Académique Documents
Professionnel Documents
Culture Documents
7 octobre 2011
7 octobre 2011
1 / 22
Motivations
Caracteristiques speciques Il nest pas toujours possible dobtenir une description mathematique dun signal ; Les signaux reels sont aleatoires ou presentent une composante aleatoire. Exemple Cours de la bourse ; Temperature maximale ; Consommation delectricite, dans une region donnee, un jour donne.
7 octobre 2011
2 / 22
Objectifs du cours
Signaux aleatoires ` Caracterisation du phenomene aleatoire ; Adaptation de certains outils mathematiques ; ` Modelisation et extraction dinformation a partir de la composante aleatoire dun signal.
7 octobre 2011
3 / 22
Deterministe Un signal temporel est deni par une equation mathematique dont la connaissance ` permet de predire la valeur du signal a tout moment. Aleatoire ` ` La connaissance du signal a linstant t ne permet pas de prejuger de la valeur a linstant t + t ; Le signal est modelise par ses caracteristiques statistiques.
7 octobre 2011
4 / 22
35 30 25 20 15 10 5 0 -50
1.0
0.5 Amplitude
0.0
-0.5
50
100
150
200 Jours
250
300
350
400
-1.0
-4
-2
0 Temps (s)
7 octobre 2011
5 / 22
Denition Un signal aleatoire temporel est une fonction de deux variables. Lun des variables prend ses valeurs dans R ou C, lautre etant la realisation dune variable aleatoire : f( ) v.a. temps t ,
` A t xe, f (t, ) est une variable aleatoire ; ` xe, f (t, ) est un signal temporel ; A ` Si t est a temps discret, on parle alors de processus aleatoire.
7 octobre 2011
6 / 22
f (t, 0 ) t
f (t, 1 )
t0
t1
t f (t, 2 ) t
7 octobre 2011
7 / 22
` La bonne caracterisation des signaux aleatoires a un instant t necessite des connaissances en theorie de la probabilite. Espace des epreuves ` Ensemble de tous les evenements possibles issus dune experience donnee. Denition de P(A) ` Soit A un ensemble devenements inclus dans , P(A) = lim avec n le nombre dexperiences realisees, n(A) le nombre dexperiences ou A sest realise. `
n
n(A) n
si la limite existe,
7 octobre 2011
8 / 22
Axiomes et denitions
Les axiomes de probabilite P() = 1 Avec A , B , nous avons : 0 P(A B) P(A) = 1 P(A) + P(B) P(A B) P() = 0
7 octobre 2011
9 / 22
Axiomes et denitions
Variable Aleatoire Cest un nombre (reel) X dont la valeur est determinee par le resultat dune experience aleatoire.
X Exemple
` ` Un de a 6 faces - levenement aleatoire (e.a.) est lapparation dune face. Si on ` ` ` associe un entier 1 a 6 a chaque face. On associe une v.a.a chaque e.a..
7 octobre 2011
10 / 22
Fonction de repartition La fonction de repartition FX (x) dune v.a.X est denie comme etant la probabilite ` que la v.a.X soit inferieur ou egale a x, FX (x) = P(X x) . Densite de probabilite (d.d.p.) Elle est denie comme la derivee de la fonction de repartition, p(x) = dF (x) dx .
7 octobre 2011
11 / 22
Proprietes
p(x)dx = 1
x2 x1
P(x x1 ) = FX (x1 ) =
p(x)dx
P(x1 x x2 ) =
p(x)dx
7 octobre 2011
12 / 22
Exemples
Loi uniforme
0.18 0.16 0.14 0.12 0.8 0.6
1.0
p(x)
F(x)
0.4 0.2 0.0 -4
0.10
-2
0 x
p(x) =
1 ab
si x [a, b] , ailleurs .
7 octobre 2011
13 / 22
Exemples
Loi normale
1.0 0.8 0.6
p(x)
F(x)
0.4 0.2 0.0 4 4 4
0 x
0 x
m = 0, = 1 p(x) =
m = 2, = 0.4
(xm)2 1 e 22 2
7 octobre 2011
14 / 22
4 3 2 1 0 -1 -2 -3
Amplitude
Temps (s)
-40
Temps (s)
Moments de v.a.
La connaissance de la d.d.p.est importante, mais nest pas toujours disponible. On introduit la notion de moment dune v.a.. Ceux-ci apportent des informations partielles mais interessantes. Denition Le moment g(x) dune v.a.est donne par lesperance,
+
E(g(x)) =
g(x)p(x)dx
Generalement g(x) = x m , on parle alors de moment dordre m, Moment dordre 1 Moment dordre 2 E(X) = E(X ) =
2 + +
x x
2
p(x)dx p(x)dx
7 octobre 2011
16 / 22
Variance
` ` Generalement, on caracterise, de maniere incomplete, une v.a.par sa moyenne et sa variance. Denition ` La variance est lesperance du carre des ecarts par rapport a la valeur moyenne m = E(X),
+
= =
E (X m)2 =
(x m)2 p(x)dx ,
E X2 E (X)2 .
7 octobre 2011
17 / 22
` Systeme de v.a.
` Dans le cadre des signaux aleatoires, on est souvent amene a considerer un ensemble de v.a.dans la mesure ou a chaque instant ti est associe une v.a.. ` ` Realisations de 2 v.a. f (t, 1 ) t
t0
t1
Le but est de fournir des concepts permettant detudier la relation entre les valeurs ` dune meme (ou different) signal aleatoire a deux instants differents.
7 octobre 2011
18 / 22
7 octobre 2011
19 / 22
Proba. conditionnelle : connaissant une des variables, quelle est la loi de probabilite de lautre variable ? ` Probabilite conditionnelle et Theoreme de Bayes p(x|y ) p(y|x) p(x, y ) = = = p(x, y ) p(y ) p(x, y ) p(x) p(y |x)p(x) = p(x|y )p(y )
7 octobre 2011
20 / 22
Covariance et correlation
Pour caracteriser linterdependance de deux variables, on introduit la notion de covariance. Denitions Moments dune loi jointe
+ +
E(g(x, y )) =
+
Correlation
RXY = E(XY) =
xy p(x, y)dxdy
Covariance
CXY CXY = =
XY = E ((X mX )(Y mY ))
+ +
Coefcient de correlation
rXY =
7 octobre 2011
21 / 22
Proprietes
Independance Deux v.a.independantes sont non-correlees p(x, y ) RXY CXY Correlation Deux variables correlees sont dependantes. Le coefcient de correlation permet alors de mesurer la dependance lineaire, E(XY) = CXY + mX mY . = = = p(x)p(y ) mX mY 0 rXY = 0
7 octobre 2011
22 / 22