Procese stochastice.

Calculul funcţiilor de corelaţie temporală şi al funcţiei de densitate

spectrală Relaţii intrare -ieşire caracterizând transferul proceselor stochastice prin
sisteme dinamice liniare.

1. Considerente teoretice
Teoria proceselor stochastice reprezintă suportul matematic pentru modelarea unor fenomene reale (naturale).
Procesele stochastice vor permite, de exemplu, o modelare mai corectă a perturbaţiilor care acţionează asupra
sistemelor. Considerarea în analiza sistemelor a unor perturbaţii de tip semnal determinist - de exemplu treaptă
unitară, rampă, impuls Dirac - presupune că la fiecare moment de timp sunt cunoscute cu precizie modul de
acţiune şi intensitatea perturbaţiilor. Modelarea este forţată, deoarece prin esenţa lor perturbaţiile nu au un
caracter determinist.
Descrierea matematică a unor perturbaţii ca semnale aleatoare (stochastice) va fi mult mai firească. Un semnal
aleator (stochastic) este un semnal a cărui evoluţie în timp nu poate fi anticipată. Se poate cunoaşte setul de
valori (discret sau continuu distribuite) pe care semnalul aleator le poate lua la diferite momente de timp şi
probabilitatea de atingere a acelor valori. Semnale vor fi apreciate pe baza unor performanţe globale (medii),
având în vedere că informaţiile punctuale pe care le conţin nu sunt concludente.

Se va considera în continuare un set infinit de generatoare (aproximativ identice) de semnale aleatoare. Fiecare
generator de semnal va produce un semnal aleator (numit realizare) considerat pe un interval de timp
nemărginit. Considerând din toate semnalele aleatoare generate valoarea acestora momentul de timp ti fixat, se
formează eşantionul de valori de la momentul de timp ti.
Procesul stochastic se poate considera că este format din reuniunea tuturor realizărilor sau a tuturor
eşantioanelor.
Pentru descrierea unui proces stochastic se vor considera următoarele medii:
„ medii pe mulţime: se consideră procesul stochastic obţinut prin reuniunea tuturor eşantioanelor:
Momentul de ordin n:
∞
~
x tin = ∫ u n p x (u)du; (1)
−∞
unde p x (u) este densitatea de probabilitate pentru eşantionului de la momentul ti (reprezintă probabilitatea ca în
eşantionul de la momentul ti să fie atinsă valoarea u).
Un caz particular este media pe mulţime obţinută pentru n=1 (şi notată în continuare cu m).
Momentul centrat de ordin n:
∞
~
x tin = ∫ (u − m) n p x (u)du; (2)
−∞
Momentul centrat de ordinul doi (n=2) se numeşte varianţă notat V şi indică cât de largă este plaja , centrată în
jurul mediei, în care se vor găsi cele mai multe din valori ale eşantionului semnalului aleator.
x3 Procesul stochastic se consideră cunoscut dacă se
cunoaşte funcţia densitate de probabilitate. Atenţie că,
2 pentru aceeaşi funcţie densitate de probabilitate se pot
obţine forme de undă complet diferite (vezi fig. 1: s-au
1 considerat două eşantioane caracterizate printr-o funcţie
densitate de probabilitate de forma:
u2
0
1 −
-1 p x ( u) = e ,2
2π
-2 caracterizând un proces gaussian cu media m=0 şi
varianţa V=1
-3
0 20 40 60 80 100
Cunoaşterea funcţiei densitate de probabiliate este
echivalentă cu a cunoaşte momentele de orice ordin
Fig.1 (calculate ca medii pe multime). Există un caz particular
(procesele gaussiene - sau distribuite normal) la care
densitatea de probabilitate este complet cunoscută dacă se cunosc media m şi varianţa: Foarte multe semnale
aleatoare reale sunt normal distribuite, deoarece efectul cumulativ al unui număr factori aleatori rezultă de tipul
unei distribuţii normale.
„ medii temporale: procesul stochastic se va considera ca fiind constituit din reuniunea tuturor realizărilor.
1 T n
x n (t ) = lim ∫ x (t )dt , (3)
t →∞ 2T − T
unde x(t) reprezintă o realizare a procesului stochastic.

Legătura dintre două eşantioane distincte poate fi stabilită considerând autocovarianţa şi autocorelaţia:
Legătura dintre valori la momente diferite de timp, extrase din aceeaşi realizare , va fi descrisă prin funcţia de
autocorelaţie temporală.

Un proces staţionar în sens restrâns este un proces stochastic pentru care funcţia densitate de repartiţie este
independentă de timp (independentă de eşantion). În această situaţie procesul stochastic poate fi analizat pe baza
unui eşantion. Pentru un proces staţionar în sens restrâns momentele pe mulţime, de orice ordin, sunt constante
în timp.
Un proces staţionar în sens larg este un proces stochastic la care media şi varianţa sunt constante (nu sunt
obligatoriu constante şi momentele de orice ordin, deci procesul staţionar în sens larg nu este obligatoriu
staţionar şi în sens restrâns - un caz favorabil îl constituie cazul proceselor gaussiene la care implicaţia are loc).

Un proces staţionar se numeşte ergodic dacă

x n (t ) = x~ n ti (4)
(adică momentul de ordin n pe mulţime este egal cu media temporală de ordin n).

În ipoteza că procesul staţionar este staţionar în sens restrâns şi ergodic el va fi complet caracterizat de o
realizare a sa. Analizând o realizare pe o durată foarte mare de timp, se vor putea extrage informaţii globale
(medii) despre întreg procesul stochastic.

În aceste ipoteze simplificatoare (proces staţionar în sens restrâns şi ergodic) se pot formula relaţii simple
intrare-ieşire, caracterizând transferul semnalului aleator printr-un sistem dinamic liniar.
Semnalul aleator de intrare se va nota în continuare cu u(t) . Semnalul de ieşire este tot aleator şi se va nota cu
y(t). Sistemul dinamic liniar se va considera ca fiind modelat prin funcţia de transfer G(s), respectiv prin
răspunsul la impuls g(t).
Se vor descrie aceste relaţii intrare-ieşire pe baza funcţiilor de autocorelatie şi intercorelaţie temporale calculate
pentru semnalele aleatoare u(t) şi y(t), respectiv pe baza funcţiilor de densitate spectrală şi interspectrală de
putere.

a. Relaţii intrare-ieşire bazate pe funcţii de autocorelaţie -intercorelaţie temporală

Definiţii:
Funcţia de autocorelaţie temporală a unei realizări x(t):
1 T
rxx ( τ) = x (t ) x (t + τ) = lim ∫ x (t ) x (t ± τ)dt (5)
t →∞ 2T − T
Funcţia de intercorelaţie temporală a realizărilor x(t) şi y(t) caracterizând două semnale aleatoare distincte:
1 T
rxy ( τ) = x (t ) y(t + τ) = lim ∫ x (t ) y(t ± τ)dt (6)
t →∞ 2T − T
Funcţia de autocorelaţie temporală reflectă proprietăţi globale ale semnalului aleator, fiind o medie a acestuia
(două semnale aleatoare complet diferite ca forma de undă pot avea aceeaşi funcţie de autocorelaţie: de exemplu,
semnalul telegrafic care comută între valorile -a şi a are aceeaşi funcţie de corelaţie temporală cu un zgomot alb
filtrat de un sistem cu întârziere de ordinul I, de ex un filtru RC) şi îndeplineşte următoarele proprietăţi:
- descrie interdependenţa dintre valorile conţinute în realizarea x(t), considerate într-un interval temporal de
lăţime τ. (rxx mare sugerează o interdependenţă puternică între valorile din realizarea x(t) preluate pe un interval
temporal de lăţime τ, rxx=0 sugerează că valorile sunt necorelate).
-maximul funcţiei este rxx(0) şi reprezintă media temporală de ordinul 2 (sau varianţa, calculată ca medie pe
multime pentru procesele ergodice de medie nulă), sugerând cât de mari sunt fluctuaţiile semnalului aleator.

Între realizările u(t) şi y(t) ale intrării şi repectiv ieşirii există relaţiile:
∞ ∞
1) ruy ( τ) = ∫ g (t )ruu( τ − t )dt = ∫ g ( τ − t )ruu(t )dt
−∞ −∞
∞ ∞
2) ryy ( τ) = ∫ g (t ) ⋅ ryu( τ − t )dt = ∫ g ( τ − t ) ⋅ ryu(t )dt (7)
−∞ −∞
∞
3) y (t ) = u(t ) ∫ g (t )dt
−∞

b. Relaţii intrare- ieşire bazate pe funcţiile de densitate spectrală şi interspectrală

Functia de densitate spectrală Sxx(jw) reprezintă transformata Fourier (Plancherel) a funcţiei de autocorelaţie
rxx(t), iar densitatea interspectrală Sxy(jw) reprezintă transformata Fourier (Plancherel) a funcţiei de
intercorelaţie rxy(t).
Se pot găsi interpretări fizice ale functiei de densitate spectrală:
 w2
- valoarea ∫ Sxx ( jw)dw =puterea semnalului aleator în banda (w1,w2)
w1
- prezenţa unor componente periodice (de perioadă T şi pulsaţie w0) în semnalul aleator considerat este indicată
prin apariţia unor impulsuri Dirac în pulsaţiile w0.
∞
- valoarea ∫ Sxx ( jw)dw este proporţională cu varianţa semnalului aleator (şi sugerează valoartea rxx(0)).
−∞
Între realizările u(t) şi y(t) ale intrării şi repectiv ieşirii există relaţiile:
1) Suy ( jw) = G ( jw) Suu( jw)
2) Syy ( jw) = G ( jw) Syu( jw) (8)
2
3) Syy ( jw) = G ( jw) Suu( jw)

Practic, pentru descrierea semnalelor aleatoare staţionare şi ergodice se va analiza o realizare a acestora pe un
interval foarte mare de timp (dar mărginită). Această limitare a intervalului temporal de analiză va determina
introducerea unor erori în considerarea formulelor (7) - (8).

2. Calculul funcţilor de auto-intercorelaţie, respectiv al funcţiilor de densitate spectrală-

interspectrală în Matlab.
În Matlab considerarea unei realizări a procesului stochastic presupune definirea unui vector care conţine
valorile semnalului aleator la momente de timp. Vom considera ca valorile semnalelor aleatoare sunt preluate la
intervale egale de timp (perioada de eşantionare o vom considera pasul din vectorul de timp t):

t=0:pas:T - vector timp de lungime n ; n şi T trebuie să fie suficient de mari

x=[x1 x2 x3 ……….xn], unde x1=x(0); x2=x(pas); x3=x(2*pas); etc
y=[y1 y2 y3 ….yn], unde y1=y(0);y2=y(pas); y3=y(2*pas) etc.

Funcţiile de corelaţie temporală trebuie discretizate şi modificate ţinând cont că s-a considerat pentru descrierea
realizărilor un număr finit de n puncte.
1 n − k +1
rxx ( k ) = ∑ x (i ) x (i + k − 1); k = 1, n
n − k + 1 i =1
1 n − k +1
rxy ( k ) = ∑ x (i ) y (i + k − 1); k = 1, n
n − k + 1 i =1
Valorile obţinute trebuie considerate doar pentru k<n/2 (chiar k<n/3) deoarce pentru indici k mari apar erori tot
mai mari, datorate faptului ca a fost considerat un număr finit de puncte.
Autocorelaţia temporală şi se pot calcula în Matlab folosind funcţia xcorr.m

Funcţiile de densitate spectrală/interspectrală se pot obţine în două moduri - folosind funcţiile de autocorelaţie
temporală sau direct, folosind vectorii corespunzători semnalelor aleatoare (pe baza formulei Parseval).

Sxx ( w) = F d (rxx ( τ)) * pas;

Sxy ( w) = F d (rxy ( τ)) * pas
respectiv:
Sxx ( w) = [ F d ( x (t )) * pas] ⋅ conj ([ F d ( x (t )) * pas]) / T
Sxy ( w) = [ F d ( x (t )) * pas]* conj ([ F d ( y (t )) * pas]) / T

În formulele de mai sus prin Fd s-a notat transformata Fourier discretă, care există implementată în Matlab prin
funcţia fft

n=length(t);
pas=t(2)-t(1);

sx=fft(rxx)*pas;
sxy=fft(rxy)*pas;
Vectorul pulsaţiilor pe care sunt calculate aceste funcţii este:
w=(1:n/2)*pi/(t(n/2))*2;

respectiv:
xj=fft(x)*pas;yj=fft(y)*pas;
sx=(xj.*conj(xj)/t(n))';
sxy=(xj.*conj(yj)/t(n))';
sy=(yj.*conj(yj)/t(n))';
syx=(yj.*conj(xj)/t(n))';
Vectorul pulsaţiilor pe care sunt calculate aceste funcţii este:
w=(1:n)*pi/(t(n))*2;
Se recomandă alegerea lui n (numărul punctelor din vectorul x sau t) egal cu o putere a lui 2.

Staţionaritatea procesului se poate verifica practic astfel: se vor considera fragmente de lungime mare,
conţinând valori consecutive din vectorul x, pe care se vor calcula mediile temporale; rezultatele trebuie să fie
aproximativ aceleaşi (mediile sunt constante în timp).

Mi=sum(x(k:j).^i)/(j-k+1)
reprezintă media temporală de ordinul i pentru fragmentul [x(k)………x(j)] suficient de larg (j-k suficient de
mare şi t(k)-t(j) suficient de mare)

Ergodicitatea se poate verifica comparând mediile calculate ca medii temporale şi ca medii pe mulţime.
Dacă distribuţia procesului este normală, de medie nulă, verificările se pot limita la momentul de ordinul I
(valoarea medie) şi de ordinul II (varianţa procesului depinde de media m şi acest moment).
Verificarea acestei ipoteze este mai complicată, deoarece pe eşantioane suficient de largi trebuie găsită funcţia
distribuţie de probabilitate: se împarte domeniul valorilor lui x într-un număr suficient de mare de intervale şi se
caută pentru valorile din fiecare interval frecvenţa lor de apariţie.

3. Exerciţii rezolvate
Se consideră un circuit electric RC serie cu R=100kΩ şi C=1µF . Mărimea de ieşire este tensiunea la bornele
condensatorului - iniţial descărcat., iar mărimea de intrare este tensiunea aplicată la bornele conexiunii serie.
Sistemul dinamic liniar descris prin funcţia de transfer.
10 1
G ( s) = =
s + 10 01. s +1
Să presupunem că iniţial se foloseşte pentru determinările experimentale o sursă de semnal mai peformantă,
generând un semnal de intrare dreptunghiular determinist de perioadă 2π , comutând între valorile 1 şi -1. Apoi
sursa de semnal se înlocuieşte şi semnalul de intrare va fi puternic afectat de zgomot. Zgomotul perturbator de la
intrare se va considera un zgomot alb, de tip aditiv, distribuit normal, de medie nulă şi varianţă 0.1;1;10.
(Aşa cum s-a prezentat anterior, cele mai mari şanse sunt ca zgomotul să fie distribuit normal.
Zgomot alb înseamnă că valorile pe care le va lua în diferite momente de timp sunt necorelate.
Varianţele V precizate sugerează răspândirea valorilor zgomotului pe o plajă mai largă sau mai îngustă în jurul
[ ]
mediei 0. În intervalul − 4 V ,4 V vor fi situate 95% din valorile zgomotului alb.)
Zgomotul de măsurare se consideră neglijabil.

Se cere să se determine funcţiile de autocorelaţie temporală/densitate spectrală pentru semnalul de ieşire.

şi să se verifice veridicitatea relaţiilor intrare-ieşire (7) şi (8) (experimentul va fi simulat în Matlab).

Semnalul dreptunghiular de intrare se generează prin comenzi Matlab (se poate genera şi din Simulink):
t=0:10/(1024*2):10;t=t(1:2048);
x=square(2*pi*t)+a*normrnd(0,sigma,1,n)
unde a=0 pentru semnalul determinist şi a=1 pentru semnalul aleator; pentru a=1 dispersia sigma va lua pe rând
valorile 0.1, 1, 10;
Se calculează răspunsul sistemului la semnalul de intrare precizat şi la impuls
num=10;den=[1 10];y=lsim(num,den,x,t);
g=impulse(num,den,t);gg=[zeros(1,n) g']';
Vectorul răspuns la impuls a fost completat la dreapta cu zerouri corespunzătoare valorilor t < 0, completare
necesară pentru implementarea formulelor (7).
n=length(t);pas=t(2)-t(1);
o=fix(n/2);
Se calculează funcţie de corelaţie temporală folosind funcţiile Matlab cor.m şi ccor.m
rx=xcorr(x); ry=xcorr(y); rxy=xcorr(x,y); ryx=xcorr(y,x);
Se calculează funcţia de autocorelaţie a lui y(t) şi de intercorelaţie temporală a semnalelor x(t) si y(t) conform
relaţiilor 7.
for k=1:o, p(k)=rx(1:o)*rot90(rot90(gg(k+o+1:n+k)))*pas;
r(k)=ryx(1:o)*rot90(rot90(gg(k+o+1:n+k)))*pas;
end;
Cele două metode de calcul trebuie să furnizeze aproximativ aceleaşi rezulate. Aproximaţiile rezultă din faptul
că s-a considerat un interval de timp mărginit pentru observaţie.
clg;
subplot(211);plot(t(1:o),rxy,'r',t(1:o),p,'g');
subplot(212);plot(t(1:o),ry,'r',t(1:o),r,'g');
Sunt prezentate în fig. 2 rezultatele obţinute în urma simulărilor
Intercorelaţia temporală rxy semnalele de intrare-iesire
1 1

0.5 0.8

0 0.6

-0.5 0.4

-1 0.2
0 1 2 3 4 5
0
Autocorelaţia temporală a lui y(t)
1 -0.2
0.5 -0.4
0 -0.6

-0.5 -0.8

-1 -1
0 1 2 3 4 5 0 2 4 6 8 10

Intercorelaţia rxy
1 2

0.5 1

0 0

-0.5 -1

-1 -2
0 1 2 3 4 5 0 2 4 6 8 10
Autocorelaţia ryy semnalele de intrare-iesire
1 1

0.5
0
0
-1
-0.5

-1 -2
0 1 2 3 4 5 0 2 4 6 8 10

Intercorelaţie rxy
1 5

0.5

0 0

-0.5

-1 -5
0 1 2 3 4 5 0 2 4 6 8 10
semnalele de intrare-iesire
Autocorelatie ryy
1 2

0.5 1

0 0

-0.5 -1

-1 -2
0 1 2 3 4 5 0 2 4 6 8 10

Intercorelatie rxy
6 40

4 20

2 0

0 -20

-2 -40
0 1 2 3 4 5 0 2 4 6 8 10
semnalele de intrare-iesire
Autocorelatie ryy
4 5

2 0

0 -5

-2 -10
0 1 2 3 4 5 0 2 4 6 8 10
Fig. 2

Pentru calculul densităţii spectrale se poate folosi oricare din metodele indicate la capitolul 2
Pe baza relaţilor (8) se recalculează G(jw) si se compara rezultatul astfel obtinut cu cel coespunzător înlocuirii
directe în functia de transfer a lui s cu jw. Comparaţia este efectuată pe diagrama Bode de amplitudine

%cu u3 si y3
[suu w]=densp(t,u3);
suy =densp(t,u3,y3);
syu=densp(t,y3,u3);
syy=densp(t,y3);
g1=suy./suu;
g2=syy./syu;
g3=sqrt(syy./suu);
m=(abs(g1)+abs(g2)+g3)/3;

w1=w(1:(n/2-10));
[mr,fir]=bode(num,den,w1);

figure(4)
loglog(w1,m(1:(n/2-10)),w1,mr);
title('cu u3 si y3');
Similar se poate lucra pe perechile de semnale intrare-ieşire u2-y2 sau u1-y1.

Rezultatul este ilustrat în fig. a-c

Formulele (8) ar putea fi considerate în scopul identificării sistemelor- se măsoară semnalele de intrare şi de
ieşire şi pe baza formulelor (8) se poate găsi modulul funcţiei G(jw). Dacă sistemul este BIBOstabil, de fază
minimă şi cu factor de amplificare pozitiv se poate preciza cu aproximaţie G(s).

2
cu u1 si y1 1
cu u2 si y2
10 10

1
10 0
10

0
10
-1
10
-1
10
-2
10
-2
10

-3
-3 10
10

-4 -4
10 -2 -1 0 1 2 3
10 -2 -1 0 1 2 3
10 10 10 10 10 10 10 10 10 10 10 10
a) b)
1
cu u3 si y3
10

0
10

-1
10

-2
10

-3
10

-4
10 -2 -1 0 1 2 3
10 10 10 10 10 10
c)
Fig. 3 Comparatii pentru perechile de semnale u1,y1 (sigma=0.1), u2,y2 (sigma=1), u3,y3(sigma=10)

4. Probleme propuse:
1. Generaţi prin simulare numerică semnale sinusoidale de aceeaşi amplitudine şi pulsaţie, dar defazate.
Comparaţi funcţiile de autocorelaţie şi de densitatespectrala care le caracterizează.
Generaţi semnale aleatoare de tip zgomot alb, normal distribuite, de medie nulă şi varianta 1 (folosind funcţia
Matlab normrnd - la două lansări diferite, rezulatul returnat de această funcţie este diferit). Comparaţi formele de
undă ale acestor semnale. Calculaţi în Matlab funcţiile de autocorelaţie temporala şi de densitate spectrală şi
explicaţi diferenţele obţinute fată de rezultatele teoretice. (teoretic, funcţia de autocorelaţie este egală cu
impulsul Dirac, iar funcţia de densitate spectrală este egală cu 1). Comentarii.

2. Fie un sistem dinamic liniar. S-au măsurat experimental semnalele intrare-ieşire . Rezultatele obţinute sunt
păstrate în fişierul p.mat.
Calculaţi autocorelaţiile/intercorelaţiile temporale şi densităţile spectrale /interspectrale. Apreciaţi modelul
sistemului pe care s-au efectuat experimentele (funcţia de transfer).
Verificaţi rezultatul pe baza relaţiilor 7.

5. Anexă
1) Exemplu de variabilă aleatoare discretă
Se considerã urmãtorul experiment:
Se aruncã de mai multe ori un zar de formã perfect cubicã, având înscrise pe feţele sale numerele 1,2,3,4,5,6. Nu
se va putea preciza cu exactitate numãrul pe care-l va indica zarul la fiecare aruncare (sunt mulţi factori care ar
trebui luaţi în consideraţie: modul cum este ţinut zarul în mânã, viteza de aruncare, suprafaţa pe care se
rostogoleşte, materialul din care este fãcut zarul, etc. şi mulţi dintre aceşti factori nu pot fi la rândul lor bine
evaluaţi).
Problema trebuie privitã din alt punct de vedere. În loc sã se precizeze valoarea pe care o va indica zarul la
fiecare aruncare, se va preciza care sunt şansele de apariţie a tuturor variantelor posibile.
La o aruncare este posibil ca:
- zarul sã indice valoarea 1 (evenimentul e1)
- zarul sã indice valoarea 2 (evenimetul e2)
-.........................................
- zarul sã indice valoarea 6 (evenimetul e6)
Se va presupune cã toate "evenimentele" descrise mai sus au şanse egale sã se îndeplineascã.
Folosind notaţiile:
E={e1,e2,e3,e4,e5,e6} = mulţimea evenimentelor posibile.
X={1,2,3,4,5,6} = mulţimea rezultatelor posibile
se poate defini ca variabilã aleatoare funcţia
ξ: E → X ,ξ(ei )= xi
E = {ei}; X = { xi }
Pentru descrierea completã a variabilei aleatoare trebuie precizatã probabilitatea de apariţie a fiecãrui rezultat
posibil. Pentru aceasta se completeazã un tablou de forma:
x1 x2 ...... xn n
; ∑ pi = 1
p1 p2 .. pn i =1
unde
pi ∈(0,1);
p = 0 − evenimentul ei nu poate avea loc

p = 1 − evenimentul ei este sigur (cert)

Suma tuturor probabilitãţilor pi este 1, deoarece la fiecare încercare nu poate avea loc decât unul dintre
evenimentele ei ( se obţine unul dintre rezultatle xi).
Pe exemplul considerat, tabloul se completeazã astfel:
1 2 3 4 5 6
1/6 1/6 1/6 1/6 1/6 1/6
(s-a presupus cã toate evenimentele au şanse egale de a avea loc).
Probabilitatea ca un eveniment sã aibã loc poate fi asociatã frecvenţei de apariţie a acelui eveniment pentru un
numãr mare de încercãri. Presupunând cã s-au efectuat N aruncãri ale zarului, cu N foarte mare (de exemplu
N=600.000), numãrul situaţiilor în care zarul a indicat de exemplu cifra 3 va fi aproximativ N/6 adicã
aproximativ 100.000
În exemplul prezentat mai sus rezultatele posibile {1,2,3,4,5,6} sunt discret distribuite şi variabila aleatoare se
numeşte discretã.
2) Exemplu de proces stochastic discret:
O variabilã aleatoare dependentã de timp se numeşte proces stochastic. În exemplul prezentat mai sus unei
experienţe i s-a ataşat un singur rezultat. Ceea ce indicã zarul a fost citit în regim staţionar - când zarul s -a oprit
din rostogolire.
Se poate însă considera că se efectuează experienţe pe foarte multe zaruri, fiecare zar fiind aruncat succesiv de o
infinitate de ori; o aruncare se realizează într-o unitate de timp. Variabila aleatoare care descrie acest set de
experienţe este dependentă de timp. Rezultatele experienţelor efectuate cu un zar vor constitui o realizare: la
momentul de timp ti valoarea variabilei aleatoare pentru această realizare reprezintă rezultatul aruncării efectuate
la momentul ti cu zarul j- rezultatul nu este anticipabil, dar se ştie că poate fi găsită una din valorile 1, 2, 3 , 4, 5,
6 cu probabilitate egală de apariţie.
Pentru fiecare zar în parte se va considera o altă realizare. La momentul de timp ti fixat se pot lua în consideraţie
rezultatelele aruncărilor de la toate zarurile folosite, delimitându-se astfel eşantionul de la momentul ti.
Cu bună precizie se poate considera că acest proces este staţionar în sens restrâns. Considerând intervale foarte
mari pe fiecare realizare în parte, densitatea de probabilitate nu se va modifica considerabil.
O altă varianta ar fi să se considere un numar foarte mare de zaruri. Fiecare este aruncat o singură dată, dar se
reţin într-o realizare indicaţiile zarului din regimul “tranzitoriu”. După ce zarul se opreşte, pot avea loc
“perturbaţii” care să determine rostogolirea zarului.
3) Exemplu de variabilă aleatoare continuă:
Dacã rezultatele posibile sunt continuu distribuite atunci variabila aleatoare se numeşte variabilã aleatoare
continuã.
Densitate
0.08
de probabilitate Pentru exemplificare să considerăm o variabilă aleatoare
care să descrie înălţimea pe care o poate avea un copil de
0.07 şapte ani. Rezultatele posibile sunt de această dată
0.06 continuu distribuite într-un interval notat X (de exemplu
X=[30cm; 200cm]).Există valori din acest interval care
0.05
sunt mai des întâlnite. Densitatea de probabilitate p(x) va
0.04 preciza probabilitatea ca în urma unei măsuratori să fie
0.03 găsită înălţimea x ∈ X . Presupunând o variaţie a densităţii
de probabilitate ca cea din fig.A1, se poate aprecia că cei
0.02
mai mulţi copii de şapte ani au înălţimea în jurul valorii de
0.01 110 cm şi un număr extrem de redus de copii (aproape
0
înăţime(cm) zero) vor avea înătimea peste 130cm, respectiv sub 70 cm.
0 50 100 150 200
Experimental funcţia densitate de probabilitate poate fi
Fig. A1 aproximată efectuând un număr foarte mare de
măsurători, caz în care frecvenţa de apariţie poate fi
asociată probabilitătii de apariţie.
4)Exemplu de proces stochastic continuu:
Se presupune că se urmăreşte evoluţia înălţimii unui număr mare de indivizi la diferite vârste.
Rezulatul poate fi descris considerând o variabilă aleatoare dependentă de timp.
Rezultatele obţinute pentru un singur individ vor reprezenta o realizare; valorile dintr-o realizare sunt într-o
oarecare dependenţă (deşi indivizii nu au o rată de creştere deterministă, totuşi ei nu vor putea de exemplu
scădea în înălţime; rata de creştere este la rândul ei o variabilă aleatoare).
Considerând setul de date obţinut de la toţi indivizii, la o vârstă precizată ti, se formează eşantionul de la vârsta
ti.