Menghancurkan sebelum menghitung autokorelasi, dengan adanya noise, lebih rendah daripada menghitung autokorelasi menggunakan dataset lengkap. Asumsikan bahwa sinyal yang menarik tertanam dalam white noise. Vektor terdiri dari sampel dari proses acak diskrit. Fungsi autokorelasi vektor adalah:x[n],n=0,1,...,N−1x[n]
Ax[k]=1N−k∑i=0N−1−kx[i]x[i+k]
Artinya, adalah kelambatan yang digunakan untuk perhitungan autokorelasi. Dalam skenario yang Anda usulkan, Anda menghilangkan keluaran fungsi autokorelasi dengan faktor (yaitu Anda hanya menghitung fungsi untuk kelambatan ) dan membandingkan hasilnya dengan fungsi autokorelasi dihancurkan dengan faktor yang sama . Biarkan menjadi urutan yang dihilangkan; fungsi autokorelasi adalah:kD0,D,2D,...x[n]Dxd[n]
Axd[k]=DN−k∑i=0N−1−kDx[iD]x[(i+k)D]
(untuk kesederhanaan di sini, saya berasumsi bahwa adalah faktor dalam persamaan di atas)DN
Permintaan Anda dapat ditulis sebagai:
Ax[kD]≈?Axd[k]
1N−kD∑i=0N−1−kDx[i]x[i+kD]≈?DN−k∑i=0N−1−kDx[iD]x[(i+k)D]
Melihat ini secara kualitatif, penjumlahan di sisi kiri memiliki lebih banyak istilah daripada rekannya di sisi kanan. Jika adalah stasioner orde kedua, maka nilai yang diharapkan dari setiap istilah dalam setiap jumlah adalah sama; tindakan rata-rata beberapa sampel yang memiliki nilai yang diharapkan sama meningkatkan rasio sinyal terhadap noise. Dinyatakan sedikit berbeda, Anda dapat menganggap istilah dalam setiap jumlah sebagai sampel dari proses acak baru:x[n]
y[n]=x[n]x[n+kD]
Karena noise yang ada dalam adalah putih, nilai yang diharapkan dari adalah autokorelasi sebenarnya dari sinyal yang menarik pada lag . Karenanya, kami ingin memperkirakan secara akurat nilai yang diharapkan dari . Metode kami untuk melakukannya adalah dengan menghitung rata-rata sampel; dapat dengan mudah diperlihatkan bahwa varians dalam penduga rata-rata sampel berkurang dengan ukuran sampel yang lebih besar, konvergen ke nilai aktual yang diharapkan karena jumlah sampel cenderung .x[n]y[n]kDy[n]∞
Jadi, jika ada white noise hadir dalam sinyal (yang sering terjadi), Anda akan mendapatkan perkiraan yang lebih baik dari statistik orde dua sinyal yang mendasarinya dengan menggunakan ukuran sampel yang lebih besar dalam perhitungan (ini mungkin terdengar secara intuitif jelas). Dalam konteks dua pendekatan Anda, ini dicapai dengan menggunakan sinyal penuh, tidak-dihancurkan dalam perhitungan autokorelasi dan menebangi sesudahnya (yaitu hanya menghitung hasil untuk nilai lag tertentu).