A Foundation in Digital Communication

2nd Edition Amos Lapidoth

Visit to download the full and correct content document:
https://textbookfull.com/product/a-foundation-in-digital-communication-2nd-edition-am
os-lapidoth/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...

Media Culture Mass Communication in a Digital Age

Richard Campbell

https://textbookfull.com/product/media-culture-mass-
communication-in-a-digital-age-richard-campbell/

The Game Console 2.0: A Photographic History from Atari

to Xbox 2nd Edition Amos

https://textbookfull.com/product/the-game-
console-2-0-a-photographic-history-from-atari-to-xbox-2nd-
edition-amos/

Fundamental Theories of Business Communication: Laying

a Foundation for the Field Milton Mayfield

https://textbookfull.com/product/fundamental-theories-of-
business-communication-laying-a-foundation-for-the-field-milton-
mayfield/

Synchronization in Digital Communication Systems 1st

Edition Fuyun Ling

https://textbookfull.com/product/synchronization-in-digital-
communication-systems-1st-edition-fuyun-ling/
Digital Communication Techniques 1st Edition Christian
Gontrand

https://textbookfull.com/product/digital-communication-
techniques-1st-edition-christian-gontrand/

Principles of Digital Communication A Top Down Approach

1st Edition Bixio Rimoldi

https://textbookfull.com/product/principles-of-digital-
communication-a-top-down-approach-1st-edition-bixio-rimoldi/

The Local and the Digital in Environmental

Communication Joana Díaz-Pont

https://textbookfull.com/product/the-local-and-the-digital-in-
environmental-communication-joana-diaz-pont/

Communication and Learning in an Age of Digital

Transformation 1st Edition Susan Mancino

https://textbookfull.com/product/communication-and-learning-in-
an-age-of-digital-transformation-1st-edition-susan-mancino/

The Foundation Engineering Handbook 2nd Edition

Manjriker Gunaratne (Editor)

https://textbookfull.com/product/the-foundation-engineering-
handbook-2nd-edition-manjriker-gunaratne-editor/
 A F O U N DAT I O N I N D I G I TA L C O M M U N I C AT I O N

Second Edition

Written in the intuitive yet rigorous style that readers of A Foundation in Digital
Communication have come to expect, the second edition adds new chapters on the
Radar Problem (with Lyapunov’s theorem) and Intersymbol Interference channels.
An added bonus is the treatment of the baseband representation of passband noise.
But much more has changed. Most notably, the derivation of the optimal receiver
for the additive white Gaussian noise channel has been completely rewritten. It is
now simpler, more geometric, and more intuitive, and yet the end result is stronger
and more general: it easily generalizes to multiple-antenna channels and to the
Radar Problem.
The definition of the power spectral density of nonstationary stochastic pro-
cesses such as QAM signals remains, but new are the connections with the average
autocovariance function and its Fourier Transform. Also unchanged is the empha-
sis on the geometry of the space of energy-limited signals and on the isometry
properties of the Fourier Transform, the baseband representation of passband
signals, and complex sampling.
With the additional topics and over 150 new problems, the book can now be
used for a one- or two-semester graduate course on digital communications or for
a course on stochastic processes and detection theory.

A M O S L A P I D O T H is Professor of Information Theory at ETH Zurich, the Swiss

Federal Institute of Technology, and a Fellow of the IEEE. He received his Ph.D.
in Electrical Engineering from Stanford University, and has held the positions of
Assistant and Associate Professor at the Massachusetts Institute of Technology.
A F O U N DAT I O N I N D I G I TA L
COM M UNI CAT ION
Second Edition

A M O S L A P I D OT H
ETH Zurich
 University Printing House, Cambridge CB2 8BS, United Kingdom
One Liberty Plaza, 20th Floor, New York, NY 10006, USA
477 Williamstown Road, Port Melbourne, VIC 3207, Australia
4843/24, 2nd Floor, Ansari Road, Daryaganj, Delhi – 110002, India
79 Anson Road, #06–04/06, Singapore 079906

Cambridge University Press is part of the University of Cambridge.

It furthers the University’s mission by disseminating knowledge in the pursuit of
education, learning, and research at the highest international levels of excellence.

www.cambridge.org
Information on this title: www.cambridge.org/9781107177321
DOI: 10.1017/9781316822708

c Amos Lapidoth 2017
This publication is in copyright. Subject to statutory exception
and to the provisions of relevant collective licensing agreements,
no reproduction of any part may take place without the written
permission of Cambridge University Press.
First published 2017
Printed in the United Kingdom by TJ International Ltd. Padstow Cornwall
A catalogue record for this publication is available from the British Library.
ISBN 978-1-107-17732-1 Hardback

Cambridge University Press has no responsibility for the persistence or accuracy of

URLs for external or third-party Internet Web sites referred to in this publication
and does not guarantee that any content on such Web sites is, or will remain,
accurate or appropriate.
To my family
Contents

Preface to the Second Edition xvi

Preface to the First Edition xviii

Acknowledgments for the Second Edition xxvi

Acknowledgments for the First Edition xxvii

1 Some Essential Notation 1

2 Signals, Integrals, and Sets of Measure Zero 4

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Integrals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Integrating Complex-Valued Signals . . . . . . . . . . . . . . . . . . . 5
2.4 An Inequality for Integrals . . . . . . . . . . . . . . . . . . . . . . . . 6
2.5 Sets of Lebesgue Measure Zero . . . . . . . . . . . . . . . . . . . . . 7
2.6 Swapping Integration, Summation, and Expectation . . . . . . . . . . 10
2.7 Additional Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.8 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

3 The Inner Product 14

3.1 The Inner Product . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2 When Is the Inner Product Defined? . . . . . . . . . . . . . . . . . . 17
3.3 The Cauchy-Schwarz Inequality . . . . . . . . . . . . . . . . . . . . . 18
3.4 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.5 The Cauchy-Schwarz Inequality for Random Variables . . . . . . . . . 23
3.6 Mathematical Comments . . . . . . . . . . . . . . . . . . . . . . . . 23
3.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

4 The Space L2 of Energy-Limited Signals 27

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2 L2 as a Vector Space . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.3 Subspace, Dimension, and Basis . . . . . . . . . . . . . . . . . . . . 29
4.4 u2 as the “length” of the Signal u(·) . . . . . . . . . . . . . . . . 31
4.5 Orthogonality and Inner Products . . . . . . . . . . . . . . . . . . . . 33
4.6 Orthonormal Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.7 The Space L2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

vii
viii Contents

4.8 Additional Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

4.9 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

5 Convolutions and Filters 54

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.2 Time Shifts and Reflections . . . . . . . . . . . . . . . . . . . . . . . 54
5.3 The Convolution Expression . . . . . . . . . . . . . . . . . . . . . . . 55
5.4 Thinking About the Convolution . . . . . . . . . . . . . . . . . . . . 55
5.5 When Is the Convolution Defined? . . . . . . . . . . . . . . . . . . . 56
5.6 Basic Properties of the Convolution . . . . . . . . . . . . . . . . . . . 58
5.7 Filters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.8 The Matched Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.9 The Ideal Unit-Gain Lowpass Filter . . . . . . . . . . . . . . . . . . . 61
5.10 The Ideal Unit-Gain Bandpass Filter . . . . . . . . . . . . . . . . . . 62
5.11 Young’s Inequality . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.12 Additional Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.13 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

6 The Frequency Response of Filters and Bandlimited Signals 65

6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6.2 Review of the Fourier Transform . . . . . . . . . . . . . . . . . . . . 65
6.3 The Frequency Response of a Filter . . . . . . . . . . . . . . . . . . . 77
6.4 Bandlimited Signals and Lowpass Filtering . . . . . . . . . . . . . . . 80
6.5 Bandlimited Signals Through Stable Filters . . . . . . . . . . . . . . . 90
6.6 The Bandwidth of a Product of Two Signals . . . . . . . . . . . . . . 91
6.7 Bernstein’s Inequality . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6.8 Time-Limited and Bandlimited Signals . . . . . . . . . . . . . . . . . 94
6.9 A Theorem by Paley and Wiener . . . . . . . . . . . . . . . . . . . . 97
6.10 Picket Fences and Poisson Summation . . . . . . . . . . . . . . . . . 97
6.11 Additional Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.12 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

7 Passband Signals and Their Representation 104

7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
7.2 Baseband and Passband Signals . . . . . . . . . . . . . . . . . . . . . 104
7.3 Bandwidth around a Carrier Frequency . . . . . . . . . . . . . . . . . 107
7.4 Real Passband Signals . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.5 The Analytic Signal . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
7.6 Baseband Representation of Real Passband Signals . . . . . . . . . . 119
7.7 Energy-Limited Passband Signals . . . . . . . . . . . . . . . . . . . . 133
7.8 Shifting to Passband and Convolving . . . . . . . . . . . . . . . . . . 141
7.9 Mathematical Comments . . . . . . . . . . . . . . . . . . . . . . . . 142
7.10 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142

8 Complete Orthonormal Systems and the Sampling Theorem 147

8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
8.2 Complete Orthonormal System . . . . . . . . . . . . . . . . . . . . . 147
8.3 The Fourier Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
Contents ix

8.4 The Sampling Theorem . . . . . . . . . . . . . . . . . . . . . . . . . 152

8.5 The Samples of the Convolution . . . . . . . . . . . . . . . . . . . . 156
8.6 Closed Subspaces of L2 . . . . . . . . . . . . . . . . . . . . . . . . . 156
8.7 An Isomorphism . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
8.8 Prolate Spheroidal Wave Functions . . . . . . . . . . . . . . . . . . . 161
8.9 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162

9 Sampling Real Passband Signals 168

9.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
9.2 Complex Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
9.3 Reconstructing xPB from its Complex Samples . . . . . . . . . . . . . 170
9.4 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173

10 Mapping Bits to Waveforms 176

10.1 What Is Modulation? . . . . . . . . . . . . . . . . . . . . . . . . . . 176
10.2 Modulating One Bit . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
10.3 From Bits to Real Numbers . . . . . . . . . . . . . . . . . . . . . . . 178
10.4 Block-Mode Mapping of Bits to Real Numbers . . . . . . . . . . . . . 179
10.5 From Real Numbers to Waveforms with Linear Modulation . . . . . . 181
10.6 Recovering the Signal Coefficients with a Matched Filter . . . . . . . 182
10.7 Pulse Amplitude Modulation . . . . . . . . . . . . . . . . . . . . . . 184
10.8 Constellations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
10.9 Uncoded Transmission . . . . . . . . . . . . . . . . . . . . . . . . . . 187
10.10 Bandwidth Considerations . . . . . . . . . . . . . . . . . . . . . . . . 188
10.11 Design Considerations . . . . . . . . . . . . . . . . . . . . . . . . . . 189
10.12 Some Implementation Considerations . . . . . . . . . . . . . . . . . . 191
10.13 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193

11 Nyquist’s Criterion 195

11.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
11.2 The Self-Similarity Function of Energy-Limited Signals . . . . . . . . 196
11.3 Nyquist’s Criterion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
11.4 The Self-Similarity Function of Integrable Signals . . . . . . . . . . . 208
11.5 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208

12 Stochastic Processes: Definition 213

12.1 Introduction and Continuous-Time Heuristics . . . . . . . . . . . . . 213
12.2 A Formal Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
12.3 Describing Stochastic Processes . . . . . . . . . . . . . . . . . . . . . 216
12.4 Additional Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
12.5 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217

13 Stationary Discrete-Time Stochastic Processes 219

13.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
13.2 Stationary Processes . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
13.3 Wide-Sense Stationary Stochastic Processes . . . . . . . . . . . . . . 220
13.4 Stationarity and Wide-Sense Stationarity . . . . . . . . . . . . . . . . 221
13.5 The Autocovariance Function . . . . . . . . . . . . . . . . . . . . . . 222
x Contents

13.6 The Power Spectral Density Function . . . . . . . . . . . . . . . . . . 224

13.7 The Spectral Distribution Function . . . . . . . . . . . . . . . . . . . 228
13.8 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229

14 Energy and Power in PAM 232

14.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
14.2 Energy in PAM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
14.3 Defining the Power in PAM . . . . . . . . . . . . . . . . . . . . . . . 235
14.4 On the Mean of Transmitted Waveforms . . . . . . . . . . . . . . . . 237
14.5 Computing the Power in PAM . . . . . . . . . . . . . . . . . . . . . 238
14.6 A More Formal Account . . . . . . . . . . . . . . . . . . . . . . . . . 249
14.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253

15 Operational Power Spectral Density 257

15.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
15.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
15.3 Defining the Operational PSD . . . . . . . . . . . . . . . . . . . . . . 262
15.4 The Operational PSD of Real PAM Signals . . . . . . . . . . . . . . 266
15.5 A More Formal Account . . . . . . . . . . . . . . . . . . . . . . . . . 270
15.6 Operational PSD and Average Autocovariance Function . . . . . . . . 276
15.7 The Operational PSD of a Filtered Stochastic Process . . . . . . . . . 283
15.8 The Operational PSD and Power . . . . . . . . . . . . . . . . . . . . 285
15.9 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 292

16 Quadrature Amplitude Modulation 295

16.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
16.2 PAM for Passband? . . . . . . . . . . . . . . . . . . . . . . . . . . . 296
16.3 The QAM Signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297
16.4 Bandwidth Considerations . . . . . . . . . . . . . . . . . . . . . . . . 299
16.5 Orthogonality Considerations . . . . . . . . . . . . . . . . . . . . . . 300
16.6 Spectral Efficiency . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
16.7 QAM Constellations . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
16.8 Recovering the Complex Symbols via Inner Products . . . . . . . . . . 305
16.9 Filtering QAM Signals . . . . . . . . . . . . . . . . . . . . . . . . . . 309
16.10 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311

17 Complex Random Variables and Processes 314

17.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 314
17.2 Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 315
17.3 Complex Random Variables . . . . . . . . . . . . . . . . . . . . . . . 316
17.4 Complex Random Vectors . . . . . . . . . . . . . . . . . . . . . . . . 323
17.5 Discrete-Time Complex Stochastic Processes . . . . . . . . . . . . . . 328
17.6 Limits of Proper Complex Random Variables . . . . . . . . . . . . . . 334
17.7 On the Eigenvalues of Large Toeplitz Matrices . . . . . . . . . . . . . 337
17.8 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 337

18 Energy, Power, and PSD in QAM 341

18.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 341
Contents xi

18.2 The Energy in QAM . . . . . . . . . . . . . . . . . . . . . . . . . . . 341

18.3 The Power in QAM . . . . . . . . . . . . . . . . . . . . . . . . . . . 344
18.4 The Operational PSD of QAM Signals . . . . . . . . . . . . . . . . . 349
18.5 A Formal Account of Power in Passband and Baseband . . . . . . . . 354
18.6 A Formal Account of the PSD in Baseband and Passband . . . . . . . 361
18.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 370

19 The Univariate Gaussian Distribution 373

19.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 373
19.2 Standard Gaussian Random Variables . . . . . . . . . . . . . . . . . . 373
19.3 Gaussian Random Variables . . . . . . . . . . . . . . . . . . . . . . . 375
19.4 The Q-Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 378
19.5 Integrals of Exponentiated Quadratics . . . . . . . . . . . . . . . . . 382
19.6 The Moment Generating Function . . . . . . . . . . . . . . . . . . . 383
19.7 The Characteristic Function of Gaussians . . . . . . . . . . . . . . . . 384
19.8 Central and Noncentral Chi-Square Random Variables . . . . . . . . . 386
19.9 The Limit of Gaussians Is Gaussian . . . . . . . . . . . . . . . . . . . 390
19.10 Additional Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . 392
19.11 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 392

20 Binary Hypothesis Testing 395

20.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 395
20.2 Problem Formulation . . . . . . . . . . . . . . . . . . . . . . . . . . 395
20.3 Guessing in the Absence of Observables . . . . . . . . . . . . . . . . 397
20.4 The Joint Law of H and Y . . . . . . . . . . . . . . . . . . . . . . . 398
20.5 Guessing after Observing Y . . . . . . . . . . . . . . . . . . . . . . . 400
20.6 Randomized Decision Rules . . . . . . . . . . . . . . . . . . . . . . . 403
20.7 The MAP Decision Rule . . . . . . . . . . . . . . . . . . . . . . . . . 405
20.8 The ML Decision Rule . . . . . . . . . . . . . . . . . . . . . . . . . . 407
20.9 Performance Analysis: the Bhattacharyya Bound . . . . . . . . . . . . 408
20.10 Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 408
20.11 (Nontelepathic) Processing . . . . . . . . . . . . . . . . . . . . . . . 411
20.12 Sufficient Statistics . . . . . . . . . . . . . . . . . . . . . . . . . . . 416
20.13 Implications of Optimality . . . . . . . . . . . . . . . . . . . . . . . . 424
20.14 Multi-Dimensional Binary Gaussian Hypothesis Testing . . . . . . . . 425
20.15 Guessing in the Presence of a Random Parameter . . . . . . . . . . . 431
20.16 Mathematical Notes . . . . . . . . . . . . . . . . . . . . . . . . . . . 433
20.17 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 433

21 Multi-Hypothesis Testing 441

21.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 441
21.2 The Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 441
21.3 Optimal Guessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 442
21.4 Example: Multi-Hypothesis Testing for 2D Signals . . . . . . . . . . . 447
21.5 The Union-of-Events Bound . . . . . . . . . . . . . . . . . . . . . . . 451
21.6 Multi-Dimensional M-ary Gaussian Hypothesis Testing . . . . . . . . 458
21.7 Additional Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . 464
21.8 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 464
xii Contents

22 Sufficient Statistics 468

22.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 468
22.2 Definition and Main Consequence . . . . . . . . . . . . . . . . . . . . 469
22.3 Equivalent Conditions . . . . . . . . . . . . . . . . . . . . . . . . . . 471
22.4 Identifying Sufficient Statistics . . . . . . . . . . . . . . . . . . . . . 481
22.5 Sufficient Statistics for the M-ary Gaussian Problem . . . . . . . . . . 485
22.6 Irrelevant Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 487
22.7 Testing with Random Parameters . . . . . . . . . . . . . . . . . . . . 489
22.8 Additional Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . 491
22.9 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 491

23 The Multivariate Gaussian Distribution 494

23.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 494
23.2 Notation and Preliminaries . . . . . . . . . . . . . . . . . . . . . . . 495
23.3 Some Results on Matrices . . . . . . . . . . . . . . . . . . . . . . . . 497
23.4 Random Vectors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 503
23.5 A Standard Gaussian Vector . . . . . . . . . . . . . . . . . . . . . . . 509
23.6 Gaussian Random Vectors . . . . . . . . . . . . . . . . . . . . . . . . 510
23.7 Jointly Gaussian Vectors . . . . . . . . . . . . . . . . . . . . . . . . . 523
23.8 Moments and Wick’s Formula . . . . . . . . . . . . . . . . . . . . . . 527
23.9 The Limit of Gaussian Vectors Is a Gaussian Vector . . . . . . . . . . 528
23.10 Conditionally-Independent Gaussian Vectors . . . . . . . . . . . . . . 529
23.11 Additional Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . 533
23.12 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 534

24 Complex Gaussians and Circular Symmetry 540

24.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 540
24.2 Scalars . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 540
24.3 Vectors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 548
24.4 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 558

25 Continuous-Time Stochastic Processes 560

25.1 Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 560
25.2 The Finite-Dimensional Distributions . . . . . . . . . . . . . . . . . . 560
25.3 Definition of a Gaussian SP . . . . . . . . . . . . . . . . . . . . . . . 563
25.4 Stationary Continuous-Time Processes . . . . . . . . . . . . . . . . . 564
25.5 Stationary Gaussian Stochastic Processes . . . . . . . . . . . . . . . . 566
25.6 Properties of the Autocovariance Function . . . . . . . . . . . . . . . 568
25.7 The Power Spectral Density of a Continuous-Time SP . . . . . . . . . 571
25.8 The Spectral Distribution Function . . . . . . . . . . . . . . . . . . . 573
25.9 The Average Power . . . . . . . . . . . . . . . . . . . . . . . . . . . 576
25.10 Stochastic Integrals and Linear Functionals . . . . . . . . . . . . . . . 578
25.11 Linear Functionals of Gaussian Processes . . . . . . . . . . . . . . . . 585
25.12 The Joint Distribution of Linear Functionals . . . . . . . . . . . . . . 591
25.13 Filtering WSS Processes . . . . . . . . . . . . . . . . . . . . . . . . . 594
25.14 The PSD Revisited . . . . . . . . . . . . . . . . . . . . . . . . . . . 600
25.15 White Gaussian Noise . . . . . . . . . . . . . . . . . . . . . . . . . . 603
25.16 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 613
Contents xiii

26 Detection in White Gaussian Noise 620

26.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 620
26.2 Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 620
26.3 From a Stochastic Process to a Random Vector . . . . . . . . . . . . 621
26.4 The Random Vector of Inner Products . . . . . . . . . . . . . . . . . 626
26.5 Optimal Guessing Rule . . . . . . . . . . . . . . . . . . . . . . . . . 628
26.6 Performance Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . 632
26.7 The Front-End Filter . . . . . . . . . . . . . . . . . . . . . . . . . . 634
26.8 Detection in Passband . . . . . . . . . . . . . . . . . . . . . . . . . . 637
26.9 Some Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 638
26.10 Detection in Colored Gaussian Noise . . . . . . . . . . . . . . . . . . 652
26.11 Multiple Antennas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 662
26.12 Detecting Signals of Infinite Bandwidth . . . . . . . . . . . . . . . . . 664
26.13 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 665

27 Noncoherent Detection and Nuisance Parameters 670

27.1 Introduction and Motivation . . . . . . . . . . . . . . . . . . . . . . 670
27.2 The Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 672
27.3 From a SP to a Random Vector . . . . . . . . . . . . . . . . . . . . . 673
27.4 The Conditional Law of the Random Vector . . . . . . . . . . . . . . 675
27.5 An Optimal Detector . . . . . . . . . . . . . . . . . . . . . . . . . . 678
27.6 The Probability of Error . . . . . . . . . . . . . . . . . . . . . . . . . 680
27.7 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 681
27.8 Extension to M ≥ 2 Signals . . . . . . . . . . . . . . . . . . . . . . . 683
27.9 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 685

28 Detecting PAM and QAM Signals in White Gaussian Noise 688

28.1 Introduction and Setup . . . . . . . . . . . . . . . . . . . . . . . . . 688
28.2 A Random Vector and Its Conditional Law . . . . . . . . . . . . . . . 689
28.3 Other Optimality Criteria . . . . . . . . . . . . . . . . . . . . . . . . 691
28.4 Consequences of Orthonormality . . . . . . . . . . . . . . . . . . . . 693
28.5 Extension to QAM Communications . . . . . . . . . . . . . . . . . . 696
28.6 Additional Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . 703
28.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 703

29 Linear Binary Block Codes with Antipodal Signaling 707

29.1 Introduction and Setup . . . . . . . . . . . . . . . . . . . . . . . . . 707
29.2 The Binary Field F2 and the Vector Space Fκ2 . . . . . . . . . . . . . 708
29.3 Binary Linear Encoders and Codes . . . . . . . . . . . . . . . . . . . 711
29.4 Binary Encoders with Antipodal Signaling . . . . . . . . . . . . . . . 714
29.5 Power and Operational Power Spectral Density . . . . . . . . . . . . 715
29.6 Performance Criteria . . . . . . . . . . . . . . . . . . . . . . . . . . . 719
29.7 Minimizing the Block Error Rate . . . . . . . . . . . . . . . . . . . . 720
29.8 Minimizing the Bit Error Rate . . . . . . . . . . . . . . . . . . . . . . 725
29.9 Assuming the All-Zero Codeword . . . . . . . . . . . . . . . . . . . . 729
29.10 System Parameters . . . . . . . . . . . . . . . . . . . . . . . . . . . 734
29.11 Hard vs. Soft Decisions . . . . . . . . . . . . . . . . . . . . . . . . . 735
29.12 The Varshamov and Singleton Bounds . . . . . . . . . . . . . . . . . 735
xiv Contents

29.13 Additional Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . 736

29.14 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 737

30 The Radar Problem 740

30.1 The Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 740
30.2 The Radar and the Knapsack Problems . . . . . . . . . . . . . . . . . 746
30.3 Pareto-Optimality and Linear Functionals . . . . . . . . . . . . . . . . 747
30.4 One Type of Error Is Not Allowed . . . . . . . . . . . . . . . . . . . . 748
30.5 Likelihood-Ratio Tests . . . . . . . . . . . . . . . . . . . . . . . . . . 751
30.6 A Gaussian Example . . . . . . . . . . . . . . . . . . . . . . . . . . . 759
30.7 Detecting a Signal in White Gaussian Noise . . . . . . . . . . . . . . 760
30.8 Sufficient Statistics . . . . . . . . . . . . . . . . . . . . . . . . . . . 762
30.9 A Noncoherent Detection Problem . . . . . . . . . . . . . . . . . . . 763
30.10 Randomization Is Not Needed . . . . . . . . . . . . . . . . . . . . . . 768
30.11 The Big Picture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 772
30.12 Relative Entropy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 776
30.13 Additional Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . 781
30.14 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 781

31 A Glimpse at Discrete-Time Signal Processing 786

31.1 Discrete-Time Filters . . . . . . . . . . . . . . . . . . . . . . . . . . 786
31.2 Processing Discrete-Time Stochastic Processes . . . . . . . . . . . . . 789
31.3 Discrete-Time Whitening Filters . . . . . . . . . . . . . . . . . . . . 794
31.4 Processing Discrete-Time Complex Processes . . . . . . . . . . . . . 797
31.5 Additional Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . 801
31.6 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 801

32 Intersymbol Interference 803

32.1 The Linearly-Dispersive Channel . . . . . . . . . . . . . . . . . . . . 803
32.2 PAM on the ISI Channel . . . . . . . . . . . . . . . . . . . . . . . . . 803
32.3 Guessing the Data Bits . . . . . . . . . . . . . . . . . . . . . . . . . 807
32.4 QAM on the ISI Channel . . . . . . . . . . . . . . . . . . . . . . . . 818
32.5 From Passband to Baseband . . . . . . . . . . . . . . . . . . . . . . 823
32.6 Additional Reading . . . . . . . . . . . . . . . . . . . . . . . . . . . 827
32.7 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 828

A On the Fourier Series 830

A.1 Introduction and Preliminaries . . . . . . . . . . . . . . . . . . . . . 830
A.2 Reconstruction in L1 . . . . . . . . . . . . . . . . . . . . . . . . . . 832
A.3 Geometric Considerations . . . . . . . . . . . . . . . . . . . . . . . . 835
A.4 Pointwise Reconstruction . . . . . . . . . . . . . . . . . . . . . . . . 839

B On the Discrete-Time Fourier Transform 841

C Positive Definite Functions 845

D The Baseband Representation of Passband Stochastic Processes 848

Bibliography 858
Contents xv

Theorems Referenced by Name 864

Abbreviations 865

List of Symbols 866

Index 875
Preface to the Second Edition

Without conceding a blemish in the first edition, I think I had best come clean
and admit that I embarked on a second edition largely to adopt a more geometric
approach to the detection of signals in white Gaussian noise. Equally rigorous, yet
more intuitive, this approach is not only student-friendly, but also extends more
easily to the detection problem with random parameters and to the radar problem.
The new approach is based on the projection of white Gaussian noise onto a finite-
dimensional subspace (Section 25.15.2) and on the independence of this projec-
tion and the difference between noise and projection; see Theorem 25.15.6 and
Theorem 25.15.7. The latter theorem allows for a simple proof of the sufficiency
of the matched-filters’ outputs without the need to define sufficient statistics for
continuous-time observables. The key idea is that—while the receiver cannot re-
cover the observable from its projection onto the subspace spanned by the mean
signals—it can mimic the performance of any receiver that bases its decision on
the observable using three steps (Figure 26.1 on Page 623): use local randomness
to generate an independent stochastic process whose law is equal to that of the
difference between the noise and its projection; add this stochastic process to the
projection; and feed the result to the original receiver.
But the new geometric approach was not the only impetus for a second edition.
I also wanted to increase the book’s scope. This edition contains new chapters
on the radar problem (Chapter 30), the intersymbol interference (ISI) channel
(Chapter 32), and on the mathematical preliminaries needed for its study (Chap-
ter 31). The treatment of the radar problem is fairly standard with two twists: we
characterize all achievable pairs of false-alarm and missed-detection probabilities
(pFA , pMD ) and not just those that are Pareto-optimal. Moreover, we show that
when the observable has a density under both hypotheses, all achievable pairs can
be achieved using deterministic decision rules.
As to ISI channels, I adopted the classic approach of matched filtering, discrete-
time noise whitening, and running the Viterbi Algorithm. I only allow (bounded-
input/bounded-output) stable whitening filters, i.e., filters whose impulse response
is absolutely summable; others often only require that the impulse response be
square summable. While my approach makes it more difficult to prove the exis-
tence of whitening filters (and I do recommend that the proof be skipped), it is
conceptually much cleaner because the convolution of the noise sequence with the
impulse response exists with probability one. This results in the convolution being
associative, and therefore greatly simplifies the proof that no information is lost in
the whitening process. It is also in line with the book’s philosophy of obtaining all

xvi
Preface to the Second Edition xvii

results sample-wise.
The chapter on ISI channels also includes Section 32.5, which treats the detec-
tion of QAM signals where—as in most practical receivers—matched filtering is
not performed at the carrier frequency but after conversion to baseband (or to
an intermediate frequency). An analysis of the complex stochastic process that
results when a (real) stationary Gaussian passband stochastic process is converted
to baseband can be found in Appendix D.
In addition, some original chapters were expanded. New sections on the opera-
tional power spectral density (in Chapter 15) and a new section on conditionally
independent Gaussians and the zeros of their precision matrix (Section 23.10) are
now included.
Last but not least, I have added over a hundred new exercises. Most reinforce and
test, but some present additional results. Enjoy!
Preface to the First Edition

Claude Shannon, the father of Information Theory, described the fundamental

problem of point-to-point communications in his classic 1948 paper as “that of
reproducing at one point either exactly or approximately a message selected at
another point.” How engineers solve this problem is the subject of this book.
But unlike Shannon’s general problem, where the message can be an image, a
sound clip, or a movie, here we restrict ourselves to bits. We thus envision that
the original message is either a binary sequence to start with, or else that it was
described using bits by a device outside our control and that our job is to reproduce
the describing bits with high reliability. The issue of how images or text files are
converted efficiently into bits is the subject of lossy and lossless data compression
and is addressed in texts on information theory and on quantization.
The engineering solutions to the point-to-point communication problem greatly
depend on the available resources and on the channel between the points. They
typically bring together beautiful techniques from Fourier Analysis, Hilbert Spaces,
Probability Theory, and Decision Theory. The purpose of this book is to introduce
the reader to these techniques and to their interplay.
The book is intended for advanced undergraduates and beginning graduate stu-
dents. The key prerequisites are basic courses in Calculus, Linear Algebra, and
Probability Theory. A course in Linear Systems is a plus but not a must, because
all the results from Linear Systems that are needed for this book are summarized
in Chapters 5 and 6. But more importantly, the book requires a certain mathemat-
ical maturity and patience, because we begin with first principles and develop the
theory before discussing its engineering applications. The book is for those who
appreciate the views along the way as much as getting to the destination; who like
to “stop and smell the roses;” and who prefer fundamentals to acronyms. I firmly
believe that those with a sound foundation can easily pick up the acronyms and
learn the jargon on the job, but that once one leaves the academic environment,
one rarely has the time or peace of mind to study fundamentals.
In the early stages of the planning of this book I took a decision that greatly
influenced the project. I decided that every key concept should be unambiguously
defined; that every key result should be stated as a mathematical theorem; and that
every mathematical theorem should be correct. This, I believe, makes for a solid
foundation on which one can build with confidence. But it is also a tall order. It
required that I scrutinize each “classical” result before I used it in order to be sure
that I knew what the needed qualifiers were, and it forced me to include background
material to which the reader may have already been exposed, because I needed the

xviii
Preface to the First Edition xix

results with all the fine print. Hence Chapters 5 and 6 on Linear Systems and
Fourier Analysis. This is also partly the reason why the book is so long. When I
started out my intention was to write a much shorter book. But I found that to do
justice to the beautiful mathematics on which Digital Communications is based I
had to expand the book.
Most physical-layer communication problems are at their core of a continuous-
time nature. The transmitted physical waveforms are functions of time and not
sequences synchronized to a clock. But most solutions first reduce the problem to a
discrete-time setting and then solve the problem in the discrete-time domain. The
reduction to discrete-time often requires great ingenuity, which I try to describe.
It is often taken for granted in courses that open with a discrete-time model from
Lecture 1. I emphasize that most communication problems are of a continuous-
time nature, and that the reduction to discrete-time is not always trivial or even
possible. For example, it is extremely difficult to translate a peak-power constraint
(stating that at no epoch is the magnitude of the transmitted waveform allowed to
exceed a given constant) to a statement about the sequence that is used to represent
the waveform. Similarly, in Wireless Communications it is often very difficult to
reduce the received waveform to a sequence without any loss in performance.
The quest for mathematical precision can be demanding. I have therefore tried to
precede the statement of every key theorem with its gist in plain English. Instruc-
tors may well choose to present the material in class with less rigor and direct the
students to the book for a more mathematical approach. I would rather have text-
books be more mathematical than the lectures than the other way round. Having
a rigorous textbook allows the instructor in class to discuss the intuition knowing
that the students can obtain the technical details from the book at home.
The communication problem comes with a beautiful geometric picture that I try
to emphasize. To appreciate this picture one needs the definition of the inner
product between energy-limited signals and some of the geometry of the space of
energy-limited signals. These are therefore introduced early on in Chapters 3 and 4.
Chapters 5 and 6 cover standard material from Linear Systems. But note the early
introduction of the matched filter as a mechanism for computing inner products
in Section 5.8. Also key is Parseval’s Theorem in Section 6.2.2 which relates the
geometric pictures in the time domain and in the frequency domain.
Chapter 7 deals with passband signals and their baseband representation. We em-
phasize how the inner product between passband signals is related to the inner
product between their baseband representations. This elegant geometric relation-
ship is often lost in the haze of various trigonometric identities. While this topic is
important in wireless applications, it is not always taught in a first course in Digital
Communications. Instructors who prefer to discuss baseband communication only
can skip Chapters 7, 9, 16, 17, 18, 24, 27, and Sections 26.8, 28.5, 30.9, 31.4, 32.4,
32.5. But it would be a shame.
Chapter 8 presents the celebrated Sampling Theorem from a geometric perspective.
It is inessential to the rest of the book but is a striking example of the geometric
approach. Chapter 9 discusses the Sampling Theorem for passband signals.
Chapter 10 discusses modulation. I have tried to motivate Linear Modulation
xx Preface to the First Edition

and Pulse Amplitude Modulation and to minimize the use of the “that’s just how
it is done” argument. The use of the Matched Filter for detecting (here in the
absence of noise) is emphasized. This also motivates the Nyquist Theory, which is
treated in Chapter 11. I stress that the motivation for the Nyquist Theory is not
to avoid intersymbol interference at the sampling points but rather to guarantee
the orthogonality of the time shifts of the pulse shape by integer multiples of the
baud period. This ultimately makes more engineering sense and leads to cleaner
mathematics: compare Theorem 11.3.2 with its corollary, Corollary 11.3.4.
The result of modulating random bits is a stochastic process, a concept which is
first encountered in Chapter 10; formally defined in Chapter 12; and revisited in
Chapters 13, 17, 25, and 31. It is an important concept in Digital Communica-
tions, and I find it best to first introduce man-made synthesized stochastic processes
(as the waveforms produced by an encoder when fed random bits) and only later
to introduce the nature-made stochastic processes that model noise. Stationary
discrete-time stochastic processes are introduced in Chapter 13 and their complex
counterparts in Chapter 17. These are needed for the analysis in Chapter 14 of the
power in Pulse Amplitude Modulation and for the analysis in Chapter 17 of the
power in Quadrature Amplitude Modulation. They are revisited in Chapter 31,
which presents additional results that are needed in the study of intersymbol in-
terference channels (Chapter 32).
I emphasize that power is a physical quantity that is related to the time-averaged
energy in the continuous-time transmitted power. Its relation to the power in the
discrete-time modulating sequence is a nontrivial result. In deriving this relation
I refrain from adding random timing jitters that are often poorly motivated and
that turn out to be unnecessary. (The transmitted power does not depend on the
realization of the fictitious jitter.) The Power Spectral Density in Pulse Amplitude
Modulation and Quadrature Amplitude Modulation is discussed in Chapters 15
and 18. The discussion requires a definition for Power Spectral Density for non-
stationary processes (Definitions 15.3.1 and 18.4.1) and a proof that this definition
coincides with the classical definition when the process is wide-sense stationary
(Theorem 25.14.3).
Chapter 19 opens the second part of the book, which deals with noise and detection.
It introduces the univariate Gaussian distribution and some related distributions.
The principles of Detection Theory are presented in Chapters 20–22. I emphasize
the notion of Sufficient Statistics, which is central to Detection Theory. Building
on Chapter 19, Chapter 23 introduces the all-important multivariate Gaussian
distribution. Chapter 24 treats the complex case.
Chapter 25 deals with continuous-time stochastic processes with an emphasis on
stationary Gaussian processes, which are often used to model the noise in Digital
Communications. This chapter also introduces white Gaussian noise. My approach
to this topic is perhaps new and is probably where this text differs the most from
other textbooks on the subject.
I define white Gaussian noise of double-sided power spectral density N0 /2
with respect to the bandwidth W as any measurable,1 stationary, Gaussian

1 This book does not assume any Measure Theory and does not teach any Measure Theory.
Preface to the First Edition xxi

SNN (f )

N0 /2

f
−W W

Figure 1: The power spectral density of a white Gaussian noise process of double-
sided power spectral density N0 /2 with respect to the bandwidth W.

stochastic process whose power spectral density is a nonnegative, symmetric, inte-

grable function of frequency that is equal to N0 /2 at all frequencies f satisfying
|f | ≤ W. The power spectral density at other frequencies can be arbitrary. An
example of the power spectral density of such a process is depicted in Figure 1.
Adopting this definition has a number of advantages. The first is, of course, that
such processes exist. One need not discuss “generalized processes,” Gaussian pro-
cesses with infinite variances (that, by definition, do not exist), or introduce the
Itô calculus to study stochastic integrals. (Stochastic integrals with respect to the
Brownian motion are mathematically intricate and physically unappealing. The
idea of the noise having infinite power is ludicrous.) The above definition also frees
me from discussing Dirac’s Delta, and, in fact, Dirac’s Delta is never used in this
book. (A rigorous treatment of Generalized Functions is beyond the engineering
curriculum in most schools, so using Dirac’s Delta always gives the reader the
unsettling feeling of being on unsure footing.)
The detection problem in white Gaussian noise is treated in Chapter 26. No course
in Digital Communications should end without Theorem 26.3.1. Roughly speaking,
this theorem states that if the mean-signals are bandlimited to W Hz and if the
noise is white Gaussian noise with respect to the bandwidth W, then there is no
loss of optimality in basing our guess on the projection of the received waveform
onto the subspace spanned by the mean-signals. Numerous examples as well as a
treatment of colored noise are also discussed in this chapter. Extensions to nonco-
herent detection are addressed in Chapter 27 and implications for Pulse Amplitude
Modulation and for Quadrature Amplitude Modulation in Chapter 28.
Coding is introduced in Chapter 29. It emphasizes how the code design influences
the transmitted power, the transmitted power spectral density, the required band-

(I do define sets of Lebesgue measure zero in order to be able to state uniqueness theorems.) I
use Measure Theory only in stating theorems that require measurability assumptions. This is
in line with my attempt to state theorems together with all the assumptions that are required
for their validity. I recommend that students ignore measurability issues and just make a mental
note that whenever measurability is mentioned there is a minor technical condition lurking in the
background.
xxii Preface to the First Edition

width, and the probability of error. The construction of good codes is left to texts
on Coding Theory.
Motivated by the radar problem, Chapter 30 introduces the Neyman-Pearson the-
ory of hypothesis testing as well as the Kullback-Leibler divergence. And after some
mathematical preliminaries in Chapter 31, the book concludes with Chapter 32,
which introduces the intersymbol interference channel and the Viterbi Algorithm.

Basic Latin

Mathematics sometimes reads like a foreign language. I therefore include here a

short glossary for such terms as “i.e.,” “that is,” “in particular,” “a fortiori,” “for
example,” and “e.g.,” whose meaning in Mathematics is slightly different from the
definition you will find in your English dictionary. In mathematical contexts these
terms are actually logical statements that the reader should verify. Verifying these
statements is an important way to make sure that you understand the math.
What are these logical statements? First note the synonym “i.e.” = “that is” and
the synonym “e.g.” = “for example.” Next note that the term “that is” often
indicates that the statement following the term is equivalent to the one preceding
it: “We next show that p is a prime, i.e., that p is a positive integer larger than
one that is not divisible by any positive integer other than one and itself.” The
terms “in particular ” or “a fortiori ” indicate that the statement following them
is implied by the one preceding them: “Since g(·) is differentiable and, a fortiori,
continuous, it follows from the Mean Value Theorem that the integral of g(·) over
the interval [0, 1] is equal to g(ξ) for some ξ ∈ [0, 1].” The term “for example” can
have its regular day-to-day meaning but in mathematical writing it also sometimes
indicates that the statement following it implies the one preceding it: “Suppose
that the function g(·) is monotonically nondecreasing, e.g., that it is differentiable
with a nonnegative derivative.”
Another important word to look out for is “indeed,” which in this book typically
signifies that the statement just made is about to be expanded upon and explained.
So when you read something that is unclear to you, be sure to check whether the
next sentence begins with the word “indeed” before you panic.
The Latin phrases “a priori ” and “a posteriori ” show up in Probability Theory.
The former is usually associated with the unconditional probability of an event and
the latter with the conditional. Thus, the “a priori ” probability that the sun will
shine this Sunday in Zurich is 25%, but now that I know that it is raining today,
my outlook on life changes and I assign this event the a posteriori probability of
15%.
The phrase “prima facie” is roughly equivalent to the phrase “before any further
mathematical arguments have been presented.” For example, the definition of the
projection of a signal v onto the signal u as the vector w that is collinear with u and
for which v − w is orthogonal to u, may be followed by the sentence: “Prima facie,
it is not clear that the projection always exists and that it is unique. Nevertheless,
as we next show, this is the case.”
Preface to the First Edition xxiii

Syllabuses or Syllabi
The book can be used as a textbook for a number of different courses. For a course
that focuses on deterministic signals one could use Chapters 1–9 and Chapter 11.
A course that covers Stochastic Processes and Detection Theory could be based
on Chapter 12, Chapters 19–26, and Chapter 30 with or without discrete-time
stochastic processes (Chapters 13 and 31) and with or without complex random
variables and processes (Chapters 17 and 24).
For a course on Digital Communications one could use the entire book or, if time
does not permit it, discuss only baseband communication. In the latter case one
could omit Chapters 7, 9, 16, 17, 18, 24, 27, and Sections 26.8, 28.5, 30.9, 31.4,
32.4, 32.5.
The dependencies between the chapters are depicted on Page xxiv. A simpler chart
pertaining only to baseband communication can be found on Page xxv.
The book’s web page is

www.afidc.ethz.ch
xxiv Preface to the First Edition

1,2

4 5

10 11 7 8

12 13 17

14 16 9

15 18

19 23 24

20 25

21

22

26

27

28. 28.
1–4 5

30 29

31. 31.
1–3 4

32. 32.
1–3 4–5

A Dependency Diagram.
Preface to the First Edition xxv

1,2

4 5

10 11 8

12 13

14

19 23 15

20 25

21

22

26

28.
1–4

30 29

31.
1–3

32.
1–3

A Dependency Diagram for Baseband Communications.

Acknowledgments for the Second Edition

I received help from numerous people in numerous ways. Some pointed out typos
in the first edition, some offered comments on the new material in the second
edition, and some suggested topics that ended up as new exercises. My thanks go
to all of them: the anonymous readers who reported typos through the book’s web
page, Céline Aubel, Annina Bracher, Helmut Bölcskei, Christoph Bunte, Paul Cuff,
Samuel Gaehwiler, Johannes Huber, Tobias Koch, Gernot Kubin, Hans-Andrea
Loeliger, Mehdi Molkaraie, Stefan Moser, Götz Pfander, Christoph Pfister, Qiuting
Huang, Bixio Rimoldi, Igal Sason, Alain-Sol Sznitman, Emre Telatar, and Markos
Troulis. Finally, I thank my wife, Danielle Lapidoth-Berger, for her encouragement
and willingness to go through this all over again.

xxvi
Acknowledgments for the First Edition

This book has a long history. Its origins are in a course entitled “Introduction to
Digital Communication” that Bob Gallager and I developed at the Massachusetts
Institute of Technology (MIT) in the years 1997 (course number 6.917) and 1998
(course number 6.401). Assisting us in these courses were Emre Koksal and Poom-
pat Saengudomlert (Tengo) respectively. The course was first conceived as an
advanced undergraduate course, but at MIT it has since evolved into a first-year
graduate course leading to the publication of the textbook (Gallager, 2008). At
ETH the course is still an advanced undergraduate course, and the lecture notes
evolved into the present book. Assisting me at ETH were my former and current
Ph.D. students Stefan Moser, Daniel Hösli, Natalia Miliou, Stephan Tinguely, To-
bias Koch, Michèle Wigger, and Ligong Wang. I thank them all for their enormous
help. Marion Brändle was also a great help.
I also thank Bixio Rimoldi for his comments on an earlier draft of this book, from
which he taught at École Polytechnique Fédérale de Lausanne (EPFL) and Thomas
Mittelholzer, who used a draft of this book to teach a course at ETH during my
sabbatical.
Extremely helpful were discussions with Amir Dembo, Sanjoy Mitter, Alain-Sol
Sznitman, and Ofer Zeitouni about some of the more mathematical aspects of this
book. Discussions with Ezio Biglieri, Holger Boche, Stephen Boyd, Young-Han
Kim, and Sergio Verdú are also gratefully acknowledged.
Special thanks are due to Bob Gallager and Dave Forney with whom I had endless
discussions about the material in this book both while at MIT and afterwards at
ETH. Their ideas have greatly influenced my thinking about how this course should
be taught.
I thank Helmut Bölcskei, Andi Loeliger, and Nikolai Nefedov for having tolerated
my endless ramblings regarding Digital Communications during our daily lunches.
Jim Massey was a huge help in patiently answering my questions regarding English
usage. I should have asked him much more!
A number of dear colleagues read parts of this manuscript. Their comments
were extremely useful. These include Helmut Bölcskei, Moritz Borgmann, Samuel
Braendle, Shraga Bross, Giuseppe Durisi, Yariv Ephraim, Minnie Ho, Young-
Han Kim, Yiannis Kontoyiannis, Nick Laneman, Venya Morgenshtern, Prakash
Narayan, Igal Sason, Brooke Shrader, Aslan Tchamkerten, Sergio Verdú, Pascal
Vontobel, and Ofer Zeitouni. I am especially indebted to Emre Telatar for his
enormous help in all aspects of this project.

xxvii
xxviii Acknowledgments for the First Edition

I would like to express my sincere gratitude to the Rockefeller Foundation at whose

Study and Conference Center in Bellagio, Italy, this all began.
Finally, I thank my wife, Danielle, for her encouragement, her tireless editing, and
for making it possible for me to complete this project.
Another random document with
no related content on Scribd:
The Project Gutenberg eBook of Saaristoväkeä
This ebook is for the use of anyone anywhere in the United States
and most other parts of the world at no cost and with almost no
restrictions whatsoever. You may copy it, give it away or re-use it
under the terms of the Project Gutenberg License included with this
ebook or online at www.gutenberg.org. If you are not located in the
United States, you will have to check the laws of the country where
you are located before using this eBook.

Title: Saaristoväkeä
Novelleja

Author: Yrjö Koskelainen

Release date: December 13, 2023 [eBook #72399]

Language: Finnish

Original publication: Helsinki: Kust.Oy Kirja, 1912

Credits: Juhani Kärkkäinen and Tapio Riikonen

*** START OF THE PROJECT GUTENBERG EBOOK

SAARISTOVÄKEÄ ***
SAARISTOVÄKEÄ

Novelleja

Kirj.

YRJÖ KOSKELAINEN

Helsingissä, Kustannusosakeyhtiö Kirja, 1912.

SISÄLLYS:

Kehto
Kalle-Kustaan tupa
Mestarivaras
Uskovaisia
Simsörin Johannes
Naapurit
KEHTO

I.

Karviaismarjat ovat syöneet itsensä täyteen kuin puutiaiset

punottaen nyt tyytyväisinä elokuun auringossa. Aitan seinustalla
surisevat kimalaiset, vuoroin valkeissa angervoissa, vuoroin
punaisissa rantakukissa, koko ajan soittaen puoliuneliasta säveltään.
Kaukaa yli sinisen selän tulee lounaistuuli, loiskii rantakiviin ja
veneisiin ja huiskuttelee tangon nenässä punaisella ristillä ja sinisillä
ankkureilla merkittyä lippua.

Kala-aitta rantaäyräällä on matala, se on kahdesta kohden jatkettu

ja katonharja on notkallaan kuin vanhan tamman selkä. Kivellä oven
luona, pohjat aurinkoon päin, on suomuiset saappaat, vieressä
kulunut lakki ja piippunysä.

Ovesta näkyy verkkoja ja nuotanosia orsilla. Kuuluu kuorsausta,

joka kuitenkin äkkiä kätkee ja esiin pistäytyy karvainen pää ja pienet
harmaat silmät, joissa on vielä unenrippeet nurkissa.

Samassa seisoo Hamberg kokonaisenaan mäellä, lengottaa

hajalla reisin, haukottelee ja tirkistää aurinkoon, joka on ennättänyt
kauas ohi kello kahden, ja merelle, joka taas lupaa tyyntyä yöksi.
 Ja sytyttäessään piippuaan ajattelee hän: yhä vaan riittää hyviä
ilmoja. Oikea silakkavuosi! Mutta verkot täytyy tästäpuolin laskea
syvempään. Kuu kasvaa, silakka alkaa kulkea alapaulan puolessa.
Ties montako tynnyriä viime yönä pujahti alitse…

Hän on leveä ja matala. Sääret lyhyet ja vääristyneet alituisesta

tuhtoon ponnistamisesta soutaessa. Hän on
seitsemänkymmenvuotias, mutta punertavassa täys-parrassa ei näy
vielä harmaita karvoja. Pää on kenossa, silmät luotuina korkealle.
Sen asento on niiltä ajoin kun hän oli lämmittäjänä kamreeri
Saurenin laivassa ja alhaalta tulisesta ruumasta kurkotti auringon ja
ihmisten puoleen.

Hän saapastaa verkkosalkojen luo, joilla leväällään kuivaa hänen

uusi vasta värjätty verkkonsa. Se on kauniin punertava kuin
koivunvarvut keväällä ja tuntuu silkinhienolta käteen. Se on
viidentoista sylen pituinen. Siihen oli mennyt monta talvipuhdetta,
monta hiljaista iltaa, jolloin tähdet tuikkivat pakkastaivaalla tai Patu
haukahteli ulkona pyryssä tuntiessaan ketun läheisyydessä.

Tupa on pohjoisen kallion alla, suojassa kylmimmiltä tuulilta.

Kattoon ei ole korkealti sillä ne propsit, jotka Hamberg aikoinaan
erään myrskyn jälkeen oli kerännyt ulkoluodoilta, sattuivat olemaan
mitaltaan lyhyitä. Kamarin rakennus osui jo parempaan aikaan:
silloin oli tukkilautta hajonnut näillä vesin ja hirsistä ei ollut puutetta.

Tupa on ollut aikoinaan punaiseksi sivelty, se rusottaa vielä

heikosti. Katolla kiekkuu peltinen viirikukko, jonka liikkeet viisari
merkitsee sisällä tuvan katossa olevaan kompassitauluun. Se on
Hambergin oma keksintö tämä tuulennäyttäjä ja pimeinä syysöinä
hän näkee siitä jo sänkyynsä ovatko veneet ja pyydykset vaarassa.
 Eteläisen ikkunan alla kasvaa orjaruusu ja marjapensaita. Syreeni
saa joka vuosi luovuttaa oksiaan verkonkäpyihin. Omenapuukin on
istutettu aikoinaan siinä toivossa että se kerran kantaisi hedelmän,
mutta joka kesä raukee tämä toivo tyhjiin, kun lounainen varistaa
kukat ennen aikojaan ja vanha kyhmyinen puu näyttää jo alistuneen
kohtaloonsa ja päättäneen kuolla hedelmättömänä. Se on vieras
ulkosaaristossa eikä voi koskaan tänne oikein kotiutua.

Ylempää mäeltä näkyy navetan pääty ja päädyssä rasvaleimat

hylkeennahoista, jotka siinä leväälle naulattuna ovat kuivuneet
kevätauringossa. Korkeaan koivuun on sidottu lipputanko, vesiajolta
saatu eteläreimari, joka ei enää viittaa karia, vaan tällä kertaa
pelastusasemaa, sillä sen nenässä liehuu meripelastusseuran lippu.

Tupaan tultuaan laittaa Hamberg kahvipannun tulelle. Sisässä on

kaikki hiljaista. Kissa on hypännyt pöydälle ja haudottaa itseään siinä
päivänpaisteessa silmät pienenä jyvänä. Ainoa ääni lähtee
mustuneesta seinäkellosta, joka naksuttelee ja hinaa väsymättä
ylemmäs punttejaan, joista toinen on ruostunut kanuunankuula. Sen
oli Hamberg löytänyt vanhan tuvan hirrestä, kun oli sotavuosien
jälkeen siirtynyt kalastajaksi saarelle.

Kahvia hörpätessään pitelee hän nokista pannua vasemmassa

kädessään ja täyttää siitä kuppinsa seitsemän kertaa. Sitten hän
alkaa kaivella ihvistä piippuaan.

Hohojaa! Nämä iltapäivät ne tuntuvat niin tyhjiltä, niin toisenlaisilta

kuin ennen Rosina-vainaan aikana. Silloin oli kaupungista tultua ja
päivällisen maattua istuttu tässä kahdenpuolen pöytää ja juteltu
kalojen hinnasta tai uudesta rysänkappaleesta ja Rosinalla oli ollut
paikkuupukki aina vieressään. Ei monen käsi liikkunutkaan niin
näppärästi kuin Rosinan, vaikka se olikin kerran ruhjoutunut veneen
ja laiturin välissä ja jäänyt iäksi hiukan koukkuun. Siihen aikaan kyllä
verkot pysyivät kunnossa!

Siihen aikaan oli kalakeittokin pöydässä, kun hän palasi

kaupungista ja sukissa oli ehjät kantapäät. Siihen aikaan…
hohoojaa…

Hamberg vetelee piipustaan muutamia hiljaisia savuja ja silittää

suurella karkealla kädellään kissan selkää, joka siitä hyvillään
kehrää hänen käsivarttaan vasten. Kello seinällä huokaa, naksahtaa
ylimääräisen kerran ja jatkaa sitten taas vanhaan tahtiinsa.

Rosina-vainaa oli tarkkamuistinen, hän valvoi taloa kuin paras

koira. Hän piti mielessään ankarassa järjestyksessä kaiken sen
kalun, jonka he neljänkymmenen vuoden ajalla olivat pesäänsä
keränneet. Jos Hamberg oli venettä rakentamassa ja tarvitsi
parihakoja muistamatta mihin ne viime kerralla olivat jääneet, voi hän
huoleti turvautua Rosinaan.

— Isä-kulta nehän ovat taka-aitassa, sivuorren päällä! ilmoitti

Rosina. Ja jos hän tarvitsi koverrusrautaa, sai hän heti tietää että se
oli vinnillä siinä sinisessä kirstussa valinkauhan ja kertoimien
kanssa.

Mutta eilen kun hänen hätäpäätä oli korjattava purjetta, olisi hän
tarvinnut yhden niistä messinkiväkipyöristä, joita Sälskärin
hylkyhuutokaupassa oli ostanut kokonaisen kimpun, mutta sai koluta
aitat ja vinnit löytämättä mitään. Hän muisti hämärästi ripustaneensa
ne johonkin naulaan, mutta mihin naulaan, sitä ei olisi tiennyt sanoa
kukaan muu kuin Rosina. Ja Rosina oli maannut haudassa jo viime
vapusta vuoden…
 Hamberg olisi tänään jatkanut pitemmällekin muistojaan, ellei
hänen apumiehensä, Janne, olisi tullut tupaan saamaan osaansa
päivän ansioista. Hamberg tyhjensi pöydälle kissan viereen kuluneen
kukkaronsa sisällyksen. Rahat, joita oli hopeita ja kuparia lajiteltiin,
laskettiin ja jaettiin kolmeen läjään, joista yhden sai Janne, kaksi
taas pyyhkäisi Hamberg suureen kouraansa vieden ne tuvan sivussa
olevaan kamariin. Nurkassa siellä sängyn takana oli raudoitettu
punainen kirstu, jonka hän avasi jykevällä avaimella ja erotettuaan
hopeat vanhaan tupakkapussiin ja kuparit sikarilaatikkoon, jälleen
huolellisesti sulki. Avain pantiin lasi-oviseen seinäkaappiin, jossa
punaisessa nauhassa hohti pari hopeamitalia »ihmishengen
pelastamisesta», vanhanaikuinen umpikuorinen kello ja pieni
hopeapikari palkintona kilpapurjehduksesta.

Aurinko alkoi jo painua läntisten metsien puoleen. Janne ja hänen

vaimonsa Mari kokosivat kuivia verkkoja saloilta, toinen yläpaulan
toinen alapaulan puolesta, kantaen ne vyhtenä veneeseen, joka oli
syrjittään kalakallion sivussa. Hamberg kivesti uutta verkkoaan, joka
tänään saisi kestää ensi kokeen ja osottaa mihin kelpaisi.

Verkko ei ollut vielä kunnossa, kun porsas lätissään ylempänä

mäellä alkoi surkeasti vinkua. Hamberg jätti työnsä ja kävi
ammentamassa äyskärillä sianruokaa kaukaloon. Samalla poikkesi
hän navetassa heittämässä heinätukun lehmälle, joka ynisi tyhjässä
pilttuussaan. Eläinten tuli olla Marin hoidossa, mutta porsas kasvoi
hitaasti ja lehmästä lähti vähemmän maitoa kuin ennen, Rosinan
aikana…

Kun aurinko tapasi kuusenlatvat Skoglannissa lähti vene

verkkoväkineen merelle. Tuuli oli tyyntynyt niinkuin edellisinä iltoina,
loivat mainingit vain keinuivat sileäpintaisina kuin olisi kaadettu öljyä
veteen. Karien kohdalla kävi tuttu kohina. Virosta käsin nousi
verkalleen yö tummana vyönä, joka auringon viime säteistä sai
punervan hohteen reunaansa.

Janne, jolla ahavoituneessa naamassaan oli pieni pystynenä ja

vaaleat viikset, sousi airoparilla keulassa. Mari istui keskituhdolla
vedellen pitkällä, Hamberg perässä huovaten toisella pitkällä airolla.
Kuului vain hankatappien kitinää ja ohikiitävältä karilta lokkien
kirkunaa, kun ne tappelivat makuukivestä.

Tallskär oli jäänyt kauaksi taakse. Se siirtyi Malmkobbenin

naapuriksi, salmet sulkeutuivat, karit ja kalliot sulautuivat yhteen ja
lopulta ne kaikki yhteensä muodostivat vain epämääräisen
tushiviivan taivaanrajassa, kuin rakkolevien vyön saaren rannalla.
Vain Skoglannin piiharjaiset kuuset erottuivat selvästi taivasta
vasten, sillä niiden takana, jossain alhaalla hehkui vielä aurinko kuin
valmiiksi lämminnyt leivinuuni.

Nyt oltiin perillä. Alettiin verkonlasku. Janne sousi, Hamberg laski,

Mari ojensi hänelle verkkovyhdit ja kohot. Pian kellui vedenpinnassa
joukko puukohoja suorassa jonossa ja verkot pingottuivat virran
voimasta veden alla. Viidennentoista ja viimeisen päähän kiinnitettiin
vene ilman ankkuria jotta koko jono saisi vapaasti kääntyä virran
mukana.

Nyt avattiin eväspussit ja haukattiin illalliseksi leipää, voita ja

silavaa ja sitten paneuduttiin levolle.

Hamberg imi viimeiset savut piipustaan, kopisti porot veneen

laitaan ja laittautui nukkumaan nahkavällyjen alle, peräpuolessa.
Mutta kun uni ei heti tullut, sytytti hän nysän uudelleen. Yö oli tyyni ja
lämmin, tähdet kuvastelivat sileäpintaiseen veteen, lännessä vilkutti
Skytteskärin majakka tulista silmäänsä ikäänkuin vanhalle tuttavalle:
Vai niin, Hamberg, sinä olet taas täällä aavalla verkkoinesi. Sinä,
vanha veitikka, tiedät missä silakka kulkee. Muiden veneet palaavat
aina puolta lautaa korkeampina kuin sinun. Ja sitten se taas vilkutti
kuin tahtoen sanoa: me kyllä tunnemme toisemme! Siitä asti kun
minut tänne asetettiin, olen nähnyt sinun liikkuvan näillä vesin keväät
ja kesät ja syksyt.

Nyt oli varmaan laiva tulossa lännestäpäin. Hamberg kohottautui

kyynäspään varaan kuullessaan heikkoa jyskytystä. Siellä näkyi
valkoinen mastolyhty ja veripunainen alahangan lyhty vetäen
kokonaisen jonon keltaisia kuulia perässään pitkin vettä.

Hamberg sylkäsi veteen nähdäkseen mihin virta kulki ja piti

silmällä laivan suuntaa. Aivan oikein: verkot olivat nyt kääntyneet
poikittain entisestä asennostaan joutumatta kuitenkaan vaaralliseen
kulkuveteen.

Hän oli tullut katsahtaneeksi keulapuoleen. Siellä nukkuivat

makeita unia Janne ja Mari resuiseen sänkypeittoon kääriytyneenä
ja Mari oli kiertänyt kätensä Jannen kaulaan. Mari ei ollut ruma,
hänellä oli kiiltävän mustat hiukset ja verevät poskipäät ja rintoja
röijyn täydeltä, oli Hamberg pannut merkille. Ja hän tuli ajatelleeksi
että melkein samanlainen oli Rosina-vainaa ollut neljäkymmentä
vuotta sitten. Silloin olivat he molemmat nukkuneet kaulakkain
verkkoveneessä ja tähdet olivat paistaneet mereen niinkuin nyt.
Mutta siitä oli niin kauan että se oli vain kuin etäinen unennäkö. Että
Rosinakin oli ollut nuori, että heilläkin oli ollut lapsi, josta sitten
kasvoi Fanny, sen hän vain muistamalla muisti — siinä välissä oli
pitkä, pitkä aika, jolloin elämä oli ollut ankaraa työntekoa ja
penninkokoomista, jolloin unet täytyi mitata lyhyeen ja karkoittaa
rakkaus mielestään. Ja Rosina oli ollut vanha, teräväleukainen ja
tarkkasilmäinen kalastajamuori, jolla oli aina ajatuksissaan lehmänsä
ja kanansa ja verkonpaikkuunsa ja talon tarvekalut.

Nyt oli Hamberg saariston rikkain mies. Hänellä oli sadottain

verkkoja ja viisi isoarysää — Kalle Krokströmilläkin oli vain kolme —
ja kaksi asuintupaa ja tuhansia markkoja kirstussa. Moni kadehti
häntä ja haukkuivat takanapäin kitupiikiksi, mutta herra tiesi että hän
rahojensa tähden oli saanut vaivata itseään ja olla liikkeellä aamusta
yöhön vaanimassa kuin synti!

Hän tiesi että Fanny ja vävy odottivat hänen loppuaan

päästäkseen käsiksi rahoihin, mutta itse hän ei ajatellut kuolemaa:
hän tunsi jäsenensä yhtä vankoiksi kuin ennenkin, milloin vettynyt
silakkavene oli vedettävä maalle ja kätensä yhtä varmaksi kuin
ennen, milloin koskelo oli pudotettava lennosta. Häntä melkein
nauratti puheet »ukko» Hambergista. Ja tänä elokuun yönä
maatessaan tyynellä ulapalla tuikkivien tähtien alla hänen
ajatuksensa hiipivät keulassa nukkuvaan Mariin, tämän kiiltävään
tukkaan ja korkeihin rintoihin. Hän oli kuin nuori mies, joka ei
moneen viikkoon ollut päässyt kultaansa tapaamaan.

*****

Oli vielä täysi yö merellä, kun Hamberg tunsi ruumiissaan että oli
aika nousta. Tuuli oli kääntynyt pohjoiseen ja ajanut taivaankannen
täyteen hallahtavia pilvenhattaroita, vesi näytti joka taholla kylmältä
ja harmaalta. Aamuvilu hyrisytti verkkomiehiä, he kohoutuivat
istualleen ja asettuivat hitaasti airoihin Hambergin hilatessa jo
veneeseen ensimäistä verkon päätä.

— Pidätäs Janne, tästä tulevat kissankalat! huusi Hamberg.

 Tuskin olivat ensimäiset hopealle välähtävät silakat kohonneet yli
vedenpinnan, kun kaijat ja tiirat keksivät ne kaukaisilta kareiltaan ja
ilmestyivät einettä kärkkymään. Parkuen kuin pahankuriset lapset ne
leijailivat veneen päällä ja seurasivat sitä vanavedessä. Ja kun kala
irtautui verkosta jääden ajelehtimaan mereen, syntyi tappelu, jossa
vilkkaat ja urheat tiirat useimmiten sieppasivat saaliin kömpelömpien
lokkien nokan edestä.

Verkko verkolta nostettiin painavana kaloista ja vettä valuen

veneeseen, joka vajosi yhä syvempään kunnes vain ylin lauta kohosi
yli vedenrajan. Silloin oli päästy viimeiseen kohoon, pystytettiin
masto purjeineen ja alettiin luovia kotisaarta kohti.

Nyt oli aurinkokin ehtinyt taivaanrantaan, se kurkisti palavissaan yli

viivan ja täytti koko ulapan punaisella aniliinivärillä, mutta äkkiä se
muutti mieltä ja päästi keltaista tulikiveä joukkoon, ja nyt syntyi
outoja värileikkejä märkien luotojen kyljessä, joita aamulaine juuri oli
nuollut, kunnes aurinko tapasi oikean värisekotuksen ja meri sai
entisen lasivihreän kuultonsa.

Oli sivuutettu ulkoluodot, Tallskär ja Malmkobben erkanivat

toisistaan, salmet avautuivat ja kun pingotettiin purjetta ja saatiin
hyvä puuskapää avuksi, päästiin Ankkurikiveltä suoraan kalakallion
kylkeen, missä kissa oli jo osaansa odottamassa. Mari kiiruhti tupaan
kahvipannun ja lastensa luo, miehet kantoivat verkot maalle ja
alkoivat ravistaa niistä saalista. Ei puhuttu monta sanaa, mutta
Hamberg ja Janne silmäilivät tyytyväisinä toisiaan ja silakkaläjiä
kalliolla.

— Kuules Janne, näistä me suolaamme puolet, sanoi Hamberg.

Silakka ei tänään paljoa maksa kalarannassa. Aspöläiset, Krokström
ja Bergin Kalle tulevat jo tuolta hyvässä lastissa, näemmä.
 Ja kun oli pistäydytty tuvassa kahvilla ja Hamberg oli kaapista
ottanut pullon, joka oli kuin litistetty rakko ja valuttanut siitä kuppiinsa
ja ojentanut Jannelle, kerättiin kaloista puolet suomuisiin koreihin ja
levitettiin purjeet, tällä kertaa ohjaten hyvää sivutuulta kaupunkiin.

Sillä aikaa huusi Mari salmen takaa Stiinan avukseen kaloja

perkaamaan. Työ joutui nopeasti jutellessa, kalat virutettiin ja
ladottiin suolarakeiden väliin nelikoihin. Mutta varikset olivat lentää
hamuttaneet säröisillä siivillään kala-aitan harjalle, vaakkuneet siellä
aamuvaakkunaansa ja laskeutuivat nyt varovasti yksitellen
kalakallion laitaan perkeitä syömään.

II.

Kaksi viikkoa tämän jälkeen, eräänä tuulisena lauantai-iltapäivänä,

kutsui Hamberg Jannen kamariin ja veti oven jälessään kiinni. Kun
oli keskusteltu ensi viikolla viritettävien isojenrysien paikoista ja
nuotanvedosta, ilmoitti Hamberg että hänellä oli kirje kirjoitettava
Köökariin, Rosina-vainaan veljelle, vanhalle Apelblomille. Pöydällä
oli rutistunut paperiarkki ja vähä sakeaa mustetta pullossa.

Janne heitti takin päältään ja ryhtyi työhön. Hamberg istui vieressä

ja saneli hänen olkansa yli. Kun oli saatu paperille »lähestymme
Teitä tällä kirjeellä ja tervehdyksellä» ja pari sanaa vuoden
silakkasaaliista iski Hamberg itse asiaan. »Kim ei minulla autuaan
Rosinan jälkeen ole ketään, joka keittäisi ja pesisi paidat ja kun
kanat munivat metsään ja ladon alle, ja munat pilaantuvat ja verkot
jäävät paikkaamatta, kysyn Teiltä, lanko, sopisiko nuoren Fransiljan
tulla minulle palvelukseen. Jos niin että hän on vapaa ja tahtoo eikä
ole saanut sulhasta ja kääntänyt päätään toisaalle».
 Viime sanoja raaputtaessaan vilkaisi Janne Hambergiin, mutta
tämä toisti järkähtämättä sanansa kahteen kertaan.

Fransilja oli ollut isänsä kanssa viime markkinoilla ja silloin oli

Hamberg nähnyt tytön ja mieltynyt häneen. Ukko Apelblomilla oli
tusinan verran lapsia, Fransilja oli niistä kolmas tai neljäs
järjestyksessä.

Kirje oli nyt valmis. Rivit tosin nousivat ja laskivat kuin laineet
myrskyssä, mutta Hamberg oli täysin tyytyväinen siihen. Kun oli
loppuun pantu joukko tervehdyksiä nimitetyille henkilöille, piirrettiin
alle Petter Valfrid Hamberg ja varmuudeksi otti Hamberg vielä kynän
tukevaan kouraansa ja piirsi puumerkkinsä q W H, johon sisältyi
kaikki, mitä hän tiesi jalosta kirjoitustaidosta.

— Hoi setä, silmukka tuli väärälle puolelle, ilmoitti Janne, kun

P-kirjain osui väärinpäin.

Samaa se tietää, arveli Hamberg. Vaikka ruma se on noin

taakseen-katsovana, myönsi hän sitten.

Mutta kirje suljettiin ja laitettiin lähtökuntoon. Janne sai palkakseen

ryypyn litteästä pullosta ja lupaan Hambergin uuden kaksipiippuisen
haulikon, kun hän huomenaamulla aikoi lähteä kuville ulkoluodoille.

*****

On tyyni syyskuun likoilma. Meri on niin seijas ja ilma niin kajea

että saaret, jotka lounaisen kohina tavallisesti eroittaa toisistaan, nyt
ovat siirtyneet lähekkäin ja toisesta kuuluu toiseen lehmän
ammahdus ja lapsen itku.
 Ilmanhenki kantaa koneenjyskeen laivaväylältä. Varikset kynivät
itseään rantamännyn latvassa. Niiden vaakkuna on käheätä ja
katarrista. Selällä muodostavat isonrysän kohot säännöllisen kuvion,
koskelopari soutelee rauhallisena siulojen ympäri ja vedenrajasta
kuuluu tuon tuosta sävähdys kuin heittäisi joku hiekkaa mereen:
siellä parvi kalanpoikia ajaa takaa pinnassa olevia hyönteisiä.
Saaristo kareineen, luotoineen leviää päilyvänä ja selvänä silmien
eteen kuin karttapinnalla.

Hamberg huopaa hiljoilleen rysää kohti. Hylje on kolmena yönä

peräkkäin käynyt siellä kaloja syömässä ja joka kerralla reväissyt
mennessään perään suuren aukon. Kalastajille on jäänyt vain päät
silakoista. Ja perä on paikattava joka aamu.

Hamberg kiertää varovasti puomin ja siulojen ympäri, kiinnittää

peräankkurinuoran toiseen hankatappiin ja alkaa kohottaa perää.
Heti kun hän saa nuoran käteensä, tuntee hän siinä vavahduksia ja
nykäisyjä ja puomi painuu syvemmälle veteen.

— Ähäs rakkari! Sielläkös sinä mellastat, kalavaras. Taisin tulla

oikeaan aikaan!

Kiireen kaupalla hän avaa perän ja vetää kaaren toisensa jälestä

veneeseen. Hylje kiitää edes takaisin rysässä kuin riivattu etsien
ulospääsyä, sen valkoinen vatsa vilahtelee siellä täällä. Nyt saa
Hamberg kiinni takakäpälistä, puristaa sormensa rautapihdiksi, mutta
hylje alkaa vimmatusti kiemuroida ja on jo luiskahtamaisillaan
käsistä, kun hän iskee tukevat hampaansa sen pyrstöön ja puree
leuat yhteen, siksi kun saa uuden otteen. Hylje murisee kuin koira ja
yrittää purra, mutta makaa kohta voitettuna veneenpohjalla ja saa
antaa henkensä pahoista töistään.
 Kun Janne palaa kaupungista suolanhakumatkaltaan, on Hamberg
jo nylkenyt hylkeen ja naulaa pareillaan nahkaa navetan seinälle.

— Katsos kun rakkari on paksussa rasvassa! Vähänkös siihen on

kaloja mennyt — meidän silakoitamme! Mutta tallukat minä teen sen
turkista ensi talveksi!

Jannelta on kirje, joka on tullut kauppamiehen välityksellä. Siinä

Apelblom ilmoittaa että he Jumalan kiitos voivat hyvin ja Simsörin
muori on kuollut Fredrikin viikolla ja Fransilja on halukas tulemaan
setänsä luo. He saapuvat Mattsonin sumpussa, markkinaväen
kanssa. —

*****

Toisena markkinapäivänä, kun sumput ja jaalat täyttävät

eteläsataman kaupungissa ja kannet ovat täynnä väkeä ja nelikoita
ja punaisia kaulaliinoja ja Ahvenan murretta, luovii Hamberg
Mattsonin sumppua kohti uusissa pitkävartisissa saappaissaan,
kiiltonappisessa takissaan ja kaulassaan kaksi suurta mitalia
»ihmishengen pelastamisesta». Tutut ukot ja eukot tulevat
kättelemään ja kysymään kuulumisia, mutta tuntemattomat
katselevat kunnioittavasti syrjästä ja supattelevat keskenään siitä
mikähän esivallan virkamies se on, jolla on semmoiset kunniamerkit
ja kaluunit.

Vanha Apelblom on pareillaan avaamassa nelikkoa ja tarjoamassa

rommisilakkaa ostavalle rouvalle, kun Hamberg pistää kättä ja suu
naurussa kysyy:

— No missä se minun tyttöni nyt on?

 Jolloin Apelblom niistää nenäänsä ja huutaa: Silja hoi, mihinkäs
sinä hävisit! Pane heti meidän kahvipannumme tulelle siihen
Mattsonin pannun viereen!

Fransilja on nähnyt Hambergin tulevan ja lymynnyt maston taakse

piiloon. Häntä hävettää. Hän on kankeassa täysvillaisessa
hameessa, joka vivahtaa siniseen ja vihreään kuin huhtikuun meri
päivänpaisteessa, vatsa on koholla ja huivi silmille työnnettynä.
Hänestä on niin hassua että hän tulee emännöimään rikkaan
Hambergin talossa, josta isä ja äiti olivat aina ylpeillen puhuneet
naapureille siellä kotona Köökarissa.

Kun hän tulee esiin on poskille kohonnut heleä puna ja silmät

maahantuotuina tai tavoitellen sinisiä ankkureita Hambergin lakissa,
hän ojentaa punaisen hikisen kätensä ja lentää sitten suinpäin
kajuuttaan.

— Kyllä se vielä tottuu ja kesyy! ajattelee Hamberg, mielissään

tytön punaisista, mehevistä huulista ja kauniista piirteistä.

Ja hän kääntyy Apelblomin puoleen, joka juuri on saanut kaupat

tehdyksi ja samalla kun pistää rahat kukkaroon, muuttaa mällin
toiseen poskeensa. Hän on pieni ukonkäppänä, silmien välissä nenä
kuin ruutisarvi ja renkaat korvissa. Ja nyt alkaa juttu
syyskalastuksesta ja markkinamatkasta, joka oli sujunut hyvin ja
naapurijaalasta tulee Simsörin vanha Efraim kolmanneksi, housut
syltyssä kantapäissä, etupelti auki ja punainen liina tiukkaan kaulaan
käärittynä. Mennään pieneen kajuuttaan, joka on täynnä
eväsarkkuja, astioita, villasukkia ja toinen toistaan ylempänä olevia
vuoteita seinässä ja käryää paistetulle läskille ja muulle. Siellä
hörpitään markkinakahvit kuuluvin siemauksin teevadin reunasta,
Hamberg tarjoo kasakkaa ja lopuksi kaksi ryyppyä mieheen kolmen
markan konjakkia. Mutta Fransilja istuu ääneti nurkassa ja on
kutovinaan sukkaa, vaikka vilkun uteliaana vähän päästä
Hambergiin, katsoo hänen punaista partaansa ja kiiltäviä nappejaan,
mutta enin sentään hopeisia mitaleita punavalkeissa nauhoissaan.
Niin koreata hän ei koskaan ole nähnyt.

Illalla lähdetään Hambergin ja Jannen seurassa Tallskäriin niillä

puhein että Fransilja jää sinne ainakin seuraaviin markkinoihin.
Palkakseen hän saa kymmenen markkaa kuussa, uuden hameen ja
yhdet kengät. —

Aluksi oli kaikki saarella uutta ja toisemmoista kuin kotona, mutta

sitten tuli hiukaiseva ikävä ja Fransilja itki monta kyyneltä
esiliinaansa milloin navetassa milloin kala-aitassa käydessään. Mari
oli aluksi nyreissään hänelle, sillä hän oli lehmän ja porsaan
hoitamisesta saanut tähän asti neljä markkaa kuussa, joka tulo nyt
loppui; rahalla oli hän kestinnyt itseään kahvilla ja sokerilla. Mutta
pian hän huomasi uuden emännöitsijän edullisemmaksi itselleen,
hän alkoi miesten poissaollessa pistäytyä Hambergin puolella
juoruamassa Fransiljan kanssa ja pian tuli tavaksi että nokinen
pannu ja kupit ilmestyivät pöytään.

Fransilja-kulta, liverteli Mari, ukolla on rahaa tuolla kirstussa vaikka

kapalla niittäisi, ei joku kahvikilo ja sokuritoppa tee lovea hänen
rikkauksiinsa! Haudo sinä huoleti aamusta iltaan pannuasi! Ja hän
kertoi kuinka oli silloin ja silloin nähnyt ukon kääntelevän rahojaan ja
tuulettavan seteleitään etteivät homehtuisi, näes.

Fransilja kuunteli hörössä korvin. Hänen alahuulensa lerpahti vielä

pitemmäksi ja silmät tulivat täyteen ihmetystä. Ja kun Mari oli
lähtenyt, meni hän kamariin katselemaan arkkua ja pisti sormensa