DEPI, Curs 1. Introducere 2015, 1C
Cap 0. Recapitulare variabile aleatoare
O.1.
O variabiti aleatoare (v.a.) Xeste 0 functie ce asociaza o valoare x € X realizarii unui eveniment
probabilistic «@ dintr-o muljime posibila de evenimente Q:
X:04X, X(o)=x. at)
Exemple: aruncarea cu zarul, aruncarea cu banul, loto 6/49, valoarea rezistenfei unui rezistor, etc.
© Dimensiunea spatiului tuturor evenimentelor este cardinalitatea lui Q, notat |Q.
© Daca mulfimea Q este numarabila, atunci X' este o v.a. disereti avind alfabetul
X= (5% 2---075n) 00 [x] =|};
© Daca mulfimea @ este nenumarabila, atunci X este o v.a. continua, cu |x]=00.
© Funefia de repartitie a unei v.a. X'se poate serie ca:
Fn) = PX Sx), (1.2)
vind proprietigile:
‘© are valori pozitive si subunitare: 0< F(x) <1,
o F(-«)=0,
© F(+0)=1,
© funcie cresettoare: x, F(x) $F).
‘© Funefia densitate de probabilitate p(x) pentru v.a. continue se poate calcula ca derivata
funetiei de repartitie:
d
=“ Fx), 1.3)
PR)=F Fe) (1.3)
avid proprietatile:
© conditia de normare: f° p(x}de
©. probabilitatea ca v.a. X si ia valo
intervalul (a,b): P(X €(a,d))= [ p@)de;
© functia de repartitie se poate sorie: F(x)= P(X Sx)= fi pwdu.
Pentru v.a. disorete, derivata se caleuleazai pe fiecare interval de continuitate, fiind definita
funefia de masi a probabilititilor (£m.p.):
PQ)=Y, PoO-%,
unde 5(x) este funcfia delta (funcfia impuls, functia Dirac) si avand proprietafile:
© condifia de normare: J, p, =15
(14)
© probabilitatea ca v.a. X sd ia valoarea.xx: P(X =x.) = p,- DEPI, Curs 1, Introducere 2015, 1C
Consideram 2 v.a. continue X si ¥.
«© Funefia de repartitie reunit& este definita ca:
POs y)= P(X Sx,¥ Sy)
© .d.p. reuniti este data de:
PF (xy)
exdy
indeplinind condifia de normare: C L p(x, pdxdy =1
POS) =
© Fd.p. marginale in raport cu p(x, y) se pot calcula ca:
p= [pes sday, po= FL pyar.
© Fadp. condifionate sunt definite cu ajutorulrelaiilor Bayes:
pois) =2&2), ptx| =P.
PG) PO)
0.2. Valori medii statistice
Operatorul de mediere statistic, notat E{ - ] sau ~ , este definit pentru:
+ va. continue: B[ -]=~ = [- p()d,
«© va discrete: E[-]=~ =>) +p,
F
Pentru o va. X, valorile medii statistice sunt:
¢ valoarea medie (momentul de ordin 1):
x= B[X]=x.
© valoarea pitraticd medie (momentul de ordin 2):
Har =BLX?
¢ dispersia sau varianfa (momentul centrat de ordinul 2):
0 = 2[(x- e[x\) ]-(«-¥)
Deviatia standard (0) reprezinta ridicina de ordinul doi a variantei.
1
= Haye Bre
Pentru o pereche de v.a. X si Y se pot defini:
‘© corelatia (momentul reunit de ordimul 1):
Ry = E[XY]= 4.
© covarianta (momentul reunit centrat de ordinul 1):
Coy = E[(X- 21x) (¥- 217) ]= =
© cocficientul de corelatie: DEPI, Curs 1. Introducere 2015,11C
Coeficientul de corelafie ne ofer’ o misuri a linearitifii dintre v.a. X si Y; cu edt pyy tinde
la +1, cu atit v.a. X'si ¥ sunt intr-o dependenté linear® (vezi figura 1.10).
x y y
*
x
*
ve
p=02 p=08
Figura 0.1, Conturuile £¢.p. constante p(x.y)Fet. penta diferite valori ale coeficientului de coretate.
0.3. Independent’, necorelare, ortogonalitate
Analizind posibila dependent statisticd dintre dowd v.a. putem spune c&:
© v.a. sunt independente daci si numai daca p(x, y) = p(x) py);
* v.a. sunt necorelate dacdi si numai daci Cy, =0;
* v.a. sunt ortogonale dacd Ry =0
Aceste relafii dintre independenta, ortogonalitatea si necorelarea v.a, sunt ilustrate in figura
urmatoare, Sageata punctat reprezinta o relatie condifionata, iar sigeata continu’ reprezinti o
relatie de dependent necondifionata i adevaratd fntotdeauna.
distribuyia reunita
este Gaussian’
eee
Independents |____‘ttotdeauna_ | Necorelare
“Sel pin
rmedie ae
cal putin >>
rmedie ze
Ortogonalitate
Figura 0.2, Relatile dintre definirea termenilor de independents, necorelare si ortogonalitate
Conform definifiilor de mai sus, putem observa c&:
© condifia de independen{a implica conditia de necorelare a dou via; reciproca nu este
adevarata, excepfie ficind doar cazul v.a. gaussiene;
© daca v.a, sunt independente si cel pufin una are medie zero, atunci ele sunt ortogonale:
Ry = ELXY] = ELX]-ELY] =0 DEPI, Curs 1. Introducere 2015,
0.4. Transformari de variabile aleatoare
Fie o va. Xcu fd.p. p(x) cunoscut care se aplica la intrarea unui sistem caracterizat de functia
de transfor y= g(x). Fp. py) av.a. ¥ de la iesirea sistemului se caleuleazé astfel:
© dacdi g(x) este bijectiva, monotoné, continua, derivabila atunci:
PO) = cal 3
Is leg My)
© dac& g(x) nm este bijectiva, dar ecuafia g(x) = y admite un numar finit sau cel mult
numarabil de solufii, atunci :
poe 22
A, seams
© daca g(x) nu este bijectiva si couafia g(x)=y admite un numar nenumérabil de solutii, atunci
nu existé 0 formula de calcul, Unicul mod de rezolvare consti in a evalua functia de
repartitie Fy).
0.5. Distribufii uzuale
0.5.1. Distributia gaussiand (normala) N(\1,0*)
Pentru o v.a. continua X de medie psi dispersie o”, fd.p. si functia de repartitie sunt:
Jexo( -2=8)
ano? 20°
Fo)=
4 Fe)
as
t 7 i
Figura 0.3 F.d.p. si fmetia de repartitie pentru o v.a. continua, distribuita gaussian, de medie yt si dispersie o”
Pentru 1=0, 0° =I avem distributia gaussiand unitate IV(0,1), fd.p. si funofia de repartitie fiind:
(8) mek let te DEPI, Curs 1. Introducere 2015, 1C
is
*
2 +1 0 1 2
Figura 0.4 F.d.p. si finotia de reparttie pentru o va. continua, distribuité gaussian, de medie 0 gi disperse |
0.5.2. Distributia uniforma
Pentru o v.a. continu XX, distribuiti uniform in intervalul (a,b), ab
* Valoarea medie: ty 8,
2 2
© Valoarea patraticd medie: 1, , eee,
ia: o? 02?
© Dispersia: of} = ;
P r=
PG)
x
a b
Figura A33F.dp. si functia de reparttie pentru o v.a. continu, dstribuit& uniform tn intervalul (a).
Pentru o v.a. discreta X, distribuita uniform in intervalul (a,b), a Dact xe[5,6), atunci F(x) = P(X <6) = P(X =1)+...4 P(X =5)=5/6;
+ Dact x €[6,00), atunei F(x) = P(X <6)
Tustrarea graficd a functiei de repartitie este in Figura 2.
FO)
Figura 2 Functia de reparttie pentru v.a. disereta X, reprezentath de experimentul aruncétii cu zarul ideal
Se observa ci se respect proprietiile functiei de repartitie:
> OSF(Q)S1, vx;
+ F(-0)=0 si F420) =1;
> FOG)S FO), Ym sx3
Observatie: Se poate observa c& prin derivarea funcfiei de repartitie F(x), in raport eu x,
se poate obtine fm.p. p(x), in punetele de discontinuitate ale F(x) avand impulsuri Dirac.
2, F.d.p. gaussian, medie, dispersie, entropie diferentiala [VGS99, Ex2.2]
Fie o functie definita de distributia Gaussian:
a) Sasearate ch f(x) poate fio fdp. aunei va. X
b) S& se calculeze media si dispersia v.a. X;
Rezolvare
a) Spunem c&é f(x) este o functie de doi parametri 41 si c. Pentru ca functia f(x) sd fie
fid.p., aceasta trebuie si indeplineased conditiile:
© sifie pozitiva, f(x) 20.
* stiverifice condijia de normare [ /()ax
Pentru prima condifie, intrucdt funcfia este de tip exponential, valorile sunt intotdeauna
pozitive.
10 DEPI, Curs 1, Introducere 2015, 1C
Verificarca condifiei de normare a f.d.p. inseamna calculul integralei:
(ow ow?
1 1 2
e —s oe
Locnd= Cae 20 de aig Le 28 be.
Facdnd schimbarea de variabilé t= ~—, rezulta oa:
wa
[p@ar ae ere a- Ff. dt.
Pentru a verifica condifia de normare, vom calcula integrala Gauss:
T= flew de.
Pentru aceasta vom caleula ?, adica:
Ps feta fet ay= PP [eC deay.
Facdnd transformarea din coordonate carteziene in coordonate polare:
Gy) > (7,8),
unde;
re [0,+00)
unde ‘
6- ertn( 2 9 (0,2
x
Pentru cantittile dvdy se realizeaza transformarea:
dxdy > Jdrd®,
unde Jacobianul transformarii de schimbare a variabilelor este:
ax Be
|r 86} _|cos@ -rsin@|
g=| 8 eos? 0-+rsin?
ly 8y| [sind cos
sr 80
Integrala devine:
lo
P=[ Petrarde= [e"rar [*ao= ange
Ts [LePdeave
de unde:
Deci
[ear se leta 1 fe=i
Deci putem afirma c& f(x) poate fi fid.p. p(x)= f(x) a unei v.a. X, distribuiti Gaussian,
de medie p si dispersie 6” (vezi Figura 3). Din conditia de normare rezulté c& aria
graficului este constantd, variafia functie de dispersia 6” fiind ilustrata in figura.
i DEPI, Curs 1. Introducere 2015, 1C
o,<5,
Figura3Fidp, pentru va, continu, distibuita gaussian, de mediep 5 dispesie
b) Media v.a. este data de:
by = [sper = fo a
wr
xoH
we rezulta:
y= (n+ we) oe eo Dat
= We feta +04 [lietar
Prima integrald este integrala Gauss, iar a doua integral, fiind 0 funcfie imparii de ¢, este
uli, Deci:
Facdnd schimbarea de variabila ¢
12 DEPI, Curs 1. Introducere 2015,
3. Redresare monoalternanti, f.d.p. [VGS99, Ex4.4]
Tensiunea la bornele de intrare ale unui etaj redresor poate fi modelata ca o v.a, X, distributes
normal, cu medie zero si dispersie o”, p(x) =5v(0, 07). Tensiunea obinuti in uma
redresirii ideale monoalternanta se modeleaza prin v.a. ¥.
Sa se calouleze fd.p. a lui ¥.
Rezolvare
Funetia de transformare realizata de circuitul de redresare monoalternanti (0 dioda ou
caracteristica ideala) este (vezi Figura 4):
g:R>[0,-), g(x) -{
x x20
0, x<0"
g(x)
Figura 4 Functia g(x).
Functia g(x) nu este bijectiva, iar ecuatia y= g(x), cu x <0, admite un numér infinit de
solufii, astfel c& singura metodi de calcul a fid.p. a Ini ¥ este de a determina functia de
repartitie F,(y) = PU < y)
Observatie: Deoarece avem dout v.a, o si folosim un indice la functia de repartitie: J,(x)
pentru v.a.X si F,(y) pentru v.a. ¥.
Pentru graficul din Figura 4, aver mai multe cazuri:
+ Daca y<0, atunci F,(y) = PW <0)=0, deoarece y= g(x)>0.
- Dacd y=0, atunci FO)= PU S0) = PU =0)= PS 0)= FO) 4
~ Dacd y>0, atunci F,(y) = P(Y < y)= P(X < x). Deoarece functia de transformare este
liniara, adicd y= g(x) = x, reulta ca:
Fy) = P(X $x) = P(X s y)= Fy, (y).
Observatie: Daca functia de transfer a sistemului ar fi fost y = g(x) = x’, atunci x= vy
si P(X O F(x)cux>0, y>0
Fp. py), ava. ¥de la iesirea sistemului, va fi derivata finetiei de repartitie F(y):
13 DEPI, Curs 1. Introducere 2015, 1C
0, y<0
pQ)=} 0.580), y=0
FO curso, y>0
dx
Derivata functiei de repartitie F(x), a v.a. X, este chiar fd.p. p(x). Deci:
0, y0, y>0 pee
oie 779
Iustrarea grafic a metodei de caleu! este in figura de mai jos.
Pix)
x
*
0 0
Figura 5 F.dop. si funcjia de repartfie pentru v.a. X, de la intrarea redresorului.
PV)
1
= 30
78
0 0
Figura 6 F.d.p. si functia de repartiie pentru v.a. ¥, de la iesirea redresorului. DEPI, Curs 2. Procese aleatoare. Medii statistice 2015, CE
Capitolul 1. Procese aleatoare
i, clasificari
Conceptul de semnal include, prin definiie, orice marime fizied dependent de variabila timp. Prin
variafia sa in timp, semnalul realizeazi transmitere de informatie.
Natura informatiei transmise este specifica tipului de semnal (de exemplu unda acusticd, unda
seismic, unda electromagnetica), fiind independenta de variabila timp.
Cantitatea de informatie confinuta de semnal si transmis prin propagarea sa este dependent de
caracterul aleator al semnalului. In aceasta definitie sunt incluse, atét semnalele purtatoare de
informatie utila, edt $i perturbatiile care reprezinti semnale nedorite. Din definitie nu sunt excluse
nici semnalele condifionat deterministe, care desi au o variafie in timp dupa legi cunoscute, pot
avea parametri cu un caracter aleator, deci pot fi in acest caz purtitoare de informatie.
Caracteristica comunk a tuturor acestor semnale purtitoare de informatie este faptul od sunt
aleatoare, fiind procese care se desfigoara in timp si fiind guvemate de legi probabilistice.
1.1.1. Definirea proceselor aleatoare
Din punct de vedere matematic, semnelele aleatoare pot fi modelate prin procese aleatoare (p.2.),
ceea ce permite descrierea semnalelor in termenii unor parametri statistici.
{In desorierea unui experiment probabilistic este convenabil si géndim in termenii spatiului
esantioanelor. Fiecare rezultat al unui experiment este asociat cu un esantion, Totalitatea
esantioanelor corespunzatoare tuturor stitilor posibile ale experimentului este denumit spariul
esantioanelor.
Un proces aleator poate fi definit ca 0 functie de dows variabile:
X(@,):0xR>X
unde:
© wia valori in spafiul esantioanelor Q;
© reste variabila timp si ia valori in multimea numerelor reale R.
Pentru o realizare particulara =, a experimentului probabilistic,
XO) =4O
este 0 functie de timp particulara, denumit rraiectorie / realizare particulardt / funcfie esantion a
pa, X(@,/). Mulfimea tuturor traiectoriilor formeaz spafiul traiectoriilor. Astfel, un p.a. va putea
fi reprezentat ca o transformare de la spafiul esantioanelor la spatiul traiectoriilor, vezi Fig. 1.1.
Pentru o valoare particulars ¢ = 1, 2 momentului de observare a procesului aleator,
XO.) =XG)=%,
este 0 variabila aleatoare (v.a.). , DEPI, Curs 2. Procese aleatoare. Medii statistice 2015, 11 C, E
Pentru simplificarea notafiilor,
pa. X(@,1) il vom nota X(t), iat realizarea particular’ x,(1) 0
‘vom nota x(1).
Spafiul esanticanelor
Spatial treiectoriilor
Q
+ Mo) =O
° X@rxt)=n()
2 X@wi) =
Va. Va.
oy
@
Pa, 2
Xo.)
O%
Fig, 1.2. Hustrarea unui p.a. ca un ansamblu de traiectorii
Procesul aleator X(#) poate fi definit ca:
© unansamblu de realizari particulere x, (9):
FO =(H09.X 1.0 XO)
={ 40, 4O. 4 40,
© secvenft indexata de v.a. X,, definite la momentele de observare f:
XO={XO,1), X(t, Dee K(f )po}
XOXO). XQ}
HEX Kay oe Xe DEPI, Curs 2. Procese aleatoare. Medii statistice 2015, 1 C, E
impreuni cu o functie de probabilitate care atribuie céte 0 probabilitate oricdrui eveniment asociat
cu o observatie asupra unei funcfii esantion din ansamblul ce defineste p.a.
1.1.2. Clasificarea proceselor aleatoare
Dupi domeniul de definitie al variabilei de timp f, un proces poate fi definit ca (vezi Figura 1.3):
© proces aleator (p.a.), daca / apartine unui domeniu continun de valori,
XO={XGODa{X}. btieR
© serie aleatoare (s.2.), dac& ¢ aparfine unui domeniu discret de valori:
Xn] ={X(#T,,,8)} = {X,}, 2= 01,2...
Vom nota p.a, X(f) prin seeventa de v.a. {X,},., sau cchivalent {X;;teT}, unde multimea de
indecsi Treprezinta o mulfime de valori continue (¢€ R.) sau de valori intregi (¢€ Z).
Dupé alfabetul x, al v.a, X,, obfinuta prin observarea procesului X(¢) la momentul ¢,, definim:
© p.a. continun (p.a.c.) sau s.a. continua (s.a.¢.) daca alfabetul X, este infinit;
© paa. discret (p.a.d.) sau s.a. diseretii (s.a.d.) dacd alfabetul xX, este finit,
Tabel 1. Clasificarea proceselor aleatoare
ane ‘Amplitudinea Notatii
7 continua discret
Proces aleator | omy | Pa-continuu in | Pa diseretin | XO={XG.8}=(%},
(p.a.) amplitudine | amplitudine btpieR
Serivaleatoare | g:.c.oy | St-continuain | S.a.diseretain | XUH)={XO7..B}=(X,},
(s.a.) ae amplitudine | amplitudine n=0,1,2,...
4 HO Ax)
ae t a t
ft > >
@pac.
aun]
Ae MII See
Pe farer amanda an tre Tee
@sac. (sad.
Figura 1.3. Exemple de traiectorii pentru semnale aleatoare: p.a. continuu (a), pa discret (b),
8.a. continu (c) sis.a. discret& (¢). DEPI, Curs 2. Procese aleatoare. Medii statistice 2015, 1C,E
1.2. Caracterizarea statistic a proceselor aleatoare
1.2.1, Valori medii statistice pentru procese aleatoare
12.1.1, Caracterizarea procesului aleator in termenii distributiei de ordinul 1
Considerim un p.a, continu in timp si continun in amplitudine, proces descris de un ansamblu
indexat de v.a. X()={X(4),X (4)... X(t, Dre}
Pentru 0 v.a, continua X(1,)=X, observata la momentul de timp 1, se defineste fimeyia de
repattitie de ordinul 1:
FQ)= P(X, Sx),
jar £d.p. de ordinul 1, daca exista, prin:
dF)
: p=
Valorile medii statistice mumite si valori medii pe ansamblu se calculeaza pe ansamblul v.a. ce
ezulti din observarea procesului la momente de timp alese arbitrat f,tyy.-0f.:-.
Operatorul de mediere statistie#, notat E[ - ] sau ~ , se poate defini pentru:
© procese continue:
* procese discrete
fiind un operator liniar:
© aditivitate:
¥+¥;
© omogenitate:
aX =aX.
in termenii distributiei de ordinul 1, se pot defini urmatoarele valorile medii statistice:
* valoarea medie (momentul de ordin 1):
Het) = XG) =X,
* valoarea pitratied medie (momentul de ordin 2)
Hae G=X*G)
* dispersia (momentul centrat de ordinul 2):
7
S86) =(40)-¥@) =(4-¥) =m eG) wee).
Aceste valori medii statistice permit caracterizarea complet a semnalului aleator, din punct de
vedere statistic, pentru orice moment de timp.
Pentru un p.a, continuu avem:
=, = JxpGaar, DEPI, Curs 2. Procese aleatoare. Medii statistice 2015, 1C, EB
Hay @)= 420) =X7 = fx" paar.
12.
Caracterizarea procesului aleator in termenii distributiei de ordinul 2
Pentru doud va. X(f,)=%, si X()=Xp, observate la momentele de timp f, si f,, se defineste
functia de repartitie de ordinul 2:
F332) = POS, $4. Xa $%) >
si fid.p. reunit& de ordinul 2:
GF (4%)
ym) = ae)
PO »%) exon,
in termenii distributiei de ordinul 2, se pot defini urmatoarele valorile medii statistice:
functia de autocorelatie:
Relish) =XOXG
© functia de autocovarianta:
Cyl) =(XG)-X@))(XG)-¥)
FRG) Gye)
Kika
‘X, X)(% -%)
12. de ordinul 2
Caracterizarea procesului aleator in termenii distribut
{In majoritatea aplicatiilor, caracterizarea procesului X(t) cu ajutorul valorilor medii de ordinul 1
si 2 (medie, functie de autocorelatie, etc.) este suficienti. Dar, exist’ si aplicafii mai speciale
(wecerea semnalelor aleatoare prin sisteme neliniare) in care este necesara folosirea valorilor medii
de ordin superior (irei, patru, etc.) pentru a realiza caracterizéri ce nu pot fi obfinute folosind
matimile de ordin inferior. in cazul sistemelor nefiniare, ordimul densitifilor de probabilitate si a
momentelor necesare va depinde numai de tipul sistemului considerat.
Evident, cu cat ordinul valorilor medii este mai mare, cu atat descrierea semnalului este mai
completa, dar, pe de alta parte, acestea sunt mai greu de estimat in mod practic.
Daca vem si realizim o caracterizare a p.a. X(t) completi din punct de vedere statistic, trebuie si
precizim valorile medii pe ansamblul secvenfei indexate de v.a. {X,,X,...,X,}, in functie de
funfia de repartitie n-dimensional:
Fm (X, $4, X, $m
respectiv in functie de f.d.p. reunita n-dimensionala:
BE aX poeees%y)
rary, ...08,
KX, Sq)
PO 2Xpaeee9%_) =
Dacii p.a. este reprezentat de 0 secveniti de v.a. X, independent distribuite (i.d.), fd.p. reunitti de
ordinul poate fi exprimat’ in termenii f.d.p. de ordinul 1:
PC» % 900098) = PR)PC) >» PC)»
Altfel, procesul este caracterizat de o familie de fid.p. de ordinul 1, {p(), 20).
PE}. DEPI, Curs 2. Procese aleatoare. Medii statistice 2015, 1C, EB
Daca v.a. X, sunt independent si identic distribuite (ii.d.), atunci:
PU p5--0,) = p(x)",
unde p(x) reprezinti fp. de ordinul 1 a p.a. X().
1.2.2, Valori medii statistice pentru perechi de procese aleatoare
Fie doud procese i.i.d., definite pe acelasi spafiu Q al esantioanelor @, X(@,t) =X (0), respectiv
Y(@,)=Y(), ce sunt observate la momentele de timp 4 si t,, rezulténd v.a. XG)=X,
XG)=%,, M)=¥ si VH)=¥,
Procesele sunt caracterizate de functia de repartitie reunita:
FQy) = PU, Sh Sy),
side £d.p, reunita a celor doud p.a., respectiv de fim.p. reunitd a celor dou s.a.:
OGY)
axdy
Pentru perechea de p.a. X(f) si ¥() evaluate la momentele de timp 1, Sit, se pot defini
urmatoarele valori medii statistice, tn termenii distributiei reunite de ordinu! 2:
¢ functiile de corelatie mutuala:
Riot) =XG@QMG) = XH
Ru bots) =¥Q)XG) = Way -
Corelatiile celor dou procese aleatoare X(t) si ¥(¢) pot fi scrise convenabil sub forma unei
matrici de corelatie:
PO Y)=
Ret) eel
neisr[en Relat)
Pentru doug p.a. continue avem:
Rerlhsts) = Aah = J fay ple, y)dedy
Rxlln)=¥%a= | [yx (x, »)dvee
© functiile de covariant mutuali:
= Rey (boty) Mya G)by (ts
Rye st) Par Gh)
Matricea de covariant asociatd perechii de p.a. X(V) si ¥(0) este:
Colle) Corot)
CGA) =| “0? :
ie Estes Cot)
1.2.3. Procese stationare
(Cand avem de-a face cu p.a. aplrute in lumea reala, de multe ori gisim c& descrierea statisticd a
P.a. este independent’ de momentul de timp la care incepe observarea procesului, Un astfel de
Proces este denumit stationar. fn general vorbind, un proces stafionar rezulta dintr-un fenomen
fizic stabil. Altfel, procesul este denumit ca fiind nestationar. DEPI, Curs 2, Procese aleatoare. Medii statistice 2015, 1C,E
Considerim un pa. X(0) descris de ansamblul indexat de va. X(4)X(h)--.XC,)
considerate la momentele de timp f,,f,5-+.s6, +
Funofia de repartitie asociata acestui set de v.a. este:
F (Xps2pacva%pitaotar-ooatn) = P(XG) Sa X(G) Spe XG) SH)
iar £d.p. de ordinul n este:
TFG
Orde, Or,
Schimbfnd momentele de observare cu o cantitate fix t, objinem un nou set de v.a.
XG +0,X(h+2),...5.X(E, +2) considerate la momentele de timp (,+1,4,+1,...5f, +t. Functia
de repartifie asociata acestui set de v.a. este:
F (xaXpseeeo%yity POL tT ovialy Ht) = P(X #9) SH HCG +9) S%s-- XG, +) 8%)
iar £d.p de ordinul n se noteazl p(x,.%)..05% 54 +l +Tyeeealy 4)
© Unpa. X(0) este denumit stationar in sens strict (s.s.s.) sau stationar tare daca seturile
de va, XIX heen XU) i XG HD, KU +1) XU, +1), observate la momentele
de timp fyhyuast, $1 FG + of, +7 au aceeasi fd.p. de ordin n, pentru orice
diferenfa de timp t, pentru orice ordin n si pentru toate posibilititile de alegere ale
momentelor de observare fysfyseyly?
PR Xasee%pStistyser-aly) = PO % fq 4)-
Astfel, putem spune c& pentru un p.a. X(#) stationar in sens strict, fd.p. p(%,,%)5---5%,)
respectiv flunctia de repartitie F(xj,,,....%,) de orice ordin n, sunt invariante in timp,
POs Xay-ee%pilalarerenly) = ate)
Sih hh +
© Unpa. X(0) este denumit stationar de ordinul 1 (s.0.1) daca fd.p. de ordinul 1 nu depind
de timp:
Ph) = PRrSh, PO it) = PO)-
© Unpa. X(*) este denumit stationar de ordinul 2 (.0.2) daci fd.p. de ordinul 2 depind
doar de diferenfa dintre dou momente de observare:
PR X,3tist))= PO pxst AGE AD = PO .%/06 0), Wit)
© Unp.a. X(¢) este denumit stationar in sens larg (s.s..) sau stafionar slab daca
Cao consecinta a relatiilor de mai sus rezulté c
¢ valoarea medie, valoarea pitraticé medie si dispersia sunt constante in timp, Ws,
Hy) = Bays
Baal) = Haars
oe) = 9%
© funofiile de autocorelatie si de autocovarianté depind doar de diferenta dintre momentele de
observare, Vti,t,:
Rell = RG) = RO
CG = RG = ReCO-kir
Daca este indepliniti numai prima condifie, atunci p.a. este stationar in medic. Daci este
satisfticut numai a doua condifie, atunei p.2. este stationar in autocorelay
fn Figura 1.4 sunt prezentate relafiile dintre formele diferite de stationaritate. Ségeata continu
descrie o implicare necoditionata, iar sigeata punctatd descrie o relajie condifionati. Procesele
7 DEPI, Curs 2. Procese aleatoare, Medii statistice 2015, 0 C,E
stafionare in sens strict sunt stafionare si in sens larg, dar reciproca nu este intotdeauna adevarati
Exceptie face procesul normal (gaussian) care este stafionar in sens larg, fiind complet descris de
momentele de ordin 1 si 2 si care, in consecinga, este gi stationar in sens strict.
Stationrtate
in sens larg,
‘ /
Stationaritate Stationaritate ‘Stationaritate ‘Stafionaritate Stationaritate
tneensstict [> de ordinnn> 2 de ordin2 deordin 1 inmate
Figura 1.4, Relatile dintre cdteva forme de stationaritate,
proces Gaussian
1.2.4. Independent’ statistici, necorelare, ortogonalitate
Fie doud p.a. continue X(t) si ¥(4) definite pe acelasi spatiu al esantioanelor:
* procesele sunt independente statistic dacd f.d.p. reuniti de ordinul 2 poate fi exprimat ca
produsul a doua f.d.p. de ordinul 1: p(x,y) = p(x)- p(y),
* procesele sunt dependente statistic daca p(x, y) # p(x)p(y)
* procesele sunt necorelate dact si numai dac# Cyy(f,.f,)=0, pentru orice 4 # (5
* procesele sunt ortogomale dac& Ry (f,,t,) =0, pentra otice ff,
istributia reunita
este Gaussiana
Independents |__mtotdeauna sf Necorelare
-“%el putin o
medie zero.
cel putin o>.
medie zero
Ortogonalitate
Fig, 1x. Relatiile dintre independent, necorelare si ortogonalitate.
Observatii:
© Independenta statistica implic necorelarea:
Rerlbiste) = | fay plas »dady = [ap adr: [yd = the) Hay),
Cyr ists) = Rey sts)~ by yr) =0.
Reciproca nu este adevarati, deoarece necorelarea indic& lipsa unei legituri intre valorile
medii ale celor doua semnale.
* Daca cel putin unul din cele dou procese are valoarea medie nul’, necorelarea implica si
proprietatea de ortogonalitate:
Cor Gist.) = Res Gala) —Bh vty)
Realist) =e Gy G) >
Rerltv)=0 DEPI, Curs 3. Procese aleatoare. Medi temporale 2015, 1C, E
1.3. Caraeterizarea temporal a proceselor aleatoare
Valorile medii statistice ale unui p.a. sunt calculate pe ansamblul tuturor realizarilor particulare ale
procesului. Desi sunt foarte utile, in multe aplicafii practice ele nu pot fi cunoscute si de aceea
‘yrem si le estimiim pornind de la cunoasterea unei singure realizari particulare a procesului.
Astfel, vom evalua valorile medi temporale pentru fiecare din realizarile particulare x,(t) ce
definesc p.a. X(t) sau pentru realizaile particulare x,[7] ce definese sa. X{].
Operatorul de mediere temporali, notat ~ sau B,-], este definit pentru:
© unpa X(0:
+ B+ ]=limt fied
eee
© 08a. X{n]:
- ee
+ sE[-]= oe
‘L+]=fina 24,
Observati
4. Dacit realizisile particulare ale p.a. X(f) sunt definite pentru momente pozitive de timp (de
exemplu semnale aleatoare cauzale), operatorul de mediere se va aplica de la 0 la Tin cazul
p.a., respectiv de la 0 la Nin cazul sia.
2, Daca realizirile particulare ale p.a. X(¢) sunt periodice (de exemplu semnale sinusoidale cu
amplitudine aleatoare) atunci analiza se va face pe o singura perioada.
3. Dacii realizirile particulare ale p.a. X(¢) sunt neperiodice si de durat finit& analiza se va face
pe toaté durata realizarii particulare, iar limita din operatorul de mediere nu se va mai aplica.
1.3.1. Valori medii temporale pentru procese aleatoare
Pentru o realizare particular’ x,(¢) a unui pa. X(¢) se definese urmatoarele valori medi
temporale:
© valoarea medic (momentul de ordin 1):
coy
ieee
, m (b= %,()= ims J (oa
Aceasta reprezinti componenta continua a semnalului.
© valoarea pitraticd medie (momentul de ordin 2):
Tm
m=O =lime f x8(Odt
aed 72
Aceasta reprezinté puterea medie a semnalului evaluata pe o sarcina unitate.
‘© dispersia (momentul centrat de ordinul 2)
mix®=(,0-20) »
ce reprezinti puterea medie normalizatii a realizarii particulare (0),
© funetia de autocorelatic
Reo =RGFORG Olina J (4-4) 6,40) DEPI, Curs 3. Procese aleatoare. Medii temporale 2015, CE
e functia de autocovarianta:
= (4G 40-4.) +9-m,)
1
= lime J (4G +0—m,¢B)(mG +0-m ede
Pentru dowd p.a. X(0) si ¥(O), definite pe acelasi spafiu al esantioanelor gi pentru care se cunose
doud realizari particulare x,(f) si y4(t), se pot defini:
© functia de corelatic mutual:
Lm
ling J H+ O% Ch +dt
Reva (hh) = G+ YylG +0
¢ functia de covariant’ mutual:
Carat) = (2444), e)-(9il +) my) =
:
=lind Jles,+— Mm.) (010 +9-my ae i
7
Mediile temporale depind de realizarea particulard aleas’ prin parametrul k.
1.3.2. Valori medii temporale pentru serii aleatoare
Daci semnalul aleator este definit doar la momente discrete de timp, in formulele anterioare se
fnlocuieste indicele reR prin indicele n€Z, ou condifia ca 1,=nT,,, unde T,, reprezinti
perioada de esantionare a semnalului continuu in timp (intervalul de timp dintre doua esentioane).
Operafia de integrare se inlocuieste cu operafia de adunare, iar durata 7'a semnalului se inlocuieste
cu numarul +1 de esantioane.
Pentru o realizere particularé x,{7] a unei sa. X{n] se definese urmatoarele valori medi
temporale:
* Valoarea medie:
Low
mW alel= lima 2, wld.
e Valoarea pitratici medie:
we
ba ary
=Hbl= fing 2 sll:
mx
© Funefin de autocorelatie:
1 @
— +nJx [n+].
Han ale dab
Ry glory] = xr t nln tm,
© Funfia de autocovarianti tempo
Cyl.) =(x,l2+ 2], 0) (x [1+ m]-™ (0)
pi
atin ¥ (alr )—m(bo)(le+m 1m)
tim i DEPI, Curs 3. Procese aleatoare. Medii temporale 2015, 1C,E
1.3.3. Stationaritate temporali
Valorile medii temporale ale unui process X(f) nu depinde de originea de timp, dar depind de
taiectoria particulara x(t) pe care se face medierea, astfel c8 se pot modela ca v.a,
Pentru un p.a. X(¢) stafionar:
© valoarea medie temporala (componenta continua) nu depinde de realizarea particular’
x (0:
my (K) = hy
© funcfia de autocorelatic temporalé a realizétii particulare x,(1) nu depinde de originea de
timp, ci numai de diferenta t= 4 ~f,
Rea ote
Ryglo-t) = Ry ()-
1.3.4, Ergodicitate
Un pa. este ergodic de ordinul j daca valorile medii temporale pant la ordinul j sunt independente
de alegerea realizirilor particulare x, (¢) pe care se face medierea.
Altfel spus, un p.a. ergodic are proprietatea ci valorile medi statistice sunt egale cu valorile
medii femporale.
Un proces este ergodic in medie daci media temporal m, y tinde la media statistic& 1,
BG) = Xs ty =e =H = ml»
Egalitatea de mai sus trebuie infeleasd fn sensul convergenfei in probabilitate:
fim {lm ¢—Bye|0.
In aceste condifii, tratand valoarea medie 1, , a procesului ca o v.a, dispersia acesteia tinde Ia 0
daci momentul de observare /, tinde la infinit:
Jim Var[ 1,» ]=0.
Un proces este ergodic in functia de autocorelatie daci functia de autocorelatie temporala
Ryg(lyf) Bu depinde de originea de timp, ci numai de diferenta t= 1, ~f, dintre momentele de
observare: si tinde la functia de autocorelatie statistical:
Reel) = Rye @ = Re
Reh).
‘Analog, funcfia de autocorelatie a procesului se poate trata ca 0 v.a., dispersia acesteia tinzand la 0:
var[ y(t) ]=0.
1. In practica, ergodicitatea in medie si ergodicitatea in functia de autocorelatie sunt
suficiente.
2. Utilizarea ecuatiilor de mai sus pentru a calcula mediile p1,.(4) si Ry,(t) impun ca
procesul X(#) si fie stafionar. Deci, pentru ca un p.a. sii fie ergodic acesta trebuie si fie mai
{ntdi stafionar; reciproca nu este intotdeauna adevarata,
3. in cazul proceselor ergodice, utilizénd termenul de valoare medie ne vom referi atat la
valorile medi statistice cat si la valorile medii temporale, DEPI, Curs 3. Procese aleatoare. Medi temporale 2015, 1C,E
1.4. Proprietitile functiei de autocorelatie pentru procese ergodice
Pentru un p.a. ergodic X(¢), funetia de autocorelatie se poate rescrie ca fiind
Rea Rel) = XOXO,
si are urmitoarele proprietifi:
1. este 0 functie para:
Re) = Ry);
icdnd schimbarea de variabild t + rezultéi:
Ry (0) =XOXE-9 = XE-OXO = Ry (1)
Demonstratie:
2. are valoare maxima in origine:
ReO2Rr@], Ves
Demonstratie: Fie meérimea positiva E[(X(Q£X(@+0) |20.. Dezvoltand ridicarea la
‘patrat, avem:
ELA] £22[XOXE+D]+ ELM +9 ]>0,
s de unde:
2Ry(O)L2RZO => Ry (0)2|Ry(W).
3. dact X(¢) reprezint& tensiunea la bomele unui rezistor de 1 Q, atunci X*() reprezinti
puterea instantanee disipata de acel rezistor. Valoarea din origine a functiei de autocorelafie
reprezint& puterea medie disipati de rezistor, exprimati fn V/Q. sau in W:
4, pentru t->00 are loc un proces de decorelare intre X(¢) si X(¢+), valoarea functiei de
autocorelatie tinzfind catre pitratul componentei continue:
lim Rye) =H
in timp, cu atat functia de autocorelatie Ry(c) va
descreste mai rapid de Ja maximul stu R,(0), dupa cum este ilustrat in Figura 1.11
Aceasti descrestere este caracterizati de timpul de decorelare +,, definit ca diferenta
dintre dowd moment de timp la care se evalueazai funcfia de autocorelajie ce are valori sub
un anumit prag prestabilit, DEPI, Curs 3. Procese aleatoare. Medii temporale 2015, CE
Proces ce
R@) variazi ineet
/
Proces ce
variazi rapid
Fig. 1.11. tlustrarea functiei de autocorelatie pentru dow’ p.a. diferite.
6. dacd procesul este periodic, X(t)=X(t+7), atunci si functia de autocorelatie este
periodica:
Rye Ry(t+2).
Dem:
Ry(t) =X OLE) = XOXEGT HI = Ry (t+7)
Pentru dou p.a. X(f) si Y(t) stafionare in sens larg (s.s.1), funetia de corelatie mutual este
definitt de:
Ry)
Aceasta are urmatoarele proprietaji: ¥ézi Hu,
1. nueste, in general, o functie de 7;
2. mare un maxim in origine;
3. are proprietatea de simetric:
ELKore+a].
Rey )= Ry (-*)
Pentru semnale aleatoare X[v] discrete in timp gi stafionare in sens larg (s.s.l.), functia de
autocorelatie este:
Relmi]= B[Xe]X [n+ mi].
Proprietatile functiei Ry[m] sunt similare cu cele ale functiei Ry (t), doar c4 inlocuim pe t cum. DEPI, Curs 3. Procese aleatoare. Medii temporale 2015, 1C,E
1.5. Procese Markov
Unpa. X(#) reprezinti o secvenia indexata de variabile aleatoare X(6,),X Uh)s---s-X(,)» (veel fig,
1.2%) respectiv X,,.X,,....X,, ce iau valori x, pe acelasi alfabet xX.
anOXG)=H Xa)=% Hed =X
1!
Fig. 1.2.* lustrarea unui PA ca seevenfaindexati de va, X,,X,..
Procesul este caracterizat de functia densitate de probabilitate reunita n-dimensional:
Pritt, Br Maree Xp liala reveal) = Payer, Mis av 09%) = DO MX)» Wh SHS.
Observatia 1: Seoventa de via. X(h),X(t,),---X(t,) ce deserie p.a. poate fi considerati ca un
vector de v.a, de dimensiune infinité, ale cérui componente sunt ordonate temporal
t,
LEH Suh.
Observatia 2: Functia densitate de probabilitate reuniti n-dimensional ce caracterizeazit procesul
este dificil de determinat practic, dar pentru anumite cazuri particulare de procese poate fi
factorizata in termenii funcfiilor densitate de probabilitate de ordinul unu sau doi.
1.5.1. Procese aleatoare fara memorie
Dacd oricdt de apropiate ar fi momentele de observare f,f),...,4, vatiabilele aleatoare
X,,Xz..X, raman independente, procesul aleator se numeste cu memorie de ordinul zero,
fir memorie sau pur aleator si este complet desoris de f.d.p, de ordinul unu,
Condifia de independenja intre valorile succesive %,%5....%, ale va. XXyuX, se
exprima matematic in termenii functiei densitate de probabilitate condifionati n-dimensional
PCy | 9%3009% pa) = POR)
Pentru primele doud momente de observare, 4, si f,, valorile va. X,=X(b) fiind
independente de valorile va. X, = X(4), rezult&:
: Pe |4)= PC)
in acest caz, f.d.p. reunit& de ordinul doi se serie: p(x,,x,) = p(x) p(*, |) = p(%) Pp) - DEPI, Curs 3. Procese aleatoare. Medii temporale 2015, 11, E
), rezulta:
GeneralizAnd pentru o secvenfa de n v.a. independent distribuite (i.
PR» %5--5%,)= | [POs
unde x, €.X,, (239.0% JEN, XAG X..XX,, deci fd.p, de ordinul n se pot determina cunoscénd
doar fd.p. de ordinal unu.
Daci cele n v.a. X,,X;,....X, sunt independente si identic distribuite (
A), HEX,
Oita EXT, rezultl:
POH 20009%,)= DOH)”
Procesul aleator pur reprezinté 0 modelare matematica ideala gi se utilizeazi in reprezentarea
zgomotului de band’ larga.
1.5.2. Procese Markov
Consideram sirul de variabile alcatoare X,,X,,...,X,, ce reprezinta procesul X(t). Daca exist o
dependent intre v.a., procesul este complet deseris din punct de vedere statistic de f.d.p. de ordin
superior gi se numeste proces aleator eu memorie sau proces Markov.
Pentru procesul Markov de ordinul 1 sau procesul Markov simplu, valoarea x, a variabilei
aleatoare X, = X(t,) depinde de valorile precedente x, .,,-y)-+-»%,.%, observate la momentele de
timp 4, 5.4, 20---stosf, numai prin intermediul ultimei valori x,,, observati la momentul de timp
tra» deci:
PO% | ip%o-9% ni) = Ps [Fp1)
In acest caz, f.d.p. reunitii de ordinul doi se serie:
PR» %) = PR) PO 1%) +
,
Tntr-adevar, conform definit
PR »%
probabilitatii conditionate,
19%) = PM ¥aye1es Xp )PCe | ¥n4)
= POs ¥as009%pe2) PCat [na PCy | yar)»
= p(s [pCa Is)
unde fd.p. marginala se poate serie:
PC)= fro mda,
Procesele Markov de ordin superior se objin prin extinderea memoriei procesului, deci a
dependenfei dintre mai multe valori succesive ale variabilelor aleatoare.
1.5.2.1, Lanturi Markov
[SPIO Anexa2 DEPI, Curs 3. Procese aleatoare. Medii temporale 2015, 1C,E
1.6. Exemple uzuale de procese aleatoare
Jn acest paragraf sunt prezentate o serie de procese aleatoare “elementare”, care servesc ca
exemple utile de modelare a unor fenomene aleatoare simple. Modele mai complexe si mai
aproape de realitate se pot obtine prin aplicarea unor operafii liniare sau neliniare (adunare,
multiplicare, ridicare la ptrat, integrare, derivare) asupra modelelor de procese aleatoare simple.
1.6.1. Procesul pur aleator
Un proces pur aleator 17(+), continu in timp, stafionar in sens larg (s..1), de medie ty =0 si
dispersie of, este caracterizat de funcfia de autocorelafie (vezi Fig. 1):
TOWED
Ry iy 8(t)
unde 8(t) este funcfia impuls unitate (funcfia Dirac):
8)=0, #0,
‘ce Indeplineste conditia de normare: f” 8(z)dt=1.
By)
op8(1)
0
Figura 3.6. Funefia de autocorelatie a procesului pur aleator.
Proprietiti:
1, Valoarea medie este nul:
ar () = £[ 0] = lim JRE) =0= Hy.
2, Doua esantioane diferite sunt necorelate:
pentru t#0.
in plus, daca procesul pur aleator are distributie gaussian, atunci cele doua esantioane sunt
si independente statistic.
3. Puterea procesului va fi egal cu corelatia unui esantion cu el insusi:
By = Ry(0)= Sy
1.6.2. Procesul Gaussian
Un pa. X(0) este gaussian daci seovenfa indexata de va. X,,Xy,...2, sunt v.a. gaussiene
reunite pentru orice alegere a momentelor de timp de observare (,5fy...sf, $i orice n.
Fie un p.a, gaussian pentru care stim san putem afla valoarea medie 1, (f) si funcfia de
autocovatiatie Cy(4,f,)- In aceste condifii, functiile densitate de probabilitate (fd.p.) de ordine
diferite se pot defini astfel:
© Fp. de ordinul 1: DEPI, Curs 3. Procese aleatoare. Medii temporale 2015, 1C,B
= 1 _ =O)" Ox
Pe) eet 2Cy() } i
© Fp. de ordinul 2, definita pentru dous v.a. X(4) =X, si X()=%5:
l 1
PRO) = PX, o9(-Se-w'e'a-»), (0.2)
2nJ|C| 2
unde:
% BiG) oe Cy lbysts)
Selenetge , c= ; (03)
[?] t bes Cellist) Celt)
fn Figura 3.1 sunt ilustrate grafic fp. reunite, pentru doui v.a. X,, %,, avand dispersiile
6%, 0%, si coeficientul de corelatic p= Seu)
oyo%,
PQs)
a)p=0 b) p=-08
Figura 3.1 F.dp, reunith de ordinul 2 pentru un p.a. gaussian, pentru: a) p=0, b) p=-0.8.
Daca procesul gaussian este stafionar in sens larg (s.l.), atunci fd.p. de ordinul 1 si 2, date de
Ecuatiile (0.1) si (0.2), pot fi scrise in termenii valorii medii 1, si a functiei de autocovariatie
CO:
L y
2p he? (0.4
i Elen" 2C,(0) } au
1 1 -
PAX) = PO» % aaa’ ‘e-w). (0.5)
unde:
Ts] fel esl GO GG-0) a
‘ [*} " [mI i Ere C0) I: on
© Fp de ordinul n:
PO3)= pls oe eggea(-pe-werenn), 1)
unde: DEPI, Curs 3. Procese aleatoare. Medii temporale 2015, 1, E
x Ha
x=]"], pel" | ce , (0.8)
*, Bax
"vbst,) = E[(X, ~ Hy, WX) Hy, i Vis 9)
Ex. L. Stationaritatea unui proces Gaussian
Fie o va. X distribuiti gaussian, de medie p: si variangi o? (notam N(u,o”)) (vezi Figura
14)
Figura 1.5. Funcfia densitate de probabilitate
pentru distributia Gaussiand,
7
Demonstrati c& orice moment de ordin > 2 poate fi scris numai fn functie de p gio”.
Momentele de ordin n, pot fi scrise astfel:
Hy O=E[X"O]= fx"pede.
Explicitind pentru n=1,5, obfinem:
EU=4;
BU] = 0 +40 a
BUC] =3p07 +p"; oe
ELX*]=30! +60" +p";
ELX"]=15p0* +10p'o? +p.
1.6.
Proprietiitile procesului Gaussian
Fie un pa. gaussian X(t), deseris de f'd.p. de ordinul n, vezi Ecuatia (0.7) si de valorile medii date
de Ecuatiile (0.8) si (0.9). Acesta are urmatoarele proprietafi:
1. Daca p.a. gaussian este s.s.L, atunci procesul este si s.s.s.
2. Dack va, X,,X;...X, sunt necorelate, atunci ele sunt independente statistic (id.) iar
matricea de autocovariatie C din Eenafia (0.8) este o matrice diagonal de forma:
o 0 0
2
c=] 9 fp pevot= a(x, -2[%)))} ban, (@.10)
00+ @
aviind determinantul:
lc] [o? =o%03.. bere (0.11)
in aceste conditii, fd.p. gaussian reuniti de ordin » ce caracterizeaza setul de v.a.
XX yyy VET Bouatia (3.7), se poate scrie ca produsul f.d.p. ale v.a. individuale:
10 DEPI, Curs 3. Procese aleatoare. Medii temporale 2015, 11C, EB
(0.12)
3, Seeventii gaussian’ Dacd v.a.X\,X;,....X,, sunt independente statistic si, in plus, sunt gi
distribuite identie (i.i.d.), adic& p(x) = po) (x,) = p(x), vezi Figura 3.2, cu mediile
de ordin 1 si dispersiile egale, 1, 6, =o, atunci
determinantul matticii de covariafie este:
(Cle ]]o? =o", (0.13)
iar relatia (0.12) se scrie simplificat:
(2—p?
exp| —=— PY | (0.14)
myo" of 20°
Daca fd.p. p(x) este o distributie gaussiand normalizata, p(x) ~ (0,1), atunci:
1 re
= -2l=9@, 0.15
PX) "| 3 (0,0), (0.15)
unde 0 este matricea nula si I este matricea unitate, ambele de dimensiuni nxn.
Mi-Xn
p)=[] 5) = p'@= Tere
APG) — 4 PCR) aPC)
Figura 32. Proces gaussian i.id., descris de aceeasi fp. de ordinul 1 pentru diferite momente de timp fy
4, Integrala unui p.a. gaussian, pe un interval de timp dat, este tot o v.a. gaussiand.
5, Procesul definit printr-o integrala dintr-un p.a. gaussian pe intervalul (c0,¢), ou ¢ variind de la
co Ia © este tot un p.a. gaussian:
u DEPI, Curs 3. Procese aleatoare. Medii temporale 2015, CE
YO= [xo pentru -0|S|— |< hI
Ce
Figura 33. Evidentierea momentelor de apart i a diferenfelor de timp
Procesul de sosire este folosit pentru a modela sistemele care implicd aparitia unor evenimente la
momente aleatoare de timp, de exemplu:
© aparitia unui pachet de date,
aparitia unui cumpardtor in piag’,
dezintegrare radioactiva,
defectiunile aleatoare ale unui echipament,
electronii emisi de catodul unui tub electronic,
zgomotul de alice,
numarul de e-mailuri primite,
efectul descircarii fulgerelor intr-un radioreceptor,
semnale radar reflectate de picaturi de ploaie, etc..
Fie variabila aleatoare:
(0.17)
ce reprezinté timpul dintre al (i-1)-lea eveniment gi al #lea eveniment. Secvenfa de v.a. ordonate
{t,,ty--st,-f={t,} reprezinti un proces aleator ce este denumit proces de asteptare
(.interarrival process”). Daca v.a, 1, sunt independente $i identic distribuite (i.id.), atunci {z,}
este denumit proces de reinoire (renewal process”).
Un proces aleator X(f), ¢2 0, este denumit proces de numérare (,,counting process”) dach X(0)
reprezinti numirul total de evenimente care apar in intervalul de timp (0,4). Astfel, un proces de
numarare X (0) are proprietifile:
1. X@eN cu X()=0;
2 XG)SX(h) dock 4 <4;
3. X(t,)—X() reprezinti numarul de evenimente care au aparut in intervalul de timp (4,f,).
in Figura 3.4. este ilustrat o realizare particulara pentru un proces de numarare.
x
hh tals
Figura 3.4 realizare particulard a procesului de numirare X(@.
Un proces de numérare X(¢) este denumit cu incremente sau cresteri independente dacd numérul
de evenimente care apar in dova intervale de timp disjuncte sunt independente, Acest lucru denotd
13 DEPI, Curs 3. Procese aleatoare. Medii temporale 2015, 1, E
caracterul de proces rt memorie, Un proces de numirare X(¢) este denumit cu incremente
stafionare dacd numérul de aparitii X(,)-X(4) din intervalul ((,.f,) are aceeasi distributie ca
numarul de aparitii X(¢,+1)—X(, +0) din intervalul (+44, +1), pentra f, 0.
Din Figura 3.4 se poate observa c4 procesul de numarare se poate scrie ca o sumé de funcfii
treapti unitate u(t), vezi Anexa 4, deplasate cu momentele de aparitie a evenimentelor:
x@2Sut-1) (0.18)
Un proces de numérare X(f) este denumit proces Poisson cu raté (sau intensitate) 2, 2>0, daca
sunt indeplinite conditiile:
1. X(#) are incremente independente;
2, Numérul 1 de evenimente care apar intr-un interval de timp [4,,t,+7], de lungime 7, are
distributie Poisson, de medie AT:
P((X(,+7)-X()) =
(0.19)
XO
fats
nh 6 fs Cn)
Figura 3.4. O realizare particulara a procesului Poisson X().
In aceste condifii, un proces Poisson are proprietitile:
1. Continuitate, Procesul Poisson este definit ca un proces continuu in timp. Varianta sa discret
in timp este data de procesul Bernoulli,
2. Valorile medii statistice ale procesului Poisson X(¢) sunt date de:
MQ =ar, (0.20)
oO =ar (0.21)
Funetia de autocorelatic statistic’ a procesului Poisson este:
Ryltoh)=Mhh +Amin(h,b), Vt 20. (0.22)
3. Numérul mediu de aparitii dintr-un interval oarecare [f,,4, +7] este:
= Lire @=ar, (0.23)
astfel c pentru un interval de timp de lungime T=1, de exemplu intervalul unitate (0,1),
num&rul de aparifii este chiar 2 (de aici mumele de rata sau intensitate).
4, Intervalul de timp +, dintre aparitii are o distributie exponential’:
p)=re™, (0.24)
4 DEPI, Curs 3. Procese aleatoare. Medii temporale 2015, IC, E
valoarea medie find data de:
- + 1
= et (0.25)
t F PO => (0.25)
5. Stationaritate. Procesul Poisson ar fi un proces ergodic dac& ar incepe la ¢=-00. in aceste
condifii, el va aproxima un proces gaussian dac& un numar mare de impulsuri se suprapun,
6. Suma a doua procese Poisson independente este tot un proces Poisson. Fie X,(0) si X,(0)
oui procese Poisson independente de rate 2, si A. Atunci procesul X(¢) = X,()+X,(0) este
tot un proces Poisson de ratii A= A, +2, vezi Figura 3.5,
2 KO :
eee sed fare veces esacas fas bal see Feeeey
440 7
||
.
X= XO+X 0 eee
Hh,
t poet
Po
Figura 3.5 Suma a dou’ procese Poisson este tot un proces Poisson.
7. Un proces Poisson poate fi descompus in alte douii procese Poisson. Orice proces Poisson
X(O), de rata, se poate descompune in dowd procese Poisson X,(t) de ratii 2, = pA si X,(0)
de rat 2 =(I- p)A, cu p€(0,1) (descompunere Bernoulli), de exemplu, prin aruncarea cu
bbanul gi alegerea momentelor de timp pare gi impare,
1.6.4. Procesul Wiener
Un pa. X(¢), £20, este denumit proces Wiener de parametru o*, dacd sunt indeplinite
condifiile:
1 X=
2. X(t) are incremente independente si stationare;
3. incrementul X(4)-X(4), cut
You might also like
- The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good LifeFrom EverandThe Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good LifeRating: 4 out of 5 stars4/5 (5814)
- The Gifts of Imperfection: Let Go of Who You Think You're Supposed to Be and Embrace Who You AreFrom EverandThe Gifts of Imperfection: Let Go of Who You Think You're Supposed to Be and Embrace Who You AreRating: 4 out of 5 stars4/5 (1092)
- Never Split the Difference: Negotiating As If Your Life Depended On ItFrom EverandNever Split the Difference: Negotiating As If Your Life Depended On ItRating: 4.5 out of 5 stars4.5/5 (844)
- Grit: The Power of Passion and PerseveranceFrom EverandGrit: The Power of Passion and PerseveranceRating: 4 out of 5 stars4/5 (590)
- Hidden Figures: The American Dream and the Untold Story of the Black Women Mathematicians Who Helped Win the Space RaceFrom EverandHidden Figures: The American Dream and the Untold Story of the Black Women Mathematicians Who Helped Win the Space RaceRating: 4 out of 5 stars4/5 (897)
- Shoe Dog: A Memoir by the Creator of NikeFrom EverandShoe Dog: A Memoir by the Creator of NikeRating: 4.5 out of 5 stars4.5/5 (540)
- The Hard Thing About Hard Things: Building a Business When There Are No Easy AnswersFrom EverandThe Hard Thing About Hard Things: Building a Business When There Are No Easy AnswersRating: 4.5 out of 5 stars4.5/5 (348)
- Elon Musk: Tesla, SpaceX, and the Quest for a Fantastic FutureFrom EverandElon Musk: Tesla, SpaceX, and the Quest for a Fantastic FutureRating: 4.5 out of 5 stars4.5/5 (474)
- Her Body and Other Parties: StoriesFrom EverandHer Body and Other Parties: StoriesRating: 4 out of 5 stars4/5 (822)
- The Emperor of All Maladies: A Biography of CancerFrom EverandThe Emperor of All Maladies: A Biography of CancerRating: 4.5 out of 5 stars4.5/5 (271)
- The Sympathizer: A Novel (Pulitzer Prize for Fiction)From EverandThe Sympathizer: A Novel (Pulitzer Prize for Fiction)Rating: 4.5 out of 5 stars4.5/5 (122)
- The Little Book of Hygge: Danish Secrets to Happy LivingFrom EverandThe Little Book of Hygge: Danish Secrets to Happy LivingRating: 3.5 out of 5 stars3.5/5 (401)
- The World Is Flat 3.0: A Brief History of the Twenty-first CenturyFrom EverandThe World Is Flat 3.0: A Brief History of the Twenty-first CenturyRating: 3.5 out of 5 stars3.5/5 (2259)
- The Yellow House: A Memoir (2019 National Book Award Winner)From EverandThe Yellow House: A Memoir (2019 National Book Award Winner)Rating: 4 out of 5 stars4/5 (98)
- Devil in the Grove: Thurgood Marshall, the Groveland Boys, and the Dawn of a New AmericaFrom EverandDevil in the Grove: Thurgood Marshall, the Groveland Boys, and the Dawn of a New AmericaRating: 4.5 out of 5 stars4.5/5 (266)
- A Heartbreaking Work Of Staggering Genius: A Memoir Based on a True StoryFrom EverandA Heartbreaking Work Of Staggering Genius: A Memoir Based on a True StoryRating: 3.5 out of 5 stars3.5/5 (231)
- Team of Rivals: The Political Genius of Abraham LincolnFrom EverandTeam of Rivals: The Political Genius of Abraham LincolnRating: 4.5 out of 5 stars4.5/5 (234)
- On Fire: The (Burning) Case for a Green New DealFrom EverandOn Fire: The (Burning) Case for a Green New DealRating: 4 out of 5 stars4/5 (74)
- The Unwinding: An Inner History of the New AmericaFrom EverandThe Unwinding: An Inner History of the New AmericaRating: 4 out of 5 stars4/5 (45)
