1

2
Contenu :
Introduction aux signaux alatoires
Filtrage des signaux alatoires
Estimation spectrale
Filtre de Wiener
Filtre de Kalman ?
3
Introduction aux
Signaux alatoires
4
Signal :
Exemples:
onde acoustique
Musique,
parole,
...
onde lumineuse
Caractristiques
(toile, gaz, )
...
courant lectrique
dlivr par un
microphone
courant lectrique
dlivr par un
spectromtre
suite de nombres
Mesures
physiques
Photographie
...
Toute entit physique mesurable qui vhicule des informations
5
Domaines d'application du TS :
6
Signaux
Signaux dterministes Signaux alatoires
Signaux dont lvolution peut
tre reprsente par une
fonction mathmatique
Lvolution du signal est
prvisible.
Signaux dont lvolution ne
peut tre reprsente par une
fonction mathmatique
Lvolution du signal est
imprvisible.
Classification phnomnologique
7
Signaux dterministes
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 0
- 1
- 0 . 8
- 0 . 6
- 0 . 4
- 0 . 2
0
0 . 2
0 . 4
0 . 6
0 . 8
1
0 1 0 0 2 0 0 3 0 0 4 0 0 5 0 0 6 0 0 7 0 0 8 0 0
- 1
- 0 . 8
- 0 . 6
- 0 . 4
- 0 . 2
0
0 . 2
0 . 4
0 . 6
0 . 8
1
0 5 0 1 0 0 1 5 0 2 0 0 2 5 0 3 0 0 3 5 0 4 0 0
- 1
- 0 . 8
- 0 . 6
- 0 . 4
- 0 . 2
0
0 . 2
0 . 4
0 . 6
0 . 8
1
8
Gnration dun bruit blanc : 3 ralisations
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0
- 2 . 5
- 2
- 1 . 5
- 1
- 0 . 5
0
0 . 5
1
1 . 5
2
2 . 5
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0
- 2 . 5
- 2
- 1 . 5
- 1
- 0 . 5
0
0 . 5
1
1 . 5
2
2 . 5
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0
- 3
- 2
- 1
0
1
2
3
4
Signaux alatoires
9
Signal
envoy
Bruit
Signal
reu
+
=
Dans la pratique :
10
Un bruit est un signal indsirable qui vient se superposer au
signal utile ou dsirable.
Le bruit est prsent diffrents degrs dans tous les signaux.
Par exemple, dans un tlphone mobile, il y a plusieurs varits
de bruit qui viennent dgrader la qualit de la communication :
bruit de fond,
bruit thermique,
interfrences,

Quelques champs dapplication du traitement
du signal :
11
Systmes de tlcommunications (Codage, transmission, filtrage, )
Radars (Dtection et interprtation des signaux, ),
Traitement de la parole, des images,
Radio et tl-diffusion,

12
Notions de probabilit
13
Probabilit :
Dans une exprience alatoire, soit :
Espace fondamental O = ensemble de tous les rsultats possibles
Evnement A = tout sous-ensemble de O
La probabilit P(A) mesure la chance de ralisation
de l'vnement A.
Exemple :
Exprience : lanc dun d O = {1, 2, 3, 4, 5, 6})
A ="tirage dun nombre pair" : A = {2, 4, 6}
P(A) =
A
O
14
Principales proprits de probabilit :
0 P(A) 1
P(;) = 1
P() = 0
P( ) = 1- P(A)
P(A B) = P(A) + P(B) P(A B )
P(A B) P(A) + P(B)
Ac B P(A) P(B)
A
Notations :
P(A B) = P(A ou B) = P(A+B)
P(A B) = P(A et B) = P(AB)
15
Probabilits Conditionnelles:
La probabilit de A sachant que B est ralise est :



/
P A B
P A B
P B

!
Par symtrie:



/
P A B
P B A
P A

!

/ / P A B P A B P B P B A P A ! !
16
Evnements indpendants :

P A B P A P B !
On aura aussi :

/ / et P A B P A P B A P B ! !
Si A et B sont indpendants, alors :
17
Exemple 1 : Fiabilit d'un rseau de communication
Considrons les deux liens de communication sur la figure suivante :
Dans les deux cas, il est souhait de communiquer entre les points X et Y. Soit Ai
l'vnement traduisant le fait que la connexion i choue et F l'vnement traduisant
l'chec de la communication entre X et Y. En outre, on suppose que les checs de liaison
sont des vnements indpendants.
Exprimer la probabilit P(F) (chec de la communication entre X et Y) en fonction des
probabilits P(A1) et P(A2) (chec dans les connexions 1 et 2 respectivement) dans les
deux cas de figures ci-dessus.
18
Thorme des probabilits totales :
Soient A
1
, A
2
, , A
n
une partition de l'espace O, c'est--dire :
A
i
A
j
= si i= j et A
1
A
2
A
n
= O, et B un vnement
quelconque :

1 1
/
n n
i i i
i i
P B P A B P B A P A
! !
! !

A
1 A
3
A
2
A
5
A
4
A
6
B
BA
5
Diagramme de Venn
On a alors la relation :
19
Thorme de Bayes :
Soient A
1
, A
2
, , A
n
une partition de l'espace O, c'est--dire
A
i
A
j
= et A
1
A
2
A
n
= O, et B un vnement
quelconque :





1
/
/
/
i i i
i
n
j j
j
P A B P B A P A
P A B
P B
P B A P A
!

! !

20
Exercice 1 (Srie 1)
21
Exercice 2 (Srie 1)
22
Variable alatoire
23
On associe chaque vnement d'une exprience alatoire un
nombre rel X qui est appel variable alatoire.
Une variable alatoire peut tre discrte ou continue :
Exemple : Considrons l exprience qui consiste en le relev de
toutes les communications tlphoniques partant d'un central. On
peut dfinir les variables alatoires suivantes :
dure des communications (VA relle, scalaire et continue).
numro de lappel (VA scalaire, discrte et entire).
coordonnes gographiques (x, y) de lappel (VA bi-
dimensionnelle, relle, continue).
Dfinition :
24
Fonction de rpartition :
La fonction de rpartition est dfinie par :

F x P X x ! e
Proprits :
F(x) donne la probabilit pour que la valeur de X soit strictement
infrieure x.



1 2 1 2
0 1
,
0 1
F x
si x x alors F x F x
F et F
e e
e
g ! g !
g
g
g
25
Densit de probabilit :
On dfinit la densit de probabilit comme la drive de la
fonction de rpartition :



'
d F X x
p x F x
dx
e
! !
Proprits :




2
1
1 2 2 1
0; 1
x
x
x
p x p t dt
F x p t dt
P x X x F x F x p x dx
P x X x dx F x dx F x p x dx
g
g
g
u !
!
! !
! !

g
g
g
g
26
Exemples de lois de
probabilit
27
Loi binomiale de paramtres (n, p):

0,1,. ., 1 . ( )
n k
k
n
P X k p p pour k n
k

! !


!
o 0 1 et :

!
! !
n
n
k k n k

!

28
Exercice 1 :
Une source binaire gnre alatoirement des "0" et des
"1"avec des probabilits respectives de 0.8 et 0.2.
Calculer la probabilit pour obtenir une squence de cinq bits
comprenant quatre "0" et un "1".
Une connexion ADSL a un taux d'erreur binaire de p = 0,01.
tant donn que les donnes sont envoyes par paquets de 100
bits, quelle est la probabilit d'avoir (a) un seul 1 bit erron
(b) 3 bits errons ?
Exercice 2 (Exercice 3 (srie 1)) :
Rponses : P[1 bit erron] = 0.3697
P[3 bits errons] = 0.0610
29
Loi normale ou gaussienne


2
2
2
1
2
x
p x e
Q
W
W T

!
30
Loi ou distribution uniforme

1
p x
b a
!

Densit de probabilit de la loi uniforme

a = -0.5 , b = 1.5
31
Les distributions gaussienne et uniforme sont trs
importantes en traitement du signal :
Les bruits affectant les signaux sont souvent supposs
gaussiens.
Lerreur de quantification venant des convertisseur
analogique/numrique ou les erreurs darrondie
venant de la prcision finie des oprateurs
arithmtiques internes aux filtres numriques,
peuvent souvent tre supposes uniformment
distribues.
32
Exemples de densits ou lois de probabilit
33
Moments statistiques
d'une variable
alatoire
34
Moyenne statistique (Moment d'ordre 1)
La moyenne ou lesprance mathmatique dune variable
alatoire X est, note E(X) ou Q
x
, est dfinie par la relation :
? A
( )
( )
i i
i
si xest conti x p x dx
E
x p
nu
si xest disc t x re
Q
g
g

! !

35
Si la moyenne est nulle, le signal alatoire est dit :
Si la moyenne statistique (moment dordre 1) ne dpend
pas du temps, on dit que le signal alatoire est :
stationnaire l'ordre 1
centr
36
On peut toujours crer partir de la variable
alatoire tudie x une autre variable alatoire
y = x - Q
x
qui est centre.
Dans un certain nombre dapplications en traitement du signal, il
est prfrable de traiter des signaux de moyenne nulle
37
Proprits de lesprance mathmatique :
L'esprance est linaire :
Autres proprits :
? A
, Si Y g X E Y yp y dy g x p x dx
g g
g g
! ! !


, E f X g X E f X E g X E F E F E F !


constante E c c si c ! !

E X c E X c !

E E X E X !

Invariance par transformation :
? A
si et sont deux v.aindpendantes E XY E X E Y X Y !
38
Moment dordre q
( )
(x )
( )
q
q
q
i i
i
si xest conti x p x nu
si xest discre
E
t
dx
x p x
g
g

Moments centrs :
On cre partir de la v.a tudie x une autre v.a
y = x - Q
x
centre (Q
x
tant la moyenne de la v.a x).
On cre partir de la v.a tudie x une autre v.a
y = x - Q
x
centre (Q
x
tant la moyenne de la v.a x).
39
1) Trouver les moments dordre 1 et 2 dune variable alatoire uniformment
distribue sur lintervalle [a, b].
2) Mme question pour une variable alatoire avec une distribution exponentielle :
o P est une constante relle positive et u(x) est la fonction chelon unit.
Exercice :

x
p x e u x
P
P

!
3) On considre une variable alatoire uniformment distribue entre et .
a) Calculer la moyenne statistique de .
b) Soit la v.a Y = Acos
2
(), o A est une constante. Calculer la moyenne
statistique de Y.
N.B : Pour la question 2) on peut utiliser le rsultat :
0
!
n x
x e dx n
g

40
Variance :

2
2
x x
var(x) x E W Q

! !

La variance dune v.a x, not W
x
2
ou var(x), est dfinie par le moment
centr dordre deux :
La variance caractrise la dispersion des valeur de la v.a par rapport
la moyenne.
Elle peut mesurer aussi ltalement de la distribution de probabilit :
Une distribution avec une mme esprance et une variance plus
grande apparatra comme plus tale.
41
Proprits :

? A


? A
2 2
2
Var
Var
Var
Var 0 constante
Var
Var
X
X c X
X E X
cX c X
c si c
Q
!
!
!
! !
42
Les quantits :
? A
x
x E Q !

2
2
x x
x E W Q

!



2 2
x E x p x dx
g
g
!

Moyenne :
Variance :
Moment du second ordre :
Constituent les statistiques du second ordre de la v.a x.
Limportance de ces quantits est lie au fait que la synthse des
filtres les plus optimaux exige uniquement la connaissance des
statistiques du second ordre.
43
Moments croiss de deux processus
Soient x et y deux processus alatoires conjoints.
Le moment dordre (k,n) de (x,y) est dfini par :
( , )
(x y )
( , )
k n
k n
kn k n
i j i j
j i
si x est contin x y p x y dxdy
E
x y p x y
u
si x est discret
Q
g g
g g

! !

p(x,y) est la densit de probabilit conjointe du couple (x,y).

44
Covariance
Cest le moment centr dordre (1,1) :






xy x y
cov x, y x y
x x y y
E
E E E
W Q Q

! !


!

Si cov(x,y)=0, alors x et y sont dites non corrles.
Exercice :
Montrer que :
cov x, y xy x y E E E !
45
Le coefficient de corrlation linaire entre deux v.a x et y est dfini par
la relation :
Coefficient de Corrlation
xy
xy
x y
cov(x, y)
var(x) var(y)
W
V
W W
! !

xy
est compris entre -1 et 1.
Si
xy
= 1 il y a dpendance linaire entre x et y (y = ax + b).
Si deux variables x et y sont indpendantes alors
xy
= 0. La rciproque
nest pas vraie..
46
47
Fonction dautocorrlation statistique
Ce moment correspond la moyenne statistique du produit de deux
chantillons du signal pris des instants diffrents t
1
et t
2
.

1 2 1 2
,
xx
R t t E x t x t

!

Cas continu

,
xx n k
R n k E x x

!

Cas discret
x

est le complexe conjugu de . Si x est rel, alors : x x x

!
La fonction d'autocorrlation R
xx
est le moment non-centr d'ordre
deux dun processus alatoire.
48
Lorsque R
xx
ne dpend que de la diffrence (t
1
-t
2
) ou (n-k),
on dit que le signal est stationnaire l'ordre 2.

xx
R E x t x t X X

!



xx n n i
R i E x x

!
ou
Sauf indication, on ne va considrer que des signaux rels :
x x

!
Signal alatoire stationnaire l'ordre 2
On note alors :
49
Proprits
Une fonction dautocorrlation est symtrique (pour variables
relles) :

1 2 2 1
, ,
xx xx
R t t R t t !
Ingalit de Schwarz :

1 2 1 1 2 2
, , ,
xx xx xx
R t t R t t R t t e
50
Autocovariance




xx 1 2 1 1 2 2
,
x x
C t t E x t t x t t Q Q

!

Cas continu



xx
,
,
n n k k n k n k
xx n k
C n k E x x E x x
R n k
Q Q Q Q
Q Q
! !

!
Cas discret
51
Processus Orthogonaux
On dit que deux processus sont orthogonaux quand leur fonction de
corrlation est identiquement nulle:

xy 1 2 1 2
, 0, , R t t t t !
Processus non-corrls
Deux processus sont non corrls si leur fonction de covariance est
identiquement nulle:

cov x, y 0 !
52
Deux v.a x et y sont indpendantes, si la densit de probabilit
conjointe p(x,y) peut scrire sous la forme :

x y
, p x y p x p y !
Processus indpendants
Deux processus alatoires sont indpendants si n'importe quel
ensemble de variables alatoires prises dans les deux processus
sont indpendantes.
Si x et y sont des v.a. indpendantes telles que E[x] and E[y]
existent, alors :

xy x y E E E !
53
Signaux alatoires stationnaires
La notion de stationnarit est intuitivement lie linvariance au
cours du temps des proprits statistiques dun signal alatoire.
ne varient pas avec la dfinition de
l'origine du temps, ou, encore,
ne varient pas le long du temps.
On dit qu'un processus est stationnaire si ses caractristiques
statistiques :
On dfini plusieurs types de stationnarit :
54
Stationnarit au sens strict
Un signal alatoire est dit stationnaire au sens strict si ses
caractristiques statistiques sont indpendantes du temps ou
invariantes par changement de l'origine des temps.

x 1 1 x 1 1
,..., , ,..., ,..., , ,...,
n n n n
f x x t t f x x t c t c !
pour une constante c quelconque.
55
Stationnarit au sens large
Un processus alatoire est stationnaire au sens large si :
sa moyenne est constante :
et sa fonction d'autocorrlation R
xx
(t
1
,t
2
) ne dpend que de la
diffrence X = t
1
-t
2
.

x x
t Q Q !

xx 1 2 1 2 xx 1 2 xx
, x x R t t E t t R t t R X ! ! !

56
Processus conjointement stationnaires
Deux processus sont conjointement stationnaires si :
a) Chacun est stationnaire considr d'une faon isole, et
b) Leur corrlation croise R
xy
(t
1
,t
2
) dpend seulement de la
diffrence X = t
1
-t
2
:

xy 1 2 xy 1 2 xy
, R t t R t t R X ! !
57
Processus cyclostationnaires
Un processus est cyclostationnaire au sens strict si ses statistiques
sont des fonctions priodiques du temps (de priode T).
Un processus est cyclostationnaire au sens large si ses moments
d'ordre 1 et 2 sont des fonctions priodiques :


x x
xx 1 2 xx 1 2
, ,
t kT t
R t kT t kT R t t
Q Q !
!
58
Ergodicit (cas continu)
Si un processus alatoire est ergodique alors ses moments
statistiques peuvent tre obtenus comme des moyennes partir
d'une seule de ses ralisations.
En pratique, nous ne disposons en gnral que dune seule ralisation
dun processus (mesure de la temprature de la salle). De ce fait, les
moyennes statistiques sont en gnral inaccessibles exprimentalement,
la diffrence des moyennes temporelles.
Heureusement, il est possible, sous rserve de conditions
mathmatiques assez gnrales (Ergodicit), de remplacer les
moyennes densemble (statistiques) par des moyennes
temporelles.
59
En particulier pour les moments d'ordre 1 et 2:


x
xx
1
lim
1
, lim
T T
T T
t x t dt
T
R t t x t x t dt
T
Q
X X
pg
pg
!
!

Pour que le processus soit ergodique, le membre gauche dans la

premire quation ne doit pas dpendre du temps. Donc pour que ceci
puisse tre vrifie, il faut que le processus ait une moyenne constante.
De la mme faon, pour que R
xx
, dans la deuxime quation, ne
dpende que de (t+-t).
Le processus doit tre stationnaire au sens large.
On aura alors :
60
On peut donc affirmer que pour qu'un processus soit ergodique, il
doit ncessairement tre stationnaire:
ergodicit
stationnarit
L'affirmation contraire est fausse.


1
lim
1
lim
x
T T
xx
T T
x t dt
T
R x t x t dt
T
Q
X X
g
pg
!
!

61
Dans un systme stationnaire ergodique, on peut remplacer les
moyenne densemble par des moyennes temporelles.


1
lim
1
lim
2 1
q
q
T T
N
q
q
N
n N
m x t dt
T
m x n
N
pg
pg
!
!
!

En pratique, les conditions dergodicit sont difficiles vrifier

mais cest une hypothse que lon fait souvent sans justification.
62
Exercices :
Dans le cas stationnaire et ergodique, montrer que la
fonction dautocorrlation est paire.
Exprimer alors sa valeur lorigine et son maximum.
N.B: Pour calculer le maximum, utiliser le fait que :

_ a
2
0 E x t x t X u

63
Correction :
Dans le cas stationnaire et ergodique, la fonction dautocorrlation
scrit :

xx
1
lim
T T
R x t x t dt
T
X X
pg
!

En posant t = u - X, on obtient :

xx xx
1
lim
T T
R x u x u du R
T
X X X
pg
! !

R
xx
est paire

xx xx
R R X X !

64
Valeur lorigine :

xx
x x R E t t X X !

La fonction dautocorrlation dun signal alatoire stationnaire est
dfinie par :
En posant = 0, nous obtenons :

2
xx
0 x R E t

!

Dans le cas dun signal stationnaire et ergodique, R
xx
(0) est gale
la puissance moyenne du signal.

65
Maximum :

_ a
2
0 E x t x t X u

On a :
il vient en dveloppant :

2 2
2 0 E x t E x t E x t x t X X

u


soit puisque :

2 2
0
xx
E x t E x t R X ! !


0
xx xx
R R X u

2 2 2
R E x t E x t X X

e

On peut aussi utiliser directement lingalit de Schwartz :
66
Reprsentation spectrale des signaux alatoires
La densit spectrale de puissance (ou spectre de
puissance) est dfinie comme tant la transforme de
Fourier de la fonction d'autocorrlation :
On rappelle que le spectre d'un signal est le module de sa
transforme de Fourier.
Densit spectrale de puissance
67

2
xx xx
j f
R S f e df
T X
X
g
g
!

Rciproquement :
Formules
de Wiener-
Khintchine
Exercice :
Montrer que si lon peut crire :
alors :
o X(f) est la transforme de Fourier du signal x.

2
xx
S f X f !

x x
R x t x t dt X X
g

g
!

2
xx xx
j f
S f R e d
T X
X X
g

g
!

68




2
2
xx
j f t
j f t
S f x t e d x t e dt
T X
T
X X
g g


g g
!



2
xx
j f t
S f X f x t e dt
T

g
!

2 2
xx
j fu j ft
S f x u e du x t e dt
T T
g g

g g
!


2
xx
S f X f X f X f

! !
do

2
xx
S f X f !
Calculons la transforme de Fourier de R
xx
() :

2
xx
j f
S f x t x t e dtd
T X
X X
g g

g g
!

69
La densit spectrale de puissance transporte par un signal x(t) est
quadratique c'est--dire qu'elle est indpendante de la phase
du signal. De plus elle est toujours relle et positive.
En tlcommunications, on doit souvent traiter avec des signaux
alatoires. Malheureusement, on ne peut pas calculer la
transforme de Fourier dun signal inconnu. En revanche, on peut
calculer lautocorrlation dun signal alatoire : la densit
spectrale de puissance est donc souvent utilise en
tlcommunications.
70

2
xy xy
j f
S f R e d
T X
X X
g

g
!

La densit spectrale de puissance croise (ou spectre

de puissance crois) est dfinie par :
Densit spectrale de puissance croise
71
Proprits :
R
xx
(X) et R
xy
(X) tant des fonctions paires, il en est de mme des
spectres dautocorrlation et dintercorrlation :


xx xx
xy xy
S f S f
S f S f
!
!
72
La transforme inverse permet dcrire :

2
xx xx xx
1
2
j j f
R S e d S f e df
[X T X
X [ [
T
g g
g g
! !

do

xx
1
0
2
xx xx
R S d S f df [ [
T
g g
g g
! !

Pour un signale stationnaire et ergodique :

2
xx
E x t S f df
g
g

!


c'est dire, la surface totale du spectre du signal est gale sa
puissance moyenne.
Egalit
de
Parseval
73
Processus alatoires particuliers
74
Processus Gaussiens
Les signaux gaussiens tiennent une place trs importante en
traitement statistique du signal. En effet, ils permettent
de simplifier grandement les calculs.
On a dj vu que la densit de probabilit dun processus gaussien
scrit :


2
2
2
1
2
x
x
x
x
p x e
Q
W
W T

!
o Q
x
est la moyenne de la VA x et
x
sa variance.
On reprsente un processus gaussien par le symbole 2 (Q
x
,
x
).
75
Pour un vecteur de processus gaussiens, on a :



T
1
x
n
2
1 1
p exp
2
2 det T

!


x x
x
x x C x
C
o



1 1
. .
. .
. .
n
x
x n
E
E
E








! ! !








x

x
x
x
T : le transpos, Q : le vecteur des moyennes, C : matrice de covariance
11 1
1
...
... ... ...
...
n
n nn
C C
C C


!



x
C

,
i j
ij x x i j
C C t t !
avec :
76
Les principales proprits dun processus gaussien sont les suivantes :
1. Un processus gaussien est compltement dfini par son vecteur
des moyennes et sa matrice de covariances 2 (Q
x
, C
x
).
3. Si un processus gaussien x(t) est stationnaire au sens large, alors
x(t) est aussi stationnaire au sens strict.
2. Si lensemble des variables alatoires x
i
(t) pour pour i=1,,n est
non corrl, c--d :
0
ij
po j C ur i ! =
alors ces variables sont indpendantes.
77
En gnral, les lois gaussiennes prservent leur caractre gaussien
dans toute opration linaire, convolution, filtrage, drivation,
intgration.
4. Si le signal dentre dun systme linaire est gaussien, alors le
signal de sortie est aussi gaussien.
78
Thorme central limite:
La loi de la variable alatoire
1
1
L
l
l
x x
L
!
!

o les x
l
forment un ensemble de L variables alatoires
indpendantes, du second ordre et de mme loi, tend vers la loi
normale quand L tend vers linfini ( la loi des x
l
).
De par ce thorme, un processus gaussien est souvent un bon
modle pour le bruit dans les circuits physiques tels que les
transmetteurs et rcepteurs radios, les radars etc.
79
Un bruit blanc est une ralisation d'un processus alatoire dans
lequel la densit spectrale de puissance est la mme pour toutes
les frquences.
Bruit blanc

2
xx x
S cte [ W ! !
2
x
W

x x
S [
[
Lnergie dun bruit blanc est
uniformment rpartie sur toutes
les frquences.

2
xx x
R X W H X !

2
x
W H X

x x
R X
X 0
0
Il n'existe que des bruits blancs
limits une bande de frquences.
Cest un
processus
valeurs
dcorrles
80
Le spectre en frquence du bruit que vous allez entendre a l'allure
suivante :
81
Le bruit blanc est larchtype des modles de bruit rencontrs en
pratique. Ainsi :
dans les systmes de communication, il modlise lensemble des
bruits dorigine thermique qui interviennent dans la chane de
transmission depuis lmetteur jusquau rcepteur.
82
Bruit blanc spectre limit
Un processus alatoire x(t) est appel bruit blanc spectre limit,
si sa densit spectrale est constante par bande :

2
2
sin 1
2
B
B
j
x B B
xx x
B
R e d
[
[X
[
W [ [ X
X W [
T T [ X

! !

2
0
B x
xx
B
S
[ [
[ [
W
[

!
e

"

B
T
[
B
T
[

2
x B
W [
T

x x
R X
2
x
W

x x
S [
[
B
[
B
[
X
83
Bruit rose
Sa densit spectrale de puissance est proportionnelle 1/f :

xx
A
S f
f
!

xx
S f
f

2
2
xx
A
S f
f
!


10log 10log 2 3
2
S f
dB
S f

! !



Caractristique du spectre :
3 . dB par dcade
Quand on multiplie la frquence par 2 on dit que l'on a un intervalle d'une octave et
par 10, une dcade.
*
*
84
Le spectre en frquence du bruit que vous entendez actuellement a
l'allure suivante :
Son spectre en frquence varie en inverse de la frquence (hyperbole)
Toutes les hautes frquences ont une amplitude qui tend vers zro
Les basses frquences ont une amplitude qui tend vers l'infini
85
Ce signal se rapproche plus de la sensibilit de l'oreille que le bruit
blanc. Pour cette raison, le bruit rose est souvent utilis dans
l'univers audible :
pour calculer la rponse frquentielle d'une chane de
reproduction sonore.
pour mesurer les caractristiques des transducteurs lectro-
acoustiques (microphone, haut-parleur, enceintes)
sert galement dans l'acoustique des salles. Par exemple, un
bruit rose est mis dans une salle via un haut-parleur et un
microphone, situ dans la salle, enregistre le signal reu. Le
spectre mesur permet de connatre les frquences attnues et de
les corriger via un galiseur.
86
Les signaux alatoires chantillonns
Les signaux alatoires discrets proviennent de lchantillonnage des
signaux continus des instants discrets du temps :

k k
x x t !
Nous supposerons toujours que la cadence d'chantillonnage est gale
un. En pratique, cet chantillonnage ne pose pas de problme
particulier. Pour une ralisation donne du processus, il faut s'assurer
que les conditions de Shannon sont vrifies.
87
Moyenne et moments
Moyenne

1 k
k k E x Q ! !
Moments dordre q


q
q k
m k E x !
88
Moments centrs dordre q


_ a 1
q
q k
k E x m k Q !
La variance scrit :


_ a

2
2
1
var
k x
k E x k k W ! !
W
x
(k) reprsente lcart-type.
89
Ergodicit
Ici encore la proprit dergodicit dun signal alatoire stationnaire
exprime que les moyennes statistiques (ou densemble) sont gales
aux moyennes temporelles (On peut remplacer le calcul des moments
dfinis comme des esprances mathmatiques calcules sur un grand
nombre d'expriences par un calcul sur une seule ralisation) :

1
0
1
lim
N
q
q k
N
k
x
N

pg
!
!

On suppose qu'on connat N chantillons de x
k
, (on suppose que x
k
est
nul en dehors de l'intervalle [0, N-1]) :
90
Fonctions de corrlation
Fonction dautocorrlation


1 2
1 2
,
xx k k
R k k E x x !
91
Cas des signaux stationnaires et ergodiques
Un signal alatoire est stationnaire l'ordre deux si ses moments
d'ordre un et deux ne dpendent pas de l'origine du temps. La
moyenne Q est alors indpendante de k. La fonction
dautocorrlation ne dpend que de la diffrence k
1
k
2
:

xx k k i
R i E x x

!
Dans lhypothse ergodique, on aura :

1
0
1
lim
N
xx k k i
N
k
R i x x
N

pg
!
!

92
Parit

xx xx
R i R i !
Valeur lorigine

2
0
xx
R !
Maximum

0 ,
xx xx
R R i i u

2 2
1
0
x xx
R m W !


_ a


1
2
0
2
2
1
2 2 2
1 1
1
0 lim
var
0
N
xx k
N
k
k x
k xx
R x
N
k E x m k k
E x m R m
W

p g
!
!
! !
! !

93
Fonction dintercorrlation


1 2
1 2
,
xy k k
R k k E x y !
Lorsque l'ensemble des deux signaux est stationnaire, cette
intercorrlation ne dpend que de la diffrence i=k
2
-k
1
:

xy k k i
R i E x y

!
Si de plus lhypothse ergodique est satisfaite :

1
0
1
lim
N
xy k k i
N
k
R i x y
N

pg
!
!

94
Spectre de corrlation de signaux stationnaires

k
xx xx
k
S z R k z
g

!g
!

Le spectre de corrlation de deux signaux stationnaires discrets est
la transforme en z bilatrale de la fonction de
corrlation de ces signaux :
Spectre dautocorrlation

k
xy xy
k
S z R k z
g

!g
!

Spectre dintercorrlation
95
Proprits


1
xx xx
S z S z

!
Dans le cas stationnaire et ergodique, R
xx
(k) tant une fonction paire,
il vient :
de mme, on a :


1
xy xy
S z S z

!
96
Lutilisation de la transforme inverse permet dcrire :

1
2
k
xx xx
C
dz
R k S z z
j z T
!

C correspond au cercle de rayon unit.

Il vient, pour une variable centre, en posant :
2 jf
z e
T
!


1
2 2
2
1
2
0
jf
x xx xx
R S e df
T
W

! !

lexpression :
97
En utilisant la proprit dergodicit, on obtient lgalit de Parseval
du cas discret :

1
1
2 2
2
1
0
2
1
lim 2
N
k x xx
N
k
x S jf df
N
W T

pg
!
! !

La fonction S
xx
(z) tant gale S
xx
(z
-1
), cette expression est relle et
positive pour z =e
j
c.