¿Existe un método matemático para determinar si el ruido de una señal es gaussiano?
La única forma que conozco hasta ahora es analizar el histograma y pasar una distribución gaussiana para determinar visualmente si la distribución es gaussiana. Me gustaría saber si hay una manera matemática de determinar si el ruido es gaussiano y qué tan preciso es el resultado.
Respuestas:
Hay varias pruebas estadísticas si una serie temporal es gaussiana, aunque en estadística, el término "pruebas de normalidad" suele ser la forma en que las busca.
El sitio Nist EDA es un buen lugar para buscar y la gráfica de probabilidad es mejor para conjuntos de datos más cortos que el histograma de muestra.
http://www.itl.nist.gov/div898/handbook/eda/section3/probplot.htm
Cerca del final de la página, hay referencias a gráficos qq, KS, Chi al cuadrado y otras pruebas de bondad de ajuste. Puede encontrar amplia información sobre ellos en la web y replicar aquí no va a agregar nada.
Matlab tiene qqplot y prob plot en la caja de herramientas Estadísticas, y qqplot con un solo argumento es específico de las distribuciones gaussianas. SAS tiene todas estas pruebas. R tiene las pruebas.
Recomiendo este libro, escrito por 2 ingenieros, y cubren varias pruebas, incluso para cosas como la independencia y la estacionariedad. El libro está orientado a lo práctico, mínimo de las matemáticas.
La arruga de estas pruebas es que no se ajustan a un escenario de Señal más Ruido. Las pruebas generalmente asumen que la serie temporal es totalmente gaussiana o no. Una media constante no es un problema. Las señales no suelen ser gaussianas y una simple prueba no puede marcar la diferencia.
Las operaciones de procesamiento de señales, como un DFT, tienden a manifestar los efectos del teorema del límite central en los datos, por lo que debe tener en cuenta que incluso las transformaciones lineales no preservarán un pdf no gaussiano.
También debe tenerse en cuenta que desde una perspectiva práctica, el gaussianismo no es blanco y negro. Los algoritmos que tienen supuestos gaussianos generalmente funcionan bien incluso si el supuesto gaussiano no es estrictamente válido. Es más importante conocer cosas como la bimodalidad y la no simetría. Cauchy (colas pesadas) como el ruido y el ruido multiplicativo también son importantes para conocer.
fuente