Modelare si Simulare

curs-l
cap.l. Introducere

l.l.ObiectuI cursului

cursul de Modelaresi simulareseocupecu studiulprincipiilor, metodelor$i tehnicilorprin

care obiectedin lumea real5, fenomene,operatii si instalatiitehnologice,(numite generic
procese), s\rfi reprezentatematematicSi apoianalizate indirect fiilizdnd tehnica de calcul.
Modelareasi simulareasunt,intr-un mod specific,etapeesentiale,necesare,in majoritatea
' activititilor
umane.
Astfel, in general,separcurgurmatoarele etape:

) analizade sistem- implicl formulareaproblemei,precizareascopurilor,delimitarea

dintre ,,sistemul"studiatgi,,mediu" (tot ceeace este,,exterior,,sistemului).Se pun in
evidenli mdrimilecaracteristice, factorii specificig.a.m.d.
F modelare- se determindrela{iile dintre mdrimile caracteristice,se construie$teo
,,imagine"a obiectuluireal , un model,,simplificat,,al procesuluiconsiderat.
) simulare- presupuneefectuarea unor ,,experimente,, cu modelul, testareasi validarea
modelului, prevedereaevolutiilorviitoare;
F decizie..actiune- in carepe bazarezultatelor experimentelorde simulare se determind
acfiuni, seiau decizii ( inclusivdeciziide conducere)etc.

Fig.1.Etape

Indiferentcareestescopulunei activitef umaneralionale,dup6precizareasi delimitarea

problemei, analistulia in considerareo seriede factori pe care-iconsideriimportanti si
construiesteo imagineproprie,un,,model''al procesului iespectiv.
Modelul constituiedeci, o reprezentare simplificati" aproximativda realitatii, in care se
ignori in mod voit ( sau poateinvoluntar)o serie de detalii, dar care este considerat
satisfdcdtorin raport cu obiectilul propus.Folosindacestmodel, analistul incearcdsd
prevadd,si deducdcum se vor desfbsurafenomenele,realizandastfelun,,experimentde
simulare".
In func1iede rezultatese pot lua decizii (inclusiv decizii de conducere),se stabilesc
actiunietc.
Modelare si Simulare

1.2.Sistem.Stare.Model.Simulare

Sistem.
In general in domeniul tehnic, un sistem este definit ca un obiect sau ansamblude
entitili, de elementeinterconectate,ce inieraclioneazalntr-un anumit mod pentru a realiza
un obiectiv, un scop,cu anumiteperformanle.
In particular, in automatici, obiectul din lumeareald, fenomenul,procesultehnologic,
instalali4 senume$tesistem(fizic)
Tot_ceecs nu apartrnesistemului faceparte din lurnea exterioard(mediu).
Linia de separafe dintre sistem gi mediu pune in evidenti mirimile de intrare I -
mdrimi ,,catut' (u) 9i mnrimile de iegire E - mdrimi ,,efecf' (y), determinateprin
catzalitatea i ntrar e-i eSire.

Fig.2.I-+ E

obs. Sistemuldepindeesentialde de obiectivelestudiului, analizni; ceeaceintr-un caz

este considerat un ,,sistem", in alt context poate fi doar un
,,subsistem,,componental
unuia rrai complex.
Stare.
Starea x(t) a unui sistem, se defineste ca fitnd, informalia rninimd necesard.Ia w
moment dat de timp l, care impreund cu intr[rile ulterioare a(t) determind univoc
,
evoluliaiegirilory(r).
Mullimea tuturor variabilelor de stare Qiniar independente) formeazl vectorul de
,
starexft).
Model.
In domeniul qtiinlelor tehnice, experimentur $i observaua ( misurarea) constituie
aspecteesentialepentru un model ce seelaboreazliterativ.
In ultimr instanti, elaborareaunei teorii reprezint[ construireaunui moder(verbar sau
matematic) al realitiitii.
; Mgdelul este replezentareaintr-o formd utilizabili, a cuno$tinlelor,a aspectelor
D.'f..
esentialeale unui sistem.

. ObservaJia 1. Modelul este o reptezentare simplifcatd, deci aproximativd a

sistemuluireal. Nu e de reguli nici posibil, nici necisar s6 se realizele o descriere
amdnunrtii a tuturor mecanismelorintemer E suficient czt tnoalelul se reproilucd,
si
mrmeze, suficient de exactcomportareasistemuluireal.
Modelare si Simulare

Observalia2- Existi multetipuri de modele$i anume:

Y modelefizice (,,empirice"sau ,,la scari redus6,'- de exemplu in domeniul
chimiei, elaborareaunei noi tehnologii se incepe ctt faza de ,,micropilot" a
instalatiei,candsetesteaza procesultehnologicpe acestmodelfizic urmandca
apoi si serealizezeinstalalia industrial6).
D modelefenomenologice(,,conceptua1e" - sistemelereale respective sunt
descriseprin anumiteIegi fizice )
D modelefunclionale (,formale" - sistemul e reprezentatprin relalii funclionale,
schemefunctionale)

Observalia 3. Modelul trebuiesd fie intr-o ,,form[ utilizabiln,,,deoarecemodelul nu

esteun scopin sine.El constituiedoaro bazi pentruanalizd,pentruluareadeciziilor;in acest
sensmodelultrebuie si fie de o complexitatecdt mai redusein concordantacu obiectivele
studiului.

Simulare.

Definifie. simularea este o metodd experimental-apLicativdprin care se realizeazi, se.

implementeazS,de obicei pe un calculator, un model al unui sistem reaTin vedercaana'Iizei
indirecte a acesttia.
Modelare'agi simulareasuntinstrumentede analu,d. a sistemului.Simulareaesteutila
lr specialin cazurile in care analiza directd esteimposibild:
' sistemulnu areincl o dxisten]trreald ( estein faza de proiectare)
' sistemul nu poate fi pus la dispozilia analistului pentru experimentiri directe (ex. in
aviatie)
' elista pericolul producerii unor pagube prin experimentaredirecti (ex.
baraj
hidroenergetic)
' sistemulestecaracterizatprin evolulii foartelentein timp - ( ex. de ordinul lunilor,
anilor- cazulsistemeloreconomice,sociale)
r nu pot fi generatedirect condiliile de experimentare ( ex. comportareadinamicaa
unei clidiri in cazulcutremurelor).

E*Derimente cu
un model ol
si*temului

Fig.3.De lo *i3tem In aimulEre

Modelare si Simulare

Dezavantajelesimuliirii

I Nu se pot obtine solulii, rezultate,foarte exacte,pentru c6 principial modelele

sunt imperfecte( modelelefiind aproximdri ale lumii reale,materiale).
. Exist6 erori (in precrzareadatelor, a parametrilor, a condidilor de simulare)
carenu pot fi in totalitatecompensate.
. In cantl proceselor foarte complexe, modelul de simulare poate deveni mai
complexdecdtprocesultnsuqi.
. Cel mai important dezavantaje$e acelacd nu segenereazdsolulii analitice.

l.3.CIasilicareamodelelor

Existi o mare diversitatede tipuri, de clase de modele, alegereamodului de

rer'rezentare depinzand de obiectivele studiului. Deasemenea majoritatea criteriilor de.
clasificareau dezavantajulde a nu reugisd caracterizezecomplet,in totalitate fiecaremodelin
pafie.

Criterii "
|. Dup6,natura modelului,existi modele:
. ftzice (empirice),
. fenomenologice(conceptuale),
' matematice(simbolice-formalesauanalitice).

2. Dupi, caracterul dinamic almodelului, exist[ modele

r dinamice
r statice.
in modeleledinamicevariabilelecaracteristice, stlrile, ieqiriledepind gi de ,,istorie',,de
evolulia anterioari a acestora.
Ex. model dinamic in reprezentarede stare:
l i = -f k . u . t \
{ t c p
Ll = s(x.),r)
Model dinamic in reprezentarede starein timp discret:
I x(k+l\= f (xk\.uT\.k\
ande
kez'
Iria =''roi. r:,i).i"'
"
Ex. Model static:

y = .f(u)

3.Dupdgradul de liniaritate suntmodele:

' liniare gi
' neliniare.
li=,lt+8,
cu )(A'B.C'D) pentrusistemeftzrare.
Ir=o-i'

li= f(x.u.e.i - pentrusisteme

neliniare(ttnde& estevectorulpalmetrilor)
l, ='ri,,",;,,;'
 Modelare si Simulare

Obs. O clasi specialdde modeleeste clasamodelelor liniare in parametri.

Ex: y(k)=ar (D.e
unde 4 estevectorul parametriloriar 6arestevectorul ,,obsewatiilor,,intrare-iesire

4.Existi modele:
. variante inttnp sau
I invariante in timp.

u!!.x(t),+B (t)u(t)
Ex. modelvariant in,,*o {' Q).=
= lv(t) c(t),(t)
E suficientca doaruna din matriceleA, B, C si fie dependentlde timp.
in cazul modelelor invariante in timp aplicAnd aceleagiintrari decalatecu r, se oblin
rispunsuriidentice,dar decalatecu acelagiintervalr.

u(t) -+ u(t + x) > y(t) -+ y(t + ,)

5. Dupd caracterulstruch.ral, siJ.nl

. modelefuncliotnle ( inlr:arc-iesireVE)
9i
. modqles/racturale ( lntarc-stare-iesireVS,G.).

Ex: Modele funclionale (stu l{E) sunt de np funcpie de transfer (SISO) - in domeniul
complex sau din modeleiridomeniul timp ( ec. diferentiale).
Cafunclie de transfer: r(r) =H(s).u(s)

n l i m , i

in domeniul ' lo,2 dt'=14 ffdt <- modelcu,,int^6rziere

timp: deordinulz gi
;i' fr
cu anticipare de ordinul rz".
Aplicdnd transformataLaplacese obline echivalenladintre cele douareprezentari:
y t . s l p , " 1 b 6+ l s + , . . . . . . + 6s-'
ff(s1=-:-::-r=aY
'
I/fc\ '4(
"\ a 0 + a t s + . . . . . . . +4 , . t
( neanticipareaiesirii in raport cu intrarea).
Modelele structurale sa,tI/s/E (intrare/stare/iegire): De ex. o forma echivalentapentru
modeleleanterioare(pentu a, = l) iar x(t) estestarea,poatefi t(A,B,c,D) :

t 0............0
fo o t - " - oI f0l
trl=lo |[,]*]o|,u,
. lr;;- ", ...-i.-,) li]
y =Lo0.......bh
b._t.......bol.lrl

6. Dupa caracterulcontinuu saudiscret al vadrabileiindependentetimp:

. modelecontinuegi
. modelediscrete.
- La sistemelediscretereprezentarease face pin retalii de recurenld in timp discret
(ex. modelede tip ARMAX - AutoRegressive Moving Averagewith eXogenous)
saureprezentaripolinomialeL/Ein operatorulde inlarziereq-r undeq-t1k1:1k_11 , sat:
echivalentde np funclie de tansfer in z.
Modelare si Simulare

Ex. Model ARMAX

A(q-') y(k) = B(q'1u1tcl+ c 1q-1e1tcl
A(q-')=1+ orqu+...+a*q-"
B(q^) = brqt + brq-2+...+b,uq-ib
c(q-') =1+ +...+ c,"q-'"
"rq-t
Ee(k)e(l)= )'z60&-l)
Y k , le Z
La sistemelecontinuevariabilelede intrareu(t) gi de iegirey(t) sunt functii continuein
timp.

7. Dup[ dependenla modeluluidecoordonatele geometrice,modelelesepot impirli in:

, modelecuparametri concentrali gi
. modeleat parametri distribuiti .
La modelelecu parametriconcentralimirimile variabileau aceeaqivaloareindiferentde
coordonatelegeometriceale punctuluirespectivin care sunt precizate.In modelerecu
parametri distribuili, variabilele depind si de coordonatelegeometrice dinamica
, fiind
exprimatapria ecua{ii cu derivateparfiale. De ex. in cazul unui schimbltor de cildurd de
tip tub in tub, tempemturaprodusnr'i ro 6j) depindeatat de timp cat si de coordonatax in
lungul schimbatorului:

07"(x,t\ aT-
=# =u r t# * x olr.g,t1- r 06,t1l

agentincalzitor

Fig.{.Schimbat0r
de caldura
elementar
cuparametriconcenlrati
obs. Modelele cu parametridistribuiti sunt aproximatedeseoriin automaticaprin modele
cu ttmp mort.
8. Deasemenea modelelepot fi
I parametrice sav
I nE)arametrice.
Modelele parametrice sunt caracterizate printr_un ntmfur
finit de parametri (ex.
-neparametrice
coeficientii a, , bi dn functia de transfer, pe cdnd la modelele
comportareadinamicr secaracterizeazl prin reprezentdrigrafce in do-"riirr ti-p .uu
frecventd.
Ca exemple de modele neparametrice sunt: rdspunsulpondere (la irnpuls
Dirac),
rdspunsul indicial, caracteristica de
frecvenld Q',lyquist),caracteristica Bode,
car acteistica Nic ho Is.
9. Dup6numlru]deintrariliesiri(VO)
. ModeleSISO( Single-Inpursingle-Output)
. ModeleMIMO ( Multiple-InpurMultiple_ourput)
r ModeleSIMOsi modeleMISO
 Modelare si Simulare

1.4.Model de simulare.Limbaj de simulare,Experiment de simulare

in_ca_zurilesimple, o data determinatmodelul matematic,sistemul poatefr analizat.pe baza

soluliilor analitice.in cazul modelelormai complexesoiutiaanaliticanu mai esteposibila,
fiind necesari utilizarcaunui calculator.Simulareaesteo metodi experimental- aolicativa
prin carese implementeazrpe un calculator,un modelal unui sistemieal in vedereaanalizei
indirectea acestuia.Modelul matematictrebuieinsi si aibi o reprezentare adecvatdnumiti
modelde simulare.
. Modelul de simularedepindede programulde simularesau de simulatorulutilizat. Existdo
mare diversitate de programe si medii de simulare. Actualmente, mediile de simulare
specializate,practic,nu mai necesiti elaborareade programepentruoblinereamodeluluide
simulare, ci prin interfeJegrafice utilizator ( GUI - Grapirical User Interface) asigurd
posibilitaleaselectirii prin meniuri a componentelor n""esar", realizareastructurii,definlrea
parametrilorgi executiasimulirii. Astfel de limbaje 9i medii de simularesunt: MATLAB,
MATLAB cu SIMULINI! SIMNON, LABVIEW, MATHCAD, MATHEMATICA.
MAPLE, SMAN, MSSIM (VisualSimulation).
un experimentde simulareconstdin executiape simulatora modelului de simularepentru
seturi de date $i/sauparametrispecificali.Forma de reprezentare a rezultateloreste foarte
div.ersa.'. de la ceamai simpld(tabelde valori), pani la reprezentiri2D sau3D qi utilizarea
anlmalrelpentru-reprezentarea evolulieiln timp.
In particular,simulareaesteprocesulde solutionare,de executiepe calculatora modelelorde
tip schemdbloc.
Schemelebloc sunt o componentaa unui ,,mediude programaregrafici "(vizuald)sau
,,medii
de programareorientatdpe obiecte"Qr4poO).
Celemai utilizatemedii de simularesunt:
. Matlab - Simulink (flrma Mathworks)
;
. Lab View (National Instruments)
I
. VisSim(VisualSolutions)
;
' Easy5 (Boeing)
,
. Matrixx (IntegratedSystems)
;
. MathCad, Simnon, Siman.
Toate mediile de simulareolerd 2 functii de bazd:
1. Editare graficd - pentru crearea,editareagi procesareamodelelor editorul
;
poate fi ut izat gi pentru creareamoderului int arilo., simul'rii (stabilirea
condiliilor),prezentarearezultatelor;
2 Simularepropriu-zisd - execuriamoderuruiprin iteralii succesive
; .carcur
numeric * integrareetc.
Mediile de simularegrafic[ sunt orientatepe schemabloc, deci nu este
efectiv necesarlo
,,programare" propriu-zisi.Celemai utilizatesunt:
. Matlab - Simulink
:
. VisSim.
Ex. Menu-rile Simulink, blocurile Simulink, creareaunui program.
Etape :
O >> Simulink
Funcliile disponibilein Simulink pot fi accesate prin intermediulunor
brocuri aflate in biblioteci de functii simulink. Fereastraaitiv[ permite
seleclia
(double-c1ick) unei subbiblioteci(ex. Simulinkv 1.3c).
 Modelare si Simulare

f%-l Itrr I Itrr I

I \F] I \.-l f?.t f%-l f%-l
fl
Sourcgs S i n k s
L]
Discrete Lrneaf
-_l fJ
Nonlinear
L] tr_t
ConnectionsExtras

SIMULINK
ElockLihrary(Version
1.3c)

LinearLibrary Sw Sumator
Integrator lntegrare semnal
Gain Multiplicare cu o constantaa semnalului de intrare
State-Space Reprezentareade starea unui sistem liniar
Transfer Fcn Reprezentareasub forma de fuDctie de transfer
Zero-Pole Reprezentareasub forma de poli-zerouri
@ Sedeschideo nouAfereastrepentrucreareamodelului.
New...... din meniul File ) ( sedeschideo fereasha,,untitlod,,).
@ Pentru crearea unui model blocurile necesare vor fi ,,mutate,, din
subbiblioteciin fereashaactivi prin ,,tragere',.
@ se realizeazi conexiunileintre.blocuri - (prin desenarecu mouse-urap6sat). .
,
U Seconfigureaza blocurile(sestabilescparametriispecificifiec[rui bloc)
g/ simurarea p-ropriu-zisdprin Start din meniul
Simuration (anterior fiind
stabilili ,,parametrii"de simulare- ex: stoptime).
Ex. de modelgrafic Simulink

Eile glipboafd Edit qpfions Simutarion--EVn-

Etapeleanalizeiprin simulare

Simulareaesteun procesiterativ cu urmitoarele etaoe:

1. Stabilirea cadrului simulirii - definirea iistemului de analizat,a obiectivelor,
a
variantelor care se vor aveain vedere,a criteriilor de apreciere;
2. Construireamodelului matematic(modelareaanaliticl)
3. Realizareamodeluluide simulare;
4. Definirea experimentelorde simulare(inclusiv a datelorpentru validareamodelelor);
5' Experimentulde simurare.propriu-zis (verificareagi validareamodelurui,bazati pe
experienlaa celui carerealizeazd simularea):
6. Analizaqi interpretarea rezultatelor.
 Modelare si Simulare

cap.S. Modelarea staticr a proceselor prin prelucrarea

statistici a datelor experimentale

5.1. Clasificarea metodelor de modelare statica

Aceste metode sunt deasemenea metode de conversie a modelelor neparametrice in modele

parametrice. Modelele neparamekice sunt obtinute prin experimente cu sistemul fizic cu
,
procesul real, dar se refera doar la comportarea in regim stationar a acestuia.
Metodele de determinare a modelelor statice presupun de regula, prelucrari statistice asupra
datelor experimentale pentru a elimina efectele nedorite ale perturbatiilor, zgomotelor de
masurare, de transmisie etc care au caracter aleator.
Principalele metode de modelare statica sunt bazate pe tehnici de prelucrare statistica de tip
Cele Mai mici Patrate (CMMP) fiind in esenla metode de estimare a parametrilor;
. regresialiniaramonodimensionala
. regresiamultidimensionala
. regresia neliniara
o experimentulortogonal

l:S..Ploprietifi statistice ale estimafiilor. Deviafia,.orrrrr,"nfa, eficienfa.

Fiind datunproces supus acliunii unor marimi de intrare u si perturbalii v, se cere sd
determindm un model static y :f(u) care aproximeazd suficient de bine iegirea procesului
real.

Problema estimdrii parametrilor constd in determinarea unui vector e cil mai apropiat de
vectorul real e al parametrilor procesului. ( parametrii reali 0 sunt necunoscuti). Deoarece
ieqirea procesului real y este afectatd de perturbafii care in general au caracter aleator este
importantd car acterizarea acestora prin proprietilile lor s t atistic e.
Daci X este o variabila aleatoare se introduc doud mdrimi statistice specifice:
l) Funclia de probabilitate, notatd P gi definitd ca fiind probabilitatea ca variabila aleatoare
X sd fie mai mic[ sau egald cu o valoare reald x pentru Vx e fr. Se numegte gi funclie de
probabilitate cumulativA P(X<x).
2) Densitatea de probabilitate, notatd p(x/ gi defrnitd ca probabilitat ea ca vaiabila aleatoare
X sd fie egald cu x.
 Modelare si Simulare

p(*) - r(x -x) vx e fr

p(*)=ff,v*.n

caz discret
>

Se definesc doud mdrimi statistice camcteristice:

r Moment de ordin,,k" Si
. Valoare medie de ordin,,k".

1) Momente de ordin,,k,,

Sunt definite pentru cazul discreVcontinuu :

Mk = rbo|= io,*! -> cazut discret

i=1

Mk = rbol=*i p,,*!dx -+ cazul continuu

Sunt doud momenteimportante, .., o" ordin I qi cel de ordin 2.

a) valoarea medie sa.u valoarea agteptatd (Expected value) din specfu (momentul de ordin I)
Prin definilie:

Mr=M{r}= n{tl=T
I fit o,*, -+ cazttldiscret
= p=r/t,={.-
IIJ1.. p(.\fu + cazul continuu
L--
b) dispersia sauvarianla (momentul de ordin II alvanabilei cenffat e (x = x )
Prin definitie:
l"t-\2
p.zi('i -xI tcazut discret
D(")= var(x)=r, =r{(.-IFi=]_*,
l" )
l'i(.-*Y
[-o
o@)*'!'o'-+cazut continuu
 Modelare si Simulare

2) Valori medii de ordin ,,k,,

Sunt definite ca:

vM+ =lrbolft - radical de ordin k din momentulde ordin k

Cea mai importantd valoare medie este devialia standard (abaterea pdtraticd medie) ca fiind
valoarea medie de ordinul doi a variabilei centrate:

In cazul estimdrii parametrilor, insdqi estima[ia 6 = d a parametrului (presupunem pentru

simplitate ca vectorul d se reduce la cazul scalar ) este o mhrime aleatoqi,deoarece depinde
de mdrimed ,,ffi" a realizirilor considerate in determinarea sa.

Fie h(m)= Am consi derat m realizditoate cu aceeaqi probabilitate de aparilie.

*Ett
Dacd, M>m rezult}o alta estimatie a(u)=
#X",
Pentru a compara diversele estimalii se definesc proprietdlile asimptotice ale estimaliilor.

Dacd notdm Z{a(m)} ca media probabilisticd a estima[iilor se definesc urmdtoarele

proprietdli asimptotice :

a)Deviafia (nedevierea unei estimalii)

cafiind abatercamediei fald de valoarea adevdratd, a: n{A(m)l_ a
Obs. O estimafie este nedeviatd dacd,valoarea sa medie este egald cu valoarea
adevdratd a.

b)Consisten{a.
O estimalie este consistentd dacd este micd probabilitatea ca estimali a 6(m) sd difere
de
valoarea adevdratd pentru m->6.

o
;1g;r(n{a(*)}-ol)=
c)Eficienfa - se referi la cat de mare este dispersia estimatiei
O estimare este eficientd dacd pentru orice lungime m a egantionului estimafia este de
dispersie minimd:
n[a]= n[a@)-,Tl
Este eficientd cdnd. g[a@)-o]'] este minimd.
 Modelare si Simulare

5.3. Metoda verosimilitifii maxime (VM) gi metoda celor mai mici pitrate
(cMMP)
A. Metoda verosimilitatii maxime VM

in teoria estimaliilor se demonstr eazd, cl,metoda VM este singura care determind estimalii
efictente gi nedeviate:

Conform metodei VM

6 = max{p@,a)}
(estimafia unui parametru o'a")

Presupunem ci se doreste determinarea estimatiei parametrului a din model pe

baza aN
m6suratori VE.

9-f@,a)
(T. este perioada de egantionare)

Pentru N mdsurdtori intrare/iegire:

uo: {u,Itzr...,uN}
!t: Ut,!2,...,/u|
Eroarea de determinare a iegirii:
t = !r- ir = y*- f(uo,a)=vr,pentruk:l,2,...,N
Se defineqte o'funclie de eroare":
F (e) = Ffy o - f (uo,o)l = F (v k)
Si un " criteriu de eroare" :
 -

Modelare si Simulare

l/
Vr(o) = IF(ro)
k=t
Estimafia parametrului "a" este:

d =minVr(a) = m,inf F[yo - f@o,a)]

k=t

Alegerea corectd a funcliei de eroare F se poate face doar dacd se cunosc proprietdlile
statistice (densitatea de probabilitate - p(v)): F ep(u).
Metoda verosimilitatii maxime W impune ca estimatia parametrului safie cea care
maximizeaza densitatea de probabilitate:

A = max{p@,a)}= rnir{=l} = **16 p(A,d}= min{-ln p(6,a)}

" lp(d,o)) a a

Dacd se cunoaste p(d,a) atunci putem alege:

F(v) = -1np(v*)
cu criteriul de eroare:

Tr'

V*(a) = IF(u*)
k=1

Exemplul 1:
Dacdp(u) are o distibutie normal5 (gaussianS) atunci metoda VM se reduce la
metoda celor mai mtci patrate CMMP

p(v) <- "distribulie normald" (gaussiand)

p(v), F(v)

1 -u'
p(v) = --ls zo'z
o42tr

o : abaterea pdtr aticd, medie (dev i ayi a)

d : D: dispersia

F (v ) = -tnp(v r) = tn oJ2n * * ri
d=minittnoJz
r+
1 vfl=
'- 1 minlr*' Gu-a celor mai mici pdtrate)
M

a Ei- O *z
 Modelare si Simulare

in cazul particular al distribuliei normale de probabilitate, metoda VM se reduce la metoda

CMMP:
/r'N
a= mjnllyo - i,ol' =-jn} [yo -.f (uo,a)]'

Exemnlul 2: Dacap(v) are o distributie de tip Laplace atunci metoda VM se reduce la

metoda celor mai mici module CMMM
p(v) +- distribulie tip Laplace:

tI lrl
--:-
P(v) = ^
2)."

F(v) = -ln p(vt) =ln2)".

)1"rl

RezultS, cu metoda VM:

a =ry"EFe)= mj{*c n2)"+}VrV= ***f-l= *p* lyr - f rl= *;'i1, o - f(uo,o)l

(cMMM)

in cazul particular al densitdlii de probabilitate cu distribulie de tip Laplace, metoda VM se

reduce lametoda celor mai mici module (CMMM).

Observatie:

in naturd 9i in statisticd funclion eazd legeaconform cdreia suma mai multor procese aleatoare
stalionare cu funcfii de distribulie oarecare este un proces aleator cu dfitrfbuyie normald
(gaussian6), adic5, dacd sursa erorilor, zgomotelor eite o sursd multipl6, atunci
rezult6 un
zgomot/eroare cu distribulie normald sau gaussiand
=>
Metoda verosimilitatii maxime se reduce la metoda celor mai mici patrate VM CMMp -+
=
care conduce la estimalii eficiente gi nedeviate in majoritatea canxilor practice.
Modelare si Simulare

5.4. Estimarea parametrilor modelelor statice prin metoda cMMp -

metoda regresiei Iiniare monodimensionale

Metoda regresiei monodimensionaleeste aplicarea metodei CMMP pentru modelul unui

sistem SISO, cdruia i se asociazl un model liniar:

jt(u, ao, ar) = f (u, ao, ar) = ao * aru

:-+ Y

,),...,(u*, !*)

rV

- firl' =li.r * - ao - a,urf'

k=l

2(yr - ao - a,ur) = o l*",

*(t"r)", =h!*
\'t=t
= I
2(yr - a, - a,ur)uo =o N
.(*"r),, =ZuoYo
l(X,,),, t=t

>"i -Z"rf f^ _>,"1>!t -lurluoyr

|
L_I,_ rrJlZrrl-*1"'-W
[i,. i;;]i;l [i#.] = [::]
= =
N tgt -mILI-,-r* I = 1,. = -L"ofi o *V.Luoyo
l-' N.Z"i -E,rf
 Modelare si Simulare

l- rty--
ll,trr - g),
t=r
o =ll
I w-z
(2 - rqrezintii gradele de libertate:
parametrii (ao,ar) )

|,+o+66Yo
-i^r
din date sunt
t2o -> 95o/o
incluse in acest "interval"

Observatie:

Determinarea modelului invariabile centratepune in evidenta o forma simpla

a
solutiei prin CMMP:

f- r+l o

J"=nhu*)ut=uk-i
l- lJl o

lr= *hr*)!t,=!r-!

(dreapta regresiei trece gi prin ip3ginea

arcelor cu variabile centrate)

;"
!=atu

,, =
*,{}lr-- i-]'] = r"h[ ].- o,r-]']
 Modelme si Simulare

aV.. 4 lo o\o Z;r;r

=o rlrr- at u* o =+ ar = EG
t = )- )u*=
Iii
k=l

o
,il ;l 06lro
1

(J- ;,1 a-v_ ;,1 I Ur tl =2"'r

o

MI Ml ft=l
ol
;,1 yr)

",
= = (;' &)-t u? r o forma de exprimare ce sugereaza soluth gederala a metodei
#
(cMMP)

5.5. Metoda regresiei multidimensionale

In acest caz procesul este caracterizat de mai multe intari si o iesire

MSO). Se urmareste
determinarea unui model static liniar in vartabile centrate de fonna i

U1

U2
ooo
9 = arur+ azuz*...+ anun
v"
un
Variabilele centrate:

lo
ly=y-y
f; =,, -+8 .
Vectorial:

o l-o o o''l
U =lu, ttz A u,l, decimod.etutinvariabite centrate este de forma
LI ^=fj
;.
Y =U'A

Aplicam metoda CMMP definind criteriul de eroare:

 Modelare si Simulare

v,(A)=zl;r-;r1'
'='L
Estimatia CMMP este
..J

2 =myy*(A) =-*E[; -& nf' = "r(i- t (v-t

^)' ^)

*=o *t IVT - tii A - - F0.0A J = -$,6)r- 1ry -20\) A-o

^rirt
+ -2 d'(i- & n)=o+i, & t =i, y= n=(;, U)' ;, ,
obs. - necesita inversarea matricii care uneori poate fi o problema dificila

5.6 Metoda regresiei neliniare

Modelul adoptat este neliniar in raport cu variabila de inhare uprnintennediul functiilor
neliniare e, dar este un model liniar in parametri:

! = ao * atet@) + argr(u)+ ...+ a^p^(u)

unde rp; sunt funclii neliniare; de exemplu:

ei(u) =u' +I
= do* aru+artt2 +...+ aSt^ polinomiali.
=aproximare
Problema determinarii vectorului parametrilor a serez.olva absolut similarprin metod.a
1MMP -> (avAr,...,A^)
Obs. Funclia Matlab corespunz6to ue: polyfit: a: poffit(U,y,m)

l0
Modelare si Simulare

5.7. Determinarea modelelor statice prin metoda experimentului ortogonal

(MEo)

Principiul metodei:
MEO este o metodd din cadrul categoriei de metode active de determinare a modelelor statice
prin prelucrarea statistica a datelor experimentale, mdrimile de intrare fiind modificate dupd
un anumit program de experimentdri. Acesta permite ca, folosind un numdr relativ redus de
mdsurdtori qi calcule, sd se oblind un model de o precizie acceptabili. Considerdm procesul
neliniar cu r-intrari si o iesire:

U1

tJ2

Y:(ur,...,u)

In general, in jurul punctului static de funcfionare (PSF) - (ut0,..., u,0) caracteristica staticd
neliniard, cunoscutd analitic, se poate aproxima prin dezvoltare in serie Taylor:

y(u,,u2s...,u,) = f (uro,u2o,...,uoo) *t+lffi,or,,o=o

(u, - u,o).:#l
lr ou,or,,o=o
(u, - u,o)z + ...
,=,
Caracteristica statica poate fi reprezentata printr-o serie de puteri, scopul MEO fiind acela de a
determina estimatiile 6, ,6,i ale coeficientilor necunoscuti a; , aii

!=ao+!,-o,r,*f,.o,,u!*ii,o6r,ri*...o*o
"
ri=as+faiu;*io,,ul*i,i,o,iu,ui*...
i=l i=l i=lj=t i=l j=l i=1j=1
Determinarea modelului revine deci la estimarea vectorului parametrilor a p.'in CMMP:

fao,a,,a,,,au,...f=a - *r"[t (yo - i)'1, *o..ty'este numdrul de experimente.

Pentru gradul "l'al modelului, numdrul de coeficienli necunoscuti este: s = Ct *r fiind necesare
N2s experimente.

Ex. Pt. 2rrrrrtnisi unpolinom de grad 2:)r =2;l =2+ s = C|.*z === 6 (6 coeficienli)
2.1
i = oo + a{\ + azu2 + arul + aou', + asulu2
Modelare si Simulare

k L\ u2 A 14, v
I utt uzr A urr v,
2 utz uzz A ur2 l"
M MMM M
N iltu uzu A urN !x
Pentru a putea aplica simplu metoda CMMP, punem in evidenta liniaritatea in parametri a
modelului:

9* = aouo* + aruft + a2uzk +...+ asusk

(s-au notat corespunzAtor termenii neliniari, ut2 , ui . uj , ....important fiind ca modelul sa fie
liniar tn parametri).
S-a notat deasemenea, pentnr uniformitata, Lt1k: I ( o intrare "fictiva" egald cu 1).

*oo,=ol )v*'" =flrr -aouo* -atut* - azuzr -...- a,u,of'

lrrr, o=,

//t/tfff
ooZuSo + arluoou* *...+ a,luoou,* =luooyu

u02 A
"rrl | ", utr A u,rl
utz A ur* l l uo, ilrz A u,r l

M MllM M Ml
u12 u,*)lur* ut. A ,,"1

Rezulta in notatie matriciala sistemul

urUA =(JrY
Cu solutia standard CMMP de forma:
Modelare si Simulare

A= (UrU)u(J'y

Specific MEO:
se elimin6 inversarea matricei alegAnd intrdrile (u;) astfel, incit matricea sistemului
dq,
tfftl sE devind diagonald ( de unde si denumirea de experiment ortogona[);

(fq: a*r(
#$r, iir, F:?r)
lV

lu,ou* =0 conditia de ortogonalitate

k=1

Z"?r
= o
Z"ir
In acest caz,tentlt1o metodd simpld de calcul a componentelor vectorului A, cate nu mai
necesit[ inversare de matrice:
N

Zu*Yo
ai = HN = 0,1,...,s
-;i
Z"?o
k=l

Observalie:
Modificarea gradului polinomului de aproximare nu necesiti recalcularea coeficientilor
calculafi anterior.

Experimentul ortogonal (binar) cu doui niveluri ( Box-Wilson)

Constitue o metoda comodd de generare a intr5rilor care sd indeplineascd conditia de

ortogonalitate, intrarile luand doar doud valori ( minima/maximd)

Definim variabilele centr ate:

ll;6 o

(min.) Ui = ui -uio

qi apoi normate:

;,
Y. =-=-=<
ui -uio l+1, pentnt ui =uiM
+1 X;

Comenzile centrate si normate sunt deci de forma: t'l

Modelare si Simulare

Observafie:
Fizic, comenzile iliyot lua doar doui valori exffeme (uim, respectiv uiy).

Ex.l Pentru 2 (r ) variabile de intrare xt si xz

Rezulta N:2': 4 experimente posibile corespunzatoare combinatiilor de plasare in varfurile
unui patrat:

Makicea de programare a experimentului arat6 astfel:

v(v)
I +1 v1

2 -1 v2
J +1 +1 +1 v3
4 -1 +l -1 v4
Modelul in variabile normate fiind:
v = bo + brx, + brx, + brrxrx,

Conditiile de ortogonalitate sunt indeplinite:

I = 0,2*ro = 0,\xroxro = 0
",0

Obs. s-apresupus xok:l

Calculul paramefrilor modelului "normat" se face direct frrE inversdri de matrici:

uo =i1NFlo,
1N
bi =!N Zxikvk,
k=t
1N
bii =V pxtnxirv*
Modelare si Simulare

F.x.2

Pentru 3 variabile de intrare, r:3 :

(3 intrdri :> N 23 (8 experimente) - plasate
)
corespunzator in colturile unui cub
Se pot determina maxim 8 parametri, deci modelul ce se poate estima (datorita simetriei) este
de forma
v = bg + b1x1 + b2x2 + b3x3 + b12x1x 2 + b23x 2\ + bBxLx3

(-1,+1,-l) xl x2 x3 xS.xZ xtxt xzxt

,'l-- 1 +l +1 +l +1 +1 +1
(-:,+h{i) i
2 -1 +1 +1 A
r-----i---
J -1 -1 +l A
4 -1 +1 -lA
5 MM M
6
7
8 -1 -1 -1 A
Conditiile de ortogonalitate sunt indeplinite. :
.t/ ,v

Z**
k=1
=O,lx,ox
k=1
jk =0 ......s.a.m.d

Calculul coeficientilor se face cu aceleasi relatii.

5.8. Calculul deviatiei estimatiei CMMP

Indiferent care este metoda de estimare CMMP (regresie liniard, multidimensionald,

experiment ortogonal etc) se pune problema determindrii conditiilor in care estimatia CMMP
este nedeviatd.

Consideram cazul modelului liniar

Y =UA+e

unde e reprezintd perturbatia cu caracter aleator.

Aplicand metoda CMMP si definind criteriul de eroare Vy pe o selectie de N date, ne
propulem sa calculdm deviatia estimatiei CMMP, adica diferenta dintre media probabilisticd a
(^ I
estimatiei E\Arn*rj si vectorul valorilor adevdrate ale parametrilor l. :
VM
dev = n{2r,*r}-,n'
 Modelare si Simulare

Pentru modelul considerat, metoda de estimare CMMP conduce la solutia:

2"rr" = (u'ul' u'r
Presupnnem ca valoarea adevdratd,a vectorului parametrilor A* este cunoscutd si deci verificd

Y =(JA. +e
Rezultd:
2 r,r, = (u' rl' u' fuf + e]= (r' rf' (t r u) A. + (u' uf' u'
"
Calculdm media statisticd aplicand operatorul de mediere E{ }
E {2",*,) = z 1(u' uf' (u' u)'{ } + z 1(u' uf' u'
"}
Care se poate pune sub forma
E{)r*rr} = E{A.} + n1(u'ul'u'n} = A* + z{u'ul'u'"}
Rezulta deviatia estimatiei CMMP

dev -- El2rrrr\- o. = z{u'ul'u'nl

Estimatia CMMP este nedeviatE dacd:

a) cazal determinist -matricea sistemului nu cuprinde mdrimi cu caracter aleator si operatorul
de mediere se aplica doar marimii aleatoare e si deci estimatia este nedeviatd dac6, variabila
aleatoare este de medie nuld (sau este o variabild centratd)
dev = E{Arrrrl- o. = z{u, uf' u, (u, uf' u, z{r} = o doar daca E{e\ = s
"}=
b) cazul nedeterminist - in care U contine componente aleatoare si atunci

dev = EArrr"I- o. = z{u'ul'u'"} = g doar daca (J si e sunt necorelate

Conditia a) este relativ usor de indeplinit deoarece centrarea variabilelor este una dintre
primele prelucrdri standard asupra modelelor ( , caz'. in care perturbatia e este de medie
nuld) iar conditia b) impune ca intrarile u sa fie independente statistic de marimea
perturbatoare e cv caracter aleator conditie dificil de indeplinit in cazul functionarii on-line
(de ex. in bucla inchisa in cadrul unui sistem de reglare automatd in care comenzile z se
elaboreazd.tocmai pt. a elimina efectul m[rimilor perturbatoare ) .

ro}J . 1j r4,a1^* z.,Llv,.Ao& d*s ,^4.ft\r.h-

Av *? A - \.-Ax'.4 (,,\ ,<\-ldn
U -) e - h**h.rLL{' (i.^\,i^.f..1) \I Q\ - .+ g
'/4,1 n '
a.*,^n ! ere)*n. e.\
_

6
 Modelare si Simulare

Cursul 11

Cap.7. Modelarea prin metode statistice de ana,lizil corelafional5

7.1Mdrimi aleatoare. Procese stochastice. Procese stafionare si ergodice.

O variabild aleatoar.e X este o mdrime care poate avea diferite valoneR.

Pentru Vx e R dat, probabilitatea ca variabila aleatoare X sd fie mai micd sau egald cu .r se
numeste funclie de distribulie de probabilitate F(*) - P(X s x)
Funcfia de densitate de probabilitate exprimd probabilitateaca X:x: :> -f (x) = p(X - x) = {-
ox
-(r-r.)t
Ex. f(x)-p(x)-+"
o42r
2o2 - distribu[ie normald (gaussian6)
)
Un proces stochastic X(t) este o familie de variabil. u
xr(t)
xr(t) func{ii de "realizare"
xr+t)

$e'$'"'c-l ) ,
Pentru un tffifr{procesul
(stochastic) se transformi intr-o
variabild aleatoare.
Se numestefunclie de realizare (esantiqn) a unui proces)oricare dintre funcliile x,(t).
Pentru procese stochastice se definesc similar:
- funclia de disnibulie (carcinsa este o functie de x si t nmp ) F (*) -+ F (x,t) ( P Ar+1 )

- funcfia de densitate de probabilitate f (r) -> f (x,il -AF{*'t) ( s"r. j tl )

Ax Crt,

Procese stochastice stafionare

Sunt procese stobhastice pentru carc proprietdlile statistice strfi invariante in raport cu o
deplasare de-a lungul axei timpului. Proprietatile statistice nu depind de momentele ci t,t,
numai de decalajul de timp inhe ele: r = tz - tr.
 Modelare si Simulare

' Procese ergodice

Procesele stochastice la care proprietd{ile statistice (mediile statistice) definite pe ansamblul
de realizdri se pot inlocui cu medii temporale pe o realizarc se numesc poces e ergadice
(ipoteza ergodic6 IE).
Ipoteze principale: procesele stochastice sunt stalionare si ergodice.

&

t
I

i
I
I
I

/t
tl

/r\
I

i
Dxr-r
H I /f
tz ==tr*t

ry
"/ tr
\
medii d medii pe
temporale ansamblu

7.2 Praprieti{i si mlrimi (medii) statistice ale proceselor stochastice

Pentru caractenzarea mai sintetica a proprietllilor statistice ,. d.fin.sc similar ca si in cazul
marimilor aleatoare, "mornente" $i "valori medii". S<- reot* t^,fe s c d. g6tr1 (r- ".
h
. Se numeqte momegtt de ordin k alvariabilei aleatoar:e X media statisticd i R niliei ,k:

E{Xo} = M{Xr',y -*1** dF@) = .

J:r
"x)dx ll
? Valoarea medie de ordin fr : VM o - {E(X|)}I = {M(Xo)\i
unde E - Expected value- este operatorul de mediere statistica; ,,media" valorilor deja
disponibile reprezinta valoarea viitoare cea mai asteptatd.
Obs" Pentru eazul discret dacd x(i) este o secventd de variabili aleatoare discreta se definesc
similar cu cazul continuu, m6rimi statistice corespondente, i
(;:
E{*r(r)}= xoU)
i,11#I
vM - E{*r1i;}*
/ ={ri* i
+ "o (r)l,r/o
tt-+;NH "J
 Modelare st Simulare

1. Media statisticd (speran|a matematicd) -reprezintd momentul de ordin I si pentru

procese stochastice este o functie de timp:

ffix = m*(t) =VG) = E{x(t)} = i xf (x,t)h =Vansambtu

unde -f (*,t) = fr(x,t) - funclia d"*drnrftatu de probabilitate unidimensionald a procesului

stochastic X(t) " Dacd procesul este ergodic atunci media statisticd se calculeazl. ca medie
temporal6:

m*(t) =ftansamblu -f;temPoratd lim J-T *rnat

= T->a 2T '- ' '

x{r.t

Valoarea medie m,(t) -VQ) a unui proces stochastic reprezintd o funcfie nealeatoare, in
jurul cdreia se grupeazd, realizdnle procesului stochastic ai faf6 de care acestea "oscileazd".
Pentru o secliune tp a procesului stochastic speranla matematicd este rezultatul operaliei de
mediere probabilistic[ cdnd fiecare valoare x din cele n realizlri'se ia cu o pondere egald cu
"f
(x,to)"
Obs" In cazul discret daca x(k) esteo secvenfd de variabila aleatoare se defineste similar
valoarea medie (sau speranla matematicd) prin:

w = E{,(k)t=J*1"Eon
Caracterizarea unui proces stochastic doar prin media statistica este insuficienta fiind necesara
cunoasterea gradului de gnrpare/raspandire a datelor in jurul mediei (dispersia) cat si daca
sunt sau nu sunt corelate.

2. Dispersia (varianga)

D""(t)= var{X(/)} = E{X(t)-v)'l = it" -mx|)l',f(*,t)dx - D,(t), D = 62

Reprezint d momentul de ord,inul 2 al prollsufuf aleator centrat. Dispersia caracterizeazd,
imprdgtierea (gradul de oscilalie) alrealizdrilor procesului stochastic in jurul valorii medii.
In cazul discret varianta (dispersia) va fi datd pentru un proces stochastic centrat
illcl = x(k)-r{"(t)} = xft)*F de relatia:
var =Eh'(,rt=Hi,X iz 1k7= 62
Modelare si Simulare

3. Devialia standard (o - abaterea medie p6traticd)

Este valoarea medie de ordinul 2 avanabilei centrate: |=661-Tl .

l
o = E{(x -V)t }t - "[DJ\ = o(t)
4. Func{ia de uutocovarianyd (autocorelalie)

Valoarea medie m*',(t)gi dispersia D,(r) sunt proprietf,fi statistice importante ale proceselor
stochastice, dar nu intotdeauna dau o reprezentare suficientd privind caracterul dependenlei
intre realizdrile proceselor aleatoare. Ex. in fig. procesele Xr(t) si Xr(t) au aproximativ
aceeasi medie (*t ,m2) si dispersie( D1 si Dz)rdar Xr(t) - variafii relativ monotone iar
X r(t) - oscilafii pronun{ate.

Pentru procesele de tipul X, , cu cdt cregte distanfa intre momentele /, gi t z

se observi o
anulare rapidd a dependenfei intre valorile x(t) gi x(rr).
Pentru a evidenlia aceasti diferen![ se introduce funclia de autacorela{ie ( autocovarianyd)
,tr) = E{X(tt)X(tr)}
R.=, (/, ,

Funclia de corelalie este egald cu valoarea medie a produsului celor doul mdrimi aleatoare
X(tt) Si X(tr) gi caractefizeazl gradul de dependenld intre sec{iunile procesului stochastic.
'' (t,,tr): E{x(t,)x(trrt
*"*, = j I*,*rfr(x,,t,x,t2)dxrdx,
f, - funclia de densitate bidimensionald de probabilitate.
Dac[ procesul stochastic este stalionar si ergodic atunci funclia nu mai depinde de momentele
/, $i t, ci de distanfa dintre ele (r - tz -/, ) si se poate calcula ca medie temporald:

R* (t) =
]1"," ,-fr(*r,x,r)d.xrd,x, : A*gp1t1r1t + 4= + r)dt
l51 #'FUrx(t
Proprietn{ile funcfiei de autocorelatie

,T
t-
1). R* (0) = x'(t\' T--iT:! Jlx'Q)at =
= lim D., = 02 ( ataaE Y: o
)
'ot-T
 Modelare si Simulare

2). R.*(") = R* (-r) - functie pard, monoton

descrescdtoare: R*(") S Ro (0) = o'
3). x(t) = Ao e R'" (t) - At

a)" x(t)= ,4r sin( atrt + (p) *Ro =

+cosr,'

Obs. In cazul discret, se defineste secventa de autocovarianfd a unui proces prin apli carea
ipotezei ergodice , pentru oricare doud momente de timp discrete m st n, (numiti ,, pivo{i" cu
m-n:k) :

R*,(*,d = E{x@).x@)} -
R*(* -n) =igg* - n) x(i m) - E{*U). x(i -,a)}=
i.<, =R.",(fr) +T xU). x(i - k)
Aceleasi proprietdti ca in cazul continuu se regdsesc si in cazul discret:
1. Proprietatea de marginire: autocovarianta este maxima in origine si este egald cu
dispersia
R-.t
R*(k) s R_"- (0) = ot Vk e Z
2.Functia de autocovariantd este simetricd
r\o\-t{)=Ko\K)
R*(-k) = R,,, Yk e Z(fr) vKL _i -l_-iff.t
3. Proprietatea de periodicitate a autocovarianfei :dacf, setul de dati ic de
p"riodic <
"rt. perioada T.
perioadi T atunci si secventa de autocorelafie este periodicd si are aceeasi
NotS: R o
,, se mai noteaza; R- sau r"
noteaza:R, r*

5. Funclia de intercorelayie (/d ftovarianyd, intercdvarianld)

Dacd' u(t) este intrarea (I) si y(t) iesirea (E) unui sistem sunt doud procese stochastice, se
poate defini similar funcfla de intercorelalie (covarianla incrucisatd alil u si y) :

R,, (t,, t r) = E {u(t,) y (t rll = \ lrrf, (u, t i

1
y, t r) dudy

1co
statjonar RuyG) = y,r)dudy si ergoclic R,y(r) =&iG;6 = Ji*
i
-co
1u1r7r1r1fz(u, _ [u(t)y(t+rpt
I -+a 21
-w
Pentru procesele care sunt necorelate statistic unul cu celllalt de ex. (er,u) funclia de
intercorelalie Ruu este nuld.
 Modelare si Simulare

Func{ia de intercovarianld se defineste similar in variabile centrate f, = u I = , -V . -u gi

Obs. In cazul discret pentru a aprecia gradul de corelare intre valorile unui set de date
(secven{e aleatoare de intrare/iesire) mai exact cat de corelata statistic este iesirea y(n) de
intrarea u(m) unde m si n se numesc ,,pivofi" , s defineste similar funclia de covarianli (care
depinde doar de diferen,ta dintre pivoli bm-n ) ca medie statistica a produsului uy prin:

R* (m, n) = Ruy@ - n) = R,y (k) = E{u@) y(d} = n{u@). - y(n -u)} = ue). y(i - k)
# *

6. Densitatea spectrald a proceselor aleatoare

Densitatea spectrala S,(ar) - a unui proces stochastic x(t) este prin definifie transformata
Fourier afuncliei de autocovarianla (autocorela{ie) a procesului respectiv:

S * (j a): .F[Ro (r)] =\ dr

-co ^*1r1"-i'"
Deoarece s-iat - cos(an) - j sin(arc) si din proprietatea de simetrie R*(-r)= Ro(r)

e So (i at) - 2*li-*(r) cos(ar t)dr- S* (ar) - densitatea spectral[ este o funcfie reald, pard,
simetricS.
Daca se cunoaste
^S,
(at) afrinci prin transformareaLaplace inversd se poate obtine functia de
autocovariantd S, (ar) + R* (e)

e R-' (r) -
it, (atpi" dat= Iniit, (at)ei" da
*/fr_*
Conform proprietafilor transformatei Fourier, daca Rn se ,,ingusteaza" afunci Sxx se ,,intinde"
(si invers)

La limitd semnalele aleatoare care au densitatea spectrald constantd pe intreaga band6 de

frecven{d au funcfia de autocorelalie de tip impuls Dirac R_ (r) = d(r) )semnalul se numeste
zgomot alb ZA si are proprietdli statistice deosebite"
Modelare si Simulare

Cursul 12

7.3. Semnale aleatoare cu proprietlfi statistice speciale

7.3.1. Zgomot alb ZA

Zgomotul alb ZA este un proces stochastic cu proprietdli statistice ideale fiind prototipul
proceselor total ne corel ate si impre di ctib ile "
Funclia de autocorelalie (autocovarianfi) exprimI faptul cd
intr-o realizare u(t) a unui proces de tip ZA semnalul poate
lua orice valoare la un moment dat (adic6 valorile trecute
nu influenteazd, deloc valorile actuale iar acestea nu au nici
un efect asupra valorilor viitoare); pe scurt trecutul nu
influen,te azd prezentul si nici viitorul .
Prin definifie funcfia de autocorelafie (autocovarian!1) a
ZA este de tip impuls Dirac - adic6 total necorelat (deci
impredictibiD (in cazul continuu respectiv discret) fiind :
Ruu(r) = n{"Q)'u(t +r)}= o26Q)

i -- 0 i
RuuQ) = E{u(k). u(k +i)} = o26( D = {o' i*0
l0 ; Vt-Z
unde o' - este dispersia.(varian{a) iar d este impulsul Dirac.
Densitatea spectrald aZA este constantd pentru orice frecvenlE din spectru:

S,,(o) = S,(ar) = FlRuu(r)] = \o' Aglr-iat 6" - o2

ZA estecaracteri zat de: distributi.-nor-ul5 de medie nuld si dispersie o2 , necorel at (Ruu:f

d) si densitate spectralS constantd (S,u:o2),
Observafie Principalautilizare aZA este in modelarea perturbafiile aleatoare (stochastice)
v(t) ce nu pot fi descrise intr-un mod determinisl deoarece nu sunt reproductibile. Zgomotul
alb, in cazul aleator, are acelagi rol cu impulsul Dirac in cazul determinist. Perturbaliile
deterministe fundamentale: impuls Dirac, treapti gi rampd pot fi descrise ca rezultate ale
trecerii unui impuls Dirac printr-un filtru a$a cum este prezentat in fig. Filtrele
corespunzdtoarc poartd numele de modele de perturbalii. Oricare ar fi perturbalia deterministd
ea se poate obline prin trecerea unui impuls Dirac printr-un model de perturbalie (filtru) av6nd
o structuri adecvatd. Cunoagterea modelului de perturbalie este echivalentd cunoagterii

HL#
perfurbafiei.

Similar in cazul stochastic ZA constituie un semnal generator. Fie, in cazul discret, o secvenld
de variabile aleatoare gaussiene de tip ZA, de valoare medie nul6 E{u(k)}:0 $i varianld
D:var(e(k):&. Aceast[ secvenfd va fi notatd v(k) cu k e z Si va fi caructerizatd prin
parametrii (0,o) "O parte dintr-o astfel de secvenli este prezentatlin fig.
Modelare si Simulare

Funclia de autocorelalie sau autocovarianld R(i) este in cazul discret media statistici a
produsului dintre secvenld gi aceeagi secvenld decalatd cu i pagi:

R(t)= Ev(k)v(k-i)= lim a f,v@)v(k-i), Vi eZ

N-+a N
;
Evident R(0) : Var : d2.
Uneori se define gte covorianla normalizatd (sau outocorelalia normalizatd):
RN(r) = {9,
R(0)'
RN(o) = l, yi e z

in cazul zgmotului alb gaussian, cunoagterea lui v(k) nu permite prediclia unei aproximdri
pentru vlk+I), v(k+2), cea mai bund aproximare fiind zero. Aceasti proprietate de
independenli se traduce in proprietatea urmdtoare a autocorel[rilor:
R(f)=9, YkeZ* =Z/{0}
dupi cum este reprezentatdin figura urmdtoare:

-2-l 012
in cazul zgomotutui alb discret : R(t):O pentru orice i l0 (diferit de zero).
Diferitele tipuri de perturbalii aleatoare avdnd o densitate spectralS a cdrei dependenfi
frecven{iald poate fi exprimatd printr-o funcfie rafionald in frecven{5, pot fi considerate ca
rezultate ale trecerii unui zgomot alb printr-unfiltru.
Ex. Model (proces) de tip medie alunecdtoare MA- (Moving Average)
Forma generalf, a unui model (proces) de tip MA (medie alunecitoare) este:
v(k) = c(q-t )v(ft), vft e .a/

unde C(q-') = 1+ fr,r-'

Procesele de tip medie ulurr.r=itoare au proprietat ea R(k):0 oricar e ke(-ng, +nc).
FieprocesulMA: y(k):r(k)+c1v(k-l):(+cg-)vft) oricarearfi keAI-
ce corespunde trecerii unui zgomot alb printr-un filtru 1+",e-t, a$a cum este reprezentat?n
figura urmdtoare.

Valoarea medie a lui y(k) este (de unde denumirea de MA - Medie Alunecatoare):
vM =Ey(k)=+I y&)=+X vg)++E v&.l)=(1 +c,)E{v(k)}

Varianla procesului este :

R,(0) - Eyz(/.)=+ ir':+E v2&).+E ,21r,-t1-lr+Xvo;)v(k-r)=(1+ ,?)o',

pentru cd at treilea termen este nul decalare se obline y(k-r)
^;frr:i7:l;iir;:t;t|ZA.Prin
Modelare si Simulare

ceea ce permite calculul lui R (l):

R/(1) = Ey(k)y(k -11 =*T y&)y(k-t) =
+I vz &) = ctr.2
to{i ceilalli termeni fiind nuli (media de produse de secvenle zgomot alb decalate)"
Se verificd in acelaqi mod cd R (2):0, R (3):0, "..rezulta functia autocorelayiilor
normalizate pentru acest proces de tip medie alunecitoare de ordin I

-2-1 012
Dacd C(q-') (filtrul generator) este cunoscut el permite determinarea repartiliei spectrale
energiei. Acest model de IUIA este folosit pentru a modela perturbafii de tip zgomot colorat.

7.3.2.'oZgomot alb" cu bandl limitatl ZABL

Deoarece ZA ideal nu poate fi realizat (fiind
asociat cu un spectru de putere infinit[ la ro+m) in
practic[ se aceeptd$ilizarea unor semnale cu proprietSli
ce aproximeazd ZA , dintre acestea cel mai simplu fiind
ZA cu bandd limitatd de frecvente:

f 0.rest
s,,, (ar) _
t;,, (o) = A, ,@ l-ar,@rf

7t
o)c

Funclia de autocorelalie al ZABL este, conform definifiei, transformata Fourier a densitltii

spectrale de putere:

'i A2 ei'" _ A2 ,ia"t _r-ia"t A2 sinat-r

RuuG)=+ Jor rir" 4, - 2tr ir lr"
l-'" 2n jr -=;'"
llt
-ac u I *

Se observ6 din reprezentarea grafrcd, cd ZABL aproximeazd (pfi. or--+co) funclia de

autocorelalie a ZA (impulsul Dirac).

7.3.3. Semnal pseudoaletor binar (SPAB)

Este un semnal binar (0,1); (-1,+1); (-A,+A) care desi din punct de vedere al generdrii este
determinist, in anumite conditii, din punct de vedere al propriet[filor statistice poate
aproxima suficient de bine semnalul zgomot alb.
Caracterul aleator nu constd in valoarea amplitudinii semnalului, ci in momentele in care are
loc trecerea dintr-o stare in alta.
 Modelare si Simulare

Generarea SPAB se poate face soft sau hard ( ex. printr-un registru de deplasare cu reac{ii
suma modulo-2 ponderate prin coeficienlii binari ai iar l/q- q-l semnificd intarzkea cu un
tact a semnalului):

Periodicitatea maximd:
N-T = 2n -l + secvenld
maximald, dupd care
semnalul devine repetitiv.

Coeficienlii ct; semnificd T [N)

(in cazul gener6rii SPAB cu
registru de deplasare),
existenfa (sau nu) a legdturii
de reacfie corespunz[toare

It,=leg
a,-<
' 10, nulleg

Exemplu:
n = 3 => If-
23 -l - 7 tacte,reprezerrtdnd secvenfa dupd care se reia forma semnalului.
Presupunem: at - g'
ds =L;a, -

xl{h+l}

tr{k}
Modelare si Simulare

s{,
u(i-t) tl d)
k x,(fr+1) xr(k) xr(k) xr(k):u(k)
0 I 1 0 0
1 I I 1 0
2 0 1 1 I
3 I 0 I I
4 0 I 0 1

5 0 0 I 0
6 I 0 0 I
7 I I 0 0
Obs.
,1,,-+ 4ori *l -I
l. -T 22..,,0,,-> 3ori =T
A fix = ..
z. Iilfl
1+l T+l I
' N-.N?' 2T 2

3. Se ,,centreazd" semnalul pentru a anula valoarea medie

nfi l=o
Calculand

i = 2Au - I - A{2u -1} * E{i} =g

Funcfia de autocorelafie a semnalului centrat

, k=o
h,&)=*b,r, Dn._k)={ry
L Itr
r, ,!: ,n
?," 4{ s N =7 sra".f J - rcrih,,7r*k ^ li -^uq.c/'"hAi&r.*et
"1.

Obs: numdrul de ,,coincidenfe" ale lui t(t) $i q1:lpeste egal cu numdrul de necoincidente
(+A/-A)@

in modelarea prin prelucrarea datelor experirnentale aplicarea semnalului SPAB

aproxima re a ZA conduce la rezultate deosebite (deconvolutia Wiener-Hopfl.
Modelare si Simulare

7.4 Convolufia Wiener - Hopf

Ideea principali in aplicarea metodelor corelalionale in modelarea proceselor este ca

prin calculul funcfiilor de intercorelSlie (covariantd) si autocovarian{i sd se elimine efectul
nedorit al perturbaliilor v(t) asupra iesirii sistemului. Aceasta rezult6, linand cont de
proprietatea cd perfurbaliile sunt in general necorelate cu intrarea z si deci cd R*:0 .
Relafia care exprim5 legatura dintre func{ia de intercorelafie IlE (Rr) si funclia de
autocorela[ie a intrarii .Ru, numita si convolulia Wiener-Hopf, este similard cu relafia care
exprim6 iegirea ca integrald de convolulie intre intrarea gi rdspunsul pondere al sistemelor
liniare.

Pentru sistemele liniare: f(s) = H(s)U(s) + V(s)

@

y(t) - Jnpyult -qdT +v(t) - integrala de convolu{ie;

unde ho7r1 -frJals;] - este r[spunsul pondere ; y(t)- iesirea sistemului

- funclia de intercorelafie I I E;
lTco
RurG)= +r)dt = [nEe1n,,,(-0 +r)dO + R,,u; tot o integral[ de convolulie
- l3x I"<OtQ
o

( convolufi" ;i;.r - Hopf)

Deoarece u si v sunt semnale independente (necorelate) rezulti c5 R-:0
In principiu "rezolvarea" convolutiei W-H inseamn6 determinarea rdspunsului pondere ft
avand calculate funcfiile de intercorelalie R, si autocorelafie Ruo .
Demonstrafie:
1T@@1T.
R,r(") =
lg n I"Of [nOVf, -0 +r)dl]at = lnpyt]Xn !Q)u(t -0 +rptfdl =

=!rt >^,o(r -o)de: R,y(r)

Nota: Se remarcd "inlocuirea" formali in integrala de convolulie Wiener Hopf a"iesirii" si
"intrarii" prin funcfiile de intercorelafie, respectiv de autocorela{ie (autocovarianfd).

Aplicand transformata Fourier si definilia densitdlii spectrale, se poate demonstra si cf, :

S,r(i a) - H (i a)S u,,(i cD),

s
oUa) =ln(i4|' s,,(ia)
unde - ,S,y (iaD este densitate interspectrald (I lE), suu(ico) si so7ot) - densitatea
spectrald a semnalului de intrare respectiv de iesire;
Modelare si Simulare

7.5 Determinarea modelului neparametric rispuns pondere discret prin

metoda deconvolufiei Wiener - Hopf
Metodele de analizd corelafional[ urmdresc determinarea modelului unui proces ca o
consecinld a propritililor statistice ale semnalelor aleatoare/stochastice de IIE .
De ex. in principiu,'orezolvarea" convoluliei Wiener-Hopf in sensul determindrii rdspunsului
pondere ft pebaza calculului funcfiilor de intercorelatje R, si autocorelalie R u. Abordarea
in acest sens, (care se numeste deconvolu{ia Wiener-Hopfl, inseamnd de fapt, determinarea
unui model neparametric (rdspunsul pondere) al procesului prin prelucrarea statisticd a datelor
de IlE"
O solulie relativ simplS este rezolvarea in cazul discret (deconvolulia discretd Wiener HopD
Observatie: Forma ,,discret6" a integralei de convolufie Wiener - Hopf se obline prin
Ir"_+kT
' '"-_'
discretizare direct[, utilizand substitutiile i
' Lo + iT"'T' ,T- =1'
--_1:

Rezulti convolulia W-H discretd:

a N-l
=lng1n,u(k -D = I hQ)R,,(k - i), deoarece h(i) -0, i > N ;
Ry,(k)

unde u*'=j..rupus ca sirtliU este stabil si rdspunsul pondere se anuleazdpt rZN. Explicitand
(0) = h(o)Ruu(0)+fr(l)R u,?r)+...................,..........+ h(N -|)Ruu(-/r+1)
[R/,
Jnr,o) =
h(o)Ruu(l) + h(l)Ruu(0) + .............+ h(N -t)R,,(-N +2)
t.............
I

(N - 1) = h(O)Rou(i/ - l) + h(l)Ruu(N -2) +...........+ h(N -t)R,,, (0)

LR/,

Jinand cont ca funcfia de autocovarianp este simetricd, R", &) : Ruu (-k) in notalie matriciall
oblinem:

[R/,(0) I f R,,(0) R,,(l) Ruu(N-l) I lttol I

nr, (l) _ I (o) R,, (1) R,, Ru, (N - z) I I ,rtl
tt-t
I I

llt I

f^rrr-tlJ l-*,,qt-ty R,u(N -z) Ru,,(0) J lar-t;J

Ryu = Rrrh+ cu solutia

n =fnp1 ng1 h(z) ".....h(N-1)l' = n,)Ry,,

relafie care exprimd, deconvolu[ia Wiener - Hopf discretd.

unde t - vectorul rdspuns pondere discret;
'
R,ueste matricea de autocovarianpd a intr6rii. Aceasta este o matrice Toeplitz
simetricd (deci pozitiv semidefiniti) pentru care exist[ proceduri eficiente de
inversare.
Existd totusi cazuri in care se poate evita inversarea matricii de autocovarianfd:
a. Semnal de intrare de tip zgomot alb (Z$ -
In acest caz matricea de autocovariantd este diagonal[ Ruu = o2 r
Modelare si Simulare

Iar solufia este imediatti hQ1 =4 * \ //\ - fi;

f.uft)y@ i = 0,1,2...N -r
^*/4\' = orN?
rn
o,

b. Semnal de introre de ttp pseudoaleator binar SPAB

Pentru acest semnal de intrare care aproximeazdzgomoful alb ZA, functia de

autocovarianfd se calculeazd simplu (vezi par.7 .3.3.)
lA',k -o
I

R,,,,(k)=i
' A2 l-",nr',-k>o
L
Inlocuind

(o) I
[R.,
l|+ ,!:::: tlru ]:_u,[;'r, :r ]l:iil ::::
l
I.lur =l;1o,:::: :rll^;
l^,,1" - tyJ
I

L-" -lr
:: r,l
A'-l
J '1; ; :::
L;,;_,,1

R*(D = -+htol* h(r)+...+ h(k-r)- Nh(k) + h(k+r)+ ...+ h(N-l)t h@l

-
pentru linia n'
= n*G)=
[i^o-(N+t,^-,][-#J
pentru k: A. ... N-1, rczulta:
R, (o) =Er(')-(r/+rpror{ #) r

R,,(r) = E ho-(N+r)/,0){- #) Iv:l ( z2 \[ ir l iv-l I

=} n*G)=[-;JLrI h@-(N+tyf atirJ =
Rr,(N-1) = Ert,l-(N+rrtrl{
#)
=+EhQ)>i*nr,>=#En,Q)
Inlocuind rezultd

R y, (k) =l#i ^*
(,) - (n . ur,o,][- +)=
h(k) =#[ Ry,(k). b'&,ri o= o,N {
Componentele h(k) - pentru k:0....N-1, reprezintd modelul neparametric rdspuns pondere
discret, obtinut fara inversare de matrice.