Il y a de belles définitions techniques dans les manuels et wikipedia, mais j'ai du mal à comprendre ce qui différencie les signaux stationnaires et non stationnaires dans la pratique?
Lesquels des signaux discrets suivants sont stationnaires? Pourquoi?:
- bruit blanc - OUI (selon toutes les informations possibles trouvées)
- bruit coloré - OUI (selon Bruits colorés: stationnaire ou non stationnaire? )
- gazouillis (sinus avec fréquence changeante) -?
- sinus -?
- somme de plusieurs sinus avec différentes périodes et amplitudes -?
- ECG, EEG, PPT et similaires -?
- Sortie du système chaotique (mackey-glass, carte logistique) -?
- Enregistrement de la température extérieure -?
- Record de développement de la paire de devises du marché forex -?
Je vous remercie.
discrete-signals
stationary
matousc
la source
la source
Réponses:
Il n'y a pas de signal stationnaire. Stationnaire et non stationnaire sont des caractérisations du processus qui a généré le signal.
Un signal est une observation. Un enregistrement de quelque chose qui s'est passé. Un enregistrement d'une série d'événements à la suite d'un processus. Si les propriétés du processus qui génère les événements NE CHANGENT PAS dans le temps, alors le processus est stationnaire.
Nous savons ce qu'est un signal , c'est une collection d'événements (mesures) à différents moments ( ). Mais comment décrire le processus qui l'a généré?nx ( n ) n
Une façon de capturer les propriétés d'un processus est d'obtenir la distribution de probabilité des événements qu'il décrit. En pratique, cela pourrait ressembler à un histogramme, mais ce n'est pas entièrement utile ici car il ne fournit que des informations sur chaque événement comme s'il n'était pas lié à ses événements voisins. Un autre type d'histogramme est celui où nous pourrions fixer un événement et demander quelle est la probabilité que les autres événements se produisent, DONNÉ qu'un autre événement a déjà eu lieu. Donc, si nous devions capturer cet "histogramme de monstre" qui décrit la probabilité de transition de tout événement possible à tout autre événement possible, nous serions en mesure de décrire n'importe quel processus.
De plus, si nous devions l'obtenir à deux moments différents et que les probabilités d'événement à événement ne semblaient pas changer, ce processus serait appelé un processus stationnaire. (Bien entendu, la connaissance absolue des caractéristiques d'un processus dans la nature est rarement supposée).
Cela dit, regardons les exemples:
Bruit blanc:
Bruit coloré:
Gazouiller:
Sinus (oid)
Somme de plusieurs sinus avec différentes périodes et amplitudes
ECG, EEG, PPT et similaires
Sortie du système chaotique.
Enregistrements de température:
Indicateurs financiers:
L' ergodicité est un concept utile à garder à l'esprit lorsque l'on parle de situations pratiques . De plus, il y a quelque chose qui finit par se glisser ici et c'est l'échelle d'observation. Regardez trop près et ce n'est pas immobile, regardez de très loin et tout est immobile. L'échelle d'observation dépend du contexte. Pour plus d'informations et un grand nombre d'exemples illustratifs en ce qui concerne les systèmes chaotiques, je recommanderais ce livre et en particulier les chapitres 1,6,7,10,12 et 13 qui sont vraiment centraux sur la stationnarité et la périodicité.
J'espère que cela t'aides.
la source
@ La bonne réponse de A_A manque un point: la stationnarité ou la non-stationnarité ne sont généralement appliquées qu'aux signaux stochastiques, pas aux signaux déterministes.
En général, lorsque des tests statistiques sont appliqués pour la stationnarité ou la non-stationnarité, la composante déterministe doit être supprimée en premier.
Par conséquent, à mon avis, les numéros 3, 4 et 5 sont des questions non sensorielles car ils ne contiennent aucune composante stochastique et, par conséquent, ne peuvent pas être considérés comme stationnaires ou non stationnaires.
L'élément n ° 3, si un bruit stationnaire est ajouté à la sinusoïde, pourrait être considéré comme un processus cyclostationnaire , car la moyenne du processus change (bien qu'en général avec les processus cyclostationnaires, on suppose que la variance change également avec le temps).
la source