01CXGBN Trasmissione numerica. parte 6: calcolo delle probabilità I
|
|
- Edoardo Genovese
- 6 anni fa
- Visualizzazioni
Transcript
1 01CXGBN Trasmissione numerica parte 6: calcolo delle probabilità I 1
2 Probabilità di errore BER e SER Per rappresentare la bontà di un sistema di trasmissione numerica in termini di probabilità di errore useremo i seguenti parametri: SYMBOL ERROR RATE = SER = P s (e) = Probabilità che il generico segnale trasmesso s T sia ricevuto errato P S (e) = P( s R s T ) BIT ERROR RATE = BER = P b (e) = Probabilita che il generico bit trasmesso u T sia ricevuto errato P b (e) = P( u R u T )
3 Probabilità di errore Grandezze di interesse R b [bit/s] Data Rate (Bit Rate) velocità delle sequenze binarie di informazione T b = 1/ R b [s] Tempo di bit Durata di un bit di informazione T = k T b [s] Tempo di simbolo (segnale) Durata di un simbolo (segnale) della costellazione R = 1/T [ simboli/s] [baud] Symbol Rate (Baud Rate) velocità delle sequenze di simboli (segnali) trasmessi 3
4 Probabilità di errore Grandezze di interesse E b Energia per bit di informazione Energia media spesa per trasmettere un bit di informazione E S Energia di segnale (energia media della costellazione) Energia media spesa per trasmettere un segnale della costellazione S = E b R b =E S R[W] [dbm] Potenza del segnale Potenza media del segnale trasmesso sul canale 4
5 Probabilità di errore Grandezze di interesse N 0 Densità spettrale di rumore B [Hz] Banda Banda occupata dal segnale trasmesso N = N 0 B Potenza del rumore Potenza di rumore che cade nella banda occupata dal segnale trasmesso 5
6 Probabilità di errore Grandezze di interesse S/N Rapporto segnale/disturbo Rapporto tra le potenze di segnale e di rumore E b /N 0 Rapporto segnale/disturbo riferito al bit di informazione Legame: S E R E b b b N = N0 B = N η 0 R b Dove η = prenderà il nome di B efficienza spettrale 6
7 Probabilità di errore Le prestazioni in termini di probabilità di errore saranno calcolate in funzione del rapporto E b /N 0 Questo risulta proporzionale alla potenza del segnale tramite la bit-rate che è una grandezza fondamentale e ben definita del sistema di trasmissione numerica S E R E S = N = N B= R N N N B N b b b 0 b
8 Catena trasmissiva u Z v H s M r R s M v H u Z d T T k T R R k R P () e = P( s s ) S R T P () e = P( u u ) b R T Calcolo della probabilità di errore sul simbolo P s (e) (Symbol Error Rate - SER) sul bit P b (e) (Bit Error Rate - BER) 8
9 Calcolo SER Definizione: P S (e) = P( s R s T ) Il segnale trasmesso appartiene alla costellazione M T { } i s M = s Tutti i segnali sono equiprobabili P ( s = s ) = S T i 1 m 9
10 Calcolo SER Per il teorema della probabilità totale: m m 1 P () e P ( e s s ) P( s s ) P ( e s s ) S S T i T i S T i i= 1 m i= 1 Dobbiamo calcolare: = = = = = ( ρ ( ) ) P ( e s = s ) = P ( s s s = s ) = P V s s = s S T i R T T i i T i (ricordando il criterio di decisione basato sulle regioni di Voronoi) 10
11 Calcolo SER Prima formulazione: ( ρ ( ) ) P ( e s = s ) = P V s s = s = S T i i T i = 1 P( ρ V( s ) s = s ) i T i Seconda formulazione: ( ρ ( ) ) P ( e s = s ) = P V s s = s = S T i i T i = P( ρ V( sj) st = si) j i 11
12 Calcolo SER Per calcolare la SER useremo: m 1 P () e = P ( e s = s ) S S T i m i = 1 Dove: APPROCCIO 1 P ( e s = s ) = 1 P( ρ V( s ) s = s ) S T i i T i Oppure APPROCCIO PS( e st = si) = P( ρ V( si) st = si) = P( ρ V( sj) st = si) j i 1
13 Calcolo SER APPROCCIO 1 P ( e s = s ) = 1 P( ρ V( s ) s = s ) S T i i T i 13
14 Calcolo SER APPROCCIO PS( e st = si) = P( ρ V( si) st = si) = P( ρ V( sj) st = si) j i 14
15 Peso e distanza di Hamming H = v= ( u,.., u,.. u ) { } k 1 i k Dato un vettore binario (ad esempio con k componenti), si definisce peso di Hamming del vettore binario il numero di componenti uguali ad 1: w v = i: u = 1 H ( ) { } i Esempio v= (10110) w v = 3 H ( ) 15
16 Peso e distanza di Hamming H = v= ( u,.., u,.. u ) { } k 1 i k La distanza di Hamming tra due vettori binari è definito come il numero di componenti dove i due vettori sono diversi: d v, v = i: u u ( ) { } H 1 1i i Esempio: v v 1 = (10110) = (01101) d v, v = 4 H ( ) 1 16
17 Peso e distanza di Hamming H = v= ( u,.., u,.. u ) { } k 1 i k Introducendo la somma modulo (EXOR) tra elementi di Z possiamo definire la somma modulo tra due vettori binari come somma componente per componente: v = ( u,.., u,..., u ) i 1k v = ( u,.., u,..., u ) 1 i k v + v = ( u + u,.., u + u,.., u + u ) i i 1k k 17
18 Peso e distanza di Hamming H = v= ( u,.., u,.. u ) { } k 1 i k Chiramente, la distanza di Hamming tra due vettori è uguale al peso di Hamming della somma modulo dei due vettori Esempio: v v v 1 1 d v, v = w v + v H = (10110) = (01101) + v = ( ) ( ) 1 H 1 (11011) d v, v = w v + v = 4 H ( ) ( ) 1 H 1 18
19 Calcolo BER Il passaggio dalla SER alla BER non è immediato: per costellazioni non banali dipende fortemente dal labeling binario scelto. Se il segnale ricevuto è corretto (s R = s T ) anche il vettore binario di informazione è corretto (v R = v T ). Se il segnale ricevuto è sbagliato (s R s T ) sicuramente il vettore binario di informazione è sbagliato (v R v T ), ma il numero di bit sbagliati dipende dal labeling. In percentuale il loro numero vale: dh ( vr, vt) k (d H = distanza di Hamming tra vettori binari = numero di bit dove i vettori sono diversi) Il passaggio dalla SER alla BER non è quindi immediato: per costellazioni non banali dipende fortemente dal labeling binario scelto. 19
20 Calcolo BER Per calcolare la BER si usa ancora il teorema della probabilità totale: m 1 P () e = P( e s = s ) b b T i m i = 1 Il calcolo della BER deve sempre avvenire (a meno di costellazione banali) seguendo l approccio, perché è necessario separare il contributo alla BER di ogni segnale diverso da quello trasmesso: dh( vj, vi) Pb( e st = si) = P( ρ V( sj) st = si) k j i dove ( ) e ( ) v = e s v = e s 1 1 i i j j 0
21 Calcolo BER Per calcolare la BER useremo: Dove (APPROCCIO ): m 1 P () e = P( e s = s ) b b T i m i = 1 dh( vj, vi) Pb( e st = si) = P( ρ V( sj) st = si) k j i 1
22 Calcolo SER e BER costellazione binaria antipodale Calcolo della probabilità di errore per una costellazione binaria antipodale Consideriamo una costellazione binaria monodimensionale (d=1) con due segnali (m=) antipodali (simmetrici rispetto all origine). Le due regioni Voronoi sono: M = { s = ( + A) s = ( A) } 1 V( s ) = { ρ = ( ρ ), ρ 0} V( s ) = { ρ = ( ρ ), ρ 0} 1 1
23 Calcolo SER e BER costellazione binaria antipodale Applichiamo la definizione: 1 1 ( ) ( ) ( ) ( ) m = m P S e = P S e s T i 1 = s i = PS e st = s 1 + P S e s T = s Calcoliamo e P ( e s = s ) S T 1 P ( e s = s ) S T 3
24 SER/BER computation for binary antipodal signals P ( e s = s ) Per calcolare usiamo ad esempio l approccio S T 1 P ( e s = s ) = P( ρ V( s ) s = s ) = P( ρ < 0 s = s ) S T 1 T 1 1 T 1 Abbiamo: r = st + n dove r = ρ = ( ρ ) s = s = ( + A) n= ( n ) 1 T 1 1 Di conseguenza, quando s T =s 1 : ρ = A + n 1 1 4
25 SER/BER computation for binary antipodal signals P ( e s = s ) = P( ρ < 0 s = s ) = P( A+ n < 0) = P( n < A) S T 1 1 T La variabile casuale n 1 è Gaussiana, con valor medio nullo e varianza N 0 / 1 A PS( e st = s1) = P( n1 < A) = P( n1 > A) = erfc N 0 5
26 Sulla funzione erfc Le distribuzioni f ( ρ s = s ) r T i sono ddp di tipo gaussiano. Incontreremo molto spesso il seguente problema: Data una variabile casuale n monodimensionale con ddp gaussiana - Valor medio µ - varianza σ - ddp f n 1 ( x µ ) ( x) = exp( ) πσ σ Calcolare + 1 x µ Pn ( > x) = fn( x) dx= erfc σ x 6
27 Sulla funzione erfc dove Infatti 1 1 ( x µ ) σ + t erfc( x) = e dt π x 1 ( x µ ) Pn ( > x) = fn( x) dx= exp( ) dx= πσ σ π x t x µ e dt = erfc σ x Nel caso di ddp gaussiana con valor medio nullo e varianza N 0 / si ottiene 1 x µ 1 x P( n > x) = erfc erfc = σ N 0 7
28 Sulla funzione erfc + t erfc( x) = e dt π x Per valutare numericamente la erfc, si può usare limitazione : erfc( x) e x 8
29 SER/BER computation for binary antipodal signals Calcoliamo ora P ( e s = s ) S T P ( e s = s ) = P( ρ V( s ) s = s ) = P( ρ > 0 s = s ) S T 1 T 1 T In questo caso: r = st + n r = ρ = ( ρ ) s = s = ( A) n= ( n ) Di conseguenza, quando s T =s : 1 T 1 ρ = A + n 1 1 9
30 SER/BER computation for binary antipodal signals P ( e s = s ) = P( A+ n > 0) = P( n > A) S T A PS( e st = s) = erfc N 0 30
31 Calcolo SER e BER costellazione binaria antipodale Abbiamo ottenuto P ( e s = s ) = P ( e s = s ) S T 1 S T E quindi : Si ha quindi 1 PS( e) = PS( e st = s1) + PS( e st = s) = PS( e st = s1) 1 A PS() e = PS( e st = s1 ) = erfc N 0 [ Risultato che ci servirà dopo: notiamo che si può scrivere, introducendo la distanza d tra i due segnali: 1 d PS () e = erfc 4N 0 31
32 Costellazioni GU I due segnali avevano regioni di Voronoi congruenti. Le due probabilità di errore sono risultate uguali. Possiamo indurre un ragionamento di validità generale sulle costellazioni geometricamente uniformi. 3
33 Costellazioni GU Una costellazione M è detta geometricamente uniforme se le regioni di Voronoi dei suoi segnali sono congruenti ovvero hanno tutte la stessa forma (sovrapponibili combinando traslazione, riflessione e rotazione). Usando l approccio 1 si ha: P ( e s = s ) = 1 P( ρ V( s ) s = s ) = 1 f ( ρ s = s ) dρ S T i i T i r T i V( s ) Le ddp Gaussiane hanno la stessa espressione analitica per ogni segnale trasmesso. Le aree di integrazioni hanno la stessa forma e quindi la probabilità PS( e st = si) è la stessa per ogni segnale trasmesso. 33 i
34 Costellazioni GU Per una costellazione geometricamente uniforme P ( e s = s ) S T i è la stessa per ogni segnale s i della costellazione trasmesso. Segue: m 1 P () e = P ( e s = s ) = P ( e s = s1 ) S S T i S T m i = 1 La probabilità di errore si può calcolare considerando un solo segnale qualsiasi della costellazione (ad esempio s 1 ) (Molte costellazioni usate in pratica sono GU) 34
35 Calcolo SER e BER costellazione binaria antipodale Abbiamo calcolato: P () e S 1 A = erfc N 0 Vogliamo esprimere questa probabilità di errore in funzione del rapporto E b /N 0. Abbiamo: E quindi: E S Es ( ) = Es ( ) = A 1 Es ( ) + Es ( ) = = 1 E S Eb = = ES = A k A 35
36 Calcolo SER e BER costellazione binaria antipodale Per una costellazione binaria antipodale si ha quindi: P () e S 1 E b = erfc N 0 36
37 Calcolo SER e BER costellazione binaria antipodale Per questa costellazione ad ogni segnale è associato un bit. Ad esempio possiamo stabilire questo labeling binario: e: H v v 1 M = (0) 1 1 = (1) s s In ogni caso, se il segnale è ricevuto errato anche il bit corrispondente viene ricevuto errato. Di conseguenza si avrà sicuramente: 1 E b Pb() e = PS() e = erfc N 0 37
38 Calcolo SER e BER costellazione binaria antipodale Se proprio si vogliono esplicitare i conti: dh ( v, v1) Pb( e st = s1) = P( ρ V( s) st = s1) = k = P( ρ V( s ) s = s ) = P ( e s = s ) T 1 S T 1 Segue: P () e = P() e S b 38
39 BER costellazione binaria antipodale Risultato fondamentale Per una costellazione binaria antipodale P() e b 1 E b = erfc N 0 Questa espressione lega la probabilità di errore sul bit al rapporto E b /N 0, che è proporzionale alla potenza ricevuta S. La rappresentazione usuale di queste curve di prestazioni viene effettuata ponendo: - sulle ascisse il rapporto E b /N 0 in db in scala lineare - sulle ordinate il valore della P b (e) in scala logaritmica 39
40 Calcolo SER e BER costellazione binaria antipodale P() e b 1 E b = erfc N 0 costellazione binaria antipodale BER E-3 1E-4 1E-5 1E-6 1E-7 1E-8 1E-9 1E-10 1E-11 1E-1 1E-13 1E Eb/N0 [db] 40
41 Calcolo SER e BER costellazione binaria antipodale Importante: L espressione della BER vs. Eb/N0 non dipende dalla forma dei segnali trasmessi ma solo dalla geometria della rappresentazione vettoriale di M. Ad esempio, nel caso della costellazione binaria antipodale, l espressione è la stessa sia per 1 b1 () t = PT () t T che per b1() t = PT ()cos( t π f0t) T 41
42 Calcolo SER costellazione 4-PSK Calcolo della probabilità di errore per una costellazione 4-PSK Consideriamo una costellazione bidimensionale (d=) con quattro segnali (m=4) equispaziati su un cerchio. M = { s = ( a, a) s = ( a, a) s = ( a, a) s = ( a, a) } s s 1 a s 0 1 a s 3 s 3 4 4
43 Calcolo SER costellazione 4-PSK Le regioni di Voronoi sono: V( s1) = { ρ = ( ρ1, ρ), ( ρ1 0) ( ρ 0)} V( s) = { ρ = ( ρ1, ρ), ( ρ1 0) ( ρ 0)} V( s ) = { ρ = ( ρ, ρ ), ( ρ 0) ( ρ 0)} V( s4) = { ρ = ( ρ1, ρ), ( ρ1 0) ( ρ 0)} Sono congruenti, la costellazione è GU: s s 1 a s 1 0 a s s s
44 Calcolo SER costellazione 4-PSK Si ha: m 1 P () e = P ( e s = s ) = P ( e s = s1 ) S S T i S T m i = 1 Usiamo l approccio 1: P ( e s = s ) = 1 P( ρ V( s ) s = s ) S T 1 1 T 1 44
45 Calcolo SER costellazione 4-PSK Calcoliamo Si ha: con: P( ρ V( s ) s = s ) = P(( ρ 0) ( ρ 0) s = s ) 1 T 1 1 T 1 r = st + n r = ρ = ( ρ, ρ ) s = s = ( a, a) n= ( n, n ) 1 T 1 1 Di conseguenza, quando s T =s 1 : a n ρ = a+ n ρ 1 =
46 Calcolo SER costellazione 4-PSK P( ρ V( s ) s = s ) = P(( a+ n 0) ( a+ n 0)) = P(( n a) ( n a)) 1 T n 0 e n 1 sono v.c. gaussiane statisticamente indipendenti P( ρ V( s ) s = s ) = P( n a) P( n a) 1 T
47 Calcolo SER costellazione 4-PSK Introduciamo Si ha 1 a p= P( n> a) = erfc N 0 P( n a) = 1 P( n a) = 1 p 1 1 P( n a) = 1 P( n a) = 1 p segue P( ρ V( s ) s = s ) = (1 p) 1 T 1 P () e = 1 P( ρ V( s ) s = s ) = 1 (1 p) = p p S 1 T 1 47
48 Calcolo SER costellazione 4-PSK Vogliamo esprimere questa probabilità di errore in funzione del rapporto E b /N 0. Abbiamo: Es ( ) = Es ( ) = Es ( ) = Es ( ) = a E quindi: ES = a Segue: E b ES ES = = = a k 1 a 1 E ( ) b p= P n> a = erfc = erfc N 0 N 0 48
49 Calcolo SER costellazione 4-PSK Per una costellazione 4-PSK (4 segnali equispaziati su un cerchio) abbiamo quindi: P () e = p p S con p 1 E b = erfc N 0 49
50 Calcolo BER costellazione 4-PSK (labeling di Gray) Per calcolare P b (e) consideriamo il seguente labeling (detto labeling di Gray): e: H M v = (00) s /s 4 a 11/s 3 v = (10) s a v v = (11) 3 3 = (01) s s /s 1 10/s 50
51 Calcolo BER costellazione 4-PSK (labeling di Gray) m 1 P () e = P( e s = s ) b b T i m i = 1 Dobbiamo usare l approccio : dh( vj, v1 ) P ( e s = s ) = P( ρ V( s ) s = s ) = b T 1 j T 1 j i k 1 1 = P( ρ V( s) st = s1) + P( ρ V( s3) st = s1) + P( ρ V( s4) st = s1) 51
52 Calcolo BER costellazione 4-PSK (labeling di Gray) 1 1 Pb() e = P( ρ V( s) st = s1) + P( ρ V( s3) st = s1) + P( ρ V( s4) st = s1) 1 a 1 E ( ) b p = P n > a = erfc = erfc N N 0 0 P( ρ V( s ) s = s ) = P( n < a) P( n > a) = p(1 p) T P( ρ V( s ) s = s ) = P( n < a) P( n < a) = p 3 T P( ρ V( s ) s = s ) = P( n > a) P( n < a) = (1 p) p 4 T A lezione: calcolate in modo grafico 1 1 Pb () e = p(1 p) + p + (1 p) p= p 5
53 Calcolo BER costellazione 4-PSK (labeling di Gray) Per una costellazione 4-PSK con labeling di Gray si ha quindi P() e b 1 E b = erfc N 0 come per una costellazione binaria antipodale. 53
54 Modulazione 4-PSK Giustificazione: Quando si usa il labeling di Gray, la costellazione 4-PSK può essere vista come il prodotto cartesiano di due modulazioni -PSK una sul canale I (primo bit) e una sul canale Q (secondo bit) Il canale di trasmissione introduce due componenti di rumore statisticamente indipendenti sul canale I e sul canale Q. 54
55 Modulazione 4-PSK Dato il simbolo ricevuto ρ[n]=(ρ 1 [n], ρ [n]), quando si effettua la decisione basata sulle regioni di Voronoi: il segno della componente ρ 1 [n] lungo l asse x determina univocamente la scelta del primo bit il segno della componente ρ [n] lungo l asse y determina univocamente la scelta del secondo bit. La 4-PSK con labeling di Gray si comporta come costellazioni -PSK trasmesse in parallelo. 55
56 Calcolo BER costellazione 4-PSK (labeling diverso) Proviamo ore a calcolare P b (e) con il seguente labeling, diverso dal precedente: e: H M v v v = (00) 1 1 = (01) = (10) s s s /s 4 a 10/s 3 a v = (11) s /s 1 01/s 56
57 Calcolo BER costellazione 4-PSK (labeling diverso) m 1 P () e = P( e s = s ) b b T i m i = 1 dh( vj, v1 ) P ( e s = s ) = P( ρ V( s ) s = s ) = b T 1 j T 1 j i k 1 1 = P( ρ V( s) st = s1) + P( ρ V( s3) st = s1) + P( ρ V( s4) st = s1) Pb () e p(1 p) p (1 p) p p = + + = p 57
58 Calcolo BER costellazione 4-PSK Per una costellazione 4-PSK con labeling di Gray si ha, detto 1 E b p= erfc N 0 P () b e = p Per una costellazione 4-PSK con labeling naturale si ha invece 3 Pb () e p = p > p La probabilità di errore è peggiorata. 58
59 Labeling binario e BER Analizzando l espressione della P b (e) dh( vj, vi) Pb( e st = si) = P( r V( sj) st = si) k j i si intuisce che, quando scelgo un labeling binario, cioé una corrispondenza tra segnali di M e vettori binari, devo cercare di minimizzare la distanza di Hamming dei vettori associati a segnali adiacenti. (Infatti, gli eventi di errore con probabilità più alta sono quelli di cadere nelle regioni di Voronoi dei segnali a minima distanza da quello trasmesso. Questo è tanto più vero quanto più cresce il rapporto Eb/N0. Infatti, fissata Eb, se Eb/N0 cresce, N0 diminuisce, quindi diminuisce la varianza delle componenti di rumore. Se la varianza è piccola significa che le distribuzione Gaussiane sono concentrate attorno all origine: quando si sbaglia, si sbaglia solo su regioni di Voronoi vicine a quelle del segnale trasmesso.) 59
60 Labeling di Gray Data una costellazione, un labeling di Gray è definito in questo modo: Considero ogni segnale s i. Ad esso è associato il vettore binario u i =e -1 ( s i ). Considero tutti i segnali adiacenti a s i (a minima distanza Euclidea da s i ) e gli associo dei vettori binari a distanza di Hamming 1 da u i.. In questo modo viene minimizzata la BER asintotica (alto E b /N 0 e bassa BER) 60
61 Labeling di Gray [Esempio: Gray Labeling 8-PSK] IMPORTANTE: cambiando il labeling cambia il solo BER. La SER riguarda solo la forma della costellazione e non dipende dal labeling binario. 61
01CXGBN Trasmissione numerica. parte 11: modulazione 2-PAM
0CXGBN Trasmissione numerica parte : modulazione 2-PAM PARTE 2: Modulazioni Numeriche 2 Modulazioni: introduzione Per ogni modulazione considereremo: Caratteristiche generali Costellazione (insieme di
DettagliQuesta viene trasmessa sul canale (wireless o wired). In questo corso, modellizzeremo il canale di trasmissione come un canale Gaussiano bianco
Canale di trasmissione Dati una costellazione M un labeling binario e è possibile associare alle sequenze binarie di informazione u da trasmettere una forma d onda s(t). Questa viene trasmessa sul canale
Dettagli01CXGBN Trasmissione numerica. parte 18: modulazioni m-psk
01CXGBN Trasmissione numerica parte 18: modulazioni m-psk 1 Modulazioni m-psk: caratteristiche 1. Modulazioni in quadratura modulazioni in anda-passante. Costellazione i-dimensionale: m segnali, equispaziati
Dettagli7. Trasmissione Numerica in Banda Traslata
1 INFO-COM Dpt. Dipartimento di Scienza e Tecnica dell Informazione e della Comunicazione Università degli Studi di Roma La Sapienza 7. Trasmissione Numerica in Banda Traslata TELECOMUNICAZIONI per Ingegneria
DettagliComunicazioni Elettriche Esercizi
Comunicazioni Elettriche Esercizi Alberto Perotti 9 giugno 008 Esercizio 1 Un processo casuale Gaussiano caratterizzato dai parametri (µ = 0, σ = 0.5) ha spettro nullo al di fuori dellintervallo f [1.5kHz,
Dettagli9. Sistemi di Modulazione Numerica in banda traslata. Modulo TLC:TRASMISSIONI Modulazione numerica in banda traslata
1 9. Sistemi di Modulazione Numerica in banda traslata Modulazione QAM (analogica) 2 Modulazione QAM (Quadrature Amplitude Modulation; modulazione di ampiezza con portanti in quadratura) è un tipo di modulazione
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche. Modulazione A.A Alberto Perotti
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Modulazione A.A. 8-9 Alberto Perotti DELEN-DAUIN Modello di sistema di comunicazione Il modello di sistema di comunicazione
Dettagli1) Entropia di variabili aleatorie continue. 2) Esempi di variabili aleatorie continue. 3) Canali di comunicazione continui. 4) Canale Gaussiano
Argomenti della Lezione 1) Entropia di variabili aleatorie continue ) Esempi di variabili aleatorie continue 3) Canali di comunicazione continui 4) Canale Gaussiano 5) Limite di Shannon 1 Entropia di una
DettagliLa modulazione numerica
La modulazione numerica Mauro Giaconi 26/05/2009 trasmissione numerica 1 Principi di modulazione numerica 26/05/2009 trasmissione numerica 2 Modulazione numerica La modulazione trasla l informazione di
DettagliSCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliTEORIA DELL INFORMAZIONE ED ENTROPIA FEDERICO MARINI
TEORIA DELL INFORMAZIONE ED ENTROPIA DI FEDERICO MARINI 1 OBIETTIVO DELLA TEORIA DELL INFORMAZIONE Dato un messaggio prodotto da una sorgente, l OBIETTIVO è capire come si deve rappresentare tale messaggio
DettagliProfs. Roberto Cusani Francesca Cuomo
1 INFO-COM Dpt. Dipartimento di Scienza e Tecnica dell Informazione e della Comunicazione Università degli Studi di Roma La Sapienza Trasmissione Numerica in Banda Traslata TELECOMUNICAZIONI Profs. Roberto
DettagliComunicazioni Elettriche II
Comunicazioni Elettriche II Laurea Magistrale in Ingegneria Elettronica Università di Roma La Sapienza A.A. 2017-2018 Codifica di canale Il codificatore di canale Bits della sorgente Codificatore di canale
DettagliTeoria dei Segnali Un esempio di processo stocastico: il rumore termico
Teoria dei Segnali Un esempio di processo stocastico: il rumore termico Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it Teoria dei Segnali Il rumore
Dettagli01CXGBN Trasmissione numerica
0CXGBN rasmissione numerica parte 3: Spazio dei segnali, rappresentazione vettoriale Lo spazio dei segnali Introduciamo una rappresentazione vettoriale dei segnali della costellazione M Serve a semplificare
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A Alberto Perotti, Roberto Garello
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2006-07 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici
DettagliSoluzioni di Esercizi di Esame di Segnali Aleatori per Telecomunicazioni
Corso di Laurea in Ingegneria Informatica corso di Telecomunicazioni (Prof. G. Giunta) (editing a cura dell ing. F. Benedetto) Soluzioni di Esercizi di Esame di Segnali Aleatori per Telecomunicazioni Esame
DettagliSIMULAZIONE - 29 APRILE QUESITI
www.matefilia.it SIMULAZIONE - 29 APRILE 206 - QUESITI Q Determinare il volume del solido generato dalla rotazione attorno alla retta di equazione y= della regione di piano delimitata dalla curva di equazione
DettagliCANALE STAZIONARIO CANALE TEMPO INVARIANTE
CANALE STAZIONARIO Si parla di un Canale Stazionario quando i fenomeni che avvengono possono essere modellati da processi casuali e le proprietà statistiche di tali processi sono indipendenti dal tempo.
DettagliConversione Analogico/Digitale
Conversione Analogico/Digitale 1 Fondamenti di Segnali e Trasmissione Conversione analogico/digitale (A/D) Per rappresentare numericamente un segnale continuo nel tempo e nelle ampiezze è necessario: Campionare
DettagliTRASMISSIONE NUMERICA IN BANDA BASE
TRASMISSIONE NUMERICA IN BANDA BASE 1 Fondamenti di segnali Fondamenti e trasmissione TLC Trasmissione numerica in banda base Per trasmettere una sequenza di cifre binarie su un canale di trasmissione
DettagliCampionamento e quantizzazione
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Campionamento e quantizzazione A.A. 2008-09 Alberto Perotti DELEN-DAUIN Conversione analogico-digitale L elaborazione
DettagliModulazioni di ampiezza
Modulazioni di ampiezza 1) Si consideri un segnale z(t) modulato in ampiezza con soppressione di portante dal segnale di informazione x(t): z(t) = Ax(t)cos(2πf 0 t) Il canale di comunicazione aggiunge
DettagliTeoria della probabilità Variabili casuali
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità Variabili casuali A.A. 2008-09 Alberto Perotti DELEN-DAUIN Variabile casuale Una variabile
Dettagliun elemento scelto a caso dello spazio degli esiti di un fenomeno aleatorio;
TEST DI AUTOVALUTAZIONE - SETTIMANA 3 I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Metodi statistici per la biologia 1 Parte A 1.1 Una variabile casuale
DettagliLa codifica digitale
La codifica digitale Codifica digitale Il computer e il sistema binario Il computer elabora esclusivamente numeri. Ogni immagine, ogni suono, ogni informazione per essere compresa e rielaborata dal calcolatore
Dettagli7.5.6 Dipendenza di Pe da Eb/No
7.5.6 Dipendenza di Pe da Eb/No Sviluppiamo ora la (7. in modo da esprimere l argomento di {} in unzione di una grandezza ( E b/ che riassume in sé i valori dei parametri intriseci del collegamento (potenza
DettagliScheda n.3: densità gaussiana e Beta
Scheda n.3: densità gaussiana e Beta October 10, 2008 1 Definizioni generali Chiamiamo densità di probabilità (pdf ) ogni funzione integrabile f (x) definita per x R tale che i) f (x) 0 per ogni x R ii)
DettagliTeoria dei Segnali Trasmissione binaria casuale; somma di processi stocastici
eoria dei Segnali rasmissione binaria casuale; somma di processi stocastici Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it eoria dei Segnali rasmissione
DettagliLa funzione di distribuzione Gaussiana normale
La funzione di distribuzione Gaussiana normale Nicola Morganti 25 aprile 2004 Indice Proprietà fondamentali 2 Standard Normal Density Function 3 3 Esempio applicativo 5 Proprietà fondamentali L utilizzo
DettagliAnalisi degli Errori di Misura. 08/04/2009 G.Sirri
Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia
DettagliSIMULAZIONE - 29 APRILE QUESITI
www.matefilia.it SIMULAZIONE - 29 APRILE 206 - QUESITI Q Determinare il volume del solido generato dalla rotazione attorno alla retta di equazione y= della regione di piano delimitata dalla curva di equazione
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
DettagliMetodi di Monte Carlo: un'applicazione
Metodi di Monte Carlo: un'applicazione Metodi di Monte Carlo: definizione Brevi richiami sui concetti base utilizzati Variabile casuale Valore di aspettazione Varianza Densità di probabilità Funzione cumulativa
DettagliFunzioni reali di variabile reale
Funzioni reali di variabile reale Lezione per Studenti di Agraria Università di Bologna (Università di Bologna) Funzioni reali di variabile reale 1 / 50 Funzioni Definizione Sia A un sottoinsieme di R.
Dettaglitabelle grafici misure di
Statistica Descrittiva descrivere e riassumere un insieme di dati in maniera ordinata tabelle grafici misure di posizione dispersione associazione Misure di posizione Forniscono indicazioni sull ordine
DettagliCorso di Fondamenti di Telecomunicazioni
Corso di Fondamenti di Telecomunicazioni Prof. Mario Barbera [parte ] Variabili aleatorie Esempio: sia dato l esperimento: Scegliere un qualunque giorno non festivo della settimana, per verificare casualmente
DettagliCorso di Laurea: Diritto per le Imprese e le istituzioni a.a Statistica. Probabilità. Lezioni : 11, 12. Docente: Alessandra Durio
Corso di Laurea: Diritto per le Imprese e le istituzioni a.a. 2016-17 Statistica Probabilità Lezioni : 11, 12 Docente: Alessandra Durio 1 Contenuti 1. Variabili casuali notevoli DISCRETE (uniforme, di
Dettaglidistribuzione normale
distribuzione normale Si tratta della più importante distribuzione di variabili continue, in quanto: 1. si può assumere come comportamento di molti fenomeni casuali, tra cui gli errori accidentali; 2.
DettagliCapitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
Dettagli8 Derivati dell entropia
(F1X) Teoria dell Informazione e della Trasmissione 8 Derivati dell entropia Docente: Nicolò Cesa-Bianchi versione 23 marzo 2016 Siano X e Y due variabili casuali con valori in insiemi finiti X e Y. Detta
DettagliCOMUNICAZIONI ELETTRICHE
COMUNICAZIONI ELERICHE Diploma Universitario Ingegneria Elettronica - Ingegneria Inormatica ESERCIZIO : Si consideri il sistema mostrato in igura. Il iltro ha risposta in requenza H() = j segn (), dove
DettagliCorso di Laurea in Ingegneria Informatica (Laurea on Line)
Milano 5/1/8 Corso di Laurea in Ingegneria Informatica (Laurea on Line) Corso di Fondamenti di Segnali e rasmissione Seconda prova Intermedia Carissimi studenti, scopo di questa seconda prova intermedia
DettagliConcetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2017/2018. Giovanni Lafratta
Concetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2017/2018 Giovanni Lafratta ii Indice 1 Spazi, Disegni e Strategie Campionarie 1 2 Campionamento casuale
DettagliQUANTIZZAZIONE Conversione analogico/digitale
QUANTIZZAZIONE Conversione analogico/digitale 1 QUANTIZZAZIONE Campionamento e uantizzazione Campione del segnale Segnale originale (continuo nel tempo e nelle ampiezze) QUANTIZZAZIONE Conversione analogico/digitale
DettagliCapitolo 6 La distribuzione normale
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
DettagliIL PALLINOMETRO SCOPO
IL PALLINOMETRO SCOPO Verifica del fatto che gli errori casuali nella misura di una grandezza fisica ripetuta molte volte nelle stesse condizioni sperimentali seguono la distribuzione normale di Gauss.
DettagliCALENDARIO BOREALE 2 AMERICHE 2015 QUESITO 1
www.matefilia.it Indirizzi: LI0, EA0 SCIENTIFICO; LI0 - SCIENTIFICO - OPZIONE SCIENZE APPLICATE CALENDARIO BOREALE AMERICHE 0 QUESITO Determinare il volume del solido generato dalla rotazione attorno alla
DettagliQUANTIZZAZIONE E CONVERSIONE IN FORMA NUMERICA. 1 Fondamenti Segnali e Trasmissione
UANTIZZAZIONE E CONVERSIONE IN FORMA NUMERICA Fondamenti Segnali e Trasmissione Campionamento e quantizzazione di un segnale analogico Si consideri il segnale x(t) campionato con passo T c. Campioni del
Dettagli( ) ( ) ( e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da:
e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da: p ( ) ( c < X < b) f ( x) LA VC NORMALE O GAUSSIANA Una vc si dice normale o gaussiana (da Gauss che la propose come
DettagliDistribuzioni di probabilità nel continuo
Distribuzioni di probabilità nel continuo Prof.ssa Fabbri Francesca Classe 5C Variabili casuali continue Introduzione: Una Variabile Casuale o Aleatoria è una grandezza che, nel corso di un esperimento
DettagliModello di sistema di comunicazione
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Modulazione A.A. 24-5 Alberto Perotti DELEN-DAUIN Modello di sistema di comunicazione Il modello di sistema di comunicazione
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
DettagliModulazione Multilivello in banda passante: QAM e PSK
Modulazione Multilivello in banda passante: QAM e PSK P. Lombardo DIET, Univ. di Roma La Sapienza Modulazioni QAM e PSK - 1 Trasmissione numerica in banda passante (III) MODULATORE QPSK Efficienza spettrale:
DettagliI VETTORI GAUSSIANI E. DI NARDO
I VETTOI GAUSSIANI E. DI NADO. L importanza della distribuzione gaussiana I vettori di v.a. gaussiane sono senza dubbio uno degli strumenti più utili in statistica. Nell analisi multivariata, per esempio,
DettagliCAMPIONAMENTO E RICOSTRUZIONE. Y(f) Y(f-15) Y(f+15) f[hz] Yc(f) Y(f) Y(f-17.5) Y(f+17.5) Yc(f) Esercizio 1
CAMPIONAMENTO E RICOSTRUZIONE Esercizio 1 Dato il segnale y(t), con trasformata di Fourier Y(f) rappresentata in figura, rappresentare lo spettro del segnale ottenuto campionando idealmente y(t) con a)
DettagliStatistica. Lezione : 18, 19. Variabili casuali
Corsi di Laurea: a.a. 2017-18 Diritto per le Imprese e le istituzioni Scienze dell Amministrazione e Consulenza del Lavoro sienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili
DettagliCorso di Fondamenti di Segnali e Trasmissione - Esame del 7 Febbraio 2006
Corso di Fondamenti di Segnali e Trasmissione - Esame del 7 Febbraio 6 Gli esercizi devono essere risolti solo sui ogli dei colori indicati. Per esiti e soluzioni si veda il sito web del corso: http://www.elet.polimi.polimi.it/dsp/courses/st.
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2017/18 - Prova scritta
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA A.A. 2017/18 - Prova scritta 2018-09-12 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate.
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliValutazione incertezza di categoria B
Valutazione incertezza di categoria B La valutazione consiste nell assegnare alla grandezza x uno scarto tipo σ in base alle informazioni disponibili Le informazioni riguardano: ) Gli estremi dell intervallo
DettagliLezione n. 1 (a cura di Irene Tibidò)
Lezione n. 1 (a cura di Irene Tibidò) Richiami di statistica Variabile aleatoria (casuale) Dato uno spazio campionario Ω che contiene tutti i possibili esiti di un esperimento casuale, la variabile aleatoria
DettagliParte I Identificazione di modelli dinamici. 6: Teoria della stima e caratteristiche degli stimatori. Parte I 6, 1
Parte I 6, 1 Parte I Identificazione di modelli dinamici 6: Teoria della stima e caratteristiche degli stimatori Generalita` Parte I 6, 2 In generale abbiamo: dove sono i dati osservati e` la quantita`
Dettagli10 Proprietà di Equipartizione Asintotica
FX Teoria dell Informazione e della Trasmissione 0 Proprietà di Equipartizione Asintotica Docente: Nicolò Cesa-Bianchi versione 6 aprile 206 Come nel caso della codifica sorgente, anche nel caso della
DettagliElaborazione statistica di dati
Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:
DettagliTRASMISSIONE NUMERICA IN BANDA PASSANTE. 1 Fondamenti Segnali e Trasmissione
TRASMISSIONE NUMERICA IN BANDA PASSANTE Fondamenti Segnali e Trasmissione Trasmissione numerica in anda passante () Per ottenere una forma d onda numerica da trasmettere in anda passante è sufficiente
Dettagli01CXGBN Trasmissione numerica. parte 17: Modulazione 4-Offset PSK
01CXGBN Trasmissione numerica parte 17: Modulazione 4-Offset PSK 1 Amplificatori di potenza Amplificatori di potenza (dispositivo che amplifica la forma d onda s(t) da trasmettere sul canale) Tipica caratteristica
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
DettagliTeorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliCAMPIONAMENTO. y(t) = x 1 (t) x 2 (t) Σ δ(t - kt c. ) k. Figure 1:
CAMPIONAMENTO 1) Si considerino i due segnali a banda limitata x 1 (t) con banda B 1 e x 2 (t) con banda B 2. Si costruisca il segnale y(t) come y(t) = x 1 (t) x 2 (t) Volendo applicare il principio del
DettagliComunicazioni Elettriche II
Comunicazioni Elettriche II Laurea Magistrale in Ingegneria Elettronica Università di Roma La Sapienza A.A. 2017-2018 Esercitazione 16 Segnali d immagine I Esercizio: Rapporto d aspetto Si calcoli il rapporto
DettagliTRASMISSIONE NUMERICA IN BANDA BASE. 1 Fondamenti Segnali e Trasmissione
TRASMISSION NUMRICA IN BANDA BAS 1 Fondamenti Segnali e Trasmissione Trasmissione numerica in banda base Per trasmettere una sequenza di cifre binarie su un canale di trasmissione passa basso (in banda
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliEsercitazione di Analisi Matematica II
Esercitazione di Analisi Matematica II Barbara Balossi 06/04/2017 Esercizi di ripasso Esercizio 1 Sia data l applicazione lineare f : R 3 R 3 definita come f(x, y, z) = ( 2x + y z, x 2y + z, x y). a) Calcolare
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliTECNOLOGIE DELLA TRASMISSIONE OTTICA Anno accademico BER e Power Budget. Pierpaolo Boffi
TECNOLOGIE DELLA TRASMISSIONE OTTICA Anno accademico 2006-2007 BER e Power Budget Pierpaolo Boffi 100mV/div 100mV/div 100ps/div 50ps/div Sistema di comunicazioni ottiche Trasmettitore Link Ricevitore Analog
DettagliTeoria dell informazione
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria dell informazione A.A. 2008-09 Alberto Perotti DELEN-DAUIN Modello di sistema di comunicazione Il modello di
DettagliConcetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2016/2017. Giovanni Lafratta
Concetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2016/2017 Giovanni Lafratta ii Indice 1 Spazi, Disegni e Strategie Campionarie 1 2 Campionamento casuale
DettagliCorso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali. Esercitazione E
Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali A.A 2009-2010 Esercitazione E Scopo dell esercitazione Applicazioni del teorema del limite centrale. Rappresentazione delle incertezze
DettagliFunzioni vettoriali di variabile scalare
Capitolo 11 Funzioni vettoriali di variabile scalare 11.1 Curve in R n Abbiamo visto (capitolo 2) come la posizione di un punto in uno spazio R n sia individuata mediante le n coordinate di quel punto.
DettagliComunicazioni Elettriche I - Testo 1
Comunicazioni Elettriche I - Testo 1 Problema Si consideri un sistema di trasmissione numerico in cui una sorgente genera un flusso binario a velocità f b = 60 kb/s. Tale flusso viene inviato in ingresso
DettagliVettori e geometria analitica in R 3 1 / 25
Vettori e geometria analitica in R 3 1 / 25 Sistemi di riferimento in R 3 e vettori 2 / 25 In fisica, grandezze fondamentali come forze, velocità, campi elettrici e magnetici vengono convenientemente descritte
DettagliDipartimento di Ingegneria dell Informazione, Elettronica e Telecomunicazioni. Esercitazioni del corso di. Telecomunicazioni
Dipartimento di Ingegneria dell Informazione, Elettronica e Telecomunicazioni Esercitazioni del corso di Telecomunicazioni Corso di laurea in Ingegneria Gestionale Anno Accademico 2013-2014 Ing. Alfonso
DettagliLezione 6 Richiami di Geometria Analitica
1 Piano cartesiano Lezione 6 Richiami di Geometria Analitica Consideriamo nel piano due rette perpendicolari che si intersecano in un punto O Consideriamo ciascuna di queste rette come retta orientata
Dettagli1 Distanza di un punto da una retta (nel piano)
Esercizi 26/10/2007 1 Distanza di un punto da una retta (nel piano) Sia r = {ax + by + c = 0} una retta. Sia P = (p 1, p 2 ) R 2 un punto che non sta sulla retta r. Vogliamo vedere se si può parlare di
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliPiano cartesiano e Retta
Piano cartesiano e Retta 1 Piano cartesiano e Retta 1. Richiami sul piano cartesiano 2. Richiami sulla distanza tra due punti 3. Richiami punto medio di un segmento 4. La Retta (funzione lineare) 5. L
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
DettagliSistemi e Tecnologie della Comunicazione
Sistemi e Tecnologie della Comunicazione Lezione 5: strato fisico: limitazione di banda, formula di Nyquist; caratterizzazione del canale in frequenza Rappresentazione spettrale di un segnale Il grafico
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliLa distribuzione normale o distribuzione di Gauss
La distribuzione normale o distribuzione di Gauss Gauss ha dimostrato che secondo questa legge si possono ritenere distribuiti gli errori accidentali di misura di una qualsivoglia grandezza. Densità di
DettagliCOMUNICAZIONI ELETTRICHE + TRASMISSIONE NUMERICA COMPITO 13/7/2005
COMUNICAZIONI ELETTRICHE + TRASMISSIONE NUMERICA COMPITO 13/7/005 1. Gli esercizi devono essere risolti su fogli separati: uno per la prima parte del compito (esercizi 1/4), uno per la seconda parte (esercizi
DettagliCalcolo delle Probabilità e Statistica, Ing. Informatica e dell Automazione 22/2/2011
Calcolo delle Probabilità e Statistica, Ing. Informatica e dell Automazione //0 Il seguente esercizio va svolto su questo foglio prestampato. Esercizio. In un urna ci sono 8 palline etichettate con numeri
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliTecniche di protezione dell informazione
Tecniche di protezione dell informazione 1 Contesto trasmissivo u T st () rt () u R Sorgente sequenze binarie informaz. Rb TX CANALE RX Rb ut st () rt () u R R b Sequenze binarie di informazione trasmesse
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
DettagliSignificato probabilistico di σ: su 100 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo
Significato probabilistico di σ: su 1 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo x σ, x + σ e 99.7 nell intervallo x 3 σ, x + 3 Se si considerano campioni
DettagliX (o equivalentemente rispetto a X n ) è la
Esercizi di Calcolo delle Probabilità della 5 a settimana (Corso di Laurea in Matematica, Università degli Studi di Padova). Esercizio 1. Siano (X n ) n i.i.d. di Bernoulli di parametro p e definiamo per
Dettagli