CHAPITRE 2

Formalisme des processus alatoires

2.1 - Signal dterministe et signal alatoire

2.1.1 - Signal dterministe
Les signaux dterministes sont connus par leur reprsentation temporelle et
spectrale.
Dans le domaine temporel, un signal dterministe est un signal dont on peut
dterminer la valeur l'instant t + , par la connaissance de sa valeur l'instant t .
Dans le domaine spectral, le spectre du signal permet par exemple, de donner
une indication sur l'nergie contenue dans le signal en fonction de la frquence.
Les signaux dterministes simples sont gnralement caractriss par un petit
nombre de paramtres. Par exemple, un signal continu est totalement dtermin si
l'on connat son amplitude. Un signal sinusodal est compltement dtermin si
l'on connat son amplitude, sa frquence et sa phase l'origine.

2.1.2 - Signal alatoire

Par opposition aux signaux dterministes, le bruit est un signal alatoire, c'est
dire que les signaux de bruit sont lis au hasard. Le bruit sera donc modlis
par des fonctions alatoires et trait par les lois de la thorie des probabilits,
aussi bien dans le domaine temporel (distribution en amplitude) que dans le
domaine spectral (densits spectrales).
Un signal alatoire ne peut pas tre compltement dtermin par un nombre
fini de paramtres. Nous montrerons cependant que pour la plupart des signaux
alatoires d'origine physique, une connaissance des proprits moyennes du signal
est plus utile qu'une description exacte et dtaille de sa variation en fonction du
temps.
Nous verrons plus tard, que le bruit est un processus alatoire, souvent
considr comme stationnaire et ergodique et de valeur moyenne nulle.

ensea

Pierre POUVIL

12

Formalisme des processus alatoires

2.2 - Variables et fonctions alatoires

Les processus alatoires sont dcrits par des variables alatoires.
Gnralement, en lectronique, ces variables alatoires dpendent du temps. On
parle alors de fonctions alatoires. Lorsque le temps est chantillonn, la
fonction alatoire s'exprime comme un systme de n variables alatoires, pouvant
prsenter des critres de dpendance stochastique. Les variables alatoires ou les
fonctions alatoires peuvenr tre relles ou complexes.
Dans la plupart des cas, la connaissance des proprits moyennes d'un signal
alatoire est plus utile et surtout plus accessible que la connaissance exacte de sa
variation en fonction du temps.

2.2.1 - Moyennes
On peut dfinir deux types de moyennes :
la moyenne spatiale ;
la moyenne temporelle.
Prenons pour variable alatoire X 1 ( t ) , la variation de tension du rseau de
distribution basse tension EDF, par rapport la tension nominale en un point
d'une ville. En N points diffrents de la ville, nous pouvons considrer des
variations X 2 ( t ), X 3 ( t ), ... X N ( t ) . Il est donc possible d'observer aux mmes
instants, diffrentes variables alatoires se reportant au mme processus alatoire.
La moyenne spatiale ou moyenne d'ensemble est dfinie par :
1
N N

m X ( t 0 ) = lim

i= N

X (t )
i

(2.1)

i =1

On obtient ainsi une fonction qui varie avec le temps.

Pour la gestion du rseau, il est souvent plus utile de disposer de la variation
de tension du rseau en un point donn de la ville, mais en fonction du temps. Il
est alors possible de dfinir la moyenne temporelle.
La moyenne temporelle d'un processus alatoire continu, est donne par :
t + T

1 0
X i = lim
. X i ( t ). dt
T T
t0

(2.2)

En principe, on peut obtenir une bonne estimation de la moyenne spatiale avec

un grand nombre de points d'observation N , et une bonne estimation de la
moyenne temporelle avec une grande dure d'observation T .
Les moyennes spatiales ou temporelles sont souvent appeles moments du
premier ordre

Pierre POUVIL

ensea

Variables et fonctions alatoires

13

2.2.2 - Variance, cart type et valeur efficace

La variance d'un ensemble de variables alatoires est dfinie comme une
moyenne spatiale :
2
1 i= N
var X ( t 0 ) = lim X i ( t 0 ) mX ( t 0 )
(2.3)
N N
i =1

La variance reprsente la moyenne quadratique de l'cart la moyenne des

variables alatoires considres.
On note galement :

var X ( t 0 ) = X

(2.4)

: est l'cart type.

La valeur efficace de la variable X i ( t 0 ) , est dfinie par une moyenne
temporelle :
X i eff

1
= X i = lim
T T
2

t 0 + T

[ X ( t ) ] . dt
2

(2.5)

t0

Les relations (2.5) montre que la valeur efficace est gale la racine carre de
la moyenne temporelle du carr du signal, que l'on appelle galement, valeur
quadratique moyenne ou moment du deuxime ordre

2.3 - Proprits des variables alatoires temporelles

2.3.1 - Indpendance ou incohrence
Deux variables alatoires temporelles X et Y , sont indpendantes si la
moyenne temporelle de leur produit est gale au produit de leurs moyennes
temporelles :
X . Y = X . Y

(2.6)

2.3.2 - Stationnarit
Un processus alatoire est stationnaire si ses proprits statistiques
d'ensemble ne dpendent pas de l'instant choisi. La stationnarit au premier
ordre se traduit au niveau des moyennes par :
t1 , t 2 ,... t i :

m X ( t1 ) = m X ( t 2 ) =... m X ( t i )

(2.7)

La stationnarit au deuxime ordre se traduit au niveau des variances par :

t1 , t 2 ,... t i :

ensea

var X ( t1 ) = var X ( t 2 ) =...var X ( t i )

(2.8)

Pierre POUVIL

14

Formalisme des processus alatoires

La stationnarit stricte est difficile vrifier. Par contre il est possible de

considrer qu'un phnomne est stationnaire si ses proprits statistiques
d'ensemble ne dpendent pas de l'instant choisi sur un intervalle de temps grand
devant celui du processus.

2.3.3 - Ergodisme
Un processus alatoire est ergodique, si les moyennes d'ensemble et les
moyennes temporelles sont identiques :
t 0 et k ,

1
N N
lim

i= N

1
T T

X i (t 0 ) = lim
i =1

t 0 + T

X (t ). dt
k

(2.9)

t0

Remarquons que l'ergodisme implique la stationnarit.

A partir d'une observation instantane sur un grand nombre d'chantillons d'un
processus ergodique, il est possible de faire des prdictions sur l'volution temporelle de ce processus.
Dans le cas d'un processus ergodique, nous pouvons confondre les moyennes
d'ensemble et les moyennes temporelles.
2.3.3.1 - Relation entre valeur efficace et variance d'un processus ergodique
Sur un nombre d'chantillons relativement grand, la variance de la variable
alatoire temporelle X ( t ) , stationnaire et ergodique s'crit sous la forme :
X

1
=
N

i= N

( X X )

(2.10)

i =1

Dveloppons la relation (2.10) :

X

1 i= N 2
1 i= N
1 i= N
= X 2. X . X + X 2
N i =1
N i =1
N i =1

(2.11)

En considrant les relations (2.5), (2.1) et (2.9), nous obtenons :

X 2 = X 2 X 2 = Xeff 2 m X 2

(2.12)

2.3.3.2 - Addition de deux processus indpendants ergodiques

Considrons deux processus alatoires indpendants ergodiques X et Y , de
valeurs moyennes nulles :

Pierre POUVIL

X = Y = 0

(2.13)

X . Y = X . Y = 0

(2.14)

ensea

Proprits des variables alatoires temporelles

15

L'addition de ces deux processus conduit :

C'est dire :

Z = X +Y

(2.15)

Z 2 = X 2 + Y 2 + 2. X . Y

(2.16)

La valeur efficace, dfinie comme la valeur quadratique moyenne, conduit :

Z 2 = X 2 + Y 2

(2.17)

Zeff 2 = Xeff 2 + Yeff 2

(2.18)

2.4 - Distribution d'amplitude

2.4.1 - Fonction de rpartition ou fonction de distribution
La fonction de rpartition traduit la probabilit F ( x ) qu'a l'amplitude
instantane X (t ) d'un signal d'tre infrieure une valeur de rfrence x donne :
F ( x ) = Prob X < x

(2.19)

2.4.2 - Densit de probabilit

Dans bon nombre de phnomnes physiques, la probabilit de trouver la
variable X (t ) infrieure x est une quantit infinitsimale. Pour cette raison, on
prfre lui associer la notion de densit de probabilit dfinie comme la drive
de la fonction de rpartition par rapport x :
dF ( x )
f ( x) =
(2.20)
dx
La densit de probabilit caractrise la distribution d'amplitude en position et
en dispersion, mais elle ne donne aucune indication sur la rapidit des ses
variations temporelles.
La densit de probabilit obit une condition de normalisation :
+

f ( x ).dx = 1

(2.21)

ensea

Pierre POUVIL

16

Formalisme des processus alatoires

F(x)
1

x0

f(x)

x0

Fig. 2.1 - Exemple de fonction de distribution et densit spectrale associe.

2.4.3 - Moments
Nous pouvons dfinir les diffrents moments partir de la densit de probabilit.
2.4.3.1 - Moment du premier ordre ou valeur moyenne
La valeur moyenne ou moment du premier ordre ou encore esprance
mathmatique d'une variable alatoire X est dfinie par :
X = X = E[ X ] =

x. f ( x ). dx

(2.22)

2.4.3.2 - Moment du deuxime ordre ou moyenne quadratique

Le moment du deuxime ordre est dfini par :
+

[ ] x . f ( x ).dx

X 2 = X 2 = E X 2 =

(2.23)

2.4.3.3 - Moment d'ordre n

La gnralisation des relations prcdentes conduit :
+

[ ] = x . f ( x ). dx

X = X = E X
n

(2.24)

Pierre POUVIL

ensea

Covariance et fonction d'autocorrlation

17

2.5 - Covariance et fonction d'autocorrlation

2.5.1 - Covariance
2.5.1.1 - Dfinition
Considrons une fonction alatoire X ( t ) et la valeur de deux chantillons

X ( t1 ) et X ( t2 ) , aux instants t1 et t2 .

La covariance est dfinie par :

C XX ( t1 , t2 ) = E X ( t1 ) . X ( t2 )

(2.25)

Introduisons le dcalage entre les instants d'observation :

= t2 t1

(2.26)

La covariance s'exprime alors par :

C XX ( t1 , ) = E X ( t1 ) . X ( t1 + )

(2.27)

Considrons maintenant le cas o la fonction alatoire X ( t ) est complexe,

c'est dire qu'elle peut s'crire sous la forme :
X ( t ) = A( t ) + j. B( t )

(2.28)

A ( t ) et B ( t ) : sont des fonctions alatoires relles.

Dans ce cas, la covariance s'exprime sous la forme :
C XX ( t1 , ) = E X ( t1 ) . X ( t1 + )

(2.29)

X : est le complexe conjugu de la fonction alatoire X .

2.5.1.2 - Proprits
Si le dcalage entre les instants d'observation s'accrot indfiniment, les
valeurs des deux chantillons deviennent indpendantes. La relation (2.27) se
rduit au produit des esprances mathmatiques :

] [

lim C XX ( t1 , ) = E X ( t1 ) . E X ( t1 + )

(2.30)

Lorsque l'cart de temps entre les deux observations diminue, la covariance

atteint sa valeur maximum. C'est ainsi que :
C XX ( t1 , 0) > C XX ( t1 , )

(2.31)

2.5.2 - Fonction d'autocorrlation

2.5.2.1 - Dfinition
La fonction d'autocorrlation est la covariance d'une fonction alatoire stationnaire au deuxime ordre :
ensea

Pierre POUVIL

18

Formalisme des processus alatoires

CXX ( ) = E X (t ). X (t + )

(2.32)

En tenant compte de la relation (2.2) :

t + T

1 0
C XX ( ) = lim
. X ( t ). X ( t + ). dt
T T
t0

(2.33)

Dans le cas d'une fonction alatoire complexe, la fonction d'autocorrlation

se dduit de la relation (2.29) :
C XX ( ) = E X (t ). X (t + )

(2.34)

2.5.2.2 - Proprits
Lorsque = 0 , les relations (2.32) et (2.5) conduisent :

C XX ( 0) = E ( X ( t )) = X 2 = X eff 2
2

(2.35)

En raison de la stationnarit au deuxime ordre, la fonction d'autocorrlation

est paire. En remplaant dans la relation (2.32), t par ( t ) , nous obtenons :
E[ X ( t ). X ( t + )] = E[ X ( t ). X ( t )] = E[ X ( t ). X ( t )]

(2.36)

C XX ( ) = C XX ( )

(2.37)

Soit :

Compte tenu de la relation (2.28), et dans la cas d'un processus ergodique,

nous avons :

lim C XX ( ) = E[ X ( t )] = m X

(2.38)

C XX ( 0) = E ( X ( t )) = X 2 = X eff 2 = X 2 + m X 2
2

(2.39)

C XX( )
2

X + m X

mX

Fig. 2.2 - Fonction d'autocorrlation d'un processus stationnaire et ergodique.

Pierre POUVIL

ensea

Bibliographie

19

2.6 - Fonctions d'intercorrlation

2.6.1 - Dfinition
La liaison entre deux fonctions alatoires stationnaires X (t ) et Y (t ) est
caractrise par les fonctions d'intercorrlation dfinies par :
CXY ( ) = E X (t ). Y (t + )

(2.40)

CYX ( ) = E Y (t ). X (t + )

(2.41)

En tenant compte de la relation (2.33), nous avons :

t + T

1 0
C XY ( ) = lim
. X ( t ).Y ( t + ). dt
T T
t0

(2.42)

C XY ( ) = CYX ( )

(2.43)

C XY ( ) C XY ( )

(2.44)

2.6.2 - Proprits

Bibliographie
[1] B. PICINBONO, Introduction l'tude des signaux et phnomnes alatoires Ed. Dunod,
Paris, 1971.
[2] B. DEMOULIN, Processus alatoires Les techniques de l'ingnieur, R210, p. 1-23.
[3] B. DEMOULIN, Fonctions alatoires Les techniques de l'ingnieur, R220, p. 1-16.

ensea

Pierre POUVIL