CAPITOLUL 3

Serii de timp. Analiza, modelare si predictie

Notiunea de model matematic al unui sistem este un concept fundamental, ce descrie aspectele
esentiale printr-o reprezentare a cunostintelor despre sistem ntr-o forma utilizabila, adecvata scopului
pentru care este necesar modelul. Modelul procesului poate fi obtinut fie pe cale analitica (model de
cunoastere), fie pe cale experimentala (model dinamic de comanda), fiecare abordare avnd avantajele si
dezavantajele sale. Modelele de cunoastere (bazate pe legile fizice, chimice etc) permit o descriere destul
de completa a sistemelor si sunt utilizate, n practica, pentru simularea si modelarea proceselor. Aceste
modele sunt, n general, extrem de complexe si rareori direct utilizabile n automatica.
Modelele dinamice de comanda (modele empirice), ce stabilesc relatiile ntre variatiile marimilor de
intrare-iesire ale sistemului, sunt necesare pentru proiectarea si/sau ajustarea sistemelor de reglare. Desi
modelele dinamic e de comanda deduse pe cale experimentala au un domeniu mai restrns de
valabilitate ele permit descrierea matematica si a proceselor care au la baza legitati insuficient
cunoscute.
Orice descriere a unui sistem din punct de vedere functional se bazeaza pe conceptele de marime de
intrare u(t), marime de iesire y(t) si eventual marime de stare x(t). Din pacate, mai exista nca multe procese
ale caror cauze sunt necunscute sau se cunosc prea putine lucruri despre ele. Astfel, spre deosebire de
majoritatea proceselor mecanice, fizice, chimice etc, unde mecanismul generator de date intrare-iesire apare n
mod clar, n natura exista procese unde acest mecanism generator se prezinta ntr-o forma abstracta, greu de
reprezentat, cum ar fi, de exemplu, rezultatele unei analize de laborator sau evolutia unui indicator economic.
Astfel de procese sunt deci caracterizate de intrari fie neobservabile fie extrem de dificil de precizat si/sau de
masurat. n schimb, iesirile pot fi uneori observate si masurate, chiar daca nu se cunosc marimile (interne si
externe) ce au stimulat sistemul si -lau determinat sa reactioneze. Analiza seriilor de masurari efectuate
numai asupra iesirii poate aduce informatii relevante privind procesul care le -a generat. Aparent, modelele
matematice asociate acestor procese ar trebui sa fie dificil de precizat si de determinat numai pe baza
informatiilor furnizate la iesire. Cu toate acestea, exista un ansamblu de tehnici de identificare si modelare
speciale, de dificultate scazuta, care pot fi utilizate tocmai n acest caz particular, cnd informatia apriorica
este destul de saraca.
Inertia este o caracteristica intrinseca a proceselor din natura. n consecinta, observarea modului n
care un proces s-a manifestat n ultimul timp ar putea permite stabilirea unei legitati de evolutie a acestuia.
n acest sens, prin prelucrarea adecvata a semnalelor de iesire receptionate se pot regasi unele regularitati ale
mecanismului generator de date.
O secventa de date de observatii, n mod obisnuit ordonata n timp, este denumita serie de timp,
serie dinamica, serie cronologica sau cronica, desi variabila timp poate fi nlocuita prin alte variabile, ca
de exemplu spatiul. Metodologia statistica care se ocupa cu analiza si prelucrarea numerica a unor astfel
de secvente de date se numeste analiza seriilor de timp sau analiza seriilor dinamice. Caracteristica esentiala
a acestei abordari, care o diferentiaza de alte analize statistice, consta n recunoasterea explicita a
importantei ordinii de aparitie a observatiilor. Dupa cum s-a sugerat, scopul unei astfel de analize
cantitative, n cele mai multe dintre cazuri, este caracterizarea succinta, dar de calitate, a sistemului
investigat printr-un model matematic empiric. Acest model poate fi utilizat, n continuare, pentru predictia
evolutiei viitoare a procesului sau, uneori, pentru studiul modului de interventie asupra sa (conducere) n
cazul aparitiei unor schimbari n mediul n care evolueaza (efectul administrarii unui medicament asupra
evolutiei unei afectiuni, impactul unui spot publicitar asupra vnzarilor unui produs etc).
Evident, o buna cunoastere a procesului care a generat semnalele necesita o buna ntelegere a
principiilor si a elementelor fundamentale care stau la baza sa ceea ce implica din partea cercetatorului
cunostinte de specialitate n domeniul din care provin datele. Utilizarea acestor modele empirice pentru
probleme de predictie va asigura o prognoza buna numai atunci cnd stabilirea modelului
se bazeaza
att pe date observationale numeroase ct si pe cunoasterea legilor care stau la baza manifestarii
procesului analizat. Dar chiar si n cazul cnd nu se cunosc legile care stau la baza desfasurarii unui proces
dat iar modelul empiric se deduce numai pe baza datelor experimentale se poate dispune de o predictie utila.
Calitatea modelelor va fi nsa dependenta si de cantitatea datelor disponibile. n astfel de situatii trebuie
urmarita cu atentie comportarea pe viitor a acestui model. Astfel, daca se dispune de o serie de observatii

distribuite pe un interval mic de timp, s-ar putea ca acestea sa defineasca o dependenta liniara, sa
reprezinte un arc de parabola sau sa faca parte dintr- o curba definita printr-o functie periodica. De aceea,
supravegherea atenta a comportarii viitoare a modelului respectiv este foarte necesara. Se impune deci
sa se urmareasca modul n care prevederea este n concordanta cu observatia si, n momentul cnd se
constata ca datele observationale se abat mult de la valorile prevazute, sa se refaca calculele si sa fie
restabilit un nou model care sa verifice toate datele experimentale, adica sa fie n acord si cu noile observatii.
3.1. Analiza, modelarea si predictia seriilor de timp ramura a teoriei identificarii sistemelor
Predictiile din domeniile meteorologie, hidrologie, geofizica, sociologie, economie, comert etc nu pot
fi fundamentate dect pe metode stiintifice, care proiecteaza evolutia probabila a unui proces ntr-un timp
viitor si nu trebuie confundate cu profetiile lui Nostradamus.
Dupa cum s-a vazut, analiza experimentala a sistemului - identificarea si propune determinarea
modelului matematic pe baza masurarilor efectuate asupra variabilelor care caracterizeaza evolutia sa ntrun anumit regim (fig. 3.1).

Fig. 3.1.
n aceasta situatie se pleaca ntotdeauna de la cunostintele apriorice despre proces ce au fost
obtinute n urma analizei teoretice sau din masurari anterioare. n continuare, se masoara marimile de
intrare, u(t), marimile de iesire, y(t), si, eventual, perturbatiile deterministe masurabile, p(t), ale sistemului
si se evalueaza, printr-o procedura de identificare, legaturile cauzale dintre acestea. Marimile de intrare
pot fi semnale din functionarea normala a sistemului sau pot fi introduse n mod artificial.
n cazul acestei metodologii, principalul obiectiv este de a dezvolta modele cauzale care sa
descrie suficient de precis procesul analizat si de a proiecta experimente pentru a testa capacitatea de
reprezentare.
Spre deosebire de acest caz, cnd metodologia de analiza si modelare si propune stabilirea unor relatii
cauzale intrare-iesire sau perturbatie determinista - iesire, metodologia de analiza si modelare a seriilor de
timp are ca principal obiectiv descrierea matematica a semnalului de iesire, adica modelarea si
reprezentarea relatiilor dinamice dintre componentele seriilor de timp (fig. 3. 2).

Fig. 3. 2.
Modelele seriilor de timp se constituie deci n functii matematice de descriere a evolutiei iesirii
procesului (modele tip serie de timp), deduse prin tehnici specifice de analiza si prelucrare a semnalelor.
De exemplu, prin analiza se pot evidentia anumite tendinte neperiodice sau componente ciclice n evolutia
sistemului analizat.
ntruct obiectivul final este de a obtine un predictor optimal, capabil sa furnizeze o prognoza a
evolutiei viitoare pe un anumit orizont de timp a procesului furnizor de date masurate, se impune
parcurgerea unor etape care sa permita modelarea adecvata a acestuia.
Identificarea mecanismelor de generare a seriei de timp are un caracter iterativ. n general, deoarece
procesul analizat are cauze necunoscute sau insuficient cunoscute nu se poate vorbi despre o modelare
analitica a modului lui de manifestare. n acest caz, neputndu-se stabili o dependenta functionala riguroasa,
informatia apriorica este slab reprezentata iar alegerea clasei de modele pe baza analizei teoretice
devine adeseori imposibila.
n ceea ce priveste protocolul de experimentare, gradele de libertate sunt de asemenea restrnse.
Deoarece multe din seriile de timp apar n unele domenii (stiinte sociale, hidrologie etc) unde planificarea
experimentelor este posibila doar n mica masura evaluarea modelelor trebuie facuta cu mare grija. n
practica modelarii seriilor de timp, de regula, se poate obtine o singura realizare a procesului analizat,
neexistnd posibilitatea reluarii unor procese de productie si repetarea unor experimente. Proiectarea
experimentului n astfel de situatii este redusa la o observare corespunzatoare a semnalului de iesire n
corelatie cu dinamica sa de variatie.
Abordarea cu consecventa a problemelor teoretice si experimentale dintr-un punct de vedere
statistic a dus la rezultate valoroase n cele mai diverse domenii ale stiintelor care apeleaza la prelucrarea
datelor experimentale. Totusi, trebuie facuta precizarea ca prelucrarea datelor experimentale nu se confunda
cu statistica matematica. Aceasta din urma este doar un instrument pretios, dar care nu se poate substitui
unui experiment incorect sau unor date experimentale gresite. Nici o metoda statistica, prin ea nsasi, nu
poate sa mpiedice greseala, inexactitatea, rationamentul fals sau concluziile gresite. De aceea, datele primare
trebuie sa fie obtinute corect, metodele de analiza trebuie aplicate adecvat, iar cel care interpreteaza
rezultatele este necesar sa cunoasca bine nu numai metodele statisticii ci si domeniul n care acestea
sunt aplicate.
n cazul unei serii de timp este posibila masurarea valorilor acestora la orice moment de timp. O
astfel de serie este denumita serie de timp continua (de exemplu, temperatura sau presiunea, masurate
continuu ntr-un proces tehnologic). Totusi, majoritatea seriilor de timp din practica contin observatii
efectuate asupra unor variabile masurate la momente de timp predeterminate, separate prin intervale de timp
egale, care pot fi, de exemplu, secunde, minute, ore, zile, luni, ani. Astfel de secvente sunt referite drept
serii de timp discrete si pot fi obtinute n diferite moduri. Chiar daca seria de timp originala, care se

analizeaza, este continua, aceasta poate fi transformata ntr-una discreta, prin masurarea valorilor seriei la
intervale egale de timp. O serie de timp discreta, obtinuta n acest mod, este denumita serie de timp
esantionata. Un alt tip de serie de timp care apare frecvent n practica este acela n care variabila de interes
nu poate fi masurata continuu, fiind posibila numai masurarea valorilor cumulate (integrate) ale acesteia,
dupa anumite intervale de timp egale. Astfel de serii de timp sunt referite drept serii de timp cumulate sau
serii de timp integrate (de exemplu, cantitatea de precipitatii masurata zilnic ntr-o statie).
O alta clasificare a seriilor de timp, si implicit a modelelor, se poate face dupa numarul variabilelor
incluse n acestea. O serie de timp constnd numai dintr-o singura variabila este denumita monovariabila,
n timp ce o serie de timp care include evolutia mai multor variabile, n conexiunea lor, reprezinta o serie
de timp multivariabila.
n construirea unei serii de timp pentru un anumit proces trebuie sa se asigure omogenitatea
termenilor, ceea ce impune ca valorile seriei de date ce definesc continutul procesului analizat sa se calculeze
dupa aceeasi metodologie si sa se exprime n aceeasi unitate de masura pe toata perioada de timp pe care se
constituie seria. Daca aceste cerinte sunt ntrunite atunci neomegentitatea n cadrul unei serii de timp,
manifestata cel mai adesea prin aparitia de rupturi n seria de date (de panta sau de nivel), se datoreaza
unor modificari esentiale n cadrul fenomenului analizat. Pentru seriile de timp cu astfel de rupturi de nivel
sau de panta, prezinta interes determinarea numarului de subperioade iar daca este posibil determinarea
periodicitatii de aparitie a rupturilor n cadrul seriei si a gradului de asemanare dintre subperioade. Analiza si
modelarea unei serii cu rupturi de nivel sau panta prezinta dezavantajul major al utilizarii partiale a acesteia
n predictie.
Datele experimentale obtinute trebuie analizate si descrise cu ajutorul unor modele matematice
parametrice empirice care sa caracterizeze ct mai fidel dinamica semnalului analizat. Modele matematice
stabilite trebuie sa satisfaca o serie de conditii: ele trebuie sa fie destul de sigure si sa asigure o predictie
de calitate, sa aiba o forma simpla pentru a putea fi utilizate cu usurinta iar structura lor sa fie n concordanta
cu existenta fizica a fenomenului respectiv. Aceasta din urma conditie nu este totdeauna luata n considerare
si de aceea anumite modele matematice si pierd repede valabilitatea, iar predictia efectuata pe baza lor
devine una formala.
Desi modelele matematice obtinute nu explica ntotdeauna procesul cercetat importanta lor este
foarte mare deoarece pot indica anumite trasaturi caracteristice ale acestuia. n practica, la stabilirea unor
modele matematice parametrice trebuie avute n vedere urmatoarele doua etape mai importante:
- alegerea formei generale a expresiei analitice a modelului cu care se doreste aproximarea datelor
experimentale disponibile;
- determinarea celor mai probabile valori ale parametrilor modelului.
Pna n prezent, nsa, nu se dispune de o regula generala n baza careia sa se aleaga cea mai
potrivita forma a unei expresii analitice. De aceea, se considera ca alegerea celei mai probabile forme, care
sa fie utilizata cu usurinta n problemele de predictie, depinde de experienta si intuitia cercetatorului.
O orientare generala pentru alegerea formei expresiei matematice cu care se doreste sa se
modeleze anumite date experimentale poate fi furnizata de reprezentarea grafica. n acest scop se poate utiliza
sistemul de coordonate cartezian sau alt sistem special de coordonate (semilogaritmice, logaritmice) si,
eventual, graficul astfel obtinut sa fie comparat cu alte grafice ale caror expresii analitice sunt cunoscute. La
construirea unor astfel de grafice trebuie avut grija sa se aleaga o scalare corespunzatoare iar graficul sa
furnizeze maximul posibil de informatii, adica sa nu fie deformat printr-o alegere nepotrivita a unitatilor.
Prin reprezentarea grafica a seriei de date se depisteaza si eventualele valori aberante, datorate unor
factori accidentali, si care trebuie sa fie nlaturate pentru a nu afecta procesul de estimare a
componentelor si parametrilor modelului.
n ceea ce priveste determinarea parametrilor modelelor, n general nu exista dificultati daca se alege
metoda corespunzatoare fiecarui caz concret si n corelatie cu tipul datelor experimentale disponibile. n
plus, pentru fiecare metoda se poate determina si precizia de estimare, evident n sens probabilistic. Totusi,
trebuie subliniat faptul ca structura modelului obtinut va fi aproximativa deoarece tipul de model si situatia
n care acesta apare n practica reprezinta o propr ietate a lumii fizice, si prin urmare determinarea
acestuia nu poate fi realizata numai cu argumente pur matematice.
Un sistem poate fi descris n mai multe moduri, sau, altfel spus, cu
ajutorul diferitelor clase de modele. Pentru a formaliza problema trebuie introduse o serie de

ipoteze asupra mecanismului generator de date.

Teoria proceselor stohastice joaca un rol esential n analiza, modelarea si predictia seriilor de timp.
Din acest punct de vedere o serie de timp poate fi tratata ca o realizare a unui proces stohastic. Multe din
seriile de timp care apar n practica pot fi descrise utiliznd modele stationare. n ipoteza ca procesul
stohastic este stationar, conceptual, seria de timp poate fi tratata ca o realizare a raspunsului procesului
stohastic la o intrare necorelata de tip zgomot alb. n acest fel, o serie de timp stationara poate fi considerata
ca prelungindu-se pe o durata nelimitata de timp. n analiza ei, momentul de referinta poate fi oricare.
Cercetnd seria dinamica pe orice interval de timp trebuie sa se obtina aceleasi valori tipice (medie,
dispersie, functie de autocorelatie etc). Pentru descrierea unor astfel de serii de timp se poate folosi clasa
modelelor stohastice monovariabile ARMA. Deoarece modelarea unei astfel de serii de timp se face, n
general, pe baza unei realizari unicat a procesului stohastic atunci numai simpla ipoteza de stationaritate
a procesului stohastic este insuficienta pentru ca modelul sa fie reprezentativ. Pentru aceasta, ipoteza de
stationaritate trebuie completata cu ipoteza de ergodicitate a procesului stohastic stationar. Proprietatea
de ergodicitate a unui proces stationar consta n faptul ca fiecare realizare separata a acestuia constituie un
"reprezentant autorizat" al ansamblului de realizari posibile, adica fiecare din realizarile posibile ale
procesului stohastic stationar are aceeasi probabilitate de aparitie. Cercetarile teoretice au demonstrat ca o
clasa destul de mare a proceselor stohastice stationare se bucura de proprietatea de ergodicitate. Practic,
verificarea ipotezei de erodicitate se poate realiza printr- o analiza de corelatie.
De cele mai multe ori nsa, ipoteza de stationaritate este n mod evident infirmata, valorile succesive
ale seriei de timp observate constituind o realizare a unui proces stohastic nestationar. Caracteristic pentru
aceste serii de timp nestationare este faptul ca ele manifesta o anumita tendinta sistematica de dezvoltare n
timp. Din punct de vedere metodologic, astfel de serii de timp trebuie sa fie transformate, cu ajutorul unor
tehnici speciale, n serii de timp care pot fi modelate ca realizari ale unor procese stohastice stationare.
Reprezentarea grafica a unei serii de timp evidentiaza cele mai importante caracteristici
ale datelor acesteia : prezenta sau absenta tendintei, existenta unor discontinuitati etc. O forma de
analiza a unei serii de timp este reprezentata de descompunerea evolutiei seriei pe baza a trei componente.
Sub actiunea unui sistem complex de factori, n cadrul unei serii de timp se identifica urmatoarele
componente:
y t [t ] - tendinta generala (componenta neperiodica/trend): este o variatie ntr- o directie specifica ce se
mentine o perioada ndelungata de timp. Izolata de celelalte componente ea indica evolutia procesului.
y c [t ] - componenta ciclica: este formata din variatii regulate care apar n ntreaga evolutie a
procesului. Aceasta componenta poate fi compusa dintr- o suma de variatii periodice de perioade diferite.
y a [ t ] - componenta stohastica stationara (aleatoare): este formata din fluctuatii de mare frecventa
ce determina caracterul aleator al seriei de timp.
Dupa cum s-a mentionat, tendinta generala indica evolutia procesului, fiind rezultatul actiunii
factorilor de lunga durata (cresterea continua a consumului de electricitate, cresterea populatiei
globului, diminuarea populatiei ocupata n agricultura n cadrul populatiei active etc). Pentru
modelarea conceptuala a mecanismului generator al unei astfel de serii de timp nestationare n medie exista
mai multe posibilitati. Aceste variante de modelare sunt determinate de ipotezele introduse asupra
naturii factorilor ce induc acest tip de nestationaritate. Ipoteza cea mai putin restrictiva este de-a considera
ca factorii determinanti ai tendintei neperiodice sunt de natura aleatoare, n timp ce considerarea
acestor factori de natura pur determinista presupune restrictia cea mai severa. Atunci cnd nu exista motive
ntemeiate pentru o optiune sau alta se poate alege o modelare de compromis, considerndu-se ca tendinta
neperiodica este determinata de actiunea simultana a factorilor de natura determinista si stohastica.
Modelarea unui proces stohastic nestationar avnd numai componente neperiodica stohastica si
aleatoare se poate realiza cu ajutorul unui model mai general dect modelul ARMA(na,nb ), asociat
proceselor stohastice stationare, si anume modelul de tip ARIMA(na,nb,d). Forma polinomiala a acestui
tip de model este:

unde:

Ecuatia (5) evidentiaza faptul ca procesul descris prin modelul (1) poate fi obtinut prin integrarea de
d ori a procesului stationar descris de modelul (3) (fig. 3.3).

Fig. 3.3
Acesta este motivul pentru care modelul (2) este denumit model AutoRegresiv Integrat si de Medie
Alunecatoare. Pentru d>0, seria de timp y[t] reprezinta iesirea unui filtru liniar instabil, a carui intrare este
o secventa de tip zgomot alb.
n concluzie, seriile de timp care descriu o comportare nestationara n medie pot fi stationarizate prin
diferentiarea observatiilor de d ori. Evident ca pe lnga problemele de identificare asociate modelului
ARMA apare un parametru suplimentar de estimat, si anume ordinul operatorului de diferentiere, d.
n unele aplicatii, ipoteza unei tendinte neperiodice pur stohastica nu este pe deplin justificata. n
acest caz este mai realist sa se considere ca tendinta generala are si o componenta polinomiala determinista
de ordinul d.

Si n aceasta situatie modelul de tip ARIMA(na,nb ,d) poate fi nca utilizat prin adaugarea unui termen
independent. Astfel, daca se considera ca exista si o tendinta neperiodica pur determinista de tipul (6) se
onstata ca prin aplicarea operatorului de diferentiere de ordinul unu polinomului de aproximare se obtine un
polinom de aproximare avnd un grad cu un ordin mai mic. Prin generalizare se obtine:

n concluzie, introducerea constantei p0 n cadrul modelului (1) asigura formarea automata, prin
integrare, a tendintei polinomiale de ordinul d:

Un astfel de mecanism generator de date poate fi reprezentat ca n fig. 3.4.

Fig. 3.4
Numeroase serii de timp din practica prezinta o comportare periodica (ciclica). O astfel de serie are o
evolutie care se repeta dupa fiecare c intervale de timp, unde c>0. Aceste modificari periodice sunt rezultatul
actiunii unor factori care au o regularitate ncepnd de la o zi (traficul orar la metrou pe parcursul unei
zile) si pna la nivelul unui an. Unul din cele mai frecvent ntlnite moduri de comportare periodica l
constituie variatia sezoniera a seriei, n special n cazul seriilor de timp din domeniul economiei, afacerilor
si stiintelor sociale. Ele sunt generate de diferentele naturale dintre anotimpuri, de obiceiurile specifice din
diferitele luni ale anului, de cereri si oferte cu caracter sezonier (productia si consumul de racoritoare,
productia si consumul de gaze naturale etc).
Elementul esential n cadrul unei serii de timp avnd componenta ciclica de perioada c l constituie
similaritatea observatiilor separate prin c intervale de timp:

Daca se considera, din nou, ca factorii cauzali ai variatiei periodice a seriei de timp sunt de
natura stohastica atunci tehnica de stationarizare a unei serii de timp prin diferentiere, utilizata n cazul unei
serii nestationare avnd componenta neperiodica, poate fi utilizata si n cazul seriilor de timp cu componenta
ciclica. Dar, spre deosebire de cazul anterior, cnd se utiliza operatorul de diferentiere nesezonier,
= 1 q 1 , ce asigura diferentierea seriei de la un interval de esantionare la altul, y[t ] = y[t ] y[t 1] , in
aceasta situatie se va utiliza operatorul de diferentiere ciclica, c = 1 q c , ce asigura diferentierea seriei
de la o perioada la alta:
c y[t ] = y[t ] y[t c]
(10)
Notnd cu D gradul de diferentiere ciclica a seriei atunci diferentele de ordin D ale seriei pot fi
scrise sub forma:
D c y c [t ] = (1 q 1 ) D y c [t ]

(11)

Forma generala a unui model ARIMA ciclic este similara unui model ARIMA neperiodic, avnd structura
din fig.3.5:

Fig. 3. 5
n cazul cnd seria de timp nestationara contine att componenta neperiodica ct si componenta
ciclica modelul (12) reprezinta numai componenta sezoniera, avnd la intrare un zgomot corelat. Notnd
acest tip de zgomot cu e[t], modelul devine:

Acest model reprezinta un model multiplicativ ARIMA(na,nb ,d)(nac ,bb c ,D), unde (na ,nb ,d)
precizeaza ordinele neperiodice, iar (nac,bb c,D) precizeaza ordinele periodice (fig.3.6).

Fig. 3.6
Odata stationarizate seriile analizate etapa urmatoare consta n identificarea modelului acestora
(structura si parametri). Dupa obtinerea modelului seriei si a valorilor de predictie ale seriei de timp
stationarizate, urmeaza sa se efectueze transformarea matematica inversa, pentru obtinerea valorilor de
predictie ale seriei originale nestationare.
O alta metodologie de analiza a seriilor de timp realizeaza intr-o prima etapa descompunerea
aditiva a seriei nestationare n cele trei tipuri de componente:

I n acest caz se presupune ca tendintele neperiodica si ciclica sunt de natura determinista (fig. 3. 7).

Fig. 3.7
n acest fel, n procesul de analiza si interpretare a unei serii dinamice se introduce o ipoteza
simplificatoare, considerndu-se ca modul de a se comporta al fiecareia din cele trei componente este
determinat de grupe diferite de factori cauzali independenti. n practica, o astfel de ipoteza se dovedeste,
uneori, nerealista, tendintele fiind de cele mai multe ori stohastice. Totusi, este extrem de dificil de afirmat
daca o schimbare n nivelul seriei se datoreaza unei tendinte stohastice sau deterministe.
n acest sens, desi n scopuri strict analitice descompunerea si izolarea componentelor seriei de
timp constituie un procedeu necesar si esential aceasta nu nseamna ca s-a reusit si identificararea si izolarea
cauzelor complexe care au dat nastere n exclusivitate la evolutia de ansamblu a procesului si determina,
totodata, variatiile locale de scurta sau lunga durata. n general, un astfel de rezultat nu se poate obtine, data
fiind conexiunea, dialectic interdependenta, a tuturor cauzelor ce actioneaza asupra unei serii de timp.
n concluzie, un prim obiectiv al acestei metodogii de analiza si modelare, l constituie
descompunerea seriei pe elemente componente. Modelarea elementelor componente se realizeaza n trei
etape distincte de calcul estimativ, determinndu-se componenta neperiodica, y t [t ] , componenta ciclica y c [t ]
si componenta aleatoare y a [ t ] .
Pentru modelarea acestor semnale se pot utiliza diferite tipuri de parametrizari. Semnalele deterministe
sunt analizate si modelate cu ajutorul tehnicilor specifice de prelucrare numerica, n timp ce semnalele
stohastice, considerate realizari ale unor procese stationare ergodice, sunt analizate si modelate cu ajutorul
tehnicilor specifice analizei statistice.
n final, predictia seriei originale se realizeaza prin sumarea valorilor de predictie obtinute pentru
componentele deterministe si stohastica ale seriei.
n continuare vor fi prezentate aspectele de analiza, modelare si predictie ale unei serii de timp,
considerndu-se ca mecanismul generator de date poate fi structurat conform modelului conceptual prezentat
n fig. 3.7. n acest sens, se considera ca alegndu-se o perioada de esantionare corespunzatoare, , s-a
observat evolutia unui proces de-a lungul unui interval de timp [0,T].
n acest fel se dispune de un sir de observatii, y 0 [t] , unde t = 1, N , N = T .
Pentru simplificarea notatiilor se va considera perioada de esantionare normata, adica = 1 .
n acest caz seria de timp initiala supusa analizei si modelarii va fi notata {y 0 [ t ] }

t =1, N

. Daca aceasta

serie de timp discreta contine cel putin o componenta determinista atunci ea se constituie ntr- o
realizare a unui proces stohastic nestationar, monitorizat pe intervalul [0,T]. Aprioric se considera ca prin
identificarea componentelor deterministe si apoi eliminarea valorilor simulate ale acestora se obtine o serie
de timp stationara ergodica.

Conceptul general de tendinta neperiodica sintetizeaza teoretic evolutia larga, lina si implicit
continua a ntregului proces analizat. Daca n urma reprezentarii grafice a seriei se constata ca aceasta are cel
putin o tendinta de evolutie de ansamblu de medie nenula se impune modelarea si eliminarea acestei
componente neperiodice.

Bibliografie
[1] Gh. Mihoc, C.Bergthaller - Procese stohastice - elemente de teorie si aplicatii- , Ed.
stiintifica si enciclopedica, Bucuresti, 1978.
[2] G. Goodwin, K.Sang Sin, Adaptive Filtering Prediction and Control, Prentince-Hall, Englewood
Cliffs, New Jersey, 1984
[3] M.Tertisco, P.Stoica, Th. Popescu, Modelarea si predictia seriilor de timp,
Editura Academiei Republicii Socialiste Romnia, Bucuresti, 1985
[4] Th. Popescu, S. Demetriu, Practica modelarii si predictiei seriilor de timp.
Metodologia Box-Jenkins, Editura Tehnica, Bucuresti, 1991
[5] T. Andrei, S. Stancu, Statistica. Teorie si aplicatii, Editura All, Bucuresti1995
[6] D. Stefanoiu, Identificarea experimentala a sistemelor. Serii de timp, ndrumar de
laborator, Facultatea Automatica si Calculatoare, Bucuresti, 1996
[7] Th. Popescu, Serii de timp. Aplicatii n analiza sistemelor, Editura Tehnica, Bucuresti, 2000

10