Accademia Navale, Livorno Processi Aleatori : Introduzione – Parte II Fulvio GINI Dipartimento di Ingegneria dell’Informazione: Elettronica, Informatica, Telecomunicazioni Università di Pisa E-mail: [email protected] Processi aleatori Gaussiani 2 Un processo X(t) si dice Gaussiano se per ogni N e per ogni N-upla di istanti t1 , t2 , …, tN , il vettore delle N variabili aleatorie X = [ X(t1) X(t2) … X(tN) ]T è un vettore Gaussiano, ovvero le N v.a. sono congiuntamente Gaussiane Vettore Gaussiano: N v.a. congiuntamente Gaussiane X [ X1 X 2 ddp congiunta di ordine N f X ( x) 1 exp (x m X )T CX1 (x m X ) 2 det(C X ) 1 (2 ) N / 2 X N ]T Processi aleatori Gaussiani 3 La ddp congiunta di ordine N è univocamente determinata dalla conoscenza della funzione valor medio e della funzione di autocovarianza del processo: E X N m X E X E X 1 E X 2 Vettore valori medi [ statistica di ordine 1 ] E X (t1 ) E X (t2 ) E X (t N ) X (t1 ) X (t2 ) T T T X (t N ) Matrice di covarianza [ statistica di ordine 2 ] X2 1 c X 2 X1 T C X E ( X m X )( X m X ) cX X N 1 c X1 X 2 X2 2 c X N X N 1 c X1 X N c X N 1 X N X2 N [C X ]i , j c X i X j E ( X (ti ) X (ti ))( X (t j ) X (t j )) C X (ti , t j ) Proprietà dei vettori Gaussiani 4 Proprietà 1: la ddp congiunta di ordine N di un vettore aleatorio Gaussiano è completamente specificata dal vettore valori medi e dalla matrice di covarianza Proprietà 2: una trasformazione lineare di vettori Gaussiani preserva la Gaussianità: y Ax b mY Am X b CY AC X AT Proprietà 3: una qualsiasi r-upla di v.a. estratte da X è ancora un vettore aleatorio Gaussiano, in particolare ogni Xk è una v.a. Gaussiana f X1 , , X k 1 , X k 1 , , X N f X k ( xk ) ( x1 , x2 , f , xk 1 , xk 1 , , xN ) f X ( x1 , x2 , , xk 1 , xk , xk 1, , xN )dxk X ( x1 , x2 , , xk 1 , xk , xk 1 , , xN )dx1dx2 dxk 1dxk 1 dxN Proprietà dei vettori Gaussiani 5 Proprietà 4: Funzione caratteristica di un vettore Gaussiano X ( ) X (1 , , N ) E e j (1 X1 N X N ) E e j Τ X 1 exp jm X Τ C X Τ 2 • Se {Xi;i=1,2, … , N} sono v.a. Gaussiane indipendenti: 1 N 2 2 N 1 N X ( ) exp j X i i X i i exp j X i i X2 i i2 2 i 1 2 i 1 i 1 • Se {Xi;i=1,2,3,4} sono v.a. Gaussiane: rX i X j E X i X j 1 4 X ( ) E X1 X 2 X 3 X 4 4 rX1 X 2 rX 3 X 4 rX1 X 3 rX 2 X 4 rX1 X 4 rX 2 X 3 X1 X 2 X 3 X 4 j 1234 Proprietà dei vettori Gaussiani 6 Proprietà 5: se N v.a. congiuntamente Gaussiane sono a due a due incorrelate, esse sono anche indipendenti cX i X j X2 1 0 0 per i j C X 0 N (x m X ) C (x m X ) T 1 X i 1 ( xi X i ) 2 Xi 0 X2 2 0 2 0 0 X2 N N f X ( x) i 1 1 2 2 Xi e • Se sono anche identicamente distribuite: C X X2 I , dove I è la matrice identità, e m X X 1 X [11 1]T ( xi X i ) 2 2 X2 i N f X i ( xi ) i 1 Proprietà dei vettori Gaussiani 7 Proprietà 6: la ddp di una qualsiasi r-upla di v.a. condizionata ad un qualsiasi sottogruppo di k v.a. (prese tra le rimanenti N-r) è Gaussiana f Xr Xk ( x r x k ) (2 ) r / 2 1 1 exp ( x r m r ,k )T Cr,1k (x r m r ,k ) det(Cr ,k ) 2 Cr ,k E ( X r m r ,k )( X r m r ,k )T X k m r ,k E Xr Xk E X 1 Xk E X 2 Xk vettore valori medi e matrice di covarianza condizionati E X r Xk T Sistema di 2 v.a. congiuntamente Gaussiane 8 Densità di Probabilità (ddp) di due v.a. congiuntamente Gaussiane: f X ,Y ( x, y ) 1 2 2 X Y 1 XY 1 exp Q( x, y ) 2 2 1 XY 2 x X x X y Y Q ( x, y ) 2 XY X X Y y Y Y X 0 Y 0 X 1 Y 1 XY 0 f X ,Y ( x, y ) f X ( x) fY ( y ) y x 2 Generazione di V.A. cong. Gaussiane correlate fW (w ) 1 exp ( w mW )T CW1 (w mW ) 2 det(CW ) 1 (2 ) N / 2 ? mW 0 , CW I oppure CZ ACW AT T A [Chol (CZ )]T z Aw b m Z AmW b b mZ mZ b C Z AA mZ , CZ desiderati Chol () Decomposizione di Cholesky matrice triangolare superiore CZ VVT Decomposizione spettrale CZ V1/ 21/ 2VT (V1/ 2 )(V1/ 2 )T AAT z V1/ 2w mZ A V1/ 2 9 Campionamento di processi tempo-continui Sia dato un processo tempo- continuo Y(t), stazionario almeno in senso lato, con funzione di autocorrelazione e densità spettrale di potenza date: a FT RY ( ) E Y (t )Y (t ) Campioniamo Y(t) negli istanti tn=nT, in modo da ottenere la sequenza di v.a. Y[n]=Y(nT), ovvero il processo tempodiscreto Y[n] a SY ( f a ) T 1 2B filtro anti-aliasing La ACF di Y[n] è data dalla versione campionata di quella del processo tempo-continuo Y(t), infatti: RY [m] E Y [n]Y [n m] E Y (nT )Y (nT mT ) a RY (mT ) 10 Campionamento di processi tempo-continui Il legame tra la PSD di Y(t) e quella di Y[n] è noto dal Teorema del Campionamento: campionamento nel tempo comporta la periodicizzazione nel dominio della frequenza: RY [m] RY (mT ) a SY e j 2 f DTFT SY e j 2 f R [ m] e m 1 a k T SY f a T k fa f j 2 mf Y T fa è la frequenza analogica [Hz] - f è la frequenza discreta [Adimens.] Potenza media : PY E X 2 [ n] RY [0] 12 1 2 SY e j 2 f df 11 Processo bianco tempo-discreto 12 Un processo tempo-discreto Y[n] si definisce “bianco” quando è formato da una sequenza di v.a. incorrelate e a valor medio nullo, ovvero quando la sua ACF ha la seguente forma: 2 , m0 RY [m] Y2 [m] Y 0, m 0 La PSD di Y[n] è quindi data da: SY e j 2 f [ m] e m 2 Y j 2 mf Y2 ovvero è costante per tutte le f, giustificando l’apellativo “bianco” E Y [n] 0 Nota bene: la potenza media è finita, a differenza dei processi bianchi tempo-continui: 12 PY 1 2 SY e j 2 f df Y2 Processi lineari tempo-discreti Y [n] X [n] h[n] h[ n] X [ n] 13 k h[k ] X [n k ] Processo bianco RX [m] X2 [m] SX e j 2 f Il processo in uscita è “colorato” dal filtro MATLAB: y=conv(x,h) Risposta in frequenza: H e 2 X j 2 f h[k ] e j 2 mf m RY [m] RX [m] h[m] h[m] X2 h[m] h[m] SY e j 2 f S e X j 2 f H e j 2 f 2 H e 2 X j 2 f 2 Processi Autoregressivi a Media Mobile ARMA(P,Q)14 Filtro IIR X [ n] P Q k 1 k 0 Y [n] akY [n k ] bk X [n k ] h[ n] WGN White Gaussian Noise x=randn(N,1) Eq. alle differenze ricorsiva Poli del filtro = soluzioni dell’Equazione Caratteristica MATLAB: y=filter(b,a,x) H e j 2 f k 0 P 1 ak e j 2 kf k 1 1 ak z k 0 k 1 j 2 f e zk Q Q j 2 kf b e k P k0 k 1 P j 2 f e pk k 1 Processi Autoregressivi AR(P) 15 Filtro IIR di ordine P P Y [n] akY [n k ] X [n] h[ n] X [ n] k 1 WGN White Gaussian Noise x=randn(N,1) Poli del filtro = soluzioni dell’Equazione Caratteristica MATLAB: y=filter(b,a,x) H e j 2 f Eq. alle differenze ricorsiva 1 P 1 ak e j 2 kf k 1 P 1 ak z k 0 k 1 k0 j 2 f e pk P k 1 Spettro di un processo AR(1) 1 2 SY ( f ) X 1 ae j 2 f 2 16 X2 1 a 2 2a cos 2 f f Processi a media mobile MA(Q) 17 Filtro FIR di ordine Q Q X [ n] Y [n] bk X [n k ] h[ n] WGN White Gaussian Noise x=randn(N,1) k 0 Eq. alle differenze non ricorsiva Risp. impulsiva: Q h[n] bk [n k ] k 0 Zeri del filtro = soluzioni dell’equazione MATLAB: y=filter(b,a,x) Q k b z k 0 k 0 H e j 2 f bk e j 2 kf k0 e j 2 f zk Q Q k 0 k 1 ACF e spettro di un processo MA(16) 18 Filtro a media mobile N 1 Y [ n] X [ n k ] k 0 N 1 h[n] N per n 0,1, 2, ,N X2 m RY [m] 1 N N per m 0, 1, 2, , N SY (e j 2 f ) 2 X2 sinc Nf N 2 sinc 2 f f Segnali tempo-discreti: ACF e PSD 19 Confronto tra alcune definizioni per segnali aleatori e deterministici RX [m] E X [n] X [n m] rX [m] x[n]x[n m] N 2 1 lim x[ n] x[ n m] N N 1 n N 2 X ( e j 2 f ) 2 N j 2 f S X (e ) lim E N N S X (e X N (e j 2 f ) DTFT X [n]n0 N 1 j 2 f ) lim N X N (e j 2 f N ) 2 Segnali tempo-discreti: ACF e PSD Confronto tra alcune definizioni per segnali aleatori e deterministici FT FT RX [ m] S X (e S X (e j 2 f ) j 2 f ) R m rX [m] S X (e j 2 f ) X [m]e j 2 fm PX E X [n] RX [0] 1 2 r [m]e m j 2 fm X N 2 1 PX x 2 [n] lim x 2 [ n] N N 1 n N 2 2 12 S X ( e j 2 f ) S X (e j 2 f )df 12 rX [0] 1 2 S X (e j 2 f )df 20 Processi ergodici tempo-discreto Come nel caso di processi ergodici tempo-continui, per processi ergodici tempo-discreti è possibile misurare certe statistiche, definite come medie d’insieme, mediante le corrispondenti medie temporali calcolate su una qualsiasi realizzazione: valor medio ACF N 2 1 X E X [n] x[n] lim x[n] mx N N 1 n N 2 RX [m] E X [n] X [n m] x[n]x[n m] N 2 1 lim x[n]x[ n m] rx [m] N N 1 n N 2 21 Analisi in potenza di un processo ergodico In pratica, valor medio, funzione di autocorrelazione e densità spettrale di potenza di un processo s.s.l., ergodico, si misurano dai dati come segue: x[n]; n 0,1, 2, dati valor medio ACF 1 N 1 ˆ X x[n] N n 0 N m 1 1 Rˆ X [m] x[n]x[n m] , N m n 0 1 Rˆ X [m] N PSD , N 1 Sˆ X (e j 2 f N m 1 m N 1 x[n]x[n m] n 0 ) DTFT Rˆ X [m] 2 1 j 2 f ˆ S X (e ) DTFT x[n] N N 1 ( N 1) Rˆ X [m]e j 2 fm [ di fatto, si usa la FFT ] 22 Analisi di Fourier: segnali tempo-continuo 23 Trasformata Serie di Fourier di un segnale periodico tempo-continuo (FS o TSF) x(t ) n j 2 X ne n t T0 FS FS x(t ) periodico tempo-continuo (T0 ) Xn 1 T0 T0 2 j 2 x(t )e n t T0 dt , n T0 2 X n aperiodico frequenza-discreta Trasform. Continua di Fourier di un segnale aperiodico tempo-continuo (FT o TCF) x(t ) X ( f )e j 2 ft FT df X(f ) x(t )e j 2 ft dt , f FT x(t ) aperiodico tempo-continuo X ( f ) aperiodico frequenza-continua Analisi di Fourier: segnali tempo-discreto 24 Trasformata Serie di Fourier di un segnale periodico tempo-discreto (DTFS o DFT) N 1 x[n] X [k ]e j 2 k n N j 2 n 1 N 1 N X [k ] x[n]e , k 0,1, N n 0 k DTFS k 0 x[n] periodico tempo-discreto (N ) DTFS , N 1 X [ k ] periodico frequenza-discreta (N ) Trasformata Continua di Fourier di un segnale aperiodico tempo-discreto (DTFT) 1 2 x[n] X (e j 2 f )e j 2 fn DTFT df ) x[n]e j 2 fn , 1 2 f 1 2 n 1 2 x[n] aperiodico tempo-discreto X (e j 2 f DTFT X (e j 2 f ) periodico frequenza-continua (1)