Niitä merkitään yleensä X(s, t) = X(t), jossa s kuuluu todennäköisyysavaruuteen
|
|
- Ville Salo
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Satunnaissignaalit Käytännön elämän satunnaistapahtuvat riippuvat usein ajasta t eli muuttuvat ajan mukana Esimerkkejä: Ilman lämpötila ja paine Vastuksen generoima kohinajännite Puhelinkaapelissa kulkeva puhe Radiokanavassa kulkeva viesti Radiokanavassa ja radiolaitteissa summautuva taustakohina Tällaisia satunnaisia ajasta riippuvia signaaleja sanotaan satunnaissignaaleiksi tai satunnaisprosesseiksi (stochastic or random process) Niitä merkitään yleensä X(s, t) = X(t), jossa s kuuluu todennäköisyysavaruuteen 183
2 Yhdellä ajan hetkellä t i satunnaissignaalin arvo X(t i )on satunnaismuuttuja (tällöin t on kiinnitetty ja s on muuttuja) Yhden yksittäisen signaalin sanotaan olevan yksi realisaatio tai näytefunktio (t on muuttuja ja s kiinnitetty) Kaikkien mahdollisten näytefunktioiden joukkoa kutsutaan satunnaisignaaliksi (t ja s muuttujia) Yleensä mahdollisten näytefunktioiden määräoniso,useinääretön Satunnaisignaalin arvo voi olla joko jatkuva tai diskreetti, riippuen siitä millainen satunnaisilmiö signaalin generoi Muuttuja t (yleensä aika, mutta myös taajuus tai muu muunnostaso käy)voi olla jatkuva, jolloin puhutaan analogisesta signaalista Esimerkiksi signaali radiokanavassa 184
3 Muuttuja t voi olla myös diskreetti, jolloin puhutaanaika-diskreeteistä satunnaissignaaleista. Tällöin satunnaissignaali X(t)koostuu satunnaismuuttujien X(t i )jonosta...,x(t i ),X(t i+1 ),...,X(t i+n ),... Esimerkiksi näytteistetty (AD-muunnettu)radiokanavasta vastaanotettu signaali Jos tarkastellaan prosessin X(t)ajanhetkiä t i, i = 1,...,n, niin muuttujat X ti X(t i )(tai X(i), X[i])karakterisoidaan yhteistiheysfunktion p(x t1,...,x tn )avulla ja kaikki aiemmin todennäköisyydestä ja satunnaismuuttujista kuvatut käsitteet ovat voimassa muuttujille X ti 185
4 Kiinteälle ajanhetkelle t i meillä onsiiscdf ja PDF F (x ti )=P(X ti x) p(x ti )= F(x, t i) x Korkeamman asteen CDF F (x t1,...,x tn )ja PDF p(x t1,...,x tn ) määritellään vastaavasti Eli yleisessä tapauksessa aika t vaikuttaa jakaumaan! 186
5 Stationaariset satunnaissignaalit Stationaarisuus liittyy prosessin aikariippuvuuteen Jos prosessin tilastolliset ominaisuudet (jakauma)eivät muutu ajan mukana, niin prosessia sanotaan vahvasti stationaariseksi (stationary in strict sense) Tämä tarkoittaa että jakaumat hetkillä t i,i=1,...,n ja t i + s, i =1,...,n ovat samat kaikille n ja s joka tarkoittaa että p(x t1,...,x tn )=p(x t1 +s,...,x tn +s) n, s Jos prosessi ei ole stationaarinen, se on epästationaarinen 187
6 Useimmiten stationaarisyydella tarkoitetaan kuitenkin ns. heikkoa stationaarisuutta (stationary in wide sense)jossa prosessin keskiarvo ja korrelaatio eivät riipu ajasta Heikko stationaarisuus ei ole niin jyrkkä vaatimus kuin vahva stationaarisyys eli on helpommin löydettävissä tilanteita joissa käytönnön signaali voidaan kuvata heikosti stationaariseksi kuin että se kuvattaisiin vahvasti stationaariseksi, joka rajoittaa ominaisuuksia jo varsin paljon Kirjan puhuessa stationaarisista prosesseista, se tarkoittaa juuri heikosti stationaarisia prosesseja Seuraavaksi kuvataan tarkemmin heikon stationaarisuuden määritelmä 188
7 Tietyllä ajanhetkellä satunnaisprosessi on siis satunnaismuuttuja, jonka odostussarvo E{X ti } m ti = x ti p(x ti ) dx ti jonka arvo yleisessä tapauksessa riippuu ajasta t Eri ajanhetkiltä otettujen muuttujien korrelaatio on (edelleen aivan määritelmien mukaan) E{X ti X tj } = x ti x tj p(x ti,x tj ) dx ti dx tj φ(t i,t j ) joka yleisessä tapauksessa riippuu valituista ajanhetkistä t i ja t j Koska tämä on prosessin sisäinen korrelaatio, sitä kutsutaan autokorrelaatioksi 189
8 Määritelmä: Satunnaisprosessin sanotaan olevan heikosti stationaarinen, jossenkeskiarvoeiriipuajastaeli E{X ti } = m, jossa m on vakio ja autokorrelaatio riippuu vain aikaerosta t i t j = τ eli (121a) φ(t i,t j )=φ(τ)(121b) Olkoon t j = t i τ. Silloin φ(τ) =E{X ti X ti τ} ja φ( τ) = E{X ti X ti +τ}. Asetetaan t i = t i + τ, jolloin t i = t i τ. Sijoittamalla nämä saadaan φ( τ) =E{X t i τx t i } = φ(τ)eli autokorrelaatio on parillinen funktio Aikaerolla 0 autokorrelaatio φ(0)= E{Xt 2 i } kuvaa prosessin X(t) keskimääräistä tehoa 190
9 2. keskeismomenttia eli kovarianssia vastaa autokovarianssi µ(t i,t j )=E{(X ti m ti )((X tj m tj )} = φ(t i,t j ) m ti m tj Heikosti stationaariselle prosessille tämä tulee muotoon µ(τ) =φ(τ) m 2 Aikaerolla 0 saadaan µ(0)= φ(0) m 2.Koskaφ(0)kuvaa prosessin keskimääräistä tehoa ja m 2 vakio-osan tehoa, niin µ(0)eli varianssi kuvaa keskimääräistä vaihtuvan osan tehoa. Signaaleissa vakio-osa on DC-komponentti ja vaihtuva osa AC-komponentti 191
10 Jos X ti,i=1,...,novat yhdessä Gaussin jakautuneita ja prosessi on heikosti stationaarinen, niin prosessi on myös vahvasti stationaarinen. Tämä johtuu siitä, että Gaussin muuttujien PDF riippuu vain keskiarvosta ja kovarianssista, jotka eivät heikosti stationaarisella prosessilla muutu ajan mukana. Tämä ei ole yleinen tulos. Toisin päinsekylläpätee kaikille prosesseille eli vahvasti stationaarinen prosessi on myös heikosti stationaarinen 192
11 Kaksi prosessia Olkoon meillä kaksi satunnaisprosessia X(t)ja Y (t)ja olkoot X ti, i = 1,...,n ja Y t j, j = 1,...,m satunnaismuuttujia mahdollisesti erillisiltä ajanhetkiltä Tilastollisesti prosessit kuvataan niiden yhteis PDF:llä p(x t1,...,x tn,y t 1,...,y t m ) Prosessien ristikorrelaatiofunktio on φ xy (t i,t j )=E{X ti Y tj } = x ti y tj p(x ti,y tj ) dx ti dy tj 193
12 ja ristikovarianssifunktio on µ xy (t i,t j )=E{(X ti m xti )(Y ti m yti )} = = φ xy (t i,t j ) m xti m ytj (x ti m xti )(y tj m yti )p(x ti,y tj ) dx ti dy tj Jos muuttujat ovat itsessään ja keskenään (heikosti)stationaarisia, niin µ xy (τ) =φ xy (τ) m x m y ja µ xy (τ) =µ xy ( τ) Prosessit X(t)ja Y (t)ovat riippumattomia jos p(x t1,...,x tn,y t 1,...,y t m )=p(x t1,...,x tn )p(y t 1,...,y t m ) Prosessit ovat korreloimattomia jos (määritelmän mukaisesti) µ xy (t i,t j )=0eliφ xy (t 1,t 2 )=E{X ti } E{Y tj } = m xti m yti 194
13 Kompleksinen satunnaisprosessi Z(t)on kahdesta reaalisesta prosessista X(t)ja Y (t)muodostettu kompleksinen satunnaissignaali Z(t) =X(t)+jY (t) jonkapdf määräytyy prosessienx ja Y yhteisjakaumasta p(x, y) Kompleksisen prosessin autokorrelaatiolle ja ristikorrelaatiolle kirja käyttää kerrointa 1/2 kunsitä verrataan reaaliseen auto- ja ristikorrelaation määritelmään Kerrointa ei esiinny kaikkialla kirjallisuudessa Kirja käyttää sitä, koska se on sopiva normalisointitekijä, kuten kirjan luvun 4 alussa nähdään 195
14 Kirjan määritelmän mukaan kompleksisten prosessien Z(t) = X(t)+Y (t)ja W (t) =U(t)+jV (t)ristikorrelaatio on φ zw (t i,t j )= 1 2 E{Z t i W t j } = 1 2 E{(X t i + jy ti )(U tj jv tj )} = 1 2 E{X t i U tj jx ti V tj + jy ti U tj jjy ti V tj } = 1 ( (φxu (t i,t j )+φ yv (t i,t j ) ) + j ( φ yu (t i,t j ) φ xv (t i,t j ) )) 2 Huomaa että toisesta prosessista otetaan kompleksikonjugaatti! (ensimmäinen rivi) 196
15 Jos X(t), Y(t), U(t)ja V (t)ovat pareittain (heikosti)stationaarisia, niin φ zw (τ) = 1 ( (φxu (τ)+φ yv (τ) ) + j ( φ yu (τ) φ xv (τ) )) 2 Havaitaan myös, että tällöin φ zw(τ) = 1 2 E{Z t i W ti τ} = 1 2 E{Z t +τw t } = φ wz( τ) i i 197
16 Autokorrelaatio φ zz (t i,t j )on ristikorrelaation erikoistapaus kun W (t) =Z(t).Tällöin φ zz (t i,t j )= 1 2 E{Z t i Z t j } = 1 2 E{(X t i + jy ti )(X tj jy tj )} = 1 2 E{X t i X tj jx ti Y tj + jy ti X tj jjy ti Y tj } = 1 ( (φxx (t i,t j )+φ yy (t i,t j ) ) + j ( φ yx (t i,t j ) φ xy (t i,t j ) )) 2 Stationaarisessa tapauksessa φ zz(τ) = φ zz ( τ)tai φ zz (τ) = φ zz( τ) Jos reaali- ja imaginääriosa ovat stationaarisia, nollakeskiarvosia ja korreloimattomia, niin φ zz (τ) = 2( 1 φxx (τ) +φ yy (τ) ) eli prosessin autokorrelaatio on reaaliosan ja imaginääriosan autokorrelaatioiden summa 198
17 Keskimääräiseksi tehoksi tulee tällöin φ zz (0)= (φ xx (0)+φ yy (0))/2 ja jos molempien osien varianssi on σ 2, niin saadaan φ zz (0)= (σ 2 + σ 2 )/2 =σ 2 (vrt. valkoinen kohina oppikirjan luvussa 4) 199
18 Tehotiheysspektri Tehotiheysspektri (PSD, power spectral density)kertoo miten signaali on jakautunut taajuudessa eli millä taajuuskomponentilla on minkäkin verran signaalitehoa. Yksikkö onw/hz Yleisesti ottaen signaalit voidaan jakaa energiasignaaleihin, joilla on äärellinen energia ja tehosignaaleihin, joilla on äärellinen keskimääräinen teho Energiasignaaleille voidaan laskea Fourier muunnos ja se kuvaa niiden PSD:n. Energiasignaaleita ovat deterministiset, äärelliskestoiset signaalit. Jaksollisilla signaaleilla energia onääretön ja niiden PSD saadaan Fourier sarjakehitelmän kautta 200
19 Stationaariset stokastiset prosessit ovat tehosignaaleita. Niiden PSD Φ(f)on määritelmän mukaisesti autokorrelaation Fourier muunnos eli Φ(f) = φ(τ)e j2πfτ dτ Käänteismuunnos antaa autokorrelaation PSD:n avulla eli φ(τ) = Φ(f)e j2πfτ df (122a) (122b) Yhtälöt (122)tunnetaan myös nimellä Wiener-Khinchin teoreema 201
20 Usein Fourier muunnos ilmaistaan kulmataajuuden ω = 2πf funktiota, jolloin edellisissä täytyy tehdä muuttujanvaihdos ω = 2πf. Käänteismuunnoksessa myös differentiaali vaihtuu ja df = dω/2π jolloin Wiener-Khinchin teoreema on Φ(f) = φ(τ) = 1 2π φ(τ)e jωτ dτ Φ(f)e jωτ dω 202
21 Keskimääräiseksi tehoksi saadaan φ(0)= E{ X(t) 2 } = Φ(f) df 0 joka on siis integraali yli PSD:n. Täten PSD:n täytyy kuvata teho taajuusyksikköä kohti (W/Hz), jotta tehon yksikkö olisi W. Tästä johtuu sana tiheys PSD nimessä. Esim. Jos PSD on vakio A W/Hz välillä (0,B)Hz ja 0 muualla, niin keskimääräiseksi tehoksi saadaan φ(0)= AB W A 0 B taajuus (Hz) 203
22 PSD:n määritelmän toinen muoto on { 1 } lim E T T X(t)e j2πft dt 2 joka diskreetissä maailmassa tarkoittaa FFT:n käyttöä PSD:n laskemiseksi, ja on OK jos korrelaatiosekvenssi φ(τ) =E{X(t)X (t+ τ)} suppenee varsin nopeasti kohti nollaa kun τ kasvaa FFT:n avulla tehotiheys on FFT { X(t) } 2 /N, jossa N on näytteiden määrä FFT laskee kulmataajuuden välille [ π,π], tavallisen taajuuden välille [ 1/2, 1/2] tai näytetaajuuden F s funktiona ilmaistuna [ F s /2,F s /2] Esimerkkinä olkoon eksponettifuntio (kompleksinen sini) exp(j2πt/13), jolloin ω = 0.48 johon on summautunut Gaussin jakautunut kompleksinen signaali 204
23 PSD kulmataajuus 205
24 PSD:lle pätee Φ(f) 0 feli PSD on positiivinen (todistetaan myöhemmin) PSD on reaalinen Prosessien X(t)ja Y (t) ristitehotiheys on vastaavasti Φ xy (f) = φ xy (τ)e j2πfτ dτ Yleisesti Φ xy(f) = Φ yx (f), mutta reaalisille prosesseille pätee että Φ xy (f) =Φ yx ( f) 206
25 Lineaarisen aika-invariantin systeemin vaste stokastisille signaaleille Yleisesti lineaarisen aika-invariantin (LTI)systeemin h(t)vaste y(t)syötteelle x(t)voidaan ilmaista konvoluutiointegraalilla y(t) = h(τ)x(t τ) dτ x(t) h(t) y(t) LTI-systeemi Taajuusalueessa Y (f) =H(f)X(f) Olkoon nyt vaste X(t)stationaarinen satunnaisprosessi. Mitkä ovat vasteen keskiarvo ja korrelaatiofunktio? Onko vaste stationaarinen? Mikä onpsd? 207
26 Keskiarvolle saadaan m y =E{Y (t)} = = m x h(τ)e{x(t τ)} dτ h(τ) dτ = m x H(0) sillä E{X(t)} = m x t ja H(0)on taajuusvasteen arvo taajuudella f =0 Vasteen keskiarvo ei siis riipu ajasta, vaan on vakio jos syöte on stationaarinen 208
27 Autokorrelaatio on φ yy (t k,t l )= 1 2 E{Y t k Y t l } = 1 2 = h(β)h (α)e { } X(t k β)x (t l α) dα dβ h(β)h (α)φ xx (t k t l + α β) dα dβ sillä X(t)on stationaarinen jolloin φ x (t k,t l )=φ x (t k t l ) Koska tämä riippuu vain aikaerosta t k t l, on vaste stationaarinen jos syöte on stationaarinen Merkitään τ = t k t l, jolloin φ yy (τ) = h(β)h (α)φ xx (τ + α β) dα dβ 209
28 PSD on tämän Fourier muunnos. Sijoittamalla muunnoksen määritelmään saadaan Φ y (f) = (fantastinen kolminkertainen integraali!) h(β)h (α)φ xx (τ + α β)e j2πfτ dα dβ dτ Sijoittamalla t = τ + α β, jolloin dτ = dt saadaan Φ y (f) = = } {{ } H (f) h(β)h (α)φ xx (t)e j2πf(t α+β) dα dβ dt h (α)e j2πfα dα h(β)e j2πfβ dβ φ x (t)e j2πft dt } {{}} {{} =Φ x (f) H(f) 2 H(f) Φ x (f) 210
29 Tämä tarkoittaa että jos systeemin syöte on stationaarinen, niin vasteen PSD on syöteen PSD kerrottuna systeemin amplitudivasteen neliöllä Vasteen autokorrelaatio on useimmiten helpompi laskea sen PSD:n kautta, sillä konvoluutio aika-alueessa on tyypillisesti hankalampi laskea kuin tulo taajuusalueessa Tällöin φ y (τ) = = Vasteen keskimääräinen teho on φ y (0)= Φ y (f)e j2πfτ df Φ x (f) H(f) 2 e j2πfτ df Φ x (f) H(f) 2 df 0 211
30 Olkoon nyt H(f) 2 = 1 jolloin mielivaltaisen pienellä välillä f l,f u ja0muualla.tällöin vaaditaan fu Φ x (f) df 0 f l Tämä on mahdollista vain jos Φ x (f) 0 f eli PSD on positiivinen 212
31 Valkoinen kohina Jos stokastisen prosessin PSD on vakio kaikilla taajuuksilla eli Φ x (f) = 1 2 N 0 f (123) niin prosessia kutsutaan valkoiseksi kohinaksi Tämä johtuu siitä, että valkoinen valo sisältää kaikkia taajuuskomponentteja yhtä paljon joten sen taajuusspektri on tasainen N 0 /2 0 taajuus valkoisen kohinan PSD 213
32 Jos syöte on valkoinen kohina, niin vasteen PSD on Φ y (f) = N 0 2 H(f) 2 eli skaalattu systeemin amplitudivasteen neliö Jos systeemin amplitudispektrin neliö H(f) 2 on vakio 1 välillä [ W, W ], niin vasteen keskimäärinen teho on W Φ(0)= N 0 df = N 0 2 W 2 2W = N 0W eli valkoisen kohinan teho kaistalla [ W, W ]onn 0 W. Tehotiheyttä N 0 kutsutaan kirjallisuudessa usein yksipuoleiseksi (onesided)tehotiheydeksi ja tehotiheyttä N 0 /2 kaksipuoleiseksi (twosided)tehotiheydeksi Yksipuolisessa tilanteessa tarkastellaan vain positiivisia taajuuksia ja koska kokonaistehon täytyy olla sama, niin korkeus on kaksinkertainen 214
33 Tarkastellaan vielä syötteen ja vasteen ristikorrelaatiota, joka on φ xy (t k,t l )= 1 2 = sillä X(t)on stationaarinen h(α)e{x(t k α)x (t l )} dα h(α)φ xx (t k t l α) dα Tämä riippuu vain aikaerosta τ = t k t l, joten syöte X(t)ja vaste Y (t)ovat keskenään stationaarisia. Toisin ilmaistuna φ xy (τ) = h(α)φ xx (τ α) dα Tämä on konvoluutiointegraali, joten risti-psd on Φ yx (f) =Φ xx (f)h(f) 215
34 Näytteenottoteoreema Tarkastellaan stokastisten, kaistarajoitettujen signaalien näytteenottoteoreemaa Stationaarinen stokastinen signaali X(t)on kaistarajoitettu, jos sen PSD ei sisällä taajuujuuskomponentteja taajuuden f > W yläpuolella eli Φ x (f) =0 f >W PSD W W taajuus Kuten deterministisessäkin tapauksessa, jos tämä näytteistetään nopeudella F s 2W, niin taajuudessa ei tapahdu laskostumista ja analoginen signaali voidaan palauttaa ideaalisella interpolaatiosuodattimella siinä mielessä, että keskineliövirhe alkuperäisen ja palautetun signaalin välillä on nolla 216
35 Näytenopeutta F N = 2W sanotaan Nyquist taajuudeksi tai tahdiksi (rate) Jos kaistarajoitetusta stokastisesta prosessista X(t)otetaan näytteitä hetkillä t = n/2w, jossa n =0, ±1, ±2,..., niin edellinen tarkoittaa että E X(t) X ( )sin ( 2πW(t n n 2W )) 2 2W 2πW(t n 2W ) =0 n= eli alkuperäinen analoginen ja näytteistä interpoloitu palautettu analoginen signaali vastaavat toisiaan tilastollisesti keskineliövirhemielessä (mean square error sense) 217
36 Käytännön laitteissa sanotaan usein olevan antialiasing suodatin ennen näytteenottoa. Tämä tarkoittaa, että signaalin kaista rajoitetaan tietylle alueelle mahdollisimman hyvin jotta laskostumista ei tapahtuisi. Nyquist taajuudella näytteistäminen vaatiiideaalisen, äärettömän jyrkkäreunaisen suodattimen joiden toteuttaminen on mahdotonta, joten käytännössä näytenopeus on Nyquist taajuutta suurempi Mitä ali- ja ylinäytteistys käytännössä tarkoittavat?näytteistyksen jälkeen diskreetin signaalin spketri on DFT eli jaksollinen. Alinäytteistyksessä jaksot menevät päällekkäin, ja häiritsevät toisiaan. Ylinäytteistyksessä näin ei tapahdu. F s < 2W F s > 2W 218
37 Jos PSD sivukeilataso on pieni, niin päällekkäisyydestä eivälttämättä ole suurta haittaa. Esim, jos näytteistetään kanttipulssijonoa jossa jokainen pulssi on satunnaisesti kerrottu luvulla ±1, niin tuloksena on sinc 2 -muotoinen spektri, jossa sivukeilat vaimenevat varsin kohtuullisesti. Tällöinhän PSD on ääretön, mutta sivukeilojen vaimenemisen takia sitä voidaan approksimoida jollain tietyllä leveydellä. Asiaa on havainnollistettu seuraavassa. Siinä on kanttipulssijono, josta on otettu 1, 2, 3 tai 4 näytettä pulssia kohti eli jos pulssin kesto on T, niin näytenopeudet ovat 1/T,2/T,3/T ja 4/T. Nähdään, että 3näytettä/pulssi tuo esille sinc-muodon 219
38 1 1 näyte/pulssi 1 2 näyte/pulssi PSD PSD kulmataajuus kulmataajuus 1 3 näyte/pulssi 1 4 näyte/pulssi PSD PSD kulmataajuus kulmataajuus 220
39 Entä jos kyseessä on kaistanpäästösignaali jonka PSD on nolla taajuusalueen [F l,f u ] ulkopuolella? 2W F u F l F l f c F u taajuus Selvästi ko. signaalin kaistanleveys on 2W = F u F l ja keskitaajuus on f c = F u W/2 =F u (F u F l )/2 =(F u + F l )/2 Nyquist taajuuden mukaan näytteenottonopeuden tulisi olla > 2F u.josf u = 1 tai 2 GHz (kuten GSM:ssä), niin tämä tarkoittaisi aika huikeaa näytenopeutta, joka ei aivan halvalla ole mahdollista. Onneksi on toinen vaihtoehto. 221
40 Nämä signaalit voidaan siirtää keskitaajuutensa f c =(F u +F l )/2 suhteen nollataajuudelle, jolloin kaistanpäästösignaali s(t)kerrotaan vastaanottimessa kantoaallolla e j2πf ct ja alipäästösuodatetaan (LPF) s(t) LPF e j2πf ct (F u F l )/2 (F u F l )/2 Signaali on tällöin rajoittunut kaistalle f W =(F u F l )/2ja siihen voidaan soveltaa Nyquist taajuuden mukaista näytteenottoa eli vaadittu näytenopeus on F s >F u F l = B =2W,jokaon signaalin kaistanleveys 222
41 Koska vastaanottimessa on 2 haaraa (cos ja sin tai in-phase (I) ja quadrature (Q)), ja molemmissa näytteistys tapahtuu tällä nopeudella niin totaalisti näytenopeus on 2B eli 2 kertaa kaistanleveys. Voidaan myös sanoa että pitää ottaa B kompleksista näytettä (1 kompleksinen näyte sisältää I- ja Q-haarojen signaalit eli on I + jq) Huom. Signaali voidaan vastaavasti näytteistää muunkin kuin nollataajuuden ympäristössä, kunhan vain näytetaajuus on riittävä eli 2B <F s < 4B.Tällöin puhutaan näytteistyksestävälitaajuudella tai suoraan kantotaajuudella ja kyseessä onkaistanpäästösignaalien näytteenottoteoreema. 223
42 Aikadiskreetit signaalit Näytteistetyt signaalit muodostavat aikadiskreetin prosessin, jossa näytteet on useimmiten (lähes aina)otettu tasavälein eli näytehetki t n = t n 1 +T s jossa T s on näyteaikaväli eli T s =1/F s, jossa F s on näytenopeus Olkoon näytehetket t n, jolloin näytehetkillä signaali on X(t n )tai X(n)tai X[n] tai X n Tilastolliset ominaisuudet määräytyvät yhteisjakaumien perusteella kuten edellä Tilastolliset keskiarvot ovat myös diskreettejä, esim. keskiarvo E{X n } on määritelty vain ajanhetkinä t n. Stationaarisessa tapauksessa autokorrelaatiofunktio on määritelty diskreetteinä aikaeroina m = n k ( t m = t n t k ),eliφ(m) =E{X n X k } 224
43 Ainoa isompi ero määritelmissä tulee Fourier muunnoksessa ja konvoluutiossa, joissa täytyy siirtyä diskreeteihin versioihin Diskreetissä tapauksessa PSD on Φ(f) = φ(n)e j2πfn (124) n= Kuten hyvin muistetaan DFT:n ominaisuuksista: Φ(f)on jaksollinen, jaksona f p =1eliΦ(f)on täydellisesti kuvattavissa välille [ 1/2, 1/2] eli Φ(f + k) =Φ(f)kin k = 0, ±1, ±2,... Käänteismuunnos on φ(n) = 1/2 1/2 Φ(f)e j2πfn df (125) 225
44 Diskreetti konvoluutiosumma eli vaste y(n)syötteen x(n)ja impulssivasteen h(n)avulla on y(n) = h(k)x(n k)(126) k= Vasteen odotusarvo ja autokovarianssi ovat kuten aiemmin, ne ovat vain diskreettejä 226
45 Syklostationaariset signaalit Tietoliikenteessätörmätään usein signaaleihin, joiden tilastolliset keskiarvot ovat periodisia. Jos keskiarvo ja autokorrelaatio ovat periodisia aikariippuvia signaaleja, niin signaalin sanotaan olevan syklostationaarinen Tarkastellaan signaalia X(t) = a n g(t nt )(127) n= Tässä a n,n=..., 1, 0, 1,... voi olla radiokanavaan lähetettävä satunnainen symbolijono jonka keskiarvo on m a ja autokorrelaatio φ a (k)ja g(t)on lähetyksessä käytetty deterministinen symboliaaltomuoto 227
46 Jos aaltomuoto on kanttipulssi, jonka kesto on T ja a n = ±1, niin signaali voisi olla vaikkapa aika Signaalin keskiarvo on E{X(t)} = n= = m a E{a n }g(t nt ) n= g(t nt ) Havaitaan, että keskiarvo riippuu ajasta t, mutta on periodinen periodilla T 228
47 Esimerkiksi, jos A on kanttipulssin korkeus, niin edellisen kanttipulssijonon tapauksessa keskiarvo hetkellä t l on E{X(t l )} = m a g(t l mt )=m a A, siten että 0<t l mt < T, sillä kanttipulssi on 0 muutoin kuin välillä [0,T] (otetaan siis jonosta se kanttipulssi jolle ko. ehto täyttyy). Jos t l = lt s, niin l = m Signaalin X(t)autokorrelaatio on φ x (t + τ,t)= 1 2 E{X(t + τ)x (t)} E{a na m }g (t nt )g(t + τ mt ) = 1 2 = n= m= n= m= φ a (m n)g (t nt )g(t + τ mt ) Havaitaan, että tämä riippuu ajasta ja on jaksollinen periodilla T 229
48 Signaali X(t)on siis syklostationaarinen Esimerkiksi, jos jono {a n } koostuu riippumattomista muuttujista, niin φ a (m n) =0,josm n. Tällöin φ x (t + τ,t) = φ a (0) n g (t nt )g(t + τ nt ). Aikariippuvan signaalin PSD ei ole olemassa, silläseolimääritelty stationaarisille signaaleilla Periodisille signaaleille PSD:nä käytetään yleisesti yhden jakson yli aikakeskiarvoistetun autokorrelaatiofunktion Fourier muunnosta, joka ei riipu ajasta Tämä keskiarvo on φ x (τ) = 1 T T/2 T/2 φ x (t + τ,t) dt (128) 230
49 Tämän Fourier muunnos on syklostationaarisen signaalin keskimääräinen tehotiheysspektri, jokaon Φ x (f) = φ x (τ)e j2πfτ dτ (129) 231
spektri taajuus f c f c W f c f c + W
Kaistanpäästösignaalit Monet digitaaliset tiedonsiirtosignaalit ovat keskittyneet jonkin tietyn kantoaaltotaajuuden f c ympäristöön siten, että signaali omaa merkittäviä taajuuskomponetteja vain kaistalla
LisätiedotNämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan
Mitä pitäisi vähintään osata Tässäkäydään läpi asiat jotka olisi hyvä osata Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan osattavan 333 Kurssin sisältö Todennäköisyyden, satunnaismuuttujien
LisätiedotSignaalit ja järjestelmät aika- ja taajuusalueissa
Signaalit ja järjestelmät aika- ja taajuusalueissa Signaalit aika ja taajuusalueissa Muunnokset aika ja taajuusalueiden välillä Fourier sarja (jaksollinen signaali) Fourier muunnos (jaksoton signaali)
LisätiedotSignaalimallit: sisältö
Signaalimallit: sisältö Motivaationa häiriöiden kuvaaminen ja rekonstruointi Signaalien kuvaaminen aikatasossa, determinisitinen vs. stokastinen Signaalien kuvaaminen taajuustasossa Fourier-muunnos Deterministisen
Lisätiedot4. Fourier-analyysin sovelletuksia. Funktion (signaalin) f(t) näytteistäminen tapahtuu kertomalla funktio näytteenottosignaalilla
4.1 Näytteenottolause 4. Fourier-analyysin sovelletuksia Näyttenottosignaali (t) = k= δ(t kt). T on näytteenottoväli, ja ω T = 1 T on näyttenottotaajuus. Funktion (signaalin) f(t) näytteistäminen tapahtuu
LisätiedotKuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t
Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Valkoinen kohina ε t 2 1 0 1 2 Voimme tehdä saman laskun myös yleiselle välille [ a, a], missä 0 < a
LisätiedotSIGNAALITEORIAN KERTAUSTA 1
SIGNAALITEORIAN KERTAUSTA 1 1 (26) Fourier-muunnos ja jatkuva spektri Spektri taajuuden funktiona on kompleksiarvoinen funktio, jonka esittäminen graafisesti edellyttää 3D-kuvaajan piirtämisen. Yleensä
LisätiedotSIGNAALITEORIAN KERTAUSTA OSA 2
1 SIGNAALITEORIAN KERTAUSTA OSA 2 Miten spektri lasketaan moduloiduille ja näytteistetyille tietoliikennesignaaleille? KONVOLUUTIO JA KERTOLASKU 2 Kantataajuussignaali (baseband) = sanomasignaali ilman
LisätiedotSIGNAALITEORIAN KERTAUSTA OSA 1
1 SIGNAALITEORIAN KERTAUSTA OSA 1 Millainen on signaalin spektri ja miten se lasketaan? SIGNAALIEN JA SPEKTRIN PERUSKÄSITTEITÄ 2 Spektri taajuuden funktiona on kompleksiarvoinen funktio, jonka graafinen
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotA! Modulaatioiden luokittelu. Luento 4: Digitaaliset modulaatiokonstellaatiot, symbolijonolähetteet. ELEC-C7230 Tietoliikenteen siirtomenetelmät
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 4: Digitaaliset modulaatiokonstellaatiot, symbolijonolähetteet Olav Tirkkonen, Jari Lietzen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos A! Modulaatioiden
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 13 Ti 18.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 13 Ti 18.10.2011 p. 1/43 p. 1/43 Nopeat Fourier-muunnokset Fourier-sarja: Jaksollisen funktion esitys
Lisätiedot3. Teoriaharjoitukset
3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x
Lisätiedot6.2.3 Spektrikertymäfunktio
ja prosessin (I + θl + + θl q )ε t spektritiheysfunktio on Lemman 6. ja Esimerkin 6.4 nojalla σ π 1 + θ 1e iω + + θ q e iqω. Koska viivepolynomien avulla määritellyt prosessit yhtyvät, niin myös niiden
LisätiedotSatunnaismuuttujat Satunnaismuuttuja kuvaa kokeen tuloksen reaaliakselille Satunnaismuuttuja on siis funktio X(s) joka saa reaalisia arvoja Koe s
Satunnaismuuttujat Satunnaismuuttuja kuvaa kokeen tuloksen reaaliakselille Satunnaismuuttuja on siis funktio X(s) joka saa reaalisia arvoja Koe s kuuluu todennäköisyysavaruuteen S (s S) Esimerkkejä Kolikonheitossatodennäköisyysavaruus
LisätiedotLuento 5: Kantataajuusvastaanotin AWGNkanavassa I: Suodatus ja näytteistys a. Kuvaa diskreetin ajan signaaliavaruussymbolit jatkuvaan aikaan
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 5: Kantataajuusvastaanotin AWGNkanavassa I: Suodatus ja näytteistys a Olav Tirkkonen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos a [10.1-10.6.3]
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
LisätiedotLuento 2. Jaksolliset signaalit
Luento Jaksollisten signaalien Fourier-sarjat Viivaspektri S-.7. Signaalit ja järjestelmät 5 op KK ietoliikennelaboratorio Jaksollinen (periodinen) Jaksolliset signaalit Jaksonaika - / / Perusjakso Amplitudi
LisätiedotELEC-C7230 Tietoliikenteen siirtomenetelmät
ELEC-C7230 Tietoliikenteen siirtomenetelmät Laskuharjoitus 8 - ratkaisut 1. Tehtävässä on taustalla ajatus kantoaaltomodulaatiosta, jossa on I- ja Q-haarat, ja joka voidaan kuvata kompleksiarvoisena kantataajuussignaalina.
LisätiedotVastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit.
Autokovarianssi: (kun τ 0) Γ t (τ) = E[(X t µ t )(X t τ µ t τ )] ( ) ( = E[ φ k ε t k φ j ε t τ j )] = = j=0 φ j+k E[ε t k ε t τ j ] k,j=0 φ j+k σ 2 δ k,τ+j k,j=0 = σ 2 φ j+k δ k,τ+j = = k,j=0 φ τ+2j I
LisätiedotMissä mennään. systeemi. identifiointi. mallikandidaatti. validointi. malli. (fysikaalinen) mallintaminen. mallin mallin käyttötarkoitus, reunaehdot
Missä mennään systeemi mallin mallin käyttötarkoitus, reunaehdot käyttö- (fysikaalinen) mallintaminen luonnonlait yms. yms. identifiointi kokeita kokeita + päättely päättely vertailu mallikandidaatti validointi
Lisätiedot1 Vastaa seuraaviin. b) Taajuusvasteen
Vastaa seuraaviin a) Miten määritetään digitaalisen suodattimen taajuusvaste sekä amplitudi- ja vaihespektri? Tässä riittää sanallinen kuvaus. b) Miten viivästys vaikuttaa signaalin amplitudi- ja vaihespektriin?
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.11 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy 1997. Luento: Pulssinmuokkaussuodatus
LisätiedotJaksollisen signaalin spektri
Jaksollisen signaalin spektri LuK-tutkielma Topi Suviaro 2257699 Matemaattisten tieteiden laitos Oulun yliopisto Syksy 215 Sisältö Johdanto 2 1 Jaksollisuudesta 2 2 Spektristä 3 2.1 Symmetrian vaikutuksesta
Lisätiedote ax, kun x > 0 f(x) = 0, kun x < 0, 0, kun x > 0 e ax, kun x < 0 e (a iω)x dx = a+iω = 1 a 2 +ω 2. e ax, x > 0 e ax, x < 0,
Harjoitus 5 1. Olkoot a > 0. Laske vaimenevan pulssin e ax, kun x > 0 fx) = 0, kun x < 0, ja voimistuvan pulssin gx) = konvoluution g f Fourier-muunnos. 0, kun x > 0 e ax, kun x < 0 apa 1: Konvoluution
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotEpäyhtälöt ovat yksi matemaatikon voimakkaimmista
6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida
LisätiedotT L 9 0 8 Z S I G N A A L I T E O R I A O S A I V: E N E R G I A - J A T E H O T I H E Y S
L 9 8 Z S I G N L I E O R I O S I V: E N E R G I - J E H O I H E Y S 4 Spektrin eneria- ja tehotiheys 57 4. Spektrin eneriatiheys 57 4.. Parsevalin teoreema 57 4.. Spektrin eneriatiheyden ominaisuuksia
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotDynaamisten systeemien identifiointi 1/2
Dynaamisten systeemien identifiointi 1/2 Mallin rakentaminen mittausten avulla Epäparametriset menetelmät: tuloksena malli, joka ei perustu parametreille impulssi-, askel- tai taajusvaste siirtofunktion
LisätiedotKapeakaistainen signaali
Tiedonsiirrossa sellaiset signaalit ovat tyypillisiä, joilla informaatio jakautuu kapealle taajuusalueelle jonkun keskitaajuuden ympäristöön. Tällaisia signaaleja kutustaan kapeakaistaisiksi signaaleiksi
Lisätiedot9. Tila-avaruusmallit
9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotKompleksianalyysi, viikko 7
Kompleksianalyysi, viikko 7 Jukka Kemppainen Mathematics Division Fourier-muunnoksesta Laplace-muunnokseen Tarkastellaan seuraavassa kausaalisia signaaleja eli signaaleja x(t), joille x(t) 0 kaikilla t
LisätiedotSpektri- ja signaalianalysaattorit
Spektri- ja signaalianalysaattorit Pyyhkäisevät spektrianalysaattorit Suora pyyhkäisevä Superheterodyne Reaaliaika-analysaattorit Suora analoginen analysaattori FFT-spektrianalysaattori DFT FFT Analysaattoreiden
LisätiedotA B = 100, A = B = 0. D = 1.2. Ce (1.2 D. C (t D) 0, t < 0. t D. )} = Ae πjf D F{Π( t D )} = ADe πjf D sinc(df)
ELEC-A7 Signaalit ja järjestelmät Syksy 5 Tehtävä 3. a) Suoran tapauksessa ratkaistaan kaksi tuntematonta termiä, A ja B, joten tarvitaan kaksi pistettä, jotka ovat pisteet t = ja t =.. Saadaan yhtälöpari
LisätiedotSIGNAALITEORIAN JATKOKURSSI 2003
SIGNAALITEORIAN JATKOKURSSI 2003 Harri Saarnisaari University of Oulu Telecommunication laboratory & Centre for Wireless Communications (CWC) Yhteystiedot Luennot Harri Saarnisaari puh. 553 2842 vastaanotto
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 21. syyskuuta 2007 Antti Rasila () TodB 21. syyskuuta 2007 1 / 19 1 Satunnaismuuttujien riippumattomuus 2 Jakauman tunnusluvut Odotusarvo Odotusarvon ominaisuuksia
Lisätiedotx 4 e 2x dx Γ(r) = x r 1 e x dx (1)
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta IIA, syksy 217 217 Harjoitus 6 Ratkaisuehdotuksia Tehtäväsarja I 1. Laske numeeriset arvot seuraaville integraaleille: x 4 e 2x dx ja 1
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /
MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä
LisätiedotStationaariset stokastiset prosessit ja ARMA-mallit
Stationaariset stokastiset prosessit ja ARMA-mallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
LisätiedotHarjoitus Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia:
Differentiaaliyhtälöt, Kesä 216 Harjoitus 2 1. Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia: (a) y = (2 y) 3, (b) y = (y 1) 2, (c) y = 2y y 2. 2. Etsi seuraavien
LisätiedotTietoliikennesignaalit & spektri
Tietoliikennesignaalit & spektri 1 Tietoliikenne = informaation siirtoa sähköisiä signaaleja käyttäen. Signaali = vaihteleva jännite (tms.), jonka vaihteluun on sisällytetty informaatiota. Signaalin ominaisuuksia
LisätiedotOdotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61
3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on
Lisätiedotz muunnos ja sen soveltaminen LTI järjestelmien analysointiin
z muunnos ja sen soveltaminen LTI järjestelmien analysointiin muunnoksella (eng. transform) on vastaava asema diskreettiaikaisten signaalien ja LTI järjestelmien analyysissä kuin Laplace muunnoksella jatkuvaaikaisten
LisätiedotVirheen kasautumislaki
Virheen kasautumislaki Yleensä tutkittava suure f saadaan välillisesti mitattavista parametreistä. Tällöin kokonaisvirhe f määräytyy mitattujen parametrien virheiden perusteella virheen kasautumislain
Lisätiedot8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin
Lisätiedot6.1 Autokovarianssifunktion karakterisaatio aikatasossa
6. Spektraalianalyysi Tällä kurssilla on käyty läpi eräitä stationääristen aikasarjojen ominaispiirteitä, kuten aikasarjaa mallintavan stokastisen prosessin X t odotusarvo E[X t ] ja autokovarianssifunktio
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
LisätiedotV ar(m n ) = V ar(x i ).
Mat-.3 Stokastiset prosessit Syksy 007 Laskuharjoitustehtävät 6 Poropudas/Kokkala. Olkoon M n = X +... + X n martingaali ja M 0 = 0. Osoita, että V ar(m n ) = n V ar(x i ). i= Huomattavaa on, että muuttujia
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat TKK (c) Ilkka Mellin (2006) 1 Moniulotteiset satunnaismuuttujat ja
LisätiedotIlkka Mellin Aikasarja-analyysi Stationaariset stokastiset prosessit
Ilkka Mellin Aikasarja-analyysi Stationaariset stokastiset prosessit TKK (c) Ilkka Mellin (2007) 1 Stationaariset stokastiset prosessit >> Stationaariset stokastiset prosessit Integroituvuus Korrelaatiofunktioiden
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SG-1200 Signaalinkäsittelyn menetelmät, Tentti 21.3.2006 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle
Lisätiedoty x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1
1. Tarkastellaan funktiota missä σ C ja y (y 1,..., y n ) R n. u : R n R C, u(x, t) e i(y x σt), (a) Miksi funktiota u(x, t) voidaan kutsua tasoaalloksi, jonka aaltorintama on kohtisuorassa vektorin y
Lisätiedoty = 3x2 y 2 + sin(2x). x = ex y + e y2 y = ex y + 2xye y2
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 2 mallit Kevät 219 Tehtävä 1. Laske osittaisderivaatat f x = f/x ja f y = f/, kun f = f(x, y) on funktio a) x 2 y 3 + y sin(2x),
LisätiedotHarjoitus 1. Tehtävä 1. Malliratkaisut. f(t) = e (t α) cos(ω 0 t + β) L[f(t)] = f(t)e st dt = e st t+α cos(ω 0 t + β)dt.
Harjoitus Malliratkaisut Tehtävä L[f(t)] ˆ f(t) e (t α) cos(ω t + β) f(t)e st dt ˆ e st t+α cos(ω t + β)dt cos(ω t + β) 2 (ej(ωt+β) + e j(ωt+β) ) L[f(t)] 2 eα 2 ˆ ˆ e st t+α (e j(ω t+β) + e j(ω t+β) )
Lisätiedot2. kl:n DY:t. Lause. Yleisesti yhtälöllä ẍ = f(ẋ, x, t) on (sopivin oletuksin) aina olemassa 1-käs. ratkaisu. (ẋ dx/dt, ẍ d 2 x/dt 2.
2. kl:n DY:t Yleisesti yhtälöllä ẍ = f(ẋ, x, t) on (sopivin oletuksin) aina olemassa 1-käs. ratkaisu. (ẋ dx/dt, ẍ d 2 x/dt 2.) Lause Olkoon f(x 2, x 1, t) funktio, ja oletetaan, että f, f/ x 1 ja f/ x
LisätiedotDiskreetti Fourier-muunnos ja sen hyödyntäminen signaalien spektrien muodostamisessa. Pentti Romppainen
Diskreetti Fourier-muunnos ja sen hyödyntäminen signaalien spektrien muodostamisessa Pentti Romppainen Kajaanin ammattikorkeakoulu Oy Kajaani University of Applied Sciences Diskreetti Fourier-muunnos ja
LisätiedotOsa IX. Z muunnos. Johdanto Diskreetit funktiot
Osa IX Z muunnos A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 298 / 322 A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 299 / 322 Johdanto
LisätiedotKirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot! Laskin (yo-kirjoituksissa hyväksytty) on sallittu apuväline tässä kokeessa!
Aalto yliopiston teknillinen korkeakoulu Mat-1.1040 L4 Tentti ja välikokeiden uusinta 21.5.2010 Gripenberg, Arponen, Siljander Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot! Laskin
Lisätiedot6.5.2 Tapering-menetelmä
6.5.2 Tapering-menetelmä Määritelmä 6.7. Tapering on spektrin estimointimenetelmä, jossa estimaattori on muotoa f m (ω) = 1 m ( ) k w 2π m Γ(k)e ikω, k= m missä Γ on otosautokovarianssifunktio ja ikkunafunktio
LisätiedotELEC-A7200 Signaalit ja järjestelmät
ELEC-A7200 Signaalit ja järjestelmät Professori Riku Jäntti ELEC-A7200 Signaalit ja järjestelmät Mitä kurssilla käsitellään? signaalien ja järjestelmien peruskäsitteitä signaali- ja järjestelmäanalyysin
Lisätiedotk S P[ X µ kσ] 1 k 2.
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 28 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
LisätiedotLUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k
LUKU 3 Ulkoinen derivaatta Olkoot A R n alue k n ja ω jatkuvasti derivoituva k-muoto alueessa A Muoto ω voidaan esittää summana ω = ω i1 i 2 i k dx i 1 dx i 2 1 i 1
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät Välikoe
SGN-100 Signaalinkäsittelyn menetelmät Välikoe 6.4.010 Sivuilla 1- on. Älä vastaa siihen, jos et ollut ensimmäisessä välikokeessa. Tentin kysymykset ovat sivuilla 3-4. Vastaa vain jompaan kumpaan kokeeseen,
Lisätiedot0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7,
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä niistä
LisätiedotEnnustaminen ARMA malleilla ja Kalmanin suodin
Ennustaminen ARMA malleilla ja Kalmanin suodin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotTarkastellaan sitten tilastollisesti riippumattomien identtisesti kuten X edellä jakautuneiden muuttujien summaa Y = X i. 1 p p. Muuttujan X PDF.
Jakaumia Seuraavassa esitellään digitaalisessa tietoliikenteessäuseinkäytettyjä jakaumia Esitellään jakaumien CDF, PDF ja karakteristiset funktiot sekä joitain momentteja kuten keskiarvo, 2. momentti ja
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 1 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 20 R. Kangaslampi Matriisihajotelmista
LisätiedotMS-C1420 Fourier-analyysi osa I
MS-C142 Fourier-analyysi osa I G. Gripenberg Aalto-yliopisto 29. tammikuuta 214 G. Gripenberg (Aalto-yliopisto) MS-C142 Fourier-analyysiosa I 29. tammikuuta 214 1 / 3 1 Johdanto 2 Fourier-integraali Fourier-muunnos
LisätiedotTilastomatematiikka Kevät 2008
Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/19 4.3 Varianssi Satunnaismuuttuja on neliöintegroituva, jos odotusarvo
LisätiedotDifferentiaali- ja integraalilaskenta 3 Mallit laskuharjoitukseen 3 /
MS-A3x Differentiaali- ja integraalilaskenta 3, IV/6 Differentiaali- ja integraalilaskenta 3 Mallit laskuharjoitukseen 3 / 9..-.3. Avaruusintegraalit ja muuttujanvaihdot Tehtävä 3: Laske sopivalla muunnoksella
LisätiedotLaplace-muunnos: määritelmä
Laplace-muunnos: määritelmä Olkoon f : [, [ R funktio. Funktion f Laplacen muunnos määritellään yhtälöllä F(s) = L(f) := f(t)e st dt edellyttäen, että integraali f(t)e st dt suppenee. Riittävä ehto integraalin
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SG-00 Signaalinkäsittelyn menetelmät, Tentti 6.3.006 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle ja
LisätiedotHY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan
LisätiedotELEC-A7200 Signaalit ja järjestelmät
ELEC-A700 Signaalit ja järjestelmät Professori Riku Jäntti Luento 3. Lineaariset aikainvariantit (LTI) järjestelmät taajuusalueessa Signaalin suodattaminen Epälineaariset muistittomat järjestelmät Satunnaissignaalit
LisätiedotMATEMATIIKAN JAOS Kompleksianalyysi
MATEMATIIKAN JAOS Kompleksianalyysi Harjoitustehtäviä, syksy 00. Määrää kompleksiluvun a) = 3 j + 3j, b) = j, + j c) = ( 3 3 3 j)( j) itseisarvo ja argumentti.. Määrää sellaiset reaaliluvut x ja y, että
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät Välikoe
SGN-00 Signaalinkäsittelyn menetelmät Välikoe 9.3.009 Sivuilla - on. Älä vastaa siihen, jos et ollut ensimmäisessä välikokeessa. Tentin kysymykset ovat sivuilla 3-4. Vastaa vain jompaan kumpaan kokeeseen,
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotNumeeriset menetelmät TIEA381. Luento 13. Kirsi Valjus. Jyväskylän yliopisto. Luento 13 () Numeeriset menetelmät / 42
Numeeriset menetelmät TIEA381 Luento 13 Kirsi Valjus Jyväskylän yliopisto Luento 13 () Numeeriset menetelmät 8.5.2013 1 / 42 Luennon 13 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Moniaskelmenetelmien
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SG-00 Signaalinkäsittelyn menetelmät, Tentti..005 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle ja sen
LisätiedotSallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,
Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
LisätiedotSignaaliavaruuden kantoja äärellisessä ajassa a
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 3: Kompleksiarvoiset signaalit, taajuus, kantoaaltomodulaatio Olav Tirkkonen, Jari Lietzen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos Signaaliavaruuden
LisätiedotMS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset
MS-C350 Osittaisdifferentiaaliyhtälöt Haroitukset 5, syksy 207. Oletetaan, että a > 0 a funktio u on yhtälön u a u = 0 ratkaisu. a Osoita, että funktio vx, t = u x, t toteuttaa yhtälön a v = 0. b Osoita,
Lisätiedot1. Määritä pienin näytelauseen ehdon mukainen näytetaajuus taajuus seuraaville signaaleille:
TL61, Näytejonosysteemit (K00) Harjoitus 1. Määritä pienin näytelauseen ehdon mukainen näytetaajuus taajuus seuraaville signaaleille: a) 1 (t) = cos(000πt) + sin(6000πt) + cos(00πt) ja ) (t) = cos(00πt)cos(000πt).
LisätiedotTilastotieteessä aikasarja tarkoittaa yleensä sarjaa, jossa peräkkäisten havaintojen aikaväli on aina sama.
Aikasarjat Tilastotieteessä aikasarja tarkoittaa yleensä sarjaa, jossa peräkkäisten havaintojen aikaväli on aina sama. Aikasarja on laajassa mielessä stationäärinen (wide sense stationary, WSS), jos odotusarvo
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 2 Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden
LisätiedotAikariippuva Schrödingerin yhtälö
Aineaaltodynamiikka Aineaaltokenttien riippuvuus ajasta aikariippuva Schrödingerin yhtälö Stationääriset ja ei-stationääriset tilat Aaltopaketit Kvanttimekaniikan postulaatit Aikariippuva Schrödingerin
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SG-1200 Signaalinkäsittelyn menetelmät, Tentti 24.4.2006 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle
LisätiedotScanned by CamScanner
Scanned by CamScanner ELEC-C414 Kenttäteoria ESIMERKKIRATKAISUT 2. välikoe: 13.12.216 4. (a) Ominaisimpedanssi (merkitään Z ) on siirtojohdon ominaisuus. Se on siis eri asia kuin tasoaaltojen yhteydessä
LisätiedotJATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)
J. Virtamo 38.3143 Jonoteoria / Jatkuvat jakaumat 1 JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) Määritelmä Ei-negatiivisen satunnaismuuttujan X 0, jonka tiheysfunktio on f(x), Laplace-muunnos
LisätiedotMS-C1420 Fourier-analyysi Esimerkkejä, perusteluja, osa I
MS-C140 Fourier-analyysi Esimerkkejä, perusteluja, osa I G. Gripenberg Aalto-yliopisto 3. tammikuuta 014 G. Gripenberg (Aalto-yliopisto MS-C140 Fourier-analyysiEsimerkkejä, perusteluja, osa3. I tammikuuta
Lisätiedot