정의 및 유도 Continuous RV의 expected value는 다음과 같이 정의된다. 위 식의 유도는 discrete RV인 Y로 부터 시작하도록 하자. Discrete RV인 Y의 expected value는 다음과 같이 나타낼 수 있다. 나올 수 있는 value가 각각의 확률로 곱해진 합이 곧 expected value가 됨은 이전 포스트에서 이미 배웠다. Continuous RV에 이를 직접적으로 적용하기에는 불충분하다. 각각의 X의 특정 값이 일어날 확률은 0이기 때문이다. (PMF가 continuous RV에서 소용이 없다는 것은 이전에 여러번 언급이 되었다.) 따라서 우리는 discrete RV에서의 expected value의 정의를 continuous RV로 확장시킬 다른 방법을 찾..

개요 어떠한 경우에는 함수 대신 Sampling 된 데이터에 대해서 Fourier Transform을 해야할 경우가 있다. 이때 사용하는 것이 Discrete Fourier Transform이다. 유도 먼저 f(x)가 Periodic 하다고 가정하자. 편의상 Period를 2π로 잡자. 그리고 이 Period에서 N만큼의 Sample을 얻었다고 하자. 그러면 어떤 Sample Point x_k는 다음과 같이 표시할 수 있다. 즉, f(x)가 이러한 Points에 대하여 Sampling 되었다고 할 수 있다. 위 식은 Complex Trigonometric Polynomial q(x)를 나타낸 것으로, f(x)를 이러한 q(x)의 형태로 나타낼 수 있다고 했을때, x 대신 x_k를 넣어 식을 다시 써보면,..

정의 및 속성 아무래도 Discrete-time Signal은 Continuous-time과 연관성이 많게 되어 자꾸 비교하게 되는데, 이번 포스트 역시 비교의 연속이 될 것 같다. 결론부터 이야기하면, 두 Signal의 Even Function과 Odd Function에서의 정의와 속성은 거의 차이점이 없다. Even Function: g[n] = g[-n] Odd Function: g[n] = -g[-n] g(t)에서 g[n]으로 바뀌었을뿐이다. ▲ 두개의 Even Function, 두개의 Odd Function, 서로 다른것 끼리 곱한 결과 또한, 두개의 Even Function의 덧뺄셈, 곱셈, 나눗셈의 결과는 Even Function이며, 두 개의 Odd Function의 덧뺄셈의 결과는 Odd..

Differencing Continuous-time에서 Differentiation(미분)을 한다면 여기서는 Differencing을 하게된다. 한글로 표현하기 애매한데, 굳이 한글로 하자면 '차이 구하기'정도가 될 것 같다. Differentiation의 기본 개념은 위와 같다. 이미 고등학교때 익숙히 보아왔던 것이리라 믿는다. 위에는 3개의 식이 나오는데 결론은 모두 같다. 하지만, △t 가 0으로 무한히 가까워지지 않는다면 3개의 식을 같다고 할 수 없을 것이다. 짐작했겠지만, Discrete-time에서 0으로 무한히 가까워지는것은 없다. 따라서 Differencing에는 두 가지 경우가 존재한다. Forward Difference of g[n]: g[n+1] - g[n] Backward Diff..

Discrete-time Signal 역시 Singularity Functions를 가지고 있으며 Continuous-time Signal과 유사한면이 있다. 어떤 것들이 있는지 살펴보도록 하자. Unit-impulse Function (Kronecker Delta Function) Continuous-time Function과 비슷해보이지만 약간 다르다. 특히 Continuous-time에서의 Scaling factor가 여기서는 적용되지 않는다. δ[n] = δ[an], where a is nonzero, finite, integer 즉, Scaling factor가 붙더라도, n = 0일때 함수값 역시 0 이다. 하지만 Continuous-time에서와 마찬가지로 이 함수는 Sampling Prop..