IONEL HAIDU

ANALIZA
SERIILOR DE TIMP
APLICATII IN HIDROLOGIE






Serie coordonat de :

Radu DROBOT

Jean Pierre CARBONNEL

S_J EP 09781/95
GESTI ON ET PROTECTI ON
DE LA RESSOURCE EN EAU





* H* G* A*
Bucureti
1997
















Descierea CIP a Bibliotecii Naionale

HAIDU, IONEL
Analiza seriilor de timp : aplicaii n hidrologie / Ionel
Haidu. - Bucureti : *H*G*A*, 1997
157 p.
ISBN 973-98077-3-9

556.06 519.246.8:556










Editor :




Copyright 1997. Toate drepturile asupra acestei ediii
sunt rezervate Editurii *H*G*A* - Bucureti
PREFA

Pentru a nelege modul de funcionare al unui sistem natural, tehnic sau
economic i pentru a cunoate modul n care unul sau mai multe input-uri
afectez varietatea output-urilor, cercettorii i inginerii efectueaz msurtori
n timp. Setul de observaii care monitorizeaz n sens cronologic
comportamentul sistemului poart numele de serie de timp. Analiza seriilor de
timp se refer n principal la construirea unor modele capabile s descrie
comportamentul sistemului n scopul simulrii acestuia, al anticiprii evoluiei
sale ulterioare, al evalurii tendinelor i pentru mai buna nelegere a
dinamicii componentelor sale. Prin urmare, analiza seriilor de timp a devenit,
pentru numeroase domenii ale vieii social-economice i tiinifice, un
instument eficace pentru cercetare, proiectare sau valorificare.
Lucrarea de fa se refer la unele probleme teoretice i metodologice ale
analizei seriilor de timp cu aplicaii n hidrologie. Utilizarea modelelor
stochastice n hidrologie este ncurajat de faptul c acestea nu necesit
varietatea de date precum modele deterministe. Valoarea datelor iniiale din
suma total a produsului finit crete de la an la an. Acest fenomen este specific i
n ingineria resurselor de ap, care deseori se confrunt cu necesitatea de a oferi
scenarii hidrologice doar pe baza unui numr limitat de variabile. n aceste
condiii modelele stochastice i dovedesc eficiena solicitat de practic.
S-a considerat necesar de a trece n revist anumite elemente statistice de
baz (cap. 1) fr de care nu pot fi nelese conceptele legate de modelarea
stochastic (cap. 3). Fiind vorba de o lucrare de hidrologie, s-au subliniat
caracteristicile diferitelor serii hidrologice (cap. 2) i s-a argumentat legtura
dintre procesul stochastic i fizica fenomenului hidrologic (cap. 4). Capitolul 5
este un ghid practic al utilizrii programului PEST n hidrologia stochastic. n
cadrul ultimelor dou capitole (cap. 6 i 7) se prezint succint alte tipuri de
modele stochastice, specifice reprezentrii seriei hidrologice n domeniul
timpului, respectiv domeniul frecvenelor.
Analiza seriilor de timp cu aplicaii n hidrologie reprezint una dintre
disciplinele predate n cadrul colii de Studii Academice Ingineria Resurselor
de Ap din Universitatea Tehnic de Construcii Bucureti - Facultatea de
Hidrotehnic. Directorul acestei coli, prof.dr.ing. Radu DROBOT, este n
acelai timp i iniiatorul seriei de volume TEMPUS, n cadrul creia apare i
aceast carte. Lucrarea de fa, prin tematica i exemplele tratate, se adreseaz
i altor specialiti, cadre didactice, ingineri sau studeni din domeniul
gospodririi apelor, al mediului i tiinelor geofizice.

Autorul

Dedic aceast carte, cu dragoste, soiei mele Daniela i fiicei noastre Nadina.
CUPRINS


1. ELEMENTE DE BAZ N HIDROLOGIA STOCHASTIC.............

1.1. NOIUNEA DE VARIABIL ALEATOARE ..................................
1.2. DESCRIEREA REPARTIIEI VARIABILEI ALEATOARE
DISCRETE .......................................................................................
1.2.1. Cazul unidimensional..................................................................
1.2.2. Cazul multidimensional...............................................................
1.3. PREDICIA VARIABILEI ALEATOARE........................................
1.4. PROCESE STOCHASTICE...............................................................
1.5. STAIONARITATE I ERGODICITATE........................................
1.6. INDEPENDENA STOCHASTIC..................................................

2. SERIILE DE TIMP HIDROLOGICE. NOIUNI GENERALE..........

2.1. DEFINIII I CLASIFICRI............................................................
2.2. CARACTERISTICI ALE SRIILOR DE TIMP HIDROLOGICE........
2.2.1. Caracteristici statistice.................................................................
2.2.2. Caracteristici ale seriilor hidrologice anuale................................
2.2.3. Caracteristici ale seriilor hidrologice periodice............................
2.2.4. Caracteristici ale seriilor hidrologice multidimensionale..............
2.2.5. Caracteristici ale seriilor hidrologice intermitente........................
2.3. COMPONENTELE SERIILOR DE TIMP HIDROLOGICE..............

3. MODELAREA SERIILOR DE TIMP...................................................

3.1. MODELUL STOCHASTIC AL SERIEI DE TIMP............................
3.2. OBIECTIVELE MODELRII STOCHASTICE................................
3.3. MODELAREA SERIILOR STAIONARE.......................................
3.3.1. Procese de medie alunectoare - MA...........................................
3.3.2. Procese autoregresive - AR..........................................................
3.3.3. Procese mixte, autoregresive i de medie alunectoare - ARMA..
3.4. MODELAREA SERIILOR NESTAIONARE - PROCESE -
ARIMA..............................................................................................
3.5. PROCESE ARIMA MULTIPLICATIVE...........................................

4. ARGUMENTE FIZICE ALE MODELRII STOCHASTICE
N HIDROLOGIE..................................................................................

4.1. PREMIZE CONCEPTUALE.............................................................
4.2. CAZUL PRECIPITAIILOR STAIONARE
I INDEPENDENTE STOCHASTIC.................................................
4.3. CAZUL PRECIPITAIILOR AR(p) I ARMA(p,q)..........................
7

7

8
9
13
17
20
22
25

28

28
32
32
34
37
40
42
43

56

56
58
59
60
65
68

70
74


77

77

79
85
5
5. GHID PRACTIC PENTRU MODELAREA ARIMA..............................

5.1. INTRODUCERE...............................................................................
5.2. ETAPE DE LUCRU..........................................................................
5.3. UTILIZAREA PROGRAMULUI PEST.............................................
5.3.1. Meniul principal i meniul datelor...............................................
5.3.2. Inspecia vizual..........................................................................
5.3.3. Operaii preliminare - staionarizare............................................
5.3.4. Identificarea ordinului i selectarea modelului.............................
5.3.5. Estimarea parametrilor................................................................
5.3.6. Testarea i validarea modelului...................................................
5.3.7. Valorificarea modelului...............................................................

6. ALTE MODELE SPECIFICE REPREZENTRII
N DOMENIUL TIMP...........................................................................

6.1. MODELUL THOMAS - FIERING....................................................
6.2. MODELAREA FUNCIILOR DE TRANSFER................................
6.3. MODELAREA AUTOREGRESIV MULTIVARIAT...................

7. ELEMENTE DE ANALIZ SPECTRAL CU EXEMPLE
N HIDROLOGIE..................................................................................

7.1. PERIODOGRAMA I PERIODOGRAMA CUMULAT.................
7.2. TESTAREA PREZENEI PERIODICITILOR ASCUNSE...........
7.3. DENSITATEA SPECTRAL............................................................
7.4. ANALIZA SPECTRAL BIDIMENSIONAL.................................

ANEXA I.......................................................................................................

BIBLIOGRAFIE...........................................................................................

87

87
89
93
93
94
96
105
107
110
116


123

123
127
136


139

140
143
145
148

153

155


6




1. ELEMENTE DE BAZ N HIDROLOGIA
STOCHASTIC


1.1. NOIUNEA DE VARIABIL ALEATOARE

n cadrul acestei lucrri, prin noiunea de variabil hidrologic se va nelege
orice variabil care descrie sau influeneaz procese hidrologice.
Variabilele hidrologice care pot fi prezise cu certitudine sunt numite
deterministe, iar cele care se prezic cu anumite incertitudini sunt numite
variabile aleatoare sau stochastice.
Variabila aleatoare este acea variabil ale crei realizri (valori) sunt
guvernate de probabiliti sau de ans. Valorile ei nu pot fi prezise cu
certitudine dect n termeni probabilistici. Dac spaiul de realizare al unui
experiment aleator este , mulimea numerelor reale, atunci realizarea este
constituit dintr-o singur valoare numeric. O asemenea realizare este numit
unidimensional sau variabil aleatoare scalar. Variabilele aleatoare se vor
nota n acest curs cu litere mici subliniate:

x y z , , etc.
Schematic variabila aleatoare x se noteaz sub forma unui tablou de
coresponden astfel:

x
x x
p p
p
n
n
k
k
n
1
1 1
1
........
........
, .

=
=
(1.1)

Fiecrui numr real i corespunde o probabilitate . Tabloul (1.1) se
mai numete distribuia sau repartiia variabilei aleatoare
x
k
p
k
x .
ntr-un interval, o variabil aleatoare poate s ia un numr finit (numrabil)
sau infinit (nenumrabil) de valori. n primul caz, variabila aleatoare se numete
discret, iar n al doilea caz, continu.
Nivelurile nregistrate la seciunea unui ru cu ajutorul limnigrafului pot fi
apreciate ca fiind o variabil aleatoare continu, n timp ce nivelurile utilizate
pentru elaborarea cheii limnimetrice constituie o variabil aleatoare discret. n
ambele cazuri, fiecrei valori numerice a nivelului i corespunde o anumit
probabilitate conform tabloului (1.1), care se poate calcula prin tehnici statistice
adecvate.
7
Generalizarea noiunii de variabil aleatoare scalar la mai multe dimensiuni
necesit introducerea noiunii de mulime a numerelor reale bidimensionale,
. Spaiul bidimensional al numerelor reale este definit astfel:
2

( ) { }
=
2
1 2 1 2
x x x x , / , .
)
(1.2)

Cu alte cuvinte este mulimea tuturor cuplurilor posibile ( ,
constnd din dou numere reale i . n acelai mod este mulimea
tuturor vectorilor n-dimensionali , constnd din n numere reale
. Aceasta se reprezint astfel:

2
x x
1 2
x
1
x
2
n
( , , ... , ) x x x
n 1 2
x x x
n 1 2
, , ... ,

( ) { }
=
n
n n
x x x x x x
1 2 1 2
1 3 , , ... , / , , ... , . ( . )

Dac spaiul de realizare al unui experiment aleator este , atunci o
singur realizare const din n numere reale. O asemenea realizare este numit
variabil aleatoare n-dimensional.

n
Variabilele aleatoare multidimensionale se vor nota n acest curs cu litere
mari subliniate, ca de exemplu: X Y Z , , . Componentele acestora se vor nota cu
litere mici subliniate, ca de exemplu: X x x x
n
= ( , , ... ,
1 2
) .
Componentele x x x
n 1 2
, , ... , ale lui X sunt bineneles variabile aleatoare
scalare. Prin urmare, pentru fiecare dintre acestea ne putem imagina existena
unui tablou similar tabloului 1.1, care descrie distribuia de probabilitate a
variabilei aleatoare.
Pentru ntocmirea cheii limnimetrice sunt necesare nivelurile i debitele
nregistrate corespunztor acelorai momente de timp. n cazul acestui
experiment pentru fiecare moment de timp corespunde un cuplu nivel-debit,
spaiul de realizare este , deci este vorba de o variabil aleatoare
bidimensional.

2


1.2. DESCRIEREA REPARTIIEI VARIABILEI
ALEATOARE DISCRETE

Metodele de nregistrare a realizrilor variabilelor hidrologice sunt n general
tehnici de discretizare. Prin urmare, n practica hidrologic se opereaz mai ales
cu variabile aleatoare discrete, unidimensionale sau multidimensionale.
8
Informaia complet privind distribuia de probabilitate a variabilei aleatoare
discrete este dat de:
- funcia de probabilitate
- funcia de distribuie n cazul unidimensional

i de:
- funcia comun de probabilitate
- funcia comun de distribuie n cazul multidimensional
- funcia de probabilitate marginal

Totui, n practica hidrologic i pentru scopuri practice n general, se d o
descriere numeric a distribuiei de probabilitate. n urmtoarele dou
subcapitole se vor prezenta ambele procedee de descriere a distribuiei de
probabilitate.


1.2.1. CAZUL UNIDIMENSIONAL

Funcia de probabilitate a variabilei aleatoare discrete p x ( ) x este definit
astfel:

p x P x x x ( ) ( ) . ( . ) = = 1 4

Pentru o variabil aleatoare discret, funcia de probabilitate d o descriere
complet a distribuiei de probabilitate. Pentru a nelege mai uor n figura 1.1
se prezint cazul aruncrii unui zar a , iar n figura 1.2 cazul imaginar al
numrului de ani cu viituri din urmtorii 8. Probabilitatea ca cel puin 3 ani s
fie cu viituri este de 6% :

( ) ( ) ( ) ( )
[ ]
P v P v v v = = = = + = 3 3 4 5 0 05 0 01 0 06 U U . . . .


p
(
x
)
=
P
(
a
=
x
)
0
0.04
0.08
0.12
0.16
0.2
1 2 3 4 5 6

x
Fig. 1.1. Funcia de probabilitate pentru aruncarea unui zar.
9

p
(
x
)
=
P
(
v
=
x
)
0
0 .1
0 .2
0 .3
0 .4
0 .5
0 1 2 3 4 5 6 7 8


x p(x)
0 0.34
1 0.40
2 0.20
3 0.05
4 0.01
5-8 0.0
x
Fig. 1.2. Funcia de probabilitate a numrului de ani cu viituri.

Funcia de distribuie a unei variabile aleatoare F x ( ) x este definit
astfel:
F x P x x x ( ) ( ) . ( . ) = 1 5

Din figurile 1.3 i 1.4 se deduce faptul c funcia a unei variabile
aleatoare discrete este o funcie n trepte, n punctele
F x ( )
( ) x
i
fiind egal cu . ( ) p x
i

F(x) = P (a <

F(x) = P (v <

Fig. 1.3. Funcia de distribuie pentru Fig. 1.4. Funcia de distribuie a
o aruncare a unui zar a . numrului de ani cu viituri v .

Relaia dintre funcia de probabilitate i funcia de distribuie a unei
variabile aleatoare discrete este dat de:
p u ( )

F x p u p u u x
u x
( ) ( ) ( ) , . ( . ) =

0 16

Descrierea numeric a distribuiei de probabilitate a unei variabile aleatoare
discrete se refer la parametrii tendinei centrale, parametrii dispersiei
(mprtierii) i la parametrii asimetriei i boltirii.
10
n prealabil vom defini sperana (ateptarea) matematic a unei funcii de
variabil aleatoare. Pentru o variabil aleatoare discret x , sperana matematic
a funciei g x ( ) este dat de:

E g x g x p x
x
( ) ( ) ( ). ( . ) = 17

unde: suma se refer la toate valorile x pentru care p x ( ) 0 .
Momentul ordinar de ordin k (k = 1, 2, ... ) al unei variabile aleatoare
discrete este dat de E x
k
(sperana matematic a funciei x
k
).
Momentul centrat de ordin k (k = 1, 2, ... ) al unei variabile aleatoare discrete
este dat de ( ) E x E x
k
, respectiv sperana matematic a funciei
( ) x E x g x
k
= ( ) .
Msurile tendinei centrale sunt: media, mediana i moda.
Media lui x este :
E x x p x
x
( ) ( ). ( . ) = 1 8

unde: suma se refer la toate valorile lui x pentru care p x ( ) 0 .

Media lui x este chiar sperana matematic a variabilei aleatoare respective
(sau momentul centrat de ordinul nti).
Mediana este valoarea x pentru care:

P x x P x x ( ) ( ) . ( . < = =
1
2
19)

Moda este valoarea lui x pentru care corespunde valoarea maxim a funciei
de probabilitate.
Msurile dispersiei sau mprtierii unei variabile aleatoare sunt: variana,
deviaia standard i coeficientul de variaie.
Variana unei variabile aleatoare discrete x este momentul centrat de
ordinul doi:
var ( ) . ( . ) x E x Ex =
2
110

Variana reprezint valoarea medie a deviaiilor fa de medie ridicate la
ptrat. De aceea ea poate fi utilizat ca o msur a distribuiei masei de
probabilitate n jurul mediei.
11
Deviaia standard a unei variabile aleatoare x este radicalul varianei:

std x x = var . ( . ) 111

Deviaia standard se exprim n aceleai uniti de msur ca i variabila
aleatoare i ca i media acesteia.
Coeficientul de variaie (sau deviaia standard relativ) a unei variabile
aleatoare x este :
C al lui x
std x
Ex
v
= . (112 . )

Pentru orice variabil aleatoare x , variabila aleatoare standardizat x
*
este
dat de:
x
x Ex
std x
*
. ( = . )

113

Se observ c x
*
este adimensional i de aceea se utilizeaz pentru a
compara diferite distribuii.
Msurile asimetriei i boltirii (formei) distribuiei sunt coeficientul de
asimetrie i kurtozisul.
Coeficientul de asimetrie ( ) C
s
al unei variabile aleatoare x este dat de:

C al lui x
E x Ex
std x
s
=
( )
( )
. (
3
3
114 . )

Coeficientul de asimetrie msoar gradul de asimetrie al distribuiei, avnd
valori pozitive sau negative (asimetrie spre dreapta respectiv spre stnga).
Kurtozisul unei variabile aleatoare ( ) K x este dat de:

Kal lui x
E x Ex
std x
=
( )
( )
. ( .
4
4
115)

Kurtozisul este egal cu trei pentru distribuie normal, este mai mic dect trei
dac distribuia este mai plat i mai mare dect trei dac distribuia este mai
ascuit dect cea normal.

12
1.2.2. CAZUL MULTIDIMENSIONAL

Cazul multidimensional se exemplific printr-o variabil aleatoare discret
bidimensional X x x ( ,
1 2
) .
Funcia comun de probabilitate a variabilei aleatoare discrete X x x ( ,
1 2
)
este definit astfel:


[ ]
p x x P x x x x x x ( , ) ( ) ( ) ( , ) . ( . )
1 2 1 1 2 2 1 2
2
116 = = = I

n cazul unei variabile aleatoare discrete multidimensionale, funcia comun
de probabilitate d o descriere complet a distribuiei de probabilitate.
Pentru a nelege ct mai uor se alege exemplul aruncrii a dou zaruri. n acest
caz valorile funciei de probabilitate sunt reprezentate tabelar (tab.1.1) i sub
form grafic n figura 1.5.

Tabelul 1.1

Valorile funciei de probabilitate pentru cazul
aruncrii a dou zaruri



1 2 3 4 5 6
1
1/36 1/36 1/36 1/36 1/36 1/36
2
1/36 1/36 1/36 1/36 1/36 1/36
3
1/36 1/36 1/36 1/36 1/36 1/36
4
1/36 1/36 1/36 1/36 1/36 1/36
5
1/36 1/36 1/36 1/36 1/36 1/36
6
1/36 1/36 1/36 1/36 1/36 1/36
X
1
X
2

Funcia comun de distribuie a variabilei aleatoare X x x ( ,
1 2
) este :

[ ]
F x x P x x x x x x ( , ) ( ) ( ) ( , ) . ( .
1 2 1 1 2 2 1 2
2
117 = I )
118


Relaia dintre funcia comun de probabilitate i funcia comun de
distribuie este dat de:
p u v ( , )

F x x p u v p u v u x v x
u x v x
( , ) ( , ) ( , ) , , . ( . )
1 2 1
1 2
0 2 =



13

( ) p x x
1 2
,
x
2


x
Fig. 1.5. Funcia de probabilitate pentru cazul aruncrii a dou zaruri.
1


Distribuiile marginale a componentelor i a variabilei
bidimensionale
x
1
x
2
X x x ( ,
1 2
) sunt funciile de distribuie ale componentelor
scalare i x
1
x
2
Pentru o variabil aleatoare discret funcia de distribuie marginal
a lui
F x
1 1
( )
x
1
este dat de:


[ ]
F x P x x P x x x
F x p u v
u x v
1 1 1 1 1 1 2
1
1
119
( ) ( ) ( ) ( )
( , ) ( , ) . ( .
= = + =
= + =
+
I
)
)


(n ultima egalitate s-a utilizat expresia precedent).
Pentru distribuia marginal a variabilei aleatoare F x
2 2
( x
2
, n mod
similar se obine:
F x p u v
u v x
2 2
1 2
120 ( ) ( , ). ( . ) =
+


innd cont de expresiile (1.6) respectiv (1.19) i (1.20), se poate demonstra
c funcia de probabilitate marginal a lui x
1
i x
2
este dat de:

p x p x v
v
1 1 1
( ) ( , = ) , v pentru care ( ) p x v
1
0 12 , ( 1 . )
)

i

, u pentru care p x p u x
u
2 2 2
( ) ( , = ( ) p u x , . ( .
2
0 1 2 ) 2
14
Formulele (1.19) i (1.21) arat cum se pot calcula distribuia marginal i
funcia de densitate a lui x
1
pornind de la funcia comun de probabilitate
. Calculul funciei de probabilitate marginal pentru cazul aruncrii a
dou zaruri utilizeaz expresiile (1.21) i (1.22). Utilizarea termenului marginal
se leag de faptul c rezultatele se obin din marginile tabelelor de calcul
(tab.1.2). n acest tabel se observ faptul c ntr-adevr funciile de probabilitate
marginal corespund exemplului simplu ales, acela al aruncrii unui singur zar.
( ) p x x
1 2
,

Tabelul 1.2

Calculul funciei de probabilitate marginal pentru dou zaruri




1

2

3

4

5

6

1
1/36 1/36 1/36 1/36 1/36 1/36
1/6
2
1/36 1/36 1/36 1/36 1/36 1/36
1/6
3
1/36 1/36 1/36 1/36 1/36 1/36
1/6
4
1/36 1/36 1/36 1/36 1/36 1/36
1/6
5
1/36 1/36 1/36 1/36 1/36 1/36
1/6
6
1/36 1/36 1/36 1/36 1/36 1/36
1/6
p
1
(x
1
) 1/6 1/6 1/6 1/6 1/6 1/6 1
X
1
X
2
p
2
(X
2
)

Parametrii distribuiilor bidimensionale sunt: media, variana, covariana i
corelaia. Sperana (ateptarea) matematic a unei funcii g x x ( , )
1 2
de dou
variabile aleatoare este dat de:

Eg x x g x x p x x
x x
( , ) ( , ) ( , ). ( .
1 2 1 2 1 2
2 1
1 23) =

dac X x x ( ,
1 2
) este discret.
Momentul ordinar de ordin (k,m) al unei vatiabile aleatoare bidimensionale
este dat de:
E x x
k m
1 2
124 . ( . )

Momentele de ordin (1,0) i (0,1) sunt mediile distribuiilor marginale ale lui
x
1
i x
2
:
Ex x p x
x
1 1 1 1
1
= ( ) i Ex x p x
x
2 2 2 2
2
1 25 = ( ). ( . )
15
( )
E X Ex Ex =
1 2
, este numit vectorul mediilor.
Momentul centrat de ordin (k, m) este:

( ) ( )
E x Ex x Ex
k m
1 1 2 2
126 . ( . )

Momentele centrate de ordin (2,0) i (0,2) sunt varianele distribuiilor
marginale ale lui x
1
i x
2
:

E x Ex x ( ) var , (
1 1
2
1
127 = . )
E x Ex x ( ) var . (
2 2
2
2
1 28 = . )

Covariana lui x
1
, x
2
, notat prin
( )
cov , x x
1 2
este momentul centrat de
ordin (1,1):
cov( , ) ( ) ( ). ( . ) x x E x Ex x Ex
1 2 1 1 2 2
129 =

Momentele centrate de ordin doi sunt, de asemenea, covariane:

cov( , ) ( ) ( ) var , ( x x E x Ex x Ex x
1 1 1 1 1 1 1
130 = . ) =

cov( , ) ( ) ( ) var . ( x x E x Ex x Ex x
2 2 2 2 2 2 2
1 31 = . ) =

Se poate demonstra faptul c:

cov( , ) cov( , ). ( . ) x x x x
1 2 2 1
132 =

Toate aceste covariane alctuiesc matricea de covarian:

( ) ( )
( ) ( )
( ) ( )
cov
var cov , cov ,
cov , var cov ,
cov , cov , var
. ( . ) X
x x x x x
x x x x x
x x x x x
ij
n
n
n n n
= =

1 1 2 1
2 1 2 2
1 2
1 33
care este o matrice simetric
( )

ij ji
= .
Corelaia dintre x
1
i x
2
notat cu
12
se definete astfel:
16
cor x x
x x
std x std x
x x
x x
( , )
cov( , ) cov( , )
var var
, ( . )
1 2 12
1 2
1 2
1 2
1 2
12
11 12
1 34 = =

dac var x
1 11
0 = i var x
2 22
0 = .
Se observ faptul c
12 21
= . Matricea de corelaie se obine din matricea
de covarian prin mprirea tuturor elementelor
ij
la
ii jj
:

corX
n
n
n n
=

1
1
1
1 35
12 1
21 2
1 2



. ( . )

Corelaia d o msur a dependenei liniare dintre x
1
i x
2
. Cu ct este
mai aproape de unu, cu att mai mult x
1
i x
2
sunt dependente liniar. Cu ct
este mai aproape de zero, cu att mai mult x
1
i x
2
par a fi independente
liniar. Deoarece 1 1 se deduce urmtoarea concluzie: corelaia este
covariana normalizat.
Dac x
1
i x
2
sunt dou variabile aleatoare independente, atunci
( )
= cor x x
1 2
0 , = . Reciproca acestei afirmaii nu este ntotdeauna adevrat,
dac x
1
i x
2
sunt dou variabile aleatoare necorelate,
( )
cor x x
1 2
0 , = atunci x
1

i x
2
nu sunt n mod necesar independente. n mod similar se pot descrie
distribuiile de probabilitate ale variabilelor aleatoare discrete multi-dimensionale.


1.3. PREDICIA VARIABILEI ALEATOARE

n prealabil vom defini termenul de cuantil a variabilei aleatoare discrete
x . Cuantila 100% a lui x este cea mai mic valoare dintre valorile x,
astfel nct
x

( ) P x x . Modul de calcul al cuantilei poate fi ilustrat

grafic (fig. 1.6).
Una dintre cele mai importante probleme privind fenomenele aleatoare se
refer la ntrebarea care va fi urmtoarea realizare a experimentului aleator ?

17


Fig. 1.6. Modul de calcul al cuantilei 100%
pentru o variabil aleatoare discret.

Sunt posibile trei tipuri de rspunsuri:
1) predicia punctual - se d o singur valoare, cea mai reprezentativ;
2) predicia de tip interval (regiune) ( ) 1 100 % - adic un interval care
conine urmtoarea realizare a variabilei aleatoare cu probabilitatea 1 ;
3) predicia pe baza distribuiei de probabilitate complet a variabilei aleatoare.
Este clar c predicia punctual este cel mai limitat rspuns al problemei
prediciei, n timp ce descrierea distribuiei de probabilitate este cel mai complet
i informativ rspuns.
n cazul prediciei punctuale, fie $ x punctul de predicie al unei variabile
aleatoare x . Fiindc x este urmtoarea realizare a variabilei aleatoare, eroarea
de predicie a punctului $ x este dat de:

x x $ . ( 1 36 . )

Un mod de a ilustra o msur a prediciei $ x este dat de ptratul erorii de
predicie:
( ) x x $ . (
2
1 37 . )

Fiindc aceast cantitate este nsi o variabil aleatoare, cea mai potrivit
msur a prediciei $ x este dat de sperana matematic a ptratului erorilor de
predicie:
( ) E x x $ . (
2
1 38 . )

care este numit eroarea medie ptratic a prediciei $ x .
Este interesant a gsi punctul de predicie care d cea mai sczut medie a
ptratelor erorilor de predicie.
18
Dac se utilizeaz media Ex ca punct de predicie a variabilei aleatoare x ,
atunci media ptratelor erorilor de predicie este cea mai mic posibil i este
egal cu variana lui x , var x :

( ) ( ) min $ var . ( . ) E x x E x E x x = =
2 2
1 39
$ x

O proprietate a mediei ca punct de predicie este c sperana matematic a
erorii sale de predicie este egal cu zero.
Cunoscnd funcia de distribuie a variabilei aleatoare bidimensionale
( )
X x x =
1 2
, , predicia punctual va fi
( )
$
$ , $ X x x =
1 2
corespunztoare celei mai
mici medii a ptratelor erorilor de predicie. Predicia punctual n acest caz este
vectorul mediilor
( )
$
, X Ex Ex =
1 2
.
n cazul intervalului de predicie, fie o regiune de predicie ( ) 1 100 %
notat cu G, avnd nivelul de semnificaie 1 , este o astfel de regiune nct :

( ) P x G = 1 1 . ( 40 . )

n igura 1.7 se prezint diferite regiuni de predicie G care satisfac (1.40).
Acest interval va conine urmtoarea realizare a variabilei aleatoare cu
probabilitatea 1
f
, fiind mult mai mic dect 1.



Fig. 1.7. Diferite regiuni posibile de predicie.

Pentru o variabil aleatoare discret cea mai ngust regiune de predicie este


[ ]
G x x =
/
, , ( .
2
1 41)
unde:
( ) ( )

= + F x p x
/ / 2 2
1 deoarece

( ) ( ) ( ) F x p x P x x
/ / /
. (
2 2 2
142 = < . )
( )

( )
f x
f x
19

O descriere mult mai informativ a problemei prediciei o ofer funcia de
distribuie a variabilei aleatoare deoarece:
- se poate calcula probabilitatea oricrui eveniment legat de o realizare
ulterioar;
- pornind de la aceasta se poate calcula uor predicia punctual sau
intervalul de predicie.


1.4. PROCESE STOCHASTICE

O mulime de realizri ale unui element este numit proces, iar dac
realizrile respective comport unele incertitudini i se ine seama de timp
atunci este vorba de un proces stochastic. Un proces stochastic reflect evoluia
n timp a unui sistem dat. Realizrile unui proces stochastic pot fi exprimate n
sens probabilistic, cu alte cuvinte, procesul stochastic este guvernat de legi
probabilistice. Deoarece variabila aleatoare se analizeaz dinamic i de obicei n
funcie de timp, pentru termenul de proces stochastic se utilizeaz i noiunea de
funcie aleatoare. Astfel un proces stochastic comport o familie de variabile
aleatoare notat cu X t ( , ) , n care parametrul t reprezint, de obicei, timpul.
Mrimea , unde este mulimea tuturor evenimentelor posibile,
exprim caracterul aleator. Att X t ( , ) ct i t parcurg mulimea numerelor
naturale sau ntregi. Pentru t fixat, X t ( , ) este o variabil aleatoare, iar pentru
fixat, X t ( , ) este o funcie de t numit realizarea (traiectoria) procesului
stochastic. De exemplu X t ( , ) poate s reprezinte numrul de valori dintr-un
ir de debite, numrul de vectori de vitez ai apei din seciunea unui ru
dependeni de timp.
Datorit ordonrii cronologice, irul de valori de debite constituie o serie de
timp sau o realizare parial din mai multe realizri posibile ale procesului
stochastic. Spunem c este vorba de o realizare parial, deoarece n cele mai
multe cazuri procesul stochastic este infinit, n timp ce seriile de timp sunt
totdeauna finite (datorit duratei finite a observaiilor).
De exemplu, putem afirma c scurgerea unui ru ntr-o seciune observat
este infinit, n timp ce eantionul de debite nregistrate este finit.
Figura 1.8,a arat dou realizri posibile ale unui proces stochastic, alctuite
din observaii efectuate la momente de timp discrete. Chiar dac este vorba de o
serie discret, se obinuiete reprezentarea ei sub form continu (fig.1.8,b)
pentru a avea o imagine de ansamblu a configuraiei seriei i pentru a observa
mai uor succesiunea valorilor mari sau mici. n cursul de fa seriile discrete se
vor reprezenta, de asemenea, sub form de linie continu.
20
n statistic cuvntul stochastic este sinonim cu aleator, dar n hidrologie
acesta este utilizat cu un sens special, referindu-se la serii de timp care sunt
parial aleatoare. Astfel, hidrologia stochastic face legtura dintre metodele
deterministe i cele probabilistice.
n hidrologia determinist variabilitatea procesului hidrologic n timp se
presupune a fi total explicat, eventual cu ajutorul altor variabile sau constante
ale modelului.



Fig. 1.8. Dou realizri ale unui proces stochastic
discret (a) reprezentate sub form continu (b).

n hidrologia probabilistic timpul nu exist, variabilitatea unui proces
hidrologic fiind exprimat numai sub form de probabiliti de egalare sau
depire a unei mrimi.
n hidrologia stochastic ordinea n care apar observaiile unei variabile
hidrologice este crucial, timpul fiind o variabil independent.
Tipuri importante de procese stochastice sunt procesele staionare (cap. 3) i
procesele Markov. Un proces Markov este un proces stochastic n care
cunoaterea dezvoltrii ulterioare este determinat de stadiul prezent.
S presupunem c n momentul t procesul stochastic X t ( , ) ia valoarea
din spaiul strilor ( ) . Dac cunoatem funciile de repartiie ale
variabilelor aleatoare X t ( , )
0
, X t ( , )
1
, , X t
m
( , ) la diferite stadii de
timp t t t
m 0 1
< < < ... , atunci funcia de repartiie a variabilei aleatoare X t ( , ) la
timpul poate fi calculat numai pe baza celei de la timpul . t t
m
> t
m
De exemplu, fie un lac de acumulare care conine cantitatea de ap
X t
m
( , ) la nceputul al intervalului de timp t
m
( ) t t t
m m
, + . n acest
21
interval afluxul de ap este Z t
m
( , ) , iar defluxul o cantitate fix M. Expresia
bilanului hidrologic arat faptul c la momentul t t t
m
= + (deci la sfritul
intervalului) volumul de ap din lac este determinat cu ajutorul relaiei
. ( ) X t t X t Z t M
m m m
+ = + , ( , ) ( , )
Prin metode adecvate se poate stabili probabilitatea ca apa din lacul de
acumulare s nu depeasc o anumit valoare limit y. Cantitile de ap
Z t ( , ) , care constituie afluxul de ap, sunt aleatoare i independente una fa
de celelalte la diferite valori ale timpului t. Parametrul t parcurge n cazul unui
lan Markov numai o mulime discret de valori ntregi cresctoare.


1.5. STAIONARITATE I ERGODICITATE

n general, sperana matematic a unui proces stochastic este
compus dintr-o mulime de sperane matematice corespunztoare fiecrei
poziii n timp, adic . n mod general mulimea varianelor
este alctuit din . Se noteaz cu
X X
1 2
, , ...
E X E X ( ), ( ), ...
1 2
var( ), var( ), ... X X
1 2

t t
E X = ( )
t k
i
pentru a reprezenta speranele matematice i
varianele corespunztoare.

t
Xt t
2
1 2 = = var( ), , , ...
Considerm dou momente de timp consecutive t i t - k. Covariana dintre
variabilele i este reprezentat de X
t
X
t k
cov ( ) cov( , )
t t
k X X =

.
Covariana descrie dependena liniar a unui proces stochastic.
Un proces stochastic este staionar n medie sau staionar de ordin nti dac
sperana matematic nu variaz cu timpul, adic:

E X E X E X E X
t
( ) ( ) ... ( ) ( ) . ( . )
1 2
1 43 = = = = =

n mod similar dac var( este o constant, atunci
procesul stochastic este staionar n varian.
) , , , ... X t
t
= =
2
1 2
Un proces stochastic este staionar n covarian dac covariana este
independent de poziia t, fiind dependent numai de decalajul de timp numit
aici lag : k
cov ( , ) cov ( ) . ( . ) X X k
t t k
= 1 44

Un proces stochastic este numit staionar de ordinul doi dac este staionar n
medie i n covarian (staionaritatea n covarian implic staionaritatea n
varian). Staionaritatea de ordinul doi se mai numete staionaritate n sens
larg sau procesul este numit larg staionar.
22
Staionaritatea n covarian a seriilor hidrologice nu implic ntotdeauna
staionaritatea n medie. Dac momentele centrate de ordin mai mare (ordinul
3, 4, ...), ale seriilor obinute prin decalarea seriei iniiale cu un decalaj ( ,
unde , sunt independente de timp dar depind de , atunci procesul
stochastic este staionar de ordin superior (3, 4,...). Aceasta implic, de
asemenea, staionaritatea n medie i n covarian. Procesul stochastic de acest
fel este numit puternic staionar, sau staionar n sens strict. Reciproc, dac o
anumit proprietate din cele enumerate (medie, varian, covarian) sunt
dependente de timp, atunci este vorba de un proces nestaionar.
) lag k
k = 1 2 , ,... lag
Practica hidrologic arat faptul c deseori un proces poate fi staionar din
punct de vedere al unui proprieti i nestaionar din punct de vedere al alteia. n
practic, procesele stochastice sunt considerate staionare, chiar dac
proprietile de staionaritate se menin numai pe un domeniu finit, deoarece
nici un proces nu ncepe exact de la - i nici nu se sfrete la + .
Trstura definitorie a unui proces stochastic staionar const n faptul c
media i variana sunt invariante n raport cu timpul, iar covariana nu depinde
de originea citirii acesteia. O astfel de trstur sugereaz ideea determinrii cu
precizie satisfctoare a caracteristicilor probabilistice pe baza unei singure
realizri, cu condiia ca s existe o serie suficient de extins n timp. Procesele
hidrologice n care cauzele variaiilor sunt independente de timp sunt
considerate staionare.
Procesele staionare pot fi divizate n dou clase: ergodice i neergodice.
Dac proprietile tipice de timp ale unui proces stochastic X t ( , ) determinate
pe baza unei singure realizri sunt aproximativ egale cu corespondentele lor
obinute pe ntreaga mulime de realizri posibile, spunem c acest proces este
ergodic. Dac condiia de mai sus nu se respect, atunci procesul stochastic este
neergodic.
Lipsa de ergodicitate a unui proces stochastic staionar const n faptul c n
structura procesului i manifest deseori prezena o variabil aleatoare
obinuit.

Se consider un proces dinamic staionar definit astfel: Z
t
Z X
t t
Y = + , (1.45)

unde:
X
t
este un proces staionar ergodic;
Y - variabil aleatoare obinuit;
i Y - nu sunt corelate ntre ele. X
t

23
Media procesului este Z
t
m m m
z x y
= + , iar funcia de corelaie este
(cap. 1.2 i cap. 3). k k
z x y
var +
k( )
( ) ( ) =
2
ast Procesul stoch ic este staionar dar nu i ergodic, deoarece fiecare
realizare se va deosebi de celelalte (va avea valori tipice diferite n timp) n
funcie de valoarea pe care o va lua
Z
t
var y
2

Y .
k
z
( )
Forma corelogramei (fig.1.9) la care d natere variaia funciei de corelaie
k
z
( ) n comparaie cu variaia funciei de corelaie k
x
( ) arat c k
x
( )
tinde ctre zero cnd , iar n aceleai condiii . k
x y
( ) var
2
var
2
y

k
x
( )

Fig.1.9. Corelograme teoretice ale funciilor de corelaie a
unui proces staionar neergodic k
z
( ) i a unuia ergodic k
x
( ) .

Pe msur ce intervalul de timp dintre valorile funciei de corelaie crete,
legtura stochastic dintre aceste valori scade necontenit iar funcia de corelaie
k
z
( ) tinde ctre constanta . Prin urmare, procesul stochastic este i
ergodic, dac i numai dac reprezint o constant. Dac media de timp
depinde de valoarea pe care o ia variabila aleatoare , conchidem c procesul
stochastic nu este ergodic.
var
y
2
Z
t
Y
Y
Z
t
n practic lipsa de ergodicitate se constat observnd c de la un moment
dat funcia de corelaie rmne constant, semn c n componena procesului
mai exist o variabil aleatoare responsabil de media sa.
Un argument n favoarea ergodicitii unui proces staionar (Mihoc et al.,
1978) l constituie tendina de amortizare spre zero a funciei de corelaie cnd
. n practica hidrologic acest lucru este greu de verificat deoarece nu se
dispune de serii de timp care s tind la infinit. De aceea se consider
24
satisfctoare concluzia stabilit pe baza formei pe care o au corelogramele
funciilor de corelaie ale componentelor seriilor de timp.


1.6. INDEPENDENA STOCHASTIC

Pentru hidrologia stochastic este de o deosebit importan nelegerea
noiunii de variabil aleatoare independent. n teoria probabilitilor se
demonstreaz c dou evenimente A i B sunt independente dac i numai dac:

( ) P A B P A P B I = ( ) ( ). ( . ) 1 46

ntr-adevr, dac i P A ( )0 P B ( )0 i dac A i B sunt independente
atunci se poate scrie:


( )
P A B
P A B
P B
P A P B
P B
P A ( / )
( )
( ) ( )
( )
( ) = =

=
I


i P B A P B ( / ) ( ). ( . ) = 1 47

Realizarea evenimentului A nu influeneaz n nici un fel realizarea
evenimentului B i invers. Se poate spune c n evenimente sunt
independente, dac pentru orice numr r de evenimente (
A A A
n 1 2
, , ... ,
r n ), probabilitatea
interseciei celor r evenimente este egal cu produsul probabilitilor fiecrui
eveniment luat individual. Se remarc faptul c independena fiecrui cuplu de
cte dou evenimente, din cele n, nu este suficient pentru independena celor n
evenimente luate mpreun.
Fie variabilele aleatoare x i y cu urmtoarele distribuii de probabiliti:

x
x x
p p
y
y y
q q
n
n
m
m
1
1
1
1
...
...
,
...
...

Variabilele aleatoare x i y sunt independente dac :


[ ]
P x x y y P x x P y y p q
i j i j i j
( ) ( ) ( ) ( ) , ( . = = = = = = I 1 48 )

unde: i n j m = = 1 1 , , , .

Independena variabilelor se extinde la orice numr finit de variabile, fie ele:
25
X
x x
p p
u r
u
u
n
u
u
n
u
u
u
1
1
1
...
...
, ,

=
i revine la :


[ ]
P X x X x X x
P X x P X x P X x
j j
r
j
r
j j
r
j
r
r
r
( ) ( ) ... ( )
( ) ( ) ... ( ), (
1 1 2 2
1 1 2 2
1 2
1 2
1 49
= = = =
= = = =
I I I
. )


unde: j n k
k k
= = 1 1 , , ,r .

Este evident c, n exemplul privind nivelurile sau debitele nregistrate nu se
realizeaz condiia de independen stochastic dintre evenimentele succesiv
nregistrate.
Conform celor de mai sus, dou componente x
1
i x
2
ale unei variabile
aleatoare bidimensionale X x x = ( , )
1 2
sunt independente stochastic, dac i
numai dac:

[ ]
P x A x A P x A P x A ( ) ( ) ( ) ( ), ( .
1 1 2 2 1 1 2 2
150 = I )

pentru orice mulimi i . A
1
A
2
Pentru orice mulimi i este valabil relaia: A
1
A
2

P x A x A
P x A P x A
P x A
P x A ( , )
( ) ( )
( )
( ). ( .
1 1 2 2
1 1 2 2
2 2
1 1
1 51 = )

=

Deci, cunoscnd faptul c x A
2 2
, nu se influeneaz n nici un fel
probabilitatea ca x A
1 1
i astfel se poate afirma c x
1
i x
2
sunt
independente stochastic. O consecin important pentru hidrologia stochastic
afirm faptul c funcia comun de distribuie a unei variabile aleatoare
bidimensional X x x = ( , )
1 2
este produsul funciilor de distribuie a
variabilelor aleatoare scalare componente; dac x
1
i x
2
sunt independente:

F x x F x F x ( , ) ( ) ( ). ( .
1 2 1 1 2 2
1 52 ) =

Dac A x
1 1
= ( , ) x
2
i A
2
= ( , ) , atunci
26

[ ] [ ] { }
[ ] [ ]
P x x x x
P x x P x x F x F x
1 1 2 2
1 1 2 2 1 1 2 2
1 53
=
= =
( , ) ( , )
( , ) ( , ) ( ) ( ). ( .
I
)


Consecina de mai sus este similar i se poate demonstra n cazul funciei
comune de densitate a variabilei aleatoare continue X x x = ( , )
1 2
:

x
1
i x
2
independente f x x f x f x ( , ) ( ) ( ). ( . )
1 2 1 1 2 2
1 54 =

Dac X x x = ( , )
1 2
este o variabil aleatoare discret, n cazul funciei
comune de probabilitate, atunci:

x
1
i x
2
independente p x x p x p x ( , ) ( ) ( ). ( .
1 2 1 1 2 2
1 55 ) =

Dac condiia de independen nu se realizeaz, atunci ntre variabile exist
o anume structur de dependen serial, procesul respectiv fiind numit proces
stochastic dependent serial i n mod corespunztor serie de timp dependent
serial.
Revenind la exemplul precedent se poate afirma pe baza rezultatelor din
practic c n cazul celor dou variabile aleatoare scalare (niveluri i debite) nu
exist independen stochastic. Dac x
1
i x
2
sunt independente atunci

12
0 0 = . sau valoarea lui
12
este foarte aproape de zero.
27




2. SERIILE DE TIMP HIDROLOGICE.
NOIUNI GENERALE

Lund n considerare noiunea de proces stochastic (cap.1.4) putem defini
seria de timp ca fiind o realizare a procesului stochastic. n natur se desfoar
continuu procese i fenomene hidrologice care, n ciuda bunei cunoateri fizice,
comport numeroase incertitudini cantitative att n spaiu ct i n timp. Din
acest punct de vedere fenomenele i procesele hidrologice constituie procese
stochastice avnd drept realizri (n sens probabilistic) diverse serii de timp
hidrologice.


2.1. DEFINIII I CLASIFICRI

O serie de timp hidrologic este o succesiune cronologic de observaii
efectuate asupra unei variabile hidrologice i care poate fi caracterizat prin
anumite proprieti statistice. n mod convenional, scurgerea timpului este
reflectat de momente sau intervale de timp reprezentate prin numere ntregi
ordonate cresctor. Debitele maxime sau minime zilnice din timpul unui an,
debitele medii lunare pe o perioad multianual, seria coninutului de oxigen
dizolvat, nivelul mediu zilnic al unui lac sunt exemple de serii de timp.
O serie de timp poate fi n mod explicit o funcie de timp sau poate fi o
funcie de o anumit variabil care nlocuiete timpul. De exemplu, msura
limii albiei minore a unui ru sau gradul de rugozitate al talvegului n funcie
de distana de la izvor, permeabilitatea sau porozitatea rocilor msurate ntr-un
foraj sunt variabile hidrologice, fiecare fiind o funcie de coordonate spaiale
succesive.
Avnd n vedere coordonate spaio-temporale, observaiile hidrologice pot fi
reprezentate sub forma unei matrici tridimensionale, n care cele trei dimensiuni
corespund urmtoarelor trei elemente: specificarea valorii variabilei hidrologice,
specificarea locului de nregistrare i precizarea momentului de timp n care s-a
efectuat nregistrarea (fig. 2.1). Menionm c specificarea exact a locului de
nregistrare a veriabilei hidrologice presupune cunoaterea latitudinii,
longitudinii (sau a altor coordonate plane) i a altitudinii fa de un anumit niv
el de referin. nelegerea naturii tridimensionale a datelor hidrologice ajut la
clarificarea noiunilor de serie de timp unidimensional i serie de timp
multidimensional.
28

x x x x x x
x x x x x x x
x x x x x x x
x
x
x
x
x x x x x
x x x x x x
x
x
x
x
x
x x
x
Valoarea unui parametru
la un moment dat si intr-un
anumit loc.
Locuri diferite
Parametri
Timp
Fig. 1. Natura tridimensionala a datelor
geografice.


Loc de nregistrare sau tip de
variabil inregistrat
Timp

Valoarea
variabilei
Valoarea unei variabile
hidrologice la un
moment dat i ntr-un
anumit loc.
Fig. 2.1. Matricea tridimensional a datelor hidrologice.

O serie de timp este numit unidimensional sau scalar, dac observaia
realizat la un moment de timp dat t este un singur numr real. Seria de timp
scalar poate fi reprezentat astfel:
x
t

{ } { } x x x x x
t T t 1 2
, , . . . , , . . . , = , t Z . (2.1)

unde:
Z este o submulime finit de T elemente a mulimii numerelor ntregi, Z Z.
O serie de timp este numit multidimensional, sau serie de timp-vector,
dac observaia de la momentul de timp t reprezin o mulime ordonat de n
numere reale. Seria de timp-vector, poate fi reprezentat astfel:


t
, t Z . (2.2) { } x x x X
t t nt 1 2
, , . . . , =
unde:
Z Z i n>1.
n cazul unei serii de timp multidimensionale hidrologice n reprezint
numrul de variabile hidrologice nregistrate n acelai loc i n acelai moment,
sau numrul de locuri n care s-a nregistrat o singur variabil hidrologic n
acelai moment. Un asemenea tip de serie este, de exemplu, seria de observaii
nregistrate la ore standard (niveluri, precipitaii, temperatura apei etc.).
n figura 2.2 se reprezint o serie hidrologic multidimensional de trei
variabile (precipitaii areale, evaporaie potenial areal i debite) nregistrate
sau calculate lunar la staia Blaj de pe rul Trnava. Debitele medii lunare ale
Mureului de la diverse seciuni, dar nregistrate pentru aceleai momente de
timp formeaz o alt serie de timp-vector (fig.2.3).
29
mm
0
40
80
120
160
0 10 20 30 40 50 60 70
1 2 3

luni

Fig. 2.2. Serie hidrologic tridimensional de valori lunare nregistrate la Blaj /Trnava
(1973-78): 1 - precipitaii bazinale, 2 - evaporaie potenial bazinal, 3 - debite.

0
100
200
300
400
500
600
0 10 20 30 40 50 60
1 2 3 4

m3/s
luni
Fig. 2.3. Serie multidimensional de debite lunare ale Mureului (1976-1981)

la staiile 1 - Stnceni, 2 - Ocna Mure, 3 - Alba Iulia, 4 - Arad.

Avnd n vedere figura 2.1, n cazul unei serii de timp scalare pe axa locului
de nregistrare se fixeaz un punct (un punct de observaie). O serie de timp-
vector presupune n cazul unei singure variabile mai multe puncte de observaie
(fig.2.3), sau n cazul unui singur loc de observaie nregistrarea a mai multor
variabile (fig.2.2). Spaiul de realizare al observaiilor hidrologice este mulimea
numerelor reale n cazul seriilor de timp scalare i mulimea
n
n cazul
seriilor de timp-vector. Aproape toate variabilele hidrologice sunt continue n
30
timp, ns observaiile hidrologice care le reprezint formeaz fie serii de timp
continue fie discrete.
Seriile discrete se obin fie prin cumularea sau medierea unor valori
dintr-un interval de timp meninut constant, fie prin selectarea unor observaii
la anumite momente de timp meninute echidistante (sau nu). n primul caz
seriile se numesc cumulate sau integrate. De exemplu seria sumelor anuale de
precipitaii, care se obine prin cumulare, respectiv seria debitelor medii lunare
ale unui ru care se obine prin operaia de mediere.
Prin selectarea unor valori la intervale de timp echidistante dintr-o serie
continu se obine o serie discret eantionat (de exemplu seria obinut prin
selectarea observaiilor de la orele climatice n cadrul unei staii meteorologice
cu program de observaii orar). Dac se efectueaz observaii asupra unei
variabile hidrologice la intervale de timp inegale se obine o serie intermitent
(de exemplu observaiile hidrochimice efectuate n general bilunar la seciunea
unui ru, dar la un numr de zile variabil ntre dou nregistrri consecutive).
Variabilele discrete i seriile discrete sunt, n general, aproximri artificiale,
efectuate din raiuni practice, ale variabilelor i seriilor hidrologice continue.
n cazul unei serii hidrologice continue, intervalul de timp dintre observaiile
consecutive este egal cu zero. Printr-o nregistrare de forma x x
i i
, +t, 2t
etc. rezult o serie discret echidistant, unde reprezint observaia de la
momentul i, iar t intervalul dintre dou observaii consecutive. n practic sunt
considerate serii hidrologice continue cele obinute cu ajutorul unor instrumente
cum ar fi: pluviograful, limnigraful, termograful etc. n realitate i aceste serii
sunt discrete, continuitatea scurgerii timpului fiind aproximat prin rezoluia
instrumentului de nregistrare.
x
i
+
x
i
Selectarea intervalului t pentru obinerea seriilor discrete este, n general,
un compromis dintre gradul de acuratee al informaiei dorite i gradul de
variabilitate al procesului hidrologic urmrit. Lungimea intervalului dintre dou
observaii consecutive se va stabili astfel nct s se obin o bun descriere a
distribuiei de frecven a valorilor. Cu ct t este mai mic, cu att mai mult se
reduce diferena dintre proprietile seriei continue i proprietile seriei
discrete. Pentru studiul viiturilor t poate fi o or sau cteva minute (n bazinele
mici), pentru modelarea de lung durat a rezervei de ap din rezervoare t
poate fi de ordinul a unu, trei sau ase luni, iar pentru investigarea tendinelor de
lung durat a variabilelor hidrologice se utilizeaz de regul serii de valori
anuale.

31

2.2. CARACTERISTICI ALE SERIILOR DE TIMP HIDROLOGICE

2.2.1. CARACTERISTICI STATISTICE

Caracteristica statistic de baz a unei serii de timp x , t = 1,...,N este media
eantionului notat cu
i
x :

x
N
x
t
t
N
=
=
1
2 3
1
. ( . )

unde: N este lungimea seriei hidrologice.

Media x a eantionului este estimatorul mediei al populaiei statistice. Ea
caracterizeaz tendina central a lui x
t
i arat

localizarea seriei privit ca
ntreg.
Variana (distribuia eantionului) notat cu s
2
este cea de-a doua
caracteristic important a seriei de timp, fiind dat de :

s
N
x x
t
t
N
2 2
1
1
2 4 =
=
( ) . ( . )

Pentru serii relativ scurte estimatorul varianei populaiei statistice, n
general utilizat n hidrologie este dat de :

s
N
x x
t
t
N
2 2
1
1
1
2 5 =

=
( ) . ( . )
Deviaia standard (abaterea medie patratic) este s s
2
= .
Coeficientul de variaie al eantionului este c s
v
x = / . Valorile s i s
2
sunt
estimatorii i
2
ale populaiei statistice. Deviaia standard s i coeficientul de
variaie c
v
msoar dispersia sau gradul de mprtiere al valorilor n jurul
mediei x .
Coeficientul de asimetrie al unei serii de timp este dat de : c
s

c
N
x x
s
s
t
t
N
=

=
1
2 6
3
1
3
( )
. ( . )
32
Pentru serii hidrologice relativ scurte se recomand utilizarea formulei:

c
N x x
N N s
s
t
t
N
=


=
( )
( )( )
. (
3
1
3
1 2
27 . )
Funcia de distribuie prezint o asimetrie de dreapta dac c
s
< 0 i invers
dac c
s
> 0. Dac c
s

= 0 atunci funcia de distribuie a seriei x
t

va fi centrat
simetric n jurul mediei.
Funcia de autocovarian c
k
indic gradul de dependen
(autodependen) liniar a unei serii de timp
c
N
x x x x
k t t k
t
N k
=
+
=

1
2 8
1
( )( ) . ( . )

unde: k reprezint intervalul de timp lag dintre perechile corelate ; ( ) x x
t t k
,
+
0 < k N.
Pentru k = 0, c
0
este chiar variana s
2
. Pentru serii hidrologice scurte N de la
numitor se recomand a fi nlocuit cu N-k. O msur adimensional a
dependenei liniare se obine prin raportul dintre c
k

i c
0
.
.
Coeficientul de autocorelaie r
k
reprezint autocorelaia pentru decalajul
k (lag k), numit i funcia de autocorelaie (ACF):

r
c
c
x x x x
x x
k
k
t t k
t
N k
t
t
N
= =


+
=

=
0
1
2
1
2 9
( )( )
( )
. ( . )

Reprezentarea grafic a lui r
k
n funcie de k se numete corelogram.
Coeficientul de autocorelaie r
k
al eantionului este estimatorul coeficientului de
autocorelaie
k
al populaiei statistice. Cea mai utilizat msur a dependenei
temporale a unei serii este coeficientul de corelaie serial de ordinul nti r
1

pentru eantion, respectiv
1
pentru populaia statistic. n hidrologie se
folosete ca estimator al funciei de autocorelaie
k
expresia:
33
r
x x x x
x x x x
k
t t t k t k
t
N k
t t t k t k
t
N k
t
N k
=

+ +
=

+ +
=

( )( )
( ) ( )
. (
/
1
2
1 1
1 2
2 10 . )

unde:
x
t
este media eantionului x
1
, . . . , x
N-k
;
x
t k +
- media eantionului x
k+1
, . . . , x
N
.

Pentru k = 0 din (2.9) i din (2.10) rezult r
k

= 1, deci ntotdeauna
corelograma va avea originea egal cu unu i n general 1 r 1
k
. Coeficientul
de corelaie serial r
k

al ecuaiei (2.10) este estimatorul verosimilitii maxime al
lui
k
dac valorile au distribuie normal. ( ) x x
t t k
,
+
Pe lng caracteristicile statistice prezentate (media, variana, abaterea medie
ptratic, coeficientul de variaie, coeficientul de asimetrie etc) n hidrologie se
utilizeaz ca i caracteristic statistic general distribuia de probabilitate a
observaiilor x
1
, ..., x
n
. Aceasta se determin pe baza distribuiei de frecven a
eantionului sau pe baza unei funcii de distribuie teoretic.


2.2.2. CARACTERISTICI ALE SERIILOR HIDROLOGICE ANUALE

Seriile hidrologice anuale sunt cele mai simple din punct de vedere al
caracteristicilor statistice. Salas et al. (1980) au observat, analiznd 1141 de serii de
precipitaii din S.U.A., faptul c precipitaiile anuale, fiind independente n timp,
sunt foarte apropiate de caracteristicile unui proces stochastic staionar.
Datele examinate au fost nregistrate pe ultimii 70-100 de ani. Caracteristica de
independen n timp arat c realizarea unei anumite cantiti de precipitaii dintr-un
an nu depinde de precipitaiile din anii precedeni. Caracteristica de staionaritate
indic faptul c proprietile statistice de baz nu se schimb n decursul timpului.
Coeficientul de autocorelaie de ordinul nti calculat pe un interval de 54 de
ani n medie a fost foarte apropiat de zero (media r
1
= 0.055). n concluzie, mai
puin de 1 % din variaia total a precipitaiilor dintr-un an este legat de
precipitaia total din anul precedent. n mod obinuit pentru un interval de
cteva decade, precipitaiile anuale reprezint o serie de timp independent.
Debitele medii anuale pot fi independente sau dependente din punct de
vedere stochastic. Aceast trstur este legat de ctre Salas et al. (1980) de
34
schimbrile anuale pe care le sufer stocul total de ap dintr-un bazin
hidrografic. Dac schimbrile sunt neglijabile atunci seria este independent, iar
dac fluctuaiile stocului de ap sunt nsemnate de la un an la altul n raport cu
media multianual atunci seria este dependent n timp.

-0.6
-0.4
-0.2
0
0.2
0.4
0.6
1 2 3 95%

r
k 10 20 30
Fig. 2.4. Corelograme ale debitelor medii anuale nregistrate n perioada 1950 - 1992
pe rurile: 1- Cavnic / Cavnic, 2 - Vieu / Poiana Bora, 3 - Someu Mare / Rodna i
limita de confiden Anderson de 95 %.


-0.6
-0.3
0
0.3
0.6
1 2 95%

25 50 100 75
r
k
decalaj n timp =lag
decalaj n timp =lag

Fig. 2.5. Corelograme ale debitelor medii anuale ale fluviilor Dunrea / Orova (1)
i Rin / Basel (2) nregistrate n perioada 1840-1990
i limita de confiden Anderson de 95%.
35
Prin urmare, dependena n timp a unei serii de debite anuale este n mare
msur o funcie de caracteristicile geologice ale bazinului, chiar n condiiile n
care precipitaiile anuale din bazin sunt independente stochastic (Haidu et al.
1995). Astfel, coeficientul de autocorelaie de ordinul nti prezint valori
semnificative n cazul bazinelor hidrografice relativ mici, unde influena
alctuirii geologice (mai omogen dect n cazul bazinelor mari) i pune
amprenta puternic asupra caracteristicilor scurgerii de la un an la altul (fig.2.4).
Pentru debitele medii anuale ale Dunrii i Rinului (fig.2.5) se observ c r
k
depete rareori i nesemnificativ limitele de confiden de 95 % ale testului
Anderson. n general, n cazul bazinelor mari, influena factorilor locali asupra
scurgerii anuale sunt neglijabili n comparaie cu influena factorilor generali de
ordin climatic. n cazul debitelor medii anuale, coeficientul r
1
0.2 pentru 140
de ruri cu bazine mari alese arbitrar (Salas et al., 1980). Evaporaia anual,
precum i precipitaia anual efectiv sunt, de asemenea, procese staionare.
700
900
1100
1300
1500
0 30 60 90 120 150 180

timpul n ani m
3
/s
1975 1910
0
0.2
0.4
0.6
0.8
1
0 30 60 90 120 150 180
Fig. 2.6. Investigarea momentelor de ruptur a staionaritii cu ajutorul testului
1857
1888 1942
S/N
timpul n ani
Iwashima pentru debitele medii anuale ale Rinului / Kembs (1808-1990); S/N - curba
semnalului de zgomot pentru 30 de ani.
36
u
t
-3
-2
-1
0
1
2
3
0 200 400 600 800 1000

mai
1918
mar
1904
nov
1941
iun
1978
timpul n luni
dec
1992
mai
1927
aug
1958
feb
1909
Fig. 2.7. Identificarea oscilaiilor mediilor locale cu ajutorul testului Kendall - Mann
n cazul precipitaiilor lunare de la Lodeve (Frana) nregistrate
n perioada 1902 - 1992 (Haidu i Mercier, 1996).

S-a observat c, pe msur ce se mrete seria anual crete probabilitatea
apariiei neomogenitii i a inconsistenei. Menionm faptul c, pe msur ce
s-a mbogit fondul de date s-a pus tot mai acut problema identificrii i
analizei tendinelor locale, care nu par a fi datorate neomogenitii sau
inconsistenei. Sunt necesare noi investigaii pentru a observa dac schimbrile
caracteristicilor statistice ale unor serii de timp sunt specifice pentru regiuni
extinse i dac se coreleaz cu schimbrile climatice, locale sau regionale.
De asemenea, n cazul seriilor anuale staionare neergodice s-au observat
rupturi ale staionaritii n anii n care literatura de specialitate menioneaz
schimbri climatice brute. Testul lui Iwashima pune n eviden anii n care
semnalul de zgomot S/N ia valori care indic schimbri brute ale evoluiei
seriei de timp (fig.2.6). Haidu i Mercier (1996) utilizeaz pentru identificarea
oscilaiilor locale ale mediei testul Kendall - Mann. Curba u(t) calculat pe baza
acestui test pune n eviden momentele de ruptur ale staionaritii (fig.2.7).


2.2.3. CARACTERISTICILE SERIILOR HIDROLOGICE PERIODICE

Principalele caracteristici ale unei serii periodice (sezonier, lunar sau
zilnic) sunt prezena periodicitii cu una i aceai perioad n medie, n
deviaia standard i n asimetrie. Se presupune c n prealabil eventuala
inconsisten i neomogenitate au fost eliminate. n plus o serie periodic
prezint o structur de corelaie temporal care poate fi constant sau periodic.
n figura 2.8 se prezint debitele medii ale Someului la Satu Mare, calculate
pentru diferite peroade de timp, pentru a ilustra grafic existena periodicitii.
37
Se observ existena periodicitii de 12 n cazul valorilor lunare (fig.2.8,a)
i de 4 n cazul valorilor anotimpuale (fig.2.8,b). Seria de timp obinut prin
calcularea mediei anuale nu conine periodicitate (fig.2.8,c).

0
400
800
0 12 24 36 48 60 72 84 96 108 120 132 144 156 168 180 192 204 216 228 240 252

m
3
/s
a)

0
300
600
0 4 8 12 16 20 24 28 32 36 40 44 48 52 56 60 64 68 72 76 80 84

luni
m
3
/s
b)

0
150
300
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

sezoane
m
3
/s
c)
ani
Fig. 2.8. Debite medii lunare (a), sezoniere (b) i anuale (c) ale Someului la
Satu Mare nregistrate n perioada 1968 - 1988.

Caracteristicile statistice periodice difer de caracteristicile statistice de baz
ale seriilor de timp privite ca ntreg. Pentru a ine cont de efectul periodicitii
asupra caracteristicilor statistice, acestea trebuie determinate pentru fiecare
interval al anului. Considerm seria periodic x
m,y
unde m reprezint anul iar y
reprezint intervalul de timp. Se presupune c m N = 1, i y = 1, V (V = numrul
de intervale dintr-un an). Caracteristicile statistice x s cs
y y
, ,
2
y
se calculeaz
astfel:

x
N
x
y m y
m
N
=
=
1
2 11
1
,
; ( . )

38
s
N
x x
y m y y
m
N
2 2
1
1
1
2 12 =

=
( ) ; (
,
. )

cs
N x x
N N s
y
m y y
m
N
y
=


=
( )
( )( )
. (
,
3
1
3
1 2
2 13 . )

Structura de corelaie a seriei de timp x
m,y
se determin pentru fiecare
interval y astfel:

r
N
x x x x
s s
k y
m y y m y k y k
m
N
y y k
,
, ,
( )( )
. ( =

1
2 14
1
. )

unde: r
k,y
este coeficientul de corelaie serial pentru lag k.

Dac y - k < 1 atunci N se nlocuiete cu N - 1; x
m,y-k
se nlocuiete cu
x
m-1,V+y-k
; x
y k
se nlocuiete cu x
V y k +
.

O serie de timp periodic se modelez cu ajutorul unui model autoregresiv
cu coeficient constant sau cu ajutorul modelelor cu coeficieni periodici.
Dependena de timp a seriei periodice se examineaz dup eliminarea
periodicitii din medie i din deviaia standard pe baza relaiei:

z
x x
s
m y
m y y
y
,
,
( . ) =

2 15
unde:
z
m,y
este noua serie standardizat;
x
y
- media periodic;
s
y
- deviaia standard periodic.

Se observ faptul c n cazul seriei de valori lunare y = 12 (deci pentru
fiecare lun a anului se va calcula media i abaterea standard) iar pentru seria de
valori anotimpuale vom avea nevoie de patru medii i patru abateri standard
corespunztor anotimpurilor primvara, vara, toamna i iarna. n cadrul
capitolului 5 se vor prezenta i alte procedee de eliminare a sezonalitii.
39
Examinarea corelogramei r
k,y
a seriei z
m,y
ofer informaii privind dependena
sau independena stochastic a seriei hidrologice.


2.2.4. CARACTERISTICILE SERIILOR HIDROLOGICE
MULTIDIMENSIONALE

n cazul unei serii multidimensionale, caracteristicile statistice se pot
determina pentru fiecare serie n parte. Intervine n plus dependena structural
dintre cele n serii ale seriei multidimensionale, care se calculeaz sub forma
coeficientului de corelaie serial pentru diferite decalaje de timp.
Fie seriile x
t
i ( )
i x
t
j ( )
, coeficientul de corelaie serial pentru lag k dintre
cele dou serii este r
k
ij
:

r
x x x x
x x x x
k
ij
t
i
t
i
t k
j
t k
j
t
N k
t
i
t
i
t k
j
t k
j
t
N k
t
N k
=

+ +
=

+ +
=

( ) ( )
( ) ( )
. (
( ) ( )
( ) ( )
( ) ( )
( ) ( )
/
1
2 2
1 1
1 2
2 16 . )

unde:

x
t
i ( )
este media primelor N-k valori ale seriei i;
x
t k
j
+
( )
- media ultimelor N-k valori ale seriei j.

Coeficientul de corelaie serial al unei serii bidimensionale (coeficientul de
intercorelaie) se reprezint tot sub form de corelogram (figurile 2.9 i 2.10)
ca i n cazul autocorelaiei. Pentru interpretarea acestora s examinm simultan
figura 2.2 i figura 2.9. n cazul corelaiei debite (i) - precipitaii bazinale (j),
(fig.2.9,1), r
0
i j
= 0.428 iar r
1
i j
este nesemnificativ. Prin urmare debitele lunare i
precipitaiile areale ale bazinului Trnava la Blaj se coreleaz pentru aceleai
momente de timp. De exemplu debitele lunii mai depind de precipitaiile
bazinale ale aceleai luni, dar bazinul fiind relativ mic (3650 km
2
) precipitaiile
din aprilie nu influeneaz scurgerea din mai.
Corelograma debite (i) - evaporaie potenial bazinal (j), (fig.2.9,2), indic
maximum r
4
i j
= -0.523 ceea ce arat faptul c debitele medii sunt inflenate de
evaporaia potenial bazinal nregistrat cu patru luni mai devreme.
40
n cazul corelogramei debite Arad (i) - debite Ocna Mure sau Alba Iulia (j),
(fig.2.10), maximul se nregistreaz pentru lag = 0 (r
0
i j
= 0.95) datorit
distanelor relativ mici dintre staii. Se remarc o valoare suficient de mare
pentru lag = 1 (r
1
i j
= 0.55) ceea ce indic faptul c debitele medii lunare de la
Arad sunt dependente de debitele medii ale lunii precedente nregistrate la Alba
Iulia sau Ocna Mure.
r
k
ij
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0 2 4 6 8 10 12 14 16 18 20
1 2
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
0 2 4 6 8 10 12 14 16 18 20
1 2

r
k
ij

Fig. 2.9. Corelograme ale seriei
multidimensionale din figura 2.2;
r
k
i j
pentru corelaia debite - preci-
pitaii (1), respectiv debite - evapo-
raie potenial (2).
Fig. 2.10. Corelograme ale
seriei multidimensionale din
figura 2.3; r
k
i j
pentru corelaia
debite Arad - Ocna Mure,
respectiv Arad - Alba Iulia.

n capitolul 6 se va prezenta modul de valorificare al corelaiei
multidimensionale pentru elaborarea prognozei.
Pentru n serii componente ale seriei hidrologice multidimensionale structura
de corelaie serial se reprezint sub form de matrice, coeficienii de corelaie
fiind calculai pe baza formulei de mai jos:


)
R
r r r
r r r
r r r
k
k k k
n
k k k
n
k
n
k
n
k
nn
=

11 12 1
21 22 2
1 2
2 17
. . .
. . .
. . . . . .
. . . . . .
. . . . . .
. . .
. ( . )

41
Dac seria hidrologic multidimensional este alctuit din serii
unidimensionale periodice, atunci dependena structural dintre seriile x i
se determin asfel:
m y
i
,
( )
x
m y
j
,
( )

r
N
x x x x
s s
k y
ij
m y
i
y
i
m y k
j
y k
j
m
N
y
i
y k
j
,
,
( ) ( )
,
( ) ( )
( ) ( )
( ) ( )
( . ) =

1
2 18
1


unde:
x
y
i ( )
i x
y k
j

( )
sunt mediile periodice ale intervalelor y, respectiv y-k;

s i s - deviaiile standard periodice pentru intervalele y, y-k.
y
i ( )
y k
j

( )

Dac y - k < 1, N se nlocuiete cu N - 1; se nlocuiete cu
; x se nlocuiete cu
x
m y k
j
,
( )

x
m V y k
j
+ 1,
( )
y k
j

( )
x
V y k
j
+
( )
.


2.2.5. CARACTERISTICILE SERIILOR HIDROLOGICE INTERMITENTE

Seriile hidrologice intermitente sunt seriile care pentru anumite intervale au
valorile egale cu zero sau cu o constant. De exemplu, precipitaiile orare sau
cele nregistrate la un anumit numr de minute sunt serii intermitente. Rurile
mici cu regim de secare sunt caracterizate tot prin serii intermitente.
Seriile intermitente pot fi considerate ca serii trunchiate ale unor serii de
timp neintermitente. n figura 2.11 se reprezint seria intermitent de precipitaii
zilnice nregistrate n primele ase luni ale anului 1962 la staia Octon (Frana).
Prin adugarea unei constante (100 mm) aceast serie devine neintermitent
(fig.2.11,b). Succesiunea perioadelor cu valori zero sau constante trebuie
examinat dac prezint sau nu structur de independen. Studiul acestora
necesit o metodologie avansat, care poate fi deosebit de complex n cazul n
care seria intermitent conine i alte componente. Pn n prezent nc nu s-a
stabilit o metodologie general acceptabil pentru modelarea seriilor hidrologice
intermitente.
42
mm

0
250
500
750
1000
0 30 60 90 1 20 15 0 1 80

a)
timpul n zile
mm

0
300
600
900
1200
0 30 60 90 120 150 180

b)
timpul n zile

Fig. 2.11. Precipitaiile zilnice nregistrate la Octon (Frana)
pe 6 luni ale lui 1962; a - seria intermitent, b - seria neintermitent.


2.3. COMPONENTELE SERIILOR DE TIMP HIDROLOGICE

O ipotez foarte des utilizat n cazul seriilor scalare se refer la aditivitate.
Conform acesteia, seria de timp { } x
t
este o realizare a procesului aleator
{ }
x
t
,
unde
{ }
x
t
este suma a cinci componente:
tendina global ( ) g
t
;
componenta tendinelor locale ( ) l
t
;
componenta periodic ( ) p
t
;
variaiei episodice brute sau salturi ( ) b
t
;
componenta stochastic sau deviaia ( ) s
t
.
Astfel seria de timp are forma:

x g l p b s
t
t t t t
t
= + + + + . (2.19)

43
n cazul ipotezei multiplicative seria de timp are forma:

x g l p b s
t
t t t t
t
= . (2.20)

Se observ faptul c prin logaritmarea ambilor membrii, acest model se
transform n modelul aditiv. Sunt utilizate, de asemenea, reprezentri mixte
aditiv - multiplicative.
Modul de discretizare al seriei hidrologice influeneaz puternic prezena sau
absena unora dintre aceste componente. De exemplu, n cazul seriei de sume
anuale de precipitaii sau al scurgerii medii anuale, integrarea respectiv
medierea valorilor va elimina componenta periodic (diurn sau sezonier).
Dac pasul de timp folosit pentru discretizare nu depete o zi, orice serie
hidrologic natural va conine componenta periodic diurn. n cazul n care
pasul de timp nu depete o lun, seria hidrologic natural va conine
componenta periodic anual.
n general informaia coninut de o serie discret este legat de procedeul de
discretizare a procesului hidrologic continuu, dar i de lungimea seriei luate n
considerare. Strict legate de lungimea seriei sunt tendina global i
componenta tendinelor locale. De asemenea, pot sau nu s apar evenimente
episodice brute sau salturi (de exemplu viituri deosebite i de durat relativ
scurt).
O serie de timp hidrologic poate s fie, de asemenea, neomogen sau
inconsistent. Neomogenitatea poate fi datorat unor intervenii umane n bazin
care afecteaz variabilitatea natural a procesului hidrologic, iar inconsistena
este consecina erorilor sistematice de nregistrare. Dac se observ asemenea
caracteristici nainte de nceperea analizei propriu-zise ele trebuie eliminate,
deoarece n viitor nu se ateapt ca s continue sub aceeai form. n viitor,
neomogenitatea i inconsistena pot s continue diferit sau pot s nu apar
deloc.
Tendinele globale i locale, precum i salturile trebuie ntotdeauna s fie
justificate statistic i s se bazeze pe studii care s dovedeasc variabilitatea
natural a procesului hidrologic. Dac aceste componente sunt consecina
interveniei antropice din bazin (schimbarea caracteristicilor morfometrice a
bazinului sau a albiei, urbanizarea, schimbarea modului de utilizare a terenului,
apariia reteniilor artificiale, defriarea etc.) care au schimbat regimul natural al
procesului hidrologic, ele trebuie menionate explicit.
44
Prin definiie, tendina global ( ) g
t
, numit i tendin secular, reprezint o
cretere sau o descretere monoton continu a nivelului general al seriei pe o
perioad de timp extins. Dac de exemplu urbanizarea se resimte n variaia
procesului hidrologic pe o lung perioad de timp, sub forma creterii progresive a
debitelor maxime, aceasta poate fi considerat ca o tendin secular.
Spre exemplu s studiem variaia de lung durat a debitelor medii anuale
ale unor fluvii din Africa. Tendina de deertificare a regiunii Sahel se
resimte clar n diminuarea debitelor medii anuale ale fluviilor Chari /
Ndjamena i Senegal / Kayes. n anul 1971 debitele anuale ale lui Oubangui /
Bangui (afluent al Zairului) situat n regiunea subecuatorial sufer un salt
negativ dup care se pune n eviden o tendin negativ (fig.2.12). Debitele
medii anuale ale Zairului / Kinshasa (regiunea ecuatorial) sufer un salt
pozitiv n 1962 dup care tendina este tot negativ ca i n regiunea
subecuatorial i n Sahel (fig.2.13). n schimb n cazul Nilului la Aswan
apare o schimbare brusc a mediei multianuale i a tendinei ca urmare a
construirii barajului n perioada 1964 - 1968. Acest lucru este confirmat de
modul de variaie a debitelor medii anuale din amonte, Nilul Alb / Malakal,
unde nu se resimte nici un efect antropic n perioada respectiv (fig.2.14).

0
1000
2000
3000
4000
5000
6000
0 10 20 30 40 50
1 2 3 4 5 6 7


1969
m
3
/s
g
t
= 4653.6 - 74.15 t + 2.66 t
2
g
t
= 4012.2 - 71.29 t
g
t
= 4821.9 - 2.6 t
g
t
= 832.5 - 18.0 t
1934 1990
Fig. 2.12. Tendina global de diminuare a debitelor medii anuale ale fluviilor
din regiunea Sahel: 1 - Chari / Ndjamena, ( 600 000 km
2
, baz. lacului Ciad ),
2 - Oubangui / Bangui, (500 000 km
2
, baz. Zair, Africa Central), 3 - tendin,
4 - Senegal / Kayes (157 400 km
2
, Mali); 5, 6, i 7 - alte tendine.
45

20000
30000
40000
50000
0 20 40 60 80
1 2 3

m
3
/s
1962
g
t
=49300 - 467.37 t
g
t
=37794 +38.15 t
1903 1983

Fig. 2.13. Variaia debitelor medii anuale ale fluviului Zair / Kinshasa - 3 475 000 km
2

(1), avnd tendine locale diferite n perioada 1903 - 1958 (2) i 1959 - 1983 (3).


0
1000
2000
3000
4000
5000
0 10 20 30 40 50 60 70 80 90 100 110
1 2 3 4

m
3
/s
g = 3848 - 41.04 t + 0.34 t
t
2
1964-1968
g = 816 +3.39 t
t

1871
1984
Fig. 2.14. Variaia de lung durat a debitelor medii anuale ale Nilului la Aswan
baraj - 1 (Egipt) i a Nilului Alb la Malakal - 2 (1080 000 km
2
, Sudan);
3 i 4 - tendine.

n cazul unor serii de timp relativ scurte apar adesea tendine sau quasicicluri
conjuncturale, datorit procedeului de eantionare i discretizare. Aceste
tendine sau quasicicluri se dovedesc deseori a fi aparente, n cazul n care se
mrete semnificativ perioada de observaii luat n considerare. De aceea apare
ca o necesitate testarea statistic i justificarea fizic a acestor componente.
n cazul fluviului Niger situat tot n Sahel se observ faptul c debitele medii
la Koulikoro (n zona de izvoare) sunt mai ridicate dect la Dire, unde chiar
dac suprafaa bazinal este de aproape trei ori mai mare se resimte efectul
46
uscciunii i evaporaiei puternice specifice Sahelului (fig. 2.15). De asemenea,
se observ existena unei inflexiuni a evoluiei debitelor n perioada 1943 -
1944. Prin urmare seriile se ajusteaz mai bine cu ajutorul a dou tendine.
Prima parte a seriei de la Dire se ajusteaz cu o tendin liniar care pare a fi
doar conjunctural deoarece prima parte a seriei de la Koulikoro, cu care se
coreleaz, fiind mai lung, dovedete existena unei tendine parabolice.

0
500
1000
1500
2000
2500
0 10 20 30 40 50 60 70 80
1 2 3 4 5 6

m
3
/s
g = 1356.3 + 38.51 t - 1.21 t
t
2

g = 947.4 +76.05 t - 1.9 t
t
2
g = 810.3 + 53.61 t - 1.61 t
t
2

g = 1475.8 - 34.54 t
t
ani
1907 1990
Fig. 2.15. Variaia de lung durat a debitelor medii multianuale ale fluviului Niger
la Koulikoro - 1, (120 000 km
2
, Mali) i la Dire - 4 (340 000 km
2
, Mali);
2, 3, 5 i 6 - tendine locale.

Debitele medii anuale ale Nigerului manifest aceai tendin general de
diminuare specific tuturor rurilor din Sahel.
Tendinele periodice sunt foarte comune n seriile de timp hidrologice.
Precipitaiile, scurgerea rurilor, evaporaia conin tendine periodice cu
perioada helio-geofizic de un an. Tendinele sezoniere sau diurne
caracterizeaz, de asemenea, variabilitatea natural a proceselor hidrologice.
Dup cum s-a mai spus eantionarea i discretizarea pot s atenueze prezena
acestora n seria de timp. Cauza apariiei acestora ine de un complex de factori
helio-geofizici sau astronomici. Condiiile regionale sau locale influeneaz
manifestarea acestor cauze, astfel nct periodicitatea absolut este uor
deformat, rezultnd o aa numit component aproape periodic.
Periodicitatea unui proces hidrologic nseamn din punct de vedere statistic
prezena fenomenului de periodicitate n medie, dispersie, asimetrie i n
autocorelaie. Mareele reprezint, de exemplu, un proces aproape periodic.
O perioad lung de timp, n literatura de specialitate, au existat controverse
privind existena unor periodiciti sau quasi - periodiciti interanuale.
mbogirea fondului de date a infirmat aceast ipotez, dar a dovedit existena
47
tendinelor locale (pe care unii le numesc tendine ciclice) pe intervale relativ
scurte de timpi care se justific pentru anumite nivele de semnificaie statistic
(figurile 2.16 i 2.17).


0
40
80
120
160
0 10 20 30 40 50 60 70 80 90

mm
Fig. 2.16. Variaia precipitaiilor anuale de la Lodeve (Frana) ajustat cu ajutorul
1902 1992
a apte tendine locale care oscileaz de-a lungul tendinei globale.


0
100
200
300
400
500
600
0 200 400 600 800 1000

mm
dec. 1992 ian. 1902

Fig. 2.17. Variaia precipitaiilor lunare de la Lodeve (Frana) ajustat cu ajutorul
tendinelor locale care oscileaz de-a lungul tendinei globale.

Tot mai muli cercettori vorbesc despre anumite variaii de lung durat ale
factorilor climatici, care induc rupturi de staionaritate n seria de timp i care
despart tendinele locale monotone.
Componenta tendinelor locale ( ) l
t
fluctueaz n jurul tendinei globale. La
scar de timp interanual, nc din 1951, Hurst a menionat existena
48
fenomenului de perzisten i repetiie n variaia interanual a unor elemente
climatice i hidrologice.
n cazul precipitaiilor nregistrate la Lodeve (Languedoc, Frana) prin
anumite teste statistice (Scheffe, Wald-Wlofowitz, Spearman etc) s-a artat
faptul c seria anual i cea lunar dessezonalizat sunt staionare n ansamblul
lor (Haidu i Mercier, 1996). Cu ajutorul testului Kendall - Mann s-au pus n
eviden momentele de ruptur a staionaritii (v. fig.2.7) care au fost utilizate
pentru segmentarea seriilor i pentru identificarea tendinelor locale. Tendinele
locale ale seriei de precipitaii anuale sugereaz existena unor quasi - cicluri
climatice. Ansamblul tendinelor locale formeaz componenta de tendin
compozit.
Tendina global (i tendinele locale) se reprezint n general sub forma
unui polinom:
g a a t a t a t
t m
m
= + + + +
0 1 2
2
2 21 ... . ( . )

unde: a , a , ..., a
0 1 m
sunt parametrii care urmeaz a fi estimai.
Tendina are semnificaie statistic numai dac parametrii a sunt
semnificativ diferii de zero. De obicei o tendin global liniar sau parabolic
este satisfctoare. n unele cazuri tendina global a unor variabile hidrologice
este redat sub forma unei funcii exponeniale sau logistice.
, ... , a
1 m
Componenta tendinelor locale n cazul unei serii interanuale modific pe
intervale scurte de timp (10-30 ani) nivelul general al seriei. Corelograma seriei
brute i corelograma seriei din care s-a eliminat componenta tendinelor locale
i tendina global (fig.2.18 i fig.2.19) difer semnificativ, astfel nct se poate
aprecia c fenomenul de neergodicitate al unei serii staionare este determinat
de componenta tendinelor locale (v. cap. 1.4). n cazul n care nu s-ar elimina
aceast component exist riscul ca funcia de autocorelaie i funcia de
autocorelaie parial s conduc spre modele stochastice inadecvate. Exist
nc controverse dac componenta tendinelor locale trebuie privit ca o
component stochastic sau matematic.
n domeniul economic se vorbete despre existena tendinelor ciclice de perioad i
amplitudine variabil. Ciclul afacerilor este un exemplu clasic n acest sens.
Variaiile episodice brute sau salturile ( ) b
t
reprezint schimbri brute i
de mare amplitudine a nivelului mediu al seriei, urmate de o revenire imediat
la nivelul general al seriei de timp.
De exemplu ploile toreniale, fenomene de turbulen atmosferic etc. pot
genera variaii episodice n seria de timp. O eroare izolat de nregistrare a
fenomenului hidrologic apare de asemenea sub forma unui eveniment episodic
sau salt pe graficul de variaie al seriei hidrologice. De aceea, identificarea i
explicarea acestor evenimente necesit informaii suplimentare.
49
- 0 . 2
0
0 . 2
0 . 4
0 . 6
0 . 8
1
1 2
- 0 .4
- 0 .2
0
0 .2
0 .4
0 .6
0 .8
1
1 2

r
k r
k

lag k
lag k

Fig. 2.18.Corelograma precipitaiilor
lunare a seriei non-ergodice- 1 i a
celei ergodice - 2 din figura 2.17.
Fig. 2.19.Corelograma precipitaiilor
anuale a seriei non-ergodice - 1 i a
celei ergodice - 2 din figura 2.16.

n cazul debitelor medii anuale ale fluviilor africane se semnaleaz o
schimbare brusc a variaiei multianuale a scurgerii Nilului datorit amenajrii
barajului de la Aswan (1964-968); un salt negativ se produce n scurgerea lui
Obangui / Bangui n 1971; Zairul la Kinshasa nregistreaz o schimbare brusc
a mediei ncepnd din 1962.
Componenta stochastic s
t
este deseori sursa dominant de variabilitate a
seriei de timp. Ea se manifest sub forma unor oscilaii neregulate i aleatoare,
ale cror cauze nu pot fi explicate din punct de vedere fizic. Pentru descrierea
componentei stochastice este nevoie de concepte probabilistice, de o funcie de
probabilitate cunoscut i de parametrii acesteia. Componenta stochastic este
obiectivul principal al capitolelor 3, 4 i 5.
Se poate spune c o serie de timp const din dou tipuri de variaii:
sistematice i nesistematice. n prima categorie intr tendina general ( ) g
t
i
componenta periodic ( ) p
t
, iar n cea de-a doua componenta tendinelor locale
( ) l
t
, evenimentele episodice ( ) b
t
i componenta stochastic ( ) s
t
.
Analiza seriilor de timp trebuie vzut ca un proces de identificare i
separare a componentelor seriei de timp, astfel nct s se poat exprima
ntreaga variaie a datelor nregistrate.
Yule i Kendall (1969) atrag atenia asupra faptului c descompunerea unei
variabile aleatoare sub form de componente (aditive sau multiplicative) nu este
ntotdeauna corect. Partea sistematic poate s includ efecte stochastice i
50
invers, partea nesistematic poate s includ efecte ale tendinei sau ale
componentei periodice. Acest lucru se datoreaz unei specificri incorecte i
cunoaterii deficitare a procesului natural.
Componenta periodic se red sub forma unei funcii periodice , astfel
nct
p
t
p p t
t t d
=
+
, . Deoarece d se msoar n uniti de timp i dac prima
relaie este adevrat, atunci p p
t nd t
t
+
= , i n numr ntreg.
Componenta periodic se reprezint sub form de serii Fourier: p
t


[ ]
p u A jt B jt
t j j
j
h
= + +
=
cos( / ) sin( / ) , ( . ) 2 2
1
2 22

unde:
t = 1,... , ;
u este media aritmetic a lui ; p
t
sunt coeficieni Fourier; A , B
j j
j reprezint armonica;
h este numrul total de armonici (h = / 2 pentru un numr par de armonici
i h =
1
2
pentru un numr impar).
Media se calculeaz cu expresia :

u p
t
t
=
=
1
2 23
1

. ( . )

Coeficienii Fourier au urmtoarea form:

A p
jt
j t
t
=

=
2 2
2 24
1

cos , ( . )

B p
jt
j t
t
=

=
2 2
2 25
1

sin , ( . )

unde: j = 1, . . . , h.

Parametrii unei armonici de medie zero (de exemplu a primei armonici) sunt
coeficienii Fourier i perioada notat cu T . A , B
j j

1

51
Notnd frecvena oscilaiei cu w =2 / T
1 1
i t = 1, n se obine expresia
armonicei:

, p = A cos w t + B sin w t
1 1 1 1 1

(fig. 2.26 i ecuaia 2.27) de amplitudine Am A B = +
1
2
1
2
.

O serie periodic poate s conin mai multe armonici. De exemplu
scurgerea lunar, care la latitudinile noastre prezint dou maxime (primvara i
toamna), poate fi exprimat de dou armonici.
Componenta tendinelor locale l cuprinde, dup cum s-a mai spus, tendine
monotone locale (liniare sau parabolice), care au sau nu puncte comune
succesiv dou cte dou. Imagine global a acestor tendine locale este dat de
tendin compozit. S-a observat faptul c 3 - 5 armonice ajusteaz acceptabil
tendina compozit (fig.2.20 i fig.2.21).
t
Intensitatea spectral a seriei cronologice se calculeaz prin formula:
S A B
w j j ( )
, (
2 2 2
2 26 = + . )

iar reprezentarea grafic a lui S este cunoscut sub numele de periodograma
lui Schuster.
(w)
2
S studiem intensitatea spectral a seriilor de debite medii lunare i anuale a
Someului nregistrate la Satu Mare n perioada 1926 - 1992 reprezentate de
periodogramele din figurile 2.22 i 2.23.


0
50
100
150
200
0 10 20 30 40 50 60 70 80 90
1 2 3

mm
timpul n ani

Fig.2.20. Tendina compozit (3) sub forma sumei a trei componente armonice
care fluctueaz n jurul tendinei globale (2) n cazul precipitaiilor anuale (1).



52

mm

0
100
200
300
400
500
600
0 200 400 600 800 1000
1 2 3

timpul n luni
dec 1992
ian 1902

Fig. 2.21. Variaia precipitaiilor lunare (1), tendina global (2) n jurul creia
fluctueaz tendina compozit (3) reprezentat de suma a trei armonici.

Este evident faptul c n cazul variaiei anuale a scurgerii nu exist
periodicitate, n timp ce periodograma scurgerii lunare indic clar perioada
T = 2/w 12.
Utiliznd expresia 2.22 se construiete seria Fourier cu perioada 12
(fig.2.24) prin eliminarea creia din seria iniial se obine o nou serie
(fig.2.25). Dup cum se observ seria acesta nu este complet lipsit de
periodicitate deoarece prin diferena de mai sus s-a eliminat doar periodicitatea
din medie i nu i cea din deviaia standard. n capitolul 5 se vor prezenta alte
tehnici mult mai eficiente.
S ajustm n continuare seria de debite medii anuale cu ajutorul seriilor
Fourier. Pe baza figurii 2.22 alegem patru maxime ale care ne vor sluji
pentru construirea armonicelor corespunztoare urmtoarelor perioade optime:
7.7 ani, 12.8 ani, 19.6 ani, 41.9 ani.
S
w ( )
2
53
0
100
200
300
400
500
0 0.5 1 1.5 2 2.5

0
1000
2000
3000
4000
0 0.5 1 1.5 2 2.5

T 25 12 4 2.5 T 25 12 4 2.5
S
2
S
2
w
w

Fig. 2.22. Periodograma debitelor medii
me.

Fig. 2.23. Periodograma debitelor
medii lunare la Satu Mare / Some. anuale la Satu Mare / So


0
100
200


-150
0
150
300

reziduu
m
3
/s
120 0 12 24
timpul n luni
timpul n luni

Fig. 2.24. Componenta periodic
(n medie) a scurgerii lunare.
Fig. 2.25. Seria rezidual obinut prin
eliminarea componentei periodice.


-60
-40
-20
0
20
40
60
m
3
/s


0 20 40 60 ani
Fig. 2.26. Componenta Fourier (suma a 4 armonici) a scurgerii anuale.

54


0
50
100
150
200
250
0 10 20 30 40 50 60 70
1 2 3

m
3
/s
ani

Fig. 2.27. Corelaia dintre variaia debitelor anuale (1) i componenta
Fourier (3); tendina global (2).

Suma celor patru armonici formeaz o component Fourier (fig.2.26) care
are expresia urmtoare:


p t t t t
t t t t
1 4 1 1 2 2
3 3 4 4
20 2 0 36 9 46 13 06
2 58 12 62 5 58 14 42 2 27

= + + +
+ +
. cos . sin . cos . sin
. cos . sin . cos . sin . ( . )




Dup cum se vede n figura 2.27, aceasta aproximeaz satisfctor seria de
observaii, ceea ce ofer posibilitatea simulrii pe lung durat.
55




3. MODELAREA SERIILOR DE TIMP

n primul capitol s-au prezentat elementele statistice de baz care intervin n
modelarea seriilor de timp, iar n cel de-al doilea s-au discutat caracteristicile i
unele dintre componentele seriilor de timp (tendina, componenta periodic etc.)
cu referire la date hidrologice.
Acest capitol este consacrat proceselor staionare care n cele mai multe
cazuri pot fi utilizate pentru exprimarea componentei stochastice despre care s-a
menionat n paragrafele precedente.


3.1. MODELUL STOCHASTIC AL SERIEI DE TIMP

Un model matematic care reprezint un proces stochastic este numit model
stochastic sau modelul seriei de timp. Acesta trebuie s aib o anumit structur
matematic i un set de parametri. O serie de timp care are o distribuie
normal cu media
x
t
i variana poate fi exprimat prin urmtorul model:
2
x
t t
= + , ( 3 1 . )

unde:
;
( )
( ) x N N
t t
~ , , ~ ,
2
0 1

t
- independent, t=1, 2,
n modelul de mai sus i sunt numii parametri, deoarece acetia sunt
constante (nu depind de timp), modelul fiind staionar. Deoarece
t
-
independent se deduce faptul c ( ) x f
t
=
t
este, de asemenea, independent.
O serie de timp cu structur dependent este:


t t t
= +
1
3 2 , ( . )

unde:

t
este independent cu media zero i variana
( )
1
2
;

t
- dependent;
- parametrul modelului.
56

Se observ faptul c
( )

t t
f =
1
;
t
este o serie dependent, ale crei
valori depind de aceeai variabil la momentul t-1.
Dac
t
se nlocuiete n formula precedent atunci rezult urmtorul model
stochastic dependent:
( ) x
t t t
= + +

1
33 , ( . )

unde: , i sunt constante.
Deci modelul reprezint o serie de timp staionar sau un proces stochastic
staionar. Un model nestaionar va rezulta dac aceti parametri ar varia n timp.
Se consider seria de timp periodic , unde m reprezint anul iar y
intervalul de timp din interiorul anului. n acest caz modelul stochastic are
forma:
x
m y ,
x z
m y y y m y , ,
, ( = . ) + 3 4

unde:

y
este media periodic;

y
- deviaia standard periodic;
- o serie dependent de timp avnd o structur de corelaie cu z
m y ,
parametru periodic sau constant.

Similar cazului (3.2) seria se poate scrie astfel: z
m y ,

z z
m y y y m y , , ,
, ( = . ) +

1 1
3 5

unde:

m y ,
este o serie independent;

1,y
- parametrul modelului (coeficient periodic de autocorelaie
de ordinul 1).

nlocuind n formula precedent obinem:

x z
m y y y
y
y m y ,
,
,
, ( = + +

. )

1 1
3 6

unde
y
,
y
i
1,y
reprezint parametrii periodici.

57
3.2. OBIECTIVELE MODELRII STOCHASTICE

Tehnicile sau procedurile de identificare a unui model matematic care s
reprezinte o serie de timp poart numele de modelarea seriei de timp. Modelul
este construit pentru a reproduce principalele caracteristici statistice ale seriei de
timp hidrologice. Modelul trebuie s semene din punct de vedere statistic cu
seria hidrologic pe care o reprezint.
De reinut este faptul c o serie hidrologic este doar un eantion (finit) al
unei populaii (infinite), ale crei caracteristici statistice nu pot fi cunoscute.
Caracteristicile statistice ale seriilor hidrologice sunt doar estimri ale
adevratelor caracteristici statistice. Valorile observate ale unei serii hidrologice
de lungime N constituie numai o realizare dintr-un numr infinit de posibile
realizri, care ar fi putut aprea n perioada N. Estimatorii statistici specifici
perioadei N pot s difere mai mult sau mai puin dac ne referim la o perioad
mai mic sau mai mare dect N. Prin urmare, estimatorii eantionului seriei de
timp hidrologice sunt variabile aleatoare care implic anumite incertitudini.
Incertitudini mai reduse prezint media i deviaia standard, n timp ce
coeficientul de asimetrie, care este mult mai dependent de lungimea seriei
pentru care se calculeaz, prezint o incertitudine mai accentuat.
Coeficientul de autocorelaie este, de asemenea, incert pentru eantioane
reduse. Menionm c, coeficientul de autocorelaie decide ce tip de model
trebuie utilizat i ce form trebuie s aib acesta, aprnd astfel riscul unei
decizii inadecvate. Prin urmare identificarea unui model al seriei de timp este
tot o problem de estimare, dintr-un numr mai mare sau mai mic de modele
posibile.
Modelarea seriei de timp reprezint un proces, care poate fi mai simplu sau
mai complex, n funcie de eantionul disponibil (unidimensional sau
multidimensional), de modelul utilizat i de tehnicile de modelare. De exemplu,
seriile cu caracteristici statistice invariabile n timp necesit n mod normal
modele i tehnici de modelare mai simple dect n cazul seriilor de caracteristici
variabile. Exist numeroase modele stochastice care ar putea reprezenta o serie
de timp i mai multe tehnici de modelare. De asemenea sunt cunoscute tehnici
de evaluare, mai simple sau mai complexe, a calitii unui model. n ultim
instan eficacitatea modelului, care poate fi mai simplu sau mai complex, este
strns legat de cunotinele teoretice i experiena practic a utilizatorului.
Se tie c scurgerea unui ru ntr-o anumit seciune, i la un moment dat,
este cauzat n principal de precipitaiile dintr-o perioad precedent czute n
bazinul rului. Relaia funcional dintre aceste dou variabile este strns legat
de distribuia temporal i spaial a precipitaiilor i de anumite caracteristici
fiziografice ale bazinului. n plus intervin ali factori, cum ar fi variaia diurn i
sezonier a evaporaiei, transpiraia plantelor, infiltraia, retenia din bazin, care
58
depind, de asemenea, de caracteristicile solului sau ale bazinului (morfometrie,
geologie etc.). Tot mai pregnant se resimte asupra ciclului hidrologic influena
exercitat de modul de utilizare al terenului i de ciclul antropic al apei.
Scurgerea rului observat la o seciune este privit ca o consecin a tuturor
acestor factori, variabil sau constani n spaiu i timp, n principal ca rezultatul
diferenei dintre precipitaii i evapotranspiraie, la care se adaug variaia pe
care o prezint retenia natural a apei n bazin. Astfel, se justific utilizarea
modelelor stochastice n hidrologie.
Principalul scop al analizelor seriilor de timp este de a descrie i explica
mecanismul variaiilor istorice ale variabilelor hidrologice. Cunoaterea acestui
mecanism este utilizat n scopul simulrii seriei istorice pe baza unui model
stochastic. Ulterior, modelul stochastic va sta la baza elaborrii prognozei
hidrologice i va nlesni generarea debitelor sintetice larg utilizate n practic.
Chiar i parametrii modelului, dac se dovedesc a fi legai de unele caracteristici
naturale, deschid o sfer nou de aplicaii n hidrologia operaional i n
amenajarea teritoriului n general (cap. 4).


3.3. MODELAREA SERIILOR STAIONARE

Fie procesul aleator
{ }
x
t
, unde t . Acest proces este staionar
(capitolul 1.5) dac:


Ex m
x
x x
t x
t x
t t k k
=
=

+
var
cov( , )

2

Media i variana variabilei aleatoare sunt
independente de timp
Covariana dintre dou variabile aleatoare ale
aceluiai proces este independent de timp i
depinde numai de lag k
Se numete autocovarian covariana dintre dou variabile aleatoare ale
unui proces aleator. Funcia de autocovarian se noteaz cu
k
; fiind funcie
numai de k, ea este simetric
k k
=

.
Se numete coeficient de autocorelaie coeficientul de corelaie dintre dou
variabile aleatoare ale unui proces aleator. Funcia de autocorelaie (reprezentat
prin corelogram) a procesului este coeficientul de autocorelaie, notat cu
k
,
care depinde numai de k.
n capitolul 1 s-a artat c i
k k
= /
2
x

k k
= =

,
0
1. Translaia n
timp nu afecteaz primul sau al doilea moment centrat al variabilei aleatoare,
ceea ce implic staionaritatea de ordinul doi.


59
Se tie c un proces aleator normal (Gaussian) are toate variabilele aleatoare
distribuite normal. Dac un proces aleator avnd distribuie normal este slab
staionar, atunci el este n acelai timp staionar n sens strict deoarece distribuia sa
este complet caracterizat de momentele centrate de ordinul nti i doi.
n cele ce urmeaz se consider cazul simplu pentru care Ex
t
= 0, ceea ce
nseamn c dac
{ }
x
t
este staionar atunci i
{ }
x Ex
t

t
este staionar. Deci,
sperana matematic nu face parte din componenta stochastic, ea fiind parte a
componentei de tendin.
Se numete proces staionar necorelat i se noteaz cu
{ }
z
t
, procesul
pentru care corelaia (i covariana) dintre diferite variabile aleatoare ale
procesului este egal cu zero (unul dintre cele mai simple procese staionare):


Ez
z
z z k
t
t z
t t k
=
=
=

+
0
0 0
2
var
cov( , ) .

( o anumit valoare independent de timp )

Acest proces se mai numete zgomot alb i este utilizat ca o component de
baz a altor procese care vor fi prezentate n capitolele urmtoare. Uneori acest
termen este restns numai pentru cazul proceselor staionare cu sens strict sau
variabilelor aleatoare independente stochastic.
Funcia de autocovarian a procesului staionar necorelat este:

k z
k
pentru k
k
= =
=
2
0
0 0.

Funcia de autocorelaie a acestui proces este:

k
k
pentru k
k
= =
=
1 0
0 0.


Pentru ca o serie de timp s aib variana constant, uneori este necesar o
transformare de tip Box-Cox ( ln, ,
3
sau altele).

3.3.1. PROCESE DE MEDIE ALUNECTOARE - MA

Un proces
{ }
x
t
definit prin:

x z b z b z b z
t t t t
q
t q
= + + + +

1
1
2
2
37 ... , ( . )
60
unde
{ }
z
t
este un proces staionar necorelat
( )
var z
t z
=
2
, se numete proces
de medie alunectoare de ordin q i se noteaz cu MA(q).

Procesele stochastice aleatoare se reprezint simplificat cu ajutorul filtrelor.
Aa sunt, de exemplu, operatorul de ntrziere notat cu B,
( )
y B x x
t
t t
= =

{ } { }
1
i operatorul de difereniere notat cu ,
( )
y x x x
t t t
= =

{ } { }
1
.
t

Utiliznd operatorul de ntrziere B, formula de mai sus se poate scrie astfel:


x z b Bz b B z b B z
b B b B b B z b B z
t t t t q
q
t
q
q
t i
i
t
i
q
= + + + + =
= + + + + =
=
1 2
2
1 2
2
0
1 3
...
( ... ) . ( . ) 8


Dac notm i dac b B b B
i
i
i
q
( ) =
=0
b
0
1 = atunci:

x b B z
t t
= ( ) . ( . ) 3 9

Deci
{ }
x
t
este output-ul filtrului b(B) avnd ca input
{ }
z
t
, (fig.3.1). Filtrul
b(B) se numete filtru de medie alunectoare sau filtru MA.


{ }
z
t { }
x
t
( ) b B




Fig. 3.1. Reprezentarea schematic a filtrului MA.

Proprietile procesului MA sunt:
Ex
t
= 0
var ( ... ) x b b b
t x q
= = + + + +
2
1
2
2
2 2
1
z
2

cov( , ) x x
t t k +
= 0 pentru k q >
{ }
z
t
- proces necorelat

61
[ ]
[ ]

k
t t k t t t k t k t t k
t t
q
t q t k t k
q
t k q
k
t
k
t
q k q
t k q
z i k i
i
q k
x x E x Ex x Ex E x x
E z b z b z z b z b z
E b z b b z b b z b b
= = =
= + + + + + + =
= + + + =
+ + +
+ + +
+


+
+
=
+
=

cov( , ) ( )( ) ( )
( ... ) ( ... )
( ... ) ( . )
1
1
1
1
2
1 1
1
2 2
2
0
3 10

unde . 0 k q
Orice termen mixt al ecuaiei de mai sus este egal cu zero deoarece { } z
t

este un proces staionar necorelat. Aceste proprieti demonstreaz faptul c
procesul MA(q) este staionar.
Deoarece { } z
t
este un proces necorelat, consecina acestor proprieti
const n faptul c pentru covariana i autocorelaia sunt egale cu zero.
Deci, dup k = q funcia de autocorelaie se reteaz brusc. Astfel se determin
ordinul procesului de medie alunectoare MA(q) n faza de identificare a
modelului (fig. 3.2).
k q >

Aut o- St and.
Lag Cor r . Er r . - 1 - . 75 - . 5 - . 25 0 . 25 . 5
+- - - - +- - - - +- - - - +- - - - +- - - - +- - - - +
1 - . 508. 105 ******. *** .
2 - . 042. 104 . * .
3 . 150. 104 . ***.
4 - . 145. 103 . *** .
5 - . 008. 102 . * .
6 . 103. 102 . **.
7 - . 099. 101 . ** .
8 . 053. 101 . * .
9 - . 039. 100 . * .
10 . 126. 099 . ***.

Symbol s: Aut ocor r el at i ons * Two St andar d Er r or Li mi t s.


Fig. 3.2. Funcia de autocorelaie a seriei precipitaii anuale de la Lodeve
staionarizat prin eliminarea tendinei compozite (fig. 2.20)
i difereniere de ordinul nti.

Graficul din figura 3.2 indic un proces MA(1) pentru precipitaiile anuale
de la Lodeve supuse unor transformri pentru satisfacerea condiiilor de
staionaritate i ergodicitate.
Pentru cazul particular MA(1) se obine:

62

x z b z
Ex
x b
x x pentru k
x x b
cor x x pentru k
cor x x
b
b
t t t
t
t x z
t t k k
t t z
t t k k
t t
= +
=
= = +
= = >
= = =
= = >
= = =
+

+
+
+
+
1 1
2
1
2 2
1 1 1 1
2
1 1 1
1
1
2
0
1
0 1
0 1
1
var ( )
cov( , )
cov( , )
( , )
( , )

unde
1
2
1
2
1
.

Procesul MA(1) pentru o serie de termeni al lui
{ }
x
t
se reprezint astfel:


x z b z z x b z
x z b z z x b z
x z b z z x b z
t t t t t t
t t t t t t
t t t t t t
= + =
= + =
= + =



1 1 1 1
1 1 1 2 1 1 1 2
2 2 1 3 2 2 1 3
;
;
;


. . . . . .

Prin substituie rezult:

x z b x b x b x
t t t t t
= + +
1 1 1
2
2 1
3
3
311 ... ( . )

Dac t este momentul prezent, din expresia de mai sus, rezult c starea
prezent a lui x
t
depinde de o combinaie liniar a strilor precedente
x x
t t 1 2
, ,... i de procesul staionar necorelat. Din acest motiv
{ }
z
t
este
numit proces de inovaie. Expresia reprezint o descompunere autoregresiv a
procesului MA. Dac b
1
1 < , strile precedente, practic, nu influeneaz starea
prezent a procesului. Aceast condiie reprezint condiia de inversabilitate a
procesului MA, care permite utilizarea acestuia n practic.
Se poate demonstra faptul c un proces MA(q) este inversabil n sensul
formulei (3.7) dac rdcinile ecuaiei caracteristice (deduse din 3.8 i 3.9)

b B ( ) ( . ) = 0 312
sau
1 + b B + b B + . . . + b B = 0 (3.13)
1 2
2
q
q
63
sunt situate n afara cercului unitate al planului complex (n acest caz B este
considerat ca fiind o variabil complex i nu operator de ntrziere). Pentru MA(1)
ecuaia caracteristic este 1
1
0 + = b B , de unde B b = 1
1
/ , deci pentru
satisfacerea condiiilor de inversabilitate trebuie ca > 1
1
/ b 1 adic b
1
1 < .
Procesul MA(2) este:

x z b z b z
t t t t
= + +

1
1
2
2
3 14 , ( . )
cu variana:

var ( ) , ( . ) x b b
t
x z
= = + +
2
1
2
2
2 2
1 3 15

cu funcia de autocorelaie:


1
1 2
1
2
2
2
2
2
1
2
2
2
1
1 1
0 =
+
+ +
=
+ +
=
b b
b b
b
b b
k
( )
, ,
317
, pentru k 3 3.16 ( )

i ecuaia caracteristic:

1 0
1 2
2
+ + = b B b B . ( . )

Rdcinile acesteia sunt:

B
b b b
b
1 2
1 1
2
2
2
4
2
318
,
. ( =

. )
0 0


Ele sunt reale dac i imaginare dac b b . Condiia
de inversabilitate necesit ca rdcinile s satisfac inegalitatea
b b
1
2
2
4
1
2
2
4 <
B
1
1 > i
B
2
1 > i n acelai timp s fie plasate n exteriorul cercului unitate (fig. 3.3).
Aceasta implic satisfacerea urmtoarelor inegaliti:

b b b b b
1 2 1 2 2
1 1 1 1 + > < < < , ,

Inegalitile formeaz un spaiu triunghiular n planul ( ) b b
1 2
, al figurii 3.3.
Vandewiele (1988) transform condiiile lui b i n condiii pentru
1
b
2

1
i
2
:


1 2 1 2 2 1
2
+ >-1 / 2, - <1 / 2, 4 < 1 + 1 - 2 . ( . ) 319
64


Fig. 3.3. Coeficienii b
1
i b
2
formeaz regiunea n care procesul MA(2)
este inversabil (Vandewiele, 1988).

Un instrument important de identificare al ordinului procesului MA este
funcia de autocorelaie (ACF). Coeficientul de autocorelaie parial a dou
variabile aleatoare, dintr-o mulime de variabile aleatoare, msoar corelaia
dintre primele dou variabile, influena celorlalte fiind eliminat. Fiind dat
procesul aleator
{ }
x
t
, coeficientul de autocorelaie parial
k
msoar
corelaia dintre variabilele x
t
i x
t k
, n condiiile n care influena
variabilelor aleatoare intermediare x x
t t 1 2
, , ... , x
t k +1
a fost eliminat.


3.3.2. PROCESE AUTOREGRESIVE - AR

Un proces
{ }
x
t
definit prin:

x z a x a x a x
t t t t p t p
=
1 1 2 2
3 20 . . . , ( . )
unde
{ }
z
t
este un proces staionar necorelat, se numete proces autoregresiv de
ordin p i se noteaz cu AR(p). Utiliznd operatorul de ntrziere B, formula de
mai sus se poate scrie astfel:
x z a Bx a B x a B x
t t t t p
p
t
=
1 2
2
3 21 ... . ( . )

Dac notm a B i dac a B
i
i
i
p
( ) =
=0
a
0
1 = , atunci:

a B x z
t t
( ) . ( . ) = 3 22
65
Deci,
{ }
z
t
este output-ul filtrului a B avnd ca input ( )
{ }
x
t
. Se poate
demonstra faptul c acest filtru este inversabil, inversul lui fiind notat cu
. Filtrul
[
se numete filtru autoregresiv (fig.3.4). Condiia de
staionaritate se realizeaz dac rdcinile ecuaiei caracteristice
[ ]
a B ( )
1
]
a B ( )
1

( ) a B = 0 3 ( . ) 23
sau
1 + a B + a B + . . . + a B = 0 (3.24)
1 2
2
p
p


sunt situate n afara cercului unitate al planului complex.


{ }
z
t

{ }
x
t
( )
[ ]
a B
1



Fig. 3.4. Reprezentarea schematic a filtrului AR.

Pentru cazul particular AR(1) se obine:

x z a x
t t t
=
1 1
, unde a
1
1 < (condiia de staionaritate). (3.25)

Dac
{ }
z
t
este un proces de inovaie necorelat i n acelai timp
independent stochastic, atunci procesul AR(1) ar putea fi numit proces Markov.
P

rin substituie rezult :
( ) x z a z a z a z a z
t t t t t
i
t i
i
= + + =


=

1
1
1
2
2
1
3
3 1
0
3 26 ... . ( . )
Expresia este numit descompunere de medie alunectoare a procesului AR(1),
deoarece
{ }
x
t
se scrie sub forma unei combinaii liniare de
{ }
z
t
. Se observ, de
asemenea, faptul c, pentru momentul prezent t, starea prezent a lui
{ }
x
t
depinde de o
combinaie liniar a strilor precedente x
t 1
, x
t 2
, . . . , x
t p
i de procesul staionar
necorelat. Din acest motiv,
{
este numit proces de inovaie. Se poate demonstra, de
asemenea, c procesul AR este ntotdeauna inversabil n sensul capitolului 3.3.1.
}
z
t
Considernd Ex
t
= 0 , variana lui x
t
este:
var . ( . ) x a
a
t z
i
i
z
x
= =

=
=

2
1
2
0
2
1
2
2
1
3 27
66
Funcia de autocovarian a procesului AR(1), pentru k > 0 , se calculeaz
pornind de la (3.26) astfel:


( ) ( ) ( )
k t k t
i
t k i
i
j
t j
j
E x x E a z a z = =

+ +
=

1
0
1
0
(3.28)

care n final devine:

( )
( )
k z
k
k
x
a
a
a =

=
2 1
1
2
1
2
1
3 29 . ( . )

Deoarece
k
este simetric,
k k
=

, pentru orice k se poate scrie:


( )
k
k
x
a =
1
2
3 30 . ( . )

Astfel, funcia de autocorelaia a lui AR(1) este
( )
k
k
a =
1
. Deci, nici
autocovariana i nici autocorelaia nu depind de timp.
P

rocesul AR(2) este:
x z a x a x
t t t t
= +

1
1 2 2
3 31 ( . )

cu ecuaia caracteristic:

1 + a B + a B = 0 . (3.32)
1 2
2


Rdcinile acesteia sunt:
B
a a a
a
1 2
1 1
2
2
2
4
2
3 33
,
. ( =

. )
0 0
1


Ele sunt reale dac i imaginare dac . Condiia
de staionaritate este satisfcut dac:
a a
1
2
2
4 a a
1
2
2
4 <

a a a a a
1 2 1 2 2
1 1 1 + > < < < , , .
1


Inegalitatea de mai sus formeaz o regiune triunghiular n planul
similar celei din figura 3.3. Vandewiele (1988) transform aceste condiii n
condiii ale coeficienilor de autocorelaie:
( ) a a
1 2
,

< . < < < < + 1 1 1 1 2
1 2 1
2
2
, ,

67
Yule a observat c procesele AR(2) au realizri cu caracter ciclic, dar fr
periodicitate strict fiind numite procese Yule.

Pr - Aut - St and.
Lag Cor r . Er r . . 5 - . 25 0 . 25 . 5 . 75
+- - - - +- - - - +- - - - +- - - - +- - - - +
1. 397 . 035 . . *******
2. 050 . 035 . *
3. 038 . 035 . *
4. 016 . 035 . *.
5. 032 . 035 . *
6. 000 . 035 . *.
7. 018 . 035 . *.
8. 008 . 035 . *.
9 - . 033. 035 * .
10. 054 . 035 . *

Symbol s: Aut ocor r el at i ons *Two St andar d Er r or .
Fig. 3.4. Funcia de autocorelaie parial a seriei de debite medii lunare
dessezonalizate a rului Some la Satu Mare indic un proces AR(1).

Un instrument important de identificare al ordinului procesului AR este
funcia de autocorelaie parial (PACF). Pentru cazul AR(1) relaia dintre
coeficienii de autocorelaie este
k
a
k
=
1 1
, (fiindc
0
1 = ). Funcia de
autocorelaie se reteaz brusc dup k = 1. Pentru procesul AR(p), funcia de
autocorelaie se reteaz brusc dup k = p (fig. 3.4). Astfel se determin ordinul
procesului autoregresiv AR(p) n faza de identificare a modelului. O serie de
debite lunare care se descompune sub forma unei componente periodice i a
uneia stochastice are un model particular.
Astfel, s-a observat (Haidu i colab., 1995) faptul c partea stochastic este
reprezentat satisfctor de un model AR(1), mai rar AR(2).


3.3.3. PROCESE MIXTE, AUTOREGRESIVE I DE MEDIE
ALUNECTOARE - ARMA

S-a artat c funcia de autocorelaie parial a unui proces MA(q) se reteaz
brusc dup lag q, iar funcia de autocorelaie a unui proces AR(p) se reteaz
brusc dup lag p. Aceste constatri sunt instrumente de baz n faza de
identificare a ordinului modelului. Pentru a modela serii, pentru care nici una
68
dintre aceste funcii nu ofer informaii privind ordinul modelului, se folosesc
procese mixte autoregresive i de medie alunectoare (ARMA).
Un proces ARMA
{ }
x
t
staionar i inversabil notat ARMA(p,q) are forma:

x a x a x a x
z b z b z b z
t t t p t p
t t t q t q
= +
+ + + + +



1
1
2
2
1 1 2 2
3 34
. . .
. . . . ( . )


Utiliznd operatorul de ntrziere B, expresia de mai sus se poate scrie sub
forma:

( ... ) ( ... ) ( . ) 1 1
1 2
2
1 2
2
+ + + = + + + a B a B a B x b B b B b B z
p
p
t q
q
t
3 35
sau:
( ) ( ) a B x b B z
t t
= ( . ) 3 36

unde
{ }
z
t
este un proces staionar necorelat (zgomot alb).

Deci,
{ }
x
t
poate fi considerat outputul unui filtru ARMA, avnd ca input
{ }
z
t
:
[ ] x a B b B z
t t
=

( ) ( ) . ( . )
1
3 37

Pentru ca procesul s fie inversabil trebuie ca rdcinile ecuaiei b(B) = 0 s
se afle n exteriorul cercului unitate, iar pentru ca procesul s fie staionar
trebuie ca rdcinile ecuaiei a(B) = 0 s se afle, de asemenea, n afara cercului
unitate.
Filtrul ARMA este o combinaie liniar de filtre ( ) b B i ( )
[ ]
a B
1
(fig.3.5).

{ }
z
t

{ }
x
t ( ) b B ( )
[ ]
a B
1



Fig. 3.5. Reprezentarea schematic a filtrului ARMA.

Un proces ARMA(p,q) este o generalizare a proceselor autoregresive i de
medii alunectoare: procesul MA(q) este procesul ARMA(0,q), procesul AR(p)
este procesul ARMA(p,0), iar procesul ARMA(0,0) este un proces necorelat.
Pentru cazul particular ARMA(1,1):

x a x z b z
t t t t
= + +

1
1
1 1
3 38 , ( . )
69
condiia de staionaritate este satisfcut dac < < 1
1
a 1 , iar cea de
inversabilitate se realizeaz dac < < 1 1
1
b .
Vandewiele (1988) ajunge prin calcule succesive la urmtoarele forme
simplificate ale varianei:

var , ( . ) x
b a b
a
t x z
= =
+

2 1
2
1 1
1
2
2
1 2
1
3 39

funciei de autocorevarian:


( ) ( )
( )


1
1 1 1 1
1
2
2
1
1
1
1
1
1 3
=

= >

b a a b
a
a k
z
k
k
,
, , ( .40 )


i funciei de autocorelaie:

( ) ( )
( )

1
1 1 1 1
1
2
1 1
1
1
1
1
1 2
1 3
=

+
= >

b a a b
b a b
a k
k
k
,
, . ( .41)


Acelai autor transform condiiile legate de i , n condiii legate de a
1
b
1

1
i
2
, mult mai utile n practic, astfel:

2 1
< ;
( )
2 1 1
2 1 > + pentru
1
0 < ;
( )
2 1 1
2 1 > pentru
1
0 > .


3.4. MODELAREA SERIILOR NESTAIONARE
- PROCESE ARIMA

n capitolul 2.3. s-a discutat despre componentele seriei de timp. De
exemplu, debitele medii anuale ale fluviului Oubangui / Bangui (v. fig. 2.12)
conin o tendin global liniar sau dou tendine locale diferite. n acest caz
ipoteza staionaritii este invalidat i prin urmare nici unul dintre modelele
precedente nu se poate aplica. O asemenea serie de timp, notat cu
{ }
x
t

70
conine o tendin de schimbare a nivelului general al seriei care imprim
caracterul nestaionar.
reziduu
-2000
-1000
0
1000
2000
0 10 20 30 40 50

timpul n ani
Fig. 3.6. Seria de debite anuale de la Oubangui / Bangui staionarizat
prin difereniere de ordinul nti i dup eliminarea constantei.

Tendina monoton global (sau tendinele locale) a seriei de timp dispare
dac efectum diferenele succesive x x
t t

1
, n urma crora se creeaz o
nou serie de timp:

{ } { } { } y x x x
t t t t
= =
1
3 42 . ( . )

Se observ faptul c noua serie obinut (fig. 3.6) notat cu
{ }
y
t
are un
nivel constant diferit de zero. Deci procesul
{ }
y
t
poate fi modelat ca o sum
dintre o constant (c) i un proces staionar. n cazul fluviului Oubangui /
Bangui dup efectuarea diferenierii de ordinul nti conform (3.42) se obine
constanta c = 51 29 . .
Dac nivelul general al seriei este reprezentat sub forma unei tendine
parabolice atunci seria
{ }
x
t
poate fi modelat ca sum dintre tendin i un
proces staionar. Astfel, debitele medii ale fluviului Oubangui / Bangui sunt
exprimate de tendina global g
t
t = 4821 9 2 6 . . i componenta stochastic
(fig. 3.7).
Comparnd cele dou moduri de staionarizare pe baza graficelor din
figura 3.6 i figura 3.7 se observ faptul c simpla eliminare a tendinei liniare
nu d satisfacie deoarece valorile reziduale cuprinse ntre momentele 24 - 36
(fig. 3.7) nu corespund nivelului general al seriei.
O cale de mbuntire al acestui rezultat ar putea fi utilizarea unei tendine
parabolice sau a tendinelor locale prezentate n figura 2.12. Menionm faptul
c tendina seriei poate fi exprimat, dup caz, i de tendine locale (fig. 2.16,
2.17) sau o sum de serii Fourier (fig. 2.20, 2.21, 2.27).
71
reziduu
-1000
0
1000
2000
3000
0 10 20 30 40 50

timpul n ani

Fig. 3.7. Seria de debite reziduale obinut prin eliminarea tendinei liniare
din seria de debite medii anuale ale fluviului Oubangui / Bangui.

n cele ce urmeaz considerm c media seriei obinut prin difereniere este
egal cu zero sau c s-a procedat la eliminarea constantei. Seria rezultat
{ }
y
t

poate fi modelat ca un proces staionar, un model posibil fiind de tip ARMA:

( ) ( ) a B y b B z
t
t
= , ( 3 43 . )

unde
{ }
z
t
este un proces staionar necorelat.

Se poate nota:

( ) ( ) ( )( ) ( ) a B y a B x a B B x b B z
t
t t t
= = = 1 3 44 . ( . )

Procesul y x x
t
t t
=
1
, scris dezvoltat, are forma:


x x y
x x y x y y
x x y x y y y
1 0
1
2 1
2
0
1 2
3 2
3
0
1 2 3
= +
= + = + +
= + = + + +

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
x
t
t
y
t
= (dac x
0
0 = ). (3.45)

Se observ faptul c procesul x
t
este rezultatul unei nsumri, procesul y
t

fiind de tip ARMA. De aceea procesul
{ }
x
t
se numete proces ARMA
nsumat sau integrat i se noteaz cu ARIMA.
72
Generalizat, procesul
{ }
x
t
este un proces ARIMA(p,d,q), unde d
simbolizaez ordinul de difereniere care a generat seria staionar
{ } {
y
t
d
t
=
}
x , noua serie fiind un proces de tip ARMA(p,q). innd cont de
notaiile precedente putem scrie :

( ) ( ) ( )( ) ( ) a B y a B x a B B x b B z
t
d
t
d
t t
= = = 1 3 . ( .46 )

Fiindc filtrul b(B) este inversabil se obine :

( )
[ ]
( ) ( ) z b B a B B x
t
d
t
=
1
1 3 . ( 47 . )

Deci
{
este outputul filtrului ARIMA,
}
z
t
( )
[ ]
( )( ) b B a B B
d

1
1 , avnd ca
input
{ }
x
t
(fig. 3.8).



{ }
z
t

{ }
x
t
( ) 1 B
d

( )
[ ]
b B
1
( ) a B


Fig. 3.8. Reprezentarea schematic a filtrului ARIMA.

Pentru cazul d=0 se obine procesul ARMA i deci acest proces este un
proces ARIMA(p,0,q). Se poate demonstra faptul c un proces ARIMA(p,d,q)
conine o tendin polinomial de ordinul d. Combinarea n serie a celor trei
filtre se scrie n felul urmtor (Vandewiele, 1988):

( ) ( )
[ ]
( ) ( ) d B b B a B B d B d B
d
= = + +
1
1 2
2
1 1 ... +

deci, ( ) z d B x
t t
= sau

x z d x d x
t t t t
=
1 1 2 2
3 48 ... . ( . )

Astfel, se deduce faptul c procesul ARIMA este reprezentat sub forma unui
proces AR ca o funcie de stri trecute la care se adaug inovaia z
t
.
73
Reprezentarea MA (sub form de oc aleator) a procesului ARIMA arat c
starea lui x
t
este rezultatul unei combinaii liniare a inovaiei prezente i a
celor anterioare:
x z c z c z
t t t t
= + + +
1 1 2 2
3 49 ... . ( . )

unde sunt coeficieni. c , c , ...
1 2
Pentru cazul particular ARIMA(1,1,1) procesul
{ }
x
t
este dat de expresia:

( ) x a x a x b z z
t t t t t
= + + +

1 3
1 1 1 2 1 1
. ( 50 . )

unde i < < 1 1
1
a < < 1 1
1
b .


3.5. PROCESE ARIMA MULTIPLICATIVE

Se consider seria debitelor medii lunare ale rului Some la Satu Mare
(fig. 3.9, tab.3.1). Este vorba de un fenomen sezonier nestaionar cu perioada
s = 12. O serie parial a scurgerii rului are forma
... , , , , ,..., x x x x
t s t t s t s + +2
(de exemplu, debitele medii ale lunii martie n
ani succesivi).
Staionarizarea acesteia prin diferene are ca rezultat urmtoarea serie:
..., , , ,... x x x x x x
t t s t s t t s t s

+ + + 2
.

0
200
400
600
0 12 24 36 48 60 72 84 96 108 120 132 144 156 168 180 192 204 216

m
3
/s
timpul n luni
Fig. 3.9. Reprezentarea grafic a debitelor medii lunare ale Someului
la Satu Mare pentru perioada 1975 - 1992.

Rolul filtrului de difereniere sezonier ( )
s
se scrie astfel:

( )

s t
s
t t t s
x B x x x = =

1 3 . ( 51 . )
74
Se consider seriile de debite pariale pentru dou luni succesive:
pentru luna martie:

... , , , , , ... , x x x x
t s t t s t s + +2


* pentru luna februarie:

... , , , , , ... , x x x x
t s t t s t s + + 1 1 1 2 1



Tabelul 3.1

Reprezentarea tebelar a debitelor Someului la Satu Mare

ian feb mar . . . dec

1975 151 55.5 112 . . . 44.9
1976 62 76.8 265 . . . 67.8
. . . . . .
. . . . . .
. . . . . .
1992 39.9 83.6 156 . . . 116

An
Luna
Modelul ARIMA pentru luna martie are forma:
( ) ( )
a B x b B v
s
s
d
d
t s
s
t
s
= ( . ) 3 52
unde:
i ( ) a
s
( ) b
s
sunt funcii polinomiale de ordin , respectiv ; p
s
q
s

{ }
v
t
este un proces staionar corespunztor lunii martie.

Pentru luna februarie este convenabil a considera c sunt valabile aceleai
funcii polinomiale i acelai parametru ca n cazul lunii martie. Astfel,
expresia devine :
d
s

( ) ( ) a B v b B z
d
t t 1 1
1
3 53 = , ( . )
unde :
i sunt funcii polinomiale de ordin i ; ( ) a
1
( ) b
1
p
1
q
1

{
este un proces staionar necorelat.
}
z
t

75
Aceasta arat modul n care debitul mediu al lunii martie este legat de
debitul lunii februarie i n acelai timp de valoarea nregistrat n luna martie a
anului precedent.
Ne imaginm existena unei dependene ntre valorile succesive att de-a
lungul liniilor (de la o lun la alta n cadrul aceluiai an) ct i de-a lungul
coloanelor (de la o lun la alta ntre anii consecutivi). Se elimin v
t
din
ultimele dou expresii i se obine:

( )
( )
( )
( )
a B a B x b B b B z
s
s d d
t s
s
t
s
1 1
1
3 54 = . ( . )

Acest model se numete model ARIMA multiplicativ de ordin
( ) ( ) p q d p d q
s s s 1 1 1
, , , , .
76




4. ARGUMENTE FIZICE ALE MODELRII
STOCHASTICE N HIDROLOGIE

Conceptul stochastic de modelare a scurgerii unui ru presupune faptul c un
anume tip de model reprezint cele mai relevante caracteristici statistice ale
seriei istorice.
Seria istoric de observaii reprezint un eantion finit al unui proces
temporal aleator (scurgerea). De aceea ntotdeauna vor exista diferene ntre
modelul estimat i cel real. Pentru a micora aceste diferene, una dintre
posibiliti const n selectarea modelului care reprezint cel mai bine realitatea
fizic a sistemului (bazinul hidrografic). n cazul scurgerii medii anuale, cele
mai utilizate modele sunt cele autoregresive i cele mixte autoregresive i de
medie alunectoare.


4.1. PREMISE CONCEPTUALE

Pornind de la un bazin hidrografic, considerat ca sistem, vom studia cum
anume input-ul, precipitaiile anuale bazinale, sunt transformate de ctre bazinul
hidrografic n output, debitele medii anuale.
Se tie c precipitaiile (anuale sau cele lunare i anotimpuale des-
sezonalizate) reprezint un proces staionar necorelat n cele mai multe cazuri.
De asemenea, s-a observat c debitele medii corespunztoare reprezint
dimpotriv un proces mai mult sau mai puin staionar, dar corelat. Aceasta,
nseamn c, bazinul hidrografic prin mecanismul de bilan hidrologic i prin
caracteristicile sale fiziografice transform input-ul necorelat ntr-un output
corelat.
S considerm cazul unui bazin hidrografic pentru care dispunem de serii
anuale de precipitaii i debite i pentru care nu se semnalizeaz existena unor
schimbri climatice. Existena schimbrilor climatice ar determina existena
unor tendine sau schimbri brute n seriile considerate, deci nestaionaritate.
Prin aceast ipotez evitm influene externe asupra sistemului (bazinul
hidrografic). Astfel, considerm seria precipitaiilor ca fiind independente din
punct de vedere stochastic sau ca fiind rezultatul unui proces stochastic staionar
i independent.

77
Staionaritatea nseamn faptul c proprietile statistice de baz (medie,
varian, abatere medie ptratic, coeficient de variaie) nu se schimb n timp.
Independena presupune faptul c precipitaiile nregistrate la un moment dat (ntr-
un an) nu depind n nici un fel de cele nregistrate ntr-un moment (an) precedent.
Se nelege faptul c debitul rului nregistrat la o anumit seciune i la un
anumit moment dat este, n principal, rezultatul precipitaiilor dintr-o perioad
antecedent. Debitul rului depinde de precipitaii i de ali factori climatici i
neclimatici, dintre care unii evolueaz aleator n timp i spaiu. Caracteristicile
stochastice ale variaiei precipitaiilor sunt n mare msur responsabile de
caracteristicile stochastice ale scurgerii. Bazinul hidrografic convertete
precipitaiile areale, ca proces stochastic, n procesul stochastic al scurgerii rului.
Relaia funcional dintre cele dou proces stochastice este legat de
contribuia precipitaiilor i de distribuia spaio-temporal a acestora, precum i
de caracteristicile fiziografice ale bazinului. n procesul scurgerii sunt implicate
numeroase caracteristici ale bazinului hidrografic, care pot fi grupate n
climatice sau ne-climatice.
n funcie de caracteristica timp, unii factori ai scurgeri sunt variabili sau
invariabili. Morfometria bazinului hidrografic, caracteristicile geologice i
tipurile de soluri nu se schimb n timp, dar ele influeneaz ciclul hidrologic.
Volumul de ap infiltrat, pierderile prin evaporaie, transpiraia plantelor
precum i scurgerea de suprafa i cea subteran sunt legate direct sau indirect
de climatul i de celelalte caracteristici ale bazinului hidrografic.
Debitul observat este cantitatea de ap care prsete bazinul printr-o
anumit seciune, fiind puternic influenat de precipitaiile areale i de
evapotranspiraia areal maxim, posibil din punct de vedere fizic. Volumul de
ap este transportat att la suprafaa bazinului ct i pe cale subteran, de la
locul unde a fost precipitat pn la gura de vrsare a rului. Bineneles, apar
unele atenuri i decalaje n timp datorit caracteristicilor geografice i
geologice ale bazinului.
Transferul de ap, ca o component a ciclului hidrologic la scar bazinal,
reflect un proces hidrologic stochastic prin care volumul de ap este transferat
de la o unitate de timp la urmtoarea. Volumul de ap care sufer un decalaj
temporal sporit (ntre momentul precipitrii i momentul nregistrrii debitului)
ar putea reprezenta scurgerea subteran amnat sau ncetinit. n bazinele
hidrografice mari, volumul de ap care sufer transferul de la o unitate de timp
la urmtoarea unitate de timp, este reprezentat i de scurgerea de suprafa
amnat sau ncetinit.
n bazinele mari cauza ncetinirii o reprezint distana mare pe care trebuie
s o parcurg apa de la locul de precipitare pn la seciunea de nregistrare.
Scurgerea amnat poate fi generat, de asemenea, de procesul de topire al
zpezilor.
78
4.2. CAZUL PRECIPITAIILOR STAIONARE
I INDEPENDENTE STOCHASTIC

Se consider modelul conceptual al bazinului hidrografic reprezentat n
figura 4.1, adaptat i modificat dup modelul lui Salas i Smith (1981).
Numrul de variabile implicate n procesul scurgerii este deosebit de mare la
scara bazinului hidrografic. Dar, neglijnd procesele hidrologice minore putem
defini dou filtre fiziografice care cumuleaz i separ componentele principale
ale ciclului hidrologic. Prin acest model simplificat, numrul de variabile care
aproximeaz procesul major al scurgerii este finit i similar pentru orice bazin.
Bazinul hidrografic este construit dintr-un filtru geografic i un filtru
geologic. Aceste filtre separ precipitaiile ( ) Z
t
ca input, n diferite componente
ca n cazul ciclului hidrologic.
Exist dou output-uri care ies din bazinul hidrografic considerat ca sistem:
evaporaia ( i scurgerea medie ) bZ
t
( ) X
t
pentru un anumit interval de calcul.
Filtrul geografic nsumeaz toate caracteristicile climatice i neclimatice ale
suprafeei bazinului hidrografic: morfometrie, caracteristici pedologice,
vegetaia, modul de utilizare al terenului etc. Filtrul geografic separ
precipitaiile n trei pri, n funcie de raportul dintre caracteristicile climatice i
ne-climatice ale bazinului: output-ul 1 - pierderile prin evapotranspiraie,
output-ul 2 - scurgerea de suprafa, output-ul 3 - volumul de ap infiltrat.

input
Z
t
output 1
bZ
t
Fig. 4.1. Modelul conceptual al bazinului hidrografic.
output 2
(1-a-b) Z
t
= dZ
t

output 3
aZ
t
Filtru
geologic
output 4
cS
t-1
Scurgerea
medie
X
t
79
Scurgerea de suprafa din timpul perioadei (t) este dat de:

Z aZ bZ a b Z dZ
t t t t t
= = ( ) , ( 1 4. ) 1
1


unde:
este precipitaia; Z
t
- infiltraia; aZ
t
- evaporaia, n condiiile : bZ
t

1 0 1 0 = + a b d a b a b ; , ; .

Se consider c nu exist acumulri semnificative de suprafa i c ntregul
volum de ap precipitat contribuie la evapotranspiraie, infiltraie sau scurgere
de suprafa. Bineneles, volumul de ap infiltrat este influenat mai mult sau
mai puin de ctre condiiile climatice. Volumul de ap infiltrat ( ) aZ
t
trece prin
filtrul geologic alimentnd afluxul de ap subteran ( ) c S
t 1
mai mult sau mai
puin ncetinit.
Filtrul geologic este o imagine medie a diferitelor tipuri de soluri i de roci,
mai mult sau mai puin fracturate i fisurate, incluznd proprietile lor
hidrogeologice ca permeabilitatea, porozitatea i capacitatea de stocare.
Scurgerea medie ( este compus din contribuia subteran ( ,
care este echivalent ipotezei c stocul subteran are caracteristicile unui
rezervor subteran, i contribuia de suprafa egal cu
) X
t
) c S
t 1
( ) dZ
t
:

X cS dZ
t t t
= +
1
4 2 , ( . )

unde:
este stocul subteran de la nceputul perioadei S
t 1
( ) t ;
c 1 .

Debitul observat este consecina volumului precipitaiilor areale din perioada
(t) care este fracionat i redistribuit n timp i n spaiul bazinului hidrografic
de cele dou filtre. Astfel, cele dou filtre contribuie mai mult sau mai puin, n
funcie de caracteristicile pe care le au, la transferul de ap de la un moment de
timp la urmtorul. Filtrul geografic influeneaz acest transfer de ap n timp
numai n cazul bazinelor mari sau n cazul n care volumul de ap din stratul de
zpad topit este, de asemenea, important. n practic ns, nu este posibil a
msura contribuia fiecrui filtru, pornind numai de la scurgerea medie.
80
Legea conservrii masei pentru stocul subteran ( ) S
t
din filtrul geologic are
forma:
S S aZ cS c S aZ
t t t t t t
= + = +
1 1 1
1 4 ( ) . ( .3)

La momentul (t-1) scurgerea medie ( ) X
t 1
este obinut din expresia (4.2):

X cS dZ
t t t
= +
1 2 1
4 4 , ( . )

de unde rezult afluxul subteran la momentul (t-2):

cS X dZ
t t t
=
2 1 1
4 5 . ( . )

Din expresia (4.3) se poate obine stocul subteran la momentul (t-1):

S c S aZ
t t t
= +
1 2 1
1 4 ( ) . ( .6 )

Combinnd i rearanjnd expresiile (4.2-4.6) se obine scurgerea medie astfel:

X c c S acZ dZ
t t t t
= + +

( ) . ( . 1 4
2 1
) 7

innd cont de ( din expresia (4.5) se obine: ) c S
t 2

X c X c dZ acZ dZ
t t t t t
= + +

( ) ( ) , ( . 1 1
1 1 1
) 4 8

sau prin rearanjare:

( )
[ ]
X c X dZ d c ac Z
t t t t
= +

( ) . ( . 1 1
1 1
) 4 9

Eshete (1992) propune eliminarea mediilor multianuale:
x
(pentru
scurgere),
s
(pentru stocul subteran) i
z
(pentru precipitaii):

X X S S
t x t t s t
= + = +
' '
; Z Z
t z t
= +
'
. ( . ) 4 10 i

Astfel expresia (4.9) devine:

( )
[ ]
X c X dZ d c ac Z
t t t t
' ' ' '
( ) . ( . = +

1 1
1 1
) 4 11

81
Expresia de mai sus are forma unui proces mixt autoregresiv i de medie
alunectoare de ordin (1,1) dac precipitaiile reprezint o serie independent i
nu se admite existen schimbrilor climatice. Modelul ARMA(1,1) definete
procesul staionar
{ }
X
t
sub forma:

X a X Z b Z
t t t t
= + +
1 1 1 1
4 12 , ( . )
1


unde:
a
1
i sunt parametri care ndeplinesc condiiile de staionaritate
i inversabilitate
b
1
< < 1
1
a < < 1 1
1
b ;
Z
t
este un proces staionar necorelat.

Procesul ARMA (1,1) formeaz o generalizare a procesului autoregresiv i
de medie alunectoare:


AR X Z a X
MA X Z b X
t t t
t t t
( ) : , ( . )
( ) : . ( . )
1 4
1 4
1 1
1 1
13
14
=
= +

Prin aceast demonstraie se arat faptul c modelarea stochastic a scurgerii
apei conine elemente fizice ale procesului hidrologic.
n ceea ce privete transferul de ap ntre secvene de timp se deduc alte
rezultate importante. Astfel, la scara bazinului hidrografic, coeficientul de
autocorelaie pentru lag-1 sau parametrul modelului AR(1) poate fi utilizat ca
msur a transferului de ap.
Cu toate c Box i Jenkins (1976) postuleaz faptul c nu se pot atribui
semnificaii fizice parametrilor modelelor ARMA (modele stochastice black-
box) demonstraia de mai sus arat faptul c parametrul AR(1) exprim gradul
de influen a filtrului geologic (la care se adaug ntr-o msur mai mare sau
mai mic influena filtrului geografic) asupra transferului de ap.
Haidu et al. (1995) arat c ntre parametrul AR(1) i anumii indici
fiziografici ai bazinului hidrografic exist legturi statistice. n aceast lucrare s-
au luat n considerare 40 de serii de debite medii lunare nregistrate pe rurile
din nordul Transilvaniei.
Seriile prezint periodicitatea de 12 luni att n medie ct i n deviaia
standard. n prealabil s-a procedat la o transformare de tip Box-Cox (cap. 5.3.3).
Dessezonalizarea s-a realizat cu ajutorul unei metode recomandate de Kendall
(1973), rezultnd astfel 12 indici sezonieri i serii reziduale care s-au dovedit a
fi staionare de ordinul doi.
82
Funcia de autocorelaie (ACF) i funcia de autocorelaie parial (PACF)
aplicate seriilor reziduale staionarizate indic modelul ARMA(1,0) ca fiind cel
mai potrivit model stochastic. Modelul identificat ndeplinete criteriile de
validare specifice metodologiei Box - Jenkins (cap. 5). Avantajul acestui model
l reprezint faptul c avnd doar un singur parametru, AR(1), este cel mai
economicos posibil.
Prin analiza de regresie s-a studiat posibila legtur dintre parametrul
stochastic identificat i anumii indici fiziografici ai bazinului hidrografic
(fig. 4.2).
Astfel, s-au luat n considerare urmtoarele elemente:

* altitudinea medie a bazinului ( ; , H m
r
)
* panta medie reflectat de indicele
( )
H A
r
/ : unde este altitudinea H
r
medie relativ n m;
* aria bazinului, A, n km
2
;
* scurgerea medie specific,
( )
q l s km , /
2
;
* un index de compactitate geologic, notat cu C , care depinde de
rezistena mecanic a rocilor, porozitate i permeabilitate.
i

Primii trei indeci exprim filtrul geografic, iar ultimul exprim filtrul
geologic. Analiza de regresie permite, n primul rnd, divizarea bazinelor n
dou categorii i anume: bazine cu roci, n general, metamorfice i eruptive
fisurate i fracturate, i bazine avnd roci sedimentare detritice, n general,
poroase. n ceea ce privete bazinele metamorfice i eruptive, dreptele de
regresie par a fi semnificative doar n cazul altitudinii medii a bazinelor (a) i n
cazul indexului de compactitate geologic (e).
Pentru bazinele sedimentare parametrul AR(1) se diminueaz pe msura
creterii valorilor indicilor fiziografici. Menionm faptul c n cazul indexului
de compactitate geologic apar mai multe drepte de regresie, dar totui
neconvingtoare, datorit numrului mic de serii analizate.
83

Fig. 4.2. Legtura dintre parametrul AR(1) i indici fiziografici ai bazinului hidrografic;
a, c, e, g - bazine dominant metamorfice i eruptive; b, d, f, h - bazine dominant
sedimentare detritice; - altitudinea medie absolut; H
a
H
r
/ A - indice de pant,
q - scurgerea medie specific; C - index de compactitate geologic.
i
84
4.3. CAZUL PRECIPITAIILOR AR(p) I ARMA(p,q)

Salas i Smith (1981), i Eshete (1992) au dezvoltat modele conceptuale
ARMA ale scurgerii de ordin superior n care precipitaiile sunt reprezentate de
procese AR(p) i ARMA(p,q).
Se consider precipitaiile ( ) Z
t
ca fiind exprimate de un model AR(1):

Z Z
t t t
' '
, ( = +

1
4 15 . )

unde :
este parametrul autoregresiv;

t
- seria rezidual independent.

Substituind ecuaia (4.15) n ecuaia (4.3), stocul subteran se scrie astfel:

( ) ( ) S c S c S a
t t t t
' ' '
, ( . = + +

1 1
1 2
) 4 16
x


care este un proces AR(2).
n mod similar, combinnd ecuaiile (4.2), (4.3) i (4.15) scurgerea
devine: X X
t t
'
=

( ) ( ) ( )
[ ]
X c X c X d d c ac
t t t t t
' ' '
, ( . ) = + +

1 1 1
1 2 1
4 17
. )


care corespunde unui proces ARMA(2,1).

S presupunem faptul c precipitaiile sunt reprezentate de un proces
ARMA(1,1), atunci:
Z
t

Z Z
t t t t
' '
, ( = +


1 1
4 18

unde :
este parametrul autoregresiv;
- parametrul de medie alunectoare;

t
- seria rezidual independent.
Substituind ecuaia (4.18) n ecuaia (4.3), stocul subteran se
scrie astfel:
S S
t t
'
=
s

( ) ( ) S c a S c a S a a
t t t t t
' ' '
, ( . = + + +

1 1
1 2 1
) 4 19
85
care este un proces ARMA(2,1).

n mod similar, combinnd ecuaiile (4.2), (4.3) i (4.18) scurgerea rului
devine:


( ) ( )
( )
[ ]
( )
[ ]
X c X c X d
d c ac ac d c
t t t t
t t
' ' '
, ( .
= + +
+


1 1
1 1
1 2
1 2

) 4 20
)

care corespunde unui proces ARMA(2,2).

S presupunem faptul c precipitaiile ( sunt exprimate de un model
MA(1), deci
Z
t
= 0 n ecuaia (4.18), atunci:

Z
t t t
'
. ( =


1
4 21 . )

n ecuaiile (4.19) i (4.20) se observ faptul c pentru = 0 dispar termenii
autoregresivi pentru momentul de timp (t-2). n acest caz stocul subteran devine
un proces ARMA(1,1), iar scurgerea medie un model ARMA(1,2).
Prin mrirea ordinului AR(p) sau ARMA(p,q) a input-ului (precipitaiile care
intr n sistemul bazin hidrografic) apar efecte stochastice asupra variaiei
afluxului subteran i asupra variaiei scurgerii medii. Apreciem faptul c
efectele stochastice imprimate de schimbarea caracteristicilor input-ului vor
exprima i efecte de ordin fizic privind caracteristicile cantitative ale scurgerii.


86




5. GHID PRACTIC PENTRU MODELAREA ARIMA


5.1. INTRODUCERE

Metodologia de modelare a lui Box i Jenkins (1976) se utilizeaz numai
pentru serii de timp staionare, observaiile fiind generate de procese ARIMA
(Autoregresiv, Integrat i Medie alunectoare). Modelele (ARIMA) combin
trei tipuri de procese : autoregresia (AR), diferenierea pentru a dezvlui
integritatea seriei (I) i media alunectoare (MA). Toate aceste trei procese se
bazeaz pe conceptul de perturbare sau oc aleator. Procesul are o desfurare
relativ echilibrat n jurul unei valori medii constante dar, ntre dou valori
consecutive apare o perturbare sau un oc care afecteaz nivelul local al seriei.
Aceste perturbaii sunt descrise matematic de modelele ARIMA. Fiecare din
cele trei procese componente rspunde ntr-un mod specific la ocurile
aleatoare. Cel mai general model ARIMA implic toate cele trei procese, fiecare
fiind descris de un numr ntreg. Neglijnd sezonalitatea, modelul se scrie sub
forma ARIMA(p,d,q), unde p este ordinul autoregresiei, d este gradul de
difereniere iar q este ordinul mediei alunectoare. Dei acestea sunt legate ntre
ele n cadrul aceluiai proces, caracteristicile lor pot fi examinate separat.
Primul dintre cele trei procese incluse n modelele ARIMA este
autoregresia. n cadrul unui proces autoregresiv, fiecare dintre valorile unei
serii este o funcie liniar de valoarea sau valorile precedente. ntr-un proces
autoregresiv de ordinul nti se utilizeaz doar prima valoare precedent; n
cadrul procesului autoregresiv de ordinul doi se utilizeaz primele dou valori
precedente i aa mai departe. n mod obinuit aceste procese se noteaz cu
AR(n), unde numrul din parantez indic ordinul. Astfel, AR(1) este un proces
autoregresiv de ordinul nti, unde:


VALOAREA soc VALOAREA
t t
= +

1
5 1 . ( . )

Coeficientul se estimeaz pe baza seriei de observaii i indic ct de mult
depinde fiecare valoare de cea precedent. Fiindc ordinul autoregresiei (p=1)
este primul parametru al modelului ARIMA, un model AR(n) este identic cu
modelul ARIMA(n,0,0).
87
Din punct de vedere conceptual, procesul autoregresiv este un proces cu
memorie deoarece fiecare valoare este corelat cu toate celelalte precedente. n
cadrul unui proces AR(1), valoarea curent este n funcie de cea precedent, care la
rndul ei depinde de cea precedent i aa mai departe. n cazul unui model AR(p)
al scurgerii unui ru se poate afirma c parametrul p reflect efectul de memorie.
Din punct de vedere fizic, memoria bazinului este determinat de caracteristicile
geologice i reflectat de particularitile scurgerii de baz.
Pentru a explica rolul diferenierii n cadrul modelrii ARIMA trebuie s reinem
faptul c deseori o serie de timp exprim efectul cumulat al mai multor procese.
Procesele sunt responsabile de schimbrile nivelului mediu local al seriei. Efectul
cumulat al schimbrilor locale genereaz nivelul mediu global al seriei (media).
Nivelul mediu global al unei serii, calculat pentru o lung durat, poate s nu
sufere schimbri. Valorile aceleai serii pot totui s se abat aleator i
semnificativ de la nivelele medii locale (calculate pentru intervale mai scurte).
Schimbrile de nivel care survin n mod ntmpltor de la o valoare la alta se
studiaz prin procedeul de difereniere dintre o valoare i cea urmtoare. Dac
diferenele obinute sunt relativ constante, atunci este vorba de staionaritate,
ceea ce este de dorit din punct de vedere al modelrii stochastice.
Pentru modelele care reflect efectul cumulat al mai multor procese, efect care mai
poart numele de integrat, se utilizeaz notaia I(d) sau ARIMA(0,d,0). Cel mai simplu
model de acest tip este I(1) sau ARIMA(0,1,0). Rareori este nevoie de un model de
diferene al diferenelor, care se noteaz cu I(2) sau ARIMA(0,2,0) i aa mai departe.
Modelul I(1) poate fi apreciat ca fiind un model cu memorie perfect, pentru c depinde
de valoarea precedent i numai de valoarea precedent. Cu excepia fluctuaiilor
aleatoare, fiecare valoare a seriei noi generat de modelul I(1) este relativ egal cu
valoarea precedent. Un asemenea proces este, adesea, numit mers aleator deoarece
fiecare valoare este rezultatul efecturii unui pas aleator pe axa timpului dinspre
valoarea precedent. Un model I(1) poate fi privit ca un model AR(1) pentru care
coeficientul de regresie = 1. ntotdeauna este mai uor a studia diferenele de ordinul
nti dect a lucra cu coeficieni de regresie apropiai valorii 1.0.
Ultimul proces utilizat de modelele ARIMA, i cel mai dificil de vizualizat
este media alunectoare. n cadrul unui proces de medie alunectoare, fiecare
valoare este determinat n funcie de valoarea ocului curent i n functie de
unul sau mai multe ocuri anterioare. Ordinul mediei alunectoare notat cu
MA(q) indic numrul de ocuri anterioare utilizate pentru calculul noii valori.
Ecuaia procesului de medie alunectoare de ordinul nti este:

VALOAREA soc soc
t t
= +

1
5 2 . ( . )

Notaia standard MA(n) sau ARIMA (0,0,n) indic faptul c n ocuri
anterioare se utilizeaz pe lng cel curent.
88
Diferena dintre un proces autoregresiv i unul de medie alunectoare este
subtil i important. Fiecare valoare a unei serii de medie alunectoare este o
medie ponderat de cele mai recente ocuri aleatoare, n timp ce orice valoare a
unei serii autoregresive este o medie ponderat de cele mai recente valori ale
seriei de observaii. n cadrul unui proces de medie alunectoare, un oc aleator
influeneaz seria pentru un numr finit de perioade (numr indicat de ordinul q
al mediei lunectoare) apoi aceast influen nceteaz brusc.
n cadrul unui proces autoagresiv o anumit valoare curent a seriei este
influenat de valorile anterioare i de ocul curent. Prin urmare, efectul acestei
influene nceteaz treptat, pe msura trecerii timpului.


5.2. ETAPE DE LUCRU

Dup cum s-a spus, metodologia ARIMA se refer la serii staionare, deci
pentru obinerea acestei caracteristici deseori se impun efectuarea unor operaii
preliminare. Dac se satisfac anumite condiii statistice se poate trece la etapele
propriu-zise ale metodologiei ARIMA (fig.5.1).
Principalele condiii statistice se refer la normalitate i staionaritate. Prin
aplicarea unei transformri de tip Box-Cox asupra unei serii de timp cu anumit
distribuie non-normal, se obine o serie de distribuie normal sau apropiat de
normalitate. Uneori transformarea Box-Cox poate avea i efectul de
staionaritate. Dac dup transformarea efectuat se constat faptul c seria este
nestaionar se impun alte operaii: eliminarea tendinei globale, eliminarea
componenei sezoniere (dac este cazul), diferenierea etc. Se va avea n vedere,
de asemenea, satisfacerea condiiei de ergodicitate (cap. 1.5 i 2.2). O posibil
cauz a non-ergodicitii o reprezint tendinele locale.
n metodologia clasic de modelare a seriilor de timp se construiete un
model aditiv (sau multiplicativ) identificnd n prima faz tendina global i
componenta sezonier. Eliminarea acestora printr-o simpl diferen, transform
uneori seria iniial ntr-o serie staionar.
Cel mai eficient mod de staionare l reprezint n cadrul metodologiei Box-
Jenkins operaia de difereniere. Subliniem faptul c obinerea unei serii
staionare i ergodic necesit i eliminarea tendinelor locale. Acest lucru
presupune ns identificarea n prealabil a seriei tendinelor locale, sau a
tendinei compozite (dac aceasta exist i dac are semnificaie statistic)
printr-o metod adecvat (modelarea Fourier, transformata Fourier etc.)
Operaia aceasta este deosebit de complicat i riscant, deoarece efectul ei
poate fi introducerea unor pattern-uri artificiale n seria rezidual. Operaia de
difereniere sau difereniere repetat (n metodologia Box-Jenkins) elimin
tendinele locale, dar are inconvenientul faptul c nu permite vizualizarea
89
acestora (lucru dorit de utilizator pentru emiterea unor explicaii sau ipoteze).
Dup cum s-a vzut n cap.3, modelele ARIMA iau n considerare efectul
diferenierii sau diferenierilor n faza de elaborare a simulrii sau prediciei.
Cele trei procese aleatoare care stau la baza modelelor ARIMA sunt strns
legate ntre ele n cadrul procesului aleator global care genereaz succesiunea de
valori ale seriei de timp. Nu exist un algoritm de calcul care s poat elabora
modelul corect al seriei de timp.


Date iniiale



Operaii preliminare
Transformare Box-Cox
Staionarizare
Sunt
satisfcute condiiile
statistice ?
Selectarea modelului
Identificarea ordinului
Estimarea parametrilor
Testarea modelului
Validare
DA
NU
DA
NU











A

R

M

A











Aplicaii



Fig. 5.1. Etapele modelrii Box-Jenkins.

90
Metodologia Box-Jenkins ofer o procedur de elaborare a celui mai bun
model posibil al seriei de timp. Presupunnd c seria hidrologic de care
dispunem satisface condiiile menionate (eventual dup aplicarea unor operaii
preliminare) urmeaz trei etape: selectarea modelului, estimarea parametrilor i
validarea, care se repet pn cnd modelul este satisfctor (v. fig.5.1).
Prima i una din cele mai subiective etape o reprezint selectarea modelului.
Aceast etap presupune identificarea ordinului modelului, adic determinarea
a trei numere ntregi p, d, q, ale procesului ARIMA(p, d, q) care genereaz seria de
timp. Seriile hidrologice lunare sau anotimpuale (sezoniere n general) necesit un
alt set de parametrii pentru a descrie i variaia sezonier.
Dac seria de timp este nestaionar (nivelul ei mediu variaz pe intervale de
timp scurte sau variaia este inconstant n timp) se procedeaz la difereniere.
Astfel fiecare valoare a seriei este nlocuit cu diferena dintre valoarea curent
i cea precedent, rezultnd o nou serie de tip Box-Cox (logaritm, radical etc.)
pot fi, de asemenea, utilizate dac n situaia n care pe intervale scurte exist
diferene ntre amplitudinea valorilor succesive. Numrul de diferenieri
efectuate se exprim prin parametrul d al modelului ARIMA. n mod obinuit d
este egal cu 0 sau 1, foarte rar cu 2.
Urmeaz apoi identificarea parametrilor p i q, ordinele proceselor
autoregresive respectiv de medie alunectoare. Ambii parametrii sunt n mod
obinuit 0, 1 sau 2 (foarte rar mai mari) n cazul seriilor nesezoniere. Pentru
identificarea corect a lui p i q se utilizeaz funcia de autocorelaie parial
(PACF) respectiv funcia de autocorelaie (ACF), (vezi Anexa 1). ACF i
PACF dau autocorelaia i autocorelaia parial pentru decalaje de timp-lag
1, 2, 3 i aa mai departe (de obicei este suficient s se examineze valorile
ACF i PACF pentru lag maxim = 15.
Valorile ACF ale unui model AR(p) vor descrete exponenial (cu posibila
alternan a valorilor pozitive i negative). Ordinul p va corespunde unui numr
de p vrfuri i se va deduce din valorile PACF.
Valorile PACF ale unui model MA(q) vor descrete, de asemenea,
exponenial. Ordinul q va corespunde unui numr de q vrfuri i se va deduce
din valorile ACF. Dac valorile ACF descresc foarte lent, atunci se impune
efectuarea diferenierii naintea identificrii modelului.
Modelele mixte ARMA sau ARIMA au ACF i PACF mult mai
complexe, i identificarea lor necesit parcurgerea de mai multe ori a
ciclului selectare-estimare-validare. Anexa 1 prezint grafice ale ACF i
PACF teoretice i ordinele modelelor ARMA corespunztoare.

91

Selectarea modelului
componenta non-aleatoare
Estimarea modelului
componenta non-aleatoare
Testarea modelului
Componenta non-aleatoare
Modelul este bun ?
DA
NU
Testarea modelului
componenta aleatoare

1



2




3




4


Estimarea modelului
componenta aleatoare
5


Estimarea modelului
global
NU
DA
Testarea modelului
global
Modelul este bun ?
Selectarea modelului
global

6
8




7




Aplicaii


Fig. 5.2. Etapele modelrii unei serii de timp scalare (Vandewiele, 1988).

Etapa de estimare a parametrilor necesit parametrii p, d, q i seria
staionarizat. Metoda verosimilitii-maxime (sau alt metod) determin prin
iteraie coeficienii (estimatorii) modelului ARIMA. Tot n aceast etap se
simuleaz o nou serie (numit serie fitat, modelat sau simulat) pe baza
modelului ARIMA(p,d,q) corespunztoare perioadei de timp observate.
92
Diferena dintre seria iniial i seria simulat reprezint seria rezidual (seria
erorilor). Modelarea ARIMA(p,d,q) solicit, de asemenea, calculul limitelor de
confiden ale seriei simulate i elaborarea prediciei pentru un interval dorit.
Etapa de testare a modelului i de validare necesit seria simulat i seria
erorilor. Seria simulat trebuie s aib aceleai caracteristici statistice, specifice
sriilor de timp, ca i seria iniial. Valorile ACF i PACF ale seriei reziduale nu
trebuie s difere semnificativ de 0. Dac primele 1-2 valori ale coeficienilor de
corelaie, n cazul seriei reziduale, depesc nivelul limitelor de confiden de
95% rezult c modelul a fost greit selecionat. Deci, se va proceda la
selecionarea unui nou model candidat pentru analiza stochastic.
Rezultatele obinute n studiul seriilor de timp hidrologice arat c dac 1-2
coeficieni depesc limita de 95% dar numai n cazul lag-urilor mari (peste
7-8) modelul poate fi apreciat ca fiind satisfctor. Nici ACF, PACF ale
rezidurilor i nici seria rezidual nsi nu trebuie s conin pattern-uri. Seria
rezidual trebuie s aib caracteristicile unui zgomot alb.
Exist teste adecvate pentru verificarea reziduului sau a seriei simulate. Tot n
cadrul acestei etape se estimeaz erorile standard ale coeficienilor i i se
verific dac acetia sunt semnificativi din punct de vedere statistic. Dac
coeficienii nu sunt semnificativi rezult necesitatea relurii ciclului de modelare.
Vandewiele (1988) include etapele modelrii ARIMA ntr-un algoritm mai
larg n care seria iniial este nestaionar. n figura 5.2 se prezint etapele
modelrii unei serii scalare nestaionare care conine o component non-
aleatoare i o component aleatoare i staionar.


5.3. UTILIZAREA PROGRAMULUI PEST

Unul dintre programele care modeleaz serii de timp scalare pe baza
metodologiei Box-Jenkins este programul PEST (Parameter ESTimation) din
pachetul ITSM (Interactive Time Series Modelling) elaborat de Brockwell et al.
(1991) care se va desrie n continuare. Alte pachete de programe care rezolv n
ntregime, sau numai parial, probleme similare de modelare sunt: SAS, SPSS,
STATGRAPHICS, EXCEL, MHTS etc. Pachetul ITSM este accesibil, simplu i
uor de nvat, i nu necesit licen de instalare.


5.3.1. MENIUL PRINCIPAL I MENIUL DATELOR

Meniul principal cuprinde :


1: Data entry; statistics; transformations
2: Entry of an ARMA(p,q) model
10: Model and data file status
11: Exit from program
93
i posibilitatea alegerii uneia dintre aceste rutine (Choose a number : ).
Accesul n program se face fie prin opiunea 1 (citirea unui fiier de date care
trebuie s fie n format ASCII, o valoare pe linie) fie prin opiunea 2 (citirea lui
p i q ale unui model ARMA). n orice etap de lucru se poate importa o nou
serie, dar atunci vechea serie este eliminat. Importm seria de debite medii
lunare (l/s) numit Sohodol (date fictive) prin opiunea 1, care apoi se confirm
cu yes i apoi se introduce numele fiierului de date (Sohodol). Dup citirea
datelor se deschide Meniul datelor (fig. 5.3).

1. Input new data set
2. Plot the 120 data values; find mean and variance
3. Plot sample ACF/PACF of current data file
4. File sample ACF/PACF of current data file
5. Box-Cox transformation
6. Remove seasonal compt.
7. Remove polynomial trend
8. Difference current data
9. Subtract the mean of
11. Return to main menu


Fig. 5.3. Meniul datelor din programul PEST.

Opiunea 1 din Meniul datelor permite schimbarea fiierului de date curente.
n prealabil, prin opiunea 10 se pot salva rezultatele obinute pn n acel
moment (Atenie, la prima citire a unui fiier de date, opiunea 10 nu este
vizibil). Numele ales pentru fiierul care urmeaz a fi salvat trebuie s fie
diferit de celelalte denumiri ale fiierelor de date din directorul curent pentru a
evita pierderea de informaii. Meniul datelor prezint la nceput numele
fiierului, numrul de valori, iar pentru verificarea identitii seriei, se mai
afieaz primele trei, respectiv ultima valoare ale coloanei de date.


5.3.2. INSPECIA VIZUAL

Analiza unei serii de timp ncepe cu reprezentarea ei grafic. Opiunea 2 din
Meniul datelor ofer trei posibiliti de reprezentare a observaiilor. n primul
rnd apare histograma datelor (fig.5.4), n al doilea rnd se prezint unele
caracteristici statistice ale eantionului (media, deviaia standard i coeficientul
de asimetrie) i n al treilea rnd se afieaz graficul valorilor n funcie de timp
(fig.5.5). Utilizatorul va trebui s verifice toate aceste informaii n scopul
identificrii celor mai potrivite operaii pentru a transforma (dac este cazul)
seria nestaionar ntr-o serie staionar.
94

F
M =243.1
Std=121.7
Cs =1.2
0 5

Fig. 5.4. Distribuia frecvenelor debitelor medii lunare (standardizate)
ale rului Sohodol.

0
200
400
600
800

l/s
1 120
timpul n luni

Fig. 5.5. Variaia debitelor medii lunare (pe 10 ani) ale rului Sohodol .

Histograma ofer informaii privind forma distribuiei de frecven i gradul
de asimetrie. Axa vertical i axa orizontal sunt redimensionate pentru a indica
ct de mult distribuia de frecven a seriei examinate se abate de la normalitate.

Observaie: S-a renunat la prezentarea legendei pentru scrile orizontal i
vertical a histogramelor standardizate, analizndu-se numai forma acestora.
Graficul seriei permite formularea unor idei generale privind:
1. prezena sau absena unei tendine globale;
2. prezena sau absena tendinelor locale;
3. prezena sau absena sezonalitii;
4. existena variaiilor episodice brute sau a salturilor;
5. variabilitatea dispersiei n timp;
6. existena legturii (corelaiei) ntre termenii succesivi.

Media, deviaia standard i coeficientul de asimetrie sunt elemente statistice
descriptive care se rein, de asemenea, n faza inspeciei vizuale. Efectuarea
operaiilor preliminare (transformri Box-Cox, dessezonalizare, eliminarea
tendinei, modificarea distribuiei de frecven etc.) vor fi resimite de
elementele de statistic descriptiv asociate.

95

.8

0
ACF
PACF
-.8

Fig. 5.6. ACF i PACF ale debitelor medii lunare i limitele de confiden de 95 %.

Prin sinteza tuturor informaiilor vizuale utilizatorul va lua decizia optim,
astfel nct seria hidrologic transformat s satisfac cerinele statistice iniiale
impuse de modelarea Box-Jenkins.
n cazul rului Sohodol valorile nregistrate timp de 10 ani reprezint medii
lunare exprimate n l/s. Distribuia de frecven (v. fig. 5.4) i elementele de
statistic descriptiv indic o valoare mare a asimetriei i o abatere
semnificativ de la normalitate. Graficul din figura 5.5 indic prezena unei
tendine globale descresctoare, n acelai sens i n paralel descrete dispersia i
exist o component sezonier cu perioada aproximativ egal cu 12 (deoarece
datele sunt medii lunare, perioada se poate deduce i din grafic).
Pentru o investigaie i mai riguroas se utilizeaz funcia de autocorelaie
(ACF) i funcia de autocorelaie parial (PACF). ACF indic clar existena
unei periodiciti egale cu 12 care se amortizeaz pentru lag-uri mai mari, semn
c este vorba i de o tendin global (fig. 5.6). PACF indic o autocorelaie
puternic de ordinul 1, semn c n general, doi termeni nvecinai sunt strns
corelai.

Observaie: n prezentare s-a renunat la afiarea valorilor funciilor ACF i
PACF, analizndu-se numai forma corelogramei.


5.3.3. OPERAII PRELIMINARE - STAIONARIZARE

Se impune efectuarea unor operaii preliminare pentru a transforma seria
iniial ntr-o serie compatibil ipotezei de staionaritate.

5.3.3.1. Transformri Box-Cox. Opiunea 5 din Meniul datelor realizeaz o
transformare de tip Box-Cox. Dac debitele iniiale sunt y ,
transformarea Box-Cox notat cu
, y , ..., y ,
1 2 n
f

, creaz o nou serie

astfel: ( ) ( ) ( f y f y f y
n 1 2
, , . . . , )
96

( )
( )
( ) ( )
f y y pt
f y y pt
=
= =

1 0
0 5
/ . , (
log . . ( . )
5 3
4
. )


Aceast transformare este util dac dispersia prezint variaii n timp. Prin
alegerea unui potrivit (n urma a mai multor ncercri) se va cuta obinerea
unei dispersii relativ constante n timp. Dup efectuarea transformrii se reia
faza inspeciei vizuale.
Dac noua serie nu satisface condiiile preliminare, prin opiunea 5 se revine
la datele iniiale pentru a ncerca o nou transformare.
Pentru valori pozitive (cazul debitelor rului Sohodol) i pentru situaia n
care dispersia variaz liniar paralel cu tendina global, transformarea
logaritmic
( ) = 0 stabilizeaz variabilitatea dispersiei. Figura 5.7 prezint
efectul transformrii ln asupra formei distribuiei statistice.



F
M = 5.38
Std= .47
Cs = .21

0 5


Fig. 5.7. Distribuia frecvenelor debitelor medii lunare logaritmate.

Noua serie prezint o distribuie de frecven apropiat de cea normal, dar
nc decalat datorit faptului c media nu este zero i nici asimetria redus, aa
cum ar fi de dorit.
Graficul din figura 5.8 arat stabilizarea distribuiei, dar meninerea n
continuare a tendinei globale i a sezonalitii. Aceste ultime caracteristici sunt
evideniate i de ACF i PACF (fig. 5.9). Reinem faptul c n continuare se va
lucra cu date logaritmate. PEST-ul ia n considerare acest lucru n faza de
simulare i predicie. Opiunea 10 permite salvarea acestor date cu un nou nume
de fiier, de exemplu Sohodol.log .
97
l/s

4
5
6
7

120
timpul n luni
1

Fig. 5.8. Variaia debitelor medii lunare logaritmate.



.8
0
ACF PACF
-.4

Fig. 5.9. ACF i PACF ale debitelor medii lunare logaritmate.

5.3.3.2. Descompunerea seriei. Inspecia vizual a graficului debitelor
logaritmate impune eliminarea tendinei i a sezonalitii. Exist dou
posibiliti pentru a realiza acest lucru:
descompunerea clasic a seriei n componente (trei n acest caz) i anume
tendina global, componenta sezonier, componenta aleatoare rezidual;
diferenierea.
Descompunerea clasic a seriei { } X
t
se bazeaz pe modelul :

X m s Y
t t t t
= + + , ( . ) 5 5
unde:
X
t
este observaia (posibil logaritmat) la momentul t;
m
t
- componenta de tendin global;
s
t
- componenta sezonier;
Y
t
- componenta aleatoare rezidual care este staionar i cu media
egal cu zero.
98
Obiectivele descompunerii clasice const n estimarea lui m
t
i s
t
, apoi
eliminarea acestora din X
t
pentru a obine seria rezidual Y
t
. Aceasta va fi
modelat ca serie staionar conform metodologiei ARMA.
Opiunea 6 ofer un algoritm de identificare i eliminare a componentei
sezoniere, opiunea 7 identific i elimin tendina liniar sau parabolic, iar
opiunea 9 elimin media aritmetic a seriei.
Dup aceste etape de lucru seria standardizat devine automat seria curent.
Programul PEST memoreaz, de asemenea, transformarea efectuat, parametrii
componentei sezoniere, parametrii tendinei polinomiale i media. n etapa de
elaborare a seriei simulate sau a celei prognozate, utilizatorul va avea
posibilitatea s ncorporeze n noua serie modelat, dup caz, componentele
sistematice i transformrile efectuate n etapa de operaii statistice preliminare.
n absena sezonalitii, modelul (5.5) devine:

X m Y
t t t
= + , ( . ) 5 6

unde t = 1,2, ... , n i fr a pierde din generalitate se poate considera c
. EY
t
= 0
Prin metoda celor mai mici ptrate (Opiunea 7) se determin tendina
global de forma:

m a a t a t
t
= + +
0 1 2
2
57 , ( . )

unde sunt astfel estimai nct se minimizeaz expresia a , a , a
0 1 2
( ) x m
t t
t

2
.
n cazul debitelor netransformate ale rului Sohodol, tendina global este:

m t
t
= 358 6 19 5 8 . . . ( . )
Literatura de specialitate menioneaz numeroase posibiliti de eliminare a
componentei sezoniere. Algoritmul programului PEST (Opiunea 6) se bazeaz
pe o metod propus de Kendall (1973).
Seria de debite a rului Sohodol este { } x x x
n 1 2
, , ... , . n prima faz se
realizeaz o estimare preliminar a trendului utiliznd un filtru de medie
alunectoare pentru a elimina componenta sezonier i pentru a atenua
zgomotul. Perioada fiind d=12 sau d q = = 2 2 6, se utilizeaz expresia :

( )
$ . ... . / , ( . ) m x x x x d
t t q t q t q t q
= + + + +
+ + + +
0 5 0 5 5 9
1 1


99
unde:
q t n q < ;
este estimatorul preliminar al tendinei. $ m
t

n a doua faz se estimeaz componenta sezonier. Pentru k=1,...,d se
calculeaz media w
k
a deviaiilor:

( ) { }
x m q k jd n k
k jd k jd + +
< + $ ; , 5 10 ( . )

unde:
j este indexul anilor (n cazul rului Sohodol (j=1,...,10);
k - indexul lunilor (k=1,...,12) .
Componenta sezonier s
k
se estimeaz asfel:

$ , ,... , . ( . ) s w d w k d
k k i
i
d
= =

=
1
1
1 5 11

Seria desezonalizat se obine din seria iniial (posibil transformat) prin
eliminarea componentei sezoniere:

d x s t n
t t t
= = $ , ,... , . ( . 1 5 ) 12

n faza final se reestimeaz trendul pornind de la { } d
t
printr-o ajustare
polinomial sau printr-o alt metod. n cazul debitelor rului Sohodol
componenta sezonier a seriei logaritmate este caracterizat de urmtorii
parametri:

I II III IV V VI VII VIII IX X XI XII
-0.11 0.006 0.377 0.467 0.396 0.169 0.042 -0.237 -0.375 -0.35 -0.283 -0.101



F
M = .0
Std= .28
Cs = .32


-5 5
0
Fig. 5.10. Distribuia frecvenelor componentei sezoniere.
100
l/s

- 0 . 4
- 0 . 2
0
0 . 2
0 . 4

timpul
n luni
120
Fig. 5.11. Variaia componentei sezoniere.


F
M = 5.38
Std= .37
Cs = .58
5
0

Fig. 5.12. Distribuia frecvenelor componentei dessezonalizate.


.8
PACF ACF
0
-1

Fig. 5.13. ACF i PACF ale componentei sezoniere.
l/s

4 . 5
5
5 . 5
6
6 . 5

1 120
timpul n luni

Fig.5.14. Variaia componentei desezonalizate n jurul tendinei globale.
101
Distribuia frecvenelor valorilor componentei sezoniere se reprezint n
figura 5.10 iar n figura 5.11 se reprezint graficul componentei sezoniere n
funcie de timp. Graficul ACF i PACF al componentei sezoniere (fig.5.13)
ilustreaz periodicitatea de 12 luni.
Componenta desezonalizat { } d
t
pe baza ecuaiei (5.12) are o distribuie de
frecven (fig.5.12) care se apropie de distribuia normal dar se observ efectul
tendinei n valorile indicatorilor statistici. Tendina acestei serii este:

$ . . . ( . ) m t
t
= 582 0007 513
) m s t n


n figura 5.14 se reprezint variaia componentei dessezonalizate n jurul
tendinei globale. Valorile funciei ACF arat c tendina nc nu s-a eliminat,
iar valorile funciei PACF sugereaz o posibil autocorelaie de ordinul nti
(fig. 5.16). n final componenta rezidual, respectiv seria staionarizat
(candidat pentru modelarea ARMA) se obine prin diferen:

Y x
$
$ $ , ,... , . ( .
t t t t
= = 1 5 14

Distribuia frecvenelor seriei { }
$
Y
t
i indicii statistici (fig. 5.15) confirm
faptul c aceast serie satisface condiiile statistice pentru modelarea Box-
Jenkins. Graficul seriei staionarizate i cu media zero (fig. 5.17) nu indic nici
un fel de pattern care ar sugera reluarea operaiilor preliminare.


F
M = .0
Std= .27
Cs = .40
-5

5

0

Fig.5.15. Distribuia frecvenelor seriei staionarizat prin metoda clasic.

102


.8
0
ACF PACF
-.4

Fig. 5.16 ACF i PACF ale componentei desezonalizate.
l/s

- 0 . 9
- 0 . 6
- 0 . 3
0
0 . 3
0 . 6
0 . 9

120
timpul n luni
Fig. 5.17. Seria staionarizat prin metoda clasic.

5.3.3.3. Diferenierea. Diferenierea, larg utilizat de Box i Jenkins, este o
alt metod de staionare a seriei. Ea se aplic datelor { } x
t
pn cnd
diferenele devin o realizare a unui anumit proces staionar { } W
t
. Apoi se
utilizeaz teoria proceselor staionare pentru modelarea, analiza i predicia
seriei { i astfel a procesului original. } W
t
n cazul unei serii nesezoniere se utilizeaz operatorul de difereniere
definit astfel:
( ) = =

X X X B X
t t t t 12
1 5 , ( 15 . )

unde B este operatorul de difereniere:

BX X
t t
=
1
516 . ( . )

Dac operatorul se aplic la o tendin liniar m a t
t
b = + , se obine
funcia constant . n acelai mod orice tendin polinomial de grad k
oate fi redus la o constant de un anumit operator
= m
t
a

k
. p

Pornind de la modelul nesezonier (5.6) notm:
) m a t
t j
j
j
k
=
=0
5 17 , ( .
103
i Y fiind o serie staionar cu media zero, se obine:
t

= +
k
t k
k
t
X k a Y ! , ( 5 18 . )

care este un proces staionar cu media a (Brokwell i Davis, 1987).
k
Aceste consideraii sugereaz posibilitatea ca dndu-se seria hidrologic
, prin utilizarea repetat a operatorului { } x
t
s se obin o serie
{ }

k
t
x care
ar putea fi modelat ca proces staionar. n practic s-a dovedit c ordinul k de
difereniere este de cele mai multe ori 1 sau 2.
n cazul unei serii sezoniere cu perioada d se va utiliza operatorul
difereniere de lag-d (decalaj d) notat cu
d
. Operatorul diferenere lag-d se
definete asfel:

( )
= =
d t t t d
d
t
X X X B X 1 5 . ( 19 . )

Aplicnd operatorul modelului reprezentat prin (5.5) se obine:
d

= +
d t t t d t t d
X m m Y Y , ( . 5 20 )

care realizeaz o descompunere a seriei de diferene
d t
X n tendina
(m m ) i seria rezidual (Y Y
t t

d d t t

).
Debitele logaritmate ale rului Sohodol conin n continuare componenta
sezonier cu perioada 12 i o tendin global. Opiunea 8 permite diferenierea
de lag-12 care genereaz o nou serie de forma:

Y X X
t t t
=
12
5 21 . ( . )

PEST-ul solicit reluarea seriei supus transformrii Box-Cox cu opiunea
10 naintea efecturii diferenierii. Opiunea 9 permite eliminarea mediei, pentru
a obine o serie staionar cu media zero. Distribuia de frecven (fig. 5.18)
i indicii statistici arat c seria obinut are o distribuie aproximativ normal,
iar reprezentarea grafic n funcie de timp (fig. 5.19) nu evideniaz nici un fel
de pattern. Deci, seria astfel obinut este staionar i cu media zero ceea ce
satisface cerinele pentru modelarea Box-Jenkins.

104

F
M = .0
Std= .39
Cs = .04
-5 5
0

Fig.5.18. Distribuia frecvenelor seriei staionarizat prin difereniere de lag-12.

- 1 . 0 0
- 0 . 5 0
0 . 0 0
0 . 5 0
1 . 0 0

Fig. 5.19. Seria staionarizat prin difereniere de lag-12.


5.3.4. IDENTIFICAREA ORDINULUI I SELECTAREA MODELULUI

Rezultatul operaiilor preliminare const n obinerea unei serii staionare cu
media zero, pe care o notm cu { } X
t
. Problema care urmeaz a fi rezolvat n
aceast etap este identificarea celui mai potrivit model ARMA(p,q) pentru a
reprezenta seria { . Instrumentele pe care le ofer programul PEST sunt
ACF, PACF i un criteriu statistic notat cu AICC care, reprezint o form
corectat al criteriului Akaike. Dup efectuarea operaiilor preliminare n
Meniul datelor (v. fig.5.3) rmn active doar opiunile 1, 2, 3, 4, 10 i 11.
} X
t
Opiunea 3 din Meniul datelor ofer corelogramele i valorile ACF i PACF
ale datelor analizate. Un lag = 1/4 din volumul seriei se dovedete deseori a fi
satisfctor. Pentru serii hidrologice se recomand utilizarea unui lag mai mare
dect periodicitatea suspectat, de exemplu pentru valori lunare lag = 14 - 15.
Mrimea valorilor ACF i PACF precum i forma corelogramelor sunt
instrumentele care sugereaz un prim model ARMA (p,q) care s-ar putea s fie
cel optim prin satisfacerea etapei de testare i validare (v. fig. 5.1). ACF este o
msur a dependenei dintre observaii n funcie de diferite decalaje (lag-uri)
realizate pe axa timpului. PACF reprezint corelaia dintre rezidurile
obinute prin regresia liniar de X si
t k +
X
t
X X X
t t t k + + + 1 2
, , . . . ,
1
. Astfel,
105
PACF este o msur a dependenei dintre X si
t k +
X
t
dup eliminarea efectului
variabilelor X X X
t t t k + + + 1 2
, , . . . ,
1
(cap.3). Interpretarea corelogramelor
necesit o oarecare experien sau mai multe ncercri. Anexa I ofer cteva
exemple de identificare a ordinului modelului pe baza formei corelogramelor ACF
i PACF.
PEST -ul afieaz, de asemenea, limitele de 1 96 . n care reprezint limitele de
confiden de 95 % ale autocorelaiei unui proces staionar necorelat. Dac nici o
valoare a ACF i PACF nu depete aceste limite atunci putem considera seria
respectiv ca fiind realizarea unui proces stochastic zgomot alb. Dac limitele
respective sunt depite semnificativ (sau chiar i frecvent sau sistematic) se
sugereaz necesitatea identificrii ordinelor p i q ale unui posibil model ARMA
(p,q) capabil s explice dependena stochastic. Opiunea 4 permite salvarea
corelogramelor i a valorilor ACF i PACF pentru a fi citite ulterior.
S comparm valorile ACF i PACF a seriilor staionarizate prin metoda
clasic (fig.5.20) i a celei staionarizat prin difereniere de lag - 12 (fig.5.21)
i s examinm forma corelogramelor. n ambele cazuri p = 1 i q = 0, modelul
fiind ARMA (1,0).


.6
MA(0)
AR(1)
0
ACF
PACF
-.6

Fig. 5.20. ACF i PACF ale seriei staionarizate prin metoda clasic.



.6
MA(0) AR(1)
0
ACF PACF


-.6
Fig. 5.21. ACF i PACF ale seriei staionarizate prin difereniere de lag-12.
106
Pentru rul Sohodol, att metoda clasic, ct i diferenierea au condus la
serii staionare care ndeplinesc condiiile solicitate pentru modelarea Box -
Jenkins. n figura 5.21 se observ faptul c limitele de confiden sunt depite
pentru lag = 11 - 12 ceea ce nseamn c prin diferenierea de lag - 12 nu s-a
eliminat complet influena sezonalitii. Fie c se procedeaz la nc o
difereniere, fie c acceptm acest rezultat deoarece depirea limitelor de
confiden s-a produs pentru lag - uri mari (peste 7 - 8) ceea ce nu poate
influena prea mult etapele urmtoare de modelare.
Aceast etap de lucru realizeaz, n cadrul programului PEST, pe lng
identificarea valorilor p i q, respectiv selectarea modelului candidat ARMA
(p,q), i estimarea preliminar a parametrilor {
I
,
j
: i = 1,..., p ; j = 1,..., q}
corespunztori. De exemplu n cazul rului Sohodol s-au obinut urmtoarele
rezultate:

1
= .408,
1
= .408 pentru datele staionarizate prin metoda clasic;

1
= .391,
1
= .391 pentru datele staionarizate prin difereniere de lag -12.
Valorile ACF i PACF obinute n cadrul acestei etape sunt doar aproximri
care vor servi etapei urmtoare.


5.3.5. ESTIMAREA PARAMETRILOR

Determinarea unui model ARMA(p,q) capabil s reprezinte o serie staionar
de observaii hidrologice implic unele probleme legate ntre ele.
Pentru fiecare cuplu posibil de valori p, q se vor estima coeficienii
{
I
,
j
: i = 1,..., p ; j = 1,..., q} corespunztori i variana reziduurilor notat cu

2
, care reprezint o estimare a varianei procesului stochastic necorelat
(Var ( z
t
)). Coeficienii autoregresivi se estimeaz cu ajutorul ecuaiilor Yule -
Walker, iar pentru coeficienii de medie alunectoare se pleac de la ecuaiile
Yule - Walker i se utilizeaz un algoritm de inovaie (Box i Jenkins, 1976;
Brockwell i Davis, 1987).
Se tasteaz 11 pentru a prsi Meniul datelor i automat se intr n Meniul
principal (n configuraie redus). n acest moment progamul PEST reine ca
date curente valorile i preliminare. Cu ajutorul opiunii 3 al acestui meniu
se va introduce ordinul modelului, respectiv p = 1 pentru modelul autoregresiv
i q = 0 pentru modelul de medie alunectoare, dup care automat se reafieaz
Meniul principal n configuraie complet (fig.5.22).
Dup introducerea ordinului modelului programul calculeaz i afieaz
automat o serie de indicatori statistici care ne ajut s lum deciziile ulterioare.


107

1: Data entry; statistics; transformations
2: Entry of an ARMA(p,q) model
3: Preliminary estimation of ARMA parameters
4: Model ACF/PACF, AR/MA infinity representations
5: Model spectral density on (-pi, pi)
6: Data simulation
7: Nonparametric spectral estimation (SPEC)
8: Estimation of ARMA parameters
9: Prediction
10: Model and data file status
11: Exit from program


Fig. 5.22 Meniul principal al programului PEST.

Astfel, se evalueaz semnificaia statistic a coeficienilor
I
i
j
cu ajutorul
raportului (r) dintre estimatorul coeficientului (est) i valoarea sa critic egal
cu 1.96 Er. Std.:

r = est / 1.96 Er. Std.

Dac r > 1 atunci, pentru nivelul de semnificaie de 0.05, coeficientul n
cauz este diferit de zero, iar dac r < 1 atunci acesta ar putea fi zero. Pentru
modelul AR(1) al datelor staionarizate prin metoda clasic
1
= .408 i
r
1
= 2.49, ceea ce nsamn c parametrul este semnificativ. Modelul acesta
fiind cauzal se afieaz estimatorul varianei reziduurilor i variana reziduurilor
rezultate n urma aplicrii ecuaiilor Yule - Walker. Estimatorul varianei
reziduurilor (zgomot alb) este raportul dintre suma ptratelor erorilor
reziduurilor i volumul observaiilor. Programul atrage atenia dac modelul
este necauzal. Un model necauzal are o rdcin a ecuaiei caracteristice egal
cu zero i plasat n interiorul cercului unitate (cap.3.3). Programul soluioneaz
aceast situaie atribuind valoarea 0.01 tuturor coeficienilor, ceea ce nseamn
model cauzal, i apoi va lsa utilizatorului posibilitatea de a mbunti modelul
cu ajutorul Opiunii 8.
Pe baza aproximrilor iniiale, cu ajutorul Opiunii 8 se realizeaz
optimizarea neliniar a parametrilor. Aceast opiune activeaz Meniul de
estimare a parametrilor (fig.5.23). Programul PEST ofer dou posibiliti:
metoda verosimilitii maxime i metoda celor mai mici ptrate. De asemenea,
prin alte opiuni, se pot alege numrul de iteraii dorit, criterii de convergen
sau gradul de acuratee al parametrilor.

108

-1: Help
0: Likelihood of Model (no optimization)
a: (0<a<1) Reset Accuracy Parameter to a and Optimize
1: Optimize with Current Settings
2: Change Accuracy Parameter
3: Change Maximum No. of Iterations
4: Change Optimized Coefficients (e.g. for Multiplicative Model)
5: Change Convergence Criterion for th(n,j) : currently .00005
6: Change Method to LEAST SQUARES
7: Return to Main Menu
n: (where n > 7) Optimize with at Most n Iterations


Fig. 5.23 Meniul de estimare al parametrilor.

Trebuie reinut faptul c n cazul unei serii pur autoregresive (q = 0), ca n
cazul exemplului nostru, estimarea preliminar a coeficienilor
I
cu ajutorul
Opiunii 3 din Meniul datelor, sunt foarte apropiate de valorile
I

de rezultatele
obinute n urma optimizrii neliniare efectuat prin activarea Opiunii 8 din
Meniul principal. Dac, de exemplu, se modeleaz o serie pentru care q > 0, va
trebui s specificm o anume valoare iniial m necesar algoritmului de
inovaie sau pur i simplu, avem posibilitatea de a lsa PEST - ul s fac acest
lucru. Rezultatul optimizrii (fig.5.24, pentru exemplul nostru) se obine tastnd
1 n Meniul de estimare al parametrilor. Efectul optimizrii se resimte n
modificarea coeficientului autoregresiv de la
1
= .408 la
1
= .418. n urma
optimizrii s-a obinut urmtorul model:

Modelul ARMA(1,0): ( ) X Z X
t t t
= +

0 418 5 22
1
. . .
De asemenea, n urma optimizrii realizate prin activarea opiunii 1 se
deschide automat Meniul rezultatelor (fig.5.25).

AUTOREGRESSIVE PARAM.:=0.18 1. Store Model 2. File and Analyze Residuals
White noise variance = 0.064 3. Prediction
FPE STATISTIC = 0.065 4. Parameter Optimization with this Model
BIC STATISTIC = 15.04 5. Redo Screen with Standard Erors
-2 ln (LIKELIHOOD) = 11.82 6. Show Covariance Matrix of Op. Parameters
AICC STATISTIC = 15.92 8. Return to Main Menu


Fig. 5.24. Rezultatele optimizrii
efectuate prin metoda verosimilitii
maxime.
Fig. 5.25. Meniul rezultatelor.
109
Un instrument pentru evaluarea calitii unui model l reprezint criteriul
AICC:

( )
( ) AICC L p q n n p q ( , , ) ln ( , , ) ( ) / , .
2 2
2 2 1 2 = + + + 5 23

unde:
L reprezin verosimilitatea Gaussian a vectorului observaiilor, care depinde
de estimrile parametrilor , ,
2
(Brockwell i Davis, 1987);
2 ln L este de asemenea afiat.

Criteriul AICC este o modificare a criteriului Akaike (AIC = -2 ln L + 2(p
+ q)). Se afieaz, de asemenea, o modificare Bayesian a criteriului AIC notat
cu BIC, accesibil tot prin activarea Opiunii 8.
Utilizatorul va cuta modelul avnd valoarea AICC ct mai mic posibil.
Decizia final nu se va lua pe baza valorii AICC din faza estimrii preliminare
(Opiunea 3) ci pe baza estimrii finale (Opiunea 8). Programul reine modelul
identificat alturi de parametrii acestuia (, ,
2

) i ofer urmtoarele
posibiliti de a continua modelarea: 1 - introducerea altui model, 2 - salvarea
modelului gsit, 3 - intrarea n Meniul principal cu parametrii modelului curent.
De obicei, se utilizeaz opiunea 1 din Meniul estimrii parametrilor, ale
crei setri curente sunt n majoritatea cazurilor satisfctoare. Prin Meniul
rezultatelor modelul poate fi salvat pentru utilizri ulterioare cu opiunea 1.
Opiunea 3 din acest meniu ca i opiunea 9 din Meniul principal realizeaz
predicia linar pe baza modelului identificat. Erorile standard sau estimatorii
deviaiilor standard sunt vizibile activnd opiunea 5, iar prin Opiunea 6 se
afieaz matricea de covarian a estimatorilor coeficienilor
I
i
j.
.


5.3.6. TESTAREA I VALIDAREA MODELULUI

Modelul stochastic identificat trebuie verificat dac este bun sau nu din
punct de vedere al unor criterii cantitative. Dac modelul nu satisface aceste
criterii cantitative atunci, conform succesiunii etapelor de modelare Box -
Jenkins prezentate n figura 5.1, se va relua etapa de identificare a ordinului i
de selectare a modelului (cap. 5.3.4) care va avea ca rezultat construcia unui
model nou. Ciclul acesta se repet pn cnd sunt ndeplinite elementele de
testare i validare a unui model.
Numrul de parametrii al unui model este dat de suma ordinelor proceselor
autoregresive i de media alunectoare, la care se mai adaug variana
reziduurilor (p + q +
2
). Deoarece este vorba ntotdeauna doar de o singur
110
valoare
2

, suma

p + q este hotrtoare. Conform principiului economiei
numrului de parametrii (parsimony principle) un model stochastic este cu att
mai apreciat cu ct ndeplinete elementele de testare i validare pentru un
numr mai mic de parametrii. Deci, utilizatorul va urmri aflarea acelui model
ARMA(p,q) care satisface etapa de testare i validare pentru un p + q minim
posibil.
Utilizatorul va judeca calitatea modelului comparnd observaiile hidro-
logice nregistrate (i apoi staionarizate) cu valorile fitate pentru aceeai
perioad de timp.
Comparnd vizual seria de la care s-a pornit, cea staionarizat prin metoda
clasic (fig. 5.17), cu seria fitat pe baza modelului ARMA (1,0) reprezenat n
figura 5.26 observm similitudini remarcabile. Histogramele frecvenelor de
distribuie ale celor dou serii (fig. 5.15 i fig. 5.27) sunt la rndul lor
asemntoare.

-0.4
-0.2
0
0.2
0.4

Fig.5.26. Graficul seriei fitate pe baza modelului ARMA(1,0).


F
M = .0
Std= .12
Cs = .40
5
-5
0

Fig.5.27. Distribuia frecvenelor seriei fitate.

Reprezentarea ambelor serii n figura 5.28 sugereaz calitatea modelrii.
Valorile ACF i PACF ale seriei fitate, respectiv forma corelogramelor
(fig.5.29) sunt similare cu cele ale seriei staionarizate (fig. 5.20). Astfel, seria
111
fitat reproduce caracteristicile istorice ale seriei iniiale, respectnd unul dintre
obiectivele modelrii stochastice (cap. 3.2).

Eroarea de predicie, ca diferen dintre cele dou serii, trebuie s fie ct
mai mic. O evaluare cantitativ a calitii modelului se realizeaz prin analiza
reziduurilor.
Seria reziduurilor se definete ca fiind seria erorilor de predicie rescalate:


( )
( )
) )
W X X r
t t t t
= / , . 1 5 24

unde:
)
X
t
este cel mai bun predictor liniar al lui , avnd suma ptratelor
erorilor minim (seria fitat pn la momentul t-1),
r E
X
t
( ) X X
t t t
=
1
2
2
)
/ ;

2
- variana zgomotului alb al modelului fitat.

Dac modelul fitat este cel adevrat atunci seria rezidual
{ }
)
W
t
va avea
caracteristicile unui zgomot alb. Programul PEST ofer posibilitatea analizrii
seriei reziduale activnd Opiunea 2 din Meniul rezultatelor (v. fig. 5.25). Dup
aceasta automat se deschide Meniul rezidurilor (fig. 5.30).
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1
1 2 3 4

1
2
120
timpul n luni
Fig.5.28. Limita superioar de confiden -1 i limita inferioar de confiden -2,
n cazul corelaiei grafice dintre seria staionarizat - 3 i seria fitat
cu modelul ARMA(1,0) - 4.


112


.6
ACF PACF
0
-.4

Fig. 5.29. ACF i PACF ale seriei fitate cu modelul ARMA(1,0).


RESIDUALS MENU:
1. File residuals
2. Plot rescaled residuals
3. Plot ACF/PACF of residuals
4. File of ACF/PACF of residuals
5. Tests of randomness of residuals
6. Return to result page

Fig. 5.30. Meniul reziduurilor.

Opiunea 2 a acestui meniu calculeaz n primul rnd seria reziduurilor
rescalate astfel:

( )
) ) )
W n W W
t
r
t t
j
n
( )
/ . =

=
2
1
5 25 .


F
-5
5
0
Fig. 5.31. Distribuia frecvenelor seriei reziduale.
113

-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8

Fig.5.32. Graficul variaiei seriei reziduale.




.4
PACF
ACF
0
-.4

Fig. 5.33. ACF i PACF a seriei reziduale.

Se afieaz prin aceeai opiune histograma frecvenelor de distribuie
standardizate (ntre -5 i 5) a reziduurilor rescalate (fig. 5.31), se calculeaz
unele elemente de statistic descriptiv: media, deviaia standard, coeficientul
de asimetrie, i se afieaz graficul seriei reziduale rescalate (fig. 5.32). Aceste
elemente precum i ACF i PACF al seriei reziduale (efectuate activnd
Opiunea 3 din Meniul reziduurilor) prezentate n figura 5.33, dovedesc
caracteristicile de zgomot alb al seriei reziduale. Astfel, s-a atins nc un
element privind validarea modelului.
Opiunea 5 din Meniul reziduurilor permite testarea caracterului aleator al
rezidurilor. Programul PEST conine urmtoarele metode de verificare al
caracterului aleator al unei serii: testul Portmanteau, testul punctelor de
ntoarcere, testul semnului diferenelor i testul rangurilor. Atenionm asupra
faptului c nu se va accepta vreun model pe baza unui singur test, dup cum nici
nu se va respinge un anume model dac seria rezidual nu satisface unul dintre
114
cele patru teste. Menionm faptul c, bineneles, exist i alte teste de
verificare a caracterului aleator al unui ir.
Testul Portmanteau utilizeaz urmtoarea statistic:

Q n k
w
k
h
=
=
)

2
1
5 26 ( ) , ( . )
unde:

)

w
k
2
( ) este autocorelaia reziduurilor pentru lag k;
h - un numr ntreg pozitiv (de obicei 20).

Dac datele sunt generate de modelul ARMA(p,q) identificat, atunci pentru
un volum n suficient de mare, Q ar trebui s aib o distribuie
2
cu h - p - q
grade de libertate. Testul respinge modelul propus pentru nivelul de
semnificaie dac valorile Q depesc cuantila (1 - ) a distribuiei .
h p q
2
Testul punctelor de ntoarcere, T, utilizeaz statistica numrului de puncte de
ntoarcere al seriei reziduale. Se poate demonstra faptul c pentru cea de-a i
secven a seriei reziduale, T este asimptotic normal cu media
T
n = 2 2 ( ) / 3
i variana
T
n
2
16 29 90 = ( ) / . Ipoteza conform creia reziduurile constituie o
secven a celor i observaii se respinge dac T
T T
>



/
/

1 2
, unde:

1 2 /
este cuantila
( ) 1 2 / a distribuiei normale standard.
Testul semnului diferenelor ia n considerare numrul S, de diferene
) )
W W
t t

1
pozitive. Dac { }
)
W
t
este a i secven se poate arta faptul c S este
asimptotic normal cu media ( )
S
n = 1 2 1 / i variana
( )
S
n
2
1 12 = + / .

Ipoteza conform creia reziduurile constituie o secven a celor i observaii se
respinge dac S
S S
>



/
/

1 2
.
Testul rangurilor se utilizeaz pentru identificarea unei eventuale tendine
liniare n seria rezidual. Fie P perechile (i, j) astfel nct
) )
W W
j
>
i
, i j
> i, i = 1, . . . , n -1. Se poate demonstra faptul c pentru cea de-a i secven a
seriei reziduale, P este asimptotic normal cu media
P
n n = 1 4 1 / ( ) i
variana
( )
P
n n n
2
1 2 5 8 = + ( ) / .
Ipoteza conform creia reziduurile constituie
o secven a celor i observaii se respinge dac P
P P
>



/
/

1 2
.
Rezultatele testrii caracterului aleator al seriei reziduale din exemplul nostru
sunt urmtoarele:
* testul Portmanteau (pentru h = 20): 11.88
2
df. = 19;
* testul punctelor de ntoarcere = 69, non-normal (78.6, 4.58
2
);
* testul semnului diferenelor = 57, non-normal (59.5, 3.18
2
);
115
* testul rangurilor = 3617, non-normal (3570, 661.3
2
).

Cu excepia ultimului test, celelalte demonstreaz faptul c este vorba de o
serie aleatoare. Astfel, se valideaz i prin metoda testelor modelul ARMA(1,0)
al debitelor rului Sohodol, staionarizate prin metoda clasic.
Cea mai eficient metod de validare i testare a modelului rmne gradul de
asemnare dintre seria fitat i cea original. De asemenea, valorile ACF i
PACF ale seriei reziduale trebuie s se ncadreze ntre limitele de confiden cel
puin pn la lag 7 - 8, iar pentru serii de valori lunare cel puin pn la lag -12.
Seria rezidual nu trebuie s conin nici un fel de pattern cum ar fi tendin,
component periodic sau quasi - periodic, schimbri brute i salturi.
Reziduurile trebuie s reprezinte o realizare a unui proces zgomot alb.


5.3.7. VALORIFICAREA MODELULUI

Etapele de lucru precedente au condus la identificarea i validarea unui
model ARMA(p,q), respectiv ARMA(1,0), al seriei de observaii staionarizate
pe care o notm cu X
1
, . . . X
n
. Prognoza se realizeaz utiliznd Opiunea 3 din
Meniul rezultatelor sau Opiunea 9 din Meniul principal. Programul
prognozeaz valorile X
n+h
pornind de la datele iniiale i de la modelul
stochastic validat calculnd combinaia liniar P
n
(X
n+h
) de X
1
, . . . X
n
, astfel
nct se minimizeaz eroarea medie ptratic E(X
n+h
- P
n
(X
n+h
))
2
. Astfel, pe
baza primelor 108 valori ale seriei de debite medii lunare ale rului Sohodol
(v. fig.5.5) s-au prognozat urmtoarele 12 valori. Noua serie obinut din cele
108 valori iniiale plus 12 valori prognozate a fost numit pentru o referire mai
simpl serie cu valori prognozate.


F
M =218.6
Std=108.4
Cs =1.38
0
5


Fig. 5.34. Distribuia frecvenelor seriei cu valori prognozate.
116
Distribuia frecvenelor standardizate i elementele de statistic descriptiv
ale seriei prognozate (fig. 5.34) sunt asemntoare cu cele ale seriei iniiale (v.
fig.5.4). Cele 12 valori prognozate (fig.5.35) sunt la rndul lor foarte apropiate
de valorile reale nregistrate n aceeai perioad de timp (v. fig.5.5). De
asemenea, funciile de autocorelaie i de autocorelaie parial a seriei cu valori
prognozate (fig.5.36) sunt asemntoare acelorai funcii ale seriei iniiale (v.
fig.5.6), pentru lag - 1 n primul caz = 0.622 iar n cel de-al doilea =
0.640.
l/s

0
200
400
600
800

120
timpul n luni
1

Fig. 5.35. Variaia debitelor medii ale seriei cu valori prognozate.



.8
ACF
PACF
0
-.4

Fig. 5.36. ACF i PACF ale seriei cu valori prognozate.

Exist posibilitatea de schimbare a varianei zgomotului alb, ceea ce va
afecta eroarea medie ptratic. Se afieaz sub form tabelar valorile
prognozate (XHAT), radicalul erorii medii ptratice al prognozei (SQRT(MSE))
i opional, suma dintre valorile prognozate i media seriei iniiale
(XHAT+MEAN). Radicalul erorii medii ptratice a valorilor P
n
(X
n+h
) crete
odat cu numrul h de valori prognozate.
117
Limitele de confiden de 95% se obin prin adunarea, respectiv scderea,
valorii de 1 96 . MSE la valorile prognozate. Dac s-a efectuat o transformare
Box-Cox atunci prognoza real se obine dup inversarea transformrii
respective. Dac seria iniial a fost staionarizat prin difereniere atunci prin
Opiunea 2 din Meniul de predicie (fig. 5.37) se realizeaz inversarea valorilor
pentru a obine prognoza real.


PREDICTION MENU
1. File predicted values
2. Undo differencing
3. Return to main menu




Fig. 5.37. Meniul prediciei pentru cazul
staionarizrii prin difereniere.

Programul PEST poate fi utilizat pentru analiza unui proces ARMA
specificat fr referire concret la o anumit serie de timp. Se pot compara
proprietile unor poteniale modele ARMA ale unei serii pentru a observa care
dintre acestea reproduc mai bine caracteristicile datelor. Programul creeaz
reprezentri MA() i AR(), i genereaz realizri ale unui anumit proces
ARMA specificat.
Opiunea 4 a Meniului principal deschide Meniul modelului ACF/PACF
(fig.5.38) care permite calculul valorilor modelului pentru lag maxim 1150 (de
regul sunt suficiente primele 40 de valori). Prin acest meniu se mai pot efectua
urmtoarele operaii: afiarea i reprezentarea grafic a valorilor ACF i PACF,
salvarea rezultatelor, schimbarea varianei zgomotului alb, reprzentri MA() i
AR().


MODEL ACF/PACF MENU
0. Reset maximum lag
1. Plot ACF/PACF (up to lag 40)
2. List ACF/PACF
3. File ACF/PACF
4. Change current white noise variance
5. MA or AR infinity representations
6. Return to main menu


Fig. 5.38. Meniul modelului ACF/PACF.

118
S construim corelogramele modelului ARMA (1,0) cu ajutorul Opiunii 1
din Meniul modelului ACF/PACF pentru seria analizat (fig. 5.39). Comparnd
aceste grafice cu cele din figura 5.20 deducem faptul c modelul identificat
reprezint bine principalele caracteristici ale seriei de timp.



1
PACF ACF


0


-1

Fig. 5.39. Modelul ACF/PACF al procesului ARMA(1,0).

Dac { este un proces ARMA cauzal (cap. 3) atunci el are o reprezentare
MA() de forma:
}
)
X
t

X Z t
t j t j
j
= =

=

, , , , ... , ( . 0 1 2 5 37
0


unde
j
j
si
=

< =
1
0
1.

n mod similar, dac { este un proces ARMA inversabil, atunci el are o
reprezentare AR() de forma:
}
)
X
t

Z X t
t j t j
j
= =

=

, , , , ... , ( . 0 1 2 5 38
0

unde
j
j
si < =
=

0
1
1.

Pentru orice model specificat se pot crea astfel de reprezentri cu ajutorul
Opiunii 5 a Meniului modelului ACF/PACF.
Opiunea 6 a Meniului principal (v. fig. 5.22) efectueaz simularea unei noi
serii de timp sub forma generrii sintetice a realizrilor unei serii de timp
definit de modelul stochastic identificat (Brockwell i Davis, 1987).
119
Utilizatorul trebuie s introduc un numr aleator iniial (numr ntreg) care
va servi algoritmului de generare a unei serii aleatoare, avnd distribuie
normal. Utiliznd aceeai valoare iniial se vor putea reproduce oricnd
aceleai realizri ale procesului stochastic.
Cu ajutorul programului PEST s-au simulat 120 de valori sintetice
(reinversate Box-Cox) la care s-a adugat componenta sezonier calculat pe
baza relaiilor (5.9) - (5.11). A rezultat seria sintetic din figura 5.40 avnd
caracteristicile statistice descriptive reprezentate n figura 5.41.
l/s

0
0 .5
1
1 .5
2
2 .5
3

Fig. 5.40. Seria de valori sintetice fr tendin.
1
120


F
M =1.07
Std =0.46
Cs =1.18
5 0

Fig. 5.41. Distribuia frecvenelor seriei sintetice.

Din corelogramele coeficienilor de autocorelaie i autocorelaiue parial
(fig.5.42) deducem faptul c seria sintetic reflect, aa cum este de ateptat,
acelai proces ARMA(1,0). La seria astfel obinut, utilizatorul poate s adauge
media seriei iniiale sau tendina global determinat n fazele anterioare. Prin
adugarea tendinei globale s-a construit un model ARIMA (1,1,0) i seria
simulat reprezentat n figura 5.43.
120

.6
0
ACF
PACF
-.6


Fig. 5.42. ACF i PACF ale seriei sintetice fr tendin.

l/s

0
2 0 0
4 0 0
6 0 0
8 0 0

1
120


Fig. 5.43. Seria simulat pe baza modelului ARIMA (1,1,0).




F
0 5


Fig. 5.44. Distribuia frecvenelor seriei simulate.
121


.8
ACF
PACF
0

--.4
Fig. 5.45. ACF i PACF ale seriei simulate.

Se remarc asemnarea dintre caracteristicile statistice descriptive ale seriei
iniiale (v. fig. 5.4) i ale seriei simulate (fig. 5.44). Sunt similare, de asemenea,
corelogramele ACF i PACF (v. fig. 5.6, respectiv fig. 5.45).


122


6. ALTE MODELE SPECIFICE REPREZENTRII
N DOMENIUL TIMP

n cadrul acestui capitol se vor prezenta trei tipuri de modele. Modelul
Thomas-Fiering opereaz cu o singur serie de timp. Modelul de tip funcie de
transfer opereaz (n exemplul nostru) cu dou serii input i output. Pentru
modelarea autoregresiv multivariat, programul prezentat suport o serie
multidimensional alctuit din maximum 6 serii scalare (n exemplul de fa se
va trata o serie bidimensional).


6.1. MODELUL THOMAS - FIERING

Datele hidrologice care reprezint o anumit variabil nregistrat lunar sau
sub form de medii lunare vor conine o component sezonier asociat
succesiunii anotimpurilor i ciclului anual al radiaiei solare. n acest caz seriile
de timp sunt nestaionare. Exist anumite relaii ntre observaiile lunilor
succesive, dar i legturi ntre observaiile aceleiai luni n anii succesivi. De
aceea modelarea unor astfel de serii este mai complicat dect n cazul unei serii
de medii anuale. Sunt cunoscute trei familii de modele sezoniere pentru serii de
timp, care pot fi utilizate i n cazul aplicaiilor hidrologice: modelul SARIMA
(sezonier, autoregresiv, integrat i de medie alunectoare) prezentat din punct de
vedere teoretic n capitolul 3, modele dessezonalizate (care presupun eliminarea
medii lunare sau eliminarea mediei lunare i mprire la deviaia standard) i
modele periodice autoregresive (PAR) sau periodice autoregresive i de medie
alunectoare (PARMA).
Modelul Thomas-Fiering, care se va prezenta n continuare, face parte din
ultima categorie fiind cunoscut i sub numele de PAR/1.
Fie x
t
valoarea observat a lunii m din anul y conform tabelului de mai jos:

I II III . . . XII
1981
anul 1982
x
t

y .
.
.
luna m

123
Seria x
t
poate fi supus n prealabil unei transformri Box-Cox pentru a obine o
distribuie apropiat de cea normal i pentru a realiza o varian constant.
Dac notm x x x
t y m
=
m y
=
+ 12 1 ( ) ,
atunci putem scrie modelul sub
urmtoarea form:


( ) x x r
s
s
x x s r e
m y m m
m
m
t m m m , ,
= + +
y

1
1 1
2
1

(6.1)

efect de autocorelaie oc aleator redus
efect mediu
sezonier oc aleator

partea fitat

unde:
x , n
n
x
m
m
m y
y
=
1
,
m
este numrul total al valorilor y, (6.2)


( )
s , (6.3)
n
x x
m
m
m y m
y
=
1 2
,


( )
( )
r
n
x x x x
s s
m
m
m y m t m
y
m m
=

1
1 1
1
,
, (6.4)

m - 1 trebuie nlocuit cu 12 dac m = 1,
x
t-1
este observaia care precede pe x
m,y
,

e
m,y

N (0,1) i independent . (6.5)

Reziduul acestui model este dat de:

( )
s r
x x r
s
s
x x
m y
m m
m y m m
m
m
t m , ,
=

1
1
2
1
1 1
e . (6.6)

Prognoza punctual pentru luna urmtoare se calculeaz astfel:


(
(
) r
s
s
x x
m y m m
m
m
t m ,
= + x x

1
1 1

, (6.7)
124
iar pentru a doua lun:


(
( (
x x r
s
s
x x
m y m m
m
m
t m ,
= + )

1
1 1
,
(6.8)

Pentru exemplificare s-a luat n considerare o serie de timp corespunztoare
umiditii solului din bazinul Fize din partea central a Cmpiei Transilvaniei
din perioada 1981-1986. Datele s-au calculat pe baza unui model determinist
ploaie - scurgere. n conformitate cu expresiile matematice de mai sus, pe
parcursul modelrii s-au obinut urmtoarele rezultate pariale (tabelul 6.1).

Tabelul 6.1

Valori speciale obinute n fazele modelrii


Med SM RM Radic Beji
ian 130.648 29.446 0.799 17.692 0.447
feb 135.363 27.651 0.927 10.400 0.870
mar 138.880 18.832 0.973 4.382 0.662
apr 118.430 37.983 0.947 12.219 1.910
mai 112.787 18.255 -0.009 18.254 -0.004
iun 110.272 35.579 0.473 31.345 0.922
iul 87.294 39.482 0.603 31.501 0.669
aug 67.806 30.299 0.843 16.291 0.647
sep 49.887 28.130 0.919 11.107 0.853
oct 56.802 39.535 0.936 13.872 1.316
nov 66.701 40.283 0.895 17.979 0.912
dec 87.525 52.630 0.989 7.853 1.292

unde:
Med, SM i RM sunt date de expresiile (2.40, 2.41, 2.42);
Radic = 1
2
r
m
;
Beji = r s . / s
m m m-1
Analiza fizic a strii hidrice a teritoriului observat prin aceast metod este
nlesnit prin faptul c se pot studia o serie de valori speciale (vezi tabelul
urmtor) care ar putea fi corelate cu anumite caracteristici morfometrice,
geomorfologice, climatice, de vegetaie, de mod de utilizare al teritoriului etc.
n figura 6.1 se prezint rezultatul grafic al modelului Thomas - Fiering. Se
remarc corelaia bun dintre datele iniiale i cele simulate, valorile mici ale
ocului aleator redus, ceea ce ncurajeaz utilizarea acestui model pentru aplicaii
practice.
125
Se observ faptul c variabilitatea mare a strii hidrice a solului lunii mai, n
ani succesivi, determin inexistena legturii statistice cu lunile nvecinate. Pe
grafic se observ cele mai mari deviaii n luna mai. Totui, n ansamblu
modelul este acceptabil.

-10
90
190
0 12 24 36 48 60 72
1 2 3

mm
timpul n luni
Fig. 6.1. Rezultatul sub form grafic al modelrii Thomas - Fiering: 1 - datele iniiale,
rezerva subteran de ap; 2 - seria simulat; 3 - ocul aleator redus.

Dezavantajul unui asemenea model este numrul mare de parametri
(tab. 6.1). De aceea, n continuare, se va proceda la simplificarea modelului
Thomas - Fiering prin reducerea numrului de parametri necesari.
Modelul Thomas - Fiering simplificat (TFS) a fost, de asemenea, studiat n
literatura de specialitate. Se pornete de la modelul complet, dar se consider
(din ecuaia 6.3) i r (din ecuaia 6.4). Prin aceast nlocuire deviaia
standard i coeficientul de autocorelaie pentru lag = 1 nu vor mai depinde de
variaia sezonier a fenomenului considerat. Astfel ecuaia (6.1.) devine:
s
m
= s
m
r =

x x r x x s r e
m y
m
t
m
m y , ,
( ) . = +

1
1
2
1

Aceast expresie corespunde utilizrii unui model AR(1) pentru seria
(
x x
m y
m
,

)
. Simplificnd notaiile se poate scrie:

u r u z
t t t
= +
1
,
unde:
u x (dessezonalizare n medie), x
t m y
m
=
,
z
t

N (0,
2
) (i independent stochastic).
126

-10
90
190
0 12 24 36 48 60 72
1 2 3

mm
timpul n luni

Fig. 6.2. Rezultatul sub form grafic al modelului Thomas - Fiering simplificat:
1- datele iniiale, rezerva subteran de ap; 2- seria simulat; 3- ocul aleator redus.

Estimatorii sunt:

r u , u u
t t
t
t
t
=
1
2
/
1
( ) =

1
1
2
/ n u r u
t t
t
.

ocul aleator redus este n acest caz:

e u r u s r
my t t
=
1
2
1 /

Aplicnd acest model simplificat s-a obinut rezultatul grafic din figura 6.2.
Avantajul modelului simplificat const n numrul redus de parametri
necesari: pentru exemplul ales acetia sunt r = 0.77 i s = 20.44, la care se
mai adaug mediile lunare. Comparnd cele dou figuri se observ marea
asemnare dintre ele, ceea ce nu nseamn c i n cazul altor variabile
hidrologice este la fel.


6.2. MODELAREA FUNCIILOR DE TRANSFER

Se consider dou serii i anume { ( seria input i { ( seria
output. Pentru a elabora o funcie de transfer de Y se vor parcurge urmtorii
pai:
)} Y t
1
)} Y t
2
Y
2 1
diferenierea i eliminarea mediei pentru a genera seriile transformate
i care urmeaz a fi modelate ca procese staionare cu media zero; X
2
X
1
127
construirea unor modele ARMA care se aplic seriilor i
(acelai tip de model, obinndu-se reziduurile i ;
X
2
X
1
R
2
R
1
elaborarea unui model tip funcie de transfer preliminar care leag
de astfel :
X
2
X
1
(6.9) X t t j X t j N t
j
m
2 1
0
( ) ( ) ( ) ( ) , = +
=
unde :
este o serie zgomot staionar cu media zero; { ( )} N t
nlocuirea funciei de transfer printr-o funcie raional B cu
coeficieni mai puini pentru a opera cu o funcie de transfer economic
(parsimonious) notat cu T(B).
t j B
j
j
m
( )
=

0
Fiind date seriile i i funcia de transfer raional T(B), se
calculeaz valorile zgomotului { ( n modelul:
X
2
X
1
)} N t

X t T B X t N t
2 1
( ) ( ) ( ) ( ) . = + (6.10)

elaborarea unui model ARMA de forma ( ) ( ) ( ) ( ) B N t B W t =
pentru a exprima o serie { ( care reprezint un model funcie de transfer
preliminar:
)} N t
X t T B X t B B W t
2 1
1
( ) ( ) ( ) ( ) ( ) ( ) = +

. (6.11)

construirea modelului final pornind de la modelul preliminar prin
reestimarea coeficienilor pe baza metodei celor mai mici ptrate;
reprezentarea medelului cu ajutorul unui filtru Kalman pentru a
determina predictorul liniar de eroare medie ptratic minim al seriei output
(pentru selectarea modelului se utilizeaz criteriul AICC, verificarea modelului
se refer la caracterul de zgomot alb al reziduului i la verificarea intercorelaiei
funciei de transfer a reziduurilor).
Vom lua ca exemplu datele nregistrate timp de 150 de zile n cadrul unei
parcele hidrologice experimentale dintr-o regiune umed. Precipitaiile totale
zilnice reprezint input-ul notat cu Y (fig. 6.3) iar volumul mediu scurs pe un
canal al parcelei experimentale reprezint output-ul notat cu (fig.6.4). Aria
bazinului parcelei experimentale nu coincide cu aria bazinului canalului de
scurgere, dar dup cum se vede n cele dou figuri, seriile sunt corelate. Prima
serie a fost numit PRECI, iar cea de-a doua DEBI.
2
Y
2
128

100
200
300
0 30 60 90 120 150

5
10
15
0 30 60 90 120 150

l l
zile
zile
Fig. 6.3. Seria de precipitaii - input. Fig.6.4. Seria de volume - output.

Pachetul de programe ITSM ofer programul TRANS pentru modelarea
funciilor de transfer, avnd urmtorul Meniu principal:
1. Calculeaz intercorelaia a 2 serii.
2. Construiete modelul funciei pentru seriile staionare: MA m ( )

X t t X t t m X t m N t
2 1 1
0 ( ) ( ) ( ) ... ( ) ( ) ( ) , = + + + (6.12)

n prealabil se va construi acelai tip de model ARMA pentru ambele
serii i i se vor reine reziduurile corespunztoare i . X
2
X
1
R
2
R
1
3. Calculeaz reziduurile unei funcii de transfer raionale specificate pentru
seriile i . X
2
X
1
4. Elaborarea unui model funcie de transfer pentru input i output i
utilizarea acestuia pentru realizarea prediciei.
5. Ieirea din program.

Opiunea 1 utilizat pentru intercorelaie necesit seriile {
(n cazul nostru PRECI) i {
( ) , ,..., } Y t t n
1
1 =
( ) , ,..., } Y t t n
2
1 = (n cazul nostru DEBI).
Intercorelaia dintre serii se calculeaz astfel:

$
( )
$
( ) (
$
( )
$
( )) , ,
, , , ,
/

Y Y Y Y Y Y Y Y
h h
1 2 1 2 1 1 2 2
0 0
1 2
= <

h n (6,13)

unde :


$
( )
( ( ) )( ( ) ) , ,
( ( ) )( ( ) ) ,
,

Y Y
i i j j t
n h
i i j j
t h
n
i j
h
n Y t h Y Y t Y h
n Y t h Y Y t Y
=
+
+

= +
1
1
1
1
0
0. h
(6.14)

Se pot utiliza un numr de maxim doi operatori de difereniere (acelai
operator se aplic la ambele serii). Utiliznd operatorii de difereniere i l l
1 2

129
se calculeaz intercorelaiile:

(6.15) X t B B Y t t l l n
l l
1 1 1
1 1 1
1 2
( ) ( )( ) ( ) , ,..., , = = + +
2
2
i
(6.16) X t B B Y t t l l n
l l
2 2 1
1 1 1
1 2
( ) ( )( ) ( ) , ,..., . = = + +

Se obine graficul care exprim intercorelaia dintre DEBI i PRECI (fig.6.5).
Se pot lista i valorile
$
( ) , ,..., .
,

Y Y
h h
1 2
30 30 =
Pentru difereniere se utilizeaz pentru ambele serii lag 1, se elimin mediile
i astfel rezult seriile , respectiv care, mai general, se noteaz cu: X
1
X
2

X t B Y t i
i i
( ) ( ) ( ) , , ,... . = = 1 1 2 (6.17)

Funcia de autocorelaie a seriilor i se reprezint n figura 6.6. X
2
X
1
Opiunea 2 a Meniului TRANS realizeaz o estimare primar a coeficienilor
n modelul care exprim relaia dintre seriile staionare
(PRECI) i (DEBI) :
t t ( ), ( ),... , 0 1 X
1
X
2

X t t j X t j N t
j
2 1
0
6 18 ( ) ( ) ( ) ( ) , ( . ) = +
=

unde este un proces staionar necorelat i cu media egal cu zero, avnd

ca input (Brockwell i Davis, 1987).
N t ( )
X
1



Fig. 6.5. Graficul de intercorelaie al seriilor
{ }
PRECI t h DEBI t ( ), ( ) h + = 30 30 ,... , .
130


Fig. 6.6. Graficul funciei de autocorelaie al seriilor staionarizate

{ }
RPRECI t h RDEBI t h ( ), ( ) , , ... , + = 30 30.

Seriile staionarizate s-au notat cu RPRECI respectiv RDEBI (fig.6.7 i 6.8).
-1.00
-0.50
0.00
0.50
1.00

-5.00
-1.00
3.00
7.00


Fig. 6.7. Seria RPRECI obinut
prin staionarizarea seriei PRECI.
Fig. 6.8. Seria RDEBI obinut
prin staionarizarea seriei DEBI.

Programul solicit n aceast faz introducerea seriilor reziduale obinute n
urma utilizrii aceluiai model ARMA, respectiv (RPRECI) i (RDEBI).
Astfel se obin urmtoarele modele ale celor dou serii:
R
1
R
2


X t Y t Y t t
1 1 1
1 0 0228 2 150 6 19 ( ) ( ) ( ) . , ,..., , ( . ) = =

X t Y t Y t t
2 2 2
1 0 0228 2 150 6 20 ( ) ( ) ( ) . , ,..., . ( . ) = =

131
Modelul ARMA sau MA(1) al seriei PRECI este:

X t Z t Z t
1
0 474 1 6 21 ( ) ( ) . ( ) , ( . ) =

unde este zgomot alb cu parametrii (0. 0.0779).
{
Z t ( )
}
)

Seria rezidual reprezint reziduul modelului ARMA. Seria rezidual
se obine prin aplicarea filtrului ( asupra seriei .
R
1
R
2
) 1 0 474
1

. B X
2
Pentru a verifica dac coeficienii estimai sunt semnificativ diferii de zero
se va reprezenta graficul de intercorelaie R t h
2
( + i pentru

R t
1
( )
h = 30 30 ,..., .
Coeficienii de corelaie
$
( ) h trebuie s se afle n interiorul benzii
1 96 . n pentru unde b este un numr ntreg non-negativ astfel nct h b <
$
( ) . b > 196 n . Valoarea b este parametrul de ntrziere (seria urmeaz
seria cu un decalaj de trei uniti de timp). Deoarece b
X
2
X
1
= 3 modelul (6.18)
se transform, considernd t j j b ( ) , = < 0 , n:

X t t j X t j N t
j b
m
2 1
6 22 ( ) ( ) ( ) ( ) . ( . ) = +
=

Dac introducem se obine modelul: m= 10

X t t X t t X t N t
2 1 1
3 3 10 10 6 23 ( ) ( ) ( ) ... ( ) ( ) ( ) , ( . ) = + + +

unde:

t t t t t ( ) . , ( ) . , ( ) . , ( ) . , ( ) . , 0 0 51 1 0 66 2 0 33 3 4 86 4 3 38 = = = = =

t t t t t t ( ) . , ( ) . , ( ) . , ( ) . , ( ) . , ( ) . . 5 2 6 6 2 0 7 2 03 8 1 52 9 1 32 10 078 = = = = = =

Se obine astfel graficul coeficienilor de intercorelaie (fig. 6.9), care arat
faptul c coeficienii de intercorelaie sunt neglijabili pentru i c
parametrul de ntrziere este
h < 3
b = 3 .
Opiunea 3 calculeaz seria rezidual a unui model tip funcie de transfer. Se
utilizeaz i i urmtorul model tip funcie de transfer: X t
1
( ) X t
2
( )
132
( )
( )
X t B B r B
v B v s B X t N t
b r
s
2
1
1
0 1
1 1 6 24
( ) ( ) ( ) ... ( )
( ) ... ( ) ( ) ( ) . ( . )
= + + +
+

Fig. 6.9. Graficul coeficienilor de intercorelaie
{ }
RPRECI t h RDEBI t ( ), ( + ) cu h = 30 30 ,..., .

Modelul estimeaz valorile ale seriei .
Utiliznd programul PEST obinem modelul
$
( ), max( , ) N t t m r b s > = + N t ( )
N t B W t ( ) ( . ) ( ) = 1 0 582 unde
este zgomot alb cu parametrii (0, 0.486). W t ( )
n exemplul nostru, modelul funcie de transfer de tip medie alunectoare
(MA(1)), care leag de , poate fi exprimat cu ajutorul unui model
avnd un numr minim de coeficieni.
X
2
X
1
Funcia de transfer se poate nlocui printr-o funcie raional de
B; astfel funcia 2
t j B
j
j
m
( )
=

0
0 22 0 018 0 002
2 3 4
B B B B + + + . . . devine T B
B
B
( )
.
=

2
1 0 1
.

Pentru exemplul nostru construim modelul cu un numr minim de
coeficieni:

X t B B X t N t
2
3 1
1
4 86 1 07 6 25 ( ) . ( . ) ( ) ( ). ( . ) = +

133

Pentru a genera estimri ale seriei N t t ( ), 3 149 < vom staionariza seriile
i (conform procedurii anterioare) i apoi introducem n program
funcia de transfer . Se vor obine astfel valorile
.
X
1
X
2
4 86 1 07
3
. ( . ) B B
1
}
{ }
$
( ), ,... , N t t = 4 149
Opiunea 4 realizeaz estimarea coeficienilor funciei de transfer care leag
de i pe baza acesteia realizeaz predicia. Meniul principal pentru
estimare i predicie este reprezentat n figura 6.10.
X
2
X
1


ESTIMATION AND PREDICTION MENU:
0. File the current model.
1. Find least squares estimators.
2. AICC value and prediction.
3. File residuals and plot cross-correlations.
Acces to the input residuals filed by PEST
is required for the latter.
4. Try a new model.
5. Enter a new data set.
6. Return to main menu.

Fig. 6.10. Meniul de estimare i predicie pe baza
unui model tip funcie de transfer.

Se solicit din etapele precedente seriile DEBI i PRECI care se
staionarizeaz, modelul pentru input, modelul funcie de transfer preliminar,
seria . Apoi se introduc valorile anterior determinate ( , i
coeficienii estimai n faza preliminar n modelul:
{
N t ( ) , , , ) b r s q p

( )
X t
B B r B
v B v s B
X t
B q B
B p B
W t
b r
s
q
p
2 1
0 1
1 1
1 1
1 1
6 26
( )
( ) ( ) ... ( )
( ) ... ( )
( )
( ) ... ( )
( ) ... ( )
( ). ( . )
=
+ + +

+
+
+ + +







Seria se leag de seria prin urmtorul model tip funcie de transfer
preliminar:
X
2
X
1

X t B B X t B W t
2
3 1
1
4 86 1 07 1 0 582 6 27 ( ) . ( . ) ( ) ( . ) ( ), ( . ) = +

134
unde :
W t este zgomot alb cu parametrii (0, 0.0486); ( )
; X t B Z t
1
1 0 434 ( ) ( . ) ( ) =
este zgomot alb cu parametrii (0, 0.0779). Z t ( )
Urmeaz faza de optimizare (Opiunea 1) utiliznd succesiv rezoluii de 0.1,
0.01, 0.001. Rezultatul optimizrii const n W( ) . ; 0 471 = ; U( ) . 1 0722 =
( ) . ; 1 0 58 = variana input-ului = 0.077; variana otput-ului = 0.048;
coeficientul MA al input-ului = -0.47.



Fig. 6. 11. Graficul coeficienilor de intercorelaie dintre
reziduul modelului funcie transfer i reziduul seriei input.

Cu ajutorul Opiunii 2 se calculeaz valoarea AICC (AICC=27.7) pentru a
avea un criteriu de selecie a celui mai bun model. Predicia se realizeaz cu
ajutorul unui filtru Kalman (Brockwell i Davis, 1987) care ofer cel mai bun
predictor liniar al seriei output pe baza modelului funcie de transfer identificat.
Pentru a verifica i valida calitatea modelrii se examineaz reziduurile
. Dac acestea au caracteristicile zgomotului alb, i dac valorile nu se
coreleaz cu reziduurile modelului fitat al seriei input atunci modelul funcie de
transfer poate fi acceptat.
{
$
( ) W t
}
Opiunea 3 construiete graficul de intercorelaie dintre reziduurile
modelului funcie de transfer i cele ale seriei input modelat ARMA. Se obine
135
graficul din figura 6.11 care justific calitatea modelrii deoarece nici o valoare
nu depete limita de confiden de 95%. Valorile prediciei se afieaz odat
cu radicalul din eroarea lor medie ptratic.


6.3. MODELAREA AUTOREGRESIV MULTIVARIAT

O serie de timp multivariat (vectorial sau multidimensional) avnd m serii
scalare componente, notat cu
{ }
X
t
reprezint un proces multivariat AR(p)
dac satisface relaia:

X X X z
t p t pp t p t
= + + +


1 1
6 28 ... , ( . )

unde :


{ }
este zgomot alb; z N V
t
~ ( , ) 0
p

p1
,...,
pp
sunt coeficienii matricelor m m ;
V este matricea de covarian a erorilor;
p

( )
det ... , ; I z z z
p
p
pp

1
0 1
al doilea p din
p1
,...,
pp
) 29
30
reprezint ordinul autoregresiei.

Coeficinii matricelor i matricea de covarian a erorilor satisfac ecuaiile
multidimensionale Yule - Walker:

pj
j
p
i j i i p ( ) ( ), ,..., , ( . = =
=
1 6
1


( ) ( ) . ( . ) 0 6
1
=
=

pj p
j
p
j V

Pentru a calcula valorile
pj
i V se utilizeaz versiunea multivariat a
algoritmului Durbin - Levinson. Fiind date observaiile ale unei serii
staionare m-dimensionale i de medie zero, procesul AR(p) fitat ( este:
p
x x
n 1
, ... ,
)
. )
p n <

X X X z
t p t pp t p t
= + + +

$
...
$
, (
1 1
6 31

unde :
136


{ }
z N V
t
~ ( , ) 0
p
1
$
p
zgomot alb;
i V sunt soluiile ecuaiilor Yule-Walker, cu
$
, ... ,
$

p pp
( ) h nlocuit
de matricea de covarian a seriei date - .
$
( ) , ,... , h h p = 0

Estimatorii coeficienilor se calculeaz cu ajutorul algoritmului Durbin -
Levinson (Brockwell i Davis, 1987).
Pachetul de programe ITSM cuprinde programul ARVEC care realizeaz
modelarea autoregresiv a unei serii de timp multidimensionale notat cu
i ordinul autoregresiei ( ) { }
Y Y Y t n
t t tm
= =
1
1 , ... , , , ... , p < 21.
Programul ARVEC accept o serie de dimensiune m 6 a lui Y .
Staionarizarea se poate realiza cu maximum dou diferenieri. Acestea pot fi de
exemplu lag 1 = 1 i lag 2 = 12. Utilizarea lor transform seria
t
{ }
Y
t
astfel:

( )( ) . ( . 1 1 6 3
12
1 12 13
= +

B B Y Y Y Y Y
t t t t t
) 2

Se elimin automat i media, rezultnd seria
{ }
X
t
care va fi supus modelrii
autoregresive. Considerm datele luate ca exemplu n capitolul 6.2., deci PRECI i
DEBI. Diferenierea de ordinul nti transform cele dou serii astfel:

X
X
Y Y
Y Y
t
t
t t
t t
1
2
1 1 1
2 1 2
0 02275
0 42013
6 33

,
,
.
.
, ( . )
0
n


unde . t = 2 15 , ... ,
Considernd c seriile sunt staionarizate pe baza criteriului AICC se
determin ordinul p optim, p < min( , ) 21 . Pentru un proces AR(p)
multidimensional valoarea AICC calculat prin program este:

AICC L V pm n n pm
p pp p
= + + 2 2 1
1
2 2
ln (
$
, ... ,
$
,
$
) ( ) / ( ) , ( . 2 6 34)
1
$
p
unde :

i V sunt estimatorii Yule - Walker;
$
, ... ,
$

p pp
L este verosimilitatea Gaussian a modelului.


Prin mai multe ncercri s-a ajuns la concluzia c modelul cu AICC minim
(AICC = 114.9) este AR(5). Programul afieaz matricile coeficienilor:
137

$
. .
. .
,
$
. .
. .
, ... ,
$
,
1 2
0 51 0 21
0 01 0 05
0 19 0 01
0 04 0 24

5


i matricea covarianei zgomotului alb:
$
. .
. .
V
5
0 075 0 002
0 002 0 09

.

Predicia apare sub form tabelar (tab. 6.2) sau sub form grafic.

Tabelul 6.2

Predicia pe baza modelului AR(5) i
eroarea de predicie

T Pred
ErMp

151
152
153
154
.
.
.
262.9
264.1
263.3
263.6
.
.
.
0.308
0.425
0.564
1.459
.
.
.

Banda de semnificaie de 95% se calculeaz astfel: pentru T=153,
Pred=263.35, Erstd=0.564, deci considernd c zgomotul este Gaussian
limitele sunt 263 35 1 96 0 564 . ( . ) ( . ) .


138




7. ELEMENTE DE ANALIZ SPECTRAL
CU EXEMPLE N HIDROLOGIE

n capitolul 2.2.3. s-au prezentat unele caracteristici statistice ale seriilor
hidrologice periodice. De asemenea, n cadrul capitolului 2.3. s-a discutat
modul de exprimare al componentei periodice al unei serii hidrologice. De
regul, componenta periodic se reprezint sub form de serii Fourier. Cu
aceast ocazie s-a definit intensitatea spectral i modul de reprezentare grafic
al acesteia (periodograma lui Schuster). S-a artat c una dintre aplicaiile
posibile ale descompunerii unei serii hidrologice n serii Fourier este modelarea
tendinei compozite. Componentele Fourier pot fi utilizate, de asemenea, n
scopul simulrii sau al prognozei. Capitolele 5 i 6 au prezentat diferite modele
stochastice cu aplicaii n hidrologie elaborate pe baza reprezentrii seriei de
timp n domeniul timpului. Capitolul 7 este consacrat modelelor stochastice
bazate pe reprezentri ale seriei de timp n domeniul frecvenelor.
Pachetul de programe ITSM (Brockwell, Davis i Hyndman - 1991) ofer n
acest sens programul SPEC elaborat pentru analiza spectral.
n continuare se vor prezenta aspecte metodologice ale analizei spectrale cu
exemple din hidrologie.
Analiza spectral se bazeaz pe proprietile din domeniul frecvenelor ale
seriilor de timp. Ea se refer, n principal, la dou probleme: detectarea
caracterului ciclic al datelor i estimarea densitii spectrale. Ambele probleme
pot fi selecionate cu ajutorul opiunii 7 (Estimare spectral neparametric) al
Meniului principal al pachetului de programe PEST. Opiunea 7 afieaz
Meniul analizei spectrale (fig. 7.1).


SPECTRAL ANALYSIS
1. Plot periodogram/(2*pi) and/or ln[periodogram/(2*pi)]
2. Plot cumulative periodogram
3. File Fourier transform
4. Fisher s test
5. Enter weight function for smoothing
6. Plot weight function. Sum of squares=
7. Plot estimated spectrum and/or ln[spectrum]
8. Return to main menu

Fig. 7.1. Meniul analizei spectrale.
139 139



Menionm faptul c Opiunile 6 i 7 devin active numai dup introducerea
parametrilor funciei de ponderare cu ajutorul Opiunii 5.


7.1. PERIODOGRAMA I PERIODOGRAMA CUMULAT

Principalul instrument de lucru pe care se ntemeiaz analiza spectral este
periodograma. Periodograma seriei
{ }
x x
n 1
,... , este definit astfel:


( )
I
n
X e
j t
it
t
n
j

=
1
7 1
1
2
, ( . )

unde :

[ ]

j
j n j n = = 2 0 1 / , , , . . . , / 2
]
, sunt frecvenele Fourier n intervalul

[ ]
; 0,

[
este partea ntreag a lui n / 2 n / 2 .

O valoare maxim a lui
( )
I
j
sugereaz prezena unei componente
sinusoidale n structura datelor pentru frecvena
j
. Prezena unei astfel de
componente urmeaz, de regul, a fi testat cu ajutorul unui tabel de analiz a
varianei (Brockwell i Davis, 1987) sau cu ajutorul testului Fisher care va da un
rspuns dac seria conine sau nu periodiciti ascunse.
Opiunea 1 a Meniului analizei spectrale reprezint periodograma sau
ln(periodograma) constituit din valorile ( ) I / 2 .
Periodograma se calculeaz numai pentru frecvene Fourier diferite de zero
deoarece pentru
j
= 0 , ( ) I n x
n
0
2
= care depinde numai de media
eantionului, nefiind din aceast cauz o valoare util.
Construcia periodogramei are la baz transformata Fourier discret definit
n felul urmtor:

( )
[ ] [ ] a n x e n j n
j t
it
t
n
j
=

=
1 2
1
1 2 2 7 2
/
, / / . (

. )

Opiunea 3 a meniului discutat va salva coeficienii
[ ] { }
a j n
j
, , . . . , / = 0 2
sub forma unei matrici de numere complexe.
140 140



Vom considera ca exemplu urmtoarele trei serii (obinute n diferite faze de
modelare a seriei Sohodol, Cap. 5.): seria staionarizat (SOSTA); seria
rezidual (SOREZ); seria iniial transformat Box-Cox din care s-a eliminat
numai tendina liniar pentru a evidenia componenta periodic (SOCIC).
Pentru simplitatea exprimrii, n continuare se vor folosi denumirile din
paranteze.
Opiunea 2 va reprezenta periodograma cumulat i standardizat, care se
definete astfel:

C x
x
Y i x i i q
x q
i
( )
,
, , ,... ,
,
, ( =
<
+ =

0 1
1 1 1
1
7 3 . )
unde :
; ( )
[ ]
q n = 1 2 /
( ) ( ) Y I I
i k
k
i
k
k
q
=
= =

1 1
/ .

0.00
0.04
0.08
0 20 40 60

0.00
0.50
1.00
0 20 40 60

C(x)
I / 2
Fig. 7.2. Periodograma seriei SOSTA. Fig. 7.3. Periodograma cumulat
a seriei SOSTA.

0.00
0.02
0.04
0 20 40 60

0.00
0.50
1.00
0 20 40 60

C(x)
I / 2
Fig. 7.4. Periodograma seriei SOREZ. Fig. 7.5. Periodograma cumulat
a seriei SOREZ.
141 141




0.00
0.35
0.70
0 20 40 60

0.00
0.50
1.00
0 20 40 60

C(x)
I / 2
Fig. 7.6. Periodograma seriei SOCIC. Fig.7.7. Periodograma cumulat a
SOCIC.

Observaie: n toate figurile 7.2 - 7.7 o unitate pe axa absciselor este egal
cu 2 120 / .
Seria SOSTA nainte de a fi supus modelrii ARMA prezint o frecven
maxim (fig. 7.2) semn c n structura datelor exist o component sinusoidal.
Aceasta poate fi sau nu poate fi semnificativ, de aceea se indic utilizarea unui
test de semnificaie. Prin urmare periodograma cumulat (fig. 7.3) prezint o
inflexiune. Seria SOREZ are periodograma (fig. 7.4) i periodograma cumulat
(fig. 7.5) cu o alur specific unei serii reziduale. n schimb periodograma i
periodograma cumulat a seriei SOCIC (fig. 7.6 i fig. 7.7) sunt tipice pentru o
serie cu component periodic (12 luni).
Reprezentarea periodogramei cumulate i standardizat este echivalent cu
testul Kolmogorov - Smirnov privind faptul c
{ }
x
t
este un zgomot alb
Gaussian (ipoteza nul). Se reprezint graficul funciei de distribuie empiric i
se verific compatibilitatea acesteia cu funcia de distribuie uniform
F x x x ( ) , = 0 1. Testul Kolmogorov - Smirnov respinge ipoteza nul la
nivelul de semnificaie dac funcia de distribuie empiric depete
limitele:

( ) y x k q x = < <

1 0 1 7
1 2 /
, , ( 4 . )

unde i . k
0 05
1 36
.
. = k
0 01
163
.
. =

Dac este un zgomot alb Gaussian, atunci Y i { }
x
t
q
i
, , ... , = 1 1 are o
distribuie independent cu parametrii
( )
0 1 , iar periodograma cumulat este
aproximativ liniar. Ipoteza zgomotului alb Gaussian este respins pentru
nivelul de semnificaie 0.05 dac ( ) C x depete limitele:
142 142



( ) y
x
y
q x q =

1
1
136 1 1 7 5
1 2
. , .
/
( . )
}



7.2. TESTAREA PREZENEI PERIODICITILOR ASCUNSE


n acest paragraf se vor prezenta unele teste (bazate pe periodogram) care
pot fi utilizate pentru a testa ipoteza nul conform creia datele reale
sunt generate de un zgomot alb Gaussian. Ipoteza alternativ
se refer la faptul c datele sunt generate de un zgomot alb Gaussian n a crui
coninut exist o component periodic. Forma testelor difer n funcie de
modul de specificare al componentei periodice.
H
0
{
x x
n 1
,... , H
1
S presupunem faptul c seria de timp
{ }
X
t
poate fi exprimat sub forma:

X A t B t z
t t
= + + + cos sin , ( . ) 7 6

unde:
este un zgomot alb Gaussian cu variana ; { } z
t

2
A i B sunt coeficieni Fourier;
este o frecven Fourier specificat, t n = 1,... , , . ( ) = 2 0 k n / ,

Se testeaz prezena unei componente sinusoidale cu frecven specificat.
Ipoteza nul este:

H A B
0
0 7 : , 7 ( . ) = =

iar ipoteza alternativ:

H A
1
: i B 0 sau A 0 sau B 0 7 . ( 8 . )

Brockwell i Davis (1987) demonstreaz prin analiza de varian,
posibilitatea de a respinge ipoteza n favoarea ipotezei pentru un
anumit nivel de semnificaie
H
0
H
1
.
Pot exista serii hidrologice care s conin o component periodic
(nesinusoidal) cu perioada numr ntreg specificat p n < . Modelul seriei de
timp poate fi scris n acest caz astfel:

143 143



X f z t n
t t t
= + = , , ... , , ( . ) 1 7 9
unde:
{ este un zgomot alb Gaussian cu variana ; } z
t

2
, sunt valorile unei funcii f cu periodicitatea f t Z
t
, ( ) p n 1, .

Valorile funciei f sunt reprezentate de:

( ) ( )
[ ]
( ) [ ]
( )
f A kt p B kt p
A
t k k
k
p
p
t
= + + +
+
=

cos / sin /
, (
/
/
2 2
1 7
1
1 2
2
. ) 10
11 ( . )


unde dac p este impar. A
p / 2
0 =

Brockwell i Davis (1987) arat c pentru a testa prezena unei componente
periodice nesinusoidale cu perioada specificat, ipoteza nul este:

H A B k
k k 0
0 7 : , = =

iar ipoteza alternativ:

este fals . (7.12) H H
1
:
0

Pentru a testa seriile hidrologice, referitor la prezena unor periodiciti
ascunse, avnd frecvena nespecificat, se poate utiliza testul Fisher. n Meniul
analizei spectrale testul Fisher se activeaz cu ajutorul Opiunii 4.
Ipotezele nul i alternativ a acestui test sunt :

este un zgomot alb Gaussian, (7.13)
{ }
H X
t 0
:
conine o component periodic
{ }
H X
t 1
:
de frecven nespecificat. (7.14)

Respingerea ipotezei nule se realizeaz dac periodograma conine o valoare
mai mare dect media valorilor periodogramei. Testul calculeaz valoarea

( ) ( )
q
i q
i i
i
q
I q I =

=
max / . ( . )
1
1
1
7 15
144 144



Se calculeaz, apoi, probabilitatea p, ca
q
s fie mai mare dect valoarea x
observat.
Opiunea 4 afieaz ambele valori
q
i
( )
p x
q
> .
S-au obinut urmtoarele rezultate, care invalideaz clar ipoteza nul n cazul
SOCIC, valideaz clar n cazul SOREZ i valideaz la limit n cazul SOSTA
conform tabelului de mai jos:



q

( )
p x
q
>
SOSTA 6.27 0.084
SOREZ 3.63 0.844
SOCIC 25.27 0.0


7.3. DENSITATEA SPECTRAL

Reprezentarea spectral a unui proces stochastic staionar
descompune seria
{
X t
t
, , , ... = 0 1
} { }
X
t
ntr-o sum de componente
sinusoidale avnd coeficieni necorelai. n mod corespunztor funcia de
autocovarian a lui se descompune sub form de sinusoide. Astfel,
descompunerea spectral este un analog, pentru procesele stochastice staionare,
cu reprezentarea Fourier a funciilor deterministe.
{ }
X
t
Analiza proceselor staionare prin intermediul reprezentrilor spectrale este
cunoscut sub numele de analiza seriilor de timp n domeniul frecvenelor.
Aceasta este echivalent cu analiza seriilor de timp n domeniul timpului care se
bazeaz pe funcia de autocovarian.


SPECTRAL DENSITY
1. Plot the spectral densit
2. File the spectral density
3. Plot ln(spectral density)
4. File ln(spectral density)
5. Specify a diff. Number of positive frequencies
6. Change current white noise variance of
7. Return to main menu


Fig. 7.8. Meniul densitii spectrale.

145 145



n continuare se va trata densitatea spectral a unui model ARMA(p,q) care
se va putea compara cu densitatea spectral estimat pe baza unei serii. n mod
similar s-a comparat n paragraful 5.3.7. ACF/PACF al unui model ARMA(p,q)
cu ACF/PACF estimate pe baza seriei de date.
Opiunea 5 a Meniului principal deschide Meniul densitii spectrale (fig.
7.8.). Opiunile 1 i 3 ale acestui meniu calculeaz i afieaz, pentru modelul
fitat, densitatea spectral respectiv ln(densitatea spectral). Prin opiunile 2 i 4
se pot salva rezultatele precedente.
Densitatea spectral a unei serii de timp staionare
{ }
X t
t
, , , ... = 0 1
avnd autocovarianele nsumabile (de exemplu cazul particular al unui proces
ARMA) se poate scrie astfel:

( ) f k e
i k
k

1
2
7 16 ( ) , , ( . )

unde ( ) k este autocovariana pentru lag k iar i = 1 .

Reprezentarea spectral a lui
{ }
X
t
descompune seria n componente
sinusoidale. Valoarea msoar contribuia relativ a componentelor cu
diferite frecvene (msurate n radiani pe unitate de timp) la variana total a lui
. Pentru o serie de valori reale
( ) f
X
t
( ) ( ) ( )
f f =

este suficient
reprezentarea graficului , (fig. 7.9 i 7.10). ( ) f , 0
( ) f
0.00
0.02
0.03
0 100 200 300

0.00
0.35
0.70
0 100 200 300

( ) f
( )
( )
Fig. 7.9. Densitatea spectral Fig. 7.10. Densitatea spectral
a seriei SOSTA. a seriei SOCIC.

n cazul seriei SOSTA componentele armonice de frecven ( ) joase sunt
mai importante. n cazul seriei SOCIC este evident contribuia armonicei de
frecven =0 52 . , ceea ce corespunde perioadei de 12.
146 146



O valoare maxim a funciei de densitate spectral, corespunztoare unei
frecvene , indic o contribuie nsemnat la variana total.
Rezoluia graficului densitii spectrale poate fi influenat cu ajutorul
Opiunii 5 a Meniului densitii spectrale, iar Opiunea 7 influeneaz valoarea
curent a variaiei zgomotului alb.
Densitatea spectral a unui proces staionar se estimeaz prin ajustarea
(ponderarea) periodogramei. Funcia de ponderare notat cu ( ) { }
W j j m , se
introduce prin opiunea 5 a Meniului analizei spectrale. Pentru valori pozitive
ale lui m se vor introduce ponderile non-negative W W . Dup
aceast etap de lucru se redeschide Meniul analizei spectrale n configuraie
complet, inclusiv Opiunea 6 - Graficul funciei de ponderare i Opiunea 7 -
Graficul spectrului sau al ln(spectrului) estimat. Ultima dintre opiuni calculeaz
i afieaz periodograma ponderat (ajustat).
W m ( ), ( ), ..., ( ) 0 1
Utiliznd m=2 i ponderi identice egale cu 1 rezult periodogramele
ponderate (fig. 7.11. - 7.13.). Alura acestora ilustreaz caracteristicile de baz
ale datelor anterior menionate.

0.00
0.02
0.04
0 20 40 60

0.00
0.01
0.02
0 20 40 6
$
( ) f
j
$
( ) f
j

0


Fig. 7.11. Periodograma ponderat a Fig. 7.12. Periodograma ponderat
seriei SOSTA. a seriei SOREZ.

0.00
0.08
0.16
0 20 40 60

$
( ) f
j

Fig. 7.13. Periodograma
ponderat a seriei SOCIC.

147 147



Limitele benzii de confiden de 95% ale densitii spectrale, , sunt
date de:
( )
f
j

( ) ( )
$
. ( )
$
. (
/
f W k f
j
k m
j

1 96 7 17
2
1 2
. )

Aceast band este compatibil cu caracterul constant al densitii spectrale
al zgomotului alb (Brockwell i Davis, 1987). Pentru
( )
ln ( ) f
j
limitele de
confiden sunt:

( )
ln
$
. ( ) . (
/
f W k
j
k m

1 96 7 18
2
1 2
. )


7.4. ANALIZA SPECTRAL BIDIMENSIONAL

Pachetul de programe ITSM conine programul SPEC care efectueaz
analiza spectral bidimensional. Dup activarea programului SPEC se vor
specifica numele celor dou serii (aflate n format ASCII n fiiere separate) pe
care le notm astfel respectiv
{ }
X t n
t1
1 1 , , ... , =
{ }
X t n
t 2
2 1 , , ... , = .
Ca exemplu vom lua n considerare seriile de valori lunare de precipitaii
bazinale (PBLA) i seria de debite (QBLA) nregistrate la Blaj, rul Trnava n
perioada 1973-1978 (v. fig. 2.2).
Dup introducerea datelor se deschide Meniul analizei spectrale
bidimensionale (fig. 7.14).

BIVARIATE SPECTRAL ANALYSIS
1. Plot estimated f11 for pblas
2. Plot estimated f22 for qblas
3. Plot estimated abs. Coherency |K12|
4. Plot estimated phase PHI12
5. Enter new weight function for smoothing
6. Plot weight function. Sum of squares =
7. Begin another analysis
8. End program

Fig. 7.14. Meniul analizei spectrale bidimensionale.

148 148



De remarcat este faptul c Opiunea 6 apare numai dup introducerea
valorilor funciei de ponderare cu ajutorul Opiunii 5. naintea introducerii
funciei de ponderare, Opiunile 1 i 2 calculeaz i afieaz doar densitile
spectrale estimate ale celor dou serii, i . n acest moment densitile
spectrale sunt doar periodogramele seriilor respective divizate cu
$
f
11
$
f
22
2 :

( )
1
2
1
2
7 19
11
1
1
1
2

I n X e
k t
it
t
n
k
=

=
, ( . )

respectiv:
( )
1
2
1
2
7 20
22
1
2
1
2

I n X e
k t
it
t
n
k
=

=
, ( . )

unde :

[ ]

k
k n k n = = 2 0 1 / , , , ... , / 2
]
sunt frecvenele Fourier n intervalul
;
[ ]
0,

[
este partea ntreag a lui n / 2 n / 2 .

Periodograma comun (interperiodogram) se definete pentru o frecven
Fourier
k
astfel:

( ) I n X e X e
k t
it
t
n
t
it
t
n
k k
12
1
1
1
2
1
7 21

=

= =
. ( . )

Fr a se utiliza funcia de ponderare, spectrul de coeren absolut are
urmtoarea valoare absolut (Brockwell i Davis, 1987):

( )
( )
( ) ( )
k
I
I I
k
k
k k
12
12
11
1 2
22
1 2
1 7


=

=
/ /
. ( 22 . )

Datorit oscilaiilor numeroase pe care le prezint periodogramele, spectrul
de coeren absolut (Opiunea 3), i faza spectrului (Opiunea 4) nu se pot
interpreta. De aceea, n cadrul acestei etape de lucru se obinuiete utilizarea
unei funcii de ponderare a oscilaiilor periodogramei.
Cu ajutorul Opiunii 5 se introduc parametrii funciei de ponderare
( ) {
W j j m ,
}
. Pentru o valoare pozitiv a lui m se vor introduce ponderile
149 149



W W W m ( ), ( ), ..., ( ) 0 1 , sub form de valori pozitive. Prin definiie, funcia de
ponderare este simetric W j W j ( ) ( ) = , j m = 1, ... , . Programul rescaleaz
ponderile astfel nct suma lor s fie egal cu unu. Cu ajutorul Opiunii 6 se
poate vizualiza graficul funciei de ponderare.
Dup introducerea funciei de ponderare densitile spectrale ale seriilor
sunt:


( ) ( )
$
( ) , ( . ) f W k I
j j k
k m
11 11
1
2
7 23

= +

( ) ( )
$
( ) . ( . ) f W k I
j j k
k m
22 22
1
2
7 24

= +

De asemenea, spectrul de densitate comun (cross) dup introducerea funciei
de ponderare va avea expresia:


( ) ( )
$
( ) . ( . ) f W k I
j j k
k m
12 12
1
2
7 25

= +

S procedm la staionarizarea seriilor luate ca exemplu prin utilizarea
diferenierii de lag 1. Opiunile 1 i 2 ofer densitile spectrale ale celor dou
serii (fig. 7.15 i fig. 7.16).
0.00
500.00
1000.00
1500.00
0 10 20 30
0.00
100.00
200.00
300.00
0 10 20 30

$
f $
f

Fig. 7.15. Densitatea spectral a Fig. 7.16. Densitatea spectral

precipitaiilor bazinale din bazinul a debitelor rului Trnava / Blaj
Trnava / Blaj naintea ponderrii. naintea ponderrii.

Cu ajutorul Opiunii 5 introducem m=6 i apoi W W ( ) ... ( ) 0 6 1 = = = . Tot cu
ajutorul Opiunilor 1 i 2 se calculeaz i se afieaz noile densiti spectrale
estimate (fig. 7.17 i fig. 7.18).

150 150



$
( ) f
j

0.00
300.00
600.00
0 20
0.00
50.00
100.00
0 10 20 30

$
( ) f
j

1 2 7 unit 0 = /

Fig. 7.17. Densitatea spectral a Fig. 7.18. Densitatea spectral
precipitaiilor bazinale din bazinul a debitelor rului Trnava / Blaj
Trnava / Blaj dup ponderare. dup ponderare.

Intervalele de confiden se calculeaz conform metodologiei prezentate n
paragraful precedent.
Prin Opiunea 3 se calculeaz i afieaz spectrul de coeren absolut:



$
( )
$
( )
$
( )
$
( )
, (
/ /
k
f
f f
j
j
j j
12
12
11
1 2
22
1 2
7 26


=

. )

unde este estimatorul spectrului comun dat de:
$
( ) f
12



$
( ) ( ) ( ). ( . f W k I
j j k
k m
12 12
1
2
7 27

= +

)

Se poate spune c pentru o frecven dat, coerena absolut este corelaia
dintre armonicele (de aceeai frecven ) celor dou serii. O coeren absolut
aproape de valoarea unu indic o corelaie liniar puternic ntre sinusoidele
componente ale celor dou serii.
n figura 7.19 se reprezint spectrul de coeren absolut
$
( ) k
j 12
al
seriilor de precipitaii bazinale i debite din bazinul Trnava la Blaj.
Deoarece valorile iniiale sunt medii lunare (staionarizate prin difereniere
de ordinul nti) pe baza figurii 7.19 se poate spune c cele dou serii sunt
corelate pentru fiecare frecven. Valori maxime se obin pentru
= = = 0 18 1 43 2 96 . , . , . sau corelaia dintre armonice este puternic pentru
decalaje de 2 / luni (35, 5 i 2-3).
151 151



0.00
0.50
1.00
0 10 20 30

-3.14
-1.57
0.00
1.57
3.14
0 10 20 30

$
( ) k
j 12

$
( )
12 j

1 2 70 unit = /
1 2 unit 70 = /

Fig. 7.19. Spectrul de coeren absolut Fig. 7.20. Faza spectrului estimat
pentru precipitaii bazinale-debite. pentru precipitaii bazinale-debite.

Faza spectrului, notat cu
[ ]

12
( ) , , se definete ca fiind
. Ea este o msur a decalajului (lag) fazei componentei armonice
de frecven
( ) arg ( ) f
12

al seriei fa de seria
{
X
t 2
} { }
X
t1
. Valoarea
12
( ) se poate
interpreta ca fiind decalajul de timp prin care componenta de frecven a
seriei
{
urmeaz dup componenta de aceeai frecven a seriei .
}
X
t 2
{ }
X
t1
Faza spectrului se estimeaz prin relaia:



( )
$
( ) arg
$
( ) . ( .
12 12
7 28
j j
f = )

Opiunea 4 calculeaz i afieaz faza spectrului n intervalul
[ ]
. n
figura 7.20 se prezint graficul de variaie al fazei spectrului pentru precipitaii
bazinale - debite n bazinul Trnava la postul Blaj. Brockwell i Davis (1987) au
dedus formulele de calcul ale limitelor de confiden, att pentru spectrul de
coeren absolut, ct i pentru faza spectrului.
,
Menionm faptul c dac rezultatele obinute nu sunt suficient de clare
pentru a deduce concluzii se va proceda la schimbarea funciei de ponderare.


152 152




ANEXA I




ACF PACF
ARIMA (0, 0, 1)
> 0
ARIMA (0, 0, 1)
< 0
ARIMA (0, 0, 2)

1 2
0 0 > > ,
153

ACF PAC
ARIMA (1, 0, 0)
> 0
ARIMA (1, 0, 0)
< 0
ARIMA (1, 0, 1)
< > 0 0 ,

ARIMA (2, 0, 0)

1 2
0 0 > > ,

154


BIBLIOGRAFIE


1. Box, G.E.P., Jenkins G.M., Time Series Analysis: Forecasting and Control.
Holden-Day, San Francisco, 1976.

2. Brockwell, P. J., Davis, R. A., Time Series: Theory and Methods. Springer-
Verlag, New York, 1987.

3. Brockwell, P. J., Davis, R. A., Hyndman, R. J., ITSM: An Interactive Time
Series Modelling Package for the PC., Springer-Verlag, New York, 1991.

4. Delleur, J. W., Time Series Analysis Applied to Hydrology", Vrije Universiteit
Brusells, Laboratory of Hydrology and Center for Statistics and Operational Research,
Paper No.19, 1991.

5. Eshete, Z., Generalization and Comparative Study of the Non-Gaussian
Multicomponent Model for River Flow. Vrije Universiteit Brussels, Laboratory of
Hydrology and Interuniverity Postgraduate Programme in Hydrology, Paper No.23.,
1992.

6. Grlau, ., Popp, C., Ionel, S., Introducere n analiza specral i de corelaie.
Editura Facla, Timioara, 1982.

7. Haidu, I., Frca I., Studiul variaiei de lung durat a parametrilor
hidroclimatici n scopul elaborrii prognozei prin extrapolare analitic, n vol.
Probleme de geografie aplicat. Universitatea "Babe-Bolyai" Cluj-Napoca, 1986.

8. Haidu I., Tilinca Z., Szocs F., Spectral Analysis of the Multiannual Flow
Variations of the Rivers in the West of Romania, Studia Universitatis "Babe-Bolyai"
Cluj-Napoca, Seria Geologia-Geographia, XXXII, Nr. 3, 1987.

9. Haidu I., Prognoze hidrologice, Universitatea "Babe-Bolyai" Cluj-Napoca,
Facultatea de Biologie, Geografie i Geologie, 1993.

10. Haidu, I., ARMA Modeling and the Interannual Water Transfer in Danube
Basin", in Geographica Timisiensis, Universitatea Timioara, vol. 3., 1994.

11. Haidu I., Haidu C., Raicu T., Water Transfer Analysis - Preliminary Results,
Studia Universitatis "Babe-Bolyai" Cluj-Napoca, Seria Geographia, Nr. 1-2, 1995.

12. Haidu I., Mercier J. L., Recherche de tendances et de fluctuations dans des
prcipitations: exemple pris en rgion mditerranenne. Traveaux du 9-me Colloque
155
International de Climatologie, 11-14 Sept. 1996 Universit "Louis Pasteur" de
Strasbourg, 1996.

13. Hipel, K. W., McLeod, A. I., Time Series Modelling of Water Resources and
Environmental Systems. Elsevier, Amsterdam, 1994.

14. Kendall, M.G., Time - Series, Griffin, London, 1973.

15. Kottegoda, N. T., Stochastic Water Resources Technology, John Wiley and
Sons, New York, 1980.

16. Mlard, G., Mthodes de prvision court terme. Editions de lUniversit de
Bruxelles, 1990.

17. McCuen, R. H., Microcomputer Applications in Statistical Hydrology. Prentice
Hall, Engewood Cliffs, New Jersey, 1993.

18. Mihoc,. G., Bergthaller, C., Urseanu, V., Procese stochastice: Elemente de
teorie i aplicaii. Editura tiinific i Enciclopedic, Bucureti, 1978.

19. Popescu, T., Demetri, S., Practica modelrii i prediciei seriilor de timp:
Metodologia Box - Jenkins. Editura tehnic, Bucureti, 1991.

20. Salas, J. D., Delleur, J. W., Yevjevich, V., Lane, W. L.(1980), Applied
Modeling Hidrologic Time Series, Water Resources Publications, Fort Collins,
Colorado.

21. Salas, J. D., Smith, R. A.(1981), Physical basis of stochastic models of annual
flows. Vol 17, No.2.

22. Selesi, Y., Stochastic Predictions of Summer Rainfall Amounts over the
Northeast African Highlands and over India. Vrije Universiteit Brussels, Laboratory of
Hydrology and Interuniverity Postgraduate Programme in Water Resources
Engineering, Paper No.30., 1996.

23. Teodorescu, D., Modele stochastice optimizate. Editura Academiei, Bucureti,
1982.

24. Tertico, M., Stoica, P., Popescu, T., Modelarea i predicia seriilor de timp.
Editura Academiei, Bucureti, 1985.

25. Thomas, H. A., Fiering, M. B., Mathematical Synthesis of Streamflow
Sequences for the Analysis of River Basins by Simulation. Design of Water Resources
Systems, Harvard University Press, Cambridge, 1962.

156
26. Tiron, M., Analiza preciziei de estimare a funciilor aleatoare. Editura Tehnic,
Bucureti, 1981.

27. Vandewiele, G.L., Time Series Analysis, Vrije Universiteit Brusells, 1988.

28. Wang, Z. M., Conceptual Stochastic Streamflow for Monte Carlo Simulation
and Forecasting. Vrije Universiteit Brussels, Laboratory of Hydrology and
Interuniverity Postgraduate Programme in Water Resources Engineering, Paper No.31.,
1996.

29. Yevjevich, V., Stochastic Processes in Hydrology, Water Resources
Publications, Fort Collins, Colorado, 1972.


157


Cri editate n cadrul programului
TEMPUS S_JEP 09781/95


Ion GIURMA

F. LEHMANN;
Ph. ACKERER

Ionel HAIDU


Aurel VARDUCA

* * *


Petre STANCIU


Pierre HUBERT


Mihai MANOLIU;
Cristina IONESCU

Andr MERMOUD

Ioan BICA


Petre GTESCU

Radu POPA


COLMATAREA LACURILOR DE ACUMULARE

WAMOS 1D. SIMULATION
OF WATER MOVEMENT IN SOIL

ANALIZA SERIILOR DE TIMP.
APLICAII N HIDROLOGIE

HIDROCHIMIE I POLUAREA CHIMIC A APEI

MSURI NON-STRUCTURALE
N GOSPODRIREA APELOR

METODOLOGIA BOX-JENKINS.
APLICAII N HIDROLOGIE

EAUPUSCULE. UNE INTRODUCTION
A LA GESTION DE L'EAU

DEZVOLTARE DURABIL
I PROTECIA MEDIULUI

ELEMENTS DE PHYSIQUE DU SOL

POLUAREA ACVIFERELOR.
TEHNICI DE REMEDIERE

LIMNOLOGIE I OCEANOGRAFIE

MODELAREA CALITII APEI DIN RURI






ISBN : 973 - 98530 - 3 - X