Académique Documents
Professionnel Documents
Culture Documents
Contenu du chapitre :
- Définitions (processus aléatoire, signal aléatoire, variable aléatoire)
- Caractéristiques des processus aléatoires : fonction de répartition, densité de probabilité,
fonction moyenne, fonction de corrélation, fonction de covariance.
- Concepts de stationnarité : stationnarité au sens strict et au sens large, concept d’ergodicité,
densité spectrale de puissance.
- Systèmes linéaires invariants aléatoire : moyenne, fonction d’autocorrélation, densité
spectrale de puissance, ….
1. Définitions
Un processus aléatoire (stochastique) décrive l'évolution d’une grandeur aléatoire en
fonction du temps (ou de l’espace). On peut le définir comme étant une famille de variables
aléatoires indexées par le temps définies su un même espace de probabilités. Il ne possède pas
des représentations temporelles analytiques. Chaque signal aléatoire observé représente une
réalisation particulière de ce processus.
Alors le processus aléatoire est une fonction à deux variables, l’une est le temps t , l’autre est la
variable aléatoire .
Pour une réalisation i donnée, le processus aléatoire x (t , ) se réduit à une fonction
x(t , i ) que l’on notera simplement xi (t ) , c’est un signal aléatoire.
A chaque instant ti , le processus aléatoire x (t , ) se réduit à une variable aléatoire x(ti , )
notée x(ti ) ou simplement X i .
Selon que les variables t et sont continuées ou discrètes, on parle de processus
aléatoires continus ou discrets.
Exemple N°01
Le signal de parole, le signal radar, l'électrocardiogramme, l'électro-encéphalogramme, les
signaux sismiques, etc. sont des signaux aléatoires.
La figure suivante représente un processus aléatoire.
Alors, la distribution du deuxième ordre est une fonction de répartition conjointe des deux
variables aléatoires X (t1 ) et X (t 2 ) donnée par :
FX 1 , X 2 ( x1 , x2 ; t1 , t 2 ) Px(t1 ) x1 , x(t 2 ) x2
Et la fonction densité du deuxième ordre est donnée par :
2 FX1 , X 2 ( x1 , x2 ; t1 , t 2 )
f X1 , X 2 ( x1 , x2 ; t1 , t 2 )
x1 x2
En générale, on définit la distribution du nième ordre de X (t ) par :
FX 1 ,, X n ( x1 ,, xn ; t1 ,, tn ) Px(t1 ) x1 ,, x(t n ) xn
Et la fonction densité du nième ordre est donnée par :
n FX1 ,, X n ( x1 ,, xn ; t1 ,, t n )
f X1 ,, X n ( x1 ,, xn ; t1 ,, t n )
x1 xn
x(t ) y (t ) f
Rxy (t1 , t2 ) E[ x(t1 ) y (t2 )] 1 2 X ,Y ( x1 , y2 ; t1 , t2 )dx1dy2
Si on pose t1 t et t 2 t , alors on a :
Rxy (t , t ) E[ x(t ) y (t )]
Et la fonction d’autocorrélation est définie par :
Rxx (t , t ) E[ x(t ) x(t )]
Noter que
Rxy (t , t ) Ryx (t , t )
Rxx (t , t ) Rxx (t , t )
Rxx (t , t ) E[ x 2 (t )] 0
Les processus aléatoires sont orthogonaux si Rxy (t1 , t2 ) 0
La fonction de covariance, qui n’est autre que la fonction de corrélation des processus
centrés. Alors, les fonctions d’inter-covariance et d’auto-covariance sont données par :
C xy (t , t ) E[x(t ) x (t )y (t ) y (t )]
C xx (t , t ) E[x(t ) x (t )x(t ) x (t )]
En développant ces expressions, on peut aboutir à :
C xy (t , t ) Rxy (t , t ) x (t ) y (t )
C xx (t , t ) Rxx (t , t ) x (t ) x (t )
Noter que
C xy (t , t ) C yx (t , t )
C xx (t , t ) Cxx (t , t )
Les processus aléatoires sont non-corrélés si Cxy (t1 , t2 ) 0
La variance du processus aléatoire x(t ) est donnée par :
x2 (t ) varx(t ) E x(t ) x (t )2 Cxx (t , t ) Rxx (t , t ) x2 (t )
La variance est une mesure de la dispersion de la variable aléatoire autour de sa moyenne. Sa
racine carrée est appelée écart-type (standard déviation).
Où *
est le conjugué.
Exemple N°02
Soit processus aléatoire x(t ) donné par : x(t ) At , t
Avec A est une variable aléatoire uniformément distribuée entre 0 et 1.
Déterminer la fonction moyenne, la fonction d’autocorrélation, la fonction d’autocovariance et
le coefficient d’autocorrélation.
Solution
A est une variable uniformément distribuée entre 0 et 1, alors, sa fonction densité donnée par :
f A ( A) 1, 0 A 1
La fonction moyenne
x (t ) Ex(t ) x(t ) f A ( A) dA At dA t
A2 t
1 1
0
2 0 2
La fonction d’autocorrélation
3. Concept de stationnarité
On dit qu'un processus est stationnaire si ses caractéristiques statistiques sont invariantes
dans le temps. On défini plusieurs types de stationnarité.
x (t ) E x(t ) x
varx(t ) x
2
Coefficients de corrélation : à partir des inégalités précédentes, il est facile de montrer que
les coefficients de corrélation vérifient
Cxx ( ) C xy ( ) C xy ( )
1 xx ( ) 1 et 1 xy ( ) 1
x2 x y C xy (0)
Avec xx (0) 1 et xy (0) 1
Comportement pour : l’interdépendance entre x(t ) et x(t ) diminue lorsque
croit indéfiniment. A la limite, les processus devient statistiquement indépendantes.
lim C xx ( ) 0 et lim Rxx ( ) lim Cxx ( ) x2 x2
Exemple N°03
Considère le processus aléatoire
x(t ) A cos( w0 t )
Avec A et w0 sont des constants et est une variable aléatoire ayant une distribution
uniforme sur 0, 2 .
1. Détermine la fonction moyenne et la fonction d’autocorrélation.
2. Est-ce-que x(t ) est stationnaire au sens large.
Solution
est une variable aléatoire ayant une distribution uniforme sur 0, 2 , alors, on a :
1
f ( ) , 0 2
2
La fonction moyenne
2
0
0
2
A
sin(w0 t ) 0
2 0
La fonction d’autocorrélation
R xx (t , t ) E[ x(t ) x(t )] E[ A 2 cos( w0 (t ) ) cos( w0 t )]
A2
E[cos(w0 ) cos( w0 (2t ) 2 )]
2
A2
0
2 2
cos( w ) d cos( w ( 2t ) 2 ) d
4 0
0 0
A2 sin( w0 (2t ) 2 ) A 2
2
4
2 0 2
Parce que la fonction moyenne de x(t ) est constante et la fonction d’autocorrélation de
x(t ) est une fonction seulement de , nous concluons que x(t ) est stationnaire au sens
large.
4. Ergodicité
Un processus aléatoire stationnaire est dit ergodique si l’on peut identifier les valeurs
moyennes statistiques aux valeurs moyennes temporelles.
Les valeurs moyennes statistiques (moyennes évaluées sur l’ensemble des états posibles) :
X
E X (t )
n n
(t ) f X ( x) dx (Moment d’ordre n )
X
1
T / 2
X n (t ) lim n
(t ) dt (Produit scalaire)
T T
T / 2
X (t ) f X ( x)dx
E X (t )
Où
T T
X (t ) lim 1 X (t ) dt
T / 2
T / 2
T / 2
Exemple N°04
Considérons le processus aléatoire d’exemple N°03.
Est-ce-que x(t ) est ergodique en espérance et en autocorrélation ?
Solution
La valeur moyenne temporelle
1 A ct
T / 2 T / 2
X (t ) lim X (t ) dt lim cos(w0 t ) dt lim 0
T T T T T T
T / 2 T / 2
lim
A2
T 2T
cos(w0 )T cst
A2
cos(w0 )
2
On a E X (t ) X (t ) X (t ) X (t ) R xx ( )
A2
cos(w0 ) , donc x(t ) est ergodique en
2
autocorrélation.
G XX ( f ) f R XX ( ) R
XX ( )e jw d
G XX ( f ) G XX ( f )e jw df
R XX ( ) f 1
Noter que :
La densité spectrale de puissance G XX ( f ) est réelle, positive et paire.
G
La puissance moyenne totale du processus est : PX E x (t ) R XX (0) 2
XX ( f )df
G XY ( f ) f R XY ( ) R
XY ( )e jw d
G XY ( f ) G XY ( f )e jw df
R XY ( ) f 1
Exemple N°05
Considérons le processus aléatoire d’exemple N°03.
Déterminer la densité spectrale de puissance.
Solution
La densité spectrale de puissance
A2
Le processus aléatoire x(t ) est SSL et sa fonction d’autocorrélation est R xx ( ) cos( w0 ) .
2
Alors, on a :
A2 A2
G XX ( f ) f R XX ( ) f cos(w0 ) ( f f 0 ) ( f f 0 )
2 4
h(t )e
Où H ( f ) est réponse fréquentielle du filtre H ( f ) j 2 ft
dt .
h( )e
X jw 2 f
d X H ( 0)
f 0
Exemple N°07
Soit un processus aléatoire SSL x(t ) appliqué à un filtre de réponse impulsionnelle :
N0
h(t ) e t u (t ), 0 avec R XX ( )
( )
2
Déterminer la densité spectrale et la fonction d’autocorrélation de la sortie.
Solution
2 w2
La densité spectrale d’entrée est : G XX ( f ) f RXX ( ) f 0 ( ) 0
N N
2 2
N0 2
La densité spectrale de sortie est : GYY ( f ) GXX ( f ) H ( f )
2
2 2 w2
La fonction d’autocorrélation de la sortie :
R yy ( ) TF 1 G yy ( f ) TF 1 0 2
N 2 N 0
2
e
4 w 4