통신공학

6.5 랜덤 프로세스(Random Process)

랜덤 프로세스
 확률변수는 불확실한 어떤 사건(event)을 숫자로 모델링하는데 사용
 랜덤 프로세스는 불확실한 어떤 신호(signal)를 모델링하는데 사용
 모든 시간에 대해 신호의 값을 정확히 표현할 수 있으면 그 신호를 결정적 신호
(deterministic signal)라 하고, 불확실성이 있어서 정확히 표현할 수 없을 때 그 신
호를 랜덤 신호(random signal)라 한다.

 10명(  n )이 확률변수 X 인 동전 10개 던지기를 반복 시행( t k )하는 경우 표본 함

수(sample function)은 X ( , t ) 로 표기하여야 하나, 편의상 X (t ) 로 나타냄

 특정한 순간 t  tk 에서의 랜덤 프로세스는 확률변수 X k  X (t ) |t tk  X (tk ) 가 된다.

X ( 1, t1 ) X ( 1, tk )
X ( 1 , t2 )

X ( 1, t )
t
X ( 1, t 0 )

X ( 2 , tk )
....
X ( 2 , t2 )
X ( 2 , t1 )
X ( 2, t )
t
X ( 2 , t0 )

....

X ( n , tk )

X ( n ,t)
t

X ( n , t0 ) X ( n , t1 ) X ( n , t2 )

X (t0 ) X (t1 ) X (t2 ) X (tk )

X (t ) t
t0 t1 t2 tk

1
 통신공학

랜덤 프로세스의 표본 함수

 X (t )  10 cos(100t  ) 위상이 랜덤  X (t )  A cos(100t ) 진폭이 랜덤

X ( 1, t ) X ( 1, t )

t t

X ( 2, t )
X ( 2, t )

t
t

X ( 3, t )
X ( 3, t )

t
t

Binary random process

통계적 평균(Statistical Averages)

평균(Mean)

 X (t )  E[ X (t )]   x(t ) f X ( x; t )dx


분산(Variance)

 X2 (t )  E[( X (t )   X (t ))2 ]   {x(t )   X (t )}2 f X ( x; t )dx


자기상관(Autocorrelation)
 
RX (t1 , t2 )  E[ X (t1 ) X (t2 )]    x1x2 f X1 X 2 ( x1 , x2 ; t1, t2 ) dx1dx2
 

 t1 = t2이면 autocorrelation은 전력이 된다.


P(t1 )  RX (t1 , t1 )  E[| X (t1 )|2 ]   | x1 |2 f X ( x1 ; t1 ) dx1


교차상관(Cross-correlation)
 
RXY (t1 , t2 )  E[ X (t1 ) Y (t2 )]    x1 y2 f X1Y2 ( x1 , y2 ; t1, t2 ) dx1dy2
 

2
 통신공학

자기상관의 의미
 𝑅𝑋 (𝑡1 , 𝑡2 )는 랜덤 프로세스 X(t)의 통계적 특성이 𝑡1 으로부터 τ = 𝑡2 − 𝑡1 초 지난 후
에 얼마나 유사한지를 나타낸다고 볼 수 있다.
 다음 그림 (a)와 같이 느리게 변하는 랜덤 프로세스에서는 상당히 큰 τ에 대해서도
X (t1 ) 과 X (t2 ) 가 상관성을 가지겠지만, 그림 (b)와 같이 빠르게 변하는 랜덤 프로세
스에서는 작은 τ에 대해서도 상관성이 거의 없어진다.
 자기상관 함수를 알면랜덤 프로세스의파형이 빠르게 변하는지 느리게 변하는지 예
측할 수 있으며, 결과적으로 주파수 성분에 대한 정보를 알 수 있게 된다.
 랜덤 프로세스에 대한 전력스펙트럼 밀도(PSD)는 자기상관 함수의 푸리에 변환으
로 주어진다.
X (t ) Y (t )
t1 t2 t1 t2

t t

t t

t t

x1 x2 y1 y2
(a) (b)

RX ( )

RY ( )

(c)

에르고딕 프로세스(Ergodic Process)

 랜덤 신호의 전력과 자기상관 함수
통계적 평균(Ensemble average)으로 표현
 
RX (t1 , t2 )  E[ X (t1 ) X (t2 )]    x1 x2 f X1 X 2 ( x1 , x2 ; t1 , t2 ) dx1dx2
 

P(t1 )  E[| X (t1 )|2 ]   | x1 |2 f X ( x1 ; t1 ) dx1


 결정 신호의 전력과 자기상관 함수

시간 평균(Time average)으로 표현

3
 통신공학

1 T /2
T  T T /2
Rx ( )  x(t ) x(t   )  lim x(t ) x(t   )dt

1 T /2 2
T  T T /2
P  x 2 (t )  lim x (t )dt

 에르고딕 프로세스(Ergodic Process)

통계적 평균(앙상블 평균)과 시간 평균이 같은 랜덤 프로세스

결합 확률밀도함수(Joint pdf)
일반적인 비정상 프로세스(nonstationary process)는 시간에 따라 다른 joint pdf를 가짐
예: 2차 joint pdf

fX X (x1, x1 ; t1, t1 ) fX X (x 2, x 2 ; t2 , t2 )
2 2
1 1

x2
x1
x1

t
t1 t1 t2 t2
x2

정상 랜덤 프로세스(Stationary Process)
통계적 특성이 시간에 따라서 변화하지 않는 랜덤 프로세스
First-order stationary

f X1 ( x1 ; t1 )  f X1 ( x1 ; t1   )

Second-order stationary

4
 통신공학

f X1 X 2 ( x1 , x2 ; t1 , t2 )  f X1X 2 ( x1 , x2 ; t1   , t2   )

(Strict sense) stationary

f X1 X 2 ( x1 , x2 , ; t1 , t2 , )  f X1X 2 ( x1 , x, 2 ; t1   , t2   , )

Stationary Process의 성질

First-order stationary하면, 즉 f X1 ( x1 ; t1 )  f X1 ( x1 ; t1   )

E[ X (t )]   X (t )   X constant (not time varying)

Second-order stationary 하면, 즉 f X1 X 2 ( x1 , x2 ; t1 , t2 )  f X1X 2 ( x1 , x2 ; t1   , t2   )

E[ X (t )]   X (t )   X constant (not time varying)

RX (t1 , t2 )  RX (t1  t2 )  RX ( ) function of time difference
Second-order stationary 하면 평균은 상수이고 자기상관 함수는 시간차의 함수이지만,
역은 성립하지 않는다.
즉 평균이 상수이고 자기상관 함수가 시간차의 함수인 프로세스가 반드시 second-order
stationary한 것은 아님.

Stationary vs Nonstationary

(a) 비정상: 평균 변화
(b) 비정상: 분산 변화
(c) 정상

넓은 의미의 정상 프로세스 (Wide Sense Stationary (WSS) Process)

평균이 상수이고 자기상관 함수가 시간차의 함수인 프로세스
E[ X (t )]   X
RX (t1 , t2 )  RX (t2  t1 )

5
 통신공학

시간차   t2  t1 인 경우

RX ( )  E[ X (t ) X (t   )]

WSS 프로세스의 자기상관 함수와 전력과의 관계: 전력은 자기상관함수의 시간차이가 0

일때의 값이다.

P  RX (0)  E[| X (t )|2 ]

랜덤 프로세스의 분류

예제 6.7 불규칙 진폭 신호

X (t )  A cos(2 t )
여기서 A는 확률변수로 f A (a) 의 pdf를 갖는다고 하자. 이 랜덤 프로세스의 평균과 자기상
관 함수를 표현해 보라. 이 랜덤 프로세스는 WSS인가?
풀이)

 X (t )  E[ X (t )]  E[ A cos(2πt )]
 E[ A]cos(2πt )
RX (t1 , t2 )  E[ X (t1 )X (t2 )]  E[ A2 cos(2πt1 ) cos(2πt2 )]
 E[ A2 ]cos(2πt1 ) cos(2πt2 )

⸫ WSS 아님

예제 6.8 불규칙 위상 신호

X (t )  cos(2f ct  )
여기서 θ는 확률변수로 (-π, π)에서 균일한 분포 특성을 갖는다. 이 랜덤 프로세스의 평
균과 자기상관 함수를 표현해 보라. 이 랜덤 프로세스는 WSS인가?

6
 통신공학

풀이)

1
 π θ  π
f Θ (θ )   2π
 0 otherwise
 X (t )  E[ X (t )]  E[cos( 2πf c t  Θ )]  0

RX (t1 , t2 )  E[ X (t1 )X (t2 )]  E[cos(2πf ct1  Θ ) cos(2πf c t2  Θ )]

1
 E[cos 2πf c (t1  t2 )  cos{2πf c (t1  t2 )  2Θ}]
2
1 1  1
 cos 2πf c (t1  t2 )   cos{2πf c (t1  t2 )  2Θ} d
2 2  2
1
 cos(2πf c τ )
2

⸫ WSS

6.6 랜덤 프로세스의 전력 스펙트럼 밀도

랜덤 프로세스의 주파수 영역 해석
랜덤 프로세스와 랜덤 프로세스를 입력으로 하는 선형 시스템의 해석도 주파수 영역 해
석이 가능한지 의문을 갖게 된다. 랜덤 프로세스의 모든 표본 함수들이 모든 시구간에서
존재한다고 가정하면 랜덤 프로세스는 전력 신호로 분류된다는 것을 알 수 있다. 그렇다
면 랜덤 프로세스의 전력 스펙트럼 밀도(PSD)가 존재하는지 살펴 보아야 할 것이다.
그러나 랜덤 프로세스의 푸리에 변환이나 PSD에 대한 개념을 적용하는데 몇 가지 문제
가 있다.
첫째 랜덤 프로세스는 수식으로 정확하게 표현할 수 없으며,
둘째 랜덤 프로세스를 제곱하여 적분함으로써 푸리에 변환이 존재하는지 판단하는 개념
을 적용할 수 없어서 랜덤 프로세스에 직접적으로 푸리에 변환을 취할 수 없으며,
셋째 랜덤 프로세스의 표본 함수는 푸리에 변환이 가능하다고 하더라도 표본 함수가 모
두 다르므로 주파수 특성을 일관적으로 나타내는 PSD를 제시하는 것은 불가능하다.
그러나 랜덤 프로세스가 stationary (최소한 WSS)이라면 어느 정도 의미 있는 PSD를 정
의하는 것이 가능하다.
Nonstationary 프로세스의 PSD는 존재하지 않는다.

랜덤 프로세스의 PSD
 결정신호(Deterministic signal)의 PSD
| X T ( f ) |2
S X ( f )  [ RX ( )]  lim
T  T
1 T /2
T  T T /2
Rx ( )  lim x(t ) x(t   )dt

7
 통신공학

 WSS 랜덤 프로세스의 PSD

위의 수식에서 time average를 ensemble average로 대체
자기상관(Autocorrelation)
RX ( )  E[ X (t ) X (t   )]
전력 스펙트럼 밀도(PSD)
S X ( f )  [ RX ( )]
전력(Power)

P  E[ X 2 (t )]  RX (0)   S X ( f )df


선형 시스템(Linear System)과 랜덤 프로세스

 선형 시스템 출력의 PSD
랜덤 프로세스 X(t)가 전달함수가 H(f)인 선형 시불변 시스템의 입력으로 가해지는 경우
출력은 역시 랜덤 프로세스가 된다.
출력 프로세스 Y(t) 의 자기상관 함수
RY ( )  h(t )* h(t )* RX ( )
출력 프로세스 Y(t) 의 PSD
SY ( f ) | H ( f ) |2 S X ( f )

Y ( f )  H ( f ) X ( f )  | Y ( f ) |2 | H ( f ) |2 | X ( f ) |2  | Y ( f ) |2 | H ( f ) |2 | X ( f ) |2 
F 1
SY ( f ) | H ( f ) | S X ( f )  SY ( f )  H ( f ) H ( f ) S X ( f )  RY ( )  h(t ) * h( t ) * RX ( )
2 *

예제 6.9 랜덤 신호의 진폭변조

메시지 신호 M(t)가 WSS인 랜덤 프로세스라고 하자. 이 신호를 DSB-SC 변조한 신호

X (t )  M (t )cos(2 fct  )
의 자기상관 함수와 PSD를 구하라. 여기서 θ는 (0, 2π)에서 균일한 분포 특성을 갖는 확
률변수이며 M(t)와는 독립이라고 가정한다.
풀이)
RX ( τ )  E[ X (t)X (t  τ )]
 E[ M (t ) cos(2πf c t  Θ )M (t  τ ) cos(2πf c (t  τ )  Θ )]
1
 E[ M (t ) M (t  τ )]E[cos(2πf c t  Θ ) cos(2πf c (t  τ )  Θ )]
2
1
 RM ( τ ) cos(2πf c τ )
2
1
S X ( f )   SM ( f  fc )  SM ( f  fc )
4

8
 통신공학

예제 6.10 이진(binary) 랜덤 프로세스

심볼 간격 T, 두개의 값 A, -A 갖는 이진 신호, X (t ) 는 다음과 같이 표현 가능하다.

X (t )   n an (t  nT   ), an {0, A}random,  [0, T ] uniformly distributed r.v.

확률 변수 X (t1 ) 과 X (t2 ) 가 같은 구간에 있는 경우에만 기대값이 0이 아님

같은 구간이 아닐 경우 독립이므로 기대값은 0이 된다.
1 T 2 
RX ( )  E[ X (t ) X (t   )] 
T 
A dt  A2 (1  ), 0    T
T

 2 | |
 A (1  ), |  | T
 RX ( )   T
0, otherwise

전력스펙트럼밀도(PSD)

S X ( f )  [ RX ( )]  A2Tsinc2 ( fT )

RX ( ) SX ( f )

A2 A2T

 f
T T 
1 1
T 0 T

6.7 대역통과 랜덤 프로세스

대역통과 랜덤 프로세스(Bandpass Random Process)
 대역폭이 2B Hz인 대역통과 랜덤 프로세스의 예
SX (f )

f
fc 0 fc
2B 2B

직교형식(Quadrature form)

X (t )  X I (t ) cos(2 f ct )  X Q (t )sin(2 f ct )

여기서 XI(t)와 XQ(t)는 대역폭이 B Hz인 기저대역 랜덤 프로세스이다

극형식(Polar form)
X (t )  R(t )cos(2 fct  (t ))

9
 통신공학

 XI(t)와 XQ(t)의 통계적 특성과 X (t)와의 관계

Low-pass X I (t ) X I (t )
X X
filter
X (t ) X (t )
2 cos(2f ct ) cos( 2f ct ) +
X Q (t ) X Q (t )
X Low-pass
X
filter

 2 sin( 2f ct )  sin( 2f ct )

Extraction Generation

SX (f )

f
fc 0 fc

S Xc ( f ) S Xs ( f )

f
B 0 B

 S ( f  f c )  S X ( f  f c ) | f | B
S X I ( f )  S XQ ( f )   X
0 | f | B
E[ X 2 (t )]  E[ X I2 (t )]  E[ X Q2 (t )]

예제 6.11 대역통과 백색잡음

그림과 같이 대역폭이 2B이고 PSD가 일정한 크기 N0/2인 대역통과 랜덤 프로세스 N(t)

가 있다고 하자. 이 프로세스를 직교 성분들을 이용하여 표현하라. 직교 성분 NI(t)와
NQ(t)의 PSD를 유도하고 전력을 구하라.
SN (f )

N0
2
f
fc 0 fc
2B 2B
(a)

S Nc ( f )  S N s ( f )
N0

f
B 0 B

(b)

10
 통신공학

풀이)
N (t )  N I (t ) cos( 2f c t )  N Q (t ) sin( 2f c t )
직교 성분들의 PSD

 S ( f  f c )  S N ( f  f c ) | f | B
S N I ( f )  S NQ ( f )   N
0 | f | B
 N | f | B
 0
 0 | f | B

N(t)의 전력
 fc  B N0
E[ N 2 (t )]   S ( f )df  2  df  2 N 0 B
 fc  B 2
직교 성분들의 전력
B
E[ N I2 (t )]  E[ NQ2 (t )]   N0df  2N0 B
B

따라서 NI(t), NQ(t), N(t)는 모두 동일한 전력을 갖는다:

E[ N 2 (t )]  E[ N I2 (t )]  E[ NQ2 (t )]  2N0 B

6.8 백색잡음(White Noise)

백색 잡음(White Noise)
전력 스펙트럼 밀도(PSD)가 모든 주파수에서 동일한 잡음: SN ( f )  N0 / 2
N0
자기상관은 PSD의 푸리에 역변환으로서 델타 함수: RN ( )   ( )
2
전력은 무한대: P  
SN ( f ) RN ( )

N0
2  N0 
  
 2 
f 
0 0

저대역통과 백색 잡음(Lowpass White Noise)

N0  f 
전력 스펙트럼 밀도: S N ( f )   
2  2B 
자기상관: RN ( )  N0 Bsinc(2B )
B N0
전력: P  E[ N 2 (t )]   df  N0 B
B 2

11
 통신공학

SN ( f ) RN ( )

N0 N0 B
2


f 
B 0 B 
1 1
2B 2B

저대역통과 백색 잡음의 생성 모델

 f 
| H ( f ) |  
 2B 
SW ( f ) SN ( f )

N0 N0
2 2
W (t ) H( f ) N (t )

f f
0 B B
H( f ) 0
1

f
B 0 B

대역통과 백색 가우시안 잡음(Bandpass White Gaussian Noise)

평균이 0이고 주파수 fc를 중심으로 대역폭 2B에 걸쳐서 PSD가 균일하게 N0/2인 대역
통과 백색 가우시안 랜덤 프로세스
아날로그 통신(AM, FM) 시스템의 잡음 성능 분석에 이용된다.
SN (f )

N0
2
f
fc 0 fc
2B 2B

n(t )  nI (t ) cos( 2f c t )  nQ (t ) sin( 2f c t )

 N | f | B
S N I ( f )  S NQ ( f )   0
 0 | f | B
E[ N I2 (t )]  E[ N Q2 (t )]  E[ N 2 (t )]  2 N 0 B

직교 성분 NI(t)와 NQ(t)는 uncorrelated이며 평균이 0이고 분산이 σ2 = 2N0B인 가우시안

분포 특성을 갖는다.

12
 통신공학

일반적으로 결합 확률 분포에서 두 확률 변수가 독립이면 서로 무상관이지만 그 역은 성

립하지 않는다.
그러나 가우시안 분포의 경우에는 두 확률 변수가 무상관인 것과 두 확률 변수가 독립이
라는 것이 동등하게 성립한다.
따라서 대역통과 백색 가우시안 랜덤 프로세스에서 NI(t)와 NQ(t)는 서로 독립이며, 이들
의 pdf는 동일하게 다음과 같이 주어진다.

1  n2 
f N I  n   f NQ  n   exp   2 
2  2 
 2  2 N0 B

가산성(부가성) 백색 가우시안 잡음(Additive White Gaussian Noise; AWGN)

메시지 신호에 더해지며(additive) 전력밀도가 균일한(white) 가우시안(Gaussian) 확률밀
도함수를 갖는 잡음(noise)
통신 시스템 분석에 자주 사용됨

13