You are on page 1of 187

Ts t« v¨n ban

Bµi gi¶ng

X¸c suÊt thèng kª

Qu¸ tr×nh ngÉu nhiªn
(Dành cho các lớp cao học kỹ thuật - HVKTQS)
PHIªn B¶N 09/05 - 12/05 - 08/06 - 11/06 - 20/03/07 - 15/05/07 - 10/7/2007 - 05/09/07 (Ch−a hoµn thiÖn)

W

W

.D AY

W

KE

M

Hµ néi - 2005 - 2006 - 2007

http://www.ebook.edu.vn

QU

YN H

ON .

UC

OZ

.C OM

M ỤC L ỤC
PhÇn –Ch−¬ng

Môc lôc Lêi nãi ®Çu C¸c ký hiÖu hay sö dông PhÇn I Ch−¬ng I X¸c suÊt Thèng kª KiÕn thøc bæ sung vÒ x¸c suÊt §1.1. C¸c biÕn ngÉu nhiªn quan träng §1.1. BiÕn nhÉu nhiªn chuÈn §1.2. VÐc t¬ ngÉu nhiªn chuÈn

OZ UC

§1.3. Më réng kh¸i niÖm mËt ®é ®èi víi BNN rêi r¹c C©u hái vµ bµi tËp Ch−¬ng I Ch−¬ng II Ch−¬ng III

ON .

§3.5.Sù héi tô cña d·y c¸c BNN 3.5.1. C¸c d¹ng héi tô

YN H

3.5.2. C¸c ®Þnh lý giíi h¹n Ch−¬ng IV PhÇn II Ch−¬ng V Lý thuyÕt −íc l−îng

QU

Nh÷ng kh¸i niÖm tæng qu¸t

M

Qu¸ tr×nh ngÉu nhiªn

KE

§5.1. Më ®Çu

5.1.1. C¸c ®Þnh nghÜa 5.1.2. Ph©n lo¹i s¬ bé 5.1.3. VÝ dô vÒ QTNN 5.1.4. Hä c¸c ph©n bè h÷u h¹n chiÒu

.D AY

§5.2. Mét sè líp c¸c qu¸ tr×nh ngÉu nhiªn 5.2.1. Qu¸ tr×nh cÊp II 5.2.2. Qu¸ tr×nh sè gia ®éc lËp 5.2.3. Qu¸ tr×nh dõng (QT dõng theo nghÜa hÑp, dõng theo nghÜa réng, dõng ®ång thêi) 5.2.4. Qu¸ tr×nh Gauss §5.3.TÝnh chÊt ergodic vµ trung b×nh thêi gian
http://www.ebook.edu.vn

W

W

W

2

.C OM
2 5 7 9 9 9 8 11 17 20 23 23 25 32 32 32 32 33 34 35 36 36 38 39 45 46

Néi dung

trang

5.3.1. Giíi thiÖu 5.3.2. Ergodic kú väng 5.3.4. C¸c lo¹i ergodic kh¸c 5.3.5. §o hµm t−¬ng quan §5.4.Liªn tôc, ®¹o hµm, tÝch ph©n 5.4.1. Liªn tôc (theo x¸c suÊt, theo trung b×nh) 5.4.2. §¹o hµm (theo b×nh ph−¬ng trung b×nh) §5.5.Hai QTNN quan träng 5.3.3. Ergodic ph−¬ng sai, tù hiÖp ph−¬ngsai, PS chÐo

46

OZ

UC

5.4.3. TÝch ph©n (theo b×nh ph−¬ng trung b×nh)

5.5.1. QT Poisson (®Þnh nghÜa, x¸c suÊt ®ång thêi n chiÒu, hµm tù t−¬ng quan, d·y thêi ®iÓm ®Õn, x¸c ®Þnh c−êng ®é dßng ®Õn, c¸c biÕn thÓ, nhiÔu b¾n, sinh c¸c quü ®¹o)

ON .

YN H

5.5.2. QT Wiener (®. nghÜa, c¸c tÝnh chÊt, sinh quü ®¹o) 5.5.3. Giíi thiÖu vÒ c¸c QTNN kh¸c §5.6. Qu¸ tr×nh ngÉu nhiªn phøc Ch−¬ng VI Xö lý c¸c QTNN

QU

C©u hái lý thuyÕt vµ bµi tËp ch−¬ng V

§6.1.MËt ®é phæ c«ng suÊt

M

6.1.1. VÊn ®Ò nghiªn cøu QTNN trong miÒn tÇn sè

KE

6.1.2. MËt ®é phæ c«ng suÊt 6.1.3. MËt ®é phæ c«ng suÊt chÐo 6.1.4. MËt ®é phæ c«ng suÊt cho QT thùc kh«ng dõng 6.1.5. MËt ®é phæ c«ng suÊt cho d·y ngÉu nhiªn 6.1.6. Mét sè m« h×nh nhiÔu (nhiÔu tr¾ng, nhiÔu nhiÖt, nhiÔu tr¾ng th«ng d¶i, nhiÔu mµu, nhiÔu b¾n) 6.1.7. Phæ c«ng suÊt cña QTNN phøc (VÝ dô: Phæ v¹ch, hiÖu øng Doppler)

.D AY

W

§6.2.C¨n b¶n vÒ hÖ tuyÕn tÝnh 6.2.1. HÖ tuyÕn tÝnh tæng qu¸t 6.2.2. HÖ tuyÕn tÝnh bÊt biÕn theo thêi gian 6.2.3. HÖ nh©n qu¶ vµ hÖ æn ®Þnh 3

W

W

http://www.ebook.edu.vn

.C OM
50 54 55 57 57 59 61 65 65 75 74 77 77 79 86 86 86 89 93 95 97 99 103 107 107 109 112

47

6.2.4. Tr−êng hîp hÖ rêi r¹c §6.3. HÖ tuyÕn tÝnh víi ®Çu vµo ngÉu nhiªn 6.3.1. VÊn ®Ò ®Çu ra 6.3.2. C¸c ®Æc tr−ng x¸c suÊt cña QT ®Çu ra 6.3.3. §¸p øng hÖ LTI rêi r¹c víi ®Çu vµo ngÉu nhiªn trưît, Phæ cña QT ®¹o hµm) §6.4. Qu¸ tr×nh tù håi quy – trung b×nh ®éng 6.4.1. Qu¸ tr×nh tù håi quy AR 4.4.2. Qu¸ tr×nh trung b×nh ®éng MA 6.4.3. Qu¸ tr×nh ARMA §6.5. Qu¸ tr×nh th«ng d¶i vµ ®iÒu chÕ 6.5.1. Qu¸ tr×nh th«ng d¶i

113

6.3.4. C¸c vÝ dô (HÖ lý tưëng, Läc bËc nhÊt, Trung b×nh

OZ

UC

ON .

YN H

6.5.2. NhiÔu trong hÖ th«ng tin ®iÒu biªn AM 6.5.3. NhiÔu trong hÖ th«ng tin ®iÒu tÇn FM §6.6. Läc phèi hîp

6.6.1. Tr−êng hîp tæng qu¸t

QU

6.6.2. Läc phèi hîp cho nhiÔu mµu 6.6.3. Läc phèi hîp cho nhiÔu tr¾ng §6.7. ¦íc l−îng tuyÕn tÝnh tèi −u

M

6.7.1. §Æt bµi to¸n

KE

6.7.2. Bµi to¸n lµ tr¬n – Läc Wiener bÊt kh¶ thi 6.7.3. Läc Wiener kh¶ thi C©u hái lý thuyÕt vµ bµi tËp Ch−¬ng VI • •

Chư¬ng VII

.D AY

Qu¸ tr×nh Markov XÝch Markov Qu¸ tr×nh Markov víi thêi gian liªn tôc

(dù tr÷) ⎨

⎧ ⎩

W

PhÇn III

Phô lôc A - Các bảng thống kê Phô lôc B - PhÐp biÕn ®æi Fourier B¶ng B-1 TÝnh chÊt cña phÐp biÕn ®æi Fourier B¶ng B-2. CÆp phÐp biÕn ®æi Fourier Tµi liÖu tham kh¶o 171 171 172 173

W

W

http://www.ebook.edu.vn

4

.C OM
115 117 120 122 124 124 128 130 133 133 138 142 147 147 148 149 151 151 153 155 159

115

1.1.1.BiÕn ngÉu nhiªn rêi r¹c
Tªn NhÞ thøc Poisson H×nh häc Siªu h×nh häc KÝ hiÖu B(n,p) P( λ ) G(p)

X¸c suÊt P {X = k}

K× väng np

k n −k Ck ; k = 0,1,..., n n p (1 − p)

OZ UC
α

λ k e −λ ; k = 0,1,... k!
p(1-p)

λ

k

; k=0,1,2,...
; k = 0,1,..., n

1− p p

H(N,n,p)

n −k Ck Np C N − Np

C¸c luËt ph©n bè rêi r¹c kh¸c: ®Òu rêi r¹c, nhÞ thøc ©m,... 1.1.2BiÕn ngÉu nhiªn liªn tôc
Tªn §Òu Mò Cauchy ChuÈn Gamma Khi b×nh ph−¬ng Student FisherSnecdecor Weibul KÝ hiÖu U([a;b]) E( λ ) C (α, β) N(m, σ 2 )
1

MËt ®é

ON .

Cn N

........

K× väng

λ e − xλ ; λ ,x>0

YN H

1 ; a≤x≤b b−a

a+b 2
1/ λ
Kh«ng tån t¹i m

β /[π(β2 + (x − α ) 2 )]

QU

2 ⎧ ⎪ (x − m) ⎫ ⎪ exp ⎨− (σ > 0) 2 ⎬ 2 2σ ⎪ ⎪ 2πσ ⎩ ⎭

Γ(r, λ)
χ 2 (n)
T(n)

KE

n x −1 − 2 x e 2

M

λ (λx) r −1 e −λx ; λ, r, x > 0 Γ(r)
n /(2 2 Γ(n / 2);

r λ
n 0 ..........
1 λ Γ(1 + 1/ λ )

x > 0, n = 1, 2,...

Γ((n + 1) / 2)) x2 (1 + ) −(n +1) / 2 n nπΓ(n / 2)

.D AY

F(n,m)

n −2 n+m − 2 Bx (m + nx) 2 ; m, n, x > 0

W( α, λ )

αλx 1

λ−1 −αx λ

e

; α, λ , x > 0

W

L«ga chuÈn

LN(m, σ2 )

W

Rayleigh

⎧ (ln x − m) 2 ⎪ ⎫ ⎪ x −1 exp ⎨− ⎬ ; σ, x > 0 2 2 σ 2 ⎪ ⎪ 2πσ ⎩ ⎭ 2 2 (x − a)e− (x −a) / b , x ≥ a b

exp ⎨m +
⎪ ⎩

⎧ ⎪

a+

W

http://www.ebook.edu.vn

.C OM
np(1-p)

Ch−¬ng 1. kiÕn thøc bæ Sung vÒ x¸c suÊt §1.1.C¸c biÕn ngÉu nhiªn quan träng

Ph−¬ng sai

λ

1− p p2
.........

Ph−¬ng sai

(b − a) 2 12
1/ λ 2
Kh«ng tån t¹i

σ2
r

λ2
2n

n n−2
.......... ..........

σ2 ⎫ ⎪ ⎬ 2 ⎭ ⎪

……

πb 4

b

4−π 4

TÝnh chÊt: Γ(u + 1) = uΓ(u) ; Γ(n) = (n − 1)! ; Γ(1/ 2) = π . C¸c luËt ph©n bè liªn tôc kh¸c: Bª ta, tam gi¸c,... BiÕn ngÉu nhiªn chuÈn rÊt quan träng ta dµnh ra 1 phÇn riªng. §.1.2. BiÕn ngÉu nhiªn chuÈn 1.2.1.TÝnh chÊt hµm mËt ®é . f(x) =
1

⎧ (x − m) 2 ⎪ ⎫ ⎪ exp ⎨ − (σ > 0) 2 ⎬ 2 2 σ ⎪ ⎪ 2πσ ⎩ ⎭

1 2πσ2

QU

YN H
m x Skew(X) = Kurt(X) =
E[(X − EX)3 ] σ3 σ4

O

.D AY

H×nh 1.1. §å thÞ hµm mËt ®é cña ph©n bè chuÈn. ⎧ ⎪E[X] = m; 1.2.2.C¸c tham sè ®Æc tr−ng (1.1) ⎨ 2 D[X] . = σ ⎪ ⎩ Nh− vËy nhËn thÊy r»ng, chØ cÇn biÕt k× väng vµ ph−¬ng sai lµ cã thÓ biÕt mËt ®é f(x) vµ do ®ã hoµn toµn biÕt vÒ ph©n bè chuÈn. Cßn cã thÓ tÝnh ®−îc +§é chÖch +§é nhän = 0; (1.2)

KE

M

W

E[(X − EX) 4 ]

W

W

1.2. 3.Bnn chuÈn ho¸ (chuÈn t¾c). X ®−îc gäi lµ biÕn nn chuÈn t¾c nÕu X ∼ N(0,1).Hµm mËt ®é cña nã cho bëi

http://www.ebook.edu.vn

8

ON .
- 3 = 0.

+Hµm mËt ®é x¸c ®Þnh trªn ¡ ; +f(x) > 0: §å thÞ n»m trªn trôc hoµnh; +Trôc Ox lµ tiÖm cËn ngang; 1 , ®¹t ®−îc t¹i x = m; +Gi¸ trÞ cùc ®¹i 2 2πσ +§å thÞ ®èi xøng qua ®−êng th¼ng x=m, cã d¹ng h×nh chu«ng (H×nh 1.1).

UC

OZ

.C OM

L−u ý: Γ(u) = ∫o t u −1e− t dt víi u>0 – hµm Gamma.

ϕ(x) =

Φ (x) =
Víi x > 3, coi Φ (x) ≈

1 ∫ 2π 0

2 x −t e 2 dt,

x∈ [0; 3].

ON .

UC

1 (1,4) ∫e 2π −∞ còng ®−îc lËp b¶ng. Tuy nhiªn, ®Ó tiÕt kiÖm b¶ng, thay cho F(x), ng−êi ta lËp b¶ng gi¸ trÞ cña hµm Laplace: F(x) =
(1.5)

x

t2 2 dt

W

W

W

1.2.4.BiÕn ®æi tuyÕn tÝnh bnn chuÈn. +Cho X ∼ N(m, σ2 ) ⇒ ∀a, b ∈ ¡ , Y= a X+b cã ph©n bè chuÈn. (1.8)

Tõ ®ã dÔ thÊy aX+b ∼ N(am+b, a 2 σ2 ). X−m +HÖ qu¶. X∼ N(m, σ2 ) ⇒ U = ∼ N(0,1). σ

.D AY

Khi cÇn tÝnh F(x) qua Φ (x) hay ng−îc l¹i, dïng c«ng thøc : 1 (1,6) F(x) = + Φ (x). 2 C«ng thøc sau rÊt cã Ých ®Ó tÝnh x¸c suÊt X n»m trªn ®o¹n nµo ®ã: P {X ∈ [ a;b ]} = Φ (b) − Φ (a). (1,7)

KE

H×nh 1.2. §å thÞ hµm mËt ®é chuÈn ho¸ (a) vµ ®å thÞ hµm Laplace (b).

M

http://www.ebook.edu.vn

QU

YN H

1 . 2

9

OZ

-Hµm ph©n bè t−¬ng øng

.C OM
(1.3)

1 e . 2π §Æc ®iÓm : -Gi¸ trÞ cña ϕ(x) ®−îc lËp b¶ng víi x∈ {0;4]; -§å thÞ ®èi xøng qua trôc tung;

x2 2

b−m a−m ⎧a − m X − m b − m ⎫ ≤ ≤ ) − Φ( ). (1.9) P {X ∈ [ a;b ]} =P ⎨ ⎬ = Φ( σ σ σ σ ⎭ ⎩ σ 1.2.5.Ph©n vÞ .Ph©n vÞ chuÈn møc α , kÝ hiÖu U α , lµ gi¸ trÞ x¸c ®Þnh bëi P {U > U α } = α , víi U ∼ N(0,1) ⇔ 1 ∫ 2π U

α

QU

H×nh 1.3. Ph©n vÞ chuÈn møc α . TÝnh chÊt: U1−α = − U α . U 0,025 = 1,960; ⎧ ⎪ U 0,10 = 1,280; ⎨ Mét sè gi¸ trÞ ®Æc biÖt: ⎪ U 0,05 = 1,645; U 0,01 = 2,326. ⎩

YN H
{ }

ON .
(1.11) (1.12) L−u ý: NhiÒu tµi liÖu kh«ng lËp b¶ng cña U α mµ lËp b¶ng cña pα hoÆc u α

P U < pα = α ;

KE

víi

{

M

}

P U < uα = α .

Cho X ∼ N m , σ2 , Uα lµ ph©n vÞ chuÈn møc α, ®Æt
L = σ U 0,25 = 0,6745 σ ;
ρ = U 0,25 / 2 = 0,4769 . f (x) = ρ πL e −ρ
2 (x − m)2 / L2

.D AY

1.2. 6. Sai sè trung gian, d¹ng mËt ®é chuÈn dïng trong ph¸o binh.

(

)

UC
(1.13) . (1.14)

W

W

W

Chóng ta cã thÓ viÕt l¹i hµm mËt ®é cña X d−íi d¹ng

Râ rµng lµ , nÕu m = 0 th×

P {− L < X < L } = 0,5 .

http://www.ebook.edu.vn

10

OZ

2 +∞ − t e 2 dt

= α . (1.10)

.C OM
(1.15)

HÖ qu¶ nµy cho ta ph−¬ng ph¸p thuËn lîi ®Ó tÝnh P {X ∈[a;b]} :

W

a)Tr−êng hîp 2 biÕn. XÐt 2 BNN X, Y b×nh ph−¬ng kh¶ tÝch. M« men t−¬ng quan (gèc) cña X vµ Y, kÝ hiÖu R XY , x¸c ®Þnh theo c«ng thøc R XY = E[XY]. HiÖp ph−¬ng sai cña X vµ Y, kÝ hiÖu Cov(X,Y) x¸c ®Þnh bëi Cov(X,Y) = E[(X − EX)(Y − EY)] . Hai BNN X vµ Y ®−îc gäi lµ kh«ng t−¬ng quan nÕu Cov(X,Y) = E[(X − EX)(Y − EY)] = 0 . §iÒu nµy t−¬ng ®−¬ng víi E[XY] = E[X] E[Y] . Tr¸i l¹i, nÕu ®¼ng thøc kh«ng x¶y ra, X vµ Y ®−îc gäi lµ kh«ng t−¬ng quan.

W

W

.D AY

KE

P { X − m < 3σ} = 2Φ (1) = 0,9973. (1.17) C¸c x¸c suÊt 0,9545; 0,9973 lµ c¸c x¸c suÊt rÊt lín. Theo nguyªn lÝ x¸c suÊt lín ta cã quy t¾c 2 σ,(3σ) sau ®©y: Quy t¾c.NÕu BNN cã ph©n bè chuÈn th× hÇu nh− ch¾c ch¾n (®é tin cËy trªn 95%(trªn 99%)), BNN chØ sai lÖch víi gi¸ trÞ trung b×nh cu¶ nã mét l−îng kh«ng qu¸ 2 σ(3σ) ). 1.2.8.TÝnh phæ cËp cña ph©n bè chuÈn. Thùc tÕ chóng ta rÊt hay gÆp ph©n bè chuÈn. Së dÜ nh− vËy v× x¶y ra §Þnh lÝ giíi h¹n trung t©m sau ®©y (xem môc 3.5.2d): NÕu bnn X lµ kÕt qu¶ cña rÊt nhiÒu nguyªn nh©n, mçi nguyªn nh©n chØ cã vai trß kh«ng ®¸ng kÓ ®Õn kÕt qu¶ cuèi cïng th× X cã ph©n bè rÊt gÇn ph©n bè chuÈn. §1.3.VÐc t¬ ngÉu nhiªn chuÈn. 1.3.1.VÐc t¬ k× väng, ma trËn t−¬ng quan, ma trËn hÖ sè t−¬ng quan

M

http://www.ebook.edu.vn

QU

YN H

11

ON .

P { X − m < 2σ} = 2Φ (1) = 0,95450 ;

UC

Cho X ∼ N(m, σ2 ), theo c«ng thøc (1.9) ta cã ε ⎧ ε X−m ε⎫ < ⎬ =2 Φ ( ) . P { X − m < ε} = P ⎨− < σ σ σ⎭ ⎩ σ Thay ε = 1σ,2σ,3σ ta ®−îc P { X − m < 1σ} = 2Φ (1) = 0,68268 ;

OZ

.C OM
(1.16)

Nh− vËy nÕu quan s¸t BNN chuÈn quy t©m nhiÒu lÇn th× cã kho¶ng 50% sè lÇn BNN ®ã r¬i vµo kho¶ng (-L;L). ChÝnh v× thÕ, L ®−îc gäi lµ sai sè trung gian, nã tØ lÖ víi ®é lÖch chuÈn. D¹ng mËt ®é (1.14) cña ph©n bè chuÈn hay ®−îc dïng trong ph¸o binh. 1.2.7.Quy t¾c 2σ, 3 σ .

(

)

Ma trËn hiÖp ph−¬ng sai cña X cho bëi Σ = (Σij ) = Cov(X) = E[(X-m) (X − m)T ] .

YN H

Râ rµng R ii = E[Xi2 ] .

ON .

NÕu X vµ Y ®éc lËp th× chóng kh«ng t−¬ng quan. Ng−îc l¹i kh«ng ®óng: Tån t¹i nh÷ng BNN X vµ Y kh«ng t−¬ng quan, song chóng kh«ng ®éc lËp. §èi víi 2 BNN chuÈn X, Yth× X vµ Y ®éc lËp ⇔ X vµ Y kh«ng t−¬ng quan. b) Tr−êng hîp t«ng qu¸t. ⎛ X1 ⎞ ⎜ ⎟ Cho X = ⎜ ... ⎟ = (X1 ,...,X n )T lµ VTNN víi c¸c thµnh phÇn lµ nh÷ng BNN ⎜X ⎟ ⎝ n⎠ b×nh ph−¬ng kh¶ tÝch. §Æt ⎛ E[X1] ⎞ ⎛ m1 ⎞ ⎜ ⎟ ⎜ ⎟ = m = E[X] = ⎜ ... ... ⎟ ⎜ ⎟ - vÐc t¬ k× väng; ⎜ E[X ] ⎟ ⎜ m ⎟ n ⎠ ⎝ n⎠ ⎝ Ma trËn t−¬ng quan cña X cho bëi R = (R ij ) = E[X i X j ] .

UC

OZ

R = (ρij ) -ma trËn c¸c hÖ sè t−¬ng quan.

quan vµ R= (R ij ) –ma trËn chÐo, (ρij ) -ma trËn ®¬n vÞ . Ng−îc l¹i kh«ng ®óng. 3) Σ vµ R ®èi xøng , x¸c ®Þnh kh«ng ©m.

W

W

1.3.2. VTNN chuÈn, c¸c tÝnh chÊt quan träng. VTNN X= (X1 ,...,X n )T ®−îc gäi lµ VTNN chuÈn ( X gäi lµ cã ph©n bè
n

W

chuÈn trong ¡ chuÈn.

.D AY

c)TÝnh chÊt 1)

KE

ρij =

Cov(Xi ,X j ) D[Xi ]D[X j ]

M

=

E[(Xi − mi )(X j − m j )] D[Xi ]D[X j ]

QU

L−u ý: σi2 = D[Xi ] = E[(Xi − mi ) 2 ] = Σii - ph−¬ng sai cña Xi . Σij = E[Xi − mi )(X j − m j )] = Cov(Xi ,X j ) - hiÖp ph−¬ng sai cña Xi ,X j . - hÖ sè t−¬ng quan cña Xi ,X j .

ρij ≤ 1, ∀i, j.

2) NÕu c¸c thµnh phÇn X 1 ,...,X n ®éc lËp th× Xi ,X j kh«ng t−¬ng

) nÕu tæ hîp tuyÕn tÝnh bÊt k× c¸c thµnh phÇn cña nã cã ph©n bè

http://www.ebook.edu.vn

12

.C OM
(1.18) (1.19)

W

⎛1/ σ1 ⎞ ⎜ ⎟ . G −1 = ⎜ DÔ thÊy ⎟ , víi σi = D[Xi ] ⎜ ⎟ 1/ σn ⎠ ⎝ R = G −1ΣG −1 ; L¹i ®Æt DÔ thÊy Σ = GRG ; Σ −1 = G −1R −1G −1 ; ⎛ D11 ....D1n ⎞ 1 ⎜ ⎟ R −1 = .............. ⎟ ⎜ det(R) ⎜ ⎟ ⎝ D n1....D nn ⎠ trong ®ã Dij lµ phÇn phô ®¹i sè cña R ij trong ma trËn R. Thay vµo (1.20) ta ®−îc

W

W

.D AY

KE

MÖnh ®Ò- ®Þnh nghÜa. Gi¶ sö X lµ VTNN chuÈn víi ma trËn t−¬ng quan Σ . NÕu det( Σ ) ≠ 0 th× X ®−îc gäi lµ VTNN chuÈn kh«ng suy biÕn vµ mËt ®é cña nã cho bëi 1 ⎧ 1 ⎫ n T −1 exp (x m) (x m) (1.20) f(x)= − − Σ − ⎨ ⎬ ,x∈¡ . n/2 1/ 2 2 ⎩ ⎭ (2π) (det Σ) Nh− vËy, vÐc t¬ gi¸ trÞ trung b×nh m vµ ma trËn hiÖp ph−¬ng sai Σ hoµn toµn x¸c ®Þnh ph©n bè chuÈn; c¸c th«ng tin vÒ m« men cÊp cao h¬n lµ kh«ng cÇn thiÕt. ⎛ σ1 ⎞ ⎜ ⎟ G =⎜ . §Æt ⎟ ⎜ ⎟ σn ⎠ ⎝

M

http://www.ebook.edu.vn

QU

YN H
13

ON .

HÖ qu¶. Tõng thµnh phÇn cña VTNN chuÈn lµ BNN chuÈn. L−u ý: §iÒu ng−îc l¹i nãi chung kh«ng ®óng: Tõng thµnh phÇn cña VTNN X = (X1,...,X n )T lµ chuÈn ⇏ X = (X1,...,X n )T chuÈn. B©y giê gäi m = E[X] lµ vÐc t¬ k× väng vµ Σ = Cov(X) lµ ma trËn hiÖp ph−¬ng sai cña X (dÔ thÊy tån t¹i ), ph©n bè chuÈn ®−îc kÝ hiÖu bëi N(m, Σ ). VTNN chuÈn X cã vÐc t¬ k× väng m vµ ma trËn hiÖp ph−¬ng sai Σ ®−îc kÝ hiÖu bëi X ∼ N(m, Σ ). + NÕu ®Þnh thøc cña Σ b»ng 0 th× VTNN chuÈn X ®−îc gäi lµ suy biÕn. §Æt k = Rang(Σ) (h¹nh cña Σ ), tån t¹i kh«ng gian con k chiÒu cña ¡ n ®Ó chiÕu cña X trªn kh«ng gian nµy lµ VTNN chuÈn kh«ng suy biÕn.

UC

OZ

.C OM

Nãi c¸ch kh¸c, ∀ u1,...,un, BNN Y= u1X1 + ... + u n X n cã ph©n bè chuÈn.

( ⇔ Σ lµ ma trËn chÐo:

W

W

(1.23) E[U] = 0 ; Cov(U) = E [FT (X − m)(X − m)T F] = FTΣF = D . Khi ®ã U lµ VTNN chuÈn, quy t©m, c¸c thµnh phÇn ®éc lËp. Bëi v× mçi phÐp biÕn ®æi trùc giao chÝnh lµ mét phÐp quay trong ¡ n nªn ta cã thÓ ph¸t biÓu hÖ qu¶ trªn b»ng lêi nh− sau: §èi víi mçi VTNN chuÈn, ta cã thÓ dïng mét phÐp quay thÝch hîp ®Ó biÕn nã thµnh VTNN chuÈn víi c¸c thµnh phÇn ®éc lËp.

W

.D AY

1.3.3.BiÕn ®æi tuyÕn tÝnh VTNN chuÈn. MÖnh ®Ò. Cho X ∼ N(m, Σ ), A- ma trËn cÊp k × n tuú ý cßn b ∈ ¡ k bÊt k×. ⎧ ⎪E[Y] = Am + b; Khi ®ã VTNN Y=AX+b cã ph©n bè chuÈn trªn ¡ k víi ⎨ T ⎪ ⎩Cov(Y) = AΣA . HÖ qu¶. Gi¶ sö X∼N(m, Σ ) lµ VTNN chuÈn trong ¡ n . Khi ®ã tån t¹i ma trËn trùc giao A sao cho U = A(X-m) : N(0, D) trong ®ã D lµ ma trËn chÐo, c¸c phÇn tö trªn ®−êng chÐo chÝnh cña nã kh«ng ©m. NÕu X kh«ng suy biÕn (det Σ ≠ 0 ) th× c¸c phÇn tö trªn ®−êng chÐo chÝnh cña D d−¬ng. Chøng minh. Ta chøng minh cho tr−êng hîp det Σ ≠ 0 . Khi ®ã, Σ ®èi xøng, x¸c ®Þnh d−¬ng, vËy tån t¹i ma trËn trùc giao F cã c¸c vÐc t¬ cét ei lµ c¸c vÐc t¬ riªng cña Σ víi c¸c gi¸ trÞ riªng λi t−¬ng øng sao cho ⎛ λ1 ⎞ ⎜ ⎟ . (1.22) D = F−1ΣF−T = ⎜ ⎟ ⎜ ⎟ λn ⎠ ⎝ lµ ma trËn chÐo. V× Σ x¸c ®Þnh d−¬ng nªn c¸c gi¸ trÞ riªng λi > 0 . §Æt A = F−1 th×

KE

M

http://www.ebook.edu.vn

QU

YN H
14

ON .

UC

2 ⎛ σ1 ⎞ ⎜ ⎟ . Σ=⎜ ⎟ ) ⎜ 2⎟ ⎜ ⎟ σ n⎠ ⎝

OZ

.C OM

⎧ x i − mi x j − m j ⎫ ⎪ 1 n ⎪ f(x) = − exp D ∑ ⎨ ⎬. (1.21) ij σ σ 2 σ1...σn (2π) n / 2 (det R)1/ 2 i j = i, j 1 ⎪ ⎪ ⎩ ⎭ MÖnh ®Ò . Cho X = (X1 ,...,X n )T : N(m, Σ) . Khi ®ã X1 ,...,X n lµ c¸c BNN ®éc lËp khi vµ chØ khi X1 ,...,X n kh«ng t−¬ng quan 1

y

1.3.4. Mét sè BNN liªn quan ®Õn VTNN chuÈn.

MÖnh ®Ò. X1 ,...,X n ®éc lËp cïng ph©n bè chuÈn N(0,1) th×
2 2 Y = X1 + ... + X n : χ 2 (n) .

ON .

UC
(1.24) (1.26)

x H×nh 1.4.§−êng ®ång møc cña mËt ®é chuÇn 2 chiÒu.

O

U (1.25) : T(n) . V/n MÖnh ®Ò (Fisher). NÕu X = (X1 ,...,X n )T lµ VTNN n chiÒu sao cho c¸c T=
thµnh phÇn lµ nh÷ng BNN ®éc lËp, cïng ph©n bè chuÈn N(m, σ2 ) th× : 1 n 1 n a) X = ∑ Xi vµ S2 = ∑ Xi − X 2 lµ hai BNN ®éc lËp; n i =1 n i =1

QU

(

HÖ qu¶. X1 ,...,X n ®éc lËp cïng ph©n bè chuÈn N(m, σ2 ) th× (1.27) n : T(n-1). 1 n ∑ (Xi − X)2 n − 1 i =1 1.3.5.Mét sè ph©n vÞ kh¸c. 2 (n) . Ph©n vÞ møc α cña ph©n bè “Khi b×nh ph−¬ng” víi n bËc tù do, kÝ a) χα T=

W

W

2 (n) , lµ gi¸ trÞ x¸c ®Þnh tõ biÓu thøc: hiÖu lµ χα

W

.D AY

⎧ σ2 ⎪X : N(m, ); n ⎪ b) ⎨ 2 2 n ⎛X −X⎞ ⎪ nS 2 i = χ (n − 1). : ∑ ⎜ ⎟ ⎪ σ2 σ i =1⎝ ⎠ ⎩ X−m

KE

M

http://www.ebook.edu.vn

YN H
)
15

MÖnh ®Ò. U : N(0,1) , V : χ 2 (n) , U, V ®éc lËp th×

OZ

.C OM

H×nh 1.5. Ph©n vÞ cña ph©n bè “Khi b×nh ph−¬ng”(a) vµ cña ph©n bè Student (b).

2πσ1σ2

DÔ dµng tÝnh ®−îc

.D AY

1.3.5.VÐc t¬ ngÉu nhiªn chuÈn 2 chiÒu. Cho Z = (X,Y) lµ VTNN chuÈn 2 chiÒu (kh«ng suy biÕn) víi vÐc t¬ k× väng T ⎛1 ρ ⎞ m = m1, m 2 vµ ma trËn hÖ sè t−¬ng quan R = ⎜ ⎟ . Theo c«ng thøc (1.21), ρ 1 ⎝ ⎠ mËt ®é ®ång thêi cña Z cho bëi f(x,y) =
1
2 ⎧ ⎡⎛ x − m ⎞ 2 ⎛ x − m2 ⎞ ⎤ ⎫ 1 x − m x − m ⎪ 1 1 2 ⎢⎜ ⎥⎪ exp ⎨− 2 − ρ + ⎬ .(1.28) ⎟ ⎜ ⎟ 2 ⎢ 2 σ σ σ σ ⎥ 2(1 ) − ρ ⎝ ⎠ ⎝ ⎠ 1 1 2 2 ⎪ 1− ρ ⎣ ⎦⎪ ⎩ ⎭

KE

(

)

M

W

E[X1] = m;

W

D[X] = σ2 (1.29) E[X2 ]= m; 2 ; ρXY = ρ. §Æc biÖt, nÕu X vµ Y ®éc lËp ⇔ ρ = 0 (⇔ X vµ Y kh«ng t−¬ng quan), mËt ®é ®ång thêi cho bëi

W

http://www.ebook.edu.vn

QU

2 χα (n)

YN H
2 D[X] = σ1 ;

ON .

2 (n) vµ t α (n) víi nh÷ng gi¸ trÞ kh¸c nhau Ng−êi ta lËp b¶ng gi¸ trÞ cña χα cña α vµ n.

16

UC

trong ®ã X : χ 2 (n) . b) t α (n) . Ph©n vÞ Student møc α víi n bËc tù do, kÝ hiÖu lµ t α (n) , lµ gi¸ trÞ x¸c ®Þnh tõ biÓu thøc: P {T > t α (n)} = α , 0 < α < 1 trong ®ã T : T(n) . TÝnh chÊt: * t1−α (n) = − t α (n) ; * t α (n) ≈ U α víi n > 30.

OZ
t α (n)

.C OM

2 P X > χα (n) = α ,

{

}

0 < α <1

§Þnh luËt t¶n m¸t kh¼ng ®Þnh r»ng, to¹ ®é ®iÓm ®¹n r¬i (X, Y) tu©n theo luËt chuÈn víi hµm mËt ®é (1.30), m1 = m2 = 0. Cã thÓ viÕt l¹i mËt ®é nµy d−íi d¹ng

.D AY

⎧⎛ X ⎞2 ⎛ Y ⎞ 2 2⎫ ⎪ ⎪ P {( X, Y ) ∉ ( E )} = P ⎨⎜ ⎟ +⎜ ⎟ ≥ 4U 0,25 ⎬ ≈ 0,025 . (1.34) σ σ ⎪ ⎪ ⎩⎝ X ⎠ ⎝ Y ⎠ ⎭ Ng−êi ta chia (E) thµnh c¸c vïng víi tØ lÖ % xÊp xØ ®¹n r¬i vµo (H×nh 1.5); nhê ®ã cã thÓ tÝnh dÔ dµng x¸c suÊt ®¹n r¬i vµo miÒn G cho tr−íc nµo ®ã.

KE

⎧ ρ2 y2 ⎞ ⎫ ⎪ 2 ⎛ x2 ⎪ f (x, y) = exp ⎨−ρ ⎜ 2 + 2 ⎟ ⎬ (1.33) ⎜L ⎟ πL D L H L ⎪ ⎪ ⎝ D H ⎠⎭ ⎩ trong ®ã LD - sai sè trung gian vÒ tÇm, LH - sai sè trung gian vÒ h−íng . §èi víi hÇu hÕt c¸c ph¸o th«ng dông, LD lín gÊp 10 ÷15 lÇn LH. Elip t¶n m¸t (E) lµ elÝp cã c¸c b¸n trôc 4LD, 4LH (cã tµi liÖu ghi lµ LD, LH). X¸c suÊt ®Ó ®iÓm ®¹n r¬i (X,Y) n»m ngoµi elip t¶n m¸t rÊt nhá, cã thÓ bá qua:

M

QU

YN H
(
y LH 25 16 LD 7 2

W

2

7

16

25

W

W

http://www.ebook.edu.vn

17

ON .
)
x

2 ⎫ ⎧ ⎡⎛ ⎞ 2 ⎛ 1 y − m2 ⎞ ⎤ ⎪ 1⎢ x ⎪ exp ⎨ − ⎜ ⎟ + ⎜ f(x,y) = (1.30) ⎟ ⎥⎬ . 2πσ1σ2 2 σ σ ⎢ ⎥ 2 ⎠ ⎦⎪ ⎪ ⎩ ⎣⎝ 1 ⎠ ⎝ ⎭ §èi víi m« men bËc cao chóng ta cã kÕt qu¶ quan träng sau ®©y: NÕu (X, Y) lµ VTNN chuÈn quy t©m th× E[X 2 Y 2 ] = E[X 2 ]E[Y 2 ] + 2E 2 [XY] . (1.31) B©y giê chän X = Y : N(0, σ2 ) th× E[X 4 ] = 3σ4 vµ chóng ta nhËn ®−îc c«ng thøc tÝnh ®é nhän (1.2). 1.3.6. MËt ®é chuÈn 2 chiÒu dïng trong ph¸o binh - ElÝp t¶n m¸t. §Ó nghiªn cøu møc ®é t¶n m¸t cña ®¹n r¬i trªn mÆt ph¼ng n»m ngang, ng−êi ta lËp hÖ trôc Oxy víi gèc O trïng víi môc tiªu (®iÓm ng¾m b¾n), trôc Ox lµ h−íng b¾n. T−¬ng tù nh− (1.13) ®Æt ⎧ ⎪L D = σ1U 0,25 = 0,6745σ1; (1.32) ⎨ L = σ U = 0,6745 σ . ⎪ H 1 0,25 2 ⎩

UC

OZ

.C OM

a

M

khi x ≠ x 0 ; ⎧0 δ ( x − x0 ) = ⎨ ⎩+∞ khi x = x 0 , vµ tho¶ m·n quan hÖ : Víi a < b,

QU

δ(x − x 0 ) , lµ hµm suy réng, b»ng kh«ng víi x ≠ x 0 vµ b»ng v« h¹n t¹i x = x 0 :
(1.39)

KE

b a

∫ δ(x − x 0 )dx = ⎨0

(a)

⎧1

YN H

+§Ó më réng kh¸i niÖm hµm mËt ®é cho BNN rêi r¹c tr−íc hÕt ta ®−a ra hµm b−íc nh¶y ®¬n vÞ, ®ã lµ hµm: khi x ≥ 0; ⎧1 (1.38) u(x) = ⎨ khi x < 0. ⎩0 +Hµm delta. Hµm delta (cßn goÞ lµ hµm delta-Dirac) t¹i ®iÓm x 0 , kÝ hiÖu

khi a ≤ x 0 < b; khi x 0 < a
y
1 (b)

ON .
x

* P {a ≤ X < b} = ∫ f (x)dx .

−∞ b

UC
hay x o ≥ b.
y 1 O

* f (x) ≥ 0;

∫ f (x)dx = 1 ;

.D AY

y

1

OZ

H×nh 1.6 . Elip t¶n m¸t víi thang chia ®é. ⇓1.4. Më réng kh¸i niÖm mËt ®é ®èi víi BNN rêi r¹c. +Chóng ta biÕt r»ng, nÕu X lµ BNN liªn tôc víi hµm ph©n bè F(x) vµ hµm mËt ®é f(x) th×: dF(x) (1.35) , x∈¡ ; * f (x) = dx (1.36) (1.37)

W

W

W

O

x

O

H×nh 1.7. Hµm b−íc nh¶y ®¬n vÞ(a), hµm delta (b) vµ hµm delta t¹i x 0 (c). Mét ®Þnh nghÜa kh¸c cho hµm delta lµ

http://www.ebook.edu.vn

18

.C OM
(1.40)
(c)
x0

x

i ≥1

f (x) = ∑ pi δ(x − x i ) .
i ≥1

UC
khi x = 1 khi x = 2 khi x = 4 trai lai

pi = P {X = x i } , ∑ pi = 1, th× cã thÓ coi X cã mËt ®é

OZ
4

Hµm delta ®−îc thÓ hiÖn b»ng vÐc t¬ ®¬n vÞ //Oy (H×nh 1.7.). Nã cã thÓ coi lµ ®¹o hµm cña hµm b−íc nh¶y ®¬n vÞ: du(x) u(h) − u(k) = (1.42) δ(x) = lim k <0< h;h,k →0 h−k dx Khi ®ã, nÕu X lµ BNN rêi r¹c tËp trung t¹i {x i ,i = 1, 2,...} víi

MËt ®é nµy tho¶ m·n c¸c tÝnh chÊt (1.36) - (1.37) cña hµm mËt ®é th«ng th−êng. Ngoµi ra, cã thÓ coi nã lµ ®¹o hµm cña hµm ph©n bè: f (x) =

ON .
⎧0,5 ⎪0,3 ⎪ p(x) = ⎨ ⎪0, 2 ⎪ ⎩0

§Æc biÖt, hµm delta t¹i a chÝnh lµ hµm mËt ®é cña BNN h»ng sè X = a; së dÜ nh− vËy lµ v× :
∞ du(x − a) ; δ(x − a) ≥ 0; ∫ δ(x − a)dx = 1 . δ(x − a) = dx −∞

YN H

VÝ dô. Cho X lµ BNN víi b¶ng x¸c suÊt X P 1 0,5

KE

Hµm mËt ®é (suy réng) vµ hµm khèi l−îng x¸c suÊt thÓ hiÖn ë H×nh 1.8. y y 0,5 0,5

W

W

.D AY

2 0,3

M

Ng−êi ta còng hay xÐt hµm khèi l−îng x¸c suÊt cña BNN X p(x) = P {X = x} , x ∈ ¡ .

O

1

2

QU

4 0,2

4

x

O

1

2

W

H×nh 1.8. Hµm mËt ®é (a) vµ hµm khèi l−îng x¸c suÊt (b) cña BNN rêi r¹c.

http://www.ebook.edu.vn

19

.C OM
(1.43)
dF(x) . dx

δ(x) =

1 ∞ − jωx dω . ∫e 2π −∞

(1.41)

(1.44)

x

QU

1.1. Chøng tá r»ng nÕu a) X : B(n, p) th× E[X] = np; D[X] =np(1-p). b) X : P(λ ) th× E[X] = λ; D[X] = λ ; c) X : G(P) th× E[X] =(1-p)/p . 1.2. Chøng tá r»ng nÕu X : U [ a; b] th× E[X] =
a+b (b − a) 2 ; D[X] = . 2 12

W

1.3. Cho X : N(m, σ2 ) ; chøng tá r»ng E[X] =m. 1.4. Cho X : N(2, 9) . ViÕt ra hµm mËt ®é cña X vµ tÝnh c¸c s¸c suÊt b)P {1 ≤ X ≤ 4} . a) P {0 < X ≤ 1} ; 1.5. Cho X : N(0,1) . T×m mËt ®é cña Y = 2X – 3. TÝnh E[Y], D[Y]. 1.6. Cho X : N(0,1) .TÝnh P {X > 1, 645} ; P {X > 1,960} ; P { X > 1,960}. 1.7. ViÕt mËt ®é cña ph©n bè chuÈn, biÕt r»ng nã cã k× väng 0 vµ sai sè trung P {0 ≤ X ≤ 2} . gian 2. TÝnh P {−2 ≤ X ≤ 2} ; 1.8. §−êng kÝnh cña viªn bi cã ph©n bè chuÈn víi trung b×nh 20 vµ ®é lÖch chuÈn 0,5. Quy t¾c 2σ; 3σ kh¼ng ®Þnh cho ta ®iÒu g×? 1.9. Cho (X,Y) : N(0, ∑ ) .

.D AY

W

a) Gi¶ sö ∑ = ⎜ ⎝0
⎛4 ∑=⎜ ⎝1

W

b)Gi¶ sö

KE

⎛1

M

0⎞ ⎟ , kÕt luËn g× vÒ tÝnh ®éc lËp gi÷a X vµ Y? 3⎠ 1⎞ ⎟ , t×m hÖ sè t−¬ng quan gi÷a X vµ Y. 9⎠

http://www.ebook.edu.vn

YN H
20

Bµi tËp ch−¬ng I.

ON .

1.1 Nêu một số hiểu biết về biến ngẫu nhiên rời rạc. 1.2 Nêu một số hiểu biết về BNN liên tục, 4 luật phân bố liên tục. 1.3 BNN chuẩn: định nghĩa, tính chất hàm mật độ, các tham số đặc trưng, BNN chuẩn tắc, biến đổi tuyến tính, phân vị U α . 1.4 BNN chuẩn: định nghĩa, sai số trung gian, dạng mật độ BNN chuẩn dùng cho pháo binh, qui tắc 2 σ ,3 σ . 1.5 Véc tơ kỳ vọng, ma trận tương quan, ma trận hiệp phương sai của véc tơ ngẫu nhiên n chiều; vài tính chất. 1.6 Véc tơ ngẫu nhiên chuẩn: định nghĩa, tính chất. 1.7 Biến đổi tuyến tính VTNN chuẩn. 1.8 Một số biến ngẫu nhiên liên quan đến VTNN chuẩn. 2 (n); t α (n) , véc tơ ngẫu nhiên chuẩn 2 chiều. 1.9 Phân vị χα 1.10 Mật độ chuẩn 2 chiều dùng trong pháo binh, elip tản mát. 1.11 Khái niệm mật độ với BNN rời rạc.

UC

OZ

.C OM

Câu hỏi Chương I

1.10. Ma trËn nµo sau ®©y lµ ma trËn hiÖp ph−¬ng sai? a) ⎜
⎛2 ⎝0 0⎞ ⎟; 1⎠

b) ⎜ ⎝1

⎛2

1⎞ ⎟; 1⎠

c) ⎜
0,5 ⎞ ⎟ 0 ⎟. 4⎟ ⎠

⎛2 ⎝0

1⎞ ⎟; 1⎠

d) ⎜ ⎝1

1⎞ ⎟. 1⎠

1.11. Cho U=(X,Y,Z) : N(m, ∑ ) ,trong ®ã m = (0,1, 2)T ;
0,5 ⎛1 ⎜ ∑ = ⎜ 0,5 1 ⎜ 0,5 0 ⎝
⎛X⎞

T×m ph©n bè cña T = X – 2Y + 3Z . 1.12. Cho U = ⎜ ⎟ : N(0, ∑) , trong ®ã ∑ = ⎜ ⎝Y⎠ ⎝ 0,5 T×m VTNN d¹ng
⎛1 0,5 ⎞ ⎟. 1⎠

aX+bY vµ cX+dY lµ 2 BNN ®éc lËp.

2 2 X = X1 + ... + X5 ;

2 2 Y = X1 + ... + X10 . T×m a, b ®Ó

P {X > a} = 0, 05;

.D AY

1.14. Gi¶ sö ®iÓm ®¹n r¬i (X,Y) cã ph©n bè chuÈn, trong ®ã ®é lÖch h−íng X vµ ®é lÖch tÇm Y kh«ng cã sai sè hÖ thèng (tøc lµ k× väng 0), ®éc lËp, vµ cïng ®é lÖch chuÈn 4 mÐt. TÝnh x¸c suÊt ®Ó ®¹n r¬i vµo vßng trßn t©m O b¸n kÝnh 3 mÐt. 1.15. Gi¶ sö ®iÓm ®¹n r¬i (X,Y) cã ph©n bè chuÈn, trong ®ã ®é lÖch h−íng X : N(0, 4) , ®é lÖch tÇm Y : N(0, 5) , X vµ Y ®éc lËp. TÝnh x¸c suÊt ®Ó ®¹n r¬i vµo vßng trßn b¸n kÝnh 3 mÐt, t©m t¹i ®iÓm ng¾m b¾n.. 1.16. ø¬c l−îng x¸c suÊt ®¹n tróng vµo xe t¨ng, biÕt r»ng ta ng¾m b¾n vµo ®iÓm gi÷a cña phÇn d−íi cña xÝch vµ sau khi vÏ xe lªn hÖ trôc víi elÝp t¶n m¸t th× thu ®−îc h×nh vÏ sau ®©y.

KE

M

2

7

QU

16

25

W

YN H
y LH 25 16 LD 7 2

1.13. Cho X1 ,..., X10 lµ nh÷ng BNN ®éc lËp cïng ph©n bè chuÈn N(0,1).§Æt
P {Y < b} = 0, 05 .

W

W

H×nh 1.9 . Xe t¨ng trong hÖ thèng elip t¶n m¸t .

http://www.ebook.edu.vn

21

ON .
x

⎛ aX + bY ⎞ V=⎜ ⎟ sao cho 2 thµnh phÇn cña V, tøc lµ ⎝ cX + dY ⎠

UC

OZ

.C OM

⎛ −1

1.17. Cho

X : U[a; b] ,

tính

P{ X − EX < 2σ} ,

P{ X − EX < 3σ}

v ới

σ = DX ; so sánh với công thức (1.17). 1.18. Giả sử X : E(λ ) . Chứng tỏ rằng X là BNN “không có trí nhớ” theo

nghĩa

1.20. Biết rằng mật độ của BNN X có dạng
⎧ ⎪kxe − x khi x ≥ 0 f (x) = ⎨ x < 0. ⎪ ⎩0

c)Tìm mật độ của BNN ĐS.

X.

ON .
X

a)Tìm hằng số k, Mod(X). b)Tính E[X], E[X 2 ], D[X].

UC
( x) = 2x 3e − x .
2

1.21. VTNN (X, Y) có mật độ

M

b) Tìm mật độ của Z = X + Y. c) Tìm mật độ của BNN X 2 .

QU

⎧ ⎪e− (x + y) khi x ≥ 0, y ≥ 0 f (x, y) = ⎨ trai lai ⎪ ⎩0 a) Tìm mật độ biên f X (x), f Y (y) . Suy ra rằng X, Y là hai BNN độc lập.

YN H
22

k = 1; Mod(X) = 1; E[X] = 2; E[X 2 ] = 6 ; f

W

W

W

.D AY

KE

ĐS. f X (x) = e − x , (x ≥ 0) ; f Z (x) = xe − x , (x ≥ 0) f

(x) X2

=

1 2 x

http://www.ebook.edu.vn

OZ
e−
x

P{X > s + t | X > t} = P{X > s}, ∀t,s ≥ 0 . 1.19. Cho X : E(λ), Y : E( γ ) , X và Y độc lập. Chứng minh rằng X + Y : E(λ + γ ) . Mở rộng kết quả sang trường hợp có nhiều biến ngẫu nhiên.

.C OM
, (x ≥ 0) .

Chương 3

(i) Ta nói dãy các BNN

hội tụ chắc chắn tới BNN X và viết

(i) Ta nói dãy các BNN {X n } hội tụ hầu chắc chắn tới BNN X và viết
hcc X n ⎯⎯→ X (hay X n → X (hcc)) nếu tồn tại biến cố A ⊂ Ω với P(A) = 1 sao cho lim X n (ζ ) = X(ζ ), ∀ζ ∈ A .

(ii) Ta nói dãy các BNN {X n } hội tụ theo xác suất tới BNN X và viết
lim P { X n − X ≥ ε} = 0, ∀ε > 0.

n →∞

LP X (hay X n → X theo trung bình cấp p), nếu X , và viết X n ⎯⎯→

KE

(iii) Ta nói dãy các BNN {X n } hội tụ trung bình cấp p (0 < p < ∞ ) tới BNN

n →∞

M

P X n ⎯⎯ → X n ếu

QU

YN H
n →∞

cc X n ⎯⎯ → X (hay X n → X (cc)) nếu lim X n (ζ ) = X(ζ ), ∀ζ ∈ Ω . n →∞

L X n ⎯⎯ → X hay

.D AY

E X n < ∞, ∀n

p

và lim E X n − X = 0 .

(4i) Ta nói dãy các BNN {X n } hội tụ theo luật đến BNN X và ta viết FX n ⇒ FX nếu
n →∞

W

W

W

lim FX n (x) = FX (x)

tại mọi điểm liên tục của hàm phân bố FX (x). Từ bất đẳng thức Liapunov (xem 5.2.1), hội tụ trung bình cấp p sẽ suy ra hội tụ trung bình cấp q với 0 < q < p. Tuy nhiên trong thực tế ứng dụng thì hội tụ trung bình cấp hai là quan trọng nhất; hội tụ trung bình cấp hai còn gọi là hội tụ bình phương trung bình hay MS - hội tụ (mean square convergence), ký hiệu MS X n ⎯⎯→ X, (n → ∞) hay l.i.m. X n = X
http://www.ebook.edu.vn

23

ON .
p

§3.5. SỰ HỘI TỤ CỦA DÃY CÁC BIẾN NGẪU NHIÊN Mục này trình bày bốn dạng hội tụ thông dụng nhất của dãy các BNN cũng như những định lý hạt nhân của lý thuyết xác suất về sự hội tụ của dãy các BNN độc lập: luật số lớn, định lý giới hạn trung tâm. Sự hội tụ của dãy các BNN dạng khác như xích Markov, martilgal… được trình bày ở chuyên khảo khác. 3.5.1. Các dạng hội tụ a)Định nghĩa. Giả sử X và X n , n = 1, 2, … là các BNN cùng xác định trên không gian xác suất ( Ω, ℑ, P ) .

{X n }

UC

OZ

.C OM

VÉC TƠ NGẪU NHIÊN

+ ∀ε > 0 , P { X n − X m ≥ ε} → 0
2

khi n, m → ∞ ;

(ii) Dãy {X n }

.D AY

MS P X n ⎯⎯→ X ⇒ X n ⎯⎯ → X. (iii) Dãy {X n } hội tụ theo xác suất thì cũng hội tụ theo luật: P L X n ⎯⎯ → X ⇒ X n ⎯⎯ → X. Mối quan hệ giữa các dạng hội tụ thể hiện ở giản đồ sau

Chắc chắn

KE

hcc P X n ⎯⎯→ X ⇒ X n ⎯⎯ → X. hội tụ bình phương trung bình thì cũng hội tụ theo xác suất:

M

Định lý (tiêu chuẩn Cauchy). Dãy các BNN {X n } hội tụ đến BNN X nào đó: (i) hầu chắc chắn khi và chỉ khi nó là dãy Cauchy hầu chắc chắn. (ii) theo xác suất khi và chỉ khi nó là dãy Cauchy theo xác suất; (iii) theo bình phương trung bình khi và chỉ khi nó là dãy Cauchy theo bình phương trung bình. Độc giả có thể tham khảo chứng minh trong các cuốn sách chuyên biệt về xác suất như [4], [11]. c. Mối quan hệ giữa các dạng hội tụ Chúng ta sẽ phát biểu định lý sau đây nêu lên mối quan hệ giữa các dạng hội tụ vừa nêu. Định lý. (i) Dãy {X n } hội tụ hầu chắc chắn sẽ hội tụ theo xác suất:

+ E X n − X m → 0 khi n, m → ∞.

hầu chắc chắn Theo trung bình

QU

YN H
24

ON .

Theo xác suất

UC

(l.i.m. là viết tắt của chữ limit in mean). Riêng với hội tụ theo luật, các BNN X n và X có thể xác định trên những không gian xác suất khác nhau. b. Tiêu chuẩn Cauchy về sự hội tụ Áp dụng tiêu chuẩn Cauchy về sự hội tụ của dãy số thông thường cũng như một vài kỹ thuật khác, chúng ta phát biểu các tiêu chuẩn Cauchy sau đây về sự hội tụ của dãy các BNN. ¦u điểm của các tiêu chuẩn Cauchy là không cần sự có mặt của BNN giới hạn X. Định nghĩa: Ta nói dãy các BNN {X n } là dãy Cauchy (hay dãy cơ bản) hầu chắc chắn, theo xác suất hay theo bình phương trung bình nếu lần lượt thoả mãn các tính chất sau: + Dãy {X n (ζ ), n = 1, 2,...} là dãy Cauchy với hầu hết ζ ∈ Ω ;

W

W

W

Ngoài ra, quan hệ sau đây cũng hay được sử dụng: Định lý. Nếu dãy các BNN {X n } hội tụ theo xác suất đến X thì có thể tích ra một dãy con {X n k , k = 1, 2,...} hội tụ hầu chắc chắn đến X.
http://www.ebook.edu.vn

OZ

.C OM
Theo luật

D[X] =

+∞ −∞

+ Nhận được đpcm.

+∞ E[X]+ε

(x − E[X]) 2f (x)dx ≥ ε 2 P { X − E[X] ≥ ε}.

W

W

W

phương sai D[Xi ] = σ2 hữu hạn. Khi đó, với mọi ε > 0 cố định, ⎧ X + ... + X n ⎫ lim P ⎨ 1 − µ < ε ⎬ = 1. n →∞ ⎩ n ⎭ Chứng minh. Từ giả thiết suy ra
http://www.ebook.edu.vn

.D AY

Đôi khi dạng sau đây của (3.5.1) cũng rất tiện lợi: D[X] P { X − E[X] < ε} ≥ 1 − 2 . ε Đặc biệt, khi ε là một số nguyên lần độ lệch chuẩn chúng ta thu được 1 P { X − E[X] < n σ } ≥ 1 − 2 . n Nếu chọn n = 3 thì 8 P { X − E[X] < 3σ } ≥ . (3.5.2) 9 Bất đẳng thức (3.5.2) cũng được phát biểu dưới dạng quy tắc 3 σ : Mỗi BNN không lệch khỏi giá trị trung bình của nó một lượng 3σ với xác xuất khá lớn. Chúng ta thấy xác suất “khá lớn” ở đây chỉ là 8/9, thấp hơn rất nhiều so với 0.9973 ở trường hợp X có phân bố chuẩn theo công thức (1.17). Như vậy, nếu biết thêm thông tin về tính chuẩn của BNN X, chúng ta có những khẳng định mạnh hơn về khả năng xuất hiện biến cố { X − E[X] < 3σ }.

b. Luật yếu số lớn Cho dãy BNN {X n } độc lập, cùng phân bố với kỳ vọng E[Xi ] = m và

KE

M

QU

YN H

ON .

(x − E[X]) 2f (x)dx ≥

E[X]−ε −∞

UC

3.5.2. Các định lý giới hạn. Các định lý giới hạn ở mục nhỏ này khảo sát dáng điệu của tổng các BNN độc lập cũng phân bố khi số các số hạng tăng lên vô hạn, bao gồm luật yếu số lớn, luật mạnh số lớn và định lý giới hạn trung tâm. Trước hết, chúng ta tìm hiểu bất đẳng thức Chebyshev. Ngoài việc dùng để chứng minh luật yếu số lớn, bất đẳng thức này còn được ứng dụng vào nhiều mục đích khác. a. Bất đẳng thức Chebyshev Giả sử X là BNN với kỳ vọng EX và phương sai DX hữu hạn. Khi đó, ∀ε > 0 xảy ra bất đẳng thức: D[X] (3.5.1) P { X − E[X] ≥ ε} ≤ 2 . ε Chứng minh. Chúng ta chứng minh cho trường hợp X có hàm mật độ, ta có:
(x − E[X]) 2f (x)dx

OZ

25

.C OM
(3.5.3)

phương sai D[Xi ] = σ2 hữu hạn. Khi đó

W

W

X1 + ... + X n bằng f n - tần suất xuất hiện biến cố n A trong n phép thử đầu tiên. Với P = P(A) ta có E[Xi ] = p; D[X i ] = p(1 − p). Theo luật mạnh số lớn, tần suất hội tụ hầu chắc chắn đến E[Xi ] = p = P(A). Như vậy, luật mạnh số lớn là cơ sở toán học của định nghĩa thống kê về xác suất, đưa ra ở giai đoạn đầu của lý thuyết này. Ví dụ 5.. Hình 3...(a) trình bày kết quả mô phỏng với BNN mũ X với kỳ vọng E[X] = 1. Theo các giá trị X i , chúng ta tính toán được trung bình cộng + Xn . ( X )n = X1 + ... n Sau khoảng 200 phép thử chúng ta dường như nhận được sự ổn định. Hình 3....(b) chỉ ra hình ảnh của {(X) n } với 50 giá trị đầu, sự biến động dường như còn lớn.

W

.D AY

KE

Trung bình cộng ( X ) =
n

M

X + ... + X n ⎧ ⎫ = µ⎬ = 1. (3.5.4) P ⎨ lim 1 n ⎩ n →∞ ⎭ Chứng minh đầy đủ định lý này khá sâu sắc và chúng ta bỏ qua. Như vậy, với điều kiện nêu ra, dãy trung bình cộng ( X1 + ... + X n ) / n hội tụ hầu chắc chắn đến kỳ vọng µ . Ví dụ 5. Xét dãy các phép thử Becnoulli. ⎧1 nếu biến cố A xảy ra ở phép thử thứ i Xi = ⎨ nếu trái lại ⎩0

QU

http://www.ebook.edu.vn

YN H
26

ON .

X1 + ... + X n X1 + ... + X n σ 2 = µ; D = E . n n n Áp dụng bất đẳng thức Chebyshev chúng ta có ⎧ X + ... + X n ⎫ σ2 P⎨ 1 − µ < ε⎬ ≥ 1 − 2 . n nε ⎩ ⎭ Chuyển qua giới hạn khi n → ∞ nhận được đpcm. Theo các dạng hội tụ xét đến ở mục 3.5.1, luật yêu số lớn chính là: Đối với dãy BNN độc lập, cùng phân bố với phương sai hữu hạn, dãy trung bình cộng hội tụ theo xác suất đến kỳ vọng chung của dãy. Định lý này được nêu ra bởi Bernoulli ở cuối thế kỷ 17 như là thành công đầu tiên của lý thuyết xác suất non trẻ. Thực ra, với cùng giả thiết, chúng ta còn thu được sự hội tụ hầu chắc chắn, dạng hội tụ mạnh hơn hội tụ theo xác suất. Đó là nội dung của luật mạnh số lớn, công trình thuộc về Kolmogorov. c.Luật mạnh số lớn Cho dãy BNN {X n } độc lập, cùng phần bố với kỳ vọng E[Xi ] = µ và

UC

OZ

.C OM

6 •

(a)

( X )n
1 •

(b)

• •
200 400 1000 n

10

30

Hình 3. . Trung bình cộng của dãy BNN mũ kỳ vọng 1.

phân bố với kỳ vọng E[Xi ] = µ và phương sai D[Xi ] = σ2 hữu hạn. Khi đó đối với dãy {Ti } xác định theo (3.5.5) xảy ra đẳng thức:
1 x −2 lim P {Tn < x} = (3.5.6) ∫ e dt x →∞ 2π −∞ Vế phải của (3.5.6) chính là hàm phân bố chuẩn tắc F(x). Như vậy, định lý giới hạn trung tâm khẳng định rằng: Đối với dãy BNN độc lập cùng phân bố và phương sai hữu hạn, dãy chuẩn hoá của trung bình cộng hội tụ theo luật đến phân bố chuẩn tắc. Định lý được công bố đầu tiên bởi Laplace cho dãy { X n } với X n ~ B(1, p) dựa vào công thức Stirling. Định lý được chứng minh theo phương pháp hàm đặc
http://www.ebook.edu.vn
t2

W

W

W

.D AY

(X) n − µ n. (3.5.5) σ Rõ ràng E[Tn ] = 0 và D[ Zn ] = 1. Như vậy, kỳ vọng và phương sai của BNN giới hạn (nếu có) vẫn là 0 và 1 tương ứng. Câu hỏi đặt ra là: Hàm phân bố hay hàm mật độ (nếu có) của BNN giới hạn sẽ ra sao? Định lý sau đây trả lời cho câu hỏi này. Định lý (Định lý giới hạn trung tâm). Cho dãy BNN {X n } độc lập, cùng

KE

M

Tn =

QU

Gần đây người ta đưa ra những bất đẳng thức tinh vi hơn, số phép thử cần thiết giảm cỡ 5 lần. d) Định lý giới hạn trung tâm. Để nghiên cứu tỉ mỉ hơn về (X) n , hãy chuẩn hoá nó bằng cách đặt

YN H

Sai số tuyệt đối ε Số phép thử n

0,1 2 000

27

ON .
0,01 200 000

Nhận xét: Sự hội tụ của dãy {(X) n } thường là chậm hơn rất nhiều so với sự hội tụ của dãy tất định hay gặp thông thường. Ví dụ, nếu chúng ta cần một ngưỡng xác suất (độ tin cậy) 95%, đối với BNN có σ = 1 , theo bất đẳng thức Chebychev chúng ta có thể đưa ra bảng sau đây về số phép thử cần thiết để trung bình cộng (X) n lệch khỏi kỳ vọng E[X] một lượng bé hơn ε .

UC

0.001 2 000 000

OZ

.C OM
50

n

Sup
−∞ < x <+∞

Fx (x) − F(x) ≤ C

E Xi − EXi σ3 n

3

W

⎧ k 2 − np k − np ⎪ k − np Sn − np k 2 − np ⎫ ⎪ ≤ ≤ ) − F( 1 ). =P⎨ 1 ⎬ ≈ F( npq npq ⎭ npq npq ⎪ npq ⎪ ⎩ 1 Cuối cùng, vì F(x) = + Φ (x) chúng ta nhận được xấp xỉ 2 Pn (k1 ÷ k 2 ) ≈ Φ (x 2 ) − Φ (x1 ), (3.5.10) trong đó k − np xi = i , i = 1, 2 npq
http://www.ebook.edu.vn

W

W

.D AY

Nói cách khác, {Tn } hội tụ theo luật đến phân bố chuẩn tắc. Chứng minh. Đặt X i như ở Ví dụ 5... và đặt Sn = X1 + ... + X n . Khi đó Sn có phân bố nhị thức B(n,p) và suy ra Tn theo (3.5.7) là BNN chuẩn hoá của Sn . Theo định lý giới hạn trung tâm ta nhận được (3.5.8). Như vậy, với n lớn chúng ta có xấp xỉ P {Tn < x} ≈ F(x) (3.5.9) với F(x) là hàm phân bố chuẩn tắc. Bây giờ ta quay trở lại tính xấp xỉ Pn (k1 ÷ k 2 ) như nêu ra ở . Chúng ta có Pn (k1 ÷ k 2 ) = P {k1 ≤ Sn ≤ k 2 }

KE

M

QU

1 x − 2 lim P {Tn < x} = ∫ e dt. n →∞ 2π −∞

YN H
t2

trong đó hằng số C thoả mãn (xem [4] trang 2.2.6): 1 ≤ C ≤ 0.8 2π 1 Như vậy, tôc độ hội tụ là O( ) và phụ thuộc vào độ bất đối xứng n E[X1 − EX1 ]3 / σ3. Trong thực tế áp dụng, với các BNN có phân bố gần đối xứng, chỉ cần n ≥ 20 ; với các biến ngẫu nhiên khác, chỉ cần n ≥ 30 đã có xấp xỉ tốt. Hệ quả (Định lý giới hạn Mouvra - Laplace). Giả sử Zn là BNN có phân bố nhị thức B(n;p) (0 < p < 1). Đặt: Z − np Tn = n . (3.5.7) npq Khi đó

ON .

UC

OZ

28

.C OM
(3.5.8)

trưng. Độc giả cũng có thể tham khảo chứng minh tỉ mỉ khác ở [ ]. Vì tầm quan trọng đặc biệt, người ta đã phát triển định lý này theo rất nhiều hướng khác nhau. Nhận xét. Người ta nhận thấy tốc độ hội tụ ở định lý giới hạn trung tâm khá tốt, thể hiện ở bất đẳng thức

.D AY

1 x −2 Φ (x) = ∫ e dt - hàm Laplace. 2π 0 Người ta thấy rằng xấp xỉ là tốt nếu np > 5; nq > 5 hoặc npq > 20. Công thức hiệu chỉnh. Với các điều kiện vừa nêu cho n, p, q người ta thấy có thể làm tốt hơn xấp xỉ (3.5.9) bằng cách tăng k 2 lên nửa đơn vị, và giảm k1 đi nửa đơn vị. Cụ thể, nên sử dụng xấp xỉ sau: ∗ Pn (k1 ÷ k 2 ) ≈ Φ (x ∗ (3.5.11) 2 ) − Φ (x1 ), trong đó 1 1 k1 − − np k 2 + − np ∗ 2 2 x1 ; x∗ = 2 = npq npq với điều kiện np > 5; nq > 5 hoặc npq > 20. Ví dụ: Xác suất trúng đích của một xạ thủ khi bắn một viên đạn vào bia là 0,75. Tính xác suất để xạ thủ đó bắn 100 viên có 81 phát trúng đích trở lên. Giải. np, nq > 10, chúng ta có thể áp dụng các kết quả nêu trên. P = P100 (81 ÷ 100) ≈ Φ (x 2 ) − Φ (x1 ) ; 81 − 100.75 100 − 100.75 ≈ 1,38 ; x 2 = x1 = ≈ 5,77. 100.0,75.0.25 100.0,75.0.25 Tra bảng ta có Φ (1,38) = 0, 4162; Φ (5,77) ≈ Φ (3,0) = 0,5000 ; ⇒ P = 0,5000 − 0, 4162 = 0,0838 ≈ 8% . Nếu ta dùng công thức hiệu chỉnh thì 81 − 0,5 − 100.75 100 + 0,5 − 100.75 ∗ = ≈ 1, 27 ; x ∗ ≈ 5,889. x1 2 = 100.0,75.0.25 100.0,75.0.25 Φ (1, 27) = 0,398; Φ (5,77) ≈ Φ (3,0) = 0,5000 ; ⇒ P = 0,500 − 0,398 = 0,102 ≈ 10% . Xấp xỉ (3.5.9) và do đó (3.5.10) là tốt với các diều kiện đã đưa ra. Các diều kiện này thoả mãn, chẳng hạn khi n lớn hoặc khi p gần với 1/2. Khi n nhỏ (n ≤ 20) , người ta đã lập bảng giá trị cho các xác suất Pn (k; p) . Khi n không lớn lắm, hoặc khi p ≈ 0 hay khi p ≈ 1, các công thức trên không còn chính các nữa, người ta sử dụng định lý giới hạn Poisson sau đây. Định lý (Định lý giới hạn Poisson). Giả sử trong lược đồ Becnoulli p = P(A), và khi n → ∞ mà np = λ = const thì
λk . n →∞ k! Chứng minh. Từ công thức Becnoulli ta có n(n − 1)...(n − k + 1) k k k Pn (k) = C k p (1 − p)(n −k) . n p (1 − p) = k! Từ chỗ p = λ / n suy ra

t2

W

W

W

KE

M

lim Pn (k) = e −λ

QU

http://www.ebook.edu.vn

YN H
29

ON .

UC

OZ

.C OM

λk ⎡ 1 k −1 ⎤ ⎛ λ ⎞ 1.(1 − )...(1 − ) ⎜1 − ⎟ = ⎢ k! ⎣ n n ⎥ ⎦⎝ n ⎠ Chuyển qua giới hạn khi n → ∞ (k cố định) ta được
(− n )( −λ )− k

n −k

.

W

W

W

(0,1)0 = 0,0952. Pb = P1000 (1 ÷ 1000) = 1 − P1000 (0) ≈ 1 − e 0! Nếu bây giờ p = 0,001, tính toán tương tự ta được Pa ≈ 0,3679; Pb ≈ 0,6321. Đây là những xác suất khá lớn.
−0,1

Câu hỏi ôn tập chương III 3.1. Dãy BNN hội tụ hcc, theo xác suất, bình phương trung bình và theo luật. Mối quan hệ giữa các dạng hội tụ này. 3.2. Phát biểu và chứng minh bất đẳng thức Chebyshev, luật yếu số lớn. Phát biểu luật mạnh số lớn. 3.3. Định lý giới hạn trung tâm.
http://www.ebook.edu.vn

.D AY

Pa = P1000 (1) ≈ e

KE

λk λ k −λ ⎛ λ⎞ λ lim Pn (k) = lim ⎜1 − ⎟ e . = n →∞ k! n →∞ ⎝ n ⎠ k! Ý nghĩa. Khi n lớn còn λ = np không lớn lắm ( λ ≤ 5 chẳng hạn), xảy ra công thức xấp xỉ k ⎧ −λ λ ⎪Pn (k) ≈ e (3.5.12) ⎨ k! ⎪ λ = np ⎩ Xấp xỉ là tốt khi n > 50; p < 0,1. Vì xác suất p là bé nên biến cố A rất ít khi xảy ra khi thực hiện một phép thử. Chính vì thế, Định lý giới hạn Poisson còn được gọi là định luật về các sự kiện hiếm hoi. k −λ λ . Có tài liệu lại lập bảng giá trị Người ta đã lập bảng các giá trị của e k! m −λ k e λ cho ∑ . Các xác suất Pn (k1 ÷ k 2 ) có thể dễ dàng tính được từ (3.5.12) và k =0 k! các bảng này. Ví dụ. Xác suất để một loại máy bay trên một tuyền đường nhất định bị tai nạn là p = 10−4 . Tìm xác suất để trong 1000 lần bay có : a) một lần bị tai nạn; b) có ít nhất 1 lần bị tai nạn. Giải. Ta có thể áp dụng Định lý giới hạn Poisson với n = 1000, p = 0,0001; λ = np = 0,1 .
−0,1

M

(0,1)1 = 0,0905. 1!

QU

YN H
30

ON .

UC

OZ

.C OM

n(n − 1)...(n − k + 1) ⎛ λ ⎞ ⎛ λ ⎞ Pn (k) = ⎜ ⎟ ⎜1 − ⎟ k! ⎝n⎠ ⎝ n⎠

k

n −k

Phần II

Chương 5
NHỮNG KHÁI NIỆM TỔNG QUÁT

*Giả sử I là tập vô hạn nào đó còn ( S, ℑ, P ) là không gian xác suất cơ bản. Họ các biến ngẫu nhiên (BNN) {X t , t ∈ I} cùng xác định trên ( S, ℑ, P ) được gọi là hàm ngẫu nhiên. Tập chỉ số I được gọi là tập xác định; tập giá trị E của các BNN X t được

nghĩa khác) và chúng ta gọi {X t , t ∈I} là QTNN. Hơn nữa, nếu I là tập đếm được
gọi {X n , n ∈N} hoặc {X n , n = n 0 , n 0 + 1,...} là dãy các BNN một phía. Nếu I = Z thì ta gọi {X n , n ∈Z} là dãy các BNN hai phía. gian liên tục, đơn giản là QTNN. Đối với các trường hợp khác, ví dụ I = R k , {X t , t ∈I} được gọi là trường ngẫu nhiên. Chúng ta sẽ nghiên cứu chủ yếu QTNN thời gian rời rạc hoặc thời gian liên tục. Trong quyển sách này nếu không nói gì thêm, QTNN xem xét là QTNN thực, ở đó tập giá trị là tập con của R . Khi tập giá trị là tập con của C , chúng ta có QTNN phức, chúng ta sẽ nói rõ QT là phức. *Thực chất, chúng ta đang đề cập đến hàm 2 biến X = {X(t, ς), t ∈ I, ς ∈ S} sao cho: Khi t ∈ I cố định, X(t, ς) là một BNN;
32
http://www.ebook.edu.vn

W

W

W

.D

AY

Khi I là một khoảng suy rộng của R , chúng ta gọi {X t , t ∈I} là QTNN thời

KE

M

thì ta gọi {X t , t ∈ I} là QTNN với thời gian rời rạc hay dãy các BNN. Đặc biệt, ta

QU

gọi là tập giá trị của hàm ngẫu nhiên. Khi I ⊂ ¡ , tham biến t thường đóng vai trò thời gian (cũng có thể có ý

YN HO

§5.1. MỞ ĐẦU Trong chương này chúng ta sẽ nghiên cứu những khái niệm căn bản nhất về quá trình ngẫu nhiên (QTNN). Khởi đầu, lý thuyết QTNN được phát triển gắn với dao động và nhiễu trong những hệ vật lý. QTNN đưa ra những mô hình hữu hiệu để nghiên cứu các lĩnh vực khác nhau như vật lý thống kê, thông tin liên lạc, phân tích chuỗi thời gian, phân tích hoạt động mạng máy tính và khoa học quản lý. 5.1.1. Các định nghĩa

N. UC O

Z.C

OM

QUÁ TRÌNH NGẪU NHIÊN

Khi ς ∈ S cố định, X(t, ς) là một hàm số thông thường trên I, được gọi là một quỹ đạo (tên khác: thể hiện, hàm chọn) của QT ứng với kết cục ς của thí nghiệm ngẫu nhiên. *Cũng là chính đáng, và đôi khi lại là thoả đáng nhất khi coi QTNN như là một ánh xạ ứng mỗi ς ∈ S với quỹ đạo X(., ς) - một hàm số thông thường trên I.

Để tiện lợi chúng ta hay viết X(t) thay cho X t , cũng như hay viết X ( t, ζ ) thay cho X t ( ζ ) là giá trị của quá trình (QT) tại thời điểm t khi kết quả của thí nghiệm ngẫu nhiên là ζ (khi xảy ra biến cố sơ cấp ζ∈S ). Chúng ta cũng hay ký 5.1.2. Phân loại sơ bộ. Tùy theo tập chỉ số I và không gian giá trị E (trong Vật lý, E được gọi là không gian trạng thái), người ta phân QTNN làm bốn loại sau đây: i) I liên tục, E liên tục: QTNN với thời gian liên tục và trạng thái liên tục (tên khác: QTNN liên tục); ii) I liên tục, E rời rạc: QTNN với thời gian liên tục và trạng thái rời rạc (tên khác: QTNN rời rạc); iii) I rời rạc, E liên tục: QTNN với thời gian rời rạc và trạng thái liên tục (tên khác: dãy ngẫu nhiên liên tục ). iv) I rời rạc, E rời rạc: QTNN với thời gian rời rạc và trạng thái rời rạc (tên khác: dãy ngẫu nhiên rời rạc). Theo các tính chất của quỹ đạo, người ta có thể phân loại QTNN một cách tỉ * QT liên tục theo quỹ đạo nếu hầu hết các quỹ đạo của nó là hàm liên tục; * QT bước nhảy nếu hầu hết các quỹ đạo của nó là hàm bậc thang… Lưu ý rằng trong cuốn sách này, thuật ngữ “hầu hết” hay “hầu chắc chắn” được sử dụng với ý nghĩa rằng, các tính chất kể đến xảy ra với xác suất 1. Hình 5.1(a) mô tả một quỹ đạo điển hình của QTNN liên tục {X(t)}. Hình 5.1(b) mô tả dãy ngẫu nhiên có được bằng cách lấy mẫu QT {X(t)} theo chu kỳ T0 QT ban đầu: Khi X(t) dương, Y(t) nhận giá trị 1; giá trị -1 được nhận tại những
33
http://www.ebook.edu.vn

W

W

chọn trước: X n = X ( n T0 ) , n = 0,1, 2,... Hình 5.1(c) mô tả quỹ đạo của QT dấu của

W

.D

AY

mỉ hơn. Chẳng hạn, khi I là khoảng suy rộng nào đó của R , ta nói {X t , t ∈I} là:

KE

M

QU

YN HO

hiệu QT {X(t, ς), t ∈ I, ς ∈ S} bởi {X(t), t ∈ I}, {X(t)} hay đơn giản là X.

N. UC O

Thuật ngữ hàm ngẫu nhiên có lẽ xuất phát từ quan điểm này. Như vậy, chúng ta lại có thể coi QTNN như là họ của các quỹ đạo hay là một tổng thể (ensemble) của các thể hiện (hay các hàm chọn) của nó. Sự khác biệt giữa các quan niệm nêu trên về QTNN nằm ở mục đích và phương pháp nghiên cứu.

Z.C

OM

(a)

(c)

(d)

Hình 5.1. Các dạng quỹ đạo của quá trình ngẫu nhiên
5.1.3. Ví dụ về QTNN

W

Ví dụ 5.1. Điện tâm đồ Điện tâm đồ là “bức tranh” của tim người thực hiện bằng sóng điện trường hay siêu âm). Có nhiều “nhiễu” trên những bức tranh này bởi vì sóng điện trường (hay siêu âm) được phản xạ từ nhiều nơi bên trong lồng ngực. Ví dụ 5.2. Đầu ra của kênh thông tin thường bị méo do nhiễu điện từ. Lưu ý rằng cả tín hiệu đầu vào cũng như tín hiệu điều chế đều có không gian trạng thái gián đoạn, tín hiệu đầu ra lại có không gian trạng thái liên tục. Cả ba tín hiệu có thời gian liên tục. Ví dụ 5.3. Tín hiệu âm thanh. Tín hiệu âm thanh có thể được xem là ngẫu nhiên từ chỗ dãy các âm lượng tạo nên tín hiệu là bất định. Cả không gian trạng thái và thời gian đều liên tục. Ví dụ 5.4. Tín hiệu FM với nhiễu. Tín hiệu FM (tín hiệu điều chế tần số) điển hình có dạng:

.D

AY

W

W

KE

t ⎛ ⎞ X ( t ) = cos ⎜ 2πf c t + 2πk f ∫ a ( s ) ds ⎟ , 0 ⎝ ⎠

M

http://www.ebook.edu.vn

QU

YN HO
34

N. UC O

(b)

Z.C

OM

của QT dấu {Y ( t )}.

thời điểm còn lại. Dãy rời rạc ở Hình 5.1(d) mô tả dãy mẫu với chu kỳ lấy mẫu T0

trong đó fc là tần số mang, thường nằm trong dải tần 88 ÷108MHz , kf là hệ số

bố đều trên [0;1]. Xét quá trình

X ( t, ζ ) = U ( ζ ) sin ( 2π t ) , t ∈R .

Hình 5.2. Một thể hiện của dãy nhiễu trắng Gauss với phương sai 1. 5.1.4. Họ các phân bố hữu hạn chiều
biến ngẫu nhiên với hàm phân bố FX(x1,t1) xác định bởi

.D

Giả sử {X ( t ) , t ∈I} là QTNN. Đối với thời điểm t1 ∈ I cố định, X(t1) là

AY

KE

W

đồng thời của X ( t1 ) ,..., X ( t n ) : FX ( x1,..., x n ; t1,..., t n ) = P {X ( t1 ) < x1 ,..., X ( t n ) < x n }
35
http://www.ebook.edu.vn

W

FX ( x1 , t1 ) = P {X ( t1 ) < x1 } .

M

QU

YN HO
(5.1.1) Bây giờ giả sử J = {t1 ,..., t n } là một tập con hữu hạn của I. Hàm phân bố (5.1.2)

W

N. UC O

Mỗi hàm mẫu của nó là một hàm hình sin theo thời gian với biên độ ngẫu nhiên. Ví dụ 5.6. Dãy nhiễu trắng. Dãy các BNN {X(n)} được gọi là dãy nhiễu trắng nếu nó quy tâm (kỳ vọng không), cùng phương sai và không tương quan. Một quỹ đạo điển hình của dãy nhiễu trắng với σ2 = 1 thể hiện ở Hình 5.2. Dãy nhiễu trắng và QTNN nhiễu trắng có vai trò quan trọng trong nghiên cứu QTNN.

Z.C

Ví dụ 5.5. Sóng sin ngẫu nhiên. Cho U : U [ 0;1] là biến ngẫu nhiên có phân

OM

điều chế máy phát (transmitter`s modulation constant), còn a(s) là tín hiệu âm thanh cần truyền đi. Thậm chí không có nhiễu, X(t) là tín hiệu ngẫu nhiên từ chỗ a(s) là ngẫu nhiên.

được gọi là hàm phân bố hữu hạn chiều (ở đây có n chiều) của quá trình các hàm phân bố hữu hạn chiều. Rõ ràng, họ các hàm phân bố hữu hạn chiều có hai tính chất sau đây: i) Tính chất đối xứng: Hàm phân bố hữu hạn chiều không thay đổi nếu ta hoán vị bộ chỉ số (1, 2,…,n). Ví dụ, khi hoán vị hai chỉ số đầu chúng ta có: FX ( x1 , x 2 ,..., x n ; t1 , t 2 ,..., t n ) = FX ( x 2 , x1 , x 3 ,..., x n ; t 2 , t1 , t 3 ,..., t n ) . (5.1.3) lim FX ( x1 ,..., x n ; t1 ,..., t n ) = FX ( x1,..., x n −1; t1 ,..., t n −1 ) . ii) Tính nhất quán theo nghĩa
x n →∞

N. UC O
p

trên thì tồn tại QTNN {X ( t ) , t ∈ T } với họ hàm phân bố hữu hạn chiều đã cho.

Ngược lại, cho họ hàm phân bố hữu hạn chiều thoả mãn hai tính chất nêu

X = {X ( t )} , Y = {Y ( t )} :

= P {X ( t1 ) < x1;...; X ( t n ) < x n ; Y ( s1 ) < y1 ; Y ( s m ) < s m } .

QU

FXY ( x1,..., x n , y1 ,..., y m ; t1 ,..., t n ,s1 ,...,s m ) =

YN HO
p 1/ p

Đó chính là nội dung của định lý tồn tại của Kolmogorov (người Nga). Rất nhiều tính chất quan trọng của QTNN được quy định bởi tính chất của các hàm phân bố hữu hạn chiều của nó, trong đó quan trọng nhất là hàm phân bố một chiều F(x; t) và hàm phân bố hai chiều F(x1, x2; t1, t2). Thông thường, chúng ta phải nghiên cứu đồng thời một số QT. Từ đó, mở rộng (5.1.2), chúng ta đưa vào khái niệm hàm phân bố đồng thời của hai quá trình

t ∈ I, X ( t ) là biến ngẫu nhiên khả tích cấp p, tức là E X ( t ) < ∞ .

.D

Từ bất đẳng thức Liapunov (xem [4 ], Phần III tr 127)

AY

QTNN X = {X ( t ) , t ∈ I } được gọi là QT cấp p (p > 0) nếu với mọi

KE

§5.2. MỘT SỐ LỚP QUÁ TRÌNH NGẪU NHIÊN 5.2.1. Quá trình cấp II

W

suy ra nếu QT là cấp p thì nó cũng là cấp q với 0 < q < p. Trường hợp quan trọng nhất khi p = 2, lúc đó ta có QT cấp hai. Đối với QT cấp hai X = {X ( t ) , t ∈ I } đặt

W

W

(E X(t) ) ≤ (E X(t) )
q 1/ q

M

Độc giả cũng có thể dễ dàng mở rộng sang trường hợp có hữu hạn QT.

,0<q<p

36
http://www.ebook.edu.vn

Z.C

(5.1.4)

(5.1.5)

(5.2.1)

OM

{X ( t )}

ứng với tập chỉ số J. Tập các hàm phân bố hữu hạn chiều được gọi là họ

µX ( t )

= E (X(t));

CX ( t,s ) = Cov ( X ( t ) , X ( s ) ) , t,s∈I .

(5.2.2)

và gọi µ X ( t ) là hàm kỳ vọng, RX (t,s) là hàm tự tương quan và CX(t,s) là hàm tự

hiệp phương sai của quá trình X đã cho. Khi biết hàm kỳ vọng , hàm tự hiệp phương sai và hàm tự tương quan có thể biểu diễn qua nhau theo công thức

N. UC O
2

CX ( t,s ) = R X ( t,s ) −µ X ( t ) µ X ( s ) .

Cũng từ đây, nếu QT là quy tâm, tức là hàm trung bình bằng 0, thì hàm tự tương quan và hàm tự hiệp phương sai trùng nhau. Nhiều khi chúng ta cần tìm E ⎡ ⎣X ( t ) − X ( s )⎤ ⎦ là kỳ vọng của bình phương số gia X(t) – X(s) của quá trình tại hai điểm t, s. Đại lượng này có thể tính thông qua hàm tự tương quan: E⎡ ⎣ X ( t ) − X ( s )⎤ ⎦ = R X ( t, t ) − 2R X ( t,s ) + R X ( s,s ) .
2

YN HO
2

Trong kỹ thuật, thường thì {X ( t )} là dạng sóng theo thời gian của điện áp hay dòng trên kháng 1 ôm. Công suất của QT tại thời điểm t là X2(t) và công suất trung bình tại thời điểm này là E(X2(t)), ký hiệu bởi PX(t). Như vậy, trong biểu thức (5.2.2) cho t = s ta nhận được công suất trung bình PX ( t ) = E[ X 2 ( t )] = R X ( t, t )
2 σ2 X ( t ) = C X (t, t) = E ( X ( t ) − µ X ( t ) ) = R X ( t, t ) −µ X ( t ) .

QU

M

và hàm phương sai

Để chuẩn hoá hàm tự hiệp phương sai, người ta dùng hệ số tự tương quan

KE

Hàm trung bình µ X (t) và hàm tự tương quan R X (t,s) là hai thống kê quan

W

W

trọng nhất của QT. Tuy nhiên, để tính chúng phải thông qua trung bình tổng thể, tức là phải biết mật độ xác suất hai chiều của QT - điều rất khó thực hiện trong thực tế. Ở bài §3.5 tiếp theo chúng ta sẽ giới thiệu cách tính xấp xỉ các hàm này trong tình huống khi việc lấy trung bình tổng thể không thể làm được.

.D

Đối với hai QTNN cùng xác định trên I và không gian xác suất ( S, ℑ, P ) , đặt R XY ( t,s ) = E[X ( t ) Y ( s )], CXY ( t,s ) = E[(X(t) −µ X (t)) (Y(s) −µ Y (s))]; t,s∈ I ,
37
http://www.ebook.edu.vn

AY

ρX ( t,s ) =

CX ( t, t ) CX ( s,s )

C X ( t,s )

.

W

Z.C

(5.2.3)

(5.2.4)

(5.2.5)

(5.2.6)

(5.2.7)

(5.2.8) (5.2.9)

OM

R X ( t,s ) = E ( X ( t ) X ( s ) ) , t,s∈I;

ρXY (t,s) =

C XY (t,s) CXY (t, t) CXY (s,s)

(5.2.10)

và được gọi lần lượt là hàm tương quan chéo, hàm hiệp phương sai chéo và hệ số tương quan chéo của hai quá trình X và Y. Dễ thấy quan hệ (5.2.3) có thể mở rộng cho hàm hiệp phương sai chéo: CXY ( t,s ) = R XY ( t,s ) −µ X ( t ) µ Y ( s ) . Hai quá trình X và Y được gọi là không tương quan nếu: CXY ( t,s ) = 0, Điều này tương đương với R XY ( t,s ) = E[ X(t) ].E[Y(t)], ∀t,s ∈I .

Hai quá trình X và Y được gọi là trực giao nếu:

R XY ( t,s ) = E[X(t)Y(s)] = 0, ∀t,s∈I .

N. UC O
t ,s∈I . .

µ X ( t ) = f ( t ) ; R X ( t,s ) = f ( t ) f ( s ) . µ X ( t ) = 3; R X ( t,s ) = 9 + 4e

QU

Ví dụ 5.8. Xét quá trình {X ( t )} với

E[Z2 ] = R X ( 5,5 ) = 13; E[W 2 ] = R X ( 8,8 ) = 13; V ậy D[Z] = D[W] = 13 - 32 = 4 Cov(Z, W) = E[Z W] – E[Z]E[W] = 2,195. 5.2.2. Quá trình số gia độc lập

W

các số gia của nó trên những khoảng thời gian rời nhau là những BNN độc lập: Với mọi t0, t1, …, tn trên I: t0 < t1 < …< tn, các số gia X ( t 0 ) , X ( t1 ) − X ( t 0 ) ,..., X ( t n ) − X ( t n −1 )

W

là những BNN độc lập.
38
http://www.ebook.edu.vn

W

Định nghĩa. QTNN X = {X ( t ) , t ∈ I } được gọi là QT số gia độc lập nếu

.D

AY

E[Z W] = R X ( 5,8 ) =11,195.

KE

Hãy tìm kỳ vọng, phương sai, hiệp phương sai của các biến ngẫu nhiên Z = X(5); W = X(8). Ta có E[Z] = E[W] = 3

M

YN HO
− 0,2 t − s

Rõ ràng, nếu một trong hai QT là quy tâm thì hai khái niện không tương quan và trực giao là tương đương: X quy tâm: X,Y không tương quan ⇔ X, Y trực giao. Ví dụ 5.7. Ví dụ tầm thường về QTNN là tín hiệu tất định X(t) = f(t), trong đó f(t) là hàm số cho trước. Đối với trường hợp này,

Z.C

(5.2.11) (5.2.12)

(5.2.13)

OM

Thêm vào đó, nếu luật phân bố của X(t) – X(s) chỉ phụ thuộc vào hiệu t – s thì ta gọi X là quá trình số gia độc lập thuần nhất. X 0 = ξ0 ; X1 = ξ0 + ξ1 ; X 2 = ξ0 + ξ1 + ξ 2 ,... lập thành dãy số gia độc lập (hãy chứng minh !).
2

Định nghĩa. Cho X = {X t , t ∈ I } là QT cấp hai: E X ( t ) < ∞ ∀ t ∈ I. Ta

của I và với số thực h bất kỳ sao cho K = {t1 + h,..., t n + h} ⊂ I , các VTNN

QT dừng mạnh) nếu với số tự nhiên n bất kỳ, với J = {t1,…, tn} là tập con tùy ý

khác, ví dụ I = [ 0; +∞ ) hay I = [ a; b ] . Thực tế, việc kiểm tra điều kiện dừng nói trên rất khó khăn. Tuy nhiên, lại có thể phát biểu một loạt điều kiện cần (nhưng không đủ) để một quá trình (QT) là dừng theo nghĩa hẹp. Nếu vi phạm dù 1 trong các điều kiện này thì khẳng định rằng QT không là dừng theo nghĩa hẹp. * Cho n = 1. Chúng ta nhận được

W

W

.D

AY

có cùng luật phân bố. Nói ngắn gọn, đó là quá trình có họ phân bố hữu hạn chiều bất biến với phép dịch chuyển thời gian. Thường người ta xét trường hợp I = R ; cũng có thể xét các trường hợp

FX ( x, t ) = FX ( x, t + h ) ,

KE

M

(X(t1 ),..., X(t n )) và (X(t1 + h),..., X(t n + h))

W

Như vậy, đối với QT dừng theo nghĩa hẹp hàm phân bố một chiều không phụ thuộc vào thời gian. 39
http://www.ebook.edu.vn

QU

Định nghĩa. Ta nói QTNN X = {X t , t ∈ I } là QT dừng theo nghĩa hẹp (hay

YN HO

Rõ ràng là, nếu X là QT số gia độc lập và là QT cấp hai thì X là QT số gia không tương quan. Điều ngược lại nói chung không đúng (có những phản ví dụ chứng tỏ điều này). 5.2.3. Quá trình dừng QT dừng có vai trò đặc biệt quan trọng trong vô tuyến điện cũng như nhiều ngành khác. Về đại thể, quá trình dừng có “dáng điệu” bất biến theo thời gian. Chúng ta phân QT dừng làm hai loại: theo nghĩa hẹp và theo nghĩa rộng. a) Quá trình dừng theo nghĩa hẹp

∀x ∈ R, ∀t, h : t, t + h ∈ I .

N. UC O

nói X là QT số gia không tương quan nếu hai số gia của nó trên những khoảng thời gian rời nhau là những BNN không tương quan. Cụ thể là, với t0, t1, t2, t3 bất kỳ trên I sao cho t0 < t1 < t2 < t3 ta có: Cov(X(t1 ) − X(t 0 ), X(t 3 ) − X(t 2 )) = 0 .

Z.C

OM

Ví dụ 5.9. Cho {ξn , n = 0,1,...} là dãy BNN độc lập. Dãy tổng riêng {Xn}

* Nếu QT là cấp k (k nguyên không âm) thì Đặc biệt, nếu QT là cấp hai thì hàm trung bình và phương sai là hằng số: µ X ( t ) = E[X ( t )] = µ;
2 σ2 X ( t ) = D[X ( t )] = σ ,

* Bây giờ chọn n = 2, t0 cố định tùy ý trên I nhận được:

FX ( x1, x 2 ; t1 , t 2 ) = FX ( x1 , x 2 ; t 0 , t 0 + ( t 2 − t1 ) ) .

Như vậy, một điều kiện đủ là: Hàm phân bố hai chiều chỉ phụ thuộc hiệu thời gian: FX ( x1, x 2 ; t1 , t 2 ) = FX ( x1 , x 2 ; τ ) với τ = t 2 − t1 . f X ( x1 , x 2 ; t1, t 2 ) = f X ( x1 , x 2 ; t 2 − t1 ) . Nếu các hàm phân bố có mật độ thì điều kiện này tương đương với * Tương tự, hàm tự tương quan RX(t,s) và hàm tự hiệp phương sai CX(t,s) chỉ phụ thuộc vào hiệu thời gian: R X ( t,s ) = E[X ( t ) X ( s )] = R X ( t − s ) ; CX ( t,s ) = Cov ( X ( t ) , X ( s ) ) = CX ( t − s ) . Thực vậy,
R2

QU

R X ( t,s ) = ∫∫ xy dF ( x, y; t,s ) = ∫∫ xy dF ( x, y; t − s )
R2

chỉ phụ thuộc vào hiệu t - s. Tương tự cho hàm CX ( t,s ) .

Định nghĩa. Giả sử X = {X t , t ∈ I } là QT cấp hai. Ta nói rằng X là QT
dừng theo nghĩa rộng nếu: i) Hàm kỳ vọng là hằng số

.D

AY

các hàm phân bố đồng thời của chúng (xác định theo (5.1.5)) bất biến với phép dịch chuyển thời gian. b) Quá trình dừng theo nghĩa rộng

W

KE

Hai QT {X ( t )} và {Y ( t )} được gọi là dừng theo nghĩa hẹp đồng thời nếu

µ X ( t ) = E[X ( t )] =µ X ,

M

Những trình bày về dừng theo nghĩa hẹp nêu trên có thể được mở rộng thành dừng theo nghĩa hẹp đồng thời của hai QT:

W

ii) Hàm tự tương quan chỉ phụ thuộc vào hiệu thời gian R X ( t,s ) = E[X ( t ) X ( s )] = R X ( τ ) , τ = t − s

W

trong đó R X ( τ ) là hàm nào đó của biến τ .
40
http://www.ebook.edu.vn

YN HO

N. UC O
t ∈I ;

Z.C

∀t ∈I.

OM

E(X k (t)) = υk ,

∀t ∈ I .

Để tiện lợi, QT dừng theo nghĩa rộng được gọi tắt là QT dừng. Lưu ý rằng nếu xảy ra (i) thì điều kiện (ii) tương đương với
τ= t − s

là hàm chỉ phụ thuộc vào hiệu t – s. hiệp phương sai của quá trình dừng X. Các điều kiện (ii) và (ii’) được viết dưới dạng tiện lợi sau đây: R X ( t + τ, t ) = R X ( τ ) ; CX ( t + τ, t ) = CX ( τ ) . Phương sai của QT dừng là hằng số:

2 D[X ( t )] = σ 2 X ( t ) = C X ( 0 ) = σ , ∀t ∈ I .

Người ta gọi µ X là kỳ vọng chung, σ2 X là phương sai chung của QT X.

Định lý 5.1. Cho R X ( τ ) là hàm tự tương quan của QT dừng nhận giá trị
thực {X ( t ) , t ∈R} . Khi đó: i) R X ( τ ) là hàm chẵn, tức là R X ( −τ ) = R X ( τ ) , ii) Hàm R X ( τ ) đạt cực đại tại τ = 0 :
iii) R X ( τ ) là hàm xác định không âm theo nghĩa: R X ( τ) ≤ R X ( 0) ,

YN HO
∀τ∈ R .
2 2 1/ 2

Rõ ràng, mỗi QT dừng theo nghĩa hẹp và là cấp hai sẽ là một QT dừng theo nghĩa rộng. Ngược lại nói chung không đúng (có những ví dụ minh hoạ điều này). Sau đây chúng ta nêu ra một số tính chất của hàm tự tương quan.

KE

Với mỗi bộ 2n số thực t1,…, tn, b1,…,bn bất kỳ luôn xảy ra bất đẳng thức:
i, j=1

∑ bi b j R X ( t i − t j ) ≥ 0 .

n

M

QU

N. UC O
∀τ ∈ R .
= R X ( 0).

Chứng minh.

i) R X ( −τ ) = R X ( 0 − τ ) = R X ( 0, τ ) = R X ( τ,0 ) = R X ( τ ) .

.D

ii) Áp dụng bất Cauchy-Schwarz, ta có

W

AY

R X ( τ ) = R X ( τ,0 ) = E X ( τ ) X ( 0 ) ≤ E X ( τ) E X ( 0)
2

W

(

)

W

n ⎛ n ⎞ iii) 0 ≤ E ⎜ ∑ bi X ( t i ) ⎟ = ∑ bi b jE[X ( t i ) X t j ] = ⎝ i=1 ⎠ i, j =1

( )

41
http://www.ebook.edu.vn

Z.C

Người ta cũng gọi hàm R X ( τ ) , CX ( τ ) lần lượt là hàm tự tương quan và tự

(5.2.14)

OM

ii’) CX ( t,s ) = E[(X ( t ) − µ X ( t ))(X ( s ) − µ X ( s )) = C X ( τ ) ,

=

Câu hỏi tự nhiên đặt ra là, vấn đề “ngược lại” phải chăng cũng đúng? Định lý không kèm chứng minh sau đây sẽ là câu trả lời cho vấn đề này. dừng khi và chỉ khi R ( τ ) là hàm xác định không âm.

Định lý 5.3.(Polya). Hàm chẵn R ( τ ) , τ∈R là hàm tự tương quan của một
QTNN thực, dừng nào đó nếu thoả mãn hai điều kiện sau đây: i) R ( τ ) là hàm lồi trên ( 0; +∞ ) ; ii) lim R ( τ ) = c ; c - hữu hạn.
τ→∞

Ví dụ 5.10. Xét dao động điều hoà với biên độ và tần số hằng số, pha ngẫu nhiên:
X ( t ) = A sin ( ωt + Θ ) , t ∈R trong đó A, ω là các hằng số, Θ có phân bố đều trên [0;2π]. Chúng ta có:

R X ( t + τ, t ) = E ⎡ ⎣ A sin ( ω ( t + τ ) + Θ ) .A sin ( ωt + Θ ) ⎤ ⎦ A2 E ⎡cos ωτ − cos ( 2ωt + 2Θ + ωτ ) ⎤ ⎦ 2 ⎣ A2 = cos ωτ, 2 là hàm số chỉ phụ thuộc vào τ. Vậy X dừng. Hơn nữa chứng minh được (xem [15] tr 90 -91): Cho ω là hằng số, A và Θ là hai BNN độc lập; {X(t), t ∈R} xác định ở Ví dụ 5.11 là QT dừng mạnh khi và chỉ khi Θ có phân bố đều trên [0;2π]. Ví dụ 5.11. Xét sóng sin ngẫu nhiên

.D

AY

W

trong đó A là biến ngẫu nhiên có phân bố đều trên [0;1]. Dễ thấy 1 µ X ( t ) = sin 2πt ≠ const , vậy {X ( t )} không là QT dừng (theo nghĩa rộng). 2 Chúng ta cũng có thể tính được
42
http://www.ebook.edu.vn

W

W

KE

M

=

X ( t ) = A sin ( 2πt ) , t ∈R

QU

A 2π E[X(t)] = ∫ sin ( ωt + θ ) dθ = 0 ; 2π 0

YN HO

N. UC O

Kiểm tra tính xác định không âm của một hàm số cho trước là điều khá khó khăn. Định lý sau đây (xem [12], tr 404) nêu lên một điều kiện đủ để một hàm cho trước là hàm tự tương quan.

Z.C

Định lý 5.2. Hàm số R ( τ ) , τ∈R là hàm tự tương quan của một QTNN thực,

OM

i, j=1

∑ b i b jR X ( t i − t j ) .

n

R X ( t,s ) =

trung bình (hay MS - tuần hoàn) nếu tồn tại số thực t0 sao cho E[X (t + t 0 ) − X(t)]2 = 0, ∀t ∈R . Ta gọi t0 là MS - chu kỳ của quá trình. Từ định nghĩa suy ra ngay rằng, với xác suất 1,với mọi t∈ ¡ X (t + t 0 ) = X(t) .

Lưu ý: Không suy ra P {ζ :X ( t + t 0 , ζ ) = X ( t, ζ ) , ∀t} =1 .
thì {X ( t )} là MS - tuần hoàn với MS - chu kỳ là t0.

Định lý 5.4. Nếu đối với dừng {X ( t )} xảy ra đẳng thức R X ( 0 ) = R X ( t 0 )
Lưu ý rằng hàm tự tương quan của QT dừng có thể có thành phần hằng số khác không, có thể có thành phần tuần hoàn, có thể có thành phần tắt dần nhanh hoặc chậm. Hình 5.3 đưa ra các dạng điển hình của hàm tự tương quan.

R X ( τ)

QU

Hình 5.3. Các dạnh điển hình của hàm tự tương quan của QT dừng
Đối với QT dừng {X ( t )} , hệ số tương quan (5.2.7) trở thành

.D

AY

KE

ρX ( τ ) =

M

R X ( τ)

W

W

là dừng, hơn nữa hàm tương quan chéo của chúng chỉ phụ thuộc vào hiệu thời gian:
43
http://www.ebook.edu.vn

{X(t)} , {Y(t)}

W

CX ( τ ) , CX ( 0 )

YN HO
τ∈ R .

N. UC O
R X ( τ) R X (τ)

c)Dừng đồng thời. Định nghĩa. Ta nói hai QT {X(t)},{Y(t)} là dừng đồng thời nếu mỗi QT

Z.C
(5.2.15)

OM

Định nghĩa. QTNN {X ( t ) , t ∈R} được gọi là tuần hoàn theo bình phương

sin ( 2πt ) sin ( 2πs ) sin ( 2πt ) sin ( 2πs ) ; CX ( t,s ) = . 3 12

(ii) R XY ( τ) ≤ R X (0) R Y (0) ; (iii) R XY (τ) ≤

W

Một lợi ích của hàm tương quan chéo là nhờ đó ta có thể tính được hàm tự tương quan của tổng hai QT.

W

W

Định lý 5.6. Đối với hai QT dừng đồng thời {X(t)},{Y(t)} ta có R X + Y (τ) = R X (τ) + R Y (τ) + R XY (τ) + R YX (τ).
44
http://www.ebook.edu.vn

.D

AY

Hình 5.4.Hàm tương quan chéo của hai QT thực, dừng đồng thời

KE

M

QU

= E[X 2 (0)].E[Y 2 (0)] = R X (0) R Y (0), chúng ta nhận được (ii). Tính chất (iii) suy ra từ (ii) và bất đẳng thực Cauchy: R (0) + R Y (0) R X (0) R Y (0) ≤ X . 2 Một số dạng có thể của hàm tự tương quan chéo thể hiện ở Hình 5.4.

YN HO

R X (0) + R Y (0) . 2 Chứng minh. Tính chất (i) trực tiếp suy từ định nghĩa. Từ bất đẳng thức Cauchy-Schwarz và từ tính dừng suy ra (E[X(t + τ) Y(t)]) 2 ≤ E[X 2 (t + τ)]E[Y 2 (t)]

N. UC O

R XY (t,s) = E[X(t)Y(s)] = R XY (t − s). Đòi hỏi này được viết lại dưới dạng tiện lợi sau đây: R XY (t + τ , t) = E[X(t + τ) Y(t)] = R XY (τ). (5.2.16) Hàm R XY (τ) được gọi là hàm tương quan chéo của hai QT {X(t)},{Y(t)} . Khi mỗi QT X, Y là dừng, ràng buộc (5.2.16) tương đương với hàm hiệp phương sai chéo chỉ phụ thuộc vào hiệu thời gian: CXY ( t + τ , t) = CXY (τ) = R XY (τ) − µ Xµ Y . (5.2.17) Khác với hàm tự tương quan, hàm tương quan chéo nói chung không chẵn. Sau đây là một số tính chất của hàm tương quan chéo hai QT dừng đồng thời. Định lý 5.5. Đối với hai QT thực dừng đồng thời {X(t)},{Y(t)} ta có: (i) R XY (−τ) = R YX (τ);

Z.C

(5.2.18)

OM

5.2.4. Quá trình Gauss

phân bố hữu hạn chiều cuả nó là chuẩn. Nói cách khác, đối với mỗi tập con hữu Theo định nghĩa của VTNN chuẩn, điều kiện này chính là: Để đơn giản cách viết, giả sử X i = X ( t i ) , đặt

∀ a1 ,...,a n ∈R , BNN a1X ( t1 ) + ... + a n X ( t n ) có phân bố chuẩn. ⎛ X1 ⎞ ⎛ E[X1 ] ⎞ ⎛ x1 ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ X = ⎜ g ⎟ ; m = E(X) = ⎜ g ⎟ ; x = ⎜ g ⎟ ; ⎜X ⎟ ⎜ E[X ] ⎟ ⎜x ⎟ n ⎠ ⎝ n⎠ ⎝ ⎝ n⎠

Hàm mật độ đồng thời của các biến ngẫu nhiên X1,...X n cho bởi f X1 ,...,X n ( x1,..., x n ) = 1

YN HO
n/2

( 2π )

n/2

det C

e

1 ( x − m )T C−1 ( x − m ) 2 .

N. UC O
(

hạn J = {t1,...,tn} ⊂ I, véc tơ ngẫu nhiên (X(t1 ),..., X(t n )) có phân bố chuẩn.

C = Cov ( X1 ,..., X n ) .

QU

Đặc biệt, phân bố một chiều và phân bố hai chiều là các phân bố chuẩn. Mật độ đồng thời (5.2.19) hoàn toàn quyết định bởi các phân bố một chiều (vì mi = E[X i ], Cii = D[X i ] ) và các phân bố hai chiều (vì Cij = Cov X i , X j với

W

W

W

.D

AY

biến đối với phép dịch chuyển thời gian, và do đó, mật độ đồng thời ở (5.2.19) cũng sẽ bất biến. Từ đó chúng ta có: Định lý5.7. Nếu quá trình Gauss là dừng (theo nghĩa rộng) thì nó cũng là QT dừng theo nghĩa hẹp. Hai lớp QTNN đặc biệt quan trọng là QT Poisson và QT Wiener sẽ được giới thiệu ở §5.5.

KE

M

i ≠j). Vì vậy, nếu QT đã cho là dừng (theo nghĩa rộng) thì các giá trị mi , Cij sẽ bất

45
http://www.ebook.edu.vn

Z.C
)

QTNN {X ( t ) , t ∈ I} được gọi là quá trình Gauss (hay QT chuẩn) nếu các

(5.2.19)

OM

Chứng minh. Ta có E[X(t + τ) + Y(t + τ)][X(t) + Y(t)] = E[X(t + τ) X(t)] + E[Y(t + τ)Y(t)] + E[X(t + τ)Y(t)] + E[Y(t + τ)X(t)] = R X (τ) + R Y (τ) + R XY (τ) + R YX (τ).

⇓§5.3. TÍNH CHẤT ERGODIC VÀ TRUNG BÌNH THỜI GIAN

trong ngày theo phút ta có thể coi t ∈ I = {0,00; 0,01;...; 24,00} . Giả sử ở phút thứ t, số gói tin chuyển qua một nút nào đó của một mạng máy tính là N(t). Số gói tin trung bình chuyển qua nút lúc 10 giờ là E[N(10,00)]. Để tính giá trị này, chúng ta ghi lại kết quả quan sát của N ngày, ví như N = 100. Theo luật mạnh số lớn ta có thể xấp xỉ 1 E[N(10,00)] ≈ ( N1 (10,00 ) + ... + N100 (10,00 ) ) 100 trong đó Ni(10,00) là số gói tin chuyển qua nút trong 1 phút vào lúc 10 giờ ở ngày thứ i.

Nếu quá trình { N ( t )} có tính ergodic, chúng ta chỉ cần quan sát trong một

W

ngày nào đó, với thời đoạn khá lớn nào đó - chẳng hạn N = 100 phút – quanh 10 giờ, ví như từ 9 giờ 00 đến 10 giờ 40. Chúng ta chỉ việc lấy số gói tin chuyển qua nút trong 100 phút đó chia cho 100 sẽ được xấp xỉ cho giá trị trung bình cần tìm. Để đơn giản, người ta có thể tiến hành hai thí nghiệm trên theo phương pháp mô phỏng thống kê. Kể cả khi ấy, chúng ta thấy lợi ích lớn lao của việc lấy trung bình theo thời gian. Tiện ích của việc lấy trung bình thời gian lớn đến mức người ta cứ tiến hành phương pháp này, dù rằng quá trình có thể không là ergodic. Chúng ta đưa ra sau đây hai dạng của tính ergodic: ergodic kỳ vọng và ergodic hiệp phương sai, và hầu như chỉ áp dụng cho QT dừng.

W

W

.D

AY

KE

M

http://www.ebook.edu.vn

QU

YN HO
46

5.3.1. Giới thiệu Ergodic là một tính chất tinh vi, thoạt đầu khó có thể chấp nhận được nó, thế nhưng lại rất hữu ích và được sử dụng rộng rãi. Khái niệm này được định nghĩa theo nhiều dạng khác nhau: theo nghĩa bình phương trung bình hay theo nghĩa hầu chắc chắn; theo kỳ vọng, theo hiệp phương sai hay theo mô men cấp p nào đó; áp dụng cho quá trình dừng hay cho quá trình bất kỳ. Những định lý ergodic được phát hiện đầu tiên vào nửa đầu thế kỷ XX bởi J.Von.Neumann, B.Birkoff (Mĩ), A.Ia. Khinchin (Nga). Nói một cách ngắn gọn, tính chất ergodic đảm bảo rằng: Nếu một tham số thống kê nào đó của QT được tính bằng kỳ vọng, tức là trung bình tổng thể thì tham số đó cũng có thể được tính theo trung bình thời gian đối với một quỹ đạo đơn lẻ. Để hình dung ra tính ergodic, chúng ta xét ví dụ sau đây. Sắp xếp thời gian

N. UC O

Z.C

OM

1 T ∫ f (t)dt , T→ +∞ 2T −T lim

(5.3.1)

vọng nếu kỳ vọng µ của QT bằng trung bình thời gian của một quỹ đạo bất kỳ: E[X ( t )] = lim
T →+∞

1 T ∫ X ( t ) dt, 2T − T

N. UC O

và được ký hiệu là A[ f(t)]. Toán tử A[ . ] được gọi là toán tử trung bình thời gian. Trường hợp {f(t)} là QTNN, giới hạn đưa ra được hiểu theo bình phương trung bình. Định nghĩa. QTNN dừng nhận giá trị thực {X ( t )} được gọi là ergodic kỳ

giới hạn theo bình phương trung bình. Đặt 1 T XT= ∫ X ( t ) dt . 2T − T

X T là giá trị trung bình thời gian trên [- T; T] của {X(t)} . Khi T →∞ , giới

hạn lim X T là giá trị trung bình của quỹ đạo trên toàn trục số. Đối với QTNN
t →∞

tổng quát, giới hạn đã nêu là một BNN, tức là phụ thuộc vào ζ∈S . Tuy nhiên:

ergodic kỳ vọng là

AY

KE

bình µ và hàm tự hiệp phương sai CX ( τ ) . Điều kiện cần và đủ để {X ( t )} là QT 1 T⎛ τ⎞ ⎜1 − ⎟ C X ( τ ) dτ = 0 . ∫ T 0⎝ T ⎠ 1 T ∫ E[X(t)]dt = µ . 2T − T

T →+∞

lim

M

Định lý 5.8. Giả sử {X ( t )} là QTNN dừng, nhận giá trị thực với hàm trung

QU

Đối với QT ergodic, chúng ta có thể lấy trung bình thời gian của một quỹ đạo bất kỳ làm trung bình tổng thể của quá trình : E[X(t)] = A[X(t)] .

YN HO
47

Chứng minh. Theo tính chất của tích phân (xem mục 5.4.3) chúng ta có:

.D

E[X T ] =

W

W

2 σT = D[X T ] → 0 ( T → ∞ ) . Lại áp dụng tính chất của tích phân và tính dừng của

{X ( t )} chúng ta đi tới

W

Từ đó, X T → µ ( T → ∞ ) theo bình phương trung bình khi và chỉ khi

http://www.ebook.edu.vn

Z.C

(5.3.2)

(5.3.3)

(5.3.4)

OM

5.3.2. Ergodic kỳ vọng Định nghĩa. Đối với hàm số f(t), t ∈ ¡ cho trước, trung bình thời gian của f(t) xác định bởi

2 σT

1 T T = ∫ ∫ E ⎡( X ( t ) − µ ) ( X ( s ) − µ ) ⎤ ⎦ dtds 4T 2 − T − T ⎣ 1 T T = ∫ ∫ CX ( t − s ) dtds . 4T 2 − T − T

Đối với tích phân kép cuối cùng, bằng cách đổi biến u = t − s, v = t + s ta đi tới:

⎛ τ ⎞ ⎜1 − ⎟ C X ( τ ) dτ . 2T ⎝ ⎠ (Nếu các bạn khó khăn trong việc xác định cận của biến tích phân u, v, trước 1 2T ∫ 2T −2T hết hãy dùng phép quay 2,
s

u = ( t − s)

2 ; v = ( t + s)

N. UC O
T

trong tích phân đơn thu được đặt

YN HO
48

u 2 = τ . Cũng có thể dùng lược đồ vi phân để tính tích phân này).

Bây giờ sử dụng tính chẵn của hàm C(τ) ta được

cho ước lượng này. Chẳng hạn, độ tin cậy để là lớn hơn 95% (lớn hơn 8/9). Như vậy khi σT << µ , X T là một ước lượng thoả đánh của kỳ vọng µ .

W

hàm tự tương quan CX ( τ ) là ergodic khi và chỉ khi
T → +∞

W

Định lý 5.9 (Định lý Slutsky). Quá trình dừng nhận giá trị thực {X ( t )} với
1T ∫ CX ( τ ) dτ = 0 . T0

.D

Thực ra, điều kiện ergodic (5.3.2) được đảm bảo bởi điều kiện khá đơn giản theo định lý sau đây. (Có thể xem chứng minh trong [ 8 ], trang 430).

AY

µ ∈( X T − 4, 47σT ; X T + 4, 47σT ) ( µ∈( X T − 3σT ; X T + 3σT ))

KE

2 (3.5.1), phương sai σT tính theo (5.3.5) còn cho phép chúng ta tìm khoảng tin cậy

M

Từ đó nhận được kết luận của định lý. Nhận xét. Theo quan điểm của thống kê toán, XT chính là một ước lượng không chệch và vững của kỳ vọng µ . Hơn nữa, theo bất đẳng thức Chebychev

QU

2 σT = D[X T ] =

1 2T ⎛ τ ⎞ ⎜1 − ⎟ C X ( τ ) dτ . ∫ T 0 ⎝ 2T ⎠

lim

W

Hai hệ quả sau đây đưa ra những điều kiện cho tính ergodic rất dễ kiểm tra

http://www.ebook.edu.vn

Z.C
T t

(5.3.5)

(5.3.6)

OM

⎡ 1 T ⎤⎡ 1 T ⎤ X t dt X s ds = D[X T ] = E ⎢ − µ − µ ( ) ( ) ( ) ( ) ⎥ ⎢ ⎥ ∫ ∫ ⎣ 2T − T ⎦ ⎣ 2T − T ⎦

trong nhiều trường hợp. Hệ quả. a) Nếu tích phân ∫ CX ( τ ) dτ hội tụ thì quá trình {X ( t )} là ergodic kỳ vọng.
0 ∞

hay tương đương CX ( τ ) → 0 thì {X ( t )} là QT ergodic kỳ vọng.

( τ→∞ )

Chứng minh. a) là hiển nhiên. Để chứng minh b) giả sử ε > 0 cho trước. Khi đó tìm được
T0 > 0 để C ( τ ) < ε / 2 với τ > T0 . Từ đó 1 T 1 C X ( τ ) dτ = ∫ T 0 T
T0

0

với T đủ lớn. Không phải mọi QT dừng đều là ergodic kỳ vọng, xét ví dụ sau đây. E(U) = m; 0 < D[U] < + ∞.

Ví dụ 5.12. Xét {X ( t )} với X ( t ) = U , trong đó U là biến ngẫu nhiên với

ngang, X t ( ζ ) = U ( ζ ) với mọi ζ ∈S .
lim X T ( ζ ) = U(ζ ) ≠ m = E X ( t ) .

Vậy {X ( t )} không là QT ergodic kỳ vọng.

AY

Ví dụ 5.13. Đối với QT dừng {X ( t )} với CX ( τ ) = q e

KE

T →∞

M

Bởi vì D[U] > 0 nên biến cố: {ζ :U ( ζ ) ≠ m} có xác suất dương, và do đó

QU

Dễ thấy {X ( t )} là QT dừng, các quỹ đạo đều là những đường thẳng nằm

YN HO
(
49

CX ( τ ) dτ +

T C ( 0 ) ε T − T0 1 T C X ( τ ) dτ ≤ 0 X + ≤ ε ∫ T T0 T 2 T

Theo định lý Slutsky, {X ( t )} là ergodie kỳ vọng. Ngoài ra, theo (5.3.5) 1 2T ⎛ τ ⎞ − cτ q ⎛ 1 − e −2cT ⎞ = D[X T ] = ∫ ⎜1 − ⎜1 − ⎟ → 0 ( T →∞ ) . ⎟ q e dτ = T 0 ⎝ 2T ⎠ cT ⎜ 2cT ⎟ ⎝ ⎠ Các kết quả kể trên cho QT dừng, thực, thời gian liên tục được mở rộng cho dãy dừng, thực.
2 σT

W

W

W

2 như sau: chúng ta tính được phương sai σT

.D

1T 1 T − cτ q C d q e dτ = 1 − e − cT → 0 ( T →∞ ) . τ τ = ( ) X ∫ ∫ T0 T0 cT

http://www.ebook.edu.vn

N. UC O
−c τ

chúng ta có

)

Z.C

b) Nếu

R X ( τ ) →µ X 2

( τ→∞ )

OM

Định nghĩa. Dãy ngẫu nhiên dừng nhận giá trị thực {X ( n )} được gọi là
N 1 ∑ X ( n ) → µ = E[X ( n )], ( N →∞ ) , 2N + 1 n =− N

XN =

Định lý 5.10. Cho dãy ngẫu nhiên dừng nhận giá trị thực {X ( n )} với hàm tự

tương quan CX(n). Dãy {X ( n )} là ergodic kỳ vọng khi và chỉ khi phương sai σ2 N của XN σ2 N = D[X N ] = dần đến không khi N →∞. ergodic kỳ vọng khi và chỉ khi lim
N ⎛ n ⎞ 1 ∑ ⎜1 − ⎟ CX ( n ) 2N + 1 n =− N ⎝ 2N + 1 ⎠

N. UC O
n

Đinh lý 5.11 (Định lý Slutsky). Dãy dừng nhận giá trị thực
1 N ∑ CX ( n ) = 0. N →∞ N n =0

Z.C

giới hạn theo bình phương trung bình.

(5.3.7)

{X ( n )}

YN HO

(5.3.8)

Nhận xét. Nếu dãy dừng {X ( n )} là ergodic kỳ vọng thì
XN =
N 1 X(n) ∑ 2N + 1 n =− N

sẽ là ước lượng không chệch và vững của kỳ vọng µ với phương sai được tính theo (5.3.7).

σ2 N = D[X N ] ≤

Suy ra {X ( n )} là dãy ergodic kỳ vọng.

Đối với quá trình dừng, thực {X ( t )} với kỳ vọng µ , phương sai V của nó không phụ thuộc vào thời gian và được tính bởi

W

.D

5.3.3. Ergodic phương sai (☼)

W

a) Trường hợp kỳ vọng đã biết

W

Định nghĩa. Quá trình dừng nhận giá trị thực {X ( t )} được gọi là ergodic
50
http://www.ebook.edu.vn

phương sai nếu phương sai V của nó bằng phương sai theo thời gian của một quỹ

AY

N +∞ 1 P n n Pa ≤ a ∑ ∑ 2N + 1 n =− N 2N + 1 n =−∞ P 1+ a = →0 ( N →∞ ) . 2N + 11 − a

KE

V = D[X ( t )] = E[(X(t) − µ ) 2 ] = E[X 2 (t)] − µ 2 .

M

Ví dụ 5.14. Xét dãy dừng {X ( n )} với CX ( n ) = Pa , (0 < a <1). Khi đó

QU

OM

ergodic kỳ vọng nếu:

đạo bất kỳ, cụ thể là:

E[( X ( t ) − µ ) ] = A[( X ( t ) − µ ) ] .
2 2

{( X ( t ) − µ ) } - ký hiệu là ( X − µ ) - là QT dừng. Như vậy, điều kiện ergodic
2 2

phương sai của QT {X ( t )} cũng chính là điều kiện ergodic kỳ vọng của QT

{( X ( t ) − µ ) }
2

1T , đó là lim ∫ C ( τ ) dτ = 0 . Bằng cách khai triển dễ thấy ( X −µ )2 T →+∞ T 0
C
(X −µ )2

(τ) = E[(X(t+τ) - µ)2 (X(t) - µ)2 ] - σ 4 ,

điều kiện trở nên đơn giản hơn một chút:

Điều kiện cần và đủ để {X ( t )} là ergodic phương sai là
1T 2 lim ∫ E[ (X(t+τ) − µ) 2 (X(t) − µ) 2 ]dτ = σ 4 X = C X (0). T →∞ T 0

YN HO
51

N. UC O
( T →∞ ) .

Lưu ý rằng trong nhiều trường hợp, ta có thể coi quá trình quy tâm hoá

Trong hệ thức (3.5.10) chúng ta cần đến những mô men cấp 4. Tuy nhiên, với quá trình Gauss, vấn đề trở nên đơn giản hơn. là ergodic phương sai khi và chỉ khi 1T 2 lim ∫ CX ( τ ) dτ = 0. T →+∞ T 0

KE

M

Hệ quả. Cho {X ( t )} là QT dừng Gauss với kỳ vọng µ đã biết. QT {X ( t )}

QU

Chứng minh. Đối với quá trình Gauss, áp dụng hệ thức (1.31) ta có

AY

Khi đó, {X ( t )} cũng là quá trình ergodic kỳ vọng.
C (τ) = E[(X(t+τ) - µ) 2 (X(t) - µ) 2 ] - σ 4 X
2 4 2 = (σ 4 X + 2E [(X(t+τ) - µ )(X(t) - µ )]) - σ X = 2C X ( τ)

W

Bây giờ chỉ việc áp dụng định lý Slutsky. Phần còn lại suy từ khẳng định
1T 1T 2 0 ≤ ∫ CX ( τ ) dτ ≤ ∫ CX ( τ ) dτ → 0, T0 T0
2

W

W

Nhận xét. Nếu {X ( t )} là ergodic phương sai thì trung bình thời gian trên

.D

(X −µ )2

http://www.ebook.edu.vn

Z.C

giới hạn theo bình phương trung bình. Nói một cách ngắn gọn, đối với QT ergodic phương sai, trung bình tổng thể và trung bình theo thời gian của bình phương các độ lệch (X(t) - µ )2 là như nhau:

(5.3.10)

(5.3.11)

OM

V = E[( X ( t ) − µ ) ] = lim
2

2 1 T X ( t ) − µ ) dt , ( ∫ T →+∞ 2T −T

(5.3.9)

[ −T;T ] của bình phương độ lệch ( X ( t ) − µ )

2

xác định bởi

sẽ là ước lượng không chệch cho phương sai V = D[X(t)] = CX(0). Phương sai của

gian XT theo (5.3.2) để ước lượng, rồi sau đó tính ước lượng

T T 2 ˆ = 1 ( X ( t ) − X )2 dt = 1 V X 2 ( t ) dt − X T . T T ∫ ∫ 2T − T 2T − T

N. UC O

b) Trường hợp kỳ vọng chưa biết. Bây giờ chúng ta không quan tâm đến ergodic phương sai nữa, vấn đề là làm thế nào để ước lượng V. Bởi vì µ chưa biết, chúng ta có thể dùng trung bình thời

ˆ khá khó khăn. Để khắc phục, chúng Xác định các tính chất thống kê của V T ˆ có sai V. Tuy nhiên, khi T lớn, độ chệch có thể bỏ qua. Hơn thế, phương sai V T thể được xấp xỉ bởi phương sai của VT – là ước lượng của V khi µ đã biết. Trong ˆ − V) 2 ] là nhỏ hơn nhiều trường hợp, sai số bình phương trung bình E[(V T dùng VT để ước lượng V kể cả khi µ đã biết. ˆ để ước lượng V có thể sẽ tốt hơn E[(VT − V) 2 ] với giá trị T lớn. Từ đó, dùng V T

c) Ergodic tự hiệp phương sai

lượng µ và xét {X ( t ) − X T } với lưu ý rằng kết quả là khá chính xác với T lớn. Đối với λ∈R cố định, quá trình tích {X ( t + λ ) X ( t )} có thể coi là dừng với có thể dùng trung bình thời gian

.D

kỳ vọng CX ( λ ) . Áp dụng các kết quả ở mục 5.3.2 để ước lượng CX ( λ ) , chúng ta

AY

Như vậy, chúng ta có thể giả sử rằng QT là quy tâm, tức là E(X t ) = 0.

KE

{X ( t )}

có kỳ vọng µ chưa biết, chúng ta có thể dùng XT theo (5.3.2) để ước

M

Nếu {X ( t )} có kỳ vọng µ đã biết, chúng ta có thể xét {X ( t ) − µ} . Nếu

W

( C X ( λ ) )T =

QU

1 T ∫ Z ( t ) dt, 2T − T

YN HO
52

ˆ là một ước lượng chệch của phương ta dựa vào nhận xét sau đây. Nói chúng, V T

W

với Z ( t ) = X ( t + λ ) X ( t ) . Đây là ước lượng không chệch của CX ( λ ) , phương sai của nó cho bởi (5.3.5), trong đó CX ( τ ) cần phải được thay thế bởi hàm tự hiệp phương sai của

W

http://www.ebook.edu.vn

Z.C
( X −µ )2

ước lượng này cho bởi (5.3.5), trong đó CX(τ) cần phải thay thế bởi C

(5.3.12)

(5.3.13)

OM
( τ) .

2 1 T VT = X ( t ) − µ ) dt ( ∫ 2T − T

quá trình {Z ( t )} :

Quá trình {X ( t )} là ergodic tự hiệp phương sai nếu và chỉ nếu 1T lim ∫ C Z ( τ ) dτ = 0. T →+∞ T 0 Nếu bây giờ giả thiết thêm {X ( t )} là quá trinh Gauss thì
2 C Z ( τ ) = CX ( λ + τ ) CX ( λ − τ ) + CX ( τ).

Áp dụng định lý Slutsky ta đi đến kết luận:

Trong trường hợp này (5.3.5) cho ta D ( C X ( λ ) )T =

(

)

2 T⎡ 2 CX ( λ + τ ) CX ( λ − τ ) + CX ( τ )⎤ ∫ ⎣ ⎦ dτ . T0

Hệ quả. Nếu quá trình dừng Gauss nhận giá trị thực có C ( τ ) → 0 ( τ→∞ )
thì nó là QT ergodic tự hiệp phương sai. Tính chất ergodic kỳ vọng và ergodic tự hiệp phương sai hay được sử dụng hơn cả. Chính vì thế, quá trình có hai tính chất này còn được gọi là ergodic suy rộng (xem [13] tr 93). Chúng ta xét thêm một loại ergodic nữa liên quan đến hai quá trình. d) Ergodic hiệp phương sai chéo.

CXY ( τ ) = E[( X ( t+τ ) − µ X ) ( Y ( t ) − µ Y )]

AY

có thể được tính thông qua trung bình thời gian 1 T CXY ( τ ) = lim ∫ ( X ( t + τ ) − µ X ) ( Y ( t ) − µ Y ) dt , T→ +∞ 2T −T (5.3.15)

W

coi {X ( t )} và {Y ( t )} là quy tâm. Trung bình thời gian

.D

giới hạn theo bình phương trung bình. Giống như đã tiến hành ở mục c), bằng cách quy tâm hoá, chúng ta có thể 1 T ˆ CXY ( τ )T = ∫ X ( t+τ ) Y ( t ) dt , 2T − T

W

KE

ergodic hiệp phương sai chéo nếu từng QT là ergodic tự hiệp phương sai, hơn nữa hiệp phương sai của chúng

M

Hai QT nhận giá trị thực, dừng đồng thời {X ( t )} và {Y ( t )} được gọi là

QU

YN HO
53

Nếu CX ( τ ) → 0 thì C Z ( τ ) → 0 ( τ→∞ ) , từ đó ta nhận được kết quả sau đây:

N. UC O

W

là một ước lượng không chệch của CXY ( τ ) và phương sai của ước lượng này

http://www.ebook.edu.vn

Z.C

(5.3.14)

(5.3.16)

OM

2 CZ ( τ ) = E ⎡ ⎣ X ( t+λ +τ ) X ( t+τ ) X ( t+λ ) X ( t ) ⎤ ⎦ − CX ( λ ) .

được tính theo (5.3.5), ở đó CX ( τ ) phải được thay bởi CXY ( τ ) .

{X ( t )} và {Y ( t )} là ergodic hiệp phương sai chéo.
5.3.4. Các loại ergodic khác

thể hiện vị trí tương đối của quỹ đạo so với ngưỡng x (Hình 5.5). Đại lượng 1 T u(x − X(t, ζ ))dt 2T −∫ T ngưỡng x. Trên Hình 5.5 đó là

đặc trưng cho tỷ lệ thời gian trung bình trên đoạn [-T; T] quỹ đạo nằm dưới

-T

YN HO
X(t)

1 ( ∆x1 + ∆x 2 + ∆x 3 ) . 2T

vị, δ(x) - hàm delta. Xét QT dừng X = {X(t)} với hàm phân bố một chiều FX (x) .

.D

N ếu

AY

Định nghĩa. * Giả sử A[ . ] là toán tử trung bình thời gian, u(x) là hàm bước nhảy đơn

W

W

ergodic hàm phân bố. * Hơn nữa, giả sử hàm phân bố một chiều FX (x) có mật độ f X (x) . Nếu f X (x) = A[δ(x - X(t, ζ ))], ∀x ∈ R, ∀ζ ∈ Ω
54
http://www.ebook.edu.vn

xảy ra đẳng thức

W

với mọi x ∈ R và với mọi quỹ đạo {X(t, ζ ), t ∈ ¡

KE

1 T A [ u(t − X(t, ζ )) ] = lim ∫ u(x − X(t, ζ))dt . T→+∞ 2T −T

FX (x) = A[u(x - X(t, ζ ))]

M

Hình 5.5.Những thời đoạn trên [-T; T] ở đó quỹ đạo nằm dưới ngưỡng x. Cho T → +∞ , chúng ta nhận được trung bình thời gian của hàm u(t − X(t, ζ )) :

QU

∆x1

∆x 2

∆x 3

N. UC O
T t

⎧1 u(x − X(t, ζ )) = ⎨ ⎩0

X(t, ζ ) < x X(t, ζ ) ≥ x

}

thì {X(t)} được gọi là QT

Z.C

Xét một quỹ đạo {X(t, ζ ), t ∈ R} của QT X. Với x ∈ ¡ cố định, hàm số

OM
(☼)

Nếu cả ba hàm CX ( τ ) , CY ( τ ) , CXY ( τ ) đều dần đến 0 khi τ→∞ thì

thì {X(t)} được gọi là ergodic hàm mật độ. E(X k (t)) = A[X k (t, ζ )], ∀ζ ∈ Ω thì {X(t)} được gọi là QT ergodic mô men cấp k.

chéo của hai QTNN {X(t), Y(t)} . chậm, bộ nhân và bộ tích phân. Thể hiện x(t) và y(t) của hai QT {X(t)} và {Y(t)}

W

W

được giữ chậm lần lượt là T − τ và T đơn vị thời gian; tiếp theo, tích của các hàm sóng giữ chậm được tạo thành. Sau nữa, tích này được tích luỹ lại qua bộ tích

phân để ở đầu ra là tích phân trên đoạn [ t1; t1 + 2T ] với độ dài 2T.
55
http://www.ebook.edu.vn

W

.D

Vấn đề trung bình thời gian và ergodic Một cách đầy đủ nhất: Nếu tất cả các đặc trưng xác suất của QT tính thông qua trung bình tổng thể đều có thể được tính thông qua trung bình thời gian của các đặc trung tương ứng thì QT đó được gọi là QT ergodic. Người ta cũng tìm được các điều kiện (gọi là điều kiện egrodic), chủ yếu với quá trình dừng để có được tính chất đó. Tính ergodic là một dạng rất hạn chế của tính dừng và thật là khó khăn để kiểm tra xem trong tình huống vật lý cụ thể nào đó, giả thiết ergodic thoả đáng hay không. Dù sao, chúng ta vẫn thường giả thiết QT là ergodic để đơn giản hoá bài toán. Trong thế giới thực, chúng ta vẫn buộc lòng phải làm việc với chỉ một hàm mẫu của quá trình. Khi ấy, dù muốn hay không, chúng ta vẫn phải tìm giá trị trung bình, hàm tự tương quan… chỉ từ một hàm dạng sóng theo thời gian. Từ giả thiết ergodic, chúng ta có thể coi những giá trị tính được là những tham số thống kê của quá trình. Nhiều người cảm thấy khó chấp nhận những lời bàn luận này. Tuy nhiên cần phải nhớ rằng, lý thuyết của chúng ta chỉ phục vụ để mô hình hoá những điều xảy ra trong thế giới thực. 5.3.5. Đo hàm tương quan. Thực tế không bao giờ ta có thể đo được hàm tương quan của hai QT bởi vì ta không thể nào biết hết các thể hiện của chúng. Nói chung, chúng ta chỉ biết một đoạn của một quỹ đạo của mỗi quá trình. Như vậy, chúng ta cần phải giả sử rằng, các QT của chúng ta là ergodic đồng thời (hay ít ra là ergodic tương quan đồng thời). Thực ra các giải thiết này- gọi là giả thiết ergodic- ít quan trọng, ta vẫn tiến hành công việc của ta cho dù các QT không phải là ergodic. Trên tinh thần đó, người ta tạo ra những thiết bị vật lý để đo hàm tương quan của các QTNN, gọi là tương quan kế (correlometer) để đo hàm tương quan
Sơ đồ khối của tương quan kế thể hiện ở Hình 5.6. Nó bao gồm hai bộ giữ

AY

KE

M

QU

YN HO

N. UC O

Z.C

OM

* Nếu với k > 0,

y(t) A

Bộ nhân

x(t) B

1 t1 + 2T ( g) dt ∫ 2T t1

R 0 (t1 + 2T)

Hình 5.6. Sơ đồ khối tương quan kế Giả sử tín hiệu tồn tại ít ra từ thời điểm – T, còn t1 dương tuỳ ý. Dễ thấy đầu
1 1 R 0 (t1 + 2T) = ∫ x(t + τ)y(t)dt . 2T t1−T
t +T

Ví dụ, nếu ta chọn t1 = 0 , từ tính ergodic ta được R 0 (2T) =

Cho τ thay đổi (thông qua các bộ giữ chậm) ta có thể đo xấp xỉ hàm tương quan chéo của X và Y. Khi thay đổi các điểm nối A, B và áp dụng cả hai đầu vào là x(t) hoặc cả hai đầu vào là y(t), ta có thể đo hàm tự tương quan R X (τ) , R Y (τ) .

.D

Đối với dãy dừng (và ergodic!) {X(n)}, người ta dùng 2 ước lượng sau đây cho dãy tự tương quan: a) Ước lượng tự tương quan không chệch
µ µ R X (k) = R X ( − k) =

AY

5.3.6. Ước lượng dãy tương quan.

KE

Rất nhiều sơ đồ khác được thiết kế để đo hàm tự tương quan. Ví dụ, ngoài việc giữ nguyên hai bộ giữ chậm, người ta bố trí bộ cộng thay cho bộ nhân. Sau bộ cộng là bộ lọc bình phương (dùng điôt) rồi mới đến bộ lọc âm tần. Đáng lưu tâm nhất phải kể đến các tương quan kế quang học của Michelson. Chi tiết xem [8 ] tr 439 – 441.

M

QU

Cần lưu ý độ dài đoạn lấy tích phân 2T phải đủ lớn. Với một số QT cụ thể, ta có thể tính được độ dài 2T tối thiểu để sai số tương đối đủ nhỏ, ví dụ ≤ 5% .

W

µ Vì E[R X (k)] = R X (k) nên đây là ước lượng không chệch. Nếu thêm giả thiết {X(n)} là Gauss, quy tâm thì đây là ước lượng vững. Tuy nhiên, có thể µ R X (k) không đạt cực đại tại k = 0, từ đó ma trận tương quan có thể không xác

{

W

định không âm.
56
http://www.ebook.edu.vn

W

1 N −k ∑ X(i + k)X(i) N − k i=1

YN HO

1 T ∫ X(t + τ)y(t)dt ≈ A XY (τ) = R XY (τ) . 2T − T

N. UC O
(0 ≤ k ≤ N) .

ra nhận được

}

Z.C

Giữ chậm T

(5.3.17)

OM

Giữ chậm T−τ

b)Ước lượng tự tương quan chệch

(xem §3.5). Tuy nhiên trong thực tế, hội tụ bình phương trung bình (MS - hội tụ) là quan trọng nhất. Vì thế, chúng ta sẽ hướng sự chú ý vào dạng hội tụ này. Trong mục này, chúng ta chỉ xét những QT với thời gian liên tục. 5.4.1. Liên tục a) Liên tục theo xác suất theo xác suất tại t 0 ∈ I nếu:

QU

Định nghĩa. Cho QTNN X = {X ( t ) , t ∈ I} . Quá trình X được gọi là liên tục

M

∀ε > 0, lim P X ( t ) − X ( t 0 ) > ε = 0 .
t →t 0

{

YN HO
}
< ∞ , ∀t ∈ I .
p

§5.4. LIÊN TỤC, ĐẠO HÀM, TÍCH PHÂN Liên tục, đạo hàm, tích phân là những khái niệm trung tâm để nghiên cứu, dáng điệu của hệ tất định, ở đó tín hiệu đầu vào là hàm xác định của thời gian. Chúng ta cần hoàn thiện về mặt xác suất, tiến hành những nghiên cứu sâu sắc hơn, sang hệ với đầu vào ngẫu nhiên. Mỗi khái niệm đã nêu đều liên kết chặt chẽ với một trong ba dạng giới hạn: hầu chắc chắn, theo xác suất và theo trung bình cấp p

N. UC O

Đây là ước lượng chệch, song là ước lượng tiệm cận không chệch. Nó cũng là ước lượng vững. Ưu điểm nổi bật của ước lượng này là nó đạt cực đại tại k = 0 và ma trận tương quan luôn luôn xác định không âm. Người ta thấy rằng, chỉ nên ước lượng với k ≤ N /10 . Khi N lớn, sai số bình phương trung bình của ước lượng không chệch là lớn hơn so với ước lượng chệch. Vậy khi có thể, hãy dùng ước lượng chệch, sẽ tốt hơn ước lượng không chệch.

Giả sử X = {X ( t ) , t ∈ I} là QT cấp p (p > 0), tức là (xem mục 5.2.1):

AY

theo xác suất trên J. b) Liên tục theo trung bình

KE

Nếu X liên tục theo xác suất tại mọi điểm t 0 ∈J ⊂ I thì X được gọi là liên tục

Định nghĩa. Quá trình cấp p {X ( t ) , t ∈ I} được gọi là liên tục trung bình cấp

W

p tại t 0 ∈I nếu

.D

E X(t)

p

W

t →t 0

lim E X ( t ) − X t 0

=0.

W

Nếu {X ( t )} liên tục trung bình cấp p tại mọi điểm t 0 ∈ J ⊂ I thì nó được gọi

là liên tục trung bình cấp p trên J.
57
http://www.ebook.edu.vn

Z.C

(5.4.1)

(5.4.2)

OM

1 N−k µ µ R X (k) = R X (− k) = ∑ X(i + k)X(i) N i=1

(0 ≤ k ≤ N)

(5.3.18)

Định nghĩa. QTNN X = {X ( t ) , t ∈ I} được gọi là liên tục bình phương trung
lim E X ( t ) − X ( t 0 ) = 0 .
2

N. UC O

bình (hay MS - liên tục) tại t 0 ∈I nếu
t →t 0

Nếu đẳng thức xảy ra tại mọi điểm t 0 ∈I , quá trình {X ( t )} được gọi là liên tục bình phương trung bình (hay MS – liên tục) trên I. Định lý sau đưa ra một điều kiện đủ thông qua hàm tự tương quan, dễ dàng kiểm tra trong thực hành.

Định lý5.12. Giả sử X = {X ( t ) , t ∈ I} là QT cấp hai với hàm trung bình, hàm

tự tương quan và hàm tự hiệp phương sai lần lượt là µ X ( t ) , R X ( t,s ) ,C X ( t,s ) . Khi đó, a) Nếu X là MS – liên tục thì µ X ( t ) là hàm số liên tục. c) X là MS – liên tục khi và chỉ khi các hàm số µ X ( t ) và CX ( t,s ) là những hàm liên tục. Chứng minh. a) Theo bất đẳng thức Schwarz chúng ta có:

0 ≤ µX ( t ) − µX ( t 0 ) = E ( X ( t ) − X ( t 0 ) ) ≤ E X ( t ) − X ( t 0 ) Vậy µ X ( t ) là hàm liên tục. bình phương trung bình. Từ tính chất của kỳ vọng chúng ta nhận được

W

W

(Bạn nào khó khăn khi dẫn ra giới hạn vừa nêu, hãy dùng đồng nhất thức) X ( t ) X ( s ) − X ( t 0 ) X ( s0 ) = ( X ( t ) − X ( t 0 ) ) ( X ( s ) − X ( s0 ) ) + + X ( t 0 ) ( X ( s ) − X ( s0 ) ) + X ( s0 ) ( X ( t ) − X ( t 0 ) )
58
http://www.ebook.edu.vn

.D

b) Điều kiện cần. Khi t → t 0 , s → s0 thì X ( t ) → X ( t 0 ) , X ( s ) → X ( s0 ) theo R X ( t,s ) = E[X ( t ) X ( s )] → E[X ( t 0 ) X ( s0 )] = R X ( t 0 ,s0 ) ( t → t 0 , s → s0 ) .

AY

≤ E[X ( t ) − X ( t 0 )]2 → 0

KE

M

QU

b) X là MS- liên tục khi và chỉ khi hàm hai biến R X ( t,s ) liên tục.

YN HO
( t → 0).

W

rồi sử dụng các bất đẳng thức quen biết).

Z.C

Từ bất đẳng thức Chebyshev và bất đẳng thức (5.2.1) suy ra: + Liên tục trung bình cấp p (p > 0) thì liên tục theo xác suất; + Liên tục trung bình cấp p thì liên tục trung bình cấp q với 0 < q < p. Trong ứng dụng, người ta xét chủ yếu quá trình cấp hai. Chúng ta tách liên tục trung bình cấp hai (gọi là liên tục bình phương trung bình) ra mục riêng. c) Liên tục bình phương trung bình

(5.4.3)

OM
(*)

Điều kiện đủ. Dùng công thức (5.2.4) và tính liên tục của RX ta có

{X(t)} là MS - liên tục khi và chỉ khi R X (t,s) liên tục tại (t o , t o ) với mọi t o ∈ I .

Ví dụ 5.15. Đối với sóng sin ngẫu nhiên ở Ví dụ 5.11 chúng ta đã tính được
R X ( t,s ) =

R X ( t,s ) = λ min ( t,s ) + λ 2 ts

R X ( t,s ) . Trong hầu hết các tình huống thực tế, chúng ta chỉ có thể tính R X ( t,s )

AY

X ( t + ε) − X ( t ) → X′ ( t 0 ) ε giới hạn theo bình phương trung bình, chính là
2

KE

trung bình (hay MS - khả vi) tại t 0 ∈ I nếu tồn tại BNN X′ ( t 0 ) sao cho

M

Định nghĩa. QTNN X = {X ( t ) , t ∈ I} được gọi là khả vi theo bình phương

QU

một cách xấp xỉ thông qua tổ chức đồ của nó, mà tổ chức đồ lại là một hàm bậc thang! Vì vậy, chỉ trừ khi tổ chức đồ quá rõ ràng vi phạm tính liên tục, chúng ta thường phải công nhận rằng, QT đó là MS – liên tục. 5.4.2. Đạo hàm

YN HO
59

là hàm liên tục. Từ đó, QT Poisson là MS – liên tục. Tuy nhiên, mọi quỹ đạo của QT này đều làm hàm bậc thang và do đó không liên tục. Trong thực tế, làm thế nào kiểm tra tính liên tục bình phương trung bình? Áp dụng định lý trên, chúng ta mong muốn biết dạng của hàm tự tương quan

N. UC O
( ε → 0)

sin ( 2πt ) sin ( 2πs ) là hàm liên tục theo hai biến t, s. Vậy đây là quá 3 trình MS - liên tục. Lưu ý. Đối với QT Poisson sẽ xét ở mục 5.5.1 chúng ta sẽ tính được

Khi đó, X′ ( t 0 ) được gọi là đạo hàm của quá trình {X ( t ) , t ∈ I} tại điểm t0. khả vi, quá trình {X′ ( t )} được gọi là đạo hàm của quá trình {X ( t )} .

W

W

R X ( t,s ) . Nếu R X ( t,s ) là hàm khả vi cấp hai tại điểm (t0, t0) thì quá trình {X ( t )}

W

Nếu (5.4.4) xảy ra tại mọi điểm t 0 ∈ I thì quá trình {X ( t )} được gọi là MS -

Định lý 5.13. Giả sử {X ( t )} là QTNN cấp hai với hàm tự tương quan

.D

⎡ X ( t + ε) − X ( t ) ⎤ − X′ ( t 0 ) ⎥ = 0 . lim E ⎢ ε→0 ε ⎣ ⎦

http://www.ebook.edu.vn

Z.C

c) Đây là hệ quả của (a), (b) và đồng nhất thức (5.2.3). Lưu ý. Thực ra, dựa vào (*) chúng ta còn có thể phát biểu : QT {X(t)} là MS - liên tục tại t o khi và chỉ khi R X (t,s) liên tục tại (t o , t o ) ;

(5.4.4)

OM

E X ( t ) − X ( t 0 ) = R X ( t, t ) − R X ( t, t 0 ) − R X ( t 0 , t ) + R X ( t 0 , t 0 ) → 0 (t → t 0 )

2

là MS - khả vi tại điểm t0. Chứng minh. Theo (5.2.4) chúng ta có: ⎡ X(t 0 + ε) − X(t 0 ) X(t 0 + δ) − X(t 0 ) ⎤ − h(ε, δ) = E ⎢ ⎥ ε δ ⎣ ⎦
=
2

= + −

1 ⎡ R X ( t 0 + ε, t + ε ) − 2R X ( t 0 + ε, t 0 ) + R X ( t 0 , t 0 ) ⎤ ⎦ ε2 ⎣

1 ⎡ R X ( t 0 + δ, t + δ ) − 2R X ( t 0 + δ, t 0 ) + R X ( t 0 , t 0 ) ⎤ ⎦ δ2 ⎣

Khai triển Taylor đến cấp hai hàm R X ( t,s ) tại (t0, t0) chúng ta nhận được

Định lý 5.14. Giả sử {X ( t ) , t ∈ I} là QTNN MS- khả vi với hàm trung bình

{X′ ( t )} là QT cấp hai với các tính chất sau:

AY

KE

µ X ( t ) , hàm tự tương quan R X (t,s) . Khi đó µ X ( t ) là hàm khả vi; quá trình µ X′ ( t ) = E(X′ ( t )) =µ′ X ( t ); ∂ 2 R X ( t,s ) ; ∂t ∂s ∂R X ( t,s ) . ∂t (5.4.5)
2

.D

R X′ ( t,s ) = E (X′ ( t ) X′ ( s )) =

W

W

Chứng tỏ rằng đây là quá trình MS - khả vi. Tính các hàm trung bình, hàm tự tương quan và tương quan chéo.
60
http://www.ebook.edu.vn

W

R X′ X ( t,s ) = E( X′ ( t ) X ( s )) =

Ví dụ 5.16. Cho QT dừng {X ( t )} với hàm tự tương quan R X ( τ ) =10e −3τ .

M

ε Như vậy, nếu QT cấp hai là MS - khả vi thì QT đạo hàm lại là quá trình cấp hai. Tính chất sau đây cho phép chúng ta tính hàm trung bình và hàm tự tương quan của QT đạo hàm cũng như hàm tự tương quan chéo của nó với quá trình xuất phát (xem chứng minh trong [6],tr 221).

( ε, δ → 0 ) . Theo tiêu chuẩn Cauchy về sự hội tụ, tồn tại BNN bình X ( t + ε) − X ( t ) phương khả tích X′ ( t 0 ) sao cho → X′ ( t 0 ) (MS - hội tụ).

h ( ε, δ ) → 0

QU

YN HO

2 ⎡ R X ( t 0 + ε, t 0 + δ ) − R X ( t 0 + ε, t 0 ) − R X ( t 0 , t 0 + δ ) + R X ( t 0 , t 0 ) ⎤ ⎦. εδ ⎣

N. UC O

Z.C

2 2 1 1 E⎡ X ( t 0 + ε ) − X ( t 0 )⎤ + 2 E⎡ X ( t 0 + δ ) − X ( t 0 )⎤ ⎣ ⎦ ⎣ ⎦ 2 ε δ 2 − E ( X ( t0 + ε ) − X ( t0 )) ( X ( t0 + δ) − X ( t0 )) εδ

OM

2 −3 t −s Giải. R X ( t,s ) =10e ( ) là hàm khả vi cấp hai theo hai biến t, s, vậy

Giả sử µ = EX ( t ) , ta có µ X′ ( t ) = E ( X′ ( t ) ) =
R X′ ( t,s ) = E ( X′ ( t ) X′ ( s ) ) =

2 2 −3 t −s = 60e ( ) ⎡ −6 ( t − s ) + ( t − s ) + 1 ⎤ ; ⎣ ⎦

R X′X ( t,s ) = E ( X′ ( t ) X ( s ) ) =

2 2 ∂⎛ −3( t −s ) ⎞ −3( t −s ) 10e 60e = − ( t − s ). ⎜ ⎟ ∂t ⎝ ⎠

Vì µ X′ ( t ) không đổi còn hàm tương quan R X′ chỉ phụ thuộc vào t – s nên vào t – s nên X và X′ là dừng đồng thời. Tính chất vừa nêu xảy ra không chỉ ở ví dụ này mà còn ở QT dừng bất kỳ:

Hệ quả. Nếu hàm tương quan R X ( τ ) của QT dừng X là khả vi liên tục cấp
hai thì X là quá trình MS - khả vi, QT đạo hàm X′ là dừng, hơn nữa X và X′ là dừng đồng thời với dR X ( τ) d 2 R X ( τ) R XX′ (τ) = − ; R X ′ ( τ) = − . (5.4.6) dτ dτ 2 5.4.3. Tích phân a)Tích phân trên đoạn hữu hạn. Giống như tích phân Riemann với hàm tất định, chúng ta có thể xây dựng tích phân của một QTNN trên đoạn [a;b] như sau:

Định nghĩa. Giả sử {X ( t ) , t ∈[ a;b ]} là QTNN cấp hai. Ứng với phép phân

AY

hoạch đoạn [a;b] bởi các điểm chia t0, t1, …, tn với a = t0 < t1 < … < tn = b, ta lập tổng tích phân

.D

max {∆ i ,i = 1,..., n} → 0 , tồn tại giới hạn (theo bình phương trung bình) của dãy

W

W

{Sn }

cũng như các điểm trung gian si, thì quá trình {X ( t )} được gọi là MS - khả tích

W

trong đó si là điểm tùy ý trên đoạn [ t i−1; t i ] ; ∆ i = t i − t i−1 . Nếu khi n →∞ sao cho đến một BNN Y xác định, không phụ thuộc vào cách phân hoạch đoạn [a;b]

KE

Sn = ∑ X ( si ) ∆ i
i =1

M

n

http://www.ebook.edu.vn

QU

YN HO
61

{X′ ( t )} là QT dừng. Hơn nữa, hàm tương quan chéo

N. UC O

2 ∂2 ⎛ −3( t −s ) ⎞ ⎜10e ⎟ ∂t ∂s ⎝ ⎠

R X′X cũng chỉ phụ thuộc

Z.C

d ( µ ) = 0; dt

OM

{X ( t )} là quá trình MS - khả vi.

Y = ∫ X ( t ) dt .
a

b

Định lý 5.15. Giả sử {X ( t ) , t ∈[ a;b ]} là QTNN với hàm tự tương quan
bb aa

∫ ∫ R X ( t,s ) dtds
thì {X ( t )} là MS - khả tích trên [a;b].

N. UC O
( )⎥
⎥ ⎦ ⎤

R X ( t,s ) . Nếu tồn tại tích phân kép

m ⎡n ⎤ E ⎢ ∑ X ( si )( t i − t i−1 ) − ∑ X ( vi )( u i − u i−1 ) ⎥ → 0 khi n, m → 0 . (5.4.8) ⎢ ⎥ j=1 ⎣ i=1 ⎦ Khai triển ngoặc vuông chúng ta được ba số hạng. Biến đổi các số hạng này, ví dụ đối với số hạng thứ hai ta nhận được:

⎡n m −2E ⎢ ∑∑ X ( si ) X v j ( t i − t i−1 ) u j − u j−1 ⎢ ⎣ i=1 j=1

QU

KE

⎡n m = − 2 ⎢ ∑∑ R X si , u j ( t i − t i−1 ) u j − u j−1 ⎢ ⎣ i=1 j=1

YN HO
2

{X ( t )} tồn tại khi

Chứng minh. Theo tiêu chuẩn Cauchy, chúng ta biết rằng tích phân của

( ) )

M

(

(

)⎥
⎥ ⎦

→ − 2 ∫ ∫ R X ( t,s ) dt ds
aa

bb

( n, m →∞ ) .
bb aa

AY

Tương tự với mỗi số hạng còn lại, chúng đều dần đến

∫ ∫ R X ( t,s ) dtds ,

W

MS - khả tích trên [a; b]. 2) Mỗi quá trình MS - liên tục là một quá trình MS - khả tích (trên đoạn [a; b]). Tích phân vừa xây dựng (còn được gọi là MS – tích phân) có các tính chất của tích phân xác định thông thường: tính chất tuyến tính, tính chất xác định không âm, hệ
62
http://www.ebook.edu.vn

W

W

1) Nếu R X ( t,s ) liên tục trên hình vuông [a; b]× [a; b] thì quá trình {X ( t )} là

.D

ra (5.4.8) và nhận được đpcm. Hệ quả.

Z.C

Định lý sau cho phép chúng ta dễ dàng kiểm tra điều kiện khả tích thông qua hàm tự tương quan.

(5.4.7)

OM
suy

hay MS – tích phân) của QTNN {X ( t )} trên [a;b]:

trên đoạn [a;b] còn Y được gọi là tích phân (theo nghĩa bình phương trung bình

thức Saclơ. Nó cũng thoả mãn công thức Newton – Leibnitz, ta cũng có thể tính được các đặc trưng xác suất của nó, cụ thể là: là MS - liên tục) trên [a;b] thì
b a

* {Y ( t ) , t ∈ [a;b]} là quá trình MS - khả vi và Y′ ( t ) = X ( t ) . * Hàm kỳ vọng và hàm tự tương quan của {Y(t)} cho bởi: µ Y (t) = E[ ∫ X(s)ds] = ∫ E[X(s)]ds = ∫ µ X (s)ds;
a a a t t t

= ∫ ∫ E[X(u)X(v)]dudv = ∫ ∫ R X (u, v)dudv . (5.4.10)
aa aa

t s

X ( ⋅ ,ζ ) là khả tích Riemann với xác suất 1. Tuy nhiên, nếu giả thiết thêm rằng các đạo hay QT bước nhảy bị chặn) thì có thể thấy rằng, với xác suất 1

KE

Y ( ζ ) = ∫ X ( t,ζ ) dt .
a b a

quỹ đạo nếu tích phân đó cũng như tích phân của mỗi quỹ đạo tồn tại.

.D

AY

Nói cách khác, tích phân ∫ X ( t ) dt có thể tính thông qua tích phân của mỗi

M

quỹ đạo X ( t,ζ ) khả tích Riemann với xác suất 1 (ví dụ, với QT liên tục theo quỹ
b

QU

Nhận xét. (i) Nếu {X ( t )} là MS - khả tích thì không nhất thiết các quỹ đạo

*Nếu {X(t)} là QT Gauss thì {Y(t)} cũng là QT Gauss.

Sở dĩ như vậy vì tổng tích phân

W

W

của hàm mẫu tương ứng, và từ chỗ, từ sự hội tụ theo trung bình có thể trích ra một dãy hội tụ hầu chắc chắn. (ii) Đối với QTNN phức, các kết quả ở trên vẫn còn đúng với lưu ý rằng, ký X(t) bây giờ phải hiểu là X(t) X* (t) .
63
http://www.ebook.edu.vn
2

hiệu trị tuyệt đối . bây giờ phải hiểu là mô đun của số phức tương ứng; ví dụ,

W

YN HO
∑ X ( si ) ∆ i
i =1 n

t ⎡t ⎤ R Y (t,s) = E ⎢ ∫ X(u)du ∫ X(v)dv ⎥ a ⎣a ⎦

tại ζ ∈ Ω cũng là tổng tích phân

N. UC O
a t s

ii) Giả sử QT {X ( t ) , t ∈ [ a; b ]} là MS - liên tục. Đặt Y ( t ) = ∫ X ( s ) ds . Khi đó

t

Z.C

∫ X′ ( t ) dt = X ( b ) − X ( a ) .

(5.4.9)

OM

i) Nếu quá trình {X ( t ) , t ∈ [ a; b ]} là MS - khả vi liên tục (nghĩa là {X′ ( t )}

b)Tích phân suy rộng Giả sử {X(t) t ∈ ¡ } là QT cấp hai, đo được (*) với hàm tự tương quan
R X (t,s) sao cho PX (t) = R X (t, t) và h(t,s)
b a 2

là những hàm khả tích trên mỗi đoạn

hữu hạn. Khi đó, theo Định 5.15, để tồn tại
Y[a; b] (t) = ∫ h(t,s)X(s)ds

cần và đủ là tồn tại tích phân hai lớp
bb aa bb aa

Bây giờ đặt
+∞ −∞

h(t,s)X(s)ds = l.i.m.∫ h(t,s)X(s)ds .
a →−∞ b→+∞ a

b

Giới hạn này tồn tại khi và chỉ khi tích phân hai lớp
+∞ +∞ −∞ −∞

Nếu điều kiện (5.4.11) thoả mãn với mọi t ∈ ¡ thì QT {Y(t), t ∈ ¡ được là QT cấp hai với hàm tự tương quan
R Y (t,s) =
+∞ +∞ −∞ −∞

hội tụ.

YN HO
))

∫ ∫ h(t, u)R X (u, v)h(t, v)dudv

N. UC O
( ) ( )

∫ ∫ R Y[a;b] (u, v)dudv = ∫ ∫ h(t, u)h(t, v)R X (u, v)dudv .

∫ ∫ h(t, u)R X (u, v)h(s, v)dudv .

Nếu hàm h(t,s) có tính chất h(t,s) = h(t − s), ∀t,s ∈ ¡ (xảy ra, ví dụ khi h(t,s) là hàm đáp ứng xung của hệ LTI bất biến theo thời gian (xem mục 6.2.2)), điều kiện nêu trên trở thành đòi hỏi hội tụ của tích phân hai lớp
−∞ −∞

∫ ∫ h(t − u)R X (u, v)h(t − v)dudv ,

M

+∞ +∞

QU

trong đó h(t) và PX (t) = R X (t, t) khả tích trên đoạn hữu hạn bất kỳ. Hàm tự tương quan của QT Y trở thành

2

KE

AY

R Y (t,s) =

+∞ +∞ −∞ −∞

∫ ∫ h(t − u)R X (u, v)h(s − v)dudv .

W

QTNN {X(t), t ∈ I } được gọi là đo được nếu ánh xạ

.D

--------------(*) Với những người quan tâm đến ứng dụng có thể bỏ qua khái niệm đo được của QTNN.

% ℜ[ I ] × ℑ → (¡ , ℜ) là ánh xạ đo được, trong đó ℜ là X : I × S; σ

(

(

W

σ - đại số Borel trên ¡ ; ℜ[ I ] là σ - đại số Borel trên I, σ ℜ[ I ] × ℑ là σ - đại số tích của

W

% ℜ[ I ] × ℑ là σ - đại số đầy đủ của σ - đại số σ ℜ[ I ] × ℑ . ℜ[ I ] với ℑ , còn σ

(

)

64
http://www.ebook.edu.vn

Z.C
(5.4.11)

(5.4.12)

(5.4.13)

(5.4.14)

OM
} thu

đó. Sẽ dễ dàng hiểu định nghĩa QT Poisson { N ( t ) , t ≥ 0} khi ta hình dung biến

ngẫu nhiên N(t) như là “số biến cố xảy ra trong khoảng thời gian (0;t]” hay là “số lần tới một hệ phục vụ trong khoảng thời gian (0;t]”. a)Mở đầu Định nghĩa. QTNN { N ( t ) , t ≥ 0} được gọi là QT Poisson với tham số λ > 0
1) N(0) = 0 với xác suất 1; nếu: 2) { N ( t )} có số gia độc lập;

3) Với mọi t, s, 0 ≤ s < t, BNN N(s,t] = N(t) – N(s) có phân bố Poisson với
tham số λ ( t − s ) :

YN HO
−λ( t −s )

KE

M

BNN N(s,t] mô tả “số bước nhảy” của QT trên khoảng thời gian (s,t]. Công thức (5.5.1) chứng tỏ rằng, QT Poisson là quá trình số gia độc lập thuần nhất (xem mục 5.2.2). Dưới dạnh hàm mật độ, xác suất (5.5.1) được viết lại như sau

QU

P { N(s, t] = k} = e

⎡λ ⎣ ( t − s )⎤ ⎦ , k = 0,1, 2... k!

N. UC O
k

f N(s,t] (x) = e −λ (t −s) ∑
E ( N ( t ) − N (s ))

[λ(t − s)]k δ(x − k ) . k! k =0

.D

(0 ≤ s < t ) t −s thể hiện vận tốc trung bình của số lần tới trên khoảng thời gian (s;t]. Từ đó
t −s được coi là vận tốc (hay cường độ) của quá trình tại thời điểm s. Từ đòi hỏi (3),
t ↓s

AY

Ý nghĩa của tham số λ. Như thường lệ, tỉ số

W

W

E ( N ( t ) − N ( s ) ) = λ ( t − s ) nên v ( s ) = λ = const . Như vậy:

Vận tốc của QT Poisson là không đổi và bằng λ; tham số λ được gọi là vận tốc (hay cường độ) của QT Poisson.
65
http://www.ebook.edu.vn

W

v ( s ) = lim

E ( N ( t ) − N (s ))

Z.C

§5.5. HAI QUÁ TRÌNH NGẪU NHIÊN QUAN TRỌNG 5.5.1. Quá trình Poisson QT Poisson được sử dụng rộng rãi nhất trong lý thuyết xếp hàng, trong phân tích độ trễ và thông lượng của hệ và mạng máy tính. Người ta đã đưa ra nhiều định nghĩa về QT Poisson (tất nhiên, chúng tương đương nhau) nhằm phục vụ cho các mục đích riêng của họ. Sau đây, chúng ta trình bày một trong các định nghĩa

(5.5.1)

(5.5.1’)

OM

Để tìm hiểu thêm về dáng điệu của { N ( t )} , chúng ta hãy xét khoảng thời P { N(t, t + ∆t] = 0} = e −λ∆t ; P { N( t, t + ∆t] = 1} = λ∆t e −λ∆t ; P { N (t, t + ∆t] = k}
k λ∆t ) −λ∆t ( e , =

k!

( k > 1) .

cao o ( ∆t ) , chúng ta có thể viết lại biểu thức trên dưới dạng sau đây:
P {N ( t, t + ∆t ] = 0} ≈1 − λ∆t ; P { N(t, t + ∆t] = 1} ≈ λ∆t ;

P { N (t, t + ∆t] = k} ≈ 0, k > 1 .

( 0; t ] là khoảng

đóng bên phải nên dễ thấy quỹ đạo là hàm liên tục trái. Vậy:

N(t)

M

QU

Quỹ đạo của QT Poison là không giảm và liên tục trái. Quỹ đạo điển hình của QT Poisson thể hiện ở Hình 5.7a với 5 bước nhảy và 5.7b với 20 bước nhảy.
N(t) (b) t t

KE

(a)

W

W

(5.5.1) khi lấy s = 0. Với n = 2, lấy t1, t2 : 0 ≤ t1 < t 2 và với k, l nguyên, 0 ≤ l ≤ k ta có

W

Trong trường hợp n = 1, phân bố một chiều P { N ( t ) = k} đã được cho ở

.D

Hình 5.7. Quỹ đạo điển hình của QT Poisson b) Xác suất đồng thời n chiều và hàm tự tương quan

AY

http://www.ebook.edu.vn

YN HO
66

Hai biểu thức cuối nói lên rằng, các “biến cố” hay các “số lần tới” mô tả ở QT Poisson không thể xảy ra “dồn dập” hay “đồng thời” được; nói cách khác, các bước nhảy của QT Poisson phải bằng 1. Từ định nghĩa, N(t + s, ζ ) ≥ N(t, ζ ) với mọi t,s ≥ 0 và ∀ζ∈ Ω . Hơn nữa,

N. UC O

Bây giờ giả sử ∆t đủ nhỏ, khai triển hàm mũ, bỏ qua số hạng vô cùng bé bậc

Z.C

(5.5.2)

OM

gian ( t; t + ∆t ] , công thức (5.5.1) cho ta

P { N ( t1 ) = l ; N ( t 2 ) = k} = P { N ( t 2 ) − N ( t1 ) = k − l ; N ( t1 ) = l =e
−λ( t 2 − t1 )

}

Bởi vì N ( t1 ) ≤ N ( t 2 ) nên với k < l thì P { N ( t 2 ) = k; N ( t1 ) = l } = 0 . hiện tính toán như trên dễ dàng thu được

Khi n > 2, giả sử ik là các số nguyên không âm với 0 = i 0 ≤ i1 ≤ ... ≤ i n , thực P { N ( t1 ) = i1;...; N ( t n ) = i n } =e
−λt n
n

k ⎡λ ( t k − t k −1 )⎤ ⎣ ⎦ Π k =1 ( i k − i k −1 ) !

N. UC O
(i −i k −1 )

.

Từ (5.5.3) chúng ta dễ dàng tính hàm trung bình, hàm tự hiệp phương sai và µ N ( t ) = λt ;

C N ( t,s ) = λ min ( t,s ) ;

R N ( t,s ) = λ min ( t,s ) + λ 2 ts .

YN HO
67

hàm tự tương quan µ N ( t ) ,C N ( t,s ) , R N ( t,s ) :

.D

và gọi Sn là thời đoạn trung gian thứ n. Như vậy Sn bằng khoảng thời gian giữa lần đến thứ n – 1 và lần đến thứ n. Rõ ràng n = 0,1, 2... * 0 ≤ Sn , * 0 ≤ S1 + ... + Sn = A n , n = 1, 2,...

W

W

cùng phân bố mũ với tham số λ.

W

Hơn nữa, định lý sau cho chúng ta rõ về cấu trúc của dãy {Sn } và {A n } .

Định lý 5.16. Cho { N ( t ) , t ≥ 0} là QT Poisson với cường độ λ. Khi đó

i) Dãy các thời đoạn trung gian {Sn , n =1, 2,3,...} là dãy các BNN độc lập,

AY

xác suất 1 (hãy chứng minh !). Đặt Sn = A n − A n −1 , n =1, 2,...

KE

{A n , n = 0,1,...}

với A0 = 0 là dãy thời điểm đến. Dễ thấy đây là dãy vô hạn với

M

Như vậy, QT Poisson không dừng (mặc dầu như đã nói, nó là quá trình số gia độc lập thuần nhất !) Để có những nghiên cứu sâu sắc hơn về QT Poisson, người ta đưa ra những BNN điển hình gắn kết với nó. Sau đây, chúng ta nghiên cứu vài BNN như vậy. c) Dãy thời điểm đến - Dãy thời đoạn trung gian Thời điểm đến là thời điểm tại đó xảy ra bước nhảy của QT. Giả sử

http://www.ebook.edu.vn

QU

Z.C

(5.5.4)

(5.5.5)

OM

(k −l ) [λ (t 2 − t1 )](k −l ) −λt1 (λt1 )l (λ (t1 − 0))l −λt 2 [λ (t 2 − t1 )] e =e . (5.5.3) (k − l )! (k − l )! (l − 0)! l!

y x S1 O A1
∆x

∆y

S2 A2

Xét biến cố {x < A1 ≤ x + ∆x ; y < A 2 ≤ y + ∆y} với 0 < x, y; ∆x, ∆y đủ nhỏ. Từ hình vẽ chúng ta thấy biến cố này xem như tương đương với biến cố: Thời điểm đến không xuất hiện trong các khoảng (0;x], ( x + ∆x; x + ∆x + y] và xuất hiện đúng một lần trong mỗi khoảng (x; x + ∆x], (x + ∆x + y; x + ∆x + y + ∆y] .

Kể đến { N ( t )} là QT số gia độc lập và (5.5.2) ta nhận được

fS1S2 ( x, y ) ∆x∆y = P {x < S1 < x + ∆x; y < S2 < y + ∆y } + o ( ∆x∆y ) = P { N ( 0; x ] = 0}× P { N ( x; x + ∆x ] = 1}
× P{N(x + ∆x; x + ∆x + y] = 0} ×P{N(x + ∆x + y; x + ∆x + y + ∆y] = 1} + o(∆x∆y) = (e −λx )(λ∆x)(e −λ∆x )(e−λy )(λ∆y)(e−λ∆y ) + o(∆x∆y)
−λ ∆x +∆y ) = (λe −λx )(λe −λ∆y ) e ( (∆x∆y) + o(∆x∆y) .

Chia hai vế cho ∆x∆y , sau đó cho ∆x → 0, ∆y → 0 chúng ta nhận được mật độ đồng thời của S1 và S2.

KE

M

QU

fS1S2 ( x, y ) = λ e −λx λ e −λy .

(

ii) Để ý rằng biến cố {A n ≤ x} xảy ra khi và chỉ khi trong khoảng thời gian

.D

(0;x] có ít nhất n lần đến. Như vậy chúng ta có thể tính hàm phân bố của An như sau: FA n ( x ) = P {A n ≤ x} = P { N ( x ) ≥ n} = P { N ( x ) − N ( 0 ) ≥ n}
k n −1 ( λx ) k λx ) −λx ( =∑ e = 1− ∑ e −λx . k! k! ∞ k =n k =0

W

W

W

Lấy đạo hàm theo x ta nhận được mật độ đòi hỏi của BNN A n .

Lưu ý. Phân bố gamma Γ(n, λ ) với n = 1, 2,... còn gọi là phân bố Erlang.
68
http://www.ebook.edu.vn

AY

Chứng tỏ rằng S1 và S2 là độc lập, mỗi BNN có phân bố mũ tham số λ.

YN HO
)( )

N. UC O

Z.C

OM

ii) An (thời điểm đến thứ n) có phân bố gamma với tham số (n, λ). Chứng minh. Ta chứng minh cho trường hợp n = 2, trường hợp n > 2 được chứng minh tương tự.

= e −λτch(λτ).e−λs ch(λs).

Tương tự

P {Y(t) = −1; Y(s) = 1} = e −λτsh(λτ).e −λs ch(λs).

M

P {Y(t) = −1; Y(s) = −1} = e −λτch(λτ).e −λssh(λs). Bỏ qua tính toán chi tiết, ta thu được

QU

P {Y (t) = 1; Y(s) = −1} = e −λτsh(λτ).e −λssh(λs).

R Y (t,s) = e

AY

KE

Lưu ý rằng, tuy hàm tự tương quan R Y (t,s) chỉ phụ thuộc vào hiệu t – s song {Y(t)} không là QT dừng vì hàm kỳ vọng không là hằng số.
1 t1 -1 t2 t3 t4 t

Hình 5.8. Quá trình điện báo nửa ngẫu nhiên d) Xác định cường độ dòng đến Vận tốc dòng đến tại một nút máy tính, thông lượng của một đường truyền thông tin, vận tốc của một thuật toán trong một phần mềm….., tất cả là những độ đo hình thức, được định nghĩa là số lượng tương ứng (gói tin, bít, cấu trúc…) trên
69
http://www.ebook.edu.vn

W

W

W

.D

YN HO
−2λ t −s

(λt)3 (λt)5 + ...] = e −λt sh(λt). 3! 5! −λt Vậy µ Y (t) = E[Y(t)] = e [ch(λt) - sh(λt)] = e− 2λt . Để tính R Y (t,s) , ta lưu ý rằng nếu s < t và Y(s) = 1 thì số biến cố xảy ra trên khoảng (s ; t] là chẵn khi và chỉ khi Y(t) = 1. Từ đó, với τ = s − t P {Y(t) = 1| Y(s) = 1} = e −λτ ch(λτ). Vậy P {Y(t) = 1; Y(s) = 1} = P {Y(t) = 1 | Y(s) = 1} .P {Y(s) = 1}
= e −λt [λt+

.

N. UC O

(λt) 2 (λt) 4 + ...] = e −λt ch(λt). 2! 4! P {Y(t) = −1} = P { N(t) = 1} + P { N(t) = 3} + ...
= e −λt [1+

Z.C

Y(t) = (−1) N(t) . {Y(t)} là nửa ngẫu nhiên vì Y(0) = 1 với xác suất 1. Một quỹ đạo điển hình của nó thể hiện ở Hình 5.8. Chúng ta đi tìm hàm kỳ vọng và tự tương quan. P {Y(t) = 1} = P { N(t) = 0} + P { N(t) = 2} + P { N(t) = 4} + ...

OM

với cường độ λ . Xét QT điện báo {Y(t)} xác định bởi

Ví dụ.5.17. Tín hiệu điện báo nửa ngẫu nhiên. Giả sử { N(t)} là QT Poisson

r ( T ) → r,

(T → ∞)

Định lý 5.17. Giả sử { N ( t ) , t ≥ 0} là QT Poisson với cường độ λ. Khi đó
N(t) = λ, t →∞ t lim

với xác suất 1,

nói cách khác

N ( t ) hcc →λ t

( t → ∞) .

Chứng minh. Giả sử {A n } là dãy thời điểm đến. Với t > 0 cố định, AN(t) là

với xác suất 1. Chia các vế cho N(t) ta được

M

A N( t ) N(t)

QU

thời điểm đến cuối cùng xảy ra trước t, vì vậy A N( t ) ≤ t < A N( t )+1 t

N(t)

Mặt khác, dãy {Si } độc lập, cùng phân bố (xem phần c)), theo luật mạch số lớn,

AY

Bởi vì A n → ∞ nên N ( t ) → ∞,

hcc

KE

1 n hcc 1 Si → E[S1 ] = . ∑ n i=1 λ
hcc

A N( t )

W

1 N( t ) hcc 1 Si → E[S1 ] = . = ∑ N ( t ) N ( t ) i=1 λ A N( t )+1 N ( t ) + t hcc 1 . → E[S] = . N(t) +1 N(t) λ

Cuối cùng A N( t )+1 N(t) =

W

W

Theo định lý kẹp, chúng ta nhận được đpcm.
70
http://www.ebook.edu.vn

.D

YN HO
<

A N( t )+1 N(t)

.

( t → ∞ ) . Từ đó dễ suy ra

N. UC O

và ta sẽ gọi r là vận tốc dòng đến, vận tốc đường truyền, thông lượng của bộ xử lý… Tuy nhiên, vì r(T) là QTNN, việc làm trên có hợp lệ không? Sau đây chúng ta khẳng định rằng, thủ tục đưa ra là đúng đắn nếu đầu vào là QT Poisson hoặc QT đếm nói chung.

Z.C

U [ 0;T ] . T Chúng ta hy vọng khi T lớn, vận tốc r(T) hội tụ về hằng số: r (T) =

OM

một đơn vị thời gian. Thông thường trong thực tế, kể cả bằng mô phỏng, chúng ta đếm số đơn vị U[0;T] của các đại lượng đã nêu trong khoảng thời gian [0;T]. Vận tốc trung bình trong khoảng [0;T] xác định bởi

E[S] = m = 1/ λ > 0 và phương sai hữu hạn (không nhất thiết có phân bố mũ). Dãy
n

A 0 = 0;

An =

∑ Si ,
i =1

n =1, 2,...

N ( t ) = Sup {n : A n ≤ t}

được gọi là QT đếm liên kết với dãy thời điểm đếm {A n } .

Giả sử {A n , n =1, 2,...} là dãy các thời điểm đến liên kết với QT Poisson. Xét quá trình {X ( t ) , t ≥ 0} như sau

i =1

X ( t ) = ∑ δ ( t − Ai ) .

QU

YN HO
71

e) Các biến thể của quá trình Poisson QT Poisson có cấu trúc rất chặt chẽ nên có thể trong những tình huống thực tế, nó sẽ là mô hình không phù hợp. Để xử lý trong những tình huống như thế, người ta phải cải biên theo những cách khác nhau. Sau đây chúng ta sẽ giới thiệu một số biến thể điển hình. e1) Nhiễu bắn

N. UC O

Quá trình {N(t), t ≥ 0} xác định bởi

AY

KE

QT này được gọi là xung Poisson. Khi tác động {X(t)} lên đầu vào của một hệ tuyến tính bất biến theo thời gian với hàm đáp ứng xung h(t) (sẽ xét kỹ hơn hệ này ở chương sau), đầu ra sẽ là QTNN {Y(t)} xác định bởi Y ( t ) = ∑ h ( t − Ai )
i =1

M

{X(t)} chính là thể hiện tiện lợi về mặt toán học dãy thời điểm đến {A n } .

W

W

W

.D

Hình 5.9. Qũy đạo nhiễu bắn với đầu vào Poisson

http://www.ebook.edu.vn

Z.C
(5.5.6) (5.5.7)

thời điểm đến {A n } xác định bởi

OM

Thực ra với cùng một chứng minh, định lý trên còn đúng cho QT đếm, đó là QT được xây dựng như sau: Xét dãy {Sn } các BNN không âm, độc lập, cùng phân bố với kỳ vọng

Hình 5.9 thể hiện một quỹ đạo của đầu ra của hệ thống nêu trên, ở đó hàm

e2. Quá trình Poisson có phân loại

* Giả sử { N ( t ) , t ≥ 0} là QT Poisson với cường độ λ, liên kết với dãy thời điểm đến { A i }. Tại thời điểm đến A i , đối tượng đến (ví dụ: khách hàng) được phân làm hai loại (có thể xét trường hợp k loại): Loại I với xác suất p và loại II với xác suất q = 1 – p. Giả sử thêm rằng, sự phân loại này là độc lập với các thời điểm đến. Ký hiệu Ni (t) là số lượng đối tượng loại i đến trong khoảng thời gian (0;t] (i = 1,2). Tất nhiên N(t) = N1(t) + N2(t). Hãy nghiên cứu các quá trình {Ni(t)}!. (Trả lời: {N1(t)} và {N2(t)} là hai QT Poisson độc lập với các tham số tương

KE

gian: λ = λ(t)? Bạn đọc quan tâm cũng có thể tìm hiểu ở [3,Phần III]; tr 129. e3) Quá trình Poisson ngắt quãng Xét hệ thống hoạt động như sau: Hệ có hai trạng thái bật và tắt, có thể thay đổi cho nhau.

M

Khi hệ ở trạng thái bật, hệ sẽ vẫn còn ở trạng thái này một khoảng thời gian nữa là BNN có phân bố mũ với tham số σon, rồi nó sẽ chuyển sang trạng thái tắt. Khi biết rằng hệ ở trạng thái tắt, hệ sẽ vẫn ở trạng thái này một khoảng thời gian nữa, là BNN có phân bố mũ với tham số σoff (ta sẽ thấy hệ như vậy được điều

W

W

khiển bởi một xích Markov). Trong khoảng thời gian hệ ở trạng thái bật, dòng đến là QT Poisson với tham số λ. Trong khoảng thời gian hệ ở trạng thái tắt, hoàn toàn không có dòng đến.
72
http://www.ebook.edu.vn

W

.D

AY

Bật

QU

ứng là λp và λq, xem [3,Phần III], tr 129). * Điều gì xảy ra nếu cường độ đến không là hằng số, mà là hàm của thời

YN HO
Tắt

N. UC O

các hàm delta). Dòng điện tạo thành được biểu diễn như một ghép nối của các hàm, trông như Hình 5.9. Từ đó, QT có tên là nhiễu bắn. Thuật ngữ này cũng phù hợp với khái niệm nhiều bắn trong Vật lý: Là đầu ra của hệ động lực được tác động bởi dãy xung xảy ra tại các thời điểm ngẫu nhiên A i .

Z.C

OM

h(t) được chọn là hàm mũ đối xứng e tức là ứng với lọc thông thấp. QT này đầu tiên được đề cập trong việc nghiên cứu những thiết bị điện tử, ở đó các điện tử có thể đập vào màn xử lý tại các thời điểm A i (chúng được mô hình hoá như dòng

−α t

Nghiên cứu số lần đến { N ( t )} trong khoảng thời gian (0;T] của hệ như vậy,

Giả sử { N ( t ) , t ≥ 0} là QT Poisson liên kết với dãy thời điểm đến {Ai } .

Y(t) =

N( t ) k =0

∑ Yk ,

t≥ 0

trong đó Y0 được giả thiết là hằng hay BNN nào đó, độc lập với các BNN {Yi}, còn {Y1 , Y2 ,...} để đơn giản, coi là độc lập, cùng phân bố; {Ai } và {Yi } độc lập. Quá trình {Y ( t )} như trên gọi là QT Poisson hỗn hợp.

số λ,

W

W

tham số λ theo bất cứ phương pháp nào đã biết (xem trang….), số lượng BNN k theo đòi hỏi.

W

chúng ta có thể sinh các quỹ đạo của QT Poisson với cường độ λ như sau.

Bước 1. Sinh k biến ngẫu nhiên {Si ,i = 1,..., k} độc lập, cùng phân bố mũ với

.D

⎧ n ⎫ ii) N ( t ) = Sup ⎨n : ∑ Si ≤ t ⎬ , ⎩ i=1 ⎭

AY

i) Dãy các thời đoạn trung gian {Sn } là độc lập, cùng phân bố mũ với tham

KE

cụ hàm đặc trưng và phép biến đổi Laplace. f) Sinh các quỹ đạo quá trình Poisson Dựa vào hai tính chất:

M

Nghiên cứu chung về {Y ( t )} có thể tìm thấy ở [8], [3], ở đó phải dùng công

http://www.ebook.edu.vn

QU

Mỗi QT Poisson là một QT Poisson hỗn hợp. Điều ngược lại nói chung không đúng. Ví dụ, trong lĩnh vực viễn thông, N(t) có thể coi là số gói tin truyền đến máy chủ, Yi thể hiện kích cỡ gói tin theo bít, thời gian chuyển qua… Khi đó Y(t) sẽ là số bít tổng cộng truyền qua. Nghiên cứu Y(t) vượt quá (hay xuống quá) một ngưỡng nào nó là bài toán đặc biệt quan trọng trong lý thuyết bảo hiểm, ứng dụng cực kỳ hiệu quả cho các ngành, công ty tài chính, bảo hiểm, ngân hàng, tích nước đập thuỷ điện (xem [8 ]).

YN HO
73

N. UC O

Cũng có thể coi Ai là thời điểm xảy ra sự cố A lần thứ i. Giả sử sự cố xảy ra lần thứ i sẽ gây ra hậu quả là Yi . (Thuật ngữ hậu quả cần hiểu một cách linh động, thậm chí nó là thu nhập, lợi nhuận…!). Như vậy, hậu quả tổng cộng cho đến thời điểm t, ký hiệu là Y(t), xác định bởi:

Z.C

OM

chúng ta có khái niệm QT Poisson ngắt quãng (xem [3, Phần III], trang 150). e4) Quá trình Poisson hỗn hợp

Bước 2. Đặt
j k ⎛ ⎞ N ( t ) = ∑ u ⎜ t − ∑ Si ⎟ , j=1 ⎝ i =1 ⎠ trong đó u(x) là hàm bước nhảy đơn vị. Hình 5.10 chỉ ra một quỹ đạo điển hình với 100 lần đến. Đây được xem là hình ảnh thu nhỏ của QT đến. Lưu ý rằng quỹ đạo gần như một đường thẳng với

hệ số góc λ.

Hình 5.10. Một quỹ đạo của quá trình Poisson 5.5.2. Quá trình Wiener
1) X ( 0 ) = 0 ; 2) µ X ( t ) = E ( X ( t ) ) = 0 ;

a) Định nghĩa. QTNN {X ( t ) , t ≥ 0} được gọi là QT Wiener nếu

5) {X ( t ) , t ≥ 0} là QT liên tục theo quỹ đạo, tức là hầu hết các quỹ đạo của

W

W

nó là những hàm liên tục. QT Wiener còn có tên là QT chuyển động Brown bởi vì xuất phát điểm nghiên cứu của QT này dùng để mô hình hoá chuyển động của hạt trong chất lỏng hay khí thuần nhất. Sau đây là một số tính chất sơ bộ của QT Wiener. b) Các tính chất Định lý5.18. Đối với QT Wiener {X(t), t ≥ 0} ta có: i) {X ( t )} là quá trình Gauss; ii) E ( X ( t ) ) = 0; D ( X ( t ) ) = σ 2 t ; iii) Với 0 ≤ s < t , số gia X(t) – X(s) có phân bố chuẩn N 0; σ2 ( t − s ) .
74
http://www.ebook.edu.vn

.D

AY

KE

3) X(t) có số gia độc lập thuần nhất; 4) Số gia X(t) – X(s) có phân bố chuẩn. Nhận xét. Có thể chứng minh rằng với 4 đòi hỏi vừa nêu, QT Wiener sẽ có một bản sao liên tục. Từ đó, chúng ta có thể đưa vào đòi hỏi thứ 5 về QT Wiener:

M

QU

YN HO

N. UC O W
( )

Z.C

OM

iv) Hai hàm R X ( t,s ) và CX ( t,s ) trùng nhau và cho bởi: v) Hàm mật độ đồng thời xác định theo công thức
2 2 ( x − x )2 x n − x n −1 ) ( 1 ⎡ x1 2 1 ⎢ − + +... + t1 t 2 − t1 t n − t n −1 2σ 2 ⎢ ⎣ e

f X( t1 )...X( t n ) ( x1 ,..., x n ) = f X( t1 ) ( x1 ) f X( t 2 )−X( t1 ) ( x 2 − x1 ) f X( t n )−X( t n −1 ) ( x n − x n −1 )

=

t1 ( t 2 − t1 ) ... ( t n − t n −1 )
n

Chứng minh.
i) Xét một tổ hợp tuyến tính bất kỳ
i =1

∑ aiX ( ti )

hằng số thực. Chúng ta viết lại tổng này như sau:

∑ a i X ( t i ) = ( a1 + ... + a n ) ⎡ ⎣ X ( t1 ) − X ( 0 ) ⎤ ⎦+
i =1

+ ( a 2 + ... + a n ) ⎡ ⎣X ( t 2 ) − X ( t n )⎤ ⎦ + ... + a n ⎡ ⎣ X ( t n ) − X ( t n −1 )⎤ ⎦. Từ đòi hỏi (3) và (4) ở định nghĩa, vế phải của đồng nhất thức vừa viết là tổ hợp tuyến tính của các BNN chuẩn, độc lập, suy ra đó là BNN chuẩn. Theo định ii) Xét hàm số g ( t ) = D[X(t)]. Theo các đòi hỏi ở định nghĩa chúng ta có: g ( t + s) = D ⎡ ⎣X ( t + s ) − X ( s ) + X ( s ) − X ( 0 )⎤ ⎦

Như vậy g(t) thoả mãn phương trình hàm Cauchy, suy ra tồn tại hằng số k

.D

để g(t) = kt. Lại do k = g (1) = D[X (1)] ta nhận được D[X ( t )] = σ2 t với σ2 = D[X(1)] . D[X ( t )] = D ⎡ ⎣ X ( t ) − X ( s ) + X ( s ) − X ( 0 )⎤ ⎦ = D [ X(t) − X(s) ] + D[X(s)]. V ậy
2 D⎡ ⎣X ( t ) − X ( s )⎤ ⎦ = D[X ( t )] − D[X ( s )] = σ ( t − s ) .

W

W

W

iii) Bây giờ với 0 ≤ s < t chúng ta có

AY

KE

=D⎡ ⎣X ( t + s ) − X ( s )⎤ ⎦+ D⎡ ⎣ X ( s ) − X ( 0 )⎤ ⎦ =D⎡ ⎣X ( t ) − X ( 0 )⎤ ⎦+ D⎡ ⎣ X ( s ) − X ( 0 )⎤ ⎦ = g ( t ) + g (s ).

M

∀t,s ≥ 0 .

QU

nghĩa, {X ( t )} là quá trình Gauss.

YN HO
75

n

N. UC O

( 2πσ )

2 n

.

với 0 ≤ t1 < ... < t n , a i là các

http://www.ebook.edu.vn

Z.C
(*)

⎤ ⎥ ⎥ ⎦

(5.5.8)

OM

R X ( t,s ) = CX ( t,s ) = σ2 min ( t,s ) ,

t,s ≥ 0 .

iv) Trong trường hợp 0 ≤ s < t chúng ta biến đổi như sau

v) Suy từ chỗ X(t1 ), X(t 2 ) − X(t1 ),..., X(t n ) − X(t n −1 ) là các BNN độc lập, X(t i ) − X(t i−1 ) : N(0, σ2 (t i − t i−1 )) . Ngoài các tính chất vừa nêu, người ta còn chứng minh được các tính chất sau đây nói về quỹ đạo của QT Wiener (xem chứng minh trong [3, Phần III] trang 180). Hầu hết các quỹ đạo của QT Wiener không có biến phân giới nội trên đoạn hữu hạn [a;b] bất kỳ và do đó, hầu hết các quỹ đạo của nó đều không khả vi tại một điểm bất kỳ. Tính chất này làm cho mỗi quỹ đạo của QT Wiener trở nên “khủng khiếp”, “không vẽ nổi”, “không tưởng tượng nổi”. Thế nhưng chúng ta vẫn phải hình dung cho tốt về nó! c) Sinh một phần quỹ đạo của quá trình Wiener Vì mỗi quỹ đạo của một QT Wiener không có biến phân giới nội nên ta không có cách gì sinh ra một quỹ đạo đầy đủ bất kỳ. Tuy nhiên chúng ta lại có thể sinh được giá trị của quỹ đạo tại một số điểm quan tâm cho trước. Giả sử cần sinh giá trị của QT Wiener tại các điểm t 0 , t1,..., t n với X ( t k ) = X ( t k ) − X ( t k −1 ) + ( X ( t k −1 ) − X ( t k −2 ) ) + ... + ( X ( t1 ) − X ( t 0 ) )

AY

= S1 + ... + Sk ,

KE

t 0 = 0 < t1 < ... < t n . Ta có

M

QU

trong đó Si = X ( t i ) − X ( t i−1 ) : N 0; σ 2 ( t i − t i−1 ) , {Si} là dãy độc lập.

(

.D

Từ đó chúng ta có thể sử dụng thuật toán sau đây. 1. Tạo dãy các thời điểm quan tâm

YN HO
)
76

{t n ,i = 0,1,..., n} ; t0

W

W

∆ i = t i − t i−1 ; ∆ 0 = 0 . 2. Sinh các BNN chuẩn tắc {G i ,i = 1,..., n} . 3. Tính số gia Si = σ ∆ i G i . 4. X ( t k ) = S0 + S1 + ... + Sk , k = 0,1,..., n.

W

http://www.ebook.edu.vn

N. UC O

σ2 t + s − ( t − s )} = σ 2s = σ 2 min ( t,s ) . { 2 Tương tự cho trường hợp 0 ≤ t < s . =

Z.C
= 0. Tính

Từ đó, sử dụng (*) và (ii) chúng ta nhận được 1 Cov ( X ( t ) , X ( s ) ) = D[X ( t )] + D[X ( s )] − D ⎡ ⎣ X ( t ) − X ( s )⎤ ⎦ 2

{

OM
}

D⎡ ⎣X ( t ) − X ( s )⎤ ⎦ = D[X(t)] + D[X(s)] − 2Cov ( X ( t ) , X ( s ) ) .

Hình 5.11 đưa ra hình ảnh của 50 hàm mẫu của QT Wiener với σ =1; ∆ i = 0,1 .

W

W

C Z (t,s) = C* Z (s, t). Định nghĩa hàm tương quan chéo của hai QT phức cũng được thay đổi cho phù hợp:

.D

C Z (t,s) = E[(Z(t) − E[Z(t)]) (Z(s) − E[Z(s)])* ]. Nhiều tính chất của hàm tự tương quan, tự hiệp phương sai với QT thực vẫn bảo toàn, song tính chất đối xứng đã thay đổi một chút, đó là: R Z (t,s) = R * Z (s, t);

AY

W

C ZW (t,s) = E[( Z(t) − µ Z (t) ) ( W(s) − µ W (s) ) ] . Tính chất đối xứng bây giờ trở thành
*

KE

§5.6. QUÁ TRÌNH NGẪU NHIÊN PHỨC Tín hiệu phức là một công cụ rất hiệu quả để nghiên cứu tín hiệu nói riêng và kỹ thuật điện tử nói chung. Cùng với QTNN thực, người ta nghiên cứu QTNN phức: Z(t) = X(t) + jY(t) trong đó {X(t)} ,{Y(t)} là những QTNN thực. Hàm kỳ vọng, hàm tự tương quan và hàm tự hiệp phương sai được định nghĩa hơi khác với trường hợp QT thực, đó là: µ Z (t) = E[X(t)] + jE[Y(t)];
R Z (t,s) = E[Z(t) Z* (s)];

R ZW (t,s) = E[Z(t) W* (s)]

M

http://www.ebook.edu.vn

QU

YN HO
77

Hình 5.11. Các quỹ đạo của QT Wiener. 5.5.3.Giới thiệu về các QTNN loại khác Các QTNN loại khác có nhiều ứng dụng trong kỹ thuật là: *QTNN Markov (rời rạc, liên tục) (xem [3], [7], [9], [10], [13]) *QT Martingal (xem [3]) *QT sinh, tử. *QTNN véc tơ (xem [11])

N. UC O

Z.C

OM

Ví dụ 5.18. Tổng hợp dao động điều hoà phức cùng tần số. Xét QTNN {V(t)} cho bởi
V(t) = ∑ A n e j( ωo t + U n )
n =1 N

N ⎡N ⎤ R V (t + τ , t) = E ⎢ ∑ A n e j( ωo (t +τ)+ U n ) ∑ A m e − j( ωo t + U m ) ⎥ m =1 ⎣ n =1 ⎦

= Với m ≠ n thì

QU

n,m =1

N

E[A n A m ]e jωoτ E[e j(U n − U m ) ].

E[e

j(U n − U m )

M

1 ]= (2π) 2
N

Vậy

2 R V (t + τ, t) = e jωoτ ∑ E[A n ].

KE

YN HO
2π 2π 0 0 n =1

trong đó {A n , U m , n, m = i,..., N} là các BNN độc lập, U m phân bố đều trên [ 0;2π]. Để ý đến tính độc lập, ta có: 2π N 1 j( ωo t + u) E[V(t)] = ∑ E[A n ] ∫ e du = 0 ; 2 π n =1 0

∫ ∫ (cos(u-v)+jsin(u-v))dudv = 0.

2 Từ đó, {V(t)} là QT dừng, quy tâm với R V (τ) = e jωoτ ∑ E[A n ]. n =1

W

W

W

.D

AY

78
http://www.ebook.edu.vn

N. UC O
N

R ZW (t + τ, t) = R ZW (τ).

Z.C

R ZW (t,s) = R ∗ WZ (s, t). Khái niệm về tính dừng cũng như dừng đồng thời vẫn không thay đổi: QTNN phức {Z(t)} là dừng nếu hàm kỳ vọng µ Z (t) là hằng số và hàm tự tương quan R Z (t,s) chỉ phụ thuộc hiệu thời gian: R Z (t + τ,s) = R Z (τ). Hai QTNN phức {Z(t)}, {W(t)} được gọi là dừng đồng thời nếu mỗi quá trình {Z(t)}, {W(t)} là dừng; hơn nữa, hàm tương quan chéo của chúng chỉ phụ thuộc vào hiệu thời gian:

OM

terms of the autocorrelation function for a RP to have the MS-derivative at a point t o .

W

5.13. Poisson process: def., meaning of the parameter λ . 5.14. Poisson process: n-dimensianal jpmf’s (joint probability mass functions) and autocorrelation function. 5.15. Poisson process: computing the rate of arrivals and generating realizations of a Poisson process. 5.16. Wiener process: def., some fundamental properties. 5.17. Wiener process: def., generating a part of the sample function of the process. 5.18. Complex random process: def., mean function, autocorrelation function, autocovariance function, some their properties, case of stationary processes with complex values.

W

W

.D

AY

KE

5.12. MS-integral (integral in mean square sense): def., condition in terms of R X (t,s) for a RP to have the MS-integral over the inteval [a, b] .

M

http://www.ebook.edu.vn

QU

Theoretical Questions for Chapter V 5.1. Basic definitions about random sequences and processes, rough classifications, sample functions (orbits or realizations) of the processes. 5.2. Family of finite-dimensional joint cdf’s (cumulative distribution functions) of a RP (random process), two properties of this family. 5.3.The second order process: definition, mean, autocorrelation function and auto-covariance function of a RP and cross-correlation function of 2 RP’s. 5.4. Process with independent increments: definition, examples, process with noncorrelation increments. 5.5. Strict-sense stationary (SSS) process: definition, some properties of SSS processes. 5.6. Wide-sense stationary (WSS) process: definition, properties of the autocorrelation function of a WSS process, necessary and sufficient conditions for a given real function to be the autocorrelation function of a WSS process. 5.7. Two jointly stationary processes: def., properties of their crosscorrelation function. 5.8. Gaussian process: def., the n-dimensional joint probability density functions. Characteristics of stationary gaussian processes. 5.9. Mean ergodic: def., condition for a WSS process to be mean ergodic. Measurement of cross-correlation functions and autocorrelation ones. 5.10. Continuity in probability and in mean square, condition in terms of the autocorrelation function for a RP to be continuous in mean square. 5.11. MS-derivative (derivative in mean square sense): def., condition in

YN HO
79

N. UC O

Z.C

OM

W

W

W

.D

5.13 QT Poisson: định nghĩa, ý nghĩa của tham số λ . 5.14 QT Poisson: xác suất đồng thời n chiều và hàm tự tương quan. 5.15 QT Poisson: vấn đề xác định cường độ dãy đến và sinh các qũi đạo. 5.16 QT Wiener: định nghĩa, các tính chất sơ bộ. 5.17. QT Wiener: định nghĩa, sinh một phần quỹ đạo của QT. 5.18. QTNN phức: định nghĩa, hàm kỳ vọng, hàm tự tương quan, hàm tự hiệp phương sai, vài tính chất, trường hợp QT phức, dừng.

AY

KE

M

5.12 Tích phân theo bình phương trung bình: định nghĩa, điều kiện thông qua hàm R X (t,s) để QT khả tích theo bình phương trung bình.

http://www.ebook.edu.vn

QU

Câu hỏi ôn tập chương V 5.1. Những định nghĩa cơ bản về dãy và quá trình ngẫu nhiên, sơ bộ phân loại của chúng; quĩ đạo (hay thể hiện) của QTNN, sự phân loại theo quỹ đạo. 5.2. Họ phân bố hữu hạn chiều của QTNN, hai tính chất của họ hàm này. 5.3. QT cấp hai: định nghĩa, hàm kỳ vọng, hàm tự tương quan, hàm tự hiệp phương sai, hàm tương quan chéo của 2 QT. 5.4. QT số gia độc lập: định nghĩa, ví dụ, QT số gia không tương quan. 5.5. QT dừng theo nghĩa hẹp: định nghĩa, một vài điều kiện cần của QT dừng theo nghĩa hẹp. 5.6. QT dừng theo nghĩa rộng: định nghĩa, tính chất của hàm tương quan của QT dừng; điều kiện cần và đủ và điều kiện đủ để hàm thực cho trước là hàm tương quan của QT dừng 5.7. Dừng đồng thời: định nghĩa 2 QT dừng đồng thời; tính chất hàm tương quan chéo của chúng. 5.8. Quá trình Gauss: định nghĩa; hàm mật độ đồng thời; tính đặc thù của QT Gauss dừng. 5.9. Ergodic kỳ vọng: định nghĩa, điều kiện để một quá trình dừng là ergodic kỳ vọng. Đo hàm tương quan chéo và tự tương quan. 5.10. Liên tục theo xác suất, liên tục theo bình phương trung bình; điều kiện thông qua hàm tự tương quan để xảy ra liên tục theo trung bình. 5.11. Khả vi theo bình phương trung bình: định nghĩa, điều kiện thông qua hàm tự tương quan R X (t,s) để QT khả vi theo bình phương trung bình.

YN HO
80

N. UC O

Z.C

OM

Problems for Chapter V 5.1. A process X has 5 following realizations with the same probabilities:

x1 (t) = −2cos(t) x 2 (t) = −2sin(t)
x 3 (t) = 2[cos(t) + sin(t)] .

x 4 (t) = cos(t) − sin(t) x 5 (t) = sin(t) − cos(t)

a) Describe the ensembe, sketch and find the mean function µ X (t) = E[X(t)] .

Hint: µ X (t) = 0 ; the comulative distribution function of X(1) defines from
the following table of probabilities X(1) -1.6829 -1.0806 P 0.2 0.2 -0.3012 0.2 0.3012 0.2 2.7635 0.2

YN HO
81

5.2. Consider the RP

{X(t)} defined by X(t) = Ycos (ωt),

W

W

c) Put X(t) = X n , n ≤ t < n + 1. Plot a realization of the RP {X(t)} . Sol. a) This is a discret-time random process (a random sequence). The state space is E = ¢ = {..., −2, −1,0,1, 2,...} , it is also the rang of the process and the index parameter set is T = {0,1, 2,...} .

W

.D

The random process {X n , n ≥ 0} is called a (simple) random walk. a) Describle the random walk (which class of random processes does it belong to? The state space, the set of parameters). b) Plot a realization of {X n } .

AY

X o = 0; X n =

i =1

∑ Zi , n = 1, 2,...

n

KE

5.3. Suppose that Z1, Z2 ,... is a sequence of IID (independent identically distributed) random variables with P{Zn = 1} = p, P{Zn = −1} = q = 1 − p, . Put

M

⎧ 2 x ∈ ⎡0; 1/ 2 ⎤ ⎧1 x ∈ [0;1] ⎪ ⎣ ⎦ Ans. b) ⎨ ; ⎨ ; ⎡ ⎤ ⎩0 x ∉[0;1] ∉ 0 x 0; 1/ 2 ⎪ ⎣ ⎦ ⎩

http://www.ebook.edu.vn

QU

is a constant and Y is uniformly distributed in (0; 1 ). a) Sketch some realizations. Find the (one-dimensional) probability density function of the process at t = 0 and at t = π / 4. b) Find the mean function E[X(t)] and the autocorrelation function R X (t,s).

N. UC O

b) Calculate one-dimensional comulative distribution function FX (x;1).

t ≥ 0 , where ω

Z.C

OM

The sample function of {X(n)} and {X(t)} is as the following figure.
X(n), X(t) 1 0 -1 -2

5.4. Suppose that {X(n)} is a random walk, find the one-dimensional distribution function. Ans. We have to evaluate p n (k) = P {X n = k} . It’s clear that P {Xo = 0} = 1 .
Note that p n (k) = 0 if n < k because the random walk cannot get to level k in less than k steps. Thus, n ≥ k .
− Let N + n and N n be the random variables denoting the numbers of +1s and -1s, respectively, in the first n steps. Thus − N+ n : B(n, p); N n : B(n,q); − + − n = N+ n + N n ;X n = N n − N n .

And now

W

5.5. Find the mean function, the variance function and the autocorrelation function of a random walk. Consider the case when p = q = 1/ 2. Ans.

.D

+ k) / 2 (n + k) / 2 (n − k) / 2 p n (k) = C(n p q , n ≥ k , n and k are both even or odd. n

AY

1 + N+ n = (n + X n ) or 2N n = n + X n . It implies that 2 1 (n + k) . Xn = k ⇔ N+ = n 2 Than X n is even if n is even, X n is odd if n is odd. Thus

W

KE

M

2 µ X (n) = n(p − q); σX (n) = 4npq;
2 ⎧ ⎪m + (nm − m)(p − q) R X (n, m) = ⎨ 2 ⎪ ⎩n + m(nm − n)(p − q)

QU

YN HO
82

W

http://www.ebook.edu.vn

N. UC O
t

m<n n < m.

Z.C

n Tossing a coin x(n)

0 0

1 T -1

2 H 0

3 H 1

4 T 0

5 T -1

6 T -2

7 H -1

8 T -2

9 H -1

10 11 … H H … 0 1 …

OM

b) A realization (a sample sequence) {x(n)} of a simple random walk can be produced by tossing a coin every second and letting x(n) increase by unity if a head appears and decrease by unity if a tail appears, for instance

random variables with identically distributed function FX (x), mean µ and variance σ2 . a) Find the finite-dimensional cdf. b) Find the mean function and the autocorrelation function R X (n, m) .

c) Find the autocovariance function CX (n, m) and the variance one σ2 X (n).

ω is a constant and Θ : U[0;1] . Are two processes X and Y jointly wide-sense stationary? Find covariance functions of every process X and Y and their crosscorrelation coefficient. Ans. R XY ( τ) = (1/ 2)sin(ωτ) .

5.10. Consider a random process {X(t)} defined by
where ω is a constant, U and V are two random variables. a) Prove that the condition E[U] = E[V] = 0 b) With that condition, prove that the process {X(t)} is stationary if and only if U and V are uncorrelated random variables and have the same variance; in

W

⎧ τ ⎪1 − and the autocorrelation function R X (τ) = ⎨ T ⎪0 ⎩
83

W

5.11. Suppose that {X(t)} is a gaussian stationary process with zero mean
τ ∈ [ −T;T ] τ ∉ [ −T;T ].

W

.D

other words, E[UV] = 0 and E[U 2 ] = E[V 2 ] = σ 2 .

AY

is nesessary for {X(t)} to be a stationary process.

KE

M

X(t) = U cos(ωt)+ Vsin(ωt), − ∞ < t < +∞ ,

http://www.ebook.edu.vn

QU

YN HO

⎧µ 2 ⎧0 n ≠ m 2 n≠m ⎪ ⎪ µ; ⎨ ;⎨ 2 ;σ . 2 2 n m σ = ⎪ n m µ + σ = ⎪ ⎩ ⎩ 5.7. Prove that if a second order process is SSS, it is also WSS. 5.8. Prove that a WSS process {X(t)} is MS-cotinuous if and only if its autocorrelation function is continuous at τ = 0 . 5.9. Consider two RPs X(t) = sin(ωt + Θ) and Y(t) = cos(ωt + Θ) , where

N. UC O

d) Prove that it is a stationary sequence. Ans. F(x1,..., x m ; n1,..., n m ) = FX (x1 )...FX (x m );

Z.C

OM

5.6. Let {X(n)} be a random sequence, where X1 , X 2 ,... are independent

p = q = 1/ 2 : R X (n, m) = min(n, m)

n, m > 0.

Suppose that {X(t i ),i = 1, 2,..., n} is the sample sequence of the process

ˆn = Find the mean and the variance of the sample mean µ

and x 2 (t) = 2 . The sample functions are chosen by tossing a coin: if a head appears (with probability p) then x1 (t) is chosen, if a tail appears (with probability q = 1 − p ) then x 2 (t) is chosen.
FX (x, y;1, 2).

a) Sketch the sample functions, find distribution functions FX (x;1) and b) Find the ensemble average E[X(t)] and the time average A[X(t)] . How do they depend on time and outcomes of the experiment? How is ergodicity of the process? Hint a) Put X(1) = U, X(2) = V , g(x, y) = FX (x, y;1, 2) = P{U < x; V < y} . The range of U is {1; 2} , of V is {0; 2} .

{U = 1} = {V = 0} = {a head appears} with probability p, {U = 2} = {V = 2} = {a tail appears} with probability q.
Then the function FX (x;1) is as in the following figure

M

QU

KE

AY

YN HO
FX (x;1) 1

p
O 1 2 x

* x ≤ 1 or y ≤ 0 : g(x, y) = 0 * 2 < x;0 < y ≤ 2 : g(x, y) = P{V = 0} = p

W

W

*1 < x ≤ 2; 2 < y : g(x, y) = P{U = 1} = p * 2 < x; 2 < y : g(x, y) = 1 .

.D

*1 < x ≤ 2;0 < y ≤ 2 : g(x, y) = P{U = 1; V = 0} = p

W

⎧0 ⎪ ⇒ FX (x, y;1, 2) = ⎨p ⎪1 ⎩

x ≤1 or y ≤ 0 1 < x ≤ 2 or 0 < y ≤ 2 2 < x, 2 < y
84
http://www.ebook.edu.vn

N. UC O

2n − 1 . n2 5.12. A random process {X(t)} has two sample functions x1 (t) = sin(πt / 2)
Ans.

ˆ n ) = 0; D(µ ˆn) = E(µ

Z.C

1 n ∑ X(t i ) . n i=1

OM

{X(t)} at equidistant times

ti = i

T , i = 1, 2, ...,n. 2

b) E[X(t)] = psin

πt + 2q , depends on t, not on outcomes of the experiment. 2

function CX (t,s) of a Poisson process with parameter λ .

Ans: E[X(t)] = λt = D[X(t)] ;

CX (t,s) = λ min(t,s); R X (t,s) = λ min(t,s) + λ 2 ts.

5.15. Denote A n be the nth arrival instant (time of nth arrival) of a Poisson
process with parameter λ . Prove that A n is gamma (Erlang in this case) random variable with parameters (n, λ).

5.16. Sketch a realization of shot noise being an output of a RL circuit with
an impulse response h(t) = e−αt u(t) and a Poisson process with parameter (rate)

Y(t) = ∑ h(t − A n ) .
i =1

W

b) P = P { N(60) − N(0) ≤ 2} = e−6 (1 + 6 + 18) ≈ 0,062 5.18. Suppose that {N(t)} is a Poisson process with a rate λ . Find E{[X(t) − X(s)]2 } with t > s .
85
http://www.ebook.edu.vn

W

W

The function has a sawtooth waveform. 5.17. Patients visit a doctor’s office according to a Poisson process with rate λ = 1/10 (minute). The doctor only starts working when there are 3 patients in the waiting room. a) Find the average waiting time from the moment at that the office’s door is opened until the first patient is admitted. b) Evaluate the probability so that there is no patient admitted in the first hour. Hint. Put A n - the arriving instant of the nth patient. A n = S1 + ... + Sn , Si : E(1/10). a) E(A3 ) = 3.10 = 30 (minutes);

.D

AY

KE

M

QU

λ = 1 as an input. Hint. Generate some values of the sequence {Sn } ; evalute A n and then put

YN HO

N. UC O

exists, then the derivative process {X′(t)} is also a gaussian process. 5.14. Find the autocorrelation function R X (t,s) and the autovariance

Z.C

⎧0 if a tail appears A[X(t)] = ⎨ ⎩2 if a head appears does’nt depend on t but on outcomes of the experiment. The process is not ergodic. 5.13. Prove that if {X(t)} is a gaussian process and its MS-derivative {X′(t)}

OM

Hint: Set up an arbitrary linear combination.

5.20. Prove that a Wiener process {X(t)} is a MS-continuous one.

any point t o (but has a generalized one, that is a white noise, see Problem 5.23).

5.22.
t 0

Let {X(t)} be a Wiener process with a parameter σ 2 . Put

Y(t) = ∫ X(α)dα. Find the mean function, the autocorrelation function and the autocovariance function of {Y(t)}.
t s

Hint. Y(t) = Y(s) + ∫ [X(α) - X(s)]dα + (t - s)X(s) (0 ≤ s < t) .

C Y (t,s) = σ 2 ∫ u(t − β)dβ = σ 2
0

s

YN HO
min(t,s) 0

Ans. E[Y(t)] = 0;

σ2 Y (t) =

1 σ2 t 3 ; R Y (t,s) = σ 2s 2 (3t − s), (t > s ≥ 0) 3 6
2 ∫ 1dβ = σ min(t,s) .

5.23. Let {X(t)} be gaussian white noise. Put Y(t) = ∫ X(α)dα.
0

KE

a) Find the autocorrelation function of {Y(t)}. b) Prove that {Y(t)} is a Wiener process. (So we can regard gaussian white noise as a generalized derivative of a Wiener process). Sol. According to (5.4.7), exist the integral with every positive t. (We can also prove the exist of the integral through a limit of integral sums). Using (5.4.10) we get

M

QU

R Y (t,s) = ∫ ∫ R X (α, β)dαdβ = ∫ [ ∫ σ2δ(β − α )dα ]dβ
00 0 0
s min(t,s) 0 2 ∫ 1dβ = σ min(t,s) .

ts

AY

= σ 2 ∫ u(t − β)dβ = σ 2
0

W

W

b) Y(0) = 0; {Y(t)} is gaussian process and has zero mean because {X(t)} is gaussian and zero mean one; {Y(t)} has independent increments because white noise {X(t)} has independent increments. We see that the autocorrelation of {Y(t)} is equal to the autocorrelation function of the Wiener, and it is trivial to show that it is a process with stationary independent increments. Thus {Y(t)} is a Wiener process.

W

.D

86
http://www.ebook.edu.vn

N. UC O
t s t

Z.C

5.21. Prove that a Wiener process {X(t)} does’nt have MS-derivatives at

OM

Ans. λ(t − s) + λ 2 (t − s)2 . 5.19. Prove that a Wiener process {X(t)} is a gaussian one.

Chương 6
§6.1. MẬT ĐỘ PHỔ CÔNG SUẤT

⎧1 s 2 ( t ) = rect ( t ) = ⎨ ⎩0 các biến đổi Fourier tương ứng là:

với t ≤ 1/ 2 ,

t > 1/ 2

S1 ( ω) = π ⎡ ⎣ δ ( ω − ω0 ) + δ ( ω − ω0 ) ⎤ ⎦,

Hình 6.1.
S1(ω)
π

M

QU

S2 (ω)

YN HO
1

⎧ sin ( ω / 2 ) ⎛ ω⎞ ⎪ vớ i ω ≠ 0 S2 ( ω) = Sa ⎜ ⎟ = ⎨ ω / 2 ⎝2⎠ ⎪ với ω = 0, ⎩1 Các hàm S1 ( ω) , S2 ( ω) chẵn, đồ thị của chúng ứng với ω > 0 thể hiện ở

N. UC O

s1 ( t ) = cos (ω0 t ) ,

Hình 6.1. Tần số của hai tín hiệu Với trường hợp thứ nhất, tín hiệu có một tần số ω0 , với trường hợp thứ hai,
tín hiệu có vô hạn tần số. Bên cạnh việc nghiên cứu tín hiệu trong miền thời gian (theo biến t), việc nghiên cứu tín hiệu trong miền tần số - tức là nghiên cứu phổ của tín hiệu - là mảng nghiên cứu hết sức hiệu quả để xử lý tín hiệu tất định. Về vấn đề phổ (biến đổi Fuorier của tín hiệu tất định), chúng ta có thể tham khảo ở [5], [9], [7]. Khi tín hiệu là ngẫu nhiên, từ chỗ mỗi quỹ đạo X ( t, ζ ) (ζ∈S cố định) của một QTNN là một tín hiệu tất định, một nghiên cứu hứa hẹn là biểu diễn các quỹ đạo này trên miền tần số. Như vậy, một cách tự nhiên, chúng ta xét biến đổi Fourier của quỹ đạo X(t, ζ )

W

W

W

.D

AY

KE

0

ω0

ω

86
http://www.ebook.edu.vn

Z.C
ω

6.1.1. Vấn đề nghiên cứu quá trình ngẫu nhiên trong miền tần số (☼) Trong trường hợp tất định, biến đổi Fourier của tín hiệu cho ta biết tần số có mặt trong tín hiệu. Ví dụ, với các tín hiệu

OM

XỬ LÝ CÁC QUÁ TRÌNH NGẪU NHIÊN

X ( ω, ζ ) =

−∞

∫ X ( t, ζ ) dt

T T→∞

−T

Đối với một quỹ đạo bất kỳ {X ( t, ζ ) , t ∈ ¡ } , xét quỹ đạo chặt cụt
⎧ ⎪X ( t, ζ ) khi t ∈ [ −T;T ] , X T ( t, ζ ) = ⎨ t ∈[ −T;T ]. ⎪ ⎩0
T

W

.D

AY

phương trung bình. Biểu diễn phổ như thế của một QTNN cũng có nhiều kết quả quan trọng (xem [3] phần II, [6],[8]). Tuy nhiên ở cuốn sách này chúng ta chưa có điều kiện đề cập tới. Từ bỏ ý định sử dụng phép biến đổi Fourier (6.1.1), bằng cách nghiên cứu năng lượng của QTNN, người ta đi đến khái niệm hàm mật độ phổ công suất. Sau đây chúng ta dẫn ra một cách tiệm cận khái niệm này. Để đơn giản, trước hết hãy xét vấn đề trên cho quá trình dừng.

KE

M

QU

lim

∫ X(t)e

− j ωt

dt , trong đó tích phân trên đoạn [-T;T] hiểu theo nghĩa bình

W

Nói chung, chúng ta có thể giả thiết

QT có quỹ đạo liên tục hay bước nhảy).

W

http://www.ebook.edu.vn

YN HO
−T

không thoả mãn. Từ đó, về mặt lý thuyết, dường như tích phân (6.1.1) không bao giờ tồn tại. Thứ hai, về mặt thực tiễn, gần như không bao giờ chúng ta biết hết các quỹ đạo của QTNN đã cho, thậm chí là một quỹ đạo của QT Poisson hay QT Wiener. Hơn nữa, dù quỹ đạo có thể biết được, nhiều khó khăn khác cũng không khắc phục nổi. Một trong những hướng xử lý vấn đề là nghiên cứu tích phân (6.1.1) như là giới hạn theo bình phương trung bình giá trị chính của tích phân, đó là

X ( t, ζ ) dt < ∞ , i = 1,2 (ví dụ, với

87

N. UC O
i

Hàm phổ tính theo (6.1.1) xác định với từng quỹ đạo của quá trình, nó được gọi là phổ biên độ. Thường thì X(t) là điện áp của một đoạn mạch nào đó với kháng 1 Ω nên nó cũng được gọi là phổ điện áp. Tuy nhiên, hai nguyên nhân sau là những cản trở nặng nề mà hầu như chúng ta không thể vượt qua: Thứ nhất, đối với hầu hết các QTNN, với xác suất dương hoặc thậm chí bằng 1, điều kiện hội tụ tuyệt đối của tích phân

Z.C

OM

−∞

− jωt ∫ X ( t, ζ ) e dt .

(6.1.1)

Với ζ∈ S , năng lượng của quỹ đạo tất định {X ( t, ζ )} trên đoạn thời gian

−T

đoạn này là

PT =

+∞

Mặt khác, do của {X T ( t, ζ )} :

−∞

X T ( t, ζ ) dt < ∞ nên có thể xác định được biến đổi Fourier

ℱ [X T (t, ζ )]=

∞ −∞

X T ( t, ζ ) e − jωt dt =

Sử dụng định lý Parseval chúng ta nhận được
2 1 ∞ PT = X T ( t, ζ ) dt ∫ 2T −∞

= Như vậy có thể coi

T 1 ∞ 1 ⎡T jωs ⎤ − jωt ⎤ ⎡ X t, ζ e dt ⎢∫ ( ) ⎥ ⎢ ∫ X ( s, ζ ) e ds ⎥ dω. ∫ 2π −∞ 2T ⎣ − T ⎦ ⎣ −T ⎦

X T ( ω, ζ ) =

là công suất trung bình của tín hiệu {X ( t, ζ )} trên đoạn [ −T;T ] trong dải tần nhân với 1/(2π) chúng ta nhận được PT. X T ( ω) không dần đến giới hạn xác định. Tuy nhiên chứng minh được, đối với

AY

mọi tần số ω, phương sai của các BNN này bị chặn (xem, ví dụ, Левин Б.Р., Cơ sở lý thuyết vô tuyến thống kê, M.Coв. Paдиo, 1975, mục 3.5.5). Từ đó, người ta lấy giới hạn (nếu có) của mô men bậc một của mật độ (6.1.2)

KE

X T ( ω, ζ ) là BNN vì phụ thuộc vào ζ ∈Ω . Khi T →∞ , nói chung BNN

M

[ω; ω + dω] ; nói cách khác, đó là hàm mật độ phổ vì khi lấy tích phân trên ¡

QU

⎤⎡ T ⎤ 1 ⎡T jωs − jωt ζ X t, e dt ( ) ⎢∫ ⎥ ⎢ ∫ X ( s, ζ ) e ds ⎥ 2T ⎣ − T ⎦ ⎣ −T ⎦

YN HO

N. UC O
T
−T

− jωt ∫ X ( t, ζ ) e dt .

.D

SX ( ω) = lim E X T ( ω)
T→∞

(

)

W

W

làm hàm mật độ phổ công suất (trung bình) của QT {X ( t )} . Lấy kì vọng hai vế (6.1.2), bằng tính toán giống như ở Định lý 5.8 ta đi đến
⎤ E⎡ ⎣ X T ( ω, ζ ) ⎦ = ⎛ τ ⎞ − jωτ 1 − dτ . ⎜ ⎟ R X ( τ) e ∫ 2T ⎠ −2T ⎝
2T

W

88
http://www.ebook.edu.vn

Z.C

2 2 1 T 1 ∞ X t, dt X T ( t, ζ ) dt . ζ = ( ) ∫ ∫ 2T − T 2T −∞

(6.1.2)

(6.1.3)

OM
rồi

[ −T;T ] là ∫

T

X ( t, ζ ) dt . Từ đó, công suất trung bình của tín hiệu {X ( t, ζ )} trên
2

Khi T →∞ , với những điều kiện nhất định, ví dụ R X ( τ ) khả tích tuyệt đối trên

−∞

∞ −∞

R X ( τ ) e − jωτdτ

là biến đổi Fourier của hàm tự tương quan R X ( τ ) .

dừng {X ( t )} SX ( ω) =

YN HO

6.1.2. Mật độ phổ công suất Định nghĩa. Ta gọi biến đổi Fourie của hàm tự tương quan R X ( τ ) của QT

−∞

R X ( τ ) e − jωτdτ

N. UC O

Đó là nội dung của định lý Khinchine - Wiener đưa ra vào năm 1930 (trước đó - vào năm 1990 - định lý được chứng minh bởi Al. Einstein). Chúng ta có thể tham khảo chứng minh trong [15], tr101. Từ những phân tích trên, đối với những người quan tâm đến ứng dụng, người ta đưa ra định nghĩa về hàm mật độ phổ công suất trình bày ở mục 6.1.2 (☼) dưới đây, gọi là định nghĩa theo phương pháp tương quan.

của SX ( ω)

W

Có nhiều tên gọi để chỉ hàm mật độ phổ công suất: mật độ phổ công suất, mật độ phổ, phổ và có lẽ thông dụng và đơn giản nhất là phổ công suất, dù rằng từ này không chính xác vì không liên quan đến đơn vị. Nếu đơn vị của X(t) là Vol (trên đoạn 1 Ω) thì đơn vị của phổ công suất là Wat - giây (W - s) hay Wat/Hz (W/Hz). Tuy nhiên, nếu quá trình có ý nghĩa thực tế khác thì thuật ngữ và các đơn vị đưa ra có thể không còn phù hợp, cần thay đổi. Dù sao, trong các đoạn sau, chúng ta vẫn giữ các thuật ngữ này. Lưu ý: Tần số ω nói đến ở (6.1.4), (6.1.5) là tần số góc (đơn vị là Rad/s). Nhiều tài liệu lại dùng tần số vòng f (đơn vị là Hz) để xác định mật độ phổ:

W

.D

AY

KE

Như vậy, R X ( τ ) và SX ( ω) là cặp biến đổi Fourier: R X ( τ ) ↔ SX ( ω) .

M

1 ∞ R X ( τ) = SX ( ω) e jωτdω . ∫ 2π −∞

QU

là hàm mật độ phổ công suất của QT này. Theo tính chất của phép biến đổi Fourier, R X ( τ ) là biến đổi Fourier ngược

W

S X (f ) =

∞ −∞

R X ( τ ) e − j2 πfτdτ .

Từ tính chất của phép biến đổi Fourier suy ra
89
http://www.ebook.edu.vn

Z.C

(6.1.5)

(6.1.4')

OM
(6.1.4)

¡ :

R X ( τ ) dτ < ∞, vế phải của (6.1.3) sẽ dần đến giới hạn

R X ( τ) =

Mối quan hệ giữa tần số góc và tần số vòng là: ω = 2πf . Từ đó, mối quan hệ giữa "hai dạng mật độ" là:
⎧ ⎛ ω⎞ ⎪SX ( ω) = S X ⎜ ⎟ , ⎝ 2π ⎠ ⎨ ⎪S ( f ) = S ( 2πf ) . X ⎩ X

⎛ ω⎞ Nếu không sợ hiểu nhầm, người ta có thể viết SX ( f ) thay cho S X ⎜ ⎟ . ⎝ 2π ⎠ Với quy ước đó thì: SX ( ω) = SX ( f ) . Tính chất của phổ công suất thể hiện ở định lý sau.

các tính chất sau đây: i) SX ( ω) là hàm thực, không âm, chẵn của tần số ω∈¡ và có thể tính theo công thức SX ( ω) =
∞ −∞

QU

R X ( τ ) cos ( ωτ ) dτ = 2 ∫ R X ( τ ) cos ( ωτ ) dτ .
0

YN HO

Định lý 6.1. Phổ công suất SX ( ω) của QTNN thực, dừng {X ( t ) , t ∈ ¡

N. UC O

ii) SX ( ω) xác định duy nhất hàm tự tương quan R X ( τ ) :

KE

iii) Công suất của QT {X ( t )} là hằng số, xác định theo: PX ( t ) = E X 2 ( t ) = E X 2 ( 0 ) =

M

R X ( τ) =

1 ∞ 1∞ ω ωτ ω = S cos d ∫ X( ) ( ) ∫ SX ( ω) cos ( ωτ ) dω . (6.1.8) π0 2π −∞

(

) (

)

Chứng minh. (i) Vì R X ( τ ) là thực và chẵn suy ra:

AY

1 ∞ ∫ SX ( ω) dω . 2π −∞

.D

SX ( ω) = =

∞ −∞ ∞ −∞

R X ( τ) ⎡ ⎣cos ( ωτ ) − jsin ( ωτ ) ⎤ ⎦ dτ R X ( τ ) cos ( ωτ ) dτ = 2 ∫ R X ( τ ) cos ( ωτ ) dτ.
0 ∞

W

W

Từ (6.1.2) và từ chỗ kỳ vọng của BNN không âm là không âm, ta suy ra SX ( ω) ≥ 0. Tính chất thực và chẵn của SX ( ω) được suy từ (6.1.7).

W

90
http://www.ebook.edu.vn

Z.C

(6.1.6)

(6.1.7)

(6.1.9)

OM
} có

−∞

∫ S X (f ) e

j2 πfτ

df .

(6.1.5')

(ii) Khẳng định suy ra từ tính chẵn của SX ( ω) và tính chất của phép biến 1 ∞ R X ( τ) = SX ( ω) e jωτdτ ∫ 2π −∞ = 1 ∞ 1∞ S cos d ω ωτ τ = ∫ X( ) ( ) ∫ SX ( ω) cos ( ωτ ) dτ. 2π −∞ π0

(iii) Thay τ = 0 vào (6.1.8) ta nhận được (6.1.9).

Ví dụ 6.1. Sóng sin ngẫu nhiên. Xét QTNN
với A, ω0 - hằng số, U có phân bố đều trên [0; 2π].

X ( t ) = Asin ( ω0 t + U ) , t ∈¡

πA 2 ⎡δ ( ω − ω0 ) + δ ( ω + ω0 ) ⎤ SX ( ω) = ⎦. 2 ⎣ Hình 6.2 mô tả mật độ này. Các tính chất (i), (ii) dễ dàng được kiểm nghiệm. Công suất của tín hiệu tính bởi:

KE

M

QU

1 +∞ A2 A2 A2 PX = ∫ SX ( ω) dω = 4 + 4 = 2 . 2π −∞
SX (ω)

−ω0

BNN nhận giá trị ± 1 với xác suất 1/2 và độc lập với Y(t).

W

W

Trước hết ta có: E⎡ ⎣ Z ( t )⎤ ⎦ = E[A]E ⎡ ⎣T ( t )⎤ ⎦ = 0.
91
http://www.ebook.edu.vn

W

trong đó {Y ( t )} là QT điện báo nửa ngẫu nhiên xét đến ở Ví dụ 5.18, còn A là Chúng ta sẽ chứng tỏ {Z ( t )} là QT dừng và tìm phổ công suất của nó.

.D

Ví dụ 6.2. Tín hiệu điện báo ngẫu nhiên. Đó là QTNN Z(t) = AY(t)

AY

Hình 6.2. Phổ công suất của sóng sin ngẫu nhiên

YN HO
πA 2 2

A2 cos ( ωo τ ) . Từ Ví dụ 5.10 , ta thấy {X ( t )} là dừng với R X ( τ ) = 2 Từ bảng B-2 các phép biến đổi Fourier ở Phụ lục, ta có

ω0

N. UC O
ω

Z.C

OM

đổi Fourier: R X ( τ ) là biến đổi Fourier ngược của SX ( ω)

Bởi vì E[A] = 0 ; E[A 2 ] =1 , sử dụng kết quả ở Ví dụ 5.18 suy ra:

biến đổi Fourier ở Phụ lục B ta được SZ ( ω ) =
∞ −∞

∫e

−2 λ τ − jωτ

e

dτ =

Giả sử cho trước hàm số S ( ω) , ω∈¡ . Với điều kiện nào S ( ω) là phổ công suất của một QT dừng {X ( t )} nào đó? Định lý sau cho ta câu trả lời với trường hợp thời gian liên tục. Định lý 6.2. Hàm S ( ω) , ω∈¡ là phổ công suất của một QT dừng, nhận giá không âm, khả tích trên ¡ . Chứng minh. Điều kiện cần suy từ tính chất phổ công suất (Định lý 6.1). Để X ( t ) = a cos ( Vt+U )

chứng minh điều kiện đủ, xét QTNN {X ( t )} là dao động ngẫu nhiên

Trước hết thấy {X ( t )} là QT dừng. Thực vậy, từ chỗ U và V độc lập ta có: a E[cos ( Vt )]E[cos (U)] − E[sin ( Vt )]E[sin(U)]⎤ = ⎡ ⎦ = 0. 2⎣ ⎡cos ( V ( 2t+τ ) + 2U ) ⎦ ⎤ = 0. Từ đó: Tương tự tính toán ta thấy E ⎣

AY

KE

2 E⎡ ⎣ X ( t+τ ) X ( t ) ⎤ ⎦ =a E ⎡ ⎣cos ( V ( t+τ ) +U ) cos ( Vt+U ) ⎤ ⎦

=

là hàm chỉ phụ thuộc vào τ. Vậy QT {X ( t )} dừng với

.D

a2 a2 E[cos ( Vτ )] + E[cos ( V ( 2t+τ ) + 2U )] = E[cos ( Vτ )]. 2 2

{

M

E⎡ ⎣ X ( t )⎤ ⎦ =a E ⎡ ⎣cos ( Vt+U ) ⎤ ⎦

QU

trong đó a là hằng số chọn sau; U là V là hai BNN độc lập; U có phân bố đều trên [0;2π]; V có hàm mật độ fV(x) chọn sau.

YN HO
92

trị thực với công suất hữu hạn nào đó khi và chỉ khi S ( ω) là hàm chẵn, thực,

W

R X ( τ) =

∞ 2 a2 a E[cos ( Vτ )] = ∫ f V ( ω) cos ( ωτ ) dω. 2 2 −∞

W

Theo (6.1.8), chúng ta chọn mật độ fV(x) sao cho

W

2S ( ω) a2 f V ( ω) = S ( ω) hay f V ( ω) = . 2 a2

http://www.ebook.edu.vn

N. UC O
}

4λ 4λ + ω2
2

.

Z.C

Vậy {Z ( t )} là QT dừng. Tính trực tiếp hoặc sử dụng bảng B-2 các phép

−2 λτ = E[A 2 ]E ⎡ , t, τ ≥ 0. ⎣Y ( t + τ) Y ( t ) ⎤ ⎦ =e

OM

2 ⎤ R Z ( t + τ, t ) = E ⎡ ⎣A Y ( t + τ) Y ( t ) ⎦

fV ( x ) =

S( x )
∞ −∞

∫ S ( x )dx

là dạng chuẩn hoá của phổ công suất S(ω) (để trở thành mật độ xác suất). Lưu ý: Nếu bỏ tính chẵn của S(ω) , ta được phổ công suất của QT dừng, nói

6.1.3. Mật độ phổ công suất chéo Giống như trên, ta dùng định nghĩa sau đây về mật độ phổ công suất chéo. Định nghĩa. Ta gọi biến đổi Fourier của hàm tự tương quan chéo của hai quá trình dừng đồng thời {X(t)},{Y(t)} là mật độ phổ công suất chéo (gọi tắt:
phổ công suất chéo) của chúng: SXY ( ω) = SYX ( ω) =
∞ −∞

YN HO
∫ ∫
+∞ −∞

R XY ( τ ) e − jωτdτ , R YX ( τ ) e − jωτdτ. (6.1.10)

R XY ( τ ) =

Nói chung, phổ công suất chéo là hàm nhận giá trị phức, kể cả khi QT xuất phát {X(t)},{Y(t)} nhận giá trị thực. Ngoài ra, phổ công suất chéo còn có các

ii) Re ⎡ ⎣SXY ( ω) ⎤ ⎦ và Re ⎡ ⎣SYX ( ω) ⎤ ⎦ là những hàm chẵn của ω. iii) Im ⎡ ⎣SYX ( ω) ⎤ ⎦ là những hàm lẻ của ω. ⎣SXY ( ω) ⎤ ⎦ và Im ⎡ iv) Nếu {X(t)} và {Y(t)} là hai QT trực giao thì: SXY ( ω) = SYX ( ω) = 0 . v) Nếu {X(t)},{Y(t)} là hai quá trình không tương quan thì SXY ( ω) = SYX ( ω) = 2πµ Xµ Y δ ( ω) .
93
http://www.ebook.edu.vn

W

W

W

.D

i) SXY ( ω) = SYX ( −ω) = S* YX ( ω ) .

AY

tính chất khác thể hiện ở định lý sau đây: Định lý 6.3. Đối với hai quá trình {X(t)},{Y(t)} thực, dừng đồng thời thì: (6.1.12)

KE

1 ∞ R YX ( τ ) = SYX ( ω) e jωτdω . ∫ 2π −∞

M

QU

Như vậy, phổ công suất chéo là biến đổi Fourier của hàm tương quan chéo. Từ tính chất của phép biến đổi Fourier ta được: 1 ∞ SXY ( ω) e jωτdω , ∫ 2π −∞ (6.1.11)

N. UC O

chung nhận giá trị phức (xem Định lý 6. 2′ ).

Z.C

(6.1.13)

OM

−∞

f V ( ω) dω = 1 ta chỉ cần chọn a = 2 ∫ S ( ω) dω. Cuối cùng
−∞

Định lý 6.4 (Phổ công suất của tổng hai quá trình) Nếu {X(t)},{Y(t)} là hai quá trình thực, dừng đồng thời thì
(6.1.14)

Định lý 6.5. Nếu {X1 ( t ) ,..., X N ( t )} là các QT thực, dừng đồng thời thì:
SX1 + ... + X N ( ω) = ∑ SXi ( ω) + ∑ SXiX j ( ω) .
i =1 i≠ j N

N. UC O

(công thức (5.2.18)) rồi dùng phép biến đổi Fourier cả hai vế. Định lý trên cho phép chúng ta tính phổ công suất của tổng hai QT thông qua phổ công suất của từng quá trình và các phổ công suất chéo. Định lý cũng được mở rộng sang trường hợp n quá trình.

{X(t)} xác định bởi Y(t) = X(t - d), d là hằng số dương cho trước. Khi đó µ Y (t) = E(X(t − d)) = µ X ; R Y ( t,s ) = E ⎡ ⎣ Y ( t ) Y ( s )⎤ ⎦= E⎡ ⎣ X ( t − d ) X ( s − d )⎤ ⎦ = R X ( t − s) . Vậy {Y(t)}là QT dừng với cùng hàm tự tương quan và do đó cùng phổ công suất với {X(t)}: SY ( ω) = SX ( ω) . Từ đây rút ra nhận xét: Sự bằng nhau của hai hàm tự tương quan hoặc của hai phổ công suất của hai QT dừng chưa thể suy ra các quỹ đạo trùng nhau. Bây giờ ta tính hàm tương quan chéo.

AY

Hàm này chỉ phụ thuộc vào hiệu t - s, vậy {X ( t ) , Y ( t )} là dừng đồng thời, R YX ( τ ) = R X ( τ − d ) . Từ tính chất của phép biến đổi Fourier suy ra

R YX ( t,s ) = E ⎡ ⎣ Y ( t ) X ( s )⎤ ⎦= E⎡ ⎣ X ( t − d ) X ( s )⎤ ⎦ = RX (t − s − d) .

.D

W

W

Rõ ràng ở đây phổ công suất chéo không nhận giá trị thực.

Ví dụ 6.4. Xét hai QTNN
X ( t ) = sin ( ω0 t + U ) ; Y ( t ) = cos ( ω0 t + U )

W

trong đó tần số ω0 cố định, U có phân bố đều trên [0;2π].
94
http://www.ebook.edu.vn

KE

− j ωd SYX ( ω) = ℱ ⎡ . ⎣R X ( τ − d )⎤ ⎦ = SX ( ω) e

M

QU

YN HO

Ví dụ 6.3. Dạng trễ của tín hiệu ngẫu nhiên. Cho QT dừng {X(t)} với phổ công suất SX ( ω) , {Y(t)} là dạng trễ của

Z.C

Chứng minh. Sử dụng tính chất của hàm tương quan R X + Y ( τ ) = R X ( τ ) + R Y ( τ ) + R XY ( τ ) + R YX ( τ )

(6.1.15)

OM

SX + Y ( ω) = SX ( ω) + SY ( ω) + SXY ( ω) + SYX ( ω) .

Như đã thấy (xem Ví dụ 5.10), mỗi QT {X ( t )} và {Y ( t )} là dừng. Chúng R XY ( t+τ,t ) = E ⎡ ⎣sin ( ω0 ( t + τ ) + U ) cos ( ω0 t + U ) ⎤ ⎦ 1 1 ⎤ = E⎡ sin ω τ + sin ω 2t + τ + 2U = ( ) ( ) ( ) 0 0 ⎦ 2 sin ( ω0 τ ) = R XY ( τ ) . 2 ⎣

Đây là hàm chỉ phụ thuộc τ, vậy {X ( t )} , {Y ( t )} là dừng đồng thời. Ta tính phổ công suất chéo SXY ( ω) =

Sử dụng (6.1.12) chúng ta nhận được − jπ ⎡δ ( ω + ω0 ) − δ ( ω − ω0 ) ⎤ SYX ( ω) = S* XY (ω) = ⎦. 2 ⎣

=

1 ⎡ ⎣( aWτ − b ) sin ( Wτ ) + bWτ cos ( Wτ )⎤ ⎦. πWτ2

AY

Người ta cũng nghiên cứu phổ công suất cho QT không dừng. Chúng ta lướt qua một vài kết quả chính. Các hàm tự tương quan, tương quan chéo trong các công thức (6.1.4), (6.1.5), (6.1.10) cần phải thay bởi hàm tự tương quan thời gian, tương quan chéo thời gian:

KE

.D

SX ( ω) =

M

6.1.4. Mật độ phổ công suất cho quá trình thực, không dừng

W

1 ∞ jωτ A⎡ ⎣ R X ( t + τ, t ) ⎤ ⎦ = 2π ∫ SX ( ω) e dτ . -∞ SXY ( ω) =
∞ -∞

QU

1 W⎛ bω ⎞ jωτ R XY ( τ ) = ⎜ a+j ⎟ e dω= ... = ∫ 2π -W ⎝ W⎠

∞ -∞

− jωτ A⎡ dτ , ⎣ R X ( t + τ, t ) ⎤ ⎦e

YN HO
95

Ví dụ 6.5. Cho phổ công suất chéo bω a+ j với − W < ω < W SXY ( ω) = W 0 ngược lại trong đó a, b, W là các hằng số thực, W > 0. Tích phân từng phần ta được

N. UC O
− jωτ

1 πj δ ( ω + ω0 ) − δ ( ω − ω0 ) ⎤ sin ( ω0 τ ) e − jωτdτ = ⎡ ⎦ . 2⎣ −∞ 2

W

∫ A⎡ ⎣ R XY ( t + τ, t ) ⎤ ⎦e

dτ .

W

http://www.ebook.edu.vn

Z.C

(6.1.16) (6.1.17)

OM

ta tính hàm tương quan chéo

Công thức (6.1.9) thể hiện công suất chung của QT trở thành

A⎡ ⎣ R X ( t + τ, t ) ⎤ ⎦ ↔ SX ( ω) . Hơn nữa, đối với phổ công suất chéo chúng ta cũng có A⎡ ⎣ R XY ( t + τ, t ) ⎤ ⎦ ↔ SXY ( ω) ; A⎡ ⎣ R YX ( t + τ, t ) ⎤ ⎦ ↔ SYX ( ω) ;
⎡E ⎡ ⎤= PXY = A ⎣ ⎣X ( t ) Y ( t )⎤ ⎦⎦

1 ∞ ∫ SXY ( ω) dω = PYX . 2π −∞ (6.1.20)

QU

Ví dụ 6.6. Đáp ứng của bộ tích với tín hiệu ngẫu nhiên. Bộ tích là thiết bị điện thông dụng. Ở đây, dạng sóng ngẫu nhiên {X(t)} được nhân với sóng mang cosin (có thể là sin) để tạo thành QT mới Y(t) = X(t)A o cos(ωo t) trong đó A o , ωo là các hằng số. Chúng ta tính A o cos(ωo t) phổ công suất SY (ω) qua SX (ω) . R Y (t + τ, t) = E[Y(t+τ,t)Y(t)] Y(t)
A2 = o R X (t + τ, t)[cos(ωo τ) + cos(2ωo t + ωo τ)] . 2 Kể cả khi {X(t)} là dừng, {Y(t)} cũng có thể không dừng do cos(2ωo t + ωo τ) phụ thuộc vào t. Để đơn giản, bây giờ giả thiết {X(t)} là dừng, thế thì
X(t)

R Y (t + τ, t) =

W

W

được

W

.D

2 Ao R X (τ) cos(ωo τ) . ⇒ A [ R Y (t + τ, t) ] = 2 Biến đổi Fourier hai vế, sử dụng tính dịch chuyển tần số ở Bảng B-1, ta 2 Ao SY (ω) = ℱ[ R X ( τ) cos(ωo τ) ] 2 2 Ao A2 e jωo τ + e − jωo τ ℱ [ R X ( τ) ] = o [SX (ω − ωo ) + SX (ω + ωo ) ] . 2 4 2

=

AY

KE

2 Ao R X ( τ)[cos(ωo τ) + cos(2ωo t + ωo τ)] . 2

M

http://www.ebook.edu.vn

YN HO
96

SXY (ω) = SYX (−ω) = S∗ YX (ω) .

N. UC O

Z.C

Nhớ lại rằng A[.] là toán tử trung bình thời gian xác định ở mục 5.3.2. Tính chất thực, không âm, chẵn của mật độ phổ vẫn được bảo toàn. Khi dùng ký hiệu cặp biến đổi Fourier, ta có thể viết lại (6.1.16), (6.1.17) dưới dạng: (6.1.19)

OM

1 ∞ 2 ⎡ ⎤ PX = A E X ( t ) = S ( ω) dω . ⎣ ⎦ 2π ∫ X -∞

(

)

(6.1.18)

SX (ω) SX (0)

SY (ω)
2 Ao SX (0) 4

W

nhân dạng Y(t) = X(t)A o cos(ωo t + Θ) , trong đó Θ phân bố đều trên [ 0; 2π] và độc lập với X(t).

Hình 6.3. Phổ công suất của QT đầu vào bộ nhân (a) và của đầu ra (b) Chúng ta sẽ nhận được kết quả tương tự khi {X(t)} là dừng, đầu ra bộ

6.1.5. Mật độ phổ công suất cho dãy ngẫu nhiên
của dãy BNN dừng {X ( n )} SX ( ω) =

Định nghĩa. Chúng ta gọi biến đổi Fourier của dãy tự tương quan {R X ( n )}
+∞

YN HO

là phổ công suất của dãy đó. Theo tính chất của phép biến đổi Fourier, SX ( ω) là biến đổi Fourier ngược

M

của dãy tự tương quan {R X ( n )} :

R X ( n ) và SX ( ω) lập thành một cặp phép biến đổi Fourier:

AY

KE

RX (n) =

QU

n =−∞

R X ( n ) e − j ωn , ω∈R

N. UC O

W 2

W ω 2

1 π SX ( ω) e jωn dω. ∫ 2π −π

R X ( n ) ↔ SX ( ω) .

i) SX ( ω) = SX ( ω + 2π ) .

W

W

W

ii) SX ( ω)∈ R và SX ( ω) ≥ 0 . iii) SX ( −ω) = SX ( ω) . 1 π 2 ⎡ ⎤ iv) PX = E ⎣ X ( n ) ⎦ = R X ( 0 ) = ∫ SX ( ω) dω. 2π −π
97
http://www.ebook.edu.vn

.D

Định lý 6.6. Nếu {X ( n )} là dãy các BNN dừng, nhận giá trị thực thì:

Tính chất của phổ công suất của dãy dừng thể hiện ở định lý sau.

Z.C
ωo

(6.1.21)

(6.1.22)

OM
ω

lớn (ωo > W/2) thì {Y(t)} là QT thông giải với độ rộng dải băng W (Hình 6.3)

Đặc biệt, nếu {X(t)} là QT thấp tần với độ rộng dải băng W/2 còn ωo đủ

S X (z) =

n =−∞

R X (n) z − n

Ví dụ 6.7. Trung bình trượt cấp một. Giả sử { N ( n )} là dãy các BNN cùng
phân bố, kỳ vọng không, không tương quan và phương sai chung hữu hạn:

S (e jω ) = SX (ω)

tế. Ở đây chúng ta xét trường hợp đơn giản, đó là dãy trung bình trượt cấp một

{N ( n )} . Rõ ràng:

AY

Dãy số liệu này rất đơn giản: Giá trị hiện tại X(n) là tổ hợp tuyến tính đơn giản của giá trị hiện tại và quá khứ gần nhất của dãy nhiễu trắng xuất phát
⎧ 1 + b 2 σ2 N ⎪ ⎪ 2 E⎡ ⎣ X ( n + k ) X ( n )⎤ ⎦ = ⎨b σ N ⎪0 ⎪ ⎩

KE

{X ( n )} xác định bởi:

M

dừng. Dãy ARMA tạo thành từ { N ( n )} đại diện cho hầu hết các dãy trong thực

X ( n ) = N ( n ) + b N ( n − 1) , n ∈ Z .

QU

2 E⎡ ⎣ N ( n )⎤ ⎦ = 0 ; D⎡ ⎣ N ( n )⎤ ⎦ = σ N < ∞ ; E [ N(n)N(m) ] = 0 với m ≠ n . Ở mục 6.1.6d, dãy như thế sẽ được gọi là dãy nhiễu trắng. Đây là một dãy

.D

(

W

W

Như vậy {X ( n )} là dãy dừng. Tính toán phổ công suất như sau: SX ( ω) = R X ( k ) e − jωk = ⎡ 1 + b 2 + 2b cos ω⎤ σ 2 N. ⎣ ⎦ k =−∞

W

http://www.ebook.edu.vn

YN HO
)

và đôi khi (một cách lạm dụng) cũng gọi là phổ công suất của X. Nếu chuỗi hội tụ trên vòng tròn đơn vị, quan hệ giữa 2 loại “phổ công suất” này là

(

)

98

N. UC O
vớ i k = 0 với k = ±1 trái lại

Tính chất (i) suy từ chỗ: Với mọi n, hàm e − jωn tuần hoàn chu kỳ 2π. Các tính chất còn lại được chứng minh tương tự như với trường hợp liên tục. Tính chất (i) nói rằng, phổ công suất là hàm tuần hoàn chu kỳ 2π, vì thế chỉ cần xét trong khoảng [-π ; π] hay [0 ; 2π ]. Tính chất (ii), (iii) nói rằng phổ công suất của dãy dừng thực là hàm thực, không âm và chẵn. (Tính chất thực, không âm của phổ công suất còn đúng cả cho dãy dừng nhận giá trị phức!) 1 lần Tính chất cuối cùng nghĩa là: Công suất trung bình của QT bằng 2π diện tích hình thang cong giới hạn bởi 1 chu kỳ đường cong phổ công suất với trục hoành; như vậy, bằng giá trị trung bình của phổ công suất trên 1 chu kỳ. Nhận xét. Người ta còn dùng biến đổi Z của dãy tự tương quan {R X (n)} :

Z.C

OM

cách lấy mẫu: X d ( n ) = X a ( nT ) , n ∈Z .

Ở đây T là hằng số, gọi là chu kỳ lấy mẫu, chỉ số dưới d để chỉ quá trình số (digital), chỉ số dưới a để chỉ QT tương tự (analog). Rõ ràng:
µ Xd ( n ) = E ⎡ ⎣ X a ( nT ) ⎤ ⎦ =µ Xa ( nT ) ; R Xd ( n, m ) = E ⎡ ⎣ X a ( nT ) X a ( mT ) ⎤ ⎦ = R Xa ( nT, mT ) .

Nếu {X a ( t )} là QT dừng thì {X d ( n )} cũng là dãy dừng và R Xd ( k ) = R Xa ( kT ) .

Khi đó, từ công thức tổng Poisson: " N ếu f ( x ) ↔ F ( u ) =
∞ −∞

∫ f (x)e

− jux

1 ∞ ⎛ 2π ⎞ jn f x + nc = ( ) ∑ ∑ F⎜ n ⎟ e o c n =−∞ ⎝ c ⎠ n =−∞

QU

YN HO
2π xo c

µ Xd ( n ) =µ Xa ;

dx thì ∀x o ,c∈R , "

M

(xem[8] tr.395), khi chọn f (x) = R Xa (x)e− j(ω / T)x , c = T, x o = 0 ta nhận được

trong đó SXa ( ω) là phổ công suất của QT tương tự xuất phát {X a ( t )} .

6.1.6. Một số mô hình nhiễu a) Nhiễu trắng

qui tâm và phổ công suất bằng hằng số trên tất cả các tần số:

.D

Định nghĩa. Ta gọi QTNN { N ( t ) , t ∈R} là nhiễu trắng nếu đó là QT dừng,
SN ( ω) = σ 2 , ω∈R .

W

W

dùng độ lớn phổ công suất 1 phía N o - thay cho ký hiệu σ2 ở định nghĩa trên).

W

(Một số tài liệu dùng độ lớn phổ công suất hai phía N o / 2 - có tài liệu lại

AY

KE

SXd ( ω) =

n =−∞

R Xa ( kT ) e

− jωk

1 ∞ ⎛ ω + 2πk ⎞ = ∑ SXa ⎜ ⎟, T k =−∞ ⎝ T ⎠

99
http://www.ebook.edu.vn

N. UC O

Z.C

Cho QT tương tự {X a ( t ) , t ∈R} . Quá trình số {X d ( n )} được tạo ra bằng

OM

Ví dụ 6.8. Phổ công suất của quá trình lấy mẫu. Trong ứng dụng, nhiều QT số (digital process) - tức là dãy ngẫu nhiên được tạo thành bằng cách lấy mẫu một quá trình tương tự (analog process) - tức là QT với thời gian liên tục – nào đó. Sau đây chúng ta trình bày mối liên hệ giữa các hàm tương quan cũng như mật độ phổ của hai QT này.

Dùng biến đổi Fourier ngược chúng ta nhận được hàm tự tương quan: Nếu thêm giả thiết rằng { N ( t )} là quá trình Gauss thì ta có nhiễu trắng Gauss. Tuy nhiên mục này chúng ta chỉ đề cập đến nhiễu trắng thông thường. Thuật ngữ nhiễu trắng xuất phát từ tên gọi tương tự với ánh sáng "trắng", gồm tất cả các tần số có thể trong phổ của nó. Phổ công suất và hàm tự tương quan của nhiễu trắng thể hiện ở Hình 6.4.
SN (ω)

R N ( τ)

(a)

σ2
τ

1 +∞ RN = ∫ SN ( ω) dω = ∞ . 2π −∞

YN HO
100

Hình 6.4. Hàm tự tương quan (a), và phổ công suất (b) của nhiễu trắng Công suất của QT được tính như sau:
(6.1.24)

W

Từ đó, công suất của nhiễu trắng là vô hạn, điều không thể xảy ra trong thực tế: Mỗi QT xảy ra trong thực tế đều có công suất hữu hạn! Hơn nữa, từ (6.1.23) suy ra: Giá trị của QT tại hai thời điểm gần nhau bao nhiêu chăng nữa cũng không tương quan với nhau. Đây lại là một hiện tượng mâu thuẫn với thực tế: Giá trị của mỗi quá trình có thực tại hai thời điểm đủ gần nhau luôn tương quan với nhau! Như vậy, nhiễu trắng là QT lý tưởng hoá, không có trong thế giới thực. Tuy nhiên, trong lý thuyết mạch, mạng thông tin,…, nhiễu trắng luôn là mô hình được nghiên cứu và ứng dụng rộng rãi nhất. Hai trong những lý do quan trọng giải thích cho hiện tượng này là: + Mỗi quá trình dừng với phổ công suất không quá đặc biệt (QT chính quy) đều có thể được biểu diễn một cách thuận lợi khi coi nó là đầu ra của một hệ tuyến tính phù hợp với đầu vào là nhiễu trắng (xem [14]). + Một dạng nhiễu tồn tại trong thế giới thực gần xấp xỉ với nhiễu trắng, đó là nhiễu nhiệt. Sau đây chúng ta giới thiệu sơ bộ về nhiễu nhiệt. Nhiễu nhiệt sinh ra do dao động của điện tử trong bất kỳ một thiết bị điện nào. Nhiễu nhiệt có phổ công suất là hằng số đến một tần số rất cao rồi sau đó giảm dần.

W

W

.D

AY

KE

M

http://www.ebook.edu.vn

QU

N. UC O
σ2
(b)

ω

Z.C

OM

R N ( τ ) = σ 2δ ( τ ) ,

τ∈ R..

(6.1.23)

Một kháng tại nhiệt độ T (Kelvin) sinh ra một điện thế nhiễu tại đầu ra của một mạch mở với phổ công suất SN ( ω) = e
α ω /T

−1

,

(6.1.25)

trong đó α = 7,64.10−12 (Kelvin/giây) là hằng số.

b) Nhiễu trắng dải tần hữu hạn (band - limited white noise). Mở rộng khái niệm nhiễu trắng người ta đi đến khái niệm nhiễu trắng dải tần hữu hạn. Định nghĩa. Chúng ta gọi QTNN { N ( t )} là nhiễu trắng dải tần hữu hạn
nếu đây là QT dừng, quy tâm, có mật độ phổ là hằng số khác không trong một dải tần hữu hạn quanh tần số gốc 0, bằng không ngoài dải đó: SN ( ω) = c 0 với v ới

πP 1 ∞ cW PN = SN ( ω) dω= ⇒c= N. ∫ 2π −∞ W π

KE

M

Từ đó mật độ phổ được viết lại dưới dạng
πP W 0

QU

W được gọi là độ rộng dải nhiễu. Công suất nhiễu được tính theo (6.1.9):

SN ( ω) =

với

trong đó P là công suất nhiễu. Biến đổi Fourier ngược chúng ta nhận được hàm tự tương quan sin ( Wτ ) = P Sa(Wτ) Wτ trong đó W là tần số cực đại của nhiễu. 5 Trường hợp W = và P = 1, phổ công suất và hàm tự tương quan thể hiện ở π Hình 6.5.

.D

AY

R N ( τ) = P

W

W

W

http://www.ebook.edu.vn

YN HO
ω ∈ [ − W ;W ] , ω ∉ [ − W ;W ] .

−W < ω < W ,

nếu ngược lại,

101

N. UC O

Đây là hàm giảm; tại nhiệt độ trong phòng T = 2900K (200C) giá trị của nó vào khoảng 0,92σ2 đối với những tần số lên tới 1012Hz (1000GHz). Như vậy, nhiễu nhiệt có phổ công suất gần đều với tất cả các tần số mà chúng ta vẫn dùng ngày nay (bao gồm sóng radio, vi sóng hay sóng milimét).

Z.C

OM

σ2 ( α ω / T )

(a)

π /5

2

5/ π

Định nghĩa. QTNN { N ( t )} dừng, kỳ vọng không với phổ công suất

Định nghĩa. Dãy ngẫu nhiên {X ( n )} được gọi là nhiễu trắng nếu nó là dãy

M

dừng, quy tâm và hàm tự tương quan cho bởi: R N ( k ) = σ2δ ( k ) , k ∈Z .

vọng không, cùng phương sai D[X(n)] = σ 2 và không tương quan. được phổ công suất:

AY

Thực hiện phép biến đổi Fourier với dãy tự tương quan {R N ( n )} ta nhận SN ( ω ) = σ 2

KE

Như vậy, { N ( n )} là nhiễu trắng khi và chỉ khi { N ( n )} là dãy BNN kỳ

.D

W

Rõ ràng SN ( ω) tuần hoàn chu kỳ 2π. Công suất của QT tính bởi 1 2π 2 2 ⎤ = PN = E ⎡ N 1 ⎣ ( ) ⎦ 2π ∫ SN ( ω) dω = σ . 0

W

W

e) Một số loại nhiễu khác Giống như ánh sáng màu chỉ bao gồm một phần tần số có thể trong phổ của nó, chúng ta định nghĩa nhiễu màu như sau.
102
http://www.ebook.edu.vn

QU

d) Trường hợp rời rạc Đối với dãy các BNN chúng ta cũng có khái niệm nhiễu trắng.

k =−∞

∑ δ ( k ) e− jωk = σ2 .

YN HO

πP W W với ω0 − < ω < ω0 + , SN ( ω) = W 2 2 0 ngược lại. trong đó P, W, ω0 là những hằng số gọi là nhiễu trắng thông dải. W được gọi là độ rộng dải nhiễu. Ta dễ dàng tìm được công suất nhiễu là P; như vậy, PN = P.

N. UC O

Hình 6.5. Phổ công suất (a) và hàm tự tương quan (b) của nhiễu trắng dải tần hữu hạn. c) Nhiễu trắng thông dải (bandpass white noise) Tồn tại những bộ lọc có thể loại bỏ hết những tần số thấp, để nguyên lại những tần số cao hơn (gọi là bộ lọc thông dải). Qua bộ lọc này, nhiễu trắng dải tần hạn chế sẽ trở thành nhiễu trắng thông dải.

Z.C

ω

OM
τ

SN (ω)

R N (ω)

Định nghĩa. Nhiễu không phải là nhiễu trắng gọi là nhiễu màu.

R N ( τ) = P e

−3 τ

, τ∈ R ,

SN ( ω) = PX =

∞ −∞

Pe

−3 τ − jωτ

e

dτ =

6P . 9 + ω2

1 ∞ 6P dω = P. ∫ 2π −∞ 9 + ω2

Một dạng nhiễu quan trọng hay xảy ra trong kỹ thuật điện tử là nhiễu bắn (xem mục 5.5.1e1).

Định nghĩa. Gải sử µ Z ( t ) và R Z ( τ ) lần lượt là hàm kỳ vọng và hàm tự

M

Phổ công suất của quá trình {Z ( t )} xác định bởi

KE

SZ ( ω ) =

Từ tính chất của phép biến đổi Fourier suy ra

Như vậy R Z (τ) và SZ (ω) là cặp biến đổi Fourier:

AY

R Z ( τ) =

.D

R Z ( τ ) ↔ SZ ( ω ) .

QU

tương quan của QTNN phức dừng Z ( t ) = X ( t ) + jY ( t ) .
∞ −∞

YN HO

R Z ( τ ) e − jωτ dτ .
103

6.1.7. Phổ công suất của QTNN phức Chúng ta đã nghiên cứu hàm kỳ vọng và hàm tương quan QTNN phức ở §5.6. Mục này dành cho phổ công suất của chúng. Để đơn giản, phổ công suất được định nghĩa theo phương pháp tương quan. Định nghĩa phổ công suất, phổ công suất chéo vẫn giữ nguyên như trường hợp thực, chúng ta ghi lại ở đây.

1 ∞ SZ ( ω) e jωτ dω . ∫ 2π −∞ (6.1.26)

W

W

hàm thực; tuy nhiên, nói chung nó không chẵn. Giống như Định lý 6.2, ta có (xem [8], tr 321): Định lý 6.2’. Hàm S ( ω) , ω∈ ¡ là phổ công suất của một QT dừng (có thể thể nhận giá trị phức) với công suất hữu hạn khi và chỉ khi S ( ω) là hàm thực, không âm, khả tích trên ¡ .

W

Từ chỗ

* R Z (−τ) = R * Z ( τ) suy ra SZ (ω) = SZ (ω) , vậy phổ công suất luôn là

http://www.ebook.edu.vn

N. UC O

Z.C

trong đó P là hằng số. Chúng ta tìm phổ công suất và công suất QT.

OM

Ví dụ 6.9. Xét nhiễu { N ( t )} là QT dừng, quy tâm với hàm tự tương quan

Chẳng hạn: SXY ( ω) =
∞ −∞

R XY ( τ ) e − j ωτ dτ ;

Vì hàm tương quan chéo có tính chất R XY ( −τ ) = R * YX ( τ ) nên công thức (6.1.12) được thay thế ở đây bởi SXY ( ω) = S∗ YX ( ω ) . (6.1.28)

N j ω t+U V ( t ) = ∑ Ane ( 0 n ) , n =1

trong đó {A n } và {U n } là các BNN độc lập; Un có phân bố đều trên [0;2π]; còn

YN HO
( )
104

Ví dụ 6.10. Tổng hợp dao động điều hoà phức cùng tần số. Trong Ví dụ 5.19 chúng ta đã xét tổng hợp dao động điều hoà phức cùng tần số

QU

2⎤ ω0 là hằng số thực. Hàm tự tương quan của QT là R X ( τ ) = e jωoτ ∑ E ⎡ ⎣An ⎦ . n =1

Biến đổi Fourier hàm này ta nhận được phổ công suất

M

N ⎛ ⎞ ⎤ SX ( ω) = ℱ ⎜ e jω0τ ∑ E ⎡ A2 n⎦⎟ ⎣ n =1 ⎝ ⎠

KE

j ω0τ 2⎤ 2⎤ =∑E⎡ = 2πδ ( ω − ω0 ) ∑ E ⎡ ⎣An ⎦ . ⎣An ⎦ ℱ e n =1 n =1 2⎤ ∑E⎡ ⎣An ⎦ . N

N

AY

Vậy phổ thu được là phổ vạch tại ω0 với công suất

.D

Ví dụ 6.11. Phổ vạch. Xét tổng hợp dao động điều hoà phức, cùng pha, tần số hằng số, biên độ ngẫu nhiên

W

X(t) =

n =1

∑ A n e jωn t ,

N

W

trong đó ωn là các hằng số thực, {A n } là các BNN thực, quy tâm, không tương Rõ ràng µ X (t) = 0. Ngoài ra, tính toán cụ thể ta có:

quan, D [ A n ] = σ2 n <∞ .

W

http://www.ebook.edu.vn

N. UC O
N N n =1

1 ∞ R XY ( τ ) = SXY ( ω) e jωτ dω ∫ 2π −∞

Z.C

OM

Đối với phổ công suất chéo vẫn xảy ra hiện tượng: Hàm tương quan chéo và phổ công suất chéo là cặp phép biến đổi Fourier: R XY ( τ ) ↔ SXY ( ω) ; (6.1.27) R YX ( τ ) ↔ SYX ( ω) .

=

m,n =1

j ω ω t + jω τ jωn τ ∑ E [ A n A m ] e ( n − m ) n = ∑ σ2 ne n =1

N

N

2 Lưu ý rằng mỗi số hạng A n e jωn τ có phổ Sn ( ω) = 2πσ n δ ( ω − ωn ) (tập

trung tại tần số ωn với công suất σ2 n ). Vậy phổ thu được (bao gồm các vạch) là tổng đơn giản của các phổ công suất thành phần.

sử tín hiệu máy phát là e

jω t 0

còn tín hiệu nhận được của máy thu đặt tại O là:
⎛ j ω ⎜t− 0⎝ ae r⎞ ⎟ c⎠

X(t) =

sử rằng vận tôc V là BNN với mật độ fV(x). Rõ ràng

M

X(t)=a e

KE

QU

trong đó a là hằng số thể hiện sự suy giảm tín hiệu, c là vận tốc truyền (âm thanh, sóng điện từ…) và r = r0 + Vt . Vì máy phát có dao động riêng nên chúng ta giả
r ω ⎤ ⎡ ⎛ V⎞ j ⎢ωo ⎜1− ⎟ t − o o ⎥ c c ⎦ ⎠ ⎣ ⎝

YN HO
S(ω) ω0 (1 −

Ví dụ 6.12(☼). Hiệu ứng Đôpple (Doppler). Máy phát dao động điều hoà đặt tại điểm P ∈ Ox chuyển động theo trục Ox với vận tốc V (Hình 6.6(a)). Giả

AY

(a)

u r V

W

.D

O

P

x

W

W

Hình 6.6. Hiệu ứng Doppler: Ngoài hiện tượng tăng (giảm) tần số còn hiện tượng nới rộng phổ Dễ thấy đây là QT dừng với hàm tự tương quan là
105
http://www.ebook.edu.vn

N. UC O
(b) Phổ phát
ω0 ω

N ⎛ N j ωn τ ⎞ SX ( ω) = ℱ ⎜ ∑ σ 2 e = 2 π σ2 ∑ n n δ ( ω − ωn ) . ⎟ n =1 ⎝ n =1 ⎠ Như vậy, phổ thu được chỉ chứa một số tần số (một số vạch).

(c) Phổ thu

c0 ) ω0 c

Z.C
ω

là hàm chỉ phụ thuộc τ. Vậy {X ( t )} là QT dừng

OM

N ⎡N jωn ( t +τ ) − jωm t ⎤ ∗ ⎤ R X ( t + τ, t ) = E ⎡ X t X t E A e A e + τ = ( ) ( ) ∑ ∑ n m ⎢ ⎥ ⎣ ⎦ m =1 ⎣ n =1 ⎦

R X ( τ) = a

2

⎛ V⎞ j ωo ⎜1− ⎟ τ E[e ⎝ c ⎠ ]

=a

2

⎛ s⎞ Với phép đổi biến ω= ω0 ⎜1 − ⎟ , tích phân trở thành ⎝ c⎠
⎛ ⎛ ω ⎞ ⎞ jωτ 1 ∞ 2 c π − R X ( τ) = 2 a f c 1 e dω . ⎜ ⎜ ⎟⎟ V ∫ ⎟ 2π −∞ ω0 ⎜ ω 0 ⎝ ⎠ ⎝ ⎠ Vế phải là biến đổi Fourier ngược của hàm S ( ω) = 2πa 2 ⎛ ⎛ c ω ⎞⎞ f V ⎜ c ⎜1 − . ⎟⎟ ⎟ ω0 ⎜ ω 0 ⎝ ⎠ ⎝ ⎠

N. UC O

Đây là hàm số dương nên nó là mật độ phổ (Định lý 6. 2′ ). Do tính duy nhất của biến đổi Fourier suy ra SX ( ω) = S ( ω) . Trong trường hợp chuyển động tạo với trục Ox một góc α, chúng ta phải thay vận tốc V bởi hình chiếu Vx lên trục Ox và các bàn luận trên vẫn còn giá trị. Xét trường hợp V = 0. Khi đó R X ( τ ) = a 2e jω0 τ ; SX ( ω) = 2πσ 2δ ( ω − ω0 ) . Rõ ràng phổ này trùng với phổ của tín hiệu phát. Bây giờ giả sử V = c0 = const và giả sử c0 < c (vận tốc chuyển động thấp hơn vận tốc truyền). Khi đó c ⎞ ⎛ S(ω) = 2πa 2δ ⎜ ω − ω0 (1 − 0 ) ⎟ . c ⎠ ⎝

QU

YN HO
106

W

W

W

.D

⎛ c ⎞ (ví dụ, khi Mod V = c0) thì phổ công suất tập trung quanh ω0 ⎜1 − 0 ⎟ (Hình c ⎠ ⎝ 6.6(c)). Như vậy, ngoài hiện tượng suy giảm tần số, chuyển động dao động còn gây ra sự phân tán của phổ, làm cho phổ bị "mờ đi". Ta nói dao động gây ra sự (☼) nới rộng phổ.

AY

KE

phát, phù hợp với hiện tượng nêu ở Vật lý đại cương. Trường hợp tổng quát, khi mật độ fV(x) của vận tốc V tập trung quanh c0

M

Như vậy, máy thu nhận được tín hiệu với tần số ω0 (1 −

c0 ) , thấp hơn tần số c

http://www.ebook.edu.vn

Z.C
(6.1.29) (6.1.30)

OM

−∞

∫ fV (s )

⎛ j ωo ⎜1 − e ⎝

s⎞ ⎟τ c⎠

ds .

y(t) =T ⎡ ⎣ x ( t )⎤ ⎦ , x ( t )∈ D .

YN H

6.2.1. Hệ tuyến tính tổng quát Hệ là mô hình toán học của một quá trình vật lý mà tác động lên tín hiệu đầu vào x(t) để tạo thành tín hiệu đầu ra y(t). Như vậy, hệ là phép biến đổi (ánh xạ) tín hiệu x(t) nằm trong tập các tín hiệu được phép D nào đó thành tín hiệu y(t). Phép biến đổi này ký hiệu bởi T và chúng ta viết (6.2.1)

KE

Đầu vào x(t)

M

đầu vào x(t) còn được gọi là tín hiệu kích thích, tín hiệu đầu ra y(t) - tín hiệu đáp ứng. Ánh xạ T thể hiện tác động của hệ lên tín hiệu x(t) (xem Hình 6.7).
Đầu ra y(t) (a)

.D AY

Đầu vào x(t)

QU

Khi không sợ hiểu nhầm, ta có thể không viết ra đòi hỏi x ( t )∈D . Tín hiệu

Hệ tuyến tính

Hệ LTI

W

Hình 6.7. Hệ tuyến tính đơn giản (a) và hệ tuyến tính bất biến thời gian (b) Hệ được gọi là tuyến tính nếu ánh xạ T là tuyến tính, tức là: i) Tập các tín hiệu được phép D là tuyến tính; ii) Ánh xạ T có hai tính chất sau:
T⎡ ⎣ x1 ( t ) + x 2 ( t ) ⎤ ⎦ =T ⎡ ⎣ x1 ( t ) ⎤ ⎦+T⎡ ⎣ x 2 ( t )⎤ ⎦ T ⎡α ⎣ x ( t )⎤ ⎦ = αT ⎡ ⎣ x ( t )⎤ ⎦
107
http://www.ebook.edu.vn

W

W

ON .
Đầu ra y(t)

UC
(b)

§6.2. CĂN BẢN VỀ HỆ TUYẾN TÍNH Phần lớn những công việc của chúng ta cho đến bây giờ là nhằm mô tả các hiện tượng ngẫu nhiên bằng cách mô hình hoá nó như là quỹ đạo của QTNN. Chúng ta nhận ra rằng, phương pháp miền thời gian dựa vào hàm tương quan và kỹ thuật miền tần số dựa vào phổ công suất lập nên những cách cực kỳ hiệu quả để xác định dáng điệu của tín hiệu ngẫu nhiên. Tuy nhiên, chúng ta phải dừng lại ở đây, bởi vì khía cạnh quan trọng nhất của tín hiệu ngẫu nhiên là gắn kết chúng thế nào đó với hệ tuyến tính. Trước hết ở mục này, chúng ta thảo luận những điều căn bản về hệ tuyến tính. Chú ý của chúng ta tập trung vào hệ tất định, chỉ có một đầu vào, một đầu ra và là hệ liên tục (tức là tín hiệu đầu vào và đầu ra là những tín hiệu với thời gian liên tục). Ai đã thạo về hệ tuyến tính tất định có thể bỏ qua mục này, chuyển ngay đến mục §6.3 tiếp sau.

(cộng tính) (thuần nhất)

OZ

.C OM

T ⎡α ⎣ 1x1 ( t ) + α 2 x 2 ( t ) ⎤ ⎦ = α1T ⎡ ⎣ x1 ( t ) ⎤ ⎦ + α 2T ⎡ ⎣ x 2 ( t )⎤ ⎦

với mọi tín hiệu được phép x1(t), x2(t) và mọi hằng số α1, α 2 . Tính chất này được mở rộng thành

−∞

Thay (6.2.3) vào (6.2.1) và lưu ý rằng ánh xạ L tác động trên miền thời gian, chúng ta nhận được

Giả sử đầu vào được kích thích bởi δ ( t − s ) trong đó δ(t) là hàm xung Dirac,

M

ở đầu ra sẽ nhận được:

QU

⎡∞ ⎤ ∞ y ( t ) = L ⎢ ∫ x ( s ) δ ( t − s ) ds ⎥ = ∫ x ( s ) L ⎡δ ⎣ ( t − s )⎤ ⎦ ds. ⎣ −∞ ⎦ −∞

Đây là đáp ứng của hệ với đầu vào là xung δ đặt tại thời điểm s, gọi tắt là đáp ứng xung của hệ. Từ đó:

KE

h ( t,s ) = L ⎡δ ⎣ ( t − s )⎤ ⎦.

YN H

x (t) =

∫ x ( s ) δ ( t − s ) ds.

ON .

⎡N ⎤ N T ⎢ ∑ αn x n ( t )⎥ = ∑ αn T ⎡ ⎣ x n ( t )⎤ ⎦ ⎣ n =1 ⎦ n =1 trong đó xn(t) là những tín hiệu (được phép) tùy ý, αn là những hằng số vô hướng tùy ý và N là số nguyên dương tùy ý (hoặc vô hạn nếu chuỗi ở mỗi vế có nghĩa còn T là ổn định (xem mục 6.2.3)). Người ta thường ký hiệu ánh xạ tuyến tính bằng chữ cái L. Từ định nghĩa và tính chất của hàm xung Dirac suy ra

UC

.D AY

y(t) =

−∞

∫ x ( s ) h ( t,s ) ds.

W

Tín hiệu chấp nhận được là tín hiệu làm cho tích phân ở vế phải có nghĩa (tức là tích phân hội tụ với mọi t). Biểu thức (6.2.5) chứng tỏ rằng, hệ tuyến tính tổng quát hoàn toàn được xác định bởi đáp ứng xung h(t,s). Đáp ứng xung là công cụ hết sức hiệu quả để nghiên cứu hệ tuyến tính. Hàm này tạo ra những tính chất đặc trưng của hệ. Chính vì thế, nhiều tài liệu (nhất là những sách tiếng Nga) gọi h(t,s) là hàm đặc tuyến hay hàm đặc tính của hệ.

W

W

108
http://www.ebook.edu.vn

OZ

.C OM
(6.2.2)
(6.2.3) (6.2.4) (6.2.5)

trong đó x1(t), x2(t), x(t) là các tín hiệu được phép bất kỳ và α là hằng vô hướng b ất k ỳ . Hai đòi hỏi cộng tính và thuần nhất được gộp lại dưới dạng

y(t) = L ⎡ ⎣ x ( t )⎤ ⎦ ⇒ y ( t − t0 ) = L ⎡ ⎣ x ( t − t 0 )⎤ ⎦.

UC
∞ −∞

ii) y ( t ) =

−∞

∫ h ( t − s ) x ( s ) ds.

kích thích δ ( t ) (tại t = 0) nhận được đáp ứng h(t). Khi đó với kích thích δ ( t − t 0 ) (xung δ tại t = t0) sẽ nhận được đáp ứng h ( t − t 0 ) . Suy ra

−∞

.D AY

tuyệt đối. Chứng minh. Theo định lý Fubini ta có:
∞ −∞

KE

∫ h(t)

dt < ∞ , nếu đầu vào x(t) khả tích tuyệt đối thì đầu ra y(t) cũng khả tích

∫ y(t)

dt =

∞ ∞

M

cũng được gọi là đáp ứng xung của hệ. Định lý 6.8. Đối với hệ LTI với đáp ứng xung h(t) khả tích tuyệt đối:

QU

Điều này có nghĩa là xảy ra (6.2.7). Rõ ràng (6.2.8) cũng xảy ra. Điều ngược lại dễ dàng. Đối với hệ LTI, hàm số h(t) = L[δ(t)] (6.2.9)

−∞ −∞

∫ ∫ h ( t − s ) x ( s ) dt ds

W

Lưu ý: Sử dụng ký hiệu tích phân chập ∗ cũng như tính chất giao hoán của nó, chúng ta có thể viết lại (6.2.8) dưới dạng tiện lợi sau đây:

W

y(t)= h (t)∗x (t)=
= x ( t )∗ h ( t ) =

W

YN H

h ( t − t0 ) = L ⎡ ⎣δ ( t − t 0 )⎤ ⎦=

−∞

∫ δ ( s − t 0 ) h ( t,s ) ds = h ( t, t 0 ) .

−∞

∫ x ( s ) ds. ∫ h ( t ) dt < ∞ .

−∞

∫ h ( t − s ) x ( s ) ds
(6.2.10)

−∞

∫ x ( t − s ) h ( s ) ds.
109

http://www.ebook.edu.vn

ON .

Chứng minh. Giả sử hệ là tuyến tính và bất biến theo thời gian, và giả sử với

OZ

Định lý 6.7. Cho hệ tuyến tính với đáp ứng xung h(t,s). Hệ là bất biến theo thời gian khi và chỉ khi xảy ra một trong hai điều kiện sau: i) h ( t,s ) = h ( t − s ) . (6.2.7)
(6.2.8)

.C OM
(6.2.6)

6.2.2. Hệ tuyến tính bất biến theo thời gian Định nghĩa. Hệ tuyến tính được gọi là bất biến theo thời gian (Linear Time Invariant), ký hiệu là LTI, nếu mỗi phép dịch chuyển thời gian ở tín hiệu đầu vào gây ra cùng một phép dịch chuyển thời gian ở tín hiệu đầu ra. Cụ thể là: ∀t 0 ∈ R ,

H ( ω) = ℱ ⎡ ⎣h ( t )⎤ ⎦=

−∞

− j ωt ∫ h ( t ) e dt.

Y ( ω) =

−∞ ∞

∫ y(t) e

− j ωt

⎡∞ ⎤ dt = ∫ ⎢ ∫ h ( t − s ) x ( s ) ds ⎥ e − j ωt dt −∞ ⎣ −∞ ⎦

⎡∞ ⎤ = ∫ x ( s ) ⎢ ∫ h ( t − s ) e − j ω(t −s) dt ⎥ e− jωs ds −∞ ⎣ −∞ ⎦
−∞

b) Hàm truyền của hệ có thể được tính theo công thức

KE

.D AY

. e jωt Chứng minh. Chúng ta đã chứng minh (a) ở trên. Ngoài ra
j ωt ⎤ L⎡ ⎣e ⎦ = ∞ −∞

H ( ω) =

M

Đây là một công thức cơ bản, cho ta mối liên hệ rất đơn giản giữa biến đổi Fourie đầu ra với biến đổi Fourier đầu vào. Định lý 6.9. Xét một hệ LTI bất kỳ, khi đó: a) Biến đổi Fourie của đầu ra bằng biến đổi Fourier đầu vào nhân với hàm truyền của hệ: Y ( ω) = H ( ω) X ( ω) (6.2.13)

QU

j ωt ⎤ L⎡ ⎣e ⎦

YN H
h ( t − s ) ds.
jω t ∞ −∞

=

∫ x ( s ) H ( ω)

e − jωs ds = H ( ω) X ( ω) .

ON .
h ( u ) du = e j ωt H ( ω) .

UC

Để thấy ý nghĩa của hàm truyền, chúng ta xét tín hiệu đầu vào x(t) cũng như h(t) khả tích tuyệt đối. Theo định lý vừa nêu, y(t) cũng khả tích tuyệt đối. Chúng ta có thể xét các biến đổi Fourier của hai tín hiệu này, lần lượt ký hiệu là X(ω), Y(ω). Theo định lý Fubini về đổi thứ tự lấy tích phân nhận được:

∫e

j ωs

Đổi biến t − s = u ; s = t − u , ds = − du ta được

W

j ωt ⎤ L⎡ ⎣e ⎦ =

W

−∞

e

j ω( t − u )

h ( u ) du = e

∫e

− j ωu

Công thức (6.2.14) cho một cách khác rất tiện lợi để tính hàm truyền. Người

W

ta chứng minh được e j ωt là họ hàm duy nhất thoả mãn tính chất (6.2.14). Theo
110
http://www.ebook.edu.vn

OZ

.C OM
(6.2.11) (6.2.12) (6.2.14)

Định nghĩa. Biến đổi Fourier của đáp ứng xung h(t) của hệ LTI, ký hiệu là H(ω), được gọi là hàm truyền (transfer function) (tên khác: đáp ứng tần số, đặc trưng tần số, hàm hệ thống, hệ số truyền).

quan điểm của ánh xạ tuyến tính, các hàm e jωt , t ∈R là hàm riêng của toán tử

{

}

L Đầu vào x(t) R Đầu ra y(t)

(a)

R Đầu vào x(t) C

x(t) = L
Do y(t) = iR nên

di + y(t) . dt

Bây giờ xét đầu vào x(t) = e jω t . Theo (6.2.14), đầu ra phải là Thay vào (*) ta được

W

L H(ω) ( jω) e jωt + H(ω) e jωt . R 1 R 1 V ậy H(ω) = . = 1 + ( jωL / R) L R + j ω L R Biến đổi Fourier ngược nhận được h(t) = u(t)e −(R / L)t . L Tương tự, đối với mạch RC (Hình 6.8.(b)) thì có thể tính được 1 α −α t h(t) = αe , α = ; H(ω) = . RC α + jω

.D AY

W

W

KE

M

di 1 dy = và ta có phương trình dt R dt L dy x(t) = + y(t) . R dt

QU

YN H

Hình 6.8. Hệ tuyến tính bất biến thời gian a) R L b) RC. Giải. Dòng điện i trong mạch vòng thoả mãn phương trình

ON .

Đầu ra y(t)

UC
(b)

OZ
(*) y(t) = L[e jωt ] = H(ω)e jωt . e jωt =
111
http://www.ebook.edu.vn

.C OM

tuyến tính L, H(ω) là giá trị riêng tương ứng. Ví dụ 6.13. Tìm hàm truyền cho mạch điện chỉ ra trên Hình 6.8.(a)

UC

Hệ nhân quả còn gọi là hệ vật lý thực hay hệ khả thi. Đối với hệ LTI, (6.2.15) tương đương với h ( t ) = 0 , ∀t ≤ 0 . Như vậy, đối với hệ LTI nhân quả thì:
y(t) =
−∞ t ∞ 0

x ( s ) h ( t − s ) ds = ∫ h ( s ) x ( t − s ) ds .

ON .

.D AY

KE

Người ta có khả năng (!) xây dựng được bộ thiết bị, linh kiện…có các chức năng của hệ nhân quả. Tuy nhiên, với hệ không là nhân quả thì không thể làm được như vậy: Mặc dầu tích phân (6.2.8) vẫn có nghĩa, vẫn có thể tính được về mặt toán học, nhưng nếu chỉ biết thông tin quá khứ và hiện tại của tín hiệu, ta không thể thiết kế được thiết bị mà đầu ra là y(t) đòi hỏi. Từ đó, hệ nhân quả còn gọi là hệ vật lý thực hay hệ khả thi. Do tính phức tạp của vấn đề, thường thì tính khả thi của hệ không quan trọng lắm và chưa được để ý đến khi phân tích. Sau khi tìm được lời giải người ta mới tìm điều kiện để hệ là khả thi. b) Hệ ổn định Hệ được gọi là ổn định nếu tín hiệu đầu vào bị chặn thì tín hiệu đầu ra cũng bị chặn:

M

Sup x ( t ) < ∞ ⇒ Sup y ( t ) < ∞ .
t ∈R t ∈R

Người ta hay viết đòi hỏi này một cách đơn giản hơn: Nếu x ( t ) < M thì

W

trong đó M, I là hai hằng số nào đó. Từ (6.2.8), điều kiện đủ để hệ LTI ổn định là:

W

I=

QU

−∞

∫ h ( t ) dt

W

http://www.ebook.edu.vn

YN H
< ∞.
112

y ( t ) < MI , ( ∀t ∈R )

OZ

x ( t ) = 0 ∀t ≤ t 0 ⇒ y ( t ) = 0, ∀t ≤ t 0 .

.C OM
(6.2.15) (6.2.16) (6.2.17)

6.2.3. Hệ nhân quả và hệ ổn định a) Hệ nhân quả Ta gọi hệ là nhân quả nếu đầu vào là nguyên nhân, đầu ra là kết quả, sự biến đổi tương lai đầu ra gây ra là do sự biến đổi hiện tại và quá khứ đầu vào; sự biến đổi tương lai đầu vào không gây ra sự biến đổi quá khứ đầu ra. Về mặt toán học, điều này có nghĩa là: ∀t 0 ∈R ,

Định nghĩa hệ tuyến tính không có thay đổi đáng kể:
y(n) =
m =−∞

∑ h ( n, m ) x ( m )

h ( n, m ) = L ⎡δ ⎣ ( n − m )⎤ ⎦;

y(n) = L ⎡ ⎣ x ( n )⎤ ⎦ ⇒ y ( n − n0 ) = L ⎡ ⎣ x ( n − n 0 )⎤ ⎦.

YN H
113

Điều này tương đương với h ( n, m ) = h ( n − m ) . Cũng vậy
y(n) =

ON .

δ(n) được gọi là xung đơn vị tại 0, h(n,m) được gọi là đáp ứng xung của hệ. Đòi hỏi hệ bất biến theo thời gian (hệ LTI) bây giờ trở thành: ∀n 0 ∈ Z ,

UC

⎧1 δ(n) = ⎨ ⎩0

khi khi

n = 0, n ≠ 0.

trong đó h ( n ) = L ⎡δ ⎣ ( n )⎤ ⎦.

QU

m =−∞

∑ h (n − m) x (m)

KE

Tổng chập. Tương tự với khái niệm tích phân chập trong hệ liên tục, trong hệ rời rạc người ta đưa ra khái niệm tổng chập. Tổng chập của hai tín hiệu u(n), v(n), ký hiệu là u(n) ∗ v(n), xác định bởi:

M

u (n) ∗ v(n) =

Tổng chập có tính chất giao hoán và kết hợp: u ( n ) ∗ v ( n ) = v ( n ) ∗ u ( n ).
[u (n) ∗ v(n)] ∗ω(n) = u(n) ∗[v(n) ∗ ω(n)].

W

W

Với ký hiệu tổng chập và tính chất giao hoán của nó, ta có thể viết lại (6.2.20) dưới các dạng tiện lợi sau:

W

Chính vì thế có thể bỏ ngoặc, viết đơn giản thành u ( n ) ∗ v ( n ) ∗ω ( n ) .

.D AY

m =−∞

∑ u ( n − m ) v ( m ).

http://www.ebook.edu.vn

OZ
(6.2.19) (6.2.20) (6.2.21) (6.2.22)

trong đó

.C OM
(6.2.18)

dãy {X ( n )} , {Y ( n )} .

6.2.4. Trường hợp hệ rời rạc Đối với hệ rời rạc, đầu vào và đầu ra là những tín hiệu rời rạc, tức là những

y(n) = h (n) ∗x (n) = = x (n) ∗ h (n) =

m =−∞

∑ x ( n − m ) h ( m ).

Hệ LTI là hệ nhân quả (hay hệ vật lý thực - hay hệ khả thi) nếu: h ( n ) = 0, ∀n = − 1; − 2,... Điều này tương đương với
y(n) =
n ∞ m =−∞ m =0

∑ h ( n − m ) x ( m ) = ∑ x ( n − m ) h ( m ).

Hệ là ổn định nếu:
Sup x ( n ) < ∞ ⇒ Sup y ( n ) < ∞ .
n ∈Z n ∈Z

UC

Điều kiện cần của ổn định là:
m =−∞

h ( n ) < + ∞.

ON .
h(n)e − jωn , h(n)z − n ; h(n)e −s n .

Định nghĩa. Biến đổi Fourie và biến đổi Z của đáp ứng xung h(n) của hệ LTI rời rạc, ký hiệu lần lượt là H(ω) và H(z), xác định bởi
H(ω) = ℱ [h(n)] = H (z) = Ʒ [h(n)] =
n =−∞ ∞

Nếu vòng tròn đơn vị {z : z = 1} nằm trong miền hội tụ thì H (e jω ) = H(ω) . Khi không sợ hiểu nhầm, người ta viết quan hệ này dưới dạng H (z) = H(ω)

W

với lưu ý rằng phải chọn z = e jω . Nếu hệ rời rạc là khả thi thì h(n) = 0 ∀n ≤ −1 . Khi đó, ngoài biến đổi Fourier và biến đổi Z của h(n) người ta còn xét biền đổi Laplace của nó:

.D AY

chúng đều được gọi là hàm truyền của hệ. (Người ta cũng gọi H(z) là hàm hệ thống). Công thức (6.2.12) về mối liên hệ giữa biến đổi Fourier đầu vào - đầu ra của hệ liên tục vẫn đúng cho hệ rời rạc: Y(ω) = H(ω)X(ω) Y (z) = H (z) X (z) .

KE

M

QU

W

ℍ (s) = ℒ [h(n)] =

W

Nếu miền hội tụ chứa trục ảo jω thì với z = e jω , s = jω ta luôn có
114
http://www.ebook.edu.vn

YN H

∞ n =−∞

n =−∞

OZ

.C OM
(6.2.24) (6.2.25) (6.2.26) (6.2.27)

m =−∞ ∞

∑ h (n − m) x (m)
(6.2.23)

H (z) =

n =−∞

H(ω) = H (e jω ) = e − jω . b) Dễ thấy
H (z) = z − k ; H(ω) = e − jωk .

§6.3. HỆ TUYẾN TÍNH VỚI ĐẦU VÀO NGẪU NHIÊN

đối trên R . Xét QTNN {x ( t ) , t ∈ R} , các qũy đạo x ( t, ζ ) của nó là đầu vào hệ đã cho

M

(Hình 6.9)

Y ( t, ζ ) xác định bởi:

.D AY

Hình 6.9. Hệ LTI với đầu vào ngẫu nhiên Với mỗi kết cục của thí nghiệm ngẫu nhiên ζ ∈ S cố định, tín hiệu tất định

KE

X( t,ζ )

QU

6.3.1. Vấn đề đầu ra Giả sử chúng ta có hệ LTI. Trước hết giả sử với đáp ứng xung h(t) khả tích tuyệt

Y ( t, ζ ) =

YN H

Nhận xét. i) Vì z − k = (z −1 ) k nên toán tử trễ k đơn vị (còn gọi là phép dịch chuyển ngược) là ghép nối liên tiếp của k toán tử trễ đơn vị. Cũng có thể xét k ≤ −1 , khi đó toán tử tương ứng gọi là toán tử dịch chuyển tiến. ii) Ví dụ trên chứng tỏ rằng, trong trường hợp rời rạc có khi phép biến đổi Z lại có ưu thế hơn so với phép biến đổi Fourier.

h(t)

Y( t,ζ )

W

chính là đầu ra của hệ tuyến tính. Về mặt toán học, câu hỏi tự nhiên sau đây đặt ra:

W

W

−∞

∫ X ( t − s, ζ ) h ( s ) ds

ON .

UC
(6.3.1)

h(n)z − n = z −1

OZ

H(ω) = H (e jω ) = ℍ ( jω) . Khi không sợ hiểu lầm, người ta viết quan hệ này dưới dạng H(ω) = H (z) = H (s) với lưu ý rằng không có sự khác biệt về ký hiệu hàm (chữ cái H), và phải chọn z = e j ω ; s = jω . Ví dụ 6.14. Tìm hàm truyền của toán tử trễ a) một đơn vị; b) k đơn vị (k ≥ 0) . Giải. a)Gọi đáp ứng xung h(n) của toán tử trễ đơn vị là h(n) thì h(1) = 1; h(n) = 0 ∀n ≠ 1. Vậy (*)

"Tập hợp {Y ( t ) , t ∈ R} có lập thành một QTNN hay không ?".

115
http://www.ebook.edu.vn

.C OM

của hệ và của đầu vào, đầu ra {Y ( t )} sẽ là QTNN.

phân sau đây hội tụ
∞ −∞

thì đầu ra {Y ( t )} xác định theo (6.3.1) sẽ là QTNN cấp hai. Hơn nữa, ∀t ∈ R ,

−∞ −∞

−∞

h(t)

2

khả tích trên đoạn hữu hạn bất kỳ hay toán tử L là giới hạn trong

vào gọi là phù hợp với hệ đã cho; hệ như vậy gọi là một bộ lọc phù hợp cho khá đơn giản qua hàm truyền và phổ công suất QT đầu vào (xem [14] trang 280 ). kiện cần và đủ là tích phân sau đây hội tụ:

Định lý 6.11. Để hệ với hàm truyền H(ω) là bộ lọc cho QT {X ( t )} , điều
∞ 2 ∫ SX (ω) H(ω) dω .

W

W

W

{Y ( t )}

Câu hỏi tiếp theo là: Có thể tính được phân bố hữu hạn chiều của QT đầu ra

nhiên, đáp ứng xung h(t)?
116
http://www.ebook.edu.vn

.D AY

{X ( t )} hay đơn giản là một bộ lọc. Điều kiện để hệ là bộ lọc cho {X(t)} phát biểu

khi biết họ phân bố hữu hạn chiều chiều của QT đầu vào {X ( t )} và tất

KE

đầu vào {X ( t )} thế nào đó để đầu ra Y(t) là QTNN có thể tính theo (6.3.1). Đầu

Như vậy từ nay chúng ta chỉ xét những hệ LTI với đáp ứng xung h(t) nào đó,

−∞

M

L 2 (X) của dãy toán tử L n như vậy. Chi tiết xem [14], tr 279.

QU

trong đó tích phân ở vế phải là MS - tích phân (xem mục 5.4.3). Lưu ý. Thực ra, điều kiện bình phương khả tích của h(t) có thể giảm nhẹ: Chỉ cần Y(t) được biểu diễn theo (6.3.2), trong đó h(t) khả tích trên ¡ ,

YN H

Y(t)=

∫ X ( t − s ) h ( s ) ds

ON .
(hcc)

∫ h (t)

2

∞ ∞

dt ;

∫ ∫ h ( t − s ) CX ( s, u ) h ( t − u ) ds du

UC

QTNN {X ( t ) , t ∈ R} với hàm tự hiệp phương sai CX(s,u). Khi đó nếu các tích

OZ

Định lý 6.10. Xét hệ LTI với đáp ứng xung h(t) bình phương khả tích trên đoạn hữu hạn [a; b] bất kỳ, khả tích tuyệt đối trên R . Giả sử đầu vào của hệ là

.C OM
(6.3.2)

Rõ ràng câu trả lời sẽ là phủ định. Chúng ta hãy hình dung một hệ "bình thường", đầu vào lớn dần đến mức "khủng khiếp" thì đầu ra cũng sẽ như vậy và nó không còn là QTNN. Tuy nhiên, chúng ta đưa ra định lý (không chứng minh) sau đây (xem [14]) như là câu trả lời thoả đáng cho vấn đề nêu ra. Chỉ với điều kiện khá nhẹ nhàng

µ Y ( t ) =µ X ( t ) ∗ h ( t ) =

−∞

∫ µ X ( t − s ) h ( s ) ds = L ⎡µ ⎣ X ( t )⎤ ⎦.
∞ −∞

UC

R XY ( t,s ) = R X ( t,s ) ∗ h ( s ) = R Y ( t,s ) =
∞ ∞ −∞ −∞

R X ( t,s − u ) h ( u ) du = L 2 ⎡ ⎣ R X ( t,s ) ⎤ ⎦.

ON .

= ( R X ( t,s ) ∗ h ( s ) ) ∗ h ( t ) = R XY ( t,s ) ∗ h ( t )

= L1 ⎡ ⎣ R X ( t,s ) ⎤ ⎦⎤ ⎣ L2 ⎡ ⎦.

YN H

∫ ∫

R X ( t − u,s − v ) h ( u ) h ( v ) dudv

M

biến thứ nhất (biến t), L 2 ⎡ ⎣ g ( t,s ) ⎤ ⎦ có nghĩa là hệ tuyến tính tác động lên biến thứ hai (biến s) của hàm g(t,s).

phân với lấy kỳ vọng:

.D AY

⎡∞ ⎤ * µY ( t ) = E ⎡ Y t E X t s h s ds ⎤ = − ( ) ( ) ( ) ⎢ ⎥ ∫ ⎣ ⎦ ⎣ −∞ ⎦

=

KE

Chứng minh. Bởi vì

−∞

∫ h(t)

QU

Trong các công thức trên, L1 ⎡ ⎣ g ( t,s ) ⎤ ⎦ có nghĩa là hệ tuyến tính tác động lên

i

dt < ∞ ( i = 1, 2 ) nên ta có thể đổi thứ tự lấy tích

W

W

W

=µ X ( t ) ∗ h ( t ) .

−∞

E⎡ ⎣X ( t − s )⎤ ⎦ h ( s ) ds =

−∞

∫ µ X ( t − s ) h ( s ) ds

∞ ⎡ ⎤ X t Y s E X t ⎤ = * R XY ( t,s ) = E ⎡ ( ) ( ) ( ) ⎢ ∫ X ( s − u ) h ( u ) du ⎥ ⎣ ⎦ −∞ ⎣ ⎦

117
http://www.ebook.edu.vn

OZ
(6.3.3) (6.3.4) (6.3.5) (6.3.6)

6.3.2. Các đặc trưng xác suất của QT đầu ra. a) Trường hợp tổng quát với QT thực Định lý 6.12. Với các giả thiết ở Định lý 6.10 thì

.C OM

Về nguyên tắc, họ phân bố hữu hạn chiều của QT đầu ra hoàn toàn xác định thông qua họ phân bố hữu hạn chiều của QT đầu vào và hàm đáp ứng xung h(t). Tuy nhiên, tính toán họ phân bố hữu hạn chiều của QT đầu ra như thế là hết sức phức tạp, chỉ có câu trả lời đầy đủ khi QT đầu vào là Gauss. Trong trường hợp tổng quát, người ta chỉ có thể biết được những đặc trưng riêng rẽ về đầu ra. Điều này hạn chế mọi hy vọng rằng sẽ có một đặc trưng xác suất đầy đủ về đầu ra.

=

∞ −∞

E⎡ ⎣X ( t ) X ( s − u )⎤ ⎦ h ( u ) du =

∞ −∞

R X ( t,s − u ) h ( u ) du

= R X ( t,s ) ∗ h ( s ) = L 2 ⎡ ⎣ R X ( t,s ) ⎤ ⎦.

∞ ⎡∞ ⎤ ⎡∞ ⎤ * R Y ( t,s ) = E ⎢ ∫ Y ( t ) Y ( s ) ⎥ = E ⎢ ∫ X ( t − u ) h ( u ) du ∫ X ( s − v ) h ( v ) dv ⎥ −∞ ⎣ −∞ ⎦ ⎣ −∞ ⎦

=

−∞ −∞

∫ ∫

=

∞ −∞

⎡ R X ( t − u,s ) ∗ h ( s ) ⎤ ⎣ ⎦ h ( u ) du =

X(t)

.D AY

ii) Có thể tính toán hàm tự tương quan của đầu ra trực tiếp theo (6.3.5). Tuy vậy, vì chúng ta đã có sẵn hệ LTI nên về mặt hoạt động của hệ, người ta vẫn chuộng tính RY(t,s) theo (6.3.6). Theo phương pháp gián tiếp, trước hết ta đặt hàm tự tương quan RX(t,s) vào đầu vào của hệ, hệ tác động lên biến thứ hai (biến s), ở đầu ra ta nhận được hàm tương quan chéo RXY(t,s). Lại đặt đầu ra này vào đầu vào của hệ đã cho, hệ tác động lên biến thứ nhất (biến t), ở đầu ra chúng ta nhận được RY(t,s) (Hình 6.10(b)).

X(t)h(t)

KE

µX(t)

Y(t) µY(t)

M

QU

Lưu ý:i) Công thức (6.3.3) khẳng định rằng: Hàm kỳ vọng của QT đầu ra chính là đầu ra của hệ tuyến tính đã cho khi đầu vào là hàm kỳ vọng µ X ( t ) của QT đầu vào (xem Hình 6.10 (a)).

YN H
h(s)

= R XY ( t,s ) ∗ h ( t ) = [R X ( t,s ) ∗ h ( s )] ∗ h ( t ) .

ON .
∞ −∞

R Y ( t,s ) =

⎡∞ ⎤ ∫ ⎢ ∫ R X ( t − u,s − v ) h ( v ) dv ⎥ h ( u ) du −∞ ⎣ −∞ ⎦

UC

h(t)

Điều này chứng minh (6.3.5). Để chứng minh (6.3.6) ta tiếp tục biến đổi như sau. Từ định lý Fubini và (6.3.4) ta có:

R XY (t − u,s) h(u) du

RX(t,s)

W

RXY(t,s) (b)

W

(a)

Hình 6.10. Hàm kỳ vọng (a) và tự tương quan (b) của QT đầu ra

W

118
http://www.ebook.edu.vn

OZ

∞ ∞

E⎡ ⎣ X ( t − u ) X ( s − v )⎤ ⎦ h ( u ) h ( v ) du dv.

.C OM
RY(t,s)

b) Trường hợp đầu vào là QT dừng

RY(t,s) chỉ phụ thuộc vào hiệu t – s nên {X ( t ) } , {Y ( t ) } là hai quá trình dừng

đồng thời. Các công thức (6.3.3) – (6.3.6) được đơn giản đi rất nhiều. Định lý 6.13. Giả sử thoả mãn các giả thiết ở Định lý 6.10, ngoài ra QT đầu

{X ( t ) } ,{Y ( t )} là hai quá trình dừng đồng thời, hơn nữa:
µ Y =µ X
∞ −∞

R XY ( τ ) = R X ( τ ) ∗ h ( −τ ) ; R Y ( τ ) = R XY ( τ ) ∗ h ( τ )
trong đó

UC ON .
2

∫ h ( t ) dt ;

= ( R X ( τ ) ∗ h ( −τ ) ) ∗ h ( τ ) = R X ( τ ) ∗ρ ( τ ) (6.3.9)

=

−∞

∫ h ( t − τ ) h ( t ) dt ↔ H ( ω)

YN H
−∞

ρ ( τ ) = h ( τ ) ∗ h ( −τ )

.

Nhận xét. Hàm số

QU

ρ(τ) = h(τ) ∗ h(−τ) =

h(t − τ)h(τ)dτ =

−∞

∫ h(t)h(t + τ)dτ

KE

được gọi là hàm tương quan của đáp ứng xung của hệ, gọi tắt là hàm tương quan của hệ. Như vậy, khi đầu vào là QT dừng, hàm tương quan của QT đầu ra bằng tích chập của hàm tương quan của QT đầu vào với hàm tương quan của hệ. Hệ quả. (Phổ công suất QT đầu vào - đầu ra).

.D AY

SXY ( ω) = SX ( ω) H∗ ( ω) ;
2

M

SY (ω) = SXY (ω)H(ω) = SX (ω) H(ω) ;
2 1 ∞ PY = SX ( ω ) H ( ω ) dω . ∫ 2π −∞

W

Định lý 6.13 như là một hệ quả trực tiếp của Định lý 6.12 trong trường hợp R X ( t,s ) = R X ( t − s ) = R X ( τ ) ;
R XY ( t,s ) = R XY ( t − s ) = R XY ( τ ) ; R Y ( t,s ) = R Y ( t − s ) = R Y ( τ ) .
119
http://www.ebook.edu.vn

W

với τ = t − s và tính chất kết hợp, giao hoán của tính chập. Hệ quả suy ra từ chỗ

W

OZ

vào {X ( t )} là dừng với hàm kỳ vọng µ X ( t ) và hàm tự tương quan RX(τ). Khi đó

.C OM
(6.3.7) (6.3.8)

Nếu đầu vào {X ( t )} là QT dừng thì theo (6.3.4) và (6.3.6), RXY(t,s) và

(6.3.10) (6.3.11) (6.3.12)

R X ( τ ) ↔ SX ( ω) ; R Y ( τ ) ↔ SY ( ω) ; cũng như tính chất của tích chập: Biến đổi Fourier của tích chập bằng tích các biến đổi Fourier cuả từng thành phần:

thế, người ta gọi H(ω)

2

là hàm truyền công suất của hệ.

R XY (t,s) = R X (t,s) ∗ h ∗ (s) ,

R Y (t,s) = R XY (t,s) ∗ h(t) . Khi QT là dừng, các công thức (6.3.8), (6.3.9) trở thành R Y (τ) = R XY (τ) ∗ h(τ) = R X (τ) ∗ h ∗ (−τ) ∗ h(τ) = R X (τ) ∗ ρ(τ) .
∞ −∞

QU

YN H

So sánh với (6.2.13) ta thấy có sự giống nhau nhất định. Tuy nhiên cần lưu ý rằng, phổ công suất không là biến đổi Fourier của quá trình, mà là biến đổi Fourier của hàm tự tương quan của QT; sự khác biệt giữa hai công thức (6.2.13) và (6.3.11) là điều hiểu được. c) Trường hợp QT phức. Nếu đầu vào là tín hiệu ngẫu nhiên phức, đáp ứng xung là hàm phức thì các kết quả trên thay đổi một chút. Vói các lý do như với trường hợp thực chúng ta nhận được các kết luận sau. Thay thế các công thức (6.3.4), (6.3.5) là:

ON .

UC

M

R XY ( τ) = R X (τ) ∗ h ∗ (−τ) ,

KE

Các công thức (6.3.3), (6.3.7), (6.3.10) - (6.3.12) vẫn còn đúng cho trường hợp phức.
6.3.3. Đáp ứng hệ LTI rời rạc với đầu vào ngẫu nhiên Chúng ta đã nghiên cứu hàm tương quan và phổ công suất của dãy ngẫu nhiên ở các mục 6.1.5 và 6.2.4. Bây giờ giả sử tại đầu vào của hệ LTI rời rạc cho

W

tác động một dãy ngẫu nhiên {X ( n )} . Theo (6.2.23) ta xác định được {Y ( n )} .
Y(n) =
m =−∞

W

.D AY

trong đó

ρ(τ) = h(τ) ∗ h ∗ (−τ) =

h(t + τ)h ∗ (t)dt ↔ H(ω) .

W

X(n − m)h(m) ,
120

http://www.ebook.edu.vn

OZ
2

ℱ⎡ ⎣u ( t )⎤ ⎦.ℱ ⎡ ⎣ v ( t )⎤ ⎦. ⎣u ( t ) ∗ v ( t )⎤ ⎦=ℱ ⎡ Công thức (6.3.11) có ý nghĩa rất quan trọng: Phổ công suất đầu ra hệ LTI bằng tích phổ công suất đầu vào với bình phương môđun hàm truyền. Chính vì

.C OM
(6.3.13) . (6.3.14) (6.3.15)

R XY ( τ ) ↔ SXY ( ω) ; h ( t ) ↔ H ( ω) ;

Mỗi đầu vào {X ( n )} sẽ có những hệ mà ở đầu ra của nó là dãy BNN được

tính theo (6.3.15) là bình phương khả tích. Hệ như vậy gọi là lọc phù hợp cho trường hợp liên tục, đó là các chuỗi sau hội tụ:
n =1

{X ( n )} hay đơn giản là lọc. Điều kiện của đầu vào và hệ như vậy khá giống với
∑ h (n)
∞ 2

,

µY ( n ) = µX ( n ) ∗ h ( n ) =

k =−∞

YN H
∞ k =−∞

với dãy BNN (phức) đầu vào {X ( n )} , còn đầu ra là dãy BNN {Y ( n )} . Khi đó
µ X ( n − k ) h ( k ) = L ⎡µ ⎣ X ( n )⎤ ⎦.

Định lý 6.14. Giả sử hệ LTI rời rạc với đáp ứng xung h(n) (phức) phù hợp

ON .

Chúng ta chỉ xét những đầu vào và hệ thoả mãn các đòi hỏi này. Đối với QT phức và hệ phức, chúng ta phát biểu (không chứng minh) những tính chất tương tự với trường hợp hệ liên tục dưới dạng định lý sau.

UC

n =−∞ m =−∞

∑ ∑ h ( n ) CX ( n, m ) h ( m ) .

R XY ( n, m ) = R X ( n, m ) ∗ h∗ ( m )
=
k =−∞


R X ( n, m − k ) h ∗ ( k ) = R X (n, m) ∗ h ∗ (k)

QU

i =−∞ j =−∞

Hệ quả. Nếu thêm giả thiết {X ( n )} là QT dừng thì {X ( n )} , {Y ( n )} là hai

.D AY

QT dừng đồng thời, hơn nữa:

KE

= R XY ( n, m ) ∗ h ( n ) .

M

R Y ( n, m ) =

∑ ∑

R X ( n − i, m − j) h ( i ) h ∗ ( j) (6.3.18)

µ Y ( n ) =µ X ( n )

n =−∞

∑ h ( n );
(6.3.19)

R XY ( n ) = R X ( n ) ∗ h∗ ( −n ) ;

W

R Y (n) = R XY (n) ∗ h(n) = R X (n) ∗ ρ(n)

W

W

với

ρ(n) = h(n) ∗ h (−n) = ∑ h(n + k)h ∗ (k)

được gọi là hàm tương quan (của đáp ứng xung) của hệ.
121
http://www.ebook.edu.vn

OZ
(6.3.16) (6.3.17)

.C OM

giới hạn theo bình phương trung bình. Giống như trường hợp liên tục, đối với hệ rời rạc, Y(n) theo (6.3.15) không phải luôn xác định, cũng như không hẳn có tính chất thống kê tốt.

Hệ quả. (Phổ công suất của QT đầu vào - đầu ra).
SY ( ω) = SX ( ω) H ( ω) . H (z) = H (z −1 ) ta có S Y (z) = S X (z) = H (z) H (1/ z)

2

Nhận xét. Khi dùng phép biến đổi Z, trong trường hợp h(n) thực, do
(6.3.21’)

ON .
(b)
1

6.3.4. Các ví dụ. Ví dụ 6.14. Hệ lý tưởng. Để đơn giản phân tích nhiều hệ phức tạp, người ta thường xấp xỉ hàm truyền H( ω ) của hệ bằng một hàm truyền lý tưởng. Hàm truyền lý tưởng hoá được mô tả trên Hình 6.11(a) đối với hệ thông thấp LP (lowpass system), (b) đối với hệ thông dải BP (bandpass system), (c) đối với hệ thông cao HP (highpass system).

UC
ω

H(ω) , θ(ω)
1

(a)

YN H
−ωo

-W

W

OZ
W
ωo

ω

W

Hình 6.11. Hàm truyền của hệ lý tưởng Trong mỗi trường hợp, hàm truyền có môđun bằng 1 trên giá của nó, bằng 0 ngoài giá còn pha θ(ω) là hàm tuyến tính của tần số ω . Khi dùng hệ lý tưởng để thay thế hệ thực, hệ lý tưởng phải được chọn lựa để trung điểm của giá xấp xỉ với giá trị trung tâm của tần số của hệ thực và hệ số góc của pha phải xấp xỉ hệ số góc pha của hệ thực. Giá trị W - được gọi là độ rộng dải băng hệ lý tưởng - được chọn lựa theo một cơ sở hợp lý nào đó, ví dụ bằng độ rộng dải băng 3 - dB của hệ thực. Bây giờ xét bộ lọc lý tưởng thông dải không có độ lệch pha (θ(ω) = 0) , ở đầu vào ta cho tác động QT dừng {X(t)} . QT đầu ra {Y(t)} có phổ công suất là

W

.D AY

W

⎧ ⎪SX (ω) SY (ω) = ⎨ ⎪ ⎩0

KE

M

QU

(c)

1

khi ω − ω0 < W/2 khi ω − ω0 ≥ W/2.
122

http://www.ebook.edu.vn

.C OM
(6.3.21 )
ω

SXY ( ω) = SX (ω)H∗ (ω);

(6.3.20)

(6.3.22)

Đối với QT thực thì SX (ω) là chẵn và do đó PY = R Y (0) = 1 ∞ 1 SY (ω)dω = ∫ π 2π −∞

Ví dụ 6.1.15. Ta biết rằng sóng sin ngẫu nhiên X(t) = Asin(ωo t + U) xét ở Ví

ωo − W/2

πA 2 α SXY (ω) = SX (ω)H (ω) = [δ(ω − ωo ) + δ(ω + ωo )] , 2 α − jω

SY (ω) = SX (ω) H(ω)

=

2(α 2 + ω2 )

.D AY

Rõ ràng đáp ứng xung h(t) của hệ là thực và là xung chữ nhật, còn ρ(t) = h(t) ∗ h(− t) là xung tam giác (Hình 6.12). Theo (6.3.11) ta tính được 1 T − jωτ sin(Tω) sin 2 (Tω) τ = H(ω) = e d S ( ω ) = S ( ω ) ; . ∫ Y X 2T −T Tω (Tω)2

KE

(a)

M

αA 2 2α Bởi vì SY (ω) = ( π [δ(ω − ωo ) + δ(ω + ωo )]) 2 2.2 α + ω2 αA 2 −α τ ℱ (e ) ℱ (cos(ωo τ)) . = 4 αA 2 −α τ R Y ( τ) = (e ) ∗(cos(ωo τ)) . nên 4 Ví dụ 6.16. Trung bình trượt. Xét hệ với đầu ra biểu diễn bởi 1 t +T Y(t) = ∫ X(s)ds , là giá trị trung bình của {X(t)} trên đoạn [t - T; t + T]. 2T t − T

QU

YN H

ON .
(b)
t

2

πA 2α 2

[δ(ω − ωo ) + δ(ω + ωo )]

UC
-2T

OZ
ρ(t) 1 2T

πA 2 dụ 6.1 có phổ công suất là [δ(ω − ωo ) + δ(ω + ω0 )] . Giả sử {X(t)} tác động 2 lên đầu vào của mạch RC nói đến ở Ví dụ 6.13. Đây là lọc bậc nhất với α h(t) = αe− αt u(t) và H(ω) = . Theo (6.3.10) ta nhận được α + jω

h(t)
1 2T

W

W

t-T

t

t-T

-T

T

W

Hình 6.12. Trung bình trượt (a), đáp ứng xung (b) và hàm ρ(t) của nó (c).
123
http://www.ebook.edu.vn

.C OM
(c)
2T t

ωo +W/2

SX (ω)dω .

(6.3.23)

SX′ (ω) = H(ω) SX (ω) = ω2SX (ω) . (6.3.24) Từ tính chất của phép biến đổi Fourier ngược suy ra R XX′ (τ) = ℱ −1[SXX′ (ω)] = − ℱ −1[jω ℱ [R X (ω)]]= − R ′ X ( τ),

2

Quá trình tự hồi quy – trung bình động ARMA xem như đầu ra của hệ LTI đặc biệt với hàm truyền phân thức, đầu vào nhiễu trắng. QT này biểu diễn lớp rất rộng dãy các tín hiệu ngẫu nhiên và có nhiều áp dụng trong phân tích tín hiệu. Dạng đơn giản của nó là mô hình tự hồi quy AR và mô hình trung bình động MA.
6.4.1.Quá trình tự hồi quy AR a) Định nghĩa. Giả sử {N(t)} là dãy nhiễu trắng với phương sai chung 2 σ N ≠ 0 . Dãy các BNN {X(n)} được gọi là QT tự hồi quy cấp p, viết tắt là AR(p) (autoregressive process), nếu nó thoả mãn phương trình
124
http://www.ebook.edu.vn

W

W

W

.D AY

§6.4. QUÁ TRÌNH TỰ HỒI QUY - TRUNG BÌNH ĐỘNG (☼)

KE

lần {X(t)}. Khi đó {Y(t)} là đầu ra của hệ với đầu vào {X(t)}, hàm truyền ( jω) n . Hơn nữa, SY (ω) = ω2n SX (ω); R Y (τ) = (−1) n R (2n) (τ). (6.3.25)

M

QU

R X′ (τ) = ℱ −1[SX′ (ω) ] = − ℱ −1[(jω) 2 ℱ [R X (ω)]]= − R ′′ X ( τ). Chúng ta lấy lại công thức (5.4.6). Tổng quát, đặt Y(t) = X (n) (t) là đạo hàm cấp n của quá trình MS - khả vi n

YN H

Như vậy, H(ω) nhận những giá trị khác 0 có ý nghĩa chỉ trên một khoảng quanh gốc toạ độ với độ rộng O (1/ T ) ( cùng bậc với 1/T). Từ đó, trung bình trượt làm teo đi những thành phần tần số cao của đầu vào. Đơn giản, đó là lọc thông thấp. Lọc thông cao. Bây giờ, đặt Z(t) = X(t) − Y(t) . {Z(t)} là đầu ra của hệ với đầu vào là {X(t)}, còn hàm truyền là sin(Tω) . H(ω) = 1 − Tω Hàm truyền này gần bằng 0 tại một khoảng độ rộng cỡ O(1/T) quanh gốc toạ độ, tiến đến 1 tại những ω lớn. Như vậy, xem nó như lọc thông cao, làm teo đi những tần số thấp đầu vào. Ví dụ 6.17. Phổ QT đạo hàm. Phân tích phổ của QT đạo hàm giúp ích quan trọng cho phân tích hệ thông tin xử lí tấn số FM. QT đạo hàm của quá trình MS khả vi {X(t)} bất kì có thể xem là đầu ra của bộ lọc với hàm truyền H (ω) = jω còn đầu vào là QT {X(t)}. Theo (6.3.10) và (6.3.11) thì SXX′ (ω) = H∗ (ω) SX (ω) = − jωSX (ω),

ON .

UC

OZ

.C OM

X(n) = −a1X(n − 1) − ... − a p X(n − p) + N(n)

(6.4.1)

{N(n)} sao cho ∀n, N(n) = ∑ ck X(k) (MS - hội tụ), có thể là tổng hữu hạn.
k =0

thì l.i.m. θm +1X(n − m − 1) = 0 và ta nhận được

KE

X(n) = N(n) + θN(n − 1) + ... + θm N(n − m) + θm +1X(n − m − 1) . Để tổng vế phải có phương sai hữu hạn cần có θ < 1 . Nếu xảy ra điều này

.D AY

X(n) =

sẽ là QT dừng. Tương tự với quá trình AR bậc p > 1 bất kỳ người ta chứng minh được định lý: Định lý 6.15. (Điều kiện dừng). Nếu tất cả các nghiệm θ j của đa thức đều nằm trong vòng tròn đơn vị: θ j < 1 , thì quá trình tự hồi quy (6.4.1) là dừng

W

và có thể biểu diễn được dưới dạng tổng vô hạn X(n) =
k =0

W

z p A(z) = z p + a1z p −1 + ... + a p

M

k =0

QU

Rõ ràng quá trình AR là khả nghịch với giá trị tuỳ ý của các hệ số a i . Tuy nhiên, không phải mọi quá trình AR đều dừng. Để xét tính dừng của nó, trước hết ta xét quá trình cấp 1 X(n) = −a1X(n − 1) + N(n) (6.4.3) X(n) + a1X(n − 1) = N(n) (a1 ≠ 0). (6.4.3’) hay Gọi θ là nghiệm của phương trình z + a1 = 0 , thế thì θ = −a1 . Thay X(n − 1) bởi θX(n − 2) + N(n − 1) vào (6.4.3), lại thay X(n − 2) bởi θX(n − 3) + N(n − 2) vào biểu thức vừa thu được… ta đi đến

∑ θk N(n − k)

W

∑ ck N(n − k) (MS - hội tụ).
125

YN H

ON .

là dự báo của QT sau 1 bước tại thời điểm n - 1 và thêm vào 1 sai số. Chính vì thế, mô hình tự hồi quy AR còn được gọi là mô hình dự báo tuyến tính LP (linear prediction). b) Điều kiện dừng - Điều kiện khả nghịch. Ta gọi QT {X(n)} là khả nghịch nếu tồn tại dãy số {ck } và dãy nhiễu trắng

UC

http://www.ebook.edu.vn

OZ

khứ” X (n − 1), X(n − 2),... Dấu trừ đặt trước các hệ số a i để dễ tính toán và phù hợp với ký hiệu trong MATLAP. Phương trình (6.4.1) là một dạng mô hình hoá số liệu, ở đó giá trị hiện tại X(n) của QT bằng tổng trọng số của p giá trị quá khứ gần nhất của chính QT này µ = −a X(n − 1) − ... − a X(n − p) X(n) (6.4.2) 1 p

.C OM
(6.4.4)

trong đó a1,...,a p ∈ ¡ , a p ≠ 0 , còn N(n) là BNN không tương quan với các “quá

c)Lọc AR. Viết lại (6.4.1) dưới dạng X(n) + a1X(n − 1) + ... + a p X(n − p) = N(n)

X(n)

KE

Lọc ứng với phép biến đổi này gọi là lọc AR; nó cũng được gọi là lọc hoàn nguyên (innovations filter), tức là từ QT trắng hoá của {X(t)}, qua lọc ta nhận lại được {X(t)}. Ở đây, lọc tẩy trắng có cấu trúc hình thang thể hiện ở Hình 6.13(a), lọc hoàn nguyên (hay lọc AR) thể hiện ở Hình 6.13(b).
z −1

M

QU

đều nằm trong vòng tròn đơn vị thì tồn tại phép biến đổi LTI khả thi, ngược của phép biến đổi AR đã cho, biến {N(n)} thành {X(n)} với hàm hệ thống là 1 1 L(z) = = . (6.4.8) − 1 A(z) 1 + a1z + ... + a p z − p

YN H
1 A(z) X(n)

Lọc này có tên là lọc tẩy trắng (whitening filter) vì nó biến QT đã cho thành nhiễu trắng; cũng có tên là lọc ngược, nhiễu trắng thu được được gọi là trắng hoá của QT đã cho. Rõ ràng lọc tẩy trắng này là khả thi. Như đã thấy ở b), nếu mọi nghiệm của đa thức z p A(z) = z p + a1z p −1 + ... + a p

ON .
z −1 -ap

Ta lại biết hàm hệ thống của toán tử trễ đơn vị là z −1 . Vậy, (6.4.7) biểu diễn một lọc với đầu vào {X(n)}, đầu ra nhiễu trắng {N(n)}, hàm hệ thống A(z) = 1 + a1z −1 + ... + a p z − p .

UC

.D AY

-a1

W

W

N(n)

Hình 6.13. Lọc tẩy trắng (a) và lọc hoàn nguyên (lọc AR)(b)

W

126
http://www.ebook.edu.vn

OZ
(a) N(n) (b)

.C OM
(6.4.6) (6.4.7)

Hệ quả. Đối với quá trình AR(1), điều kiện dừng là a1 < 1 . Đối với quá trình AR(2), điều kiện dừng là ⎧−(a1 + a 2 ) < 1 ⎪ ⎨ a1 − a 2 < 1 ⎪ a2 < 1 ⎩

(6.4.5)

E[X(n)N(n)] = σ2 N ; E[X(n − m)N(n)] = 0 với m > 0 . Nhân 2 vế (6.4.7) với X(n - m) và đặt m = 0.1, 2,... ta nhận được ⎧R X (0) + a1R X (1) + ... + a p R X (p) = σ2 N ⎪ ⎪R X (1) + a1R X (0) + ... + a p R X (p − 1) = 0 ⎨ ⎪⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⎪R (p) + a R (p − 1) + ... + a R (0) =0 1 X p X ⎩ X

R X (m) + a1R X (m − 1) + ... + a p R X (m − p) = 0 (m > p)

UC

YN H

các tự tương quan này được ước lượng theo (5.3.17) hoặc (5.3.18)). Nghiệm của hệ sẽ duy nhất nếu định thức ma trận các hệ số (chính là ma trận tương quan ∆ N của {X(n)} ) khác không ( ⇔ dương). µ Phương trình (6.4.10) cho phép tìm ước lượng R X (m) của R (m) với
X

.D AY

m > p như là dự báo thông qua ước lượng của p quá khứ gần nhất của nó, hệ số của phương trình dự báo trùng với hệ số của phương trình dự báo của chính QT đã cho ( PT (6.4.2)). Có thể giải hệ (6.4.9) theo phương pháp thông thường (ví dụ, khử Gauss), song không hiệu quả khi p lớn. Thuật toán Levinson – Durbin tính đến ma trận hệ số của hệ là ma trận Toeplitz - tức là ma trận đối xứng và các phần tử trên đường chéo chính bằng nhau - sẽ hiệu quả hơn nhiều. Trong MATLAP có hàm lpc cho $i của a từ tập số liệu đã cho. phép tìm ước lượng a i Để tính phổ công suất chúng ta sử dụng (6.3.21’): −1 SX (z) = σ2 N L(z)L(z ) 1 ⇒ SX (ω) = SX (z) z = e jω = σ 2 (6.4.11) N 2

KE

M

QU

1 + ∑ a k e− jkω
k =1

W

Chứng minh được, ước lượng bình phương cực tiểu của phổ công suất là 2 1 $X (ω) = σ $ . (6.4.11’) S N $k e− jkω 1+ ∑ a
k =1 p 2

W

W

127
http://www.ebook.edu.vn

ON .
p

p + 1 phương trình đầu lập thành hệ Yule – Walker, dùng để ước lượng p + 1 tham số a1,...,a p và σ2 N thông qua p + 1 giá trị R X (0), R X (1),..., R X (p) . (Dãy

OZ

.C OM
(6.4.9) (6.4.10)

d) Nhận dạng hệ thống. Như đã thấy ở a), hàm hệ thống hoàn toàn xác định bởi các hệ số a1,...,a n . Để tính các hệ số này, trước hết từ tính không tương quan trong định nghĩa quá trình AR suy ra

SX (ω)

(−1 < a < 0) ω

UC
SX (ω) −π

−π

π

ON .
q k =0

trong đó b0 = 1, b1,..., bq ∈ ¡ , bq ≠ 0 .

W

đều nằm trong vòng tròn đơn vị. c) Lọc MA. Rõ ràng, {X(n)} có thể xem là đầu ra của hệ với đầu vào nhiễu trắng và đáp ứng xung l(n) = b0δ(n) + ... + bq δ(n − q) (b0 = 0) (6.4.13)
128
http://www.ebook.edu.vn

W

W

Có nhẽ, đây là dạng đơn giản nhất của mô hình hoá số liệu: Giá trị hiện tại của QT bằng tổng trọng số của giá trị hiện tại và q giá trị quá khứ gần nhất của một QT nhiễu trắng nào đó. Thực ra, thuật ngữ trung bình chưa thật chính xác vì các trọng số bi có thể âm và có tổng không nhất thiết bằng 1. b) Điều kiện dừng - Điều kiện khả nghịch. Từ định nghĩa, thông qua hàm tự tương quan chúng ta dễ dàng thấy rằng, quá trình MA(q) là dừng với mọi giá trị của các hệ số bi . Đối với tính khả nghịch, chúng ta có định lý sau đây. Định lý 6.16. (Điều kiện khả nghịch). Quá trình trung bình động (6.4.12) là khả nghịch nếu mọi nghiệm của đa thức z q + b1z q −1 + ... + bq

.D AY

KE

M

QU

X(n) = N(n) + b1N(n − 1) + ... + bq N(n − q) = ∑ b k N(n − k)

YN H

Hình 6.14. Phổ công suất của quá trình AR(1) 6.4.2. Quá trình trung bình động MA. a) Định nghĩa. Giả sử {N(n)} là dãy nhiều trắng với phương sai chung σ2 N. Dãy ngẫu nhiên {X(n)} được gọi là QT trung bình động cấp q, ký hiệu MA(q) (moving average), nếu nó biểu diễn dưới dạng
(6.4.12)

OZ
π

là hàm tuần hoàn chu kỳ 2π , thể hiện ở Hình 6.14. Khi −1 < a < 0 , phổ đạt cực đại tại ω = 0 , cực tiểu tại ω = ±π , QT- thấp tần. Khi 0 < a < 1 , phổ đạt cực tiểu tại ω = 0 , cực đại tại ω = ±π , QT - cao tần.

.C OM
(0 < a < 1) ω

Ví dụ 6.18. Xét quá trình AR(1): X(n) = −aX(n − 1) + N(n) . Điều kiện dừng 1 z . Lọc này có 1 cực điểm z = −a . = là a < 1. Lọc AR(1) là L(z) = 1 + az −1 z + a 1 1 2 SX (ω) = σ2 = σ N N 2 1 + a 2 + 2a cos ω 1 + ae jω

Lọc MA được mô tả ở Hình 6.15.
N(n)
z −1 b1 z −1 bq

nằm trong vòng tròn đơn vị thì tồn tại lọc hoàn nguyên khả thi với hàm hệ thống 1 Λ (z) = . B(z) nhiên, dạng (6.4.14) là tiện lợi hơn nhiều. d) Nhận dạng hệ thống. Để tính dãy tự tương quan ta lưu ý rằng l(k) = 0 với k > q hoặc k < 0, sử dụng (6.3.19) ta nhận được

M

KE

R X (n) = R N (n) ∗ ρ(n) = ∑

QU

Rõ ràng, hàm truyền của lọc MA là H(ω) = 1 + b1e− jω + ... + bq e − jqω . Tuy

2 σ2 ( N δ(k) ) ρ(n − k) = σ Nρ(n) k =−∞ ∞ q −n

YN H
129

Hình 6.15. Lọc MA. Như đã nêu ở phần b), nếu mọi nghiệm của đa thức z q + b1z q −1 + ... + bq đều

.D AY

= σ2 N

W

R X (n) = 0 (n > q) . Cụ thể là 2 2 2 ⎧R X (0) = σ2 N (b 0 + b1 + ... + bq ) ⎪ ⎪R (1) = σ2 (b b + b b + ... + b b ) X N 0 1 1 2 q −1 q ⎪ ⎪ ⎨⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⎪ 2 (b0 = 1) ⎪R X (q) = σ N b0 bq ⎪R (n) = 0 (n ≥ q + 1) ⎪ ⎩ X

k =−∞

∑ l(n + k)l(k)

= σ2 N

k =0

l(n + k)l(k) = σ 2 N

W

ON .
q−n k =0

UC

b0

∑ b k + n bk (0 ≤ n ≤ q) ,

W

http://www.ebook.edu.vn

OZ
X(n)

(6.4.15)

.C OM

Lọc này được gọi là lọc MA. Hiển nhiên đây là lọc khả thi. Đáp ứng xung chỉ có hữu hạn thành phần khác không nên lọc MA cũng là lọc có đáp ứng xung hữu hạn, viết tắt là lọc FIR (finite impulse response). Rõ ràng hàm hệ thống của lọc là B(z) = 1 + b1z −1 + ... + bq z −q (6.4.14)

tương quan {R X (n)} .

Thứ hai, nếu biết trước dãy các tự tương quan {R X (n)} (mà trong nhiều trường hợp ta có thể tính xấp xỉ theo (5.3.17) hoặc (5.3.18)), thay vào (6.4.15) ta có khả năng tính được các trọng số b1,..., bq . Tuy nhiên, đây là hệ phi tuyến, việc

SX (z)

2 = σX

k =− q

∑ R X (k)z − k .

q

z + z −1 . Vậy khi SX (z) là phân thức hữu tỷ thì nếu zi là không điểm hay cực điểm thì suy ra (zi )−1 cũng là không điểm hay cực điểm. Từ đó, có thể phân chúng ra làm 2 nhóm: Một nhóm “bên trong” bao gồm những zi mà zi < 1, một nhóm “bên ngoài” bao gồm những zi mà zi > 1. B(z) là tỷ số hai phân thức mà các nghiệm của nó là các không điểm hay cực điểm “bên trong” của SX (z) . Ta hãy thực hiện điều này thông qua một ví dụ. Giả sử biết phổ công suất SX (z) = 5 + 2(z + z −1 ) . Tìm PN = σ2 N và B(z). 2 5 2 1 1 1 S(z) = (z 2 + z + 1) = (z + )(z + 2) = 4(1 + z −1 )(1 + z) z 2 z 2 2 2 1 −1 V ậy σ 2 N = 4; B(z) = 1 + z . 2 Phương pháp này còn được áp dụng cả cho trường hợp SX (z) là hàm phân

W

W

thức của z + z −1 (quá trình ARMA xét sau đây). Mặc dầu khá được ưa dùng, phương pháp tách phổ cần tìm nghiệm của đa thức. Phương pháp chính quy hơn để tìm thừa số Hurwitz B(z) từ phổ S(z) sử dụng thuật toán Levinson đề cập đến ở [8], tr 470. 6.4.3.Quá trình ARMA Người ta thấy rằng, để xây dựng mô hình cho dãy số liệu thì nên kết hợp cả những số hạng tự hồi quy, cả những số hạng trung bình động để được mô hình hỗn hợp sát hơn với số liệu, có tính linh động hơn từng mô hình đơn lẻ.

W

.D AY

KE

M

http://www.ebook.edu.vn

QU

YN H
130

SX (z) = σ2 N B(z)B(1/ z) . Vì {X(n)} là QT thực nên R X (n) = R X (− n) . Thế thì SX (z) là hàm của

ON .

Vấn để bây giờ là tìm B(z) = 1 + b1z −1 + ... + bq z −q để

UC

giải hệ chỉ thuận lợi khi q khá nhỏ. ii) Để tránh giải hệ phi tuyến (6.4.15) có thể dùng phương pháp tách phổ sau đây. Do R X (k) = 0 ∀ k ≥ q + 1 nên ta có thể tính được

OZ

.C OM

Nhận xét. i) Hệ (6.4.15) cho ta hai khẳng định: Thứ nhất, nếu biết trước các trọng số b1,..., bq ta có thể tính được dãy các tự

X(n) = − ∑ a i X(n − i) + ∑ b k N(n − k)
i =1 k =0

p

q

khi b1 = ... = bq = 0, a p ≠ 0 , ta nhận được quá trình AR(p).

N(n) = ∑ c k X(n − k) ;
k =1 ∞

cũng như có thể coi nó như là một quá trình trung bình trượt cấp vô hạn MA(∞) :
k =0

Từ đó dễ thấy hàm hệ thống của lọc là

KE

M

c)Lọc ARMA. Chúng ta viết lại (6.4.16) dưới dạng X(n) + a1X(n − 1) + ... + a p X(n − p) = N(n) + b1N(n − 1) + ... + bq N(n − q) .(6.4.17)
L(z) = 1 + b1z −1 + ... + bq z − q 1 + a1z −1 + ...a p z − p = B(z) . A(z)

QU

X(n) = ∑ d k N(n − k) .

YN H
Y(n)

đều nằm trong vòng tròn đơn vị. Có thể chứng minh rằng, với quá trình ARMA như thế, luôn có thể coi nó như là một quá trình tự hồi quy cấp vô hạn AR(∞) :

ON .
1 A(z)

b) Điều kiện dừng - Điều kiện khả nghịch. Chúng ta chỉ xét quá trình ARMA mà quá trình AR tương ứng là dừng, và quá trình MA tương ứng là khả nghịch, cụ thể là tất cả các nghiệm của 2 đa thức z p A(z) = z p + a1z p −1 + ... + a p và z q B(z) = z q + b1z q −1 + ... + bq

UC
X(n)

.D AY

Như vậy, từ điều kiện dừng và khả nghịch, quá trình ARMA là dừng và khả nghịch, lọc ARMA là ghép nối tiếp của 2 lọc MA(q) và AR(p):
N(n)

B(z)

W

Hình 6.16. Lọc ARMA . d) Ước lượng tham số. Nhân 2 vế (6.4.17) với X(n − m) rồi lấy kỳ vọng, sử dụng điều kiện E[X(n − m)N(n − r)] = 0 khi m > r ta thu được R X (m) + a1R X (m − 1) + ... + a p R X (m − p) = 0 (m > q) (6.4.19)
131
http://www.ebook.edu.vn

W

W

OZ

trong đó b0 = 1, a i , b k ∈ ¡ , và giả thiết thêm rằng N(n) không tương quan với các quá khứ X(n-1), X(n-2),… Đặc biệt, khi a1 = ... = a p = 0, bq ≠ 0 , ta nhận được quá trình MA(q);

.C OM
(6.4.16)
(6.4.18)

a) Định nghĩa. Giả sử {N(n)} là dãy nhiều trắng với phương sai chung σ2 N. Dãy ngẫu nhiên {X(n)} được gọi là QT tự hồi quy - trung bình động cấp (q, q), ký hiệu ARMA(p,q), nếu có thể biểu diễn nó dưới dạng

Để tìm các hệ số b1,..., bq , ta tạo ra lọc với đầu vào {X(n)}, hàm hệ thống là MA(q) với hàm hệ thống B(z) = 1 + b1z −1 + ... + bq z −q (chứng minh!). Sử dụng (6.3.19) ta thu được
p

A(z) = 1 + a1z −1 + ... + a p z − p , gọi đầu ra là { y(n)} . Thế thì { y(n)} là quá trình

R Y (n) = R X (n) ∗ [d(n) ∗ d(− n)], d(n) = ∑ a k δ(n − k)
k =0 p p

R Y (n) = ∑ R X (n − i)ρ(i), ρ(i) =ρ(−i) = ∑ a k −i a k (0 ≤ n ≤ q) ,
i =− p k =i

+Tìm các nghiệm của đa thức S(z) = ∑ R Y (k)z − k
k =− q

W

trong đó N là kích thước quan sát, p là cấp dự kiến, σ2 N là ước lượng cho sai số của mô hình dự kiến. Cấp p đựoc chọn là giá trị p0 làm cho AIC(p) lớn nhất. *Phương pháp Box – Jenkin. Phương pháp này dựa vào dáng điệu của hệ số tương quan mẫu và hệ số tương quan riêng mẫu để quyết định đó là quá trình AR, MA hay ARMA cũng như cấp tương ứng của chúng (xem D. C. Montromery, L.A. Johnson, J. S. Gordiner. Forecasting and time series analysis. Graw – Hall. 1990). Ý tưởng chung là nên chọn mô hình có cấp nhỏ nhất có thể; thử từ mô hình đơn giản nhất đến những mô hình phức tạp hơn, từ cấp thấp lên cấp cao hơn. Nếu không có mô hình phù hợp thì phải tìm mô hình dạng khác. ( ☼)

W

W

.D AY

−1 +Tạo ra thừa số Hurwitz B(z) của S(z) thoả mãn S(z) = σ 2 N B(z)B(z ) . Ước lượng cấp của mô hình. Còn nhiều bàn luận về ước lượng cấp p, q, hay (p, q) của mô hình AR, MA, ARMA tương ứng. Sau đây là một số đề nghị. *Phương pháp thử sai số. Cấp được chọn trong một dải có lý nào đó, trong dải này, chọn cấp sao cho sai số tương ứng bé nhất. *Dựa vào lượng tin Akaike. Đối với mô hình AR, đặt AIC(p) = N ln(σ 2 N ) + 2p

KE

M

http://www.ebook.edu.vn

QU

YN H
q

R Y (n) = 0 (m > q) . (6.4.20) Với R Y (n) như thế, chúng ta xử lý tiếp như với quá trình MA để tìm bi . Tóm tắt các bước ước lượng tham số quá trình ARMA. + Tìm các hệ số a k từ hệ (6.4.19). Nhận được A(z) +Tìm R Y (n) từ (6.4.20)

132

ON .

UC

Suy ra

OZ

.C OM

Đặt m = q + 1,..., q + p vào (6.4.19) ta nhận được hệ phương trình. Nghiệm của hệ cho ta các hệ số a1,...,a p .

SX (ω)

(a)

ON .
SX (ω)

§6.5.QUÁ TRÌNH THÔNG DẢI VÀ ĐIỀU CHẾ 6.5.1. Quá trình thông dải Định nghĩa. QT{X(t)} được gọi là tần thấp (hay âm tần) (lowpass process) nếu phổ công suất SX (ω) của nó triệt tiêu ngoài một dải (-W; W) nào đó chứa ω = 0 (Hình 6.17(a)). QT {X(t)} được gọi là thông dải (bandpass process) nếu ngoài dải tần (ω1; ω2 ) nào đó không chứa ω = 0 với độ rộng W, phổ công suất của nó bằng 0: SX (ω) = 0, với ω ∉ [ω1; ω1 + W] (Hình 6.17(b)). Nhận xét. Phổ công suất gắn với hệ vật lý thực luôn giảm từ một tần số đủ lớn nào đó và có dạng như ở Hình 6.17(c). Từ đó, chúng ta luôn chọn được tần số ωo thuận tiện, gần với nơi mà SX (ω) đạt giá trị cực đại và một đoạn độ dài W quanh ωo sao cho trên đoạn này SX (ω) ≥ a SX (ωo ) ( thường thì chọn a = 0,1). Khi đó, chúng ta có thể xấp xỉ QT xem xét bằng QT thông dải, cho phép bài toán đưa ra có lời giải.

W

ω

YN H

UC
ω1

OZ
(b)
ωo
W

QU

SX (ω)

(c)

KE

M

ω1

ωo W

ω

W

W

Định nghĩa. QT thông dải X được gọi là dải hẹp (hay tựa đơn sắc) nếu W = ω2 − ω1 ≪ ωo , trong đó ωo là tần số nào đó được chọn gần trung tâm dải băng tần hay gần nơi phổ công suất đạt giá trị cực đại (Hình 6.18). Nếu SX (ω) là hàm xung thì QT được gọi là đơn sắc.

W

.D AY

Hình 6.17. Phổ QT tần thấp (a), thông dải (b) và “thông dải’’ thực tế (c)

133
http://www.ebook.edu.vn

.C OM
ω

SX (ω)

W

W

W

r(t) = a 2 (t) + b 2 (t) , b(t) tg(ϕ(t)) = a(t) đựơc gọi là QT điều biên (điều chế biên độ) với điều biên r(t) và điều pha ϕ(t) . Kể cả khi ϕ(t) là BNN có phân bố đều trên [ 0; 2π] và độc lập với r(t), {r(t)} vẫn có thể không là QT dừng. Định lý sau cho ta điều kiện cần và đủ đặt lên hai thành phần {a(t)} và {b(t)} để QT {X(t)} là dừng. Định lý 6.17. Để QT điều biên (6.5.1) là dừng, quy tâm, điều kiện cần và đủ là mỗi QT {a(t)} và {b(t)} là quy tâm và thoả mãn hai điều kiện R a (τ) = R b (τ); R ab (τ) = − R ba (τ). (6.5.2) Khi đó, R X (τ) = R a (τ)cos(ωo τ) + R ab (τ)sin (ωo τ). Chứng minh. Vì {a(t)} và {b(t)} là hai QT dừng đồng thời nên E[X(t)] = µa (t) cos(ωo t) − µ b (t)sin(ωo t). (6.5.3) 2E[X(t + τ)X(t)] = 2E[a(t + τ) cos(ωo (t + τ)) − b(t + τ)sin(ωo (t + τ))]. [a (t) cos(ωo t) − b(t)sin(ωo t)] = [R a (τ) + R b (τ)]cos(ωo τ) + [R ab (τ) − R ba (τ)]sin(ωo τ) + +[R a ( τ) − R b (τ)]cos(ωo (2t + τ)) − [R ab (τ) + R ba (τ)]sin(ωo (2t + τ)) . (6.5.4) *Từ (6.5.3), {X(t)} quy tâm khi và chỉ khi {a(t)} và {b(t)} quy tâm.

trong đó

*Từ (6.5.4), E [ X(t + τ)X(t) ] không phụ thuộc t khi và chỉ khi R a ( τ) = R b ( τ) và R ab (τ) = − R ba (τ).

Phần còn lại là rõ ràng.

.D AY

KE

M

http://www.ebook.edu.vn

QU

YN H
134

ON .

Hình 6.18. Phổ công suất QT dải hẹp Định nghĩa. Cho hai QT thực, dừng đồng thời {a(t)} và {b(t)} , ωo > 0 là hằng số dương tuỳ ý. Quá trình X(t) = a(t)cos(ωo t) − b(t)sin(ωo t) = r(t)cos(ωo t + ϕ(t)) (6.5.1)

UC

OZ

−ωo

ω1 ω0 ω2

ω

.C OM

b) c) d)

Pa = Pb = PX .

QU

1 Sa (ω) = Sb (ω) = [SW (ω) + SW (−ω)] ; 4 1∞ R a ( τ) = R b (τ) = ∫ SX (ω)cos[(ω-ωo )τ]dω ; π0

YN H

tồn tại hai QT thực, dừng đồng thời {a(t)} , {b(t)} sao cho với mọi t ∈ ℝ, X(t) = a(t)cos(ωo t) − b(t)sin(ωo t) (hcc). (6.5.5) Hơn nữa, nếu đặt ⎧ ⎪ W(t) = a(t) + jb(t) ⎨ jω t ⎪ ⎩ Z(t) = W(t)e o thì ⎧SZ (ω) = 4SX (ω)u(ω), a) (6.5.6) ⎨ ⎩SW (ω) = SZ (ω + ωo );

ON .

UC

.D AY

Chứng minh(☼). Xét lọc cầu phương QF (quadrature filter) với hàm truyền ⎧− j khi ω> 0, (6.5.10) H(ω) = − jsgn ω = ⎨ ω < j khi 0. ⎩ Đáp ứng xung của hệ là h(t) = 1/(πt) (xem [14], trang 327). ( Đáp ứng X(t) của lọc cầu phương với QT thực {X(t)} xác định bởi

{

KE

}

M

W

( ( X(t) được gọi là biến đổi Hilbert của X(t)). Theo Định lý (6.13), {X(t)} và ( {X(t)} là thực, quy tâm, dừng đồng thời. Theo (6.3.11) và (6.3.10) thì
( (ω) = S (ω)H∗ (ω) = jS (ω)sgn ω . SXX (6.5.12) X X Áp dụng (6.1.28), ta có ( (ω) = (S ( (ω))∗ = − jS (ω)sgn ω = −S ( (ω). SXX X XX XX ( (ω) = S (ω) H(ω) = S (ω), SX X X 2

∞ ( 1 X(t) X(t) = X(t) ∗ = ∫ ds , πt −∞ π(t − s)

W

W

135
http://www.ebook.edu.vn

OZ

Lưu ý. Nhắc lại rằng, đối với hai QT thực dừng đồng thời X,Y, Định lý 5.5 chỉ khẳng định rằng R XY (τ) = R YX (−τ) , điều kiện (6.5.2) không phải tự động thoả mãn). Bây giờ chúng ta xét vấn đề ngược lại: Phải chăng một QT thực, dừng, quy tâm {X(t)} bất kỳ luôn có thể biểu diễn dưới dạng QT điều biên (6.5.1) với ωo là số dương bất kỳ cho trước? Câu trả lời khẳng định nằm ở định lý sau đây. Định lý 6.18.(Biểu diễn Rice). Giả sử {X(t)} là QT dừng, thực, quy tâm với phổ công suất PX hữu hạn còn ωo > 0 là hằng số dương bất kỳ cho trước. Khi đó,

.C OM
(6.5.7) (6.5.8) (6.5.9) (6.5.11)

Hệ thức thứ hai suy từ chỗ R W ( τ) = e − jωo τ R Z ( τ) và do đó

.D AY

SW (ω) = ℱ [R W (τ)] = ℱ [e− jωo τ R Z (τ)] = SZ (ω + ωo ) . Đẳng thức đầu của (6.5.7) là rõ ràng. Để chứng minh đẳng thức thứ hai, trước hết với W(t) xác định theo (6.5.14) dễ kiểm tra rằng R W ( τ) = 2R a (τ) + 2 jR ab (τ). Ngoài ra, từ chỗ R ab (−τ) = R ba (τ) và sử dụng Định lý 5.5 ta đi tới

KE

hệ với hàm truyền 1 + j(− j)sgn ω = 2u(ω). Áp dụng (6.3.11) ta thấy {Z(t)} thoả mãn hệ thức đầu của (6.5.6).

W

SW (ω) = ∫ e − jωτ R W (τ)dτ = ∫ e− jωτ [2R a (τ) + 2 jR ab (τ)]dτ ; SW (−ω) = ∫ e jωτ [2R a (τ) + 2 jR ab (τ)]dτ
−∞ −∞ +∞ −∞

M

Để chứng minh a) ta nhận thấy {Z(t)} là đầu ra ứng với đầu vào {X(t)} qua

QU

Vậy {a(t)} , {b(t)} là dừng đồng thời với ( cos(ω τ) . R ab (τ) = − R ba (τ) = − R X (τ)sin (ωo τ) − R XX o

W

W

http://www.ebook.edu.vn

YN H

Lấy biến đổi Fourier ngược suy ra ( ⎧ ⎪R X (τ) = R X (τ), (6.5.13) ⎨ ( ( ⎪ ⎩R XX (τ) = − R XX (τ). Bây giờ đặt ( ⎧ Z(t) X(t) jX(t), = + ⎪ (6.5.14) ⎨ − jωo t = a(t) + jb(t). ⎪ ⎩ W(t) = Z(t)e Dễ kiểm tra rằng ⎧ Z(t) = W(t)e jωo t , ⎪ ( ⎪ (6.5.15) ⎨a(t) = X(t)cos(ωo t) + X(t)sin(ωo t), ( ⎪ b(t) = X(t) cos(ωo t) − X(t)sin(ωo t). ⎪ ⎩ Suy ra X(t) = Re(Z(t)) = a(t) cos(ωo t) − b(t)sin(ωo t) , ta nhận được biểu diễn (6.5.5). Còn phải chỉ rõ các tính chất của {a(t)} , {b(t)} . ( Áp dụng Định lý 6.17 cho cặp QT {X(t)} , { − X(t) } cũng như cặp QT ( { X(t) }, {X(t)} suy ra {a(t)} và {b(t)} là thực, dừng, quy tâm và ( sin(ω τ) . R a ( τ) = R b (τ) = R X (τ)cos(ωo τ) − R XX o Ngoài ra, tính toán chi tiết và sử dụng (6.5.13) ta được ( ( τ) cos(ω τ) E[a(t + τ)b(t)] = − E[b(t + τ)a(t)] = − R X (τ)sin(ωo τ) − R XX o

136

ON .

UC

OZ

.C OM

= ∫ e
−∞

− jωτ

[2R a (−τ) + 2 jR ab (−τ)]dτ = ∫ e − jωτ [2R a (τ) + 2 jR ba (τ)]dτ .

Cộng vế với vế được SW (ω) + SW (−ω) = 4 ∫ e− jωτ R a (τ)dτ = 4Sa (ω),
−∞

W

W

Thực vậy, từ (6.5.6) ta có SW (ω) = 4SX (ω + ωo )u(ω + ωo ) . Với cách chọn ωo đã nêu, {W(t)} là QT tần thấp và SW (ω) = 0, ∀ω : ω > WX (ωo ) = Max(ωo − ω1; ω2 − ωo ) . Biểu thức (6.5.7) cũng chứng tỏ rằng {a(t)} và {b(t)} là các QT thấp tần với giá [ − WX (ωo ); WX (ωo )] .

W

.D AY

trên giá [ ω1; ω2 ] , ωo = (ω1 + ω2 ) / 2 thì

Đặc biệt, nếu { N(t)} là nhiễu trắng thông dải với mật độ phổ công suất σ2
Sa (ω) = Sb (ω) = 2σ2 rest (ω2 −ω1 ) / 2 (ω) .

KE

Các QT {a(t)}, {b(t)} được gọi lần lượt là thành phần chính pha (inphase compnent) và thành phần cầu phương (quadrature componont) của {X(t)}, W(t) được gọi là biên độ phức của X(t) còn khai triển (6.5.5) được gọi là biểu diễn Rice của {X(t)}. Hệ quả. Nếu QT thực, dừng, quy tâm {X(t)} là thông dải với giá phổ công suất [ ω1; ω2 ] thì có thể chọn ωo ∈ [ ω1; ω2 ] để biên độ phức {W(t)} và và các thành phần chính pha {a(t)} và thành phần cầu phương {b(t)} là những QT tần thấp. Hơn nữa, có thể nhận được {a(t)} và {b(t)} từ lược đồ ở Hình 6.19(a), trong đó tần số ngưỡng W của bộ lọc lý tưởng thông thấp LP thoả mãn quan hệ Max (ωo − ω1; ω2 − ωo ) < W < ωo + (ωo − ω1 ) . (6.5.16)

M

http://www.ebook.edu.vn

QU

YN H
137

1 ∞ 1 = [4SX (ω + ωo )u(ω + ωo ) + 4SX (−ω + ωo )u(−ω + ωo )] e jωτdω . ∫ 2π −∞ 4 Bằng các phép đổi biến tích phân và rút gọn, ta nhậnđược (6.5.8). Cuối cùng, thay τ = 0 vào (6.5.8) ta nhận được (6.5.9). (☼) ( ⎧ ⎪ Z(t) = X(t) + jX(t), Lưu ý. ⎨ − jω t ⎪ ⎩ W(t) = Z(t)e o = a(t) + jb(t).

ON .

UC

chúng ta nhận được (6.5.7). Để chứng minh (6.5.8), từ (6.5.6) và (6.5.7) suy ra 1 ∞ 1 ∞ 1 jωτ ω ω = R a ( τ) = S ( )e d [SZ (ω + ωo ) + SZ (−ω + ωo )] e jωτdω ∫ ∫ a 2π −∞ 2π −∞ 4

OZ

.C OM

−∞

LP

a(t)

X(t)

LP - 2sin (ω0 t )
X(t)

b(t)

UC ON .

LP 2e − jωo t

W(t) = a(t)+jb(t)

OZ
(b)

2X(t) = Z(t) + Z∗ (t) : Từ đó,

2X(t)e− jωo t = W(t) + W∗ (t)e −2 jωo t . Phổ của QT {W(t)} và {W∗ (t)e-2jωo t } bằng SW (ω) và SW (− ω − 2ωo ) tương ứng. Từ giả thiết, phổ thứ nhất có giá nằm trong dải của lọc thông thấp LP, phổ thứ hai có giá nằm ngoài dải này. Như vậy, đầu ra của bộ lọc bằng {W(t)} (chính xác hơn, QT đầu ra của bộ lọc có phổ trùng với phổ của {W(t)}).
6.5.2.Nhiễu trong hệ thống thông tin điều biên AM Mô tả. Hệ thống truyền thanh công cộng thông dụng là hệ điều biên (điều chế biên độ), gọi tắt là hệ AM (amplitude modulation). Trong hệ thống này, biên độ của “sóng mang” tần số cao được thay đổi (điều chế) bởi hàm tuyến tính của sóng mang tin tức (nhạc, âm thanh…). Ở Mĩ, các tần số sóng mang biến thiên từ 540 đến 1600 KHz, cách nhau 10 KHz. Sau đây, chúng tôi giới thiệu rất ngắn gọn hệ thống truyền tin công cộng AM và mô tả nguyên lý nhiễu được sử dụng ra sao để phân tích các hiện tượng của hệ thống. Lược đồ hệ truyền tin AM được nêu ở Hình 6.20. Ở trạm phát, trước hết, tín hiệu được kích hoạt thêm một điện thế A o , sau đó ở bộ nhân nó kết hợp với sóng mang để được tín hiệu phát AM x AM (t) = (A o + x(t))cos(ωo t + θo ) (6.5.17) trong đó A o > 0, ωo , θo là những hằng số.

W

W

W

.D AY

KE

M

http://www.ebook.edu.vn

QU

YN H

Hình 6.19.Tách thành phần chính pha và cầu phương bằng lọc thông thấp Để chứng minh phần còn lại, nhận thấy rằng lược đồ ở Hình 6.19(a) là tương đương với lược đồ ở Hình 6.19(b), trong đó lọc lý tưởng thông thấp LP có tần số ngưỡng W. Rõ ràng
W∗ (t) = Z∗ (t)e jωo t .

138

.C OM
(a)

Lịch sử: Tôi đã viết cẩn thận 1 VD về lọc cầu phương. Song trong khuôn khổ giáo trình, tôi đã phải hy sinh, viết gộp nó lại như ở đây. CM Định lý ở đây có cải tiến đáng kể so với ở Pa. Hệ BĐT (6.4.16) cũng có cải tiến đáng kể; ở Pa. họ viết lòng thòng, khó hiểu hơn nhiều.

2cos(ωo t)

Tín hiệu

Ao

cos(ωo t + θo )

Suy giảm

G ch

s R (t) + n R (t)

W

1 2 2 PAM = E[X AM (t)]= [A o + PX ] . (6.5.19) 2 Qua kênh truyền với độ suy giảm kênh (hay độ nhạy kênh?) (channel gain) G ch , biên độ truyền bị suy giảm, tín hiệu đầu vào máy thu bây giờ chỉ còn G ch x AM (t) . Nó là tín hiệu thông dải nên khi qua bộ lọc thông dải BP, bỏ qua sự làm méo, xem như tín hiệu này vẫn giữ nguyên. Chúng ta giả sử rằng qua kênh truyền, tín hiệu bị cộng thêm vào một nhiễu trắng Gauss với mật độ phổ công suất σ2 . Kênh truyền thực còn có tác động trễ, tuy nhiên ta không xét ở đây vì chỉ để ý đến hiệu ứng của nhiễu. Qua bộ lọc BP, nhiễu trắng trở thành nhiễu trắng thông dải.

W

W

.D AY

KE

X AM (t) = (A o + X(t))cos(ωo t + Θ) . (6.5.18) Nói chung, { X AM (t) } không là QT dừng, nhưng ta vẫn tính được phổ công suất của nó (xem mục 6.1.4). Với ωo lớn hơn nhiều tần số cực đại của { X AM (t) }, như ở mục 6.5.1, có thể chứng minh rằng đây là QT thông dải với dải tần tập trung quanh ωo . Nếu {X(t)} là QT dừng, công suất tổng cộng là (xem Bài tập 6.13)

M

http://www.ebook.edu.vn

QU

Hình 6.20. Lược đồ khối chức năng của hệ truyền tin AM Phân tích. Chú ý rằng, biên độ (A o + x(t)) của sóng mang – nói khác, hàm hình bao của tín hiệu x AM (t) - là hàm tuyến tính của sóng âm {x(t)}. Nói chung, ta không điều khiển được θo bởi vì thời gian đóng mở truyền sóng là ngẫu nhiên và bản thân việc truyền sóng cũng có thể biến đổi góc pha, cho ta một góc pha θo nào đó. Hợp lý nhất sẽ coi pha là ngẫu nhiên, kí hiệu Θ , và phân bố đều trên đoạn [0; 2 π ]. Hơn nữa, ta có thể mô hình hoá {x(t)} như là quỹ đạo của QTNN {X(t)}, Θ và X(t) độc lập. Như vậy, tín hiệu x AM (t) được mô hình hoá bởi

YN H
139

ON .

UC

BP

ED

OZ

Máy phát

N(t)

Máy thu

sd (t) + n d (t)

.C OM

Tín hiệu qua một kênh truyền đến máy thu. Ở máy thu, người ta bố trí bộ lọc thông dải với độ rộng dải băng W ít nhất bằng 2 lần độ rộng phổ của tín hiệu {X(t)}, nhưng cũng không rộng hơn mức cần thiết quá nhiều. Đầu ra của bộ lọc thông dải BP gắn với đầu vào vào bộ phát hiện hình bao ED (envelope detector), cũng gọi là bộ giải điều chế (demodulator). Tín hiệu đầu ra bộ giải điều chế là hàm hình bao tín hiệu đầu vào của nó.

1/2 A(t) = [[G ch (A o + X(t)) + a N (t)]2 + b 2 N (t)]

ON .

lý 6.18 và Hệ quả của nó). Ở đây, dạng sóng tổng cộng là SR (t) + N R (t) = [G ch (A o + X(t)) + a N (t)]cos(ωo t + Θ) − b N (t)sin(ωo t + Θ) = A(t)cos[ωo t + Θ + ψ (t)] (6.5.21) trong đó b N (t) tg(ψ (t)) = , G ch [A o + X(t)] + a N (t)

2 2 hàm hình bao của N 2 R (t) , còn G ch (A o + X(t)) là hàm hình bao của tín hiệu đầu vào bộ phát hiện hình bao. Chúng ta giả thiết rằng tỷ số công suất tín - tạp đầu vào

M

QU

2 của bộ phát hiện biên độ chính là hình bao này. Nhận thầy rằng, a 2 N (t) + b N (t) là

YN H
140

⎡ ⎤ 2a N (t) a 2 (t) + b 2 N (t) + 2N . (6.5.22) = G ch (A o + X(t)) ⎢1+ 2⎥ + G [A X(t)] + G [A X(t)] ⎢ ⎥ ch o ch o ⎣ ⎦ Giả sử A o đủ lớn để không xảy ra quá tải điều chế (overmodulation), tức là A o + X(t ) luôn dương. Bây giờ ta chỉ quan tâm đến hình bao A(t) bởi vì đầu ra

máy thu là đủ lớn, đến mức mà tỷ số

W

⎧Sd (t) ≈ G ch (A o + X(t)), (6.5.24) ⎨ ⎩ N d (t) = a N (t). Công suất trung bình tín hiệu đầu ra (của bộ phát hiện biên độ) hữu hiệu, kí hiệu bởi So , là công suất trung bình tín hiệu đầu ra của bộ phát hiện này đã quy tâm hoá, nói khác ứng với X(t) ở (6.5.24). Ngoài ra, khi kí hiệu công suất nhiễu trung bình đầu ra (bộ phát hiện) bởi N o thì

W

W

.D AY

thiết này, (6.5.22) cho ta xấp xỉ A(t) ≈ G ch (A o + X(t)) + a N (t) . (6.5.23) Khi mô hình hoá tín hiệu đầu ra sd (t) và nhiễu đầu ra n d (t) ở Hình 6.20 lần lượt bởi Sd (t) và N d (t) , (6.5.23) dẫn đến

KE

2 G ch (A o + X(t)) 2

2 a2 N (t) + b N (t)

là nhỏ với mọi t. Với giả

2 2 So = G ch PX = G ch E[X 2 (t)];

N o = PNd = Pa N = E[a 2 N (t)] = PN R .

UC

http://www.ebook.edu.vn

OZ
1/2

.C OM
(6.5.25)

Như vậy, đầu ra bộ lọc thông dải cho ta s R (t) = G ch x AM (t) và n R (t) mà chúng ta có thể mô hình hoá bằng QT {SR (t)} và {N R (t)} đều là thông dải với SR (t) = G ch X AM (t) = G ch [A o + X(t)]cos(ωo t + Θ) ; N R (t) = a N (t)cos(ωo t + Θ) − b N (t)sin (ωo t + Θ) (6.5.20) trong đó {a N (t)} và {b N (t)} là những QT thấp tần và Pa N = Pb N = PN R (từ Định

ωo

Cuối cùng,

hiệu âm thanh công suất PX = 500W ; độ suy giảm kênh G ch = 32 /100 và mật độ công suất nhiễu σ2 = 10−8 W/Hz . Máy thu sử dụng bộ lọc thông dải với độ rộng dải băng W = 2π104 rad/s. Tính các công suất tín hiệu và hiệu năng của hệ. Giải. Từ Bài tập 6.13, công suất trung bình của sóng mang truyền đi là 2 A o / 2 = 4750W ; công suất truyền liên quan đến điều chế tín hiệu là R X (0) / 2 = PX / 2 = 250W . Công suất truyền tổng cộng là 4750 + 250 = 5000W. Theo (6.5.27), hiệu năng hệ là ⎛ So ⎞ π.( 32.10−2 ) 2 .500 = = 8000 = 103,93 (hay 39,3 dB). ⎜ ⎟ − 8 4 10 .(2π.10 ) ⎝ N o ⎠AM

vào trung bình là (10−8 ).(2π.104 ) / π = 2.10−4 W . Tỉ số công suất tín - tạp đầu vào

W

W

W

.D AY

trở thành 16 /(2.10−4 ) = 80 000 = 104,903 (hay 49,03 dB), cao hơn nhiều mức đòi hỏi của xấp xỉ (6.5.23), và do đó, của xấp xỉ (6.5.27). Thực ra, nếu ta thấy hiệu năng tính ở (6.5.27) là thoả đáng, (6.5.23) sẽ là xấp xỉ tốt.

KE

Tỉ số này thể hiện hiệu năng tốt của hệ. Lưu ý. Tại đầu vào bộ phát hiện biên độ, công suất tín hiệu trung bình 5000W bị giảm đi còn 5000( 32 /100) 2 = 16W. Từ (6.5.26), công suất nhiễu đầu

M

http://www.ebook.edu.vn

QU

YN H
141

ON .

2 ⎛ So ⎞ πG c h PX . ≈ (6.5.27) ⎜ ⎟ 2 σ W ⎝ N o ⎠AM Đây là kết quả căn bản của mục này. Nó mô tả hiệu năng của hệ AM. Ví dụ 6.19. Giả sử hệ AM sử dụng bộ tăng điện áp với A o = 10 95 V và tín

UC

OZ

PN R

2 = 2π

ωo + W/2

σ2 ∫ σ dω = π W. -W/2
2

.C OM
(6.5.26)

2 ⎛ So ⎞ Gc h PX . Hiệu năng của hệ được đo bởi ⎜ = ⎟ Pa N ⎝ N o ⎠AM Chúng ta mô hình hoá lọc thông dải BP trong Hình 6.20 bởi lọc thông dải lý tưởng quanh ωo với độ rộng dải băng W(rad/s). Theo (6.3.23), công suất nhiễu sẽ là

XR + NR X Bộ điều chế FM X FM BP

MÁY THU

X FM (t) = Acos[ωo t + Θ + λ ∫ X(α)dα]
0

YN H
t
t 0

Hình 6.21. Sơ đồ khối chức năng hệ thông tin công cộng FM So với hệ AM quá trình phát – thu phức tạp hơn. Tại máy phát, QT mang tin được xử lí ở bộ điều chế (xem[9]) trở thành sóng phát X FM
(6.5.28)

phổ của QT {X(t)} hay của QT ϕ(t) = ∫ X(α)dα , người ta tính toán phổ và các thống kê của QT X FM . Theo hướng này có một số kết quả quan trọng sau: b.1. Nếu {X(t)} là QT dừng mạnh thì {X FM (t)} là QT dừng theo nghĩa rộng. Đặc biệt, nếu {X(t)} là Gauss dừng thì {X FM (t)} là dừng.

W

W

W

.D AY

trong đó A > 0 là biên độ cực đại, ωo - tần số sóng mang, Θ là BNN độc lập với X(t) và có phân bố đều trên [0; 2π] ; hằng số λ là hệ số điều chế máy phát (transmite’s modulation constant), đơn vị là Rad/s trên Vol nếu X(t) là điện áp. Tần số tức thời của tín hiệu điều chế là ωo + λX(t) . Thực tế, các trạm (đài) phát được thiết kế một tần số trung tâm ωo / 2π là một trong 100 khả năng có thể từ 88,1 đếm 107,9 MHz, cách nhau 200kHz. Qua kênh truyền với độ nhạy kênh G ch tín hiệu bị suy giảm công suất, hơn nữa, nó còn bị tác động thêm vào một nhiễu. Ở máy thu, giống như với trường hợp hệ AM, đầu tiên người ta bố trí bộ lọc thông dải BP. Các khối tiếp theo là bộ chặn, bộ phân biệt và cuối cùng là lọc thông thấp LP để nhận được tín hiệu mong muốn. b) Phân tích. Hướng nghiên cứu thứ nhất là những tìm tòi về mặt lý thuyết những tính chất của tín hiệu điều chế {X FM (t)} . Thông qua thống kê và

KE

M

http://www.ebook.edu.vn

QU

142

ON .

Độ nhạy kênh G ch

UC

OZ
XD + ND LP

MÁY PHÁT

N: Nhiễu trắng Gauss phổ σ2

Bộ chặn

Xi + Ni

Bộ phân biệt

.C OM
Xo + No

6.5.3.Nhiễu trong hệ thông tin điều biên FM a)Mô tả. Sơ đồ khối chức năng của hệ thông tin điều chế tần số (điều biên) FM thể hiện ở Hình 6.21.

KE

.D AY

E[X (t)] Peebles (1976) đã chỉ ra rằng, độ rộng dải băng của X FM đối với trường hợp băng rộng ( λ lớn) được xấp xỉ bởi WFM ≈ 2λ X max
= 2λK cr E[X 2 (t)] = 2∆ω . (6.5.33) (6.4.34)

K cr =

M

X(t) ≤ A o = X max . Hệ số trội (crest-factor) của QT {X(t)} xác định bởi X max
2

QU

Hướng nghiên cứu thứ hai sẽ được chúng ta tìm hiểu chi tiết, đó là tính toán các thống kê và phổ của các QT tín hiệu, các QT nhiễu cũng như hiệu năng của hệ thống ở mỗi giai đoạn truyền trong thực tế. Nói chung {X(t)} không bị chặn. Tuy nhiên, đối với các QT cần truyền trong thực tế, như ở mục 6.5.2 có thể giả thiết không xảy ra hiện tượng quá tải điều chế (overmodulation). Vì thế có thể xem QT {X(t)} là bị chặn:

YN H
.
143

Gauss, λ nhỏ. Chi tiết xem [8] tr 369- 372.

ON .

τo : R X (τ) ≈ R X (0) = PX , ∀τ : τ < τo (5.5.31) thì xảy ra xấp xỉ (6.5.29). Người ta cũng nghiên cứu xấp xỉ của phổ SX FM (ω) trong trường hợp X là

UC

π ⎡ ⎛ ω − ωo ⎞ ⎛ −ω − ωo ⎞ ⎤ fX ⎜ (6.5.29) ⎟ + fX ⎜ ⎟⎥ . ⎢ 2λ ⎣ ⎝ λ ⎠ λ ⎝ ⎠⎦ Đặc biệt, khi {X(t)} là QT Gauss, dừng, quy tâm còn hệ số điều chế máy phát λ đủ lớn sao cho 2 PX λ 2τo ? 1 (6.5.30) trong đó PX = E[X 2 (t)] là công suất của QT mang tin {X(t)} ,

SX FM (ω) ≈

trong đó

W

W

∆ω = λ X max

W

-------

(*)Woodward, P.M. The spectrum of random frequency modulation. Telecommunication research. Great Malvern, England, Memo 666. 1952.

http://www.ebook.edu.vn

OZ

.C OM
(6.5.32)

b.2. (Định lý Woodward(*)). Hơn nữa, nếu {X(t)} là QT có quỹ đạo liên tục, hàm mật độ một chiều f X (x) bị chặn thì với λ lớn, phổ công suất của QT {X FM (t)} được xấp xỉ bởi

.D AY

A2 . (6.5.36) 2 Bộ phân biệt (distriminator) là thiết bị giải điều chế thông thường, nó tạo ra một điện áp tỉ lệ thuận với đạo hàm của tần số tức thời của sóng mang đầu vào tách khỏi giá trị chuẩn ωo của nó (với hằng số tỉ lệ K D ). Một cách lý tưởng, khi không có nhiễu, tín hiệu đầu ra của bộ phân biệt sẽ là X D = K D λ X(t) . Đây là QT thấp tần và dù sao vẫn chứa nhiễu. Người ta phải bố trí lọc thấp tần LP, nó cho phép dạng sóng K D λ X(t) đi qua với độ méo thấp. Muốn vậy, độ rộng dải băng của lọc LP không rộng hơn độ rộng dải băng WX của QT {X(t)} để không cho qua nhiễu đầu vào dư thừa (khi tính toán, ta coi bằng nhau). Tín hiệu đầu ra là X o ≈ X D = K D λ X(t ) với công suất đầu ra
2 PXi = G ch PX FM 2 = G ch

KE

Bây giờ, ta phân tích kỹ sự chuyển hoá của nhiễu. Khi mô hình hoá lọc thông dải BP như một lọc lý tưởng, công suất nhiễu đầu vào bộ phân biệt là

W

2 2 2 So = PXo = E[X o (t)] = K D λ PX .

M

QU

là độ lệch tần số cực đại mà tần số tức thời ωo + λX(t) có thể lệch khỏi ωo (về mỗi phía). Dù rằng rất khó khăn nhưng người ta chứng minh được A2 2 PX FM = E[X FM (t)] = . (6.5.35) 2 Vì thế, công suất tín hiệu đầu vào không phụ thuộc vào tần số mang ωo cũng như hệ số điều chế λ . Giống như khi phân tích với hệ AM, có thể giả thiết tín hiệu không bị méo, cũng không bị trễ khi qua kênh truyền, song lại bị suy giảm công suất và tín hiệu nhận được ở đầu vào máy thu chỉ còn là G ch X FM (t) . Hơn thế, qua kênh truyền, tín hiệu còn bị tác động bởi một nhiễu - giả thiết là trắng Gauss quy tâm với phổ công suất σ2 - tác động cộng thêm vào (vì thế gọi là nhiễu cộng). Để loại bớt ảnh hưởng của nhiễu, thiết bị đầu tiên ở máy thu là bộ lọc thông dải BP với dải băng WFM thế nào đó để cho qua G ch X FM với một chút méo, nhưng dải băng này cũng không quá rộng vì sẽ cho qua nhiều nhiễu hại. Bởi vì dạng sóng thu được qua bộ lọc BP có những bất thường về mặt biên độ, người ta cần bố trí bộ chặn (limiter) để loại đi những bất thường này; máy thu sẽ chỉ đáp ứng với những biến thiên về tần số - mà chứa tin tức - và không đáp ứng với những biến thiên về biên độ gây ra chủ yếu do nhiễu. Để tiện lợi, chúng ta hãy coi “đầu vào’’của máy thu là đầu vào của bộ chặn. Tín hiệu đầu vào là Xi = X R ≈ G ch X FM với công suất đầu vào

YN H
144

ON .

UC

W

PNi

W

o 1 2σ2 ∆ω 2 = . 2 ∫ σ dω = π 2π ω −∆ω o

ω +∆ω

Tỉ số công suất tín - tạp đầu vào là

http://www.ebook.edu.vn

OZ

.C OM
(6.5.37) (6.5.38)

W

.D AY

⎧ ⎫ b N (t) ψ (t) = arctg ⎨ (6.5.41) ⎬ ⎩ G ch A + a N (t) ⎭ Đối với tỷ số tín - tạp đầu vào lớn thì G ch A ? a N (t) và G ch A ? b N (t) với mọi t, vì thế (6.5.41) trở thành ⎤ b N (t) b (t) ⎡ a N (t) . (6.5.42) ψ (t) = arctg N ⎢1⎥≈ G ch A ⎣ G ch A + a N (t) ⎦ G ch A Bây giờ phương trình (6.5.40) được xấp xỉ bởi ⎡ b (t) ⎤ N R (t) ≈ A(t)cos ⎢ωo t + Θ + N ⎥ . (6.5.43) G ch A ⎦ ⎣ Do bộ chặn loại đi A(t) và bộ phân biệt chỉ đáp ứng với độ lệch khỏi ωo của tần số tức thời, nhiễu đầu ra bộ phân biệt là (*) d K D db N (t) . (6.5.44) N D = K D [ωo t + ψ (t)] - ωo ≈ dt G ch A dt Gọi Sb N (ω) là phổ công suất của QT {b N (t)} , theo (6.3.24) thì PN D ⎛ K ⎞ = ⎜ D ⎟ ω2Sb N (ω) . ⎝ G ch A ⎠
2

W

….
(*)Xấp xỉ này có độ chính xác thấp, có thể hiệu chỉnh

W

KE

M

http://www.ebook.edu.vn

QU

YN H
145

tương đối rộng (đã nói trên), công suất tín hiệu và nhiễu có thể tìm ra một cách độc lập. Công suất tín hiệu được tính toán khi giả thiết không có nhiễu (như đã làm ở trên); công suất nhiễu được tính khi giả thiết tin tức là không nhưng vẩn truyền sóng mang. Đối với trường hợp thứ hai, giống như ở (6.5.21), dạng sóng tại “đầu vào” bộ chặn là N R (t) = G ch Acos(ωo t + Θ) + N(t) = G ch A cos(ωo t + Θ) + a N (t) cos(ωo t + Θ) − b N (t) sin (ωo t + Θ) = A(t) cos[ωo t + Θ + ψ (t)] (6.5.40) trong đó 1/2 A(t) = {[G ch A + a N (t)]2 + b 2 N (t)}

ON .

UC

OZ

2 2 ⎛ PX ⎞ πG ch A i = . (6.5.39) ⎜ ⎟ 2 ⎜ PN ⎟ 4 σ ∆ω ⎝ i ⎠FM Tính toán công suất nhiễu đầu ra không dễ dàng như trên bởi vì hệ FM là phi tuyến. Tuy nhiên vấn đề đặt ra tạo nên những bài toán hay nhất trong tính toán hiệu năng hệ thống. Đối với trường hợp PXi / PNi tương đối lớn và dải băng công tác

(

)FM

.C OM

Ví dụ 6.20 . Hệ FM sử dụng sóng mang tin hệ số trội 3 và độ rộng dải băng WX / 2π = 3kHz . Độ rộng dải băng điều chế FM là 2∆ω/2π = 40kHz và tỉ số tín -

W

3 ⎛P ⎞ 6 ⎛ (20 ⋅ 4,1) ⋅ 2π ⎞ = 2⎜ năng sẽ là ⎜ o ⎟ ⎟ ⋅10 = 18176,8 (hay43dB). 3 2 ⋅ π N ⎝ ⎠ 3 ⎝ o ⎠FM Như vậy, khi độ rộng dải băng tăng lên 4,1 lần hiệu năng hệ tăng lên 16,81 lần.

W

W

.D AY

3 ⎛ Po ⎞ 6 ⎛ 20 ⋅ 2π ⎞ = 2⎜ tạp đầu vào máy thu là 41. Theo (6.5.48), ⎜ ⎟ ⎟ ⋅ 41 = 1081,31 ⋅ π 3 2 N ⎝ ⎠ 3 ⎝ o ⎠FM (hay 30,34dB). Nếu bây giờ tăng ∆ω lên 4,1 lần, tỉ số tín - tạp đầu vào máy thu sẽ giảm từ 41 xuống còn 10. Tuy nhiên, độ rộng dải băng điều chế sẽ tăng lên 4,1 lần và hiệu

KE

Từ đó, chúng ta nhận được hiệu năng của hệ 2 2 2 ⎛ PX ⎞ ⎛ So ⎞ 3πG ch A λ PX o = . (6.5.46) = ⎜ ⎟ ⎜ ⎟ 2 3 ⎜ ⎟ N P σ 2 W o N ⎝ ⎠FM ⎝ o ⎠FM X Một dạng thuận lợi của công thức này là 3 ⎛ PX ⎞ ⎛ So ⎞ 6 ⎛ ∆ω ⎞ ⎛ PXi ⎞ o (6.5.47) = 2 ⎜ =⎜ ⎟ ⎟ . ⎜ ⎟ ⎟ ⎜ ⎜ ⎟ ⎜ ⎟ P W P N K ⎝ o ⎠FM ⎝ No ⎠ FM cr ⎝ X ⎠ ⎝ Ni ⎠ FM Nhận xét. Trong công thức (6.5.47), độ rộng dải băng 2∆ω còn có mặt ở ⎛ PX ⎞ mẫu của tỉ số ⎜ i ⎟ . Từ đó, tỉ số tín - tạp thực ra chỉ tỉ lệ với bình phương độ ⎜ PN ⎟ ⎝ i ⎠FM rộng dải băng FM . Khi tăng hệ số điều chế máy phát λ , hiệu ứng hệ tăng lên nhanh chóng. Rất tiếc, lại có một ngưỡng cho thủ tục này, đó là khi điều kiện mà phương trình hiệu ứng không còn phù hợp nữa. Điểm ngưỡng xảy ra tại nơi mà PXi / PNi rơi xuống dưới 10 (hay 10dB).

M

http://www.ebook.edu.vn

QU

YN H
146

ON .

UC

N o = PNo

1 = 2π

2 3 ⎛ KD ⎞ 2 2 2K 2 D σ Wx . (6.5.45) = 2 d ω σ ω ⎟ ∫ ⎜ 2 2 G ch A ⎠ 3πG ch A ⎝ − WX

WX

2

OZ

. QT N D là thấp tần với độ rộng dải băng bằng độ rộng dải băng WX / 2 của lọc BP. Thực ra, qua bộ phân biệt, ngoài nhiễu N D còn xuất hiện nhiễu mới tạo nên do chính bộ phân biệt, những nhiễu này có thể có dải băng rộng hơn nhiều. Vì thế, người ta phải bố trí một lọc thấp tần BP cho phép X D = K DλX(t) qua và loại đi những nhiễu thừa này; độ rộng dải băng nên chọn là WX . Để đơn giản, chúng ta vẫn kí hiệu công suất nhiễu đầu ra là N o , tính bởi

.C OM

.D AY

§6.6. LỌC PHỐI HỢP (Matched filter) Vấn đề trung tâm của ứng dụng QTNN là ước lượng tín hiệu khi có mặt nhiễu. Hơn nửa thế kỷ qua, bài toán này được phát triển và có nhiều ứng dụng quan trọng (xem [14] chương 14, [ 9 ] chương 8-9). Sau đây chúng ta sẽ thảo luận trường hợp có lời giải đơn giản. 6.6.1. Trường hợp tổng quát a)Giới thiệu. Xét hệ truyền tin, ở đó người ta phát tín hiệu g(t) - gọi là tín hiệu có ích - trong khoảng thời gian T. Tín hiệu x(t) thu được ở máy thu sẽ gồm tín hiệu có ích thu nhận được f (t) = Cg(t − t o ) , trong đó t o đặc trưng cho khoảng cách máy phát – máy thu, hằng số C là độ nhạy kênh, thể hiện sự hao hụt công suất qua môi trường truyền, và bao giờ cũng có mặt nhiễu n(t): x(t) = f(t) + n(t) . (6.6.1) Tất nhiên, nếu không phát tín hiệu, máy thu chỉ nhận được nhiễu x(t) = n(t) . (6.6.2) Tình huống trên xảy ra với hệ truyền tin kỹ thuật số, ra đa, ra đa nước (sonar), hệ đo độ cao vô tuyến, máy dò tầng điện ly ( ionospheric sounders), điện thoại di động, bộ ghi – phát âm và nhiều kỹ thuật khác. Chẳng hạn, đối với một đài ra đa, người ta phát đi tín hiệu g(t) trong khoảng thời gian T. Khi tới mục tiêu xác định nào đó nó phản xạ về tín hiệu f (t) = Cg(t − 2t o ) và luôn có mặt nhiễu n(t). Như vậy, tín hiệu thu được của đài ra đa có dạng (6.6.1) khi có mặt mục tiêu và (6.6.2) khi không có mặt mục tiêu. Cũng vậy, với hệ truyền tin kỹ thuật số, sự có mặt của tín hiệu ứng với việc truyền số “1”; trái lại, sự vắng mặt của tín hiệu ứng với việc truyền số “0” và như đã nói, nhiễu luôn có mặt. b) Nguyên lý lọc phối hợp. Mô hình hoá tình huống trên, chúng ta coi {x(t)} là hàm mẫu của QTNN đầu vào {X(t)}, f(t) là tín hiệu (hàm số thực hoặc phức) tất định có dạng đã biết biến đổi Fourier được với biến đổi Fourier F(ω) , còn n(t) là hàm mẫu của nhiễu {N(t)} mà là QTNN dừng, quy tâm với phổ công suất S(ω) đã biết: X(t) = f (t) + N(t) . (6.6.3) Đặt {X(t)} lên đầu vào của hệ LTI với đáp ứng xung h(t) và hàm truyền tương ứng H(ω) , QT đầu ra Y(t) = X(t) ∗ h(t) sẽ là tổng

KE

Y(t) =

M

−∞

∫ X(t − s)h(s)ds = Yf (t) + YN (t) ,
∞ −∞ ∞

QU

YN H

ON .
∞ −∞

UC
j ωt

trong đó

W

Yf (t) = YN (t) =

W

1 f (t − s)h(s)ds = 2π N(t − s)h(s)ds .

∫ F(ω)H(ω)e

W

−∞

http://www.ebook.edu.vn

147

OZ
dω;

.C OM
(6.6.4)

1 2 PYN = E[YN (t)]= 2π
2

−∞

∫ S(ω) H(ω)

2

dω .

Nếu ta lấy mẫu QT đầu ra tại thời điểm t o nào đó, tín hiệu có ích lấy mẫu
2 (t o )] . Đại lượng nhưng lại tính được công suất trung bình của nó PYN = E[YN

KE

(6.6.6) 2 E[YN (t o )] chính là tỷ số công suất tín hiệu (có ích) đầu ra đối với công suất nhiễu trung bình đầu ra (tại t o ), nó thể hiện hiệu năng của hệ. Định nghĩa. Tỷ số r xác định theo (6.6.6) được gọi là tỉ số tín - tạp. Bộ lọc làm cực đại tỷ số tín - tạp được gọi là lọc phối hợp. Nhận xét . Bài toán quan trọng đặt ra là: Trên cơ sở của tín hiệu thu nhận được x(t), quyết định xem có mặt tín hiệu có ích f(t) trong tín hiệu thu nhận được hay không (chính là, máy phát có phát đi tín hiệu hay không)? Có thể chứng minh được: Quyết định về việc có mặt hay không tín hiệu (có ích) trong khoảng thời gian T sẽ có xác suất sai lầm nhỏ nhất nếu quyết định dựa vào mẫu lấy tại thời điểm t 0 , ở đó tỉ số tín - tạp cực đại(*). Rõ ràng là ngoài bài toán đã nêu, trong từng trường hợp cụ thể lạị nảy sinh những bài toán chuyên biệt khác, ví như với ra đa thì còn có vấn đề khoảng cách đến mục tiêu, độ cao của mục tiêu… 6.6.2. Lọc phối hợp cho nhiễu màu. Giả sử nhiễu đầu vào là nhiễu màu với phổ công suất S(ω) nói chung không là hằng số. Theo bất đẳng thức Schwarz thì

r=

M

QU

YN H

ON .
F(ω)e dω S(ω)
2 jωt o

.D AY

r=

Yf (t o )

2

2 E[YN (t o )]

=

1 2π

∞ −∞

S(ω)H(ω) 1 2π

W

W

Với xác suất sai lầm loại I không vượt quá α cố định, quyết định này mắc xác suất sai lầm loại II β(t ∗ , C) nào đó, phụ thuộc vào ngưỡng C và t ∗ - thời điểm lấy mẫu. Với một số giả thiết, có thể chọn được C để xác suất sai lầm loại II nhỏ nhất: β(t ∗ ) = min β(t ∗ , C) . Lấy t 0 : β(t 0 ) = min β(t) .
C∈¡ + t∈¡ +

W

−∞ ----------------------------------(*) Giả sử X(t ∗ ) là giá trị mẫu đầu ra lấy tại thời điêm t ∗ . Xét các quyết định dạng:
+ Nếu X(t ∗ ) < C : Quyết định không có tín hiệu phát trong [0;T] ,
+ Nếu X(t ∗ ) ≥ C : Quyết định có tín hiệu phát trong [0;T] .

∫ S(ω) H(ω)

http://www.ebook.edu.vn

148

UC
2

Yf (t o )

2

OZ

Yf (t o ) là tất định với công suất Yf (t o ) . Ta không biết nhiễu lấy mẫu YN (t o )

.C OM
(6.6.5)

Theo (6.3.7), (6.3.12) ta được E[YN (t)]= 0; E[Y(t)] = Yf (t) ;

1 ≤ 2π

−∞

−∞ 2

−∞

∫ S(ω) H(ω)

1 = 2π

∞ −∞

F(ω) dω . (6.6.7) S(ω)

2

Giá trị cực đại đạt được khi và chỉ khi

OZ

⎛ F(ω)e jωt o S(ω)H(ω) = C ⎜ ⎜ S(ω) ⎝

với K là hằng tuỳ ý. Khi đó, r nhận giá trị cực đại là

KE

H opt (ω) = K F∗ (ω)e− jωt o

M

e − jωt o . Thừa số này chỉ biểu hiện độ trễ tối ưu. Thường thì nhà thiết kế cần lựa chọn sao cho hệ tối ưu là nhân quả, tức là khả thi về mặt vật lý. 6.6.3.Lọc phối hợp cho nhiễu trắng. Khi nhiễu đầu vào là trắng, S(ω) = σ2 , hàm truyền lọc ở (6.6.8) trở thành

QU

YN H

F∗ (ω)e − jωt o (6.6.8) H opt (ω) = C S(ω) với C là hằng số tuỳ ý. Nhận thấy rằng, hàm truyền của lọc phối hợp tỷ lệ với liên hợp phức của phố tín hiệu đầu vào, vì thế hệ có tên là lọc phối hợp (hay lọc phù hợp?), tức là nó phụ thuộc vào (phù hợp với) tín hiệu đầu vào. Hàm truyền đó cũng tỷ lệ nghịch với phổ của nhiễu đầu vào. Trong biểu thức (6.6.8) còn có mặt hằng số tỉ lệ C tuỳ ý. Hiện tượng này cho phép hệ tối ưu có độ khuyếch đại tuỳ ý. Dù sao chúng ta cũng cảm nhận được điều này, vì cả tín hiệu (có ích) đầu vào lẫn nhiễu đầu vào đều bị tác động về mặt khuyếch đại giống nhau; tỉ số r ở (6.6.6) đã triệt tiêu độ khuyếch đại. Thời điểm t o tham gia vào hàm truyền của lọc tối ưu thông qua thừa số

ON .

UC

.D AY

σ2 −∞ trong đó E f là năng lượng của tín hiệu f(t), tính bởi

rMax

1 = So

H(ω) dω =

2

Ef

W

1 Ef = 2π

−∞

∫ F ( ω)

2

dω =

−∞

2 ∫ f ( t ) dt

W

W

Biến đổi Fourie ngược ta được h opt (t) = ℱ −1 (H opt (ω)) = K f ∗ (t o − t) .

Trong trường hợp tín hiệu thực h opt (t) = K f (t o − t).

http://www.ebook.edu.vn

149

.C OM
⎞ ⎟ ⎟ ⎠

∫ S(ω) H(ω)

2

F(ω) dω S(ω)

2

hay

(6.6.9)

(6.6.10)

(6.6.11) (6.6.12)

KE

Nói chung, hệ xác định bởi (6.6.8) là bất khả thi. Trong một số trường hợp của nhiễu (trắng hoặc màu) người ta tìm được lọc tối ưu khả thi. Trường hợp ngược lại, người ta xấp xỉ lọc (6.6.8) bằng bộ lọc khả thi với hàm truyền dạng (6.6.13) H(ω) = a o + a1e − jωT + ... + a m e − jωmT (xem [14] tr 386). Người ta mong muốn tín hiệu phát thoả mãn các yêu cầu sau: + Dễ hiện thực hoá tín hiệu đó trong thực tế; + Lọc thích nghi khả thi, có thể thiết kế đơn giản; + Với cùng tỉ số tín - tạp đầu vào, tỉ số tín - tạp đầu ra của lọc tối ưu cao… Thực tế không có tín hiệu nào thoả mãn tất cả các đòi hỏi này, và do đó rất nhiều loại tín hiệu khác nhau đã được sử dụng. Ví dụ 6.22. Giả sử tín hiệu f(t) là xung chữ nhật với đáy [ − τo ; τ − τo ] (τ > τo ) và biên độ A như ở Hình 6.22(a), còn nhiễu đầu vào là trắng. Theo (6.6.12), đồ thị đáp ứng xung h(t) của lọc phối hợp thích nghi thể hiện ở Hình 6.22(b). Hàm truyền của hệ này là ⎛ ωτ ⎞ H(ω) = ℱ (h (t)) = K A τ Sa ⎜ ⎟ e − jω(t o +τo −τ / 2) . ⎝ 2 ⎠ (Cũng có thể nhận được H(ω) bằng cách sử dụng (6.6.9)). Để lọc tối ưu là khả thi (nhân quả) thì h(t) = 0, ∀ t < 0 . Điều này xảy ra khi và chỉ khi t o ≥ τ − τo . Nếu điều này thoả mãn, chúng ta có khả năng xây dựng bộ lọc như ở Hình 6.22(c), ở đó cần phải hoàn thiện bộ tích phân; song không thể làm được như vậy. Tuy nhiên, một xấp xỉ rất tốt là dùng những bộ khuyếch đại hoàn hảo dựa vào nguyên lý xử lý tín hiệu ngược (xem [9], trang 303). Tóm lại, trong thực tế ứng dụng, có thể xây dựng được lọc phối hợp cho tín hiệu xung chữ nhật.

M

QU

YN H

.D AY

f(t)

(a)

ON .
h(t) KA

UC
to

A

−τo

to

τ − τo

t

t o + τo − τ Bộ tích phân ∫ gdt

OZ
(b)
t o + τo Đầu ra

W

Đầu vào Giữ chậm τ

W

W

(c)

Hình 6.22. Bộ lọc phối hợp: a) Tín hiệu đầu vào, b) Đáp ứng xung c)Sơ đồ.

http://www.ebook.edu.vn

150

.C OM
t

to t − (t − o )] nên chỉ việc lấy đối xứng đồ thị 2 2 hàm số y = Kf (t) qua đường thẳng t = t o / 2 ta nhận được đồ thị của y = h opt (t ) .

Nhận xét. Bởi vì f (t o − t) = f[

o

$ )]2 E[ε 2 (t o )] = E[S(t o ) − S(t o

YN H

mãn các điều kiện: $ ) là bình phương khả tích; i) BNN S(t o $ ) thì ii) Đặt ε(t ) = S(t ) − S(t
o o o

ON .

$ ) là ℱ là hàm của các giá trị X(t), t ∈ [a; b] , sao cho S(t - đo được (*) và thoả o [a ; b]

UC

của quá trình {X(t)} trong đoạn thời gian [a; b] ⊂ I , trong đó a, b có thể là hữu $ ) của QT {S(t)} tại t ∈ I dưới dạng hạn hoặc vô hạn. Hãy tìm ước lượng S(t o o $ ) = f{X(t)|t ∈ [a; b]} S(t (6.7.1)

đạt giá trị nhỏ nhất. $ ) là ℱ -đo được nên dễ dàng chứng minh kết qủa sau đây (xem Vì S(t o [a ; b] [14], tr 298). Định lý 6.19. BNN bình phương khả tích dạng (6.7.1) làm cực tiểu sai số (6.7.2) xác định duy nhất với xác suất 1 và cho bởi kỳ vọng điều kiện $ ) = E{S(t ) |ℱ S(t }. (6.7.3) o o [a ; b]

W

Nhận xét. Ước lượng (6.7.3) là phi tuyến (toán tử phi tuyến của các quỹ đạo của QT { X(t), t ∈ [a; b] }). Một vài kết quả nhỏ khác về ước lượng phi tuyến xấp xỉ được trình bày ở [14] trang 301. Ước lượng phi tuyến rất khó thực hiện trong thực tế. Vả lại, có thể chứng minh được rằng, nếu QT {X(t), t ∈ I} là Gauss thì ước lượng phi tuyến tối ưu (6.7.3) trùng với ước lượng tuyến tính tối ưu đưa ra ở phần b) dưới. Chíng vì thế, sau đây chúng ta sẽ không xét ước lượng phi tuyến dạng (6.7.3) mà chỉ để ý đến bài toán ước lượng tuyến tính. ( ☼) b) Ước lượng tuyến tính tối ưu. Cho hai QTNN thực {X(t), t ∈ I} và {S(t), t ∈ I} . Xét các ước lượng tuyến tính của QT {S(t)} tại t o dạng ----------hiểu là BNN đo được với σ - đại số ℱ [a;b] = σ{X(t), t ∈ [a;b]} sinh bởi các BNN X(t), t ∈ [a;b] . Bạn đọc chỉ quan tâm đến ứng dụng có thể bỏ qua khái niệm đo được.

W

W

(*)

.D AY

Nêu I hữu hạn, đây là hàm Borel của các đối số. Nếu I vô hạn, f{X(t)|t ∈ [a;b]} được

KE

M

http://www.ebook.edu.vn

QU

151

OZ

§6.7. ƯỚC LƯỢNG TUYẾN TÍNH TỐI ƯU 6.7.1. Đặt bài toán. Khởi đầu, bài toán ước lượng tuyến tính tối ưu do Kolmogorov đặt ra vào năm 1930 đối với dãy, Wiener đặt ra và giải quyết vào năm 1940 cho trường hợp liên tục. Sau này, bài toán được tổng quát dưới dạng sau đây. a)Bài toán ước lượng bình phương tối thiểu tổng quát(☼). Cho hai QTNN thực {X(t), t ∈ I} và {S(t), t ∈ I} . Giả sử chúng ta có quan sát

.C OM
(6.7.2)

a

$ )]2 = E[S(t ) − k(s)X(s)ds]2 . E[ε (t o )] = E[S(t o ) − S(t 0 o ∫
2 a

b

dãy các BNN dạng

$ ) là phần tử của không gian ∑ ci X(si ), si ∈ [a, b] . Từ đó, S(t 0

n

Hilbert H(X,[a; b]) các BNN bình phương khả tích sinh bởi X(t), t ∈ [a; b] . Theo $ ) là hình chiếu của S(t ) lên H(X,[a; b]) . lý thuyết của không gian Hilbert, S(t
o o

R SX (t o , t) = ∫ k(s)R X (s, t) ds .

M

QU

b ⎡⎛ ⎤ ⎞ E ⎢⎜ S(t o ) − ∫ k(s)X(s)ds) ⎟ X(t) ⎥ = 0, ∀t ∈ [ a;b ] , ⎟ ⎢⎜ ⎥ a ⎝ ⎠ ⎣ ⎦ hoặc tương đương, k(s) là nghiệm của phương trình b a

YN H

Đó là nội dung của nguyên lý trực giao sau đây. Định lý 6.20.(Nguyên lý trực giao). Sai số bình phương trung bình E[ε 2 (t o )] của ước lượng dạng tích phân (6.7.4) của QT {S(t)} tại thời điểm t o đạt giá trị nhỏ nhất khi và chỉ khi các BNN X(t), t ∈ [a; b] trực giao với sai số ε(t o ) , nói khác

ON .

i =1

UC

Nhận xét rằng tích phân (6.7.4) là giới hạn theo bình phương trung bình của

.D AY

Chúng ta sẽ sử dụng các thuật ngữ sau đây. Nếu trong biểu thức (6.7.4), t o là $ ) của S(t ) là ước lượng là điểm trong của khoảng (a; b) thì ta gọi ước lượng S(t o o trơn (gọi tắt: là trơn) (smoothing estimator). $ ) được gọi là lọc (filtering estimater). Nếu t o = b thì S(t o $ ) được gọi là một dự báo (predictor). Nếu t ∉ [a;b] , X(t) = S(t) thì S(t
o o

W

$ ) là dự báo trước, t < a thì S(t $ ) là dự báo ngược. Ngoài ra, nếu t o > b thì S(t o o o $ ) là lọc và dự báo. Trường hợp X(t) ≠ S(t) thì S(t
o

W

Phương trình (6.7.8) là phương trình tích phân Fredhom loại II với nhân Hermit. Nói chung, người ta phải giải nó theo phương pháp số. Sau đây chúng ta xét một số trường hợp đặc biệt có thể tìm được lời giải tường minh.

W

KE

http://www.ebook.edu.vn

152

OZ

Hàm số k(s) thế nào đó để tích phân hội tụ theo bình phương trung bình. Đặt $ ) ε(t o ) = S(t o ) − S(t (6.7.5) o là sai số của ước lượng. Hãy tìm BNN dạng (6.7.4) - chính là tìm hàm k(t) - làm cực tiểu sai số bình phương trung bình (6.7.6)

.C OM
(6.7.7) (6.7.8)

$ ) = k(s)X(s)ds . S(t ∫ o

b

(6.7.4)

o

−∞

Sai số của ước lượng là $ ). ε(t o ) = S(t o ) − S(t o Sai số bình phương trung bình của ước lượng là

YN H

$ )= S(t o

∫ h(s)X(t o − s)ds = ∫ h(t o − s)X(s)ds .
−∞

ON .
o o
∞ ∞ −∞ o 0

6.7.2.Bài toán là trơn - Lọc Wiener bất khả thi. Bây giờ chúng ta xét ước lượng tuyến tính (6.7.4) cho trường hợp (a;b) = I = ¡ , QT {X(t)} là tổng của QT mang tin {S(t)} và nhiễu {N(t)}, hàm k(t) có dạng h(t o − t) (ước lượng là đầu ra của hệ LTI tại t o với đầu vào X(t)). Vì t o ∈ I (= ¡ ) nên đây là bài toán là trơn. Mặt khác, ước lượng lại là đầu ra của hệ LTI nên đây cũng được gọi là lọc. Vì tầm quan trọng đặc biệt, chúng ta phát biểu lại bài toán này đầy đủ như sau. Giả sử tín hiệu s(t) là ngẫu nhiên, vì thế nó được mô hình hoá là hàm mẫu của QTNN {S(t), t ∈ I} . Cùng với tín hiệu còn có nhiễu cộng tính n(t), được coi là hàm mẫu của QTNN {S(t), t ∈ I} quy tâm. Hơn thế, giả sử rằng {X(t)},{N(t)} là hai QT dừng đồng thời. Tổng của tín hiệu và nhiễu X (t) = S(t) + N(t) tác động lên đầu vào hệ LTI với đáp ứng xung h(t) và hàm truyền H(ω) tương ứng; quá trình đầu ra ký hiệu là {Y(t)}. Giả sử tại t o bất kỳ trong I ta dùng Y(t o ) làm ước lượng $ ) - xác định bởi (xấp xỉ) cho S(t ) - vì thế người ta hay ký hiệu Y(t ) bởi S(t

UC
o

$ )]2 = E[S(t ) − E[ε (t o )] = E[S(t o ) − S(t 0 o
2

QU

∫ h(s)X(t o − s)ds]

o

KE

Hãy lựa chọn lọc h(t) ( H(ω) ) để sai số bình phương trung bình nhỏ nhất. Theo nguyên lý trực giao, lọc h(t) là tối ưu khi và chỉ khi $ ))X(t)] = 0 ∀t ∈ ¡ . E[(S(t o ) − S(t 0 $ ))X(t − τ)] = 0 hay Đặt t = t − τ , điều này tương đương với E[(S(t ) − S(t

.D AY

R SX (τ) =

M

−∞

∫ h(s) R X (τ − s)ds .

W

Giải phương trình tích phân này khá dễ nếu ta dùng phép biến đổi Fourier. Lưu ý rằng vế phải là tích chập h(τ) ∗ R X (τ) , lấy biến đổi Fourier hai vế thì SSX (ω) = H(ω)SX (ω) . Từ đó S (ω) H opt (ω) = SX . (6.7.13) SX (ω) Rõ ràng, lọc tối ưu không phụ thuộc vào thời điểm lấy mẫu t o . Nói chung đây không là lọc khả thi. Ta đưa ra định nghĩa

W

W

http://www.ebook.edu.vn

153

OZ
2

.C OM
(6.7.9) (6.7.10) . (6.7.11) (6.7.12)

E[ε (t o )] = E[S(t o ) −

2

−∞

∫ h(s)X(t o − s)ds]

2

= R S (0) −

−∞

∫ h(s)R SX (s)ds

W

thời E[ε 2 (t o )] = 0 . Ví dụ 6.23. Tìm lọc Wiener bất khả thi và sai số bình phương trung bình biết A , SN (ω) = σ 2 , SSN (ω) = 0. rằng SS (ω) = 2 2 α +ω Giải. ∞ 1 R SN (τ) = SSN (ω) e jωτ dω = 0 ⇒ E[S(t + τ)N(t)] = R SN (τ) = 0 ∀t, τ ∈ ¡ . ∫ 2π −∞ Vậy {S(t) } và nhiễu quy tâm {N(t)} là trực giao. Theo (6.7.15) thì A A = ; H opt (ω) = A A 2 2 2 2 2 ⎡ 2⎤ (α + ω ) ⎢ 2 + σ ⎥ σ [( 2 + α ) + ω ] 2 σ ⎣α + ω ⎦ A −B t e ; h opt (t) = ℱ −1[ H(ω) ] = 2Bσ 2 A σ2 ∞ ∞ 2 2 1 A 1 A A 2 α + ω ⎤= E⎡ (t ) d d ε ω = ω = o ∫ ∫ 2 2 ⎣ ⎦ 2π A 2B 2π −∞ B + ω 2B −∞ + σ2 2 2 α +ω

W

với

W

.D AY

B = α 2 + (A / σ 2 ) .

KE

M

http://www.ebook.edu.vn

QU

YN H
154

∞ SS (ω) SN (ω) 1 E[ε (t o )] = dω . (6.7.15) ∫ 2π −∞ SS (ω) + SN (ω) Đặc biệt, nếu phổ công suất SS (ω) và SN (ω) có giá không giao nhau thì H opt (ω) = 1 trên dải băng của tín hiệu và H opt (ω) = 0 trên dải băng nhiễu. Đồng 2

ON .

1 = [SS (ω) − H∗ (ω)SSX (ω)]dω (6.7.14) ∫ 2π −∞ không phụ thuộc t o . Nếu tín hiệu và nhiễu là không tương quan ( ⇔ trực giao, vì E[N(t)] = 0) thì SSX (ω) = SS (ω); SX (ω) = SS (ω) + SN (ω) . Từ đó ta nhận được Hệ quả. Nếu tín hiệu {S(t)} và nhiễu quy tâm {N(t)} là trực giao thì lọc Wiener và sai số bình phương trung bình cho bởi biểu thức SS (ω) H opt (ω) = ; SS (ω) + SN (ω)

UC

OZ

.C OM

Định nghĩa. Lọc với hàm truyền (6.7.13) được gọi là lọc Wiener bất khả thi. Sai số bình phương trung bình số của ước lượng ứng với lọc này là cực tiểu và dễ thấy được tính bởi

các ước lượng của QT {S(t)} tại t o dạng
$ )= S(t o
to

−∞

∫ h(t o − s)X(s)ds .

YN H
t0 −∞ to −∞

ON .

6.7.3. Lọc Wiener khả thi. a)Trường hợp tổng quát. Nếu ta có quan sát đầy đủ về QT (quá khứ, hiện tại, tương lai), lọc Wiener khả thi cho ta xấp xỉ tốt về giá trị hiện tại của QT đã cho. Đó là lời giải tối ưu để giải bài toán là trơn khi có đầy đủ quan sát. Trong một số ít trường hợp, lọc Wiener (6.7.9) là khả thi. Trái lại, khi lọc tối ưu không khả thi, người ta tìm cách xấp xỉ nó bởi lọc khả thi. Dù sao, lọc tối ưu cho ta mức “lý tưởng” về sai số mà lọc xấp xỉ khả thi cần hướng tới. Khi không có đầy đủ quan sát - chính xác hơn - khi ta chỉ có các quan sát quá khứ và hiện tại về quá trình, chúng ta chỉ có thể sử dụng lọc khả thi. Vậy, một hướng nghiên cứu khác là chỉ xét các lọc khả thi, tìm lọc “tốt nhất” trong các lọc như vậy. Tất nhiên, nếu đặt N(t) = X(t) − S(t) thì luôn có thể coi N(t) là nhiễu và {X(t)} là tổng của tín hiệu và nhiễu: X(t) = S(t) + N(t) . Tuy nhiên xét trường hợp tổng quát, không nhất thiết {S(t)} và {N(t)} là không tương quan. Kết quả chính theo hướng này là định lý sau đây. Định lý 6.21. Giả sử {X(t)} , {S(t)} là hai QT dừng đồng thời, quy tâm. Xét

UC
2

$ ) , sai số bình phương trung bình tương ứng là Với sai số ε(t o ) = S(t o ) − S(t o

KE

R SX (τ) =

M

Khi đó, lọc tuyến tính khả thi dạng (6.7.16) làm cực tiểu sai số bình phương trung bình (6.7.17) thoả mãn phương trình
−∞

QU

$ )]2 = E[S(t ) − E[ε (t o )] = E[S(t o ) − S(t 0 o
2

∫ h(t 0 − s)X(s)ds]

∫ h(τ − s)R X (s)ds . ∫ h(t o − s)R SX (t o − s)ds .

τ

Sai số bình phương trung bình ứng với lọc này là

Chứng minh. Chỉ việc áp dụng Định lý 6.20 cho trường hợp (a; b) = ( −∞; t o ), k(t) = h(t o − t) . Thực vậy, ước lượng (6.7.4) bây giờ có dạng

.D AY

E[ε (t o )] = R S (0) −

2

W

$ )= S(t o

to

−∞

∫ h(t o − s)X(s)ds
to

W

chính là ước lượng (6.7.16). Phương trình (6.7.8) trở thành R SX (t o , t) =

W

−∞

∫ h(t o − s)R X (s, t)ds .
155

http://www.ebook.edu.vn

OZ
.

.C OM
(6.7.16) (6.7.17) (6.7.18) (6.7.19)

R SX (τ,0) =

−∞

∫ h(τ − s)R X (s,0)ds

τ

−∞

−∞

= E[S2 (t o )] −

to

−∞

∫ h(t o − s)E[S(t o )X(s)]ds] − 0 .

−∞

.D AY

ii) Nếu QT {S(t)} không quy tâm thì dùng phép quy tâm hoá bằng cách xét À Á Â = X(t) − µ (t) , ta có thể áp dụng Định lý 6.21 cho QT S(t) = S(t) − µS (t), X(t) X các QT quy tâm này. Kết quả dễ dàng chuyển về QT xuất phát. Ví dụ 6.23. Trường hợp đầu vào là nhiễu trắng. Giả sử đầu vào {X(t) } là nhiễu trắng với hàm tự tương quan R X (τ) = δ(τ) . Theo (6.7.18) thì R SX (τ) =

KE

−∞

∫ h(τ − s)δ(s)ds = h(τ),

τ

M

R S ( τ) =

∫ h(τ − s)[R S (s) + R N (s)]ds .

τ

QU

SX (ω) = ℱ [R S ( τ)] + ℱ [R N (τ)] = SS (ω) + SN (ω) phương trình (6.7.17) trở thành

YN H
156

Như vậy, (6.7.19) được chứng minh. Nhận xét. i)Nếu đầu vào là tổng của QT tín hiệu {S(t)} với nhiễu {N(t)}, tín hiệu và nhiễu không tương quan thì R SN (τ) = 0 ; R SX ( τ) = R S ( τ); R X (τ) = R S (τ) + R N (τ) ; (6.7.20) (6.7.21)

τ ≥ 0.

W

∞ τ≥0 ⎧R SX ( τ) V ậy H(ω) = ∫ R SX (τ)e − jωτdτ . h(τ) = ⎨ ; τ<0 ⎩0 0 b) Lọc Wiener khả thi hai bước. Nói chung, việc xác định lọc khả thi tối ưu thông qua phương trình (6.7.18) là khó khăn. Một hướng khắc phục tình trạng này là xây dựng lọc tối ưu qua hai bước: Đầu tiên là tẩy trắng tín hiệu, sau đó tìm lọc cho nhiễu trắng theo sơ đồ ở Hình 6.23.

W

W

http://www.ebook.edu.vn

ON .

= E[S(t o )[S(t o ) −

to

∫ h(t o − s)X(s)ds] − ∫ h(t o − s)E[X(s)ε(t o )]ds

to

UC

chính là phương trình (6.7.18). Theo nguyên lý trực giao, sai số (6.7.6) tính bởi to ⎧ ⎫ ⎤ ⎪⎡ ⎪ 2 E[ε (t o )] = E ⎨ ⎢S(t o ) − ∫ h(t o − s)X(s)ds ⎥ ε(t o ) ⎬ ⎥ ⎪ ⎪ −∞ ⎣ ⎦ ⎩⎢ ⎭ t ⎧ ⎫ ⎤ ⎪⎡ o ⎪ = E[S(t o )ε(t o )] − E ⎨ ⎢ ∫ h(t o − s)X(s)ds ⎥ ε(t o ) ⎬ ⎥ ⎪⎢ ⎪ ⎣ −∞ ⎦ ⎩ ⎭

OZ

.C OM

Chọn t o = τ, t = 0 ta nhận được phương trình

Tôi đã đưa vào sách ĐL 9.5 trong [12]về hàm truyền của lọc khả thi tối ưu(ĐL không được CM). Song khi dùng ĐL đó để giải BT 12. ở [14] thì 3 ngày không ra, vần không khớp, giải cách khác thì được. Thì ra, ĐL đó sai.

1 = SW (ω) = SX (ω) H1 (ω) . Ta hãy viết SX (ω) dưới dạng
2

2

UC

Hình 6.23. Lọc tối ưu khả thi 2 bước. Đầu tiên phải xây dựng lọc H1 (ω) để chuyển tín hiệu đầu vào X(t) thành nhiễu trắng W(t) (vì thế, lọc có tên là tẩy trắng) với cường độ 1. Sau đó lọc H 2 (ω) được xây dựng theo Ví dụ 6.24 để ước lượng S(t) từ nhiễu trắng W(t). Lọc tối ưu cần tìm là tích H1 (ω) H 2 (ω) . Từ (6.3.11) ta có

SX (ω) = A X (ω) = A X (ω)A∗ (ω) . X Bây giờ chỉ việc chọn H1 (ω) =

.D AY

1 . A (ω) Tóm tắt: Thuật toán tách phổ (đểtìm lọc khả thi tối ưu hai bước). SSW (ω) = SSX (ω) (H1 (ω))∗ = SSX (ω)
2

KE

1 là khả thi. A X (ω) Giống như công thức (6.3.10), ta có

M

thì có thể phân tích SX (ω) = A X (ω) = A X (ω)A∗ (ω) sao cho cả hai lọc A X (ω) X

QU

1 , A X (ω) biểu thức (6.7.21) sẽ thoả mãn và W(t) sẽ là nhiễu trắng. Tuy nhiên nảy sinh vấn đề là phải chăng lọc này khả thi? Như đã nhắc đến ở [12] trang 496: Nếu thoả mãn điều kiện Palay – Wiener (1934) ∞ logSX (ω) ∫ 1 + ω2 dω < ∞ −∞

YN H
2

ON .

(ω) ; Đặt H1 (ω) = 1.Tách SX (ω) : SX (ω) = A X (ω) = A X (ω)A∗ X

W

2.Tính

SSW (ω) = SSX (ω)
∞ 0

1 ; thu được A∗ (ω)

R SW ( τ) = ℱ -1[SSW (ω)] .

W

3. Tính 4. Đặt

H 2 (ω) = ∫ R SW (τ)e − jωτdτ. H(ω) = H1 (ω)H 2 (ω) .
157

W

http://www.ebook.edu.vn

OZ

1 . A X (ω)

.C OM
(6.7.22)

X(t)

Tẩy trắng h1 (t) (H1 (ω))

Nhiễu trắng W(t)

h 2 (t) (H 2 (ω))

$ S(t)

Từ đó dễ tìm ra H opt (ω) = H1 (ω)H 2 (ω) và h opt (t) .

W

W

W

.D AY

c) Các nghiên cứu khác. Người ta cũng nghiên cứu các bài toán là trơn, lọc, dự báo cho các trường hợp sau (xem thêm ở [14] tr. 486 – 515): • Bài toán dự báo. Đó là khi X(t) = S(t) (không có nhiễu), S(t) được quan sát trên I thuộc vào một trong 3 dạng (−∞; t), (t − T; t) hoặc (0; t). Hãy tìm ước lượng bình phương cực tiểu dưới dạng lọc khả thi cho giá trị tương lai S(t + λ ) với λ ≥ 0 của QT {S(t)} rời rạc hoặc liên tục. Bài toán lọc và dự báo. {X(t)} tổng quát, được quan sát trên • (−∞ :t ) . Tìm ước lượng bình phương cực tiểu dạng lọc khả thi cho giá trị tương lai S(t + λ ) với λ ≥ 0 của QT {S(t)}. • Lọc Kalman. Tìm lọc tối ưu cho dãy số liệu ARMA…

KE

M

http://www.ebook.edu.vn

QU

YN H
158

16 1 − jω 2 2 . = + 2 1 + ω 5 − 3jω 1 + jω (5 / 3) − jω Từ Bảng B-2 ở Phụ lục nhận được 2 2 R SW ( τ) = ℱ -1[ ]+ ℱ -1[ ] = 2e −τ u(τ) + 2e(5 / 3) τ u(−τ) . 1+jω (5/3) − jω Lưu ý rằng số hạng thứ nhất bằng 0 khi τ âm, số hạng thứ hai bằng 0 khi τ dương, từ đó ∞ 2 2 H 2 (ω) = ∫ (2e −τ u( τ))e − jωτdτ = ℱ[ ℱ −1[ . ]] = + ω + ω 1 j 1 j 0 V ậy

ON .

UC

SSW (ω) =

OZ

25 + 9ω2 5 + 3jω 5 − 3jω . SX (ω) = = 1 + jω 1 − jω 1 + ω2 Chọn lọc tẩy trắng là 1 1 + jω H1 (ω) = = . A X (ω) 5 + 3jω

.C OM

Ví dụ 6.24.

16 16 ; SX (ω) = + 9. 2 1+ ω 1 + ω2 Ta có thể tách SX (ω) như sau SSW (ω) =

W

W

Theoretical Questions for Chapter VI 6.1. Reasons that we can't use the voltage spectral density for a random process. 6.2. Power spectrum for a WSS (wide-sense stationary) process; autocorrelation function by means of the power spetrum. 6.3. Propeties (with proof) of the power spetrum of real stationary processes. 6.4. Necesarry and sufficient conditions for a function S( ω ) thereby a) it is a power spectrum of a real stationary process with a finite power; b) it is a power spectrum of a complex stationary process with a finite power. 6.5. Cross-power spectrum of two jointly WSS processes: definition, calculation of the autocorrelation function using the cross-power spectrum, the power spectrum of every those process. 6.6. Power spectrum of random sequences: definition, calculation of the autocorrelation sequence by means of the power spectrum; properties of the power spectrum and some comment. 6.7. White noise: definition, the autocorrelation function of white noise; disadvantages and utility of studying white noise; thermal noise. 6.8. Band-limited white noise: definition, the power function and the autocorrelation one; bandpass white noise. 6.9. White noise sequence. 6.10. Power spectrum of complex random processes: definition, the relation between a) the autocorrelation function and the power spectrum; b) the cross- autocorrelation and the cross-power spectrum. 6.11. Essentials about a linear system. 6.12. Nesessary conditions for a input process to be relevant to a given system. 6.13. Theorem (with proof) above the average function and the autocorrelation one of the ouput process, the cross-correlation function of the input and output processes. 6.14. Theorem above the average function and the autocorrelation one of the ouput process, the cross-correlation function of the input and output processes when the input process is stationary; consequence: power spectrum, cross-power spectrum and powers in input and output processes. 6.15. Lowpass process, bandpass process, narrow band process and amptitude-modulated one; theorem above stationarity and having zero mean of an amptitude-modulated process; Rice’s theorem (without proof). 6.16. Some knowledge about noise analysis in an AM broacast system. 6.17. Some knowledge about noise analysis in a FM broacast system. 6.18. Application scope of matched filters; the matched filter for white noise and colored noise. 6.19. Optimal linear estimation: introduction, the orthogonality principle. 6.20. Causal Wiener filter: the general case, the two step-optimal causal filter.

W

.D

AY

KE

M

http://www.ebook.edu.vn

QU

YN HO
159

N. UC O

Z.C

OM

Problems for Chapter VI
and ω0 are constants, U : U [ 0; 2π] . Compute and plot R X (τ); SX (ω) ; PX . 6.2. Let X(t) = sin(ω0 t + U); Y(t) = cos(ω0 t + U) where ω0 is unchanged

function R N (τ) = P e

−2 τ

, τ ∈ ¡ . Find SN (ω);PX .

function (the power one) σ 2 X (t) and the power spectrum SX (ω) .

A2 A2 A2 2 (t) = Anw. σ2 depends on t. P = A E[X (t)] = ... = . − sin(2 ω t) X X o 2 π 2

YN HO
2

6.4. Suppose X(t) = Ae jt + Be j2t where A, B are two continuous uncorrelated random variables and D[A] = 1; D[B] = 2. Show that {X(t)} is a WSS process; find its autocorrelation function and the power spectrum. 6.5. Consider the random process X(t) = Acos(ωo t + Θ) where A, ωo ∈ ¡ , Θ : U[0;π/2] . Show that it is not a WSS process. Evaluate the variant

R X (τ) = e

−a τ

(a is a real constant) is the input to a LTI system with the impulse

.D

function h(t) = e − bt u (t) , where b is a real constant, u(t) is an unit step function. Evalute the autocorrelation of the output process. 1 −b τ −a τ Ans: R Y (τ) = 2 (ae − be ) . 2 (a − b )b 6.8. The discret-time system shown in the figure consists of one unit delay element and one scaler multiplier (a < 1). The input {X(n)} is white noise sequence with average power σ2 . Find the power spectrum and the average power of the output {Y(n)}.

AY

KE

M

6.6. Consider a LTI system with h(t)= e − x / 2 . Evaluate the response of the ⎧x x ≤1 ⎪ signal y = rest1 (x) = ⎨ ⎪ ⎩0 x > 1 Find the transfer function of the system. 6.7. A random process {X(t)} with the autocorrelation function

QU

W

W

X(n) a Delay 1

W

160
http://www.ebook.edu.vn

N. UC O
{ }
Y(n)

and U is an uniform random variable on [ 0; 2π] . Show that {X(t)} ,{Y(t)} are jointly stationary processes. Find R X (τ); R Y (τ) ; R XY (τ); SX (ω); SY (ω); SXY (ω) . 6.3. Let { N(t)} be a WSS zero mean process with the autocorrelation

Z.C

OM

6.1. Consider the random sinusoid X(t) = Asin (ω0 t + U) , t ∈ ¡ where A

W

σ2 N = 0,91 . So, the error of the new model increases slightly, but the model is greatly simplified when we reduce the model order from 3 to 1. µ ≈ (−0,3)m is the autocorrelation This fact is predictable because R(m) sequence of AR(1) considered in the Problem 6.9. 5 − 4cos ω 6.11. Power spectrum of an ARMA process is S(ω) = . Find 10 − 6cos ω the transform function of the corresponding ARMA filter; show its zeros and poles. Are the stationary and invertibility conditions valid? 1 Sol. Because cos ω = (e jz + e − jz ) with z = jω , so 2 −1 5 − 2(z + z ) 2 (z − 1/ 2)(z − 2) S(z) = = 10 − 3(z + z −1 ) 3 (z − 1/ 3)(z − 3)

W

W

.D

AY

KE

with the error σ 2 N = 0,8999 . $2 , µ a 3 are very small. Then we would test with AR(1). For The values a this new model the system (6.4.9 ) yields ⎧a = −0,3 ⎧ ⎪1 + 0,3a1 = σ2 N ⇔⎪ 1 ⎨ 2 ⎨ 0,3 a 0 + = ⎪ ⎪ 1 ⎩σ N = 0,9100 ⎩ µ = −0,3X(n − 1) + N(n) with Now the prediction equation is X(n)

M

http://www.ebook.edu.vn

QU

YN HO
161

b) The results suggest which order p of the model should we choose? Find parameter estimates of the new model. Sol. From (6.4.9) we get ⎧1 ⎧a1 = −0, 2997 + 0,300a1 + 0,091a 2 + 0,030a 3 = σ 2 N ⎪ ⎪a = −0,0003 a1 + 0,300a 2 + 0,091a 3 = 0 ⎪0,300 + ⎪ 2 ⇔⎨ ⎨ a = −0,0003 a 2 + 0,300a 3 = 0 ⎪0,091 + 0.300a1 + ⎪ 3 ⎪0,300 + 0,091a + 0,300a + ⎪σ2 = 0,8999 a3 = 0 1 2 ⎩ N ⎩ The prediction equation is µ = −0, 2997X(n − 1) − 0,0003X(n − 2) − 0,0003X(n − 3) + N(n) X(n)

N. UC O

. 1− a 1− a 6.10. Suppose from the data we get estimates µ = 1; R(1) µ = 0,300; R(2) µ = 0,091; R(3) µ = 0,030; R(m) µ R(0) ≈ 0 (m > 4) . $1, a $2 , a $3 . a) Let the model be AR(3), find a
2 2

R(0) =

. R(m) = (−a)

m

(m ≥ 0) , propotional with (−a)

Z.C

σ2 N

σ2 N

OM
m

1 σ2 ; P = R (0) = . Y Y 1 − ae − jω 1− a2 6.9. Show that the envelop of the autocorrelation sequence of a AR(1) process is a decaying exponential. Hint. R(m) = ... = (−a)m R(0)

Ans. H(ω) =

2 Ao π 1 [δ(ω − ωo ) + δ(ω + ωo )] + [SX (ω − ωo ) + SX (ω + ωo )] . 2 4 Especially, if the process {X(t)} is WSS then

SXAM (ω) =

QU

R AM (τ) @R X AM (τ) =
2 PAM = E[X AM (t)]=

W

2 = E[A o +A o (X(t+τ)+X(t))+X(t+τ)+X(t)] E[cos(ωo (t + τ) + Θ)cos(ωo t + Θ)] 1 2 = [A o + 0 + 0 + R X (t + τ, t)] cos(ωo τ) . 2 1 2 (*) ⇒ A[R X AM (t + τ, t)] = A o + A[R X (t + τ, t)] cos(ωo τ) . 2 By Fourie transform and using its linearity and frequency shifting (see Appendix B-2) we conclude 2 ⎡ Ao ⎤ ⎡1 ⎤ SX AM (ω) = ℱ ⎢ cos(ωo τ) ⎥ + ℱ ⎢ A[R X (t + τ, t)]cos(ωo τ) ⎥ ⎣2 ⎦ ⎢ ⎥ ⎣ 2 ⎦

.D

AY

1 cos(C - D) . 2 R X FM (t + τ, t) = E[(Ao +X(t+τ))(Ao +X(t))cos(ωo (t + τ) + Θ)cos(ωo t + Θ)]

⇒ ∀C, D∈ ¡ , E[cos(C+Θ) cos(D+Θ)]= ... =

KE

Proof. Note that 2π 2π 1 1 1 1 E[cosΘ] = ∫ cosθ dθ = 0; E[cos2Θ]= ∫ cos 2θ dθ = ; E[sin 2Θ] = 2 2 0 2π 0 2π

M

W

W

(

http://www.ebook.edu.vn

YN HO
1 2 [A o + PX ] . 2

time-averaged autocorrelation function of {X AM (t)} as given by (6.5.17) is 1 2 A[R X AM (t + τ, t)] = ⎡ A o + A[R X (t + τ, t)]⎤ cos(ωo τ) ⎦ 2⎣ and the power spectrum is

1 2 [A o + R X (τ)]cos(ωo τ). 2

162

N. UC O
)

detector’s input is 10−5 W and the input signal-to-noise power ratio of the receiver is 180 (or 22,5 dB). a) What is the average signal power at the input to the envelop detector? b) Find (Si / Ni ) AM . c) What is the transmitter’s efficiency? Ans. 4, 24W; 56,27dB; 0,1. 6.13. Show that if {X(t)} has zero mean (may be nonstationary) then the

Z.C

1 1 − z −1 z − 1/ 2 2 2 ; σ2 ⇒ L(z) = = = N 3 z − 1/ 3 1 − 1 z −1 3 Zero: z = 1/ 2 , pole: z = 1/ 3 . Yes. 6.12. In an AM broacast system the total average transmitted power is 1kW. The channel gain is G ch = 3 2.10−3 . Average noise power at the envelop

OM

= =

transmitter’s modulation constant λ .

QU

the power spectrum of noise σ 2 = 5.10−15 / 3 . a) Find the signal and noise average power and the signal-to-noise power ratio at the receiver’s input. b) What is the message’s spectral extent if the output signal-to-noise power ratio of the receiver is found to be 25 000? Ans. 10−8 W; 79,58.10-12 W; 125,66( or 21dB) ; 9.27kHz. 6.15. An FM signal of peak amptitude 0.1 V at the input to an FM demodulator results in an input signal-to-noise power ratio of 20. If ∆ω = π.105 rad/s in the FM signal and the effective transmitted signal voltage is A = 2kV. Find: a) G ch ; b)σ 2 ; c) If the transmitted message is an audio signal for which X max = 1, 4V, K cr = 3 WX = π.104 rad / s , find So / N o and the

YN HO
t 0

Sol. a) A = 2000; G ch .A = 0,1 ⇒ G ch =
b) 20 = PXi / PNi
2

(

M

0,1 1 = .10−4 . 2000 2

2 2 πG ch A π((1/ 2).10−4 )2 (2.103 ) 2 = = 1, 25.10−9 . ⇒σ = 5 4.∆ω.20 4(π10 ).20

AY

KE

)FM =

2 2 πG ch A

4σ 2 ∆ω

W

W

autocorrelation function of {X FM (t)} (in (6.5.28)) by means of the correlation coefficient and the variant of the process Γ(t) = ∫ X(α)dα .
163
http://www.ebook.edu.vn

W

.D

⎛S ⎞ 6 ⎛ π.105 ⎞ = 2⎜ c) ⎜ o ⎟ .20 = 13 333 (or 41,25dB). 4⎟ ⎜ ⎟ N π 3 .10 ⎝ o ⎠FM ⎝ ⎠ ∆ω π.105 ∆ω = λ X max ⇒ λ = = = 2, 24.105 . X max 1, 4

3

Ans. 0,5 10−4 ; 1, 2510−9 ; 1,33.104 ( = 41, 25dB), 2, 24.105 6.16. Let a message process {X(t)} be gaussian with zero mean. Find the

N. UC O
( )FM

2 Ao 1 π[δ(ω - ωo ) + δ(ω + ωo )] + [SX (ω − ωo ) + SX (ω + ωo )] . 2 4 If {X AM (t)} is WSS then A[R X (t + τ, t)] = R X (τ) . 6.14. In a FM system the transmitted signal has 10 kW of average power and a bandwith of approximately 150 kW when a random message with a crestfactor of 4 is used. The signal passes over a channel for which G ch = 10−6 and

Z.C

OM

2 ⎡ Ao e jωo τ + e − jωo τ ⎤ π[δ(ω - ωo ) + δ(ω + ωo )]+ ℱ ⎢ A[R X (t + τ, t)] ⎥ 2 2 ⎢ ⎥ ⎣ ⎦

Sol. Because the process

In addition, Γ(t + τ) − Γ(t) = ∫ X(α)dα is a gaussian random variable.
t

t +τ

t

= ∫ ∫ R X (u − v)dudv = ∫ ∫ R X (u − v)dudv
2 = 2 ∫ R X (α)(τ − α)dα @σΓ ( τ) 0 t τ t 00

t +τ t +τ

E[e jnΘ ] = 0 ⇒ R FM (t + τ, t) = R X

KE

A2 j ω τ+λ ( Γ (t +τ) −Γ (t)) ] -j ω τ+λ (Γ (t +τ ) −Γ (t))] E[e [ o ]+E[e [ o ] = ... = 4 A 2 jωo τ e E[e jλ (Γ (t +τ) −Γ (t)) ] + e − jωo τ E[e-jλ (Γ (t +τ) −Γ (t)) ] . = 4 jλ (Γ (t +τ) −Γ (t)) Note that E[e ] is the characteristic function of the normal random variable Γ(t + τ) − Γ(t) , using (…) we get

M

{

QU

{

YN HO
FM

that does not depend on t. (To simplify the double integral to the single one let us put u − v = α, v = β ). X FM (t) = Acos(ωo t + Θ + Γ(t)) = A = ⎡ e j(ωo t +Θ+Γ (t)) + e− j(ωo t +Θ+Γ (t)) ⎤ . ⎦ 2⎣
(t + τ, t) = E [ X FM (t + τ)X FM (t) ]

N. UC O
ττ

t +τ ⎡ t +τ ⎤ t +τ t +τ D [ Γ(t + τ) − Γ(t)] = E ⎢ ∫ X(u)du ∫ X(v)dv ⎥ = ∫ ∫ E[X(u)X(v)]dudv ⎢ ⎥ t ⎣ t ⎦ t t

Z.C
}

µΓ (t) = ∫ E[X(α)]dα = 0 ;

t +τ

AY

A 2 jωo τ − {e e R FM (t + τ, t) = 4

1 2 2 λ σΓ ( τ ) 2 1 2 2

+

1 2 2 − jωo τ − 2 λ σΓ ( τ) e e }

W

− λ σ ( τ) A2 cos(ωo τ)e 2 Γ . = 2 6.17. Suppose that a signal is a triangle pulse f (t) = A tri τ (t) and it is W added to noise with power spectrum ; where A, τ, W are positive W 2 + ω2 constants. The sum is applied to a matched filter. a) Find the transfer function Hopt (ω) of the matched filter.

W

find it.
164
http://www.ebook.edu.vn

W

.D

b) Find the filter’s impulse response, plot it. c) Is there some value t o at which the matched filter is causal one? If yes,

OM
}

proces {Γ(t)} is also gaussian with zero mean.

{X(t)}

is gaussian with zero mean then the

d) Sketch the block diagram of the network of the transfer function Hopt (ω).

Sol. a) H opt (t) = K

(

)(

)

b) Put L(ω) = τSa 2 (ωτ / 2) W 2 + ω2

[tri τ (t)]
2

of h opt (ω) when C = 1 is shown as
h opt (ω)
2/τ
W2

to − τ
−1/ τ

QU

τ

YN HO
to

(tri τ (t)) dt 2 1 = W 2 tri τ (t) + [2δ(ω) − δ(ω + τ) − δ(ω − τ)] . τ KA Then h opt (ω) = C l(t − t o ) with C = . W Clearly with t o > 0 , h opt (ω) = 0, ∀t < 0 if and only if t o ≥ τ . The plot

= W tri τ (t) −

d2

W

W

.D

AY

select the whitening filter H1 (ω) so that H1 (ω) =

A , A – cosnt. At the SN (ω) next stept we make a filter H 2 (ω) that is the matched one for the signal f1 (t) in the white noise { N1(t)} . a) Explain the term “whitening filter” in the first step. b) Show that the cascade is a matched filter to f(t) in the noise { N(t)} . c) Are there any problems to be considered for this two-step filter?
2
f(t) N(t) f1 (t) H1 (ω) Whit noise N1 (t) H 2 (ω)
N o (t) f o (t) Y(t) = f o (t) + N o (t)

W

KE

6.18. Somtimes the cascade (in the figure) can be used to look for a matched filter for colored noise. A deterministic signal f(t) and colored noise {N(t)} with power spectrum SN (ω) are inputs to the filter. At the first step we

M

165
http://www.ebook.edu.vn

N. UC O
to + τ t

⇒ l(t) = ℱ −1 [ L(ω) ] = W 2 ℱ −1 (ℱ [tri τ (t)] ) - ℱ −1 ( −ω2 ℱ [tri τ (t)] )

Z.C

) = W 2 ( τSa 2 (ωτ / 2) ) + ω2 ( τSa 2 (ωτ / 2) ) = W 2 ℱ [tri τ (t)] − ( −ω2 ) ℱ

(

)(

OM

F∗ (ω) − jωt o KA = τSa 2 (ωτ / 2) W 2 + ω2 e− jωt o . e W SN (ω)

∗ ∗ H 2 (ω) = KF1 (ω)e − jωt o = KF∗ (ω)H1 (ω) e − jωt o .

∞ −∞

log(SN (ω)) 1 + ω2

dω < ∞,
2

YN HO

o

⎛ 1 ⎞⎛ 1 ⎞ 1 ⇒ H(ω) = H1 (ω)H 2 (ω) = then =⎜ ⎟⎜ ⎟ SN (ω) ⎝ TN (ω) ⎠⎝ TN (ω) ⎠ F∗ (ω) − jωt o , thus the filter is matched. K e SN (ω) 1 ∗ c) Factor SN (ω) = TN (ω)TN . (ω) ⇒ H1 (ω) = TN (ω) Is the filter H1 (ω) causal? Relating to the problem it can be shown that under the so-called Paley-Wiener (1934) condition

SX (ω) can be factored out as TN (ω)

with both TN (ω) and

.D

spectrum σ 2 = 10−2 W/Hz and the sum is applied to the input of a matched filter. a) Find the transfer function and sketch the impulse response of the filter. b) Find the signal-to-noise ratio r = So / N 0 . c) Is the filter causal? 2 Sol. a) F(ω) = ℱ[f(t)] = 5. . (2 + jω)3

AY

KE

6.20. A signal f (t) = 5u(t) t 2e −2t is added to white noise with power

M

causal filters. It is necesary to search whether H 2 (ω) is the causal filter. 6.19. Find the output signal Yf (t) to the matched filter given in the Example 6.22. Ans. Yf ( t) = K A 2 τ tri τ (t − t 0 ).

W

⎡⎛ ⎛ ⎞ − jωt ⎞ − jω t ⎤ 2 2 o = ( −2 K) ⎢ 5. o⎥ . H opt (ω) = K ⎜ 5. e e ⎟ ⎜ ⎜ (2 + jω)3 ⎟ ⎜ (−2 + jω)3 ⎟ ⎟ ⎢ ⎥ ⎝ ⎠ ⎠ ⎣⎝ ⎦ h opt (t) = ℱ −1[H opt (ω)] = (−2K) ⎡5u(t)t 2e −2t ⎤ = (−2K) f (t − t o ) . ⎣ ⎦ t − to
Ef

W

W

b) From (6.6.10), r =

σ

http://www.ebook.edu.vn

QU

2

= (100) 5 ∫ t 2e −2t dt = 125 (or 20,97dB).
166

N. UC O

Z.C

By use of (6.6.9) the matched filter to f1 (t) in white noise { N1(t)} is

1 being TN (ω)

OM

Sol. a) SN1 (ω) = SN (ω) H1 (ω) = A ⇒ { N1(t)} is white noise. Through the filter colored noise { N(t)} becomes white noise { N1(t)} ; this explains the meaning of the term “whitening filter”. (by (6.2.12)). b) F 1 (ω) = ℱ [ f1 (t) ] = ℱ [f (t)] H1 (ω) = F(ω)H1 (ω)

2

c) ∀ t o > 0 , the filter is causal. 6.21. A rectangular pulse f (t) = A rest τ (t) added to white noise with power spectrum σ 2 arrives at a receiver. For some practical reasons the receiver (filter) is not matched but a lowpass simple filter with transfer function W ; W > 0 is a costant. H(ω) = W + jω
2 a) Find the ratio of instantaneous output signal power f o (t) at any time t 2 to white noise with power E[N o (t)] at the filter output. At what time, denoted by t o , is the ratio maximum? b) At the time t o what the band width W will maximize the signal-tonoise ratio? c) Plot the loss in output signal-to-noise ratio that results, compare to a matched filter for various values of 0 < W ≤ 5 / τ . What is the minimum loss? ⎛ W ⎞ - Wt Sol a) h(t) = ℱ ⎜ ⎟ = We u(t) . ⎝ W+jω ⎠

+∞

YN HO
τ −τ
2 ∞

f o (t) = f (t) ∗ h(t) =

M

maximum A (1 − e −2Wτ ) at t = τ . Moreover

r(t o ) =

AY

f 2 (t) So we conclude r(t) = o . This ratio maximizes at t o = τ , where No
8A 2e −2Wτsh 2 (Wτ) Wσ2 .

W

8A 2 τ e−2u sh 2 (u) , u = Wτ . u σ2 Using derivative method it can be shown that the ratio gets its maxima at 0,628 the root of the equation e−2u (4u + 1) = 1 ⇒ u = u o ≈ 0,628 ⇒ W ≈ . τ

W

.D

b) r(t o , W) = g(u) with g(u) =

KE

No =

2 E[N o (t)] =

1 2π

QU

Consider cases of t < −τ; − τ ≤ t ≤ τ; τ < t then t < −τ ⎧0 ⎪ −τ≤ t ≤ τ f o (t) = ⎨ A(1 − e − (t +τ) ) ⎪ − Wt sh(Wτ) t < τ. ⎩2A e It is clear that the function f o (t) is nonnegative, continuous and gets it

−∞

∫ A rest τ (s)h(t − s)ds = A ∫ We

−∞

σ2 σ H(ω) dω = 2π
2

∫ W 2 + ω2 dω = −∞

W

c) rmax =

σ2

Ef

=

1

σ2 −τ

∫A

τ

2

dt =

2A 2 τ

σ2

.

167
http://www.ebook.edu.vn

N. UC O
− W(t-s)

u(t − s)ds .

W2

Z.C
Wσ2 . 2

OM

where

M

W 2 (AB + B2 ) ABW 2 (W 2 − B2 ) = . ; G AB + W 2 2λ(AB + W 2 ) 2 AB −λ t b) h opt ( t) = ℱ −1[H opt (ω)] = δ(t) + G e . 2 AB + W AB , When λ = G = 1 = 2(AB + W 2 ) the plot of h opt (t) is as in the firgure.

λ=

QU

YN HO

stationary with autocorrelation functions R X (τ) = Ae , R N (τ) = We (A, B,W > 0) . a) Find the transfer function of the uncausal optimal Wiener filter. b) Find and sketch the impulse of the filter. c) Find the minimum mean-squared error of the filter. Sol. a) By Appendix B-2 2B SX (ω) = ℱ [R X (τ)] = A 2 ; B + ω2 2W . SN (ω) = ℱ [R N (τ)] = W 2 W + ω2 2AB /(B2 + ω2 ) AB 2λ H opt (ω) = = ... = +G 2 2 2 λ + ω2 AB + W 2AB 2W + B2 + ω2 W 2 + ω2

KE

N. UC O
2 1 h(t)
−1

AY

1 2AB 2W 2 c) E[ε 2 (t o )] = ∫ B2 + ω2 W 2 + ω2 2π −∞

⎡ 2AB 2W 2 ⎤ + ⎢ 2 ⎥ 2 W 2 + ω2 ⎦ ⎣B + ω
−1

W

∞ ⎤ ABW 1 ABW 2 ⎡ W 2 (AB + B2 ) = ∫ + ω2 ⎥ dω = . 2 ⎢ 2 2 2 π −∞ AB + W ⎣ AB + W (AB + W )(AB + B ) ⎦ 6.23. Suppose X = S + N where S and N are two jointly stationary 1 uncorrelation processes, N has zero mean and SS (ω) = , (1 + ω2 ) 2 1 SN (ω) = . Find the uncausal Wiener filter. 1 + ω2

W

W

.D

168
http://www.ebook.edu.vn

Z.C
t

−B τ

OM
−W τ

r(t o ) e−2Wτsh 2 (Wτ) e −2u sh 2 u , u = Wτ . ⇒ =4 =4 rmax Wτ u As we see this ratio gets its maxima at u o ≈ 0,628 with the correspondent value 0,815. Then the minimal loss is 18,5%. 6.22. A random signal {X(t)} and colored noise { N(t)} are jointly

4 + ω4 WS

where R S (τ) = e

AY

2π 2 .2.15 + 0,1 6.26. Suppose that we have to find the estimate of a random telegraph signal {S(t)} in terms of the sum X(t) = S(t) + N(t) and the past of the sum,
−2 λ τ

KE

c) E[ε 2 (t o )] =

M

2 ⎛ −1 ⎞ 0 − σ(2 2PSS WSσ ) =⎜ ⎟ = ⎝ 2π ⎠ 2.σ. 2 2P W + 2σ2 . σ 2π SS S

QU

+ω 1 b) E[ε (t o )] = ∫ 2 2P W ω2 2π −∞ SS S
2

2 2PSS WX ω2
4 WS 4

σ2

YN HO
169

where a o , a1 , a 2 , b o and b1 are constants and the equation a o λ 2 + a1λ + a 2 = 0 has roots with nonnegative image path. SS (ω) 2 2PSS WSω2 Sol. a) H opt (ω) = = 2 4 . 4 SS (ω) + SN (ω) σ ω + 2 2PSS WSω2 + σ 2 WS
∞ −2 2PSS WSσ 2ω2dω −1 dω = ∫ σ2ω4 + 2 2 P W ω2 + σ2 W 4 2π −∞ 2 SS S S

2.15. 0,1

= 0, 2315 = 0, 48122 .

, R N (τ) = Lδ(τ); R SN (τ) = 0. Show that

.D

$ = (c − 2λ ) X(t − s)e − cs ds, c = 2λ 1 + 1 . S(t) ∫ λL 0
−2 λ τ

W

Sol.

R SX (τ) = R S (τ) = e

, SSX (ω) = ℱ [R SX (τ)] =

W

SX (ω) = ℱ [R X ( τ)] = ℱ [R S ( τ)] + ℱ [R N ( τ)]

=

W

4λ c 2 + ω2 1 + L = L , c = 2 λ +1 . λL (2λ ) 2 + ω2 (2λ ) 2 + ω2

http://www.ebook.edu.vn

N. UC O
PSS WSσ 2PSS WS + σ2
.

PSS is average power in {S(t)} while WS and σ2 are positive constants. a) Find the transfer function of the Wiener filter for the signal and noise. b) What is the minimum mean-squared filter error? c) Evaluate the result of b) for PSS = 2W, WS = 15 rad / s, σ 2 = 0,1W / Hz. Hint: Use the known integral (Thomas, 1969, p. 249) ∞ (b1 − b o ω2 ) dω a o b1 − a 2 b o 1 = ∫ a 2 + (a 2 − 2a a )ω2 + a 2ω4 2a a a 2π −∞ o 1 2 2 1 o 2 o

2.(2λ ) . (2λ ) 2 + ω2

Z.C

ω2 , SN (ω) = σ2 , where respective power spectrums SS (ω) = 2 2 PSS WS 4 4 WS + ω

OM

6.24. Work the Problem 6.23 for the signal and uncorrelation colored 1 1 noise defined by SS (ω) = , SN (ω) = . 2 1+ ω 1 + ω4 6.25. A random signal {S(t)} and uncorrelated white noise { N(t)} have

YN HO
170

h opt (t) = (c − 2λ )e − c t .

H 2 (ω) =

.D

AY

⎛ 0, 44 + jω ⎞⎛ 0, 44 − jω ⎞ b) SX (ω) = ⎜ 5 ⎟⎜ 5 ⎟. 0, 2 + jω ⎠⎝ 0, 2 − jω ⎠ ⎝ 1 0, 2 + jω H1 (ω) = = . A X (ω) 5( 0, 44 + jω) 11 − 1 . 5(0, 2 + jω)
11 − 1 1 . 5 0, 44 + jω

H opt (ω) = H1 (ω)H 2 (ω) = h opt (t) =

W

W

W

11 − 1 − 0,44 t e u (t) . 5 E[ε 2 (t)] ≈ 2,3166 (1,5 times as much as that in case a)).

KE

M

6.27. Suppose X(t) = S(t) + N(t) where R SN ( τ) = 0. Find the MS (mean-squared) corresponding MS error for the cases: a) the noncausal filter of {S(t)}, b) the causal filter of {S(t)}. 0, 4 Ans. a). H opt (ω) = , h opt (t) = 0, 44 + ω2 1 E[ε 2 (t o )] = = 1,5076. 0, 44

R S (τ) = 5e , R N (τ) = 5δ(τ), estimates of {S(t)} and the

QU

0, 44 − e 2, 2

http://www.ebook.edu.vn

N. UC O
−0,2 τ
0,44 t

⎡ 1 4λ 1 ⎤ 4λ 2 λ − jω = + ⎢ ⎥ L (2λ − jω) (2λ + jω) (c − jω) (c + 2λ ) L ⎣ 2λ + jω c − jω ⎦ 4λ 1 . As in Example 6.25, we get H 2 (ω) = … = (c + 2λ ) L 2λ + jω 2λ + j ω 4λ 1 H opt (ω) = H1 (ω)H 2 (ω) = L (c + jω) (c + 2λ ) L 2λ + jω 4λ 1 1 = = (c − 2λ ) . L(c + 2λ ) c + jω c + jω
=

.

Z.C

SSW (ω) = SSX (ω)

1 A∗ (ω) X

=

4λ (2λ ) 2 + ω2

2λ − j ω . L(c − jω)

OM

⎛ c + jω ⎞ ⎛ c − jω ⎞ ∗ ⇒ SX (ω) = ⎜ L ⎟ .⎜ L ⎟ = A X (ω)A X (ω) . 2 λ + jω ⎠ ⎝ 2 λ − jω ⎠ ⎝ 1 2λ + jω H1 (ω) = = . A X (ω) L(c + jω)

W

W

W

.D

Câu hỏi ôn tập chương VI 6.1. Tại sao ta không dùng được phổ điện áp cho QTNN? 6.2. Định nghĩa mật độ phổ công suất của QT dừng. Tính hàm tự tương quan thông qua mật độ phổ. 6.3. Nêu tính chất (có chứng minh) của phổ công suất QT dừng, thực. 6.4. Nêu điều kiện cần và đủ để một hàm S( ω ) là phổ công suất của QT dừng, thực, công suất hữu hạn; để S( ω ) là phổ công suất của QT dừng (phức), công suất hữu hạn. 6.5. Mật đổ phổ công suất chéo của hai QT dừng đồng thời: định nghĩa, tính hàm tương quan chéo thông qua phổ công suất chéo, ứng dụng để tìm phổ của tổng các QT. 6.6. Phổ công suất cho dãy ngẫu nhiên: định nghĩa, tính hàm tự tương quan qua phổ công suất; các tính chất và ý nghĩa. 6.7. Nhiễu trắng: định nghĩa, hàm tự tương quan cuả nhiễu trắng; những bất hợp lý và tác dựng của việc nghiên cứu nhiễu trắng; nhiễu nhiệt. 6.8. Nhiễu trắng dải tần hữu hạn: định nghĩa, công suất, hàm tự tương quan; nhiễu trắng thông dải. 6.9. Dãy nhiễu trắng. 6.10. Phổ công suất của QTNN phức: định nghĩa, hàm tự tương quan qua phổ công suất; quan hệ hàm tự tương quan chéo và phổ công suất chéo. 6.11. Căn bản về hệ tuyến tính . 6.12. Điều kiện cần để quá trình đầu vào phù hợp với hệ. 6.13. Phát biểu và chứng minh định lý về hàm trung bình, hàm tự tương quan QT đầu ra và hàm tương quan chéo đầu vào - đầu ra. 6.14. Phát biểu định lý về hàm trung bình, hàm tự tương quan QT đầu ra và hàm tương quan chéo đầu vào - đầu ra khi đầu vào là QT dừng - Hệ quả: phổ công suất, phổ công suất chéo đầu vào - đầu ra, công suất. 6.15. Định nghĩa QT tần thấp, thông dải, dải hẹp, điều biên. Chứng minh định lý về điều kiện cần và đủ để QT điều biên là dừng, quy tâm. Phát biểu Định lý về biểu diễn Rice. 6.16. Một số hiểu biết về phân tích nhiễu trong hệ thông tin công cộng AM. 6.17. Một số hiểu biết về phân tích nhiễu trong hệ thông tin công cộng FM. 6.18. Phạm vi ứng dụng của lọc thích nghi; lọc thích nghi cho nhiễu trắng, nhiễu màu. 6.19. Ước lượng tuyến tính tối ưu: Đặt bài toán, nguyên lý trực giao. 6.20. Lọc Wiener khả thi: trường hợp tổng quát, xây dựng lọc khả thi tối ưu hai bước.

AY

KE

M

http://www.ebook.edu.vn

QU

YN HO
171

N. UC O

Z.C

OM

Tính chất
Tuyến tính Dịch chuyển thời gian
Dịch chuyển tần số Lấy tỷ lệ theo thời gian Lấy đảo thời gian Đối ngẫu Lấy vi phân theo thời gian

Tín hiệu
a1x1 (t) + a 2 x 2 (t) x(t − t o )
e jωo t x(t)

Biến đổi Fourier

a1X1 (ω) + a 2 X 2 (ω)

x ( −t )

ON .

X(t) dx(t) dt
d n x(t) dt
n

YN H
∫ x(τ)dτ
t

(− jt)x(t)
Lấy vi phân theo tần số

QU

( − jt )n x(t)
−∞

UC
ω −∞

x(αt)

π X(0) δ(ω) +

M

Tích phân

KE

Tích chập Nhân Lấy liên hợp

1 π x(0) δ(t) − x(t) jt x1 (t) ∗ x 2 (t) x1 (t) x 2 (t) x ∗ (t) x(t) = x c (t) + x l (t) x c (t) x l (t)

X1 (ω)X 2 (ω)

.D AY

1 X1 (ω) ∗ X 2 (ω) 2π
X∗ (−ω) X(ω) = A(ω) + jB(ω) X(−ω) = X∗ (ω) Re {X(ω)} = A(ω) jIm {X(ω)} = jB(ω)

Khai triển chẵn - lẻ tín hiệu thực Thành phần chẵn

W

Thành phần lẻ
+∞ −∞

W

Định lý Parseval

∫ x(t)dt =

1 +∞ 2 X(ω) dω ∫ 2π −∞ hội tụ tuyệt đối

W

Điều kiện (đủ) tồn tại

∫−∞ x(t)dt

http://www.ebook.edu.vn

171

OZ
X(ω − ωo ) 1 ⎛ ω⎞ X⎜ ⎟ α ⎝α⎠ X ( −ω)

e − jωt o X(ω)

2πx(−ω)
jωX(ω)

( jω)n X(ω)
dX(ω) dω d n X(ω) dωn
1 X(ω) jω

∫ X(ξ)dξ

.C OM

PHỤ LỤC B - BIẾN ĐỔI FOURIER (LIÊN TỤC) +∞ 1 +∞ x(t) ↔ X(ω) ; x(t) = X(ω)e jωt dω X(ω) = ∫ x(t)e − jωt dt; ∫ 2π −∞ −∞ Bảng B-1 Tính chất của phép biến đổi Fourier

Bảng B-2 Cặp phép biến đổi Fourier
x(t) δ(t) δ(t − t o ) 1 1 1 δ(t) − 2 j2πt e jωo t cos(ωo t) sin (ωo t )

1 2 3 4 5 6 7 8 9 10 11 12
13 14 15 16 17 18 19 20 21 22 23

X(ω) 1
e − jωt o 2πδ(ω)

2πδ(ω − ωo ) π[δ(ω − ωo ) + δ(ω + ωo )] πδ(ω) + 1 jω − jπ[δ(ω − ωo ) − δ(ω + ωo )]

u(t)cos(ωo t) u(t) sin(ωo t) e −αt u(t )
te−αt u(t) t 2e −αt u(t) t 3e−αt u(t)
−α t 2

π jω [δ(ω − ωo ) + δ(ω + ωo )] + 2 2 ωo − ω2

YN H
1 jω + α
α 2 + ω2 e
−α ω

π jω − j [δ(ω − ωo ) − δ(ω + ωo )] + 2 2 ωo − ω2
α>0 α>0 α>0 α>0 α>0 α>0 α>0 W>0 W>0 W>0 W>0 2π T

QU

1/( jω + α) −2

2!/( jω + α) −3 3!/( jω + α) −4 2α

e

KE

M

e −αt 1

2 (π / α)1/ 2 e−ω /(4α )

.D AY

α2 + t 2 rest W (t) tri W (t)

2W Sa(W ω) W W Sa 2 ( ω) 2
rest W (ω) tri W (ω)

W

W Sa(Wt) π W 2 Sa (Wt) π sgn(t)

W

2 /( jω)
ωo ∑ δ(ω − kωo ), ωo =
k =−∞

W

k =−∞

∑ δ(t − kT)

http://www.ebook.edu.vn

172

ON .

u(t)

UC

OZ

u(ω)

.C OM
Ghi chú

W

W

W

.D AY

KE

M

http://www.ebook.edu.vn

QU

YN H
173

ON .

UC

OZ

.C OM

W

W

W

.D AY

KE

M

Tài liệu tham khảo [1] Đào Hữu Hồ, Nguyễn Văn Hữu, Hoàng Hữu Như - Thống kê toán học Nxb Đại học Quốc gia Hà nội - 2003. [2] Tống Đình Quỳ - Giáo trình Xác suất thống kê - Nxb Giáo dục - 1999. [3] Nguyễn Duy Tiến - Đặng Hùng Thắng - Các mô hình xác suất và ứng dụng - Phần I- II – III - Nxb Đại học Quốc gia Hà nội - 2001. [4] Nguyễn Duy Tiến - Vũ Việt Yên - Lý thuyết xác suất - Nxb Giáo dục 2001. [5] Ngô Quốc Trung [6] Hwei P. Hsu - Schaum′s outline of theory and problem of probability, random variables, and random processes - Mc Graw - Hill - 1993. [7] D. G. Childer - Probability and random processes - IRWIN - 1997. [8] A. Papoulis - Probability, random variables, and stochastic processes - 3th Mc Graw - Hill - 1991. [9] P. Z. Peebles - Probability, random variables, and random signal principles - 3th - Mc Ggraw-Hill - 1993. [10] N. U. Prabhu - Stochastic Storage Processes - Springer -Verlag - 1980. [11] A.N. Shiryaev - Probability - 2th - Springer - 1996. [12] Y. Viniotis - Probability and random processes for electrical engineers Mc Graw - Hill - 1998 . [13] И. К. Волков, С. М. Зуев, Г. М. Цьветкова - Случайны процессов. Москва – МГТУ - им. Баумана - 2003. [14] И. И. Гихман, А. В. Скороход - Введение в теорию случайных процессов - Москва - Наука -1977. [15] Б. Р. Левин - Теоретичесие основы статистичесной раиотехники. Москва - Наука -1989.

http://www.ebook.edu.vn

QU

YN H
173

ON .

UC

OZ

.C OM

Ch. I PHẦN II: Thi viết (4điểm, 40 phút).

Câu II . Một bài tập của Chương I.

.D AY

Câu III. Cho số liệu (n ≤ 7)
xi yi

W

xn .. yn .. $ +b $ a)Tìm mô hình hồi quy tuyến tính thực nghiệm dạng y = ax b) Tìm hệ số phù hợp R 2 . c)Tìm ước lượng cho phương sai chung của mô hình σ2 . d) Thể hiện dãy các phần dư {ei } lên đồ thị, đánh giá. e) Kiểm định giả thuyết a = 0. f) Tìm miền tin cậy cho hệ số a g) Tìm dự đoán y(x 0 ); x(y0 ) ; đánh giá.

W

W

KE

M

f) (Dành cho Điện) Định nghĩa phổ công suất, phổ công suất chéo, các tính chất của nó. Tính hàm tương quan từ phổ công suất. g) (Dành cho Điện) Phát biểu định lý nói lên mối liên hệ giữa hàm kỳ vọng, hàm tương quan của các QT đầu vào, đầu ra, tương quan chéo. Định lý tương ứng, hệ quả với các QT dừng.

x1 y1

http://www.ebook.edu.vn

QU

Câu I. Định nghĩa 2 trong các QT sau: a) QTNNdừng theo nghĩa rộng, 2 QTNNdừng đồng thời. b) QTNN Gauss. c) QT ergodic kỳ vọng. d) QT Poisson, dãy thời điểm đến, dãy thời đoạn trung gian. e) QT Winner.

YN H
1

ON .

UC
Ch. I

PHẦN I: Tiểu luận (6điểm) CƠ ĐI ỆN *5 câu hỏi lý thuyết (có đanh sách *6 câu hỏi lý thuyết (có đanh sách kèm theo) kèm theo) * ≤ 6 câu bài tập, trong đó ≤ 2 câu ở * ≤ 7 câu bài tập, trong đó ≤ 2 câu ở

OZ

.C OM

KẾ HOẠCH HỌC – THI Lớp Cao học 19 (11,12-2007)

Cấu trúc tiểu luận Trang bìa: Trang lót: Nội dung: Giấy màu Nội dung giống trang bìa

Phần I: Câu hỏi lý thuyết (Theo phân công)
Câu 1.2. .....

...........
Câu 5.7. ..... ....... Câu 6.2. .....

Câu 6.7. ..... .......

Phần II: Bài tập

...........
Câu 5.7. ..... .....……… Câu 6.4 …… …………

W

W

W

.D AY

KE

M

http://www.ebook.edu.vn

QU

(Khuyến khích làm các bài mới, chưa chữa, chưa có đáp án hoặc chưa có trả lời đầy đủ). Câu 1.2. .....

YN H
2

ON .

...........

+Nên làm rõ những chỗ như “Dễ dàng thấy rằng”; “dễ suy ra”,… +Đánh số theo thứ tự bài tiểu luận. +Hình vẽ chưa chỉnh phải bỏ đi, vẽ lại, có thể vẽ bằng tay. +Cần sửa những chỗ đánh máy saỉ ở cuốn “Bài giảng…”. +Tránh chỉ có cắt dán đơn thuần, cần thể hiện rõ đây là kiến thức của mình.

UC

OZ

.C OM

(Trang bìa) Học Viện Kỹ thuật Quân Sự

Một số vấn đề của Xác suất, Thống kê và Quá trình ngẫu nhiên

W

.D AY

Giáo viên hướng dẫn: Tô Văn Ban

KE

Họ và tên: Lớp:

M

W

W

http://www.ebook.edu.vn

QU

YN H
3

Tiểu luận

Hà nội 11-2007

ON .

UC

Khoa Công Nghệ Thông Tin

OZ

.C OM

Kế hoạch học tập với lớp CH ĐIỆN I
Néi ThuyÕt tr×nh dung ChGi¸o viªn −¬ng 1 §5.1 TrÇn V¨n C¶nh §5.2 Ng V¨n Thanh Ng TrÇn Quang §5.3 Ng Ngäc Tïng §5.4 TrÇn Xu©n YÕn TrÇn Ngäc Th¾ng §5.5 Lª §øc Anh §5.6 TrÇn §¹i Léc Lu¬ng V¨n Tr×nh §6.1 §inh TiÕn NghÜa Hoµng V¨n ViÖt TrÇn H÷u L−¬ng §6.2 L− H¶i Nam §6.3 Vò ThÞ Quúnh §6.5 Ng V¨n Sanh Bæ xung Ph¶n biÖn I Bïi ViÖt H¶i D−¬ng Hïng Th¾ng L−u H¶i Nam §Æng Xu©n H¶i Mai B¹ch D−¬ng Ng T P Dung TrÇn ThÞ H−êng TrÇn §øc VÜnh Tµo Ngäc Kh«i Phïng ChÝ Kiªn Ng Hoµng Ph−¬ng Hoµng V¨n §«ng Ng V¨n TuyÕn B¹ch Hång QuyÕt TrÇn §øc VÜnh

UC

Bæ xung Ph¶n biÖn II

OZ

Thuyết trình.Yêu cầu học viên lên thuyết trình phải chuẩn bị bài kỹ, trình bày như giáo viên giảng bài. Học viên có thể cắt xén, bỏ bớt nội dung, bỏ bớt “râu ria”, bỏ bớt chứng minh hoặc một phần chứng minh. Cũng có thể trình bày thế nào đó để bài thuyết trình được hấp dẫn. Không đọc lại đơn thuần bài viết của giáo viên. Phản biện.Người phản biện có thể hỏi những chỗ mình chưa hiểu, hoặc hỏi lại những chỗ dã thuyết trình sai, không chính xác, cũng như những vấn đề khác liên quan. Chỉ những người thuyết trình tốt hoặc bổ sung - phản biện tốt, hoặc trong lớp thể hiện chuẩn bị bài tốt mới có thể được điểm 9, 10.

W

W

W

.D AY

KE

M

http://www.ebook.edu.vn

QU

Ng Thµnh T©n Mai B¹ch §»ng P. Thanh TruyÒn Ba. Hång QuyÕt Ng V¨n DuÉn Ng Ngäc Kiªn Ng KiÒu H−ng Vò V¨n T©m Vâ Trung Hµ Ng V¨n Tó TrÇn ThÞ H−êng Lª T. Thanh T©m TrÞnh Xu©nTrung Ng. V¨n Tó

YN H

4

ON .

.C OM
ChuÈn bÞ M¸y
Lớp trưởng

Néi dung Ch−¬ng 1 §5.1 §5.2 §5.3 §5.4 §5.5 §5.6 §6.1 §6.2 §6.3 §6.5

ThuyÕt tr×nh Gi¸o viªn §ç TuÊn C−¬ng Ng« Quang Huy Ng Träng Thanh KhuÊt V¨n §ång Ng Xu©n Phó S¬n Ng Hoµng An Lª Quang Trung §inh V¨n Hoan Qu¸ch thÕ Dòng Do·n V¨n Minh TrÇn Hång Th¾m Ng TiÕn Dòng ÈTÇn Trung Kiªn PhÝ H÷u NghÜa Lª Nga ¸nh

Bæ xung Ph¶n biÖn I §oµn V¨n Anh Vò ThÞ Lª H»ng Hoµng V¨n DuyÓn §µo TiÕn VËn Ng Quang H¶i Ng ThÞ Th¶o TrÇn Nh− S¬n Bïi ThÞ Thuú §µo TiÕn VËn Ph¹m H¶i YÕn Ng Quang Minh Lª Anh Dòng §µo Xu©n Huy Ng V¨n §øc Ph¹m TiÕn Nguyªn

Bæ xung Ph¶n biÖn II Chu Quèc Th¸i Ng T BÝch Nga Ng ThÞ B×nh Chu Quèc Th¸i Ng V¨n Tó Ng Ph−¬ng Anh §ç Kh¾c Hoµng Ng V¨n §øc Ng Thµnh long Ng MËu V−¬ng Ng Hång Qu©n TrÇn Q Ph¸t TrÇn T T H−¬ng §µo NhËt Quang §µo ThÕ H÷u

Kế hoạch học tập với lớp CH CƠ

QU

Néi dung
Ch−¬ng 1

ThuyÕt tr×nh
Gi¸o viªn

YN H

Bæ xung Ph¶n biÖn I

ON .

Bæ xung Ph¶n biÖn II Léc V¨n Quang Ng Anh V−îng Ng ChÝ Thµnh Lª Xu©n L©n Ng Xu©n S¬n TrÇn V¨n S¬n Ph Thanh Toµn N. T. Thanh Mai

UC

§5.3 §5.4 §5.5 §5.6 §6.1

W

W

W

.D AY

Ôn tập

KE

M

§5.1 §5.2

Vò Quang B×nh Lª Thanh B»ng Ng §×nh S©m NguyÔn Hµ Hïng Ng Kiªn Trung TÞnh §×nh Th×n Ng Gia NghÜa Ph¹m V¨n Ngä Hµ Thµnh Trung Bïi SÜ Giang Ng H÷u Hµ TiÕn Thanh H−ng

L¹i Quang §¹o Hµ Thµnh trung Ng Ngäc Linh NguyÔn SÜ Hoµ Lª D¨ng Träng Vò §øc B×nh TrÇn Huy Thanh Ph¹m D− Minh Ng C¶nh Tïng Ng« Do·n Lîi Ng Anh TuÊn Ng Anh V−îng

http://www.ebook.edu.vn

5

OZ
ChuÈn bÞ M¸y
Lớp trưởng

.C OM
ChuÈn bÞ M¸y
Lớp trưởng

Kế hoạch học tập với lớp CH ĐIỆN II

TT

Hä vµ tªn h.viªn

C©u hái C. I

C©u hái C.V

§iÓm §iÓm thi T. luËn t¹i líp

.D AY

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

Vò Quèc §oµn Quang Vâ Quèc L¹i Quang NguyÔn M¹nh T¹ TiÕn NguyÔn V¨n NguyÔn Träng Hå Xu©n TrÇn Huy Ph¹m Thanh TrÇn V¨n Lu Minh TrÇn Ých Bïi V¨n Ng« Do·n Léc V¨n NguyÔn ChÝ D¬ng Quang NguyÔn Gia NguyÔn Xu©n

B×nh Dòng §¹i §¹o Hïng Long Ngäc T©n Thµnh Thanh Toµn B×nh Hïng T¸ch H¶i Lîi Quang Thµnh Minh S¬n

1-10 2-8 1-8 6-7 5-8 3-9 6-10 12-11 5-11 4-10

2-8-15 3-11-14 1-12-14 6-8-13 3-9-13 1-11-18 6-7-14 1-9-16

3-7-13

6-9
4-8 2-7 1-8 3-7 6-7 5-9

QU

M

KE

4-10 2-7 1-8

NghÜa

W

W

W

http://www.ebook.edu.vn

YN H
2-13-14

2-11-17

1-8-13

4-10-15 5-12-13 1-9-11 2-3-11 4-9-11 2-6-11 6-8-11

5-12-13 1-9-11

6

ON .

UC

OZ

.C OM
KÕt qu¶

Líp: Xe m¸y QS, CB.

Kho¸: 19 (TT)

Líp: Vò khÝ §¹n
TT Hä vµ tªn h.viªn C©u hái C. I C©u hái C.V

Kho¸: 19 (TT)
§iÓm T. luËn §iÓm thi t¹i líp

9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

1-9 3-10 6-11 5-11 4-10 3-9 2-8 1-7 2-8 6-7 6-9 1-10 2-11 3-10 3-10 4-8

5-9-11 2-8-15 1-9-15

T©n Thä TuÊn Tïng V−îng Dòng Giang L©m

KE

NguyÔn Anh NguyÔn C¶nh Ng« §øc NguyÔn Quang Lª KiÕn Vò Tïng Phan D¬ng NguyÔn §øc TrÞnh §×nh NguyÔn Kh¾c Lª §¨ng

QU

M

.D AY

Minh

ThuËn Th×n

W

Trinh Träng

W

NguyÔn Kiªn Trung

3-9

W

http://www.ebook.edu.vn

YN H
4-12-14 1-10-16 1-11-18 6-10-15 2-10-16 1-9-17 2-10-16 3-6-13 1-9-17 2-10-13 2-10-13 4-10-18

TrÇn V¨n NguyÔn H÷u Ph¹m V¨n

S¬n

3-10-13

2-9-17

7

ON .

1 2 3 4 5 6 7 8

§ç Thµnh Bïi SÜ TrÇn B¸ NguyÔn Sü Hå Minh Lª Xu©n

Biªn Giang HiÖu Hoµ Hïng L©n

3-7 6-7 5-9 4-10 5-11 6-10 2-7 3-8

2-3-16 4-9-11 2-6-15 6-8-18 4-6-11 5-7-17 3-10-17 3-8-14

T¨ng Xu©n Long NguyÔn Lîi Xu©n Ng« V¨n Lu

UC

NguyÔn Hµ Hïng

OZ

.C OM

Líp: CN CTM
TT Hä vµ tªn h.viªn C©u hái C. I C©u hái C.V

Kho¸: 19 (TT)

QU

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

NguyÔn Hoµng ¸nh Lª Thanh NguyÔn Nh Vò Ngäc TiÕn Thanh NguyÔn ChÝ L¹i §×nh Hµ Thµnh §µo Duy NguyÔn Trung Vò §øc NguyÔn Cao B»ng §µm Hïng H−ng L−¬ng Ph¬ng Trung ViÖt Anh B×nh C−êng Linh Mai Quý

4-7 5-8 6-9 6-10 1-11 1-10 2-7 3-8 4-9 3-7 2-8 1-9

1-7-13 1-9-17 2-11-17 4-9-16 2-8-15 1-9-14 3-12-14 1-11-15 1-7-17 3-10-16 4-8-14 5-9-17

NguyÔn Anh V−îng

3-10 4-11 5-10

NguyÔn Ngäc NguyÔn T. Thanh 16 NguyÔn Träng

6-12 6-10 5-9 4-10

M

KE

17 NguyÔn §×nh S©m 18 NguyÔn Minh Thuû 19 Ph¹m §øc Ch©u(NCT§)

.D AY

Líp: XD C«ng tr×nh
T T

YN H
8

4-7-13

3-9-18 1-7-16

3-10-16 1-9-14 2-11-17 6-8-16

Hä vµ tªn h.viªn

C©u hái C. I

C©u hái C.V

W

1 2 3 4 5 6

NguyÔn H÷u Mai §øc

Hµ Minh TuÊn TÜnh Phong Hµ

1-10 2-9 3-8 2-7

1-7-16 3-9-14 4-8-12 5-10-17

W

W

NguyÔn Thanh Ph¹m §øc NguyÔn M¹nh

NguyÔn TiÕn

3-7
4-8

2-12-15
4-9-15

http://www.ebook.edu.vn

ON .
Kho¸: 19 (TT)
§iÓm §iÓm thi T. luËn t¹i líp

UC

OZ

.C OM

§iÓm T. luËn

§iÓm thi t¹i líp

Kho¸: 19 (TT)
C©u hái C. V C©u hái C.VI §iÓ m T. luËn §iÓm thi t¹i líp

T T

Hä vµ tªn h.viªn

TrÇn ViÕt Lu H¶i NguyÔn §×nh

Minh Nam Ph¸t Ph−¬ng Quang QuyÕt Sanh T©m T©n Th¸i Thanh TuyÕn Tïng ViÖt VÜnh D¬ng

2-11-17 2-13-14

1-8-13

QU

13 NguyÔn Hoµng 14 15 16 17 18 19 20 21 22 23 24 25 26 .
NguyÔn TrÇn B¹ch Hång NguyÔn V¨n Vò V¨n §oµn V¨n

4-10-15

5-12-13 1-9-11 2-3-16 4-9-11 2-6-15 6-8-18 4-6-11 5-7-17 3-10-17 3-8-14 5-9-11 2-8-15

M

KE

.D AY

T©n

NguyÔn Thµnh NguyÔn Anh NguyÔn V¨n NguyÔn V¨n NguyÔn Ngäc NguyÔn Xu©n TrÇn §øc Mai B¹ch

W

W

W

3-10-13

http://www.ebook.edu.vn

YN H

1 2 3 4 5 6 7 8 9 10 11 12

TrÇn V¨n NguyÔn V¨n §Æng Xu©n Phan Hoµng Ph¹m V¨n Vò §øc NguyÔn KiÒu Tµo Ngäc Phïng ChÝ

C¶nh DuÉn H¶i HiÖp HiÖp HiÖp H−ng Kh«i Kiªn

2-8-15 3-11-14 1-12-14 6-8-13 3-9-13 1-11-18 6-7-14 1-9-16 3-7-13

6-8-20 4-10-15 5-12-19 1-9-16 7-13-18 4-9-20 2-12-15 4-6-16

6-13-20

5-10-20 6-8-14

3-10-17 5-9-16

7-13-15 3-10-20 1-9-15 4-12-14 7-10-17 5-11-19 6-10-15 2-10-16 7-9-17 4-10-16 3-12-15 1-9-17 2-12-13

9

ON .

UC

OZ

.C OM
KÕt qu¶

§IÖN I Líp: Th«ng tin (QS)

TrÇn Xu©n

YÕn

QU

27 . 28 . 29 . 30 . 31 . 32 . 33 . 34 . 35 . 36 .

NguyÔn Tµi Vâ Xung NguyÔn Nh TrÇn H÷u NguyÔn V¨n L¬ng V¨n TrÞnh Xu©n Ph¹m Thanh Hoµng V¨n

§¹t Hµ Khuª L¬ng Tó Tr×nh Trung TruyÒn ViÖt

1-9-15 4-12-14 1-10-16 1-11-18 6-10-15 2-10-16 1-9-17 2-10-16 3-6-13

4-10-18

2-9-14
4-8-14 4-7-19 1-9-17 2-11-17 4-9-16 2-8-15

1-9-17

2-10-13

KE

Líp: Th«ng tin (DS)
TT

M

YN H

7-9-20

3-12-14

1-11-15

Hä vµ tªn h.viªn

C©u hái C.V

C©u hái C. VI

ON .
Kho¸: 19 (TT)
§iÓm T. luËn §iÓm thi t¹i líp

.D AY

1 2 3 4 5 6 7 8 9

Lª §øc

Anh

4-10-18 2-9-17 4-8-14 1-7-13 1-9-17 2-11-17 4-9-16 2-8-15 1-9-14
10

6-7-20 3-10-16 4-8-14 5-9-17 4-7-18 3-13-18 6-7-16 3-10-16 1-9-19

NguyÔn TuÊn

Anh Dung §«ng Hµ H¶i HiÕu H−êng Kiªn

NguyÔn ThÞ Ph¬ng Hoµng V©n Bïi ViÖt §Æng Trung TrÇn ThÞ NguyÔn Ngäc

W

W

W

NguyÔn DiÔm VÜnh

http://www.ebook.edu.vn

UC

OZ

.C OM

T T

Hä vµ tªn h.viªn

C©u hái C. V

C©u hái C.VI

§iÓ m T. luËn

§iÓm thi t¹i líp

KÕt qu¶

TT

Hä vµ tªn h.viªn

C©u hái C.V

C©u hái C. VI

§iÓm T. luËn

§iÓm thi t¹i líp

TrÇn Träng Vò C«ng

Th¾ng Trung

3-10-16 1-9-14 2-11-17 1-9-13

4-8-20 1-9-16

2-12-14

W

W

W

.D AY

KE

M

http://www.ebook.edu.vn

QU

YN H
11

3-11-17

ON .

10 11 12 13 14 15 16 17 18 19 20 21

TrÇn §¹i §inh TiÕn Ch©u Thanh Vò ThÞ NguyÔn TÊt Lª ThÞ Thanh NguyÔn N¨ng D¬ng Hïng NguyÔn Toµn

Léc NghÜa Ph−¬ng Quúnh S¬n T©m Thµnh Th¾ng Th¾ng

3-12-14 1-11-15 1-7-17 3-10-16 4-8-14 5-9-17 4-7-13 3-9-18 1-7-16

2-11-17 8-9-20 6-8-16 5-10-15

4-9-14 7-10-19 5-9-15 6-9-18

UC

OZ

3-12-16

.C OM

Kho¸: 19 (TT)
C©u hái C.V C©u hái C. VI §iÓm T. luËn

TT

Hä vµ tªn h.viªn

§iÓm thi t¹i líp

M

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

NguyÔn Hoµng NguyÔn ThÞ Lan Ph¹m ThÞ Ph¬ng §ç TuÊn Lª Anh NguyÔn TiÕn Qu¸ch ThÕ KhuÊt V¨n NguyÔn V¨n §ç Kh¾c §µo Xu©n TrÇn Trung NguyÔn Thµnh Do·n V¨n Lª Träng Ph¹m TiÕn §µo NhËt NguyÔn Hång TrÇn Nh §Æng V¨n Lª Quang Vò §øc §µo TiÕn

An Anh Anh C¬ng Dòng Dòng Dòng §ång §øc Hoµng Huy Kiªn Long Minh NghÜa

6-8-16 5-10-15 3-12-16 4-9-18 1-10-16 5-9-15 2-9-18 4-8-14 2-12-14 1-9-12 3-11-17 1-7-16

1-10-20 5-7-16 3-9-14 4-8-19 5-10-17 2-12-15 4-9-15 1-7-16 1-9-18 4-9-14 1-9-17

1-10-16

QU

3-9-14 4-8-12

Nguyªn 5-10-17

KE

Quang Qu©n S¬n

2-1215
4-9-15 1-7-16 1-9-18 2-11-13 4-9-14 2-8-13 1-9-17 3-10-16 5-11-15

.D AY

Thµnh Trung Trêng VËn

W

W

W

http://www.ebook.edu.vn

YN H
12

2-12-20

2-13-19 3-10-16 5-11-15 1-9-17

3-11-16 4-8-16 3-9-17 5-8-19 1-9-14 3-12-14 1-11-20 1-7-17 3-10-16 4-8-14

ON .

UC

OZ

.C OM

§IÖN II Líp: §iÒu khiÓn (QS)

Líp: §iÒu khiÓn (DS)
C©u hái C.V

Kho¸: 19 (TT)

TT

Hä vµ tªn h.viªn

M

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

§oµn V¨n NguyÔn ThÞ Ph¹m §øc Hoµng V¨n Bïi Minh NguyÔn ThÞ Thuý Vò ThÞ LÖ NguyÔn Quang Bïi ThÞ Thu Ng« Quang NguyÔn Thµnh NguyÔn Xu©n Phó Chu Quèc NguyÔn ThÞ TrÇn ThÞ Hång NguyÔn Träng Bïi ThÞ Ph¹m H¶i

Anh B×nh C¬ng DuyÒn H»ng H»ng H»ng H¶i HiÒn Huy Qu©n S¬n Th¸i Th¶o Th¾m Thuû YÕn Thanh

1-9-17 3-11-16 4-8-16 3-9-17 5-8-18 3-12-14 1-11-15 1-7-17 3-10-16 4-8-14 5-9-17 3-9-18 1-7-16 4-7-13

5-9-17 4-7-20 3-9-18 6-7-16 3-10-19 2-11-17 8-9-20 6-8-16

QU

3-10-16 1-9-14 2-11-17 1-9-13 2-9-17

KE

19 PhÝ H÷u

NghÜa

W

W

W

.D AY

http://www.ebook.edu.vn

YN H
13

ON .
5-10-15 4-9-14 5-9-15 6-9-18

3-12-16
7-10-19

4-8-20 2-12-14 1-9-16 3-11-17 3-10-16

UC

OZ

.C OM

C©u hái C. VI

§iÓm T. luËn

§iÓm thi t¹i líp

Líp: Ho¸
TT Hä vµ tªn h.viªn C©u hái C.V

Kho¸: 19 (TT)
C©u hái C. VI §iÓm T. luËn

NguyÔn MËu TrÇn ThÞ Thanh

V−¬ng H−¬ng

W

W

W

.D AY

KE

M

http://www.ebook.edu.vn

QU

YN H
4-9-11 2-6-15 6-8-18 4-6-11
14

1 2 3 4 5 6 7 8 9 10 11 12 13 14

Lª Ngäc D¬ng Ngäc NguyÔn TiÕn NguyÔn Thanh §inh V¨n NguyÔn Kh¸nh §µo ThÕ NguyÔn Quang NguyÔn ThÞ BÝch TrÇn Quang NguyÔn V¨n

¸nh C¬ Dòng H¶i Hoan H−ng H÷u Minh Nga Ph¸t Tó

1-11-18 6-7-14 1-9-16 3-7-13 2-11-17 2-13-14

4-9-20 2-12-15 6-13-20 4-6-16 5-10-20 3-10-17 6-8-14 5-9-16

1-8-13
4-10-15 5-12-13 1-9-11 2-3-16

ON .
7-13-15 1-9-15 3-10-20 4-12-14 7-10-17 5-11-19 6-10-15

UC

OZ

.C OM
§iÓm thi t¹i líp