Chap2-Signaux Aleat Et Proc Stochas

Université Amar Telidji de Laghouat
Faculté de Technologie
Départment d'éléctronique
1 ere Master Instrumentation
Traitement du signal
avancé 2
Dr F.Benkouider, fbenkouider@gmail.com
Sommaire
● Rappels sur les processus aléatoires
● Rappel sur les notions : moyenne, autocorrelation et
stationarité
● Densité spectrale de puissance
● Notion de processus stochastiques
● Stationnaire au sens large et strict
● Exemple de processus stochastisues (processu de Poisson,
processus gaussien et processus Markovien)
● Staistiques d’ordre supérieur (moments et cumulants,
polyspectre, processus non Gaussien, traitement non linéaire)
Qu’est ce qu’un signal aléatoire?
C ’est un signal dont on ne peut pas prévoir sa valeur en
fonction du temps, par exemple:
• Bruit electronique du à l’agitation termiques des éléctrons
• Bruits d’origine artificielle , humaine

• Bruits d’origine naturelle lié aux conditions climatiques
• Signaux porteurs d’information : parole et image
Qu’est ce q’une variable aléatoire, signal aléatoire?
Une variable aléatoire noté (VA) qui ne peut pas etre prévu
d’une expérience (phénomène physique ou aléatoire)
Un signal aléatoire x(t) est l’enregistrement temporelle d’une

variable aléatoire: exemple le bruit electronique
Qu’est ce qu’un processus aléatoire?
Pour une expérience donnée, un enregistrement �� (�) represente
une seule réalisation des réalisations possibles.
On appelle processus aléatoire noté {x(t)} , l’ensemble des réalisation �� (�)

qui decrivent un phénomène physique.
1. variable aléatoire discrète: VAD prend un nombre fini de valeurs
(ou évenements)
2. variable aléatoire continue peut prendre une infinité de valeurs

Probabilté d’une VA: cas discret
P(x=1)= 16.7%
P(x=2)= 16.7%
.
.
.
.
P(x=6)=16.7%
Probabilté d’une VA: cas continu
La probabilté pour que x(t=0.075)=0.2 est très faible caractérisation

par d’autre caractéristique:
Ø la fonction de répartition
Ø la densité de probabilité
Caractérisation des signaux aléatoires
La fonction de répartition d’une variable aléatoire X est défini en fonction

des valeurs possible u que peut prendre la VA par :
�� (�) = �� (� < �)
�� (−∞) = �� (� <− ∞) = �%
�� (+∞) = �� (>+ ∞) = �
La densité de probabilité d’une variable aléatoire X

(discrète ou continue) de fonction de répartition �� (�) la
fonction :
�� (�)
�� (�) =
��
+∞
�� (�) �� = �(= ��%) = �� (∞) − �� (−∞) = � − � = �
−∞
��
Proba (� < �� ) = �(� < �� ) = � (�)
−∞ �
�� = �� (�� )
��
Proba (�� ≤ � ≤ �� ) = �(�� ≤ � ≤ �� ) = � (�)
��
�� = �� (�� )-�� (�� )
Quelques notions : Rappels
Stationarité
Stationarité
Stationarité
Stationarité
Stationarité
Stationarité
Stationarité
Autocorrelation
Autocovariance
Propriétée de l’autocorrelation
Propriétés de la variance
Propriétés de la covariance
Soit X et Y deux variables aléatoires avec des variances

finies, on définit la covarince entre X et Y par:
Densité spectrale de puissance DSP
Considérons un processus aléatoire stationnaire au sens large
(WSS) X (t) avec fonction d'autocorrélation RX(τ).
C’est le théorème de Wiener-Khinchine

Comme nous l'avons vu précédemment, si X(t) est un processus aléatoire
réel, alors RX(τ) est une fonction réelle et paire par rapport à τ.
À partir des propriétés de la transformée de Fourier, nous concluons que

la DSP SX(f) est également une fonction réelle et paire par rapport à f.
f
f
�� En Watts / htz
La puissance du Processus stochastique peut être

calculée par :
�� =
en Watt
Application Considérons un processus aléatoire stationnaire au sens large (du
second ordre ou WSS) X(t) avec RX(τ) = e − a | τ |, où a est un nombre
réel positif.
Trouvez le PSD de X (t).
Solution
Densité spectrale de puissance croisée
Pour deux processus aléatoires stationnaires du second ordre ou au sens

large (WSS) conjoints X (t) et Y (t), nous définissons la densité spectrale
croisée S XY (f) comme la transformée de Fourier de la fonction de
corrélation croisée ou intercorrélation RXY (τ),
Système linéaire invariant dans le temps
avec une entrée aléatoire
Si X (t) est l'entrée du système, alors la sortie, Y(t), est
également un processus aléatoire.
Exemples de processus stochastiques
Processus de Poisson
La distribution de probabilité de Poisson est souvent utilisée comme
modèle du nombre d'arrivées dans une installation au cours d'une
période donnée.
Dans le cas d’une , les événements se produisent les
uns à la suite des autres, de façon aléatoire dans l’espace ou le temps.
Loi de parobabilité:
�−� ��
�(� = �) = , k=0,1,2......ꝏ
�!
Elle est appelée , notée
E(X) = l et V(X) = l
Loi de Poisson
Exemple: une variable aléatoire pourrait être définie comme le nombre d'appels
téléphoniques entrant dans un système de réservation d'une compagnie aérienne
pendant une période de 15 minutes. Si le nombre moyen d'arrivées pendant un
intervalle de 15 minutes est connu, la fonction de probabilité de Poisson donnée par
l'équation ci-dessus peut être utilisée pour calculer la probabilité de x arrivées.
�−� ��
�(� = �) =
�!
Supposons que le nombre moyen d'appels arrivant dans une période de 15
minutes soit de 10. Pour calculer la probabilité que 5 appels arrivent dans les
15 minutes suivantes, �= 10 et x = 5 sont substitués dans ci dessus, ce qui
donne un probabilité de
�−��
�(� = �) = = 0,0378.
�!
Processus Gaussien (Normale)
La distribution de probabilité continue la plus largement utilisée en
statistique est la distribution de probabilité normale.
Une variable aléatoire est une quand elle dépend d’un grand
nombre de causes indépendantes dont aucune n’est prépondérante.
Sa densité de probabilité est donnée par:
1 x 
1  ( )2
f (x)  e2 
 2
Elle est appelée notée
Avec E(X) = V(X) = 2

Le diamètres des pièces fabriqués pendant une année suit une loi normale
On adment que le diamètre soit entre 9.25 et 10.75 mm

Chap2-Signaux Aleat Et Proc Stochas

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

Chap2-Signaux Aleat Et Proc Stochas

Transféré par

Droits d'auteur :

Formats disponibles

Université Amar Telidji de Laghouat

• Bruits d’origine artificielle , humaine

Un signal aléatoire x(t) est l’enregistrement temporelle d’une

On appelle processus aléatoire noté {x(t)} , l’ensemble des réalisation �� (�)

2. variable aléatoire continue peut prendre une infinité de valeurs

La probabilté pour que x(t=0.075)=0.2 est très faible caractérisation

La fonction de répartition d’une variable aléatoire X est défini en fonction

La densité de probabilité d’une variable aléatoire X

Soit X et Y deux variables aléatoires avec des variances

C’est le théorème de Wiener-Khinchine

À partir des propriétés de la transformée de Fourier, nous concluons que

La puissance du Processus stochastique peut être

Pour deux processus aléatoires stationnaires du second ordre ou au sens

Avec E(X) = V(X) = 2

Vous aimerez peut-être aussi