6.3 FACTORIZAREA SPECTRAL.

TEOREMA LUI WOLD

6.3.1. Procese aleatoare regulate. Factorizarea
t l spectral
Densitatea spectral de putere, P
xx
(e
j
), pentru un p p ,
xx
( ), p
proces aleator discret, staionar n sens larg, este o
funcie :
- real
pozitiv - pozitiv
- periodic.
Factorizarea spectral a lui P
xx
(z):
Dac P
xx
(e
j
) este o funcie continu de , P
xx
(z)
poate fi factorizat sub forma:
( ) ( )
|
|

| * 2
1
Q Q ( ) ( )
|
.
|

\
|
=
*
* 2
0
1
z
Q z Q z P
xx
o
6.3.1. Procese aleatoare regulate. Factorizarea
t l spectral
Fie x(n) un proces staionar n sens larg, cu valoare Fie x(n) un proces staionar n sens larg, cu valoare
medie nul i cu o densitate spectral de putere
P
xx
(e
j
), continu (ceea ce presupune absena P
xx
(e ), continu (ceea ce presupune absena
componentelor periodice):
( ) ( )

( ) ( )

=
n
n
xx xx
z n r z P
S l l P ( ) t liti S presupunem, n plus, c lnP
xx
(z) este analitic
ntr-o coroan circular, coninnd cercul unitate
1 ,
1
< < < R
R
z R
6.3.1. Procese aleatoare regulate. Factorizarea
t l spectral
Rezult c lnP
xx
(z) i toate derivatele sale sunt Rezult c lnP
xx
(z) i toate derivatele sale sunt
funcii continue i este posibil o dezvoltare n
serie Laurent: serie Laurent:
( ) ( )

=
n
n
xx
z n a z P ln
= n
( ) ( )
e e n
xx
n a P
j j
e e ln

=
n =
Din ultima relaie rezult c a(n) reprezint ( ) p
coeficienii dezvoltrii n serie Fourier ai funciei
periodice ( )
e j
e ln
xx
P p ( )
xx
6.3.1. Procese aleatoare regulate. Factorizarea
t l spectral
e o funcie real secvena a(n) este ( )
e j
e ln P e o funcie real secvena a(n) este
conjugat simetric
( ) e ln
xx
P
( ) ( )
*
( ) ( ) n a n a =
( ) ( ) e
t
e
d e ln
1
0
j
}
= P a( ) ( ) e
t
t
d e ln
2
0
}

=
xx
P a
S ( ) t l d t l Secvena a(n) poart numele de cepstrum al
secvenei r
xx
(n)
( ) ( ) { } ( ) ( )
)
`

)
`

=


=

1
1
exp exp 0 exp
n
n
n
n
xx
z n a z n a a z P
6.3.1. Procese aleatoare regulate. Factorizarea
t l spectral
Vom defini:
( ) ( ) R z z n a z Q
n
n
>
)
`

, exp
1
Deoarece Q(z) i ln Q(z) sunt analitice n |z|>R
=> Q(z) este o funcie de faz minim.
Ultimul termen din factorizarea lui P(z) mai
t fi i
Q( )
poate fi scris :
( ) ( ) =
)
`

=
)
`

1
exp exp z n a z n a
n n
( ) ( )
( )
|
|

|
`

|
|

|
)
`

)
`

= =
*
*
1
1 1
e p
p p
Q
n
n n
( )
|
.
|

\
|
=
)
`

|
.
|

\
|
=

=
*
1
*
exp
z
Q
z
n a
n
6.3.1. Procese aleatoare regulate. Factorizarea
t l
aa nct:
spectral

( ) ( )
|
.
|

\
|
=
*
* 2
0
1
z
Q z Q z P
xx
o
unde
( )
`

}
t
e
1
j 2
( )
)
`

=
}
e
t
o
t
e
d e ln
2
1
exp
j 2
0
P
Un proces care ndeplinete condiiile precizate
mai nainte i admite o asemenea factorizare
spectral se spune c este un proces regulat.
Proprieti ale proceselor regulate. op ieti ale p oceselo egulate.
Un asemenea proces poate fi considerat ca ieirea
unui filtru stabil i cauzal avnd la intrare unui filtru stabil i cauzal, avnd la intrare
zgomot alb cu variana (reprezentare cu
ajutorul inovaiilor)
2
0
o
ajutorul inovaiilor).
( ) n u ( ) n x
| |
Q(z)
( )
2
0
o = z P
uu ( ) ( )
|
.
|

\
|
=
*
* 2
0
1
z
Q z Q z P
xx
o
Q(z)
a.
) (
1
z Q
( ) n u ( ) n x
( )
( )
2
P
Fi 2 4 R t i t i l
) (z Q
( ) z P
xx
( )
2
0
o = z P
uu
b.
Fig. 2.4 Reprezentarea unui proces staionar n sens larg cu
ajutorul inovaiilor
Proprieti ale proceselor regulate. op ieti ale p oceselo egulate.
Filtrul avnd funcia de transfer invers, 1/Q(z),
fi id f l d lb poate fi considerat un filtru de albire pentru
procesul aleator cu densitatea spectral de putere
P (z) P
xx
(z).
Q(z) poate fi reprezentat printr-o serie de puteri: Q(z) poate fi reprezentat printr o serie de puteri:
( ) ( ) ( ) ( ) ... 2 1 0
2 1
+ + + =

z q z q q z Q
unde , deoarece evident ( ) 1 0 = q
( ) ( ) li ( ) ( ) 1 0 lim = =

q z Q
z
Proprieti ale proceselor regulate. op ieti ale p oceselo egulate.
Dac P
xx
(z) este o funcie raional, atunci
( )
( )
( ) z A
z B
z Q =
( )
|
.
|

\
|
| |
*
*
1
1
B z B
i factorizarea are forma:
( ) ( )
( )
( )
|
.
|

\
|
|
.

\
=
|
.
|

\
|
=
*
*
*
2
0
*
* 2
0
1
1
z
A z A
z
z
Q z Q z P
xx
o o
. \ z
( ) ( ) ( ) ( )
N
z N a z a z a z A

+ + + + = ... 2 1 1
2 1
unde:
( ) ( ) ( ) ( )
M
z M b z b z b z B

+ + + + = ... 2 1 1
2 1
iar polinoamele A(z) B(z) au toate zerourile n iar polinoamele A(z), B(z) au toate zerourile n
interiorul cercului de raz unitate.
6.3.2 Teorema lui Wold 6.3. eo e u Wo d
Un proces staionar n sens larg poate fi
descompus n dou procese ortogonale:
un proces regulat x
r
(n) p g
r
( )
un proces predictibil x
p
(n)
Se spune c un proces x (n) este predictibil dac Se spune c un proces x
p
(n) este predictibil dac
exist un set de coeficieni a(n), aa nct:

( ) ( ) ( )

=
=
1 k
p p
k n x k a n x
Altfel spus, orice eantion poate fi determinat fr
eroare, cunoscnd eantioanele precedente.
6.3.2 Teorema lui Wold 6.3. eo e u Wo d
Pentru un asemenea proces, densitatea spectral de
putere este de forma:
( ) ( )

N
P
j
o
e
( ) ( )

=
=
k
k k p
P
1
j
e e e o o
e
Rezult c o form general a densitii spectrale Rezult c o form general a densitii spectrale
de putere este:
( ) ( )
N
( ) ( ) ( )

=
+ =
N
k
k k r
P P
1
j j
e e e e o o
e e
j
unde P
r
(e
j
), partea continu a spectrului,
corespunde unui proces regulat.
6.4 Elemente de teoria estimrii 6. e e e de eo es
Estimare: deducerea valorilor unor mrimi
l i d d l d necunoscute sau aleatoare pornind de la un set de
observaii ce reprezint variabile aleatoare.
E l fl i a. Estimarea parametrilor - aflarea unor parametri
determiniti dar necunoscui pornind de la setul de
observaii Exemple: determinarea valorii medii a observaii. Exemple: determinarea valorii medii, a
funciei de autocorelaie, a densitii spectrale de
putere pentru un proces aleator staionar putere pentru un proces aleator staionar.
b. Estimarea unei variabile aleatoare. De exemplu,
determinarea eantioanelor de la intrarea unui determinarea eantioanelor de la intrarea unui
sistem cunoscnd ieirea acestuia, suprapus peste
un zgomot. g
6.4 Elemente de teoria estimrii 6. e e e de eo es
In cele ce urmeaz ne vom concentra atenia
numai asupra primului aspect.
S presupunem c se dorete estimarea unui p p
parametru al densitii de probabilitate w
x
(x;)
a unui proces aleator x pe baza observaiilor . p p
( ) ( ) ( ) | |
T
o
N x x x 1 ,..., 1 , 0 = x
( )
o
x u u

= Vom nota cu
o estimare a lui , realizat pe baza setului de , p
observaii x
o
. Aceasta este evident o funcie de x
o
(vector aleator) i n consecin este de asemenea ( )
o variabil aleatoare.
6.4 Elemente de teoria estimrii 6. e e e de eo es
Pentru aprecierea unui estimator se pot utiliza
diveri indicatori.
Deplasarea unui estimator se definete prin: p p
( ) ( ) u u u =

B
( ) 0 B = u
Se spune c estimatorul e nedeplasat dac:
( )
Dac cnd , estimatorul se
t i t ti d l t
( )

B 0 u
N
numete asimptotic nedeplasat.
6.4 Elemente de teoria estimrii 6. e e e de eo es
Eroarea ptratic medie:
{ }
2

E EPM u u =
( ) ( ) { }
2
2

var u u o u = =
Variana i dispersia:
( ) ( ) { } E E var u u o u
u
Consistena unui estimator. Un estimator e
{ } 0

Pr lim = > c u u
consistent dac pentru orice >0, orict de mic,
{ }
N
6.4 Elemente de teoria estimrii 6. e e e de eo es
Funcia de plauzibilitate este definit prin
densitatea de probabilitate
( ) ( ) u u , x w l
x
=
n unele cazuri este mai convenabil s se lucreze
cu logaritmul acestei funcii
( ) ( ) ,
x
cu logaritmul acestei funcii,
D M L()
( ) ( ) ( ) u u , ln x w L
x
=
Dac este un vector cu M componente, L() este
i el un vector
( ) ( ) ( ) ( ) | |
T
M
L L L u u u ,..., ,
2 1
= L
6.4 Elemente de teoria estimrii 6. e e e de eo es
Msura informaiei unui parametru n sensul
Fischer
( )
( ) ( )
`

c
`

c
2 2
, ln
E E
u u
u
x w L
I
x
Exprimare echivalent
( )
( ) ( )
)
`

c
=
)
`

c
=
2 2
E E
u u
u I
x
Exprimare echivalent
( )
( ) ( )
`

|
|

|
c
`

|
|

|
c
2 2
, ln
E E
u u
u
x w L
I
x
( )
( ) ( )
)
`

|
.
|

\
|
c
=
)
`

|
.
|

\
|
c
=
,
E E
u u
u I
x
6.4 Elemente de teoria estimrii 6. e e e de eo es
O posibilitate de a gsi un estimator este de a
maximiza dup funcia de plauzibilitate,
( ) ( ) { }

Un asemenea estimator se numete de

( ) ( ) { } u u
u
, max arg

x x
x
w =
Un asemenea estimator se numete de
plauzibilitate maxim.
6.4 Elemente de teoria estimrii 6. e e e de eo es
Marginea Cramr-Rao reprezint o valoare
i i i i i d l minim pentru variana unui estimator nedeplasat.
n cazul unui estimator scalar, presupunnd c
d i d f i i L() i i derivata a doua a funciei L() exist i este
absolut integrabil,
( ) ( )
1 2

n relaia de mai sus se obine egalitate dac i

i d i l i f l i
( ) ( ) u o u
u
1 2

var

> = I
numai dac estimatorul satisface relaia
( ) ( )
( ) u
u u u
c
=
L
K x

n care K() nu depinde de valoarea estimat.

( ) ( )
( )
u
u u u
c
= K x
6.4 Elemente de teoria estimrii 6. e e e de eo es
Dac aceast limit este atins, se spune c
estimatorul este de varian minim sau c este
eficient.
Aplicaii - 1. Estimarea valorii medii. plicaii . stima ea valo ii medii.
Fie o variabil aleatoare real, gaussian,
caracterizat prin:
( )
2
1
m x

( )
2
0
2
2
0
e
2
1
;
o
to
x
m x w =
S t t l d b ii
| |
T
N
x x x
1 1 0
,..., ,

= x
S presupunem cunoscut setul de observaii
independente . Densitatea de
b bilit t d di l N t d i
( ) ( )
( )
[ [


1
2
1
2
2
1
N
m x
N
i
o
probabilitate de ordinul N este deci:
( ) ( )
[ [
= =
= =
0
2
2
0
0
0
e
2
1
; ;
i i
i x x
m x w m w
o
to
x
1. Estimarea valorii medii. . stima ea valo ii medii.
( ) ( )
( )

=
1
2
2
2
0
2
2 ln
2
N
i
m x N
m L to ( ) ( )

=0
2
0
0
2 2
i
o
( )

=
c
1
2
N
i
m x m L

=
c
0
2
0
i
m o
Egalnd cu 0 aceast cantitate se obine Egalnd cu 0 aceast cantitate se obine
estimatorul de plauzibilitate maxim:
1
1
N

=
=
1
0
1

N
i
i
x
N
m
E ti t l t d l t i Estimatorul este nedeplasat, cci:
{ } m x m
N
`

1
E
1
E{ } m x
N
m
i
i
=
)
`

=

=0
E E
1. Estimarea valorii medii. . stima ea valo ii medii.
Deoarece observaiile au fost presupuse
i d d t i ti t l i t independente, variana estimatorului este
{ } { } x m
N
i
2
0
1
2
var
1
var
o
= =

{ } { }
N
x
N
m
i
i
0
2
var var

=
( )
( )
2
E
N m L
m I =
`

c
=
n fine
( )
2
0
2
E
o m
m I =
)
`

c
=
( ) ( ) I
1

n fine,
d i ( ) ( ) m I m
1
var = deci
aa nct estimatorul este i de varian minim.
Lucrul acesta era de ateptat avnd n vedere c
( )
( )

c
1
2
1
N
m L o
( )
( )

=
c
c
= =
0
0
1

i
i
m
m L
N
m x
N
m m
o
x
2. Estimarea dispersiei. . stima ea dispe siei.
Pentru acelai caz al variabilei gaussiene,
( )
( )
( )

+ =
c
c
1
4
2
2 2
2
0
2
1
2
N
i
m x N L
o o o
o
( )
=
c
0
0 0 0
2 2
i
o o o
Egalnd cu zero se obine estimatorul varianei:
( )
( )
=
c
c
0
2
0
2
0
o
o L
( )

=
=
1
0
2
2
0
1

N
i
i
m x
N
o
Dac m nu este cunoscut, se va utiliza pentru el
estimatorul obinut mai nainte:
( ) c
0
o
=0 i
N
estimatorul obinut mai nainte:
( )

=
1
2
2

N
m x o ( )

=
=
0
0
i
i
m x
N
o
2. Estimarea dispersiei. . stima ea dispe siei.
1
1
N
S calculm valoarea medie a estimatorului:
{ } { } { } { } ( )

=
| |
= + =
1 1 1 1
1
0
2 2 2
0
E 2 E E
1
E
N N N N
N
i
i i
m x m x
N
o
{ } { } { }

=
|
|
.
|

\
|
+ =
1
0
1
0
1
0
1
0
2
2
E
2
E
1
E
1
N
i
N
j
j i
N
l
N
j
j l i
x x
N
x x
N
x
N
Observaiile fiind presupuse independente:
{ }
{ } = j i x
i
E
2
t i d i d t i it t
{ }
{ }
{ } { }

= =
=
=
j i m x x
j i x
x x
j i
i
j i
, E E
, E
E
2
aa nct, innd seama i de staionaritate,
{ } { } ( )
2
1
2 2 2
1
E
1 1
E o o
N
m x
N
N

=
|
|

{ } { } ( )
0
0
0
E E o o
N
m x
N N
i
i
=
|
.

\
=

=
2. Estimarea dispersiei. . stima ea dispe siei.
Se constat c estimatorii de plauzibilitate maxim
a variantei sau ai dispersiei sunt deplasai. Totui,
{ }
2 2
E li { }
2
0
2
0
E lim o o =
N
d i i i i d l i i deci ei sunt asimptotic nedeplasai. Uneori se
prefer utilizarea estimatorului nedeplasat al
ddispersiei:
( )

1
2

N
( )

=
0
0
1
i
i
m x
N
o
3. Estimatori pentru funcia de autocorelaie 3. stimato i pent u funcia de autoco elaie
Vom considera un proces aleator staionar x(n) de
valoare medie nul, deci:
( ) ( ) ( ) ( ) { } m n x n x m c m r + = =
*
E ( ) ( ) ( ) ( ) { } m n x n x m c m r
xx xx
+ E
Procesul fiind ergodic,
( ) ( ) ( )

=

+
+
=
N
N n
N
xx
m n x n x
N
m r
*
1 2
1
lim
Ne propunem s gsim un estimator utiliznd
numai setul de observaii x(n), n=0,...,N1, deci
pornind de la:
( )
( ) | |

e
=
1 , 0 , N n n x
n x ( )
| |

e
=
1 , 0 0 N n
n x
N
3. Estimatori pentru funcia de autocorelaie 3. stimato i pent u funcia de autoco elaie
Vom defini:
( ) ( ) ( )

=
+ =
n
N N xx
m n x n x
M
m r
*
1

unde M poate fi astfel ales nct s se obin un

estimator nedeplasat.
Avnd n vedere suporturile finite,
( ) ( ) , ] 1 , [ supp , ] 1 , 0 [ supp
*
m N m m n x N n x
N N
= + =
lt t | |>N 1 ( ) 0 rezult pentru |m|>N-1. ( ) 0 = m r
xx
3. Estimatori pentru funcia de autocorelaie 3. stimato i pent u funcia de autoco elaie
Pentru m=0,...,N1, limitele de nsumare vor fi 0 i
N1m, aa nct n general vom putea scrie:
( ) ( )

1
*
( )
( ) ( )
( ) ( )

e
e +
=

=
] 1 , 1 [ ,
] 1 , 0 [
1

*
*
N m m r
N m m n x n x
M
m r
xx
n
N N
xx
( ) ( ) ( )

>
e
1 , 0
] 1 , 1 [ ,
N m
N m m r m r
xx xx

3. Estimatori pentru funcia de autocorelaie 3. stimato i pent u funcia de autoco elaie

Valoarea medie a estimatorului este:
( ) { } ( ) ( ) { } E
1
E
1
*
= + =


m n x n x
M
m r
m N
xx
( ) ( ) 1 ,..., 1 , 0 ,
1
1
0
=

= =


=
N m m r
M
m N
m r
M
M
xx
m N
xx
n
0 =
M M
n
n mod asemntor pentru m= (N1) 1 se n mod asemntor, pentru m (N 1),..., 1 se
obine:
( ) { } ( ) m r
m N
m r
+
= E ( ) { } ( ) m r
M
m r
xx xx
= E
3. Estimatori pentru funcia de autocorelaie 3. stimato i pent u funcia de autoco elaie
Deci n general:
( ) { } ( ) ( ) ( )
E , 1 , 1
xx xx
N m
r m r m m N N
M

= e (

{ }
M

i rezult o deplasare a estimatorului:
( ) ( ) ( ) ( ) ( ) ( ) m r
M
M m N
m r m r m r B
xx xx xx xx

= = E
3. Estimatori pentru funcia de autocorelaie 3. stimato i pent u funcia de autoco elaie
Pentru a obine un estimator nedeplasat se poate
lua M=N|m| deci:
( ) ( )
*
1
[0 1] N

( )
( ) ( )
( ) ( )
*
*
[0, 1]
[ 1 1]
N N
n
x n x n m m N
N m
r m r m m N
=

+ e

= e

( ) ( ) ( )
, [ 1 , 1]
0, 1
xx xx
r m r m m N
m N
= e

>

3. Estimatori pentru funcia de autocorelaie 3. stimato i pent u funcia de autoco elaie

sau cu o exprimare unitar:
( ) ( ) ( ) ( ) ] 1 , 1 [ ,
1

1
0
*
e +

=
N N m m n x n x
m N
m r
N
n
N N xx
0 n
Uneori se prefer s se ia M=N i rezult:
( ) ( )
*
1
[0, 1]
N N
x n x n m m N
N

+ e

( ) ( ) ( )
*
, [ 1 , 1]
0 1
n
xx xx
N
r m r m m N
N
=

= e

0, 1 m N

>

3. Estimatori pentru funcia de autocorelaie 3. stimato i pent u funcia de autoco elaie

Acesta este evident un estimator deplasat,
ddeoarece:
( ) ( ) ( ) m r
m N
m r

= E ( ) ( ) ( ) m r
N
m r
xx xx
E
Totui cnd
N
( ) { } ( ) m r m r
xx xx
N
=

E lim
i deci estimatorul acesta este asimptotic nedeplasat.
6.5 Modelarea Proceselor Aleatoare 6.5 ode e ocese o e o e
6.5.1 Modele ARMA. Forme particulare
n multe cazuri ntlnite n practic, procesul
aleator poate fi modelat ca ieire x(n) a unui sistem aleator poate fi modelat ca ieire x(n) a unui sistem
liniar, invariant n timp, caracterizat printr-o
funcie de transfer raional, H(z), funcie de transfer raional, H(z),
( ) n u ( ) n x
( )


M
k
k
z b
z B
H(z)
( )
( )
( )

=

=
+
= =
N
k
k
k
k
z a
z A
z B
z H
1
0
1
= k 1
cruia i se aplic la intrare un semnal u(n).
6.5.1 Modele ARMA. Forme particulare 6.5. odele . o e pa ticula e
Frecvent, u(n) este un zgomot alb, el fiind cel care
i i l l l l i ( ) imprim caracterul aleator al lui x(n).
Vom putea exprima deci x(n) cu ajutorul ecuaiei
dif fi i cu diferene finite:
( ) ( ) ( )

=
N M
k n x a k n u b n x( ) ( ) ( )

= =
=
k
k
k
k
k n x a k n u b n x
1 0
Model "ARMA" (auto regressive moving Model ARMA (auto regressive-moving
average), deci autoregresiv cu mediere mobil.
H( ) filt t bil i l H(z) se presupune un filtru stabil i cauzal, aa
nct nulurile lui A(z) se gsesc n interiorul
l i | | 1 cercului |z|=1.
6.5.1 Modele ARMA. Forme particulare 6.5. odele . o e pa ticula e
( ) ( ) ( )
e e e j
2
j j
e e e
uu xx
P H P = ( ) ( ) ( )
uu xx
n cazul cnd u(n) este zgomot alb, cu
( )
2 j
e o
e
=
uu
P
( ) ( )
2
j 2 j
e e
e e
o H P
xx
=
Fr a pierde din generalitate, vom considera c
b 1 d ti l filt l i t fi a
o
=b
o
=1, deoarece ctigul filtrului poate fi
ncorporat n
2
.
Se utilizeaz frecvent notaia ARMA (M,N), care
pune n eviden gradele numrtorului i
numitorului.
6.5.1 Modele ARMA. Forme particulare 6.5. odele . o e pa ticula e
Forme particulare
Modelul autoregresiv (AR), notat g ( ),
AR(N)=ARMA(0,N) se obine pentru M=0.
N
( ) ( ) ( ) n u k n x a n x
N
k
k
+ =

=1
( )
( )


+
= =
N
k
k
z a
z A
z H
1
1 1

=
+
k
k
z a
1
1
6.5.1 Modele ARMA. Forme particulare 6.5. odele . o e pa ticula e
Modelul mediere mobil (MA), notat
MA(M)=ARMA(M,0), rezult particulariznd
N=0:
M
( ) ( )

=
=
M
k
k
k n u b n x
0
( ) ( )

=

= =
M
k
k
k
z b z B z H
0 k 0
Un proces ARMA(M,N), pentru M i N finii,
poate fi reprezentat printr un proces AR() sau poate fi reprezentat printr-un proces AR() sau
printr-un proces MA().
6.5.1 Modele ARMA. Forme particulare 6.5. odele . o e pa ticula e
Exprimarea unui proces ARMA(1,1) ca un proces
AR.
1
` 1
b
( ) 1 , 1 ,
1
1
1 1
1
1
1
1
< <
+
+
=

b a
z a
z b
z H
Pentru a-l exprima ca un model AR, H(z) trebuie
pus sub forma: p
( )
( )
( )

+
= + = =
1
1 ,
1
k
k
a z
z c z C z H( )
( )
( )

=
+
+
1
1
1 ,
k
k
b z
z c z C
z C
z H
6.5.1 Modele ARMA. Forme particulare 6.5. odele . o e pa ticula e
Dar
( ) k
b z
a z
Z c
k
)
`

+
+
=

1
1
1
Deci
1 k
( )( ) 1 pentru
1
1 1 1
> =

k b b a c
k
k
Aproximarea procesului ARMA(1,1) cu un proces
AR(L), cu L finit, va fi necesar un ordin L cu att
mai mare cu ct nulul z = b
1
este mai apropiat de
cercul |z|=1.
6.5.1 Modele ARMA. Forme particulare 6.5. odele . o e pa ticula e
Exprimarea unui proces ARMA(1,1) ca un proces
( )

+ =
+
+
=
1
1
1
1
k
k
k
z d
a z
b z
z H
=
+
1
1
k
a z
din care
b
( ) ( )( ) 1 pentru
1
1 1 1
1
1
1
> =
)
`

+
+
=

k a a b k
a z
b z
Z d
k
k
i n acest caz, dac se dorete o aproximare a
procesului ARMA(1,1) cu un proces MA(L) de p ( , ) p ( )
ordin finit, L va fi cu att mai mare cu ct polul
p = a
1
al procesului ARMA este situat mai p
1
p
aproape de cercul |z|=1.
6.5.2 Relaii ntre parametrii modelului i funcia p f
de autocorelaie. Ecuaiile Yule-Walker
V ( ) t t lb Vom presupune c u(n) este un zgomot alb cu
valoare medie nul i varian. Atunci:
( )
*
*
1
|
.
|

\
|
B
B
( )
( )
( )
2
*
*
*
1
o
|
.
|

\
|
|
.

\
=
z
A
z
z A
z B
z P
xx
. \ z
6.5.2 Relaii ntre parametrii modelului i funcia
S
p f
de autocorelaie. Ecuaiile Yule-Walker
Sau
( ) ( ) ( )
2
*
*
1
o z B H z A z P
xx
|
.
|

\
|
= ( ) ( ) ( )
*
z
xx
|
.

\
Vom aplica transformata Z invers acestei relaii i
vom ine seama c:
( ) { }( ) ( ) ( ) k r k c k z P Z = =
1
( ) { }( ) ( ) ( ) k r k c k z P Z
xx xx xx
= =
deoarece x(n) va avea i el valoarea medie nul, i ( ) ,
( ) ( ) n h n
z
H Z =
)
`

|
.
|

\
| *
*
* 1
1
z
) . \
6.5.2 Relaii ntre parametrii modelului i funcia p f
de autocorelaie. Ecuaiile Yule-Walker
Rezult, folosind teorema convoluiei i
cauzalitatea secvenei h(n):
( )
( ) ( )

= =
=

= =
] , 0 [ ,
0
* 2 * 2
M k k l h b k l h b
l k r a
M
l
M
k l
l l
N
xx l
o o

+ >
=
1 , 0
0
M k
l
De unde: De unde:
( ) ( )

= +

] , 0 [ ,
* 2
M k k l h b l k r a
M
l
N
xx l
o
( )
( ) ( )
( )

+ >
=

= =
1 ,
] , [ ,
1
1
M k l k r a
k r
N
l
xx l
k l
l
l
xx l
xx
=1 l
6.5.2 Relaii ntre parametrii modelului i funcia
i i i l it d t i t il
p f
de autocorelaie. Ecuaiile Yule-Walker
n principiu, ele permit determinarea parametrilor
modelului dac se cunosc funciile de
t l i autocorelaie.
Rezolvarea sistemului este simpl doar n cazul
proceselor AR, cnd, deoarece M=0, dispare
practic a doua sum, care imprim un caracter
neliniar ecuaiilor.
Pe de alt parte, ecuaiile Yule-Walker ofer o p ,
metod recursiv de calcul a funciilor de
autocorelaie, dac sunt cunoscui parametrii , p
modelului.
6.5.2 Relaii ntre parametrii modelului i funcia p f
de autocorelaie. Ecuaiile Yule-Walker
Alegerea unui model adecvat procesului studiat
este esenial. Este util ca modelul ales s aib un
numr minim de parametri.
In cazul n care procesul studiat se caracterizeaz p
printr-o densitate spectral de putere cu maxime
"ascuite", este indicat alegerea unui model AR, , g ,
tiind c asemenea maxime se obin datorit unor
poli situai n apropierea cercului |z|=1. p p p | |
6.5.2 Relaii ntre parametrii modelului i funcia
Dac, din contr, ea se caracterizeaz prin minime
p f
de autocorelaie. Ecuaiile Yule-Walker
, , p
pronunate, eventual anulri, este indicat alegerea
unui model MA cu zerouri situate n apropierea p p
sau pe cercul |z|=1.
Cnd intervin ambele tipuri de comportri ale Cnd intervin ambele tipuri de comportri ale
densitii spectrale de putere, se va alege un model
ARMA. ARMA.
Un alt parametru ce trebuie avut n vedere este i
panta caracteristicii densitate spectral de putere panta caracteristicii densitate spectral de putere -
frecven. O pant mare (variaie rapid) va
necesita pentru simulare un proces AR sau ARMA necesita pentru simulare un proces AR sau ARMA
de ordin mare.