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 a 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).
p(x1(t1), x2 (t2 ),xk (tk )) = p(x1, x2 ,xk )
Se poate ns defini 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 x1,x2,.....xi,...xN, cnd numrul acestora
este foarte mare (N->), adic:
mx(t1)=mx(t2)=.....=mx=const
R(t1,)=R(t2,)=....=R()=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 x1,x2,...xi,...xN.



Se constat existena unui proces nestaionar (fig.a) cu mxconst i a unui proces staionar
(fig.b) cu mx=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
mx(t) = const = mx
Valoarea medie ptratic (momentul de ordin 2) este constant n timp
m x
2
(t) = const = mx
2

Dispersia (momentul centrat de ordin 2) este constant n timp

2
x(t)= const =
2
x
Funcia de autocorelaie (momentul asociat de ordin doi) depinde numai de
parametrul :
Rxx (t1, t2 ) = Rxx ()
Funcia de autocovarian (momentul centrat asociat de ordin 2) depinde numai de
parametrul :
Kxx (t1, t2 ) = Kxx ()
n acest caz, relaia de legtur dintre parametrii statistici devine:
Kxx ()= Rxx ()- mx
2

Mai mult, pentru =0, relaia de mai sus devine:
Kxx (0)= Rxx (0)- mx
2

Deoarece =0 implic t1=t2=t, relaia anterioar este echivalent cu relaia:

2
x=mx
2
-m
2
x
Pentru cazul particular al unui proces staionar cu media zero, mx=0, din ultimele
dou ecuaii rezult c dispersia procesului este egal cu valoarea funciei de autocorelaie
n origine, adic:
Kxx (0)= Rxx (0)= mx
2
=
2
x

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

Analiza Fourier a semnalelor stohastice. 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.


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 mx=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 je
e ) ( ) (
Reprezentarea semnalului n domeniul temporal se poate face sub forma
}
+

= e e
t
e
d e j X t x
t j
) (
2
1
) (
n acest caz valoarea medie ptratic pe intervalul T (puterea medie a semnalului pe o
sarcin unitar) poate fi determinat astfel:
}
}
} }
+

+


+

=
(

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

e e e
t
e e
t
e
d j X j X
T
d dt e t x j X
T
T
t j
T
) ( ) (
2
1 1
lim ) ( ) (
2
1 1
lim
} } }
+


+

+


=
(

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

+

= ) (
2
1
) (
2 2

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 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, nu poate fi calculat transformata
Fourier, X(j), motiv pentru care se determin transformata Fourier pe axa real n care se
individualizeaz un interval de timp simetric, egal cu T.


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

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


Mrimea S() reprezint densitatea spectral a mediei ptratice a realizrii x(t) sau
densitatea spectral de putere a semnalului iar mrimea X2 ( j) se numete densitate
spectral de energie a
semnalului.
Se observ c semnificaia ei fizic este aceea a unei puteri medii elementare,
ntruct integral acesteia pe tot domeniul pulsaiilor furnizeaz o valoare proporional cu
puterea medie total, coninut n semnal.

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


unde M este operatorul de mediere.

A doua definiie a densitii spectrale de putere (Relaiile Wiener - Hincin)

Definiia densitii spectrale de putere pentru cazul proceselor stohastice staionare
este foarteasemntoare 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 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

atunci prin aplicarea transformatei Fourier direct se obine:

Notnd t+= se obine d=d, iar e
-j(-t)
= e
-j
e
-jt
. Atunci:



adica:

Atunci funcia de autocorelaie poate fi exprimat sub forma:



Ultimele dou formulele sunt cunoscute ca fiind relaiile Wiener-Hincin.
Deoarece Sx() i Rxx() sunt funcii pare, relaiile anterioare pot fi exprimate i sub
forma:



n locul densitii spectrale de putere, exprimat prin Sx(), se folosete mrimea
adimensional normalizate sub forma:


Condiia de echivalen a celor dou definiii
Dup cum s-a artat, pentru un proces stohastic staionar, prima definiie a
densitii spectral de putere a fost formulat sub forma:

Lema: Pentru o funcie arbitrar f(.) are loc relaia de integrare:


Demonstraie
Prin schimbarea de variabil =t-s, ds=-d se obine :


Noua regiune de integrare n planul -t este prezentat mai jos:

Dac se schimb ordinea de integrare atunci pentru [T,0] limitele de integrare
ale variabilei t devin T/2 respectiv + T/2; de asemenea, pentru (0,T] limitele de
integrare ale variabilei t sunt T/2i respectiv T/2.
Se obine:


Densitatea spectral de putere a unei realizri a procesului stohastic poate fi
exprimat astfel:


Atunci conform primei definiii a densitii spectrale de putere se poate scrie:


Conform lemei demonstrat anterior relaia de mai sus este echivalent cu:


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

se obine densitatea interspectral de putere, Sxy(j):


adic:

i respectiv

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


Exemple de semnale aleatoare special
Procese stohastice de tip zgomot alb. Caracterizare frecvenial
Pentru descrierea i caracterizarea proceselor stohastice sub aspectul structurii
interne se folosesc doi parametrii fundamentali: densitatea spectral de putere i funcia de
autocorelaie.
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
spectral de putere pentru toate frecvenele.

n fig.a. se prezint graficul densitii spectrale de putere S(), 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 Sx()=S0, atunci funcia de autocorelaie are forma:

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.


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 de mai jos.

Funcia de autocorelaie se deduce aplicnd transformata Fourier invers:

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 c. Filtrele trece-jos reale atenueaz considerabil
frecvenele nalte ns nu pot 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.

Matematic, aceste funcii se exprim prin relaiile:

sau

n care = 1/TF este un coeficient care indic lrgimea benzii de frecvene pentru funcia de
densitate spectral. Variaiile n timp ale unor asemenea semnale cu coninut diferit de
frecvene sunt reprezentate n figura de mai jos.

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

Substituind aceast valoare n relaia densitii spectrale de putere aceasta devine:


Dac se are n vedere c

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


n baza acestei relaii se pot reprezenta funciile de autocorelaie ale semnalelor
(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.

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 Rx() descrete mai lent la creterea timpului de
corelare .
Dac se are n vedere faptul c

atunci n cazul semnalelor staionare ergodice de medie nenul, mx 0 , rezult cteva
proprieti ale funciei de autocorelaie:



Cunoscnd valorile acestei funcii, determinat experimental cu ajutorul
corelatoarelor automate (analogice sau numerice), se pot determina puterea total a
semnalului, Rxx(0), valoarea medie i dispersia
2
x
=R
xx
(0)-R
xx
().


Pe lng aceste informaii privind parametrii procesului 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,
, funcia de autocorelaie tinde ctre ptratul valorii medii, (mx)2, (figura anterioar), 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, , la o funcie periodic
de (figura de mai jos). Pe baza acestor performane ale funciei de autocorelaie, Rxx(),
pot fi evideniate sau extrase semnale periodice ascunse ntr-un proces stohastic staionar.



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