Académique Documents
Professionnel Documents
Culture Documents
Koffi-Clément YAO
MC 61
Octobre 2013
Sommaire
2
Organisation du cours
Partie 1 : Rappels sur les signaux déterministes (E. RADOI) -----> 6 CM, 6 TD
Partie 2 : Processus et signaux aléatoires à temps continu (K. YAO) -----> 12 CM, 12 TD
Partie 3 : Processus et signaux aléatoires à temps discret (E. RADOI) -----> 6 CM, 6 TD
Enseignements :
Cours Magistraux (CM) : 2h x 6 séances = 12 h -----------> Promo (TR + ESCo)
Travaux Dirigés (TD) : 2h x 6 séances = 12 h -----------> par Groupe (TR et ESCo)
Evaluation :
Examen écrit (EE) : 2h dont environ 1h 20 (pour la partie p.a. continus)
Contrôle continu (CC) : 1h 30 à 2h (uniquement les signaux déterministes)
Moyenne de l’UE = MAX{ EE; (2/3*EE + 1/3*CC)}
Enseignants :
E. RADOI : CM, TD
K. YAO : CM,
Y. ZRELLI : TD 3
4
1.1 - Notion de processus aléatoires (1)
Objectif du cours :
Au cours de la transmission d’un signal déterministe s(t), il subit des perturbations liées au canal de transmission,
aux composants du systèmes de transmission etc. En général, on regroupe toutes ces perturbations sous le
terme de bruit b(t).
Ces dégradations sont, par nature, imprévisibles donc possèdent un caractère aléatoire.
Signal reçu
Signal transmis
Exemple d’un signal binaire pollué par du bruit blanc additif Gaussien (BBAG ou AWGN) 7
Le bruit est donc un signal aléatoire indésirable qui vient polluer le signal utile.
Si on adopte l’hypothèse de bruit additif (à juste titre) dans l’exemple précédent, bien que le signal transmis soit
déterministe, on note que le signal reçu est un signal aléatoire puis qu’il résulte de la somme du signal
déterministe et du bruit qui est aléatoire.
Le signal reçu
Remarque : La notion de bruit est liée à l’intérêt que présente le signal à traiter pour l’observateur :
En effet soit e(t), un signal électromagnétique d’origine cosmique
e(t) = b(t) est un bruit pour les télécommunications
e(t) = s(t) est un signal utile en radioastronomie
8
Notion de processus aléatoires (4)
1.1. 2. - Définitions :
Un signal x(t) est dit aléatoire (ou stochastique) si sa réalisation dépend du hasard.
On ne connaît pas la valeur de ce signal à un instant futur t donné.
Un signal aléatoire peut être considéré comme une réalisation particulière d’une famille de signaux aléatoires, famille
que l’on désigne par processus aléatoire.
On représente un processus aléatoire par 2 variables : ,
t désigne la variable temporelle
est une variable qui décrit les lois du hasard
Temps continu
Temps discret
11
12
Caractérisation statistique des processus aléatoires (2)
13
Soit le p.a. cos t Φ où Φ désigne une v.a. uniformément distribuée sur 0 ; 2 , et étant des
constantes réelles. Déterminer la ddp du p.a. .
La ddp de Φ :
14
Caractérisation statistique des processus aléatoires (4)
La ddp de :
Lois conjointes :
Si on considère 2 instants et du p. a. , on obtient 2 v. a. et .
On peut alors définir une loi conjointe :
ddp conjointe de et
15
Un p. a. peut être défini comme une fonction du temps dont la valeur prise à chaque instant donné
est une variable aléatoire. On peut donc lui appliquer les notions définies sur les v. a.
Moyenne statistique :
Si on considère réalisations du p. a. et les valeurs prises par à un instant , on peut définir
une moyenne statistique (ou moyenne arithmétique) sur l’ensemble des échantillons :
16
Caractérisation statistique des processus aléatoires (6)
Espérance mathématique :
On dit que le p. a. est connu à un instant si, quelque soit l’instant , on connaît la loi de probabilité de
la variable aléatoire . On peut alors la caractériser à l’aide de ses moments.
L’espérance mathématique (ou la valeur moyenne) de la v. a. X est :
avec
17
Variance :
La variance du p. a. observé à l’instant définit l’espérance mathématique du moment centré
d’ordre 2.
b. Signal de parole
X(n)
19
On dit que le p. a. est connu à deux instants si, ∀ , , on connaît la loi conjointe des variables aléatoir
es et , soit
Fonctions de corrélation :
La fonction de corrélation exprime la ressemblance (ou cohérence) entre les v. a. et prises à 2 instants
différents et
1. par un même processus , c’est l’autocorrélation
2. par deux processus différents, c’est l’inter-corrélation ou la corrélation croisée.
20
Caractérisation statistique des processus aléatoires (10)
Matrice de corrélation :
Pour mesurer la corrélation entre 2 p. a. et à 2 instants différents et on est souvent conduit à introduire la matrice
de corrélation :
Soit,
21
Fonctions de covariance :
La fonction de covariance ou l’auto-covariance d’un p. a. est définie par la relation
Remarques :
1) La variance est définie à un instant donné alors que la covariance est définie à 2 instants différents et
.
2) La fonction d’auto-covariance, c’est d’autocorrélation du p. a. centré.
22
Caractérisation statistique des processus aléatoires (12)
1 - La symétrie hermitienne :
4 - Processus orthogonaux :
Définitions
2 P. a. et sont statistiquement indépendants si les ensembles de réalisations
, ,…, et , ,…, sont indépendants quelque soit le choix des instants
, , … , ; , , … , .
Alors la DDP conjointe des v. a. , ,…, et , ,…, peut se mettre sous la forme :
Théorème :
Si 2 p. a. et sont indépendants alors ils sont non-corrélés c-à-d leur fonction de covariance croisée est
nulle, même si leurs valeurs moyennes ne sont pas nulles.
La réciproque n’est pas vraie sauf si et sont Gaussiens.
Démo :
∗ ∗
Si et sont indépendants alors . et en remplaçant cette éga
lité dans l’expression de la covariance croisée, on obtient
24
Ch.2 : Processus aléatoires du second ordre
25
Définition.
Un p. a. est dit du second ordre si et seulement si sa valeur quadratique moyenne est finie et non
nulle, soit
∀ ∈ , ∞ et 0
Conséquence :
∗
,t E X t X ∗ t . existent et sont fines.
26
2.1.- Stationnarité d’un processus aléatoire (2)
Conséquence :
= constante pour un p. a. continu
∑ pour un p. a. discret
Conséquence :
La fonction d’autocorrélation (fac) d’un p. a. strictement stationnaire à l’ordre 2 ne dépend que de la différence
des temps .
27
Conséquence :
La fonction de répartition , est indépendante du temps
Γ est continue à l’origine
Lemme : La stationnarité au sens strict entraîne la stationnarité au second ordre. La réciproque n’est pas vraie.
Exemple :
28
2.2.- Propriétés des fonctions de corrélations d’un p. a. (1)
Valeur à l’origine
La valeur à l’origine de la fac du p. a. définit la puissance moyenne de ce processus.
29
30
2.2.- Propriétés des fonctions de corrélations d’un p. a. (3)
Symétrie hermitienne
ou encore
31
∗
Γ ,
Γ Γ
Autocorrélation d’une tranche de parole Voisée Autocorrélation d’une tranche de parole Non Voisée
33
La moyenne statistique (ou espérance mathématique) d’un PAS2 (Processus aléatoire stationnaire au
second ordre) est défini par
est une moyenne définie à un instant donné (par exemple ici l’instant ), « à travers tout le
processus » . On désigne souvent cette moyenne par moyenne d’ensemble.
Tout se passe comme si on avait observé toutes les réalisations du processus avant de calculer cette
moyenne.
34
2.3.- Moyennes temporelles et ergodicité (2)
∗
Remarque : < et < . ne dépendent pas du temps même si elles peuvent dépendre de l’échantillon
choisi.
En pratique, on effectue plusieurs mesures sur une durée d’observation et les différentes réalisations
obtenues représentent elles-mêmes des variables aléatoires.
Pour obtenir la moyenne recherchée, on réalise alors le « moyennage » sur les mesures, soit
Lemme : Un processus aléatoire ergodique est un p. a. pour lequel, les mesures réalisées sur un
échantillon sont suffisantes pour déterminer la statistique d’ensemble de ce processus.
Ergodicité à l’ordre :
Un processus aléatoire est dit ergodique à l’ordre si les moyennes temporelles de existent jusqu’à
l’ordre et sont indépendantes de la réalisation (l’échantillon) choisie.
Lemme : L’ergodicité entraîne nécessairement la stationnarité. La réciproque n’est pas vraie.
36
2.3.- Moyennes temporelles et ergodicité (4)
Ergodicité à l’ordre 1
Un processus aléatoire est dit ergodique par rapport à la moyenne (ou ergodique au 1er ordre) si et
seulement si sa moyenne statistique est égale à sa moyenne temporelle, soit
Ergodicité à l’ordre 2 :
Un processus aléatoire est dit ergodique à l’ordre 2 (ou ergodique au sens large) si et seulement si sa
moyenne statistique est égale à sa moyenne temporelle et sa fac temporelle est égale à sa fac statistique, soit :
et
Exemple 1 :
Soit le processus aléatoire où est une v. a. uniformément distribuée dans l’intervalle 0 ; 1 .
Ce processus est-il ergodique ?
Solution :
On peut montrer que
puisque
Soit finalement,
Lorsque est un signal déterministe de carré sommable, ce qui est généralement le cas des signaux
ayant une existence physique, on peut retrouver par la transformée de Fourier inverse, soit
39
Théorème de Wiener-Kintchine
En résumé, l’estimation spectrale consiste en l’estimation de la DSP su signal d’intérêt avec un nombre
limité de données de polluées par le bruit.
40
2.4.- Introduction à l’analyse spectrale (3)
TF
Erreur de prédiction
41
2.4.3. – Le périodogramme
Définition
Soit X t une réalisation particulière du p. a. X t , la TF de X t n’existe pas car la condition de convergence
(sommabilité absolue n’est pas satisfaite).
Toute fois si on considère X t défini sur un domaine ; et identiquement nul pour toute autre valeur de ,
on peut écrire
avec
X t, étant fini et à support fini, il possède une TF au sens des fonctions. On peut donc calculer sa TF
suivant la relation :
43
44
2.4.- Introduction à l’analyse spectrale (6)
45