Elaborazione Numerica dei Segnali
Elaborazione Numerica dei Segnali
Elaborazione Numerica dei Segnali
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
196 Processi Stocastici e loro Caratteristiche Spettrali<br />
Dati due processi X(t) e Y (t), la funzione di cross-correlazione RXY(t, t ′ ) è data da:<br />
RXY(t, t ′ ) = E[X(t)Y (t ′ )].<br />
Due processi aleatori X(t) e Y (t ′ ) sono detti indipendenti se, per ogni t e t ′ , le variabili<br />
aleatorie X(t) e Y (t ′ ) sono indipendenti; in tal caso risulta:<br />
E[X(t)Y (t ′ )] = E[X(t)]E[Y (t ′ )].<br />
Se vale che, per ogni t e t ′ , E[X(t)Y (t ′ )] = E[X(t)]E[Y (t ′ )], i due processi sono detti<br />
scorrelati; è chiaro che processi indipendenti sono scorrelati, mentre non è in generale vero<br />
il viceversa.<br />
Ricordiamo, infine, due semplici proprietà dell’aspettazione estremamente utili nella<br />
manipolazione di espressioni per il calcolo di medie:<br />
E[aX + bY ] = aE[X] + bE[Y ] (a, b costanti; X, Y variabili aleatorie arbitrarie),<br />
E[XY ] = E[X]E[Y ] (X, Y variabili aleatorie scorrelate).<br />
Esempio 9.1.2<br />
Si consideri un processo Y (t) = X(t)+N(t), ottenuto sommando ad un processo X(t),<br />
a media MX e varianza VX, un rumore N(t) a media 0 e varianza VN. Il processo Y (t)<br />
ha media MY = MX e, se X(t) e N(t) sono scorrelati, ha varianza VY = VX + VN.<br />
Infatti:<br />
MY = E[X(t) + N(t)]<br />
= E[X(t)] + E[N(t)]<br />
= MX,<br />
VY = E[(Y (t) − MY ) 2 ] = E[(X(t) + N(t) − MX) 2 ]<br />
= E[(X(t) − MX) 2 ] + 2E[N(t)(X(t) − MX)] + E[N 2 (t)]<br />
= VX + 2E[N(t)]E[X(t) − MX] + VN<br />
= VX + VN.<br />
9.2 Processi Stocastici Stazionari<br />
Un’importante classe di processi stocastici è quella <strong>dei</strong> processi stazionari. Informalmente,<br />
diremo che un processo stocastico X(t) è stazionario se tutti i suoi parametri statistici<br />
sono tempo-invarianti. Ciò significa che per ogni n e τ:<br />
Pr {X(t1) ≤ x1, . . . , X(tn) ≤ xn} = Pr {X(t1 + τ) ≤ x1, . . . , X(tn + τ) ≤ xn} .<br />
Questo implica che tutte le statistiche, tra cui media, varianza e autocorrelazione, sono<br />
tempo-invarianti. Noi utilizzeremo una nozione di stazionarietà meno restrittiva.