Programul de Masterat IISC – Curs PASD 1

ANALIZA SPECTRALA A SEMNALELOR

Introducere
Metodele de prelucrare numerica a semnalelor realizeaza transformerea unui
semnal intr-un alt semnal, care este mai convenabil dintr-un anumit punct de
vedere. Una dintre transformarile cele mai utilizate in practica este transformarea
spectrala. Reprezentarea semnalelor in domeniul frecventa ofera deseori informatii
utile, care nu pot fi observate intr-o reprezentare temporala. De exemplu, daca
exista indicii ca intr-un semnal exista componente sinusoidale, atunci este mai
avantajos ca semnalul sa fie reprezentat in frecventa, unde aceste componente apar
ca linii spectrale. De mentionat ca prin “analiza spectrala” se intelege o larga
varietate de masuratori si metode de investigare. O definitie posibila a domeniului
poate fi “o masuratoare care da exact sau aproximativ transformata z a semnalului
discret la anumite valori ale variabilei z”.
Prin calculul sau masurarea spectrului se obtine distributia amplitudinilor, a
fazei, a puterii sau a energiei semnalului, in functie de frecventa.
Exista multe domenii in care prelucrarea semnalelor presupune masurarea
sau estimari ale diferitelor spectre:
 Prelucrarea semnalului vocal pentru recunoasterea vorbirii, reducerea
benzii semnalului, s.a.;
 Analiza complexa a semnalelor acustice in sistemele sonar, pentru
identificarea pozitiei navelor, submarinelor sau a altor obiecte subacvatice;
 Analiza semnalelor radar pentru identificarea tintelor sau pentru
determinarea vitezei acestora;
 analiza datelor meteo si a celor obtinute prin teledetectie;
 prelucrarea semnalelor medicale (electroencefalograme, electrocardio-
grame, analiza raspunsului la stimuli, s.a.) pentru detectarea diferitelor
maladii;
Programul de Masterat IISC – Curs PASD 2
 sistemele de telecomunicatii;
 sistemele de masura, de comanda si de reglare;

Dezvoltarea unei teorii cuprinzatoare pentru analiza spectrala este dificil de

facut datorita faptului ca, aproape toate masuratorile sunt efectuate pe baza unor
observatii de durata limitata, iar durata observatiilor este determinata pe baza
intuitiei sau a experientei. De exemplu, “spectrul” semnalului vocal depinde
puternic de parametrul timp; cu toate acestea spectrul pe termen scurt al semnalului
vocal este una dintre cele mai folosite masuratori in multe aplicatii.
Ne vom referi in continuare la analiza spectrala a semnalelor discrete. Vor fi
prezentate conceptele de baza ale analizei spectrului, principiile si metodele de
estimare si de analiza a spectrului in domeniul frecventa, limitarile si dificultatile
care apar, in special in cazul metodelor neparametrice, proprietatile ferestrelor
pentru date, preprocesarea datelor si criteriile de alegere a functiei fereastra pentru
date.

1. Reprezentari spectrale ale semnalelor

1.1. Spectre de amplitudine
Spectrele de amplitudine sunt rezultatul dezvoltarii in serie Fourier a
functiilor semnal periodice sau a transformarii Fourier a semnalelor neperiodice.
Evaluarea analitica a spectrelor de amplitudine este posibila daca este data
expresia functiei semnal. Datorita idealizarilor folosite in calcul sunt necesare
anumite corectii, pentru eliminarea efectelor de deformare a spectrului real.
De mentionat ca ansamblul functie semnal-functie spectrala constituie o
unitate dialectica care exprima in forme diferite evolutia aceluiasi proces fizic.
Echivalenta dintre cele doua reprezentari este data de teorema lui Parceval. Daca
spectrele de amplitudine sunt evaluate cu ajutorul transformatei Fourier se obtin
spectre de densitate de amplitudine. In cazul semnalelor periodice, prin folosirea
transformatei Fourier rezulta spectre de amplitudine propriu-zise.
Programul de Masterat IISC – Curs PASD 3

1.1.1. Spectrele de amplitudine ale semnalelor periodice

Fie semnalul continuu, periodic, x(t), de perioada T, si X(k)- functia spectru
Fourier a acestuia ( este frecventa componentei spectrale fundamentale). Legatura
dintre cele doua reprezentari este data de relatiile:

T
1 2
X ( k )   x (t )e  2jkt dt , k  Z (1)
T T 2


x (t )   X ( k )e  
k  
2 jk t
(2)

Relatia (2) constituie reprezentarea sub forma de serie Fourier a semnalului x(t), in
care coeficientii reprezentarii sunt valorile X(k). Functia spectru depinde de
frecventa, si are valori pentru frecventele pozitive si negative. In practica se
foloseste deseori spectrul semnalelor fizic realizabile, definit numai pentru
frecvente pozitive.
Functia spectru Fourier este o marime complexa, la care poate fi pus in
evidenta modulul si argumentul:

X (k )  X (k ) e j k (3)

unde: X (k)  Ak2  Bk2 este modulul si  k  arctg( Bk Ak ) - argumentul,

iar

T
1 2
T  T
A0  x ( t ) dt - este valoarea medie (componenta continua) a lui x(t),
2

(4)
Programul de Masterat IISC – Curs PASD 4
T
2
2
Ak 
T 
T
x (t )cos(2kt )dt , k Z (5)
2

T
2
2
Bk 
T 
T
x (t )sin(2kt )dt , k Z (6)
2

Observatii:
 Spectrul semnalului periodic are un caracter discret, fiind constituit dintr-o
suma infinita de componente de frecvente distincte, repartizate simetric fata de
originea axei frecventelor. In practica, din totalitatea liniilor spectrale, doar
componenta continua (k = 0) si primele 20  30 de armonice au valori
semnificative. Frecventa 1 = 2 corespunde componentei fundamentale, iar
frecventele celoralalte componente sunt in relatie armonica, k = 2k, k  Z .
 Dezvoltarea in serie Fourier se prezinta sub doua forme:

-unilaterala, in care se evalueaza doar componentele de frecventa pozitiva;

-bilaterala, in care se evalueaza atit componentele de frecventa pozitiva cit

si cele de frecventa negativa.
Suma din relatia (2) include si componentele de frecventa negativa. Aceste
componente nu au o semnificatie fizica, ci doar una strict matematica. In
consecinta, amplitudinea corecta (masurabila) a componentelor de frecventa
pozitiva este dublul valorii calculata cu relatia (1).

1.1.2. Spectrele de amplitudine ale semnalelor continue neperiodice

Pe baza reprezentarii Fourier a a semnalelor periodice pote fi definita si o
reprezentare in domeniul frecventa a semnalelor neperiodice. Daca perioada T a
semnalului periodic x(t) tinde catre infinit, semnalul capata un caracter aperiodic.
Cind T creste, distanta dintre componentele spectrale (1/T) scade. Aceasta
Programul de Masterat IISC – Curs PASD 5
corespunde transformarii variabilei frecventa discreta k intr-o variabila continua,
iar amplitudinea si faza reprezentarii spectrale devin functii continue.
Atunci semnalul aperiodic exprimat prin functia continua in timp x(t),
x (t )  L1 (R ) , de energie finita



 x (t ) dt  
2
(7)


are spectrul de amplitudini este dat de transformata Fourier


 j 2t
X ( )   x (t )e dt (8)


Semnalul temporal x(t) poate fi reconstituit cu ajutorul transformatei inverse:


j 2t
x (t )   X ( )e d (9)


x(t) si X() sunt perechi Fourier: x(t)  X(). Spectrul X() este o functie continua
in frecventa si este, in general, o marime complexa

X ( )  X ( ) e j ( ) (10)

Daca semnalul x(t) este exprimat in unitati de tensiune, functia spectru

Fourier este reprezentata in Volti x (Hertzi)-1 . De aceea X ( ) este denumita
densitatea spectrala de amplitudine.
Programul de Masterat IISC – Curs PASD 6

Transformata Fourier data de relatia (8) exprima faptul ca pentru a afla X() la o
frecventa particulara  = 0 este necesara cunoasterea in intregime a desfasurarii
procesului fizic in evolutia temporala. Din aceasta evolutie, printr-un proces de
filtrare cu rezolutie fina, se poate obtine linia spectrala de o anumita frecventa.
Avind in vedere ca, practic semnalul x(t) este cunoscut intr-un interval finit, de
lungime T, nu se poate obtine o rezolutie mai buna de 1/T. In cazul transformarii
inverse, pentru determinarea valorii semnalului x(t) la un moment dat, t = t0 ,
este necesara cunoasterea spectrului pentru toate frecventele. Printr-un proces de
filtrare fina, similar cu cel efectuat la transformarea directa, rezulta x(t0).
Teorema lui Parceval, exprima legatura dintre cele doua reprezentari:

 

 x (t )  X ( ) d
2 2
dt 
 

si arata ca energia semnalului x(t) poate fi calculata atit in reprezentarea temporala

cit si din reprezentarea sa frecventiala.
In practica se foloseste si notiunea de densitate spectrala de energie care
este definita astfel:

W ( )  X ( )
2
(11)

Daca X ( ) este densitatea spectrala de amplitudini, X ( ) este exprimata

2

in unitati (volti)2(hertzi)-2. Deoarece puterea efectiva normata (puterea disipata pe o

rezistenta de 1) este exprimata in (volti)2, echivalent cu (Joule)(sec)-1 sau

(Joule)(hertz), atunci X ( )
2
este exprimata in (Joule)(hertz)-1, ceea ce justifica
denumirea de densitate spectrala de energie.
Programul de Masterat IISC – Curs PASD 7
Conditiile de existenta a transformatei Fourier sunt satisfacute de semnalele
fizic realizabile. Deci, unui semnal fizic dat i se poate asocia spectrul Fourier, X(),
care poate fi determinat analitic sau experimental.

1.1.3. Reprezentarea spectrala a semnalelor discrete

1.1.3.1. Spectrul semnalelor de energie finita
Un semnal discret in timp este reprezentat printr-o secventa de numere: x(n),
  n   . Cel mai frecvent semnalul discret este obtinut prin esantionarea unui
semnal continuu x(t), cu pasul constant T (in continuare, pentru simplificarea
relatiilor, se va considera T=1 ). Daca semnalul este de energie finita

 2

 x ( n)  ,
n 

prin analogie cu cazul semnalelor continue se defineste transformata Fourier pentru

timp discret directa (TFDt)*1 si transformata inversa (TFDtI) cu relatiile


X (e j
)  x(n)e  jn - TFDt (12a)
n 


1 j
x ( n)   X (e )e jn d - TFDtI (12b)
2 

Expresia (12b) reprezinta o relatie de sinteza, deoarece permite

reprezentarea secventei x(n) ca o superpozitie de sinusoide complexe infinit mici,
de forma:

1 j
 X (e ) d
2

1
*) In literatura transformata Fourier pentru timp discret este denumita simplu, transformata Fourier
Programul de Masterat IISC – Curs PASD 8

cu  situat intr-un interval de lungime 2, iar X (e j ) reprezentind amplitudinea

acestor sinusoide. Cu toate ca in relatia (12b) a fost ales intervalul [-,], se poate
alege orice interval de lungime 2. Transforamata Fourier a secventei, reprezentata
de expresia (12a) constituie o relatie de analiza deoarece indica cit de multe
componente spectrale sunt necesare pentru sinteza semnalului x(n), folosind relatia
(12b).
TFDt este o functie continua in frecventa si constituie instrumentul pentru
reprezentarea secventelor aperiodice. TFDt si TFDtI stabilesc legatura intre
domeniul timp discret si domeniul frecventa continua.
Prin analogie cu cazul semnalelor continue, marimea

2
W (e j )  X (e j ) (13)

exprima distributia de energie a semnalului discret in functie de frecventa si se

numeste densitate spectrala de energie.
Deoarece x(nT) = x(t)t=nT este posibil sa se stabileasca legatura intre
spectrul semnalului continuu, Xa(j), si spectrul semnalului esantionat, X(ej)

1  2
X (e j )  
T k  
X a ( j  j
T
k)

Daca semnalul analogic are banda limitata la    , atunci

T

1
X (e j )  X a ( j)
T

Prin urmare spectrul semnalului discret in intervalul   [-,] este acelasi cu

spectrul semnalului analogic (cu exceptia factorului de multiplicare 1/T). Daca
Programul de Masterat IISC – Curs PASD 9
spectrul semnalului analogic nu are banda limitata la intervalul [   ,  ] apare
T T
fenomenul de aliere (aliasing).
In sistemele de calcul numerice evaluarea spectrului se face in puncte
discrete pe axa frecventelor. De aceea este necesar sa fie definita si o transformata
Fourier discreta in frecventa.
Pentru un semnal discret de energie finita, reprezentat printr-o secventa de
perioada N, xp(n), n = 0, 1, 2,...,N-1, transformata Fourier discreta (TFD) este

N 1
X p ( k )  T  x p (n)W nk -TFD (14)
n0

unde W  e  j 2 / N . Parametrul T reprezinta perioada de esantionare temporala, iar

NT = T0 este durata secventei temporale. Xp(k) (sau Xp(k0) este o secventa
complexa in domeniul frecventa, unde 0 este frecventa primei componente
armonice data de relatia 0=2/NT. s = 2/T =N0 este frecventa de esantinare.
Secventa Xp(k) este de asemenea o secventa periodica, cu perioada N. Deci TFD
asociaza unei secvente temporale periodice o secventa periodica a coeficientilor
transformatei, de perioada tot N. Deci TFD este o transformata discreta atit in timp
cit si in frecventa.
Secventa temporala xp(n) se obtine cu ajutorul transformatei Fourier discrete
inversa (TFDI)

N 1
1
x p ( n) 
NT
 X p ( k )W nk -TFDI (15)
k 0
Programul de Masterat IISC – Curs PASD 10

x(nT)

nT
0
T0 NT

X(k0)

0

0 N0 k0

s

Fig. 1

Deseori, pentru simplificare, in relatiile (14) si (15) se considera T = 1.

Pentru evaluarea TFD si a TFDI sunt disponibili algoritmi eficienti de calcul
denumiti algoritmi de transformare Fourier rapida (TFR).

1.1.3.2. Reprezentari spectrale ale semnalelor de energie

infinita
Reprezentarile anterioare au fost definite pentru semnale deterministe,
respectiv pentru semnale la care valorile esantioanelor sunt detrminate in mod unic
de o expresie matematica, printr-un set de valori sau pe baza unei anumite legi. In
practica, multe procese genereaza semnale complexe, care nu pot fi descrise
matematic exact. In astfel de situatii este mai convenabila modelarea
Programul de Masterat IISC – Curs PASD 11

semnalului ca un proces aleator (stohastic). De exemplu, multe efecte legate de

implementarea algoritmilor pentru prelucrarea digitala a semnalelor in aritmetica
cu precizie finita pot fi reprezentate sub forma unui zgomot aditiv, deci printr-o
secventa aleatoare. Multe semnale biomedicale pot fi modelate ca semnale
aleatoare. De asemenea semnalele vocale, diverse zgomote si vibratii care apar in
sistemele mecanice, semnalele seismice, etc., sunt tot atitea exemple de semnale
care pot fi mai adecvat reprezentate ca semnale aleatoare.
Carcterizarea matematica a acestui tip de semnale este efectuata cu ajutorul
mediilor. Deoarece semnalele aleatoare nu sunt absolut sumabile si nici patratic
sumabile ele sunt considerate de energie infinita. Pentru reprezentarea matematica
a unui semnal discret {xn}*, de energie infinita, acesta poate fi considerat a fi o
realizare a unui proces aleator, reprezentat de variabilele aleatoare xn,   n  
si de functiile de densitate de probabilitate atasate variabilelor aleatoare. Semnalele
2
discrete de energie infinita sunt disponibile, in general, sub forma unor secvente
de date de lungime finita, x(n), n = 0, 1,...,N-1. Daca se cunosc functiile densitate
de probabilitate corespunzatoare procesului aleator, pentru   n   , nu
inseamna ca se pot determina valorile semnalului discret in afara intervalului de
observare n = 0, 1, ...,N-1. In schimb pot fi determinate anumite valori medii ale
procesului care servesc pentru caracterizarea statistica a semnalului discret de
energie infinita.
Pentru un proces aleator {xn } pot fi definite urmatoarele valori medii, care
au o importanta particulara in prelucrarea digitala a semnalelor

-Media statistica mxn  E[ x n ]   x n( i ) p( x n( i ) ) n (16)

i

Daca procesul aleator este stationar valoarea medie nu depinde de parametrul timp.
Pentru procese stationare media va fi notata cu mx.

2
*) Pentru a reprezenta un proces aleator se poate folosi una din urmatoarele notatii {xn}, {x(n)}, xn, x(n). Pentru a
evita eventualele confuzii se va preciza cind aceste notatii reprezinta intreg procesul aleator sau o realizare
particulara a sa
Programul de Masterat IISC – Curs PASD 12

N
1
-Media temporala  x n   lim  xn
N  2 N  1 n  N
(17)

Daca procesul aleator este ergodic mediile date de relatia (17) sunt constante in
sensul ca, mediile de timp ale tuturor esantioanelor de secvente posibile sunt egale
cu aceeasi valoare. Mai mult, aceasta medie este egala cu media statistica (pe
ansamblul realizarilor procesului). Prin urmare, pentru oricare secventa particulara
de esantioane a unui proces ergodic, {xn},   n   , se poate scrie

N
1
mx   x n   E[ x n ]  lim  xn
N  2 N  1 n  N
(18)

Cu toate ca pentru un semnal aleator nu exista transformata Fourier (cu

anumite exceptii), secventele de autocovariatie si de autocorelatie sunt secvente
aperiodice, pentru care exista deseori transformatele z si Fourier.

Secventa de autocovariatie este definita de relatia

c xx (k )  E[(x n  m x )(x n  k  m x )  ] (19)

unde (*) reprezinta conjugatul complex, iar secventa de autocorelatie este


rxx (k )  E[ x n x n  k ] (20)

Un proces aleator este stationar in sens larg (WSS - Wide-Sense Stationary)

daca momentele de ordinul intii si doi sunt invariante la deplasarile in timp, prin
urmare:

- Ex(k )  Ex(k  m), k

- Ex(k  n) x(k  m)  Ex(n) x(m), k

Programul de Masterat IISC – Curs PASD 13

Prin urmare, pentru un proces aleator WSS valoarea medie este constanta:

Ex(k )  

Deoarece momentele de ordinul doi sunt invariante la deplasarile in timp ele pou fi
caracterizate de secventele de autocorelatie unidimensionale date de relatia (22).
In cazul unui proces aleator ergodic, este posibil sa se determine media si
secventa de autocorelatie pe baza unei singure realizari a acestuia, prin folosirea
mediilor temporale. Deoarece aceasta realizare este data sub forma unei secvente
de durata finita, {x(n)}, n = 0, 1, 2, ..., N-1, rezulta doar posibilitatea obtinerii unor
estimatori pentru aceste marimi.
Pot fi stabilite simplu urmatoarele proprietati ale celor doua secvente:

2
c xx (k )  rxx (k )  m x (21a)

rxx (0)  E  x x  - valoarea medie patratica

2
(21b)
 

rxx (k )  rxx (k ) (21c)

c xx (k )  c xx (k ) (21d)

rxx (k )  rxx (0) (21e)

c xx (k )  c xx (0) (21f)
2
lim rxx (k )  m x (21g)
k 

lim c xx (k )  0 (21h)
k 

 x2  c xx (0) - dispersia (21i)

Aceste rezultate exprima proprietatea multor procese ca variabilele aleatoare

x(n) sa devina necorelate pentru valori mari ale lui k, cind secventa de
autocovariatie tinde sa se anuleze. Astfel este posibil ca aceste secvente sa poata fi
Programul de Masterat IISC – Curs PASD 14
deseori reprezentate prin transformatele lor z sau Fourier. Daca valoarea medie a
semnalului, mx = 0, atunci transformata Fourier a secventei de autocovariatie este
egala cu transformata Fourier a secventei de autocorelatie Transformata Fourier a
secventei de autocorelatie este notata cu


Pxx ( )   rxx (k )e  jk (22)
k  

Functia Pxx() este o functie periodica in frecventa cu perioada 2. Daca se

considera integrala pe o perioada a acestei functii rezulta

   

 Pxx ( )d   k
 
rxx (k )e  jk d  2rxx (0) (23)
 

Folosind relatiile (21a) si (21i) rezulta


1
c xx (0)     Pxx ( )d  m x
2 2
(24)
2
x


Daca mx = 0, dispersia  x2 reprezinta putere medie a secventei. Deci

suprafata cuprinsa intre graficul functiei Pxx ( ) / 2 si axa frecventelor, pentru
intervalul [-, +], este egala cu puterea medie a semnalului discret {x(n)}, cu
media nula. Din acest motiv functia Pxx() este denumita densitatea spectrala de
putere a semnalului discret. Prin urmare, densitatea spectrala de putere a
semnalului discret, stationar in sens larg, este transformata Fourier secventei de
autocorelatie (teorema Wiener-Hincin).
In cazurile practice, procesul aleator nu este determinat statistic, adica nu se
cunosc toate densitatile de probabilitate ale variabilelor aleatoare. Informatia
principala despre procesul aleator o reprezinta doar secventa de date de lungime
finita. Rezulta deci ca spectrul de putere nu poate fi determinat exact, in schimb
pot fi calculati estimatori ai acestuia.
Programul de Masterat IISC – Curs PASD 15

2. Elemente de teoria estimarii

In cazul semnalelor aleatoare, determinarea spectrului se bazeaza pe teoria
estimarii, motiv pentru care, in continuare vor fi prezentate citeva din conceptele
matematice de baza.

2.1. Estimatori. Deplasarea si dispersia estimatorului

Estimarea statistica presupune determinarea valorilor asteptate (expected)
ale marimilor statistice. Pentru a caracteriza un proces aleator este nevoie sa fie
estimati parametri ca: media, dispersia, secventele de autocovariatie si
autocorelatie, densitatea spectrala de putere, etc. Daca un semnal este modelat ca
un proces aleator, deseori este necesar sa fie estimate mediile procesului aleator pe
baza unei singure secvente temporale de esantioane, de exemplu pe o secventa
{x(n)}, de durata finita, care este o realizare particulara a procesului aleator. Daca
procesul este ergodic (ceea ce inseamna, in general, ca mediile temporale sunt
egale cu cele calculate pe ansamblul realizarilor procesului aleator), este plauzibil
calculul valorii diferitelor medii pe baza unui segment de date de durata finita
Pentru un anumit parametru statistic pot fi propusi diversi estimatori. Este
deci necesar sa fie stabilite proprietatile acestora si anumite criterii pentru a le
evalua performantele.

Exemplu. Deoarece, in general, limita din relatia (18) nu poate fi

calculata, atunci cantitatea

N 1
1
E[ x (n)]  m x 
N
 x ( n) (25)
n0

poate fi un estimator suficient de precis a lui mx , daca N creste foarte mult.

Trebuie apreciat cit de “exact” aproximeaza m
 x valoarea adevarata a mediei, mx .
Programul de Masterat IISC – Curs PASD 16
Fie secventa x(n), 0  n  N  1, din care dorim sa estimam parametrul
pe care sa-l denumim generic "  " . Estimatorul  a lui  este o functie de
variabilele aleatoare x(n)

  [ x(0), x(1),..., x( N  1)] (26)

Prin urmare, si  este o variabila aleatoare. Se noteaza cu p ( ) functia densitate
de probabilitate a lui  . Expresia si forma grafica a lui p ( ) depinde de

operatorul [ ] ales si de densitatile de probablitate ale varialelor aleatoare x(n),

ca in fig.2

p  
estimatorul 2

estimatorul 1

 
Fig. 2

Se apreciaza ca un estimator este de buna calitate daca exista o mare probabilitate

ca estimatorul sa fie mai “strins” in jurul lui . In acest context rezulta ca
estimatorul 2 din fig.1 este mai bun decit estimatorul 1, pentru ca densitatea de
probabilitate a estimatorului 2 este mai concentrata pe valoarea adevarata . O
metoda de a caracteriza concentrarea functiei densitate de probabilitate a unui
estimator foloseste notiunea de “interval de incredere” (confidence interval). De
Programul de Masterat IISC – Curs PASD 17
exemplu, pentru functia densitate de probabilitate din fig.3, aria portiunii
hasurate, pentru    2       1 , reprezinta probabilitatea ca estimatorul sa
se afle intre aceste limite. Daca se noteaza cu 1   aceasta arie rezulta ca
Prob[   2  (   )   1 ]  1  

p  

  2    1 

Fig. 3

De exemplu, daca pentru un estimator particular se gaseste ca, pentru

 1   2  0,1 , aria 1   este egala cu 0,95, se poate afirma cu probabilitatea de
95% ca estimatorul se va gasi in intervalul 0,1 din jurul valorii adevarate. In
general, pentru un estimator bun, functia densitate de probabilitate p ( ) va fi
strins concentrata in jurul valorii adevarate, si deci pot fi comparati diferiti
estimatori pe aceasta baza.

Pentru aprecierea calitatii estimatorului se definesc doi parametri:

a) Deplasarea (bias), definita de relatia

B    E[ ] (27)

unde E[ ] este media estimatorului. Un estimator nedeplasat este acela pentru
care deplasarea este zero. Aceasta arata ca valoarea asteptata a estimatorului este
Programul de Masterat IISC – Curs PASD 18
valoarea adevarata, astfel ca, daca densitatea de probabilitate p ( ) este


simetrica, centrul sau va fi situat la valoarea adevarata, .

b) Dispersia (variance) estimatorului,

var[ ]  E[(  E[ ]) 2 ]   2 (28)

Acest parametru indica largimea clopotului graficului functiei densitate de

probabilitate. O valoare mica a dispersiei arata ca densitatea de probabilitate
p ( ) este concentrata in jurul valorii sale medii, care, daca estimatorul este si
nedeplasat, este valoarea adevarata a parametrului. In multe situatii o comparatie
intre doi estimatori poate fi complicata de faptul ca unul cu o mica deplasare poate
avea o mare dispersie si invers. In consecinta uneori este convenabil sa se compare
eroarea patratica medie asociata estimatorilor, definita de relatia

e rms  E[(   )2 ]  2  B 2 (29)

Un estimator este denumit consistent daca, atunci cind numarul observatiilor

devine mare, deplasarea si dispersia sa tind impreuna catre zero. Altfel spus,
calitatea estimatorului se imbunatateste atunci cind numarul observatiilor tinde
catre infinit.