ZBIRKA ZADATAKA IZ DIGITALNIH TELEKOMUNIKACIJA

2 STATISTIKA TEORIJA TELEKOMUNIKACIJA

2.1 UVOD
U daljem tekstu e biti data kratka rekapitulacija pojedinih koncepata iz Teorije verovatnoe i
Statistike teorije telekomunikacija. Podrazumeva se da je italac odsluao osnovni kurs iz
Teorija verovatnoe.
2.1.1 Osnovni elementi teorije verovatnoe
2.1.1.1 Bajesova formula:
Neka je skup {H 1 , H 2 ,..., H N } potpun sistem dogaaja, tj. dogaaji H i i H j su disjunktni za

P[ H i ] = 1 . Vai:

svako i j i

P[H k / A] =

P[ A / H k ]
P[A / H i ]P[H i ]

(2.1)

2.1.1.2 Sluajna promenljiva

Momenti sluajne promenljive
N-ti moment diskretne i kontinualne sluajne promenljive su definisani izrazima:
E[ n ] = xin P ( xi )

(2.2)

E[ n ] =

(2.3)

p ( x)dx

Prvi moment je statistika srednja vrednost i obeleava se sa E[ ] = m .

N-ti centralni moment diskretne, odnosno kontinualne sluajne promenljive je definisan
izrazima:

E ( m ) n = ( xi m ) P ( xi )

] (x m ) p

E ( m ) =
n

(2.4)

( x)dx

(2.5)

Drugi centralni moment ( n = 2 ) se naziva varijansa i predstavlja naizmaninu snagu,

odnosno razliku izmeu ukupne (drugi momenat E[ 2 ] ) i jednosmerne snage ( m2 ):

2 [ ] = E [( m ) 2 ] = E[ 2 ] m2

Zdrueni (n + k)-ti i moment dve sluajne promenljive, i je dat izrazom E[ n k ] .

Najznaajniji zdrueni momenat je korelacija:
R[ , ] = E[ ]
Ukoliko je R[ , ] = 0 , tada su i ortogonalne sluajne promenljive.

10

STATISTIKA TEORIJA TELEKOMUNIKACIJA

Zdrueni (n + k)-ti centralni moment dve sluajne promenljive, i , je dat izrazom

E[( m ) n ( m ) k ] . Najvaniji centralni zdrueni moment je kovarijansa:

2 [ , ] = E [( m )( m )] = R[ , ] m m

(2.6)

Ako je 2 [ , ] = 0 , tada su i nekorelisane sluajne promenljive.

2.1.1.3 Transformacija gustine verovatnoe
Najjednostavniji sluaj je kada su dve sluajne promenljive povezane relacijom = f ( ) ,
pri emu je u pitanju preslikavanje 1:1. Tada je gustina verovatnoe nove promenljive data
izrazom:
p ( x )

p ( y ) =

dy
dx

(2.7)
x = f 1 ( y )

Posmatrajmo opti sluaj, kada se N sluajnih promenljivih preslikava u M sluajnih

promenljivih. Postoje tri sluaja:
1. N = M
Preslikavanja mogu biti obostrano jednoznana ili ne.
1.1 Obostrano jednoznano preslikavanje
Za sluajne promenljive 1 , 2 ,..., N i 1 , 2 ,..., N , koje su povezane jednoznanim
funkcijama:
1 = f1 (1 , 2 ,..., N )

2 = f 2 (1 , 2 ,..., N )
...

(2.8)

N = f N (1 , 2 ,..., N )
gustina verovatnoe su povezane izrazom

, 2 ,.., N

( y1 , y 2 ,..., y N ) = p1 ,2 ,..., N ( x1 = g1 ( y1 , y 2 ,..., y N ),..., x N = g N ( y1 , y 2 ,..., y N )) J

r
r r r
p ( y) = p ( x = g ( y))

(2.9)

J je apsolutna vrednost Jakobijana, koji predstavlja determinantu matrice:

g1
y1
J = ...
g1
y N

g N
y1
...
g N
...
y N
...

(2.10)

U prethodnom postupku, pretpostavljeno je da se sluajne promenljive 1 , 2 ,..., N izraene

kao jednoznane funkcije od 1 , 2 ,..., N :

1 = g1 (1 , 2 ,..., N )
2 = g 2 (1 , 2 ,..., N )
...

N = g N (1 , 2 ,..., N )
2. Preslikavanje nije obostrano jednoznano

(2.10)

ZBIRKA ZADATAKA IZ DIGITALNIH TELEKOMUNIKACIJA

11

U ovom sluaju se kodomen rastavlja na konano mnogo disjunktnih podskupova, u kojima

transformacija ima jednoznanu inverznu transformaciju:
r r r
= g k ( ) , k = 1,..., K
(2.12)
gde je sa K oznaen broj disjunktnih podskupova kodomena.
Tada je:
K
r
r r r
p ( y ) = p ( x = g ( y )) J k

(2.13)

k =1

gde je:
g Nk
...
y1
...
g Nk
...
y N

g1k
y1
J k = ...
g1k
y N

(2.14)

2. N > M
Dodavanjem (N - M) novih promenljivih:
k = k , k = M + 1,..., N

(2.15)

ovaj sluaj se svodi na prethodni. Dobijena raspodela se zatim marginalizuje po novim

promenljivim:

p1 ,2 ,.., N ( y1 , y2 ,..., yM ) =

... p
1

2 ,.., N

( y1 , y2 ,..., y N )dyM ...dyN

(2.16)

yM +1 y N

3. N < M
U ovom sluaju se (M N) promenljivih k mogu izraziti preko preostalih, a zatim se i ovaj
sluaj ponovo svodi na sluaj 1.
Suma sluajnih promenljivih
Ako je = 1 + 2 i ako je poznata zdruena gustina verovatnoe promenljivih 1 i 2 ,
p1 , 2 ( x1 , x 2 ) , tada je gustina verovatnoe zbirne sluajne promenljive data izrazom:
p ( y ) =

1 2

( x1 , y x1 )dx1

(2.11)

Ako su 1 i 2 nezavisne sluajne promenljive, vai :

p ( y ) =

p ( x ) p
1

( y x1 )dx1 ,

(2.12)

to predstavlja konvoluciju gustina verovatnoa promenljivih koje ine zbir.

Srednja vrednost zbira i proizvoda dve sluajna promenljive
Srednja vrednost sume i proizvoda dva sluajne promenljive est je sluaj u
telekomunikacijama:
E[ + ] = ( x + y ) p ( x, y )dxdy = m + m

(2.13)

E[ ] = xy p ( x, y )dxdy

(2.14)

Kada su sluajne promenljive i statistiki nezavisne vai:

12

STATISTIKA TEORIJA TELEKOMUNIKACIJA

E[ ] = m m

(2.15)

2.1.1.4 Karakteristine raspodele

Uniformna raspodela
Data je izrazom:
1
x1 x x 2

p ( x) = x 2 x1
0
drugde
Srednja vrednost i varijansa dati su izrazima:
m =

x1 + x 2
2

(2.15)

(2.16)

( x 2 x1 ) 2
(2.17)
12
Pokazuje se da je bilo koji tip raspodele, p (x) mogue transformisati u uniformnu

2 =

raspodelu, formalnim uvoenjem nove sluajne promenljive

Transformacijom se dobija uniformna raspodela oblika:
1 0 y 1,
p( y ) =
0 drugde.
Gausova raspodela
Data je izrazom:

p ( x) =

1
2

y = P[ x] i 0 x 1 .

(2.16)

( x m )2
2 2

(2.17)

Moe se pokazati da su srednja vrednost i varijansa jednake m i 2 , respektivno.

Verovatnoa da normalno raspodeljena promenljiva ima vrednost manju ili jednaku nekoj
vrednosti A je:
Am
P[ x A] = 1 Q

gde je Q(x) komplementarna funkcija greke data izrazom:

Q( x) =

2.1.2

1
2
1

t2
2

x0

(2.18)

t2
2

(2.19)
x<0

Sluajni procesi

Sluajni proces ( A, t ) (ili kako se jo naziva stohastiki proces, stokhastikos zasnovan na

pretpostavkama), funkcija dve promenljive sluajnog dogaaja A i vremena. U
telekomunikacijama sluajni procesi predstavljaju sluajnu promenu elektrine veliine (struja ili
napon), a esto se nazivaju i sluajnim signalima.
Za odreenu realizaciju sluajnog dogaaja A = Ai , sluajni proces postaje vremenska
funkcija ( Ai , t ) = i (t ) . Skup svih moguih realizacija (tj. vremenskih funkcija) sluajnog

ZBIRKA ZADATAKA IZ DIGITALNIH TELEKOMUNIKACIJA

13

procesa se naziva statistiki ansambl. Za odreeni vremenski trenutak t k , sluajni proces postaje
sluajna promenljiva ( A, t k ) = k (tj. vremenski odbirci sluajnog procesa su sluajne
promenljive). Konano, za datu vrednost dogaaja i dati vremenski trenutak, sluajni proces se
svodi na brojnu vrednost.
2.1.2.1 Stacionarnost sluajnog procesa
Sluajni proces je stacionaran ukoliko je gustina raspodele sluajnih promenljivih koje se
dobijaju odabiranjem sluajnog procesa ista (tj. ne zavisi od trenutka odabiranja), tj:
pi ( x) = p ( x) za svako t i .
Stacionarnost se moe posmatrati i u irem smislu. Za sluajni proces se kae da je
stacionaran u irem smislu ukoliko je:
stacionaran po srednjoj vrednosti:
E[ k ] = m za svako t k .

stacionaran po autokorelaciji:
R (t1 , t 2 ) = E[1 2 ] =

x x

1 2

p ( x1 , x 2 , t1 , t 2 )dx1dx2 =

x x

1 2

p ( x1 , x 2 , t 2 t1 )dx1 dx2 = R ( )

gde je = t 2 t1 . Drugim reima, R (t1 , t 2 ) zavisi samo od razlike trenutaka posmatranja, a

ne od njihovih konkretnih vrednosti.
2.1.2.2 Srednja vrednost po vremenu i ansamblu - ergodinost sluajnog procesa
Kako je sluajni proces funkcija sluajnog dogaaja i vremena, i njegova se oekivanja
(usrednjavanja) mogu traiti po ansamblu (statistiki), odnosno po vremenu.
Kod stacionarnog ansambla, srednja vrednost po vremenu i ansamblu su data izrazima:
1
= lim
T 2T

(t )dt

(2.20)

E[ (t )] = k p ( k )d k

(2.21)

gde je i (t ) neka realizacija sluajnog procesa, a k odbirak sluajnog procesa u nekom

vremenskom trenutku.
Ako su ove veliine jednake, ansambl je ergodian po srednjoj vrednosti (za ergodinost po
srednjoj vrednosti, umesto striktno stacionarnog, moe se posmatrati sluajni proces stacionaran
samo po srednjoj vrednosti).
Vremenska i statistika autokorelacione funkcija stacionarnog ansambla su:
1
T 2T

( ) = lim

R ( ) =

(t ) (t + )dt
i

(2.22)

p ( 1 , 2 , ) d 1 d 2

(2.23)

Ukoliko su ove vrednosti jednake, ( ) = R ( ) , sluajni proces je ergodian po

autokorelaciji (za ergodinost po autokorelaciji, umesto striktno stacionarnog, moe se
posmatrati sluajni proces stacionaran samo po autokorelaciji).

14

STATISTIKA TEORIJA TELEKOMUNIKACIJA

Kae se da je sluajan proces ergodian u irem smislu ukoliko je ergodian po srednjoj

vrednosti i po autokorelaciji.
Sluajni proces je ergodian ukoliko su sva njegova vremenska usrednjavanja i usrednjavanja
po ansamblu jednaka.
2.1.2.3 Meukorelaciona funkcija
Za ergodine sluajne procese (t ) i (t ) definie se meukorelaciona funkcija oblika:
1
T 2T

fg ( ) = lim

(t )
i

(t )dt = R fg ( ) = E[ (t ) (t )]

(2.24)

gde su i (t ) i j (t ) njihove realizacije, respektivno.

2.1.2.4 Spektralna gustina snage, Viner - Hininova teorema
Spektralna gustina srednje snage sluajnog procesa i njegova autokorelaciona funkcija ine
Furijeov transformacioni par.
S ( ) =

R ( )e

S ( )e

(2.25)

1
R ( ) =
2

(2.26)

Ako autokorelaciona funkcija i spektralna gustina srednje snage ne zadovoljavaju uslove:

R ( ) d <

S ( ) d <

uvodi se generalizacija spektralne gustine srednje snage da bi bila u vanosti VinerHininova teorema.

S ( ) = S ( k ) ( ) + S ( d ) ( )

(2.27)

gde je prvi lan sume kontinualna funkcija i predstavlja spektar sluajne komponente, a drugi
lan sume diskretna funkcija i predstavlja spektar periodine komponente signala koja je data
izrazom:
S ( ) =
(d )

2 F

( n 0 )

(2.28)

n =

U poslednjem izrazu Fn

predstavlja snagu n-tog harmonika periodine komponente

sluajnog signala.
2.1.2.5 Zbir i proizvod dva stacionarna povezana sluajna procesa
Ako je (t ) zbir dva stacionarna povezana sluajna procesa, njegova autokorelacija i
spektralna gustina srednje snage date su sledeim izrazima:
R ( ) = R ( ) + R ( ) + R ( ) + R ( )
(2.29)
S ( ) = S ( ) + S ( ) + S ( ) + S ( )

(2.30)

Ako je (t ) = (t ) (t ) proizvod dva stacionarno povezana suajna procesa, njegova

autokorelacija i spektalna gustina srednje snage date su sledeim izrazima:
R ( ) = R ( ) R ( )
(2.31)

ZBIRKA ZADATAKA IZ DIGITALNIH TELEKOMUNIKACIJA

S ( ) =

1
2

15

S ( )S ( )d

(2.32)

2.1.2.6 Beli i obojeni um

Beli um predstavlja stacionaran sluani proces konstantne spektralne gustine srednje snage:
N
S n ( ) = p n = 0 , N 0 = const , < <
(2.33)
2
Njegova autokorelacija data je izrazom:
N
(2.34)
Rn ( ) = 0 ( )
2
Proputanjem belog uma kroz idealan filtar propusnik niskih uestanosti, granine
uestanosti f g , dobija se obojeni um, ija je autokorelacija data izrazom:
Rn ' ( ) =

N 0 g sin( g )
2

(2.35)

15

ZBIRKA ZADATAKA IZ DIGITALNIH TELEKOMUNIKACIJA

2.2
2.2.1

ZADACI
Posmatra se pojednostavljeni model telekomunikacionog sistema dat na slici (Slika
2.2.1.1). Izvor emituju binarne simbole iz skupa {0,1} , koji se koduju jednostavnim
repetitivnim kodom tako to se svaki simbol ponovi pet puta (umesto simbola 0 alje se
sekvenca 00000, odnosno umesto 1 alje se sekvenca 11111). Apriorne verovatnoe
pojavljivanja 0, odnosno 1 su P[in = 0] = 0.3 i P[in = 1] = 0.7 . Smetnje koje deluju u
kanalu utiu na verovatnou ispravnog prijema simbola, i ona iznosi 0.6 (da nema smetnji
verovatnoa ispravnog prijema bi bila 1), pri emu se smatra da smetnje nezavisno
pogaaju simbole kodne rei (kanal bez memorije).
Ukoliko je primljena sekvenca 10110, odrediti koji je simbol izvor najverovatnije
generisao.

in

xn

x n

)
in

Slika 2.2.1.1

Reenje:
Oznaimo dogaaje i pridruene verovatnoe opisane tekstom zadatka na sledei nain:
P[in = 0] = P[0] = 0.3 ,
P[in = 1] = P[1] = 0.7 ,
sa H 1 obeimo dogaaj da je poslata kodna re 00000, P[ H1 ] = P[in = 0] = 0.3 ,
sa H 2 obeimo dogaaj da je poslata kodna re 11111, P[ H 2 ] = P[in = 1] = 0.7 ,
P[ verovatnoa ispravnog prenosa ] = P[G ] = 0.6 , i
sa A obeleimo primljenu sekvencu 10110.
Na osnovu primljene sekvence A, prijemnik procenjuju koja je kodna re bila poslata na
osnovu toga koja je uslovna verovatnoa vea P[ H1 / A] , odnosno P[ H 2 / A] . Nakon
toga, dekodovanje informacionog simbola iz kodne rei je trivijalno.
Navedene uslovne verovatnoe se mogu izraunati kao:
P[H 1 , A]
P[H 1 ] P[ A / H 1 ]
P[H 1 / A] =
=
,i
P[A]
P[ A / H 1 ]P[H 1 ] + P[ A / H 2 ] P[H 2 ]

P[H 2 / A] =

P[H 2 , A]
P[H 2 ] P[A / H 2 ]
=
.
P[A]
P[ A / H 1 ]P[H 1 ] + P[ A / H 2 ] P[H 2 ]

Dalje imamo:
P[ A / H 1 ] = P[G ] P[G ] P[G ] P[G ] P[G ] = 0.02304 ,
P[ A / H 2 ] = P[G ] P[G ] P[G ] P[G ] P[G ] = 0.03456 , i
P[ A] = 0.02304 0.3 + 0.03456 0.7 = 0.031104 .

Na kraju dobijamo:
P[H 1 / A] = 0.22 , i

16

STATISTIKA TEORIJA TELEKOMUNIKACIJA

P[H 2 / A] = 0.78 .
Na osnovu dobijenih vrednosti za uslovne verovatnoe, odluiva na svom izlazu daje
simbol 1.
Na kraju, dodajmo i to da se tip kanala opisan u ovom zadatku naziva binarni simetrini
kanal, i skraeno obeleava sa BSC (Binary Symmetric Channel).
2.2.2

U jednom binarnom sistemu za prenos podataka na predaji se javlja pozitivni impuls koji
odgovara kodnom znaku 1 (dogaaj H 1 ), i negativni impuls koji odgovara kodnom znaku
0 (dogaaj H 2 ) sa verovatnooma P[H 1 ] = 0.6 i P[H 2 ] = 0.4 . Prijemnik detektuje tri
vrste signala:
pozitivni impuls 1,
negativni impuls 0, i
neodreeni impuls E (znak E potie od engleske rei Erasure, pa se ovakav kanal
naziva binarni kanal sa brisanjem, i skraeno obeleava sa BEC Binary Erasure
Channel).
Uslovne verovatnoe dogaaja na prijemu kada su realizovani dogaaji na predaji su:
P[0 / H 1 ] = 0.1 , P[E / H 1 ] = 0.1 i P[1 / H 1 ] = 0.8 , i
P[0 / H 2 ] = 0.8 , P[E / H 2 ] = 0.1 i P[1 / H 2 ] = 0.1 .

Izraunati sledee verovatnoe na prijemu:

a) P[0] , P[1] i P[E ] ,
b) verovatnou ispravnog prijema i greke na prijemu,
c) ako je primljen pozitivan impuls, kolika je verovatnoa da je impuls na predaji bio
negativan odnosno pozitivan,
d) ako je primljen negativan impuls, kolika je verovatnoa da je impuls na predaji bio
negativan odnosno pozitivan,
e) ako je primljen neodreeni impuls, kolika je verovatnoa da je impuls na predaji
bio negativan odnosno pozitivan?
Reenje:
a)

P[1] = P[H 1 ] P[1 / H 1 ] + P[H 2 ] P[1 / H 2 ] = 0.52 ,

P[0] = P[H 1 ] P[0 / H 1 ] + P[H 2 ] P[0 / H 2 ] = 0.38 , i

P[E ] = P[H 1 ] P[E / H 1 ] + P[H 2 ] P[E / H 2 ] = 0.1 .

b) Obeleimo dogaaj da je prijem ispravan sa T.

P[T ] = P[H 1 ] P[1 / H 1 ] + P[H 2 ] P[0 / H 2 ] = 0.8 , i

[]

P T = 0 .2 .

c)
P[H 1 / 1] =
P[H 2 / 1] =

P[H 1 ,1] P[H 1 ] P[1 / H 1 ]

=
= 0.923 , i
P[1]
P[1]

P[H 2 ,1] P[H 2 ] P[1 / H 2 ]

=
= 0.077 .
P[1]
P[1]

ZBIRKA ZADATAKA IZ DIGITALNIH TELEKOMUNIKACIJA

d)
P[H 1 / 0] =

P[H 2 ,0] P[H 2 ] P[0 / H 2 ]

=
= 0.842 .
P[0]
P[0]

P[H 1 / E ] =

P[H 1 , E ] P[H 1 ] P[E / H 1 ]

=
= 0 .6 , i
P[E ]
P[E ]

P[H 2 / E ] =

2.2.3

P[H 1 ,0] P[H 1 ] P[0 / H 1 ]

=
= 0.158 , i
P[0]
P[0]

P[H 2 / 0] =

e)

17

P[H 2 , E ] P[H 2 ] P[E / H 2 ]

=
= 0 .4 .
P[E ]
P[E ]

Data je funkcija f ( x) = k x e

x2
2n

gde su k i n pozitivne konstante.

a) U kom domenu moe funkcija f (x) da predstavlja gustinu raspodele verovatnoa

(GRV) neke sluajne promenljive? Odrediti vezu izmeu k i n .
b) Izraunati verovatnou da sluajna promenljiva ija je gustina raspodele f (x)
uzme neku vrednost iz intervala [ 2 ,2 ] .
c) Napisati izraz za kumulativnu funkciju raspodele i skicirati njen izgled.
Reenje:
a) Da bi f (x) bila GRV, njene vrednosti moraju biti nenegativne. To je sluaj za x 0 .
Vezu izmeu k i n emo odrediti na osnovu uslova da integral GRV po celom
domenu mora da bude 1:

k xe

x2
2 n dx

= kn = 1 .

b)

P 2 x 2 =

k xe

x2
2 n dx

=e

2
n

c)
x

FX ( x ) = k t e

t2
2 n dt

= 1 e

x2
2n .

Slika 2.2.3.1 prikazuje izgled kumulativne funkcije raspodele.

FX [x ]
1

x
Slika 2.2.3.1

18

2.2.4

STATISTIKA TEORIJA TELEKOMUNIKACIJA

Na ulazu i izlazu sistema su signali ije su trenutne vrednosti sluajne promenljive X i Y.

Odrediti gustine raspodele verovatnoa sluajne promenljive Y za sve kombinacije
gustine raspodele verovatnoa sluajne promenljive X i prenosnih funkcija sistema.
Funkcije gustine raspodele verovatnoa sluajne promenljive X su:
1.
2.

1 x [0,1],
p X ( x) =
0 drugde.
1

p X ( x) =

x2
2

e .
2
Prenosne funkcije sistema su (pri emu su a i b pozitivne konstante):
1. y ( x) = ax + b ,

2. y ( x) = ax 2 ,

x < a,
ba

3. y ( x) = bx a x a,
ba
a < x.

Reenje:
a) (Kombinacija uniformne raspodele i linearnog sistema.)
Poto je preslikavanje y ( x) = ax + b tipa 1 na 1, onda je;

P[x < X < x + dx ] = P[ y < Y < y + dy ] ,

p X ( x)dx = pY ( y )dy ,
p ( x)
pY ( y )dy = X
dy
dx

x = f 1 ( y )

= a
0

b y a + b,

drugde

pY [ y ]

p X [x ]
1

1
a
1

ab

Slika 2.2.4.1

b) (Kombinacija uniformne raspodele i nelinearnog sistema.)

Preslikavanje y ( x) = ax 2 je prikazano na slici (Slika 2.2.4.2). Na slici se vidi da se
dve vrednosti promenljive x preslikavaju u jednu vrednost y, iz ega sledi:
P[ y < Y < y + dy ] = P[x1 < X < x 2 + dx ] + P[x 2 < X < x 2 + dx ]

19

ZBIRKA ZADATAKA IZ DIGITALNIH TELEKOMUNIKACIJA

pY ( y ) =

p X ( x1 )
dy
dx

Pritom vai

+
x1 = f 1 ( y )

p X ( x2 )
dy
dx

(2.2.4.1)
x2 = f 1 ( y )

y
dy
= 2ax i x1, 2 =
.
dx
a

Kako je uniformna raspodela definisana samo na intervalu [0,1] , preostaje samo lan
sume iz jednaine (2.2.4.1) za koji je x pozitivno, pa se dobija:

y 1

p X
a 2 ay

=
pY ( y ) =
y
0
2a

0 y a,
drugde.

pY [ y ]

x1

x2

1
2a

Slika 2.2.4.2

c) (Kombinacija uniformne raspodele i linearnog sistema sa zasienjem.)

Pretpostavimo da je a < 1 , u suprotnom bi ova kombinacija u potpunosti svela na
sluaj pod a).
Za 0 x < a imamo preslikavanje y ( x) = bx , pa je na osnovu dela zadatka pod a)
gustina raspodele verovatnoe;
1
pY ( y ) = , 0 y < ab .
b
Za a < x 1 sve vrednosti x se preslikavaju u istu taku y ( x) = ba , odakle sledi da je
1

verovatnoa P[Y = ba ] = p X ( x)dx = 1 a . Ovu verovatnou modelujemo pomou

a

-impulsa u gustini raspodele smetenom u taki y = ab , pa na kraju dobijamo:

1
b + (1 a) ( y ab) 0 y ab,
pY ( y ) =

0
drugde.

20

STATISTIKA TEORIJA TELEKOMUNIKACIJA

pY [ y ]

ab

1
b

(1 a ) ( y ab )

ab

a
Slika 2.2.4.3

d) (Kombinacija Gausove raspodele i linearnog sistema).

Potpuno analogno nainu na koji reen deo zadatka pod a) dobijamo:
1
p ( x)dx
pY ( y )dy = X
dy
dx

2
a

x2
2

=
x=

x = f 1 ( y )

1
2 a

( y b )2
2a2

y b
a

Vidi se da se prolaskom kroz linearan sistem Gausova raspodela sa nultom srednjom

vrednosti i jedininom varijansom na ulazu transformisala u odgovarajuu Gausovu
raspodelu sa srednjom vrednosti b i varijansom a 2 na izlazu.
pY [ y ]

p X [x ]

1
2 a

1
2

Slika 2.2.4.4

e) (Kombinacija Gausove raspodele i nelinearnog sistema.)

Analogno delu zadatka pod b), imamo:
1
pY ( y ) =

2
2ax

x2
2

1
+
y
x=
a

2
2ax

x2
2

y
x=
a

y
1

e a
= 2ay

y > 0,
drugde.

pY [ y ]

y
Slika 2.2.4.5

f) (Kombinacija Gausove raspodele i linearnog sistema sa zasienjem.)

ZBIRKA ZADATAKA IZ DIGITALNIH TELEKOMUNIKACIJA

21

Analogno delu zadatka pod c), dobijamo:

y
1
2
2b

+ Q(a )( ( y + ab) + ( y ab) ) ab y ab,

e
2 b
pY ( y ) =

0
drugde.

pri emu je:

2

Q(a) =

1
2

x2
2 dx

1
2

x2
2 dx .

pY [ y ]
Q( a ) ( y + ab )

Q( a ) ( y ab )

y
Slika 2.2.4.6

2.2.5

U prijemnicima modulisanih signala esto se vri izdvajanje nosioca, koji predstavlja

neki sinusoidalni signal amplitude A , krune uestanosti 0 i poetne faze . Obino su
na mestu prijema poznate vrednosti za amplitudu i krunu uestanost, dok je poetna faza
nepoznata. Zato se poetna faza moe predstaviti sluajnom promenljivom sa
uniformnom raspodelom ija je gustina raspodele verovatnoa:

1
0 x 2 ,

p ( x) = 2
0
drugde.

Odrediti GRV sluajne promenljive koja predstavlja trenutnu vrednost nosioca u nekom
odreenom trenutku t = t1 .
Reenje:
Trenutna vrednost nosioca predstavlja sluajnu promenljivu koju emo obeleiti sa Z,
Z = A sin(0t1 + ) , a trenutni ugao sinusoide emo obeleiti sa , = 0 t1 + . GRV
sluajne promenljive Z emo odrediti u dva koraka. U prvom emo odrediti GRV za , a
zatim iz nje izvesti traenu GRV na osnovu relacije Z = A sin .
Poto je = 0 t1 + , na osnovu zadatka 2.2.4 pod a) se dobija:

1
0 t1 y 0 t1 + 2 ,

p ( y ) = 2
0
drugde.

Poto preslikavanje z = A sin y nije 1 na 1, posluiemo se slinim rezonovanjem kao u

zadatku 2.2.4 pod b). Na osnovu slike (Slika 2.2.5.1) se vidi da vai:

22

STATISTIKA TEORIJA TELEKOMUNIKACIJA

pZ ( y) =

p ( y )
dz
dy

p ( y )

y = y1

dz
dy

,
y = y2

pri emu je;

dz
z2
= A cos y = A 1 sin 2 y = A 1 2 =
dy
A

A2 z 2 .

Na kraju se dobija:
1

2
+

A2 z 2
pZ ( z) =

1
2
A2 z 2

drugde.

0 z A,

1
2

A z
0

0 z A,
drugde.

p Z [z ]

0t1 + 2

0t1
y1

y2

1
A
A

A z

Slika 2.2.5.1

2.2.6

Na ulazu u radio prijemnik superponiraju se dva sinusoidalna signala jedininih

amplituda i krune uestanosti 0 , a sluajne fazne razlike koja je uniformno
raspodeljena u intervalu [0,2 ] . Odrediti i nacrtati GRV sluajne promenljive koja
predstavlja anvelopu signala na ulazu. Izraunati verovatnou da anvelopa ulaznog
signala bude manja od polovine amplituda pojedinih komponenti.
Reenje:

Na ulazu radio prijemnika je signal:

x
s (t ) = sin( 0 t ) + sin( 0 t + x) = 2 cos sin 0 t +
2

x
.
2

x
Sluajna promenljiva koja predstavlja anvelopu na ulazu je y = 2 cos .
2
Ovo preslikavanje je jednoznano na intervalu [0,2 ] , pa sledi:

pY ( y )dy =

p X ( x)dx
dy
dx

.
x = f 1 ( y )

23

ZBIRKA ZADATAKA IZ DIGITALNIH TELEKOMUNIKACIJA

Slino kao i u zadatku 2.2.5, vai:

dy
x
x
y2
= sin = 1 cos 2 = 1
,
2
2
4
dx
pa se konano dobija:
1

2
pY ( y ) = 2 1 y
4

2 y 2,
drugde.

1 1
Verovatnoa da je anvelopa u intervalu , (polovina amplituda pojedinih
2 2
komponenti) je:
1
2

1
P[Y < 0.5] = pY ( y )dy =
2
1

1
2

1
2

1
1

y2
4

dy =

1
1
1
arcsin arcsin = 0.16 .

4
4

pY [ y ]

1
2
2

Slika 2.2.6.1

2.2.7

Odrediti GRV zbira dve nezavisne sluajne promenljive Y = X 1 + X 2 u optem sluaju.

1 1
Ako su X 1 i X 2 uniformno raspodeljene u intervalu , , skicirati GRV sluajne
2 2
promenljive Y.
Reenje:
Da bismo reili zadatak, uvedimo pomonu sluajnu promenljivu Z = X 2 . Odgovarajua
inverzna preslikavanja su:
x1 = g 1 ( y, z ) = y z ,
x 2 = g 2 ( y, z ) = z .

Jakobijan je:
g1
J = y
g1
z

Sledi:

g 2
y = 1 0 = 1 .
g 2 1 1
z

24

STATISTIKA TEORIJA TELEKOMUNIKACIJA

pY ( y ) =

X1 , X 2

( g1 ( y, z ), g 2 ( y, z )) J dz =

X1

( g1 ( y, z )) p X 2 ( g 2 ( y, z ))dz

X1

( y z ) p X 2 ( z )dz

= p X 1 ( y ) * p X 2 ( y ),
Vidi se da je GRV zbira dve nezavisne sluajne promenljive konvolucija njihovih GRV.
Na osnovu ovoga je lako pokazati da je GRV zbira dve nezavisne uniformno raspodeljene
sluajne promenljive jednaka u stvari dobro poznata konvolucija dva pravougaona
impulsa:

pY ( y ) = 1 y
0

y < 1,
1 y 1,
1 < y.

Slika 2.2.7.1 prikazuje skicu ove GRV.

pY [ y ]
1

1 y

1
Slika 2.2.7.1

2.2.8

Na ulazu idealnog kvantizera sa dva nivoa kvantizacije ija je karakteristika data na slici
(Slika 2.2.8.1) deluje stacionarni normalni statistiki proces x(t ) , ija je srednja vrednost
nula, a varijansa X2 .Potrebno je odrediti:
a) Srednju vrednost kvadrata razlike 2 statistikih procesa x(t ) i y (t ) , pri emu je
y (t ) statistiki proces na izlazu iz kvantizera.
b) Optimalnu vrednost praga kvantizacije pri kojoj je 2 minimalno, kao i samu
2
vrednost min
.
y

a
x
a
Slika 2.2.8.1

Reenje:

25

ZBIRKA ZADATAKA IZ DIGITALNIH TELEKOMUNIKACIJA

a) GRV procesa na ulazu i izlazu kvantizera su (vidi zadatak 2.2.4 pod f), uz razliku da u
ovom sluaju da linearna zona na karakteristici ne postoji):
p X ( x) =

2 X

x2
2 2X

,i

1
1
pY ( y ) = ( y + a ) + ( y a ) .
2
2
Srednja vrednost kvadrata razlike sluajnih procesa x(t ) i y (t ) je:

[
E [x (t )] =

2 = E ( x(t ) y (t ) )2 = E [x 2 (t )] 2 E [x(t ) y (t )] + E [y 2 (t )],

2

2
X

] y

E y 2 (t ) =

pY ( y )dy =

1
1
(a) 2 + a 2 = a 2 , i
2
2

E [x(t ) y (t )] =

xyp XY ( x, y)dydx =

xyp

X /Y

( x / y ) pY ( y )dxdy .

Poslednju vrednost emo izraunati na sledei nain. Sluajni proces y (t ) moe uzeti
samo dve vrednosti, a i a .
Kada je y (t ) = a , vai:
2 p ( x) < x < 0,
p X / Y ( x / y = a ) = X
drugde.
0
Kada je y (t ) = a , vai:
2 p ( x ) 0 < x < ,
p X / Y ( x / y = a) = X
drugde.
0
Dalje je:

E [x(t ) y (t )] =

xyp

X /Y

( x / y ) pY ( y )dxdy

xyp

X /Y

( x / y ) pY ( y )dxdy + xyp X / Y ( x / y ) pY ( y )dxdy

0

0 0

= 2

1
1
xyp X ( x) ( y + a)dxdy + 2 xyp X ( x) ( y a)dxdy

2
200
0

= a xp X ( x)dx + a xp X ( x)dx = 2a xp X ( x)dx = 2a x

Konano se dobija:
E [x(t ) y (t )] = 2

a X
2

pa je:

2 = X2 4a

X
+ a2 .
2

b) Optimalnu vrednost praga kvantizacije dobijamo za minimalno 2 :

1
2 X

x2
2 X2

dx.

26

STATISTIKA TEORIJA TELEKOMUNIKACIJA

d 2
= 4 X + 2a = 0 ,
da
2
a=2

X
,
2

X
2

+ 2 X
2 2

2 = X2 4 2
2.2.9

= X2 2 X

= X2 1 .

Dat je sluajni proces z (t ) = X cos( 0 t ) Y sin( 0 t ) gde su X i Y dve statistiki nezavisne

kontinualne sluajne promenljive ija su matematika oekivanja jednaka nuli, a
varijansa su im takoe jednake i iznose 2 . Pokazati da je sluajni proces z (t )
stacionaran u irem smislu ako je 0 konstantna kruna uestanost.
Reenje:
Po uslovu zadatka imamo:
E[X ] = E[X ] = 0 ,

[ ] [ ]

E X 2 = E Y2 = 2,

E [ XY ] = E [ X ]E[Y ] = 0 .
Oekivana vrednost sluajnog procesa je:
E [z (t )] = E[ X cos( 0 t ) Y sin( 0 t )] = E [X cos( 0 t )] E [Y sin( 0 t )]
= E[ X ]cos( 0 t ) E[Y ]sin( 0 t ) = 0.

Autokorelacija je:
R z [t1 , t1 ] = E [z (t1 ) z (t 2 )] = E[( X cos( 0 t1 ) Y sin( 0 t1 ) )( X cos( 0 t 2 ) Y sin( 0 t 2 ) )]

= E X 2 cos( 0 t1 ) cos( 0 t 2 )

E [XY (cos( 0 t1 ) sin( 0 t 2 ) + cos( 0 t 2 ) sin( 0 t1 ) )] +

[
]
= E [X ]cos( t ) cos( t ) + E [Y ]sin( t ) sin( t
+ E Y 2 sin( 0 t1 ) sin( 0 t 2 )
2

0 1

0 2

0 1

0 2

= 2 (cos( 0 t1 ) cos( 0 t 2 ) + sin( 0 t1 ) sin( 0 t 2 ) ) = 2 cos( 0 (t 2 t1 ) )

= 2 cos( 0 ).
Poto ni srednja vrednost ni autokorelacija sluajnog procesa ne zavise od trenutka
posmatranja, sluajni proces z (t ) je stacionaran u irem smislu.
2.2.10 Odrediti autokorelacione funkcije sluajnih procesa:
y (t ) = x(t ) cos( 0 t ) ,
z (t ) = x(t ) cos( 0 t + ) ,
gde je x(t ) sluajni proces stacionaran u irem smislu sa poznatom autokorelacionom
funkcijom R x [ ] , je sluajna promenljiva uniformno raspodeljena u intervalu [ , )
i nezavisna od x(t ) , a 0 je konstanta. Ispitati stacionarnost u irem smislu sluajnih
procesa y (t ) i z (t ) . Odrediti njihove spektralne gustine snage ako je:
R x [ ] = A 2 e

27

ZBIRKA ZADATAKA IZ DIGITALNIH TELEKOMUNIKACIJA

pri emu su A i pozitivne konstante.

Reenje:
Poto vai:
E [ y (t )] = E [x(t ) cos( 0 t )] = E [x(t )]cos( 0 t ) ,
vidi se da proces y (t ) nije stacionaran u irem smislu. Njegova autokorelacija je:
R y [t , t + ] = E [x(t ) cos( 0 t ) x(t + ) cos( 0 (t + ))] =

1
R x [ ](cos(2 0 t + 0 ) + cos( 0 )).
2

Za proces z (t ) vai:

E [z (t )] = E [x(t ) cos( 0 t + )] = E [x(t )]E [cos( 0 t + )] = E[x(t )] cos( 0 t + ) p ( )d

= E [x(t )] cos( 0 t + )

1
1

d =
E [x(t )]sin( 0 t + ) = 0,
2
2

R z [t , t + ] = E [x(t ) cos( 0 t + ) x(t + ) cos( 0 (t + ) + )]

1
R x ( ) E[cos( 0 (2t + ) + 2 ) + cos( 0 )]
2
1
1
= R x ( ) cos( 0 ) + R x ( ) E [cos( 0 (2t + ) + 2 )].
2
2
=

Vai:

E[cos( 0 ( 2t + ) + 2 )] = cos( 0 (2t + ) + 2 )

1
1 1

d =
sin( 0 (2t + ) + 2 ) = 0 ,
2
2 2

odakle sledi:
1
R x ( ) cos( 0 ) = R zz ( ) ,
2
pa je sluajni proces z (t ) stacionaran u irem smislu.
R z [t , t + ] =

Spektralna gustina snage sluajnog procesa z (t ) je (Viner-Hininova teorema):

Sz ( f ) =

1
j 2f
j 2f
Rz [ ]e d = 2 Rx [ ] cos(0 )e d

1

= A2e
cos(2f 0 )e j 2f d
2
=

A2
2

j 2f

e cos(2f 0 )e d +

A 2
e cos(2f 0 )e j 2f d .

2 0

Potrebno je izraunati odgovarajue integrale. Npr. za drugi integral sa leve strane se

dobija:

2f

e cos(2f 0 )e d = e

e j 2f 0 + e j 2f 0 j 2f
e
d
2

1
1
= e e j 2f 0 e j 2f d + e e j 2f 0 e j 2f d .
20
20

28

STATISTIKA TEORIJA TELEKOMUNIKACIJA

cos(2f 0 )e

2f

1
1
d = e ( j 2 ( f f 0 )) d + e ( j 2 ( f + f 0 )) d
20
20
=

1
e ( + j 2 ( f f 0 ))
2( + j 2 ( f f 0 ))

1
e ( + j 2 ( f + f 0 ))
2( + j 2 ( f + f 0 ))

1
2( + j 2 ( f f 0 ))

1
2( + j 2 ( f + f 0 ))

Na slian nain se moe pokazati da je prvi integral:

0

cos(2f 0 )e 2f d =

1
2( j 2 ( f f 0 ))

1
2( j 2 ( f 0 + f ))

Uvrtavanjem izraunatih integrala u poetnu jednainu se dobija:

1
1

+
+
2( + j 2 ( f f 0 )) 2( + j 2 ( f + f 0 ) )

A2
1
1

+
+
2 2( j 2 ( f f 0 )) 2( j 2 ( f 0 + f ))
A2
2

Sz ( f ) =

A 2

1
1
2
.
+ 2
2
2
2 + ( 0 )
+ ( + 0 )

2.2.11 Odrediti spektralnu gustinu snage sluajnog procesa y (t ) , na izlazu linearnog sistema
prikazanog na slici (Slika 2.2.11.1), ako na ulaz ovog sistema deluje stacionaran sluajni
proces x(t ) ija je spektralna gustina snage S x ( f ) .
y (t )

x(t )

Slika 2.2.11.1

Reenje:
Vai:
y (t ) = x(t ) + x(t T ) ,
odnosno, impulsni odziv sistema je:
h(t ) = (t ) + (t T ) ,
a njegova prenosna karakteristika je:

H( f ) =

2ft
h(t )e dt =

H( f ) = 1+ e

j 2fT 2

( (t ) + (t T ))e

j 2ft

dt = 1 + e j 2fT ,

= e jfT (e jfT + e jfT ) = 4 cos 2 (fT ) = 2(1 + cos(2fT )) ,

a spektralna gustina snage je:

ZBIRKA ZADATAKA IZ DIGITALNIH TELEKOMUNIKACIJA

29

S y ( f ) = H ( f ) S xx ( f ) = 2(1 + cos(T )) S x ( f ) .

2.2.12 Za sluajni proces x(t ) = A cos( 0 t + ) , gde je sluajna promenljiva sa uniformnom

raspodelom u intervalu [ , ) , dok su A i 0 konstante. Odrediti srednju vrednost i
autokorelacionu funkciju x(t ) na sledee naine:

a) usrednjavanjem po ansamblu,
b) usrednjavanjem po vremenu.
Reenje:
a) Na osnovu zadatka 2.2.10 sledi:
E [x(t )] = E [ A cos( 0 t + )] = 0 ,

R x [t , t + ] = E [A cos( 0 t + ) A cos( 0 (t + ) + )]
= A 2 E [cos( 0 t + ) cos( 0 (t + ) + )]

A2
cos( 0 ).
2
b) Usrednjavanje po vremenu za srednju vrednost daje:
=

1
T 2T

x = lim

A cos( t +
0

1 A
(sin( 0T + 0 ) sin( 0T + 0 )) = 0.
T 2T
0

)dt = lim

Limes je jednak 0, jer je razlika dve sinusne funkcije ograniena na interval [ 2,2] , a
vreme T koje je u imeniocu tei ka beskonano velikim vrednostima.
Autokorelacija po vremenu je:
1
x (t , t + ) = lim
T 2T
1
T 2T

= lim

A2
= lim
T 4T

x(t ) x(t + )dt =

T
T

A cos( t +
0

) A cos( 0 (t + ) + 0 )dt

T
T

(cos(

(2t + ) + 2 0 ) + cos( 0 ))dt

T
T

cos( 0 (2t + ) + 0 )dt + cos( 0 )dt

T
T

A
(sin( 0 (2T + ) + 0 ) sin( 0 (2T + ) + 0 )) +
= lim
T 8T
0

A2
= lim
T 4T

A2
cos( 0 ) 2T
T 4T
A2
=
cos( 0 ).
2
Prvi limes sa desne strane je jednak 0 (vae ista razmatranja kao i kod izraunavanja
srednje vrednosti po vremenu). Kod drugog limesa podintegralna funkcija cos( 0 t )
ne zavisi t (promenljive po kojoj se integrali), pa se za vrednost integrala dobija 2T i
vrednost limesa je razliita od nule.
+ lim

30

STATISTIKA TEORIJA TELEKOMUNIKACIJA

Poreenjem rezultata dobijenih pod a) i pod b), vidi se da je sluajni proces x(t )
ergodian po srednjoj vrednosti i po autokorelaciji, jer obe metode usrednjavanja daju iste
rezultate.
2.2.13 Da li je sluajni proces z (t ) = x(t ) + Y ergodian po srednjoj vrednosti ako je x(t )
ergodian sluajni proces, a Y sluajna promenljiva nezavisna od x(t ) ?
Reenje:
Srednja vrednost x(t ) po ansamblu je:

E [z (t )] = E [x(t ) + Y ] = E [x(t )] + E [Y ] = E [x(t )] + mY ,

gde smo sa mY obeleili srednju vrednost sluajne promenljive Y.
Srednja vrednost x(t ) po vremenu je:
1
z = lim
T 2T

~
(x(t ) + Y )dt = x (t ) + Y
0

= E [x(t )] + Y0 ,

gde smo sa Y0 obeleili neku realizaciju sluajne promenljive Y.

Kako se u optem sluaju srednja vrednost sluajne promenljive Y i vrednost neke njene
realizacije razlikuju, sledi da sluajni proces z (t ) nije ergodian po srednjoj vrednosti (a
samim tim nije ni ergodian).
2.2.14 Neka je kruna uestanost sluajnog procesa sluajna promenljiva , ija je gustina
raspodele verovatnoe parna funkcija p ( ) . Nai spektralnu gustinu snage ergodinog
sluajnog procesa x (t ) = a cos ( t + ) ako je a = const , a sluajna
promenljiva ravnomerno raspodeljena na intervalu [ , ) i statistiki nezavisna od .

Reenje:
Autokorelacija sluajnog procesa x(t ) je:
R x [t , t + ] = E[x(t ) x(t + )]

= E[a cos(t + )a cos( (t + ) + )]

a2
E [cos(2t + + 2 ) + cos( )]
2
a2
=
(E[cos(2t + ) cos(2 )] E[sin( 2t + ) sin(2 )] + E[cos( )])
2
a2
(E[cos(2t + )]E[cos(2 )] E[sin(2t + )]E[sin(2 )] + E[cos( )]).
=
2
Na slian nain kao u zadatku 2.2.10, moe se pokazati da vai
E [cos(2 )] = E [sin(2 )] = 0 , pa se gornji izraz svodi na:
=

a2
a2
R x [t , t + ] =
E[cos( )] =
2
2

cos( ) p( )d = R

Na osnovu Viner-Hininove teoreme sledi:

S x ( ) =

( )e j d ,

xx

( )

(2.2.14.1)

31

ZBIRKA ZADATAKA IZ DIGITALNIH TELEKOMUNIKACIJA

odnosno:
R x [ ] =

1
2

j
S x ( )e d =

1
2

S x ( ) cos( )d + j

1
2

( ) sin( )d .

Ako uporedimo poslednji izraz sa izrazom (2.2.14.1), uz uslov da je p ( ) parna funkcija,

dobija se da je:
S x ( ) = a 2p ( ) .

2.2.15 Odrediti i skicirati autokorelaciju belog Gausovog uma (AWGN Additive White
Gaussian Noise), ija je spektralna gustina snage konstantna u itavom opsegu
N
uestanosti (Slika 2.2.15.1) i jednaka 0 .
2

N0
2

Sn ( f

f
Slika 2.2.15.1

Reenje:
Na osnovu Viner-Hininove teoreme, vai:

Rn [t ] =

j 2ft
S n ( f )e df =

N 0 j 2ft
N0
= 2 e df = 2

j 2ft

df =

N0
(t ) .
2

Slika 2.2.15.2 prikazuje autokorelaciju AWGN-a.

Rn (t )
N0
2
t
Slika 2.2.15.2

2.2.16 U kanalu propusnog opsega B = 4 kHz deluje beli Gausov um ija je spektralna gustina
1
srednje snage pn = N 0 ; N 0 = 10 12 W/Hz.
2

a) Odrediti verovatnou da je amplituda uma na izlazu iz kanala vea od U 0 ,

P[ni > U 0 ] = ? , pri emu je U 0 = 0,3 mV.
b) P[| ni |< ] = ? .
c) P[| ni |< 2 ] = ? .

i je efektivna vrednost napona uma.

Reenje:

32

STATISTIKA TEORIJA TELEKOMUNIKACIJA

U ovom zadatku je kanal linearan sistem. Stoga je um na izlazu kanala takoe Gausov
um (njegove trenutne vrednosti su sluajne promenljive sa Gausovom raspodelom). Za
razliku od uma u kanalu (koji je beli), na izlazu kanala je obojeni Gausov um
(spektralna gustina snage .
Gustina raspodele verovatnoe amplituda obojenog Gausovog uma je:
f ( ni ) =

1
2 i

n2
i
2 i2

Poto je E[ni ] = 0 , varijansa ovog uma se svodi na srednju kvadratnu vrednost:

i2 = E[ni2 ] Pn i2 .
Snaga obojenog uma je ograniena propusnim opsegom kanala H ( f ) . Ako je kanal
idealni NF filtar, jedininog pojaanja u propusnom opsegu B, onda je srednja snaga
obojenog uma:

Pn i =

pn | H ( f ) | df
2

pn 1 df
2

= 2 p n B = N 0 B = 4 10 9 W .

Vai:

i = Pn = 6,32 10 5 V = 0,063 mV .
P[ni > U o ] =

n2
i
2 i2

1
2 i

dn .

Uo

Vrednosti ovakvih integrala se oitavaju iz tablica tzv. komplementarne funkcije greke

(tzv. erfc), ili iz tablica Q funkcije (vidi prilog). Tablice su obino date za normalizovanu
Gausovu raspodelu ( n = 1), zato se uvodi smena:
x=

, pa je:

a)
P[ni > U 0 ] =

1
2

x2
2 dx

Uo / i

U
= Q 0 ,
i

P[ni > U 0 ] = Q(4,76) 10 6.

b)

P[ i < ni < i ] = 1 2 P[ni > i ] = 1 2Q(1)= 0,68 .

(Sa verovatnoom 68% um e biti manji po apsolutnoj vrednosti od svoje efektivne
vrednosti).

c)
P[2 i < ni < 2 i ] = 1 2 Q(2) = 0,95 .
2.2.17 Na ulazu idealnog pojasnog filtra prikazanog na slici (Slika 2.2.17.1) se nalazi aditivni
N
beli Gausov um n(t ) , konstantne spektralna gustina snage koja je jednaka 0 . Dobijeni
2
uskopojasni um nakon filtriranja se moe predstaviti izrazom:

33

ZBIRKA ZADATAKA IZ DIGITALNIH TELEKOMUNIKACIJA

nu (t ) = nc (t ) cos( c t ) n s sin( c t ) ,
gde su nc (t ) i n s (t ) komponente uma u fazi, odnosno u kvadraturi. Pri tome se moe
smatrati da su nc (t ) i n s (t ) nezavisni procesi sa jednakim srednjim snagama i
autokorelacijama, a njihove spektralne gustine snage su konstantne i razliite od 0 u
opsegu [ B, B ] .

a) Pokazati da vai:
2
nc (t )
T

n s (t )

2
T

t+

T
2

(u ) cos( c u )du , i

(u ) sin( c u )du ,

T
t
2
t+

T
2

T
t
2

pri emu je

1
1
<< T << .
fc
B

b) Pokazati da vai:

nu (t ) = nc (t ) = n s (t ) = 0 .
c) Pokazati da je autokorelacija uskopojasnog Gausovog procesa:
Ru [ ] = Rc [ ] cos( c ) .
d) Odrediti spektralne gustine snaga procesa nc (t ) i ns (t ) , kao i snagu uma na izlazu
pojasnog filtra.
H PF ( f
1

nu (t )

n(t )

fc B fc + B

fc
Slika 2.2.17.1

Reenje:
a) Dokaimo tvrdnju prvo za nc (t ) :

fc

34

STATISTIKA TEORIJA TELEKOMUNIKACIJA

2
T

t+

T
2

2
Tnu (u ) cos(c u )du = T

2
=
T

1
T

1
T

t+

T
2

(n (u) cos( u) n (u ) sin( u)) cos( u ))du

c

T
2

t+

T
2

n (u ) 2 (1 + cos(2 u )) n (u ) 2 sin(2 u ) du
c

T
2

t+

T
2

t+

T
2

n (u )du + T n (u ) cos(2 u)du

c

t+

T
t
2

T
t
2

T
2

n (u ) sin(2 u)du.
s

T
t
2

1
, tada se nc (t ) i n s (t ) mogu smatrati priblino konstantnim u
B
intervalu T, na osnovu ega sledi:

Ako je T <<

2
T

t+

T
2

1
Tnu (u) cos(c u )du = nc (t ) + nc (t ) T

= nc (t ) + nc (t )

t+

T
2

1
Tcos(2c u )du ns (t ) T

k1

2 c T

n s (t )

t+

T
2

sin(2 u)du
c

T
t
2

k2

2 c T

nc (t ),

jer je 2 << k1 , k 2 << 2 i

1
2cT

<< 1 .

Na slian nain se moe pokazati da je i n s (t )

2
T

t+

T
2

(u ) sin( c u )du . Odavde sledi

T
t
2

da se uskopojasni um moe razdvojiti na dve komponente.

b) Vai:

nu (t ) = n(t ) hPF (t ) =

n( )h

PF

(t )d ,

gde je sa hPF (t ) oznaen impulsni odziv pojasnog filtra. Sledi da je:

nu (t ) = E [nu (t )] = E n( )hPF (t )d = E [n( )]hPF (t )d = 0 .

Na osnovu dela zadatka pod a), sledi da je:

T
t+
t + T2

2
2
2
nc (t ) = E[nc (t )] = E nu (u ) cos( c u )du = E[nu (u )]cos( c u )du = 0 ,
T
T T
tT

t
2
2

a na slian nain je i:

35

ZBIRKA ZADATAKA IZ DIGITALNIH TELEKOMUNIKACIJA

n s (t ) = E[n s (t )] = 0 .
c)

Ru [ ] = E [nu (t )nu (t + )]

= E [nc (t )nc (t + )]cos( c t ) cos( c (t + ))

E [nc (t )n s (t + )]cos( c t ) sin( c (t + ))

E [nc (t + )n s (t )]cos( c (t + )) sin( c t ) +
+ E[n s (t )n s (t + )]sin( c t ) sin( c (t + )).

Na osnovu uslova zadatka je Rc [ ] = E[nc (t )nc (t + )] = Rs ( ) = E [ns (t )ns (t + )] , a

takoe vai E [nc (t )n s (t + )] = E[nc (t + )n s (t )] = 0 , jer su procesi nc (t ) i n s (t )
meusobno nezavisni, a njihove statistike srednje vrednosti su jednake 0.
Dalje je:
Ru [ ] = Rc [ ] cos( c t ) cos( c (t + )) + Rs [ ] sin( c t ) sin( c (t + ))
= Rc [ ](cos( c t ) cos( c (t + )) + sin( c t ) sin( c (t + )) )
= Rc [ ] cos( c ).

d) Spektralna gustina snage uma je nakon filtriranja ograniena na intervale

[ ( f c + B),( f c B)] i [ f c B, f c + B] (Slika 2.2.17.2). Snaga uma nakon filtriranja
je:

Pu =

S u ( f )df

=2

fc + B

N0
df = 2 BN 0 .
2
B

fc

Su ( f

N0
2

fc

fc

Slika 2.2.17.2

Na osnovu zadatka pod c), vai:

Pu = 2 BN 0 = Ru (0) = Rc (0) = Rs (0) .
Dalje je:

Rc (0) = 2 BN 0 =

( f )df .

Poto je spektralna gustina snage procesa nc (t ) konstanta u intervalu [ B, B ] , vai:

N B f B ,
Sc ( f ) = 0
drugde.
0
Na slian nain se moe pokazati da je spektralna gustina snage procesa n s (t ) :
N
Ss ( f ) = 0
0

B f B,
drugde.