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 :
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.
