Kovarian vs Autokorelasi


12

Saya mencoba mencari tahu apakah ada hubungan langsung antara konsep-konsep ini. Secara ketat dari definisi, mereka tampaknya konsep yang berbeda secara umum. Semakin saya memikirkannya, semakin saya pikir mereka sangat mirip.

Misalkan menjadi vektor acak WSS. Kovarians, , diberikan oleh C X Y = E [ ( X - μ x ) ( Y - μ y ) H ] di mana H adalah singkatan dari Hermitian dari vektor.X,YCXY

CXY=E[(Xμx)(Yμy)H]
H

Biarkan Z menjadi vektor acak WSS. Fungsi autokorelasi, RXX , diberikan oleh

RZZ(τ)=E[(Z(n)μz)(Z(n+τ)μz)H]

Sunting Catatan Ada koreksi pada definisi ini seperti yang diterapkan pada pemrosesan sinyal, lihat Jawaban Matt di bawah ini.

Kovarians tidak melibatkan konsep waktu, ia mengasumsikan setiap elemen dari vektor acak adalah realisasi yang berbeda dari beberapa generator acak. Autokorelasi mengasumsikan vektor acak adalah evolusi waktu dari beberapa generator acak awal. Namun pada akhirnya, keduanya adalah entitas matematika yang sama, urutan angka. Jika Anda membiarkan X=Y=Z , maka muncul

CXY=RZZ
Apakah ada sesuatu yang lebih halus yang saya lewatkan?


RZZ(τ)

Jawaban:


12

Z(n)Z(n+τ)

Sebagai tambahan, dalam pemrosesan sinyal, autokorelasi biasanya didefinisikan sebagai

RXX(t1,t2)=E{X(t1)X(t2)}

yaitu, tanpa mengurangi mean. Autocovariance diberikan oleh

CXX(t1,t2)=E{[X(t1)μX(t1)][X(t2)μX(t2)]}

Dua fungsi ini dihubungkan oleh

CXX(t1,t2)=RXX(t1,t2)μX(t1)μX(t2)

τ

@ PhilMacKay: Tentu, tapi itu hanya berfungsi untuk proses WSS. Saya memberikan definisi untuk kasus umum, di mana proses tidak selalu stasioner.
Matt L.

Ya memang proses non-stasioner dapat mengganggu untuk analisis data, itulah sebabnya saya selalu mencoba untuk men-tren data sebelum menggunakan alat statistik tercinta saya! Itu tidak selalu memungkinkan, meskipun ...
PhilMacKay

0

τZ(n)Z(n+τ)RZZ(τ)τR+CXY

X=Y=Zτ=0RZZ(τ)

Dalam pengalaman pribadi saya (astrofisika, berbagai pemrosesan sensor), kovarians digunakan sebagai koefisien untuk memeriksa kesamaan dua set data, sedangkan autokorelasi digunakan untuk menandai jarak korelasi, yaitu, seberapa cepat suatu data berevolusi menjadi data lain. sepenuhnya.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.