Автокорреляционная функция

Автокорреляционная функция (АКФ) — это математическая функция, описывающая степень статистической зависимости (корреляции) между значениями одного и того же случайного процесса или временного ряда в разные моменты времени. Она показывает, насколько хорошо значение сигнала в момент времени \(t\) предсказывает его значение в момент \(t+\tau\), где \(\tau\) — временной сдвиг (лаг). АКФ является фундаментальным инструментом в теории вероятностей, статистике, цифровой обработке сигналов, эконометрике и многих других областях, где требуется анализ периодичности, памяти и структуры данных.

Определение и математическая формулировка

Для стационарного случайного процесса \(X(t)\) (то есть процесса, чьи статистические характеристики не меняются со временем) автокорреляционная функция \(R_{XX}(\tau)\) определяется как математическое ожидание произведения центрированных значений процесса в моменты \(t\) и \(t+\tau\):

\[ R_{XX}(\tau) = \mathbb{E}\left[ (X(t) - \mu)(X(t+\tau) - \mu) \right] \]

где:

• \(\mathbb{E}\) — оператор математического ожидания;
• \(\mu = \mathbb{E}[X(t)]\) — математическое ожидание процесса (среднее значение);
• \(\tau\) — временной сдвиг (лаг).

На практике, при работе с дискретными временными рядами (например, последовательность измерений \(x_1, x_2, \dots, x_N\)), выборочная оценка АКФ для лага \(k\) (где \(k = 0, 1, 2, \dots, m\)) вычисляется по формуле:

\[ r_k = \frac{\sum_{t=1}^{N-k} (x_t - \bar{x})(x_{t+k} - \bar{x})}{\sum_{t=1}^{N} (x_t - \bar{x})^2} \]

где \(\bar{x}\) — среднее арифметическое ряда. Эта формула даёт нормированную АКФ, значения которой лежат в диапазоне от -1 до 1. При \(k=0\) значение \(r_0 = 1\), так как сигнал полностью коррелирован сам с собой.

Свойства автокорреляционной функции

1. Чётность: Для стационарных процессов АКФ является чётной функцией: \(R_{XX}(\tau) = R_{XX}(-\tau)\). Для дискретного случая \(r_k = r_{-k}\).
2. Максимум при нулевом сдвиге: Значение АКФ при \(\tau = 0\) равно дисперсии процесса \(D[X(t)] = \sigma^2\). Для нормированной АКФ \(r_0 = 1\).
3. Ограниченность: \(|R_{XX}(\tau)| \le R_{XX}(0) = \sigma^2\).
4. Спектральная связь: Согласно теореме Винера — Хинчина, автокорреляционная функция и спектральная плотность мощности (СПМ) процесса связаны парой преобразований Фурье. Это означает, что АКФ содержит полную информацию о частотном составе сигнала.
5. Затухание: Для случайных процессов без детерминированной периодичности АКФ стремится к нулю при \(\tau \to \infty\), так как зависимость между далеко отстоящими значениями ослабевает.

Виды и классификация

Автокорреляционные функции классифицируются по нескольким признакам:

По типу сигнала

• АКФ непрерывного сигнала: Определяется для аналоговых сигналов, заданных на непрерывном временном интервале.
• АКФ дискретного сигнала: Определяется для последовательностей отсчётов (цифровых сигналов). Используется в цифровой обработке сигналов и анализе временных рядов.

По нормировке

• Ненормированная АКФ: Выражается в единицах квадрата амплитуды сигнала. Её значение при нулевом сдвиге равно дисперсии.
• Нормированная АКФ (автокорреляционный коэффициент): Принимает значения от -1 до 1. Удобна для сравнения степени зависимости в разных процессах.

По типу процесса

• АКФ белого шума: Теоретически равна нулю для всех \(\tau \neq 0\) (дельта-функция). На практике — быстро затухает до нуля.
• АКФ периодического сигнала: Является периодической функцией с тем же периодом, что и исходный сигнал. Например, для синусоиды \(A \sin(\omega t)\) АКФ будет \( \frac{A^2}{2} \cos(\omega \tau)\).
• АКФ марковского процесса (например, AR(1)): Экспоненциально затухает: \(R(\tau) = \sigma^2 \cdot e^{-\alpha |\tau|}\).

Применение

Автокорреляционная функция находит широкое применение в различных научных и инженерных дисциплинах.

Цифровая обработка сигналов

• Обнаружение периодичностей: АКФ позволяет выявить скрытые периодические компоненты в зашумлённом сигнале. Например, для определения частоты пульса в электрокардиограмме (ЭКГ) или периода вращения вала.
• Оценка основного тона (pitch detection): В речевой обработке АКФ используется для определения частоты основного тона голоса.
• Идентификация эхо-сигналов: В радиолокации и гидролокации АКФ помогает определить время задержки отражённого сигнала, что позволяет вычислить расстояние до объекта.

Эконометрика и анализ временных рядов

• Идентификация модели: АКФ является ключевым инструментом при построении моделей авторегрессии и скользящего среднего (ARMA, ARIMA). По виду графика АКФ (коррелограммы) определяют порядок модели \(p\) (авторегрессионная часть) и \(q\) (часть скользящего среднего).
• Проверка стационарности: Медленно затухающая АКФ часто указывает на нестационарность ряда (например, наличие тренда).
• Тестирование на «белый шум»: Если все значения АКФ (кроме нулевого) статистически незначимы (попадают в доверительный интервал), ряд считается «белым шумом».

Физика и техника

• Анализ случайных процессов: В теории колебаний и акустике АКФ используется для описания стохастических процессов, таких как турбулентность, сейсмические сигналы или шумы в электронных цепях.
• Оптика: В интерферометрии и спектроскопии АКФ используется для измерения временной когерентности света.

Биология и медицина

• Анализ биосигналов: АКФ применяется для анализа электроэнцефалограмм (ЭЭГ) для выявления ритмической активности мозга (альфа-, бета-, тета-ритмы), а также для анализа вариабельности сердечного ритма.

Примеры

Пример 1: Периодический сигнал

Рассмотрим дискретный синусоидальный сигнал: \(x_t = \sin(2\pi f t)\) с частотой \(f = 0.1\) Гц. Его АКФ будет также синусоидальной, но с той же частотой и без фазового сдвига. График АКФ будет иметь пики на лагах, кратных периоду сигнала (10 отсчётов).

Пример 2: Белый шум

Последовательность случайных чисел, распределённых по нормальному закону с нулевым средним. Её выборочная АКФ будет близка к нулю для всех лагов \(k \neq 0\). Лишь на нулевом лаге значение будет равно 1. Это свойство используется для проверки адекватности статистических моделей: если остатки модели ведут себя как белый шум, модель считается хорошей.

Пример 3: Процесс авторегрессии первого порядка AR(1)

Модель: \(x_t = \phi \cdot x_{t-1} + \varepsilon_t\), где \(\varepsilon_t\) — белый шум, а \(|\phi| < 1\). Теоретическая АКФ для этого процесса равна \(R(k) = \phi^k\). График АКФ будет экспоненциально затухать: при положительном \(\phi\) — монотонно, при отрицательном — с осцилляциями.

Критика и ограничения

1. Неприменимость к нестационарным процессам: Классическая АКФ определена только для стационарных процессов. Для нестационарных рядов (с трендом, сезонностью, изменяющейся дисперсией) её прямое применение может давать ложные корреляции. В таких случаях требуется предварительное преобразование ряда (например, взятие разностей).
2. Чувствительность к выбросам: Наличие аномальных значений (выбросов) во временном ряде может существенно исказить оценку АКФ.
3. Проблема множественного сравнения: При проверке значимости большого числа лагов (например, 20–40) высока вероятность получить ложноположительные результаты (ошибка первого рода) из-за множественных сравнений.
4. Интерпретация при малых выборках: При небольшом числе наблюдений выборочная АКФ может быть нестабильной и иметь большую дисперсию, особенно на больших лагах.

Источники

1. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. — М.: Мир, 1974.
2. Отнес Р., Эноксон Л. Прикладной анализ временных рядов. — М.: Мир, 1982.
3. Бендат Дж., Пирсол А. Прикладной анализ случайных данных. — М.: Мир, 1989.
4. Хант Э. Цифровая обработка сигналов. — М.: Радио и связь, 1984.
5. Кендалл М., Стьюарт А. Многомерный статистический анализ и временные ряды. — М.: Наука, 1976.