Ficha de uso

Introducción

La autocorrelación

La autocorrelación de una señal estacionaria,

φ_xx[l] = E{x[n + l] x[n]},

mide cuánto se parecen dos muestras separadas l posiciones. Es par, φ_xx[−l] = φ_xx[l]; su máximo está en l = 0, donde vale la potencia media E{x²[n]}; y si la señal tiene media μ y olvida su pasado, tiende a μ² para |l| grande. La autocovarianza es φ_xx[l] − μ².

Algunos ejemplos: el ruido blanco de media nula y varianza σ² tiene φ_xx[l] = σ²δ[l]; un ruido i.i.d. de media μ, μ² + σ²δ[l]; un AR(1) x[n] = a x[n−1] + w[n], σ_w² a|l|/(1 − a²); una sinusoide de fase aleatoria de amplitud A, (A²/2) cos(Ω₀l).

Estimarla con una realización

Si la señal es ergódica, la esperanza se sustituye por un promedio temporal sobre la única realización disponible, de N muestras. Para la separación l solo hay N − |l| productos:

Con la FFT, la suma de todos los productos cuesta O(N log N): basta rellenar con ceros hasta 2N y calcular la IDFT de |X[k]|².

Guía de uso

Ejercicios

1. Media no nula. Con el ruido N(5, 1) y N = 512, ¿cuánto vale la autocorrelación teórica en l = 0 y en l ≠ 0? ¿Qué hace cada estimador cerca de l = N?

Solución φ_xx[0] = μ² + σ² = 26 y φ_xx[l] = μ² = 25 para l ≠ 0: un pico de altura σ² sobre un pedestal μ². El sesgado decae linealmente hasta 0 (en l = 460 vale 2,6) porque se multiplica por 1 − |l|/N; el insesgado sigue en 25,3. Aquí el insesgado acierta, porque la señal varía poco alrededor de 5.

2. La uniforme de la hoja. Con U[2, 6], ¿qué valores teóricos hay en l = 0 y l ≠ 0? Compáralos con el ejercicio 2 de la hoja.

Solución E{X²} = μ² + σ² = 16 + 4/3 = 17,33 en l = 0 y μ² = 16 en l ≠ 0. Con esta realización salen 16,9 y 15,5: la media de la realización es 3,94 en lugar de 4, y ese error se multiplica en μ². Por eso suele restarse la media y estimar la autocovarianza.

3. El AR(1). Con a = 0,9 y N = 512, compara φ̂[0] y φ̂[5] con los teóricos. ¿Mejora con N = 4096? ¿Por qué el AR(1) necesita más muestras que el ruido blanco?

Solución Teóricos: 1/(1 − 0,81) = 5,26 y 5,26 · 0,9⁵ = 3,11. Con N = 512 salen 4,31 y 2,23; con N = 4096, 5,22 y 2,87. Las muestras de un AR(1) con a = 0,9 están muy correladas (tardan unas 1/(1 − a) = 10 muestras en olvidarse), así que N muestras valen como unas N(1 − a)/(1 + a) independientes, unas 27 con N = 512. Con el ruido blanco, N = 512 da φ̂[0] = 1,005.

4. Los extremos. Con el AR(1) y N = 512, mira el insesgado en las separaciones grandes. ¿Por qué oscila tanto? ¿Cuántos productos promedia en l = 460?

Solución En l = 460 solo hay 52 productos, y además están correlados entre sí: el insesgado vale −1,13 donde el teórico es 0. Su varianza crece como 1/(N − |l|). El sesgado vale −0,12: tiene sesgo, pero cerca de los extremos lo multiplica por (N − |l|)/N y lo lleva a 0. Por eso se suele usar el sesgado y mirar solo |l| ≪ N.

5. AR(1) con a negativo. Con a = −0,9, ¿cómo es φ_xx[l]? ¿Qué signo tiene en l = 5?

Solución φ_xx[l] = 5,26 (−0,9)|l|: alterna de signo. En l = 5 es negativa, −3,11 (estimada, −2,65). La señal cambia de signo casi en cada muestra: es ruido de alta frecuencia. Es el apartado c del ejercicio 13 de la hoja.

6. Una sinusoide escondida. Con la sinusoide de fase aleatoria y ruido, ¿qué se ve en la autocorrelación que no se ve en la señal? ¿Cuánto vale φ_xx[0] y por qué?

Solución φ_xx[l] = cos(0,15l) + 0,25δ[l]: el ruido solo aporta un pico en l = 0, y para l ≠ 0 queda una cosinusoide perfecta, de periodo 2π/0,15 = 42 muestras, aunque en la señal se vea ruidosa. φ_xx[0] = 1 + 0,25 = 1,25: la potencia de la sinusoide (A²/2 = 1) más la del ruido (0,5²). Así se detectan periodicidades enterradas en ruido.

Para profundizar

Relación con otros conceptos