CD Cap1 Distributii

COMUNICAII DIGITALE
1
CAPITOLUL I

PROBABILITI I VARIABILE ALEATOARE
I.1 Variabile aleatoare
Cuvntul aleator sau aleatoriu are nelesul c depinde de un eveniment incert; supus
hazardului; ntmpltor; stohastic. Un experiment cu rezultatul incert, necunoscut aprioric,
care nu poate fi anticipat, este un experiment aleator. Rezultatele posibile ale experimentului
aleator sunt denumite probe (samples) sau cazuri posibile.
Mulimea tuturor cazurilor posibile ale experimentului aleator se numete spaiu de
selecie (sample space) sau spaiul evenimentelor .
Variabila aleatoare (VA) sau stohastic este o mrime care poate avea diferite valori,
fiecare dintre ele fiind luat cu o anume probabilitate.
O variabil aleatoare X poate fi considerat ca o mapare din spaiul evenimentelor
n spaiul numerelor reale (figura 1.1).
: X , ( )
i i
X a
Ea poate lua valorile particulare ( )
i
X . VA nu indic
rezultatul unui anumit experiment dar poate prezice rezultatele
posibile ale experimentelor, exprimndu-le prin numere reale.
Ea poate fi considerat ca provenind din aplicarea unui
algoritm de calcul nedeterminist legat de experiment sau din
efectuarea unui experiment nedeterminist, care genereaz
rezultate aleatoare.
Variabilele aleatoare (VA) pot fi discrete (aruncarea zarurilor) sau continue (zgomote),
reale sau complexe (zgomote pe canale n cuadratur), cu o singur dimensiune sau
multidimensionale. n cele ce urmeaz vom nota VA cu majuscule, de exemplu X, x fiind o
realizare particular a variabilei aleatoare X.
Exemplul I.1 Ca un exemplu s considerm un juctor de tenis de cmp care primete o minge
returnat de adversarul su. Poziia sa n teren poate fi definit cu ajutorul a dou coordonate x i
y. Acestea nu au valori fixe ci variaz n limitele terenului, uneori chiar n afara acestuia. De la un
retur la altul, cele dou mrimi x i y variaz n mod aleator i reprezint deci variabile aleatoare.
Pstrnd definirea poziiei cu 2 coordonate x i y, n telecomunicaii acestea pot reprezenta
valoare instantanee a tensiunii zgomotului care afecteaz cele dou purttoare n cuadratur,
de tip sinus i cosinus, specifice unui sistem cu modulaii digitale n cuadratur (QPSK,
QASK, etc,).
Exemplul I.2 Fie un cerc de raz 1 cu centrul n origine, determinat de o constelaie QPSK. Dac
unul din fazorii constelaie este afectat de zgomot, care este probabilitatea ca vrful fazorului s se
afle n interiorul unui cerc de raz 1/ 2 0.707 = ?
Figura 1.1 Exemplu de mapare
CAPITOLUL I Probabiliti i variabile aleatoare

2
Pentru ca fazorul definit de vectorul X
r
de coordonate (x, y) s fie n interiorul cercului de raz 1,
ilustrat n figura 1.2 este necesar ca
2 2
1 x y + <
Suprafaa cercului este
2
R = pentru R = 1. F.d.p. pentru ca fazorul s fie n interiorul
cercului este
2 2
1
, 1
( )
0,
X
daca x y
f x
in rest
+ <
r
r

Probabilitatea ca vrful fazorului s se afle n interiorul unui cerc de raz 1/ 2 0.707 = este
dat de
( )
( )
2
2
1/ 2
0.5
1
P
= =

sau
2 2
2 2
2
( )
R R x
X
R
R x
P f x dy dx R

= =

r
r

Pentru 1/ 2 0.707 R = = rezult
2
1/ 2 P R = =

Variabilele aleatoare sunt definite printr-o coresponden
biunivoc cu un ansamblu de evenimente caracterizate prin funcia de repartiie sau de
densitate de probabilitate a ansamblului.
Un caz particular este reprezentat de secvenele pseudoaleatoare, sau de lungime maxim.
Dac sunt privite pe durate de timp mai mici dect perioada de repetiie, comportarea apare ca
aleatoare, n special dac lungimea secvenei este mare. Observnd o secven
pseudoaleatoare pe durate de timp mai mari dect perioada de repetiie, se observ c are
comportament determinist.
Distribuiile de probabilitate se obin din nregistrarea probabilitilor de producere ale
diverselor valori ale lui X i aproximarea caracteristicii astfel obinute cu o funcie
matematic.
I.2 Funcia de repartiie
Funcia de repartiie sau de distribuie cumulativ (f.d.c.) a variabilei aleatoare X este
definit ca:
( ) ( : ( ) )
X
F x P X x = < (1.1)
F.d.c. a unei distribuii probabilistice evaluat pentru un numr x reprezint probabilitatea
evenimentului ca variabila aleatoare X avnd distribuia menionat s fie mai mic sau egal
cu x. Ea are urmtoarele proprieti:
1. 0 ( ) 1
X
F x (1.2)
2. Dac
1 2
x x < atunci
1 2 1 2
( ) ( ), ,
X X
F x F x x x (1.3)
Figura 1.2 Fazor din constelaie
COMUNICAII DIGITALE

3
3. lim ( ) 0
X
x
F x
= (1.4)
4. lim ( ) 1
X
x
F x
+
= (1.5)
5.
0
lim ( ) ( )
X X
F x F x
+ = (1.6)
6. ( ) ( ) ( )
X X
P a x b F b F a < = (1.7)
Pentru variabilele aleatoare discrete funcia de repartiie are o variaie n scar.
Exemplul I.3 Fie o recepie de date cu probabilitatea de eroare a biilor de 50 %. S determinm o
formul pentru distribuia probabilistic a biilor eronai ntr-un grup de 4 bii recepionai.
Evident, exist
4
2 16 = posibiliti de apariie a erorilor.
De exemplu, considernd c apar 3 erori, s vedem cum putem aranja cele 4 rezultate (4 bii
recepionai) n dou categorii, una cu 3 bii eronai i una cu 1 bit corect. Evident, acest lucru se
poate face n
3
4
4 C = moduri posibile. Mai general, r bii eronai i 4-r bii coreci pot fi aranjai n
4
r
C moduri posibile.
Distribuia probabilitii n acest caz este dat de:

4
( ) 0,1, 2, 3, 4
16
r
C
p r r = =
cu valorile
(0) 1/ 16 p = , (1) 1/ 4 p = , (2) 3 / 8 p = , (3) 1/ 4 p = , (4) 1/ 16 p =
Aceasta poate fi reprezentat n dou moduri, ilustrate n figura 1.3.
Funcia de repartiie ( ) ( ) ( )
X
t r
F r P X r f t r
= = < < +
are valorile
(0) (0) 1/ 16
X
F p = =
(1) (0) (1) 5 / 16
X
F p p = + =
2
0
(2) ( ) 11/ 16
X
i
F p i
=
= =

3
0
(3) ( ) 15 / 16
X
i
F p i
=
= =

4
0
(4) ( ) 1
X
i
F p i
=
= =

Funcia de repartiie este reprezentat n figura 1.4
sub form de histogram.
Figura 1.4 Funcia de repartiie
Figura 1.3 Diagram i histograma probabilitilor

4
I.3 Funcia de densitate de probabilitate
Funcia de densitate de probabilitate (f.d.p.) a variabilei aleatoare X este definit ca
derivata funciei de repartiie n raport cu x.
( ) : , ( ) ( )
d
f x x f x F x
X X X
dx
= a (1.8)
La limit probabilitatea ca variabila aleatoare X s ia o valoare ntr-o band x centrat n
jurul valorii x, cnd x tinde la zero apare ca:
Prob[ / 2 ( ) / 2]
( , ) lim
0
x x x n x x
f x n
X
x
x
+
=

Ea are urmtoarele proprieti:
1. ( ) 0
X
f x
2. ( ) 1
X
f x dx
+
(1.9)
3. ( ) ( )
b
X
a
f x dx P a x b = <

4. ( ) ( )
x
X X
F x f u du
=

Semnalul este staionar dac
proprietile sale statistice sunt
independente de momentul de timp n,
adic
( , ) ( ) p x n p x =

Exemplul I.4 Fie funcia
2
( ) cos 1 1
( ) 2
0
X
x
a b x x
F x
inrest

+

S determinm ce relaie trebuie s existe
ntre a i b, astfel ca ( )
X
F x s reprezinte o
funcie de densitate de probabilitate i s-o
reprezentm pentru o valoare a lui b mpreun
cu funcia sa de distribuie cumulativ. Bazat
pe propriettile 1 i 2 avem:
cos 0, 1 1
2
x
x

2
0 1 1 a b x x +
sau acoperitor 0 a .
2 4 6 8 10
-1
-0.75
-0.5
-0.25
0.25
0.5
0.75
Figura 1.5 Dependena parametrilor a i b

Figura 1.6 F.d.p. i f.d.c. pentru exemplul I.2
COMUNICAII DIGITALE

5
Folosind utilitarul MATHEMATICA rezult
2 3
2
32 4
4
b b
a

+
= i pentru 0 a rezult
3
2
4.1461
4( 8)
b

, aa cum se poate observa

din figura 1.4.

Integrate[(a+b*x^2)*(Cos[Pi*x/2]), {x,-1,1}]

4Ha
2
+ bH8+
2
LL
3

SolveA
4Ha
2
+ bH8+
2
LL
3
1, 8a<E

::a
32b 4b
2
+
3
4
2
>>

f@x_, b_D :=
i
k
j
j
i
k
j
j
32 b 4 b
2
+
3
4
2
y
{
z
z + bx^2
y
{
z
zHCos@Pix 2DL

a@b_D :=
32 b 4b
2
+
3
4
2

Plot[{a[b]}, {b,0,10}]

(*Functia de distributie cumulativa*)

IntegrateA
i
k
j
j
i
k
j
j
32 b 4 b
2
+
3
4
2
y
{
z
z + bx^2
y
{
z
zHCos@Pix2DL, 8x, 1, x<E

16bxCosA
x
2
E + I + H + 4bH1+ x
2
LL SinA
x
2
EM
2
2

g@x_, b_D :=
16 bxCosA
x
2
E+ I +H +4 bH1+x
2
LL SinA
x
2
EM
2
2

Plot[{f[x,3],g[x,3}, {x,-1,1}, PlotRange {{-1,1}, {0,1}}, Frame True, GridLines Automatic,
PlotStyle {{Dashing[{ } ]}, {Dashing[{0.01, 0.01}] } , {Dashing[{0.01, 0.02}] } }]

F.d.p. poate lua forma reprezentat n figura 1.7, specific distribuiei normale sau Gauss
i poate fi aproximat de o histogram.
Funcia de densitate de probabilitate (f.d.p.) a distribuiei Gaussiene sau normale notat cu
( )
X
f x sau p(x) este dat de

( )
( )
2 2
2
1
2
x
x m
p x e

=

Pe baza observaiilor culese
din practic i a prelucrrii unui
volum mare de date se obin
diverse distribuii, descrise de o
funcie matematic, aa cum se
exemplific n continuare.
Multe din ele, pentru valori particulare ale parametrilor asociai devin asemntoare cu cea
gaussian.
Figura 1.7 Distribuii Gauss

6
n figura 1.8 se prezint f.d.p. pentru un semnal aleator tip zgomot. Se observ c f.d.p.
sintetizeaz informaii referitoare la atingerea de ctre semnal a unor nivele de amplitudine i
frecvena cu care se ntmpl acest lucru.
Exemplul I.5 S considerm o distribuie gaussian cu media 0 i varian 1. Probabilitatea ca
evenimentul x s nu depeasc o valoare de prag
T
v este dat de
2
2
1
( ) ( )
2
T T
v v
u
X T X
F v f u du e du

= =

Funcia
2
2
1
( )
2
T
v
u
T
v e du
=

(1.10)
se folosete n calculul probabilitii de eroare n transmisiile afectate de zgomot gaussian.
Complementul ei reprezint probabilitatea ca evenimentul asociat variabilei aleatoare gaussiene
s depeasc valoarea de prag
T
v i este dat de funcia
2
2
1
( ) 1 ( )
2
T
u
T T
v
Q v v e du
= =

Exemplul I.6 Fie distribuia Cauchy definit de f.d.p.
2 2
( )
( )
X
b
f x
b x a
=
+
(1.11)
unde a i b sunt numere reale ce satisfac a < < + i 0 b > .
S calculm f.d.c. ( )
X
F x
( ) ( )
u
X X
F x f u du
(1.12)
Figura 1.8 Ilustrarea f.d.p. pentru un semnal aleator tipzgomot
COMUNICAII DIGITALE

7
innd cont de relaia
2 2 2
1 dx c x
arctg
b c x bc b
=
+

i identificnd c=1, y=x-a
2 2
1
( )
x a x a
X
b du b u
F x du arctg
b u b b

= =
+

1
( ) ( / 2)
X
x a
F x arctg
b

=

1 1
( )
2
X
x a
F x arctg
b
= +
I.4 Momente statistice
Operatorul speran matematic sau medie probabilistic, utilizat extensiv n continuare,
asigur corespondena dintre o funcie ( ) g X i un numr dat de media ponderat a lui ( ) g x
bazat pe cunoaterea densitii de probabilitate a VA X, ( )
X
f x , conform relaiei
[ ( )] ( ) ( )
X
E g X g x f x dx
=

(1.13)
Dac VA este discret,
[ ( )] ( )
i i
i
E g X g x p =
(1.14)
Sperana matematic exprim idea de mediere, ceea ce se poate observa foarte bine n
cazul discret, descris de relaia (1.14), cnd valorile ( ) g x sunt ponderate cu probabilitile lor
de apariie, evenimentele mai puin probabile sau frecvente contribuind mai puin la valoarea
medie total.
Momentele statistice ale distribuiei sunt parametri care ofer informaii interesante despre
comportarea statistic a datelor culese i pot fi folosite pentru unele variabile aleatoare n
scopul definirii distribuiei prin intermediul funciilor de generare a momentelor.
Valoarea medie sau momentul statistic de ordinul 1 al variabilei aleatoare X cu f.d.p.
( )
X
f x este
1
[ ] ( )
X
m E X x f x dx
= =

(1.15)
Valoarea medie sau momentul statistic de ordinul 1 al variabilei aleatoare X cu f.d.p.
( )
X
f x este o medie ponderat a tuturor valorilor posibile ale variabilei aleatoare folosind ca
funcie de ponderare funcia de densitate de probabilitate.
Momentul de ordin 1 reprezint o medie pe termen lung, adic repetnd un experiment de
multe ori ntr-un interval mare de timp, ne putem atepta s obinem aceast valoare medie,
ori de cte ori repetm experimentul.

8
Exemplul I.7 La o aruncare cu moneda, pentru un numr tot mai mare de aruncri, frecvena de
apariie a unei fee se apropie tot mai mult de valoarea medie. Acest lucru este cunoscut sub
denumirea de legea numerelor mari (law of large numbers).
Momentul de ordin 1 sau valoarea medie nu necesit explicaii suplimentare, el putnd fi
neles foarte uor pe cale intuitiv. Valoarea medie este ceea ce ne ateptm s obinem n
medie dac experimentele sunt repetate de mai multe ori cu anse egale.
Exemplul I.8 n cazul unui tir la int, msurnd distanele de la centrul intei pn la gaura din
int creat de proiectil i frecvenele cu care acestea apar n cazul unui numr mare de lovituri,
asimilate probabilittii de apariie, o valoare medie apropiat de zero ne arat c trgtorul este
foarte bun, majoritatea loviturilor fiind concentrate spre centrul intei i c exist puine lovituri
spre margini. Din contr, o valoare mare ne indic c trgtorul nu are precizie, foarte puine
lovituri fiind aproape de centrul intei.
n cazul variabilelor aleatoare discrete
1
[ ]
n n
n
m E X x p = =
(1.16)
Astfel, pentru a gsi valoarea medie pe termen lung, fiecare valoare a variabilei aleatoare
se pondereaz cu probabilitatea sa de apariie.
Exemplul I.9 S considerm o aruncare cu zarul, valorile posibile fiind 1, 2, 3, 4, 5 i 6. n cazul
unor aruncri cinstite, cele 6 fee ale zarului apar cu aceeai probabilitate 1/6, iar valoarea
medie este
1
(1 2 3 4 5 6) / 6 3, 5 m = + + + + + =
O valoare medie mult diferit de 3,5, pentru un numr suficient de mare de aruncri, ne arat c
zarurile sunt trucate.
Momentul de ordin i al VA X dezvoltat n jurul unui punct x
0
este dat de
0 0
[( ) ] ( ) ( )
i i
X
E X x x x f x dx
(1.17)
prin dezvoltarea lui
0
( )
i
x x obinem un polinom n x de ordinul i.
Dou cazuri particulare de interes sunt cele pentru
0
0 x = , adic dezvoltare n jurul originii
i
0
x x = , adic n jurul valorii medii.
O VA este denumit centrat dac valoarea sa medie este 0. Ea poate fi fcut centrat
intervenind asupra valorii medii, prin scderea componentei continue din semnal.
Momentul statistic de ordinul i este definit pentru
0
0 x = ca
[ ] ( )
i i
X
E X x f x dx
=

(1.18)
Momentul de ordin i este sperana matematic a variabilei aleatoare X ridicat la puterea i.
n cazul discret
[ ]
i i
i n n
n
m E X x p = =
(1.19)
Momentul central de ordin i
i
este definit n jurul valorii medii x
COMUNICAII DIGITALE

9
( ) ( ) ( )
i i
i X
E x x x x f x dx
= =

(1.20)
n cazul VA discrete
1
[ ] ( )
i i
i n n
n
E X x m p = =
(1.21)
Momentele centrale de ordinul 2, 3 i 4 sunt
denumite varian (variance), skewness, care
indic gradul de asimetrie a distribuiei n jurul
valorii medii i respectiv kurtosis, care indic
gradul de aplatizare al distribuiei n raport cu cea
normal (gaussian), valorile pozitive fiind
specifice unei distribuii ascuite, iar cele negative
unei distribuii plate.
Practic, cu ct se concentreaz mai multe valori ale VA n jurul valorii medii, cu att mai
mare este kurtosis, iar f.d.p. va fi mai nalt n jurul valorii medii.
Pentru a vedea ct de departe se distribuie n jurul valorii medii valorile lui X se folosesc
noinile de varian i dispersie (standard deviation).
Variana este momentul central de ordinul 2
2 2 2
( ) ( ) ( )
X
E x x x x f x dx
= =

(1.22)
Ea mai poate fi scris i ca
( )
2
2 2
( ) ( ) x t x t = (1.23)
Exemplul I.10 Fie semnalele tip und rectangular reprezentate n figura 1.9. S calculm
puterea total medie, puterea componentei de c.c. i
variana.
Evident
1
( ) 0 x t = i
2
( ) 4 x t = .
2 2
2
1
( 1) ( 1)
( ) 1
2
x t
+ +
= = .
Valoarea medie fiind zero pentru
1
( ) x t , valoarea
medie ptratic se confund cu variana.
2 2
2
5 3
( ) 17
2
x t
+
= =
( )
2
2 2
( ) ( ) 17 16 1 x t x t = = =
sau
2 2
2
2
( 5 4) ( 3 4)
1
2
+ + +
= =
Se observ c cele dou semnale au aceeai varian, lucru evident dac ne gndim c semnalul
2
( ) x t se obine din
1
( ) x t adugndu-i componenta de c.c. de valoare 4.
Figura 1.10 Secven aleatoare de date
Figura 1.9 Unde rectangulare

10
Raportndu-ne la valoarea medie, suma deviaiilor variabilei aleatoare ridicate la ptrat
este minim. Pentru o mrime variabil variana reprezint puterea componentei alternative.
Exemplul I.11 Semnalele considerate pn acum au au fost deterministe. Dac ne referim la
secvena de date prezentat n figura 1.10, ea poate fi considerat un semnal aleator, biii de date
1 i 0 aprnd cu probabilitile p i respectiv 1-p. Atunci valoarea medie a semnalului este
1
( ) ( 1) (1 ) ( 1) 2 1 m x t p p p = = + + =
i devine zero dac biii 1 i 0 sunt echiprobabili.
Valoarea medie ptratic devine
2 2 2
( ) ( 1) (1 ) ( 1) 1 x t p p = + + =
Momentul statistic centrat de ordinul 2 sau variana este
( )
2
2 2 2
( ) ( ) 1 (2 1) 4 (1 ) x t x t p p p = = = =
Evident variana devine maxim i egal cu 1, n acest caz cnd biii sunt echiprobabili, iar
componenta de c.c. este nul, avnd n vedere interpretarea c variana reprezint puterea
componentei de c.a., care se obine din puterea total scznd puterea componentei de c.c.
Dac se extrage rdcina ptrat din varian se obine dispersia sau abaterea standard.
Cu ct variana sau dispersia este mai mic, cu att evenimentele mai frecvente sunt
concentrate n jurul mediei. De exemplu, n cazul unui trgtor la int, o dispersie mic face
ca gurile din int s apar grupate n jurul centrului, n timp ce o varian mare le mprtie
deprtat de centru.
n figura 1.11 se prezint dou curbe reprezentnd f.d.p. gaussiene, centrate pe valorile
medii 1 i respectiv 6. Se observ c dispersia mai mic, cu valoarea de 0,5 n primul caz,
asigur concentrarea evenimentelor n jurul mediei, foarte puine evenimente gsindu-se
departe de medie.
n cellalt caz, valoarea de 1,8 a dispersiei mpratie evenimentele mai departe de valoarea
medie. Aria de sub curbe trebuind s fie aceeai, conform definiiei f.d.p., amplitudinea curbei
scade cu creterea dispersiei.
n definiia varianei intervine termenul
2
( )
n
x x ponderat cu probabilitatea de apariie a
lui
n
x . Variana este deci cu att mai mare cu ct abaterea
n
x x este mai mare i respectiv
probabilitatea sa de apariie este mai mare.
Evident, abaterea de la valoarea medie s-ar putea msura recurgnd la valoarea absolut,
pentru ca valorile sub medie (negative) s nu fie compensate de cele peste medie (pozitive), n
cazul discret sub forma
Figura 1.11 Distribuii normale cu variane i medii diferite
COMUNICAII DIGITALE

11
1 n n
n
a x m p =

sau n cazul continuu
( )
X
a x x f x dx

Sub forma varianei, n care abaterile sunt ridicate la ptrat, sunt supraevaluate abaterile
mai mari faa de cele mai mici, n comparaie cu calcularea abaterii cu ajutorul valorii
absolute.
Exemplul 1.12 Fie o transmisie multinivel cu valorile 3, 1, 1, 3 + + . S considerm dou
situaii caracterizate de probabilitile {0.3, 0.2, 0.2, 0.3} i {0.4, 0.1, 0.1, 0.4}. n ambele cazuri
valoarea medie este zero, avnd n vedere simetria nivelelor i aceeai probabilitate de apariie
pentru cele pozitive i respectiv negative.
n primul caz
( )
2 2 2
2 3 (0.3) 1 (0.2) 5.8 5.8 2.408 = + = = =
( )
2 2 2
2 3 (0.4) 1 (0.1) 7.4 7.4 2.72 = + = = =
Calculnd abaterile cu ajutorul valorii absolute
( ) 2 3 (0.3) 1(0.2) 2.2 2.2 1.483 a a = + = = =
( ) 2 3 (0.4) 1(0.1) 2.6 2.6 1.612 a a = + = = =
Se observ c dispersia d valori mai mari dect a , prima supraestimnd, iar a doua
subestimnd situaia, aa c n practic se prefer utilizarea lui .
n unele cazuri funcia de densitate de probabilitate nu este simetric. Se definete atunci
centrul su sau mediana, astfel ca integralele f.d.p. de la aceast valoare spre extremiti s fie
egale. Valoarea VA pentru care f.d.p. prezint un maxim se numete vrf (mode n englez).
Aceasta poate s nu fie unic, f.d.p. putnd prezenta mai multe maxime.
Exemplul I.13 Un exemplu de funcie de densitate de probabilitate nesimetric este cea
exponenial descris de
1
( )
0
x a
b
X
e x a
f x
b
x a

>
=

<

unde a i b sunt numere reale ce satisfac a < < + i 0 b > .
Ea este reprezentat n figura 1.12 mpreun cu funcia sa de distribuie cumulativ, dat
de

1
( )
0
x a
b
X
e x a
F x
x a
>
=

<

Dac funcia de densitate de probabilitate este deplasat spre stnga (skewed to the left),
valoarea medie este mai mic dect mediana, care este mai mic dect valoarea de vrf
(mode).

12
Dac funcia de densitate de probabilitate este deplasat spre dreapta (skewed to the right),
valoarea de vrf este mai mic dect mediana, care la rndul ei este mai mic dect valoarea
medie.
Parametrii variabilelor aleatoare cum ar fi valoarea medie, mediana, vrful i variana nu
definesc n totalitate variabila aleatoare, neputnd determina legea sa de variaie doar pe baza
acestora.
Pentru a condesa totalitatea informaiilor referitoare la variabilele aleatoare se recurge la
utilizarea noiunilor de funcie generatoare de momente i funcie caracteristic.
Exemplul I.14 Puterea reflectat de un avion i recepionat de un receptor radar poate fi
descris ca o VA exponenial P. Funcia sa de densitate de probabilitate este
0
0
1
0
0 0
P
P
e p
P
P
p

>
=

<

unde
0
P este puterea medie. S calculm probabilitatea ca puterea semnalului reflectat s fie mai
mare dect jumtate din puterea medie.

0 0 0
( 0.5 ) 1 ( 0.5 ) 1 (0.5 )
P
p P P p P P F P > = =

Identificnd mai sus n formula f.d.c. a=0 i
0
b P =

0 0
0.5 / 0.5
0
( 0.5 ) 1 (1 ) 0.606
P P
p P P e e

> = =

I.5 Transformate ale funciei de densitate de probabilitate
n practic avem de multe ori cazuri n care f.d.p. intervine n ecuaii ce implic integrarea
sau derivarea f.d.p. Pentru a soluiona mai rapid i mai eficient aceste situaii s-au introdus
transformate similare cu transformata Laplace, Fourier sau z.
I.5.1 Funcia generatoare de momente
Funcia generatoare de momente (f.g.m.) ( )
X
M t pentru variabila aleatoare X, cu distribuia
specificat, se obine aplicnd operatorul speran matematic expresiei
tX
e
Figura 1.12 Funcii de distribuie exponenial pentru a = 2 i b = 1
COMUNICAII DIGITALE

13
( )
tX
X
M t E e =

(1.24)
Ea poate fi obinut i din funcia de
repartiie ( )
X
F x cu ajutorul relaiei
( ) ( )
t x
X X
M t e dF x
(1.25)
Relaia este cunoscut sub denumirea
de integrala Riemann-Stieltjes.
Transformata este similar cu cea
Laplace bilateral, diferena constnd
doar n argumentul exponenialei.
Exemplul I.15 S calculm f.g.m. pentru distribuia gaussian.
2
2
( )
2
1
( )
2
x
t x
X
M t e e dx

2 2
2
( )
t
t
X
M t e
+
=
F.g.m., aa cum i arat numele, genereaz momentele statistice ale distribuiei. n
continuare ( )
X
M t reprezint transformata Laplace bilateral a f.d.p. ( ) p x .
Momentul statistic de ordinul i este dat de
( )
( )
0
(0) ( )
i
i i
X t X i
d
E X M M t
dt
=
= = (1.26)
Dac f.d.p. ( ) p x asociat variabilei aleatoare X este continu, se poate descompune
t x
e n
serie, obinnd
2 2
( ) (1 / 2! ) ( )
X
M t t x t x p x dx
= + + +
L (1.27)
2
1 2
( ) 1 / 2!
X
M t t m t m = + + +L
Aici
i
m reprezint momentul statistic de ordin i
( )
i
i
m x p x dx

Exemplul 1.16 Fie distribuia exponenial descris de f.d.p. ( ) ; 0
x
p x e x

= , reprezen-
tat n figura 1.13, cu proprietatea evident
0
1
x
e dx

S calculm momentele statistice de ordinul 1 i 2 i variana.
1
0
1
x
m x e dx
= =

Figura 1.13 F.d.p. ale distribuiei exponeniale

14
2
2 2
0
2
x
m x e dx
= =

2
2 2
2 1 2 2
2 1 1
m m

= = =

I.5.2 Funcia generatoare cumulativ
Funcia generatoare cumulativ (f.g.c.) ( ) g t se obine logaritmnd f.g.m.
( ) ln ( )
X
g t M t = (1.28)
Ea poate fi descompus ntr-o serie de puteri n vecintatea originii, sub forma
1
( )
ln ( )
!
n
X n
n
jt
M t
n
=
=

unde coeficienii dezvoltrii n serie
n
sunt cunoscui sub denumirea de cumulanzi ai
variabilei aleatoare X.
Exemplul I.17 Pentru distribuia gaussian

2 2
2
( ) ln
t
t
g t e
+
= sau
2 2
( )
2
t
g t t

= +
avnd primele dou derivate (cumulanzi) diferite de zero
2
'( ) g t t = +
2
''( ) g t =

I.5.3 Funcia caracteristic
Considernd o variabil aleatoare care provine din sumarea a dou variabile aleatoare, s-a
demonstrat c f.d.p. a sa se obine din convoluia celor dou f.d.p. ale variabilelor aleatoare
care au generat noua variabil.
ntruct convoluia este mai greu de evaluat, mai ales dac se combin prin sumare M
variabile aleatoare n loc de 2, se recurge la combinarea transformatelor Fourier ale f.d.p., care
face apel la multiplicare i nu la convoluie.
Dac
1 2 3
, , ,
M
X X X X L sunt variabile aleatoare independente, iar
1
M
M i i
i
S a X
=
=
(1.29)
unde
i
a sunt constante de ponderare, funcia de densitate de probabilitate pentru
M
S se
obine din convoluia f.d.p. ale variabilelor aleatoare
i
S . Funcia generatoare de momente
pentru
M
S este dat de
1 2 3
1 2 3
( ) ( ) ( ) ( ) ( )
M M
S X X X X M
M t M a t M a t M a t M a t = L (1.30)
n consecin, cnd avem de a face cu probleme de distribuie legate de suma unor
variabile aleatoare independente, se procedeaz mai nti la determinarea funciei
COMUNICAII DIGITALE

15
caracteristice a sumei dat de produsul funciilor caracteristice ale variabilelor aleatoare
individuale i apoi la determinarea f.d.p. prin transformata Fourier invers.
Metoda este folosit ndeosebi pentru determinarea f.d.p. a sumei unor variabile aleatoare
independente statistic.
Funcia caracteristic (f.c.) se obine aplicnd operatorul speran matematic expresiei
j t X
e
( ) ; ,
j t X
X
t E e =

(1.31)
Diferena fa de f.g.m. este c exponentul lui e se multiplic cu j. F.c. a variabilei
aleatoare X este definit ca media probabilistic
( )
2 2
( )
j t X j t x
X X
t E e f x e dx

= =

sau ( )
2
( )
j t X j t x
X X
t E e f x e dx
= =

(1.32)
unde t este o variabil care ia numai valori reale.
F.c. reprezint o transformat de tip Fourier cu t n loc de t aplicat f.d.p., adic
( )
X
t este transformata Fourier a f.d.p. ( )
X
f x a distribuiei.
n cazul VA discrete funcia caracteristic se definete ca
( )
n
j t x
X n
n
t e p =
(1.33)
Exemplul I.18 Fie variabila aleatoare X obinut n urma aruncrii unei monezi. Cele dou
evenimente (fa spate) sunt notate cu +1 i 1 i apar cu probabilitile . Funcia
caracteristic a acestui proces este dat de:
( )
1 1
cos( )
2 2
n
j t x j t j t
X n
n
t e p e e t

= = + =

Funcia
j t x
e poate fi descompus n serie
2 3
0
1 1
1
! 2 6
n
j A
n
A
e j A A j A
n
=
= = + +
L
Introducnd dezvoltarea n (1.27) se obine
( )
2
2
2
2
1
2
2
n
j t x
X n
n
n n n
n
n n n n n
n n n
t e p
t
p jt x x
t
p jt p x p x
=

= + +

= + +

L
L

Se identific uor

1
[ ]
n n
n
p x E X m = =


16
2 2
2
[ ]
n n
n
p x E X m = =

3 3
3
[ ]
n n
n
p x E X m = =

4 4
4
[ ]
n n
n
p x E X m = =

sau
( )
2 3 4
1 2 3 4
1 1 1
1
2 6 24
X
t jt m t m t m t m = + + +L
Exemplul I.19 Pentru distribuia gaussian
( )
2
2
( )
2
1
; ,
2
x
j t x
X
t e e dx

( )
2 2
2
; ,
t
j t
X
t e

=
Funcia caracteristic are urmtoarele proprieti
1. ( ) 0 1
X
=
2. ( ) ( ) *
X X
t t = (1.34)
3. ( ) 1
X
t
Evident, n cazul discret
( ) 1
n n
j t x j t x
X n n n
n n n
t p e p e p = = =

(1.35)
4. Dac toate momentele statistice au valoare finit, prin dezvoltarea n serie Taylor se
obine
( )
1
( )
1
!
n
X n
n
jt
t m
n
=
= +
(1.36)
unde [ ]
n
n
m E X = reprezint momentul statistic de ordinul n. Din aceast cauz ea este
denumit i funcie generatoare de momente (moment generating function).
Dac f.c. este derivabil, atunci

0
( ) 1
n
X
n n n
t
d t
m
j dt
=

=

(1.37)
5. Aplicnd transformata Fourier invers f.c. se obine f.d.p.
( ) ( )
j t x
X X
f x e t dt
=

(1.38)
Exemplul I.20 Fie variabila aleatoare descris n exemplul I.18. Funcia sa caracteristic este
cos( ) t . Ea poate fi descompus n serie sub forma
COMUNICAII DIGITALE

17

2
1
cos( ) 1
2
t t =
1
1 1
( 1) ( 1) 0
2 2
m = + + =
2 2
2
1 1
( 1) ( 1) 1
2 2
m = + + =
3 3
3
1 1
( 1) ( 1) 0
2 2
m = + + =
Limitndu-ne la primii 3 termeni din dezvoltarea n serie Taylor
( )
2 3 2
1 2 3
1 1 1
1 1
2 6 2
X
t jt m t m t m t = + =
Funcia generatoare de momente este indicat de utilizat mai ales n cazul variabilelor
aleatoare discrete sub form de numere ntregi.
( )
n
j t x
X n
n
t e p =

( ) ( )
j t X j t x
X X
t E e f x e dx
= =

(1.39)
( )
tX
X
M t E e =

Exemplul I.21 Fie distribuia binomial caracterizat de f.d.p.
( ) ( ) ( )
0
1
n
n k
k k
n
k
p y C p p y k
=
=

Funcia sa caracteristic poate fi dedus ca
( ) ( ) ( )
0
1
n
n k
k k j tx
n
k
jt C p p e x k dx
+

( ) ( ) ( )
0
( ) 1 1
n
n
n k
k j t k j t
n
k
jt C pe p p pe

=
= = +

I.6 Distribuia uniform
Ea este caracterizat de faptul c toate evenimentele sunt echiprobabile. Funcia de
densitate de probabilitate (f.d.p.) este definit de
Figura 1.14. F.d.p. i f.d.c. ale distribuiei uniforme

18

1
( ) , [ , ]
X
f x x a b
b a
=
(1.40)
Funciile de densitate de probabilitate i cea cumulativ sunt reprezentate n figura 1.14.
Domeniul variabilei aleatoare uniform distribuite X este cuprins ntre a i b, iar
probabilitatea unui eveniment este 1/ ( ) b a .

Exemplul I.22 Fie transmisia digital nsoit de zgomot, fazorul recepionat fiind de amplitudine
A, iar zgomotul de amplitudine i faz , conform figurii 1.15.
Semnalul rezultat din compunerea semnalului util cu zgomotul va avea amplitudinea A
r
i faza
date de
2 2
( cos ) ( sin )
r
A A = + +
sin
arctan
cos A

=
+

Aici reprezint eroarea de faz introdus de zgomot i la rapoarte S/Z mari este dictat n
principal de componenta n cuadratur sin , componenta sinfazic cos fiind n acest caz
neglijabil n raport cu A.
S particularizm A = 1 i s presupunem cunoscut raportul S/Z

2
1 S
Z
=
Atunci,

1
/ S Z
=
iar
1
sin
/
arctan
1
1 cos
/
S Z
S Z
=
+

Presupunnd o distribuie uniform a fazei n intervalul [0, ], f.d.p. are valoarea 1/, iar
valoarea medie a erorii de faz este dat de:
Figura 1.15 Semnal afectat de zgomot
COMUNICAII DIGITALE

19

0
1
sin
1
/
arctan
1
1 cos
/
med
S Z
d
S Z
=
+

Variaia valorii medii a erorii de faz produse de zgomot este reprezentat logaritmic n funcie de
raportul S/Z exprimat n decibeli n figura 1.16.

Momentele statistice de ordinul I i II sunt date de:

( ) ( )
( ) ( )
2 2 2
1
2
1
3
E X a b
E X a b ab
= +
= + +
(1.41)
iar variana este
( )
2
2
1
12
a b =
(1.42)
Funcia caracteristic este
( )
( )
jtb jta
e e
jt
jt b a
(1.43)
Exemplul I.23 Eroarea de cuantizare ntr-un sistem PCM.
ntre semnalul analogic original i replica sa discret apare o diferen, cu caracter aleator,
cunoscut sub denumirea de eroare de cuantizare. Datorit erorii de cuantizare de la emisie,
semnalul recepionat va diferi de cel original (analogic), aceast diferen manifestndu-se sub
forma unui zgomot avnd nfurtoarea n dinte de fierstru, denumit zgomot de cuantizare (Zq).
Acest zgomot, conform figurii 1.17, pentru un eantion oarecare este z
k
= x x
k
, iar valoarea sa
medie

/ 2
/ 2
/ 2
/ 2
( )
( )
k
k
k
k
x q
k k
x q
k x q
k
x q
z p x dx
z
p x dx
+
(1.32)
Figura 1.16 Eroarea de faz

20
unde p(x
k
) este funcia densitate de probabilitate ca eantionul x s se gseasc n plaja
( ) 2 / , 2 / q x q x
k k
+ .
Presupunnd c intervalele sunt suficient de mici pentru a putea considera
k k
p x p = ) ( constant,
f.d.p. fiind considerat uniform, atunci:

/ 2
/ 2
/ 2
/ 2
( )
0
k
k
k
k
x q
k k
x q
k x q
k
x q
p x x dx
z
p dx
+
= =

Am presupus f.d.p. uniform, ntruct n intervalele de
cuantizare considerate eantioanele semnalului pot lua
orice valoare, fr ca unele intervale sau valori din
interiorul acestora s fie favorizate n detrimentul altora.
Dac semnalul ce urmeaz a fi cuantizat este de tip
telefonic, aceast ipotez nu mai este valabil, deoarece se
tie c poriunile cu nivel mic din semnalul vocal ocup
circa 30 % din durata convorbirii telefonice.
De aici i necesitatea nlocuirii cuantizrii liniare cu una
neliniar, adic introducerea compandrii.
Deci, zgomotul de cuantizare are valoarea medie nul, i spre a-l caracteriza vom recurge la
valoarea sa medie ptratic

/ 2
2
2
/ 2 2
/ 2
/ 2
( )( )
12
( )
k
k
k
k
x q
k k
x q
k x q
k
x q
p x x x dx
q
z
p x dx
+
= =

iar
2 2 2 2
( ) / 12
k k
z z q = =
I.7 Distribuia Gaussian
Funcia de densitate de probabilitate
(f.d.p.) a distribuiei Gaussiene sau
normale este dat de
( )
( )
2 2
2
1
2
x
x m
p x e

=
(1.44)
Aici m este valoarea medie, iar
reprezint dispersia. Variana este evident
2
. F.d.p. gaussian prezint simetrie
par fa de valoarea medie, iar abscisele
punctelor de inflexiune se gsesc la distana fa de valoarea medie.
F.d. cumulativ este dat de
( ) ( )
( )
( )
2 2
2 2
2
2
2
1
2
1 2 1 1
2 2 2 2
x
x m
x
x x
x m
u x
F x p u du e du
x m
e du erf
= =

= = +

(1.45)
Figura 1.18 F.d.p. Gaussian
Figura 1.17 Zgomot de cuantizare
COMUNICAII DIGITALE

21
( )
2
0
2 x
t
erf x e dt
=

(1.46)
Exemplul I.24 Fie semnalul aleator s(t) eantionat la momentele t
i
, eantioanele obinute avnd o
distribuie Gaussian de valoare medie zero i varian
2
1 = . S calculm:
a. Probabilitatea ca valoarea unui eantion s depeasc valoarea eficace a semnalului.
b. Probabilitatea ca valoarea unui eantion s se afle n intervalul (-0.5, 0.5).

a. ntruct valoarea medie este zero, puterea semnalului este egal cu variana, iar valoarea
eficace este egal cu dispersia 1 = . Deci, probabilitatea ca valoarea unui eantion s
depeasc valoarea eficace a semnalului este dat de suprafaa haurat subntins de f.d.p. de la
dreapta punctului de abscis 1 din figura 1.18 i este egal cu

1
1
( ( ) 1) ( ) 1 ( ) 1 (1) 1 0.8413 0.1587
i
P s t p x dx p x dx F
> = = = = =

b. Probabilitatea ca valoarea unui eantion s se afle n intervalul (-0.5, 0.5) este dat de
suprafaa haurat subntins de f.d.p. ntre punctele de abscise -0.5 i 0.5, i este egal cu

( 0.5 ( ) 0.5 (0.5) ( 0.5) 0.38292 0.383
i
P s t F F < < = =

Ea mai poate fi calculat i ca

( )
( )
0.5 0.5 0.
0
( 0.5 ( ) 0.5 2 ( ) 2 ( ) ( )
2 (0.5) (0) 2(0.69146 0.5) 0.38292
i
P s t p x dx p x dx p x dx
F F

< < = = =
= = =

Funcia de densitate de probabilitate (f.d.p.) i cea cumulativ sunt reprezentate n figura
1.19 pentru cazul m = 1, 0, 5 = .
F.d.c. poate fi exprimat i sub forma
( )
1
1
2 2
x
x m
F x erfc
=

(1.47)
unde
( ) ( )
2 2
1
t
x
erfc x e dt erf x
= =
(1.48)
ce poate fi aproximat sub forma seriei
( )
2
2 2 4 3 6
1 1 3 1 3 5
1
2 2 2
x
e
erfc x
x x x x

= + + +

L
Figura 1.19. F.d.p. i f.d.c. ale distribuiei Gauss (m = 1, 0, 5 = )
1
2

22
n locul funciei de eroare erf se poate folosi funcia Q dat de
( )
2
2
1
, 0
2
t
x
Q x e dt x
(1.49)
Legtura dintre cele dou funcii este dat de
( )
( )
1
/ 2
2
Q x erfc x = (1.50)
Distribuia Gaussian este una din cele mai importante i este folosit pentru a modela
fenomene aleatoare i n special zgomotul n canalele de comunicaii. Pentru o varian dat,
variabilele aleatoare cu distribuie Gaussian se comport cel mai aleator i mai zgomotos.
Avantajul folosirii lor este acela c pot fi manipulate analitic foarte uor. Semnalele
aleatoare cu distribuie Gaussian rmn Gaussiene i dup o filtrare trece band.
Exemplul I.25 S calculm probabilitile ca valoarea unui eantion s se afle n intervalele
( ) ( ) ( ) , , 2 , 2 , 3 , 3 + + + .
( ( ) ) ( ) ( )
i
P s t F F < < =
( )
1
1
2 2
n
F n erfc

=

1 1 1 1
( ( ) ) 1 1 0.684
2 2 2 2
i
P s t erfc erfc
(
< < = = (

(
' '

1 2 1 2
( 2 ( ) 2 ) 0.954
2 2 2 2
i
P s t erfc erfc

< < = =

1 1 1 1
( 3 ( ) 3 ) 0.997
2 2 2 2
i
P s t erfc erfc

< < = =

O alt proprietate foarte important este dat de teorema limitei centrale, care spune c
prin adunarea unui numr mare de variabile aleatoare independente se obine un semnal sum
care tinde spre cazul Gaussian.
Bazat pe teorema limitei centrale putem afirma c
semnale aleatoare cu alte tipuri de distribuii tind s se
comporte gaussian dup ce au suferit o filtrare trece
band.
Exemplul 1.26 S considerm un semnal care este
obinut n urma unor convoluii repetate.
Se cunoate faptul c prin convoluia unui impuls
rectangular cu el nsui se obine impuls triunghiular de
lime dubl.
Convoluia repetat de 3 ori, implicnd 4 impulsuri
rectangulare este echivalent cu convoluia de 2 ori a
dou triunghiuri, iar forma de und rezultat se apropie
foarte mult ca form de o f.d.p. gaussian (figura 1.20).
Figura 1.20 Convoluie impulsuri
COMUNICAII DIGITALE

23
Fie impulsul triunghiular definit de
( )
[ ]
[ ]
1 ; 0
1 0;
t T
T
g t
t T
T
t
t
+
=

'

'

provenit din convoluia unui impuls rectangular de lime T cu el nsui.
Prin convoluia a dou triunghiuri de lime 2T, situaie echivalent cu convoluia a 4 impulsuri
rectangulare de lime T, se obine un alt impuls de lime 4T, cu forma de und definit de
( )
3
2
3
2 1
3 2
( ) * ( )
2
6
t
t
T T t T
T T
s t g t g t
t T
T t T
T

+

'
'
'
= =

'

n figura 1.21 sunt prezentate cele dou forme de und, cea gaussian fiind caracterizat de
valoarea medie zero i dispersia 0.6 = . Asemnarea formei de und s(t) cu cea gaussian este
evident, mergnd spre identitate dac numrul convoluiilor tinde la infinit.
Semnalul aleator are distribuie gaussian dac amplitudinea variabilei aleatoare este de
tip gaussian, faza semnalului fiind distribuit uniform.
Avnd n vedere c valorile amplitudinii variabilei aleatoare provin dintr-un ansamblu de
valori colectate n domeniul timp, distribuia gaussian se refer de fapt la proprietile
statistice ale ansamblului.
Pe de alt parte, bazndu-ne pe proprietatea de ergodicitate, care spune c media
temporal este egal cu media ansamblului, putem folosi acest lucru pentru a prezice
comportarea unui sistem liniar atacat la intrare cu un semnal aleator.
Exemplul I.27 S calculm probabilitatea de eroare ntr-o transmisie digital binar polar n
banda de baz, de tipul celei reprezentate n figura 1.22, afectat de zgomot Gaussian.
Canalul de comunicaie atenueaz semnalul, l distorsioneaz i introduce zgomote, denaturnd
semnalul recepionat.
Figura 1.21. Distribuie Gauss i semnal rezultat din convoluie

24
Forma de und este eantionat la mijlocul intervalului de bit, conform criteriului I Nyquist, iar
valoarea eantionului e comparata cu valoarea de referin, n acest caz 0.
Datele sunt recuperate din forma de und recepionat printr-un proces de decizie. Dac notm cu
x valoarea eantionului lui ( ) t x la momentul iT,
( ) x iT x = ,
atunci decizia se ia astfel,
dac: 0 x > s-a transmis un bit 1,
dac 0 < x s-a transmis un bit 0.
Zgomotul introdus de canalele de comunicaii are un caracter aleator i poate fi aproximat cu un
zgomot gaussian, de valoare medie nul, avnd funcia densitate de probabilitate (f.d.p.) dat de:

( )
2
2
2
1
2
n
p n e

=

Probabilitatea de eroare depinde de raportul semnal/zgomot Z S , definit ca:

valoarea medie patratica a semnalului
S Z
valoarea medie patratica a zgomotului
=
n cazul nostru, evident
2
1, S Z = = .
( )
2 2
Z n p n dn
= =

iar:
2
1 S Z =
Eroarea apare dac, n cazul transmiterii bitului 1 (nivel +1), nivelul zgomotului este mai mic
dect -1, astfel nct avem 0 S n + < , fiind interpretat ca un bit 0, sau n cazul transmiterii bitului
0 (nivel 1), nivelul zgomotului depete valoarea +1 astfel nct: 0 > + n S , i este interpretat
ca un bit 1.
Figura 1.22 Ilustrarea producerii unei erori
COMUNICAII DIGITALE

25
Probabilitatea de eroare
e
P este atunci:
(1) ( 1) (0) ( 1)
e
P p p n p p n = < + >
unde ( ) p u este probabilitatea ca variabila aleatoare s ia valoarea u.
Presupunnd zgomotul gaussian de valoare medie nul i cu f.d.p. dat de (1.38), putem
determina:
( ) ( )
2 2 2 2
2 2
1
1
1 0
2 2
n n
e
e e
P p dn p dn

= +

sau innd cont de simetria par a f.d.p.
( ) ( )
2 2
2
1
0 1
2
n
e
e
P p p dn
= +

Evident, ( ) ( ) 0 1 1 p p + = i deci:

2 2
2
1
2
n
e
e
P dn
=

sau, fcnd schimbarea de variabil:
1 1 2
2
n
x n x
= = =
2
d n
dx
=

2
1 2
1
x
e
P e dx

=

care se mai poate scrie ca:

1 1 1 1
1 1
2 2 2 2
e
S
P erf erf
Z

(
= =

(

' '

Funcia caracteristic a distribuiei Gaussiene este
( )
( ) ( )
2 2 2 2
2 1 2
1
2
x x
x m x jvm v jvx
x
jv e e dx e

= =

(1.51)
Momentele statistice centrate ( 0
x
m = ) sunt date de

1
) ( dn n p
1
) ( dn n p
Figura 1.23 Funcia densitate de probabilitate gaussian

26
( )
( ) ( )
( )
2
1 3 1
0
k
x k
k k par
E X m
k impar
(1.52)
iar cele necentrate pot fi exprimate sub forma
( )
2
1
0
k
i i
k x k
i
E X C m

=
=
(1.53)
Exemplul I.28 S considerm o distribuie gaussian cu media 0 i varian 1. Probabilitatea ca
evenimentul x s nu depeasc o valoare de prag 0.5
T
v = este dat de
2
0.5
2
1
( ) ( ) 0.69146
2
T
v
u
X T X
F v f u du e du

= = =

Suma a n variabile aleatoare gaussiene independente 1, 2
i
X i n = L cu valorile medii
i
m
i varianele
2
i
este i ea o variabil aleatoare gaussian. Fie
1
n
i
i
Y X
=
=
(1.54)
Pe baza independenei variabilelor, funcia caracteristic a sumei, poate fi scris ca
( ) ( )
2 2 2 2
2 2
1 1
i i i i
i
n n
j vm v j vm v
y x
i i
jv jv e e

= =
= = =

(1.55)
unde
1
n
y i
i
m m
=
=
(1.56)
2 2
1
n
y i
i

=
=
(1.57)
ceea ce dovedete c Y este o variabil aleatoare gaussian cu media
y
m i variana
2
y
.
Exemplul I.29 S considerm detecia coerent a semnalului nsoit de zgomot pentru un radar
care detecteaz una din cele dou ipoteze posibile:
I
1
- exist int care produce semnal i
I
0
- nu exist int i se recepioneaz doar zgomot (figura 1.24).
Semnalul la ieirea receptorului poate conine dou elemente:
( ) ( ) ( )
s z
X t X t X t = +
asociate semnalului (determinist) i respectiv zgomotului (aleator),
rezultnd pe ansamblu un proces aleator, caracterizat de variabila
aleatoare ( ) X t . Dac ( )
s
X t este mediat n timp, el va produce o
valoare medie
X
m , care este repetabil.
s
X reprezint o variabil
binar discret care ia valorile
X
m sau 0, deoarece nu se tie dac
inta este n btaia radarului sau nu, adic nu se cunoate aprioric
probabilitatea prezenei intei.
0
1
( ) ( )
( ) ( )
n
X n
I X t X t
I X t m X t
=
= +
(1.54)
Presupunnd zgomotul de tip alb, aditiv i gaussian, de varian
2
, cele dou situaii sunt
caracterizate de f.d.p.
Figura 1.24 Ipoteze
COMUNICAII DIGITALE

27
2
2
2
0
2
1
( )
2
X
p X e

=
2
2
( )
2
1
2
1
( )
2
X
X m
p X e

=
n figura 1.25 sunt reprezentate cele dou f.d.p. i deciziile incorecte ce se pot lua, caracterizate
prin probabilitile de ratare (miss) a intei
m
p (semnalul produs de int a fost mascat de zgomot)
i de alarme false
fa
p (zgomotul ce apare n absena intei este puternic i poate fi confundat cu
semnalul produs de int). Deciziile incorecte apar ca urmare a suprapunerii pariale a celor dou
f.d.p. i raportului S/Z mic, uneori i datorit alegerii inadecvate a pragului de decizie
T
v
(verticala reprezentat cu linie punctat n figura 1.25).
Se observ din figura I.25, innd cont de interpretarea geometric a integralei, c valoarea
maxim a lui
fa
p este , pragul
T
v fiind pozitiv, iar valoarea maxim a lui
d
p se apropie de 1,
dac pragul de decizie
T
v se deplaseaz spre zero . Probabilitile unui rateu
m
p , a deteciei
corecte
d
p i alarmelor false
fa
p sunt date de
1
m d
p p =
2
2
( )
2
2
1
2
m
T
X X
d
v
p e dX
=

2
2
2
2
1
2
T
X
fa
v
p e dX
=

Fcnd substituia
X
X m
y
= atunci pentru
T
X v = rezult
T X
v m
y
= iar
2 2
/ 2 / 2
2
1 1
2
2 T X T X
y y
d
v m v m
p e dy e dy

= =

care se mai poate scrie sub forma
Figura 1.25 Ilustrarea probabilitilor rateurilor i alarmelor false

28
T X
d
v m
p Q

=

dac
T X
v m >
Dac
T X
v m < substituind
X
m X
y
= rezult
1
X T
d
m v
p Q

=

dac
T X
v m <
Probabilitatea de apariie a alarmelor false fcnd substituia
X
y
= devine
2
2
2
1
2 T
y
T
fa
v
v
p e dy Q

= =

de unde
1
( )
T fa
v Q p

= . Prin imprire cu
X
m i ridicare la ptrat obinem
( )
2 2
2
1
( )
T
fa
X X
v
Q p
m m

=

i innd cont c
2
/
X
m
S Z

=

( )
2
2 1
2
( )
( / )
fa
T
X
Q p
v
m S Z

=

(1.58)
ceea ce ne arat c prin creterea raportului S/Z la recepie se poate micora valoarea pragului de
decizie, pentru a obine valori tot mai mici ale probabilitii de apariie a alarmelor false.
Un exemplu de variabil aleatoare cu distribuie gaussian este zgomotul denumit pe scurt
AWGN (Additive White Gaussian Noise), care aproximeaz destul de bine n multe cazuri
zgomotele care nsoesc transmisia, din care zgomotul termic deine o pondere nsemnat.
n cazul proceselor aleatoare, inclusiv al zgomotului AWGN, avem de a face cu semnale
de putere finit i energie infinit, dac durata lor tinde spre infinit.
Figura 1.26 Alegerea pragului de decizie bazat pe f.d.p.
COMUNICAII DIGITALE

29
Exemplul I.30 Fie o transmisie binar polar, afectat de zgomot AWGN, bitul 0 fiind reprezentat
prin nivelul de tensiune -A, iar bitul 1 printr-un nivel pozitiv +A. Alegerea pragului de decizie
depinde de f.d.p. ale semnalului n cele dou situaii. Cele dou f.d.p. sunt de tip gaussian, cu
aceeai dispersie i valori medii -A i respectiv +A.
Considernd biii 1 i 0 echiprobabili, vom alege pragul de eroare
T
v astfel nct cele dou
probabiliti de eronare a semnalului (0 1) P i (1 0) P , ilustrate n figura 1.26 s fie egale.
1 1
(1 0) 1 ( )
2 2 2
T
T
v A
P F v erf

+
= =

1 1
(0 1) ( )
2 2 2
T
T
v A
P F v erf
= = +

Din egalarea celor dou expresii rezult
1 1
2 2 2 2
T T
v A v A
erf erf

+
=

innd cont de simetria impar a funciei erf(x), a se vedea figura 1.27, rezult de aici c pragul
T
v este zero, avnd n vedere c cele dou argumente trebuie s fie egale
0
T T T
v A v A v = + =
Zgomotul AWGN poate fi considerat n domeniul timp, gndindu-ne n varianta discret
c am dispune de un generator de numere aleatoare cu distribuie gaussian, acestea
adunndu-se la eantioanele semnalului util i modificndu-i amplitudinea.
El poate fi considerat i n domeniul frecven, ca un semnal cu o anumit densitate
spectral de putere (d.s.p.), obinut aplicnd transformata Fourier funciei de autocorelaie a
zgomotului. Aceasta va produce o modificare a fazei spectrului semnalului util.
Distribuia amplitudinii i d.s.p. sunt n general independente una de alta. Prima ne indic
probabilitile cu care apar nivelele semnalului. D.s.p. poate indica influena pe care o
msurtoare o poate exercita asupra urmtoarei.
I.8 Teorema limitei centrale
Fie n variabile aleatoare independente statistic ( 1, 2, )
i
X i N = K cu valorile medii
( )
i
i X
E X = i varianele
2
( )
i
i X
Var X = . Variabila aleatoare X obinut din suma
( )
1
1
lim
i
N
i X
N
i
X X
N

=
=
(1.59)
este gaussian cu valoarea medie i variana date de
( ) 0 E X =
2 2
1
1
( ) lim
i
N
X X
N
i
Var X
N

=
= =

(1.60)
Prin sumarea unui numr destul de mic (mai mare ca 6) de variabile aleatoare
independente statistic, de varian apropiat se obine o variabil aleatoare cu o distribuie
apropiat de cea gaussian.
Figura 1.27 Funcia erf(x)

30
I.9 Distribuia log-normal
ntre distribuia Gaussian i cea log-normal exist o legtur strns. S presupunem o
variabil aleatoare gaussian ln y x = ,
y
x e = fiind o variabil aleatoare caracterizata de o
distribuie log-normal. F.d.p. a distribuiei normale este dat de
( )
( )
2 2
ln 2
1
2
x
x m
p x e
x

= (1.61)
Variabila aleatoare y este n acest caz cu distribuie gaussian, caracterizat de valoarea
medie
y
m i varian
2
y
. ntre cele dou distribuii exist urmtoarea legtur
2
2
y
y
m
x
m e
+
=
2 2
2
2
( 1)
y y y
m
x
e e

+
= (1.62)
i invers
2
2
1
ln ln 1
2
x
y x
x
m m
m

= +

2
2
2
ln 1
x
y
x
m

= +

(1.63)
Presupunnd c variabila aleatoare x rezult din produsul a
n variabile aleatoare pozitive independente, distribuia lui x
tinde spre cea log-normal, cnd n este suficient de mare.
Aceasta rezult ca o consecin a teoremei limitei centrale.
Valoarea medie
x
m i variana
2
x
ale distribuiei astfel
obinute sunt date de
1
(ln )
n
x k
k
m E x
=
=

2
1
(ln )
n
x k
k
Var x
=
=
(1.64)
Distribuia log-normal este ntlnit n propagarea
semnalelor radio de comunicaii mobile. Dac n mod obinuit,
pentru propagarea cu vizibilitate direct ntre emitor i
receptor n mediu urban, puterea semnalului recepionat
depinde de distan dup relaia
( )
n
r d k d
= (1.65)
n fiind o constant n intervalul (2, 7 3, 5) , n cazul cnd ntre ele se interpun obstacole,
apare un efect de umbrire (shadowing), similar cu cel al interpunerii de obstacole ntre un
privitor i o surs de lumin, care creaz umbre.
a. Efect de umbrire
b. Umbrire i fading
Figura 1.28 Efecte combinate
COMUNICAII DIGITALE

31
Densitatea obstacoleor depinde de mediul fizic de propagare (urban, suburban, interior,
etc.) i introduce un efect de aleatorizare a propagrii.
Umbrirea creaz fading lent, avnd n vedere c puterea semnalului recepionat pe calea
direct (n vizibilitate) variaz lent odat cu deplasarea mobilului fa de emitor, putnd
dura cteva secunde sau chiar minute, ns puterea semnalului poate fi micorat de
obstacolele (cldiri, copaci, alte mobile) care mascheaz parial traiectoria de propagare a
semnalului. Deoarece acest fading este de lung durat, schimbarea poziiei mobilului pe
distane scurte nu conduce la mbuntirea recepiei.
Fadingul lent este dat de puterea medie a semnalului recepionat, n cazul unei distane
mari ntre emitor i receptor. De obicei se calculeaz o valoare medie local mediind
valorile puterii pe o distan de 5 pn la 40 lungimi de und , sau pe distana a 40 pn la 80
de minime introduse de fading (scderea semnalului sub un anumit nivel).
Efectul de umbrire afecteaz un numr mare de perioade ale semnalului, justificnd
denumirea de fading lent i poate fi modelat cu distribuia log-normal.
Distribuia log-normal este justificat de faptul c fiecare obstacol introduce o atenuare a
semnalului recepionat, iar nivelul semnalului recepionat (logaritmul puterii) este afectat de
suma a mai muli factori de
atenuare.
Semnalul recepionat poate
fi descris de distribuia
Rayleigh, ns valoarea medie
ptratic sau puterea medie
msurat local este descris de
o distribuie log-normal cu
variana
2
. Deviaia standard
a variaiei puterii semnalului
recepionat datorit umbririi n
sistemele de comunicaii
mobile este n jur de 8 dB (8-10) dB. n cazul cnd sunt multe obstacole, conform teoremei
limitei centrale, distribuia tinde spre cea Gaussian.
Puterea semnalului recepionat depinde de distana d conform relaiei

/10
( ) 10
X n
r d k d
= (1.66)
unde X este o variabil cu distribuie log-normal.
Se observ din figura 1.28 a c variaia puterii semnalului recepionat cu distana difer de
cea obinuit, atenuarea semnalului crescnd datorit efectului de umbrire.
Atenuarea poate crete mai puternic dac la efectul de umbrire se adaug cel de fading
(figura 1.28 b).
Funciile de densitate de probabilitate i de distribuie cumulativ pentru distribuia
lognormal sunt illustrate n figura 1.29 pentru =1 i dou valori ale lui m.
Figura 1.29 F.d.p. i f.d.c. pentru distribuia log-normal cu =1

32
I.10 Distribuia binomial
Fie X o variabil aleatoare discret binar, cele dou valori posibile fiind 0 X = i 1 X =
i sunt caracterizate de probabilitile 1 p i respectiv p .
S presupunem c
1
n
i
i
Y X
=
=
(1.67)
evenimentele
i
X , 1, 2, i n = L , fiind variabile aleatoare statistic
independente i identic distribuite, avnd f.d.p. reprezentat n
figura 1.30.
Datorit independenei statistice, probabilitatea
evenimentului ca din n ncercri s rezulte n zerouri este
( ) ( ) 0 1
n
P Y p = = (1.68)
iar cea de a avea n-1 zerouri i un 1 este
( ) ( )
1
1 1
n
P Y np p

= = (1.69)
avnd n vedere cele n moduri de aranjare ale lui 1 ntre (n - 1) zerouri.
Mai general, evenimentele caracterizate de apariia a k bii 1 i (n - k) zerouri au
probabilitatea de apariie dat de
( ) ( ) 1
n k
k k
n
P Y k C p p

= =
(1.70)
unde
( )
!
! !
k
n
n
C
k n k
=

iar ( ) ( ) ( ) ( ) ( )
0 0
1
n n
n k
k k
n
k k
p y P Y k y k C p p y k
= =
= = =

F.d.c. este
( ) ( ) ( )
[ ]
0
1
y
n k
k k
n
k
F y P Y y C p p

=
= =
(1.71)
Exemplul 1.31 S considerm un server care deservete un numr N de staii prin 60 de linii
digitale de mare vitez. n perioada de ncrcare de vrf, fiecare staie lucreaz cu serverul n
medie 2,4 secunde ntr-un minut. S calculm probabilitatea de saturaie a serverului, n medie, pe
durata unui minut din perioada de ncrcare de vrf.
Considernd probabilitatea de acces a unei staii la server p, ea este dat de p=2.4/60 sau p=
0.04. Accesul la server fiind un eveniment binar (are loc sau nu), variabila aleatoare ce
desemneaz numarul de staii ce vor s comunice cu serverul este X, binar, cu distribuie
binomial. Blocarea accesului la server sau saturaia se produce dac X>60, adic cel puin 61
de staii solicit accesul la server.
Probabilitatea de saturaie este dat de
61
( 60) ( 61) (1 )
N
n n N n
N
n
p X p X C p p

=
> = =

Figura 1.30. F.d.p. a VA binare
COMUNICAII DIGITALE

33
Dac N este egal cu 500, 1000, 1500 sau 2000, probabilitile de blocare, obinute n
MATHEMATICA, cum se arat mai jos, sunt urmtoarele:
p[x_]:=Sum[Binomial[x,n]*(0.04)^n*(0.96)^(x-n), {n,61,x}]
p[500]
2.3285210
14

p[1000]
0.000947804
p[1500]
0.46573
p[2000]
0.989379
p[2200]
0.999176
n figura 1.31 este prezentat graficul de
variaie a probabilittii de blocare a
accesului la server, n funcie de numrul N
de staii, ce pot solicita accesul.
Momentele statistice de ordinul I i II
sunt date de:
( )
( ) ( )
2 2 2
1
E Y np
E Y np p n p
=
= +
(1.72)
iar variana
( )
2
1 np p =
(1.73)
Funcia caracteristic este dat de
( ) ( )
1
n
j t
jt p pe = + (1.74)
Exemplul I.32 S calculm valoarea medie de
sincronizare ntr-un sistem cu spectru mprtiat
cu secven direct, folsind tehnica de
sincronizare de cod serie.
Pentru o cutare eficient, se presupune
cunoaterea aprioric la receptor a informaiilor
privind tipul semnalului i momentul la care
ncepe emisia, astfel nct incertitudinea de faz
s se limiteze la un interval T iar cea de
frecven la un interval f ( ) , aa cum se
arat n figura 1.32.
Decizia corect (hit) asupra perechii
faz/frecven se face cutnd ntr-un domeniu
de valori faz/frecven, n jurul valorilor
corecte, utiliznd un detector de energie.
Domeniul de incertitudine faz/ frecven poate fi
considerat ca un dreptunghi de latur i T
(figura 1.32). Acesta poate fi considerat ca fiind
compus din dreptunghiuri mai mici, cu laturile t . Simbolul reprezint combinaia faz
i frecven corect.
Figura 1.32 Domeniul de incertitudine
Figura 1.31 Variaia probabilittii de blocare cu N

34
Acestea sunt domeniile de variaie ale fazei/frecvenei n jurul frecvenei corecte, pentru care se
obine o decizie corect (hit). Gsirea fazei i frecvenei corecte impune deci o testare a fiecrei
subdiviziuni din figura 1.32.
Din toate celulele, una singur este cea corect (referitor la combinaia faz/frecven), astfel c
n majoritatea celulelor evaluate ieirea detectorului de energie este datorat zgomotului.
Testarea simultan a tuturor subdiviziunilor este un procedeu foarte complicat, care face apel la
tehnici de procesare digital i conduce la o parte de hardware complex.
Se presupun ipotezele simplificatoare:
1.- nu exist incertitudine de frecven
2.- faza corect e uniform distribuit n intervalul de durat T.
S-a ales pasul de variaie al fazei t, bazat pe funcia de autocorelaie i se admite c

T
C
t
= =
ntreg.
Se presupune c va ncepe cutarea de la o margine a domeniului de incertitudine (figura 1.32) din
motive de comoditate, dei se poate ncepe de oriunde.
Cutarea se face serial, evalundu-se pe rnd C celule, dup care, dac nu s-a realizat
sincronizarea, se pornete cu alt valoare a frecvenei.
Calculul timpului mediu de sincronizare implic considerarea tuturor evenimentelor posibile ce
conduc la sincronizare corect. Se consider un eveniment definit de o anumit localizare n a
celulei cu faza corect i un anumit numr k de alarme false n toate celulele cu faza incorect
care au fost evaluate. Deci,
n - localizarea celulei cu faz corect;
j numrul de coloane evaluate pentru valori succesive ale frecvenei, excluznd coloana ce
conine combinaia corect frecven/faz sau altfel spus numrul de detecii false ale celulei cu
faza corect;
k - numrul de alarme false pentru celulele cu faza incorect evaluate.
Atunci timpul total de sincronizare va fi:
( , , )
i i fa
T n j k nT jCT kT = + + (1.75)
unde T
i
- timpul de integrare, (acelai ca valoare) pentru evaluarea unei celule;
T
fa
- timpul necesar pentru rejectarea unei celule, dac apare o alarm fals.
ntruct T
fa
>>T
i
, alarmele false sunt evenimente nedorite. n cazul considerat, au fost evaluate n
total n + jC celule, numrul total de celule corecte este j + 1 iar numrul total de celule incorecte
este (n + jC) - (j + 1).
Probabilitatea ca celula corect s fie numrul n este 1/C, iar probabilitatea ca dup j detecii
false (incorecte) s urmeze o detecie corect este p
d
(1 - p
d
)
j
.
Cele k alarme false pot apare n orice ordine n interiorul blocului de n + jC - j - 1 celule incorecte
i vom nota
1 n jC j K + =
Probabilitatea unei secvene oarecare de alarme false va fi
(1 )
k K k
fa fa
p p

.
Vor exista n total C
K
k
posibiliti de ordonare a k alarme false n K celule. Atunci, probabilitatea
de apariie a evenimentului (n, j, k) este:

1
( , , ) (1 ) (1 )
j k k K k
r d d K fa fa
p n j k p p C p p
C
=
iar timpul mediu de sincronizare va fi

, ,
( , , ) ( , , )
S r
n j k
T T n j k p n j k =
(1.76)
COMUNICAII DIGITALE

35
Numrul celulei corecte variaz n intervalul (1, C), numrul deteciilor incorecte variaz de la 0
la infinit, iar numrul alarmelor false de la 0 la K. Atunci:

1 0 0
1 0 0
1 0 0
1
[( ) ] (1 ) (1 )
1
( ) (1 ) (1 )
1
(1 ) (1 )
C K
k k K k j
S i fa K fa fa d d
n j k
C K
k k K k j
i K fa fa d d
n j k
C K
k k K k j
fa K fa fa d d
n j k
T n jC T kT C p p p p
C
n jC T C p p p p
C
T C k p p p p
C
= = =
= = =
= = =
= + + =

= + +

+

Notnd a = p
fa
i b = 1 - p
fa
, i observnd c a + b = 1, pe baza relaiei

0 1 1
0
..... ( )
K
k k K k K K k K K
K K K K
k
C a b C b C ab C a a b

=
= + + + = +

se observ c:

0
(1 ) 1 1
K
k k K k K
K fa fa
k
C p p

=
= =

innd cont c:

0
K
k k K k
K fa
k
C k a b K a K p
=
= =

ea fiind valoarea medie a unei variabile aleatoare discrete cu distribuie binomial. Atunci:

1 0
1
[( ) ] (1 )
c
j
S i fa fa d d
n j
T n jC T K T p p p
c
= =
= + +

I.11 Distribuia
2

Distribuia
2
rezult ca o transformare din cea gaussian, de forma
2
Y X = (1.77)
X fiind o variabil aleatoare gaussian, iar Y rezultnd cu distribuie
2
. Distribuia
2

(chi-squared) este de dou categorii:
a. centrat, dac X are media zero;
b. necentrat. dac X are media diferit de zero.
Funcia de densitate de probabilitate a distribuiei
2
nu prezint simetrie i este
aplatizat spre dreapta.
Caracteristicile difer, n funcie de numrul de grade de libertate n. Cnd n > 90, funcia
de densitate de probabilitate a distribuiei
2
se apropie foarte mult de cea gaussian.
I.11.1 Distribuia
2
centrat
F.d.p. a variabilei aleatoare Y este dat de

36
( )
2
2
1
, 0
2
y
Y
P y e y
y
=
(1.78)
F.d.c. este
( ) ( )
2
2
0 0
1 1
2
y y
u
Y Y
F y p u du e du
u
= =

(1.79)
Funcia caracteristic
( )
( )
1 2
2
1
1 2
jt
j t
(1.80)
Un caz mai general este
2
1
n
i
i
Y X
=
=
(1.81)
adic suma a n variabile aleatoare Gaussiene independente ridicate la ptrat
2
1, 2
i
X i n = L
cu valorile medii zero i aceeai varian
2
. Se obine astfel o distribuie
2
sau gama cu n
grade de libertate.
Distribuie
2
cu n grade de libertate este ilustrat n figura 1.33.
Funcia caracteristic a acestei sume este
( )
( )
2
2
1
1 2
Y n
jt
j t
(1.82)
iar f.d.p se obine prin transformarea Fourier invers
( )
2
2 2
2
1
, 0
1
2
2
n i y
Y
n n
P y y e y
n

(1.83)
Figura 1.33 F.d.p. a distribuiei
2
pentru diferite grade de libertate n
COMUNICAII DIGITALE

37
unde funcia gama ( ) p este dat de
( )
1
0
, 0
p t
p t e dt p

= >

( ) ( ) 1 !, 0 p p p = > , p numr ntreg. (1.84)
( )
1
, 1 1
2

= =

Exemplul I.33 Pentru obinerea caracteristicilor din figura I.33 se poate folosi funcia dchisq(x,n)
din MATHCAD, iar pentru f.d.c. funcia pchisq(x,n). Un exemplu este dat mai jos.

( )
2
E Y n =
(1.85)
( )
2 4 2 4
2 E Y n n = +
(1.86)
iar variana
2 4
2
y
n =
(1.87)
F.d.c. este dat de
Figura 1.34 F.d.c. a distribuiei
2


38
( )
2
2 2
2 0
1
, 0
1
2
2
y
n i u
Y
n n
F y u e du y
n
(1.88)
i este reprezentat n figura 1.34. Pentru n par, 2 n m = , f.d.c. ia forma
( )
2
1
2
2
0
1
1 , 0
! 2
k
m
y
Y
k
y
F y e y
k
=

=

(1.89)
I.11.2 Distribuia
2
necentrat
S plecm de la cazul cel mai simplu, n =1,
2
Y X = , X fiind o variabil aleatoare
gaussian cu valoare medie diferit de zero. F.d.p. este de forma:
( )
( )
2 2
2
2
1
cosh , 0
2
x
y m
x
Y
y m
P y e y
y

+

=

(1.90)
iar funcia caracteristic
( )
( )
( )
2 2
1 2
1 2
2
1
1 2
x
jm t j t
Y
jt e
j t
(1.91)
n cazul mai general, cu n grade de libertate,
2
1
n
i
i
Y X
=
=
, variabilele aleatoare gaussiene

i
X fiind statistic independente, cu valorile medii
i
m , 1, 2, i n = L i varian
2
. Atunci,
funcia caracteristic devine
( )
( )
2
1
2 2
2
1
exp
1 2
1 2
n
i
i
Y n
jt m
jt
j t
j t
=

=

(1.92)
Aplicnd transformata Fourier invers, f.d.p. a distribuiei
2
necentrate cu n grade de
libertate
( )
( )
( )
2 2
2 4
2
/ 2 1 2 2 2
1
, 0
2
n
s y
Y n
y s
P y e I y y
s

=

(1.93)
unde
2 2
1
n
i
i
s m
=
=
(1.94)
iar I
a
este funcia Bessel modificat de ordinul a i spea ntia,
( )
( )
( )
2
0
2
, 0
! 1
k
x
k
x
I x x
k k
+
=
=
+ +
(1.95)
F.d.c. este
COMUNICAII DIGITALE

39
( )
( )
( )
2 2
2 4
/ 2 1 2 2 2
0
1
2
n
y
s u
Y n
u s
F y e I u du
s
(1.96)
La fel ca n cazul centrat, pentru n par, 2 n m = , f.d.c. poate fi pus sub o form tratabil
analitic, apelnd la funcia Marcum generalizat
( )
( )
( )
( )
( )
2 2
2 2
1
2
1
1
2
1
1
,
,
m
x a
m m
b
k
m
x a
k
k
x
Q a b x e I dx
a
b
Q a b e I ab
a
+
=

=

= +

unde
( )
( )
( )
2 2
2
1
0
, , 0
k
x a
k
k
a
Q a b e I ab b a
b
+
=

= > >

(1.97)
Facnd schimbarea de variabil
2 2
x u = (1.98)
i nlocuind
2 2 2
/ a x = , se obine
( ) 1 ,
Y m
y s
F y Q

=

(1.99)
( )
2 2
E Y n s = + (1.100)
( ) ( )
2
2 4 2 2 2 2
2 4 E Y n s n s = + + + (1.101)
iar variana
2 4 2 2
2 4
y
n s = +
(1.102)
Exemplul I.34 S considerm sincronizarea de cod ntr-un sistem spread spectrum cu secven
direct, folosind un filtru adaptat la o poriune sau segment din secvena m utilizat pentru
mprtierea spectrului (figura 1.35). El va produce la ieire un impuls numai dac semnalul
recepionat conine acea poriune din secvena m, pentru care este adaptat filtrul.
Impulsul de la ieirea filtrului adaptat este detectat cu un circuit detector de anvelop urmat de un
circuit comparator, cu un anumit prag (figura 1.36), iar generatorul de cod local este declanat de
semnalul de la ieirea comparatorului i genereaz un semnal de cod cu faza corect, sincronizat
pe cea a semnalului de intrare.
Decizia privind semnalul recepionat se ia n modul urmtor:
- dac
T
x v > faza
d
T a semnalului generat local coincide cu cea a semnalului recepionat
d
T .
- dac
T
x v faza presupus nu e corect i se reia procesul cu alt valoare a lui
d
T .
Se face distincia ntre dou ipoteze:
I
0
- faza
d
T
a semnalului generat local nu coincide cu cea a semnalului recepionat

d
T .

40
I
1
- faza
d
T
a semnalului generat local coincide cu cea a semnalului recepionat

d
T .
Pentru a simplifica analiza vom presupune n continuare c n ipoteza I
0
contribuia semnalului
util n decizia luat este zero. Aproximaia este rezonabil innd cont de faptul c se utilizeaz
coduri c(t) cu valori mici ale funciei de corelaie n exteriorul lobului principal. Rezult:
I
0
:
2
x
x n = (1.103)
I
1
:
2
x
x P n = + (1.104)
Pentru a determina probabilitatea de apariie a alarmelor false
fa
p vom ine cont c acestea apar
cnd se ia decizia c
d
T
coincide cu ) (
1
I T
d
cnd n realitate
d
T nu coincide cu
1
( )
d
T I . Atunci, din
(1.103) rezult
1
0 ( )
( )
T
fa T x I v
p p x v I F = = (1.105)
unde
1
( )
T
x I v
F este funcia de distribuie cumulativ a lui x n ipoteza I
1
.
n ipoteza I
0
, x este o variabil aleatoare centrat cu o repartiie
2
(chi-squared) cu dou grade
de libertate i avem

0
0
( )
1
T
T
v T
N
fa x I v
p F e
= = (1.106)
n ipoteza I
1
, x este o variabil aleatoare non-centrat cu o repartiie
2
(chi-squared) cu dou
grade de libertate i avem probabilitatea unui rateu (miss)
Figura 1.36 Sincronizare cu filtru adaptat
Figura 1.35 Sincronizare utiliznd filtru adaptat

COMUNICAII DIGITALE

41

0
1
/
0 ( )
0 0 0
/ 2
T
u P
T
N T
m x I v
T Pu
p F e I du
N N T
+

= =

(1.107)
sau

2 2
0
2 / 2
2
0
( 2 )
T
v T N u s
m
T
p u e I su du
+
=

(1.108)
unde
0
2
/ N PT s = este raportul semnal zgomot (S/Z), iar I
0
este funcia Bessel modificat de
ordinul zero i spea ntia. Evident 1
m d
p p = , unde
d
p este probabilitatea de detecie corect.

( )
1 2 , 2ln
d m fa
p p Q s p = = (1.109)
iar
2 2
2
0
( , ) ( )
u
Q ue I u du
(1.110)
i este cunoscut ca funcia Q a lui Marcum.
Pe baza relaiilor (1.96) i (1.97) se traseaz dependena dintre
d
p i
fa
p pentru diferite valori
ale raportului S/Z, cunoscut ca diagrama ROC (Receiver Operating Characteristic).
Ea pune n eviden compromisul ce se face ntre probabilittile alarmelor false i de detecie
corect, la diverse valori ale raportului S/Z.
Performana circuitului de sincronizare e cu att mai bun cu ct curba e mai concav. Aceste
curbe sunt ilustrate n figura 1.37 pentru 4 valori ale raportului S/Z.
Figura 1.37 Caracteristici de tip ROC pentru detectorul de energie cu filtru adaptat

42
I.12 Distribuia Rayleigh

Distribuia Rayleigh este ntlnit n special n modelarea fenomenelor de tip fading, mai
ales n comunicaiile celulare unde apar mecanisme de mprtiere a semnalului pe diverse
ci, datorit unui numr mare de obiecte reflectoare de mici dimensiuni.
n cazul particular cnd staia mobil nu este n vizibilitate direct cu staia central,
semnalul recepionat se compune din replici reflectate ale semnalului emis, nici una din
replici fiind dominant n
raport cu celelalte, s-a
constatat teoretic i
verificat experimental c
anvelopa semnalului
recepionat are o distribuie
de tip Rayleigh. Fadingul
asociat acestui caz este cunoscut ca fading de tip Raleigh.
Distribuia Rayleigh este legat de distribuia
2
centrat.
I.12.1 Cazul particular referitor la suma ptratelor a dou variabile
S considerm semnalul
2 2
1 2
Y X X = +
(1.111)
compus din dou variabile aleatoare gaussiene independente statistic i de valoare medie zero.
F.d.p. este
( )
2
2
2
1
, 0
2
y
Y
P y e y
=
(1.112)
De aceast dat s considerm o variabil aleatoare de forma
2 2
1 2
R X X Y = + =
(1.113)
Mrimea R este evident pozitiv, ea reprezentnd rezultanta sau raza.
n distribuia gaussian, cozile acesteia se ntind n ambele sensuri, inclusiv n domeniul
valorilor negative. Cum R este o mrime pozitiv, ea nu poate avea distribuie gaussian.
Dac considerm ns o distribuie gaussian cu o valoare a mediei m mare n raport cu
dispersia , coada care ptrunde n domeniul negativ este destul de mic i poate fi neglijat,
distribuia real pentru valori numai pozitive ale lui R, adic de tip Rayleigh, apropiindu-se de
cea gaussian. Ea corespunde amplitudinii semnalului avnd cele dou componente n
cuadratur
1
X i
2
X .
Exemplul I.35 Fie o transmisie de tip QAM, utiliznd dou purttoare ortogonale de tip cosinus i
sinus. Ea este nsoit de zgomot aditiv alb i gaussian, cele dou componente de zgomot ce apar
pe cele dou canale n cuadratur fiind notate cu ( )
i
n t i ( )
q
n t . Semnalul recepionat (figura
1.39) poate fi scris ca:
Figura 1.38 Model fading Rayleigh
COMUNICAII DIGITALE

43
( ) ( ) ( ) r t s t n t = +
( ) ( ) ( )
i q
s t s t j s t = +
( ) ( ) ( )
i q
n t n t j n t = +
( )
( ) ( ) ( ) ( ) ( )
i i q q
r t s t n t j s t n t = + + +
Se observ existena celor dou componente de zgomot care se combin aditiv cu semnalele de pe
cele dou canale. Zgomotul ( ) n t poate fi scris i sub form complex
( )
( ) ( )
j t
n t A t e

=
unde
2 2
( ) ( ) ( )
i q
A t n t n t = +
( )
( )
( )
q
i
n t
t arctg
n t
=
Conform definiiei, distribuia rezultantei ( ) A t este de tip Rayleigh, n timp ce pentru faz
innd cont c ( ) / ( )
q i
n t n t are o distribuie de tip Cauchy, rezult c ( ) t va avea o distribuie
uniform datorit funciei arctg .
Evident,
2
Y R = corespunde unei distribuii
2
. Notnd
2
y r = , f.d.p. a variabilei aleatoare
distribuite Rayleigh devine
( )
2 2
2
2
, 0
r
R
r
P r e r
=
(1.114)
Exemplul I.36 S presupunem o transmisie BPSK, amplitudinea semnalului recepionat ( ) y t
fiind afectat de atenuarea aleatoare cu o f.d.p. de tip Rayleigh, iar fadingul este lent variabil.
Atunci
( ) ( ) ( ) r t y t n t = +
Dac ar fi constant, probabilitatea de eroare
s-ar obine ca
( )
2
0
2 /
e b
P Q E N =
unde E
b
reprezint energia de bit, N
0
este d.s.p. a
zgomotului definit unilateral, iar
0
/
b
E N
reprezint raportul semnal/zgomot ntr-o band
egal cu viteza de bit.
Valoarea instantanee a raportului S/Z i respectiv valoarea mediea acestuia pot fi scrise ca
2
0
/ , 0
b
S E N S =
2
0
[ ] / , 0
b
S E E N S =
Se consider de obicei c valoarea medie a fadingurilor este 1, adic
2
1 = , astfel c
2
0 0
[ ] / / , 0
b b
S E E N E N S = =
n acest caz particular putem considera p(S) ca f.d.p. a valorii instantanee a raportului
0
/
b
E N la
ieirea canalului afectat de fading. ntruct variaz aleator i S variaz aleator, probabilitatea
de eroare va avea o valoare medie dat de
Figura 1.39 Semnal afectat de zgomot

44
( )
0
2 ( )
e
P Q S p S dS
=

unde p(S) este f.d.p. asociat variabilei aleatoare S. Dac distribuia lui S este de tip Rayleigh,
/
1
( )
S S
p S e
S
=
iar probabilitatea de eroare poate fi scris ca
( )
/
0
1
2
S S
e
P Q S e dS
S
=

Dup efectuarea integralei rezult
0.5 1
1
e
S
P
S

=
+

Ultima relaie este reprezent n figura 1.40, mpreun cu probabilitatea de eroare pentru
transmisia BPSK afectat de zgomot de tip AWGN.

F.d.c. este dat de
( )
2 2 2 2
2 2
2
0
1 , 0
r
u r
R
u
F r e du e r

= =
(1.115)
Momentele statistice de ordinul k sunt date de:
( ) ( ) ( )
2
2
2 1 / 2
k
k
E R k = +

1
2 (1.5) / 2 1.2533 m = = =
2 2
2
2 (2) 2 m = =
iar variana
( )
2 2 2
2 / 2 0.4292
r
= = (1.116)
Figura 1.40 Probabiliti de eroare pentru canal AWGN i fading Rayleigh
COMUNICAII DIGITALE

45
Dac se normalizeaz f.d.p. din rel. (1.114), astfel ca puterea medie a semnalului
2
E r s
fie egal cu unitatea, atunci f.d.p. Rayleigh normalizat devine
( )
2
2
2 , 0
0 0
r
r e r
p r
r

=

<
(1.117)
cu valorile mediei i varianei date de

1
0.8862 m =

2
0.2146
r
=
Funcia caracteristic a variabilei aleatoare distribuite Rayleigh este
( )
2 2
2
2
0
r j t r
R
r
jt e e dr
=

(1.118)
sau
( )
2 2 2 2
2 2
2 2
2 2
0 0
2 2 2 2
1
cos sin
1 1 1
1, ;
2 2 2
r r
R
t
r r
jt e t r dr j e t r dr
F t j t e

= +

= +

(1.119)
unde
1
F este funcia hipergeometric confluent definit sub forma
( )
( ) ( )
( ) ( )
1
1
, ; , 0, 1, 2,
!
k
k
k x
F x
k k

=
+
=
+
K
(1.120)
iar n cazul particular de mai sus poate fi pus sub forma
( )
1
0
1
1, ;
2 2 1 !
k
a
k
a
F a e
k k
=

=

(1.121)
Distribuia de tip Rayleigh este ntlnit i la ieirea unui demodulator MF atacat de
zgomot gaussian la intrare.
Exemplul I.37 Fie fadingul de tip Rayleigh, semnalul recepionat fiind de forma:

0
( ) ( ) cos(2 )
i i
s t Am t f t = +
(1.122)
amplitudinea A fiind o variabil aleatoare de tip Rayleigh, iar faza o variabil aleatoare
uniform distribuit ntre 0 i 2 . Probabilitatea de eroare poate fi calculat i este de forma:

( )
2
0
1/ 2
1 /
e
P
E N
=
+
(1.123)
Ea depinde att de raportul S/Z E/N
0
, ct i de dispersia (ecartul de variaie) amplitudinii A a
semnalului recepionat.

46
Cu ct variaia amplitudinii este mai larg, cu att probabilitatea de apariie a fadingurilor profunde
(anvelopa tinde spre zero) este mai mare, iar performanele transmisiei scad.
S presupunem F.d.p. a anvelopei de forma:
( )
2 2
2
2
, 0
y
Y
y
P y e y
=
(1.124)
Fie
T
y o valoare de prag a anvelopei, sub care performanele sistemului devin inacceptabile.
Probabilitatea ca anvelopa detectat s fie mai mic dect valoarea de prag
T
y (outage
probability) este dat de:

2 2 2 2
2 2
2
0
1
T
T
y
y y
y
e dy e

(1.125)
Dac sistemul are diversitate cu M canale, probabilitatea ca toate cele M canale s aib
anvelopele lor mai mici dect valoarea de prag
T
y este
( )
2 2
2
1
T
M
y
e

(1.126)
Probabilitatea ca cel puin un canal s aib anvelopa
mai mare ca valoarea de prag
T
y este
( )
2 2
2
1 1
T
M
y
e

(1.127)
Exemplul I.38 S calculm i s reprezentm grafic
probabilitatea ca puterea instantanee a semnalului
afectat de fading de tip Rayleigh s fie cu mai mult de
X decibeli sub puterea medie recepionat
2
.
Conform (1.116)

( ) ( )
2 2 2
2 2 2 E R = =
S notm
T
y R = ,
T
y avnd semnificaia din (1.125)
Atunci,

2 2
/10
2 2
10
2 2
X T
y R

= =
iar probabilitatea ca anvelopa r a semnalului s fie mai mic dect R, dat de relaia anterioar,
care este cu mai mult de X decibeli sub puterea medie recepionat
2
este dat de (1.126)

2 2
2 /10
( ) 1 1 exp( 10 )
T
y X
p r R e

= =
Aceast relaie este reprezentat n figura 1.41 i se poate observa c probabilitile ca anvelopa
semnalului afectat de fading de tip Rayleigh s fie cu 10, 20, 30 i respectiv 40 dB sub puterea
medie recepionat sunt de circa 10%, 1%, 0.1% i respectiv 0.01%. Adic, n medie pe durata
fadingurilor, puterea semnalului scade de cel puin 10 ori pe circa 10% din durata lor i de peste
100 de ori pe circa 1% din durata acestora.
ntruct distana pe care funcia de autocorelaie a semnalului este semnificativ este n jur
de / 2 , deplasarea mobilului cu circa fa de poziia n care s-a manifestat fadingul, va
conduce la o valoare semnificativ mai bun a semnalului recepionat.
Figura 1.41 Probabilitatea ca anvelopa s
fie cu X dB sub puterea medie recepionat
COMUNICAII DIGITALE

47
n cazul prezenei efectului Doppler i a propagrii multipath, semnalul recepionat este de
forma
1
( ) cos[2 ( ) ]
N
i i
i
r t f f t
=
=

El se compune din N componente reflectate de amplitudini
i
cu frecvena purttoare f
afectat cu deviaia Doppler
i
f datorit micrii relative ntre emitor, receptor i obstacole.
Semnalul recepionat are componente sinfazice i n cuadratur
( ) ( )cos(2 ) ( )sin(2 )
I Q
r t A t f t A t f t = +
cu
1
( ) cos(2 )
N
I i i
i
A t f t
=
=

1
( ) sin(2 )
N
Q i i
i
A t f t
=
=

Deoarece termenii implicai n sumele de mai sus sunt variabile aleatoare independente i
distribuite identic, pentru N de valoare mare, conform teoremei limitei centrale, ( )
I
A t i
( )
Q
A t sunt variabile
aleatoare cu distribuie
gaussian i de valoare
medie zero, iar anvelopa
semnalului

2 2
( ) ( ) ( )
I Q
A t A t A t = +
va fi o variabil aleatoare
cu distribuie Rayleigh.
Anvelopa va avea variaii de amplitudine ntr-o gama foarte larg, de circa 50 dB, variaii
determinate de efectul Doppler, care depinde de viteza staiei mobile.
Exemplul I.39 S considerm c semnalul recepionat este compus din 3 replici cu aceeai
amplitudine, dar de frecvene diferite. Un caz particular, cu semnificaie doar didactic ar fi 10,
10.5 i 11 Hz. Semnalul rezultat din sumarea celor 3 semnale este prezentat n figura 1.42. Se
observ existena maximelor i minimelor.
Componentele reflectate sosesc cu amplitudini i faze (frecvene) diferite i se combin
aditiv sau subtractiv, n funcie de
situaia concret ce depinde de poziia
mobilului n raport cu obstacolele.
Se formeaz astfel o situaie
echivalent undelor staionare, cu
maxime i minime de semnal, distana
ntre minime fiind determinat de
valoarea lungimii de und a
purttoarei semnalului.
Viteza de variaie a amplitudinii i
Figura 1.42 Variaia intensitii cmpului electromagnetic pentru un mobil
Figura 1.43 Variaia intensitii cmpului la recepie

48
fazei semnalului rezultant este determinat att de frecvena purttoare ct i de viteza
receptorului mobil, iar fadingul rezultat este caracterizat ca rapid.
Exemplul I.40 Fie forma de variaie a intensitii cmpului electromagnetic recepionat
reprezentat n figura 1.43. La frecvenele de 900 i 1800 MHz, n care funcioneaz telefoanele
mobile, lungimea de und este de 33.3 cm, respectiv 16,65 cm, iar / 2 va fi 16.66 cm, respectiv
8.32 cm. Un mobil care se deplaseaz cu 100 km la or, respectiv 27,77 m/s, va strbate zonele cu
minim de semnal de 166,36, respectiv 332,73 ori ntr-o secund.
Deviaiile Doppler ce apar n cele dou game de frecven i la viteza de 100 km/h sunt
1
1
27.77
83.39
0.333
v
f
= = = Hz
2
2
27.77
166.58
0.1667
v
f
= = = Hz
I.12.2 Cazul general referitor la suma ptratelor a n variabile
Fie variabila aleatoare obinut din suma ptratelor a n variabile aleatoare Gaussiene
independente statistic, distribuite identic i de valoare medie zero.
2
1
n
i
i
R X
=
=
(1.128)
Din f.d.p. a distribuiei
2
, fcnd schimbarea de variabil
2
y r = , obinem f.d.p. a
distribuiei Rayleigh
( )
( )
( )
2 2
1
2
2 2
, 0
2 / 2
n
r
R
n n
r
P r e r
n
(1.129)
La fel ca n cazul distribuiei
2
, pentru n par, 2 n m = , f.d.c. poate fi pus sub forma
( ) ( )
2 2
1
2 2 2
0
1
1 / 2 , 0
!
m
k
r
R
k
F r e r r
k
=
=
(1.130)
Momentele statistice de ordinul k, pentru orice numr ntreg n, sunt date de:
( ) ( )
( ) ( )
( )
2
2
/ 2
2 , 0
/ 2
k
k
n k
E R k
n
+
=
(1.131)
Exemplul I.41 Vom exemplifica f.d.p. a distribuiei Rayleigh pentru cazul 0.9 = , ilustrat n
figura 1.44. Aici corespunde cu valoarea eficace a anvelopei semnalului recepionat r(t).
Figura 1.44 F.d.p. a distribuiei Rayleigh ( 0.9 = )
COMUNICAII DIGITALE

49
I.13 Distribuia Rice
Distribuia Rice deriv din distribuia
2
necentrat n aceeai manier n care distribuia
Rayleigh deriv din distribuia
2
centrat. Ea se aplic n cazul caracterizrii statistice a
anvelopei semnalului afectat de zgomot Gaussian aditiv de band ngust. Se folosete ca i
cea Rayleigh n cazul canalelor radio afectate de propagare multipath.
Ea provine dintr-o distribuie Rayleigh a componentelor reflectate, la care se mai adaug
un semnal cu amplitudine constant, provenit din propagarea n vizibilitate direct.
I.13.1 Cazul particular referitor la suma ptratelor a dou variabile
S considerm semnalul
2 2
1 2
Y X X = + , compus din dou variabile aleatoare gaussiene
independente statistic cu valorile medii , 1, 2
i
m i = i o aceeai varian
2
. El are o
distribuie
2
necentrat cu parametrul de necentralitate
2 2 2
1 2
s m m = + . F.d.p. este
( )
( )
2 2
2
0
2 2
1
, 0
2
s y
Y
s
P y e I y y

+

=

(1.132)
Definind la fel ca n cazurile anterioare o nou variabil aleatoare R Y = , f.d.p. este
dat de
( )
( )
2 2 2
2
0
2 2
, 0
r s
R
r r s
P r e I r

+

=

(1.133)
i corespunde unei distribuii de tip Rice.
0
( ) I x este funcia Bessel modificat de spea ntia,
dat de
cos
0
1
( )
2
x u
I x e du

=

Pentru 0 s = distribuia Rice devine o distribuie Rayleigh.
Exemplul I.42 Distribuia Rice este ntlnit n comunicaiile afectate de propagarea multipath,
dac exist o component staionar dominant, de exemplu dat de propagarea pe traiectul n
vizibilitate direct, n timp ce celelalte componente apar prin reflexie parcurgnd trasee de
lungime mai mare, fiind astfel atenuate mai puternic. Atunci, distribuia anvelopei semnalului
Figura 1.45 Model fading Rice

50
afectat de fading este de tip Rice, deoarece componenta staionar dominant produce o
component de c.c. la ieirea detectorului de anvelop. Dac amplitudinea componentei dominate
scade, anvelopa tinde s devin de tip Rayleigh.
S considerm semnalul recepionat ca suma dintre componenta dominat ( )
s
r t i component
difuz ( )
d
r t , provenit din reflexii,
caracterizat de variana
2
.
Se presupune puterea componentei
dominante mai mare de K ori dect
cea a componentei difuze.
( ) ( ) ( )
s d
r t r t r t = +
Notnd
2
2
2
s
K
=
Amplitudinea componentei dominante
rezult ca
( ) 2
s
s r t K = =
iar f.d.p. poate fi rescris ca
( )
( )
( )
2 2
2
0 2
2 / , 0, 0
r K
R
r
P r e I r K r K
+
=
n figura 1.46 sunt prezentate contururi echiprobabile ale distribuiilor Rayleigh i Rice,
centrate pe 0 i respectiv 2K .
Faza semnalului cu distribuie Rice rezult din compunerea componentei dominante cu
cea difuz. Ca urmare faza semnalului cu distribuie Rice nu mai are o distribuie uniform, ca
n cazul Rayleigh.
F.d.c. este dat de
( )
1
1 , , 0
R
s r
F r Q r

=

(1.134)
unde funcia
1
Q este dat de
( )
( )
( )
2 2
2
1
0
, , 0
k
x a
k
k
a
Q a b e I ab b a
b
+
=

= > >

(1.135)
I.13.2 Cazul general referitor la suma ptratelor a n variabile
Fie variabila aleatoare Y obinut din suma ptratelor a n variabile aleatoare gaussiene
independente statistic, distribuite identic cu valorile medii , 1, 2,
i
m i n = L i aceeai varian
2
.
2
1
n
i
i
Y X
=
=
(1.136)
Figura 1.46 Contururi de aceeai probabilitate
COMUNICAII DIGITALE

51
F.d.p. a distribuiei definit de variabila
2
R Y = este de tip
2
necentrat cu parametrul de
necentralitate
2 2
1
n
i
i
s m
=
=
. F.d.p. a distribuiei Rice ataat variabilei aleatoare R este
( )
( )
( )
2 2 2
2
2
2 2 2 2
1
2
, 0
n
r s
R n
n
r r s
P r e I r
s

=

(1.137)
F.d.c. a distribuiei Rice este dat de
( ) ( )
( ) ( ) ( )
2 2
R Y
F r P R r P Y r P P r F r = = = =
(1.138)
unde
( )
( )
( )
2 2
2 4
/ 2 1 2 2 2
0
1
2
n
y
s u
Y n
u s
F y e I u du
s
(1.139)
n cazul particular 2 n m = ,
( ) 1 , , 0
R m
s r
F r Q r

=

(1.140)
Momentele statistice de ordinul k sunt date de:
( ) ( )
( )
2 2
2
/ 2
2 2
1
2
1
2
2 , ; , 0
1 2 2 2
2
k
k s
n k
n k n s
E R e F k
n

+

+

=

(1.141)
unde
1
F este funcia hipergeometric confluent.
Exemplul I.43 S considerm sincronizarea de cod ntr-un sistem spread spectrum cu secven
direct, folosind tehnica cu corelator cu alunecare (sliding corelator), ce presupune un decalaj
(offsetare) al frecvenei clock-ului de la recepie fa de cel de la emisie, astfel nct defazajul ntre
cele 2 forme de und de la emisie i recepie s varieze liniar.
n momentul cnd cele 2 forme de und sunt aproape n faz, produsul lor conine o component
de c.c. de valoare ridicat, care poate fi detectat i opri astfel baleierea. Fie sistemul BPSK
reprezentat n figura 1.47, descris n capitolul III, seciunea III.21.
Figura 1.47 Sistem BPSK


52
Pentru detecia situaiei de sincronizare, ntruct faza semnalului este necunoscut (i variabil
datorit alunecrii), se folosete ca detector optim un detector de anvelop ce detecteaz valoarea
maxim a impulsului.
Funcia de densitate de probabilitate (f.d.p.) a ieirii detectorului de anvelop este de tip Rice.
Semnalul de ieire ( ) z t are f.d.p.
( )
2 2
2
0
. 0
0
z
u A
N
u uA
e I pt u
p u
N N
in rest
+

=

'
(1.142)
unde: N - variana zgomotului (puterea componentei de curent alternativ)
A amplitudinea semnalului sinusoidal
( )
0
I x - funcia Bessel modificat de ordinul I.
( )
2
cos
0
0
x
I x e d
=

(1.143)
n figura 1.48 este ilustrat calculul celor dou probabiliti pentru ( ) 0 S Z = i ( )
max
8 S Z =
(A = 4, N = 1),
0
f
p - este dat de aria haurat dublu,
d
p - este dat de suprafaa haurat
simplu.
Alegnd o valoare de prag
T
v , avem
( )
( )
max
.
T
d z
evaluata pt S Z
v
p p u du
=

( )
( ) ( )
0
min
. 0
T
f z
evaluata pt S Z A
v
p p u du
=
=

Figura 1.48 Determinarea probabilittilor de detecie i a alarmelor false
COMUNICAII DIGITALE

53
I.14 Relaii ntre distribuiile Gauss,
2
, Rayleigh i Rice
n figura 1.49 sunt prezentate relaiile ntre distribuiile Gauss,
2
, Rayleigh i Rice.
Distribuia
2
deriv din cea Gaussian X prin transformarea
2
Y X = .
F.d.p. a distribuiei definit de variabila
2
R Y = este de tip
2
necentrat cu parametrul
de necentralitate
2 2
1
n
i
i
s m
=
=
. Prin transformarea R Y = ea devine de tip Rice. Dac valorile
medii
i
m sunt zero, distribuia
2
este centrat, iar transformarea R Y = o convertete n
distribuie Rayleigh.
I.15 Relaii ntre distribuiile Rayleigh i Rice
Distribuiile Rice i Rayleigh sunt utilizate n modelarea fadingurilor ce apar n canalele
de radiocomunicaii mobile. Distribuia Rice are funcia de densitate de probabilitate dat de
relaia
( )
( )
2 2 2
2
0
2 2
, 0
x s
R
x x s
P x e I x

+

=

(1.133)
Aici s reprezint amplitudinea componentei dat de propagarea direct (line of sight), iar
2
este puterea componentelor produse prin difuzie i propagare multici, pe scurt dispersie.
Factorul Rice este dat de raportul puterilor celor dou contribuii directe i indirecte

2
2
2
R
s
c
= (1.144)
La limit, cnd s tinde spre zero, factorul Rice tinde la zero iar distribuia Rice devine
Rayleigh, descris de
( )
2 2
2
2
, 0
x
R
x
P x e x
=
(1.114)
Aceast situaie poate fi observat din figura 1.50 unde sunt reprezentate distribuiile Rice
pentru 3 valori ale lui s i
2
1 = i distribuiile Rayleigh pentru 3 valori ale lui
2
.
Figura 1.49 Relaii intre cteva distribuii de interes

54
Pentru 0 s = i
2
1 = se obine aceeai curb.
I.16 Distribuia Nakagami m
Ea este folosit n cazul caracterizrii statistice a semnalelor transmise prin canale radio de
comunicaii mobile afectate de propagare multipath.
F.d.p. este dat de
( )
( )
2
2 1
2
m
m mr
R
m
P r r e
m

=

(1.145)
unde ( )
2
E R =
(1.146)
iar m este definit ca un raport de momente
( )
2
2 2
1
,
2
m m
E R
(1.147)
Figura 1.51 F.d.p. a distribuiei Nakagami pentru diverse valori ale lui m
Figura 1.50 Comparaie ntre distribuiile Rice (s=0, 0,5 i 1) i Rayleigh
COMUNICAII DIGITALE

55
Definind o nou variabil aleatoare / X R = , momentul statistic de ordinul n al
variabilei aleatoare R este dat de
( )
( )
( )
2
/ 2
n
n
m n
E R
m m
+

=

(1.148)
n cazul m = 1, ea se reduce la distribuia
Rayleigh.
Cazul 1/ 2 1 m conduce la obinerea de
f.d.p. cu cozi mai mari dect n cazul distribuiei
Rayleigh, iar 1 m conduce la descreteri mai
rapide ale cozii dect n cazul distribuiei
Rayleigh, aa cum se poate observa din figura
1.51.
Cazul m=1/2 conduce la distribuia
Gaussian, dar numai n semiplanul drept
(valori pozitive ale lui x).
La limit, cnd m tinde la infinit, canalul
poate fi considerat static, adic fr prezena fading-urilor, iar f.d.p. a distribuiei Nakagami
tinde spre un Dirac pe valoarea medie (figura 1.52).
Exemplul I.44 S calculm momentele centrate de ordinul 3 (
3
- skewness) i 4 (
4
-

kurtosis)
pentru distribuia Nakagami definit de =1 i m=1, folosind utilitarul MATHEMATICA.
(*Momente centrate 3 si 4 pentru Nakagami*)
P[m_,r_,W_]:=(2/Gamma[m])*(m/W)^m*r^(2*m-1)*Exp[-m*r^2/W]
M[m_,n_,W_]:=(Gamma[m+n/2]/Gamma[m])*(W/m)^(n/2)
(*calcule pentru W = 1*)
P[m,r,1]

2
mr
2
m
m
r
1+2m
Gamma@mD

M[m,1,1]

$%% %% %%
1
m
GammaA
1
2
+ mE
Gamma@mD

(*Calcul moment centrat 4 pentru m = 1*)

IntegrateA
i
k
j
j
j
j
j
j
r
!!!!
1 GammaA
1
2
+1E
Gamma@1D
y
{
z
z
z
z
z
z
^4
2
r
2
r
1+2
Gamma@1D
, 8r, 0, Infinity<E

2
3
2
16

N[%]
0.149449
(*Calcul moment centrat 4 pentru m = 3*)

Figura 1.52 Distribuii Nakagami

56

IntegrateA
i
k
j
j
j
j
j
j
r
!!!!
1 GammaA
1
2
+1E
Gamma@1D
y
{
z
z
z
z
z
z
^3
2
r
2
r
1+2
Gamma@1D
, 8r,0, Infinity<E

1
4
H3+ L
!!!!

N[%]
0.0627416
Se regsesc valorile obinute n tabelul I.1.
n anumite cazuri distribuia Nakagami poate fi folosit ca o aproximare att a distribuiei
Rice ct i a celei log-normale. Pentru m = 1 ea degenereaz n distribuia Rayleigh, iar pentru
m = 1/2 n cea normal, dar numai n semiplanul drept (valori pozitive ale lui x)

Exemplul I.45 S calculm momentele
centrate de ordinul 3 (
3
- skewness) i 4 (
4
-

kurtosis) pentru distribuiile Nakagami
ilustrate n figura 1.50. n MATHCAD putem
scrie pentru momentele statistice:
K m n , ( ) m
n
2
+
1
m
n
2
m ( )
:=

3
K3 m ( ) K m 3 , ( ) K m 1 , ( ) 2 K m 1 , ( )
2
3 K m 2 , ( )
( )
+ :=

4

K4 m ( ) K m 4 , ( ) K m 1 , ( ) 4 K m 3 , ( ) 6 K m 2 , ( ) K m 1 , ( ) ( ) 3 K m 1 , ( )
4
:=
= =

Se poate observa din figura 1.56 i tabelul I.1 c odat cu creterea lui m asimetria semnalului
scade i odat cu aceasta i valorile lui
3
.
Asimetria maxim se obine pentru m =0.5, iar pentru m = 100 f.d.p. este aproape simetric
.
De
asemenea, odat cu creterea lui m f.d.p. se ascute, ceea ce este susinut de scderea lui
4
.
I.17 Distribuia Poisson
Distribuia Poisson este un caz particular al distribuiei binomiale, i anume cnd
probabilitatea p de reuit dintr-o singur ncercare tinde la zero, iar numrul ncercrilor n
tinde la infinit, astfel ca constant n p = . F.d.p. a distribuiei Poisson este dat de
( )
!
r
p r e
r

= (1.149)
unde 0 > i 0,1, 2, , r = L . Aici este valoarea estimat a variabilei Poisson (expected
value), iar variana sa este egal cu .
innd cont de caracterul discret al distribuiei, f.d.p. pentru o VA y ar trebui scris ca
( ) ( )
!
y
Y
p y e y n
y
= (1.150)
Aceast formul pune n eviden faptul c reuita este realizat n n ncercri n secvena
(n - 1) ncercri nereuite, urmate de una reuit.
TABELUL I.1 Valori
3
,
4

m
3

4

0.5 0.218 0.511
1 0.063 0.149
5
3
2.551 10

3
7.133 10

100
6
6.258*10

5
1.87 10

COMUNICAII DIGITALE

57
Variabila aleatoare este y, numrul de reuite n n ncercri. Probabilitile care compun
distribuia Poisson se sumeaz i dau evident valoarea 1.

0
1
!
r
r
e e e
r

=
= =
(1.151)
Exemplul I.46 Fie o reea cu comutaia pachetelor reprezentat n figura 1.53.
Sosirea pachetelor la destinaie poate fi privit ca un proces aleator, de tip Poisson. S
presupunem c ntr-o secund sosesc pachete.
Atunci, ntr-un interval mic de timp , vom avea:
P(sosete un pachet)= ( ) o +
P(sosesc 0 pachete)=1 ( ) o +
P(sosesc mai mult de un pachet) = ( ) o
Evident, ( ) / 0 o cnd 0 . Se poate arta c
P(n pachete sosite n intervalul T) =
( )
!
n T
T e
n

adic o distribuie Poisson cu T = . De asemenea, se poate arta c

2 2
[ ]
[ ] ( )
E n T
E n T T

=
= +

iar variana
( ) ( )
2 2
2 2
[ ] [ ] [ ] E n E n E n E n T

= = =

S presupunem c valoarea estimat a numrului de pachete sosite n intervalul (0,T) este 3.8. S
calculm:
a. Probabilitatea ca s soseasc exact 2 pachete
Figura 1.53 Reea de calculatoare cu comutarea pachetelor

PS
Packet Switch

PS

PS

PS

PS

PS

PS
Packet Network


58
b. Probabilitatea ca s soseasc cel puin 6 pachete.
a.
2
3.8
2
3.8
( ) 0.153
2
P Y e
= =
b.
5
3.8
0
(3.8)
( 6) 1 0.18435
!
n
n
P n e
n
=
= =

F.d.c. Poisson poate fi scris ca
0 0
( , )
!
r
k k
r
r r
P k e T
r

= =
= =

(1.152)
unde
!
r
r
T e
r

= .
Pentru calcule se poate folosi relaia de recuren

1
1
r r
T T
r
+

=

+

(1.153)
Exemplul I.47 S determinm valorile lui T
r
pentru valoarea lui din exemplul precedent, =3.8.

k 0 1 2 3 4 5 6
T
k
0.02237 0.08502 0.16154 0.20461 0.19438 0.14773 0.09356
( , 3.8) P k 0.02237 0.10739 0.26893 0.47354 0.66792 0.81565 0.90921

Exemplul I.48 Un canal de comunicaie lucreaz cu o rat a erorilor
4
10
e
p

= i folosete o
transmisie pe pachete cu lungimile fie de 6000 sau 10000 de bii. S calculm probabilitile ca un
pachet s aib mai mult de k = 4 erori. F.d.p. fiind de tip Poisson, cu parametrul
e
p k =
rezult
4
10 6000 0.6

= = i respectiv
4
10 10000 1

= = .
1
0
( )
( ) 1
!
n
k
n
P i k e
n
=
=

3
1
0
(1)
( 4) 1 0.0189882
!
n
n
P i e
n
=
= =

sau
3
0.6
0
(0.6)
( 4) 1 0.00335807
!
n
n
P i e
n
=
= =

n MATHEMATICA calculul se poate face foarte simplu cu
f[x_]:=1-N[Sum[x^i*(E^-x)/i!, {i,0,3}]]
f[1]
0.0189882
f[0.6]
0.00335807

Valoarea medie a variabilei aleatoare cu distribuie Poisson este dat de:
[ ] ( ) ( )
!
y
Y
n o
E Y y p y dy y e y n dy
y
= =

COMUNICAII DIGITALE

59

1
[ ]
! ( 1)! !
n n n
n o n n o
E Y n e n e n e
n n n

= = =
= = = =

(1.154)
Exemplul I.49 Fie un aparat electronic cu fiabilitatea definit de un timp mediu de funcionare
ntre defectri (Mean time between failures) de = 2000 de ore, care poate fi caracterizat cu o
distribuie Poisson. S calculm probabilitatea de apariie a cel puin unui defect ntr-un interval
de timp de 500 ore.
Probabilitatea de apariie a cel puin unui defect D ntr-un interval de timp t este
0
( )
( 1) 1 ( 0) 1 1
!
n
t t
D D
n
t
P D P D e e
n

=

= = = =

Numrul mediu de defecte ntr-o or este 1/=1/2000, iar probabilitatea de apariie a cel puin
unui defect ntr-un interval de timp de 500 ore este
500
0.25
2000
( 1) 1 1 1 0.221
t
D
P D e e e

= = = =
Probleme rezolvate
1. Fie distribuia uniform definit de
1
( )
0
X
a b
f x b a
in rest
(1.40)
S calculm momentele statistice centrale de ordinul 1, 2, 3 i 4.
( ) ( ) ( )
i i
i X
E x x x x f x dx
= =

1. Valoarea medie ( )
2
b
X
a
x b a
x x f x dx dx
b a
+
= = =

2. Variana
2
2 2
2
1
( )
2
b
x
a
b a
E x x x dx
b a

+
( = = =

'

2
2
( )
12
x
b a

=
3. Skewness
3
3
3
1
( )
2
b
a
b a
E x x x dx
b a
+
( = =

'

3
0 =
4. Kurtosis
4
4
4
1
( )
2
b
a
b a
E x x x dx
b a
+
( = =

'

4
4
( )
80
b a

=
Un exemplu de rezolvare in MATHEMATICA este dat mai jos.
Simplify[Integrate[x/(b-a), {x,a,b}]]

a+ b
2

Integrate[(x-(b+a)/2)^2/(b-a), {x,a,b}]

1
12
HabL
2

0

60

1
80
HabL
4

2. Fie distribuia Cauchy definit de
2
1 1
( )
1
X
f x
x
=
+

a. Verificai c ( )
X
f x este o densitate de probabilitate
b. Calculai valoarea medie statistic (momentul de ordinul 1)
a. Evident trebuiesc satisfcute condiiile
1. ( ) 0
X
f x este ndeplinit
2.
2
1 1 1 2 2
( ) 1 1
1
X
f x dx dx arctg x
x

+ +
+

= = = =
+

b.
1
[ ] ( )
X
m E X x f x dx
= =

Cum
2
2
1 1 1
[1 ]
1 2
x
dx Ln x
x
= +
+

innd cont de simetria par a lui
2
x , rezult c integrala definit va fi zero.
Deci
1
0 m =

CD Cap1 Distributii

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

CD Cap1 Distributii

Încărcat de

Drepturi de autor:

Formate disponibile

COMUNICAII DIGITALE

, aa cum se poate observa

, variabilele aleatoare gaussiene

a semnalului generat local nu coincide cu cea a semnalului recepionat

a semnalului generat local coincide cu cea a semnalului recepionat

S-ar putea să vă placă și