19

Programul de Masterat IISC – Curs PASD

2.2. Estimatori ai mediei si dispersiei unui proces aleator gaussian
Pentru exemplificare se considera un proces aleator x n  pentru care functia
densitate de probabilitate a amplitudinilor este gaussiana:
1 2 2x
e  ( x  mx )
2
p xn ( x )  (30)
2 x
Sa presupunem ca variabilele aleatoare sunt statistic independente, astfel ca, in
particular, x(0), x(1),..., x(N-1) sunt marimi reale si statistic independente.
O categorie de estimatori des utilizati sunt estimatorii de maxima
verosimilitate (maximum likelihood estimates). Estimatorul de maxima
verosimilitate a unui parametru este acela care se realizeaza cu maxima
probabilitate. Deci pentru aceasta categorie de estimatori probabilitatea de a avea
valorile asteptate este maxima.
Este cunoscut ca, pentru problema considerata, estimatorul de maxima
verosimilitate a valorii medii mx a procesului aleator gaussian este media
esantioanelor, definita ca
N 1
1
x 
m
N
 xi (31)
i0

Aceasta reprezinta o alegere pentru estimatorul parametrului mx. Deoarece m x este

o suma ponderata de variabile aleatoare gaussiene independente, densitatea de
probabilitate pm x (m x ) este de asemenea gaussiana. Deoarece pm x (m x ) este

gaussiana aceasta este complet determinata de deplasarea estimatorului si de

dispersia sa. Valoarea asteptata pentru m x este egala cu valoarea asteptata a lui xn
si, in consecinta, deplasarea este zero.
Pentru evaluarea dispersiei estimatorului mediei se calculeaza
N 1 N 1
1
E[m x2 ] 
N2
  E[ xi x j ] (32)
i 0 j 0

relatie care poate fi adusa la forma

1 N 1
E[m x2 ]  E[ x n2 ]  mx2 (33)
N N
 20
Programul de Masterat IISC – Curs PASD
Prin urmare
1 1
var[m x ]  E[m x2 ]  {E[m x ]} 2  ( E[ x n2 ]  mx2 )   2x (34)
N N
Aceasta relatie arata ca, daca numarul observatiilor creste, dispersia mediei
esantioanelor descreste, si intrucit deplasarea este zero, estimatorul mediei este un
estimator consistent.
Daca valoarea medie este cunoscuta, dar trebuie estimata dispersia,
estimatorul de verosimilitate maxima a acestui parametru este
N 1
1
 2x 
N
 ( xi  mx ) 2 (35)
i 0

Se poate verifica ca estimatorul propus este consistent. Totusi evaluarea lui

necesita cunoasterea valorii medii adevarate a procesului aleator, marime care
practic nu este cunoscuta intotdeauna. Daca trebuie estimate ambele marimi, media
si dispersia, atunci estimatorul de verosimilitate maxima al mediei este media
esantioanelor, iar cel al dispersiei este definit de relatia
N 1
1
 2x 
N
 ( xi  m x ) 2 (36)
i 0

 x este estimatorul mediei esantioanelor. Relatia (35) difera de (36) prin

unde m
faptul ca, in primul caz este folosita media adevarata (valoare cunoscuta), iar in cel
de al doilea caz este folosit estimatorul valorii medii. Pentru a determina
deplasarea dispersiei esantioanelor, data de relatia (36), trebuie calculata intii
valoarea asteptata a lui  2x
N 1
1
E[ x]
2
N
 ( E[ xi2 ]  E[ m x2 ]  2E[ xi m x ]) (37)
io

relatie care poate fi adusa la forma

N 1 2
E[ x2 ]  x (38)
N
Prin urmare valoarea medie a estimatorului dispersiei esantioanelor nu este egala
cu dispersia adevarata; deci estimatorul este deplasat. Totusi, cind N devine foarte
mare, valoarea medie a estimatorului dispersiei se apropie de dispersia adevarata.
Rezulta ca acesta este un estimator asimptotic nedeplasat.
 21
Programul de Masterat IISC – Curs PASD
Pentru a stabili dispersia estimatorului dispersiei esantioanelor, se face mai
intii presupunerea ca procesul are media nula, astfel ca
N 1
1
v   2x 
N
 xi2 (39)
i 0

Rezulta ca
N 1 N 1
1 1
E[v 2 ] 
N2
  E[ xi2 x r2 ]  N ( E[ x n4 ]  ( N  1){E[ x n2 ]}2 ) (40)
i 1 r 1

Deoarece se poate stabili usor ca E[v]  E[ x n2 ] , se obtine

1
var[ 2x ]  E[v 2 ]  ( E[v]) 2  {E[ x n4 ]  ( E[ x n2 ]) 2 } (41)
N
Relatiile (38) si (41) arata ca estimatorul dispersiei esantioanelor este consistent.

Discutia anterioara a evidentiat modul de analiza folosit pentru descrierea

proprietatilor estimatorilor. Obiectivul analizei a fost de a stabili care este precizia
estimatorului si cum depinde aceasta de numarul de esantioane folosite pentru
calculul estimatorilor. Pentru a calcula limitele de incredere pentru estimatori este
necesar sa fie cunoscuta distributia de probabilitate a variabilelor aleatoare xn. Cind
aceste distributii nu sunt cunoscute, cum este cazul multor aplicatii de prelucrare
digitala a semnalelor, poate fi considerata legea de distributie gaussiana. Pe baza
acestei legi este posibil sa se determine limite de incredere aproximative pentru
estimatorii mediei, dispersiei, etc. In multe situatii sunt suficiente chiar valori
aproximative pentru deplasarea si dispersia estimatorilor, care arata dependenta
acestora de lungimea secventei de esantioane.

2.3. Estimatori ai functiei de autocorelatie

Se considera procesul aleator x n  ,  n , sationar in sens larg, a carui

secventa de autocorelatie este data de relatia (20). Avind la dispozitie un tronson

de lungime N, x(n), n = 0, 1,.., N-1, un estimator al secventei de autocorelatie este
 22
Programul de Masterat IISC – Curs PASD
N 1 k
1
rˆxx (k ) 
N
 xn x n k , k  N 1 ( 42)
n 0

Diferenta dintre secventa de autocorelatie adevarata (cea obtinuta pe baza

intregului semnal) si estimatorul propus poate fi apreciata calculind deplasarea si
dispersia acestuia. Daca valoarea asteptata a estimatorului este
N 1 k
1 Nk
E[rˆxx (k )] 
N
 E[ x n x n k ]  N
rxx (k ), k  N 1 (43)
n 0

si
k
B  rxx k   Erˆxx k   rxx k  (44)
N

Rezulta ca rˆxx (k ) este un estimator deplasat, dar asimptotic nedeplasat, deoarece

pentru N   , B  0. Dispersia acestui estimator este

 
varrˆxx k   E rˆxx2 k   Erˆxx k 
2
(45)
unde

 k  
N 1|k | N 1|k |
  Ex n x n|k| xi xi |k| 
1
E rˆxx2 (46)
N2 n 0 i 0

Pentru simplificarea acestei relatii se considera ca procesul aleator gaussian are

media nula, ceea ce implica

r n  i   rxx n  i  k rxx n  i  k 
N 1|k | N 1|k |
1
varrˆxx k   2   2
xx (47)
N n 0 i 0

daca se noteaza n - i = p, rezulta

 
N 1|k |
1  | k |  | p | 2
varrˆxx k    1   rxx  p   rxx  p  k rxx  p  k  (48)
N p    N 1|k |   N 
Pentru semnalele de energie finita, rxx k  este o secventa patratic sumabila si deci

varrˆxx k  tinde catre zero cind N tinde catre . Prin urmare, rˆxx k  este un
 23
Programul de Masterat IISC – Curs PASD
estimator consistent al lui rxx k  . Un estimator nedeplasat al secventei de
autocorelatie este
1 N 1|k |
rˆxx k    x n x n | k | (49)
N  | k | n 0
Pentru procese cu valoarea medie nula secventele de autocorelatie si de
autocovariatie sunt identice si prin urmare au aceeasi estimatori. In fig. 4a  d este
reprezentat estimatorul secventei de autocorelatie a unui proces aleator, calculat pe
baza unei secvente de 1024 de esantioane, precum si media si dispersia acestui
estimator (frecventa de esantionare a fost de 22kHz).

Fig. 4a
 24
Programul de Masterat IISC – Curs PASD

Fig. 4b

Fig. 4c
 25
Programul de Masterat IISC – Curs PASD

Fig. 4.d