Modelare si Simulare

Cursul

11

Cap.7. Modelarea prin metode statistice de ana,lizil corelafional5

7.1Mdrimi aleatoare. Procese stochastice. Procese stafionare si ergodice.
O variabild aleatoar.e X este o mdrime care poate avea diferite valoneR. Pentru Vx e R dat, probabilitatea ca variabila aleatoare X sd fie mai micd sau egald cu
numeste funclie de distribulie de

.r se

probabilitate F(*) - P(X s x)

ox

Funcfia de densitate de probabilitate exprimd probabilitateaca X:x: :> -f (x) = p(X - x) = {Ex.

f(x)-p(x)-+" o42r
X(t)

-(r-r.)t

2o2 - distribu[ie normald

variabil.

(gaussian6)

Un proces stochastic

este o familie de

u
xr(t)

xr(t) func{ii
xr+t)

de "realizare"

Pentru

$e'$'"'c-l ) , un tffifr{procesul

(stochastic) se transformi intr-o variabild aleatoare. Se numestefunclie de realizare (esantiqn) a unui proces)oricare dintre funcliile x,(t). Pentru procese stochastice se definesc similar: - funclia de disnibulie (carcinsa este o functie de x si t nmp ) F (*) -+ F (x,t) ( P Ar+1 ) - funcfia de densitate
de

probabilitate

f (r) ->

Procese stochastice stafionare Sunt procese stobhastice pentru carc proprietdlile statistice strfi invariante in raport cu o deplasare de-a lungul axei timpului. Proprietatile statistice nu depind de momentele ci numai de decalajul de timp inhe ele: r = tz - tr.

f (x,il -AF{*'t) Ax

( s"r.

Crt,

tl )

t,t,

Modelare si Simulare

Procesele stochastice la care proprietd{ile statistice (mediile statistice) definite pe ansamblul

'

Procese ergodice
poces

de realizdri se pot inlocui cu medii temporale pe o realizarc se numesc (ipoteza ergodic6 IE). Ipoteze principale: procesele stochastice sunt stalionare si ergodice.

e ergadice

&
t
I

i
I

tl

/t
I

/r\

H
d

Dxr-r
I

/f
tz ==tr*t

ry
"/ medii
temporale

tr

\
medii pe
ansamblu

7.2

Praprieti{i si mlrimi (medii) statistice ale proceselor stochastice

Pentru caractenzarea mai sintetica a proprietllilor statistice ,. d.fin.sc similar ca si in cazul marimilor aleatoare, "mornente" $i "valori medii". S<- reot* t^,fe s c d. g6tr1 (r- ". h Se numeqte momegtt de ordin k alvariabilei aleatoar:e X media statisticd i R niliei ,k:

E{Xo} = M{Xr',y -*1** dF@) =

J:r

Valoarea medie de ordin fr : VM o -

unde E

"x)dx ll {E(X|)}I = {M(Xo)\i

Expected value- este operatorul de mediere statistica; ,,media" valorilor deja disponibile reprezinta valoarea viitoare cea mai asteptatd. Obs" Pentru eazul discret dacd x(i) este o secventd de variabili aleatoare discreta se definesc similar cu cazul continuu, m6rimi statistice corespondente, i

(;:

E{*r(r)}=

i,11#I

xoU)

vM - E{*r1i;}* + "o (r)l,r/o / ={ri* tt-+;NH "J

Modelare st Simulare

1. Media statisticd (speran|a matematicd) -reprezintd

procese stochastice este o functie de timp:
ffix = m*(t) =VG) = E{x(t)}

momentul de ordin

si

pentru

= i xf (x,t)h

=Vansambtu

unde -f (*,t) = fr(x,t) - funclia d"*drnrftatu de probabilitate unidimensionald a procesului stochastic X(t) " Dacd procesul este ergodic atunci media statisticd se calculeazl. ca medie
temporal6:
m*(t) =ftansamblu -f;temPoratd
lim J-T *rnat = T->a 2T '- ' '

x{r.t

-VQ) a unui proces stochastic reprezintd o funcfie nealeatoare, in jurul cdreia se grupeazd, realizdnle procesului stochastic ai faf6 de care acestea "oscileazd". Pentru o secliune tp a procesului stochastic speranla matematicd este rezultatul operaliei de mediere probabilistic[ cdnd fiecare valoare x din cele n realizlri'se ia cu o pondere egald cu (x,to)" "f Obs" In cazul discret daca x(k) esteo secvenfd de variabila aleatoare se defineste similar
valoarea medie (sau speranla matematicd) prin:

Valoarea medie m,(t)

w = E{,(k)t=J*1"Eon
Caracterizarea unui proces stochastic doar prin media statistica este insuficienta fiind necesara cunoasterea gradului de gnrpare/raspandire a datelor in jurul mediei (dispersia) cat si daca sunt sau nu sunt corelate.

2.

Dispersia (varianga)

D""(t)= var{X(/)} =
Reprezint

E{X(t)-v)'l = it" -mx|)l',f(*,t)dx - D,(t), D = 62

d momentul de ord,inul 2 al prollsufuf aleator centrat. Dispersia caracterizeazd, imprdgtierea (gradul de oscilalie) alrealizdrilor procesului stochastic in jurul valorii medii. In cazul discret varianta (dispersia) va fi datd pentru un proces stochastic centrat illcl = x(k)-r{"(t)} = xft)*F de relatia:
var

=Eh'(,rt=Hi,X iz 1k7= 62

Modelare si Simulare

3.

Devialia standard

(o - abaterea medie p6traticd)

centrate:

Este valoarea medie de ordinul

2 avanabilei

|=661-Tl

o = E{(x -V)t

}t - "[DJ\ = o(t)

4.

Func{ia de uutocovarianyd (autocorelalie)

Valoarea medie m*',(t)gi dispersia

D,(r)

sunt proprietf,fi statistice importante ale proceselor

stochastice, dar nu intotdeauna dau o reprezentare suficientd privind caracterul dependenlei intre realizdrile proceselor aleatoare. Ex. in fig. procesele Xr(t) si Xr(t) au aproximativ aceeasi medie (*t ,m2) si dispersie( D1 si Dz)rdar Xr(t) - variafii relativ monotone iar
X

r(t) - oscilafii pronun{ate.

se observi o anulare rapidd a dependenfei intre valorile x(t) gi x(rr). Pentru a evidenlia aceasti diferen![ se introduce funclia de autacorela{ie ( autocovarianyd)

Pentru procesele de

tipul X, , cu cdt cregte

distanfa intre momentele

/, gi t z

,tr) = E{X(tt)X(tr)} Funclia de corelalie este egald cu valoarea medie a produsului celor doul mdrimi aleatoare X(tt) Si X(tr) gi caractefizeazl gradul de dependenld intre sec{iunile procesului stochastic.
R.=,

(/,

''

*"*,

(t,,tr): E{x(t,)x(trrt

I*,*rfr(x,,t,x,t2)dxrdx,

f, - funclia de densitate bidimensionald de probabilitate. Dac[ procesul stochastic este stalionar si ergodic atunci funclia nu mai depinde de momentele /, $i t, ci de distanfa dintre ele (r - tz -/, ) si se poate calcula ca medie temporald:
R* (t) = ]1"," ,-fr(*r,x,r)d.xrd,x, Proprietn{ile funcfiei de autocorelatie
1). R* (0) =
'ot-T

A*gp1t1r1t

4=

l51

#'FUrx(t

r)dt

x'(t\'

= lim

:! Jlx'Q)at = D., = 02 T--iT

,T t-

( ataaE Y:

Modelare si Simulare

2).

R.*(") = R* (-r)

functie

pard,

monoton

R*(") S Ro (0) = o' 3). x(t) = Ao e R'" (t) - At

descrescdtoare:

a)" x(t)= ,4r sin( atrt + (p) *Ro =

+cosr,'

m-n:k)

Obs. In cazul discret, se defineste secventa de autocovarianfd a unui proces prin apli carea ipotezei ergodice , pentru oricare doud momente de timp discrete m st n, (numiti ,, pivo{i" cu
:

R*,(*,d

= E{x@).x@)}

- n)

R*(*

-n) =igg*

i.<,

x(i

m)

=R.",(fr)

- E{*U).

x(i -,a)}=

Aceleasi proprietdti ca in cazul continuu se regdsesc si in cazul discret: 1. Proprietatea de marginire: autocovarianta este maxima in origine
dispersia

+T xU). x(i - k)
si este egald cu

R*(k) s R_"- (0) = ot Vk e Z

R-.t

Functia de autocovariantd este simetricd R*(-k) = R,,, r\o\-t{)=Ko\K) Yk e Z _i 3. Proprietatea de periodicitate a autocovarianfei :dacf, setul de dati p"riodic ic de < "rt. perioada T. perioadi T atunci si secventa de autocorelafie este periodicd si are aceeasi NotS: R o ,, se mai noteaza; noteaza:R, R- sau r" r*

2.

(fr) vKL

-l_-iff.t

5.

Funclia de intercorelayie

(/d

ftovarianyd, intercdvarianld)
se

Dacd' u(t) este intrarea (I) si y(t) iesirea (E) unui sistem sunt doud procese stochastice, poate defini similar funcfla de intercorelalie (covarianla incrucisatd alil u si y) :

R,, (t,, t r) = E {u(t,) y (t rll

= \ lrrf,

(u,

t i 1

y, t r) dudy
1co =&iG;6 = Ji* _ [u(t)y(t+rpt I -+a 21

statjonar

RuyG) =

1u1r7r1r1fz(u,

y,r)dudy si ergoclic R,y(r)

-co

Pentru procesele care sunt necorelate statistic unul cu

intercorelalie
Ruu este

celllalt

-w

de ex.

(er,u) funclia de

nuld.

Modelare si Simulare

Func{ia de intercovarianld se defineste similar in variabile centrate f, = u I = , -V . Obs. In cazul discret pentru a aprecia gradul de corelare intre valorile unui set de date (secven{e aleatoare de intrare/iesire) mai exact cat de corelata statistic este iesirea y(n) de intrarea u(m) unde m si n se numesc ,,pivofi" , s defineste similar funclia de covarianli (care depinde doar de diferen,ta dintre pivoli bm-n ) ca medie statistica a produsului uy prin: R*
(m, n)

-u gi

= Ruy@ - n) = R,y (k) = E{u@) y(d} = n{u@)

.

y(n

-u)} =

ue). y(i

- k)

6. Densitatea spectrald a proceselor aleatoare

Densitatea spectrala S,(ar)

- a unui proces stochastic x(t)

dr

este

prin definifie transformata

Fourier afuncliei de autocovarianla (autocorela{ie)

S

a procesului respectiv:

(j

a):

.F[Ro (r)]

=\

-co

^*1r1"-i'"

Deoarece s-iat -

cos(an)

sin(arc)

si

din proprietatea de simetrie

R*(-r)= Ro(r)

e So (i at) - 2*li-*(r) cos(ar t)drsimetricS.

S*

(ar) - densitatea spectral[ este o funcfie reald, pard,

de

Daca se cunoaste

^S,

(at) afrinci prin transformareaLaplace inversd se poate obtine functia

autocovariantd S, (ar)

R* (e)

R-'

(r) -

(at)ei" da * it, (atpi" dat= I /fr_* niit,

Conform proprietafilor transformatei Fourier, daca Rn se ,,ingusteaza" afunci Sxx se ,,intinde" (si invers)

La limitd semnalele aleatoare care au densitatea spectrald constantd pe intreaga band6 de frecven{d au funcfia de autocorelalie de tip impuls Dirac R_ (r) = d(r) )semnalul se numeste zgomot alb ZA si are proprietdli statistice deosebite"