You are on page 1of 229

1

CUPRINS

INTRODUCERE IN IDENTIFICAREA SISTEMELOR 3
MODELE ALE SEMNALELOR, SISTEMELOR ȘI PROCESELOR DINAMICE 3
PROCEDURA GENERALĂ ȘI ORGANIZAREA EXPERIMENTELOR DE IDENTIFICARE SISTEMELOR 7
EXPERIMENTE DE IDENTIFICARE A SISTEMELOR. EXEMPLE 9
PROBLEME 16
VARIABILE ALEATOARE ŞI FUNCŢII DE PROBABILITATE 22
INTRODUCERE 22
FUNCŢII DE PROBABILITATE 26
MOMENTE STATISTICE 32
FUNCŢII DE VARIABILE ALEATOARE 39
OPERATORUL DE MEDIERE STATISTICĂ 41
CORELAŢIA 44
SEMNALE ALEATOARE ŞI ZGOMOTE 48
DEFINIŢII 48
FUNCŢIILE DE CORELAŢIE ASOCIATE PROCESELOR ALEATOARE ȊN SENS LARG 53
DENSITATEA SPECTRALĂ DE PUTERE A PROCESELOR ALEATOARE STAŢIONARE ÎN SENS LARG 64
ENERGIA ȘI PUTEREA SEMNALELOR 68
FUNCŢII TEMPORALE ŞI SECVENŢE TEMPORALE DE PROCESE ALEATOARE 70
PROBLEME 78
MODELE ALE SISTEMELOR LINIARE 83
PROPRIETĂŢI ALE SISTEMELOR LINIARE CU PARAMETRI CONSTANȚI, INVARIANTE ÎN TIMP 83
MODELE ALE SISTEMELOR LINIARE CU PARAMETRI CONSTANŢI ŞI SEMNALE DE TIP CONTINUU 87
MODELE ALE SISTEMELOR LINIARE CU PARAMETRI CONSTANŢI ŞI SEMNALE DISCRETE 113
REZUMAT 122
METODE DE IDENTIFICARE DE TIP NEPARAMETRIC 124
METODA RĂSPUNSULUI TRANZITORIU 124
METODA ANALIZEI ȊN FRECVENȚǍ 133
METODA ANALIZEI DE CORELAȚIE 142
METODA ANALIZEI SPECTRALE 146
PARAMETRIZAREA MODELELOR 153
MODELE DE ZGOMOT ALE SISTEMELOR LINIARE CU PARAMETRI CONSTANȚI 153
CLASA MODELELOR POLINOMIALE ALE SISTEMELOR LINIARE CU PARAMETRI CONSTANȚI 160
PROBLEME 165
METODE DE IDENTIFICARE DE TIP PARAMETRIC 171
REGRESIA LINIARǍ 171
METODE DE IDENTIFICARE BAZATE PE MINIMIZAREA ERORII DE PREDICȚIE 182
METODA SIMPLĂ A CELOR MAI MICI PǍTRATE 184
METODA VARIABILELOR INSTRUMENTALE 200
METODA VEROSIMILITǍȚII MAXIME 205
PROBLEME 210
VALIDAREA MODELELOR 217
CARACTERISTICILE DE PERFORMANȚĂ ALE MODELULUI 217
DISTRIBUȚIA χ χχ χ
2
ȘI DISTRIBUȚIA F 219
TESTE PENTRU VALIDAREA STRUCTURII MODELULUI 220
BIBLIOGRAFIE 229




2



3
CAPITOLUL I
INTRODUCERE IN IDENTIFICAREA SISTEMELOR
Conceptele, legile ştiinţifice şi în final teoriile ştiinţifice, elaborate ȋn ştiinţele naturii
precum astronomia, fizica, chimia, biologia, etc. sunt rezultatul observării
fenomenelor precum şi a numeroase experimente efectuate în condiţii de laborator.
Ȋn aceste activităţi, cercetătorul ştiinţific operează cu date rezultate din măsurători,
formulează ipoteze, elaborează modele şi clasificări ale fenomenemelor şi în final
verifică validitatea abordărilor teoretice prin compararea rezultatelor teoretice cu
datele măsurate din proces.
Obiectivul general ȋn Identificarea sistemelor este determinarea modelelor sistemelor
pe baza observaţiilor (datelor măsurate) prelevate din procese dinamice ȋn care
acestea intervin. Ȋn acest context identificarea sistemelor preia şi dezvoltă
metodologia cercetării ştiinţifice prin integrarea acesteia în contextul controlului
automat al proceselor dinamice.
Ȋn acest capitol se prezintă cadrul general al identificării sistemelor, conceptele de
bază şi abordările specifice. De asemenea, sunt prezentate un număr de exemple cu
caracter introductiv.
Modele ale semnalelor, sistemelor și proceselor dinamice
Sistemul dinamic este un concept central ȋn automatică. Orice sistem dinamic poate
fi descris (a) pe baza componenței, a structurii materiale a sistemului și a legilor /
teoriilor științifice asociate și (b) prin predicția regimului dinamic al sistemului pe baza
cunoașterii modelelor proceselor dinamice asociate.
Ȋn sensul primei abordări, conceptul de sistem poate fi definit după cum urmează.
Definiția 1: sistem. Un sistem este o mulţime structurată de obiecte (subsisteme),
diferite ca natură, aflate în interacţiune.
Cea de-a doua abordare a conceptului de sistem este evidențiată ȋn Definiția 6.
Un sistem care nu interacționează cu nici un alt sistem se numește sistem complet
izolat. Ȋn natură și ȋn tehnică, sistemele nu sunt niciodată complet izolate ci se află ȋn
interacțiune. Mulțimea punctelor din spațiul tridimensional ocupat de sistem, ȋn care
pot avea loc interacțiuni ale sistemului cu alte sisteme se numesc porturi ale
sistemului.
Porturile sistemului definesc zonele prin care sistemul schimbă energie cu sistemele
cu care acesta interacționează. Din această perspectivă, porturile prin care energia
intră ȋn sistem se numesc porturi de intrare și porturile prin care energia iese din
sistem se numesc porturi de ieșire.
Un sistem de află ȋn echilibru stabil dacă energia totală a acestuia nu depinde de
variabila timp și sistemul nu schimbă energie cu exteriorul.
Un sistem se află ȋn echilibru staționar dacă energia totală a acestuia nu depinde de
variabila timp dar sistemul schimbă energie cu exteriorul astfel ȋncât cantitatea de




4
energie primită din exterior ȋn unitatea de timp este egală cu cantitatea de energie
cedată spre exterior ȋn aceeași unitate de timp.
Un sistem se află ȋn echilibru dinamic dacă energia totală a acestuia depinde de
timp. Ȋn acest caz, energia totală a sistemului crește sau scade ȋn funcție de timp iar
starea sau structura sistemului se modifică ȋn funcție de timp. Un sistem aflat ȋn
echilibru dinamic se numește sistem dinamic
Evoluția ȋn funcție de timp a stărilor unui sistem aflat ȋn echilibru dinamic definește un
proces dinamic.
Definiția 2: proces dinamic. Un proces dinamic este (1) ȋnregistrarea evoluției ȋn
funcție de timp a stărilor unui sistem natural care trece succesiv prin stări
intermediare pornind de la starea inițială de echilibru stabil până la starea finală
de echilibru stabil și (2) ȋnregistrarea evoluției controlate pentru obținerea unui
rezultat dorit, ȋn funcție de timp a unui sistem tehnic care trece succesiv prin stări
intermediare pornind de la starea inițială de echilibru stabil până la starea finală
de echilibru stabil. [1].
Definiția procesului dinamic pune ȋn evidență două entități distincte și anume (a)
sistemul natural / tehnic a cărui evoluție ȋn timp este observată și (b) stările sistemului
caracterizate prin mărimi observabile care pot fi ȋnregistrate.
Semnalele reprezintă rezultatul măsurării sau observării stărilor unui sistem.
Semnalele sunt obținute, de regulă cu mijloace tehnice - sisteme / linii de măsurare -
conectate la porturile sistemelor. Pe de altă parte, semnalele pot fi privite și ca
entități distincte, făcând abstracție de natura fizică a acestora după cum rezultă din
definițiile care urmează, [2], pag. 22 și pag. 35.
La nivel macroscopic, fenomenele din natură dar și procesele tehnice sunt explicate
cu ajutorul semnalelor analogice care se definesc după cum urmează.
Definiția 3: Semnal analogic. O funcție reală de variabilă reală R R ⊆ → ⊆ J : I x ȋn
care intervalul pe dreapta reală R ⊆ I este asociat variabilei timp fizic,
coordonatelor ȋn spațiu ȋn raport cu un sistem de referință, etc, intervalul R ⊆ J
este asociat mulțimii valorilor semnalului se numește semnal analogic.
( ) J ∈ t x reprezintă valoarea măsurată / observată a semnalului la momentul I ∈ t .
La nivel microscopic, molecular/atomic, explicarea fenomenelor din natură se face cu
ajutorul semnalelor discrete. Același tip de semnale este utilizat și pentru descrierea
proceselor tehnice ȋn cazul ȋn care se utilizează aparatură digitală; spre exemplu ȋn
comunicațiile digitale, achiziția și procesarea datelor, etc. Semnalele discrete se
definesc după cum urmează.
Definiția 4: Semnal discret și semnal digital. (1) Un semnal discret este o funcție de
variabilă reală definită pe mulțimea numerelor ȋntregi R Z ⊆ → ⊆ J I x : ȋn care
intervalul Z ⊆ I este asociat unei variabile timp discret, unei variabile coordonată
spațială de tip discret, etc, și intervalul R ⊆ J reprezintă mulțimea valorilor
semnalului discret. (2) Un semnal digital este o funcție ȋntreagă de variabilă
ȋntreagă, [ ] N Z Z ∈ > ⊆ − → ⊆ 0 N N N I x , ; : . (3) un semnal discret cu valori
complexe este o funcție complexă de varibilă ȋntreagă, C Z ⊆ → ⊆ J I x : .
Ȋn sensul definițiilor precedente, noțiunile de semnal și model al semnalului sunt
echivalente deoarece accentul cade, ȋn aceste enunțuri, pe reprezentarea semnalului




5
și nu se evidențiază natura fizică a acestuia. Ȋn Figura 1 se prezintă diagrama bloc
generală a unui sistem dinamic ȋn care sunt evidențiate semnalele asociate.

Figura 1. Diagrama bloc generală a unui sistem
dinamic.
Din mulţimea semnalelor observabile /
măsurabile asociate unui sistem,
semnalele care sunt localizate la porturi
de ieșire ale sistemului se numesc
semnale de ieșire din sistem, ( ) ( ) t y t v , .
Semnalele localizate la porturi de intrare
ȋn sistem, care pot fi modificate de către
observator se numesc semnale de
intrare ȋn sistem sau semnale de comandă, ( ) t u . Semnalele localizate la porturi de
intrare ȋn sistem care nu pot fi modificate de către observator dar care influenţează
evoluţia sistemului se numesc semnale de perturbație sau perturbaţii, ( ) t p . Din
punctul de vedere al identificării sistemelor, distincţia dintre semnalele de intrare şi
perturbaţii nu este importantă, de cele mai multe ori.
Ȋn practică, semnalele care rezultă prin observații efectuate cu mijloace tehnice
conțin ȋntotdeauna o componentă aleatoare, nereprezentabilă sub forma analitică.
Această componentă se numește zgomot, ( ) t n . Ȋn Identificarea sistemelor,
zgomotele suprapuse semnalelor utile fac parte din modelul asociat semnalului.
Ȋn final, semnalele la porturile de ieşire ale unui sistem dinamic ale căror semnale de
intrare nu sunt observabile se numesc serii temporale. Seriile temporale sunt des
utilizate în științele economice.
Cunoașterea proprietăților semnalelor este importantă ȋn aplicaţiile din domenii ca:
transmisia de date, procesarea vorbirii, radar şi sonar, analiza electrocardiogramelor,
etc. Ȋn aceste aplicații, datele înregistrate din proces sunt filtrate pentru a elimina pe
cât posibil efectele nedorite ale zgomotelor şi pentru a reconstrui aspectul iniţial al
semnalului. Pentru aceasta se utilizează filtre numerice cu ajutorul cărora se
evidenţiază proprietăţile de interes ale semnalului. Proiectarea filtrelor numerice are
la bază modele ale semnalului.
Procesele industriale din industria chimică, siderurgie, energetică, etc. se desfăşoară
în instalaţii tehnologice structurate în sisteme de complexitate diferită. Printre
acestea, sistemele de reglare automată realizează controlul şi optimizarea
funcţionării instalaţiilor tehnologice. Metodele de proiectare a regulatoarelor care intră
în componenţa sistemelor de reglare automată au la bază modele ale sistemelor
componente ale instalaţiei tehnologice.
Definiția 5: Model al unui sistem. Un ansamblu de relații ȋntre parametrii sistemului
cu ajutorul cărora se pot estima evoluția stărilor și a semnalelor la porturile de
ieșire ale acestuia, dacă se cunosc dependențele de timp ale semnalelor la
porturile de intrare, definește un model al sistemului.
Conceptele de sistem şi model al unui sistem sunt foarte importante în ştiinţă şi
tehnică.
Modelul este în multe cazuri, mijlocul prin care poate fi prezisă evoluţia unui fenomen
natural (de exemplu în ştiinţele pământului). De asemenea, cu ajutorul modelului




6
sistemului pot fi determinaţi - prin calcule adecvate - parametri ai acestuia, care nu
pot fi măsuraţi cu traductoare conectate direct la proces.
Exemplul 1: Modelul dinamic al unui sistem electromecanic.

Figura 2. Modelul dinamic al unui troliu
electromecanic; (1) motor electric, (2)
tambur, (3) colivie de materiale.
Fie un troliu pentru ridicarea materialelor,
reprezentat schematic în Figura 2.
Troliul este compus din motorul electric
de antrenare, (1) la arborele căruia este
cuplat mecanic tamburul troliului (2) pe
care este înfăşurat cablul de ridicare a
coliviei de materiale (3).
Funcţionarea în regim dinamic a troliului
este descrisă printr-un sistem de două
ecuaţii diferenţiale rezultate prin
aplicarea unor teorii din electrotehnică şi
mecanică respectiv Teoria generală a maşinilor electrice şi Dinamica mişcării
solidului rigid cu axă fixă după cum urmează, [3] pag. 25.


¦
¦
¹
¦
¦
´
¦
+ = ⋅


= ⋅
W A J
A
A
A A
A
m i
dt
n d
T
i
r
n u
dt
i d
T


Ȋn care:
J A
T , T - constantele de timp electrică şi respectiv mecanică ale sistemului de
acţionare electrică,
A
r - rezistenţa electrică raportată a indusului maşinii electrice,
A A
i , u - valorile raportate ale tensiunii la bornele indusului şi respectiv curentului prin
indusul maşinii electrice, n - valoarea raportată a turaţiei la arborele maşinii electrice
şi
W
m - valoarea raportată a cuplului sarcinii.
Se completează acest sistem cu valorile iniţiale ale necunoscutelor, respectiv ( ) 0 n şi
( ) 0 i
A
.
Prima ecuaţie diferenţială din relațiile (1.1) descrie echilibrul tensiunilor în circuitul
electric echivalent al indusului maşinii electrice; cea de-a doua ecuaţie descrie
echilibrul cuplurilor la arborele maşinii electrice.

Figura 3. Diagrama structurală a modelului dinamic al troliului prezentat ȋn Exemplul 1.
Diagrama structurală asociată troliului este reprezentată ȋn Figura 3; semnificațiile
semnalelor sunt prezentate ȋn Tabelul 1.




7
Tabelul 1. Semnificațiile semnalelor din Exemplul 1 - sistem electromecanic.
Semnalul/Variabila/Parametrul Descriere
Semnalul de intrare:
Tensiunea la bornele rotorului,
A
u


Semnalul de perturbaţie:
Cuplul de sarcină la arborele motorului,
W
m


Semnalul de ieşire: Turaţia la arborele motorului,
n

Variabila de stare:
Curentul prin rotorul motorului,
A
i


Parametrii sistemului:
Constantele de timp ale motorului,
J A
T , T
,
A
r


Ȋn practică se utilizează diverse tipuri de modele ale sistemelor dintre care mai des
întâlnite sunt următoarele.
Tabelul 2. Tipuri de modele ale sistemelor utilizate ȋn Identificarea sistemelor.
Descriere Exemple
Modele mentale, intuitive sau verbale Modelele utilizate în logica fuzzy
Modele ale sistemelor reprezentate sub formă
grafică sau tabelară
Diagramele Bode, graficul funcţiei pondere sau
graficul răspunsului indicial al unui sistem
Modele matematice
Ecuaţiile diferenţiale, sistemele de ecuaţii
diferenţiale sau ecuaţiile cu diferenţe sau
sistemele de ecuaţii cu diferenţe care descriu
regimul dinamic al unui sistem
Oricărui sistem dat i se pot asocia mai multe tipuri de modele. Legătura dintre
modelulul sistemului și modelele semnalelor asociate este dată de modelul
procesului. Prin urmare, noțiunea de proces dinamic poate fi redefinită după cum
urmează.
Definiția 6: Ansamblul de relaţii dintre modelul unui sistem și modelele semnalelor
observate asociate acestuia se numește proces dinamic.
Relaţia dintre modelarea matematică şi identificarea sistemelor
Modelarea matematică şi identificarea sistemelor sunt complementare ȋn ceea ce
privește construirea modelelor matematice ale sistemelor.
Modelarea matematică reprezintă abordarea teoretică a construirii modelelor. Teoriile
din fizică, chimie, biologie, etc. sunt utilizate pentru a descrie regimul dinamic al
specific fiecărui proces.
Identificarea sistemelor reprezintă abordarea experimentală a construirii modelelor.
Ȋn această abordare, se efectuează experimente asupra sistemului şi se măsoară /
înregistrează semnalele de intrare/ieşire; datele rezultate din măsurători, împreună
cu informaţii generale privind modelul dorit sunt prelucrate cu algoritmi dedicaţi care
produc valori ale parametrilor unui model care se ȋncadrează ȋntr-o clasă de modele
prestabilită. Ȋn Identificarea sistemelor, cunoașterea naturii procesului este utilă dar
nu este necesară.
Procedura generală și organizarea experimentelor de
identificare sistemelor
Procedura generală utilizată ȋn experimentele de identificare a sistemelor este
reprezentată ȋn Figura 4, [4] pag 6.




8
Ȋn prima etapă a unui experiment de identificare a sistemelor, la porturile de intrare
ale sistemului testat se aplică semnale de intrare - semnale sinusoidale, semnale
cauzale, semnale aleatoare - ale căror proprietăți sunt cunoscute cu exactitate; se
observă (se măsoară și se ȋnregistrează) dependențele de timp atât ale semnalelor

Figura 4. Organigrama procedurii experimentelor de identificare a sistemelor.
de intrare cât și ale semnalelor la porturile de ieșire pe un anumit interval de timp. De
regulă, pentru generarea semnalelor de test cât și pentru achiziția datelor din proces
se utilizează echipamente hardware adecvate - traductoare și actuatoare de semnal,
dispozitive de condiționare a semnalelor și sisteme de achiziție de date. Sistemele de
achiziție de date moderne și plăcile de achiziție de date plug-and-play permit atât
generarea semnalelor de test cât și achiziția datelor din proces.
Ȋn continuarea experimentului, datele prelevate din proces sunt analizate pentru a
obține parametrii modelului sistemului. Analiza datelor prelevate este un proces
euristic care se desfășoară iterativ pe următoarele etape.




9
(1) se alege / se determină forma generală a modelului pe baza unor informații
preliminare despre sistem sau pe baza unor ipoteze formulate de experimentator,
(2) se estimează valorile parametrilor modelului cu ajutorul algoritmilor de identificare
și,
(3) se testează / se validează modelul astfel obținut cu ajutorul unei sau mai multor
teste de validare.
De regulă, pentru validarea modelului optim se utilizează un alt set de date prelevate
din proces ȋn condiții de test similare.
Analiza datelor prelevate este un proces iterativ sub următoarele aspecte. (a) datele
prelevate se partajate ȋn secvențe se aplică succesiv aceleiași forme generale
respectiv algoritm de identificare; se obțin seturi de valori ale parametrilor care apoi
sunt prelucrate statistic. (b) datele prelevate din proces partajate ȋn secvențe pot fi
aplicate mai multor forme generale respectiv algoritmi de identificare diferiți. Se
obține un set de modele dintre care se alege modelul optim prin metode de validare
a modelelor.
Ȋn cadrul acestei lucrări se face referire cu precădere la problematica analizei datelor
prelevate din proces. Problematica organizării experimentului, alegerea aparaturii de
testare și aspectele conexe sunt tratate succint, ȋn ultimul capitol al lucrării.
Experimente de identificare a sistemelor. Exemple
Ȋn continuare se prezintă un număr de trei experimente de identificare a sistemelor
are ilustrează aspecte specifice abordării din Identificarea sistemelor precum și
conexiunile cu alte discipline.
Determinarea constantei de timp a modelului rotorului unei mașini
electrice prin metoda autofrânării
Metoda autofrânării este o metodă utilizată ȋn acționările electrice pentru estimarea
momentului de inerție axial redus la arborele mașinii electrice, J .
Metoda constă ȋn antrenarea arborelui mașinii electrice la viteza unghiulară
N
1 1 Ω ⋅ , și
ȋnregistrarea curbei frânării libere a lanțului mecanic reprezentat de rotorul mașinii
electrice, transmisia mecanică și mașina de lucru.
Metoda autofrânării permite determinarea constantei de timp a modelului dinamic al
aceluiași sistem după cum se descrie ȋn continuare. O reprezentare schematică
echivalentă a sistemului este dată ȋn Figura 8. Curba autofrânării unui sistem de
acționare electrică determinată experimental este reprezentată ȋn Figura 5.

Figura 5. Ȋnregistrare a curbei autofrânării unui sistem de actionare electrică.




10
Modelul procesului
Conform legii lui Newton (legea inerției) rezultă următoarea ecuație care descrie
echilibrul cuplurilor care se exercită asupra corpului cilindric:
(i)
( )
( )
( ) ( ) t b t M
t M
dt
t d
J
b
b
Ω ⋅ =
− =



( )
( ) t b
dt
t d
J Ω ⋅ − =

⋅ ⇒
( )
( ) 0 t b
dt
t d
J = Ω ⋅ +

⋅ ⇒
Ȋn relația precedentă, J reprezintă momentul de inerție axial al sistemului de
acționare electrică, redus la arborele motorului electric și b reprezintă coeficientul
frecărilor viscoase ale lanțului mecanic.
Turația la arborele motorului electric la momentul inițial este diferită de zero,
respectiv ( ) [ ] min rot 1510 0
0
= Ω = Ω , prin urmare se completează ecuația diferențială
de mai sus cu condiția inițială și rezultă expresiile care urmează.
(ii)
( )
( ) ( )
0
0 0 t
dt
t d
b
J
Ω = Ω = Ω +

⋅ ;
Pentru rezolvarea ecuației diferențiale (ii) se aplică transformarea Laplace. La
calculul transformatei Laplace asociată primului termen se ține cont de teorema
derivării ȋn domeniul timpului și de condiția inițială nenulă; rezultă:
( ) ( ) [ ] ( ) 0 s 0 s s
b
J
= Ω + Ω − Ω ⋅ ⋅ ⇒ ( ) ( )
0
b
J
s s s
b
J
Ω ⋅ = Ω + Ω ⋅ ⋅ ⇒
(ii)
( )
0
b
J
s 1 s
b
J
Ω ⋅ = Ω ⋅
|
¹
|

\
|
+ ⋅ ⇒ ( )
0 0
J
b
s
1
1 s
b
J
b
J
s Ω ⋅
|
¹
|

\
|
+
= Ω ⋅
|
¹
|

\
|
+ ⋅
= Ω
Variația ȋn funcție de timp a vitezei unghiulare la arborele motorului electric se obține
prin calcularea transformatei Laplace inverse a expresiei funcției ( ) s Ω :
(iii)
( )
t
J
b
0
0 1 -
e
J
b
s
t


⋅ Ω =
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
¹
|

\
|
+

= Ω L .
Expresia (iii) reprezintă modelul dinamic al procesului autofrânării sistemului
mecanic.
Principiul metodei
Pentru determinarea constantei de timp a modelului, b J T = se utilizează
următoarea metoda grafică.
Ȋn planul ( ) Ω O t , valoarea la momentul 0 t = a derivatei
( )
0 t
dt
t d
=

reprezintă panta
tangentei ȋn origine la graficul funcției ( ) t Ω :




11

( )
t
J
b
0
e
J
b
dt
t d



|
¹
|

\
|

⋅ Ω =


( )
0
0 t
J
b
dt
t d
m Ω ⋅

=

=
=

Rezultă că ecuația dreptei tangentă ȋn origine la graficul funcției ( ) t Ω este după cum
urmează.
(iv) ( )
0 0
t
J
b
t m d Ω + ⋅

= Ω + ⋅ = Ω :
Abscisa punctului de intersecție ( ) 0 t A
A
; dintre dreapta ( ) d și axa orizontală se obține
din relația precedentă astfel:
(v) 0 t
J
b
0 A
= Ω + ⋅


0 A
b
J
t Ω ⋅ = .
Determinarea modulului de elasticitate al pielii umane
Pielea umană este un țesut conjunctiv-epitelial complex, având un rol vital ȋn
echilibrul bioenergetic al organismului uman. Sub aspectul răspunsului la
compresiune mecanică, pielea umană are proprietăți viscohiperelastice ale căror
valori diferă - la același individ - ȋn funcție de regiunea de pe suprafața corpului unde
această proprietate este testată. De asemenea, răspunsul pielii la compresiune
mecanică diferă foarte mult de la individ la individ.
Un model simplificat al pielii umane este modelul viscoelastic, reprezentat prin
următoarea ecuație diferențială.
(i) ( ) ( )
( )
dt
t d
t E t
ε
⋅ η + ε ⋅ = σ .

Figura 6. Principiul determinării experimentale
a modelului vicoelastic al pielii umane. (1)
eșantion de piele, (2) poanson, (3) plunjer,
(4) bobină parcursă de curent electric.
Ȋn relația de mai sus σ reprezintă
efortul unitar, E este modulul lui
Young, η reprezintă coeficientul
frecărilor viscoase și ε reprezintă
deformarea specifică.
Determinarea experimentală a
parametrilor modelului visoelastic al
pielii, Figura 6, se face cu un dispozitiv
compus, dintr-un electromagnet
alcătuit din plunjerul (3) și bobina (4)
un poanson (2) și o linie de măsurare a
deplasării poansonului (nu este repre-
zentată pe desen). Mărimile care se măsoară și se ȋnregisterează sunt intensitatea
curentului prin bobina electromagnetului, ( ) t i și deplasarea poansonului ȋn raport cu
suprafața pielii, ( ) t x .
Modelul dinamic al dispozitivului experimental este cunoscut din datele de catalog
ale dispozitivului și anume este dat de relația:
(ii)
( )
( ) ( ) t i K t F
dt
t F d
R
L
F
⋅ = + ⋅ .




12
Ȋn care L , R reprezintă inductanța și respectiv rezistența electrică echivalente ale
bobinei electromagnetului, ( ) t F forța de apăsare și
F
K constanta electromagnetului.
Se cunosc următoarele valori numerice: [ ] MPa 300 E = , [ ] ms 100 E = η ,
[ ] N/A 10 K
F
= , [ ] ms 1 R L = , grosimea totală a pielii [ ] mm 1 = δ și diametrul
poansonului [ ] mm 1 D = . Ȋn Figura 7 a fost reprezentată o ȋnregistrare a valorilor
deformării pielii măsurate experimental.

Figura 7. Determinarea valorilor modulului de elasticitate; reprezentare grafică a răspunsului indicial
al modelului adevarat și ȋnregistrare a răspunsului indicial determinat experimental.

Modelul procesului
Conform definițiilor efortului unitar și respectiv deformării specifice rezultă:
(iii)
( )
( )
( ) t F
D
4
4 D
t F
t
2 2

⋅ π
=
⋅ π
= σ ;
( )
( )
δ
= ε
t x
t .
Se introduc aceste expresii ȋn relația (i) și se obține:
(iv)
( ) ( )
( )
dt
t x d 1
t x
1
E t F
D
4
2

δ
⋅ η + ⋅
δ
⋅ =
⋅ π
⇒;
( )
( ) ( ) t F
D
4
E
t x
dt
t x d
E
2

⋅ π

δ
= + ⋅
η
.
Pentru calculul funcțiilor de transfer se aplică transformarea Laplace ȋn ecuațiile (ii) și
(iv) și se obțin următoarele relații.

{
( ) ( ) ( ) s F
D
4
E
s X s X s
E
P
P
K
2
T

⋅ π

δ
= + ⋅ ⋅
η
=
=
43 42 1
⇒( ) ( ) ( ) s F K s X 1 s T
P P
⋅ = ⋅ + ⋅ ;
(v)
( )
( )
( ) 1 s T
K
s F
s X
s G
P
P
P
+ ⋅
= = .
(vi)
{
( ) ( ) ( ) s I K s F s F s
R
L
F
T
F
⋅ = + ⋅ ⋅
=
⇒( ) ( ) ( ) s I K s F 1 s T
F F
⋅ = ⋅ + ⋅ ; ( )
( )
( ) 1 s T
K
s I
s F
s G
F
F
F
+ ⋅
= = .
Funcția de transfer echivalentă rezultă din conectarea ȋn cascadă a celor două funcții
de transfer.




13

( )
( )
( )
( )
( )
( )
( )
( ) ( )
( ) ( ) 1 s T 1 s T
K K
s G s G
s I
s F
s F
s X
s I
s X
s G
F P
F P
F P
+ ⋅ ⋅ + ⋅

= ⋅ = ⋅ = = .
Valorile numerice ale parametrilor funcției de transfer sunt următoarele.

[ ] A m
6
F 2 F P
10 42 K
D
4
E
K K

⋅ = ⋅
⋅ π

δ
= ⋅ ; [ ] s ,1 0
E
T
P
=
η
= ; [ ] s ,001 0
R
L
T
F
= = .
Se observă diferența mare ȋntre cele două constante de timp 100 T T
F P
= ; ȋn aceste
condiții, ȋntârzierea datorata constantei de timp
F
T poate fi neglijată.
Modelul viscoelastic al pielii reprezentat prin funcția de transfer (v) reprezintă un
factor fundamental de tip proporțional cu ȋntârziere de ordinul doi supraamortizat.
Prin urmare, răspunsul indicial este dat de relația care urmează.
(vii)
( )
(
(
¸
(

¸

|
|
¹
|

\
|
− ⋅

+
|
|
¹
|

\
|
− ⋅


⋅ ⋅ =
− −
F P
T
t
P F
F
T
t
P F
P
F P
e 1
T T
T
e 1
T T
T
K K t y ;
Graficul răspunsului indicial calculat pe baza valorilor adevărate ale modelului
sistemului este reprezentat ȋn Figura 7. Pe baza modelului viscoelastic al pielii și a
datelor rezultate din măsurători se determină valoarea estimată a modulului de
elasticitate după cum urmează.
Principiul metodei
Pentru determinarea experimentală a modulului de elasticitate, ȋn relația (vii) se
calculează
(viii)
( )
F P
t
ss
K K t y y ⋅ = =
∞ →
lim .
O valoare pe graficul din Figura 7 care estimează
ss
y este ( )
[ ] s 6 t
t y
=
. Pe această bază
se obține rezultatul prezentat ȋn Tabelul 3.

Tabelul 3. Valoarea adevărată și valoarea estimată din date determinate experimental ale modului de
elasticitate (modulul lui Young).
Valoarea adevărată Valoarea estimată
] m N [
2 6
10 300 ⋅

] m N [ ,
2 6
10 2 175 ⋅


Și din acest experiment se poate constata că valoarea măsurată a coeficientului de
elasticitate diferă față de valorile standard.

Identificarea parametrilor unui model de tip parametric din date
rezultate din măsurători
La portul de intrare al unui sistem neperturbat de zgomot se aplică o secvență rampă
unitară. Secvența la portul de ieșire din sistem este reprezentată ȋn tabelul care
urmează.





14
Tabelul 4. Valori ale secvențelor semnalelor de intrare / ieșire dintr-un sistem neperturbat de zgomot
k

0 1 2 3 4 5
[ ] k u

0,0 1,0 2,0 3,0 4,0 5,0
[ ] k y

0,0 0,0 7,0 7,0 42 -14

Modelul procesului
Se adoptă un model de tip parametric reprezentat prin expresia care urmează.
(i)
[ ] [ ] [ ] { } N ⊂ = − ⋅ + − ⋅ − = 5 1 0 k 1 k u b 1 k y a k y
2
1 1
K ; ; ; .
ȋn care [ ] { }
5
0 k
k u
=
reprezintă secvența semnalului discret la portul de intrare și
[ ] { }
5
0 k
k y
=
reprezintă secvența semnalului discret la portul de ieșire din sistem. Dacă ȋn
expresia (i) se ȋnlocuiesc valorile celor șase secvențe ale semnalelor de intrare /
ieșire rezultate din experiment, se obține un sistem de șase ecuații cu două
necunoscute - parametrii
1
a și
1
b ai modelului. Deoarece valorile eșantioanelor
prelevate din proces nu sunt perturbate de zgomot, sistemul de șase ecuații cu două
necunoscute este fi compatibil determinat iar soluția acestuia reprezintă valorile
adevărate ale parametrilor modelului.
O reprezentare matricială a sistemului de ecuații se obține ȋn continuare. Se definesc
matricile:
(ii)
(
¸
(

¸

=
1
1
b
a
θ ;
[ ]
[ ]
[ ]
[ ]
[ ] (
(
(
(
(
(
¸
(

¸


=
(
(
(
(
(
(
¸
(

¸

=
14
42
7
7
0
5 y
4 y
3 y
2 y
1 y
y
;
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ] (
(
(
(
(
(
¸
(

¸



− =
(
(
(
(
(
(
¸
(

¸






=
16
9
4
1
0
42
7
7
0
0
4 u
3 u
2 u
1 u
0 u
4 y
3 y
2 y
1 y
0 y
2
2
2
2
2
X
.
Modelul procesului sub formă matricială se scrie după cum urmează.
(iii) θ X y ⋅ = .
Principiul metodei
Sistemul de ecuații fiind compatibil determinat, pentru a obține soluția sistemului se
rezolvă sistemul de ecuații format cu oricare două ecuații distincte din compunerea
acestuia. Se iau spre exemplu, ecuațiile care corespund momentelor 3 k = și 4 k = .
(iv)
[ ]
[ ]
[ ] [ ]
[ ] [ ]
(
¸
(

¸


(
¸
(

¸



=
(
¸
(

¸

1
1
2
2
b
a
3 u 3 y
2 u 2 y
4 y
3 y

(
¸
(

¸


(
¸
(

¸



=
(
¸
(

¸

1
1
b
a
9 7
4 7
42
7

(
¸
(

¸


(
¸
(

¸



=
(
¸
(

¸


42
7
9 7
4 7
b
a
1
1
1
;

(
¸
(

¸

=
(
¸
(

¸


(
¸
(

¸



=
(
¸
(

¸

7
3
42
7
200 0 200 0
114 0 257 0
b
a
1
1
, ,
, ,

¹
´
¦
=
=
7 b
3 a
S
1
1
: .
Parametrii adevărați ai modelului pot fi obținuți și pe baza rezultatelor obținute la
Capitolul 7, respectiv cu metoda celor mai mici pătrate după cum urmează.
Estimatorul celor mai mici pătrate este dat prin relația:




15

( ) y X X X θ ⋅ ⋅ ⋅ =

T
1
T
;
( )
(
¸
(

¸



=
(
(
(
(
(
(
¸
(

¸



− ⋅
(
¸
(

¸

− − −
= ⋅
354 763
763 1862
16 42
9 7
4 7
1 0
0 0
16 9 4 1 0
42 7 7 0 0
T
X X
;

( )
(
¸
(

¸

= ⋅

0241884 0 0099118 0
0099118 0 0045987 0
1
T
, ,
, ,
X X ⇒
(v)
(
¸
(

¸

=
(
(
(
(
(
(
¸
(

¸



(
¸
(

¸

− − −

(
¸
(

¸

=
7
3
14
42
7
7
0
16 9 4 1 0
42 7 7 0 0
0241884 0 0099118 0
0099118 0 0045987 0
, ,
, ,
θ

¹
´
¦
=
=
7 b
3 a
S
1
1
: .
Rezultatul obținut este același. Totuși, spre deosebire de prima metodă, metoda
celor mai mici pătrate permite determinarea valorilor parametrilor luând ȋn calcul
ȋntregul set de valori rezultate din măsurători. Acest aspect este important dacă
eșantioanele sunt perturbate de zgomot după cum rezultă ȋn continuare.
Se efectuează un nou set de măsurători având aceeași secvență a semnalului la
portul de intrare ȋn sistem dar linia de măsurare, conectată la portul de ieșire din
sistem este perturbată de zgomot. Rezultatele măsurătorilor experimentale sunt
prezentate ȋn tabelul care urmează.
Tabelul 5. Valori ale secvențelor semnalelor de intrare / ieșire dintr-un sistem perturbat de zgomot
k

0 1 2 3 4 5
[ ] k u

0,0 1,0 2,0 3,0 4,0 5,0
[ ] k y

0,5 0,9 6,2 7,1 43,2 -13,7
Expresiile matricilor y și Xvor fi următoarele.
(vi)
[ ]
[ ]
[ ]
[ ]
[ ] (
(
(
(
(
(
¸
(

¸


=
(
(
(
(
(
(
¸
(

¸

=
7 13
2 43
1 7
2 6
9 0
5 y
4 y
3 y
2 y
1 y
,
,
,
,
,
y
;
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ] (
(
(
(
(
(
¸
(

¸






=
(
(
(
(
(
(
¸
(

¸






=
16
9
4
1
0
2 43
1 7
2 6
9 0
5 0
4 u
3 u
2 u
1 u
0 u
4 y
3 y
2 y
1 y
0 y
2
2
2
2
2
,
,
,
,
,
X
.
Parametrii modelului rezultă, pe baza expresiei estimatorului celor mai mici pătrate
după cum urmează.
( ) y X X X θ ⋅ ⋅ ⋅ =

T
1
T
;




16
( )
(
¸
(

¸



=
(
(
(
(
(
(
¸
(

¸



− ⋅
(
¸
(

¸

− − −
= ⋅
00 354 80 780
80 780 15 1956
16 42
9 7
4 7
1 0
0 0
16 9 4 1 0
42 7 7 0 0
T
, ,
, ,
X X
;
(vii)
(
¸
(

¸

=
(
(
(
(
(
(
¸
(

¸



(
¸
(

¸

− − − − −

(
¸
(

¸



=

04 7
93 2
7 13
2 43
1 7
2 6
9 0
16 9 4 1 0
2 43 1 7 2 6 9 0 5 0
00 354 80 780
80 780 15 1956
1
,
,
,
,
,
,
,
, , , , ,
, ,
, ,
ˆ
θ
.
(viii)

¹
´
¦
=
=
04 7 b
93 2 a
S
1
1
,
ˆ
, ˆ
: ⇒
( )
¦
¦
¹
¦
¦
´
¦


=

= ε
=

=

= ε
006 0
7
04 7 7
b
b b
3 02 0
3
93 2 3
a
a a
1
b
1
a
,
,
ˆ
,
,
ˆ

Rezultatele sunt rezumate ȋn tabelul care urmează.
Tabelul 6. Valorile adevărate și valorile estimate ale parametrilor modelului.
Parametrul
Valoarea
adevărată
Valoarea
estimată
Eroarea
1
a

3 2,93 0,02(3)
1
b

7 7,04 0,006
Prin urmare, erorile datorate zgomotului liniei de măsurare a semnalului de ieșire
sunt mai mici de % ,5 2 .
Probleme
Problema 1: Modelul dinamic al unui sistem mecanic - Corp cilindric ȋn mișcare de
rotație cu axă fixă. [1], pag. 103.


Figura 8. Sistem format din corp cilindric ȋn
mișcare de rotație cu axă fixă.
Se consideră sistemul format dintr-un
corp cilindric aflat ȋn mișcare de rotație
cu axă fixă reprezentat ȋn Figura 8.
Mărimea de intrare / semnalul de
intrare este cuplul activ la arbore,
( ) t M
A
. Mărimea fizică observată /
semnalul de ieșire este viteza
unghiulară, ( ) t Ω . Se cer (a) să se
determine ecuația diferențială care
descrie procesul rotirii corpului cilindric
sub acțiunea cuplului activ ( ) t M
A
și (b)
să se deducă expresia funcției de transfer a sistemului.
Rezolvare.




17
Asupra corpului cilindric aflat ȋn mișcare de rotație cu axă fixă acționează cuplul activ
( ) t M
A
care ȋntreține mișcarea corpului și cuplul frecărilor viscoase ( ) t M
b
care se
opune mișcării copului.
Conform legii lui Newton (legea inerției) rezultă următoarea ecuație care descrie
echilibrul cuplurilor care se exercită asupra corpului cilindric:
(i)
( )
( ) ( )
( ) ( ) t b t M
t M t M
dt
t d
J
b
A b
Ω ⋅ =
+ − =



( )
( ) ( ) t M t b
dt
t d
J
A
+ Ω ⋅ − =

⋅ ⇒
( )
( ) ( ) t M t b
dt
t d
J
A
= Ω ⋅ +

⋅ ⇒
(ii)
( )
( ) ( ) ( )
0 A
0 t M
b
1
t
dt
t d
b
J
Ω = Ω ⋅ = Ω +

⋅ ;
Funcția de transfer se obține prin aplicarea transformării Laplace ȋn ecuația
diferențială (ii) ȋn care condiția inițială este ( ) 0 0 = Ω :
(ii)
( )
( ) ( ) ( ) 0 0 t M
b
1
t
dt
t d
L
b
J
A
= Ω
)
`
¹
¹
´
¦
⋅ =
)
`
¹
¹
´
¦
Ω +

⋅ ; L L ⇒

( )
( ) { } ( ) { } ( ) 0 0 t M
b
1
t
dt
t d
b
J
A
= Ω ⋅ = Ω +
)
`
¹
¹
´
¦

⋅ ; L L L ⇒

( ) ( ) ( ) s M
b
1
s s s
b
J
A
⋅ = Ω + Ω ⋅ ⋅ ⇒ ( ) ( ) s M
b
1
s 1 s
b
J
A
⋅ = Ω ⋅
|
¹
|

\
|
+ ⋅ ;
(iii)
( )
( )
( ) 1 s T
k
1 s
b
J
b
1
s M
s
s G
f
a
A
+ ⋅
=
+ ⋅
=

= .
Problema 2: Determinarea constantei de timp şi a factorului de proporționalitate ale
unui sistem de reglare cu ajutorul curbei răspunsului indicial. [1], pag. 318.

Figura 9. Diagrama bloc a sistemului de reglare
automata din Problema 2.
Ȋn Figura 10 se prezintă curba
răspunsului indicial mediu obținut pe baza
unui set de experimente efectuate asupra
unui sistem de reglare. Se estimează că
diagrama bloc a sistemului de reglare are
structura reprezentată ȋn Figura 9.
Se cere să se determine valorile estimate ale parametrilor K și T ai funcției de
transfer pe calea directă.




18

Figura 10. Curba răspunsului indicial obținut pe baza unui set de experimente efectuate cu sistemul
de reglare automată a cărui diagramă bloc este reprezentată ȋn Figura 9.
Rezolvare.
Din Figura 10 rezultă valorile numerice ale următorilor parametri:
(i) suprareglajul răspunsului indicial: ( ) 4 25 254 0 , % , = σ = σ ,

timpul de vârf: [ ] s 3 t
p
= .
Ȋn continuare se utilizează relațiile demonstrate ȋn [1], pag. 267.

π ⋅
ζ −
ζ −
= σ
2
1
e și
2
n
p
1
t
ζ − ⋅ ω
π
= .
Din prima relație se obțin următoarele rezultate.
(ii)
4 0
256 0
1 1
1
256 0
1 1
1 1
1
1 1
2
2
2
2
,
,
ln
,
ln
ln
ln
=
(
¸
(

¸

|
¹
|

\
|

π
+
|
¹
|

\
|

π
=
(
¸
(

¸

|
¹
|

\
|
σ

π
+
|
¹
|

\
|
σ

π
= ζ ;

( )
[ ] s rad 14 1
4 0 1 3 1 t
2 2
p
n
,
,
=
− ⋅
π
=
ζ − ⋅
π
= ω .

Pentru a obține valorile parametrilor K și T , se calculează expresia funcției de
transfer ȋn buclă ȋnchisă și se compară cu expresia funcției de transfer a elementului
proporțional cu ȋntârziere de ordinul doi.


( )
( )
( )
( )
T
K
s
T
1
s
T
K
K s s T
K
K 1 s T s
K
1 s T s
K
1
1 s T s
K
s G
2
2 0
+ ⋅ +
=
+ + ⋅
=
+ + ⋅ ⋅
=
+ ⋅ ⋅
+
+ ⋅ ⋅
=

( )
2
n n
2
2
n a
0
s 2 s
k
s G
ω + ⋅ ω ⋅ ζ ⋅ +
ω ⋅
=




19

Se obține următorul sistem de ecuații:


¦
¦
¦
¹
¦
¦
¦
´
¦
ω ⋅ ζ ⋅ =
ω =
ω ⋅ =
n
2
n
2
n a
2
T
1
T
K
k
T
K

¦
¦
¹
¦
¦
´
¦
=
=
=
912 0
T
1
2996 1
T
K
1 k
a
,
, ⇒
¦
¹
¦
´
¦
=
=
=
096 1 T
424 1 K
1 k
a
,
, .

Problema 3: Experiment de identificare a unei instalații de producție.

Figura 11. Diagrama bloc utilizată ȋntr-un
experiment de identificare experimentală a
sistemului cu reacție negativă din Problema 3.
Configurația sistemelor cu reacție
negativă este utilizată ȋn identificarea
sistemelor pentru a asigura funcționarea
stabilă a instalației care este testată pe
durata experimentului.
Ȋntr-un experiment de identificare a
sistemelor, efectuat cu scopul
determinării funcției de transfer
echivalente a unei instalații de producție,
sistemul de măsurare a fost configurat conform Figurii 11. Se cunosc (1) funcția de
transfer a regulatorului utilizat pe durata testelor.
(i) ( )
3 s
1
s G
R
+
= ;
precum și (2) expresia funcției de transfer a sistemului cu reacție negativă rezultată
ca urmare a măsurătorilor experimentale:
(ii)
( )
( ) ( )
( ) ( ) ( ) ( ) 1 s 4 s 3 s 2 s
3 s 1 s
s G
0
+ + + ⋅ + ⋅ +
+ ⋅ +
= .
Se cere să se determine expresia funcției de transfer a instalației de producție.
Rezolvare.
Pe baza configurației reprezentată ȋn Figura 1. rezultă următoarele.

( )
( )
( ) ( ) s G s G 1
s G
s G
R IP
IP
0
⋅ +
= ⇒ ( ) ( )
( ) ( )
( ) ( ) s G s G 1
s G s G
s G s G
R IP
R IP
R 0
⋅ +

= ⋅ ⇒

( ) ( )
( ) ( )
( ) ( ) s G s G
s G s G 1
s G s G
R IP
R 0
R 0
⋅ =
⋅ −

⇒ ( )
( )
( ) ( ) s G s G 1
s G
s G
R 0
0
IP
⋅ −
= .
Ȋn membrul drept al ultimei relații expresiile funcțiilor de transfer sunt cunoscute pe
baza relațiilor (i) și (ii).




20

( )
( ) ( )
( ) ( ) ( ) ( )
( ) ( )
( ) ( ) ( ) ( ) ( ) 3 s
1
1 s 4 s 3 s 2 s
3 s 1 s
1
1 s 4 s 3 s 2 s
3 s 1 s
s G
IP
+

+ + + ⋅ + ⋅ +
+ ⋅ +

+ + + ⋅ + ⋅ +
+ ⋅ +
=
;
(iii)
( )
( ) ( )
( ) ( ) ( ) ( ) ( )
( )
( ) ( ) 4 s 2 s
1 s
1 s 1 s 4 s 3 s 2 s
3 s 1 s
s G
0
IP
+ ⋅ +
+
=
+ − + + + ⋅ + ⋅ +
+ ⋅ +
=
=
4 4 3 4 4 2 1
.
Ȋn aplicațiile practice cunoașterea cu exactitate a funcției de transfer a regulatorului
nu este posibilă (prin măsurători experimentale se obțin ȋntotdeauna valori
aproximative / estimări ale valorilor adevărate). Erorile rezultate la estimarea
parametrilor funcției de transfer a regulatorului se vor adăuga la erorile de estimare
ale parametrilor funcției de transfer a instalației de producție. Din acest motiv
experimentele de identificare a sistemelor cu reacție negativă se configurează diferit
față de cazul identificării sistemelor fără reacție.
Problema 4: Estimarea valorilor cuplului critic și a alunecării critice pe caracteristica
mecanică experimentală a unui motor electric asincron
Caracteristica mecanică a unui motor electric asincron reprezintă dependența dintre
cuplul electromagnetic la arbore,
el
M și alunecarea rotorului ȋn raport cu câmpul
magnetic ȋnvârtitor din ȋntrefierul motorului,
0
0
s

Ω − Ω
= determinată ȋn regim de
funcționare staționar. Ȋn relația precedentă
0
Ω reprezintă viteza unghiulară de
sincronism a motorului electric - egală cu viteza unghiulară a câmpului magnetic
ȋnvârtitor din ȋntrefierul motorului și Ω reprezintă viteza unghiulară a rotorului.
Valoarea maximă a cuplului electromagnetic produs de motorul electric se numește
cuplu electromagnetic critic, notat
k el
M
,
iar valoarea corespunzătoare a alunecării se
numește alunecare critică,
k
s . Determinarea experimentală a celor doi parametri se
face pe standurile de ȋncercare a motoarelor electrice. Problema care apare ȋn acest
caz constă ȋn faptul că ȋn vecinătatea cuplului critic, cuplul electromagnetic ale
motorul electric prezintă oscilații care se reflectă ȋn erori la estimarea grafică a celor
doi parametri.
Ȋn Figura 12 este reprezentat graficul caracteristicii mecanice determinată pe standul
de ȋncercare pentru un tip de motor asincron de tip MAAL80195. Se cer (1) să se
estimeze valorile cuplului critic și ale alunecării critice ale motorului asincron prin
interpolarea valorilor rezultate din măsurători cu metoda celor mai mici pătrate
respectiv prin aproximare pătratică, și (2) să se calculeze media și varianța erorilor
dintre valorile caracteristicii mecanice determinată experimental și curbei de
aproximare.
Rezolvare. Punctul (1)
Problema enunțată se reduce la problema mai generală a aproximării unei funcții
reprezentate tabelar prin N perechi de valori cu metoda celor mai mici pătrate,
aproximare pătratică. Soluția acestei probleme este prezentată ȋn [5] pag. 92.





21

Figura 12. Caracteristica mecanica determinată pe standul de ȋncercare și curba de aproximare
pătratică a acesteia.
Se notează cu N 1 k s
k
, = valorile măsurate ale alunecării și cu N 1 k M
k el
,
,
= valorile
corespunzătoare ale cuplului electromagnetic. Se definește expresia polinomului
care aproximează - ȋn sensul celor mai mici pătrate - valorile determinate
experimental:
(i) ( )
0 1
2
2
a s a s a s P + ⋅ + ⋅ = .
Valorile necunoscute ale coeficienților polinomului reprezentat mai sus se determină
prin rezolvarea următorului sistem de ecuații algebrice.
(ii)
( )
{
4 43 4 42 1 4 4 4 4 3 4 4 4 4 2 1
B
θ
A =
=
=
=
=
=
= =
= = =
= = =
(
(
(
(
(
(
¸
(

¸



=
(
(
(
¸
(

¸


(
(
(
(
(
(
¸
(

¸

+



∑ ∑
∑ ∑ ∑
∑ ∑ ∑
N
0 i
i el
N
0 i
i el i
N
0 i
i el
2
i
0
1
2
N
0 i
i
N
0 i
2
i
N
0 k
i
N
0 i
2
i
N
0 i
3
i
N
0 k
2
i
N
0 i
3
i
N
0 i
4
i
M
M s
M s
a
a
a
1 N s s
s s s
s s s
,
,
,
;
(iii)
(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

=
3716.08928
1013.48567
278.59883
;
100.96200 27.37943
100.96200 27.37943 7.49200
27.37943 7.49200 2,06675
B A
376

(
(
(
¸
(

¸

=
81.78 -
649.92
1137.85 -
θ .
Cuplul critic estimat, alunecarea critică, media erorilor și varianța acestora sunt
prezentate ȋn tabelul care urmează.
Tabelul 7. Rezultatele estimării cuplului critic, alunecării critice și evaluarea erorilor.
Cuplul critic [N.m] 11.03050
Alunecarea critică 0.28600
Media erorilor 0.03234
Varianța erorilor 0.00261



22
CAPITOLUL II
VARIABILE ALEATOARE ŞI FUNCŢII DE PROBABILITATE
Fenomenele aleatoare sunt fenomene a căror desfăşurare nu poate fi determinată cu
exactitate pe baza observaţiilor anterioare ale acestora.
Distribuţia vitezelor particlelor de polen aflate în suspensie în apă la temperatura
ambiantă în mişcare browniană, variaţia concentraţiei de substanţă la difuzia unei
cantităţi de cerneală aflată într-un tub din sticlă umplut cu apă, fluctuaţiile curentului
catodic al unui tub electronic datorate emisiei termoionice a materialului catodului,
variaţiile căderii de tensiune la bornele unui rezistor datorate agitaţiei termice a
electronilor prin rezistor sunt exemple de fenomene aleatoare întâlnite în cadrul unor
experimente ştiinţifice.
Teoria probabilităţilor şi statistica matematică constituie cadrul general în care se
studiază proprietăţile semnalelor aleatoare şi zgomotelor. In completare, în
identificarea sistemelor se utilizează şi alte metode de analiză provenind din
procesarea semnalelor, ca de exemplu analiza spectrală. Aceste metode sunt
adaptate pentru studiul semnalele aleatoare. In acest capitol se prezintă unele
noţiuni de teoria probabilităţilor necesare pentru studiul proprietăţilor semnalelor
aleatoare.
Introducere
Rezultatele unui experiment ştiinţific în care au loc doar fenomene deterministe sunt
valide dacă, repetând experimentul ori de câte ori, în aceleaşi condiţii, rezultatele
care se obţin sunt aceleaşi. Numim această caracteristică repetabilitate. Pe baza
acestei caracteristici, rezultatele unui experiment pot fi estimate a priori, cu
exactitate, pe baza rezultatelor experimentelor similare anterioare.
Există nenumărate fenomente care au loc în natură şi a căror desfăşurare nu poate fi
determinată cu exactitate a priori pe baza cunoaşterii condiţiilor de desfăşurare, a
condiţiilor iniţiale şi a observaţiilor din experimentele anterioare. Această observaţie
se justifică prin una sau prin mai multe din următoarele cauze. (a) nu sunt cunoscute
toate fenomenele deterministe care intervin, (b) nu este posibilă determinarea tuturor
condiţiilor iniţiale care condiţionează evoluţia experimentului, (c) reprezentarea
analitică a fenomenelor care intervin în desfăşurarea experimentului precum şi
intercondiţionarea acestora este foarte complexă şi (d) există o limitare a
reprezentărilor analitice ale fenomenelor care au loc în universul fizic.
Cu toate acestea, dacă experimentul se reface în aceleaşi condiţii de un număr mare
de ori, se constată că în medie, rezultatele setului de actual de experimente precum
şi rezultatele altor seturi de experimente anterioare converg la limită spre aceleaşi
valori finite. Numim regularitate statistică această caracteristică.
Fenomenele aleatoare în general şi semnalele aleatoare în particular care sunt
caracterizate prin regularitate statistică pot fi studiate cu mijloace analitice. La baza
acestui studiu se află noţiunea de variabilă aleatoare şi funcţiile de probabilitate
asociate.



23

Figura 13. 100 de eşantioane ale unei variabile aleatoare.

Figura 14. –Rezultatele măsurătorilor descrise în Exemplul 1.

Evenimentele asociate unui experiment
Vom defini unii termeni specifici cu ajutorul următorului exemplu.
Exemplul 2: Măsurarea zgomotului de natură electromagnetică.
Se consideră un experiment care constă în măsurarea tensiunii la bornele de ieşire
ale unui circuit trigger Schmidt conectat la terminalul de recepţie al unei linii de
transmisie digitală. Linia de transmisie este neconectată la terminalul dinspre sursa
de semnal astfel încât circuitul trigger Schmidt comută datorită zgomotului de natură
electromagnetică.
Ȋn cadrul experimentului se prelevează seturi de câte 20 k = de eşantioane ale
tensiunii la bornele de ieşire ale circuitului trigger; măsurătorile se repetă de 5 n = ori
rezultând în total 100 de valori măsurate (eşantioane). Valorile rezultate din
măsurători sunt prezentate în Figura 14.
Definiția 7: probă sau realizare. Se numeşte probă sau realizare a unui
experiment, o înregistrare (observaţie) a valorilor acelui experiment.
Definiția 8: ansamblu. Se numeşte ansamblu mulţimea realizărilor unui experiment.
Definiția 9: eveniment. Se numeşte eveniment, o valoare aparţinând probelor unui
experiment.
Exemplul 3: Măsurarea zgomotului de natură electromagnetică (continuare).
Mulţimea celor 20 de valori rezultate, de exemplu la cea de-a treia repetare a
experimentului citat este una din cele cinci realizări ale exeprimentului.



24
Mulţimea celor 100 de valori rezultate în cadrul celor 5 seturi de măsurători efectuate
în cadrul experimentului reprezintă ansamblul de valori ale acestuia.
Măsurarea valorii 5V este un eveniment asociat experimentului.
Exemplul 4: evenimentul sigur. Evenimentul sigur este evenimentul care se produce
cu certitudine la orice efectuare a experimentului.
Evenimentul sigur se notează prin mulţimea formată din elementele câmpului
complet de evenimente asociate experimentului, de exemplu Ω.
Definiția 10: evenimentul imposibil. Evenimentul imposibil este evenimentul care nu
se produce la oricare efectuare a experimentului.
Evenimentul imposibil se notează prin mulţimea vidă, ∅.
Definiția 11: evenimente incompatibile. Două evenimente sunt incompatibile dacă
nu se pot produce simultan în cadrul aceluiaşi experiment; în caz contrar, cele
două evenimente sunt compatibile.
Exemplul 5: Măsurarea zgomotului de natură electromagnetică (continuare).
Evenimentul descris prin "Valoarea măsurată a tensiunii de ieşire este 0V sau 5V."
este evenimentul sigur asociat experimentului.
Evenimentul descris prin "Valoarea măsurată a tensiunii de ieşire este 0V şi 5V." este
un eveniment imposibil asociat experimentului.
Evenimentele "Valoarea măsurată a tensiunii de ieşire este 0V." şi "Valoarea
măsurată a tensiunii de ieşire este 5V." sunt evenimente incompatibile deoarece nu
se pot produce simultan.
Mulţimea evenimentelor asociate experimentului este { } 5 ; 0 = Ω . Mulţimea părţlor
mulţimii Ωeste { } { } { } 5 ; 0 5 0 K ∪ ∪ = .
Definiția 12: câmp de evenimente. Ansamblul format din mulţimea Ω a tuturor
evenimentelor asociate unui experiment şi mulţimea K a tuturor părţilor mulţimii
Ωse numeşte câmpul de evenimente asociat experimentului, notat ( ) K ; Ω .
Definiția 13: câmp complet de evenimente. n evenimente asociate unui experiment
formază un câmp complet de evenimente dacă:reuniunea celor n evenimente
formează evenimentul sigur şi cele n evenimente sunt incompatibile.
Definiția 14: probabilitatea unui eveniment. Probabilitatea, ( ) F P a unui eveniment al
unui experiment care are un număr finit, egal-posibil de cazuri este raportul dintre
numărul cazurilor favorabile realizării evenimentului,
F
N şi numărul cazurilor egal
posibile ale experimentului,
P
N .

P
F
N
N
) F ( P =
(1.)
Observaţie. Din definiţia 14 rezultă că probabilitatea evenimentului sigur, ) ( P Ω este
egală cu 1 iar probabilitatea evenimentului imposibil, ) ( P ∅ este egală cu 0. Prin
urmare, probabilitatea unui eveniment oarecare, [ ] 1 ; 0 ) A ( P ∈ .



25
Fiind dat un experiment al cărui câmp complet de evenimente este format din două
evenimente { } B ; A = Ω cu probabilităţile ( ) A P şi respectiv ( ) B P .
Cu notaţiile:
( ) A | B P probabilitatea evenimentului " B condiţionat de (realizarea evenimentului) A";
altfel spus evenimentul "Dacă (anterior) s-a realizat evenimentul A atunci (ulterior în
anterioritate) s-a realizat evenimentul B ".
( ) B A P ⋅ probabilitatea evenimentului " A şi B ", cu alte cuvinte adică evenimentul
(compus) descris prin "S-au realizat ambele evenimente, evenimentul A şi
evenimentul B ".
( ) B A P + probabilitatea evenimentului " A sau B ", respectiv evenimentul descris prin
"S-a realizat unul dintre cele două evenimente, evenimentul A sau evenimentul B ".
( ) A P probabilitatea evenimentului complementar adică "Se realizează oricare alt
eveniment din câmpul de evenimente cu excepţia evenimentului A".
Relaţia dintre probabilităţile ( ) A | B P , ( ) B A P ⋅ şi ( ) A P rezultă pe baza definiţiei după
cum urmează.
( ) ( ) A | B P A P ) B A ( P ⋅ = ⋅ (2.)
Definiția 15: evenimente independente. 1. Două evenimente A şi B asociate unui
experiment sunt independente dacă:
( ) ( ) B P A P ) B A ( P ⋅ = ⋅ . (3.)
Ȋn genere, n evenimente asociate unui experiment sunt independente dacă:
( ) ( ) ( )
n 2 1 n 2 1
A P A P A P ) A A A ( P ⋅ ⋅ = ⋅ K K . (4.)
Relaţiile (2.2), (2.3) şi (2.4) permit calculul probabilităţilor compuse pe baza
probabilităţii evenimentelor componente.
Variabile aleatoare
Definiția 16: variabilă aleatoare. O funcţie reală R : X → Ω definită pe câmpul de
evenimente, ( ) K ; Ω asociate unui experiment se numeşte variabilă aleatoare
dacă mulţimea elementelor s pentru care ( ) a s X ≤ îndeplineşte condiţia K s ∈
pentru orice număr real, a .
Observaţii:
Variabilele aleatoare se notează prin convenţie cu majuscule.
Dacă codomeniul variabilei aleatoare este mulţimea numerelor complexe, variabila
aleatoare se va numi variabilă aleatoare complexă. In acest caz variabila aleatoare
asociază elementelor câmpului de evenimente al experimentului o funcţie complexă
( ) ( ) ( ) s Y j s X s Z ⋅ + = .
Similar, o funcţie care asociază un vector sau o matrice coloană cu elementele
câmpului de evenimente al unui experiment defineşte o variabilă aleatoare vectorială
sau un vector aleator.



26
O funcţie de variabile aleatoare este tot o variabilă aleatoare.
Definiția 17: variabilă aleatoare discretă/continuă.
1. O variabilă aleatoare se numeşte variabilă aleatoare discretă dacă câmpul complet
de evenimente asociat este o mulţime cu un număr finit de elemente.
2. O variabilă aleatoare se numeşte variabilă aleatoare continuă dacă câmpul
complet de evenimente asociat este un interval inclus în mulţimea numerelor reale.
Exemplul 6: Variabile aleatoare de tip continuu / discret.
Variabila aleatoare definită în Exemplul 5 este o variabilă aleatoare discretă.
Poziţia, în raport cu un sistem de coordonate arbitrar a unei particule în mişcare
browniană se defineşte prin trei funcţii care iau valori în mulţimea numerelor reale. O
variabilă aleatoare care asociază poziţia particulei în mişcare browniană cu un
vector ale cărui elemente sunt cele trei coordonate ale poziţiei este o variabilă
aleatoare vectorială. Ȋn plus variabila aleatoare este continuă.
Variabilele aleatoare de tip discret se notează sub formă tabelară după cum
urmează.
|
|
|
¹
|

\
|
2
1
2
1
5 0
: X
atilor probabilit valorile
variabilei ale posibile valorile
|
|
|
¹
|

\
|
n 3 2 1
n 3 2 1
p p p p
y y y y
: Y
K
K


Variabilele aleatoare continue se notează prin probabilităţile asociate, de exemplu
( ) x X P < .
Funcţii de probabilitate
Variabile aleatoare discrete
Definiția 18: funcţia repartiţie de probabilitate. Fie o variabilă aleatoare
( ) R K , : X → Ω , se numeşte funcţie de repartiţie de probabilitate a variabilei
aleatoare, funcţia [ ] 1 ; 0 R : P → care îndeplineşte condiţia
( ) ( ) x X P x P < = (5.)
în care ( ) x X P < reprezintă probabilitatea ca valorile variabilei aleatoare discrete X să
fie strict mai mici decât valoarea actuală a variabilei x .
Definiția 19: funcţia distribuţie de probabilitate. Fie o variabilă aleatoare discretă
( ) R K , : X → Ω , funcţia [ ] 1 ; 0 R : p → care asociază setul complet de valori posibile
ale variabilei aleatoare,
k
x şi probabilităţile ( )
k
x X P = se numeşte funcţia
distribuţie de probabilitate a variabilei aleatoare discrete.
( ) ( )
k
x X P x p = = (6.)
Funcţia repartiţie de probabilitate a unei variabile aleatoare discrete se poate calcula
pe baza relaţiei (6) cu formula care urmează.



27

( ) ( )

<
=
k
x X
k
x p x P
(7.)
Exemplul 7: semnal aleator staționar. Un semnal aleator staţionar de tip discret
poate lua valorile distincte { } 1 ; 0 ; 1 − cu probabilităţile { } 5 , 0 ; 3 , 0 ; 2 , 0 . Variabila
aleatoare discretă este reprezentată sub formă tabelară după cum urmează.

|
|
|
¹
|

\
| −
5 , 0 3 , 0 2 , 0
1 0 1
: X

Figura 15. Funcţia repartiţie de probabilitate – stânga şi funcţia densitate de probabilitate – dreapta
asociate variabilei aleatoare X din exemplul 2.3.
Graficele funcţiilor de probabilitate ale variabilei aleatoare X pot fi determinate pe
intervale pe baza expresiilor (5) şi (6). Aceste valori sunt prezentate în tabelul care
urmează.
Tabelul 8. Determinarea valorilor funcţiei de repartiţie a variabilei aleatoare X .
x
( ) x X P < ( ) x F
( ] 1 ; x − ∞ − ∈ ( ) ( ) 0 P x X P = ∅ = < ( ) 0 x F =
( ] 0 ; 1 x − ∈ ( ) ( ) 2 , 0 1 X P x X P = − = = < ( ) 2 , 0 x F =
( ] 1 ; 0 x ∈ ( ) { } { } ( )
5 , 0 3 , 0 2 , 0
0 X 1 X P x X P
= + =
= ∪ − = = <

( ) 5 , 0 x F =
( ] ∞ + ∈ ; 1 x ( ) { } { } { } ( )
0 , 1 5 , 0 3 , 0 2 , 0
1 X 0 X 1 X P x X P
= + + =
= ∪ = ∪ − = = <

( ) 0 , 1 x F =
Graficele funcţiei de repartiţie de probabilitate şi funcţiei densitate de probabilitate ale
variabilei aleatoare X sunt reprezentate în Figura 15.
Variabile aleatoare de tip continuu
Funcţia repartiţie de probabilitate pentru cazul variabilelor aleatoare continue se
defineşte similar cu cazul variabilelor aleatoare discrete.



28


Figura 16. O realizare a experimentului din exemplul 2.

Figura 17. 1 – Funcţia de repartiţie de probabilitate, 2 – Funcţia densitate de probabilitate.
Deoarece domeniul de valori posibile ale variabilei aleatoare este un interval al
mulţimii numerelor reale, funcţia densitate de probabilitate se defineşte după cum
urmează.
Definiția 20: funcţia densitate de probabilitate pentru cazul variabilelor aleatoare
continue. O variabilă aleatoare continuă X , având funcţia de repartiţie ( ) x P are o
funcţie densitate de probabilitate dacă există o aplicaţie [ ) ∞ + → ; 0 R : p astfel ca:
( ) ( )

∞ −
=
x
dx x p x P (8.)
Condiţia necesară şi suficientă ca o funcţie reală de variabilă reală să fie funcţia
densitate de probabilitate a unei variabile aleatoare este dată de următoarea
teoremă.
Teorema 1: proprietăție funcției densitate de probabilitate. O aplicaţie R R : p → este
densitatea de probabilitate a unei variabile aleatoare, X dacă:
(i) ( ) ( ) R x 0 x p ∈ ∀ ≥ ; (9.)
(ii) p este integrabilă pe R şi ( )

+∞
∞ −
= 1 dx x p . (10.)
Exemplul 8: măsurarea zgomotului de natură electromagnetică.



29
Ȋn Figura 16 este reprezentată o realizare a unui experiment care constă în
înregistrarea a 1000 de eşantioane ale tensiunii produse de zgomotul de natură
electromagnetică la capătul unei linii de măsurare. Graficele funcţiilor repartiţie de
probabilitate şi densitate de probabilitate ale variabilei aleatoare asociate
experimentului, calculate pe baza valorilor rezultate din măsurători şi definiţiilor şi
sunt reprezentate în Figurile 16 - 17.
Funcţiile de probabilitate ale variabilelor aleatoare discrete pot fi calculate
asemănător cu funcţiile de probabilitate ale variabilelor aleatoare continue cu ajutorul
funcţiilor impuls Dirac ( ) x δ şi treaptă unitară (funcţia lui Heaviside), ( ) x ε respectiv cu
ajutorul teoremei deplasării.
Teorema 2: Fie o variabilă aleatoare simplă de tip discret ( ) R K , : X → Ω , având
mulţimea valorilor posibile, { }
k
x , M ; 1 k = şi probabilităţile ( )
k
x P . Funcţiile repartiţie
de probabilitate, ( ) x P şi densitate de probabilitate, ( ) x p se calculează respectiv
cu relaţiile:
(i)
( ) ( ) ( ) ( )

=
− ε ⋅ = < =
M
1 k
k k
x X x P X x P x P ;
(11.)
(ii)
( ) ( ) ( )

=
− δ ⋅ =
M
1 k
k k
x X x P x p
(12.)
Exemplul 9: Să se arate că funcţia R R : p → , definită prin relaţia:

( )
2
x 1
1 1
x p
+

π
=

este densitatea de repartiţie a unei variabile aleatoare.
Rezolvare. Se verifică îndeplinirea condiţiilor enunţate în Teorema 1.
(i)
( ) R x 0 x
2
∈ ∀ ≥ ⇒ ( ) 0
x 1
1 1
x p
2
>
+

π
= ;

(ii)
funcţia p este continuă pe R deci este integrabilă
C x arctg
1
dx
x 1
1
2
+ ⋅
π
=
+


( )
1
2 2
1
x arctg
1
dx
x 1
1 1
dx x p
2
=
(
¸
(

¸

|
¹
|

\
| π
− −
π

π
=

π
=
+

π
=
∞ +
∞ −
+∞
∞ −
+∞
∞ −
∫ ∫


Exemplul 10: Fiind dată o variabilă aleatoare continuă cu densitatea de probabilitate
( )
2
x 1
1 1
x p
+

π
= să se calculeze probabilitatea ca variabila aleatoare să ia o
valoare cuprinsă în intervalul ( ) 1 ; 1 − .
Rezolvare. Se calculează funcţia repartiţie de probabilitate a variabilei aleatoare.



30

( ) ( )
2
1
x arctg
1
dx
x 1
1 1
dx x p x P
x
2
x
+ ⋅
π
=
+

π
= =
∫ ∫
∞ − ∞ −


Se calculează probabilitatea ca valorile variabilei aleatoare să fie în intervalul ( ) 1 ; 1 − .
( ) { } { } ( )
{ } { } ( )
( ) { } ( ) ( ) 1 F 1 F 1 X P 1 X P
1 X 1 X P
1 X X 1 P 1 X 1 P
− − = − < − < =
< ∩ − < =
< ∩ < − = < < −

( ) ( ) ( ) [ ]
2
1
4 4
1
1 arctg 1 arctg
1
1 P 1 P = |
¹
|

\
| π
+
π

π
= − − ⋅
π
= − −

Studiul fenomenelor aleatoare prezintă interes practic pentru diversele domenii de
activitate de exemplu în activităţile economice, în fiabilitatea produselor, fenomene
fizice, biologice etc. Rezultatele cercetărilor efectuate pe un număr foarte mare de
experimente au pus în evidenţă existenţa unui număr limitat de legi de probabilitate
care caracterizează clase de fenomene aleatoare.
Legile de probabilitate, denumite pe scurt distribuţii, care prezintă interes pentru
identificarea sistemelor sunt prezentate în continuare.
Distribuții de variabile aleatoare.
Distribuţia normală (Gaussiană)
O variabilă aleatoare continuă are distribuţie normală cu parametrii
x
µ şi
2
x
σ dacă
densitatea de repartiţie a acesteia este dată de relaţia următoare.

( )
( )
2
x
2
x
2
x
2
x
2
x x
e
2
1
, ; x p
σ ⋅
µ −


σ ⋅ π ⋅
= σ µ , 0 ; R x > σ ∈
(13.)
Ȋn calcule se utilizează expresia funcţiei distribuţie de probabilitate a distribuţiei
( )
2
x
2
e
2
1
1 , 0 ; x p


π ⋅
= în legătură cu care se defineşte funcţia care urmează.
( )



π ⋅
= Φ
x
0
2
x
dx e
2
1
x
2
. (14.)
Această funcţie se numeşte funcţia integrală a lui Laplace.
Valorile funcţiei ( ) x Φ se calculează cu algoritmi specializaţi sau se determină din
tabele cu valori calculate ale acesteia. Calculul funcţiilor de probabilitate ale
distribuţiei normale cu valori oarecare ale parametrilor
x
µ şi
2
x
σ se poate face cu
expresia generală şi schimbarea de variabilă ( )
x
2
x
X
1
Y µ − ⋅
σ
= .
Reprezentarea grafică a funcţiilor de probabilitate ale distribuţiei normale este
prezentată în Figura 18.



31
Distribuţia normală caracterizează fenomene naturale aflate în echilibru ca de
exemplu mişcarea browniană a particulelor aflate în suspensie în lichid la
temperatură ambiantă constantă. De asemenea, distribuţia normală caracterizează
unele procese aleatoare şi zgomote asociate unor fenomene aflate în echilibru.

Figura 18. Graficele funcțiilor de probabilitate ale distribuției normale (Gaussiană).
Distribuţia Poisson
O variabilă aleatoare discretă are distribuţie Poisson cu parametrul λ,
+
∈ λ R dacă
distribuţia de probabilitate este după cum urmează.
( )
*
k
N k e
! k
k X P ∈ ⋅
λ
= =
λ −
.

Distribuţia Poisson se numeşte legea evenimentelor rare.
Graficele funcţiilor de probabilitate ale distribuţiei Poisson sunt prezentate în Figura
19.

Figura 19. Graficele funcțiilor de probabilitate ale distribuției Poisson.
Distribuţia uniformă
O variabilă aleatoare continuă are distribuţie uniformă cu parametrii a şi b dacă
densitatea de probabilitate a acesteia este dată de următoarea expresie.

( )
[ )
( ) [ )
¦
¹
¦
´
¦
∞ ∞ − ∈


=
; b a ; x 0
b ; a x
a b
1
x p
U daca
daca
.




32
Funcţia repartiţie de probabilitate a distribuţiei normale este:

( )
( )
[ )
[ )
¦
¦
¹
¦
¦
´
¦
∞ ∈



∞ − ∈
=
; b x 1
b ; a x
a b
a x
a ; x 0
x P
daca
daca
daca
.

Demonstraţie.
( ) ( )

∞ −
=
x
) 6 . 2 (
dx x p x P .
( ) a ; x ∞ − ∈ ; ( ) 0 x p = ⇒ ( ) 0 x P = ,

[ ) b ; a x ∈ ; ( ) ( )
a b
a x
a b a b
d
dx x p x P
x
a
x
a
0
a


=

ξ
=

ξ
+ =
∫ ∫
=
∞ −
43 42 1



[ ) ∞ + ∈ ; b x ;
( ) ( ) ( ) 1
a b
a b
a b
dx x p
a b
d
dx x p x P
b
a
b
a
0
b
0
a
=


=

ξ
= +

ξ
+ =
∫ ∫ ∫
=
+∞
=
∞ −
43 42 1 43 42 1


Graficele funcţiilor de probabilitate ale distribuţiei uniforme sunt prezentate în Figura
20.

Figura 20. Graficele funcțiilor de probabilitate ale distribuției normale.
Momente statistice
Funcţiile de probabilitate permit caracterizarea variabilelor aleatoare, deci şi a
fenomenelor aleatoare la care acestea se raportează sub formă analitică. Dacă se
cunosc expresiile funcţiilor de probabilitate, reprezentarea analitică permite calculul
oricărei valori ale acestora.
Totuşi, sub aspect practic, pentru caracterizarea, compararea și compunerea
variabilelor aleatoare se utilizează entităţi numerice, numite momente statistice.
Momentele statistice reprezintă proprietăţi ale funcţiilor de probabilitate dar ele sunt
ȋn același timp, caracteristici distincte ale variabilei aleatoare asociate.



33
Momentele statistice ale variabilelor aleatoare discrete
Exemplul 11: Semnal aleator de tip discret. Se consideră un semnal aleator discret
care poate lua trei valori distincte cu aceeaşi probabilitate. Variabila aleatoare
asociată acestui semnal aleator este reprezentată sub formă tabelară după cum
urmează.
(i)

|
|
|
¹
|

\
|
=
|
|
|
¹
|

\
| −
3 2 1
3 2 1
p p p
x x x
3 1 3 1 3 1
1 0 1
: X


Presupunând că ansamblul experimentului cuprinde 4 realizări, cerinţa este de a
calcula media valorilor măsurate ale semnalului aleator corespunzător celor 4
realizări ale experimentului şi de a determina limita acestei medii atunci când
numărul de realizări ale experimentului tinde spre infinit.
Cu notaţiile:
i , F
N - numărul de cazuri în care a fost măsurată valoarea
i
x a
semnalului aleator şi
P
N - numărul de măsurători efectuat în cadrul unei realizări a
experimentului, media valorilor semnalului aleator la a n -a realizare a
experimentului,
n , x
µ rezultă conform următoarei expresii:
(ii)
{
∑ ∑

= =
=
=
⋅ = ⋅ =

= µ
3
1 i
i n , i
3
1 i
i
p
P
i , F
P
3
1 i
i i , F
n , x
x p x
N
N
N
x N
n , i
,

în care
n , i
p reprezintă probabilitatea măsurării valorii posibile
i
x în mulţimea valorilor
măsurate ale semnalului aleator la cea de a n -a realizare a experimentului. Cu
ipoteza că variabila aleatoare discretă are o medie statistică finită şi numărul de
realizări ale experimentului tinde spre infinit, atunci valoarea medie a variabilei
aleatoare studiată se calculează cu relaţia:
(iii)

=
⋅ + ⋅ + ⋅ = ⋅ = µ
3
1 i
3 3 2 2 1 1 i i x
x p x p x p x p .

Definiția 21: media statistică / momentul statistic de ordinul unu. Fie o variabilă
aleatoare discretă ( ) R K , : X → Ω , având câmpul complet de evenimente
(mulţimea valorilor posibile ale variabilei aleatoare), mulţimea{ } R I x
i
⊆ ⊂ şi
probabilitatea ( )
i
x P , Z i ∈ . Media statistică a variabilei aleatoare discrete se
defineşte conform următoarei relaţii.
( )

+∞
−∞ =
⋅ =
i
i i x
x P x m
, 1
.
dacă seria


i i
P x este absolut convergentă; în caz contrar variabila aleatoare nu are
o valoare medie statistică
Observație. Se consideră că variabila aleatoare este asociată unui proces aleator.



34
Media statistică a variabilei aleatoare reprezintă valoarea componentei continue a
procesului.
Dacă se cunosc câmpul complet de evenimente şi expresia analitică a densităţii de
probabilitate atunci se poate estima / aproxima apriori (ȋn absenţa datelor rezultate
din măsurători) media valorilor eşantioanelor realizărilor unui experiment.
Media statistică este un parametru determinist care permite compararea în ansamblu
a proceselor aleatoare. Totuşi, deoarece mai multe procese aleatoare pot avea
aceeaşi valoare a componentei continue a procesului dar pot avea componente
variabile diferite, rezultă că pentru caracterizarea procesului aleator cunoaşterea
valorii mediei statistice este o condiţie necesară dar nu şi suficientă.
Momentul statistic de ordinul doi şi varianţa
Pentru cazul în care variabila aleatoare discretă poate lua un număr infinit de valori
într-un interval al axei reale atunci, se defineşte momentul statistic de ordinul doi
după cum urmează.
Definiția 22: momentul statistic de ordinul doi. Fie o variabilă aleatoare discretă
( ) R K , : X → Ω , având câmpul complet de evenimente (mulţimea valorilor posibile
ale variabilei aleatoare), mulţimea{ } R I x
i
⊆ ⊂ şi probabilitatea ( )
i
x P , Z i ∈ .
Momentul statistic de ordinul doi al variabilei aleatoare discrete se defineşte
conform următoarei relaţii.

( )

+∞
−∞ =
⋅ =
i
i i x
x P x m
2
, 2
.

dacă seria


i i
P x
2
este absolut convergentă;
Ȋn aplicaţii, pentru caracterizarea proceselor aleatoare, în locul momentului statistic
de ordinul doi asociat variabilei aleatoare se utilizează momentul statistic de ordinul
doi asociat componentei variabile a procesului aleator împreună cu valoarea medie
statistică a componentei continue a acestuia, respectiv, se utilizează varianţa şi
media statistică.
Definiția 23: varianța. Varianţa,
2
x
σ a unei variabile aleatoare discrete
( ) R K , : X → Ω având densitatea de probabilitate ( )
i
x p , Z i ∈ şi media statistică
x
µ este numeric egală cu momentul statistic de ordinul doi al variabilei aleatoare
centrate media statistică de ordinul unu.

( ) ( )

+∞
−∞ =
⋅ µ − = σ
i
i
2
x i
2
x
x p x .

Observație.
Cunoaşterea expresiei analitice a funcţiilor de probabilitate, a mediei statistice şi
varianţei procesului aleator oferă informaţiile necesare şi suficiente pentru
caracterizarea acestuia.
Pe această bază, rezultatele unui experiment asociat unui fenomen aleator pot fi
estimate a priori, în medie, cu mijloace analitice în acelaşi mod cu procesele
deterministe.



35
Evaluarea expresiilor prezentate mai sus sugerează următoarea generalizare.
Definiția 24: momentul statistic de ordinulul n, oarecare. Fie o variabilă aleatoare
discretă ( ) R K , : X → Ω , având câmpul complet de evenimente (mulţimea valorilor
posibile ale variabilei aleatoare), mulţimea{ } R I x
i
⊆ ⊂ şi probabilitatea ( )
i
x P ,
Z i ∈ . Momentul statistic de ordinul
*
N n∈ al variabilei aleatoare discrete se
defineşte conform următoarei relaţii.
( )

+∞
−∞ =
⋅ =
i
i
n
i x n
x P x m
,
.

Momentele statistice ale variabilelor aleatoare de tip continuu
Evaluarea mediei statistice în cazul variabilelor aleatoare de tip continuu se poate
face pornind de la rezultatele obţinute în cazul variabilelor aleatoare de tip discret.
Fiind dată o variabilă aleatoare de tip continuu, X definită pe câmpul de evenimente
( ) K ; Ω cu valori într-un interval R I ⊆ . Se aproximează variabila de tip continuu cu o
variabilă de tip discret
d
X cu valori o mulţime numărabilă{ } I x
n
1 i
i , d

=
finită .
Se pornește de la expresia mediei statistice a variabilei aleatoare de tip discret.
(i)
( )
( )
( ) ( )
1 i i
1 i i
i
n
1 i
i i x , 1
x x
x X P x X P
x p
x p x


=

< − <
=
⋅ = µ


( ) ( )
( )
( )
1 i i
n
1 i 1 i i
1 i i
i x , 1
x x
x x
x X P x X P
x

= −

− ⋅

< − <
⋅ = µ



Cu notaţia
1 i i i
x x x

− = ∆ , expresia (i) se rescrie sub forma care urmează.
(i)
( )
( )
( ) ( )
1 i i
1 i i
i
n
1 i
i i x , 1
x x
x X P x X P
x p
x p x


=

< − <
=
⋅ = µ


( ) ( )
i
n
1 i i
i i i
i x , 1
x
x
x x X P x X P
x ∆ ⋅

∆ − < − <
⋅ = µ

=


Alegând un interval de divizare 0 x
i
→ ∆ , suma Riemann tinde spre integrala funcţiei
( )
( ) x p x
dx
x dP
x ⋅ = ⋅ . Acest rezultat sugerează următoarele definiţii pentru momentele
statistice ale variabilelor aleatoare de tip continuu.
Definiția 25: Fie o variabilă aleatoare simplă, de tip continuu, ( ) R → Ω K X ; : cu
funcţia densitate de probabilitate ( ) x p ,
(i) momentul statistic de ordinul unu este numărul definit prin relaţia:



36

( )

+∞
∞ −
⋅ = dx x p x m
x , 1


(ii) momentul statistic de ordinul doi este numărul definit prin relaţia:

( )

+∞
∞ −
⋅ = dx x p x m
x
2
, 2


(iii) momentul statistic de un ordin oarecare k se defineşte prin relaţia:

( )

+∞
∞ −
⋅ = dx x p x m
k
x k,


dacă integrale improprii din dreapta semnului egal există.
Definiția 26: Fie o variabilă aleatoare simplă, de tip continuu, ( ) R → Ω K X ; : cu
media statistică
x
µ . Varianţa variabilei aleatoare este numărul:

( ) ( )

+∞
∞ −
⋅ − = dx x p x
x x
2
2
µ σ

dacă integrala improprie există.
Şi pentru cazul proceselor aleatoare de tip continuu, sunt valabile semnificaţiie fizice
ale momentelor statistice de ordinul unu, ordinul doi şi varianţei, prezentate pentru
cazul proceselor aleatoare de tip discret.
Calculul momentelor statistice pe baza definiţiilor revine la calculul sumei unor serii în
cazul variabilelor aleatoare simple de tip discret, respectiv la calcul unor integrale
improprii în cazul variabilelor aleatoare de tip continuu.
Alternativ, calculul momentelor statistice se poate face şi cu ajutorul funcţiei
caracteristice, [6].
Exemplul 12:
1. Se arată că parametrii
x
µ şi
2
x
σ din expresia funcţiei densitate de probabilitate a
distribuţiei normale, ( )
( )
2
x
2
x
2
x
2
x
2
x x
e
2
1
, ; x p
σ ⋅
µ −


σ ⋅ π ⋅
= σ µ sunt numeric egali cu media
statistică şi şi respectiv varianţa acesteia.
Demonstraţie.
Se aplică definiţia mediei statistice, prezentată în relaţia (2).
(i)
( )
( )
∫ ∫
∞ +
∞ −
σ ⋅
µ −

∞ +
∞ −
⋅ ⋅
σ ⋅ π ⋅
= ⋅ = µ dx e x
2
1
dx x p x
2
x
2
x
2
x
2
x
x , 1


cu notaţiile:
dx
1
dy
x
y
x x
x

σ
=
σ
µ −
= ; ⇒




37

( )
2 1
2
y
x
2
y
x
2
y
x x
2
x
x
x , 1
I I dy e
2
1
dy e y
2
dy e y
2
2 2
2
+ = ⋅
π ⋅
⋅ µ + ⋅ ⋅
π ⋅
σ
=
⋅ µ + ⋅ σ ⋅
σ ⋅ π ⋅
σ
= µ
∫ ∫

∞ +
∞ −

∞ +
∞ −

+∞
∞ −



Calculul integralei
1
I . Se observă că integrala improprie este convergentă deoarece
satisface criteriul integral Cauchy. Cu notaţiile:
(ii)
dy y d
2
y
2
⋅ = ξ = ξ ; ⇒
0 e
2
dy e y
2
I
2
y
x 2
y
x
1
2 2
= ⋅
π ⋅
σ
= ⋅ ⋅
π ⋅
σ
=
+∞
∞ −

∞ +
∞ −


.

deoarece funcţia ( )
2 y
2
e y f

= este o funcţie pară.
Calculul integralei
2
I . Integrala improprie enunţată satisface criteriul de convergenţă
Cauchy. De asemenea se observă că termenul de sub semnul de integrare este egal
cu funcţia distribuţie de probabilitate a distribuţiei normale cu parametrii 1 ; 0
2
x x
= σ = µ
( )
2
y
2
e
2
1
1 ; 0 ; y p


π ⋅
= şi deci rezultă:
(iii)
x
1
2
y
x 2
dy e
2
1
I
2
µ = ⋅
π ⋅
⋅ µ =
=
+∞
∞ −


4 4 3 4 4 2 1



x 2 1 x , 1
I I µ = + = µ
Se calculează varianţa după cum urmează:

( )
( )
∫ ∫
∞ +
∞ −
σ ⋅
µ −

∞ +
∞ −
⋅ ⋅
σ ⋅ π ⋅
= ⋅ = σ dx e x
2
1
dx x p x
2
x
2
x
2
x
2
2
x
2
x
,


cu notaţiile: dx dx
x
y
x
x
x
⋅ σ =
σ
µ −
= ; ⇒


( )
∫ ∫
∞ +
∞ −

∞ +
∞ −
σ ⋅
µ −

⋅ ⋅
π ⋅
σ
= ⋅ ⋅
σ ⋅ π ⋅
dy e y
2
dx e x
2
1
2
y
2
2
x 2
x
2
2
x
2
2
x
2
x



și se integrează prin părți astfel:
2
y
2
y
2 2
e v dy e y dv
1 ' u y u
− −
− = ⋅ =
= =





38

2
x
1
2
y
0
y
2
2
x
2
y
2
2
x
dy e
2
1
e y
2
1
dy e y
2
2
2
2
σ =
(
(
(
(
(
¸
(

¸


π ⋅
+
|
|
|
¹
|

\
|
⋅ ⋅
π ⋅
− ⋅ σ = ⋅ ⋅
π ⋅
σ
=
∞ +
∞ −

=
∞ +
∞ −

∞ +
∞ −

∫ ∫
4 4 3 4 4 2 1
43 42 1

2. Media statistică şi varianţa unei variabile aleatoare de tip discret X cu distribuţie
Poisson ( )
λ −

λ
= e
! k
x p
k
k
sunt numeric egale cu valoarea parametrului λ al distribuţiei.
Demonstraţie.

( )
( )
λ = ⋅ ⋅ λ =

λ
⋅ ⋅ λ =

λ
⋅ = ⋅ = µ
λ + λ −

=

λ −

=
λ −

=
λ

∑ ∑
e e
! 1 k
e
e
! k
k k p k
e
1 k
1 k
1 k
k
1 k
x , 1
43 42 1


( ) ( ) ( )
( )
( )
(
(
(
(
¸
(

¸

λ
⋅ λ + ⋅ λ ⋅ λ ⋅ −
+ − ⋅
⋅ λ ⋅ = ⋅
λ
⋅ λ + λ ⋅ − =

λ
⋅ λ − = ⋅ µ − = σ
∑ ∑ ∑ ∑
∑ ∑

=

=

=
=
λ −

=
λ −

=
λ −

=
1 k
k
2
1 k
k
1 k
k
k
1 k
k
2 2
1 k
k
2
1 k
2
x , 1
2
x
! k ! k
k
2
! k
k 1 k k
e e
! k
k 2 k
e
! k
k k p k
2
48 47 6

( )
( ) ( ) ( )
λ =
(
(
(
(
¸
(

¸

λ
⋅ λ +

λ
⋅ λ ⋅ −

λ
⋅ λ +

λ
⋅ λ ⋅ =
(
(
¸
(

¸
λ
⋅ λ + ⋅ λ ⋅ λ ⋅ − ⋅ λ +
− ⋅
⋅ λ ⋅ = σ
λ λ λ λ
=

=
=

=

=

=

=

=

λ −

=

=

=

=
λ −
∑ ∑ ∑ ∑
∑ ∑ ∑ ∑
3 2 1 43 42 1 43 42 1 43 42 1
e
1 k
k
2
e
1 k
1 k
2
e
1 k
1 k
e
1 k
2 k
2
1 k
k
2
1 k
k
1 k
k
1 k
k 2
x
! k ! 1 k
2
! 1 k ! 2 k
e
! k ! k
k
2
! k
k
! k
1 k k
e

3. Să se calculeze media statistică şi varianţa unei variabile aleatoare de tip continuu
cu distribuţie normală.
Rezolvare.
(i)
( )
∫ ∫ ∫ ∫
∫ ∫


= ⋅

=
|
|
¹
|

\
|
+ + ⋅

=


= ⋅ = µ
∞ +
∞ −
+∞
∞ −
+∞
∞ −
b
a
b
a
2
b
b
a
a
x , 1
2
x
a b
1
dx x
a b
1
dx x dx x dx x
a b
1
dx x
a b
1
dx x p x



2
a b
2
a b
a b
1
2 2
x , 1
+
=



= µ .



39
(ii)
( )
( )
( )

∫ ∫
+ ⋅ + ⋅ =


⋅ = ⋅

= ⋅

=


= ⋅ =
+∞
∞ −
+∞
∞ −
b
a
2 2
3 3
b
a
3
2
2 2 2
x 2
a a b b
3
1
a b
a b
3
1
3
x
a b
1
dx x
a b
1
dx x
a b
1
dx x p x m
,



( )
( )
( );
,
2 2 2 2
2
2 2 2
x x 2
2
x
a 3 a b 6 b 3 a 4 a b 4 b 4
12
1
4
a b
a a b b
3
1
m
⋅ − ⋅ ⋅ − ⋅ − ⋅ + ⋅ ⋅ + ⋅ ⋅ =
+
− + ⋅ + ⋅ = µ − = σ


(iii)
( )
( )
12
b a
a b 2 a b
12
1
2
2 2 2
x

= ⋅ ⋅ − + ⋅ = σ

Se poate observa că media statistică şi varianţa sunt singurii parametri care apar în
expresiile funcţiilor de probabilitate din exemplele precedente. Această observaţie se
verifică şi în ceea ce priveşte celelalte distribuţii întâlnite în practică. De aceea, se
poate afirma că pentru caracterizarea unei variabile aleatoare sunt suficiente
cunoaşterea valorilor mediei statistice, varianţei şi precum şi expresia analitică a
funcţiei distribuţie de probabilitate.
Ȋn aplicaţii, toate aceste mărimi se estimează din datele rezultate din măsurători.
Numim mediile calculate pe baza datelor rezultate din măsurători medii temporale
pentru a le deosebi de mediile statistice.
Ȋn cazul în care se cunosc valori ale mediei statistice
x
µ şi varianţei
2
x
σ dar nu se
cunoaşte expresia funcţiei distribuţie de probabilitate asociate variabilei aleatoare X
se poate estima o limită inferioară pentru probabilitatea ca o variabila aleatoare să ia
valori în intervalul ( ) ( ) ∞ + ∈ σ ⋅ + µ σ ⋅ − µ ; 0 k , k ; k
x x x x
, cu ajutorul inegalităţii lui
Cebîşev.
Teorema 3: inegalitatea lui Cebîşev. Fiind dată o variabilă aleatoare X ; cu media
statistică
x
µ şi varianţa
2
x
σ atunci:

( )
2 x
k
1
k X P ≤ σ ⋅ > µ − , 0 k , R k > ∈ .

Demonstraţie. Este prezentată ȋn [6].
Funcţii de variabile aleatoare
Ȋn practică variabilele aleatoare se asociază sistemelor materiale. De exemplu o
variabilă aleatoare, X este asociată intensităţii zgomotului acustic produs de o sursă
de zgomot măsurată la porturile de ieşire ale acesteia. Să presupunem în continuare
că zgomotul produs de sursa de zgomot se propagă printr-un tub acustic. Mediul - de
exemplu aer – aflat în interiorul tubului acustic prin care se propagă zgomotul se
asociază unui sistem (fizic) aflat în intracţiune cu sursa de zgomot. Acest sistem are
porturi de intrare şi porturi de ieşire.
Intensitatea zgomotului acustic care se măsoară la capătul tubului, opus sursei de
zgomot adică la portul de ieşire al sistemului, poate fi asociată unei alte variabile



40
aleatoare. Între eşantioanele zgomotului măsurat la ieşirea tubului acustic nu există
nici o legătură cauzală. Cu toate acestea, dacă se compară eşantioanele intensităţii
zgomotului măsurate la portul de intrare cu eşantioanele intensităţii zgomotului
măsurate la portul de ieşire ale tubului se constată că există legături cauzale. Acest
fapt este determinat de modul în care se modifică în general proprietăţile sunetului
propagarea sunetului prin acel tub. Aceste dependenţe cauzale se reprezintă prin
funcţii analitice.
Pe baza acestui exemplu teoretic se poate formula următoarea problemă: fiind dată o
variabilă aleatoare X şi funcţiile de probabilitate asociate, să se determine funcţiile
de probabilitate ale variabilei aleatoare ( ) X g Y = în care ( ) ⋅ g este o funcţie dată.
Teorema 4: Fie o variabilă aleatoare R I S : X
X
⊂ → , având funcţiile densitate de
probabilitate ( ) ( ) x X P x p
1
= = şi funcţia inversabilă y densitatea de probabilitate a
variabilei aleatoare ( ) X y Y = , ( ) ( ) y Y P x p
2
= = :

( ) ( )
Y d
X d
X p Y p
1 2
⋅ = .

Demonstraţie.
Deoarece funcţia y este inversabilă există o corespondenţă biunivocă între valorile
posibile ale variabilelor aleatoare X , Y şi probabilităţile asociate. Rezultă, pentru
repartiţiile de probabilitate:
( ) ( ) [ ] x Y X P y Y P ≤ = ≤ .
Tinând cont de definiţia funcţiei densitate de probabilitate şi de faptul că funcţiile de
repartiţie sunt monoton crescătoare rezultă următoarele concluzii.
1. Dacă funcţia ( ) x y este monoton crescătoare pe intervalul ( ) ( ) Y X ; x ∞ − ∈ , atunci:

( )
( ) ( ) ( )
( )
( )
( )
{
0
1
Y X
1
2
dY
dX
x p x p
dY
d
dY
x Y X P d
dY
y Y dP
y p
>
∞ −
⋅ = =

=

=

.

2. Dacă ( ) x y este monoton descrescătoare pe intervalul ( ) ( ) Y X ; x ∞ − ∈ , atunci
0 dY dX < şi trebuie luat cu semn schimbat deoarece ( ) ( ) ( ) x Y X P x p
1
= = şi
( ) ( ) y Y P y p
2
= = reprezintă aceeaşi cantitate.
Exemplul 13: Fiind dată variabila aleatoare de tip continuu X cu densitatea de
probabilitate ( ) x p
1
şi variabila aleatoare 0 a R b , a ; b X a Y ≠ ∈ + ⋅ = . Să se
determine relaţia dintre funcţiile densitate de probabilitate ale celor două variabile
aleatoare.
Rezolvare.

( ) b Y
a
1
X − ⋅ = ⇒
a
1
dY
dX
= ⇒ ( )
|
¹
|

\
| −
⋅ =
a
b y
p
a
1
y p
1 2





41
Se observă că, în cazul în care între cele două variabile aleatoare există o
dependenţă liniară, densităţile de probabilitate diferă doar printr-un factor de
proporţionalitate şi o translaţie a variabilei.
Exemplul 14: Ştiind că distribuţia Γ cu parametrul p are funcţia de distribuţie de
probabilitate

( ) ( )
( )
( ]
¦
¹
¦
´
¦
∞ − ∈
∞ + ∈
Γ

=
− −
0 ; x 0
; 0 x
p
x e
x p
1 p x
daca
daca
, în care ( )

+∞
− −
⋅ = Γ
0
x 1 p
dx e x p
să se arate că dacă variabila aleatoare X este normal distribuită, cu media statistică
x
µ şi varianţa
2
x
σ , atunci variabila aleatoare:

( )
2
x 2
x
X
2
1
Y µ − ⋅
σ ⋅
=

are distribuţia de probabilitate egală cu ( ) 2 1 p .
Rezolvare.

[ ) ∞ + ∈ ; 0 Y ⇒
x x
Y 2 X µ + ⋅ ⋅ σ = ⇒ 0
Y 2
1
2
dY
dX
x
>

σ ⋅ =

(i) ⇒
( )
( )
2
x
2
x
2
x
2
x
1
e
2
1
x p
σ ⋅
µ −


σ ⋅ π ⋅
= ⇒
( )
y 2
1
2 e
2
1
y p
x
y
2
x
2

⋅ σ ⋅ ⋅ ⋅
σ ⋅ π ⋅
=



( )
y
2
1
2
e y
2
1
y p


⋅ ⋅
π ⋅
= ; π = |
¹
|

\
|
Γ
2
1

Operatorul de mediere statistică
Ȋn care urmează se prezintă în rezumat expresiile momentelor statistice în cazul
variabilelor aleatoare de tip discret respectiv de tip continuu.
Tabelul 9. Expresiile momentelor statistice ale variabilelor de tip discret şi continuu
Tipul variabilei aleatoare Discret Continuu
Momentul statistic de ordinul
unu
( )

+∞
−∞ =
⋅ =
i
i i x , 1
x P x m

( )

+∞
∞ −
⋅ = dx x p x m
x , 1

Momentul statistic de ordinul doi ( )

+∞
−∞ =
⋅ =
i
i
2
i x , 2
x P x m

( )

+∞
∞ −
⋅ = dx x p x m
2
x , 2

Momentul statistic de ordin
n
( )

+∞
−∞ =
⋅ =
i
i
n
i x , n
x P x m

( )

+∞
∞ −
⋅ = dx x p x m
k
x , k




42
Expresiile care apar sub semnul de sumare respectiv semnul de integrare reprezintă
operaţia de mediere statistică a funcţii (polinomiale) de variabila aleatoare X :
( ) x x f = , ( )
2
x x g = respectiv ( )
n
x x h = .
Această constatare sugerează introducerea unui operator care semnifică operaţia de
mediere statistică a unei funcţii oarecare ( ) x g definită pe câmpul complet de
evenimente al unei variabile aleatoare X .
Definiția 27: Operatorul de mediere statistică pentru cazul variabilelor aleatoare
simple.
a) Fiind dată o variabilă aleatoare simplă, de tip discret definită pe o mulţime
numărabilă cu M elemente şi o funcţie, ( ) x g de variabilă reală definită pe câmpul
complet de evenimente asociat variabilei aleatoare, operatorul de mediere statistică
asociat reprezintă suma:

( ) ( ) ( ) ( )

=
⋅ =
M
1 m
m m
x P x g x g E

în care ( )
m
x P reprezintă probabilităţile asociate valorilor posibile ale variabilei
aleatoare.
b) Fiind date două variabile aleatoare simple de tip discret şi o funcţie de două
variabile ( )
n m
y x g , atunci operatorul de mediere statistică asociat este suma:

( ) ( ) ( ) ( )
∑∑
= =
⋅ =
N
1 n
M
1 m
n m n m
y , x P y , x g y , x g E

în care ( )
n m
y x P , reprezintă probabilităţile condiţionate asociate valorilor posibile ale
variabilelor aleatoare.
c) Fiind dată o variabilă aleatoare simplă, de tip continuu definită pe o mulţimea
numerelor reale şi o funcţie, g reală de variabilă reală definită pe câmpul complet de
evenimente asociat variabilei aleatoare, operatorul de mediere statistică asociat
reprezintă integrala:
( ) ( ) ( ) ( )

+∞
∞ −
⋅ = dx x p x g x g E
Ȋn care ( ) x p reprezintă funcţia densitate de probabilitate a variabilei aleatoare.
d) Fiind date două variabile aleatoare simple, de tip continuu definită pe o mulţimea
numerelor reale şi o funcţie de două variabile ( ) y x g , atunci operatorul de mediere
statistică asociat este integrala dublă:
( ) [ ] ( ) ( )
∫ ∫
+∞
∞ −
+∞
∞ −
⋅ = dy dx y , x p y , x g y , x g E
Ȋn care ( ) y , x p reprezintă funcţia densitate de probabilitate condiţionată. asociată
celor două variabile aleatoare.
Acest operator are rolul de a simplifica notaţia operaţiei de mediere statistică precum
şi de a permite efectuarea de calcule cu ajutorul notaţiilor simbolice. Rolul



43
operatorului de mediere statistică este similar cu rolul altor operatori ca de exemplu
operatorul de derivare şi operatorul de integrare.
Teorema 5: proprietăţile operatorului de mediere statistică.
1. Media statistică a unei constante este egală cu acea constantă.
( ) a a E =
Demonstraţie.

( ) ( ) ( ) a dx x p a dx x p a a E
1
= ⋅ = ⋅ =
=
+∞
∞ −
+∞
∞ −
∫ ∫
43 42 1


2. Media statistică a sumei ponderate a două variabile aleatoare simple de tip
continuu este egală cu suma mediilor ponderate ale celor două variabile aleatoare.
( ) ( ) ( ) y E b x E a y b x a E ⋅ + ⋅ = ⋅ + ⋅
Demonstraţie.

( ) ( ) ( )
( ) ( )
∫ ∫ ∫ ∫
∫ ∫
∞ +
∞ −
∞ +
∞ −
∞ +
∞ −
∞ +
∞ −
+∞
∞ −
+∞
∞ −
⋅ ⋅ + ⋅ ⋅ =
⋅ ⋅ + ⋅ = ⋅ + ⋅
dy dx y , x p y b dy dx y , x p x a
dy dx y , x p y b x a y b x a E


3. Media statistică a produsului a două variabile independente statistic este egală cu
produsul mediilor statistice ale celor două variabile aleatoare.
( ) ( ) [ ] ( ) [ ] ( ) [ ] y g E x f E y g x f E ⋅ = ⋅
Demonstraţie.

( ) ( ) [ ] ( ) ( ) ( )
( ) ( ) ( ) y p x p y , x p
dy dx y , x p x g x f x g x f E
⋅ =
⋅ ⋅ = ⋅
∫ ∫
+∞
∞ −
+∞
∞ −



( ) ( ) [ ] ( ) ( )
( ) [ ]
( ) ( )
( ) [ ]
4 4 3 4 4 2 1 4 4 3 4 4 2 1
x g E
2
x f E
1
dy y p x g dx x p x f x g x f E
=
+∞
∞ −
=
+∞
∞ −
∫ ∫
⋅ ⋅ = ⋅

3. Fiind dată o variabilă aleatoare X , să se demonstreze relaţia dintre varianţă,
momentul statistic de ordinul doi şi media statistică.

2
x x , 2
2
x
m µ − = σ
Demonstraţie.

( ) [ ] ( )
( ) ( ) ( )
{
43 42 1 3 2 1
3 2 1
2
x x
2
x
2
x
2
x
2
x
1
2
x x
2
2
x x
2
2
x
2 1 E X E 2 X E
X 2 X E X E
µ − =
=
µ =
σ =
µ + µ ⋅ − σ = ⋅ µ + ⋅ µ ⋅ − =
µ + ⋅ µ ⋅ − = µ −








44
Corelaţia
Ȋn paragrafele anterioare a fost analizată problema determinării funcţiilor de
probabilitate ale unei variabile aleatoare, Y atunci când se cunosc funcţiile de
probabilitate ale unei variabile aleatoare X şi o dependenţă între cele două variabile
aleatoare, ( ) X g Y = .
Ȋn acest paragraf se va analiza problema la care ipoteza şi concluzia sunt inversate,
respectiv: fiind date două variabile aleatoare X şi Y ale căror funcţii de probabilitate
sunt cunoscute se cere să se determine funcţia care satisface condiţia ( ) X g Y = .
Formulată în acest mod, problema enunţată nu are o singură soluţie.
O dependenţă între două sau mai multe variabile aleatoare se numeşte corelaţie.
Corelaţia este o generalizare a noţiunii de funcţie din analiza matematică.
In cazul unei variabile aleatoare ordinea eşantioanelor dintr-o realizare a unui
experiment este indiferentă; ceea ce este important este probabilitatea de realizare a
fiecărei valori permise. Atunci când se determină corelaţia dintre două variabile
aleatoare este esenţială distribuţia perechilor de valori ( )
k k
y ; x în care
k
x reprezintă
valori ale variabilei X şi
k
y valori ale variabilei Y care apar simultan în cadrul
experimentului.
Exemplul 15: Fie o reprezentare în planul ( ) y 0 x a distribuţiei punctelor ( )
k k
y ; x M
rezultate prin măsurători în cadrul unui experiment în care au fost observate câte
N eşantioane aparţinând la două variabile aleatoare. Dacă cele două variabile
aleatoare sunt corelate, atunci densitatea punctelor din plan este mai mare în
vecinătatea curbei graficului funcţiei care aproximează cel mai bine corelaţia
dintre variabile. Cu cât corelaţia dintre variabile este mai strânsă apropiindu-se de
o funcţie cu atât punctele care definesc perechile de valori ( )
k k
y ; x sunt mai
concentrate în vecinătarea graficului curbei ( ) x g y = . Ȋn contrast, dacă între cele
două variabile aleatoare nu există nici o corelaţie sau altfel spus, dacă cele două
variabile aleatoare sunt independente statistic, atunci punctele ( )
k k
y ; x M vor fi
uniform distribuite pe tot planul ( ) y 0 x .
Pornind de la această idee, problema determinării corelaţiei dintre cele două variabile
aleatoare se reduce la o problemă de interpolare.
Rezultă că, pentru ca soluţia să fie unică mai trebuie precizate (1) modelul
dependenţei dintre cele două variabile aleatoare şi (2) un criteriu de minimizare
asociat unei funcţii cost cu ajutorul căruia se calculează parametrii modelului
dependenţei dintre variabilele aleatoare.
Ȋn aplicaţii este important modelul dependenţei liniare dintre două variabile aleatoare:

R b , a , b X a Y ∈ + ⋅ = .

la care se asociază criteriul de minim al sumei pătratelor erorilor definită după cum
urmează.

( ) [ ] { } ( ) [ ] ( )

+∞ =
−∞ =
⋅ + ⋅ − = + ⋅ − =
k
k
k k
2
k k
2
y , x P b x a y b X a Y E J .




45
O reformulare a problemei enunţate la începutul acestui paragraf este următoarea.
Fiind date două variabile aleatoare X şi Y ale căror funcţii de probabilitate sunt
cunoscute se cere să se determine funcţia liniară R b , a , b X a Y ∈ + ⋅ = astfel încât
suma pătratelor erorilor să fie minimă.
Se menţionează că funcţia liniară R b , a , b X a Y ∈ + ⋅ = se numeşte dreaptă de
regresie.
Pentru calculul coeficienţilor dreptei de regresie se procedează după cum urmează.
1. Se rescrie funcţia cost cu ajutorul proprietăţilor operatorului de mediere statistică.

( ) [ ] { }
( )
( ) ( ) ( ) ( ) ( ) X E b a 2 Y E b 2 Y X E a 2 b X E a Y E
X b a 2 Y b 2 Y X a 2 b X a Y E
b X a Y E J
2 2 2 2
2 2 2 2
2
⋅ ⋅ ⋅ + ⋅ ⋅ − ⋅ ⋅ ⋅ − + ⋅ + =
⋅ ⋅ ⋅ + ⋅ ⋅ − ⋅ ⋅ ⋅ − + ⋅ + =
+ ⋅ − =

2. Funcţia cost are un minim în punctele care verifică relaţiile:

0
b
J
a
J
b a
J
; 0
a
J
; 0
a
J
2
2
2
2
2
2
>
(
(
¸
(

¸







|
|
¹
|

\
|
∂ ∂

=


=


.
3. Se calculează derivatele parţiale de ordinul unu şi se ţine cont de condiţiile de
minim.

( ) ( ) ( )
( ) ( )
¹
´
¦
⋅ = ⋅ + ⋅ ⋅
⋅ ⋅ = ⋅ ⋅ + ⋅ ⋅
Y E 2 b 2 X E a 2
Y X E 2 X E b 2 X E a 2
2
.

( ) ( )
( )
( ) ( ) [ ]
2
x
2
x x , 2
2 2
2
S
m X E X E
1 X E
X E X E
σ = µ − = − = = ∆

( ) ( )
( )
( ) ( ) ( )
}
y
x
Y E X E Y X E
1 Y E
X E Y X E
a
µ =
µ =
⋅ − ⋅ =

= ∆
3 2 1


( ) ( )
( ) ( )
( ) ( )
}
( ) ( )
3 2 1
3 2 1
x
y
2
x
2
x
X E Y X E Y E X E
Y E X E
Y X E X E
2
2
b
µ =
µ =
µ + σ =
⋅ ⋅ − ⋅ =

= ∆
Se observă că pentru termenul în ( ) Y X E ⋅ se poate deduce relaţia care urmează.

( ) ( ) [ ] ( )
( ) ( ) ( )
( )
y x
y x y x
y x y x y x
Y X E
X E Y E Y X E
X Y Y X E Y X E
µ ⋅ µ − ⋅ =
µ ⋅ µ + ⋅ µ − ⋅ µ − ⋅ =
µ ⋅ µ + ⋅ µ − ⋅ µ − ⋅ = µ − ⋅ µ −


( ) ( ) ( ) [ ]
y x y x
Y X E Y X E µ ⋅ µ + µ − ⋅ µ − = ⋅
Se înlocuieşte expresia termenului ( ) Y X E ⋅ astfel obţinută, în expresia
determinanţilor
a
∆ şi
b
∆ şi se obţin expresiile care urmează.



46
( ) ( ) [ ]
y x a
Y X E µ − ⋅ µ − = ∆ ⇒
( ) ( ) [ ]
2
x
y x
S
a
Y X E
a
σ
µ − ⋅ µ −
=


=

( ) ( ) ( ) [ ] { }
( ) ( ) [ ]
( ) ( ) [ ]
y x x y
2
x
y
2
x y x x y
2
x y
2
x
x y x y x y
2
x
2
x b
Y X E
Y X E
Y X E
µ − ⋅ µ − ⋅ µ − µ ⋅ σ =
µ ⋅ µ − µ − ⋅ µ − ⋅ µ − µ ⋅ µ + µ ⋅ σ =
µ ⋅ µ ⋅ µ + µ − ⋅ µ − − µ ⋅ µ + σ = ∆


( ) ( ) [ ]
y x 2
x
x
y
S
b
Y X E b µ − ⋅ µ − ⋅
σ
µ
− µ =


=
4. Rezultă, ecuaţia dreptei de regresie sub forma:

( ) ( ) [ ]
( )
x 2
x
y x
y
X
Y X E
Y µ − ⋅
σ
µ − ⋅ µ −
= µ −
Observaţii.
- Punctul de cordonate ( )
y x
; M µ µ aparţine dreptei de regresie.
- Variabilele aleatoare ( )
x
X µ − şi ( )
y
Y µ − reprezintă variabilele centrate pe mediile
statistice ale variabilelor aleatoare X şi Y iar expresia ( ) ( ) [ ]
y x
Y X E µ − ⋅ µ − se numeşte
covarianţa celor două variabile aleatoare.
- Pentru a obţine o expresie simplă a dreptei de regresie nu se utilizează expresiile
variabilelor aleatoare centrate ci expresiile variabilelor aleatoare standardizate
( )
x
x
X
σ
µ −
= ξ şi respectiv
( )
y
y
Y
σ
µ −
= ζ . Cu aceste notaţii expresia dreptei de regresie
rezultă după cum urmează.

( )
ξ ⋅
σ ⋅ σ
ζ ⋅ ξ
= ζ
ρ =
3 2 1
y x
E
⇒ ξ ⋅ ρ = ζ în care
( )
y x
E
σ ⋅ σ
ζ ⋅ ξ
= ρ .
Expresia ( ) ζ ⋅ ξ E se numeşte covarianţa normalizată.
Numărul ρ se numeşte coeficientul de corelaţie a variabilelor aleatoare date.
Coeficientul de corelaţie reprezintă panta dreptei de interpolare. O dreaptă în plan
este unic determinată dacă se cunosc coordonatele unui punct al dreptei precum şi
panta acesteia. Prin urmare, corelaţia celor două variabile aleatoare poate fi
caracterizată fie prin mulţimea punctelor aparţinând dreptei de regresie fie, mult mai
succint, prin coordonatele punctului ( )
y x
; M µ µ şi panta
( )
y x
E
σ ⋅ σ
ζ ⋅ ξ
= ρ . Se poate
constata faptul că în ultimul caz, corelaţia dintre cele două variabile aleatoare este
caracterizată doar prin mărimi statistice, calculate pe ansamblul tuturor realizărilor
celor două variabile aleatoare.
Dacă se cunosc mărimile statistice ale celor două variabile este posibilă estimarea a
priori a corelaţiei dintre acestea.



47
Exemplul 16:
Se arată că media statistică şi varianţa variabilelor aleatoare standardizate sunt
egale cu zero şi respectiv cu unu.
Demonstraţie.

( )
( )
( ) [ ] ( ) 0 X E X E
1 X
E E
x x
x x
x
x
= µ − = µ − ⋅
σ
=
(
¸
(

¸

σ
µ −
= ξ = µ
µ =
ξ
3 2 1


( )
( )
( ) [ ]
( ) [ ] ( ) ( ) [ ]
[ ] 1 2
1
X E 2 X E
1
X 2 X E
1
X E
1
X
E E
2
x
2
x 2
x x x
2
x
2
x 2
x
2
x x
2
2
x
2
x x
2
2
x
2
x 2
x
2
x
2
x
2 2
=
σ
σ
= µ + µ ⋅ µ ⋅ − µ + σ ⋅
σ
=
µ + ⋅ µ ⋅ − ⋅
σ
= µ + ⋅ µ ⋅ − ⋅
σ
=
= µ − ⋅
σ
=
(
(
¸
(

¸

σ
µ −
= ξ = σ
ξ

Exemplul 17: Coeficientul de corelaţie are valori cuprinse în intervalul [ ] 1 ; 1 − ∈ ρ .
Demonstraţie. Se calculează momentul statistic de ordinul doi asociat variabilelor
aleatoare standardizate.
(i)
( ) [ ] ( )
( ) ( ) ( )
( ) 0 1 2
E E 2 E
2 E E
2 2
2 2 2
≥ ρ + ⋅ =
ζ + ζ ⋅ ξ ⋅ + ξ =
ζ + ζ ⋅ ξ ⋅ + ξ = ζ + ξ

(ii) ( ) [ ] ( ) 0 1 2 E
2
≤ ρ − ⋅ = ζ − ξ

1 1 ≤ ρ ≤ −



48
CAPITOLUL III
SEMNALE ALEATOARE ŞI ZGOMOTE
Studiul fenomenelor se realizează prin observarea, măsurarea, inregistrarea
variabilelor acestora. Vom numi semnal dependenţele de timp ale observaţiilor
variabilelor unui fenomen.
Ȋn identificarea sistemelor, semnalele generate cu dispozitive dedicate (generatoare
de semnal) se utilizează ca semnale de intrare fiind utile pentru testarea sistemului.
Ȋn acest caz semnalele de intrare au proprietăţi cunoscute cu precizie ceea ce
asigură repetabilitatea experimentului. Pe de altă parte, semnalele se întâlnesc sub
forma zgomotelor - semnale nedorite provenite din sistem sau din mediul
ȋnconjurător care se suprapun cu semnalele utile. Căile de propagare ale zgomotelor
pot fi (a) liniile de măsurare, (b) sistemul testat sau (c) asociate cu semnalul de
intrare. Sursele care produc zgomotele nu sunt de regulă cunoscute. Din acest motiv
zgomotele se asociază unor fenomene aleatoare.
Există și semnale aleatoare - denumite ȋn continuare procese aleatoare - care sunt
generate cu dispozitive dedicate (generatoare de zgomot), ale căror proprietăţi
statistice sunt cunoscute cu exactitate și care sunt utilizate ca semnale de intrare în
sistem. Aceste semnale sunt utile pentru identificarea sistemelor.
Ȋn cadrul acestui capitol se prezintă principalele noţiuni şi metode utilizate pentru
studiul proprietăţilor semnalelor aleatoare și a zgomotelor precum şi clasele de
semnale care se întâlnesc în practica identificării sistemelor.
Definiţii
Definiția 28: semnal. O aplicaţie definită pe o mulţime ordonată ale cărei elemente
sunt asociate timpului universal se numeşte semnal.
Ȋntr-un experiment se prelevează, respectiv se măsoară şi se înregistrează, seturi de
valori ale semnalelor asociate variabilelor fenomenului observat.
O valoare a unui semnal, prelevată în cadrul experimentului se numeşte eşantion
sau observaţie.
O mulţime de observaţii ale semnalului, ordonate în succesiunea prelevării lor în
cadrul unui experiment se numeşte o realizare a experimentului.
O mulţime formată din realizări ale experimentului se numeşte ansamblu de realizări
ale experimentului.
Definiția 29: proces aleator. Un proces aleator este un semnal ale cărui realizări se
asociază unor variabile aleatoare.
Ideea care se află la baza studiului cu mijloacele teoriei probabilităţiilor a
fenomenelor aleatoare este efectuarea experimentelor de un număr mare de ori şi
determinarea frecvenţei de repetare a valorilor observaţiilor experimentului. Apoi, prin
mediere statistică se obţin informaţii pe ansamblu privind fenomenul studiat. Analiza
se efectuează pe ansamblul tuturor realizărilor procesului, deci nici alegerea
momentului de desfăşurare al unui anumit experiment nici succesiunea în timp a



49
repetării experimentului nu influenţează rezultatul de ansamblu care se obţine. Din
punct de vedere statistic este acelaşi lucru dacă un experiment se efectuează
simultan de mai multe ori sau dacă experimentul se desfăşoară succesiv de mai
multe ori. Procesele aleatoare se disting prin faptul că observarea procesului nu se
poate efectua decât succesiv deoarece realizările procesului aleator depind de timpul
universal.
Până la acest punct s-a presupus că funcţiile de probabilitate ale proceselor
aleatoare examinate nu depind de timpul universal. Prin urmare, rezultatele
experimentelor sunt aceleaşi indiferent de momentul când acestea se efectuează.
Sub acest aspect, procesele aleatoare în cauză sunt echivalente cu variabilele
aleatoare prezentate în capitolul doi. Ȋn realitate, doar o parte din procesele aleatoare
care se întâlnesc în practică verifică condiţia enunţată; există procese aleatoare la
care funcţiile de probabilitate depind de momentul la care se prelevează datele din
proces, respectiv depind de timpul universal. Ȋn acest context se enunţă definiţia care
urmează.
Definiția 30: procese aleatoare staţionare. Un proces aleator este staţionar dacă
funcţiile de probabilitate nu depind de timpul universal.
Ȋn acord cu definiţia de mai sus rezultă că în cazul proceselor aleatoare staţionare
momentele statistice şi varianţa calculate pe baza funcţiilor de probabilitate sunt
numere constante.
În practică se ȋntâlnesc procese aleatoare ale căror funcţii de probabilitate depind de
timpul universal dar ale căror valori medii statistice sunt numere constante. Aceste
procese aleatoare se numesc procese aleatoare staţionare în sens larg şi se
studiază în acelaşi mod cu procesele aleatoare staţionare.
Procesele aleatoare care nu sunt staţionare sau staţionare în sens larg se vor numi
procese aleatoare nestaţionare.
Procesele aleatoare staţionare descriu fenomene aleatoare care se află în echilibru
stabil din punct de energetic; cu alte cuvinte, energia totală a sistemului este
constantă. Mişcarea browniană a particulelor în suspensie în lichid aflat la
temperatură constantă sau emisia termoionică a catodului parcurs de curent electric
cu intensitate constantă intr-un tub cu vid sunt două exemple de fenomene descrise
prin procese aleatoare staţionare. Reacţiile chimice în avalanşă, procesele de
combustie ale amestecului carburant în motoarele termice sunt exemple de procese
aleatoare nestaţionare.

Figura 21. Proces aleator staționar, media statistică și varianța sunt constante.



50

Figura 22. Proces nestaționar; media statistică depinde de timp.

Figura 23. Proces nestaționar; media statistică și varianța depind de timp.

Figura 24. semnal determinist - undă dreptunghiulară și procesul aleator cu media statistică și
varianța dependente de timp.
Pentru comparare, procesele aleatoare staţionare corespund sistemelor deterministe
aflate în echilibru static, procesele aleatoare aleatoare staţionare în sens larg
corespund sistemelor deterministe în regim staţionar iar procesele aleatoare
nestaţionare corespund sistemelor deterministe aflate în regim dinamic Tabelul 10.

Exemplul 18: lumina albă ca proces aleator staționar. După cum se va justifica în
paragrafele următoare, lumina albă este un proces aleator cu bandă limitată. Să
considerăm experimentul care constă în măsurarea/observarea intensităţii luminii
albe emise de o sursă de lumină.
1. Mulţimea tuturor observaţiilor intensității luminii albe, în toate punctele, la orice
distanţă în raport cu sursa, pentru ( ) ∞ + ∞ − ∈ ; t reprezintă ansamblul realizărilor
acestui proces aleator.



51
Tabelul 10. Clasificarea fenomenologică a semnalelor.
Semnale / Procese Descriere
Semnale deterministe
desfășurarea ȋn timp a acestor semnale este
determinată și poate fi prezisă pe baza unui model
matematic adecvat
periodice semnale a căror valori se repetă periodic
cvasi periodice
semnale care rezultă prin superpoziția mai multor
componente sinusoidale; raportul dintre perioadele
acestor componente nu se reprezintă prin numere
raționale
aperiodice semnale care se compun din componente tranzitorii
Procese aleatoare
desfășurarea ȋn timp a acestor semnale nu poate fi
prevăzută; descrierea acestor semnale se poate face
doar pe ansamblu, prin metode statistice
staționare
caracteristicile statistice ale procesului aleator nu
depind de timpul universal
cvasi staționare
sunt procese aleatoare nestaționare care pot fi
aproximate ca procese staționare
nestaționare
caracteristicile statistice ale ale acestor procese
aleatoare depind de timpul universal
2. Mulţimea observaţiilor intensității luminii albe efectuate într-un experiment, ȋntr-un
punct fixat în raport cu sursa, pentru ( ) ∞ + ∞ − ∈ ; t reprezintă o realizare a procesului
aleator.
3. Mulţimea observaţiilor intensității luminii albe efectuate într-un punct fixat în raport
cu sursa ȋntr-un interval de timp [ ] T ; T t + − ∈ este o secvenţă a unei realizări a
procesului aleator sau pe scurt o secvenţă a procesului aleator.
Variabilele aleatoare asociate procesului aleator se notează în acelaşi mod cu
variabilele aleatoare în general. Variabilele aleatoare asociate secvenţelor procesului
se notează prin ataşarea unui indice la simbolul variabilei care indică indexul
secvenţei.
Modul în care variabilele aleatoare se asociază cu procesele aleatoare este
următorul. Fiind date un număr de secvenţe de realizări ale unui proces aleator.
Pentru fiecare secvenţă variabila timp universal (absolut) se înlocuieşte cu variabila
timp relativ având originea definită în raport cu primul eşantion fiecărei secvenţe în
parte. Astfel, secvenţele succesive de valori sunt înlocuite cu realizări simultane ale
variabilelor aleatoare asociate fiecărei secvenţe. In continuare, funcţiile de
probabilitate, mediile şi funcţiile de corelaţie se studiază similar cu cazul general.
Procedeul enunţat este ilustrat cu ajutorul exemplului care urmează.




52



Figura 25. Exemplu privind asocierea dintre secvențe ale unui proces aleator și variabilele aleatoare.
Ȋn experimentele de identificare a sistemelor, procesele aleatoare sunt prezente ȋn
două ipostaze distincte. (a) ca procese aleatoare produse cu generatoare de semnal
dedicate, aplicate la portul de intrare al sistemului obiect experimentului de
identificare și (b) ca zgomote provenind din mediul ȋnconjurător sau din sistemul care
este obiect al experimentului și care perturbă rezultatul măsurătorilor; ȋn acest caz
sursele și localizarea acestora nu sunt cunoscute. Ȋn cazul (a) proprietățile statistice
ale procesului aleator sunt cunoscute cu precizie ȋn timp ce ȋn cazul (b) proprietățile
statistice ale procesului nu sunt cunoscute.



53
Procesele aleatoare corespunzătoare cazului (b) vor fi numite ȋn continuare zgomote
pentru a le deosebi de procesele aleatoare utilizate ca semnale de test - cazul (a) -
pentru care se păstrează denumirea de procese aleatoare.
Funcţiile de corelaţie asociate proceselor aleatoare ȋn sens
larg
Evaluarea dependenței dintre două variabile aleatoare asociate
proceselor aleatoare de tip discret prin aproximare liniară
Problema determinării unei aproximări liniare a dependenţei dintre două variabile
aleatoare pentru care se cunosc funcţiile de probabilitate poate fi aplicată şi în cazul
a două procese aleatoare, U şi V în acelaşi mod în care a fost aplicată în Capitolul 2
pentru cazul general al variabilelor aleatoare. Coeficienţii b , a ai dreptei de regresie,
b U a V + ⋅ = sunt soluţiile sistemului de două ecuaţii liniare prezentat în continuare.

( ) ( ) ( )
( ) ( )
¹
´
¦
= + ⋅
⋅ = ⋅ + ⋅
V E b U E a
V U E V E b U E a
2

(15.)
Şi în cazul proceselor aleatoare este valabilă concluzia potrivit căreia, dacă cele
două procese aleatoare sunt corelate statistic atunci distribuţia perechilor de valori
( )
k k
v ; u este mai concentrată învecinătatea perechilor de valori aparţinând dreptei de
regresie; dacă cele două procese aleatoare nu sunt corelate statistic atunci perechile
de valori sunt egal distribuite pe tot planul ( ) v 0 u .
Ȋn general, corelaţia statistică reprezintă o generalizare a noţiunii de funcţie din
analiza matematică. Deoarece, în cazul proceselor aleatoare cel puţin una dintre
variabile este asociată timpului universal, corelaţia statistică reprezintă şi o
dependenţă cauzală între procese. Prin urmare, dacă două procese aleatoare sunt
corelate atunci între acestea există o dependenţă cauzală; în caz contrar între cele
două procese nu există nici o dependenţă de tip cauză-efect.
Această idee conduce spre un procedeu de analiză a dependenţei cauzale între
eşantioanele aceluiaşi proces aleator. Deoarece cea mai simplă dependență ȋntre
elementele a două mulțimi de valori sau ȋntre elementele aceleiași mulțimi de valori
este dependența liniară, problema enunţată la începutul acestui paragraf se
reformulează după cum urmează . Fiind dat un proces aleator de tip discret, să se
determine dependenţa liniară dintre o variabila aleatoare asociată acelui proces,
( ) k N şi o altă variabilă aleatoare, ( ) τ + k N rezultată prin deplasarea valorilor
procesului în cauză cu un număr finit de paşi τ .
Cazul 1: variabilele aleatoare ( ) k N şi ( ) τ + k N sunt corelate statistic. Acest fapt are
loc atunci când procesul aleator are o componentă deterministă şi o componentă
aleatoare pură. Altfel spus, semnalul care se măsoară a rezultat din superpoziţia
dintre un semnal cauzal şi un zgomot. Sistemul de ecuaţii (1) se rescrie după cum
urmează.

( ) [ ] ( ) [ ] ( ) ( ) [ ]
( ) [ ] ( ) [ ]
¹
´
¦
τ + = + ⋅
τ + ⋅ = ⋅ + ⋅
k U E b k U E a
k U k U E k U E b k U E a
2


Determinantul sistemului este dat de relaţia:



54

( ) [ ] ( ) [ ]
( ) [ ]
( ) [ ] ( ) [ ] ( ) 0 k U E k U E
1 k U E
k U E k U E
2
U
2
m
2
2
S
2
U
2
U
2
U U , 2
> σ = − = = ∆
µ =
µ + σ = =
48 47 6
43 42 1
.

Rezultă că sistemul de ecuaţii este compatibil determinat. Prin urmare dreapta de
regresie există. Dreapta de regresie trece prin punctul de coordonate ( )
U U
; M µ µ ,
situat pe prima bisectoare şi va avea panta:

( ) [ ] ( ) [ ] { }
( ) ( ) ( ) ( ) [ ] { }
( ) ( ) [ ] ( ) [ ] ( ) [ ]
¦
)
¦
`
¹
¦
¹
¦
´
¦
µ + τ + ⋅ µ − ⋅ µ − τ + ⋅ ⋅
σ
=
µ + τ + ⋅ µ − ⋅ µ − τ + ⋅ ⋅
σ
=
σ
µ − τ + ⋅ µ −
= ρ
µ =
µ =
2
U U U
2
U
2
U U U 2
U
2
U
U U
U
U
k U E k U E k U k U E
1
k U k U k U k U E
1
k U k U E
48 47 6
43 42 1



( ) ( ) [ ]
2
U
2
U
k U k U E
σ
µ − τ + ⋅
= ρ
(16.)
Media statistică
U
µ , varianţa
U
σ şi coordonatele punctului ( )
U U
; M µ µ nu depind de
întârzierea τ deci singurul termen care caracterizează corelaţia dintre cele două
variabile aleatoare este ( ) ( ) [ ] τ + ⋅ k U k U E .
Cazul 2: variabilele aleatoare ( ) k N şi ( ) τ + k N nu sunt corelate statistic. Această
situaţie se întâlneşte în cazul proceselor aleatoare pure. Aşa cum s-a precizat în
Capitolul 2, variabilele aleatoare în general şi procesele aleatoare în particular se
caracterizează prin aceea că între oricare dintre realizări nu există nici o dependenţă.
A. Dacă 0 = τ .


Figura 26. Dreapta de regresie pentru cazul 0 = τ .

Acest caz corespunde corelaţiei variabilei aleatoare cu ea însăşi. Reprezentarea
grafică în plan a dependenţei redundante ( ) ( ) k U k U = vor fi puncte aparţinând primei
bisectoare cum se prezintă în Figura 26. Densitatea punctelor este maximă în
vecinătatea punctului de coordonate ( )
U U
; M µ µ . Pentru a justifica această afirmaţie
se rescrie sistemul de ecuaţii (15) după cum urmează.



55

( ) [ ] ( ) [ ] ( ) ( ) [ ]
( ) [ ]
( ) [ ] ( ) [ ]
¦
¹
¦
´
¦
= + ⋅
⋅ = ⋅ + ⋅
=
k U E b k U E a
k U k U E k U E b k U E a
k U E
2
2
43 42 1


Se calculează determinantul sistemului
S
∆ şi determinanţii
b a
; ∆ ∆ .

( ) [ ] ( ) [ ]
( ) [ ] 1 k U E
k U E k U E
2
S
= ∆ ;
( ) [ ] ( ) [ ]
( ) [ ]
S
2
a
1 k U E
k U E k U E
∆ = = ∆ ;
( ) [ ] ( ) [ ]
( ) [ ] ( ) [ ]
0
k U E k U E
k U E k U E
2 2
b
= = ∆ .
(3.x)
Deci, soluţiile sistemului de ecuaţii vor fi:

¹
´
¦
=
=
0 b
1 a
: S ;
(3.x)
Cu alte cuvinte dreapta de regresie este prima bisectoare în planul ( ) v 0 u . Dreapta de
regresie trece prin originea sistemului de coordonate şi are panta 1 = ρ . Acest
rezultat se verifică şi cu relaţia:

( ) [ ]
}
1
m k U E
2
U
2
U U , 2
2
U
2
U
2
2
U
2
U
=
σ
µ −
=
σ
µ −
= ρ
µ + σ

(17.)
B. Dacă k = τ .


Figura 27. Dreapta de regresie pentru cazul 0 ≠ τ .

Acest caz corespunde studiului corelaţiei dintre variabila aleatoare ( ) k U şi variabila
aleatoare ( ) τ + k U rezultată prin deplasarea cu τ eşantioane a realizărilor variabilei
aleatoare ( ) k U . Cu ipoteza că o realizare oarecare a procesului aleator ( ) k U şi
oricare realizare a procesului aleator ( ) τ + k U sunt necorelate statistic, punctele de
coordonate ( )
τ + k k
u ; u vor fi uniform distribuite în planul ( ) v 0 u . Sistemul de ecuaţii (3.x)
se rescrie după cum urmează.



56

( ) [ ] ( ) [ ] ( ) ( ) [ ]
( ) [ ] ( ) [ ] ( ) [ ]
( ) [ ] ( ) [ ]
( ) [ ]
¦
¦
¹
¦
¦
´
¦
τ + = + ⋅
τ + ⋅ = ⋅ + ⋅
=
= τ + ⋅ =
48 47 6
4 4 3 4 4 2 1
k U E
k U E k U E k U E
2
k U E b k U E a
k U k U E k U E b k U E a
2



( ) [ ] ( ) [ ]
( ) [ ] 1 k U E
k U E k U E
2
S
= ∆
;
( ) [ ] ( ) [ ]
( ) [ ]
0
1 k U E
k U E k U E
2
a
= = ∆ ;
( ) [ ] ( ) [ ]
( ) [ ] ( ) [ ]
( ) [ ]
S
2 2
b
k U E
k U E k U E
k U E k U E
∆ ⋅ = = ∆ .


( ) [ ]
¹
´
¦
µ = =
=
U
k U E b
0 a
: S

Prin urmare, dreapta de regresie trece prin punctul ( )
U U
; M µ µ şi are panta 0 = ρ .
Justificarea este prezentată după cum urmează.

( ) ( ) [ ] ( ) [ ] ( ) [ ]
0
k U E k U E k U k U E
2
U
2
U
2
U
2
U
U U
=
σ
µ − τ + ⋅
=
σ
µ − τ + ⋅
= ρ
µ = µ =
48 47 6 48 47 6

(18.)
Relaţia (18) este adevărată pentru orice valoare a întârzierii τ . Altfel spus, panta
dreptei de regresie este egală cu zero pentru orice valoare a întârzierii τ ; dreapta de
regresie este paralelă cu axa orizontală în planul ( ) v 0 u .
Şi în aceste cazuri dependenţa de întârzierea τ a pantei dreptei de regresie este
determinată doar de termenul ( ) ( ) [ ] τ + ⋅ k U k U E . Ȋn fapt, acest termen defineşte o
funcţie care caracterizează corelaţia dintre realizările aceluiaşi proces aleator motiv
pentru care se numeşte funcţie de autocorelaţie.
3.2.2 Funcțiile de corelație ale proceselor aleatoare staționare ȋn sens
larg
Definiția 31: funcția de autocorelație. Fiind dat un proces aleator staţionar notat
( ) k U , funcţia:
( ) ( ) ( ) [ ] τ + ⋅ = τ k U k U E r
uu
(19.)
definită pe o mulţime ordonată ale cărei elemente sunt asociate timpului
universal cu valori numere reale, se numeşte funcţie de autocorelaţie asociată
procesului aleator.
Observaţii.
1. Funcţia de autocorelaţie se defineşte asemănător pentru procesele aleatoare de
tip discret cât şi de tip continuu. Ȋn contrast, calculul acestei funcţii se efectuează cu
expresii diferite.
- Pentru procese aleatoare de tip discret:



57

( ) ( ) ( ) ( ) ( ) [ ]

+∞ =
−∞ =
τ + ⋅ τ + ⋅ = τ
k
k
uu
k U ; k U P k u k u r
(20.)
- Pentru procese aleatoare de tip continuu:

( ) ( ) ( ) ( )

+∞ = ξ
−∞ = ξ
ξ τ + ξ ξ ⋅ τ + ξ ⋅ ξ = τ d ; p u u r
uu

(21.)
2. Pentru cazul proceselor aleatoare pure, valorile funcţiei de autocorelaţie sunt:

( )
{ }
¹
´
¦
∈ τ µ
= τ µ + σ
= τ
0 \ R
0
r
2
U
2
U
2
U
uu
pentru
pentru

(22.)
Din relaţia precedentă se poate constata că funcţia de autocorelaţie a proceselor
aleatoare pure este determinată doar de media statistică şi de varianţa procesului
aleator. Rezultă că funcţia de autocorelaţie poate fi cunoscută a priori doar pe baza
observaţiilor anterioare ale procesului aleator.
Ȋn Capitolul 2, au fost analizate funcţiile de probabilitate ca modalitate de
reprezentare a variabilelor aleatoare / proceselor aleatoare. Media statistică şi
varianţa rezultă prin calcul pe baza valorilor funcţiilor de probabilitate. Funcţia de
autocorelaţie reprezintă o altă modalitate de caracterizare a proceselor aleatoare. In
expresiile funcţiilor de corelaţie apar numai parametrii de ansamblu ai variabilei
aleatoare; o parte din informaţia conţinută în reprezentarea funcţiilor de probabilitate
se pierde.
3. Dacă media statistică a procesului aleator este 0
u
= µ , atunci expresia funcţiei de
autocorelaţie se simplifică după cum urmează.

( )
{ }
¹
´
¦
∈ τ
= τ σ
= τ
0 \ R 0
0
r
2
u
uu
pentru
pentru

(23.)
Exemplul 19: Ȋn acest exemplu se determină funcţia de autocorelaţie a unui proces
aleator între eşantioanele căruia există o dependenţă deterministă.
Fie procesul aleator definit prin termenul general:
( ) ( ) ( ) ( ) 2 k e c 1 k e c k e k u
2 1
− ⋅ + − ⋅ + = .
În care, spre deosebire de exemplele anterioare, ( ) k u și ( ) k e reprezintă valori
temporale / eşantioane ale procesului, în succesiunea în care acestea se produc. Un
proces descris prin ecuaţia de mai sus se numeşte proces cu medie alunecătoare,
notat ( ) 2 MA . Ştiind că procesul ( ) { }
Z k
k e

este un proces aleator pur, având media
statistică
e
µ şi varianţa
2
e
σ să se calculeze funcţia de autocorelaţie a ( ) τ
uu
r a
procesului ( ) { }
Z k
k u

.
Rezolvare.
( ) ( ) ( ) [ ]
( ) ( ) ( ) [ ] ( ) ( ) ( ) [ ] { } 2 k e c 1 k e c k e 2 k e c 1 k e c k e E
k u k u E r
2 1 2 1
uu
− τ + ⋅ + − τ + ⋅ + τ + ⋅ − ⋅ + − ⋅ + =
τ + ⋅ = τ





58
( ) ( ) ( ) ( ) ( ) ( ) ( ) [
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )] 2 k e 2 k e c 1 k e 2 k e c c k e 2 k e c
2 k e 1 k e c c 1 k e 1 k e c k e 1 k e c
2 k e k e c 1 k e k e c k e k e E r
2
2 1 2 2
2 1
2
1 1
2 1 uu
− τ + ⋅ − ⋅ + − τ + ⋅ − ⋅ ⋅ + τ + ⋅ − ⋅ +
− τ + ⋅ − ⋅ ⋅ + − τ + ⋅ − ⋅ + τ + ⋅ − ⋅ +
− τ + ⋅ ⋅ + − τ + ⋅ ⋅ + τ + ⋅ = τ

Cazul 1: 0 = τ .
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ]
( ) ( ) [ ] ( ) [ ] ( ) ( ) [ ]
( ) ( ) [ ] ( ) ( ) [ ] ( ) [ ]
43 42 1
4 4 4 3 4 4 4 2 1 4 4 3 4 4 2 1
4 4 4 3 4 4 4 2 1
48 47 6
4 4 3 4 4 2 1
4 4 8 4 4 7 6 4 4 8 4 4 7 6
48 47 6
2
e
2
e
2
e
2
e
2
e
2
e
2
e
2
e
2
e
2
e
2
e
2
e
2 2
2 1 2 2
2 1
2 2
1 1
2 1
2
uu
2 k e E c 1 k e 2 k e E c c k e 2 k e E c
2 k e 1 k e E c c 1 k e E c k e 1 k e E c
2 k e k e E c 1 k e k e E c k e E 0 r
µ + σ =
µ = µ =
µ =
µ + σ =
µ =
µ = µ =
µ + σ =
− ⋅ + − ⋅ − ⋅ ⋅ + ⋅ − ⋅ +
− ⋅ − ⋅ ⋅ + − ⋅ + ⋅ − ⋅ +
− ⋅ ⋅ + − ⋅ ⋅ + =


( ) ( ) ( )
2
u
2
u u , 2
2
e 2 1 2 1
2
e
2
e
2
2
2
1 uu
m
) c c 2 c 2 c 2 ( c c 1 0 r
µ + σ = =
µ ⋅ ⋅ ⋅ + ⋅ + ⋅ + µ + σ ⋅ + + =


Cazul 2: 1 = τ .
( ) ( ) ( ) [ ] ( ) [ ] ( ) ( ) [ ]
( ) ( ) [ ] ( ) ( ) [ ] ( ) [ ]
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ] 1 k e 2 k e E c k e 2 k e E c c 1 k e 2 k e E c
1 k e E c c k e 1 k e E c 1 k e 1 k e E c
1 k e k e E c k e E c 1 k e k e E 1 r
2
2 1 2 2
2
2 1
2
1 1
2
2
1 uu
− ⋅ − ⋅ + ⋅ − ⋅ ⋅ + + ⋅ − ⋅ +
− ⋅ ⋅ + ⋅ − ⋅ + + ⋅ − ⋅ +
− ⋅ ⋅ + ⋅ + + ⋅ =


( ) ( ) ( )
( )
2
2 2 1 2 1
2 1 1
2
e
2
e uu
c c c c 2 c 1
c c c 1 r
+ ⋅ + ⋅ + + +
⋅ + ⋅ µ + σ =


Cazul 3: 2 = τ .
( ) ( ) ( ) [ ] ( ) ( ) [ ] ( ) [ ]
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ]
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ] k e 2 k e E c 1 k e 2 k e E c c 2 k e 2 k e E c
k e 1 k e E c c 1 k e 1 k e E c 2 k e 1 k e E c
k e E c 1 k e k e E c 2 k e k e E 2 r
2
2 1 2 2
2 1
2
1 1
2
2 1 uu
⋅ − ⋅ + + ⋅ − ⋅ ⋅ + + ⋅ − ⋅ +
⋅ − ⋅ ⋅ + + ⋅ − ⋅ + + ⋅ − ⋅ +
⋅ + + ⋅ ⋅ + + ⋅ =


( ) ( )
( )
2
e
2
2
2
1 2 1 2 1
2
e
2
e 2 uu
c c c c 2 c c 2 1
c 2 r
µ ⋅ + + ⋅ ⋅ + + ⋅ + +
µ + σ ⋅ =


Cazul 4: 3 ≥ τ .
( ) ( ) ( ) [ ] ( ) ( ) [ ] ( ) [ ]
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ]
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ] k e 2 k e E c 1 k e 2 k e E c c 2 k e 2 k e E c
k e 1 k e E c c 1 k e 1 k e E c 2 k e 1 k e E c
k e E c 1 k e k e E c 2 k e k e E r
2
2 1 2 2
2 1
2
1 1
2
2 1 uu
⋅ − ⋅ + + ⋅ − ⋅ ⋅ + + ⋅ − ⋅ +
⋅ − ⋅ ⋅ + + ⋅ − ⋅ + + ⋅ − ⋅ +
⋅ + + ⋅ ⋅ + + ⋅ = τ


( ) ( )
( )
2
u
2
e
2
2 1
2
e 2 1 2 1
2
2
2
1 uu
c c 1
c c 2 c 2 c 2 c c 1 r
µ = µ ⋅ + + =
µ ⋅ ⋅ ⋅ + + ⋅ + ⋅ + + + = τ


Se poate observa că atât în cazul procesului aleator pur cât şi în cazul în care între
realizările procesului apar corelaţii, valoarea în origine a funcţiei de autocorelaţie este
egală cu suma dintre varianţă şi pătratul mediei statistice. De asemenea valorile se
observă că limita funcţiei de autocorelaţie la capetele intervalului, ( )
2
u uu
r lim µ = τ
±∞ → τ
.



59
Exemplul 20: Interpretarea fizică a funcţiei de autocorelaţie. Deoarece varianţa
reprezintă media statistică a energiei componentei variabile a procesului aleator,
rezultă că media statistică a energiei totale a procesului aleator are o singură
componentă şi anume energia la momentul actual a procesului, 0 = τ a cărei
valoare medie este egală cu varianţa plus pătratul mediei statistice ale procesului
aleator.
Altfel spus, energia totala la momentul 0 = τ nu conţine şi componente ale energiei
mutuale (de legătură) cu energia procesului la momente anterioare sau ulterioare
momentului 0 = τ . Această concluzie este în concordanţă cu ipoteza potrivit căreia
între realizările procesului aleator nu există nici o dependenţă.
Ȋn cazul al doilea, respectiv când între realizările procesului există dependenţe
cauzale, media statistică a energiei totale a procesului aleator are mai multe
componente şi anume energia la momentul actual a procesului, 0 = τ formată din
varianţa plus pătratul mediei statistice ale procesului aleator la care se adaugă
compenente ale energiei mutuale (de legătură) dintre eşantionul de la momentul
actual şi eşantioanele anterioare şi ulterioare ale procesului.
Dacă variabila aleatoare discretă poate lua un număr infinit de valori într-un interval
al axei reale atunci, media statistică a variabilei aleatoare discrete se definşte după
cum urmează.
Definiția 32: funcţia de intercorelaţie. Fiind date două procese aleatoare staţionare
notate ( ) k u , ( ) k v funcţia
( ) ( ) ( ) [ ] τ + ⋅ = τ k v k u E r
uv
(24.)
definită pe o mulţime ordonată ale cărei elemente sunt asociate timpului universal cu
valori numere reale, se numeşte funcţie de intercorelaţie asociată proceselor
aleatoare.
Observaţii.
1. Funcţiile de corelaţie se scriu sub formă matriceală după cum urmează.

( )
( ) ( )
( ) ( )
(
¸
(

¸

τ τ
τ τ
= τ
vv vu
uv uu
r r
r r
r
(25.)
2. Ȋn cazul proceselor aleatoare staţionare, funcţiile de corelaţie depind de o singură
variablă de timp. Pentru cazul general al proceselor nestaţionare, funcţiile de
corelaţie depind de două variabile de timp. Ȋn tabelul 2 se rezumă expresiile funcţiilor
de intercorelaţie pentru cazul general.
Tabelul 11. Expresiile funcţiilor de intercorelaţie ale variabilelor de tip discret şi continuu pentru cazul
general
Tipul variabilelor aleatoare
Funcţiile de
intercorelaţie
Discret
( ) ( ) ( ) ( ) [ ]
( ) ( ) ( ) ( ) ( )
∑ ∑
∞ +
−∞ =
∞ +
−∞ =
⋅ ⋅ =
⋅ =
k
2 m 1 k
m
2 m 1 k
2 m 1 k 2 1 v , u
t v ; t u P t v t u
t v t u E t ; t r




60
Tipul variabilelor aleatoare
Continuu
( ) ( ) ( ) ( ) [ ]
( ) ( ) ( ) ( ) ( ) dv du t v ; t u p t v t u
t v t u E t ; t r
2 1 2 1
2 1 2 1 v , u
⋅ ⋅ =
⋅ =
∫ ∫
∞ +
∞ −
∞ +
∞ −

Utilitatea funcţiilor de corelaţie apare cu claritate atunci când se studiază procese
aleatoare rezultate prin superpoziţia unui proces determinist şi a unui proces aleator
pur.
Tabelul 12. Expresiile mediei statistice, varianței şi funcţiilor de corelaţie în funcţie de valori temporale
pentru procesele aleatoare staţionare.
Nr. Denumire Proces aleator de tip continuu Proces aleator de tip discret
1.
Media
temporală
( ) const. lim = ⋅ =
µ =

∞ →
T
0
T
u u , 1
dt t u
T
1
m

( ) const. lim = =
µ =

=
∞ →
N
1 k
N
u u , 1
k u
N
1
m

2.
Momentul
statistic
( ) const. lim = ⋅ =

∞ →
T
0
i
T
u , i
dt t u
T
1
m

( ) const. lim = =

=
∞ →
N
1 k
i
N
u , i
k u
N
1
m

3. Varianţa
( ) [ ] const. lim = µ − = σ

∞ →
T
0
2
u
T
2
u
dt t u
T
1

( ) [ ] const. lim = µ − = σ

=
∞ →
N
0 k
2
u
N
2
u
k u
N
1

4.
Funcţia de
auto-
corelaţie
( ) ( ) ( )

τ + ⋅ ⋅ = τ
∞ →
T
0
T
uu
dt t u t u
T
1
r lim

( ) ( ) ( )

=
∞ →
τ + ⋅ ⋅ = τ
N
0 k
N
uu
k u k u
N
1
r lim

( ) ( ) ( )

τ + ⋅ ⋅ = τ
∞ →
T
0
T
uv
dt t v t u
T
1
r lim

( ) ( ) ( )

=
∞ →
τ + ⋅ ⋅ = τ
N
0 k
N
uv
k v k u
N
1
r lim

5.
Funcţiile de
inter-
corelaţie
( ) ( ) ( )

τ + ⋅ ⋅ = τ
∞ →
T
0
T
vu
dt t u t v
T
1
r lim

( ) ( ) ( )

=
∞ →
τ + ⋅ ⋅ = τ
N
0 k
N
vu
k u k v
N
1
r lim

Ȋn continuare se prezintă proprietăți ale funcțiilor de corelație asociate proceselor
aleatoare staționare.
Teorema 6: proprietăţile funcţiei de autocorelaţie. Fiind dată o variabilă aleatoare
staţionară, având funcţia de autocorelaţie ( ) τ
uu
r , sunt adevărate următoarele
relaţii:

( )
2
u
2
u uu
0 r µ + σ = ; ( ) ( ) ( ) R ; r 0 r
uu uu
∈ τ ∀ τ >
(26.)

( )
2
u uu
r µ = τ
∞ → τ
lim
(27.)

( ) ( ) τ − = τ
uu uu
r r ; (funcţie pară)
(28.)
Demonstrație
Fie
1
u şi
1
v două procese aleatoare staționare. Deoarece pătratul oricărei funcţii reale
este non-negativ, rezultă că:

( ) ( )
(
(
¸
(

¸

|
|
¹
|

\
|
± ≤
2
2
2
2
2
1
1
v E
v
u E
u
E 0





61

( ) ( )
( )
( ) [ ]
( )
( ) ( )
( )
( ) [ ]
( )
( ) ( )
2
2
2
1
2 1
1
2
2
1
2
1
2
2
2
1
2 1
1
2
2
1
2
1
2
2
2
2
2
1
1
v E u E
v u E
2 2
v E
v E
v E u E
v u E
2
u E
u E
v E
v
u E
u
E


⋅ ± =
+


⋅ ± =
(
(
¸
(

¸

|
|
¹
|

\
|
±
= =
43 42 1 43 42 1



( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
2
2
2
1 2 1
2 1
2
2
2
1
2 1
2
2
2
1
v E u E v u E
v u E v E u E
v u E v E u E 0
⋅ ≤ ⋅
⋅ ≤ ⋅ −
⇒ ⋅ ± ⋅ ≤



( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
2
2
2
1 2 1
2
2
2
1 2 1
2
2
2
1
v E u E v u E v E u E v u E v E u E ⋅ ≤ ⋅ ⇒ ⋅ ≤ ⋅ ≤ ⋅ −


Cele două procese sunt staţionare, deci rezultă:


( )
( )
( ) ( )
2
2
2
1
r
2 1 uv
v E u E t ; t r
uv
⋅ ≤
τ =
43 42 1



( ) ( ) ( ) 0 r 0 r r
2
vv
2
uu uv
⋅ ≤ τ


( ) ( ) 0 r r
2
uu uu
≤ τ

Ȋn continuare,

( ) ( ) ( ) [ ]
( ) ( ) [ ]
2
u
2
u u , 2
2
uu
uu
m k u E 0 r 0
k u k u E r
µ + σ = = = ⇒ = τ
τ + ⋅ = τ
.

Dacă ∞ → τ atunci variabilele aleatoare ( ) k U şi ( ) τ + k U devin independente statistic,
(ii)
( ) ( ) ( ) [ ]
( ) [ ] ( ) [ ]
2
u
k u E k u E
uu
k u k u E r µ = τ + ⋅ = τ
τ + ⋅ =
∞ → τ 4 4 3 4 4 2 1
lim


Teorema 7: Fiind date două procese aleatoare reale, staţionare în sens larg, ( ) t x şi
( ) t y având funcţiile de intercorelaţie staţionare funcţiie de intercorelaţie verifică
relaţia care urmează.

( ) ( ) τ − = τ
yx xy
R R
(29.)
De cele mai multe ori semnalul care se obţine prin măsurători experimentale este
rezultatul superpoziţiei dintre semnalul util şi zgomotele datorate liniilor de măsurare.
Ȋn contiuare se evidenţiază modul în care se reflectă cele două componente în
expresia funcţiei de autocorelaţie a semnalului achiziţionat.

Teorema 8: Fiind date două procese aleatoare staţionare în sens larg, ( ) t x şi ( ) t y
ale căror funcţii de corelaţie sunt staţionare, atunci procesul aleator
( ) ( ) ( ) t y t x t z + = este un proces aleator staţionar şi există relaţia următoare.

( ) ( ) ( ) ( ) ( ) τ + τ + τ + τ = τ
yx xy yy xx zz
r r r r r
(30.)



62
Demonstraţie.
( ) ( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ] { }
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ]
( ) ( ) ( ) ( ) τ + τ + τ + τ =
τ + ⋅ + ⋅ τ + + τ + ⋅ + τ + ⋅ =
τ + + τ + ⋅ + = τ + ⋅ = τ
yy yx xy xx
zz
r r r r
t y t y E t y t x E t y t x E t x t x E
t y t x t y t x E t z t z E r


Exemplul 21: Proces aleator asociat unui semnal electric.
Se dă un proces aleator asociat unui semnal electric care poate lua două valori
asociate valorilor logice 0 şi 1 cu aceeaşi probabilitate. Se defineşte o variabilă
aleatoare
|
|
¹
|

\
|
2 1 2 1
1 0
: U asociată experimentului care constă în observarea valorilor
acestui proces aleator.
Se proiectează un alt experiment legat de acelaşi semnal electric care constă în
măsurarea numărului de apariţii ale valorii 1 logic într-un interval de timp care se
menţine constant pe durata experimentului şi care se notează T . Prin repetarea
experimentului de un număr mare de ori, se constată că probabilitatea ca semnalul
să ia valoarea 1 logic de k ori în intervalul fixat de timp T respectă legea de
distribuţie Poisson, respectiv:
(i)
( )
( )
T a
k
V
e
! k
T a
T , k P
⋅ −


=

în care parametrul a reprezintă valoarea medie a impulsurilor pe unitatea de timp, o
valoare constantă.
Se cere să se determine funcţia de autocorelaţie a procesului aleator descris.
Rezolvare.
Deoarece procesele aleatoare asociate celor două experimente sunt independente,
probabilitatea asociată va fi
( ) ( ) ( ) ( ) T , k p
2
1
T , k p U p T , k p
V V
⋅ = ⋅ =
Pentru calculul funcţiei de autocorelaţie se definesc două variabile aleatoare
experimentului şi anume
t 1
X X = şi
τ −
=
t 2
X X .
Prima variabilă asociază frecvenţa de repetare a k apariţii ale valorii 1 logic în
intervalul de timp τ = T pe realizările procesului aleator.
A doua variabilă asociază frecvenţa de repetare a k apariţii ale valorii 1 logic în
intervalul de timp τ = T pe realizările procesului aleator obţinut prin deplasarea cu τ a
realizărilor procesului aleator.
Procesul aleator fiind presupus staţionar, probabilitatea ( ) T , k P este aceeaşi.
Din expresia (3), funcţia de autocorelaţie este:



63
(ii)
( ) [ ] ( )
( ) ( )
( ) ( ) ( ) 1 x , 1 x P 1 x , 1 x P 1 1 1 x , 0 x P 1 0
0 x , 1 x P 0 1 0 x , 0 x P 0 0
x x , x x P x x X X E r
t t t t t t
t t t t
2
1 k
2
1 m
k , t t m , t t k , t m , t t t uu
= = = = = ⋅ ⋅ + = = ⋅ ⋅
= = ⋅ ⋅ + = = ⋅ ⋅ =
= = ⋅ ⋅ = ⋅ = τ
τ − τ − τ −
τ − τ −
= =
τ − τ − τ − τ − ∑∑
.

Ȋn care
τ −
= =
t 2 t 1
X X ; X X reprezintă valorile posibile ale variabilelor aleatoare iar
( )
τ − t t
X ; X P reprezintă probabilitatea condiţionată dintre cele două variabile aleatoare.
Probabilitatea ( ) 1 x ; 1 x P
t t
= =
τ −
reprezintă probabilitatea apariţiei de k ori a valorii
1 logic în intervalul τ = T atât pentru variabila
t 1
X X = cât şi pentru variabila deplasată
τ −
=
t 2
X X . Deoarece lungimea intervalului şi deplasarea în timp sunt numeric egale,
numărul total de apariţii asociat celor două variabile rezultă întotdeauna k 2 ⋅ adică
un număr par. Rezultă că:
(iii) ( ) ( ) ( ) k 2 k P 1 x P 1 x ; 1 x P
1 t t t
⋅ = ⋅ = = = =
τ −


( )
( )


=
τ ⋅ −
τ ⋅
⋅ ⋅ = τ
0 k
k
a
uu
! k
a
e
2
1
r

în care;
( ) ( ) ( )
( )
τ ⋅ − τ ⋅

=

=

=

+ ⋅ =
(
(
¸
(

¸

τ ⋅ −
+
τ ⋅
⋅ =

τ ⋅
∑ ∑ ∑
a a
0 k
k
0 k
k
0 k
k 2
e e
2
1
! k
a
! k
a
2
1
! k 2
a


( ) [ ]
τ ⋅ −
+ ⋅ = τ
a
uu
e 1
4
1
r .
Observaţii:
1. Se poate constata că în funcţie de organizarea experimentului se pot obţine
informaţii diferite pe baza datelor prelevate de la acelaşi proces. Concret, dacă a fost
observată frecvenţa apariţiei celor două valori ale semnalului în cadrul realizărilor
experimentului au fost obţinute doar probabilităţile asociate acestor valori; în al doilea
experiment, ȋn care au fost observate frecvenţa apariţiei a câte k realizări asociate
aceleiași valori a fost pusă în evidenţă o regularitate statistică caracteristică
fenomenului aleator.
Acest aspect poate fi observat şi în cazul experimentelor care au la bază fenomene
deterministe. Spre exemplu, un experiment care constă în măsurarea / observarea
valorilor la bornele de ieşire ale unei surse de tensiune alternativă cu ajutorul unui
voltmetrul analogic, furnizează informaţia despre valoarea efectivă a tensiunii sursei.
Ȋntr-un alt experiment se utilizează un multimetru numeric adecvat, conectat la
aceeaşi sursă de tensiune; se pot obține informaţii privind valoarea efectivă şi
frecvenţa tensiunii alternative. Ȋn fine, un al treilea experiment în cadrul căruia se
utilizează un înregistrator conectat la bornele aceleiași surse de tensiune ar permite
determinarea dependenţelor dintre valorile instantanee ale tensiunii alternative
produsă de sursa de tensiune.



64
2. Procesele aleatoare pot fi reprezentate în ansamblu prin două metode: (a) cu
ajutorul funcţiilor de probabilitate şi (b) cu ajutorul funcţiilor de corelaţie. Ȋn ambele
reprezentări se pierde o parte din informaţia provenită din proces privind
interacţiunea dintre valorile instantanee ale eşantioanelor deoarece procesul este
reprezentat pe ansamblul realizărilor sale.
Densitatea spectrală de putere a proceselor aleatoare
staţionare în sens larg
Descompunerea semnalelor deterministe periodice în componente armonice cu
ajutorul seriilor Fourier este o metodă de analiză frecvent utilizată în diverse domenii
ale ştiinţei şi tehnicii.
Transformarea Fourier permite rezolvarea mai comodă a unor probleme în care apar
semnale periodice şi sisteme aflate în regim staţionar sau cvasistaţionar din
electrotehnică, electronică, fizică. Transformarea Fourier permite de asemenea,
rezolvarea unor probleme în care apar semnale aperiodice în condiţii precizate.
Transformarea Fourier se aplică atât semnalelor periodice de tip continuu cât şi
semnalelor periodice discrete / eşantionate.
Ȋn procesarea semnalelor, transformarea Fourier permite (a) determinarea densităţii
spectrale de amplitudine a semnalelor şi (b) determinarea densităţii spectrale de
putere a acestora. Ȋn primul caz se determină spectrul de amplitudine a armonicelor
care compun semnalul - respectiv dependenţele de frecvenţă ale amplitudinii şi fazei
armonicelor. În cel de-al doilea caz se determină componentele spectrale ale puterii
(modul în care sunt repartizate componentele spectrale ale puterii în funcţie de
frecvenţă).
Se pune întrebarea dacă analiza Fourier poate fi aplicată şi pentru cazul proceselor
aleatoare. Răspunsul la această întrebare este nuanţat de (a) faptul că procesele
aleatoare nu au un caracter determinist şi (b) dependenţele de timp ale proceselor
aleatoare nu pot fi periodice.
Procesele aleatoare a căror funcţie de autocorelaţie este periodică în timp se
numesc procese aleatoare periodice. Pentru acest caz se pot calcula coeficienţi
Fourier corespunzând descompunerii în armonici a procesului dar, coeficienţii Fourier
care se obţin nu sunt numere constante ci sunt tot variabile aleatoare.
Studiul funcţiilor de corelaţie, şi densităţii spectrale de putere asociate unor variabile
aleatoare oarecare se rezolvă într-un cadru mai general denumit analiză armonică
generalizată.
Pentru cazul proceselor aleatoare staţionare în sens larg, problema aplicării analizei
Fourier se rezolvă cu metodele utilizate la semnalele cauzale pornind de la observţia
că funcţiile de corelaţie asociate procesului sunt funcţii deterministe de timp. Funcţiile
de autocorelaţie asociate unui proces aleator pot fi funcţii periodice de timp dar în
genere verifică cerințele pentru aplicarea transformării Fourier.
Deoarece funcţiile de corelaţie definesc distribuţia în medie a puterii procesului
aleator, ceea ce rezultă va fi spectrul puterii, respectiv densitatea spectrală de putere
a procesului aleator.




65
Procese aleatoare de tip continuu
Fie ( ) k u un proces aleator în sens larg şi ( ) τ
uu
R funcţia de autocorelaţie asociată
acestui proces. Transformata Fourier a funcţiei de autocorelaţie a procesului aleator
de tip continuu se determină pe baza definiţiei cu relaţia:

( ) ( ) { } ( ) f 2 ; d e r r S
j
uu uu u
⋅ π ⋅ = ω τ ⋅ τ = τ = ω

+∞
∞ −
τ ⋅ ω ⋅ −
F
(31.)
Funcţia de autocorelaţie poate fi calculată prin mediere pe ansamblu sau prin
mediere în funcţie de timp cu relaţiile care urmează.

( ) ( )
( ) ( )

+

∞ →
τ +
τ + ⋅ ⋅

=
⋅ = τ
T
T
T
t t uu
dt t u t u
T 2
1
lim
u u E r

(32.)

Legătura dintre funcţiile densitate spectrală de putere şi funcţia de
autocorelaţie.
Fiind dat un semnal cauzal, ( ) t x periodic de perioadă T şi fie
n
a coeficienţii Fourier
asociaţi acestui semnal; funcţia definită prin relaţia

( )

+∞
−∞ =
|
¹
|

\
|
π ⋅
⋅ − ω δ ⋅ = ω
n
2
n u
T
2
n a S
(33.)
se numeşte densitatea spectrală de putere a semnalului.
Cu ajutorul acestei funcţii se poate calcula puterea totală a semnalului după cum
urmează.

( )



⋅ = = ω ω =
+∞
−∞ =
+∞
∞ −
T
0
2
n
2
n uu u
dx x
T
1
a d S P
(34.)
Spectrul puterii semnalului se defineşte cu următoarea relaţie.
( ) ( )

ω
∞ −
η η = ω d S G
uu u
(35.)
Legătura dintre funcţia de autocorelaţie ( ) τ
xx
r a semnalului periodic şi coeficienţii
Fourier asociaţi este după cum urmează.
( )
τ ⋅
⋅ π ⋅
⋅ +
+∞
−∞ =
⋅ = τ

T
n 2
j
n
2
n uu
e a r (36.)
Se calculează transformata Fourier a funcţiei de autocorelaţie şi rezultă:
( ) { }




+∞
∞ −
+∞
−∞ =
|
¹
|

\
|

π ⋅
− ω δ =
+∞
∞ −
τ ⋅
|
¹
|

\
|
⋅ π ⋅
− ω ⋅ −
τ ⋅ ω ⋅ −
τ ⋅
⋅ π ⋅
⋅ +
+∞
−∞ =
τ ⋅ = τ ⋅
|
|
¹
|

\
|
⋅ = τ
n
n
T
2
T
n 2
j
2
n
j
T
n 2
j
n
2
n uu
d e a d e e a r
4 4 3 4 4 2 1
F ⇒




66
(ii) ( ) ( ) { } τ = ω
uu u
r S F .
Prin urmare, densitatea spectrală de putere este numeric egală cu transformata
Fourier a funcţiei de autocorelaţie.
Această concluzie este adevărată şi pentru procesele aleatoare staţionare (teorema
Wiener-Khincin). Pe baza legăturii dintre funcţiile densitate spectrală de putere şi
funcţiile de corelaţie, metodele analizei spectrale pot fi implementate pentru analiza
proceselor aleatoare staţionare pornind de la observaţii ale procesului i.e. de la date
rezultate din măsurători experimentale.
Densitatea spectrală de putere a unui proces aleator rezultat prin superpoziţia
a două procese aleatoare staţionare.
Fiind dat procesul aleator staţionar ( ) ( ) ( ) t y t x t z + = rezultat prin superpoziţia
proceselor aleatoare staţionare ( ) t x şi ( ) t y se aplică transformata Fourier relaţiei (3):

( ) ( ) ( ) ( ) ( ) τ + τ + τ + τ = τ
yx xy yy xx zz
r r r r r


( ) ( ) ( )
( )
( )
( )
( )
4 4 3 4 4 2 1 4 4 3 4 4 2 1
ω ⋅ =
∞ +
∞ −
τ ⋅ ω ⋅ −
ω ⋅ =
∞ +
∞ −
τ ⋅ ω ⋅ −
∫ ∫
τ ⋅ τ + τ ⋅ τ +
ω ⋅ + ω ⋅ = ω ⋅
j S
j
yx
j S
j
xy
yy xx zz
yx xy
d e r d e r
j S j S j S

(37.)
Definiția 33: Fiind date două procese aleatoare staţionare ( ) t x şi ( ) t y se numesc
funcţii densitate spectrală mutuală dintre cele două procese aleatoare,
transformatele Fourier ale funcţiilor de intercorelaţie, respectiv:

( ) ( ) { } ( )

+∞
∞ −
τ ⋅ ω ⋅ −
τ ⋅ τ = τ = ω ⋅ d e r r j S
j
xy xy xy
F ,
(38.)

( ) ( ) { } ( )

+∞
∞ −
τ ⋅ ω ⋅ −
τ ⋅ τ = τ = ω ⋅ d e r r j S
j
yx yx yx
F .
(39.)
Calculul funcţiilor de corelaţie când se cunosc funcţiile densitate spectrală de
putere.

( ) ( ) { } ( )

+∞
∞ −
τ ⋅ ω ⋅ +
ω ⋅ ω ⋅
π ⋅
= ω = τ d e S
2
1
S r
j
u u
1 -
uu
F .

4. Următoarele relaţii sunt reciproce proprietăţilor funcţiilor de corelaţie.

( ) ( )

+∞
∞ −
ω ω ⋅ ⋅
π ⋅
= d j S
2
1
0 r
u uu

(40.)

( ) 0 S lim
u
= ω
+∞ → ω
(dacă procesul aleator este periodic)
(41.)
( ) ( ) ω = ω
*
vu uv
S S (42.)




67
Procese aleatoare de tip discret
Definiția 34: Fiind dat procesul aleator staţionar de tip discret [ ] { }
+∞
−∞ = k
k u , densitatea
spectrală de putere proprie a procesului aleator este transformata Fourier discretă
a funcţiei de autocorelaţie a procesului, [ ] τ
uu
r , respectiv funcţia:

( ) [ ]

+∞
−∞ = τ
ω ⋅ τ ⋅ −
⋅ τ ⋅
π ⋅
= ω
j
uu u
e r
2
1
S
(43.)
Fiind date două procese aleatoare staţionare de tip discret [ ] { }
+∞
−∞ = k
k u şi
[ ] { }
+∞
−∞ = k
k v .Densitatea spectrală de putere mutuală dintre aceste procese aleatoare
este transformata Fourier discretă a funcţiei de intercorelaţie a proceselor, [ ] τ
uv
r ,
respectiv funcţia:

( ) [ ]

+∞
−∞ = τ
ω ⋅ τ ⋅ −
⋅ τ ⋅
π ⋅
= ω
j
uv uv
e r
2
1
S
(44.)
Ȋn aplicaţii, densităţile spectrale de putere ale proceselor aleatoare de tip discret se
estimează pe baza funcţiilor de corelaţie asociate secvenţelor temporale de
dimensiune finită. Transformarea care se utilizează în acest caz se numeşte
transformarea Fourier discretă în N puncte ( N - dimensiunea secvenţei).
Astfel, o aproximare (sau un estimat) al densităţii spectrale de putere a unei secvenţe
aleatore de tip discret de lungime N este dată de relaţia următoare.

( ) [ ]

+
− = τ
ω ⋅ τ ⋅ −
⋅ τ ⋅
π ⋅
= ω
N
N
j
uu u
e rˆ
2
1
S
ˆ

(45.)
Un estimat al densităţii spectrale de putere mutuale dintre două secvenţe aleatoare
de tip discret de lungime finită, N este dată de relaţia următoare.

( ) [ ]

+
− = τ
ω ⋅ τ ⋅ −
⋅ τ ⋅
π ⋅
= ω
N
N
j
uv uv
e rˆ
2
1
S
ˆ

(46.)

Pe baza definţiilor de mai sus, densitatea spectrală de putere mutuală dintre
procesele aleatoare ( ) { }
N
0 k
k u
=
şi ( ) { }
N
0 k
k v
=
se poate scrie după cum urmează.

( ) [ ] [ ]
( )
( )
∑ ∑
+
− = τ
τ

τ
− =
ω ⋅ τ ⋅ −
⋅ ⋅ τ + ⋅
π ⋅
= ω
N
N
0 ; max
N
0 ; min
1 k
j
uv
e k v k u
2
1
S
ˆ
.
Cu substituţia τ + = k s , ⇒ τ + = k s ;
k j s j j
e e e
⋅ ω ⋅ + ⋅ ω ⋅ − τ ⋅ ω ⋅ −
⋅ = în care N , 1 k = şi N , 1 s =
rezultă:



68

( ) [ ] [ ]
[ ]
( )
[ ]
( )
4 4 3 4 4 2 1 4 4 3 4 4 2 1
ω − =
=
⋅ ω ⋅ +
ω =
=
⋅ ω ⋅ −
= =
⋅ ω ⋅ + ⋅ ω ⋅ −
|
¹
|

\
|
⋅ ⋅
|
¹
|

\
|
⋅ ⋅
⋅ π ⋅
=
⋅ ⋅ ⋅ ⋅
⋅ π ⋅
= ω
∑ ∑
∑∑
N N
V
N
1 k
k j
U
N
1 s
s j
N
1 s
N
1 k
k j s j
uv
e k v e s u
N 2
1
e e k v s u
N 2
1
S
ˆ
.
Ȋn care ( ) [ ]

=
⋅ ω ⋅ −
⋅ = ω
N
1 s
s j
N
e s u U şi ( ) [ ]

=
⋅ ω ⋅ −
⋅ = ω
N
1 s
s j
N
e s v V reprezintă transformatele Fourier
ale secvenţelor ( ) { }
N
0 k
k u
=
şi ( ) { }
N
0 k
k v
=
. Aceste transformate pot fi calculate cu ajutorul
transformatei Fourier discrete în N puncte, pentru valori ale pulsaţiei
N , 1 k ; k
N
2
= ⋅
π ⋅
= ω .
Relaţia precedentă permite estimarea funcţiei densitate spectrală de putere proprie a
procesului aleator ( ) { }
N
0 k
k u
=
după cum urmează.

( ) ( ) ( )
( ) ( ) ( )
2
N
*
N N
N N uu
U
N 2
1
U U
N 2
1
U U
N 2
1
S
ˆ
ω ⋅
⋅ π ⋅
= ω ⋅ ω ⋅
⋅ π ⋅
=
ω − ⋅ ω ⋅
⋅ π ⋅
= ω

(47.)
Estimatul densităţii spectrale se numeşte periodogramă. Dacă [ ] { } k u este un proces
aleator, estimatul densităţii spectrale de putere calculat cu relaţia (17) nu converge în
sensul mediei spre valorile adevărate ale densitatății spectrale de putere atunci când
∞ → N . În Capitolul 5 se prezintă un procedeu utilizat ȋn aplicații pentru
ȋmbunătățirea convergenței estimatului.
La estimarea spectrului unui proces aleator pe baza secvenţelor de lungime finită
apar erori datorate (1) fenomenului de alising (2) datorită dimensiunii finite a
secvenţei şi (3) datorită algoritmului de calcul al transformatei Fourier discrete ȋnN
puncte care produce erori în cazul în care numărul de eşantioane nu respectă
condiţia N ∈ = n ; 2 N
n
.
Energia și puterea semnalelor
Ȋn procesele ȋn care energia se transformă, termenii de forma ( )


B
A
T
T
2
dt t x K ( K - un
factor de proporționalitate dependent de natura fizică a procesului), reprezintă
cantitatea de energie transformată ȋn intervalul de timp [ ]
B A
T T ; .
De exemplu, transformarea energiei câmpului electrocinetic ȋn energie termică prin
efect Joule-Lenz, la trecerea curentului electric de intensitate ( ) t i printr-un rezistor cu
rezistența electrică R . Energia termică disipată ȋn rezistor ȋn intervalul de timp
[ ]
B A
T T ; este dată de expresia ( )

⋅ =
B
A
T
T
2
e
dt t i R W .




69
Reprezentarea energiei și puterii semnalelor ȋn domeniul timpului
Ȋn cazul semnalelor de tip continuu, expresia energiei semnalului se definește
independent de natura fizică a procesului pe care acesta ȋl reprezintă, pe ȋntreaga
axă reală a timpului după cum urmează.

( )

+∞
∞ −
= dt t x W
2
x
.
(48.)
Asemănător, energia semnalelor discretizate se definește cu relația:

( )

+∞
−∞ =
=
k
2
x
t x W .
(49.)

Puterea instantanee reprezintă variația energiei ȋn unitatea de timp. Prin urmare, ȋn
cazul semnalelor, puterea instantanee se definește după cum urmează.

Semnale continue: ( ) ( ) R ∈ = t t x t P
2
x
.
(50.)

Semnale discrete: [ ] [ ] Z ∈ = k k x k P
2
x
.

Puterea medie a unui semnal se definește prin mediere pe ȋntreaga axă reală a
timpului:

Semnale continue: ( ) R ∈ =

+

∞ →
t dt t x
T
1
P
2 T
2 T
2
T
x
; lim .
(51.)

Semnale discrete: [ ] Z ∈ ⋅ =

+ =
− =
∞ →
k k x
N
1
P
2 N k
2 N k
2
N
x
; lim .


Pentru cazul unei secvențe de lungime finită a unui semnal discret [ ] { }
2 N
2 N k
k x
+
− =
,
puterea medie la pasul k se definește cu formula:

[ ] [ ] Z ∈ ⋅ =

− +
− =
i k i x
N
1
k P
1 2 N i
2 N i k
2
N
, ; .
(52.)
Tabelul 13. Caracteristici ale energiei și puterii semnalelor. Cazul semnalelor discrete.
Semnalele discrete cu lungime infinită și energie finită au puterea medie nulă.
[ ] +∞ < =

+∞
−∞ = k
2
x
k x W

[ ] 0 k x
N
1
P
2 N k
2 N k
2
N
x
= ⋅ =

+ =
− =
∞ →
lim
;
Semnalele discrete periodice au energie infinită și putere medie finită
[ ] +∞ → =

+∞
−∞ = k
2
x
k x W
;
[ ] N ∈ ⋅ = +∞ < ⋅ =

+ =
− =
n n T N k x
N
1
P
P
2 N k
2 N k
2
x
; ;
;
Procesele aleatoare discrete staționare permenente au energie infinită și putere medie finită
[ ] +∞ → =

+∞
−∞ = k
2
x
k x W
;
[ ] +∞ < ⋅ =

+ =
− =
∞ →
2 N k
2 N k
2
N
x
k x
N
1
P lim
;



70
Secvențele de lungime finită au enegia și puterea medie finite
[ ]


=
=
1 N
0 k
2
x
k x W
;
[ ]
N
W
k x
N
1
P
x
1 N k
0 k
2
x
= ⋅ =

− =
=
.

Reprezentarea energiei și puterii semnalelor ȋn domeniul frecvențelor
Reprezentarea energiei semnalelor ȋn domeniul frecvențelor se face cu relația lui
Parseval, pe baza expresiilor omoloage din domeniul timpului.
Tabelul 14. Reprezentarea energiei semnalelor ȋn domeniul frecvențelor. Cazul semnalelor discrete.
Semnal aperiodic sau proces aleator de energie finită.

Energia semnalului se calculează cu expresia:
[ ] ( ) ( ) [ )
e
2 f
2 f
2
e
2
2
2
e k
2
x
; 0 df f X
f
1
d X
1
k x W
e
e
e
e
ω ω ; ∈ +∞ < ⋅ = ω ω ⋅
ω
= =
∫ ∫

+

ω +
ω −
∞ +
−∞ =

e e
f 2 ⋅ π ⋅ = ω
este lățimea benzii de trecere;
Semnal determinist
N
- periodic
Energia semnalului este infinită:
[ ] +∞ → =

+∞
−∞ = k
2
x
k x W
;
Puterea medie a semnalului se calculează pe durata unei perioade divizată ȋn
N
eșantioane:
[ ] [ ]
[ ]
N ∈ ⋅ = +∞ < = ⋅ = ⋅ =
∑ ∑ ∑
− =
=
− =
=
− =
=
n n T N
N
k X
k X
N
1
i x
N
1
P
P
1 N k
0 k
2
1 N k
0 k
2
2
1 N i
0 i
2
x
; ;
;
Proces aleator staționar
Energia semnalului este infinită
+∞ →
x
W
;
Se prelevează a
N
eșantioane ale procesului și se estimează puterea medie a semnalului cu
expresia:
[ ] [ ] N ∈ ⋅ = +∞ < ⋅ = ⋅ =
∑ ∑
− =
=
− =
=
n n T N k X
N
1
i x
N
1
P
ˆ
P
1 N k
0 k
2
2
1 N i
0 i
2
N
; ;
;
Secvențe de lungime finită
Energia secvenței:
[ ] [ ]
∑ ∑

=
+∞
−∞ =
⋅ = =
1 N
0 i
2
k
2
x
i X
N
1
k x W
.

Funcţii temporale şi secvenţe temporale de procese
aleatoare
Reprezentarea funcţiilor de corelaţie pe baza funcţiilor de probabilitate este utilă dacă
sunt cunoscute expresiile analitice ale acestor funcţii precum şi modul de organizare
al experimentului.
De regulă, ȋn aplicaţii sunt disponibile înregistrări ale valorilor eşantioanelor
procesului aleator fără a cunoaşte cu exactitate expresiile analitice ale funcţiilor de
probabilitate.
Definiția 35: secvență temporală a unui proces aleator. O mulţime ordonată, formată
din N realizări ale unui proces aleator de tip discret, U reprezentată prin termenul



71
general [ ] k u se numeşte secvenţă temporală a procesului aleator, notată
[ ] { }
N k
1 k
k u
=
=
.
Secvenţele realizărilor procesului aleator notate [ ] { }
+∞
−∞ = k
k u , reprezentând mulţimea
tuturor valorilor procesului aleator în funcţie de ordinea observaţiilor acestora şi
variabila aleatoare definită prin
|
|
¹
|

\
|
m 2 1
m 2 1
p p p
u u u
: U
K
K
care pune în evidenţă valorile
posibile ale procesului aleator în corelaţie cu probabilităţile asociate acestor valori
sunt două entităţi asociate una alteia.
Singura reprezentare în funcţie de timp a unei secvenţe temporale este prin
reprezentarea tuturor valorilor acesteia în succesiunea lor, deoarece între
eşantioanele secvenţei nu există nici o dependenţă cauzală. Prin asocierea cu
variabile aleatoare, se obţine o reprezentare analitică a secvenţei prin funcţii de
probabilitate asociate sau prin funcţii de corelaţie asociate.
Pornind de la secvenţele de valori ale proceselor aleatoare se pot defini valorile
medii temporale şi funcţii de corelaţie prezentate în Tabelul nr.6. Pentru a evidenţia
faptul că expresiile se calculează pe baza secvenţelor temporale (reprezintă
aproximări ale valorilor adevărate), simbolurile care definesc valorile medii se
notează cu simbolul " ^ ".
Tabelul 15. Expresii ale mediei temporale, varianței şi funcţiilor de corelaţie în funcţie de valorile
temporale asociate secvențelor de lungime finită ale proceselor aleatoare.
Nr. Denumire Procese aleatoare de tip continuu Procese aleatoare de tip discret
1.
Media
temporală
( ) ( )
( )

τ + ⋅ =
τ + = τ µ
T
0
1
1 1 T , u
dt t u
T
1
t u

( ) [ ]
[ ]

=
τ + =
τ + = τ µ
N
1 k
1
1 1 N , u
k u
N
1
k u

2.
Momentul
statistic de
ordin
i

( ) ( )
( )

τ + ⋅ =
τ + = τ
T
0
1
i
1
i
1 T , u , i
dt t u
T
1
t u m

( ) [ ]
[ ]

=
τ + =
τ + = τ
N
1 k
1
i
1
i
1 N , u , i
k u
N
1
k u m

3. Varianţa
( ) ( ) ( ) [ ]
( ) ( ) [ ]

τ + − τ + =
= τ + − τ + = τ σ
T
0
2
1 1
2
1 1 1
2
T , u
dt t u t u
T
1
t u t u

( ) [ ] [ ] [ ]
[ ] [ ] [ ]

=
τ + − τ + =
= τ + − τ + = τ σ
N
0 k
2
1 1
2
1 1 1
2
N , u
k u k u
N
1
k u k u

4.
Funcţia de
auto-
corelaţie
( )
( ) ( )

τ + ⋅ τ + ⋅ =
= τ τ
T
0
2 1
2 1 T , uu
dt t u t u
T
1
; r

[ ]
[ ] [ ]

=
τ + ⋅ τ + ⋅ =
= τ τ
N
0 k
2 1
2 1 N , uu
k u k u
N
1
; r

( )
( ) ( )

τ + ⋅ τ + ⋅ =
= τ τ
T
0
2 1
2 1 T , uv
dt t v t u
T
1
; r

[ ]
[ ] [ ]

=
τ + ⋅ τ + ⋅ =
= τ τ
N
0 k
2 1
2 1 N , uv
k v k u
N
1
; r

5.
Funcţiile de
inter-
corelaţie
( )
( ) ( )

τ + ⋅ τ + ⋅ =
= τ τ
T
0
2 1
2 1 T , vu
dt t u t v
T
1
; r

[ ]
[ ] [ ]

=
τ + ⋅ τ + ⋅ =
= τ τ
N
0 k
2 1
2 1 N , vu
k u k v
N
1
; r




72
Pentru cazul variabilelor aleatoare staţionare, cu substituţia:
3 2 1
τ =
τ − τ + = τ + ⇒ τ − = ⇒ = τ +
1 2 1 2 1 1 1 1
t t t t t t ,

expresiile funcţiilor de corelaţie se simplifică; în acest caz expresiile depind doar de o
singură variabilă timp.
Ȋn aplicaţiile practice, secvenţele de variabile aleatoare au dimensiunea un număr
finit. Din acest motiv, se pun următoarele probleme:
1. Fiind dată o secvenţă de variabilă aleatoare de lungime finită ( ) { }
N
1 n
k x cum poate fi
probată convergenţa secvenţei date cu o variabilă aleatoare ( ) { }
+∞
∞ −
k x .
2. Cum poate fi probat dacă media temporală calculată cu valorile secvenţei de
variabilă aleatoare ( ) { }
N
1 n
k x aproximează / nu aproximează media statistică a
procesului aleator ( ) { }
+∞
∞ −
k x .
3. Cum poate fi probat dacă funcţiile de corelaţie calculate pe baza valorilor
secvenţei de variabilă aleatoare ( ) { }
N
1 n
k x aproximează / nu aproximează funcţiile de
corelaţie ale procesului aleator ( ) { }
+∞
∞ −
k x .
In cazul primei probleme nu există un răspuns valabil pentru toate situaţiile. Altfel
spus mediile temporale sunt/nu sunt convergente spre valorile mediilor statistice în
funcţie de natura procesului aleator căruia îi sunt asociate. Spre exemplu, pentru
cazul proceselor nestaţionare, media statistică este o funcţie de timp, de aceea, în
general mediile temporale nu sunt convergente spre valoarea mediei statistice. Sunt
şi situaţii în care şirul având ca elemente mediile temporale este divergent.
Ȋn contrast, pentru cazul proceselor staţionare, funcţiile de probabilitate fiind
independente de variabila timpul universal și media statistică este constantă este de
aşteptat ca mediile temporale să fie convergente spre valoarea mediei statistice.
Convergenţa secvenţelor temporale spre o variabilă aleatoare poate fi definită ȋn mai
multe moduri, după cum urmează.
Definiția 36: convergenţa cu probabilitate unu. O secvenţă de variabile aleatoare
{ }
n
x converge cu probabilitate unu spre o variabilă aleatoare X dacă:
(i) ( ) 1 n ; x x P
n
= ∞ → → ;
Definiția 37: convergenţa în sensul mediei. O secvenţă de variabile aleatoare
{ }
n
x converge în sensul mediei spre o variabilă aleatoare X dacă verifică
următoarele condiţii.
(i)
( )n x E
2
n
∀ ∞ < |
¹
|

\
|
;

(ii)
( ) ∞ <
2
x E ;

(iii)
0 x x E
2
n
n
= |
¹
|

\
|

∞ →
lim .




73
Observaţie. Convergenţa în sensul mediei se notează simbolic după cum urmează.

x x
n
n
=
∞ →
l.i.m. .

In care acronimul l.i.m. semnifică "limit in the mean".
Definiția 38: convergenţa în sensul probabilităţii. O secvenţă de variabile aleatoare
n
x converge în sensul probabilităţii spre o variabilă aleatoare X dacă, pentru
orice număr real 0 > ε este satisfăcută condiţia care urmează.

( ) 0 x x P
n
n
= ε ≥ −
∞ →
lim .

Observaţie. Convergenţa în sensul probabilităţii se notează simbolic după cum
urmează.

x x
n
n
=
∞ →
plim .

Definiția 39: convergenţa în sensul distribuţiei. O secvenţă de variabile aleatoare
{ }
n
x converge în sensul distribuţiei spre o variabilă aleatoare X dacă, funcţia
distribuţie de probabilitate a secvenţei de variabile aleatoare
n
x converge spre
funcţia distribuţie de probabilitate a variabilei aleatoare X în orice punct de
continuitate al celei de-a două funcţii de probabilitate.
Pentru cazul proceselor staţionare, problema legăturii dintre mediile statistice şi
mediile temporale este explicată în cadrul teoriei ergodicităţii elaborată de Birkoff. Ȋn
acest cadru, se demonstrează că (a) media temporală a oricărei funcţii temporale de
variabile aleatoare asociată proceselor aleatoare staţionare, are limită şi că (b) media
temporală asociată unui proces aleator este o variabilă aleatoare care ia valori egale
cu media statistică a procesului aleator cu probabilitate unu dacă fiecare funcţie de
variabile aleatoare asociată procesului aleator satisface condiţia de ergodicitate.
Definiția 40: procese aleatoare ergodice. Un proces aleator staţionar, ( ) k x este
ergodic în raport cu momentele de ordinul unu şi doi dacă:

( ) ( ) [ ] k x E k x
N
1
N
1 k
N
= ⋅

=
∞ →
lim


( ) ( ) ( ) ( ) [ ] k x k x E k x k x
N
1
N
1 k
N
⋅ τ + = ⋅ τ + ⋅

=
∞ →
lim

Condiţia de ergodicitate este des invocată în identificarea sistemelor deoarece în
multe cazuri metodele de identificare fac apel la mediile temporale şi la funcţiile de
corelaţie calculate pe baza secvenţelor de valori temporale. Aspecte importante ale
acestei probleme sunt evidenţiate de teoremele prezentate în continuare.
Teorema 9: Fiind dat un proces aleator staţionar de tip continuu ( ) t x cu media
statistică
x
µ şi varianţa
2
x
σ valori finite, dacă funcţia de autocorelaţie a procesului
aleator este absolut integrabilă,

( ) ∞ < τ µ − τ

+∞
∞ −
d r
2
x x
,




74
atunci media statistică a mediior temporale ale secvenţelor temporale este egală
cu media statistică a acelui proces aleator,
( ) [ ]
x
t x E µ = .
Demonstraţie.
1. Se consideră o secvenţă a procesului aleator ( ) t x definită pe un interval finit
[ ] T ; T t − ∈ în care parametrul T este fixat şi se evaluează media temporală a
secvenţei. Pentru aceasta pe baza teoremei de medie se obţine expresia care
urmează.
( ) ( )

+



=
T
T
dt t x
T 2
1
t x .
Se aplică operatorul de mediere statistică şi ţinând cont că pentru procesele
staţionare, media statistică nu depinde de timp rezultă expresia care urmează.

( ) [ ] ( ) ( ) [ ]
x
T
T
T
T
dt t x E
T 2
1
dt t x
T 2
1
E t x E
x
µ = ⋅

=
)
`
¹
¹
´
¦


=
∫ ∫
+

µ =
+

3 2 1
.

Semnificaţia rezultatului de mai sus este că, în ansamblu, media temporală a
secvenţelor finite este egală cu media statistică indiferent de lungimea secvenţei.
Acest rezultat nu spune nimic despre cât de mare este abaterea medie a mediilor
temporale faţă de media statistică. Dacă abaterea medie este mare, este posibil ca
media calculată pe baza datelor furnizate de anumite secvenţe temporale să fie mult
diferite faţă de media statistică iar altele să aproximeze foarte bine media statistică.
Pentru a evidenţia acest aspect se evaluează dependenţa de T a varianţei mediei
temporale a secvenţei procesului aleator.
2. Pentru a calcula varianţa mediei temporale a secvenţei procesului aleator definită
pe intervalul specificat se procedează după cum urmează.
Se consideră o realizare, i a secvenţei, se asociază două variabile aleatoare
1 , i
x ,
2 , i
x
obţinute prin deplasări cu [ ] T ; T t
1
− ∈ respectiv [ ] T ; T t
2
− ∈ a valorilor secvenţei
temporale.
Coeficientul de corelaţie asociat celor două variabile aleatoare se calculează cu
relaţia:

( )
( ) ( ) [ ] ( )
2 1
2 1 2 1 x
2 1
2 2 1 1
2 1 x
t ; t r x x E
t ; t
σ ⋅ σ
µ ⋅ µ −
=
σ ⋅ σ
µ − ⋅ µ −
= ρ .

Ȋn relaţia de mai sus se înlocuiesc mediile ( ) t x
2 1
= µ = µ , varianţele
2
t , t ; x
2
2
2
1
2 1 i
σ = σ = σ şi
( ) 1 t ; t
2 1 x
= ρ deoarece cele două variabile aleatoare respectiv
1
x şi
2
x au aceleaşi
valori (ceea ce diferă este ordinea lor).
Varianţa calculată pentru realizarea secvenţei temporale este dată de următoarea
expresie.



75
( ) ( ) [ ]
2
t , t ; x
2 1
t , t ; x
2
t , t ; x
t x t ; t r
2 1 i 2 1 i 2 1 i
− = σ .
Valoarea medie, calculată pentru toate valorile [ ] T ; T t
1
− ∈ şi [ ] T ; T t
2
− ∈ şi pentru
toate realizările secvenţei rezultă după cum urmează.

( ) ( ) [ ]
∫ ∫ ∫ ∫
− − − −
µ − ⋅

= µ − ⋅ ⋅

= σ
T
T
T
T
1
2
x 2 1 x 2 2
2
x
T
T
T
T
1 2 1 2 2
2
x
dt t ; t R dt
T 4
1
dt x x E dt
T 4
1


Figura 28. Domeniul de integrare pentru calculul varianței.
Domeniul de integrare fiind reprezentat de pătratul ( ) D din Figura 5. Cu schimbarea
de variabilă
1 2
t t − = τ

( ) ( ) ( )
τ =
− = τ ⇒ + =
+ = τ ⇒ − =
τ = − =
d dt
T t T t
T t T t
r t t r t ; t r
1
2 1
2 1
x 1 2 x 2 1 x

( ) [ ]
( ) [ ]
∫ ∫
∫ ∫
+

+

+
− −
τ µ − τ ⋅

=
µ − ⋅

= σ
T
T
T t
T t
2
x x 2 2
T
T
T
T
1
2
x 2 1 x 2 2
2
x
2
2
d R dt
T 4
1
dt t ; t R dt
T 4
1


Ȋn care domeniul de integrare va fi paralelogramul ( ) ∆ din Figura 5. Datorită simetriei
rezultă:

( ) [ ] ( ) [ ]
( ) [ ]
∫ ∫
∫∫ ∫∫
⋅ +
τ + −

τ µ − τ ⋅

=
τ µ − τ ⋅

= µ − ⋅

= σ
T 2
0
T
T
2
2
x x 2
) (
2
2
x x 2
) D (
2 1
2
x 2 1 x 2
2
x
dt d R
T 4
2
dt d R
T 4
1
dt dt t ; t R
T 4
1



( ) [ ]


τ µ − τ ⋅ |
¹
|

\
|

τ
− ⋅ = σ
T 2
0
2
x
2
x
d R
T 2
1
T
1
.

Se va evalua cazul în care ∞ → T . Ȋn acest scop se evaluează modulul integralei
precedente după cum urmează.

( ) [ ]
( ) ( )
∫ ∫

⋅ ⋅

τ µ − τ ≤ τ µ − τ ⋅
|
¹
|

\
|

τ

≤ τ µ − τ ⋅
|
¹
|

\
|

τ

T 2
0
2
x
T 2
0
2
x
T 2
0
2
x
d r d r
T 2
1
d r
T 2
1


Conform ipotezei, funcţia de autocorelaţie a procesului aleator este absolut
integrabilă atunci

( ) [ ]
( ) [ ]
0
d r
d r
T 2
1
T
1
2
T , x
T
2
x
T 2
0
2
x
T
2
T , x
T
= σ ⇒
∞ < τ µ − τ
(
¸
(

¸

τ µ − τ ⋅
|
¹
|

\
|

τ
− ⋅ = σ
∞ →
∞ +
∞ −

∞ → ∞ →


lim
lim lim


ceea ce demonstrează convergenţa în sensul mediei a mediilor temporale.



76
Pentru cazul proceselor aleatoare de tip discret, convergenţa mediilor temporale este
probată de următoarea teoremă.
Teorema 10: Fie [ ] { }
+∞
−∞ = k
k x un proces staţionar de tip discret cu varianţa un număr
finit. Dacă funcţia de covarianţă ( ) 0 c
x
→ τ când ∞ → τ , atunci,

( ) [ ] { } k x E k x
N
1
N
1 k
N
= ⋅

=
∞ →
lim

Consecinţe.
1. Deoarece mediile temporale sunt convergente în sensul mediei spre media
statistică atunci mediile temporale sunt convergente şi în sensul probabilităţii.
2. Efectul corelaţiei între eşantioane.
Fie [ ] { }
+∞
−∞ = k
k x un proces aleator staţionar de tip discret care verifică cerinţele teoremei
precedente. [ ] { }
N
1 k n
k x x
=
= , [ ] { }
M
1 k m
k x x
=
= două secvenţe temporale ale procesului
aleator. Expresia varianţei mediilor temporale pentru acest caz se reprezintă sub
forma:

( ) [ ]
∑∑
= =
µ − ⋅ ⋅ = σ
N
1 n
M
1 m
2
x m n 2
2
N , x
x x E
N
1


Cazul 1: secvenţele aleatoare sunt corelate cu coeficientul de corelaţie 1 = ρ .

( ) ( ) [ ] ( )
1
x x E x x E
2
x
2
x m n
2
x
x m x n
=
σ
µ − ⋅
=
σ
µ − ⋅ µ −
= ρ ⇒

( )
2
x
2
x m n
x x E µ + σ = ⋅
Se înlocuieşte acest ultim rezultat în relaţia (**) şi se obţine

2
x
2
T , x
σ = σ
Prin urmare, varianţa mediilor temporale este numeric egală cu varianţa
procesului aleator care este studiat. In acest caz, repetarea experimentului de un
număr arbitrar de ori sau efectuarea experimentului o singură dată produc un estimat
al mediei valorilor temporale la fel de precis/imprecis.
Cazul 2: secvenţele aleatoare sunt necorelate (coeficientul de corelaţie 0 = ρ ).

( )
¹
´
¦
≠ µ
= µ + σ
= ⋅
m n
m n
x x E
2
x
2
x
2
x
m n



( ) [ ]
( )
N
N N N
N
1
x x E
N
1
2
x 2
x
2 2
x
2 2
x 2
N
1 n
M
1 m
2
x m n 2
2
N , x
σ
= µ ⋅ − µ ⋅ + σ ⋅ ⋅ =
µ − ⋅ ⋅ = σ
∑∑
= =


Din relaţia relația precedentă rezultă:



77
0
N
2
x
N
2
N , x
N
=
σ
= σ
∞ → ∞ →
lim lim
Cu alte cuvinte, varianţa mediilor temporale tinde spre zero atunci când numărul
realizărilor tinde spre infinit. In acest caz, cu cât experimentul este repetat de mai
multe ori şi observaţiile rezultate sunt incluse în calcul, cu atât estimatul
mediilor temporale aproximează mai precis media statistică atât în sensul mediei
cât şi în sensul probabilităţii.
Definiția 41: Estimator consistent. Un estimator convergent spre valoarea adevărata
se numeşte estimator consistent.
3. Eşantionarea periodică.
In practică procesele aleatoare sunt eşantionate cu perioadă constantă de
eşantionare. In acest caz se pune următoarea problemă: care este efectul valorii
perioadei de eşantionare asupra convergenţei estimatului mediei temporale.
Pentru a evidenţia acest efect se consideră un proces aleator staţionar în sens larg
de tip discret ( ) t x definit pe intervalul închis [ ] T ; T t + − ∈ eşantionat cu perioada de
eşantionare N T T
e
= în care N este numărul de eşantioane ale secvenţei. Rezultă:
( ) [ ]
( ) [ ] ( ) [ ] [ ]
∑∑ ∑∑
∑∑
= = = =
= =
µ − ⋅ − ⋅ = µ − ⋅ ⋅ ⋅ =
µ − ⋅ ⋅ = σ
N
1 n
M
1 m
N
1 n
M
1 m
2
x e x 2
2
x e e x 2
N
1 n
M
1 m
2
x m n 2
2
N , x
T n m r
N
1
T n ; T m r
N
1
x x E
N
1
.

Ȋn suma dublă din expresia de mai sus termenii care corespund cazului n m =
reprezintă momentul de ordinul doi al procesului aleator, deci
2
x
2
x x , 2
m µ + σ = ; numărul
de termeni care verifică condiţia enunţată este N .
Deoarece funcţia de autocorelaţie este o funcţie pară, pentru cazul n m ≠ ,
( ) [ ] ( ) [ ]
e x e x
T m n r T n m r ⋅ − = ⋅ − ; numărul de termeni care verifică această condiţie este
un număr par.
Cu notaţia n m k − = , expresia precedentă se după cum urmează.

{
( ) [ ]
( ) [ ]



=

=
=
=
⋅ µ − ⋅ ⋅ |
¹
|

\
| ⋅
− ⋅ +
σ
=
µ − ⋅ ⋅
|
¹
|

\
|
− ⋅ +
σ
= σ
1 N
1 k
e
2
x e x
e
2
x
1 N
1 k
2
x e x
T / T N
T / T
2
x 2
N , x
T T k r
T
T k
1
T
2
N
T k r
N
k
1
N
2
N
e
e
43 42 1


Pentru T fixat, cu schimbarea de variabilă τ = ⋅
e
T k se trece la limită pentru
0 T
e
→ (sau pentru ∞ → N ). Expresia de mai sus se scrie sub forma următoare.

( ) [ ] 0 d r
N
1
T
2
N
T
0
2
x x
0
2
x
N
2
N , x
N
≠ τ µ − τ ⋅
|
¹
|

\
|
τ
− ⋅ +
σ
= σ

=
∞ → ∞ →
3 2 1
lim lim





78
Ȋn concluzie, varianţa mediei temporale nu tinde (în general) spre zero dacă
numărul de eşantioane achiziţionate tinde spre infinit decât dacă şi durata T
tinde spre infinit.
Ȋn practica identificării se utilizează semnale aleatoare ale căror proprietăţi statistice
sunt cunoscute şi care pot fi generate cu mijloace tehnice adecvate.
Probleme
Problema 5: Funcția de autocorelație a zgomotul alb cu bandă limitată.
Se consideră un proces aleator care are funcţia densitate spectrală de putere
constantă într-un interval de finit de frecvenţe şi zero în rest.

( )
[ ] [ ]
( ) ( ) ( ) ¦
¹
¦
´
¦
∞ ω ω ω − ω − ∞ ∈ ω
ω ω ω − ω − ∈ ω
= ω ⋅
; ; ; 0
; ; U
j S
2 1 1 2
2 1 1 2
2
uu
U U
U
pentru
pentru
.
(53.)
Funcţia de autocorelaţie asociată procesului aleator se calculează după cum
urmează.

( ) ( )
∫ ∫

ω +
ω +
τ ⋅ ω ⋅
ω −
ω −
τ ⋅ ω ⋅
+∞
∞ −
τ ⋅ ω ⋅
ω ⋅ ⋅
π ⋅
+ ω ⋅ ⋅
π ⋅
=
ω ⋅ ω ⋅ ⋅
π ⋅
= τ
2
1
1
2
d e U
2
1
d e U
2
1
d e j S
2
1
r
j
2
j
2
j
uu uu



( )
( ) ( ) [ ]
|
|
¹
|

\
|
τ ⋅
ω + ω

|
|
¹
|

\
|
τ ⋅
ω − ω

τ ⋅ π

=
τ ⋅ ω − τ ⋅ ω ⋅
τ ⋅ π
=
(
(
¸
(

¸

τ ⋅

+
τ ⋅


π ⋅
= τ
τ ⋅ ω ⋅ τ ⋅ ω ⋅ τ ⋅ ω ⋅ − τ ⋅ ω ⋅ −
2
cos
2
sin
U 2
sin sin
U
j
e e
j
e e
2
U
r
1 2 1 2
2
1 2
2
j j j j
2
uu
1 2 2 1


Cu notaţiile
2
1 2
ω − ω
= ω ∆ şi
2
1 2
0
ω + ω
= ω expresia de mai sus se scrie astfel
( ) ( ) ( ) ( )
( )
τ ⋅ ω ∆
τ ⋅ ω ∆
⋅ τ ⋅ ω ⋅ ω ∆ ⋅ ⋅
π
= τ ⋅ ω ⋅ τ ⋅ ω ∆ ⋅
τ ⋅ π

= τ
sin
cos U
2
cos sin
U 2
r
0
2
0
2
uu


( ) ( ) ( ) τ ⋅ ω ∆ ⋅ τ ⋅ ω ⋅ ω ∆ ⋅ ⋅
π
= τ c sin cos U
2
r
0
2
uu
; (sinc = sinus cardinal)
Ȋn cazul luminii albe, densitatea spectrală de putere este constantă pentru toate
componentele spectrului - în domeniul vizibil lungimea de undă [ ][ ]
o
A 7500 ; 4000 ∈ λ -
de unde provinde şi denumirea procesului aleator.
Problema 6: Densitatea de putere a zgomotului colorat.
Se consideră un procesul aleator staţionar de tip discretavând funcţia de
autocorelaţie definită prin relaţia:



79
( ) [ ]
τ ⋅ ⋅ −
+ ⋅ = τ
a 2
uu
e 1
4
1
r , (54.)
acest proces aleator se numeşte zgomot colorat.
Funcţia densitate spectrală de putere proprie rezultă conform relaţiei:

( ) [ ]
( )
( )
( )
∫ ∫ ∫

∞ +
=
τ ⋅ ω ⋅ − τ ⋅ ⋅ −
∞ −
=
τ ⋅ ω ⋅ − τ ⋅ ⋅ +
ω δ =
∞ +
∞ −
τ ⋅ ω ⋅ −
+∞
∞ −
τ ⋅ ω ⋅ − τ ⋅ ⋅ −
τ ⋅ ⋅ + τ ⋅ ⋅ + τ ⋅ ⋅ =
τ ⋅ + ⋅ = ω ⋅
τ ⋅ ω ⋅ − τ ⋅ ⋅ −
τ ⋅ ω ⋅ − τ ⋅ ⋅
0
e
j a 2
0
e
j a 2 j
j a 2
uu
d e e
4
1
d e e
4
1
d e
4
1
d e e 1
4
1
j S
j a 2
j a 2
43 42 1
48 47 6
43 42 1


Ȋn care:

( )
( ) ( )
¹
´
¦
∞ + ∞ − ∈ ω
= ω ∞
= ω δ
; 0 0 ; 0
0
U daca
daca
; (impulsul Dirac).


( ) ( )
( )
( )
( )
( )
( )
( ) ( )
( )
(
(
¸
(

¸

ω + ⋅

+ ω δ ⋅ =
(
¸
(

¸

ω ⋅ + ⋅
+
ω ⋅ − ⋅
+ ω δ ⋅ =
(
(
¸
(

¸

ω ⋅ − ⋅ −
+
ω ⋅ − ⋅
+ ω δ ⋅ = ω ⋅
+∞
τ ⋅ ω ⋅ + ⋅ −
∞ −
τ ⋅ ω ⋅ − ⋅
2 2
0
j a 2
0
j a 2
uu
a 4
a 4
4
1
j a 2
1
j a 2
1
4
1
j a 2
e
j a 2
e
4
1
j S

(55.)
Prezenţa impulsului Dirac în expresia densităţii spectrale de putere a zgomotului
colorat probează faptul că procesul aleator are o componentă continuă (egală cu
media statistică, 4 1
u
= µ ).
Problema 7: funcția densitate spectrală de putere a zgomotului alb pur (continuare).
Dacă limitele densităţii spectrale de putere ale zgomotului alb cu bandă limitată se
extind ∞ → ω ∆ şi 0
0
= ω , atunci, funcţia de autocorelaţie şi densitatea spectrală de
putere sunt date de expresiile următoare.

( ) ( )
( ) U j S
U
2
1
r
ee
ee
= ω ⋅
τ δ ⋅ ⋅
π ⋅
= τ


Din analiza funcţiei de autocorelaţie rezultă că media statistică a zgomotului alb pur
este 0
e
= µ şi varianţa
2
2
e
U
2
1

π ⋅
= σ .
Graficul funcţiei de autocorelaţie a zgomotului alb pur pune în evidenţă faptul că nu
există dependenţe cauzale nici între oricare două eşantioane (cum se întâmplă în
cazul oricărui proces aleator) dar nici pe ansamblu, respectiv între oricare combinaţie
de observaţii / realizări ale acestui proces aleator.
Acesta este argumentul care justifică denumirea procesului aleator.
Zgomotul alb pur este o idealizare a zgomotelor care se întâlnesc în realitate dar,
datorită proprietăţilor sale, zgomotul alb pur este mult utilizat atât în calcule cât şi ca
etalon al semnalelor de intrare utilizate în diferite metode de identificare a sistemelor.



80
Pentru aplicaţiile practice au fost elaboraţi algoritmi care permit generarea cu
mijloace de calcul automat a unor secvenţe aleatoare care aproximează proprietăţile
statistice ale zgomotului alb pur. Semnalele astfel generate se numesc semnale
pseudo-aleatoare.
Problema 8: Semnal determinist perturbat de zgomot.
Semnalul sinusoidal ( ) ( ) ϕ + ⋅ ω ⋅ = t A t x
1
sin are faza perturbată de un proces aleator cu
repartiţie uniformă, caracterizat prin densitatea de probabilitate

( )
[ ]
( ) ( ) ¦
¹
¦
´
¦
∞ + π π ∞ − ∈ ϕ
π π ∈ ϕ
π
= ϕ
; ; 0
2
1
p
U - pentru
; - pentru


a. Să se calculeze funcţia de autocorelaţie ( ) τ
xx
r prin mediere pe ansamblu şi apoi
prin mediere în timp.
b. Să se deducă densitatea spectrală de putere şi să se calculeze puterea totală a
semnalului.
Rezolvare
a. Calculul funcţiei de autocorelaţie prin mediere pe ansamblu.

( ) ( ) ( )
( ) ( ) ( )
( ) ( )



π +
π −
∞ +
∞ −
+∞
∞ −
τ + τ +
ϕ
π ⋅
⋅ ϕ + τ ⋅ ω + ⋅ ω ⋅ ϕ + ⋅ ω ⋅ =
ϕ ϕ ⋅ ϕ + τ ⋅ ω + ⋅ ω ⋅ ϕ + ⋅ ω ⋅ =
ϕ ϕ ⋅ ⋅ = ⋅ = τ
d
2
1
t t A
d p t t A
d p x x x x E r
1 1 1
2
1 1 1
2
t t t t xx
sin sin
sin sin .
( ) ( ) [ ] β + α − β − α ⋅ = β ⋅ α cos cos sin sin
2
1


( ) ( ) ( ) [ ]
( ) ( ) [ ]
( ) {
( ) ( ) [ ]}
4 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4 2 1
) (
sin sin
cos
sin cos
cos cos
periodica functie 0
1 1 1 1
1
2
1 1 1
2
1 1 1
2
xx
2 t 2 2 t 2
2
2
1
2
A
2 t 2
2
1
2
A
d 2 t 2
2
1
2
A
r
=
π +
π −
π +
π −
π +
π −
π ⋅ − τ ⋅ ω + ⋅ ω ⋅ − π ⋅ + τ ⋅ ω + ⋅ ω ⋅ −
− τ ⋅ ω ⋅ π ⋅ ⋅ ⋅
π ⋅
=
ϕ ⋅ + τ ⋅ ω + ⋅ ω ⋅ − ϕ ⋅ τ ⋅ ω ⋅ ⋅
π ⋅
=
ϕ ϕ ⋅ + τ ⋅ ω + ⋅ ω ⋅ − τ ⋅ ω ⋅ ⋅
π ⋅
= τ


(i) ( ) ( ) τ ⋅ ω ⋅ = τ
1
2
xx
2
A
r cos .
Calculul funcţiei de autocorelaţie prin mediere în timp.



81

( ) ( ) ( )
( ) ( )
( ) ( ) [ ]



+

∞ →
+

∞ →
+

∞ →
ϕ ⋅ + τ ⋅ ω + ⋅ ω ⋅ − τ ⋅ ω ⋅ ⋅ ⋅ =
ϕ + τ ⋅ ω + ⋅ ω ⋅ ϕ + ⋅ ω ⋅ ⋅

=
τ + ⋅ ⋅

= τ
T
T
1 1 1
T
2
T
T
1 1 1
2
T
T
T
T
xx
dt 2 t 2
2
1
T
1
2
A
dt t t A
T 2
1
dt t x t x
T 2
1
r
; cos cos lim
sin sin lim
lim

(ii)
( ) ( ) ( )
( ) ( )
( )
. 2 t 2
T
1
4
1
T 2
T
1
2
1
2
A
2 t 2
2
1
T
1
2
1
2
A
r
T I
T t
T t
1 1
T
1
1
T
1
2
T
T
1 1
1
T
T
1
T
2
xx
4 4 4 4 4 4 3 4 4 4 4 4 4 2 1 4 4 3 4 4 2 1
=
+ =
− =
∞ →
=
∞ →
+

+

∞ →
ϕ ⋅ + τ ⋅ ω + ⋅ ω ⋅ ⋅ ⋅
ω ⋅
− ⋅ ⋅ ⋅ ⋅ τ ⋅ ω ⋅ =
(
(
¸
(

¸

ϕ ⋅ + τ ⋅ ω + ⋅ ω ⋅ ⋅
ω ⋅
− τ ⋅ ω ⋅ ⋅ ⋅ = τ
sin lim lim cos
sin cos lim

Ȋn continuare se evaluează termenul ( ) T I care apare ȋn expresia (ii).
Se notează cu
1 1
2 T ω π ⋅ = perioada principală a funcției-semnal și
[ ] T T T n T T n T
1
+ − ∈ ∆ ∈ ∆ + ⋅ = ; , ; N .

( ) ( ) ( ) [ ]
( )
( ) ; sin
sin lim
sin sin lim
)
`
¹
(
¸
(

¸

ϕ ⋅ + τ ⋅ ω + ∆ + ⋅ ⋅
π ⋅
⋅ − −
¹
´
¦

(
¸
(

¸

ϕ ⋅ + τ ⋅ ω + ∆ + ⋅ ⋅
π ⋅
⋅ ⋅ =
ϕ ⋅ + τ ⋅ ω + ⋅ ω ⋅ − − ϕ ⋅ + τ ⋅ ω + ⋅ ω ⋅ ⋅ =
∞ →
∞ →
2 T T n
T
2
2
2 T T n
T
2
2
T
1
2 T 2 2 T 2
T
1
T I
1 1
1
1 1
1
T
1 1 1 1
T


( )
( )
( ) [
( )]
( )
( ) ( ) [ ]; sin sin lim
sin
sin lim
ϕ ⋅ + τ ⋅ ω + ∆ ⋅ ω ⋅ − − ϕ ⋅ + τ ⋅ ω + ∆ ⋅ ω ⋅ ⋅
∆ + ⋅
=
ϕ ⋅ + τ ⋅ ω + ∆ ⋅ ω ⋅ − ⋅ π ⋅ − −
− ϕ ⋅ + τ ⋅ ω + ∆ ⋅ ω ⋅ + ⋅ π ⋅ ⋅
∆ + ⋅
= ∆ + ⋅
∞ →
∞ →
2 T 2 2 T 2
T T n
1
2 T 2 n 4
2 T 2 n 4
T T n
1
T T n I
1 1 1 1
1
n
1 1
1 1
1
n
1


( )
( )
( ) ( ) [ ] . cos sin lim 0 2 T 2
T T n
2
T T n I
1 1
1
n
1
= ϕ ⋅ + τ ⋅ ω ⋅ ∆ ⋅ ω ⋅ ⋅
∆ + ⋅
= ∆ + ⋅
∞ →

Prin urmare,
( ) ( ) τ ⋅ ω ⋅ = τ
1
2
xx
2
A
r cos .
b. Calculul densității spectrale de putere.

( ) ( ) ( )
∫ ∫
+∞
∞ −
τ ⋅ ω ⋅ −
+∞
∞ −
τ ⋅ ω ⋅ −
τ ⋅ τ ⋅ ω ⋅ = τ ⋅ τ = ω d e
2
A
d e r S
j
1
2
j
xx x
cos ;
( )
( ) ( )
(
¸
(

¸

τ + τ ⋅ = τ ⋅
+
⋅ = ω
∫ ∫ ∫
+∞
∞ −
τ ⋅ ω + ω ⋅ −
+∞
∞ −
τ ⋅ ω − ω ⋅ −
+∞
∞ −
τ ⋅ ω ⋅ −
τ ⋅ ω ⋅ − τ ⋅ ω ⋅ +
d e d e
4
A
d e
2
e e
2
A
S
1 1
1 1
j j
2
j
j j 2
x
;



82
(iii) ( ) ( ) ( ) [ ]
1 1
2
x
2
A
S ω + ω δ + ω − ω δ ⋅
⋅ π
= ω .
Din relația (iii) se obține puterea semnalului după cum urmează.
(iv)
( )
2
A
2
2
A
2
1
d S
2
1
P
2 2
x
= ⋅
⋅ π

π ⋅
= ω ω ⋅
π ⋅
=

+∞
∞ −
.






83
CAPITOLUL IV
MODELE ALE SISTEMELOR LINIARE
Ȋn primul capitol al lucrării au fost prezentate conceptele de sistem şi model al unui
sistem. Un aspect important care rezultă din analiză este reprezentat de legătura
dintre modelul sistemului şi modelele semnalelor de intrare / ieşire care îi sunt
asociate. Există o clasă de sisteme şi anume sistemele liniare cu parametri constanți,
la care reprezentările analitice ale modelului sistemului pot fi separate net de
modelele semnalelor de intrare / ieşire. Această proprietate permite utilizarea
principiului superpoziţiei (suprapunerii efectelor) având drept consecinţă simplificarea
analizei.
Proprietăţi ale sistemelor liniare cu parametri constanți,
invariante în timp
Definiția 42: sistem liniar. Un sistem, S se numește sistem liniar dacă ȋndeplinește
condițiile care urmează.
(1) Fiind date, semnalul de intrare ( ) t u respectiv semnalul de ieşire ( ) t y asociate
sistemului S . Dacă la portul de intrare în sistem se aplică semnalul ( ) τ + t u atunci
semnalul la portul de ieşire din sistem este de forma ( ) τ + t y , ( ) R ∈ τ ∀ , t , și
(2) fiind date două perechi de semnale de intrare / ieşire ( ) t u
1
, ( ) t y
1
, respectiv
( ) t u
2
, ( ) t y
2
. Dacă la portul de intrare se aplică un semnal rezultat printr-o
combinaţie liniară a celor două semnale de intrare enunțate:
( ) ( ) ( ) R ∈ ⋅ + ⋅ =
2 1 2 2 1 1
a , a ; t u a t u a t u (56.)
atunci, semnalul la portul de ieşire din sistem este rezultatul aceleiaşi combinaţii
liniare de semnale, respectiv:
( ) ( ) ( ) t y a t y a t y
2 2 1 1
⋅ + ⋅ = (57.)
Primul enunț din Definiția 42 exprimă proprietatea de invarianță a sistemelor liniare la
alegerea originii timpului. Dacă semnalul de intrare este de tip necauzal, se
consideră că semnalul este aplicat ȋn intervalul de timp ( ) ∞ + ∞ − ∈ ; t . Ȋn acest caz, se
spune că sistemul liniar operează regim permanent.
Se spune că un sistem liniar operează ȋn regim tranzitoriu urmat de regimul
permanent dacă semnalul de intrare este de tip cauzal. Ȋn acest caz semnalul se
aplică la portul de intrare al sistemului ȋn intervalul de timp [ ) ∞ + ∈ ; t t
1
care ȋncepe de
la un anumit moment pe axa timpului. Acest moment se numește momentul inițial al
procesului. La momentele anterioare momentului inițial se consideră că valorile
semnalelor sunt egale cu zero și că sistemul se află ȋn starea de echilibru. Răspunsul
sistemului liniar rămâne nemodificat indiferent alegerea momentului inițial, R ∈
1
t de
la care se inițiază procesul.




84
Ȋn contrast cu această proprietate, ȋn cazul sistemelor neliniare cu histerezis
semnalul de ieșire la un moment oarecare, depinde atât de ansamblul valorilor
anterioare ale acestuia cât și de valoarea actuală a semnalului de intrare.
Cel de-al doilea enunț din Definiția 42 exprimă două aspecte: (a) invarianția formei
răspunsului sistemelor liniare ȋn raport cu amplitudinea semnalului de intrare și (b)
aplicabilitatea principiului superpoziției (suprapunerii efectelor).
Pentru a evidenția această proprietate, se compară spre exemplu, sistemele liniare
cu sistemele neliniare cu saturație la care amplitudinea semnalului de ieșire depinde
de amplitudinea semnalului de intrare.
O proprietate importantă a sistemelor liniare este aceea că modelele semnalelor de
intrare / ieșire
U Y
M , M și modelul sistemului liniar
G
M pot fi transformate prin
transformări integrale sub forma de produs:

U G Y
M M M ⋅ = . (58.)
Această proprietate permite separarea netă a modelelor.
Procesele care pot fi reprezentate prin ecuaţii diferenţiale liniare de grad n cu
coeficienţi constanţi de forma:

( ) ( )
( )
( )
( ) ( )
( )
( ) t u B
dt
t u d
B
dt
t u d
B
dt
t u d
B
t y A
dt
t y d
A
dt
t y d
A
dt
t y d
n 1 n 1 n
1 n
1 n
n
0
n 1 n 1 n
1 n
1 n
n
⋅ + ⋅ + + ⋅ + ⋅ =
⋅ + ⋅ + + ⋅ +
− −

− −

K
K
,
n , 1 i B ; A
i i
= ∈ , R ,
(59.)
ȋn care R R → : u și R R → : y sunt funcții continue și n - derivabile, se asociază cu
sisteme liniare cu parametri constanţi. Justificarea acestei observaţii rezultă din
liniaritatea operatorului de derivare.
Soluția generală a ecuației (59) este dată de următoarea expresie:

( ) ( )( ) ( ) ( ) ( ) R ∈ τ ∀ τ τ − ⋅ τ = ∗ =

+∞
∞ −
, t d t u g t u g t y ,
(60.)
ȋn care ( ) t u reprezintă semnalul de intrare, ( ) t y reprezintă semnalul de ieşire și
( ) t g reprezintă funcția pondere a sistemului liniar.
Există sisteme liniare care se reprezintă prin alte tipuri de ecuații. De exemplu, (a)
sistemele liniare cu mai multe intrări și mai multe ieșiri se reprezintă prin sisteme de
ecuații diferențiale liniare de grad unu, cu coeficienți constanți și (b) sistemele liniare
cu parametri distribuiţi se reprezintă prin ecuații cu derivate parțiale liniare.
Exemplul 22: Modelul dinamic al unui filtru pasiv trece-jos.
Ȋn Figura 29 se prezintă schema electrică a unui filtru pasiv trece-jos. Cu ipoteza că
filtrul funcţionează fără sarcină (curentul de ieşire este egal cu zero), prin aplicarea
teoremei a doua a lui Kirchoff în lungul ochiurilor de reţea ( ) I şi ( ) II rezultă ecuaţiile
tensiunilor în valori instantanee după cum urmează.



85


Figura 29. (a) Schema electrică a filtrului pasiv trece-jos din Exemplul 22; (b) diagrama-bloc a
acestuia.

( ) ( ) ( )
( )
( ) ( )
¦
¦
¦
¹
¦
¦
¦
´
¦
τ τ ⋅ =
τ τ ⋅ + ⋅ =


=
t
0
t y
t
0
d i
C
1
t y
d i
C
1
t i R t u
43 42 1

( )
( ) ( )
( )
t d
t y d
C t i t i
C
1
t d
t y d
⋅ = ⇒ ⋅ = ⇒
(i)
( )
( ) ( ) t u t y
t d
t y d
C R = + ⋅ ⋅ .
Relaţia (i) reprezintă o ecuaţie diferenţială liniară, cu coeficienţi constanţi, de ordinul
unu care se poate rescrie sub forma generală:

( )
( ) ( ) t u t y
t d
t y d
T
f
= + ⋅ .
(61.)
Ȋn ecuaţia (61), ( ) t u reprezintă semnalul de intrare - funcția cunoscută, ( ) t y reprezintă
semnalul de ieşire - funcția necunoscută, iar factorul
f
T C R = ⋅ reprezintă constanta
de timp a filtrului.
Ecuaţia diferenţială ȋn discuție reprezintă un model general al sistemului reprezentat
de filtrul trece-jos. Pe baza acestei observaţii, rezultă că filtrul trece-jos este un
sistem liniar cu parametri constanţi.
Tipurile de semnale care se asociază modelelor sistemelor liniare analizate în
această lucrare sunt prezentate în Figurile 30 - 37.
Ȋn legătură cu aceste tipuri de semnale se amintesc următoarele definiții.
Definiția 43: semnal mărginit. Un semnal ( ) t u este mărginit dacă există o constantă
reală pozitivă astfel încât:

( ) ( ) R ∈ ∀ ∞ < ≤ t A t u .
(62.)
Definiția 44: funcţie-semnal absolut integrabilă. O funcţie reală de variabilă reală
care reprezintă un semnal ( ) t u , este absolut integrabilă, dacă se verifică relaţia:
( ) R ∈ ∞ <

+∞
∞ −
t ; dt t u . (63.)




86


Figura 30. Semnal sinusoidal.


Figura 31. Semnal periodic discontinuu.


Figura 32. Semnal aperiodic continuu

Figura 33. Semnal aperiodic discontinuu.


Figura 34. Semnal continuu cu energie finită.



87

Figura 35. Semnal periodic continuu cu putere finită.


Figura 36. Semnal periodic discret.

Figura 37. Proces aleator staționar.

Definiția 45: semnal cu putere finită. Un semnal ( ) t u se numeşte semnal cu putere
finită dacă există o constantă reală pozitivă, M astfel încât:

( ) ( ) R ∈ ∀ ∞ < ≤ t M t u
2
.
(64.)
Definiția 46: semnal cu energie finită. Un semnal ( ) t u este numit semnal cu energie
finită dacă verifică relaţia care urmează.
( ) ( ) R ∈ ∀ ∞ <

+∞
∞ −
t ; dt t u
2
. (65.)
Definiția 47: Semnal cauzal. Fie un semnalul reprezentat prin funcţia-semnal
( ) R ∈ t ; t u . Acest semnal se numeşte semnal cauzal dacă
( ) ( ) ( ) const. = ∈ ∞ − ∈ ∀ = α α α ; ; ; t ; t u R 0
Denumirea se justifică prin faptul că aceste semnale descriu tranziţii ale unui sistem
de la o stare stabilă spre o stare diferită, stabilă sau instabilă.
Modele ale sistemelor liniare cu parametri constanţi şi
semnale de tip continuu
Ȋn cadrul acestui paragraf se analizează procese formate din sisteme liniare cu
parametri constanți și semnale deterministe continue. Modelul de bază al acestui tip




88
de procese este reprezentat prin ecuația diferențială din relația (59) cu soluția
generală (60).
Sisteme liniare cu parametri constanți și semnale constante
Modelul procesului este dat de ecuația care urmează:
( ) ( ) ( ) ∞ + ∞ − ∈ ∀ ⋅ = ; t , U G t y . (66.)
ȋn care ( ) ( ) R ∈ ∀ = t , U t u reprezintă semnalul de intrare iar G este modelul sistemului
liniar.
Teorema 11: Fiind date sistemul liniar S , semnalul la portul de intrare ȋn sistem,
( ) ( ) R ∈ ∀ = = t ., const U t u și R R → : y , ( ) ( ) R ∈ ∀ t , t y funcția care descrie
semnalul la portul de ieșire din sistem, atunci semnalul la portul de ieșire este
constant,

( ) ( ) R ∈ ∀ = t , Y t y și
( ) R ∈ ∀ ⋅ = t , U G Y .
(67.)
( ) R ∈ ∀ = t ,
U
Y
G este factorul de proporționalitate al sistemului liniar, S .
Demonstrație.
Semnalul constant aplicat la portul de intrare al sistemului se echivalează cu un puls
de energie finită având durata extinsă spre infinit. Se aplică transformarea Fourier
directă ȋn expresia soluției generale din relația (60) și se ține cont că transformata
Fourier directă a produsului de convoluție a două funcții este egală cu produsul
transformatelor Fourier directe ale celor două funcții, deci:
(i) ( ) { } ( )( ) { } ( ) { } ( ) { } t u F t g F t u g F t y F ⋅ = ∗ = ,
(ii)
( ) ( ) ( )
( )
{
( ) ( ) ( ) ( ) ( ) ω δ ⋅ ⋅ = ω δ ⋅ ⋅ ⋅ = ω δ ⋅ ⋅ ω ⋅ = ω ⋅ ω ⋅ = ω
=
ω δ ⋅ =
U G U 0 j G U j G U j G Y
G
U
3 2 1

Ȋn relația (ii) se aplică transformarea Fourier inversă pentru a obține expresia
răspunsului ȋn domeniul timpului și rezultă:
(iii)
( ) ( ) { } ( ) { } ( ) { } U G F U G U G F Y F t y
1
1 1 1
⋅ = ω δ ⋅ ⋅ = ω δ ⋅ ⋅ = ω =
=
− − −
43 42 1
.
Prin urmare, ȋn cazul unui proces constând ȋn transformarea unui semnal constant
printr-un sistem liniar, sistemul se comportă ca un element proporțional și modelul
sistemului se obține prin ȋmpărțirea amplitudinii măsurate a semnalului la portul de
ieșire la amplitudinea măsurată a semnalului la portul de intrare.
Se observă că expresia (iii) reprezentând modelul procesului respectă de forma
generală (58).
Deoarece variabila timp nu apare ȋn reprezentarea modelelor semnalelor rezultă că
procesul analizat caracterizează un starea de echilibru a sistemului S . Prin urmare,
modelul sistemului reprezentat prin factorul de proporționalitate nu este un model
dinamic ȋn sens strict.



89
Sisteme liniare cu parametri constanți și semnale periodice de putere
finită, respectiv semnale aperiodice de energie finită
Semnale sinusoidale
Modelul procesului este reprezentat prin produsul de convoluție:

( ) ( )( ) ( ) ( ) ( ) R ∈ τ ∀ τ τ − ⋅ τ = ∗ =

+∞
∞ −
, t , d t u g t u g t y ,
(68.)
ȋn care semnalul de intrare - funcția cunoscută - este ( ) ( ) ϕ + ⋅ ω ⋅ = t sin U t u
1 M
.
M
U -
amplitudinea,
1
ω - pulsația și ϕ - faza inițială ale semnalului sunt constante, ( ) o g este
funcția pondere a sistemului și ( ) t y este semnalul de ieșire. Momentul inițial de la
care se aplică semnalul la portul de intrare este deplasat spre minus infinit.
Definiția 48: Fie un sistem liniar cu parametri constanţi S şi un semnal de intrare
sinusoidal ( ) ( ) ϕ + ⋅ ω ⋅ = t sin U t u
1 M
având amplitudinea
M
U , pulsaţia
1
ω şi faza
iniţială ϕconstante. Dacă semnalul de intrare, ( ) t u se aplică la intrarea sistemului
S începând cu momentul −∞ → t şi dacă semnalul de ieşire ( ) t y este mărginit în
orice moment R ∈ t , atunci semnalul ( ) t y se numeşte răspunsul sinusoidal
staţionar al sistemului liniar S .
Teorema 12: Răspunsul sinusoidal staţionar al sistemului S are următoarele
caracteristici: (1) este o funcție sinusoidală de timp, (2) are aceeaşi pulsaţie
1
ω ca
şi semnalul de intrare, (3) amplitudinea şi defazajul răspunsului sinusoidal
staţionar nu depind de variabila timp și (4) expresia răspunsului sinusoidal
staționar este următoarea:

( ) ( )
( ) ( ) { } ( ) ( ) R ∈ ∀ ω ⋅ + ϕ + ⋅ ω ⋅ ω ⋅ ⋅ =
= ϑ + ⋅ ω ⋅ =
t , j G arg t sin j G U
t sin Y t y
1 1 1 M
1 M
.
(69.)
Ȋn care
M M
Y , U reprezintă amplitudinile semnalelor de intrare respectiv de ieșire, și
( )
1
j G ω ⋅ este valoarea funcției de frecvență pentru corespunzător pulsației semnalului
de intrare,
1
ω = ω .
Demonstrație.
Pentru simplificarea notației se va considera faza inițială a semnalului de intrare
egală cu zero.
Ȋn expresia (60) se introduce expresia analitică a funcției semnalului de intrare și se
obține:
(i)
( ) ( ) ( ) [ ]
( ) ( ) ( ) ( ) ( ) [ ]


∞ +
∞ −
+∞
∞ −
τ τ ⋅ ω ⋅ ⋅ ω − τ ⋅ ω ⋅ ⋅ ω ⋅ τ ⋅ =
τ τ − ⋅ ω ⋅ ⋅ τ =
d sin t cos cos t sin g U
d t sin U g t y
1 1 1 1
1
.
Ȋn continuare se consideră expresia definită pe mulțimea numerelor complexe:




90
(ii)
( )
( ) ( ) [ ] ( ) ( ) ( ) [ ]


∞ +
∞ −
+∞
∞ −
τ ⋅ ω ⋅ − ⋅ ω ⋅
τ τ ⋅ ω ⋅ − τ ⋅ ω ⋅ τ ⋅ ⋅ ω ⋅ + ⋅ ω ⋅ =
τ ⋅ τ ⋅ =
d sin j cos g t sin j t cos U
d e g e U E
1 1 1 1 M
j t j
M
1 1

(iii)
( ) ( ) ( ) ( ) ( ) [ ]
( ) ( ) ( ) ( ) ( ) [ ]


∞ +
∞ −
+∞
∞ −
τ τ ⋅ ω ⋅ ⋅ ω − τ ⋅ ω ⋅ ⋅ ω ⋅ τ ⋅ ⋅ +
τ τ ⋅ ω ⋅ ⋅ ω + τ ⋅ ω ⋅ ⋅ ω ⋅ τ ⋅ =
d sin t cos cos t sin g U j
d sin t sin cos t cos g U E
1 1 1 1 M
1 1 1 1 M

Rezultă că expresia (i) este numeric egală cu partea imaginară a reprezentării
(iii), deci:
(iv)
( ) ( )
)
`
¹
¹
´
¦
τ ⋅ τ ⋅ ⋅ =

+∞
∞ −
τ ⋅ ω ⋅ ⋅ ω ⋅
d e g e Im U t y
1 1
j t j
M
.
Expresia ( ) ( ) { } ( ) ( ) R ∈ ω ∀ ω ⋅ = = τ ⋅ τ

+∞
∞ −
τ ⋅ ω ⋅
, j G t g F d e g
j
reprezintă funcția de frecvență a
sistemului, i.e. transformata Fourier directă a funcției pondere. Prin urmare, factorul
omolog din relația (iv) este valoarea funcției de frecvență corespunzătoare pulsației
1
ω = ω .
(v)
( ) ( ) { } ( )
( ) { }
{ }
( )
( ) ( ) { } [ ]
{ }
( ) ( ) ( ) { } [ ]
1 1 1 M
j G arg t j
1 M
j G arg j
1
t j
M 1
t j
M
j G arg t sin j G U
e j G Im U
e j G e Im U j G e Im U t y
1 1
1 1 1
ω ⋅ + ⋅ ω ⋅ ω ⋅ ⋅ =
⋅ ω ⋅ ⋅ =
⋅ ω ⋅ ⋅ ⋅ = ω ⋅ ⋅ ⋅ =
ω ⋅ + ⋅ ω ⋅
ω ⋅ ⋅ ⋅ ω ⋅ ⋅ ω ⋅
.
Ȋn Figura 28 sunt reprezentate graficele semnalelor de intrare şi de ieşire asociate
filtrului trece-jos din Exemplul 2.
Ȋn fizică şi electrotehnică, se utilizează reprezentarea în complex a semnalelor
sinusoidale. In această reprezentare, celor două semnale sinusoidale li asociază
fazori (numere complexe) după cum urmează:

( ) ( )
( )
{ }
( )
( ) ( )
( )
{ }
( ) γ + ⋅ ω ⋅ γ + ⋅ ω ⋅
ϕ + ⋅ ω ⋅ ϕ + ⋅ ω ⋅
⋅ = ⇔ ⋅ ⋅ = γ + ⋅ ω ⋅ ⋅ =
⋅ = ⇔ ⋅ ⋅ = ϕ + ⋅ ω ⋅ ⋅ =
t j t j
1
t j t j
1
1 1
1 1
e Y Y e Y 2 Im t sin Y 2 t y
e U U e U 2 Im t sin U 2 t u
.
(70.)
Ȋn relaţia (70), fazorii asociaţi semnalelor sinusoidale au fost notaţi cu majuscule şi
subliniere în concordanţă cu convenţia pentru notaţia fazorilor. Pentru cazul în care
pulsaţia mărimilor sinusoidale nu se modifică, în expresia precedentă se omite
termenul t
1
⋅ ω . În acest caz se obţine reprezentarea în complex simplificat a
semnalelor sinusoidale.
Cu ipoteza că valorile efective şi fazele semnalelor de intrare/ieşire ale sistemului
S sunt cunoscute (de exemplu prin măsurători experimentale), după cum rezultă din
relaţia (70) raportul fazorilor semnalelor de ieşire, respectiv de intrare este:



91

( )
( )
( )
8 7 6
ψ
ϕ − γ ⋅
ϕ ⋅ ⋅ ω ⋅
γ ⋅ ⋅ ω ⋅
ϕ + ⋅ ω ⋅
γ + ⋅ ω ⋅
⋅ =
⋅ ⋅ ⋅
⋅ ⋅
=


= =
j
j t j
j t j
t j
t j
e
U
Y
e e U
e e Y
e U
e Y
U
Y
G
1
1
1
1
.
(71.)
G este un număr complex care are modulul şi argumentul constante (independente
de variabila timp). Pe baza celei de-a doua părţi din Definiţia 42, raportul fazorilor nu
se modifică dacă la intrare se aplică o combinaţie liniară de semnale cu aceeaşi
pulsaţie şi fază iniţială. Rezultă că numărul complex G nu depinde de amplitudinea
şi faza iniţială ale semnalului de intrare ci reprezintă o caracteristică a sistemului S .
Prin urmare, răspunsul sinusoidal staţionar al sistemului S se poate scrie în complex
simplificat după cum urmează:
const. = ω ⋅ =
1
U G Y (72.)
Mărimea fizică notată cu G are semnificația impedanței / admitanței echivalente a
sistemului S . Relaţia precedentă este asemănătoare cu expresia răspunsului
sistemului S atunci când semnalul de intrare are o valoare independentă de timp, -
răspunsul staţionar al sistemului reprezentat prin relaţia (72) și este de forma
generală (58).
Observaţii.
1. Dacă semnalele de intrare şi de ieşire ale unui sistem sunt constante, atunci
sistemul se află în regim static. In acest regim, atât semnalele de intrare /i eşire cât şi
energia totală a sistemului sunt invariante în timp. Rezultă că originea timpului poate
fi aleasă arbitrar. Regimul static defineşte starea de echilibru între părţile
componente ale sistemului precum şi între sistem şi mediul cu care acesta
interacţionează. De exemplu, echilibrul forţelor în statică.
2. Dacă semnalele de intrare şi ieşire variază sinusoidal, cum s-a precizat mai sus
sistemul se află în regim staţionar. In regim staţionar, semnalele de intrare / ieşire
variază periodic cu timpul dar energia totală a sistemului este invariantă în timp
(constantă). Originea timpului poate fi aleasă arbitrar iar amplitudinea şi defazajele
semnalelor precum şi energia totală a sistemului nu depind de timp. Regimul
staţionar defineşte starea de echilibru energetic a sistemului în raport cu mediul cu
care acesta interacţionează, în timp ce între componentele sistemului au loc
schimburi de energie.

Figura 38. Graficele semnalelor de intrare şi respectiv de ieşire din Exemplul 2.
3. Un exemplu de sistem aflat în regim staţionar este circuitul rezonant paralel LC
ideal (fără pierderi). In acest caz energia câmpului electric din condensatorul C se
transformă periodic în energie a câmpului magnetic din bobina L şi reciproc.
Curentul prin cele două elemente de circuit, ( ) ( ) t sin I 2 t i
R
⋅ ω ⋅ ⋅ = variază sinusoidal;




92
în cazul ideal, caracterizat prin absenţa pierderilor prin efect Joule-Lenz şi prin
radiaţie, curentul absorbit de la sursa de tensiune este egal cu zero deci, teoretic
circuitul nu schimbă energie cu mediul exterior. Alte exemple: micile oscilalţii ale
pendulului matematic sau ale resortului ideal.
4. Dacă se cunosc, atât expresia semnalului de intrare,
( ) ( ) R ∈ ω ϕ + ⋅ ω ⋅ ⋅ = ; sin t U 2 t u cât şi expresia funcţiei de frecvenţă G atunci expresia
semnalului de ieşire, ( ) t y se poate calcula astfel: (a) se calculează fazorul
semnalului de intrare
ϕ ⋅
⋅ =
j
e U U , (b) se calculează fazorul semnalului de ieşire Y cu
relaţia şi (c) se transformă expresia fazorului în valori instantanee ale semnalului.

{ }
{
}
{ } ( ) ϕ + ⋅
⋅ =
⋅ =
⋅ ⋅ = ⋅ =
ϕ ⋅
G arg j
e U
e G
e U G U G Y
j
G arg

( ) { } ( ) [ ] ϕ + + ⋅ ω ⋅ ⋅ ⋅ = G arg t sin G U 2 t y
1

Exemplul 23: Calculul răspunsului sinusoidal staţionar al unui filtru trece-jos
(continuarea Exemplului 1).
Ecuaţia diferenţială se rezolvă cu metoda variaţiei constantelor după cum urmează.
Se rezolvă ecuaţia omogenă (o ecuaţie diferenţială cu variabile separabile):

( )
( ) 0 t y
t d
t y d
T
f
= + ⋅ ⇒ dt
T
1
y
y d
f
⋅ − = ⇒
∫ ∫
⋅ − = dt
T
1
y
y d
f
.


t
T
1
2 1
f
f
e C y C t
T
1
y ln
⋅ −
⋅ = ⇒ + ⋅ − = .
Soluţia ecuaţiei neomogene se obţine cu metoda variaţiei constantelor şi pe baza
soluţiei ecuaţiei omogene după cum urmează:

( ) ( )
( ) ( )
( )
t
T
1
2
f
t
T
1
2
t
T
1
2
f f f
e t C
T
1
e
dt
t C d
dt
t dy
e t C t y
⋅ − ⋅ − ⋅ −
⋅ ⋅ − ⋅ = ⇒ ⋅ = .
În ecuaţia diferenţială neomogenă se înlocuieşte rezultatul de mai sus şi expresia
semnalului de intrare ( ) ( ) t sin 2 t u
1
⋅ ω ⋅ = . Se obţine:

( )
( ) ( ) ( ) t sin U 2 e t C e t C
T
1
e
dt
t C d
T
1
t
T
1
2
t
T
1
2
f
t
T
1
2
f
f f f
⋅ ω ⋅ ⋅ = ⋅ +
(
(
¸
(

¸

⋅ ⋅ − ⋅ ⋅
⋅ − ⋅ − ⋅ −
.
După reducerea termenilor asemenea, se obţine pentru funcţia ( ) t C
2
ecuaţia
diferenţială:

( )
( ) ( ) ( )
4 4 4 3 4 4 4 2 1
1
f f
I
1
t
T
1
f
2 1
t
T
1
f
2
dt t sin e
T
U 2
t C t sin e
T
U 2
dt
t C d

⋅ ω ⋅ ⋅

= ⇒ ⋅ ω ⋅ ⋅

=
⋅ + ⋅ +
.
Integrala
1
I din expresia precedentă se calculează cu relaţiile lui Euler asftel:



93

( )
3
t j
T
1
1
f
t j
T
1
1
f
t j
T
1
t j
T
1
t j t j t
T
1
1
t
T
1
1
C e
j
T
1
1
e
j
T
1
1
j 2
1
dt e
dt e
j 2
1
dt
j 2
e e
e dt t sin e I
1
f
1
f
1
f
1
f
1 1
f f
+
(
(
(
(
(
¸
(

¸


|
|
¹
|

\
|
ω ⋅ −
− ⋅
|
|
¹
|

\
|
ω ⋅ +


=
(
(
(
(
¸
(

¸



=


⋅ = ⋅ ω ⋅ =

|
|
|
¹
|

\
|
ω ⋅ − ⋅
|
|
|
¹
|

\
|
ω ⋅ + ⋅
|
|
|
¹
|

\
|
ω ⋅ −

|
|
|
¹
|

\
|
ω ⋅ + ⋅ ω ⋅ − ⋅ ω ⋅ ⋅ + ⋅ +

∫ ∫ ∫
;

( )
( ) ( )
( )
( ) ( ) [ ]
3
T
t
1 f 1 1
2
f
2
1
f
3
T
t
t j
f 1
t j
f 1 2
f
2
1
f
3
t j
T
1
1
f
t j
T
1
1
f
2
1 2
f
1
C e t T t
T 1
T
C e e T j 1 e T j 1
T 1
T
j 2
1
C e j
T
1
e j
T
1
T
1
1
j 2
1
I
f
f
1 1
1
f
1
f
+ ⋅ ⋅ ω ⋅ ⋅ ω − ⋅ ω ⋅
⋅ ω +
=
+ ⋅
(
¸
(

¸

⋅ ⋅ ω ⋅ + − ⋅ ⋅ ω ⋅ − ⋅
⋅ ω +


=
+
(
(
(
(
¸
(

¸


|
|
¹
|

\
|
ω ⋅ + − ⋅
|
|
¹
|

\
|
ω ⋅ − ⋅
|
|
¹
|

\
|
ω +


=
⋅ ω ⋅ − ⋅ ω ⋅

|
|
|
¹
|

\
|
ω ⋅ − ⋅
|
|
|
¹
|

\
|
ω ⋅ +
cos sin
.
Rezultă pentru constanta ( ) t C
2
expresia:

( )
( )
( ) ( ) [ ]
4
T
t
1 f 1 1 2
f
2
1
2
C e t T t
T 1
U 2
t C
f
+ ⋅ ⋅ ω ⋅ ⋅ ω − ⋅ ω ⋅
⋅ ω +

= cos sin ,
respectiv soluţia ecuaţiei diferenţiale

( )
( )
( ) ( ) [ ]
f
T
t
4 1 f 1 1 2
f
2
1
e C t T t
T 1
U 2
t y

⋅ + ⋅ ω ⋅ ⋅ ω − ⋅ ω ⋅
⋅ ω +

= cos sin .
Din expresia de mai sus se reţine primul termen, respectiv soluţia de regim
permanent şi cu notaţia ψ = ⋅ ω tg
f 1
T se obţine rezultatul care urmează.

( ) ( ) ( )
(
(
¸
(

¸

⋅ ω ⋅
⋅ ω +
⋅ ω
− ⋅ ω
⋅ ω +

⋅ ω +

= t
T 1
T
t
T 1
1
T 1
U 2
t y
1
2
f
2
1
f 1
1
2
f
2
1
2
f
2
1
P
cos sin ,
în care termenii ( ) ψ =
⋅ ω +
cos
2
f
2
1
T 1
1
şi ( ) ψ =
⋅ ω +
⋅ ω
sin
2
f
2
1
f 1
T 1
T
. În continuare

( ) ( ) ψ − ⋅ ω ⋅
⋅ ω +

= t
T 1
U 2
t y
1
2
f
2
1
P
sin .
Se compară rezultatul obţinut cu expresia şi se obţine, pentru mărimea ( )
1
j G ω ⋅ :




94

( ) ( ) { }
( ) { }
( ) { }
ψ − =
ω ⋅
ω ⋅
= ω ⋅
⋅ ω +
= ω ⋅
1
1
1
2
f
2
1
1
j G Re
j G Im
j G arg ;
T 1
1
j G arctg .
Rezultă următoarea expresie a mărimii ( )
1
j G ω ⋅ .
(i)
( ) ( )
( ) { }
f 1
j G arg j
1 1
T j 1
1
e j G j G
1
⋅ ω ⋅ +
= ⋅ ω ⋅ = ω ⋅
ω ⋅ ⋅
.
Expresia (i) este valabilă pentru orice valoare
+
∈ ω R
1
a pulsaţiei semnalului de
intrare. Prin urmare, expresia defineşte o funcţie care asociază sistemul S şi
semnalele sinusoidale cu amplitudinea, pulsaţia şi faza iniţială constante. Această
dependenţă se numeşte funcţia de frecvenţă a sistemului. In paragraful care
urmează, funcţia de frecvenţă se defineşte în contextul mai general al sistemelor
liniare şi semnalelor periodice cu putere constantă respectiv semnalelor impuls cu
energie constantă.
Semnale periodice cu putere constantă
Modelul procesului este reprezentat prin expresia:

( ) ( ) ( ) ( ) R ∈ τ ∀ τ τ − ⋅ τ =

+∞
∞ −
, t , d t u g t y .
(73.)
Ȋn care funcția cunoscută este un semnal periodic cu putere constantă
( ) [ ]

+

= ⋅
2 T
2 T
2
0
0
0
. const dt t u
T
1

Acest tip de semnale se ȋntâlnesc frecvent ȋn electronică, procesarea semnalelor şi
telecomunicaţii.
Studiul semnalelor periodice de putere constantă se bazează pe descompunerea
semnalului periodic în combinaţii liniare de funcţii trigonometrice sinus şi cosinus,
denumită descompunere în serie Fourier. Acest proces se numește analiza
semnalului periodic.
Descompunerea semnalului ( ) t u ȋn serie Fourier este dată de expresia care
urmează.

( ) ( ) ( ) R N ∈ ∈ ⋅ ω ⋅ + ⋅ ω ⋅ + =
∑ ∑
+∞
=
+∞
=
t n ; t sin U t cos U U t u
0 n
n dn
0 n
n qn 0
, .
(74.)
În care:
0
T este perioada principală a semnalului ( ) t u ,
0
0
T
2 π ⋅
= ω reprezintă pulsaţia
semnalului periodic şi n
0 n
⋅ ω = ω este pulsaţia armonicii de ordin n . Amplitudinea
componentei continue este:

( )

+

⋅ =
2 T
2 T
0
0
0
0
dt t u
T
1
U ,
(75.)
şi coeficienţii dezvoltării în serie Fourier sunt:



95

( ) ( )

+

⋅ ω ⋅ ⋅ =
2 T
2 T
n
0
qn
0
0
dt t cos t u
T
1
U ,
(76.)

( ) ( )

+

⋅ ω ⋅ ⋅ =
2 T
2 T
n
0
dn
0
0
dt t sin t u
T
1
U
(77.)
Amplitudinea componentei de pulsație N ∈ ω n ,
n
este dată de expresia care urmează.

2
dn
2
qn n
U U U + = . (78.)
Funcțiile-semnal ȋn sinus și ȋn cosinus care se obțin prin descompunerea ȋn serie
Fourier a unui semnal periodic se numesc armonice ale acestuia. Mulțimea
armonicelor asociate unui semnal se alcătuiește spectrul de armonice ale acelui
semnal. Studiul transformării semnalului printr-un sistem liniar S se face pentru
fiecare armonică a semnalului așa cum s-a prezentat ȋn paragraful precedent. Forma
semnalului de ieșire se obține prin superpoziția tuturor armonicelor semnalului de
ieșire. Procesul determinării formei unui semnal periodic prin superpoziția
armonicelor sale se numește sinteza semnalului periodic.
Observaţii.
1. Funcţiile trigonometrice sinus şi cosinus sunt un caz particular de funcţii
ortogonale. O altă pereche de funcţii ortogonale sunt ( ) ( ) t sin e t f
t
⋅ =
⋅ −α
şi ( ) ( ) t cos e t g
t
⋅ =
⋅ −α
.
Proprietăți referitoare la funcţiile ortogonale sunt prezentate în lucrarea [10].
2. Expresia (4.24) se utilizează pentru calculul amplitudinilor armonicelor semnalelor
periodice atunci când se cunoaşte expresia analitică a acestora.
Exemplul 24: Dezvoltarea în serie Fourier a unui semnal periodic dreptunghiular.
Fie semnalul periodic reprezentat prin expresia:

( )
[ ]
( )
¹
´
¦


=
T ; 2 T t pentru 0
2 T ; 0 t pentru U
t u ,
(79.)
prelungit prin periodicitate, în care T este perioada principală a semnalului.
Coeficienţii dezvoltării funcţiei ( ) t u în serie Fourier sunt următorii.

Figura 39. Semnalul periodic din Exemplul 3. (a) – reprezentarea în domeniul timpului şi (b) –
densitatea spectrală de amplitudine




96
Pentru componenta continuă:

( )
2
U
t
T
U
dt U
T
1
dt t u
T
1
U
2 T
0
2 T
0
2 T
2 T
0
= ⋅ = ⋅ = ⋅ =
+ + +

∫ ∫
.
Pentru armonicele în cosinus:

( )
( ) 0 n sin
T
U
t n
T
2
sin
T
U
dt t n
T
2
cos
T
U
dt t n
T
2
cos t u
T
1
U
2 T
0
2 T
0
2 T
2 T
qn
= ⋅ π ⋅ = |
¹
|

\
|
⋅ ⋅
π ⋅
⋅ =
|
¹
|

\
|
⋅ ⋅
π ⋅
⋅ = |
¹
|

\
|
⋅ ⋅
π ⋅
⋅ ⋅ =
+
+ +

∫ ∫
.
În genere, coeficienţii componentelor în cosinus ale funcţiilor impare sunt egali cu
zero.
Coeficienţii armonicelor în sinus:

( )
( ) [ ]
( ) [ ] ( ) [ ]
n n
2 T
0
2 T
0
2 T
2 T
dn
1 1
n 2
U
1 1
n 2
U
1 n cos
n 2
U
t n
T
2
cos
n 2
T
T
U
dt t n
T
2
sin
T
U
dt t n
T
2
sin t u
T
1
U
− − ⋅
⋅ π ⋅
= − − ⋅
⋅ π ⋅
− =
− ⋅ π ⋅
⋅ π ⋅
− = |
¹
|

\
|
⋅ ⋅
π ⋅

⋅ π ⋅
⋅ − =
|
¹
|

\
|
⋅ ⋅
π ⋅
⋅ = |
¹
|

\
|
⋅ ⋅
π ⋅
⋅ ⋅ =
+
+ +

∫ ∫
.
Ȋn expresia de mai sus, coeficientul
dn
U este diferit de zero doar pentru
Z ∈ + ⋅ = k 1 k 2 n ; . Rezultă pentru coeficientul
dn
U expresia:

( ) 1 k 2
U
U
dn
+ ⋅ ⋅ π
= .
Dezvoltarea în serie Fourier a semnalului va fi reprezentată după cum urmează.

( )
( )
R N ∈ ∈
+ ⋅
(
¸
(

¸

⋅ + ⋅ ⋅
π ⋅

π

+ =

∞ +
=
t n ;
1 n 2
t 1 n 2
T
2
sin
U 2
2
U
t u
0 n
, .
Amplitudinea componentelor spectrului semnalului se calculează cu relaţiile
următoare:

( ) 1 n 2
1 U
U U
0 U
U U U
dn n
qn
2
dn
2
qn n
+ ⋅

π
= = ⇒
=
+ =


( )
( )
1 k 2
1 k 2
1
T
U 2
1 n 2
T
2
1
T
U 2
U
+ ⋅
+ ⋅
ω


=
+ ⋅ ⋅
π ⋅


= ω
Graficul densităţii spectrale de amplitudine a semnalului ( ) t u cu 1 U = şi ] s [ 02 . 0 T =
este prezentat în Figura 39. Ȋn genere, densitatea spectrală de amplitudine pentru un
semnal periodic este o funcţie discontinuă, definită pe o mulţime numărabilă.



97
Dacă spectrul semnalului este reprezentat numai prin funcţii ȋn cosinus sau numai
prin funcții ȋn sinus, atunci semnalul poate fi reconstruit din amplitudinile spectrului.
Exemplul 25: funcţia densitate spectrală de amplitudine asociată semnalului de
ieşire din filtrul trece-jos prezentat în Exemplul 22 atunci când la intrare se aplică
semnalul periodic analizat ȋn exemplul anterior.
Expresia semnalului de intrare, se poate scrie, conform relației care urmează.

( ) ( )
( )
( )


∞ +
=
+∞
=
∈ ∈
(
¸
(

¸

⋅ + ⋅ ⋅
π ⋅

+ ⋅

π

=
⋅ ω ⋅ =
0 n
0 n
n max , n
t n ; t 1 n 2
T
2
sin
1 n 2
1 U 2
t sin U t u
R N,
.
Expresia funcţiei de transfer a filtrului trece-jos, dedusă pentru frecvenţa
1
ω ,
adevărată pentru orice valoare reală a frecvenţei este

( )
( ) ( ) ( )
( )
( )
f
T arctg j
f
f
f
f f
f
f
e
T
T
T
j
T T
T j
T j
j G
⋅ ⋅ −

⋅ +
=
⋅ +

⋅ −
⋅ +
=
⋅ +
⋅ ⋅ −
=
⋅ ⋅ +
= ⋅
ω
ω
ω
ω
ω ω
ω
ω
ω
2
2 2 2
1
1
1 1
1
1
1
1
1


( )
( )
( ) { } ( )
f
f
T arctg j G arg ;
T
j G ⋅ − = ⋅
⋅ +
= ⋅ ω ω
ω
ω
2
1
1
.
Pentru semnalul de ieşire, din relaţia și prin superpoziția armonicelor, rezultă
următoarea expresie.

( ) ( ) ( ) { } ( )
( ) [ ]
f 1 n 2 1 n 2
0 n
2
f
2
1 n 2
0 n
1 n 2 1 n 2 1 n 2 max , 1 n 2
T arctg t sin
T 1
1
1 n 2
1 U 2
j G arg t sin j G U t y
⋅ ω − ⋅ ω ⋅
⋅ ω +

+ ⋅

π

=
ω ⋅ + ⋅ ω ⋅ ω ⋅ ⋅ =
+ ⋅ + ⋅
∞ +
=
+ ⋅
+∞
=
+ ⋅ + ⋅ + ⋅ + ⋅


.
Ȋn care ( ) 1 n 2
T
2
0
1 n 2
+ ⋅ ⋅
π ⋅
= ω
+ ⋅
este pulsaţia armonicii ( ) t y
1 n 2 + ⋅
iar
0
T este perioada
semnalului periodic de la intrare. Din relaţia de mai sus rezultă că amplitudinea
armonicii de ordin ( ) N ∈ + ⋅ n ; 1 n 2 este dată de expresia:

( )
2
f
2
0
2
f
2
1 n 2
max , 1 n 2
T 1 n 2
T
2
1
1
1 n 2
1 U 2
T 1
1
1 n 2
1 U 2
Y

(
¸
(

¸

+ ⋅ ⋅
π ⋅
+

+ ⋅

π

=
⋅ ω +

+ ⋅

π

=
+ ⋅
+ ⋅
.
Reprezentarea grafică a densităţii spectrale de amplitudine a semnalului de ieşire se
prezintă în Figura 40. Din compararea expresiilor valorilor instantanee ale semnalelor
de intrare şi de ieşire din filtru rezultă că filtrul modifică atât amplitudinea cât şi faza
iniţială a semnalului de intrare. Deci, semnalul de ieşire are atât armonice în sinus
cât şi armonice în cosinus. Din acest motiv, pentru a reconstrui semnalul de ieşire pe
baza spectrului acestuia trebuie cunoscute atât densitatea spectrală de amplitudine
(măsurabilă cu instrumente de măsurare) cât şi fazele iniţiale ale armonicelor
(măsurabilă cu instrumente de măsurare doar pentru semnale sinusoidale).




98

Figura 40. Semnalul de ieşire din Exemplul 4. (a) – reprezentarea în domeniul timpului şi (b) –
densitatea spectrală de amplitudine.
Semnalele periodice utilizate ȋn identificarea sistemelor sunt formate prin
superpoziția unui număr redus (de exemplu două) armonice fie pare fie impare cu
amplitudini și frecvențe cunoscute cu precizie. Procedeul constă ȋn aplicarea
semnalului periodic la portul de intrare al sistemului și analiza semnalului la portul de
ieșire; ȋn genere, spectrul de amplitudine al semnalului de ieșire va fi format din
armonice impare și pare cu frecvențele armonicelor semnalului de intrare. Spectrul
de amplitudine este foarte selectiv ȋn frecvență, de aceea acest tip de semnale se
utilizează pentru evaluarea cu precizie a valorilor frecvențelor de rezonanță ale
sistemului care se examinează.
Semnale aperiodice de energie finită
Modelul procesului este reprezentat prin expresia:

( ) ( ) ( ) ( ) R ∈ τ ∀ τ τ − ⋅ τ =

+∞
∞ −
, t , d t u g t y .
(80.)
Ȋn care funcția cunoscută, ( ) t u este un semnal aperiodic cu energie finită, cu
proprietatea ( ) [ ]

+∞
∞ −
+∞ < dt t u
2
.
Pentru calculul expresiei semnalului de ieșire pe baza modelului dat ȋn expresia (25),
se aplică transformarea Fourier directă după cum urmează.

( ) { } ( ) ( ) ( ) { } ( ) { } t u F t g F d t u g F t y F ⋅ =
)
`
¹
¹
´
¦
τ τ − ⋅ τ =

+∞
∞ −
.
(81.)
Ȋn relația precedentă simbolul { } o F reprezintă transformata Fourier directă a funcției
semnal reprezentată ȋntre acolade, [11], pag. 618.
Prin convenție, ȋn scriere concentrată, transformata Fourier a unei funcții se notează
cu litera majusculă corespunzătoare notației funcției original.
Pe baza definițiilor enunțate și a relației (81), modelul procesului se reprezintă după
cum urmează.
( ) ( ) ( ) ω ⋅ ω ⋅ = ω U j G Y . (82.)



99
Ȋn care, ( ) ( ) ω ω Y , U reprezintă funcțiile densitate de amplitudine ale semnalelor de
intrare respectiv de ieșire și ( ) ω ⋅ j G reprezintă funcția de frecvență a sistemului.
Prin aplicarea transformării Fourier directe, modelul procesului se transformă ȋntr-o
expresie de forma generală (58) ceea ce permite separarea modelului sistemului
respectiv separarea funcției de frecvență:

( )
( )
( ) ω
ω
= ω ⋅
U
Y
j G .
(83.)
Funcția de frecvență a sistemului este numeric egală cu raportul dintre funcțiile
densitate spectrală de amplitudine ale semnalului de ieșire și respectiv semnalului de
intrare.
Ȋn continuare se recapitulează următoarele definiții.
Definiția 49: Transformata Fourier directă a unei funcții semnal se numește funcția
densitate spectrală de amplitudine a acelui semnal.
Definiția 50: Fiind dat un sistem liniar, stabil, cu parametri constanţi S și ( ) t g funcția
pondere a acestui sistem, transformata Fourier directă a funcției pondere se
numește funcția de frecvență a acelui sistem, notată ( ) ω ⋅ j G .
Exemplul 26: Calculul densităţii spectrale de amplitudine a unui puls dreptunghiular.
Fie semnalul impuls dreptunghiular reprezentat în Figura 3.
(i)
( )
[ ]
( ) ( )
¹
´
¦
∞ + + − ∞ ∈
+ − ∈
=
; 2 T 2 T ; - t 0
2 T ; 2 T t U
t u
0 0
0 0
U pentru
pentru
.
Funcţia densitate spectrală de amplitudine este transformata Fourier a funcţiei ( ) t u .

( ) ( )
( ) ( )
2
T
2
T
sin
T U
2
T
sin
U 2
j 2
e e
U 2
j
e e
U
e
j
U
dt e U dt e t u j U
0
0
0
0
2 T j 2 T j 2 T j 2 T j
2 T
2 T
t j
2 T
2 T
t j t j
0 0 0 0
0
0
0
0
⋅ ω
|
¹
|

\
| ⋅ ω
⋅ ⋅ = |
¹
|

\
| ⋅ ω

ω

=



ω

=



ω
=

ω ⋅ −
= ⋅ = ⋅ = ω ⋅
⋅ ω ⋅ − ⋅ ω ⋅ + ⋅ ω ⋅ + ⋅ ω ⋅ −
+

⋅ ω ⋅ −
+

⋅ ω ⋅ −
+∞
∞ −
⋅ ω ⋅ −
∫ ∫
.
Graficul funcţiei densitate spectrală de amplitudine a pulsului este reprezentat în
Figura 6. Spre deosebire de cazul semnalelor periodice de putere constantă la care
funcţia densitate spectrală de amplitudine este o funcţie discontinuă definită pe o
mulţime numărabilă, în cazul semnalelor puls de energie finită, funcţia densitate
spectrală de amplitudine este o funcţie continuă definită mulţimea numerelor reale.
Cu alte cuvinte, pulsurile de energie finită se compun dintr-o infinitate de armonice a
căror pulsaţii aparţin intregii axe reale. Doar valorile pozitive ale pulsaţiei au
semnificaţie fizică – pot fi măsurate experimental.




100

Figura 41. Semnal puls. (a) – reprezentarea în domeniul timpului şi (b) – densitatea spectrală de
amplitudine.
Exemplul 27: Pe baza rezultatelor obţinute anterior, se poate calcula funcţia
densitate spectrală de amplitudine a semnalului impuls definit după cum
urmează.

( )
[ ]
( ) ( )
¦
¹
¦
´
¦
∞ + + − ∞ ∈
+ − ∈
= ∞ →
; 2 T 2 T ; - t 0
2 T ; 2 T t
T
U
lim
t u
0 0
0 0
0
T
0
U pentru
pentru
.
(84.)
Densitatea spectrală de amplitudine se obţine din relaţia care urmează.
( ) ( ) R ∈ ω ∀ =
⋅ ω
|
¹
|

\
| ⋅ ω
⋅ ⋅ = ω ⋅

, U
2
T
2
T
sin
lim U j U
0
0
0 T
0
. (85.)
Amplitudinea semnalului impuls definit prin relaţia (85) tinde spre infinit în timp ce
durata impulsului tinde spre zero; densitatea spectrală de amplitudine a acestuia este
o valoare constantă.
Relaţia precedentă probează faptul că densitatea spectrală de amplitudine a
impulsului cu amplitudine infinită şi durata zero nu depinde de pulsaţie. Altfel spus,
semnalul se compune dintr-o infinitate de armonici cu amplitudini egale.
Definiția 51: Semnalul definit prin expresia:

( )
[ ]
( ) ( )
¦
¹
¦
´
¦
∞ + + − ∞ ∈
+ − ∈
= δ ∞ →
; 2 T 2 T ; - t 0
2 T ; 2 T t
T
1
lim
t
0 0
0 0
0
T
0
U pentru
pentru
.
(86.)
se numeşte impuls Dirac.
Dacă ( ) t δ este impulsul Dirac, atunci, transformata Fourier a impulsului Dirac este
dată de relaţia:

( ) { } ( ) 1 dt e t t F
t j
= ⋅ δ = δ

+∞
∞ −
⋅ ω ⋅ −

.
(87.)



101
Valoarea impulsului Dirac în origine se poate reprezenta prin integrala improprie de
speţa întâi:

{ } ( ) 0 d e 1
2
1
1 F
t j 1 -
δ = ω ⋅
π ⋅
=

+∞
∞ −
⋅ ω ⋅ +

.
(88.)
Impulsul Dirac nu este o funcţie deoarece aplicaţia pe care acesta o definește nu
este bijectivă. Totuşi, deoarece densitatea spectrală de amplitudine a impulsului
Dirac este o funcţie respectiv o funcție constantă, se poate afirma că impulsul Dirac
generalizează noţiunea de funcţie. Acest impuls este un caz particular de funcţie
generalizată sau o funcţională. Funcţionalele se studiază în cadrul teoriei
distribuţiilor. Pentru detalii privind teoria distribuţiilor se recomandă lucrarea [10].
Funcţia de frecvenţă a unui sistem liniar este o funcţie complexă de variabilă
complexă. Totuşi, deoarece variabila complexă are întotdeauna partea reală egală
cu zero funcţia de frecvenţă poate fi reprezentată în plan astfel:
Diagramele Bode: reprezintă dependenţele ( )
dB
j G ω ⋅ şi ( ) { } ω ⋅ j G arg în grade
sexagesimale în funcţie de pulsaţie; axa absciselor este gradată în scară logaritmică.
Diagrama polară (diagrama Nyquist) este o reprezentare în planul complex a valorilor
funcţiei ( ) ω ⋅ j G în coordonate polare; diagrama este gradată după valorile pulsaţiei.

Figura 42. Continuarea Exemplului 1; răspunsul filtrului trece-jos (2), la semnal de intrare puls cu
energie finită, (1).
Funcţia de frecvenţă se utilizează pentru rezolvarea următoarelor tipuri de probleme:
- Probleme de analiză a sistemelor: fiind dată densitatea spectrală de amplitudine şi
funcţia de frecvenţă a sistemului să se calculeze densitatea spectrală de putere a
semnalului de ieşire.
- Probleme de sinteză a regulatoarelor: fiind cunoscute funcţia de frecvenţă a părţii
fixate a unei instalaţii, semnalul de comandă şi răspunsul dorit al sistemului optimizat
să se proiecteze un regulator care să optimizeze procesul.
- Probleme de identificare a sistemelor: fiind date densităţile spectrale ale semnalelor
de intrare respectiv de ieşire din sistem să se determine un estimat al funcţiei de
frecvenţă a sistemului. Alternativele de rezolvare a aceastei probleme se prezintă în
Capitolul 5.
Pentru determinarea expresiei funcției de frecvență pe baza modelului procesului
definit prin relația (83) trebuie cunoscute a priori expresiile analitice ale funcțiilor




102
densitate spectrală de amplitudine asociate semnalelor de intrare / ieșire. Dacă, de
exemplu, semnalul de intrare ar fi un impuls Dirac - a cărui densitate spectrală de
amplitudine este unitară - atunci densitatea spectrală de amplitudine a semnalului de
ieșire ar fi chiar funcția de frecvență a sistemului.
Totuși, determinarea experimentală a funcției de frecvență pe baza acestui principiu
nu se utilizează din următoarele motive (a) impulsul Dirac excită sistemul doar la
momentul inițial, 0 t = ȋn timp ce semnalul de la ieșire trebuie măsurat și ȋnregistrat ȋn
intervalul [ ) ∞ + ∈ ; 0 t ȋn acest interval zgomotul propriu al sistemului și zgomotele pe
liniile de măsurare sunt mereu active ceea ce face ca influența zgomotului asupra
rezultatului să fie foarte mare și (b) puterea necesară producerii impulsului Dirac
tinde spre infinit; ȋn practică se utilizează pulsuri cu amplitudine foarte mare și durata
foarte mică care aproximează impusul Dirac, dar este posibil ca un astfel de semnal
de intrare să afecteze buna funcționare a sistemului examinat.
Metodele utilizate ȋn practică pentru determinarea funcției de frecvență a sistemului
se bazează pe analiza răspunsului sinusoidal staționar al sistemului. Aceste metode
sunt prezentate ȋn Capitolul 5 al lucrării. Se obțin perechi de valori ( ) ( ) ω ⋅ ω j G ; care
pot fi reprezentate grafic, de exemplu sub forma diagramelor Bode. In continuare,
sarcina experimentatorului este de a identifica tipul sistemului prin compararea
diagramelor Bode obținute experimental cu diagramele Bode ale factorilor
fundamentali de sistem. Rezultatul acestui proces este reprezentat de forma analitică
a funcției de frecvență estimată a sistemului. In final, valorile parametrilor funcției de
frecvență estimate se obțin din graficul diagramelor Bode obținute experimental pe
baza proprietăților funcției de frecvență estimate.
Funcțiile de frecvență asociate acestori factori precum și proprietăți ale acestora,
care permit determinarea parametrilor modelului sunt prezentate ȋn Tabelul care
urmează.
Tabelul 16. Funcțiile de frecvență ale unor factori fundamentali de sistem
Denumire
Ecuația diferențială a
procesului
Funcția de frecvență
Elementul proporțional ( ) ( ) t u k t y
a
⋅ =

( )
a
k j G = ω ⋅

Elementul derivator ( )
( )
dt
t u d
T t y
d
⋅ =

( ) ω ⋅ ⋅ = ω ⋅
d
T j j G

Elementul integrator
( )
( ) t u
dt
t y d
T
i
= ⋅

( )
ω ⋅ ⋅
= ω ⋅
i
T j
1
j G

Elementul proporțional
cu ȋntârziere de ordinul
unu
( )
( ) ( ) t u k t y
dt
t y d
T
a f
⋅ = + ⋅

( )
ω ⋅ ⋅ +
= ω ⋅
f
a
T j 1
k
j G

Elementul proporțional
cu ȋntârziere de ordinul
doi
( ) ( )
( ) ( ) t u k t y
t d
t y d
2
t d
t y d
2
n a
2
n
2
2
⋅ ω ⋅ = ⋅ ω +
+ ⋅ ζ ⋅ +

( )
ω
ω
⋅ ζ ⋅ ⋅ +
ω
ω

= ω ⋅
2 j 1
k
j G
2
n
2
a

4.1.3 Sisteme liniare cu parametri constanți și semnale cauzale de tip
continuu
Modelul procesului este reprezentat prin produsul de convoluție, [11], pag. 240:



103

( ) ( ) ( ) ( ) R ∈ τ ∀ τ τ − ⋅ τ =

+∞
, t , d t u g t y
0
.
(89.)
Ȋn care, semnalul de intrare este un semnal cauzal reprezentat prin funcția-semnal
O u , : u ∈ → R R care ȋndeplinește următoarele condiții.
1. ( ) ( ) ( ) 0 ; t 0 t u ∞ − ∈ ∀ = ;
2. este derivabilă pe porțiuni;
3. ( ) 0 s , 0 M
0
≥ > ∃ astfel ȋncât ( ) ( ) [ ) ∞ + ∈ ∀ ⋅ ≤

; 0 t e M t u
t s
0
;
In genere, funcțiile care ȋndeplinesc condițiile enunțate se numesc funcții original.
Mulțimea O se numește mulțimea funcțiilor original, [11], pag 625.
Deoarece funcția-semnal de intrare este discontinuă ȋn puncte ale domeniului de
definiție, aceasta nu este derivabilă ȋn aceste puncte. Prin urmare, ecuația
diferențială (59) nu poate fi rezolvată ȋn cadrul analizei matematice clasice;
rezolvarea problemei enunțate se face ȋn cadrul mai general al teoriei distribuțiilor.
In legătură cu funcțiile original se definește transformarea Laplace, ale cărei definiție
și proprietăți sunt prezentate ȋn [9].
Dacă se aplică transformarea Laplace ȋn relația (60), ținând cont de proprietățile
acesteia - respectiv teorema lui Borel, rezultă:

( ) { } ( ) ( ) ( ) { } ( ) { } t u F t g d t u g t y
0
⋅ =
)
`
¹
¹
´
¦
τ τ − ⋅ τ =

+∞
L L L .
(90.)
Prin convenție, ȋn scriere concentrată, transformata Laplace a unei funcții se notează
cu litera majusculă corespunzătoare notației funcției original.
Din relația (90) rezultă că modelul procesului se reprezintă după cum urmează.
( ) ( ) ( ) s U s G s Y ⋅ = . (91.)
Ȋn care, ( ) ( ) s Y , s U reprezintă imaginile/transformatele Laplace ale semnalelor de
intrare respectiv de ieșire și ( ) s G reprezintă funcția de transfer a sistemului.
Forma modelului procesului rezultată prin aplicarea transformării Laplace respectă
forma generală din relația (58) ceea ce permite separarea modelului sistemului:

( )
( )
( ) s U
s Y
s G = .
(92.)
Procesele ȋn care intervin semnale cauzale definesc tranziții ale sistemelor de la o
stare stabilă spre o altă stare. Ȋn acest caz, energia sau puterea semnalelor depind
de variabila timpul absolut. Datorită acestui fapt, alegerea originii timpului nu este
arbitrară; aceasta trebuie să coincidă cu momentul iniţial al tranziţiei. Evenimentele
dinaintea momentului inițial al tranziţiei sunt indiferente. Efectul acestora se
regăseşte în condiţiile iniţiale în care are loc tranziţia.
Regimul de operare al unui sistem în care atât variabilele cât şi energia sau puterea
acestuia depind de variabila timpul absolut se numeşte regim dinamic.




104
Definiția 52: Sistem cauzal. Un sistem liniar, S este cauzal dacă valoarea
semnalului de ieşire la un moment oarecare de timp depinde numai de valorile
anterioare ale semnalului de intrare în caz contrar, sistemul se numeşte
anticauzal.
Definiția 53: Sistem realizabil. Fie un sistem liniar S şi un semnal cauzal aplicat la
intrarea acestui sistem. Sistemul S se numeşte sistem realizabil dacă semnalul
de ieşire este cauzal.
( ) ( ) 0 t ; 0 t g < ∀ = (93.)
Variaţia în timp a răspunsului sistemelor în regim dinamic evidenţiază o proprietate
importantă a acestora şi anume stabilitatea sistemelor.
Stabilitatea sistemelor liniare se defineşte raportat la diverse criterii de stabilitate. Un
criteriu de stabilitate este stabilitatea BIBO – Bounded-Input Bounded-Output (eng.)
dat în următoarea definiţie.
Definiția 54: Un sistem liniar S este BIBO-stabil dacă semnalul de intrare este
mărginit atunci şi semnalul de ieşire este mărginit. Respectiv:

( ) ( ) ( ) ( ) ( ) R ∈ ∞ + ∈ ∀ +∞ < ≤ ⇒ +∞ < ≤ ∀
1 1 2 1
A A 0 t A t y A t u ; ; ; .
(94.)
O proprietate a sistemelor liniare cu parametri constanți este prezentată ȋn
continuare.
Teorema 13: Fie un sistem liniar cu parametri constanți
S
M și fie ( ) o g funcția pondere
a acestui sistem. Dacă funcția pondere a sistemului este absolut integrabilă,

( ) +∞ <

+∞
∞ −
dt t g .
(95.)
atunci, semnalul la portul de ieșire al sistemului este mărginit și sistemul este stabil
[12], pag.176.
Demonstrație
Din relația (1.43) rezultă:
(i)
( ) ( ) ( ) ( ) ( ) ( ) R ∈ τ ∀ τ τ − ⋅ τ ≤ τ τ − ⋅ τ =
∫ ∫
+∞
∞ −
+∞
∞ −
, t , d t u g d t u g t y .
Dacă semnalul de intrare este mărginit atunci există o constantă pozitivă, M astfel
ȋncât:
(ii)
( ) ( ) R ∈ ∀ ≤ t , M t u .
Din relațiile (i) și (ii) rezultă că:
(iii)
( ) ( ) ( ) ( ) ( ) R ∈ τ ∀ τ τ ⋅ ≤ τ τ − ⋅ τ ≤
∫ ∫
+∞
∞ −
+∞
∞ −
, t , d g M d t u g t y .
Deci:



105

( ) +∞ <

+∞
∞ −
dt t g ⇒ ( ) ( ) ( ) R ∈ τ ∀ +∞ < τ τ ⋅ ≤

+∞
∞ −
, t , d g M t y .
Problema estimării stabilităţii sistemelor pe baza modelelor sistemelor şi a criteriilor
de stabilitate este abordată în detaliu în cadrul Teoriei sistemelor. In Identificarea
sistemelor pornește de la ipoteza că sistemul ai cărui parametri se determină este
stabil.
Metoda de identificare a sistemelor, care utilizează ca semnal de intrare semnale
cauzale este metoda analizei răspunsului tranzitoriu. Semnalul de intrare utilizat
poate fi (a) impulsul Dirac - aproximat prin pulsuri de energie finită sau (b) semnalul
treaptă unitară.
Ȋn cazul ȋn care se utilizează ca semnal de intrare impulsul Dirac metoda are la bază
proprietatea că imaginea Laplace a impulsului Dirac este egală cu unitatea,
( ) ( ) { } 1 t L s U = δ = și deci imaginea Laplace a răspunsului sistemului este egală cu
funcția de transfer a sistemului, ( ) ( ) { } ( ) s U t g L s Y = = .
Ȋn cazul ȋn care se utilizează semnalul treaptă unitară ca semnal de test, metoda se
bazează pe proprietatea că derivata răspunsului indicial este egală cu funcția
pondere a sistemului.
Ȋn aplicațiile practice se utilizează pulsuri cu durata foarte mică și amplitudine foarte
mare care aproximează impulsul Dirac. Pulsurile se aplică ȋn mod repetat la portul de
intrare al sistemului pentru a asigura condiția de excitare permanentă a sistemului. In
aplicațiile ȋn care se utilizează semnale treaptă, experimentul se repetă de un număr
de ori și apoi se calculează funcția răspunsul indicial mediu ceea ce permite
reducerea efectului zgomotelor.
Ȋn ambele variante parametrii funcției de transfer se determină pe graficul
răspunsului tranzitoriu al sistemului determinat experimental, prin metode grafo-
analitice. Ȋn prealabil, sistemul trebuie ȋncadrat ȋntr-una din clasele de factori
fundamentali de sistem pe baza aspectului graficului răspunsului tranzitoriu
determinat experimental.
Diferite proceduri de calcul ale parametrilor funcției de transfer sunt prezentate ȋn
Capitolul 5 al lucrării.
Tabelul 17. Funcțiile pondere și funcțiile indiciale ale elementelor fundamentale de sistem.
Denumire Funcția pondere Funcția indicială

Elementul proporțional

( ) ( ) t k t g
a
δ ⋅ =

( ) ( ) t k t g
a 1
χ ⋅ =


Elementul derivator


nu există ( ) ( ) t T t g
d 1
δ ⋅ =


Elementul integrator


( ) ( ) t
T
1
t g
i
χ ⋅ =

( ) 0 t t k t g
a 1
≥ ⋅ = ;

Elementul proporțional cu
ȋntârziere de ordinul unu
( ) 0 t e
T
k
t g
f
T
t
f
a
≥ ⋅ =

;

( ) 0 t e 1 k t g
f
T
t
a 1

|
|
¹
|

\
|
− ⋅ =

;





106
Elementul proporțional cu
ȋntârziere de ordinul doi
( )
( ) [ ]
0 t
t 1
e
1
k t g
2
n
t
2
n
a
n

⋅ ζ − ⋅ ω ×
× ⋅
ζ −
ω
⋅ =
ω ⋅ ζ −
; sin

( ) [
( ) [ ]
0 t
1
t 1
1
e
1 k t g
2
2
n
2
t
a
n

ζ
ζ −
= ϕ
ϕ + ⋅ ζ − ⋅ ω ×
×
ζ −
− ⋅ =
ω ⋅ ζ −
; arctg
; sin

Tabelul 18. Funcțiile de transfer ale elementelor fundamentale de sistem.
Denumire Funcția de transfer
Elementul proporțional ( )
a
k s G =

Elementul derivator ( ) C ∈ ω ⋅ + σ = ⋅ = j s s T s G
d
;

Elementul integrator
( ) ;
s T
1
s G
i

=

Elementul proporțional cu ȋntârziere
de ordinul unu
( )
1 s T
k
s G
f
a
+ ⋅
=

Elementul proporțional cu ȋntârziere
de ordinul doi
( )
2
n n
2
2
n a
s 2 s
k
s G
ω + ω ⋅ ζ ⋅ +
ω ⋅
=


Exemplul 28: Funcţia de transfer a filtrului trece-jos.
Ȋn relaţia (1.6) se aplică transformarea Laplace.

( )
( ) ( ) { }
( )
( ) { } ( ) { } t u t y
t d
t y d
T t u t y
t d
t y d
T
f f
L LL L L LL L L LL L L LL L L LL L = +
)
`
¹
¹
´
¦
⋅ =
)
`
¹
¹
´
¦
+ ⋅ ; ⇒

( ) ( ) ( ) ( ) ( ) ( ) s U s Y 1 s T ; s U s Y s Y s T
f f
= ⋅ + ⋅ ⇒ = + ⋅ ⋅ ⇒

( )
( )
( ) 1 s T
1
s U
s Y
s G
f
+ ⋅
= = .
Exemplul 29: Calculul răspunsului filtrului trece-jos la semnal de intrare treaptă
unitară.
Transformata Laplace a semnalului treaptă unitară este ( ) { }
s
1
t = χ L LL L . Din relaţia
(1.51) rezultă pentru transformata Laplace a semnalului de ieşire expresia
următoare.

( ) ( ) ( )
s
1
1 s T
1
s U s G s Y
f

+ ⋅
= ⋅ = .
Expresia semnalului de ieşire, ( ) t y se calculează cu formula de inversiune.

( ) ( ) ( )
∫ ∫
Γ
⋅ +
∞ ⋅ + σ
∞ ⋅ − σ
⋅ +
⋅ ⋅
⋅ π ⋅
= ⋅ ⋅
⋅ π ⋅
= ds e s Y
i 2
1
ds e s Y
i 2
1
t y
t s
j
j
t s
.



107
Ȋn care curba închisă ( ) Γ este un semicerc în planul complex cu raza ∞ → R şi
diametru dreapta σ = s care conţine polii funcţiei ( ) s Y . Ȋn relaţia de mai sus se aplică
teorema reziduurilor şi se obţine.

( ) ( )
∑ ∑
=
⋅ +
=
⋅ +
|
|
¹
|

\
|
+ ⋅

= ⋅ =
2
1 i
f
t s
f
i
2
1 i
t s
i
T
1
s s
e T 1
s Re e s Y s Re t y .
Funcţia ( )
t s
e s Y

⋅ are doi poli simpli, respectiv 0 s
1
= şi
f
2
T
1
s − = şi deci reziduurile
funcţiei se pot calcula cu formula
( )
( )
( )
( ) a A
a B
s A
s B
s Re
'
a s
=
=
:

( )
t
T
1
T
1
s
f
t s
f
0 s
f
t s
f f
f
e 1
T
1
s 2
e T 1
T
1
s 2
e T 1
t y
⋅ −
− =
⋅ +
=
⋅ +
− =
+ ⋅

+
+ ⋅

= .
Din relaţia obţinută rezultă că ( ) 1 e 1 t y
t
T
1
t t
f
=
|
|
|
¹
|

\
|
− =
⋅ −
∞ → ∞ →
lim lim deci filtrul trece-jos este un
sistem stabil.
Sisteme liniare cu parametri constanți și semnale aleatoare
staționare sau cvasistaționare de tip continuu
Semnalele aleatoare nu pot fi reprezentate analitic și prin urmare ecuația diferențială
ȋn care semnalul de intrare, ( ) t u este un proces aleator de tip continuu nu poate fi
rezolvată. Totuși, funcțiile de corelație asociate acestor semnale sunt funcții analitice
care depind de o singură variabilă de timp. Acest aspect permite evaluarea
procesului transformării unui semnal aleator aplicat la portul de intrare al unui sistem
liniar pe ansamblul valorilor eșantioanelor semnalelor aleatoare de intrare / ieșire.
Modelul procesului se reprezintă prin integrala dublă:

( ) ( ) ( ) ( )
( )
( ) ( ) R R R × = ∈ τ ∀ ζ ξ ξ − ζ + τ ⋅ ζ ⋅ ξ = τ
∫∫
D ; , d d r g g r
D
uu yy

(96.)
Ȋn care, ( ) o
uu
r este funcția de autocorelație a semnalului aleator la portul de intrare al
sistemului, ( ) o
yy
r este funcția de autocorelație a procesului aleator la portul de ieșire și
( ) o g este funcția pondere a sistemului.
Funcția de autocorelație a procesului aleator staționar, ( ) τ u se calculează prin
mediere statistică cu expresia:




108

( ) ( ) { }
( )
( )
( ) ( ) R R R × = ∈ ∀ ⋅ ⋅ =
= = = τ
∫∫
D ; t , t du du u ; u p u u
u ; u E t ; t r r
2 1
D
2 1 2 1 2 1
2 1 2 1 uu uu

(97.)
Ȋn care ( ) 2 , 1 k ; t u u
k k
= = sunt valori ale eșantioanelor procesului aleator prelevate la
momentele 2 , 1 k ; t
k
= . ( )
2 1
u ; u p reprezintă funcția densitate de probabilitate
condiționată a variabilelor aleatoare asociate eșantioanelor semnalului aleator și
1 2
t t − = τ este diferență de timp la care se face prelevarea eșantioanelor.
Funcția de autocorelație a semnalului de ieșire se reprezintă printr-o relație
asemănătoare cu relația (97) după cum urmează.

( ) ( ) { }
2 1 2 1 yy yy
y ; y E t ; t r r = = τ
(98.)
Deoarece sistemul este stabil și procesul aleator la intrare este staționar atunci
răspunsul sistemului la un moment oarecare 2 , 1 k ; t
k
= poate fi reprezentat printr-un
produs de convoluție de forma (60), [12], pag.181,expresia 9-30. Prin urmare, funcția
de autocorelație a semnalului de ieșire se poate scrie astfel:
(ii)
( ) ( ) ( ) ( )
( )
¦
)
¦
`
¹
¦
¹
¦
´
¦
ζ ξ ⋅ ζ ⋅ ξ = = τ
∫∫ ζ − ξ −
D
t t
2 1 yy yy
d d u ; u g g E t ; t r r
2 1


Se schimbă ordinea de mediere cu ordinea de integrare și se obține:
(iii)
( ) ( ) ( ) ( ) { }
( )
( )
∫∫
ζ ξ ⋅ ζ ⋅ ξ = = τ
ζ − ξ − =
ζ − ξ −
D
t ; t r
t t
2 1 yy yy
d d u ; u E g g t ; t r r
2 1 yy
2 1
4 43 4 42 1


Se ține cont că
1 2
t t − = τ și relația (iii) se rescrie după cum urmează.
(iv)
( ) ( ) ( ) ( )
( )
( ) R R× = ζ ξ ζ − ξ + τ ⋅ ζ ⋅ ξ = τ
∫∫
D , d d r g g r
D
uu yy


ceea ce justifică modelul prezentat ȋn relația (96).
Pe baza relației de mai sus rezultă că dacă sistemul liniar este stabil și dacă
semnalul la portul de intrare al acestuia este un proces aleator staționar atunci și
semnalul la portul de ieșire al sistemului este un proces aleator staționar.
Funcțiile de autocorelație ale semnalelor aleatoare staționare sunt funcții
deterministe de o singură variabilă timp ceea ce permite reprezentarea analitică a
procesului chiar dacă semnalele la porturile sistemului sunt semnale aleatoare.
Dacă funcțiile de autocorelație ale semnalelor aleatoare de intrare / ieșire au
transformată Fourier, fie aceste transformate:

( ) ( ) ( ) { } ( )
( ) ( ) ( ) { } ( )


∞ +
∞ −
τ ⋅ ω ⋅ −
+∞
∞ −
τ ⋅ ω ⋅ −
τ ⋅ τ = τ = ω = ω
τ ⋅ τ = τ = ω = ω
d e r r F R S
d e r r F R S
j
yy yy yy y
j
uu uu uu u

(99.)



109
Funcțiile ( ) ω
u
S și ( ) ω
y
S se numesc funcțiile densitate spectrală de putere ale
proceselor aleatore la porturile de intrare / ieșire.
Se aplică transformarea Fourier și se obține după cum urmează.
(i)
( ) { } ( ) ( ) ( )
( )
¦
)
¦
`
¹
¦
¹
¦
´
¦
ζ ξ ξ − ζ + τ ⋅ ζ ⋅ ξ = τ
∫∫
D
uu yy
d d r g g F r F

(ii)
( ) ( ) { } ( ) ( ) ( )
( )
∫ ∫∫
+∞
∞ −
τ ⋅ ω ⋅ −
τ ⋅
(
(
¸
(

¸

ζ ξ ξ − ζ + τ ⋅ ζ ⋅ ξ = τ = ω d e d d r g g r F S
j
D
uu yy y


Ȋn relația precedentă se notează ξ − ζ + τ = ϑ ⇒ ξ + ζ − ϑ = τ și se obține:
(iii)

( ) ( ) ( ) ( )
( )
( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ω ⋅ ω ⋅ = ω ⋅ ω ⋅ ⋅ ω ⋅ =
ϑ ⋅ ϑ ζ ⋅ ζ ⋅ ξ ⋅ ξ =
= ϑ ⋅
(
(
¸
(

¸

ζ ξ ϑ ⋅ ζ ⋅ ξ = ω

∞ +
∞ −
∞ +
∞ −
ϑ ⋅ ω ⋅ −
∞ +
∞ −
ζ ⋅ ω ⋅ + ξ ⋅ ω ⋅ −
+∞
∞ −
ξ + ζ − ϑ ⋅ ω ⋅ −
∫ ∫ ∫
∫ ∫∫
u
2
u
j
uu
j j
j
D
uu y
S j G S j G j G
d e r d e g d e g
d e d d r g g S


Prin urmare, modelul procesului se reprezintă sub forma:

( ) ( ) ( ) ( )
( ) ( ) ω ⋅ ω ⋅ =
= ω ⋅ ω ⋅ ⋅ ω ⋅ = ω

u
2
u y
S j G
S j G j G S

(100.)
Ȋn care, ( ) ω
u
S și ( ) ω
y
S sunt funcțiile densitate spectrală de putere a proceselor
aleatoare la porturile de intrare respectiv de ieșire și ( ) ω ⋅ j G este modulul funcției de
frecvență ale sistemului [12], pag.183.
Reprezentarea a modelului procesului respectă forma generală și permite separarea
netă a modelului sistemului și respectiv modelelor semnalelor.
( )
( )
( ) ω
ω
= ω ⋅
u
y 2
S
S
j G (101.)
Pentru identificarea sistemelor sunt de interes semnale a căror densitate spectrală
de putere este constantă pe tot spectrul. Din acest punct de vedere, ideal este
zgomotul alb pur. Ȋn acest caz, densitatea spectrală de putere a procesului aleator de
ieșire este egală cu pătratul funcției de frecvență a sistemului.
Deoarece acest tip de semnal nu poate fi generat, ȋn aplicații se utilizează zgomotul
alb cu bandă limitată astfel ales ȋncât să aproximeze zgomotul alb pur ȋn banda de
frecvențe de interes pentru experiment.
Metoda de identificare a sistemelor care are la bază funcțiile densitate spectrală de
putere se numește metoda analizei spectrale. Această metodă se coroborează cu
metoda analizei de corelație. Cele două metode de identificare a sistemelor sunt
prezentate ȋn Capitolul 5.
Dacă se cunosc funcțiile densitate spectrală de putere ale proceselor aleatoare de
intrare / ieșire se poate calcula expresia modulului funcției de frecvență a sistemului;
lipsește informația despre expresia argumentului funcției de frecvență. Prin urmare




110
modelul care se obține prin aplicarea metodelor de identificare de identificare bazate
pe analiza spectrelor de putere ale proceselor aleatoare de intrare / ieșire
corespunde la două sau mai multe sisteme i.e. nu este unic determinat. Acest aspect
este evidențiat ȋn exemplul care urmează.
Exemplul 30: Comparație ȋntre două filtre electrice pasive trece-jos.
Ȋn Figura 43 sunt reprezentate două circuite electrice pasive (nu conțin surse de
tensiune electromotoare). Semnalele la porturile de intrare / ieșire ale celor două filtre
( ) t u și respectiv ( ) t y .

Figura 43. Circuite electrice pasive; funcțiile de frecvență asociate celor două sisteme au același
modul.
Modelele celor două procese se obțin prin aplicarea teoremei a doua a lui Kirchoff ȋn
lungul ochiului de rețea reprezentat ȋn figură. Calculele sunt rezumate ȋn tabelul care
urmează.

Circuitul (A) Circuitul (B)
(i) Modelul procesului:

( ) ( ) ( )
( ) ( ) ( )
( )
dt
t y d
C t i d i
C
1
t y
t u d i
C
1
t i R
t
t
⋅ = ⇒ τ τ ⋅ =
= τ τ ⋅ + ⋅


∞ −
∞ −

( )
( ) ( )
( ) ( ) ( ) ( ) t y
R
1
t i t i R t y
t u t i R
dt
t i d
L
⋅ = ⇒ ⋅ =
= ⋅ + ⋅


( )
( ) ( ) t u t y
dt
t y d
C R = + ⋅ ⋅
( )
( ) ( ) t u t y
dt
t y d
R
L
= + ⋅
(ii) Funcția de frecvență:

( )
( ) ( ) { }
( ) ( ) ( ) ω = ω + ω ⋅ ω ⋅ ⋅ ⋅
=
)
`
¹
¹
´
¦
+ ⋅ ⋅
U Y Y j C R
t u F t y
dt
t y d
C R F

( )
( ) ( ) { }
( ) ( ) ( ) ω = ω + ω ⋅ ω ⋅ ⋅
=
)
`
¹
¹
´
¦
+ ⋅
U Y Y j
R
L
t u F t y
dt
t y d
R
L
F


( ) ( ) ( )
( )
( )
( ) ω ⋅ ⋅ ⋅ +
=
ω
ω
= ω ⋅
ω = ω ⋅ + ω ⋅ ⋅ ⋅
C R j 1
1
U
Y
j G
U Y 1 j C R
C

( ) ( )
( )
( )
( )
ω ⋅ ⋅ +
=
ω
ω
= ω
ω = ω ⋅
|
¹
|

\
|
+ ω ⋅ ⋅
R
L
j 1
1
U
Y
G
U Y 1 j
R
L
L


Dacă
f
T
R
L
C R = = ⋅ ⇒ ( ) ( ) ( )
ω ⋅ ⋅ +
= ω ⋅ = ω ⋅ = ω ⋅
f
L C
T j 1
1
j G j G j G



111

( )
2 2
f
2
f
2
T 1
1
T j 1
1
j G
ω ⋅ +
=
ω ⋅ ⋅ +
= ω ⋅
(iii) Funcția densitate spectrală de putere:

( ) ( ) ( ) ( ) ω ⋅
ω ⋅ +
= ω ⋅ ω ⋅ = ω
u 2 2
f
u
2
y
S
T 1
1
S j G S
Rezultatele fiind adevărate și pentru cazul ȋn care semnalele la porturile sistemelor
sunt procese aleatoare staționare, rezultă că funcțiile densitate spectrală de putere
ale proceselor aleatoare la porturile de ieșire sunt aceleași pentru ambele sisteme
dacă la porturile de intrare se aplică semnale care au aceeași densitate spectrală de
putere.
Ȋn relația precedentă ȋn care intervin funcții densitate spectrală de putere ale unor
procese aleatoare:

( ) ( ) ( ) ( ) ( ) ( )
( )
4 4 3 4 4 2 1
ω =

ω ⋅ ω ⋅ ⋅ ω ⋅ = ω ⋅ ω ⋅ = ω
uy
S
u u
2
y
S j G j G S j G S
(102.)
Factorul subliniat are forma relației generale ȋn care intervin funcții densitate
spectrală de amplitudine ale unor semnale deterministe de putere / energie
constante. Factorii care apar, respectiv funcția de frecvență a sistemului și funcția
densitate spectrală de putere a procesului aleator la portul de intrare sunt funcții
analitice, prin urmare se poate formula definiția care urmează.
Definiția 55: funcția densitate spectrală de putere mutuală ȋntre două procese
aleatoare. Se numește funcție densitate spectrală de putere mutuală ȋntre două
procese aleatoare staționare, ( ) { } t u și ( ) { } t y la porturile de intrare / ieșire ale unui
sistem liniar cu parametri constanți, stabil definit prin funcția de frecvență ( ) ω ⋅ j G
funcția:

( ) ( ) ( ) ω ⋅ ω ⋅ = ω
u uy
S j G S
(103.)
Ȋn care ( ) ω
u
S este funcția densitate spectrală de putere a procesului aleator ( ) { } t u .
Dacă funcția densitate spectrală de putere are transformată Fourier inversă,
respectiv dacă integrala:

( ) ( ) { } ( )
( ) ( )


∞ +
∞ −
τ ⋅ ω ⋅ +
+∞
∞ −
τ ⋅ ω ⋅ + −
ω ⋅ ω ⋅ ω ⋅ ⋅
π ⋅
=
= ω ⋅ ω ⋅
π ⋅
= ω = τ
d e S j G
2
1
d e S
2
1
S F r
j
u
j
uy yu
1
uy

(104.)
este convergentă, atunci funcția ( ) τ
uy
r există și se numește funcție de intercorelație
ȋntre procesele aleatoare ( ) { } t y și ( ) { } t u .
Pe baza proprietăților transformării Fourier directe, funcția de intercorelație ȋntre
procesele aleatoare de intrare / ieșire se poate exprima prin produsul de convoluție
dintre funcția pondere a sistemului și funcția de autocorelație a procesului aleator de
intrare, respectiv:




112

( ) ( )( ) ( ) ( )

τ
θ θ − τ ⋅ θ = τ ∗ = τ
0
uu uu uy
d r g r g r
(105.)
Dacă procesul aleator la portul de intrare al sistemului este un zgomot alb pur,
( ) { } ( ) { } t e t u = atunci funcția de autocorelație are aspectul unui impuls Dirac,
( ) ( ) τ δ = τ
ee
r . Rezultă, că valorile funcției de intercorelație ȋn orice punct pe axa reală
sunt egale cu valorile funcției pondere a sistemului, ( ) ( ) ( ) R ∈ τ ∀ τ = τ , g r
ey
.
Această proprietate se află la baza metodei de identificare a sistemelor numită
metoda analizei de corelație, prezentată ȋn Capitolul 5.
Funcțiile de intercorelație și respectiv densitate spectrală de putere mutuală permit
evaluarea următoarei probleme: fiind date două procese aleatoare ( ) { } t x și ( ) { } t y ; ȋn
ce măsură aceste procese reprezintă o pereche de procese aleatoare intrare / ieșire
dintr-un sistem.
Se definesc funcțiile de coerență ȋn domeniul timpului,

( )
( )
( ) ( ) τ ⋅ τ
τ
= τ γ
yy uu
uy
r r
r

(106.)
și respectiv ȋn domeniul frecvențelor,

( )
( )
( ) ( ) ω ⋅ ω
ω
= ω γ
y u
uy
S S
S

(107.)
Dacă valorile funcțiilor sunt egale cu unitatea pentru toate valorile variabilei atunci
cele două procese aleatoare reprezintă o pereche de procese aleatoare intrare /
ieșire aparținând unui proces cu probabilitate unu.
Exemplul 31: Efectul zgomotului necorelat cu semnalul de intrare asupra valorilor
funcției de coerență [LTH, Final Exam, March 10, 2010, problema 4 pct.b].
Se propune spre identificare un sistem prin observarea semnalelor de intrare / ieșire
( ) t u respectiv ( ) t y . Valorile rezultate din măsurători sunt afectate de zgomotul aditiv
( ) t n și deci relația ȋntre funcțiile densitate spectrală de putere este:
(i)
( ) ( ) ( ) ( ) ω + ω ⋅ ω ⋅ = ω
n u
2
y
S S j G S
Ȋn care ( ) ω ⋅ j G este funcția de transfer a sistemului (funcția necunoscută),
( ) ( ) ( ) ω ω ω
n u y
S , S , S sunt funcțiile densitate spectrală de putere ale semnalelor la
porturile sistemului (funcții cunoscute pe baza observațiilor).
Ȋn expresia funcției de coerență:
(ii)
( )
( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( ) ω ⋅ ω
ω ⋅ ω ⋅
=
ω ⋅ ω
ω ⋅ ω ⋅
=
ω ⋅ ω
ω
= ω γ
y u
2
u
2
y u
2
u
y u
2
uy
2
S S
S j G
S S
S j G
S S
S

se ȋnlocuiește expresia funcției densitate spectrală de putere a procesului aleator de
ieșire și rezultă:



113
(iii) ( )
( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( ) ( ) ( ) [ ] ω + ω ⋅ ω ⋅ ⋅ ω
ω ⋅ ω ⋅
=
ω ⋅ ω
ω ⋅ ω ⋅
=
ω ⋅ ω
ω
= ω γ
n u
2
u
2
u
2
y u
2
u
y u
2
uy
2
S S j G S
S j G
S S
S j G
S S
S
.
Ȋn relația precedentă ( ) ( ) ω = ω
2
u
2
u
S S deoarece funcția ( ) ω
u
S este o funcție reală de
variabilă reală. Se simplifică fracția (ii) prin factorul de la numărător și rezultă:

( )
( ) ( )
( ) ( ) ( ) ( )
( ) ( )
( ) ( ) ω ⋅ ω ⋅
ω ⋅ ω
+
=
ω ⋅ ω + ω ⋅ ω ⋅
ω ⋅ ω ⋅
= ω γ
2
u
2
n u
n u
2
u
2
2
u
2
2
S j G
S S
1
1
S S S j G
S j G

(iv)
( )
( )
( ) ( ) ω ⋅ ω ⋅
ω
+
= ω γ
u
2
n
2
S j G
S
1
1

Ȋn concluzie, ( ) ω γ este aproape de unitate atunci când densitatea spectrală de
putere a zgomotului aditiv, ( ) ω
n
S este mult mai mică ȋn raport cu densitatea spectrală
de putere a semnalului de intrare ( ) ω
u
S .
Modele ale sistemelor liniare cu parametri constanţi şi
semnale discrete
Ȋn paragrafele care urmează se vor analiza modele ale proceselor compuse din
sisteme liniare cu parametri constanți și semnale rezultate prin eșantionarea
semnalelor de tip continuu.
Sisteme liniare cu parametri constanți și semnale cauzale
discretizate
Modelul procesului este reprezentat prin produsul de convoluție:

[ ] ( )[ ] [ ] [ ]

+∞
= ξ
ξ − ⋅ ξ = ∗ =
0
k u g k u g k y
(108.)
Ȋn care, [ ] { }
Z ∈ k
k u , [ ] { }
Z ∈ k
k y sunt secvențele semnalelor de intrare / ieșire la porturile
sistemului, [ ] { }
Z ∈ k
k g este secvența pondere a sistemului,
e k
T k t ; k ⋅ = ∈Z este variabila
de timp discretă, R ∈
k
t sunt momentele de prelevare ale eșantioanelor și R ∈
e
T este
perioada de eșantionare a semnalelor.
Funcția semnal eșantionat, ( ) t u
e
T

se reprezintă sub forma:

( ) ( )

+∞
−∞ =

⋅ ⋅ − δ ⋅ =
k
e e k
T
T T k t u t u
e
.
(109.)
Ȋn care, ( )
e k
T k u u ⋅ = reprezintă valoarea funcției-semnal continuu la momentul
eșantionării, ( ) o δ este impulsul Dirac și
e
T reprezintă perioada de eșantionare, [13],
pag.36.




114
Expresia (1.58) reprezintă soluția generală a ecuației cu diferențe care se obține din
ecuația diferențială (1.4) prin aproximarea derivatelor funcțiilor prin diferențe finite.
Expresia generală a ecuației cu diferențe finite este următoarea:

[ ] ( ) [ ] [ ] [ ]
[ ] ( ) [ ] [ ] [ ] k u b 1 k u b 1 n k u b n k u b
k y a 1 k y a 1 n k y a n k y
n 1 n 1 0
n 1 n 1
⋅ + + ⋅ + + − + ⋅ + + ⋅ =
⋅ + + ⋅ + + − + ⋅ + +


K
K
.
(110.)
Pentru transformarea unei ecuații diferențiale linare cu coeficienți constanți ȋn ecuația
cu diferențe echivalentă, trebuie ca derivatele funcțiilor care apar ȋn compunerea
ecuației diferențiale să fie aproximate prin diferențe finite. In acest scop se utilizează
teorema lui Cauchy și metoda Euler-Cauchy de aproximare a derivatelor prin
diferențe finite.
Fie [ ] R → b ; a : y o funcție-semnal continuă pe intervalul [ ] b ; a și derivabilă pe
intervalul ( ) b ; a . De regulă, valorile funcției-semnal - numite eșantioane - sunt
prelevate la intervale egale de timp,
e
T . Intervalul dintre două prelevări succesive se
numește perioadă de eșantionare.
Fie ( )
k k
t y y = și ( )
1 k 1 k
t y y
+ +
= două eșantioane succesive prelevate la momentele
k
t și
respectiv
1 k
t
+
. Conform teoremei lui Cauchy, există un moment ( )
1 k k
t ; t t
+ ξ
∈ astfel
ȋncât valoarea derivatei funcției semnal ( )
ξ
t y
'
să fie egală cu expresia:

( )
( ) ( ) ( ) ( )
e
k 1 k
k 1 k
k 1 k '
T
t y t y
t t
t y t y
t y

=


=
+
+
+
ξ
.

Interpretarea geometrică a relației precedente este aceea că panta tangentei la
graficul funcției ȋn punctul de coordonate ( )
ξ ξ
y ; t este egală cu panta corzii care trece
prin punctele de coordonate ( )
k k
y ; t și ( )
1 k 1 k
y ; t
+ +
.
Ȋn cazul semnalelor eșantionate, valoarea semnalului ( )
ξ
t y la momentul intermediar
1 k k
t t t
+ ξ
< < nu se cunoaște. Pentru ca atât funcția cât și prima derivată a acesteia să
fie definite la aceleași momente de eșantionare, se deplasează prima derivată spre
punctele care definesc capetele intervalului de eșantionare; respectiv se poate lua fie
k
t t =
ξ
fie
1 k
t t
+ ξ
= .
Opțiunea privind alegerea sensului de deplasare a primei derivate - ȋn avans sau ȋn
ȋntârziere față de capetele intervalului este determinată de reprezentarea corectă a
semnalelor cauzale. Impulsul Dirac este un semnal de energie finită ȋn timp ce
semnalul treaptă unitară este un semnal de putere finită. Pe de altă parte, impulsul
Dirac este numeric egal cu derivata treptei unitare, ( ) ( ) t t
'
χ = δ .
Ȋn tabelul care urmează se compară proprietăți ale celor două funcții ȋn vecinătatea
originii timpului.
Din relațiile precedente rezultă că procesul reprezentat prin impusul Dirac s-a
ȋncheiat imediat după momentul inițial. Ȋn același timp, procesul reprezentat de
semnalul treaptă este ȋn desfășurare, nu s-a ȋncheiat (procesul se ȋncheie la infinit).
Prin urmare, procesul descris de impusul Dirac este ȋn avans față de procesul descris
de semnalul treaptă unitară.



115
Tabelul 19. Comparație ȋntre proprietăție funcției impuls Dirac și proprietăție omoloage ale funcției lui
Heaviside.

Proprietăți ale funcției
( ) t δ
Proprietăți ale funcției
( ) t χ

(i)
( ) ( ) 0 t lim 0
0 t
0 t
= δ = δ
<



( ) ( ) 0 t lim 0
0 t
0 t
= χ = χ
<



(ii) ( ) 1 0 = δ

( ) 1 0 = χ

(iii)
( ) ( ) 0 t lim 0
0 t
0 t
= δ = δ
>

+

( ) ( ) 0 t lim 0
0 t
0 t
= χ = χ
>

+

(iv) ( ) 0 t , 1 t W > =
δ

( ) 0 t , t t W > =
χ

Din acest motiv aproximarea corectă este deplasarea ȋn avans a derivatei funcției,
deci alegerea
1 k
t t
+ ξ
= .

( )
( ) ( ) ( ) [ ] [ ] [ ] [ ]
e e
e e
e
k 1 k
k
'
T
k y 1 k y
T
k T y 1 k T y
T
t y t y
t y
− +
=
⋅ − + ⋅
=


+
.
(111.)
Deoarece perioada de eșantionare a semnalelor este o constantă a dispozitivului de
eșantionare, reprezentarea eșantioanelor se face fără specificarea acesteia, cu
variabila de timp discretă așa cum se prezintă ȋn relațiile (111).
Se aplică transformarea Z funcțiilor-semnal eșantionate și se obține:

[ ] { } ( )[ ] { } [ ] [ ]
)
`
¹
¹
´
¦
ξ − ⋅ ξ = ∗ =

+∞
= ξ 0
k u g Z k u g Z k y Z ,

( ) ( ) ( ) z U z G z Y ⋅ = . (112.)
Ȋn care, ( ) ( ) z Y , z U sunt transformatele Z ale semnalelor de intrare / ieșire și ( ) z G este
transformata Z a secvenței pondere a sistemului, numită funcția de transfer ȋn Z .
Modelul procesului reprezentat prin relația (1.61) este de forma generală (1.3) și
permite separarea modelului sistemului - funcția de transfer ȋn Z - după cum
urmează:

( )
( )
( ) z U
z Y
z G = .
(113.)
Ȋn cazul sistemelor cu evenimente discrete, ȋn modelul procesului, pe lângă modelele
semnalelor și modelul sistemului liniar apar ȋncă două componente și anume
dispozitivul de eșantionare ideală și dispozitivul de extrapolare de ordinul unu.
Dispozitivul de eșantionare ideală se reflectă ȋn modelul procesului prin expresia
transformatei Z a semnalului la portul de intrare ȋn timp ce dispozitivul de extrapolare
de ordinul unu se include ȋn expresia funcției de transfer ( ) z G a sistemului. Aspectul
enunțat este evidențiat ȋn exemplul care urmează.
Exemplul 32: Calculul răspunsului indicial al unui sistem cu evenimente discrete.
Să se calculeze expresia răspunsului indicial al sistemului cu evenimente discrete
format dintr-un filtru digital reprezentat prin ecuația cu diferențe:
[ ] [ ] [ ] 1 k u k u 2 k y − − ⋅ = ;




116
conectat ȋn cascadă cu un sistem liniar cu ȋntârziere de ordinul unu cu funcția de
transfer:
( )
1 s
1
s G
P
+
= .

Rezolvare:
Se aplică transformarea Z ȋn ecuația cu diferențe din enunț și se obține expresia
funcției de transfer a filtrului digital.
(i)
( ) ( ) ( ) z U z z U 2 z Y
1
⋅ − ⋅ =

⇒ ( ) ( ) ( ) z U z 2 z Y
1
⋅ − =


( )
( )
( ) ( ) 1 z 2
z
z 2
1
z U
z Y
z G
1 F
− ⋅
=

= =


Se calculează funcția de transfer ( ) z G
IF
a subsistemului format din elementul
extrapolator și sistemului liniar cu ȋntârziere de ordinul unu după cum urmează.


( )
( )
( )
( )
( )
( )
)
`
¹
¹
´
¦
+
− ⋅ − =
)
`
¹
¹
´
¦
+ ⋅
⋅ − =
)
`
¹
¹
´
¦
+


=
− −
⋅ −
1 s
1
s
1
Z z 1
1 s s
1
Z z 1
1 s
1
s
e 1
Z z G
1 1
s T
P
;

( ) ( )
( )
( )
( )
(
¸
(

¸

)
`
¹
¹
´
¦
+

)
`
¹
¹
´
¦
⋅ − =
(
¸
(

¸

)
`
¹
¹
´
¦
+

)
`
¹
¹
´
¦
⋅ − =
− −
1 s
1
Z
s
1
Z z 1
1 s
1
Z
s
1
Z z 1 z G
1 1
P
;
(ii)
( ) ( )
( )
T
T
1 T
T 1
1 T 1
1
P
e z
e 1
z e 1
e 1 z
z e 1
1
z 1
1
z 1 z G


− −
− −
− − −



=
⋅ −
− ⋅
=
(
¸
(

¸

⋅ −


⋅ − = .
Transformata Z a secvenței treaptă unitară fiind dată de expresia [ ] { }
1 z
z
k Z

= χ ,
rezultă că expresia transformatei Z a secvenței la portul de ieșire este:
(iii)
( ) ( ) ( ) ( )
( ) ( )
( ) ( ) 1 z e z
e 1 1 z 2
1 z
z
e z
e 1
z
1 z 2
z U z G z G z Y
T
T
T
T
P F
− ⋅ −
− ⋅ − ⋅
=





− ⋅
= ⋅ ⋅ =




.
Expresia secvenței la portul de ieșire, [ ] { } k y pentru 1 k ≥ se obține cu teorema
reziduurilor după cum urmează.

( ) ( )
( ) ( )
( ) ( )
( )
( ) ( )
( ) ( )
1 z
1 k
T
T
e z
1 k
T
T
T
z
1 z e z
e 1 1 z 2
1 z z
1 z e z
e 1 1 z 2
e z k y
T
=



=




(
¸
(

¸


− ⋅ −
− ⋅ − ⋅
⋅ − +
(
¸
(

¸


− ⋅ −
− ⋅ − ⋅
⋅ − =



( )
( ) ( )
( )
( ) ( ) ( ) ( ) k T 1 k T 1 k 1 k 1 k T
T
T T
e 2 e 1 1 e
1 e
e 1 1 e 2
k y
⋅ − − ⋅ − − − − ⋅ −

− −
⋅ − + = + ⋅

− ⋅ − ⋅
= ,⇒
Pentru 0 k = funcția ( )
1 k
z z Y

⋅ , care apare ȋn expresia transformatei Z inverse are un
pol ȋn origine:



117

( )
( ) ( )
( ) ( ) z e z 1 z
e 1 1 z 2
z z Y
T
T
1
⋅ − ⋅ −
− ⋅ − ⋅
= ⋅



.
Prin urmare, cu teorema reziduurilor:

[ ]
( ) ( )
( ) ( )
( )
( ) ( )
( ) ( )
( )
( ) ( )
( ) ( )
( )
( )
( )
( )
0
e
1 e 2
1
e
e 1
z e z 1 z
e 1 1 z 2
e z
z e z 1 z
e 1 1 z 2
1 z
z e z 1 z
e 1 1 z 2
z 0 y
T T
T
e 1 2
T
T
1 e 1
T
T
e z
T
T
T
1 z
T
T
0 z
T
T
=
− ⋅
− +


=
(
¸
(

¸

⋅ − ⋅ −
− ⋅ − ⋅
⋅ − +
(
¸
(

¸

⋅ − ⋅ −
− ⋅ − ⋅
⋅ − +
(
¸
(

¸

⋅ − ⋅ −
− ⋅ − ⋅
⋅ =
− −

− =


+ − =


=



=


=


43 42 1 43 42 1
.
Algoritmii de calcul care stau la baza metodelor de identificare de tip parametric
returnează coeficienții funcției de transfer ȋn Z ai sistemului. In etapa de validare a
rezultatelor experimentului de identificare se folosește reprezentarea ȋn spațiul
stărilor a modelului estimat - notat ( ) z G
ˆ
.
Ecuația cu diferențe de grad n reprezentată prin relația (1.60) se transformă ȋntr-un
sistem n de ecuații cu diferențe de grad unitar:

[ ] [ ] [ ]
[ ] [ ] [ ] k u k k y
k u k 1 k
⋅ + ⋅ =
⋅ + ⋅ = +
d x c
b x A x
.
(114.)
Se aplică transformarea Z ȋn relațiile precedente și rezultă:

( ) ( ) ( )
( ) ( ) ( ) z U z z Y
z U z z z
⋅ + ⋅ =
⋅ + ⋅ = ⋅
D X C
B X A X

( ) ( ) ( )
( ) ( ) ( ) z U z z Y
z U z z
⋅ + ⋅ =
⋅ = ⋅ − ⋅
D X C
B X A I



( ) ( ) ( )
( ) ( ) ( ) z U z z Y
z U z z
1
⋅ + ⋅ =
⋅ ⋅ − ⋅ =

D X C
B A I X
⇒ ( ) ( ) [ ] ( ) z U z z Y
1
⋅ + ⋅ − ⋅ ⋅ =

d B A I C .


( )
( )
( )
( ) [ ] D B A I C + ⋅ − ⋅ ⋅ = =
−1
z
z U
z Y
z G
(115.)
Exemplul 33: Fie un sistem cu evenimente discrete reprezentat prin ecuațiile de
stare care urmează.

[ ]
[ ]
[ ]
[ ]
[ ]
[ ] [ ]
[ ]
[ ]
(
¸
(

¸

⋅ − =

(
¸
(

¸

+
(
¸
(

¸


(
¸
(

¸


=
(
¸
(

¸

+
+
k x
k x
1 1 k y
k u
5 , 0
5 , 0
k x
k x
35 , 0 45 , 0
55 , 0 35 , 1
1 k x
1 k x
2
1
2
1
2
1

Să se determine funcția de transfer echivalentă, ( ) z G .
Rezolvare
(i)
[ ]
(
¸
(

¸

− +
− −
=
(
¸
(

¸



(
¸
(

¸

⋅ = − ⋅
35 , 0 z 45 , 0
55 , 0 35 , 1 z
35 , 0 45 , 0
55 , 0 35 , 1
1 0
0 1
z z A I ;
(ii)
( ) ( ) 72 . 0 z 7 . 1 z 45 , 0 55 , 0 35 , 0 z 35 , 1 z z
2
+ ⋅ − = ⋅ + − ⋅ − = − ⋅ A I ;




118
(iii)
[ ]
(
¸
(

¸

− +
− −
= − ⋅

35 , 1 z 55 , 0
45 , 0 35 , 0 z
z A I ;
(iv)
[ ] [ ]
(
¸
(

¸

− −
+ −

+ ⋅ −
= − ⋅ ⋅
− ⋅
= − ⋅
∗ −
35 , 1 z 45 , 0
55 , 0 35 , 0 z
72 , 0 z 7 , 1 z
1
z
z
1
z
2
1
A I
A I
A I ;

( ) ( ) [ ]
(
¸
(

¸


(
¸
(

¸

− −

⋅ − ⋅
+ ⋅ −
= ⋅ − ⋅ ⋅ =

5 , 0
5 , 0
35 , 1 z 45 , 0
55 , 0 35 , 0 z
1 1
72 , 0 z 7 , 1 z
1
z z G
2
1
B A I C ;
(v)
( ) [ ]
72 , 0 z 7 , 1 z
1
9 , 0 z 5 , 0
1 , 0 z 5 , 0
1 1
72 , 0 z 7 , 1 z
1
z G
2 2
+ ⋅ −
=
(
¸
(

¸

− ⋅
+ ⋅
⋅ − ⋅
+ ⋅ −
= .
Exemplul 34: Răspunsul sinusoidal staționar al unui sistem cu evenimente discrete.
Se consideră un proces cu evenimente discrete reprezentat prin relația:
( ) ( ) ( ) C ∈ ⋅ = z ; z U z G z Y .
Ȋn care ( ) z G este funcția de transfer a unui sistem stabil, liniar, cu parametri constanți.
Dacă secvența la portul de intrare este o secvență sinusoidală
[ ] ( ) Z ∈ ⋅ ⋅ ω = k ; T k sin k u
e
să se demonstreze că și secvența la portul de ieșire este tot
o secvență sinusoidală reprezentată prin:

[ ] ( ) ( ) { } ( ) Z ∈ + ⋅ ⋅ ω ⋅ =
⋅ ω ⋅ ⋅ ω ⋅
k ; e G arg T k sin e G k y
k j
e
k j
.
Rezolvare
(i)
( ) [ ] { } ( ) { }
( )
( ) ( )
T j T j
e
e
e z e z
T sin z
T k sin Z k u Z z U
e
⋅ ω ⋅ − ⋅ ω ⋅
− ⋅ −
⋅ ω ⋅
= ⋅ ⋅ ω = = ⇒
(ii)
( ) ( ) ( )
( ) ( )
( ) ( )
( ) z Y
e z
z k
e z
z k
e z e z
z G T sin z
z U z G z Y
g T j
2
T j
1
T j T j
e
e e e
+


+


=
− ⋅ −
⋅ ⋅ ω ⋅
= ⋅ =
⋅ ω ⋅ − ⋅ ω ⋅ ⋅ ω ⋅ − ⋅ ω ⋅
.
Ȋn relația precedentă, termenul ( ) z Y
g
este format din acele componente care
corespund polilor funcției de transfer ( ) z G . Deoarece sistemul este stabil,
componentele omoloage din expresia secvenței [ ] k y tind spre zero pentru ∞ → k .
Prin urmare, răspunsul staționar al sistemului este dat de relația:
(iii)
( )
e e
T j
2
T j
1
ss
e z
z k
e z
z k
z Y
⋅ ω ⋅ − ⋅ ω ⋅


+


= .
Se reprezintă ( )
j 2
e e
T sin
e e
T j T j
e


= ⋅ ω
⋅ ω ⋅ − ⋅ ω ⋅
și se ȋnlocuiește ȋn relația (ii). Se obțin
următoarele expresii pentru constantele
1
k și
2
k .
(iv)
( )
( ) { }
( )
( ) { }
j 2
e T j G
k
j 2
e T j G
k
T j G arg
2
T j G arg
1

⋅ ⋅ ω ⋅ −
=

⋅ ⋅ ω ⋅
=
⋅ ω ⋅ − ⋅ ω ⋅




119
(v)
( ) [ ] { } [ ] { }
k
T j
2
k
T j
1 T j 2 T j 1 ss
e e
e e
e Z k e Z k
e z
z
k
e z
z
k z Y
⋅ ω ⋅ − ⋅ ω ⋅
⋅ ω ⋅ − ⋅ ω ⋅
⋅ + ⋅ =

⋅ +

⋅ = ⇒

[ ] ( )
( ) { } ( ) ( ) { } ( )
j 2
e e
e G e k e k k y
e
T j
e
e
T j
e
e e e
e G arg k T j e G arg T k j
T j k T j
2
k T j
1 ss


⋅ = ⋅ + ⋅ =
⋅ ω ⋅ ⋅ ω ⋅
+ ⋅ ⋅ ω ⋅ − + ⋅ ⋅ ω ⋅
⋅ ω ⋅ ⋅ ⋅ ω ⋅ − ⋅ ⋅ ω ⋅
;
(vi)
[ ] ( ) ( ) { } ( )
e e
T j
e
T j
ss
e G arg T k sin e G k y
⋅ ω ⋅ ⋅ ω ⋅
+ ⋅ ⋅ ω ⋅ = .
Sisteme liniare cu parametri constanți și semnale aleatoare
staționare de tip discret
Modelul procesului este reprezentat prin relațiile:

( ) ( ) ( ) ( ) ( ) ( ) ω ⋅ = ω ⋅ ⋅ = ω
ω ⋅ ω ⋅ ∗ ω ⋅
u
2
j
u
j j
y
S e G S e G e G S ;
(116.)

( ) ( ) ( ) ω ⋅ = ω
ω ⋅
u
j
uy
S e G S .
(117.)
Ȋn care, ( ) ω
u
S reprezintă densitatea spectrală de putere a procesului aleator de tip
discret la portul de intrare in sistem, ( ) ω
y
S reprezintă densitatea spectrală de putere a
procesului aleator la portul de ieșire din sistem, ( ) ω
uy
S repezintă densitatea spectrală
de putere mutuală ȋntre procesele aleatoare la porturile de intrare / ieșire și
( ) ( )
ω ⋅
=
= ω ⋅
j
e z
e G z G j este funcția de transfer a sistemului.
Funcțiile de corelație asociate proceselor aleatoare staționare de tip discret se
calculează prin mediere statistică, asemănător cu cazul proceselor aleatoare de tip
continuu. Similar cu cazul proceselor de tip continuu și ȋn cazul proceselor aleatoare
de tip discret staționare, aceste funcții sunt mărginite; spre deosebire de cazul
continuu, ȋn cazul discret, funcțiile de corelație sunt definite pe mulțimi numărabile de
variabilă timp discret.
Prin urmare, dacă R Z → :
uu
r și R Z → :
uy
r , sunt funcția de autocorelație a
procesului aleator la portul de intrare respectiv funcția de intercorelație intrare / ieșire
asociate proceselor aleatoare [ ] { }
Z ∈ k
k u și [ ] { }
Z ∈ k
k y și sistemului având secvența
pondere [ ] { }
Z ∈ k
k g atunci:

[ ] ( )[ ] τ ∗ = τ
uu uy
r g r ,
(118.)
asemănător cu cazul proceselor aleatoare continue. Toți termenii care apar ȋn
expresia (116) sunt funcții reprezentate analitic deși, funcțiile de corelație din
expresia ȋn cauză caracterizează procese aleatoare, ale căror secvențe temporale nu
pot fi reprezentate analitic. Ȋn fapt, relația (116) echivalează procesul transformării
procesului aleator [ ] { }
Z ∈ k
k u ȋn procesul aleator [ ] { }
Z ∈ k
k y , prin interacțiunea cu sistemul,
cu o transformare echivalentă ȋn care intervin semnale deterministe având aceleași
funcții de corelație aflate ȋn interacțiune cu același sistem.
Ȋn relația precedentă, dacă procesul aleator la portul de intrare este un zgomot alb
discret atunci, funcția de autocorelație a procesului aleator este de forma:




120

[ ]
{ }
¹
´
¦
∈ τ
= τ σ
= τ
0 \ ; 0
0 ;
r
2
u
uu
Z
.
(119.)
Ȋn acest caz, din relația (1.68) se obține:

[ ] [ ] ( ) Z ∈ τ ∀ τ ⋅ σ = τ g r
2
u uy



[ ] [ ] ( ) Z ∈ τ ∀ τ
σ
= τ
uy 2
u
r
1
g
(120.)
Relația (1.70) permite calculul secvenței podere a sistemului direct din valorile
măsurate ale eșantioanelor, prin evaluarea funcțiilor de intercorelație ȋntre procesele
aleatoare ȋn cauză. Acest principiu se află la baza metodei analizei de corelație -
prezentată ȋn Capitolul 5.
Funcțiile de corelație care apar ȋn relația (116) nu sunt funcții cauzale (sunt definite
pe mulțimea Z) deci, pentru transformarea modelului sub forma generală se va
utiliza transformarea Fourier discretă după cum urmează.

[ ] { } ( )[ ] { } τ ∗ = τ
uu uy
r g TFD r TFD ⇔ ( ) ( ) ( ) ω ⋅ = ω
ω ⋅
uu
j
uy
R e G R

Rezultă că modelul procesului poate fi reprezentat sub forma care urmează.
( )
( )
( )
( )
( ) ω
ω
=
ω
ω
=
ω ⋅
u
uy
uu
uy j
S
S
R
R
e G . (121.)
Ȋn care, ( ) ω
u
S reprezintă densitatea spectrală de putere a procesului aleator discret
la portul de intrare al sistemului, ( ) ω
uy
S reprezintă densitatea spectrală de putere
mutuală ȋntre procesele de la porturile intrare / ieșire și ( ) ( )
ω ⋅
=
= ω ⋅
j
e z
e G z G j reprezintă
funcția de transfer a sistemului.
Ȋn continuare, se ȋnmulțesc ambii membri ai expresiei (1.71) cu ( ) ω ⋅

j G și se ține
cont de relația ( ) ( ) ( ) ω ⋅ ω ⋅ = ω

uy y
S j G S :
( ) ( )
( ) ( )
( )
( )
( ) ω
ω
=
ω
ω ⋅
= ⋅
ω ⋅ ∗
ω ⋅ ω ⋅ ∗
u
y
u
uy
j
j j
S
S
S
S e G
e G e G . (122.)
Din relația precedentă se obține reprezentarea (1.66) a modelului procesului.

( ) ( ) ( ) ( ) ω ⋅ ⋅ = ω
ω ⋅ ω ⋅ ∗
u
j j
y
S e G e G S .
(123.)
Reprezentările de mai sus respectă forma generală și permit separarea netă a
modelului sistemului.
Ȋn identificarea sistemelor se utilizează procese aleatoare staționare de tip zgomot
alb discret cu banda de frecvențe foarte largă a căror funcție densitate spectrală de
putere este practic constantă. Astfel, funcția densitate spectrală de putere a
procesului aleator la portul de ieșire este numeric egal cu pătratul modulului funcției
( ) ( )
ω ⋅
=
= ω ⋅
j
e z
e G z G j .



121
Principiul enunțat se află la baza metodei analizei spectrale, prezentată ȋn Capitolul 5
al lucrării.
Sisteme liniare cu parametri constanți și semnale discretizate N-
periodice
Fie două secvențe de lungime finită N ale semnalului la portul de intrare, [ ] { }
1 N
0 i
i u

=
și
respectiv la portul de ieșire [ ] { }
1 N
0 i
i y

=
ale unui sistem liniar. Modelul procesului se
definește prin produsul de convoluție circulară:
[ ] ( )[ ] ( ) 1 N , 0 , r g r
uu uy
− = τ τ ⊗ = τ . (124.)
Ȋn care:
[ ] ( ) 1 N , 0 , r
uy
− = τ τ este funcția de intercorelație dintre secvențele [ ] { }
1 N
0 i
i u

=
și
[ ] { }
1 N
0 i P
i y

=
ale semnalelor de intrare respectiv de ieșire,

[ ] [ ] [ ] ( )


=
− = − τ ⋅ ⋅ = τ
1 N
0 i
P uy
1 N , 0 i , i y i u
N
1
r .
(125.)
Ȋn relația precedentă, indicele P indică faptul că secvența semnalului la care acesta
este atașat se prelungește prin periodicitate.
[ ] ( ) 1 N , 0 , r
uu
− = τ τ este funcția de autocorelație a secvenței semnalului la portul de
intrare [ ] { }
1 N
0 i
i u

=
,

[ ] [ ] [ ] ( )


=
− = − τ ⋅ ⋅ = τ
1 N
0 i
P uu
1 N , 0 i , i u i u
N
1
r ;
(126.)
[ ] o g reprezintă secvența pondere a sistemului.
Se aplică transformarea Fourier discretă ȋn N puncte secvențelor de valori din relația
(1.72) și rezultă după cum urmează.
[ ] [ ] [ ] ( ) 1 N 0 k , k S k G
N
1
k S
u uy
− = ⋅ ⋅ = K . (127.)
Ȋn care, [ ] k S
uy
este funcția densitate spectrală de putere mutuală ȋntre secvențele de
intrare / ieșire:

[ ] [ ] [ ] { } ( ) 1 N 0 r TFD k R k S
uy uy uy
− = τ τ = = K .
(128.)
Funcția [ ] ( ) 1 N 0 k , k S
u
− = K reprezintă densitatea spectrală de putere a secvenței
de intrare:
[ ] [ ] [ ] { } ( ) 1 N 0 , r TFD k R k S
uu uu u
− = τ τ = = K . (129.)
Funcția densitate spectrală de putere calculată cu relația (129) se numește
periodogramă.
Expresiile sunt adevărate și pentru cazul secvențelor aleatoare.
Se ține cont că:




122

[ ] [ ] [ ]
2
uu u
k U
N
1
k R k S ⋅ = = , [ ] [ ] [ ]
2
yy y
k Y
N
1
k R k S ⋅ = = ,
[ ] [ ] [ ] [ ] k Y k U
N
1
k R k S
uy uy

⋅ ⋅ = = ,


[ ] [ ] [ ] ( ) 1 N 0 k , k S k G k S
u
2
y
− = ⋅ = K .
(130.)

Modelul procesului reprezentat ȋn relația precedentă este de forma generală (58) și
permite separarea modelului sistemului.
[ ]
[ ]
[ ]
( ) 1 N 0 k ,
k S
k S
k G
u
y 2
− = = K . (131.)
Rezumat
Ȋn tabelul care urmează se prezintă ȋn rezumat modelele proceselor și sistemelor
analizate ȋn cadrul acestui capitol.
Tabelul 20. Rezumatul modelelor proceselor, modelelor sistemelor și metodelor de identificare
asociate ȋn corelație cu tipul semnalelor sau proceselor aleatoare de intrare / ieșire.
Nr.
Tipul
semnalelor
Modelul procesului Modelul sistemului
Metoda de
identificare
1.

Semnale
continue
constante


( )
( ) ( ) ∞ + ∞ − ∈ ∀
⋅ =
; t
, U G t y

( ) R ∈ ∀ = t ,
U
Y
G

Determinarea
factorului de
proporționalitate
2.
Semnale
continue
sinusoidale
( ) ( ) ( )
( ) R ∈ τ ∀
τ τ − ⋅ τ =

+∞
∞ −
, t
, d t u g t y

( ) ( ) ϕ + ⋅ ω ⋅ = t sin U t u
1 M


U G Y ⋅ =

( ) ( )
(
( ) { })
( ) R ∈ ∀
ω ⋅ +
ϕ + ⋅ ω ⋅
⋅ ω ⋅ ⋅ =
t
j G arg
t sin
j G U t y
1
1
1 M

Metoda analizei
ȋn frecvență
3.
Secvențe
discretizate
sinusoidale
[ ] ( )[ ]
[ ] [ ]

∞ +
−∞ = ξ
ξ − ⋅ ξ =
∗ =
k u g
k u g k y
[ ] ( ) Z ∈ ⋅ ⋅ ω = k ; T k sin k u
e

[ ] ( )
(
( ) { })
Z ∈
+
+ ⋅ ⋅ ω ⋅
⋅ ⋅ =
⋅ ω ⋅
⋅ ω ⋅
k
, e G arg
T k sin
e G U k y
k j
e
k j
M

Metoda analizei
ȋn frecvență
4.

Semnale
continue,
periodice de
putere
constantă,
aperiodice de
energie finită

( ) ( ) ( )
( ) R ∈ τ ∀
τ τ − ⋅ τ =

+∞
∞ −
, t
, d t u g t y

( )
( )
( ) ω
ω
= ω ⋅
U
Y
j G

Metoda analizei
ȋn frecvență



123
Nr.
Tipul
semnalelor
Modelul procesului Modelul sistemului
Metoda de
identificare
8.

Semnale
continue,
deterministe,
cauzale

( ) ( ) ( )
( )
+
+∞
∈ τ ∀
τ τ − ⋅ τ =

R , t
, d t u g t y
0

( )
( )
( ) s U
s Y
s G =

Metoda
răspunsului
tranzitoriu
9.

Secvențe
discretizate,
deterministe,
cauzale

[ ] ( )[ ]
[ ] [ ]

∞ +
= ξ
ξ − ⋅ ξ =
∗ =
0
k u g
k u g k y

( )
( )
( ) z U
z Y
z G =

Metoda
răspunsului
tranzitoriu
10.
Procese
aleatoare
staționare de
tip continuu
( ) ( ) ( ) [
( )
( ) ]
( ) ( ) R R R × = ∈ τ ∀
ζ ξ ξ − ζ + τ ⋅
⋅ ζ ⋅ ξ = τ
∫∫
D ;
, d d r
g g r
uu
D
yy

( )
( )
( ) ω
ω
= ω ⋅
u
uy
S
S
j G
( )
( )
( ) ω
ω
= ω ⋅
u
y 2
S
S
j G

Metoda analizei
de corelație,
Metoda analizei
spectrale
11.
Procese
aleatoare
staționare de
tip discret
[ ] ( )[ ]
Z ∈ τ
τ ∗ = τ , r g r
uu uy

( )
( )
( ) ω
ω
=
ω ⋅
u
uy j
S
S
e G

( )
( )
( ) ω
ω
=
ω ⋅
u
y
2
j
S
S
e G

Metoda analizei
de corelație,
Metoda analizei
spectrale
12
Procese N-
periodice de
tip discret
[ ] ( )[ ]
( ) 1 N , 0
, r g r
uu uy
− = τ
τ ⊗ = τ

[ ]
[ ]
[ ]
( ) 1 N 0 k
,
k S
k S
k G
u
y 2
− =
=
K

Metoda analizei
spectrale
Ȋn tabelul de mai sus, modelele proceselor se reprezintă prin produsul de convoluție
ȋntre modele ale semnalelor și modelul sistemului, repezentate ȋn domeniul timpului.
Prin transformări integrale asupra acestor modele, produsul de convoluție este
transformat ȋn produs de funcții polinomiale de variabilă complexă; astfel modelul
sistemului poate fi reprezentat prin funcții raționale de variabilă complexă. Modelele
sistemelor care se obțin prin acest procedeu se numesc modele de tip neparametric.
Ȋn Capitolul 7 se prezintă un alt procedeu de identificare a sistemelor, bazat pe
determinarea pseudosoluției unor sisteme de ecuații algebrice formate cu valorile
secvențelor semnalelor la porturile sistemului și care conduc spre un tip diferit de
modele ale sistemelor. Aceste modele se numesc modele de tip parametric.





124
CAPITOLUL V
METODE DE IDENTIFICARE DE TIP NEPARAMETRIC
Metodele de identificare de tip neparametric sunt metode de identificare prin
aplicarea cărora se obţin mulțimi de perechi de valori ( ) ( ) t g ; t ale unor funcţii de
variabilǎ timp sau frecvențǎ care caracterizează sistemul. Aceste funcții, denumite
modele neparametrice sunt (1) funcţia pondere, (2) funcția indicialǎ, (3) funcţia de
frecvenţă. Funcțiile pondere și indicialǎ sunt definite ȋn domeniul timp. Funcția de
frecvențǎ poate fi reprezentată prin dependenţele amplitudine – pulsaţie ( )
dB
j G ω ⋅ şi
fază – pulsaţie ( ) { } ω ⋅ j G arg sau prin dependenţa dintre modulul funcției de frecvențǎ,
( ) ω ⋅ j G şi argumentul acesteia, ( ) { } ω ⋅ j G arg ȋn cordonate polare.
Metodele de identificare de tip neparametric se aplicǎ direct ȋn sensul cǎ nu necesită
definirea unui criteriu de minimizare şi nici nu trebuie parcursă etapa de selectare a
modelul optim. Precizia acestor metode este mai redusă în comparaţie cu precizia
metodelor de identificare de tip parametric. Din acest motiv, aceste metode se
utilizează (a) înaintea implementării unei metode de tip parametric, pentru a obţine o
primǎ aproximare a modelului - foarte utilǎ pentru definirea clasei de modele în care
se poate încadra procesul care se identifică şi (b) în anumite aplicații din medicinǎ,
fizica pǎmântului, etc în care metodele de identificare de tip parametric nu pot fi
implementate.
Metodele de identificare de tip neparametric sunt (a) metoda răspunsului tranzitoriu,
(b) metoda analizei în frecvenţă, (c) metoda analizei de corelaţie şi (d) metoda
analizei spectrale.
Metoda răspunsului tranzitoriu
Principiul metodei
Metoda răspunsului tranzitoriu constǎ ȋn determinarea experimentală a rǎspunsului
sistemului analizat la semnale de tip puls sau treaptǎ. Aceste semnale permit
estimarea funcţiei pondere respectiv a răspunsului indicial asociate sistemului care
se testeazǎ.
De regulǎ, dacǎ se estimeazǎ funcția pondere, la portul de intrare al sistemului se
aplicǎ o succesiune de pulsuri; semnalul de intrare și răspunsul tranzitoriu al
sistemului sunt înregistrate. Intervalul de timp dintre douǎ pulsuri succesive, aplicate
la portul de intrare se alege astfel ȋncât rǎspunsul sistemului sǎ ajungǎ ȋn domeniul
staționar.
Utilizarea semnalelor de tip puls este frecvent ȋntâlnitǎ ȋn aplicațiile din domeniul
biomedical ȋn care se analizeazǎ de exemplu, difuzia ȋn funcție de timp a unei catitǎți
dintr-o substanțǎ injectatǎ ȋntr-un mediu.
Ȋn practicǎ se determinǎ parametrii modelului de ordin redus care corespunde
reprezentǎrii grafice a rǎspunsului indicial rezultat din mǎsurǎtori. Pentru clasele de
modele de tip proporțional cu ȋntârziere de ordinul unu -
1
PT și proporțional cu



125
ȋntârziere de ordinul doi -
2
PT , pe baza reprezentǎrii grafice a rǎspunsului indicial a
sistemului pot fi estimați parametrii funcției de transfer dupǎ cum se prezintǎ ȋn
continuare.
Determinarea parametrilor funcției de transfer pe baza proprietăților
funcției indiciale

Figura 44. Determinarea parametrilor funcției de transfer pe baza reprezentǎrii grafice a rǎspunsului
indicial pentru un sistem cu ȋntârziere de ordin unu.



Figura 45. Determinarea parametrilor funcției de transfer pe baza reprezentǎrii grafice a rǎspunsului
indicial pentru un sistem cu ȋntârziere de ordin doi.
Funcția de transfer a sistemelor de tip
1
PT este datǎ de expresia:

( )
( )
( ) 1 + ⋅
= =
s T
k
s U
s Y
s G
f
a
.
(132.)
Expresia analiticǎ a rǎspunsului indicial al sistemelor descrise prin funcțiile de
transfer (132), rezultatǎ prin calcul este urmǎtoarea:

( )
|
|
¹
|

\
|
− ⋅ =

f
T
t
a
e k t y 1 .
(133.)
Graficul funcției ( ) t y din relația (133) este reprezentat ȋn Figura 44. Valorile
parametrilor
a
k și
f
T reprezintǎ ordonata și respectiv absisa punctului situat la
intersecția asimptotei orizontale cu tangenta ȋn origine la graficul funcției.
Demonstrația acestor afirmații este prezentatǎ ȋn [9].



126
Funcția de transfer a sistemelor de tip
2
PT este datǎ de expresia:

( )
( )
( )
2 2
2
2
n n
n a
s s
k
s U
s Y
s G
ω ω ς
ω
+ ⋅ ⋅ ⋅ +

= = .
(134.)
Expresia analiticǎ a rǎspunsului indicial al sistemelor descrise prin funcțiile de
transfer (3) pentru cazul sistemelor subamortizate, ( ) 1 ; 0 ∈ ζ este:

( ) ( )
¦
)
¦
`
¹
¦
¹
¦
´
¦
(
(
¸
(

¸

ζ
ζ −
+ ⋅ ζ − ⋅ ω ⋅ ⋅
ζ −
− ⋅ =
⋅ ω ⋅ ζ −
2
2
n
t
2
a
1
arctg t 1 sin e
1
1
1 k t y
n
.
(135.)
Ȋn Figura 45 este reprezentat graficul funcției din relația (135). Pe baza aceleiași
expresii se pot deduce urmǎtorii parametri care definesc rǎspunsul indicial al
sistemului. Suprareglajului, σ este dat de relația

π
ς
ς
σ



=
2
1
e .
(136.)


Figura 46. Graficul rǎspunsului unui sistem de ordin doi la semnal treaptǎ unitarǎ ȋn funcție de factorul
de amortizare
ς
.

Figura 47. Dependența suprareglajului de factorul de amortizare,
( ) ς σ
.
Momentele
*
; N ∈ k t
k
la care rǎspunsul ( )
k
t y ia valori de minim sau de maxim local se
determinǎ cu relația:



127

2
1 ς ω
π
− ⋅
⋅ =
n
k
k t ,
(137.)
iar valorile corespunzǎtoare ale rǎspunsului indicial pot fi calculate cu relația:
( ) ( ) [ ]
k k
a k
k t y σ ⋅ − − ⋅ = 1 1 . (138.)
Din relația (137) rezultǎ cǎ perioada oscilațiilor amortizate ale rǎspunsului sistemului
la semnal treaptǎ unitarǎ este datǎ de expresia:

2
1
2
ς ω
π
− ⋅

=
n
T .
(139.)
Demonstrații ale acestor formule sunt prezentate ȋn lucrarea [9].
Parametrii funcției de transfer
a
k , ς și
n
ω pot fi estimați pe baza graficului rǎspunsului
indicial al sistemului de ordinul doi dupǎ cum urmeazǎ.
Factorul de amplificare,
a
k se determinǎ pe baza valorii finale a rǎspunsului,
( )
N ss a
t y y k ≅ = .
Constanta de amortizare, ς se determinǎ indirect prin estimarea graficǎ a
suprareglajului, σ . Suprareglajul poate fi evaluat (a) pe baza maximului absolut al
rǎspunsului și a valorii acestuia ȋn regim permanent sau (b) prin evaluarea pe grafic a
maximelor și minimelor locale și a observației cǎ amplitudinea oscilațiilor amortizate
scade de σ ori la fiecare semiperioadǎ, Figura 46. Constanta de amortizare se
determinǎ pe baza curbei ( ) ς σ , reprezentatǎ ȋn Figura 47 sau cu expresia:

( )
2 2
ln
ln
σ π
σ
ς
+
− = .
(140.)
Pulsația naturalǎ,
n
ω se determinǎ prin evaluarea pe grafic a perioadei T a oscilațiilor
amortizate ale sistemului. Din relațiile precedente rezultǎ expresia:

( )
2 2
2
n
T
2
1 T
2
σ + π ⋅ =
ζ − ⋅
π ⋅
= ω ln .
(141.)
Estimarea parametrilor funcției de transfer pe baza proprietăților
curbei funcției pondere pentru sistemele cu ȋntârziere de ordinele
unu și doi, fǎrǎ timp mort
Funcția pondere reprezintǎ rǎspunsul unui sistem LTI cu o singurǎ intrare și o
singurǎ ieșire la semnal de intrare impuls Dirac. Transformata Laplace a funcției
pondere este egalǎ cu funcția de transfer a sistemului.
Expresia funcției pondere pentru sistemele cu ȋntârziere de ordinul unu,
1
PT calculatǎ pe baza definiției acesteia și a expresiei funcției de transfer a
sistemului este de forma:



128
( )
f
T
t
f
a
e
T
k
t y

⋅ = . (142.)
Pe baza relației precedente rezultǎ cǎ ordonata la origine a graficului funcției
pondere este ( )
f a
T k y = 0 . De asemenea, tangenta la graficul funcției pondere ȋn
punctul de coordonate ( ) ( ) 0 ; 0 y P este numeric egalǎ cu constanta de timp,
f
T a
funcției de transfer. Graficul funcției pondere și determinarea graficǎ a parametrilor
funcției de transfer sunt ilustrate ȋn Figura 48.
Expresia funcției pondere pentru sistemele cu ȋntârziere de ordinul doi,
2
PT subamortizate este de forma

( ) ( ) t e
k
t y
d
n
n
t
n a
⋅ − ⋅ ⋅ ⋅


=
=
⋅ ⋅ −
4 43 4 42 1
ω
ω ς
ς ω
ς
ω
2
2
1 sin
1
.
(143.)
Ȋn Figura 49 este reprezentatǎ forma de variație a funcției pondere pentru aceste
sisteme.
Parametrii funcției de transfer se determinǎ pe baza urmǎtoarelor proprietǎți ale
graficului funcției pondere: (1) perioada principalǎ a funcției pondere verificǎ relația
(8) asemǎnǎtor cu rǎspunsul indicial și (2) aria suprafeței cuprinsǎ ȋntre prima
semiperioadǎ a oscilațiilor funcției pondere și axa absciselor este numeric egalǎ cu
amplitudinea maximǎ a oscilațiilor rǎspunsului indicial, respectiv cu termenul
( ) σ + ⋅ 1
a
k , [9].
Ȋn aplicații se utilizeazǎ semnale de intrare de tip puls care aproximeazǎ impulsul
Dirac. Aceste semnale sunt de forma:

( )
[ )
[ )
¦
¹
¦
´
¦
∞ + ∈

=
; 0
; 0
1
0
0
0
t t
t t
t t u .
(144.)


Figura 48. Rǎspunsul la semnal impuls Dirac al unui sistem cu ȋntârziere de ordinul unu.



129

Figura 49. - stânga respectiv al unui sistem cu ȋntârziere de ordinul doi - dreapta. Determinarea
graficǎ a parametrilor funcției de transfer.
Pulsul reprezentat ȋn expresia precedentǎ verificǎ relația ( )

+∞
∞ −
=1 dt t u , asemǎnǎtor
impulsului Dirac. Transformata Laplace a semnalului reprezentat ȋn relația (13) este:

( ) { } ( ) ( )
s t
e
s t
s U t u
⋅ −
− ⋅

= =
0
1
1
0
L .
(145.)
Rezultǎ cǎ transformata Laplace a rǎspunsului sistemului de ordinul doi este:

( ) ( ) ( ) ( )
s t
n n
n a
e
s t s s
k
s U s G s Y
⋅ −
− ⋅


+ ⋅ ⋅ ⋅ +

= ⋅ =
0
1
1
2
0
2 2
2
ω ω ς
ω
.
(146.)
Se dezvoltǎ termenul
s t
e
⋅ −
0
din relația precedentǎ ȋn serie MacLaurin ȋn jurul originii și
rezultǎ:

( ) ( )
( ) ( )
( ) s G
s t s t
s t
s t s s
k
s Y
t
n n
n a

(
(
¸
(

¸



+

− ⋅ ⋅


+ ⋅ ⋅ ⋅ +

=
≅0
3
0
2
0
0
0
2 2
2
0
! 3 ! 2
1
2
K
ω ω ς
ω
.
(147.)
Rǎspunsul sistemului este distorsionat datoritǎ termenilor ( ) 1 ;
0
> ⋅ k s t
k
. Acești termeni
se anulează pentru 0
0
= t .
Rezultǎ cǎ rǎspunsul sistemului la semnal de intrare de tip puls de duratǎ și
amplitudine finite aproximeazǎ funcția pondere cu atât mai bine cu cât durata pulsului
este mai scurtǎ. Ȋn aplicații, durata pulsului se adoptǎ mult mai micǎ ȋn raport cu
constanta de timp cea mai micǎ a sistemului care se identificǎ.
Estimarea parametrilor modelului pe baza secvenței pondere ȋn cazul
discret
Dacǎ se cunoaște secvența pondere [ ] { }

=1 k
k g și se adoptǎ un model parametric, -
Capitolul 6 - de ordinul n de forma:

( ) [ ] ( ) [ ] k u q B k y q A ⋅ = ⋅
− − 1 1
,
(148.)




130

Figura 50. Reprezentarea secvenței impulsului Dirac - stânga și secvența pondere a unui sistem
discret cu ȋntârziere de ordinul unu - dreapta.
ȋn care ( )
n
n
q a q a q a q A
− − − −
⋅ + ⋅ + ⋅ + = K
2
2
1
1
1
1 , ( )
n
n
q b q b q b b q B
− − − −
⋅ + ⋅ + ⋅ + = K
2
2
1
1 0
1
și
1 −
q reprezintǎ operatorul de ȋntârziere, atunci parametrii n i b a
j i
, 1 ; , = pot fi
determinați din valorile secvenței pondere și din condiția ca primele n ⋅ 2 eșantioane
ale secvenței pondere asociate modelului (17) sǎ concidǎ cu primele n ⋅ 2 eșantioane
ale secvenței pondere rezultate din mǎsurǎtori.
Exemplul 35: Estimarea parametrilor unui model de ordinul 3 pe baza secvenței
pondere. Cazul semnalelor discrete.
Pentru 3 = n modelul procesului din relația (17) se scrie sub forma

( ) [ ] ( ) [ ] t u q b q b q b t y q a q a q a ⋅ ⋅ + ⋅ + ⋅ = ⋅ ⋅ + ⋅ + ⋅ +
− − − − − − 3
3
2
2
1
1
3
3
2
2
1
1
1 ,
(149.)
Un eșantion oarecare al secvenței semnalului de ieșire, [ ] t y se calculeazǎ pe baza
eșantioanelor secvenței pondere și ale eșntioanelor semnalului de intrare cu relația:

[ ] [ ] [ ]


=
− ⋅ =
0 k
k t u k g t y ,
(150.)
Ȋn Figura 50 sunt reprezentate formele de variație ale secvenței semnalului de intrare
- impulsul Dirac, [ ] [ ] t t u δ = și secvenței semnalului de ieșire - secvența pondere,
[ ] [ ] t g t y = . Secvențele acestor semnale verificǎ relațiile:

[ ] [ ]
[ ] [ ] 0 ; 0
0 ; 0
= ≠ =
≤ = =
t t t u
t t g t y
δ
.
(151.)
Din relația (149) se obține ecuația cu diferențe:

[ ] [ ] [ ] [ ]
[ ] [ ] [ ] 3 2 1
3 2 1
3 2 1
3 2 1
− ⋅ + − ⋅ + − ⋅ =
= − ⋅ + − ⋅ + − ⋅ +
t u b t u b t u b
t y a t y a t y a t y
.
(152.)
Se scrie ecuația (152) pentru 6 ; 1 = t ținând cont de relațiile (20) și se obțin expresiile:
[ ]
1
1 1 b g t = = , (153.)
[ ] [ ]
2 1
1 2 2 b g a g t = ⋅ + = ,
[ ] [ ] [ ]
3 2 1
1 2 3 3 b g a g a g t = ⋅ + ⋅ + = ,



131
[ ] [ ] [ ] [ ] 0 1 2 3 4 4
3 2 1
= ⋅ + ⋅ + ⋅ + = g a g a g a g t ,
[ ] [ ] [ ] [ ] 0 2 3 4 5 5
3 2 1
= ⋅ + ⋅ + ⋅ + = g a g a g a g t ,
[ ] [ ] [ ] [ ] 0 3 4 5 6 6
3 2 1
= ⋅ + ⋅ + ⋅ + = g a g a g a g t .
Cu aceste relații se formeazǎ urmǎtorul sistem de ecuații liniare ȋn care
necunoscutele sunt parametrii modelului, n i b a
j i
, 1 ; , = .


[ ]
[ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] ¦
¦
¦
¦
¹
¦
¦
¦
¦
´
¦
= ⋅ − ⋅ − ⋅ −
= ⋅ − ⋅ − ⋅ −
= ⋅ − ⋅ − ⋅ −
= + ⋅ − ⋅ −
= + ⋅ −
=
6 3 4 5
5 2 3 4
4 1 2 3
3 1 2
2 1
1
3 2 1
3 2 1
3 2 1
3 2 1
2 1
1
g a g a g a g
g a g a g a g
g a g a g a g
g b a g a g
g b a g
g b
.

(154.)
Acest sistem de ecuații se poate scrie sub formǎ matricealǎ dupǎ cum urmeazǎ.

[ ]
[ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
(
(
(
(
(
(
(
¸
(

¸

=
(
(
(
(
(
(
(
(
¸
(

¸

(
(
(
(
(
(
(
¸
(

¸

− − −
− − −
− − −
− −

6
5
4
3
2
1
0 0 0 3 4 5
0 0 0 2 3 4
0 0 0 1 2 3
1 0 0 0 1 2
0 1 0 0 0 1
0 0 1 0 0 0
3
2
1
3
2
1
g
g
g
g
g
g
b
b
b
a
a
a
g g g
g g g
g g g
g g
g
.
(155.)
Sistemul de ecuații este compatibil dacǎ matricea sistemului este nesingularǎ. In
acest caz, cei șase parametri ai modelului pot fi determinați pe baza a șase valori
estimate ale funcției pondere. Dacǎ valorile estimate ale secvenței pondere sunt
afectate de zgomot atunci valorile estimate ale parametrilor modelului nu vor coincide
cu valorile teoretice. Ȋn cazul ideal, dacǎ valorile estimate ale secvenței pondere
coincid cu valorile teoretice, atunci valorile parametrilor modelului, estimați prin
rezolvarea sistemului de ecuații (155) coincid cu valorile teoretice.
Efectul zgomotului asupra preciziei modelului estimat
Pentru reducerea efectului zgomotelor de mǎsurare, se efectuează un numǎr cât mai
mare de experimente ȋn condiții similare după care se calculează curba medie de
variaţie a răspunsului - dacă acest lucru este posibil.
Ȋn Figura 51 domeniul valorilor rezultate din 100 de experimente este situat ȋntre
curbele reprezentate cu linie ȋntreruptǎ. Curba medie a rǎspunsului, rezultatǎ prin
medierea valorilor eșantioanelor de același ordin, se apropie mult de curba
rǎspunsului adevărat - neperturbat de zgomote dacǎ media statisticǎ a zgomotului
este egală cu zero, independentǎ de timp.




132

Figura 51. Graficele rǎspunsurilui la semnal treaptǎ ale unui cu ȋntârziere de ordinul doi - dreapta; (1)
- curba teoreticǎ și (2) - curba experimentalǎ reprezentând curba medie a 100 de
experimente afectate de zgomote.
Aceastǎ afirmație, valabilǎ pentru cazul zgomotelor staționare poate fi probatǎ
teoretic dupǎ cum urmeazǎ.
Se utilizează notațiile:
N numǎrul de repetǎri ale experimentului.
[ ] t y
i

valoarea eşantionului la momentul [ ] t a secvenţei
răspunsului sistemului, determinat în cadrul testului cu
numărul N i ; 1 = al experimentului;

[ ] t n
i

valoarea eşantionului zgomotului aditiv la momentul [ ] t la
ieşirea sistemului, determinat în cadrul testului cu numărul
i al experimentului;

[ ] t g
valoarea teoretică a eșantionului secvenței pondere a
sistemului la momentul [ ] t ;

[ ] t gˆ valoarea estimată a secvenţei pondere la momentul [ ] t .
rezultă:

[ ] [ ] [ ] [ ] ( )
∑ ∑
= =
+ ⋅ = ⋅ =
N
i
i
N
i
i
t n t g
N
t y
N
t g
1 1
1 1
ˆ .
(156.)
Dacă zgomotul aditiv [ ] t n
i
este necorelat cu răspunsul sistemului şi impunând
condiția ∞ → N , rezultă pentru valoarea medie a estimatului expresia următoare.
[ ] { } [ ] [ ] { } [ ]
n
t g t n E t g t g E µ + = + = ˆ ; (157.)
Eroarea sistematicǎ de estimare
Eroarea sistematică de identificare a procesului reprezintǎ diferenţa dintre valoarea
estimată a răspunsului la un moment oarecare [ ] t şi valoarea teoretică a acestuia.
Rezultǎ din relația (26)

[ ] { } [ ]
n
t g t g E µ ε = − =

ˆ ;
(158.)
cǎ eroarea sistematicǎ de estimare este egală cu valoarea mediei statistice a
zgomotului aditiv de la ieşirea procesului.



133
Dacă valoarea medie statistică a zgomotului aditiv este egalǎ cu zero și dacă
numărul de experimente ȋn condiții identice, utilizate ȋn calcule tinde spre infinit,
atunci eroarea sistematică de identificare a procesului va tinde către zero.
Ȋn aplicații, pentru determinarea valorii mediei statistice a zgomotului aditiv se
măsoară răspunsul sistemului atunci când la intrare nu se aplică semnal de
comandă, [ ] t y
L
şi se calculează valoarea medie corespunzătoare.

[ ]

=
∞ →
⋅ =
N
t
L
N
n
t y
N
lim
1
1
µ .
(159.)
Varianța estimatorului rǎspunsului pondere
Teorema 14: Dacă secvenţele zgomotului aditiv în toate cele N teste de identificare
sunt necorelate statistic între ele, atunci varianţa estimatorului răspunsului
pondere al sistemului este dată de expresia:
[ ] ( )
2
1
ˆ var
n
N
t g σ ⋅ = . (160.)
în care
2
n
σ este varianţa zgomotului aditiv [ ] { }
+∞
=0 t
t n la ieşirea sistemului.
Demonstraţie:
(i) [ ] [ ] ( ) [ ] { } [ ] [ ] ( ) [ ] { }
2 2
ˆ ˆ
n n
t g t g E t g t g E µ µ − − = + − .
(ii)
[ ] [ ] [ ] [ ] ( )
∑ ∑
= =
− ⋅ = − |
¹
|

\
|
⋅ = −
N
i
n i n
N
i
i
t n
N
t n
N
t g t g
1 1
1 1
ˆ µ µ

Din relaţiile (i) şi (ii) rezultă,
(iii)
[ ] ( ) [ ] [ ] ( ) { }
2
1
2
2
2
1
2
1 1 1
ˆ var
2
n
N
i
n i n
N
i
i
N
t n E
N
t n E
N
t g
n
σ µ µ
σ
⋅ = − ⋅ =
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
¹
|

\
|
− ⋅ =
∑ ∑
= =
4 4 3 4 4 2 1


Rezultǎ cǎ varianţa estimatorului răspunsului pondere descreşte dacă numărul de
teste, N este mare. Prin medierea valorilor cu același indice rezultate din mai multe
experimente efectuate ȋn aceleași condiții, eroarea sistematicǎ a estimatorului
rǎspunsului pondere tinde spre media statisticǎ a zgomotului care a perturbat
mǎsurǎtorile. Pe de altǎ parte, abaterile unei realizǎri anumite a estimatorului, fațǎ de
rǎspunsul pondere teoretic, neperturbat sunt proporționale cu varianța zgomotului și
invers proporționale cu numǎrul de experimente luate ȋn calcul. Rezultǎ cǎ abaterile
acelei realizǎri a estimatorului fațǎ de valoarile teoretic reale sunt mici dacǎ ȋn calcule
au fost utilizate rezultatele unui numǎr mare de experimente.
Definiția 56: Estimator consistent. Un estimator care este convergent spre valoarea
teoretică neperturbată a procesului se numeşte estimator consistent.
Metoda analizei ȋn frecvențǎ
Principiul metodei
Metoda analizei în frecvenţă permite determinarea experimentală a funcţiei de
frecvenţă a procesului analizat.



134
Metoda constă în aplicarea unui semnal de comandă de tip sinusoidal cu amplitudine
şi frecvență cunoscute cu exactitate; se măsoară amplitudinea răspunsului sistemului
precum și defazajul dintre semnalul de comandă şi răspunsul sistemului. Perechea
de valori reprezentatǎ de raportul dintre amplitudinile semnalelor sinusoidale de
ieșire și de intrare, respectiv defazajul dintre acestea precum și frecvența semnalelor
permit determinarea valorilor modulului și a argumentului funcției de frecvențǎ
corespunzǎtoare frecvenței date. Prin repetarea experimentului pentru valori
crescătoare ale frecvenţei pornind de la valoarea zero (semnal continuu) până la o
valoare maximă admisibilă (teoretic până la infinit) se obține o mulțime numǎrabilǎ de
valori ale funcției de frecvențǎ a sistemului.
Avantajul acestei metode constă caracterul selectiv ȋn domeniul frecvențelor. Fațǎ de
alte metode de identificare, metoda analizei ȋn frecvențǎ permite evidenţierea cu
precizie a frecvenţelor de rezonanţă ale sistemului. Dezavantajul metodei constǎ ȋn
sensibilitatea la zgomote precum și ȋn faptul cǎ, ȋn practicǎ, de cele mai multe ori
instalațiile fixate nu permit utilizarea semnalelor sinusoidale ca semnale de intrare.
Dacǎ la portul de intrare al unui sistem liniar se aplicǎ un semnal sinusoidal de forma
( ) ( ) t U t u
M
⋅ ⋅ = ω sin , atunci semnalul la portul de ieșire al sistemului este dat de relația
care urmează (demonstrată la Capitolul 4):

( ) ( ) ( ) ( ) { } [ ] ω ω ω ϕ ω ⋅ + ⋅ ⋅ ⋅ ⋅ = + ⋅ ⋅ = j G t j G U t Y t y
M M
arg sin sin .
(161.)
Modulul și argumentul funcției de frecvențǎ se determinǎ pe baza relațiilor (30) cu
relațiile urmǎtoare:

( )
K
M
M
U
Y
j G
ω ω
ω
=
= ⋅ ,
(162.)

( ) { }
K
j G
ω ω
ϕ ω
=
= ⋅ arg .
(163.)
Ȋn care
M
U ,
M
Y reprezintǎ amplitudinea și ϕ reprezintǎ defazajul dintre semnalele la
porturile de intrare/ieșire ale sistemului corespunzǎtoare frecvenței de probǎ
K
ω .
Pentru determinarea funcției de frecvențǎ din date rezultate prin mǎsurǎtori
experimentale pe baza relațiilor (162) și (163), este necesarǎ mǎsurarea cât mai
precisǎ a amplitudinilor și defazajului semnalelor la cele douǎ porturi ale sistemului.
Instrumentele ȋnregistratoare precum și osciloscopul electronic permit fie
ȋnregistrarea variației celor douǎ semnale ȋn funcție de timp fie ȋnregistrarea variației
semnalului de ieșire ȋn funcție de variația semnalului de intrare - metoda figurilor
Lissajous. Cele douǎ moduri de ȋnregistrare ale semnalelor sunt prezentate ȋn
Figurile 52 - 53.
Metoda analizei ȋn frecvențǎ - varianta directǎ
Ȋn abordarea directǎ, cu ipoteza cǎ perturbațiile datorate zgomotelor aditive sunt
neglijabile, amplitudinea semnalelor și defazajul se mǎsoarǎ direct pe curbele de
variație, Figura 52. Osciloscopul electronic cu douǎ canale cu memorie permite
declanșarea achiziției datelor la trecerea prin zero a unuia dintre semnale precum și
mǎsurarea cu precizie atât a intervalelor de timp cât și a valorilor maxime ale
semnalelor; aceasta permite eliminarea erorilor de citire a valorilor mǎsurate.



135
Dacǎ se utilizeazǎ metoda figurilor Lissajous, atunci rezultatul ȋnregistrǎrii este o
elipsǎ.

Figura 52. Metoda analizei ȋn frecvențǎ - abordarea directǎ; implementarea metodei pe curbele de
variație ȋn funcție de timp ale semnalelor de intrare/ieșire.

Figura 53. Implementarea metodei pe curba reprezentând dependența semnalului de ieșire ȋn
funcție de semnalul de intrare.
Valorile modulului respectiv argumentului funcției de frecvențǎ, date de relațiile (162)
și (163), corespunzǎtoare frecvenței semnalelor la care se efectueazǎ determinarea
se obțin prin mǎsurarea lungimii segmentelor [ ] OA , [ ] OB , [ ] OC și [ ] OD reprezentate
ȋn Figura 53 dupǎ cum urmeazǎ.

( )
K
j G
U
Y
OB
OD
OA
OC
M
M
ω ω
ω
=
⋅ = = = ,
(164.)

( ) { }
K
j G
OD
OC
OB
OA
ω = ω
ω ⋅ = ϕ =
|
¹
|

\
|
=
|
¹
|

\
|
arg arctg arctg .
(165.)

Pentru demonstrarea afirmațiilor de mai sus, ȋn relațiile (164) - (165) se eliminǎ
variabila t ⋅ ω și se obține forma implicitǎ a ecuației curbei dupǎ cum urmeazǎ:
(i)
( ) ( )
( ) ( )
¹
´
¦
+ ⋅ ⋅ =
⋅ ⋅ =
ϕ ω
ω
t Y t y
t U t u
M
M
sin
sin

( )
( ) ( )
( )
( ) ( )
¦
¦
¹
¦
¦
´
¦
+ = + ⋅ =
= ⋅ =
+ =
=
ϕ γ ϕ ω
γ ω
ϕ γ
γ
sin sin
sin sin
43 42 1
3 2 1
t
Y
t y
t
U
t u
M
M
;



136
⇒ ( ) ( ) ( ) ( ) ϕ γ ϕ γ sin cos cos sin ⋅ + ⋅ =
M
Y
y
⇒ ( ) ( ) ϕ ϕ sin 1 cos
2
2
⋅ − + ⋅ =
M M M
U
u
U
u
Y
y
;

( ) ( ) ϕ ϕ sin 1 cos
2
2
⋅ − = ⋅ −
M M M
U
u
U
u
Y
y
; ( ) ( ) ϕ ϕ
2
2
2
2
sin 1 cos ⋅
(
¸
(

¸

− =
(
¸
(

¸

⋅ −
M M M
U
u
U
u
Y
y
;

( ) ( ) ( ) ϕ ϕ ϕ
2
2
2
2
2
2
2
2
sin 1 cos cos 2 ⋅
(
¸
(

¸

− = ⋅ + ⋅ ⋅ ⋅ −
M M M M M
U
u
Y
y
Y
y
U
u
Y
y
;
(ii) ( ) ( ) 0 sin cos 2
2
2
2
2
2
= − + ⋅ ⋅ ⋅ − ϕ ϕ
M M M M
U
u
Y
y
U
u
Y
y
.

Se comparǎ expresia (ii) cu expresia generalǎ a conicelor definite ȋn planul ( ) uOy :

0 2
00 20 10
2
22 12
2
11
= + ⋅ + ⋅ + ⋅ + ⋅ ⋅ ⋅ + ⋅ a y a u a y a y u a u a ;
(166.)

; ;
cos
;
2
M
22
M M
21 12 2
M
11
Y
1
a
Y U
a a
U
1
a =

ϕ −
= = =
(167.)

ϕ − = = =
2
00 02 01
a 0 a a sin ; .

rezultǎ cǎ expresia curbei plane reprezintǎ ecuația unei conice ȋn planul ( ) uOy .
Din relațiile (167) se obțin expresiile invarianților conicei:

0
sin
sin 0 0
0
1 cos
0
cos 1
2 2
4
2
2
2
00 02 01
20 22 21
10 12 11


− =





= = ∆
M M M M M
M M M
Y U Y Y U
Y U U
a a a
a a a
a a a
ϕ
ϕ
ϕ
ϕ
;
(168.)

0
sin cos
1
1 cos
cos 1
2 2
2
2 2
2
2 2
2
2
22 21
12 11
>

=



=




= =
M M M M M M
M M M
M M M
Y U Y U Y U
Y Y U
Y U U
a a
a a ϕ ϕ
ϕ
ϕ
δ ;
(169.)

2 2 22 11
1 1
M M
Y U
a a I + = + = .
(170.)

Pe baza relațiilor prezentate rezultǎ concluziile: conica este nedegeneratǎ și conica
este de tip eliptic.
Relațiile de mai sus se demonstreazǎ pe baza reprezentǎrii implicite a ecuației
elipsei și a expresiilor coordonatelor punctelor { } A , { } B , { } C și respectiv { } D .
Demostrația este schițatǎ ȋn tabelul care urmează.



137
Tabelul 21. Expresiile coordonatelor punctelor { } A , { } B , { } C , { } D și lungimile segmentelor
prezentate ȋn Figura 5.
Pct. Coordonate Ecuația Soluția ecuației Lungimea
{ } A

( ) 0 ;
A
u A

0 sin
2
2
2
= − ϕ
M
A
U
u

ϕ ⋅ ± = sin
M A
U u

ϕ ⋅ = sin
M
U OA

{ } B

( ) 0 u B
B
;

0
U
u
2
U
u
2
M
B
2
M
2
B
= ϕ +
+ ϕ ⋅ ⋅ −
cos
cos

ϕ ⋅ = cos
M B
U u

ϕ ⋅ = cos
M
U OB

{ } C

( )
C
y 0 C ;

0
Y
y
2
2
M
2
C
= ϕ −sin

ϕ ⋅ ± = sin
M C
Y y

ϕ ⋅ = sin
M
Y OC

{ } D

( )
D
y 0 D ;

0
Y
y
2
Y
y
2
M
D
2
M
2
D
= ϕ +
+ ϕ ⋅ ⋅ −
cos
cos

ϕ ⋅ = cos
M D
Y y

ϕ ⋅ = cos
M
Y OD

Metoda analizei ȋn frecvențǎ - varianta ȋmbunǎtǎțitǎ
Precizia metodei analizei ȋn frecvențǎ, ȋn varianta directǎ scade mult dacǎ semnalul
sinusoidal de ieșire din sistem este perturbat ȋn mod semnificativ de zgomotul aditiv.
Pentru reducerea sensibilitǎții la zgomot se utilizeazǎ procedeul corelației ȋn
frecvențǎ a semnalului de ieșire. Dispozitivul fizic care implementeazǎ acest
procedeu se numește analizor de corelație ȋn frecvențǎ.
Acest procedeu constǎ ȋn ȋnmulțirea semnalului sinusoidal, perturbat de zgomot, cu
douǎ semnale de probǎ de formǎ sinusoidalǎ defazate ȋn cuadraturǎ, cu frecvența
egalǎ cu frecvența semnalului ( ) t y ; ȋn continuare, semnalele rezultate se integreazǎ
pe un numǎr ȋntreg de perioade ale semnalului ( ) t y . Rezultatele care se obțin la
ieșirea analizorului de corelație ȋn frecvențǎ sunt proporționale cu pǎrțile realǎ
respectiv imaginarǎ ale funcției de frecvențǎ a sistemului care se testeazǎ. Ȋn același
timp se rejecteazǎ atât zgomotul aditiv cât și armonicele superioare ale semnalelor
datorate componentelor neliniare ale sistemului. Diagrama-bloc a analizorului de
corelație ȋn frecvențǎ este reprezentatǎ ȋn Figura 54.


Figura 54. Diagrama analizorului de corelațe
Pentru a pune ȋn evidențǎ principiul analizorului de corelație ȋn frecvențǎ sǎ
presupunem, pentru ȋnceput cǎ rǎspunsul sistemului, ( ) t y nu este perturbat de



138
zgomot aditiv. Pentru simplificarea scrierii, se va presupune cǎ valorile amplitudinii
semnalelor de probǎ ȋn sinus și cosinus sunt egale cu unu.
Fiind date semnalele de comandǎ și respectiv rǎspunsul sistemului liniar, continuu la
semnalul de comandǎ de formǎ sinusoidalǎ având pulsația ω este:
( ) ( ) t U t u
M
⋅ ⋅ = ω sin ; (171.)

( ) ( ) ( ) { } [ ] [ ]
ω ω
ω ω ω ω Φ + ⋅ ⋅ ⋅ = ⋅ + ⋅ ⋅ ⋅ ⋅ = t G U j G t j G U t y
M M
sin arg sin .
(172.)
Semnalul care se obține la canalul de ieșire ( ) T R al analizorului este dat de relațiile
care urmeazǎ.


( ) ( ) ( ) ( ) ( ) = Φ + ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ = ⋅ ⋅ ⋅ =
∫ ∫
dt t t
T
G U dt t t y
T
T y
T
M
T
R ω ω
ω ω ω sin sin
1
sin
1
ˆ
0 0



( ) ( ) [ ] = Φ + ⋅ ⋅ − Φ ⋅

⋅ ⋅ =

dt t
T
G U
T
M
0
2 sin cos
2
1
ω ω ω
ω


( ) =
(
(
(
¸
(

¸

Φ + ⋅ ⋅ ⋅

− Φ ⋅

+ Φ ⋅ ⋅

⋅ ⋅ =
Φ ⇒

=
4 4 3 4 4 2 1
sin
2 sin
2
1
sin
2
1
cos
2
1
ω
π
ω ω ω ω
ω
ω ω
N
T
M
T T
T
G U



ω ω ω ω
Φ ⋅ ⋅ ⋅ = Φ ⋅ ⋅

⋅ ⋅ = cos
2
1
cos
2
1
G U T
T
G U
M M
;
( ) ( ) ( ) { } ( ) ( ) { } ω ω ω ⋅ ⋅ = ⋅ ⋅ ⋅ ⋅ = j G
U
j G j G
U
T y
M M
R
Re
2
arg cos
2
ˆ . (173.)
Printr-un raționament analog, se obține urmǎtoarea expresie pentru canalul de ieșire
( ) T I :
( ) ( ) ( ) { } ( ) ( ) { } ω ω ω ⋅ ⋅ = ⋅ ⋅ ⋅ ⋅ = j G
U
j G j G
U
T y
M M
I
Im
2
arg sin
2
. (174.)
Mulțimea valorilor funcției de frecvențǎ, rezultatǎ din mǎsurǎtori experimentale se
utilizeazǎ pentru estimarea graficului funcției de frecvențǎ a sistemului care se
testeazǎ. Funcția de frecvențǎ se poate reprezenta grafic sub forma (a) diagramelor
Bode, (b) diagramei polare sau (c) diagramei Nichols. Aceste diagrame pot fi utilizate
pentru estimarea valorilor parametrilor funcției de frecvențǎ dacǎ sistemul care se
testeazǎ este ȋncadat a-priori ȋntr-o clasǎ de modele cunoscutǎ.
Estimarea parametrilor funcției de frecvențǎ pe baza diagramelor
Bode pentru cazul sistemelor de ordinul unu și sistemelor de ordinul
doi fǎrǎ timp mort
Expresia funcției de frecvențǎ pentru cazul sistemelor de tip
1
PT fǎrǎ timp mort este
urmǎtoarea.



139

( )
f
a
T j
K
j G
⋅ ⋅ +
= ⋅
ω
ω
1
,
(175.)
Ȋn care
a
K reprezintǎ factorul de proporționalitate și
f
T este constanta de timp.
Diagramele Bode ale unui sistem reprezentat prin expresia (175) sunt prezentate ȋn
Figura 55.
Parametrii funcției de frecvențǎ,
a
K și
f
T pot fi determinați pe baza reprezentǎrilor
grafice ale diagramelor Bode astfel: (a) factorul de proporționalitate,
a
K se estimeazǎ
pe diagrama amplitudine-pulsație respectiv ordonata punctului de intersecție cu axa
ordonatelor a asimptotei la grafic ȋn zona frecvențelor joase, 0 → ω .

( )
( )
dB
j G
a
dB
a
K j G K
0
20
1
0
10 log 20

⋅ ⋅

= ⇒ ⋅ = ⋅
ω
ω
ω
ω ;
(176.)
(b) constanta de timp,
f
T se estimeazǎ pe diagrama argument-pulsație. Se
estimeazǎ pe grafic pulsația de frângere a funcției de frecvențǎ,
f
ω care este
abscisa punctului având ordonata ( ) { }
0
45 arg − = ⋅
f
j G ω . Constanta de timp se
calculeazǎ cu relația care urmeazǎ.

f
f
T
ω
1
= .
(177.)
Demonstrația acestor relații se prezintǎ ȋn lucrarea [9].


Figura 55. Estimarea parametrilor funcției de transfer a unui sistem proporțional cu ȋntârziere de
ordinul unu fǎrǎ timp mort pe baza diagramelor Bode.



140
Pentru cazul sistemelor de ordinul doi, subamortizate, fǎrǎ timp mort, funcția de
frecvențǎ este datǎ de urmǎtoarea expresie:

( )
n n
a
j
K
j G
ω
ω
ς
ω
ω
ω
⋅ ⋅ ⋅ + −
= ⋅
2 1
2
,
(178.)
ȋn care
a
K reprezintǎ factorul de proporționalitate, ς este factorul de amortizare
și
n
ω este pulsația naturalǎ.
Ȋn Figura 56 sunt reprezentate diagramele Bode pentru un sistem din aceastǎ clasǎ.
Factorul de proporționalitate se estimeazǎ pe diagrama amplitudine-pulsație fiind
numeric egală cu ordonata punctului de intersecție dintre axa verticalǎ și asimptota la
grafic ȋn zona frecvențelor joase, 0 → ω .
Pulsația naturalǎ,
n
ω se estimeazǎ pe diagrama argument-pulsație; este abscisa
punctului având ordonata ( ) { }
0
90 arg − = ⋅
n
j G ω .
Factorul de amortizare, ζ se estimeazǎ pe diagrama amplitudine-pulsație ȋn punctul
de maxim al diagramei ( )
dB
r
r
j G M
ω ω
ω
=
⋅ = . Modulul funcției de frecvențǎ omolog
acestui punct, corespunde frecvenței de rezonanțǎ a sistemului,
r
ω .

( ) 2 2 ; 0
1 2
log 20
2

− ⋅ ⋅
⋅ = ζ
ζ ζ
a
r
K
M .
(179.)


Figura 56. Estimarea parametrilor funcției de transfer a unui sistem proporțional cu ȋntârziere de
ordinul doi, subamortizat, fǎrǎ timp mort pe baza diagramelor Bode.



141
Din relația precedentǎ se estimeazǎ valoarea factorului de amortizare cu expresia
care urmeazǎ.

10 2
10 4 2
r
M
a
K

⋅ − − = ζ . (180.)
Efectul zgomotului asupra preciziei modelului estimat cu metoda
analizei ȋn frecvențǎ
Ȋn continuare se considerǎ cǎ semnalul la ieșirea sistemului testat este perturbat de
zgomotul aditiv ( ) t ν conform relației:
( ) ( ) ( ) t t Y t y
M
ν ϕ ω + + ⋅ ⋅ = sin . (181.)
Cu ipoteza cǎ zgomotul ( ) t ν este de tip staționar cu media statisticǎ zero, 0 =
ν
µ și
varianța
2 2
λ σ
ν
= , efectul zgomotului asupra preciziei estimatului va fi evaluat cu
ajutorul varianței ( ) [ ] T yˆ var ȋn care yˆ reprezintǎ semnalul la ieșirea analizorului de
frecvențǎ iar T este perioada semnalelor.
Metoda analizei ȋn frecvențǎ - varianta directǎ
Fie ( ) [ ] N i T t t y
i
, 1 , ; 0 ; = ∈ valorile semnalului de ieșire ale analizorului de frecvențǎ
rezultate la experimentul i date de expresia (181).
Se evaluează abaterea față de cazul teoretic, ∞ → N și se obține după cum
urmează.

( ) [ ] ( ) ( ) ( ) { } ( ) [ ]
( ) [ ] ( )
2 2 2 2
2
0
arg sin ˆ var
ν ν ν νν
λ µ λ ν
ω ω ω
= + = = =
= ⋅ + ⋅ ⋅ ⋅ ⋅ − =
r t E
j G t j G U t y E T y
M i
.
(182.)
Metoda analizei ȋn frecvențǎ - varianta ȋmbunǎtǎțitǎ
Expresiile semnalelor la ieșirile analizorului de corelație ȋn frecvențǎ pentru canalul ȋn
sinus respectiv ȋn cosinus sunt date de relațiile (172) și respectiv (173) ȋn care
semnalul ( ) t y este dat prin relația (181).
Efectul rejecției zgomotului ȋn cazul variantei ȋmbunǎtǎțite se bazeazǎ pe
proprietatea de ortogonalitate a funcțiilor sinus și cosinus. Pornind de la faptul cǎ
zgomotul de bandǎ largǎ este format dintr-o infinitate de armonici ȋn sinus și cosinus,
prin ȋnmulțirea cu un semnal sinusoidal de o frecvențǎ datǎ și integrarea pe un
numǎr ȋntreg de perioade, doar armonica de aceeași frecvențǎ va da un rezultat
diferit de zero; toate celelalte componente dau rezultate nule.
Se va evalua raportul din relația pentru semnalul de la ieșirea canalului ȋn sinus.

( ) ( ) ( ) [ ] ( ) ( ) ( ) ( ) ( ) = ⋅ ⋅ ⋅ + ⋅ ⋅ ⋅ = ⋅ ⋅ + ⋅ =
∫ ∫ ∫
dt t t
T
dt t t y
T
dt t t t y
T
T y
T T T
R
0 0 0
sin
1
sin
1
sin
1
ˆ ω ν ω ω ν

( ) ( )

⋅ ⋅ ⋅ + Φ ⋅ ⋅ ⋅ =
T
M
dt t t e
T
G U
0
sin
1
cos
2
1
ω
ω ω
;




142

( ) [ ] ( ) ( ) =
(
¸
(

¸

⋅ ⋅ ⋅ =

2
0
sin
1
ˆ var
T
R
dt t t e
T
E T y ω


( ) ( ) ( ) ( ) = |
¹
|

\
|
⋅ ⋅ ⋅ ⋅ ⋅ ⋅ =
∫ ∫
T T
dt dt t t e t t e E
T
0 0
2 1 2 2 1 1 2
sin sin
1
ω ω


( ) ( ) ( )
∫ ∫
⋅ ⋅ ⋅ ⋅ − ⋅ =
T T
dt dt t t t t r
T
0 0
2 1 2 1 2 1 2
sin sin
1
ω ω
νν
.
(183.)
Pe baza ipotezei cǎ zgomotul aditiv ( ) t ν este staționar rezultǎ cǎ funcția de
autocorelație este mǎrginitǎ respectiv:

( ) ( ) 0 ; 0 > ⋅ ≤
⋅ −
α τ
τ α
νν νν
e r r .


( ) [ ] ( ) ( ) ≤
|
¹
|

\
|
⋅ = − ⋅ ≤
∫ ∫ ∫ ∫


T t T
t
T T
R
dt d r
T
dt dt t t r
T
T y
0
2 2
0 0
2 1 2 1 2
2
2
1 1
ˆ var τ τ
νν νν



( ) ( )
( )
α
λ
α
τ τ τ
ν νν τ α
νν νν


=


= ⋅ ⋅ ⋅ ⋅ ≤ |
¹
|

\
|
⋅ ≤
∫ ∫ ∫

⋅ −
∞ +
∞ −
T T
r
d e r T
T
dt d r
T
T
2
0
0
2 2 2
2 0 2
0 2
1 1

(184.)
Ȋn relația precedentă, parametrul α și varianța,
2
ν
λ sunt caracteristici ale zgomotului.
T reprezintǎ perioada semnalului sinusoidal pe durata cǎreia se face estimarea. Din
aceastǎ relație rezultǎ cǎ varianța estimatorului analizorului de corelație ȋn frecvențǎ
depinde direct proporțional de varianța zgomotului,
2
ν
λ și invers proporțional de
perioada T . Alegând o valoare a perioadei T suficient de mare, varianța
estimatorului analizorului de corelație ȋn frecvențǎ poate fi scǎzutǎ la o valoarea mai
micǎ decât varianța estimatorului analizorului ȋn frecvențǎ - varianta directǎ.
Metoda analizei de corelație
Metoda analizei de corelație care se prezintă ȋn continuare precum și metoda
analizei spectrale care se prezentă ȋn paragraful urmǎtor permit identificarea
modelului de tip neparametric al sistemului testat prin evaluarea modului ȋn care
energia, puterea sau densitatea de putere ale semnalului de intrare se disipǎ ȋn
sistem.
Datoritǎ acestui fapt aceste metode permit utilizarea secvențelor de semnale
aleatoare staționare de bandǎ largǎ - numite și procese aleatoare - ca semnale de
intrare. Avantajul utilizǎrii proceselor aleatoare pentru identificarea sistemelor constǎ
ȋn (a) reducerea duratei experimentului, (b) sensibilitatea scǎzutǎ la zgomotul aditiv
pe liniile de mǎsurare și (c) nu necesită dispozitive dedicate pentru generarea
semnalelor de test generatoarele de semnal aleator fiind implementate software.
5.3.1 Principiul metodei
Metoda analizei de corelație constǎ determinarea secvenței pondere a sistemului
testat, [ ] { }

=0 k
k g prin evaluarea ecuației Wiener-Hopf ȋntre funcțiile de corelație ale
secvențelor semnalelor de intrare, [ ] { }

=0 k
k u respectiv de ieșire, [ ] { }

=0 k
k y :



143

[ ] [ ] [ ] k r k g r
uu
k
yu
− ⋅ =


=
τ τ
0
,
(185.)
ȋn care:
(i)
[ ] [ ] [ ] [ ] k n i k u i g k y
i
+ − ⋅ =


=0


este modelul procesului, [ ] k n este zgomotul aditiv la portul de ieșire al sistemului și
(ii)
[ ] [ ] [ ] { } [ ] [ ]


=
∞ →
⋅ + ⋅ = ⋅ + =
0
1
lim
k
N
yu
k u k y
N
k u k y E r τ τ τ ,

(iii)
[ ] [ ] [ ] { } [ ] [ ]


=
∞ →
⋅ + ⋅ = ⋅ + =
0
1
lim
k
N
uu
k u k u
N
k u k u E r τ τ τ ,

reprezintǎ funcția de intercorelație dintre semnalele de ieșire și de intrare - relația (i),
respectiv funcția de autocorelație a semnalului de intrare - relația (ii).
Pentru cazul ȋn care semnalul de intrare este zgomotul alb, funcția de autocorelație
este datǎ de relația:

[ ]
{ }
¹
´
¦

=
=
0 \ 0
0
2
R
r
u
uu
τ
τ λ
τ .
(186.)
Cu ipoteza cǎ semnalul de ieșire nu este perturbat cu zgomot aditiv, pe baza relației
(186) rezultǎ cǎ:
[ ]
[ ]
[ ]
[ ]
0
0
ˆ
2
≥ = = τ
λ
τ τ
τ
u
yu
uu
yu
r
r
r
g . (187.)
Ȋn care, [ ]
+
∈ τ τ R , r
yu
este funcția de intercorelație intrare / ieșire și [ ] τ gˆ este secvența
pondere estimată a sistemului.
Cu alte cuvinte, eșantioanele secvenței pondere sunt direct proporționale cu
eșantioanele funcției de intercorelație dintre semnalele de ieșire și de intrare; factorul
de proporționalitate este inversul varianței zgomotului alb,
2
1 λ .

Figura 57. Estimarea secvenței pondere a unui sistem de tip
1
PT
cu metoda analizei de corelație; o
secvențǎ a semnalului de intrare



144

Figura 58. Estimarea secvenței pondere a unui sistem de tip
1
PT
cu metoda analizei de corelație;
secvențe ale semnalului de ieșire, (1) și zgomotului (2).

Figura 59. Estimarea secvenței pondere a unui sistem de tip
1
PT
cu metoda analizei de corelație; o
estimare a funcției de autocorelație a semnalului de intrare.

Figura 60. Estimarea secvenței pondere a unui sistem de tip
1
PT
cu metoda analizei de corelație;
secvența pondere, (1) - curba teoreticǎ, (2) - media a 100 de determinǎri ale secvenței funcției de
intercorelație dintre semnalele de intrare/ieșire, (3) - curbele limitǎ ale valorilor secvențelor funcției
de intercorelație rezultate din cele 100 de experimente.
O alternativǎ constǎ ȋn aproximarea secvenței pondere realǎ cu o secvența pondere
trunchiatǎ [4]:

[ ]
[ ]
¹
´
¦
>
=
=
M k
M k k g
k g
0
, 1
ˆ .
(188.)



145
Modelul sistemului descris prin relația precedentǎ se numește modelul FIR al
sistemului de la finite impuse response (eng.).
Pe baza relațiilor (185) și (186) se obține urmǎtorul sistem de M ecuații liniare cu
M necunoscute.

[ ]
[ ]
[ ]
[ ] [ ] ( ) [ ]
[ ] [ ] ( ) [ ]
[ ] [ ] [ ]
[ ]
[ ]
[ ]
=
(
(
(
(
¸
(

¸



(
(
(
(
¸
(

¸

− −
− −
− − −
=
(
(
(
(
(
¸
(

¸

− 1 ˆ
1 ˆ
0 ˆ
0 ˆ 2 ˆ 1 ˆ
1 1 ˆ 0 ˆ 1 ˆ
1 ˆ 1 ˆ 0 ˆ
1 ˆ
1 ˆ
0 ˆ
M g
g
g
r M r M r
M r r r
M r r r
M r
r
r
uu uu uu
uu uu uu
uu uu uu
yu
yu
yu
M
K
M K M M
K
K
M



[ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ]
[ ]
[ ]
(
(
(
(
¸
(

¸



(
(
(
(
¸
(

¸

− −


=
1 ˆ
1 ˆ
0 ˆ
0 ˆ 2 ˆ 1 ˆ
2 ˆ 0 ˆ 1 ˆ
1 ˆ 1 ˆ 0 ˆ
M g
g
g
r M r M r
M r r r
M r r r
uu uu uu
uu uu uu
uu uu uu
M
K
M K M M
K
K
.
(189.)
Implementarea metodei, ȋn ambele variante asociazǎ urmǎtoarele probleme: (1)
deoarece calculele se efectuezǎ pe secvențe de lungime finitǎ ale semnalelor prima
problemǎ constǎ ȋn evaluarea erorilor sistematice ale metodei și (2) valorile rezultate
din mǎsurǎtori sunt inerent afectate de zgomot, prin urmare se pune problema
efectului zgomotului aditiv pe liniile de mǎsurare asupra preciziei modelului estimat.
Exemplul 36: Identificarea unui proces de tip
1
PT .
Ȋn Figura 60 se prezintǎ rezultatele implementǎrii metodei analizei de corelație pentru
un sistem descris prin funcția de transfer:
( )
1 1 . 0
10
+ ⋅
=
s
s G . (190.)
Semnalul la portul de intrare, [ ] { }
1000
1 = k
k u este un proces aleator aleator staționar, cu
distribuție normalǎ, valoarea medie 0 =
u
µ și varianța 1
2
=
u
σ . Domeniul de valori ale
semnalului de intrare este reprezentat de mulțimea numǎrabilǎ { } 1 ; 0 ; 1 − . Semnalul la
portul de ieșire al sistemului a fost perturbat cu un zgomot aditiv, cu distribuție
uniformǎ, necorelat cu semnalul la portul de intrare al sistemului. Maximul
amplitudinii zgomotului aditiv reprezintǎ % 10 din amplitudinea semnalului la portul de
intrare al sistemului.
Ȋn Figura 60 este reprezentat graficul funcției de autocorelație a unei realizǎri a
secvenței semnalului de intrare. Se constatǎ cǎ valorile funcției de autocorelație,
determinatǎ pe o secvențǎ de lungime finitǎ de eșantioane diferǎ valorile teoretice ȋn
special ȋn vecinǎtatea originii. Valorile funcției de intercorelație dintre semnalele de
ieșire și de intrare, calculate pentru o realizare oarecare a secvenței semnalului de
ieșire este la rǎndul ei diferitǎ de valoarea teoreticǎ a acestei funcții. Varianța funcției
de intercorelație, reprezentatǎ cu linie punctatǎ este mare.
Ȋn continuare, experimentul a fost repetat de 100 = N de ori și a fost calculatǎ funcția
de intercorelație medie asociatǎ acestor experimente. Aceastǎ funcție este
reprezentatǎ grafic ȋn Figura 60 cu linie continuǎ. Se constatǎ cǎ funcția de
intercorelație medie aproximeazǎ foarte bine funcția teoreticǎ.



146
5.3.2 Evaluarea erorilor sistematice ale metodei
Se consideră sistemului:

[ ] [ ] [ ] [ ] N ∈ ξ + ξ − ⋅ ξ =


= ξ
, k , k n k u g k y
0
.
(191.)
Ȋn care [ ] { }
+∞
=0 k
k n este un proces aleator independent ȋn raport cu semnalul de intrare.
Conform analizei prezentate ȋn acest paragraf, expresia funcției pondere estimată
este următoarea:
[ ]
[ ]
[ ] 0 r
k r
k g
uu
yu
ˆ
ˆ
ˆ = . (192.)
Problema evaluarea erorilor sistematice ale metodei analizei de corelație se reduce
la problema analizei statistice a mediei și varianței diferenței dintre valorile adevărate
ale funcției podere și valorile corespunzătoare ale estimatorului acesteia,
[ ] [ ] ( ) k g k g − ˆ .
O analiză a acestei probleme este prezentată ȋn [4], pag. 58. Concluziile care rezultă
sunt următoarele (1) ȋn medie statistică estimatorul reprezentat prin relația
precedentă converge spre valoarea adevărată și (2) o realizare oarecare a
estimatorului reprezentat prin relația de mai sus nu converge spre valoarea
adevărată chiar dacă numărul de eșantioane tinde spre infinit. Din acest motiv, se
recomandă divizarea datelor prelevate din proces ȋntr-un număr de N seturi,
aplicarea metodei de N ori; estimatorul rezultă prin medierea celor N realizări ale
acestuia.
Metoda analizei spectrale
Principiul metodei
Modelul procesului este dat de relația care urmează.

[ ] [ ] [ ] [ ] N ∈ ξ + ξ − ⋅ ξ =


= ξ
, k , k n k u g k y
0
.
(193.)
Ȋn care, [ ] { }
+∞
=0 k
k u și [ ] { }
+∞
=0 k
k n sunt procese aleatoare staționare, independente statistic,
[ ] { }
+∞
=0 k
k g este secvența pondere a sistemului; reprezentate prin densitățile spectrale
de putere proprii ( ) ω
uu
S , ( ) ω
yy
S mutuală ( ) ω
yu
S .
Metoda constǎ ȋn determinarea funcției de frecvențǎ a sistemului testat, ( )
ω ⋅ j
e G prin
evaluarea funcțiilor densitate spectralǎ de putere proprie a semnalului de intrare,
( ) ω
uu
S și densitate spectralǎ de putere mutualǎ dintre semnalele la porturile de
ieșire și de intrare ale sistemului, ( ) ω
yu
S .
Evaluarea funcției de frecvențǎ se face cu relațiile:
( ) ( ) ( ) ω ω
ω
uu
j
yu
S e G S ⋅ =

⇒ ( )
( )
( ) ω
ω
ω
uu
yu j
S
S
e G =

. (194.)



147



Figura 61. Experiment de analiză spectrală. Procesul aleator la portul intrare - graficul de sus și de
ieșire - graficul de jos.


Figura 62. Densitatea spectrală de putere a procesului aleator la portul de intrare - graficul de sus;
Densitatea spectrală de putere mutuală ieșire / intrare - graficul de jos; (1) și (3) curbele medii; (2)
și (4) realizările corespunzătoare testului 50.



148
Calculul funcțiilor densitate spectralǎ de putere pornind de la valori mǎsurate ale
eșantioanelor semnalelor se face cu ajutorul funcțiilor de corelație și se ține cont de
teorema Wiener-Khinchin. Rezultǎ relațiile:

( ) ( )


−∞ =
⋅ ⋅ −
⋅ ⋅

=
τ
τ ω
τ
π
ω
j
yu yu
e r S
2
1
,
(195.)

( ) ( )


−∞ =
⋅ ⋅ −
⋅ ⋅

=
τ
τ ω
τ
π
ω
j
uu uu
e r S
2
1
.
(196.)
Ȋn aplicații, calculele se efectueazǎ pe baza secvențelor de lungime finitǎ ale
semnalelor. Estimarea valorilor funcțiilor densitate spectralǎ de putere pe baza unei
secvențe de lungime finitǎ, N se face cu relațiile care urmeazǎ.

( ) ( )

− =
⋅ ⋅ −
⋅ ⋅

=
N
N
j
uu uu
e r S
τ
τ ω
τ
π
ω ˆ
2
1
ˆ
,
(197.)

( ) ( )

− =
⋅ ⋅ −
⋅ ⋅

=
N
N
j
yu yu
e r S
τ
τ ω
τ
π
ω ˆ
2
1
ˆ
.
(198.)
Ȋn relațiile (197), (198) rǎmâne de rezolvat problema estimǎrii valorilor funcțiilor de
corelație pe baza valorilor secvențelor mǎsurate ale semnalelor. Pentru aceasta se
utilizeazǎ urmǎtoarele relații.

( ) [ ] [ ]

=
− ⋅ ⋅ =
N
k
uu
k u k u
N
r
1
1
ˆ τ τ ,
(199.)

( ) [ ] [ ]

=
− ⋅ ⋅ =
N
k
yu
k u k y
N
r
1
1
ˆ τ τ .
(200.)
Pentru optimizarea calculelor se ține cont cǎ secvențele semnalelor sunt de lungime
finitǎ și deci valorile acestora sunt egale cu zero pentru 0 < k respectiv pentru N k > .
Rezultǎ cǎ indicii eșantioanelor trebuie sǎ satisfacǎ simultan condițiile: 1 ≥ k , N k ≤ ,
0 ≥ − k τ și N k ≤ − τ .
Din relațiile (199) - (200) rezultǎ urmǎtoarea expresie pentru valorile estimate ale
funcțiilor densitate spectralǎ de putere.

( ) [ ] [ ]
( )
( )
∑ ∑
− =
⋅ ⋅ −

− =

|
|
¹
|

\
|
− ⋅ ⋅
⋅ ⋅
=
N
N
j
N
k
uu
e k u k u
N
S
τ
τ ω
τ
τ
τ
π
ω
; 0 max
; 0 min 1
2
1
ˆ
,
(201.)

( ) [ ] [ ]
( )
( )
∑ ∑
− =
⋅ ⋅ −

− =

|
|
¹
|

\
|
− ⋅ ⋅
⋅ ⋅
=
N
N
j
N
k
yu
e k u k y
N
S
τ
τ ω
τ
τ
τ
π
ω
; 0 max
; 0 min 1
2
1
ˆ
.
(202.)
Domeniul de valori ale indicilor eșantioanelor poate fi restrâns ȋn continuare dacǎ se
face schimbarea de variabilǎ τ σ + = k și se obține:

( ) [ ] [ ]
( )
[ ] [ ] ( ) ( ) ω ω
π
σ
π
σ
π
ω
σ
ω σ ω
σ
σ ω
− ⋅ ⋅
⋅ ⋅
= ⋅ ⋅ ⋅ ⋅
⋅ ⋅
=
= ⋅ ⋅ ⋅
⋅ ⋅
=
∑∑
∑∑
=
⋅ ⋅ + ⋅ ⋅ −
=
=
− ⋅ ⋅ −
=
N N
N
k j j
N
k
N
k j
N
k
uu
U U
N
e e k u u
N
e k u u
N
S
2
1
2
1
2
1
ˆ
1 1
1 1
;
(203.)



149

( ) [ ] [ ]
( )
[ ] [ ] ( ) ( ) ω ω
π
σ
π
σ
π
ω
σ
ω σ ω
σ
σ ω
− ⋅ ⋅
⋅ ⋅
= ⋅ ⋅ ⋅ ⋅
⋅ ⋅
=
= ⋅ ⋅ ⋅
⋅ ⋅
=
∑∑
∑∑
=
⋅ ⋅ + ⋅ ⋅ −
=
=
− ⋅ ⋅ −
=
N N
N
k j j
N
k
N
k j
N
k
yu
U Y
N
e e k u y
N
e k u y
N
S
2
1
2
1
2
1
ˆ
1 1
1 1
.
(204.)
Ȋn relațiile precedente, ( ) ω
N
U și ( ) ω
N
Y reprezintǎ densitǎțile spectrale de amplitudine
ale secvențelor de lungime finitǎ N ale semnalelor de intrare și respectiv de ieșire.
Densitatea spectralǎ de putere calculatǎ pentru secvența de lungime finitǎ
N calculatǎ cu relația (203) se numește periodogramǎ.
Relațiile (203) și (204) sugereazǎ posibilitatea estimǎrii funcției de frecvențǎ pe baza
densitǎților spectrale de amplitudine ale secvențelor de lungime finitǎ N ale
semnalelor dupǎ cum urmeazǎ:

( )
( )
( ) ω
ω
ω
N
N j
U
Y
e G =
⋅ −
ˆ
.
(205.)
Funcția ( )
ω ⋅ − j
e G
ˆ
obținutǎ pe baza relației (205) se numește funcție de transfer
empiricǎ.
Estimarea funcției de frecvențǎ pe baza relației (205) și a secvențelor proceselor
aleatoare de intrare respectiv de ieșire de lungime finitǎ este imprecisǎ. Justificarea
se faptul cǎ, chiar dacǎ procesele aleatoare au transformatǎ Fourier - de exemplu
dacă sunt periodice, totuși coeficienții Fourier nu iau valori deterministe ci sunt funcții
de variabilǎ aleatoare.
Pe de altǎ parte, dacǎ estimarea se face cu relația (205) și prin estimarea funcțiilor
densitate spectralǎ de putere date de relațiile (201) și (202), funcția de frecvențǎ
estimatǎ pe baza unei singure realizǎri de lungime N a secvențelor celor douǎ
semnale nu converge spre valoarea teoreticǎ chiar dacǎ lungimea N este foarte
mare. Ȋn contrast, curba medie a funcției de frecvențǎ calculatǎ pentru un numǎr finit
de experimente realizate pe un numǎr finit de eșantioane ale semnalelor este
convergentǎ spre valoarea teoreticǎ. Cu alte cuvinte, estimatul funcției de corelație
calculatǎ pentru o secvențǎ de lungime finitǎ converge spre valoarea teoreticǎ atunci
când numǎrul de eșantioane tinde spre infinit, ȋn timp ce varianța estimatului nu tinde
spre zero ȋn aceleași condiții. Aceste rezultate pot fi observate grafic ȋn Figura 62.
Pentru a identifica mijloacele de rezolvare a problemei convergenției estimatului
funcției de frecvențǎ se propune urmǎtoarea abordare. Se pornește de la faptul cǎ
funcțiile de corelație calculate pe o secvențǎ oarecare de lungime finitǎ aproximeazǎ
funcțiile de corelație teoretice - deterministe - ale semnalelor aleatoare de intrare
respectiv de ieșire. Prin urmare, fiecare dintre aceste funcții rezultǎ prin
suprapunerea a douǎ componente (1) o componentǎ deterministǎ reprezentatǎ de
funcția de corelație teoreticǎ și (2) o componentǎ aleatoare interpretatǎ ca zgomot
aditiv. Rezultǎ cǎ, pentru ȋmbunǎtǎțirea convergenței estimatului trebuie eliminatǎ
componenta aleatoare care apare ȋn valorile estimate ale funcțiilor de corelație.
Pentru eliminarea componentei aleatoare sunt posibile urmǎtoarele douǎ abordǎri.
Prima abordare, preluatǎ de la metoda rǎspunsului tranzitoriu respectiv repetarea
experimentului ȋn condiții similare de un numǎr M de ori și calculul curbei de corelație



150
medii. Dezavantajul acestei metode constǎ ȋn necesitatea repetǎrii experimentului și
ȋn volumul mare de calcule asociate.
A doua abordare este preluatǎ din procesarea semnalelor. Ȋn acest caz, se utilizeazǎ
valori achiziționate ale secvențelor ȋn cadrul unui singur experiment; valorile rezultate
ale funcțiilor de corelație se ȋnmulțesc (se ponderează) cu valorile unei funcții
fereastrǎ, ( ) τ w

( ) ( ) ( )

− =
⋅ ⋅ −
⋅ ⋅ ⋅

=
N
N
j
yu yu
e w r S
τ
τ ω
τ τ
π
ω ˆ
2
1
ˆ
.
(206.)
Funcțiile fereastrǎ sunt astfel definite ȋncât valorile funcției să fie egale cu zero ȋn
exteriorul unui interval simetric; ȋn interiorul intervalului, funcția pondereazǎ subunitar
valorile eșantioanelor semnalului.
Trei exemple de funcții fereastrǎ sunt prezentate ȋn continuare.

( )
+

¹
´
¦
>

= R M
M
M
w ;
0
1
τ
τ
τ , (fereastrǎ dreptunghiularǎ);
(207.)

( )
+

¦
¹
¦
´
¦
>

|
¹
|

\
|

+ ⋅
= R M
M
M
M
w ;
0
cos 1
2
1
τ
τ
τ π
τ , (fereastrǎ Hamming și
Tukey)
(208.)

( )
+

¦
¹
¦
´
¦
>
≤ −
= R M
M
M
M
w ;
0
1
τ
τ
τ
τ , (fereastrǎ Bartlett)
(209.)
Ȋn Figurile 63 - 65 sunt prezentate graficele funcțiilor fereastrǎ (207), (208) și (209) și
spectrele corespunzǎtoare acestora. Se remarcǎ faptul cǎ spectrele funcțiilor
fereastrǎ conțin câte un lob central și lobi laterali delimitați prin puncte de minim
local. Ȋn domeniul frecvențelor, spectrul rezultant este produsul de convoluție dintre
spectrul funcției fereastrǎ și spectrul funcției de intercorelație calculat pe baza
secvenței de lungime finitǎ a semnalelor, respectiv:
[ ] ( )[ ] ω ω
w r rw
S S S ∗ = . (210.)

Figura 63. Reprezentare grafică a funcției fereastrǎ dreptunghiulară. Graficul din stânga -
reprezentarea ȋn domeniul timpului, graficul din dreapta - reprezentarea grafică a spectrului.



151

Figura 64. Reprezentare grafică a funcției fereastrǎ Hamming. Graficul din stânga - reprezentarea ȋn
domeniul timpului, graficul din dreapta - reprezentarea grafică a spectrului.

Figura 65. Reprezentare grafică a funcției fereastrǎ Bartlett. Graficul din stânga - reprezentarea ȋn
domeniul timpului, graficul din dreapta - reprezentarea grafică a spectrului.
Ȋn care
r
S reprezintǎ spectrul discret al funcției de intercorelație și
w
S este spectrul
discret al ferestrei.
Principiul care stǎ la baza minimizǎrii efectului zgomotului constǎ ȋn alegerea
parametrului M al ferestrei astfel ȋncât spectrul discret [ ] ω
rw
S obținut prin prelevarea
celor N frecvențe din spectrul continuu ( ) ω
rw
S sǎ conținǎ pulsațiile din lobul central -
corespunzând semnalului util și zonele de minim local asociate lobilor laterali -
datorate zgomotului.
Pentru alegerea valorilor parametrului M al ferestrei se recomandǎ respectarea
urmǎtoarelor condiții:
N M << pentru a reduce fluctuațiile aleatoare ale periodogramei funcției de
intercorelație și
( ) ( ) 0 ˆ ˆ
u u
r r << τ pentru ( ) M ≥ ∀ τ astfel ȋncât pǎrțile de interes ale spectrului sǎ nu fie
netezite.
O interpretare a rolului funcției fereastrǎ la diminuarea fluctuațiilor estimatului funcției
de frecvențǎ rezultǎ după cum urmează. Ȋn expresia funcției de autocorelație
teoreticǎ se mediazǎ suma unei infinitǎți de termeni formați din produse ale
eșantioanelor celor douǎ procese aleatoare. Ponderea cea mai mare ȋn rezultatul
final o au termenii care conțin eșantioanele la momente apropiate deoarece acestea



152
sunt corelate ȋntre ele ȋn timp ce eșantioanele la momente de timp foarte ȋndepǎrtate
unele de altele sunt slab corelate. Ȋn cazul funcției de autocorelație estimate se
mediazǎ ( ) 1 2 + ⋅ N eșantioane; corelația dintre eșantioanele proceselor aleatoare este
mult mai mare decât ȋn cazul teoretic. Prin ȋnmulțirea cu ponderi subunitare a
valorilor eșantioanelor mai ȋndepǎrtate de momentul actual scade ponderea
termenilor produselor ȋn care aceste eșantioane apar la fel cu cazul funcției de
corelație teoretice. Acest procedeu este utilizat pentru reducerea fluctuațiilor
estimatului și ȋn cazul altor metode de identificare, de exemplu ȋn cazul metodei
variabilelor instrumentale - Capitolul 7.



153
CAPITOLUL VI
PARAMETRIZAREA MODELELOR
Semnalele care sunt aplicate la porturile de intrare ale unui sistem liniar suferǎ
modificǎri datorate interacțiunii cu acesta. Rezultatul acestei interacțiuni se reflectǎ ȋn
caracteristicile semnalelor la porturile de ieșire ale sistemului. Semnalele la porturi
sunt de asemenea transformate pe liniile de mǎsurare și ȋn echipamentele de calcul
asociate experimentului. Până la acest punct s-a demonstrat cǎ ȋn absența
zgomotelor din sistem, dacǎ semnalele la portul/porturile de intrare sunt deterministe
și dacǎ se cunosc reprezentǎrile analitice ale acestora, atunci modul ȋn care se
produce interacțiunea ȋntre semnalele de intrare și sistem poate fi evaluat apriori,
pentru orice moment, pe baza unui model determinist al sistemului.
Presupunând ȋncǎ o datǎ cǎ ȋn sistem nu se produc zgomote, dacǎ la porturile de
intrare se aplicǎ procese aleatoare cu proprietǎți statistice cunoscute, atunci modul ȋn
care se produce interacțiunea dintre semnalele aleatore și sistem poate fi estimat ȋn
medie pe o infinitate de eșantioane ale semnalelor, cunoscând un model al
determinist al sistemului.
Ȋn realitate, zgomotele care se produc ȋn sistem afecteazǎ semnalele la porturile de
ieșire din sistem și prin aceasta informația utilǎ conținutǎ ȋn acestea. Sunt situații, de
exemplu unele experimente de laborator, ȋn care zgomotul din sistem este neglijabil
ȋn comparație cu semnalul util. Ȋn majoritatea cazurilor ȋnsǎ, semnalul util este
considerabil afectat de zgomot. Exemple tipice sunt instalațiile industriale,
teledetecția prin radar a obiectelor aflate la mare distanțǎ, comanda la distanțǎ prin
unde radio a roboților, etc.
Modele de zgomot ale sistemelor liniare cu parametri
constanți
Originea și porturile de intrare ale zgomotelor din sistem nu sunt cunoscute. Spre
exemplu, ȋn echipamentele electrice, sursele de zgomot sunt localizate ȋn
dispozitivele electrice / electronice care funcționeazǎ ȋn comutație, ȋn conductele de
alimentare cu energie electricǎ, ȋn circuitele magnetice ale transformatoarelor
electrice datorită fenomenul de histerezis magnetic, ȋn traductoarele de semnal și pe
liniile de mǎsurare, etc. Ȋn mașinile de lucru, zgomotele se produc ȋn rulmenți și
lagǎre cu alunecare, datoritǎ frecǎrii suprafețelor de contact dintre componente /
subansamble aflate ȋn mișcare relativǎ, la trecerea prin ajutaje a fluidelor aflate sub
presiune, datoritǎ fenomenului de rezonanțǎ mecanicǎ, etc.
Modelul de zgomot pentru procesele staționare. Teorema factorizării
spectrale
Existența zgomotului provenind din sistem poate fi pusǎ ȋn evidențǎ prin mǎsurarea
semnalelor la porturile de ieșire ȋn absența semnalelor de comandǎ la porturile de
intrare. Ȋn Figura 66 sunt reprezentate graficele semnalelor obținute la portul de ieșire
ȋn cadrul unui experiment de măsurare a momentului de inerție axial al rotorului unei
mașini electrice prin metoda lansării.




154


Figura 66. Ȋn centru, graficul curbei de autofrânare a rotorului unei mașini electrice; graficele de sus
reprezintă semnalului la portul de ieșire - turația rotorului ȋnainte de momentul inițial al autofrânării
și histograma acestuia; se evidențiează caracterul aleator al procesului; graficele de jos reprezintă
semnalul la portul de ieșire după oprirea rotorului și histograma acestuia.
Experimentul este descris ȋn Capitolul 1. Ȋn graficul din dreapta-sus sunt prezentate
valorile mǎsurate pe linia de mǎsurare cu rotorul ȋn stare de repaos. Deși mǎrimea
observatǎ - turația la axul rotorului are valoarea adevărată egală cu zero, la portul de
ieșire se observǎ prezența unui semnal aleator - graficul din stânga jos. Ȋn graficul
din stânga sus sunt prezentate valorile mǎsurate ale semnalului ȋn cadrul unei
realizǎri a experimentului cu rotorul aflat ȋn mișcare de rotație. Prezența zgomotului
poate fi remarcatǎ și ȋn acest caz. Evaluând valorile varianței și probabilității empirice
ale zgomotului ȋn cele douǎ cazuri analizate se poate constata cǎ aceste valori sunt
comparabile și deci, ȋn acest experiment sursele zgomotului sunt localizate cu
precǎdere pe linia de mǎsurare a turației.



155

Figura 67. Observări ale vitezei măsurate ȋntr-un experiment pentru determinarea experimentală a
caracteristicii mecanice a unui motor asincron

Figura 68. Observări ale cuplului măsurate ȋntr-un experiment pentru determinarea experimentală a
caracteristicii mecanice a unui motor asincron.
Ȋn graficele din Figurile 67 - 68 sunt prezentate observǎri ale vitezei și respectiv
cuplului la arborele unei mașini asincrone ȋntr-un experiment pentru determinarea
caracteristicii mecanice a unui motor asincron. Mărimea de comandă este variația
turației ȋn raport cu turația la mersul fără sarcină la arborele motorului; mărimea de
ieșire este cuplul motorului. Pentru valori mici ale variației turației, predomină
zgomotele liniilor de măsurare ȋn timp ce zgomotele din sistem sunt neglijabile
asemănător cu exemplul precedent. La variații mari ale turației, zgomotul provenit din
sistem este mare și afectează semnificativ valorile rezultate din măsurători.
Localizarea probabilă a surselor zgomotului este la nivelul modulul mecanic al
standului: jocurile ȋn angrenaje, elementele elastice, elementele de fixare.
Ȋn identificarea sistemelor, prezența zgomotului din sistem are ca efect scǎderea
preciziei algoritmilor de calcul și deci și a modelelor care se obțin. Evaluarea erorilor
datorate zgomotului precum și minimizarea acestor erori sunt obiective importante
asociate tuturor metodelor de identificare a sistemelor. Pentru a ȋndeplini aceste
obiective se utilizeazǎ - prin analogie cu modelele deterministe ale sistemelor -
reprezentǎri analitice denumite modele de zgomot.
Pentru definirea unui model de tip intrare / ieșire asociat zgomotului din sistem se
rețin următoarele caracteristici: (a) natura surselor zgomotului din sistem nu pot fi
determinate cu exactitate, deci semnalele la porturile de intrare ȋn model nu sunt
cunoscute ȋn timp ce (b) semnalul la portul de ieșire al modelului - zgomotul - poate fi
observat doar la liniile de măsurare ale semnalelor și (c) modelul asociat zgomotului
nu poate fi același cu modelul determinist al sistemului deoarece localizarea



156
porturilor surselor zgomotului nu poate fi cunoscută cu exactitate.Prin urmare, ȋn
legǎturǎ cu modelul de zgomot al unui sistem se pun urmǎtoarele probleme. (1)
demonstrarea existenței și unicitǎții modelului de zgomot; (2) definirea unui semnal
echivalent și a portului de intrare echivalent al modelului de zgomot și (3) gǎsirea
unei metode de determinare a parametrilor modelului de zgomot.
Zgomotul din sistem, ca orice proces aleator poate fi descris analitic ȋn medie, pe
ansamblul unor realizǎri ale acestuia. Deoarece sunt disponibile valori observate /
mǎsurate ale zgomotului prelevate din proces, soluția directǎ pentru descrierea
analiticǎ a unui ansamblu de realizǎri ale zgomotului este calculul funcției de
autocorelație a zgomotului, ( ) τ
nn
r și respectiv echivalentul acesteia ȋn domeniul
frecvențelor - densitatea spectralǎ de putere proprie, ( ) ω
nn
S .
Rezolvarea primei probleme respectiv existența modelului de zgomot cadrul analizei
spectrale se bazeazǎ pe urmǎtoarele trei teoreme. Primele douǎ enunțuri se
reitereazǎ din Capitolul 3.
Ȋn propoziția se afirmǎ cǎ dacǎ se aplicǎ un proces aleator staționar ȋn sens larg
( ) { } T t t u ∈ , la portul de intrare al a unui sistem stabil, descris prin funcția de transfer
( ) ⋅ H (cu ( ) 0 lim =
∞ →
t h
t
pentru ( ) 0 > ∀ t ) atunci, procesul la portul de
ieșire, ( ) { } T t t y ∈ , este tot un proces staționar ȋn sens larg.
Pe baza enunțului precedent, dacǎ se constatǎ prin observații cǎ zgomotul din
sistem este un proces aleator staționar ȋn sens larg, atunci se poate asocia un sistem
stabil echivalent având la portul de ieșire procesul aleator observat i.e. zgomotul din
sistem și la portul de intrare un alt proces staționar ȋn sens larg. Procesul staționar la
portul de intrare este fictiv și echivaleazǎ efectul surselor de zgomot distribuite
nedeterminat ȋn sistem.
Ȋn propoziția se afirmǎ cǎ dacǎ ( ) ω
u
S este densitatea spectralǎ de putere proprie a
procesului aleator la portul de intrare al unui sistem stabil cu funcția de transfer
( ) ⋅ H , atunci densitatea spectralǎ de putere a procesului aleator la portul de ieșire
este datǎ de una dintre relațiile care urmeazǎ.

( ) ( ) ( ) ω ⋅ = ω
ω ⋅
u
2
j
y
S e H S - pentru sisteme discrete.
(211.)

( ) ( ) ( ) ω ⋅ ω ⋅ = ω
u
2
y
S j H S - pentru sisteme continue
(212.)
Teorema care urmeazǎ este o reciprocǎ a propoziției.
Teorema 15: teorema factorizǎrii spectrale. Dacǎ ( ) { } T t t y ∈ este un proces staționar
ȋn sens larg cu densitatea spectralǎ de putere reprezentatǎ printr-o funcție
raționalǎ,
y
S atunci existǎ o funcție de transfer ( ) ( ) ( ) ⋅ ⋅ = ⋅ A C H cu toți polii ȋn
interiorul regiunii de stabilitate și zerourile ȋn interiorul sau pe frontiera regiunii de
stabilitate astfel ȋncât:

( ) ( )
2
j
y
e H S
ω ⋅
= ω - pentru sisteme discrete;
(213.)

( ) ( )
2
y
j H S ω ⋅ = ω - pentru sisteme continue.
(214.)



157
Observații. 1. Teorema factorizǎrii spectrale demonstreazǎ existența modelului de
zgomot și stabilește o legǎturǎ directǎ ȋntre densitatea spectralǎ de putere a
zgomotului si modulul funcției de transfer a modelului de zgomot.
2. Dacǎ se comparǎ expresiile (211), (212) cu expresiile omoloage (213), (214)
rezultǎ cǎ densitatea spectralǎ de putere a procesului aleator de intrare ȋn modelul
de zgomot rezultǎ ( ) 1 S
u
= ω ceea ce corespunde unui proces aleator de tip zgomot
alb cu media statisticǎ egalǎ cu zero și varianța egalǎ cu unitatea.
3. Se reamintește cǎ ȋn cazul metodei analizei spectrale - prezentatǎ ȋn Capitolul 5,
funcția de transfer a sistemului testat se obține pe baza estimǎrii funcției densitate
spectralǎ de putere mutualǎ dintre procesele aleatoare, observate la porturile de
ieșire și respectiv de intrare, ( ) ω
yu
S . Ȋn contrast, ȋn cazul modelului de zgomot este
observabilǎ densitatea spectralǎ de putere proprie a zgomotului, ( ) ω
y
S . Din acest
motiv informația despre model este incompletǎ, ȋn sensul cǎ lipsește informația
despre argumentul funcției de transfer. Modelul de zgomot nu poate fi determinat cu
exactitate pe baza datelor prelevate din sistem. Prin urmare, se pot defini mai multe
modele de zgomot care să corespundă aceleiași funcții densitate spectralǎ de
putere; informația suplimentarǎ, necesarǎ pentru estimarea modelului de zgomot
trebuie furnizatǎ de cǎtre experimentator.
4. Pe baza relațiilor (213), (214) și a teoremei Wiener-Khinchin se pot estima funcția
de autocorelație a zgomotului, varianța și media statisticǎ ale acestuia.
Exemplul 37: estimarea varianței zgomotului pe baza densitǎții spectrale de putere.
Un proces aleator staționar discret are funcția densitate spectralǎ de putere definitǎ
dupǎ cum urmeazǎ.

( )
( )
R a , 1 a ;
cos a 2 a 1
1
S
2 y
∈ <
ω ⋅ ⋅ − +
= ω ;
(215.)
Se cere sǎ se determine modelul de zgomot și sǎ se calculeze varianța procesului
aleator.
Rezolvare.
(i) ( )
2
cos
ω ω
ω
⋅ − ⋅
+
=
j j
e e
; (conform cu teoremele lui Euler),
(ii)
( )
( ) ( )
1 e
a
a 1
e
e
a
1
a e a 1 e a
e
e e a a 1
1
S
j
2
2 j
j
j 2 2 j
j
j j 2 y
+ ⋅
+



=
− ⋅ + + ⋅ −
=
+ ⋅ − +
= ω
ω ⋅ ω ⋅ ⋅
ω ⋅
ω ⋅ ω ⋅ ⋅
ω ⋅
ω ⋅ − ω ⋅
.
Se calculeazǎ polii și zerourile funcției densitate spectralǎ de putere proprie ( ) ω
y
S .
Pentru simplificarea scrierii se introduce notația
ω
ξ

=
j
e și se rezolvǎ ecuația
algebricǎ de tip reciproc asociatǎ:
(iii) 0 1
1
2
2
= + ⋅
+
− ξ ξ
a
a
.⇒
|
|
¹
|

\
| −
±
+
⋅ =
|
|
|
¹
|

\
|

|
|
¹
|

\
| +
±
+
⋅ =
a
a
a
a
a
a
a
a
2 2
2
2 2
2 , 1
1 1
2
1
4
1 1
2
1
ξ ;



158
(iv)
a
a
a
a
a a
a
a
a
a
=


=

+ − +
=
|
|
¹
|

\
| −

+
⋅ =
2
2
2
1 1 1 1
2
1
2 2 2 2 2
1
ξ ;
(v)
a a a
a a
a
a
a
a
1
2
2
2
1 1 1 1
2
1
2 2 2 2
2
=

=

− + +
=
|
|
¹
|

\
| −
+
+
⋅ = ξ .
Se observǎ cǎ soluțiile ecuației algebrice verificǎ proprietatea
2 1
1 ξ ξ = . Se rescrie
expresia (ii) dupǎ cum urmeazǎ.
(vi)
( )
( )
( ) ( ) ( ) ( ) a e a e e a a e
e
a
e a e
e
a
S
j j j j
j
j j
j
yy
− ⋅ −
=
− ⋅ ⋅ −

=
|
¹
|

\
|
− ⋅ −


=
⋅ − ⋅ ⋅ ⋅

⋅ ⋅

ω ω ω ω
ω
ω ω
ω
ω
1
1 1
1
.
Pe baza teoremei factorizǎrii spectrale și a relației (vi) rezultǎ:
(vii)
( ) ( ) ( )
( )
( ) ( ) a e a e
1
S
e H e H S
j j y
j j
y
− ⋅ −
= ω
⋅ = ω
ω ⋅ − ω ⋅
ω ⋅ − ω ⋅

( )
a e
e H
j
j

=


ω
ω
1
sau
( )
( )
ω
ω
ω
ω


⋅ −

⋅ −
=

=
j
j
j
j
e a
e
a e
e H
1
1
.
Ȋn relațiile (vii) se ȋnlocuiește
ω ⋅
=
j
e z și se obțin expresiile funcțiilor de transfer ale
modelului de zgomot:
(viii) ( )
a z
z H

=
1
sau ( )
z a
z
z H
⋅ −
=
1
.
Din cerințele problemei, pentru a subunitar doar soluția, ( )
a z
z H

=
1
corespunde unui
sistem stabil.
Calculul varianței zgomotului se poate face cu ajutorul funcției de autocorelație a
procesului aleator dupǎ cum urmeazǎ.
(ix)
( ) ( )
( ) ( )
ω
π
ω ω
π
σ
π
π
ω ω
π
π
d
a e a e
d S r
j j yy yy y
∫ ∫
+

⋅ − ⋅
+

− ⋅ −


= ⋅

= =
1
2
1
2
1
0
2
.
Cu notația
ω ⋅
=
j
e z rezultǎ
z
z d
j
d z
j
⋅ = ⇒ ⋅ =
1
ln
1
ω ω și segmentul de dreaptǎ pe axa
realǎ [ ] π π; − se transformǎ ȋn cercul cu raza unitate ȋn planul variabilei complexe z.
Rezultǎ:
(x)
( ) ( )
( )
( ) ( )
( )
∫ ∫

⋅ − ⋅ −

⋅ ⋅
= ⋅
− ⋅ −

⋅ ⋅
=

C C
y
dz
z z a a z
z
j
dz
z a z a z j
1
1 2
1 1 1
2
1
1
2
π π
σ
;
(xi)
( ) ( )
( )
( ) ( )
2
2
1
1
1
1
Rez
1 2
1
a z a a z z a a z
dz
j
a z C
y

=
(
¸
(

¸

⋅ − ⋅ −
=
⋅ − ⋅ −

⋅ ⋅
=
=

π
σ
.
La calculul integralei din relația (xi) curba ȋnchisǎ ( ) C i.e. cercul unitate, se aplicǎ
teorema reziduurilor și se ține cont cǎ doar polul 1 ; < = a a z se aflǎ ȋn interiorul
acestei curbe.




159
Modele ale proceselor aleatoare
Procese aleatoare de tip ARMA
Dacǎ ( ) ( ) ( ) z A z C z H = este funcția de transfer a modelului de zgomot determinat pe
baza teoremei factorizǎrii spectrale, atunci se poate obține urmǎtoarea ecuație cu
diferențe care asociazǎ eșantioanele procesului aleator [ ] { }

=1 k
k n i.e. zgomotul din
sistem, modelul de zgomot ( ) ⋅ H și eșantioanele zgomotului alb [ ] { }

=1 k
k e :


( )
( )
( )
( )
( )
( )
[ ]
[ ] k e
k n
q A
q C
q H
z A
z C
z H = = ⇒ =



1
1
1
⇒ ( ) [ ] ( ) [ ] k e q C k n q A ⋅ = ⋅
− − 1 1
;

(216.)

( )
na
na
q a q a q a q A
− − − −
⋅ + + ⋅ + ⋅ + = K
2
2
1
1
1
1 ;


( )
nc
nc
q c q c q c q C
− − − −
⋅ + + ⋅ + ⋅ + = K
2
2
1
1
1
1 ;

ȋn care:
1 −
q este operatorul de ȋntâziere cu proprietatea [ ] [ ] 1
1
− =

k y k y q .
Din ecuația (6) și pe baza definiției operatorului de ȋntârziere se obține urmǎtoarea
ecuație cu diferențe:

[ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] nc k e c k e c k e c k e
na k n a k n a k n a k n
nc
na
− ⋅ + + − ⋅ + − ⋅ + =
= − ⋅ + + − ⋅ + − ⋅ +
K
K
2 1
2 1
2 1
2 1
;
(217.)
Procesul aleator descris prin ecuația cu diferențe (7) se numește proces de tip
autoregresiv cu medie alunecǎtoare sau proces ( ) nc na ARMA , .
Procese aleatoare de tip MA
Dacǎ ȋn relația (7) coeficienții na i a
i
, 1 ; 0 = = atunci rezultǎ urmǎtoarea ecuație cu
diferențe.
[ ] [ ] [ ] [ ] [ ] nc k e c k e c k e c k e k n
nc
− ⋅ + + − ⋅ + − ⋅ + = K 2 1
2 1
. (218.)
Ȋn ecuația cu diferențe (8) valoarea actualǎ a eșantionului zgomotului din sistem
depinde atât de valoarea actualǎ a eșantionului zgomotului alb cât și de valori
precedente ale acestuia. Acest proces aleator se numește proces de tip medie
alunecǎtoare sau proces ( ) nc MA .
Procese aleatoare de tip AR
Dacǎ ȋn relația (7) coeficienții nc i c
i
, 1 ; 0 = = atunci rezultǎ ecuația cu diferențe care
urmeazǎ.
[ ] [ ] [ ] [ ] [ ] k e na k n a k n a k n a k n
na
= − ⋅ + + − ⋅ + − ⋅ + K 2 1
2 1
; (219.)
Ȋn ecuația cu diferențe (9), valoarea actualǎ a eșantionului zgomotului din sistem
depinde de valorile precedente ale acestuia la care se adaugǎ valoarea actualǎ a
zgomotului alb. Acest proces se numește proces autoregresiv sau proces ( ) na AR .



160
Clasa modelelor polinomiale ale sistemelor liniare cu
parametri constanți
Structura generalǎ a modelelor
Ȋn continuare se considerǎ sistemul liniar cu parametri constanți, stabil cu funcția de
transfer ( ) ⋅ G , perturbat de zgomot și semnalul [ ] { }

=1 k
k u aplicat la portul de intrare al
sistemului. Zgomotul din sistem se reflectǎ ȋn semnalul la portul de ieșire care va
conține o componentǎ datoratǎ acestuia.
Deoarece sistemul este liniar, ȋn baza principiului suprapunerii efectelor, semnalul la
portul de ieșire al sistemului rezultǎ ca sumǎ ȋntre semnalul de ieșire din sistemul
presupus fǎrǎ zgomot și zgomotul din sistem.

[ ] ( ) [ ]
[ ]
[ ] k n k u q G k y
k y
d
+ ⋅ =
=

43 42 1
1
;
(220.)
Cu ipotezele cǎ zgomotul perturbator este staționar ȋn sens larg și cǎ acesta are
spectrul de putere reprezentat printr-o funcție raționalǎ, rezultǎ cǎ se poate defini un
model de zgomot având proprietǎțile enunțate ȋn paragraful anterior, respectiv: (1)
funcția de transfer ( ) ⋅ H este stabilǎ i.e. polii sunt plasați ȋn interiorul zonei de
stabilitate și zerourile ȋn interiorul sau pe frontiera zonei de stabilitate, (2) semnalul la
portul de ieșire este egal cu zgomotul din sistem și (3) semnalul la portul de intrare
este de tip zgomot alb cu media statisticǎ zero și varianța unitarǎ, Figura 6.x.c. Deci:

[ ] ( ) [ ] [ ] { }
2 2 1
; λ = ⋅ =

k e E k e q H k n ⇒
(221.)

[ ] ( ) [ ] ( ) [ ] k e q H k u q G k y ⋅ + ⋅ =
− − 1 1
;
(222.)
ȋn care ( )
1 −
q G și ( )
1 −
q H sunt funcții de transfer raționale stabile.
Dacǎ ( )
1 −
q G și ( )
1 −
q H sunt funcții de transfer raționale care satisfac condițiile de mai
sus, se obține un model care este format dintr-o combinație liniarǎ a eșantioanelor
semnalelor / datelor mǎsurate și o combinație neliniarǎ a coeficienților polinoamelor
dupǎ cum rezultǎ din exemplul care urmeazǎ.
Exemplul 38: Model liniar ȋn datele mǎsurate și neliniar ȋn parametri.
Fie modelele pǎrților deterministe respectiv de zgomot reprezentate prin funcțiile de
transfer:
(i)
( )
[ ]
[ ] k u
k w
q a
q b
q G =
⋅ +

=



1
1
1
1
;

(ii)
( )
[ ]
[ ] k e
k n
q c
q d
q H =
⋅ +
⋅ +
=



1
1
1
1
1
;


[ ] [ ] [ ] [ ] [ ] k e
q c
q d
k u
q a
q b
k n k w k y ⋅
⋅ +
⋅ +
+ ⋅
⋅ +

= + =




1
1
1
1
1
1
1
;


( ) ( ) [ ] [ ] ( ) [ ] k e q d k u q b k y q c q a ⋅ ⋅ + + ⋅ ⋅ = ⋅ ⋅ + ⋅ ⋅ +
− − − − 1 1 1 1
1 1 1 ;




161

( ) [ ] [ ] ( ) [ ] k e q d k u q b k y q c a q c q a ⋅ ⋅ + + ⋅ ⋅ = ⋅ ⋅ ⋅ + ⋅ + ⋅ +
− − − − − 1 1 2 1 1
1 1
(223.)
Se observǎ cǎ ȋn ultima expresie apare termenul
2 −
⋅ ⋅ q c a care conține produsul celor
doi coeficienți ceea ce face ca modelul sǎ nu fie liniar ȋn parametri. Condiția ca
modelul sǎ fie liniar atât ȋn datele mǎsurate cât și ȋn parametri este favorabilǎ pentru
rezolvarea problemelor de identificare.
Ȋn acord cu definiția enunțatǎ ȋn capitolul 4, primul paragraf, modelul descris prin
ecuația cu diferențe (220) este un model de tip stochastic.
Modelul (222) este complet definit prin coeficienții polinoamelor care apar ȋn
compunerea funcțiilor raționale ( )
1 −
q G și ( )
1 −
q H . Acești coeficienți sunt parametrii
modelului. Prin urmare, modelul verificǎ și definiția modelelor de tip parametric.
Polinoamele care apar ȋn expresiile funcțiilor de transfer ( )
1 −
q G și ( )
1 −
q H fără a fi
definite prin gradul și coeficienții lor, definesc, ȋn fapt structura generalǎ a modelelor
stochastice. Structura modelelor este foarte utilǎ deoarece aceasta este una dintre
datele de intrare ȋn algoritmii de identificare de tip parametric. Datele de ieșire din
algoritm - parametrii modelului - sunt de regulǎ, grupați ȋntr-un vector care se
numește vectorul parametrilor și se notează, prin convenție, cu litera θ .
Ȋn continuare se prezintǎ definiția completǎ, incluzând toate condițiile pe care trebuie
sǎ le ȋndeplineascǎ entitǎțile din expresia (222).
Definiția 57: Forma generalǎ a structurii modelelor sistemelor de tip SISO, liniare
stochastice, discrete este datǎ de expresia:

( ) [ ] ( ) [ ] ( ) [ ] [ ] { }
2 2 1 1
k e E ; k e ; q H k u ; q G k y : λ = ⋅ + ⋅ =
− −
θ θ θ M ;
(224.)
ȋn care:
[ ] k y și [ ] k u sunt eșantioanele semnalelor la porturile de ieșire și respectiv de intrare
și [ ] k e este eșantionul unui proces aleator staționar de tip zgomot alb cu media
statisticǎ nulǎ și varianța
2
λ .
( ) θ ;
1 −
q G și ( ) θ ;
1 −
q H sunt funcții de transfer raționale stabile cu proprietǎțile:

( ) ( ) 1 ; 0 , 0 ; 0 = = θ θ H G și
( ) ( ) ( ) θ θ θ ; ; ; ;
1 1 1 1 1 1 − − − − − −
⋅ q G q H q H sunt asimptotic stabile.

6.2.2 Parametrizarea structurilor de modele stochastice
Reprezentarea cea mai generalǎ a unui model liniar permite definirea cadrului
general ȋn care se rezolvǎ problema identificǎrii sistemelor. Ȋn aplicațiile concrete
sunt necesare unele informații suplimentare despre sistem.
Prin parametrizarea structurii de modele se ȋnțelege specificarea modului ȋn care
funcțiile de transfer ( ) θ ;
1 −
q G și ( ) θ ;
1 −
q H din expresia (224) depind de vectorul
parametrilor θ .
Pentru cazul sistemelor cu o singurǎ intrare și o singurǎ ieșire, liniare, de ordin finit,
forma cea mai generalǎ de parametrizare este datǎ de ecuația care urmeazǎ.



162

( ) [ ]
( )
( )
[ ]
( )
( )
[ ] [ ] { }
2 2
1
1
1
1
1
; λ = ⋅ + ⋅ = ⋅





k e E k e
q D
q C
k u
q F
q B
k y q A ;
(225.)
ȋn care:

( ) N na q a q a q a q A
na
na
∈ ⋅ + + ⋅ + ⋅ + =
− − − −
; 1
2
2
1
1
1
K ;


( ) N nb q b q b q b q B
nb
nb
∈ ⋅ + + ⋅ + ⋅ =
− − − −
;
2
2
1
1
1
K ;


( ) N nc q c q c q c q C
nc
nc
∈ ⋅ + + ⋅ + ⋅ + =
− − − −
; 1
2
2
1
1
1
K ;


( ) nc nd na N nd q d q d q d q D
nd
nd
≥ + ∈ ⋅ + + ⋅ + ⋅ + =
− − − −
, ; 1
2
2
1
1
1
K ;


( ) nb nf na N nf q f q f q f q F
nf
nf
≥ + ∈ ⋅ + + ⋅ + ⋅ + =
− − − −
, ; 1
2
2
1
1
1
K .

Ȋn Figura 69 sunt prezentate diagrama bloc a modelului reprezentat ȋn expresia (15).
Modelul (225) este rar utilizat ȋn aplicații deoarece nu este liniar ȋn parametri dar,
prezintǎ interes deoarece permite prezentarea sistematicǎ a celorlalte clase de
modele.

Figura 69. Diagrama bloc ale modelului stochastic general.
Din relația (225) se obține expresia:

[ ]
( )
( ) ( )
[ ]
( )
( ) ( )
[ ] [ ] { }
2 2
1 1
1
1 1
1
; λ = ⋅

+ ⋅

=
− −

− −

k e E k e
q D q A
q C
k u
q F q A
q B
k y ;
(226.)

( )
( )
( ) ( )
( )
( )
( ) ( )
1 1
1
1
1 1
1
1
; ; ;
− −


− −



=

=
q D q A
q C
q H
q F q A
q B
q G θ θ .

Pe baza relațiilor (226) se obțin urmǎtoarele clase de modele utilizate ȋn aplicații.
Modele de tip ARMAX
Modelele de tip ARMAX, i.e. modele de tip autoregresiv cu medie alunecǎtoare și
intrare exogenǎ - se obțin pentru 0 = = nf nd .

( ) [ ] ( ) [ ] ( ) [ ] [ ] { }
2 2 1 1 1
; λ = ⋅ + ⋅ = ⋅
− − −
k e E k e q C k u q B k y q A ;
(227.)
sau:
[ ]
( )
( )
[ ]
( )
( )
[ ] [ ] { }
2 2
1
1
1
1
; λ = ⋅ + ⋅ =




k e E k e
q A
q C
k u
q A
q B
k y

Expresia (227) se rescrie sub forma desfǎșuratǎ și se obține urmǎtoarea ecuație cu
diferențe.



163

[ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] { }
2 2
1
1 1
; 1
1 1
λ = − ⋅ + + − ⋅ + +
− ⋅ + + − ⋅ = − ⋅ + + − ⋅ +
k e E nc k e c k e c k e
nb k u b k u b na k y a k y a k y
nc
nb na
K
K K
.
(228.)
Ȋn relația (228) termenii care conțin eșantioanele semnalului la portul de ieșire la
momentele anterioare momentului actual se trec ȋn membrul drept și rezultǎ:

[ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] { }
2 2
temeni 1
1
temeni
1
temeni
1
; 1
1 1
λ = − ⋅ + + − ⋅ + +
− ⋅ + + − ⋅ + − ⋅ − − − ⋅ − =
+
k e E nc k e c k e c k e
nb k u b k u b na k y a k y a k y
nc
nc
nb
nb
na
na
4 4 4 4 4 4 3 4 4 4 4 4 4 2 1
K
4 4 4 4 4 3 4 4 4 4 4 2 1
K
4 4 4 4 4 4 3 4 4 4 4 4 4 2 1
K
.
(229.)
Modelul are dimensiunea 1 + + + nc nb na .
Relația (229) se scrie sub formǎ matricealǎ dupǎ cum urmeazǎ:
[ ] [ ]
T
nc nb na
T T
c c b b a a k y K K K
1 1 1
1 ; = ⋅ = ⋅ = θ θ φ φ θ ; (230.)

[ ] [ ] [ ] [ ] [
[ ] [ ] [ ]]
T
nc k e k e k e
nb k u k u na k y k y
− −
− − − − − − =
K
K K
1
1 1 φ
;

Vectorul θ conține valorile coeficienților polinoamelor ( )
1 −
q A , ( )
1 −
q B , ( )
1 −
q C , și se
numește vectorul parametrilor. Elementele vectorului φ sunt valorile eșantioanelor
mǎsurate ale semnalelor; acest vector se numește vectorul mǎsurǎtorilor. Elementele
vectorului mǎsurǎtorilor se numesc regresori.
Modelul de tip ARMAX are urmǎtoarele avantaje (1) este liniar ȋn parametri și (2)
modelul de zgomot este flexibil astfel ȋncât zgomotul poate fi estimat suficient de
precis ȋn majoritatea cazurilor practice. Din aceste motive, modelul ARMAX este
frecvent utilizat ȋn aplicații.
Modele de tip ARX
Expresia modelului ARX (autoregresiv cu intrare exogenǎ) se obține din expresia
generalǎ (226) pentru 0 = = = nc nf nd . Rezultǎ urmǎtoarele expresii.

( ) [ ] ( ) [ ] [ ] [ ] { }
2 2 1 1
; λ = + ⋅ = ⋅
− −
k e E k e k u q B k y q A ;
(231.)
sau:
[ ]
( )
( )
[ ]
( )
[ ] [ ] { }
2 2
1 1
1
;
1
λ = ⋅ + ⋅ =
− −

k e E k e
q A
k u
q A
q B
k y

Ecuația cu diferențe a modelului este:
[ ] [ ] [ ] [ ] [ ] [ ] k e nb k u b k u b na k y a k y a k y
nb na
+ − ⋅ + + − ⋅ = − ⋅ + + − ⋅ + K K 1 1
1 1
(232.)
Sub formǎ matricealǎ, expresia (232) se scrie:
[ ] [ ] [ ] [ ]
T
nb na
T
b b a a k e k k y K K
1 1
; = + ⋅ = θ θ φ (233.)

[ ] [ ] [ ] [ ] [ ]
T
nb k u k u na k y k y − − − − − − = K K 1 1 φ

Ȋn expresia (233), vectorul parametrilor conține doar parametrii modelului determinist
(modelul sistemului fǎrǎ zgomot) ceea ce simplificǎ algoritmul de calcul. Zgomotul din
sistem este echivalat cu zgomotul alb ceea ce face ca modelul de zgomot sǎ nu fie



164
flexibil. Cu toate acestea, modelele de tip ARX sunt frecvent utilizate deoarece permit
implementarea unor algoritmi de identificare liniari de exemplu algoritmul liniar al
celor mai mici pǎtrate.
Modele de tip FIR
Modelele de tip FIR (finite impulse response) se obțin din expresia generalǎ (226)
pentru 0 = = = = nc na nf nd . Ecuația modelului este:

[ ] ( ) [ ] [ ] [ ] { }
2 2 1
; λ = + ⋅ =

k e E k e k u q B k y ;
(234.)
sau [ ] [ ] [ ] [ ] k e nb k u b k u b k y
nb
+ − ⋅ + + − ⋅ = K 1
1
, ecuația cu diferențe.
Expresia (234) are aspectul funcției podere, trunchiate la un numǎr finit de
eșantioane ceea ce explicǎ denumirea modelului.
Vectorul parametrilor este ȋn acest caz [ ]
T
nb
b b K
1
= θ .
Modele de tip OE
Modelele OE (output error) se obțin din expresia generalǎ (226) pentru
0 = = = nc na nd .

[ ]
( )
( )
[ ] [ ] [ ] { }
2 2
1
1
; λ = + ⋅ =


k e E k e k u
q F
q B
k y
(235.)
Ecuația (235) se poate scrie sub forma:

[ ] [ ]
( )
( )
[ ]
[ ]
43 42 1
k y
k u
q F
q B
k y k e
ˆ
1
1
=


⋅ − = ;
(236.)
ȋn care termenul [ ]
( )
( )
[ ] k u
q F
q B
k y ⋅ =


1
1
ˆ reprezintǎ valoarea estimatǎ a semnalului de
ieșire din model. Diferența [ ] [ ] k y k y ˆ − are prin urmare, semnificația erorii dintre
valoarea mǎsuratǎ și valoarea estimatǎ a semnalului la portul de ieșire, ceea ce
justificǎ denumirea modelului.
Modele de tip ARARX
Ȋn acest caz modelul de perturbație este un proces de tip AR iar modelul determinist
este un proces de tip ARX. Modelul se obține din modelul general pentru 0 = = nc nf .

[ ]
( )
( )
[ ]
( ) ( )
[ ] [ ] { }
2 2
1 1 1
1
;
1
λ = ⋅

+ ⋅ =
− − −

k e E k e
q D q A
k u
q A
q B
k y ;
(237.)
Avantajul acestei structuri de modele constǎ ȋn faptul cǎ permite simplificarea
algoritmilor de identificare ȋn cazul metodei generalizate a celor mai mici pǎtrate și
metodei variabilelor instrumentale. Gradul de generalitate al modelului este restrâns.
Modele de tip Box-Jenkins
Dacǎ 0 = na , din expresia generalǎ (226) se obține:



165

[ ]
( )
( )
[ ]
( )
( )
[ ] [ ] { }
2 2
1
1
1
1
; λ = ⋅ + ⋅ =




k e E k e
q D
q C
k u
q F
q B
k y .
(238.)
Spre deosebire de clasa de modele de tip ARMAX, ȋn acest caz polinoamele de la
numitorii celor douǎ filtre sunt diferite ȋntre ele; modelele determinist și de zgomot ale
procesului nu au parametri comuni. Modelul nu este liniar ȋn parametri dar utilizarea
acestuia este necesarǎ ȋn unele aplicații.
Principii de alegere a clasei de structuri de modele
La nivelul superior de ierarhizare, structurile de modele sunt grupate ȋn clase de
structuri de modele. De exemplu, toate structurile de modele polinomiale prezentate
mai sus formeazǎ o clasǎ de structuri pe care o denumim clasa de structuri de
modele polinomiale. Alte exemple de clase sunt (1) clasa de structuri de modele
reprezentate ȋn spațiul stǎrilor și (2) clasa de structuri de modele reprezentate prin
ecuații cu diferențe neliniare.
Ȋn cadrul fiecǎrei clase de structuri, alegerea unei structuri de modele presupune
definirea valorilor parametrilor care definesc structura. De exemplu, ȋn cazul clasei
structurilor de modele polinomiale, alegerea structurii de modele constǎ ȋn definirea
valorilor gradelor polinoamelor na , nb , nc , nd , și nf .
Implementarea algoritmilor de identificare de tip parametric presupune alegerea
apriori a clasei și respectiv a structurii de modele. Opțiunea experimentatorului
pornește de la scopul care trebuie atins prin experimentului de identificare precum și
de la condițiile ȋn care se va desfǎșura experimentul.
Ȋn etapa de alegere a clasei de modele se recomandǎ evaluarea influenței
urmǎtorilor factori.
(1) flexibilitatea structurii de modele: structura de modele aleasǎ trebuie sǎ descrie
integral regimul dinamic conform ipotezelor experimentatorului; atât numǎrul gradelor
de libertate ale modelului cât și modul ȋn care acesta se reflectǎ asupra modelului
afecteazǎ rezultatul identificǎrii.
(2) parcimonia modelului: modelul trebuie sǎ conținǎ numǎrul minim de parametri
independenți necesari pentru a reprezenta regimul dinamic al sistemului real.
(3) complexitatea algoritmului: deși unele metode de identificare pot fi aplicate pe
diferite structuri de modele, trebuie sǎ se ținǎ cont cǎ efortul de calcul este diferit de
la caz la caz.
(4) proprietǎțile de convergențǎ ale funcției criteriu condiționeazǎ efortul de calcul și
influențeazǎ precizia estimatului mai ales dacǎ funcția criteriu are mai multe puncte
de minim local.
Probleme
Problema 9: Se considerǎ procesul staționar stochastic [ ] k y cu densitatea spectralǎ
de putere datǎ de expresia:

( )
ω
ω
π
ω
cos 8 2 . 8
cos 4 5
2
1
⋅ −
⋅ −


=
yy
S .




166
Sǎ se arate cǎ acest proces poate fi reprezentat sub forma unui model ( ) 1 ; 1 ARMA și
sǎ se determine parametrii modelului.
Rezolvare.
(i)
( )
( )
( )
ω ω
ω ω ω ω
π
ω ω
⋅ − ⋅
⋅ − ⋅ ⋅ − ⋅
− ⋅ −
− ⋅ −


= ⇒

=
j j
j j
yy
j j
e e
e e
S
e e
4 2 . 8
2 5
2
1
2
cos

( )
4 2 . 8 4
2 5 2
2
1
1
4 2 . 8
1
2 5
2
1
2
2
+ ⋅ − ⋅
+ ⋅ − ⋅


=
|
|
¹
|

\
|
− ⋅ −
|
|
¹
|

\
|
− ⋅ −


=
⋅ ⋅ ⋅
⋅ ⋅ ⋅




ω ω
ω ω
ω
ω
ω
ω
π π
ω
j j
j j
j
j
j
j
yy
e e
e e
e
e
e
e
S
Se descompune ȋn factori primi expresia funcției densitate spectralǎ de putere.
Pentru aceasta se introduce notația
ω
ξ

=
j
e și se rezolvǎ ecuațiile algebrice asociate:
(ii) 2
1
;
2
1
4
3 5
4
16 25 5
0 2 5 2
1
2 1 2 , 1
2
= = = ⇒
±
=
− ±
= ⇒ = + ⋅ − ⋅
ξ
ξ ξ ξ ξ ξ ;
25 , 1
1
; 8 , 0
8
8 , 1 2 , 8
8
64 24 , 67 2 , 8
0 4 2 , 8 4
1
2 1 2 , 1
2
= = = ⇒
±
=
− ±
= ⇒ = + ⋅ − ⋅
ξ
ξ ξ ξ ξ ξ
Rezultǎ cǎ expresia funcției densitate spectralǎ de putere se poate scrie sub forma
care urmeazǎ.
(iii)
( )
( ) ( )
( ) ( )
( ) ( )
( ) ( ) 25 , 1 25 , 1
2 2
2
1
8 , 0 25 , 1 4
5 , 0 2 2
2
1
− ⋅ −
− ⋅ −


=
− ⋅ − ⋅
− ⋅ − ⋅


=
⋅ − ⋅
⋅ − ⋅
⋅ ⋅
⋅ ⋅
ω ω
ω ω
ω ω
ω ω
π π
ω
j j
j j
j j
j j
yy
e e
e e
e e
e e
S .
Din teorema factorizǎrii spectrale rezultǎ:
(iv) ( ) ( ) ( )
ω ω
π
ω
⋅ − ⋅
⋅ ⋅

=
j j
yy
e H e H S
2
1
.
Pe baza relațiilor (iii) și (iv), se ȋnlocuiește variabila
ω ⋅
=
j
e z se obțin urmǎtoarele
expresii pentru funcția de transfer a procesului:
(iv)
a. ( )
25 , 1
2


=
z
z
z H ; b. ( )
z
z
z H
⋅ −
⋅ −
=
25 , 1 1
2 1
;

c. ( )
z
z
z H
⋅ −

=
25 , 1 1
2
; d. ( )
25 , 1
2 1

⋅ −
=
z
z
z H .
Condițiile din teorema factorizǎrii spectrale impun ca polii funcției de transfer ( ) z H sǎ
se afle ȋn interiorul cercului cu raza unitate și zerourile acesteia sǎ se afle fie ȋn
interiorul fie pe cercul cu raza unitate, ȋn planul variabilei complexe C z ∈ . Aceste
condiții sunt satisfǎcute de expresia "b".
Ȋn expresia funcției de transfer obținutǎ mai sus se ȋnlocuiește variabila complexǎ z
cu operatorul de ȋntârziere
1 −
q pentru a obține funcția de transfer operaționalǎ a
procesului.



167
(v)
( )
( )
( )
( )
( )
[ ]
[ ] k e
k y
q
q
q
q
q
q
q H =
⋅ −
⋅ − ⋅
=
⋅ − ⋅ −
⋅ − ⋅ −
=


=







1
1
1
1
1
1
1
8 , 0 1
5 , 0 1 6 , 1
8 , 0 1 25 , 1
5 , 0 1 2
25 , 1
2
;

[ ] [ ] [ ] [ ] 1 8 , 0 6 , 1 1 8 , 0 − ⋅ − ⋅ = − ⋅ − k e k e k y k y .
Prin urmare rezultǎ un proces ( ) 1 ; 1 ARMA .
Problema 10: calculul valorilor funcțiilor de autocorelație ale unui proces ( ) 1 AR .
Să se determine funcția de autocovarianță, [ ] N ∈ τ τ
yy
r a unui proces aleator de tip
( ) 1 AR reprezentat prin expresia:
(i)
[ ] [ ] [ ] [ ] { }
2 2
k e E 1 a k e 1 k y a k y λ = < = − ⋅ + ; .
Ȋn care [ ] { }
+∞
=1 k
k e este un proces aleator zgomot alb discret cu media statistică zero și
varianța
2
λ .
Rezolvare.
Se va utiliza metoda ȋmpărțirii directe. Se rescrie expresia de mai sus sub formă
polinomială.
(ii)
( ) [ ] [ ]
2 1
k e k y q a 1 = ⋅ +

⇒ [ ] [ ]
( )
( )
1
1
1
q A
q C
k e
q a 1
1
k y



= ⋅
⋅ +
= .
Se efectuează ȋmpărțirea polinoamelor din expresia (ii) pentru a obține o
reprezentare a procesului [ ] k y sub forma sumei seriei echivalente.
(iii)
[ ] ( )


=
− − − −
⋅ ⋅ − = + ⋅ − ⋅ + ⋅ − =
0 i
i i i 3 3 2 2 1
q a 1 q a q a q a 1 k y K .
Deoarece sistemul este stabil, seria reprezentată ȋn expresia (iii) este convergentă.
Funcția de autocorelație se calculează cu expresia:

[ ] [ ] [ ] { } k y k y E r
y
+ τ ⋅ = τ .
Cazul 0 = τ .

[ ] [ ] [ ] { } [ ] [ ] [ ] [ ] ( ) {
[ ] [ ] [ ] [ ] ( )} K
K
+ − ⋅ − − ⋅ + − ⋅ − ×
× + − ⋅ − − ⋅ + − ⋅ − = ⋅ =
3 k e a 2 k e a 1 k e a k e
3 k e a 2 k e a 1 k e a k e E k y k y E 0 r
3 2
3 2
y


[ ] [ ] { } [ ] { } [ ] { } [ ] { }
( ) [ ] [ ] { } ( ) [ ] [ ] { } ( ) [ ] [ ] { } K
K
+ − ⋅ ⋅ − ⋅ + − ⋅ ⋅ ⋅ + − ⋅ ⋅ − ⋅ +
+ − ⋅ + − ⋅ + − ⋅ + =
3 k e k e E a 2 2 k e k e E a 2 1 k e k e E a 2
3 k e E a 2 k e E a 1 k e E a k e E 0 r
3 2
2 6 2 4 2 2 2
y


[ ] [ ]
{
[ ]
{
[ ]
{
[ ]
{
( ) [ ] ( ) [ ] ( ) [ ] K
3 2 1 3 2 1 3 2 1
K
+ − ⋅ − ⋅ + − ⋅ ⋅ + − ⋅ − ⋅
+ ⋅ + ⋅ + ⋅ + =
= = =
λ = λ = λ = λ =
0
e
3
0
e
2
0
e
e
6
e
4
e
2
e y
3 r a 2 2 r a 2 1 r a 2
0 r a 0 r a 0 r a 0 r 0 r
2 2 2 2

(iv)
[ ] ( )
2
2
0 i
i 2 2 6 4 2 2
y
a 1
1
a a a a 1 0 r λ ⋅

= ⋅ λ = + + + + ⋅ λ =


=

K .



168
Cazul 1 = τ .

[ ] [ ] [ ] { } [ ] [ ] [ ] [ ] ( ) {
[ ] [ ] [ ] [ ] ( )} K
K
+ − ⋅ − − ⋅ + ⋅ − + ×
× + − ⋅ − − ⋅ + − ⋅ − = + ⋅ =
2 k e a 1 k e a k e a 1 k e
3 k e a 2 k e a 1 k e a k e E 1 k y k y E 1 r
3 2
3 2
y


[ ] [ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
K
4 4 3 4 4 2 1 4 4 3 4 4 2 1 4 4 3 4 4 2 1
K
4 4 4 3 4 4 4 2 1 4 4 4 3 4 4 4 2 1 43 42 1
+ − ⋅ ⋅ − − ⋅ ⋅ + + ⋅ +
− − ⋅ − ⋅ − − ⋅ − ⋅ − ⋅ ⋅ − =
− = − = =
= = =
2 r
3
1 r
2
1 r
0 r
5
0 r
3
0 r
y
e e e
e e e
2 k e k e E a 1 k e k e E a 1 k e k e E
2 k e 2 k e E a 1 k e 1 k e E a k e k e E a 1 r


[ ] ( )
( )
2
2
a 1 1
4 2 2 2 5 2 3 2
y
a 1
a
a a 1 a a a a 1 r
2
λ ⋅


= + + + ⋅ λ ⋅ − = − λ ⋅ − λ ⋅ − λ ⋅ − =
− =
4 4 3 4 4 2 1
K K .

Problema 11: calculul valorilor funcțiilor de corelație ale unui proces ( ) 1 AR cu ajutorul
ecuațiilor Yule - Walker.
Să se rezolve problema precedentă cu ajutorul ecuațiilor Yule - Walker.
Rezolvare.
Ecuațiile Yule - Walker se obțin prin ȋnmulțirea ecuației cu diferențe care descrie
procesul cu semnale ȋntârziate cu τ pași; prin mediere statistică se obține un sistem
de ecuații liniare ȋn care variabilele sunt funcțiile de corelație.
Fiind dată ecuația cu diferențe a procesului:
(i)
[ ] [ ] [ ] [ ] { }
2 2
k e E 1 a k e 1 k y a k y λ = < = − ⋅ + ; .
Cazul 0 = τ .
Se ȋnmulțește ecuația (i) cu [ ] k y și se calculează media statistică după cum urmează.

[ ] { } [ ] [ ] { } [ ] [ ] { } k e k y E 1 k y k y E a k y E
2
⋅ = − ⋅ ⋅ + ⇒
(ii)
[ ] [ ]
2
y y
1 r a 0 r λ = ⋅ + ,
ȋn relația de mai sus s-a ținut cont că:

[ ] [ ] { } [ ] [ ] ( ) [ ] { } [ ] [ ] { } [ ] { }
2
k e E k e k y E a k e k e k y a E k e k y E
2
0
λ =
=
+ ⋅ ⋅ − = ⋅ + ⋅ − = ⋅ .
Se ȋnmulțește ecuația (i) cu [ ] 1 k y − și se mediază statistic după cum urmează.

[ ] [ ] { } [ ] { } [ ] [ ] { } k e 1 k y E 1 k y E a 1 k y k y E
2
⋅ − = − ⋅ + − ⋅

[ ] [ ] { } [ ] [ ] ( ) [ ] { }
[ ] [ ] { } [ ] [ ] { } 0 k e 1 k e E k e 2 k y E a
k e 1 k e 2 k y a E k e 1 k y E
0 0
= ⋅ − + ⋅ − ⋅ − =
⋅ − + − ⋅ − = ⋅ −
= =

(iii)
[ ] [ ] 0 0 r a 1 r
y y
= ⋅ + .
Cu ajutorul ecuațiilor (ii) și (iii) se formează sistemul de ecuații care urmează.



169
(iv)
[ ] [ ]
[ ] [ ]
¹
´
¦
= + ⋅
λ = ⋅ +
0 1 r 0 r a
1 r a 0 r
y y
2
y y

[ ]
[ ]
(
¸
(

¸
λ
=
(
¸
(

¸


(
¸
(

¸

0 1 r
0 r
1 a
a 1
2
y
y

[ ]
[ ]
(
¸
(

¸
λ

(
¸
(

¸





=
(
¸
(

¸

0 1 a
a 1
a 1
1
1 r
0 r
2
2
y
y


[ ]
[ ]
¦
¦
¹
¦
¦
´
¦

λ ⋅ −
=

λ
=
2
2
y
2
2
y
a 1
a
1 r
a 1
0 r
.
Problema 12: calculul funcției de intercorelație dintre două procese ( ) 1 AR corelate
ȋntre ele.
Fie [ ] k y și [ ] k w două procese ( ) 1 AR corelate, reprezentate prin ecuațiile cu diferențe
care urmează.

[ ] [ ] [ ] 1 a k e 1 k y a k y < = − ⋅ + .

[ ] [ ] [ ] [ ] { }
2 2
k e E 1 d k e 1 k w d k w λ = < = − ⋅ + ;
Se cere să se calculeze [ ] 0 r
yw
> τ ∈ τ τ , ; Z .
Rezolvare
Modelele celor două procese se scriu sub formă polinomială

( ) [ ] [ ] k e k y q a 1
1
= ⋅ +

; ⇒ ( )
[ ]
[ ] ( )
1
1
q a 1
1
k e
k y
q G


⋅ +
= = ;

( ) [ ] [ ] k e k w q d 1
1
= ⋅ +

⇒ ( )
[ ]
[ ] ( )
1
1
q d 1
1
k e
k w
q H


⋅ +
= = .
Densitatea spectrală de putere mutuală dintre cele două procese este dată de relația
care urmează.

( ) ( ) ( )
2 j j
yw
e H e G S λ ⋅ ⋅ = ω
ω ⋅ − ω ⋅

Funcția de intercorelație se calculează cu ajutorul densității spectrale de putere cu
relația:

[ ] ( ) { } ( ) ( )

π
π −
τ ⋅ ω ⋅ ω ⋅ − ω ⋅
ω ⋅ λ ⋅ ⋅
π ⋅
= ω = τ d e e H e G
2
1
S r
j 2 j j
yw yw
F ⇒

[ ] ( ) { }

π
π −
τ ⋅ ω ⋅
ω ⋅ + ω ⋅ −
ω ⋅ λ ⋅
⋅ +

⋅ + π ⋅
= ω = τ d e
e d 1
1
e a 1
1
2
1
S r
j 2
j j yw yw
F
Se introduce transformarea
ω ⋅
=
j
e z și se obține:



170

[ ]
( ) ( )
∫ ∫

τ τ

π
π −
τ ⋅ ω ⋅
ω ⋅ + ω ⋅ −
⋅ λ ⋅
⋅ +

+

⋅ π ⋅
= ⋅ λ ⋅
⋅ +

⋅ +

⋅ π ⋅
=
ω ⋅ λ ⋅
⋅ +

⋅ + π ⋅
= τ
C
2
C
2
1
j 2
j j yw
dz z
z d 1
1
a z
1
j 2
1
z
dz
z
z d 1
1
z a 1
1
j 2
1
d e
e d 1
1
e a 1
1
2
1
r
;
ȋn care curba ȋnchisă ( ) C este cercul unitate.
Deoarece funcția de sub integrală are un singur pol ȋn interiorul cercului unitate, cu
teorema reziduurilor se obține rezultatul care urmează.
[ ] ( ) 0 a
d a 1
r
2
yw
> τ − ⋅
⋅ −
λ
= τ
τ
; .




171
CAPITOLUL VII
METODE DE IDENTIFICARE DE TIP PARAMETRIC
Parametrizarea modelelor permite definirea acestora pe baza unui numǎr restrâns de
entitǎți - parametrii modelului - ȋn comparație cu definirea modelelor prin perechi de
valori ale funcțiilor care caracterizeazǎ procesele dinamice.
Metodele de identificare a sistemelor pentru modele de tip parametric sunt metode
de identificare a sistemelor ale cǎror rezultate sunt reprezentate prin seturi de valori
ale parametrilor acestora. Modelul de tip parametric este complet definit dacă, pe
lângǎ valorile parametrilor modelului este definitǎ și clasa de modele ȋn care modelul
se ȋncadreazǎ. Aceste aspecte vor fi prezentate ȋn continuare.
Regresia liniarǎ
Deseori, ȋn practica mǎsurǎtorilor experimentale se ȋntâlnește cazul ȋn care sunt
disponibile date rezultate din observații la diferite momente de timp fǎrǎ a preciza
variabilele care au generat aceste date. De exemplu, ȋn Tabelul 22 sunt prezentate
date statistice privind evoluția anualǎ a numǎrului de autovehicule rutiere de mic litraj
ȋnmatriculate ȋn România ȋn perioada 2005 - 2010.

Tabelul 22. Autovehicule ȋnmatriculate ȋn circulație ȋn perioada 2005 - 2010. (Anularul statistic 2011)
Index 1 2 3 4 5 6
Anul ȋnmatriculǎrii 2005 2006 2007 2008 2009 2010
Numǎr de autoturisme
ȋnmatriculate
3363779 3220682 3554404 4027367 4244922 4319701

Acest tip de date se numesc serii de timp. Seriile de timp sunt studiate ȋn Statisticǎ
dar prezintǎ interes și pentru definirea metodelor de identificare de tip parametric a
sistemelor dinamice.
Interpolarea liniarǎ
Vom porni de la observațiile prezentate ȋn tabelul de mai sus. Problema interpolǎrii
liniare constǎ ȋn a gǎsi coeficienții n i a
i
, 1 = ai polinomului de grad n , prestabilit
care aproximeazǎ cel mai bine cele N valori rezultate din mǎsurǎtori,

( )
0 1
1
1
a t a t a t a t y
n
n
n
n
+ ⋅ + ⋅ + ⋅ =


K .
(239.)
Relația (239) poate fi scrisǎ sub formǎ matricealǎ dupǎ cum urmeazǎ.

( ) ( ) θ φ ⋅ = t t y
T
.
(240.)



172
Ȋn care ( ) [ ]
T
n n
t t t t 1
1
K

= φ se numește vectorul variabilelor de regresie sau pe
scurt, vectorul regresorilor; [ ]
T
n n
a a a a
0 1 1
K

= θ se numește vectorul
parametrilor și ( ) t y se numește variabila regresatǎ. Expresiile (239) sau (240)
definesc o regresie liniarǎ. Regresia liniarǎ este cel mai simplu model de tip
parametric. De regulǎ, 1 = n sau 0 = n . In primul caz se efectueazǎ o interpolare
liniarǎ iar ȋn cazul al doilea modelul care rezultǎ se reduce la media aritmeticǎ
asociatǎ valorilor seriei de timp.
Alte exemple de regresii liniare sunt sumele poderate de funcții exponențiale utilizate
ȋn analiza semnalelor tranzitorii și expresiile de tip funcție pondere trunchiatǎ.
Ȋn cazul 1 = n , polinomul de interpolare se reduce la dreapta de ecuație:
( ) ( )
0 1
a t a t y + ⋅ = . (241.)
Pentru rezolvarea problemei de interpolare propusǎ inițial se procedeazǎ dupǎ cum
urmeazǎ.
Se definește eroarea dintre valoarea mǎsuratǎ,
i
y și valoarea estimatǎ, ( )
i
t y
corespunzǎtoare indexului i :
( ) ( )
0 1
a t a y t y y
i i i i i
+ ⋅ − = − = ε . (242.)
Se definește, de asemenea, funcția criteriu reprezentând suma pǎtratelor erorilor
tuturor celor N observații dupǎ cum urmeazǎ:

( ) ( ) [ ] ( ) [ ]
∑ ∑ ∑
= = =
+ ⋅ − ⋅ = − ⋅ = ε ⋅ =
N
1 i
2
0 i 1 i
N
1 i
2
i i
N
1 i
2
i 0 1
a t a y
2
1
t y y
2
1
2
1
a ; a V .
(243.)
Ȋn ecuația erorii cantitǎțile
i
y și
i
t sunt cunoscute; cantitățile necunoscute sunt
coeficienții polinomului de interpolare,
0
a și
1
a . Se considerǎ mulțimea tuturor
dreptelor de interpolare reprezentate prin relația (241). Expresia (243) definește o
funcție
+
→ R R V
2
: ȋn care domeniul de definiție reprezintǎ mulțimea tuturor
perechilor de valori ( )
0 1
; a a ale coeficienților dreptei de interpolare și codomeniul
reprezintǎ mulțimea valorilor sumei erorilor de interpolare.
Dacǎ existǎ o pereche de valori ( )
0 1
; a a pentru care funcția criteriu ( )
0 1
; a a V are un
minim absolut atunci, dreapta de ecuație (242) aproximeazǎ cel mai bine - ȋn sensul
celor mai mici pǎtrate - setul de valori rezultate din mǎsurǎtori.
Condițiile pe care trebuie sǎ le ȋndeplineascǎ funcția criteriu definitǎ prin relația (5)
pentru a avea un minim global sunt urmǎtoarele [5], pag.90.

( ) ( )
0
;
; 0
;
0
0 1
1
0 1
=


=


a
a a V
a
a a V
;
(244.)

( ) ( ) ( )
0
; ; ;
2
0
0 1
2
2
1
0 1
2
2
0 1
0 1
2
<






(
¸
(

¸

∂ ∂

a
a a V
a
a a V
a a
a a V
;
(245.)



173

( )
0
;
2
1
0 1
2
>


a
a a V
. (246.)
Din relațiile (244) rezultǎ:

( )
( ) [ ] ( )

=
= − ⋅ + ⋅ − ⋅ =


N
i
i i i
t a t a y
a
a a V
1
0 1
1
0 1
0 2
;
;
(247.)

( )
( ) [ ] ( )

=
= − ⋅ + ⋅ − ⋅ =


N
i
i i
a t a y
a
a a V
1
0 1
0
0 1
0 1 2
;
.
(248.)
Pe baza relațiilor precedente, ținând cont cǎ
0
a și
1
a nu sunt indexate cu indicele i
rezultǎ urmǎtorul sistem de douǎ ecuații liniare cu douǎ necunoscute.

¦
¦
¹
¦
¦
´
¦
= ⋅ + ⋅
⋅ = ⋅ + ⋅
∑ ∑
∑ ∑ ∑
= =
= = =
N
i
i
N
i
i
N
i
i i
N
i
i
N
i
i
y N a t a
t y t a t a
1
0
1
1
1 1
0
1
2
1
.
(249.)

(
¸
(

¸

|
¹
|

\
|
⋅ − ⋅ ⋅ =
(
¸
(

¸

|
¹
|

\
|
− ⋅ = = ∆
∑ ∑ ∑ ∑

∑ ∑
= = = =
=
= =
2
1 1
2 2
2
1 1
2
1
1 1
2
1 1
N
i
i
N
i
i
N
i
i
N
i
i N
i
i
N
i
i
N
i
i
S
t
N
t
N
N t t N
N t
t t



(
¸
(

¸

|
¹
|

\
|

|
¹
|

\
|
− ⋅ ⋅ =

= ∆
∑ ∑ ∑

∑ ∑
= = =
=
= =
N
i
i
N
i
i
N
i
i i N
i
i
N
i
i
N
i
i i
a
t y t y N
N y
t t y
1 1 1
1
1 1
1



(
¸
(

¸

|
¹
|

\
|

|
¹
|

\
|
⋅ −
|
¹
|

\
|

|
¹
|

\
|
=

= ∆
∑ ∑ ∑ ∑
∑ ∑
∑ ∑
= = = =
= =
= =
N
i
i
N
i
i i
N
i
i
N
i
i N
i
i
N
i
i
N
i
i i
N
i
i
a
t t y y t
y t
t y t
1 1 1 1
2
1 1
1 1
2
0


Soluția sistemului de ecuații este urmǎtoarea:

( )
( )
2
2
2
1 1
2
1 1 1
1
1 1
1 1 1
1
i i
i i i i
N
i
i
N
i
i
N
i
i
N
i
i
N
i
i i
S
a
t t
t y t y
t
N
t
N
t
N
y
N
t y
N
a

⋅ − ⋅
=
(
¸
(

¸

|
¹
|

\
|
⋅ − ⋅
(
¸
(

¸

|
¹
|

\
|
⋅ ⋅
|
¹
|

\
|
⋅ − ⋅ ⋅
=


=
∑ ∑
∑ ∑ ∑
= =
= = =
;
(250.)

=
(
¸
(

¸

|
¹
|

\
|
⋅ −
|
¹
|

\
|

(
¸
(

¸

|
¹
|

\
|
⋅ ⋅
|
¹
|

\
|
⋅ ⋅ −
|
¹
|

\
|
⋅ ⋅
|
¹
|

\
|

=


=
∑ ∑
∑ ∑ ∑ ∑
= =
= = = =
2
1 1
2
1 1 1 1
2
0
1 1
1 1 1 1
0
N
i
i
N
i
i
N
i
i
N
i
i i
N
i
i
N
i
i
S
a
t
N
t
N
t
N
t y
N
y
N
t
N
a
(251.)



174

( ) ( ) ( ) ( )
( )
2
2
2
i i
i i i i i
t t
t t y y t

⋅ ⋅ − ⋅
= ;

ȋn care, cu barǎ superioarǎ au fost notate valorile medii ale sumelor din expresiile
reprezentate desfǎșurat.
Verificarea condițiilor (245) și (246).

( )

=
⋅ =
∂ ∂

N
i
i
t
a a
a a V
1 0 1
0 1
2
2
;
;
( )

=
⋅ =


N
i
i
t
a
a a V
1
2
2
1
0 1
2
2
;
;
( )
N
a
a a V
⋅ =


2
;
2
0
0 1
2
.

=
(
¸
(

¸


|
¹
|

\
|
⋅ = ⋅ −
|
¹
|

\
|

∑ ∑ ∑ ∑
= = = =
N
i
i
N
i
i
N
i
i
N
i
i
t N t t N t
1
2
2
1 1
2
2
1
4 4 2


( ) 2 ; 0 2 4 4
1
2
) Cauchy (
1
2
1 , 1
2
1
2
1
2
2
1
> < ⋅ − ⋅ <
(
(
(
¸
(

¸


|
|
|
¹
|

\
|
⋅ + ⋅ =
∑ ∑ ∑ ∑
=
|
|
¹
|

\
|
∑ ⋅
|
¹
|

\
|
∑ ≤
|
¹
|

\
|
∑ ⋅
=

= =
= =
N t N t N t t t
N
i
i
t t t t
N
i
i
N
j i
j i
j i
N
i
i
N
j
j
N
i
i
N
j i
4 4 4 4 4 3 4 4 4 4 4 2 1



( )
0 2
;
1
2
2
1
0 1
2
> ⋅ =



=
N
i
i
t
a
a a V

Calculele efectuate pentru valorile date ȋn Tabelul 23 sunt prezentate ȋn Figura 70.
Tabelul 23. Rezumatul calculelor pentru
interpolarea liniarǎ a datelor privind
autovehiculele ȋnmatriculate ȋn România ȋn
perioada 2005-2010.
Anul
i
t

i
y

2
i
t

i i
y t ⋅

2005 1 3363779 1 3363779
2006 2 3220682 4 6441364
2007 3 3554404 9 10663212
2008 4 4027367 16 16109468
2009 5 4244922 25 21224610
2010 6 4319701 36 25918206
Suma: 21 22730855 91 83720639


Figura 70. Interpolarea liniară a datelor din
Tabelul 7.
Valorile parametrilor modelului sunt 237870
1
= a și 2955900
0
= a .
Identificarea parametrilor modelelor de tip regresie liniarǎ
Problema interpolǎrii liniare conduce spre o problemǎ mai generalǎ, des ȋntâlnitǎ ȋn
practicǎ ȋn care se implicǎ problema sistemelor de ecuații liniare incompatibile. Se
pornește de la urmǎtorul exemplu.
Exemplul 39: Fiind date douǎ semnale discrete [ ] { } k u - semnal determinist, [ ] { } k y ,
legea:
[ ] [ ] [ ] ( ) [ ] [ ] [ ] k n n k u b n k u b k u b k u b k y
n n
+ − ⋅ + − − ⋅ + + − ⋅ + ⋅ =

1 1
1 1 0
K ; (252.)



175
și un set de n N > de valori mǎsurate ale perechilor de valori ( ) N i y u
i i
, 1 ; ; = ale celor
douǎ semnale.Sǎ se determine valorile parametrilor modelului (252) cunoscând setul
de perechi de valori rezultate din mǎsurǎtori. Diagrama bloc a modelului este
reprezentatǎ ȋn figura următoare.


Figura 71. Model de tip MA(n).
Cazul 1.
Dacǎ mǎsurǎtorile nu sunt perturbate de zgomot, [ ] 0 = i n , ( ) N i , 1 = ∀ , atunci valorile
mǎsurate coincid cu valorile teoretice pentru toate cele N mǎsurǎtori, adicǎ
[ ] i u u
i
= și [ ] i y y
i
= , ( ) N i , 1 = ∀ . Din relația (252) se obține un sistem de ecuații N
linare cu n necunoscute, N n < .

[ ] [ ] ( ) [ ] [ ] [ ]
[ ] [ ] ( ) [ ] [ ] [ ]
¦
¹
¦
´
¦
= ⋅ − + ⋅ − − + ⋅ − + ⋅
= ⋅ − + ⋅ − − + ⋅ + ⋅


N y a n N u a n N u a N u a N u
y a n u a n u a u a u
n n
n n
1 1 0
1 1 0
1 1
1 1 1 1 0 1
K
M
K
.
(253.)
Sistemul (15) se scrie sub formǎ matricialǎ astfel:

[ ] [ ] ( ) [ ] [ ]
[ ] [ ] ( ) [ ] [ ]
( )
( )
{
[ ]
[ ]
( )
3 2 1
M M
4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 2 1
L
M M L M M
L
1
1
1
1 1
1 1 1 0 1
1
1
0
×
×
×
=
=

=
= ⋅
− − − −
− − −
N
n
n N
N y
y
a
a
a
a
n N u n N u N u N u
n u n u u u
n
n
Y
θ
Φ
;

Y θ Φ = ⋅ . (254.)
Sistemul (254) este compatibil deoarece are toți determinanții caracteristici nuli. Se
aleg oricare n ecuații ca ecuații principale și se rezolvǎ sistemul format cu acestea.
Se obține soluția cu valori teoretice a modelului notat [ ]
T
n
a a a L
1 0 0
= θ . Celelalte
n N − ecuații sunt combinații linare ale ecuațiilor principale deci vor avea aceleași
soluții.
Cazul 2.
Dacǎ mǎsurǎtorile sunt perturbate de zgomot, valorile mǎsurate ale semnalului de
ieșire nu coincid cu valorile teoretice, respectiv [ ] i u u
i
= și [ ] i y y
i
≠ , N i , 1 = . Sistemul
de ecuații liniare:

[ ] [ ] ( ) [ ] [ ]
[ ] [ ] ( ) [ ] [ ]
¦
¹
¦
´
¦
= ⋅ − + ⋅ − − + ⋅ − + ⋅
= ⋅ − + ⋅ − − + ⋅ + ⋅


N n n
n n
y a n N u a n N u a N u a N u
y a n u a n u a u a u
1 1 0
1 1 1 0
1 1
1 1 1 0 1
K
M
K
;




176

[ ] [ ] ( ) [ ] [ ]
[ ] [ ] ( ) [ ] [ ]
{
{
Y
θ
Φ =
=

=
= ⋅
− − − −
− − −
N
n
n
y
y
a
a
a
a
n N u n N u N u N u
n u n u u u
M M
4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 2 1
L
M M L M M
L
1
1
1
0
1 1
1 1 1 0 1
.
(255.)
este incompatibil deoarece are determinanți caracteristici nenuli. Ȋn acest caz se pot
forma
n
N
C M = sisteme de ecuații liniare de n ecuații cu n necunoscute. Fiecare
dintre aceste sisteme de ecuații, dacǎ sunt compatibile, au soluții de forma
[ ] M j a a a
T
j n j
, 1 ; ˆ ˆ ˆ
ˆ
1 0
= = L θ . Aceste soluții sunt diferite de soluția teoreticǎ.
Rezultǎ urmǎtoarea problemǎ de interpolare: Fiind date cele M soluții ale sistemelor
de ecuații obținute anterior, sǎ se determine vectorul [ ]
T
n
a a a ˆ ˆ ˆ
ˆ
1 0
L = θ care
aproximeazǎ cel mai bine cele M soluții. Acest vector se va numi ȋn continuare
estimatorul celor mai mici pǎtrate. Ȋn limbajul algebrei liniare, θ
ˆ
se numește
pseudosoluția sistemului incompatibil de ecuații liniare Y θ Φ = ⋅ .
Se definește eroarea dintre valoarea mǎsuratǎ și valoarea adevǎratǎ la pasul i :

[ ]
[ ] [ ] ( ) [ ] [ ] ( )
[ ] θ φ ⋅ − =
⋅ − + ⋅ − − + ⋅ − + ⋅ − =
− =

i y
a n i u a n i u a i u a i u y
i y y
T
i
n n i
i i
1 1 0
1 1 K
ε
.
(256.)
Ȋn care [ ] [ ] [ ] ( ) [ ] [ ] [ ]
T
n i u n i u i u i u i − − − − = 1 1 K φ . Erorile corespunzǎtoare celor
N mǎsurǎtori sunt date explicit astfel:

[ ]
[ ]
[ ]
¦
¦
¹
¦
¦
´
¦
⋅ − =
⋅ − =
⋅ − =
θ φ
θ φ
θ φ
N y
y
y
T
N N
T
T
ε
ε
ε
M
2
1
2 2
1 1
.
(257.)
Relațiile precedente se scriu concentrat sub formǎ matricealǎ astfel:

θ Φ Y ⋅ = ; cu vectorul
( ) 1
1
×
(
(
(
¸
(

¸

=
N
N
y
y
M Y ; matricea
[ ]
[ ]
( ) n N
T
T
N
×
(
(
(
¸
(

¸

=
φ
φ
Φ M
1
;
(258.)
și

[ ]
[ ]
( ) 1 N
T
N
T
1
N
1
N y
1 y
×
(
(
(
¸
(

¸

⋅ −
⋅ −
=
(
(
(
¸
(

¸

ε
ε
=
θ φ
θ φ
ε M M . (259.)
Se definește funcția criteriu:



177

( )
2
1
2
2
1
2
1
2
1
ε ε ε θ ⋅ = ⋅ ⋅ = ⋅ =

=
T
N
i
i
V ε .
(260.)
Estimatorul celor mai mici pǎtrate este vectorul θ
ˆ
care minimizeazǎ funcția criteriu
(260).
Soluția problemei de optimizare enunțatǎ mai sus este datǎ prin urmǎtoarea teoremǎ
[7], pag.70.
Teorema 16: Fiind datǎ funcția criteriu ( )
2
2
1
2
1
ε ε ε θ ⋅ = ⋅ ⋅ =
T
V ȋn care ε este dat ȋn
relația (16). Dacǎ matricea ( ) Φ Φ ⋅
T
este pozitiv definitǎ, atunci funcția ( ) θ V are
un punct de minim unic dat prin relația:
( ) Y Φ Φ Φ θ ⋅ ⋅ ⋅ =

T T
1
ˆ
; (261.)
valoarea minimǎ a funcției cost este:
( ) ( ) ( ) [ ] Y Φ Φ Φ Φ Y Y Y θ θ
θ
⋅ ⋅ ⋅ ⋅ ⋅ − ⋅ ⋅ = =

T T T T
V V
1
2
1
ˆ
min . (262.)
Demonstrație.
Cazul 1: matricea ( ) Φ Φ ⋅
T
este pozitiv definitǎ.
Varianta 1 a demonstrației.
Din relațiile (259) și (260) se poate scrie:
(i) θ Φ Y ε ⋅ − = ⇒
(ii)
( ) ( ) ( )
( ) θ Φ Φ θ Y Φ θ θ Φ Y Y Y
θ Φ Y Φ θ Y ε ε θ
⋅ ⋅ ⋅ + ⋅ ⋅ − ⋅ ⋅ − ⋅ ⋅ =
= ⋅ − ⋅ ⋅ − ⋅ = ⋅ ⋅ =
T T T T T T
T T T T
V
2
1
2
1
2
1
.
Deci:
( ) ( ) θ Φ Φ θ Y Φ θ θ Φ Y Y Y θ ⋅ ⋅ ⋅ + ⋅ ⋅ − ⋅ ⋅ − ⋅ ⋅ =
T T T T T T
V
2
1
. (263.)
Deoarece ( ) Φ Φ ⋅
T
este pozitiv definitǎ, rezultǎ cǎ funcția criteriu are un minim global
obținut pentru;
(iii)
( )
( ) 0 Y Φ θ Φ Φ
θ
θ
= ⋅ ⋅ − ⋅ ⋅ ⋅ ⋅ =
T T
d
V d
2 2
2
1
.

( ) Y Φ Φ Φ θ ⋅ ⋅ ⋅ =

T T
1
ˆ

Pentru demonstrarea celei de-a doua pǎrți a teoremei se ȋnlocuiește expresia
estimatorului celor mai mici pǎtrate, obținutǎ mai sus ȋn expresia funcției criteriu -
relația (ii) și se obține:



178
(iv)
( ) ( )
( ) [ ] θ Φ Φ Y Φ θ θ Φ Y Y Y
θ Φ Φ θ Y Φ θ θ Φ Y Y Y θ
ˆ ˆ ˆ
2
1
2
1
ˆ
⋅ ⋅ − ⋅ ⋅ − ⋅ ⋅ − ⋅ ⋅ =
= ⋅ ⋅ ⋅ + ⋅ ⋅ − ⋅ ⋅ − ⋅ ⋅ =
T T T T T
T T T T T T
V
.
Ȋn relația (iv) se comparǎ termenul subliniat cu expresia (iii) și rezultǎ cǎ acest termen
este egal cu zero pentru θ θ
ˆ
= ; se ȋnlocuiește θ
ˆ
cu expresia obținutǎ mai sus și
rezultǎ:
(iv) ( ) ( ) [ ] Y Φ Φ Φ Φ Y Y Y θ ⋅ ⋅ ⋅ ⋅ ⋅ − ⋅ ⋅ =

T T T T
V
1
2
1
ˆ
.
Varianta 2 a demonstrației.
Se observǎ cǎ, ȋn expresia funcției criteriu - relația (260) - valorile perechilor
[ ] ( ) N i y i u
i
; 1 ; = sunt cunoscute și cǎ variabila este reprezentatǎ de componentele
vectorului θ . Prin urmare, aceastǎ expresie conține termeni constanți, termeni care
depind de θ și termeni care depind de
2
θ dar nu conține termeni ȋn care sǎ aparǎ
produse de douǎ sau de mai multe entitǎți variabile. Rezultǎ cǎ expresia funcției cost
poate fi scrisǎ sub forma produsului scalar;
(i) ( ) [ ] [ ] θ Φ Y θ Φ Y ε ε θ ⋅ − ⋅ ⋅ − ⋅ = ⋅ ⋅ =
T T
V
2
1
2
1
;

( ) [ ] [ ] [ ] θ Φ Φ θ Y Φ θ Φ θ Y Y Y Φ θ Y Φ θ Y θ ⋅ ⋅ ⋅ + ⋅ ⋅ − ⋅ ⋅ − ⋅ ⋅ = ⋅ − ⋅ ⋅ − ⋅ =
T T T T T T T T T
V
2
1
2
1
.
Ȋn relația de mai sus se adunǎ și se scade termenul ( ) Y Φ Φ Φ Φ Y ⋅ ⋅ ⋅ ⋅ ⋅

T T T
1
și rezultǎ:
(ii)
( ) ( ) [
( ) ] Y Φ Φ Φ Φ Y
Y Φ Φ Φ Φ Y θ Φ Φ θ Y Φ θ Φ θ Y Y Y θ
⋅ ⋅ ⋅ ⋅ ⋅ −
− ⋅ ⋅ ⋅ ⋅ ⋅ + ⋅ ⋅ ⋅ + ⋅ ⋅ − ⋅ ⋅ − ⋅ ⋅ =


T T T
T T T T T T T T T
V
1
1
2
1

Se grupeazǎ termenii care conțin variabila θ din relația (ii), și expresia obținutǎ se
scrie sub formǎ de produs; termenii care nu conțin variabila se grupeazǎ separat. Se
obține urmǎtorul rezultat:
(iii)
( ) ( ) [ ] ( ) ( ) [ ]
( ) [ ] Y Φ Φ Φ Φ Y Y Y
Y Φ Φ Φ θ Φ Φ Y Φ Φ Φ θ θ
⋅ ⋅ ⋅ ⋅ ⋅ − ⋅ ⋅ +
+ ⋅ ⋅ ⋅ − ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ − ⋅ =

− −
T T T T
T T T
T
T T
V
1
1 1
2
1
2
1
.
Din ipotezǎ, matricea( ) Φ Φ ⋅
T
este pozitiv definitǎ și deci, ȋn relația (iii) primul termen
este ȋntotdeauna pozitiv; termenul al doilea nu depinde de variabila θ - este
constant. Prin urmare, valoarea minimǎ a funcției ( ) θ V se obține atunci când
valoarea primului termen este egalǎ cu numǎrul zero. Deci:
(iv) ( ) ( ) Y Φ Φ Φ θ 0 Y Φ Φ Φ θ ⋅ ⋅ ⋅ = ⇒ = ⋅ ⋅ ⋅ −
− −
T T T T
1 1
ˆ ˆ
.
Cazul 2: matricea ( ) Φ Φ ⋅
T
este singularǎ (semipozitiv definitǎ).



179
Ȋn acest caz, matricea ( ) Φ Φ ⋅
T
nu este inversabilǎ și prin urmare ipotezele formulate
ȋn demonstrația de mai sus nu pot fi aplicate.
Se evalueazǎ gradientul funcției criteriu:
(v)
( )
( ) 0 = ⋅ ⋅ + ⋅ − = Φ Φ θ Φ Y
θ
θ
T T T
d
V d

(vi) ( ) Y Φ θ Φ Φ ⋅ = ⋅ ⋅
T T
.⇒ ( ) Y Φ Φ Φ θ ⋅ ⋅ ⋅ =

T T
1
ˆ
.
Deoarece matricea ( ) Φ Φ ⋅
T
este singularǎ, rezultǎ cǎ rangul matricei Φ este mai mic
decât ordinul modelului, n și prin urmare ecuația (vi) are o infinitate de soluții. Se
adoptǎ un subspațiu de elemente liniar independente ale matricei Φ; ( ) θ V descrie o
suprafațǎ ȋn șa care are o infinitate de puncte de minim local.
Observație. Forma explicitǎ a estimatorului celor mai mici pǎtrate este reprezentată
prin relația care urmează.


( ) ( ) ( ) ( )
(
¸
(

¸

⋅ ⋅
(
¸
(

¸

⋅ =
∑ ∑
=

=
N
t
N
t
T
t t t t
1
1
1
ˆ
y φ φ φ θ ;

(264.)
Avantajul implementǎrii expresiei (264) constǎ ȋn faptul cǎ nu mai trebuie definitǎ
matricea Φ care, de regulǎ este de dimensiuni mari.
Observație. Interpretarea geometricǎ a estimatorului celor mai mici pǎtrate.
Fie ordinul modelului 2 = n și numǎrul observațiilor - egal cu numǎrul ecuațiilor,
3 = N .
Ȋn acest caz, matricele care apar sistemul de ecuații se scriu dupǎ cum urmeazǎ.

[ ] [ ]
[ ] [ ]
[ ] [ ] 2 3
1 2
0 1
u u
u u
u u
= Φ ,
3
2
1
y
y
y
= Y ; și
1
0
ˆ
ˆ
ˆ
a
a
= θ .
(265.)
Vectorii care se pot forma cu cele douǎ coloane ale matricei Φ definesc un plan, ( ) π
ȋn spațiul tridimensional. Ȋn genere, coloanele unei matrici definesc un subpațiu, notat
( ) Φ Ι . Notǎm ȋn continuare douǎ observații cu caracter general.
1. Fiind dat un vector v și o matrice Φ. Vectorul ( ) v Φ⋅ aparține subspațiului ( ) Φ Ι ; ȋn
exemplul de fațǎ, vectorul aparține planului ( ) π .
2. Fiind dați doi vectori, v și w. Cei doi vectori sunt ortogonali, w v ⊥ dacǎ produsul
scalar:

0 = ⋅ w v
T
.




180
Pe baza celor enunțate mai sus rezultǎ cǎ vectorul ( ) θ Φ
ˆ
⋅ aparține subspațiului ( ) Φ Ι .
Ȋn cazul analizat, acest vector aparține planului ( ) π din spațiul tridimensional. ȋn
continuare se evalueazǎ produsul scalar ( ) ( ) θ Φ Y θ Φ
ˆ ˆ
T
⋅ − ⋅ ⋅ și se obține:

( ) ( ) ( ) ( )
( ) 0
ˆ ˆ
ˆ ˆ ˆ ˆ
= ⋅ ⋅ − ⋅ ⋅ =
= ⋅ − ⋅ ⋅ = ⋅ − ⋅ ⋅
=0
θ Φ Φ Y Φ θ
θ Φ Y Φ θ θ Φ Y θ Φ
T T T
T T
T
,

deoareceθ
ˆ
este estimatorul celor mai mici pǎtrate și deci acesta verificǎ relația (261).


Figura 72. Interpretarea geometricǎ a estimatorului celor mai mici pǎtrate.
Prin urmare, ( ) ( ) θ Φ Y θ Φ
ˆ ˆ
⋅ − ⊥ ⋅ respectiv vectorul ( ) θ Φ
ˆ
⋅ este proiecția vectorului
Ype subspațiul ( ) Φ Ι .
Ȋn spațiul tridimensional, aceastǎ concluzie se poate interpreta geometric astfel,
Figura 72: θ
ˆ
corespunde valorii minime a distanței dintre vectorul Y și dreptele
conținute ȋn planul ) (π ; acest minim este reprezentat de lungimea distanței dintre
vectorul Y și proiecția
acestuia pe planul ) (π .
Efectul zgomotului asupra preciziei estimatorului celor mai mici
pǎtrate
Ȋn modelul prezentat nu s-a fǎcut nici o referire la zgomotul care perturbǎ variabila
regresatǎ, [ ] k y . Pentru a analiza efectul zgomotului asupra preciziei estimatorului
celor mai mici pǎtrate, trebuie definite proprietǎțile statistice ale zgomotului.
Fie modelul care urmeazǎ ȋn care componenta deterministǎ și zgomotul aditiv sunt
separate:

[ ] [ ] [ ] k e k k y
T
+ ⋅ =
0
θ φ ;
(266.)
ȋn care
0
θ este vectorul parametrilor cu valori adevǎrate (neafectate de zgomot) și
[ ] k e este eșantionul la momentul k al unui semnal zgomot alb cu media statisticǎ
zero și varianța
2
λ . Expresia (266) poate fi scrisǎ concentrat, sub urmǎtoarea formǎ
matricialǎ:



181
e θ Φ Y + ⋅ =
0
; (267.)
ȋn care Yși Φau semnificația cunoscută și [ ] [ ] [ ]
T
N e e K 1 = e .
Teorema 17: Fie estimatorul celor mai mici pǎtrate, reprezentat prin expresia:
( ) Y Φ Φ Φ θ ⋅ ⋅ ⋅ =

T T
1
ˆ
.
Dacǎ datele mǎsurate verificǎ expresia (267) ȋn care [ ] t e este eșantionul la momentul
t al unui semnal zgomot alb cu media statisticǎ zero și varianța
2
λ , atunci:
(i)
0
ˆ
θ θ → cu eroare zero;
(ii) matricea de covarianțǎ a estimatorului este datǎ de relația:
( ) ( )
1
2
ˆ
cov

⋅ ⋅ = Φ Φ θ
T
λ ;
(iii) un estimat al varianței zgomotului este dat de expresia:
( ) θ V
n N
e


=
2
2
σ .
Demonstrație.
(i) Din relațiile estimatorului celor mai mici pătrate rezultǎ:
( ) ( ) ( ) e Φ Φ Φ θ e θ Φ Φ Φ Φ θ ⋅ ⋅ ⋅ + = + ⋅ ⋅ ⋅ ⋅ =
− −
T T T T
1
0 0
1
ˆ
; (268.)
ȋn relația (268) se aplicǎ operatorul de mediere statisticǎ și se obține:

{ } ( ) { }
0
1
0
ˆ
θ e Φ Φ Φ θ θ = ⋅ ⋅ ⋅ + =
=

e
E E
T T
µ
.
(269.)
(ii) Covarianța estimatorului este datǎ de expresia:
( ) ( ) ( ) { }
T
E
0 0
ˆ ˆ ˆ
cov θ θ θ θ θ − ⋅ − = .
Din relația (268) se obține
( ) e Φ Φ Φ θ θ ⋅ ⋅ ⋅ = −

T T
1
0
ˆ
; (270.)

( ) ( ) [ ] ( ) [ ] { }
( ) [ ] ( ) [ ] { }
( ) { } ( ) ( )
1
2
1 1
1 1
1 1
2
ˆ
cov
− −
=

− −
− −
⋅ ⋅ = ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ =
⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ =
= ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ =
Φ Φ Φ Φ Φ e e Φ Φ Φ
Φ Φ Φ e e Φ Φ Φ
e Φ Φ Φ e Φ Φ Φ θ
T T T T T
T T T T
T
T T T T
E
E
E
λ
λ
43 42 1
.
(271.)
(iii) Valoarea minimǎ a funcției criteriu, poate fi scrisǎ dupǎ cum urmeazǎ.
(i) ( ) ( ) [ ] ( ) [ ] Y Φ Φ Φ Φ I Y Y Φ Φ Φ Φ Y Y Y θ ⋅ ⋅ ⋅ ⋅ − ⋅ ⋅ = ⋅ ⋅ ⋅ ⋅ ⋅ − ⋅ ⋅ =
− −
T T T T T T T
V
1 1
2
1
2
1
ˆ
.
Se ȋnlocuiește Ydin relația precedentǎ și se obține:



182
(ii)
( ) ( ) ( ) [ ] ( )
( ) ( ) [ ] ( )
( ) [ ]
( ) [ ] e Φ Φ Φ Φ I e
θ Φ Φ Φ Φ Φ Φ θ θ Φ Φ θ
e θ Φ Φ Φ Φ Φ I e Φ θ
e θ Φ Φ Φ Φ Φ I e θ Φ θ
0
⋅ ⋅ ⋅ ⋅ − ⋅ +
+ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ − ⋅ ⋅ ⋅ ⋅ =
+ ⋅ ⋅ ⋅ ⋅ ⋅ − ⋅ + ⋅ ⋅ =
+ ⋅ ⋅ ⋅ ⋅ ⋅ − ⋅ + ⋅ ⋅ =

=



T T T
T T T T T T
T T T T T
T T
T
V
1
0
1
0 0 0
0
1
0
0
1
0
2
1
2
1
2
1
ˆ
.

( ) ( ) [ ] e Φ Φ Φ Φ I e θ ⋅ ⋅ ⋅ ⋅ − ⋅ =

T T T
V
1
ˆ

Ȋn continuare se evalueazǎ valoarea medie a varianței zgomotului care perturbă
procesul, reprezentată prin relația propusǎ ȋn enunț, respectiv:

{ }
( )
( ) [ ] { }
( ) [ ] { }
( ) [ ] { }
( ) ( ) [ ] { } ( )
2
2 2
1
2
1
1
1
2
tr tr
1
tr
1
tr
1
tr 2
λ
λ λ
λ
σ
=

⋅ − =

⋅ ⋅ ⋅ ⋅ − =

⋅ ⋅ ⋅ ⋅ ⋅ ⋅ − =
)
`
¹
¹
´
¦

⋅ ⋅ ⋅ ⋅ ⋅ ⋅ − =
)
`
¹
¹
´
¦

⋅ ⋅ ⋅ ⋅ ⋅ − ⋅ =
)
`
¹
¹
´
¦

⋅ =




n N
n N
n N
n N
n N
E
n N
E
n N
V
E E
T T
N
N
T T
N
T T T
N
T T
N
T
e
Φ Φ Φ Φ I
I Φ Φ Φ Φ I
e e Φ Φ Φ Φ I
e Φ Φ Φ Φ I e
θ
.
Observație. Teorema prezentatǎ demonstreazǎ convergența estimatorului celor mai
mici pǎtrate pentru condițiile restrictive ȋn care semnalul de intrare este determinist -
respectiv matricea Φ este deterministǎ - și zgomotul care perturbǎ semnalul de
ieșire este de tip zgomot alb - eșantinoanele nu sunt corelate statistic ȋntre ele. ȋn
(S&S) se demonstreazǎ cǎ aceastǎ condiție poate fi relaxatǎ ȋn sensul cǎ se poate
obține un estimator convergent cu eroare zero și dacǎ ȋntre eșantioanele zgomotului
existǎ corelație statisticǎ.
Observație. Relația obținută probeazǎ cǎ estimatorul θ
ˆ
depinde printr-o funcție liniarǎ
de datele mǎsurate din proces. Un astfel de estimator se numește estimator liniar.
Ȋn sensul acestei definiții, estimatorul celor mai mici pǎtrate este un estimator liniar.
Metode de identificare bazate pe minimizarea erorii de
predicție
Regresia liniarǎ descrie procese staționare la care amplitudinea și energia
semnalelor sunt constante sau variazǎ lent ȋn funcție de timp.
Procesele dinamice sunt caracterizate prin faptul cǎ amplitudinea semnalelor și
energia acestora depind de variabila timp; acestǎ dependențǎ se regǎsește ȋn
reprezentarea modelelor proceselor continue prin prezența derivatelor funcțiilor-
semnal ȋn raport cu timpul iar ȋn cazul modelelor discrete prin termeni conținând
valori ale eșantioanelor semnalelor la diferite momente de timp.
Spre deosebire de modelele analizate mai sus, ȋn cazul identificǎrii modelelor
dinamice cu metoda celor mai mici pǎtrate, matricea Φ nu este deterministǎ. Pentru
a justifica aceastǎ afirmație se prezintǎ urmǎtorul exemplu.



183
Exemplul 40: Identificarea parametrilor unui proces ( ) 2 ARX cu metoda celor mai
mici pǎtrate.
Fie procesul descris prin urmǎtoarea ecuație cu diferențe.
[ ] [ ] [ ] [ ] [ ] k n k u b k y a k y a k y + ⋅ = − ⋅ + − ⋅ +
0 2 1
2 1 ; (272.)
ȋn care [ ] { }
N
k
k u
1 =
este o secvențǎ a unui semnal determinist cunoscut, aplicat la portul
de intrare și [ ] { }
N
k
k n
1 =
este un proces aleator - zgomotul care afecteazǎ sistemul și
[ ] { }
N
k
k y
1 =
este secvența corespunzǎtoare a semnalului la portul de ieșire afectat de
zgomot.
Se preleveazǎ 2 > N eșantioane ale semnalelor de intrare/ieșire și se scrie expresia
(272) sub forma:
[ ] [ ] [ ] [ ] [ ] k n k u b k y a k y a k y + ⋅ + − ⋅ − − ⋅ − =
0 2 1
2 1 ; (273.)
Se obține urmǎtorul sistem de ecuații liniare:

[ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ]
¦
¦
¹
¦
¦
´
¦
+ ⋅ + − ⋅ − − ⋅ − =
+ ⋅ + ⋅ − ⋅ − =
+ ⋅ + − ⋅ − ⋅ − =
N n N u b N y a N y a N y
n u b y a y a y
n u b y a y a y
0 2 1
0 2 1
0 2 1
2 1
2 2 0 1 2
1 1 1 0 1
M
; n θ Φ Y + ⋅ = ;
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ] N u N y N y
u y y
u y y
2 1
2 0 1
1 1 0
− − − −
− −
− − −
=
M M M
Φ
(274.)
ȋn care valorile teoretice au fost ȋnlocuite cu valorile mǎsurate, afectate de zgomot.
Ȋn relația (274), valorile elementelor matricei Φ conțin valori anterioare ale
eșantioanelor semnalului la portul de ieșire care sunt afectate de zgomot, deci sunt
secvențe ale unor procese aleatoare. Rezultǎ cǎ ȋn acest caz ipotezele formulate
anterior nu sunt ȋndeplinite. Datoritǎ acestui fapt, valoarea eșantionului semnalului la
portul de ieșire la momentul actual nu poate fi determinat cu exactitate din observații
anterioare.
Ȋn continuare, se prezintǎ metodele de identificare a sistemelor discrete pentru care
modelul este un predictor ceea ce ȋnseamnǎ cǎ modelul permite estimarea
semnalului la portul de ieșire, la momentul actual, k ȋn funcție de valorile
eșantioanelor semnalelor la porturile de intrare / ieșire, mǎsurate la momente
anterioare,
i k
u

,
i k
y

, i k > .
Definiția 58: Predictor liniar. Fie modelul general cu structura:

[ ] ( ) [ ] ( ) [ ]
[ ] [ ] { } ( )
t k
T
t k E
k e q H k u q G k y
,
1 1
; ;
δ ⋅ Λ = ⋅
⋅ + ⋅ =
− −
θ e e
θ θ
;
(275.)
ȋn care se presupune cǎ modelul determinist are cel puțin o ȋntârziere purǎ de la
portul de intrare spre portul de ieșire, respectiv ( ) 0 ; 0 = θ G .



184
Se numește predictor liniar, funcția:

[ ] ( ) [ ] ( ) [ ] k u q L k y q L k k y ⋅ + ⋅ = −
− −
θ θ θ ; ; ; 1 ˆ
1
2
1
1
;
(276.)
ȋn care ( ) θ ;
1
1

q L și ( ) θ ;
1
2

q L se numesc filtrele predictorului și ȋndeplinesc condițiile
restrictive ( ) 0 ; 0
1
= θ L și ( ) 0 ; 0
2
= θ L .
Definiția 59: Eroare de predicție. Fie [ ] θ ; 1 ˆ − k k y un predictor liniar. Expresia

[ ] [ ] [ ] θ θ ; 1 ˆ ; − − = k k y k y k ε ;
(277.)
se numește eroare de predicție.
Principiul metodelor de identificare bazate pe minimizarea erorii de predicție este
reprezentat schematic ȋn Figura 73.
Implementarea metodelor de identificare bazate pe minimizarea erorii de predicție
presupune parcurgerea urmǎtoarelor etape:

Figura 73. Diagrama bloc a metodelor de identificare bazate pe minimizarea erorii de predicție.
Alegerea structurii modelului, respectiv parametrizarea funcțiilor de transfer
operaționale ( ) θ ;
1 −
q G , ( ) θ ;
1 −
q H și ( ) θ Λ .
Alegerea predictorului, respectiv definirea filtrelor acestuia ( ) θ ;
1
1

q L și ( ) θ ;
1
2

q L .
Alegerea criteriului de minimizare i.e. definirea unei funcții scalare depinzând de
eroarea de predicție prin minimizarea cǎreia ȋn raport cu vectorul parametrilor
modelului se obține cel mai bun predictor asociat clasei de structuri de modele.
Se vor prezenta: metoda celor mai mici pǎtrate simple, metoda celor mai mici pǎtrate
generalizate și metoda variabilelor instrumentale.
Metoda simplă a celor mai mici pǎtrate
Principiul metodei
Metoda simplă a celor mai mici pǎtrate simple se aplicǎ modelelor de tip ( ) nb na ARX ; ,
Figura 74. Modelul sistemului se reprezintǎ astfel:

Figura 74. Model de tip ARX (nb,na).



185


[ ] [ ] [ ]
[ ] [ ] [ ] k e nb k y b k u b
na k y a k y a k y
nb
na
+ − ⋅ + + ⋅ =
= − ⋅ + + − ⋅ +
L
L
0
1
1
- (ecuația cu diferențe), sau

(278.)

[ ]
( )
( )
[ ]
( )
[ ] k e
q A
k u
q A
q B
k y ⋅ + ⋅ =
− −

1 1
1
1
;



( )
na
na
q a q a q A
− − −
⋅ + ⋅ + = L
1
1
1
1 ;


( )
nb
nb
q b q b b q B
− − −
⋅ + ⋅ + = L
1
1 0
1
- (modelul polinomial).


Sistemul de ecuații care descrie modelul propus este urmǎtorul:


( ) [ ] ( ) [ ]
[ ] [ ] [ ]
( ) [ ] [ ] ( ) ( ) [ ]
( ) [ ] ( ) [ ] ( ) [ ]
[ ]
43 42 1
k
k e q A k u q B k y q A
k u q B k e k y q A
k e k v k y
k u q B k v q A
ε =
− − −
− −
− −
⋅ + ⋅ = ⋅
⋅ = − ⋅
+ =
⋅ = ⋅
1 1 1
1 1
1 1
.

(279.)
Ȋn relațiile (279) cantitǎțile [ ] ( ) [ ] k e q A k ⋅ =
−1
ε se numesc resturile estimǎrii. Fie N ,
na N > observații succesive ale procesului; pe baza modelului se obține un sistem
liniar de na N − ecuații dupǎ cum urmeazǎ.
[ ]
[ ]
[ ]
[ ]
[ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ]
×
(
(
(
(
(
(
(
(
(
(
¸
(

¸

+ − + − −
+ − + − + −
− − − − − − − −
− − − − −
=
(
(
(
(
(
(
(
(
(
(
¸
(

¸

+
+

1 1 1
2 2 2 1
1 1 1 2
1
1
2
1
nb na u na u y na y
nb na u na u y na y
nb N u N u na N y N y
nb N u N u na N y N y
na y
na y
N y
N y
L L
L L
M M M L M M
M M M L M M
M M M L M M
M M M L M M
L L
L L
M
M
M
M

(280.)



186
[ ]
[ ]
[ ]
[ ]
(
(
(
(
(
(
(
(
(
(
¸
(

¸

+
+

+
(
(
(
(
(
(
(
(
(
(
¸
(

¸

×

1
2
1
1
0
2
1
na
na
N
N
b
b
b
a
a
a
nb
nb
na
ε
ε
ε
ε
M
M
M
M
M
M
.
Sistemul de ecuații (280) se scrie sub formǎ concentratǎ astfel:
ε θ Φ Y + ⋅ = . (281.)
Se definește funcția criteriu:

ε ε ⋅ ⋅ = ⋅ =

=
T
N
i
i
V
2
1
2
1
1
2
ε .
(282.)
Din relațiile precedente rezultǎ urmǎtoarea expresie pentru funcția criteriu

( ) ( )
θ Φ Φ θ θ Φ Y Y Φ θ Y Y
θ Φ Y θ Φ Y
⋅ ⋅ ⋅ + ⋅ ⋅ − ⋅ ⋅ − ⋅ =
= ⋅ − ⋅ ⋅ − ⋅ =
T T T T T T
T
V
2
1
.
(283.)
Această relație este asemǎnǎtoare cu relația (262); deosebirile dintre aceste relații
constau ȋn (1) faptul cǎ elementele matricei Φ din relația (283) sunt variabile
aleatoare spre deosebire de cazul relației (262) ȋn care aceste elemente sunt
deterministe și (2) elementele matricei din relația (283) sunt eșantioane atât ale
semnalelor de intrare cât și de ieșire spre deosebire de cazul relației (262) ȋn care
apar doar eșantioane ale semnalului de intrare.
Aceste deosebiri influențeazǎ proprietǎțile statistice ale estimatorului celor mai mici
pǎtrate dupǎ cum rezultǎ din analiza prezentatǎ ȋn continuare.
Estimatorul celor mai mici pǎtrate reprezintă vectorul parametrilor, notat θ
ˆ
care
corespunde minimului absolut al funcției criteriu. Rezultǎ cǎ estimatorul este soluția
ecuației:

( )
( ) 0 Y Φ θ Φ Φ
θ
θ
= ⋅ ⋅ − ⋅ ⋅ ⋅ ⋅ =
T T
d
V d
2 2
2
1
;
(284.)

( ) Y Φ Φ Φ θ ⋅ ⋅ ⋅ =

T T
1
ˆ
. (285.)
Se evalueazǎ derivata de ordinul doi a funcției criteriu:

( )
Φ Φ
θ
θ
⋅ =
T
d
V d
2
2
.
(286.)
Matricea Φ Φ ⋅
T
este pozitiv definitǎ cu excepția cazului ȋn care aceastǎ matrice este
singularǎ (semipozitiv definitǎ) - ȋn acest caz metoda nu poate fi aplicatǎ. Prin
urmare, soluția ecuației (284) definește un punct de minim global al funcției criteriu.



187
Calculul erorii estimatorului
Deoarece matricea Φ nu este deterministǎ se va evalua media statisticǎ a
estimatorului prin aplicarea operatorului de mediere statisticǎ .

{ } ( ) { } ( ) [ ] { }
( ) { }
( ) { } ε Φ Φ Φ θ
ε Φ Φ Φ θ
ε θ Φ Φ Φ Φ Y Φ Φ Φ θ
⋅ ⋅ ⋅ + =
= ⋅ ⋅ ⋅ + =
= + ⋅ ⋅ ⋅ ⋅ = ⋅ ⋅ ⋅ =


− −
T T
T T
T T T T
E
E
E E E
1
0
1
0
0
1 1
ˆ
.
(287.)
Rezultǎ cǎ, pentru ca estimatorul sǎ fie convergent spre valoarea adevǎratǎ a
vectorului parametrilor modelului, adicǎ pentru ca { }
0
ˆ
θ θ = E trebuie ȋndeplinitǎ
condiția:
( ) { } 0 ε Φ Φ Φ = ⋅ ⋅ ⋅

T T
E
1
. (288.)
Cu alte cuvinte, elementele matricei Φ - respectiv eșantioanele semnalelor conținute
ȋn aceasta trebuie sǎ nu fie corelate statistic cu eșantioanele zgomotului - conținute
ȋn vectorul ε .
Aceastǎ condiție nu este ȋndeplinitǎ.
Afirmația de mai sus poate fi justificatǎ ȋn sens calitativ observând cǎ matricea Φ
conține elemente ale eșantioanelor semnalului de ieșire afectate de zgomot.
Urmǎtorul exemplu oferǎ o evaluare cantitativǎ a erorii sistematice a estimatorului.
Exemplul 41: Calculul proprietǎților statistice ale resturilor la estimarea unui sistem
de ordinul unu afectat de zgomot.
Fie un sistem afectat de zgomot și un model al acestui sistem. Ecuațiile modelului
sunt urmǎtoarele:
[ ] [ ] [ ] 1 1 − ⋅ = − ⋅ + k u b k v a k v - componenta deterministǎ; (289.)

[ ] [ ] [ ] k e k v k y + = - semnalul de ieșire afectat de zgomot (proces
aleator de tip zgomot alb).

Ecuațiile (289) se rescriu pentru a pune ȋn evidențǎ dependențele semnalelor de
intrare/ieșire astfel:

[ ] [ ] [ ] [ ] [ ]
[ ]
[ ] [ ] [ ]
[ ] [ ] [ ] 1
1 1 1
− ⋅ + =
= −
− ⋅ + + − ⋅ = − ⋅ +
=
k e a k e k
k v k e k y
k e a k e k u b k y a k y
k
ε
ε
;
(290.)
ȋn relațiile (290), cantitatea notatǎ cu ε se numește restul estimǎrii.
Zgomotul care perturbǎ sistemul este un proces aleator de tip zgomot alb cu media
statisticǎ zero și varianța
2
λ , deci:

[ ] { }
[ ] [ ] { } [ ] k k i e i e E
k e E
δ λ ⋅ = − ⋅
=
2
0
; ȋn care [ ]
{ }
¹
´
¦

=
=
0 \ Z k ; 0
0 k ; 1
k δ .
(291.)
Pentru ȋnceput se evalueazǎ media statisticǎ statisticǎ a resturilor estimǎrii.



188

[ ] { } [ ] { } [ ] { } [ ] [ ] { } [ ] { } [ ] { } 0 1 1 1
0 0
= − ⋅ + = − ⋅ + = − ⋅ + =
= = = =
e e
k e E a k e E k a k e E k E a k e E k E
µ µ
ε ε ε .
Deci, media statisticǎ a resturilor estimǎrii este egalǎ cu zero:
[ ] { } 0 = = k E ε µ
ε
. (292.)
Ȋn continuare se calculeazǎ expresia funcției de intercorelație a resturilor estimǎrii.

[ ] [ ] { } [ ] [ ] [ ] [ ] [ ] [ ] { }
[ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] { }
[ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
[ ] [ ] { }
[ ]
4 4 4 3 4 4 4 2 1 4 4 4 3 4 4 4 2 1 4 4 4 3 4 4 4 2 1 4 4 3 4 4 2 1
k k k k
k i e i e E a k i e i e E a k i e i e E a k i e i e E
k i e a i e a k i e a i e k i e i e a k i e i e E
k i e a k i e i e a i e E k i i E
δ λ δ λ δ λ δ λ
ε ε
⋅ = + ⋅ = − ⋅ = ⋅ =
− − ⋅ − ⋅ + − − ⋅ ⋅ + − ⋅ − ⋅ + − ⋅ =
− − ⋅ ⋅ − ⋅ + − − ⋅ ⋅ + − ⋅ − ⋅ + − ⋅ =
− − ⋅ + − ⋅ − ⋅ + = − ⋅
2 2 2 2
1 1 1 1
1 1 1 1
1 1
2
1 1

Deci, rezultǎ pentru aceastǎ funcție expresia:

[ ] [ ] [ ] { }
[ ] [ ] [ ] [ ]
( ) [ ] [ ] [ ] [ ] 1 1 1
1 1
2 2
2 2 2 2 2
+ ⋅ + − ⋅ + ⋅ + ⋅ =
⋅ ⋅ + + ⋅ ⋅ + − ⋅ ⋅ + ⋅ =
− ⋅ =
k δ a k δ a k δ a λ
k δ λ a k δ λ a k δ λ a k δ λ
k i ε i ε E k r
εε
.
(293.)
Rezultǎ cǎ ȋntre eșantioanele resturilor estimǎrii existǎ corelație statisticǎ, deci
acestea nu sunt independente statistic..
Datoritǎ acestui fapt, parametrii estimați și parametrii adevǎrați ai modelului nu sunt
egali,
0
ˆ
θ θ ≠ . Diferența
0
ˆ
θ θ − reprezintǎ eroarea de estimare.
Aceastǎ eroare, numitǎ și biasul estimatorului depinde de raportul dintre
amplitudinea zgomotului ȋn comparație cu amplitudinea semnalului util; cu cât
semnalul util este afectat de zgomot ȋntr-o proporție mai mare cu atât biasul
estimatorului va fi mai mare.
Exemplul 42: Estimarea parametrilor modelului din exemplul precedent cu metoda
simplă a celor mai mici pǎtrate [4] pag 17.
Fie modelul din exemplul Exemplul 41. Se vor determina parametrii estimați ai
modelului/estimatorul celor mai mici pǎtrate, [ ]
T
b a
ˆ
; ˆ
ˆ
= θ cu metoda celor mai mici
pǎtrate.
Ecuația cu diferențe care descrie procesul, relația (290) se scrie sub forma care
urmeazǎ.

[ ] [ ] [ ] [ ]
[ ] [ ] [ ] 1
1 1
− ⋅ + =
+ − ⋅ + − ⋅ − =
k e a k e k
k k u b k y a k y
ε
ε
;
(294.)
ȋn care semnalul la portul de intrare, [ ] { }

=1 k
k u este un proces aleator zgomot alb cu
media statisticǎ zero și varianța
2
σ iar zgomotul care afecteazǎ sistemul, [ ] { }

=1 k
k e este
tot un proces aleator zgomot alb cu media statisticǎ zero și varianța
2
λ , necorelat
statistic cu procesul aleator la portul de intrare.
Fie 2 > N observații ale procesului. Pe baza acestor observații se formeazǎ un
sistem de 2 − N ecuații liniare:



189

[ ]
[ ]
[ ] [ ]
[ ] [ ]
{
[ ]
[ ]
3 2 1
M
4 4 4 4 3 4 4 4 4 2 1
M M
3 2 1
M
ε
θ
Φ Y =
=
= =
(
(
(
¸
(

¸

ε
ε
+
(
¸
(

¸


(
(
(
¸
(

¸


− − −
=
(
(
(
¸
(

¸

1
N
b
a
1 u 1 y
1 N u 1 N y
2 y
N y
.
(295.)
Parametrii estimați se obțin prin rezolvarea problemei de minimizare sunt dați de
expresia:
( ) Y Φ Φ Φ θ ⋅ ⋅ ⋅ =

T T
1
ˆ
.
Ȋn care:

[ ] [ ]
[ ] [ ]
[ ] [ ]
[ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
(
(
(
(
¸
(

¸

− ⋅ − ⋅ − ⋅ −
− ⋅ − ⋅ − − ⋅
⋅ =
(
(
(
¸
(

¸


− − −

(
¸
(

¸


− − −
= ⋅
∑ ∑
∑ ∑
= =
= =
=
N
k
N
k
N
k
N
k
T
k u
N
k u k y
N
k u k y
N
k y
N
N
u y
N u N y
u N u
y N y
1
2
1
1 1
2
1
1
1 1
1
1 1
1
1
1
0 0
1 1
0 1
0 1
4 4 4 4 3 4 4 4 4 2 1
M M
L
L
Φ Φ
;
(296.)

[ ] [ ]
[ ] [ ]
[ ]
[ ]
[ ] [ ]
[ ] [ ]
(
(
(
(
¸
(

¸

− ⋅ ⋅ −
− ⋅ ⋅
⋅ =
(
(
(
¸
(

¸




(
¸
(

¸


− − −
= ⋅


=
=
N
k
N
k
T
k u k y
N
k y k y
N
N
y
N y
u N u
y N y
1
1
1
1
1
1
0
0 1
0 1
M
L
L
Y Φ
.
(297.)
Din relațiile precedente rezultǎ pentru estimatorul celor mai mici pǎtrate expresia
care urmeazǎ
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ]
[ ] [ ]
(
(
(
(
¸
(

¸

− ⋅ ⋅ −
− ⋅ ⋅
⋅ ⋅
(
(
(
(
¸
(

¸

− ⋅ − ⋅ − ⋅ −
− ⋅ − ⋅ − − ⋅
⋅ =


∑ ∑
∑ ∑
=
=

= =
= =
N
k
N
k
N
k
N
k
N
k
N
k
k u k y
N
k y k y
N
N
k u
N
k u k y
N
k u k y
N
k y
N
N
1
1
1
1
2
1
1 1
2
1
1
1
1
1
1
1 1
1
1 1
1
1
1
1
ˆ
θ .
Dacǎ numǎrul de observații, ∞ → N elementele matricilor din relația de mai sus sunt
valori ale funcțiilor de corelație asociate celor douǎ procese staționare; de exemplu
[ ] [ ] 0 1
1
lim
1
2
yy
N
k
N
r k y
N
= − ⋅

=
∞ →
, [ ] [ ] [ ] 1 1
1
lim
1
yy
N
k
N
r k y k y
N
= − ⋅ ⋅

=
∞ →
, ș.a.m.d.
Cu aceste observații, expresia estimatorului celor mai mici pǎtrate se scrie astfel:

[ ] [ ]
[ ] [ ]
[ ]
[ ]
(
¸
(

¸



(
¸
(

¸



=

1
1
0 0
0 0
ˆ
1
yu
yy
uu yu
yu yy
r
r
r r
r r
θ
.
(298.)
Din expresia (298) rezultǎ urmǎtoarea observație importantǎ.
Pentru calculul estimatorului celor mai mici pǎtrate, situația cea mai favorabilǎ este
atunci când semnalul la portul de intrare este un proces aleator staționar zgomot alb



190
cu parametrii statistici cunoscuți cu precizie și cu reprezentările analitice cele mai
simple.
Spre exemplu, ȋn relația precedentă, funcțiile de corelație ale semnalelor la porturile
sistemului, să se reprezinte analitic cât mai simplu. Aceastǎ observație justificǎ
alegerea fǎcutǎ inițial ȋn legǎturǎ cu semnalul de intrare.
Expresiile valorilor funcțiilor de corelație care apar ȋn relația (58) sunt urmǎtoarele:

[ ]
( )
2
2 2 2 2
1
1
0
a
a b
r
yy

⋅ − + ⋅
=
λ σ
;
(299.)

[ ]
2
2
2
1
1 σ ⋅

⋅ −
=
a
b a
r
yy

(300.)

[ ]
2
0 σ =
uu
r
(301.)

[ ] 0 0 =
yu
r
(302.)

[ ]
2
1 σ ⋅ = b r
yu

(303.)
Demonstrațiile acestor relații se propun spre rezolvare cititorului sau sunt prezentate
ȋn [4].
Pe baza acestor rezultate se obține urmǎtoarea expresie pentru estimatorul celor
mai mici pǎtrate.

( )
(
(
(
¸
(

¸



⋅ ⋅

(
(
(
¸
(

¸


⋅ − + ⋅
=

2
2
2 2
1
2
2
2 2 2 2
1
0
0
1
1
ˆ
σ
σ
σ
λ σ
b
a
b a
a
a b
θ
;


( ) [ ]
( )
(
(
(
¸
(

¸



⋅ ⋅

(
(
(
¸
(

¸


⋅ − + ⋅ ⋅
⋅ − + ⋅ ⋅

=
2
2
2 2
2
2 2 2 2
2
2 2 2 2 2
2
1
1
1
0
0
1
1
ˆ
σ
σ
λ σ
σ
λ σ σ
b
a
b a
a
a b
a b
a
θ
;


( ) [ ]
( ) [ ]
( )
( )
(
(
(
¸
(

¸

⋅ − + ⋅
⋅ ⋅
=
(
(
(
(
¸
(

¸

⋅ ⋅

⋅ − + ⋅

⋅ − + ⋅ ⋅


⋅ ⋅
⋅ ⋅
⋅ − + ⋅ ⋅

=
b
a b
b a
b
a
a b
a b
a
a
b a
a b
a
2 2 2 2
2 2
2
2
2 2 2 2
2 2 2 2 2
2
2
2 2
2
2 2 2 2 2
2
1
1
1
1
1
1 1
1
ˆ
λ σ
σ
σ
λ σ
λ σ σ
σ
σ
λ σ σ
θ
;


( )
( )
(
(
(
¸
(

¸

⋅ − + ⋅
⋅ − ⋅

=
(
¸
(

¸

=
b
a b
a a
a
b
a
2 2 2 2
2 2
1
1
ˆ
ˆ
ˆ
λ σ
λ
θ
.
(304.)
Rezultatul obținut probeazǎ faptul cǎ parametrul aˆ al estimatorului are eroare
sistematicǎ (sau bias). Cel de-al doilea parametru al estimatorului, b
ˆ
nu are bias.
Se remarcǎ de asemenea cǎ bias-ul estimatorului depinde atât de varianța a
procesului aleator utilizat ca semnal de intrare,
2
σ cât și de varianța zgomotului din
sistem,
2
λ .



191
Exemplul 43: Estimarea parametrilor modelului cu metoda celor mai mici pǎtrate
simple (continuare).
Fie modelul adevǎrat al unui proces, descris prin urmǎtoarea ecuație cu diferențe:

( )
1
1
1
1
1
905 , 0 1
143 , 0
1





⋅ −

=
⋅ −

=
q
q
q a
q b
q G .
(305.)
Ȋn Figura 75 sunt reprezentate procesele aleatoare [ ] { }
150
1 = k
k u , și [ ] { }
150
1 = k
k y determinate
prin mǎsurare la porturile de intrare și de ieșire. [ ] { }
150
1 = k
k n reprezintǎ zgomotul care
afecteazǎ sistemul.
Se estimeazǎ procesele aleatoare de intrare/ieșire asociate modelului (67) cu un
model de tip ( ) 1 ; 1 ARX descris prin urmǎtoarea ecuație cu diferențe:
[ ] [ ] [ ] [ ] k e k u b k y a k y + − ⋅ = − ⋅ + 1 1 .
Pentru estimare se utilizeazǎ metoda celor mai mici pǎtrate simple. Rezultatele
calculelor sunt prezentate ȋn Tabelul 24.
Tabelul 24. Rezultatul implementǎrii metodei celor mai mici pǎtrate.

Simbol
Modelul
adevǎrat
Modelul estimat
a

-0.905 -0.927
b

0.143 0.143

Graficele semnalelor precum și graficele rǎspunsurilor la semnal treaptǎ unitarǎ ale
celor douǎ modele sunt reprezentate ȋn Figura 76. Se observǎ cǎ parametrul b este
estimat cu exactitate ȋn timp ce precizia de estimare a parametrului a este mai
redusǎ. De remarcat cǎ, ȋn ecuația cu diferențe a procesului, acest parametru apare
ca factor al termenului [ ] 1 k y − fiind deci influențat de corelația dintre procesele
[ ] { }
150
1 = k
k y
și
[ ] { }
150
1 = k
k n
.


Figura 75. Reprezentǎrile grafice ale semnalelor de intrare, (1) de ieșire, (2) și zgomotului, (3) -
stânga;




192

Figura 76. Rǎspunsurile modelului adevǎrat (2) și modelului estimat (3) la semnal de intrare treaptǎ
unitarǎ, (1).
Metoda celor mai mici pǎtrate simple se recomandǎ pentru cazul ȋn care raportul
dintre amplitudinea zgomotului provenind din sistem este mic ȋn comparație cu
amplitudinea semnalului util; a a → ⇒ → ˆ 0
2 2
σ λ .
Metoda generalizată a celor mai mici pǎtrate
Estimatorul celor mai mici pǎtrate are eroare sistematicǎ (sau bias) datoritǎ corelației
statistice dintre eșantioanele anterioare momentului actual ale semnalul de ieșire și
cele ale zgomotul din proces.
Existǎ, totuși, o excepție.
Condiția prezentatǎ ȋn expresia (288) se verificǎ dacǎ eroarea de predicție este un
proces aleator zgomot alb pur, adicǎ e ε = ; ȋn acest caz rezultǎ:
( ) { } ( ) { } { } 0 e Φ Φ Φ ε Φ Φ Φ = ⋅ ⋅ ⋅ = ⋅ ⋅ ⋅
− −
T T T T
E E E
1 1
. (306.)
Pe aceastǎ proprietate se bazeazǎ metoda celor mai mici pǎtrate generalizate.

Exemplul 44: Eliminarea bias-ului estimatorului prin albirea erorii de predicție.
Fie un sistem afectat de zgomot și un model al acestui sistem. Ecuațiile modelului
sunt urmǎtoarele:

[ ] [ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ] k e k
k v k e k y
k e k u b k y a k y
=
= −
+ − ⋅ = − ⋅ +
ε
1 1
. (307.)
Diferența dintre modelul din exemplul precedent - relația (290) și modelul reprezentat
ȋn relația (307) constǎ faptul cǎ ȋn ecuația cu diferențe apare doar eșantionul la
momentul actual al zgomotului echivalat cu un proces aleator zgomot alb pur, cu
media statisticǎ zero și varianța
2
λ .
Ceea ce prezintǎ interes la modelul reprezentat prin expresia (307) este faptul cǎ
valorile erorii de predicție sunt egale cu realizǎrile zgomotului alb.
Estimatorul celor mai mici pǎtrate se calculeazǎ tot cu expresia generală dar, ȋn
acest caz:



193

[ ]
2
2 2 2
1
0
a
b
r
yy

+ ⋅
=
λ σ
;
(308.)

[ ]
2
2 2 2
2
2 2 2
1 1
1
a
b
a
a
a b a
r
yy

+ ⋅
⋅ − =

⋅ − ⋅ ⋅ −
=
λ σ λ σ

(309.)

[ ]
2
0 σ =
uu
r ;
(310.)

[ ] 0 0 =
yu
r ;
(311.)

[ ]
2
1 σ ⋅ = b r
yu
.
(312.)
Ȋnlocuind expresiile obținute ȋn expresia estimatorului, se obține urmǎtoarea expresie
pentru estimatorul celor mai mici pǎtrate.

(
(
(
¸
(

¸



+ ⋅


(
(
(
¸
(

¸


+ ⋅
=

2
2
2 2 2
1
2
2
2 2 2
1
0
0
1
ˆ
σ
λ σ
σ
λ σ
b
a
b
a
a
b
θ
;


( )
(
(
(
¸
(

¸



+ ⋅


(
(
(
¸
(

¸


+ ⋅ ⋅
+ ⋅ ⋅

=
2
2
2 2 2
2
2 2 2
2
2 2 2 2
2
1
1
0
0
1
ˆ
σ
λ σ
λ σ
σ
λ σ σ
b
a
b
a
a
b
b
a
θ
;


( )
( )
(
(
(
(
¸
(

¸

⋅ ⋅

+ ⋅

+ ⋅ ⋅


+ ⋅
⋅ ⋅ ⋅
+ ⋅ ⋅

=
2
2
2 2 2
2 2 2 2
2
2
2 2 2
2
2 2 2 2
2
1
1
1
1
ˆ
σ
λ σ
λ σ σ
λ σ
σ
λ σ σ
b
a
b
b
a
a
b
a
b
a
θ
;
(
¸
(

¸

=
(
¸
(

¸

=
b
a
b
a
ˆ
ˆ
ˆ
θ

(313.)
Din relația (313) rezultǎ cǎ estimatorul celor mai mici pǎtrate nu are eroare
sistematicǎ (nu are bias).
Principiul metodei
Fațǎ de modelul asociat metodei celor mai mici pǎtrate simple, ȋn expresia
modelulului care se studiazǎ se introduce un model asociat zgomotului din sistem și
un estimator predictiv. Rolul celor douǎ componente se explicǎ ȋn continuare.
Ecuațiile modelului sunt:

( ) [ ] ( ) [ ]
[ ] [ ] [ ]
( ) [ ] [ ] ( ) ( ) [ ]
( ) [ ] ( ) [ ] ( ) [ ]
[ ]
43 42 1
k
k n q A k u q B k y q A
k u q B k e k y q A
k n k v k y
k u q B k v q A
ε =
− − −
− −
− −
⋅ + ⋅ = ⋅
⋅ = − ⋅
+ =
⋅ = ⋅
1 1 1
1 1
1 1
.
(314.)
Din relațiile (314), rezultǎ cǎ expresia resturilor estimǎrii este urmǎtoarea:

[ ] ( ) [ ] k n q A k ⋅ =
−1
ε .
(315.)
Ȋn relația (315) se introduce expresia funcției de transfer operaționalǎ a modelului de
zgomot și se obține:



194

[ ] ( )
( )
( )
[ ] k e
q Q
q P
q A k ⋅ ⋅ =



1
1
1
ε ⇒;
(316.)

[ ]
( )
( ) ( )
[ ] ( ) [ ] k q F k
q P q A
q Q
k e ε ε ⋅ = ⋅

=

− −

1
1 1
1

(317.)
ȋn care: ( )
( )
( ) ( )
1 1
1
1
− −



=
q P q A
q Q
q F reprezintǎ funcția de transfer operaționalǎ a unui filtru
rațional ai cǎrui parametri se vor determina ȋn continuare.
Se ȋnmulțește ultima ecuație din relațiile (314) cu expresia filtrului din relația (317) și
se obține:

( ) ( ) [ ] ( ) ( ) [ ] ( ) [ ]
[ ]
43 42 1
k e
k q F k u q F q B k y q F q A
=
− − − − −
⋅ + ⋅ ⋅ = ⋅ ⋅ ε
1 1 1 1 1
.


( ) ( ) [ ] ( ) ( ) [ ] [ ] k e k u q F q B k y q F q A + ⋅ ⋅ = ⋅ ⋅
− − − − 1 1 1 1

(318.)
Ȋn expresia (318) termenul [ ] k e reprezintǎ eșantionul la momentul k al unui proces
aleator de tip zgomot alb având proprietǎțile media statistică zero și varianța
2
λ .
Varianța estimatorului celor mai mici pǎtrate, care se obține ȋn acest caz are valoarea
minimǎ - deci acest estimator este optim.
Sub aspect practic, operația matematicǎ reprezentatǎ ȋn relația (317) semnificǎ
filtrarea semnalelor de intrare/ieșire astfel ȋncât zgomotul echivalent sǎ fie de tip
zgomot alb. Acest procedeu se numește albirea erorii.
Parametrii filtrului care realizeazǎ albirea erorii pentru un proces dat nu sunt
cunoscuți apriori. Pentru determinarea acestor parametri se procedeazǎ dupǎ cum
urmeazǎ.
Funcția de transfer operaționalǎ a filtrului se dezvoltǎ ȋn serie și se aproximeazǎ cu
expresia trunchiatǎ:

( )
( ) ( )
( )
( ) na
na
na
na
q f q f q f
q Q
q P q A
q F
− − −



− −

⋅ + ⋅ + + ⋅ + =

=
1
1
1
1 1
1 1
1
1 L .
(319.)
Ecuația (319) se scrie sub formǎ desfǎșuratǎ astfel:

( )
( ) [ ] [ ] k e k q f q f q f
na
na
na
na
= ⋅ ⋅ + ⋅ + + ⋅ +
− − −


ε
1
1
1
1
1 L ;


[ ] [ ] ( ) [ ] [ ] [ ] k e na k f na k f k f k
na na
+ − ⋅ − − − ⋅ − − − ⋅ − =

ε ε ε ε 1 1
1 1
L . (320.)
Pe baza celor N , na N > observații succesive ale procesului se pot scrie na N −
ecuații de forma (320) cu ajutorul cǎrora se formeazǎ sistemul liniar care urmeazǎ
(scris sub formǎ matricealǎ):



195
[ ]
[ ]
[ ]
[ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ] [ ] [ ]
[ ]
[ ]
[ ]
[ ]
43 42 1
M
M
M
M
3 2 1
M
M
M
M
4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 2 1
L
L
M L M M
M L M M
M L M M
M L M M
L
L
43 42 1
M
M
M
M
e
θ Φ
ε =
=

=
=
(
(
(
(
(
(
(
(
(
(
¸
(

¸

+
+

+
(
(
(
(
(
(
(
(
(
(
¸
(

¸


(
(
(
(
(
(
(
(
(
(
¸
(

¸

− − − −
− − + −
− − − − − − −
− − − − − −
=
(
(
(
(
(
(
(
(
(
(
¸
(

¸

+
+

1
2
1
1 1
2 1
1 3 2
2 1
1
2
1
ˆ
1
2
1
na e
na e
N e
N e
f
f
f
f
na na
na na
na N N N
na N N N
na
na
N
N
F
na
na
ε
ε ε ε
ε ε ε
ε ε ε
ε ε ε
ε
ε
ε
ε

Sistemul de ecuații liniare de mai sus se poate scrie sub formǎ concentratǎ astfel:
e θ Φ ε + ⋅ =
F
ˆ
ε
. (321.)
Soluția sistemului de ecuații (321) este de forma:
( ) e Φ Φ Φ θ ⋅ ⋅ ⋅ =

T T
F ε ε ε
1
ˆ
. (322.)
Parametrii filtrului,
F
θ
ˆ
pot fi determinați pe baza relației (322) dacǎ se cunoaște
matricea resturilor,
ε
Φ . Aceastǎ matrice ȋnsǎ, nu poate fi determinatǎ direct din
datele mǎsurate.
Problema estimǎrii parametrilor modelului, θ
ˆ
și a parametrilor filtrului,
F
θ
ˆ
se rezolvǎ
iterativ astfel:
(1) se calculeazǎ valorile inițiale ale parametrilor modelului, θ
ˆ
1
prin implementarea
algoritmului celor mai mici pǎtrate simple având ca date de intrare secvențele
semnalelor rezultate din mǎsurǎtori;
(2) se calculeazǎ valorile inițiale ale resturilor modelului ε
1
;
(3) se calculeazǎ parametrii filtrului
F
θ
ˆ
1
;
(4) se calculeazǎ secvențele semnalelor filtrate pe baza datelor rezultate din
mǎsurǎtori și a parametrilor estimați ai filtrului;
(5) cu secvențele semnalelor filtrate ca date de intrare se reia algoritmul de la pasul 1
- calculul parametrilor modelului, θ
ˆ
2
, ș.a.m.d. Pe mǎsurǎ ce numǎrul de iterații ale
algoritmului crește zgomotul echivalent din sistem se apropie de zgomotul alb; (6)
algoritmul se oprește eroarea raportatǎ la calculul funcției criteriu, J verificǎ
expresia:


ε ε ⋅ = ≤

=

T
adm k
k k
V
V
V V
η η
1
; ȋn practicǎ se adoptǎ 05 . 0 =
adm
η .

(323.)
O reprezentarea schematicǎ a algoritmului este reprezentatǎ ȋn Tabelul 25.



196
Tabelul 25. Reprezentarea schematică a algoritmului metodei generalizate a celor mai mici pătrate.
1 Estimarea parametrilor ( ) Y Φ Φ Φ θ
k T k
1
k T k k
⋅ ⋅ ⋅ =

ˆ

2 Estimarea resturilor θ Φ Y e
ˆ
k k k k
⋅ − =

3 Actualizarea parametrilor filtrului ( ) e Φ Φ Φ θ
k T k
1
k T k
F
k
⋅ ⋅ ⋅ =
ε

ε ε
ˆ

4 Filtrarea datelor
i
k k
i
k
i
k
i
k
u F u y y ⋅ = =
∗ ∗
;

5
Retur la Pasul 1 și reluarea calculelor cu noul ansamblu de
date de intrare / ieșire
Observație. La limitǎ, dacǎ numǎrul de iterații ale algoritmului tinde spre infinit
eroarea de estimare devine un proces aleator zgomot alb și deci bias-ul estimatorului
rezultǎ egal cu zero. Ȋn acest caz, parametrii calculați sunt egali cu parametrii
adevǎrați ai modelului,
0
ˆ
θ θ = .
Dacǎ filtrele F
k
sunt de ordinul unu, atunci matricea
ε
Φ se reduce la un scalar iar
estimatorul filtrului se calculeazǎ cu formula mai simplǎ:

( )
T
ε
T
ε
ε ε
Φ
Φ
Φ Φ
1
ˆ
k
k
k k
k k F
k
e
e θ = ⋅ ⋅

= .
(324.)
Deoarece la fiecare iterație zgomotul devine din ce ȋn ce mai apropiat de zgomotul
alb funcția criteriu descrește.
Observație. Imprecizia estimatorului celor mai mici pǎtrate simple poate fi interpretatǎ
prin faptul cǎ zgomotul din sistemul real este aproximat cu zgomotul alb indiferent de
modelul prestabilit; metoda generalizată a celor mai mici pǎtrate eliminǎ tocmai
această aproximare.
Exemplul 45: comparație ȋntre metoda simplă a celor mai mici pǎtrate și metoda
generalizată a celor mai mici pǎtrate.
Fie modelul adevǎrat al unui proces, descris prin urmǎtoarea ecuație cu diferențe:

( )
1
1
1
1
1
965 , 0 1
093 , 0
1





⋅ −

=
⋅ −

=
q
q
q a
q b
q G .
(325.)
Ȋn Figura 7 sunt reprezentate procesele aleatoare [ ] { }
150
1 = k
k u , și [ ] { }
150
1 = k
k y determinate
prin mǎsurare la porturile de intrare și de ieșire. [ ] { }
150
1 = k
k n reprezintǎ zgomotul care
afecteazǎ sistemul.
Se estimeazǎ procesele aleatoare de intrare/ieșire asociate modelului (86) prin douǎ
modele și anume un model de tip ( ) 1 ; 1 ARX și un model de tip ( ) 1 ; 1 ; 1 ARMAX . Ecuațiile
cu diferențe ale celor douǎ modele sunt urmǎtoarele:
(i) [ ] [ ] [ ] [ ] k e k u b k y a k y + − ⋅ = − ⋅ + 1 1 , (model ( ) 1 ; 1 ARX );
(ii) [ ] [ ] [ ] [ ] [ ] 1 1 1 − ⋅ + + − ⋅ = − ⋅ + k e c k e k u b k y a k y , (model ( ) 1 ; 1 ; 1 ARMAX ).
Pentru estimarea primului model se utilizeazǎ metoda celor mai mici pǎtrate simple
iar pentru estimarea celui de-al doilea model se utilizeazǎ metoda celor mai mici
pǎtrate generalizate.



197
Rezultatele calculelor sunt prezentate ȋn tabelul care urmează.
Tabelul 26. . Comparație ȋntre estimǎrile cu metoda celor mai mici pǎtrate simple și metoda celor mai
mici pǎtrate generalizate a modelului sistemului din relația (86).
Modelul estimat
Simbol Modelul adevǎrat
Metoda CMMP
simplǎ
Metoda CMMP
generalizatǎ
a

-0.965 -0.985 -0.975
b

0.093 0.094 0.094

Se observă cǎ ambele metode estimeazǎ precis parametrul b .
Ȋn ceea ce privește valoarea estimatǎ pentru parametrul a rezultatul obținut cu
metoda generalizată a celor mai mici pǎtrate este mai apropiat de valoarea
adevǎratǎ ȋn comparație cu rezultatul obținut cu metoda simplă a celor mai mici
pǎtrate.
Predicția optimalǎ
Varianța erorii de predicție care rezultǎ prin implementarea metodei generalizate a
celor mai mici pǎtrate are valoarea cea mai micǎ ȋn comparație cu varianța erorii de
predicție care rezultǎ prin implementarea oricǎrui alt predictor prin urmare predictorul
asociat este un predictor optimal.

Figura 77. Reprezentǎrile grafice ale semnalelor de intrare - (1), de ieșire - (2) și zgomotului - (3).

Figura 78. Rǎspunsul modelului adevǎrat - (2), rǎspunsul modelului estimat cu metoda celor mai mici
pǎtrate simple - (3), rǎspunsul modelulului estimat cu metoda celor mai mici pǎtrate generalizate -
(4) la semnal de intrare treaptǎ unitarǎ - (1).



198
Ȋn acest paragraf se prezintǎ o metodǎ cu ajutorul cǎreia poate fi determinat, ȋn
genere predictorul optimal pentru o structurǎ de modele datǎ. Demonstrația
prezentatǎ ȋn continuare se referǎ la cazul sistemelor cu o singurǎ intrare și o singurǎ
ieșire; abordarea generalǎ bazatǎ pe modelul polinomial general poate fi consultatǎ
ȋn [4] pag 195.
Se pornește de la structura de modele reprezentatǎ prin relațiile (37), respectiv

[ ] ( ) [ ] ( ) [ ]
[ ] [ ] { } ( )
t k
T
t k E
k e q H k u q G k y
,
1 1
; ;
δ ⋅ Λ = ⋅
⋅ + ⋅ =
− −
θ e e
θ θ
;

la care se adaugǎ urmǎtoarele restricții:
( ) ( ) 1 ; 0 0 ; 0 = = θ θ H G ;

( ) θ ;
1 1 − −
q H și ( ) ( ) θ θ ; ;
1 1 1 − − −
⋅ q G q H sunt asimptotic stabile.

Pentru determinarea predictorului optimal, se separǎ eșantionul zgomotului dupǎ
cum urmeazǎ:

[ ] ( ) [ ] ( ) [ ] [ ] [ ]
( ) [ ] ( ) [ ] ( ) [ ] {
( ) ( ) [ ]} [ ] k e k u q G q H
k y q H q H k u q G
k e k e q H k u q G k y
+ ⋅ ⋅ −
− ⋅ ⋅ − + ⋅ =
+ ⋅ − + ⋅ =
− − −
− − − −
− −
θ θ
θ θ θ
θ θ
; ;
; 1 ; ;
1 ; ;
1 1 1
1 1 1 1
1 1
;


[ ] ( ) ( ) [ ] ( ) [ ] [ ] [ ]
[ ] [ ] k e k z
k e k y q H k u q G q H k y
+ =
+ ⋅ − + ⋅ ⋅ =
− − − − −
θ θ θ ; 1 ; ;
1 1 1 1 1


ȋn relația de mai sus, [ ] k z și [ ] k e sunt necorelate statistic.
Fie [ ] 1 −
+
k k y un predictor al procesului [ ] k y bazat pe observațiile achiziționate pânǎ
la momentul 1 − k . Eroarea de predicție a predictorului se evalueazǎ dupǎ cum
urmeazǎ.

[ ] [ ] ( ) { } [ ] [ ] [ ] ( ) { }
[ ] [ ] ( ) [ ] [ ] ( ) [ ] [ ] ( ) { }
[ ] [ ] ( ) { } [ ] [ ] ( ) [ ] { } [ ] ( ) { }
2
2
0
2
2
2
2 2
2
2
λ = =
+ +
+ +
+ +
+ ⋅ − ⋅ + − =
+ ⋅ − ⋅ + − =
+ − = −
k e E k e k y k z E k y k z E
k e k e k y k z k y k z E
k e k y k z E k y k y E
;

[ ] [ ] ( ) { } [ ] [ ] ( ) { }
2 2
2 2
λ λ ≥ + − = −
+ +
k y k z E k y k y E .
Rezultǎ cǎ predictorul [ ] k z este predictorul pǎtratic optimal și [ ] k e - procesul aleator
zgomot alb reprezintǎ eroarea de predicție care corespunde acestui predictor; s-a
obținut același rezultat ca și ȋn cazul metodei generalizate a celor mai mici pǎtrate.
Prin urmare, urmǎtoarele relații:

[ ] ( ) ( )
( )
[ ] ( ) [ ]
( )
[ ]
[ ] [ ] ( ) [ ] ( ) [ ] [ ] k u q G k y q H k e k
k y q H k u q G q H k k y
q L q L
⋅ − ⋅ = =
⋅ − + ⋅ ⋅ = −
− − −
=
− −
=
− − −
− −
θ θ θ
θ θ θ θ
θ θ
; ; ;
; 1 ; ; ; 1 ˆ
1 1 1
;
1 1
;
1 1 1
1
1
1
2
ε

(326.)



199
reprezintǎ expresia predictorului pǎtratic optimal și respectiv expresia erorii de
predicție corespunzǎtoare. Expresiile obținute mai sus permit calculul erorii de
predicție pe baza datelor rezultate din mǎsurǎtori ȋn anterioritate pânǎ la infinit, i.e. cu
neglijarea efectului tranzitoriu datorat valorilor inițiale.
Rezultatele teoretice de mai sus sunt aplicate ȋn exemplul care urmează.
Exemplul 46: Predicția optimală a modelului unui proces ( ) 1 ; 1 ; 1 ARMAX .
Fie modelul:
[ ] [ ] [ ] [ ] [ ] 1 1 1 − ⋅ + + − ⋅ = − ⋅ + k e c k e k u b k y a k y . (327.)
Ȋn care [ ] k e este un proces aleator zgomot alb cu media statisticǎ zero și varianța
2
λ .
Sǎ se determine expresia predictorului pǎtratic optimal și a erorii de predicție. Pe
baza acestui rezultat sǎ se determine o reprezentare recursivǎ a predictorului
(aceastǎ reprezentare este utilizabilǎ pentru calculele practice ȋn cadrul algoritmilor
de identificare).
Rezolvare.
Se definește vectorul parametrilor, [ ]
T
c b a = θ .
Din relația (327) se identificǎ expresiile funcțiilor de transfer operaționale ( ) θ ;
1 −
q G și
( ) θ ;
1 −
q H prezente ȋn modelul general:

( ) [ ] [ ] ( ) [ ] k e q c k u q b k y q a ⋅ ⋅ + + ⋅ ⋅ = ⋅ ⋅ +
− − − 1 1 1
1 1 ;


[ ]
( )
( )
[ ]
( )
( )
( )
[ ] k e
q a
q c
k u
q a
q b
k y
q H q G

⋅ +
⋅ +
+ ⋅
⋅ +

=
− −
=


=


43 42 1 43 42 1
θ θ ;
1
1
;
1
1
1 1
1
1
1
.

Se determinǎ expresiile filtrelor predictorului dupǎ cum urmeazǎ.
(i)
( ) ( )
( )
1
1
1
1
1 1 1
1
1 1
1
1 ; 1 ;




− − −
⋅ +
⋅ −
=
⋅ +
⋅ +
− = − =
q c
q a c
q c
q a
q H q L θ θ ;

(ii)
( ) ( ) ( )
1
1
1
1
1
1
1 1 1 1
2
1 1 1
1
; ; ;






− − − −
⋅ +

=
⋅ +


⋅ +
⋅ +
= ⋅ =
q c
q b
q a
q b
q c
q a
q G q H q L θ θ θ .

Rezultǎ expresiile predictorului optimal și erorii de predicție:

[ ] [ ]
( )
[ ]
[ ] [ ] [ ] [ ]
(
¸
(

¸


⋅ +

− ⋅
⋅ +
⋅ +
= =

⋅ +
⋅ −
+ ⋅
⋅ +

= −








k u
q a
q b
k y
q c
q a
k e k
k y
q c
q a c
k u
q c
q b
k k y
1
1
1
1
1
1
1
1
1 1
1
;
1 1
; 1 ˆ
θ
θ
ε
.
(328.)
Pentru rezolvarea pǎrții a doua a aplicației, ȋn relațiile de mai sus se eliminǎ numitorii
și se aplicǎ definiția operatorului de ȋntârziere.
Rezultǎ urmǎtoarea expresie pentru predictorul pǎtratic optimal:



200

( ) [ ] [ ] ( ) [ ] k y q a c k u q b k k y q c ⋅ ⋅ − + ⋅ ⋅ = − ⋅ ⋅ +
− − − 1 1 1
; 1 ˆ 1 θ ;


[ ] [ ] [ ] ( ) [ ] 1 1 ; 2 1 ˆ ; 1 ˆ − ⋅ − + − ⋅ = − − ⋅ + − k y a c k u b k k y c k k y θ θ ;


[ ] [ ] ( ) [ ] [ ] 1 1 ; 2 1 ˆ ; 1 ˆ − ⋅ + − ⋅ − + − − ⋅ − = − k u b k y a c k k y c k k y θ θ ;
(329.)
și eroarea de predicție:

[ ] [ ] [ ] k u
q c
q b
k y
q c
q a
k ⋅
⋅ +

− ⋅
⋅ +
⋅ +
=




1
1
1
1
1 1
1
;θ ε ;

[ ] [ ] [ ] [ ] [ ] 1 1 ; 1 ; − ⋅ − − ⋅ + = − ⋅ + k u b k y a k y k c k θ θ ε ε ;
[ ] [ ] [ ] [ ] [ ] 1 1 ; 1 ; − ⋅ − − ⋅ + + − ⋅ − = k u b k y a k y k c k θ θ ε ε . (330.)
Metoda variabilelor instrumentale
Metoda generalizată a celor mai mici pǎtrate - prezentatǎ mai sus - permite
eliminarea bias-ului estimatorului prin filtrarea celor douǎ secvențe ale semnalelor de
intrare/ieșire prelevate din proces cu anumite condiții restrictive; de exemplu sǎ
existe o dezvoltare a funcției de transfer a filtrului de forma reprezentatǎ ȋn expresia
(319).
Metoda variabilelor instrumentale permite eliminarea bias-ului estimatorului ȋn condiții
mai puțin restrictive ȋn comparație cu metoda generalizată a celor mai mici pǎtrate.
Principiul metodei
Fie N , na N > observații succesive ale procesului și modelul utilizat pentru
estimarea parametrilor cu metoda variabilelor instrumentale de forma:
n θ Φ Y + ⋅ = ; (331.)
ȋn care: [ ] [ ] [ ]
T
N k y k y + = L Y ; [ ] [ ] [ ]
T
N k n k n + = L n ;
[ ]
[ ](
(
(
¸
(

¸

+
=
N k
k
T
T
φ
φ
Φ M ; cu
[ ] [ ] [ ] [ ] [ ] [ ]
T
nb k u k u na k y k y k − − − − − − = L L 1 1 φ .
Se cautǎ un vector [ ] k z având aceleași dimensiuni cu vectorul [ ] k φ ale cǎrui
elemente sǎ nu fie corelate statistic cu zgomotul [ ] k n care afecteazǎ procesul.
Elementele vectorului [ ] k z se numesc instrumente sau variabile instrumentale.
Se definește matricea variabilelor instrumentale, Z având ca elemente variabilele
instrumentale definite mai sus, astfel:

[ ]
[ ](
(
(
¸
(

¸

+
=
N k
k
T
T
z
z
Z M .
(332.)
Se ȋnmulțesc ambii membri ai ecuației (331), la stânga, cu matricea
T
Z și rezultǎ:



201

n Z θ Φ Z Y Z ⋅ + ⋅ ⋅ = ⋅
T T T
;
(333.)
Ȋn expresia (333), pentru ∞ → N , termenul 0 n Z → ⋅
T
deoarece, conform ipotezei
elementele matricei variabilelor instrumentale nu sunt corelate statistic cu zgomotul
care afecteazǎ procesul; deci, pentru acest caz se obține:

Y Z θ Φ Z ⋅ = ⋅ ⋅
T T
.
(334.)
Dacǎ matricea ( ) Φ Z ⋅
T
are inversǎ (i.e. este nesingularǎ), atunci soluția ecuației (69)
este:
( ) Y Z Φ Z θ ⋅ ⋅ ⋅ =

T T
1
ˆ
. (335.)
Observație.
Pentru Φ Z = se obține expresia (335) ceea ce justificǎ afirmația cǎ metoda
variabilelor instrumentale este o generalizare a metodei celor mai mici pǎtrate simple.
Calculul erorii estimatorului
Ȋn relația (335) se iȋnlocuiește matricea Ycu expresia (331) și se obține:


( ) ( ) ( ) n Z Φ Z θ n θ Φ Z Φ Z θ ⋅ ⋅ ⋅ + = + ⋅ ⋅ ⋅ ⋅ =
− −
T T T T
1
0 0
1
ˆ
.

(336.)
Pentru ∞ → N , din relația (336) rezultǎ:

{ } ( ) { } { }
0
0
1
0
ˆ
θ n Z Φ Z θ θ = ⋅ ⋅ ⋅ + =
=

T T
E E E .
(337.)
Prin urmare, estimatorul variabilelor instrumentale tinde spre valorile adevǎrate ale
vectorului parametrilor cu eroare de estimare nulǎ - cu alte cuvinte estimatorul
variabilelor instrumentale nu are bias.
Ȋn relația (337), factorul subliniat este nul deoarece, conform ipotezei matricea
variabilelor instrumentale nu este corelatǎ statistic cu zgomotul care afecteazǎ
procesul.
Rǎmâne de precizat modul ȋn care poate fi determinat vectorul variabilelor
instrumentale.
Alegerea variabilelor instrumentale
Matricea variabilelor instrumentale trebuie sǎ ȋndeplineascǎ urmǎtoarele condiții:
(i) existența matricei ( )
1 −
⋅ Φ Z
T
;
(ii)
{ } 0 n Z = ⋅
T
E .

Aceste condiții sunt destul de generale ceea ce permite definirea mai multor
procedee pentru alegerea matricei variabilelor instrumentale. Unele dintre aceste
procedee se prezintǎ ȋn continuare.



202
Procedee de alegere a variabilelor instrumentale
A. Construirea matricei variabilelor instrumentale pe baza unui alt set de
mǎsurǎtori ale aceluiași proces.
Se efectueazǎ o serie de douǎ experimente succesive ȋn timp cu același semnal de
intrare, [ ] { }
N
k
k u
1 =
. Pe baza celor douǎ seturi de mǎsurǎtori rezultǎ douǎ matrici notate
1
Φ și
2
Φ . Estimatorul variabilelor instrumentale se poate scrie, pe baza relației (86)
sub forma:
( ) ( )
1 2
1
1 2 0
ˆ
Y Φ Φ Φ θ θ ⋅ ⋅ ⋅ + =

T T
. (338.)
B. Construirea matricei variabilelor instrumentale doar pe baza eșantioanelor
semnalului de intrare

[ ] [ ] [ ] [ ] [ ] [ ]
T
nb na k u na k u na k u k u k − − − − − − − − = L L 1 1 z ;
(339.)
C. Filtrarea semnalului de intrare.
Matricea Zse construiește pe baza semnalelor achiziționate din proces și a unui filtru
definit a priori astfel:

[ ] [ ] [ ] [ ] [ ] [ ]
T
nb k u k u na k z k z k − − − − − = L L 1 z ;
(340.)

ȋn care: ( ) [ ] ( ) [ ] k u q D k x q C ⋅ = ⋅
− − 1 1
și funcția de transfer inversatǎ
( ) ( ) ( )
1 1 1 1 − − − −
= q C q D q H este stabilǎ.

Orice matrice care ȋndeplinește condițiile de existențǎ și de corelație statisticǎ, (i)
respectiv (ii) poate fi utilizatǎ pentru calculul estimatorului variabilelor instrumentale.
Cu toate acestea, lungimea necesarǎ a secvențelor semnalelor pentru a obține un
estimat cu precizia cerutǎ depinde de modul de alegere a instrumentelor.
D. Variabilele instrumentale optime.
Variabilele instrumentale optime sunt acele variabile instrumentale pentru care
covarianța asimptoticǎ a parametrilor estimați este minimǎ, pentru un model dat.
Dacǎ ( ) ( )
1 1
,
− −
q B q A și ( ) ( )
1 1
,
− −
q D q C sunt polinoame formate cu parametrii adevǎrați ai
modelulului determinist și respectiv ai modelulului de zgomot asociate procesului
atunci matricea variabilelor instrumentale optime poate fi construitǎ dupǎ cum
urmeazǎ.

[ ]
( )
( ) ( )
[ ] k u
q C q A
q D
k u ⋅

⋅ =
− −

1 1
1
2
1
~
λ
și [ ]
( )
( ) ( )
[ ] k y
q C q A
q D
k y ⋅

⋅ =
− −

1 1
1
2
1
~
λ
;


[ ]
( )
( )
[ ]
( )
( )
( )
( ) ( )
[ ] k u
q C q A
q D
q A
q B
k u
q A
q B
k z
O


⋅ ⋅ = ⋅ =
− −





1 1
1
1
1
2 1
1
1
~
λ
;

[ ] [ ] [ ] [ ] [ ] [ ]
T
O O O
nb k u k u na k z k z k − − − − − − =
~
1
~
1 L L z ;

[ ] [ ] [ ] [ ] [ ] [ ]
T
nb k u k u na k y k y k − − − − + − =
~
1
~ ~
1
~ ~
L L φ ;




203

[ ]
[ ](
(
(
¸
(

¸

+
=
N k
k
T
O
T
O
O
z
z
Z M ;
[ ]
[ ](
(
(
¸
(

¸

+
+
=
N k y
k y
~
1
~
~
M Y și
[ ]
[ ](
(
(
¸
(

¸

+
=
N k
k
T
T
φ
φ
Φ M
~
.

ȋn care: zgomotul care afecteazǎ procesul, [ ] ( ) ( ) [ ] k e q D q C k n ⋅ =
− − 1 1
și [ ] { }
N
k
k e
1 =
este o
secvențǎ a unui proces aleator zgomot alb cu varianța
2
λ .
Cu aceste relații, estimatorul optim al variabilelor instrumentale se obține cu relația:
( ) Y Z Φ Z θ
~ ~
ˆ
1
,
⋅ ⋅ ⋅ =

T
O
T
O O iv
. (341.)
Ȋn Figura 8 se prezintǎ diagrama bloc a metodei variabilelor instrumentale bazate pe
variabilele instrumentale optime.
Din relația (92), rezultǎ cǎ pentru a determina variabilele instrumentale optime
trebuie cunoscute a priori modelul determinist și modelul de zgomot ale procesului.
Deoarece aceste modele nu sunt cunoscute a priori, pentru determinarea
parametrilor se utilizeazǎ metoda iterației.
De exemplu, metoda variabilelor instrumentale ȋn patru etape are la bazǎ
urmǎtoarele: (1) pe baza datelor achiziționate din proces, se estimeazǎ modelul pǎrții
deterministe, ( ) ( )
1 1 1 1
,
− −
q B q A cu metoda celor mai mici pǎtrate; cu ajutorul modelului
obținut se genereazǎ instrumentele pentru etapa a doua; (2) se implementeazǎ
metoda variabilelor instrumentale și se calculeazǎ resturile estimǎrii; (3) resturile
obținute ȋn etapa anterioarǎ se modeleazǎ sub forma unui model autoregresiv de
ordin superior;


Figura 79. Diagrama bloc a metodei variabilelor instrumentale; varianta optimizată.
(4) datele achiziționate din proces se filtreazǎ prin filtrul autoregresiv determinat ȋn
etapa a treia și se calculeazǎ estimatorul procesului cu metoda variabilelor
instrumentale cu ajutorul acelorași instrumente determinate la etapa a doua.
Exemplul 47: comparație ȋntre metoda variabilelor instrumentale și metoda simplă a
celor mai mici pǎtrate.
Fie modelul adevǎrat al unui proces, descris prin urmǎtoarea ecuație cu diferențe:

( )
1
1
1
1
1
905 , 0 1
143 , 0
1





⋅ −

=
⋅ −

=
q
q
q a
q b
q G .
(342.)



204


Figura 80. Stânga: reprezentǎrile grafice ale semnalelor de intrare - (1), de ieșire - (2) și zgomotului -
(3). Dreapta:.
Ȋn Figura 80 sunt reprezentate procesele aleatoare [ ] { }
150
1 = k
k u , și [ ] { }
150
1 = k
k y determinate
prin mǎsurare la porturile de intrare și de ieșire ale unui sistem. [ ] { }
150
1 = k
k n reprezintǎ
zgomotul care afecteazǎ sistemul.
Parametrii a și b ai modelului sistemului se estimeazǎ cu metoda variabilelor
instrumentale - algoritmul IV4 și cu metoda celor mai mici pǎtrate simple.

Figura 81. Rǎspunsul modelului adevǎrat - (2), rǎspunsul modelului estimat cu metoda variabilelor
instrumentale - (3), rǎspunsul modelulului estimat cu metoda celor mai mici pǎtrate simple - la (4),
semnal de intrare treaptǎ unitarǎ - (1)
Rezultatele calculelor sunt prezentate ȋn tabelul care urmează.

Tabelul 27. Comparație ȋntre estimǎrile cu metoda variabilelor instrumentale și metoda celor mai mici
pǎtrate simple a modelului sistemului din relația (99).
Modelul estimat
Simbol Modelul adevǎrat
Metoda variabilelor
instrumentale
Metoda CMMP
simplǎ
a

-0.905 -0.909 -0.949
b

0.143 0.143 0.142
Se observǎ cǎ ambele metode estimeazǎ precis parametrul b . Ȋn ceea ce privește
valoarea estimatǎ a parametrului a , rezultatul obținut cu metoda variabilelor



205
instrumentale este mult mai apropiat de valoarea adevǎratǎ ȋn comparație cu
rezultatul obținut cu metoda celor mai mici pǎtrate simple.
Metoda verosimilitǎții maxime
Pânǎ ȋn acest punct s-a presupus implicit cǎ distribuția de probabilitate a zgomotului
care afecteazǎ sistemul este normalǎ (gaussianǎ).
Ȋn genere, distribuția de probabilitate a zgomotului care afecteazǎ sistemul
influențeazǎ consistența estimatorului. De exemplu, rezultatele care se obțin prin
implementarea metodei celor mai mici pǎtrate generalizate sunt convergente spre
valoarea adevǎratǎ a parametrilor modelului, i.e. estimatorul este consistent, doar
dacǎ distribuția de probabilitate a zgomotului care afecteazǎ sistemul este normalǎ
(gaussianǎ). Ȋn caz contrar, estimatorul este deplasat.
Metoda verosimilitǎții maxime este utilizatǎ ȋn Statisticǎ pentru estimarea
parametrilor funcțiilor de probabilitate pornind de la valori cunoscute ale selecțiilor
asupra variabilelor aleatoare. Ȋn Identificarea sistemelor, metoda permite
determinarea unui estimator al parametrilor modelului dinamic pentru cazul mai
general ȋn care se cunoaște distribuția de probabilitate a zgomotului care afecteazǎ
sistemul.
Conexiuni cu Statistica și Teoria probabilitǎților
Ȋn Capitolul 2 au fost prezentate funcțiile de probabilitate ale distribuțiilor semnalelor
aleatoare frecvent ȋntâlnite ȋn practica identificǎrii sistemelor. Expresiile analitice ale
funcțiilor repartiție de probabilitate și ale funcțiilor distribuție de probabilitate asociate
acestor distribuții depind de unul sau de mai mulți parametri. De exemplu, pentru
cazul distribuției normale, expresia analiticǎ a funcției densitate de probabilitate
depinde de doi parametri și anume de media statisticǎ și de varianța variabilei
aleatoare pe care aceastǎ funcție o caracterizeazǎ.
Fie o variabilǎ aleatoare, X având funcția densitate de probabilitate ( ) θ ; x p ȋn
reprezentarea cǎreia s-au pus ȋn evidențǎ parametrii θ de care aceasta depinde.
Dacǎ se cunoaște expresia exactǎ a funcției densitate de probabilitate atunci, pe
baza proprietǎților funcțiilor de probabilitate se pot calcula pe ansamblu - pentru
∞ → N - valorile mediei statistice, varianței, momentelor statistice de ordin superior
asociate variabilei aleatoare date. Soluția acestei probleme este unic determinatǎ.
Deseori, ȋn statisticǎ se ȋntâlnește problema inversatǎ, pe care o putem formula dupǎ
cum urmeazǎ.
Fiind datǎ o variabilǎ aleatoare X , pentru care se cunoaște expresia generalǎ a
funcției densitate de probabilitate ( ) θ ; x p și o selecție
N
X X X L ; ;
2 1
de
N realizǎri asupra acelei variabile aleatoare; nu se cunoaște valoarea parametrilor θ .
Se pune problema determinǎrii, pe baza selecției date și a expresiei generale a
funcției densitate de probabilitate, a unei valori care sǎ aproximeze cât mai precis
valoarea adevǎratǎ a parametrilor,
0
θ .
Problema astfel formulatǎ nu are soluție unicǎ; altfel spus, existǎ o infinitate de funcții
depinzând de valorile selecției care sǎ poatǎ fi luate ca valori ale parametrilor
necunoscuți θ . Aceste funcții, ȋn statisticǎ se numesc funcții de estimație sau
estimatori.



206
Din mulțimea estimatorilor care pot fi luați ca valori ale parametrilor necunoscuți
pentru o problemǎ datǎ, prezintǎ interes estimatorii corecți, estimatorii nedeplasați și
estimatorii exacți.
Definiția 60: Estimator corect. Fie estimatorul ( )
N
x x F L ;
1
, N finit. Dacǎ estimatorul
este convergent ȋn probabilitate spre valoarea adevǎratǎ a parametrilor:

( ) θ =
∞ →
N
N
x x F ; ; lim p
1
L ;
(343.)
atunci acel estimator se numește estimator corect.
Definiția 61: Estimator nedeplasat. Fie estimatorul ( )
N
x x F ; ;
1
L . Dacǎ pentru
∞ → N , media statisticǎ a estimatorului tinde spre valoarea adevǎratǎ a
parametrilor și varianța acestuia tinde spre zero atunci estimatorul se numește
estimator nedeplasat sau estimator absolut corect.
Ȋn cazurile practice, numǎrul de realizǎri ale unei selecții asupra unei variabile
aleatoare este foarte mare - de exemplu: ordinul sutelor, miilor, zecilor de mii de
realizǎri - dar oricum, nu poate fi infinit mare. Rezultǎ cǎ valoarea calculatǎ este
ȋntotdeauna o valoare aproximativǎ a valorii adevǎrate a parametrilor necunoscuți.
Nu toți estimatorii aparținând mulțimii estimatorilor nedeplasați asociați unei probleme
date, aproximeazǎ la fel de precis valoarea adevǎratǎ a parametrilor necunoscuți
pentru un numǎr finit de realizǎri, N ale selecției. Prin urmare, prezintǎ interes
deosebit estimatorul pentru care convergența spre valoarea adevǎratǎ a parametrilor
necunoscuți este cea mai puternicǎ. Acest estimator se numește estimator eficient.
Definiția 62: Estimator eficient. Un estimator este numit estimator eficient dacǎ
varianța acestuia este minimǎ.
Existența estimatorului eficient pentru o problemǎ datǎ se justificǎ prin teorema
Cramer-Rao. Enunțul și demonstrația acestei teoreme se pot consulta de exemplu ȋn
lucrarea [6], pag. 269.
Pentru demonstrarea acestei teoreme se definește funcția de verosimilitate dupǎ
cum urmeazǎ.
Definiția 63: Funcția de verosimilitate. Fie
N
X X X L ; ;
2 1
o selecție cu valori
cunoscute asupra unei variabile aleatoare, X având funcția densitate de
probabilitate ( ) θ ; x p ȋn care parametrii θ nu sunt cunoscuți. Funcția de
probabilitate condiționatǎ:

( ) ( ) ( )

=
= =
N
i
i N
x p x x P x L
1
1
; ; , , ; θ θ θ L ;
(344.)
se numește funcție de verosimilitate.
Dacǎ funcția de verosimilitate are un maxim absolut ȋn raport cu parametrii
necunoscuți θ , atunci argumentul funcției de verosimilitate corespunzǎtor valorii
maxime absolute a acestei funcții reprezintǎ estimatorul eficient, (valorile cele mai
apropiate de valorile adevǎrate ale parametrilor necunoscuți, calculate pe baza
selecției date). Estimatorul eficient se noteazǎ ca și pânǎ aici cu θ
ˆ
.
Acest estimator se calculeazǎ prin rezolvarea ecuațiilor de verosimilitate:



207

( )
0
;
=


θ
θ x L

( )
M i
θ
x L
i
, 1 ; 0
;
= =

∂ θ
,
(345.)
Exemplul 48: Estimarea densitǎții de probabilitate a unui semnal aleator cu
distribuție Poisson pa baza datelor rezultate din N observații.
Fie un semnal aleator ȋn legǎturǎ cu care se cunoaște cǎ distribuția statisticǎ a
acestuia este de tip Poisson. Funcția distribuție de probabilitate depinde de un singur
parametru, λ și este datǎ de expresia:
( ) N x
x
e
x p
x


=

;
!
;
λ
λ
λ . (346.)
Au fost efectuate N observații asupra semnalului și a rezultat selecția de valori
notatǎ cu
N N
x X x X x X = = = L ; ;
2 2 1 1
. Pe baza acestei selecții de valori se
dorește sǎ se determine expresia estimatorului parametrului necunoscut λ .
Rezolvare.
Din relațiile (344) și (346), se obține expresia funcției de verosimilitate:
(i)
( ) ( )

∏ ∏
=

⋅ −
=

=
=
⋅ =

= =
N
i
i
x
N
N
i i
x
N
i
i
x
e
x
e
x p x L
N
i
i
i
1
1 1
!
!
; ;
1
λ λ
λ λ
λ
λ
;

ȋn care valorile termenilor N i x
i
, 1 ; = sunt cunoscute și constante.
Ecuația de verosimilitate este datǎ prin expresiile care urmeazǎ.

( )
0
;
=


λ
λ x L
;


( )
(
¸
(

¸

⋅ |
¹
|

\
|
∑ ⋅ + ⋅ ⋅ − ⋅ =



|
¹
|

\
|

=
⋅ −

⋅ −
=
= =

1
1
1
1 1
!
1 ;
N
i
i
N
i
i
x N
i
i
N
x
N
N
i
i
x e e N
x
x L
λ λ
λ
λ
λ λ
;

(ii) 0
1
1
1 1
= ⋅ |
¹
|

\
|
∑ ⋅ + ⋅ ⋅ −

|
¹
|

\
|

=
⋅ −

⋅ −
= =
N
i
i
N
i
i
x N
i
i
N
x
N
x e e N λ λ
λ λ
.
Soluția ecuației de verosimilitate este:
|
¹
|

\
|
∑ ⋅ =
=
N
i
i
x
N 1
1
ˆ
λ . (347.)
Prin urmare, media aritmeticǎ a valorilor selecției este un estimator al parametrului λ
care apare ȋn expresia funcției densitate de probabilitate.
Varianța estimatorului obținut ȋn relația precedentă este:



208

[ ] { } ( )
( ) ( ) { }
N
x E
N
x E
N
x
N
E x
N
E E
N
N
i
i
N
i
i
N
i
i
N
i
i
λ
λ λ
λ λ λ λ σ
λ
λ
= − ⋅ =
)
`
¹
¹
´
¦
(
¸
(

¸

− ⋅ =
)
`
¹
¹
´
¦
(
¸
(

¸

− ⋅ =
)
`
¹
¹
´
¦
(
¸
(

¸

− ⋅ = − =
⋅ =
= =
= =
∑ ∑
∑ ∑
4 4 3 4 4 2 1
1
2
2
2
1
2
2
1
2
1
2
2
1 1
1 1
ˆ
.
(348.)
Ȋn continuare se prezintǎ modul ȋn care se poate aplica metoda verosimilitǎții maxime
pentru determinarea parametrilor modelelor dinamice ale proceselor atunci când
se cunoaște distribuția de probabilitate a zgomotului care afecteazǎ procesul.
Principiul metodei
Fie structura generalǎ de modele reprezentatǎ prin relațiile:

[ ] ( ) [ ]
[ ]
( ) [ ]
[ ] k n k y
k e q H k u q G k y
=

=

⋅ + ⋅ = θ θ ; ;
1
ˆ
1
;


[ ] [ ] { } ( )
2 1
,
2 1
k k
T
k k E δ ⋅ = ⋅ θ Λ e e .

ȋn care semnalul de intrare este fie un semnal determinist fie un semnal aleator cu
proprietǎți statistice cunoscute.
Eroarea de estimare reprezentând diferența dintre valoarea mǎsuratǎ a eșantionului
semnalului de ieșire și valoarea estimatǎ a aceluiași semnal la momentul actual
este determinatǎ ȋn totalitate de valoarea actualǎ a zgomotului care afecteazǎ
sistemul. Acest fapt se reflectǎ printr-o corespundențǎ biunivocǎ ȋntre funcțiile de
probabilitate ale procesului aleator la portul de ieșire al sistemului și funcțiile de
probabilitate ale zgomotului care afecteazǎ sistemul.
Principiul care stǎ la baza implementǎrii metodei variabilelor instrumentale pentru
identificarea sistemelor constǎ ȋn utilizarea funcției distribuție de probabilitate a
zgomotului care afecteazǎ sistemul pentru determinarea funcției de verosimilitate
definitǎ prin funcția densitate de probabilitate a observațiilor având ca parametru
vectorul parametrilor modelului θ .
De regulǎ, zgomotele care afecteazǎ procesele care se ȋntâlnesc ȋn domeniul tehnic
sunt caracterizate prin distribuția de probabilitate normalǎ (gaussianǎ). Ȋn plus,
conform teoremei numerelor mari și procesele aleatoare caracterizate prin alt fel de
distribuție statisticǎ tind spre distribuția normalǎ (gaussianǎ) atunci când variabila
timpul absolut tinde spre infinit. Astfel, dacǎ procesul studiat este staționar, se poate
considera/aproxima cǎ zgomotul care afecteazǎ observațiie are tot distribuția
statisticǎ normalǎ (gaussianǎ).
Pe baza celor enunțate mai sus, expresia funcției de verosimilitate se obține pornind
de la expresia funcției distribuție de probabilitate normalǎ (gaussianǎ) multi-variabilǎ
conform expresiei care urmeazǎ.
( )
( ) ( ) [ ]
[ ] ( ) [ ]



=
=

⋅ ⋅ ⋅ −
N
k
T
k k
N N
e L
1
1
; ;
2
1
2 2
det 2
1
θ ε θ Λ θ ε
θ Λ
θ
π
; (349.)
ȋn care Λreprezintǎ matricea de covarianțǎ a erorii de predicție. Pentru cazul
sistemelor cu o singurǎ intrare și o singurǎ ieșire, matricele Λși ε sunt scalari.



209
Se considerǎ cazul ȋn care distribuția de probabilitate are expresia de forma datǎ ȋn
relația (349) și ȋn plus sistemul este cu o singurǎ intrare și o singurǎ ieșire. Când se
evalueazǎ ecuațiile de verosimilitate, se utilizeazǎ logaritmul natural al relației
enunțate ceea ce conduce la o expresie mai simplǎ, respectiv:

( ) [ ] . ln
2
;
1
2
1
ln
1
2
const
N
k
N
N
L
N
k
+ Λ −
)
`
¹
¹
´
¦
∑ ⋅ ⋅ ⋅
Λ
− =
=
θ θ ε ;
(350.)
Observație.
Expresia de mai sus nu reprezintǎ expresia exactǎ a funcției de verosimilitate
deoarece la transformarea de la secvența observațiilor semnalului de ieșire [ ] { } k y la
secvența erorii de predicție [ ] { } k ε pe baza modelului general, au fost neglijate
efectele tranzitorii datorate valorilor inițiale. Pentru N de valori mari, rezultatele
bazate pe aceastǎ aproximare sunt foarte apropiate de rezultatele care se obțin pe
baza funcției de verosimilitate exacte.
Exemplul 49: Estimarea parametrilor pentru un proces de tip AR(1) pe baza unei
secvențe de N observații cu metoda verosimilitǎții maxime.
Modelul procesului este dat prin expresia:

[ ] [ ] [ ] 1 ; 1 < = − ⋅ + a k e k y a k y ;

ȋn care [ ] k e este un proces aleator, zgomot alb cu media statisticǎ zero și varianța
2
λ .
Se noteazǎ vectorul parametrilor, [ ]
T
a λ θ = . Eroarea de predicție este datǎ de
expresia:
[ ] [ ] [ ] 1 − ⋅ + = k y a k y k ε .
Cu ipoteza cǎ [ ] 0 0 = y , rezultǎ pentru valoarea inițialǎ a erorii de predicție [ ] [ ] 1 1 y = ε .
Logaritmul funcției de verosimilitate se determinǎ cu relația (350):

( ) [ ] [ ] { } [ ] { } ( )
.
2
2
2
2
2
2 ln
2
ln 1
2
1
1
2
1
ln
const
N
k
N
N y k y a k y L
=
=
⋅ ⋅ − ⋅ − ⋅

− − ⋅ + ⋅

− =

π λ
λ λ
θ .
Ecuațiile de verosimilitate sunt urmǎtoarele:
(i)
( )
0
ln
=


a
L θ
.
(ii)
( )
0
ln
=


λ
θ L

Parametrul aˆ se obține din ecuația (i):

[ ] [ ] { } [ ] [ ] [ ] { } [ ] { } 0 1 1 0 1 1
2
2
2 2
= − ⋅ + − ⋅ ⇒ = − ⋅ − ⋅ +
∑ ∑ ∑
= = =
N
k
N
k
N
k
k y a k y k y k y k y a k y ;

[ ] [ ] { } [ ] { }
∑ ∑
= =
− − ⋅ − =
N
k
N
k
k y k y k y a
2
2
2
1 1 ˆ .



210
Din relația (ii) se obține:

[ ] { } [ ] { } [ ] { }
∑ ∑ ∑
= = =
⋅ = ⋅ = ⇒ = − ⋅

N
k
N
k
N
k
k e
N
k
N
N
k
1
2
1
2 2
1
2
3
1 1
0
2
2
ε λ
λ
ε
λ
;
care reprezintǎ un estimat pentru varianța zgomotului care afecteazǎ sistemul.
Revenind la expresia generalǎ a funcției de verosimilitate ȋn care se pune ȋn evidențǎ
și dependența de varianța erorii de predicție; se calculeazǎ derivatele parțiale de
ordinul unu și doi ȋn raport cu varianța erorii de predicție, Λ și se obține:

( ) ( )
(
¸
(

¸

Λ
+
Λ
− ⋅ − =
Λ ∂
Λ ∂ 1
2
, ln
2
θ θ
N
R N L
;
(351.)

( )
( )
(
¸
(

¸

Λ
+
Λ

− ⋅ =
Λ ∂
Λ ∂
2 3 2
2
1 2
2
, ln
θ
θ
N
R N
L
;
(352.)
ȋn care s-a notat ( ) [ ] ∑ ⋅ =
=
N
k
N
k
N
R
1
2
;
1
θ θ ε pentru simplificarea notației.
Se rezolvǎ ecuația atașatǎ expresiei (352) și se obține punctul de extrem

( ) ( )
( ) θ
θ θ
N
N
R
R N L
= Λ ⇒ =
(
¸
(

¸

Λ
+
Λ
− ⋅ − =
Λ ∂
Λ ∂
ˆ
0
1
2
, ln
2
.
(353.)
Se ȋnlocuiește soluția astfel obținutǎ ȋn expresia derivatei parțiale de ordinul doi -
relația (352) și se constatǎ cǎ expresia care se obține este negativǎ. Prin urmare
punctul de extrem al funcției este un punct de maxim.
ȋn continuare se calculează:

( )
( )
( ) ( ) ( ) . ln
2
. ln
2 2
1
ln
2
const R
N
const R
N
R
N
R
L
N N
N
N
N
+ − = + − ⋅ ⋅ − =
=
θ θ θ
θ
θ
(354.)
Deoarece ( ) Λ =
ˆ
θ
N
R maximizeazǎ logaritmul natural al funcției de verosimilitate,
rezultǎ cǎ θ minimizeazǎ ( ) [ ] ∑ ⋅ =
=
N
k
N
k
N
R
1
2
;
1
θ θ ε . Pe de altǎ parte, expresia funcției
criteriu utilizatǎ ȋn cadrul metodei celor mai mici pǎtrate este ( ) [ ] ∑ ⋅ =
=
N
k
N
k V
1
2
;
2
1
θ θ ε .
Rezultǎ cǎ estimatorul celor mai mici pǎtrate poate fi interpretat ca estimator al
verosimilitǎții maxime dacǎ zgomotul care afecteazǎ sistemul este un proces aleator
cu distribuție normalǎ (gaussianǎ).
Probleme
Problema 13: estimarea unei constante din date rezultate prin mǎsurǎtori cu metoda
celor mai mici pǎtrate [4], pag 65.
Fiind dat un set de N eșantioane ale unui semnal constant, { }
N
1 k
y
=
rezultate prin
mǎsurǎtori afectate de zgomot. Se adoptǎ modelul procesului adevărat:



211
[ ] a k y = . (355.)
Sǎ se determine estimatorul θ
ˆ
al seriei de timp.
Rezolvare.
(i)
[ ]
[ ] [ ]
[ ] ( ) a ; N , 1 k ; 1 k
k k y
a k y
= θ = ∀ = ϕ ⇒
θ ⋅ ϕ =
=
.
Vectorul regresorilor este
(ii)
[ ]
4 4 4 3 4 4 4 2 1
K
ori N de
1 1 1 1
T
= Φ ;
iar vectorul variabilei regresate este
(ii)
[ ] [ ] [ ] [ ] [ ]
T
N y 1 N y 2 y 1 y − = K Y .
Se aplicǎ relația (13) și se obține:
(iii) ( ) N N
T T
1
1
= ⋅ ⇒ = ⋅

Φ Φ Φ Φ ;
(iv)
[ ] [ ] [ ] [ ] N y 1 N y 2 y 1 y
T
+ − + + + = ⋅ K Y Φ
(v) ( ) [ ] [ ] [ ] [ ] [ ] N y 1 N y 2 y 1 y
N
1
ˆ
T
1
T
+ − + + + ⋅ = ⋅ ⋅ ⋅ =

K Y Φ Φ Φ θ
Deci, ȋn acest caz, estimatorul celor mai mici pǎtrate reprezintă media aritmeticǎ a
valorilor eșantioanelor.
Problema 14: estimarea bias-ului și covarianței estimatorului celor mai mici pătrate
pentru procesul de tip ( ) 1 ; 1 ARX .
Fiind dat setul de eşantioane [ ] { }
N
1 k
k u
=
şi [ ] { }
N
1 k
k y
=
ale semnalelor de intrare / ieşire se
estimează sistemul examinat sub forma unui model de tip ( ) 1 ; 1 ARX având ecuaţia cu
diferenţe:
[ ] [ ] [ ] [ ] k e 1 k u b 1 k y a k y + − ⋅ + − ⋅ − = .
Ȋn care [ ] { }
N
1 k
k e
=
este o secvență a unui proces aleator zgomot alb discret cu media
statistică zero și varianța
2
e
σ . Să se estimeze bias-ul și covarianța estimatorului celor
mai mici pătrate atunci când numărul de experimente tinde spre infinit.
Rezolvare.
Se ȋnlocuiește expresia matricială a modelului procesului:
ε θ Φ Y + ⋅ =
ȋn expresia estimatorului celor mai mici pătrate și se obține:

( ) ( ) ( ) ( )
( ) ε Φ Φ Φ θ
ε Φ Φ Φ θ Φ Φ Φ Φ ε θ Φ Φ Φ Φ θ
⋅ ⋅ ⋅ + =
⋅ ⋅ ⋅ + ⋅ ⋅ ⋅ ⋅ = + ⋅ ⋅ ⋅ ⋅ =

− − −
T
1
T
T
1
T T
1
T T
1
T
ˆ

Din relația precedentă se obține eroarea sistematică de estimare după cum urmează.



212
( ) ε Φ Φ Φ θ θ ⋅ ⋅ ⋅ = −

T
1
T
ˆ

Ȋn care,

[ ] [ ]
[ ] [ ]
[ ]
[ ] (
(
(
¸
(

¸

=
(
(
(
¸
(

¸


− − −
=
1 e
N e
1 u 1 y
1 N u 1 N y
M M M ε Φ ; .
Bias-ul estimatorului se obține prin mediere statistică a valorilor rezultate prin
repetarea experimentului de un număr de ori care tinde spre infinit.
(i) { } ( ) { } ε Φ Φ Φ θ θ ⋅ ⋅ ⋅ = −

T
1
T
E
ˆ
E .
Deoarece procesul aleator la portul de intrare nu este corelat statistic cu zgomotul
care perturbă măsurătorile relația de mai sus se poate scrie după cum urmează.
{ } ( ) { } { } ε Φ Φ Φ θ θ E E
ˆ
E
T
1
T
⋅ ⋅ ⋅ = −

.
Matricea este egală cu { } { } [ ]
T
1 1 e E E
3 2 1
K
ori N de
⋅ = ε . Prin urmare, din relația precedentă rezultă
că bias-ul estimatorului este

{ } ( ) { } { }
{
0 e E E
ˆ
E
e
T
1
T
= ⋅ ⋅ ⋅ = −
µ =

Φ Φ Φ θ θ .
Matricea de covarianță a estimatorului este dată de relația care urmează.
(ii) ( ) [ ] [ ] { }
T
ˆ ˆ
E
ˆ
θ θ θ θ θ − ⋅ − = Cov .
Pe baza relațiilor (i) și (ii) și ținând cont că matricea Φ Φ ⋅
T
este simetrică, rezultă
următoarele expresii.
(iii)
( ) ( ) [ ] ( ) [ ] { }
( ) ( ) { }
1
T T T
1
T
T
T
1
T T
1
T
E
E
ˆ
− −
− −
⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ =
⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ =
Φ Φ Φ ε ε Φ Φ Φ
ε Φ Φ Φ ε Φ Φ Φ θ Cov

Deoarece procesul aleator la portul de intrare nu este corelat statistic cu zgomotul
aditiv, din expresia de mai sus rezultă:
( ) ( ) ( ) { } { } ( ) { }
1
T T
1
T T
1
T
E E E
ˆ
− − −
⋅ ⋅ ⋅ = ⋅ ⋅ ⋅ ⋅ ⋅ = Φ Φ ε ε Φ Φ Φ Φ Φ Φ θ Cov .
Ȋn relația precedentă termenul:

{ } { } I e e ε ε ⋅ σ = ⋅ = ⋅
2
e
T T
E E ; I este matricea unitate.⇒
(iv) ( ) ( ) { }
1
T 2
e
E
ˆ

⋅ ⋅ σ = Φ Φ θ Cov
Relația precedentă poate fi interpretată astfel: estimatorul celor mai mici pătrate este
convergent pe ansamblu spre valorile adevărate ale parametrilor modelului. Totuși,
oricare realizare a estimatorului are eroare sistematică i.e. nici o realizare a
estimatorului nu este exact egală cu valorile adevărate ale parametrilor.



213
Abaterea față de valorile adevărate depind direct proporțional de varianța zgomotului
care perturbă procesul / măsurătorile precum și de valorile matricei ( )
1
T

⋅ Φ Φ .
Problema 15: Estimarea unui semnal constant din date rezultate prin mǎsurǎtori
afectate de zgomot cu distribuție de probabilitate normalǎ.
Rezolvare.
Fiind dat un set de N eșantioane ale unui semnal constant, [ ] { }
N
k
k y
1 =
rezultate prin
mǎsurǎtori afectate de zgomot. Se știe că distribuția de probabilitate a zgomotului
perturbator este distribuția normală. Se adoptǎ modelul:
[ ] [ ] [ ] [ ]
0 0
a ; k n a k n k v k y = θ + = + = .
Eroarea de estimare fiind datǎ de relația care urmeazǎ:


[ ] [ ] [ ] k n a k y k
0
= − = ε .

Rezultǎ cǎ pentru acest caz, eroarea de estimare este numeric egalǎ cu eșantionul
la momentul actual al zgomotului.
Deoarece estimarea modelului, i.e. a parametrului
0
a se face pe un numǎr finit de
eșantioane ȋn care sunt prezente și realizǎri ale zgomotului - proces aleator - rezultǎ
cǎ și valorile estimate ale modelului formeazǎ tot un proces aleator. Prin urmare,
distribuția statisticǎ a estimatorului va fi condiționatǎ de distribuția statisticǎ a
zgomotului care afecteazǎ sistemul.
Fiind datǎ o anumitǎ valoare a parametrului
0
a și toate cele N mǎsurǎtori ale
procesului, se formuleazǎ urmǎtoarea problemǎ: care este valoarea cea mai
probabilǎ pentru parametrul
0
a sǎ fie exact valoarea estimatǎ a modelului procesului
pe baza setului de valori dat?
Probabilitatea ȋn discuție este subunitarǎ dar, valoarea acesteia depinde de valoarea
aleasǎ pentru parametrul
0
a respectiv, probabilitatea este cu atât mai apropiatǎ de
unitate cu cât valoarea aleasǎ este mai apropiatǎ de valoarea adevǎratǎ a
parametrului și tinde spre zero pentru valori foarte ȋndepǎrtate de valoarea
adevǎratǎ.
Prin urmare, se poate defini o funcție de probabilitate având ca variabilǎ valorile
posibile ale parametrului
0
a și ca valori ale funcției, probabilitatea ca valoarea acestui
parametru sǎ corespundǎ valorii adevǎrate a modelului asociat setului de valori
rezultate din mǎsurǎtori.
Valoarea adevǎratǎ a constantei fiind 25 , 1
0
= a , ȋn Tabelul 28 sunt prezentate valorile
numerice rezultate din măsurătorile efectuate ȋn cadrul unui experiment ȋn care au
fost achiziționate 10 N = eșantioane.
Se știe că mǎsurǎtorile au fost afectate de zgomot cu distribuția de probabilitate
normală, media statisticǎ 20 , 0
n
= µ și varianța 1
2
n
= σ .



214
Tabelul 28. Valorile numerice obținute ȋn cadrul experimentului descris ȋn Problema 4.
k 1 2 3 4 5 6 7 8 9 10
n[k] -0.473 1.680 -0.135 -1.278 0.621 -0.217 -1.890 -0.695 0.654 1.173
y[k] 0.850 2.131 0.395 2.429 -1.139 1.181 2.983 2.190 0.936 2.091

Zgomotul care afecteazǎ mǎsurǎtorile fiind normal distribuit, funcția densitate de
repartiție este datǎ de expresia (94) deci:

( )
( )
2
n
2
n
n
2
n
2
n n
e
2
1
, ; n p
σ
µ −


σ ⋅ π ⋅
= σ µ ;

( ) ( )
( ) ( )
∏ ∏ ∏
=
σ
µ − − −
=
σ
µ − −
=

σ ⋅ π ⋅
= ⋅
σ ⋅ π ⋅
= σ µ =
N
1 i
a y
2
n
N
1 i
n
2
n
N
1 i
2
n n i 0 i
2
n
2
n 0 i
2
n
2
n
e
2
1
e
2
1
, n p a ; n L ;

( )
( )
( )


σ ⋅ π ⋅
=
=
µ − − ⋅
σ

N
1 i
2
n 0 i
2
n
a y
1
10
2
n
0 i
e
2
1
a ; n L
Valoarea cea mai probabilă a constantei
0
a rezultă prin rezolvarea ecuației de
verosimilitate.

( )
0
a
a ; n L
0
0 i
=




( )
( )
( )
( ) 0 a y
2
e
2
1
a
a ; n L
N
1 i
nN 0 i 2
nN
a y
1
N
2
nN
0
0 i
N
1 i
2
nN 0 i 2
nN
= ∑ µ − − ⋅
σ

(
(
¸
(

¸



σ ⋅ π ⋅
=


=
µ − − ⋅
σ

=


nN
N
1 i
i 0
N
1 i
nN 0 i
y
N
1
a 0 N a N y µ − ∑ ⋅ = ⇒ = ∑ µ ⋅ − ⋅ −
= =

Rezultatele calculelor sunt rezumate ȋn tabelul care urmează.
Tabelul 29. Estimarea valorii constantei pe baza valorilor determinate experimental ȋn cadrul
experimentului descris ȋn Problema 4.
Valoarea adevarată a constantei 1.250
Valoarea medie statistică a zgomotului 0.200
Varianța zgomotului 1.000
Media valorilor măsurate ale zgomotului -0.056
Varianța valorilor măsurate ale zgomotului 1.217
Valoarea estimată a constantei 1.461
Problema 16: Algoritmul recursiv al celor mai mici pătrate.
Estimarea parametrilor prin metoda simplă a celor mai mici pătrate prezintă un
inconvenient major și anume necesitatea de a calcula inversa unei matrice cu
dimensiuni foarte mari; acest inconvenient face ca implementarea pe microcontrolere
a algoritmului să fie dificilă sau uneori imposibil de realizat.
ȋn cadrul acestei probleme se propune determinarea unei forme recursive a
algoritmului ȋn care estimatorul parametrilor modelului, [ ] k θ
ˆ
la pasul actual, k se



215
calculează pe baza valorilor calculate la pasul anterior, [ ] 1 k − θ
ˆ
și a noilor valori
prelevate din proces la pasul actual. Ȋn această abordare, volumul de date prelevate
din proces este constant; capacitatea de memorie necesară este moderată ceea ce
permite implementarea pe microcontrolere a algoritmului.
La pasul N estimatorul celor mai mici pătrate se poate scrie după cum urmează.
(i) ( )
N
T
N
1
N
T
N N
Y X X X θ ⋅ ⋅ ⋅ =

ˆ

La pasul următor, 1 N + expresia estimatorului celor mai mici pătrate va fi similară cu
expresia precedentă, respectiv:
(ii) ( )
1 N
T
1 N
1
1 N
T
1 N 1 N + +

+ + +
⋅ ⋅ ⋅ = Y X X X θ
ˆ
;

(
¸
(

¸

=
(
¸
(

¸

=
(
¸
(

¸

=
+
+
+
+
+
+
N
1 N
1 N
N
1 N
1 N
N
1 N
1 N
e
E
E
Y
y
Y
X
x
X ; ; ;
[ ]
1 nb N 1 N 1 na N 1 N N 1 N
u u y y y
+ − + + − − +
− − − = K K x ⇒
(iii)
( )
( ) ( )
1 N
T
1 N N
T
N
1
1 N
T
1 N N
T
N
1 N
T
1 N
1
1 N
T
1 N 1 N
+ +

+ +
+ +

+ + +
⋅ + ⋅ ⋅ ⋅ + ⋅ =
⋅ ⋅ ⋅ =
y x Y X x x X X
Y X X X θ
ˆ
.
Ȋn relația precedentă se aplică lema de inversiune matricială:
(iv) ( ) ( )
1
1
1 1 1 1 1 −

− − − − −
⋅ ⋅ ⋅ ⋅ + ⋅ ⋅ − = ⋅ ⋅ + A D B A D C B A A D C B A .
Se obține după cum urmează, pentru I C = .

{ {
( )
( ) ( ) ( ) [ ] ( )
( )
1 N
T
1 N N
T
N
1
N
T
N 1 N
1
T
1 N
1
N
T
N 1 N
T
1 N
1
N
T
N
1
N
T
N
1 N
T
1 N N
T
N
1
1 N
T
1 N N
T
N 1 N
1
+ +

+

+

+ +
− −
+ +

=
+
=
+
=
+
⋅ + ⋅ ⋅ ×
× |
¹
|

\
|
⋅ ⋅ ⋅ ⋅ ⋅ ⋅ + ⋅ ⋅ ⋅ − ⋅ =
⋅ + ⋅ ⋅
|
|
¹
|

\
|
⋅ + ⋅ =
y x Y X
X X x x X X x x X X X X
y x Y X x x X X θ
D B A
43 42 1
ˆ

Ȋn expresia precedentă, factorul subliniat cu două linii este un scalar.
Se notează:
(v) ( )
T
1 N
1
N
T
N 1 N
1 a
+

+
⋅ ⋅ ⋅ + = x X X x
și se introduce notația ȋn expresia estimatorului
1 N+
θ
ˆ
.

( ) ( ) ( ) ( )
( )
1 N
T
1 N N
T
N
1
N
T
N 1 N
1 T
1 N
1
N
T
N
1
N
T
N 1 N
a
+ +

+

+
− −
+
⋅ + ⋅ × =
⋅ ⋅ ⋅ ⋅ ⋅ ⋅ − ⋅ =
y x Y X
X X x x X X X X θ
ˆ


( ) ( )
( ) ( ) ( )
1 N
T
1 N N
T
N
1
N
T
N 1 N
1 T
1 N
1
N
T
N
1 N
T
1 N N
T
N
1
N
T
N 1 N
a
+ +

+

+

+ +

+
⋅ + ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ −
⋅ + ⋅ ⋅ ⋅ =
y x Y X X X x x X X
y x Y X X X θ
ˆ




216

( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
1 N
T
1 N
1
N
T
N 1 N
1 T
1 N
1
N
T
N
N
T
N
1
N
T
N 1 N
1 T
1 N
1
N
T
N
1 N
T
1 N
1
N
T
N N
T
N
1
N
T
N 1 N
a
a
N
N
+ +

+

+

=

+

+

+ +

=

+
⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ −
⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ −
⋅ ⋅ ⋅ + ⋅ ⋅ ⋅ =
y x X X x x X X
Y X X X x x X X
y x X X Y X X X θ
θ
θ
4 4 4 3 4 4 4 2 1
4 4 4 3 4 4 4 2 1
ˆ
ˆ
ˆ


( ) ( )
( )
( ) ( ) ( )
1 N
T
1 N
1
N
T
N 1 N
1 T
1 N
1
N
T
N
N 1 N
1 T
1 N
1
N
T
N
1 N
T
1 N
1
N
T
N N 1 N
a
a
+ +

+

+

+

+

+ +

+
⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ −
⋅ ⋅ ⋅ ⋅ ⋅ −
⋅ ⋅ ⋅ + =
y x X X x x X X
θ x x X X
y x X X θ θ
ˆ
ˆ ˆ


( )
( ) ( )
( ) ( ) ( )
1 N
T
1 N
1
N
T
N 1 N
1 T
1 N
1
N
T
N
1 N
T
1 N
1
N
T
N
N 1 N
1 T
1 N
1
N
T
N N 1 N
a
a
+ +

+

+

+ +

+

+

+
⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ ⋅ −
⋅ ⋅ ⋅ +
⋅ ⋅ ⋅ ⋅ ⋅ − =
y x X X x x X X
y x X X
θ x x X X θ θ
ˆ ˆ ˆ


( )
( ) ( ) ( ) ( )
1 N
T
1 N
1
N
T
N 1 N
1
1 N
T
1 N
1
N
T
N
N 1 N
1 T
1 N
1
N
T
N N 1 N
a
a
+ +

+

+ +

+

+

+
⋅ ⋅ ⋅ ⋅ ⋅ − ⋅ ⋅ ⋅ +
⋅ ⋅ ⋅ ⋅ ⋅ − =
y x X X x y x X X
θ x x X X θ θ
ˆ ˆ ˆ


( )
( ) ( )
( )
1 N
1 a
T
1 N
1
N
T
N 1 N
1 T
1 N
1
N
T
N
N 1 N
1 T
1 N
1
N
T
N N 1 N
a a
a
+
− =
+

+

+

+

+

+

|
|
|
¹
|

\
|
⋅ ⋅ ⋅ − ⋅ ⋅ ⋅ ⋅ +
⋅ ⋅ ⋅ ⋅ ⋅ − =
y x X X x x X X
θ x x X X θ θ
4 4 4 4 3 4 4 4 4 2 1
ˆ ˆ ˆ


( )
( )
1 N
1 T
1 N
1
N
T
N
N 1 N
1 T
1 N
1
N
T
N N 1 N
a
a
+

+

+

+

+
⋅ ⋅ ⋅ ⋅ +
⋅ ⋅ ⋅ ⋅ ⋅ − =
y x X X
θ x x X X θ θ
ˆ ˆ ˆ

(vi) ( ) ( )
N 1 N 1 N
1 T
1 N
1
N
T
N N 1 N
a θ x y x X X θ θ
ˆ ˆ ˆ
⋅ − ⋅ ⋅ ⋅ ⋅ + =
+ +

+

+

ȋn relația (vi), termenul ( )
N 1 N 1 N
θ x y
ˆ
⋅ −
+ +
reprezintă eroarea de estimare calculată pe
baza valorilor anterioare ale parametrilor. Deci, valoarea estimată la momentul actual
se obține din valoarea estimată la pasul anterior corectată cu un termen proporțional
cu eroarea de estimare precedentă.
(vii) ( )
N 1 N 1 N 1 N N 1 N
θ x y K θ θ
ˆ ˆ ˆ
⋅ − ⋅ + =
+ + + +
.
Forma generală a algoritmului recursiv al celor mai mici pătrate este prezentată ȋn
continuare.
( )
N 1 N 1 N 1 N N 1 N
θ x y K θ θ
ˆ ˆ ˆ
⋅ − ⋅ + =
+ + + +

( )
1
T
1 N N 1 N
T
1 N N 1 N

+ + + +
⋅ ⋅ + ⋅ ⋅ = x P x I x P K

N 1 N 1 N N 1 N
P x K P P ⋅ ⋅ − =
+ + +





217
CAPITOLUL VIII
VALIDAREA MODELELOR
Datele rezultate din măsurători experimentale nu pot fi modelate cu exactitate prin
modele liniare de ordin finit. Modelul care se obține la finalul unui experiment de
identificare permite aproximarea corectă doar sub unele aspecte a regimului dinamic
al sistemului testat. Din acest punct de vedere, alegerea preliminară a structurii
modelului este aspectul cel mai important. Efectele alegerii necorespunzătoare a
modelului conduc fie spre calcule complicate și inutile ȋn etapa implementării
acestuia (cazul modelelor supraparametrizate) sau spre abateri mari ȋntre valorile
adevărate ale răspunsului dinamic și valorile estimate pe baza modelului sistemului
(cazul modelelor subparametrizate).
De regulă, ȋntr-un experiment de identificare se testează mai multe structuri de
modele și se obține un set de candidate. Ȋn final, din setul de modele candidate se
alege modelul optim. Ȋn acest scop datele prelevate din proces sunt divizate ȋn două
sau ȋn mai multe seturi de date. O parte din aceste seturi de date este utilizată ca
date de intrare ȋn algoritmii de identificare iar cealaltă parte este utilizată ca date de
intrare ȋn modelele rezultate pentru validarea acestora.
Alegerea modelului este determinată ȋn principal de scopul / utilizarea finală a
acestuia. Spre exemplu, un regulator inserat ȋntr-un sistem de reglare automată
adaptivă poate avea la bază un model de ordin redus, relativ inexact al sistemului
reglat. Ȋn contrast, o aplicație de identificare a sistemelor destinată simulării
regimului dinamic al unui proces necesită un model de ordin superior, pentru a
evidenția detalii ale dinamicii acestuia.
Pentru alegerea / validarea modelului optim dintr-un set de modele candidate,
modelele se analizează sub următoarele aspecte, raportate la finalitatea modelului.
(1) Flexibilitatea modelului ȋn raport cu scopul propus.
(2) Complexitatea modelului ȋn raport cu scopul propus.
(3) Comparația ȋntre modelele candidate sub aspectul probabilității cu care modelul
aproximează modelul adevărat.
Ȋn cadrul acestui capitol se prezintă metodele de bază utilizate pentru alegerea și
validarea structurii modelelor dinamice pe baza criteriilor enunțate și se detailează
aspectele cantitative care permit alegerea acestora.
Caracteristicile de performanță ale modelului
Flexibilitatea modelului
Prin flexibilitate a modelului se ȋnțelege calitatea acestuia de a reproduce cu
exactitate comportamentul dinamic adevărat al sistemului, ȋn absența zgomotelor.
Flexibilitatea modelului poate fi evaluată (1) prin compararea semnalului de ieșire
prelevat din proces, [ ] { }
N
1 k
k y
=
cu semnalul de ieșire din model, [ ] { }
N
1 k m
k y
=
dacă
semnalul de intrare ȋn model este tot semnalul de intrare prelevat din proces.



218
Ȋn practică, zgomotul la portul de intrare ȋn proces este neglijabil, prin urmare,
teoretic, semnalul de ieșire din model nu conține zgomot, deci:
[ ] ( ) [ ] k u q G k y
N
1
m
⋅ =

θ
ˆ
; . (356.)
Pentru ca modelul să fie acceptat reprezentările grafice ale semnalelor [ ] { }
N
1 k
k y
=
,
[ ] { }
N
1 k m
k y
=
trebuie să fie asemănătoare. Abaterile dintre [ ] { }
N
1 k m
k y
=
și [ ] { }
N
1 k
k y
=
sunt
datorate atât erorilor de modelare cât și zgomotului care perturbă semnalul prelevat
din proces. Experiența profesională a evaluatorului contează foarte mult, ȋn acest
caz.
O evaluare mai precisă a flexibilității modelului se realizează prin calcule statistice
care au la bază evaluarea proprietăților erorii de estimare [ ]
N
k θ
ˆ
, ε - denumită și restul
estimării. Pentru simplificarea notației expresiei erorii de estimare, ȋn continuare nu
se mai menționează explicit vectorul parametrilor și numărul de eșantioane; deci se
notează simplu [ ] k ε .
Testele statistice asupra erorii de estimare, [ ] k ε au la bază ipotezele (denumite ȋn
statistică ipoteze de tip
0
H ) prezentate ȋn tabelul care urmează.
Tabelul 30. Ipoteze asupra erorii de estimare aplicabile ȋn testele statistice de validare a modelelor.
1: eroarea de estimare este de tip zgomot alb cu media statistică egală cu zero;
2: eroarea de estimare este simetric distribuită;
3:
eroarea de estimare nu este corelată cu ansamblul eșantioanelor anterioare ale
semnalului de intrare,
[ ] [ ] { } i k 0 i u k E > = ⋅ ε ;
;
4:
eroarea de estimare nu este corelată cu semnalul de intrare
[ ] [ ] { } ( ) i k 0 i u k E ; ; ∀ = ⋅ ε
-
pentru procesele ȋn buclă deschisă.
Se vor prezenta următoarele teste asociate analizei erorii de estimare: testul funcției
de autocorelație a erorii de estimare și testul schimbării de semn a erorii de estimare.
Complexitatea modelului
Dacă dimensiunea modelului estimat este mai mare decât dimensiunea modelului
adevărat se spune că modelul estimat este supraparametrizat. Supraparametrizarea
modelului se reflectă ȋn prezența perechilor de poli-zerouri foarte apropiate ȋn planul
complex.
Supraparametrizarea modelului poate fi evaluată analitic prin determinarea punctelor
de minim ale funcției criteriu ( ) [ ] { } k E V
2
ε = θ dacă, pentru estimarea modelului este
utilizată pentru metoda erorii de predicție [4], pag. 434.
Prezența unui punct de minim global al funcției criteriu permite enunțarea criteriului
parcimoniei modelului. Implementarea criteriului parcimoniei modelului pentru
validarea modelelor se prezintă ȋn continuarea acestui capitol.
Compararea ȋntre structurile modelelor
Ȋn cazul metodelor de identificare de tip parametric, parametrii modelului se
determină prin minimizarea unei funcții criteriu, ( ) θ V . Se compară modele cu
dimensiuni diferite; valoarea minimă a funcției criteriu descrește dacă dimensiunea




219
modelului crește - prin adăugarea unor parametri suplimentari - deoarece erorile de
estimare scad.
Prin urmare, evaluarea valorilor minime ale funcției criteriu ȋn funcție de dimensiunea
modelului produce informații privind complexitatea acestuia și deci permite validarea
modelului.
Ȋn cadrul acestui capitol se prezintă Testul - F care are la bază această idee.
Ȋnainte de a trece la prezentarea testelor de validare a modelelor enunțate se
prezintă câteva rezultate din Teoria probabilităților privind distribuția
2
χ și legătura
acestei distribuții cu distribuția normală N .
Distribuția χ
2
și distribuția F
Definiția 64: Distribuția
2
χ . O variabilă aleatoare are distribuția
2
χ cu n grade de
libertate dacă densitatea sa de repartiție este

( )
( ]
( )
¦
¦
¹
¦
¦
´
¦
∞ + ∈ ⋅ ⋅
|
¹
|

\
|
Γ ⋅
∞ − ∈
=


;
;
0 x e x
2
n
2
1
0 x 0
x f
2
x
1
2
n
2
n
pentru
pentru
.
(357.)
ȋn care, ( )


− −
⋅ = Γ
0
x 1 p
dx e x p este funcția Gama sau funcția lui Euler de speța a doua,
[6], pag. 127.
Legătura dintre distribuția
2
χ și distribuția normală este dată de următoarea teoremă,
[6], pag. 128.
Teorema 18: Legătura dintre distribuția
2
χ și distribuția ( ) 1 0, N . Dacă fiecare din
variabilele aleatoare independente
n 2 1
X X X K , are distribuție normală cu
parametrii ( ) 1 0, N , atunci variabila aleatoare

=
n
1 k
2
k
X are distribuție
2
χ cu n grade
de libertate.
Definiția 65: Distribuția F cu
1
n și
2
n grade de libertate. Fie două variabile aleatoare
independente
1
X cu distribuția ( )
1
2
n χ și respectiv
2
X cu distribuția ( )
2
2
n χ atunci,
( ) ( )
2 2 1 1
X n n X ⋅ are distribuția F cu
1
n și
2
n grade de libertate, notată ( )
2 1
n n F ; . [4],
pag. 558.
Teorema 19: Fie o variabilă aleatoare Y care are distribuția ( )
2 1
n n F ; , atunci
distribuția variabilei aleatoare Y n
1
⋅ tinde spre distribuția ( )
1
2
n χ dacă ∞ →
2
n . [4],
pag. 558.
Demonstrațiile teoremelor nu sunt prezentate ȋn această lucrare; acestea pot fi
consultate ȋn referințele citate.



220
Ȋn tabelul care urmează se dau valori ale funcției densitate de probabilitate asociate
distribuției ( ) n
2
χ care verifică următoarea relație.
( ) ( ) α = χ >
α
n x P
2
. (358.)
Tabelul 31. Valorile numerice ale funcției ( ) n
2
α
χ .
α 0,050 0,025 0,010 0,005
n
1 3,84 5.02 6.63 7.88
2 5.99 7.38 9.21 10.6
3 7.81 9.35 11.3 12.8
4 9.49 11.1 13.3 14.9
5 11.1 12.8 15.1 16.7
6 12.6 14.4 16.8 18.5
7 14.1 16.0 18.5 20.3
8 15.5 17.5 20.1 22.0
9 16.9 19.0 21.7 23.6
10 18.3 20.5 23.2 25.2
11 19.7 21.9 24.7 26.8
12 21.0 23.3 26.2 28.3
13 22.4 24.7 27.7 29.8
14 23.7 26.1 29.1 31.3
15 25.0 27.5 30.6 32.8
16 26.3 28.8 32.0 34.3
17 27.6 30.2 33.4 35.7
18 28.9 31.5 34.8 37.2
19 30.1 32.9 36.2 38.6
20 31.4 34.2 37.6 40.0
Datele prezentate ȋn tabel sunt utile ȋn testele de validare care sunt prezentate ȋn
continuare.
Teste pentru validarea structurii modelului
Testul funcției de autocorelație a erorii de estimare
Testul, [4], pag. 423 are la bază ipoteza potrivit căreia eroarea de estimare
[ ] { }
N
1 k
k
=
ε este o secvența a unui zgomot alb deci are distribuție normală ( ) 1 0, N . Prin
urmare, o estimare a funcției de autocorelație calculată pe baza eșantioanelor
secvenței date:

[ ] [ ] [ ] 0 t t
N
1
r
N
1 k
≥ τ ε ⋅ τ + ε ⋅ = τ

τ −
=
ε
; ˆ ,
(359.)
Verifică relațiile care urmează.

[ ] [ ] { }
[ ]
∞ →
≠ τ → τ
ε = λ →
ε
ε
N
0 0 r
k E 0 r
2 2
daca
; ˆ
ˆ
,
(360.)
Observație.
Ȋn calcule se evaluează valorile raportate ale funcției de autocorelație după cum
urmează.




221

[ ]
[ ]
[ ] 0 r
r
ε
ε
ε
τ
= τ ρ
ˆ
ˆ

(361.)
Conform ipotezei, eroarea de estimare are distribuție normală ( ) 1 0, N , deci funcția
de autocorelație verifică relația care urmează.

[ ]
¹
´
¦
≠ τ
= τ σ
= τ
ε
ε
0 0
0
r
2
daca
daca

(362.)
Testul presupune stabilirea unui criteriu de evaluare a convergenței valorilor date prin
relațiile (5), calculate pe baza celor N realizări ale semnalului spre valorile teoretice
din relația (7) corespunzătoare cazului ∞ → N .
Pentru determinarea expresiei acestui criteriu se procedează după cum urmează.
Se reprezintă valorile estimate ale funcției de autocorelație sub forma matricială:

[ ]
[ ]
[ ]
[ ] [ ]
[ ] [ ]
(
(
(
(
(
¸
(

¸

ε ⋅ − ε
ε ⋅ − ε
⋅ =
(
(
(
¸
(

¸

⋅ = τ


=
=
ε
ε
ε
N
1 k
N
1 k
k m k
k 1 k
N
1
m r
1 r
N
1
r M M
ˆ
ˆ
ˆ ; N m N < << τ ; .
(363.)
Se calculează matricea de covarianță.
{ }
T
E r r P ˆ ˆ ⋅ = ; N << τ . (364.)
Elementul m 1 j i P
j i
, , ;
,
= din relația precedentă se reprezintă după cum urmează.


[ ] [ ] [ ] [ ] { }
[ ] [ ] [ ] [ ] { }
[ ] [ ] [ ] [ ] { } [ ] [ ] [ ] { }
∑ ∑ ∑
∑∑
∑∑
= ξ = ξ + ξ = ζ
= ξ
− ξ
= ζ
= ξ = ζ
− ξ ε ⋅ ξ ε ⋅ − ξ ε ⋅ + − ζ ε ⋅ ζ ε ⋅ ξ ε ⋅ − ξ ε ⋅ +
− ζ ε ⋅ ζ ε ⋅ ξ ε ⋅ − ξ ε ⋅ =
− ζ ε ⋅ ζ ε ⋅ ξ ε ⋅ − ξ ε ⋅ =
N
1
N
1
2
N
1
N
1
1
1
N
1
N
1
j i
j i E
N
1
j i E
N
1
j i E
N
1
j i E
N
1
P
,

(365.)
Se evaluează expresia precedentă pentru ∞ → N și rezultă:


[ ] [ ] [ ] [ ] { }
[ ] [ ] [ ] { }
j i
4
N
1
2
N
N
1
N
1
N
j i
N
j i E
N
1
0 0
j i E
N
1
P
,
,
lim
lim lim
δ ⋅ σ =
)
`
¹
¹
´
¦
− ξ ε ⋅ ξ ε ⋅ − ξ ε ⋅ + + =
− ζ ε ⋅ ζ ε ⋅ ξ ε ⋅ − ξ ε ⋅ =
ε
= ξ
∞ →
= ξ = ζ
∞ → ∞ →

∑∑
;
¹
´
¦

=
= δ
j i 0
j i 1
j i,





222

[ ] [ ] [ ] [ ] { }
[ ] [ ] [ ] { }
j i
4
N
1
2
N
N
1
N
1
N
j i
N
j i E
N
1
0 0
j i E
N
1
P
,
,
lim
lim lim
δ ⋅ σ =
)
`
¹
¹
´
¦
− ξ ε ⋅ ξ ε ⋅ − ξ ε ⋅ + + =
− ζ ε ⋅ ζ ε ⋅ ξ ε ⋅ − ξ ε ⋅ =
ε
= ξ
∞ →
= ξ = ζ
∞ → ∞ →

∑∑

(366.)
Rezultatul precedent poate fi reprezentat sub formă matricială după cum urmează.
{ } I r r P ⋅ σ = ⋅ =
ε
4 T
E ; ∞ → N . (367.)
După cum se arată ȋn [4], pag. 550 dacă eroarea de estimare este distribuită
normal ( ) 1 0, N atunci și funcția de autocorelație este distribuită normal ( ) 1 0, N .
Vom evalua ȋn continuare distribuția de probabilitate a elementelor matricei de
covarianță normalizată. Ȋn relația (364), elementele matricei de covarianță pe
diagonala principală sunt numeric egale cu pătratul valorilor funcției de autocorelație
ȋn timp ce celelalte elemente sunt produse ale valorilor funcției de autocorelație la
momente de timp diferite. Deoarece funcția de autocorelație este distribuită normal,
rezultă că variabila aleatoare asociată elementelor matricei de covarianță va fi
distribuită ( ) m
2
χ .
Prin urmare, pentru a evalua convergența ȋn distribuție a erorii de estimare trebuie
evaluată convergența ȋn distribuție variabilei ( ) 0 r N
T
ε
⋅ ⋅ ˆ / r r .
Testul de convergență se implementează după cum urmează ( N m << )
1
Se definește probabilitatea
( ) ( ) α = χ >
α
n x P
2
, Tabelul 1;
2
Se adoptă
[ ] 1 0 01 0 , ; , ∈ α
, tipic
05 0, = α
reprezentând probabilitatea ca valorile variabilei
aleatoare
X
; să fie mai mari decât valorile distribuției de probabilitate
( ) m
2
χ
.
3.
Se calculează expresia
( ) 0 r N
T
ε
⋅ ⋅ ˆ / r r
din valori ale erorii de estimare;
3. Dacă valoarea expresie
( ) 0 r N
T
ε
⋅ ⋅ ˆ / r r
valoarea funcției
( ) m
2
α
χ
determinată din Tabelul 1
atunci modelul se invalidează.
4.
Dacă valoarea expreisie
( ) 0 r N
T
ε
⋅ ⋅ ˆ / r r
este mai mică sau egală decât valoarea funcției
( ) m
2
α
χ
determinată din Tabelul 1 atunci modelul se validează.

Testul schimbării de semn a erorii de estimare
Fie
N
x numărul schimbărilor de semn ale valorilor secvenței [ ] { }
N
1 k
k
=
ε . Se definesc
variabilele aleatoare { }
1 N
1 k k

=
δ prin expresia care urmează.

[ ] [ ]
[ ] [ ]
¹
´
¦
≥ + ε ⋅ ε
< + ε ⋅ ε
= δ
0 1 i i 0
0 1 i i 1
i
daca
daca

(368.)




223



=
δ =
1 N
1 i
i N
x .
(369.)
Conform ipotezelor prezentate ȋn Tabelul 30, rezultă că (1)
( ) ( ) 5 0 1 P 0 P
i i
, = = δ = = δ și (2) două variabile aleatoare j i
j i
≠ δ δ , sunt identic
distribuite și independente statistic. Pe baza celor prezentate și a teoremei numerelor
mari se poate afirma că variabila aleatoare
N
x este convergentă ȋn distribuție spre
distribuția normală ( ) P m, N ȋn care:
{ } ( ) { }
2
N
E 1 N x E m
i N
= δ ⋅ − = = reprezintă media statistică și (370.)

[ ] { } { } { }
( )
( ) [ ] { } [ ] { }
4
N
4
1 N
E E 1 N
4
1 N
E
2
N
E m x E m x E P
4
2
i
2 1
2
i
2
1 N
1 i
1 N
1 j
j i
2
2
N
2
N


=
(
(
¸
(

¸

δ − δ ⋅ − =


)
`
¹
¹
´
¦
δ ⋅ δ =
= ⋅ − = − =
= =

=

=
∑∑
3 2 1 3 2 1

(371.)
reprezintă varianța repartiției. Pe baza celor prezentate mai sus, rezultă că variabila
aleatoare
2 N
2 N x
N

este distribuită ( ) 1 0, N .
Rezultă că valorile variabilei aleatoare
N
x verifică relația:

96 1
2 N
2 N x
N
. ≤

cu probabilitate 95 0, .
(372.)
Prin urmare, testul constă ȋn următoarele.
1
Se calculează


=
δ =
1 N
1 i
i N
x
;
2
Se evaluează inegalitățile
2 N 98 0 2 N x 2 N 98 0 2 N
N
⋅ + ≤ ≤ ⋅ − , ,
;
3 Dacă inegalitățile precedente se verifică, atunci modelul se validează ;
4 Dacă inegalitățile nu se verifică, atunci modelul nu se validează.

Criteriul parcimoniei modelului
Principiul parcimoniei modelului permite determinarea ordinului optim al modelului.
Fiind date două sau mai multe modele candidate de ordin diferit care estimează
datele prelevate din proces cu exactitate similară. Conform principiului parcimoniei
modelului, modelul cu cel mai mic număr de parametri este modelul optim al
procesului.
Pentru evaluarea pe ansamblu a caracterului optim al modelului se utilizează mărimi
scalare (notate generic ( ) θ W ) corelate cu valorile estimate ale vectorul parametrilor,
N
θ
ˆ
. Astfel de mărimi scalare pot fi: varianța erorii de predicție pe un pas ȋn avans,



224
varianța erorii de predicție cu mai mulți pași ȋn avans sau abaterea funcției de
transfer estimată față de valoarea adevărată.
Valoarea minimă a mărimii scalare ( ) θ W se obține pentru cazul ȋn care variabila
coincide cu valoarea adevărată a vectorului parametrilor.
O abatere a valorilor parametrilor raport valorile adevărate corespunzătoare se
reflectă ȋntr-o creștere a valorii mărimii W . Pe de altă parte, cu cât numărul de
parametri ai modelului este mai mare, cu atât valoarea erorilor de estimare scade,
deci și valoarea mărimii scalare W . Prin urmare, dacă valoarea mărimii scalare
W este practic aceeași, atunci modelul care este mai aproape de modelul adevărat
este modelul cu numărul minim de parametri.
Testul F
Ȋn cazul metodelor de identificare de tip parametric bazate pe minimizarea erorii de
predicție, problema alegerii dimensiunii optime a structurii modelului - evocată ȋn
criteriul parcimoniei modelului - poate fi abordată riguros prin evaluarea statistică a
relației dintre dimensiunea modelului și valorile funcției criteriu.
Se analizează dependența dintre valorile funcției criteriu ( )

=
ε = θ
N
1 k
2
k N
V
ˆ
ȋn funcție de
dimensiunea modelului.
Ȋn Figurile 82 - 84 se reprezintă dependența menționată pentru un proces de tip
( ) 1 2 ARX ; descris prin ecuația cu diferențe care urmează.

[ ] [ ] [ ] [ ] [ ] [ ] k e 2 k u 5 0 1 k u 2 k y 024 0 1 k y 46 0 k y + − ⋅ + − = − ⋅ + − ⋅ − . , , . (373.)

Pentru acest model, 2 na = și 1 nb = . Metoda de identificare utilizată este metoda
simplă a celor mai mici pătrate.
Rezultatele calculelor sunt reprezentate grafic ȋn Figurile 82 - 84.


Figura 82. Graficul dependenței funcției criteriu de dimensiunea modelului pentru cazul ȋn care
0 nb = .




225

Figura 83. Graficul dependenței funcției criteriu de dimensiunea modelului pentru cazul ȋn care
1 nb = .

Figura 84. Graficul dependenței funcției criteriu de dimensiunea modelului pentru cazul ȋn care
2 nb = .
Dimensiunea nb a modelului a fost adoptată ca parametru și a fost analizată
dependența valorilor funcției criteriu ȋn funcție de valori ale dimensiunii nb .
Se constată următoarele. (1) dacă modelul este subparametrizat - Figura 82 -valorile
funcției criteriu sunt mai mari comparativ cu cazul ȋn care modelul este corect
parametrizat sau este supraparametrizat. (2) dacă modelul este corect parametrizat -
Figura 83 - valorile funcției criteriu descresc rapid cu na până la punctul care
corespunde dimensiunii adevărate a modelului după care descreșterea valorilor
funcției criteriu este foarte lentă și (3) dacă modelul este supraparametrizat, - Figura
84 - valorile funcției criteriu sunt mai mici decât ȋn cazul ȋn care modelul este corect
parametrizat iar descreșterea cu na a acestor valori este mult mai rapidă ȋn
comparație cu cazul (2).
Pentru evaluarea cantitativă a descreșterii valorilor funcției criteriu pe baza calculelor
prezentate se procedează după cum urmează.
Fie două modele candidate,
1
θ
ˆ
și
2
θ
ˆ
a căror dimensiuni diferă,
1 1
n θ
ˆ
dim = și
2 2
n θ
ˆ
dim = ,
2 1
n n < fie
0
θ modelul adevărat și fie
2 1
V V , valorile minime ale funcțiilor
criteriu corespunzătoare celor două structuri de modele. Datele prelevate din proces
verifică următoarele relații.
[ ] [ ]
1
T
1
k k y θ
ˆ
⋅ ϕ = ; (374.)
[ ] [ ]
2
T
2
k k y θ
ˆ
⋅ ϕ = ;



226
[ ] [ ] [ ] k e k k y
0
T
1
+ ⋅ ϕ = θ
ˆ
.
ȋn care [ ] { } k e este o secvență de variabile aleatoare cu distribuție normală ( )
2
e
0 σ , N
Următoarele relații - demonstrate ȋn [4] pag. 73 - sunt adevărate:
(i) variabilele aleatoare
2 1
V V − și
2
V sunt independente statistic;
(ii)
2
e
2
V 2
σ

este distribuită
2
χ cu
2
n N − grade de libertate;

(iii)
( )
2
e
2 1
V V 2
σ
− ⋅
este distribuită
2
χ cu
1 2
n n − grade de libertate.

Pe baza rezultatelor de mai sus și a Definiției 2 rezultă că mărimea:

2
2
1 2
2 1
V
n N
n n
V V
f




= este distribuită F cu
1 2
n n − și
2
n N −
(375.)
grade de libertate cu grade. Ȋn final, pentru
2
n N >> distribuția ( )
2 2 2
n N n n F − − , se
aproximează cu distribuția ( )
1 2
2
n n − χ .
De regulă se compară modele ale căror dimensiune diferă cu o unitate, 1 n n
1 2
= − ;
se ține cont de aproximarea
2
n N >> și relația (20) se obține relația care urmează.

2
2 1
V
V V
N f

⋅ = , distribuită cu distribuția ( )
1 2
2
n n − χ
(376.)
Se ține cont de relația de definiție a funcției ( ) n
2
α
χ și rezultă expresia:

( )
1 2
2
n n f − χ ≤
α
, distribuită cu distribuția ( )
1 2
2
n n − χ
(377.)
Din ultimele două relații se obține expresia care se utilizează ȋn aplicații ale criteriului
F.

( )
(
¸
(

¸

− χ ⋅ + ⋅ ≤
α 1 2
2
2 1
n n
N
1
1 V V .
(378.)
Implementarea testului are la bază relația precedentă după cum se prezintă ȋn
continuare.
1
Se definește probabilitatea
( ) ( ) α = χ >
α
n x P
2
, Tabelul 1;
2
Se adoptă
[ ] 1 0 01 0 , ; , ∈ α
, tipic
05 0, = α
reprezentând probabilitatea ca valorile variabilei
aleatoare
X
; să fie mai mari decât valorile distribuției de probabilitate
( ) m
2
χ
;
3. Se calculează dimensiunea modelelor;
4.
Se evaluează expresia
( )
(
¸
(

¸

− χ ⋅ + ⋅ ≤
α 1 2
2
2 1
n n
N
1
1 V V
pe baza datelor rezultate din
estimarea parametrilor;
5.
Dacă expresia de la punctul (4) se verifică atunci modelul se cu dimensiunea mai mică se
validează.




227
6.
Dacă expresia de la punctul (4) nu se verifică atunci modelul cu dimensiunea mai mare se
validează.
Exemplul 50: validarea modelului dinamic al curgerii apei pluviale ȋntr-un canal de
deversare.
Au fost efectuate 1455 N = de ȋnregistrări pe durata unei ore asupra debitului de apă
care curge ȋntr-un canal de deversare cu ajutorul a șase debitmetre. Au fost adoptate
3 modele dinamice ale procesului după cum urmează.
(i)
[ ] [ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] 3 k e c 2 k e c 1 k e c k e
2 k u b 1 k u b k u b 2 k y a 1 k y a k y
3 2 1
2 1 0 2 1
− ⋅ + − ⋅ + − ⋅ + +
− ⋅ + − ⋅ + ⋅ + − ⋅ − − ⋅ − =
;

(ii)
[ ] [ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ] 3 k e c 2 k e c 1 k e c k e 3 k u b
2 k u b 1 k u b k u b 2 k y a 1 k y a k y
3 2 1 3
2 1 0 2 1
− ⋅ + − ⋅ + − ⋅ + + − ⋅ +
− ⋅ + − ⋅ + ⋅ + − ⋅ − − ⋅ − =
;

(iii)
[ ] [ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ] [ ] 3 k e c 2 k e c 1 k e c k e 3 k u b 2 k u b
1 k u b k u b 3 k y a 2 k y a 1 k y a k y
3 2 1 3 2
1 0 3 2 1
− ⋅ + − ⋅ + − ⋅ + + − ⋅ + − ⋅ +
− ⋅ + ⋅ + − ⋅ − − ⋅ − − ⋅ − =
.

Pe baza datelor prelevate din proces valorile parametrilor modelelor au fost calculate
cu metoda generalizată a celor mai mici pătrate. Au fost obținute valorile funcțiilor
criteriu reprezentate ȋn tabelul care urmează.
Tabelul 32. Valorile funcțiilor criteriu din Exemplul 1
Modelul Funcția criteriu
(i) 0.074286
(ii) 0.073542
(iii) 0.073248

Dimensiunea modelului, se calculează cu expresia:
1 nc nb na n + + + = . (379.)
Rezultatele calculelor sunt prezentate ȋn Tabelul 4.
Tabelul 33. Dimensiunile modelelor din Exemplul 1
Modelul na nb nc p
(i) 2 3 3 9
(ii) 2 4 3 10
(iii) 3 4 3 11
Cazul 1
Se compară modelele (i) și (ii) pentru 05 0. = α

( ) 073736 0 84 3
1455
1
1 073542 0 n n
N
1
1 V
1 2
2
2
. . . =
|
¹
|

\
|
⋅ + ⋅ =
(
¸
(

¸

− χ ⋅ + ⋅
α
.

074286 0 V
1
. = ⇒
2 1
V V > ;
se validează modelul cu dimensiunea mai mare, (ii).
Cazul 2
Se compară modelele (ii) și (iii) pentru 01 0. = α



228

( ) 073582 0 64 6
1455
1
1 073248 0 n n
N
1
1 V
1 2
2
2
. . . =
|
¹
|

\
|
⋅ + ⋅ =
(
¸
(

¸

− χ ⋅ + ⋅
α
.

073542 0 V
1
. = ⇒
2 1
V V < ;
se validează modelul cu dimensiunea mai mică, (ii).
Cazul 3
Se compară modelele (ii) și (iii) pentru 05 0. = α

( ) 073441 0 84 3
1455
1
1 073248 0 n n
N
1
1 V
1 2
2
2
. . . =
|
¹
|

\
|
⋅ + ⋅ =
(
¸
(

¸

− χ ⋅ + ⋅
α
.

073542 0 V
1
. = ⇒
2 1
V V > ;
se validează modelul cu dimensiunea mai mare, (iii).





BIBLIOGRAFIE

[1]
Ogata, K. Modern Control Engineering. Second Edition. Prentice-Hall International, Inc, Englewood
Cliffs, 1990, ISBN 0-13-598731-8.
[2]
Allan, R. L., Mills D. W. Signal Analysis. Time, Frequency, Scale ans Structure. IEEE PRESS
Wiley-Interscience, 2004, ISBN: 0-471-23441-9
[3]
Henneberger, K. Electric Machines II. Dynamic Behavior, Converter Supply and Control. RWTH,
Aachen, 2004.
[4] Soderstrom, T., Stoica, P. System Identification. Prentice Hall International, 1989.
[5] Tița, N., Tofan, D. Analiză matematică. Editura " Aula ", Brașov, 2001, ISBN: 973-8206-02-2
[6]
Mihoc, Gh., Micu, N. Teoria probabilităților și Statistică Matematică. Editura Didactică și
Pedagogică, București,1980.
[7]
Stihi, T. Algebră liniară. Teorie și probleme rezolvate. Editura All, București, 1999, ISBN: 973-571-
279-2.
[8]
Söderström, T. Computational Methods for Evaluating Covariance Functions. Systems and Control
Group Uppsala University, Box 27, S-751 03 Uppsala, Sweden, 2003
[9] Comnac, V. Teoria sistemelor. Editura Lux Libris, Braşov, 2006, ISBN 973-9458-53-X.
[10] Stănășilă, O. Analiză matematică. Editura Didactică și Pedagogică, București, 1981.
[11] Sabac, I. Gh. Matematici speciale. Editura Didactică și Pedagogică. București, 1981.
[12]
Davenport, W. B., Root, W.L. An Introduction to the Theory of Random Signals and Noise. IEEE,
Wiley-Interscience, 1997, ISBN: 0-87942-235-1
[13]
Goodwin, G. C, et. al. Sampling and Sampled-Data Models. In: IEEE Control Systems Magazine,
Vol 33, No. 5, Oct.2013.
[14]
Cabodevila, G., Identification des systemes, Version 2009/2010. Ecole Nationale Superiore de
Mecanique et Microtechniques, Besancon - France.
[15]
Cartianu, Gh., Săvescu, M., Constantin, I. și Stanomir, D. Semnale, circuite și sisteme. Editura
Didactică și Pedagogică, București, 1980.
[16]
Ljung, L. System Identification: Theory for the User. PTR Prentice Hall, Englewoods Cliffs, New
Jersey 07632, 1987, ISBN 0-13-881640-9.
[17]
Săvescu, M., Petrescu, Th., Ciochină, S. Semnale, circuite și sisteme. Probleme. Editura Didactică și
Pedagogică, București 1981
[18]
Westwick, D.T., Kearney, R.E. Identification of Nonlinear Physiological Systems. IEEE Press,
Wiley-Interscience, 2003, ISBN 0-471-27456-9.