Académique Documents
Professionnel Documents
Culture Documents
Plusieurs réalisations
Exemple
• Evolution
E l i d la
de l température
é
à la surface d’une navette
spatiale.
• X(t) la température en C.
• A chaque
h l
lancement,
t on
enregistre x(t,s).
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
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 ),
FX ( x1 , x2 ,L, xn , t1 , t2 ,L, tn ) =
x1 x2 xn
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
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 )
2
t2 li t1 Rx (t1 , t 2 ) ≠ E ( X (t1 ) )
lim
La fonction d’auto-covariance
Kx (t , u)
Cx ( t , u) =
Kx (t , t ) Kx (u, u)
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
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.
1
T ∫
T
x(t , ω ) x(t + τ , ω )* dt ⎯T⎯
⎯→ Rx (τ )
→∞
ergodicité
g stationnarité
Sup'Com 2008-2009 H. Besbes 19
Exercice
1 T
MT =
2T ∫−T
x (t )dt
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
Notion de Puissance
∑
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.
Sup'Com 2008-2009 H. Besbes 24
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
∀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
+∞
C.D. S XY = ∑ K ( p )exp(− j 2πυp)
p = −∞
XY
+∞
C.C. S XY = ∫ K (τ )exp(− j 2πfτ )dτ
−∞
XY
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
i j
Sup'Com 2008-2009 H. Besbes 28
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 )
Processus Autorégressif d
d’ordre
ordre p (AR-p)
(AR p)
Soit {W(n)} un bruit blanc centré de variance
Soit l‘équation récurrente :
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
Equation de Yule-Walker :
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 −
⎠
Déterminer N lim+∞qN ( p)
Déterminer E ( PN (υ )) en fonction de q N ( p )
Pour Conclure: Utiliser le théorème de convergence dominée:
+∞ +∞