Lesson 3 — Summary

6 assignments · 0 connections · est. points from connections: 0
Conn. density: 0.0/assignment
Avg. pts/assignment: 0.0

3.1 0p from connections

Signalen x(t) i uppgift 2.5 är även insignall till ett LTI-system med frekvensfunktion H(ω) enligt grafen nedan. (Graf: H(ω)=1 för |ω| mellan 5 och 10 rad/s, annars 0.) Beräkna sys…
Show full question
Signalen x(t) i uppgift 2.5 är även insignall till ett LTI-system med frekvensfunktion H(ω) enligt grafen nedan. (Graf: H(ω)=1 för |ω| mellan 5 och 10 rad/s, annars 0.) Beräkna systemets utsignal y(t).
Solution (notes)
To-periodisk insignal till ett LTI-system (uppebarligen ett stabilt sådant, eftersom H(ω) existerar) med frekvensfunktion H(ω) ⇒ utsignalen y(t) är också To-periodisk, y(t)=∑_{n=-∞}^{∞} D̂_n e^{jnω0 t}, där ω0 = 2π/T0 och D̂_n = D_n · H(nω0), där vi erhåller D_n = (1−e^{-1})/(1 + j2πn) från lösningen av uppgift 2.5. Grafen för H(ω) visar att systemet släpper igenom alla frekvenssignaler i intervallet 5<ω<10 rad/s, dvs. endast grundtonen x1(t)=C1·cos(ω0 t + Θ1) med grundvinkelfrekvens ω0 = 2π/T0 = 2π/1 = 2π rad/s (från uppg. 2.5) i detta fall. ⇒ y(t)=y1(t)= Ĉ1 · cos(ω0 t + Θ̂1), där Ĉ1 = C1·|H(ω0)| = 2|D1| (ty H(ω0)=H(2π)=1) Θ̂1 = Θ1 + arg H(ω0) = arg D1. och D1 = (1−e^{-1})/(1 + j2π) = (1−e^{-1})/√{1 + (2π)^2} · e^{-j arctan(2π)} = |D1| e^{-j arctan(2π)}. ⇒ y(t) = 2(1−e^{-1})/√{1+4π^2} · cos(2π t − arctan(2π)).
Connections (4) est. points: 0
exam_4 assignment 1
8 p
IDENTICAL method/problem. Problem: periodic x(t)=e^{-t} on [0,1] into an RC LTI; solution explicitly computes D_n = (1−e^{-1})/(1 + j2π n) and H(j n ω0)=j2π n/(1 + j2π n), then Ď_n = D_n·H(j n ω0). This is the same derivation and final step as in lesson 3.1.
exam_1 assignment 3
6 p
Direct application of the lesson's core fact D̂_n = D_n·H(j n ω0. Problem: h(t)=3 e^{-2t} u(t) so H(jω)=3/(2 + jω); solution forms H(jω_n) and multiplies given D_n to get output FS coefficients. Knowing lesson 3.1 gives most of the work; remaining steps are computing H(jω_n) for this h(t) and algebraic simplification.
exam_2 assignment 3
5 p
Strong connection: question asks output FS amplitudes |Ď_n| for a periodic pulse train passed through a Butterworth LP. Solution uses Ď_n = D_n·H(n ω0) and reports |Ď_n| = |D_n|·|H(n ω0)|. Lesson gives the exact principle; extra work here is computing D_n for the pulse train and evaluating the Butterworth magnitude at harmonics.
exam_3 assignment 3
5 p
Relevant: input is a periodic pulse train and h(t)=t e^{-3t} u(t). Output FS coefficients obtained via D̂_n = D_n·H(j n ω0) where H(jω)=1/(3 + jω)^2. Lesson supplies the general multiplication rule; remaining work is computing D_n for the pulse waveform and evaluating H at harmonic frequencies.

3.2 0p from connections

Den periodiska signalen x(t) nedan är insignall till ett LTI-system med frekvensfunktion H(ω)= jω/(1+jω). (Graf: triangulär periodisk signal med amplitud 4, period 4 s, noll i t=0,…
Show full question
Den periodiska signalen x(t) nedan är insignall till ett LTI-system med frekvensfunktion H(ω)= jω/(1+jω). (Graf: triangulär periodisk signal med amplitud 4, period 4 s, noll i t=0, ±2, ±4, ±6, … och spetsar vid ±1, ±3, …) Beräkna systemets utsignal y(t) uttryckt som en fourierserie på exponentialform (dvs. beräkna utsignalens komplexa fourierserie).
Solution (notes)
To-periodisk insignal x(t)=∑ D_n e^{jnω0 t} (ω0 = 2π/T0) till ett LTI-system med frekvensfunktion H(ω) ⇒ To-periodisk utsignal y(t)=∑ D̂_n e^{jnω0 t}, där D̂_n = D_n · H(nω0). D_n = (1/T0) ∫_{T0} x(t) e^{-jnω0 t} dt. Välj lämpligt S-intervall av längd T0, t.ex. 0→4 sek. Graf ⇒ T0=4 sek => ω0 = 2π/T0 = π/2 rad/s. Beräkning via partiell integration kan göras men här används derivering: D_n = D_n^{(x)}/(j n ω0), där D_n^{(x)} är Fourierseriekonstants för x'(t). Figuren visar x'(t) med pulser/dirac-impulser i derivatan. Genom att derivera två gånger (2 ggr) får man dirac: D_n^{(x'')} = (1/T0) ∫ x''(t) e^{-jnπ t/2} dt = ... leder till D_n = 4(((-1)^n − 1)/(n^2 π^2)) = {0, n jämna; −8/(n^2 π^2), n udda}. D_0 = (1/T0) ∫_{T0} x(t) dt = 2 (medelvärdet). H(nω0)=H(nπ/2)= − j nπ/(2) / (1 + j nπ/2) = j nπ /(2 + j nπ) (?) (här ges uttryck i anteckning). ⇒ y(t)=∑ D̂_n e^{jnπ t/2}, där D̂_n = D_n H(nω0) = {0, n jämna; −j8/(nπ(2 + j nπ)) i udda n} (se detaljer i lösning).
Connections (5) est. points: 0
exam_1, assignment 3(a)
3 p
Direct use of complex Fourier series coefficients for a periodic input and evaluation of H(jω_n) to get output coefficients — essentially the same operation as in the lesson (D̂_n = D_n·H(jω_n)). Relevant snippet: "Ett tidskontinuerligt energifritt LTI-system har impuls­svar h(t) = 3 e^{−2t} u(t). (a) Bestäm den komplexa fourierserien till systemets utsignal då dess insignal är den periodiska signalen x_a(t) = ∑ D_n e^{j n ω0 t}." (lösning: "H(jω_n) = 3/(2 + j·5 n) ... D_n^ = D_n·H(jω_n)").
exam_2, assignment 3
6 p
Very close match: compute Fourier coefficients D_n of a periodic pulse train (T0=4) and then the output amplitudes |Ď_n| = |D_n|·|H(nω0)| for a Butterworth LP. The lesson shows the same sequence (compute D_n, ω0=π/2, evaluate H at harmonics) — only filter/order/details differ. Relevant snippet: "Periodisk insignal ... T0 = 4 s ⇒ ω0 = π/2 rad/s. D_n = ...; Butterworth lågpass: |H(n ω0)| = 1/ sqrt(1 + (n·π/2 / 4)^{2N}). Därmed |Ď_n| = |D_n|·|H(n ω0)| ..."
exam_4, assignment 1
6 p
Same method applied to an RC circuit: compute input Fourier coefficients D_n and multiply by H(j n ω0) to get output Fourier coefficients Ď_n. The lesson works through exactly this procedure (periodic input → compute D_n → multiply by H at harmonics). Relevant snippet: "D_n = (1/T0) ∫ x(t) e^{-j n ω0 t} dt ... H(j n ω0) = j·2π n /(1 + j 2π n) (R=C=1) ... Ď_n = D_n·H(j 2π n)."
exam_5, assignment 3
6 p
Close connection: periodic pulsetrain x(t) with given period and an LTI system h(t)=t e^{−3t} u(t). Solution requires computing D_n for x(t) and then Ď_n = D_n·H(j n ω0) — same chain of ideas and computations as the lesson. Relevant snippet: "Ett tidskontinuerligt LTI-system med impulssvaret h(t) = t · e^{−3t} u(t) har som insignal den periodiska signalen x(t) ... Beräkna de komplexa fourierseriekoefficienterna D_n till den periodiska utsignalen y(t)." (i lösning: använd D̂_n = D_n·H(n ω0)).
exam_4, assignment 2(b)
3 p
Weaker but still direct: input is x(t)=2+cos(t) (a sum of complex exponentials). The solution obtains y(t) by evaluating H at ω=0 and ω=1 and scaling/phase-shifting components — the same principle as D̂_n = D_n·H(nω0) but for a small finite set of harmonics. Relevant snippet: "x(t)=2 + cos(t). Om LTI-systemet är stabilt så är utsignalen y(t)=2·H(0) + |H(1)| cos(t + arg H(1))."

3.3 0p from connections

Ett energifritt stabilt LTI-system har frekvensfunktionen H(ω)=1/(1+jω). Beräkna utsignalen y(t) för de olika insignalerna x(t)=x_a(t), x_b(t), x_c(t) och x_d(t) nedan. Beteckna ut…
Show full question
Ett energifritt stabilt LTI-system har frekvensfunktionen H(ω)=1/(1+jω). Beräkna utsignalen y(t) för de olika insignalerna x(t)=x_a(t), x_b(t), x_c(t) och x_d(t) nedan. Beteckna utsignalerna y_a(t), y_b(t), y_c(t) respektive y_d(t). a) x_a(t)=e^{-2t}u(t) b) x_b(t)=e^{-t}u(t) c) x_c(t)=e^{t}u_0(-t) d) x_d(t)=u(t) (Här u(t) är enhetsstegfunktionen.)
Solution (notes)
Energifritt LTI-system (y_{zs}(t)=0) ⇒ y(t)=y_{zs}(t) = (x*h)(t). Utsignalen kan beräknas genom filtning men här används snarare transform: y_{as}(t)=F^{-1}{Y_{as}(ω)}, där Y_{as}(ω) = X(ω) · H(ω) och H(ω)=1/(1 + jω). a) x_a(t)=e^{-2t} u(t). Tabell: X_a(ω) = 1/(2 + jω). ⇒ Y_a(ω)=X_a(ω)·H(ω)=1/(2 + jω) · 1/(1 + jω). Partiellbråksuppdelning ⇒ Y_a(ω)= −1/(2 + jω) + 1/(1 + jω) ⇒ y_a(t)=(e^{-t} − e^{-2t}) u(t). b) x_b(t)=e^{-t} u(t). X_b(ω)=1/(1 + jω). ⇒ Y_b(ω)=X_b(ω)·H(ω)=1/(1 + jω)^2 ⇒ y_b(t)=t·e^{-t} u(t). c) x_c(t)=e^{t} u(-t). Tabell: X_c(ω)=1/(−1 + jω). ⇒ Y_c(ω)=X_c(ω)·H(ω)= (−1/(jω+1))·(1/(jω−2)) → partialbråksuppdelning ⇒ y_c(t)=1/2 (e^{t} u(t) + e^{−t} u(−t)) = 1/2 e^{−|t|}. d) x_d(t)=u(t). Tabell: X_d(ω)=PV{1/(jω)} + π δ(ω). ⇒ Y_d(ω)=X_d(ω)·H(ω) = PV{1/(jω)}·1/(1 + jω) + π·1/(1 + j0)·δ(ω). Hantering av PV leder till y_d(t)=u(t) − e^{−t} u(t) = (1 − e^{−t}) u(t). Not: Den här uppgiften löses lika gärna (eller hellre) med Laplacetransformen. Fouriertransformen användes för att visa att den kan användas när både X(ω) och H(ω) existerar (vilket de gör här).
Connections (7) est. points: 0
exam_1 - assignment 3a
3 p
Direct match of method: compute output Fourier-series coefficients by multiplying input FS coefficients D_n with H(j n ω0). The lesson shows Ŷ_n = D_n·H(jω_n) and inverse series → identical technique. Snippet: "h(t)=3 e^{-2t}u(t). a) Bestäm komplexa fourierserien till systemets utsignal ..." (uses H(jω)=3/(2 + jω) and D_n·H(jω_n)).
exam_1 - assignment 3b (i)
3 p
Almost identical step: multiply given spectrum X_b(ω) by H(ω) and invert to get y(t) (frequency-domain solution). The lesson demonstrates Y(ω)=X(ω)·H(ω) and partial-fraction inversion. Snippet: "b) ... spektrumet till dess insignal x_b(t) är X_b(ω)=2/(3 − jω). i) Genom beräkningar i frekvensdomänen. (3 p)"
exam_1 - assignment 3b (ii)
Related but complementary: part (ii) asks for time-domain convolution solution. The lesson notes convolution/Laplace is an alternative — useful prerequisite but does not by itself give the freq-domain points. Snippet: "ii) Genom beräkningar i tidsdomänen. (3 p)"
exam_2 - assignment 2a
5 p
Strong connection: compute y(t) for x(t)=e^{-t}u(t) when H(ω) is given (here H(ω)=e^{j2ω}sinc(ω)). The lesson shows forming Y(ω)=X(ω)·H(ω) and inverse-transform/partial fractions to get y(t). Snippet: "2. Ett energifritt ... H(ω)= e^{j2ω} sinc(ω). a) Beräkna systemets utsignal y(t) då dess insignal är x(t)=e^{-t} u(t). (7 p)"
exam_4 - assignment 1
6 p
Very similar operation: periodic input → compute output FS coefficients Ď_n = D_n·H(j n ω0). Lesson uses same H(jω)=1/(1 + jω) and demonstrates multiplying FS coefficients by H at harmonics. Snippet: "Beräkna de komplexa fourierseriekoefficienterna \tilde{a}_n till utsignalen y(t). ... H(j n ω0)= j2π n/(1 + j2π n)"
exam_6 - assignment 1
4 p
Directly related transfer function: derivation yields H(s)=1/(s+1) (i.e. H(jω)=1/(1 + jω) used in the lesson). The lesson's frequency-domain filtering for exponentials applies; initial-condition (zero-input) part requires Laplace/time-domain work (so partial credit). Snippet: "d^2y/dt^2 + 2 dy/dt + y = dx/dt + x, ... H(s) = 1/(s+1) ... bestäm y(t) för t≥0."
exam_3 - assignment 3a
2 p
Related technique: for sinusoidal input evaluate H(jω) at ω0 and scale/phase-shift the cosine — lesson shows evaluating H(jω) and multiplying spectrum at ω. Snippet: "h(t)=δ(t)+2 e^{-3t}u(t). a) x(t)=4 cos(2t) (3 p)"

3.4 0p from connections

Ett visst energifritt stabilt LTI-system har frekvensfunktionen H(ω)= -1/(jω-2). a) Vilken kasusalitetsegenskap har systemet? b) Beräkna systemets utsignal för följande insignaler:…
Show full question
Ett visst energifritt stabilt LTI-system har frekvensfunktionen H(ω)= -1/(jω-2). a) Vilken kasusalitetsegenskap har systemet? b) Beräkna systemets utsignal för följande insignaler: i) x(t)=e^{-2t}u(t) ii) x(t)=e^{2t}u(-t).
Solution (notes)
a) H(ω) = −1/(jω − 2) = 1/(2 − jω). Den enda möjliga Fouriertransformen i denna form finns i formelsamlingens Tab. 3:6 ⇒ h(t)=e^{2t} u(−t). Så h(t) ≠ 0 för t≤0 ⇒ systemet är icke-kausalt. Det är även så att h(t)=0 för t≥0 ⇒ det icke-kausala systemet är anti-kausalt. b) Energifritt LTI-system ⇒ y_{zs}(t)=0 ⇒ y(t)=y_{as}(t) = F^{-1}{X(ω)·H(ω)}. (i) x(t)=e^{-t} u(t). Tabell: X(ω)=1/(1 + jω). ⇒ Y(ω)=1/(1 + jω)·1/(2 − jω) = ... partiellbråksuppdelning ⇒ y(t)=1/3 (e^{−t} u(t) + e^{2t} u(−t)). (ii) x(t)=e^{t} u(−t). Tabell: X(ω)=−1/(1 − jω). ⇒ Y(ω)=1/(jω − 1)(jω − 2) => partiellbråksuppdelning ⇒ y(t) = (e^{t} − e^{2t}) u(−t). (Detaljer och partiellbråksuppdelningar finns i anteckningarna.)
Connections (4) est. points: 0
exam_1:3
3 p
Snippet: "... systemets utsignal y_b(t) då spektrumet till dess insignal x_b(t) är X_b(ω) = 2/(3 − jω). ... H(ω) = 3/(2 + jω) ⇒ Y(ω) = X_b(ω)·H(ω) = ... partiellbråksuppdelning ⇒ y_b(t) = 6/5 (e^{3t} u(−t) + e^{−2t} u(t))." Connection: The lesson solves exactly the same type of problem (multiply X(ω) and H(ω) with first-order factors 1/(a ± jω), do partial-fraction decomposition and inverse Fourier transform to get causal + anti-causal time-domain terms). Why 3 points: not identical numbers, but the method and transform pairs are the same as in the lesson — knowing the lesson gives a large part of the solution (partial fractions + transform-table lookups remain), so award a moderate share of the exam points.
exam_2:1
4 p
Snippet: "Ett icke-kausalt ... h1(t) = e^{a t} u0(−t). Vi vill konstruera ett ... kausalt ... h2(t) = e^{a t} u(t) ... H3(s) ... samt beräkna h3(t)." Solution snippet: "h3(t) = −δ(t) + 2a e^{−a t} u(t)." Connection: lesson part (a) explicitly uses the transform pair 1/(2 − jω) ↔ e^{2t} u(−t) and the causality/anti-causality identification. That transform knowledge and recognizing how to manipulate these 1/(s ± a) terms is central to deriving H3 and h3(t). Why 4 points: the exam question requires algebraic division/manipulation beyond just the transform pair (construction of H3(s) from H2/H1 and inverse transform), so give a substantial but not full credit share.
exam_3:3
2 p
Snippet: "Ett energifritt ... h(t) = δ(t) + 2 e^{−3t} u(t). Beräkna y(t) då x(t) = e^{2t} u_0(2 − t)." Connection: the lesson demonstrates handling products in frequency domain and inverse transforms that produce mixtures of causal and anti‑causal (or piecewise) terms and uses partial fractions / table inverses to obtain time-domain pieces. That technique directly helps solving the convolution / transform split in this exam problem. Why 2 points: lesson gives a helpful method for parts of the solution (identifying and inverting first‑order factors and treating anti‑causal/casual parts) but the exam requires additional piecewise convolution bookkeeping and extra algebra, so only a small fraction of the total exam points comes directly from the lesson.
exam_4:1
2 p
Snippet: "D_n = ∫_0^1 e^{−t} e^{−j n 2π t} dt = (1 − e^{−1})/(1 + j 2π n). H(j n ω0) = j 2π n /(1 + j 2π n). Därav Ď_n = D_n · H(j n ω0)." Connection: lesson part (b)(i) shows exactly how to obtain Y(ω) = X(ω) H(ω) and then invert (or, for periodic signals, multiply Fourier series coefficients by H(j n ω0)). The procedure and transform pairs used in the lesson are directly applicable to compute the Ď_n in this exam. Why 2 points: the lesson supplies the main frequency‑domain multiplication idea and transform pairs but the exam also needs FS coefficient computation and RC filter H(jω) knowledge — so partial credit only.

3.5 0p from connections

I det sammankopplade systemet nedan är x_1(t)=10^4·rect(10^4 t) insignall till delsystem H_1 med frekvensfunktion H_1(ω)=rect(ω/(40·000π)). och x_2(t)=δ(t) är insignall till delsys…
Show full question
I det sammankopplade systemet nedan är x_1(t)=10^4·rect(10^4 t) insignall till delsystem H_1 med frekvensfunktion H_1(ω)=rect(ω/(40·000π)). och x_2(t)=δ(t) är insignall till delsystem H_2 med frekvensfunktion H_2(ω)=rect(ω/(20·000π)). (Blockdiagram visar H1 och H2 i parallell, deras utsignaler y1(t) och y2(t) multipliceras (ganges) -> y(t)). a) Skissa x_1(t) och X_1(ω) b) Skissa H_1(ω) och H_2(ω) c) Skissa y_1(t) och y_2(t) d) Bestäm bandbredden för y_1(t), y_2(t) och y(t).
Solution (notes)
Allmänt samband från formelsamlingens Tab. 3:12: F{rect(t/τ)} = τ · sinc(ω τ/2). a) x1(t)=10^4 · rect(10^4 t) ⇒ τ = 10^{−4} ⇒ X1(ω) = sinc_N(ω τ/2) med huvudlob vid ω0 = 2·10^4 π rad/s. Figuren visar spektrum med huvudlob centrerad. x2(t)=δ(t) ⇒ X2(ω)=1. b) H1(ω)=rect(ω/(40 000 π)) och H2(ω)=rect(ω/(20 000 π)). Grafiska rektanglar: H1 har band från −2·10^4 π till 2·10^4 π; H2 från −10^4 π till 10^4 π. c) Multiplikation X(ω)·H(ω): Y1(ω)=X1(ω)·H1(ω) = X1(ω) för |ω| < 2·10^4 π, annars 0. (diagram) Y2(ω)=X2(ω)·H2(ω) = H2(ω). d) Signalens bandbredd är lika med bredden av det frekvensintervall där signalen har ett icke-nollställt spektrum. Bandbredden för y1(t) är 2·10^4 π rad/s (motsvarar 10 kHz). Bandbredden för y2(t) är 10^4 π rad/s (motsvarar 5 kHz). y(t)=y1(t)*y2(t) ⇒ Y(ω)=1/(2π) (Y1·Y2)(ω). Allmänt samband: vid filtningen f(t)=f1*f2 blir utbredningen av F lika stor som summan av de två funktionernas utbredning (bandbredder). ⇒ Bandbredden för y(t) är 20π + 10π = 30π krad/s (10+5 = 15 kHz).
Connections (4) est. points: 0
exam_2_q2
5 p
Snippet: “H(ω) = e^{j2ω} sinc_N(ω/π) = e^{j2ω} sinc(ω). a) Beräkna y(t) för x(t)=e^{-t} u(t).” Motivation: This question directly uses the sinc ↔ rect transform pair (and time shift/modulation) to get h(t) or to reason in the frequency domain. Knowing the lesson gives the core transform pair and how a rectangular frequency response gives a sinc impulse response (and vice versa), which is the main step to compute y(t) (via H ↔ h and convolution or via Y(ω)=H(ω)X(ω)). Additional steps (inverse FT conventions, piecewise convolution or inverse transform with the e^{j2ω} shift) are required, so I estimate 5/8 points.
exam_3_q1
6 p
Snippet: “x(t)=sin(t)/t (sinc) ⇒ X(ω)=π for |ω|≤1. h(t)=4/(4+t^2) with H(ω)=2π e^{-2|ω|}. Beräkna signalenergin E_y via E_y=(1/2π)∫|X H|^2 dω.” Motivation: The lesson gives the sinc↔rect pair and the idea of reading bandwidth from a rectangular spectrum and of multiplying spectra when filtering. That directly supplies X(ω) (rect) from x(t)=sinc and shows how Y(ω)=X(ω)H(ω) is formed before integrating (Parseval). The exam also needs Parseval/integration and the specific H(ω) form — those are extra steps beyond the lesson, so I assign 6/8 points.
exam_2_q4
4 p
Snippet: “x(t)=Δ(t/2) sampled at f_s=2 Hz → x[n]; h[n]=1/2 sinc_N(n/2). Rita |Y(Ω)|. Tip: Use X(Ω) and H(Ω) and product.” Motivation: The lesson's rect↔sinc pair and the graphical product X·H to obtain Y are the fundamental tools used here (the exam asks to draw the product of a discrete-time spectrum and an ideal sinc-based filter). Converting between continuous/discrete forms and sampling details are additional topics, so this is a partial (prerequisite + important step) connection — I estimate ~4/8 points.
exam_6_q3
5 p
Snippet: “LP is an ideal lowpass with cutoff ω0 = 80π rad/s, H_LP(ω)=u(ω+ω0)−u(ω−ω0). Rita |Y(ω)| when y is product of LP output and x2(t) (given |X2(ω)|).” Motivation: This uses an ideal rectangular frequency response (rect in ω) multiplying another spectrum to obtain Y(ω) — exactly the graphical filtering/bandwidth-truncation idea from the lesson. The lesson's examples of rect↔sinc and bandwidth interpretation map directly to the exam task; additional aspects (periodic/aliased spectra or specific plotting details) are extra, so assign 5/8 points.

3.6 0p from connections

Signalen x(t)=2a/(t^2 + a^2) är inte bandbegränsad, dvs. den har en oändlig bandbredd (lim_{ω→∞} X(ω)=0). För sådana signaler är det dock ofta praktiskt att definiera en "väsentlig…
Show full question
Signalen x(t)=2a/(t^2 + a^2) är inte bandbegränsad, dvs. den har en oändlig bandbredd (lim_{ω→∞} X(ω)=0). För sådana signaler är det dock ofta praktiskt att definiera en "väsentlig" (eng. "essential") bandbredd, som indikerar att den väsentliga signalenergin ligger inom ett visst frekvensområde. Här definierar vi den väsentliga bandbredden B Hz för x(t) så att 99% av dess signalenergi ligger i frekvensområdet f ≤ B Hz. Bestäm denna väsentliga bandbredd B.
Solution (notes)
Enligt uppgift ligger 99% av energin hos signalen inom dess väsentliga bandbredd B Hz, vilket motsvarar W = 2π B rad/s. Det innebär att E_W / E_X = 99%, där E_X = ∫_{−∞}^{∞} |x(t)|^2 dt = (1/2π) ∫_{−∞}^{∞} |X(ω)|^2 dω (Parsevals) och E_W = (1/2π) ∫_{−W}^{W} |X(ω)|^2 dω. Formelsamling Tab. 3:16 ⇒ X(ω) = 2a · π/(a^2 + ω^2) · e^{−a|ω|}? (i anteckningen används X(ω)=2a·π·e^{−aω} för ω≥0 och symmetri). Symmetri ⇒ E_X = 2 · (1/2π) ∫_0^{∞} (2π a · e^{−a ω})^2 dω = 4π ∫_0^{∞} e^{−2a ω} dω = 2π/a. E_W = 2 · (1/2π) ∫_0^{W} (2π a e^{−a ω})^2 dω = −2π/a [e^{−2a W} − 1] = 2π (1 − e^{−2a W})/a. ⇒ E_W / E_X = (2π (1 − e^{−2a W})/a) / (2π/a) = 1 − e^{−2a W} = 0.99. ⇒ −2 a W = ln(10^{−2}) = −2 ln(10) ⇒ W = ln(10)/(a) ⇒ B = ln(10)/(2π a) ≈ 0.37 / a Hz.
Connections (3) est. points: 0
exam_3, question 6
3 p
Very close relation: both solve for an "essential" bandwidth B from an exponentially decaying spectrum by solving an equation with a logarithm. Snippet: “X(ω)=15π e^{-|ω|/5}; essential band B defined where amplitude = 1/80 of max ⇒ e^{-2π B/5}=1/80 ⇒ B ≈ 3.5 Hz; then choose f_s>2B and minimal N (power of two).” Connection: lesson 3.6 shows how to translate a percent-energy (99%) condition into an equation of the form e^{-2 a W}=const and solve for W (and B). That same algebraic/log step and understanding of exponential spectra is directly usable to compute B and thus f_s/N in exam_3 q6.
exam_3, question 1
2 p
Strong methodological overlap: both use Parseval’s theorem and frequency-domain integrals of |X(ω)|^2 (and products with |H(ω)|^2) to compute energies/integrals with exponentially decaying spectra. Snippet: “X(ω)=π for |ω|≤1, H(ω)=2π e^{-2|ω|}; E_y = (1/2π) ∫_{-1}^{1} |X(ω)H(ω)|^2 dω → integrals of e^{-4ω}.” Connection: lesson 3.6 sets up the Parseval integrals and performs integrals of squared exponential spectra to get energy fractions — the same tools are used in this exam question to compute signal energy.
exam_1, question 6
1 p
Weaker but relevant: both concern sampling and spectra and require judging bandlimitation/aliasing. Snippet: “Uniform sampling of x(t) (sinc^2-spectrum bandlimited between −4 kHz and 4 kHz) with f_s = 8 kHz; draw X[Ω], Y[Ω], Y(ω).” Connection: lesson 3.6’s concept of essential bandwidth (and how to compute a practical B when a signal is not strictly bandlimited) is useful background for deciding safe sampling rates or reasoning about residual energy outside a chosen band when sampling real-world (nonideal) spectra.