Practica N°8

Autocorrelación y correlación en Matlab

Maicol Nava, Brayan Ramírez
Fundación Universitaria Los Libertadores

Abstract %Representación de las dos señales

subplot(221), stem(x,'k'),
En este laboratorio el objetivo es title('(a)')
obtener la correlación cruzada y la subplot(222), plot(x,'k'),
title('(b)')
autocorrelación con la finalidad de subplot(223),
estudiarlas, usándolas principalmente stem(y,'k'),title('(c)')
para reconocer patrones entre subplot(224), plot(y,'k'),
diferentes muestras. title('(d)')
lsim(NUM,DEN,X,T);
Palabras claves plot(T,Y,T,X)
Matlab, Autocorrelación, Correlación
I. Introducción
En este documento se desarrolla la
correlación entre dos funciones diferentes
para la identificación de patrones dentro
de una señal
De esta manera se ayuda a comprender el
funcionamiento de estos conceptos y se
aplican.
II. Desarrollo
Ejercicio N° 1: La primera aplicación de
la autocorrelación de una señal es
determinar las posibles repeticiones Figura N° 1 a) Señal discreta; b) Señal continua; c)
Autocorrelación discreta; d) Autocorrelación continua
de patrones en la señal. Para
comprobar este punto se va a generar Se puede observar que la gráfica de la
una sinusoide de frecuencia igual a autocorrelación refleja en ambos lados
100 Hz con amplitud uno y mostrando un patrón lo que indica que
muestreada a 1 kHZ (considerar una existe autocorrelación entre las señales.
secuencia de 100 puntos). Determine
la autocorrelación de esta señal Ejercicio N° 2: Una segunda aplicación
normalizada a uno y represéntela relacionada con la anterior es la
junto a la secuencia, ¿Qué determinación del desfase entre dos
conclusiones se pueden deducir? señales. Se pide generar dos sinusoides de
%Cálculo de la autocorrelación frecuencia 50 Hz (Fm = 1 kHz), amplitud
normalizada y = xcorr(x,'coeff'); uno y desfasados 90o y determinar la
correlación cruzada de ellas. ¿Cómo se Matlab que implementa esto es el
podría determinar el desfase entre estas siguiente:
señales? Realice una gráfica donde
aparezcan las matrices de autocorrelación
y correlación cruzada ¿Qué conclusiones
se pueden sacar

%Generación de las señales

Para entender este apartado de forma n = 0:99;
sencilla considere las sinusoides dadas x = cos(2*pi*n*(50/1000));
por y = cos(2*pi*n*(50/1000)+
pi/2);
𝑥
%Determinación de la
(n)=cos(2 πƒn+ θ 1) , y (n)=cos (2 πƒn+θ 2) correlación cruzada
[z lag1] = xcorr(x,'coeff');
Donde se puede definir 𝜃 = 𝜃1 − 𝜃2 % autocorrelación
como el desfase entre las dos señales. [zz lag2] =
Se puede calcular el desfase xcorr(x,y,'coeff');
comprobando cuándo las dos señales %correlación cruzada
vuelven a estar en fase. Para n = 0 se %Representación de las
tiene: señales
x (0)=cos (θ 1), plot(lag1,z,'Color','g')
y (0)=cos(θ 2). hold on
grid on
Si ahora se desplaza una de las señales, plot(lag2, zz,'Color','k')
por ejemplo 𝑥(𝑛), hasta que las dos
estén en fase de nuevo, se tiene que
x ( N )=cos (2 πƒN +θ 1)= y (0)=cos(θ 2).

De la igualdad anterior se desprende

que: 2𝜋ƒ𝑁 + 𝜃1 = 𝜃2 , de modo que
el desfase vendrá dado por: 𝜃 = 𝜃1 −
𝜃2 = 2𝜋ƒ𝑁, siendo f la frecuencia
digital de la señal.
Se puede emplear la correlación cruzada
para determinar cuándo las señales
estarán en fase, lo cual ocurrirá en los Figura N°2 Autocorrelación 𝑥 y correlación 𝑥𝑦
máximos de dicha correlación. Como en
los cálculos realizados se ha Se puede observar que entre la
considerado como punto inicial 𝑛 = 0, correlación y la autocorrelación nunca
se deben determinar los máximos a están en la misma fase, sino que van a
partir del punto central de la correlación diferente tiempo, lo cual tiene sentido ya
cruzada que es el punto de la que la autocorrelación es como las
correlación correspondiente a un perturbaciones de un modelo de regresión
desplazamiento cero. El programa de
La correlación es la operación básica en Es decir: 𝑟𝑦𝑥(−𝑙) es la versión reflejada
los procesos de búsqueda de patrones por de 𝑟𝑦𝑥(𝑙) donde la reflexión es hecha
emparejamiento. Por tanto, disponer de respecto a
algoritmos que calculen de una forma 𝑙=0
En ausencia de reflexión hace que la
eficiente estas operaciones es del mayor correlación cruzada no sea una
interés. operación conmutativa.

𝑥(𝑛) = [2, −1, 3, 7, 1, 2, −3]

La correlación es una operación 𝑦(𝑛) = [1, −1, 2, −2, 4, 1, −2, 5].
matemática que permite cuantificar el
grado de similitud entre dos señales,
aunque aparentemente no haya
evidencias de coincidencia temporal
entre ellas. Su aspecto recuerda la forma
de la convolución: formalmente, la Hallar la correlación 𝑟𝑦𝑥(𝑙) y
diferencia entre ambas operaciones está dibújela.
en el signo (reflexión temporal) de uno
de los operandos. Sin embargo, las Considere el siguiente programa:
propiedades y aplicaciones de las
operaciones de convolución y x=[2, -1, 3, 7, 1, 2, -3];
correlación son distintas. y=[1, -1, 2, -2, 4, 1, -2,
5]; ny=[-4:3];
La correlación se utiliza para medir el y=fliplr(y);
grado de similaridad entre dos señales. nr_xy_b=nx(1)+ny(1);
Sean 𝑥(𝑡) y nr_xy_e=nx(length(x))
𝑦(𝑡) señales continuas con energía finita. +ny(length(y));
La correlación cruzada en forma continua r_xy=conv(x,y)
de nr_xy=[nr_xy_b:nr_xy_e]
𝑥(𝑡) y 𝑦(𝑡) es: stem(nr_xy, r_xy);
xlabel('n'); ylabel('r_{xy}
∞ (n)')title('Secuencia de
𝑟𝑥𝑦(𝑟) = ∫ x (t) y *(𝑡 − 𝑟)𝑑𝑡 Ejemplo')
−∞
grid on
En forma discreta (empleado en
MATLAB): La respuesta a esta correlación se
𝑟𝑥𝑦(𝑙) = muestra en la Figura N° 3.
∞
r xy (l)=∑ x (n) y∗(n−l)l=0 ,± 1 ,± 2 , ±3 , … ..
−∞

O, equivalentemente:

Propiedad: 𝑟𝑥𝑦(𝑙) = 𝑟𝑦𝑥(−𝑙)

 también permite observar que las
Figura N° 3 Correlación
variables evaluadas están relacionadas
entre ellas obteniendo como tal que
Como se puede observar no tiene tanto podemos relacionarlas una con la
correlación los datos ya que no siguen un otra.
patrón y están bastantes dispersos
Ejercicio N° 4: Hallar la autocorrelación También por otra parte se nota que la
de correlación esta desfasada de la
autocorrelación esto probablemente
𝑥(𝑛) = [2, −1, 3, 7, 1, 2, −3] sea por la dependencia de la
autocorrelación del tiempo lo cual
permite hace que cambie con respecto
x=[2, -1, 3. 7. 1, 2, -3]; a la correlación normal, por ultimo
r_xx=xcorr(x,x) cabe mencionar que la correlación y la
nr_xx=[(-length(x)+1): autocorrelación del primer punto
(length(x)-1)]
permite observar cómo cambia la
autocorrelación dependiendo de la
señal
stem(nr_xx, r_xx);
title('Secuencia
del ejercicio 4')
xlabel('n');
ylabel('r_{xx}
(n)');
grid on Conclusiones
 La correlación y la
autocorrelación es un
excelente modo de analizar
que tan dependiente es una
variable de la otra.
 Se observo que la
autocorrelación y la
correlación no significan lo
mismo por medio de la grafica
de fases
Figura N° 4 Correlación
Del ejercicio 4  Por ultimo se logró el análisis
de las variables por medio de
Se observa que se comporta con una la gráfica de correlación y la
patrona en ambos lados lo que lo hace autocorrelación
parecer un espejo, esto es buen indicador Bibliografía
ya que representa que si hay algo en [1]Tratamiento Digital de Señales. (s. f.).
común entre las variables analizadas
III. Análisis de resultados GoogleBooks.https://books.google.com.e
Se puede obtener la relación entre las
book?id=jkhyWjmJBGUC
graficas por medio de la correlación y