1 Uvod

Zadatak 1.1 Dokazati da je funkcija

1
g(x) =
1x
monotnona na intervalu 0 < x < 1, i da usled toga estimacije spektra
prikazane na slikama moraju imati vrhove na istim ucestanostima.

A (f ) i P B (f ).
Slika 1.1: Spektralne gustine snage Pxx xx

Resenje.
1
g 0 (x) = > 0 za 0<x<1
(1 x)2
A (f ) i y(f ) = P B (f )
Funkcija g(x) je monotona, pa funkcije x(f ) = Pxx xx
dostizu maksimume pri istim vrednostima argumenta f .

Zadatak 1.2 Ukoliko se slucajna promenljiva (s.p.) x transformise u s.p.

y = g(x), pokazati da je varijansa s.p. y priblizno jednaka

var(y) [g 0 ()]2 var(x)

gde je = E[x].

Resenje. Linearizacijom funkcije g(x) u okolini ocekivanja dobijamo:

1 1 1
y = g(x) = + (x ).
1x 1 (1 )2
2 OS3SAS Spektralna analiza signala

Ocekivanje y dato je sa
1 1 1
y = E[g(x)] + 2
E(x ) = ,
1 (1 ) | {z } 1
0

pa se za varijansu dobija
" 2 #
1
var(y) = E[(y my )2 ] E g(x)
1
1
E[(x )2 ] = [g 0 ()]2 var(x)
(1 )4
A (f ) normalizovana tako da je
Sa slike se vidi da je spektralna gustina Pxx
njena maksimalna vrednost jednaka jedinici (maxf [Pxx A (f )] = 1), odnosno
B (f ) bice najveca upravo na
0 dB. U skaldu sa tim, varijansa estimacije Pxx
onim ucestanostima f u kojima se nalaze vrhovi funkcije Pxx A (f ), jer je na

tim ucestanostima 1 0. Prema tome, transformacija

B 1
Pxx (f ) =
A (f )
1 Pxx
na prvi pogled povecava rezoluciju, ali drasticno povecava i varijansu esti-
macije.

Zadatak 1.3 Neka je u[n] kompleksan beo slucajan proces nulte srednje
vrednosti, dat sa
u[n] = uR [n] + juI [n],
gde su uR [n] i uI [n] medusobno nekorelisani realni beli Gaussovi slucajni
procesi, varijansi 2 /2. Pokazati da se proces z[n] = a[1]z[n 1] + u[n]
moze napisati kao

zR [n] = a[1]zR [n 1] + uR [n],

zI [n] = a[1]zI [n 1] + uI [n],

gde
su zR [n] i zI [n] realni procesi. Koristeci ovaj rezultat, pokazati da
2 Re{z[n]} ima istu spektralnu gustinu snage (SGS) kao z[n].
Resenje.

z[n] = zR [n] + jzI [n] = a[1] (zR [n 1] + jzI [n 1]) + uR [n] + juI [n]

Izjednacavanjem relanih i imaginarnih delova dolazimo do trazenog rezul-

tata.
Autokorelaciona funkcija (AKF) kompleksnog slucajnog procesa u[n] de-
finise se kao
RU [k] = E{u [n]u[n + k]}
1 Uvod 3

pa je

RU [k] = E{u [n]u[n + k]} =

= E{(uR [n + k] juI [n + k])(uR [n + k] + juI [n + k])} =
= E{uR [n]uR [n + k]} + E{uI [n]uI [n + k]} =
2 2
= + = 2
2 2
Spektralnu gustinu snage slucajnig procesa z[n] i zR [n] dobijamo na
osnovu teoreme o spektralnoj faktorizaciji:
1 1
Z(z) = U (z) Pz (z) = 2 ,
1 + a[1]z 1 |1 + a[1] exp{j2f }|2
1 2
PzR (f ) = .
|1 + a[1] exp{j2f }|2 2

Poznato je da se mnozenjem slucajne promenljive nekom konstantnom c

vrednosti njene autokorelacione funkcije povecavaju c2 puta. Samim ce i
SGS biti c2 puta veca, pa je

P2zR (f ) = 2 PzR (f ) = Pz (f ).