Plan

Introduction
Notion de signaux alatoires
Stationnarit & Ergodicit
Reprsentation spectral et DSP

Conclusion

Introduction

En physique, certains phnomnes prsentent un caractre

imprvisible. Lorsquon effectue ainsi deux fois une exprience (par
exemple une mesure) dans les mmes conditions, on observera
des rsultats diffrents. De tels phnomnes seront dits alatoires

Signaux alatoires
Notion de signal alatoire :
Un signal alatoire est un processus se droulant dans le temps et gouverne, au moins partiellement, par
les lois au hasard.

Afin de caractriser les proprits

statistiques des signaux alatoires il faut
introduire la notion de probabilit.

Notion de signal alatoire

1

1 1 , 1

Soit N ralisations dun signal alatoire

On suppose parmi ces ralisations, un nombre n ont au moment t=t1 des

valeurs infrieures ou gales . La probabilit pour que X(t) au moment t1
soit inferieur a est donne par :

Cette probabilit dpend en gnral de t1 et de . Cette fonction de deux

variables note par , 1 = { 1 } sappelle fonction de
rpartition des probabilits du premier ordre ou simplement fonction de
rpartition.

{() } =

5

Processus alatoires : densits dordre 2

On considre le couple des valeurs prises par le processus alatoire deux
instants ti et tj :
(X (ti ),X (tj )). La densit de probabilit dordre 2, note

, ; , , =

( , ; , )

Thorme :
Un processus alatoire est entirement dcrit par ses densits de probabilit dordre n :
1 , 2 , . . , ; 1, , ,
Cette densit reprsente la faon dont les valeurs du processus se distribuent aux n
instants 1, , , .
6

Exemple de signal alatoire

Sinusode phase alatoire

X(t, ) = A cos(2f0t + ())

Sinusode frquence alatoire

X(t, ) = A cos(2F()t + )

Exemple de signal alatoire

Tension alatoire aux bornes

dune rsistance (bruit thermique)

TYPES DE SIGNAUX ALEATOIRES

Suite alatoire : le signal prend un ensemble continu de valeurs a des moments

de temps discrets : t1, ., tn.
Suite numrique : le signal prend seulement des valeurs discrtes a des
moments de temps discrets.
Processus alatoire continu : le signal prend un ensemble continu de valeurs
pendant un intervalle de temps continu.
Processus alatoire discret : le signal prend seulement des valeurs discrtes
9
pendant un intervalle de temps discrets.

VALEURS MOYENNES STATISTIQUES ET VALEURS MOYENNES TEMPORELLES DES

SIGNAUX ALEATOIRES
En gnral on ne connat pas les densits dordre n. On se contente souvent des densits
dordre 1 et 2, voire des moments dordre 1 et 2.

Cest la moyenne des valeurs que prend le processus X (t) un instant t fix, sur un trs
grand nombre de ralisations.

10

Valeurs moyennes statistiques

( =

, =

= , , ,

1 , 2 = 1 2
+

= 1 2 2 1 , 2 , 1 , 2 111 2

Variance

= {[ ] } =

( )

La variance indique de quelle manire la srie statistique ou la variable

alatoire se disperse autour de sa moyenne ou son esprance
L'cart type est souvent plus parlant que la variance pour apprhender la dispersion

Fonctions de covariance
Fonction dautocovariance
( , )= E{[ ] [ ]}
Fonction dintercovariance

( , )= E{[ ] [ 12 ]}

Moyennes statistiques

Comment calculer les moyennes statistiques ?

Lorsque les densits de probabilit sont connues, on peut faire le calcul

analytique.
Lorsque lon dispose dun grand nombre de ralisations, on peut
approcher exprimentalement les moyennes statistiques en moyennant
les variables sur les ralisations disponibles
Lorsque lon dispose de peu de ralisations (une seule parfois) on utilise
la proprit dergodicit pour remplacer moyennes statistiques par des
moyennes temporelles.

13

Moyennes temporelles

Valeur moyenne temporelle

Fonction dautocorrlation temporelle

14

Rappelle sur les lois de probabilit

UN EXEMPLE TRS IMPORTANTE ET OMNIPRSENT EN TRAITEMENT DU SIGNAL EST
LA LOI NORMAL OU LOI GAUSSIENNE
UNE V.A. X EST DITE NORMALE OU (GAUSSIENNE) SI SA DENSIT DE PROBABILIT ET
SA FONCTION DE RPARTITION SCRIVENT :

1
2

()2

22

1
2

Notation :
x N(m, )

m: moyenne et cart-type

- Une v.a. normale X est dite rduite si

x N(0, 1)
2

1
2
(x) = F(x)|~ 0,1 =

()2

22

LOI UNIFORME
Loi uniforme discret
Une variable alatoire qui peut prendre n valeurs possibles k1 , k2 , , kn, suit une loi uniforme lorsque
la probabilit de nimporte quelle valeur ki est gale 1/n.

Loi uniforme continue

La loi uniforme continue est une gnralisation de la fonction rectangle cause de la forme de sa
fonction densit de probabilit. Elle est paramtre par les plus petites et plus grandes
valeurs a et b que la variable alatoire uniforme peut prendre. Cette loi continue est souvent
note U(a, b).

LOI UNIFORME
La densit de probabilit de la loi uniforme continue est une fonction porte sur
l'intervalle [a, b] :

1
f(x)=

Fonction de rpartition
0 <
F(x)=

SIGNAUX STATIONNAIRES
Pour un processus alatoire quelconque, les caractristiques statistiques (densits de probabilits
dordre n, moments) dpendent des instants ti auxquels elles sont calcules.
Certains processus prsentent des caractristiques statistiques invariantes tout changement de
lorigine des temps. On dit quils sont stationnaires.

Les processus stationnaires au sens strict vrifient :

1 , 2 , . . , ; 1 , 2 . , = 1 , 2 , . . , ; 1 + , 2 + . , +

18

Processus stationnaires au sens strict

Si dans la relation prcdente on pose n=1 , on obtient:
1 1 , 1 = 1 1

Ainsi en remplaant =-t1 dans la relation on obtient :

1 , 2 , . . , ; 1 , 2 . , = 1 , 2 , . . , ; 0, 2 1 , 3 1 . , 1
Si dans la relation on pose n=2, o obtient:

2 1 , 2 , 1 , 2 = 2 1 , 2 , 2 1

Donc la densit de probabilit du deuxime ordre est indpendante du temps.

Si On introduit , = dans
1

on obtient :

= 1 1 1 1 = Donc la valeur moyenne est indpendante du temps.

De mme si dans la relation de variance on introduit , = , on obtient:

[ 1 1

19
} = )2 1 1 1 = 2 Donc la variance est indpendante du temps.

Processus stationnaires au second ordre

Les processus alatoires stationnaires au sens large (ou au second ordre)
vrifient les proprits suivantes :
La fonction dautocovariance CX (t1, t2) ne dpend alors que de = t1 t2
CX () = E[(X(t) mX )( X ( t ) mX )] = RX () |mX |2

la fonction dautocorrlation RX (t1, t2) vrifie :

la variance E[(X(t) E(X(t))) 2] = X 2
ne dpend pas du temps t
la moyenne statistique E[X(t)] = mX ne dpend pas du temps t
20

Processus Stationnaire (Exemple)

(a) : stationnaire - (b) (c) et (d) : non stationnaires

21

Processus Ergodique

Trs souvent, on ne dispose que dune seule ralisation du signal alatoire analyser.
On peut se demander dans ce cas si les moyennes temporelles peuvent servir estimer
les moyennes statistiques. Clairement cela nest pas possible si le processus est non
stationnaire (car dans ce cas les moyennes statistiques varient au cours du temps).
Si le processus est stationnaire et si de surcrot les moyennes statistiques et temporelles
concident le processus est dit ergodique.
Lergodicit est une proprit trs utile puisquelle permet de retrouver les proprits
statistiques dun signal alatoire (et son spectre de puissance) par lanalyse dune seule
ralisation de ce signal. Cette proprit est parfois difficile vrifier.

22

Ergodicit

Processus Ergodique

Lergodicit est considr comme une des notions les plus importantes en statistiques.
Intuitivement, un processus (signal) sera ergodique si une ralisation quelconque de ce
processus porte en elle toutes les informations statistiques permettant de dcrire le
processus dans son ensemble (cd sur toutes ses ralisations).
Lergodicit permet en particulier de calculer le spectre dun signal alatoire partir
dune
seule ralisation
Dans certains cas on peut tablir lergodicit par le calcul thorique. Sinon on ladmet et
on vrifie a posteriori que le systme conu fonctionne bien !

23

SIGNAUX ALATOIRES : REPRSENTATION SPECTRALE

24

Transforme de Fourier et densit spectrale de puissance

On rappelle le thorme de Parseval pour les signaux discrets
dterministes dnergie finie :
1/2

= | |2
1/2

Ce thorme justifie lappellation de densit spectrale

dnergie pour la quantit |X(f)|2 dans ce cas.
Considration quivalente pour la puissance (limite des signaux
tronqus en T).
Et pour les signaux alatoires ?

25

Transforme de Fourier et processus alatoire

26

On cherche, comme pour les signaux dterministes dvelopper des

techniques danalyse frquentielle

Lutilisation directe de la transforme de Fourier: X t, =

X (t, ) 2

ne convient pas:

X (f ) dpend de dans cette formule

un signal alatoire stationnaire est gnralement dnergie infinie, donc problme de convergence
de lintgrale de Fourier.

Densit spectrale de puissance

Densit spectrale de puissance
La densit spectrale de puissance dun processus alatoire est
dfinie par :

Remarques :

[| 2 |]
= lim

XT est la TFtd du processus tronqu (nul en dehors de lintervalle [T/2; T/2],

comme dans la dfinition dterministe de la puissance.

La diffrence est dans la prsence de loprateur desprance (sinon, la limite

risquerait fort de ne pas tre dfinie).

Cette dfinition est historique, mais peu usuelle. En pratique on utilise

directement le thorme suivant comme dfinition.

27

28

Thorme de WIENER-KHINTCHINE

= )(
Autrement dit, la densit spectrale de puissance dun processus
alatoire est gale la transforme de Fourier de sa fonction dautocorrlation.

(Ici en continu, idem en discret avec une somme).

Cette proprit est tellement pratique quil arrive quon dfinisse directement la
densit spectrale de puissance comme la transforme de Fourier de la fonction

dautocovariance.

QUELQUES PROCESSUS ALATOIRES REMARQUABLES

29

Processus gaussiens et bruits blancs

Un vecteur alatoire est gaussien ssi toute combinaison linaire de ses composantes
est une variable alatoire gaussienne.
Notation : (, )
La fdp dun vecteur alatoire gaussien scrit :

Un processus alatoire est gaussien ssi, quel que soit k et la suite des instants (t1, . . . , tk),
le vecteur alatoire k dimensions (X(t1), . . . , X(tk)) est un vecteur gaussien.

30

31

MERCI POUR VOTRE ATTENTION

32