Digital Signal Processing Reference
In-Depth Information
liefert eine Matrix mit normierten Covarianzen.
R(i,j) = C(i,j)/sqrt(C(i,i)*C(j,j));
Beachten Sie, die Befehle
cov
und
corrcoef
können mit verschiedenen Optionen
ausgeführt werden, siehe auch erwartungstreuer Schätzwert (unbiased estimate).
Machen Sie sich mit den MATLAB-Befehlen vertraut.
14.3.6
Versuchsdurchführung
M14.5
Der Bedeutung der Korrelation wird zunächst anhand von Streudiagrammen veran-
schaulicht. Erzeugen Sie die vier Zufallssignale
x
1
[
n
] bis
x
4
[
n
] mit
x1 = randn(500,1); x2 = randn(500,1) + x1;
x3 = randn(500,1); x4 = randn(500,1) - x1;
Stellen Sie die vier Streudiagramme grafisch dar, indem Sie
x1
als Abszissenwerte
und
x1
,
x2
,
x3
bzw.
x4
als Ordinatenwerte wählen.
Hinweis:
z. B. Grafikbefehl
plot(x1,x3,'.')
.
Vergleichen Sie die Streudiagramme.
Welche Aussagen können allgemein für
x
2
gemacht werden, wenn
x
1
des korrespon-
dierenden Wertepaares (
x
1
,
x
2
) bekannt ist und umgekehrt?
M14.6
Bestimmen Sie mit dem MATLAB-Befehl
corrcoef
die empirischen Korrela-
tionskoeffizienten der Signale
x
1
[
n
] bis
x
4
[
n
] bzgl. Signal
x
1
[
n
]. Tragen Sie die
Resultate in Tabelle 14-6 ein und diskutieren Sie die Ergebnisse mit Blick auf die
Streudiagramme.
Tabelle 14-6
Empirische Korrelationskoeffizienten zu den Signalen
x
1
[
n
] bis
x
4
[
n
]
Signal
i
1
2
3
4
;
1
i
M14.7
Erzeugen Sie eine wesentlich größere Stichprobe für die Signale
x
1
[
n
] bis
x
4
[
n
] und
stellen Sie die bidimensionalen WDFn entsprechend den obigen Untersuchungen
grafisch dar, siehe Bild 14-5 für ein Beispiel.
Diskutieren Sie die Ergebnisse im Zusammenhang mit obigen Untersuchungen.
Welchen Einfluss hat der Korrelationskoeffizient auf die bidimensionale WDF der
Normalverteilung?
Hinweis:
Verwenden Sie der Einfachheit halber das Programm
dsplab14_4
mit
der Funktion
hist2d
für das zweidimensionale Histogramm im Programmbeispiel
14-2.