Optimal Estimator

NTS/Fak.
IW Klausur Seite
U D-E Theorie statistischer Signale - Communications 2 0/7
Aufgaben zu den Klausuren:
Theorie statistischer Signale

oder
Communications 2
N T S
Wichtige Hinweise:
• Die Dauer der Klausur beträgt 90 Minuten.
• Die drei Aufgaben 4, 5 und 6 sind in deutscher und englischer Sprache gegeben!
• NEU: Falls nicht anders vorgegeben, sind sämtliche Skizzen unter Anga-
be aller wesentlichen Abszissen- und Ordinatenwerte anzufertigen.
Important Hints:
• The examination time is 90 minutes!
• The three problems 4, 5 and 6 are provided in German and English language!
• NEW: Unless stated otherwise, all sketches are to be made with all
significant points on abscissa and ordinate.
Klausurtermin: 21.08.2012
NTS/Fak. IW Klausur Seite
Aufgabe 4: Transformation von Zufallsvariablen (14 Punkte)
Gegeben ist eine Zufallsvariable x mit der Wahrscheinlichkeitsdichte:

x − x0
fx(x) = a · rect , x0 > 0, ∆x > 0.
2 · ∆x
Die Zufallsvariable x wird über ein System mit der Kennlinie g(x) in die Zufallsvariable
y transformiert.
x y
y = g(x)
Die Kennlinie g(x) ist wie folgt gegeben:
y = g(x) = x2 .
4.1 (1 Punkt)
Skizzieren Sie die Wahrscheinlichkeitsdichtefunktion fx(x) sowie die Kennlinie
g(x).
4.2 (1 Punkt)
Bestimmen Sie den Wert der Konstanten a in Abhängigkeit von ∆x.
4.3 (6 Punkte)
Bestimmen Sie die Wahrscheinlichkeitsdichte fy (x) der Zufallsvariablen y am
Ausgang des Systems.
Hinweis: Es sind zwei verschiedene Fälle hinsichtlich des Wertebereiches von
x0 zu unterscheiden.
4.4 (2 Punkte)
Bestimmen Sie den Erwartungswert E{x} der Zufallsvariablen x in Abhängig-
keit von x0 und skizzieren Sie diesen als Funktion von x0 .
4.5 (4 Punkte)
Bestimmen Sie den Erwartungswert E{y} der Zufallsvariablen y in Abhängig-
keit von x0 .
Aufgabe 5: Zufallsprozess (16 Punkte)

Es wird der folgende Zufallsprozess x(t) betrachtet:
x(t) = a(t) · sin (ω0 t + ϕ) .
Der Zufallsprozess a(t) und die zufällige Anfangsphase ϕ sind voneinander statistisch
unabhängig. Das Leistungsdichtespektrum des Zufallsprozesses a(t) ist gegeben durch:

ω
Saa(ω) = S0 · rect .
ω0
Zunächst wird angenommen, dass ϕ im Bereich [0, 2π] gleichverteilt ist.
5.1 (1 Punkt)
Skizzieren Sie das Leistungsdichtespektrum Saa(ω) von a(t).
5.2 (1 Punkt)
Bestimmen Sie die Autokorrelationsfunktion Raa(τ ) von a(t).
5.3 (2 Punkte)
Bestimmen und skizzieren Sie die Wahrscheinlichkeitsdichte fϕ(ϕ) von ϕ.
5.4 (3 Punkte)
Bestimmen Sie die Autokorrelationsfunktion Rxx(τ ) von x(t).
5.5 (3 Punkte)
Bestimmen und skizzieren Sie das Leistungsdichtespektrum Sxx(ω) von x(t).
Nun wird angenommen, dass die zufällige Phase ϕ im Bereich [0, π2 ] gleichverteilt ist.
5.6 (1 Punkt)
Bestimmen Sie den linearen Mittelwert E {x(t)} von x(t).
5.7 (4 Punkte)
Bestimmen Sie die Autokorrelationsfunktion Rxx(t1 , t2 ) von x(t).
5.8 (1 Punkt)
Ist der Zufallsprozess x(t) stationär? (Begründung erforderlich!)
Aufgabe 6: Optimaler Schätzer (11 Punkte)
Ein hochfrequentes Trägersignal hat die unbekannte Amplitude A und die Leistung P =
1 2
2
A . Eine störbehaftete Messeinrichtung liefert Messergebnisse für die Leistung P i =
P + ni , wobei die zufällige und mittelwertfreie Störung ni Gauß-verteilt ist und die
2
Varianz σn besitzt.
ni
P
A P = 12 A2 Pi
Die Messeinrichtung liefert N statistisch unabhängige Messwerte P i , i = 1, . . . , N .
6.1 (1 Punkt)
Geben Sie die Wahrscheinlichkeitsdichte fP i |A (Pi |A) eines Messwertes P i als
Funktion von A an.
6.2 (1 Punkt)
Geben Sie die gemeinsame Wahrscheinlichkeitsdichte fP 1 ,...,P N |A (P1 , . . . , PN |A)
(Likelihood-Funktion) an.
6.3 (3 Punkte)
Bestimmen Sie entsprechend dem Maximum-Likelihood-Ansatz den Schätz-
wert Â, für den die Likelihood-Funktion maximal wird.
Hinweis: Differentiation nach A reicht aus. Sie brauchen nicht zu zeigen, dass
das Extremum ein Maximum ist.
6.4 (1 Punkt)
Stellen Sie den Schätzwert Â als Funktion der wahren Amplitude A und der
Störungen ni dar.
6.5 (3 Punkte)
2
Berechnen Sie den mittleren quadratischen Schätzfehler σÂ = E{(A − Â)2 }
für kleine Störungen (ni << P ), indem
√ Sie im Ergebnis aus Aufgabenpunkt
6.4 die Wurzelfunktion linearisieren: 1 + ε ≈ 1 + 2ε .
Ein suboptimaler Schätzalgorithmus berechnet den Schätzwert

N
1 Xp
Ã = 2P i .
N i=1
6.6 (2 Punkte)
2
Berechnen Sie den mittleren quadratischen Schätzfehler σÃ = E{(A − Ã)2 }
für kleine Störungen (ni <<√P ), indem Sie wie im Aufgabenpunkt 6.5 die
Wurzelfunktion linearisieren: 1 + ε ≈ 1 + 2ε .
Problem 4: Transformation of random variables (14 points)
Given is a random variable x with the following probability density function:

x − x0
fx(x) = a · rect , x0 > 0, ∆x > 0.
2 · ∆x
The random variable x is mapped to the random variable y through a system with the
characteristic g(x).
x y
y = g(x)
The characteristic g(x) of the system is given as:
y = g(x) = x2 .
4.1 (1 point)
Sketch the probability density function fx(x) as well as the characteristic g(x).
4.2 (1 point)
Determine the value of the constant a as a function of ∆x.
4.3 (6 points)
Determine the probability density function fy (x) of the random variable y at
the output of the system.
Hint: Distinguish two ranges of x0 .
4.4 (2 points)
Determine the expected value E{x} of the random variable x as a function
of x0 and sketch E{x} as a function of x0 .
4.5 (4 points)
Determine the expected value E{y} of the random variable y as a function
of x0 and sketch E{y} as a function of x0 .
Problem 5: Random process (16 points)

Consider the following random process x(t):
x(t) = a(t) · sin (ω0 t + ϕ) .
The random process a(t) and the random initial phase ϕ are statistically independent
from each other. The power spectral density of the random process a(t) is given by:

ω
Saa(ω) = S0 · rect .
ω0
Assume first that ϕ is uniformly distributed in the range [0, 2π].
5.1 (1 point)
Sketch the power spectral density Saa(ω) of a(t).
5.2 (1 point)
Determine the autocorrelation function Raa(τ ) of a(t).
5.3 (2 points)
Determine and sketch the probability density function fϕ(ϕ) of ϕ.
5.4 (3 points)
Determine the autocorrelation function Rxx(τ ) of x(t).
5.5 (3 points)
Determine and sketch the power spectral density Sxx(ω) of x(t).
Now, assume that the random phase ϕ is uniformly distributed in the range [0, π2 ].
5.6 (1 point)
Determine the linear mean E {x(t)} of x(t).
5.7 (4 points)
Determine the autocorrelation function Rxx(t1 , t2 ) of x(t).
5.8 (1 point)
Is the random process x(t) stationary? (Explanation required!)
Problem 6: Optimal estimator (11 points)
Given is a high frequency carrier signal which has the unknown amplitude A and the
power P = 12 A2 . A noisy measuring system is used to obtain some measurements for the
power P i = P + ni , where the random and zero-mean noise ni is Gaussian distributed
2
and has the variance σn .
ni
P
A P = 12 A2 Pi
The measuring system delivers N statistically independent measurements P i , i = 1, . . . , N .
6.1 (1 point)
Determine the conditional probability density function fP i |A (Pi |A) of a single
measured value P i as a function of A.
6.2 (1 point)
Determine the joint conditional probability density function fP 1 ,...,P N |A (P1 , . . . , PN |A)
(likelihood function) of all N measured values.
6.3 (3 points)
Determine the calculation rule of the estimate Â, which maximizes the like-
lihood function.
Hint: It is sufficient to differentiate with respect to A. It is not necessary to
show that the extremum is a maximum.
6.4 (1 point)
Rewrite the estimate Â as a function of the actual amplitude A and the noise
ni .
6.5 (3 points)
2
Determine the mean-squared error σÂ = E{(A − Â)2 } of the estimate for
small noise values (ni << P√) by linearizing the root function obtained in the
previous subproblem using 1 + ε ≈ 1 + 2ε .
A suboptimal estimation algorithm gives an estimate

N
1 Xp
Ã = 2P i .
N i=1
6.6 (2 points)
2
Determine the mean-squared error σÃ = E{(A − Ã)2 } of the estimate for
small noise values (ni << P√) by linearizing the root function as done in the
previous subproblem using 1 + ε ≈ 1 + 2ε .
empty page
NTS/Fak. IW Lösungen zur Klausur Seite
U D-E Communications 2 - NTS 2 - Information Engineering 1 0/7
N T S
Lösung Aufgabe 4 (14 Punkte):
Zu Aufg. 4.1 (1 Punkt)
fx(x)
a
x0 − ∆x x0 x0 + ∆x x
y = g(x)
Zu Aufg. 4.2 (1 Punkt)

∞
1
Z
fx(x)dx = 1 → a =
−∞ 2∆x
Zu Aufg. 4.3 (6 Punkte)
fx(x(y))
fy (y) =
|g ′ (x(y))|
√
x(y) = ± y
√
g ′ (x) = 2x ⇒ g ′ (x(y)) = ±2 y
1. Fall: x0 < ∆x
fx(x)
a
x0 − ∆x 0 x0 x0 + ∆x x
Für diesen Fall müssen zwei Rechteckfunktionen unterschieden werden. Die erste Recht-
eckfunktion entspricht der gestrichelten Fläche in dem oberen Bild und die zweite Recht-
eckfunktion wird durch die nicht-gestrichelte Fläche abgebildet.
√
x −∆x

− y− 0 2
a · rect x0 −∆x
fy,1 (y) = √
|2 y|
a √
= √ for x0 − ∆x < y < 0 ⇔ 0 < y < (x0 − ∆x)2
2 y
√ x +∆x

y− 0 2
a · rect x0 +∆x
fy,2 (y) = √
|2 y|
a √
= √ for 0< y < x0 + ∆x ⇔ 0 < y < (x0 + ∆x)2
2 y
fy (y) = fy,1 (y) + fy,2 (y)
2. Fall: x0 > ∆x
fx(x)
a
x0 − ∆x x0 x0 + ∆x x
√
y−x0
a · rect 2∆x
fy (y) = √
|2 y|
a √
= √ for x − ∆x < y < x + ∆x ⇔ (x − ∆x)2 < y < (x + ∆x)2
2 y
Z ∞ Z x0 +∆x
E{x} = xfx(x)dx = a xdx
−∞ x0 −∆x
1 2 x0 +∆x a
(x0 + ∆x)2 − (x0 − ∆x)2

=a x x0 −∆x =
2 2
a 1
= 4x0 ∆x = 4∆xx0 = x0
2 4∆x
E{x}
∆x
∆x x0

1. Fall: x0 < ∆x
∞ (x0 −∆x)2 (x0 +∆x)2

a a
Z Z Z
E{y} = yfy (y)dy = y· √ + y · √ dy
−∞ 0 2 y 0 2 y
(x0 −∆x)2 (∆x+x0 )2
a2 3 a2 3
= y2 + y2
23 0 23 0
a
(∆x − 2∆xx0 + x0 ) · (∆x − x0 ) + (∆x2 + 2∆xx0 + x20 ) · (∆x + x0 )
2 2

=
3
a ∆x2
6x20 ∆x + 2∆x3 = x20 +

=
3 3
2. Fall: x0 > ∆x
∞ (x0 +∆x)2
a
Z Z
E{y} = yfy (y)dy = y √ dy
−∞ (x0 −∆x)2 2 y
(x0 +∆x)2
a2 3 a
= y2 = [(x0 − ∆x)3 − (x0 + ∆x)3 ]
33 (x0 −∆x)2 3
a 2
(x0 + 2∆xx0 + ∆x2 ) · (x0 + ∆x) − (x20 − 2∆xx0 + ∆x2 ) · (x0 − ∆x)

=
3
a ∆x2
6x20 ∆x + 2∆x3 = x20 +

=
3 3
E{y}
4∆x2
3
∆x2
3
∆x x0
Lösung von Aufgabe 5:
Zu 5.1
Saa(ω)
S0
− ω20 ω0
2
ω
Zu 5.2
S0 · ω0 ω
0
Raa(τ ) = · si τ
2π 2
Zu 5.3

1 ϕ−π
fϕ(ϕ) = · rect
2π 2π
fϕ(ϕ)
1
2π
2π ϕ
Zu 5.4
Dieser Zufallsprozess ist äquivalent zu dem im Skript auf Folie 203 behandelten Zufallspro-
zess. In beiden Fällen handelt es sich um eine sinus- bzw. cosinusförmige Funktion, die
jeden Phasenwinkel annehmen kann. Daher kann direkt abgelesen werden:
1
Rxx(τ ) = Raa(τ ) · · cos (ω0 τ )
2
Zu 5.5
1
Sxx(ω) = · (Saa(ω − ω0 ) + Saa(ω + ω0 ))
4
Sxx(ω)
S0 /4
− 3ω2 0 − ω20 ω0
2
3ω0
2
ω
Zu 5.6
Da der Mittelwert von a(t) Null ist (Saa(ω) besitzt keine Deltafunktion bei ω = 0), gilt:
E{x(t)} = E{a(t) · sin (ω0 t + ϕ)}

= E{a(t)} · E{sin (ω0 t + ϕ)}
= 0
Zu 5.7
Es gilt:
Rxx (t1 , t2 ) = E{x(t1 ) · x(t2 )}

= E{a(t1 ) · sin (ω0 t1 + ϕ) · a(t2 ) · sin (ω0 t2 + ϕ)}
= E{a(t1 ) · a(t2 )} · E{sin (ω0 t1 + ϕ) · sin (ω0 t2 + ϕ)}
1
= Raa(t2 − t1 ) · · E{cos (ω0 (t2 − t1 )) − cos (ω0 (t1 + t2 ) + 2ϕ)}
2
1
= · Raa(t2 − t1 )
2 Z ∞
· cos (ω0 (t2 − t1 )) − cos (ω0 (t1 + t2 ) + 2ϕ) · fϕ(ϕ) dϕ
−∞
1
= · Raa(t2 − t1 )
2
1 π
2
· cos (ω0 (t2 − t1 )) − · sin (ω0 (t1 + t2 ) + 2ϕ)
π ϕ=0
1
= · Raa(t2 − t1 )
2
1 1
· cos (ω0 (t2 − t1 )) − · sin (ω0 (t1 + t2 ) + π) + · sin (ω0 (t1 + t2 ))
π π
Zu 5.8
Der Prozess ist nicht stationär, da die Autokorrelationsfunktion von den absoluten Zeit-
punkten t1 und t2 und nicht nur von der Differenz t2 − t1 abhängt.
Solution for Problem 6:
Solution 6.1
2
(P i − A2 )2
−
fP i |A (Pi |A) = √ 1 e 2σn2
2πσn
Solution 6.2
N
A2 2

1 − 1
2 · N
P
i=1 (P i − 2 )
fP 1 ,...,P N |A (P1 , . . . , PN |A) = √ e 2σn
2πσn
Solution 6.3
N " N
#
A2 2 A2

d 1 − 1
2 · N
P
i=1 (P i − 2 )
1 X
fP ,...,P N |A (P1 , . . . , PN |A) = √ e 2σn
− 2 · (P i − ) · (−A)
dA 1 2πσn 2σn i=1 2
N 2
X Â
⇒ (P i − ) · Â = 0
i=1
2
Â = 0 is the minimum (trivial solution).
N
X Â2
Pi − N · =0
i=1
2
v
u
u2 X N
Â = t Pi
N i=1
is the maximum.
Solution 6.4
v
u
u2 X N
1
Â = t ( A2 + ni )
N i=1 2
Solution 6.5
v
u N
u 2 X
Â = tA2 + ni
N i=1
v
u N
u 2 X
=A 1+
t ni
N A2 i=1
N
!
1 X
≈A 1+ ni
N A2 i=1
 !2 
N N
2 2
 1 X  1 X
σÂ = E{(A − Â) } = E ni = E{n2i }
 NA  (N A)2
i=1 i=1
2
1 2 σn
= N σn =
(N A)2 N A2
Solution 6.6
2
σÃ = E{(A − Ã)2 }
 !2 
N
r
 1 X A 2 
=E A− 2( + ni )
 N i=1 2 
 !2 
N r
 AX 2ni 
=E A− 1+ 2
 N i=1 A 
 !2 
N
 A X ni 
≈E A− (1 + 2 )
 N i=1 A 
 !2 
 AX N
ni 
=E
 N
i=1
A2 
2
σ2

A 1 2
= · 2 N σn = n2
N A NA

Sprache

Optimal Estimator

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Optimal Estimator

Hochgeladen von

Copyright:

NTS/Fak.

Aufgaben zu den Klausuren:

Theorie statistischer Signale

Aufgabe 4: Transformation von Zufallsvariablen (14 Punkte)

Gegeben ist eine Zufallsvariable x mit der Wahrscheinlichkeitsdichte:

Die Kennlinie g(x) ist wie folgt gegeben:

Aufgabe 5: Zufallsprozess (16 Punkte)

x(t) = a(t) · sin (ω0 t + ϕ) .

Zunächst wird angenommen, dass ϕ im Bereich [0, 2π] gleichverteilt ist.

Aufgabe 6: Optimaler Schätzer (11 Punkte)

Die Messeinrichtung liefert N statistisch unabhängige Messwerte P i , i = 1, . . . , N .

Ein suboptimaler Schätzalgorithmus berechnet den Schätzwert

Problem 4: Transformation of random variables (14 points)

Given is a random variable x with the following probability density function:

The characteristic g(x) of the system is given as:

Problem 5: Random process (16 points)

x(t) = a(t) · sin (ω0 t + ϕ) .

Assume first that ϕ is uniformly distributed in the range [0, 2π].

Problem 6: Optimal estimator (11 points)

The measuring system delivers N statistically independent measurements P i , i = 1, . . . , N .

A suboptimal estimation algorithm gives an estimate

Lösung Aufgabe 4 (14 Punkte):

Zu Aufg. 4.1 (1 Punkt)

Zu Aufg. 4.2 (1 Punkt)

fy (y) = fy,1 (y) + fy,2 (y)

Zu Aufg. 4.4 (2 Punkte)

Zu Aufg. 4.5 (4 Punkte)

∞ (x0 −∆x)2 (x0 +∆x)2

Lösung von Aufgabe 5:

E{x(t)} = E{a(t) · sin (ω0 t + ϕ)}

Rxx (t1 , t2 ) = E{x(t1 ) · x(t2 )}

Solution for Problem 6:

Â = 0 is the minimum (trivial solution).

Das könnte Ihnen auch gefallen