ch22f Du Prof Comple

Chapitre
Chapitre XXII
XXII La
La Covariance
Covariance
Covariogramme géométrique
Version probabiliste :
- ensembles
- fonctions
- propriétés de la covariance
Théorie intrinsèque :
- variogramme
J. Serra Ecole des Mines de Paris ( 2000 ) Cours de morphologie Mathématique XXII. 1
Covariogramme
Covariogramme géométrique
géométrique
directionα.
α.
•• Soit n
Soitdans
dans RR n lelevecteur
vecteurhhd’origine
d’origine0,0,de
demodule
modulehhetetde
dedirection
Prenons
Prenonspour
pourélément
élémentstructurant
structurantBBlelebipoint
bipoint{{0,0,hh}}etetconsidérons
considérons
l’érosion
l’érosion
! ∩∩XX-h-h=={{xx∈∈RR n ,,xx∈∈X∩
∩
X! n
X!!BB==X∩ X∩ ∩XX-h-h}}
X∩
X!B
X!Bestestl’ensemble
l’ensembledes despoints
pointscommuns
communsààXXetet ààsonsontranslaté
translatépar
parlele
vecteur
vecteurhh..
•• Définition
Définition::On Onappelle
appellecovariogramme
covariogrammegéométrique
géométriquede deXXlalamesure
mesuredede
Lebesgue
Lebesguede deX∩ ∩
X∩∩XX-h-h,,etetl’on
l’onnote:
note:
K
K(h)
(h)==K
Kαα(h)
(h)==Mes
Mes[X∩∩
∩XX-h-h]=
[X∩ ]=Mes
Mes[X∩∩
∩XXhh]]
[X∩
MesXX etet ∫ ∫K(h)

•• En 2
Enparticulier
particulier KKαα(0)
(0)==Mes K(h)dh dh==[Mes
[MesXX]]2
L’intégrale
L’intégraledu
ducovariogramme
covariogrammevaut
vautlelecarré
carréde
delalasurface
surface(du
(duvolume)
volume)de
deX.
X.
Erosion
Erosion par
par un
un bipoint
bipoint ::
exemple
exemple
3500
X K( h ) "c:\wmmorph\set.dat"
3000
2500
α=
2000
covariogramme
h=0 h = 20
1500
1000
500
h
0
0 10 20 30 40 50 60 70
h
h = 40 h = 60
Anisotropies
Anisotropies du
du covariogramme
covariogramme
3500
"c:\wmmorph\hset.dat"
3000
"c:\wmmorph\set.dat"
α1 = 0°
2500
α2 = 60°
covariogramme
α1
2000
α2
1500
1000
500
0
0 10 20 30 40 50 60 70 80 90
h
•• La
Latangente
tangenteààl’origine
l’origine -K ’(0)==--[∂
-Kαα’(0) [∂KKαα(h) /∂h]]hh==00 n’est
(h)/∂h n’estautre
autreque
que lala
variation
variationdiamétrale
diamétralede
deXXdans directionα,
danslaladirection α, etetdans
danslelecas
casconvexe
convexeson
son
contour
contourapparent.
apparent.On
Onretrouve
retrouveici icilalaformule
formulede deCrofton:
Crofton:
--∫K ’(0) dα = 2U(X) (dans R 22) ; -∫K ’(0) dα
∫Kαα’(0) dαα = 2U(X) (dans R ) ; -∫Kαα’(0) dαα = π S(X) (dans R )
α α = π S(X) (dans R 33)
Versions
Versions probabilistes
probabilistes
•• Associons
Associonsààl’ensemble
l’ensembleXXsa
safonction
fonctionindicatrice
indicatriceff..On
Onaales
leségalités:
égalités:
KKαα(h) Mes{X∩
(h)== Mes{X ∩XXhh }}==∫∫f(x).
f(x).f(x+h)
f(x+h)dxdx
lala sommation
sommation étant
étant étendue
étendue àà tout
tout l’espace.
l’espace. Si
Si maintenant
maintenant ff n’est
n’est plus
plus une
une
indicatrice,
indicatrice, mais
mais uneune fonction
fonction numérique
numérique mesurable,
mesurable, l’intégrale
l’intégrale ci-dessus
ci-dessus
définit
définitsonsoncovariogramme.
covariogramme.
•• IlIlarrive
arriveque
quel’objet
l’objetreprésenté
représentéparparff
–– puisse
puisseêtre
êtrereproduit
reproduitààvolonté
volonté(e.g.
(e.g.un
uncristal
cristaldedequartz)
quartz)
–– ou,
ou,même
mêmes’ils’ilest
estunique,
unique,seserépète
répèteindéfiniment
indéfinimentààtravers
traversl’espace
l’espace(e.g.
(e.g.
une
unemosaïque
mosaïquede dechamps
champsvue vued’avion).
d’avion).
•• On
Onl’interprète
l’interprètealors
alorscomme
commeune uneréalisation
réalisationdedefonction
fonction aléatoire.
aléatoire. Dans
Dans lele
premier
premiercas,cas,pour
pourff p.s.
p.s.de
decarré
carrésommable,
sommable,lelecovariogramme
covariogrammedevient
devient
KKαα(h)
(h)==E[ Mes{X∩
E[Mes{X ∩XXhh }}]] KKαα(h)
(h)==E[ E[∫∫f(x).
f(x).f(x+h)
f(x+h)dxdx]]
(ensembles)
(ensembles) (fonctions
(fonctions))
Cadre
Cadre probabiliste
probabiliste stationnaire
stationnaire
•• Lorsque
Lorsque l’objet
l’objet d’étude
d’étude estest grand
grand par
par rapport
rapport au
au masque
masque de de mesures,
mesures, ilil
est
estpréférable
préférablede del’interpréter
l’interpréter en entermes
termesd’ensemble
d’ensemblefermé
ferméou oude
defonction
fonction
aléatoire
aléatoirestationnaire.
stationnaire.Le LeKKαα(h)
(h)est
estalors
alorsremplacée
remplacéepar
parlalacovariance
covariance
CC(h,ααα))==EE[([(f(x)
(h,α f(x)--m).(f(x+h)
m).(f(x+h)--m m)])]==EE[[f(x).
f(x).f(x+h)
f(x+h)]]--m
2
m2 ..
où
où mm==EE[[f(x)
f(x)]]l’espérance
l’espérancedu duprocessus.
processus.
–– Pour
Pourhh==0,0,ililvient
vient CC(0,α αα))==EE[([(f(x)
(0,α m)]2==σσ2
f(x)--m)]
2 2
La
La valeur
valeur àà l’origine
l’origine dede lala covariance
covariance estest égale
égale àà lala variance
variance du
du
processus.
processus.Dans
Danslelecascasd’un
d’unensemble
ensemblede deproportion
proportionvolumique
volumiquep, p,on
onaa
CC(0,ααα))==pp(1
(0,α (1--p)p)
–– Pour
Pourhh=∞,
=∞, ililn’y
n’yaaplus
plusde
decorrélation
corrélationentre
entrexxetetx+h
x+h;;donc
donc
αα))==EE[([(f(x)
CC(h,α
(h,α f(x)--m)].
m)].E[(f(x+h)
E[(f(x+h)--m m)])]==00
Pour
Pourplus
plusde
declarté,
clarté,nous
nousexaminons
examinonsci-dessous
ci-dessousd’abord
d’abordlelecas
casdes
desensembles,
ensembles,
puis
puiscelui
celuides
desfonctions.
fonctions.
Covariance
Covariance ensembliste
ensembliste
•• Lorsque
Lorsque l’objet
l’objet d’étude
d’étude est
est modélisé
modélisé par par un un
fermé
fermé aléatoire
aléatoire stationnaire
stationnaire X,
X, lala notion
notion qui
qui
correspond
correspond directement
directement au au covariogramme
covariogramme
KKαα(h)
(h)est
estlalacovariance
covariancenonnoncentrée
centrée
αα))==CC(h,α
CC1 (h,α
(h,α αα))++pp22==Prob
(h,α Prob{{xx∈∈X∩ X∩∩∩XXhh}.}.
1
•• Expérimentalement,
Expérimentalement, lala covariance
covariance ensembliste
ensembliste
non
non centrée
centrée dans
dans un
un champ
champ ZZ s’estime
s’estime comme
comme X Z
lele rapport
rapport des
des implantations
implantations favorables
favorables du
du
doublet
doubletBB Exemple d’objet X dont
NN==AA[(X∩
[(X∩∩
∩ZZ)! !!B]
)! B] les dimensions excèdent
celles du champ Z .
sur
surleletotal
totalde
deses
ses implantations
implantationsdans dansZZ
DD==AA[Z! !
[Z!!B] αα)*
B] i.i.e.e. CC11(h,α
(h,α )*==N/D
N/D..
Propriétés
Propriétés de
de la
la covariance
covariance ensembliste
ensembliste
On
Onretrouve
retrouveles
lespropriétés
propriétésdu duK(h),
K(h),enrichies
enrichiesd’interprétations
d’interprétationsprobabilistes
probabilistes::
•• AAl’origine
l’originel’on
l’onaa
α) = A (X) = p soitα)
1(0, α) = AAA (X) = p α);;
CC1(0, (quel
(quelque
quesoit
•• Quand
Quandhhest
esttrès
trèsgrand,
grand,les évènementsxx∈∈XXetetxx∈∈XXhhdeviennent
lesévènements deviennent
indépendants,
indépendants,d’où
d’où
(h,αα))==pp2==[A
lim 2 2
limCC11(h, [AAA(X)]
(X)]2 ..
•• La
Lamoyenne
moyennedirectionnelle
directionnellede delalatangente
tangenteààl’origine
l’originevaut
vautlelepérimètre
périmètre(la(la
surface)
surface)spécifique
spécifique
--∫
∫CC11’(0,α
αα))dα
’(0,α αα ==((2/
dα 2/ππ)U
)ULL(X)
(X) == SSV (X) /4
V (X) / 4
((dans 2 3
dansRR 2)) ((dans
dansRR 3))
•• La portée a = 1/p(1-p) ∫
La portée a = 1/p(1-p)∫[C11 (h) - p ]dh a une signification ergodique
[C (h) - p22]dh a une signification ergodique
(cf.
(cf.plus
plusbas
basXII-21)
XII-21)
Pseudo-périodicités
Pseudo-périodicités et
et covariance
covariance
40000
"c:\wmmorph\eutect.dat"
35000
30000
25000
20000
15000
10000
5000
0 10 20 30 40 50 60 70 80 90 100
•• Les
Lesmaxima
maximade delalacovariance,
covariance,s’ils
s’ilssont
sontrépétés
répétés((ici
iciaux
auxabcisses
abcisses30,
30,60,
60,
90)
90)indiquent
indiquentdes
des(pseudo)
(pseudo)périodes
périodesde del’objet;
l’objet;
•• En
Enrevanche
revanchelalacovariance
covarianceest
estaveugle
aveugleààla laconnexité
connexité::les
lesdeux
deuximages
images
présentées
présentéesont
ontdeux
deuxcovariances
covariancesgraphiquement
graphiquementindiscernables
indiscernables
Groupements
Groupements et
et covariance
covariance
10000
"c:\wmmorph\part2.dat"
9000
8000
7000
6000
5000
4000
3000
2000
1000
0
0 10 20 30 40 50 60 70 80
•• Les
Lesobjets
objetsd’échelles
d’échellesdifférentes
différentes(ici,
(ici,les
lesparticules
particulesetetleurs
leursgroupes)
groupes)
ont
ontdes
descovariances
covariancesquiquisesesuperposent
superposent((en enrouge,
rouge,les
lestangentes
tangentesàà
l’origine
l’origineassociées)
associées)
•• En
Enplus,
plus,apparaît
apparaîtici
iciune
uneoscillation
oscillationdue
dueààlalavaleur
valeurégale
égaledesdesdistances
distances
entre
entreparticules
particulesdans
dansleurs
leurspaquets.
paquets.
Bruit
Bruit et
et covariance
covariance
22000
"c:\wmmorph\noise2.dat"
20000
18000
16000
14000
12000
10000
8000
6000
4000
0 5 10 15 20 25 30
•• Cette
Cettesituation
situationest
estlimite
limitede
delalaprécédente:
précédente:lalaplus
pluspetite
petiteéchelle
échelleest est
réduite
réduiteààdu
dubruit
bruitponctuel,
ponctuel,impulsionnel,
impulsionnel,de detype
typePoisson.
Poisson.
•• En
Endigital,la
digital,laportée
portéedudubruit
bruitvaut
vautdonc
donc1,1,etetsa variancepp00(1-
savariance (1-pp00))
est
estégale
égaleààl’ordonnée
l’ordonnéedududécrochement.
décrochement.
Covariance
Covariance rectangle
rectangle
•• La
Ladivision
divisionde
del’espace
l’espaceenenun
unensemble
ensembleetetson
soncomplémentaire
complémentaireest estparfois
parfois
remplacée
remplacéeparparune
unepartition
partitionen
en nnphases
phasesXX11,,XX22...
...XXnn..L’étude
L’étudededeleurs
leurs
relations
relationsspatiales
spatialess’effectue
s’effectuealors
alorspar
parlalacovariance
covariancerectangle
rectangle
Section polie Partition

à trois phases correspondante
Définition : la covariance rectangle est la probabilité que x soit dans la phase Xi

et x+h dans Xj . On note :
Cij (h, α) = Prob { x ∈ Xi , x+h∈
∈ Xj }.
Propriétés
Propriétés de
de la
la covariance
covariance rectangle
rectangle
•• Lorsque c
Lorsqueles lesphases
phasesXXetetXX c sont
sontcomplémentaires
complémentaires
α) = A (X) - C (h, α)
10 (h, α) = AAA(X) - C1111 (h, α)
CC10 (h,
où (h,α)
oùCC1111(h, α)est
estlalacovariance
covariancede
delalaphase
phaseXX11
•• Pour
Pourune
unestructure
structuremultiphasée
multiphasée
(Xi))==∑
AAA(X
A i (h,αα)) et
∑CCij (h,
ij et ≠≠jj ⇒
i≠
i≠ (0,αα))==00
⇒ CCijij(0,
•• Pour
Pourhhgrand,
grand,les
lesévénements
événementsx∈X x∈Xi i etet x+h∈X
x+h∈Xj j sont
sontindépendants,
indépendants,
d’où
d’où
lim (h,αα))==[A
limCCijij(h, [AAA(X
(Xi)] [A (X )]
i)] [AAA(Xj j)]
•• La
Lamoyenne
moyennedirectionnelle
directionnelledes
desdérivées
dérivéesààl’origine
l’origineest
estliée
liéeau
au
périmètre
périmètre(surface)
(surface)spécifique
spécifiqueentre
entreles
lesphases
phasesiietetjj::
--∫
∫CCijij’(0,α
αα))dα
’(0,α αα ==((2/
dα 2/ππ)U
)ULL(X
(Xi i//XXj)j) == SSVV(X
(Xi i//XXj)j)//44
Exemple
Exemple métallographique
métallographique
120
"c:\pore-fer.dat"
"c:\fer-hem.dat"
"c:\hem-pore.dat"
100
80
60
40
20
0
0 10 20 30 40 50 60 70 80 90 100
•• Echantillon
Echantillond’aggloméré
d’aggloméré Les
Lesdeux
deuxcovariances
covariancesde delalaferrite
ferritesont
sontsemblables.
semblables.
de
deminerai
mineraide
defer.
fer. Celle
Celleentre
entrepores
poresetethématite
hématite
•• Gris
Grisclair:
clair: hématite
hématite;; --démarre
démarreplus
plusbas
bas::faible
faiblesurface
surfacede decontact
contact
gris
grissombre
sombre::ferrite
ferrite;; --présente
présenteun
unnet
neteffet
effetde
detrou
trouààhh=50
=50::halo
halo
noir
noir:: pores
pores de
deferrite
ferriteautour
autourde
del’hématite
l’hématite
Passage
Passage des
des ensembles
ensembles aux
aux fonctions
fonctions
S’agissant
S’agissantdedefonctions
fonctionsaléatoires,
aléatoires,lelepassage binaire→
passagebinaire →numérique
numériquese
se
manifeste
manifesteessentiellement
essentiellement::
•• sur
surlelecomportement
comportementau auvoisinage
voisinagede del’origine
l’origine::
–– les
lesfonctions
fonctionspeuvent
peuventêtre
êtredérivables
dérivablesenenm.q.,
m.q.,
–– mais
maispaspasles
lesindicatrices
indicatricesensemblistes;
ensemblistes;
•• sur
surlelecomportement
comportementààl’infini:
l’infini:
–– aussi
aussigrand
grandsoit
soitlelechamp
champd’étude,
d’étude,lalavariance
varianced’un
d’unensemble
ensemblealéatoire
aléatoire
reste
restebornée
bornéepar
par
sup p(1-p),,pp∈
sup{{p(1-p) ∈[0,1]
[0,1]}}== 0,25
0,25
–– AAl’inverse,
l’inverse,certains
certainsphénomènes
phénomènesphysiques
physiquespeuvent
peuventavoir
avoirune
unecapacité
capacité
de
dedispersion
dispersionquasi
quasiinfinie,
infinie,i.e.
i.e.voir
voirleur
leurvariance
varianceaugmenter
augmentersans
sanslimite
limite
avec
aveclalataille
tailledu
dudomaine
domained’expérimentation
d’expérimentation((minéralisations,
minéralisations,pluie...)
pluie...)
Comportements
Comportements près
près de
de l’origine
l’origine (I)
(I)
4500
"c:\wmmorph\chrom.dat"
4000
3500
3000
2500
2000
1500
1000
500
0
0 5 10 15 20 25 30 35 40 45 50
•• La
Lacovariance
covarianced’une
d’unefonction
fonctiondérivable
dérivableenenmoyenne
moyennequadratique
quadratique estest
dérivable
dérivableààl’origine,
l’origine,etetpar
parsymétrie
symétriesa
sadérivée
dérivéeest
estnulle.
nulle.
•• AAnoter
noterque
quel’hypothèse
l’hypothèsede destationnarité,
stationnarité,manifestement
manifestementen endéfaut
défautici,
ici,
n’est
n’estpas
pasgênante
gênantepour
pourl’étude
l’étudeau
auvoisinage
voisinagededel’origine.
l’origine.
Comportements
Comportements près
près de
de l’origine
l’origine (II)
(II)
4500
"c:\wmmorph\chromk.dat"
4000
3500
3000
2500
2000
1500
1000
500
0
0 5 10 15 20 25 30 35 40 45 50
•• La
Laprésence
présenced’und’unbruit
bruitpoissonnien
poissonniensesetraduit
traduitpar
parunundécrochement
décrochementde delala
covariance
covarianceààl’origine,dit
l’origine,dit«effet
«effetdedepépite»
pépite»dont
dontlalavaleur
valeurégale
égalelala
variance
variancedu dubruit.
bruit.
•• En
Enrevanche,
revanche,s’il
s’ilyyaaindépendance
indépendanceentre
entrelelebruit
bruitetetlelephénomène,
phénomène,lele
reste
restede
delalacovariance
covariancen’est
n’estpas
pasaffecté:
affecté:robustesse
robustessetrèstrèsutile
utileen
enpratique.
pratique.
Comportements
Comportements près
près de
de l’origine
l’origine (III)
(III)
1800
"c:\wmmorph\lung3.dat"
1600 "c:\wmmorph\lung4.dat"
a) poumon sain 1400
1200
1000
800
600
400
200
b) poumon de fumeur 0
-200
0 5 10 15 20 25 30 35 40 45 50
•• Les
Lescovariances
covariancesdesdesfonctions
fonctionscontinues
continuesen enmoyenne
moyennequadratique
quadratique(e.g.(e.g.
indicatrices)
indicatrices)nenesont
sontpas
pasdérivables
dérivablesààl’origine
l’origine(tangente
(tangenteoblique).
oblique).
•• De
Deplus,
plus,lalacovariance
covariancesomme
sommeles lesstructures
structuresindépendantes
indépendantes(e.g.
(e.g.l’effet
l’effetde
de
pépite).
pépite).Dans
Danslalaradio
radiodedepoumon
poumondu dufumeur
fumeurapparaît
apparaîtlalasuperposition
superpositionde delala
structure
structuredesdescôtes
côtes((8µ),
8µ),etetdes
desalvéoles
alvéolespulmonaires
pulmonairessombres
sombres(35µ).
(35µ).
Fonctions
Fonctions aléatoires
aléatoires de
de dilution
dilution
•• Quel
Quel est
est lele lien
lien entre
entre une
une forme
forme de
de base
base (( Ex.
Ex. lele nodule
nodule pulmonaire)
pulmonaire) etet lala
structure
structure stationnaire
stationnaire qu’ilqu’il engendre
engendre ?? Peut-on
Peut-on construire
construire une
une fonction
fonction
aléatoire
aléatoire stationnaire
stationnaire de de même
même covariance
covariance qu’un
qu’un covariogramme
covariogramme donné?
donné?
Comment
Commentjustifier
justifierles
lessuperpositions
superpositionsd’échelles
d’échellessursurles
lescovariances
covariances??
•• Pour
Pour répondre
répondre àà cesces questions,
questions, lele modèle
modèle lele plus
plus simple
simple (mais
(mais pas
pas lele seul)
seul)
consiste
consisteàà
{xi i,,ii∈I varianceλλ
–– partir n
partirde
depoints
pointspoissonniens
poissonniens{x ∈I}}dans
dansRRn,,de devariance
–– implanter
implanter indépendamment
indépendamment en en chaque
chaque point
point xxi i ,, une
une réalisation
réalisation ffi i d’un
d’un
objet
objetprimaire
primairede decovariogramme
covariogrammeKKαα(h) (h),,
–– etet faire sommeff==∑f
fairelalasomme ∑fi i de
detoutes
toutesces cesobjets
objetsprimaires.
primaires.
•• La
Lacovariance
covariancede delalafonction
fonctionaléatoire
aléatoiref,f,stationnaire,
stationnaire,vaut
vautalors
alors
CC(h,ααα))==λλK
(h,α Kαα(h)
(h)
etetcelle
cellede
delalasomme
sommeff==ff’+ ’+ff’’’’de
dedeux
deuxfonctions
fonctionsindépendantes
indépendantesde
dece
cetype
type
λλ’’K ’
(h)++λλ’’K
Kα’α(h)
’’ ’’
K’’αα(h)
(h)..
Covariance
Covariance et
et analyse
analyse spectrale
spectrale
Passons
Passonsau
aucomportement
comportementààl’infini,
l’infini,en
encommençant
commençantpar
parun
unthéorème
théorèmecélèbre.
célèbre.
Théorème
Théorème(Wiener-Khinchine)
(Wiener-Khinchine):: La La covariance
covariance C(h)C(h) d’une
d’une fonction
fonction aléatoire
aléatoire
stationnaire
stationnaireffest
estlalatransformée
transforméededeFourier
Fourierde deson
sonspectre d’energieφφ(ν)
spectred’energie (ν),,
donc
doncd’une mesure≥≥0.0.
d’unemesure
Corollaire
Corollaire 1:
1: Cette
Cette dernière
dernière condition
condition équivaut
équivaut àà dire
dire que
que C(h)
C(h) est
est de
de type
type
défini
définipositif,
positif, i.e.
i.e.pour
pourtous poidsλλi ietettous
touspoids touspoints
pointsxxi i,,l’on
l’onaa
∑
∑λλi iλλjjC(x
C(xi i--xxjj))≥≥0.0.
Corollaire
Corollaire 22 :: Comme
Comme lala transformation
transformation dede Fourier
Fourier échange
échange les
les propriétés
propriétés àà
l’origine
l’origineetetààl’infini,
l’infini,ililvient
vienten
enparticulier
particulier::
∫∫φφ(ν)
(ν)dνdννν==C(0)
C(0)==EE[([(f(x) -m)]2==σσ200
f(x)-m)]
2 2
0
La
La somme
somme des
des énergies
énergies associées
associées àà toutes
toutes les
les fréquences
fréquences est
est donc
donc égale
égale àà lala
σ
variance ponctuelle σ 00
variance ponctuelle 22
Variances
Variances et
et portée
portée
•• Inversement,
Inversement,lalaportée
portée aa est
estassociée
associéeààlalafréquence
fréquencenulle
nulle::
C(0)==∫
aaC(0) ∫C(
C(((h)
))dh
h) dh ==φφ(0)
(0)..
•• Soit
Soitalors
alors ZZun
unchamp
champde
degrande
grandetaille, (x)==∫
taille,etet ffZZ(x) ∫ZZf(x-y)dy
f(x-y)dy,,ililvient
vient
ZZ→∞
→∞ ⇒
⇒ σσ22ΖΖ==EE[(f
[(fZZ(x) -m)]2 →
(x)-m)]
2
→ [a
[a//Mes
MesZ]
Z]C(0)
C(0)
à vis de la variance σ 22 d’un échantillon moyen Z, la portée apparaît
Vis à vis de la variance σ ΖΖ d’un échantillon moyen Z, la portée apparaît
Vis
donc
doncasymptotiquement
asymptotiquementcommecommel’unité
l’unitéde
detaille
tailledu
duphénomène.
phénomène.
pas,sisiσσ200/ /ΖΖ désigne
•• Plus 2
Plusgénéralement,
généralement,que
queZZsoit soitgrand
grandou oupas, désignelalavariance
variance
ponctuelle
ponctuelledans
dansZ,
Z,on
onmontre
montreque que
σσ2200/ /ZZ == σσ2200 -- σσ22ZZ ;;
Cette
Cetteidentité
identitéremarquable,
remarquable,dite diteformule
formulede deKrige,
Krige,constitue
constituelelepoint
pointde
de
départ
départde
delalaGéostatistique.
Géostatistique.
Théorie
Théorie intrinsèque,
intrinsèque, variogramme
variogramme
•• Lorsque
Lorsquelelephénomène
phénomèneétudié
étudiéesttrès
esttrèsétendu
étenduààtravers
traversl’espace,
l’espace,ililarrive
arriveque,
que,
quand Z augmente, la variance expérimentale
quand Z augmente, la variance expérimentale [σ σ
σ 00/ /ZZ ] d’un point dans Z
[σ22 ] ** d’un point dans Z
croisse
croisseindéfiniment
indéfinimentavec
avecZZ,,etetcela
celaààtoutes
toutesnos
noséchelles
échellesd’analyse.
d’analyse.
•• D’après
D’après lala formule
formule de
de Krige,
Krige, cela
cela signifie
signifie que
que lele modèle
modèle stationnaire
stationnaire est
est
inadapté: σ
inadapté: σ 00 = C(0) étant infini, la covariance n’existe pas.
22 = C(0) étant infini, la covariance n’existe pas.
•• Modèle
Modèle intrinsèque
intrinsèque (G.Matheron)
(G.Matheron) :: Mais Mais ilse
ilse peut
peut que
que les
les accroissements
accroissements
de
de ff existent
existent etet aient
aient un un sens.
sens. Les
Les supposant
supposant stationnaires,
stationnaires, onon étudie
étudie alors
alors
leur
leurvariance,
variance,ou ouvariogramme
variogramme
γγ(h,ααα))==EE[[f(x)
(h,α f(x)--f(x+h)
2
f(x+h)]]2
•• Propriétés
Propriétés::On Onaaγγ(0,α αα))==00,,etet
(0,α
σσ2200<<∞∞,, ⇒ ⇒γγ(h,α
(h,ααα))==2[C(0)
2[C(0)--C(h)]
C(h)]
Quand σσ200== ∞
Quand 2
∞,, lala notion
notion de de portée
portée s’estompe,
s’estompe, etet de
de nouveaux
nouveaux comportements
comportements
ààl’infini
l’infiniapparaissent.
apparaissent.
Exemple
Exemple :: marches
marches poissonniennes
poissonniennes (I)
(I)
•• On
Onobjectera
objectera::mais
maisde
detoutes
toutesfaçons,
façons,toute
toutedonnée
donnéenumérique
numériqueest
estfinie
finie!!
Voyons
Voyonscela
celade
deplus
plusprès,
près,dans
danslelecas
casd’un
d’unmodèle
modèlequi
quise
secalcule
calculebien.
bien.
•• Définition
Définition::OnOnengendre
engendredes desmarches
marchespoissonniennes
poissonniennesen enimplantant
implantant
varianceλλ,,
–– un 1
unprocessus
processusdedepoints
pointsdedePoisson
Poissondans
dansRR1,,de
devariance
–– etetun
unsaut d’amplitudeδδen
sautd’amplitude enchaque
chaquepoint
pointdedePoisson.
Poisson.La variableδδ
Lavariable
varianceσσ2..
suit 2
suitune
uneloi
loide
demoyenne
moyennenullenulleetetde
devariance
•• Propriétés
Propriétés::Dans
Dansce cemodèle,
modèle,seuls
seulsles
lesaccroissements
accroissementssont
sontdéfinis;
définis;ils
ils
sont
sontdedemoyenne
moyennenulle,
nulle,etetde
devariogramme
variogramme
γγ(h) λ σ 22h
(h) = λ σ h
= 
Exemple
Exemple :: marches
marches poissonniennes
poissonniennes (II)
(II)
1/(L-h)∫
L-h
lelevariogramme
variogrammeexpérimental
expérimental 2γ
2γ *(h)
*
==1/(L-h) ∫
(h) 00
L-h[f (x+h) - f(x)]22dx
[f (x+h) - f(x)] dx
aa pour
pourespérance 2γ
espérance EE[2γ
[2γ (h)]]==γγ(h)
2γ *(h)
*
(h)==λλσσ2h
2 ..
h
•• Mais
Maison
onpeut
peuttoujours
toujoursposer 1/L∫
poserffLL==1/L ∫LLf(x)
f(x)dx,
dx, puis
puis
1/(L-h)∫
L-h
Cov*(h)
Cov*(h)==1/(L-h) ∫ 00
L-h(f (x+h) - f )( f(x) - f )dx .
(f (x+h) - fLL )( f(x) - fLL )dx .
•• Cette
Cette«covariance»
«covariance»expérimentale
expérimentaleadmet
admetpourpourespérance
espérance
EE[[Cov*(h)
Cov*(h)]]== L/3
L/3 -- 4/3.
4/3.hh ++ 2/3.
2
2/3.hh2/L/L ((00≤≤hh≤≤LL)) ;;
La
Lavraie
vraiestructure
structuredu
duphénomène
phénomèneest estcomplètement
complètementfaussée.
faussée.
1600
"c:\wmmorph\steps6.dat"
1400 "c:\wmmorph\steps66.dat"
1200
1000
800
600
400
Simulation de marches, 200
0
sa « covariance » , son variogramme
-200
0 10 20 30 40 50 60
Clap
Clap de
de fin
fin (I)
(I)
Lame mince de hêtre, perpendiculaire à l’axe du tronc. La direction horizontale est

celle des rayons partant du centre de l’arbre; la verticale celle des anneaux annuels.
Dimensions : 1506 × 1016 pixels, avec 1 pixel = 1 micron.
Clap
Clap de
de fin
fin (II)
(II)
450
"c:\wmmorph\boisvv.dat"
400 "c:\wmmorph\boishh.dat"
"c:\wmmorph\boisvd.dat"
"c:\wmmorph\boishd.dat"
350
300
250
200
150
100
50
0
0 20 40 60 80 100 120 140 160 180 200
Variogrammes vertical (bleu) et horizontal (rouge) des pas 1 à 200 , accompagnés de

leurs débuts, avec une échelle dix fois plus large en x ... Interprétez

ch22f Du Prof Comple

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

ch22f Du Prof Comple

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre

MesXX etet ∫ ∫K(h)

Section polie Partition

Définition : la covariance rectangle est la probabilité que x soit dans la phase Xi

Simulation de marches, 200

Lame mince de hêtre, perpendiculaire à l’axe du tronc. La direction horizontale est

Variogrammes vertical (bleu) et horizontal (rouge) des pas 1 à 200 , accompagnés de

Vous aimerez peut-être aussi