स्वत: सहसंबंध (ऑटोकॉरलेशन)

स्वत: सहसंबंध, जिसे कभी-कभी असतत समय के मामले में सीरियल सहसंबंध के रूप में जाना जाता है, एक सिग्नल (सूचना सिद्धांत) का सहसंबंध है जो देरी के कार्य के रूप में स्वयं की विलंबित प्रति के साथ होता है। अनौपचारिक रूप से, यह उनके बीच समय अंतराल के एक समारोह के रूप में एक यादृच्छिक चर की टिप्पणियों के बीच समानता है। स्वत:सहसंबंध का विश्लेषण दोहराए जाने वाले पैटर्न खोजने के लिए एक गणितीय उपकरण है, जैसे कि शोर ( संकेत आगे बढ़ाना ) द्वारा अस्पष्ट आवधिक संकेत की उपस्थिति, या इसके लयबद्ध  आवृत्तियों द्वारा निहित सिग्नल में लापता मौलिक आवृत्ति की पहचान करना। यह अक्सर समय डोमेन संकेतों जैसे कार्यों या मूल्यों की श्रृंखला का विश्लेषण करने के लिए सिग्नल प्रोसेसिंग में उपयोग किया जाता है।

अध्ययन के विभिन्न क्षेत्र स्वसंबंध को अलग तरह से परिभाषित करते हैं, और ये सभी परिभाषाएँ समान नहीं हैं। कुछ क्षेत्रों में, इस शब्द का प्रयोग स्वतः सहप्रसरण के साथ परस्पर विनिमय के लिए किया जाता है।

इकाई जड़ प्रोसेस,  प्रवृत्ति-स्थिर प्रक्रिया, ऑटोरेग्रेसिव प्रक्रिया और  चलती औसत प्रक्रिया , ऑटोकॉर्पोरेशन के साथ प्रोसेस के विशिष्ट रूप हैं।

स्टोकास्टिक प्रक्रियाओं का ऑटो-सहसंबंध
आँकड़ों में, एक वास्तविक या जटिल यादृच्छिक प्रक्रिया का स्वसंबंध दो बार या समय अंतराल के कार्य के रूप में अलग-अलग समय पर प्रक्रिया के मूल्यों के बीच पियर्सन सहसंबंध गुणांक है। होने देना $$\left\{ X_t \right\}$$ एक यादृच्छिक प्रक्रिया हो, और $$t$$ किसी भी समय हो ($$t$$ असतत-समय की प्रक्रिया के लिए एक पूर्णांक या निरंतर-समय की प्रक्रिया के लिए एक वास्तविक संख्या हो सकती है)। तब $$X_t$$ समय पर प्रक्रिया के दिए गए निष्पादन (कंप्यूटिंग) द्वारा उत्पादित मूल्य (या प्राप्ति (संभावना)) है $$t$$. मान लीजिए कि प्रक्रिया का मतलब है $$\mu_t$$ और विचरण $$\sigma_t^2$$ समय पर $$t$$, प्रत्येक के लिए $$t$$. फिर समय के बीच ऑटो-सहसंबंध समारोह की परिभाषा $$t_1$$ और $$t_2$$ है

कहाँ $$\operatorname{E}$$ अपेक्षित मान ऑपरेटर है और बार जटिल संयुग्मन का प्रतिनिधित्व करता है। ध्यान दें कि उम्मीद अच्छी तरह से परिभाषित नहीं हो सकती है।

गुणन से पहले माध्य घटाना समय के बीच स्वत: सहप्रसरण फलन उत्पन्न करता है $$t_1$$ और $$t_2$$:

ध्यान दें कि यह अभिव्यक्ति सभी समय श्रृंखला या प्रक्रियाओं के लिए अच्छी तरह से परिभाषित नहीं है, क्योंकि मतलब मौजूद नहीं हो सकता है, या भिन्नता शून्य हो सकती है (निरंतर प्रक्रिया के लिए) या अनंत (वितरण वाली प्रक्रियाओं के लिए अच्छी व्यवहार वाले क्षणों की कमी, जैसे कुछ निश्चित शक्ति कानून के प्रकार)।

वाइड-सेंस स्थिर स्टोकेस्टिक प्रक्रिया की परिभाषा
अगर $$\left\{ X_t \right\}$$ एक विस्तृत अर्थ वाली स्थिर प्रक्रिया है, फिर माध्य $$\mu$$ और भिन्नता $$\sigma^2$$ समय-स्वतंत्र हैं, और आगे स्वतः सहप्रसरण कार्य केवल बीच के अंतराल पर निर्भर करता है $$t_1$$ और $$t_2$$: स्वतः सहप्रसरण केवल मानों के युग्म के बीच की समय-दूरी पर निर्भर करता है न कि समय में उनकी स्थिति पर। इसका अर्थ यह भी है कि स्वसहसंबंध और स्वसहसंबंध को समय-अंतराल के कार्य के रूप में व्यक्त किया जा सकता है, और यह अंतराल का एक समान कार्य होगा $$\tau=t_2-t_1$$. यह ऑटो-सहसंबंध समारोह के लिए अधिक परिचित रूप देता है

और स्वत: सहप्रसरण समारोह:

विशेष रूप से, ध्यान दें

$$\operatorname{K}_{XX}(0) = \sigma^2 .$$

सामान्यीकरण
समय-निर्भर पियर्सन सहसंबंध गुणांक प्राप्त करने के लिए ऑटोकोवेरियन फ़ंक्शन को सामान्य करने के लिए कुछ विषयों (जैसे सांख्यिकी और समय श्रृंखला विश्लेषण) में यह सामान्य अभ्यास है। हालांकि, अन्य विषयों (जैसे इंजीनियरिंग) में सामान्यीकरण को आमतौर पर छोड़ दिया जाता है और स्वत: सहसंबंध और स्वसहसंबंध का उपयोग एक दूसरे के स्थान पर किया जाता है।

स्टोकास्टिक प्रक्रिया के ऑटो-सहसंबंध गुणांक की परिभाषा है

$$\rho_{XX}(t_1,t_2) = \frac{\operatorname{K}_{XX}(t_1,t_2)}{\sigma_{t_1}\sigma_{t_2}} = \frac{\operatorname{E}\left[(X_{t_1} - \mu_{t_1}) \overline{(X_{t_2} - \mu_{t_2})} \right]}{\sigma_{t_1}\sigma_{t_2}} .$$ यदि समारोह $$\rho_{XX}$$ अच्छी तरह परिभाषित है, इसका मूल्य सीमा में होना चाहिए $$[-1,1]$$, 1 के साथ पूर्ण सहसंबंध का संकेत और -1 पूर्ण विरोधी सहसंबंध का संकेत देता है।

स्टेशनरी प्रोसेस#वाइड-सेंस स्टेशनरी|वाइड-सेंस स्टेशनरी (WSS) प्रक्रिया के लिए, परिभाषा है

$$\rho_{XX}(\tau) = \frac{\operatorname{K}_{XX}(\tau)}{\sigma^2} = \frac{\operatorname{E} \left[(X_{t+\tau} - \mu)\overline{(X_{t} - \mu)}\right]}{\sigma^2}$$.

सामान्यीकरण दोनों ही महत्वपूर्ण है क्योंकि एक सहसंबंध के रूप में स्वसंबंध की व्याख्या सांख्यिकीय निर्भरता की ताकत का एक पैमाने-मुक्त माप प्रदान करती है, और क्योंकि सामान्यीकरण का अनुमानित स्वसंबंधों के सांख्यिकीय गुणों पर प्रभाव पड़ता है।

समरूपता संपत्ति
तथ्य यह है कि ऑटो-सहसंबंध समारोह $$\operatorname{R}_{XX}$$ एक सम फलन है जिसे इस प्रकार कहा जा सकता है $$\operatorname{R}_{XX}(t_1,t_2) = \overline{\operatorname{R}_{XX}(t_2,t_1)}$$ WSS प्रक्रिया के लिए क्रमशः: $$\operatorname{R}_{XX}(\tau) = \overline{\operatorname{R}_{XX}(-\tau)} .$$

शून्य पर अधिकतम
WSS प्रक्रिया के लिए: $$\left|\operatorname{R}_{XX}(\tau)\right| \leq \operatorname{R}_{XX}(0)$$ नोटिस जो $$\operatorname{R}_{XX}(0)$$ हमेशा वास्तविक होता है।

कॉची-श्वार्ज असमानता
कॉची-श्वार्ज़ असमानता, स्टोकास्टिक प्रक्रियाओं के लिए असमानता: $$\left|\operatorname{R}_{XX}(t_1,t_2)\right|^2 \leq \operatorname{E}\left[ |X_{t_1}|^2\right] \operatorname{E}\left[|X_{t_2}|^2\right]$$

सफेद शोर का स्वत: संबंध
एक निरंतर-समय के श्वेत शोर संकेत के स्वत: संबंध में एक मजबूत शिखर होगा (एक डिराक डेल्टा समारोह द्वारा दर्शाया गया) $$\tau=0$$ और बिल्कुल होगा $$0$$ अन्य सभी के लिए $$\tau$$.

वीनर-खिनचिन प्रमेय
वीनर-खिनचिन प्रमेय स्वतः सहसंबंध समारोह से संबंधित है $$\operatorname{R}_{XX}$$ वर्णक्रमीय घनत्व के लिए $$S_{XX}$$ फूरियर रूपांतरण के माध्यम से:

$$\operatorname{R}_{XX}(\tau) = \int_{-\infty}^\infty S_{XX}(f) e^{i 2 \pi f \tau} \, {\rm d}f$$

$$S_{XX}(f) = \int_{-\infty}^\infty \operatorname{R}_{XX}(\tau) e^{- i 2 \pi f \tau} \, {\rm d}\tau .$$ वास्तविक-मूल्यवान कार्यों के लिए, सममित स्वसहसंबंध समारोह में एक वास्तविक सममित परिवर्तन होता है, इसलिए वीनर-खिनचिन प्रमेय को केवल वास्तविक कोसाइन के संदर्भ में फिर से व्यक्त किया जा सकता है:

$$\operatorname{R}_{XX}(\tau) = \int_{-\infty}^\infty S_{XX}(f) \cos(2 \pi f \tau) \, {\rm d}f$$

$$S_{XX}(f) = \int_{-\infty}^\infty \operatorname{R}_{XX}(\tau) \cos(2 \pi f \tau) \, {\rm d}\tau .$$

यादृच्छिक वैक्टर का स्वत: सहसंबंध
एक (संभावित समय-निर्भर) यादृच्छिक वेक्टर का (संभावित रूप से समय-निर्भर) ऑटो-सहसंबंध मैट्रिक्स (जिसे दूसरा क्षण भी कहा जाता है) $$\mathbf{X} = (X_1,\ldots,X_n)^{\rm T}$$ एक $$n \times n$$ मैट्रिक्स जिसमें तत्वों के रूप में यादृच्छिक वेक्टर के तत्वों के सभी जोड़े के स्वत: संबंध हैं $$\mathbf{X}$$. Autocorrelation मैट्रिक्स का उपयोग विभिन्न अंकीय संकेत प्रक्रिया  एल्गोरिदम में किया जाता है।

एक यादृच्छिक वेक्टर के लिए $$\mathbf{X} = (X_1,\ldots,X_n)^{\rm T}$$ यादृच्छिक तत्वों से युक्त जिसका अपेक्षित मूल्य और विचरण मौजूद है, ऑटो-सहसंबंध मैट्रिक्स द्वारा परिभाषित किया गया है

कहाँ $${}^{\rm T}$$ स्थानान्तरण को दर्शाता है और इसके आयाम हैं $$n \times n$$.

लिखित घटक-वार:

$$\operatorname{R}_{\mathbf{X}\mathbf{X}} = \begin{bmatrix} \operatorname{E}[X_1 X_1] & \operatorname{E}[X_1 X_2] & \cdots & \operatorname{E}[X_1 X_n] \\ \\ \operatorname{E}[X_2 X_1] & \operatorname{E}[X_2 X_2] & \cdots & \operatorname{E}[X_2 X_n] \\ \\ \vdots & \vdots & \ddots & \vdots \\ \\ \operatorname{E}[X_n X_1] & \operatorname{E}[X_n X_2] & \cdots & \operatorname{E}[X_n X_n] \\ \\ \end{bmatrix} $$ अगर $$\mathbf{Z}$$ एक जटिल यादृच्छिक सदिश है, स्वसंबंध मैट्रिक्स इसके द्वारा परिभाषित किया गया है

$$\operatorname{R}_{\mathbf{Z}\mathbf{Z}} \triangleq\ \operatorname{E}[\mathbf{Z} \mathbf{Z}^{\rm H}] .$$ यहाँ $${}^{\rm H}$$ हर्मिटियन ट्रांसपोज़ को दर्शाता है।

उदाहरण के लिए, यदि $$\mathbf{X} = \left( X_1,X_2,X_3 \right)^{\rm T}$$ एक यादृच्छिक वेक्टर है, फिर $$\operatorname{R}_{\mathbf{X}\mathbf{X}}$$ एक है $$3 \times 3$$ मैट्रिक्स जिसका $$(i,j)$$-वीं प्रविष्टि है $$\operatorname{E}[X_i X_j]$$.

स्वत: सहसंबंध मैट्रिक्स
के गुण
 * स्वसंबंध मैट्रिक्स जटिल यादृच्छिक वैक्टर के लिए एक हर्मिटियन मैट्रिक्स और वास्तविक यादृच्छिक वैक्टर के लिए एक सममित मैट्रिक्स है।
 * स्वसहसंबंध मैट्रिक्स एक सकारात्मक अर्ध निश्चित मैट्रिक्स है, अर्थात। $$\mathbf{a}^{\mathrm T} \operatorname{R}_{\mathbf{X}\mathbf{X}} \mathbf{a} \ge 0 \quad \text{for all } \mathbf{a} \in \mathbb{R}^n$$ एक वास्तविक यादृच्छिक वेक्टर के लिए, और क्रमशः $$\mathbf{a}^{\mathrm H} \operatorname{R}_{\mathbf{Z}\mathbf{Z}} \mathbf{a} \ge 0 \quad \text{for all } \mathbf{a} \in \mathbb{C}^n$$ एक जटिल यादृच्छिक वेक्टर के मामले में।
 * स्वसहसंबंध मैट्रिक्स के सभी eigenvalues ​​​​वास्तविक और गैर-नकारात्मक हैं।
 * स्वत:-सहप्रसरण मैट्रिक्स स्वतःसहसंबंध मैट्रिक्स से इस प्रकार संबंधित है:$$\operatorname{K}_{\mathbf{X}\mathbf{X}} = \operatorname{E}[(\mathbf{X} - \operatorname{E}[\mathbf{X}])(\mathbf{X} - \operatorname{E}[\mathbf{X}])^{\rm T}] = \operatorname{R}_{\mathbf{X}\mathbf{X}} - \operatorname{E}[\mathbf{X}] \operatorname{E}[\mathbf{X}]^{\rm T}$$क्रमशः जटिल यादृच्छिक वैक्टर के लिए:$$\operatorname{K}_{\mathbf{Z}\mathbf{Z}} = \operatorname{E}[(\mathbf{Z} - \operatorname{E}[\mathbf{Z}])(\mathbf{Z} - \operatorname{E}[\mathbf{Z}])^{\rm H}] =  \operatorname{R}_{\mathbf{Z}\mathbf{Z}} - \operatorname{E}[\mathbf{Z}] \operatorname{E}[\mathbf{Z}]^{\rm H}$$

नियतात्मक संकेतों का स्वत: सहसंबंध
सिग्नल प्रोसेसिंग में, उपरोक्त परिभाषा का उपयोग अक्सर सामान्यीकरण के बिना किया जाता है, अर्थात, माध्य घटाए बिना और विचरण द्वारा विभाजित किए बिना। जब स्वसहसंबंध फलन को माध्य और विचरण द्वारा सामान्यीकृत किया जाता है, तो इसे कभी-कभी स्वतःसहसंबंध गुणांक कहा जाता है या स्वसहप्रसरण समारोह।

निरंतर-समय संकेत
का स्वत: सहसंबंध एक संकेत दिया (इलेक्ट्रॉनिक्स) $$f(t)$$, निरंतर स्वसंबंध $$R_{ff}(\tau)$$ के निरंतर क्रॉस-सहसंबंध अभिन्न के रूप में अक्सर परिभाषित किया जाता है $$f(t)$$ खुद के साथ, अंतराल पर $$\tau$$.

कहाँ $$\overline{f(t)}$$ के जटिल संयुग्म का प्रतिनिधित्व करता है $$f(t)$$. ध्यान दें कि पैरामीटर $$t$$ अभिन्न में एक डमी चर है और केवल अभिन्न की गणना करने के लिए आवश्यक है। इसका कोई विशेष अर्थ नहीं है।

असतत-समय संकेत
का स्वत: सहसंबंध असतत स्वसंबंध $$R$$ अंतराल पर $$\ell$$ असतत समय संकेत के लिए $$y(n)$$ है

उपरोक्त परिभाषाएँ उन संकेतों के लिए काम करती हैं जो वर्ग पूर्णांक, या वर्ग योग योग्य हैं, जो कि परिमित ऊर्जा के हैं। हमेशा के लिए रहने वाले संकेतों को यादृच्छिक प्रक्रियाओं के रूप में माना जाता है, जिस स्थिति में अपेक्षित मूल्यों के आधार पर विभिन्न परिभाषाओं की आवश्यकता होती है। वाइड-सेंस-स्टेशनरी रैंडम प्रक्रिया  के लिए, ऑटोकरेलेशन को इस रूप में परिभाषित किया गया है

$$\begin{align} R_{ff}(\tau) &= \operatorname{E}\left[f(t)\overline{f(t-\tau)}\right] \\ R_{yy}(\ell) &= \operatorname{E}\left[y(n)\,\overline{y(n-\ell)}\right]. \end{align}$$ उन प्रक्रियाओं के लिए जो स्थिर प्रक्रिया नहीं हैं, ये भी कार्य होंगे $$t$$, या $$n$$.

उन प्रक्रियाओं के लिए जो एर्गोडिक प्रक्रिया भी हैं, अपेक्षा को औसत समय की सीमा से बदला जा सकता है। एर्गोडिक प्रक्रिया के स्वत: संबंध को कभी-कभी परिभाषित किया जाता है या इसके बराबर होता है

$$\begin{align} R_{ff}(\tau) &= \lim_{T \rightarrow \infty} \frac 1 T \int_0^T f(t+\tau)\overline{f(t)}\, {\rm d}t \\ R_{yy}(\ell) &= \lim_{N \rightarrow \infty} \frac 1 N \sum_{n=0}^{N-1} y(n)\,\overline{y(n-\ell)}. \end{align}$$ इन परिभाषाओं का लाभ यह है कि वे आवधिक कार्यों के लिए समझदार अच्छी तरह से परिभाषित एकल-पैरामीटर परिणाम देते हैं, तब भी जब वे कार्य स्थिर एर्गोडिक प्रक्रियाओं का आउटपुट नहीं होते हैं।

वैकल्पिक रूप से, सिग्नल जो हमेशा के लिए रहते हैं, उन्हें परिमित समय इंटीग्रल का उपयोग करते हुए, शॉर्ट-टाइम ऑटोकॉरेलेशन फ़ंक्शन विश्लेषण द्वारा इलाज किया जा सकता है। (संबंधित प्रक्रिया के लिए कम समय के फूरियर रूपांतरण देखें।)

आवधिक संकेतों के लिए परिभाषा
अगर $$f$$ अवधि का एक सतत आवधिक कार्य है $$T$$, से एकीकरण $$-\infty$$ को $$\infty$$ किसी भी अंतराल पर एकीकरण द्वारा प्रतिस्थापित किया जाता है $$[t_0,t_0+T]$$ लंबाई का $$T$$:

$$R_{ff}(\tau) \triangleq \int_{t_0}^{t_0+T} f(t+\tau) \overline{f(t)} \,dt$$ जो बराबर है

$$R_{ff}(\tau) \triangleq \int_{t_0}^{t_0+T} f(t) \overline{f(t-\tau)} \,dt$$

गुण
निम्नलिखित में, हम केवल एक-आयामी स्वसहसंबंधों के गुणों का वर्णन करेंगे, क्योंकि अधिकांश गुण आसानी से एक-आयामी मामले से बहु-आयामी मामलों में स्थानांतरित हो जाते हैं। ये गुण स्थिर प्रक्रिया#कमजोर या व्यापक अर्थ वाली स्थिरता|व्यापक अर्थ वाली स्थिर प्रक्रियाओं के लिए मान्य हैं।
 * स्वसहसंबंध की एक मौलिक संपत्ति समरूपता है, $$R_{ff}(\tau) = R_{ff}(-\tau)$$, जिसे परिभाषा से सिद्ध करना आसान है। लगातार मामले में,
 * स्वतःसंबंध एक समान कार्य है $$R_{ff}(-\tau) = R_{ff}(\tau)$$ कब $$f$$ एक वास्तविक कार्य है, और
 * स्वतःसंबंध एक हर्मिटियन कार्य है $$R_{ff}(-\tau) = R_{ff}^*(\tau)$$ कब $$f$$ एक जटिल कार्य है।
 * निरंतर स्वतःसंबंध कार्य मूल बिंदु पर अपने चरम पर पहुंच जाता है, जहां यह वास्तविक मूल्य लेता है, अर्थात किसी भी देरी के लिए $$\tau$$, $$|R_{ff}(\tau)| \leq R_{ff}(0)$$. यह पुनर्व्यवस्था असमानता का परिणाम है। असतत मामले में वही परिणाम होता है।
 * एक आवधिक कार्य का स्वत: संबंध, उसी अवधि के साथ आवधिक है।
 * दो पूरी तरह से असंबद्ध कार्यों के योग का स्वत: संबंध (क्रॉस-सहसंबंध सभी के लिए शून्य है $$\tau$$) प्रत्येक फ़ंक्शन के अलग-अलग स्वतःसंबंधों का योग है।
 * चूंकि स्वसहसंबंध एक विशिष्ट प्रकार का क्रॉस-सहसंबंध है, यह क्रॉस-सहसंबंध के सभी गुणों को बनाए रखता है।
 * प्रतीक का प्रयोग करके $$*$$ दृढ़ संकल्प का प्रतिनिधित्व करने के लिए और $$g_{-1}$$ एक फ़ंक्शन है जो फ़ंक्शन में हेरफेर करता है $$f$$ और के रूप में परिभाषित किया गया है $$g_{-1}(f)(t)=f(-t)$$, के लिए परिभाषा $$R_{ff}(\tau)$$ के रूप में लिखा जा सकता है:$$R_{ff}(\tau) = (f * g_{-1}(\overline{f}))(\tau)$$

बहु-आयामी स्वसहसंबंध
बहु-आयामी स्वसंबंध को इसी तरह परिभाषित किया गया है। उदाहरण के लिए, त्रि-आयामी अंतरिक्ष में एक वर्ग-संकलनीय असतत संकेत का स्वत: संबंध होगा

$$R(j,k,\ell) = \sum_{n,q,r} x_{n,q,r}\,\overline{x}_{n-j,q-k,r-\ell} .$$ जब माध्य मानों को एक स्वत:सहसंबंध फ़ंक्शन की गणना करने से पहले संकेतों से घटाया जाता है, तो परिणामी फ़ंक्शन को आमतौर पर एक ऑटो-सहप्रसरण फ़ंक्शन कहा जाता है।

कुशल गणना
असतत सिग्नल अनुक्रम के रूप में व्यक्त किए गए डेटा के लिए, उच्च एल्गोरिथम दक्षता के साथ स्वत: सहसंबंध की गणना करना अक्सर आवश्यक होता है। सिग्नल प्रोसेसिंग परिभाषा के आधार पर एक क्रूर बल विधि $$R_{xx}(j) = \sum_n x_n\,\overline{x}_{n-j}$$ सिग्नल का आकार छोटा होने पर इस्तेमाल किया जा सकता है। उदाहरण के लिए, वास्तविक सिग्नल अनुक्रम के स्वत: सहसंबंध की गणना करने के लिए $$x = (2,3,-1)$$ (अर्थात। $$x_0=2, x_1=3, x_2=-1$$, और $$x_i = 0$$ के अन्य सभी मूल्यों के लिए $f$) हाथ से, हम पहले यह पहचानते हैं कि अभी दी गई परिभाषा सामान्य गुणन के समान है, लेकिन सही बदलाव के साथ, जहां प्रत्येक ऊर्ध्वाधर जोड़ विशेष अंतराल मानों के लिए स्वतःसंबंध देता है: $$\begin{array}{rrrrrr} & 2 & 3 & -1 \\ \times & 2 & 3 & -1 \\ \hline &-2 &-3 & 1 \\      &   & 6 & 9 & -3 \\     + &   &   & 4 & 6 & -2 \\ \hline & -2 & 3 &14 & 3 & -2 \end{array}$$ इस प्रकार आवश्यक स्वतःसंबंध अनुक्रम है $$R_{xx}=(-2,3,14,3,-2)$$, कहाँ $$R_{xx}(0)=14,$$ $$R_{xx}(-1)= R_{xx}(1)=3,$$ और $$R_{xx}(-2)= R_{xx}(2) = -2,$$ अन्य लैग मानों के लिए स्वत: सहसंबंध शून्य है। इस गणना में हम योग के दौरान कैरी-ओवर ऑपरेशन नहीं करते हैं जैसा कि सामान्य गुणन में होता है। ध्यान दें कि हम स्वतःसंबंध की अंतर्निहित समरूपता का शोषण करके आवश्यक संचालन की संख्या को आधा कर सकते हैं। यदि संकेत आवधिक होता है, अर्थात $$x=(\ldots,2,3,-1,2,3,-1,\ldots),$$ तब हमें एक वृत्ताकार स्वतःसंबंध मिलता है (परिपत्र कनवल्शन के समान) जहाँ पिछले स्वतःसंबंध अनुक्रम के बाएँ और दाएँ पूंछ ओवरलैप होंगे और देंगे $$R_{xx}=(\ldots,14,1,1,14,1,1,\ldots)$$ जिसकी अवधि सिग्नल अनुक्रम के समान है $$x.$$ प्रक्रिया को असतत सिग्नल के जेड-रूपांतरण की कनवल्शन संपत्ति के अनुप्रयोग के रूप में माना जा सकता है।

जबकि ब्रूट फ़ोर्स एल्गोरिथम बिग ओ नोटेशन है $n^{2}$, कई कुशल एल्गोरिदम मौजूद हैं जो क्रम में स्वत: सहसंबंध की गणना कर सकते हैं $n log(n)$. उदाहरण के लिए, वीनर-खिनचिन प्रमेय कच्चे डेटा से स्वतःसंबंध की गणना करने की अनुमति देता है $X(t)$ दो तेज़ फूरियर रूपांतरण (FFT) के साथ:

$$\begin{align} F_R(f) &= \operatorname{FFT}[X(t)] \\ S(f) &= F_R(f) F^*_R(f) \\ R(\tau) &= \operatorname{IFFT}[S(f)] \end{align}$$ जहां आईएफएफटी उलटा तेजी से फूरियर ट्रांसफॉर्म को दर्शाता है। तारांकन जटिल संयुग्म को दर्शाता है।

वैकल्पिक रूप से, एक बहु $f$ कम के लिए क्रूर बल गणना का उपयोग करके सहसंबंध किया जा सकता है $f$ मान, और फिर उत्तरोत्तर बिनिंग $X(t)$ उच्च मूल्यों की गणना करने के लिए लॉगरिदमिक घनत्व वाला डेटा, जिसके परिणामस्वरूप वही होता है $n log(n)$ दक्षता, लेकिन कम मेमोरी आवश्यकताओं के साथ।

अनुमान
ज्ञात माध्य और विचरण के साथ एक असतत संकेत प्रक्रिया के लिए जिसके लिए हम निरीक्षण करते हैं $$n$$ टिप्पणियों $$\{X_1,\,X_2,\,\ldots,\,X_n\}$$, स्वतःसंबंध गुणांक का अनुमान इस रूप में प्राप्त किया जा सकता है

$$ \hat{R}(k)=\frac{1}{(n-k) \sigma^2} \sum_{t=1}^{n-k} (X_t-\mu)(X_{t+k}-\mu) $$ किसी भी सकारात्मक पूर्णांक के लिए $$k<n$$. जब सच्चा मतलब $$\mu$$ और विचरण $$\sigma^2$$ ज्ञात हैं, यह अनुमान बायस्ड अनुमानक है। यदि प्रक्रिया का सही माध्य और प्रसरण ज्ञात नहीं है तो कई संभावनाएँ हैं: अंतिम प्रकार के अनुमानों का लाभ यह है कि अनुमानित स्वसंबंधों का एक कार्य के रूप में सेट $$k$$, फिर एक ऐसा फ़ंक्शन बनाएं जो इस अर्थ में एक वैध स्वत: संबंध है कि एक सैद्धांतिक प्रक्रिया को परिभाषित करना संभव है, जो वास्तव में स्वत: संबंध है। अन्य अनुमान समस्या से पीड़ित हो सकते हैं, यदि उनका उपयोग रैखिक संयोजन के भिन्नता की गणना करने के लिए किया जाता है $$X$$है, परिकलित किया गया प्रसरण ऋणात्मक हो सकता है।
 * अगर $$\mu$$ और $$\sigma^2$$ नमूना माध्य और नमूना भिन्नता के लिए मानक सूत्रों द्वारा प्रतिस्थापित किया जाता है, तो यह एक पक्षपाती अनुमानक है।
 * एक पीरियोग्राम अनुमान प्रतिस्थापित करता है $$n-k$$ उपरोक्त सूत्र के साथ $$n$$. यह अनुमान हमेशा पक्षपाती होता है; हालाँकि, इसमें आमतौर पर एक छोटी माध्य चुकता त्रुटि होती है।
 * अन्य संभावनाएँ डेटा के दो भागों के उपचार से प्राप्त होती हैं $$\{X_1,\,X_2,\,\ldots,\,X_{n-k}\}$$ और $$\{X_{k+1},\,X_{k+2},\,\ldots,\,X_n\}$$ अलग से और अनुमान को परिभाषित करने में उपयोग के लिए अलग नमूना साधन और/या नमूना भिन्नता की गणना करना।

प्रतिगमन विश्लेषण
समय श्रृंखला विश्लेषण का उपयोग करते हुए प्रतिगमन विश्लेषण में, रुचि के एक चर में स्वत: सहसंबंध आमतौर पर या तो एक ऑटोरेग्रेसिव मॉडल (एआर), एक चलती औसत मॉडल  (एमए) के साथ तैयार किया जाता है, एक ऑटोरेग्रेसिव-मूविंग-एवरेज मॉडल (एआरएमए) के रूप में उनका संयोजन, या एक उत्तरार्द्ध के विस्तार को ऑटोरेग्रेसिव इंटीग्रेटेड मूविंग एवरेज मॉडल (ARIMA) कहा जाता है। एकाधिक परस्पर संबंधित डेटा श्रृंखला के साथ, वेक्टर ऑटोरिग्रेशन (VAR) या इसके एक्सटेंशन का उपयोग किया जाता है।

सामान्य कम से कम वर्गों (ओएलएस) में, एक मॉडल विनिर्देश की पर्याप्तता को यह स्थापित करके जांचा जा सकता है कि आंकड़ों में त्रुटियों और अवशिष्टों का स्वत: संबंध है या नहीं। त्रुटियों के समस्याग्रस्त स्वतःसंबंध, जो स्वयं अप्रमाणित हैं, का आमतौर पर पता लगाया जा सकता है क्योंकि यह अवलोकन योग्य अवशेषों में स्वतःसंबंध उत्पन्न करता है। (त्रुटियों को अर्थमिति में त्रुटि शर्तों के रूप में भी जाना जाता है।) त्रुटियों का स्वत: सहसंबंध सामान्य कम से कम वर्ग धारणा का उल्लंघन करता है कि त्रुटि शर्तें असंबद्ध हैं, जिसका अर्थ है कि गॉस-मार्कोव प्रमेय लागू नहीं होता है, और यह कि ओएलएस अनुमानक अब सर्वश्रेष्ठ रैखिक नहीं हैं निष्पक्ष अनुमानक (नीला)। हालांकि यह ओएलएस गुणांक अनुमानों को पूर्वाग्रह नहीं करता है, मानक त्रुटि (सांख्यिकी) को कम करके आंका जाता है (और टी-सांख्यिकी | टी-स्कोर को अधिक अनुमानित) जब कम अंतराल पर त्रुटियों के स्वतः संबंध सकारात्मक होते हैं।

प्रथम-क्रम स्वसहसंबंध की उपस्थिति के लिए पारंपरिक परीक्षण डर्बिन-वाटसन आँकड़ा है या, यदि व्याख्यात्मक चर में एक लैग्ड निर्भर चर शामिल है, तो डर्बिन-वाटसन आँकड़ा#Durbin h-statistic|Durbin's h आँकड़ा। डर्बिन-वाटसन को मूल्यों और उनके अंतराल के बीच पियरसन सहसंबंध के लिए रैखिक रूप से मैप किया जा सकता है। एक अधिक लचीला परीक्षण, उच्च आदेशों के स्वत: सहसंबंध को कवर करता है और यह लागू होता है कि रजिस्टरों में आश्रित चर के अंतराल शामिल हैं या नहीं, यह ब्रुश-गॉडफ्रे परीक्षण है। इसमें एक सहायक प्रतिगमन शामिल है, जिसमें ब्याज के मॉडल का अनुमान लगाने से प्राप्त अवशिष्टों को (ए) मूल प्रतिगामी और (बी) अवशिष्टों के के अंतराल पर, जहां 'के' परीक्षण का क्रम है, पर प्रतिगमन किया जाता है। इस सहायक प्रतिगमन से परीक्षण आँकड़ों का सबसे सरल संस्करण TR है2, जहां T नमूना आकार है और R2 दृढ़ संकल्प का गुणांक है। बिना किसी स्वसहसंबंध की शून्य परिकल्पना के तहत, यह आँकड़ा स्पर्शोन्मुख रूप से ची-स्क्वेर्ड वितरण है। के रूप में वितरित किया गया $$\chi^2$$k स्वतंत्रता की डिग्री के साथ।

गैर-शून्य स्वतःसहसंबंध की प्रतिक्रियाओं में सामान्यीकृत न्यूनतम वर्ग और न्यूये वेस्ट|न्यूए-वेस्ट एचएसी अनुमानक (हेटेरोस्केडैस्टिकिटी और ऑटोसहसंबंध संगत) शामिल हैं। मूविंग एवरेज मॉडल (MA) के अनुमान में, शामिल किए जाने वाले लैग्ड एरर टर्म्स की उचित संख्या निर्धारित करने के लिए ऑटोकॉरेलेशन फ़ंक्शन का उपयोग किया जाता है। यह इस तथ्य पर आधारित है कि ऑर्डर क्यू की एमए प्रक्रिया के लिए, हमारे पास है $$R(\tau) \neq 0$$, के लिए $$ \tau = 0,1, \ldots, q$$, और $$ R(\tau) = 0$$, के लिए $$\tau >q$$.

अनुप्रयोग

 * स्वसंबंध विश्लेषण का उपयोग प्रतिदीप्ति सहसंबंध स्पेक्ट्रोस्कोपी में भारी रूप से किया जाता है आणविक स्तर के प्रसार और रासायनिक प्रतिक्रियाओं में मात्रात्मक अंतर्दृष्टि प्रदान करने के लिए।
 * स्वसहसंबंध का एक अन्य अनुप्रयोग ऑप्टिकल स्पेक्ट्रम का मापन है और ऑप्टिकल ऑटोसहसंबंध का उपयोग करते हुए लेज़रों द्वारा उत्पादित बहुत कम अवधि के प्रकाश अल्ट्राशॉर्ट पल्स का मापन है।
 * स्वत: सहसंबंध का उपयोग गतिशील प्रकाश बिखरने वाले डेटा का विश्लेषण करने के लिए किया जाता है, जो विशेष रूप से नैनोमीटर आकार के कणों या द्रव में निलंबित मिसेल के कण आकार के वितरण के निर्धारण को सक्षम बनाता है। मिश्रण में चमकने वाला एक लेज़र एक धब्बेदार पैटर्न का निर्माण करता है जो कणों की गति से उत्पन्न होता है। कणों के प्रसार के संदर्भ में संकेत के स्वत: संबंध का विश्लेषण किया जा सकता है। इससे द्रव की श्यानता जानकर कणों के आकार की गणना की जा सकती है।
 * उपग्रहों पर वाहक सिग्नल के प्रसारण के समय बिंदु और जमीन पर रिसीवर के समय बिंदु के बीच प्रचार विलंब, या समय बदलाव के लिए सही करने के लिए GPS  सिस्टम में उपयोग किया जाता है। यह रिसीवर द्वारा 1,023-बिट C/A (मोटे/अधिग्रहण) कोड की प्रतिकृति सिग्नल उत्पन्न करने और एक समय में दस के पैकेट में कोड चिप्स [-1,1] की लाइनें उत्पन्न करने, या 10,230 चिप्स (1,023) द्वारा किया जाता है। × 10), आने वाले उपग्रह सिग्नल में  डॉपलर शिफ्ट  के लिए समायोजित करने के लिए थोड़ा सा स्थानांतरित करना, जब तक रिसीवर प्रतिकृति सिग्नल और सैटे रोशनी  सिग्नल कोड मेल नहीं खाते।
 * एक नैनोसंरचित प्रणाली की लघु-कोण एक्स-रे प्रकीर्णन तीव्रता इलेक्ट्रॉन घनत्व के स्थानिक स्वतःसंबंध समारोह का फूरियर रूपांतरण है।
 * सतह विज्ञान और स्कैनिंग जांच माइक्रोस्कोपी में, सतह आकृति विज्ञान और कार्यात्मक विशेषताओं के बीच एक कड़ी स्थापित करने के लिए स्वत: सहसंबंध का उपयोग किया जाता है।
 * प्रकाशिकी में, सामान्यीकृत स्वसहसंबंध और क्रॉस-सहसंबंध एक विद्युत चुम्बकीय क्षेत्र के सुसंगतता की डिग्री देते हैं।
 * सिग्नल प्रोसेसिंग में, स्वत: सहसंबंध बीट (संगीत) (उदाहरण के लिए, टेम्पो निर्धारित करने के लिए) या पलसर आवृत्ति जैसी घटनाओं को दोहराने के बारे में जानकारी दे सकता है, हालांकि यह बीट के समय में स्थिति नहीं बता सकता है। इसका उपयोग पिच डिटेक्शन एल्गोरिदम के लिए भी किया जा सकता है।
 * संगीत रिकॉर्डिंग में, स्व-सहसंबंध का उपयोग मुखर प्रसंस्करण से पहले एक विरूपण (संगीत) प्रभाव के रूप में या अवांछित गलतियों और अशुद्धियों को खत्म करने के लिए पिच डिटेक्शन एल्गोरिदम के रूप में किया जाता है।
 * पैटरसन समारोह के माध्यम से समय के बजाय अंतरिक्ष में स्वत: सहसंबंध का उपयोग एक्स-रे विवर्तनवादियों द्वारा अकेले विवर्तन के माध्यम से उपलब्ध परमाणु स्थितियों पर फूरियर चरण की जानकारी को पुनर्प्राप्त करने में मदद करने के लिए किया जाता है।
 * आँकड़ों में, नमूना स्थानों के बीच स्थानिक स्वसंबंध भी विषम जनसंख्या का नमूना लेते समय भिन्नता सामान्यीकरण का अनुमान लगाने में मदद करता है।
 * मास स्पेक्ट्रम का विश्लेषण करने के लिए SEQUEST एल्गोरिथ्म एक पेप्टाइड का प्रतिनिधित्व करने वाले एक आदर्श स्पेक्ट्रम के लिए एक देखे गए स्पेक्ट्रम की समानता को स्कोर करने के लिए क्रॉस-सहसंबंध के संयोजन के साथ ऑटोकॉरेलेशन का उपयोग करता है।
 * खगोलभौतिकी में, ब्रह्माण्ड में आकाशगंगा  के स्थानिक वितरण का अध्ययन और लक्षण वर्णन करने के लिए और कम द्रव्यमान वाले एक्स-रे बाइनरी |
 * पैनल डेटा में, स्थानिक स्वसंबंध अंतरिक्ष के माध्यम से एक चर के सहसंबंध को संदर्भित करता है।
 * मार्कोव चेन मोंटे कार्लो डेटा के विश्लेषण में, सही त्रुटि निर्धारण के लिए स्वत: सहसंबंध को ध्यान में रखा जाना चाहिए।
 * भूविज्ञान में (विशेष रूप से भूभौतिकी में) इसका उपयोग भूमिगत के एक 3डी भूकंपीय सर्वेक्षण से स्वसंबंध भूकंपीय विशेषता की गणना करने के लिए किया जा सकता है।
 * चिकित्सा अल्ट्रासाउंड इमेजिंग में, रक्त प्रवाह को देखने के लिए स्वतः सहसंबंध का उपयोग किया जाता है।
 * इंटरटेम्पोरल पोर्टफोलियो विकल्प में, किसी परिसंपत्ति की वापसी की दर में स्वत: सहसंबंध की उपस्थिति या अनुपस्थिति उस संपत्ति में रखने के लिए पोर्टफोलियो के इष्टतम हिस्से को प्रभावित कर सकती है।
 * संख्यात्मक रिले में पावर सिस्टम फ्रीक्वेंसी को सटीक रूप से मापने के लिए ऑटोकॉरेलेशन का उपयोग किया गया है।

सीरियल निर्भरता
क्रमिक निर्भरता स्वसहसंबंध की धारणा से निकटता से जुड़ी हुई है, लेकिन एक अलग अवधारणा का प्रतिनिधित्व करती है (सहसंबंध और निर्भरता देखें)। विशेष रूप से, सीरियल निर्भरता होना संभव है लेकिन कोई (रैखिक) सहसंबंध नहीं है। हालाँकि, कुछ क्षेत्रों में, दो शब्दों को पर्यायवाची के रूप में उपयोग किया जाता है।

एक यादृच्छिक चर की एक समय श्रृंखला में सीरियल निर्भरता होती है यदि किसी समय मान $$t$$ श्रृंखला में एक और समय में मूल्य पर सांख्यिकीय स्वतंत्रता है $$s$$. यदि किसी जोड़ी के बीच कोई निर्भरता नहीं है तो एक श्रृंखला क्रमिक रूप से स्वतंत्र होती है।

यदि एक समय श्रृंखला $$\left\{ X_t \right\}$$ स्थिर प्रक्रिया है, तो जोड़ी के बीच सांख्यिकीय निर्भरता $$(X_t,X_s)$$ इसका अर्थ यह होगा कि समान अंतराल पर मूल्यों के सभी युग्मों के बीच सांख्यिकीय निर्भरता है $$\tau=s-t$$.

यह भी देखें

 * स्वतःसंबंध मैट्रिक्स
 * Autocorrelation तकनीक
 * स्वतःसंबंध (शब्द)
 * स्वत:सहसंबंधक
 * सहसंबंध समारोह
 * कोरेलोग्राम
 * पार सहसंबंध
 * गैल्टन की समस्या
 * आंशिक स्वसहसंबंध समारोह
 * प्रतिदीप्ति सहसंबंध स्पेक्ट्रोस्कोपी
 * ऑप्टिकल ऑटोकॉर्पोरेशन
 * पिच डिटेक्शन एल्गोरिदम
 * ट्रिपल सहसंबंध
 * रिवाज़
 * कोक्रेन-ऑर्कट अनुमान (स्वत: सहसंबद्ध त्रुटि शर्तों के लिए परिवर्तन)
 * प्रैस-विंस्टन परिवर्तन
 * स्केल सहसंबंध
 * मानक विचलन का निष्पक्ष अनुमान # स्वसंबंध का प्रभाव (क्रमिक सहसंबंध)

अग्रिम पठन

 * Mojtaba Soltanalian, and Petre Stoica. "Computational design of sequences with good correlation properties." IEEE Transactions on Signal Processing, 60.5 (2012): 2180–2193.
 * Solomon W. Golomb, and Guang Gong. Signal design for good correlation: for wireless communication, cryptography, and radar. Cambridge University Press, 2005.
 * Klapetek, Petr (2018). Quantitative Data Processing in Scanning Probe Microscopy: SPM Applications for Nanometrology (Second ed.). Elsevier. pp. 108–112 ISBN 9780128133477.
 * Solomon W. Golomb, and Guang Gong. Signal design for good correlation: for wireless communication, cryptography, and radar. Cambridge University Press, 2005.
 * Klapetek, Petr (2018). Quantitative Data Processing in Scanning Probe Microscopy: SPM Applications for Nanometrology (Second ed.). Elsevier. pp. 108–112 ISBN 9780128133477.