Signaux aléatoires

Systèmes de Traitement du Signal

Polytech Marseille – INFO – 2016

Définitions
Signal aléatoire ≡ fonction de deux variables x(t,α)
t ≡ temps (continu ou discret)
α ≡ variable aléatoire
Echantillon ou trajectoire :
xα(t) = x(t,α) pour une
réalisation de α
Exemples :
X(t) = A
avec A normale centrée
(bruit)
X(t) = sin(ωt+θ)
avec θ uniforme entre
0 et 2π

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 2

1
Lois de probabilité
A chaque instant t, X(t) = x(t,α) est une variable
aléatoire
Fonction de répartition
F( x, t ) = P [X( t ) ≤ x ]
Densité de probabilité
∂ F( x, t )
p( x, t ) dx = P [x ≤ X( t ) < x + dx ] ⇒ p( x, t ) =
∂x

fonction de répartition et densité du premier ordre

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 3

Lois de probabilité (2)

Un signal aléatoire pris à deux instants t1 et t2
constitue un couple de variables aléatoires
Les lois de probabilité conjointes permettent de
décrire les relations entre ces deux variables
aléatoires
Fonction de répartition
F( x1, t1; x 2 , t 2 ) = P [X( t1 ) ≤ x1; X( t 2 ) ≤ x 2 ]
Densité de probabilité
∂ 2 F( x1, t1; x 2 , t 2 )
p( x1, t1; x 2 , t 2 ) =
∂x1 ∂x 2
fonction de répartition et densité du deuxième ordre
Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 4

2
Stationnarité
Un signal aléatoire est dit stationnaire (au sens strict)
si toutes ses propriétés statistiques, à tous les
ordres, sont invariantes dans le temps. C’est-à-dire
que les deux signaux X(t) et Y(t) = X(t + τ) ont les
mêmes propriétés statistiques.

Dans la pratique on se limite très souvent aux

signaux aléatoires stationnaires du deuxième ordre,
pour lesquels les propriétés statistiques d’ordre 1 et 2
sont indépendantes des instants d’observation.

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 5

Stationnarité (2)
Stationnarité du 2ème ordre

F( x, t ) = F( x ) et p( x, t ) = p( x )

E( x, t ) = E( x ) = µ x E( x 2 , t ) = E( x 2 ) = µ x + σ x
2 2
et

F( x1, t1; x 2 , t 2 ) = F( x1, x 2 , τ)

 avec τ = t 2 − t1
p( x1, t1; x 2 , t 2 ) = p( x1, x 2 , τ)

La probabilité du premier ordre est indépendante du

temps et celle du deuxième ordre ne dépend que de
l’intervalle séparant les deux instants d’observation.

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 6

3
Ergodisme
Considérons un échantillon (ou trajectoire) d’un signal aléatoire,
que nous notons x(t) pour alléger l’écriture.
Valeur moyenne temporelle :
1 T
x = lim
T →∞ T ∫0 x( t ) dt

Un signal aléatoire est dit ergodique si ses valeurs moyennes

statistiques sont identiques à ses valeurs moyennes
temporelles.
Signal stationnaire :
+∞ 1 T
E( xn ) = xn ⇔ ∫−∞ xn p( x ) dx = lim
T →∞ T ∫0 xn ( t ) dt
Il est alors possible d’estimer les propriétés statistiques d’un signal
aléatoire par l’analyse temporelle d’un de ses échantillons.
Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 7

Fonction d’autocorrélation
La fonction d’autocorrélation statistique d’un signal
aléatoire X(t) est définie par :
R X ( t1, t 2 ) = E[X( t1 ) X( t 2 )] = E( x1 x 2 )
+∞ +∞
R X ( t1, t 2 ) = ∫
− ∞ ∫−∞
x1 x 2 p( x1, t1; x 2 , t 2 ) dx1 dx 2

avec x1 = X(t1) et x2 = X(t2)

La fonction d’autocovariance est définie comme la
variance du couple x1 et x2 :
CX ( t1, t 2 ) = E( x1 x 2 ) − E( x1 ) E( x 2 )

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 8

4
Fonction d’autocorrélation (2)
Signal stationnaire : ne dépend que de l’intervalle
τ = t2 – t1
+∞ +∞
R X ( τ) = ∫ ∫−∞ x1 x 2 p( x1, x2, τ) dx1 dx 2 et CX ( τ) = R X ( τ) − E( x )2
−∞

Propriétés :
R X ( − τ ) = R X ( τ) et C X ( − τ) = C X ( τ)

R X (0) = E( x 2 ) = µ x + σ x C X ( 0) = σ x
2 2 2
et

RX(0) : l’espérance mathématique de la puissance du

signal

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 9

Fonction d’autocorrélation (3)

Inégalité de Cauchy-Schwartz :
R X ( τ ) ≤ R X ( 0) & C X ( τ) ≤ C X ( 0 )

µ x − σ x ≤ R X ( τ) ≤ µ x + σ x
2 2 2 2

Fonction d’autocovariance normalisée :

C X ( τ)
ρ X ( τ) =
C X (0)

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 10

5
Densité spectrale de puissance
Signal déterministe : densité spectrale d’énergie ≡ transformée
de Fourier de son autocorrélation
Relation de Wiener-Khinchine : densité spectrale de puissance
d’un signal aléatoire stationnaire ≡ transformée de Fourier de sa
fonction d’autocorrélation (définition)

S X (ν ) = TF[R X ( τ)]
Première justification
R X ( τ) = TF−1 [S X (ν )]
+∞
R X ( τ) = ∫ S X (ν ) e j 2 π ν τ dν
−∞
+∞
E( x 2 ) = R X (0) = ∫ S X (ν ) dν
−∞

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 11

Théorème de Wiener-Khinchine
Densité spectrale de puissance pour un signal à énergie
moyenne finie
XT ( ν ) XT ( ν )
*
S x (ν ) = lim
T →∞ T
définie à partir du signal mutilé

XT (ν) = TF[x T ( t )] = ∫ x( t ) e− jωt dt

T

0
On procède de même pour un signal aléatoire pour lequel la
transformée de Fourrier n’est pas nécessairement définie
Périodogramme

TF[x T ( t )]
1 2
Φ x (ν, T ) =
T

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 12

6
Théorème de Wiener-Khinchine (2)
Développons :
1 T T
Φ x (ν, T ) = ∫ x( t ) e − jωt dt ∫ x(u) e jωu du
T 0 0

1 T T
Φ x (ν, T ) = ∫ ∫ x( t ) x(u) e− jω( t −u) dt du
T 0 0
Espérance mathématique du périodogramme

E[Φ x (ν, T )] = ∫0 ∫0 E[x(t) x(u)] e

1 T T − jω( t −u )
dt du
T

E[Φ x (ν, T )] =
1 T T
∫0 ∫0 R X ( t, u) e − jω( t −u) dt du
T

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 13

Théorème de Wiener-Khinchine (3)

Signal stationnaire

E[Φ x (ν, T )] =
1 T T
∫0 ∫0 R X ( t − u) e − jω( t −u ) dt du
T
Changement de variable u → v = t-u
t −T
E[Φ x (ν, T )] = −
1 T
∫0 ∫t R X ( v ) e − jω v dv dt
T

E[Φ x ( ν, T )] =
1 T t − jω v
T ∫0 ∫t−T RX (v ) e dv dt

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 14

7
 Théorème de Wiener-Khinchine (3)
Domaine d’intégration :
v
0≤t≤T et t−T≤ v ≤ t T
ou :

pour − T ≤ v ≤ 0 0 ≤ t ≤ v + T

pour 0 ≤ v ≤ T v≤t≤T
0 T t
⇒ 2 triangles

-T

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 15

Théorème de Wiener-Khinchine (4)

Donc

v +T
E[Φ x (ν, T)] =
1 0 1 T T
∫−T ∫0 R X ( v ) e− jω v dt dv + ∫0 ∫v R X ( v ) e− jω v dt dv
T T

E[Φ x (ν, T)] =

1 0
− jω v 1 T
− jω v
T ∫−T (v + T) R X (v ) e dv +
T ∫0 (T − v ) R X (v ) e dv

Soit
T  v 
E[Φ x (ν, T )] = ∫ 1 −  R X ( v ) e − jω v dv
−T
 T 
+∞
lim E[Φ x (ν, T )] = ∫ R X ( t ) e− jω t dt
T →∞ −∞

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 16

8
Couple de signaux aléatoires
X(t) et Y(t) : deux signaux aléatoires
Fonction d’intercorrélation

R XY ( t1, t 2 ) = E[X( t1 ) Y( t 2 )]
+∞ +∞
R XY ( t1, t 2 ) = ∫ ∫ x1 y 2 p( x1, t1; y 2 , t 2 ) dx1 dy 2
−∞ −∞

avec x1 = X(t1) et y2 = Y(t2)

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 17

Couple de signaux aléatoires (2)

Signaux stationnaires
+∞ +∞
R XY ( τ) = E[X( t ) Y( t + τ)] = ∫ ∫ x1 x 2 p( x1, x 2 , τ) dx1 dx 2
−∞ −∞
Si nous inversons les indices
R YX ( τ) = E[Y( t ) X( t + τ)]
Signaux stationnaires ⇒ espérance ≡ invariant temporel
t → t-τ

E[Y( t ) X( t + τ)] = E[Y( t − τ) X( t )] = E[X( t ) Y( t − τ)]

R YX ( τ) = R XY ( −τ)

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 18

9
Couple de signaux aléatoires (3)
Fonction d’intercovariance :
CXY ( t1, t 2 ) = R XY ( t1, t 2 ) − E( x ) E( y )
Signaux stationnaires :
C XY ( τ) = R XY ( τ) − E( x ) E( y )
Inégalité de Cauchy-Schwartz ⇒

R XY ( τ) ≤ R X (0) R Y (0) et C XY ( τ) ≤ C X (0) C Y (0)

Signaux non corrélés ou décorrélés :

∀( t1, t 2 ) CXY ( t1, t 2 ) = 0 ⇔ R XY ( t1, t 2 ) = E( x ) E( y )

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 19

Couple de signaux aléatoires (4)

Fonction d’intercovariance normalisée :
C XY ( τ)
ρ XY ( τ) =
C X (0) C Y (0)
Signaux orthogonaux

R XY ( τ) = R YX ( τ) = 0

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 20

10
 Somme de signaux aléatoires
X(t) et Y(t) : deux signaux aléatoires, Z(t) = X(t) + Y(t)
Fonction d’intercorrélation
R Z ( τ) = E{[X( t ) + Y( t )][X( t + τ) + Y( t + τ)]}
R Z ( τ) = E[X( t ) X( t + τ)] + E[X( t ) Y( t + τ)] + E[Y( t ) X( t + τ)] + E[Y( t ) Y( t + τ)]
R Z ( τ) = R X ( τ) + R XY ( τ) + R YX ( τ) + R Y ( τ)
Fonction d’intercovariance
C Z ( τ) = R Z ( τ) − E( z )2 = R Z ( τ) − [E( x ) + E( y )]
2

CZ ( τ) = C X ( τ) + C XY ( τ) + CYX ( τ) + CY ( τ)
Signaux non corrélés
C Z ( τ) = C X ( τ) + C Y ( τ )
Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 21

Densités spectrales mutuelles

Définition
S XY (ν ) = TF [R XY ( τ)]
S YX (ν ) = TF [R YX ( τ)]

Propriétés
S YX (ν ) = S XY (ν )
*

S XY (ν ) ≤ S X (ν ) S Y (ν )
2

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 22

11
Fonction de cohérence
Définition

D X (ν ) = TF [C X ( τ)]
D XY (ν )
2
ΓXY (ν ) = avec D Y (ν ) = TF [CY ( τ)]
D X (ν ) DY (ν )
D XY (ν ) = TF [C XY ( τ)]

Corrélation est maximum : X(t) = Y(t)

D XX (ν )
2
ΓXX (ν ) = =1
D X (ν ) D X (ν )
Signaux non corrélés

CXY ( τ) = 0 ⇔ DXY (ν ) = 0 ⇔ ΓXY (ν ) = 0

Polytech Marseille - INFO Systèmes de Traitement du Signal - S. Tisserant - 2016 23

12