I - Introduction aux signaux aleatoires

Romain H E RAULT (Alain R AKOTOMAMONJY)

INSA Rouen

7 octobre 2011

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

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.

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

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.

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

7 octobre 2011

3 / 22

 Deterministe vs. aleatoire

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.

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

7 octobre 2011

4 / 22

 Exemple : deterministe et aleatoire

35 30 25 20 15 10 5 0 -50

Temprature maximale Rouen de Juin 2007 Juin 2008

1.0

"La" de 2 secondes le 25/07/2008 11h10

0.5 Amplitude

Temprature max. (c)

0.0

-0.5

50

100

150

200 Jours

250

300

350

400

-1.0

-4

-2

0 Temps (s)

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

7 octobre 2011

5 / 22

 Denition formelle dun signal aleatoire

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.

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

7 octobre 2011

6 / 22

 Exemple de signal aleatoire

Differentes realisations dune v.a.

f (t, 0 ) t

f (t, 1 )

t0

t1

t f (t, 2 ) t

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

7 octobre 2011

7 / 22

 Rappels sur les probabilites

` 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,

R. H ERAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

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

Si A B = alors P(A B) = P(A) + P(B).

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

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..

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

7 octobre 2011

10 / 22

 Fonction de repartition et consorts

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 .

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

7 octobre 2011

11 / 22

 Proprietes

Proprietes de la fonction de repartition FX () = 0 0 P(x1 x x2 ) Proprietes de la densite de probabilite p(x) 0

x1 +

FX () = 1 FX (x) = 1 FX (x2 ) FX (x1 )

p(x)dx = 1
x2 x1

P(x x1 ) = FX (x1 ) =

p(x)dx

P(x1 x x2 ) =

p(x)dx

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

7 octobre 2011

12 / 22

Exemples

Loi uniforme
0.18 0.16 0.14 0.12 0.8 0.6

Densit de probabilit uniforme

1.0

Fonction de rpartition associe

p(x)

0.08 0.06 0.04 0.02 0.00 -4 -2 0 x 2 4

F(x)
0.4 0.2 0.0 -4

0.10

-2

0 x

p(x) =

1 ab

si x [a, b] , ailleurs .

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

7 octobre 2011

13 / 22

Exemples
Loi normale
1.0 0.8 0.6

Densit de probabilit normale Fonction de rpartition associe 1.0 m=0,s=1 m=2,s=0.4

0.8 0.6

p(x)

0.4 0.2 0.0

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

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

7 octobre 2011

14 / 22

 Exemples appliques aux signaux aleatoires

Le signal capte par un recepteur est un signal sinusodal bruite, y(t) = 2 sin(2t) + b(t) , ou b(t) est une variable aleatoire. `
3 2 1 0 -1 -2 -30 1 2 3 4 5 Amplitude

Signal sinusodal bruit par un bruit de loi uniforme

4 3 2 1 0 -1 -2 -3

Signal sinusodal bruit par un bruit de loi normale

Amplitude

Temps (s)

-40

Temps (s)

b(t) suit une loi uniforme

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen) I - Introduction aux signaux aleatoires

b(t) suit une loi normale

7 octobre 2011 15 / 22

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

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

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 .

On utilie souvent aussi la notion decart-type , = .

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

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.

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

7 octobre 2011

18 / 22

 Densite de probabilite jointe

Fonction de repartition mutuelle Soit X et Y deux v.a.alors,

F (x, y) = P(X x, Y y )

Densite de probabilite jointe Soit X et Y deux v.a.alors,

p(x, y) p(x) p(y) = = = 2 F (x, y) xy p(x, y)dy p(x, y)dx

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

7 octobre 2011

19 / 22

 Densite de probabilite jointe

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 )

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

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 )) =
+

g(x, y) p(x, y)dxdy

+

Correlation
RXY = E(XY) =

xy p(x, y)dxdy

Covariance
CXY CXY = =

XY = E ((X mX )(Y mY ))
+ +

(x mX )(y mY ) p(x, y)dxdy CXY X Y

Coefcient de correlation
rXY =

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

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

R. H E RAULT A. R AKOTOMAMONJY (INSA Rouen)

I - Introduction aux signaux aleatoires

7 octobre 2011

22 / 22