Autocorrelación

Correlación de una señal con una copia de sí misma en diferido en el tiempo, en función del desplazamiento

Arriba: gráfico de una serie de 100 números aleatorios que ocultan una función seno . Abajo: La función seno revelada en un correlograma producido por autocorrelación.

Comparación visual de convolución, correlación cruzada y autocorrelación . Para las operaciones que involucran la función f , y suponiendo que la altura de f es 1,0, el valor del resultado en 5 puntos diferentes se indica mediante el área sombreada debajo de cada punto. Además, la simetría de f es la razón y son idénticas en este ejemplo. ${\displaystyle g*f}$ ${\displaystyle f\star g}$

La autocorrelación , a veces conocida como correlación serial en el caso del tiempo discreto , es la correlación de una señal con una copia retrasada de sí misma en función del retraso. Informalmente, es la similitud entre observaciones de una variable aleatoria en función del desfase temporal entre ellas. El análisis de autocorrelación es una herramienta matemática para encontrar patrones repetitivos, como la presencia de una señal periódica oscurecida por el ruido , o identificar la frecuencia fundamental faltante en una señal implicada por sus frecuencias armónicas . A menudo se utiliza en el procesamiento de señales para analizar funciones o series de valores, como señales en el dominio del tiempo .

Los diferentes campos de estudio definen la autocorrelación de manera diferente y no todas estas definiciones son equivalentes. En algunos campos, el término se utiliza indistintamente con autocovarianza .

Los procesos de raíz unitaria , los procesos de tendencia estacionaria , los procesos autorregresivos y los procesos de media móvil son formas específicas de procesos con autocorrelación.

Autocorrelación de procesos estocásticos.

En estadística , la autocorrelación de un proceso aleatorio real o complejo es la correlación de Pearson entre valores del proceso en diferentes momentos, en función de los dos tiempos o del desfase temporal. Sea un proceso aleatorio y cualquier momento ( puede ser un número entero para un proceso de tiempo discreto o un número real para un proceso de tiempo continuo ). Entonces es el valor (o realización ) producido por una ejecución determinada del proceso en un momento dado . Supongamos que el proceso tiene media y varianza en el tiempo , para cada uno . Entonces la definición de la función de autocorrelación entre tiempos y es ^{[1] : p.388  [2] : p.165} ${\displaystyle \left\{X_{t}\right\}}$ ${\displaystyle t}$ ${\displaystyle t}$ ${\displaystyle X_{t}}$ ${\displaystyle t}$ ${\displaystyle \mu _{t}}$ ${\displaystyle \sigma _{t}^{2}}$ ${\displaystyle t}$ ${\displaystyle t}$ ${\displaystyle t_{1}}$ ${\displaystyle t_{2}}$

donde está el operador de valor esperado y la barra representa la conjugación compleja . Tenga en cuenta que es posible que la expectativa no esté bien definida . ${\displaystyle \operatorname {E} }$

Restar la media antes de la multiplicación produce la función de autocovarianza entre tiempos y : ^{[1] : p.392  [2] : p.168} ${\displaystyle t_{1}}$ ${\displaystyle t_{2}}$

Tenga en cuenta que esta expresión no está bien definida para todas las series de tiempo o procesos, porque la media puede no existir o la varianza puede ser cero (para un proceso constante) o infinita (para procesos con distribución que carece de momentos de buen comportamiento, como ciertos tipos de ley de potencia ).

Definición de proceso estocástico estacionario de sentido amplio

Si es un proceso estacionario de sentido amplio , entonces la media y la varianza son independientes del tiempo y, además, la función de autocovarianza depende sólo del desfase entre y : la autocovarianza depende sólo de la distancia temporal entre el par de valores pero no de su posición en el tiempo. Esto implica además que la autocovarianza y la autocorrelación pueden expresarse como una función del desfase temporal, y que ésta sería una función par del desfase . Esto proporciona las formas más familiares para la función de autocorrelación ^{[1] : p.395} ${\displaystyle \left\{X_{t}\right\}}$ ${\displaystyle \mu }$ ${\displaystyle \sigma ^{2}}$ ${\displaystyle t_{1}}$ ${\displaystyle t_{2}}$ ${\displaystyle \tau =t_{2}-t_{1}}$

y la función de autocovarianza :

En particular, tenga en cuenta que

$${\displaystyle \operatorname {K} _{XX}(0)=\sigma ^{2}.}$$

Normalización

Es una práctica común en algunas disciplinas (por ejemplo, estadística y análisis de series de tiempo ) normalizar la función de autocovarianza para obtener un coeficiente de correlación de Pearson dependiente del tiempo . Sin embargo, en otras disciplinas (por ejemplo, ingeniería) la normalización suele descartarse y los términos "autocorrelación" y "autocovarianza" se utilizan indistintamente.

La definición del coeficiente de autocorrelación de un proceso estocástico es ^{[2] : p.169}

$${\displaystyle \rho _{XX}(t_{1},t_{2})={\frac {\operatorname {K} _{XX}(t_{1},t_{2})}{\sigma _{t_{1}}\sigma _{t_{2}}}}={\frac {\operatorname {E} \left[(X_{t_{1}}-\mu _{t_{1}}){\overline {(X_{t_{2}}-\mu _{t_{2}})}}\right]}{\sigma _{t_{1}}\sigma _{t_{2}}}}.}$$

Si la función está bien definida, su valor debe estar en el rango , donde 1 indica correlación perfecta y −1 indica anticorrelación perfecta . ${\displaystyle \rho _{XX}}$ ${\displaystyle [-1,1]}$

Para un proceso estacionario de sentido amplio (WSS), la definición es

$${\displaystyle \rho _{XX}(\tau )={\frac {\operatorname {K} _{XX}(\tau )}{\sigma ^{2}}}={\frac {\operatorname {E} \left[(X_{t+\tau }-\mu ){\overline {(X_{t}-\mu )}}\right]}{\sigma ^{2}}}}$$

La normalización es importante porque la interpretación de la autocorrelación como una correlación proporciona una medida sin escala de la fuerza de la dependencia estadística y porque la normalización tiene un efecto sobre las propiedades estadísticas de las autocorrelaciones estimadas.

Propiedades

Propiedad de simetría

El hecho de que la función de autocorrelación sea una función par se puede expresar como ^{[2] : p.171} ${\displaystyle \operatorname {R} _{XX}}$

$${\displaystyle \operatorname {R} _{XX}(t_{1},t_{2})={\overline {\operatorname {R} _{XX}(t_{2},t_{1})}}}$$

^{[2] : p.173}

$${\displaystyle \operatorname {R} _{XX}(\tau )={\overline {\operatorname {R} _{XX}(-\tau )}}.}$$

Máximo en cero

Para un proceso WSS: ^{[2] : p.174}

$${\displaystyle \left|\operatorname {R} _{XX}(\tau )\right|\leq \operatorname {R} _{XX}(0)}$$

${\displaystyle \operatorname {R} _{XX}(0)}$

Desigualdad de Cauchy-Schwarz

La desigualdad de Cauchy-Schwarz , desigualdad para procesos estocásticos: ^{[1] : p.392}

$${\displaystyle \left|\operatorname {R} _{XX}(t_{1},t_{2})\right|^{2}\leq \operatorname {E} \left[|X_{t_{1}}|^{2}\right]\operatorname {E} \left[|X_{t_{2}}|^{2}\right]}$$

Autocorrelación del ruido blanco.

La autocorrelación de una señal de ruido blanco de tiempo continuo tendrá un pico fuerte (representado por una función delta de Dirac ) en y será exactamente para todos los demás . ${\displaystyle \tau =0}$ ${\displaystyle 0}$ ${\displaystyle \tau }$

Teorema de Wiener-Khinchin

El teorema de Wiener-Khinchin relaciona la función de autocorrelación con la densidad espectral de potencia mediante la transformada de Fourier : ${\displaystyle \operatorname {R} _{XX}}$ ${\displaystyle S_{XX}}$

$${\displaystyle \operatorname {R} _{XX}(\tau )=\int _{-\infty }^{\infty }S_{XX}(f)e^{i2\pi f\tau }\,{\rm {d}}f}$$

$${\displaystyle S_{XX}(f)=\int _{-\infty }^{\infty }\operatorname {R} _{XX}(\tau )e^{-i2\pi f\tau }\,{\rm {d}}\tau .}$$

Para funciones de valores reales, la función de autocorrelación simétrica tiene una transformada simétrica real, por lo que el teorema de Wiener-Khinchin se puede reexpresar únicamente en términos de cosenos reales:

$${\displaystyle \operatorname {R} _{XX}(\tau )=\int _{-\infty }^{\infty }S_{XX}(f)\cos(2\pi f\tau )\,{\rm {d}}f}$$

$${\displaystyle S_{XX}(f)=\int _{-\infty }^{\infty }\operatorname {R} _{XX}(\tau )\cos(2\pi f\tau )\,{\rm {d}}\tau .}$$

Autocorrelación de vectores aleatorios.

La matriz de autocorrelación (potencialmente dependiente del tiempo) (también llamada segundo momento) de un vector aleatorio (potencialmente dependiente del tiempo) es una matriz que contiene como elementos las autocorrelaciones de todos los pares de elementos del vector aleatorio . La matriz de autocorrelación se utiliza en varios algoritmos de procesamiento de señales digitales . ${\displaystyle \mathbf {X} =(X_{1},\ldots ,X_{n})^{\rm {T}}}$ ${\displaystyle n\times n}$ ${\displaystyle \mathbf {X} }$

Para un vector aleatorio que contiene elementos aleatorios cuyo valor esperado y varianza existen, la matriz de autocorrelación se define por ^{[3] : p.190  [1] : p.334} ${\displaystyle \mathbf {X} =(X_{1},\ldots ,X_{n})^{\rm {T}}}$

donde denota la matriz transpuesta de dimensiones . ${\displaystyle {}^{\rm {T}}}$ ${\displaystyle n\times n}$

Escrito por componentes:

$${\displaystyle \operatorname {R} _{\mathbf {X} \mathbf {X} }={\begin{bmatrix}\operatorname {E} [X_{1}X_{1}]&\operatorname {E} [X_{1}X_{2}]&\cdots &\operatorname {E} [X_{1}X_{n}]\\\\\operatorname {E} [X_{2}X_{1}]&\operatorname {E} [X_{2}X_{2}]&\cdots &\operatorname {E} [X_{2}X_{n}]\\\\\vdots &\vdots &\ddots &\vdots \\\\\operatorname {E} [X_{n}X_{1}]&\operatorname {E} [X_{n}X_{2}]&\cdots &\operatorname {E} [X_{n}X_{n}]\\\\\end{bmatrix}}}$$

Si es un vector aleatorio complejo , la matriz de autocorrelación se define por ${\displaystyle \mathbf {Z} }$

$${\displaystyle \operatorname {R} _{\mathbf {Z} \mathbf {Z} }\triangleq \ \operatorname {E} [\mathbf {Z} \mathbf {Z} ^{\rm {H}}].}$$

Aquí se denota transposición hermitiana . ${\displaystyle {}^{\rm {H}}}$

Por ejemplo, si es un vector aleatorio, entonces es una matriz cuya entrada -ésima es . ${\displaystyle \mathbf {X} =\left(X_{1},X_{2},X_{3}\right)^{\rm {T}}}$ ${\displaystyle \operatorname {R} _{\mathbf {X} \mathbf {X} }}$ ${\displaystyle 3\times 3}$ ${\displaystyle (i,j)}$ ${\displaystyle \operatorname {E} [X_{i}X_{j}]}$

Propiedades de la matriz de autocorrelación.

• La matriz de autocorrelación es una matriz hermitiana para vectores aleatorios complejos y una matriz simétrica para vectores aleatorios reales. ^{[3] : pág.190}
• La matriz de autocorrelación es una matriz semidefinida positiva , ^{[3] : p.190} es decir, para un vector aleatorio real y, respectivamente, en el caso de un vector aleatorio complejo. ${\displaystyle \mathbf {a} ^{\mathrm {T} }\operatorname {R} _{\mathbf {X} \mathbf {X} }\mathbf {a} \geq 0\quad {\text{for all }}\mathbf {a} \in \mathbb {R} ^{n}}$ ${\displaystyle \mathbf {a} ^{\mathrm {H} }\operatorname {R} _{\mathbf {Z} \mathbf {Z} }\mathbf {a} \geq 0\quad {\text{for all }}\mathbf {a} \in \mathbb {C} ^{n}}$
• Todos los valores propios de la matriz de autocorrelación son reales y no negativos.
• La matriz de autocovarianza está relacionada con la matriz de autocorrelación de la siguiente manera:
  $${\displaystyle \operatorname {K} _{\mathbf {X} \mathbf {X} }=\operatorname {E} [(\mathbf {X} -\operatorname {E} [\mathbf {X} ])(\mathbf {X} -\operatorname {E} [\mathbf {X} ])^{\rm {T}}]=\operatorname {R} _{\mathbf {X} \mathbf {X} }-\operatorname {E} [\mathbf {X} ]\operatorname {E} [\mathbf {X} ]^{\rm {T}}}$$
  Respectivamente para vectores aleatorios complejos:
  $${\displaystyle \operatorname {K} _{\mathbf {Z} \mathbf {Z} }=\operatorname {E} [(\mathbf {Z} -\operatorname {E} [\mathbf {Z} ])(\mathbf {Z} -\operatorname {E} [\mathbf {Z} ])^{\rm {H}}]=\operatorname {R} _{\mathbf {Z} \mathbf {Z} }-\operatorname {E} [\mathbf {Z} ]\operatorname {E} [\mathbf {Z} ]^{\rm {H}}}$$

Autocorrelación de señales deterministas.

En el procesamiento de señales , la definición anterior se utiliza a menudo sin la normalización, es decir, sin restar la media y dividir por la varianza. Cuando la función de autocorrelación se normaliza por media y varianza, a veces se la denomina coeficiente de autocorrelación ^[4] o función de autocovarianza.

Autocorrelación de señal de tiempo continuo.

Dada una señal , la autocorrelación continua se define con mayor frecuencia como la integral de correlación cruzada continua consigo misma, en retraso . ^{[1] : p.411} ${\displaystyle f(t)}$ ${\displaystyle R_{ff}(\tau )}$ ${\displaystyle f(t)}$ ${\displaystyle \tau }$

donde representa el conjugado complejo de . Tenga en cuenta que el parámetro de la integral es una variable ficticia y sólo es necesario para calcular la integral. No tiene un significado específico. ${\displaystyle {\overline {f(t)}}}$ ${\displaystyle f(t)}$ ${\displaystyle t}$

Autocorrelación de señal en tiempo discreto.

La autocorrelación discreta en retardo para una señal de tiempo discreto es ${\displaystyle R}$ ${\displaystyle \ell }$ ${\displaystyle y(n)}$

Las definiciones anteriores funcionan para señales que son integrables al cuadrado o sumables al cuadrado, es decir, de energía finita. Las señales que "duran para siempre" se tratan como procesos aleatorios, en cuyo caso se necesitan definiciones diferentes, basadas en los valores esperados. Para procesos aleatorios estacionarios de sentido amplio , las autocorrelaciones se definen como

$${\displaystyle {\begin{aligned}R_{ff}(\tau )&=\operatorname {E} \left[f(t){\overline {f(t-\tau )}}\right]\\R_{yy}(\ell )&=\operatorname {E} \left[y(n)\,{\overline {y(n-\ell )}}\right].\end{aligned}}}$$

Para procesos que no son estacionarios , estas también serán funciones de , o . ${\displaystyle t}$ ${\displaystyle n}$

Para procesos que también son ergódicos , la expectativa puede ser reemplazada por el límite de un tiempo promedio. La autocorrelación de un proceso ergódico a veces se define o se equipara a ^[4]

$${\displaystyle {\begin{aligned}R_{ff}(\tau )&=\lim _{T\rightarrow \infty }{\frac {1}{T}}\int _{0}^{T}f(t+\tau ){\overline {f(t)}}\,{\rm {d}}t\\R_{yy}(\ell )&=\lim _{N\rightarrow \infty }{\frac {1}{N}}\sum _{n=0}^{N-1}y(n)\,{\overline {y(n-\ell )}}.\end{aligned}}}$$

Estas definiciones tienen la ventaja de que dan resultados sensatos y bien definidos de un solo parámetro para funciones periódicas, incluso cuando esas funciones no son el resultado de procesos ergódicos estacionarios.

Alternativamente, las señales que duran para siempre pueden tratarse mediante un análisis de función de autocorrelación de corto plazo, utilizando integrales de tiempo finito. (Consulte la transformada de Fourier de corto tiempo para conocer un proceso relacionado).

Definición de señales periódicas

Si es una función periódica continua de período , la integración desde hasta se reemplaza por la integración en cualquier intervalo de longitud : ${\displaystyle f}$ ${\displaystyle T}$ ${\displaystyle -\infty }$ ${\displaystyle \infty }$ ${\displaystyle [t_{0},t_{0}+T]}$ ${\displaystyle T}$

$${\displaystyle R_{ff}(\tau )\triangleq \int _{t_{0}}^{t_{0}+T}f(t+\tau ){\overline {f(t)}}\,dt}$$

que es equivalente a

$${\displaystyle R_{ff}(\tau )\triangleq \int _{t_{0}}^{t_{0}+T}f(t){\overline {f(t-\tau )}}\,dt}$$

Propiedades

A continuación, describiremos únicamente las propiedades de las autocorrelaciones unidimensionales, ya que la mayoría de las propiedades se transfieren fácilmente del caso unidimensional a los casos multidimensionales. Estas propiedades son válidas para procesos estacionarios de sentido amplio . ^[5]

• Una propiedad fundamental de la autocorrelación es la simetría, que es fácil de demostrar a partir de la definición. En el caso continuo, ${\displaystyle R_{ff}(\tau )=R_{ff}(-\tau )}$
  • la autocorrelación es una función par cuando es una función real, y ${\displaystyle R_{ff}(-\tau )=R_{ff}(\tau )}$ ${\displaystyle f}$
  • la autocorrelación es una función hermitiana cuando es una función compleja . ${\displaystyle R_{ff}(-\tau )=R_{ff}^{*}(\tau )}$ ${\displaystyle f}$
• La función de autocorrelación continua alcanza su punto máximo en el origen, donde toma un valor real, es decir, para cualquier retraso , . ^{[1] : p.410} Esto es una consecuencia de la desigualdad de reordenamiento . El mismo resultado se cumple en el caso discreto. ${\displaystyle \tau }$ ${\displaystyle |R_{ff}(\tau )|\leq R_{ff}(0)}$
• La autocorrelación de una función periódica es, en sí misma, periódica con el mismo período.
• La autocorrelación de la suma de dos funciones completamente no correlacionadas (la correlación cruzada es cero para todas ) es la suma de las autocorrelaciones de cada función por separado. ${\displaystyle \tau }$
• Dado que la autocorrelación es un tipo específico de correlación cruzada , mantiene todas las propiedades de la correlación cruzada.
• Al usar el símbolo para representar la convolución y es una función que manipula la función y se define como , la definición de puede escribirse como: ${\displaystyle *}$ ${\displaystyle g_{-1}}$ ${\displaystyle f}$ ${\displaystyle g_{-1}(f)(t)=f(-t)}$ ${\displaystyle R_{ff}(\tau )}$
  $${\displaystyle R_{ff}(\tau )=(f*g_{-1}({\overline {f}}))(\tau )}$$

Autocorrelación multidimensional

La autocorrelación multidimensional se define de manera similar. Por ejemplo, en tres dimensiones la autocorrelación de una señal discreta sumable al cuadrado sería

$${\displaystyle R(j,k,\ell )=\sum _{n,q,r}x_{n,q,r}\,{\overline {x}}_{n-j,q-k,r-\ell }.}$$

Cuando los valores medios se restan de las señales antes de calcular una función de autocorrelación, la función resultante generalmente se denomina función de autocovarianza.

Computación eficiente

Para datos expresados ​​como una secuencia discreta , frecuentemente es necesario calcular la autocorrelación con alta eficiencia computacional . Se puede utilizar un método de fuerza bruta basado en la definición de procesamiento de señales cuando el tamaño de la señal es pequeño. Por ejemplo, para calcular la autocorrelación de la secuencia de señales real (es decir , y para todos los demás valores de i ) a mano, primero reconocemos que la definición que acabamos de dar es la misma que la multiplicación "habitual", pero con desplazamientos a la derecha, donde cada suma vertical proporciona la autocorrelación para valores de retraso particulares: ${\displaystyle R_{xx}(j)=\sum _{n}x_{n}\,{\overline {x}}_{n-j}}$ ${\displaystyle x=(2,3,-1)}$ ${\displaystyle x_{0}=2,x_{1}=3,x_{2}=-1}$ ${\displaystyle x_{i}=0}$

$${\displaystyle {\begin{array}{rrrrrr}&2&3&-1\\\times &2&3&-1\\\hline &-2&-3&1\\&&6&9&-3\\+&&&4&6&-2\\\hline &-2&3&14&3&-2\end{array}}}$$

Por lo tanto, la secuencia de autocorrelación requerida es , donde y la autocorrelación para otros valores de retraso es cero. En este cálculo no realizamos la operación de arrastre durante la suma como es habitual en la multiplicación normal. Tenga en cuenta que podemos reducir a la mitad el número de operaciones necesarias explotando la simetría inherente de la autocorrelación. Si la señal es periódica, es decir, obtenemos una autocorrelación circular (similar a la convolución circular ) donde las colas izquierda y derecha de la secuencia de autocorrelación anterior se superpondrán y darán el mismo período que la secuencia de la señal. El procedimiento puede considerarse como una aplicación de la propiedad de convolución de la transformada Z de una señal discreta. ${\displaystyle R_{xx}=(-2,3,14,3,-2)}$ ${\displaystyle R_{xx}(0)=14,}$ ${\displaystyle R_{xx}(-1)=R_{xx}(1)=3,}$ ${\displaystyle R_{xx}(-2)=R_{xx}(2)=-2,}$ ${\displaystyle x=(\ldots ,2,3,-1,2,3,-1,\ldots ),}$ ${\displaystyle R_{xx}=(\ldots ,14,1,1,14,1,1,\ldots )}$ ${\displaystyle x.}$

Si bien el algoritmo de fuerza bruta es de orden n ² , existen varios algoritmos eficientes que pueden calcular la autocorrelación en orden n log( n ) . Por ejemplo, el teorema de Wiener-Khinchin permite calcular la autocorrelación a partir de los datos sin procesar X ( t ) con dos transformadas rápidas de Fourier (FFT): ^{[6] [ página necesaria ]}

$${\displaystyle {\begin{aligned}F_{R}(f)&=\operatorname {FFT} [X(t)]\\S(f)&=F_{R}(f)F_{R}^{*}(f)\\R(\tau )&=\operatorname {IFFT} [S(f)]\end{aligned}}}$$

donde IFFT denota la transformada rápida inversa de Fourier . El asterisco denota conjugado complejo .

Alternativamente, se puede realizar una correlación τ múltiple utilizando el cálculo de fuerza bruta para valores τ bajos y luego combinando progresivamente los datos X ( t ) con una densidad logarítmica para calcular valores más altos, lo que da como resultado la misma eficiencia n log( n ) , pero con menores requisitos de memoria. ^{[7] [8]}

Estimacion

Para un proceso discreto con media y varianza conocidas para el cual observamos observaciones , se puede obtener una estimación del coeficiente de autocorrelación como ${\displaystyle n}$ ${\displaystyle \{X_{1},\,X_{2},\,\ldots ,\,X_{n}\}}$

$${\displaystyle {\hat {R}}(k)={\frac {1}{(n-k)\sigma ^{2}}}\sum _{t=1}^{n-k}(X_{t}-\mu )(X_{t+k}-\mu )}$$

para cualquier número entero positivo . Cuando se conocen la media y la varianza verdaderas , esta estimación es insesgada . Si no se conocen la verdadera media y varianza del proceso, existen varias posibilidades: ${\displaystyle k<n}$ ${\displaystyle \mu }$ ${\displaystyle \sigma ^{2}}$

• Si y se reemplazan por las fórmulas estándar para la media muestral y la varianza muestral, entonces se trata de una estimación sesgada . ${\displaystyle \mu }$ ${\displaystyle \sigma ^{2}}$
• Una estimación basada en periodograma reemplaza en la fórmula anterior con . Esta estimación siempre está sesgada; sin embargo, generalmente tiene un error cuadrático medio más pequeño . ^{[9] [10]} ${\displaystyle n-k}$ ${\displaystyle n}$
• Otras posibilidades se derivan de tratar las dos porciones de datos por separado y calcular medias muestrales separadas y/o varianzas muestrales para usarlas en la definición de la estimación. ^{[ cita necesaria ]} ${\displaystyle \{X_{1},\,X_{2},\,\ldots ,\,X_{n-k}\}}$ ${\displaystyle \{X_{k+1},\,X_{k+2},\,\ldots ,\,X_{n}\}}$

La ventaja de las estimaciones del último tipo es que el conjunto de autocorrelaciones estimadas, en función de , forman una función que es una autocorrelación válida en el sentido de que es posible definir un proceso teórico que tenga exactamente esa autocorrelación. Otras estimaciones pueden sufrir el problema de que, si se utilizan para calcular la varianza de una combinación lineal de 's, la varianza calculada puede resultar negativa. ^[11] ${\displaystyle k}$ ${\displaystyle X}$

Análisis de regresión

En el análisis de regresión que utiliza datos de series de tiempo , la autocorrelación en una variable de interés generalmente se modela con un modelo autorregresivo (AR), un modelo de promedio móvil (MA), su combinación como un modelo de promedio móvil autorregresivo (ARMA) o un extensión de este último llamado modelo de media móvil integrada autorregresiva (ARIMA). Con múltiples series de datos interrelacionadas, se utiliza la autorregresión vectorial (VAR) o sus extensiones.

En mínimos cuadrados ordinarios (MCO), la adecuación de la especificación de un modelo se puede comprobar en parte estableciendo si existe autocorrelación de los residuos de regresión . La autocorrelación problemática de los errores, que en sí mismos no son observados, generalmente puede detectarse porque produce autocorrelación en los residuos observables. (Los errores también se conocen como "términos de error" en econometría ). La autocorrelación de los errores viola el supuesto de mínimos cuadrados ordinarios de que los términos de error no están correlacionados, lo que significa que el teorema de Gauss Markov no se aplica y que los estimadores MCO ya no son los mejores. Estimadores lineales insesgados ( AZUL ). Si bien no sesga las estimaciones de los coeficientes MCO, los errores estándar tienden a subestimarse (y las puntuaciones t a sobreestimarse) cuando las autocorrelaciones de los errores en rezagos bajos son positivas.

La prueba tradicional para la presencia de autocorrelación de primer orden es el estadístico de Durbin-Watson o, si las variables explicativas incluyen una variable dependiente rezagada, el estadístico h de Durbin . Sin embargo, el Durbin-Watson se puede asignar linealmente a la correlación de Pearson entre los valores y sus rezagos. ^[12] Una prueba más flexible, que cubre la autocorrelación de órdenes superiores y es aplicable independientemente de que los regresores incluyan rezagos de la variable dependiente, es la prueba de Breusch-Godfrey . Esto implica una regresión auxiliar, en la que los residuos obtenidos al estimar el modelo de interés se regresan en (a) los regresores originales y (b) k rezagos de los residuos, donde 'k' es el orden de la prueba. La versión más simple del estadístico de prueba de esta regresión auxiliar es TR ² , donde T es el tamaño de la muestra y R ² es el coeficiente de determinación . Bajo la hipótesis nula de ausencia de autocorrelación, esta estadística se distribuye asintóticamente como ${\displaystyle \chi ^{2}}$ con k grados de libertad.

Las respuestas a la autocorrelación distinta de cero incluyen mínimos cuadrados generalizados y el estimador Newey-West HAC (Heteroskedasticity and Autocorrelation Consistent). ^[13]

En la estimación de un modelo de media móvil (MA), la función de autocorrelación se utiliza para determinar el número apropiado de términos de error rezagados que se incluirán. Esto se basa en el hecho de que para un proceso MA de orden q , tenemos , for , y , for . ${\displaystyle R(\tau )\neq 0}$ ${\displaystyle \tau =0,1,\ldots ,q}$ ${\displaystyle R(\tau )=0}$ ${\displaystyle \tau >q}$

Aplicaciones

La capacidad de la autocorrelación para encontrar patrones repetidos en los datos genera muchas aplicaciones, entre ellas:

• El análisis de autocorrelación se utiliza mucho en la espectroscopia de correlación de fluorescencia ^[14] para proporcionar información cuantitativa sobre la difusión a nivel molecular y las reacciones químicas. ^[15]
• Otra aplicación de la autocorrelación es la medición de espectros ópticos y la medición de pulsos de luz de muy corta duración producidos por láseres , ambas utilizando autocorreladores ópticos .
• La autocorrelación se utiliza para analizar datos dinámicos de dispersión de la luz , lo que permite en particular determinar las distribuciones de tamaño de partículas de tamaño nanométrico o micelas suspendidas en un fluido. Un láser que brilla en la mezcla produce un patrón de motas que resulta del movimiento de las partículas. La autocorrelación de la señal se puede analizar en términos de difusión de las partículas. A partir de esto, conociendo la viscosidad del fluido, se pueden calcular los tamaños de las partículas.
• Se utiliza en el sistema GPS para corregir el retraso de propagación , o cambio de tiempo, entre el momento de la transmisión de la señal portadora en los satélites y el momento del receptor en tierra. Esto lo hace el receptor generando una señal réplica del código C/A (Grueso/Adquisición) de 1.023 bits y generando líneas de chips de código [-1,1] en paquetes de diez a la vez, o 10.230 chips (1.023 × 10), desplazándose ligeramente a medida que avanza para adaptarse al desplazamiento Doppler en la señal del satélite entrante, hasta que la réplica de la señal del receptor y los códigos de la señal del satélite coincidan. ^[dieciséis]
• La intensidad de dispersión de rayos X de ángulo pequeño de un sistema nanoestructurado es la transformada de Fourier de la función de autocorrelación espacial de la densidad electrónica.
• En ciencia de superficies y microscopía de sonda de barrido , la autocorrelación se utiliza para establecer un vínculo entre la morfología de la superficie y las características funcionales. ^[17]
• En óptica, las autocorrelaciones normalizadas y las correlaciones cruzadas dan el grado de coherencia de un campo electromagnético.
• En astronomía , la autocorrelación puede determinar la frecuencia de los púlsares .
• En música , la autocorrelación (cuando se aplica en escalas de tiempo inferiores a un segundo) se utiliza como algoritmo de detección de tono tanto para afinadores de instrumentos como para el "Auto Tune" (utilizado como efecto de distorsión o para fijar la entonación). ^[18] Cuando se aplica en escalas de tiempo superiores a un segundo, la autocorrelación puede identificar el ritmo musical , por ejemplo para determinar el tempo .
• Los difraccionistas de rayos X utilizan la autocorrelación en el espacio en lugar de en el tiempo, a través de la función de Patterson , para ayudar a recuperar la "información de la fase de Fourier" sobre las posiciones de los átomos que no están disponibles mediante la difracción únicamente.
• En estadística, la autocorrelación espacial entre ubicaciones de muestra también ayuda a estimar las incertidumbres del valor medio al muestrear una población heterogénea.
• El algoritmo SEQUEST para analizar espectros de masas utiliza la autocorrelación junto con la correlación cruzada para calificar la similitud de un espectro observado con un espectro idealizado que representa un péptido .
• En astrofísica , la autocorrelación se utiliza para estudiar y caracterizar la distribución espacial de las galaxias en el universo y en observaciones de múltiples longitudes de onda de binarias de rayos X de baja masa .
• En datos de panel , la autocorrelación espacial se refiere a la correlación de una variable consigo misma a través del espacio.
• En el análisis de los datos Monte Carlo de la cadena de Markov , se debe tener en cuenta la autocorrelación para determinar correctamente el error.
• En geociencias (específicamente en geofísica ) se puede utilizar para calcular un atributo sísmico de autocorrelación, a partir de un estudio sísmico 3D del subsuelo.
• En la ecografía médica , la autocorrelación se utiliza para visualizar el flujo sanguíneo.
• En la elección de cartera intertemporal , la presencia o ausencia de autocorrelación en la tasa de rendimiento de un activo puede afectar la porción óptima de la cartera para mantener ese activo.
• En los relés numéricos , la autocorrelación se ha utilizado para medir con precisión la frecuencia del sistema de energía. ^[19]

Dependencia serial

La dependencia serial está estrechamente vinculada a la noción de autocorrelación, pero representa un concepto distinto (ver Correlación y dependencia ). En particular, es posible tener dependencia serial pero no correlación (lineal). Sin embargo, en algunos campos los dos términos se utilizan como sinónimos.

Una serie de tiempo de una variable aleatoria tiene dependencia serial si el valor en algún momento de la serie depende estadísticamente del valor en otro momento . Una serie es serialmente independiente si no existe dependencia entre ningún par. ${\displaystyle t}$ ${\displaystyle s}$

Si una serie de tiempo es estacionaria , entonces la dependencia estadística entre el par implicaría que existe dependencia estadística entre todos los pares de valores con el mismo rezago . ${\displaystyle \left\{X_{t}\right\}}$ ${\displaystyle (X_{t},X_{s})}$ ${\displaystyle \tau =s-t}$

Ver también

• Matriz de autocorrelación
• Autocorrelación de una palabra formal.
• Técnica de autocorrelación
• Autocorrelador
• Estimación Cochrane-Orcutt (transformación para términos de error autocorrelacionados)
• Función de correlación
• correlograma
• correlación cruzada
• CUSUM
• Espectroscopia de correlación de fluorescencia.
• Autocorrelación óptica
• Función de autocorrelación parcial
• Autocorrelación filogenética (problema de Galton)
• Algoritmo de detección de tono
• Transformación de Prais-Winsten
• Correlación escalada
• Triple correlación
• Estimación insesgada de la desviación estándar.

Referencias

1. Gubner, John A. (2006). Probabilidad y Procesos Aleatorios para Ingenieros Eléctricos e Informáticos . Prensa de la Universidad de Cambridge. ISBN 978-0-521-86470-1.
2. Kun Il Park, Fundamentos de probabilidad y procesos estocásticos con aplicaciones a las comunicaciones, Springer, 2018, ISBN 978-3-319-68074-3 
3. Papoulis, Atanasio, probabilidad, variables aleatorias y procesos estocásticos , McGraw-Hill, 1991
4. Dunn, Patrick F. (2005). Medición y análisis de datos para ingeniería y ciencia . Nueva York: McGraw-Hill. ISBN 978-0-07-282538-1.
5. Proakis, John (31 de agosto de 2001). Ingeniería de sistemas de comunicación (2ª edición) (2 ed.). Pearson. pag. 168.ISBN​ 978-0130617934.
6. Caja, GEP; Jenkins, director general; Reinsel, GC (1994). Análisis de series temporales: previsión y control (3ª ed.). Upper Saddle River, Nueva Jersey: Prentice – Hall. ISBN 978-0130607744.
7. Frenkel, D.; Smit, B. (2002). "capítulo 4.4.2". Comprensión de la simulación molecular (2ª ed.). Londres: Academic Press. ISBN 978-0122673511.
8. Colberg, P.; Höfling, F. (2011). "Simulaciones altamente aceleradas de dinámica vítrea utilizando GPU: advertencias sobre la precisión limitada del punto flotante". Computadora. Física. Comunitario. 182 (5): 1120-1129. arXiv : 0912.3824 . Código Bib : 2011CoPhC.182.1120C. doi :10.1016/j.cpc.2011.01.009. S2CID  7173093.
9. Priestley, MB (1982). Análisis espectral y series temporales . Londres, Nueva York: Academic Press. ISBN 978-0125649018.
10. Percival, Donald B.; Andrew T. Walden (1993). Análisis espectral para aplicaciones físicas: técnicas multitaper y univariadas convencionales . Prensa de la Universidad de Cambridge. págs. 190-195. ISBN 978-0-521-43541-3.
11. Percival, Donald B. (1993). "Tres propiedades curiosas de la varianza muestral y la autocovarianza para procesos estacionarios con media desconocida". El estadístico estadounidense . 47 (4): 274–276. doi :10.1080/00031305.1993.10475997.
12. "Técnicas de correlación serial". Ideas estadísticas . 26 de mayo de 2014.
13. Baum, Christopher F. (2006). Introducción a la econometría moderna utilizando Stata . Prensa Stata. ISBN 978-1-59718-013-9.
14. Elson, Elliot L. (diciembre de 2011). "Espectroscopia de correlación de fluorescencia: pasado, presente, futuro". Revista Biofísica . 101 (12): 2855–2870. Código Bib : 2011BpJ...101.2855E. doi :10.1016/j.bpj.2011.11.012. PMC 3244056 . PMID  22208184. 
15. Hołyst, Robert; Poniewierski, Andrzej; Zhang, Xuzhu (2017). "Forma analítica de la función de autocorrelación para la espectroscopia de correlación de fluorescencia". Materia Blanda . 13 (6): 1267-1275. Código Bib : 2017SMat...13.1267H. doi : 10.1039/C6SM02643E . ISSN  1744-683X. PMID  28106203.
16. Van Sickle, enero (2008). GPS para agrimensores (Tercera ed.). Prensa CRC. págs. 18-19. ISBN 978-0-8493-9195-8.
17. Kalvani, Payam Rajabi; Jahangiri, Ali Reza; Shapouri, Samaneh; Sari, Amirhossein; Jalili, Yousef Seyed (agosto de 2019). "Análisis AFM multimodo de películas delgadas de óxido de zinc dopadas con aluminio pulverizadas bajo varias temperaturas de sustrato para aplicaciones optoelectrónicas". Superredes y Microestructuras . 132 : 106173. doi : 10.1016/j.spmi.2019.106173. S2CID  198468676.
18. Tyrangiel, Josh (5 de febrero de 2009). "Auto-Tune: por qué la música pop suena perfecta". Tiempo . Archivado desde el original el 10 de febrero de 2009.
19. Kasztenny, Bogdan (marzo de 2016). "Un nuevo método de medición rápida de frecuencia para aplicaciones de protección" (PDF) . Laboratorios de ingeniería Schweitzer. Archivado (PDF) desde el original el 9 de octubre de 2022 . Consultado el 28 de mayo de 2022 .

Otras lecturas

• Kmenta, enero (1986). Elementos de econometría (Segunda ed.). Nueva York: Macmillan. págs. 298–334. ISBN 978-0-02-365070-3.
• Marno Verbeek (10 de agosto de 2017). Una guía para la econometría moderna. Wiley. ISBN 978-1-119-40110-0.
• Mojtaba Soltanalian y Petre Stoica. "Diseño computacional de secuencias con buenas propiedades de correlación". Transacciones IEEE sobre procesamiento de señales, 60.5 (2012): 2180–2193.
• Solomon W. Golomb y Guang Gong. Diseño de señales para una buena correlación: para comunicación inalámbrica, criptografía y radar. Prensa de la Universidad de Cambridge, 2005.
• Klapetek, Petr (2018). Procesamiento de datos cuantitativos en microscopía de sonda de barrido: aplicaciones SPM para nanometrología (Segunda ed.). Elsevier. págs. 108-112 ISBN 9780128133477 . 
• Weisstein, Eric W. "Autocorrelación". MundoMatemático .