Chapitre Processus Aleatoire

Chapitre : Signaux Aléatoires
Sup'Com 2008-2009 H. Besbes 1
Introduction: Variable aléatoire

Une variable aléatoire X attribue à chaque élément s de S, une valeur
X(s)=x

Introduction: Processus aléatoire:
X(t) est une application qui attribue a chaque élément s de S, une
valeur
l réelle
é ll X(t,s)=x(t,s)
X(t ) (t ) ett quii estt dépend
dé d du
d temps:
t
Plusieurs réalisations
Exemple
• Evolution
E l i d la
de l température
é
à la surface d’une navette
spatiale.
• La mesure commence à t=0,

qui correspond à l’instant du
lancement.
• X(t) la température en C.
• A chaque
h l
lancement,
t on
enregistre x(t,s).

Exemple: Suite
e1 correspond à la mesure enregistrée durant le premier

lancement.
lancement
à t=2500.10 secondes,
x(2500 10 e1)=1200 C
x(2500.10,e1)=1200
Exemple 1: suite
Moyenne Temporelle de
la température durant le
premier lancement:
p
5000C
Moyenne Statistique de
la température à
l’instant t=2500.10s:
1320C

Interprétation:
• P
Pour une é
épreuve fifixée,
é un PP.A.,
A peutt êt
être
considéré comme le résultat de cette
épreuve, et porte le nom d’une trajectoire.
• Pour un temps t0 fixé, un P.A. peut être

considéré comme une V.A.V A X(t0,s).
X(t0 s) Sa loi
ne peut être atteinte que par des
méthodes statistiques impliquant la
répétition de l’expérience à l’identique.
Caractéristiques probabilistes.
probabilistes
Caractérisation d'ordre
d ordre N
La caractérisation d'ordre N (ou loi fini-
di
dimensionnelle
i ll d’ d’ordre d N) d' d'un processus
aléatoire consiste à spécifier la densité de
probabilité conjointe de tous les
ensembles x ( t 1 ), x ( t 2 ), L , x ( t N ) , ∀t1 , t 2 ,L, t N ∈ T
px ( t1 ) x ( t2 )Lx ( t N ) ( x (t1 ), ) L , x (t N ) ).
) x (t 2 ),

Par exemple, la spécification des lois fini-dimensionnelles
fini dimensionnelles
d'ordre 2 permet d'évaluer des expressions de la forme
P(X(t1) < a; X(t2) < b).
On rappelle que la loi de probabilité conjointe de n variables
aléatoires X(t1), X(t2),…X(tn), peut être caractérisée par la
d
donnée
é d de sa fonction
f ti de
d répartition:
é titi
FX ( x1 , x2 ,L, xn , t1 , t2 ,L, tn ) =
Pr ob.( X (t1 ) ≤ x1 , X (t2 ) ≤ x2 ,L, X (tn ) ≤ xn )
x1 x2 xn
= ∫ ∫ ... ∫ p (u , u ,...,u , t , t ,L, t )du du ...du

−∞ −∞ −∞
X 1 2 n 1 2 n 1 2 n
Caractérisation complète: ou Loi temporelle

La caractérisation complète d'un processus consiste à
spécifier sa caractérisation (ou bien sa loi fini-
dimensionnelle) d'ordre N pour tout ordre ( toutes les
valeurs de N finies (N<∞)).
Caractérisation partielle
Au lieu de spécifier une densité de probabilité, on défini
certaines caractéristiques de la densité conjointe
conjointe. On
utilisera surtout la caractérisation partielle d'ordre deux, qui
fait intervenir seulement deux variables aléatoires,
x ( t ) et x ( u ) , t , u ∈ T

Moments:
• Moments d’ordre 1 (Moyenne):
mx (t ) = E[X (t )] = ∫ xp X ( x, t )dx
∞
−∞
On notera
O t que la
l moyenne d'un
d' processus aléatoire,
lé t i définie
défi i comme
la valeur moyenne de chacune des variables aléatoires qui
constituent le processus, est une fonction déterministe de variable
réelle.
• Moments d'ordre 2 (auto-corrélation et covariance)
La fonction
L f ti d'auto-corrélation
d' t él ti estt le
l momentt non-centré
t é d'ordre
d' d
deux du processus stochastique:
[
Rx (t , u ) = E X (t ) X (u ) = ∫ *
] ∞
∫
−∞ −∞
∞
xt xu* p xt xu ( xt , xu , t , u )dxt dxu
Propriétés
p de la fonction d'auto-corrélation
1
1. U ffonction
Une i d’ él i est définie
d’auto-corrélation défi i non-négative,
é ti c’est-à-
’ à
∑∑α α
dire:
∀α 1 ...α n , ∀t1 ,,...,, t n ,
*
i j R (t i , t j ) ≥ 0
i j
2. Symétrie hermitienne:
R (t , s ) = R ( s , t ) *
3
3. I é lité d
Inégalité de S
Schwarz:
h
R (t , s ) ≤ R(t , t ) R ( s, s )

Remarque:
Rx(t,t) ne fait intervenir que la loi de la variable aléatoire X(t) et donc sans
pp
condition supplémentaire :
2
t2 li t1 Rx (t1 , t 2 ) ≠ E ( X (t1 ) )
lim
La fonction d’auto-covariance
• La fonction de covariance est le moment centré d'ordre

deux: [
K x (t , u ) = E (x(t ) − mx (t ) )( x(u ) − mx (u ) )
*
]
∞ ∞
=∫ ∫ (x − m (t ))(x − mx (u ) ) pxt xu ( xt , xu , t , u )dxt dxu
*
t x u
−∞ −∞
On défini le coefficient de corrélation:
Kx (t , u)
Cx ( t , u) =
Kx (t , t ) Kx (u, u)

Moments croisés de deux processus
L corrélation
La él ti croisée
i é :
[
Rxy (t , u ) = E X (t )Y * (u ) ]
La covariance croisée :
[
K xy (t , u) = E (x(t ) − mx (t ))( y(u) − my (u))
*
]
Processus Orthogonaux
On dit que deux processus sont orthogonaux quand leur fonction de corrélation
est identiquement nulle :
Rxy (t , u ) = 0, ∀t , u ∈ T
Deux processus sont non correlés si leur fonction de covariance est

identiquement nulle:
xy K (t , u ) = 0, ∀t , u ∈ T
Si les processus sont indépendants, leur covariance est identiquement
nulle,
ll maisi lla réciproque
é i estt ffausse. Si d
deux processus sontt
orthogonaux, on dit que les processus sont non-corrélés.

Stationnarité au sens strict
Défi i i : Un
Définition U processus aléatoire
lé i est stationnaire
i i au sens strict
i sii lla
loi temporelle est invariante par changement de l’origine des temps.
FX (x1, x2 ,...,xn , t1, t2 ,...,tn ) = FX (x1, x2 ,...,xn , t1 +τ , t2 +τ ,...,tn +τ )

Pour tout n, pour toute suite d’instants (t1,…,tn) et pour tout décalage τ.
Conséquence:
• E[Xk(t)] indépendant
i dé d td ti k.
de t pour ttoutt entier k
• E[Xk1(t1) Xk2(t2)] ne dépend que de l’écart de temps t1 -t2 pour tout couple
d’entiers (k1,k2)
( , )
Stationnarité au sens large (ou de deuxième ordre)
Un processus aléatoire est stationnaire au sens large si sa moyenne

est constante, mx ( t ) = mx
et sa fonction d'auto-covariance ne dépend pas de l'origine du
p
temps:
Kx ( t , u) = Kx (t − u)

Ergodicité
Un processus aléatoire est ergodique si ses moments peuvent

être obtenus comme des moyennes à partir d'une seule de ses
réalisations.
Ceci doit être vrai en particulier pour les moments d'ordre 1 et 2:
1
∫ x(t , ω )dt ⎯T⎯
⇒
⎯→ mx
→∞
T T
1
T ∫
T
x(t , ω ) x(t + τ , ω )* dt ⎯T⎯
⎯→ Rx (τ )
→∞
ergodicité
g stationnarité
Exercice
On considère le processus aléatoire stationnaire x(t), de moyenne nulle et

de fonction d’auto-covariance:
−α τ
K (τ ) = e
Soit MT la moyenne temporelle de x(t) calculée sur l'intervalle [-T,T]:
1 T
MT =
2T ∫−T
x (t )dt
1. Calculer la valeur moyenne de la variable aléatoire MT.

2. Calculer la variance de cette variable aléatoire.
3. Montrer que cette covariance tend vers 0 quand T tend vers l’infini. En déduire
que le processus est ergodique pour la moyenne.

EXERCICE
On transmet
O t t un signal
i l sinusoïdal
i ïd l de
d fréquence
fé f0 ett
f0,
d’amplitude A. L’onde reçue est modélisée comme la
: réalisation d’un processus aléatoire de la forme
X (t, w) = R(w) cos(2πf 0t + θ (w))
où R(w) est une variable aléatoire de moyenne µR.
1. On suppose que θ (w) est égale a une constante.

Calculer la moyenne de X. Est-ce que le processus
aléatoire X(t,w)
X(t w) stationnaire ?
2. On suppose maintenant que θ (w) est une variable

aléatoire uniforme définie sur − π, π , et
qu’elle est indépendante de R(w). Calculer la moyenne
de X.
Processus conjointement stationnaires
Deux processus aléatoire X(t) et Y(t) à temps discret

p continu sont dits conjointement
ou à temps j
stationnaires au sens large si:
1. Chaque processus est stationnaire au sens large.

2. Leur corrélation croisée R xy ( t , u ) dépend seulement
de la différence τ = t − u
Rxy ( t , u ) = Rxy ( t − u ) = R x ( τ )

Exemple: Processus Harmonique
N
X (t ) = ∑ Ak exp(2 jπ f k t ), Ak: une suite
it de
d VV.A.
A complexes
l
k =1
centrées, de variances σk2
Montrer que :
N N
• RX (t + τ , t ) = ∑∑ E ( Ak Am* ) exp(2 jπ ( f k − f m )t ) exp(2 jπf kτ )
k =1 m =1
S la suite {{Ak} est une suite de V.A. non corrélées,,

•Si
alors X(t) est SSL.
Notion de Puissance
Rappel pour les Signaux Déterministes:

1 N
∑
2
Cas Discret : P = N lim + ∞ x(k )
2 N + 1 k =− N
T
1
∫
2
C ti : P =T lim
C Continu
Cas li + ∞ x(t ) dt
2T −T
2
Pour les P
P.A.
A ergodique au sens large: P = E ( x(t ) )
Définition: On appelle puissance d d’un
un
processus aléatoire SSL la valeur à l’origine du
moment du second ordre.
Densité spectrale de puissance
Définition: On appelle
pp spectre
p ou densité spectrale
p de
puissance (d.s.p.) d’un processus aléatoire SSL à temps
discret (resp. à temps continu), la T.F. à temps discret
(
(resp. à temps
t continu)
ti ) de
d sa fonction
f ti d’autocovariance:
d’ t i
+∞ 1/ 2
C.D. S XX (υ ) = ∑K
m = −∞
∞
X ( m) e − 2 jπ mυ
, et K X (m) = ∫ S XX (υ )e 2 jπ mυ
dυ
−1 / 2
+∞ +∞
∫ K X (τ )e ∫
− 2 jπ fτ 2 jπ fτ
C.C. S XX ( f ) = dτ , et K X (τ ) = S XX ( f )e df
−∞ −∞
Périodogramme
Soit x(k) un processus aléatoire SSL à temps discret. On appelle
périodogramme la suite aléatoire indexée par N définie par:
N −1
1 − 2 jπυk
PN (υ ) = d N (υ ) , où d N (υ ) = ∑ x(k )e
2
N k =0
dN(f) est la TF à temps discret de la suite tronquée: x(0),…,x(N-1).

Théorème: Le périodogramme PN(ν) d
d’un
un P.A. centré, SSL, à temps
discret dont la fonction d’autocovariance est de module sommable,
vérifie quand N tend vers l’infinie, les deux propriétés suivantes:
∀f , E ( PN (υ )) ⎯N⎯⎯→ S XX (υ )
→ +∞
υ1 υ1
∀υ 0 ,υ1 , ∫υ P (υ )dυ
N Pr ob.
⎯⎯ ⎯
⎯→
N →+∞
∫υ S XX (υ )dυ
0 0

Densité Inter
Inter-spectrale
spectrale de puissance
On appelle densité inter-spectrale de puissance de deux
processus aléatoires SSL,
SSL conjointement stationnaires,
stationnaires
la transformée de Fourier de leur fonction de covariance:
+∞
C.D. S XY = ∑ K ( p )exp(− j 2πυp)
p = −∞
XY
+∞
C.C. S XY = ∫ K (τ )exp(− j 2πfτ )dτ
−∞
XY
Propriétés des processus aléatoires SSL
Symétrie hermitienne:
• Si X(t) estt à valeurs
l réelles:
é ll
K X (−τ ) = K X (τ ),
) et S XX ( f ) = S XX (− f ) ≥ 0
•Si X(t) est à valeurs complexes:
K X (τ ) = K X* (−τ ) , et S XX ( f ) ≥ 0
Caractère défini non Négatif:

Une fonction d’auto-corrélation
d’auto corrélation est définie non négative c’est-à-dire:
non-négative, c’est à dire:
∀α1...α n , ∀t1 ,..., t n , ∑∑ i j R(ti − t j ) ≥ 0

α α *
i j
Propriétés des P.A. SSL
Matrice de Toëplitz:
( ) un P.A. à temps
Soit x(k), p discret et SSL, et soit n instants
consécutifs: pk=p0+k, avec k compris entre 0 et n-1. Dans
ce cas le vecteur aléatoire X=[x(p0),…,x(p0+n-1)]T a pour
moyenne un vecteur
t dont
d t toutes
t t lesl composantes t sontt
égales à mX et pour matrice de covariance:
K X = E ( X c X cH ),
) avec X c = X − E ( X )
⎡ K x (0) K x (1) L K x (n − 1)⎤

⎢ ⎥
⎢ K x (−1) K x (0) O M ⎥
KX = ⎢ ⎥
⎢ M O O K x (1) ⎥
⎢ ⎥
⎢⎣ K x (−n + 1) L K x (−1) K x (0) ⎥⎦
Formule de Filtrage des processus Aléatoires SSL

Formule de Filtrage … Suite
Exemples de Processus Aléatoires

Bruit Blanc

Processus à Moyenne Ajustée d’ordre q
Processus Autorégressif d
d’ordre
ordre p (AR-p)
(AR p)
Soit {W(n)} un bruit blanc centré de variance
Soit l‘équation récurrente :
X est un processus SSL ssi :
1. E(X(n))=0
2. Pour k>1, E(X(n-k)W(n))=0
3. Soit R(k)=E(X(n+k)X(n)):
Propriétés:
• Pour k >1, R(k)+a1R(k-1)+…+ ap R(k-p)=0

Processus AR
AR-p…
p Suite :
Equation de Yule-Walker :
Exercice : Processus AR-1
Montrer que :
Démonstration
N −1 N −1 N −1
Démontrer que: ∑ ∑ g (l − m) = ∑ (N − p )g ( p)
l =0 m =0 p = − ( N −1)
1
E ( PN (υ )) = E (d N (υ )d N* (υ ))
N
1 ⎛ N −1 N −1
⎞
= E ⎜ ∑ x(l ) exp(− j 2πυl ) ∑ x* (m) exp( j 2πυm) ⎟
N ⎝ l =0 m =0 ⎠
1⎛ ⎞
( )
N −1 N −1
= ⎜ ∑∑ E x(l ) x* (m) exp(− j 2πυ (l − m)) ⎟
N ⎝ l =0 m =0 ⎠
= ...
N −1 ⎛ p⎞
Démontrer que: E ( PN (υ )) = ∑ ⎜ ⎟
⎜ N ⎟RX ( p ) exp(−2 jπυp )
p = − ( N −1) ⎝
1 −
⎠

Démonstration (suite)
⎛ p⎞
On note : q N ( p) = 1N ( p )⎜⎜1 − ⎟⎟ RX ( p ) exp(− j 2πυp)
⎝ N⎠
1N ( p ) fonction indicatrice de l' ensemble {- N... N }
M
Montrer que q N ( f ) est de
d module
d l sommable
bl
Déterminer N lim+∞qN ( p)
Déterminer E ( PN (υ )) en fonction de q N ( p )
Pour Conclure: Utiliser le théorème de convergence dominée:
+∞ +∞
N lim+∞ ∑qN ( p) = ∑N lim+∞qN ( p)

p=−∞
∞ p=−∞
∞

Chapitre Processus Aleatoire

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

Chapitre Processus Aleatoire

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre : Signaux Aléatoires

Sup'Com 2008-2009 H. Besbes 1

Introduction: Variable aléatoire

Sup'Com 2008-2009 H. Besbes 2

Sup'Com 2008-2009 H. Besbes 3

• La mesure commence à t=0,

Sup'Com 2008-2009 H. Besbes 4

e1 correspond à la mesure enregistrée durant le premier

Sup'Com 2008-2009 H. Besbes 6

• Pour un temps t0 fixé, un P.A. peut être

Sup'Com 2008-2009 H. Besbes 8

Pr ob.( X (t1 ) ≤ x1 , X (t2 ) ≤ x2 ,L, X (tn ) ≤ xn )

= ∫ ∫ ... ∫ p (u , u ,...,u , t , t ,L, t )du du ...du

Sup'Com 2008-2009 H. Besbes 9

Caractérisation complète: ou Loi temporelle

Sup'Com 2008-2009 H. Besbes 10

Sup'Com 2008-2009 H. Besbes 11

Sup'Com 2008-2009 H. Besbes 12

Sup'Com 2008-2009 H. Besbes 13

• La fonction de covariance est le moment centré d'ordre

On défini le coefficient de corrélation:

Sup'Com 2008-2009 H. Besbes 14

Sup'Com 2008-2009 H. Besbes 15

Deux processus sont non correlés si leur fonction de covariance est

Sup'Com 2008-2009 H. Besbes 16

FX (x1, x2 ,...,xn , t1, t2 ,...,tn ) = FX (x1, x2 ,...,xn , t1 +τ , t2 +τ ,...,tn +τ )

Sup'Com 2008-2009 H. Besbes 17

Stationnarité au sens large (ou de deuxième ordre)

Un processus aléatoire est stationnaire au sens large si sa moyenne

Sup'Com 2008-2009 H. Besbes 18

Un processus aléatoire est ergodique si ses moments peuvent

On considère le processus aléatoire stationnaire x(t), de moyenne nulle et

1. Calculer la valeur moyenne de la variable aléatoire MT.

Sup'Com 2008-2009 H. Besbes 20

X (t, w) = R(w) cos(2πf 0t + θ (w))

où R(w) est une variable aléatoire de moyenne µR.

1. On suppose que θ (w) est égale a une constante.

2. On suppose maintenant que θ (w) est une variable

Sup'Com 2008-2009 H. Besbes 21

Processus conjointement stationnaires

Deux processus aléatoire X(t) et Y(t) à temps discret

1. Chaque processus est stationnaire au sens large.

Sup'Com 2008-2009 H. Besbes 22

S la suite {{Ak} est une suite de V.A. non corrélées,,

Sup'Com 2008-2009 H. Besbes 23

Rappel pour les Signaux Déterministes:

Sup'Com 2008-2009 H. Besbes 25

dN(f) est la TF à temps discret de la suite tronquée: x(0),…,x(N-1).

Sup'Com 2008-2009 H. Besbes 26

Sup'Com 2008-2009 H. Besbes 27

Propriétés des processus aléatoires SSL

Caractère défini non Négatif:

∀α1...α n , ∀t1 ,..., t n , ∑∑ i j R(ti − t j ) ≥ 0

⎡ K x (0) K x (1) L K x (n − 1)⎤

Formule de Filtrage des processus Aléatoires SSL

Sup'Com 2008-2009 H. Besbes 30

Sup'Com 2008-2009 H. Besbes 31

Exemples de Processus Aléatoires

Sup'Com 2008-2009 H. Besbes 32

Sup'Com 2008-2009 H. Besbes 33

X est un processus SSL ssi :

Sup'Com 2008-2009 H. Besbes 34

Exercice : Processus AR-1