25 puncte

A#2.2
25 p

Se consider urmtorul model polinomial al tendinei unei serii de timp afectate

de o perturbaie de msur:

y[ n] = a + bn + v[ n] , n N ,
unde a i b sunt parametrii necunoscui (cu valori reale). n urma unui
experiment econometric, se obine setul de date msurate D = { y[ n]}n= N ,N ,
unde N 2 .
4 p

4 p

2 p

15 p

a. Exprimai valorile estimaiilor a i b oferite de MCMMP atunci cnd se

folosete jumtate din setul de date msurate: D1/2 = { y[ n]}n=1,N .
~
b. Exprimai valorile estimaiilor a~ i b oferite de MCMMP atunci cnd se
folosete ntregul set de date msurate D = { y[ n]}n= N ,N .
c. Se presupune c perturbaia care afecteaz msurtorile este un zgomot
alb: v za ( 0, 2 ) . Indicai, dac este posibil, care dintre perechile de
estimaii de mai sus este eficient din punct de vedere statistic, fr a
efectua o comparaie numeric ntre ele.
d. Indicai rspunsul de la punctul precedent printr-un raionament riguros
bazat pe o comparaie de tip numeric.
(ED-8, E-4.16)

Indicaie
n calculele aferente, se pot utiliza urmtoarele egaliti:
N

n =
n =1

N ( N + 1) ;
2

n
n =1

N ( N + 1)( 2 N + 1) .
6

A#2.2-1/1

15 puncte

A#2.3.
15 p

1 p
3 p

2 p
7 p

2 p

Se consider un model de identificare exprimat n forma de regresie liniar i

se dorete determinarea parametrilor necunoscui ai acestuia folosind
MCMMP, plecnd de la un set finit de date achziionate din procesul asociat. n
acest context, urmtoarele ipoteze se consider verificate:
I1 vectorul regresorilor este perfect determinist;
I2 estimaia oferit de MCMMP este corect definit;
I3 perturbaia este un zgomot alb, de medie i dispersie necunoscute, cu
media nenul.
a. Testai consistena estimaiei parametrilor necunoscui i artai c ea nu se
mai verific.
b. Artai cum se poate rectiga consistena estimaiei parametrilor folosind
procedeul centrrii datelor pe medie i determinai noile expresii ale
estimaiilor parametrilor necunoscui, mediei zgomotului i dispersiei
acestuia.
c. Continu zgomotul centrat pe media sa s fie alb? Argumentai rspunsul.
d. Artai c dac se folosete MCMMPPE (MCMMP cu Parametri Extini)
pentru rectigarea consistenei estimaiei parametrilor, rezultatele sunt
identice cu cele de la punctul b.
e. Dac s-ar pune problema implementrii uneia dintre cele dou tehnici
analizate anterior, care dintre ele ar putea fi preferat? Argumentai
rspunsul.
(PS-20, E-4.13)

A#2.3-1/1

10 puncte

A#2.4

a. Fie A i B dou matrici ptrate de aceai dimensiune, cu B inversabil.

def

Artai c matricea P =
I
10 p

I
este pozitiv semi-definit dac i numai dac
B

A B 1 0 i B > 0 .
(E-4.7)

Indicaie
Se construiete matricea (inversabil):
def
0
I
,
Q = 1
I
B

i se arat c matricea QT PQ este pozitiv semi-definit. Proprietile A B 1 0 i B > 0

rezult atunci din pozitiv semi-definirea matricii QT PQ . Reciproc este aproape evident.
7 p

b. Folosind rezultatul de la punctul precedent, demonstrai proprietatea de

eficien a estimaiei oferite de MCMMP, enunat n Teorema
fundamental a MCMMP.
(E-4.8)

Indicaie

~ ~
~
~
= AY conduce la proprietatea = AV .
~
Apoi, se evalueaz matricea de auto-covarian a erorii de estimare pentru i se compar cu
, folosind proprietatea de la punctul
matricea de auto-covarian a erorii de estimare pentru

Se arat mai nti c orice estimaie nedeviat

precedent.

A#2.4-1/1

20 puncte

A#2.5
20 p

Fie {rk }k0,K o secven finit de scalari reali care verific proprietatea:
K

r
k =1

r0
.
2

Folosind proprietatea transferului densitii spectrale prin sisteme liniare, artai

c aceast secven poate reprezenta irul covarianelor ieirii unui proces de
tip MA[K].
(ES-4, E-2.27)

A#2.5-1/1

15 puncte

A#2.6.
15 p

a. Plecnd de la definiia original a operatorului de mediere statistic, artai c

proprietatea de consisten implic proprietatea de nedeviere asimptotic.
Prin aceasta, se va demonstra de fapt c operatorul E comut cu operaia
de evaluare a limitei, lim :
N

lim E{ N } = E lim N =

(PS-12, E-2.18)

Indicaie
Se recomand utilizarea definiiei limitei din Analiza matematic.
5 p

b. Folosind punctul precedent, artai c o estimaie este consistent dac i

numai dac are lor proprietatea:

lim P( N ) = 0 .

(PS-13, E-2.19)

A#2.6-1/1

20 puncte

A#3.1

Se consider un proces stocastic modelat de urmtoarea ecuaie cu diferene:

y[ n] + ( a 1) y[ n 1] ay[ n 2] = e[ n ] , n N ,

20 p

unde 0 <| a |< 1 i e za ( 0, 2 ) .

2 p
5 p
5 p

5 p
3 p

a. S se studieze stabilitatea procesului folosind testul Schr-Cohn

b. S se determine funcia de auto-covarian a ieirii procesului.
c. S se propun o procedur de identificare a parametrilor necunoscui a i
2 , din N N date msurate la ieirea procesului, folosind funcia de
auto-covarian evaluat la punctul precedent.
d. S se identifice parametrii necunoscui a i 2 , din N N date msurate la
ieirea procesului, folosind MCMMP.
e. S se efectueze o comparaie ntre cele dou metode de identificare de la
punctele c. i d., din punctul de vedere al efortului de calcul implicat.
(PS-11, E-2.31)

A#3.1-1/1

8 puncte

A#3.2
8 p

Dezvoltai relaiile iterative ale MMEP n cazul modelului de tip BJ:

y[n] =

B ( q 1 )
F (q

u[n] +

C ( q 1 )

D (q

e[n] , n N ,

unde e za ( 0, 2 ) . Analizai consistena estimaiilor, prin analogie cu cazul

modelului ARMAX.
(E-4.40)

A#3.2-1/1

25 puncte

A#3.3

Fie urmtorul proces stocastic de tip ARX[1,2]:

y[ n] + ay[ n 1] = b1u[ n 1] + b2u[ n 2] + v[ n] , n N ,

25 p

unde parametrii a i b1 sunt nenuli, iar semnalele implicate sunt nule pentru
momente de timp negative. Procesul funcioneaz ntr-un context definit de
urmtoarele ipoteze:
I1 Stabilitate: 0 <| a |< 1 .
I2 Intrarea este necorelat cu perturbaia: E{u[ n]v[ m]} = 0 , n, m N .
I3 Intrarea este un zgomot alb de medie nul i dispersie unitar, adic:
u za (0,1) .
Pentru identificarea parametrilor necunoscui plecnd de la un set de date
D = {u[ n]}n=1,N { y[ n]}n=1,N , se apeleaz la MVI. Vectorul instrumentelor este de
tip nefiltrat:
def

z[ n] = [ u[ n 1] u[ n 2] u[ n 3]] , n N .
T

Fr a folosi Teorema fundamental a MVI, deducei un ansamblu de condiii

suficiente de consisten a estimaiei parametrilor necunoscui i oferii o
interpretare a acestor condiii. Corespund ele cu acelea rezultate prin aplicarea
Teoremei fundamentale a MVI? Dac nu, explicai de ce.
(DS-2.3, E-4.24)

A#3.3-1/1

20 puncte

A#3.4
20 p

Se consider urmtorul proces stocastic de tip ARX[1,1] afectat de un zgomot

nu neaprat alb:

y[ n] + ay[ n 1] = bu[ n 1] + v[ n] , n N ,
cu notaii cunoscute. Procesul funcioneaz n contextul definit de urmtoarele
ipoteze:
I1 Stabilitate: 0 <| a |< 1 .
I2 Intrarea se transfer la ieire: b 0 .
I3 Intrarea nu este corelat cu perturbaia: E{u[ n]v[ m]} = 0 , n, m N .
Ieirea neperturbat a procesului se noteaz prin x . Mai precis:
bq 1
x[ n] =
u[ n] , n N .
1
1 + aq
def

n vederea identificrii procesului, se achiziioneaz un set de date

D = {u[ n]}n=1,N { y[ n]}n=1,N i se apeleaz la MVI, cu urmtorul vector al
instrumentelor:
z[ n] = [ x[ n 1] u[ n 1]] , n N .
def

14 p

a. Artai c vectorul z conduce la aceeai estimaie ca i vectorul:

def

z[ n] = [ u[ n 1] u[ n 2]] , n N ,

T

n care:
def

u[ n] =
6 p

1
u[ n] , n N .
1
1 + aq

b. Dac s-ar pune problema implementrii MVI, care dintre cei doi vectori ar fi
mai indicat? Argumentai rspunsul.
(DS-3.2, E-4.21)

A#3.4-1/1

15 puncte

A#3.5
15 p

Dezvoltai relaiile algoritmului optimizat al MVI-R (cu fereastr

dreptunghiular) pentru un model ARX[na,nb]. (n exprimarea algoritmului final
optimizat, se va ine cont de forma particular a modelului de identificare.) Cum
poate fi iniializat acest algoritm?
(E-4.67, E-4.68)

Indicaie
Pentru a deduce versiunea optim a algoritmului MVI-R, se poate utiliza urmtoarea lem din Teoria
Matricilor (un caz particular al Lemei Sherman-Morrison):

( A bcT ) = A1
1

A#3.5-1/1

A 1bcT A 1
.
1 cT A 1b

15 puncte

A#3.6
15 p

Determinai densitatea spectral y i valoarea ry [3] corespunztoare unui

model de identificare stabil, de tip ARMA[1,1], afectat de un zgomot alb cu
media nul i dispersia unitar.
(ES-1, E-2.24)

A#3.6-1/1

7 puncte

A#4.1
7 p

Se consider un proces de tip ARMAX avnd intrarea necorelat cu perturbaia,

aceasta fiind un zgomot alb de medie nul. Intrarea are un ordin de persisten
suficient de mare astfel nct matricea E{[ n] T [ n]} s fie inversabil. Artai
c dac se folosete MCMMPE ideal pentru estimarea parametrilor (adic
prin intermediul unui model ARX cu polinoame infinite), estimaiile vectorului
parametrilor necunoscui i a dispersiei sunt consistente.
(E-4.36)

A#4.1-1/1

15 puncte

A#4.2
15 p

Deducei relaiile recursive ale algoritmului adaptiv al MVI (MVI-R). Analizai

maniera de iniializare i convergena ctre valorile adevrate ale parametrilor.
Este algoritmul MCMMP-R un caz particular al algoritmului MVI-R?
(PS-21, E-4.62)

Indicaie
Pentru a deduce versiunea optim a algoritmului MVI-R, se poate utiliza urmtoarea lem din Teoria
Matricilor (un caz particular al Lemei Sherman-Morrison):

(A + bc )

T 1

= A 1

pe care o putei verifica pe cale direct.

A#4.2-1/1

A 1bcT A 1
,
1 + c T A 1b

20 puncte

A#4.3

Se consider urmtorul proces stocastic neliniar:

y[ n] = aebn+v[ n ] , n N ,

20 p

unde a i b sunt parametrii necunoscui (cu valori reale), iar v este o

perturbaie oarecare. n urma unui experiment econometric, se obine setul de
date msurate D = { y[ n]}n=1,N , unde N 1 . Este posibil estimarea parametrilor
necunoscui folosind MCMMP? Dac da, s se exprime valorile estimaiilor i,
n cazul n care v za ( 0, 2 ) , s se analizeze consistena acestora. Dac nu,
s se argumenteze rspunsul de o manier riguroas.
(DS-1.3, E-4.78)

Indicaie
n calculele aferente, se pot utiliza urmtoarele egaliti:
N

n =
n =1

N ( N + 1) ;
2

n
n =1

N ( N + 1)( 2 N + 1) .
6

A#4.3-1/1

25 puncte

A#4.4

Se consider urmtorul proces stocastic furnizor de date, de tip OE:

bq 1
y[ n] =
u[ n] + e[ n] , n N ,
1
1 + aq

25 p

unde a i b sunt parametrii necunoscui (cu valori reale). Procesul

funcioneaz n contextul definit de urmtoarele ipoteze:
I1 Stabilitate: 0 <| a |< 1 .
I2 Intrarea se transfer la ieire: b 0 .
I3 Intrarea este un zgomot alb ( u za ( 0, 2 ) ), necorelat cu perturbaia
( E{u[ n]e[ m]} = 0 , n, m N ).
I4 Perturbaia este un zgomot alb ( e za ( 0, 2 ) ).
n urma unui experiment econometric, se obine setul de date msurate
D = {u[ n]}n=1,N { y[ n]}n=1,N , unde N 1 .
5 p

15 p

5 p

a. Dac modelul de identificare se exprim sub forma unui model ARX[1,1]

afectat de un zgomot colorat, s se determine estimaiile celor 2 parametri
necunoscui din datele msurate, notate prin a i b , folosind MCMMP.
b. Artai c a este o estimaie inconsistent (sub-estimat) i b este o
estimaie consistent.
c. Artai c modelul cu parametri estimai (ARX[1,1]) continu s fie stabil la
limit (adic pentru N ).
(DS-1.2, E-4.19)

A#4.4-1/1

12 puncte

A#4.5
12 p

Calculai toi coeficienii de reflexie succesivi din cadrul Testului de stabilitate

Schr-Cohn pentru polinomul:

A ( z 1 ) = 1 + 2 z 1 + 3 z 2 + 4 z 3 + 5 z 4 .
 ( z 1 ) ?
Este acest polinom stabil? Dar polinomul A
(E-2.29)

A#4.5-1/1

15 puncte

A#4.6
15 p

Se consider urmtoarea funcie-criteriu polinomial:

def

P( x ) = x 3 5 x 2 + 6 x , x R .

Fr a utiliza un mijloc automat de calcul, exprimai primele 3 iteraii ale MNR

cu pas constant, plecnd de la iniializarea x0 = 1 . Reluai calculele utiliznd
Metoda Gradientului cu pas constant. Care dintre extremele polinomului P este
aproximat i cu ce precizie (n ambele metode)? Efectuai o comparaie.
(E-4.26)

A#4.6-1/1

15 puncte

A#5.1.
15 p

a. Arti cum se particularizeaz algoritmii bazai pe MNR i MGN cu pas

constant n cazul modelelor de regresie liniar. Sunt identici cei doi
algoritmi? Dac nu, prin ce difer ei?
b. Generalizai rezultatul de la punctul precedent introducnd i pasul variabil.
Analizai i de aceast dat similitudinea sau diferenele dintre cei doi
algoritmi.
()

A#5.1-1/1

20 puncte

A#5.2
20 p

n cazul modelelor ARMAX, o alt versiune a MCMMPE este cea n care a

doua etap de calcul se desfoar dup un scenariu diferit. Tot MCMMP este
utilizat i n acest caz, dar estimaia nu este evaluat cu ajutorul relaiilor
clasice, ci prin determinarea pseudo-soluiei urmtorului sistem (incompatibil):

 ( q 1 )
A ( q 1 ) = C ( q 1 ) A

1
1 
1
B
q
=
C
q
B
q
(
)
(
)
(
)

~
~
unde A i B sunt polinoamele determinate n prima etap de calcul. Sistemul
poate fi adus la forma matricial urmtoare:
~
~,
=
 R ( n+ n+ 2 nc )( na + nb+ nc ) i vectorul  R n+ n+ 2 nc sunt definite cu
unde matricea

 i B
 . Pseudo-soluia sistemului este
ajutorul coeficienilor polinoamelor A
atunci urmtoarea (folosind MCMMP):
~ ~ 1 ~ ~
= T T
.

Particularizai aceast tehnic de identificare pentru cazul unui proces de tip

ARMA[1,1] i indicai expresiile finale ale celor doi parametri necunoscui n
 i B
.
funcie de coeficienii polinoamelor A
(E-4.38)

A#5.2-1/1

10 puncte

A#5.3
10 p

Dai exemplu de un semnal armonic al crui ordin de persisten este egal cu

4 i nu poate fi egal cu 5. Folosind una dintre proprietile semnalelor
persistente, deducei ecuaia recursiv pe care o verific acest semnal n
domeniul timpului. Ce semnificaie are faptul c valorile semnalului se pot
exprima recursiv?
(ED-2, E-3.5)

A#5.3-1/1

15 puncte

A#5.4

Deducei relaiile recursive ale algoritmului adaptiv al MCMMP cu fereastr

exponenial (MCMMP-R). Analizai maniera de iniializare i convergena
ctre valorile adevrate ale parametrilor. Este algoritmul clasic MCMMP-R un
caz particular al algoritmului MCMMP-R?

15 p

(E-4.64)

Indicaii
Se va pleca de la urmtorul criteriu ptratic ponderat de o fereastr exponenial:
n
V ( ) = N n 2 [ n, ] = N n ( y[ n] T [ n] ) , R ,
def

unde

n =1

n =1

(0,1] .

Pentru a deduce versiunea optim a algoritmului MCMMP-R, se poate utiliza urmtoarea lem din Teoria
Matricilor (un caz particular al Lemei Sherman-Morrison):

(A + bb )

T 1

= A 1

pe care o putei verifica pe cale direct.

A#5.4-1/1

A 1bbT A 1
,
1 + bT A 1b

25 puncte

A#5.5

Fie C N = {( xn , yn )}n1,N

o mulime de N

perechi de coordonate planare

nenegative (adic situate n primul cadran al spaiului bidimensional). Se

consider de asemenea ecuaia general a unei elipse centrate n origine:

25 p

x y
+ = 1,
a b
unde a > 0 i b > 0 sunt semi-axele acesteia. Se dorete determinarea elipsei
care se situeaz cel mai aproape de toate punctele din plan definite prin
coordonatele C N , n sensul minimizrii erorii ptratice globale:
def

V ( ) = 2 [ n, ] ,
n =1

cu [ n, ] distana Euclidian dintre punctul de coordonate ( xn , y n ) i punctul

de pe elips coliniar cu acesta i cu originea. Evident, n acest context,
T = [ a b] . Determinai sistemul de ecuaii verificat de semi-axele elipsei i
artai c acestea sunt de asemenea soluii ale ecuaiei:

xn2 + yn2
=
2
2
n =1 uxn + vy n
N

n =1

xn2 + yn2
uxn2 + vyn2

unde: u = 1 / a 2 i v = 1 / b 2 sunt dou transformri inversabile n primul cadran.

(E-4.3)

Indicaie
Scriei ecuaiile pentru rezolvarea problemei de optimizare:

= arg min V () ,
R 2+

apelnd la MCMMP, dup exprimarea convenabil a distanei

[ n, ] n funcie de datele C N i parametrii

= [ a b] . Pentru simplificarea acestor ecuaii, se recomand utilizarea transformrilor inversabile din

T

enun.

A#5.5-1/1

8 puncte

A#5.6

Se consider contextul de identificare definit n Teorema fundamental a

8 p

MCMMP, alterat doar de faptul c perturbaia este un zgomot alb de dispersie

2 , dar de medie nenul v . Se achiziioneaz doar 2 perechi de date:

{[1], y[1]} i {[ 2], y[ 2]} , care descriu comportamentul procesului studiat. n

urma aplicrii unuia din cele dou remedii (centrarea datelor pe medie,
respectiv MCMMPPE), este rectigat consistena estimaiei oferite de
MCMMP, dar zgomotul alb devine colorat. Pentru a rectiga i eficiena
estimaiei, se apeleaz la estimatorul Markov. Deducei ecuaia echivalent a
procesului furnizor de date de la care se pleac n cazul estimatorului Markov.
~
Mai precis, exprimai vectorul datelor de ieire msurate Y i cel al matricii
~
regresorilor n funcie de vectorul iniial al datelor de ieire msurate Y ,
respectiv de matricea iniial a regresorilor . Este estimatorul Markov uor de
implementat n acest caz simplu? Justificai rspunsul.
(E-4.14)

Indicaie
Cheia acestui exerciiu o constituie descompunerea Cholesky a matricii (matricea de auto-covarian a
zgomotului, matrice care are doar 4 elemente), dup rectigarea consistenei. Pentru a evalua aceast
descompunere, se va rezolva ecuaia = U T U , unde U este o matrice superior triunghiular.

A#5.6-1/1

20 puncte

A#6.1

a. Fie C N = {( xn , y n )}n1,N o mulime de N perechi de coordonate planare

nenegative (adic situate n primul cadran al spaiului bidimensional). Se
consider de asemenea ecuaia general a unei elipse centrate n origine:

20 p

x y
+ = 1,
a b

unde a > 0 i b > 0 sunt semi-axele acesteia. Se dorete determinarea

elipsei care se situeaz cel mai aproape de toate punctele din plan definite
prin coordonatele C N , n sensul minimizrii erorii ptratice globale:
def

V ( ) = 2 [ n, ] ,
n =1

cu [ n, ] distana dintre ordonata y n i punctul de pe elips corespunztor

abscisei xn . Evident, n acest context, T = [ a b] . Evaluai ecuaia pe care o
verific parametrul a i valoarea parametrului b n funcie de a .
Indicaie
Scriei ecuaiile pentru rezolvarea problemei de optimizare:
= arg min V () ,
R 2+

apelnd la MCMMP, dup exprimarea distanei

[ n, ] n funcie de datele C N i parametrii

= [ a b] .
T

10 p

b. Folosind MNR cu pas variabil, s se exprime relaiile iterative cu ajutorul

crora se poate aproxima soluia ecuaiei semi-axei a a elipsei de la punctul
precedent. Precizai de asemenea testul de stop i o iniializare natural.
(E-4.4, E-4.31)

Indicaie
nainte de a determina relaiile iterative cerute, se recomand ca ecuaia semi-axei s fie
simplificat printr-o transformare inversabil ajuttoare.

A#6.1-1/1

7 puncte

A#6.2
7 p

Artai c, dac se folosete aproximarea Taylor de ordin I a erorii de predicie:

[ n, ] [ n, k ] + [[ n, k ]] ( k ) , n N ,
T

pentru a evalua gradientul criteriului ptratic:

def

V ( ) = 2 [ n, ] ,
n =1

se obine procesul iterativ care descrie Metoda Gauss-Newton (MGN), plecnd

de la Metoda Newton-Raphson (cu pas variabil) (MNR). Reamintim c
expresiile acestui proces iterativ au fost obinute prin alt procedeu, cunoscut
sub numele de aproximare a matricii Hessiene. Care ar fi avantajul utilizrii
MGN fa de MNR n Identificarea Sistemelor?
(E-4.35)

A#6.2-1/1

15 puncte

A#6.3

Deducei relaiile recursive ale algoritmului adaptiv al MVI cu fereastr

exponenial (MVI-R). Analizai maniera de iniializare i convergena ctre
valorile adevrate ale parametrilor. Sunt algoritmii MCMMP-R, MCMMP-R i
MVI-R cazuri particulare ale algoritmului MVI-R?

15 p

(E-4.65)

Indicaii
Se va pleca de la urmtorul criteriu ptratic ponderat de o fereastr exponenial:
n
V ( ) = N n 2 [ n, ] = N n ( y[ n] T [ n] ) , R ,
def

n =1

n =1

unde (0,1] . Dei etimaia oferit de MVI nu minimizeaz un criteriu (ci este o definiie), acest criteriu poate
sugera forma acesteia n versiune off-line.
Pentru a deduce versiunea optim a algoritmului MVI-R, se poate utiliza urmtoarea lem din Teoria
Matricilor (un caz particular al Lemei Sherman-Morrison):

(A + bc )

T 1

= A 1

pe care o putei verifica pe cale direct.

A#6.3-1/1

A 1bcT A 1
,
1 + c T A 1b

10 puncte

A#6.4

Se consider un proces stocastic descris de ecuaiile urmtoare (n forma de

regresie liniar):

10 p

P ( ) :

y[ n] = T [ n] + v[ n] , n N ,

cu notaii cunoscute. Modelul de identificare asociat este exprimat tot n forma

de regresie liniar:
M ( ) :

y[ n] = T [ n] + [ n, ] , n N ,

unde eroarea de predicie are proprietatea: [ n, ] = v[ n] , n N . Pentru

identificarea parametrilor necunoscui se pleac de la un set de date
achiziionate: D = {[ n]}n=1,N { y[ n]}n=1,N , cu N N .
Procesul funcioneaz n contextul urmtoarelor ipoteze:
def

I1 Matricea R = [ n]T [ n] este inversabil, dar nu neaprat determinist.

n =1

I2 Perturbaia este un zgomot alb: v za 0, ( ) , dispersia

2

necunoscut.

( )

fiind

I3 Perturbaia este o variabil aleatoare normal distribuit: v N 0, ( )

(cu aceeai dispersie).

Demonstrai c estimaiile parametrilor i dispersiei ( ) oferite de MVM
2

sunt identice estimaiilor corespunztoare oferite de MCMMP. Interpretai acest

rezultat cu referire la consistena estimaiilor.
(PS-19, E-4.43)

A#6.4-1/1

15 puncte

A#6.5
15 p

Un proces armonic (oscilator) stocastic permite achiziionarea unui set de date

de ieire { yn }n1, N C . Pentru a identifica acest proces, se propune un model
tot de tip armonic, dar afectat de un zgomot alb complex, model ale crui
ecuaii sunt urmtoarele:
2 kn
K
j

P
y
[
n
]
=
a
e
+ eRe [ n] + jeIm [ n]

k = K

E {eRe [ n]eRe [ m]} = 2Re 0 [ n m]

, n, m Z ,

2
E {eIm [ n]eIm [ m]} = Im 0 [ n m]

E {eRe [ n]eIm [ m]} = 0

unde:
K N este indicele structural al modelului;
P 2 este perioada modelului;
{ak }k K ,K C sunt parametrii modelului;

2Re , 2Im R+ sunt dispersii ale zgomotului alb perturbator.

7 p

a. Presupunnd c indicele structural i perioada modelului sunt cunoscute, s

se estimeze parametrii modelului, dispersiile zgomotului alb i SNR
corespunztor datelor de ieire, cu ajutorul MCMMP.
Not
n cazul semnalelor cu valori complexe, SNR se va calcula utiliznd numai magnitudinea
acestora (valoarea absolut), prin raportul celor dou dispersii (a semnalului i a zgomotului
estimat).

1 p

5 p

b. Care credei c este perioada maxim ( Pmax ) ce se poate stabili pentru un

astfel de model?
c. Urmrind paii unui experiment de identificare i cunoscnd c indicele
structural este mrginit de o valoare K max , propunei o procedur de
obinere a unui model armonic adecvat, n care SNR s joace rolul de
criteriu de adecvan. (Modelul adecvat va avea: un indice structural
optimal K 0 0, K max , o perioad optimal P0 0, Pmax i parametrii optimali
estimai {a 0 }
, 2 , 2 ).
k k K , K

2 p

Re,0

Im,0

d. Dac oscilatorul stocastic emite numai date cu numere reale, indicai o

condiie suficient pe care trebuie s o verifice parametrii modelului astfel
nct i el s opereze numai cu numere reale.
()

A#6.5-1/1

28 puncte

A#6.6

Se consider urmtorul proces stocastic furnizor de date:

y[ n] = u[ n 1] + u[ n 2] + v[ n] , n N ,

28 p

unde att intrarea ct i perturbaia sunt zgomote albe independente:

u za ( 0, u2 ) , v za ( 0, 2v ) . Pentru a identifica acest proces, se achiziioneaz
datele D = {u[ n]}n=1,N { y[ n]}n=1,N

(cu N 3 ) i se apeleaz la modelul

ARX[1,1] de forma:

y[ n] + ay[ n 1] = bu[ n 1] + e[ n] , n N ,
unde perturbaia are proprietatea e za ( 0, 2e ) i este necorelat cu intrarea.
Modelul este stabil i nebanal ( 0 <| a |< 1 , b 0 ).
3 p
3 p

10 p

12 p

a. Exprimai estimaia oferit de MCMMP pentru parametrii a i b .

b. Exprimai estimaia oferit de MVI pentru parametrii a i b , n cazul
vectorului cu instrumente nefiltrate.
c. Analizai stabilitatea la limit a celor dou modele estimate anterior (adic
pentru N ) i efectuai o comparaie. Din punctul de vedere al
implementrii, care ar fi avantajul utilizrii MVI n faa MCMMP?
d. n urma unui mare numr de experimente de identificare, se ajunge la
concluzia c un alt model valid ar fi urmtorul (de tip FIR[2]):

x[ n] = u[ n 1] + u[ n 2] + v[ n] , n N .
Este posibil echivalarea dintre modelele ARX[1,1] i FIR[2], n acest
context? Dac da, determinai parametrii a , b i 2e n funcie de u2 i 2v .
Dac nu, argumentai de ce.
(ED-7, E-4.46)

Indicaie
Reamintim c dou procese sunt echivalente dac densitile spectrale ale ieirilor lor sunt identice.

A#6.6-1/1

5 puncte

O#I.1
5 p

Un proces stocastic ofer posibilitatea msurrii directe a unuia dintre

parametrii si. Desigur, valorile msurate ale acesteia sunt afectate de
perturbaii. Mai precis, acestea verific ecuaia:

y[ n ] = + v[ n] , n N ,
unde R este parametrul necunoscut, iar v este o perturbaie oarecare.
Plecnd de la setul de date achiziionate D = { y[ n]}n=1,N (cu N 1 ), s se
exprime estimaia oferit de MCMMP pentru parametrul msurat. Dac
v za ( 0, 2 ) , s se exprime i estimaia oferit de MCMMP pentru dispersia
necunoscut a zgomotului perturbator. Interpretai rezultatele obinute.
(E-4.44)

O#I.1-1/1

5 puncte

O#I.2
5 p

Fie un sistem de tip FIR a crui funcie pondere are lungimea M . Se cunoate
c timpul mort al sistemului are valoarea m < M . Care este ordinul minim de
persisten al unui semnal de intrare cu ajutorul cruia se pot determina
valorile secvenei pondere? Justificai rspunsul i determinai valorile
secvenei pondere utiliznd o intrare cu ordin minim de persisten.
(E-3.10)

O#I.2-1/1

5 puncte

O#I.3
5 p

Deducei ecuaiile generale ale Metodei Gradientului cu pas variabil pentru

cazul general al unei funcii-criteriu cel puin derivabile. Indicai un test de stop
implementabil. Particularizai aceste relaii pentru orice funcie-criteriu de
variabil scalar, cel puin derivabil. Indicai un avantaj i un dezavantaj al
Metodei Gradientului dac este utilizat n Identificarea Sistemelor.
(E-4.33)

O#I.3-1/1

5 puncte

O#I.4
5 p

Dezvoltai etapele MCMMPE pentru determinarea unui model de proces de tip

ARMA (cu perturbaia zgomot alb de medie nul i dispersie necunoscut),
folosind raionamentul din cazul modelului ARMAX. Deducei un set de condiii
suficiente de consisten a estimaiilor parametrilor i dispersiei zgomotului.
(E-4.37)

O#I.4-1/1

5 puncte

O#I.5
5 p

n unele publicaii de specialitate, funcia de auto-covarian este exprimat

folosind o variant modificat a Ipotezei Ergodice, dup cum urmeaz:
def

ry [ k ] = y[ n] y[ n k ]
nZ

Cu aceast definiie, demonstrai Identitatea Wiener-Kintchine de mai jos,

pentru orice secven discret care admite Transformat Fourier:
2

Y ( e j ) = y ( ) , R .
(Au fost folosite notaiile cunoscute.) Ce semnificaie credei c are aceast
identitate?
(ED-2, E-2.17)

O#I.5-1/1

5 puncte

O#I.6
5 p

Fie un sistem liniar discret invariant la deplasri temporale, stabil, caracterizat

de funcia pondere h . Dac u i y sunt semnalele de intrare, respectiv ieire
ale sistemului, nu neaprat deterministe, demonstrai urmtoarea proprietate a
densitilor spectrale:
uy () = H ( e j )u () , R .

Cum poate fi folosit aceast identitate n Identificarea Sistemelor? n acest

context, specificai o alt identitate n frecven folosit de o manier similar i
comparai cele dou tehnici de identificare.
(PS-7, E-2.16)

O#I.6-1/1

5 puncte

O#P.1
5 p
2.5 p

2.5 p

Folosind Ipoteza Ergodic, artai c funciile de auto-corelaie i corelaie sunt

mrginite att n timp continuu ct i n timp discret. Mai precis, demonstrai
urmtoarele inegaliti (cu notaiile cunoscute):
n timp continuu:

y ( ) 1 &

u , y ( ) 1 , R ;

y [k ] 1 &

u , y [ k ] 1 , k Z .

n timp discret:

(PS-4, E-2.4)

Indicaii
n calculele aferente, n cazul timpului continuu, se poate utiliza inegalitatea Cauchy-Buniakovski-Schwartz
(cunoscut i sub numele de inegalitate a triunghiului).
n cazul timpului discret, se poate utiliza fie aceeai inegalitate, dar adaptat, fie, mai interesant, densitatea
spectral de putere (recomandat).

O#P.1-1/1

5 puncte

O#P.2
5 p

Un proces stocastic ofer posibilitatea msurrii directe a unuia dintre

parametrii si dup ecuaia:
y[ n] = + v[ n] , n N ,
unde R este parametrul adevrat (necunoscut), iar v este o perturbaie
oarecare. Artai c dac perturbaia este neautocorelat, de medie nul, cu

distribuie Gaussian (adic v za 0, ( ) N 0, ( ) ), atunci ieirea

procesului are proprietatea: y za , ( ) + ( ) N , ( ) .

2

(E-4.42)

O#P.2-1/1

5 puncte

O#P.3
5 p

Dezvoltai relaiile iterative ale MCMMPE n cazul modelului de tip OE:

B ( q 1 )
y[ n] =
u[ n] + e[ n] , n N ,
1
A( q )

unde e za ( 0, 2 ) . Analizai consistena estimaiilor.

(E-4.39)

O#P.3-1/1

5 puncte

O#P.4

Fie un FTJ discret cu pulsaia de tiere c (0, ) . Acesta este stimulat cu

5 p

armonica elementar u[ n] = e ju n , n Z , unde u (0, ] . Evaluai spectrul

semnalului de ieire n funcie de cele dou pulsaii ( c i u ), apoi comentai
rezultatul obinut.

def

(E-3.2)

Indicaie
Pentru a evalua spectrul semnalului de ieire, se poate folosi urmtoarea identitate, obinut prin extinderea
definiiei OF la clasa semnalelor discrete periodice:

e
nZ

j n

= 20 () , R (impulsul Dirac).

O#P.4-1/1

5 puncte

O#P.5

Fie un sistem de tip FIR a crui secven pondere h are dimensiunea M

( {h[ m]}m1,M ). Se stimuleaz sistemul cu un semnal u i se obine semnalul de

5 p

ieire y . Artai c:
3 p

a. dac u Sp [ M ] i totui y 0 , atunci h 0 ;

b. dac u Sp [ m] , cu m < M , atunci se poate construi o secven pondere
nebanal h , de dimensiune M , astfel nct y 0 .

1 p

c. Interpretai cele dou proprieti.

1 p

O#P.5-1/1

5 puncte

O#P.6
5 p
2 p

2 p

Se consider un model de identificare exprimat n forma de regresie liniar i

se dorete determinarea parametrilor necunoscui ai acestuia folosind
MCMMP, plecnd de la un set finit de date achziionate din procesul asociat.
a. Formulai problema de optimizare ptratic i deducei expresia estimaiei
oferite de MCMMP prin anularea gradientului criteriului ptratic.
def
def
1 N
1 N
b. Dac se introduc notaiile naturale: 2 = y 2 [ n] , R = [ n]T y[ n] i
N n=1
N n =1
N
def
1
r = [ n] y[ n] , folosind criteriul ptratic, artai c:
N n=1

2 rT R 1r .
1 p

c. Interpretai inegalitatea anterioar.

(E-4.5, E-4.6)

O#P.6-1/1

25 puncte

A#1.1
25 p

Ieirea unui proces stocastic este afectat de dou zgomote albe necorelate:

v za ( 0, 2v ) i w za ( 0, 2w ) , cu dispersiile 2v i 2w cunoscute. n urma unor

experiene asupra procesului, se constat c un model al perturbaiilor ce l
afecteaz este urmtorul:

x[ n] = w[ n] + v[ n] + v[ n 1] , n N ,
def

unde = w / v . Analizai dac este posibil echivalarea acestui model cu un

model de tip MA[1] descris de ecuaia:

y[ n] = e[ n] + ae[ n 1] , n N ,
unde e za ( 0, 2e ) , iar coeficientul necunoscut are proprietatea (de stabilitate):

0 <| a |< 1 . Dac ai ajuns la concluzia c modelele pot fi echivalate, artai cum
se exprim parametrii necunoscui a i 2e n funcie de parametrii zgomotelor
v i w . Dac modelele nu pot fi echivalate, argumentai rspunsul i ncercai
s gsii un alt model echivalent, din clasa ARMAX.
(DS-3.3, E-2.23)

Indicaie
Reamintim c dou procese sunt echivalente dac densitile spectrale ale ieirilor lor sunt identice.

A#1.1-1/1

15 puncte

A#1.2
15 p

Funcia de auto-covarian a unui proces stocastic staionar poate fi estimat n

dou moduri, plecnd de la N date msurate la ieirea acestuia:
1 N
def
y[n] y[n k ] , k 0
ry [ k ] = N n = k +1

, k <0
ry [ k ]

7 p

N
1
def
y[n] y[n k ] , k 0
sau ry [ k ] = N k n = k +1
.

, k <0
ry [ k ]

Fie M N arbitrar fixat.

a. Artai c matricea:
ry [1]
ry [0]

y [1]
ry [0]
def r


RM =
#
#

ry [ M ] ry [ M 1]

8 p

ry [ M ]

" ry [ M 1]
R M +1 ,

%
#


"
ry [0]
"

dei de tip Toeplitz simetric, nu este n mod necesar pozitiv semi-definit.

Ce semnificaie are aceast proprietate?
b. Artai c matricea de tip Toeplitz simetric:
ry [1]
ry [0]

y [1]
ry [0]
def r

RM =
#
#

ry [ M ] ry [ M 1]

ry [ M ]

" ry [ M 1]
R M +1 ,

%
#

"
ry [0]
"

este ntotdeauna pozitiv semi-definit. Ce semnificaie are aceast

proprietate?
Indicaie
La punctul a., este suficient s se gseasc un contra-exemplu pentru M = 1 i

N =4.
(ES-3, E-2.6)

A#1.2-1/1

12 puncte

A#1.3
12 p

4 p

Fie un sistem liniar stabil, descris de secvena pondere real h .

a. Folosind identitatea lui Poisson din cazul timpului continuu:
+

j t

d = 20 (t ) ,

t R ,

verificai egalitatea lui Parseval:

+

1
2
2
H ( j ) d = h(t ) dt .

6 p

b. Folosind proprietatea transferului densitii spectrale prin sisteme liniare din

cazul timpului discret, verificai egalitatea lui Parseval:
+

2
1
H ( e j ) d = h 2 [ n ] .

2
nZ

2 p

c. Furnizai cte o interpretare a egalitilor de la punctele precedente.

(DS-2.2, E-2.9)

A#1.3-1/1

15 puncte

A#1.4
15 p

Deducei relaiile recursive ale Metodei Newton-Raphson cu pas variabil pentru

cazul general al unei funcii-criteriu de dou ori derivabile, cel puin. Indicai un
test de stop implementabil. Particularizai aceste relaii n cazul unei funcii
criteriu de variabil scalar, de dou ori derivabile, cel puin. Indicai avantajele
i dezavantajele acestei metode n contextul Identificrii Sistemelor.
(E-4.28, E-4.29)

A#1.4-1/1

8 puncte

A#1.5

Se consider un proces stocastic de tip ARX[na,nb], descris de ecuaia:

P ( ) : A ( q 1 ) y[n] = B ( q 1 ) u[n] + v[n] , n N ,

8 p

cu notaii cunoscute. Pentru identificarea parametrilor necunoscui se pleac

de la un set de date achiziionate: D = {u[n]}n=1, N { y[n]}n=1, N , cu N N .
Procesul funcioneaz n contextul urmtoarelor ipoteze:

I1 Modelul matematic al acestuia este parsimonios, adic: A ,B = 1 .

I2 Semnalul de stimul u are ordinul de persisten suficient de mare (cel
puin na+nb) astfel nct estimaiile oferite de MVI cu vectori ai
instrumentelor definii folosind numai acest semnal s fie corect definite.
I3 Perturbaia v aparine clasei za (0, 2 ) i nu este corelat cu semnalul de
stimul ( E{u[ n]v[ m]} = 0 , n, m N ).
I4 Perturbaia v este independent statistic de semnalul de stimul.
Dac se alege un vector parial filtrat al instrumentelor de forma:
[ n] = [u f [ n 1] u f [ n 2] " u f [ n na ] | u[ n 1] u[ n 2] " u[ n nb]] ,
def

unde:
def

u f [ n] =

B ( q 1 )

A (q

u[ n] , n N ,

demonstrai c estimaia oferit de MVI pentru parametrii necunoscui este la

fel de eficient ca i estimaia oferit de MCMMP.
(E-4.23)

Indicaie
Pentru a demonstra aceast proprietate, se va utiliza urmtoarea aproximaie:
def
2
N

1
T
P( N ) 2 R 1 E { [ n]T [ n]} R T cu R = E [ n] [ n] .
N
n =1

A#1.5-1/1

20 puncte

A#1.6
20 p

Un proces stocastic ofer posibilitatea msurrii directe a unuia dintre

parametrii si. Desigur, valorile msurate ale acestuia sunt afectate de
perturbaii. Mai precis, procesul furnizor de date verific ecuaia:

y[ n] = + v[ n] , n N ,
unde R este parametrul adevrat (necunoscut), iar v este o perturbaie
exprimat cu ajutorul unui model MA[1]:

v[ n] = e[ n] + c e[ n 1] , n N .
Parametrul adevrat necunoscut c este nenul, iar perturbaia e este un
zgomot alb ( e za 0, 2 ), cu dispersie de asemenea necunoscut. Se

achiziioneaz un set finit de date D = { y[ n]}n=1,N (cu N 1 ), n vederea

2 p

2 p

8 p

8 p

estimrii parametrilor , c i 2 .
a. Se poate utiliza MCMMP pentru estimarea parametrilor necunoscui? Dac
rspunsul este afirmativ, determinaii estimaiile acestora folosind MCMMP.
Dac rspunsul este negativ, argumentai-l.
b. Exprimai valoarea parametrului adevrat folosind ecuaiile procesului.
Plecnd de la aceast expresie i folosind Ipoteza Ergodic, artai cum
poate fi el aproximat.
c. Folosind punctul b., deducei expresiile estimaiilor oferite de MCMMPE
pentru cei 3 parametri necunoscui, considernd c modelul intermediar
aproximant al procesului este de tip AR[1] (cu un singur parametru).
d. Analizai consistena estimaiilor de la punctul c.
(E-4.45)

A#1.6-1/1

15 puncte

A#2.1
4 p

Fie un sistem liniar discret stabil, descris de secvena pondere h .

a. Deducei rspunsul sistemului la intrarea armonic determinist:
u[ n] = U 0 sin( 0 n ) , n Z ,

15 p

unde U 0 > 0 este amplitudinea i 0 > 0 este pulsaia acesteia. Ce

proprietate interesant relev rezultatul pe care l-ai obinut?
3 p
8 p

b. Exprimai proprietatea de la punctul a. n frecven.

c. Se consider c semnalul de intrare armonic de la punctul a. este afectat
de un zgomot alb aditiv e za ( 0, 2 ) . Deducei expresia densitii spectrale
a ieirii sistemului i efectuai o comparaie cu rezultatul de la punctul b.
(E-2.20)

A#2.1-1/1