Signaux aléatoires
Mise à niveau IAR, IMD, ST
Aymeric Histace
• IntroducAon
Plan
1. IntroducAon
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 3
• Les phénomènes dynamiques couramment rencontrés sont généralement mesurés sous forme de l’amplitude d’une grandeur
physique en foncAon du temps
• Exemple : Un signal électrique, une pression, une température, une image (en 2D), etc.
1. IntroducAon
• On peut disAnguer deux grandes familles de signaux :
• Les signaux déterministes
-‐ Il est alors possible de prévoir l’allure du signal au moyen d’une équaAon analyAque (une sinusoïde par exemple) et ce pour tout instant t
• Les signaux aléatoires
-‐ Aucune informaAon a priori. Chaque nouvelle mesure du signal donne un enregistrement différent dans le
1. IntroducAon
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 5
• Les signaux déterministes
1. IntroducAon
• Les signaux aléatoires
C’est à cette catégorie de signaux que nous allons nous intéresser
• IntroducAon
• Signaux aléatoires et rappels
Plan
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 7
2. S.A. et rappels
• Défini.on
• Signal aléatoire : Un signal est dit aléatoire lorsqu’un enregistrement ne peut être prévu même avec un erreur raisonnable
• Réalisa5on : Pour ce type de signal, un
enregistrement unique x
i(t) pour une expérience
donnée représente une réalisaAon
2. S.A. et rappels
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 9
• Défini.on
• Ensemble de réalisa5ons
En théorie, pour connaître x(t), il faut connaître toutes les réalisations possibles
2. S.A. et rappels
• Nota.on (temps con.nu)
• Un signal aléatoire peut donc s’écrire comme une foncAon x à deux variables :
X t,
(
ω)
réalisation aléatoire temps
• A t fixé, la fonction X est une variable aléatoire
• A ω fixé, la fonction X est un signal temporel (on parle de trajectoire)
• Si les deux paramètres sont fixés, X est un réel
2. S.A. et rappels
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 11
• Nota.on (temps discret)
• Un signal aléatoire peut donc s’écrire comme une foncAon x à deux variables :
X n,ω
( )
réalisation aléatoire échantillon
• A n fixé, la fonction X est une variable aléatoire
• A ω fixé, la fonction X est un signal temporel (on parle de trajectoire)
• Si les deux paramètres sont fixés, X est un réel
2. S.A. et rappels
• Exemples
• Cours de la bourse
• EvoluAon de la température maximale sur l’année dans une ville donnée
• Les bruits d’acquisiAons
• …
2. S.A. et rappels
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 13
• Rappels de probabilités
• Soit Ω l’ensemble de toutes les réalisaAons possibles associés à une expérience
• Soit A un ensemble d’évènements inclus dans Ω.
La probabilité d’appariAon de A est définie par
P
( )
A =limn→∞n(A) nNbre d’expériences réalisées
Nbre de fois ou
l’événement A s’est réalisé
Rq: il faut que la limite existe
2. S.A. et rappels
• Axiomes de probabilité
• Axiome 1
• Axiome 2 : Pour A et B inclus dans Ω,
0≤P A
( )
≤1P A
(
∪B)
=P A( )
+P B( )
−P A∩(
B)
P
( )
Ω =1, P(∅)=02. S.A. et rappels
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 15
• Variable aléatoire
• Défini.on
-‐ Il s’agit donc d’une foncAon X(ω) dont la valeur est déterminée par le résultat ω d’une expérience
aléatoire dans un ensemble d’évènements possible Ω
2. S.A. et rappels
• Variable aléatoire
• Défini.on
-‐ Il s’agit donc d’une foncAon X dont la valeur est déterminée par le résultat ω d’une expérience
aléatoire dans un ensemble d’évènements possible Ω
• Exemple
-‐ Un dé à 6 faces : l’événement aléatoire est l’appariAon d’une face, la variable aléatoire est l’enAer associé à chaque face (de 1 à 6… généralement J)
2. S.A. et rappels
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 17
• Fonc.on de répar..on
• Défini.on
-‐ La foncAon de réparAAon FX(x) d’une variable aléatoire X est définie comme la probabilité que X soit inférieure ou égale à x.
• Nota.on
FX
( )
x =P X(
≤x)
2. S.A. et rappels
• Densité de probabilité (d.d.p)
• Défini.on
-‐ La densité de probabilité de x se définit alors comme la dérivée première de la foncAon de réparAAon par rapport à x
• Nota.on
p x
( )
= dFX( )
xdx
2. S.A. et rappels
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 19
• Densité de probabilité (d.d.p)
• Exemple 1 : ddp uniforme
p x( )=
1
a−b si x∈[a,b]
O ailleurs
#
$%
&%
2. S.A. et rappels
• Densité de probabilité (d.d.p)
• Exemple 2 : ddp normale (gaussienne)
p x( )= 1
σ 2πe
−(x−m)2 2σ2
Moyenne
Ecart-type
2. S.A. et rappels
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 21
• Signal aléatoire : Exemple
• Un récepteur reçoit un signal y tel que : y(t ) = 2sin(2 π t ) + b(t )
Partie déterministe
Bruit d’acquisition
(aléatoire)
2. S.A. et rappels
• Exemple d’une réalisa.on
y(t)=2sin(2πt)+b(t) b(t) suit ici une
loi uniforme
2. S.A. et rappels
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 23
• Exemple d’applica.on
y(t)=2sin(2πt)+b(t)
b(t) suit ici une loi normale
2. S.A. et rappels
• Densité de probabilité jointe
• Dans le cas d’ un s.a., on est amené à considérer
un ensemble de variables aléatoires dans la
mesure où à chaque instant t est associé une v.a.
2. S.A. et rappels
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 25
• Densité de probabilité jointe
• Défini.on et nota.on
-‐ Soit X et Y deux variables aléatoires alors on définit la foncAon de réparAAon jointe comme étant:
-‐ et la ddp jointe associée est donnée par p(x,y)=∂2F(x,y)
∂x∂y F x,
(
y)
=P X(
≤x,Y ≤y)
2. S.A. et rappels
• Densité de probabilité jointe
• Propriétés
-‐ Soit X et Y deux variables aléatoires de ddp jointe p(x,y) alors :
Impossible d'afficher l'image. Votre ordinateur manque peut-être de mémoire pour ouvrir l'image ou l'image est endommagée. Redémarrez l'ordinateur, puis ouvrez à nouveau le fichier. Si le x rouge est toujours affiché, vous devrez peut-être supprimer l'image avant de la réinsérer.
2. S.A. et rappels
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 27
• Densité de probabilité condi.onnelle
• Défini.on
-‐ Connaissant la ddp d’une variable, qu’elle est la loi de probabilité de l’autre ?
• Nota5on
p x
(
|y)
= p x,(
y)
p y
( )
Se lit, « la probabilité de x, sachant y »
2. S.A. et rappels
• Densité de probabilité condi.onnelle
• Défini.on
-‐ Connaissant la ddp d’une variable, qu’elle est la loi de probabilité de l’autre ?
• Nota5on (de même)
p y
(
|x)
= p y,(
x)
p x
( )
2. S.A. et rappels
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 29
• Densité de probabilité condi.onnelle
• Défini.on
-‐ Connaissant la ddp d’une variable, qu’elle est la loi de probabilité de l’autre ?
• Théorème de Bayes
p x
(
|y)
= p y(
|x)
p x( )
p y
( )
• IntroducAon
• Signaux aléatoires et rappels
• CaractérisaAon des v.a.
Plan
3. CaractérisaAon des v.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 31
• Moments d’une variable aléatoire
• En pra.que
-‐ La connaissance de la ddp n’est pas toujours disponible.
-‐ On introduit alors la noAon de moments d’une variable aléatoire
-‐ Ils apportent des informaAons parAelles mais souvent intéressantes
3. CaractérisaAon des v.a.
• Moments d’une variable aléatoire
• Défini.on et nota.on
-‐ Le moment g(x) d’une variable aléatoire est donné par l’espérance :
E g(
[
x)]
= g(x)p(x)dx−∞
+∞
∫
3. CaractérisaAon des v.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 33
• Moments d’une variable aléatoire
• Défini.on et nota.on
-‐ PraAquement, on prendra très souvent g(x)=xm telle que
-‐ On parle alors de moment d’ordre m E X!" #$m = xmp(x)dx
−∞
+∞
∫
3. CaractérisaAon des v.a.
• Moments d’une variable aléatoire
• Moment d’ordre 1 et 2
-‐ Le moment d’ordre 1 est aussi appelé moyenne
-‐ Ce terme provient sans doute de l'uAlité des premières v.a. dans les calculs staAsAques sur les gains des jeux de hasard. L’espérance du gain correspond alors à la moyenne des gains au cours de nombreuses parAes.
µX =E X
[ ]
= xp(x)dx−∞
+∞
∫
3. CaractérisaAon des v.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 35
• Moments d’une variable aléatoire
• Moment d’ordre 1 et 2
-‐ Le moment d’ordre 1 est aussi appelé moyenne
-‐ Le moment d’ordre 2 centré est aussi appelé variance µX =E X
[ ]
= xp(x)dx−∞
+∞
∫
σ2X =E X-!"
(
µX)
2#$=(
x−µX)
2 p(x)dx−∞
+∞
∫
3. CaractérisaAon des v.a.
• Moments d’une variable aléatoire
• Moment d’ordre 1 et 2
-‐ Le moment d’ordre 2 est aussi appelé variance
-‐ Rq : L’écart-‐type se définit comme étant σ2X =E X!" #$−2 E X
[ ]
2σX = E X!" #$−2 E X
[ ]
23. CaractérisaAon des v.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 37
• Moments d’une variable aléatoire
• Exemple
-‐ Pour une ddp correspondant à la loi normale, montrer que le moment d’ordre 1 est la moyenne m, et le moment d’ordre 2 la variance σ.
p x
( )
= 1σ 2π e
−(x−m)2 2σ2
3. CaractérisaAon des v.a.
• Corréla.on et Covariance
• Moments d’une loi jointe
• Corréla.on
-‐ Il s’agit du moment d’ordre 1 de la loi conjointe p(x,y) E g(x,
[
y)]
= g(x,y)p(x,y)dx dy−∞
+∞
∫
−∞
+∞
∫
RXY = xyp(x,y)dx dy
−∞
+∞
∫
−∞
+∞
∫
3. CaractérisaAon des v.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 39
• Corréla.on et covariance
• Covariance
-‐ La covariance permet de caractériser l’interdépendance de 2 variables aléatoires -‐ Il s’agit de l’écart-‐type de la loi conjointe p(x,y)
CXY =σXY =E X"#
(
−µX) (
Y−µY)
$%CXY =
(
x−µX) (
y−µY)
p(x,y)dx dy−∞
+∞
∫
−∞
+∞
∫
3. CaractérisaAon des v.a.
• Corréla.on et covariance
• Coefficient de corréla.on linéaire
-‐ Il s’agit d’une « quanAficaAon » de l’interdépendance de 2 v.a.
r
XY= C
XYσ
Xσ
Y∈ −1,1 [ ]
3. CaractérisaAon des v.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 41
• Corréla.on et covariance
• Propriété 1 : indépendance
-‐ Deux v.a. indépendantes sont non corrélées
p x,
(
y)
= p x( )
p y( )
RXY =µXµY
CXY =0⇔rXY =0
3. CaractérisaAon des v.a.
• Corréla.on et covariance
• Propriété 2 : dépendance
-‐ Deux v.a. corrélées sont dépendantes
-‐ Le coefficient de corrélaAon permet alors de mesurer le degré de dépendance linéaire entre les deux v.a.
rXY =1, X et Y sont proportionnels et varient dans le même sens rXY =−1, X et Y sont proportionnels et varient dans le sens opposé
3. CaractérisaAon des v.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 43
• Corréla.on et covariance
• Illustra.on
3. CaractérisaAon des v.a.
• Corréla.on et covariance
• Exercice rapide
-‐ Pour deux v.a. X et Y de ddp de type loi normale, montrer qu’il y a équivalence entre indépendance et corrélaAon nulle
• IntroducAon
• Signaux aléatoires et rappels
• CaractérisaAon des v.a.
• CaractérisaAon des s.a.
Plan
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 45
4. CaractérisaAon des s.a.
• Probléma.que
• Un signal aléatoire, c’est donc
-‐ Une foncAon bidimensionnelle dépendant du temps et d’une variable aléatoire. On la notera X(t,ω)
• Ques.on
-‐ Comment caractériser un signal dont la valeur à chaque instant est une variable aléatoire et dont on ne connaît pas la loi ?
4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 47
• Probléma.que
• Exemple de 2 jets consécu.fs d’un dé à 6 faces
-‐ Le résultat est une paire de valeurs enAères (entre 1 et 6 -‐ Le « signal » (ou processus dans ce cas) décrit est un
vecteur de 2 variables aléatoires.
-‐ Le domaine temporelle du processus se réduit ici à T={0,1} (temps discret)
-‐ Le vecteur (X(1,ω), X(2,ω)) peut prendre 6*6 valeurs possibles
4. CaractérisaAon des s.a.
• Probléma.que
• Exemple de 2 jets consécu.fs d’un dé à 6 faces
-‐ Le processus aléatoire décrit est donc la foncAon :
-‐ Une réalisaAon i du processus s’écrira X: T×Ω→
{
1, 2, 3, 4, 5, 6}
n,ω→X n,
(
ω)
#
$%
&%
X
(
1,ωi)
,X(
2,ωi)
( )
4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 49
• Idée
4. CaractérisaAon des s.a.
• Idée
• Comparer 2 réalisaAons à 2 instants t
1et t
2du
processus.
4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 51
• Nota.ons et défini.ons
• On considère un signal aléatoire X(t,ω).
-‐ X(t,ω) est donc un ensemble de M signaux temporels {x(t)} correspondant chacun à la réalisaKon de N v.a.
sur l’axe temporel
-‐ Pour t donnéi, X(t,ω) est un ensemble de M réalisa5ons d’une même v.a. Xt (vecteurs de v.a.) à valeurs
complexes dans le cas général
-‐ Pour ω=ωj, j=1..M, x est une réalisaKon du processus associé au N v.a.
4. CaractérisaAon des s.a.
• Nota.ons et défini.ons
• A t
idonné :
X t
(
i,ω)
=(
Xi( )
ω1 ,Xi( )
ω2 ,…,Xi(
ωM) )
E X t!"
(
i,ω)
#$=(
E X!" i( )
ω1 #$,E X!" i( )
ω2 #$,…,E X!" i(
ωM)
#$)
4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 53
• Nota.ons et défini.ons
• A t
idonné : opérateur « dague »
• Si les v.a. sont à valeurs réelles, alors l’opérateur
« dague » est équivalent à l’opérateur
« transpose »
X t
(
i,ω)
*=(
Xi( )
ω1 ,Xi( )
ω2 ,…,Xi(
ωM) )
T4. CaractérisaAon des s.a.
• Nota.ons et défini.ons
• Densité de probabilité d’un s.a.
-‐ La densité de probabilité du s.a. est la densité de probabilité jointe associée à l’ensemble des N variables aléatoires telle que
p(x1,x2,...,xN)=∂NF(x1,x2,...,xN)
∂x1∂x2...∂xN
F x
(
1,x2,...,xN)
=P(
X1≤x1, X2 ≤x2,..., XN ≤xN)
avec
4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 55
• Nota.ons et défini.ons
• Moyenne
-‐ On définit alors la moyenne μi du s.a. à un instant ti par le moment d’ordre 1 de la variable aléatoire Xi. -‐ En effectuant l’ensemble des moyennes pour tout t, on
définit la moyenne pour tout instant t
µ (t ) = E X [ (t, ω ) ]
4. CaractérisaAon des s.a.
• Nota.ons et défini.ons
• Moyenne
µ (t ) = E X [ (t, ω ) ]
4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 57
• Propriétés
• Défini.on : s.a. centré
-‐ Un s.a. est dit centré si
-‐ Exemple : montrer que pour un s.a. de type
avec b un bruit de mesure centré, la moyenne peut s’interpréter comme la parAe déterministe de X.
µ (t ) = 0, ∀t
X(t,ω)=2sin(2πt)+b(t,ω)
4. CaractérisaAon des s.a.
• Nota.ons
• Covariance
-‐ On définit la covariance du s.a. entre deux instants t1 et t2 par
CX
(
t2,t1)
=E X"#$(
(t2,ω)−µ(t2)) (
X t(
1,ω)
−µ(t1))
*%&'processus centré que l’on notera Xc(t,ω)
4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 59
• Nota.ons
• Covariance
-‐ Pour simplifier l’écriture, on peut introduire le décalage temporel τ tel que
CX
(
t,t−τ)
=E X"# c(
t,ω)
Xc(
t−τ,ω)
*$%4. CaractérisaAon des s.a.
• Nota.ons
• Covariance
Réalisation d’un bruit x(n+5) fonction de x(n)
4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 61
• Nota.ons
• Covariance
S.a. à partie déterministe
Covariance (n et n+5)
x(n+5) fonction de x(n)
4. CaractérisaAon des s.a.
• Nota.ons
• Intercovariance
-‐ Pour comparer 2 s.a., X et Y, entre eux, on uKlise l’intercovariance telle que
-‐ On mesure la ressemblance entre deux instants différents des deux s.a.
CXY
(
t,t−τ)
=E X"# c(
t,ω)
Yc(
t−τ,ω)
*$%4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 63
• Sta.onnarité
• DéfiniAon
-‐ La staAonnarité d’un processus aléatoire traduit une invariance dans le temps des propriétés staAsAques du processus
-‐ On disAnguera la staAonnarité stricte de la staAonnarité au sens large (ordre 1 et 2)
4. CaractérisaAon des s.a.
• Sta.onnarité
• StaAonnarité stricte
-‐ Un s.a. est strictement staAonnaire si les densités de probabilités conjointes de toutes les v.a. du s.a. sont invariantes dans le temps
pt(x1,x2,...,xN)= pt+τ(x1,x2,...,xN)
Rq : Difficile à vérifier en pratique.
4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 65
• Sta.onnarité
• StaAonnarité d’ordre 1
-‐ Un s.a. est staAonnaire au premier ordre si
-‐ Exemple : Montrer rapidement qu’un s.a. centré est aussi staAonnaire d’ordre 1
µ (t ) = E X [ (t, ω ) ] = µ
X= cte
4. CaractérisaAon des s.a.
• Sta.onnarité
• StaAonnarité d’ordre 2
-‐ Un s.a. est staAonnaire au deuxième ordre si
-‐ Autrement dit, la covariance en dépend pas de t mais uniquement de τ
C
X( t, t + τ ) = C
X( 0, τ )
4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 67
• Sta.onnarité
• Remarque importante
-‐ Il n’existe pas a priori de lien entre la staAonnarité au 1er et au 2e ordre
-‐ Autrement dit, un s.a. peut-‐être staKonnaire au 2e ordre sans l’être au 1er
4. CaractérisaAon des s.a.
• Sta.onnarité
• AutocorrélaAon : définiAon
-‐ On considère un s.a. staAonnaire d’ordre 2. Alors
-‐ avec Rx la fonc.on d’autocorréla.on du s.a. (aussi notée γX)
C
X( t, t + τ ) = C
X( 0, τ ) = R
X( ) τ
4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 69
• Sta.onnarité
• AutocorrélaAon : propriétés
-‐ La foncAon d’autocorrélaAon d’un s.a. centré, peut s’interpréter comme un produit scalaire
-‐ RX est dit à symétrie hermi.enne posi.ve si dans le cas d’un staAonnarité d’ordre 2
RX
( )
τ =E X"# tX*t−τ$%= Xt,Xt−τRX
( )
τ ≥0 RX( )
τ =RX*( )
−τ et4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 70
• Sta.onnarité
• AutocorrélaAon :
-‐ Ques5on : La connaissance de la foncAon
d’autocorrélaAon permet-‐elle de reconsAtuer ou de caractériser enAèrement un signal ?
-‐ Théorème : Etant donné RX une foncAon à symétrie hermiAenne de type posiAf, il existe un processus gaussien, staAonnaire et centré dont RX est la foncAon d’autocorrélaAon
4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 71
• Sta.onnarité
• StaAonnarité mutuelle
-‐ Deux s.a. sont dits mutuellement sta.onnaires si leur foncAon d’intercovariance ne dépend que de τ -‐ On définit alors l’intercorréla5on
RXY
( )
τ =CXY(
t,t−τ)
4. CaractérisaAon des s.a.
• Ergodicité
• DéfiniAon
-‐ Dans la praAque, on ne dispose souvent que d’une réalisaAon d’un phénomène aléatoire. Il devient donc difficile de caractériser staAsAquement le signal aléatoire.
-‐ L’hypothèse d’ergodicité consiste à admeOre que l’évolu5on d’une trajectoire du s.a. apporte la même informa5on que l’ensemble des trajectoires
4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 73
• Ergodicité
• DéfiniAon
-‐ Si un système est sta5onnaire et ergodique d’ordre 2 alors :
µX =lim
T→∞
1
2T X(t)dt
−T +T
∫
RX =lim
T→∞
1
2T X(t)
−T +T
∫
X(t+τ)dt4. CaractérisaAon des s.a.
• Ergodicité
• Exemple
Fonction journalière du résultat d’un jet de dé effectué toutes les minutes
Ergodique
X(t,ωi)=ωi où ωi suit une loi uniforme entre 0 et 1
Non-ergodique
4. CaractérisaAon des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 75
• Ergodicité
• Remarques
-‐ StaKonnarité n’implique pas ergodicité -‐ Ergodicité n’implique pas staAonnarité -‐ L’ergodicité simplifie l’étude des s.a.
-‐ Ergodicité = l’histogramme est une bonne approximaAon de la ddp.
4. CaractérisaAon des s.a.
• En résumé
• IntroducAon
• Signaux aléatoires et rappels
• CaractérisaAon des v.a.
• CaractérisaAon des s.a.
• Aspect fréquenAel des s.a.
Plan
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 77
5. Aspects fréquenAels des s.a.
• Cas des signaux aléatoire à temps continu
• Hypothèse de travail
Tous les signaux sont supposés aléatoires stationnaires, c’est-à-dire que leurs propriétés statistiques sont
invariantes par translation temporelle.
5. Aspects fréquenAels des s.a.
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 79
• Densité spectrale de puissance
• Transformée de Fourrier
Un signal aléatoire ne possède pas de Transformée de Fourrier
La ques5on est donc de savoir si on peut tout de même caractériser la répar55on de la puissance d'un signal suivant les fréquences.
En par.culier pour caractériser les bruits.
5. Aspects fréquenAels des s.a.
• Densité spectrale de puissance
• Défini.on
Pour un signal aléatoire X, on définit la densité
spectrale de puissance SXX (foncAon de la fréquence f) par
SXX
( )
f =limT→∞ 12T E X#$% T
( )
f 2&'(XT(f) est la TF du signal aléatoire restreint à l’intervalle [-T,T]
5. Aspects fréquenAels des s.a
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 81
• Densité spectrale de puissance
• Théorème de Wiener-‐Khintchin
Si le s.a. est staAonnaire au second ordre, alors la DSP s’obAent comme la TF de la foncAon d’autocorrélaAon
SXX
( )
f = RX( )
τ e−j2πfτdτ−∞
+∞
∫
Rq: Si en plus le s.a. est ergodique, RX peut s’obtenir à partir d’une réalisation
5. Aspects fréquenAels des s.a.
• Densité spectrale de puissance
• Exemples
Réalisation d’un bruit Covariance (n et n+5)
5. Aspects fréquenAels des s.a
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 83
• Densité spectrale de puissance
• Exemples
Réalisation d’un s.a. avec partie déterministe Covariance (n et n+5)
DSP
5. Aspects fréquenAels des s.a
• Densité spectrale de puissance
• En résumé
5. Aspects fréquenAels des s.a
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 85
• Densité spectrale de puissance
• Quelques signaux par.culiers
Réalisation d’un bruit blanc de variance σ0
5. Aspects fréquenAels des s.a
• Densité spectrale de puissance
• Quelques signaux par.culiers
Bruit blanc de variance σ0
5. Aspects fréquenAels des s.a
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 87
• Densité spectrale de puissance
• Quelques signaux par.culiers
Les s.a. ne comportant aucune parAe périodique sont à spectre purement conAnu
5. Aspects fréquenAels des s.a
• Densité spectrale de puissance
• Quelques signaux par.culiers
Bruit corrélé
5. Aspects fréquenAels des s.a
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 89
• Densité spectrale de puissance
• Quelques signaux par.culiers (périodiques)
5. Aspects fréquenAels des s.a
• Densité spectrale de puissance
• Quelques signaux par.culiers
Les signaux purement périodiques possèdent des
DSP dites de raies
5. Aspects fréquenAels des s.a
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 91
• Densité spectrale de puissance
• Quelques signaux par.culiers
Les signaux mixtes, comportant une parAe périodique et une parAe non périodique, ont des spectres comportant à la fois une parAe conAnue
et une parAe discrète
5. Aspects fréquenAels des s.a
• Densité spectrale de puissance
• Quelques signaux par.culiers
5. Aspects fréquenAels des s.a
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 93
• Densité spectrale de puissance
• Pour les signaux échan.llonnés
L’échantillonnage provoque quelques légères différences par rapport à la version continue (fonction de fenêtrage), mais la TF et la TFD étant homogène, on retrouve les résultats déjà vus en continu
5. Aspects fréquenAels des s.a
• Densité spectrale de puissance
Spectre de densité spectrale d'une candidate géante rouge, montrant des modes d'oscillations régulièrement espacés en fréquence.
5. Aspects fréquenAels des s.a
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 95
• Densité spectrale de puissance
• Filtrage, Quadra.on, Intégra.on (FQI)
-‐ Méthode ancienne uAlisant
• Une baperie de filtres sélecAfs
• Un élévaAon au carré pour l’esAmaAon de la puissance instantanée
• Une intégraAon pour le calcul de la puissance moyenne autour de la fréquence d’étude
Les analyseurs de spectre travaillant jusqu’à plusieurs GHz uAlisent encore cepe approche (Limite des CNA et CAN à ces fréquences)
5. Aspects fréquenAels des s.a
• Densité spectrale de puissance
• Corrélogramme (tout type de signaux)
-‐ Directement inspirée du théorème de Wiener-‐Kinchine :
La DSP d’un signal est la TF de sa foncAon de corrélaAon
S ˆ
X(k) = TFD { C ˆ
X(τ ) }
5. Aspects fréquenAels des s.a
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 97
• Densité spectrale de puissance
• Périodogramme
-‐ Méthode directe:
La DSP d’un signal échanAllonné est la TFD au carré du signal calculée directement
S ˆ
X(k) = I
N(k) = 1
N X (k)
25. Aspects fréquenAels des s.a
• Densité spectrale de puissance
• En pra.que
-‐ Ni l’un ni l’autre ne foncAonne bien… car les esAmateurs de la corrélaAon sont biaisés… (on ne converge vers
l’espérance que si N tend vers l’infini).
5. Aspects fréquenAels des s.a
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 99
• Densité spectrale de puissance
• En pra.que : Corrélogramme
-‐ Directement inspirée du théorème de Wiener-‐Kinchine :
La DSP d’un signal est la TF de sa foncAon de corrélaAon apodisée (fenêtrée)
5. Aspects fréquenAels des s.a
• Densité spectrale de puissance
• En pra.que : Corrélogramme
-‐ Directement inspirée du théorème de Wiener-‐Kinchine :
La DSP d’un signal est la TF de sa foncAon de corrélaAon apodisée (fenêtrée)
S ˆ
X(k) = TFD { C ˆ
X( τ ).w( τ ) }
Fenêtrage (Hanning par
5. Aspects fréquenAels des s.a
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 101
• Densité spectrale de puissance
• En pra.que : Corrélogramme
-‐ Directement inspirée du théorème de Wiener-‐Kinchine :
La DSP d’un signal est la TF de sa foncAon de corrélaAon apodisée (fenêtrée)
5. Aspects fréquenAels des s.a
• Densité spectrale de puissance
• En pra.que : Corrélogramme
-‐ Directement inspirée du théorème de Wiener-‐Kinchine :
La DSP d’un signal est la TF de sa foncAon de corrélaAon apodisée (fenêtrée)
5. Aspects fréquenAels des s.a
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 103
• Densité spectrale de puissance
• En pra.que : Périodogramme
SoluKon 1 : le périodogramme lissé
S ˆ
X(k ) = ( I
N* W ) [ ] k
5. Aspects fréquenAels des s.a
• Densité spectrale de puissance
• En pra.que : Périodogramme
SoluKon 1 : le périodogramme lissé
5. Aspects fréquenAels des s.a
13/10/15 Aymeric Histace -‐ Signaux
aléatoires 105
• Densité spectrale de puissance
• En pra.que : Périodogramme
SoluKon 2 : le périodogramme moyenné
S ˆ
X(k) = 1
K I
(i)N(k)
i=1 K
∑
5. Aspects fréquenAels des s.a
• Densité spectrale de puissance
• En pra.que : Périodogramme
SoluKon 2 : le périodogramme moyenné