Laborator 5

1

Modelarea i analiza semnalelor aleatoare


Obiectivele lucrrii:
- modelarea i analiza semnalelor aleatoare
- analiza de corelaie (covarian) a semnalelor aleatoare;
- analiza spectral (densitatea spectral de putere) a semnalelor aleatoare.


1. Modelarea i analiza semnalelor aleatoare
1.1. Necesitate
S-a artat c atunci cnd nivelul zgomotului este nesemnificativ se pot folosi semnale de test
deterministe. De exemplu, factorul de amplificare complex poate fi determinat dac semnalul de
intrare este unul armonic (sinusoidal, cosinusoidal) i se efectueaz msurtorile dup depirea
regimului tranzitoriu.
n cazul n care semnalul de intrare este de forma:
) t sin( A ) t ( u
k
=
la ieirea sistemului liniar se obine tot un semnal sinusoidal, de aceeai pulsaie, dar atenuat i
defazat (ntrziat):
) t sin( ) j ( G A ) t ( y
k k k
+ =






Prin raportarea amplitudinii semnalului de ieire la amplitudinea semnalului de intrare se poate
determina modulul factorului de amplificare complex, iar prin msurarea defazajului dintre cele
dou semnale se poate determina defazajul su, ambele mrimi polare specifice pulsaiei
k
.
Repetnd experimentul pentru alte pulsaii se pot astfel determina caracteristicile de frecven
(diagramele Bode) ale sistemului identificat.

n cazul n care nivelul zgomotului este semnificativ rezultatele obinute ar putea arta ca mai
jos, ceea ce afecteaz semnificativ precizia de estimare a modelului liniar. n aceast situaie se
impune utilizarea unei metodologii de modelare i identificare robust la astfel de perturbaii.








Perturbaiile care acioneaz asupra procesului pot avea diferite cauze: zgomote de msur,
perturbaii electromagnetice etc. Att n sistemele analogice ct i n cele digitale aceste
perturbaiile induc o incertitudine n evaluarea semnalului. n astfel de cazuri, pentru determinarea
corect a semnalului este necesar o prelucrarea adecvat a acestuia.

Perturbaiile individuale pot fi combinate astfel nct s formeze o perturbaie reprezentativ,
v(t). Dac valoarea acestea este semnificativ, i deci afecteaz semnalul de ieire, atunci procesele
Sistem continuu n timp
y(t)
G(j)
A
A|G(jk)|
u(t)
t t
(k)
...
Sistem continuu n timp
y(t)
G(j)
A|G(jk)|
u(t)
t t

v
3
(t) v
1
(t)v
2
(t) v
n
(t)
Laborator 5

2
tehnologice trebuie modelate cu cel puin dou intrri, una de comand, u(t), i una perturbatoare,
v(t), (Fig.a).




a. b.
Reprezentarea schematic a unui proces tehnologic cu mrime perturbatoare
a) interioar procesului b) translat la ieire
n principiu, perturbaia v(t) poate aciona oriunde n interiorul procesului, dar dac sistemul
este liniar ea poate fi translat la ieire (Fig.b).
n cazul n care zgomotul, v(t), influeneaz puin mrimea de ieire y(t) (raport zgomot/semnal
pe ieire nesemnificativ) acesta poate fi ignorat n controlul procesului tehnologic, folosindu-se un
model determinist. ns cnd influena este puternic sau cnd performanele impuse mrimii de
ieire sunt ridicate atunci trebuie luat n considerare i calea prin care se propag perturbaia spre
ieire i deci trebuie utilizat un model stohastic.
Cu alte cuvinte este necesar i modelul matematic al cii de zgomot. n acest caz evoluia
mrimii de ieire poate fi determinat dac se cunosc modelele parametrice ale celor dou ci (de
control i de zgomot), semnalul de intrare u(t) i caracteristicile zgomotului.
Utiliznd pentru reprezentarea prii deterministe a sistemului operatorul de transfer continuu
se poate scrie:
) t ( v ) t ( u
) p ( A
) p ( B
) t ( y + =
Exemple de perturbaii







Semnal aleator staionar de band mare de frecven i de medie nul






Semnal aleator nestaionar de band mic de frecven







Semnal perturbator avnd caracter necunoscut numit semnal aberant (outlier)
(perturbaii electromagnetice sau funcionare defectuoas a echipamentului de msur)
Pentru astfel de situaii se impune utilizarea de modele specifice de descriere a perturbaiilor i
de elaborare de metode adecvate de identificare care s asigure precizia impus chiar i atunci cnd
semnalele msurate sunt contaminate de zgomote.

G1(p) G2(p)
v(t)
u(t) y(t)
Proces tehnologic
u(t)
v(t)
G(p)
y(t)
Proces tehnologic
Laborator 5

3
1.2. Descrierea semnalelor aleatoare
n funcie de gradul de previzibilitate a evoluiei n timp, semnalele se pot clasifica n:
- semnale deterministe - cu evoluie predictibil (ntruct la baza generrii lor stau legi
deterministe);
- semnale aleatoare - cu evoluie predictibil n sens probabilistic.
Semnalele deterministe simple pot fi complet specificate printr-un numr mic de parametri. De
exemplu, tensiunile continue sunt precizate prin doi parametrii (amplitudine, polaritate). Semnalul
treapt este specificat prin trei parametrii (amplitudine, polaritate, timp) iar un semnal sinusoidal
este caracterizat tot prin trei parametri (amplitudine, frecven i faz).
Un semnalul sinusoidal este unul determinist deoarece poate fi scris sub forma
) t sin( A ) t ( u
0
+ =
presupunnd amplitudinea A, frecvena unghiular i faza
0
constante. Semnalul determinist
poate fi evaluat la orice moment de timp t, fiind previzibil pe o durat de timp nelimitat i ca
urmare nu este purttor de informaie.
Semnalele aleatoare nu sunt exprimabile prin funcii de timp, nu sunt previzibile i drept
urmare sunt purttoare de o anumit cantitate de informaii. Cantitatea de informaii este cu att mai
mare cu ct gradul de previzibilitate este mai mic. Caracterul aleator se datoreaz naturii
fenomenului care l genereaz (mecanismul generator de semnal), complexitii acestuia (numr
mare de elemente) i instrumentaiei de msur.
ntruct semnalele aleatoare prezint o evoluie ntmpltoare n raport cu timpul, amplitudinea
acestora la un moment dat nu poate fi precizat cu certitudine. Aceasta se poate exprima cu ajutorul
unor indicatori statistici bazai pe teoria probabilitilor.

1.2.1. Densitatea de repartiie. Funcia de repartiie
Fie un semnal aleator msurat, x(t).












Valorile determinate prin msurare sunt grupate pe axa Ox n mai multe intervale succesive,
1,2,...n, fiecare interval avnd aceeai lime Ax.
Frecvena relativ f
i
, corespunztoare valorilor coninute n intervalul de grupare oarecare i,
reprezint raportul ntre durata msurat pentru valorile care aparin intervalului i, EAt
n
, i durata
corespunztor tuturor intervalelor de grupare, T.
f
t
T
i
n
=
EA

Pentru intervalul de grupare i avnd limea Ax, se fixeaz ordonata corespunztoare valorii
frecvenei relative f
i
, x
i
, i se obine un dreptunghi caracteristic estimaiei statistice a variabilei
aleatoare. Totalitatea dreptunghiurilor astfel obinute pentru fiecare frecven relativ n parte, n
succesiunea f
1
, f
2
, ...,f
n
constituie tabloul caracteristic al valorilor de grupare ale variabilelor
aleatoare i se numete histogram a frecvenelor relative a variabilei aleatoare X.
T

t
x t) (
O
Laborator 5

4

Observaie: Dreptunghiul intervalului de grupare de ordin i are aria A
i
=f
i
Ax, aceasta fiind de
aceeai natur i deci dimensional [SI] cu variabila X. Aria A
i
poate fi adimensional, adic poate fi
normalizat astfel nct A
i
N
=f
i
, ceea ce face ca aria ntregii histograme normalizate a frecvenelor
relative s fie egal cu 1, adic:
1 f A
n
1 i
i
N
= =

=

Condiia de normalizare este:
x f x
x
f
A
N
i
i N
i

= =
ceea ce arat c ordonatele histogramei normalizate ale frecvenelor relative se obin prin mprirea
cu Ax a ordonatelor histogramei nenormalizate
x T
t
x
f
f
n
1 i
i
i N
i
A
A
A

=
= =
Aplicnd un proces de trecere la limit prin micorarea limii intervalului de grupare, astfel
nct Ax 0 , se va obine curba continu roie din figura anterioar. Curba continu reprezint
nfurtoarea histogramei normalizate a frecvenelor relative, avnd semnificaia densitii de
repartiie (probabilitate) a variabilei aleatoare X care se noteaz cu p(x). Ea indic probabilitatea ca
acest semnal s aib o anumit valoare x ntr-un interval de timp T, i este proporional cu durata
n care amplitudinea instantanee a semnalului aleator se gsete ntr-un anumit interval x+Ax.
Pentru acest semnal se poate defini deci, ca i n prelucrrile statistice, o densitate de repartiie
(probabilitate) i, respectiv, o funcie de repartiie. Densitatea de repartiie reprezint un parametru
statistic al semnalului care furnizeaz informaii complete despre forma acestuia, preciznd ct
timp, n medie, semnalul variaz ntre amplitudini predeterminate. Pe baza de statistic inductiv se
pot stabili diferite modele probabilistice care s caracterizeze evoluia temporal a amplitudinii
semnalului.
Frecvena relativ cumulat F
i
corespunztoare intervalului i se definete ca fiind raportul ntre
numrul de valori msurate n intervalele precedente (inclusiv n i) i numrul total de valori
corespunztor tuturor intervalelor de grupare pentru analiz. Aceasta nseamn c frecvena relativ
cumulat poate fi reprezentat sub forma de histogram denumit histograma frecvenelor relative
cumulate, unde ordonata corespunztoare intervalului de grupare i se determin prin nsumarea
tuturor frecvenelor relative anterioare intervalului i, precum i valorii acestuia

=
=
i
1 j
N
j
N
i
f F
Ordonata corespunztoare ultimului interval de grupare din histograma frecvenelor relative
cumulate este egal cu 1, deoarece reprezint suma frecvenelor relative din toate intervalele de
grupare.

At
1
At
2
At
3
At
4
At
5
At
6
A t
7
A t
8
t
T
x t ( ) x
p x ( )
EAt
T
n
A
x
A
x
Ax
A
x
A
x
A
x
1
2
3
.
.
.
n
x
A
x
Laborator 5

5

Densitatea de repartiie/Funcia de repartiie
Ca i n cazul densitii de repartiie, prin aplicarea procedeului de trecere la limit prin
micorarea limii intervalului de grupare, astfel nct Ax 0 , se obine curba continu roie din
figura anterioar. Curba continu reprezint nfurtoarea histogramei normalizate a frecvenelor
relative cumulate, avnd semnificaia funciei de repartiie a variabilei aleatoare X care se noteaz
cu F(x).

1.2.2. Model probabilistic
Mrimile aleatoare (ca rezultat al mai multor determinri) sunt caracterizate printr-o lege de
repartiie bine determinat. Legea de repartiie poate fi stabilit printr-un procedeu de repetare de un
numr mare de ori, n condiii identice, a msurrii unei anumite mrimi. Dac m reprezint
numrul de rezultate ale msurrilor incluse ntr-un anumit interval (n cazul precedent EAt
n
), iar n
reprezint numrul msurrilor efectuate (n cazul precedent durata de observare, T), atunci
raportul m/n este frecvena relativ a mrimii aleatoare de a exista n intervalul dat. n acest
context, dac numrul de determinri este suficient de mare, atunci raportul m/n se apropie de o
anumit constant care este caracteristic intervalului considerat.
n modelul probabilistic teoretic, variabilele aleatoare se consider ca fiind mrimi care pot lua
orice valoare real, iar fiecrui interval (a,b] i corespunde un numr bine determinat, numit
probabilitatea ca variabila aleatoare X s ia valori n acest interval, care se noteaz ( ) b X a P s < .
Att funcia de repartiie ct i densitatea de probabilitate sunt exprimate prin funcii
deterministe, F(x)/p(x), de argument x.
n unele lucrri de specialitate funcia de repartiie este denumit i legea integral de repartiie
sau probabilitate integral, iar densitatea de repartiie se numete i legea diferenial de repartiie
deoarece derivata funciei de repartiie reprezint densitatea de repartiie.
dx
) x ( dF
) x ( p =
Astfel, probabilitatea ca variabila aleatoare X s aib valori numai n intervalul dx se calculeaz
fie cu ajutorul funciei densitii de repartiie p(x) fie cu ajutorul funciei de repartiie F(x) ca fiind
aria elementar A (adimensional), dat sub forma
( ) ) x ( dF ) x ( F ) dx x ( F dx ) x ( p dx x X x P = + = = + s <

Observaie: n cazul unei mrimi aleatoare discrete se pot defini mrimi similare mrimilor
continue. Pentru a avea cea mai complet informaie asupra unei mrimi aleatoare discrete, X, este
necesar s se cunoasc att toate valorile discrete posibile pe care le poate lua n cadrul
experimentului respectiv (de exemplu, valorile x
1
, x
2
, ...,x
N
) ct i probabilitatea apariiei fiecreia
dintre valorile respective (p
1
, p
2
,..., p
N
). Totdeauna va fi ndeplinit condiia de normare:
1 p
N
1 i
i
=

=

Ansamblul format din valorile pe care le poate lua variabila aleatoare discret X i

x
x
p(x)
F(x)
1
Laborator 5

6
probabilitile realizrii valorilor respective (probabilitile evenimentelor corespunztoare) este
denumit lege de distribuie (repartiie) i se noteaz cu:
|
|
.
|

\
|
N 2 1
N 2 1
p ... , p , p
x ... , x , x
X ;

=
=
i
1 j
j i
p ) x ( F

1.2.3. Mrimi statistice de caracterizare a localizrii i mprtierii (dispersiei) unei
variabile aleatoare
Medii statistice
Valoarea medie (sperana matematic) a variabilei X se noteaz cu m
x
i se definete ca fiind
media ponderat a valorilor variabilei aleatoare, cu ponderile reprezentate de probabilitile
respective.
Pentru o variabil aleatoare discret, definit prin legea de repartiie anterioar, se poate scrie:

=
=
+ + +
+ + +
= =
N
1 i
i i
N 2 1
N n 2 2 1 1
x
p x
p . .......... p p
p x ...... p x p x
} x { M m -v.a. discret
Folosind densitatea de probabilitate (repartiie) reprezentat prin curba continu descris de
funcia p(x), valoarea medie pentru o variabil aleatoare continu este
} }
+

+

= = = ) x ( xdF dx ) x ( p x } x { M m
x
- v.a. continu
Valoarea medie este un indicator statistic al localizrii valorilor variabilei pe domeniul de definiie.

Observaie: Pentru o variabil aleatoare, X, se definete momentul de ordin n sub forma:
}
+

= = dx ) x ( p x } x { M m
n n
x
n

i reprezint media statistic a lui x la puterea n. Valoarea medie reprezint deci momentul de
ordinul 1 al variabilei X. Valoarea medie a ptratului variabilei (valoarea medie ptratic) este
definit cu ajutorul momentului de ordinul 2:
}
+

= = dx ) x ( p x } x { M m
2 2
x
2

Diferenele x m
i x
dintre valorile variabilei aleatoare x
i
i valoarea medie m
x
sunt denumite
abateri ale valorilor x
i
de la valoarea medie. Abaterea U=X-m
x
este tot o variabil aleatoare, care ia
valorile: { }
x N N x 2 2 x 1 1
m x u ; ; m x u ; m x u = = =
Un indicator care s ofere o informaie cu privire la mprtierea valorilor x
i
ale variabilei
aleatoare X n jurul valorii medii, m
x
poate fi obinut prin intermediul abaterii absolute, |U|, fiind
definit de relaiile:
}
+

= dx ) x ( p m x } u { M
x
-v.a. continu

=
=
N
1 i
i x i
p m x } u { M -v.a. discret

Mai comod pentru calcul este ns un alt indicator al mprtierii, denumit dispersia variabilei
aleatoare X/ ptratul abaterii standard/ variana, i care se noteaz cu o
x
2
sau D(x).
innd seama de distribuia de probabilitate, dispersia se definete n raport de funcia p(x)/p
i
,
astfel: ( )
}
+

= = = dx ) x ( p m x } u { M ) x ( D
2
x
2 2
x
-v.a. continu
( )

=
= = =
N
1 i
i
2
x i
2 2
x
p m x } u { M ) x ( D -v.a. discret
Observaie: Pentru o variabil aleatoare, X, se poate defini i momentul centrat de ordinul n sub
Laborator 5

7
forma:
}
+

= = dx ) x ( p ) m x ( } u { M m
n
x
n
u
n

i care este n fapt momentul de ordinul n al abaterii U. n acest sens dispersia reprezint momentul
centrat de ordinul 2 al variabilei aleatoare X.
Rdcina ptrat (de ordinul doi) a dispersiei se numete abaterea standard a variabilei
aleatoare X.
) x ( D
2
x x
= =
Abaterea standard reprezent un indicator statistic al mprtierii valorilor variabilei
aleatoare pe domeniul de definiie.


1.3. Procese stohastice
n analizele anterioare semnalul iniial a fost analizat numai prin prisma valorilor statistice pe
care le-a avut amplitudinea sa de-a lungul evoluiei sale fr a interesa i evoluia lor n timp. Din
acest punct de vedere, valorile semnalului au fost reduse la cele ale unei variabile aleatoare obinute
ca rezultat al unui experiment. Dac ns descrierea lor se realizeaz i n funcie de timp atunci se
obine un proces stohastic.

Un proces stohastic rezult prin variaia n timp a unei mrimi aleatoare, respectiv reprezint o
funcie aleatoare de timp, x(t), a crei valoare pentru fiecare moment considerat va fi o mrime
aleatoare. Pentru a obine o reprezentare complet a procesului aleator, acesta trebuie urmrit pe
toat durata desfurrii sale, teoretic un timp infinit, ceea ce evident este imposibil. Practic se
lucreaz cu perioade de nregistrare finite, forma caracteristic a funciei aleatoare determinat ca
urmare a unei observaii, ncercri sau testri numindu-se realizarea (eantion) funciei aleatoare
(procesului stohastic). Aceasta nseamn c procesul aleator poate fi identificat prin efectuarea a N
experimente independente, din care rezult N realizri x
1
(t), x
2
(t),...,x
N
(t).
)} t ( x , ), t ( x ), t ( x {
N 2 1

Definiie: Ansamblul tuturor realizrilor posibile ale mrimii x(t) reprezint un proces stohastic













Procesele care prin desfurarea lor au un caracter ntmpltor, mai mult sau mai puin
pronunat, se numesc procese stohastice, iar semnalele culese de la aceste procese se numesc
semnale stohastice sau semnale aleatoare. Denumirea de stohastic provine de la cuvntul grecesc
stokhastikos care are sensul de capabil de a fi presupus/ghicit.

1.3.1. Parametrii statistici ai unui proces stohastic continuu oarecare (nestaionar)
Descrierea unui proces aleator n mod determinist (ulterior evoluiei sale) prin intermediul
realizrilor x
i
(t), necesit un timp extrem de mare. De aceea, pentru obinerea informaiilor privind
desfurarea posibil a unui proces stohastic se pot folosi, de asemenea, parametrii statistici


t
t
t
x t
1
( )
x t
2
( )
x t
N
( )

Laborator 5

8
(probabilistici) ai procesului. Unii dintre aceti parametri sunt similari cu cei utilizai pentru
variabilele aleatoare (valoare medie, varian, valoarea medie ptratic), n plus intervenind n
relaii i timpul t.
Pentru o valoare fixat a timpului, t
j
, procesul se reduce la o variabil aleatoare obinuit,
reprezentat prin seria de valori x
i
(t
j
). De exemplu, la momentul t
1
procesul este caracterizat prin
valorile x
1
(t
1
), x
2
(t
1
),...x
i
(t
1
),...x
N
(t
1
), avnd densitatea de repartiie p(x(t
1
)). De asemenea, valoarea
funciei la momentul t
j
este o variabil aleatoare concretizat de ansamblul statistic al valorilor lui
x
i
(t
j
) n toate realizrile posibile ale procesului aleator, adic x
1
(t
j
), x
2
(t
j
),...x
i
(t
j
),...x
N
(t
j
), aa cum
este ilustrat i n figur. Densitatea de repartiie pentru acest moment de timp este p(x(t
j
))
Pentru fiecare moment t
j
se pot calcula parametrii statistici din punctul de vedere al
ansamblului.
Pentru descriere complet, unui proces stohastic i se poate defini convenional o funcie de
repartiie (funcia de repartiie de ordinul k pentru un proces stohastic), corespunztoare
momentelor de timp t
1
,t
2
,....t
k
. n plus pentru un proces stohastic continuu se pot defini n particular
i densitile de repartiie de ordinul k:
)) t ( x ), t ( x ), t ( x ( p
k k 2 2 1 1

i reprezint probabilitatea ca semnalul s aib valoarea x
1
la momentul t
1
, valoarea x
2
la momentul
t
2
, .a.m.d.
Funcia de repartiie de ordinul unu a procesului stohastic x(t), notat F(x(t)), se definete prin
probabilitatea ca la momentul t
j
valorile x
i
(t
j
) ale semnalului s nu depeasc valoarea prescris x,
probabilitate care depinde att de valoarea x ct i de timpul t:
( ) x ) t ( x P )) t ( x ( F s =

Densitatea de repartiie corespunztoare se obine prin diferenierea n raport cu x a funciei
F(x(t))
x
)) t ( x ( F
)) t ( x ( p =
Funcia de repartiie de ordinul doi a procesului stohastic x(t), notat cu F(x
1
(t
1
), x
2
(t
2
)), se
definete prin probabilitatea ca oricare realizare a ansamblului s aib la momentul t
1
valoarea mai
mic dect x
1
, iar la momentul t
2
valoarea mai mic dect x
2
:
( )
2 2 1 1 2 2 1 1
x ) t ( x ; x ) t ( x P )) t ( x ), t ( x ( F s s =
iar densitatea de repartiie corespunztoare este:
( )
( )
2 1
2 2 1 1
2
2 1
x x
) t ( x ), t ( x F
) t ( x ), t ( x p =

x
Mediere n timp
Mediere pe ansamblu
t
t
t
t
1
t
2
t
j
t
k
x
1
(t)
x
2
(t)
N
(t)
x
1
(t
1
)
x
2
(t
1
)
x
N
(t
1
) x
N
(t
2
)
x
2
(t
2
)
x
1
(t
2
) x
1
(t
j
)
x
2
(t
j
)
x
N
(t
j
) x
N
(t
k
)
x
2
(t
k
)
x
1
(t
k
)
Laborator 5

9
Cu ct ordinul n este mai mare, cu att descrierea semnalului este mai complet.
Dei cu ajutorul funciei de repartiie se poate caracteriza complet repartiia unui proces
stohastic, de multe ori, este suficient i mai intuitiv s fie prezentate caracteristici statistice mai
simple, de sintez, care caracterizeaz repartiia, chiar dac aceste caracteristici nu descriu total
repartiia analizat.
Parametrii statistici (de ansamblu) principali ai unui proces stohastic sunt:
- valoarea medie;
- dispersia (variana);
- valoarea medie ptratic;
- funcia de autocorelaie;
- funcia de autocovariana.
Spre deosebire de parametrii statistici ai variabilelor aleatoare, care sunt numere, parametrii
statistici ai proceselor stohastice sunt funcii de timp.
Pentru fiecare moment de timp, t
j
, k , 1 j = , parametrii statistici ai unui proces stohastic,
caracterizat prin densitate de repartiie (de ordinul unu sau doi), de forma p(x(t)) sau
p(x
1
(t
1
),x
2
(t
2
)), pot fi caracterizai prin:
Valoarea medie a procesului stohastic x(t), m
x(t)
, care este o funcie determinist, i reprezint
valoarea medie, la timpul t
j
, a valorilor amplitudinilor x
i
(t
j
), i=1,2,...N. Grafic, ea reprezint o curb
medie n jurul creia se grupeaz toate realizrile posibile ale semnalului x(t) pentru momentele t
0
,
t
1
, t
2
, ...:
}
+

= dx )) t ( x ( p ) t ( x m
) t ( x

Valoarea medie ptratic a procesului stohastic x(t),
) t ( x
2
m , care este funcia determinist ale
crei valori la momentul t sunt egale cu valoarea medie ptratic a amplitudinilor x
i
(t), i=1,2,...N, la
momentul t:
}
+

= dx )) t ( x ( p ) t ( x m
2
) t ( x
2

Dispersia (variana) procesului stohastic x(t), o
x t ( )
2
, care este funcia determinist ale crei
valori la timpul t sunt egale cu dispersia amplitudinilor semnalelor x
i
(t), i=1,2,...N, la momentul t:
}
+

= dx )) t ( x ( p ) m ) t ( x (
2
) t ( x
2
) t ( x

Abaterea standard a procesului stohastic x(t), notat cu o
x(t)
, este rdcina ptrat a dispersiei.
Dou procese avnd medii i dispersii identice nu sunt n mod obligatoriu identice deoarece
structura intern poate fi diferit, fapt ce se poate remarca n figur.
x
1
(t)
x
2
(t)
m m t
x t x
1 2 ( )
( ) =
o o
x t x
1 2
2 2
( )
=
(t)

Procese stohastice cu parametri statistici egali i structur intern diferit
Parametrii statistici suplimentari, capabili s caracterizeze structura intern a procesului, sunt
funcia de autocorelaie i funcia de autocovarian. Aceti parametri caracterizeaz, din punct de
vedere numeric, gradul de dependen (asemnare) ntre valorile procesului care se afl la diverse
intervale de timp (tendina de conservare). Funciile de autocorelaie i autocovarian sunt
deterministe.
Funcia de autocorelaie a procesului x(t), notat cu R
xx
(t
1
,t
2
) se determin prin corelaia
Laborator 5

10
valorilor funciilor x(t
i
), i=1,2,3,...,k la momentele t
1
i t
2
pentru orice pereche de valori (t
1
,t
2
):
} }
+

+

=
2 1 2 2 1 1 2 1 2 1 xx
dx dx )) t ( x ), t ( x ( p ) t ( x ) t ( x ) t , t ( R
n care x(t
1
), x(t
2
) sunt realizri ale procesului la momentele t
1
i t
2
=t
1
+.
Dac t
1
=t
2
=t, atunci funcia de autocorelaie devine egal cu valoarea medie ptratic a
procesului,
) t ( x
2
m , adic:
}
+

= = dx )) t ( x ( p ) t ( x m ) t ( R
2
) t ( x
xx
2
.
Pentru a opera mai uor se folosete normalizarea mrimilor, astfel nct funcia de
autocorelaie normalizat, ca mrime adimensional, este dat de relaia:
) t ( x ) t ( x
2 1 xx
2 1 xx
2 1
) t , t ( R
) t , t ( r

=


Funcia de autocovarian a procesului x(t), notat cu C
xx
(t
1
,t
2
) se determin prin covariana
valorilor funciilor x(t
i
), i=1,2,3,...,k la momentele de timp t
1
i t
2
, pentru orice pereche de valori
(t
1
,t
2
):
( )( )
} }
+

+

=
2 1 2 2 1 1 ) t ( x 1 ) t ( x 1 2 1 xx
dx dx )) t ( x ), t ( x ( p m ) t ( x m ) t ( x ) t , t ( C
2 1

unde m
x(t1)
, m
x(t2)
sunt mediile procesului la momentele t
1
i respectiv t
2
.

n cazul t
1
=t
2
=t, funcia de autocovarian devine egal cu dispersia
2
) t ( x
, adic:
( )
}
+

= = dx )) t ( x ( p m ) t ( x ) t ( C
2
x
2
) t ( x xx

Funcia de autocovarian normalizat se definete prin raportul adimensional
) t ( x ) t ( x
2 1 xx
2 1 xx
2 1
) t , t ( C
) t , t ( c

=
iar pentru t
1
=t
2
=t se obine:
1 ) t , t ( c
) t ( x ) t ( x
2
) t ( x
2 1 x
= =


.
Pentru dou procese stohastice, reprezentate prin semnalele x(t) i y(t), se pune problema
msurrii legturii dintre cele dou semnale aleatoare care trebuie caracterizat printr-un parametru
statistic specific de corelare. Gradul de corelare a celor dou procese se definete prin funcia de
intercorelaie care este, de asemenea, de natur determinist.

Rxx( ) t
t
1
2
) t ( x
2
m
x
1(t) x
2
(t)
t t
a
b

2
Laborator 5

11
Funcia de intercorelaie pentru procesele x(t) i y(t), care pentru un grup de valori t
1
i t
2
se
noteaz cu R
xy
(t
1
,t
2
) se definete sub forma:
( )
} }
+

+

=
2 1 2 2 1 1 2 1 2 1 xy
dy dx ) t ( y ), t ( x p ) t ( y ) t ( x ) t , t ( R
Funcia de intercovarian a proceselor x(t) i y(t), care pentru un grup de valori t
1
, t
2
se
noteaz cu C
xy
(t
1
,t
2
), se definete astfel:
( )
} }
+

+

=
2 1 2 2 1 1 ) t ( y 2 ) t ( x 1 2 1 xy
dy dx ) t ( y ), t ( x p ) m ) t ( y )( m ) t ( x ( ) t , t ( C
2 1

1.3.2. Parametrii statistici ai unui proces stohastic discret oarecare (nestaionar)
Ca i n cazul proceselor stohastice continue, pentru un proces stohastic x(t) discret sau
discretizat se pot calcula, de asemenea, parametrii statistici de ansamblu specifici. Fiecare medie pe
ansamblu este un parametru sau o funcie care descrie anumite proprieti ale unui ansamblu legat
de un proces stohastic. Dei valorile i relaiile parametrilor statistici pe ansamblu sunt obinute din
eantioane aleatoare foarte mari (teoretic infinite) n practica prelucrrii matematice a datelor
experimentale exist aproape fr excepie numai variabile aleatoare discrete, cu un numr finit de
observaii. Totui, trecerea la o infinitate de valori nu comport dificulti teoretice, realizndu-se
automat prin nlocuirea sumelor cu serii.
Astfel, dac se admite pentru fiecare realizare x
i
(t) aceeai probabilitate (realizri
echiprobabile)

atunci pentru un proces stohastic x(t) obinut experimental sub forma unor iruri de valori x
1
(t),
x
2
(t),....x
i
(t),...x
N
(t), fiecare la momentele t
1
,t
2
,...,t
k
,

se pot calcula urmtorii parametri statistici de
ansamblu:
Valoarea medie a procesului x(t) n fiecare moment t
j
:

=
=
N
1 i
j i ) t ( x
) t ( x
N
1
m
j

Valoarea medie ptratic a procesului x(t) la momentul t
j
:

=
=
N
1 i
j
2
i
) t ( x
) t ( x
N
1
m
j
2

Dispersia i abaterea standard ale procesului x(t) la momentul t
j
:

=
=
N
1 i
2
) t ( x j i
2
) t ( x
; ) m ) t ( x (
N
1
j j

2
) t ( x ) t ( x
j j
=
Funcia de autocorelaie a procesului x(t):

=
=
N
1 i
k i j i k j xx
) t ( x ) t ( x
N
1
) t , t ( R
Funcia de autocovarian a procesului x(t):

=
=
N
1 i
) t ( x k i ) t ( x j i k j xx
) m ) t ( x )( m ) t ( x (
N
1
) t , t ( C
k j

Observaie: n acest caz, deoarece mrimile statistice provin din eantioane finite, acestea sunt,
la rndul lor, variabile aleatoare ale cror valori msurate au fluctuaii, chiar dac ele vdesc o
regularitate statistic. Definiiile omoloagele idealizate ale mediei i funciei de autocorelaie, de
ansamblu, sunt de forma:

=

=
N
1 i
j i
N
) t ( x
) t ( x
N
1
lim m
j

=
N
1 i
k i j i
N
k j xx
) t ( x ) t ( x
N
1
lim ) t , t ( R
Relaii ntre indicatorii statistici definii
N
1
N
p
p ....... p p
N
1 i
i
N 2 1
= = = = =

=

Laborator 5

12
Pe baza relaiilor menionate (grupate fie prin sume, fie prin integrale) se poate demonstra
urmtoarea relaie fundamental:
) t ( x ) t ( x 2 1 xx 2 1 xx
2 1
m m ) t , t ( R ) t , t ( C =
Dac t
1
=t
2
=t i innd seama c
2
) t ( x xx
) t ( x
xx
) t ( C , m ) t ( R
2
= = , atunci rezult relaia
2
) t ( x
) t ( x
2
) t ( x
m m 2 = o
Aceast relaie stabilete legtura ntre parametrii statistici o
2
x(t)
,
) t ( x
2
m i m
x(t)
pentru un
proces stohastic oarecare la fiecare moment t.
1.3.3. Procese stohastice staionare (n raport cu timpul)
Dac se analizeaz o vibraie aleatoare, atunci variaia mrimii n jurul unei valori medii (sub
aspectul amplitudinii medii i al caracterului general al vibraiei), cu stabilitate mare n timp,
definete caracterul staionar al acestui tip de proces stohastic. Astfel de tipuri de procese stohastice
staionare pot fi exemplificate prin existena vibraiilor structurii unui avion n regim stabil de zbor,
vibraiile structurii unui automobil n regim stabilizat de deplasare, zgomotele aleatoare ntr-un
aparat de radio, vibraiile reelelor de cabluri sub influena vntului n regim stabilizat.
Caracteristicile unui proces staionar sunt aceleai indiferent de intervalul de timp ales pentru
analiz, ceea ce nseamn c el nu depinde de momentul iniial.
Prin definiie, un proces stohastic este staionar dac parametrii statistici nu se modific odat
cu translaia axei timpului.
Pentru aceste procese se remarc faptul c att caracterul ct i amplitudinea variaiilor
aleatoare nu au modificri importante n timp. Deoarece proprietatea de staionaritate implic faptul
c toate mrimile statistice (momentele de ordin n) sunt invariante la orice schimbare de dou
argumente i la orice schimbare a originii valorilor timpului, rezult c densitatea de repartiie a
acestui proces este o funcie independent de timp. n acest caz (cnd momentele de ordin n sunt
independente de timp), funcia aleatoare este staionar n sens restrns (strict/tare).
) x , x , x ( p )) t ( x ), t ( x ), t ( x ( p
k 2 1 k k 2 2 1 1
=
Se poate defini ns i o staionaritate care implic numai invariana momenului de ordin unu
(media procesului) i a momentului asociat de ordin doi (funcia de autocorelaie).
Astfel n cazul n care cele dou mrimi de ansamblu ale procesului staionar nu depind de
momentul t n care se consider realizrile x
1
,x
2
,.....x
i
,...x
N
, cnd numrul acestora este foarte mare
(N), adic:
m
x
(t
1
)=m
x
(t
2
)=.....=m
x
=const
R(t
1
,t)=R(t
2
,t)=....=R(t)=const
atunci acest gen de staionaritate se numete staionaritate slab sau n sens larg.
Pentru a ilustra deosebirea dintre cele dou tipuri distincte de procese (staionar i nestaionar),
n figur se prezint evoluia n timp a realizrilor x
1
,x
2
,...x
i
,...x
N
.

Se constat existena unui proces nestaionar (fig.a) cu m
x
=const i a unui proces staionar
(fig.b) cu m
x
=const.
n consecin, datorit ipotezei de staionaritate a procesului x(t), vom avea urmtorii parametrii
statistici caracteristici de ansamblu:
Valoarea medie (momentul de ordin unu) este constant n timp
x ) t ( x
m const m = =
Valoarea medie ptratic (momentul de ordin 2) este constant n timp
2 2
x ) t ( x
m const m = =

x(t) x(t)
x
1
(t)
x
2
(t)
x
3
(t)
x
3
(t)
x
2
(t)
x
1
(t)
m
x
(t)
m
x
t t
t
t t+t
t+t
a b
Laborator 5

13
Dispersia (momentul centrat de ordin 2) este constant n timp
2
x
2
) t ( x
const o o = =
Funcia de autocorelaie (momentul asociat de ordin doi) depinde numai de parametrul t:
) ( R ) t , t ( R
xx 2 1 xx
=
Funcia de autocovarian (momentul centrat asociat de ordin 2) depinde numai de parametrul t:
) ( C ) t , t ( C
xx 2 1 xx
=
n acest caz, relaia de legtur dintre parametrii statistici devine:

Mai mult, pentru t=0, relaia de mai sus devine:

Deoarece t=0 implic t
1
=t
2
=t, relaia anterioar este echivalent cu relaia:

Pentru cazul particular al unui proces staionar cu media zero, m
x
=0, din ultimele dou ecuaii
rezult c dispersia procesului este egal cu valoarea funciei de autocorelaie n origine, adic:

Observaie: Combinaia liniar a unor procese staionare genereaz tot un proces staionar.

1.3.4. Procese stohastice ergodice
Considerm un proces stohastic staionar i omogen n timp i o realizare a acestuia suficient de
lung pentru care se calculeaz caracteristicile statistice n raport cu timpul (i nu de ansamblu ca
pn acum).
ntr-un proces aprofundat de analiz se poate arta c o singur realizare orict de lung, nu
este echivalent ntotdeauna cu un ansamblu de realizri separate. Astfel, vom considera dou
tipuri de realizri definite prin procesele x(t) i y(t).

Se remarc faptul c funcia x(t) const dintr-un ansamblu de realizri, toate realizrile avnd
aceeai valoare medie a amplitudinii. Alegnd la ntmplare una dintre aceste realizri se apreciaz
c ntr-un timp suficient de mare, aceast realizare este capabil s furnizeze singur informaii
suficiente asupra caracteristicilor ntregii funcii aleatoare (procesului stohastic).
Definiie: Dac media unei singure realizri este egal cu media procesului, iar funcia de
autocorelaie a procesului staionar poate fi determinat de oricare din realizrile ansamblului,
atunci procesul stohastic staionar se numete proces stohastic ergodic (fig.a).
n fig.b, valorile medii ale diverselor realizri din ansamblul procesului stohastic y(t) sunt
diferite i faa de media procesului de ansamblu. De aici rezult c y(t) nu este un proces stohastic
ergodic, deoarece procesul staionar prezint o neomogenitate intern pronunat. Un astfel de
proces poate fi descompus n procese aleatoare elementare, fiecare cu o anumit probabilitate de
realizare i caracteristici diferite.
Observaie: Pentru ergodicitate, condiia ca semnalul aleator s fie staionar este necesar, dar
nu i suficient.
Presupunem c mrimile de ansamblu m
x
(t) i R(t,t) se aplic unei anumite realizri x
i
(t) n
intervalul de timp T. Pentru cazul cnd intervalul de timp este suficient de mare, adic T, se

t
t
a b
x(t) y(t)
2
x
x
xx xx
2
m ) 0 ( R ) 0 ( C = = =
2
x
x
2
x
m m
2
=
2
x xx xx
m ) ( R ) ( C =
2
x xx xx
m ) 0 ( R ) 0 ( C =
Laborator 5

14
obine:
}

=
2
T
2
T
dt ) t ( x
T
1
lim m
i
T
i

unde m
i
este valoarea medie temporal (din punct de vedere al timpului) a realizrii i i reprezint
nlimea unui dreptunghi care ar avea aceeai suprafa ca i aria cuprins ntre curbele x
i
(t) i axa
timpului.
( )
}

+ =
2
T
2
T
dt ) t ( x ) t ( x
T
1
lim R
i i
T
i

unde R
i
(t) este funcia de autocorelaie a realizrii i.
Ambele mrimi statistice de ansamblu depind de realizarea x
i
(t). Pentru situaia n care aceste
dou mrimi de ansamblu nu depind de indicele i, adic de realizarea considerat, se obine:
m
1
=m
2
=....=m;
R
1
(t)=R
2
(t)=...=R(t).
Definiie: Dac pentru un proces stohastic staionar sunt ndeplinite simultan condiiile
anterioare, atunci procesul se numete ergodic n sens larg (slab ergodic).
Cu alte cuvinte, un semnal stohastic staionar are un caracter ergodic dac lsat liber s
evolueze n timp (fr constrngeri datorate condiionrii cu alte semnale) trece mai devreme sau
mai trziu prin toate punctele din spaiul valorilor sale ntr-o singur realizare a sa. Rezult c orice
realizare de durat suficient, luat din ansamblu realizrilor x
i
(t) ale funciei aleatoare, devine o
realizare reprezentativ, fiind echivalent cu ansamblul realizrilor de aceeai durat. Informaia
relevant poate fi obinut fie analizndu-se ansamblul realizrilor x
i
(t) fie numai realizarea
reprezentativ.
Frecvent sistemele fizice sunt presupuse ergodice fr erori prea mari. Ipoteza ergodic
simplific mult calculele i experimentele. Ea permite ca n loc s se studieze n paralel mai multe
realizri ale aceluiai proces pentru determinarea valorii medii, dispersiei, abaterii medii ptratice
etc s se foloseasc o realizare obinut la cercetarea sistemului un timp ndelungat. n acest fel, un
proces aleator ergodic poate fi caracterizat de o singur realizare.

1.4. Analiza Fourier a semnalelor aleatoare. Densitatea spectral de putere
Dup cum s-a artat, pentru un proces determinist definit printr-un semnal dat se poate realiza o
descompunere a semnalului ntr-un numr mare de semnale armonice de diverse frecvene i
amplitudini. Dac transformata Fourier direct se aplic unui semnal atunci se obine funcia
spectral (caracteristica spectral) a semnalului, care este un parametru de semnal. Funcia
spectral, care este tot o mrime complex, poate fi continu sau discret (periodic sau
neperiodic).
Atunci cnd mrimea astfel obinut este continu ea se mai numete i densitate spectral de
amplitudine complex, X(j) sau X(e
jTs
). Modulul acestor mrimi, |X(j)| sau |X(e
jTs
)|, poart
denumirea de densitate spectral de amplitudine, iar argumentul lor, (j) sau (e
jTs
), densitate
spectral de faz.
Dac funcia spectral este discret ea se mai numete i spectru de amplitudine complex.
Corespunztor, i mrimile de caracterizare n coordonate polare se numesc spectru de amplitudine,
respectiv spectru de faz.

Spectru continuu Spectru discret
Densitate spectral
de energie
Spectru de energie
Densitate spectral
de putere
Spectru de putere
Densitate spectral
de amplitudine
Densitate spectral
de faz
Spectru de
amplitudine
Spectru de faz
Laborator 5

15
Densitate spectral de amplitudine complex Spectru de amplitudine complex
Funcia spectral (caracteristic spectral)

Pentru a analiza un proces stohastic staionar se poate utiliza, n continuare, noiunea de funcie
spectral, cu deosebirea c amplitudinile oscilaiilor componente sunt variabile aleatoare. n acest
caz, spectrul unui semnal aleator staionar, x(t), va fi constituit prin distribuia valori medii ptratice
(sau a varianelor pentru m
x
=0) n funcie de frecvene. Avnd n vedere c realizrile unei funcii
aleatoare sunt funcii neperiodice, analiza semnalului trebui realizat cu ajutorul integralei
Fourier, obinndu-se astfel densitatea spectral de amplitudine complex.

Funcia spectral (densitatea spectral de amplitudine complex) a unui semnal determinist
neperiodic se determin cu relaia:
( )
}
+

= dt e ) t ( x j X
t j

Reprezentarea semnalului n domeniul temporal se poate face sub forma
}
+

=

d e ) j ( X
2
1
) t ( x
t j

n acest caz valoarea medie ptratic pe intervalul T (puterea medie a semnalului pe o sarcin
unitar) poate fi determinat astfel:
} } }
} } } }
+


+

+


+

+


+

=
(
(

=
(
(

= = =

d ) j ( X ) j ( X
2
1
T
1
lim d dt e ) t ( x ) j ( X
2
1
T
1
lim =
dt d e ) j ( X
2
1
) t ( x
T
1
lim dt ) t ( x ) t ( x
T
1
lim dt ) t ( x
T
1
lim m
T
t j
T
t j
T T
2
T
2
T
2
T
) t ( x
2

n relaia de mai sus s-a schimbat ordinea de integrare, iar cu ) j ( X e s-a notat conjugata
complex a transformatei Fourier.
Folosind proprietatea:
) j ( X ) j ( X ) j ( X
2
e = e e
din relaia anterioar se obine:

Aceast relaie reprezint varianta teoremei Parseval pentru semnalele continue neperiodice,
deterministe sau stohastice ergodice, i evalueaz energia semnalului fie n domeniul temporal fie
n domeniul frecvenial.

Un semnal aleator staionar, x(t), poate fi analizat ns cu ajutorul transformatei Fourier doar
dac satisface condiia de ergodicitate; n caz contrar nici partea real i nici partea imaginar ale
transformatei Fourier nu converg spre o valoare staionar. Deci n aceast situaie nu prezint
interes descrierea unei singure realizri, motiv pentru care se impune o nou caracterizare,
valabil pentru orice alt realizare a semnalului aleator x(t) neergodic.
Prin utilizarea conceptului de densitate spectral de amplitudine dar i a noiunii de densitate
spectral de putere (mrime opional n cazul semnalelor deterministe) se evit problema
convergenei, fiind aplicabile tuturor realizrilor unui proces stohastic.
Fie realizarea x(t) a unui proces stohastic staionar, care ncepe la t=- i continu pn la
t=+. Din cauza intervalului infinit de integrare, transformata Fourier, X(je), nu poate fi calculat
motiv pentru care se determin transformata Fourier pe axa real n care se individualizeaz un
interval de timp simetric, egal cu T.
} }
+

+

=

d ) j ( X
2
1
dt ) t ( x
2 2

Laborator 5

16

Dac, prin definiie, se noteaz:
) j ( X
T
1
lim ) ( S
2
T
x

=
atunci, printr-un proces de trecere la limit, valoarea medie ptratic a semnalului x(t) n raport cu
funcia X(je) se poate exprima sub forma:
} }

= =

d ) ( S
2
1
dt ) t ( x
T
1
lim m
x
2
T
) t ( x
2

Mrimea S
x
(e) reprezint densitatea spectral a mediei ptratice a realizrii x(t) sau densitatea
spectral de putere a semnalului iar mrimea ) j ( X
2
e se numete densitate spectral de energie a
semnalului.
Se observ c semnificaia ei fizic este aceea a unei puteri medii elementare, ntruct integrala
acesteia pe tot domeniul pulsaiilor furnizeaz o valoare proporional cu puterea medie total,
coninut n semnal.
) ( S
x
e
e e + e d
0 0
e
}

e e d ) ( S
x

Forma funcie S
x
(e) reflect modalitatea n care este distribuit coninutul armonic sau, mai
exact, funcia S
x
(e) exprim distribuia valorilor medii ptratice (varianelor pentru m
x
=0) ale unei
anumite realizri din procesul stohastic n banda de frecvene.
Dimensiunea densitii spectrale S
x
(e) depinde de natura realizrii x(t) ca parte component a
procesului stohastic. Densitatea spectral S
x
(e) stabilit pentru o anumit realizare particular este
valabil pentru ansamblul realizrilor unui proces staionar, deoarece deriv din modulul |X(je)|
care, fiind independent de faz, este comun multor transformate X(je) corespunztoare mai multor
realizri x (t).
n cazul proceselor staionare neergodice, densitatea spectral de putere S
x
() determinat
pentru o anumit realizare particular este valabil pentru ansamblul realizrilor numai cu un
anumit grad de aproximare. Aproximaia apare din faptul c pentru fiecare realizare j a ansamblului
va exista densitatea spectral de putere S
jx
() corespunztoare realizrii x
j
(t), care sunt diferite de la
o realizare la alta (caracter aleator). Deci pentru ntregul proces stohastic staionar neergodic,
densitatea spectral de putere S
x
() se definete mai precis ca fiind media densitilor spectrale
S
jx
() ale ansamblului realizrilor:

=

= =
N
1 j
jx
N
jx x
) ( S
N
1
lim )} ( S { M ) ( S
unde M este operatorul de mediere.

1.5. A doua definiie a densitii spectrale de putere (Relaiile Wiener - Hincin)
Definiia densitii spectrale de putere pentru cazul proceselor stohastice staionare este foarte
asemntoare cu cea utilizat pentru procesele staionare deterministe; diferena de fond const n
faptul c n cazul proceselor stohastice staionare (neergodice) ea este obinut prin medierea

T/2
t

t

x(t)

x

T

(t)

-T/2

Laborator 5

17
densitilor spectrale corespunztoare realizrilor ansamblului. Pe de alt parte, pentru a putea
determina n acest fel densitatea spectral de putere, transformata Fourier trebuie s fie definit i,
suplimentar, semnalul trebuie s aib puterea medie nul.
O definiie mai general, valabil att pentru cazul proceselor deterministe staionare ct i
pentru procesele stohastice staionare, poate fi dat cu ajutorul funciei de autocorelaie. Astfel, dac
se ine seama de expresia funciei de autocorelaie
}

+ =
2
T
2
T
dt ) t ( x ) t ( x
T
1
lim ) ( R
T
xx

atunci prin aplicarea transformatei Fourier direct se obine:
} } } } }
+

+


+

+


+

(
(

+ =
(
(

+ = =

d dt e ) t ( x ) t ( x
T
1
lim d e dt ) t ( x ) t ( x
T
1
lim d e ) ( R )} ( R { F
j
T
j
T
j
xx xx

Notnd t+t=u se obine dt=du, iar
t j j ) t ( j
e e e
e eu u e
= . Atunci:
=
(
(

=
} }
+

+




d dt e e ) ( x ) t ( x
T
1
lim )} ( R { F
t j j
T
xx

) ( S ) j ( X ) j ( X
T
1
lim d e ) ( x dt e ) t ( x
T
1
lim
x
T
j t j
T


= = =

+

+


} }

adic:

Atunci funcia de autocorelaie poate fi exprimat sub forma:

Ultimele dou formulele sunt cunoscute ca fiind relaiile Wiener-Hincin.

Deoarece S
x
(e) i R
xx
(t) sunt funcii pare, relaiile anterioare pot fi exprimate i sub forma:
( ) ( ) ( ) ( )
} } }

= = =
0
xx xx
j
xx x
d cos ) ( R 2 d sin j cos ) ( R d e ) ( R ) ( S


( ) ( ) ( ) ( ) d cos ) ( S
1
d sin j cos ) ( S
2
1
d e ) ( S
2
1
) ( R
0
x x
j
x xx } } }


+

= + = =

n locul densitii spectrale de putere, exprimat prin S
x
(e), se folosete mrimea
adimensional normalizate sub forma:
2
x
x
x
) ( S
) ( s
o
e
e =
Condiia de echivalen a celor dou definiii
Dup cum s-a artat, pentru un proces stohastic staionar, prima definiie a densitii spectrale
de putere a fost formulat sub forma:

=

=

|
.
|

\
|
= = =
N
1 j
2
T N
N
1 j
jx
N
jx x
) j ( X
T
1
lim
N
1
lim ) ( S
N
1
lim )} ( S { M ) ( S
Lema: Pentru o funcie arbitrar f(.) are loc relaia de integrare:
} } }

|
|
.
|

\
|
=
T
T
d ) ( f
T
1 dtds ) s t ( f
T
1
2
T
2
T
2
T
2
T

, unde =t-s
Conform lemei enunate anterior se poate arta c cea de-a doua definiie este echivalent cu:
}
+

=

d e ) ( R ) ( S
j
xx x

}
+

=

d e ) ( S
2
1
) ( R
j
x xx

Laborator 5

18

Concluzie: Cele dou definiii sunt echivalente numai n condiiile n care ultimul termen al
egaliti este nul, adic funcia de autocorelaie descrete suficient de rapid. Acest fapt are loc
totdeauna atunci cnd semnalul nu conine componente periodice.
Pentru funcia de intercorelaie a dou semnale aleatoare x(t) i y(t), definit sub forma
( )
} }

= + =
2
T
2
T
2
T
2
T
dt ) t ( y ) t ( x
T
1
lim dt ) t ( y ) t ( x
T
1
lim R
T T
xy

se obine densitatea interspectral de putere, S
xy
(j):
=
(
(

+ =
(
(

+ = =
} } } } }
+

+


+

+


+

d dt e ) t ( y ) t ( x
T
1
lim d e dt ) t ( y ) t ( x
T
1
lim d e ) ( R )} ( R { F
j
T
j
T
j
xy xy

) j ( S ) j ( Y ) j ( X
T
1
lim
xy
T
= =


adic

i respectiv

Observaie: Deoarece funcia de intercorelaie nu este o funcie par atunci densitatea
interspectral de putere este o funcie complex.

1.6. Estimarea parametrilor statistici ai semnalelor aleatoare
Noiunea de estimare n prelucrarea semnalelor se refer la deducerea unor mrimi necunoscute
sau aleatoare pornind de la un set de observaii ce reprezint variabila aleatoare.
Din afirmaia de mai sus rezult existena a dou aspecte distincte.
- Estimarea parametrilor - se refer la aflarea unor parametri determiniti dar necunoscui pornind
de la setul de observaii, ca de exemplu determinarea valorii medii, a funciei de autocorelaie, a
densitii spectrale de putere pentru un proces aleator staionar.
- Estimarea unei variabilei aleatoare ca de exemplu determinarea eantioanelor de la intrarea
unui sistem cunoscnd ieirea acestuia, suprapus peste un zgomot.

Determinarea parametrilor statistici ai unui semnal este o problem de mare utilitate practic. n
cele ce urmeaz se vor evalua parametrii statistici pentru semnalele aleatoare discrete. Dificultatea
const n aceea c pentru un asemenea semnal se pot efectua msurtori doar asupra unor realizri
particulare, ntr-o fereastr temporal finit, aa nct va fi cunoscut doar un numr finit de
eantioane x(nT
s
), n=0,1,...N-1.
Problema estimrii parametrilor unui model sau semnal poate fi privit ca un studiu al
parametrilor i al dependenei parametrilor unei populaii statistice, dac sunt disponibile datele
eantionate:
)] T 1) - x((N ),.. T x(2 ) T 1 ( x , ) T 0 ( x [ ) nT ( x
s s s s s N
=
Funcia care calculeaz valoarea acestui parametru, ( ) ) nT ( x

s N
= pe baza datelor eantionate
se numete estimator, iar valoarea funciei determinate se numete estimaie. Cum datele
eantionate reprezint o realizare a unui proces stohastic rezult c i estimaia obinut este o
variabil aleatoare.
Calitatea estimatorului utilizat depinde de caracteristicile sale statistice. Pentru aprecierea unui
estimator se pot utiliza diveri indicatori.
}
+

=

d e ) j ( S
2
1
) ( R
j
xy xy
}
+

=

d e ) ( R ) j ( S
j
xy xy
} }

=
T
T
j
xx
T
j
xx x
d e ) ( R
T
lim d e ) ( R ) ( S

Laborator 5

19
- Deplasarea (devierea) unui estimator se definete prin:
= }

{ M ) ( B
Definiie: Dac pentru orice eantion B(u)=0, atunci estimatorul se numete estimator nedeviat
(nedeplasat). Dac aceast condiie este satisfcut numai pentru eantioane mari (N), atunci
estimatorul este asimptotic nedeviat.
- Variana (dispersia) estimatorului
} })

{ M

{( M
2 2

=
- Eroarea ptratic medie
} )

{( M e
2 2

=
Definiie: Un estimator este consistent dac pentru orice c>0, orict de mic:
0 ) |

(| P lim
N
= >

adic u
^
converge n probabilitate la valoarea adevrat a parametrului, u.
Obinerea practic a estimatorilor este n funcie de cantitatea de informaii apriorice
disponibile.

1.6.1. Estimarea funciilor de corelaie
Dup cum se tie, dac semnalul analizat este ergodic atunci media pe ansamblu poate fi
nlocuit cu estimatorul pe baza unei singure realizri:
m
T
x t dt
x
T
=
}
1
0
( )
Acest estimator este nedeviat i consistent, dispersia lui tinznd ctre zero cnd T. Calculul
estimatorului se realizeaz prin discretizarea integralei care l definete. Discretizarea introduce la
rndul ei erori care se dovedesc a fi suficient de mici dac intervalul de eantionare este ales
corespunztor.


=

=
= =
1 N
0 n
s
1 N
0 n
s
s
s
x
) nT ( x
N
1
) nT ( x
NT
T
m

Pornind de la definiia varianei
( )
o
x x
T
T
x t m dt
2
2
0
1
=
}
( )
prin discretizarea relaiei se obine estimatorul
( ) ( )


=

=
= =
1 N
0 n
2
x s
1 N
0 n
2
x s
s
s 2
x
m ) nT ( x
N
1
m ) nT ( x
NT
T

Acest estimator este ns deplasat.
Pentru a obine o estimaie nedeplasat acest estimator trebuie corectat cu factorul
N
N 1
obinndu-se:
( )

=
1 N
0 n
2
x s
2
x
m ) nT ( x
1 N
1

numit i variana empiric.
Dei acest estimator al varianei este nedeplasat, totui calculul estimaiei abaterii standard cu
acest estimator
( )

=
1 N
0 n
2
x s x
m ) nT ( x
1 N
1

implic o deplasare.
Pentru N>10 se poate considera c
Laborator 5

20
( )
( )

|
|
.
|

\
|

+ =
1 N
0 n
2
x s x
m ) nT ( x
1 N
1
1 N 4
1
1
este estimator nedeplasat pentru abaterea standard, o
x
.
n mod asemntor se pot introduce estimatorii pentru funciile de autocorelaie, respectiv
autocovarian:
}
+ =
T
0
xx
dt ) t ( x ) t ( x
T
1
) ( R
Estimatorul funciei de autocorelaie este nedeviat.
Prin discretizarea integralei anterioare se obine:
( )

=
+ =
1 N
0 n
s s
s
s
s xx
) T ) k n (( x ) nT ( x
NT
T
kT R

Deoarece nu dispunem dect de N date, sumele trebuie restrnse astfel nct rezult:
( )


=
+

=
k 1 N
0 n
s s s xx
) T ) k n (( x ) nT ( x
k N
1
kT R

Aproximarea este din ce n ce mai slab pe msura creterii lui k. Practic o precizie acceptabil
se poate obine pentru k sN/3.
Estimatorul funciei de autocovarian devine:
( ) ( )( )

=
+

=
k 1 N
0 n
x s x s s xx
m ) T ) k n (( x m ) nT ( x
k N
1
kT C

1.6.2. Estimarea densitilor spectrale de putere
Metodele de estimare spectral a unui proces stohastic se pot mpri n dou clase:
- Metode neparametrice (clasice);
- Metode parametrice (moderne)
Metodele clasice de estimare spectral opereaz asupra unui segment finit de date, preluate
prin intermediul unei ferestre temporale. Se admite deci implicit ipoteza c n afara acestei ferestre
semnalul este nul, x(nT
s
)=0, ceea ce conduce la o versiune mai mult sau mai puin modificat a
spectrului.
Metodele moderne pornesc de la stabilirea unui model al procesului ce a generat
eantioanele de date, bazat pe existena unor informaii a priori sau a unor ipoteze. Vor trebui
parcurse urmtoarele etape:
- selectarea modelului corespunztor seriei temporale respective;
- estimarea (identificarea) parametrilor modelului respectiv, pornind de la datele (observaiile) de
care dispunem;
- calculul estimatorului spectral, prin nlocuirea parametrilor estimai, n formula densitii
spectrale de putere specifice modelului.
Aceste metode conduc n general la o rezoluie i o fidelitate spectral superioare metodelor
clasice, pornind de la ipoteze mai realiste asupra semnalului analizat, dect aceea a duratei finite.
.
La rndul lor, metodele clasice de estimare spectral pot fi mprite n dou categorii:
- metode directe - care pornesc direct de la vectorul x(nT
s
) pentru a construi estimatorul;
- metode indirecte, sau corelative, care se bazeaz pe legtura dintre densitatea spectral de putere
i funcia de corelaie, stabilit de relaiile Wiener-Hincin. n acest caz, se calculeaz mai nti un
estimator al funciei de autocorelaie.
Estimarea parametrilor determiniti ai proceselor stohastice (funcii de corelaii, densitate
spectral) din datele achiziionate ridic probleme legate de erorile de metod i de msurare.
Majoritatea acestora se datoreaz trunchierii datelor (considerarea unor eantioane de date de
lungime finit T) i eantionrii.
Prin definiie:
Laborator 5

21
(4)
2
T T
x
) j ( X
T
1
) ( S =
unde X
T
(je) reprezint transformata Fourier a semnalului trunchiat. Se obine astfel periodograma
spectral a semnalului analizat. Utilizarea transformatei Fourier standard pentru calculul funciilor
de densitate spectral de putere a reprezentat o metod destul de puin folosit, datorit efortului
mare de calcul necesar. n general, s-a preferat metoda indirect de calcul, estimndu-se mai nti
funcia de autocorelaie.

Metode directe de estimare spectral
Prin discretizarea relaiei anterioare se obine:
2
1 N
0 n
nT
NT
2
jk
s
s
2
0
T
s
0 x
s
s
e ) nT ( x
N
T
) jk ( X
NT
1
) k ( S

= =


n cazul utilizrii acestei metode apar restricii legate de lungimea seriei de date. n principiu,
programul de calcul poate fi scris pentru manipularea unor serii de date de lungime arbitrar N, dar
efortul de calcul se reduce cu ct N include mai puini factori. n practic, programele de calcul sunt
adesea scrise pentru serii de date de lungime N=2
p
. nregistrrile de date, a cror lungime N nu
reprezint o putere a lui 2, pot fi trunchiate la lungimea corespunztoare unei puteri a lui 2, sau pot
fi completate cu zerouri, pentru ca lungimea secvenei s devin de forma 2
p
. Acest estimator este
nedeviat.
n ceea ce privete dispersia (variana) acestui estimator, aceasta nu depinde de lungimea
secvenei de date ci de parametrii statistici ai semnalului x(nT
s
), ceea ce face ca estimatorul s nu
fie consistent (nu converge ctre spectrul teoretic cu creterea lui N). Aceast valoare independent
de N a estimaiei spectrului, care determin inconsistena, a justificat utilizarea unor metode de
netezirea a estimaiilor spectrului.
Valorile estimate ale spectrului prezint fluctuaii aleatoare foarte mari, cu amplitudini de
ordinul de mrime al spectrului teoretic, datorit dispersiei mari i inconsistentei estimaiei. Acest
fapt face imposibil interpretarea spectrului de putere.
- O prim metod de mbuntire a proprietilor statistice (netezirea spectrului sau micorarea
varianei) se poate obine utiliznd estimatorul spectrogram medie prin medierea de ansamblu a
spectrului (spectrul neted). Acest procedeu se poate aplica dac dispunem de mai multe nregistrri
independente ale procesului aleator respectiv (mai multe realizri particulare).
Ideea este simpl; ea const n faptul c obinnd mai multe estimaii, ) ( S

, ), ( S

), ( S

k 2 1
ale
aceluiai semnal se poate determina o estimaie mediat, ) ( S :

=
=
k
1 i
i
) ( S

k
1
) ( S
n acest fel se obine o varian a spectrului neted de k ori mai mic dect variana estimaiei
iniiale.
n realitate, rareori dispunem de mai multe seturi independente de date. De regul avem un
singur set de lungime N. Acesta poate fi secionat n K segmente nesuprapuse, de lungime R,
N=RK. Aceste seturi nu vor mai fi independente dect n cazuri particulare, cum este cel al
zgomotului alb. Reducerea lungimii ferestrei, de la N la R=N/K, va conduce la o scdere a
rezoluiei i la o mrire a deplasrii.

- Netezirea mai accentuat a spectrului se poate realiza prin folosirea unor ferestre de ponderare a
datelor, estimatorul putnd deveni suficient de performant.
(5) ( )

+ = =
1 R
0 n
nT
NT
2
jk
s s s s 0 w
s
s
e ) T ) n (( w ) nT ( x T )) nT ( x ( STFT , jk X




Laborator 5

22
Ferestre temporale/spectrale utilizate n prelucrarea numeric a semnalelor
Pentru semnale de durat infinit nu se poate defini exact transformata Fourier discret, ci o
aproximare a acesteia prin restrngerea semnalului la o durat limitat. Cea mai simpl metod de
modelare a limitrii semnalului este nmulirea acestuia cu un semnal dreptunghiular
(poart/fereastr temporal natural) de durat T
w
=kT. Pentru un semnal pur armonic aceast
operaie este prezentat n figur, unde k=3.

Considernd fereastra dreptunghiular de forma

e
e
=
] kT [0, t , 0
] kT [0, t , 1
) t ( w
se obine:
) t ( w ) t ( x ) t ( x
T
=


















O fereastr temporal de durat nelimitat are o funcie spectral de tip impuls Dirac. Pentru
demonstraie se ine seama de urmtoarele proprieti ale transformatelor Fourier:
A. Teorema dualitii timp-frecven
Dac { } ) j ( X ) t ( x F e =
atunci { } ) j ( x 2 ) t ( X F e t =
B. Teorema simetriei
Dac ) t ( x ) t ( x = (funcie par)
atunci ) j ( X ) j ( X e = e (funcie par)
Pe baza teoremei dualitii s-a stabilit funcia spectral a ferestrei temporale de durat
nelimitat. Astfel, deoarece
{ } ) j ( 1 ) t ( F e = o
atunci
( ) { } ) j ( 2 t 1 F e to =
Deoarece funcia 1(t) este par atunci, conform teoremei simetriei, se poate scrie:
( ) { } ) j ( 2 t 1 F e to =
Pe de alt parte, conform principiului incertitudinii enunat de Heisenberg, nu este posibil o
localizare exact i simultan att n domeniul timp ct i n domeniul frecven. Astfel, pentru un
semnal perfect localizat n domeniul timp, de tip impuls Dirac, (t-), se obine funcia spectral
{ }


j
e ) j ( 1 ) t ( F

=

x(t)
t
w(t)
x
T
(t)=x(t)w(t)
1
t
t
T
T
k
=kT
(t-)
t


|X(j)|
Laborator 5

23




Pe de alt parte, prin utilizarea unei ferestre temporale ipotetice de durat nelimitat, funcia
spectral a unui semnal armonic este perfect localizat n domeniul frecven.









Fereastra dreptunghiular asigur un compromis ntre cele dou situaii limit. Astfel, n baza
teoremei de convoluie n domeniul frecven, prin nmulirea n domeniul timp a celor dou
semnale
) t ( w ) t ( x ) t ( x
T
=
se realizeaz produsul de convoluie ntre spectrele corespunztoare:
}
t
|
|
.
|

\
|
|
.
|

\
|

t
t
= e e = e
kT / 2
0
T
dq q
kT
2
j W ) jq ( X
2
1
) j ( W * ) j ( X ) j ( X
Transformata Fourier a ferestrei temporale dreptunghiulare de durat t
0
are expresia:
{ }
2
0
t
0 2
0
t
0
0
0
0
j
2
t
0
j
2
t
2
t
0
t
0
t j
t
0
t j
e ) ( c sin t e
) sin(
t e
j
1
dt e 1 ) t ( w F ) j ( W
e e
e
e
e
e e
= =
e
= = = e
}

Atunci densitatea sa spectral de amplitudine este de forma:
| ) ( c sin | t | e ) ( c sin t | | ) j ( W |
2
t
0
j
2
t
0
0 2
0
t
0
e e
= = e
e

Pentru t=kT=T
k
densitatea spectral de amplitudine este prezentat n figur.









Spre deosebire de fereastra temporal unitar de durat nelimitat, care are o fereastr spectral
de tip impuls Dirac fereastra temporal de durat T
k
, are fereastra spectral de tip sinus cardinal.
La limit, pentru T
k
, suprafaa lobului principal devine unitar iar amplitudinea sa devine
nemrginit, adic lobul principal tinde spre impulsul Dirac!
De asemenea, pentru T
k
0, limea lobului principal devine nemrginit.

Aceast diferen dintre fereastra spectral teoretic (ideal) de tip impuls Dirac i fereastra
spectral asociat unei ferestre temporale unitare de durat limitat poate avea n anumite situaii
influene negative asupra spectrului semnalului trunchiat.

Dac transformata Fourier a ferestrei utilizate, )} t ( w { F , ar fi impulsul Dirac, adic:
{ } ) j ( ) j ( W ) t ( w F = =
atunci, evident densitatea spectral de amplitudine a semnalului trunchiat ar deveni:
|W(j)|

0
k
T
2t
k
T
2t

k
T
4t
k
T
6t
k
T
8t
k
T
4t

k
T
6t

k
T
8t

lob principal
lob lateral lob lateral
t
x(t)
w(t)
1
t

|X(j)|
Laborator 5

24
) j ( X ) j ( * ) j ( X ) j ( X )} t ( x { F
T T
= = =
adic ar corespunde cu cea a semnalului real.
S-a artat ns c o astfel de fereastr temporal, 1(t), are o durat infinit. nlocuind ns
fereastra aceasta cu o alt funcie temporal, al crei spectru s aproximeze suficient de bine funcia
impuls Dirac, se obine un spectru X
T
(je) netezit, mai apropiat de spectrul real.


n domeniul timp, o astfel de funcie ar trebui s diminueze efectul de capt, adic s aib nul
att valoarea ct i panta n zona capetelor, pe cnd n domeniul frecven este echivalent cu
tendina de descretere a lobilor laterali.





















Efectul ferestrei temporale asupra semnalului virtual reconstituit
n acest caz se obine spectrul din figura de mai jos, remarcndu-se o considerabil apropiere de
spectrul real.








Efectul ferestrei temporale asupra spectrului semnalului virtual reconstituit
Evident c diferena este datorat achiziiei incorecte a semnalului armonic. Prin aceast
tehnic ns se poate realiza estimarea n timp real i a semnalelor cu suport infinit neperiodice.


Exemple de ferestre temporale continue
- Fereastra Bartlett (triunghiular)

e
e
e +
=
T] [-T, pt.t 0
T] (0, pt.t 1
[-T,0] pt.t 1
) t ( B
T
t
T
t

w(t)
x
T
(t)=x(t)w(t)
1
t
t
T
k
kT
x
V
(t)
t
k
T
2t
k
T
2t

k
T
4t
k
T
6t
k
T
4t

k
T
6t

|X
V
(j)|=|X(j)*W(j)|

0 0
-
0 -2
0 2
0

Laborator 5

25







- Fereastra Hamming generalizat

e
e +
=
] , [- pt.t 0
] , [- pt.t
T
t 2
cos ) 1 (
) t ( H
2
T
2
T
2
T
2
T
mg
t
o o







n cazul o=0.54 fereastra se numete Hamming iar pentru o=0.5 se numete Hanning (von Hann).
- Fereastra Hamming H t
t
T
m
( )
. . cos
=
+ e
e

0 54 0 46
2
0
t
pt. t [- , ]
pt. t [- , ]
T
2
T
2
T
2
T
2







- Fereastra Hanning H t
t
T
n
( )
. cos
=
+
|
\

|
.
|
e
e

0 5 1
2
0
t
pt. t [- , ]
pt. t [- , ]
T
2
T
2
T
2
T
2







- Fereastra Blackmann W t
t
T
t
T ( )
. . cos . cos
=
+ e
e

0 42 05
2
0 08
4
0
t t
+ pt.t [- , ]
pt.t [- , ]
T
2
T
2
T
2
T
2






Utilizarea unei ferestre temporare n prelucrarea semnalului este echivalent cu problema
filtrrii acestuia, scopul fiind ns de a atenua potenialele discontinuiti de la capetele segmentului
finit al evoluiei n timp a datelor.

n scopul obinerii unei precizii ct mai bune, fereastra spectral utilizat (transformata Fourier
a ferestrei temporale) trebuie s satisfac urmtoarele cerine fundamentale:
- lobul principal al ferestrei trebuie s fie ct mai ngust (s se apropie de impulsul Dirac);
B(t)
T
t
-T
1
H
mg
(t)
t
2
T

1
2
T
2-1 2-1
H
m
(t)
t
2
T

1
2
T
0.08 0.08
H
n
(t)
t
2
T

1
2
T
0.0 0.0
W(t)
t
2
T

1
2
T
0.0 0.0
Laborator 5

26
- lobul principal s conin cea mai mare parte din energia ferestrei(conform impulsului Dirac);
- energia lobilor secundari s fie ct mai uniform distribuit ntre acetia
n general, aceste trei cerine nu pot fi satisfcute de nicio fereastr deoarece primele dou
cerine sunt contradictorii. Din acest punct de vedere se poate afirma c nu exist o fereastr
optimal, fiecare dintre acestea asigurnd un compromis ntre cele trei cerine.
De exemplu, fereastra temporal Bartlett asigur o suprimare puternic a lobilor laterali ai
ferestrei spectrale corespunztoare ns cu preul mririi limii lobului principal i micorrii
amplitudinii acestuia. Fereastra temporal Hamming asigur o suprimare i mai puternic a lobilor
laterali i minimizarea amplitudinii lobului principal n banda de frecven aleas.
Toate ferestrele de date utilizate modific puterea (dispersia) n date, deoarece diferitelor
poriuni ale evoluiei n timp a datelor le sunt atribuite ponderi neegale. De aceea, problema alegerii
uneia dintre aceste ferestre pentru a fi utilizat n cadrul unei aplicaii practice depinde n mare
msur de experiena utilizatorului. Pentru a se alege o anumit fereastr utilizatorul trebuie s
dispun de informaie a priori privind coninutul n frecven al semnalului (s-l intuiasc).
n orice situaie, utilizatorul trebuie s neleag efectul general al acestor ferestre asupra
categoriilor particulare de date (estimare spectru de putere, interspectru etc) naintea alegerii
finale a ferestrei.
Rezoluia va fi cu att mai bun cu ct limea lobului principal al ferestrei spectrale este mai
mic, ceea ce n cazul utilizrii ferestrei dreptunghiulare se poate realiza mrind R i micornd T
s

(mrind frecvena de eantionare).
n cazul n care funciile de densitate spectral se determin n urma medierii unor spectre
calculate pentru segmente individuale de date (i nu a ntregului eantion), criteriile de proiectare a
ferestrei sunt oarecum diferite. n aceast situaie este foarte important reducerea scprilor ntre
benzile adiacente. Deoarece n cazul medierii pe ansamblu, lobul principal este mediat cu unul
principal, iar lobul lateral cu unul lateral, meninndu-se mrimea lor relativ, se dorete proiectarea
unei ferestre care s realizeze ntr-o msur mult mai mare suprimarea lobului lateral local.
Pentru prelucrarea semnalelor eantionate, x(nT
s
) se presupune c prin discretizarea relaiilor
continue ale relaiilor de mai sus se obin rezultate identice. De exemplu, pentru fereastra
Blackmann se obine:

e
e +
=
] , [- pt.n 0
] , [- pt.n
NT
nT 4
cos 08 . 0 +
NT
nT 2
cos 5 . 0 42 . 0
) nT ( W
2
N
2
N
2
N
2
N
s
s
s
s
s



Metode indirecte de estimare spectral
Calculul funciei de densitate spectral de putere pe baza relaiilor Wiener-Hincin
(transformata Fourier a funciei de autocorelaie) a fost standardizat i sistematizat de Blackmann i
Tukey. Unul dintre motivele majore ale acestei abordri l-a constituit eficiena calculului (naintea
elaborrii algoritmilor FFT), deoarece un spectru satisfctor putea fi determinat utiliznd o funcie
de autocorelaie trunchiat.
Funcia de densitate spectral de putere a semnalului x(t) este definit astfel:
( )
}

=
0
xx x
d cos ) ( R 2 ) ( S
Calculul practic al acestei integrale, pe baza valorilor estimaiilor ) ( R
T
xx
, se face folosind
valorile discrete ale acestora ) kT ( R
s
T
xx
, unde T
s
este perioada de eantionare. Dac valoarea maxim
a ntrzierii utilizate n calculul funciei de autocorelaie este mT
s
, atunci rezoluia n frecven a
densitii spectrale de putere va fi
s
0
mT
2
= , k=0,1,..m
O form comod pentru calculul numeric pentru care se pot obine estimaiile S
x
(e) este
urmtoarea:
Laborator 5

27
(
(

+
|
|
.
|

\
|
+ =

=
) mT ( R nT
mT
2
k cos ) nT ( R 2 ) 0 ( R T ) k ( S

s
T
xx
1 m
1 n
s
s
s
T
xx
T
xx s 0 x


Din nou, estimaiile obinute pe aceast cale sunt estimaii brute i pot prezenta neregulariti,
care trebuie eliminate prin operaii de mediere sau de filtrare.


2. Exemple rezolvate


2.1. Analiza semnalelor aleatoare
Pentru descrierea i caracterizarea proceselor stohastice sub aspectul structurii interne se
folosesc doi parametrii fundamentali: densitatea spectral de putere i funcia de autocorelaie.

I. Generai dou realizri ale unor procese stohastice folosind fiierul de comenzi
Semnale_aleatoare.m.

>>Semnale_aleatoare

Din punct de vedere statistic exist diferene notabile ntre cele dou semnale aleatoare?

Observaii:
1.Generarea unei realizri a unui proces stohastic cu densitatea de repartiie normal distribuit

2
x
2
x
2
) m x (
x
e
2
1
) x ( p

=
se realizeaz cu ajutorul funciei randn.m sub forma
>>x=m
x
+
x
* randn(1, N)

unde m
x
reprezint media statistic iar
x
reprezint abaterea standard (rdcina ptrat a varianei).
2. Generarea unei realizri a unui proces stohastic cu densitatea de repartiie uniform distribuit
n intervalul [a,b] se realizeaz cu ajutorul funciei rand.m sub forma
>>x=a+(b-a) * rand(1, N)

II. Realizai analiza spectral a celor dou semnale aleatoare folosind fiierul de comenzi
Analiza_spectral_sa.m.

>>Analiza_spectrala_sa

Cum este distribuit puterea semnalelor n banda lor de frecven?

III. Realizai analiza de corelaie a celor dou semnale aleatoare folosind fiierul de comenzi
Analiza_corelatie_sa.m.

>>Analiza_corelatie_sa

Cele dou semnale aleatoare sunt corelate? De ce?

Zgomotul alb este un semnal aleator staionar centrat, M{x(t)}=0. Acest model matematic se
poate defini ca un semnal aleator cu spectru alb, adic cu aceeai valoare a densitii spectrale
de putere pentru toate frecvenele.
Laborator 5

28

n fig.a. se prezint graficul densitii spectrale de putere S
x
(e), reprezentat printr-o dreapt
care evideniaz faptul c toate pulsaiile au aceeai ordonat. n acest caz, densitatea spectral
caracterizeaz un proces de band larg.
Acest proces stohastic este denumit zgomot alb, analog cu lumina alb cu spectrul vizibil
aproximativ uniform, fiind sugerat imaginea luminii albe compuse dintr-o mulime de radiaii
monocromatice cu densiti spectrale egale.
Deoarece S
x
(e)=S
0
, atunci funcia de autocorelaie are forma:
{ } { } ) ( S ) ( 1 F S S F ) ( R
0
1
0 0
1
xx
= = =


reprezentat n fig.b., n care lipsete interdependena ntre valorile anterioare i posterioare ale
semnalului, timpul de corelare fiind nul iar funcia de autocorelaie reprezent o funcie impuls.
Acesta este un semnal pur aleator.
Se pune problema dac exist astfel de procese staionare. Dac x(t) este un semnal aleator
continuu, atunci conform egalitii Parseval, puterea unui astfel de semnal este infinit deci el nu
poate fi realizat practic, necesitnd un generator de putere infinit.
= =
}

d ) ( S
2
1
m
x
x
2

Aceste dificulti eseniale au condus la ncercarea de a aproxima zgomotul alb continuu de
band nelimitat cu procese stohastic avnd band finit.
Funcia de densitate spectral de putere a unui semnal, x(t), de acest tip se poate exprima sub
forma:


i este reprezentat n figura urmtoare.

e
S x ( ) e
e c e c
A
2
0 t
Rxx() t
a) b)
t
e c
2
t
e c
2
t
ec

t
ec
c
2
A
e
t

Funcia de autocorelaie se deduce aplicnd transformata Fourier invers:

c
c
c
2
j 2 j
x xx
sin A
d e A
2
1
d e ) ( S
2
1
) ( R
c
c
= = =
} }

i are reprezentarea n fig.b.
Realizarea fizic a unui semnal cu funcia de densitate spectral de putere ar presupune
existena unui filtru trece-jos ideal, care s atenueze complet componentele cu pulsaii superioare
valorii limit e
c
. Filtrele trece-jos reale atenueaz considerabil frecvenele nalte ns nu pot

Sx
( )
e
e t
Rxx( ) t
a ) b)
S
0

>
s =
=
c
c
2
x
x
pentru 0
pentru A ) ( S
) ( S

Laborator 5

29
conduce la asemenea variaii discontinue ale funciei de densitate spectral. n practic zgomotele
albe sunt frecvent aproximate cu semnale caracterizate de funcia densitate spectral ca n figura de
mai jos.
S
x
( ) e
e
1

2

2

1
A
2

Matematic, aceste funcii se exprim prin relaiile:
2 2
F
2
x
T 1
A
) ( S

+
=
sau
2 2
2 2
x
A
) ( S

+
=
n care =
1
T
F
este un coeficient care indic lrgimea benzii de frecvene pentru funcia de densitate
spectral de putere. Variaiile n timp ale unor asemenea semnale cu coninut diferit de frecvene
sunt reprezentate n figura de mai jos.
x
1
(t)
x
2
(t)
t t
a)
b)

2
Semnalul fiind centrat, adic m
x
=0, integrnd densitatea spectral de putere pe ntregul
domeniul de frecvene, se deduce dispersia:

( )
( ) | |
2
x F
2
F
2
F F
2
F
2
2
F
2
2
F
2
2
F
2
2
2
x
2
x
2
x
x
T 2 A
T 2
A
T arctg T
T
A
2
1

d
T
1
1
T
A
2
1
d
T 1
A
2
1
d ) ( S
2
1
m m
2

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

+

+

} } }

Substituind aceast valoare n relaia densitii spectrale de putere aceasta devine:
( ) ( )
2 2
2
x
2 2
F
2
x F
x
2
T 1
T 2
) ( S

+
=
+
=
Dac se are n vedere c 0 a , e
a
a 2
F
t a
2 2
1
> =
)
`

+ e

atunci din relaia anterioar se poate calcula
funcia de autocorelaie a semnalului:
{ }



= = e ) ( S F ) ( R
2
x x
1
xx

n baza acestei relaii se pot reprezenta funciile de autocorelaie ale semnalelor
Laborator 5

30
(corelogramele) ca n figura de mai jos. Cu ct parametrul care determin banda de frecvene a
semnalului va fi mai mare, cu att funcia de autocorelaie va fi mai apropiat de funcia impuls.

Rxx () t
t
1
2
2
x
o

De asemenea n privina legturii dintre aspectul semnalului i funcia densitate spectral de
putere se constat c pentru mrimile care variaz mai lent -
1
- frecvenele reprezentate n
densitatea spectral sunt mai mici (graficul densitii spectrale de putere mai ngust) iar funcia de
autocorelaie R
xx
(t) descrete mai lent la creterea timpului de corelare t .

2.2. Analiza semnalelor armonice perturbate
Se consider un semnal armonic, perturbat de un semnal aleator, de forma ) t ( e t cos A ) t ( x + = .

>>Semnal_cos_sa

I. Determinai numeric spectrul de amplitudine al semnalului perturbat.

>>Analiza_armonica_complex

II. Determinai numeric spectrul densitii de putere al semnalului perturbat.

>>Analiza_spectrala_cos

III. Determinai numeric corelograma semnalului perturbat.

>>Analiza_corelatie_cos

Ce se constat ?


Pe lng informaiile privind parametrii unui proces stohastic forma corelogramei furnizeaz
unele indicaii asupra coninutului n frecvene. Astfel, pentru un proces aleator staionar ideal
(zgomot alb de band infinit) corelograma are aspectul unui impuls Dirac. n cazul unui proces
aleator staionar real de band limitat, n funcie de lrgimea acesteia se obine o form mai
apropiat sau nu de cazul ideal.
Cnd procesul stohastic este neperiodic, pentru valori mari ale timpului de corelare, t, funcia
de autocorelaie tinde ctre ptratul valorii medii, (m
x
)
2
iar n cazul n care valoarea medie este nul
aceasta va tinde ctre zero.
ns, atunci cnd n procesul stohastic este ascuns un fenomen cu variaie periodic,
corelograma va tinde, pentru valori mari ale timpului de corelare, t, la o funcie periodic de t
(figura de mai jos). Pe baza acestor performane ale funciei de autocorelaie, R
xx
(t), pot fi
evideniate sau extrase semnale periodice ascunse ntr-un proces stohastic staionar.
Laborator 5

31
R
x
( ) t
t

n acest mod se pot elabora metodologii de diagnosticare vibroacustic a mainilor i utilajelor,
semnalele periodice fiind determinate de anumite elemente componente ale acestora.

2.3. Analiza zgomotelor colorate

Folosind resursele simulatorului SIMULINK generai un semnal aleator prin stimularea unui
filtru discret cu un generator de variabile aleatoare de medie nul i varian unitar. Perioada de
eantionare Ts este 0.01s.


I. Realizai analiza spectral i analiza de corelaie a celor dou semnale aleatoare. Sunt cele
dou semnale corelate? De ce?

>>Analiza_spectrala_sa
>>Analiza_corelatie_sa

3. Probleme propuse

Fie dou zgomote colorate discrete (Ts=0.05), caracterizate de ecuaiile cu diferene

) 1 k ( e 7 . 0 ) k ( e ) 1 k ( v 99 . 0 ) k ( v
) 1 k ( e 8 . 0 ) k ( e ) 1 k ( v 9 . 0 ) k ( v
2 2
1 1
+ =
+ =

Care zgomot colorat are banda de frecvene mai mare?










Laborator 5

32
Funcii MATLAB specifice analizei armonice/spectrale a semnalelor

function [time,poly_cos,coefs_cos,faza_cos,polyaprox]=a_fourier_cos_fft(x,Ts,m)
%f unct i on [ t i me, pol y_cos, coef s_cos, f aza_cos, pol yapr ox] =a_f our i er _cos_f f t ( x, Ts, m)
%
%Anal i za ar moni ca Four i er a semnal ul ui x, esant i onat cu per i oada Ts bazat a
%pe t r ansf or mat a Four i er di scr et a ( Fast Four i er Tr ansf or m)
%i nt r ar i
% x - semnal ul anal i zat
% Ts - per i oada de esant i onar e
% m - numar ul de pol i noame t r i gonomet r i ce t i p cos( ) ut i l i zat e i n anal i za ar moni ca
%i esi r i
% t i me - dur at a semnal ul ui anal i zat
% pol ycos - pol i noamel e cosi nusoi dal e modi f i cat e
% coef s_cos - coef i ci ent i i Four i er ai ser i ei cosi nusoi dal e
% f aza_cos - f azel e ser i ei Four i er cosi nusoi dal e
% pol yapr ox - apr oxi mant ul semnal ul ui
%
% Bi bl i ogr af i e:
% V. Hor ga, T. Ganci u, I dent i f i car ea si st emel or cont i nue. Teor i e si apl i cat i i
% Edi t ur a Pol i t ehni um, I asi , 2009, I V. 1. Met oda car act er i zar i i
% spect r al e a semnal el or

%*** Ver i f i car e si nt axa ut i l i zar e f unct i e ***
i f nar gi n<3, er r or ( ' Numar ul ar gument el or i ncor ect ! ' ) , r et ur n, end
% si ze( x, 1) - det er mi na numar ul de l i ni i
% si ze( x, 2) - det er mi na numar ul de col oane
i f si ze( x, 1) >si ze( x, 2) ,
%x est e vect or col oana
x=x' ;
%x est e vect or l i ni e
end
%*** Cal cul numar esant i oane semnal
N=l engt h( x) ;
%*** Det er mi nar e or i zont de t i mp pent r u semnal
T=( N- 1) *Ts;
%*** Det er mi nar e pul sat i e f undament al a
w0=2*pi / T;
%*** Cal cul vect or t i mp
t i me=Ts*( 0: ( N- 1) ) ;
% i ni t i al i zar e vect or coef i ci ent i
coef s_cos=zer os( 1, m+1) ;
% i ni t i al i zar e vect or f aza
f aza_cos=zer os( 1, m+1) ;
%*** Cal cul t r ansf or mat a Four i er di scr et a a semnal ul ui x
X=Ts*f f t ( x) ;

%*** Cal cul coef i ci ent i Four i er - ser i e cosi nusoi dal a
% par amet r i i pent r u component a cont i nua
coef s_cos( 1) =1/ ( N*Ts) *abs( X( 1) ) ;
f aza_cos( 1) =0;
f or i =2: m+1
coef s_cos( i ) =2/ ( N*Ts) *abs( X( i ) ) ;
f aza_cos( i ) =at an2( i mag( X( i ) ) , r eal ( X( i ) ) ) ;
end

%*** Const r ui r ea set ul ui de pol i noame cosi nusoi dal e Four i er si det er mi nar ea
% val or i l or i n punct el e de di scr et i zar e
%*** I ni t i al i zar e mat r i ce pol i noame
pol y_cos=zer os( m+1, N) ;
pol y_cos( 1, : ) =ones( 1, N) ;
f or i =1: m,
pol y_cos( i +1, : ) =cos( i *w0*t i me+f aza_cos( i +1) ) ;
end

%*** Cal cul apr oxi mant
pol yapr ox=zer os( 1, N) ;
f or i =1: m+1
pol yapr ox=pol yapr ox+coef s_cos( i ) *pol y_cos( i , : ) ;
end







function [pds,nsgmts]=sp_power(x,Ts,NDFT,iwindo,ovrlap)
%[ pds, nsgmt s] =sp_power ( x, Ts, NDFT, i wi ndo, ovr l ap)
Laborator 5

33
%Power densi t y spect r um, aver aged over segment s of x.
%NDFT=DFT si ze=t wi ce spect r umsi ze, i wi ndo=wi ndow
%t ype, ovr l ap=over l ap.
%I nput s:
% x = I nput r ow vect or , x( 1: N) .
% Ts = Sampl e per i od
% NDFT = DFT segment l engt h. # spect r al component s=NDFT/ 2+1.
% i wi ndo = Dat a wi ndow t ype:
% 1) Rect angul ar . 4) Hanni ng.
% 2) Taper ed r ect angul ar . 5) Hammi ng.
% 3) Tr i angul ar . 6) Bl ackman.
% ovr l ap = Fr act i on t hat each dat a segment of si ze NDFT
% over l aps i t s pr edecessor . Must be gr eat er t han
% or equal 0 and l ess t han 1.
%Out put s
% pds = Out put power densi t y spect r um; l engt h=NDFT/ 2+1.
% nsgmt s = Number of over l appi ng segment s of x aver aged t oget her .

i f ( si ze( x, 1) ~=1) ,
x=x' ;
end

[ Nr ows, N] =si ze( x) ; M=f i x( NDFT/ 2) +1;
i f ( Nr ows~=1) ,
er r or ( ' x must be a vect or . ' ) ;
el sei f ( NDFT<8) ,
er r or ( ' DFT si ze i s < 8. ' ) ;
el sei f N<NDFT,
er r or ( ' Lengt h of x i s < DFT si ze. ' ) ;
end

pds( 1: M) =zer os( 1, M) ;
nshi f t =f i x( mi n( NDFT, max( 1, f i x( NDFT*( 1- ovr l ap) +. 5) ) ) ) ;
nsgmt s=f i x( 1+( N- NDFT) / nshi f t ) ;
f or i segmt =0: nsgmt s- 1
t emp=x( ( nshi f t *i segmt +1) : ( nshi f t *i segmt +NDFT) ) ;
[ t emp, t sv] =sp_mask( t emp( 1: NDFT) , i wi ndo) ;
TEMP=Ts*f f t ( t emp, NDFT) ;
pds=pds+TEMP( 1: M) . *conj ( TEMP( 1: M) ) / ( t sv*nsgmt s) ;
end