Traitement Statistique Du Signal: 4. Processus Al Eatoires

Outline
Relation Entée-Sortie
Espérance du Signal de Sortie
Autocovariance du Signal de Sortie
Autocorrélation et DSP du Signal de Sortie
Intercovariance Entée-Sortie
Intercorrélation Entée-Sortie et Interspectres
Formule des Interférences
Traitement Statistique du Signal
4. Processus Aléatoires
1 / 18 4 - Processus Aléatoire
Outline
Autocovariance du Signal de Sortie
Outline
Autocorrélation et DSP du Signal de Sortie
1 Relation Entée-Sortie
Temps Continu
Temps Discret
2 Espérance du Signal de Sortie
Temps Continu
Temps Discret
3 Autocovariance du Signal de Sortie
Temps Continu
Temps Discret
4 Autocorrélation et DSP du Signal de Sortie
Temps Continu
Temps Discret
5 Intercovariance Entée-Sortie
Temps Continu
Temps Discret
6 Intercorrélation Entée-Sortie et Interspectres
Temps Continu
Temps Discret
2 / 18 7 Formule des Interférences 4 - Processus Aléatoire
Outline
Autocovariance du Signal de Sortie Temps Continu
Autocorrélation et DSP du Signal de Sortie Temps Discret
Processus Aléatoires
Outline
La tension aux bornes d’une diode Zéner V (t) = VZ + B(t) présente de

fortes fluctuations B(t) que l’on observe à l’aide d’un oscilloscope.
Outline
On effectue la même expérience sur N dispositifs similaires, on obtient N

réalisations B(t, ζj ), 1 ≤ j ≤ N du processus aléatoire B(t, ζ).
L’ensemble des valeurs prises par les réalisations à un instant ti ,
correspond aux réalisations de la variable aléatoire B(ti , ζ).
Outline
Définition
Un processus aléatoire (stochastique) est une famille de fonctions X (t)
définies dans un espace de probabilité, dépendant de deux variables: le
temps t et la variable ζ de l’espace des épreuves.
Un processus aléatoire Xζ (t) est un processus qui:
- Pour chaque instant t est une variable aléatoire.
- Pour ζ = ζ0 , Xζ0 (t) est une fonction déterministe.
Exemple
Xζ (t) = A cos(ωt + ζ) avec ζ ∈ [0, 2π] est une variable aléatoire.
Xϕ (t) = A sin(ωt + ϕ) avec ϕ ∈ [0, 2π] est une variable aléatoire.
XA (t) = A sin(ωt + ϕ) avec A ∈ [0, a] est une variable aléatoire.
Outline
Si Xζ (t) est observé à des instants ti , 1 ≤ i ≤ n, les n valeurs de Xζ (ti )

peuvent être considérées composantes d’un vecteurs aléatoire x:
Fx (x1 , · · · , xn , t1 , · · · , tn ) = P(Xζ (t1 ) ≤ x1 , · · · , Xζ (tn ) ≤ xn ).
Il est impossible de connaitre complètement Fx , dans de nombreux cas on

se contente uniquement d’une description simple des processus aléatoires.
Statistique d’ordre 1: Fx (x, t) = P(Xζ (t) ≤ x).

Si Xζ (t) est stationnaire: Fx (x, t) = Fx (x).
Statistique d’ordre 2: Fx (x1 , x2 , t1 , t2 ) = P(Xζ (t1 ) ≤ x1 , Xζ (t2 ) ≤ x2 ).

Si Xζ (t) est stationnaire: Fx (x1 , x2 , t1 , t2 ) = Fx (x1 , x2 , t1 − t2 ).
Outline
(k)
Moment d’ordre k: mX (t) = E [Xζk (t)].
(k) (k)
Si Xζ (t) est stationnaire, FX (x, t) = FX (x) et mX (t) = mX ind de t.
Espérance mathématique: mX (t) = E [Xζ (t)] est une valeur moyenne

au sens du calcul des probabilités (6= moyenne temporelle).
Variance:
Xζ (t) réel: σX2 (t) = E [Xζ2 (t)] − mX2 (t).
Xζ (t) complexe: σX2 (t) = E [|Xζ2 (t)|] − |mX (t)|2 .
Si σx2 (t) = 0, le signal perd son caractère aléatoire (signal déterministe).
L’espérance mathématique, les moment d’ordre k et de la variance de

Xζ (t) sont calculés à un instant t et exige la connaissance de FX (t).
Outline
Calculer l’espérance de XA (t) = A sin(ωt + ϕ) avec A ∈ [0, a].

Ra
E XA (t) = XA (t) dA = sin(ωt) 1a A dA = a
R
2 sin(ωt + ϕ).
R 0
Calculer l’espérance de Xϕ (t) = A sin(ωt + ϕ) avec ϕ ∈ [0, 2π].

2π
A
R R
E Xϕ (t) = Xϕ (t) dϕ = 2π sin(ωt + ϕ)dϕ = 0.
R 0
Outline
Covariance et Corrélation
Outline
Fonction d’Autocorrélation:
Xζ (t) réel: γX (t1 , t2 ) = E [Xζ (t1 )Xζ (t2 )].
Xζ (t) complexe: γX (t1 , t2 ) = E [Xζ (t1 )Xζ∗ (t2 )].
Xζ (t1 ) et Xζ (t2 ) sont orthogonaux (Xζ (t1 ) ⊥ Xζ (t2 )) si γX (t1 , t2 ) = 0.
Corrélation et orthogonalité s’identifient pour un processus aléatoire

centrés (mX (t) = 0): γX (t1 , t2 ) = CX (t1 , t2 ).
Le terme autocorrélation peut prêter à confusion car Xζ (t1 ) et Xζ (t2 )

peuvent être corrélés même quant γX (t1 , t2 ) = 0.
Calculer la fonction d’autocorrélation de XA (t) = A sin(ωt) avec A ∈ [0, a].

γX (t, t + τ ) = E XA (t)XA (t + τ ) = E A2 ] sin(ωt) sin ω(t + τ ) .

| {z }
a2 /3
Outline
Fonction d’autocovariance:
Xζ (t) réel: CX (t1 , t2 ) = E [Xζ (t1 )Xζ (t2 )] − mX (t1 )mX (t2 ).
Xζ (t) complexe: CX (t1 , t2 ) = E [Xζ (t1 )Xζ∗ (t2 )] − mX (t1 )mX∗ (t2 ).
Elle permet d’évaluer le caractère aléatoire d’un signal. Elle décrit les
liaisons statistiques entre Xζ (t1 ) et Xζ (t2 ).
Pour t = t1 = t2 : CX (t, t) = σX2 (t).
Xζ (t) stationnaire, si CX (t, t − τ ) = 0: Xζ (t) et Xζ (t − τ ) non corrélés

∀t: le signal à l’instant t perd la mémoire de sa valeur à l’instant t − τ .
Calculer la fonction d’autocovariance de XA (t) = A sin(ωt) avec A ∈ [0, a].

CX (t, t + τ ) = γX (t, t + τ ) − µX (t)µX (t + τ ) = (a2 /12) sin(ωt) sin ω(t + τ ) .

Outline
Stationnarité: invariance au cours du temps des propriétés statistiques

d’un processus aléatoire.
− Stationnarité au sens large: mX (t) = mX et γX (t, t − τ ) = γX (τ )
⇒ CX (t, t − τ ) = CX (τ ).
− Stationnarité au sens strict: les propriétés statistiques sont

invariantes pour toute translation de l’origine du temps:
Xζ (t) et Xζ (t − τ ) ont les mêmes propriétés statistiques:
Fx (x1 , · · · , xn , t1 , · · · , tn ) = Fx (x1 , · · · , xn , t1 − τ, · · · , tn − τ ), ∀n, τ.
Comme τ est arbitraire: un processus aléatoire Xζ (t) stationnaire au

sens strict ne peut être de durée limitée.
Outline
− Xζ (t) SSS La stationnarité au sens strict n’implique pas la

stationnarité au sens large car le processus aléatoire peut ne pas
avoir de moments finis (e.g., loi de Cauchy).
− si Xζ (t) admet des moments il est aussi stationnaire au sens large.
− Un phénomène physique n’est jamais rigoureusement stationnaire

car souvent influencé à certaines époques de son histoire par
l’évolution du système auquel il est souvent associé.
Hypothèse: Stationnarité locale e.g. signal parole.
Outline
Un processus aléatoire indépendant et identiquement distribué est SSS.

fX x(t1 ), .., x(tn ) = fX x(t1) , .., fX x(tn ) = fX x(t1 + τ ) , .., fX x(tn + τ ) =
fX x(t1 + τ ), · · · , x(tn + τ ) .
Le processus X (t) = A sin(ωt + ϕ) avec ϕ ∈ [0, 2π] et ω ∈ [0, ω0 ] est SSL:

R A
R2π Rω0
E X (t) = Xϕ (t) dϕ = 2πω
sin(ωt + ϕ)dϕdω = 0.
R 0 0
A2
R2π Rω0
γX (t, t − τ ) = E X (t)X (t − τ ) = 2πω0
sin(ωt + ϕ) sin(ωt − ωτ + ϕ)dϕdω
0 0
2
A sin(ωτ )
γX (t, t − τ ) = 2 ωτ
donc X (t) est SSL.
Outline
Existence:
Inégalité de Schwarz:
|E [(X − µX )(Y − µY )]|2 ≤ E [(X − µX )2 ]E [(Y − µY )2 ], X , Y ∈ R
donc:
|CX (t1 , t2 )|2 ≤ CX (t1 , t1 )CX (t2 , t2 ) et |γX (t1 , t2 )|2 ≤ γX (t1 , t1 )γX (t2 , t2 ).
Si γX (t, t) et CX (t, t) existent, alors CX (t1 , t1 ) et γX (t1 , t2 ) existent.
Si γX (t, t) < +∞ =⇒ Xζ (t) est du second ordre, d’un point de vue

physique cela signifie que la puissance moyenne γX (t, t) est finie.
Valeurs extrêmes: CX (τ ) ≤ CX (0) = σX2 et γX (τ ) ≤ γX (0) = σX2 + mX2 .
Coefficient de Corrélation: CX (τ )/σX2 .

Outline
Symétrie:
− γX (t1 , t2 ) = γX (t2 , t1 ), Xζ (t) ∈ R.
− CX (t1 , t2 ) = CX (t2 , t1 ), Xζ (t) ∈ R.
− γX (t1 , t2 ) = γX∗ (t2 , t1 ), Xζ (t) ∈ C.
− CX (t1 , t2 ) = CX∗ (t2 , t1 ), Xζ (t) ∈ C.
Symétrie dans le cas stationnaire:

− γX (τ ) = γX (−τ ), Xζ (t) ∈ R (paire).
− CX (τ ) = CX (−τ ), Xζ (t) ∈ R (paire).
− γX (τ ) = γX∗ (−τ ), Xζ (t) ∈ C.
− CX∗ (τ ) = CX (−τ ), Xζ (t) ∈ C.
Outline
Décorrélation à l’infini:
Pour un processus stationnaire, Xζ (t) et Xζ (t − τ ) tendent souvent à
devenir non corrélés pour de grande valeurs de τ :
lim γX (τ ) = 0 et lim CX (τ ) = 0.
τ →∞ τ →∞
Temps de corrélation si |τ | > tc , Xζ (t) et Xζ (t − τ ) deviennent

pratiquement décorrélées.
Contre exemple:
Yζ (t) = Xζ (t) + Z , Z est une variable aléatoire non corrélée avec Xζ (t).
CY (τ ) = CX (τ ) + σZ2 .
limτ →∞ CX (τ ) = 0 ⇒ limτ →∞ CY (τ ) = σZ2 6= 0.
Effet de mémoire infinie,indépendante du temps, introduit par Z .
Outline
Aautocovariance et autocorrélation d’une somme:

X1 (t, ζ) et X2 (t, ζ) non corrélés, et Yζ (t) = X1 (t, ζ) + X2 (t, ζ):
CY (t1 , t2 ) = CX1 (t1 , t2 )+CX2 (t1 , t2 ), γY (t1 , t2 ) = γX1 (t1 , t2 )+γX2 (t1 , t2 ).
Pn
Pn Yζ (t) = i=1 Xi (t, ζ)
Plus généralement: Pn
CY (t1 , t2 ) = i=1 CXi (t1 , t2 ), γY (t1 , t2 ) = i=1 γXi (t1 , t2 ).
Autocorrélation d’un produit:

X1 (t, ζ) et X2 (t, ζ) centrés et indépendants, et Yζ (t) = X1 (t, ζ)X2 (t, ζ)
γY (t1 , t2 ) = γX1 (t1 , t2 )γX2 (t1 , t2 ).
Qn Qn
Plus général.: Yζ (t) = i=1 Xi (t, ζ) ⇒ γY (t1 , t2 ) = i=1 γXi (t1 , t2 ).
Outline
Caractère non négatif:

L’autocovariance et l’autocorrélation sont définies non négatives :
n X
X n n X
X n
λi λ∗j C (ti , tj ) ≥ 0 et λi λ∗j γ(ti , tj ) ≥ 0.
i=1 j=1 i=1 j=1
Xζ (t, ) stationnaire, remplacer C (ti , tj ), γ(ti , tj ) par C (ti − tj ), γ(ti − tj ).
Cette propriété joue un rôle très important dans la densité spectrale de

puissance que nous verrons ultérieurement.
Outline
l’intercovariance de deux processus aléatoires réels Xζ (t) et Yζ (t) est:
CXY (t1 , t2 ) = E [Xζ (t1 )Yζ (t2 )] − mX (t1 )mY (t2 ).
− Cas complexe: CXY (t1 , t2 ) = E [Xζ (t1 )Yζ∗ (t2 )] − mX (t1 )mY∗ (t2 ).
− indépendance vs. non corrélation:

- Si CXY (t1 , t2 ) = 0, Xζ (t) et Yζ (t) sont non corrélés.
- l’indépendance implique la décorrélation, l’inverse n’est pas vrai:
CXY (t1 , t2 ) = E [Xζ (t1 )Yζ (t2 )] − mX (t1 )mY (t2 )

= E [Xζ (t1 )]E [Yζ (t2 )] − mX (t1 )mY (t2 ) = 0.
Outline
l’intercorrélation de deux processus aléatoires réels Xζ (t) et Yζ (t) est :
γXY (t1 , t2 ) = E [Xζ (t1 )Yζ (t2 )] = CXY (t1 , t2 ) + mX (t1 )mY (t2 ).
− Processus aléatoires complexes: CXY (t1 , t2 ) = E [Xζ (t1 )Yζ∗ (t2 )].
− Orthogonalité:
- Xζ (t1 ) et Yζ (t2 ) sont orthogonaux si γXY (t1 , t2 ) = 0.
- les concepts décorrélation et orthogonalité s’identifient pour des
processus centrés (mX (t) = 0): γXY (t1 , t2 ) = CXY (t1 , t2 ).
Outline
Xζ (t) et Yζ (t) sont conjointement stationnaire si:

− Xζ (t) et SSL et Yζ (t) et SSL,
− γXY (t, t + τ ) = γXY (τ ), et γYX (t, t + τ ) = γYX (τ ).
X (t) = A sin(ωt + ϕ) et Y (t) = A cos(ωt + ϕ), ϕ ∈ [0, 2π] sont conj. SSL:
A
R2π A
R2π
E Xϕ (t) = 2π
sin(ωt + ϕ)dϕ, E Yϕ (t) = 2π
cos(ωt + ϕ)dϕ = 0.
0 0
A2
R2π A2
γX (t, t − τ ) = 2π
sin(ωt + ϕ) sin(ωt − ωτ + ϕ)dϕ = 2
cos(ωτ ).
0
A2
R2π A2
γY (t, t − τ ) = 2π
cos(ωt + ϕ) cos(ωt − ωτ + ϕ)dϕ = 2
cos(ωτ ).
0
A2
R2π A2
γXY (t, t − τ ) = 2π
sin(ωt + ϕ) cos(ωt − ωτ + ϕ)dϕ = 2
sin(ωτ ).
0
Outline
Soit X(t) un vecteur aléatoire: sa moyenne mX (t), sa matrice de

corrélation ΓX (ti − tj ) et sa matrice de covariance CX (ti − tj ) sont:
   
X1 (t) E [X1 (t)]
 X2 (t)   E [X2 (t)] 
X(t) =   ⇒ mX (t) = E [X(t)] = 
   
.. .. 
 .   . 
Xn (t)) E [Xn (t)])
ΓX (ti , tj ) = E X(ti )XH (tj )

 
γX1 X1∗ (ti , tj ) γX1 X2∗ (ti , tj ) ··· γX1 Xn∗ (ti , tj )
 γX2 X ∗ (ti , tj ) γX2 X ∗ (ti , tj )
1 2
··· γX2 Xn∗ (ti , tj ) 
=
 
.. .. .. .. 
 . . . . 
γXn X1∗ (ti , tj ) γXn X2∗ (ti , tj ) · · · γXn Xn∗ (ti , tj )
Outline
CX (ti , tj ) = E X(ti )XH (tj ) − E X(ti )]E H [X(tj )

 
CX1 X1∗ (ti , tj ) CX1 X2∗ (ti , tj ) · · · CX1 Xn∗ (ti , tj )
 CX2 X ∗ (ti , tj ) CX2 X ∗ (ti , tj ) · · · CX2 X ∗ (ti , tj ) 
1 2 n
=
 
.. .. .. .. 
 . . . . 
CXn X1∗ (ti , tj ) CXn X2∗ (ti , tj ) · · · CXn Xn∗ (ti , tj )
Soit Xϕ (t) = A sin(ωt + ϕ), ϕ ∈ [0, 2π] un processus aléatoire SSL.

Xϕ (t) E [Xϕ (t)]
X(t) = ⇒ mX (t) = =0
Xϕ (t + θ)) E [Xϕ (t + θ)]
A2

cos(ωτ ) cos(ω τ + θ)
CX (t, t − τ ) =
2 cos(ω τ − θ) cos(ωτ )
Outline
Densité Spectrale de Puissance
Outline
− Xζ (t) un processus aléatoire:

2
Puissance: Pζ (t)
R = |Xζ (t)| .
Énergie: Eζ = < |Xζ (t)|2 dt n’est pas forcément finie.
− Xζ (t) du second ordre: γX (t, t) < ∞:

2
Puissance moyenne: P(t)
R = E [|Xζ (t)|R ] = γX (t, t).
Énergie moyenne: Eζ = < P(t)dt = < γX (t, t)dt.
− Xζ (t) SSL: µX (t) = µX , γX (t, t + τ ) = γX (τ ) < ∞:

Puissance moyenne finie: constante P = γX (0).
Énergie moyenne: infinie.
Soit X (t) = A sin(ωt + ϕ), ϕ ∈ [0, 2π] un processus aléatoire SSL:

2 2
E Xϕ (t) = 0 et γX (t, t − τ ) = A2 cos(ωτ ) ⇒ P = A2 .

Outline
En général, un processus aléatoire Xζ (t) ne possède pas une TF au sens

classique car seule sa puissance moyenne est finie (énergie infinie).
Spectre de puissance (DSP) d’un processus Xζ (t) SSL est défini par
(Th de Wiener-Khintchine):
Z Z
ΓX (ν) = γX (τ )e −2πντ dτ
γX (τ ) = ΓX (ν)e 2πντ dν.
< <
R
− Puissance moyenne finie: P = γX (0) = <
ΓX (ν)dν.
− ΓX représente la répartition harmonique de la puissance moyenne P
− ΓX est définie non négative: ΓX (ν) ≥ 0, ∀ν (Th de Bochner).
− DSP d’un processus aléatoire réel stationnaire est paire.
Outline
White Noise: The term white comes from optics and means all freqs are
present with equal power density.
γX (τ ) = σX2 δ(τ )
ΓX (ν) = σX2 .
Outline
Sine Wave Random Process:

a2
Soit X (t) = A sin(ωt + ϕ) avec ϕ ∈ [0, 2π], γX (τ ) = 2 cos(ωτ )
a2 a2
ΓX (ν) = δ(ν − ν0 ) + δ(ν + ν0 ) = 2π δ(ω − ω0 ) + δ(ω + ω0 ) .
4 4
Outline
Random Telegraph Process: Exponential correlation function
1 1 4α
γX (τ ) = e −α|τ |
ΓX (ν) = + = .
2α − ω 2α + ω 4α + ω 2
2
Outline
Low-Pass, Bandlimited White Noise: Exponential correlation function
Z ν0
Nω
ΓX (ν) = N
γX (τ ) = Ne 2πντ dν = sinc(ωτ ).
−ν0 π
Outline
Densités Spectrale Mutuelle de Xζ (t) et Yζ (t) est donnée par :

Z
ΓXY (ν) = γXY (τ )e −2πντ dτ.
<
Fonction de Cohérence de Xζ (t) et Yζ (t) est donnée par :
|ΓXY (ν)|2
ΦXY (ν) =
ΓX (ν)ΓY (ν)
Cette fonction joue le même rôle que le coefficient de corrélation:

− ΓXY (ν0 ) = 0: Xζ (t) et Yζ (t) sont incohérents à ν0 .
− ΓXY (ν) = 1, ∀ν: Xζ (t) et Yζ (t) sont parfaitement cohérents.
Outline
Pratique: Une seule réalisation Xζ0 (t) coı̈ncidant avec une valeur ζ0 de ζ.
Xζ0 (t) est un signal déterministe; une trajectoire unique de Xζ (t).
Comment obtenir les statistiques de Xζ (t) à partir d’une seule trajectoire
Xζ (t) est ergodique si on peut identifier les moyennes statistiques

(moyennes d’ensemble) aux moyennes temporelles:
Z T
1
E [h(Xζ (t))] = lim h(Xζ0 (t))dt = h(Xζ0 (t)).
T →∞ 2T −T
L’ergodicité est une hypothèse que nous faisons souvent sans justification
car difficile à vérifier en pratique.
Outline
La moyenne d’un processus aléatoire ergodique Xζ (t) est donnée par

Z T
1
E [Xζ (t)] = lim Xζ0 (t)dt = Xζ0 (t).
T →∞ 2T −T
Xζ (t) = cos(ωt + ζ), ζ ∼ U[0, 2π], E [Xζ (t)] = µX (t) = 0.

Z T
1
Xζ0 (t) = lim cos(ωt + ζ0 )dt
T →∞ 2T −T
1 h i
= lim sin(ωT + ζ0 ) − sin(−ωT + ζ0 ) = 0.
T →∞ 2T ω
La moyenne temporelle Xζ0 (t) s’identifie à la moyenne statistique µX (t)
Outline
L’autocorrélation d’un processus aléatoire ergodique Xζ (t) est:

Z T
1
γX (t, t + τ ) = lim Xζ0 (t)Xζ∗0 (t + τ )dt = Xζ0 (t)Xζ∗0 (t + τ ).
T →∞ 2T −T
1
Xζ (t) = cos(ωt + ζ), ζ ∼ U[0, 2π], γX (τ ) = 2 cos(ωτ ).
Z T
1
Xζ0 (t)Xζ0 (t − τ ) = lim cos(ωt + ζ0 ) cos(ωt − ωτ + ζ0 )dt
T →∞ 2T −T
Z T
1
= lim cos(2ωt − ωτ + 2ζ0 )dt
T →∞ 4T −T
1
= cos(ωτ ) = E [Xζ (t)Xζ (t − τ )].
2
La moyenne temporelle s’identifie à la fonction d’autocorrélation.
Outline
Thanks for your attention

Traitement Statistique Du Signal: 4. Processus Al Eatoires

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Traitement Statistique Du Signal: 4. Processus Al Eatoires

Transféré par

Droits d'auteur :

Formats disponibles

Outline

Traitement Statistique du Signal

La tension aux bornes d’une diode Zéner V (t) = VZ + B(t) présente de

On effectue la même expérience sur N dispositifs similaires, on obtient N

Si Xζ (t) est observé à des instants ti , 1 ≤ i ≤ n, les n valeurs de Xζ (ti )

Fx (x1 , · · · , xn , t1 , · · · , tn ) = P(Xζ (t1 ) ≤ x1 , · · · , Xζ (tn ) ≤ xn ).

Il est impossible de connaitre complètement Fx , dans de nombreux cas on

Statistique d’ordre 1: Fx (x, t) = P(Xζ (t) ≤ x).

Statistique d’ordre 2: Fx (x1 , x2 , t1 , t2 ) = P(Xζ (t1 ) ≤ x1 , Xζ (t2 ) ≤ x2 ).

Espérance mathématique: mX (t) = E [Xζ (t)] est une valeur moyenne

L’espérance mathématique, les moment d’ordre k et de la variance de

Calculer l’espérance de XA (t) = A sin(ωt + ϕ) avec A ∈ [0, a].

Calculer l’espérance de Xϕ (t) = A sin(ωt + ϕ) avec ϕ ∈ [0, 2π].

Xζ (t1 ) et Xζ (t2 ) sont orthogonaux (Xζ (t1 ) ⊥ Xζ (t2 )) si γX (t1 , t2 ) = 0.

Corrélation et orthogonalité s’identifient pour un processus aléatoire

Le terme autocorrélation peut prêter à confusion car Xζ (t1 ) et Xζ (t2 )

Calculer la fonction d’autocorrélation de XA (t) = A sin(ωt) avec A ∈ [0, a].

Pour t = t1 = t2 : CX (t, t) = σX2 (t).

Xζ (t) stationnaire, si CX (t, t − τ ) = 0: Xζ (t) et Xζ (t − τ ) non corrélés

Calculer la fonction d’autocovariance de XA (t) = A sin(ωt) avec A ∈ [0, a].

Stationnarité: invariance au cours du temps des propriétés statistiques

− Stationnarité au sens strict: les propriétés statistiques sont

Fx (x1 , · · · , xn , t1 , · · · , tn ) = Fx (x1 , · · · , xn , t1 − τ, · · · , tn − τ ), ∀n, τ.

Comme τ est arbitraire: un processus aléatoire Xζ (t) stationnaire au

− Xζ (t) SSS La stationnarité au sens strict n’implique pas la

− si Xζ (t) admet des moments il est aussi stationnaire au sens large.

− Un phénomène physique n’est jamais rigoureusement stationnaire

Un processus aléatoire indépendant et identiquement distribué est SSS.

Le processus X (t) = A sin(ωt + ϕ) avec ϕ ∈ [0, 2π] et ω ∈ [0, ω0 ] est SSL:

|E [(X − µX )(Y − µY )]|2 ≤ E [(X − µX )2 ]E [(Y − µY )2 ], X , Y ∈ R

Si γX (t, t) et CX (t, t) existent, alors CX (t1 , t1 ) et γX (t1 , t2 ) existent.

Si γX (t, t) < +∞ =⇒ Xζ (t) est du second ordre, d’un point de vue

Valeurs extrêmes: CX (τ ) ≤ CX (0) = σX2 et γX (τ ) ≤ γX (0) = σX2 + mX2 .

Coefficient de Corrélation: CX (τ )/σX2 .

Symétrie dans le cas stationnaire:

Temps de corrélation si |τ | > tc , Xζ (t) et Xζ (t − τ ) deviennent

Aautocovariance et autocorrélation d’une somme:

Autocorrélation d’un produit:

γY (t1 , t2 ) = γX1 (t1 , t2 )γX2 (t1 , t2 ).

Caractère non négatif:

Xζ (t, ) stationnaire, remplacer C (ti , tj ), γ(ti , tj ) par C (ti − tj ), γ(ti − tj ).

Cette propriété joue un rôle très important dans la densité spectrale de

l’intercovariance de deux processus aléatoires réels Xζ (t) et Yζ (t) est:

CXY (t1 , t2 ) = E [Xζ (t1 )Yζ (t2 )] − mX (t1 )mY (t2 ).

− indépendance vs. non corrélation:

CXY (t1 , t2 ) = E [Xζ (t1 )Yζ (t2 )] − mX (t1 )mY (t2 )

l’intercorrélation de deux processus aléatoires réels Xζ (t) et Yζ (t) est :

Xζ (t) et Yζ (t) sont conjointement stationnaire si:

Soit X(t) un vecteur aléatoire: sa moyenne mX (t), sa matrice de

ΓX (ti , tj ) = E X(ti )XH (tj )

CX (ti , tj ) = E X(ti )XH (tj ) − E X(ti )]E H [X(tj )

Soit Xϕ (t) = A sin(ωt + ϕ), ϕ ∈ [0, 2π] un processus aléatoire SSL.

Densité Spectrale de Puissance

− Xζ (t) un processus aléatoire:

− Xζ (t) du second ordre: γX (t, t) < ∞:

− Xζ (t) SSL: µX (t) = µX , γX (t, t + τ ) = γX (τ ) < ∞:

Soit X (t) = A sin(ωt + ϕ), ϕ ∈ [0, 2π] un processus aléatoire SSL:

En général, un processus aléatoire Xζ (t) ne possède pas une TF au sens

Sine Wave Random Process:

Random Telegraph Process: Exponential correlation function

Low-Pass, Bandlimited White Noise: Exponential correlation function

Densités Spectrale Mutuelle de Xζ (t) et Yζ (t) est donnée par :

Fonction de Cohérence de Xζ (t) et Yζ (t) est donnée par :