Chapitre 2 processus et modèles aléatoires discrets

2.1 INTRODUCTION
Dans le chapitre 1, nous avons développé les concepts de processus en temps continu. Dans ce
chapitre, nous considérons une autre classe de processus aléatoires ; à savoir, les processus
stochastiques en temps discret. Un processus aléatoire discret peut être une version uniformément
échantillonnée d'un processus en temps continu.

2.2. PROCESSUS STOCHASTIQUES A TEMPS DISCRET

2.2.1. Définition
Un processus aléatoire discret est une collection ou un ensemble de séquences temporelles discrètes
réelles ou complexes, également appelées réalisations, et notées 𝑋 (𝑛). Pour la commodité de la
notation, le temps est normalisé par rapport à la période d'échantillonnage. Par conséquent, pour un
n fixe, 𝑋(𝑛) représente une variable aléatoire. Un ensemble particulier est une série temporelle
discrète, où la séquence 𝑋 (𝑛), 𝑋 (𝑛 − 1), … , 𝑋(𝑛 − 𝑀 + 1) comprend l'observation actuelle 𝑋(𝑛) et
les M−1 observations précédentes aux instants 𝑛 − 1, 𝑛 − 2, … , 𝑛 − 𝑀 + 1. En fait, de nombreux
processus aléatoires à temps discret sont mieux approximés par un modèle de série chronologique.

2.2.2. Propriétés statistiques

Soit 𝑋 (𝑛) un processus stochastique discret, on donne les propriétés statistiques. En fixant le temps,
le processus aléatoire devient une va. Donc les techniques utilisées avec les variables aléatoires
discrètes sont valables. Soit Xi, une variable aléatoire réelle correspondant à l’instant n.

La valeur moyenne
Valeur moyenne est donnée par :

𝜇𝑥 (𝑛) = 𝐸 [𝑋(𝑛)] (2.1)

La variance
La variance est obtenu en considérant l’écart 𝑋(𝑛) − 𝜇𝑥 (𝑛) entre la variable aléatoire et sa valeur
moyenne.
𝜎𝑥2 (𝑛) = 𝐸 {[𝑋(𝑛) − 𝜇𝑥 (𝑛)]2 } = 𝐸 [𝑋 2 (𝑛)] − 𝜇𝑥2 (𝑛) (2.2)

Fonctions d’auto-corrélation et d’auto-covarionce

La fonction d’auto-corrélation est donnée par :

𝑅𝑥𝑥 (𝑛1 , 𝑛2 ) = 𝐸[𝑋(𝑛1 )𝑋 ∗ (𝑛2 )] (2.3)

Si 𝑋(𝑛) est un processus discret SSL alors :

 𝐸 [𝑋(𝑛)] = 𝜇𝑥 = 𝑐𝑡𝑒 (2.4)

 𝑅𝑥𝑥 (𝑘) = 𝐸[𝑋 ∗ (𝑛)𝑋(𝑛 + 𝑘)] (2.5)

La fonction d’auto-covariance pour un processus SSL est donnée par :

𝐶𝑥𝑥 (𝑘) = 𝐸[(𝑥 ∗ (𝑛) − 𝜇𝑥∗ )(𝑥(𝑛 + 𝑘) − 𝜇𝑥 )] = 𝑅𝑥𝑥 (𝑘) − |𝜇𝑥 |2 (2.6)

M1-INST/Traitement avancé du signal 02 L.HACINI Page 1

Chapitre 2 processus et modèles aléatoires discrets

Fonctions d’inter-corrélation et inter-covariance

Si 𝑋(𝑛) et 𝑌(𝑛)sont conjointement SSL, alors les fonctions d’inter-corrélation et inter-covariance
sont données par :
𝑅𝑥𝑦 (𝑘) = 𝐸[𝑋 ∗ (𝑛)𝑌(𝑛 + 𝑘)] (2.7)

𝐶𝑥𝑦 (𝑘) = 𝑅𝑥𝑦 (𝑘) − 𝜇𝑥∗ 𝜇𝑦 (2.8)

À la lumière des propriétés de corrélation données au chapitre 1, nous donnons les propriétés utiles
suivantes :
 𝑅𝑥𝑥 (0) ≥ |𝑅𝑥𝑥 (𝑘)| ∀ 𝑘 (2.9)
 𝑅𝑥𝑥 (−𝑘) = 𝑅𝑥𝑥 (𝑘)
∗
(2.10)
 𝑅𝑥𝑥 (0) = 𝐸[𝑋 ∗ (𝑛)𝑋(𝑛)] est réelle et positive (2.11)
2
 𝑅𝑥𝑥 (0)𝑅𝑦𝑦 (0) ≥ |𝑅𝑥𝑦 (𝑘)| (2.12)
 𝑅𝑥𝑦 (−𝑘) = 𝑅𝑦𝑥∗ ( )
𝑘 (2.13)

On note que 𝑅𝑥𝑥 (0) représente la valeur quadratique moyenne ou puissance de 𝑋(𝑛), tandis que
𝐶𝑥𝑥 (0) représente la variance 𝜎𝑥2 .

2.3. LES RELATIONS DE WIENER-KHINCHIN POUR UN PROCESSUS ALEATOIRE

DISCRET
Si 𝑅𝑥𝑥 (𝑘) est la fonction d’auto-corrélation d’un processus aléatoire discret SSL. Alors la
transformée de Fourrier de 𝑅𝑥𝑥 (𝑘) est la densité spectrale de puissance 𝑆𝑥𝑥 (𝜔).

𝑆𝑥𝑥 (𝜔) = ∑∞𝑘=−∞ 𝑅𝑥𝑥 (𝑘)𝑒 −𝑗𝜔𝑘 , |𝜔 | < 𝜋 (2.14)

où 𝜔 = 2𝜋𝑓 est la pulsation

pour ℓ entier,

𝑆𝑥𝑥 (𝜔 + 2ℓ𝜋) = ∑∞𝑘=−∞ 𝑅𝑥𝑥 (𝑘)𝑒 −𝑗(𝜔+2ℓ𝜋)𝑘 = ∑∞𝑘=−∞ 𝑅𝑥𝑥 (𝑘)𝑒 −𝑗𝜔𝑘 𝑒 −𝑗2ℓ𝜋𝑘 = 𝑆𝑥𝑥 (𝜔) (2.15)

Puisque 𝑒 −𝑗2ℓ𝜋𝑘 = 1 , alors, la densité spectrale de puissance est une fonction périodique de période
2𝜋.
Par analogie avec la série de Fourier sous forme exponentielle d'un signal périodique, 𝑅𝑥𝑥 (𝑘) peut
être interprété comme le coefficient de Fourier de 𝑆𝑥𝑥 (𝑓) donnée par

1 𝜋
𝑅𝑥𝑥 (𝑘 ) = ∫ 𝑆 (𝜔)𝑒 −𝑗𝜔𝑘 𝑑𝜔
2𝜋 −𝜋 𝑥𝑥
(2.16)

Les équations (2.14) et (2.16) forment les relations de Wiener-Khinchin pour les processus à temps
discret. La valeur quadratique moyenne, qui représente la puissance moyenne du processus aléatoire
à temps discret, est:

1 𝜋 𝑓/2
𝑅𝑥𝑥 (0) = 𝐸 [|𝑋(𝑛)|2 ] = ∫ 𝑆 (𝜔)𝑑𝜔 = ∫−𝑓/2 𝑆𝑥𝑥 (𝑓)𝑑𝑓 (2.17)
2𝜋 −𝜋 𝑥𝑥

M1-INST/Traitement avancé du signal 02 L.HACINI Page 2

Chapitre 2 processus et modèles aléatoires discrets

De même, l’inter-densité spectrale de puissance est définie par :

𝑆𝑥𝑦 (𝜔) = ∑∞𝑘=−∞ 𝑅𝑥𝑦 (𝑘)𝑒 −𝑗𝜔𝑘 (2.18)

2.4. SIGNAUX ALEATOIRES ET SYSTEME LINEAIRE DISCRET

Pour un système linéaire discret invariant dans le temps avec une réponse impulsionnelle ℎ(𝑛), un
signal d’entrée SSL 𝑋(𝑛) et un signal de sortie 𝑌(𝑛) représenté la figure ci-dessous, on peut définir
les fonctions d’inter-corrélations comme suit :
∞

𝑅𝑥𝑦 (𝑘) = ℎ(𝑘) ∗ 𝑅𝑥𝑥 (𝑘) = ∑ ℎ(ℓ)𝑅𝑥𝑥 (𝑘 − ℓ)

ℓ=−∞
= 𝑅𝑥𝑥 (𝑘) ∗ ℎ(𝑘) = ∑∞
ℓ=−∞ 𝑅𝑥𝑥 (ℓ)ℎ(𝑘 − ℓ) (2.19)

𝑅𝑦𝑥 (𝑘) = ℎ∗ (−𝑘) ∗ 𝑅𝑥𝑥 (𝑘) = ∑∞ ∗

ℓ=−∞ ℎ (−ℓ)𝑅𝑥𝑥 (𝑘 − ℓ) (2.20)

X(n) h(n) Y(n)

Fig. 2.1 système linéaire discret

La fonction d’auto-corrélation du processus de la sortie du système est :

𝑅𝑦𝑦 (𝑘) = ℎ(𝑘) ∗ 𝑅𝑦𝑥 (𝑘) = ℎ(𝑘) ∗ ℎ∗ (−𝑘) ∗ 𝑅𝑥𝑥 (𝑘)

∞
= ∑∞ ∗
𝑚=−∞ ℎ (𝑘 − 𝑚 ) ∑ℓ=−∞ ℎ (−ℓ)𝑅𝑥𝑥 (𝑚 − ℓ) (2.21)

Les densités inter-spectrales correspondantes sont donc :

𝑆𝑥𝑦 (𝜔) = ∑∞
𝑘=−∞ 𝑅𝑥𝑦 (𝑘)𝑒
−𝑗𝜔𝑘
(2.22)

𝑆𝑦𝑥 (𝜔) = ∑∞
𝑘=−∞ 𝑅𝑦𝑥 (𝑘)𝑒
−𝑗𝜔𝑘
(2.23)

En prenant la transformée en Z des équations (2.19), (2.20) et (2.21), nous obtenons

𝑆𝑥𝑦 (𝑧) = 𝐻(𝑧)𝑆𝑥𝑥 (𝑧) (2.24)

1
𝑆𝑦𝑥 (𝑧) = 𝐻 ∗ (𝑧 ∗) 𝑆𝑥𝑥 (𝑧) (2.25)

1
𝑆𝑦𝑦 (𝑧) = 𝐻(𝑧)𝐻∗ (𝑧 ∗) 𝑆𝑥𝑥 (𝑧) (2.26)

Avec 𝐻 (𝑧) est la transformé en Z de ℎ(𝑛) donnée par

𝐻 (𝑧) = ∑∞
𝑘=−∞ ℎ (𝑛 )𝑧
−𝑛
(2.27)

M1-INST/Traitement avancé du signal 02 L.HACINI Page 3

Chapitre 2 processus et modèles aléatoires discrets

La réponse fréquentielle 𝐻(𝜔) peut etre déduite de 𝐻(𝑧) évaluée sur le cercle unité du plan 𝑧 (𝑧 =
𝑒 𝑗𝜔 ).
1 1
Pour ℎ(𝑛) réel, 𝐻 ∗ (𝑍 ∗) = 𝐻 (𝑍) et la densité spectrale de la sortie du système est donnée par :

𝑆𝑦𝑦 (𝜔) = |𝐻(𝜔)|2 𝑆𝑥𝑥 (𝜔) (2.28)

Exemple
Déterminons la densité spectrale puissance de la sortie du système de la figure 2.1 si le signal
d’entrée 𝑋(𝑛) est un bruit blan.
La fonction d’autocorrelation du bruit blanc est :

𝑅𝑥𝑥 (𝑘) = 𝜎𝑛2 𝛿(𝑘)

La densité spectrale de puissance 𝑆𝑥𝑥 (𝑓) est alors

𝑆𝑥𝑥 (𝜔) = 𝜎𝑛2

La densité spectrale de la sortie est donc

𝑆𝑦𝑦 (𝜔) = 𝑆𝑥𝑥 (𝜔)|𝐻 (𝜔)| 2 = 𝜎𝑛2 |𝐻 (𝜔)| 2

2.5. LES MODELES DE FONCTIONS DE TRANSFERT RATIONNELLES

La modélisation paramétrique consiste à associer à un signal un modèle, représenté par un vecteur
paramètre θ = [θ1, θ2, ..., θp]T censé représenter au mieux le signal considéré. Etant donné que l’on
choisit a priori un modèle pour le signal, cela signifie qu’en général on possède des informations a
priori sur le signal lui-même qui permettent de sélectionner tel ou tel modèle. Il s’ensuit que le
choix d’un modèle plutôt que d’un autre requiert au préalable une analyse du signal.

L’intérêt d’une modélisation paramétrique est double :

 Elle permet de réduire l’espace de représentation. On peut ainsi représenter un ensemble de
N échantillons par un vecteur de dimension p ≪N. Ceci est particulièrement intéressant dans
de nombreuses applications : classification, détection, transmission-compression
 Elle permet d’extraire de façon plus fine certaines informations. C’est par exemple le cas en
analyse spectrale où la modélisation permet d’estimer avec une meilleure résolution que le
périodogramme le spectre d’un signal.

Un processus de modélisation comporte en général trois étapes :

 choix d’un modèle (à partir de connaissances a priori)
 estimation des paramètres du modèle à partir des échantillons du signal
 extraction de l’information à partir du modèle
Dans cette dernière étape, on substitue complètement au signal son modèle : on suppose que le
modèle estimé est correct et on utilise les propriétés théoriques du modèle pour extraire
l’information utile.

M1-INST/Traitement avancé du signal 02 L.HACINI Page 4

Chapitre 2 processus et modèles aléatoires discrets

Considérons le système illustré à la figure 2.1, dont l'entrée est un bruit blanc. La séquence de sortie
peut être décrite par un modèle paramétrique. Il est donc nécessaire de disposer d’un modèle
paramétrique approprié et d’estimer ses paramètres. Les modèles le plus fréquemment utilisés :

 Le modèle ARMA (AutoRegressive Moving Average)

 Le modèle AR (AutoRegressive)
 Le modèle MA (Moving Average)

2.5.1. Le modèle ARMA

Dans ce cas le signal de sortie est donné par :

𝑝 𝑞
𝑋(𝑛) = − ∑𝑘=1 𝑎𝑘 𝑋 (𝑛 − 𝑘) + ∑𝑘=0 𝑏𝑘 𝑒(𝑛 − 𝑘)
= 𝑋 (𝑛) + 𝑎1 𝑋(𝑛 − 1) + … + 𝑎𝑝 𝑋 (𝑛 − 𝑝) = 𝑒(𝑛) + 𝑏1 𝑒(𝑛 − 1) + … + 𝑏𝑞 𝑒(𝑛 − 𝑞) (2.29)

Avec e(n) est une séquence d’entrée et X(n) la séquence de sortie du système. e(n) est un bruit blanc
gaussien de moyenne zéro et une variance inconnue 𝜎𝑛2 représenté par une séquence de variables
aléatoires indépendantes.
𝑎𝑘 , 𝑘 = 1,2, … , 𝑝, et 𝑏𝑘 , 𝑘 = 1,2, … , 𝑞 sont des constants appelés paramétres, fixant ainsi l’'ordre
du processus ARMA donné par (p,q). Ce modèle linéaire est appelé modèle ARMA
(AutoRegressive Moving Average) ou autoregressive à moyenne ajustée (glissante ou mobile)
comme le montre la figure 2.2.

Fig. 2.2 modèle ARMA (p,q).

De l’équation (2.29), nous pouvons noter les cas particuliers suivants :

𝑞
 si 𝑎0 =1 et 𝑎𝑘 =0  k1, alors 𝑋 (𝑛) = ∑𝑘=0 𝑏𝑘 𝑒(𝑛 − 𝑘) le processus est strictement MA(q)
d’ordre q.

M1-INST/Traitement avancé du signal 02 L.HACINI Page 5

Chapitre 2 processus et modèles aléatoires discrets
𝑝
 si 𝑏0 =1 et 𝑏𝑘 =0  k1, alors 𝑋(𝑛) = − ∑𝑘=1 𝑎𝑘 𝑋(𝑛 − 𝑘) + 𝑒(𝑛) le processus est strictement
AR(p) d’ordre p.

La fonction d'autocorrélation du processus ARMA (p, q), en supposant p> q, est

𝑝 𝑞

𝑅𝑥𝑥 (𝑘) = 𝐸 [𝑋(𝑛)𝑋(𝑛 − 𝑘 )] = 𝐸 [(− ∑ 𝑎𝑖 𝑋(𝑛 − 𝑖 ) + ∑ 𝑏𝑗 𝑒(𝑛 − 𝑗)) 𝑋 (𝑛 − 𝑘)]

𝑖=1 𝑗=0
𝑝 𝑞
= 𝐸[(− ∑𝑖=1 𝑎𝑖 𝑋(𝑛 − 𝑖 ) + 𝑒(𝑛) + ∑𝑗=1 𝑏𝑗 𝑒(𝑛 − 𝑗))𝑋(𝑛 − 𝑘)]
𝑝 𝑞
= − ∑𝑖=1 𝑎𝑖 𝑅𝑥𝑥 (𝑘 − 𝑖 ) + 𝐸 [𝑒(𝑛)𝑋(𝑛 − 𝑘)] + ∑𝑗=1 𝑏𝑗 𝐸 [𝑒(𝑛 − 𝑗)𝑋(𝑛 − 𝑘)] (2.30)

mais
𝐸 [𝑒(𝑛)𝑋(𝑛 − 𝑘)] = 0 pour 𝑘 ≥ 0 (2.31)
et
∑𝑞𝑗=1 𝑏𝑗 𝐸 [𝑒(𝑛 − 𝑗)𝑋(𝑛 − 𝑘)] = 0 pour 𝑘 ≥ 𝑞 + 1 (2.32)

En remplaçons (2.31) et (2.32) dans (2.30), la fonction d’auto-corrélation se réduit à :

𝑝
𝑅𝑥𝑥 (𝑘 ) = − ∑𝑖=1 𝑎𝑖 𝑅𝑥𝑥 (𝑘 − 𝑖 ) pour 𝑘 ≥ 𝑞 + 1 (2.33)

En appliquant la transformée en Z à l’équation (2.29), et calculant la fonction de transfert, nous

obtenons:
𝑞
∑𝑘=0 𝑏𝑘 𝑍 −𝑘
𝐻 (𝑍 ) = 𝑝 (2.34)
1+∑𝑘=1 𝑎𝑘 𝑍 −𝑘

elle peut être donnée par

𝐵(𝑧)
𝐻(𝑧) = 𝐴(𝑧) = ∑∞
𝑘=0 ℎ𝑘 𝑧
−𝑘
(2.35)

Où A(z) est la transformée en Z de la branche AR, 𝐴(𝑧) = ∑𝑃𝑘=0 𝑎𝑘 𝑧 −𝑘

𝑞
B(z) est la transformée en Z de la branche MA, 𝐵(𝑧) = ∑𝑘=0 𝑏𝑘 𝑧 −𝑘
Il est supposé que 𝐴(𝑧) a tous ses zéros à l’interieur du cercle unitaire du plan Z, ceci garantit la
causalité et la stabilité du filtre (si cette condition n’est pas vrais, le processus aléatoire ne serait pas
SSL). La densité spectrale de puissance peut être calculée par :

1 𝐵(𝑧)𝐵 ∗(1⁄𝑧 ∗ )
𝑆𝑥𝑥 (𝑧) = 𝐻 (𝑧)𝐻 ∗ (𝑧 ∗) 𝑆𝑒𝑒 (𝑧) = 𝐴(𝑧)𝐴∗ (1⁄𝑧 ∗) 𝑆𝑒𝑒 (𝑧) (2.36)

Si 𝑧 = 𝑒 𝑗2𝜋𝑓 avec −1⁄2 ≤ 𝑓 ≤ 1⁄2

Alors 𝑆𝑥𝑥 (𝑓) = 𝑆𝑥𝑥 (𝑧)|𝑧= 𝑒 𝑗2𝜋𝑓 = 𝐷𝑆𝑃
Comme e(n) est un bruit blanc d’espérance nulle et variance 𝜎𝑛2

𝐵(𝑓) 2
𝑆𝐴𝑅𝑀𝐴 (𝑓) = 𝑆𝑥𝑥 (𝑓) = 𝜎𝑛2 |𝐴(𝑓)| (2.37)

M1-INST/Traitement avancé du signal 02 L.HACINI Page 6

Chapitre 2 processus et modèles aléatoires discrets

Où 𝐴(𝑓) = 𝐴(𝑒 𝑗2𝜋𝑓 ) et 𝐵(𝑓) = 𝐵(𝑒 𝑗2𝜋𝑓 )

Donc :
𝑞 2
|∑𝑘=0 𝑏𝑘 𝑒 −𝑗2𝜋𝑓𝑘 |
𝑆𝐴𝑅𝑀𝐴 (𝑓) = 𝜎𝑛2 𝑝 2 (2.38)
|1+∑𝑘=1 𝑎𝑘 𝑒 −𝑗2𝜋𝑓𝑘 |

La détermination
1. Des paramètres 𝑎𝑘 , dits autoregressifs
2. Des paramètres 𝑏𝑘 , dits à moyenne ajustée
3. De la variance 𝜎𝑛2 du bruit blanc
équivaut à déterminer la DSP du processus X(n).

Remarque :
 Le modèle ARMA(p,q) est appelé pôle-zéro (pole-zero)
 Le modèle AR(p) est appelé tous pôle (all pole)
 Lemodèle MA(q) est appelé tout zéro (all zero)

2.5.2. Modèle Autoregressif (AR)

Un processus AR est représenté par l’équation suivante :

𝑝
𝑋(𝑛) = − ∑𝑘=1 𝑎𝑘 𝑋 (𝑛 − 𝑘) + 𝑒(𝑛) (2.39)

Elle est dite modèle autorégressif d’ordre 𝑝, et notée par AR(p). La réalisation d'un tel modèle, est
montrée sur la Figure 2.3. Le terme autorégressive découle du fait que 𝑋(𝑛), est donnée par :

𝑋(𝑛) = −𝑎1 𝑋 (𝑛 − 1) − 𝑎2 𝑋 (𝑛 − 2) − … − 𝑎𝑝 𝑋(𝑛 − 𝑝) + 𝑒(𝑛) (2.40)

C’est une combinaison linéaire des valeurs précédentes du processus (𝑥(𝑛 − 1), 𝑥(𝑛 − 2), … , 𝑥(𝑛 −
𝑝)), et 𝑒(𝑛) de l’entrée.
La transformée en 𝑍 est donnée par :

𝑝
𝑋(𝑍) = − ∑𝑘=1 𝑎𝑘 𝑍 −𝑘 𝑋(𝑍) + 𝐸(𝑍) (2.41)

La fonction de transfert du filtre, 𝐻(𝑍), est donc :

𝑋(𝑍) 1
𝐻 (𝑍 ) = = 𝑝 (2.42)
𝐸(𝑍) 1+∑𝑘=1 𝑎𝑘 𝑍 −𝑘
donc
1
𝐻 (𝑓 ) = (2.43)
1+∑𝑘=1 𝑎𝑘 𝑒 −𝑗2𝑓𝑘
𝑝

M1-INST/Traitement avancé du signal 02 L.HACINI Page 7

Chapitre 2 processus et modèles aléatoires discrets

Fig. 2.3 modèle AR(p).

La moyenne de 𝑋(𝑛) est donnée par :

𝑝

𝐸 [𝑋(𝑛)] = 𝑚𝑥 = 𝐸 [− ∑ 𝑎𝑘 𝑋 (𝑛 − 𝑘) + 𝑒(𝑛)]
𝑘=1
𝑝 𝑝
= − ∑𝑘=1 𝑎𝑘 𝐸 [𝑋(𝑛 − 𝑝)] = −𝑚𝑥 ∑𝑘=1 𝑎𝑘 (2.44)

𝐸 [𝑋(𝑛)] = 𝑚𝑥 = 0 𝑝𝑜𝑢𝑟 ∑𝑝𝑘=1 𝑎𝑘 ≠ −1 (2.45)

La variance du processus AR est donnée par :

𝑝

𝜎𝑥2 = 𝐸 [𝑋(𝑛)𝑋(𝑛)] = −𝐸 [𝑋(𝑛) (∑ 𝑎𝑘 𝑋(𝑛 − 𝑘) + 𝑒(𝑛))]

𝑘=1
𝑝
= − ∑𝑘=1 𝑎𝑘 𝑅𝑥𝑥 (𝑘) + 𝜎𝑛2 (2.46)

La fonction d’auto-corrélation peut être calculée par :

𝑝
𝑅𝑥𝑥 (𝑘) = 𝐸 [𝑋(𝑛)𝑋(𝑛 − 𝑘)] = − ∑𝑖=1 𝑎𝑖 𝐸 [𝑋(𝑛 − 𝑖 )𝑋(𝑛 − 𝑘)] + 𝐸 [𝑒(𝑛)𝑋(𝑛 − 𝑘)] (2.47)

Puisque 𝑋(𝑛 − 𝑘) sont à moyenne nulle et indépendants du bruit 𝑒(𝑛). Le deuxième terme
𝐸 [𝑒(𝑛)𝑋(𝑛 − 𝑘)] est nul pour k>0 et égal à 𝜎𝑛2 pour k=0. Donc l’équation (2.47) peut être écrite
sous la forme suivante :

𝑝
− ∑𝑖=1 𝑎𝑖 𝑅𝑥𝑥 (𝑘 − 𝑖 ) , 𝑘>0
𝑅𝑥𝑥 (𝑘 ) = { 𝑝 (2.48)
− ∑𝑖=1 𝑎𝑖 𝑅𝑥𝑥 (𝑘 − 𝑖 ) + 𝜎𝑛2 , 𝑘=0

La densité spectrale de la sortie X(n) est donnée par:

𝜎𝑛2
𝑆𝐴𝑅 (𝑓) = |𝐻 (𝑓)|2 𝑆𝑒𝑒 (𝑓) = 𝑝 2 (2.49)
|1+∑𝑘=1 𝑎𝑘 𝑒 −𝑗2𝜋𝑓𝑘 |

M1-INST/Traitement avancé du signal 02 L.HACINI Page 8

Chapitre 2 processus et modèles aléatoires discrets

2.5.3. Modèle a moyenne ajustée ou Moving Average(MA)

Un processus MA est représenté par l’équation suivante :

𝑞
𝑋(𝑛) = ∑𝑘=0 𝑏𝑘 𝑒(𝑛 − 𝑘) (2.50)

Fig. 2.4 modèle MA(q).

La moyenne est donnée par

𝑞
𝐸 [𝑋(𝑛)] = 𝑚𝑥 = 𝐸[𝑒(𝑛) + ∑𝑘=1 𝑏𝑘 𝑒(𝑛 − 𝑘)] = 0 (2.51)

Puisque le bruit blanc est à moyenne nulle et stationnaire. La variance du processus est donnée par :

𝑞 𝑞

𝜎𝑥2 = 𝐸 [𝑋(𝑛)𝑋(𝑛)] = 𝐸 [(𝑒 (𝑛) + ∑ 𝑏𝑖 𝑒(𝑛 − 𝑖 )) (𝑒(𝑛) + ∑ 𝑏𝑗 𝑒(𝑛 − 𝑗))]

𝑖=1 𝑗=1
𝑞
= 𝜎𝑛2 (1 + ∑𝑖=1 𝑏𝑖2 ) (2.52)

La fonction d’auto-corrélation est donnée par :

𝑞 𝑞

𝑅𝑥𝑥 (𝑘) = 𝐸 [𝑋(𝑛)𝑋(𝑛 − 𝑘)] = 𝐸 [(𝑒 (𝑛) + ∑ 𝑏𝑖 𝑒(𝑛 − 𝑖)) (𝑒(𝑛 − 𝑘) + ∑ 𝑏𝑗 𝑒(𝑛 − 𝑘 − 𝑗))]
𝑖=1 𝑗=1

= 𝑅𝑒𝑒 (𝑘) + ∑𝑞𝑖=1 𝑏𝑖 𝑅𝑒𝑒 (𝑘 − 𝑖) +

𝑞
∑𝑗=1 𝑏𝑗 𝑅𝑒𝑒 (𝑘 + 𝑗) +
𝑞 𝑞
∑𝑖=1 ∑𝑗=1 𝑏𝑖 𝑏𝑗 𝑅𝑒𝑒 (𝑘 + 𝑗 − 𝑖) (2.53)

Cette formule générale peut être simplifiée et prendre la forme suivante

M1-INST/Traitement avancé du signal 02 L.HACINI Page 9

Chapitre 2 processus et modèles aléatoires discrets
𝑞
𝜎𝑛2 (𝑏𝑘 + ∑𝑗=𝑘+1 𝑏𝑗 𝑏𝑗−𝑘 ) , 𝑘<𝑞
𝑅𝑥𝑥 (𝑘) = {𝜎𝑛2 𝑏𝑞 , 𝑘=𝑞 (2.54)
0 , 𝑘>𝑞
La Densité Spectrale de Puissance est donnée par :

𝑞
𝑆𝑀𝐴 (𝑓) = 𝜎𝑛2 |𝐵(𝑓)|2 , 𝑜ù 𝐵(𝑓) = 1 + ∑𝑘=1 𝑏𝑘 𝑒 −𝑗2𝜋𝑓𝑘 (2.55)

2.6. LA MATRICE DE CORRELATION

2.6.1. Définition
Soit 𝑿(𝑛) un vecteur colonne de N éléments, représentant un processus aléatoire discret stationnaire
au sens large, tel que

𝑿𝑻 (𝑛) = [𝑋(𝑛), 𝑋(𝑛 − 1), … , 𝑋 (𝑛 − 𝑁 + 1)] (2.56)

La matrice de corrélation est définie par :

𝑹𝑥𝑥 = 𝐸 [𝑿(𝑛)𝑿𝑯 (𝑛)] (2.57)

où 𝑿𝑯 (𝑛) représente la transposée hermitienne de 𝑿(𝑛), c’est-à-dire le vecteur transposé conjugué.

En détaillant la matrice de corrélation en remplaçant (2.56) dans (2.57), on obtient:

𝑅𝑥𝑥 (0) 𝑅𝑥𝑥 (−1) … 𝑅𝑥𝑥 (−(𝑁 − 1))

𝑅 (1) 𝑅𝑥𝑥 (0) … 𝑅𝑥𝑥 (−(𝑁 − 2))
𝑹𝑥𝑥 = [ 𝑥𝑥 ] (2.58)
⋮ ⋮ … ⋮
𝑅𝑥𝑥 (𝑁 − 1) 𝑅𝑥𝑥 (𝑁 − 2) … 𝑅𝑥𝑥 (0)

2.6.2. Propriétés
La matrice de corrélation d’un processus stochastique discret stationnaire vérifie les propriétés
suivantes :
 La matrice 𝑹𝑥𝑥 est une matrice Toeplitz.
Une matrice carrée est dite Toeplitz si tous les éléments d’une même diagonale ou sous-
diagonale sont égaux. Cette propriété est directement liée à la propriété de stationnarité au
sens large du processus. Cette propriété est importante, car elle permet de simplifier les
calculs algébriques.

 La matrice 𝑹𝑥𝑥 est hermitienne

Une matrice est dite hermitienne si elle est égale à sa transposée hermitienne,

𝑹𝑥𝑥 = 𝑹𝐻
𝑥𝑥 (2.59)

Cette propriété découle directement de la définition de la matrice de corrélation puisque

∗ (
𝑅𝑥𝑥 (−𝑘) = 𝑅𝑥𝑥 −𝑘). Dans le cas d’un processus à valeurs réelles, la matrice 𝑹𝑥𝑥 est
symétrique.

 La matrice 𝑹𝑥𝑥 est semi-définie positive.

M1-INST/Traitement avancé du signal 02 L.HACINI Page 10

Chapitre 2 processus et modèles aléatoires discrets

Une matrice carrée hermitienne est dite semi-définie positive si est seulement si :

𝒙𝑯 𝑨𝒙 ≥ 𝟎, 𝒙 ≠ 𝟎 (2.60)

Avec 𝒙 = [𝑥1 , 𝑥2 , … , 𝑥𝑁 ]𝑇 et 𝑨 est une matrice carrée N.N.

2.7. RELATION ENTRE FAC ET PARAMETRES DU MODELE (Yule-Walker)

On a pour un processus ARMA :

𝐵(𝑧)𝐵 ∗(1⁄𝑧 ∗)
𝑆𝑥𝑥 (𝑧) = 𝜎𝑛2 𝐴(𝑧)𝐴∗(1⁄𝑧 ∗) (2.61)
donc,
𝐵 ∗ (1⁄𝑧 ∗) 1
𝑆𝑥𝑥 (𝑧)𝐴(𝑧) = 𝐴∗(1⁄𝑧 ∗) 𝐵(𝑧)𝜎𝑛2 =𝐻 ∗ (𝑧 ∗) 𝐵(𝑧)𝜎𝑛2 (2.62)

Utilisant la TZ inverse, on trouve

𝑝
𝑍 −1 [𝑆𝑥𝑥 (𝑧)𝐴(𝑧)] = 𝑅𝑥𝑥 (𝑘) ∗ 𝑎(𝑘) = ∑𝑙=0 𝑎(𝑙 )𝑅𝑥𝑥 (𝑘 − 𝑙 ) (2.63)

1 𝑞
𝑍 −1 [𝐻∗ (𝑧 ∗) 𝐵(𝑧)𝜎 2 ] = 𝜎𝑛2 ∑𝑙=0 𝑏(𝑙 )𝑞(𝑘 − 𝑙 ) (2.64)
Où
1
𝑞(𝑙 ) = 𝑍 −1 [𝐻∗ (𝑧 ∗)] = ℎ∗ (−𝑙) (2.65)
Donc on peut écrire :

∑𝑝𝑙=0 𝑎(𝑙 )𝑅𝑥𝑥 (𝑘 − 𝑙 ) = 𝜎𝑛2 ∑𝑞𝑙=0 𝑏(𝑙 )ℎ∗ (𝑙 − 𝑘) (2.66)

Utilisant la causalité du H(z) c.à.d h(k)=0 pour k<0, le résultat pour un processus ARMA devient :

𝑝 𝑞−𝑘
− ∑𝑙=1 𝑎(𝑙 )𝑅𝑥𝑥 (𝑘 − 𝑙 ) + 𝜎𝑛2 ∑𝑙=0 ℎ∗ (𝑙 )𝑏(𝑙 + 𝑘) 𝑝𝑜𝑢𝑟 𝑘 = 0,1, … , 𝑞
𝑅𝑥𝑥 (𝑘) = { 𝑝 (2.67)
− ∑𝑙=1 𝑎(𝑙 )𝑅𝑥𝑥 (𝑘 − 𝑙 ) 𝑝𝑜𝑢𝑟 𝑘 ≥ 𝑞 + 1

Ces équations sont appelées les équations de Yule-Walker.

Pour un processus ARMA, la relation entre la FAC et les paramètres est non linéaire à cause du
𝑞−𝑘
terme ∑𝑙=0 ℎ∗ (𝑙)𝑏(𝑙 + 𝑘)
On peut récrire ces équations sous forme matricielle de la façon suivante :

𝑅𝑥𝑥 (𝑞 ) 𝑅𝑥𝑥 (𝑞 − 1) … 𝑅𝑥𝑥 (𝑞 − (𝑝 − 1)) 𝑎(1) 𝑅𝑥𝑥 (𝑞 + 1)

( ) 𝑅𝑥𝑥 (𝑞 ) … 𝑅𝑥𝑥 (𝑞 − (𝑝 − 2)) 𝑎(2) 𝑅 (𝑞 + 2)
[𝑅𝑥𝑥 𝑞 + 1 ][ ] = − [ 𝑥𝑥 ] (2.68)
⋮ ⋮ … ⋮ ⋮ ⋮
𝑅𝑥𝑥 (𝑞 + 𝑝 − 1) 𝑅𝑥𝑥 (𝑞 + 𝑝 − 2) … 𝑅𝑥𝑥 (𝑞 ) 𝑎(𝑝) 𝑅𝑥𝑥 (𝑞 + 𝑝)

La majorité des méthodes d’estimation des paramètres ARMA, AR, MA est basée sur les équations
de Yule-Walker
 Dans le cas d’un processus AR
b(0)=1 et b(k)=0  k1, donc b(𝑙)=(𝑙)

M1-INST/Traitement avancé du signal 02 L.HACINI Page 11

Chapitre 2 processus et modèles aléatoires discrets

𝑝
− ∑𝑙=1 𝑎(𝑙 )𝑅𝑥𝑥 (𝑘 − 𝑙 ) + 𝜎𝑛2 ℎ∗ (0) 𝑝𝑜𝑢𝑟 𝑘 = 0
𝑅𝑥𝑥 (𝑘) = { 𝑝 (2.69)
− ∑𝑙=1 𝑎(𝑙 )𝑅𝑥𝑥 (𝑘 − 𝑙 ) 𝑝𝑜𝑢𝑟 𝑘 ≥ 1

Dans ce cas les équations de Yule-Walker définissent une relation linéaire entre la FAC et les
paramètres AR.
Sous forme matricielle, ces équations peuvent être écrites sous la forme suivante

𝑅𝑥𝑥 (0) 𝑅𝑥𝑥 (−1) … 𝑅𝑥𝑥 (−(𝑝 − 1)) 𝑎(1) 𝑅𝑥𝑥 (1)
( ) 𝑅𝑥𝑥 (0) … 𝑅𝑥𝑥 (−(𝑝 − 2)) 𝑎(2) 𝑅 (2)
[ 𝑅𝑥𝑥 1 ][ ] = − [ 𝑥𝑥 ] (2.70)
⋮ ⋮ … ⋮ ⋮ ⋮
𝑅𝑥𝑥 (𝑝 − 1) 𝑅𝑥𝑥 (𝑝 − 2) … 𝑅𝑥𝑥 (0) 𝑎(𝑝) 𝑅𝑥𝑥 (𝑝)

Cette équation peut être augmentée en incorporant l’équation pour 𝜎𝑛2 (c.à.d pour k=0)

𝑅𝑥𝑥 (0) 𝑅𝑥𝑥 (−1) … 𝑅𝑥𝑥 (−𝑝) 1 𝜎𝑛2

( ) 𝑅𝑥𝑥 (0) … 𝑅𝑥𝑥 (−(𝑝 − 1)) 𝑎(1)
[𝑅𝑥𝑥 1 ][ ]=[0] (2.71)
⋮ ⋮ … ⋮ ⋮ ⋮
𝑅𝑥𝑥 (𝑝) 𝑅𝑥𝑥 (𝑝 − 1) … 𝑅𝑥𝑥 (0) 𝑎(𝑝) 0

Donc
𝑝
𝜎𝑛2 = 𝑅𝑥𝑥 (0) + ∑𝑙=1 𝑎(𝑙 )𝑅𝑥𝑥 (−𝑙 ) (2.72)

 Pour un processus MA
a(0)=1 et a(k)=0 pour k1, donc a(𝑙)=(𝑙)
avec 𝑎(𝑙) = ( 𝑙) et ℎ(𝑙)=𝑏(𝑙), on peut écrire :

𝑞−𝑘
𝜎2 ∑ 𝑏∗ (𝑙 )𝑏(𝑙 + 𝑘) 𝑝𝑜𝑢𝑟 𝑘 = 0, 1, … , 𝑞
𝑅𝑥𝑥 (𝑘) = { 𝑛 𝑙=0 (2.73)
0 𝑝𝑜𝑢𝑟 𝑘 ≥ 𝑞 + 1

M1-INST/Traitement avancé du signal 02 L.HACINI Page 12