Documente Academic
Documente Profesional
Documente Cultură
Ω = {1, 2, 3, 4, 5, 6}
Aruncarea unei monede
0
X=
1
(sursa imaginii: https://www.mathsisfun.com/data/random-variables.html)
V.a. discrete s, i continue
wA (x ) = P {A = x }
P {A = v } = wA (v )
b
�
P {a ≤ A ≤ b} = wA (x )
x =a
Funct, ia de repartit, ie
FA (x ) = P {A ≤ x }
P {A = v } = FA (v ) − FA (v − 1)
P {a ≤ A ≤ b} = FA (b) − FA (a − 1)
Relat, ia între FMP s, i FR
P {A = v } = 0
FA (x ) = P {A ≤ x }
P {a ≤ A ≤ b} = FA (b) − FA (a)
� x
FA (x ) = wA (x )dx
−∞
dFA (x )
wA (x ) =
dx
FA (x + �) − FA (x − �)
= lim
�→0 2�
P(A ∈ [x − �, x + �])
= lim
�→0 2�
Interpretare grafică
(sursa: "https://intellipaat.com/blog/tutorial/statistics-and-probability-
tutorial/probability-distributions-of-continuous-variables/*)
V.a. discrete vs continue
FR:
� FR este mereu pozitivă, FA (x ) ≥ 0
� FR este monoton crescătoare (nu descres, te)
� FR pornes, te din 0 s, i ajunge la valoarea 1
FA (−∞) = 0 FA (∞) = 1
FDP/FMP:
� PDF/PMF sunt mereu pozitive wA (x ) ≥ 0
� Integrala/suma pe întreg domeniul = 1
� ∞
wA (x )dx = 1
−∞
∞
�
wA (x ) = 1
x =−∞
Diferite distribut, ii
� Semnal sinusoidal
Python was not found; run without arguments to install from the
Diferite distribut, ii
1 (x −µ)2
wA (x ) = √ e − 2σ2
σ 2π
Distribut, ia normală
�
1
b−a , x ∈ [a, b]
wA (x ) =
0, elsewhere
Distribut, ia uniformă
� Se notează cu U [a, b]
Alte distribut, ii
1 x −µ
FA (X ) = (1 + erf ( √ ))
2 σ 2
Exercit, iu:
� Fie A o v.a. cu distribut, ia N (3, 2). Calculat, i probabilitatea ca
A ∈ [2, 4]
Suma unei constante cu o v.a.
� Fie o v.a. A
� Ce reprezintă B = 5 + A?
Răspuns:
� B este tot o variabilă aleatoare
� B are acelas, i tip de distribut, ie, dar “translată” cu 5 la dreapta
Exemplu:
� A este o v.a. cu distribut, ie normală wA (x ) = N (µ = 3, σ 2 = 2)
� Care este distribut, ia variabilei B = 5 + A?
� Răspuns: wB (x ) = N (µ = 8, σ 2 = 2)
V.a. ca funct, ii de alte v.a
FAB (x , y ) = PAB {A ≤ x ∩ B ≤ y }
∂ 2 FAB (x , y )
wAB (x , y ) =
∂x ∂y
wAB (x , y ) = P {A = x ∩ B = y }
Variabile independente
wAB (x , y ) = wA (x ) · wB (y )
Exercit, iu:
� Calculat, i probabilitatea ca trei v.a. X , Y s, i Z i.i.d. N (−1, 1) să fie
toate pozitive
� i.i.d = “independente s, i identic distribuite”
Multiple v.a. normale
� Unidimensional: �u − v� = |u − v |
�
� 2D: �u − v� = (u1 − v1 )2 + (u2 − v2 )2
�
� 3D: �u − v� = (u1 − v1 )2 + (u2 − v2 )2 + (u3 − v3 )2
� ...
��
� N-dimensional: �u − v� = N
i=1 (ui − vi )2
� ...
��
� Semnale continue: �u − v� = ∞
−∞ (u(t) − v (t))2 dt
Multiple v.a. normale
� ∞
µ = arg min (u − x )2 · w (x )dx
u −∞
� Sau:
E {cA} = cE {A}, ∀c ∈ R
E {A + B} = E {A} + E {B}
� Fără demonstrat, ie
Valoarea pătratică medie
� V.a. discrete:
∞
�
σ 2 = {A − µ}2 = (x − µ)2 · wA (x )
−∞
σ 2 = {A − µ}2
= A2 − 2 · A · µ + µ 2
= A2 − 2µA + µ2
= A2 − µ 2
Suma variabilelor aleatoare
� Suma a două sau mai multe v.a. independente este tot o v.a.
� Distribut, ia ei = convolut, ia distribut, iilor v.a. componente
� Dacă C = A + B, atunci:
wC (x ) = wA (x ) � wB (x )
� Fiecare es, antion dintr-un proces aleator este o v.a. de sine stătătoare
� ex:. f (t0 ) = valoarea la momentul t0 este o v.a.
Realizări ale proceselor aleatoare
� sursa: https://www.quora.com/What-is-the-difference-between-a-
stationary-ergodic-and-a-stationary-non-ergodic-process
Două feluri de valori medii
� sursa: https://www.quora.com/What-is-the-difference-between-a-
stationary-ergodic-and-a-stationary-non-ergodic-process
Distribut, ii de ordin 1 ale proceselor aleatoare
3. Variant, a
� ∞
σ 2 (t1 ) = {f (t1 ) − µ(t1 )}2 = (x − µ(t1 )2 · w1 (x ; t1 )dx
−∞
� Observat, ii:
� aceste trei valori sunt calculate pentru toate realizările, la momentul t 1
� ele caracterizează doar es, antionul de la momentul t1
� la alt moment de timp t2 , v.a. f (t2 ) este diferită, s, i valorile medii pot
diferi
Medii statistice - autocorelat, ia
� Observat, ii:
� aceste funct, ii pot fi diferite pentru perechi de valori luate la momente
diferite (t1 ,t2 )
Procese aleatoare discrete
� �
Pentru procese aleatoare discrete, se înlocuies, te cu , s, i notat, ia f (t)
cu f [t]:
�∞
1. f [t1 ] = µ(t1 ) = x =−∞ x · w1 (x ; t1 )
�∞ 2
2. f 2 [t1 ] = x =−∞ x · w1 (x ; t1 )
�∞
3. σ 2 (t1 ) = {f [t1 ] − µ(t1 )}2 = x =−∞ (x − µ(t1 )2 · w1 (x ; t1 )
�∞ �∞
4. Rff (t1 , t2 ) = f [t1 ]f [t2 ] = x1 =−∞ x2 =−∞ x1 x2 w2 (x1 , x2 ; t1 , t2 )
�∞ �∞
5. Rfg (t1 , t2 ) = f [t1 ]g[t2 ] = x1 =−∞ x2 =−∞ x1 y2 w2 (x1 , y2 ; t1 , t2 )
Medii temporale
3. Variant, a temporală
� T /2
2 � �2 1
σ = f (k) (t) − µ(k) = lim (f (k) (t) − µ(k) )2 dt
T →∞ T −T /2
� Observat, ie:
� aceste valori nu mai depind de timpul t
Autocorelat, ia temporală
� �
Pentru procese aleatoare discrete, se înlocuies, te cu , T cu N, s, i se
împarte la 2N + 1 în loc de 2T
1 �N
1. f (k) [t] = µ(k) = limN→∞ 2N+1 t=−N f (k) [t]
1 �N (k) [t])2
2. [f (k) [t]]2 = limN→∞ 2N+1 t=−N (f
� �2 1 �N
3. σ 2 = f (k) [t] − µ[k] = limN→∞ 2N+1 t=−N (f
(k) [t] − µ(k) )2
Procese aleatoare discrete
4. Autocorelat, ia temporală:
5. Corelat, ia temporală:
� Este procesul aleator schit, at mai jos stat, ionar sau nu?
� Pentru distribut, ii ale unui singur es, antion (de ordin n = 1):
� Valoarea medie, valoarea medie pătratică, variant, a unui es, antion sunt
identice la orice moment de timp t
f (t) = constant, ∀t
f 2 (t) = constant, ∀t
σ 2 (t) = constant, ∀t
Consecint, e ale stat, ionarităt, ii
� Pentru distribut, ii ale unor perechi de es, antioane (de ordin n = 2):
N
1 �
Rff (τ ) = f (t)f (t + τ ) = lim f (k) [t]f (k) [t + τ ]
N→∞ 2N + 1
t=−N
� Idem pentru corelat, ie, doar că es, antioanele provin din p.a. diferite, f
s, i g
Interpretarea autocorelat, iei
� Exemple:
� Rff (0.5) > 0: două es, antioane decalate cu 0.5 secunde tind să varieze
în aceeas, i direct, ie (ambele pozitive, ambele negative => produsele
sunt majoritar pozitive)
� dacă se cunoas, te una dintre ele, se poate “ghici” ceva despre cealaltă
Sff (ω) = |F (ω)|2
� f2
� Puterea în banda de frecvent, ă [f1 , f2 ] este f1 Sff (ω)dω
�∞
� Puterea totală a procesului aleator este P = −∞ Sff (ω)dω
� DSP este o funct, ie măsurabilă practic:
� poate fi determinată experimental
� este importantă în aplicat, ii practice (ingineres, ti)
Densitatea spectrală de putere
Teorema Wiener-Hincin:
� Densitatea spectrală de putere = transformata Fourier a funct, iei
de autocorelat, ie
� ∞
Sff (ω) = Rff (τ )e −jωτ dτ
−∞
� ∞
1
Rff (τ ) = Sff (ω)e jωτ dω
2π −∞
� Fără demonstrat, ie
� Leagă două concepte de natură diferită
� Funct, ia de autocorelat, ie: o proprietate statistică
� DSP: o proprietate fizică (t, ine de energia semnalului; importantă în
aplicat, ii practice)
Zgomot alb
� Înseamnă:
� zgomot: este un proces aleator (fiecare es, antion este aleator, fiecare
realizare este diferită)
� gaussian: es, antioanele au distribut, ia normală
� alb: valorile es, antioanelor sunt necorelate între ele
� aditiv: zgomotul se adună peste semnalul original (adică de ex. nu se
multiplică cu acesta)
Examen 2020-2021
� Până aici s-a făcut în 2020-2021. Celelalte slide-uri din acest fis, ier nu
se cer.
Proprietăt, ile funct, iei de autocorelat, ie
1. Este o funct, ie pară
Rff (τ ) = Rff (−τ )
Rff (0) ≥ Rff (τ )
σ 2 = Rff (0) − Rff (∞)
2
� Dem.: Rff (0) = f (t)2 , Rff (∞) = f (t)
Autocorelat, ia unui proces aleator filtrat
Ryy (τ ) =y [n]y [n + τ ]
∞
� ∞
�
= h[k1 ]x [n − k1 ] h[k2 ]x [n + τ − k2 ]
k1 =−∞ k2 =−∞
�∞ ∞
�
= h[k1 ]h[k2 ]x [n − k1 ]x [n + τ − k2 ]
k1 =−∞ k2 =−∞
�∞ �∞
= h[k1 ]h[k2 ]Rxx [τ − k1 + k2 ]
k1 =−∞ k2 =−∞
� Schimbare de variabilă τ − k1 + k2 = u
� rezultă τ = u + k1 − k2
∞
� ∞
� ∞
�
Syy (ω) = h[k1 ]h[k2 ]Rxx [u]e −jω(u+k1 +k2 )
u=−∞ k1 =−∞ k2 =−∞
�∞ �∞ �∞
= Rxx [u]e −jωu h[k1 ]e −jωk1 h[k2 ]e jωk2
u=−∞ k1 =−∞ k2 =−∞
Rfg (τ ) =f [n]g[n + τ ]
∞
�
=f [n] h[k]f [n + τ − k]
k=−∞
∞
�
= h[k]f [n]f [n + τ − k]
k=−∞
�∞
= h[k]Rff [τ − k]
k=−∞
=h[τ ] � Rff [τ ]