Sunteți pe pagina 1din 229

1

CUPRINS

INTRODUCERE IN IDENTIFICAREA SISTEMELOR 3
MODELE ALE SEMNALELOR, SISTEMELOR I PROCESELOR DINAMICE 3
PROCEDURA GENERAL I ORGANIZAREA EXPERIMENTELOR DE IDENTIFICARE SISTEMELOR 7
EXPERIMENTE DE IDENTIFICARE A SISTEMELOR. EXEMPLE 9
PROBLEME 16
VARIABILE ALEATOARE I FUNCII DE PROBABILITATE 22
INTRODUCERE 22
FUNCII DE PROBABILITATE 26
MOMENTE STATISTICE 32
FUNCII DE VARIABILE ALEATOARE 39
OPERATORUL DE MEDIERE STATISTIC 41
CORELAIA 44
SEMNALE ALEATOARE I ZGOMOTE 48
DEFINIII 48
FUNCIILE DE CORELAIE ASOCIATE PROCESELOR ALEATOARE N SENS LARG 53
DENSITATEA SPECTRAL DE PUTERE A PROCESELOR ALEATOARE STAIONARE N SENS LARG 64
ENERGIA I PUTEREA SEMNALELOR 68
FUNCII TEMPORALE I SECVENE TEMPORALE DE PROCESE ALEATOARE 70
PROBLEME 78
MODELE ALE SISTEMELOR LINIARE 83
PROPRIETI ALE SISTEMELOR LINIARE CU PARAMETRI CONSTANI, INVARIANTE N TIMP 83
MODELE ALE SISTEMELOR LINIARE CU PARAMETRI CONSTANI I SEMNALE DE TIP CONTINUU 87
MODELE ALE SISTEMELOR LINIARE CU PARAMETRI CONSTANI I SEMNALE DISCRETE 113
REZUMAT 122
METODE DE IDENTIFICARE DE TIP NEPARAMETRIC 124
METODA RSPUNSULUI TRANZITORIU 124
METODA ANALIZEI N FRECVEN 133
METODA ANALIZEI DE CORELAIE 142
METODA ANALIZEI SPECTRALE 146
PARAMETRIZAREA MODELELOR 153
MODELE DE ZGOMOT ALE SISTEMELOR LINIARE CU PARAMETRI CONSTANI 153
CLASA MODELELOR POLINOMIALE ALE SISTEMELOR LINIARE CU PARAMETRI CONSTANI 160
PROBLEME 165
METODE DE IDENTIFICARE DE TIP PARAMETRIC 171
REGRESIA LINIAR 171
METODE DE IDENTIFICARE BAZATE PE MINIMIZAREA ERORII DE PREDICIE 182
METODA SIMPL A CELOR MAI MICI PTRATE 184
METODA VARIABILELOR INSTRUMENTALE 200
METODA VEROSIMILITII MAXIME 205
PROBLEME 210
VALIDAREA MODELELOR 217
CARACTERISTICILE DE PERFORMAN ALE MODELULUI 217
DISTRIBUIA
2
I DISTRIBUIA F 219
TESTE PENTRU VALIDAREA STRUCTURII MODELULUI 220
BIBLIOGRAFIE 229




2



3
CAPITOLUL I
INTRODUCERE IN IDENTIFICAREA SISTEMELOR
Conceptele, legile tiinifice i n final teoriile tiinifice, elaborate n tiinele naturii
precum astronomia, fizica, chimia, biologia, etc. sunt rezultatul observrii
fenomenelor precum i a numeroase experimente efectuate n condiii de laborator.
n aceste activiti, cercettorul tiinific opereaz cu date rezultate din msurtori,
formuleaz ipoteze, elaboreaz modele i clasificri ale fenomenemelor i n final
verific validitatea abordrilor teoretice prin compararea rezultatelor teoretice cu
datele msurate din proces.
Obiectivul general n Identificarea sistemelor este determinarea modelelor sistemelor
pe baza observaiilor (datelor msurate) prelevate din procese dinamice n care
acestea intervin. n acest context identificarea sistemelor preia i dezvolt
metodologia cercetrii tiinifice prin integrarea acesteia n contextul controlului
automat al proceselor dinamice.
n acest capitol se prezint cadrul general al identificrii sistemelor, conceptele de
baz i abordrile specifice. De asemenea, sunt prezentate un numr de exemple cu
caracter introductiv.
Modele ale semnalelor, sistemelor i proceselor dinamice
Sistemul dinamic este un concept central n automatic. Orice sistem dinamic poate
fi descris (a) pe baza componenei, a structurii materiale a sistemului i a legilor /
teoriilor tiinifice asociate i (b) prin predicia regimului dinamic al sistemului pe baza
cunoaterii modelelor proceselor dinamice asociate.
n sensul primei abordri, conceptul de sistem poate fi definit dup cum urmeaz.
Definiia 1: sistem. Un sistem este o mulime structurat de obiecte (subsisteme),
diferite ca natur, aflate n interaciune.
Cea de-a doua abordare a conceptului de sistem este evideniat n Definiia 6.
Un sistem care nu interacioneaz cu nici un alt sistem se numete sistem complet
izolat. n natur i n tehnic, sistemele nu sunt niciodat complet izolate ci se afl n
interaciune. Mulimea punctelor din spaiul tridimensional ocupat de sistem, n care
pot avea loc interaciuni ale sistemului cu alte sisteme se numesc porturi ale
sistemului.
Porturile sistemului definesc zonele prin care sistemul schimb energie cu sistemele
cu care acesta interacioneaz. Din aceast perspectiv, porturile prin care energia
intr n sistem se numesc porturi de intrare i porturile prin care energia iese din
sistem se numesc porturi de ieire.
Un sistem de afl n echilibru stabil dac energia total a acestuia nu depinde de
variabila timp i sistemul nu schimb energie cu exteriorul.
Un sistem se afl n echilibru staionar dac energia total a acestuia nu depinde de
variabila timp dar sistemul schimb energie cu exteriorul astfel nct cantitatea de




4
energie primit din exterior n unitatea de timp este egal cu cantitatea de energie
cedat spre exterior n aceeai unitate de timp.
Un sistem se afl n echilibru dinamic dac energia total a acestuia depinde de
timp. n acest caz, energia total a sistemului crete sau scade n funcie de timp iar
starea sau structura sistemului se modific n funcie de timp. Un sistem aflat n
echilibru dinamic se numete sistem dinamic
Evoluia n funcie de timp a strilor unui sistem aflat n echilibru dinamic definete un
proces dinamic.
Definiia 2: proces dinamic. Un proces dinamic este (1) nregistrarea evoluiei n
funcie de timp a strilor unui sistem natural care trece succesiv prin stri
intermediare pornind de la starea iniial de echilibru stabil pn la starea final
de echilibru stabil i (2) nregistrarea evoluiei controlate pentru obinerea unui
rezultat dorit, n funcie de timp a unui sistem tehnic care trece succesiv prin stri
intermediare pornind de la starea iniial de echilibru stabil pn la starea final
de echilibru stabil. [1].
Definiia procesului dinamic pune n eviden dou entiti distincte i anume (a)
sistemul natural / tehnic a crui evoluie n timp este observat i (b) strile sistemului
caracterizate prin mrimi observabile care pot fi nregistrate.
Semnalele reprezint rezultatul msurrii sau observrii strilor unui sistem.
Semnalele sunt obinute, de regul cu mijloace tehnice - sisteme / linii de msurare -
conectate la porturile sistemelor. Pe de alt parte, semnalele pot fi privite i ca
entiti distincte, fcnd abstracie de natura fizic a acestora dup cum rezult din
definiiile care urmeaz, [2], pag. 22 i pag. 35.
La nivel macroscopic, fenomenele din natur dar i procesele tehnice sunt explicate
cu ajutorul semnalelor analogice care se definesc dup cum urmeaz.
Definiia 3: Semnal analogic. O funcie real de variabil real R R J : I x n
care intervalul pe dreapta real R I este asociat variabilei timp fizic,
coordonatelor n spaiu n raport cu un sistem de referin, etc, intervalul R J
este asociat mulimii valorilor semnalului se numete semnal analogic.
( ) J t x reprezint valoarea msurat / observat a semnalului la momentul I t .
La nivel microscopic, molecular/atomic, explicarea fenomenelor din natur se face cu
ajutorul semnalelor discrete. Acelai tip de semnale este utilizat i pentru descrierea
proceselor tehnice n cazul n care se utilizeaz aparatur digital; spre exemplu n
comunicaiile digitale, achiziia i procesarea datelor, etc. Semnalele discrete se
definesc dup cum urmeaz.
Definiia 4: Semnal discret i semnal digital. (1) Un semnal discret este o funcie de
variabil real definit pe mulimea numerelor ntregi R Z J I x : n care
intervalul Z I este asociat unei variabile timp discret, unei variabile coordonat
spaial de tip discret, etc, i intervalul R J reprezint mulimea valorilor
semnalului discret. (2) Un semnal digital este o funcie ntreag de variabil
ntreag, [ ] N Z Z > 0 N N N I x , ; : . (3) un semnal discret cu valori
complexe este o funcie complex de varibil ntreag, C Z J I x : .
n sensul definiiilor precedente, noiunile de semnal i model al semnalului sunt
echivalente deoarece accentul cade, n aceste enunuri, pe reprezentarea semnalului




5
i nu se evideniaz natura fizic a acestuia. n Figura 1 se prezint diagrama bloc
general a unui sistem dinamic n care sunt evideniate semnalele asociate.

Figura 1. Diagrama bloc general a unui sistem
dinamic.
Din mulimea semnalelor observabile /
msurabile asociate unui sistem,
semnalele care sunt localizate la porturi
de ieire ale sistemului se numesc
semnale de ieire din sistem, ( ) ( ) t y t v , .
Semnalele localizate la porturi de intrare
n sistem, care pot fi modificate de ctre
observator se numesc semnale de
intrare n sistem sau semnale de comand, ( ) t u . Semnalele localizate la porturi de
intrare n sistem care nu pot fi modificate de ctre observator dar care influeneaz
evoluia sistemului se numesc semnale de perturbaie sau perturbaii, ( ) t p . Din
punctul de vedere al identificrii sistemelor, distincia dintre semnalele de intrare i
perturbaii nu este important, de cele mai multe ori.
n practic, semnalele care rezult prin observaii efectuate cu mijloace tehnice
conin ntotdeauna o component aleatoare, nereprezentabil sub forma analitic.
Aceast component se numete zgomot, ( ) t n . n Identificarea sistemelor,
zgomotele suprapuse semnalelor utile fac parte din modelul asociat semnalului.
n final, semnalele la porturile de ieire ale unui sistem dinamic ale cror semnale de
intrare nu sunt observabile se numesc serii temporale. Seriile temporale sunt des
utilizate n tiinele economice.
Cunoaterea proprietilor semnalelor este important n aplicaiile din domenii ca:
transmisia de date, procesarea vorbirii, radar i sonar, analiza electrocardiogramelor,
etc. n aceste aplicaii, datele nregistrate din proces sunt filtrate pentru a elimina pe
ct posibil efectele nedorite ale zgomotelor i pentru a reconstrui aspectul iniial al
semnalului. Pentru aceasta se utilizeaz filtre numerice cu ajutorul crora se
evideniaz proprietile de interes ale semnalului. Proiectarea filtrelor numerice are
la baz modele ale semnalului.
Procesele industriale din industria chimic, siderurgie, energetic, etc. se desfoar
n instalaii tehnologice structurate n sisteme de complexitate diferit. Printre
acestea, sistemele de reglare automat realizeaz controlul i optimizarea
funcionrii instalaiilor tehnologice. Metodele de proiectare a regulatoarelor care intr
n componena sistemelor de reglare automat au la baz modele ale sistemelor
componente ale instalaiei tehnologice.
Definiia 5: Model al unui sistem. Un ansamblu de relaii ntre parametrii sistemului
cu ajutorul crora se pot estima evoluia strilor i a semnalelor la porturile de
ieire ale acestuia, dac se cunosc dependenele de timp ale semnalelor la
porturile de intrare, definete un model al sistemului.
Conceptele de sistem i model al unui sistem sunt foarte importante n tiin i
tehnic.
Modelul este n multe cazuri, mijlocul prin care poate fi prezis evoluia unui fenomen
natural (de exemplu n tiinele pmntului). De asemenea, cu ajutorul modelului




6
sistemului pot fi determinai - prin calcule adecvate - parametri ai acestuia, care nu
pot fi msurai cu traductoare conectate direct la proces.
Exemplul 1: Modelul dinamic al unui sistem electromecanic.

Figura 2. Modelul dinamic al unui troliu
electromecanic; (1) motor electric, (2)
tambur, (3) colivie de materiale.
Fie un troliu pentru ridicarea materialelor,
reprezentat schematic n Figura 2.
Troliul este compus din motorul electric
de antrenare, (1) la arborele cruia este
cuplat mecanic tamburul troliului (2) pe
care este nfurat cablul de ridicare a
coliviei de materiale (3).
Funcionarea n regim dinamic a troliului
este descris printr-un sistem de dou
ecuaii difereniale rezultate prin
aplicarea unor teorii din electrotehnic i
mecanic respectiv Teoria general a mainilor electrice i Dinamica micrii
solidului rigid cu ax fix dup cum urmeaz, [3] pag. 25.

+ =

=
W A J
A
A
A A
A
m i
dt
n d
T
i
r
n u
dt
i d
T


n care:
J A
T , T - constantele de timp electric i respectiv mecanic ale sistemului de
acionare electric,
A
r - rezistena electric raportat a indusului mainii electrice,
A A
i , u - valorile raportate ale tensiunii la bornele indusului i respectiv curentului prin
indusul mainii electrice, n - valoarea raportat a turaiei la arborele mainii electrice
i
W
m - valoarea raportat a cuplului sarcinii.
Se completeaz acest sistem cu valorile iniiale ale necunoscutelor, respectiv ( ) 0 n i
( ) 0 i
A
.
Prima ecuaie diferenial din relaiile (1.1) descrie echilibrul tensiunilor n circuitul
electric echivalent al indusului mainii electrice; cea de-a doua ecuaie descrie
echilibrul cuplurilor la arborele mainii electrice.

Figura 3. Diagrama structural a modelului dinamic al troliului prezentat n Exemplul 1.
Diagrama structural asociat troliului este reprezentat n Figura 3; semnificaiile
semnalelor sunt prezentate n Tabelul 1.




7
Tabelul 1. Semnificaiile semnalelor din Exemplul 1 - sistem electromecanic.
Semnalul/Variabila/Parametrul Descriere
Semnalul de intrare:
Tensiunea la bornele rotorului,
A
u


Semnalul de perturbaie:
Cuplul de sarcin la arborele motorului,
W
m


Semnalul de ieire: Turaia la arborele motorului,
n

Variabila de stare:
Curentul prin rotorul motorului,
A
i


Parametrii sistemului:
Constantele de timp ale motorului,
J A
T , T
,
A
r


n practic se utilizeaz diverse tipuri de modele ale sistemelor dintre care mai des
ntlnite sunt urmtoarele.
Tabelul 2. Tipuri de modele ale sistemelor utilizate n Identificarea sistemelor.
Descriere Exemple
Modele mentale, intuitive sau verbale Modelele utilizate n logica fuzzy
Modele ale sistemelor reprezentate sub form
grafic sau tabelar
Diagramele Bode, graficul funciei pondere sau
graficul rspunsului indicial al unui sistem
Modele matematice
Ecuaiile difereniale, sistemele de ecuaii
difereniale sau ecuaiile cu diferene sau
sistemele de ecuaii cu diferene care descriu
regimul dinamic al unui sistem
Oricrui sistem dat i se pot asocia mai multe tipuri de modele. Legtura dintre
modelulul sistemului i modelele semnalelor asociate este dat de modelul
procesului. Prin urmare, noiunea de proces dinamic poate fi redefinit dup cum
urmeaz.
Definiia 6: Ansamblul de relaii dintre modelul unui sistem i modelele semnalelor
observate asociate acestuia se numete proces dinamic.
Relaia dintre modelarea matematic i identificarea sistemelor
Modelarea matematic i identificarea sistemelor sunt complementare n ceea ce
privete construirea modelelor matematice ale sistemelor.
Modelarea matematic reprezint abordarea teoretic a construirii modelelor. Teoriile
din fizic, chimie, biologie, etc. sunt utilizate pentru a descrie regimul dinamic al
specific fiecrui proces.
Identificarea sistemelor reprezint abordarea experimental a construirii modelelor.
n aceast abordare, se efectueaz experimente asupra sistemului i se msoar /
nregistreaz semnalele de intrare/ieire; datele rezultate din msurtori, mpreun
cu informaii generale privind modelul dorit sunt prelucrate cu algoritmi dedicai care
produc valori ale parametrilor unui model care se ncadreaz ntr-o clas de modele
prestabilit. n Identificarea sistemelor, cunoaterea naturii procesului este util dar
nu este necesar.
Procedura general i organizarea experimentelor de
identificare sistemelor
Procedura general utilizat n experimentele de identificare a sistemelor este
reprezentat n Figura 4, [4] pag 6.




8
n prima etap a unui experiment de identificare a sistemelor, la porturile de intrare
ale sistemului testat se aplic semnale de intrare - semnale sinusoidale, semnale
cauzale, semnale aleatoare - ale cror proprieti sunt cunoscute cu exactitate; se
observ (se msoar i se nregistreaz) dependenele de timp att ale semnalelor

Figura 4. Organigrama procedurii experimentelor de identificare a sistemelor.
de intrare ct i ale semnalelor la porturile de ieire pe un anumit interval de timp. De
regul, pentru generarea semnalelor de test ct i pentru achiziia datelor din proces
se utilizeaz echipamente hardware adecvate - traductoare i actuatoare de semnal,
dispozitive de condiionare a semnalelor i sisteme de achiziie de date. Sistemele de
achiziie de date moderne i plcile de achiziie de date plug-and-play permit att
generarea semnalelor de test ct i achiziia datelor din proces.
n continuarea experimentului, datele prelevate din proces sunt analizate pentru a
obine parametrii modelului sistemului. Analiza datelor prelevate este un proces
euristic care se desfoar iterativ pe urmtoarele etape.




9
(1) se alege / se determin forma general a modelului pe baza unor informaii
preliminare despre sistem sau pe baza unor ipoteze formulate de experimentator,
(2) se estimeaz valorile parametrilor modelului cu ajutorul algoritmilor de identificare
i,
(3) se testeaz / se valideaz modelul astfel obinut cu ajutorul unei sau mai multor
teste de validare.
De regul, pentru validarea modelului optim se utilizeaz un alt set de date prelevate
din proces n condiii de test similare.
Analiza datelor prelevate este un proces iterativ sub urmtoarele aspecte. (a) datele
prelevate se partajate n secvene se aplic succesiv aceleiai forme generale
respectiv algoritm de identificare; se obin seturi de valori ale parametrilor care apoi
sunt prelucrate statistic. (b) datele prelevate din proces partajate n secvene pot fi
aplicate mai multor forme generale respectiv algoritmi de identificare diferii. Se
obine un set de modele dintre care se alege modelul optim prin metode de validare
a modelelor.
n cadrul acestei lucrri se face referire cu precdere la problematica analizei datelor
prelevate din proces. Problematica organizrii experimentului, alegerea aparaturii de
testare i aspectele conexe sunt tratate succint, n ultimul capitol al lucrrii.
Experimente de identificare a sistemelor. Exemple
n continuare se prezint un numr de trei experimente de identificare a sistemelor
are ilustreaz aspecte specifice abordrii din Identificarea sistemelor precum i
conexiunile cu alte discipline.
Determinarea constantei de timp a modelului rotorului unei maini
electrice prin metoda autofrnrii
Metoda autofrnrii este o metod utilizat n acionrile electrice pentru estimarea
momentului de inerie axial redus la arborele mainii electrice, J .
Metoda const n antrenarea arborelui mainii electrice la viteza unghiular
N
1 1 , i
nregistrarea curbei frnrii libere a lanului mecanic reprezentat de rotorul mainii
electrice, transmisia mecanic i maina de lucru.
Metoda autofrnrii permite determinarea constantei de timp a modelului dinamic al
aceluiai sistem dup cum se descrie n continuare. O reprezentare schematic
echivalent a sistemului este dat n Figura 8. Curba autofrnrii unui sistem de
acionare electric determinat experimental este reprezentat n Figura 5.

Figura 5. nregistrare a curbei autofrnrii unui sistem de actionare electric.




10
Modelul procesului
Conform legii lui Newton (legea ineriei) rezult urmtoarea ecuaie care descrie
echilibrul cuplurilor care se exercit asupra corpului cilindric:
(i)
( )
( )
( ) ( ) t b t M
t M
dt
t d
J
b
b
=
=

( )
( ) t b
dt
t d
J =


( )
( ) 0 t b
dt
t d
J = +


n relaia precedent, J reprezint momentul de inerie axial al sistemului de
acionare electric, redus la arborele motorului electric i b reprezint coeficientul
frecrilor viscoase ale lanului mecanic.
Turaia la arborele motorului electric la momentul iniial este diferit de zero,
respectiv ( ) [ ] min rot 1510 0
0
= = , prin urmare se completeaz ecuaia diferenial
de mai sus cu condiia iniial i rezult expresiile care urmeaz.
(ii)
( )
( ) ( )
0
0 0 t
dt
t d
b
J
= = +

;
Pentru rezolvarea ecuaiei difereniale (ii) se aplic transformarea Laplace. La
calculul transformatei Laplace asociat primului termen se ine cont de teorema
derivrii n domeniul timpului i de condiia iniial nenul; rezult:
( ) ( ) [ ] ( ) 0 s 0 s s
b
J
= + ( ) ( )
0
b
J
s s s
b
J
= +
(ii)
( )
0
b
J
s 1 s
b
J
=
|

\
|
+ ( )
0 0
J
b
s
1
1 s
b
J
b
J
s
|

\
|
+
=
|

\
|
+
=
Variaia n funcie de timp a vitezei unghiulare la arborele motorului electric se obine
prin calcularea transformatei Laplace inverse a expresiei funciei ( ) s :
(iii)
( )
t
J
b
0
0 1 -
e
J
b
s
t

\
|
+

= L .
Expresia (iii) reprezint modelul dinamic al procesului autofrnrii sistemului
mecanic.
Principiul metodei
Pentru determinarea constantei de timp a modelului, b J T = se utilizeaz
urmtoarea metoda grafic.
n planul ( ) O t , valoarea la momentul 0 t = a derivatei
( )
0 t
dt
t d
=

reprezint panta
tangentei n origine la graficul funciei ( ) t :




11

( )
t
J
b
0
e
J
b
dt
t d

\
|

( )
0
0 t
J
b
dt
t d
m

=
=

Rezult c ecuaia dreptei tangent n origine la graficul funciei ( ) t este dup cum
urmeaz.
(iv) ( )
0 0
t
J
b
t m d +

= + = :
Abscisa punctului de intersecie ( ) 0 t A
A
; dintre dreapta ( ) d i axa orizontal se obine
din relaia precedent astfel:
(v) 0 t
J
b
0 A
= +

0 A
b
J
t = .
Determinarea modulului de elasticitate al pielii umane
Pielea uman este un esut conjunctiv-epitelial complex, avnd un rol vital n
echilibrul bioenergetic al organismului uman. Sub aspectul rspunsului la
compresiune mecanic, pielea uman are proprieti viscohiperelastice ale cror
valori difer - la acelai individ - n funcie de regiunea de pe suprafaa corpului unde
aceast proprietate este testat. De asemenea, rspunsul pielii la compresiune
mecanic difer foarte mult de la individ la individ.
Un model simplificat al pielii umane este modelul viscoelastic, reprezentat prin
urmtoarea ecuaie diferenial.
(i) ( ) ( )
( )
dt
t d
t E t

+ = .

Figura 6. Principiul determinrii experimentale
a modelului vicoelastic al pielii umane. (1)
eantion de piele, (2) poanson, (3) plunjer,
(4) bobin parcurs de curent electric.
n relaia de mai sus reprezint
efortul unitar, E este modulul lui
Young, reprezint coeficientul
frecrilor viscoase i reprezint
deformarea specific.
Determinarea experimental a
parametrilor modelului visoelastic al
pielii, Figura 6, se face cu un dispozitiv
compus, dintr-un electromagnet
alctuit din plunjerul (3) i bobina (4)
un poanson (2) i o linie de msurare a
deplasrii poansonului (nu este repre-
zentat pe desen). Mrimile care se msoar i se nregistereaz sunt intensitatea
curentului prin bobina electromagnetului, ( ) t i i deplasarea poansonului n raport cu
suprafaa pielii, ( ) t x .
Modelul dinamic al dispozitivului experimental este cunoscut din datele de catalog
ale dispozitivului i anume este dat de relaia:
(ii)
( )
( ) ( ) t i K t F
dt
t F d
R
L
F
= + .




12
n care L , R reprezint inductana i respectiv rezistena electric echivalente ale
bobinei electromagnetului, ( ) t F fora de apsare i
F
K constanta electromagnetului.
Se cunosc urmtoarele valori numerice: [ ] MPa 300 E = , [ ] ms 100 E = ,
[ ] N/A 10 K
F
= , [ ] ms 1 R L = , grosimea total a pielii [ ] mm 1 = i diametrul
poansonului [ ] mm 1 D = . n Figura 7 a fost reprezentat o nregistrare a valorilor
deformrii pielii msurate experimental.

Figura 7. Determinarea valorilor modulului de elasticitate; reprezentare grafic a rspunsului indicial
al modelului adevarat i nregistrare a rspunsului indicial determinat experimental.

Modelul procesului
Conform definiiilor efortului unitar i respectiv deformrii specifice rezult:
(iii)
( )
( )
( ) t F
D
4
4 D
t F
t
2 2


=

= ;
( )
( )

=
t x
t .
Se introduc aceste expresii n relaia (i) i se obine:
(iv)
( ) ( )
( )
dt
t x d 1
t x
1
E t F
D
4
2

=

;
( )
( ) ( ) t F
D
4
E
t x
dt
t x d
E
2

= +

.
Pentru calculul funciilor de transfer se aplic transformarea Laplace n ecuaiile (ii) i
(iv) i se obin urmtoarele relaii.

{
( ) ( ) ( ) s F
D
4
E
s X s X s
E
P
P
K
2
T

= +

=
=
43 42 1
( ) ( ) ( ) s F K s X 1 s T
P P
= + ;
(v)
( )
( )
( ) 1 s T
K
s F
s X
s G
P
P
P
+
= = .
(vi)
{
( ) ( ) ( ) s I K s F s F s
R
L
F
T
F
= +
=
( ) ( ) ( ) s I K s F 1 s T
F F
= + ; ( )
( )
( ) 1 s T
K
s I
s F
s G
F
F
F
+
= = .
Funcia de transfer echivalent rezult din conectarea n cascad a celor dou funcii
de transfer.




13

( )
( )
( )
( )
( )
( )
( )
( ) ( )
( ) ( ) 1 s T 1 s T
K K
s G s G
s I
s F
s F
s X
s I
s X
s G
F P
F P
F P
+ +

= = = = .
Valorile numerice ale parametrilor funciei de transfer sunt urmtoarele.

[ ] A m
6
F 2 F P
10 42 K
D
4
E
K K

=

= ; [ ] s ,1 0
E
T
P
=

= ; [ ] s ,001 0
R
L
T
F
= = .
Se observ diferena mare ntre cele dou constante de timp 100 T T
F P
= ; n aceste
condiii, ntrzierea datorata constantei de timp
F
T poate fi neglijat.
Modelul viscoelastic al pielii reprezentat prin funcia de transfer (v) reprezint un
factor fundamental de tip proporional cu ntrziere de ordinul doi supraamortizat.
Prin urmare, rspunsul indicial este dat de relaia care urmeaz.
(vii)
( )
(
(

|
|

\
|

+
|
|

\
|

=

F P
T
t
P F
F
T
t
P F
P
F P
e 1
T T
T
e 1
T T
T
K K t y ;
Graficul rspunsului indicial calculat pe baza valorilor adevrate ale modelului
sistemului este reprezentat n Figura 7. Pe baza modelului viscoelastic al pielii i a
datelor rezultate din msurtori se determin valoarea estimat a modulului de
elasticitate dup cum urmeaz.
Principiul metodei
Pentru determinarea experimental a modulului de elasticitate, n relaia (vii) se
calculeaz
(viii)
( )
F P
t
ss
K K t y y = =

lim .
O valoare pe graficul din Figura 7 care estimeaz
ss
y este ( )
[ ] s 6 t
t y
=
. Pe aceast baz
se obine rezultatul prezentat n Tabelul 3.

Tabelul 3. Valoarea adevrat i valoarea estimat din date determinate experimental ale modului de
elasticitate (modulul lui Young).
Valoarea adevrat Valoarea estimat
] m N [
2 6
10 300

] m N [ ,
2 6
10 2 175


i din acest experiment se poate constata c valoarea msurat a coeficientului de
elasticitate difer fa de valorile standard.

Identificarea parametrilor unui model de tip parametric din date
rezultate din msurtori
La portul de intrare al unui sistem neperturbat de zgomot se aplic o secven ramp
unitar. Secvena la portul de ieire din sistem este reprezentat n tabelul care
urmeaz.





14
Tabelul 4. Valori ale secvenelor semnalelor de intrare / ieire dintr-un sistem neperturbat de zgomot
k

0 1 2 3 4 5
[ ] k u

0,0 1,0 2,0 3,0 4,0 5,0
[ ] k y

0,0 0,0 7,0 7,0 42 -14

Modelul procesului
Se adopt un model de tip parametric reprezentat prin expresia care urmeaz.
(i)
[ ] [ ] [ ] { } N = + = 5 1 0 k 1 k u b 1 k y a k y
2
1 1
K ; ; ; .
n care [ ] { }
5
0 k
k u
=
reprezint secvena semnalului discret la portul de intrare i
[ ] { }
5
0 k
k y
=
reprezint secvena semnalului discret la portul de ieire din sistem. Dac n
expresia (i) se nlocuiesc valorile celor ase secvene ale semnalelor de intrare /
ieire rezultate din experiment, se obine un sistem de ase ecuaii cu dou
necunoscute - parametrii
1
a i
1
b ai modelului. Deoarece valorile eantioanelor
prelevate din proces nu sunt perturbate de zgomot, sistemul de ase ecuaii cu dou
necunoscute este fi compatibil determinat iar soluia acestuia reprezint valorile
adevrate ale parametrilor modelului.
O reprezentare matricial a sistemului de ecuaii se obine n continuare. Se definesc
matricile:
(ii)
(

=
1
1
b
a
;
[ ]
[ ]
[ ]
[ ]
[ ] (
(
(
(
(
(

=
(
(
(
(
(
(

=
14
42
7
7
0
5 y
4 y
3 y
2 y
1 y
y
;
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ] (
(
(
(
(
(

=
(
(
(
(
(
(

=
16
9
4
1
0
42
7
7
0
0
4 u
3 u
2 u
1 u
0 u
4 y
3 y
2 y
1 y
0 y
2
2
2
2
2
X
.
Modelul procesului sub form matricial se scrie dup cum urmeaz.
(iii) X y = .
Principiul metodei
Sistemul de ecuaii fiind compatibil determinat, pentru a obine soluia sistemului se
rezolv sistemul de ecuaii format cu oricare dou ecuaii distincte din compunerea
acestuia. Se iau spre exemplu, ecuaiile care corespund momentelor 3 k = i 4 k = .
(iv)
[ ]
[ ]
[ ] [ ]
[ ] [ ]
(

=
(

1
1
2
2
b
a
3 u 3 y
2 u 2 y
4 y
3 y

=
(

1
1
b
a
9 7
4 7
42
7

=
(


42
7
9 7
4 7
b
a
1
1
1
;

(

=
(

=
(

7
3
42
7
200 0 200 0
114 0 257 0
b
a
1
1
, ,
, ,

=
=
7 b
3 a
S
1
1
: .
Parametrii adevrai ai modelului pot fi obinui i pe baza rezultatelor obinute la
Capitolul 7, respectiv cu metoda celor mai mici ptrate dup cum urmeaz.
Estimatorul celor mai mici ptrate este dat prin relaia:




15

( ) y X X X =

T
1
T
;
( )
(

=
(
(
(
(
(
(


=
354 763
763 1862
16 42
9 7
4 7
1 0
0 0
16 9 4 1 0
42 7 7 0 0
T
X X
;

( )
(

=

0241884 0 0099118 0
0099118 0 0045987 0
1
T
, ,
, ,
X X
(v)
(

=
(
(
(
(
(
(

=
7
3
14
42
7
7
0
16 9 4 1 0
42 7 7 0 0
0241884 0 0099118 0
0099118 0 0045987 0
, ,
, ,

=
=
7 b
3 a
S
1
1
: .
Rezultatul obinut este acelai. Totui, spre deosebire de prima metod, metoda
celor mai mici ptrate permite determinarea valorilor parametrilor lund n calcul
ntregul set de valori rezultate din msurtori. Acest aspect este important dac
eantioanele sunt perturbate de zgomot dup cum rezult n continuare.
Se efectueaz un nou set de msurtori avnd aceeai secven a semnalului la
portul de intrare n sistem dar linia de msurare, conectat la portul de ieire din
sistem este perturbat de zgomot. Rezultatele msurtorilor experimentale sunt
prezentate n tabelul care urmeaz.
Tabelul 5. Valori ale secvenelor semnalelor de intrare / ieire dintr-un sistem perturbat de zgomot
k

0 1 2 3 4 5
[ ] k u

0,0 1,0 2,0 3,0 4,0 5,0
[ ] k y

0,5 0,9 6,2 7,1 43,2 -13,7
Expresiile matricilor y i Xvor fi urmtoarele.
(vi)
[ ]
[ ]
[ ]
[ ]
[ ] (
(
(
(
(
(

=
(
(
(
(
(
(

=
7 13
2 43
1 7
2 6
9 0
5 y
4 y
3 y
2 y
1 y
,
,
,
,
,
y
;
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ] (
(
(
(
(
(

=
(
(
(
(
(
(

=
16
9
4
1
0
2 43
1 7
2 6
9 0
5 0
4 u
3 u
2 u
1 u
0 u
4 y
3 y
2 y
1 y
0 y
2
2
2
2
2
,
,
,
,
,
X
.
Parametrii modelului rezult, pe baza expresiei estimatorului celor mai mici ptrate
dup cum urmeaz.
( ) y X X X =

T
1
T
;




16
( )
(

=
(
(
(
(
(
(


=
00 354 80 780
80 780 15 1956
16 42
9 7
4 7
1 0
0 0
16 9 4 1 0
42 7 7 0 0
T
, ,
, ,
X X
;
(vii)
(

=
(
(
(
(
(
(

04 7
93 2
7 13
2 43
1 7
2 6
9 0
16 9 4 1 0
2 43 1 7 2 6 9 0 5 0
00 354 80 780
80 780 15 1956
1
,
,
,
,
,
,
,
, , , , ,
, ,
, ,

.
(viii)

=
=
04 7 b
93 2 a
S
1
1
,

,
:
( )

=
=

=
006 0
7
04 7 7
b
b b
3 02 0
3
93 2 3
a
a a
1
b
1
a
,
,

,
,


Rezultatele sunt rezumate n tabelul care urmeaz.
Tabelul 6. Valorile adevrate i valorile estimate ale parametrilor modelului.
Parametrul
Valoarea
adevrat
Valoarea
estimat
Eroarea
1
a

3 2,93 0,02(3)
1
b

7 7,04 0,006
Prin urmare, erorile datorate zgomotului liniei de msurare a semnalului de ieire
sunt mai mici de % ,5 2 .
Probleme
Problema 1: Modelul dinamic al unui sistem mecanic - Corp cilindric n micare de
rotaie cu ax fix. [1], pag. 103.


Figura 8. Sistem format din corp cilindric n
micare de rotaie cu ax fix.
Se consider sistemul format dintr-un
corp cilindric aflat n micare de rotaie
cu ax fix reprezentat n Figura 8.
Mrimea de intrare / semnalul de
intrare este cuplul activ la arbore,
( ) t M
A
. Mrimea fizic observat /
semnalul de ieire este viteza
unghiular, ( ) t . Se cer (a) s se
determine ecuaia diferenial care
descrie procesul rotirii corpului cilindric
sub aciunea cuplului activ ( ) t M
A
i (b)
s se deduc expresia funciei de transfer a sistemului.
Rezolvare.




17
Asupra corpului cilindric aflat n micare de rotaie cu ax fix acioneaz cuplul activ
( ) t M
A
care ntreine micarea corpului i cuplul frecrilor viscoase ( ) t M
b
care se
opune micrii copului.
Conform legii lui Newton (legea ineriei) rezult urmtoarea ecuaie care descrie
echilibrul cuplurilor care se exercit asupra corpului cilindric:
(i)
( )
( ) ( )
( ) ( ) t b t M
t M t M
dt
t d
J
b
A b
=
+ =

( )
( ) ( ) t M t b
dt
t d
J
A
+ =


( )
( ) ( ) t M t b
dt
t d
J
A
= +


(ii)
( )
( ) ( ) ( )
0 A
0 t M
b
1
t
dt
t d
b
J
= = +

;
Funcia de transfer se obine prin aplicarea transformrii Laplace n ecuaia
diferenial (ii) n care condiia iniial este ( ) 0 0 = :
(ii)
( )
( ) ( ) ( ) 0 0 t M
b
1
t
dt
t d
L
b
J
A
=
)
`

=
)
`

; L L

( )
( ) { } ( ) { } ( ) 0 0 t M
b
1
t
dt
t d
b
J
A
= = +
)
`


; L L L

( ) ( ) ( ) s M
b
1
s s s
b
J
A
= + ( ) ( ) s M
b
1
s 1 s
b
J
A
=
|

\
|
+ ;
(iii)
( )
( )
( ) 1 s T
k
1 s
b
J
b
1
s M
s
s G
f
a
A
+
=
+
=

= .
Problema 2: Determinarea constantei de timp i a factorului de proporionalitate ale
unui sistem de reglare cu ajutorul curbei rspunsului indicial. [1], pag. 318.

Figura 9. Diagrama bloc a sistemului de reglare
automata din Problema 2.
n Figura 10 se prezint curba
rspunsului indicial mediu obinut pe baza
unui set de experimente efectuate asupra
unui sistem de reglare. Se estimeaz c
diagrama bloc a sistemului de reglare are
structura reprezentat n Figura 9.
Se cere s se determine valorile estimate ale parametrilor K i T ai funciei de
transfer pe calea direct.




18

Figura 10. Curba rspunsului indicial obinut pe baza unui set de experimente efectuate cu sistemul
de reglare automat a crui diagram bloc este reprezentat n Figura 9.
Rezolvare.
Din Figura 10 rezult valorile numerice ale urmtorilor parametri:
(i) suprareglajul rspunsului indicial: ( ) 4 25 254 0 , % , = = ,

timpul de vrf: [ ] s 3 t
p
= .
n continuare se utilizeaz relaiile demonstrate n [1], pag. 267.




=
2
1
e i
2
n
p
1
t

= .
Din prima relaie se obin urmtoarele rezultate.
(ii)
4 0
256 0
1 1
1
256 0
1 1
1 1
1
1 1
2
2
2
2
,
,
ln
,
ln
ln
ln
=
(

\
|

+
|

\
|

=
(

\
|

+
|

\
|

= ;

( )
[ ] s rad 14 1
4 0 1 3 1 t
2 2
p
n
,
,
=

= .

Pentru a obine valorile parametrilor K i T , se calculeaz expresia funciei de
transfer n bucl nchis i se compar cu expresia funciei de transfer a elementului
proporional cu ntrziere de ordinul doi.


( )
( )
( )
( )
T
K
s
T
1
s
T
K
K s s T
K
K 1 s T s
K
1 s T s
K
1
1 s T s
K
s G
2
2 0
+ +
=
+ +
=
+ +
=
+
+
+
=

( )
2
n n
2
2
n a
0
s 2 s
k
s G
+ +

=




19

Se obine urmtorul sistem de ecuaii:

=
=
=
n
2
n
2
n a
2
T
1
T
K
k
T
K

=
=
=
912 0
T
1
2996 1
T
K
1 k
a
,
,

=
=
=
096 1 T
424 1 K
1 k
a
,
, .

Problema 3: Experiment de identificare a unei instalaii de producie.

Figura 11. Diagrama bloc utilizat ntr-un
experiment de identificare experimental a
sistemului cu reacie negativ din Problema 3.
Configuraia sistemelor cu reacie
negativ este utilizat n identificarea
sistemelor pentru a asigura funcionarea
stabil a instalaiei care este testat pe
durata experimentului.
ntr-un experiment de identificare a
sistemelor, efectuat cu scopul
determinrii funciei de transfer
echivalente a unei instalaii de producie,
sistemul de msurare a fost configurat conform Figurii 11. Se cunosc (1) funcia de
transfer a regulatorului utilizat pe durata testelor.
(i) ( )
3 s
1
s G
R
+
= ;
precum i (2) expresia funciei de transfer a sistemului cu reacie negativ rezultat
ca urmare a msurtorilor experimentale:
(ii)
( )
( ) ( )
( ) ( ) ( ) ( ) 1 s 4 s 3 s 2 s
3 s 1 s
s G
0
+ + + + +
+ +
= .
Se cere s se determine expresia funciei de transfer a instalaiei de producie.
Rezolvare.
Pe baza configuraiei reprezentat n Figura 1. rezult urmtoarele.

( )
( )
( ) ( ) s G s G 1
s G
s G
R IP
IP
0
+
= ( ) ( )
( ) ( )
( ) ( ) s G s G 1
s G s G
s G s G
R IP
R IP
R 0
+

=

( ) ( )
( ) ( )
( ) ( ) s G s G
s G s G 1
s G s G
R IP
R 0
R 0
=

( )
( )
( ) ( ) s G s G 1
s G
s G
R 0
0
IP

= .
n membrul drept al ultimei relaii expresiile funciilor de transfer sunt cunoscute pe
baza relaiilor (i) i (ii).




20

( )
( ) ( )
( ) ( ) ( ) ( )
( ) ( )
( ) ( ) ( ) ( ) ( ) 3 s
1
1 s 4 s 3 s 2 s
3 s 1 s
1
1 s 4 s 3 s 2 s
3 s 1 s
s G
IP
+

+ + + + +
+ +

+ + + + +
+ +
=
;
(iii)
( )
( ) ( )
( ) ( ) ( ) ( ) ( )
( )
( ) ( ) 4 s 2 s
1 s
1 s 1 s 4 s 3 s 2 s
3 s 1 s
s G
0
IP
+ +
+
=
+ + + + + +
+ +
=
=
4 4 3 4 4 2 1
.
n aplicaiile practice cunoaterea cu exactitate a funciei de transfer a regulatorului
nu este posibil (prin msurtori experimentale se obin ntotdeauna valori
aproximative / estimri ale valorilor adevrate). Erorile rezultate la estimarea
parametrilor funciei de transfer a regulatorului se vor aduga la erorile de estimare
ale parametrilor funciei de transfer a instalaiei de producie. Din acest motiv
experimentele de identificare a sistemelor cu reacie negativ se configureaz diferit
fa de cazul identificrii sistemelor fr reacie.
Problema 4: Estimarea valorilor cuplului critic i a alunecrii critice pe caracteristica
mecanic experimental a unui motor electric asincron
Caracteristica mecanic a unui motor electric asincron reprezint dependena dintre
cuplul electromagnetic la arbore,
el
M i alunecarea rotorului n raport cu cmpul
magnetic nvrtitor din ntrefierul motorului,
0
0
s


= determinat n regim de
funcionare staionar. n relaia precedent
0
reprezint viteza unghiular de
sincronism a motorului electric - egal cu viteza unghiular a cmpului magnetic
nvrtitor din ntrefierul motorului i reprezint viteza unghiular a rotorului.
Valoarea maxim a cuplului electromagnetic produs de motorul electric se numete
cuplu electromagnetic critic, notat
k el
M
,
iar valoarea corespunztoare a alunecrii se
numete alunecare critic,
k
s . Determinarea experimental a celor doi parametri se
face pe standurile de ncercare a motoarelor electrice. Problema care apare n acest
caz const n faptul c n vecintatea cuplului critic, cuplul electromagnetic ale
motorul electric prezint oscilaii care se reflect n erori la estimarea grafic a celor
doi parametri.
n Figura 12 este reprezentat graficul caracteristicii mecanice determinat pe standul
de ncercare pentru un tip de motor asincron de tip MAAL80195. Se cer (1) s se
estimeze valorile cuplului critic i ale alunecrii critice ale motorului asincron prin
interpolarea valorilor rezultate din msurtori cu metoda celor mai mici ptrate
respectiv prin aproximare ptratic, i (2) s se calculeze media i variana erorilor
dintre valorile caracteristicii mecanice determinat experimental i curbei de
aproximare.
Rezolvare. Punctul (1)
Problema enunat se reduce la problema mai general a aproximrii unei funcii
reprezentate tabelar prin N perechi de valori cu metoda celor mai mici ptrate,
aproximare ptratic. Soluia acestei probleme este prezentat n [5] pag. 92.





21

Figura 12. Caracteristica mecanica determinat pe standul de ncercare i curba de aproximare
ptratic a acesteia.
Se noteaz cu N 1 k s
k
, = valorile msurate ale alunecrii i cu N 1 k M
k el
,
,
= valorile
corespunztoare ale cuplului electromagnetic. Se definete expresia polinomului
care aproximeaz - n sensul celor mai mici ptrate - valorile determinate
experimental:
(i) ( )
0 1
2
2
a s a s a s P + + = .
Valorile necunoscute ale coeficienilor polinomului reprezentat mai sus se determin
prin rezolvarea urmtorului sistem de ecuaii algebrice.
(ii)
( )
{
4 43 4 42 1 4 4 4 4 3 4 4 4 4 2 1
B

A =
=
=
=
=
=
= =
= = =
= = =
(
(
(
(
(
(

=
(
(
(

(
(
(
(
(
(




N
0 i
i el
N
0 i
i el i
N
0 i
i el
2
i
0
1
2
N
0 i
i
N
0 i
2
i
N
0 k
i
N
0 i
2
i
N
0 i
3
i
N
0 k
2
i
N
0 i
3
i
N
0 i
4
i
M
M s
M s
a
a
a
1 N s s
s s s
s s s
,
,
,
;
(iii)
(
(
(

=
(
(
(

=
3716.08928
1013.48567
278.59883
;
100.96200 27.37943
100.96200 27.37943 7.49200
27.37943 7.49200 2,06675
B A
376

(
(
(

=
81.78 -
649.92
1137.85 -
.
Cuplul critic estimat, alunecarea critic, media erorilor i variana acestora sunt
prezentate n tabelul care urmeaz.
Tabelul 7. Rezultatele estimrii cuplului critic, alunecrii critice i evaluarea erorilor.
Cuplul critic [N.m] 11.03050
Alunecarea critic 0.28600
Media erorilor 0.03234
Variana erorilor 0.00261



22
CAPITOLUL II
VARIABILE ALEATOARE I FUNCII DE PROBABILITATE
Fenomenele aleatoare sunt fenomene a cror desfurare nu poate fi determinat cu
exactitate pe baza observaiilor anterioare ale acestora.
Distribuia vitezelor particlelor de polen aflate n suspensie n ap la temperatura
ambiant n micare brownian, variaia concentraiei de substan la difuzia unei
cantiti de cerneal aflat ntr-un tub din sticl umplut cu ap, fluctuaiile curentului
catodic al unui tub electronic datorate emisiei termoionice a materialului catodului,
variaiile cderii de tensiune la bornele unui rezistor datorate agitaiei termice a
electronilor prin rezistor sunt exemple de fenomene aleatoare ntlnite n cadrul unor
experimente tiinifice.
Teoria probabilitilor i statistica matematic constituie cadrul general n care se
studiaz proprietile semnalelor aleatoare i zgomotelor. In completare, n
identificarea sistemelor se utilizeaz i alte metode de analiz provenind din
procesarea semnalelor, ca de exemplu analiza spectral. Aceste metode sunt
adaptate pentru studiul semnalele aleatoare. In acest capitol se prezint unele
noiuni de teoria probabilitilor necesare pentru studiul proprietilor semnalelor
aleatoare.
Introducere
Rezultatele unui experiment tiinific n care au loc doar fenomene deterministe sunt
valide dac, repetnd experimentul ori de cte ori, n aceleai condiii, rezultatele
care se obin sunt aceleai. Numim aceast caracteristic repetabilitate. Pe baza
acestei caracteristici, rezultatele unui experiment pot fi estimate a priori, cu
exactitate, pe baza rezultatelor experimentelor similare anterioare.
Exist nenumrate fenomente care au loc n natur i a cror desfurare nu poate fi
determinat cu exactitate a priori pe baza cunoaterii condiiilor de desfurare, a
condiiilor iniiale i a observaiilor din experimentele anterioare. Aceast observaie
se justific prin una sau prin mai multe din urmtoarele cauze. (a) nu sunt cunoscute
toate fenomenele deterministe care intervin, (b) nu este posibil determinarea tuturor
condiiilor iniiale care condiioneaz evoluia experimentului, (c) reprezentarea
analitic a fenomenelor care intervin n desfurarea experimentului precum i
intercondiionarea acestora este foarte complex i (d) exist o limitare a
reprezentrilor analitice ale fenomenelor care au loc n universul fizic.
Cu toate acestea, dac experimentul se reface n aceleai condiii de un numr mare
de ori, se constat c n medie, rezultatele setului de actual de experimente precum
i rezultatele altor seturi de experimente anterioare converg la limit spre aceleai
valori finite. Numim regularitate statistic aceast caracteristic.
Fenomenele aleatoare n general i semnalele aleatoare n particular care sunt
caracterizate prin regularitate statistic pot fi studiate cu mijloace analitice. La baza
acestui studiu se afl noiunea de variabil aleatoare i funciile de probabilitate
asociate.



23

Figura 13. 100 de eantioane ale unei variabile aleatoare.

Figura 14. Rezultatele msurtorilor descrise n Exemplul 1.

Evenimentele asociate unui experiment
Vom defini unii termeni specifici cu ajutorul urmtorului exemplu.
Exemplul 2: Msurarea zgomotului de natur electromagnetic.
Se consider un experiment care const n msurarea tensiunii la bornele de ieire
ale unui circuit trigger Schmidt conectat la terminalul de recepie al unei linii de
transmisie digital. Linia de transmisie este neconectat la terminalul dinspre sursa
de semnal astfel nct circuitul trigger Schmidt comut datorit zgomotului de natur
electromagnetic.
n cadrul experimentului se preleveaz seturi de cte 20 k = de eantioane ale
tensiunii la bornele de ieire ale circuitului trigger; msurtorile se repet de 5 n = ori
rezultnd n total 100 de valori msurate (eantioane). Valorile rezultate din
msurtori sunt prezentate n Figura 14.
Definiia 7: prob sau realizare. Se numete prob sau realizare a unui
experiment, o nregistrare (observaie) a valorilor acelui experiment.
Definiia 8: ansamblu. Se numete ansamblu mulimea realizrilor unui experiment.
Definiia 9: eveniment. Se numete eveniment, o valoare aparinnd probelor unui
experiment.
Exemplul 3: Msurarea zgomotului de natur electromagnetic (continuare).
Mulimea celor 20 de valori rezultate, de exemplu la cea de-a treia repetare a
experimentului citat este una din cele cinci realizri ale exeprimentului.



24
Mulimea celor 100 de valori rezultate n cadrul celor 5 seturi de msurtori efectuate
n cadrul experimentului reprezint ansamblul de valori ale acestuia.
Msurarea valorii 5V este un eveniment asociat experimentului.
Exemplul 4: evenimentul sigur. Evenimentul sigur este evenimentul care se produce
cu certitudine la orice efectuare a experimentului.
Evenimentul sigur se noteaz prin mulimea format din elementele cmpului
complet de evenimente asociate experimentului, de exemplu .
Definiia 10: evenimentul imposibil. Evenimentul imposibil este evenimentul care nu
se produce la oricare efectuare a experimentului.
Evenimentul imposibil se noteaz prin mulimea vid, .
Definiia 11: evenimente incompatibile. Dou evenimente sunt incompatibile dac
nu se pot produce simultan n cadrul aceluiai experiment; n caz contrar, cele
dou evenimente sunt compatibile.
Exemplul 5: Msurarea zgomotului de natur electromagnetic (continuare).
Evenimentul descris prin "Valoarea msurat a tensiunii de ieire este 0V sau 5V."
este evenimentul sigur asociat experimentului.
Evenimentul descris prin "Valoarea msurat a tensiunii de ieire este 0V i 5V." este
un eveniment imposibil asociat experimentului.
Evenimentele "Valoarea msurat a tensiunii de ieire este 0V." i "Valoarea
msurat a tensiunii de ieire este 5V." sunt evenimente incompatibile deoarece nu
se pot produce simultan.
Mulimea evenimentelor asociate experimentului este { } 5 ; 0 = . Mulimea prlor
mulimii este { } { } { } 5 ; 0 5 0 K = .
Definiia 12: cmp de evenimente. Ansamblul format din mulimea a tuturor
evenimentelor asociate unui experiment i mulimea K a tuturor prilor mulimii
se numete cmpul de evenimente asociat experimentului, notat ( ) K ; .
Definiia 13: cmp complet de evenimente. n evenimente asociate unui experiment
formaz un cmp complet de evenimente dac:reuniunea celor n evenimente
formeaz evenimentul sigur i cele n evenimente sunt incompatibile.
Definiia 14: probabilitatea unui eveniment. Probabilitatea, ( ) F P a unui eveniment al
unui experiment care are un numr finit, egal-posibil de cazuri este raportul dintre
numrul cazurilor favorabile realizrii evenimentului,
F
N i numrul cazurilor egal
posibile ale experimentului,
P
N .

P
F
N
N
) F ( P =
(1.)
Observaie. Din definiia 14 rezult c probabilitatea evenimentului sigur, ) ( P este
egal cu 1 iar probabilitatea evenimentului imposibil, ) ( P este egal cu 0. Prin
urmare, probabilitatea unui eveniment oarecare, [ ] 1 ; 0 ) A ( P .



25
Fiind dat un experiment al crui cmp complet de evenimente este format din dou
evenimente { } B ; A = cu probabilitile ( ) A P i respectiv ( ) B P .
Cu notaiile:
( ) A | B P probabilitatea evenimentului " B condiionat de (realizarea evenimentului) A";
altfel spus evenimentul "Dac (anterior) s-a realizat evenimentul A atunci (ulterior n
anterioritate) s-a realizat evenimentul B ".
( ) B A P probabilitatea evenimentului " A i B ", cu alte cuvinte adic evenimentul
(compus) descris prin "S-au realizat ambele evenimente, evenimentul A i
evenimentul B ".
( ) B A P + probabilitatea evenimentului " A sau B ", respectiv evenimentul descris prin
"S-a realizat unul dintre cele dou evenimente, evenimentul A sau evenimentul B ".
( ) A P probabilitatea evenimentului complementar adic "Se realizeaz oricare alt
eveniment din cmpul de evenimente cu excepia evenimentului A".
Relaia dintre probabilitile ( ) A | B P , ( ) B A P i ( ) A P rezult pe baza definiiei dup
cum urmeaz.
( ) ( ) A | B P A P ) B A ( P = (2.)
Definiia 15: evenimente independente. 1. Dou evenimente A i B asociate unui
experiment sunt independente dac:
( ) ( ) B P A P ) B A ( P = . (3.)
n genere, n evenimente asociate unui experiment sunt independente dac:
( ) ( ) ( )
n 2 1 n 2 1
A P A P A P ) A A A ( P = K K . (4.)
Relaiile (2.2), (2.3) i (2.4) permit calculul probabilitilor compuse pe baza
probabilitii evenimentelor componente.
Variabile aleatoare
Definiia 16: variabil aleatoare. O funcie real R : X definit pe cmpul de
evenimente, ( ) K ; asociate unui experiment se numete variabil aleatoare
dac mulimea elementelor s pentru care ( ) a s X ndeplinete condiia K s
pentru orice numr real, a .
Observaii:
Variabilele aleatoare se noteaz prin convenie cu majuscule.
Dac codomeniul variabilei aleatoare este mulimea numerelor complexe, variabila
aleatoare se va numi variabil aleatoare complex. In acest caz variabila aleatoare
asociaz elementelor cmpului de evenimente al experimentului o funcie complex
( ) ( ) ( ) s Y j s X s Z + = .
Similar, o funcie care asociaz un vector sau o matrice coloan cu elementele
cmpului de evenimente al unui experiment definete o variabil aleatoare vectorial
sau un vector aleator.



26
O funcie de variabile aleatoare este tot o variabil aleatoare.
Definiia 17: variabil aleatoare discret/continu.
1. O variabil aleatoare se numete variabil aleatoare discret dac cmpul complet
de evenimente asociat este o mulime cu un numr finit de elemente.
2. O variabil aleatoare se numete variabil aleatoare continu dac cmpul
complet de evenimente asociat este un interval inclus n mulimea numerelor reale.
Exemplul 6: Variabile aleatoare de tip continuu / discret.
Variabila aleatoare definit n Exemplul 5 este o variabil aleatoare discret.
Poziia, n raport cu un sistem de coordonate arbitrar a unei particule n micare
brownian se definete prin trei funcii care iau valori n mulimea numerelor reale. O
variabil aleatoare care asociaz poziia particulei n micare brownian cu un
vector ale crui elemente sunt cele trei coordonate ale poziiei este o variabil
aleatoare vectorial. n plus variabila aleatoare este continu.
Variabilele aleatoare de tip discret se noteaz sub form tabelar dup cum
urmeaz.
|
|
|

\
|
2
1
2
1
5 0
: X
atilor probabilit valorile
variabilei ale posibile valorile
|
|
|

\
|
n 3 2 1
n 3 2 1
p p p p
y y y y
: Y
K
K


Variabilele aleatoare continue se noteaz prin probabilitile asociate, de exemplu
( ) x X P < .
Funcii de probabilitate
Variabile aleatoare discrete
Definiia 18: funcia repartiie de probabilitate. Fie o variabil aleatoare
( ) R K , : X , se numete funcie de repartiie de probabilitate a variabilei
aleatoare, funcia [ ] 1 ; 0 R : P care ndeplinete condiia
( ) ( ) x X P x P < = (5.)
n care ( ) x X P < reprezint probabilitatea ca valorile variabilei aleatoare discrete X s
fie strict mai mici dect valoarea actual a variabilei x .
Definiia 19: funcia distribuie de probabilitate. Fie o variabil aleatoare discret
( ) R K , : X , funcia [ ] 1 ; 0 R : p care asociaz setul complet de valori posibile
ale variabilei aleatoare,
k
x i probabilitile ( )
k
x X P = se numete funcia
distribuie de probabilitate a variabilei aleatoare discrete.
( ) ( )
k
x X P x p = = (6.)
Funcia repartiie de probabilitate a unei variabile aleatoare discrete se poate calcula
pe baza relaiei (6) cu formula care urmeaz.



27

( ) ( )

<
=
k
x X
k
x p x P
(7.)
Exemplul 7: semnal aleator staionar. Un semnal aleator staionar de tip discret
poate lua valorile distincte { } 1 ; 0 ; 1 cu probabilitile { } 5 , 0 ; 3 , 0 ; 2 , 0 . Variabila
aleatoare discret este reprezentat sub form tabelar dup cum urmeaz.

|
|
|

\
|
5 , 0 3 , 0 2 , 0
1 0 1
: X

Figura 15. Funcia repartiie de probabilitate stnga i funcia densitate de probabilitate dreapta
asociate variabilei aleatoare X din exemplul 2.3.
Graficele funciilor de probabilitate ale variabilei aleatoare X pot fi determinate pe
intervale pe baza expresiilor (5) i (6). Aceste valori sunt prezentate n tabelul care
urmeaz.
Tabelul 8. Determinarea valorilor funciei de repartiie a variabilei aleatoare X .
x
( ) x X P < ( ) x F
( ] 1 ; x ( ) ( ) 0 P x X P = = < ( ) 0 x F =
( ] 0 ; 1 x ( ) ( ) 2 , 0 1 X P x X P = = = < ( ) 2 , 0 x F =
( ] 1 ; 0 x ( ) { } { } ( )
5 , 0 3 , 0 2 , 0
0 X 1 X P x X P
= + =
= = = <

( ) 5 , 0 x F =
( ] + ; 1 x ( ) { } { } { } ( )
0 , 1 5 , 0 3 , 0 2 , 0
1 X 0 X 1 X P x X P
= + + =
= = = = <

( ) 0 , 1 x F =
Graficele funciei de repartiie de probabilitate i funciei densitate de probabilitate ale
variabilei aleatoare X sunt reprezentate n Figura 15.
Variabile aleatoare de tip continuu
Funcia repartiie de probabilitate pentru cazul variabilelor aleatoare continue se
definete similar cu cazul variabilelor aleatoare discrete.



28


Figura 16. O realizare a experimentului din exemplul 2.

Figura 17. 1 Funcia de repartiie de probabilitate, 2 Funcia densitate de probabilitate.
Deoarece domeniul de valori posibile ale variabilei aleatoare este un interval al
mulimii numerelor reale, funcia densitate de probabilitate se definete dup cum
urmeaz.
Definiia 20: funcia densitate de probabilitate pentru cazul variabilelor aleatoare
continue. O variabil aleatoare continu X , avnd funcia de repartiie ( ) x P are o
funcie densitate de probabilitate dac exist o aplicaie [ ) + ; 0 R : p astfel ca:
( ) ( )


=
x
dx x p x P (8.)
Condiia necesar i suficient ca o funcie real de variabil real s fie funcia
densitate de probabilitate a unei variabile aleatoare este dat de urmtoarea
teorem.
Teorema 1: proprietie funciei densitate de probabilitate. O aplicaie R R : p este
densitatea de probabilitate a unei variabile aleatoare, X dac:
(i) ( ) ( ) R x 0 x p ; (9.)
(ii) p este integrabil pe R i ( )

+

= 1 dx x p . (10.)
Exemplul 8: msurarea zgomotului de natur electromagnetic.



29
n Figura 16 este reprezentat o realizare a unui experiment care const n
nregistrarea a 1000 de eantioane ale tensiunii produse de zgomotul de natur
electromagnetic la captul unei linii de msurare. Graficele funciilor repartiie de
probabilitate i densitate de probabilitate ale variabilei aleatoare asociate
experimentului, calculate pe baza valorilor rezultate din msurtori i definiiilor i
sunt reprezentate n Figurile 16 - 17.
Funciile de probabilitate ale variabilelor aleatoare discrete pot fi calculate
asemntor cu funciile de probabilitate ale variabilelor aleatoare continue cu ajutorul
funciilor impuls Dirac ( ) x i treapt unitar (funcia lui Heaviside), ( ) x respectiv cu
ajutorul teoremei deplasrii.
Teorema 2: Fie o variabil aleatoare simpl de tip discret ( ) R K , : X , avnd
mulimea valorilor posibile, { }
k
x , M ; 1 k = i probabilitile ( )
k
x P . Funciile repartiie
de probabilitate, ( ) x P i densitate de probabilitate, ( ) x p se calculeaz respectiv
cu relaiile:
(i)
( ) ( ) ( ) ( )

=
= < =
M
1 k
k k
x X x P X x P x P ;
(11.)
(ii)
( ) ( ) ( )

=
=
M
1 k
k k
x X x P x p
(12.)
Exemplul 9: S se arate c funcia R R : p , definit prin relaia:

( )
2
x 1
1 1
x p
+

=

este densitatea de repartiie a unei variabile aleatoare.
Rezolvare. Se verific ndeplinirea condiiilor enunate n Teorema 1.
(i)
( ) R x 0 x
2
( ) 0
x 1
1 1
x p
2
>
+

= ;

(ii)
funcia p este continu pe R deci este integrabil
C x arctg
1
dx
x 1
1
2
+

=
+


( )
1
2 2
1
x arctg
1
dx
x 1
1 1
dx x p
2
=
(

\
|

=
+

=
+

+

+




Exemplul 10: Fiind dat o variabil aleatoare continu cu densitatea de probabilitate
( )
2
x 1
1 1
x p
+

= s se calculeze probabilitatea ca variabila aleatoare s ia o


valoare cuprins n intervalul ( ) 1 ; 1 .
Rezolvare. Se calculeaz funcia repartiie de probabilitate a variabilei aleatoare.



30

( ) ( )
2
1
x arctg
1
dx
x 1
1 1
dx x p x P
x
2
x
+

=
+

= =




Se calculeaz probabilitatea ca valorile variabilei aleatoare s fie n intervalul ( ) 1 ; 1 .
( ) { } { } ( )
{ } { } ( )
( ) { } ( ) ( ) 1 F 1 F 1 X P 1 X P
1 X 1 X P
1 X X 1 P 1 X 1 P
= < < =
< < =
< < = < <

( ) ( ) ( ) [ ]
2
1
4 4
1
1 arctg 1 arctg
1
1 P 1 P = |

\
|
+

=

Studiul fenomenelor aleatoare prezint interes practic pentru diversele domenii de
activitate de exemplu n activitile economice, n fiabilitatea produselor, fenomene
fizice, biologice etc. Rezultatele cercetrilor efectuate pe un numr foarte mare de
experimente au pus n eviden existena unui numr limitat de legi de probabilitate
care caracterizeaz clase de fenomene aleatoare.
Legile de probabilitate, denumite pe scurt distribuii, care prezint interes pentru
identificarea sistemelor sunt prezentate n continuare.
Distribuii de variabile aleatoare.
Distribuia normal (Gaussian)
O variabil aleatoare continu are distribuie normal cu parametrii
x
i
2
x
dac
densitatea de repartiie a acesteia este dat de relaia urmtoare.

( )
( )
2
x
2
x
2
x
2
x
2
x x
e
2
1
, ; x p


= , 0 ; R x >
(13.)
n calcule se utilizeaz expresia funciei distribuie de probabilitate a distribuiei
( )
2
x
2
e
2
1
1 , 0 ; x p


= n legtur cu care se definete funcia care urmeaz.
( )


=
x
0
2
x
dx e
2
1
x
2
. (14.)
Aceast funcie se numete funcia integral a lui Laplace.
Valorile funciei ( ) x se calculeaz cu algoritmi specializai sau se determin din
tabele cu valori calculate ale acesteia. Calculul funciilor de probabilitate ale
distribuiei normale cu valori oarecare ale parametrilor
x
i
2
x
se poate face cu
expresia general i schimbarea de variabil ( )
x
2
x
X
1
Y

= .
Reprezentarea grafic a funciilor de probabilitate ale distribuiei normale este
prezentat n Figura 18.



31
Distribuia normal caracterizeaz fenomene naturale aflate n echilibru ca de
exemplu micarea brownian a particulelor aflate n suspensie n lichid la
temperatur ambiant constant. De asemenea, distribuia normal caracterizeaz
unele procese aleatoare i zgomote asociate unor fenomene aflate n echilibru.

Figura 18. Graficele funciilor de probabilitate ale distribuiei normale (Gaussian).
Distribuia Poisson
O variabil aleatoare discret are distribuie Poisson cu parametrul ,
+
R dac
distribuia de probabilitate este dup cum urmeaz.
( )
*
k
N k e
! k
k X P

= =

.

Distribuia Poisson se numete legea evenimentelor rare.
Graficele funciilor de probabilitate ale distribuiei Poisson sunt prezentate n Figura
19.

Figura 19. Graficele funciilor de probabilitate ale distribuiei Poisson.
Distribuia uniform
O variabil aleatoare continu are distribuie uniform cu parametrii a i b dac
densitatea de probabilitate a acesteia este dat de urmtoarea expresie.

( )
[ )
( ) [ )

=
; b a ; x 0
b ; a x
a b
1
x p
U daca
daca
.




32
Funcia repartiie de probabilitate a distribuiei normale este:

( )
( )
[ )
[ )


=
; b x 1
b ; a x
a b
a x
a ; x 0
x P
daca
daca
daca
.

Demonstraie.
( ) ( )


=
x
) 6 . 2 (
dx x p x P .
( ) a ; x ; ( ) 0 x p = ( ) 0 x P = ,

[ ) b ; a x ; ( ) ( )
a b
a x
a b a b
d
dx x p x P
x
a
x
a
0
a

+ =

=

43 42 1



[ ) + ; b x ;
( ) ( ) ( ) 1
a b
a b
a b
dx x p
a b
d
dx x p x P
b
a
b
a
0
b
0
a
=

= +

+ =

=
+
=

43 42 1 43 42 1


Graficele funciilor de probabilitate ale distribuiei uniforme sunt prezentate n Figura
20.

Figura 20. Graficele funciilor de probabilitate ale distribuiei normale.
Momente statistice
Funciile de probabilitate permit caracterizarea variabilelor aleatoare, deci i a
fenomenelor aleatoare la care acestea se raporteaz sub form analitic. Dac se
cunosc expresiile funciilor de probabilitate, reprezentarea analitic permite calculul
oricrei valori ale acestora.
Totui, sub aspect practic, pentru caracterizarea, compararea i compunerea
variabilelor aleatoare se utilizeaz entiti numerice, numite momente statistice.
Momentele statistice reprezint proprieti ale funciilor de probabilitate dar ele sunt
n acelai timp, caracteristici distincte ale variabilei aleatoare asociate.



33
Momentele statistice ale variabilelor aleatoare discrete
Exemplul 11: Semnal aleator de tip discret. Se consider un semnal aleator discret
care poate lua trei valori distincte cu aceeai probabilitate. Variabila aleatoare
asociat acestui semnal aleator este reprezentat sub form tabelar dup cum
urmeaz.
(i)

|
|
|

\
|
=
|
|
|

\
|
3 2 1
3 2 1
p p p
x x x
3 1 3 1 3 1
1 0 1
: X


Presupunnd c ansamblul experimentului cuprinde 4 realizri, cerina este de a
calcula media valorilor msurate ale semnalului aleator corespunztor celor 4
realizri ale experimentului i de a determina limita acestei medii atunci cnd
numrul de realizri ale experimentului tinde spre infinit.
Cu notaiile:
i , F
N - numrul de cazuri n care a fost msurat valoarea
i
x a
semnalului aleator i
P
N - numrul de msurtori efectuat n cadrul unei realizri a
experimentului, media valorilor semnalului aleator la a n -a realizare a
experimentului,
n , x
rezult conform urmtoarei expresii:
(ii)
{

= =
=
=
= =

=
3
1 i
i n , i
3
1 i
i
p
P
i , F
P
3
1 i
i i , F
n , x
x p x
N
N
N
x N
n , i
,

n care
n , i
p reprezint probabilitatea msurrii valorii posibile
i
x n mulimea valorilor
msurate ale semnalului aleator la cea de a n -a realizare a experimentului. Cu
ipoteza c variabila aleatoare discret are o medie statistic finit i numrul de
realizri ale experimentului tinde spre infinit, atunci valoarea medie a variabilei
aleatoare studiat se calculeaz cu relaia:
(iii)

=
+ + = =
3
1 i
3 3 2 2 1 1 i i x
x p x p x p x p .

Definiia 21: media statistic / momentul statistic de ordinul unu. Fie o variabil
aleatoare discret ( ) R K , : X , avnd cmpul complet de evenimente
(mulimea valorilor posibile ale variabilei aleatoare), mulimea{ } R I x
i
i
probabilitatea ( )
i
x P , Z i . Media statistic a variabilei aleatoare discrete se
definete conform urmtoarei relaii.
( )

+
=
=
i
i i x
x P x m
, 1
.
dac seria


i i
P x este absolut convergent; n caz contrar variabila aleatoare nu are
o valoare medie statistic
Observaie. Se consider c variabila aleatoare este asociat unui proces aleator.



34
Media statistic a variabilei aleatoare reprezint valoarea componentei continue a
procesului.
Dac se cunosc cmpul complet de evenimente i expresia analitic a densitii de
probabilitate atunci se poate estima / aproxima apriori (n absena datelor rezultate
din msurtori) media valorilor eantioanelor realizrilor unui experiment.
Media statistic este un parametru determinist care permite compararea n ansamblu
a proceselor aleatoare. Totui, deoarece mai multe procese aleatoare pot avea
aceeai valoare a componentei continue a procesului dar pot avea componente
variabile diferite, rezult c pentru caracterizarea procesului aleator cunoaterea
valorii mediei statistice este o condiie necesar dar nu i suficient.
Momentul statistic de ordinul doi i variana
Pentru cazul n care variabila aleatoare discret poate lua un numr infinit de valori
ntr-un interval al axei reale atunci, se definete momentul statistic de ordinul doi
dup cum urmeaz.
Definiia 22: momentul statistic de ordinul doi. Fie o variabil aleatoare discret
( ) R K , : X , avnd cmpul complet de evenimente (mulimea valorilor posibile
ale variabilei aleatoare), mulimea{ } R I x
i
i probabilitatea ( )
i
x P , Z i .
Momentul statistic de ordinul doi al variabilei aleatoare discrete se definete
conform urmtoarei relaii.

( )

+
=
=
i
i i x
x P x m
2
, 2
.

dac seria


i i
P x
2
este absolut convergent;
n aplicaii, pentru caracterizarea proceselor aleatoare, n locul momentului statistic
de ordinul doi asociat variabilei aleatoare se utilizeaz momentul statistic de ordinul
doi asociat componentei variabile a procesului aleator mpreun cu valoarea medie
statistic a componentei continue a acestuia, respectiv, se utilizeaz variana i
media statistic.
Definiia 23: variana. Variana,
2
x
a unei variabile aleatoare discrete
( ) R K , : X avnd densitatea de probabilitate ( )
i
x p , Z i i media statistic
x
este numeric egal cu momentul statistic de ordinul doi al variabilei aleatoare
centrate media statistic de ordinul unu.

( ) ( )

+
=
=
i
i
2
x i
2
x
x p x .

Observaie.
Cunoaterea expresiei analitice a funciilor de probabilitate, a mediei statistice i
varianei procesului aleator ofer informaiile necesare i suficiente pentru
caracterizarea acestuia.
Pe aceast baz, rezultatele unui experiment asociat unui fenomen aleator pot fi
estimate a priori, n medie, cu mijloace analitice n acelai mod cu procesele
deterministe.



35
Evaluarea expresiilor prezentate mai sus sugereaz urmtoarea generalizare.
Definiia 24: momentul statistic de ordinulul n, oarecare. Fie o variabil aleatoare
discret ( ) R K , : X , avnd cmpul complet de evenimente (mulimea valorilor
posibile ale variabilei aleatoare), mulimea{ } R I x
i
i probabilitatea ( )
i
x P ,
Z i . Momentul statistic de ordinul
*
N n al variabilei aleatoare discrete se
definete conform urmtoarei relaii.
( )

+
=
=
i
i
n
i x n
x P x m
,
.

Momentele statistice ale variabilelor aleatoare de tip continuu
Evaluarea mediei statistice n cazul variabilelor aleatoare de tip continuu se poate
face pornind de la rezultatele obinute n cazul variabilelor aleatoare de tip discret.
Fiind dat o variabil aleatoare de tip continuu, X definit pe cmpul de evenimente
( ) K ; cu valori ntr-un interval R I . Se aproximeaz variabila de tip continuu cu o
variabil de tip discret
d
X cu valori o mulime numrabil{ } I x
n
1 i
i , d

=
finit .
Se pornete de la expresia mediei statistice a variabilei aleatoare de tip discret.
(i)
( )
( )
( ) ( )
1 i i
1 i i
i
n
1 i
i i x , 1
x x
x X P x X P
x p
x p x

< <
=
=


( ) ( )
( )
( )
1 i i
n
1 i 1 i i
1 i i
i x , 1
x x
x x
x X P x X P
x

=

< <
=



Cu notaia
1 i i i
x x x

= , expresia (i) se rescrie sub forma care urmeaz.
(i)
( )
( )
( ) ( )
1 i i
1 i i
i
n
1 i
i i x , 1
x x
x X P x X P
x p
x p x

< <
=
=


( ) ( )
i
n
1 i i
i i i
i x , 1
x
x
x x X P x X P
x

< <
=

=


Alegnd un interval de divizare 0 x
i
, suma Riemann tinde spre integrala funciei
( )
( ) x p x
dx
x dP
x = . Acest rezultat sugereaz urmtoarele definiii pentru momentele
statistice ale variabilelor aleatoare de tip continuu.
Definiia 25: Fie o variabil aleatoare simpl, de tip continuu, ( ) R K X ; : cu
funcia densitate de probabilitate ( ) x p ,
(i) momentul statistic de ordinul unu este numrul definit prin relaia:



36

( )

+

= dx x p x m
x , 1


(ii) momentul statistic de ordinul doi este numrul definit prin relaia:

( )

+

= dx x p x m
x
2
, 2


(iii) momentul statistic de un ordin oarecare k se definete prin relaia:

( )

+

= dx x p x m
k
x k,


dac integrale improprii din dreapta semnului egal exist.
Definiia 26: Fie o variabil aleatoare simpl, de tip continuu, ( ) R K X ; : cu
media statistic
x
. Variana variabilei aleatoare este numrul:

( ) ( )

+

= dx x p x
x x
2
2


dac integrala improprie exist.
i pentru cazul proceselor aleatoare de tip continuu, sunt valabile semnificaiie fizice
ale momentelor statistice de ordinul unu, ordinul doi i varianei, prezentate pentru
cazul proceselor aleatoare de tip discret.
Calculul momentelor statistice pe baza definiiilor revine la calculul sumei unor serii n
cazul variabilelor aleatoare simple de tip discret, respectiv la calcul unor integrale
improprii n cazul variabilelor aleatoare de tip continuu.
Alternativ, calculul momentelor statistice se poate face i cu ajutorul funciei
caracteristice, [6].
Exemplul 12:
1. Se arat c parametrii
x
i
2
x
din expresia funciei densitate de probabilitate a
distribuiei normale, ( )
( )
2
x
2
x
2
x
2
x
2
x x
e
2
1
, ; x p


= sunt numeric egali cu media
statistic i i respectiv variana acesteia.
Demonstraie.
Se aplic definiia mediei statistice, prezentat n relaia (2).
(i)
( )
( )

+


+



= = dx e x
2
1
dx x p x
2
x
2
x
2
x
2
x
x , 1


cu notaiile:
dx
1
dy
x
y
x x
x


= ;




37

( )
2 1
2
y
x
2
y
x
2
y
x x
2
x
x
x , 1
I I dy e
2
1
dy e y
2
dy e y
2
2 2
2
+ =

+

=
+



Calculul integralei
1
I . Se observ c integrala improprie este convergent deoarece
satisface criteriul integral Cauchy. Cu notaiile:
(ii)
dy y d
2
y
2
= = ;
0 e
2
dy e y
2
I
2
y
x 2
y
x
1
2 2
=

=
+

.

deoarece funcia ( )
2 y
2
e y f

= este o funcie par.
Calculul integralei
2
I . Integrala improprie enunat satisface criteriul de convergen
Cauchy. De asemenea se observ c termenul de sub semnul de integrare este egal
cu funcia distribuie de probabilitate a distribuiei normale cu parametrii 1 ; 0
2
x x
= =
( )
2
y
2
e
2
1
1 ; 0 ; y p


= i deci rezult:
(iii)
x
1
2
y
x 2
dy e
2
1
I
2
=

=
=
+

4 4 3 4 4 2 1



x 2 1 x , 1
I I = + =
Se calculeaz variana dup cum urmeaz:

( )
( )

+


+



= = dx e x
2
1
dx x p x
2
x
2
x
2
x
2
2
x
2
x
,


cu notaiile: dx dx
x
y
x
x
x
=


= ;


( )

+

=

dy e y
2
dx e x
2
1
2
y
2
2
x 2
x
2
2
x
2
2
x
2
x



i se integreaz prin pri astfel:
2
y
2
y
2 2
e v dy e y dv
1 ' u y u

= =
= =





38

2
x
1
2
y
0
y
2
2
x
2
y
2
2
x
dy e
2
1
e y
2
1
dy e y
2
2
2
2
=
(
(
(
(
(


+
|
|
|

\
|


=

=
+

=
+


4 4 3 4 4 2 1
43 42 1

2. Media statistic i variana unei variabile aleatoare de tip discret X cu distribuie
Poisson ( )

= e
! k
x p
k
k
sunt numeric egale cu valoarea parametrului al distribuiei.
Demonstraie.

( )
( )
= =

= =
+


e e
! 1 k
e
e
! k
k k p k
e
1 k
1 k
1 k
k
1 k
x , 1
43 42 1


( ) ( ) ( )
( )
( )
(
(
(
(

+
+
=

+ =

= =

=
=

=
1 k
k
2
1 k
k
1 k
k
k
1 k
k
2 2
1 k
k
2
1 k
2
x , 1
2
x
! k ! k
k
2
! k
k 1 k k
e e
! k
k 2 k
e
! k
k k p k
2
48 47 6

( )
( ) ( ) ( )
=
(
(
(
(

=
(
(


+ +

=

=

=
=

=



3 2 1 43 42 1 43 42 1 43 42 1
e
1 k
k
2
e
1 k
1 k
2
e
1 k
1 k
e
1 k
2 k
2
1 k
k
2
1 k
k
1 k
k
1 k
k 2
x
! k ! 1 k
2
! 1 k ! 2 k
e
! k ! k
k
2
! k
k
! k
1 k k
e

3. S se calculeze media statistic i variana unei variabile aleatoare de tip continuu
cu distribuie normal.
Rezolvare.
(i)
( )

=
|
|

\
|
+ +

= =
+

+

+

b
a
b
a
2
b
b
a
a
x , 1
2
x
a b
1
dx x
a b
1
dx x dx x dx x
a b
1
dx x
a b
1
dx x p x



2
a b
2
a b
a b
1
2 2
x , 1
+
=

= .



39
(ii)
( )
( )
( )


+ + =

= =
+

+

b
a
2 2
3 3
b
a
3
2
2 2 2
x 2
a a b b
3
1
a b
a b
3
1
3
x
a b
1
dx x
a b
1
dx x
a b
1
dx x p x m
,



( )
( )
( );
,
2 2 2 2
2
2 2 2
x x 2
2
x
a 3 a b 6 b 3 a 4 a b 4 b 4
12
1
4
a b
a a b b
3
1
m
+ + =
+
+ + = =


(iii)
( )
( )
12
b a
a b 2 a b
12
1
2
2 2 2
x

= + =

Se poate observa c media statistic i variana sunt singurii parametri care apar n
expresiile funciilor de probabilitate din exemplele precedente. Aceast observaie se
verific i n ceea ce privete celelalte distribuii ntlnite n practic. De aceea, se
poate afirma c pentru caracterizarea unei variabile aleatoare sunt suficiente
cunoaterea valorilor mediei statistice, varianei i precum i expresia analitic a
funciei distribuie de probabilitate.
n aplicaii, toate aceste mrimi se estimeaz din datele rezultate din msurtori.
Numim mediile calculate pe baza datelor rezultate din msurtori medii temporale
pentru a le deosebi de mediile statistice.
n cazul n care se cunosc valori ale mediei statistice
x
i varianei
2
x
dar nu se
cunoate expresia funciei distribuie de probabilitate asociate variabilei aleatoare X
se poate estima o limit inferioar pentru probabilitatea ca o variabila aleatoare s ia
valori n intervalul ( ) ( ) + + ; 0 k , k ; k
x x x x
, cu ajutorul inegalitii lui
Cebev.
Teorema 3: inegalitatea lui Cebev. Fiind dat o variabil aleatoare X ; cu media
statistic
x
i variana
2
x
atunci:

( )
2 x
k
1
k X P > , 0 k , R k > .

Demonstraie. Este prezentat n [6].
Funcii de variabile aleatoare
n practic variabilele aleatoare se asociaz sistemelor materiale. De exemplu o
variabil aleatoare, X este asociat intensitii zgomotului acustic produs de o surs
de zgomot msurat la porturile de ieire ale acesteia. S presupunem n continuare
c zgomotul produs de sursa de zgomot se propag printr-un tub acustic. Mediul - de
exemplu aer aflat n interiorul tubului acustic prin care se propag zgomotul se
asociaz unui sistem (fizic) aflat n intraciune cu sursa de zgomot. Acest sistem are
porturi de intrare i porturi de ieire.
Intensitatea zgomotului acustic care se msoar la captul tubului, opus sursei de
zgomot adic la portul de ieire al sistemului, poate fi asociat unei alte variabile



40
aleatoare. ntre eantioanele zgomotului msurat la ieirea tubului acustic nu exist
nici o legtur cauzal. Cu toate acestea, dac se compar eantioanele intensitii
zgomotului msurate la portul de intrare cu eantioanele intensitii zgomotului
msurate la portul de ieire ale tubului se constat c exist legturi cauzale. Acest
fapt este determinat de modul n care se modific n general proprietile sunetului
propagarea sunetului prin acel tub. Aceste dependene cauzale se reprezint prin
funcii analitice.
Pe baza acestui exemplu teoretic se poate formula urmtoarea problem: fiind dat o
variabil aleatoare X i funciile de probabilitate asociate, s se determine funciile
de probabilitate ale variabilei aleatoare ( ) X g Y = n care ( ) g este o funcie dat.
Teorema 4: Fie o variabil aleatoare R I S : X
X
, avnd funciile densitate de
probabilitate ( ) ( ) x X P x p
1
= = i funcia inversabil y densitatea de probabilitate a
variabilei aleatoare ( ) X y Y = , ( ) ( ) y Y P x p
2
= = :

( ) ( )
Y d
X d
X p Y p
1 2
= .

Demonstraie.
Deoarece funcia y este inversabil exist o coresponden biunivoc ntre valorile
posibile ale variabilelor aleatoare X , Y i probabilitile asociate. Rezult, pentru
repartiiile de probabilitate:
( ) ( ) [ ] x Y X P y Y P = .
Tinnd cont de definiia funciei densitate de probabilitate i de faptul c funciile de
repartiie sunt monoton cresctoare rezult urmtoarele concluzii.
1. Dac funcia ( ) x y este monoton cresctoare pe intervalul ( ) ( ) Y X ; x , atunci:

( )
( ) ( ) ( )
( )
( )
( )
{
0
1
Y X
1
2
dY
dX
x p x p
dY
d
dY
x Y X P d
dY
y Y dP
y p
>

= =

.

2. Dac ( ) x y este monoton descresctoare pe intervalul ( ) ( ) Y X ; x , atunci
0 dY dX < i trebuie luat cu semn schimbat deoarece ( ) ( ) ( ) x Y X P x p
1
= = i
( ) ( ) y Y P y p
2
= = reprezint aceeai cantitate.
Exemplul 13: Fiind dat variabila aleatoare de tip continuu X cu densitatea de
probabilitate ( ) x p
1
i variabila aleatoare 0 a R b , a ; b X a Y + = . S se
determine relaia dintre funciile densitate de probabilitate ale celor dou variabile
aleatoare.
Rezolvare.

( ) b Y
a
1
X =
a
1
dY
dX
= ( )
|

\
|
=
a
b y
p
a
1
y p
1 2





41
Se observ c, n cazul n care ntre cele dou variabile aleatoare exist o
dependen liniar, densitile de probabilitate difer doar printr-un factor de
proporionalitate i o translaie a variabilei.
Exemplul 14: tiind c distribuia cu parametrul p are funcia de distribuie de
probabilitate

( ) ( )
( )
( ]

=

0 ; x 0
; 0 x
p
x e
x p
1 p x
daca
daca
, n care ( )

+

=
0
x 1 p
dx e x p
s se arate c dac variabila aleatoare X este normal distribuit, cu media statistic
x
i variana
2
x
, atunci variabila aleatoare:

( )
2
x 2
x
X
2
1
Y

=

are distribuia de probabilitate egal cu ( ) 2 1 p .
Rezolvare.

[ ) + ; 0 Y
x x
Y 2 X + = 0
Y 2
1
2
dY
dX
x
>

=

(i)
( )
( )
2
x
2
x
2
x
2
x
1
e
2
1
x p


=
( )
y 2
1
2 e
2
1
y p
x
y
2
x
2



=



( )
y
2
1
2
e y
2
1
y p



= ; = |

\
|

2
1

Operatorul de mediere statistic
n care urmeaz se prezint n rezumat expresiile momentelor statistice n cazul
variabilelor aleatoare de tip discret respectiv de tip continuu.
Tabelul 9. Expresiile momentelor statistice ale variabilelor de tip discret i continuu
Tipul variabilei aleatoare Discret Continuu
Momentul statistic de ordinul
unu
( )

+
=
=
i
i i x , 1
x P x m

( )

+

= dx x p x m
x , 1

Momentul statistic de ordinul doi ( )

+
=
=
i
i
2
i x , 2
x P x m

( )

+

= dx x p x m
2
x , 2

Momentul statistic de ordin
n
( )

+
=
=
i
i
n
i x , n
x P x m

( )

+

= dx x p x m
k
x , k




42
Expresiile care apar sub semnul de sumare respectiv semnul de integrare reprezint
operaia de mediere statistic a funcii (polinomiale) de variabila aleatoare X :
( ) x x f = , ( )
2
x x g = respectiv ( )
n
x x h = .
Aceast constatare sugereaz introducerea unui operator care semnific operaia de
mediere statistic a unei funcii oarecare ( ) x g definit pe cmpul complet de
evenimente al unei variabile aleatoare X .
Definiia 27: Operatorul de mediere statistic pentru cazul variabilelor aleatoare
simple.
a) Fiind dat o variabil aleatoare simpl, de tip discret definit pe o mulime
numrabil cu M elemente i o funcie, ( ) x g de variabil real definit pe cmpul
complet de evenimente asociat variabilei aleatoare, operatorul de mediere statistic
asociat reprezint suma:

( ) ( ) ( ) ( )

=
=
M
1 m
m m
x P x g x g E

n care ( )
m
x P reprezint probabilitile asociate valorilor posibile ale variabilei
aleatoare.
b) Fiind date dou variabile aleatoare simple de tip discret i o funcie de dou
variabile ( )
n m
y x g , atunci operatorul de mediere statistic asociat este suma:

( ) ( ) ( ) ( )

= =
=
N
1 n
M
1 m
n m n m
y , x P y , x g y , x g E

n care ( )
n m
y x P , reprezint probabilitile condiionate asociate valorilor posibile ale
variabilelor aleatoare.
c) Fiind dat o variabil aleatoare simpl, de tip continuu definit pe o mulimea
numerelor reale i o funcie, g real de variabil real definit pe cmpul complet de
evenimente asociat variabilei aleatoare, operatorul de mediere statistic asociat
reprezint integrala:
( ) ( ) ( ) ( )

+

= dx x p x g x g E
n care ( ) x p reprezint funcia densitate de probabilitate a variabilei aleatoare.
d) Fiind date dou variabile aleatoare simple, de tip continuu definit pe o mulimea
numerelor reale i o funcie de dou variabile ( ) y x g , atunci operatorul de mediere
statistic asociat este integrala dubl:
( ) [ ] ( ) ( )

+

+

= dy dx y , x p y , x g y , x g E
n care ( ) y , x p reprezint funcia densitate de probabilitate condiionat. asociat
celor dou variabile aleatoare.
Acest operator are rolul de a simplifica notaia operaiei de mediere statistic precum
i de a permite efectuarea de calcule cu ajutorul notaiilor simbolice. Rolul



43
operatorului de mediere statistic este similar cu rolul altor operatori ca de exemplu
operatorul de derivare i operatorul de integrare.
Teorema 5: proprietile operatorului de mediere statistic.
1. Media statistic a unei constante este egal cu acea constant.
( ) a a E =
Demonstraie.

( ) ( ) ( ) a dx x p a dx x p a a E
1
= = =
=
+

+


43 42 1


2. Media statistic a sumei ponderate a dou variabile aleatoare simple de tip
continuu este egal cu suma mediilor ponderate ale celor dou variabile aleatoare.
( ) ( ) ( ) y E b x E a y b x a E + = +
Demonstraie.

( ) ( ) ( )
( ) ( )


+

+

+

+

+

+

+ =
+ = +
dy dx y , x p y b dy dx y , x p x a
dy dx y , x p y b x a y b x a E


3. Media statistic a produsului a dou variabile independente statistic este egal cu
produsul mediilor statistice ale celor dou variabile aleatoare.
( ) ( ) [ ] ( ) [ ] ( ) [ ] y g E x f E y g x f E =
Demonstraie.

( ) ( ) [ ] ( ) ( ) ( )
( ) ( ) ( ) y p x p y , x p
dy dx y , x p x g x f x g x f E
=
=

+

+




( ) ( ) [ ] ( ) ( )
( ) [ ]
( ) ( )
( ) [ ]
4 4 3 4 4 2 1 4 4 3 4 4 2 1
x g E
2
x f E
1
dy y p x g dx x p x f x g x f E
=
+

=
+


=

3. Fiind dat o variabil aleatoare X , s se demonstreze relaia dintre varian,
momentul statistic de ordinul doi i media statistic.

2
x x , 2
2
x
m =
Demonstraie.

( ) [ ] ( )
( ) ( ) ( )
{
43 42 1 3 2 1
3 2 1
2
x x
2
x
2
x
2
x
2
x
1
2
x x
2
2
x x
2
2
x
2 1 E X E 2 X E
X 2 X E X E
=
=
=
=
+ = + =
+ =








44
Corelaia
n paragrafele anterioare a fost analizat problema determinrii funciilor de
probabilitate ale unei variabile aleatoare, Y atunci cnd se cunosc funciile de
probabilitate ale unei variabile aleatoare X i o dependen ntre cele dou variabile
aleatoare, ( ) X g Y = .
n acest paragraf se va analiza problema la care ipoteza i concluzia sunt inversate,
respectiv: fiind date dou variabile aleatoare X i Y ale cror funcii de probabilitate
sunt cunoscute se cere s se determine funcia care satisface condiia ( ) X g Y = .
Formulat n acest mod, problema enunat nu are o singur soluie.
O dependen ntre dou sau mai multe variabile aleatoare se numete corelaie.
Corelaia este o generalizare a noiunii de funcie din analiza matematic.
In cazul unei variabile aleatoare ordinea eantioanelor dintr-o realizare a unui
experiment este indiferent; ceea ce este important este probabilitatea de realizare a
fiecrei valori permise. Atunci cnd se determin corelaia dintre dou variabile
aleatoare este esenial distribuia perechilor de valori ( )
k k
y ; x n care
k
x reprezint
valori ale variabilei X i
k
y valori ale variabilei Y care apar simultan n cadrul
experimentului.
Exemplul 15: Fie o reprezentare n planul ( ) y 0 x a distribuiei punctelor ( )
k k
y ; x M
rezultate prin msurtori n cadrul unui experiment n care au fost observate cte
N eantioane aparinnd la dou variabile aleatoare. Dac cele dou variabile
aleatoare sunt corelate, atunci densitatea punctelor din plan este mai mare n
vecintatea curbei graficului funciei care aproximeaz cel mai bine corelaia
dintre variabile. Cu ct corelaia dintre variabile este mai strns apropiindu-se de
o funcie cu att punctele care definesc perechile de valori ( )
k k
y ; x sunt mai
concentrate n vecintarea graficului curbei ( ) x g y = . n contrast, dac ntre cele
dou variabile aleatoare nu exist nici o corelaie sau altfel spus, dac cele dou
variabile aleatoare sunt independente statistic, atunci punctele ( )
k k
y ; x M vor fi
uniform distribuite pe tot planul ( ) y 0 x .
Pornind de la aceast idee, problema determinrii corelaiei dintre cele dou variabile
aleatoare se reduce la o problem de interpolare.
Rezult c, pentru ca soluia s fie unic mai trebuie precizate (1) modelul
dependenei dintre cele dou variabile aleatoare i (2) un criteriu de minimizare
asociat unei funcii cost cu ajutorul cruia se calculeaz parametrii modelului
dependenei dintre variabilele aleatoare.
n aplicaii este important modelul dependenei liniare dintre dou variabile aleatoare:

R b , a , b X a Y + = .

la care se asociaz criteriul de minim al sumei ptratelor erorilor definit dup cum
urmeaz.

( ) [ ] { } ( ) [ ] ( )

+ =
=
+ = + =
k
k
k k
2
k k
2
y , x P b x a y b X a Y E J .




45
O reformulare a problemei enunate la nceputul acestui paragraf este urmtoarea.
Fiind date dou variabile aleatoare X i Y ale cror funcii de probabilitate sunt
cunoscute se cere s se determine funcia liniar R b , a , b X a Y + = astfel nct
suma ptratelor erorilor s fie minim.
Se menioneaz c funcia liniar R b , a , b X a Y + = se numete dreapt de
regresie.
Pentru calculul coeficienilor dreptei de regresie se procedeaz dup cum urmeaz.
1. Se rescrie funcia cost cu ajutorul proprietilor operatorului de mediere statistic.

( ) [ ] { }
( )
( ) ( ) ( ) ( ) ( ) X E b a 2 Y E b 2 Y X E a 2 b X E a Y E
X b a 2 Y b 2 Y X a 2 b X a Y E
b X a Y E J
2 2 2 2
2 2 2 2
2
+ + + =
+ + + =
+ =

2. Funcia cost are un minim n punctele care verific relaiile:

0
b
J
a
J
b a
J
; 0
a
J
; 0
a
J
2
2
2
2
2
2
>
(
(

|
|

\
|

.
3. Se calculeaz derivatele pariale de ordinul unu i se ine cont de condiiile de
minim.

( ) ( ) ( )
( ) ( )

= +
= +
Y E 2 b 2 X E a 2
Y X E 2 X E b 2 X E a 2
2
.

( ) ( )
( )
( ) ( ) [ ]
2
x
2
x x , 2
2 2
2
S
m X E X E
1 X E
X E X E
= = = =

( ) ( )
( )
( ) ( ) ( )
}
y
x
Y E X E Y X E
1 Y E
X E Y X E
a
=
=
=

=
3 2 1


( ) ( )
( ) ( )
( ) ( )
}
( ) ( )
3 2 1
3 2 1
x
y
2
x
2
x
X E Y X E Y E X E
Y E X E
Y X E X E
2
2
b
=
=
+ =
=

=
Se observ c pentru termenul n ( ) Y X E se poate deduce relaia care urmeaz.

( ) ( ) [ ] ( )
( ) ( ) ( )
( )
y x
y x y x
y x y x y x
Y X E
X E Y E Y X E
X Y Y X E Y X E
=
+ =
+ =


( ) ( ) ( ) [ ]
y x y x
Y X E Y X E + =
Se nlocuiete expresia termenului ( ) Y X E astfel obinut, n expresia
determinanilor
a
i
b
i se obin expresiile care urmeaz.



46
( ) ( ) [ ]
y x a
Y X E =
( ) ( ) [ ]
2
x
y x
S
a
Y X E
a

=

( ) ( ) ( ) [ ] { }
( ) ( ) [ ]
( ) ( ) [ ]
y x x y
2
x
y
2
x y x x y
2
x y
2
x
x y x y x y
2
x
2
x b
Y X E
Y X E
Y X E
=
+ =
+ + =


( ) ( ) [ ]
y x 2
x
x
y
S
b
Y X E b

=
4. Rezult, ecuaia dreptei de regresie sub forma:

( ) ( ) [ ]
( )
x 2
x
y x
y
X
Y X E
Y


=
Observaii.
- Punctul de cordonate ( )
y x
; M aparine dreptei de regresie.
- Variabilele aleatoare ( )
x
X i ( )
y
Y reprezint variabilele centrate pe mediile
statistice ale variabilelor aleatoare X i Y iar expresia ( ) ( ) [ ]
y x
Y X E se numete
covariana celor dou variabile aleatoare.
- Pentru a obine o expresie simpl a dreptei de regresie nu se utilizeaz expresiile
variabilelor aleatoare centrate ci expresiile variabilelor aleatoare standardizate
( )
x
x
X


= i respectiv
( )
y
y
Y


= . Cu aceste notaii expresia dreptei de regresie
rezult dup cum urmeaz.

( )



=
=
3 2 1
y x
E
= n care
( )
y x
E


= .
Expresia ( ) E se numete covariana normalizat.
Numrul se numete coeficientul de corelaie a variabilelor aleatoare date.
Coeficientul de corelaie reprezint panta dreptei de interpolare. O dreapt n plan
este unic determinat dac se cunosc coordonatele unui punct al dreptei precum i
panta acesteia. Prin urmare, corelaia celor dou variabile aleatoare poate fi
caracterizat fie prin mulimea punctelor aparinnd dreptei de regresie fie, mult mai
succint, prin coordonatele punctului ( )
y x
; M i panta
( )
y x
E


= . Se poate
constata faptul c n ultimul caz, corelaia dintre cele dou variabile aleatoare este
caracterizat doar prin mrimi statistice, calculate pe ansamblul tuturor realizrilor
celor dou variabile aleatoare.
Dac se cunosc mrimile statistice ale celor dou variabile este posibil estimarea a
priori a corelaiei dintre acestea.



47
Exemplul 16:
Se arat c media statistic i variana variabilelor aleatoare standardizate sunt
egale cu zero i respectiv cu unu.
Demonstraie.

( )
( )
( ) [ ] ( ) 0 X E X E
1 X
E E
x x
x x
x
x
= =

=
(


= =
=

3 2 1


( )
( )
( ) [ ]
( ) [ ] ( ) ( ) [ ]
[ ] 1 2
1
X E 2 X E
1
X 2 X E
1
X E
1
X
E E
2
x
2
x 2
x x x
2
x
2
x 2
x
2
x x
2
2
x
2
x x
2
2
x
2
x 2
x
2
x
2
x
2 2
=

= + +

=
+

= +

=
=

=
(
(


= =


Exemplul 17: Coeficientul de corelaie are valori cuprinse n intervalul [ ] 1 ; 1 .
Demonstraie. Se calculeaz momentul statistic de ordinul doi asociat variabilelor
aleatoare standardizate.
(i)
( ) [ ] ( )
( ) ( ) ( )
( ) 0 1 2
E E 2 E
2 E E
2 2
2 2 2
+ =
+ + =
+ + = +

(ii) ( ) [ ] ( ) 0 1 2 E
2
=

1 1



48
CAPITOLUL III
SEMNALE ALEATOARE I ZGOMOTE
Studiul fenomenelor se realizeaz prin observarea, msurarea, inregistrarea
variabilelor acestora. Vom numi semnal dependenele de timp ale observaiilor
variabilelor unui fenomen.
n identificarea sistemelor, semnalele generate cu dispozitive dedicate (generatoare
de semnal) se utilizeaz ca semnale de intrare fiind utile pentru testarea sistemului.
n acest caz semnalele de intrare au proprieti cunoscute cu precizie ceea ce
asigur repetabilitatea experimentului. Pe de alt parte, semnalele se ntlnesc sub
forma zgomotelor - semnale nedorite provenite din sistem sau din mediul
nconjurtor care se suprapun cu semnalele utile. Cile de propagare ale zgomotelor
pot fi (a) liniile de msurare, (b) sistemul testat sau (c) asociate cu semnalul de
intrare. Sursele care produc zgomotele nu sunt de regul cunoscute. Din acest motiv
zgomotele se asociaz unor fenomene aleatoare.
Exist i semnale aleatoare - denumite n continuare procese aleatoare - care sunt
generate cu dispozitive dedicate (generatoare de zgomot), ale cror proprieti
statistice sunt cunoscute cu exactitate i care sunt utilizate ca semnale de intrare n
sistem. Aceste semnale sunt utile pentru identificarea sistemelor.
n cadrul acestui capitol se prezint principalele noiuni i metode utilizate pentru
studiul proprietilor semnalelor aleatoare i a zgomotelor precum i clasele de
semnale care se ntlnesc n practica identificrii sistemelor.
Definiii
Definiia 28: semnal. O aplicaie definit pe o mulime ordonat ale crei elemente
sunt asociate timpului universal se numete semnal.
ntr-un experiment se preleveaz, respectiv se msoar i se nregistreaz, seturi de
valori ale semnalelor asociate variabilelor fenomenului observat.
O valoare a unui semnal, prelevat n cadrul experimentului se numete eantion
sau observaie.
O mulime de observaii ale semnalului, ordonate n succesiunea prelevrii lor n
cadrul unui experiment se numete o realizare a experimentului.
O mulime format din realizri ale experimentului se numete ansamblu de realizri
ale experimentului.
Definiia 29: proces aleator. Un proces aleator este un semnal ale crui realizri se
asociaz unor variabile aleatoare.
Ideea care se afl la baza studiului cu mijloacele teoriei probabilitiilor a
fenomenelor aleatoare este efectuarea experimentelor de un numr mare de ori i
determinarea frecvenei de repetare a valorilor observaiilor experimentului. Apoi, prin
mediere statistic se obin informaii pe ansamblu privind fenomenul studiat. Analiza
se efectueaz pe ansamblul tuturor realizrilor procesului, deci nici alegerea
momentului de desfurare al unui anumit experiment nici succesiunea n timp a



49
repetrii experimentului nu influeneaz rezultatul de ansamblu care se obine. Din
punct de vedere statistic este acelai lucru dac un experiment se efectueaz
simultan de mai multe ori sau dac experimentul se desfoar succesiv de mai
multe ori. Procesele aleatoare se disting prin faptul c observarea procesului nu se
poate efectua dect succesiv deoarece realizrile procesului aleator depind de timpul
universal.
Pn la acest punct s-a presupus c funciile de probabilitate ale proceselor
aleatoare examinate nu depind de timpul universal. Prin urmare, rezultatele
experimentelor sunt aceleai indiferent de momentul cnd acestea se efectueaz.
Sub acest aspect, procesele aleatoare n cauz sunt echivalente cu variabilele
aleatoare prezentate n capitolul doi. n realitate, doar o parte din procesele aleatoare
care se ntlnesc n practic verific condiia enunat; exist procese aleatoare la
care funciile de probabilitate depind de momentul la care se preleveaz datele din
proces, respectiv depind de timpul universal. n acest context se enun definiia care
urmeaz.
Definiia 30: procese aleatoare staionare. Un proces aleator este staionar dac
funciile de probabilitate nu depind de timpul universal.
n acord cu definiia de mai sus rezult c n cazul proceselor aleatoare staionare
momentele statistice i variana calculate pe baza funciilor de probabilitate sunt
numere constante.
n practic se ntlnesc procese aleatoare ale cror funcii de probabilitate depind de
timpul universal dar ale cror valori medii statistice sunt numere constante. Aceste
procese aleatoare se numesc procese aleatoare staionare n sens larg i se
studiaz n acelai mod cu procesele aleatoare staionare.
Procesele aleatoare care nu sunt staionare sau staionare n sens larg se vor numi
procese aleatoare nestaionare.
Procesele aleatoare staionare descriu fenomene aleatoare care se afl n echilibru
stabil din punct de energetic; cu alte cuvinte, energia total a sistemului este
constant. Micarea brownian a particulelor n suspensie n lichid aflat la
temperatur constant sau emisia termoionic a catodului parcurs de curent electric
cu intensitate constant intr-un tub cu vid sunt dou exemple de fenomene descrise
prin procese aleatoare staionare. Reaciile chimice n avalan, procesele de
combustie ale amestecului carburant n motoarele termice sunt exemple de procese
aleatoare nestaionare.

Figura 21. Proces aleator staionar, media statistic i variana sunt constante.



50

Figura 22. Proces nestaionar; media statistic depinde de timp.

Figura 23. Proces nestaionar; media statistic i variana depind de timp.

Figura 24. semnal determinist - und dreptunghiular i procesul aleator cu media statistic i
variana dependente de timp.
Pentru comparare, procesele aleatoare staionare corespund sistemelor deterministe
aflate n echilibru static, procesele aleatoare aleatoare staionare n sens larg
corespund sistemelor deterministe n regim staionar iar procesele aleatoare
nestaionare corespund sistemelor deterministe aflate n regim dinamic Tabelul 10.

Exemplul 18: lumina alb ca proces aleator staionar. Dup cum se va justifica n
paragrafele urmtoare, lumina alb este un proces aleator cu band limitat. S
considerm experimentul care const n msurarea/observarea intensitii luminii
albe emise de o surs de lumin.
1. Mulimea tuturor observaiilor intensitii luminii albe, n toate punctele, la orice
distan n raport cu sursa, pentru ( ) + ; t reprezint ansamblul realizrilor
acestui proces aleator.



51
Tabelul 10. Clasificarea fenomenologic a semnalelor.
Semnale / Procese Descriere
Semnale deterministe
desfurarea n timp a acestor semnale este
determinat i poate fi prezis pe baza unui model
matematic adecvat
periodice semnale a cror valori se repet periodic
cvasi periodice
semnale care rezult prin superpoziia mai multor
componente sinusoidale; raportul dintre perioadele
acestor componente nu se reprezint prin numere
raionale
aperiodice semnale care se compun din componente tranzitorii
Procese aleatoare
desfurarea n timp a acestor semnale nu poate fi
prevzut; descrierea acestor semnale se poate face
doar pe ansamblu, prin metode statistice
staionare
caracteristicile statistice ale procesului aleator nu
depind de timpul universal
cvasi staionare
sunt procese aleatoare nestaionare care pot fi
aproximate ca procese staionare
nestaionare
caracteristicile statistice ale ale acestor procese
aleatoare depind de timpul universal
2. Mulimea observaiilor intensitii luminii albe efectuate ntr-un experiment, ntr-un
punct fixat n raport cu sursa, pentru ( ) + ; t reprezint o realizare a procesului
aleator.
3. Mulimea observaiilor intensitii luminii albe efectuate ntr-un punct fixat n raport
cu sursa ntr-un interval de timp [ ] T ; T t + este o secven a unei realizri a
procesului aleator sau pe scurt o secven a procesului aleator.
Variabilele aleatoare asociate procesului aleator se noteaz n acelai mod cu
variabilele aleatoare n general. Variabilele aleatoare asociate secvenelor procesului
se noteaz prin ataarea unui indice la simbolul variabilei care indic indexul
secvenei.
Modul n care variabilele aleatoare se asociaz cu procesele aleatoare este
urmtorul. Fiind date un numr de secvene de realizri ale unui proces aleator.
Pentru fiecare secven variabila timp universal (absolut) se nlocuiete cu variabila
timp relativ avnd originea definit n raport cu primul eantion fiecrei secvene n
parte. Astfel, secvenele succesive de valori sunt nlocuite cu realizri simultane ale
variabilelor aleatoare asociate fiecrei secvene. In continuare, funciile de
probabilitate, mediile i funciile de corelaie se studiaz similar cu cazul general.
Procedeul enunat este ilustrat cu ajutorul exemplului care urmeaz.




52



Figura 25. Exemplu privind asocierea dintre secvene ale unui proces aleator i variabilele aleatoare.
n experimentele de identificare a sistemelor, procesele aleatoare sunt prezente n
dou ipostaze distincte. (a) ca procese aleatoare produse cu generatoare de semnal
dedicate, aplicate la portul de intrare al sistemului obiect experimentului de
identificare i (b) ca zgomote provenind din mediul nconjurtor sau din sistemul care
este obiect al experimentului i care perturb rezultatul msurtorilor; n acest caz
sursele i localizarea acestora nu sunt cunoscute. n cazul (a) proprietile statistice
ale procesului aleator sunt cunoscute cu precizie n timp ce n cazul (b) proprietile
statistice ale procesului nu sunt cunoscute.



53
Procesele aleatoare corespunztoare cazului (b) vor fi numite n continuare zgomote
pentru a le deosebi de procesele aleatoare utilizate ca semnale de test - cazul (a) -
pentru care se pstreaz denumirea de procese aleatoare.
Funciile de corelaie asociate proceselor aleatoare n sens
larg
Evaluarea dependenei dintre dou variabile aleatoare asociate
proceselor aleatoare de tip discret prin aproximare liniar
Problema determinrii unei aproximri liniare a dependenei dintre dou variabile
aleatoare pentru care se cunosc funciile de probabilitate poate fi aplicat i n cazul
a dou procese aleatoare, U i V n acelai mod n care a fost aplicat n Capitolul 2
pentru cazul general al variabilelor aleatoare. Coeficienii b , a ai dreptei de regresie,
b U a V + = sunt soluiile sistemului de dou ecuaii liniare prezentat n continuare.

( ) ( ) ( )
( ) ( )

= +
= +
V E b U E a
V U E V E b U E a
2

(15.)
i n cazul proceselor aleatoare este valabil concluzia potrivit creia, dac cele
dou procese aleatoare sunt corelate statistic atunci distribuia perechilor de valori
( )
k k
v ; u este mai concentrat nvecintatea perechilor de valori aparinnd dreptei de
regresie; dac cele dou procese aleatoare nu sunt corelate statistic atunci perechile
de valori sunt egal distribuite pe tot planul ( ) v 0 u .
n general, corelaia statistic reprezint o generalizare a noiunii de funcie din
analiza matematic. Deoarece, n cazul proceselor aleatoare cel puin una dintre
variabile este asociat timpului universal, corelaia statistic reprezint i o
dependen cauzal ntre procese. Prin urmare, dac dou procese aleatoare sunt
corelate atunci ntre acestea exist o dependen cauzal; n caz contrar ntre cele
dou procese nu exist nici o dependen de tip cauz-efect.
Aceast idee conduce spre un procedeu de analiz a dependenei cauzale ntre
eantioanele aceluiai proces aleator. Deoarece cea mai simpl dependen ntre
elementele a dou mulimi de valori sau ntre elementele aceleiai mulimi de valori
este dependena liniar, problema enunat la nceputul acestui paragraf se
reformuleaz dup cum urmeaz . Fiind dat un proces aleator de tip discret, s se
determine dependena liniar dintre o variabila aleatoare asociat acelui proces,
( ) k N i o alt variabil aleatoare, ( ) + k N rezultat prin deplasarea valorilor
procesului n cauz cu un numr finit de pai .
Cazul 1: variabilele aleatoare ( ) k N i ( ) + k N sunt corelate statistic. Acest fapt are
loc atunci cnd procesul aleator are o component determinist i o component
aleatoare pur. Altfel spus, semnalul care se msoar a rezultat din superpoziia
dintre un semnal cauzal i un zgomot. Sistemul de ecuaii (1) se rescrie dup cum
urmeaz.

( ) [ ] ( ) [ ] ( ) ( ) [ ]
( ) [ ] ( ) [ ]

+ = +
+ = +
k U E b k U E a
k U k U E k U E b k U E a
2


Determinantul sistemului este dat de relaia:



54

( ) [ ] ( ) [ ]
( ) [ ]
( ) [ ] ( ) [ ] ( ) 0 k U E k U E
1 k U E
k U E k U E
2
U
2
m
2
2
S
2
U
2
U
2
U U , 2
> = = =
=
+ = =
48 47 6
43 42 1
.

Rezult c sistemul de ecuaii este compatibil determinat. Prin urmare dreapta de
regresie exist. Dreapta de regresie trece prin punctul de coordonate ( )
U U
; M ,
situat pe prima bisectoare i va avea panta:

( ) [ ] ( ) [ ] { }
( ) ( ) ( ) ( ) [ ] { }
( ) ( ) [ ] ( ) [ ] ( ) [ ]

+ + +

=
+ + +

+
=
=
=
2
U U U
2
U
2
U U U 2
U
2
U
U U
U
U
k U E k U E k U k U E
1
k U k U k U k U E
1
k U k U E
48 47 6
43 42 1



( ) ( ) [ ]
2
U
2
U
k U k U E

+
=
(16.)
Media statistic
U
, variana
U
i coordonatele punctului ( )
U U
; M nu depind de
ntrzierea deci singurul termen care caracterizeaz corelaia dintre cele dou
variabile aleatoare este ( ) ( ) [ ] + k U k U E .
Cazul 2: variabilele aleatoare ( ) k N i ( ) + k N nu sunt corelate statistic. Aceast
situaie se ntlnete n cazul proceselor aleatoare pure. Aa cum s-a precizat n
Capitolul 2, variabilele aleatoare n general i procesele aleatoare n particular se
caracterizeaz prin aceea c ntre oricare dintre realizri nu exist nici o dependen.
A. Dac 0 = .


Figura 26. Dreapta de regresie pentru cazul 0 = .

Acest caz corespunde corelaiei variabilei aleatoare cu ea nsi. Reprezentarea
grafic n plan a dependenei redundante ( ) ( ) k U k U = vor fi puncte aparinnd primei
bisectoare cum se prezint n Figura 26. Densitatea punctelor este maxim n
vecintatea punctului de coordonate ( )
U U
; M . Pentru a justifica aceast afirmaie
se rescrie sistemul de ecuaii (15) dup cum urmeaz.



55

( ) [ ] ( ) [ ] ( ) ( ) [ ]
( ) [ ]
( ) [ ] ( ) [ ]

= +
= +
=
k U E b k U E a
k U k U E k U E b k U E a
k U E
2
2
43 42 1


Se calculeaz determinantul sistemului
S
i determinanii
b a
; .

( ) [ ] ( ) [ ]
( ) [ ] 1 k U E
k U E k U E
2
S
= ;
( ) [ ] ( ) [ ]
( ) [ ]
S
2
a
1 k U E
k U E k U E
= = ;
( ) [ ] ( ) [ ]
( ) [ ] ( ) [ ]
0
k U E k U E
k U E k U E
2 2
b
= = .
(3.x)
Deci, soluiile sistemului de ecuaii vor fi:

=
=
0 b
1 a
: S ;
(3.x)
Cu alte cuvinte dreapta de regresie este prima bisectoare n planul ( ) v 0 u . Dreapta de
regresie trece prin originea sistemului de coordonate i are panta 1 = . Acest
rezultat se verific i cu relaia:

( ) [ ]
}
1
m k U E
2
U
2
U U , 2
2
U
2
U
2
2
U
2
U
=


=
+

(17.)
B. Dac k = .


Figura 27. Dreapta de regresie pentru cazul 0 .

Acest caz corespunde studiului corelaiei dintre variabila aleatoare ( ) k U i variabila
aleatoare ( ) + k U rezultat prin deplasarea cu eantioane a realizrilor variabilei
aleatoare ( ) k U . Cu ipoteza c o realizare oarecare a procesului aleator ( ) k U i
oricare realizare a procesului aleator ( ) + k U sunt necorelate statistic, punctele de
coordonate ( )
+ k k
u ; u vor fi uniform distribuite n planul ( ) v 0 u . Sistemul de ecuaii (3.x)
se rescrie dup cum urmeaz.



56

( ) [ ] ( ) [ ] ( ) ( ) [ ]
( ) [ ] ( ) [ ] ( ) [ ]
( ) [ ] ( ) [ ]
( ) [ ]

+ = +
+ = +
=
= + =
48 47 6
4 4 3 4 4 2 1
k U E
k U E k U E k U E
2
k U E b k U E a
k U k U E k U E b k U E a
2



( ) [ ] ( ) [ ]
( ) [ ] 1 k U E
k U E k U E
2
S
=
;
( ) [ ] ( ) [ ]
( ) [ ]
0
1 k U E
k U E k U E
2
a
= = ;
( ) [ ] ( ) [ ]
( ) [ ] ( ) [ ]
( ) [ ]
S
2 2
b
k U E
k U E k U E
k U E k U E
= = .


( ) [ ]

= =
=
U
k U E b
0 a
: S

Prin urmare, dreapta de regresie trece prin punctul ( )
U U
; M i are panta 0 = .
Justificarea este prezentat dup cum urmeaz.

( ) ( ) [ ] ( ) [ ] ( ) [ ]
0
k U E k U E k U k U E
2
U
2
U
2
U
2
U
U U
=

+
=

+
=
= =
48 47 6 48 47 6

(18.)
Relaia (18) este adevrat pentru orice valoare a ntrzierii . Altfel spus, panta
dreptei de regresie este egal cu zero pentru orice valoare a ntrzierii ; dreapta de
regresie este paralel cu axa orizontal n planul ( ) v 0 u .
i n aceste cazuri dependena de ntrzierea a pantei dreptei de regresie este
determinat doar de termenul ( ) ( ) [ ] + k U k U E . n fapt, acest termen definete o
funcie care caracterizeaz corelaia dintre realizrile aceluiai proces aleator motiv
pentru care se numete funcie de autocorelaie.
3.2.2 Funciile de corelaie ale proceselor aleatoare staionare n sens
larg
Definiia 31: funcia de autocorelaie. Fiind dat un proces aleator staionar notat
( ) k U , funcia:
( ) ( ) ( ) [ ] + = k U k U E r
uu
(19.)
definit pe o mulime ordonat ale crei elemente sunt asociate timpului
universal cu valori numere reale, se numete funcie de autocorelaie asociat
procesului aleator.
Observaii.
1. Funcia de autocorelaie se definete asemntor pentru procesele aleatoare de
tip discret ct i de tip continuu. n contrast, calculul acestei funcii se efectueaz cu
expresii diferite.
- Pentru procese aleatoare de tip discret:



57

( ) ( ) ( ) ( ) ( ) [ ]

+ =
=
+ + =
k
k
uu
k U ; k U P k u k u r
(20.)
- Pentru procese aleatoare de tip continuu:

( ) ( ) ( ) ( )

+ =
=
+ + = d ; p u u r
uu

(21.)
2. Pentru cazul proceselor aleatoare pure, valorile funciei de autocorelaie sunt:

( )
{ }


= +
=
0 \ R
0
r
2
U
2
U
2
U
uu
pentru
pentru

(22.)
Din relaia precedent se poate constata c funcia de autocorelaie a proceselor
aleatoare pure este determinat doar de media statistic i de variana procesului
aleator. Rezult c funcia de autocorelaie poate fi cunoscut a priori doar pe baza
observaiilor anterioare ale procesului aleator.
n Capitolul 2, au fost analizate funciile de probabilitate ca modalitate de
reprezentare a variabilelor aleatoare / proceselor aleatoare. Media statistic i
variana rezult prin calcul pe baza valorilor funciilor de probabilitate. Funcia de
autocorelaie reprezint o alt modalitate de caracterizare a proceselor aleatoare. In
expresiile funciilor de corelaie apar numai parametrii de ansamblu ai variabilei
aleatoare; o parte din informaia coninut n reprezentarea funciilor de probabilitate
se pierde.
3. Dac media statistic a procesului aleator este 0
u
= , atunci expresia funciei de
autocorelaie se simplific dup cum urmeaz.

( )
{ }


=
=
0 \ R 0
0
r
2
u
uu
pentru
pentru

(23.)
Exemplul 19: n acest exemplu se determin funcia de autocorelaie a unui proces
aleator ntre eantioanele cruia exist o dependen determinist.
Fie procesul aleator definit prin termenul general:
( ) ( ) ( ) ( ) 2 k e c 1 k e c k e k u
2 1
+ + = .
n care, spre deosebire de exemplele anterioare, ( ) k u i ( ) k e reprezint valori
temporale / eantioane ale procesului, n succesiunea n care acestea se produc. Un
proces descris prin ecuaia de mai sus se numete proces cu medie alunectoare,
notat ( ) 2 MA . tiind c procesul ( ) { }
Z k
k e

este un proces aleator pur, avnd media
statistic
e
i variana
2
e
s se calculeze funcia de autocorelaie a ( )
uu
r a
procesului ( ) { }
Z k
k u

.
Rezolvare.
( ) ( ) ( ) [ ]
( ) ( ) ( ) [ ] ( ) ( ) ( ) [ ] { } 2 k e c 1 k e c k e 2 k e c 1 k e c k e E
k u k u E r
2 1 2 1
uu
+ + + + + + + =
+ =





58
( ) ( ) ( ) ( ) ( ) ( ) ( ) [
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )] 2 k e 2 k e c 1 k e 2 k e c c k e 2 k e c
2 k e 1 k e c c 1 k e 1 k e c k e 1 k e c
2 k e k e c 1 k e k e c k e k e E r
2
2 1 2 2
2 1
2
1 1
2 1 uu
+ + + + + +
+ + + + + +
+ + + + + =

Cazul 1: 0 = .
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ]
( ) ( ) [ ] ( ) [ ] ( ) ( ) [ ]
( ) ( ) [ ] ( ) ( ) [ ] ( ) [ ]
43 42 1
4 4 4 3 4 4 4 2 1 4 4 3 4 4 2 1
4 4 4 3 4 4 4 2 1
48 47 6
4 4 3 4 4 2 1
4 4 8 4 4 7 6 4 4 8 4 4 7 6
48 47 6
2
e
2
e
2
e
2
e
2
e
2
e
2
e
2
e
2
e
2
e
2
e
2
e
2 2
2 1 2 2
2 1
2 2
1 1
2 1
2
uu
2 k e E c 1 k e 2 k e E c c k e 2 k e E c
2 k e 1 k e E c c 1 k e E c k e 1 k e E c
2 k e k e E c 1 k e k e E c k e E 0 r
+ =
= =
=
+ =
=
= =
+ =
+ + +
+ + +
+ + =


( ) ( ) ( )
2
u
2
u u , 2
2
e 2 1 2 1
2
e
2
e
2
2
2
1 uu
m
) c c 2 c 2 c 2 ( c c 1 0 r
+ = =
+ + + + + + =


Cazul 2: 1 = .
( ) ( ) ( ) [ ] ( ) [ ] ( ) ( ) [ ]
( ) ( ) [ ] ( ) ( ) [ ] ( ) [ ]
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ] 1 k e 2 k e E c k e 2 k e E c c 1 k e 2 k e E c
1 k e E c c k e 1 k e E c 1 k e 1 k e E c
1 k e k e E c k e E c 1 k e k e E 1 r
2
2 1 2 2
2
2 1
2
1 1
2
2
1 uu
+ + + +
+ + + +
+ + + =


( ) ( ) ( )
( )
2
2 2 1 2 1
2 1 1
2
e
2
e uu
c c c c 2 c 1
c c c 1 r
+ + + + +
+ + =


Cazul 3: 2 = .
( ) ( ) ( ) [ ] ( ) ( ) [ ] ( ) [ ]
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ]
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ] k e 2 k e E c 1 k e 2 k e E c c 2 k e 2 k e E c
k e 1 k e E c c 1 k e 1 k e E c 2 k e 1 k e E c
k e E c 1 k e k e E c 2 k e k e E 2 r
2
2 1 2 2
2 1
2
1 1
2
2 1 uu
+ + + + +
+ + + + +
+ + + + =


( ) ( )
( )
2
e
2
2
2
1 2 1 2 1
2
e
2
e 2 uu
c c c c 2 c c 2 1
c 2 r
+ + + + + +
+ =


Cazul 4: 3 .
( ) ( ) ( ) [ ] ( ) ( ) [ ] ( ) [ ]
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ]
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ] k e 2 k e E c 1 k e 2 k e E c c 2 k e 2 k e E c
k e 1 k e E c c 1 k e 1 k e E c 2 k e 1 k e E c
k e E c 1 k e k e E c 2 k e k e E r
2
2 1 2 2
2 1
2
1 1
2
2 1 uu
+ + + + +
+ + + + +
+ + + + =


( ) ( )
( )
2
u
2
e
2
2 1
2
e 2 1 2 1
2
2
2
1 uu
c c 1
c c 2 c 2 c 2 c c 1 r
= + + =
+ + + + + + =


Se poate observa c att n cazul procesului aleator pur ct i n cazul n care ntre
realizrile procesului apar corelaii, valoarea n origine a funciei de autocorelaie este
egal cu suma dintre varian i ptratul mediei statistice. De asemenea valorile se
observ c limita funciei de autocorelaie la capetele intervalului, ( )
2
u uu
r lim =

.



59
Exemplul 20: Interpretarea fizic a funciei de autocorelaie. Deoarece variana
reprezint media statistic a energiei componentei variabile a procesului aleator,
rezult c media statistic a energiei totale a procesului aleator are o singur
component i anume energia la momentul actual a procesului, 0 = a crei
valoare medie este egal cu variana plus ptratul mediei statistice ale procesului
aleator.
Altfel spus, energia totala la momentul 0 = nu conine i componente ale energiei
mutuale (de legtur) cu energia procesului la momente anterioare sau ulterioare
momentului 0 = . Aceast concluzie este n concordan cu ipoteza potrivit creia
ntre realizrile procesului aleator nu exist nici o dependen.
n cazul al doilea, respectiv cnd ntre realizrile procesului exist dependene
cauzale, media statistic a energiei totale a procesului aleator are mai multe
componente i anume energia la momentul actual a procesului, 0 = format din
variana plus ptratul mediei statistice ale procesului aleator la care se adaug
compenente ale energiei mutuale (de legtur) dintre eantionul de la momentul
actual i eantioanele anterioare i ulterioare ale procesului.
Dac variabila aleatoare discret poate lua un numr infinit de valori ntr-un interval
al axei reale atunci, media statistic a variabilei aleatoare discrete se definte dup
cum urmeaz.
Definiia 32: funcia de intercorelaie. Fiind date dou procese aleatoare staionare
notate ( ) k u , ( ) k v funcia
( ) ( ) ( ) [ ] + = k v k u E r
uv
(24.)
definit pe o mulime ordonat ale crei elemente sunt asociate timpului universal cu
valori numere reale, se numete funcie de intercorelaie asociat proceselor
aleatoare.
Observaii.
1. Funciile de corelaie se scriu sub form matriceal dup cum urmeaz.

( )
( ) ( )
( ) ( )
(



=
vv vu
uv uu
r r
r r
r
(25.)
2. n cazul proceselor aleatoare staionare, funciile de corelaie depind de o singur
variabl de timp. Pentru cazul general al proceselor nestaionare, funciile de
corelaie depind de dou variabile de timp. n tabelul 2 se rezum expresiile funciilor
de intercorelaie pentru cazul general.
Tabelul 11. Expresiile funciilor de intercorelaie ale variabilelor de tip discret i continuu pentru cazul
general
Tipul variabilelor aleatoare
Funciile de
intercorelaie
Discret
( ) ( ) ( ) ( ) [ ]
( ) ( ) ( ) ( ) ( )

+
=
+
=
=
=
k
2 m 1 k
m
2 m 1 k
2 m 1 k 2 1 v , u
t v ; t u P t v t u
t v t u E t ; t r




60
Tipul variabilelor aleatoare
Continuu
( ) ( ) ( ) ( ) [ ]
( ) ( ) ( ) ( ) ( ) dv du t v ; t u p t v t u
t v t u E t ; t r
2 1 2 1
2 1 2 1 v , u
=
=

+

+


Utilitatea funciilor de corelaie apare cu claritate atunci cnd se studiaz procese
aleatoare rezultate prin superpoziia unui proces determinist i a unui proces aleator
pur.
Tabelul 12. Expresiile mediei statistice, varianei i funciilor de corelaie n funcie de valori temporale
pentru procesele aleatoare staionare.
Nr. Denumire Proces aleator de tip continuu Proces aleator de tip discret
1.
Media
temporal
( ) const. lim = =
=


T
0
T
u u , 1
dt t u
T
1
m

( ) const. lim = =
=

=

N
1 k
N
u u , 1
k u
N
1
m

2.
Momentul
statistic
( ) const. lim = =


T
0
i
T
u , i
dt t u
T
1
m

( ) const. lim = =

=

N
1 k
i
N
u , i
k u
N
1
m

3. Variana
( ) [ ] const. lim = =


T
0
2
u
T
2
u
dt t u
T
1

( ) [ ] const. lim = =

=

N
0 k
2
u
N
2
u
k u
N
1

4.
Funcia de
auto-
corelaie
( ) ( ) ( )

+ =

T
0
T
uu
dt t u t u
T
1
r lim

( ) ( ) ( )

=

+ =
N
0 k
N
uu
k u k u
N
1
r lim

( ) ( ) ( )

+ =

T
0
T
uv
dt t v t u
T
1
r lim

( ) ( ) ( )

=

+ =
N
0 k
N
uv
k v k u
N
1
r lim

5.
Funciile de
inter-
corelaie
( ) ( ) ( )

+ =

T
0
T
vu
dt t u t v
T
1
r lim

( ) ( ) ( )

=

+ =
N
0 k
N
vu
k u k v
N
1
r lim

n continuare se prezint proprieti ale funciilor de corelaie asociate proceselor
aleatoare staionare.
Teorema 6: proprietile funciei de autocorelaie. Fiind dat o variabil aleatoare
staionar, avnd funcia de autocorelaie ( )
uu
r , sunt adevrate urmtoarele
relaii:

( )
2
u
2
u uu
0 r + = ; ( ) ( ) ( ) R ; r 0 r
uu uu
>
(26.)

( )
2
u uu
r =

lim
(27.)

( ) ( ) =
uu uu
r r ; (funcie par)
(28.)
Demonstraie
Fie
1
u i
1
v dou procese aleatoare staionare. Deoarece ptratul oricrei funcii reale
este non-negativ, rezult c:

( ) ( )
(
(

|
|

\
|

2
2
2
2
2
1
1
v E
v
u E
u
E 0





61

( ) ( )
( )
( ) [ ]
( )
( ) ( )
( )
( ) [ ]
( )
( ) ( )
2
2
2
1
2 1
1
2
2
1
2
1
2
2
2
1
2 1
1
2
2
1
2
1
2
2
2
2
2
1
1
v E u E
v u E
2 2
v E
v E
v E u E
v u E
2
u E
u E
v E
v
u E
u
E

=
+

=
(
(

|
|

\
|

= =
43 42 1 43 42 1



( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
2
2
2
1 2 1
2 1
2
2
2
1
2 1
2
2
2
1
v E u E v u E
v u E v E u E
v u E v E u E 0






( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
2
2
2
1 2 1
2
2
2
1 2 1
2
2
2
1
v E u E v u E v E u E v u E v E u E


Cele dou procese sunt staionare, deci rezult:


( )
( )
( ) ( )
2
2
2
1
r
2 1 uv
v E u E t ; t r
uv

=
43 42 1



( ) ( ) ( ) 0 r 0 r r
2
vv
2
uu uv



( ) ( ) 0 r r
2
uu uu


n continuare,

( ) ( ) ( ) [ ]
( ) ( ) [ ]
2
u
2
u u , 2
2
uu
uu
m k u E 0 r 0
k u k u E r
+ = = = =
+ =
.

Dac atunci variabilele aleatoare ( ) k U i ( ) + k U devin independente statistic,
(ii)
( ) ( ) ( ) [ ]
( ) [ ] ( ) [ ]
2
u
k u E k u E
uu
k u k u E r = + =
+ =
4 4 3 4 4 2 1
lim


Teorema 7: Fiind date dou procese aleatoare reale, staionare n sens larg, ( ) t x i
( ) t y avnd funciile de intercorelaie staionare funciie de intercorelaie verific
relaia care urmeaz.

( ) ( ) =
yx xy
R R
(29.)
De cele mai multe ori semnalul care se obine prin msurtori experimentale este
rezultatul superpoziiei dintre semnalul util i zgomotele datorate liniilor de msurare.
n contiuare se evideniaz modul n care se reflect cele dou componente n
expresia funciei de autocorelaie a semnalului achiziionat.

Teorema 8: Fiind date dou procese aleatoare staionare n sens larg, ( ) t x i ( ) t y
ale cror funcii de corelaie sunt staionare, atunci procesul aleator
( ) ( ) ( ) t y t x t z + = este un proces aleator staionar i exist relaia urmtoare.

( ) ( ) ( ) ( ) ( ) + + + =
yx xy yy xx zz
r r r r r
(30.)



62
Demonstraie.
( ) ( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ] { }
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ]
( ) ( ) ( ) ( ) + + + =
+ + + + + + + =
+ + + + = + =
yy yx xy xx
zz
r r r r
t y t y E t y t x E t y t x E t x t x E
t y t x t y t x E t z t z E r


Exemplul 21: Proces aleator asociat unui semnal electric.
Se d un proces aleator asociat unui semnal electric care poate lua dou valori
asociate valorilor logice 0 i 1 cu aceeai probabilitate. Se definete o variabil
aleatoare
|
|

\
|
2 1 2 1
1 0
: U asociat experimentului care const n observarea valorilor
acestui proces aleator.
Se proiecteaz un alt experiment legat de acelai semnal electric care const n
msurarea numrului de apariii ale valorii 1 logic ntr-un interval de timp care se
menine constant pe durata experimentului i care se noteaz T . Prin repetarea
experimentului de un numr mare de ori, se constat c probabilitatea ca semnalul
s ia valoarea 1 logic de k ori n intervalul fixat de timp T respect legea de
distribuie Poisson, respectiv:
(i)
( )
( )
T a
k
V
e
! k
T a
T , k P

=

n care parametrul a reprezint valoarea medie a impulsurilor pe unitatea de timp, o
valoare constant.
Se cere s se determine funcia de autocorelaie a procesului aleator descris.
Rezolvare.
Deoarece procesele aleatoare asociate celor dou experimente sunt independente,
probabilitatea asociat va fi
( ) ( ) ( ) ( ) T , k p
2
1
T , k p U p T , k p
V V
= =
Pentru calculul funciei de autocorelaie se definesc dou variabile aleatoare
experimentului i anume
t 1
X X = i

=
t 2
X X .
Prima variabil asociaz frecvena de repetare a k apariii ale valorii 1 logic n
intervalul de timp = T pe realizrile procesului aleator.
A doua variabil asociaz frecvena de repetare a k apariii ale valorii 1 logic n
intervalul de timp = T pe realizrile procesului aleator obinut prin deplasarea cu a
realizrilor procesului aleator.
Procesul aleator fiind presupus staionar, probabilitatea ( ) T , k P este aceeai.
Din expresia (3), funcia de autocorelaie este:



63
(ii)
( ) [ ] ( )
( ) ( )
( ) ( ) ( ) 1 x , 1 x P 1 x , 1 x P 1 1 1 x , 0 x P 1 0
0 x , 1 x P 0 1 0 x , 0 x P 0 0
x x , x x P x x X X E r
t t t t t t
t t t t
2
1 k
2
1 m
k , t t m , t t k , t m , t t t uu
= = = = = + = =
= = + = = =
= = = =


= =

.

n care

= =
t 2 t 1
X X ; X X reprezint valorile posibile ale variabilelor aleatoare iar
( )
t t
X ; X P reprezint probabilitatea condiionat dintre cele dou variabile aleatoare.
Probabilitatea ( ) 1 x ; 1 x P
t t
= =

reprezint probabilitatea apariiei de k ori a valorii
1 logic n intervalul = T att pentru variabila
t 1
X X = ct i pentru variabila deplasat

=
t 2
X X . Deoarece lungimea intervalului i deplasarea n timp sunt numeric egale,
numrul total de apariii asociat celor dou variabile rezult ntotdeauna k 2 adic
un numr par. Rezult c:
(iii) ( ) ( ) ( ) k 2 k P 1 x P 1 x ; 1 x P
1 t t t
= = = = =



( )
( )

=


=
0 k
k
a
uu
! k
a
e
2
1
r

n care;
( ) ( ) ( )
( )

+ =
(
(


+

=



a a
0 k
k
0 k
k
0 k
k 2
e e
2
1
! k
a
! k
a
2
1
! k 2
a


( ) [ ]

+ =
a
uu
e 1
4
1
r .
Observaii:
1. Se poate constata c n funcie de organizarea experimentului se pot obine
informaii diferite pe baza datelor prelevate de la acelai proces. Concret, dac a fost
observat frecvena apariiei celor dou valori ale semnalului n cadrul realizrilor
experimentului au fost obinute doar probabilitile asociate acestor valori; n al doilea
experiment, n care au fost observate frecvena apariiei a cte k realizri asociate
aceleiai valori a fost pus n eviden o regularitate statistic caracteristic
fenomenului aleator.
Acest aspect poate fi observat i n cazul experimentelor care au la baz fenomene
deterministe. Spre exemplu, un experiment care const n msurarea / observarea
valorilor la bornele de ieire ale unei surse de tensiune alternativ cu ajutorul unui
voltmetrul analogic, furnizeaz informaia despre valoarea efectiv a tensiunii sursei.
ntr-un alt experiment se utilizeaz un multimetru numeric adecvat, conectat la
aceeai surs de tensiune; se pot obine informaii privind valoarea efectiv i
frecvena tensiunii alternative. n fine, un al treilea experiment n cadrul cruia se
utilizeaz un nregistrator conectat la bornele aceleiai surse de tensiune ar permite
determinarea dependenelor dintre valorile instantanee ale tensiunii alternative
produs de sursa de tensiune.



64
2. Procesele aleatoare pot fi reprezentate n ansamblu prin dou metode: (a) cu
ajutorul funciilor de probabilitate i (b) cu ajutorul funciilor de corelaie. n ambele
reprezentri se pierde o parte din informaia provenit din proces privind
interaciunea dintre valorile instantanee ale eantioanelor deoarece procesul este
reprezentat pe ansamblul realizrilor sale.
Densitatea spectral de putere a proceselor aleatoare
staionare n sens larg
Descompunerea semnalelor deterministe periodice n componente armonice cu
ajutorul seriilor Fourier este o metod de analiz frecvent utilizat n diverse domenii
ale tiinei i tehnicii.
Transformarea Fourier permite rezolvarea mai comod a unor probleme n care apar
semnale periodice i sisteme aflate n regim staionar sau cvasistaionar din
electrotehnic, electronic, fizic. Transformarea Fourier permite de asemenea,
rezolvarea unor probleme n care apar semnale aperiodice n condiii precizate.
Transformarea Fourier se aplic att semnalelor periodice de tip continuu ct i
semnalelor periodice discrete / eantionate.
n procesarea semnalelor, transformarea Fourier permite (a) determinarea densitii
spectrale de amplitudine a semnalelor i (b) determinarea densitii spectrale de
putere a acestora. n primul caz se determin spectrul de amplitudine a armonicelor
care compun semnalul - respectiv dependenele de frecven ale amplitudinii i fazei
armonicelor. n cel de-al doilea caz se determin componentele spectrale ale puterii
(modul n care sunt repartizate componentele spectrale ale puterii n funcie de
frecven).
Se pune ntrebarea dac analiza Fourier poate fi aplicat i pentru cazul proceselor
aleatoare. Rspunsul la aceast ntrebare este nuanat de (a) faptul c procesele
aleatoare nu au un caracter determinist i (b) dependenele de timp ale proceselor
aleatoare nu pot fi periodice.
Procesele aleatoare a cror funcie de autocorelaie este periodic n timp se
numesc procese aleatoare periodice. Pentru acest caz se pot calcula coeficieni
Fourier corespunznd descompunerii n armonici a procesului dar, coeficienii Fourier
care se obin nu sunt numere constante ci sunt tot variabile aleatoare.
Studiul funciilor de corelaie, i densitii spectrale de putere asociate unor variabile
aleatoare oarecare se rezolv ntr-un cadru mai general denumit analiz armonic
generalizat.
Pentru cazul proceselor aleatoare staionare n sens larg, problema aplicrii analizei
Fourier se rezolv cu metodele utilizate la semnalele cauzale pornind de la observia
c funciile de corelaie asociate procesului sunt funcii deterministe de timp. Funciile
de autocorelaie asociate unui proces aleator pot fi funcii periodice de timp dar n
genere verific cerinele pentru aplicarea transformrii Fourier.
Deoarece funciile de corelaie definesc distribuia n medie a puterii procesului
aleator, ceea ce rezult va fi spectrul puterii, respectiv densitatea spectral de putere
a procesului aleator.




65
Procese aleatoare de tip continuu
Fie ( ) k u un proces aleator n sens larg i ( )
uu
R funcia de autocorelaie asociat
acestui proces. Transformata Fourier a funciei de autocorelaie a procesului aleator
de tip continuu se determin pe baza definiiei cu relaia:

( ) ( ) { } ( ) f 2 ; d e r r S
j
uu uu u
= = =

+


F
(31.)
Funcia de autocorelaie poate fi calculat prin mediere pe ansamblu sau prin
mediere n funcie de timp cu relaiile care urmeaz.

( ) ( )
( ) ( )


+
+

=
=
T
T
T
t t uu
dt t u t u
T 2
1
lim
u u E r

(32.)

Legtura dintre funciile densitate spectral de putere i funcia de
autocorelaie.
Fiind dat un semnal cauzal, ( ) t x periodic de perioad T i fie
n
a coeficienii Fourier
asociai acestui semnal; funcia definit prin relaia

( )

+
=
|

\
|

=
n
2
n u
T
2
n a S
(33.)
se numete densitatea spectral de putere a semnalului.
Cu ajutorul acestei funcii se poate calcula puterea total a semnalului dup cum
urmeaz.

( )

= = =
+
=
+

T
0
2
n
2
n uu u
dx x
T
1
a d S P
(34.)
Spectrul puterii semnalului se definete cu urmtoarea relaie.
( ) ( )


= d S G
uu u
(35.)
Legtura dintre funcia de autocorelaie ( )
xx
r a semnalului periodic i coeficienii
Fourier asociai este dup cum urmeaz.
( )


+
+
=
=

T
n 2
j
n
2
n uu
e a r (36.)
Se calculeaz transformata Fourier a funciei de autocorelaie i rezult:
( ) { }


+

+
=
|

\
|


=
+


|

\
|





+
+
=
=
|
|

\
|
=
n
n
T
2
T
n 2
j
2
n
j
T
n 2
j
n
2
n uu
d e a d e e a r
4 4 3 4 4 2 1
F




66
(ii) ( ) ( ) { } =
uu u
r S F .
Prin urmare, densitatea spectral de putere este numeric egal cu transformata
Fourier a funciei de autocorelaie.
Aceast concluzie este adevrat i pentru procesele aleatoare staionare (teorema
Wiener-Khincin). Pe baza legturii dintre funciile densitate spectral de putere i
funciile de corelaie, metodele analizei spectrale pot fi implementate pentru analiza
proceselor aleatoare staionare pornind de la observaii ale procesului i.e. de la date
rezultate din msurtori experimentale.
Densitatea spectral de putere a unui proces aleator rezultat prin superpoziia
a dou procese aleatoare staionare.
Fiind dat procesul aleator staionar ( ) ( ) ( ) t y t x t z + = rezultat prin superpoziia
proceselor aleatoare staionare ( ) t x i ( ) t y se aplic transformata Fourier relaiei (3):

( ) ( ) ( ) ( ) ( ) + + + =
yx xy yy xx zz
r r r r r


( ) ( ) ( )
( )
( )
( )
( )
4 4 3 4 4 2 1 4 4 3 4 4 2 1
=
+


=
+



+ +
+ =
j S
j
yx
j S
j
xy
yy xx zz
yx xy
d e r d e r
j S j S j S

(37.)
Definiia 33: Fiind date dou procese aleatoare staionare ( ) t x i ( ) t y se numesc
funcii densitate spectral mutual dintre cele dou procese aleatoare,
transformatele Fourier ale funciilor de intercorelaie, respectiv:

( ) ( ) { } ( )

+


= = d e r r j S
j
xy xy xy
F ,
(38.)

( ) ( ) { } ( )

+


= = d e r r j S
j
yx yx yx
F .
(39.)
Calculul funciilor de corelaie cnd se cunosc funciile densitate spectral de
putere.

( ) ( ) { } ( )

+

+


= = d e S
2
1
S r
j
u u
1 -
uu
F .

4. Urmtoarele relaii sunt reciproce proprietilor funciilor de corelaie.

( ) ( )

+



= d j S
2
1
0 r
u uu

(40.)

( ) 0 S lim
u
=
+
(dac procesul aleator este periodic)
(41.)
( ) ( ) =
*
vu uv
S S (42.)




67
Procese aleatoare de tip discret
Definiia 34: Fiind dat procesul aleator staionar de tip discret [ ] { }
+
= k
k u , densitatea
spectral de putere proprie a procesului aleator este transformata Fourier discret
a funciei de autocorelaie a procesului, [ ]
uu
r , respectiv funcia:

( ) [ ]

+
=



=
j
uu u
e r
2
1
S
(43.)
Fiind date dou procese aleatoare staionare de tip discret [ ] { }
+
= k
k u i
[ ] { }
+
= k
k v .Densitatea spectral de putere mutual dintre aceste procese aleatoare
este transformata Fourier discret a funciei de intercorelaie a proceselor, [ ]
uv
r ,
respectiv funcia:

( ) [ ]

+
=



=
j
uv uv
e r
2
1
S
(44.)
n aplicaii, densitile spectrale de putere ale proceselor aleatoare de tip discret se
estimeaz pe baza funciilor de corelaie asociate secvenelor temporale de
dimensiune finit. Transformarea care se utilizeaz n acest caz se numete
transformarea Fourier discret n N puncte ( N - dimensiunea secvenei).
Astfel, o aproximare (sau un estimat) al densitii spectrale de putere a unei secvene
aleatore de tip discret de lungime N este dat de relaia urmtoare.

( ) [ ]

+
=



=
N
N
j
uu u
e r
2
1
S


(45.)
Un estimat al densitii spectrale de putere mutuale dintre dou secvene aleatoare
de tip discret de lungime finit, N este dat de relaia urmtoare.

( ) [ ]

+
=



=
N
N
j
uv uv
e r
2
1
S


(46.)

Pe baza definiilor de mai sus, densitatea spectral de putere mutual dintre
procesele aleatoare ( ) { }
N
0 k
k u
=
i ( ) { }
N
0 k
k v
=
se poate scrie dup cum urmeaz.

( ) [ ] [ ]
( )
( )

+
=

=

+

=
N
N
0 ; max
N
0 ; min
1 k
j
uv
e k v k u
2
1
S

.
Cu substituia + = k s , + = k s ;
k j s j j
e e e
+
= n care N , 1 k = i N , 1 s =
rezult:



68

( ) [ ] [ ]
[ ]
( )
[ ]
( )
4 4 3 4 4 2 1 4 4 3 4 4 2 1
=
=
+
=
=

= =
+
|

\
|

|

\
|


=


=

N N
V
N
1 k
k j
U
N
1 s
s j
N
1 s
N
1 k
k j s j
uv
e k v e s u
N 2
1
e e k v s u
N 2
1
S

.
n care ( ) [ ]

=

=
N
1 s
s j
N
e s u U i ( ) [ ]

=

=
N
1 s
s j
N
e s v V reprezint transformatele Fourier
ale secvenelor ( ) { }
N
0 k
k u
=
i ( ) { }
N
0 k
k v
=
. Aceste transformate pot fi calculate cu ajutorul
transformatei Fourier discrete n N puncte, pentru valori ale pulsaiei
N , 1 k ; k
N
2
=

= .
Relaia precedent permite estimarea funciei densitate spectral de putere proprie a
procesului aleator ( ) { }
N
0 k
k u
=
dup cum urmeaz.

( ) ( ) ( )
( ) ( ) ( )
2
N
*
N N
N N uu
U
N 2
1
U U
N 2
1
U U
N 2
1
S



=

=


=

(47.)
Estimatul densitii spectrale se numete periodogram. Dac [ ] { } k u este un proces
aleator, estimatul densitii spectrale de putere calculat cu relaia (17) nu converge n
sensul mediei spre valorile adevrate ale densitatii spectrale de putere atunci cnd
N . n Capitolul 5 se prezint un procedeu utilizat n aplicaii pentru
mbuntirea convergenei estimatului.
La estimarea spectrului unui proces aleator pe baza secvenelor de lungime finit
apar erori datorate (1) fenomenului de alising (2) datorit dimensiunii finite a
secvenei i (3) datorit algoritmului de calcul al transformatei Fourier discrete nN
puncte care produce erori n cazul n care numrul de eantioane nu respect
condiia N = n ; 2 N
n
.
Energia i puterea semnalelor
n procesele n care energia se transform, termenii de forma ( )

B
A
T
T
2
dt t x K ( K - un
factor de proporionalitate dependent de natura fizic a procesului), reprezint
cantitatea de energie transformat n intervalul de timp [ ]
B A
T T ; .
De exemplu, transformarea energiei cmpului electrocinetic n energie termic prin
efect Joule-Lenz, la trecerea curentului electric de intensitate ( ) t i printr-un rezistor cu
rezistena electric R . Energia termic disipat n rezistor n intervalul de timp
[ ]
B A
T T ; este dat de expresia ( )

=
B
A
T
T
2
e
dt t i R W .




69
Reprezentarea energiei i puterii semnalelor n domeniul timpului
n cazul semnalelor de tip continuu, expresia energiei semnalului se definete
independent de natura fizic a procesului pe care acesta l reprezint, pe ntreaga
ax real a timpului dup cum urmeaz.

( )

+

= dt t x W
2
x
.
(48.)
Asemntor, energia semnalelor discretizate se definete cu relaia:

( )

+
=
=
k
2
x
t x W .
(49.)

Puterea instantanee reprezint variaia energiei n unitatea de timp. Prin urmare, n
cazul semnalelor, puterea instantanee se definete dup cum urmeaz.

Semnale continue: ( ) ( ) R = t t x t P
2
x
.
(50.)

Semnale discrete: [ ] [ ] Z = k k x k P
2
x
.

Puterea medie a unui semnal se definete prin mediere pe ntreaga ax real a
timpului:

Semnale continue: ( ) R =


t dt t x
T
1
P
2 T
2 T
2
T
x
; lim .
(51.)

Semnale discrete: [ ] Z =

+ =
=

k k x
N
1
P
2 N k
2 N k
2
N
x
; lim .


Pentru cazul unei secvene de lungime finit a unui semnal discret [ ] { }
2 N
2 N k
k x
+
=
,
puterea medie la pasul k se definete cu formula:

[ ] [ ] Z =

+
=
i k i x
N
1
k P
1 2 N i
2 N i k
2
N
, ; .
(52.)
Tabelul 13. Caracteristici ale energiei i puterii semnalelor. Cazul semnalelor discrete.
Semnalele discrete cu lungime infinit i energie finit au puterea medie nul.
[ ] + < =

+
= k
2
x
k x W

[ ] 0 k x
N
1
P
2 N k
2 N k
2
N
x
= =

+ =
=

lim
;
Semnalele discrete periodice au energie infinit i putere medie finit
[ ] + =

+
= k
2
x
k x W
;
[ ] N = + < =

+ =
=
n n T N k x
N
1
P
P
2 N k
2 N k
2
x
; ;
;
Procesele aleatoare discrete staionare permenente au energie infinit i putere medie finit
[ ] + =

+
= k
2
x
k x W
;
[ ] + < =

+ =
=

2 N k
2 N k
2
N
x
k x
N
1
P lim
;



70
Secvenele de lungime finit au enegia i puterea medie finite
[ ]

=
=
1 N
0 k
2
x
k x W
;
[ ]
N
W
k x
N
1
P
x
1 N k
0 k
2
x
= =

=
=
.

Reprezentarea energiei i puterii semnalelor n domeniul frecvenelor
Reprezentarea energiei semnalelor n domeniul frecvenelor se face cu relaia lui
Parseval, pe baza expresiilor omoloage din domeniul timpului.
Tabelul 14. Reprezentarea energiei semnalelor n domeniul frecvenelor. Cazul semnalelor discrete.
Semnal aperiodic sau proces aleator de energie finit.

Energia semnalului se calculeaz cu expresia:
[ ] ( ) ( ) [ )
e
2 f
2 f
2
e
2
2
2
e k
2
x
; 0 df f X
f
1
d X
1
k x W
e
e
e
e
; + < =

= =

+

+
=

e e
f 2 =
este limea benzii de trecere;
Semnal determinist
N
- periodic
Energia semnalului este infinit:
[ ] + =

+
= k
2
x
k x W
;
Puterea medie a semnalului se calculeaz pe durata unei perioade divizat n
N
eantioane:
[ ] [ ]
[ ]
N = + < = = =

=
=
=
=
=
=
n n T N
N
k X
k X
N
1
i x
N
1
P
P
1 N k
0 k
2
1 N k
0 k
2
2
1 N i
0 i
2
x
; ;
;
Proces aleator staionar
Energia semnalului este infinit
+
x
W
;
Se preleveaz a
N
eantioane ale procesului i se estimeaz puterea medie a semnalului cu
expresia:
[ ] [ ] N = + < = =

=
=
=
=
n n T N k X
N
1
i x
N
1
P

P
1 N k
0 k
2
2
1 N i
0 i
2
N
; ;
;
Secvene de lungime finit
Energia secvenei:
[ ] [ ]


=
+
=
= =
1 N
0 i
2
k
2
x
i X
N
1
k x W
.

Funcii temporale i secvene temporale de procese
aleatoare
Reprezentarea funciilor de corelaie pe baza funciilor de probabilitate este util dac
sunt cunoscute expresiile analitice ale acestor funcii precum i modul de organizare
al experimentului.
De regul, n aplicaii sunt disponibile nregistrri ale valorilor eantioanelor
procesului aleator fr a cunoate cu exactitate expresiile analitice ale funciilor de
probabilitate.
Definiia 35: secven temporal a unui proces aleator. O mulime ordonat, format
din N realizri ale unui proces aleator de tip discret, U reprezentat prin termenul



71
general [ ] k u se numete secven temporal a procesului aleator, notat
[ ] { }
N k
1 k
k u
=
=
.
Secvenele realizrilor procesului aleator notate [ ] { }
+
= k
k u , reprezentnd mulimea
tuturor valorilor procesului aleator n funcie de ordinea observaiilor acestora i
variabila aleatoare definit prin
|
|

\
|
m 2 1
m 2 1
p p p
u u u
: U
K
K
care pune n eviden valorile
posibile ale procesului aleator n corelaie cu probabilitile asociate acestor valori
sunt dou entiti asociate una alteia.
Singura reprezentare n funcie de timp a unei secvene temporale este prin
reprezentarea tuturor valorilor acesteia n succesiunea lor, deoarece ntre
eantioanele secvenei nu exist nici o dependen cauzal. Prin asocierea cu
variabile aleatoare, se obine o reprezentare analitic a secvenei prin funcii de
probabilitate asociate sau prin funcii de corelaie asociate.
Pornind de la secvenele de valori ale proceselor aleatoare se pot defini valorile
medii temporale i funcii de corelaie prezentate n Tabelul nr.6. Pentru a evidenia
faptul c expresiile se calculeaz pe baza secvenelor temporale (reprezint
aproximri ale valorilor adevrate), simbolurile care definesc valorile medii se
noteaz cu simbolul " ^ ".
Tabelul 15. Expresii ale mediei temporale, varianei i funciilor de corelaie n funcie de valorile
temporale asociate secvenelor de lungime finit ale proceselor aleatoare.
Nr. Denumire Procese aleatoare de tip continuu Procese aleatoare de tip discret
1.
Media
temporal
( ) ( )
( )

+ =
+ =
T
0
1
1 1 T , u
dt t u
T
1
t u

( ) [ ]
[ ]

=
+ =
+ =
N
1 k
1
1 1 N , u
k u
N
1
k u

2.
Momentul
statistic de
ordin
i

( ) ( )
( )

+ =
+ =
T
0
1
i
1
i
1 T , u , i
dt t u
T
1
t u m

( ) [ ]
[ ]

=
+ =
+ =
N
1 k
1
i
1
i
1 N , u , i
k u
N
1
k u m

3. Variana
( ) ( ) ( ) [ ]
( ) ( ) [ ]

+ + =
= + + =
T
0
2
1 1
2
1 1 1
2
T , u
dt t u t u
T
1
t u t u

( ) [ ] [ ] [ ]
[ ] [ ] [ ]

=
+ + =
= + + =
N
0 k
2
1 1
2
1 1 1
2
N , u
k u k u
N
1
k u k u

4.
Funcia de
auto-
corelaie
( )
( ) ( )

+ + =
=
T
0
2 1
2 1 T , uu
dt t u t u
T
1
; r

[ ]
[ ] [ ]

=
+ + =
=
N
0 k
2 1
2 1 N , uu
k u k u
N
1
; r

( )
( ) ( )

+ + =
=
T
0
2 1
2 1 T , uv
dt t v t u
T
1
; r

[ ]
[ ] [ ]

=
+ + =
=
N
0 k
2 1
2 1 N , uv
k v k u
N
1
; r

5.
Funciile de
inter-
corelaie
( )
( ) ( )

+ + =
=
T
0
2 1
2 1 T , vu
dt t u t v
T
1
; r

[ ]
[ ] [ ]

=
+ + =
=
N
0 k
2 1
2 1 N , vu
k u k v
N
1
; r




72
Pentru cazul variabilelor aleatoare staionare, cu substituia:
3 2 1
=
+ = + = = +
1 2 1 2 1 1 1 1
t t t t t t ,

expresiile funciilor de corelaie se simplific; n acest caz expresiile depind doar de o
singur variabil timp.
n aplicaiile practice, secvenele de variabile aleatoare au dimensiunea un numr
finit. Din acest motiv, se pun urmtoarele probleme:
1. Fiind dat o secven de variabil aleatoare de lungime finit ( ) { }
N
1 n
k x cum poate fi
probat convergena secvenei date cu o variabil aleatoare ( ) { }
+

k x .
2. Cum poate fi probat dac media temporal calculat cu valorile secvenei de
variabil aleatoare ( ) { }
N
1 n
k x aproximeaz / nu aproximeaz media statistic a
procesului aleator ( ) { }
+

k x .
3. Cum poate fi probat dac funciile de corelaie calculate pe baza valorilor
secvenei de variabil aleatoare ( ) { }
N
1 n
k x aproximeaz / nu aproximeaz funciile de
corelaie ale procesului aleator ( ) { }
+

k x .
In cazul primei probleme nu exist un rspuns valabil pentru toate situaiile. Altfel
spus mediile temporale sunt/nu sunt convergente spre valorile mediilor statistice n
funcie de natura procesului aleator cruia i sunt asociate. Spre exemplu, pentru
cazul proceselor nestaionare, media statistic este o funcie de timp, de aceea, n
general mediile temporale nu sunt convergente spre valoarea mediei statistice. Sunt
i situaii n care irul avnd ca elemente mediile temporale este divergent.
n contrast, pentru cazul proceselor staionare, funciile de probabilitate fiind
independente de variabila timpul universal i media statistic este constant este de
ateptat ca mediile temporale s fie convergente spre valoarea mediei statistice.
Convergena secvenelor temporale spre o variabil aleatoare poate fi definit n mai
multe moduri, dup cum urmeaz.
Definiia 36: convergena cu probabilitate unu. O secven de variabile aleatoare
{ }
n
x converge cu probabilitate unu spre o variabil aleatoare X dac:
(i) ( ) 1 n ; x x P
n
= ;
Definiia 37: convergena n sensul mediei. O secven de variabile aleatoare
{ }
n
x converge n sensul mediei spre o variabil aleatoare X dac verific
urmtoarele condiii.
(i)
( )n x E
2
n
< |

\
|
;

(ii)
( ) <
2
x E ;

(iii)
0 x x E
2
n
n
= |

\
|


lim .




73
Observaie. Convergena n sensul mediei se noteaz simbolic dup cum urmeaz.

x x
n
n
=

l.i.m. .

In care acronimul l.i.m. semnific "limit in the mean".
Definiia 38: convergena n sensul probabilitii. O secven de variabile aleatoare
n
x converge n sensul probabilitii spre o variabil aleatoare X dac, pentru
orice numr real 0 > este satisfcut condiia care urmeaz.

( ) 0 x x P
n
n
=

lim .

Observaie. Convergena n sensul probabilitii se noteaz simbolic dup cum
urmeaz.

x x
n
n
=

plim .

Definiia 39: convergena n sensul distribuiei. O secven de variabile aleatoare
{ }
n
x converge n sensul distribuiei spre o variabil aleatoare X dac, funcia
distribuie de probabilitate a secvenei de variabile aleatoare
n
x converge spre
funcia distribuie de probabilitate a variabilei aleatoare X n orice punct de
continuitate al celei de-a dou funcii de probabilitate.
Pentru cazul proceselor staionare, problema legturii dintre mediile statistice i
mediile temporale este explicat n cadrul teoriei ergodicitii elaborat de Birkoff. n
acest cadru, se demonstreaz c (a) media temporal a oricrei funcii temporale de
variabile aleatoare asociat proceselor aleatoare staionare, are limit i c (b) media
temporal asociat unui proces aleator este o variabil aleatoare care ia valori egale
cu media statistic a procesului aleator cu probabilitate unu dac fiecare funcie de
variabile aleatoare asociat procesului aleator satisface condiia de ergodicitate.
Definiia 40: procese aleatoare ergodice. Un proces aleator staionar, ( ) k x este
ergodic n raport cu momentele de ordinul unu i doi dac:

( ) ( ) [ ] k x E k x
N
1
N
1 k
N
=

=

lim


( ) ( ) ( ) ( ) [ ] k x k x E k x k x
N
1
N
1 k
N
+ = +

=

lim

Condiia de ergodicitate este des invocat n identificarea sistemelor deoarece n
multe cazuri metodele de identificare fac apel la mediile temporale i la funciile de
corelaie calculate pe baza secvenelor de valori temporale. Aspecte importante ale
acestei probleme sunt evideniate de teoremele prezentate n continuare.
Teorema 9: Fiind dat un proces aleator staionar de tip continuu ( ) t x cu media
statistic
x
i variana
2
x
valori finite, dac funcia de autocorelaie a procesului
aleator este absolut integrabil,

( ) <

+

d r
2
x x
,




74
atunci media statistic a mediior temporale ale secvenelor temporale este egal
cu media statistic a acelui proces aleator,
( ) [ ]
x
t x E = .
Demonstraie.
1. Se consider o secven a procesului aleator ( ) t x definit pe un interval finit
[ ] T ; T t n care parametrul T este fixat i se evalueaz media temporal a
secvenei. Pentru aceasta pe baza teoremei de medie se obine expresia care
urmeaz.
( ) ( )

=
T
T
dt t x
T 2
1
t x .
Se aplic operatorul de mediere statistic i innd cont c pentru procesele
staionare, media statistic nu depinde de timp rezult expresia care urmeaz.

( ) [ ] ( ) ( ) [ ]
x
T
T
T
T
dt t x E
T 2
1
dt t x
T 2
1
E t x E
x
=

=
)
`

=

+

=
+

3 2 1
.

Semnificaia rezultatului de mai sus este c, n ansamblu, media temporal a
secvenelor finite este egal cu media statistic indiferent de lungimea secvenei.
Acest rezultat nu spune nimic despre ct de mare este abaterea medie a mediilor
temporale fa de media statistic. Dac abaterea medie este mare, este posibil ca
media calculat pe baza datelor furnizate de anumite secvene temporale s fie mult
diferite fa de media statistic iar altele s aproximeze foarte bine media statistic.
Pentru a evidenia acest aspect se evalueaz dependena de T a varianei mediei
temporale a secvenei procesului aleator.
2. Pentru a calcula variana mediei temporale a secvenei procesului aleator definit
pe intervalul specificat se procedeaz dup cum urmeaz.
Se consider o realizare, i a secvenei, se asociaz dou variabile aleatoare
1 , i
x ,
2 , i
x
obinute prin deplasri cu [ ] T ; T t
1
respectiv [ ] T ; T t
2
a valorilor secvenei
temporale.
Coeficientul de corelaie asociat celor dou variabile aleatoare se calculeaz cu
relaia:

( )
( ) ( ) [ ] ( )
2 1
2 1 2 1 x
2 1
2 2 1 1
2 1 x
t ; t r x x E
t ; t


=


= .

n relaia de mai sus se nlocuiesc mediile ( ) t x
2 1
= = , varianele
2
t , t ; x
2
2
2
1
2 1 i
= = i
( ) 1 t ; t
2 1 x
= deoarece cele dou variabile aleatoare respectiv
1
x i
2
x au aceleai
valori (ceea ce difer este ordinea lor).
Variana calculat pentru realizarea secvenei temporale este dat de urmtoarea
expresie.



75
( ) ( ) [ ]
2
t , t ; x
2 1
t , t ; x
2
t , t ; x
t x t ; t r
2 1 i 2 1 i 2 1 i
= .
Valoarea medie, calculat pentru toate valorile [ ] T ; T t
1
i [ ] T ; T t
2
i pentru
toate realizrile secvenei rezult dup cum urmeaz.

( ) ( ) [ ]


=
T
T
T
T
1
2
x 2 1 x 2 2
2
x
T
T
T
T
1 2 1 2 2
2
x
dt t ; t R dt
T 4
1
dt x x E dt
T 4
1


Figura 28. Domeniul de integrare pentru calculul varianei.
Domeniul de integrare fiind reprezentat de ptratul ( ) D din Figura 5. Cu schimbarea
de variabil
1 2
t t =

( ) ( ) ( )
=
= + =
+ = =
= =
d dt
T t T t
T t T t
r t t r t ; t r
1
2 1
2 1
x 1 2 x 2 1 x

( ) [ ]
( ) [ ]


+

=
T
T
T t
T t
2
x x 2 2
T
T
T
T
1
2
x 2 1 x 2 2
2
x
2
2
d R dt
T 4
1
dt t ; t R dt
T 4
1


n care domeniul de integrare va fi paralelogramul ( ) din Figura 5. Datorit simetriei
rezult:

( ) [ ] ( ) [ ]
( ) [ ]


+
+

=
T 2
0
T
T
2
2
x x 2
) (
2
2
x x 2
) D (
2 1
2
x 2 1 x 2
2
x
dt d R
T 4
2
dt d R
T 4
1
dt dt t ; t R
T 4
1



( ) [ ]

\
|

=
T 2
0
2
x
2
x
d R
T 2
1
T
1
.

Se va evalua cazul n care T . n acest scop se evalueaz modulul integralei
precedente dup cum urmeaz.

( ) [ ]
( ) ( )


\
|

\
|

T 2
0
2
x
T 2
0
2
x
T 2
0
2
x
d r d r
T 2
1
d r
T 2
1


Conform ipotezei, funcia de autocorelaie a procesului aleator este absolut
integrabil atunci

( ) [ ]
( ) [ ]
0
d r
d r
T 2
1
T
1
2
T , x
T
2
x
T 2
0
2
x
T
2
T , x
T
=
<
(

\
|

=

+

lim
lim lim


ceea ce demonstreaz convergena n sensul mediei a mediilor temporale.



76
Pentru cazul proceselor aleatoare de tip discret, convergena mediilor temporale este
probat de urmtoarea teorem.
Teorema 10: Fie [ ] { }
+
= k
k x un proces staionar de tip discret cu variana un numr
finit. Dac funcia de covarian ( ) 0 c
x
cnd , atunci,

( ) [ ] { } k x E k x
N
1
N
1 k
N
=

=

lim

Consecine.
1. Deoarece mediile temporale sunt convergente n sensul mediei spre media
statistic atunci mediile temporale sunt convergente i n sensul probabilitii.
2. Efectul corelaiei ntre eantioane.
Fie [ ] { }
+
= k
k x un proces aleator staionar de tip discret care verific cerinele teoremei
precedente. [ ] { }
N
1 k n
k x x
=
= , [ ] { }
M
1 k m
k x x
=
= dou secvene temporale ale procesului
aleator. Expresia varianei mediilor temporale pentru acest caz se reprezint sub
forma:

( ) [ ]

= =
=
N
1 n
M
1 m
2
x m n 2
2
N , x
x x E
N
1


Cazul 1: secvenele aleatoare sunt corelate cu coeficientul de corelaie 1 = .

( ) ( ) [ ] ( )
1
x x E x x E
2
x
2
x m n
2
x
x m x n
=


=

( )
2
x
2
x m n
x x E + =
Se nlocuiete acest ultim rezultat n relaia (**) i se obine

2
x
2
T , x
=
Prin urmare, variana mediilor temporale este numeric egal cu variana
procesului aleator care este studiat. In acest caz, repetarea experimentului de un
numr arbitrar de ori sau efectuarea experimentului o singur dat produc un estimat
al mediei valorilor temporale la fel de precis/imprecis.
Cazul 2: secvenele aleatoare sunt necorelate (coeficientul de corelaie 0 = ).

( )


= +
=
m n
m n
x x E
2
x
2
x
2
x
m n



( ) [ ]
( )
N
N N N
N
1
x x E
N
1
2
x 2
x
2 2
x
2 2
x 2
N
1 n
M
1 m
2
x m n 2
2
N , x

= + =
=

= =


Din relaia relaia precedent rezult:



77
0
N
2
x
N
2
N , x
N
=

=

lim lim
Cu alte cuvinte, variana mediilor temporale tinde spre zero atunci cnd numrul
realizrilor tinde spre infinit. In acest caz, cu ct experimentul este repetat de mai
multe ori i observaiile rezultate sunt incluse n calcul, cu att estimatul
mediilor temporale aproximeaz mai precis media statistic att n sensul mediei
ct i n sensul probabilitii.
Definiia 41: Estimator consistent. Un estimator convergent spre valoarea adevrata
se numete estimator consistent.
3. Eantionarea periodic.
In practic procesele aleatoare sunt eantionate cu perioad constant de
eantionare. In acest caz se pune urmtoarea problem: care este efectul valorii
perioadei de eantionare asupra convergenei estimatului mediei temporale.
Pentru a evidenia acest efect se consider un proces aleator staionar n sens larg
de tip discret ( ) t x definit pe intervalul nchis [ ] T ; T t + eantionat cu perioada de
eantionare N T T
e
= n care N este numrul de eantioane ale secvenei. Rezult:
( ) [ ]
( ) [ ] ( ) [ ] [ ]

= = = =
= =
= =
=
N
1 n
M
1 m
N
1 n
M
1 m
2
x e x 2
2
x e e x 2
N
1 n
M
1 m
2
x m n 2
2
N , x
T n m r
N
1
T n ; T m r
N
1
x x E
N
1
.

n suma dubl din expresia de mai sus termenii care corespund cazului n m =
reprezint momentul de ordinul doi al procesului aleator, deci
2
x
2
x x , 2
m + = ; numrul
de termeni care verific condiia enunat este N .
Deoarece funcia de autocorelaie este o funcie par, pentru cazul n m ,
( ) [ ] ( ) [ ]
e x e x
T m n r T n m r = ; numrul de termeni care verific aceast condiie este
un numr par.
Cu notaia n m k = , expresia precedent se dup cum urmeaz.

{
( ) [ ]
( ) [ ]

=
=
=
|

\
|
+

=

|

\
|
+

=
1 N
1 k
e
2
x e x
e
2
x
1 N
1 k
2
x e x
T / T N
T / T
2
x 2
N , x
T T k r
T
T k
1
T
2
N
T k r
N
k
1
N
2
N
e
e
43 42 1


Pentru T fixat, cu schimbarea de variabil =
e
T k se trece la limit pentru
0 T
e
(sau pentru N ). Expresia de mai sus se scrie sub forma urmtoare.

( ) [ ] 0 d r
N
1
T
2
N
T
0
2
x x
0
2
x
N
2
N , x
N

|

\
|

+

=

3 2 1
lim lim





78
n concluzie, variana mediei temporale nu tinde (n general) spre zero dac
numrul de eantioane achiziionate tinde spre infinit dect dac i durata T
tinde spre infinit.
n practica identificrii se utilizeaz semnale aleatoare ale cror proprieti statistice
sunt cunoscute i care pot fi generate cu mijloace tehnice adecvate.
Probleme
Problema 5: Funcia de autocorelaie a zgomotul alb cu band limitat.
Se consider un proces aleator care are funcia densitate spectral de putere
constant ntr-un interval de finit de frecvene i zero n rest.

( )
[ ] [ ]
( ) ( ) ( )



=
; ; ; 0
; ; U
j S
2 1 1 2
2 1 1 2
2
uu
U U
U
pentru
pentru
.
(53.)
Funcia de autocorelaie asociat procesului aleator se calculeaz dup cum
urmeaz.

( ) ( )

+
+




+




+

=


=
2
1
1
2
d e U
2
1
d e U
2
1
d e j S
2
1
r
j
2
j
2
j
uu uu



( )
( ) ( ) [ ]
|
|

\
|

+

|
|

\
|

=


=
(
(


=

2
cos
2
sin
U 2
sin sin
U
j
e e
j
e e
2
U
r
1 2 1 2
2
1 2
2
j j j j
2
uu
1 2 2 1


Cu notaiile
2
1 2

= i
2
1 2
0
+
= expresia de mai sus se scrie astfel
( ) ( ) ( ) ( )
( )


=
sin
cos U
2
cos sin
U 2
r
0
2
0
2
uu


( ) ( ) ( )

= c sin cos U
2
r
0
2
uu
; (sinc = sinus cardinal)
n cazul luminii albe, densitatea spectral de putere este constant pentru toate
componentele spectrului - n domeniul vizibil lungimea de und [ ][ ]
o
A 7500 ; 4000 -
de unde provinde i denumirea procesului aleator.
Problema 6: Densitatea de putere a zgomotului colorat.
Se consider un procesul aleator staionar de tip discretavnd funcia de
autocorelaie definit prin relaia:



79
( ) [ ]

+ =
a 2
uu
e 1
4
1
r , (54.)
acest proces aleator se numete zgomot colorat.
Funcia densitate spectral de putere proprie rezult conform relaiei:

( ) [ ]
( )
( )
( )

+
=


=
+
=
+


+


+ + =
+ =


0
e
j a 2
0
e
j a 2 j
j a 2
uu
d e e
4
1
d e e
4
1
d e
4
1
d e e 1
4
1
j S
j a 2
j a 2
43 42 1
48 47 6
43 42 1


n care:

( )
( ) ( )

+
=
=
; 0 0 ; 0
0
U daca
daca
; (impulsul Dirac).


( ) ( )
( )
( )
( )
( )
( )
( ) ( )
( )
(
(

+ =
(

+
+

+ =
(
(


+

+ =
+
+


2 2
0
j a 2
0
j a 2
uu
a 4
a 4
4
1
j a 2
1
j a 2
1
4
1
j a 2
e
j a 2
e
4
1
j S

(55.)
Prezena impulsului Dirac n expresia densitii spectrale de putere a zgomotului
colorat probeaz faptul c procesul aleator are o component continu (egal cu
media statistic, 4 1
u
= ).
Problema 7: funcia densitate spectral de putere a zgomotului alb pur (continuare).
Dac limitele densitii spectrale de putere ale zgomotului alb cu band limitat se
extind i 0
0
= , atunci, funcia de autocorelaie i densitatea spectral de
putere sunt date de expresiile urmtoare.

( ) ( )
( ) U j S
U
2
1
r
ee
ee
=


=


Din analiza funciei de autocorelaie rezult c media statistic a zgomotului alb pur
este 0
e
= i variana
2
2
e
U
2
1


= .
Graficul funciei de autocorelaie a zgomotului alb pur pune n eviden faptul c nu
exist dependene cauzale nici ntre oricare dou eantioane (cum se ntmpl n
cazul oricrui proces aleator) dar nici pe ansamblu, respectiv ntre oricare combinaie
de observaii / realizri ale acestui proces aleator.
Acesta este argumentul care justific denumirea procesului aleator.
Zgomotul alb pur este o idealizare a zgomotelor care se ntlnesc n realitate dar,
datorit proprietilor sale, zgomotul alb pur este mult utilizat att n calcule ct i ca
etalon al semnalelor de intrare utilizate n diferite metode de identificare a sistemelor.



80
Pentru aplicaiile practice au fost elaborai algoritmi care permit generarea cu
mijloace de calcul automat a unor secvene aleatoare care aproximeaz proprietile
statistice ale zgomotului alb pur. Semnalele astfel generate se numesc semnale
pseudo-aleatoare.
Problema 8: Semnal determinist perturbat de zgomot.
Semnalul sinusoidal ( ) ( ) + = t A t x
1
sin are faza perturbat de un proces aleator cu
repartiie uniform, caracterizat prin densitatea de probabilitate

( )
[ ]
( ) ( )

=
; ; 0
2
1
p
U - pentru
; - pentru


a. S se calculeze funcia de autocorelaie ( )
xx
r prin mediere pe ansamblu i apoi
prin mediere n timp.
b. S se deduc densitatea spectral de putere i s se calculeze puterea total a
semnalului.
Rezolvare
a. Calculul funciei de autocorelaie prin mediere pe ansamblu.

( ) ( ) ( )
( ) ( ) ( )
( ) ( )


+

+

+

+ +


+ + + =
+ + + =
= =
d
2
1
t t A
d p t t A
d p x x x x E r
1 1 1
2
1 1 1
2
t t t t xx
sin sin
sin sin .
( ) ( ) [ ] + = cos cos sin sin
2
1


( ) ( ) ( ) [ ]
( ) ( ) [ ]
( ) {
( ) ( ) [ ]}
4 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 2 1
) (
sin sin
cos
sin cos
cos cos
periodica functie 0
1 1 1 1
1
2
1 1 1
2
1 1 1
2
xx
2 t 2 2 t 2
2
2
1
2
A
2 t 2
2
1
2
A
d 2 t 2
2
1
2
A
r
=
+

+

+

+ + +


=
+ +

=
+ +

=


(i) ( ) ( ) =
1
2
xx
2
A
r cos .
Calculul funciei de autocorelaie prin mediere n timp.



81

( ) ( ) ( )
( ) ( )
( ) ( ) [ ]


+ + =
+ + +

=
+

=
T
T
1 1 1
T
2
T
T
1 1 1
2
T
T
T
T
xx
dt 2 t 2
2
1
T
1
2
A
dt t t A
T 2
1
dt t x t x
T 2
1
r
; cos cos lim
sin sin lim
lim

(ii)
( ) ( ) ( )
( ) ( )
( )
. 2 t 2
T
1
4
1
T 2
T
1
2
1
2
A
2 t 2
2
1
T
1
2
1
2
A
r
T I
T t
T t
1 1
T
1
1
T
1
2
T
T
1 1
1
T
T
1
T
2
xx
4 4 4 4 4 4 3 4 4 4 4 4 4 2 1 4 4 3 4 4 2 1
=
+ =
=

=

+


+ +

=
(
(

+ +

=
sin lim lim cos
sin cos lim

n continuare se evalueaz termenul ( ) T I care apare n expresia (ii).
Se noteaz cu
1 1
2 T = perioada principal a funciei-semnal i
[ ] T T T n T T n T
1
+ + = ; , ; N .

( ) ( ) ( ) [ ]
( )
( ) ; sin
sin lim
sin sin lim
)
`

+ + +

+ + +

=
+ + + + =


2 T T n
T
2
2
2 T T n
T
2
2
T
1
2 T 2 2 T 2
T
1
T I
1 1
1
1 1
1
T
1 1 1 1
T


( )
( )
( ) [
( )]
( )
( ) ( ) [ ]; sin sin lim
sin
sin lim
+ + + +
+
=
+ +
+ + +
+
= +


2 T 2 2 T 2
T T n
1
2 T 2 n 4
2 T 2 n 4
T T n
1
T T n I
1 1 1 1
1
n
1 1
1 1
1
n
1


( )
( )
( ) ( ) [ ] . cos sin lim 0 2 T 2
T T n
2
T T n I
1 1
1
n
1
= +
+
= +


Prin urmare,
( ) ( ) =
1
2
xx
2
A
r cos .
b. Calculul densitii spectrale de putere.

( ) ( ) ( )

+


+


= = d e
2
A
d e r S
j
1
2
j
xx x
cos ;
( )
( ) ( )
(

+ =
+
=

+

+
+


+


+
d e d e
4
A
d e
2
e e
2
A
S
1 1
1 1
j j
2
j
j j 2
x
;



82
(iii) ( ) ( ) ( ) [ ]
1 1
2
x
2
A
S + +

= .
Din relaia (iii) se obine puterea semnalului dup cum urmeaz.
(iv)
( )
2
A
2
2
A
2
1
d S
2
1
P
2 2
x
=


=

=

+

.






83
CAPITOLUL IV
MODELE ALE SISTEMELOR LINIARE
n primul capitol al lucrrii au fost prezentate conceptele de sistem i model al unui
sistem. Un aspect important care rezult din analiz este reprezentat de legtura
dintre modelul sistemului i modelele semnalelor de intrare / ieire care i sunt
asociate. Exist o clas de sisteme i anume sistemele liniare cu parametri constani,
la care reprezentrile analitice ale modelului sistemului pot fi separate net de
modelele semnalelor de intrare / ieire. Aceast proprietate permite utilizarea
principiului superpoziiei (suprapunerii efectelor) avnd drept consecin simplificarea
analizei.
Proprieti ale sistemelor liniare cu parametri constani,
invariante n timp
Definiia 42: sistem liniar. Un sistem, S se numete sistem liniar dac ndeplinete
condiiile care urmeaz.
(1) Fiind date, semnalul de intrare ( ) t u respectiv semnalul de ieire ( ) t y asociate
sistemului S . Dac la portul de intrare n sistem se aplic semnalul ( ) + t u atunci
semnalul la portul de ieire din sistem este de forma ( ) + t y , ( ) R , t , i
(2) fiind date dou perechi de semnale de intrare / ieire ( ) t u
1
, ( ) t y
1
, respectiv
( ) t u
2
, ( ) t y
2
. Dac la portul de intrare se aplic un semnal rezultat printr-o
combinaie liniar a celor dou semnale de intrare enunate:
( ) ( ) ( ) R + =
2 1 2 2 1 1
a , a ; t u a t u a t u (56.)
atunci, semnalul la portul de ieire din sistem este rezultatul aceleiai combinaii
liniare de semnale, respectiv:
( ) ( ) ( ) t y a t y a t y
2 2 1 1
+ = (57.)
Primul enun din Definiia 42 exprim proprietatea de invarian a sistemelor liniare la
alegerea originii timpului. Dac semnalul de intrare este de tip necauzal, se
consider c semnalul este aplicat n intervalul de timp ( ) + ; t . n acest caz, se
spune c sistemul liniar opereaz regim permanent.
Se spune c un sistem liniar opereaz n regim tranzitoriu urmat de regimul
permanent dac semnalul de intrare este de tip cauzal. n acest caz semnalul se
aplic la portul de intrare al sistemului n intervalul de timp [ ) + ; t t
1
care ncepe de
la un anumit moment pe axa timpului. Acest moment se numete momentul iniial al
procesului. La momentele anterioare momentului iniial se consider c valorile
semnalelor sunt egale cu zero i c sistemul se afl n starea de echilibru. Rspunsul
sistemului liniar rmne nemodificat indiferent alegerea momentului iniial, R
1
t de
la care se iniiaz procesul.




84
n contrast cu aceast proprietate, n cazul sistemelor neliniare cu histerezis
semnalul de ieire la un moment oarecare, depinde att de ansamblul valorilor
anterioare ale acestuia ct i de valoarea actual a semnalului de intrare.
Cel de-al doilea enun din Definiia 42 exprim dou aspecte: (a) invariania formei
rspunsului sistemelor liniare n raport cu amplitudinea semnalului de intrare i (b)
aplicabilitatea principiului superpoziiei (suprapunerii efectelor).
Pentru a evidenia aceast proprietate, se compar spre exemplu, sistemele liniare
cu sistemele neliniare cu saturaie la care amplitudinea semnalului de ieire depinde
de amplitudinea semnalului de intrare.
O proprietate important a sistemelor liniare este aceea c modelele semnalelor de
intrare / ieire
U Y
M , M i modelul sistemului liniar
G
M pot fi transformate prin
transformri integrale sub forma de produs:

U G Y
M M M = . (58.)
Aceast proprietate permite separarea net a modelelor.
Procesele care pot fi reprezentate prin ecuaii difereniale liniare de grad n cu
coeficieni constani de forma:

( ) ( )
( )
( )
( ) ( )
( )
( ) t u B
dt
t u d
B
dt
t u d
B
dt
t u d
B
t y A
dt
t y d
A
dt
t y d
A
dt
t y d
n 1 n 1 n
1 n
1 n
n
0
n 1 n 1 n
1 n
1 n
n
+ + + + =
+ + + +

K
K
,
n , 1 i B ; A
i i
= , R ,
(59.)
n care R R : u i R R : y sunt funcii continue i n - derivabile, se asociaz cu
sisteme liniare cu parametri constani. Justificarea acestei observaii rezult din
liniaritatea operatorului de derivare.
Soluia general a ecuaiei (59) este dat de urmtoarea expresie:

( ) ( )( ) ( ) ( ) ( ) R = =

+

, t d t u g t u g t y ,
(60.)
n care ( ) t u reprezint semnalul de intrare, ( ) t y reprezint semnalul de ieire i
( ) t g reprezint funcia pondere a sistemului liniar.
Exist sisteme liniare care se reprezint prin alte tipuri de ecuaii. De exemplu, (a)
sistemele liniare cu mai multe intrri i mai multe ieiri se reprezint prin sisteme de
ecuaii difereniale liniare de grad unu, cu coeficieni constani i (b) sistemele liniare
cu parametri distribuii se reprezint prin ecuaii cu derivate pariale liniare.
Exemplul 22: Modelul dinamic al unui filtru pasiv trece-jos.
n Figura 29 se prezint schema electric a unui filtru pasiv trece-jos. Cu ipoteza c
filtrul funcioneaz fr sarcin (curentul de ieire este egal cu zero), prin aplicarea
teoremei a doua a lui Kirchoff n lungul ochiurilor de reea ( ) I i ( ) II rezult ecuaiile
tensiunilor n valori instantanee dup cum urmeaz.



85


Figura 29. (a) Schema electric a filtrului pasiv trece-jos din Exemplul 22; (b) diagrama-bloc a
acestuia.

( ) ( ) ( )
( )
( ) ( )

=
+ =

=
t
0
t y
t
0
d i
C
1
t y
d i
C
1
t i R t u
43 42 1

( )
( ) ( )
( )
t d
t y d
C t i t i
C
1
t d
t y d
= =
(i)
( )
( ) ( ) t u t y
t d
t y d
C R = + .
Relaia (i) reprezint o ecuaie diferenial liniar, cu coeficieni constani, de ordinul
unu care se poate rescrie sub forma general:

( )
( ) ( ) t u t y
t d
t y d
T
f
= + .
(61.)
n ecuaia (61), ( ) t u reprezint semnalul de intrare - funcia cunoscut, ( ) t y reprezint
semnalul de ieire - funcia necunoscut, iar factorul
f
T C R = reprezint constanta
de timp a filtrului.
Ecuaia diferenial n discuie reprezint un model general al sistemului reprezentat
de filtrul trece-jos. Pe baza acestei observaii, rezult c filtrul trece-jos este un
sistem liniar cu parametri constani.
Tipurile de semnale care se asociaz modelelor sistemelor liniare analizate n
aceast lucrare sunt prezentate n Figurile 30 - 37.
n legtur cu aceste tipuri de semnale se amintesc urmtoarele definiii.
Definiia 43: semnal mrginit. Un semnal ( ) t u este mrginit dac exist o constant
real pozitiv astfel nct:

( ) ( ) R < t A t u .
(62.)
Definiia 44: funcie-semnal absolut integrabil. O funcie real de variabil real
care reprezint un semnal ( ) t u , este absolut integrabil, dac se verific relaia:
( ) R <

+

t ; dt t u . (63.)




86


Figura 30. Semnal sinusoidal.


Figura 31. Semnal periodic discontinuu.


Figura 32. Semnal aperiodic continuu

Figura 33. Semnal aperiodic discontinuu.


Figura 34. Semnal continuu cu energie finit.



87

Figura 35. Semnal periodic continuu cu putere finit.


Figura 36. Semnal periodic discret.

Figura 37. Proces aleator staionar.

Definiia 45: semnal cu putere finit. Un semnal ( ) t u se numete semnal cu putere
finit dac exist o constant real pozitiv, M astfel nct:

( ) ( ) R < t M t u
2
.
(64.)
Definiia 46: semnal cu energie finit. Un semnal ( ) t u este numit semnal cu energie
finit dac verific relaia care urmeaz.
( ) ( ) R <

+

t ; dt t u
2
. (65.)
Definiia 47: Semnal cauzal. Fie un semnalul reprezentat prin funcia-semnal
( ) R t ; t u . Acest semnal se numete semnal cauzal dac
( ) ( ) ( ) const. = = ; ; ; t ; t u R 0
Denumirea se justific prin faptul c aceste semnale descriu tranziii ale unui sistem
de la o stare stabil spre o stare diferit, stabil sau instabil.
Modele ale sistemelor liniare cu parametri constani i
semnale de tip continuu
n cadrul acestui paragraf se analizeaz procese formate din sisteme liniare cu
parametri constani i semnale deterministe continue. Modelul de baz al acestui tip




88
de procese este reprezentat prin ecuaia diferenial din relaia (59) cu soluia
general (60).
Sisteme liniare cu parametri constani i semnale constante
Modelul procesului este dat de ecuaia care urmeaz:
( ) ( ) ( ) + = ; t , U G t y . (66.)
n care ( ) ( ) R = t , U t u reprezint semnalul de intrare iar G este modelul sistemului
liniar.
Teorema 11: Fiind date sistemul liniar S , semnalul la portul de intrare n sistem,
( ) ( ) R = = t ., const U t u i R R : y , ( ) ( ) R t , t y funcia care descrie
semnalul la portul de ieire din sistem, atunci semnalul la portul de ieire este
constant,

( ) ( ) R = t , Y t y i
( ) R = t , U G Y .
(67.)
( ) R = t ,
U
Y
G este factorul de proporionalitate al sistemului liniar, S .
Demonstraie.
Semnalul constant aplicat la portul de intrare al sistemului se echivaleaz cu un puls
de energie finit avnd durata extins spre infinit. Se aplic transformarea Fourier
direct n expresia soluiei generale din relaia (60) i se ine cont c transformata
Fourier direct a produsului de convoluie a dou funcii este egal cu produsul
transformatelor Fourier directe ale celor dou funcii, deci:
(i) ( ) { } ( )( ) { } ( ) { } ( ) { } t u F t g F t u g F t y F = = ,
(ii)
( ) ( ) ( )
( )
{
( ) ( ) ( ) ( ) ( ) = = = =
=
=
U G U 0 j G U j G U j G Y
G
U
3 2 1

n relaia (ii) se aplic transformarea Fourier invers pentru a obine expresia
rspunsului n domeniul timpului i rezult:
(iii)
( ) ( ) { } ( ) { } ( ) { } U G F U G U G F Y F t y
1
1 1 1
= = = =
=

43 42 1
.
Prin urmare, n cazul unui proces constnd n transformarea unui semnal constant
printr-un sistem liniar, sistemul se comport ca un element proporional i modelul
sistemului se obine prin mprirea amplitudinii msurate a semnalului la portul de
ieire la amplitudinea msurat a semnalului la portul de intrare.
Se observ c expresia (iii) reprezentnd modelul procesului respect de forma
general (58).
Deoarece variabila timp nu apare n reprezentarea modelelor semnalelor rezult c
procesul analizat caracterizeaz un starea de echilibru a sistemului S . Prin urmare,
modelul sistemului reprezentat prin factorul de proporionalitate nu este un model
dinamic n sens strict.



89
Sisteme liniare cu parametri constani i semnale periodice de putere
finit, respectiv semnale aperiodice de energie finit
Semnale sinusoidale
Modelul procesului este reprezentat prin produsul de convoluie:

( ) ( )( ) ( ) ( ) ( ) R = =

+

, t , d t u g t u g t y ,
(68.)
n care semnalul de intrare - funcia cunoscut - este ( ) ( ) + = t sin U t u
1 M
.
M
U -
amplitudinea,
1
- pulsaia i - faza iniial ale semnalului sunt constante, ( ) o g este
funcia pondere a sistemului i ( ) t y este semnalul de ieire. Momentul iniial de la
care se aplic semnalul la portul de intrare este deplasat spre minus infinit.
Definiia 48: Fie un sistem liniar cu parametri constani S i un semnal de intrare
sinusoidal ( ) ( ) + = t sin U t u
1 M
avnd amplitudinea
M
U , pulsaia
1
i faza
iniial constante. Dac semnalul de intrare, ( ) t u se aplic la intrarea sistemului
S ncepnd cu momentul t i dac semnalul de ieire ( ) t y este mrginit n
orice moment R t , atunci semnalul ( ) t y se numete rspunsul sinusoidal
staionar al sistemului liniar S .
Teorema 12: Rspunsul sinusoidal staionar al sistemului S are urmtoarele
caracteristici: (1) este o funcie sinusoidal de timp, (2) are aceeai pulsaie
1
ca
i semnalul de intrare, (3) amplitudinea i defazajul rspunsului sinusoidal
staionar nu depind de variabila timp i (4) expresia rspunsului sinusoidal
staionar este urmtoarea:

( ) ( )
( ) ( ) { } ( ) ( ) R + + =
= + =
t , j G arg t sin j G U
t sin Y t y
1 1 1 M
1 M
.
(69.)
n care
M M
Y , U reprezint amplitudinile semnalelor de intrare respectiv de ieire, i
( )
1
j G este valoarea funciei de frecven pentru corespunztor pulsaiei semnalului
de intrare,
1
= .
Demonstraie.
Pentru simplificarea notaiei se va considera faza iniial a semnalului de intrare
egal cu zero.
n expresia (60) se introduce expresia analitic a funciei semnalului de intrare i se
obine:
(i)
( ) ( ) ( ) [ ]
( ) ( ) ( ) ( ) ( ) [ ]

+

+

=
=
d sin t cos cos t sin g U
d t sin U g t y
1 1 1 1
1
.
n continuare se consider expresia definit pe mulimea numerelor complexe:




90
(ii)
( )
( ) ( ) [ ] ( ) ( ) ( ) [ ]

+

+


+ =
=
d sin j cos g t sin j t cos U
d e g e U E
1 1 1 1 M
j t j
M
1 1

(iii)
( ) ( ) ( ) ( ) ( ) [ ]
( ) ( ) ( ) ( ) ( ) [ ]

+

+

+
+ =
d sin t cos cos t sin g U j
d sin t sin cos t cos g U E
1 1 1 1 M
1 1 1 1 M

Rezult c expresia (i) este numeric egal cu partea imaginar a reprezentrii
(iii), deci:
(iv)
( ) ( )
)
`

+


d e g e Im U t y
1 1
j t j
M
.
Expresia ( ) ( ) { } ( ) ( ) R = =

+


, j G t g F d e g
j
reprezint funcia de frecven a
sistemului, i.e. transformata Fourier direct a funciei pondere. Prin urmare, factorul
omolog din relaia (iv) este valoarea funciei de frecven corespunztoare pulsaiei
1
= .
(v)
( ) ( ) { } ( )
( ) { }
{ }
( )
( ) ( ) { } [ ]
{ }
( ) ( ) ( ) { } [ ]
1 1 1 M
j G arg t j
1 M
j G arg j
1
t j
M 1
t j
M
j G arg t sin j G U
e j G Im U
e j G e Im U j G e Im U t y
1 1
1 1 1
+ =
=
= =
+

.
n Figura 28 sunt reprezentate graficele semnalelor de intrare i de ieire asociate
filtrului trece-jos din Exemplul 2.
n fizic i electrotehnic, se utilizeaz reprezentarea n complex a semnalelor
sinusoidale. In aceast reprezentare, celor dou semnale sinusoidale li asociaz
fazori (numere complexe) dup cum urmeaz:

( ) ( )
( )
{ }
( )
( ) ( )
( )
{ }
( ) + +
+ +
= = + =
= = + =
t j t j
1
t j t j
1
1 1
1 1
e Y Y e Y 2 Im t sin Y 2 t y
e U U e U 2 Im t sin U 2 t u
.
(70.)
n relaia (70), fazorii asociai semnalelor sinusoidale au fost notai cu majuscule i
subliniere n concordan cu convenia pentru notaia fazorilor. Pentru cazul n care
pulsaia mrimilor sinusoidale nu se modific, n expresia precedent se omite
termenul t
1
. n acest caz se obine reprezentarea n complex simplificat a
semnalelor sinusoidale.
Cu ipoteza c valorile efective i fazele semnalelor de intrare/ieire ale sistemului
S sunt cunoscute (de exemplu prin msurtori experimentale), dup cum rezult din
relaia (70) raportul fazorilor semnalelor de ieire, respectiv de intrare este:



91

( )
( )
( )
8 7 6




+
+
=


=

= =
j
j t j
j t j
t j
t j
e
U
Y
e e U
e e Y
e U
e Y
U
Y
G
1
1
1
1
.
(71.)
G este un numr complex care are modulul i argumentul constante (independente
de variabila timp). Pe baza celei de-a doua pri din Definiia 42, raportul fazorilor nu
se modific dac la intrare se aplic o combinaie liniar de semnale cu aceeai
pulsaie i faz iniial. Rezult c numrul complex G nu depinde de amplitudinea
i faza iniial ale semnalului de intrare ci reprezint o caracteristic a sistemului S .
Prin urmare, rspunsul sinusoidal staionar al sistemului S se poate scrie n complex
simplificat dup cum urmeaz:
const. = =
1
U G Y (72.)
Mrimea fizic notat cu G are semnificaia impedanei / admitanei echivalente a
sistemului S . Relaia precedent este asemntoare cu expresia rspunsului
sistemului S atunci cnd semnalul de intrare are o valoare independent de timp, -
rspunsul staionar al sistemului reprezentat prin relaia (72) i este de forma
general (58).
Observaii.
1. Dac semnalele de intrare i de ieire ale unui sistem sunt constante, atunci
sistemul se afl n regim static. In acest regim, att semnalele de intrare /i eire ct i
energia total a sistemului sunt invariante n timp. Rezult c originea timpului poate
fi aleas arbitrar. Regimul static definete starea de echilibru ntre prile
componente ale sistemului precum i ntre sistem i mediul cu care acesta
interacioneaz. De exemplu, echilibrul forelor n static.
2. Dac semnalele de intrare i ieire variaz sinusoidal, cum s-a precizat mai sus
sistemul se afl n regim staionar. In regim staionar, semnalele de intrare / ieire
variaz periodic cu timpul dar energia total a sistemului este invariant n timp
(constant). Originea timpului poate fi aleas arbitrar iar amplitudinea i defazajele
semnalelor precum i energia total a sistemului nu depind de timp. Regimul
staionar definete starea de echilibru energetic a sistemului n raport cu mediul cu
care acesta interacioneaz, n timp ce ntre componentele sistemului au loc
schimburi de energie.

Figura 38. Graficele semnalelor de intrare i respectiv de ieire din Exemplul 2.
3. Un exemplu de sistem aflat n regim staionar este circuitul rezonant paralel LC
ideal (fr pierderi). In acest caz energia cmpului electric din condensatorul C se
transform periodic n energie a cmpului magnetic din bobina L i reciproc.
Curentul prin cele dou elemente de circuit, ( ) ( ) t sin I 2 t i
R
= variaz sinusoidal;




92
n cazul ideal, caracterizat prin absena pierderilor prin efect Joule-Lenz i prin
radiaie, curentul absorbit de la sursa de tensiune este egal cu zero deci, teoretic
circuitul nu schimb energie cu mediul exterior. Alte exemple: micile oscilalii ale
pendulului matematic sau ale resortului ideal.
4. Dac se cunosc, att expresia semnalului de intrare,
( ) ( ) R + = ; sin t U 2 t u ct i expresia funciei de frecven G atunci expresia
semnalului de ieire, ( ) t y se poate calcula astfel: (a) se calculeaz fazorul
semnalului de intrare

=
j
e U U , (b) se calculeaz fazorul semnalului de ieire Y cu
relaia i (c) se transform expresia fazorului n valori instantanee ale semnalului.

{ }
{
}
{ } ( ) +
=
=
= =

G arg j
e U
e G
e U G U G Y
j
G arg

( ) { } ( ) [ ] + + = G arg t sin G U 2 t y
1

Exemplul 23: Calculul rspunsului sinusoidal staionar al unui filtru trece-jos
(continuarea Exemplului 1).
Ecuaia diferenial se rezolv cu metoda variaiei constantelor dup cum urmeaz.
Se rezolv ecuaia omogen (o ecuaie diferenial cu variabile separabile):

( )
( ) 0 t y
t d
t y d
T
f
= + dt
T
1
y
y d
f
=

= dt
T
1
y
y d
f
.


t
T
1
2 1
f
f
e C y C t
T
1
y ln

= + = .
Soluia ecuaiei neomogene se obine cu metoda variaiei constantelor i pe baza
soluiei ecuaiei omogene dup cum urmeaz:

( ) ( )
( ) ( )
( )
t
T
1
2
f
t
T
1
2
t
T
1
2
f f f
e t C
T
1
e
dt
t C d
dt
t dy
e t C t y

= = .
n ecuaia diferenial neomogen se nlocuiete rezultatul de mai sus i expresia
semnalului de intrare ( ) ( ) t sin 2 t u
1
= . Se obine:

( )
( ) ( ) ( ) t sin U 2 e t C e t C
T
1
e
dt
t C d
T
1
t
T
1
2
t
T
1
2
f
t
T
1
2
f
f f f
= +
(
(



.
Dup reducerea termenilor asemenea, se obine pentru funcia ( ) t C
2
ecuaia
diferenial:

( )
( ) ( ) ( )
4 4 4 3 4 4 4 2 1
1
f f
I
1
t
T
1
f
2 1
t
T
1
f
2
dt t sin e
T
U 2
t C t sin e
T
U 2
dt
t C d

=
+ +
.
Integrala
1
I din expresia precedent se calculeaz cu relaiile lui Euler asftel:



93

( )
3
t j
T
1
1
f
t j
T
1
1
f
t j
T
1
t j
T
1
t j t j t
T
1
1
t
T
1
1
C e
j
T
1
1
e
j
T
1
1
j 2
1
dt e
dt e
j 2
1
dt
j 2
e e
e dt t sin e I
1
f
1
f
1
f
1
f
1 1
f f
+
(
(
(
(
(

|
|

\
|


|
|

\
|
+

=
(
(
(
(

= =

|
|
|

\
|

|
|
|

\
|
+
|
|
|

\
|

|
|
|

\
|
+ + +


;

( )
( ) ( )
( )
( ) ( ) [ ]
3
T
t
1 f 1 1
2
f
2
1
f
3
T
t
t j
f 1
t j
f 1 2
f
2
1
f
3
t j
T
1
1
f
t j
T
1
1
f
2
1 2
f
1
C e t T t
T 1
T
C e e T j 1 e T j 1
T 1
T
j 2
1
C e j
T
1
e j
T
1
T
1
1
j 2
1
I
f
f
1 1
1
f
1
f
+
+
=
+
(

+
+

=
+
(
(
(
(

|
|

\
|
+
|
|

\
|

|
|

\
|
+

|
|
|

\
|

|
|
|

\
|
+
cos sin
.
Rezult pentru constanta ( ) t C
2
expresia:

( )
( )
( ) ( ) [ ]
4
T
t
1 f 1 1 2
f
2
1
2
C e t T t
T 1
U 2
t C
f
+
+

= cos sin ,
respectiv soluia ecuaiei difereniale

( )
( )
( ) ( ) [ ]
f
T
t
4 1 f 1 1 2
f
2
1
e C t T t
T 1
U 2
t y

+
+

= cos sin .
Din expresia de mai sus se reine primul termen, respectiv soluia de regim
permanent i cu notaia = tg
f 1
T se obine rezultatul care urmeaz.

( ) ( ) ( )
(
(


+


+

= t
T 1
T
t
T 1
1
T 1
U 2
t y
1
2
f
2
1
f 1
1
2
f
2
1
2
f
2
1
P
cos sin ,
n care termenii ( ) =
+
cos
2
f
2
1
T 1
1
i ( ) =
+

sin
2
f
2
1
f 1
T 1
T
. n continuare

( ) ( )
+

= t
T 1
U 2
t y
1
2
f
2
1
P
sin .
Se compar rezultatul obinut cu expresia i se obine, pentru mrimea ( )
1
j G :




94

( ) ( ) { }
( ) { }
( ) { }
=


=
+
=
1
1
1
2
f
2
1
1
j G Re
j G Im
j G arg ;
T 1
1
j G arctg .
Rezult urmtoarea expresie a mrimii ( )
1
j G .
(i)
( ) ( )
( ) { }
f 1
j G arg j
1 1
T j 1
1
e j G j G
1
+
= =

.
Expresia (i) este valabil pentru orice valoare
+
R
1
a pulsaiei semnalului de
intrare. Prin urmare, expresia definete o funcie care asociaz sistemul S i
semnalele sinusoidale cu amplitudinea, pulsaia i faza iniial constante. Aceast
dependen se numete funcia de frecven a sistemului. In paragraful care
urmeaz, funcia de frecven se definete n contextul mai general al sistemelor
liniare i semnalelor periodice cu putere constant respectiv semnalelor impuls cu
energie constant.
Semnale periodice cu putere constant
Modelul procesului este reprezentat prin expresia:

( ) ( ) ( ) ( ) R =

+

, t , d t u g t y .
(73.)
n care funcia cunoscut este un semnal periodic cu putere constant
( ) [ ]

=
2 T
2 T
2
0
0
0
. const dt t u
T
1

Acest tip de semnale se ntlnesc frecvent n electronic, procesarea semnalelor i
telecomunicaii.
Studiul semnalelor periodice de putere constant se bazeaz pe descompunerea
semnalului periodic n combinaii liniare de funcii trigonometrice sinus i cosinus,
denumit descompunere n serie Fourier. Acest proces se numete analiza
semnalului periodic.
Descompunerea semnalului ( ) t u n serie Fourier este dat de expresia care
urmeaz.

( ) ( ) ( ) R N + + =

+
=
+
=
t n ; t sin U t cos U U t u
0 n
n dn
0 n
n qn 0
, .
(74.)
n care:
0
T este perioada principal a semnalului ( ) t u ,
0
0
T
2
= reprezint pulsaia
semnalului periodic i n
0 n
= este pulsaia armonicii de ordin n . Amplitudinea
componentei continue este:

( )

=
2 T
2 T
0
0
0
0
dt t u
T
1
U ,
(75.)
i coeficienii dezvoltrii n serie Fourier sunt:



95

( ) ( )

=
2 T
2 T
n
0
qn
0
0
dt t cos t u
T
1
U ,
(76.)

( ) ( )

=
2 T
2 T
n
0
dn
0
0
dt t sin t u
T
1
U
(77.)
Amplitudinea componentei de pulsaie N n ,
n
este dat de expresia care urmeaz.

2
dn
2
qn n
U U U + = . (78.)
Funciile-semnal n sinus i n cosinus care se obin prin descompunerea n serie
Fourier a unui semnal periodic se numesc armonice ale acestuia. Mulimea
armonicelor asociate unui semnal se alctuiete spectrul de armonice ale acelui
semnal. Studiul transformrii semnalului printr-un sistem liniar S se face pentru
fiecare armonic a semnalului aa cum s-a prezentat n paragraful precedent. Forma
semnalului de ieire se obine prin superpoziia tuturor armonicelor semnalului de
ieire. Procesul determinrii formei unui semnal periodic prin superpoziia
armonicelor sale se numete sinteza semnalului periodic.
Observaii.
1. Funciile trigonometrice sinus i cosinus sunt un caz particular de funcii
ortogonale. O alt pereche de funcii ortogonale sunt ( ) ( ) t sin e t f
t
=

i ( ) ( ) t cos e t g
t
=

.
Proprieti referitoare la funciile ortogonale sunt prezentate n lucrarea [10].
2. Expresia (4.24) se utilizeaz pentru calculul amplitudinilor armonicelor semnalelor
periodice atunci cnd se cunoate expresia analitic a acestora.
Exemplul 24: Dezvoltarea n serie Fourier a unui semnal periodic dreptunghiular.
Fie semnalul periodic reprezentat prin expresia:

( )
[ ]
( )

=
T ; 2 T t pentru 0
2 T ; 0 t pentru U
t u ,
(79.)
prelungit prin periodicitate, n care T este perioada principal a semnalului.
Coeficienii dezvoltrii funciei ( ) t u n serie Fourier sunt urmtorii.

Figura 39. Semnalul periodic din Exemplul 3. (a) reprezentarea n domeniul timpului i (b)
densitatea spectral de amplitudine




96
Pentru componenta continu:

( )
2
U
t
T
U
dt U
T
1
dt t u
T
1
U
2 T
0
2 T
0
2 T
2 T
0
= = = =
+ + +


.
Pentru armonicele n cosinus:

( )
( ) 0 n sin
T
U
t n
T
2
sin
T
U
dt t n
T
2
cos
T
U
dt t n
T
2
cos t u
T
1
U
2 T
0
2 T
0
2 T
2 T
qn
= = |

\
|


=
|

\
|


= |

\
|


=
+
+ +


.
n genere, coeficienii componentelor n cosinus ale funciilor impare sunt egali cu
zero.
Coeficienii armonicelor n sinus:

( )
( ) [ ]
( ) [ ] ( ) [ ]
n n
2 T
0
2 T
0
2 T
2 T
dn
1 1
n 2
U
1 1
n 2
U
1 n cos
n 2
U
t n
T
2
cos
n 2
T
T
U
dt t n
T
2
sin
T
U
dt t n
T
2
sin t u
T
1
U


=

=


= |

\
|


=
|

\
|


= |

\
|


=
+
+ +


.
n expresia de mai sus, coeficientul
dn
U este diferit de zero doar pentru
Z + = k 1 k 2 n ; . Rezult pentru coeficientul
dn
U expresia:

( ) 1 k 2
U
U
dn
+
= .
Dezvoltarea n serie Fourier a semnalului va fi reprezentat dup cum urmeaz.

( )
( )
R N
+
(

+ =

+
=
t n ;
1 n 2
t 1 n 2
T
2
sin
U 2
2
U
t u
0 n
, .
Amplitudinea componentelor spectrului semnalului se calculeaz cu relaiile
urmtoare:

( ) 1 n 2
1 U
U U
0 U
U U U
dn n
qn
2
dn
2
qn n
+

= =
=
+ =


( )
( )
1 k 2
1 k 2
1
T
U 2
1 n 2
T
2
1
T
U 2
U
+
+

=
+

=
Graficul densitii spectrale de amplitudine a semnalului ( ) t u cu 1 U = i ] s [ 02 . 0 T =
este prezentat n Figura 39. n genere, densitatea spectral de amplitudine pentru un
semnal periodic este o funcie discontinu, definit pe o mulime numrabil.



97
Dac spectrul semnalului este reprezentat numai prin funcii n cosinus sau numai
prin funcii n sinus, atunci semnalul poate fi reconstruit din amplitudinile spectrului.
Exemplul 25: funcia densitate spectral de amplitudine asociat semnalului de
ieire din filtrul trece-jos prezentat n Exemplul 22 atunci cnd la intrare se aplic
semnalul periodic analizat n exemplul anterior.
Expresia semnalului de intrare, se poate scrie, conform relaiei care urmeaz.

( ) ( )
( )
( )

+
=
+
=

(

=
=
0 n
0 n
n max , n
t n ; t 1 n 2
T
2
sin
1 n 2
1 U 2
t sin U t u
R N,
.
Expresia funciei de transfer a filtrului trece-jos, dedus pentru frecvena
1
,
adevrat pentru orice valoare real a frecvenei este

( )
( ) ( ) ( )
( )
( )
f
T arctg j
f
f
f
f f
f
f
e
T
T
T
j
T T
T j
T j
j G

+
=
+


+
=
+

=
+
=

2
2 2 2
1
1
1 1
1
1
1
1
1


( )
( )
( ) { } ( )
f
f
T arctg j G arg ;
T
j G =
+
=

2
1
1
.
Pentru semnalul de ieire, din relaia i prin superpoziia armonicelor, rezult
urmtoarea expresie.

( ) ( ) ( ) { } ( )
( ) [ ]
f 1 n 2 1 n 2
0 n
2
f
2
1 n 2
0 n
1 n 2 1 n 2 1 n 2 max , 1 n 2
T arctg t sin
T 1
1
1 n 2
1 U 2
j G arg t sin j G U t y

+

=
+ =
+ +
+
=
+
+
=
+ + + +

.
n care ( ) 1 n 2
T
2
0
1 n 2
+

=
+
este pulsaia armonicii ( ) t y
1 n 2 +
iar
0
T este perioada
semnalului periodic de la intrare. Din relaia de mai sus rezult c amplitudinea
armonicii de ordin ( ) N + n ; 1 n 2 este dat de expresia:

( )
2
f
2
0
2
f
2
1 n 2
max , 1 n 2
T 1 n 2
T
2
1
1
1 n 2
1 U 2
T 1
1
1 n 2
1 U 2
Y

+

+

=
+

=
+
+
.
Reprezentarea grafic a densitii spectrale de amplitudine a semnalului de ieire se
prezint n Figura 40. Din compararea expresiilor valorilor instantanee ale semnalelor
de intrare i de ieire din filtru rezult c filtrul modific att amplitudinea ct i faza
iniial a semnalului de intrare. Deci, semnalul de ieire are att armonice n sinus
ct i armonice n cosinus. Din acest motiv, pentru a reconstrui semnalul de ieire pe
baza spectrului acestuia trebuie cunoscute att densitatea spectral de amplitudine
(msurabil cu instrumente de msurare) ct i fazele iniiale ale armonicelor
(msurabil cu instrumente de msurare doar pentru semnale sinusoidale).




98

Figura 40. Semnalul de ieire din Exemplul 4. (a) reprezentarea n domeniul timpului i (b)
densitatea spectral de amplitudine.
Semnalele periodice utilizate n identificarea sistemelor sunt formate prin
superpoziia unui numr redus (de exemplu dou) armonice fie pare fie impare cu
amplitudini i frecvene cunoscute cu precizie. Procedeul const n aplicarea
semnalului periodic la portul de intrare al sistemului i analiza semnalului la portul de
ieire; n genere, spectrul de amplitudine al semnalului de ieire va fi format din
armonice impare i pare cu frecvenele armonicelor semnalului de intrare. Spectrul
de amplitudine este foarte selectiv n frecven, de aceea acest tip de semnale se
utilizeaz pentru evaluarea cu precizie a valorilor frecvenelor de rezonan ale
sistemului care se examineaz.
Semnale aperiodice de energie finit
Modelul procesului este reprezentat prin expresia:

( ) ( ) ( ) ( ) R =

+

, t , d t u g t y .
(80.)
n care funcia cunoscut, ( ) t u este un semnal aperiodic cu energie finit, cu
proprietatea ( ) [ ]

+

+ < dt t u
2
.
Pentru calculul expresiei semnalului de ieire pe baza modelului dat n expresia (25),
se aplic transformarea Fourier direct dup cum urmeaz.

( ) { } ( ) ( ) ( ) { } ( ) { } t u F t g F d t u g F t y F =
)
`

+

.
(81.)
n relaia precedent simbolul { } o F reprezint transformata Fourier direct a funciei
semnal reprezentat ntre acolade, [11], pag. 618.
Prin convenie, n scriere concentrat, transformata Fourier a unei funcii se noteaz
cu litera majuscul corespunztoare notaiei funciei original.
Pe baza definiiilor enunate i a relaiei (81), modelul procesului se reprezint dup
cum urmeaz.
( ) ( ) ( ) = U j G Y . (82.)



99
n care, ( ) ( ) Y , U reprezint funciile densitate de amplitudine ale semnalelor de
intrare respectiv de ieire i ( ) j G reprezint funcia de frecven a sistemului.
Prin aplicarea transformrii Fourier directe, modelul procesului se transform ntr-o
expresie de forma general (58) ceea ce permite separarea modelului sistemului
respectiv separarea funciei de frecven:

( )
( )
( )

=
U
Y
j G .
(83.)
Funcia de frecven a sistemului este numeric egal cu raportul dintre funciile
densitate spectral de amplitudine ale semnalului de ieire i respectiv semnalului de
intrare.
n continuare se recapituleaz urmtoarele definiii.
Definiia 49: Transformata Fourier direct a unei funcii semnal se numete funcia
densitate spectral de amplitudine a acelui semnal.
Definiia 50: Fiind dat un sistem liniar, stabil, cu parametri constani S i ( ) t g funcia
pondere a acestui sistem, transformata Fourier direct a funciei pondere se
numete funcia de frecven a acelui sistem, notat ( ) j G .
Exemplul 26: Calculul densitii spectrale de amplitudine a unui puls dreptunghiular.
Fie semnalul impuls dreptunghiular reprezentat n Figura 3.
(i)
( )
[ ]
( ) ( )

+ +
+
=
; 2 T 2 T ; - t 0
2 T ; 2 T t U
t u
0 0
0 0
U pentru
pentru
.
Funcia densitate spectral de amplitudine este transformata Fourier a funciei ( ) t u .

( ) ( )
( ) ( )
2
T
2
T
sin
T U
2
T
sin
U 2
j 2
e e
U 2
j
e e
U
e
j
U
dt e U dt e t u j U
0
0
0
0
2 T j 2 T j 2 T j 2 T j
2 T
2 T
t j
2 T
2 T
t j t j
0 0 0 0
0
0
0
0

|

\
|
= |

\
|


= = =
+ +
+


+



.
Graficul funciei densitate spectral de amplitudine a pulsului este reprezentat n
Figura 6. Spre deosebire de cazul semnalelor periodice de putere constant la care
funcia densitate spectral de amplitudine este o funcie discontinu definit pe o
mulime numrabil, n cazul semnalelor puls de energie finit, funcia densitate
spectral de amplitudine este o funcie continu definit mulimea numerelor reale.
Cu alte cuvinte, pulsurile de energie finit se compun dintr-o infinitate de armonice a
cror pulsaii aparin intregii axe reale. Doar valorile pozitive ale pulsaiei au
semnificaie fizic pot fi msurate experimental.




100

Figura 41. Semnal puls. (a) reprezentarea n domeniul timpului i (b) densitatea spectral de
amplitudine.
Exemplul 27: Pe baza rezultatelor obinute anterior, se poate calcula funcia
densitate spectral de amplitudine a semnalului impuls definit dup cum
urmeaz.

( )
[ ]
( ) ( )

+ +
+
=
; 2 T 2 T ; - t 0
2 T ; 2 T t
T
U
lim
t u
0 0
0 0
0
T
0
U pentru
pentru
.
(84.)
Densitatea spectral de amplitudine se obine din relaia care urmeaz.
( ) ( ) R =

|

\
|
=

, U
2
T
2
T
sin
lim U j U
0
0
0 T
0
. (85.)
Amplitudinea semnalului impuls definit prin relaia (85) tinde spre infinit n timp ce
durata impulsului tinde spre zero; densitatea spectral de amplitudine a acestuia este
o valoare constant.
Relaia precedent probeaz faptul c densitatea spectral de amplitudine a
impulsului cu amplitudine infinit i durata zero nu depinde de pulsaie. Altfel spus,
semnalul se compune dintr-o infinitate de armonici cu amplitudini egale.
Definiia 51: Semnalul definit prin expresia:

( )
[ ]
( ) ( )

+ +
+
=
; 2 T 2 T ; - t 0
2 T ; 2 T t
T
1
lim
t
0 0
0 0
0
T
0
U pentru
pentru
.
(86.)
se numete impuls Dirac.
Dac ( ) t este impulsul Dirac, atunci, transformata Fourier a impulsului Dirac este
dat de relaia:

( ) { } ( ) 1 dt e t t F
t j
= =

+



.
(87.)



101
Valoarea impulsului Dirac n origine se poate reprezenta prin integrala improprie de
spea nti:

{ } ( ) 0 d e 1
2
1
1 F
t j 1 -
=

=

+

+

.
(88.)
Impulsul Dirac nu este o funcie deoarece aplicaia pe care acesta o definete nu
este bijectiv. Totui, deoarece densitatea spectral de amplitudine a impulsului
Dirac este o funcie respectiv o funcie constant, se poate afirma c impulsul Dirac
generalizeaz noiunea de funcie. Acest impuls este un caz particular de funcie
generalizat sau o funcional. Funcionalele se studiaz n cadrul teoriei
distribuiilor. Pentru detalii privind teoria distribuiilor se recomand lucrarea [10].
Funcia de frecven a unui sistem liniar este o funcie complex de variabil
complex. Totui, deoarece variabila complex are ntotdeauna partea real egal
cu zero funcia de frecven poate fi reprezentat n plan astfel:
Diagramele Bode: reprezint dependenele ( )
dB
j G i ( ) { } j G arg n grade
sexagesimale n funcie de pulsaie; axa absciselor este gradat n scar logaritmic.
Diagrama polar (diagrama Nyquist) este o reprezentare n planul complex a valorilor
funciei ( ) j G n coordonate polare; diagrama este gradat dup valorile pulsaiei.

Figura 42. Continuarea Exemplului 1; rspunsul filtrului trece-jos (2), la semnal de intrare puls cu
energie finit, (1).
Funcia de frecven se utilizeaz pentru rezolvarea urmtoarelor tipuri de probleme:
- Probleme de analiz a sistemelor: fiind dat densitatea spectral de amplitudine i
funcia de frecven a sistemului s se calculeze densitatea spectral de putere a
semnalului de ieire.
- Probleme de sintez a regulatoarelor: fiind cunoscute funcia de frecven a prii
fixate a unei instalaii, semnalul de comand i rspunsul dorit al sistemului optimizat
s se proiecteze un regulator care s optimizeze procesul.
- Probleme de identificare a sistemelor: fiind date densitile spectrale ale semnalelor
de intrare respectiv de ieire din sistem s se determine un estimat al funciei de
frecven a sistemului. Alternativele de rezolvare a aceastei probleme se prezint n
Capitolul 5.
Pentru determinarea expresiei funciei de frecven pe baza modelului procesului
definit prin relaia (83) trebuie cunoscute a priori expresiile analitice ale funciilor




102
densitate spectral de amplitudine asociate semnalelor de intrare / ieire. Dac, de
exemplu, semnalul de intrare ar fi un impuls Dirac - a crui densitate spectral de
amplitudine este unitar - atunci densitatea spectral de amplitudine a semnalului de
ieire ar fi chiar funcia de frecven a sistemului.
Totui, determinarea experimental a funciei de frecven pe baza acestui principiu
nu se utilizeaz din urmtoarele motive (a) impulsul Dirac excit sistemul doar la
momentul iniial, 0 t = n timp ce semnalul de la ieire trebuie msurat i nregistrat n
intervalul [ ) + ; 0 t n acest interval zgomotul propriu al sistemului i zgomotele pe
liniile de msurare sunt mereu active ceea ce face ca influena zgomotului asupra
rezultatului s fie foarte mare i (b) puterea necesar producerii impulsului Dirac
tinde spre infinit; n practic se utilizeaz pulsuri cu amplitudine foarte mare i durata
foarte mic care aproximeaz impusul Dirac, dar este posibil ca un astfel de semnal
de intrare s afecteze buna funcionare a sistemului examinat.
Metodele utilizate n practic pentru determinarea funciei de frecven a sistemului
se bazeaz pe analiza rspunsului sinusoidal staionar al sistemului. Aceste metode
sunt prezentate n Capitolul 5 al lucrrii. Se obin perechi de valori ( ) ( ) j G ; care
pot fi reprezentate grafic, de exemplu sub forma diagramelor Bode. In continuare,
sarcina experimentatorului este de a identifica tipul sistemului prin compararea
diagramelor Bode obinute experimental cu diagramele Bode ale factorilor
fundamentali de sistem. Rezultatul acestui proces este reprezentat de forma analitic
a funciei de frecven estimat a sistemului. In final, valorile parametrilor funciei de
frecven estimate se obin din graficul diagramelor Bode obinute experimental pe
baza proprietilor funciei de frecven estimate.
Funciile de frecven asociate acestori factori precum i proprieti ale acestora,
care permit determinarea parametrilor modelului sunt prezentate n Tabelul care
urmeaz.
Tabelul 16. Funciile de frecven ale unor factori fundamentali de sistem
Denumire
Ecuaia diferenial a
procesului
Funcia de frecven
Elementul proporional ( ) ( ) t u k t y
a
=

( )
a
k j G =

Elementul derivator ( )
( )
dt
t u d
T t y
d
=

( ) =
d
T j j G

Elementul integrator
( )
( ) t u
dt
t y d
T
i
=

( )

=
i
T j
1
j G

Elementul proporional
cu ntrziere de ordinul
unu
( )
( ) ( ) t u k t y
dt
t y d
T
a f
= +

( )
+
=
f
a
T j 1
k
j G

Elementul proporional
cu ntrziere de ordinul
doi
( ) ( )
( ) ( ) t u k t y
t d
t y d
2
t d
t y d
2
n a
2
n
2
2
= +
+ +

( )

=
2 j 1
k
j G
2
n
2
a

4.1.3 Sisteme liniare cu parametri constani i semnale cauzale de tip
continuu
Modelul procesului este reprezentat prin produsul de convoluie, [11], pag. 240:



103

( ) ( ) ( ) ( ) R =

+
, t , d t u g t y
0
.
(89.)
n care, semnalul de intrare este un semnal cauzal reprezentat prin funcia-semnal
O u , : u R R care ndeplinete urmtoarele condiii.
1. ( ) ( ) ( ) 0 ; t 0 t u = ;
2. este derivabil pe poriuni;
3. ( ) 0 s , 0 M
0
> astfel nct ( ) ( ) [ ) +

; 0 t e M t u
t s
0
;
In genere, funciile care ndeplinesc condiiile enunate se numesc funcii original.
Mulimea O se numete mulimea funciilor original, [11], pag 625.
Deoarece funcia-semnal de intrare este discontinu n puncte ale domeniului de
definiie, aceasta nu este derivabil n aceste puncte. Prin urmare, ecuaia
diferenial (59) nu poate fi rezolvat n cadrul analizei matematice clasice;
rezolvarea problemei enunate se face n cadrul mai general al teoriei distribuiilor.
In legtur cu funciile original se definete transformarea Laplace, ale crei definiie
i proprieti sunt prezentate n [9].
Dac se aplic transformarea Laplace n relaia (60), innd cont de proprietile
acesteia - respectiv teorema lui Borel, rezult:

( ) { } ( ) ( ) ( ) { } ( ) { } t u F t g d t u g t y
0
=
)
`

+
L L L .
(90.)
Prin convenie, n scriere concentrat, transformata Laplace a unei funcii se noteaz
cu litera majuscul corespunztoare notaiei funciei original.
Din relaia (90) rezult c modelul procesului se reprezint dup cum urmeaz.
( ) ( ) ( ) s U s G s Y = . (91.)
n care, ( ) ( ) s Y , s U reprezint imaginile/transformatele Laplace ale semnalelor de
intrare respectiv de ieire i ( ) s G reprezint funcia de transfer a sistemului.
Forma modelului procesului rezultat prin aplicarea transformrii Laplace respect
forma general din relaia (58) ceea ce permite separarea modelului sistemului:

( )
( )
( ) s U
s Y
s G = .
(92.)
Procesele n care intervin semnale cauzale definesc tranziii ale sistemelor de la o
stare stabil spre o alt stare. n acest caz, energia sau puterea semnalelor depind
de variabila timpul absolut. Datorit acestui fapt, alegerea originii timpului nu este
arbitrar; aceasta trebuie s coincid cu momentul iniial al tranziiei. Evenimentele
dinaintea momentului iniial al tranziiei sunt indiferente. Efectul acestora se
regsete n condiiile iniiale n care are loc tranziia.
Regimul de operare al unui sistem n care att variabilele ct i energia sau puterea
acestuia depind de variabila timpul absolut se numete regim dinamic.




104
Definiia 52: Sistem cauzal. Un sistem liniar, S este cauzal dac valoarea
semnalului de ieire la un moment oarecare de timp depinde numai de valorile
anterioare ale semnalului de intrare n caz contrar, sistemul se numete
anticauzal.
Definiia 53: Sistem realizabil. Fie un sistem liniar S i un semnal cauzal aplicat la
intrarea acestui sistem. Sistemul S se numete sistem realizabil dac semnalul
de ieire este cauzal.
( ) ( ) 0 t ; 0 t g < = (93.)
Variaia n timp a rspunsului sistemelor n regim dinamic evideniaz o proprietate
important a acestora i anume stabilitatea sistemelor.
Stabilitatea sistemelor liniare se definete raportat la diverse criterii de stabilitate. Un
criteriu de stabilitate este stabilitatea BIBO Bounded-Input Bounded-Output (eng.)
dat n urmtoarea definiie.
Definiia 54: Un sistem liniar S este BIBO-stabil dac semnalul de intrare este
mrginit atunci i semnalul de ieire este mrginit. Respectiv:

( ) ( ) ( ) ( ) ( ) R + + < + <
1 1 2 1
A A 0 t A t y A t u ; ; ; .
(94.)
O proprietate a sistemelor liniare cu parametri constani este prezentat n
continuare.
Teorema 13: Fie un sistem liniar cu parametri constani
S
M i fie ( ) o g funcia pondere
a acestui sistem. Dac funcia pondere a sistemului este absolut integrabil,

( ) + <

+

dt t g .
(95.)
atunci, semnalul la portul de ieire al sistemului este mrginit i sistemul este stabil
[12], pag.176.
Demonstraie
Din relaia (1.43) rezult:
(i)
( ) ( ) ( ) ( ) ( ) ( ) R =

+

+

, t , d t u g d t u g t y .
Dac semnalul de intrare este mrginit atunci exist o constant pozitiv, M astfel
nct:
(ii)
( ) ( ) R t , M t u .
Din relaiile (i) i (ii) rezult c:
(iii)
( ) ( ) ( ) ( ) ( ) R

+

+

, t , d g M d t u g t y .
Deci:



105

( ) + <

+

dt t g ( ) ( ) ( ) R + <

+

, t , d g M t y .
Problema estimrii stabilitii sistemelor pe baza modelelor sistemelor i a criteriilor
de stabilitate este abordat n detaliu n cadrul Teoriei sistemelor. In Identificarea
sistemelor pornete de la ipoteza c sistemul ai crui parametri se determin este
stabil.
Metoda de identificare a sistemelor, care utilizeaz ca semnal de intrare semnale
cauzale este metoda analizei rspunsului tranzitoriu. Semnalul de intrare utilizat
poate fi (a) impulsul Dirac - aproximat prin pulsuri de energie finit sau (b) semnalul
treapt unitar.
n cazul n care se utilizeaz ca semnal de intrare impulsul Dirac metoda are la baz
proprietatea c imaginea Laplace a impulsului Dirac este egal cu unitatea,
( ) ( ) { } 1 t L s U = = i deci imaginea Laplace a rspunsului sistemului este egal cu
funcia de transfer a sistemului, ( ) ( ) { } ( ) s U t g L s Y = = .
n cazul n care se utilizeaz semnalul treapt unitar ca semnal de test, metoda se
bazeaz pe proprietatea c derivata rspunsului indicial este egal cu funcia
pondere a sistemului.
n aplicaiile practice se utilizeaz pulsuri cu durata foarte mic i amplitudine foarte
mare care aproximeaz impulsul Dirac. Pulsurile se aplic n mod repetat la portul de
intrare al sistemului pentru a asigura condiia de excitare permanent a sistemului. In
aplicaiile n care se utilizeaz semnale treapt, experimentul se repet de un numr
de ori i apoi se calculeaz funcia rspunsul indicial mediu ceea ce permite
reducerea efectului zgomotelor.
n ambele variante parametrii funciei de transfer se determin pe graficul
rspunsului tranzitoriu al sistemului determinat experimental, prin metode grafo-
analitice. n prealabil, sistemul trebuie ncadrat ntr-una din clasele de factori
fundamentali de sistem pe baza aspectului graficului rspunsului tranzitoriu
determinat experimental.
Diferite proceduri de calcul ale parametrilor funciei de transfer sunt prezentate n
Capitolul 5 al lucrrii.
Tabelul 17. Funciile pondere i funciile indiciale ale elementelor fundamentale de sistem.
Denumire Funcia pondere Funcia indicial

Elementul proporional

( ) ( ) t k t g
a
=

( ) ( ) t k t g
a 1
=


Elementul derivator


nu exist ( ) ( ) t T t g
d 1
=


Elementul integrator


( ) ( ) t
T
1
t g
i
=

( ) 0 t t k t g
a 1
= ;

Elementul proporional cu
ntrziere de ordinul unu
( ) 0 t e
T
k
t g
f
T
t
f
a
=

;

( ) 0 t e 1 k t g
f
T
t
a 1

|
|

\
|
=

;





106
Elementul proporional cu
ntrziere de ordinul doi
( )
( ) [ ]
0 t
t 1
e
1
k t g
2
n
t
2
n
a
n

=

; sin

( ) [
( ) [ ]
0 t
1
t 1
1
e
1 k t g
2
2
n
2
t
a
n


=
+


=

; arctg
; sin

Tabelul 18. Funciile de transfer ale elementelor fundamentale de sistem.
Denumire Funcia de transfer
Elementul proporional ( )
a
k s G =

Elementul derivator ( ) C + = = j s s T s G
d
;

Elementul integrator
( ) ;
s T
1
s G
i

=

Elementul proporional cu ntrziere
de ordinul unu
( )
1 s T
k
s G
f
a
+
=

Elementul proporional cu ntrziere
de ordinul doi
( )
2
n n
2
2
n a
s 2 s
k
s G
+ +

=


Exemplul 28: Funcia de transfer a filtrului trece-jos.
n relaia (1.6) se aplic transformarea Laplace.

( )
( ) ( ) { }
( )
( ) { } ( ) { } t u t y
t d
t y d
T t u t y
t d
t y d
T
f f
L LL L L LL L L LL L L LL L L LL L = +
)
`

=
)
`

+ ;

( ) ( ) ( ) ( ) ( ) ( ) s U s Y 1 s T ; s U s Y s Y s T
f f
= + = +

( )
( )
( ) 1 s T
1
s U
s Y
s G
f
+
= = .
Exemplul 29: Calculul rspunsului filtrului trece-jos la semnal de intrare treapt
unitar.
Transformata Laplace a semnalului treapt unitar este ( ) { }
s
1
t = L LL L . Din relaia
(1.51) rezult pentru transformata Laplace a semnalului de ieire expresia
urmtoare.

( ) ( ) ( )
s
1
1 s T
1
s U s G s Y
f

+
= = .
Expresia semnalului de ieire, ( ) t y se calculeaz cu formula de inversiune.

( ) ( ) ( )


+
+

+


=

= ds e s Y
i 2
1
ds e s Y
i 2
1
t y
t s
j
j
t s
.



107
n care curba nchis ( ) este un semicerc n planul complex cu raza R i
diametru dreapta = s care conine polii funciei ( ) s Y . n relaia de mai sus se aplic
teorema reziduurilor i se obine.

( ) ( )

=
+
=
+
|
|

\
|
+

= =
2
1 i
f
t s
f
i
2
1 i
t s
i
T
1
s s
e T 1
s Re e s Y s Re t y .
Funcia ( )
t s
e s Y

are doi poli simpli, respectiv 0 s
1
= i
f
2
T
1
s = i deci reziduurile
funciei se pot calcula cu formula
( )
( )
( )
( ) a A
a B
s A
s B
s Re
'
a s
=
=
:

( )
t
T
1
T
1
s
f
t s
f
0 s
f
t s
f f
f
e 1
T
1
s 2
e T 1
T
1
s 2
e T 1
t y

=
+
=
+
=
+

+
+

= .
Din relaia obinut rezult c ( ) 1 e 1 t y
t
T
1
t t
f
=
|
|
|

\
|
=


lim lim deci filtrul trece-jos este un
sistem stabil.
Sisteme liniare cu parametri constani i semnale aleatoare
staionare sau cvasistaionare de tip continuu
Semnalele aleatoare nu pot fi reprezentate analitic i prin urmare ecuaia diferenial
n care semnalul de intrare, ( ) t u este un proces aleator de tip continuu nu poate fi
rezolvat. Totui, funciile de corelaie asociate acestor semnale sunt funcii analitice
care depind de o singur variabil de timp. Acest aspect permite evaluarea
procesului transformrii unui semnal aleator aplicat la portul de intrare al unui sistem
liniar pe ansamblul valorilor eantioanelor semnalelor aleatoare de intrare / ieire.
Modelul procesului se reprezint prin integrala dubl:

( ) ( ) ( ) ( )
( )
( ) ( ) R R R = + =

D ; , d d r g g r
D
uu yy

(96.)
n care, ( ) o
uu
r este funcia de autocorelaie a semnalului aleator la portul de intrare al
sistemului, ( ) o
yy
r este funcia de autocorelaie a procesului aleator la portul de ieire i
( ) o g este funcia pondere a sistemului.
Funcia de autocorelaie a procesului aleator staionar, ( ) u se calculeaz prin
mediere statistic cu expresia:




108

( ) ( ) { }
( )
( )
( ) ( ) R R R = =
= = =

D ; t , t du du u ; u p u u
u ; u E t ; t r r
2 1
D
2 1 2 1 2 1
2 1 2 1 uu uu

(97.)
n care ( ) 2 , 1 k ; t u u
k k
= = sunt valori ale eantioanelor procesului aleator prelevate la
momentele 2 , 1 k ; t
k
= . ( )
2 1
u ; u p reprezint funcia densitate de probabilitate
condiionat a variabilelor aleatoare asociate eantioanelor semnalului aleator i
1 2
t t = este diferen de timp la care se face prelevarea eantioanelor.
Funcia de autocorelaie a semnalului de ieire se reprezint printr-o relaie
asemntoare cu relaia (97) dup cum urmeaz.

( ) ( ) { }
2 1 2 1 yy yy
y ; y E t ; t r r = =
(98.)
Deoarece sistemul este stabil i procesul aleator la intrare este staionar atunci
rspunsul sistemului la un moment oarecare 2 , 1 k ; t
k
= poate fi reprezentat printr-un
produs de convoluie de forma (60), [12], pag.181,expresia 9-30. Prin urmare, funcia
de autocorelaie a semnalului de ieire se poate scrie astfel:
(ii)
( ) ( ) ( ) ( )
( )

)

= =

D
t t
2 1 yy yy
d d u ; u g g E t ; t r r
2 1


Se schimb ordinea de mediere cu ordinea de integrare i se obine:
(iii)
( ) ( ) ( ) ( ) { }
( )
( )

= =
=

D
t ; t r
t t
2 1 yy yy
d d u ; u E g g t ; t r r
2 1 yy
2 1
4 43 4 42 1


Se ine cont c
1 2
t t = i relaia (iii) se rescrie dup cum urmeaz.
(iv)
( ) ( ) ( ) ( )
( )
( ) R R = + =

D , d d r g g r
D
uu yy


ceea ce justific modelul prezentat n relaia (96).
Pe baza relaiei de mai sus rezult c dac sistemul liniar este stabil i dac
semnalul la portul de intrare al acestuia este un proces aleator staionar atunci i
semnalul la portul de ieire al sistemului este un proces aleator staionar.
Funciile de autocorelaie ale semnalelor aleatoare staionare sunt funcii
deterministe de o singur variabil timp ceea ce permite reprezentarea analitic a
procesului chiar dac semnalele la porturile sistemului sunt semnale aleatoare.
Dac funciile de autocorelaie ale semnalelor aleatoare de intrare / ieire au
transformat Fourier, fie aceste transformate:

( ) ( ) ( ) { } ( )
( ) ( ) ( ) { } ( )

+


+


= = =
= = =
d e r r F R S
d e r r F R S
j
yy yy yy y
j
uu uu uu u

(99.)



109
Funciile ( )
u
S i ( )
y
S se numesc funciile densitate spectral de putere ale
proceselor aleatore la porturile de intrare / ieire.
Se aplic transformarea Fourier i se obine dup cum urmeaz.
(i)
( ) { } ( ) ( ) ( )
( )

)

+ =

D
uu yy
d d r g g F r F

(ii)
( ) ( ) { } ( ) ( ) ( )
( )

+



(
(

+ = = d e d d r g g r F S
j
D
uu yy y


n relaia precedent se noteaz + = + = i se obine:
(iii)

( ) ( ) ( ) ( )
( )
( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) = =
=
=
(
(

+

+


+

+
+

+


u
2
u
j
uu
j j
j
D
uu y
S j G S j G j G
d e r d e g d e g
d e d d r g g S


Prin urmare, modelul procesului se reprezint sub forma:

( ) ( ) ( ) ( )
( ) ( ) =
= =

u
2
u y
S j G
S j G j G S

(100.)
n care, ( )
u
S i ( )
y
S sunt funciile densitate spectral de putere a proceselor
aleatoare la porturile de intrare respectiv de ieire i ( ) j G este modulul funciei de
frecven ale sistemului [12], pag.183.
Reprezentarea a modelului procesului respect forma general i permite separarea
net a modelului sistemului i respectiv modelelor semnalelor.
( )
( )
( )

=
u
y 2
S
S
j G (101.)
Pentru identificarea sistemelor sunt de interes semnale a cror densitate spectral
de putere este constant pe tot spectrul. Din acest punct de vedere, ideal este
zgomotul alb pur. n acest caz, densitatea spectral de putere a procesului aleator de
ieire este egal cu ptratul funciei de frecven a sistemului.
Deoarece acest tip de semnal nu poate fi generat, n aplicaii se utilizeaz zgomotul
alb cu band limitat astfel ales nct s aproximeze zgomotul alb pur n banda de
frecvene de interes pentru experiment.
Metoda de identificare a sistemelor care are la baz funciile densitate spectral de
putere se numete metoda analizei spectrale. Aceast metod se coroboreaz cu
metoda analizei de corelaie. Cele dou metode de identificare a sistemelor sunt
prezentate n Capitolul 5.
Dac se cunosc funciile densitate spectral de putere ale proceselor aleatoare de
intrare / ieire se poate calcula expresia modulului funciei de frecven a sistemului;
lipsete informaia despre expresia argumentului funciei de frecven. Prin urmare




110
modelul care se obine prin aplicarea metodelor de identificare de identificare bazate
pe analiza spectrelor de putere ale proceselor aleatoare de intrare / ieire
corespunde la dou sau mai multe sisteme i.e. nu este unic determinat. Acest aspect
este evideniat n exemplul care urmeaz.
Exemplul 30: Comparaie ntre dou filtre electrice pasive trece-jos.
n Figura 43 sunt reprezentate dou circuite electrice pasive (nu conin surse de
tensiune electromotoare). Semnalele la porturile de intrare / ieire ale celor dou filtre
( ) t u i respectiv ( ) t y .

Figura 43. Circuite electrice pasive; funciile de frecven asociate celor dou sisteme au acelai
modul.
Modelele celor dou procese se obin prin aplicarea teoremei a doua a lui Kirchoff n
lungul ochiului de reea reprezentat n figur. Calculele sunt rezumate n tabelul care
urmeaz.

Circuitul (A) Circuitul (B)
(i) Modelul procesului:

( ) ( ) ( )
( ) ( ) ( )
( )
dt
t y d
C t i d i
C
1
t y
t u d i
C
1
t i R
t
t
= =
= +





( )
( ) ( )
( ) ( ) ( ) ( ) t y
R
1
t i t i R t y
t u t i R
dt
t i d
L
= =
= +


( )
( ) ( ) t u t y
dt
t y d
C R = +
( )
( ) ( ) t u t y
dt
t y d
R
L
= +
(ii) Funcia de frecven:

( )
( ) ( ) { }
( ) ( ) ( ) = +
=
)
`

+
U Y Y j C R
t u F t y
dt
t y d
C R F

( )
( ) ( ) { }
( ) ( ) ( ) = +
=
)
`

+
U Y Y j
R
L
t u F t y
dt
t y d
R
L
F


( ) ( ) ( )
( )
( )
( ) +
=

=
= +
C R j 1
1
U
Y
j G
U Y 1 j C R
C

( ) ( )
( )
( )
( )
+
=

=
=
|

\
|
+
R
L
j 1
1
U
Y
G
U Y 1 j
R
L
L


Dac
f
T
R
L
C R = = ( ) ( ) ( )
+
= = =
f
L C
T j 1
1
j G j G j G



111

( )
2 2
f
2
f
2
T 1
1
T j 1
1
j G
+
=
+
=
(iii) Funcia densitate spectral de putere:

( ) ( ) ( ) ( )
+
= =
u 2 2
f
u
2
y
S
T 1
1
S j G S
Rezultatele fiind adevrate i pentru cazul n care semnalele la porturile sistemelor
sunt procese aleatoare staionare, rezult c funciile densitate spectral de putere
ale proceselor aleatoare la porturile de ieire sunt aceleai pentru ambele sisteme
dac la porturile de intrare se aplic semnale care au aceeai densitate spectral de
putere.
n relaia precedent n care intervin funcii densitate spectral de putere ale unor
procese aleatoare:

( ) ( ) ( ) ( ) ( ) ( )
( )
4 4 3 4 4 2 1
=

= =
uy
S
u u
2
y
S j G j G S j G S
(102.)
Factorul subliniat are forma relaiei generale n care intervin funcii densitate
spectral de amplitudine ale unor semnale deterministe de putere / energie
constante. Factorii care apar, respectiv funcia de frecven a sistemului i funcia
densitate spectral de putere a procesului aleator la portul de intrare sunt funcii
analitice, prin urmare se poate formula definiia care urmeaz.
Definiia 55: funcia densitate spectral de putere mutual ntre dou procese
aleatoare. Se numete funcie densitate spectral de putere mutual ntre dou
procese aleatoare staionare, ( ) { } t u i ( ) { } t y la porturile de intrare / ieire ale unui
sistem liniar cu parametri constani, stabil definit prin funcia de frecven ( ) j G
funcia:

( ) ( ) ( ) =
u uy
S j G S
(103.)
n care ( )
u
S este funcia densitate spectral de putere a procesului aleator ( ) { } t u .
Dac funcia densitate spectral de putere are transformat Fourier invers,
respectiv dac integrala:

( ) ( ) { } ( )
( ) ( )


+

+
+

+


=
=

= =
d e S j G
2
1
d e S
2
1
S F r
j
u
j
uy yu
1
uy

(104.)
este convergent, atunci funcia ( )
uy
r exist i se numete funcie de intercorelaie
ntre procesele aleatoare ( ) { } t y i ( ) { } t u .
Pe baza proprietilor transformrii Fourier directe, funcia de intercorelaie ntre
procesele aleatoare de intrare / ieire se poate exprima prin produsul de convoluie
dintre funcia pondere a sistemului i funcia de autocorelaie a procesului aleator de
intrare, respectiv:




112

( ) ( )( ) ( ) ( )

= =
0
uu uu uy
d r g r g r
(105.)
Dac procesul aleator la portul de intrare al sistemului este un zgomot alb pur,
( ) { } ( ) { } t e t u = atunci funcia de autocorelaie are aspectul unui impuls Dirac,
( ) ( ) =
ee
r . Rezult, c valorile funciei de intercorelaie n orice punct pe axa real
sunt egale cu valorile funciei pondere a sistemului, ( ) ( ) ( ) R = , g r
ey
.
Aceast proprietate se afl la baza metodei de identificare a sistemelor numit
metoda analizei de corelaie, prezentat n Capitolul 5.
Funciile de intercorelaie i respectiv densitate spectral de putere mutual permit
evaluarea urmtoarei probleme: fiind date dou procese aleatoare ( ) { } t x i ( ) { } t y ; n
ce msur aceste procese reprezint o pereche de procese aleatoare intrare / ieire
dintr-un sistem.
Se definesc funciile de coeren n domeniul timpului,

( )
( )
( ) ( )

=
yy uu
uy
r r
r

(106.)
i respectiv n domeniul frecvenelor,

( )
( )
( ) ( )

=
y u
uy
S S
S

(107.)
Dac valorile funciilor sunt egale cu unitatea pentru toate valorile variabilei atunci
cele dou procese aleatoare reprezint o pereche de procese aleatoare intrare /
ieire aparinnd unui proces cu probabilitate unu.
Exemplul 31: Efectul zgomotului necorelat cu semnalul de intrare asupra valorilor
funciei de coeren [LTH, Final Exam, March 10, 2010, problema 4 pct.b].
Se propune spre identificare un sistem prin observarea semnalelor de intrare / ieire
( ) t u respectiv ( ) t y . Valorile rezultate din msurtori sunt afectate de zgomotul aditiv
( ) t n i deci relaia ntre funciile densitate spectral de putere este:
(i)
( ) ( ) ( ) ( ) + =
n u
2
y
S S j G S
n care ( ) j G este funcia de transfer a sistemului (funcia necunoscut),
( ) ( ) ( )
n u y
S , S , S sunt funciile densitate spectral de putere ale semnalelor la
porturile sistemului (funcii cunoscute pe baza observaiilor).
n expresia funciei de coeren:
(ii)
( )
( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )

=


=

=
y u
2
u
2
y u
2
u
y u
2
uy
2
S S
S j G
S S
S j G
S S
S

se nlocuiete expresia funciei densitate spectral de putere a procesului aleator de
ieire i rezult:



113
(iii) ( )
( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( ) ( ) ( ) [ ] +

=


=

=
n u
2
u
2
u
2
y u
2
u
y u
2
uy
2
S S j G S
S j G
S S
S j G
S S
S
.
n relaia precedent ( ) ( ) =
2
u
2
u
S S deoarece funcia ( )
u
S este o funcie real de
variabil real. Se simplific fracia (ii) prin factorul de la numrtor i rezult:

( )
( ) ( )
( ) ( ) ( ) ( )
( ) ( )
( ) ( )

+
=
+

=
2
u
2
n u
n u
2
u
2
2
u
2
2
S j G
S S
1
1
S S S j G
S j G

(iv)
( )
( )
( ) ( )

+
=
u
2
n
2
S j G
S
1
1

n concluzie, ( ) este aproape de unitate atunci cnd densitatea spectral de
putere a zgomotului aditiv, ( )
n
S este mult mai mic n raport cu densitatea spectral
de putere a semnalului de intrare ( )
u
S .
Modele ale sistemelor liniare cu parametri constani i
semnale discrete
n paragrafele care urmeaz se vor analiza modele ale proceselor compuse din
sisteme liniare cu parametri constani i semnale rezultate prin eantionarea
semnalelor de tip continuu.
Sisteme liniare cu parametri constani i semnale cauzale
discretizate
Modelul procesului este reprezentat prin produsul de convoluie:

[ ] ( )[ ] [ ] [ ]

+
=
= =
0
k u g k u g k y
(108.)
n care, [ ] { }
Z k
k u , [ ] { }
Z k
k y sunt secvenele semnalelor de intrare / ieire la porturile
sistemului, [ ] { }
Z k
k g este secvena pondere a sistemului,
e k
T k t ; k = Z este variabila
de timp discret, R
k
t sunt momentele de prelevare ale eantioanelor i R
e
T este
perioada de eantionare a semnalelor.
Funcia semnal eantionat, ( ) t u
e
T

se reprezint sub forma:



( ) ( )

+
=

=
k
e e k
T
T T k t u t u
e
.
(109.)
n care, ( )
e k
T k u u = reprezint valoarea funciei-semnal continuu la momentul
eantionrii, ( ) o este impulsul Dirac i
e
T reprezint perioada de eantionare, [13],
pag.36.




114
Expresia (1.58) reprezint soluia general a ecuaiei cu diferene care se obine din
ecuaia diferenial (1.4) prin aproximarea derivatelor funciilor prin diferene finite.
Expresia general a ecuaiei cu diferene finite este urmtoarea:

[ ] ( ) [ ] [ ] [ ]
[ ] ( ) [ ] [ ] [ ] k u b 1 k u b 1 n k u b n k u b
k y a 1 k y a 1 n k y a n k y
n 1 n 1 0
n 1 n 1
+ + + + + + + =
+ + + + + + +

K
K
.
(110.)
Pentru transformarea unei ecuaii difereniale linare cu coeficieni constani n ecuaia
cu diferene echivalent, trebuie ca derivatele funciilor care apar n compunerea
ecuaiei difereniale s fie aproximate prin diferene finite. In acest scop se utilizeaz
teorema lui Cauchy i metoda Euler-Cauchy de aproximare a derivatelor prin
diferene finite.
Fie [ ] R b ; a : y o funcie-semnal continu pe intervalul [ ] b ; a i derivabil pe
intervalul ( ) b ; a . De regul, valorile funciei-semnal - numite eantioane - sunt
prelevate la intervale egale de timp,
e
T . Intervalul dintre dou prelevri succesive se
numete perioad de eantionare.
Fie ( )
k k
t y y = i ( )
1 k 1 k
t y y
+ +
= dou eantioane succesive prelevate la momentele
k
t i
respectiv
1 k
t
+
. Conform teoremei lui Cauchy, exist un moment ( )
1 k k
t ; t t
+
astfel
nct valoarea derivatei funciei semnal ( )

t y
'
s fie egal cu expresia:

( )
( ) ( ) ( ) ( )
e
k 1 k
k 1 k
k 1 k '
T
t y t y
t t
t y t y
t y

=

=
+
+
+

.

Interpretarea geometric a relaiei precedente este aceea c panta tangentei la
graficul funciei n punctul de coordonate ( )

y ; t este egal cu panta corzii care trece
prin punctele de coordonate ( )
k k
y ; t i ( )
1 k 1 k
y ; t
+ +
.
n cazul semnalelor eantionate, valoarea semnalului ( )

t y la momentul intermediar
1 k k
t t t
+
< < nu se cunoate. Pentru ca att funcia ct i prima derivat a acesteia s
fie definite la aceleai momente de eantionare, se deplaseaz prima derivat spre
punctele care definesc capetele intervalului de eantionare; respectiv se poate lua fie
k
t t =

fie
1 k
t t
+
= .
Opiunea privind alegerea sensului de deplasare a primei derivate - n avans sau n
ntrziere fa de capetele intervalului este determinat de reprezentarea corect a
semnalelor cauzale. Impulsul Dirac este un semnal de energie finit n timp ce
semnalul treapt unitar este un semnal de putere finit. Pe de alt parte, impulsul
Dirac este numeric egal cu derivata treptei unitare, ( ) ( ) t t
'
= .
n tabelul care urmeaz se compar proprieti ale celor dou funcii n vecintatea
originii timpului.
Din relaiile precedente rezult c procesul reprezentat prin impusul Dirac s-a
ncheiat imediat dup momentul iniial. n acelai timp, procesul reprezentat de
semnalul treapt este n desfurare, nu s-a ncheiat (procesul se ncheie la infinit).
Prin urmare, procesul descris de impusul Dirac este n avans fa de procesul descris
de semnalul treapt unitar.



115
Tabelul 19. Comparaie ntre proprietie funciei impuls Dirac i proprietie omoloage ale funciei lui
Heaviside.

Proprieti ale funciei
( ) t
Proprieti ale funciei
( ) t

(i)
( ) ( ) 0 t lim 0
0 t
0 t
= =
<


( ) ( ) 0 t lim 0
0 t
0 t
= =
<


(ii) ( ) 1 0 =

( ) 1 0 =

(iii)
( ) ( ) 0 t lim 0
0 t
0 t
= =
>

+

( ) ( ) 0 t lim 0
0 t
0 t
= =
>

+

(iv) ( ) 0 t , 1 t W > =


( ) 0 t , t t W > =


Din acest motiv aproximarea corect este deplasarea n avans a derivatei funciei,
deci alegerea
1 k
t t
+
= .

( )
( ) ( ) ( ) [ ] [ ] [ ] [ ]
e e
e e
e
k 1 k
k
'
T
k y 1 k y
T
k T y 1 k T y
T
t y t y
t y
+
=
+
=

+
.
(111.)
Deoarece perioada de eantionare a semnalelor este o constant a dispozitivului de
eantionare, reprezentarea eantioanelor se face fr specificarea acesteia, cu
variabila de timp discret aa cum se prezint n relaiile (111).
Se aplic transformarea Z funciilor-semnal eantionate i se obine:

[ ] { } ( )[ ] { } [ ] [ ]
)
`

= =

+
= 0
k u g Z k u g Z k y Z ,

( ) ( ) ( ) z U z G z Y = . (112.)
n care, ( ) ( ) z Y , z U sunt transformatele Z ale semnalelor de intrare / ieire i ( ) z G este
transformata Z a secvenei pondere a sistemului, numit funcia de transfer n Z .
Modelul procesului reprezentat prin relaia (1.61) este de forma general (1.3) i
permite separarea modelului sistemului - funcia de transfer n Z - dup cum
urmeaz:

( )
( )
( ) z U
z Y
z G = .
(113.)
n cazul sistemelor cu evenimente discrete, n modelul procesului, pe lng modelele
semnalelor i modelul sistemului liniar apar nc dou componente i anume
dispozitivul de eantionare ideal i dispozitivul de extrapolare de ordinul unu.
Dispozitivul de eantionare ideal se reflect n modelul procesului prin expresia
transformatei Z a semnalului la portul de intrare n timp ce dispozitivul de extrapolare
de ordinul unu se include n expresia funciei de transfer ( ) z G a sistemului. Aspectul
enunat este evideniat n exemplul care urmeaz.
Exemplul 32: Calculul rspunsului indicial al unui sistem cu evenimente discrete.
S se calculeze expresia rspunsului indicial al sistemului cu evenimente discrete
format dintr-un filtru digital reprezentat prin ecuaia cu diferene:
[ ] [ ] [ ] 1 k u k u 2 k y = ;




116
conectat n cascad cu un sistem liniar cu ntrziere de ordinul unu cu funcia de
transfer:
( )
1 s
1
s G
P
+
= .

Rezolvare:
Se aplic transformarea Z n ecuaia cu diferene din enun i se obine expresia
funciei de transfer a filtrului digital.
(i)
( ) ( ) ( ) z U z z U 2 z Y
1
=

( ) ( ) ( ) z U z 2 z Y
1
=


( )
( )
( ) ( ) 1 z 2
z
z 2
1
z U
z Y
z G
1 F

=

= =


Se calculeaz funcia de transfer ( ) z G
IF
a subsistemului format din elementul
extrapolator i sistemului liniar cu ntrziere de ordinul unu dup cum urmeaz.


( )
( )
( )
( )
( )
( )
)
`

+
=
)
`

+
=
)
`

=


1 s
1
s
1
Z z 1
1 s s
1
Z z 1
1 s
1
s
e 1
Z z G
1 1
s T
P
;

( ) ( )
( )
( )
( )
(

)
`

)
`

=
(

)
`

)
`

=

1 s
1
Z
s
1
Z z 1
1 s
1
Z
s
1
Z z 1 z G
1 1
P
;
(ii)
( ) ( )
( )
T
T
1 T
T 1
1 T 1
1
P
e z
e 1
z e 1
e 1 z
z e 1
1
z 1
1
z 1 z G

=


=
(

= .
Transformata Z a secvenei treapt unitar fiind dat de expresia [ ] { }
1 z
z
k Z

= ,
rezult c expresia transformatei Z a secvenei la portul de ieire este:
(iii)
( ) ( ) ( ) ( )
( ) ( )
( ) ( ) 1 z e z
e 1 1 z 2
1 z
z
e z
e 1
z
1 z 2
z U z G z G z Y
T
T
T
T
P F


=


= =

.
Expresia secvenei la portul de ieire, [ ] { } k y pentru 1 k se obine cu teorema
reziduurilor dup cum urmeaz.

( ) ( )
( ) ( )
( ) ( )
( )
( ) ( )
( ) ( )
1 z
1 k
T
T
e z
1 k
T
T
T
z
1 z e z
e 1 1 z 2
1 z z
1 z e z
e 1 1 z 2
e z k y
T
=



+
(



( )
( ) ( )
( )
( ) ( ) ( ) ( ) k T 1 k T 1 k 1 k 1 k T
T
T T
e 2 e 1 1 e
1 e
e 1 1 e 2
k y


+ = +


= ,
Pentru 0 k = funcia ( )
1 k
z z Y

, care apare n expresia transformatei Z inverse are un
pol n origine:



117

( )
( ) ( )
( ) ( ) z e z 1 z
e 1 1 z 2
z z Y
T
T
1


=

.
Prin urmare, cu teorema reziduurilor:

[ ]
( ) ( )
( ) ( )
( )
( ) ( )
( ) ( )
( )
( ) ( )
( ) ( )
( )
( )
( )
( )
0
e
1 e 2
1
e
e 1
z e z 1 z
e 1 1 z 2
e z
z e z 1 z
e 1 1 z 2
1 z
z e z 1 z
e 1 1 z 2
z 0 y
T T
T
e 1 2
T
T
1 e 1
T
T
e z
T
T
T
1 z
T
T
0 z
T
T
=

+

=
(



+
(



+
(

+ =

43 42 1 43 42 1
.
Algoritmii de calcul care stau la baza metodelor de identificare de tip parametric
returneaz coeficienii funciei de transfer n Z ai sistemului. In etapa de validare a
rezultatelor experimentului de identificare se folosete reprezentarea n spaiul
strilor a modelului estimat - notat ( ) z G

.
Ecuaia cu diferene de grad n reprezentat prin relaia (1.60) se transform ntr-un
sistem n de ecuaii cu diferene de grad unitar:

[ ] [ ] [ ]
[ ] [ ] [ ] k u k k y
k u k 1 k
+ =
+ = +
d x c
b x A x
.
(114.)
Se aplic transformarea Z n relaiile precedente i rezult:

( ) ( ) ( )
( ) ( ) ( ) z U z z Y
z U z z z
+ =
+ =
D X C
B X A X

( ) ( ) ( )
( ) ( ) ( ) z U z z Y
z U z z
+ =
=
D X C
B X A I



( ) ( ) ( )
( ) ( ) ( ) z U z z Y
z U z z
1
+ =
=

D X C
B A I X
( ) ( ) [ ] ( ) z U z z Y
1
+ =

d B A I C .


( )
( )
( )
( ) [ ] D B A I C + = =
1
z
z U
z Y
z G
(115.)
Exemplul 33: Fie un sistem cu evenimente discrete reprezentat prin ecuaiile de
stare care urmeaz.

[ ]
[ ]
[ ]
[ ]
[ ]
[ ] [ ]
[ ]
[ ]
(

+
(

=
(

+
+
k x
k x
1 1 k y
k u
5 , 0
5 , 0
k x
k x
35 , 0 45 , 0
55 , 0 35 , 1
1 k x
1 k x
2
1
2
1
2
1

S se determine funcia de transfer echivalent, ( ) z G .
Rezolvare
(i)
[ ]
(

+

=
(

=
35 , 0 z 45 , 0
55 , 0 35 , 1 z
35 , 0 45 , 0
55 , 0 35 , 1
1 0
0 1
z z A I ;
(ii)
( ) ( ) 72 . 0 z 7 . 1 z 45 , 0 55 , 0 35 , 0 z 35 , 1 z z
2
+ = + = A I ;




118
(iii)
[ ]
(

+

=

35 , 1 z 55 , 0
45 , 0 35 , 0 z
z A I ;
(iv)
[ ] [ ]
(

+
=

=

35 , 1 z 45 , 0
55 , 0 35 , 0 z
72 , 0 z 7 , 1 z
1
z
z
1
z
2
1
A I
A I
A I ;

( ) ( ) [ ]
(


+
= =

5 , 0
5 , 0
35 , 1 z 45 , 0
55 , 0 35 , 0 z
1 1
72 , 0 z 7 , 1 z
1
z z G
2
1
B A I C ;
(v)
( ) [ ]
72 , 0 z 7 , 1 z
1
9 , 0 z 5 , 0
1 , 0 z 5 , 0
1 1
72 , 0 z 7 , 1 z
1
z G
2 2
+
=
(


+

+
= .
Exemplul 34: Rspunsul sinusoidal staionar al unui sistem cu evenimente discrete.
Se consider un proces cu evenimente discrete reprezentat prin relaia:
( ) ( ) ( ) C = z ; z U z G z Y .
n care ( ) z G este funcia de transfer a unui sistem stabil, liniar, cu parametri constani.
Dac secvena la portul de intrare este o secven sinusoidal
[ ] ( ) Z = k ; T k sin k u
e
s se demonstreze c i secvena la portul de ieire este tot
o secven sinusoidal reprezentat prin:

[ ] ( ) ( ) { } ( ) Z + =

k ; e G arg T k sin e G k y
k j
e
k j
.
Rezolvare
(i)
( ) [ ] { } ( ) { }
( )
( ) ( )
T j T j
e
e
e z e z
T sin z
T k sin Z k u Z z U
e



= = =
(ii)
( ) ( ) ( )
( ) ( )
( ) ( )
( ) z Y
e z
z k
e z
z k
e z e z
z G T sin z
z U z G z Y
g T j
2
T j
1
T j T j
e
e e e
+

=


= =

.
n relaia precedent, termenul ( ) z Y
g
este format din acele componente care
corespund polilor funciei de transfer ( ) z G . Deoarece sistemul este stabil,
componentele omoloage din expresia secvenei [ ] k y tind spre zero pentru k .
Prin urmare, rspunsul staionar al sistemului este dat de relaia:
(iii)
( )
e e
T j
2
T j
1
ss
e z
z k
e z
z k
z Y

= .
Se reprezint ( )
j 2
e e
T sin
e e
T j T j
e

=

i se nlocuiete n relaia (ii). Se obin
urmtoarele expresii pentru constantele
1
k i
2
k .
(iv)
( )
( ) { }
( )
( ) { }
j 2
e T j G
k
j 2
e T j G
k
T j G arg
2
T j G arg
1


=





119
(v)
( ) [ ] { } [ ] { }
k
T j
2
k
T j
1 T j 2 T j 1 ss
e e
e e
e Z k e Z k
e z
z
k
e z
z
k z Y


+ =

=

[ ] ( )
( ) { } ( ) ( ) { } ( )
j 2
e e
e G e k e k k y
e
T j
e
e
T j
e
e e e
e G arg k T j e G arg T k j
T j k T j
2
k T j
1 ss

= + =

+ +

;
(vi)
[ ] ( ) ( ) { } ( )
e e
T j
e
T j
ss
e G arg T k sin e G k y

+ = .
Sisteme liniare cu parametri constani i semnale aleatoare
staionare de tip discret
Modelul procesului este reprezentat prin relaiile:

( ) ( ) ( ) ( ) ( ) ( ) = =

u
2
j
u
j j
y
S e G S e G e G S ;
(116.)

( ) ( ) ( ) =

u
j
uy
S e G S .
(117.)
n care, ( )
u
S reprezint densitatea spectral de putere a procesului aleator de tip
discret la portul de intrare in sistem, ( )
y
S reprezint densitatea spectral de putere a
procesului aleator la portul de ieire din sistem, ( )
uy
S repezint densitatea spectral
de putere mutual ntre procesele aleatoare la porturile de intrare / ieire i
( ) ( )

=
=
j
e z
e G z G j este funcia de transfer a sistemului.
Funciile de corelaie asociate proceselor aleatoare staionare de tip discret se
calculeaz prin mediere statistic, asemntor cu cazul proceselor aleatoare de tip
continuu. Similar cu cazul proceselor de tip continuu i n cazul proceselor aleatoare
de tip discret staionare, aceste funcii sunt mrginite; spre deosebire de cazul
continuu, n cazul discret, funciile de corelaie sunt definite pe mulimi numrabile de
variabil timp discret.
Prin urmare, dac R Z :
uu
r i R Z :
uy
r , sunt funcia de autocorelaie a
procesului aleator la portul de intrare respectiv funcia de intercorelaie intrare / ieire
asociate proceselor aleatoare [ ] { }
Z k
k u i [ ] { }
Z k
k y i sistemului avnd secvena
pondere [ ] { }
Z k
k g atunci:

[ ] ( )[ ] =
uu uy
r g r ,
(118.)
asemntor cu cazul proceselor aleatoare continue. Toi termenii care apar n
expresia (116) sunt funcii reprezentate analitic dei, funciile de corelaie din
expresia n cauz caracterizeaz procese aleatoare, ale cror secvene temporale nu
pot fi reprezentate analitic. n fapt, relaia (116) echivaleaz procesul transformrii
procesului aleator [ ] { }
Z k
k u n procesul aleator [ ] { }
Z k
k y , prin interaciunea cu sistemul,
cu o transformare echivalent n care intervin semnale deterministe avnd aceleai
funcii de corelaie aflate n interaciune cu acelai sistem.
n relaia precedent, dac procesul aleator la portul de intrare este un zgomot alb
discret atunci, funcia de autocorelaie a procesului aleator este de forma:




120

[ ]
{ }


=
=
0 \ ; 0
0 ;
r
2
u
uu
Z
.
(119.)
n acest caz, din relaia (1.68) se obine:

[ ] [ ] ( ) Z = g r
2
u uy



[ ] [ ] ( ) Z

=
uy 2
u
r
1
g
(120.)
Relaia (1.70) permite calculul secvenei podere a sistemului direct din valorile
msurate ale eantioanelor, prin evaluarea funciilor de intercorelaie ntre procesele
aleatoare n cauz. Acest principiu se afl la baza metodei analizei de corelaie -
prezentat n Capitolul 5.
Funciile de corelaie care apar n relaia (116) nu sunt funcii cauzale (sunt definite
pe mulimea Z) deci, pentru transformarea modelului sub forma general se va
utiliza transformarea Fourier discret dup cum urmeaz.

[ ] { } ( )[ ] { } =
uu uy
r g TFD r TFD ( ) ( ) ( ) =

uu
j
uy
R e G R

Rezult c modelul procesului poate fi reprezentat sub forma care urmeaz.
( )
( )
( )
( )
( )

=

u
uy
uu
uy j
S
S
R
R
e G . (121.)
n care, ( )
u
S reprezint densitatea spectral de putere a procesului aleator discret
la portul de intrare al sistemului, ( )
uy
S reprezint densitatea spectral de putere
mutual ntre procesele de la porturile intrare / ieire i ( ) ( )

=
=
j
e z
e G z G j reprezint
funcia de transfer a sistemului.
n continuare, se nmulesc ambii membri ai expresiei (1.71) cu ( )

j G i se ine
cont de relaia ( ) ( ) ( ) =

uy y
S j G S :
( ) ( )
( ) ( )
( )
( )
( )


=


u
y
u
uy
j
j j
S
S
S
S e G
e G e G . (122.)
Din relaia precedent se obine reprezentarea (1.66) a modelului procesului.

( ) ( ) ( ) ( ) =

u
j j
y
S e G e G S .
(123.)
Reprezentrile de mai sus respect forma general i permit separarea net a
modelului sistemului.
n identificarea sistemelor se utilizeaz procese aleatoare staionare de tip zgomot
alb discret cu banda de frecvene foarte larg a cror funcie densitate spectral de
putere este practic constant. Astfel, funcia densitate spectral de putere a
procesului aleator la portul de ieire este numeric egal cu ptratul modulului funciei
( ) ( )

=
=
j
e z
e G z G j .



121
Principiul enunat se afl la baza metodei analizei spectrale, prezentat n Capitolul 5
al lucrrii.
Sisteme liniare cu parametri constani i semnale discretizate N-
periodice
Fie dou secvene de lungime finit N ale semnalului la portul de intrare, [ ] { }
1 N
0 i
i u

=
i
respectiv la portul de ieire [ ] { }
1 N
0 i
i y

=
ale unui sistem liniar. Modelul procesului se
definete prin produsul de convoluie circular:
[ ] ( )[ ] ( ) 1 N , 0 , r g r
uu uy
= = . (124.)
n care:
[ ] ( ) 1 N , 0 , r
uy
= este funcia de intercorelaie dintre secvenele [ ] { }
1 N
0 i
i u

=
i
[ ] { }
1 N
0 i P
i y

=
ale semnalelor de intrare respectiv de ieire,

[ ] [ ] [ ] ( )

=
= =
1 N
0 i
P uy
1 N , 0 i , i y i u
N
1
r .
(125.)
n relaia precedent, indicele P indic faptul c secvena semnalului la care acesta
este ataat se prelungete prin periodicitate.
[ ] ( ) 1 N , 0 , r
uu
= este funcia de autocorelaie a secvenei semnalului la portul de
intrare [ ] { }
1 N
0 i
i u

=
,

[ ] [ ] [ ] ( )

=
= =
1 N
0 i
P uu
1 N , 0 i , i u i u
N
1
r ;
(126.)
[ ] o g reprezint secvena pondere a sistemului.
Se aplic transformarea Fourier discret n N puncte secvenelor de valori din relaia
(1.72) i rezult dup cum urmeaz.
[ ] [ ] [ ] ( ) 1 N 0 k , k S k G
N
1
k S
u uy
= = K . (127.)
n care, [ ] k S
uy
este funcia densitate spectral de putere mutual ntre secvenele de
intrare / ieire:

[ ] [ ] [ ] { } ( ) 1 N 0 r TFD k R k S
uy uy uy
= = = K .
(128.)
Funcia [ ] ( ) 1 N 0 k , k S
u
= K reprezint densitatea spectral de putere a secvenei
de intrare:
[ ] [ ] [ ] { } ( ) 1 N 0 , r TFD k R k S
uu uu u
= = = K . (129.)
Funcia densitate spectral de putere calculat cu relaia (129) se numete
periodogram.
Expresiile sunt adevrate i pentru cazul secvenelor aleatoare.
Se ine cont c:




122

[ ] [ ] [ ]
2
uu u
k U
N
1
k R k S = = , [ ] [ ] [ ]
2
yy y
k Y
N
1
k R k S = = ,
[ ] [ ] [ ] [ ] k Y k U
N
1
k R k S
uy uy

= = ,


[ ] [ ] [ ] ( ) 1 N 0 k , k S k G k S
u
2
y
= = K .
(130.)

Modelul procesului reprezentat n relaia precedent este de forma general (58) i
permite separarea modelului sistemului.
[ ]
[ ]
[ ]
( ) 1 N 0 k ,
k S
k S
k G
u
y 2
= = K . (131.)
Rezumat
n tabelul care urmeaz se prezint n rezumat modelele proceselor i sistemelor
analizate n cadrul acestui capitol.
Tabelul 20. Rezumatul modelelor proceselor, modelelor sistemelor i metodelor de identificare
asociate n corelaie cu tipul semnalelor sau proceselor aleatoare de intrare / ieire.
Nr.
Tipul
semnalelor
Modelul procesului Modelul sistemului
Metoda de
identificare
1.

Semnale
continue
constante


( )
( ) ( ) +
=
; t
, U G t y

( ) R = t ,
U
Y
G

Determinarea
factorului de
proporionalitate
2.
Semnale
continue
sinusoidale
( ) ( ) ( )
( ) R
=

+

, t
, d t u g t y

( ) ( ) + = t sin U t u
1 M


U G Y =

( ) ( )
(
( ) { })
( ) R
+
+
=
t
j G arg
t sin
j G U t y
1
1
1 M

Metoda analizei
n frecven
3.
Secvene
discretizate
sinusoidale
[ ] ( )[ ]
[ ] [ ]

+
=
=
=
k u g
k u g k y
[ ] ( ) Z = k ; T k sin k u
e

[ ] ( )
(
( ) { })
Z
+
+
=


k
, e G arg
T k sin
e G U k y
k j
e
k j
M

Metoda analizei
n frecven
4.

Semnale
continue,
periodice de
putere
constant,
aperiodice de
energie finit

( ) ( ) ( )
( ) R
=

+

, t
, d t u g t y

( )
( )
( )

=
U
Y
j G

Metoda analizei
n frecven



123
Nr.
Tipul
semnalelor
Modelul procesului Modelul sistemului
Metoda de
identificare
8.

Semnale
continue,
deterministe,
cauzale

( ) ( ) ( )
( )
+
+

=

R , t
, d t u g t y
0

( )
( )
( ) s U
s Y
s G =

Metoda
rspunsului
tranzitoriu
9.

Secvene
discretizate,
deterministe,
cauzale

[ ] ( )[ ]
[ ] [ ]

+
=
=
=
0
k u g
k u g k y

( )
( )
( ) z U
z Y
z G =

Metoda
rspunsului
tranzitoriu
10.
Procese
aleatoare
staionare de
tip continuu
( ) ( ) ( ) [
( )
( ) ]
( ) ( ) R R R =
+
=

D ;
, d d r
g g r
uu
D
yy

( )
( )
( )

=
u
uy
S
S
j G
( )
( )
( )

=
u
y 2
S
S
j G

Metoda analizei
de corelaie,
Metoda analizei
spectrale
11.
Procese
aleatoare
staionare de
tip discret
[ ] ( )[ ]
Z
= , r g r
uu uy

( )
( )
( )

=

u
uy j
S
S
e G

( )
( )
( )

=

u
y
2
j
S
S
e G

Metoda analizei
de corelaie,
Metoda analizei
spectrale
12
Procese N-
periodice de
tip discret
[ ] ( )[ ]
( ) 1 N , 0
, r g r
uu uy
=
=

[ ]
[ ]
[ ]
( ) 1 N 0 k
,
k S
k S
k G
u
y 2
=
=
K

Metoda analizei
spectrale
n tabelul de mai sus, modelele proceselor se reprezint prin produsul de convoluie
ntre modele ale semnalelor i modelul sistemului, repezentate n domeniul timpului.
Prin transformri integrale asupra acestor modele, produsul de convoluie este
transformat n produs de funcii polinomiale de variabil complex; astfel modelul
sistemului poate fi reprezentat prin funcii raionale de variabil complex. Modelele
sistemelor care se obin prin acest procedeu se numesc modele de tip neparametric.
n Capitolul 7 se prezint un alt procedeu de identificare a sistemelor, bazat pe
determinarea pseudosoluiei unor sisteme de ecuaii algebrice formate cu valorile
secvenelor semnalelor la porturile sistemului i care conduc spre un tip diferit de
modele ale sistemelor. Aceste modele se numesc modele de tip parametric.





124
CAPITOLUL V
METODE DE IDENTIFICARE DE TIP NEPARAMETRIC
Metodele de identificare de tip neparametric sunt metode de identificare prin
aplicarea crora se obin mulimi de perechi de valori ( ) ( ) t g ; t ale unor funcii de
variabil timp sau frecven care caracterizeaz sistemul. Aceste funcii, denumite
modele neparametrice sunt (1) funcia pondere, (2) funcia indicial, (3) funcia de
frecven. Funciile pondere i indicial sunt definite n domeniul timp. Funcia de
frecven poate fi reprezentat prin dependenele amplitudine pulsaie ( )
dB
j G i
faz pulsaie ( ) { } j G arg sau prin dependena dintre modulul funciei de frecven,
( ) j G i argumentul acesteia, ( ) { } j G arg n cordonate polare.
Metodele de identificare de tip neparametric se aplic direct n sensul c nu necesit
definirea unui criteriu de minimizare i nici nu trebuie parcurs etapa de selectare a
modelul optim. Precizia acestor metode este mai redus n comparaie cu precizia
metodelor de identificare de tip parametric. Din acest motiv, aceste metode se
utilizeaz (a) naintea implementrii unei metode de tip parametric, pentru a obine o
prim aproximare a modelului - foarte util pentru definirea clasei de modele n care
se poate ncadra procesul care se identific i (b) n anumite aplicaii din medicin,
fizica pmntului, etc n care metodele de identificare de tip parametric nu pot fi
implementate.
Metodele de identificare de tip neparametric sunt (a) metoda rspunsului tranzitoriu,
(b) metoda analizei n frecven, (c) metoda analizei de corelaie i (d) metoda
analizei spectrale.
Metoda rspunsului tranzitoriu
Principiul metodei
Metoda rspunsului tranzitoriu const n determinarea experimental a rspunsului
sistemului analizat la semnale de tip puls sau treapt. Aceste semnale permit
estimarea funciei pondere respectiv a rspunsului indicial asociate sistemului care
se testeaz.
De regul, dac se estimeaz funcia pondere, la portul de intrare al sistemului se
aplic o succesiune de pulsuri; semnalul de intrare i rspunsul tranzitoriu al
sistemului sunt nregistrate. Intervalul de timp dintre dou pulsuri succesive, aplicate
la portul de intrare se alege astfel nct rspunsul sistemului s ajung n domeniul
staionar.
Utilizarea semnalelor de tip puls este frecvent ntlnit n aplicaiile din domeniul
biomedical n care se analizeaz de exemplu, difuzia n funcie de timp a unei catiti
dintr-o substan injectat ntr-un mediu.
n practic se determin parametrii modelului de ordin redus care corespunde
reprezentrii grafice a rspunsului indicial rezultat din msurtori. Pentru clasele de
modele de tip proporional cu ntrziere de ordinul unu -
1
PT i proporional cu



125
ntrziere de ordinul doi -
2
PT , pe baza reprezentrii grafice a rspunsului indicial a
sistemului pot fi estimai parametrii funciei de transfer dup cum se prezint n
continuare.
Determinarea parametrilor funciei de transfer pe baza proprietilor
funciei indiciale

Figura 44. Determinarea parametrilor funciei de transfer pe baza reprezentrii grafice a rspunsului
indicial pentru un sistem cu ntrziere de ordin unu.



Figura 45. Determinarea parametrilor funciei de transfer pe baza reprezentrii grafice a rspunsului
indicial pentru un sistem cu ntrziere de ordin doi.
Funcia de transfer a sistemelor de tip
1
PT este dat de expresia:

( )
( )
( ) 1 +
= =
s T
k
s U
s Y
s G
f
a
.
(132.)
Expresia analitic a rspunsului indicial al sistemelor descrise prin funciile de
transfer (132), rezultat prin calcul este urmtoarea:

( )
|
|

\
|
=

f
T
t
a
e k t y 1 .
(133.)
Graficul funciei ( ) t y din relaia (133) este reprezentat n Figura 44. Valorile
parametrilor
a
k i
f
T reprezint ordonata i respectiv absisa punctului situat la
intersecia asimptotei orizontale cu tangenta n origine la graficul funciei.
Demonstraia acestor afirmaii este prezentat n [9].



126
Funcia de transfer a sistemelor de tip
2
PT este dat de expresia:

( )
( )
( )
2 2
2
2
n n
n a
s s
k
s U
s Y
s G

+ +

= = .
(134.)
Expresia analitic a rspunsului indicial al sistemelor descrise prin funciile de
transfer (3) pentru cazul sistemelor subamortizate, ( ) 1 ; 0 este:

( ) ( )

(
(


+

=

2
2
n
t
2
a
1
arctg t 1 sin e
1
1
1 k t y
n
.
(135.)
n Figura 45 este reprezentat graficul funciei din relaia (135). Pe baza aceleiai
expresii se pot deduce urmtorii parametri care definesc rspunsul indicial al
sistemului. Suprareglajului, este dat de relaia

=
2
1
e .
(136.)


Figura 46. Graficul rspunsului unui sistem de ordin doi la semnal treapt unitar n funcie de factorul
de amortizare

.

Figura 47. Dependena suprareglajului de factorul de amortizare,
( )
.
Momentele
*
; N k t
k
la care rspunsul ( )
k
t y ia valori de minim sau de maxim local se
determin cu relaia:



127

2
1


=
n
k
k t ,
(137.)
iar valorile corespunztoare ale rspunsului indicial pot fi calculate cu relaia:
( ) ( ) [ ]
k k
a k
k t y = 1 1 . (138.)
Din relaia (137) rezult c perioada oscilaiilor amortizate ale rspunsului sistemului
la semnal treapt unitar este dat de expresia:

2
1
2

=
n
T .
(139.)
Demonstraii ale acestor formule sunt prezentate n lucrarea [9].
Parametrii funciei de transfer
a
k , i
n
pot fi estimai pe baza graficului rspunsului
indicial al sistemului de ordinul doi dup cum urmeaz.
Factorul de amplificare,
a
k se determin pe baza valorii finale a rspunsului,
( )
N ss a
t y y k = .
Constanta de amortizare, se determin indirect prin estimarea grafic a
suprareglajului, . Suprareglajul poate fi evaluat (a) pe baza maximului absolut al
rspunsului i a valorii acestuia n regim permanent sau (b) prin evaluarea pe grafic a
maximelor i minimelor locale i a observaiei c amplitudinea oscilaiilor amortizate
scade de ori la fiecare semiperioad, Figura 46. Constanta de amortizare se
determin pe baza curbei ( ) , reprezentat n Figura 47 sau cu expresia:

( )
2 2
ln
ln

+
= .
(140.)
Pulsaia natural,
n
se determin prin evaluarea pe grafic a perioadei T a oscilaiilor
amortizate ale sistemului. Din relaiile precedente rezult expresia:

( )
2 2
2
n
T
2
1 T
2
+ =


= ln .
(141.)
Estimarea parametrilor funciei de transfer pe baza proprietilor
curbei funciei pondere pentru sistemele cu ntrziere de ordinele
unu i doi, fr timp mort
Funcia pondere reprezint rspunsul unui sistem LTI cu o singur intrare i o
singur ieire la semnal de intrare impuls Dirac. Transformata Laplace a funciei
pondere este egal cu funcia de transfer a sistemului.
Expresia funciei pondere pentru sistemele cu ntrziere de ordinul unu,
1
PT calculat pe baza definiiei acesteia i a expresiei funciei de transfer a
sistemului este de forma:



128
( )
f
T
t
f
a
e
T
k
t y

= . (142.)
Pe baza relaiei precedente rezult c ordonata la origine a graficului funciei
pondere este ( )
f a
T k y = 0 . De asemenea, tangenta la graficul funciei pondere n
punctul de coordonate ( ) ( ) 0 ; 0 y P este numeric egal cu constanta de timp,
f
T a
funciei de transfer. Graficul funciei pondere i determinarea grafic a parametrilor
funciei de transfer sunt ilustrate n Figura 48.
Expresia funciei pondere pentru sistemele cu ntrziere de ordinul doi,
2
PT subamortizate este de forma

( ) ( ) t e
k
t y
d
n
n
t
n a

=
=

4 43 4 42 1

2
2
1 sin
1
.
(143.)
n Figura 49 este reprezentat forma de variaie a funciei pondere pentru aceste
sisteme.
Parametrii funciei de transfer se determin pe baza urmtoarelor proprieti ale
graficului funciei pondere: (1) perioada principal a funciei pondere verific relaia
(8) asemntor cu rspunsul indicial i (2) aria suprafeei cuprins ntre prima
semiperioad a oscilaiilor funciei pondere i axa absciselor este numeric egal cu
amplitudinea maxim a oscilaiilor rspunsului indicial, respectiv cu termenul
( ) + 1
a
k , [9].
n aplicaii se utilizeaz semnale de intrare de tip puls care aproximeaz impulsul
Dirac. Aceste semnale sunt de forma:

( )
[ )
[ )

=
; 0
; 0
1
0
0
0
t t
t t
t t u .
(144.)


Figura 48. Rspunsul la semnal impuls Dirac al unui sistem cu ntrziere de ordinul unu.



129

Figura 49. - stnga respectiv al unui sistem cu ntrziere de ordinul doi - dreapta. Determinarea
grafic a parametrilor funciei de transfer.
Pulsul reprezentat n expresia precedent verific relaia ( )

+

=1 dt t u , asemntor
impulsului Dirac. Transformata Laplace a semnalului reprezentat n relaia (13) este:

( ) { } ( ) ( )
s t
e
s t
s U t u

= =
0
1
1
0
L .
(145.)
Rezult c transformata Laplace a rspunsului sistemului de ordinul doi este:

( ) ( ) ( ) ( )
s t
n n
n a
e
s t s s
k
s U s G s Y

+ +

= =
0
1
1
2
0
2 2
2

.
(146.)
Se dezvolt termenul
s t
e

0
din relaia precedent n serie MacLaurin n jurul originii i
rezult:

( ) ( )
( ) ( )
( ) s G
s t s t
s t
s t s s
k
s Y
t
n n
n a

(
(

+ +

=
0
3
0
2
0
0
0
2 2
2
0
! 3 ! 2
1
2
K

.
(147.)
Rspunsul sistemului este distorsionat datorit termenilor ( ) 1 ;
0
> k s t
k
. Aceti termeni
se anuleaz pentru 0
0
= t .
Rezult c rspunsul sistemului la semnal de intrare de tip puls de durat i
amplitudine finite aproximeaz funcia pondere cu att mai bine cu ct durata pulsului
este mai scurt. n aplicaii, durata pulsului se adopt mult mai mic n raport cu
constanta de timp cea mai mic a sistemului care se identific.
Estimarea parametrilor modelului pe baza secvenei pondere n cazul
discret
Dac se cunoate secvena pondere [ ] { }

=1 k
k g i se adopt un model parametric, -
Capitolul 6 - de ordinul n de forma:

( ) [ ] ( ) [ ] k u q B k y q A =
1 1
,
(148.)




130

Figura 50. Reprezentarea secvenei impulsului Dirac - stnga i secvena pondere a unui sistem
discret cu ntrziere de ordinul unu - dreapta.
n care ( )
n
n
q a q a q a q A

+ + + = K
2
2
1
1
1
1 , ( )
n
n
q b q b q b b q B

+ + + = K
2
2
1
1 0
1
i
1
q reprezint operatorul de ntrziere, atunci parametrii n i b a
j i
, 1 ; , = pot fi
determinai din valorile secvenei pondere i din condiia ca primele n 2 eantioane
ale secvenei pondere asociate modelului (17) s concid cu primele n 2 eantioane
ale secvenei pondere rezultate din msurtori.
Exemplul 35: Estimarea parametrilor unui model de ordinul 3 pe baza secvenei
pondere. Cazul semnalelor discrete.
Pentru 3 = n modelul procesului din relaia (17) se scrie sub forma

( ) [ ] ( ) [ ] t u q b q b q b t y q a q a q a + + = + + +
3
3
2
2
1
1
3
3
2
2
1
1
1 ,
(149.)
Un eantion oarecare al secvenei semnalului de ieire, [ ] t y se calculeaz pe baza
eantioanelor secvenei pondere i ale entioanelor semnalului de intrare cu relaia:

[ ] [ ] [ ]

=
=
0 k
k t u k g t y ,
(150.)
n Figura 50 sunt reprezentate formele de variaie ale secvenei semnalului de intrare
- impulsul Dirac, [ ] [ ] t t u = i secvenei semnalului de ieire - secvena pondere,
[ ] [ ] t g t y = . Secvenele acestor semnale verific relaiile:

[ ] [ ]
[ ] [ ] 0 ; 0
0 ; 0
= =
= =
t t t u
t t g t y

.
(151.)
Din relaia (149) se obine ecuaia cu diferene:

[ ] [ ] [ ] [ ]
[ ] [ ] [ ] 3 2 1
3 2 1
3 2 1
3 2 1
+ + =
= + + +
t u b t u b t u b
t y a t y a t y a t y
.
(152.)
Se scrie ecuaia (152) pentru 6 ; 1 = t innd cont de relaiile (20) i se obin expresiile:
[ ]
1
1 1 b g t = = , (153.)
[ ] [ ]
2 1
1 2 2 b g a g t = + = ,
[ ] [ ] [ ]
3 2 1
1 2 3 3 b g a g a g t = + + = ,



131
[ ] [ ] [ ] [ ] 0 1 2 3 4 4
3 2 1
= + + + = g a g a g a g t ,
[ ] [ ] [ ] [ ] 0 2 3 4 5 5
3 2 1
= + + + = g a g a g a g t ,
[ ] [ ] [ ] [ ] 0 3 4 5 6 6
3 2 1
= + + + = g a g a g a g t .
Cu aceste relaii se formeaz urmtorul sistem de ecuaii liniare n care
necunoscutele sunt parametrii modelului, n i b a
j i
, 1 ; , = .


[ ]
[ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ]

=
=
=
= +
= +
=
6 3 4 5
5 2 3 4
4 1 2 3
3 1 2
2 1
1
3 2 1
3 2 1
3 2 1
3 2 1
2 1
1
g a g a g a g
g a g a g a g
g a g a g a g
g b a g a g
g b a g
g b
.

(154.)
Acest sistem de ecuaii se poate scrie sub form matriceal dup cum urmeaz.

[ ]
[ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(


(
(
(
(
(
(
(

6
5
4
3
2
1
0 0 0 3 4 5
0 0 0 2 3 4
0 0 0 1 2 3
1 0 0 0 1 2
0 1 0 0 0 1
0 0 1 0 0 0
3
2
1
3
2
1
g
g
g
g
g
g
b
b
b
a
a
a
g g g
g g g
g g g
g g
g
.
(155.)
Sistemul de ecuaii este compatibil dac matricea sistemului este nesingular. In
acest caz, cei ase parametri ai modelului pot fi determinai pe baza a ase valori
estimate ale funciei pondere. Dac valorile estimate ale secvenei pondere sunt
afectate de zgomot atunci valorile estimate ale parametrilor modelului nu vor coincide
cu valorile teoretice. n cazul ideal, dac valorile estimate ale secvenei pondere
coincid cu valorile teoretice, atunci valorile parametrilor modelului, estimai prin
rezolvarea sistemului de ecuaii (155) coincid cu valorile teoretice.
Efectul zgomotului asupra preciziei modelului estimat
Pentru reducerea efectului zgomotelor de msurare, se efectueaz un numr ct mai
mare de experimente n condiii similare dup care se calculeaz curba medie de
variaie a rspunsului - dac acest lucru este posibil.
n Figura 51 domeniul valorilor rezultate din 100 de experimente este situat ntre
curbele reprezentate cu linie ntrerupt. Curba medie a rspunsului, rezultat prin
medierea valorilor eantioanelor de acelai ordin, se apropie mult de curba
rspunsului adevrat - neperturbat de zgomote dac media statistic a zgomotului
este egal cu zero, independent de timp.




132

Figura 51. Graficele rspunsurilui la semnal treapt ale unui cu ntrziere de ordinul doi - dreapta; (1)
- curba teoretic i (2) - curba experimental reprezentnd curba medie a 100 de
experimente afectate de zgomote.
Aceast afirmaie, valabil pentru cazul zgomotelor staionare poate fi probat
teoretic dup cum urmeaz.
Se utilizeaz notaiile:
N numrul de repetri ale experimentului.
[ ] t y
i

valoarea eantionului la momentul [ ] t a secvenei
rspunsului sistemului, determinat n cadrul testului cu
numrul N i ; 1 = al experimentului;

[ ] t n
i

valoarea eantionului zgomotului aditiv la momentul [ ] t la
ieirea sistemului, determinat n cadrul testului cu numrul
i al experimentului;

[ ] t g
valoarea teoretic a eantionului secvenei pondere a
sistemului la momentul [ ] t ;

[ ] t g valoarea estimat a secvenei pondere la momentul [ ] t .
rezult:

[ ] [ ] [ ] [ ] ( )

= =
+ = =
N
i
i
N
i
i
t n t g
N
t y
N
t g
1 1
1 1
.
(156.)
Dac zgomotul aditiv [ ] t n
i
este necorelat cu rspunsul sistemului i impunnd
condiia N , rezult pentru valoarea medie a estimatului expresia urmtoare.
[ ] { } [ ] [ ] { } [ ]
n
t g t n E t g t g E + = + = ; (157.)
Eroarea sistematic de estimare
Eroarea sistematic de identificare a procesului reprezint diferena dintre valoarea
estimat a rspunsului la un moment oarecare [ ] t i valoarea teoretic a acestuia.
Rezult din relaia (26)

[ ] { } [ ]
n
t g t g E = =

;
(158.)
c eroarea sistematic de estimare este egal cu valoarea mediei statistice a
zgomotului aditiv de la ieirea procesului.



133
Dac valoarea medie statistic a zgomotului aditiv este egal cu zero i dac
numrul de experimente n condiii identice, utilizate n calcule tinde spre infinit,
atunci eroarea sistematic de identificare a procesului va tinde ctre zero.
n aplicaii, pentru determinarea valorii mediei statistice a zgomotului aditiv se
msoar rspunsul sistemului atunci cnd la intrare nu se aplic semnal de
comand, [ ] t y
L
i se calculeaz valoarea medie corespunztoare.

[ ]

=

=
N
t
L
N
n
t y
N
lim
1
1
.
(159.)
Variana estimatorului rspunsului pondere
Teorema 14: Dac secvenele zgomotului aditiv n toate cele N teste de identificare
sunt necorelate statistic ntre ele, atunci variana estimatorului rspunsului
pondere al sistemului este dat de expresia:
[ ] ( )
2
1
var
n
N
t g = . (160.)
n care
2
n
este variana zgomotului aditiv [ ] { }
+
=0 t
t n la ieirea sistemului.
Demonstraie:
(i) [ ] [ ] ( ) [ ] { } [ ] [ ] ( ) [ ] { }
2 2

n n
t g t g E t g t g E = + .
(ii)
[ ] [ ] [ ] [ ] ( )

= =
= |

\
|
=
N
i
n i n
N
i
i
t n
N
t n
N
t g t g
1 1
1 1


Din relaiile (i) i (ii) rezult,
(iii)
[ ] ( ) [ ] [ ] ( ) { }
2
1
2
2
2
1
2
1 1 1
var
2
n
N
i
n i n
N
i
i
N
t n E
N
t n E
N
t g
n

= =

\
|
=

= =
4 4 3 4 4 2 1


Rezult c variana estimatorului rspunsului pondere descrete dac numrul de
teste, N este mare. Prin medierea valorilor cu acelai indice rezultate din mai multe
experimente efectuate n aceleai condiii, eroarea sistematic a estimatorului
rspunsului pondere tinde spre media statistic a zgomotului care a perturbat
msurtorile. Pe de alt parte, abaterile unei realizri anumite a estimatorului, fa de
rspunsul pondere teoretic, neperturbat sunt proporionale cu variana zgomotului i
invers proporionale cu numrul de experimente luate n calcul. Rezult c abaterile
acelei realizri a estimatorului fa de valoarile teoretic reale sunt mici dac n calcule
au fost utilizate rezultatele unui numr mare de experimente.
Definiia 56: Estimator consistent. Un estimator care este convergent spre valoarea
teoretic neperturbat a procesului se numete estimator consistent.
Metoda analizei n frecven
Principiul metodei
Metoda analizei n frecven permite determinarea experimental a funciei de
frecven a procesului analizat.



134
Metoda const n aplicarea unui semnal de comand de tip sinusoidal cu amplitudine
i frecven cunoscute cu exactitate; se msoar amplitudinea rspunsului sistemului
precum i defazajul dintre semnalul de comand i rspunsul sistemului. Perechea
de valori reprezentat de raportul dintre amplitudinile semnalelor sinusoidale de
ieire i de intrare, respectiv defazajul dintre acestea precum i frecvena semnalelor
permit determinarea valorilor modulului i a argumentului funciei de frecven
corespunztoare frecvenei date. Prin repetarea experimentului pentru valori
cresctoare ale frecvenei pornind de la valoarea zero (semnal continuu) pn la o
valoare maxim admisibil (teoretic pn la infinit) se obine o mulime numrabil de
valori ale funciei de frecven a sistemului.
Avantajul acestei metode const caracterul selectiv n domeniul frecvenelor. Fa de
alte metode de identificare, metoda analizei n frecven permite evidenierea cu
precizie a frecvenelor de rezonan ale sistemului. Dezavantajul metodei const n
sensibilitatea la zgomote precum i n faptul c, n practic, de cele mai multe ori
instalaiile fixate nu permit utilizarea semnalelor sinusoidale ca semnale de intrare.
Dac la portul de intrare al unui sistem liniar se aplic un semnal sinusoidal de forma
( ) ( ) t U t u
M
= sin , atunci semnalul la portul de ieire al sistemului este dat de relaia
care urmeaz (demonstrat la Capitolul 4):

( ) ( ) ( ) ( ) { } [ ] + = + = j G t j G U t Y t y
M M
arg sin sin .
(161.)
Modulul i argumentul funciei de frecven se determin pe baza relaiilor (30) cu
relaiile urmtoare:

( )
K
M
M
U
Y
j G

=
= ,
(162.)

( ) { }
K
j G


=
= arg .
(163.)
n care
M
U ,
M
Y reprezint amplitudinea i reprezint defazajul dintre semnalele la
porturile de intrare/ieire ale sistemului corespunztoare frecvenei de prob
K
.
Pentru determinarea funciei de frecven din date rezultate prin msurtori
experimentale pe baza relaiilor (162) i (163), este necesar msurarea ct mai
precis a amplitudinilor i defazajului semnalelor la cele dou porturi ale sistemului.
Instrumentele nregistratoare precum i osciloscopul electronic permit fie
nregistrarea variaiei celor dou semnale n funcie de timp fie nregistrarea variaiei
semnalului de ieire n funcie de variaia semnalului de intrare - metoda figurilor
Lissajous. Cele dou moduri de nregistrare ale semnalelor sunt prezentate n
Figurile 52 - 53.
Metoda analizei n frecven - varianta direct
n abordarea direct, cu ipoteza c perturbaiile datorate zgomotelor aditive sunt
neglijabile, amplitudinea semnalelor i defazajul se msoar direct pe curbele de
variaie, Figura 52. Osciloscopul electronic cu dou canale cu memorie permite
declanarea achiziiei datelor la trecerea prin zero a unuia dintre semnale precum i
msurarea cu precizie att a intervalelor de timp ct i a valorilor maxime ale
semnalelor; aceasta permite eliminarea erorilor de citire a valorilor msurate.



135
Dac se utilizeaz metoda figurilor Lissajous, atunci rezultatul nregistrrii este o
elips.

Figura 52. Metoda analizei n frecven - abordarea direct; implementarea metodei pe curbele de
variaie n funcie de timp ale semnalelor de intrare/ieire.

Figura 53. Implementarea metodei pe curba reprezentnd dependena semnalului de ieire n
funcie de semnalul de intrare.
Valorile modulului respectiv argumentului funciei de frecven, date de relaiile (162)
i (163), corespunztoare frecvenei semnalelor la care se efectueaz determinarea
se obin prin msurarea lungimii segmentelor [ ] OA , [ ] OB , [ ] OC i [ ] OD reprezentate
n Figura 53 dup cum urmeaz.

( )
K
j G
U
Y
OB
OD
OA
OC
M
M

=
= = = ,
(164.)

( ) { }
K
j G
OD
OC
OB
OA
=
= =
|

\
|
=
|

\
|
arg arctg arctg .
(165.)

Pentru demonstrarea afirmaiilor de mai sus, n relaiile (164) - (165) se elimin
variabila t i se obine forma implicit a ecuaiei curbei dup cum urmeaz:
(i)
( ) ( )
( ) ( )

+ =
=

t Y t y
t U t u
M
M
sin
sin

( )
( ) ( )
( )
( ) ( )

+ = + =
= =
+ =
=


sin sin
sin sin
43 42 1
3 2 1
t
Y
t y
t
U
t u
M
M
;



136
( ) ( ) ( ) ( ) sin cos cos sin + =
M
Y
y
( ) ( ) sin 1 cos
2
2
+ =
M M M
U
u
U
u
Y
y
;

( ) ( ) sin 1 cos
2
2
=
M M M
U
u
U
u
Y
y
; ( ) ( )
2
2
2
2
sin 1 cos
(

=
(


M M M
U
u
U
u
Y
y
;

( ) ( ) ( )
2
2
2
2
2
2
2
2
sin 1 cos cos 2
(

= +
M M M M M
U
u
Y
y
Y
y
U
u
Y
y
;
(ii) ( ) ( ) 0 sin cos 2
2
2
2
2
2
= +
M M M M
U
u
Y
y
U
u
Y
y
.

Se compar expresia (ii) cu expresia general a conicelor definite n planul ( ) uOy :

0 2
00 20 10
2
22 12
2
11
= + + + + + a y a u a y a y u a u a ;
(166.)

; ;
cos
;
2
M
22
M M
21 12 2
M
11
Y
1
a
Y U
a a
U
1
a =


= = =
(167.)

= = =
2
00 02 01
a 0 a a sin ; .

rezult c expresia curbei plane reprezint ecuaia unei conice n planul ( ) uOy .
Din relaiile (167) se obin expresiile invarianilor conicei:

0
sin
sin 0 0
0
1 cos
0
cos 1
2 2
4
2
2
2
00 02 01
20 22 21
10 12 11

= =
M M M M M
M M M
Y U Y Y U
Y U U
a a a
a a a
a a a

;
(168.)

0
sin cos
1
1 cos
cos 1
2 2
2
2 2
2
2 2
2
2
22 21
12 11
>

= =
M M M M M M
M M M
M M M
Y U Y U Y U
Y Y U
Y U U
a a
a a

;
(169.)

2 2 22 11
1 1
M M
Y U
a a I + = + = .
(170.)

Pe baza relaiilor prezentate rezult concluziile: conica este nedegenerat i conica
este de tip eliptic.
Relaiile de mai sus se demonstreaz pe baza reprezentrii implicite a ecuaiei
elipsei i a expresiilor coordonatelor punctelor { } A , { } B , { } C i respectiv { } D .
Demostraia este schiat n tabelul care urmeaz.



137
Tabelul 21. Expresiile coordonatelor punctelor { } A , { } B , { } C , { } D i lungimile segmentelor
prezentate n Figura 5.
Pct. Coordonate Ecuaia Soluia ecuaiei Lungimea
{ } A

( ) 0 ;
A
u A

0 sin
2
2
2
=
M
A
U
u

= sin
M A
U u

= sin
M
U OA

{ } B

( ) 0 u B
B
;

0
U
u
2
U
u
2
M
B
2
M
2
B
= +
+
cos
cos

= cos
M B
U u

= cos
M
U OB

{ } C

( )
C
y 0 C ;

0
Y
y
2
2
M
2
C
= sin

= sin
M C
Y y

= sin
M
Y OC

{ } D

( )
D
y 0 D ;

0
Y
y
2
Y
y
2
M
D
2
M
2
D
= +
+
cos
cos

= cos
M D
Y y

= cos
M
Y OD

Metoda analizei n frecven - varianta mbuntit
Precizia metodei analizei n frecven, n varianta direct scade mult dac semnalul
sinusoidal de ieire din sistem este perturbat n mod semnificativ de zgomotul aditiv.
Pentru reducerea sensibilitii la zgomot se utilizeaz procedeul corelaiei n
frecven a semnalului de ieire. Dispozitivul fizic care implementeaz acest
procedeu se numete analizor de corelaie n frecven.
Acest procedeu const n nmulirea semnalului sinusoidal, perturbat de zgomot, cu
dou semnale de prob de form sinusoidal defazate n cuadratur, cu frecvena
egal cu frecvena semnalului ( ) t y ; n continuare, semnalele rezultate se integreaz
pe un numr ntreg de perioade ale semnalului ( ) t y . Rezultatele care se obin la
ieirea analizorului de corelaie n frecven sunt proporionale cu prile real
respectiv imaginar ale funciei de frecven a sistemului care se testeaz. n acelai
timp se rejecteaz att zgomotul aditiv ct i armonicele superioare ale semnalelor
datorate componentelor neliniare ale sistemului. Diagrama-bloc a analizorului de
corelaie n frecven este reprezentat n Figura 54.


Figura 54. Diagrama analizorului de corelae
Pentru a pune n eviden principiul analizorului de corelaie n frecven s
presupunem, pentru nceput c rspunsul sistemului, ( ) t y nu este perturbat de



138
zgomot aditiv. Pentru simplificarea scrierii, se va presupune c valorile amplitudinii
semnalelor de prob n sinus i cosinus sunt egale cu unu.
Fiind date semnalele de comand i respectiv rspunsul sistemului liniar, continuu la
semnalul de comand de form sinusoidal avnd pulsaia este:
( ) ( ) t U t u
M
= sin ; (171.)

( ) ( ) ( ) { } [ ] [ ]

+ = + = t G U j G t j G U t y
M M
sin arg sin .
(172.)
Semnalul care se obine la canalul de ieire ( ) T R al analizorului este dat de relaiile
care urmeaz.


( ) ( ) ( ) ( ) ( ) = + = =

dt t t
T
G U dt t t y
T
T y
T
M
T
R
sin sin
1
sin
1

0 0



( ) ( ) [ ] = +

dt t
T
G U
T
M
0
2 sin cos
2
1




( ) =
(
(
(

=
4 4 3 4 4 2 1
sin
2 sin
2
1
sin
2
1
cos
2
1




N
T
M
T T
T
G U




=

= cos
2
1
cos
2
1
G U T
T
G U
M M
;
( ) ( ) ( ) { } ( ) ( ) { } = = j G
U
j G j G
U
T y
M M
R
Re
2
arg cos
2
. (173.)
Printr-un raionament analog, se obine urmtoarea expresie pentru canalul de ieire
( ) T I :
( ) ( ) ( ) { } ( ) ( ) { } = = j G
U
j G j G
U
T y
M M
I
Im
2
arg sin
2
. (174.)
Mulimea valorilor funciei de frecven, rezultat din msurtori experimentale se
utilizeaz pentru estimarea graficului funciei de frecven a sistemului care se
testeaz. Funcia de frecven se poate reprezenta grafic sub forma (a) diagramelor
Bode, (b) diagramei polare sau (c) diagramei Nichols. Aceste diagrame pot fi utilizate
pentru estimarea valorilor parametrilor funciei de frecven dac sistemul care se
testeaz este ncadat a-priori ntr-o clas de modele cunoscut.
Estimarea parametrilor funciei de frecven pe baza diagramelor
Bode pentru cazul sistemelor de ordinul unu i sistemelor de ordinul
doi fr timp mort
Expresia funciei de frecven pentru cazul sistemelor de tip
1
PT fr timp mort este
urmtoarea.



139

( )
f
a
T j
K
j G
+
=

1
,
(175.)
n care
a
K reprezint factorul de proporionalitate i
f
T este constanta de timp.
Diagramele Bode ale unui sistem reprezentat prin expresia (175) sunt prezentate n
Figura 55.
Parametrii funciei de frecven,
a
K i
f
T pot fi determinai pe baza reprezentrilor
grafice ale diagramelor Bode astfel: (a) factorul de proporionalitate,
a
K se estimeaz
pe diagrama amplitudine-pulsaie respectiv ordonata punctului de intersecie cu axa
ordonatelor a asimptotei la grafic n zona frecvenelor joase, 0 .

( )
( )
dB
j G
a
dB
a
K j G K
0
20
1
0
10 log 20

= =

;
(176.)
(b) constanta de timp,
f
T se estimeaz pe diagrama argument-pulsaie. Se
estimeaz pe grafic pulsaia de frngere a funciei de frecven,
f
care este
abscisa punctului avnd ordonata ( ) { }
0
45 arg =
f
j G . Constanta de timp se
calculeaz cu relaia care urmeaz.

f
f
T

1
= .
(177.)
Demonstraia acestor relaii se prezint n lucrarea [9].


Figura 55. Estimarea parametrilor funciei de transfer a unui sistem proporional cu ntrziere de
ordinul unu fr timp mort pe baza diagramelor Bode.



140
Pentru cazul sistemelor de ordinul doi, subamortizate, fr timp mort, funcia de
frecven este dat de urmtoarea expresie:

( )
n n
a
j
K
j G

+
=
2 1
2
,
(178.)
n care
a
K reprezint factorul de proporionalitate, este factorul de amortizare
i
n
este pulsaia natural.
n Figura 56 sunt reprezentate diagramele Bode pentru un sistem din aceast clas.
Factorul de proporionalitate se estimeaz pe diagrama amplitudine-pulsaie fiind
numeric egal cu ordonata punctului de intersecie dintre axa vertical i asimptota la
grafic n zona frecvenelor joase, 0 .
Pulsaia natural,
n
se estimeaz pe diagrama argument-pulsaie; este abscisa
punctului avnd ordonata ( ) { }
0
90 arg =
n
j G .
Factorul de amortizare, se estimeaz pe diagrama amplitudine-pulsaie n punctul
de maxim al diagramei ( )
dB
r
r
j G M

=
= . Modulul funciei de frecven omolog
acestui punct, corespunde frecvenei de rezonan a sistemului,
r
.

( ) 2 2 ; 0
1 2
log 20
2


=

a
r
K
M .
(179.)


Figura 56. Estimarea parametrilor funciei de transfer a unui sistem proporional cu ntrziere de
ordinul doi, subamortizat, fr timp mort pe baza diagramelor Bode.



141
Din relaia precedent se estimeaz valoarea factorului de amortizare cu expresia
care urmeaz.

10 2
10 4 2
r
M
a
K

= . (180.)
Efectul zgomotului asupra preciziei modelului estimat cu metoda
analizei n frecven
n continuare se consider c semnalul la ieirea sistemului testat este perturbat de
zgomotul aditiv ( ) t conform relaiei:
( ) ( ) ( ) t t Y t y
M
+ + = sin . (181.)
Cu ipoteza c zgomotul ( ) t este de tip staionar cu media statistic zero, 0 =

i
variana
2 2

= , efectul zgomotului asupra preciziei estimatului va fi evaluat cu


ajutorul varianei ( ) [ ] T y var n care y reprezint semnalul la ieirea analizorului de
frecven iar T este perioada semnalelor.
Metoda analizei n frecven - varianta direct
Fie ( ) [ ] N i T t t y
i
, 1 , ; 0 ; = valorile semnalului de ieire ale analizorului de frecven
rezultate la experimentul i date de expresia (181).
Se evalueaz abaterea fa de cazul teoretic, N i se obine dup cum
urmeaz.

( ) [ ] ( ) ( ) ( ) { } ( ) [ ]
( ) [ ] ( )
2 2 2 2
2
0
arg sin var



= + = = =
= + =
r t E
j G t j G U t y E T y
M i
.
(182.)
Metoda analizei n frecven - varianta mbuntit
Expresiile semnalelor la ieirile analizorului de corelaie n frecven pentru canalul n
sinus respectiv n cosinus sunt date de relaiile (172) i respectiv (173) n care
semnalul ( ) t y este dat prin relaia (181).
Efectul rejeciei zgomotului n cazul variantei mbuntite se bazeaz pe
proprietatea de ortogonalitate a funciilor sinus i cosinus. Pornind de la faptul c
zgomotul de band larg este format dintr-o infinitate de armonici n sinus i cosinus,
prin nmulirea cu un semnal sinusoidal de o frecven dat i integrarea pe un
numr ntreg de perioade, doar armonica de aceeai frecven va da un rezultat
diferit de zero; toate celelalte componente dau rezultate nule.
Se va evalua raportul din relaia pentru semnalul de la ieirea canalului n sinus.

( ) ( ) ( ) [ ] ( ) ( ) ( ) ( ) ( ) = + = + =

dt t t
T
dt t t y
T
dt t t t y
T
T y
T T T
R
0 0 0
sin
1
sin
1
sin
1


( ) ( )

+ =
T
M
dt t t e
T
G U
0
sin
1
cos
2
1


;




142

( ) [ ] ( ) ( ) =
(

2
0
sin
1
var
T
R
dt t t e
T
E T y


( ) ( ) ( ) ( ) = |

\
|
=

T T
dt dt t t e t t e E
T
0 0
2 1 2 2 1 1 2
sin sin
1



( ) ( ) ( )

=
T T
dt dt t t t t r
T
0 0
2 1 2 1 2 1 2
sin sin
1

.
(183.)
Pe baza ipotezei c zgomotul aditiv ( ) t este staionar rezult c funcia de
autocorelaie este mrginit respectiv:

( ) ( ) 0 ; 0 >




e r r .


( ) [ ] ( ) ( )
|

\
|
=

T t T
t
T T
R
dt d r
T
dt dt t t r
T
T y
0
2 2
0 0
2 1 2 1 2
2
2
1 1
var




( ) ( )
( )

= |

\
|




+

T T
r
d e r T
T
dt d r
T
T
2
0
0
2 2 2
2 0 2
0 2
1 1

(184.)
n relaia precedent, parametrul i variana,
2

sunt caracteristici ale zgomotului.


T reprezint perioada semnalului sinusoidal pe durata creia se face estimarea. Din
aceast relaie rezult c variana estimatorului analizorului de corelaie n frecven
depinde direct proporional de variana zgomotului,
2

i invers proporional de
perioada T . Alegnd o valoare a perioadei T suficient de mare, variana
estimatorului analizorului de corelaie n frecven poate fi sczut la o valoarea mai
mic dect variana estimatorului analizorului n frecven - varianta direct.
Metoda analizei de corelaie
Metoda analizei de corelaie care se prezint n continuare precum i metoda
analizei spectrale care se prezent n paragraful urmtor permit identificarea
modelului de tip neparametric al sistemului testat prin evaluarea modului n care
energia, puterea sau densitatea de putere ale semnalului de intrare se disip n
sistem.
Datorit acestui fapt aceste metode permit utilizarea secvenelor de semnale
aleatoare staionare de band larg - numite i procese aleatoare - ca semnale de
intrare. Avantajul utilizrii proceselor aleatoare pentru identificarea sistemelor const
n (a) reducerea duratei experimentului, (b) sensibilitatea sczut la zgomotul aditiv
pe liniile de msurare i (c) nu necesit dispozitive dedicate pentru generarea
semnalelor de test generatoarele de semnal aleator fiind implementate software.
5.3.1 Principiul metodei
Metoda analizei de corelaie const determinarea secvenei pondere a sistemului
testat, [ ] { }

=0 k
k g prin evaluarea ecuaiei Wiener-Hopf ntre funciile de corelaie ale
secvenelor semnalelor de intrare, [ ] { }

=0 k
k u respectiv de ieire, [ ] { }

=0 k
k y :



143

[ ] [ ] [ ] k r k g r
uu
k
yu
=

=

0
,
(185.)
n care:
(i)
[ ] [ ] [ ] [ ] k n i k u i g k y
i
+ =

=0


este modelul procesului, [ ] k n este zgomotul aditiv la portul de ieire al sistemului i
(ii)
[ ] [ ] [ ] { } [ ] [ ]

=

+ = + =
0
1
lim
k
N
yu
k u k y
N
k u k y E r ,

(iii)
[ ] [ ] [ ] { } [ ] [ ]

=

+ = + =
0
1
lim
k
N
uu
k u k u
N
k u k u E r ,

reprezint funcia de intercorelaie dintre semnalele de ieire i de intrare - relaia (i),
respectiv funcia de autocorelaie a semnalului de intrare - relaia (ii).
Pentru cazul n care semnalul de intrare este zgomotul alb, funcia de autocorelaie
este dat de relaia:

[ ]
{ }

=
=
0 \ 0
0
2
R
r
u
uu


.
(186.)
Cu ipoteza c semnalul de ieire nu este perturbat cu zgomot aditiv, pe baza relaiei
(186) rezult c:
[ ]
[ ]
[ ]
[ ]
0
0

2
= =

u
yu
uu
yu
r
r
r
g . (187.)
n care, [ ]
+
R , r
yu
este funcia de intercorelaie intrare / ieire i [ ] g este secvena
pondere estimat a sistemului.
Cu alte cuvinte, eantioanele secvenei pondere sunt direct proporionale cu
eantioanele funciei de intercorelaie dintre semnalele de ieire i de intrare; factorul
de proporionalitate este inversul varianei zgomotului alb,
2
1 .

Figura 57. Estimarea secvenei pondere a unui sistem de tip
1
PT
cu metoda analizei de corelaie; o
secven a semnalului de intrare



144

Figura 58. Estimarea secvenei pondere a unui sistem de tip
1
PT
cu metoda analizei de corelaie;
secvene ale semnalului de ieire, (1) i zgomotului (2).

Figura 59. Estimarea secvenei pondere a unui sistem de tip
1
PT
cu metoda analizei de corelaie; o
estimare a funciei de autocorelaie a semnalului de intrare.

Figura 60. Estimarea secvenei pondere a unui sistem de tip
1
PT
cu metoda analizei de corelaie;
secvena pondere, (1) - curba teoretic, (2) - media a 100 de determinri ale secvenei funciei de
intercorelaie dintre semnalele de intrare/ieire, (3) - curbele limit ale valorilor secvenelor funciei
de intercorelaie rezultate din cele 100 de experimente.
O alternativ const n aproximarea secvenei pondere real cu o secvena pondere
trunchiat [4]:

[ ]
[ ]

>
=
=
M k
M k k g
k g
0
, 1
.
(188.)



145
Modelul sistemului descris prin relaia precedent se numete modelul FIR al
sistemului de la finite impuse response (eng.).
Pe baza relaiilor (185) i (186) se obine urmtorul sistem de M ecuaii liniare cu
M necunoscute.

[ ]
[ ]
[ ]
[ ] [ ] ( ) [ ]
[ ] [ ] ( ) [ ]
[ ] [ ] [ ]
[ ]
[ ]
[ ]
=
(
(
(
(

(
(
(
(




=
(
(
(
(
(

1
1
0
0 2 1
1 1 0 1
1 1 0
1
1
0
M g
g
g
r M r M r
M r r r
M r r r
M r
r
r
uu uu uu
uu uu uu
uu uu uu
yu
yu
yu
M
K
M K M M
K
K
M



[ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ]
[ ]
[ ]
(
(
(
(

(
(
(
(

=
1
1
0
0 2 1
2 0 1
1 1 0
M g
g
g
r M r M r
M r r r
M r r r
uu uu uu
uu uu uu
uu uu uu
M
K
M K M M
K
K
.
(189.)
Implementarea metodei, n ambele variante asociaz urmtoarele probleme: (1)
deoarece calculele se efectuez pe secvene de lungime finit ale semnalelor prima
problem const n evaluarea erorilor sistematice ale metodei i (2) valorile rezultate
din msurtori sunt inerent afectate de zgomot, prin urmare se pune problema
efectului zgomotului aditiv pe liniile de msurare asupra preciziei modelului estimat.
Exemplul 36: Identificarea unui proces de tip
1
PT .
n Figura 60 se prezint rezultatele implementrii metodei analizei de corelaie pentru
un sistem descris prin funcia de transfer:
( )
1 1 . 0
10
+
=
s
s G . (190.)
Semnalul la portul de intrare, [ ] { }
1000
1 = k
k u este un proces aleator aleator staionar, cu
distribuie normal, valoarea medie 0 =
u
i variana 1
2
=
u
. Domeniul de valori ale
semnalului de intrare este reprezentat de mulimea numrabil { } 1 ; 0 ; 1 . Semnalul la
portul de ieire al sistemului a fost perturbat cu un zgomot aditiv, cu distribuie
uniform, necorelat cu semnalul la portul de intrare al sistemului. Maximul
amplitudinii zgomotului aditiv reprezint % 10 din amplitudinea semnalului la portul de
intrare al sistemului.
n Figura 60 este reprezentat graficul funciei de autocorelaie a unei realizri a
secvenei semnalului de intrare. Se constat c valorile funciei de autocorelaie,
determinat pe o secven de lungime finit de eantioane difer valorile teoretice n
special n vecintatea originii. Valorile funciei de intercorelaie dintre semnalele de
ieire i de intrare, calculate pentru o realizare oarecare a secvenei semnalului de
ieire este la rndul ei diferit de valoarea teoretic a acestei funcii. Variana funciei
de intercorelaie, reprezentat cu linie punctat este mare.
n continuare, experimentul a fost repetat de 100 = N de ori i a fost calculat funcia
de intercorelaie medie asociat acestor experimente. Aceast funcie este
reprezentat grafic n Figura 60 cu linie continu. Se constat c funcia de
intercorelaie medie aproximeaz foarte bine funcia teoretic.



146
5.3.2 Evaluarea erorilor sistematice ale metodei
Se consider sistemului:

[ ] [ ] [ ] [ ] N + =

=
, k , k n k u g k y
0
.
(191.)
n care [ ] { }
+
=0 k
k n este un proces aleator independent n raport cu semnalul de intrare.
Conform analizei prezentate n acest paragraf, expresia funciei pondere estimat
este urmtoarea:
[ ]
[ ]
[ ] 0 r
k r
k g
uu
yu

= . (192.)
Problema evaluarea erorilor sistematice ale metodei analizei de corelaie se reduce
la problema analizei statistice a mediei i varianei diferenei dintre valorile adevrate
ale funciei podere i valorile corespunztoare ale estimatorului acesteia,
[ ] [ ] ( ) k g k g .
O analiz a acestei probleme este prezentat n [4], pag. 58. Concluziile care rezult
sunt urmtoarele (1) n medie statistic estimatorul reprezentat prin relaia
precedent converge spre valoarea adevrat i (2) o realizare oarecare a
estimatorului reprezentat prin relaia de mai sus nu converge spre valoarea
adevrat chiar dac numrul de eantioane tinde spre infinit. Din acest motiv, se
recomand divizarea datelor prelevate din proces ntr-un numr de N seturi,
aplicarea metodei de N ori; estimatorul rezult prin medierea celor N realizri ale
acestuia.
Metoda analizei spectrale
Principiul metodei
Modelul procesului este dat de relaia care urmeaz.

[ ] [ ] [ ] [ ] N + =

=
, k , k n k u g k y
0
.
(193.)
n care, [ ] { }
+
=0 k
k u i [ ] { }
+
=0 k
k n sunt procese aleatoare staionare, independente statistic,
[ ] { }
+
=0 k
k g este secvena pondere a sistemului; reprezentate prin densitile spectrale
de putere proprii ( )
uu
S , ( )
yy
S mutual ( )
yu
S .
Metoda const n determinarea funciei de frecven a sistemului testat, ( )
j
e G prin
evaluarea funciilor densitate spectral de putere proprie a semnalului de intrare,
( )
uu
S i densitate spectral de putere mutual dintre semnalele la porturile de
ieire i de intrare ale sistemului, ( )
yu
S .
Evaluarea funciei de frecven se face cu relaiile:
( ) ( ) ( )

uu
j
yu
S e G S =

( )
( )
( )

uu
yu j
S
S
e G =

. (194.)



147



Figura 61. Experiment de analiz spectral. Procesul aleator la portul intrare - graficul de sus i de
ieire - graficul de jos.


Figura 62. Densitatea spectral de putere a procesului aleator la portul de intrare - graficul de sus;
Densitatea spectral de putere mutual ieire / intrare - graficul de jos; (1) i (3) curbele medii; (2)
i (4) realizrile corespunztoare testului 50.



148
Calculul funciilor densitate spectral de putere pornind de la valori msurate ale
eantioanelor semnalelor se face cu ajutorul funciilor de corelaie i se ine cont de
teorema Wiener-Khinchin. Rezult relaiile:

( ) ( )

j
yu yu
e r S
2
1
,
(195.)

( ) ( )

j
uu uu
e r S
2
1
.
(196.)
n aplicaii, calculele se efectueaz pe baza secvenelor de lungime finit ale
semnalelor. Estimarea valorilor funciilor densitate spectral de putere pe baza unei
secvene de lungime finit, N se face cu relaiile care urmeaz.

( ) ( )

=
N
N
j
uu uu
e r S


2
1

,
(197.)

( ) ( )

=
N
N
j
yu yu
e r S


2
1

.
(198.)
n relaiile (197), (198) rmne de rezolvat problema estimrii valorilor funciilor de
corelaie pe baza valorilor secvenelor msurate ale semnalelor. Pentru aceasta se
utilizeaz urmtoarele relaii.

( ) [ ] [ ]

=
=
N
k
uu
k u k u
N
r
1
1
,
(199.)

( ) [ ] [ ]

=
=
N
k
yu
k u k y
N
r
1
1
.
(200.)
Pentru optimizarea calculelor se ine cont c secvenele semnalelor sunt de lungime
finit i deci valorile acestora sunt egale cu zero pentru 0 < k respectiv pentru N k > .
Rezult c indicii eantioanelor trebuie s satisfac simultan condiiile: 1 k , N k ,
0 k i N k .
Din relaiile (199) - (200) rezult urmtoarea expresie pentru valorile estimate ale
funciilor densitate spectral de putere.

( ) [ ] [ ]
( )
( )

=

|
|

\
|


=
N
N
j
N
k
uu
e k u k u
N
S

; 0 max
; 0 min 1
2
1

,
(201.)

( ) [ ] [ ]
( )
( )

=

|
|

\
|


=
N
N
j
N
k
yu
e k u k y
N
S

; 0 max
; 0 min 1
2
1

.
(202.)
Domeniul de valori ale indicilor eantioanelor poate fi restrns n continuare dac se
face schimbarea de variabil + = k i se obine:

( ) [ ] [ ]
( )
[ ] [ ] ( ) ( )




=

=
=

=


=
+
=
=

=
N N
N
k j j
N
k
N
k j
N
k
uu
U U
N
e e k u u
N
e k u u
N
S
2
1
2
1
2
1

1 1
1 1
;
(203.)



149

( ) [ ] [ ]
( )
[ ] [ ] ( ) ( )




=

=
=

=


=
+
=
=

=
N N
N
k j j
N
k
N
k j
N
k
yu
U Y
N
e e k u y
N
e k u y
N
S
2
1
2
1
2
1

1 1
1 1
.
(204.)
n relaiile precedente, ( )
N
U i ( )
N
Y reprezint densitile spectrale de amplitudine
ale secvenelor de lungime finit N ale semnalelor de intrare i respectiv de ieire.
Densitatea spectral de putere calculat pentru secvena de lungime finit
N calculat cu relaia (203) se numete periodogram.
Relaiile (203) i (204) sugereaz posibilitatea estimrii funciei de frecven pe baza
densitilor spectrale de amplitudine ale secvenelor de lungime finit N ale
semnalelor dup cum urmeaz:

( )
( )
( )

N
N j
U
Y
e G =

.
(205.)
Funcia ( )
j
e G

obinut pe baza relaiei (205) se numete funcie de transfer


empiric.
Estimarea funciei de frecven pe baza relaiei (205) i a secvenelor proceselor
aleatoare de intrare respectiv de ieire de lungime finit este imprecis. Justificarea
se faptul c, chiar dac procesele aleatoare au transformat Fourier - de exemplu
dac sunt periodice, totui coeficienii Fourier nu iau valori deterministe ci sunt funcii
de variabil aleatoare.
Pe de alt parte, dac estimarea se face cu relaia (205) i prin estimarea funciilor
densitate spectral de putere date de relaiile (201) i (202), funcia de frecven
estimat pe baza unei singure realizri de lungime N a secvenelor celor dou
semnale nu converge spre valoarea teoretic chiar dac lungimea N este foarte
mare. n contrast, curba medie a funciei de frecven calculat pentru un numr finit
de experimente realizate pe un numr finit de eantioane ale semnalelor este
convergent spre valoarea teoretic. Cu alte cuvinte, estimatul funciei de corelaie
calculat pentru o secven de lungime finit converge spre valoarea teoretic atunci
cnd numrul de eantioane tinde spre infinit, n timp ce variana estimatului nu tinde
spre zero n aceleai condiii. Aceste rezultate pot fi observate grafic n Figura 62.
Pentru a identifica mijloacele de rezolvare a problemei convergeniei estimatului
funciei de frecven se propune urmtoarea abordare. Se pornete de la faptul c
funciile de corelaie calculate pe o secven oarecare de lungime finit aproximeaz
funciile de corelaie teoretice - deterministe - ale semnalelor aleatoare de intrare
respectiv de ieire. Prin urmare, fiecare dintre aceste funcii rezult prin
suprapunerea a dou componente (1) o component determinist reprezentat de
funcia de corelaie teoretic i (2) o component aleatoare interpretat ca zgomot
aditiv. Rezult c, pentru mbuntirea convergenei estimatului trebuie eliminat
componenta aleatoare care apare n valorile estimate ale funciilor de corelaie.
Pentru eliminarea componentei aleatoare sunt posibile urmtoarele dou abordri.
Prima abordare, preluat de la metoda rspunsului tranzitoriu respectiv repetarea
experimentului n condiii similare de un numr M de ori i calculul curbei de corelaie



150
medii. Dezavantajul acestei metode const n necesitatea repetrii experimentului i
n volumul mare de calcule asociate.
A doua abordare este preluat din procesarea semnalelor. n acest caz, se utilizeaz
valori achiziionate ale secvenelor n cadrul unui singur experiment; valorile rezultate
ale funciilor de corelaie se nmulesc (se pondereaz) cu valorile unei funcii
fereastr, ( ) w

( ) ( ) ( )

=
N
N
j
yu yu
e w r S


2
1

.
(206.)
Funciile fereastr sunt astfel definite nct valorile funciei s fie egale cu zero n
exteriorul unui interval simetric; n interiorul intervalului, funcia pondereaz subunitar
valorile eantioanelor semnalului.
Trei exemple de funcii fereastr sunt prezentate n continuare.

( )
+

>

= R M
M
M
w ;
0
1

, (fereastr dreptunghiular);
(207.)

( )
+

>

\
|

+
= R M
M
M
M
w ;
0
cos 1
2
1


, (fereastr Hamming i
Tukey)
(208.)

( )
+

>

= R M
M
M
M
w ;
0
1

, (fereastr Bartlett)
(209.)
n Figurile 63 - 65 sunt prezentate graficele funciilor fereastr (207), (208) i (209) i
spectrele corespunztoare acestora. Se remarc faptul c spectrele funciilor
fereastr conin cte un lob central i lobi laterali delimitai prin puncte de minim
local. n domeniul frecvenelor, spectrul rezultant este produsul de convoluie dintre
spectrul funciei fereastr i spectrul funciei de intercorelaie calculat pe baza
secvenei de lungime finit a semnalelor, respectiv:
[ ] ( )[ ]
w r rw
S S S = . (210.)

Figura 63. Reprezentare grafic a funciei fereastr dreptunghiular. Graficul din stnga -
reprezentarea n domeniul timpului, graficul din dreapta - reprezentarea grafic a spectrului.



151

Figura 64. Reprezentare grafic a funciei fereastr Hamming. Graficul din stnga - reprezentarea n
domeniul timpului, graficul din dreapta - reprezentarea grafic a spectrului.

Figura 65. Reprezentare grafic a funciei fereastr Bartlett. Graficul din stnga - reprezentarea n
domeniul timpului, graficul din dreapta - reprezentarea grafic a spectrului.
n care
r
S reprezint spectrul discret al funciei de intercorelaie i
w
S este spectrul
discret al ferestrei.
Principiul care st la baza minimizrii efectului zgomotului const n alegerea
parametrului M al ferestrei astfel nct spectrul discret [ ]
rw
S obinut prin prelevarea
celor N frecvene din spectrul continuu ( )
rw
S s conin pulsaiile din lobul central -
corespunznd semnalului util i zonele de minim local asociate lobilor laterali -
datorate zgomotului.
Pentru alegerea valorilor parametrului M al ferestrei se recomand respectarea
urmtoarelor condiii:
N M << pentru a reduce fluctuaiile aleatoare ale periodogramei funciei de
intercorelaie i
( ) ( ) 0
u u
r r << pentru ( ) M astfel nct prile de interes ale spectrului s nu fie
netezite.
O interpretare a rolului funciei fereastr la diminuarea fluctuaiilor estimatului funciei
de frecven rezult dup cum urmeaz. n expresia funciei de autocorelaie
teoretic se mediaz suma unei infiniti de termeni formai din produse ale
eantioanelor celor dou procese aleatoare. Ponderea cea mai mare n rezultatul
final o au termenii care conin eantioanele la momente apropiate deoarece acestea



152
sunt corelate ntre ele n timp ce eantioanele la momente de timp foarte ndeprtate
unele de altele sunt slab corelate. n cazul funciei de autocorelaie estimate se
mediaz ( ) 1 2 + N eantioane; corelaia dintre eantioanele proceselor aleatoare este
mult mai mare dect n cazul teoretic. Prin nmulirea cu ponderi subunitare a
valorilor eantioanelor mai ndeprtate de momentul actual scade ponderea
termenilor produselor n care aceste eantioane apar la fel cu cazul funciei de
corelaie teoretice. Acest procedeu este utilizat pentru reducerea fluctuaiilor
estimatului i n cazul altor metode de identificare, de exemplu n cazul metodei
variabilelor instrumentale - Capitolul 7.



153
CAPITOLUL VI
PARAMETRIZAREA MODELELOR
Semnalele care sunt aplicate la porturile de intrare ale unui sistem liniar sufer
modificri datorate interaciunii cu acesta. Rezultatul acestei interaciuni se reflect n
caracteristicile semnalelor la porturile de ieire ale sistemului. Semnalele la porturi
sunt de asemenea transformate pe liniile de msurare i n echipamentele de calcul
asociate experimentului. Pn la acest punct s-a demonstrat c n absena
zgomotelor din sistem, dac semnalele la portul/porturile de intrare sunt deterministe
i dac se cunosc reprezentrile analitice ale acestora, atunci modul n care se
produce interaciunea ntre semnalele de intrare i sistem poate fi evaluat apriori,
pentru orice moment, pe baza unui model determinist al sistemului.
Presupunnd nc o dat c n sistem nu se produc zgomote, dac la porturile de
intrare se aplic procese aleatoare cu proprieti statistice cunoscute, atunci modul n
care se produce interaciunea dintre semnalele aleatore i sistem poate fi estimat n
medie pe o infinitate de eantioane ale semnalelor, cunoscnd un model al
determinist al sistemului.
n realitate, zgomotele care se produc n sistem afecteaz semnalele la porturile de
ieire din sistem i prin aceasta informaia util coninut n acestea. Sunt situaii, de
exemplu unele experimente de laborator, n care zgomotul din sistem este neglijabil
n comparaie cu semnalul util. n majoritatea cazurilor ns, semnalul util este
considerabil afectat de zgomot. Exemple tipice sunt instalaiile industriale,
teledetecia prin radar a obiectelor aflate la mare distan, comanda la distan prin
unde radio a roboilor, etc.
Modele de zgomot ale sistemelor liniare cu parametri
constani
Originea i porturile de intrare ale zgomotelor din sistem nu sunt cunoscute. Spre
exemplu, n echipamentele electrice, sursele de zgomot sunt localizate n
dispozitivele electrice / electronice care funcioneaz n comutaie, n conductele de
alimentare cu energie electric, n circuitele magnetice ale transformatoarelor
electrice datorit fenomenul de histerezis magnetic, n traductoarele de semnal i pe
liniile de msurare, etc. n mainile de lucru, zgomotele se produc n rulmeni i
lagre cu alunecare, datorit frecrii suprafeelor de contact dintre componente /
subansamble aflate n micare relativ, la trecerea prin ajutaje a fluidelor aflate sub
presiune, datorit fenomenului de rezonan mecanic, etc.
Modelul de zgomot pentru procesele staionare. Teorema factorizrii
spectrale
Existena zgomotului provenind din sistem poate fi pus n eviden prin msurarea
semnalelor la porturile de ieire n absena semnalelor de comand la porturile de
intrare. n Figura 66 sunt reprezentate graficele semnalelor obinute la portul de ieire
n cadrul unui experiment de msurare a momentului de inerie axial al rotorului unei
maini electrice prin metoda lansrii.




154


Figura 66. n centru, graficul curbei de autofrnare a rotorului unei maini electrice; graficele de sus
reprezint semnalului la portul de ieire - turaia rotorului nainte de momentul iniial al autofrnrii
i histograma acestuia; se evidenieaz caracterul aleator al procesului; graficele de jos reprezint
semnalul la portul de ieire dup oprirea rotorului i histograma acestuia.
Experimentul este descris n Capitolul 1. n graficul din dreapta-sus sunt prezentate
valorile msurate pe linia de msurare cu rotorul n stare de repaos. Dei mrimea
observat - turaia la axul rotorului are valoarea adevrat egal cu zero, la portul de
ieire se observ prezena unui semnal aleator - graficul din stnga jos. n graficul
din stnga sus sunt prezentate valorile msurate ale semnalului n cadrul unei
realizri a experimentului cu rotorul aflat n micare de rotaie. Prezena zgomotului
poate fi remarcat i n acest caz. Evalund valorile varianei i probabilitii empirice
ale zgomotului n cele dou cazuri analizate se poate constata c aceste valori sunt
comparabile i deci, n acest experiment sursele zgomotului sunt localizate cu
precdere pe linia de msurare a turaiei.



155

Figura 67. Observri ale vitezei msurate ntr-un experiment pentru determinarea experimental a
caracteristicii mecanice a unui motor asincron

Figura 68. Observri ale cuplului msurate ntr-un experiment pentru determinarea experimental a
caracteristicii mecanice a unui motor asincron.
n graficele din Figurile 67 - 68 sunt prezentate observri ale vitezei i respectiv
cuplului la arborele unei maini asincrone ntr-un experiment pentru determinarea
caracteristicii mecanice a unui motor asincron. Mrimea de comand este variaia
turaiei n raport cu turaia la mersul fr sarcin la arborele motorului; mrimea de
ieire este cuplul motorului. Pentru valori mici ale variaiei turaiei, predomin
zgomotele liniilor de msurare n timp ce zgomotele din sistem sunt neglijabile
asemntor cu exemplul precedent. La variaii mari ale turaiei, zgomotul provenit din
sistem este mare i afecteaz semnificativ valorile rezultate din msurtori.
Localizarea probabil a surselor zgomotului este la nivelul modulul mecanic al
standului: jocurile n angrenaje, elementele elastice, elementele de fixare.
n identificarea sistemelor, prezena zgomotului din sistem are ca efect scderea
preciziei algoritmilor de calcul i deci i a modelelor care se obin. Evaluarea erorilor
datorate zgomotului precum i minimizarea acestor erori sunt obiective importante
asociate tuturor metodelor de identificare a sistemelor. Pentru a ndeplini aceste
obiective se utilizeaz - prin analogie cu modelele deterministe ale sistemelor -
reprezentri analitice denumite modele de zgomot.
Pentru definirea unui model de tip intrare / ieire asociat zgomotului din sistem se
rein urmtoarele caracteristici: (a) natura surselor zgomotului din sistem nu pot fi
determinate cu exactitate, deci semnalele la porturile de intrare n model nu sunt
cunoscute n timp ce (b) semnalul la portul de ieire al modelului - zgomotul - poate fi
observat doar la liniile de msurare ale semnalelor i (c) modelul asociat zgomotului
nu poate fi acelai cu modelul determinist al sistemului deoarece localizarea



156
porturilor surselor zgomotului nu poate fi cunoscut cu exactitate.Prin urmare, n
legtur cu modelul de zgomot al unui sistem se pun urmtoarele probleme. (1)
demonstrarea existenei i unicitii modelului de zgomot; (2) definirea unui semnal
echivalent i a portului de intrare echivalent al modelului de zgomot i (3) gsirea
unei metode de determinare a parametrilor modelului de zgomot.
Zgomotul din sistem, ca orice proces aleator poate fi descris analitic n medie, pe
ansamblul unor realizri ale acestuia. Deoarece sunt disponibile valori observate /
msurate ale zgomotului prelevate din proces, soluia direct pentru descrierea
analitic a unui ansamblu de realizri ale zgomotului este calculul funciei de
autocorelaie a zgomotului, ( )
nn
r i respectiv echivalentul acesteia n domeniul
frecvenelor - densitatea spectral de putere proprie, ( )
nn
S .
Rezolvarea primei probleme respectiv existena modelului de zgomot cadrul analizei
spectrale se bazeaz pe urmtoarele trei teoreme. Primele dou enunuri se
reitereaz din Capitolul 3.
n propoziia se afirm c dac se aplic un proces aleator staionar n sens larg
( ) { } T t t u , la portul de intrare al a unui sistem stabil, descris prin funcia de transfer
( ) H (cu ( ) 0 lim =

t h
t
pentru ( ) 0 > t ) atunci, procesul la portul de
ieire, ( ) { } T t t y , este tot un proces staionar n sens larg.
Pe baza enunului precedent, dac se constat prin observaii c zgomotul din
sistem este un proces aleator staionar n sens larg, atunci se poate asocia un sistem
stabil echivalent avnd la portul de ieire procesul aleator observat i.e. zgomotul din
sistem i la portul de intrare un alt proces staionar n sens larg. Procesul staionar la
portul de intrare este fictiv i echivaleaz efectul surselor de zgomot distribuite
nedeterminat n sistem.
n propoziia se afirm c dac ( )
u
S este densitatea spectral de putere proprie a
procesului aleator la portul de intrare al unui sistem stabil cu funcia de transfer
( ) H , atunci densitatea spectral de putere a procesului aleator la portul de ieire
este dat de una dintre relaiile care urmeaz.

( ) ( ) ( ) =

u
2
j
y
S e H S - pentru sisteme discrete.
(211.)

( ) ( ) ( ) =
u
2
y
S j H S - pentru sisteme continue
(212.)
Teorema care urmeaz este o reciproc a propoziiei.
Teorema 15: teorema factorizrii spectrale. Dac ( ) { } T t t y este un proces staionar
n sens larg cu densitatea spectral de putere reprezentat printr-o funcie
raional,
y
S atunci exist o funcie de transfer ( ) ( ) ( ) = A C H cu toi polii n
interiorul regiunii de stabilitate i zerourile n interiorul sau pe frontiera regiunii de
stabilitate astfel nct:

( ) ( )
2
j
y
e H S

= - pentru sisteme discrete;
(213.)

( ) ( )
2
y
j H S = - pentru sisteme continue.
(214.)



157
Observaii. 1. Teorema factorizrii spectrale demonstreaz existena modelului de
zgomot i stabilete o legtur direct ntre densitatea spectral de putere a
zgomotului si modulul funciei de transfer a modelului de zgomot.
2. Dac se compar expresiile (211), (212) cu expresiile omoloage (213), (214)
rezult c densitatea spectral de putere a procesului aleator de intrare n modelul
de zgomot rezult ( ) 1 S
u
= ceea ce corespunde unui proces aleator de tip zgomot
alb cu media statistic egal cu zero i variana egal cu unitatea.
3. Se reamintete c n cazul metodei analizei spectrale - prezentat n Capitolul 5,
funcia de transfer a sistemului testat se obine pe baza estimrii funciei densitate
spectral de putere mutual dintre procesele aleatoare, observate la porturile de
ieire i respectiv de intrare, ( )
yu
S . n contrast, n cazul modelului de zgomot este
observabil densitatea spectral de putere proprie a zgomotului, ( )
y
S . Din acest
motiv informaia despre model este incomplet, n sensul c lipsete informaia
despre argumentul funciei de transfer. Modelul de zgomot nu poate fi determinat cu
exactitate pe baza datelor prelevate din sistem. Prin urmare, se pot defini mai multe
modele de zgomot care s corespund aceleiai funcii densitate spectral de
putere; informaia suplimentar, necesar pentru estimarea modelului de zgomot
trebuie furnizat de ctre experimentator.
4. Pe baza relaiilor (213), (214) i a teoremei Wiener-Khinchin se pot estima funcia
de autocorelaie a zgomotului, variana i media statistic ale acestuia.
Exemplul 37: estimarea varianei zgomotului pe baza densitii spectrale de putere.
Un proces aleator staionar discret are funcia densitate spectral de putere definit
dup cum urmeaz.

( )
( )
R a , 1 a ;
cos a 2 a 1
1
S
2 y
<
+
= ;
(215.)
Se cere s se determine modelul de zgomot i s se calculeze variana procesului
aleator.
Rezolvare.
(i) ( )
2
cos


+
=
j j
e e
; (conform cu teoremele lui Euler),
(ii)
( )
( ) ( )
1 e
a
a 1
e
e
a
1
a e a 1 e a
e
e e a a 1
1
S
j
2
2 j
j
j 2 2 j
j
j j 2 y
+
+

=
+ +
=
+ +
=





.
Se calculeaz polii i zerourile funciei densitate spectral de putere proprie ( )
y
S .
Pentru simplificarea scrierii se introduce notaia


=
j
e i se rezolv ecuaia
algebric de tip reciproc asociat:
(iii) 0 1
1
2
2
= +
+

a
a
.
|
|

\
|

+
=
|
|
|

\
|

|
|

\
| +

+
=
a
a
a
a
a
a
a
a
2 2
2
2 2
2 , 1
1 1
2
1
4
1 1
2
1
;



158
(iv)
a
a
a
a
a a
a
a
a
a
=

+ +
=
|
|

\
|

+
=
2
2
2
1 1 1 1
2
1
2 2 2 2 2
1
;
(v)
a a a
a a
a
a
a
a
1
2
2
2
1 1 1 1
2
1
2 2 2 2
2
=

+ +
=
|
|

\
|
+
+
= .
Se observ c soluiile ecuaiei algebrice verific proprietatea
2 1
1 = . Se rescrie
expresia (ii) dup cum urmeaz.
(vi)
( )
( )
( ) ( ) ( ) ( ) a e a e e a a e
e
a
e a e
e
a
S
j j j j
j
j j
j
yy

=

=
|

\
|

1
1 1
1
.
Pe baza teoremei factorizrii spectrale i a relaiei (vi) rezult:
(vii)
( ) ( ) ( )
( )
( ) ( ) a e a e
1
S
e H e H S
j j y
j j
y

=
=

( )
a e
e H
j
j

1
sau
( )
( )

=
j
j
j
j
e a
e
a e
e H
1
1
.
n relaiile (vii) se nlocuiete

=
j
e z i se obin expresiile funciilor de transfer ale
modelului de zgomot:
(viii) ( )
a z
z H

=
1
sau ( )
z a
z
z H

=
1
.
Din cerinele problemei, pentru a subunitar doar soluia, ( )
a z
z H

=
1
corespunde unui
sistem stabil.
Calculul varianei zgomotului se poate face cu ajutorul funciei de autocorelaie a
procesului aleator dup cum urmeaz.
(ix)
( ) ( )
( ) ( )

d
a e a e
d S r
j j yy yy y

+

= =
1
2
1
2
1
0
2
.
Cu notaia

=
j
e z rezult
z
z d
j
d z
j
= =
1
ln
1
i segmentul de dreapt pe axa
real [ ] ; se transform n cercul cu raza unitate n planul variabilei complexe z.
Rezult:
(x)
( ) ( )
( )
( ) ( )
( )



=

C C
y
dz
z z a a z
z
j
dz
z a z a z j
1
1 2
1 1 1
2
1
1
2

;
(xi)
( ) ( )
( )
( ) ( )
2
2
1
1
1
1
Rez
1 2
1
a z a a z z a a z
dz
j
a z C
y

=
(


=
=

.
La calculul integralei din relaia (xi) curba nchis ( ) C i.e. cercul unitate, se aplic
teorema reziduurilor i se ine cont c doar polul 1 ; < = a a z se afl n interiorul
acestei curbe.




159
Modele ale proceselor aleatoare
Procese aleatoare de tip ARMA
Dac ( ) ( ) ( ) z A z C z H = este funcia de transfer a modelului de zgomot determinat pe
baza teoremei factorizrii spectrale, atunci se poate obine urmtoarea ecuaie cu
diferene care asociaz eantioanele procesului aleator [ ] { }

=1 k
k n i.e. zgomotul din
sistem, modelul de zgomot ( ) H i eantioanele zgomotului alb [ ] { }

=1 k
k e :


( )
( )
( )
( )
( )
( )
[ ]
[ ] k e
k n
q A
q C
q H
z A
z C
z H = = =

1
1
1
( ) [ ] ( ) [ ] k e q C k n q A =
1 1
;

(216.)

( )
na
na
q a q a q a q A

+ + + + = K
2
2
1
1
1
1 ;


( )
nc
nc
q c q c q c q C

+ + + + = K
2
2
1
1
1
1 ;

n care:
1
q este operatorul de ntziere cu proprietatea [ ] [ ] 1
1
=

k y k y q .
Din ecuaia (6) i pe baza definiiei operatorului de ntrziere se obine urmtoarea
ecuaie cu diferene:

[ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] nc k e c k e c k e c k e
na k n a k n a k n a k n
nc
na
+ + + + =
= + + + +
K
K
2 1
2 1
2 1
2 1
;
(217.)
Procesul aleator descris prin ecuaia cu diferene (7) se numete proces de tip
autoregresiv cu medie alunectoare sau proces ( ) nc na ARMA , .
Procese aleatoare de tip MA
Dac n relaia (7) coeficienii na i a
i
, 1 ; 0 = = atunci rezult urmtoarea ecuaie cu
diferene.
[ ] [ ] [ ] [ ] [ ] nc k e c k e c k e c k e k n
nc
+ + + + = K 2 1
2 1
. (218.)
n ecuaia cu diferene (8) valoarea actual a eantionului zgomotului din sistem
depinde att de valoarea actual a eantionului zgomotului alb ct i de valori
precedente ale acestuia. Acest proces aleator se numete proces de tip medie
alunectoare sau proces ( ) nc MA .
Procese aleatoare de tip AR
Dac n relaia (7) coeficienii nc i c
i
, 1 ; 0 = = atunci rezult ecuaia cu diferene care
urmeaz.
[ ] [ ] [ ] [ ] [ ] k e na k n a k n a k n a k n
na
= + + + + K 2 1
2 1
; (219.)
n ecuaia cu diferene (9), valoarea actual a eantionului zgomotului din sistem
depinde de valorile precedente ale acestuia la care se adaug valoarea actual a
zgomotului alb. Acest proces se numete proces autoregresiv sau proces ( ) na AR .



160
Clasa modelelor polinomiale ale sistemelor liniare cu
parametri constani
Structura general a modelelor
n continuare se consider sistemul liniar cu parametri constani, stabil cu funcia de
transfer ( ) G , perturbat de zgomot i semnalul [ ] { }

=1 k
k u aplicat la portul de intrare al
sistemului. Zgomotul din sistem se reflect n semnalul la portul de ieire care va
conine o component datorat acestuia.
Deoarece sistemul este liniar, n baza principiului suprapunerii efectelor, semnalul la
portul de ieire al sistemului rezult ca sum ntre semnalul de ieire din sistemul
presupus fr zgomot i zgomotul din sistem.

[ ] ( ) [ ]
[ ]
[ ] k n k u q G k y
k y
d
+ =
=

43 42 1
1
;
(220.)
Cu ipotezele c zgomotul perturbator este staionar n sens larg i c acesta are
spectrul de putere reprezentat printr-o funcie raional, rezult c se poate defini un
model de zgomot avnd proprietile enunate n paragraful anterior, respectiv: (1)
funcia de transfer ( ) H este stabil i.e. polii sunt plasai n interiorul zonei de
stabilitate i zerourile n interiorul sau pe frontiera zonei de stabilitate, (2) semnalul la
portul de ieire este egal cu zgomotul din sistem i (3) semnalul la portul de intrare
este de tip zgomot alb cu media statistic zero i variana unitar, Figura 6.x.c. Deci:

[ ] ( ) [ ] [ ] { }
2 2 1
; = =

k e E k e q H k n
(221.)

[ ] ( ) [ ] ( ) [ ] k e q H k u q G k y + =
1 1
;
(222.)
n care ( )
1
q G i ( )
1
q H sunt funcii de transfer raionale stabile.
Dac ( )
1
q G i ( )
1
q H sunt funcii de transfer raionale care satisfac condiiile de mai
sus, se obine un model care este format dintr-o combinaie liniar a eantioanelor
semnalelor / datelor msurate i o combinaie neliniar a coeficienilor polinoamelor
dup cum rezult din exemplul care urmeaz.
Exemplul 38: Model liniar n datele msurate i neliniar n parametri.
Fie modelele prilor deterministe respectiv de zgomot reprezentate prin funciile de
transfer:
(i)
( )
[ ]
[ ] k u
k w
q a
q b
q G =
+

1
1
1
1
;

(ii)
( )
[ ]
[ ] k e
k n
q c
q d
q H =
+
+
=

1
1
1
1
1
;


[ ] [ ] [ ] [ ] [ ] k e
q c
q d
k u
q a
q b
k n k w k y
+
+
+
+

= + =

1
1
1
1
1
1
1
;


( ) ( ) [ ] [ ] ( ) [ ] k e q d k u q b k y q c q a + + = + +
1 1 1 1
1 1 1 ;




161

( ) [ ] [ ] ( ) [ ] k e q d k u q b k y q c a q c q a + + = + + +
1 1 2 1 1
1 1
(223.)
Se observ c n ultima expresie apare termenul
2
q c a care conine produsul celor
doi coeficieni ceea ce face ca modelul s nu fie liniar n parametri. Condiia ca
modelul s fie liniar att n datele msurate ct i n parametri este favorabil pentru
rezolvarea problemelor de identificare.
n acord cu definiia enunat n capitolul 4, primul paragraf, modelul descris prin
ecuaia cu diferene (220) este un model de tip stochastic.
Modelul (222) este complet definit prin coeficienii polinoamelor care apar n
compunerea funciilor raionale ( )
1
q G i ( )
1
q H . Aceti coeficieni sunt parametrii
modelului. Prin urmare, modelul verific i definiia modelelor de tip parametric.
Polinoamele care apar n expresiile funciilor de transfer ( )
1
q G i ( )
1
q H fr a fi
definite prin gradul i coeficienii lor, definesc, n fapt structura general a modelelor
stochastice. Structura modelelor este foarte util deoarece aceasta este una dintre
datele de intrare n algoritmii de identificare de tip parametric. Datele de ieire din
algoritm - parametrii modelului - sunt de regul, grupai ntr-un vector care se
numete vectorul parametrilor i se noteaz, prin convenie, cu litera .
n continuare se prezint definiia complet, incluznd toate condiiile pe care trebuie
s le ndeplineasc entitile din expresia (222).
Definiia 57: Forma general a structurii modelelor sistemelor de tip SISO, liniare
stochastice, discrete este dat de expresia:

( ) [ ] ( ) [ ] ( ) [ ] [ ] { }
2 2 1 1
k e E ; k e ; q H k u ; q G k y : = + =

M ;
(224.)
n care:
[ ] k y i [ ] k u sunt eantioanele semnalelor la porturile de ieire i respectiv de intrare
i [ ] k e este eantionul unui proces aleator staionar de tip zgomot alb cu media
statistic nul i variana
2
.
( ) ;
1
q G i ( ) ;
1
q H sunt funcii de transfer raionale stabile cu proprietile:

( ) ( ) 1 ; 0 , 0 ; 0 = = H G i
( ) ( ) ( ) ; ; ; ;
1 1 1 1 1 1
q G q H q H sunt asimptotic stabile.

6.2.2 Parametrizarea structurilor de modele stochastice
Reprezentarea cea mai general a unui model liniar permite definirea cadrului
general n care se rezolv problema identificrii sistemelor. n aplicaiile concrete
sunt necesare unele informaii suplimentare despre sistem.
Prin parametrizarea structurii de modele se nelege specificarea modului n care
funciile de transfer ( ) ;
1
q G i ( ) ;
1
q H din expresia (224) depind de vectorul
parametrilor .
Pentru cazul sistemelor cu o singur intrare i o singur ieire, liniare, de ordin finit,
forma cea mai general de parametrizare este dat de ecuaia care urmeaz.



162

( ) [ ]
( )
( )
[ ]
( )
( )
[ ] [ ] { }
2 2
1
1
1
1
1
; = + =

k e E k e
q D
q C
k u
q F
q B
k y q A ;
(225.)
n care:

( ) N na q a q a q a q A
na
na
+ + + + =

; 1
2
2
1
1
1
K ;


( ) N nb q b q b q b q B
nb
nb
+ + + =

;
2
2
1
1
1
K ;


( ) N nc q c q c q c q C
nc
nc
+ + + + =

; 1
2
2
1
1
1
K ;


( ) nc nd na N nd q d q d q d q D
nd
nd
+ + + + + =

, ; 1
2
2
1
1
1
K ;


( ) nb nf na N nf q f q f q f q F
nf
nf
+ + + + + =

, ; 1
2
2
1
1
1
K .

n Figura 69 sunt prezentate diagrama bloc a modelului reprezentat n expresia (15).
Modelul (225) este rar utilizat n aplicaii deoarece nu este liniar n parametri dar,
prezint interes deoarece permite prezentarea sistematic a celorlalte clase de
modele.

Figura 69. Diagrama bloc ale modelului stochastic general.
Din relaia (225) se obine expresia:

[ ]
( )
( ) ( )
[ ]
( )
( ) ( )
[ ] [ ] { }
2 2
1 1
1
1 1
1
; =

k e E k e
q D q A
q C
k u
q F q A
q B
k y ;
(226.)

( )
( )
( ) ( )
( )
( )
( ) ( )
1 1
1
1
1 1
1
1
; ; ;

=
q D q A
q C
q H
q F q A
q B
q G .

Pe baza relaiilor (226) se obin urmtoarele clase de modele utilizate n aplicaii.
Modele de tip ARMAX
Modelele de tip ARMAX, i.e. modele de tip autoregresiv cu medie alunectoare i
intrare exogen - se obin pentru 0 = = nf nd .

( ) [ ] ( ) [ ] ( ) [ ] [ ] { }
2 2 1 1 1
; = + =

k e E k e q C k u q B k y q A ;
(227.)
sau:
[ ]
( )
( )
[ ]
( )
( )
[ ] [ ] { }
2 2
1
1
1
1
; = + =

k e E k e
q A
q C
k u
q A
q B
k y

Expresia (227) se rescrie sub forma desfurat i se obine urmtoarea ecuaie cu
diferene.



163

[ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] { }
2 2
1
1 1
; 1
1 1
= + + + +
+ + = + + +
k e E nc k e c k e c k e
nb k u b k u b na k y a k y a k y
nc
nb na
K
K K
.
(228.)
n relaia (228) termenii care conin eantioanele semnalului la portul de ieire la
momentele anterioare momentului actual se trec n membrul drept i rezult:

[ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] { }
2 2
temeni 1
1
temeni
1
temeni
1
; 1
1 1
= + + + +
+ + + =
+
k e E nc k e c k e c k e
nb k u b k u b na k y a k y a k y
nc
nc
nb
nb
na
na
4 4 4 4 4 4 3 4 4 4 4 4 4 2 1
K
4 4 4 4 4 3 4 4 4 4 4 2 1
K
4 4 4 4 4 4 3 4 4 4 4 4 4 2 1
K
.
(229.)
Modelul are dimensiunea 1 + + + nc nb na .
Relaia (229) se scrie sub form matriceal dup cum urmeaz:
[ ] [ ]
T
nc nb na
T T
c c b b a a k y K K K
1 1 1
1 ; = = = ; (230.)

[ ] [ ] [ ] [ ] [
[ ] [ ] [ ]]
T
nc k e k e k e
nb k u k u na k y k y

=
K
K K
1
1 1
;

Vectorul conine valorile coeficienilor polinoamelor ( )
1
q A , ( )
1
q B , ( )
1
q C , i se
numete vectorul parametrilor. Elementele vectorului sunt valorile eantioanelor
msurate ale semnalelor; acest vector se numete vectorul msurtorilor. Elementele
vectorului msurtorilor se numesc regresori.
Modelul de tip ARMAX are urmtoarele avantaje (1) este liniar n parametri i (2)
modelul de zgomot este flexibil astfel nct zgomotul poate fi estimat suficient de
precis n majoritatea cazurilor practice. Din aceste motive, modelul ARMAX este
frecvent utilizat n aplicaii.
Modele de tip ARX
Expresia modelului ARX (autoregresiv cu intrare exogen) se obine din expresia
general (226) pentru 0 = = = nc nf nd . Rezult urmtoarele expresii.

( ) [ ] ( ) [ ] [ ] [ ] { }
2 2 1 1
; = + =

k e E k e k u q B k y q A ;
(231.)
sau:
[ ]
( )
( )
[ ]
( )
[ ] [ ] { }
2 2
1 1
1
;
1
= + =

k e E k e
q A
k u
q A
q B
k y

Ecuaia cu diferene a modelului este:
[ ] [ ] [ ] [ ] [ ] [ ] k e nb k u b k u b na k y a k y a k y
nb na
+ + + = + + + K K 1 1
1 1
(232.)
Sub form matriceal, expresia (232) se scrie:
[ ] [ ] [ ] [ ]
T
nb na
T
b b a a k e k k y K K
1 1
; = + = (233.)

[ ] [ ] [ ] [ ] [ ]
T
nb k u k u na k y k y = K K 1 1

n expresia (233), vectorul parametrilor conine doar parametrii modelului determinist
(modelul sistemului fr zgomot) ceea ce simplific algoritmul de calcul. Zgomotul din
sistem este echivalat cu zgomotul alb ceea ce face ca modelul de zgomot s nu fie



164
flexibil. Cu toate acestea, modelele de tip ARX sunt frecvent utilizate deoarece permit
implementarea unor algoritmi de identificare liniari de exemplu algoritmul liniar al
celor mai mici ptrate.
Modele de tip FIR
Modelele de tip FIR (finite impulse response) se obin din expresia general (226)
pentru 0 = = = = nc na nf nd . Ecuaia modelului este:

[ ] ( ) [ ] [ ] [ ] { }
2 2 1
; = + =

k e E k e k u q B k y ;
(234.)
sau [ ] [ ] [ ] [ ] k e nb k u b k u b k y
nb
+ + + = K 1
1
, ecuaia cu diferene.
Expresia (234) are aspectul funciei podere, trunchiate la un numr finit de
eantioane ceea ce explic denumirea modelului.
Vectorul parametrilor este n acest caz [ ]
T
nb
b b K
1
= .
Modele de tip OE
Modelele OE (output error) se obin din expresia general (226) pentru
0 = = = nc na nd .

[ ]
( )
( )
[ ] [ ] [ ] { }
2 2
1
1
; = + =

k e E k e k u
q F
q B
k y
(235.)
Ecuaia (235) se poate scrie sub forma:

[ ] [ ]
( )
( )
[ ]
[ ]
43 42 1
k y
k u
q F
q B
k y k e

1
1
=

= ;
(236.)
n care termenul [ ]
( )
( )
[ ] k u
q F
q B
k y =

1
1
reprezint valoarea estimat a semnalului de
ieire din model. Diferena [ ] [ ] k y k y are prin urmare, semnificaia erorii dintre
valoarea msurat i valoarea estimat a semnalului la portul de ieire, ceea ce
justific denumirea modelului.
Modele de tip ARARX
n acest caz modelul de perturbaie este un proces de tip AR iar modelul determinist
este un proces de tip ARX. Modelul se obine din modelul general pentru 0 = = nc nf .

[ ]
( )
( )
[ ]
( ) ( )
[ ] [ ] { }
2 2
1 1 1
1
;
1
=

+ =

k e E k e
q D q A
k u
q A
q B
k y ;
(237.)
Avantajul acestei structuri de modele const n faptul c permite simplificarea
algoritmilor de identificare n cazul metodei generalizate a celor mai mici ptrate i
metodei variabilelor instrumentale. Gradul de generalitate al modelului este restrns.
Modele de tip Box-Jenkins
Dac 0 = na , din expresia general (226) se obine:



165

[ ]
( )
( )
[ ]
( )
( )
[ ] [ ] { }
2 2
1
1
1
1
; = + =

k e E k e
q D
q C
k u
q F
q B
k y .
(238.)
Spre deosebire de clasa de modele de tip ARMAX, n acest caz polinoamele de la
numitorii celor dou filtre sunt diferite ntre ele; modelele determinist i de zgomot ale
procesului nu au parametri comuni. Modelul nu este liniar n parametri dar utilizarea
acestuia este necesar n unele aplicaii.
Principii de alegere a clasei de structuri de modele
La nivelul superior de ierarhizare, structurile de modele sunt grupate n clase de
structuri de modele. De exemplu, toate structurile de modele polinomiale prezentate
mai sus formeaz o clas de structuri pe care o denumim clasa de structuri de
modele polinomiale. Alte exemple de clase sunt (1) clasa de structuri de modele
reprezentate n spaiul strilor i (2) clasa de structuri de modele reprezentate prin
ecuaii cu diferene neliniare.
n cadrul fiecrei clase de structuri, alegerea unei structuri de modele presupune
definirea valorilor parametrilor care definesc structura. De exemplu, n cazul clasei
structurilor de modele polinomiale, alegerea structurii de modele const n definirea
valorilor gradelor polinoamelor na , nb , nc , nd , i nf .
Implementarea algoritmilor de identificare de tip parametric presupune alegerea
apriori a clasei i respectiv a structurii de modele. Opiunea experimentatorului
pornete de la scopul care trebuie atins prin experimentului de identificare precum i
de la condiiile n care se va desfura experimentul.
n etapa de alegere a clasei de modele se recomand evaluarea influenei
urmtorilor factori.
(1) flexibilitatea structurii de modele: structura de modele aleas trebuie s descrie
integral regimul dinamic conform ipotezelor experimentatorului; att numrul gradelor
de libertate ale modelului ct i modul n care acesta se reflect asupra modelului
afecteaz rezultatul identificrii.
(2) parcimonia modelului: modelul trebuie s conin numrul minim de parametri
independeni necesari pentru a reprezenta regimul dinamic al sistemului real.
(3) complexitatea algoritmului: dei unele metode de identificare pot fi aplicate pe
diferite structuri de modele, trebuie s se in cont c efortul de calcul este diferit de
la caz la caz.
(4) proprietile de convergen ale funciei criteriu condiioneaz efortul de calcul i
influeneaz precizia estimatului mai ales dac funcia criteriu are mai multe puncte
de minim local.
Probleme
Problema 9: Se consider procesul staionar stochastic [ ] k y cu densitatea spectral
de putere dat de expresia:

( )

cos 8 2 . 8
cos 4 5
2
1

=
yy
S .




166
S se arate c acest proces poate fi reprezentat sub forma unui model ( ) 1 ; 1 ARMA i
s se determine parametrii modelului.
Rezolvare.
(i)
( )
( )
( )

=
j j
j j
yy
j j
e e
e e
S
e e
4 2 . 8
2 5
2
1
2
cos

( )
4 2 . 8 4
2 5 2
2
1
1
4 2 . 8
1
2 5
2
1
2
2
+
+

=
|
|

\
|

|
|

\
|

j j
j j
j
j
j
j
yy
e e
e e
e
e
e
e
S
Se descompune n factori primi expresia funciei densitate spectral de putere.
Pentru aceasta se introduce notaia


=
j
e i se rezolv ecuaiile algebrice asociate:
(ii) 2
1
;
2
1
4
3 5
4
16 25 5
0 2 5 2
1
2 1 2 , 1
2
= = =

=

= = +

;
25 , 1
1
; 8 , 0
8
8 , 1 2 , 8
8
64 24 , 67 2 , 8
0 4 2 , 8 4
1
2 1 2 , 1
2
= = =

=

= = +


Rezult c expresia funciei densitate spectral de putere se poate scrie sub forma
care urmeaz.
(iii)
( )
( ) ( )
( ) ( )
( ) ( )
( ) ( ) 25 , 1 25 , 1
2 2
2
1
8 , 0 25 , 1 4
5 , 0 2 2
2
1

j j
j j
j j
j j
yy
e e
e e
e e
e e
S .
Din teorema factorizrii spectrale rezult:
(iv) ( ) ( ) ( )

=
j j
yy
e H e H S
2
1
.
Pe baza relaiilor (iii) i (iv), se nlocuiete variabila

=
j
e z se obin urmtoarele
expresii pentru funcia de transfer a procesului:
(iv)
a. ( )
25 , 1
2

=
z
z
z H ; b. ( )
z
z
z H


=
25 , 1 1
2 1
;

c. ( )
z
z
z H

=
25 , 1 1
2
; d. ( )
25 , 1
2 1


=
z
z
z H .
Condiiile din teorema factorizrii spectrale impun ca polii funciei de transfer ( ) z H s
se afle n interiorul cercului cu raza unitate i zerourile acesteia s se afle fie n
interiorul fie pe cercul cu raza unitate, n planul variabilei complexe C z . Aceste
condiii sunt satisfcute de expresia "b".
n expresia funciei de transfer obinut mai sus se nlocuiete variabila complex z
cu operatorul de ntrziere
1
q pentru a obine funcia de transfer operaional a
procesului.



167
(v)
( )
( )
( )
( )
( )
[ ]
[ ] k e
k y
q
q
q
q
q
q
q H =


=


=

1
1
1
1
1
1
1
8 , 0 1
5 , 0 1 6 , 1
8 , 0 1 25 , 1
5 , 0 1 2
25 , 1
2
;

[ ] [ ] [ ] [ ] 1 8 , 0 6 , 1 1 8 , 0 = k e k e k y k y .
Prin urmare rezult un proces ( ) 1 ; 1 ARMA .
Problema 10: calculul valorilor funciilor de autocorelaie ale unui proces ( ) 1 AR .
S se determine funcia de autocovarian, [ ] N
yy
r a unui proces aleator de tip
( ) 1 AR reprezentat prin expresia:
(i)
[ ] [ ] [ ] [ ] { }
2 2
k e E 1 a k e 1 k y a k y = < = + ; .
n care [ ] { }
+
=1 k
k e este un proces aleator zgomot alb discret cu media statistic zero i
variana
2
.
Rezolvare.
Se va utiliza metoda mpririi directe. Se rescrie expresia de mai sus sub form
polinomial.
(ii)
( ) [ ] [ ]
2 1
k e k y q a 1 = +

[ ] [ ]
( )
( )
1
1
1
q A
q C
k e
q a 1
1
k y

=
+
= .
Se efectueaz mprirea polinoamelor din expresia (ii) pentru a obine o
reprezentare a procesului [ ] k y sub forma sumei seriei echivalente.
(iii)
[ ] ( )

=

= + + =
0 i
i i i 3 3 2 2 1
q a 1 q a q a q a 1 k y K .
Deoarece sistemul este stabil, seria reprezentat n expresia (iii) este convergent.
Funcia de autocorelaie se calculeaz cu expresia:

[ ] [ ] [ ] { } k y k y E r
y
+ = .
Cazul 0 = .

[ ] [ ] [ ] { } [ ] [ ] [ ] [ ] ( ) {
[ ] [ ] [ ] [ ] ( )} K
K
+ +
+ + = =
3 k e a 2 k e a 1 k e a k e
3 k e a 2 k e a 1 k e a k e E k y k y E 0 r
3 2
3 2
y


[ ] [ ] { } [ ] { } [ ] { } [ ] { }
( ) [ ] [ ] { } ( ) [ ] [ ] { } ( ) [ ] [ ] { } K
K
+ + + +
+ + + + =
3 k e k e E a 2 2 k e k e E a 2 1 k e k e E a 2
3 k e E a 2 k e E a 1 k e E a k e E 0 r
3 2
2 6 2 4 2 2 2
y


[ ] [ ]
{
[ ]
{
[ ]
{
[ ]
{
( ) [ ] ( ) [ ] ( ) [ ] K
3 2 1 3 2 1 3 2 1
K
+ + +
+ + + + =
= = =
= = = =
0
e
3
0
e
2
0
e
e
6
e
4
e
2
e y
3 r a 2 2 r a 2 1 r a 2
0 r a 0 r a 0 r a 0 r 0 r
2 2 2 2

(iv)
[ ] ( )
2
2
0 i
i 2 2 6 4 2 2
y
a 1
1
a a a a 1 0 r

= = + + + + =

K .



168
Cazul 1 = .

[ ] [ ] [ ] { } [ ] [ ] [ ] [ ] ( ) {
[ ] [ ] [ ] [ ] ( )} K
K
+ + +
+ + = + =
2 k e a 1 k e a k e a 1 k e
3 k e a 2 k e a 1 k e a k e E 1 k y k y E 1 r
3 2
3 2
y


[ ] [ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
K
4 4 3 4 4 2 1 4 4 3 4 4 2 1 4 4 3 4 4 2 1
K
4 4 4 3 4 4 4 2 1 4 4 4 3 4 4 4 2 1 43 42 1
+ + + +
=
= = =
= = =
2 r
3
1 r
2
1 r
0 r
5
0 r
3
0 r
y
e e e
e e e
2 k e k e E a 1 k e k e E a 1 k e k e E
2 k e 2 k e E a 1 k e 1 k e E a k e k e E a 1 r


[ ] ( )
( )
2
2
a 1 1
4 2 2 2 5 2 3 2
y
a 1
a
a a 1 a a a a 1 r
2

= + + + = =
=
4 4 3 4 4 2 1
K K .

Problema 11: calculul valorilor funciilor de corelaie ale unui proces ( ) 1 AR cu ajutorul
ecuaiilor Yule - Walker.
S se rezolve problema precedent cu ajutorul ecuaiilor Yule - Walker.
Rezolvare.
Ecuaiile Yule - Walker se obin prin nmulirea ecuaiei cu diferene care descrie
procesul cu semnale ntrziate cu pai; prin mediere statistic se obine un sistem
de ecuaii liniare n care variabilele sunt funciile de corelaie.
Fiind dat ecuaia cu diferene a procesului:
(i)
[ ] [ ] [ ] [ ] { }
2 2
k e E 1 a k e 1 k y a k y = < = + ; .
Cazul 0 = .
Se nmulete ecuaia (i) cu [ ] k y i se calculeaz media statistic dup cum urmeaz.

[ ] { } [ ] [ ] { } [ ] [ ] { } k e k y E 1 k y k y E a k y E
2
= +
(ii)
[ ] [ ]
2
y y
1 r a 0 r = + ,
n relaia de mai sus s-a inut cont c:

[ ] [ ] { } [ ] [ ] ( ) [ ] { } [ ] [ ] { } [ ] { }
2
k e E k e k y E a k e k e k y a E k e k y E
2
0
=
=
+ = + = .
Se nmulete ecuaia (i) cu [ ] 1 k y i se mediaz statistic dup cum urmeaz.

[ ] [ ] { } [ ] { } [ ] [ ] { } k e 1 k y E 1 k y E a 1 k y k y E
2
= +

[ ] [ ] { } [ ] [ ] ( ) [ ] { }
[ ] [ ] { } [ ] [ ] { } 0 k e 1 k e E k e 2 k y E a
k e 1 k e 2 k y a E k e 1 k y E
0 0
= + =
+ =
= =

(iii)
[ ] [ ] 0 0 r a 1 r
y y
= + .
Cu ajutorul ecuaiilor (ii) i (iii) se formeaz sistemul de ecuaii care urmeaz.



169
(iv)
[ ] [ ]
[ ] [ ]

= +
= +
0 1 r 0 r a
1 r a 0 r
y y
2
y y

[ ]
[ ]
(

=
(

0 1 r
0 r
1 a
a 1
2
y
y

[ ]
[ ]
(

=
(

0 1 a
a 1
a 1
1
1 r
0 r
2
2
y
y


[ ]
[ ]

=
2
2
y
2
2
y
a 1
a
1 r
a 1
0 r
.
Problema 12: calculul funciei de intercorelaie dintre dou procese ( ) 1 AR corelate
ntre ele.
Fie [ ] k y i [ ] k w dou procese ( ) 1 AR corelate, reprezentate prin ecuaiile cu diferene
care urmeaz.

[ ] [ ] [ ] 1 a k e 1 k y a k y < = + .

[ ] [ ] [ ] [ ] { }
2 2
k e E 1 d k e 1 k w d k w = < = + ;
Se cere s se calculeze [ ] 0 r
yw
> , ; Z .
Rezolvare
Modelele celor dou procese se scriu sub form polinomial

( ) [ ] [ ] k e k y q a 1
1
= +

; ( )
[ ]
[ ] ( )
1
1
q a 1
1
k e
k y
q G

+
= = ;

( ) [ ] [ ] k e k w q d 1
1
= +

( )
[ ]
[ ] ( )
1
1
q d 1
1
k e
k w
q H

+
= = .
Densitatea spectral de putere mutual dintre cele dou procese este dat de relaia
care urmeaz.

( ) ( ) ( )
2 j j
yw
e H e G S =


Funcia de intercorelaie se calculeaz cu ajutorul densitii spectrale de putere cu
relaia:

[ ] ( ) { } ( ) ( )





= = d e e H e G
2
1
S r
j 2 j j
yw yw
F

[ ] ( ) { }



+

+

+
= = d e
e d 1
1
e a 1
1
2
1
S r
j 2
j j yw yw
F
Se introduce transformarea

=
j
e z i se obine:



170

[ ]
( ) ( )




+

+


=
+


=

+

+
=
C
2
C
2
1
j 2
j j yw
dz z
z d 1
1
a z
1
j 2
1
z
dz
z
z d 1
1
z a 1
1
j 2
1
d e
e d 1
1
e a 1
1
2
1
r
;
n care curba nchis ( ) C este cercul unitate.
Deoarece funcia de sub integral are un singur pol n interiorul cercului unitate, cu
teorema reziduurilor se obine rezultatul care urmeaz.
[ ] ( ) 0 a
d a 1
r
2
yw
>

=

; .




171
CAPITOLUL VII
METODE DE IDENTIFICARE DE TIP PARAMETRIC
Parametrizarea modelelor permite definirea acestora pe baza unui numr restrns de
entiti - parametrii modelului - n comparaie cu definirea modelelor prin perechi de
valori ale funciilor care caracterizeaz procesele dinamice.
Metodele de identificare a sistemelor pentru modele de tip parametric sunt metode
de identificare a sistemelor ale cror rezultate sunt reprezentate prin seturi de valori
ale parametrilor acestora. Modelul de tip parametric este complet definit dac, pe
lng valorile parametrilor modelului este definit i clasa de modele n care modelul
se ncadreaz. Aceste aspecte vor fi prezentate n continuare.
Regresia liniar
Deseori, n practica msurtorilor experimentale se ntlnete cazul n care sunt
disponibile date rezultate din observaii la diferite momente de timp fr a preciza
variabilele care au generat aceste date. De exemplu, n Tabelul 22 sunt prezentate
date statistice privind evoluia anual a numrului de autovehicule rutiere de mic litraj
nmatriculate n Romnia n perioada 2005 - 2010.

Tabelul 22. Autovehicule nmatriculate n circulaie n perioada 2005 - 2010. (Anularul statistic 2011)
Index 1 2 3 4 5 6
Anul nmatriculrii 2005 2006 2007 2008 2009 2010
Numr de autoturisme
nmatriculate
3363779 3220682 3554404 4027367 4244922 4319701

Acest tip de date se numesc serii de timp. Seriile de timp sunt studiate n Statistic
dar prezint interes i pentru definirea metodelor de identificare de tip parametric a
sistemelor dinamice.
Interpolarea liniar
Vom porni de la observaiile prezentate n tabelul de mai sus. Problema interpolrii
liniare const n a gsi coeficienii n i a
i
, 1 = ai polinomului de grad n , prestabilit
care aproximeaz cel mai bine cele N valori rezultate din msurtori,

( )
0 1
1
1
a t a t a t a t y
n
n
n
n
+ + + =

K .
(239.)
Relaia (239) poate fi scris sub form matriceal dup cum urmeaz.

( ) ( ) = t t y
T
.
(240.)



172
n care ( ) [ ]
T
n n
t t t t 1
1
K

= se numete vectorul variabilelor de regresie sau pe


scurt, vectorul regresorilor; [ ]
T
n n
a a a a
0 1 1
K

= se numete vectorul
parametrilor i ( ) t y se numete variabila regresat. Expresiile (239) sau (240)
definesc o regresie liniar. Regresia liniar este cel mai simplu model de tip
parametric. De regul, 1 = n sau 0 = n . In primul caz se efectueaz o interpolare
liniar iar n cazul al doilea modelul care rezult se reduce la media aritmetic
asociat valorilor seriei de timp.
Alte exemple de regresii liniare sunt sumele poderate de funcii exponeniale utilizate
n analiza semnalelor tranzitorii i expresiile de tip funcie pondere trunchiat.
n cazul 1 = n , polinomul de interpolare se reduce la dreapta de ecuaie:
( ) ( )
0 1
a t a t y + = . (241.)
Pentru rezolvarea problemei de interpolare propus iniial se procedeaz dup cum
urmeaz.
Se definete eroarea dintre valoarea msurat,
i
y i valoarea estimat, ( )
i
t y
corespunztoare indexului i :
( ) ( )
0 1
a t a y t y y
i i i i i
+ = = . (242.)
Se definete, de asemenea, funcia criteriu reprezentnd suma ptratelor erorilor
tuturor celor N observaii dup cum urmeaz:

( ) ( ) [ ] ( ) [ ]

= = =
+ = = =
N
1 i
2
0 i 1 i
N
1 i
2
i i
N
1 i
2
i 0 1
a t a y
2
1
t y y
2
1
2
1
a ; a V .
(243.)
n ecuaia erorii cantitile
i
y i
i
t sunt cunoscute; cantitile necunoscute sunt
coeficienii polinomului de interpolare,
0
a i
1
a . Se consider mulimea tuturor
dreptelor de interpolare reprezentate prin relaia (241). Expresia (243) definete o
funcie
+
R R V
2
: n care domeniul de definiie reprezint mulimea tuturor
perechilor de valori ( )
0 1
; a a ale coeficienilor dreptei de interpolare i codomeniul
reprezint mulimea valorilor sumei erorilor de interpolare.
Dac exist o pereche de valori ( )
0 1
; a a pentru care funcia criteriu ( )
0 1
; a a V are un
minim absolut atunci, dreapta de ecuaie (242) aproximeaz cel mai bine - n sensul
celor mai mici ptrate - setul de valori rezultate din msurtori.
Condiiile pe care trebuie s le ndeplineasc funcia criteriu definit prin relaia (5)
pentru a avea un minim global sunt urmtoarele [5], pag.90.

( ) ( )
0
;
; 0
;
0
0 1
1
0 1
=

a
a a V
a
a a V
;
(244.)

( ) ( ) ( )
0
; ; ;
2
0
0 1
2
2
1
0 1
2
2
0 1
0 1
2
<

a
a a V
a
a a V
a a
a a V
;
(245.)



173

( )
0
;
2
1
0 1
2
>

a
a a V
. (246.)
Din relaiile (244) rezult:

( )
( ) [ ] ( )

=
= + =

N
i
i i i
t a t a y
a
a a V
1
0 1
1
0 1
0 2
;
;
(247.)

( )
( ) [ ] ( )

=
= + =

N
i
i i
a t a y
a
a a V
1
0 1
0
0 1
0 1 2
;
.
(248.)
Pe baza relaiilor precedente, innd cont c
0
a i
1
a nu sunt indexate cu indicele i
rezult urmtorul sistem de dou ecuaii liniare cu dou necunoscute.

= +
= +


= =
= = =
N
i
i
N
i
i
N
i
i i
N
i
i
N
i
i
y N a t a
t y t a t a
1
0
1
1
1 1
0
1
2
1
.
(249.)

(

\
|
=
(

\
|
= =


= = = =
=
= =
2
1 1
2 2
2
1 1
2
1
1 1
2
1 1
N
i
i
N
i
i
N
i
i
N
i
i N
i
i
N
i
i
N
i
i
S
t
N
t
N
N t t N
N t
t t



(

\
|

\
|
=


= = =
=
= =
N
i
i
N
i
i
N
i
i i N
i
i
N
i
i
N
i
i i
a
t y t y N
N y
t t y
1 1 1
1
1 1
1



(

\
|

\
|

|

\
|

\
|
=

=



= = = =
= =
= =
N
i
i
N
i
i i
N
i
i
N
i
i N
i
i
N
i
i
N
i
i i
N
i
i
a
t t y y t
y t
t y t
1 1 1 1
2
1 1
1 1
2
0


Soluia sistemului de ecuaii este urmtoarea:

( )
( )
2
2
2
1 1
2
1 1 1
1
1 1
1 1 1
1
i i
i i i i
N
i
i
N
i
i
N
i
i
N
i
i
N
i
i i
S
a
t t
t y t y
t
N
t
N
t
N
y
N
t y
N
a


=
(

\
|

(

\
|

|

\
|

=

=


= =
= = =
;
(250.)

=
(

\
|

|

\
|

(

\
|

|

\
|

|

\
|

|

\
|

=

=


= =
= = = =
2
1 1
2
1 1 1 1
2
0
1 1
1 1 1 1
0
N
i
i
N
i
i
N
i
i
N
i
i i
N
i
i
N
i
i
S
a
t
N
t
N
t
N
t y
N
y
N
t
N
a
(251.)



174

( ) ( ) ( ) ( )
( )
2
2
2
i i
i i i i i
t t
t t y y t


= ;

n care, cu bar superioar au fost notate valorile medii ale sumelor din expresiile
reprezentate desfurat.
Verificarea condiiilor (245) i (246).

( )

=
=

N
i
i
t
a a
a a V
1 0 1
0 1
2
2
;
;
( )

=
=

N
i
i
t
a
a a V
1
2
2
1
0 1
2
2
;
;
( )
N
a
a a V
=

2
;
2
0
0 1
2
.

=
(

\
|
=
|

\
|


= = = =
N
i
i
N
i
i
N
i
i
N
i
i
t N t t N t
1
2
2
1 1
2
2
1
4 4 2


( ) 2 ; 0 2 4 4
1
2
) Cauchy (
1
2
1 , 1
2
1
2
1
2
2
1
> < <
(
(
(

|
|
|

\
|
+ =

=
|
|

\
|

|

\
|

|

\
|

=

= =
= =
N t N t N t t t
N
i
i
t t t t
N
i
i
N
j i
j i
j i
N
i
i
N
j
j
N
i
i
N
j i
4 4 4 4 4 3 4 4 4 4 4 2 1



( )
0 2
;
1
2
2
1
0 1
2
> =

=
N
i
i
t
a
a a V

Calculele efectuate pentru valorile date n Tabelul 23 sunt prezentate n Figura 70.
Tabelul 23. Rezumatul calculelor pentru
interpolarea liniar a datelor privind
autovehiculele nmatriculate n Romnia n
perioada 2005-2010.
Anul
i
t

i
y

2
i
t

i i
y t

2005 1 3363779 1 3363779
2006 2 3220682 4 6441364
2007 3 3554404 9 10663212
2008 4 4027367 16 16109468
2009 5 4244922 25 21224610
2010 6 4319701 36 25918206
Suma: 21 22730855 91 83720639


Figura 70. Interpolarea liniar a datelor din
Tabelul 7.
Valorile parametrilor modelului sunt 237870
1
= a i 2955900
0
= a .
Identificarea parametrilor modelelor de tip regresie liniar
Problema interpolrii liniare conduce spre o problem mai general, des ntlnit n
practic n care se implic problema sistemelor de ecuaii liniare incompatibile. Se
pornete de la urmtorul exemplu.
Exemplul 39: Fiind date dou semnale discrete [ ] { } k u - semnal determinist, [ ] { } k y ,
legea:
[ ] [ ] [ ] ( ) [ ] [ ] [ ] k n n k u b n k u b k u b k u b k y
n n
+ + + + + =

1 1
1 1 0
K ; (252.)



175
i un set de n N > de valori msurate ale perechilor de valori ( ) N i y u
i i
, 1 ; ; = ale celor
dou semnale.S se determine valorile parametrilor modelului (252) cunoscnd setul
de perechi de valori rezultate din msurtori. Diagrama bloc a modelului este
reprezentat n figura urmtoare.


Figura 71. Model de tip MA(n).
Cazul 1.
Dac msurtorile nu sunt perturbate de zgomot, [ ] 0 = i n , ( ) N i , 1 = , atunci valorile
msurate coincid cu valorile teoretice pentru toate cele N msurtori, adic
[ ] i u u
i
= i [ ] i y y
i
= , ( ) N i , 1 = . Din relaia (252) se obine un sistem de ecuaii N
linare cu n necunoscute, N n < .

[ ] [ ] ( ) [ ] [ ] [ ]
[ ] [ ] ( ) [ ] [ ] [ ]

= + + +
= + + +

N y a n N u a n N u a N u a N u
y a n u a n u a u a u
n n
n n
1 1 0
1 1 0
1 1
1 1 1 1 0 1
K
M
K
.
(253.)
Sistemul (15) se scrie sub form matricial astfel:

[ ] [ ] ( ) [ ] [ ]
[ ] [ ] ( ) [ ] [ ]
( )
( )
{
[ ]
[ ]
( )
3 2 1
M M
4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 2 1
L
M M L M M
L
1
1
1
1 1
1 1 1 0 1
1
1
0

=
=

=
=


N
n
n N
N y
y
a
a
a
a
n N u n N u N u N u
n u n u u u
n
n
Y

;

Y = . (254.)
Sistemul (254) este compatibil deoarece are toi determinanii caracteristici nuli. Se
aleg oricare n ecuaii ca ecuaii principale i se rezolv sistemul format cu acestea.
Se obine soluia cu valori teoretice a modelului notat [ ]
T
n
a a a L
1 0 0
= . Celelalte
n N ecuaii sunt combinaii linare ale ecuaiilor principale deci vor avea aceleai
soluii.
Cazul 2.
Dac msurtorile sunt perturbate de zgomot, valorile msurate ale semnalului de
ieire nu coincid cu valorile teoretice, respectiv [ ] i u u
i
= i [ ] i y y
i
, N i , 1 = . Sistemul
de ecuaii liniare:

[ ] [ ] ( ) [ ] [ ]
[ ] [ ] ( ) [ ] [ ]

= + + +
= + + +

N n n
n n
y a n N u a n N u a N u a N u
y a n u a n u a u a u
1 1 0
1 1 1 0
1 1
1 1 1 0 1
K
M
K
;




176

[ ] [ ] ( ) [ ] [ ]
[ ] [ ] ( ) [ ] [ ]
{
{
Y

=
=

=
=


N
n
n
y
y
a
a
a
a
n N u n N u N u N u
n u n u u u
M M
4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 2 1
L
M M L M M
L
1
1
1
0
1 1
1 1 1 0 1
.
(255.)
este incompatibil deoarece are determinani caracteristici nenuli. n acest caz se pot
forma
n
N
C M = sisteme de ecuaii liniare de n ecuaii cu n necunoscute. Fiecare
dintre aceste sisteme de ecuaii, dac sunt compatibile, au soluii de forma
[ ] M j a a a
T
j n j
, 1 ;

1 0
= = L . Aceste soluii sunt diferite de soluia teoretic.
Rezult urmtoarea problem de interpolare: Fiind date cele M soluii ale sistemelor
de ecuaii obinute anterior, s se determine vectorul [ ]
T
n
a a a

1 0
L = care
aproximeaz cel mai bine cele M soluii. Acest vector se va numi n continuare
estimatorul celor mai mici ptrate. n limbajul algebrei liniare,

se numete
pseudosoluia sistemului incompatibil de ecuaii liniare Y = .
Se definete eroarea dintre valoarea msurat i valoarea adevrat la pasul i :

[ ]
[ ] [ ] ( ) [ ] [ ] ( )
[ ] =
+ + + =
=

i y
a n i u a n i u a i u a i u y
i y y
T
i
n n i
i i
1 1 0
1 1 K

.
(256.)
n care [ ] [ ] [ ] ( ) [ ] [ ] [ ]
T
n i u n i u i u i u i = 1 1 K . Erorile corespunztoare celor
N msurtori sunt date explicit astfel:

[ ]
[ ]
[ ]

=
=
=



N y
y
y
T
N N
T
T

M
2
1
2 2
1 1
.
(257.)
Relaiile precedente se scriu concentrat sub form matriceal astfel:

Y = ; cu vectorul
( ) 1
1

(
(
(

=
N
N
y
y
M Y ; matricea
[ ]
[ ]
( ) n N
T
T
N

(
(
(

M
1
;
(258.)
i

[ ]
[ ]
( ) 1 N
T
N
T
1
N
1
N y
1 y

(
(
(



=
(
(
(

=


M M . (259.)
Se definete funcia criteriu:



177

( )
2
1
2
2
1
2
1
2
1
= = =

=
T
N
i
i
V .
(260.)
Estimatorul celor mai mici ptrate este vectorul

care minimizeaz funcia criteriu


(260).
Soluia problemei de optimizare enunat mai sus este dat prin urmtoarea teorem
[7], pag.70.
Teorema 16: Fiind dat funcia criteriu ( )
2
2
1
2
1
= =
T
V n care este dat n
relaia (16). Dac matricea ( )
T
este pozitiv definit, atunci funcia ( ) V are
un punct de minim unic dat prin relaia:
( ) Y =

T T
1

; (261.)
valoarea minim a funciei cost este:
( ) ( ) ( ) [ ] Y Y Y Y

= =

T T T T
V V
1
2
1

min . (262.)
Demonstraie.
Cazul 1: matricea ( )
T
este pozitiv definit.
Varianta 1 a demonstraiei.
Din relaiile (259) i (260) se poate scrie:
(i) Y =
(ii)
( ) ( ) ( )
( ) Y Y Y Y
Y Y
+ =
= = =
T T T T T T
T T T T
V
2
1
2
1
2
1
.
Deci:
( ) ( ) Y Y Y Y + =
T T T T T T
V
2
1
. (263.)
Deoarece ( )
T
este pozitiv definit, rezult c funcia criteriu are un minim global
obinut pentru;
(iii)
( )
( ) 0 Y

= =
T T
d
V d
2 2
2
1
.

( ) Y =

T T
1


Pentru demonstrarea celei de-a doua pri a teoremei se nlocuiete expresia
estimatorului celor mai mici ptrate, obinut mai sus n expresia funciei criteriu -
relaia (ii) i se obine:



178
(iv)
( ) ( )
( ) [ ] Y Y Y Y
Y Y Y Y

2
1
2
1

=
= + =
T T T T T
T T T T T T
V
.
n relaia (iv) se compar termenul subliniat cu expresia (iii) i rezult c acest termen
este egal cu zero pentru

= ; se nlocuiete

cu expresia obinut mai sus i


rezult:
(iv) ( ) ( ) [ ] Y Y Y Y =

T T T T
V
1
2
1

.
Varianta 2 a demonstraiei.
Se observ c, n expresia funciei criteriu - relaia (260) - valorile perechilor
[ ] ( ) N i y i u
i
; 1 ; = sunt cunoscute i c variabila este reprezentat de componentele
vectorului . Prin urmare, aceast expresie conine termeni constani, termeni care
depind de i termeni care depind de
2
dar nu conine termeni n care s apar
produse de dou sau de mai multe entiti variabile. Rezult c expresia funciei cost
poate fi scris sub forma produsului scalar;
(i) ( ) [ ] [ ] Y Y = =
T T
V
2
1
2
1
;

( ) [ ] [ ] [ ] Y Y Y Y Y Y + = =
T T T T T T T T T
V
2
1
2
1
.
n relaia de mai sus se adun i se scade termenul ( ) Y Y

T T T
1
i rezult:
(ii)
( ) ( ) [
( ) ] Y Y
Y Y Y Y Y Y

+ + =

T T T
T T T T T T T T T
V
1
1
2
1

Se grupeaz termenii care conin variabila din relaia (ii), i expresia obinut se
scrie sub form de produs; termenii care nu conin variabila se grupeaz separat. Se
obine urmtorul rezultat:
(iii)
( ) ( ) [ ] ( ) ( ) [ ]
( ) [ ] Y Y Y Y
Y Y
+
+ =


T T T T
T T T
T
T T
V
1
1 1
2
1
2
1
.
Din ipotez, matricea( )
T
este pozitiv definit i deci, n relaia (iii) primul termen
este ntotdeauna pozitiv; termenul al doilea nu depinde de variabila - este
constant. Prin urmare, valoarea minim a funciei ( ) V se obine atunci cnd
valoarea primului termen este egal cu numrul zero. Deci:
(iv) ( ) ( ) Y 0 Y = =

T T T T
1 1

.
Cazul 2: matricea ( )
T
este singular (semipozitiv definit).



179
n acest caz, matricea ( )
T
nu este inversabil i prin urmare ipotezele formulate
n demonstraia de mai sus nu pot fi aplicate.
Se evalueaz gradientul funciei criteriu:
(v)
( )
( ) 0 = + = Y

T T T
d
V d

(vi) ( ) Y =
T T
. ( ) Y =

T T
1

.
Deoarece matricea ( )
T
este singular, rezult c rangul matricei este mai mic
dect ordinul modelului, n i prin urmare ecuaia (vi) are o infinitate de soluii. Se
adopt un subspaiu de elemente liniar independente ale matricei ; ( ) V descrie o
suprafa n a care are o infinitate de puncte de minim local.
Observaie. Forma explicit a estimatorului celor mai mici ptrate este reprezentat
prin relaia care urmeaz.


( ) ( ) ( ) ( )
(

=

=

=
N
t
N
t
T
t t t t
1
1
1

y ;

(264.)
Avantajul implementrii expresiei (264) const n faptul c nu mai trebuie definit
matricea care, de regul este de dimensiuni mari.
Observaie. Interpretarea geometric a estimatorului celor mai mici ptrate.
Fie ordinul modelului 2 = n i numrul observaiilor - egal cu numrul ecuaiilor,
3 = N .
n acest caz, matricele care apar sistemul de ecuaii se scriu dup cum urmeaz.

[ ] [ ]
[ ] [ ]
[ ] [ ] 2 3
1 2
0 1
u u
u u
u u
= ,
3
2
1
y
y
y
= Y ; i
1
0

a
a
= .
(265.)
Vectorii care se pot forma cu cele dou coloane ale matricei definesc un plan, ( )
n spaiul tridimensional. n genere, coloanele unei matrici definesc un subpaiu, notat
( ) . Notm n continuare dou observaii cu caracter general.
1. Fiind dat un vector v i o matrice . Vectorul ( ) v aparine subspaiului ( ) ; n
exemplul de fa, vectorul aparine planului ( ) .
2. Fiind dai doi vectori, v i w. Cei doi vectori sunt ortogonali, w v dac produsul
scalar:

0 = w v
T
.




180
Pe baza celor enunate mai sus rezult c vectorul ( )

aparine subspaiului ( ) .
n cazul analizat, acest vector aparine planului ( ) din spaiul tridimensional. n
continuare se evalueaz produsul scalar ( ) ( ) Y

T
i se obine:

( ) ( ) ( ) ( )
( ) 0


= =
= =
=0
Y
Y Y
T T T
T T
T
,

deoarece

este estimatorul celor mai mici ptrate i deci acesta verific relaia (261).


Figura 72. Interpretarea geometric a estimatorului celor mai mici ptrate.
Prin urmare, ( ) ( ) Y

respectiv vectorul ( )

este proiecia vectorului


Ype subspaiul ( ) .
n spaiul tridimensional, aceast concluzie se poate interpreta geometric astfel,
Figura 72:

corespunde valorii minime a distanei dintre vectorul Y i dreptele


coninute n planul ) ( ; acest minim este reprezentat de lungimea distanei dintre
vectorul Y i proiecia
acestuia pe planul ) ( .
Efectul zgomotului asupra preciziei estimatorului celor mai mici
ptrate
n modelul prezentat nu s-a fcut nici o referire la zgomotul care perturb variabila
regresat, [ ] k y . Pentru a analiza efectul zgomotului asupra preciziei estimatorului
celor mai mici ptrate, trebuie definite proprietile statistice ale zgomotului.
Fie modelul care urmeaz n care componenta determinist i zgomotul aditiv sunt
separate:

[ ] [ ] [ ] k e k k y
T
+ =
0
;
(266.)
n care
0
este vectorul parametrilor cu valori adevrate (neafectate de zgomot) i
[ ] k e este eantionul la momentul k al unui semnal zgomot alb cu media statistic
zero i variana
2
. Expresia (266) poate fi scris concentrat, sub urmtoarea form
matricial:



181
e Y + =
0
; (267.)
n care Yi au semnificaia cunoscut i [ ] [ ] [ ]
T
N e e K 1 = e .
Teorema 17: Fie estimatorul celor mai mici ptrate, reprezentat prin expresia:
( ) Y =

T T
1

.
Dac datele msurate verific expresia (267) n care [ ] t e este eantionul la momentul
t al unui semnal zgomot alb cu media statistic zero i variana
2
, atunci:
(i)
0

cu eroare zero;
(ii) matricea de covarian a estimatorului este dat de relaia:
( ) ( )
1
2

cov

=
T
;
(iii) un estimat al varianei zgomotului este dat de expresia:
( ) V
n N
e

=
2
2
.
Demonstraie.
(i) Din relaiile estimatorului celor mai mici ptrate rezult:
( ) ( ) ( ) e e + = + =

T T T T
1
0 0
1

; (268.)
n relaia (268) se aplic operatorul de mediere statistic i se obine:

{ } ( ) { }
0
1
0

e = + =
=

e
E E
T T

.
(269.)
(ii) Covariana estimatorului este dat de expresia:
( ) ( ) ( ) { }
T
E
0 0

cov = .
Din relaia (268) se obine
( ) e =

T T
1
0

; (270.)

( ) ( ) [ ] ( ) [ ] { }
( ) [ ] ( ) [ ] { }
( ) { } ( ) ( )
1
2
1 1
1 1
1 1
2

cov

=



= =
=
= =
e e
e e
e e
T T T T T
T T T T
T
T T T T
E
E
E

43 42 1
.
(271.)
(iii) Valoarea minim a funciei criteriu, poate fi scris dup cum urmeaz.
(i) ( ) ( ) [ ] ( ) [ ] Y I Y Y Y Y Y = =

T T T T T T T
V
1 1
2
1
2
1

.
Se nlocuiete Ydin relaia precedent i se obine:



182
(ii)
( ) ( ) ( ) [ ] ( )
( ) ( ) [ ] ( )
( ) [ ]
( ) [ ] e I e

e I e
e I e
0
+
+ =
+ + =
+ + =

T T T
T T T T T T
T T T T T
T T
T
V
1
0
1
0 0 0
0
1
0
0
1
0
2
1
2
1
2
1

.

( ) ( ) [ ] e I e =

T T T
V
1


n continuare se evalueaz valoarea medie a varianei zgomotului care perturb
procesul, reprezentat prin relaia propus n enun, respectiv:

{ }
( )
( ) [ ] { }
( ) [ ] { }
( ) [ ] { }
( ) ( ) [ ] { } ( )
2
2 2
1
2
1
1
1
2
tr tr
1
tr
1
tr
1
tr 2

=
)
`

=
)
`

=
)
`

n N
n N
n N
n N
n N
E
n N
E
n N
V
E E
T T
N
N
T T
N
T T T
N
T T
N
T
e
I
I I
e e I
e I e

.
Observaie. Teorema prezentat demonstreaz convergena estimatorului celor mai
mici ptrate pentru condiiile restrictive n care semnalul de intrare este determinist -
respectiv matricea este determinist - i zgomotul care perturb semnalul de
ieire este de tip zgomot alb - eantinoanele nu sunt corelate statistic ntre ele. n
(S&S) se demonstreaz c aceast condiie poate fi relaxat n sensul c se poate
obine un estimator convergent cu eroare zero i dac ntre eantioanele zgomotului
exist corelaie statistic.
Observaie. Relaia obinut probeaz c estimatorul

depinde printr-o funcie liniar


de datele msurate din proces. Un astfel de estimator se numete estimator liniar.
n sensul acestei definiii, estimatorul celor mai mici ptrate este un estimator liniar.
Metode de identificare bazate pe minimizarea erorii de
predicie
Regresia liniar descrie procese staionare la care amplitudinea i energia
semnalelor sunt constante sau variaz lent n funcie de timp.
Procesele dinamice sunt caracterizate prin faptul c amplitudinea semnalelor i
energia acestora depind de variabila timp; acest dependen se regsete n
reprezentarea modelelor proceselor continue prin prezena derivatelor funciilor-
semnal n raport cu timpul iar n cazul modelelor discrete prin termeni coninnd
valori ale eantioanelor semnalelor la diferite momente de timp.
Spre deosebire de modelele analizate mai sus, n cazul identificrii modelelor
dinamice cu metoda celor mai mici ptrate, matricea nu este determinist. Pentru
a justifica aceast afirmaie se prezint urmtorul exemplu.



183
Exemplul 40: Identificarea parametrilor unui proces ( ) 2 ARX cu metoda celor mai
mici ptrate.
Fie procesul descris prin urmtoarea ecuaie cu diferene.
[ ] [ ] [ ] [ ] [ ] k n k u b k y a k y a k y + = + +
0 2 1
2 1 ; (272.)
n care [ ] { }
N
k
k u
1 =
este o secven a unui semnal determinist cunoscut, aplicat la portul
de intrare i [ ] { }
N
k
k n
1 =
este un proces aleator - zgomotul care afecteaz sistemul i
[ ] { }
N
k
k y
1 =
este secvena corespunztoare a semnalului la portul de ieire afectat de
zgomot.
Se preleveaz 2 > N eantioane ale semnalelor de intrare/ieire i se scrie expresia
(272) sub forma:
[ ] [ ] [ ] [ ] [ ] k n k u b k y a k y a k y + + =
0 2 1
2 1 ; (273.)
Se obine urmtorul sistem de ecuaii liniare:

[ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ]

+ + =
+ + =
+ + =
N n N u b N y a N y a N y
n u b y a y a y
n u b y a y a y
0 2 1
0 2 1
0 2 1
2 1
2 2 0 1 2
1 1 1 0 1
M
; n Y + = ;
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ] N u N y N y
u y y
u y y
2 1
2 0 1
1 1 0



=
M M M

(274.)
n care valorile teoretice au fost nlocuite cu valorile msurate, afectate de zgomot.
n relaia (274), valorile elementelor matricei conin valori anterioare ale
eantioanelor semnalului la portul de ieire care sunt afectate de zgomot, deci sunt
secvene ale unor procese aleatoare. Rezult c n acest caz ipotezele formulate
anterior nu sunt ndeplinite. Datorit acestui fapt, valoarea eantionului semnalului la
portul de ieire la momentul actual nu poate fi determinat cu exactitate din observaii
anterioare.
n continuare, se prezint metodele de identificare a sistemelor discrete pentru care
modelul este un predictor ceea ce nseamn c modelul permite estimarea
semnalului la portul de ieire, la momentul actual, k n funcie de valorile
eantioanelor semnalelor la porturile de intrare / ieire, msurate la momente
anterioare,
i k
u

,
i k
y

, i k > .
Definiia 58: Predictor liniar. Fie modelul general cu structura:

[ ] ( ) [ ] ( ) [ ]
[ ] [ ] { } ( )
t k
T
t k E
k e q H k u q G k y
,
1 1
; ;
=
+ =

e e

;
(275.)
n care se presupune c modelul determinist are cel puin o ntrziere pur de la
portul de intrare spre portul de ieire, respectiv ( ) 0 ; 0 = G .



184
Se numete predictor liniar, funcia:

[ ] ( ) [ ] ( ) [ ] k u q L k y q L k k y + =

; ; ; 1
1
2
1
1
;
(276.)
n care ( ) ;
1
1

q L i ( ) ;
1
2

q L se numesc filtrele predictorului i ndeplinesc condiiile


restrictive ( ) 0 ; 0
1
= L i ( ) 0 ; 0
2
= L .
Definiia 59: Eroare de predicie. Fie [ ] ; 1 k k y un predictor liniar. Expresia

[ ] [ ] [ ] ; 1 ; = k k y k y k ;
(277.)
se numete eroare de predicie.
Principiul metodelor de identificare bazate pe minimizarea erorii de predicie este
reprezentat schematic n Figura 73.
Implementarea metodelor de identificare bazate pe minimizarea erorii de predicie
presupune parcurgerea urmtoarelor etape:

Figura 73. Diagrama bloc a metodelor de identificare bazate pe minimizarea erorii de predicie.
Alegerea structurii modelului, respectiv parametrizarea funciilor de transfer
operaionale ( ) ;
1
q G , ( ) ;
1
q H i ( ) .
Alegerea predictorului, respectiv definirea filtrelor acestuia ( ) ;
1
1

q L i ( ) ;
1
2

q L .
Alegerea criteriului de minimizare i.e. definirea unei funcii scalare depinznd de
eroarea de predicie prin minimizarea creia n raport cu vectorul parametrilor
modelului se obine cel mai bun predictor asociat clasei de structuri de modele.
Se vor prezenta: metoda celor mai mici ptrate simple, metoda celor mai mici ptrate
generalizate i metoda variabilelor instrumentale.
Metoda simpl a celor mai mici ptrate
Principiul metodei
Metoda simpl a celor mai mici ptrate simple se aplic modelelor de tip ( ) nb na ARX ; ,
Figura 74. Modelul sistemului se reprezint astfel:

Figura 74. Model de tip ARX (nb,na).



185


[ ] [ ] [ ]
[ ] [ ] [ ] k e nb k y b k u b
na k y a k y a k y
nb
na
+ + + =
= + + +
L
L
0
1
1
- (ecuaia cu diferene), sau

(278.)

[ ]
( )
( )
[ ]
( )
[ ] k e
q A
k u
q A
q B
k y + =

1 1
1
1
;



( )
na
na
q a q a q A

+ + = L
1
1
1
1 ;


( )
nb
nb
q b q b b q B

+ + = L
1
1 0
1
- (modelul polinomial).


Sistemul de ecuaii care descrie modelul propus este urmtorul:


( ) [ ] ( ) [ ]
[ ] [ ] [ ]
( ) [ ] [ ] ( ) ( ) [ ]
( ) [ ] ( ) [ ] ( ) [ ]
[ ]
43 42 1
k
k e q A k u q B k y q A
k u q B k e k y q A
k e k v k y
k u q B k v q A
=



+ =
=
+ =
=
1 1 1
1 1
1 1
.

(279.)
n relaiile (279) cantitile [ ] ( ) [ ] k e q A k =
1
se numesc resturile estimrii. Fie N ,
na N > observaii succesive ale procesului; pe baza modelului se obine un sistem
liniar de na N ecuaii dup cum urmeaz.
[ ]
[ ]
[ ]
[ ]
[ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ]

(
(
(
(
(
(
(
(
(
(

+ +
+ + +


=
(
(
(
(
(
(
(
(
(
(

+
+

1 1 1
2 2 2 1
1 1 1 2
1
1
2
1
nb na u na u y na y
nb na u na u y na y
nb N u N u na N y N y
nb N u N u na N y N y
na y
na y
N y
N y
L L
L L
M M M L M M
M M M L M M
M M M L M M
M M M L M M
L L
L L
M
M
M
M

(280.)



186
[ ]
[ ]
[ ]
[ ]
(
(
(
(
(
(
(
(
(
(

+
+

+
(
(
(
(
(
(
(
(
(
(

1
2
1
1
0
2
1
na
na
N
N
b
b
b
a
a
a
nb
nb
na

M
M
M
M
M
M
.
Sistemul de ecuaii (280) se scrie sub form concentrat astfel:
Y + = . (281.)
Se definete funcia criteriu:

= =

=
T
N
i
i
V
2
1
2
1
1
2
.
(282.)
Din relaiile precedente rezult urmtoarea expresie pentru funcia criteriu

( ) ( )
Y Y Y Y
Y Y
+ =
= =
T T T T T T
T
V
2
1
.
(283.)
Aceast relaie este asemntoare cu relaia (262); deosebirile dintre aceste relaii
constau n (1) faptul c elementele matricei din relaia (283) sunt variabile
aleatoare spre deosebire de cazul relaiei (262) n care aceste elemente sunt
deterministe i (2) elementele matricei din relaia (283) sunt eantioane att ale
semnalelor de intrare ct i de ieire spre deosebire de cazul relaiei (262) n care
apar doar eantioane ale semnalului de intrare.
Aceste deosebiri influeneaz proprietile statistice ale estimatorului celor mai mici
ptrate dup cum rezult din analiza prezentat n continuare.
Estimatorul celor mai mici ptrate reprezint vectorul parametrilor, notat

care
corespunde minimului absolut al funciei criteriu. Rezult c estimatorul este soluia
ecuaiei:

( )
( ) 0 Y

= =
T T
d
V d
2 2
2
1
;
(284.)

( ) Y =

T T
1

. (285.)
Se evalueaz derivata de ordinul doi a funciei criteriu:

( )

=
T
d
V d
2
2
.
(286.)
Matricea
T
este pozitiv definit cu excepia cazului n care aceast matrice este
singular (semipozitiv definit) - n acest caz metoda nu poate fi aplicat. Prin
urmare, soluia ecuaiei (284) definete un punct de minim global al funciei criteriu.



187
Calculul erorii estimatorului
Deoarece matricea nu este determinist se va evalua media statistic a
estimatorului prin aplicarea operatorului de mediere statistic .

{ } ( ) { } ( ) [ ] { }
( ) { }
( ) { }

Y
+ =
= + =
= + = =


T T
T T
T T T T
E
E
E E E
1
0
1
0
0
1 1

.
(287.)
Rezult c, pentru ca estimatorul s fie convergent spre valoarea adevrat a
vectorului parametrilor modelului, adic pentru ca { }
0

= E trebuie ndeplinit
condiia:
( ) { } 0 =

T T
E
1
. (288.)
Cu alte cuvinte, elementele matricei - respectiv eantioanele semnalelor coninute
n aceasta trebuie s nu fie corelate statistic cu eantioanele zgomotului - coninute
n vectorul .
Aceast condiie nu este ndeplinit.
Afirmaia de mai sus poate fi justificat n sens calitativ observnd c matricea
conine elemente ale eantioanelor semnalului de ieire afectate de zgomot.
Urmtorul exemplu ofer o evaluare cantitativ a erorii sistematice a estimatorului.
Exemplul 41: Calculul proprietilor statistice ale resturilor la estimarea unui sistem
de ordinul unu afectat de zgomot.
Fie un sistem afectat de zgomot i un model al acestui sistem. Ecuaiile modelului
sunt urmtoarele:
[ ] [ ] [ ] 1 1 = + k u b k v a k v - componenta determinist; (289.)

[ ] [ ] [ ] k e k v k y + = - semnalul de ieire afectat de zgomot (proces
aleator de tip zgomot alb).

Ecuaiile (289) se rescriu pentru a pune n eviden dependenele semnalelor de
intrare/ieire astfel:

[ ] [ ] [ ] [ ] [ ]
[ ]
[ ] [ ] [ ]
[ ] [ ] [ ] 1
1 1 1
+ =
=
+ + = +
=
k e a k e k
k v k e k y
k e a k e k u b k y a k y
k

;
(290.)
n relaiile (290), cantitatea notat cu se numete restul estimrii.
Zgomotul care perturb sistemul este un proces aleator de tip zgomot alb cu media
statistic zero i variana
2
, deci:

[ ] { }
[ ] [ ] { } [ ] k k i e i e E
k e E
=
=
2
0
; n care [ ]
{ }

=
=
0 \ Z k ; 0
0 k ; 1
k .
(291.)
Pentru nceput se evalueaz media statistic statistic a resturilor estimrii.



188

[ ] { } [ ] { } [ ] { } [ ] [ ] { } [ ] { } [ ] { } 0 1 1 1
0 0
= + = + = + =
= = = =
e e
k e E a k e E k a k e E k E a k e E k E

.
Deci, media statistic a resturilor estimrii este egal cu zero:
[ ] { } 0 = = k E

. (292.)
n continuare se calculeaz expresia funciei de intercorelaie a resturilor estimrii.

[ ] [ ] { } [ ] [ ] [ ] [ ] [ ] [ ] { }
[ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] { }
[ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
4 4 4 3 4 4 4 2 1 4 4 4 3 4 4 4 2 1 4 4 4 3 4 4 4 2 1 4 4 3 4 4 2 1
k k k k
k i e i e E a k i e i e E a k i e i e E a k i e i e E
k i e a i e a k i e a i e k i e i e a k i e i e E
k i e a k i e i e a i e E k i i E


= + = = =
+ + + =
+ + + =
+ + =
2 2 2 2
1 1 1 1
1 1 1 1
1 1
2
1 1

Deci, rezult pentru aceast funcie expresia:

[ ] [ ] [ ] { }
[ ] [ ] [ ] [ ]
( ) [ ] [ ] [ ] [ ] 1 1 1
1 1
2 2
2 2 2 2 2
+ + + + =
+ + + + =
=
k a k a k a
k a k a k a k
k i i E k r

.
(293.)
Rezult c ntre eantioanele resturilor estimrii exist corelaie statistic, deci
acestea nu sunt independente statistic..
Datorit acestui fapt, parametrii estimai i parametrii adevrai ai modelului nu sunt
egali,
0

. Diferena
0

reprezint eroarea de estimare.


Aceast eroare, numit i biasul estimatorului depinde de raportul dintre
amplitudinea zgomotului n comparaie cu amplitudinea semnalului util; cu ct
semnalul util este afectat de zgomot ntr-o proporie mai mare cu att biasul
estimatorului va fi mai mare.
Exemplul 42: Estimarea parametrilor modelului din exemplul precedent cu metoda
simpl a celor mai mici ptrate [4] pag 17.
Fie modelul din exemplul Exemplul 41. Se vor determina parametrii estimai ai
modelului/estimatorul celor mai mici ptrate, [ ]
T
b a

= cu metoda celor mai mici


ptrate.
Ecuaia cu diferene care descrie procesul, relaia (290) se scrie sub forma care
urmeaz.

[ ] [ ] [ ] [ ]
[ ] [ ] [ ] 1
1 1
+ =
+ + =
k e a k e k
k k u b k y a k y

;
(294.)
n care semnalul la portul de intrare, [ ] { }

=1 k
k u este un proces aleator zgomot alb cu
media statistic zero i variana
2
iar zgomotul care afecteaz sistemul, [ ] { }

=1 k
k e este
tot un proces aleator zgomot alb cu media statistic zero i variana
2
, necorelat
statistic cu procesul aleator la portul de intrare.
Fie 2 > N observaii ale procesului. Pe baza acestor observaii se formeaz un
sistem de 2 N ecuaii liniare:



189

[ ]
[ ]
[ ] [ ]
[ ] [ ]
{
[ ]
[ ]
3 2 1
M
4 4 4 4 3 4 4 4 4 2 1
M M
3 2 1
M

Y =
=
= =
(
(
(

+
(

(
(
(


=
(
(
(

1
N
b
a
1 u 1 y
1 N u 1 N y
2 y
N y
.
(295.)
Parametrii estimai se obin prin rezolvarea problemei de minimizare sunt dai de
expresia:
( ) Y =

T T
1

.
n care:

[ ] [ ]
[ ] [ ]
[ ] [ ]
[ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
(
(
(
(



=
(
(
(


=


= =
= =
=
N
k
N
k
N
k
N
k
T
k u
N
k u k y
N
k u k y
N
k y
N
N
u y
N u N y
u N u
y N y
1
2
1
1 1
2
1
1
1 1
1
1 1
1
1
1
0 0
1 1
0 1
0 1
4 4 4 4 3 4 4 4 4 2 1
M M
L
L

;
(296.)

[ ] [ ]
[ ] [ ]
[ ]
[ ]
[ ] [ ]
[ ] [ ]
(
(
(
(



=
(
(
(

=
=
N
k
N
k
T
k u k y
N
k y k y
N
N
y
N y
u N u
y N y
1
1
1
1
1
1
0
0 1
0 1
M
L
L
Y
.
(297.)
Din relaiile precedente rezult pentru estimatorul celor mai mici ptrate expresia
care urmeaz
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ]
[ ] [ ]
(
(
(
(




(
(
(
(



=
=

= =
= =
N
k
N
k
N
k
N
k
N
k
N
k
k u k y
N
k y k y
N
N
k u
N
k u k y
N
k u k y
N
k y
N
N
1
1
1
1
2
1
1 1
2
1
1
1
1
1
1
1 1
1
1 1
1
1
1
1

.
Dac numrul de observaii, N elementele matricilor din relaia de mai sus sunt
valori ale funciilor de corelaie asociate celor dou procese staionare; de exemplu
[ ] [ ] 0 1
1
lim
1
2
yy
N
k
N
r k y
N
=

=

, [ ] [ ] [ ] 1 1
1
lim
1
yy
N
k
N
r k y k y
N
=

=

, .a.m.d.
Cu aceste observaii, expresia estimatorului celor mai mici ptrate se scrie astfel:

[ ] [ ]
[ ] [ ]
[ ]
[ ]
(

1
1
0 0
0 0

1
yu
yy
uu yu
yu yy
r
r
r r
r r

.
(298.)
Din expresia (298) rezult urmtoarea observaie important.
Pentru calculul estimatorului celor mai mici ptrate, situaia cea mai favorabil este
atunci cnd semnalul la portul de intrare este un proces aleator staionar zgomot alb



190
cu parametrii statistici cunoscui cu precizie i cu reprezentrile analitice cele mai
simple.
Spre exemplu, n relaia precedent, funciile de corelaie ale semnalelor la porturile
sistemului, s se reprezinte analitic ct mai simplu. Aceast observaie justific
alegerea fcut iniial n legtur cu semnalul de intrare.
Expresiile valorilor funciilor de corelaie care apar n relaia (58) sunt urmtoarele:

[ ]
( )
2
2 2 2 2
1
1
0
a
a b
r
yy

+
=

;
(299.)

[ ]
2
2
2
1
1


=
a
b a
r
yy

(300.)

[ ]
2
0 =
uu
r
(301.)

[ ] 0 0 =
yu
r
(302.)

[ ]
2
1 = b r
yu

(303.)
Demonstraiile acestor relaii se propun spre rezolvare cititorului sau sunt prezentate
n [4].
Pe baza acestor rezultate se obine urmtoarea expresie pentru estimatorul celor
mai mici ptrate.

( )
(
(
(

(
(
(

+
=

2
2
2 2
1
2
2
2 2 2 2
1
0
0
1
1


b
a
b a
a
a b

;


( ) [ ]
( )
(
(
(

(
(
(

+
+

=
2
2
2 2
2
2 2 2 2
2
2 2 2 2 2
2
1
1
1
0
0
1
1


b
a
b a
a
a b
a b
a

;


( ) [ ]
( ) [ ]
( )
( )
(
(
(

+

=
(
(
(
(

=
b
a b
b a
b
a
a b
a b
a
a
b a
a b
a
2 2 2 2
2 2
2
2
2 2 2 2
2 2 2 2 2
2
2
2 2
2
2 2 2 2 2
2
1
1
1
1
1
1 1
1

;


( )
( )
(
(
(

=
(

=
b
a b
a a
a
b
a
2 2 2 2
2 2
1
1

.
(304.)
Rezultatul obinut probeaz faptul c parametrul a al estimatorului are eroare
sistematic (sau bias). Cel de-al doilea parametru al estimatorului, b

nu are bias.
Se remarc de asemenea c bias-ul estimatorului depinde att de variana a
procesului aleator utilizat ca semnal de intrare,
2
ct i de variana zgomotului din
sistem,
2
.



191
Exemplul 43: Estimarea parametrilor modelului cu metoda celor mai mici ptrate
simple (continuare).
Fie modelul adevrat al unui proces, descris prin urmtoarea ecuaie cu diferene:

( )
1
1
1
1
1
905 , 0 1
143 , 0
1

=
q
q
q a
q b
q G .
(305.)
n Figura 75 sunt reprezentate procesele aleatoare [ ] { }
150
1 = k
k u , i [ ] { }
150
1 = k
k y determinate
prin msurare la porturile de intrare i de ieire. [ ] { }
150
1 = k
k n reprezint zgomotul care
afecteaz sistemul.
Se estimeaz procesele aleatoare de intrare/ieire asociate modelului (67) cu un
model de tip ( ) 1 ; 1 ARX descris prin urmtoarea ecuaie cu diferene:
[ ] [ ] [ ] [ ] k e k u b k y a k y + = + 1 1 .
Pentru estimare se utilizeaz metoda celor mai mici ptrate simple. Rezultatele
calculelor sunt prezentate n Tabelul 24.
Tabelul 24. Rezultatul implementrii metodei celor mai mici ptrate.

Simbol
Modelul
adevrat
Modelul estimat
a

-0.905 -0.927
b

0.143 0.143

Graficele semnalelor precum i graficele rspunsurilor la semnal treapt unitar ale
celor dou modele sunt reprezentate n Figura 76. Se observ c parametrul b este
estimat cu exactitate n timp ce precizia de estimare a parametrului a este mai
redus. De remarcat c, n ecuaia cu diferene a procesului, acest parametru apare
ca factor al termenului [ ] 1 k y fiind deci influenat de corelaia dintre procesele
[ ] { }
150
1 = k
k y
i
[ ] { }
150
1 = k
k n
.


Figura 75. Reprezentrile grafice ale semnalelor de intrare, (1) de ieire, (2) i zgomotului, (3) -
stnga;




192

Figura 76. Rspunsurile modelului adevrat (2) i modelului estimat (3) la semnal de intrare treapt
unitar, (1).
Metoda celor mai mici ptrate simple se recomand pentru cazul n care raportul
dintre amplitudinea zgomotului provenind din sistem este mic n comparaie cu
amplitudinea semnalului util; a a 0
2 2
.
Metoda generalizat a celor mai mici ptrate
Estimatorul celor mai mici ptrate are eroare sistematic (sau bias) datorit corelaiei
statistice dintre eantioanele anterioare momentului actual ale semnalul de ieire i
cele ale zgomotul din proces.
Exist, totui, o excepie.
Condiia prezentat n expresia (288) se verific dac eroarea de predicie este un
proces aleator zgomot alb pur, adic e = ; n acest caz rezult:
( ) { } ( ) { } { } 0 e = =

T T T T
E E E
1 1
. (306.)
Pe aceast proprietate se bazeaz metoda celor mai mici ptrate generalizate.

Exemplul 44: Eliminarea bias-ului estimatorului prin albirea erorii de predicie.
Fie un sistem afectat de zgomot i un model al acestui sistem. Ecuaiile modelului
sunt urmtoarele:

[ ] [ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ] k e k
k v k e k y
k e k u b k y a k y
=
=
+ = +

1 1
. (307.)
Diferena dintre modelul din exemplul precedent - relaia (290) i modelul reprezentat
n relaia (307) const faptul c n ecuaia cu diferene apare doar eantionul la
momentul actual al zgomotului echivalat cu un proces aleator zgomot alb pur, cu
media statistic zero i variana
2
.
Ceea ce prezint interes la modelul reprezentat prin expresia (307) este faptul c
valorile erorii de predicie sunt egale cu realizrile zgomotului alb.
Estimatorul celor mai mici ptrate se calculeaz tot cu expresia general dar, n
acest caz:



193

[ ]
2
2 2 2
1
0
a
b
r
yy

+
=

;
(308.)

[ ]
2
2 2 2
2
2 2 2
1 1
1
a
b
a
a
a b a
r
yy

+
=


=


(309.)

[ ]
2
0 =
uu
r ;
(310.)

[ ] 0 0 =
yu
r ;
(311.)

[ ]
2
1 = b r
yu
.
(312.)
nlocuind expresiile obinute n expresia estimatorului, se obine urmtoarea expresie
pentru estimatorul celor mai mici ptrate.

(
(
(

(
(
(

+
=

2
2
2 2 2
1
2
2
2 2 2
1
0
0
1


b
a
b
a
a
b

;


( )
(
(
(

(
(
(

+
+

=
2
2
2 2 2
2
2 2 2
2
2 2 2 2
2
1
1
0
0
1


b
a
b
a
a
b
b
a

;


( )
( )
(
(
(
(

+

+

=
2
2
2 2 2
2 2 2 2
2
2
2 2 2
2
2 2 2 2
2
1
1
1
1


b
a
b
b
a
a
b
a
b
a

;
(

=
(

=
b
a
b
a


(313.)
Din relaia (313) rezult c estimatorul celor mai mici ptrate nu are eroare
sistematic (nu are bias).
Principiul metodei
Fa de modelul asociat metodei celor mai mici ptrate simple, n expresia
modelulului care se studiaz se introduce un model asociat zgomotului din sistem i
un estimator predictiv. Rolul celor dou componente se explic n continuare.
Ecuaiile modelului sunt:

( ) [ ] ( ) [ ]
[ ] [ ] [ ]
( ) [ ] [ ] ( ) ( ) [ ]
( ) [ ] ( ) [ ] ( ) [ ]
[ ]
43 42 1
k
k n q A k u q B k y q A
k u q B k e k y q A
k n k v k y
k u q B k v q A
=



+ =
=
+ =
=
1 1 1
1 1
1 1
.
(314.)
Din relaiile (314), rezult c expresia resturilor estimrii este urmtoarea:

[ ] ( ) [ ] k n q A k =
1
.
(315.)
n relaia (315) se introduce expresia funciei de transfer operaional a modelului de
zgomot i se obine:



194

[ ] ( )
( )
( )
[ ] k e
q Q
q P
q A k =

1
1
1
;
(316.)

[ ]
( )
( ) ( )
[ ] ( ) [ ] k q F k
q P q A
q Q
k e =

1
1 1
1

(317.)
n care: ( )
( )
( ) ( )
1 1
1
1

=
q P q A
q Q
q F reprezint funcia de transfer operaional a unui filtru
raional ai crui parametri se vor determina n continuare.
Se nmulete ultima ecuaie din relaiile (314) cu expresia filtrului din relaia (317) i
se obine:

( ) ( ) [ ] ( ) ( ) [ ] ( ) [ ]
[ ]
43 42 1
k e
k q F k u q F q B k y q F q A
=

+ =
1 1 1 1 1
.


( ) ( ) [ ] ( ) ( ) [ ] [ ] k e k u q F q B k y q F q A + =
1 1 1 1

(318.)
n expresia (318) termenul [ ] k e reprezint eantionul la momentul k al unui proces
aleator de tip zgomot alb avnd proprietile media statistic zero i variana
2
.
Variana estimatorului celor mai mici ptrate, care se obine n acest caz are valoarea
minim - deci acest estimator este optim.
Sub aspect practic, operaia matematic reprezentat n relaia (317) semnific
filtrarea semnalelor de intrare/ieire astfel nct zgomotul echivalent s fie de tip
zgomot alb. Acest procedeu se numete albirea erorii.
Parametrii filtrului care realizeaz albirea erorii pentru un proces dat nu sunt
cunoscui apriori. Pentru determinarea acestor parametri se procedeaz dup cum
urmeaz.
Funcia de transfer operaional a filtrului se dezvolt n serie i se aproximeaz cu
expresia trunchiat:

( )
( ) ( )
( )
( ) na
na
na
na
q f q f q f
q Q
q P q A
q F

+ + + + =

=
1
1
1
1 1
1 1
1
1 L .
(319.)
Ecuaia (319) se scrie sub form desfurat astfel:

( )
( ) [ ] [ ] k e k q f q f q f
na
na
na
na
= + + + +

1
1
1
1
1 L ;


[ ] [ ] ( ) [ ] [ ] [ ] k e na k f na k f k f k
na na
+ =

1 1
1 1
L . (320.)
Pe baza celor N , na N > observaii succesive ale procesului se pot scrie na N
ecuaii de forma (320) cu ajutorul crora se formeaz sistemul liniar care urmeaz
(scris sub form matriceal):



195
[ ]
[ ]
[ ]
[ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ]
[ ]
[ ]
[ ]
43 42 1
M
M
M
M
3 2 1
M
M
M
M
4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 2 1
L
L
M L M M
M L M M
M L M M
M L M M
L
L
43 42 1
M
M
M
M
e

=
=

=
=
(
(
(
(
(
(
(
(
(
(

+
+

+
(
(
(
(
(
(
(
(
(
(

(
(
(
(
(
(
(
(
(
(


+


=
(
(
(
(
(
(
(
(
(
(

+
+

1
2
1
1 1
2 1
1 3 2
2 1
1
2
1

1
2
1
na e
na e
N e
N e
f
f
f
f
na na
na na
na N N N
na N N N
na
na
N
N
F
na
na


Sistemul de ecuaii liniare de mai sus se poate scrie sub form concentrat astfel:
e + =
F

. (321.)
Soluia sistemului de ecuaii (321) este de forma:
( ) e =

T T
F
1

. (322.)
Parametrii filtrului,
F

pot fi determinai pe baza relaiei (322) dac se cunoate


matricea resturilor,

. Aceast matrice ns, nu poate fi determinat direct din


datele msurate.
Problema estimrii parametrilor modelului,

i a parametrilor filtrului,
F

se rezolv
iterativ astfel:
(1) se calculeaz valorile iniiale ale parametrilor modelului,

1
prin implementarea
algoritmului celor mai mici ptrate simple avnd ca date de intrare secvenele
semnalelor rezultate din msurtori;
(2) se calculeaz valorile iniiale ale resturilor modelului
1
;
(3) se calculeaz parametrii filtrului
F

1
;
(4) se calculeaz secvenele semnalelor filtrate pe baza datelor rezultate din
msurtori i a parametrilor estimai ai filtrului;
(5) cu secvenele semnalelor filtrate ca date de intrare se reia algoritmul de la pasul 1
- calculul parametrilor modelului,

2
, .a.m.d. Pe msur ce numrul de iteraii ale
algoritmului crete zgomotul echivalent din sistem se apropie de zgomotul alb; (6)
algoritmul se oprete eroarea raportat la calculul funciei criteriu, J verific
expresia:


=

T
adm k
k k
V
V
V V

1
; n practic se adopt 05 . 0 =
adm
.

(323.)
O reprezentarea schematic a algoritmului este reprezentat n Tabelul 25.



196
Tabelul 25. Reprezentarea schematic a algoritmului metodei generalizate a celor mai mici ptrate.
1 Estimarea parametrilor ( ) Y
k T k
1
k T k k
=


2 Estimarea resturilor Y e

k k k k
=

3 Actualizarea parametrilor filtrului ( ) e
k T k
1
k T k
F
k
=


4 Filtrarea datelor
i
k k
i
k
i
k
i
k
u F u y y = =

;

5
Retur la Pasul 1 i reluarea calculelor cu noul ansamblu de
date de intrare / ieire
Observaie. La limit, dac numrul de iteraii ale algoritmului tinde spre infinit
eroarea de estimare devine un proces aleator zgomot alb i deci bias-ul estimatorului
rezult egal cu zero. n acest caz, parametrii calculai sunt egali cu parametrii
adevrai ai modelului,
0

= .
Dac filtrele F
k
sunt de ordinul unu, atunci matricea

se reduce la un scalar iar


estimatorul filtrului se calculeaz cu formula mai simpl:

( )
T

k
k
k k
k k F
k
e
e =

= .
(324.)
Deoarece la fiecare iteraie zgomotul devine din ce n ce mai apropiat de zgomotul
alb funcia criteriu descrete.
Observaie. Imprecizia estimatorului celor mai mici ptrate simple poate fi interpretat
prin faptul c zgomotul din sistemul real este aproximat cu zgomotul alb indiferent de
modelul prestabilit; metoda generalizat a celor mai mici ptrate elimin tocmai
aceast aproximare.
Exemplul 45: comparaie ntre metoda simpl a celor mai mici ptrate i metoda
generalizat a celor mai mici ptrate.
Fie modelul adevrat al unui proces, descris prin urmtoarea ecuaie cu diferene:

( )
1
1
1
1
1
965 , 0 1
093 , 0
1

=
q
q
q a
q b
q G .
(325.)
n Figura 7 sunt reprezentate procesele aleatoare [ ] { }
150
1 = k
k u , i [ ] { }
150
1 = k
k y determinate
prin msurare la porturile de intrare i de ieire. [ ] { }
150
1 = k
k n reprezint zgomotul care
afecteaz sistemul.
Se estimeaz procesele aleatoare de intrare/ieire asociate modelului (86) prin dou
modele i anume un model de tip ( ) 1 ; 1 ARX i un model de tip ( ) 1 ; 1 ; 1 ARMAX . Ecuaiile
cu diferene ale celor dou modele sunt urmtoarele:
(i) [ ] [ ] [ ] [ ] k e k u b k y a k y + = + 1 1 , (model ( ) 1 ; 1 ARX );
(ii) [ ] [ ] [ ] [ ] [ ] 1 1 1 + + = + k e c k e k u b k y a k y , (model ( ) 1 ; 1 ; 1 ARMAX ).
Pentru estimarea primului model se utilizeaz metoda celor mai mici ptrate simple
iar pentru estimarea celui de-al doilea model se utilizeaz metoda celor mai mici
ptrate generalizate.



197
Rezultatele calculelor sunt prezentate n tabelul care urmeaz.
Tabelul 26. . Comparaie ntre estimrile cu metoda celor mai mici ptrate simple i metoda celor mai
mici ptrate generalizate a modelului sistemului din relaia (86).
Modelul estimat
Simbol Modelul adevrat
Metoda CMMP
simpl
Metoda CMMP
generalizat
a

-0.965 -0.985 -0.975
b

0.093 0.094 0.094

Se observ c ambele metode estimeaz precis parametrul b .
n ceea ce privete valoarea estimat pentru parametrul a rezultatul obinut cu
metoda generalizat a celor mai mici ptrate este mai apropiat de valoarea
adevrat n comparaie cu rezultatul obinut cu metoda simpl a celor mai mici
ptrate.
Predicia optimal
Variana erorii de predicie care rezult prin implementarea metodei generalizate a
celor mai mici ptrate are valoarea cea mai mic n comparaie cu variana erorii de
predicie care rezult prin implementarea oricrui alt predictor prin urmare predictorul
asociat este un predictor optimal.

Figura 77. Reprezentrile grafice ale semnalelor de intrare - (1), de ieire - (2) i zgomotului - (3).

Figura 78. Rspunsul modelului adevrat - (2), rspunsul modelului estimat cu metoda celor mai mici
ptrate simple - (3), rspunsul modelulului estimat cu metoda celor mai mici ptrate generalizate -
(4) la semnal de intrare treapt unitar - (1).



198
n acest paragraf se prezint o metod cu ajutorul creia poate fi determinat, n
genere predictorul optimal pentru o structur de modele dat. Demonstraia
prezentat n continuare se refer la cazul sistemelor cu o singur intrare i o singur
ieire; abordarea general bazat pe modelul polinomial general poate fi consultat
n [4] pag 195.
Se pornete de la structura de modele reprezentat prin relaiile (37), respectiv

[ ] ( ) [ ] ( ) [ ]
[ ] [ ] { } ( )
t k
T
t k E
k e q H k u q G k y
,
1 1
; ;
=
+ =

e e

;

la care se adaug urmtoarele restricii:
( ) ( ) 1 ; 0 0 ; 0 = = H G ;

( ) ;
1 1
q H i ( ) ( ) ; ;
1 1 1
q G q H sunt asimptotic stabile.

Pentru determinarea predictorului optimal, se separ eantionul zgomotului dup
cum urmeaz:

[ ] ( ) [ ] ( ) [ ] [ ] [ ]
( ) [ ] ( ) [ ] ( ) [ ] {
( ) ( ) [ ]} [ ] k e k u q G q H
k y q H q H k u q G
k e k e q H k u q G k y
+
+ =
+ + =






; ;
; 1 ; ;
1 ; ;
1 1 1
1 1 1 1
1 1
;


[ ] ( ) ( ) [ ] ( ) [ ] [ ] [ ]
[ ] [ ] k e k z
k e k y q H k u q G q H k y
+ =
+ + =

; 1 ; ;
1 1 1 1 1


n relaia de mai sus, [ ] k z i [ ] k e sunt necorelate statistic.
Fie [ ] 1
+
k k y un predictor al procesului [ ] k y bazat pe observaiile achiziionate pn
la momentul 1 k . Eroarea de predicie a predictorului se evalueaz dup cum
urmeaz.

[ ] [ ] ( ) { } [ ] [ ] [ ] ( ) { }
[ ] [ ] ( ) [ ] [ ] ( ) [ ] [ ] ( ) { }
[ ] [ ] ( ) { } [ ] [ ] ( ) [ ] { } [ ] ( ) { }
2
2
0
2
2
2
2 2
2
2
= =
+ +
+ +
+ +
+ + =
+ + =
+ =
k e E k e k y k z E k y k z E
k e k e k y k z k y k z E
k e k y k z E k y k y E
;

[ ] [ ] ( ) { } [ ] [ ] ( ) { }
2 2
2 2
+ =
+ +
k y k z E k y k y E .
Rezult c predictorul [ ] k z este predictorul ptratic optimal i [ ] k e - procesul aleator
zgomot alb reprezint eroarea de predicie care corespunde acestui predictor; s-a
obinut acelai rezultat ca i n cazul metodei generalizate a celor mai mici ptrate.
Prin urmare, urmtoarele relaii:

[ ] ( ) ( )
( )
[ ] ( ) [ ]
( )
[ ]
[ ] [ ] ( ) [ ] ( ) [ ] [ ] k u q G k y q H k e k
k y q H k u q G q H k k y
q L q L
= =
+ =

=

=





; ; ;
; 1 ; ; ; 1
1 1 1
;
1 1
;
1 1 1
1
1
1
2


(326.)



199
reprezint expresia predictorului ptratic optimal i respectiv expresia erorii de
predicie corespunztoare. Expresiile obinute mai sus permit calculul erorii de
predicie pe baza datelor rezultate din msurtori n anterioritate pn la infinit, i.e. cu
neglijarea efectului tranzitoriu datorat valorilor iniiale.
Rezultatele teoretice de mai sus sunt aplicate n exemplul care urmeaz.
Exemplul 46: Predicia optimal a modelului unui proces ( ) 1 ; 1 ; 1 ARMAX .
Fie modelul:
[ ] [ ] [ ] [ ] [ ] 1 1 1 + + = + k e c k e k u b k y a k y . (327.)
n care [ ] k e este un proces aleator zgomot alb cu media statistic zero i variana
2
.
S se determine expresia predictorului ptratic optimal i a erorii de predicie. Pe
baza acestui rezultat s se determine o reprezentare recursiv a predictorului
(aceast reprezentare este utilizabil pentru calculele practice n cadrul algoritmilor
de identificare).
Rezolvare.
Se definete vectorul parametrilor, [ ]
T
c b a = .
Din relaia (327) se identific expresiile funciilor de transfer operaionale ( ) ;
1
q G i
( ) ;
1
q H prezente n modelul general:

( ) [ ] [ ] ( ) [ ] k e q c k u q b k y q a + + = +
1 1 1
1 1 ;


[ ]
( )
( )
[ ]
( )
( )
( )
[ ] k e
q a
q c
k u
q a
q b
k y
q H q G

+
+
+
+

=

=

43 42 1 43 42 1
;
1
1
;
1
1
1 1
1
1
1
.

Se determin expresiile filtrelor predictorului dup cum urmeaz.
(i)
( ) ( )
( )
1
1
1
1
1 1 1
1
1 1
1
1 ; 1 ;


+

=
+
+
= =
q c
q a c
q c
q a
q H q L ;

(ii)
( ) ( ) ( )
1
1
1
1
1
1
1 1 1 1
2
1 1 1
1
; ; ;

=
+

+
+
= =
q c
q b
q a
q b
q c
q a
q G q H q L .

Rezult expresiile predictorului optimal i erorii de predicie:

[ ] [ ]
( )
[ ]
[ ] [ ] [ ] [ ]
(


+
+
= =

+

+
+

k u
q a
q b
k y
q c
q a
k e k
k y
q c
q a c
k u
q c
q b
k k y
1
1
1
1
1
1
1
1
1 1
1
;
1 1
; 1

.
(328.)
Pentru rezolvarea prii a doua a aplicaiei, n relaiile de mai sus se elimin numitorii
i se aplic definiia operatorului de ntrziere.
Rezult urmtoarea expresie pentru predictorul ptratic optimal:



200

( ) [ ] [ ] ( ) [ ] k y q a c k u q b k k y q c + = +
1 1 1
; 1 1 ;


[ ] [ ] [ ] ( ) [ ] 1 1 ; 2 1 ; 1 + = + k y a c k u b k k y c k k y ;


[ ] [ ] ( ) [ ] [ ] 1 1 ; 2 1 ; 1 + + = k u b k y a c k k y c k k y ;
(329.)
i eroarea de predicie:

[ ] [ ] [ ] k u
q c
q b
k y
q c
q a
k
+


+
+
=

1
1
1
1
1 1
1
; ;

[ ] [ ] [ ] [ ] [ ] 1 1 ; 1 ; + = + k u b k y a k y k c k ;
[ ] [ ] [ ] [ ] [ ] 1 1 ; 1 ; + + = k u b k y a k y k c k . (330.)
Metoda variabilelor instrumentale
Metoda generalizat a celor mai mici ptrate - prezentat mai sus - permite
eliminarea bias-ului estimatorului prin filtrarea celor dou secvene ale semnalelor de
intrare/ieire prelevate din proces cu anumite condiii restrictive; de exemplu s
existe o dezvoltare a funciei de transfer a filtrului de forma reprezentat n expresia
(319).
Metoda variabilelor instrumentale permite eliminarea bias-ului estimatorului n condiii
mai puin restrictive n comparaie cu metoda generalizat a celor mai mici ptrate.
Principiul metodei
Fie N , na N > observaii succesive ale procesului i modelul utilizat pentru
estimarea parametrilor cu metoda variabilelor instrumentale de forma:
n Y + = ; (331.)
n care: [ ] [ ] [ ]
T
N k y k y + = L Y ; [ ] [ ] [ ]
T
N k n k n + = L n ;
[ ]
[ ](
(
(

+
=
N k
k
T
T

M ; cu
[ ] [ ] [ ] [ ] [ ] [ ]
T
nb k u k u na k y k y k = L L 1 1 .
Se caut un vector [ ] k z avnd aceleai dimensiuni cu vectorul [ ] k ale crui
elemente s nu fie corelate statistic cu zgomotul [ ] k n care afecteaz procesul.
Elementele vectorului [ ] k z se numesc instrumente sau variabile instrumentale.
Se definete matricea variabilelor instrumentale, Z avnd ca elemente variabilele
instrumentale definite mai sus, astfel:

[ ]
[ ](
(
(

+
=
N k
k
T
T
z
z
Z M .
(332.)
Se nmulesc ambii membri ai ecuaiei (331), la stnga, cu matricea
T
Z i rezult:



201

n Z Z Y Z + =
T T T
;
(333.)
n expresia (333), pentru N , termenul 0 n Z
T
deoarece, conform ipotezei
elementele matricei variabilelor instrumentale nu sunt corelate statistic cu zgomotul
care afecteaz procesul; deci, pentru acest caz se obine:

Y Z Z =
T T
.
(334.)
Dac matricea ( ) Z
T
are invers (i.e. este nesingular), atunci soluia ecuaiei (69)
este:
( ) Y Z Z =

T T
1

. (335.)
Observaie.
Pentru Z = se obine expresia (335) ceea ce justific afirmaia c metoda
variabilelor instrumentale este o generalizare a metodei celor mai mici ptrate simple.
Calculul erorii estimatorului
n relaia (335) se inlocuiete matricea Ycu expresia (331) i se obine:


( ) ( ) ( ) n Z Z n Z Z + = + =

T T T T
1
0 0
1

.

(336.)
Pentru N , din relaia (336) rezult:

{ } ( ) { } { }
0
0
1
0

n Z Z = + =
=

T T
E E E .
(337.)
Prin urmare, estimatorul variabilelor instrumentale tinde spre valorile adevrate ale
vectorului parametrilor cu eroare de estimare nul - cu alte cuvinte estimatorul
variabilelor instrumentale nu are bias.
n relaia (337), factorul subliniat este nul deoarece, conform ipotezei matricea
variabilelor instrumentale nu este corelat statistic cu zgomotul care afecteaz
procesul.
Rmne de precizat modul n care poate fi determinat vectorul variabilelor
instrumentale.
Alegerea variabilelor instrumentale
Matricea variabilelor instrumentale trebuie s ndeplineasc urmtoarele condiii:
(i) existena matricei ( )
1
Z
T
;
(ii)
{ } 0 n Z =
T
E .

Aceste condiii sunt destul de generale ceea ce permite definirea mai multor
procedee pentru alegerea matricei variabilelor instrumentale. Unele dintre aceste
procedee se prezint n continuare.



202
Procedee de alegere a variabilelor instrumentale
A. Construirea matricei variabilelor instrumentale pe baza unui alt set de
msurtori ale aceluiai proces.
Se efectueaz o serie de dou experimente succesive n timp cu acelai semnal de
intrare, [ ] { }
N
k
k u
1 =
. Pe baza celor dou seturi de msurtori rezult dou matrici notate
1
i
2
. Estimatorul variabilelor instrumentale se poate scrie, pe baza relaiei (86)
sub forma:
( ) ( )
1 2
1
1 2 0

Y + =

T T
. (338.)
B. Construirea matricei variabilelor instrumentale doar pe baza eantioanelor
semnalului de intrare

[ ] [ ] [ ] [ ] [ ] [ ]
T
nb na k u na k u na k u k u k = L L 1 1 z ;
(339.)
C. Filtrarea semnalului de intrare.
Matricea Zse construiete pe baza semnalelor achiziionate din proces i a unui filtru
definit a priori astfel:

[ ] [ ] [ ] [ ] [ ] [ ]
T
nb k u k u na k z k z k = L L 1 z ;
(340.)

n care: ( ) [ ] ( ) [ ] k u q D k x q C =
1 1
i funcia de transfer inversat
( ) ( ) ( )
1 1 1 1
= q C q D q H este stabil.

Orice matrice care ndeplinete condiiile de existen i de corelaie statistic, (i)
respectiv (ii) poate fi utilizat pentru calculul estimatorului variabilelor instrumentale.
Cu toate acestea, lungimea necesar a secvenelor semnalelor pentru a obine un
estimat cu precizia cerut depinde de modul de alegere a instrumentelor.
D. Variabilele instrumentale optime.
Variabilele instrumentale optime sunt acele variabile instrumentale pentru care
covariana asimptotic a parametrilor estimai este minim, pentru un model dat.
Dac ( ) ( )
1 1
,

q B q A i ( ) ( )
1 1
,

q D q C sunt polinoame formate cu parametrii adevrai ai
modelulului determinist i respectiv ai modelulului de zgomot asociate procesului
atunci matricea variabilelor instrumentale optime poate fi construit dup cum
urmeaz.

[ ]
( )
( ) ( )
[ ] k u
q C q A
q D
k u

1 1
1
2
1
~

i [ ]
( )
( ) ( )
[ ] k y
q C q A
q D
k y

1 1
1
2
1
~

;


[ ]
( )
( )
[ ]
( )
( )
( )
( ) ( )
[ ] k u
q C q A
q D
q A
q B
k u
q A
q B
k z
O

= =

1 1
1
1
1
2 1
1
1
~

;

[ ] [ ] [ ] [ ] [ ] [ ]
T
O O O
nb k u k u na k z k z k =
~
1
~
1 L L z ;

[ ] [ ] [ ] [ ] [ ] [ ]
T
nb k u k u na k y k y k + =
~
1
~ ~
1
~ ~
L L ;




203

[ ]
[ ](
(
(

+
=
N k
k
T
O
T
O
O
z
z
Z M ;
[ ]
[ ](
(
(

+
+
=
N k y
k y
~
1
~
~
M Y i
[ ]
[ ](
(
(

+
=
N k
k
T
T

M
~
.

n care: zgomotul care afecteaz procesul, [ ] ( ) ( ) [ ] k e q D q C k n =
1 1
i [ ] { }
N
k
k e
1 =
este o
secven a unui proces aleator zgomot alb cu variana
2
.
Cu aceste relaii, estimatorul optim al variabilelor instrumentale se obine cu relaia:
( ) Y Z Z
~ ~

1
,
=

T
O
T
O O iv
. (341.)
n Figura 8 se prezint diagrama bloc a metodei variabilelor instrumentale bazate pe
variabilele instrumentale optime.
Din relaia (92), rezult c pentru a determina variabilele instrumentale optime
trebuie cunoscute a priori modelul determinist i modelul de zgomot ale procesului.
Deoarece aceste modele nu sunt cunoscute a priori, pentru determinarea
parametrilor se utilizeaz metoda iteraiei.
De exemplu, metoda variabilelor instrumentale n patru etape are la baz
urmtoarele: (1) pe baza datelor achiziionate din proces, se estimeaz modelul prii
deterministe, ( ) ( )
1 1 1 1
,

q B q A cu metoda celor mai mici ptrate; cu ajutorul modelului
obinut se genereaz instrumentele pentru etapa a doua; (2) se implementeaz
metoda variabilelor instrumentale i se calculeaz resturile estimrii; (3) resturile
obinute n etapa anterioar se modeleaz sub forma unui model autoregresiv de
ordin superior;


Figura 79. Diagrama bloc a metodei variabilelor instrumentale; varianta optimizat.
(4) datele achiziionate din proces se filtreaz prin filtrul autoregresiv determinat n
etapa a treia i se calculeaz estimatorul procesului cu metoda variabilelor
instrumentale cu ajutorul acelorai instrumente determinate la etapa a doua.
Exemplul 47: comparaie ntre metoda variabilelor instrumentale i metoda simpl a
celor mai mici ptrate.
Fie modelul adevrat al unui proces, descris prin urmtoarea ecuaie cu diferene:

( )
1
1
1
1
1
905 , 0 1
143 , 0
1

=
q
q
q a
q b
q G .
(342.)



204


Figura 80. Stnga: reprezentrile grafice ale semnalelor de intrare - (1), de ieire - (2) i zgomotului -
(3). Dreapta:.
n Figura 80 sunt reprezentate procesele aleatoare [ ] { }
150
1 = k
k u , i [ ] { }
150
1 = k
k y determinate
prin msurare la porturile de intrare i de ieire ale unui sistem. [ ] { }
150
1 = k
k n reprezint
zgomotul care afecteaz sistemul.
Parametrii a i b ai modelului sistemului se estimeaz cu metoda variabilelor
instrumentale - algoritmul IV4 i cu metoda celor mai mici ptrate simple.

Figura 81. Rspunsul modelului adevrat - (2), rspunsul modelului estimat cu metoda variabilelor
instrumentale - (3), rspunsul modelulului estimat cu metoda celor mai mici ptrate simple - la (4),
semnal de intrare treapt unitar - (1)
Rezultatele calculelor sunt prezentate n tabelul care urmeaz.

Tabelul 27. Comparaie ntre estimrile cu metoda variabilelor instrumentale i metoda celor mai mici
ptrate simple a modelului sistemului din relaia (99).
Modelul estimat
Simbol Modelul adevrat
Metoda variabilelor
instrumentale
Metoda CMMP
simpl
a

-0.905 -0.909 -0.949
b

0.143 0.143 0.142
Se observ c ambele metode estimeaz precis parametrul b . n ceea ce privete
valoarea estimat a parametrului a , rezultatul obinut cu metoda variabilelor



205
instrumentale este mult mai apropiat de valoarea adevrat n comparaie cu
rezultatul obinut cu metoda celor mai mici ptrate simple.
Metoda verosimilitii maxime
Pn n acest punct s-a presupus implicit c distribuia de probabilitate a zgomotului
care afecteaz sistemul este normal (gaussian).
n genere, distribuia de probabilitate a zgomotului care afecteaz sistemul
influeneaz consistena estimatorului. De exemplu, rezultatele care se obin prin
implementarea metodei celor mai mici ptrate generalizate sunt convergente spre
valoarea adevrat a parametrilor modelului, i.e. estimatorul este consistent, doar
dac distribuia de probabilitate a zgomotului care afecteaz sistemul este normal
(gaussian). n caz contrar, estimatorul este deplasat.
Metoda verosimilitii maxime este utilizat n Statistic pentru estimarea
parametrilor funciilor de probabilitate pornind de la valori cunoscute ale seleciilor
asupra variabilelor aleatoare. n Identificarea sistemelor, metoda permite
determinarea unui estimator al parametrilor modelului dinamic pentru cazul mai
general n care se cunoate distribuia de probabilitate a zgomotului care afecteaz
sistemul.
Conexiuni cu Statistica i Teoria probabilitilor
n Capitolul 2 au fost prezentate funciile de probabilitate ale distribuiilor semnalelor
aleatoare frecvent ntlnite n practica identificrii sistemelor. Expresiile analitice ale
funciilor repartiie de probabilitate i ale funciilor distribuie de probabilitate asociate
acestor distribuii depind de unul sau de mai muli parametri. De exemplu, pentru
cazul distribuiei normale, expresia analitic a funciei densitate de probabilitate
depinde de doi parametri i anume de media statistic i de variana variabilei
aleatoare pe care aceast funcie o caracterizeaz.
Fie o variabil aleatoare, X avnd funcia densitate de probabilitate ( ) ; x p n
reprezentarea creia s-au pus n eviden parametrii de care aceasta depinde.
Dac se cunoate expresia exact a funciei densitate de probabilitate atunci, pe
baza proprietilor funciilor de probabilitate se pot calcula pe ansamblu - pentru
N - valorile mediei statistice, varianei, momentelor statistice de ordin superior
asociate variabilei aleatoare date. Soluia acestei probleme este unic determinat.
Deseori, n statistic se ntlnete problema inversat, pe care o putem formula dup
cum urmeaz.
Fiind dat o variabil aleatoare X , pentru care se cunoate expresia general a
funciei densitate de probabilitate ( ) ; x p i o selecie
N
X X X L ; ;
2 1
de
N realizri asupra acelei variabile aleatoare; nu se cunoate valoarea parametrilor .
Se pune problema determinrii, pe baza seleciei date i a expresiei generale a
funciei densitate de probabilitate, a unei valori care s aproximeze ct mai precis
valoarea adevrat a parametrilor,
0
.
Problema astfel formulat nu are soluie unic; altfel spus, exist o infinitate de funcii
depinznd de valorile seleciei care s poat fi luate ca valori ale parametrilor
necunoscui . Aceste funcii, n statistic se numesc funcii de estimaie sau
estimatori.



206
Din mulimea estimatorilor care pot fi luai ca valori ale parametrilor necunoscui
pentru o problem dat, prezint interes estimatorii coreci, estimatorii nedeplasai i
estimatorii exaci.
Definiia 60: Estimator corect. Fie estimatorul ( )
N
x x F L ;
1
, N finit. Dac estimatorul
este convergent n probabilitate spre valoarea adevrat a parametrilor:

( ) =

N
N
x x F ; ; lim p
1
L ;
(343.)
atunci acel estimator se numete estimator corect.
Definiia 61: Estimator nedeplasat. Fie estimatorul ( )
N
x x F ; ;
1
L . Dac pentru
N , media statistic a estimatorului tinde spre valoarea adevrat a
parametrilor i variana acestuia tinde spre zero atunci estimatorul se numete
estimator nedeplasat sau estimator absolut corect.
n cazurile practice, numrul de realizri ale unei selecii asupra unei variabile
aleatoare este foarte mare - de exemplu: ordinul sutelor, miilor, zecilor de mii de
realizri - dar oricum, nu poate fi infinit mare. Rezult c valoarea calculat este
ntotdeauna o valoare aproximativ a valorii adevrate a parametrilor necunoscui.
Nu toi estimatorii aparinnd mulimii estimatorilor nedeplasai asociai unei probleme
date, aproximeaz la fel de precis valoarea adevrat a parametrilor necunoscui
pentru un numr finit de realizri, N ale seleciei. Prin urmare, prezint interes
deosebit estimatorul pentru care convergena spre valoarea adevrat a parametrilor
necunoscui este cea mai puternic. Acest estimator se numete estimator eficient.
Definiia 62: Estimator eficient. Un estimator este numit estimator eficient dac
variana acestuia este minim.
Existena estimatorului eficient pentru o problem dat se justific prin teorema
Cramer-Rao. Enunul i demonstraia acestei teoreme se pot consulta de exemplu n
lucrarea [6], pag. 269.
Pentru demonstrarea acestei teoreme se definete funcia de verosimilitate dup
cum urmeaz.
Definiia 63: Funcia de verosimilitate. Fie
N
X X X L ; ;
2 1
o selecie cu valori
cunoscute asupra unei variabile aleatoare, X avnd funcia densitate de
probabilitate ( ) ; x p n care parametrii nu sunt cunoscui. Funcia de
probabilitate condiionat:

( ) ( ) ( )

=
= =
N
i
i N
x p x x P x L
1
1
; ; , , ; L ;
(344.)
se numete funcie de verosimilitate.
Dac funcia de verosimilitate are un maxim absolut n raport cu parametrii
necunoscui , atunci argumentul funciei de verosimilitate corespunztor valorii
maxime absolute a acestei funcii reprezint estimatorul eficient, (valorile cele mai
apropiate de valorile adevrate ale parametrilor necunoscui, calculate pe baza
seleciei date). Estimatorul eficient se noteaz ca i pn aici cu

.
Acest estimator se calculeaz prin rezolvarea ecuaiilor de verosimilitate:



207

( )
0
;
=

x L

( )
M i

x L
i
, 1 ; 0
;
= =


,
(345.)
Exemplul 48: Estimarea densitii de probabilitate a unui semnal aleator cu
distribuie Poisson pa baza datelor rezultate din N observaii.
Fie un semnal aleator n legtur cu care se cunoate c distribuia statistic a
acestuia este de tip Poisson. Funcia distribuie de probabilitate depinde de un singur
parametru, i este dat de expresia:
( ) N x
x
e
x p
x

;
!
;

. (346.)
Au fost efectuate N observaii asupra semnalului i a rezultat selecia de valori
notat cu
N N
x X x X x X = = = L ; ;
2 2 1 1
. Pe baza acestei selecii de valori se
dorete s se determine expresia estimatorului parametrului necunoscut .
Rezolvare.
Din relaiile (344) i (346), se obine expresia funciei de verosimilitate:
(i)
( ) ( )

=
=
=

= =
N
i
i
x
N
N
i i
x
N
i
i
x
e
x
e
x p x L
N
i
i
i
1
1 1
!
!
; ;
1


;

n care valorile termenilor N i x
i
, 1 ; = sunt cunoscute i constante.
Ecuaia de verosimilitate este dat prin expresiile care urmeaz.

( )
0
;
=

x L
;


( )
(

\
|
+ =

\
|

=


=
= =

1
1
1
1 1
!
1 ;
N
i
i
N
i
i
x N
i
i
N
x
N
N
i
i
x e e N
x
x L


;

(ii) 0
1
1
1 1
= |

\
|
+

|

\
|

=


= =
N
i
i
N
i
i
x N
i
i
N
x
N
x e e N

.
Soluia ecuaiei de verosimilitate este:
|

\
|
=
=
N
i
i
x
N 1
1

. (347.)
Prin urmare, media aritmetic a valorilor seleciei este un estimator al parametrului
care apare n expresia funciei densitate de probabilitate.
Variana estimatorului obinut n relaia precedent este:



208

[ ] { } ( )
( ) ( ) { }
N
x E
N
x E
N
x
N
E x
N
E E
N
N
i
i
N
i
i
N
i
i
N
i
i

= =
)
`

=
)
`

=
)
`

= =
=
= =
= =


4 4 3 4 4 2 1
1
2
2
2
1
2
2
1
2
1
2
2
1 1
1 1

.
(348.)
n continuare se prezint modul n care se poate aplica metoda verosimilitii maxime
pentru determinarea parametrilor modelelor dinamice ale proceselor atunci cnd
se cunoate distribuia de probabilitate a zgomotului care afecteaz procesul.
Principiul metodei
Fie structura general de modele reprezentat prin relaiile:

[ ] ( ) [ ]
[ ]
( ) [ ]
[ ] k n k y
k e q H k u q G k y
=

+ = ; ;
1

1
;


[ ] [ ] { } ( )
2 1
,
2 1
k k
T
k k E = e e .

n care semnalul de intrare este fie un semnal determinist fie un semnal aleator cu
proprieti statistice cunoscute.
Eroarea de estimare reprezentnd diferena dintre valoarea msurat a eantionului
semnalului de ieire i valoarea estimat a aceluiai semnal la momentul actual
este determinat n totalitate de valoarea actual a zgomotului care afecteaz
sistemul. Acest fapt se reflect printr-o corespunden biunivoc ntre funciile de
probabilitate ale procesului aleator la portul de ieire al sistemului i funciile de
probabilitate ale zgomotului care afecteaz sistemul.
Principiul care st la baza implementrii metodei variabilelor instrumentale pentru
identificarea sistemelor const n utilizarea funciei distribuie de probabilitate a
zgomotului care afecteaz sistemul pentru determinarea funciei de verosimilitate
definit prin funcia densitate de probabilitate a observaiilor avnd ca parametru
vectorul parametrilor modelului .
De regul, zgomotele care afecteaz procesele care se ntlnesc n domeniul tehnic
sunt caracterizate prin distribuia de probabilitate normal (gaussian). n plus,
conform teoremei numerelor mari i procesele aleatoare caracterizate prin alt fel de
distribuie statistic tind spre distribuia normal (gaussian) atunci cnd variabila
timpul absolut tinde spre infinit. Astfel, dac procesul studiat este staionar, se poate
considera/aproxima c zgomotul care afecteaz observaiie are tot distribuia
statistic normal (gaussian).
Pe baza celor enunate mai sus, expresia funciei de verosimilitate se obine pornind
de la expresia funciei distribuie de probabilitate normal (gaussian) multi-variabil
conform expresiei care urmeaz.
( )
( ) ( ) [ ]
[ ] ( ) [ ]

=
=


N
k
T
k k
N N
e L
1
1
; ;
2
1
2 2
det 2
1

; (349.)
n care reprezint matricea de covarian a erorii de predicie. Pentru cazul
sistemelor cu o singur intrare i o singur ieire, matricele i sunt scalari.



209
Se consider cazul n care distribuia de probabilitate are expresia de forma dat n
relaia (349) i n plus sistemul este cu o singur intrare i o singur ieire. Cnd se
evalueaz ecuaiile de verosimilitate, se utilizeaz logaritmul natural al relaiei
enunate ceea ce conduce la o expresie mai simpl, respectiv:

( ) [ ] . ln
2
;
1
2
1
ln
1
2
const
N
k
N
N
L
N
k
+
)
`

=
=
;
(350.)
Observaie.
Expresia de mai sus nu reprezint expresia exact a funciei de verosimilitate
deoarece la transformarea de la secvena observaiilor semnalului de ieire [ ] { } k y la
secvena erorii de predicie [ ] { } k pe baza modelului general, au fost neglijate
efectele tranzitorii datorate valorilor iniiale. Pentru N de valori mari, rezultatele
bazate pe aceast aproximare sunt foarte apropiate de rezultatele care se obin pe
baza funciei de verosimilitate exacte.
Exemplul 49: Estimarea parametrilor pentru un proces de tip AR(1) pe baza unei
secvene de N observaii cu metoda verosimilitii maxime.
Modelul procesului este dat prin expresia:

[ ] [ ] [ ] 1 ; 1 < = + a k e k y a k y ;

n care [ ] k e este un proces aleator, zgomot alb cu media statistic zero i variana
2
.
Se noteaz vectorul parametrilor, [ ]
T
a = . Eroarea de predicie este dat de
expresia:
[ ] [ ] [ ] 1 + = k y a k y k .
Cu ipoteza c [ ] 0 0 = y , rezult pentru valoarea iniial a erorii de predicie [ ] [ ] 1 1 y = .
Logaritmul funciei de verosimilitate se determin cu relaia (350):

( ) [ ] [ ] { } [ ] { } ( )
.
2
2
2
2
2
2 ln
2
ln 1
2
1
1
2
1
ln
const
N
k
N
N y k y a k y L
=
=

=



.
Ecuaiile de verosimilitate sunt urmtoarele:
(i)
( )
0
ln
=

a
L
.
(ii)
( )
0
ln
=

L

Parametrul a se obine din ecuaia (i):

[ ] [ ] { } [ ] [ ] [ ] { } [ ] { } 0 1 1 0 1 1
2
2
2 2
= + = +

= = =
N
k
N
k
N
k
k y a k y k y k y k y a k y ;

[ ] [ ] { } [ ] { }

= =
=
N
k
N
k
k y k y k y a
2
2
2
1 1 .



210
Din relaia (ii) se obine:

[ ] { } [ ] { } [ ] { }

= = =
= = =

N
k
N
k
N
k
k e
N
k
N
N
k
1
2
1
2 2
1
2
3
1 1
0
2
2

;
care reprezint un estimat pentru variana zgomotului care afecteaz sistemul.
Revenind la expresia general a funciei de verosimilitate n care se pune n eviden
i dependena de variana erorii de predicie; se calculeaz derivatele pariale de
ordinul unu i doi n raport cu variana erorii de predicie, i se obine:

( ) ( )
(

=

1
2
, ln
2

N
R N L
;
(351.)

( )
( )
(

=


2 3 2
2
1 2
2
, ln

N
R N
L
;
(352.)
n care s-a notat ( ) [ ] =
=
N
k
N
k
N
R
1
2
;
1
pentru simplificarea notaiei.
Se rezolv ecuaia ataat expresiei (352) i se obine punctul de extrem

( ) ( )
( )

N
N
R
R N L
= =
(

0
1
2
, ln
2
.
(353.)
Se nlocuiete soluia astfel obinut n expresia derivatei pariale de ordinul doi -
relaia (352) i se constat c expresia care se obine este negativ. Prin urmare
punctul de extrem al funciei este un punct de maxim.
n continuare se calculeaz:

( )
( )
( ) ( ) ( ) . ln
2
. ln
2 2
1
ln
2
const R
N
const R
N
R
N
R
L
N N
N
N
N
+ = + =
=


(354.)
Deoarece ( ) =

N
R maximizeaz logaritmul natural al funciei de verosimilitate,
rezult c minimizeaz ( ) [ ] =
=
N
k
N
k
N
R
1
2
;
1
. Pe de alt parte, expresia funciei
criteriu utilizat n cadrul metodei celor mai mici ptrate este ( ) [ ] =
=
N
k
N
k V
1
2
;
2
1
.
Rezult c estimatorul celor mai mici ptrate poate fi interpretat ca estimator al
verosimilitii maxime dac zgomotul care afecteaz sistemul este un proces aleator
cu distribuie normal (gaussian).
Probleme
Problema 13: estimarea unei constante din date rezultate prin msurtori cu metoda
celor mai mici ptrate [4], pag 65.
Fiind dat un set de N eantioane ale unui semnal constant, { }
N
1 k
y
=
rezultate prin
msurtori afectate de zgomot. Se adopt modelul procesului adevrat:



211
[ ] a k y = . (355.)
S se determine estimatorul

al seriei de timp.
Rezolvare.
(i)
[ ]
[ ] [ ]
[ ] ( ) a ; N , 1 k ; 1 k
k k y
a k y
= = =
=
=
.
Vectorul regresorilor este
(ii)
[ ]
4 4 4 3 4 4 4 2 1
K
ori N de
1 1 1 1
T
= ;
iar vectorul variabilei regresate este
(ii)
[ ] [ ] [ ] [ ] [ ]
T
N y 1 N y 2 y 1 y = K Y .
Se aplic relaia (13) i se obine:
(iii) ( ) N N
T T
1
1
= =

;
(iv)
[ ] [ ] [ ] [ ] N y 1 N y 2 y 1 y
T
+ + + + = K Y
(v) ( ) [ ] [ ] [ ] [ ] [ ] N y 1 N y 2 y 1 y
N
1

T
1
T
+ + + + = =

K Y
Deci, n acest caz, estimatorul celor mai mici ptrate reprezint media aritmetic a
valorilor eantioanelor.
Problema 14: estimarea bias-ului i covarianei estimatorului celor mai mici ptrate
pentru procesul de tip ( ) 1 ; 1 ARX .
Fiind dat setul de eantioane [ ] { }
N
1 k
k u
=
i [ ] { }
N
1 k
k y
=
ale semnalelor de intrare / ieire se
estimeaz sistemul examinat sub forma unui model de tip ( ) 1 ; 1 ARX avnd ecuaia cu
diferene:
[ ] [ ] [ ] [ ] k e 1 k u b 1 k y a k y + + = .
n care [ ] { }
N
1 k
k e
=
este o secven a unui proces aleator zgomot alb discret cu media
statistic zero i variana
2
e
. S se estimeze bias-ul i covariana estimatorului celor
mai mici ptrate atunci cnd numrul de experimente tinde spre infinit.
Rezolvare.
Se nlocuiete expresia matricial a modelului procesului:
Y + =
n expresia estimatorului celor mai mici ptrate i se obine:

( ) ( ) ( ) ( )
( )

+ =
+ = + =


T
1
T
T
1
T T
1
T T
1
T


Din relaia precedent se obine eroarea sistematic de estimare dup cum urmeaz.



212
( ) =

T
1
T


n care,

[ ] [ ]
[ ] [ ]
[ ]
[ ] (
(
(

=
(
(
(


=
1 e
N e
1 u 1 y
1 N u 1 N y
M M M ; .
Bias-ul estimatorului se obine prin mediere statistic a valorilor rezultate prin
repetarea experimentului de un numr de ori care tinde spre infinit.
(i) { } ( ) { } =

T
1
T
E

E .
Deoarece procesul aleator la portul de intrare nu este corelat statistic cu zgomotul
care perturb msurtorile relaia de mai sus se poate scrie dup cum urmeaz.
{ } ( ) { } { } E E

E
T
1
T
=

.
Matricea este egal cu { } { } [ ]
T
1 1 e E E
3 2 1
K
ori N de
= . Prin urmare, din relaia precedent rezult
c bias-ul estimatorului este

{ } ( ) { } { }
{
0 e E E

E
e
T
1
T
= =
=

.
Matricea de covarian a estimatorului este dat de relaia care urmeaz.
(ii) ( ) [ ] [ ] { }
T

E

= Cov .
Pe baza relaiilor (i) i (ii) i innd cont c matricea
T
este simetric, rezult
urmtoarele expresii.
(iii)
( ) ( ) [ ] ( ) [ ] { }
( ) ( ) { }
1
T T T
1
T
T
T
1
T T
1
T
E
E



=
=

Cov

Deoarece procesul aleator la portul de intrare nu este corelat statistic cu zgomotul
aditiv, din expresia de mai sus rezult:
( ) ( ) ( ) { } { } ( ) { }
1
T T
1
T T
1
T
E E E


= = Cov .
n relaia precedent termenul:

{ } { } I e e = =
2
e
T T
E E ; I este matricea unitate.
(iv) ( ) ( ) { }
1
T 2
e
E


= Cov
Relaia precedent poate fi interpretat astfel: estimatorul celor mai mici ptrate este
convergent pe ansamblu spre valorile adevrate ale parametrilor modelului. Totui,
oricare realizare a estimatorului are eroare sistematic i.e. nici o realizare a
estimatorului nu este exact egal cu valorile adevrate ale parametrilor.



213
Abaterea fa de valorile adevrate depind direct proporional de variana zgomotului
care perturb procesul / msurtorile precum i de valorile matricei ( )
1
T

.
Problema 15: Estimarea unui semnal constant din date rezultate prin msurtori
afectate de zgomot cu distribuie de probabilitate normal.
Rezolvare.
Fiind dat un set de N eantioane ale unui semnal constant, [ ] { }
N
k
k y
1 =
rezultate prin
msurtori afectate de zgomot. Se tie c distribuia de probabilitate a zgomotului
perturbator este distribuia normal. Se adopt modelul:
[ ] [ ] [ ] [ ]
0 0
a ; k n a k n k v k y = + = + = .
Eroarea de estimare fiind dat de relaia care urmeaz:


[ ] [ ] [ ] k n a k y k
0
= = .

Rezult c pentru acest caz, eroarea de estimare este numeric egal cu eantionul
la momentul actual al zgomotului.
Deoarece estimarea modelului, i.e. a parametrului
0
a se face pe un numr finit de
eantioane n care sunt prezente i realizri ale zgomotului - proces aleator - rezult
c i valorile estimate ale modelului formeaz tot un proces aleator. Prin urmare,
distribuia statistic a estimatorului va fi condiionat de distribuia statistic a
zgomotului care afecteaz sistemul.
Fiind dat o anumit valoare a parametrului
0
a i toate cele N msurtori ale
procesului, se formuleaz urmtoarea problem: care este valoarea cea mai
probabil pentru parametrul
0
a s fie exact valoarea estimat a modelului procesului
pe baza setului de valori dat?
Probabilitatea n discuie este subunitar dar, valoarea acesteia depinde de valoarea
aleas pentru parametrul
0
a respectiv, probabilitatea este cu att mai apropiat de
unitate cu ct valoarea aleas este mai apropiat de valoarea adevrat a
parametrului i tinde spre zero pentru valori foarte ndeprtate de valoarea
adevrat.
Prin urmare, se poate defini o funcie de probabilitate avnd ca variabil valorile
posibile ale parametrului
0
a i ca valori ale funciei, probabilitatea ca valoarea acestui
parametru s corespund valorii adevrate a modelului asociat setului de valori
rezultate din msurtori.
Valoarea adevrat a constantei fiind 25 , 1
0
= a , n Tabelul 28 sunt prezentate valorile
numerice rezultate din msurtorile efectuate n cadrul unui experiment n care au
fost achiziionate 10 N = eantioane.
Se tie c msurtorile au fost afectate de zgomot cu distribuia de probabilitate
normal, media statistic 20 , 0
n
= i variana 1
2
n
= .



214
Tabelul 28. Valorile numerice obinute n cadrul experimentului descris n Problema 4.
k 1 2 3 4 5 6 7 8 9 10
n[k] -0.473 1.680 -0.135 -1.278 0.621 -0.217 -1.890 -0.695 0.654 1.173
y[k] 0.850 2.131 0.395 2.429 -1.139 1.181 2.983 2.190 0.936 2.091

Zgomotul care afecteaz msurtorile fiind normal distribuit, funcia densitate de
repartiie este dat de expresia (94) deci:

( )
( )
2
n
2
n
n
2
n
2
n n
e
2
1
, ; n p


= ;

( ) ( )
( ) ( )

=


=

= =
N
1 i
a y
2
n
N
1 i
n
2
n
N
1 i
2
n n i 0 i
2
n
2
n 0 i
2
n
2
n
e
2
1
e
2
1
, n p a ; n L ;

( )
( )
( )


=
=

N
1 i
2
n 0 i
2
n
a y
1
10
2
n
0 i
e
2
1
a ; n L
Valoarea cea mai probabil a constantei
0
a rezult prin rezolvarea ecuaiei de
verosimilitate.

( )
0
a
a ; n L
0
0 i
=



( )
( )
( )
( ) 0 a y
2
e
2
1
a
a ; n L
N
1 i
nN 0 i 2
nN
a y
1
N
2
nN
0
0 i
N
1 i
2
nN 0 i 2
nN
=

(
(

=


nN
N
1 i
i 0
N
1 i
nN 0 i
y
N
1
a 0 N a N y = =
= =

Rezultatele calculelor sunt rezumate n tabelul care urmeaz.
Tabelul 29. Estimarea valorii constantei pe baza valorilor determinate experimental n cadrul
experimentului descris n Problema 4.
Valoarea adevarat a constantei 1.250
Valoarea medie statistic a zgomotului 0.200
Variana zgomotului 1.000
Media valorilor msurate ale zgomotului -0.056
Variana valorilor msurate ale zgomotului 1.217
Valoarea estimat a constantei 1.461
Problema 16: Algoritmul recursiv al celor mai mici ptrate.
Estimarea parametrilor prin metoda simpl a celor mai mici ptrate prezint un
inconvenient major i anume necesitatea de a calcula inversa unei matrice cu
dimensiuni foarte mari; acest inconvenient face ca implementarea pe microcontrolere
a algoritmului s fie dificil sau uneori imposibil de realizat.
n cadrul acestei probleme se propune determinarea unei forme recursive a
algoritmului n care estimatorul parametrilor modelului, [ ] k

la pasul actual, k se



215
calculeaz pe baza valorilor calculate la pasul anterior, [ ] 1 k

i a noilor valori
prelevate din proces la pasul actual. n aceast abordare, volumul de date prelevate
din proces este constant; capacitatea de memorie necesar este moderat ceea ce
permite implementarea pe microcontrolere a algoritmului.
La pasul N estimatorul celor mai mici ptrate se poate scrie dup cum urmeaz.
(i) ( )
N
T
N
1
N
T
N N
Y X X X =


La pasul urmtor, 1 N + expresia estimatorului celor mai mici ptrate va fi similar cu
expresia precedent, respectiv:
(ii) ( )
1 N
T
1 N
1
1 N
T
1 N 1 N + +

+ + +
= Y X X X

;

(

=
(

=
(

=
+
+
+
+
+
+
N
1 N
1 N
N
1 N
1 N
N
1 N
1 N
e
E
E
Y
y
Y
X
x
X ; ; ;
[ ]
1 nb N 1 N 1 na N 1 N N 1 N
u u y y y
+ + + +
= K K x
(iii)
( )
( ) ( )
1 N
T
1 N N
T
N
1
1 N
T
1 N N
T
N
1 N
T
1 N
1
1 N
T
1 N 1 N
+ +

+ +
+ +

+ + +
+ + =
=
y x Y X x x X X
Y X X X

.
n relaia precedent se aplic lema de inversiune matricial:
(iv) ( ) ( )
1
1
1 1 1 1 1


+ = + A D B A D C B A A D C B A .
Se obine dup cum urmeaz, pentru I C = .

{ {
( )
( ) ( ) ( ) [ ] ( )
( )
1 N
T
1 N N
T
N
1
N
T
N 1 N
1
T
1 N
1
N
T
N 1 N
T
1 N
1
N
T
N
1
N
T
N
1 N
T
1 N N
T
N
1
1 N
T
1 N N
T
N 1 N
1
+ +

+ +

+ +

=
+
=
+
=
+
+
|

\
|
+ =
+
|
|

\
|
+ =
y x Y X
X X x x X X x x X X X X
y x Y X x x X X
D B A
43 42 1


n expresia precedent, factorul subliniat cu dou linii este un scalar.
Se noteaz:
(v) ( )
T
1 N
1
N
T
N 1 N
1 a
+

+
+ = x X X x
i se introduce notaia n expresia estimatorului
1 N+

.

( ) ( ) ( ) ( )
( )
1 N
T
1 N N
T
N
1
N
T
N 1 N
1 T
1 N
1
N
T
N
1
N
T
N 1 N
a
+ +

+

+
+ =
=
y x Y X
X X x x X X X X



( ) ( )
( ) ( ) ( )
1 N
T
1 N N
T
N
1
N
T
N 1 N
1 T
1 N
1
N
T
N
1 N
T
1 N N
T
N
1
N
T
N 1 N
a
+ +

+ +

+
+
+ =
y x Y X X X x x X X
y x Y X X X





216

( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
1 N
T
1 N
1
N
T
N 1 N
1 T
1 N
1
N
T
N
N
T
N
1
N
T
N 1 N
1 T
1 N
1
N
T
N
1 N
T
1 N
1
N
T
N N
T
N
1
N
T
N 1 N
a
a
N
N
+ +

+ +

+


+ =
y x X X x x X X
Y X X X x x X X
y x X X Y X X X

4 4 4 3 4 4 4 2 1
4 4 4 3 4 4 4 2 1



( ) ( )
( )
( ) ( ) ( )
1 N
T
1 N
1
N
T
N 1 N
1 T
1 N
1
N
T
N
N 1 N
1 T
1 N
1
N
T
N
1 N
T
1 N
1
N
T
N N 1 N
a
a
+ +

+ +

+


+ =
y x X X x x X X
x x X X
y x X X




( )
( ) ( )
( ) ( ) ( )
1 N
T
1 N
1
N
T
N 1 N
1 T
1 N
1
N
T
N
1 N
T
1 N
1
N
T
N
N 1 N
1 T
1 N
1
N
T
N N 1 N
a
a
+ +

+ +

+

+
=
y x X X x x X X
y x X X
x x X X



( )
( ) ( ) ( ) ( )
1 N
T
1 N
1
N
T
N 1 N
1
1 N
T
1 N
1
N
T
N
N 1 N
1 T
1 N
1
N
T
N N 1 N
a
a
+ +

+ +

+
+
=
y x X X x y x X X
x x X X



( )
( ) ( )
( )
1 N
1 a
T
1 N
1
N
T
N 1 N
1 T
1 N
1
N
T
N
N 1 N
1 T
1 N
1
N
T
N N 1 N
a a
a
+
=
+

|
|
|

\
|
+
=
y x X X x x X X
x x X X
4 4 4 4 3 4 4 4 4 2 1



( )
( )
1 N
1 T
1 N
1
N
T
N
N 1 N
1 T
1 N
1
N
T
N N 1 N
a
a
+

+
+
=
y x X X
x x X X


(vi) ( ) ( )
N 1 N 1 N
1 T
1 N
1
N
T
N N 1 N
a x y x X X

+ =
+ +

+

n relaia (vi), termenul ( )
N 1 N 1 N
x y


+ +
reprezint eroarea de estimare calculat pe
baza valorilor anterioare ale parametrilor. Deci, valoarea estimat la momentul actual
se obine din valoarea estimat la pasul anterior corectat cu un termen proporional
cu eroarea de estimare precedent.
(vii) ( )
N 1 N 1 N 1 N N 1 N
x y K

+ =
+ + + +
.
Forma general a algoritmului recursiv al celor mai mici ptrate este prezentat n
continuare.
( )
N 1 N 1 N 1 N N 1 N
x y K

+ =
+ + + +

( )
1
T
1 N N 1 N
T
1 N N 1 N

+ + + +
+ = x P x I x P K

N 1 N 1 N N 1 N
P x K P P =
+ + +





217
CAPITOLUL VIII
VALIDAREA MODELELOR
Datele rezultate din msurtori experimentale nu pot fi modelate cu exactitate prin
modele liniare de ordin finit. Modelul care se obine la finalul unui experiment de
identificare permite aproximarea corect doar sub unele aspecte a regimului dinamic
al sistemului testat. Din acest punct de vedere, alegerea preliminar a structurii
modelului este aspectul cel mai important. Efectele alegerii necorespunztoare a
modelului conduc fie spre calcule complicate i inutile n etapa implementrii
acestuia (cazul modelelor supraparametrizate) sau spre abateri mari ntre valorile
adevrate ale rspunsului dinamic i valorile estimate pe baza modelului sistemului
(cazul modelelor subparametrizate).
De regul, ntr-un experiment de identificare se testeaz mai multe structuri de
modele i se obine un set de candidate. n final, din setul de modele candidate se
alege modelul optim. n acest scop datele prelevate din proces sunt divizate n dou
sau n mai multe seturi de date. O parte din aceste seturi de date este utilizat ca
date de intrare n algoritmii de identificare iar cealalt parte este utilizat ca date de
intrare n modelele rezultate pentru validarea acestora.
Alegerea modelului este determinat n principal de scopul / utilizarea final a
acestuia. Spre exemplu, un regulator inserat ntr-un sistem de reglare automat
adaptiv poate avea la baz un model de ordin redus, relativ inexact al sistemului
reglat. n contrast, o aplicaie de identificare a sistemelor destinat simulrii
regimului dinamic al unui proces necesit un model de ordin superior, pentru a
evidenia detalii ale dinamicii acestuia.
Pentru alegerea / validarea modelului optim dintr-un set de modele candidate,
modelele se analizeaz sub urmtoarele aspecte, raportate la finalitatea modelului.
(1) Flexibilitatea modelului n raport cu scopul propus.
(2) Complexitatea modelului n raport cu scopul propus.
(3) Comparaia ntre modelele candidate sub aspectul probabilitii cu care modelul
aproximeaz modelul adevrat.
n cadrul acestui capitol se prezint metodele de baz utilizate pentru alegerea i
validarea structurii modelelor dinamice pe baza criteriilor enunate i se detaileaz
aspectele cantitative care permit alegerea acestora.
Caracteristicile de performan ale modelului
Flexibilitatea modelului
Prin flexibilitate a modelului se nelege calitatea acestuia de a reproduce cu
exactitate comportamentul dinamic adevrat al sistemului, n absena zgomotelor.
Flexibilitatea modelului poate fi evaluat (1) prin compararea semnalului de ieire
prelevat din proces, [ ] { }
N
1 k
k y
=
cu semnalul de ieire din model, [ ] { }
N
1 k m
k y
=
dac
semnalul de intrare n model este tot semnalul de intrare prelevat din proces.



218
n practic, zgomotul la portul de intrare n proces este neglijabil, prin urmare,
teoretic, semnalul de ieire din model nu conine zgomot, deci:
[ ] ( ) [ ] k u q G k y
N
1
m
=

; . (356.)
Pentru ca modelul s fie acceptat reprezentrile grafice ale semnalelor [ ] { }
N
1 k
k y
=
,
[ ] { }
N
1 k m
k y
=
trebuie s fie asemntoare. Abaterile dintre [ ] { }
N
1 k m
k y
=
i [ ] { }
N
1 k
k y
=
sunt
datorate att erorilor de modelare ct i zgomotului care perturb semnalul prelevat
din proces. Experiena profesional a evaluatorului conteaz foarte mult, n acest
caz.
O evaluare mai precis a flexibilitii modelului se realizeaz prin calcule statistice
care au la baz evaluarea proprietilor erorii de estimare [ ]
N
k

, - denumit i restul
estimrii. Pentru simplificarea notaiei expresiei erorii de estimare, n continuare nu
se mai menioneaz explicit vectorul parametrilor i numrul de eantioane; deci se
noteaz simplu [ ] k .
Testele statistice asupra erorii de estimare, [ ] k au la baz ipotezele (denumite n
statistic ipoteze de tip
0
H ) prezentate n tabelul care urmeaz.
Tabelul 30. Ipoteze asupra erorii de estimare aplicabile n testele statistice de validare a modelelor.
1: eroarea de estimare este de tip zgomot alb cu media statistic egal cu zero;
2: eroarea de estimare este simetric distribuit;
3:
eroarea de estimare nu este corelat cu ansamblul eantioanelor anterioare ale
semnalului de intrare,
[ ] [ ] { } i k 0 i u k E > = ;
;
4:
eroarea de estimare nu este corelat cu semnalul de intrare
[ ] [ ] { } ( ) i k 0 i u k E ; ; =
-
pentru procesele n bucl deschis.
Se vor prezenta urmtoarele teste asociate analizei erorii de estimare: testul funciei
de autocorelaie a erorii de estimare i testul schimbrii de semn a erorii de estimare.
Complexitatea modelului
Dac dimensiunea modelului estimat este mai mare dect dimensiunea modelului
adevrat se spune c modelul estimat este supraparametrizat. Supraparametrizarea
modelului se reflect n prezena perechilor de poli-zerouri foarte apropiate n planul
complex.
Supraparametrizarea modelului poate fi evaluat analitic prin determinarea punctelor
de minim ale funciei criteriu ( ) [ ] { } k E V
2
= dac, pentru estimarea modelului este
utilizat pentru metoda erorii de predicie [4], pag. 434.
Prezena unui punct de minim global al funciei criteriu permite enunarea criteriului
parcimoniei modelului. Implementarea criteriului parcimoniei modelului pentru
validarea modelelor se prezint n continuarea acestui capitol.
Compararea ntre structurile modelelor
n cazul metodelor de identificare de tip parametric, parametrii modelului se
determin prin minimizarea unei funcii criteriu, ( ) V . Se compar modele cu
dimensiuni diferite; valoarea minim a funciei criteriu descrete dac dimensiunea




219
modelului crete - prin adugarea unor parametri suplimentari - deoarece erorile de
estimare scad.
Prin urmare, evaluarea valorilor minime ale funciei criteriu n funcie de dimensiunea
modelului produce informaii privind complexitatea acestuia i deci permite validarea
modelului.
n cadrul acestui capitol se prezint Testul - F care are la baz aceast idee.
nainte de a trece la prezentarea testelor de validare a modelelor enunate se
prezint cteva rezultate din Teoria probabilitilor privind distribuia
2
i legtura
acestei distribuii cu distribuia normal N .
Distribuia
2
i distribuia F
Definiia 64: Distribuia
2
. O variabil aleatoare are distribuia
2
cu n grade de
libertate dac densitatea sa de repartiie este

( )
( ]
( )

+
|

\
|


=

;
;
0 x e x
2
n
2
1
0 x 0
x f
2
x
1
2
n
2
n
pentru
pentru
.
(357.)
n care, ( )


=
0
x 1 p
dx e x p este funcia Gama sau funcia lui Euler de spea a doua,
[6], pag. 127.
Legtura dintre distribuia
2
i distribuia normal este dat de urmtoarea teorem,
[6], pag. 128.
Teorema 18: Legtura dintre distribuia
2
i distribuia ( ) 1 0, N . Dac fiecare din
variabilele aleatoare independente
n 2 1
X X X K , are distribuie normal cu
parametrii ( ) 1 0, N , atunci variabila aleatoare

=
n
1 k
2
k
X are distribuie
2
cu n grade
de libertate.
Definiia 65: Distribuia F cu
1
n i
2
n grade de libertate. Fie dou variabile aleatoare
independente
1
X cu distribuia ( )
1
2
n i respectiv
2
X cu distribuia ( )
2
2
n atunci,
( ) ( )
2 2 1 1
X n n X are distribuia F cu
1
n i
2
n grade de libertate, notat ( )
2 1
n n F ; . [4],
pag. 558.
Teorema 19: Fie o variabil aleatoare Y care are distribuia ( )
2 1
n n F ; , atunci
distribuia variabilei aleatoare Y n
1
tinde spre distribuia ( )
1
2
n dac
2
n . [4],
pag. 558.
Demonstraiile teoremelor nu sunt prezentate n aceast lucrare; acestea pot fi
consultate n referinele citate.



220
n tabelul care urmeaz se dau valori ale funciei densitate de probabilitate asociate
distribuiei ( ) n
2
care verific urmtoarea relaie.
( ) ( ) = >

n x P
2
. (358.)
Tabelul 31. Valorile numerice ale funciei ( ) n
2

.
0,050 0,025 0,010 0,005
n
1 3,84 5.02 6.63 7.88
2 5.99 7.38 9.21 10.6
3 7.81 9.35 11.3 12.8
4 9.49 11.1 13.3 14.9
5 11.1 12.8 15.1 16.7
6 12.6 14.4 16.8 18.5
7 14.1 16.0 18.5 20.3
8 15.5 17.5 20.1 22.0
9 16.9 19.0 21.7 23.6
10 18.3 20.5 23.2 25.2
11 19.7 21.9 24.7 26.8
12 21.0 23.3 26.2 28.3
13 22.4 24.7 27.7 29.8
14 23.7 26.1 29.1 31.3
15 25.0 27.5 30.6 32.8
16 26.3 28.8 32.0 34.3
17 27.6 30.2 33.4 35.7
18 28.9 31.5 34.8 37.2
19 30.1 32.9 36.2 38.6
20 31.4 34.2 37.6 40.0
Datele prezentate n tabel sunt utile n testele de validare care sunt prezentate n
continuare.
Teste pentru validarea structurii modelului
Testul funciei de autocorelaie a erorii de estimare
Testul, [4], pag. 423 are la baz ipoteza potrivit creia eroarea de estimare
[ ] { }
N
1 k
k
=
este o secvena a unui zgomot alb deci are distribuie normal ( ) 1 0, N . Prin
urmare, o estimare a funciei de autocorelaie calculat pe baza eantioanelor
secvenei date:

[ ] [ ] [ ] 0 t t
N
1
r
N
1 k
+ =


=

; ,
(359.)
Verific relaiile care urmeaz.

[ ] [ ] { }
[ ]


=

N
0 0 r
k E 0 r
2 2
daca
;

,
(360.)
Observaie.
n calcule se evalueaz valorile raportate ale funciei de autocorelaie dup cum
urmeaz.




221

[ ]
[ ]
[ ] 0 r
r


(361.)
Conform ipotezei, eroarea de estimare are distribuie normal ( ) 1 0, N , deci funcia
de autocorelaie verific relaia care urmeaz.

[ ]


=
=

0 0
0
r
2
daca
daca

(362.)
Testul presupune stabilirea unui criteriu de evaluare a convergenei valorilor date prin
relaiile (5), calculate pe baza celor N realizri ale semnalului spre valorile teoretice
din relaia (7) corespunztoare cazului N .
Pentru determinarea expresiei acestui criteriu se procedeaz dup cum urmeaz.
Se reprezint valorile estimate ale funciei de autocorelaie sub forma matricial:

[ ]
[ ]
[ ]
[ ] [ ]
[ ] [ ]
(
(
(
(
(



=
(
(
(

=
=

N
1 k
N
1 k
k m k
k 1 k
N
1
m r
1 r
N
1
r M M

; N m N < << ; .
(363.)
Se calculeaz matricea de covarian.
{ }
T
E r r P = ; N << . (364.)
Elementul m 1 j i P
j i
, , ;
,
= din relaia precedent se reprezint dup cum urmeaz.


[ ] [ ] [ ] [ ] { }
[ ] [ ] [ ] [ ] { }
[ ] [ ] [ ] [ ] { } [ ] [ ] [ ] { }

= = + =
=

=
= =
+ +
=
=
N
1
N
1
2
N
1
N
1
1
1
N
1
N
1
j i
j i E
N
1
j i E
N
1
j i E
N
1
j i E
N
1
P
,

(365.)
Se evalueaz expresia precedent pentru N i rezult:


[ ] [ ] [ ] [ ] { }
[ ] [ ] [ ] { }
j i
4
N
1
2
N
N
1
N
1
N
j i
N
j i E
N
1
0 0
j i E
N
1
P
,
,
lim
lim lim
=
)
`

+ + =
=

=

= =

=
=
j i 0
j i 1
j i,





222

[ ] [ ] [ ] [ ] { }
[ ] [ ] [ ] { }
j i
4
N
1
2
N
N
1
N
1
N
j i
N
j i E
N
1
0 0
j i E
N
1
P
,
,
lim
lim lim
=
)
`

+ + =
=

=

= =


(366.)
Rezultatul precedent poate fi reprezentat sub form matricial dup cum urmeaz.
{ } I r r P = =

4 T
E ; N . (367.)
Dup cum se arat n [4], pag. 550 dac eroarea de estimare este distribuit
normal ( ) 1 0, N atunci i funcia de autocorelaie este distribuit normal ( ) 1 0, N .
Vom evalua n continuare distribuia de probabilitate a elementelor matricei de
covarian normalizat. n relaia (364), elementele matricei de covarian pe
diagonala principal sunt numeric egale cu ptratul valorilor funciei de autocorelaie
n timp ce celelalte elemente sunt produse ale valorilor funciei de autocorelaie la
momente de timp diferite. Deoarece funcia de autocorelaie este distribuit normal,
rezult c variabila aleatoare asociat elementelor matricei de covarian va fi
distribuit ( ) m
2
.
Prin urmare, pentru a evalua convergena n distribuie a erorii de estimare trebuie
evaluat convergena n distribuie variabilei ( ) 0 r N
T

/ r r .
Testul de convergen se implementeaz dup cum urmeaz ( N m << )
1
Se definete probabilitatea
( ) ( ) = >

n x P
2
, Tabelul 1;
2
Se adopt
[ ] 1 0 01 0 , ; ,
, tipic
05 0, =
reprezentnd probabilitatea ca valorile variabilei
aleatoare
X
; s fie mai mari dect valorile distribuiei de probabilitate
( ) m
2

.
3.
Se calculeaz expresia
( ) 0 r N
T

/ r r
din valori ale erorii de estimare;
3. Dac valoarea expresie
( ) 0 r N
T

/ r r
valoarea funciei
( ) m
2

determinat din Tabelul 1


atunci modelul se invalideaz.
4.
Dac valoarea expreisie
( ) 0 r N
T

/ r r
este mai mic sau egal dect valoarea funciei
( ) m
2

determinat din Tabelul 1 atunci modelul se valideaz.



Testul schimbrii de semn a erorii de estimare
Fie
N
x numrul schimbrilor de semn ale valorilor secvenei [ ] { }
N
1 k
k
=
. Se definesc
variabilele aleatoare { }
1 N
1 k k

=
prin expresia care urmeaz.

[ ] [ ]
[ ] [ ]

+
< +
=
0 1 i i 0
0 1 i i 1
i
daca
daca

(368.)




223

=
=
1 N
1 i
i N
x .
(369.)
Conform ipotezelor prezentate n Tabelul 30, rezult c (1)
( ) ( ) 5 0 1 P 0 P
i i
, = = = = i (2) dou variabile aleatoare j i
j i
, sunt identic
distribuite i independente statistic. Pe baza celor prezentate i a teoremei numerelor
mari se poate afirma c variabila aleatoare
N
x este convergent n distribuie spre
distribuia normal ( ) P m, N n care:
{ } ( ) { }
2
N
E 1 N x E m
i N
= = = reprezint media statistic i (370.)

[ ] { } { } { }
( )
( ) [ ] { } [ ] { }
4
N
4
1 N
E E 1 N
4
1 N
E
2
N
E m x E m x E P
4
2
i
2 1
2
i
2
1 N
1 i
1 N
1 j
j i
2
2
N
2
N

=
(
(

)
`

=
= = =
= =

3 2 1 3 2 1

(371.)
reprezint variana repartiiei. Pe baza celor prezentate mai sus, rezult c variabila
aleatoare
2 N
2 N x
N

este distribuit ( ) 1 0, N .
Rezult c valorile variabilei aleatoare
N
x verific relaia:

96 1
2 N
2 N x
N
.

cu probabilitate 95 0, .
(372.)
Prin urmare, testul const n urmtoarele.
1
Se calculeaz

=
=
1 N
1 i
i N
x
;
2
Se evalueaz inegalitile
2 N 98 0 2 N x 2 N 98 0 2 N
N
+ , ,
;
3 Dac inegalitile precedente se verific, atunci modelul se valideaz ;
4 Dac inegalitile nu se verific, atunci modelul nu se valideaz.

Criteriul parcimoniei modelului
Principiul parcimoniei modelului permite determinarea ordinului optim al modelului.
Fiind date dou sau mai multe modele candidate de ordin diferit care estimeaz
datele prelevate din proces cu exactitate similar. Conform principiului parcimoniei
modelului, modelul cu cel mai mic numr de parametri este modelul optim al
procesului.
Pentru evaluarea pe ansamblu a caracterului optim al modelului se utilizeaz mrimi
scalare (notate generic ( ) W ) corelate cu valorile estimate ale vectorul parametrilor,
N

. Astfel de mrimi scalare pot fi: variana erorii de predicie pe un pas n avans,



224
variana erorii de predicie cu mai muli pai n avans sau abaterea funciei de
transfer estimat fa de valoarea adevrat.
Valoarea minim a mrimii scalare ( ) W se obine pentru cazul n care variabila
coincide cu valoarea adevrat a vectorului parametrilor.
O abatere a valorilor parametrilor raport valorile adevrate corespunztoare se
reflect ntr-o cretere a valorii mrimii W . Pe de alt parte, cu ct numrul de
parametri ai modelului este mai mare, cu att valoarea erorilor de estimare scade,
deci i valoarea mrimii scalare W . Prin urmare, dac valoarea mrimii scalare
W este practic aceeai, atunci modelul care este mai aproape de modelul adevrat
este modelul cu numrul minim de parametri.
Testul F
n cazul metodelor de identificare de tip parametric bazate pe minimizarea erorii de
predicie, problema alegerii dimensiunii optime a structurii modelului - evocat n
criteriul parcimoniei modelului - poate fi abordat riguros prin evaluarea statistic a
relaiei dintre dimensiunea modelului i valorile funciei criteriu.
Se analizeaz dependena dintre valorile funciei criteriu ( )

=
=
N
1 k
2
k N
V

n funcie de
dimensiunea modelului.
n Figurile 82 - 84 se reprezint dependena menionat pentru un proces de tip
( ) 1 2 ARX ; descris prin ecuaia cu diferene care urmeaz.

[ ] [ ] [ ] [ ] [ ] [ ] k e 2 k u 5 0 1 k u 2 k y 024 0 1 k y 46 0 k y + + = + . , , . (373.)

Pentru acest model, 2 na = i 1 nb = . Metoda de identificare utilizat este metoda
simpl a celor mai mici ptrate.
Rezultatele calculelor sunt reprezentate grafic n Figurile 82 - 84.


Figura 82. Graficul dependenei funciei criteriu de dimensiunea modelului pentru cazul n care
0 nb = .




225

Figura 83. Graficul dependenei funciei criteriu de dimensiunea modelului pentru cazul n care
1 nb = .

Figura 84. Graficul dependenei funciei criteriu de dimensiunea modelului pentru cazul n care
2 nb = .
Dimensiunea nb a modelului a fost adoptat ca parametru i a fost analizat
dependena valorilor funciei criteriu n funcie de valori ale dimensiunii nb .
Se constat urmtoarele. (1) dac modelul este subparametrizat - Figura 82 -valorile
funciei criteriu sunt mai mari comparativ cu cazul n care modelul este corect
parametrizat sau este supraparametrizat. (2) dac modelul este corect parametrizat -
Figura 83 - valorile funciei criteriu descresc rapid cu na pn la punctul care
corespunde dimensiunii adevrate a modelului dup care descreterea valorilor
funciei criteriu este foarte lent i (3) dac modelul este supraparametrizat, - Figura
84 - valorile funciei criteriu sunt mai mici dect n cazul n care modelul este corect
parametrizat iar descreterea cu na a acestor valori este mult mai rapid n
comparaie cu cazul (2).
Pentru evaluarea cantitativ a descreterii valorilor funciei criteriu pe baza calculelor
prezentate se procedeaz dup cum urmeaz.
Fie dou modele candidate,
1

i
2

a cror dimensiuni difer,


1 1
n

dim = i
2 2
n

dim = ,
2 1
n n < fie
0
modelul adevrat i fie
2 1
V V , valorile minime ale funciilor
criteriu corespunztoare celor dou structuri de modele. Datele prelevate din proces
verific urmtoarele relaii.
[ ] [ ]
1
T
1
k k y

= ; (374.)
[ ] [ ]
2
T
2
k k y

= ;



226
[ ] [ ] [ ] k e k k y
0
T
1
+ =

.
n care [ ] { } k e este o secven de variabile aleatoare cu distribuie normal ( )
2
e
0 , N
Urmtoarele relaii - demonstrate n [4] pag. 73 - sunt adevrate:
(i) variabilele aleatoare
2 1
V V i
2
V sunt independente statistic;
(ii)
2
e
2
V 2

este distribuit
2
cu
2
n N grade de libertate;

(iii)
( )
2
e
2 1
V V 2


este distribuit
2
cu
1 2
n n grade de libertate.

Pe baza rezultatelor de mai sus i a Definiiei 2 rezult c mrimea:

2
2
1 2
2 1
V
n N
n n
V V
f

= este distribuit F cu
1 2
n n i
2
n N
(375.)
grade de libertate cu grade. n final, pentru
2
n N >> distribuia ( )
2 2 2
n N n n F , se
aproximeaz cu distribuia ( )
1 2
2
n n .
De regul se compar modele ale cror dimensiune difer cu o unitate, 1 n n
1 2
= ;
se ine cont de aproximarea
2
n N >> i relaia (20) se obine relaia care urmeaz.

2
2 1
V
V V
N f

= , distribuit cu distribuia ( )
1 2
2
n n
(376.)
Se ine cont de relaia de definiie a funciei ( ) n
2

i rezult expresia:

( )
1 2
2
n n f

, distribuit cu distribuia ( )
1 2
2
n n
(377.)
Din ultimele dou relaii se obine expresia care se utilizeaz n aplicaii ale criteriului
F.

( )
(

+
1 2
2
2 1
n n
N
1
1 V V .
(378.)
Implementarea testului are la baz relaia precedent dup cum se prezint n
continuare.
1
Se definete probabilitatea
( ) ( ) = >

n x P
2
, Tabelul 1;
2
Se adopt
[ ] 1 0 01 0 , ; ,
, tipic
05 0, =
reprezentnd probabilitatea ca valorile variabilei
aleatoare
X
; s fie mai mari dect valorile distribuiei de probabilitate
( ) m
2

;
3. Se calculeaz dimensiunea modelelor;
4.
Se evalueaz expresia
( )
(

+
1 2
2
2 1
n n
N
1
1 V V
pe baza datelor rezultate din
estimarea parametrilor;
5.
Dac expresia de la punctul (4) se verific atunci modelul se cu dimensiunea mai mic se
valideaz.




227
6.
Dac expresia de la punctul (4) nu se verific atunci modelul cu dimensiunea mai mare se
valideaz.
Exemplul 50: validarea modelului dinamic al curgerii apei pluviale ntr-un canal de
deversare.
Au fost efectuate 1455 N = de nregistrri pe durata unei ore asupra debitului de ap
care curge ntr-un canal de deversare cu ajutorul a ase debitmetre. Au fost adoptate
3 modele dinamice ale procesului dup cum urmeaz.
(i)
[ ] [ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] 3 k e c 2 k e c 1 k e c k e
2 k u b 1 k u b k u b 2 k y a 1 k y a k y
3 2 1
2 1 0 2 1
+ + + +
+ + + =
;

(ii)
[ ] [ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ] 3 k e c 2 k e c 1 k e c k e 3 k u b
2 k u b 1 k u b k u b 2 k y a 1 k y a k y
3 2 1 3
2 1 0 2 1
+ + + + +
+ + + =
;

(iii)
[ ] [ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ] [ ] 3 k e c 2 k e c 1 k e c k e 3 k u b 2 k u b
1 k u b k u b 3 k y a 2 k y a 1 k y a k y
3 2 1 3 2
1 0 3 2 1
+ + + + + +
+ + =
.

Pe baza datelor prelevate din proces valorile parametrilor modelelor au fost calculate
cu metoda generalizat a celor mai mici ptrate. Au fost obinute valorile funciilor
criteriu reprezentate n tabelul care urmeaz.
Tabelul 32. Valorile funciilor criteriu din Exemplul 1
Modelul Funcia criteriu
(i) 0.074286
(ii) 0.073542
(iii) 0.073248

Dimensiunea modelului, se calculeaz cu expresia:
1 nc nb na n + + + = . (379.)
Rezultatele calculelor sunt prezentate n Tabelul 4.
Tabelul 33. Dimensiunile modelelor din Exemplul 1
Modelul na nb nc p
(i) 2 3 3 9
(ii) 2 4 3 10
(iii) 3 4 3 11
Cazul 1
Se compar modelele (i) i (ii) pentru 05 0. =

( ) 073736 0 84 3
1455
1
1 073542 0 n n
N
1
1 V
1 2
2
2
. . . =
|

\
|
+ =
(

+

.

074286 0 V
1
. =
2 1
V V > ;
se valideaz modelul cu dimensiunea mai mare, (ii).
Cazul 2
Se compar modelele (ii) i (iii) pentru 01 0. =



228

( ) 073582 0 64 6
1455
1
1 073248 0 n n
N
1
1 V
1 2
2
2
. . . =
|

\
|
+ =
(

+

.

073542 0 V
1
. =
2 1
V V < ;
se valideaz modelul cu dimensiunea mai mic, (ii).
Cazul 3
Se compar modelele (ii) i (iii) pentru 05 0. =

( ) 073441 0 84 3
1455
1
1 073248 0 n n
N
1
1 V
1 2
2
2
. . . =
|

\
|
+ =
(

+

.

073542 0 V
1
. =
2 1
V V > ;
se valideaz modelul cu dimensiunea mai mare, (iii).





BIBLIOGRAFIE

[1]
Ogata, K. Modern Control Engineering. Second Edition. Prentice-Hall International, Inc, Englewood
Cliffs, 1990, ISBN 0-13-598731-8.
[2]
Allan, R. L., Mills D. W. Signal Analysis. Time, Frequency, Scale ans Structure. IEEE PRESS
Wiley-Interscience, 2004, ISBN: 0-471-23441-9
[3]
Henneberger, K. Electric Machines II. Dynamic Behavior, Converter Supply and Control. RWTH,
Aachen, 2004.
[4] Soderstrom, T., Stoica, P. System Identification. Prentice Hall International, 1989.
[5] Tia, N., Tofan, D. Analiz matematic. Editura " Aula ", Braov, 2001, ISBN: 973-8206-02-2
[6]
Mihoc, Gh., Micu, N. Teoria probabilitilor i Statistic Matematic. Editura Didactic i
Pedagogic, Bucureti,1980.
[7]
Stihi, T. Algebr liniar. Teorie i probleme rezolvate. Editura All, Bucureti, 1999, ISBN: 973-571-
279-2.
[8]
Sderstrm, T. Computational Methods for Evaluating Covariance Functions. Systems and Control
Group Uppsala University, Box 27, S-751 03 Uppsala, Sweden, 2003
[9] Comnac, V. Teoria sistemelor. Editura Lux Libris, Braov, 2006, ISBN 973-9458-53-X.
[10] Stnil, O. Analiz matematic. Editura Didactic i Pedagogic, Bucureti, 1981.
[11] Sabac, I. Gh. Matematici speciale. Editura Didactic i Pedagogic. Bucureti, 1981.
[12]
Davenport, W. B., Root, W.L. An Introduction to the Theory of Random Signals and Noise. IEEE,
Wiley-Interscience, 1997, ISBN: 0-87942-235-1
[13]
Goodwin, G. C, et. al. Sampling and Sampled-Data Models. In: IEEE Control Systems Magazine,
Vol 33, No. 5, Oct.2013.
[14]
Cabodevila, G., Identification des systemes, Version 2009/2010. Ecole Nationale Superiore de
Mecanique et Microtechniques, Besancon - France.
[15]
Cartianu, Gh., Svescu, M., Constantin, I. i Stanomir, D. Semnale, circuite i sisteme. Editura
Didactic i Pedagogic, Bucureti, 1980.
[16]
Ljung, L. System Identification: Theory for the User. PTR Prentice Hall, Englewoods Cliffs, New
Jersey 07632, 1987, ISBN 0-13-881640-9.
[17]
Svescu, M., Petrescu, Th., Ciochin, S. Semnale, circuite i sisteme. Probleme. Editura Didactic i
Pedagogic, Bucureti 1981
[18]
Westwick, D.T., Kearney, R.E. Identification of Nonlinear Physiological Systems. IEEE Press,
Wiley-Interscience, 2003, ISBN 0-471-27456-9.