eventi
in M
Lezione n°: 9
Attività n°: 2

• Per ogni evento A, si ha che
– Da cui
– Cioè la parte di A inclusa in M ha probabilità “riscalata” e la parte esterna ha

probabilità nulla
Lezione n°: 10
Titolo: Trascrizione Slide Video
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Trascrizione Slide Video

Lezione n°: 10
Attività n°: 2
ESPERIMENTI COMPOSITI: UN ESEMPIO

• Un urna contiene 6 palline blu e 5 rosse. Vengono estratte 2
palline, si calcoli la probabilità dell’evento A={1 palline blu e 1
pallina rossa}
– Catena di due esperimenti (prima e seconda estrazione)
– Abbiamo già visto che A è l’unione di due eventi disgiunti
• A1={la prima pallina è blu e la seconda è rossa}
• A2={la prima pallina è rossa e la seconda è blu}
– Definiamo due nuovi eventi
• B={la prima pallina è blu}
• C={la prima pallina è rossa}
– Osserviamo che A1 è incluso in B
Lezione n°: 10
Attività n°: 2

– Banalmente
– Dopo la prima estrazione
– E quindi
Lezione n°: 10
Attività n°: 2

– Analogamente
– E infine
Lezione n°: 10
Attività n°: 2
REGOLA DELLA CATENA

– Enunciato: dati n eventi
– Dimostrazione: scrivendo il secondo membro utilizzando la probabilità

condizionata
– Dove, con le opportune semplificazioni, resta soltanto il primo

membro
Lezione n°: 10
Attività n°: 2
NOTAZIONE
– Consideriamo un esperimento composto da due esperimenti più
piccoli con spazi campione S1 e S2. Lo spazio campione composito
viene indicato con il prodotto cartesiano S= S1 x S2 e i suoi punti sono le
coppie ordinate r={r1,r2}
– Ciascun evento nello spazio combinato può essere visto come
prodotto cartesiano di due eventi
– Graficamente
Lezione n°: 10
Attività n°: 2
NOTAZIONE
– Ad esempio l’evento A={si verifica A’ nel primo sottoesperimento} può
essere scritto come
– Analogamente B={si verifica B’ nel secondo sottoesperimento}
– E C={si verifica A’ nel primo sottoesperimento e B’ nel secondo

sottoesperimento}
– Utilizzando la probabilità condizionata
– O, in maniera esplicita
Lezione n°: 11
Titolo: Teorema della probabilità totale
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Teorema della probabilità totale
Lezione n°: 11
Attività n°: 1
TEOREMA DELLA PROBABILITÀ TOTALE

• Sia una partizione dello spazio campione S
• Allora per ogni evento B vale

Lezione n°: 11
Attività n°: 1

Lezione n°: 11
Attività n°: 1

• Dimostrazione: decomponiamo B sulla partizione, seconda la figura
nella precedente slide
• Applicando la probabilità a entrambi I membri
CVD
• Si applica a catene di esperimenti, dove la partizione rappresenta tutte

le possibili realizzazioni del primo esperimento
Lezione n°: 11
Attività n°: 1
FORMULA DI BAYES
• Si considerino due eventi A e B, con probabilità non nulla. Dalla
definizione di probabilità condizionata abbiamo
• Quindi
Interpretazione: se A è la causa e B è l’effetto, allora P(A|B) rappresenta la

probabilità che A sia la causa una volta che l’effetto B sia stato osservato
Lezione n°: 11
Attività n°: 1
FORMULA DI BAYES
• Generalizzando a una partizione qualsiasi
• Dove il denominatore è stato scritto secondo il teorema della

probabilità totale
Lezione n°: 11
Titolo: Esercizi
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Esercizi (video)
Lezione n°: 11
Titolo: Esercizi
Attività n°: 2
ESERCIZIO
• Si considerino 3 scatole identiche contenenti diodi. La prima scatola
contiene 2000 diodi (di cui 100 difettosi), la seconda 500 (di cui 200
difettosi) e la terza 1000 diodi (di cui 100 difettosi). Si sceglie a caso una
scatola e un diodo. Calcolare la probabilità dell’evento B={diodo estratto
difettoso}
– L’esperimento è composto da 2 parti: scelta della scatola e estrazione del
diodo.
– Definiamo gli eventi Ai={scelta i-esima scatola}, con i={1,2,3}, partizione
dello spazio campione S
– P(Ai)=1/3
– Se viene scelta la prima scatola, abbiamo 100 diodi difettosi su 2000
P(B|A1)=100/2000=1/20
– Analogamente P(B|A2)=2/5 e P(B|A3)=1/10
Lezione n°: 11
Titolo: Esercizi
Attività n°: 2
ESERCIZIO
• Soluzione alternativa
– Ragioniamo sull’esperimento composito (più complicato e meno intuitivo)
– Lo spazio campione S è composto dalle coppie ordinate (scatola, diodo)
• 1/3 delle probabilità è concentrata sui 2000 diodi della prima scatola
• 1/3 delle probabilità è concentrata sui 500 diodi della seconda scatola
– La probabilità è data dalla somma di tutti i diodi difettosi
Lezione n°: 11
Attività n°: 3
Segnali e Sistemi
Nucleo Tematico:
Lezione n°: 11
Attività n°: 3
ESERCIZIO
• Si considerino 3 scatole identiche contenenti diodi. La prima scatola
contiene 2000 diodi (di cui 100 difettosi), la seconda 500 (di cui 200
difettosi) e la terza 1000 diodi (di cui 100 difettosi). Si sceglie a caso una
scatola e un diodo. Calcolare la probabilità dell’evento B={diodo estratto
difettoso}
– L’esperimento è composto da 2 parti: scelta della scatola e estrazione del
diodo.
– Definiamo gli eventi Ai={scelta i-esima scatola}, con i={1,2,3}, partizione
dello spazio campione S
– P(Ai)=1/3
– Se viene scelta la prima scatola, abbiamo 100 diodi difettosi su 2000
P(B|A1)=100/2000=1/20
– Analogamente P(B|A2)=2/5 e P(B|A3)=1/10
Lezione n°: 11
Attività n°: 3
ESERCIZIO
• Soluzione alternativa
– Ragioniamo sull’esperimento composito (più complicato e meno intuitivo)
– Lo spazio campione S è composto dalle coppie ordinate (scatola, diodo)
• 1/3 delle probabilità è concentrata sui 500 diodi della seconda scatola
– La probabilità è data dalla somma di tutti i diodi difettosi
Lezione n°: 12
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Lezione n°: 12
Attività n°: 2
INDIPENDENZA
• Come già visto, in generale, 𝑃𝑃(𝐴𝐴|𝐵𝐵) ≥ 𝑃𝑃(𝐴𝐴)
• Abbiamo anche visto che 𝑃𝑃(𝐴𝐴|𝐵𝐵) tende a zero e I due eventi A e B sono
disgiunti
• Se invece 𝑃𝑃 𝐴𝐴 𝐵𝐵 = 𝑃𝑃(𝐴𝐴) I due eventi A e B si dicono indipendenti
– In pratica questo significa che la realizzazione di B non cambia la probabilità di
realizzazione di A.
– Inoltre, sapendo che
𝑃𝑃(𝐴𝐴𝐴𝐴)
𝑃𝑃 𝐴𝐴 𝐵𝐵 =
𝑃𝑃(𝐵𝐵)
Possiamo osservare che A e B sono indipendenti se e solo se

𝑃𝑃 𝐴𝐴𝐴𝐴 = 𝑃𝑃 𝐴𝐴 𝑃𝑃(𝐵𝐵)
Lezione n°: 12
Attività n°: 2
INDIPENDENZA
• Se A e B sono indipendenti, allora anche A e Bc sono
indipendenti
• Due eventi mutuamente esclusivi. Sono fortemente

dipendenti
– Infatti se si verifica A non si verifica B e viceversa.
– P(A|B)=0
Lezione n°: 12
Attività n°: 2
INDIPENDENZA TRA PIÙ EVENTI

• Gli eventi sono indipendenti se, per ogni
sottosequenza. di lunghezza
• Usando il calcolo combinatorio sappiamo che il numero di

sequenze di r eventi è
• Quindi la verifica sull’indipendenza di n eventi richiede
l’analisi di un numero di sequenze pari a
Lezione n°: 12
Attività n°: 2
ALCUNE OSSERVAZIONI
• Se A, B e C sono indipendenti
– Allora A è anche indipendente da ogni evento composto da B e C
• Due eventi. sono condizionatamente indipendenti

dato M se
• O in maniera equivalente
Lezione n°: 12
Attività n°: 2
PROVE
• Idea: un esperimento spesso consiste di una sequenza di
sottoesperimenti (ad es. n lanci di un dado). In molti casi si
può ragionevolmente assumere che le realizzazioni di un
gruppo di sottoesperimenti non mofichi la probabilità dei
rimanenti. In questo caso si dice che i sottoesperimenti
sono indipendenti.
• Definizione: i sottoesperimenti si dicono indipendenti se
è una sequenza di eventi indipendenti per ogni
evento di ciascun sottoesperimento
• Definizione: se tutti i sottoesperimenti indipendenti sono
identici, cioè hanno lo stesso spazio campione e la stessa
funzione di probabilità, allora si dicono prove
Lezione n°: 12
Titolo: Esercizi
Attività n°: 3
Segnali e Sistemi
Nucleo Tematico:
Esercizi
Lezione n°: 12
Titolo: Esercizi
Attività n°: 3
Esercizio
Si considerino un numero infinito di prove. Si indichi con S’ lo spazio campione di
ciascuna prova e si consideri un evento. che si verifica con probabilità.
(successo) e non si verifica con probabilità . (insuccesso).
Siano Sn e T, rispettivamente, il numero di successi su n prove e il numero di prove fino al
primo successo.
Si calcoli la probabilità di
Lezione n°: 12
Titolo: Esercizi
Attività n°: 3
Esercizio
Risulta più semplice il calcolo della probabilità dell’evento complementare
, cioè la probabilità di non avere successi nelle prime n prove
Definiamo
Con , si nota che
Poichè
Si ottiene
Lezione n°: 12
Titolo: Esercizi
Attività n°: 3
Esercizio
Graficamente
Lezione n°: 12
Titolo: Esercizi
Attività n°: 3
Esercizio
Si osserva che
E quindi
Questo dimostra che un evento con probabilità di successo non nulla accadrà
sicuramente su infinite prove
Lezione n°: 13
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Esercizi
Lezione n°: 13
Titolo: Esercizi
Attività n°: 1
ESERCIZI
• Si consideri il gioco delle freccette. Un giocatore ha probabilità 0.7 di
fare centro (evento X), si calcolino
– Probabilità di nessun centro su 5 lanci
– Probabilità di almeno un centro su 5 lanci
• Consideriamo I 5 lanci come prove indipendenti

– probabilità di insuccesso è 0.3
– Probabilità di nessun successo su 5 lanci è banalmente P(X=0)=0.35 = 0.00243
– Probabilità di almeno un successo P(X>0)=1-P(X=0)=0.99757
Lezione n°: 13
Titolo: Esercizi
Attività n°: 1
ESERCIZI
• Consideriamo tre scatole identiche contententi palline verdi e rosse
– Scatola A contiene il doppio di palline verdi rispetto alle rosse
– Scatola B contiene la metà di palline verdi rispetto alle rosse
– Scatola C contiene lo stesso numero di palline e rosse
– Viene scelta una scatola a caso ed estratta una pallina verde. Si calcoli la probabilità
di aver scelto la scatola B
• Definiamo
– A={scelta scatola A}
– B={scelta scatola B}
– C={scelta scatola C}
– V={estrazione pallina verde}
• Applicando la formula di Bayes
Lezione n°: 13
Titolo: Esercizi
Attività n°: 1
ESERCIZI
• Consideriamo un esame a cui degli studenti che si presentano il 60% è
sufficientemente preparato. L’esame viene superato dal 95% degli
studenti preparati e dal 10% di quelli impreparati. Si calcolino:
– La probabilità che uno studente a caso superi l’esame
– La probabilità che uno studente impreparato superi l’esame
• Definiamo
– P={studente preparato} con P(P)=0.6
– I={studente impreparato}
– ε={esame superato}
• Utilizzando il teorema della probabilità totale
• Utilizzando la formula di Bayes

Lezione n°: 13
Titolo: Esercizi
Attività n°: 1
ESERCIZI
• Si consideri una scatola contenente palline bianche. Viene lanciato un
dato e si aggiunge un numero di palline nere pari alla faccia del dado
lanciato. Si estrae una pallina a caso.
– Si calcoli la probabilità si estrarre una pallina bianca
– Dato che è stata estratta una pallina bianca, si calcoli la probabilità che la faccia del
dado fosse dispari
• Definiamo
– B={estrazione pallina bianca}
– Fi={i-esima faccia del dado}
• Utilizzando il teorema della probablità totale
• Definendo D={faccia dispari}, dato dall’unione di F1 ,F3 e F5,

Lezione n°: 13
Titolo: Esercizi
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Esercizi
Lezione n°: 13
Titolo: Esercizi
Attività n°: 2
ESERCIZI
Una scatola contiene due dadi, di cui uno truccato seconda la regola
Si estrae un dado a caso e si lancia una volta. Se esce f1 si decide che il

dado è truccato, altrimenti che non lo è. Si calcoli la probabilità di errore
Lezione n°: 13
Titolo: Esercizi
Attività n°: 2
ESERCIZI
• Definiamo
• L’evento errore vale
• Essendo Dr e Dt disgiunti, segue

Lezione n°: 13
Titolo: Esercizi
Attività n°: 2
ESERCIZI
• Viene effettuata un’analisi di mercato per il lancio di un prodotto.
– Se il prodotto avrà successo lo indicherà nel 75% dei casi
– Il prodotto ha una probabilità di successo del 60%
– Supponendo che l’analisi preveda il lancio di una prodotto di successo, quale è la
probabilità che il prodotto abbia realmente successo?
Lezione n°: 13
Titolo: Esercizi
Attività n°: 2
ESERCIZI
• Definiamo
• Utilizzando la formula di Bayes

Lezione n°: 14
Titolo: Spazi campione continui uniformi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Spazi campione continui uniformi
Lezione n°: 14
Attività n°: 1
SPAZI CAMPIONE CONTINUI UNIFORMI

• Estendiamo il concetto di spazio a campione al caso di spazi contenenti un
numero infinito non numerabile di elementi (ad es. l’insieme dei numeri
reali)
• Tali spazi si dicono continui
• Nonostante possa sembrare che il calcolo delle probabilità diventi molto
più complesso in tali spazi, vedremo che è sostanzialmente uguale
• Iniziamo considerando spazi uniformi

Lezione n°: 14
Attività n°: 1
UN ESEMPIO
Consideriamo un esempio in (insieme dei numeri reali)
• Scelta di un numero reale nell’intervallo [0,10]
– Lo spazio campione è quindi l’intervallo S=[0,10]
– Può essere d’aiuto utilizzare una rappresentazione grafica
– Intuitivamente, le probabilità possono essere calcolate come in figura

Lezione n°: 14
Attività n°: 1
UN ESEMPIO
• N.B. il primo assioma è ancora valido (non avevamo specificato infatti un
tipo di spazio campione, quando lo abbiamo definiti)
• Utilizzando il primo assioma
• La scelta casuale implica che la scelta di un punto nell’intervallo (a,b) sia
proporziale alla lunghezza dell’intervallo l((a,b))
Si noti la somiglianza di questa espressione con quella della probabilità in

spazi discreti.
La differenza consiste nell’impossibilità di “contare” i punti di un intervallo
Lezione n°: 14
Attività n°: 1
SPAZI CAMPIONE UNIFORMI

• Il fatto che ogni intervallo, per quanto piccolo a piacere, contenga
un’infinità numerabile di punti, implica che ogni “punto singolo” ha
probabilità nulla, in quanto la sua lunghezza vale zero
• Attenzione: potrebbe sembrare controintuitivo che infiniti punti

mutuamente esclusivi con probabilità nulla formino un intervallo con
probabilità finita (in apparente contraddizione con il terzo assioma)
– Ma il terzo assioma è valido solo per sequenze di eventi numerabili
Lezione n°: 14
Attività n°: 1
SPAZI CAMPIONE UNIFORMI

• Le considerazioni fatte in possono essere facilmente estese a spazi con
più dimensioni
– In ,ad esempio basta ragionare sulle aree degli intervalli piuttosto che sulle lunghezze
– E così via…
Lezione n°: 14
Attività n°: 3
Segnali e Sistemi
Nucleo Tematico:
Lezione n°: 14
Attività n°: 3
ESERCIZI
• Consideriamo il lancio casuale di una moneta di di 3cm di diametro su
un pavimento con mattonelle quadrate di lato 8cm. Si calcoli la
probabilità che la moneta cada interamente in una mattonella
• Consideriamo che il pavimento abbia un numero sufficientemente
grande di mattonelle  possiamo ragionare sulla singola mattonella
• Essendo il raggio della moneta 1.5cm, il centro della moneta deve
cadere in un quadrato di lato 8 -2*1.5=5cm
Lezione n°: 14
Attività n°: 3
ESERCIZI
• Quindi l’evento A={moneta interamente nella mattonella} ha probabilità
pari a
Lezione n°: 14
Attività n°: 3
ESERCIZI
• Due treni X e Y arrivano “a caso” in stazione tra le 8:00 e le 8:20.
Assumendo l’indipendenza dei due arrivi, si calcoli la probabilità di E={X
arriva prima di Y}
• L’esperimento è composto da due prove indipendenti
1. Scelta casuale dell’istante x di arrivo del treno X
2. Scelta casuale dell’istante y di arrivo del treno Y
Lezione n°: 14
Attività n°: 3
ESERCIZI
• Poiché l’arrivo è casuale in un intervallo di lunghezza 20min
– P(A)=(t2-t1)/20 e P(B)=(t4-t3)/20
– Data l’indipendenza
– Lo spazio congiunto è ancora uniforme

– L’evento E corrisponde al triangolo sopra alla retta di equazione y=x, con area di
200min2 , da cui P(E)=200/400=0.5
Lezione n°: 15
Titolo: Spazi continui non uniformi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Spazi continui non uniformi
Lezione n°: 15
Attività n°: 1
SPAZI CONTINUI NON UNIFORMI
• Gli spazi continui considerati nella precedente lezione sono uniformi

• Se una probabilità non dipende solo dall’estensione della porzione di
spazio campione, ma anche dalla posizione che tale porzione ha nello
spazio campione parliamo di spazi campione non uniformi
• In spazi non numerabili, definiamo la funzione densità di probabilità
(PDF, Probability Density Function)
• Considerando l’esempio della lezione precedente con S=[0,10]. In tal

caso la PDF è una funzione reale , tale per cui la
probabilità di ogni evento si può calcolare
come
Lezione n°: 15
Attività n°: 1
PROBABILITY DENSITY FUNCTION
• Vale la condizione di normalizzazione

Lezione n°: 15
Attività n°: 1
• Si noti che in spazi uniformi, la PDF è costante
• Il valore di y si ottiene banalmente dalla condizione di normalizzazione
• Estensione al intero spazio

Lezione n°: 15
Attività n°: 1
• Si noti che in spazi uniformi, la PDF è costante
• Il valore di y si ottiene banalmente dalla condizione di normalizzazione
• Estensione al intero spazio

Lezione n°: 15
Attività n°: 1
• Un esempio: PDF parabolica “troncata”
• É evidente che intervalli di lunghezza uguale in posizioni diverse hanno

“peso” diverso (spazio non uniforme)
Lezione n°: 15/S1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Spazi continui non uniformi
Lezione n°: 15/S1
Attività n°: 1
CUMULATIVE DISTRIBUTIVE FUNCTION (CDF)

• Data la PDF f(x), la probabilità di un evento ε vale
• La funzione probabilità è quindi completamente determinata da f(x)

• Si può però usare anche la primitiva della PDF, la funzione di
distribuzione cumulativa CDF (Cumulative Distributive Function)
Con F(-∞)=0
• Si osservi che
• F(x) corrisponde all’area sottesa a f(u) nell’intervallo (- ∞,x]

Lezione n°: 15/S1
Attività n°: 1
CUMULATIVE DISTRIBUTIVE FUNCTION (CDF)

• È banale osservare che
Lezione n°: 15/S1
Attività n°: 1
UN ESEMPIO
• Consideriamo il caso uniforme
Lezione n°: 15/S1
Attività n°: 1
UN ALTRO ESEMPIO
• Consideriamo il caso esponenziale
Lezione n°: 16
Titolo: Delta di Dirac
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Delta di Dirac
Lezione n°: 16
Attività n°: 1
SPAZIO CAMPIONE DISCRETO E SPAZIO

CAMPIONE CONTINUO
• Immaginiamo di avere un esperimento che consiste nella scelta tra due
numeri 0 e 1 con probabilità rispettivamente p e 1-p
• Possiamo pensare allo spazio campione non come a uno spazio discreto,
ma come a uno spazio continuo, la cui PDF concentra tutto il “peso”
intorno ai punti 0 e 1
Lezione n°: 16
Attività n°: 1

CAMPIONE CONTINUO
• Le aree intorno ai punti 0 e 1 sono rispettivamente

Lezione n°: 16
Attività n°: 1

CAMPIONE CONTINUO
• Se ε decresce, otteniamo una massa di probabilità sempre più

concentrata intorno ai due punti 0 e 1. Ovviamente al tendere a 0 della
base, l’altezza deve tendere ad infinito
Lezione n°: 16
Attività n°: 1
FUNZIONE IMPULSIVA DELTA DI DIRAC

• Si consideri la funzione
• Dato che , tale funzione è una PDF
• Definizione: La funzione impulsiva delta di Dirac è definita da:
• Tale funzione vale sempre 0, tranne in x=0, dove va a ∞ con area unitaria
Lezione n°: 16
Attività n°: 1
ESEMPIO
• Considerando ancora l’esperimento iniziale, la PDF f(x) può essere espressa
come
• La cui CDF è
• Dove U(x) rappresenta la funzione gradino (la vedremo nelle prossime slide)
Lezione n°: 16
Attività n°: 1
ESEMPIO
• La delta di Dirac è comunemente indicata con delle frecce di altezza

proporzionale al “peso” della delta stessa
Lezione n°: 16
Titolo: Delta di Dirac: proprietà
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Delta di Dirac: proprietà
Lezione n°: 16
Attività n°: 2
NORMALIZZAZIONE
• Nota che è una versione traslata della delta di Dirac (non nulla
in x0)
Lezione n°: 16
Attività n°: 2
SIMMETRIA
• La funzione vale 0 sia a destra che a sinistra di x=0

Lezione n°: 16
Attività n°: 2
CAMPIONAMENTO
• Per ogni funzione v(x) continua in x=x0
• Dovuto al fatto che la delta di Dirac è un rettangolo di base

infinitesimale ε e altezza 1/ε
• Risulta pertanto che il prodotto è diverso da zero solo in
x0, dove vale v(x0)/ε
Lezione n°: 16
Attività n°: 2
CAMPIONAMENTO
• Formalmente
Lezione n°: 16
Attività n°: 2
INTEGRAZIONE
• La primitiva della delta di Dirac è la funzione gradino U(x)
• Considerando la primitiva di
Lezione n°: 16
Attività n°: 2
INTEGRAZIONE
• Possiamo scrivere
• Dato che pendenza della rampa tende a infinito quando ε tende a 0
• Se estendiamo la funzione di derivata in x=0, dove U(x) non è continua,

otteniamo che
Lezione n°: 17
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Variabili Aleatorie
Lezione n°: 17
Attività n°: 2
VARIABILI ALEATORIE - VA
• Formalmente: le VA sono funzioni che mappano lo spazio campione S di
un esperimento casuale nell’insieme dei numeri reali
• Ad esempio, nel caso di esperimento con prove ripetute sono VA:
– # successi in n prove
– # prove fino al primo successo
– # di prove fino all’r-esimo successo
• Esempio: lancio del dado
– La VA F(r) è la funzione che associa
un numero reale a ciascun risultato
dell’esperimento , come
mostrato in figura
Lezione n°: 17
Attività n°: 2
DEFINIZIONE DI VARIABILE ALEATORIA
Consideriamo un esperimento aleatorio avente uno spazio campione Ω, una

classe degli eventi S e una legge di probabilità Pr(·) (per semplicità
considereremo uno spazio campione numerabile). Definiamo una
corrispondenza, indicata con X(ωi), che associa a ciascun risultato ωi
dell’esperimento un unico numero reale. Tale corrispondenza fra lo spazio Ω
e l’asse reale è una variabile aleatoria se l’insieme di risultati
dell’esperimento per i quali è verificata la disuguaglianza X(ωi)≤a è un
evento, comunque si scelga il valore del parametro reale a.
Lezione n°: 17
Attività n°: 2
DEFINIZIONE
• In uno spazio continuo, analogamente
• Notazione: le lettere maiuscole (X) indicano la funzione (VA), mentre

quelle minuscole (x) indicano il valore della VA nella particolare
esecuzione dell’esperimento
Lezione n°: 17
Attività n°: 2
INDICATORE DI UN EVENTO
• La VA che assume valore 1 se un dato evento si verifica e 0 altrimenti è
detta indicatore dell’evento
• Lo spazio campione S è partizionato in due eventi mutuamente esclusivi
• Quindi P{X=1}=1 e P{X=0}=1-p. Note queste probabilità è possibile

calcolare la probabilità di qualsiasi evento descritto in termini della VA X
Lezione n°: 17
Attività n°: 2
INDICATORE DI UN EVENTO
• Vogliamo ad esempio calcolare la probabilità dell’evento {X≤1/2}, come da
figura
Lezione n°: 17
Attività n°: 2
DAGLI EVENTI ALLE VA

Lezione n°: 18
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Variabili Aleatorie
Lezione n°: 18
Attività n°: 2
CDF DI UN VA
Per descrivere in maniera comoda le proprietà statistiche di una variabile
aleatoria X, introduciamo la funzione di distribuzione cumulativa FX(x),
definita come
• Spesso indicata semplicemente con F(x)
• F(x) può essere visto come il “peso” della linea (-∞,x]

Lezione n°: 18
Attività n°: 2
ESEMPIO: IL LANCIO DI UNA MONETA
Si supponga di lanciare una moneta in cui testa (H) ha probabilità p e croce

(T) ha probabilità 1-p. Si definisca la VA
Deriviamo la CDF F(x). Dobbiamo distinguere diversi intervalli di x

Lezione n°: 18
Attività n°: 2
• Caso x≥1
• Corrisponde all’evento
• Nell’esempio S è composto da due punti
• Quindi
e infine
Lezione n°: 18
Attività n°: 2
• Caso 0≤x<1
• Dalla figura si osservi che
• Quindi per 0≤x<1 si ha

Lezione n°: 18
Attività n°: 2
• Caso x<0
• Si conclude facilmente che
e dunque
Lezione n°: 18
Attività n°: 2
• Il grafico della CDF
• Analogamente a quanto avevamo ottenuto derivando la CDF a partire

dalla PDF
Lezione n°: 18
Attività n°: 2
ESEMPIO 2
• Si consideri una VA con CDF
• Calcoliamo la probabilità di
Lezione n°: 18
Attività n°: 2
ESEMPIO 2
• La CDF è
• Da cui si ottiene
Lezione n°: 19
Titolo: Proprietà della CDF
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili Aleatorie
Proprietà della CDF
Lezione n°: 19
Attività n°: 1
PROPRIETÀ DELLA CDF
1. Valori limite
– Dimostrazione
Lezione n°: 19
Attività n°: 1
2. La CDF è una funzione non decrescente
– Dimostrazione
Lezione n°: 19
Attività n°: 1
• Conseguenza delle prime due proprietà

– La CDF è una funzione crescente da 0 a 1 per l’argomento che va da meno infinito a
più infinito
– Il valore xm per cui la CDF vale ½ si chiama
– Si dice percentile u, il minimo valore xu per cui

Lezione n°: 19
Attività n°: 1
3. Vale
– Dimostrazione
Lezione n°: 19
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Variabili Aleatorie
Proprietà della CDF
Lezione n°: 19
Attività n°: 2
4. Si ha
– Dimostrazione
Lezione n°: 19
Attività n°: 2
5. La CDF è una funzione continua da destra
– Dimostrazione
Lezione n°: 19
Attività n°: 2

– Dimostrazione (continua)
Lezione n°: 19
Attività n°: 2
• Conseguenza dalla proprietà numero 5. Si può concludere

che:
– Per i punti in cui la CDF è continua
– Vi è una discontinuità pari a P{X=x} nei punti in cui la CDF non è continua
Lezione n°: 19
Attività n°: 2
CLASSIFICAZIONE DELLE VA
• VA continua: se la CDF è continua per tutti i valori di x

• VA discreta: se la CDF è costante a tratti (a sinistra nella
figura)
• VA mista: se la CDF non è continua, ma neanche costante a
tratti (a destra nella figura)
Lezione n°: 20
Titolo: Funzione densità di probabilità
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili Aleatorie
Funzione densità di probabilità
Lezione n°: 20
Attività n°: 1
FUNZIONE DENSITÀ DI PROBABILITÀ (PDF)
• La PDF di un VA, si ottiene banalmente come derivata della relativa CDF

Lezione n°: 20
Attività n°: 1
TEOREMA DI LEBESGUE
• Ogni CDF FX(x) può essere scomposta in due funzioni C(x) e D(x), con
C(x)≥0 è una funzione continua sempre, mentre D(x) è una funzione
costante a tratti con pi≥0 per ogni i.
Lezione n°: 20
Attività n°: 1
CONSEGUENZA DEL TEOREMA DI LEBESGUE
• Ogni PDF può quindi essere scritta
• dove
e la delta di Dirac ci permette di definire la derivata nei punti in cui la CDF

non è continua
Lezione n°: 20
Attività n°: 1
CLASSIFICAZIONE DI VA
• VA continue: F(x)=C(x) e D(x)=0, cioè CDF continua e PDF non presenta

delta di Dirac
• VA discrete: F(x)=D(x) e C(x)=0, cioè CDF costante a tratti e PDF è una

somma di delta di Dirac
• VA miste: F(x)=C(x) + D(x)=0

Lezione n°: 20
Titolo: Proprietà della PDF
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Variabili Aleatorie
Proprietà della PDF
Lezione n°: 20
Attività n°: 2
PROPRIETÀ DELLA PDF
1. La PDF è non negativa
– Dimostrazione
Essendo la PDF per definizione la derivata della CDF, che è una funzione non decrescente,
essa non può essere negativa
Lezione n°: 20
Attività n°: 2
2. La CDF è una primitiva della PDF
– Dimostrazione
Essendo la PDF la derivata della CDF si ha
Fissati x2=x e x1=-∞ ed essendo F(-∞) = 0, si ottiene il risultato desiderato

Lezione n°: 20
Attività n°: 2
3. Normalizzazione
– Dimostrazione
Dalla seconda proprietà, fissato x=∞, si ottiene il risultato F(∞)=1
Lezione n°: 20
Attività n°: 2
4. Si ha
– Si osservi che x1 non è compreso nell’intervallo. Importante qualora x1 avesse

probabilità finita, cioè fosse in corrispondenza di una delta di Dirac.
Ad esempio, se , allora
– Dimostrazione
Segue banalmente da
Lezione n°: 20
Attività n°: 2
5. Per ogni punto x0 dove la CDF è continua, in un intervallo infinitesimale

dx si ha
– Dimostrazione
Poiché la CDF è continua in x0, non ci sono delta di Dirac. Utilizzando la quarta proprietà si
ha
In quanto per un dx sufficientemente piccolo . L’uguaglianza in ≤ può

essere omessa non essendoci delta di Dirac e, quindi, si ottiene il risultato cercato.
Definizione: il punto xM (massimo assoluto) si

dice moda. Se la PDF ha un solo massimo si
dice unimodale, altrimenti multimodale
Lezione n°: 21
Titolo: VA Gaussiane
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili Aleatorie
VA Gaussiane
Lezione n°: 21
Attività n°: 1
VA GAUSSIANE
• Le VA Gaussiane sono un’importante classe di VA, molto utilizzate per
modellizzare diverse quantità di interesse in sistemi di telecomunicazioni
• Una VA X si dice Gaussiana (o normale) di parametri η e σ2 se la sua PDF

vale
Per brevità si usa la notazione

Lezione n°: 21
Attività n°: 1
VA GAUSSIANE: NORMALIZZAZIONE
• È noto che
Lezione n°: 21
Attività n°: 1
VA GAUSSIANE: CDF
• La CDF di X può essere scritta come
• Dove la funzione Q è nota (tabulata)

Lezione n°: 21
Attività n°: 1
LA FUNZIONE Q
• Valgono i limiti
• Q può essere approssimata, per x≥0, con
dove a=0.344 e b=5.334

Lezione n°: 21
Titolo: VA Esponenziali e Uniformi
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Variabili Aleatorie
VA Esponenziali e Uniformi
Lezione n°: 21
Attività n°: 2
VA ESPONENZIALI
• Una VA continua si dice esponenziale (negativa) di parametro λ se la sua
PDF vale
Con U(x) gradino unitario

• Per brevità indicata con
• La CDF, ottenuta per integrazione, è

Lezione n°: 21
Attività n°: 2
VA ESPONENZIALI
Lezione n°: 21
Attività n°: 2
VA UNIFORMI
• Una VA continua si dice uniforme su [a,b] se la sua PDF vale
• La CDF, ottenuta per integrazione, è

Lezione n°: 21
Attività n°: 2
VA UNIFORMI
Lezione n°: 21
Attività n°: 2
COMBINAZIONE DI VA CONTINUE
• È importante notare che date due PDF f1(x) e f2(x), la funzione
è ancora una PDF se

Lezione n°: 22
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili Aleatorie
Lezione n°: 22
Attività n°: 1
FUNZIONE MASSA DI PROBABILITÀ (PMF)

• Abbiamo visto che, usando la funzione delta di Dirac, la PDF di una VA
discreta si può scrivere come
• Questo ci consente di limitare la definizine di X ai soli punti {xi} in cui si

concentra la massa di probabilità
• Si ottiene quindi un equivalente spazio campione discreto S’={x1, x2,…} con
probabilità
Lezione n°: 22
Attività n°: 1
FUNZIONE MASSA DI PROBABILITÀ (PMF)

• La sequenza {pX(xi), i=1,2,…} viene definita funzione massa di probabilità
(probability mass function – PMF).
• Per comodità spesso indicata con pi invece di pX(xi) (se univoca dal
contesto)
Lezione n°: 22
Attività n°: 1
NORMALIZZAZIONE
• Cioè la somma di tutti i “pesi” pi vale 1
• Si noti che l’utilizzo della PMF invece della PDF, rende raramente utilizzata
la CDF
Lezione n°: 22
Attività n°: 1
VA DI POISSON
• Una VA discreta X a valori interi si dice di Poisson di parametro λ>0 se la
sua PMF vale
• Normalizzazione
dove si è sfruttato lo sviluppo in serie di McLaurin di eλ

Lezione n°: 22
Attività n°: 1
VA DI BERNOULLI
• Una VA discreta X a valori interi si dice di Bernoulli di parametro p se la sua
PMF vale
e zero altrove.
• Notare che la VA di Bernoulli assume solo i valori 0 e 1, come la funzione
indicatore di un evento
Lezione n°: 22
Attività n°: 1
UTILIZZO DELLA PMF

• La PMF può essere utilizzate, ad esempio, data una VA di Poisson per
calcolare le probabilità P{X=0} e P{X>2}.
Lezione n°: 22
Attività n°: 1
VA BINOMIALE
• Una VA discreta X a valori interi si dice binomiale di parametri n e p se la
sua PMF vale
e zero altrove.
• Per brevità si usa la notazione
• Un esempio di VA binomiale di parametri n e p è il numero di successi in n
prove, con probabilità di successo sulla singola prova pari a p
Lezione n°: 22
Attività n°: 1
VA GEOMETRICA
• Una VA discreta X a valori interi si dice geometrica di parametro p se la sua
PMF vale
e zero altrove.
• Per brevità si usa la notazione
• Un esempio di VA binomiale di parametro p è il numero di prove, ciascuna
con probabilità di successo p, fino al primo successo
Lezione n°: 22
Attività n°: 1
VA BINOMIALE NEGATIVA
• Una VA discreta X a valori interi si dice binomiale negativa di parametri r e
p se la sua PMF vale
e zero altrove.
• Un esempio di VA binomiale di parametri r e p è il numero di prove,
ciascuna con probabilità di successo p, fino all’r-esimo successo
Lezione n°: 23
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Variabili Aleatorie
Lezione n°: 23
Attività n°: 2
TRASFORMAZIONI DI VA
• Negli esperimenti è piuttosto comune misurare quantità fisiche che
dipendono da altre quantità.
• Ad esempio, la tensione ai capi di una resistenza, che dipende dalla
corrente che la attraversa.
– Se la corrente è una VA allora anche la tensione lo è
• Formalmente: Si consideri la VA e una data funzione

Allora è un’altra VA, ottenuta dalla composizione della VA X e
della funzione g(), cioè
Lezione n°: 23
Attività n°: 2
• Esistono due metodi per caratterizzare Y, data la conoscenza di X
1. Graficamente: si può ottenere la CDF di Y, data quella di X
2. Teorema Fondamentale: si può ottenere la PDF di Y, data quella di X
• Vediamo prima il metodo grafico.

• Per definizione
• Idea: esprimere la P{g(X)≤y} in funzione della CDF di X

Lezione n°: 23
Attività n°: 2
IL METODO GRAFICO: UN ESEMPIO

• Trasformazioni lineari
• Assumiamo a>0. Allora, semplicemente per sostituzione
• Per ogni punto y, abbiamo ottenuto una espressione di FY(y) in funzione

della FX(x), che è nota
Lezione n°: 23
Attività n°: 2
IL METODO GRAFICO: UN ESEMPIO

• Graficamente
Lezione n°: 23
Attività n°: 2
AMPLIFICATORE CON SATURAZIONE

• Un amplificatore elettronico è un dispositivo che, dato un segnale di
ingresso x, restituisce in uscita il segnale amplificato Gx (G>1). L’uscita
tuttavia non può essere maggiore di un massimo livello, detto saturazione.
• Una tipica legge ingresso-uscita è la seguente

Lezione n°: 23
Attività n°: 2

• Calcoliamo la CDF dell’uscita, data in ingresso la VA X
• Distinguiamo 3 casi
1. y ≥ G
2. y ≤ -G
1. |y| < G, l’equazione y = g(x) ammette come sola soluzione x=y/G

Lezione n°: 23
Attività n°: 2

• Dunque
• Ovviamente il grafico di FY dipende da quale FX si considera

Lezione n°: 23
Attività n°: 2

Lezione n°: 23
Titolo: Esempi di domande d’esame
Attività n°: 4
Esempi di domande d’esame

• Si consideri una VA Gaussiana e sia data la trasformazione
Si calcoli la CDF di Y e se ne tracci un grafico qualitativo
• Data la stessa VA, inventarsi due semplici trasformazioni e ripetere l’esercizio

Lezione n°: 23
Attività n°: 4
Soluzione domanda 1
• Distinguiamo tre casi
1. y≥0
2. -2 ≤ y < 0 (corrispondente a X<0)
3. y < -2, nessun x è mappato in questo intervallo e quindi

Lezione n°: 23
Attività n°: 4
Soluzione domanda 1
Lezione n°: 24
Titolo: Trasformazione di VA
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili Aleatorie
Trasformazioni di VA
Lezione n°: 24
Attività n°: 1
• Esistono due metodi per caratterizzare Y, data la conoscenza di X
1. Graficamente: si può ottenere la CDF di Y, data quella di X
2. Teorema Fondamentale: si può ottenere la PDF di Y, data quella di X
• Vediamo ora il Teorema Fondamentale.

• Prendiamo in considerazione tre casi
1. Per ogni valore di y che non è soluzione di y=g(x) (cioè fuori dal codominio di g(x),
abbiamo fY(y)=0
2. Se g(x) ha tratti orizzontali, allora Y può avere delle delta di Dirac in loro corrispondenza.
Ad esempio se g(x) ha un solo tratto orizzontale
Allora e si ha quindi
Dove c(y)è la parte “regolare” della PDF.

Lezione n°: 24
Attività n°: 1
3. Per ogni valore di y nel codominio di g(x) (non orizzontale), indichiamo cin x1,…,xN le
soluzioni di y=g(x). La PDF di Y vale
dove
Lezione n°: 24
Attività n°: 1
DIMOSTRAZIONE DEL TEOREMA FONDAMENTALE

• I primi due casi risultano banali
• Per il terzo caso consideriamo una PDF e una g(x) generiche, come in
figura
Lezione n°: 24
Attività n°: 1

• Senza perdità di generalità, fissiamo un valore y e siano x1, x2 e x3 le
corrispondenti radici
• Si consideri la linea ad altezza y+dy, con dy>0 infinitesimale. Le
corrispondenti radici sono x1+dx1, x2+dx2 e x3+dx3
• Risulta evidente che l’intervallo (y, y+dy) sia l’immagine, attraverso g(x) dei
tre intervalli disgiunti (x1,x1+dx1), (x2,x2+dx2) e (x3,x3+dx3)
• Analogamente a quanto fatto per il metodo grafico, otteniamo
Applicando la quinta proprietà delle PDF

Lezione n°: 24
Attività n°: 1

• Per il punto x1 (x3 è analogo dato che ha la stessa pendenza)
Con dx1 e dy legati da dx1=dy/g’(x1)

• Analogamente per x2
In quanto la probabilità è positiva, mentre dx2<0. Inoltre dx2=dy/g’(x2)

• Applicando la probabilità a entrambi i membri e uguagliandoli si
haAnalogamente a quanto fatto per il metodo grafico, otteniamo
Dove cancellando dy, abbiamo il risultato desiderato.

Lezione n°: 24
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Variabili Aleatorie
Trasformazioni di VA
Lezione n°: 24
Attività n°: 2
L’AMPLIFICATORE CON SATURAZIONE

• Riprendiamo l’esempio della lezione precedente e risolviamolo con il
teorema fondamentale
1. La PDF è nulla per i valori di y che non sono soluzione di y=g(x)
2. Per |y|=G, g(x) ha tratti orizzontali corrispondenti alle seguenti masse di probabilità
Dunque avremo due delta di Dirac, una in y=-G con “peso” FX(-1) e una in y=G con peso 1-
FX(1)
Lezione n°: 24
Attività n°: 2

3. Intervallo (-G,G), corrispondente a x in (-1,1), dove l’equazione y=g(x) ha una sola
soluzione x1(y)=y/G. Osservando che g’(x)= G>0 per x nell’intervallo (-1,1)
• La PDF di Y risulta quindi

Lezione n°: 24
Attività n°: 2

• La PDF di Y risulta quindi
Lezione n°: 24
Titolo: Esercizi
Attività n°: 3
Segnali e Sistemi
Nucleo Tematico:
Variabili Aleatorie
Esercizi
Lezione n°: 24
Titolo: Esercizi
Attività n°: 3
Lezione n°: 24
Titolo: Esercizi
Attività n°: 3
Lezione n°: 24
Titolo: Esercizi
Attività n°: 3
Lezione n°: 24
Titolo: Esercizi
Attività n°: 3
Lezione n°: 24
Titolo: Esercizi
Attività n°: 3
Lezione n°: 24
Attività n°: 4
Segnali e Sistemi
Nucleo Tematico:
Variabili Aleatorie
Lezione n°: 24
Attività n°: 4
Lezione n°: 25
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Trasformazione di VA
Lezione n°: 25
Attività n°: 1
TRASFORMAZIONE DI VA DISCRETE
• Data una VA X a valori nell’insieme {x1,x2,…,} (finito o infinito
numerabile) e caratterizzata dalla PMF {P{X=x1},P{X=x2},…}.
• La VA Y può assumere valori nell’insieme {y1,y2,…,} (finito o infinito
numerabile)
Lezione n°: 25
Attività n°: 1
Lezione n°: 25
Attività n°: 1
• Data un VA X mista, con PDF del tipo
• Applichiamo il teorema fondamentale a c(x)

• Applichiamo quanto visto nelle slide precedenti alla parte discreta
Lezione n°: 25
Attività n°: 1
• Esempio
Lezione n°: 25
Attività n°: 1
• Esempio: soluzione
• La parte “regolare” della PDF di V vale
• La trasformazione g(v) è quindi quella in figura

Lezione n°: 25
Attività n°: 1
• Essendo V una VA mista, anche I lo sarà
– Il tratto orizzontale di g(v) contribuisce ad una massa di probabilità fI(i)
centrata in –I0=-2mA. Essendo la PDF di V simmetrica, si ottiene che
– I contiene anche un’altra massa di probabilità di peso ¼ centrata in

i=g(1)=0.5mA
Lezione n°: 25
Attività n°: 1
Lezione n°: 25
Attività n°: 1
• Ecco il grafico della PDF
Lezione n°: 25/s1
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Esercizi
Lezione n°: 25/s1
Titolo: Esercizi
Attività n°: 1
ESERCIZI
• Si considerino 5 lanci di una moneta non truccata. Se esce testa almeno
4 volte si vincono w euro, altrimenti se ne perdono l (se ne vincono –l)
• Calcolare la PMF della VA Y = euro vinti
Lezione n°: 25/s1
Titolo: Esercizi
Attività n°: 1
ESERCIZI
• Soluzione
Lezione n°: 25/s1
Titolo: Esercizi
Attività n°: 1
ESERCIZI
• Soluzione
Lezione n°: 25/s1
Titolo: Esercizi
Attività n°: 1
ESERCIZI
• Soluzione
Lezione n°: 25/s1
Titolo: Esercizi
Attività n°: 1
ESERCIZI
• Soluzione
Lezione n°: 25/s1
Titolo: Esercizi
Attività n°: 1
ESERCIZI
• Testo
Lezione n°: 25/s1
Titolo: Esercizi
Attività n°: 1
ESERCIZI
• Soluzione
Lezione n°: 25/s1
Titolo: Esercizi
Attività n°: 1
ESERCIZI
• Soluzione
Lezione n°: 25/s1
Titolo: Esercizi
Attività n°: 1
ESERCIZI
• Soluzione
Lezione n°: 26
Titolo:
Valor medio
Attività n°:
1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Valor medio
Lezione n°: 26
Titolo:
Valor medio
Attività n°:
1
IL VALOR MEDIO
• In termini di frequenza relativa il suo significato è illustrato dalla
seguente figura
Lezione n°: 26
Titolo:
Valor medio
Attività n°:
1
MEDIA CAMPIONE
• La media campione (o media aritmetica) è definita come
Lezione n°: 26
Titolo:
Valor medio
Attività n°:
1
IL VALOR MEDIO: DEFINIZIONE

Lezione n°: 26
Titolo:
Valor medio
Attività n°:
1
IL VALOR MEDIO: OSSERVAZIONE

Lezione n°: 26
Titolo:
Valor medio
Attività n°:
1
IL VALOR MEDIO: FUNZIONE INDICATRICE

Lezione n°: 26/s1
Titolo: Valor medio
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Lezione n°: 26/s1
Titolo: Valor medio
Attività n°: 1
IL VALOR MEDIO
• In statistica la media è un valore “riassuntivo” di una grandezza fisica, di
cui sono noti molti campioni
• L’astrazione di tale concetto in teoria della probabilità prende il nome di
valor medio di una VA
• In termini di frequenza relativa il suo significato è illustrato dalla
seguente figura
Lezione n°: 26/s1
Titolo: Valor medio
Attività n°: 1
MEDIA CAMPIONE
• La media campione (o media aritmetica) è definita come
• Può essere interpretata come la media pesata (o baricentro) dei valori

xi, dove il generico “peso” è dato dalla frequenza relativa
Lezione n°: 26/s1
Titolo: Valor medio
Attività n°: 1
IL VALOR MEDIO: DEFINIZIONE

Lezione n°: 26/s1
Titolo: Valor medio
Attività n°: 1
IL VALOR MEDIO: OSSERVAZIONE

Lezione n°: 26/s1
Titolo: Valor medio
Attività n°: 1
IL VALOR MEDIO: FUNZIONE INDICATRICE

Lezione n°: 26/s2
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Approfondimenti
Lezione n°: 26/s2
Attività n°: 1
Esercizi
• Testo: Si calcoli il voto medio di 4 studenti che hanno superato
l’esame, di cui 3 con 28 e uno con 30
• Soluzione: gli N studenti possono essere interpretati come un
esperimento a prove ripetute, in cui ciascuna prova rappresenta il
voto di uno studente.
• Tale voto è una VA X con valori da 0 a 30.
• Applicando la definizione di valor medio
Lezione n°: 26/s2
Attività n°: 1
Esercizi
• Testo: Si calcoli il valor medio della VA X ={faccia di un dado non
truccato}
• Soluzione: Essendo il dado non truccato
• La PMF della VA X
Lezione n°: 26/s2
Attività n°: 1
Esercizi
• Testo: Si calcoli il valor medio della VA X di Poisson con parametro
generico
• Soluzione:
• La PMF della VA X
Lezione n°: 27
Titolo: Proprietà del valor medio
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Proprietà del valor medio
Lezione n°: 27
Attività n°: 1
PROPRIETÀ DEL VALOR MEDIO
• Se fX(x) è simmetrica intorno a x=0 (cioè è una funzione pari),

allora
• Dimostrazione: dato che x è una funzione dispari, mentre fX(x)

è pari, il loro prodotto sarà dispari. L’integrale di una funzione
dispari su un intervallo simmetrico intorno all’origine è sempre
nullo.
Lezione n°: 27
Attività n°: 1

Lezione n°: 27
Attività n°: 1

Lezione n°: 27
Attività n°: 1

Lezione n°: 27
Attività n°: 1
TEOREMA DELL’ASPETTAZIONE
Lezione n°: 27
Attività n°: 1
• Dimostrazione:
Lezione n°: 27
Attività n°: 1
Lezione n°: 27
Attività n°: 1
Lezione n°: 27/s1
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Esercizi
Lezione n°: 27/s1
Titolo: Esercizi
Attività n°: 1
Esercizio
• Testo:
Lezione n°: 27/s1
Titolo: Esercizi
Attività n°: 1
Esercizi
• Soluzione:
Lezione n°: 27/s1
Titolo: Esercizi
Attività n°: 1
Esercizi
• Soluzione:
Lezione n°: 27/s1
Titolo: Esercizi
Attività n°: 1
Esercizi
Lezione n°: 27/s1
Titolo: Esercizi
Attività n°: 1
Esercizi
Lezione n°: 27/s1
Titolo: Esercizi
Attività n°: 1
Esercizi
Lezione n°: 27/s1
Titolo: Esercizi
Attività n°: 1
Esercizi
Lezione n°: 28/s1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Lezione n°: 28/s1
Attività n°: 1
LINEARITÀ
• La linearità del valor medio è un diretta conseguenza del teorema
dell’aspettazione
• Date due VA Y=g(X) e Z=h(X), entrambe funzione di X, allora per ogni
possibile coppia di valori reali (c,d) si ha
Lezione n°: 28/s1
Attività n°: 1
LINEARITÀ
Lezione n°: 28/s1
Attività n°: 1
VALOR MEDIO DI UNA COSTANTE

Lezione n°: 28/s1
Attività n°: 1
VALOR MEDIO DI UNA PDF SIMMETRICA

Lezione n°: 28/s1
Attività n°: 1
VALOR MEDIO DI UNA PDF SIMMETRICA

• Graficamente:
Lezione n°: 28/s1
Attività n°: 1
ESERCIZI
• Si consideri una VA X uniformemente distribuita in (-1,1)
e si calcoli
Lezione n°: 28/s1
Attività n°: 1
ESERCIZI
• Soluzione
– Ricordiamo che
– Utilizzando la linearità del valor medio

Lezione n°: 28/s1
Attività n°: 1
ESERCIZI
• Soluzione
– Essendo fX(x) pari, allora il valor medio di X è zero.
– Applicando il teorema dell’aspettazione
– Quindi
Lezione n°: 29/s1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Lezione n°: 29/s1
Attività n°: 1
VARIANZA E DEVIAZIONE STANDARD

Lezione n°: 29/s1
Attività n°: 1
VARIANZA E DEVIAZIONE STANDARD

Lezione n°: 29/s1
Attività n°: 1
VA DI POISSON
• Si consideri una VA di Poisson a valori interi. Sappiamo già che il suo valor
medio è 𝜆𝜆
• Calcoliamo il valore quadratico medio
Lezione n°: 29/s1
Attività n°: 1
VA DI POISSON
• Dalla seconda proprietà della varianza, possiamo scrivere
• Per le VA di Poisson
Lezione n°: 29/s1
Attività n°: 1
ALCUNE DISUGUAGLIANZE UTILI

• Negli esperimenti reali siamo spesso interessati a calcolare probabilità del
tipo 𝑃𝑃{𝑋𝑋 ≥ 𝑏𝑏}, cioè la probabilità che la VA di interesse superi una certa
soglia.
• Definiamo quindi l’indicatore dell’evento {𝑋𝑋 ≥ 𝑏𝑏} come la VA Ib(X)
• Consideriamo quindi una generica g(x) tale che ogni valore di x per cui
fX(x)>0 vale:
In figura un esempio di possibile g(x)

Lezione n°: 29/s1
Attività n°: 1
ALCUNE DISUGUAGLIANZE UTILI

• Consideriamo ora la VA g(X)-Ib(X) (che risulta non negativa per
costruzione), per cui
• Applicando la linearità del valor medio
• Quindi
• Questo generico limite, per opportune scelte di g(x) può portare a risultati
molto utili
Lezione n°: 29/s1
Attività n°: 1
DISUGUAGLIANZA DI MARKOV
• Se consideriamo g(x) = x/b, abbiamo
• Graficamente
• Per cui possiamo scrivere, per ogni VA X>0

Lezione n°: 29/s1
Attività n°: 1
DISUGUAGLIANZA DI MARKOV
• Tale disuguaglianza ci dice che la probabilità che X superi una soglia b
molto più grande del valor medio tende a zero
Lezione n°: 29/s1
Attività n°: 1
DISUGUAGLIANZA DI CHEBYCHEV
• Consideriamo
• Essendo 𝑌𝑌 ≥ 0, applichiamo la disuguaglianza di Markov con e
𝜖𝜖 piccolo a piacere
• Osservando
• Otteniamo la disuguglianza di Chebychev

Lezione n°: 29/s1
Attività n°: 1
DISUGUAGLIANZA DI CHEBYCHEV
Lezione n°: 29/s3
Attività n°: 1

• Esercizio: consideriamo una spesa media procapite di 500 euro con una deviazione
standard di 25 euro. Si calcoli la frazione della popolazione per cui la spesa differisce
dalla media per al più 75 euro nel caso di VA S={spesa} 1) Gaussiana 2) generica.
• Definire varianza e deviazione standard
• Enunciare e dimostrare le proprietà della varianza
• Enunciare e dimostrare le disuguaglianze di Markov e di Chebychev

Lezione n°: 29/s3
Attività n°: 1
Soluzione Esercizio
Lezione n°: 30
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Lezione n°: 30
Attività n°: 1
MOMENTI
• Data una VA X, si definisce momento di ordine n della VA la

quantità (con n intero positivo)
• L’uguaglianza è dovuta al teorema dell’aspettazione

Lezione n°: 30
Attività n°: 1
MOMENTI DI UNA VA GAUSSIANA

Lezione n°: 30
Attività n°: 1

• Dimostrazione:
– Per valori pari, partiamo dalla condizione di normalizzazione
– Derivando rispetto a 𝛼𝛼
– Derivando ancora
– Ripetendo k volte
Lezione n°: 30
Attività n°: 1

Lezione n°: 30
Attività n°: 1
FUNZIONE GENERATRICE DEI MOMENTI

Lezione n°: 30
Attività n°: 1
FUNZIONE CARATTERISTICA
• L’integrale che definisce la MGF converge per valori di s appartenenti a
una striscia verticale che include l’asse immaginario. Fissato 𝑠𝑠 = 𝑗𝑗𝜔𝜔,
otteniamo la funzione caratteristica (characteristic function – CF)
• Che corrisponde alla trasformata di Fourier

• Nota: anche per la CF vale
Lezione n°: 30
Attività n°: 1
TEOREMA
• Se la MGF ammette derivata fino all’ordine n, allora
Lezione n°: 30
Attività n°: 1
OSSERVAZIONI
Lezione n°: 30/s2
Titolo: Momenti di VA notevoli
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Momenti di VA notevoli
Lezione n°: 30/s2
Attività n°: 1
VA di Bernoulli
Lezione n°: 30/s2
Attività n°: 1
VA binomiale
Lezione n°: 30/s2
Attività n°: 1
VA di Poisson
Lezione n°: 30/s2
Attività n°: 1
VA esponenziale
Lezione n°: 30/s2
Attività n°: 1
VA Gaussiana
Lezione n°: 30/s2
Attività n°: 1
Trasformazione lineare
Lezione n°: 31
Titolo: VA condizionate
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
VA condizionate
Lezione n°: 31
Attività n°: 1
VA CONDIZIONATE A EVENTI
• Analogamente a quanto fatto per le probabilità, definiziamo il
condizionamento di una VA ad un evento
• Data la VA X e fissato A={X≤x}, possiamo scrivere la CDF di X
condizionata a M come
Dove
Lezione n°: 31
Attività n°: 1
PROPRIETÀ
• Valgono tutte le proprietà delle CDF
– .
– .
– È una funzione non decrescente e continua da destra
• Come diretta conseguenza, la PDF si X dato M è
E valgono le proprietà delle PDF

Lezione n°: 31
Attività n°: 1
ALCUNI RISULTATI
• Si derivano facilmente:
– Data Y=g(X)
– Il valor medio di X dato M
– Per VA discrete
Dove è la PMF condizionata dato M

Lezione n°: 31
Attività n°: 1
OSSERVAZIONI
• Se possiamo scrivere l’evento M in funzione della VA stessa,
cioè
Per un qualche intervallo sull’asse reale, allora la PDF

condizionata può essere espressa completamente in termini di
FX(x)
• Esempio
Lezione n°: 31
Attività n°: 1
OSSERVAZIONI
• Distinguiamo i casi
– x ≤ t, allora
– x>t, allora
– Dunque
Lezione n°: 31
Attività n°: 1
OSSERVAZIONI
• Derivando
– Si noti che il condizionamento a M, fissa a 0 la PDF su Mc e la “riscala”

su M (in modo che valga ancora la condizione di normalizzazione)
Lezione n°: 31/s1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
VA condizionate
Lezione n°: 31/s1
Attività n°: 1

• Sia {Ai, i≤1} una partizione dello spazio campione S, dal teorema della
probabilità totale
Per la definizione di CDF abbiamo
• Derivando entrambi i membri, otteniamo l’espressione per la PDF
e per il caso discreto

Lezione n°: 31/s1
Attività n°: 1

Lezione n°: 31/s1
Attività n°: 1
FORMULA DI BAYES
• Fissato A = {X≤x}
• Attenzione: il termine P{M|X=x} non può essere calcolato se FX(x) non

ha discontinuità in x (dove P{X=x}=0). Possiamo però estendere la
definizione di probabilità condizionata, tramite il seguente limite
• Dunque
Lezione n°: 31/s1
Attività n°: 1

Lezione n°: 31/s1
Attività n°: 1
DOPPIO CONDIZIONAMENTO
Lezione n°: 32
Titolo: Coppie di VA
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Coppie di VA
Lezione n°: 32
Attività n°: 1
COPPIE DI VA
• Nello studio di un esperimento aleatorio può essere utile associare una
coppia (x,y) di numeri reali ai risultati dell’esperimento stesso, definendo
così una coppia (X,Y) di variabili aleatorie. Data la coppia (X,Y) di variabili
aleatorie, si definisce la CDF congiunta (Joint CDF, JCDF)
• Si può scrivere dove D1 è il rettangolo di

infinite dimensioni mostrato di seguito e la JCDF è il suo peso
Lezione n°: 32
Attività n°: 1
PROPRIETÀ 1
• Si osservi che
• Applicando la probabilità ad ambo i membri e utilizzando la definizione di

JCDF, si ha:
• Analogamente . Inoltre
• Infine, per ogni coppia x,y reali, possiamo scrivere

Lezione n°: 32
Attività n°: 1
PROPRIETÀ 2
• Fissato y = y1, utilizzando il condizionamento, otteniamo
• Il profilo della CDF congiunta, in funzione di x è dunque quello di una CDF

consizionata pesata per la probabilità FY(y1) = P{Y≤y1} (risultato analogo si
ottiene fissando x)
• Possiamo quindi concludere che
E che è monotona e continua da destra sia in x che in y

Lezione n°: 32
Attività n°: 1
PROPRIETÀ
Lezione n°: 32
Attività n°: 1
COPPIE DI VA DISCRETE
• Date X e Y VA discrete, che assumono valori discreti {xi, i≥1} e
{xk, k≥1} la massa di probabilità vale zero tranne nei punti
{(xi,yk)}, dove vale
• I punti pik rappresentano la PMF congiunta di X e Y

Lezione n°: 32
Attività n°: 1
• La JCDF (normalmente non utilizzata) vale
Lezione n°: 32
Attività n°: 1
• Le PMF marginali si possono calcolare
– Essendo gli eventi Ak = {Y=yk} k=1,2,… disgiunti, essi rappresentano una
partizione di S
– Per il teorema della probabilità totale (analogamente per Y)
– Con una notazione più coincisa

Lezione n°: 32/s1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Coppie di VA
Lezione n°: 32/s1
Attività n°: 1
ESERCIZIO
• Si calcoli
• Dove
È mostrato in figura
Lezione n°: 32/s1
Attività n°: 1
ESERCIZIO
• Definiamo (come nella precedente figura)
Lezione n°: 32/s1
Attività n°: 1
VA CONGIUNTAMENTE BINOMIALI
• Si consideri l’esperimento di n prove ripetute, ciascuna con probabilità di
successo p. Definiamo
• Sia X che Y assumono valori in 0,1,…,n. La PMF congiunta è

Lezione n°: 32/s1
Attività n°: 1
• Graficamente la PMF congiunta
• Gli elementi non nulli sono solo quelli sulla diagonale evidenziata
Lezione n°: 32/s1
Attività n°: 1
• Utilizzando quanto visto in precedenza, le PMF marginali risultano
essere
• Ricordando che , possiamo concludere che sia X che Y sono

binomiali di parametri rispettivamente p e 1-p
Lezione n°: 33/s1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Lezione n°: 33/s1
Attività n°: 1
COPPIE DI VA CONGIUNTAMENTE CONTINUE

• X e Y sono congiuntamente continue se per ogni coppia (x,y) reale esiste
una funzione fXY≤0, chiamata PDF congiunta, tale che per ogni
• Per definizione, segue che per ogni A,B reali

Lezione n°: 33/s1
Attività n°: 1
ESEMPIO
• Si considerino due VA X e Y con PDF congiunta
• Si calcolino
1. P{X>1,Y<1}
2. P{X<Y}
Lezione n°: 33/s1
Attività n°: 1
ESEMPIO
• P{X>1,Y<1}
– Graficamente
Lezione n°: 33/s1
Attività n°: 1
ESEMPIO
• P{X>1,Y<1}
Lezione n°: 33/s1
Attività n°: 1
ESEMPIO
• P{X<Y}
Lezione n°: 33/s1
Attività n°: 1
ESEMPIO
• P{X<Y}
Lezione n°: 33/s1
Attività n°: 1
PDF MARGINALI
• Se X e Y sono congiuntamente continue, allora lo sono anche
marginalmente con PDF marginali ottenibili come nel seguito
• Per ogni A reale
• Inoltre
Lezione n°: 33/s1
Attività n°: 1
PDF MARGINALI
• Integrando
• In modo analogo
• In pratica, la PDF marginale si ottiene integrando la PDF congiunta

rispetto all’altra variabile
Lezione n°: 33/s1
Attività n°: 1
VA CONGIUNTAMENTE GAUSSIANE
• (X,Y) è una coppia di VA congiuntamente Gaussiane di parametri
(si usa la notazione ) se
hanno la seguente PDF congiunta
• Con
Lezione n°: 33/s1
Attività n°: 1
• La PDF congiunta
Lezione n°: 33/s1
Attività n°: 1
• Le curve di livello fXY(x,y) sono ellissi, la cui

caratterizzazione dipende dai valori di σ X ,σ Y e ρ.
– Se σ X > σ Y le ellissi sono più “schiacciate” in verticale, con ρ che
determina l’orientazione delle curve di livello
– Viceversa, se σ X < σ Y le ellissi sono più “schiacciate” in orizzontale
– Se invece σ X = σ Y e ρ = 0, le curve sono cerchi

Lezione n°: 33/s1
Attività n°: 1
Lezione n°: 34
Titolo: VA indipendenti
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
VA indipendenti
Lezione n°: 34
Attività n°: 1
INDIPENDENZA
• Due VA X e Y sono indipendenti se per ogni coppia di intervalli A e B reali
• Cioè. sono eventi indipendenti
• Applicando il condizionamento
• Ovvero
• In pratica questo significa che la conoscenza del valore di una non cambia
le statistiche dell’altra
Lezione n°: 34
Attività n°: 1
INDIPENDENZA
• In maniera equivalente
Lezione n°: 34
Attività n°: 1
ESEMPIO 1
• Si consideri la PDF congiunta
• Ottenuta come prodotto di
• Vale
Per cui sono indipendenti

Lezione n°: 34
Attività n°: 1
ESEMPIO 2
Lezione n°: 34
Attività n°: 1
TRASFORMAZIONE DI VA INDIPENDENTI
• Se X e Y sono indipendenti, allora per qualsiasi coppia di funzioni g() e h(),
le VA Z=g(X) e W=h(Y) sono indipendenti
• Dimostrazione:
– Siano
– Per costruzione
– Se X e Y sono indipendenti, allora per ogni (x,w) gli eventi {Z ≤ z} w {W ≤ w} sono

indipendenti. Di conseguenza Z e W sono VA indipendenti
Lezione n°: 34/s1
Titolo: Vettori aleatori
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Vettori aleatori
Lezione n°: 34/s1
Attività n°: 1
VETTORI ALEATORI
• Come diretta estensione del caso bidimensionale, si possono definire le
statistiche congiunte di n VA (n >2)
• Si definisce la JCDF
FX1 X 2 ... X n ( x1 , x2 ,..., xn ) = Pr ({ X 1 ≤ x1 , X 2 ≤ x2 ,..., X n ≤ xn } )
• E la relativa PDF
∂ n FX X ... X ( x1 , x2 ,..., xn )
f X1 X 2 ... X n ( x1 , x2 ,..., xn ) = 1 2 n
∂ x1∂ x2 ...∂ xn
Lezione n°: 34/s1
Attività n°: 1
VETTORI ALEATORI
Nello studio dei sistemi di variabili aleatorie n-dimensionali si utilizza, di solito, una
notazione più compatta. Le n variabili aleatorie (X1, X2,…, Xn), infatti, vengono
disposte in un vettore aleatorio X:
 X1 
X 
=X = 2
[ X 1 , X 2 , , X n ]
T
  
 
 X n 
Anche per i vettori aleatori è possibile individuare i parametri caratteristici usando
analoghe definizioni:
{X} η X1 ,η X 2 , ,η X n 
T
=
ηX E=
Lezione n°: 34/s1
Attività n°: 1
VA CONGIUNTAMENTE CONTINUE
• n VA (X1,…,Xn) sono dette congiuntamente continue se, ∀𝑥𝑥 ∈ ℝ𝑛𝑛 esiste
una JPDF che si può scrivere come
• In particolare per ogni A1,…An
• E la condizione di normalizzazione diventa

Lezione n°: 34/s1
Attività n°: 1
VA CONGIUNTAMENTE CONTINUE
• Fissando 𝐴𝐴𝑖𝑖 = (∞−, 𝑎𝑎𝑎𝑎), possiamo scrivere
• Derivando n volte, rispetto alle n VA
• Restano valide le proprietà viste nel caso di coppie di VA

Lezione n°: 34/s1
Attività n°: 1
VA CONGIUNTAMENTE DISCRETE
• Per n VA (X1,…,Xn) discrete la PMF congiunta può essere scritta come
• Con condizione di normalizzazione
• Indipendenza: si ottenga, come banale estensione del caso di due VA, la

condizione di indipendenza di n VA
Lezione n°: 34/s1
Attività n°: 1
VALOR MEDIO DI Z=G(X,Y)

Lezione n°: 34/s2
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Approfondimenti
Lezione n°: 34/s3
Attività n°: 1

• Definire l’indipendenza tra 2 VA e quindi estendere al caso di n VA
• Si consideri una coppia di VA X e Y con PDF congiunta

costante sul dominio in figura. Si determinino le PDF
marginali e se ne tracci un grafico. Verificare se le
due VA sono indipendenti
• Sia fXY(x,y) data dalla porzione di piano mostrata in figura e

nulla altrove. Ricavare le PDF marginali, graficarle e determinare
se X e Y sono indipendenti
Lezione n°: 34/s3
Attività n°: 1
Soluzione esercizio 1
• L’area D=1 e quindi per normalizzazione otteniamo
• Si osservi che l’ipotenusa di D appartiene alla retta di equazione per cui

Lezione n°: 34/s3
Attività n°: 1
• Data la simmetria di D le due PDF marginali sono uguali

• Per verificare l’indipendenza di X e Y, moltiplichiamo tra loro le due PDF marginali
Essendo il prodotto delle marginali diverso dalla PDF congiunta possiamo concludere che
le due VA non sono indipendenti
Lezione n°: 35
Titolo: CDF/PDF di X condizionata a Y
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
CDF/PDF di X condizionata a Y
Lezione n°: 35
Attività n°: 1
Lezione n°: 35
Attività n°: 1
Lezione n°: 35
Attività n°: 1
Lezione n°: 35
Attività n°: 1
Lezione n°: 35
Attività n°: 1
Lezione n°: 35
Attività n°: 1
Lezione n°: 35
Attività n°: 1
Lezione n°: 35
Attività n°: 1
Lezione n°: 35/S1
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Esercizi
Lezione n°: 35/S1
Titolo: Esercizi
Attività n°: 1
ESERCIZIO 1
• Si consideri una coppia di VA indipendenti (X,N), dove X è esponenziale
di media 1, mentre N è discreta e assume i valori 1 e 3 con probabilità,
rispettivamente 2/3 e 1/3.
• Si calcoli la PDF si W = NX
Lezione n°: 35/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 35/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 35/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 35/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 36
Titolo: Media condizionata
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Media condizionata
Lezione n°: 36
Attività n°: 1
Lezione n°: 36
Attività n°: 1
Lezione n°: 36
Attività n°: 1
Lezione n°: 36
Attività n°: 1
Lezione n°: 36
Attività n°: 1
Lezione n°: 36
Attività n°: 1
Lezione n°: 36/S1
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Esercizi
Lezione n°: 36/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 36/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 36/S1
Titolo: Esercizi
Attività n°: 1
ESERCIZIO 2
• Si sceglie a caso un punto nell’intervallo (0,X), con X uniformemente
distribuita tra 0 e 1. Si indichi con Y la VA che indica l’ascissa di tale
punto
• Si calcoli la PDF di Y
Lezione n°: 36/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 36/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 36/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 36/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 37/S1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Lezione n°: 37/S1
Attività n°: 1
Lezione n°: 37/S1
Attività n°: 1
Lezione n°: 37/S1
Attività n°: 1
Lezione n°: 37/S1
Attività n°: 1
Lezione n°: 37/S1
Attività n°: 1
Lezione n°: 37/S1
Attività n°: 1
Lezione n°: 37/S1
Attività n°: 1
Lezione n°: 37/S1
Attività n°: 1
ESERCIZIO
• Consideriamo che vengano estratte X palline da una scatole che ne
contiene M=99. Ciascuna pallina, indipendentemente dalle altre, viene poi
lanciata in una tra N=50 scatole.
• Si calcoli il numero medio di palline per scatola.
Lezione n°: 37/S1
Attività n°: 1
Lezione n°: 37/S1
Attività n°: 1
Lezione n°: 38
Titolo: Correlazione e Covarianza
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Correlazione e Covarianza
Lezione n°: 38
Attività n°: 1
Lezione n°: 38
Attività n°: 1
Lezione n°: 38
Attività n°: 1
Lezione n°: 38
Attività n°: 1
Lezione n°: 38
Attività n°: 1
Lezione n°: 38/S1
Titolo: Covarianza: proprietà
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Covarianza: proprietà
Lezione n°: 38/S1
Attività n°: 1
Lezione n°: 38/S1
Attività n°: 1
Lezione n°: 38/S1
Attività n°: 1
Lezione n°: 38/S1
Attività n°: 1
Lezione n°: 38/S1
Attività n°: 1
Lezione n°: 38/S1
Attività n°: 1
Lezione n°: 39
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Lezione n°: 39
Attività n°: 1
Lezione n°: 39
Attività n°: 1
Lezione n°: 39
Attività n°: 1
Lezione n°: 39
Attività n°: 1
Lezione n°: 39
Attività n°: 1
Lezione n°: 39
Attività n°: 1
Lezione n°: 39
Attività n°: 1
Lezione n°: 39/S1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Lezione n°: 39/S1
Attività n°: 1
Lezione n°: 39/S1
Attività n°: 1
Lezione n°: 39/S1
Attività n°: 1
Lezione n°: 39/S1
Attività n°: 1
Lezione n°: 39/S1
Attività n°: 1
Lezione n°: 39/S1
Attività n°: 1
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Esercizi
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Esercizi – testo
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Esercizi – soluzione 1
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Esercizi – testo
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Esercizi - testo
Lezione n°: 40/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 40/S3
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Variabili aleatorie
Lezione n°: 40/S3
Attività n°: 1
Lezione n°: 40/S3
Attività n°: 1
Lezione n°: 40/S3
Attività n°: 1
Lezione n°: 40/S3
Attività n°: 1
Lezione n°: 40/S3
Attività n°: 1
Lezione n°: 40/S3
Attività n°: 1
Lezione n°: 41
Attività n°: 2
Segnali e Sistemi
Nucleo Tematico:
Introduzione ai segnali
Lezione n°: 41
Attività n°: 2
CHE COS’È UN SEGNALE?
• La definizione di segnale non è immediata. Esempi familiari tratti dalla vita

quotidiana sono il segnale acustico prodotto da uno strumento musicale (che dal
punto di vista fisico può essere caratterizzato come una variazione della
pressione dell’aria provocata dallo strumento, e rilevata dal nostro orecchio); il
segnale misurato da un elettrocardiografo (una debole tensione elettrica) e
registrato sulla tipica “strisciata”; il segnale radio (un campo elettromagnetico
variabile) captato dall’antenna di un ricevitore; il segnale luminoso emesso da
una lampadina di un semaforo, o da un apparecchio televisivo, e così via.
Lezione n°: 41
Attività n°: 2
• Tutti gli esempi precedenti hanno in comune una caratteristica, e cioè il fatto
che il segnale esiste in quanto si fa portatore di una informazione che giustifica
l’esistenza e l’importanza del segnale stesso. Questa informazione può essere di
varia natura: di carattere estetico, nel caso del brano musicale, medico, nel caso
dell’ elettrocardiogramma, e così via.
Lezione n°: 41
Attività n°: 2
• Tentando dunque di sintetizzare quanto sopra, possiamo dire che un segnale

è una qualunque grandezza fisica variabile cui è associata una informazione.
In molti casi, l’andamento del segnale può essere perfettamente noto, ad
esempio attraverso una registrazione su carta (come per il caso
dell’elettrocardiogramma), su nastro magnetico o come un file in un
calcolatore elettronico. Dunque il modo più conveniente per caratterizzare,
studiare ed elaborare un segnale passa attraverso la schematizzazione dello
stesso come una funzione matematica di una o più variabili.
Lezione n°: 41
Attività n°: 2

• Esempio di elettrocardiogramma
Lezione n°: 41
Attività n°: 2
• L’elettrocardiogramma rappresentato nella figura precedente può essere

considerato come il grafico di una funzione di variabile reale a valori reali x(t):
ℜ→ℜ ove la variabile indipendente t ha il significato di un tempo, e il valore
del segnale rappresenta l’andamento della tensione raccolta dall’apparato
biomedicale. La notazione usata riflette questo caso tipico, in cui cioè
l’evoluzione del segnale avviene in ambito temporale.
Lezione n°: 41
Attività n°: 2
Tipi di segnali
• segnali a tempo continuo, per i quali il dominio della funzione ha la
cardinalità dell’insieme dei numeri reali. La variabile indipendente può
assumere con continuità tutti i valori compresi entro un certo intervallo,
eventualmente illimitato. Il simbolo che useremo per la variabile
temporale (continua) sarà t, e i segnali saranno indicati con x(t), y(t) ecc.
L’elettrocardiogramma e i vari segnali sismici delle figure precedenti sono
esempi tipici di segnali a tempo continuo;
• segnali a tempo discreto, per i quali il dominio della funzione ha la
cardinalità dell’insieme (discreto) dei numeri interi. Tali segnali
vengono chiamati in matematica successioni. Più specificamente, le
successioni vengono chiamate nella teoria dei segnali sequenze, e
saranno indicate con espressioni del tipo x[n], y[n], ove la variabile
“temporale” n viene racchiusa tra parentesi quadre
Lezione n°: 41
Attività n°: 2
Tipi di segnali
Lezione n°: 41
Attività n°: 2
Tipi di segnali
• Segnale determinato o deterministico: il segnale è noto
attraverso un grafico, o una registrazione magnetica, o più
semplicemente attraverso una ben definita espressione
matematica, o ancora perché è il prodotto di sistemi e
apparati di cui si ha stretto controllo (ad esempio, un
generatore di forme d’onda di un laboratorio elettronico).
• Segnale aleatorio: non è possibile conoscere con esattezza
a priori il valore assunto da un segnale in un certo istante. Si
pensi al segnale geofisico raccolto da sensori posti sul
terreno per effettuare rilevazioni minerarie. Tale segnale non
è noto a priori completamente, in particolare non se ne
conosce l’evoluzione futura se non dopo l’osservazione, cioè
a posteriori
Lezione n°: 41
Attività n°: 2
Tipi di segnali
1. Segnale periodico
x(t ) = x(t + T0 ) ∀t
x[ n] = x[ n + N 0 ] ∀n
Lezione n°: 41
Attività n°: 2
Energia e potenza
Lezione n°: 41
Attività n°: 2
Potenza di segnali periodici

Lezione n°: 41
Attività n°: 2
Segnali realizzabili
• Segnali fisicamente realizzabili

– Sono reali e continui
– Hanno energia finita, per cui
– Hanno supporto finito sia nel tempo che in frequenza
•Vale
– P = 0 essendo il supporto finito
– L’energia è sempre positiva e non nulla

Lezione n°: 41
Attività n°: 2
Decibel
• Utilizzati per rappresentare ampiezza di segnali in scale logaritmiche
• Tipicamente usati per rapporti tra potenze
• Usati per rappresentare potenze “assolute”, ad esempio i dBm

rappresentano potenze rispetto a 1mW
Lezione n°: 42/S1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Lezione n°: 42/S1
Attività n°: 1
SCALINO (TEMPO DISCRETO)

Lezione n°: 42/S1
Attività n°: 1
IMPULSO (TEMPO DISCRETO)

Lezione n°: 42/S1
Attività n°: 1
Lezione n°: 42/S1
Attività n°: 1
Lezione n°: 42/S1
Attività n°: 1
Lezione n°: 42/S1
Attività n°: 1
Lezione n°: 42/S1
Attività n°: 1
Lezione n°: 42/S1
Attività n°: 1
Lezione n°: 42/S1
Attività n°: 1
Lezione n°: 43
Titolo: Segnale esponenziale complesso
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Segnale esponenziale complesso
Lezione n°: 43
Attività n°: 1
Lezione n°: 43
Attività n°: 1
Lezione n°: 43
Attività n°: 1
Lezione n°: 43
Attività n°: 1
Lezione n°: 43
Attività n°: 1
Lezione n°: 43/S1
Titolo: Serie di Fourier
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Serie di Fourier
Lezione n°: 43/S1
Attività n°: 1
Lezione n°: 43/S1
Attività n°: 1
Lezione n°: 43/S1
Attività n°: 1
Lezione n°: 43/S1
Attività n°: 1
Lezione n°: 43/S1
Attività n°: 1
Lezione n°: 43/S1
Attività n°: 1
Lezione n°: 43/S1
Attività n°: 1
Lezione n°: 43/S1
Attività n°: 1
Lezione n°: 43/S1
Attività n°: 1
Lezione n°: 44/S1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Lezione n°: 44/S1
Attività n°: 1
Lezione n°: 44/S1
Attività n°: 1
Lezione n°: 44/S1
Attività n°: 1
Lezione n°: 44/S1
Attività n°: 1
Lezione n°: 44/S1
Attività n°: 1
Lezione n°: 44/S1
Attività n°: 1
Lezione n°: 44/S1
Attività n°: 1
Lezione n°: 44/S1
Attività n°: 1
Lezione n°: 45
Titolo: Sistemi LTI
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Sistemi LTI
Sistemi LTI
Lezione n°: 45
Titolo: Sistemi LTI
Attività n°: 1
SISTEMI LTI (LINEARI E TEMPO INVARIANTI)

• Un sistema è un dispositivo che riceve in ingresso un generico segnale e
restituisce in uscita un segnale modificato. Il sistema è caratterizzato da
una relazione matematica tra ingresso e uscita, indicata con Γ ∙
• Un sistema si dice causale se l’uscita dipende dall’ingresso passato e
attuale, ma non da quello futuro. Anticausale, altrimenti.
• Un sistema si dice lineare, se in corrispondenza di una combinazione
lineare degli ingressi si ottiene in uscita una combinazione lineare delle
singole uscite. Ad esempio (caso discreto)
• Un sistema è tempo invariante se l’uscita, in corrispondenza di un

ingresso ritardato, è ritardata della medesima quantità. Ad esempio (caso
discreto)
Lezione n°: 45
Titolo: Sistemi LTI
Attività n°: 1

• Un sistema si dice senza memoria se l’uscita a un certo istante dipende
soltanto dall’ingresso a quell’istante. Con memoria, altrimenti.
• Un sistema si dice stabile in senso BIBO (Bounded Input Bounded
Output), se in corrispondenza di un ingresso limitato si ottiene un’uscita
limitata
Lezione n°: 45
Titolo: Sistemi LTI
Attività n°: 1
ESEMPIO
• Consideriamo un accumulatore
• Si verifichi che il sistema è

– Lineare
– Tempo-invariante
– Causale e con memoria
– Instabile (provare con, in ingresso, il segnale u[n])
Lezione n°: 45
Titolo: Sistemi LTI
Attività n°: 1

• Un sistema che soddisfa le proprietà di linearità e tempo-invarianza di dice
LTI
• Definiamo la risposta all’impulso come l’uscita del sistema quando in
ingresso è posto l’impulso unitario. La risposta all’impulso si indica con
h[n] nel caso discreto e h(t) nel caso continuo
Lezione n°: 45
Titolo: Sistemi LTI
Attività n°: 1
SISTEMI DISCRETI
• Sappiamo che h n = Γ 𝛿𝛿[𝑛𝑛] . Data la tempo invarianza
E per la linearità
• Ricordando che una generica sequenza può essere scritta come

si ottiene
Lezione n°: 45
Titolo: Sistemi LTI
Attività n°: 1
SISTEMI CONTINUI
• Applicando una procedura simile
• Le relazione ingresso-uscita sono note come convoluzione

(rispettivamente, sommatoria e integrale) e vengono indicate con
Lezione n°: 45
Titolo: Sistemi LTI
Attività n°: 1
SISTEMI LTI CAUSALI

• Un sistema LTI è causale se h(t) = 0 per t < 0 (analogamente per il caso
discreto h[n] = 0 per n < 0)
– Anche se in modo improprio si usa dire che h(t) (o h[n]) è causale
• Per una risposta all’impulso causale abbiamo
E quindi l’uscita attuale dipende solo dagli ingressi passati e da quello attuale
Lezione n°: 45
Titolo: Sistemi LTI
Attività n°: 1
SISTEMI LTI STABILI

• Un sistema LTI è stabile BIBO se
• Per un sistema discreto

Lezione n°: 45/s1
Titolo: Convoluzione
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Sistemi LTI
Convoluzione
Lezione n°: 45/s1
Attività n°: 1
CONVOLUZIONE DISCRETA
• Calcoliamo l’uscita per n = 0
L’uscita si ottiene ribaltando uno dei segnali e quindi sommando tutti i

prodotti (campione per campione) allo stesso istante
• Calcoliamo l’uscita per n = 1
L’uscita si ottiene ribaltando uno dei segnali, traslandolo di 1 e quindi

sommando tutti i prodotti (campione per campione) allo stesso istante
Lezione n°: 45/s1
Attività n°: 1
CONVOLUZIONE DISCRETA
• In generale all’istante n, l’uscita si ottiene ribaltando uno dei segnali,
traslandolo di n e quindi sommando tutti i prodotti (campione per
campione) allo stesso istante
• Se i segnali hanno durata N e M, l’uscita a durata N+M+1
• Esplicitando tutti i termini
• Valgono le proprietà
Lezione n°: 45/s1
Attività n°: 1
CONVOLUZIONE CONTINUA
• Il principio è analogo a quello del caso discreto
• L’uscita all’istante t è ottenuta ribaltando uno dei segnali, ritardandolo
di t e quindi calcolando l’integrale del prodotto delle due funzioni
Lezione n°: 45/s1
Attività n°: 1
ESEMPIO
• Si consideri il sistema LTI con risposta all’impuslo h(t)= rect(t). Si calcoli
l’uscita quando il segnale di ingresso è x(t)=h(t)= rect(t)
• Soluzione (grafica)
Lezione n°: 45/s1
Attività n°: 1
ESEMPIO
• Si consideri il sistema LTI con risposta all’impuslo h(t)= rect(t). Si calcoli
l’uscita quando il segnale di ingresso è x(t)=h(t)= rect(t)
• Soluzione (formale)
– Per |t|>1, l’integrale vale 0
– Per -1 ≤ t ≤ 0, l’integrale è
– Per 0 ≤ t ≤ 1, l’integrale è
– Dunque, l’uscita è un triangolo di lunghezza doppia rispetto a quella dei rettangoli

Lezione n°: 45/s3
Attività n°: 1

• .
• .
Lezione n°: 45/s3
Attività n°: 1

• .
Lezione n°: 45/s3
Attività n°: 1
Lezione n°: 45/s3
Attività n°: 1
Lezione n°: 45/s3
Attività n°: 1
Lezione n°: 45/s3
Attività n°: 1
Altri esercizi
Lezione n°: 46
Titolo: Equazioni alle differenze
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Sistemi LTI
Equazioni alle differenze
Lezione n°: 46
Attività n°: 1
EQUAZIONI ALLE DIFFERENZE LINEARI

• Si consideri un sistema con relazione ingresso-uscita dato da
Dove i coefficienti {ai} (i=0,…,N-1) e {bj} (j=0,…,M-1) sono coefficienti generici

costanti, con almeno uno diverso da zero
• La precedente equazione è nota come equazione alle differenza lineari a
coefficienti costanti e, assumendo a0 ≠ 0, può essere scritta
Se almeno due coefficienti ai sono non nulli, l’equazione alle differenze è

detta ricorsiva, in quanto compare una ricorsione sull’uscita. Altrimenti è
detta non-ricorsiva
Lezione n°: 46
Attività n°: 1
ESEMPIO
• Si consideri un accumulatore
• Tale sistema può essere rappresentato dall’equazione alle differenze
dove N = 2 (a0 = a1 = 1) e M = 1 (b0 =1)

• Un’equazione alle differenze si può rappresentare in termini di diagramma
a blocchi con somme, ritardi e guadagni (in particolare il ritardo viene
indicato con z-1)
Lezione n°: 46
Attività n°: 1
ESEMPIO: MEDIA MOBILE

• Un sistema a media mobile è rappresentato dalla relazione
ingresso/uscita:
Con M1 e M2 opportuni parametri di sistema
• Una rappresentazione ricorsiva è data da:
• Si disegni il diagramma a blocchi corrispondente

Lezione n°: 46
Attività n°: 1
GENERICA RAPPRESENTAZIONE CON DIAGRAMMA

A BLOCCHI
Lezione n°: 46
Attività n°: 1
EQUAZIONI ALLE DIFFERENZE EQUIVALENTI

• È importante evidenziare (si veda l’esempio precedente) che più di
un’equazione alle differenze può essere utilizzata per caratterizzare un
sistema
• Si considerino
• Si può dimostrare che due equazioni alle differenze con polinomi a(u), b(u)
e a’(u), b’(u) sono equivalenti se e solo se
Lezione n°: 47
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Sistemi LTI
Equazioni alle differenze
Lezione n°: 47
Attività n°: 1
EQUAZIONI NON RICORSIVE

• Se l’equazione è non ricorsiva, la soluzione è banale in quanto
l’equazione alle differenze può essere scritta
• Con l’uscita che dipende solo ed esclusivamente dagli ingressi

Lezione n°: 47
Attività n°: 1
CASO RICORSIVI: EQ. OMOGENEA ASSOCIATA

• Consideriamo l’ingresso nullo x[n] = 0 per ogni n
• La corrispondente equazione alle differenze, nota come
equazione omogenea associata è
• Con y0[n] sta a indicare che l’uscita corrisponde all’ingresso

identicamente nullo
Lezione n°: 47
Attività n°: 1
SOLUZIONE DI EQUAZIONI ALLE DIFFERENZE

• Si consideri la seguente soluzione all’equazione omogenea
associata
• Inserendo tale soluzione nell’equazione abbiamo
• Che risulta verificata se e solo se α è soluzione del polinomio

Lezione n°: 47
Attività n°: 1
SOLUZIONE DI EQUAZIONI ALLE DIFFERENZE

• Se p(x) ha N radici distinte α1, , αΝ possiamo scrivere
Con β1,…,βN opportune costanti derivabili dalle condizioni iniziali

y0[-N],…,y0[-1]
• Se il sistema è lineare, l’uscita corrispondente all’ingresso

nullo è nulla anch’essa, quindi βi = 0
• In questo caso, il sistema ha condizioni iniziali nulle, ma la
soluzione dell’equazione alle differenze non è univoca
Lezione n°: 47
Attività n°: 1
EQUAZIONI ALLE DIFFERENZE PROPRIE

• Un’equazione alle differenze propria è caratterizzata da N > M
coefficienti a0,…,aN non nulli
• In questo caso possiamo associare a tale equazione sia un
sistema causale che anticausale
• In entrambi i casi l’uscita è determinata dalle condizioni iniziali
• Si consideri
• Dove 0 < a < 1 e x[n] =[n]-u[n-n0], con n0 costante qualunque.

– in altre parole x[n] è una sequenza rettangolare a valori non nulli tra 0
e n-1
Lezione n°: 47
Attività n°: 1

• Se il sistema è causale, y[n] = 0 per n < 0, da cui
Lezione n°: 47
Attività n°: 1

• Se il sistema è anticausale, y[n] = 0 per n > n0 - 2, da cui
Lezione n°: 47
Attività n°: 1
EQUAZIONI ALLE DIFFERENZE E SISTEMI LTI

• Teorema: un sistema causale (anticausale) con condizioni
iniziali nulle descritto da un’equazione alle differenze a
coefficienti costanti è LTI
• Dimostrazione: lasciata allo studente

Lezione n°: 48
Titolo: Trasformata di Fourier
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Rappresentazione in frequenza
Trasformata di Fourier
Lezione n°: 48
Attività n°: 1
RISPOSTA IN FREQUENZA DI UN SISTEMA LTI

• Si consideri un sistema LTI continuo con risposta all’impulso
h(t), al cui ingresso si pone il segnale esponenziale complesso
• Il segnale all’uscita vale

Lezione n°: 48
Attività n°: 1

• In pratica l’uscita di un sistema LTI in risposta ad un fasore è
un altro fasore alla stessa frequenza moltiplicato per un
numero complesso che dipende dalla risposta all’impulso e
dalla frequenza del segnale in ingresso
• Tale numero modifica ampiezza e fase iniziale del segnale e
non la frequenza
• In coordinate polari
Lezione n°: 48
Attività n°: 1

• Se la frequenza varia da 𝑓𝑓 = − ∞ a 𝑓𝑓 = + ∞ otteniamo la
seguente funzione complessa della variabile reale f
Nota come risposta in frequenza del sistema

• Fornisce informazioni su come l’ampiezza e la fase di un
esponenziale complesso sono modificate da un sistema LTI
• La risposta all’impulso si ottiene come
Lezione n°: 48
Attività n°: 1
TRASFORMATA DI FOURIER DI SEGNALI CONTINUI

• Sostituendo un generico segnale x(t) nella prima equazione
della slide precedente otteniamo la trasformata di Fourier
(dal tempo alla frequeza)
• Sostituendo la generica trasformata X(f) nella seconda
equazione otteniamo l’antitrasformata di Fourier (dalla
frequenza al tempo)
• Essendo la trasformata di Fourier un segnale complesso, essa
viene rappresentata da due grafici
Lezione n°: 48
Attività n°: 1
TRASFORMATA DI FOURIER: UN ESEMPIO

Lezione n°: 48/s1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Lezione n°: 48/s1
Attività n°: 1
ANTITRASFORMATA: DIMOSTRAZIONE
• Dimostriamo la formula inversa
• Partendo da
• Moltiplichiamo ambo i membri per exp(j2πft) e integriamo

in df
Lezione n°: 48/s1
Attività n°: 1
• Consideriamo l’integrale fra parentesi
– La funzione è un esponenziale complesso con modulo unitario e fase
pari a 2πf(t-τ).
– Se t≠τ sono possibili tutte le fasi e quindi l’integrale va a zero
– Se invece t=τ, la funzione diventa costante e l’integrale vale infinito
– Possiamo quindi scrivere
– Utilizzando le proprietà della delta di Dirac, otteniamo

Lezione n°: 48/s1
Attività n°: 1
Lezione n°: 48/s2
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Lezione n°: 48/s2
Attività n°: 1
Interpretazione della trasformata di Fourier

• La trasformata di Fourier si può interpretare come la
decomposizine in infiniti esponenziali complessi di
larghezza infinitesimale df e frequenza variabile.
• Infatti, dalla serie di Fourier
• Con ∆f che approssima df

Lezione n°: 48/s2
Attività n°: 1
Interpretazione della trasformata di Fourier

• Per ∆fdf si ottiene l’antitrasformata
• Quindi un segnale continuo può essere scomposto nella

somma di infiniti esponenziali complessi con frequenza f,
fase pari a quella di X(f) e larghezza infinitesimale
|X(f)|df.
• Tali termini sono chiamati componenti spettrali del
segnale
Lezione n°: 48/s2
Attività n°: 1
Un esempio
Lezione n°: 48/s2
Attività n°: 1
Ricostruzione del segnale

• Le componenti spettrali servono per ricostruire il segnale
• Se consideriamo solo le componenti comprese nell’intervallo [-fc,+fc],
otteniamo il segnale ricostruito
Come si vede dalla figura, componenti spettrali con |X(f)|

sufficientemente piccolo non danno contributi significativi
all’energia del segnale (che può, con buona
approssimazione essere ricostruito ignorando quelle
componenti). Nel nostro esempio
- Il 99.5% dell’energia è contenuto in +/-450Hz
- Il 99.9% dell’energia è contenuto in +/-2000Hz
Lezione n°: 48/s2
Attività n°: 1
Segnali in banda base e in banda passante

• I segnali in banda base (o passa-basso) sono caratterizzati da una
banda di frequenze che comprende f = 0
• Se il segnale è reale chiamiamo banda la porzione di spettro
corrispondente a f ≥ 0
• Nel caso precedente se consideriamo il 99.9% dell’energia, B = 2000 Hz
• I segnali in banda passante sono caratterizzati da una banda di

frequenze che NON comprende f = 0, ma centrata in f0 ≠ 0
• Se il segnale è reale chiamiamo banda la porzione di spettro
corrispondente a f ≥ 0
Lezione n°: 48/s2
Attività n°: 1
Segnali in banda base e in banda passante
• Segnale in banda base
• Segnale in banda passante

Lezione n°: 49/s1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Lezione n°: 49/s1
Attività n°: 1
PROPRIETÀ DELLA TRASFORMATA DI FOURIER

• Nel seguito considereremo la seguente notazione
• Proprietà:
– Linearità
– Simmetria
Dove * indica il complesso coniugato. Tale simmetria è anche detta

simmetria hermitiana. Lo possiamo dimostrare da
Lezione n°: 49/s1
Attività n°: 1
CONSEGUENZE DELLA SIMMETRIA

• Si ottiene immediatamente
– Inoltre si può dimostrare che la X(f) di un segnale reale e pari è

anch’essa reale e pari
– Inoltre, essendo x(t) una funzione reale pari, la parte immaginaria

dell’integrale vale zero, dunque X(f) è reale
– Analogamente si può dimostrare che un segnale reale dispari ha
trasformata immaginaria e dispari
Lezione n°: 49/s1
Attività n°: 1

• Proprietà:
– Scalatura
E nel caso particolare con a = -1:F{x(-t)} = X(-f)

La dimostrazione deriva direttamente dalla definizione. Per a > 0
Avendo usato τ=at

Per a < 0
Lezione n°: 49/s1
Attività n°: 1

• Proprietà:
– Integrazione
– Dualità: se X(f) è la trasformata di Fourier del segnale x(t), allora x(-f)

è la trasformata di Fourier del segnale X(-t)
• Si faccia attenzione alla notazione (lettere maiuscole/minuscole)
Lezione n°: 49/s1
Attività n°: 1
ESEMPIO
• Si consideri il segnale x(t) rettangolare di ampiezza A e durata
T intorno allo zero.
Avendo usato la simmetria di x(t).
Nota: X(0)=AT, cioè l’area del rettangolo

Nota: la funzione sinc (seno cardinale) è definita come
Lezione n°: 49/s1
Attività n°: 1

• Proprietà:
– Traslazione
– Convoluzione:
Dalla definizione
Essendo l’integrale interno la trasformata di x(t-τ)

Lezione n°: 49/s1
Attività n°: 1

• Proprietà:
– Modulazione di ampiezza
Provate a dimostrarlo, partendo dalla dimostrazione della convoluzione

– Derivata e integrale:
Dimostrabili dalla definizione

Lezione n°: 49/s1
Attività n°: 1

• Proprietà:
– Integrale (dimostrazione)
Con U(f) trasformata dello scalino, calcolabile ricordando che la sua

derivata è l’impulso più un termine costante (-1/2). Tale termine rende lo
scalino una funzione dispari.
Si completi la dimostrazione
Lezione n°: 49/s2
Titolo: Energia di un segnale
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Energia di un segnale
Lezione n°: 49/s2
Attività n°: 1
CORRELAZIONE TRA SEGNALI

Lezione n°: 49/s2
Attività n°: 1

Lezione n°: 49/s2
Attività n°: 1
AUTOCORRELAZIONE
Lezione n°: 49/s2
Attività n°: 1
AUTOCORRELAZIONE
Lezione n°: 49/s2
Attività n°: 1
AUTOCORRELAZIONE
Lezione n°: 49/s2
Attività n°: 1
TEOREMA DI PARSEVAL
Lezione n°: 49/s2
Attività n°: 1
DENSITÀ SPETTRALE DI ENERGIA

Lezione n°: 49/s2
Attività n°: 1

Lezione n : 49
Attività n : 3
Segnali e Sistemi
Nucleo Tematico:
Energia di un segnale
Lezione n : 49
Attività n : 3

Lezione n : 49
Attività n : 3

Lezione n : 49
Attività n : 3
AUTOCORRELAZIONE
Lezione n : 49
Attività n : 3
AUTOCORRELAZIONE
Lezione n : 49
Attività n : 3
AUTOCORRELAZIONE
Lezione n : 49
Attività n : 3
TEOREMA DI PARSEVAL
Lezione n : 49
Attività n : 3

Lezione n : 49
Attività n : 3

Lezione n°: 49/s3
Attività n°: 1

Si consiglia allo studente di approfondire gli argomenti trattati nella lezione 49 in:
Sezione 3.3.1-3.3.10 del libro – Prati

• Si calcoli la trasformata di Fourier del segnale
con a > 0
Lezione n°: 49/s3
Attività n°: 1
Soluzione
Lezione n°: 49/s3
Attività n°: 1
Soluzione
Lezione n°: 50
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Esercizi
Lezione n°: 50
Titolo: Esercizi
Attività n°: 1
ESERICIZIO 1
Lezione n°: 50
Titolo: Esercizi
Attività n°: 1
ESERICIZIO 2
Lezione n°: 50
Titolo: Esercizi
Attività n°: 1
ESERICIZIO 3
Lezione n°: 50/s1
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Esercizi
Lezione n°: 50/s1
Titolo: Esercizi
Attività n°: 1
ESERCIZIO 1
Lezione n°: 50/s1
Titolo: Esercizi
Attività n°: 1
ESERCIZIO 2
Lezione n°: 50/s1
Titolo: Esercizi
Attività n°: 1
ESERCIZIO 2
Lezione n°: 50/s2
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Esercizi
Lezione n°: 50/s2
Titolo: Esercizi
Attività n°: 1
ESERCIZIO 1
Lezione n°: 50/s2
Titolo: Esercizi
Attività n°: 1
ESERCIZIO 2
Lezione n°: 50/s2
Titolo: Esercizi
Attività n°: 1
ESERCIZIO 2
Lezione n°: 51/s1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Lezione n°: 51/s1
Attività n°: 1
TRASFORMATA DI FOURIER SEGNALI DISCRETI

• La derivazione della definizione di trasformata è analoga a
quanto visto per i segnali tempo-continui
• Consideriamo un sistema LTI a cui poniamo in ingresso un
segnale esponenziale complesso
• L’uscita è data dalla convoluzione tra il segnale e la risposta

impulsiva
Lezione n°: 51/s1
Attività n°: 1

• La sequenza d’uscita è quindi un esponenziale complesso alla
stessa frequenza, ma con modulo e fase iniziale diversi
• Facendo variare la frequenza, otteniamo la trasformata di

Fourier a tempo discreto (Discrete Time Fourier Transform
DTFT)
– Nota: si usa anche la notazione alternativa , in cui ci si riferisce

alla DTFT senza considerare il maniera esplicita il periodo di
campionamento e indicando, invece in maniera esplicita la dipendenza
dall’esponenziale complesso
Lezione n°: 51/s1
Attività n°: 1
PERIODICITÀ DELLA DTFT

• Si può banalmente verificare che la DTFT è una funzione
periodica in frequenza con periodo 1/T
Lezione n°: 51/s1
Attività n°: 1
DTFT E TRASFORMATA CONTINUA

• Si può banalmente verificare che la DTFT di una sequenza x[n]
equivale alla trasformata di Fourier del segnale continuo
Che è la versione campionata con periodo T, indipendentemente

che la sequenza sia frutto di campionamento o meno
Lezione n°: 51/s1
Attività n°: 1
DTFT: UN ESEMPIO
• Calcoliamo la DTFT di una sequenza x[n] = αnu[n], con |α| < 1
Lezione n°: 51/s1
Attività n°: 1
ESISTENZA DELLA DTFT

• Teorema: se la sequenza x[n] è sommabile in modulo, cioè se
, allora la DTFT è finita per ogni valore di f
• Dimostrazione: calcoliamo il modulo della DTFT
Dove abbiamo usa la disuguaglianza triangolare

Lezione n°: 51/s1
Attività n°: 1
ANTITRASFORMATA
• La DTFT ha la stessa espressione della serie di Fourier per
segnali continui, i cui coefficienti {cn} corrispondono a x[n] e
possono essere calcolati come
Che rappresenta l’antitrasformata di Fourier di una sequenza

• Dimostrazione
Lezione n°: 51/s1
Attività n°: 1
TRASFORMATA NORMALIZZATA
• La trasformata può essere espressa anche in funzione della
frequenza normalizzata φ = fT:
Che risulta periodica nella frequenza normalizzata e si usa

quando l’intervallo di campionamento non è noto (o è
ininfluente).
Ovviamente le due definizioni coincidono per T=1
• Analogamente la trasformata può essere espressa anche in
funzione della pulsazione ω = 2πφ
Lezione n : 51
Attività n : 2
Segnali e Sistemi
Nucleo Tematico:
Lezione n : 51
Attività n : 2

• La derivazione della definizione di trasformata è analoga a
quanto visto per i segnali tempo-continui
• Consideriamo un sistema LTI a cui poniamo in ingresso un
segnale esponenziale complesso
• L’uscita è data dalla convoluzione tra il segnale e la risposta

impulsiva
Lezione n : 51
Attività n : 2

• La sequenza d’uscita è quindi un esponenziale complesso alla
stessa frequenza, ma con modulo e fase iniziale diversi
• Facendo variare la frequenza, o9eniamo la trasformata di

Fourier a tempo discreto (Discrete Time Fourier Transform
DTFT)
– Nota: si usa anche la notazione alterna;va , in cui ci si riferisce

alla DTFT senza considerare il maniera esplicita il periodo di
campionamento e indicando, invece in maniera esplicita la dipendenza
dall’esponenziale complesso
Lezione n : 51
Attività n : 2
PERIODICITÀ DELLA DTFT

• Si può banalmente verificare che la DTFT è una funzione
periodica in frequenza con periodo 1/T
Lezione n : 51
Attività n : 2
DTFT E TRASFORMATA CONTINUA

• Si può banalmente verificare che la DTFT di una sequenza x[n]
equivale alla trasformata di Fourier del segnale continuo
Che è la versione campionata con periodo T, indipendentemente

che la sequenza sia frutto di campionamento o meno
Lezione n : 51
Attività n : 2
DTFT: U N ES EM P IO
• Calcoliamo la DTFT di una sequenza x[n] = anu[n], con |a| < 1
Lezione n : 51
Attività n : 2
ESISTENZA DELLA DTFT

• Teorema: se la sequenza x[n] è sommabile in modulo, cioè se
, allora la DTFT è finita per ogni valore di f
• Dimostrazione: calcoliamo il modulo della DTFT
Dove abbiamo usa la disuguaglianza triangolare

Lezione n : 51
Attività n : 2
ANTITRASFORMATA
• La DTFT ha la stessa espressione della serie di Fourier per
segnali con5nui, i cui coeﬃcien5 {cn} corrispondono a x[n] e
possono essere calcola5 come
Che rappresenta l’an#trasformata di Fourier di una sequenza

• Dimostrazione
Lezione n : 51
Attività n : 2
TRASFORMATA NORMALIZZATA
• La trasformata può essere espressa anche in funzione della
frequenza normalizzata f = fT:
Che risulta periodica nella frequenza normalizzata e si usa

quando l’intervallo di campionamento non è noto (o è
ininfluente).
Ovviamente le due definizioni coincidono per T=1
• Analogamente la trasformata può essere espressa anche in
funzione della pulsazione w = 2pf
Lezione n°: 51/s3
Attività n°: 1

• Calcolare la DTFT di una sequanza rettangolare nel tempo di durata 2N+1 centrata
intorno a n= 0
• Calcolare la DTFT inversa della sequenza rettangolare in frequenza di banda

monolatera B centrata in f = 0
• Calcolare la DTFT della sequenza x[n] = u[n] – u[n-N]

Lezione n°: 51/s3
Attività n°: 1
Lezione n°: 51/s3
Attività n°: 1
Lezione n°: 51/s3
Attività n°: 1
Lezione n°: 52
Titolo: Trasformata di Fourier: proprietà
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Trasformata di Fourier: proprietà
Lezione n°: 52
Attività n°: 1
PROPRIETÀ
• Proprietà della DTFT
– Linearità e Simmetria
– Vale
Dove opportuno indicheremo le versioni in funzione della frequenza e

della frequenza normalizzata
Lezione n°: 52
Attività n°: 1
PROPRIETÀ
– Ritardo
Dalla definizione
Con un banale cambio di variabile

Lezione n°: 52
Attività n°: 1
PROPRIETÀ
– Ritardo
Dimostrazione analoga alla precedente, lasciata allo studente

Lezione n°: 52
Attività n°: 1
PROPRIETÀ
– Convoluzione
Dimostrazione
Lezione n°: 52
Attività n°: 1
PROPRIETÀ
– Modulazione: consideriamo il segnale
• Per definizione
• Scrivendo x[n] in funzione della sua DTFT
• Otteniamo
• Scambiando sommatoria e integrale

Lezione n°: 52
Attività n°: 1
PROPRIETÀ
– Modulazione: consideriamo il segnale
• Quindi
• Che rappresenta la convoluzione circolare (su un periodo)

– Più dettagli vengono forniti nel seguito
• Usando la frequenza normalizzata

Lezione n°: 52
Attività n°: 1
CONVOLUZIONE LINEARE E CIRCOLARE

• La convoluzione circolare può essere calcolata da quella
lineare
• Indicando con un periodo di
• La convoluzione lineare può essere ottenuta come

Lezione n°: 52/s1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Trasformata di Fourier: proprietà
Lezione n°: 52/s1
Attività n°: 1
TEOREMA DI PARSEVAL
• Il teorema di Parseval dice che
• Dimostrazione:
– Fissiamo z[n]=x[n]y[n] e ricordiamo che
– Inoltre
– Che per f = 0 è la relazione cercata

• Equivalentemente
Lezione n°: 52/s1
Attività n°: 1
ENERGIA DI UN SEGNALE
• Dal teorema di Parseval e se n[n] = y[n], otteniamo l’energia di una

sequenza
• Utilizzando la DTFT normalizzata

Lezione n°: 52/s1
Attività n°: 1
AUTOCORRELAZIONE
• Dal teorema di Parseval
Che rappresenta la sequenza di autocorrelazione di x[n]
• La DTFT della sequenza di autocorrelazione è
Che rappresenta la densità spettrale di energia del segnale

Lezione n°: 52/s1
Attività n°: 1
CROSSCORRELAZIONE
• Dal teorema di Parseval
Che rappresenta la sequenza di crosscorrelazione di x[n] e y[n]
• La DTFT della sequenza di crosscorrelazione è

Lezione n°: 53
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Esercizi
Lezione n°: 53
Titolo: Esercizi
Attività n°: 1
ESERCIZIO 1
Lezione n°: 53
Titolo: Esercizi
Attività n°: 1
ESERCIZIO 1
Lezione n°: 53
Titolo: Esercizi
Attività n°: 1
ESERCIZIO 2
Lezione n°: 53
Titolo: Esercizi
Attività n°: 1
ESERCIZIO 2
Lezione n°: 53/s1
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Esercizi
Lezione n°: 53/s1
Titolo: Esercizi
Attività n°: 1
ESERCIZIO 1
Lezione n°: 53/s1
Titolo: Esercizi
Attività n°: 1
ESERCIZIO 1
Lezione n°: 53/s1
Titolo: Esercizi
Attività n°: 1
ESERCIZIO 2
Lezione n°: 54
Titolo: Risposta in frequenza dei sistemi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Risposta in frequenza dei sistemi

Lezione n°: 54
Attività n°: 1
LA RISPOSTA IN FREQUENZA DI UN SISTEMA

• Si consideri un sistema LTI discreto (analoghe considerazioni
valgono per il caso continuo) con risposta all’impulso h[n]
• L’uscita vale
• E se le DTFT esistono
Dove H(f) è la risposta in frequenza del sistema

Lezione n°: 54
Attività n°: 1
LA RISPOSTA IN FREQUENZA DI UN SISTEMA

• Si consideri la DTFT di uscita quando l’ingresso è un esponenziale
complesso a frequenza f0
• La sequenza di uscita è
Dove
L’effetto del sistema LTI sull’esponenziale complesso, come già

detto, è di modificarne fase e ampiezza
Lezione n°: 54
Attività n°: 1
SISTEMI REALI
• Un sistema reale è caratterizzato dalla risposta all’impulso

reale
• Se l’ingresso è una sequenza sinusoidale, si può facilmente
dimostrare che l’uscita è
Cioè una sequenza sinusoidale con ampiezza e fase modificate

Lezione n°: 54
Attività n°: 1
RISPOSTA IN FREQUENZA ED EQ. ALLE DIFFERENZE

• Un sistema LTI è descritto, come abbiamo già visto, da
• Calcolando la DTFT di ambo i membri
Da cui
Lezione n°: 54
Attività n°: 1
UN ESEMPIO
• Un sistema LTI è descritto da
• La risposta in frequenza è facilmente calcolabile come
Che corrisponde, attraverso la DTFT inversa, alla risposta

all’impulso
Nota lo stesso risultato è ottenibile ponendo x[n] = δ[n] e

risolvendo ricorsivamente l’equazione alle differenze
Lezione n°: 54
Attività n°: 1
PROPRIETÀ
Lezione n°: 54
Attività n°: 1
FILTRAGGIO IDEALE
Lezione n°: 54
Attività n°: 1
FILTRAGGIO IDEALE
Lezione n°: 54
Attività n°: 1
CONSIDERAZIONE
Lezione n°: 54/S1
Titolo: Combinazioni di sistemi LTI
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Combinazioni di sistemi LTI
Lezione n°: 54/S1
Attività n°: 1
PARALLELO
Lezione n°: 54/S1
Attività n°: 1
PARALLELO
Lezione n°: 54/S1
Attività n°: 1
SERIE
Lezione n°: 54/S1
Attività n°: 1
SERIE
Lezione n°: 54/S1
Attività n°: 1
RETROAZIONE
Lezione n°: 54/S1
Attività n°: 1
RETROAZIONE
Lezione n°: 55
Titolo: Trasformata discreta di Fourier
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Trasformata discreta di Fourier
Lezione n°: 55
Attività n°: 1
CAMPIONAMENTO
• Anche se argomento di alcune lezioni future, introduciamo il
principio del campionamento
il campionamento è una tecnica che consiste nel convertire
un segnale continuo nel tempo oppure nello spazio in un segnale
discreto, valutandone l'ampiezza a intervalli temporali o spaziali
solitamente regolari
• Quindi possiamo pensare ad esempio che la sequenza x[n] sia
ottenuta andando a valutare il segnale tempo-continuo x(t) ad
intervalli regolari di ampiezza T, cioè
x[n] = x(nT)
Lezione n°: 55
Attività n°: 1
CAMPIONAMENTO NEL TEMPO E IN FREQUENZA

• Dovrebbe a questo punto essere chiaro che Segnali finiti nel tempo hanno
banda infinita
• Spesso però la maggior parte della densità spettrale di energia è
concentrata in una banda finita
• A livello “pratico” abbiamo quindi segnali con durata e banda finite
• Si consideri quindi un segnale x(t) a durata finita T0 (0 ≤ t ≤ T0) e

trasformata di Fourier a banda B (-B < f < B)
• La sequenza x[n] ottenuta campionando x(t) con passo T < 1/2B (il motivo
della scelta dell’intervallo di campionamento sarà chiaro nel seguito) ha
trasformata di Fourier
Lezione n°: 55
Attività n°: 1
CAMPIONAMENTO NEL TEMPO E IN FREQUENZA

Lezione n°: 55
Attività n°: 1
TRASFORMATA DISCRETA DI FOURIER

Lezione n°: 55
Attività n°: 1
ALCUNE CONSIDERAZIONI
Lezione n°: 55
Attività n°: 1
UN ESEMPIO CON N=8

Lezione n°: 55
Attività n°: 1
LA RAPPRESENTAZIONE CIRCOLARE
• Poiché x[n] e X[k] rappresentano un periodo, può essere
comodo rappresentarle su un cerchio
Lezione n°: 55
Attività n°: 1
LA RAPPRESENTAZIONE CIRCOLARE: ESEMPIO

Lezione n°: 55/s1
Titolo: DFT: proprietà
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
DFT: proprietà

Lezione n°: 55/s1
Attività n°: 1
LINEARITÀ E SIMMETRIA
Lezione n°: 55/s1
Attività n°: 1
VALORI INIZIALI E RITARDO CIRCOLARE

Lezione n°: 55/s1
Attività n°: 1
CONVOLUZIONE CIRCOLARE
Lezione n°: 55/s1
Attività n°: 1
MODULAZIONE
Lezione n°: 55/s1
Attività n°: 1
UGUAGLIANZA DI PARSEVAL
Lezione n°: 55/s1
Attività n°: 1
UGUAGLIANZA DI PARSEVAL
Lezione n°: 55/s2
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Approfondimenti
Lezione n°: 55/s2
Attività n°: 1
Approfondimenti
Si consiglia allo studente di approfondire gli argomenti trattati nella lezione in:
Sezione 8.4-8.7 del libro – Oppenheim-Schafer

“Discrete time signal processing”
Prentice Hall, 2010
Sezione 5.1 e 5.2 del libro – Prati

Lezione n°: 55/s3
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Lezione n°: 55/s3
Attività n°: 1
Esempi di domande d’esame - 1

Lezione n°: 55/s3
Attività n°: 1

Lezione n°: 55/s3
Attività n°: 1

Lezione n°: 55/s3
Attività n°: 1
Esempi di domande d’esame – Sol1

Lezione n°: 55/s3
Attività n°: 1

Lezione n°: 55/s3
Attività n°: 1

Lezione n°: 55/s3
Attività n°: 1

Lezione n°: 56
Titolo: Applicazioni della DFT
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Applicazioni della DFT
Lezione n°: 56
Attività n°: 1
INTERPOLAZIONE
• Vediamo alcune applicazioni della DFT
– L’interpolazione consiste in quell’applicazione utilizzata quando una
sequenza è traslata di un numero non intero di campioni (si assume
che la sequenza x[n] sia stata generata per campionamento del
segnale x(t) e quindi abbia senso cercarne il valore anche “tra un
campione e un altro”)
– Vogliamo calcolare
data la sequenza x[n] = x(nT)

– Applicando la DFT
Lezione n°: 56
Attività n°: 1
INTERPOLAZIONE
• Se fissiamo φ = k/N, otteniamo la relazione per le DFT
– Notare che in questo caso Y(φ) non è periodica
• Antitrasformando otteniamo la sequenza y[n]

Lezione n°: 56
Attività n°: 1
CONVOLUZIONE LINEARE
• Utilizzando la DFT possiamo semplificare notevolmente il
calcolo della convoluzione lineare di due sequenze x[n] (lunga
N) e y[n] (lunga M)
– Come prima cosa è necessario effettuare lo zero padding (inserire un
numero di zeri nelle sequenze affinché esse diventino periodiche con
periodo della stessa lunghezza della convoluzione, cioè N+M-1)
– Si può calcolare la convoluzione moltiplicando le due DFT e poi
applicando la trasformazione inversa
Lezione n°: 56
Attività n°: 1
INTERPOLAZIONE E ZERO PADDING

• Si noti che
• I valori di f, corrispondenti ai campioni di X[k] diventano
ovviamente più frequenti se il valore di NT cresce. Essendo, di
fatto, un campionamento in frequenza con
• Interpolazione in frequenza tramite zero padding nel tempo
– La lunghezza della sequenza può essere aumentata con lo zero
padding. Ad esempio per dimezzare la “spaziatura” in frequenza, devo
raddoppiare la lunghezza della sequenza
• Interpolazione nel tempo tramite zero padding in frequenza
– Analogamente , diventa più “densa” se la
banda di X[k] aumenta , essendo l’intervallo di
campionamento nel tempo
Lezione n°: 56
Attività n°: 1
INTERPOLAZIONE E ZERO PADDING

• Interpolazione nel tempo tramite zero padding in frequenza
(cont.)
– Ad esempio per dimezzare l’intervallo di campionamento, devo
raddoppiare la banda
– Si noti che lo zero padding in frequenza non deve variare il contenuto

frequenziale di X[k]
Lezione n°: 56/s1
Titolo: Fast Fourier Transform
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Fast Fourier Transform
Lezione n°: 56/s1
Attività n°: 1
FAST FOURIER TRANSFORM
• Il calcolo diretto della DFT a N punti richiede all’incirca N2

somme e altrettanti prodotti
• Al crescere di N, tale complessità risulta troppo elevata per
applicazioni pratiche
• Esistono algoritmi che permettono di semplificare

notevolmente la complessità di calcolo della DFT
• Tali algoritmi sono noti come algoritmi Fast Fourier
Transform (FFT)
Lezione n°: 56/s1
Attività n°: 1
ALGORTIMO DI COOLEY-TUKEY
Lezione n°: 56/s1
Attività n°: 1
Lezione n°: 56/s1
Attività n°: 1
Lezione n°: 56/s1
Attività n°: 1
Lezione n°: 56/s1
Attività n°: 1
Lezione n°: 56/s1
Attività n°: 1
IMPLEMENTAZIONE IN FREQUENZA
Lezione n°: 56/s1
Attività n°: 1
Lezione n°: 56/s1
Attività n°: 1
Lezione n°: 57/s1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Campionamento di un segnale
Lezione n°: 57/s1
Attività n°: 1
CAMPIONAMENTO DEI SEGNALI A TEMPO CONTINUO

xn
• Un segnale a tempo discreto è una successione o sequenza di numeri x[n],
ed è quindi rappresentabile con una funzione di variabile intera relativa avente
valori reali o complessi
• Supponiamo di compiere alcune osservazioni di traffico automobilistico auto-

stradale: a un casello di uscita, annotiamo l’orario di ingresso di ogni vettura,
misurato in secondi a partire dalle ore 0.00, e riportiamo questi dati nella tabella
seguente. Essa è composta dal numero d’ordine n dell’automobile in ingresso al
casello, e dal relativo dato orario x[n]: la tabella rappresenta un segnale a tempo
discreto, che può essere elaborato per ricavare informazioni sul progetto e il
dimensionamento del sistema di riscossione dei pedaggi.
Lezione n°: 57/s1
Attività n°: 1
• Un caso tipico nell’elaborazione dei segnali è quello in cui il segnale a

tempo discreto x[n] viene ottenuto da un segnale a tempo continuo
attraverso la cosiddetta operazione di campionamento. Campionare un
segnale x(t) significa “estrarre” dal segnale stesso i valori che esso
assume a istanti temporali equispaziati, cioè multipli di un intervallo T
detto periodo di campionamento, come viene illustrato nella figura
successiva. Con questa operazione viene a crearsi una sequenza x[n] il
cui valore n-esimo è il valore assunto dal segnale a tempo continuo
all’istante nT:
x[n ] = x ( nT )
Lezione n°: 57/s1
Attività n°: 1
• Nella figura, l’operazione di campionamento viene simbolicamente

effettuata da un dispositivo, il campionatore, indicato con una sorta di
“interruttore” che si chiude per un intervallo di durata infinitesima. La
cadenza con cui l’ interruttore si chiude, cioè con la quale il segnale viene
campionato, è pari a f c = 1 / T e prende il nome di frequenza di
campionamento (sampling frequency), misurata in Hz o in campioni/s.
Lezione n°: 57/s1
Attività n°: 1
CAMPIONAMENTO IDEALE
Lezione n°: 57/s1
Attività n°: 1
SPETTRO DEL SEGNALE CAMPIONATO

Lezione n°: 57/s1
Attività n°: 1
SPETTRO DEL SEGNALE CAMPIONATO

• Si noti come le repliche spettrali non si sovrappongono se la banda
bilatera del segnale W è minore della frequenza di campionamento fs=1/T
Lezione n°: 57/s1
Attività n°: 1
FREQUENZA DI NYQUIST
• Le repliche spettrali non si sovrappongono se la banda bilatera del segnale
W è minore della frequenza di campionamento fMAX < 1/2T = fs/2 = fNy
• fNy è nota come frequenza di Nyquist
• Se viene rispettata questa condizione, allora il segnale può essere

ricostruito a partire dal segnale campionato applicando un filtro passa
basso, con risposta in frequenza pari a T nella banda base e zero altrove
• Teorema di Nyquist: un segnale reale può essere ricostruito dai suoi campioni se la
frequenza di campionamento è maggiore della sua massima frequenza
Lezione n°: 57/s1
Attività n°: 1
CAMPIONAMENTO REALE
• Dato che il filtro per la ricostruzione non è realizzabile in
pratica (le transizione “brusche” ai bordi non sono
realizzabili), normalmente si campiona con una frequenza che
sia almeno il 10% maggiore di quella di Nyquist
Lezione n°: 57/s1
Attività n°: 1
ALIASING
• Se la condizione di Nyquist non è rispettata, le repliche
spettrali si sovrappongono – fenomeno detto di aliasing
• Si può inserire un filtro anti-alias prima del campionamento

(che elimina le frequenze f > fs/2)
Lezione n°: 57/s1
Attività n°: 1
ERRORE DI RICOSTRUZIONE
• Definito x’(t) il segnale ricostruito, dai campioni di x(t), valutiamo l’errore
di ricostruzione
• Nel caso di filtro anti-alias, il segnale x’(t) = xA(t) è un segnale a banda

limitata
Essendo
Lezione n°: 57/s1
Attività n°: 1
ERRORE DI RICOSTRUZIONE
• Senza filtro anti-alias,
Lezione n°: 57/s1
Attività n°: 1
ALIASING E MODULAZIONEE
Lezione n°: 57/s2
Attività n°: 1
Richiami
Lezione n°: 57/s2
Attività n°: 1
Richiami
Lezione n°: 58
Titolo: Campionamento reale
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Campionamento reale
Lezione n°: 58
Attività n°: 1
CAMPIONAMENTO REALE
Lezione n°: 58
Attività n°: 1
CAMPIONAMENTO REALE
Lezione n°: 58
Attività n°: 1
CAMPIONAMENTO REALE
• Lo spettro è quindi composto da repliche centrate in multipli della
frequenza di campionamento
• Le repliche sono però scalate di un fattore che dipende dall’impulso
campionante
• Xr(f) non è quindi periodico!
• Compensando però opportunamente il fattore di scala, il teorema del

campionamento resta valido
Lezione n°: 58
Attività n°: 1
CAMPIONAMENTO SAMPLE & HOLD

Lezione n°: 58
Attività n°: 1
SAMPLE & HOLD

Lezione n°: 59
Titolo: Quantizzazione
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Quantizzazione
Lezione n°: 59
Attività n°: 1
QUANTIZZAZIONE
Lezione n°: 59
Attività n°: 1
QUANTIZZAZIONE UNIFORME
Lezione n°: 59
Attività n°: 1
RELAZIONE INGRESSO-USCITA
Lezione n°: 59
Attività n°: 1
SATURAZIONE
• Si dice saturazione il fenomeno per cui

– I campioni di x[n] maggiori di V vengono fissati a V
– I campioni di x[n] minori di -V vengono fissati a -V
• Saturazione con reset

– I campioni di x[n] maggiori di V e minori di –V vengono fissati a 0
Lezione n°: 59
Attività n°: 1
MAPPAGGIO DEI BIT

Lezione n°: 59
Attività n°: 1
MAPPAGGIO DEI BIT
• Come già specificato la quantizzazione è un’operazione che comporta la

perdita di informazione
• L’errore di quantizzazione è definito come
• Intuitivamente una risoluzione maggiore comporta un errore minore e

viceversa
Lezione n°: 59
Attività n°: 1
ALTRI TIPI DI QUANTIZZAZIONE: ARROTONDAMENTO

• Si approssima un numero reale all’intero più vicino
Lezione n°: 59
Attività n°: 1
ALTRI TIPI DI QUANTIZZAZIONE: TRONCAMENTO

• Si approssima un numero reale all’intero immediatamente minore (o
uguale)
Lezione n°: 59
Attività n°: 1
ALTRI TIPI DI QUANTIZZAZIONE: TRONCAMENTO CON

SEGNO
• Si approssima un numero reale all’intero più vicino a zero
Lezione n°: 59/s1
Titolo: Rumore di quantizzazione
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Rumore di quantizzazione
Lezione n°: 59/s1
Attività n°: 1
RUMORE DI QUANTIZZAZIONE
Lezione n°: 59/s1
Attività n°: 1
POTENZA DI SEGNALE
Lezione n°: 59/s1
Attività n°: 1
POTENZA DI RUMORE
Lezione n°: 59/s1
Attività n°: 1
SNR
• Quindi
• Che in dB (e sfruttando M=2q)

Lezione n°: 59/s1
Attività n°: 1
LEGGE DEI 6DB

• Il precedente risultato dice che aumentare la risoluzione di
un bit migliora l’SNR di quantizzazione di 6dB
Lezione n°: 59/s1
Attività n°: 1
PRINCIPIO DI OTTIMALITÀ
• La quantizzazione uniforme risulta ottima per segnali con
distribuzione uniforme
– Massimizza, fissata la risoluzione q, l’SNR di quantizzazione
• Nel caso di segnali con distribuzione non uniforme:

1. Quantizzazione non uniforme  ottimizzazione degli intervalli e
dei livelli di quantizzazione
2. Pre-distorsione del segnale, affinche il segnale diventi a
distribuzione pressochè uniforme
Lezione n°: 61/s1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Processi stocastici
Lezione n°: 61/s1
Attività n°: 1
DEFINIZIONE DI PROCESSO ALEATORIO
Lo strumento matematico per eccellenza che permette di studiare i segnali aleatori è la

teoria della probabilità. La modellizzazione di un segnale aleatorio viene effettuata
attraverso la teoria dei processi aleatori (o stocastici). La definizione di processo aleatorio
richiede di considerare un esperimento aleatorio o, meglio, uno spazio di probabilità
caratterizzato da uno spazio campione Ω={ωi}, da una classe di eventi S e dalla legge di
probabilità Pr(·) definita su di S. Si deve poi individuare un insieme di funzioni del tempo
xi(t) (le funzioni campione) in numero pari a quello dei risultati dell’esperimento ωi. Infine,
si deve istituire una corrispondenza che associa a ciascun risultato ωi dell’esperimento una
delle possibili funzioni campione xi(t):
X (ωi ; t ) = xi ( t )
Lezione n°: 61/s1
Attività n°: 1

Discutiamo adesso le conseguenze di questa definizione. Fissare nel processo
aleatorio X(ωi;t) il risultato dell’esperimento, ad esempio ω1, significa selezionare
quella tra le varie funzioni campione che si è realizzata in una data prova; non c’è
più alcuna aleatorietà e il processo diventa a posteriori il segnale determinato
X(ω1;t), cioè la funzione campione x1(t).
Lezione n°: 61/s1
Attività n°: 1
Viceversa, cosa succede se fissiamo

arbitrariamente un certo istante di tempo t1
nel processo X(ω1; t)? Il valore del processo
X(ω1; t) per un istante fissato è un insieme di
(quattro) valori ottenuti “campionando” le
(quattro) funzioni campione a quell’istante.
Ogni valore risulta automaticamente
corrispondente a un risultato dello spazio
campione (ovviamente, quello della relativa
funzione campione): in una parola, il valore
del processo a un dato istante è una variabile
aleatoria.
Lezione n°: 61/s1
Attività n°: 1
PROCESSI CASUALI: UN ESEMPIO

Lezione n°: 61/s1
Attività n°: 1

Lezione n°: 61/s1
Attività n°: 1

Lezione n°: 61/s1
Attività n°: 1

Lezione n°: 61/s1
Attività n°: 1

Lezione n°: 61/s1
Attività n°: 1
CARATTERIZZAZIONE
• Un processo stocastico è completamente caratterizzato solo quando siamo
in grado di fornire la distribuzione di probabilità congiunta di un
qualunque gruppo di N variabili aleatorie scelte ad istanti arbitrari (la PDF
di un processo quindi non è sufficiente)
• Dalla figura si evince come i due segnali, pur avendo la stessa PDF,
presentano una diversa dipendenza tra campioni
Lezione n°: 61/s1
Attività n°: 1
AUTOCORRELAZIONE
• La funzione di autocorrelazione misura la dipendenza tra campioni di un
processo (d’ora in avanti vedremo processi discreti, ma l’estensione al caso
continuo è banale)
• Si ricorda che la PDF congiunta si può esprimere come
• Nel caso in cui x[n1] e x[n2] sono indipendenti
• Quindi significa che, per campioni indipendenti, la funzione di

autocorrelazione diventa
Lezione n°: 61/s1
Attività n°: 1
AUTOCOVARIANZA
• L’autocovarianza vale
• Se x[n1] e x[n2] sono indipendenti, allora Cx[n1,n2] = 0
• Esistono processi con autocovarianza nulla, ma campioni dipendenti x[n1]

e x[n2] per n1 ≠ n2 . In tal caso i campioni si dicono incorrelati
• .
Lezione n°: 61/s1
Attività n°: 1
AUTOCOVARIANZA
Lezione n°: 61/s1
Attività n°: 1
COEFFICIENTE DI CORRELAZIONE
Lezione n°: 62
Titolo: Processi stazionari ed ergodici
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Processi stocastici
Processi stazionari ed ergodici
Lezione n°: 62
Attività n°: 1
Lezione n°: 62
Attività n°: 1
Lezione n°: 62
Attività n°: 1
Lezione n°: 62
Attività n°: 1
Lezione n°: 62
Attività n°: 1
Lezione n°: 62
Attività n°: 1
Lezione n°: 62
Attività n°: 1
Lezione n°: 62
Attività n°: 1
Lezione n°: 62
Attività n°: 1
Lezione n°: 62
Attività n°: 1
Lezione n°: 62/s1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Processi stocastici
Processi stazionari ed ergodici
Lezione n°: 62/s1
Attività n°: 1
Lezione n°: 62/s1
Attività n°: 1
Lezione n°: 62/s1
Attività n°: 1
Lezione n°: 62/s1
Attività n°: 1
Lezione n°: 62/s1
Attività n°: 1
Lezione n°: 62/s1
Attività n°: 1
Lezione n°: 62/s1
Attività n°: 1
Lezione n°: 62/s1
Attività n°: 1
Lezione n°: 62/s1
Attività n°: 1
Lezione n°: 62/s1
Attività n°: 1
Lezione n°: 62/s1
Attività n°: 1
Lezione n°: 62/s3
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Processi stocastici
Lezione n°: 62/s3
Attività n°: 1
Lezione n°: 62/s3
Attività n°: 1
Lezione n°: 62/s3
Attività n°: 1
Lezione n°: 62/s3
Attività n°: 1
Lezione n°: 62/s3
Attività n°: 1
Lezione n°: 62/s3
Attività n°: 1
Lezione n°: 62/s3
Attività n°: 1
Lezione n°: 62/s3
Attività n°: 1
Lezione n°: 62/s3
Attività n°: 1
Lezione n°: 62/s3
Attività n°: 1
Lezione n°: 63
Titolo: Trasformata zeta
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Trasformata zeta
Trasformata zeta
Lezione n°: 63
Attività n°: 1
Lezione n°: 63
Attività n°: 1
Lezione n°: 63
Attività n°: 1
Lezione n°: 63
Attività n°: 1
Lezione n°: 63
Attività n°: 1
Lezione n°: 63
Attività n°: 1
Lezione n°: 63
Attività n°: 1
Lezione n°: 63/s1
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Trasformata zeta
Esercizi
Lezione n°: 63/s1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 63/s1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 63/s1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 63/s1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 63/s1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 63/s1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 64
Titolo: ROC della Trasformata zeta
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Trasformata Z
ROC della Trasformata zeta
Lezione n°: 64
Attività n°: 1
Lezione n°: 64
Attività n°: 1
Lezione n°: 64
Attività n°: 1
Lezione n°: 64
Attività n°: 1
Lezione n°: 64
Attività n°: 1
Lezione n°: 64
Attività n°: 1
Lezione n°: 64
Attività n°: 1
Lezione n°: 65
Titolo: Proprietà della trasformata Z
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Traformata Z
Proprietà della trasformata Z
Lezione n°: 65
Attività n°: 1
Lezione n°: 65
Attività n°: 1
Lezione n°: 65
Attività n°: 1
Lezione n°: 65
Attività n°: 1
Lezione n°: 65
Attività n°: 1
Lezione n°: 65
Attività n°: 1
Lezione n°: 65
Attività n°: 1
Lezione n°: 65/S1
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Traformata Z
Esercizi
Lezione n°: 65/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 65/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 65/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 65/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 66
Titolo: Antitrasformata Z
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Trasformata Z
Antitrasformata
Lezione n°: 66
Attività n°: 1
Lezione n°: 66
Attività n°: 1
Lezione n°: 66
Attività n°: 1
Lezione n°: 66
Attività n°: 1
Lezione n°: 66
Attività n°: 1
Lezione n°: 66
Attività n°: 1
Lezione n°: 66
Attività n°: 1
Lezione n°: 66 /S1
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Traformata Z
Esercizi
Lezione n°: 66 /S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 66 /S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 66 /S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 67
Titolo: Antitrasformata
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Trasformata Z
Antitrasformata
Lezione n°: 67
Attività n°: 1
Lezione n°: 67
Attività n°: 1
Lezione n°: 67
Attività n°: 1
Lezione n°: 67
Attività n°: 1
Lezione n°: 67
Attività n°: 1
Lezione n°: 67/S1
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Trasformata Z
Esercizi
Lezione n°: 67/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 67/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 67/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 67/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 67/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 67/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 67/S3
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Trasformata Z
Lezione n°: 67/S3
Attività n°: 1
Lezione n°: 67/S3
Attività n°: 1
Lezione n°: 67/S3
Attività n°: 1
Lezione n°: 68
Titolo: Sistemi LTI
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Funz. trasferimento sistemi LTI
Sistemi LTI
Lezione n°: 68
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 68
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 68
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 68
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 68
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 68
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 68
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 68
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 68/S1
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Esercizi
Lezione n°: 68/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 68/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 68/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 68/S2
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Esercizi
Lezione n°: 68/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 68/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 68/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 69
Titolo: Sistemi LTI
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Sistemi LTI
Lezione n°: 69
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 69
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 69
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 69
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 69
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 69
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 69
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 70
Titolo: Sistemi LTI
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Sistemi LTI
Lezione n°: 70
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 70
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 70
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 70
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 70
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 70
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 70
Titolo: Sistemi LTI
Attività n°: 1
Lezione n°: 71
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Sistemi di comunicazione
Esercizi
Lezione n°: 71
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S1
Titolo: Esercizi
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Esercizi
Lezione n°: 71/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 71/S2
Titolo: Esercizi
Attività n°: 1
Lezione n°: 72
Titolo: Trasmissione in banda base e passante
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
Trasmissione in banda base e
passante
Lezione n°: 72
Attività n°: 1
Lezione n°: 72
Attività n°: 1
Lezione n°: 72
Attività n°: 1
Lezione n°: 72
Attività n°: 1
Lezione n°: 72
Attività n°: 1
Lezione n°: 72
Attività n°: 1
Lezione n°: 72
Attività n°: 1
Lezione n°: 72
Attività n°: 1
Lezione n°: 72
Attività n°: 1
Lezione n°: 72
Attività n°: 1
Lezione n°: 72
Attività n°: 1
Lezione n°: 72
Attività n°: 1
Lezione n°: 72
Attività n°: 1
Lezione n°: 72/S1
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
passante
Lezione n°: 72/S1
Attività n°: 1
Lezione n°: 72/S1
Attività n°: 1
Lezione n°: 72/S1
Attività n°: 1
Lezione n°: 72/S1
Attività n°: 1
Lezione n°: 72/S1
Attività n°: 1
Lezione n°: 72/S1
Attività n°: 1
Lezione n°: 72/S1
Attività n°: 1
Lezione n°: 72/S1
Attività n°: 1
Lezione n°: 72/S1
Attività n°: 1
Lezione n°: 72/S1
Attività n°: 1
Lezione n°: 72/S1
Attività n°: 1
Lezione n°: 72/S1
Attività n°: 1
Lezione n°: 72/S2
Attività n°: 1
Segnali e Sistemi
Nucleo Tematico:
passante
Lezione n°: 72/S2
Attività n°: 1
Lezione n°: 72/S2
Attività n°: 1
Lezione n°: 72/S2
Attività n°: 1
Lezione n°: 72/S2
Attività n°: 1
Lezione n°: 72/S2
Attività n°: 1
Lezione n°: 72/S2
Attività n°: 1

Segnali e Sistemi Tutte Le Lezioni

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

Segnali e Sistemi Tutte Le Lezioni

Caricato da

Copyright:

Formati disponibili

Corso di Laurea: Ingegneria Informatica e dell’Automazione

Insegnamento: Segnali e Sistemi

Dr. Christian Callegari

Obiettivi del corso:

Il corso è suddivisono in 11 nuclei tematici

• 1 nucleo tematico di introduzione al corso

Nella prossim e slide verranno elencati i nuclei

Dr. Christian Callegari

Risorse per lo studio:

• Versioni più recenti dei libri consigliati vanno più che

Nota sul diritto d’autore

Dr. Christian Callegari

Organizzazione delle lezioni

Ogni lezione sarà divisa in quattro sessioni:

Gestione dell’eP ortfolio dello Studente

M a a cosa serve caricare esercizi e risposte sull’eP ortfolio?

Caricare esercizi e risposte sull’eP ortfolio m i da diritto a

Ricevimento in Aula Virtuale

Alcune regole per l’attività didattica

• Proprietà di normalizzazione: la somma delle frequenze relative deve essere pari

Nel nostro esempio

• Al crescere di N, tutte le frequenze relative tendono ad “assestarsi”, per il

Pr ( A ) = Pr ({la faccia del dado è dispari} )

= Pr ({ω1} ) + Pr ({ω3 } ) + Pr ({ω5 } ) =

Definizione di probabilità di Von Mises (o frequentista):

• i ed e appartengono ad A, ovvero sono elementi dell’insieme A

PROPRIETÀ DEGLI INSIEMI

PROPRIETÀ DEGLI INSIEMI

PROPRIETÀ DEGLI INSIEMI

PROPRIETÀ DEGLI INSIEMI

PROPRIETÀ DEGLI INSIEMI

• i ed e appartengono ad A, ovvero sono elementi dell’insieme A

PROPRIETÀ DEGLI INSIEMI

PROPRIETÀ DEGLI INSIEMI

• Dato 𝐴𝐴 ⊂ 𝑆𝑆, l’evento complementare di A, indicato con 𝐴𝐴𝑐𝑐 o 𝐴𝐴̅ è

• Un partizionamento di 𝑆𝑆 (insieme non vuoto) è una classe (un

CLASSE DEGLI EVENTI

allora la classe F viene detta 𝜎𝜎-algebra

PROPRIETÀ DELLA FREQUENZA RELATIVA

UNA PRIMA DEFINIZIONE DI PROBABILITÀ

Attenzione: in spazi campione con molti elementi e numero di

DEFINIZIONE ASSIOMATICA DI PROBABILITÀ

PRIMA CONSEGUENZA DEGLI ASSIOMI

Da cui si deduce che, essendo ∅ = 𝑆𝑆𝑆𝑆 , allora 𝑃𝑃 ∅ = 1 −

SECONDA CONSEGUENZA DEGLI ASSIOMI

• Essendo per definizione 𝑃𝑃 𝐴𝐴𝐴𝐴 ≥ 0, ottieniamo la diseguaglianza di Boole

• Generalizzando –> Union Bound

SECONDA CONSEGUENZA DEGLI ASSIOMI

TERZA CONSEGUENZA DEGLI ASSIOMI

TERZA CONSEGUENZA DEGLI ASSIOMI

• Considerando l’analogia tra la misura probabilità e la misura peso,

TERZACONSEGUENZA DEGLI ASSIOMI

• Dati due eventi A e B, con 𝐴𝐴 ⊂ 𝐵𝐵, si ha

SPAZI CAMPIONI DISCRETI UNIFORME

EVENTI IN SPAZI CAMPIONI DISCRETI UNIFORME

Definizione di probabilità fornita da Laplace nel 1812

– Per rispondere dovremmo calcolare il numero totale di possibili

Si utilizza il Calcolo Combinatorio

PRINCIPIO DI ANALISI COMBINATORIA

dove Ni è il numero di oggetti che possono essere scelti all’i-

DISPOSIZIONI CON RIPETIZIONI

UN ESEMPIO: IL LANCIO DI DUE DADI

– Le 6 realizzazioni la cui somma vale 7, sono quelle evidenziate in matrice

UN ESEMPIO: DISPOSIZIONI SEMPLICI