Existe um método matemático para determinar se o ruído de um sinal é gaussiano?
A única maneira que conheço até agora é analisar o histograma e colocar uma distribuição gaussiana em escala visual para determinar visualmente se a distribuição é gaussiana. Gostaria de saber se existe uma maneira matemática de determinar se o ruído é gaussiano e quão preciso é o resultado.
Respostas:
Existem vários testes estatísticos se uma série temporal é gaussiana, embora, nas estatísticas, o termo "testes de normalidade" seja geralmente como você os procura.
O site Nist EDA é um bom lugar para procurar e o gráfico de probabilidade é melhor para conjuntos de dados mais curtos que o histograma de amostra.
http://www.itl.nist.gov/div898/handbook/eda/section3/probplot.htm
Próximo à parte inferior da página, há referências a gráficos qq, KS, Chi ao quadrado e outros testes de ajuste de qualidade. Você pode encontrar informações amplas sobre eles na Web e a replicação aqui não adicionará nada.
O Matlab possui qqplot e prob plot na caixa de ferramentas Statistics, e o qqplot com um único argumento é específico das distribuições gaussianas. SAS tem todos esses testes. R tem os testes.
Eu recomendo este livro, escrito por 2 engenheiros, e eles abrangem vários testes, incluindo assuntos como independência e estacionariedade. O livro é orientado para o mínimo prático de matemática.
A desvantagem desses testes é que eles não estão em conformidade com o cenário Sinal mais Ruído. Os testes geralmente assumem que a série temporal é toda gaussiana ou não. Uma média constante não é um problema. Os sinais geralmente não são gaussianos e um teste simples não pode dizer a diferença.
As operações de processamento de sinais, como uma DFT, tendem a manifestar efeitos do teorema do limite central nos dados, portanto, você deve estar ciente de que mesmo transformações lineares não preservarão um pdf não gaussiano.
Deve-se notar também que, de uma perspectiva prática, o Gaussianity não é preto e branco. Algoritmos que têm suposições gaussianas geralmente funcionam bem, mesmo que a suposição de Gaussianity não seja estritamente válida. Coisas como bi-modalidade e não simetria são mais importantes para se conhecer. Cauchy (caudas pesadas) como ruído e ruído multiplicativo também são importantes para se conhecer.
fonte