CHAPITRE II

Signaux aléatoires
 Chapitre 2 Signaux aléatoires

I. Introduction :
Rappel : un signal est dit aléatoire si la connaissance du signal a instant t ne permet pas de
préjuger de la valeur a l'instant t+dt. Bien qu’aléatoire, le signal est modélisé par ses
caractéristiques statistiques.
Un signal aléatoire peut être stationnaire ou non stationnaire. Il est stationnaire si ses
caractéristiques aléatoires ne sont pas modifiées au cours du temps.
Nous allons illustrer cela par des exemples concrets.
Exemple :
 Lancer de dé : Lorsqu’on lance un de 6 faces, on a 1/6 d’obtenir un ‘6’. La probabilité
est de 1/6 pour chaque expérience (on parle de probabilité uniforme p).
Soit m, les différentes valeurs du de ( m prend pour valeur {1, 2, 3, 4, 5, 6}).

p(xi )

xi X
Fig : Densité de probabilité d’une variable aléatoire discrète

 Bruit de mesure ( bruit blanc centré et Gaussien ).

Fig : Densité de probabilité d’une variable aléatoire continue

Dr. F. SIABAH Traitement du Signal Licence TLC 16

 Chapitre 2 Signaux aléatoires

S’aperçoit que le signal passe plus souvent par 0 que par 2.7 volt. Si on trace le nombre de fois
que le signal passe par une amplitude donnée (comme si on projetait le signal sur l’axe vertical),
on obtient l’histogramme (la fonction de densité) du signal.

La courbe densité de fonction représente en ordonnée la probabilité d’avoir un bruit

(dans cet exemple, on a choisi d’illustrer par un bruit de mesure) dont l’amplitude est donnée en
ordonnée. On s’aperçoit qu’il y a très peu de chance d’avoir un bruit d ’amplitude 4 V.

On constate aussi que le signal est autant positif que négatif, donc que la valeur moyenne est
nulle.

Le signal présente ci-dessus est appelé bruit blanc, il s’agit d’un signal gaussien [ ].

II. DÉFINITIONS
Une expérience aléatoire est une expérience dont le résultat dépend du hasard. Chacun des
résultats possibles s'appelle une éventualité (ou une issue ou un évènement élémentaire)
L'ensemble de tous les résultats possibles d'une expérience aléatoire s'appelle l'univers de
l'expérience.

II.1 Variable aléatoire discrète

Une variable aléatoire est dite discrète si elle prend un nombre fini de valeurs, dénommées
événements (Exemple: un lancer de dé, un lancer d’un pièce de monnaie, la source générant un
signal binaire)

II.1.1 Loi de probabilité d’une variable aléatoire X discrète

Chacune des réalisations xi de la variable aléatoire X est associé une probabilité P(X=
xi)=pi (0 ≤𝑝 i ≤ 1, ∀ i).

L’ensemble des couples (xi, pi) forme une loi de probabilité si la somme de toutes ces
probabilités est égale à 1 ;

ΣP(X= xi)𝑛𝑖=1 = Σ𝑝𝑛𝑖=1 (i cas fini)

ΣP(X= xi)+∞𝑖=1 = Σ𝑝+∞𝑖=1 (i cas dénombrable)

Dr. F. SIABAH Traitement du Signal Licence TLC 17

 Chapitre 2 Signaux aléatoires
II.2 Variable aléatoire X continue

Une variable aléatoire est dite continue si elle prend un nombre infini de valeurs (exemple bruit
blanc)
𝑳𝒐𝒊 𝒅𝒆 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é 𝒅’𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 𝑿 𝒄𝒐𝒏𝒕𝒊𝒏𝒖𝒆

Une variable aléatoire continue peut prendre n'importe quelle valeur dans un intervalle de valeurs
réelle ou dans une collection d'intervalles.

Puisqu'il y a un nombre infini de valeurs dans n'importe quel intervalle, il n'est pas significatif de
parler de la probabilité que la variable aléatoire prenne une valeur spécifique ; au lieu de cela, la
probabilité qu'une variable aléatoire continue se trouve dans un intervalle donné est considérée.

𝑏
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ∫ 𝑓(𝑥)𝑑𝑥 = 𝑃(𝑋 ≤ 𝑏) − 𝑃(𝑋 ≤ 𝑎)
𝑎



f (x)dx  1


Fonction de répartition d’une variable aléatoire discrète/continue


La fonction de répartition associée à la variable aléatoire X est la fonction notée F ou F(x ) définie
de R dans l’intervalle [0,1] par

F(x)= Σ𝑃(𝑋=𝑥𝑖)𝑥𝑖≤𝑥

Sa représentation graphique est une fonction en escalier, chaque saut de la fonction de répartition
a pour hauteur la dernière probabilité sommée

0
Fig :Fonction de répartition d’une variable aléatoire discrète

Dr. F. SIABAH Traitement du Signal Licence TLC 18

 Chapitre 2 Signaux aléatoires
x
F ( x)   f ( x )dx
Pour le ca continue 

Fig :Fonction de répartition d’une variable aléatoire continue

Propriétés
• 0 ≤𝐹(𝑥) ≤ 1

• Elle est croissante au sens large si a ≤ b alors F(a) ≤ F(b)

• lim𝑥→−∞𝐹(𝑥) =0, lim𝑥→+∞F(x)=1

Exemple
On lance simultanément deux des a 6 faces et on note les valeurs obtenues.
Soit 𝑋 la variable aléatoire égale a la plus grande des deux valeurs. Etablir la loi de probabilité de
𝑋.

Correction
La variable aléatoire 𝑋 peut prendre les valeurs 1, 2, 3, 4, 5 et 6.
Par exemple, si on obtient la combinaison (2 ; 5), la plus grande valeur est 5 et on a : 𝑋 = 5.
● La plus grande des deux valeurs est 1, si on obtient la combinaison : (1 ; 1).
𝑃(𝑋 = 1) =1/36
● La plus grande des deux valeurs est 2, si on obtient les combinaisons : (1 ; 2), (2 ; 1) ou (2 ; 2).
𝑃(𝑋 = 2) =3/36=1/12
● La plus grande des deux valeurs est 3, si on obtient les combinaisons : (1 ; 3), (3 ; 1), (2 ; 3),
(3 ; 2) ou (3 ; 3).
𝑃(𝑋 = 3) =5/36
● La plus grande des deux valeurs est 4, si on obtient les combinaisons : (1 ; 4), (4 ; 1) (2 ; 4), (4 ;
2), (3 ; 4), (4 ; 3) ou (4 ; 4).
𝑃(𝑋 = 4) =7/36

Dr. F. SIABAH Traitement du Signal Licence TLC 19

 Chapitre 2 Signaux aléatoires
● La plus grande des deux valeurs est 5, si on obtient les combinaisons : (1 ; 5), (5 ; 1) (2 ; 5),
(5 ; 2), (3 ; 5), (5 ; 3), (4 ; 5), (5 ; 4) ou (5 ; 5).
𝑃(𝑋 = 5) =9/36=1/4
● La plus grande des deux valeurs est 6, si on obtient les combinaisons : (1 ; 6), (6 ; 1) (2 ; 6),
(6 ; 2), (3 ; 6), (6 ; 3), (4 ; 6), (6 ; 4), (5 ; 6), (6 ; 5) ou (6 ; 6).
𝑃(𝑋 = 6) =11/36
On peut résumer les résultats dans le tableau de la loi de probabilité de 𝑋 :
𝑥i 1 2 3 4 5 6
P(x=xi) 1/36 1/12 5/36 7/36 1/4 11/36

Densité de probabilité d’une variable aléatoire

Une fonction f est une densité de probabilité si, et seulement si :
Pour tout x de ℛ; 𝑓𝑥 (𝑢) ≥ 0
• f est continue avec un nombre fini de points de discontinuité ;
+∞ +∞
• L’intégrale ∫−∞ 𝑓𝑥 (𝑢)𝑑𝑢 converge ( ∫−∞ 𝑓𝑥 (𝑢)𝑑𝑢 = 1 )
Propriétés :
𝑎
𝑃(𝑋 ≤ 𝑎) = 𝐹𝑋 (𝑎) = ∫ 𝑓𝑥 (𝑢)𝑑𝑢
−∞
+∞
𝑃(𝑋 ≥ 𝑎) = 1 − 𝐹𝑋 (𝑎) = ∫ 𝑓𝑥 (𝑢)𝑑𝑢
−a

𝑃(𝑎 < 𝑋 < b) = 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝐹𝑥 (b) − 𝐹𝑥 (a)

Dr. F. SIABAH Traitement du Signal Licence TLC 20

 Chapitre 2 Signaux aléatoires

solution

Dr. F. SIABAH Traitement du Signal Licence TLC 21

 Chapitre 2 Signaux aléatoires

STATISTIQUES DES VARIABLES ALEATOIRES

ESPERANCE MATHEMATIQUE
Variable aléatoire discrète
Soit X un va discrète qui prend des valeurs dans l'ensemble D et a comme densité de probabilité
f(xi). Alors l’espérance mathématique ou moyenne statistique (ou d’ensemble) de X est:

Variable aléatoire continue

L’espérance mathématique (moyenne statistique) d'une va continue X avec une fonction de
densité de probabilité f (x) est:

Propriétés de l’espérance mathématique

1. l’addition : E(X + Y) = E(X) + E(Y)

2. Multiplication par une constante): E(cX) = cE(X)

3.
4. Propriété de linéarité :
𝐸(∑𝑛𝑖=1 𝑎𝑖 𝑋𝑖 ) = ∑𝑛𝑖=1 𝑎𝑖 𝐸(𝑋𝑖 )

4. Inégalités de valeur absolue:

|𝐸(𝑋)| ≤ (𝐸|𝑋|)
𝑖𝑓 𝑃(𝑋 > 0) > 0 𝑒𝑡 𝑃(𝑋 < 0) > 0 𝑎𝑙𝑜𝑟𝑠 |𝐸(𝑋)| < (𝐸|𝑋|)
5. Multiplication
𝐸(𝑋𝑌) = 𝐸(𝑋)𝐸(𝑌) . Ici, X et Y doivent être indépendants.
6. (

Dr. F. SIABAH Traitement du Signal Licence TLC 22

 Chapitre 2 Signaux aléatoires
𝐸(𝑋 + 𝑎) = 𝐸(𝑋) + 𝑎, où a est une constante
La variance d'une variable aléatoire, notée Var(X) ou σ2, est une moyenne pondérée des écarts
au carré de la moyenne.
L'écart type, noté σ, est la racine carrée positive de la variance. Étant donné que l'écart-type est
mesuré dans les mêmes unités que la variable aléatoire et que la variance est mesurée en unités au
carré, l'écart-type est souvent la mesure préférée.
 Variable aléatoire discrète

 Variable aléatoire continue

Propriétés de la variance
 Ecart-type : σ(X) = √𝑉𝐴𝑅(𝑋)

 Formule de Koenig : VAR(X) = E(𝑋 2 ) − [𝐸(𝑋)]2

 Autres formules : var[aX + b] = 𝑎2 𝑉𝑎𝑟[𝑋]

Démonstration
var[aX + b] = E[(aX + b − aμ − b)2 ]
var[aX + b] = E[𝑎2 (X − μ)2 ]
var[aX + b] = 𝑎2 E[(X − μ)2 ]
var[aX + b] = 𝑎2 𝑉𝑎𝑟[𝑋]

LOIS USUELLES À DENSITÉ

Loi uniforme sur un intervalle
On dit que X suit la loi uniforme sur [a ;b] lorsque X est la variable aléatoire de densité 𝑓
Définie par :
notation
1
𝑠𝑖 𝑡 ∈ [𝑎; 𝑏]
𝑓(𝑡) = {𝑏 − 𝑎
0 𝑠𝑖 𝑡∄[𝑎; 𝑏]

Dr. F. SIABAH Traitement du Signal Licence TLC 23

 Chapitre 2 Signaux aléatoires

1
La fonction 𝑓 définie sur [a ;b] par 𝑓(𝑡) = est bien une densité de probabilité sur [a ;b] :
𝑏−𝑎

𝑓est continue sur 𝑅/{𝑎; 𝑏} et positive.

+∞ +∞
1 𝑡 𝑏 𝑏 𝑎
∫ 𝑓(𝑡) 𝑑𝑡 = ∫ 𝑑𝑡 = [ ] = − =1
−∞ −∞ 𝑏−𝑎 𝑏−𝑎 𝑎 𝑏−𝑎 𝑏−𝑎
La fonction de répartition Fx de X est donnée par :
0 𝑠𝑖 𝑥 < 𝑎
𝑥−𝑎
𝐹𝑋 (𝑥) = { 𝑠𝑖 𝑡 ∈ [𝑎; 𝑏]}
𝑏−𝑎
1 𝑠𝑖 𝑥 > 𝑏

X admet une espérance et une variance

𝑎+𝑏 (𝑏 − 𝑎)2
𝐸(𝑋) = 𝑒𝑡 𝑉(𝑥) =
2 12

Loi exponentielle
On dit que X suit la loi exponentielle de paramètre 𝜆 (notation 𝑋 ∽ ℰ(𝜆))lorsque X est la
variable aléatoire de densité f définie par :
𝜆𝑒 −𝜆𝑡 𝑠𝑖 𝑡≥0
𝑓(𝑡) = { }
0 𝑠𝑖 𝑡<0

Si 𝑋 ∽ ℰ(𝜆), alors la fonction de répartition 𝐹𝑋 de X est donnée par :

Dr. F. SIABAH Traitement du Signal Licence TLC 24

 Chapitre 2 Signaux aléatoires
1 − 𝑒 −𝜆𝑥 𝑠𝑖 𝑥≥0
𝐹𝑋 (𝑥) = { }
0 𝑠𝑖 𝑥<0

Si 𝑋 ∽ ℰ(𝜆), alors X admet une espérance E(X) et une variance V(X)

1 1
𝐸(𝑋) = 𝑒𝑡 𝑉(𝑋) =
𝜆 𝜆2

Loi normale
on dit que X suit la loi normale de paramètre 𝑚 𝑒𝑡 𝜎 2 lorsque X est la variable aléatoire de densité𝑓
définie par :
1 (𝑡−𝑚)2
−
∀ 𝑡 𝜖 𝑅, 𝑓(𝑡) = 𝑒 2𝜎2
𝜎√2𝜋

Si 𝑋 ∽ 𝒩(𝑚, 𝜎 2 ), alors X admet une espérance E(X) et une variance V(X)

𝐸(𝑋) = 𝑚 𝑒𝑡 𝑉𝑎𝑟(𝑋) = 𝜎 2

Loi normale réduite

on dit que X suit la loi normale centrée réduite lorsque X est la variable aléatoire de densité𝑓
définie par :
1 𝑡2
−
∀ 𝑡 𝜖 ℜ, 𝑓(𝑡) = 𝑒 2
√2𝜋
On note ∽ 𝒩(0,1).
La courbe de la fonction de densité de la loi normale centrée réduite 𝒩(0,1) est symétrique par
rapport à l’axe des ordonnées, donc les probabilités 𝑃(𝑋 ≤ 0)𝑒𝑡 𝑃(𝑋 > 0) sont égales.

Dr. F. SIABAH Traitement du Signal Licence TLC 25

 Chapitre 2 Signaux aléatoires
Comme 𝑃(𝑋 ≤ 0) + 𝑃(𝑋 > 0) = 1/2, on en déduit que 𝑃(𝑋 ≤ 0) = 𝑃(𝑋 > 0) = 1/2

Composée d'une variable aléatoire X par une fonction numérique𝝋 :

On pose 𝑌 = 𝜑(𝑥). Dans les exemples suivante, on suppose que X a une densité f , et on cherche
une densité g de Y. On notera F la fonction de répartition de X et G celle de Y.
Exemple1 : 𝜑(𝑥) = 𝑎𝑥 + 𝑏
𝜑(𝑥) = 𝑎𝑥 + 𝑏, avec 𝑎>0
On a donc 𝑦 = 𝑎𝑥 + 𝑏
La fonction de répartition 𝐺(𝑥) = 𝑃(𝑌 ≤ 𝑥)
𝐺(𝑥) = 𝑃(𝑎𝑥 + 𝑏 ≤ 𝑥)
𝑥−𝑏
𝐺(𝑥) = 𝑃(𝑥 ≤ )
𝑎
𝑥−𝑏
𝐺(𝑥) = 𝐹( )
𝑎

En tout point ou F est dérivable

𝑥−𝑏 1 𝑥−𝑏
𝑔(𝑥) = 𝐺′(𝑥) = 𝐹′( )= 𝑎 𝑓( )
𝑎 𝑎

On a donc
1 𝑥−𝑏
𝑔(𝑥) = 𝑎 𝑓( )
𝑎

𝜑(𝑥) = 𝑎𝑥 + 𝑏,avec 𝑎<0

On a donc 𝑦 = 𝑎𝑥 + 𝑏
La fonction de répartition 𝐺(𝑥) = 𝑃(𝑌 ≤ 𝑥)
𝐺(𝑥) = 𝑃(𝑎𝑥 + 𝑏 ≤ 𝑥)
𝑥−𝑏
𝐺(𝑥) = 𝑃(𝑥 ≥ )
𝑎
𝑥−𝑏
𝐺(𝑥) = 1 − 𝐹( )
𝑎

D’où
1 𝑥−𝑏
𝑔(𝑥) = 𝐺 ′(𝑥) = − 𝑎 𝑓( )
𝑎

Dr. F. SIABAH Traitement du Signal Licence TLC 26

 Chapitre 2 Signaux aléatoires
On peut réunir les deux cas en un seul
1 𝑥−𝑏
𝑔(𝑥) = |𝑎| 𝑓( )
𝑎

Exemple2 : 𝜑(𝑥) = 𝑥 2
∀𝑥𝜖ℜ 𝐺(𝑥) = 𝑃(𝑥 2 ≤ 𝑥)
On a alors deux cas
𝑠𝑖 𝑥 < 0 𝑃(𝑥 2 ≤ 𝑥) é𝑣𝑒𝑛𝑒𝑚𝑒𝑛𝑡 𝑖𝑚𝑝𝑜𝑠𝑖𝑏𝑙𝑒
Donc 𝐺(𝑥) = 0 𝑒𝑡 𝑔(𝑥) = 0
𝑠𝑖 𝑥 > 0 𝑃(𝑥 2 ≤ 𝑥) = 𝑃(−√𝑥 ≤ 𝑥 ≤ √𝑥)

= (𝐹(√𝑥) − 𝐹(−√𝑥))
En dérivant, on obtient
1
𝑔(𝑥) = (𝑓(√𝑥) − 𝑓(−√𝑥))
2√𝑥

Si x=0 on peut prendre n’importe valeur de g(0).

Exemple1 : 𝜑(𝑥) = 𝑒 𝑥
∀𝑥𝜖ℜ 𝐺(𝑥) = 𝑃(𝑒 𝑥 ≤ 𝑥)
On a alors deux cas
𝑠𝑖 𝑥 ≤ 0 𝑃(𝑒 𝑥 ≤ 𝑥) é𝑣𝑒𝑛𝑒𝑚𝑒𝑛𝑡 𝑖𝑚𝑝𝑜𝑠𝑖𝑏𝑙𝑒

𝑠𝑖 𝑥 > 0 𝑃(𝑒 𝑥 ≤ 𝑥) = 𝑃(𝑥 ≤ ln(𝑥)) = 𝐹(ln(𝑥))

1
Et donc 𝑔(𝑥) = 𝑥 𝑓(ln(𝑥))

𝑻𝒉é𝒐𝒓è𝒎𝒆
Soit X une variable aléatoire continue dont la densité est donnée par 𝑓𝑥 (𝑥)
Si g est une fonction strictement monotone (croissante ou décroissante) et dérivable, alors la
densité de la variable aléatoire y (𝑦 = 𝑔(𝑥))est donnée par
𝑓𝑥 (𝑔−1 (𝑦))
𝑠 ′ 𝑖𝑙𝑒𝑥𝑖𝑠𝑡𝑒 𝑥 𝑡𝑒𝑙 𝑞𝑢𝑒 𝑦 = 𝑔(𝑥)
𝑓𝑦 (𝑦) = { 𝑑 𝑔−1 (𝑦)
𝑑𝑦
0 𝑠𝑖𝑛𝑜𝑛

Ou 𝑔−1 est la fonction inverse de g.

Dr. F. SIABAH Traitement du Signal Licence TLC 27

 Chapitre 2 Signaux aléatoires
PROCESSUS STOCHASTIQUES
INTRODUCTION
Un processus stochastique est un ensemble de variables aléatoires qui dépendent d'un paramètre
ou d'un argument. Dans l'analyse des séries chronologiques, ce paramètre est le temps.
Formellement, il est défini comme une famille de variables aléatoires X indexées par le temps,
t. Tel que pour chaque valeur de t, X a une distribution de probabilité donnée.
Un processus stochastique est une séquence de variables aléatoires qui évoluent dans le temps
ou dans l'espace en fonction d'une certaine probabilité.

En effet, un signal aléatoire est une collection de variables aléatoires ou pour chaque instant
nous avons une variable aléatoire

Dr. F. SIABAH Traitement du Signal Licence TLC 28

 Chapitre 2 Signaux aléatoires
Les processus stochastiques sont utilisés dans de nombreux domaines pour modéliser des
phénomènes aléatoires qui évoluent au fil du temps tel que :
 Prévision de la défaillance de systèmes mécaniques ou électroniques
 Modélisation de la propagation de signaux aléatoires dans les systèmes de
communication.
 Modélisation de la météo.
Stationnarité :
Beaucoup de processus aléatoires observés en pratique ont des propriétés statistiques qui ne
dépendent pas du temps ou l'observation est faite. On dit que ce sont des processus
stationnaires.

MOYENNES STATISTIQUES OU MOMENTS CONJOINTS

Considérons N variables aléatoires x (t1), x (t2), ... x (tN), les moments conjoints de ces variables
aléatoires sont :

Avec ki≥1and N≥1.

Ne considérons que les moments du premier et du second ordre,

c'est-à-dire E{x(t)}, E{x2(t)} et E{x(t1) x(t2)}.

Ce sont la valeur moyenne, la valeur moyenne au carré et la (auto) corrélation

ESPERANCE MATHEMATIQUE

L’espérance mathématique ou moment d’ordre 1 d’un processus aléatoire, notée E(X(t)) est la valeur
moyenne statistique du processus au temps t :

La moyenne est à travers l'ensemble et si le pdf (densité de probabilité) varie avec le temps alors la
valeur moyenne E(X(t)) est une fonction (déterministe) du temps.

Si le processus est stationnaire, la moyenne est indépendante de la constante :

Dr. F. SIABAH Traitement du Signal Licence TLC 29

 Chapitre 2 Signaux aléatoires

VARIANCE OU DEUXIEME MOMENT CENTRAL

On définit la variance d'un processus aléatoire par :

Soit X une v.a.r. de moyenne _X. Le moment d’ordre 2 de X � _X s’appelle
la variance de X. Ce moment est donc égal à E((X � _X)2) = E((X � E(X))2). Nous noterons
Var(X) la variance de X.

avec

AUTOCORRELATION

La fonction moyenne mX(t) nous donne l’espérance de X(t) au temps t, mais elle ne nous donne
aucune information sur la relation entre X(t1) et X(t2). Pour avoir un aperçu de la relation entre X(t1)
et X(t2), nous définissons des fonctions de corrélation et de covariance. La fonction d'autocorrélation
décrit complètement la densité spectrale de puissance du processus aléatoire.

Défini comme la corrélation entre les deux variables aléatoires x1 = x(t1) et x2 = x(t2):

• Pour un Processus Stationnaire

DIFFERENTS NIVEAUX DE STATIONNARITE

Dr. F. SIABAH Traitement du Signal Licence TLC 30

 Chapitre 2 Signaux aléatoires
WSS : (Wide Sense Stationary) est un Processus stochastique stationnaire au sens large (stationnaire
au second ordre) signifie que ses moments d’ordre (Moyenne) et d’ordre deux (Variance, Corrélation
et Covariance) ne dépendent pas du temps

SS : (Strictly Stationary) est un Processus stochastique strictement stationnaire signifie que tous ses
moments y compris d’ordres supérieurs ne dépendent pas du temps

Ergodicité :

On dit qu'un processus aléatoire est ergodique si l'on peut confondre ses moments statistiques
avec ses moments temporels. Il est difficile de vérifier cette condition à l'ordre n, c'est
pourquoi on se limite généralement aux moments d'ordre 1 et 2.

Densité spectrale de puissance :

On appelle densité spectrale de puissance d'un processus aléatoire la transformée de Fourier

de sa fonction d'autocorrélation. Plus précisément, autocorrélation et densité spectrale de
puissance forment une paire de transformées de Fourier :

Ces relations sont connues sous le nom de relations d'Einstein-Wiener-Khintchine.

Exemple1 :

Considérons un processus aléatoire stationnaire au sens large (du second ordre ou WSS) X(t)
avec RX(τ) = e − a | τ |, où a est un nombre réel positif.

Trouvez le PSD de X (t).

En regardant une table de transformée de Fourier ou en trouvant la transformée de Fourier

directement comme suit.

Dr. F. SIABAH Traitement du Signal Licence TLC 31

 Chapitre 2 Signaux aléatoires

Exemple2 : de processus aléatoire classique :

On considère le signal aléatoire 𝑋(𝑡) = 𝐴𝑐𝑜𝑠(2𝜋𝑓𝑡 + ∅)

A et 𝜔 sont des constantes.

Où ∅ est une variable aléatoire uniformément répartie entre 0 et 2 ,

Sa fonction de densité de probabilité 𝒇∅ () est donnée ci-dessous

𝟏
𝒇∅ () = {𝟐𝝅 𝟎 ≤ 𝜽 ≤ 𝟐𝝅
𝟎, 𝒂𝒊𝒍𝒍𝒆𝒖𝒓𝒔

 Montrer qu'il est à moyenne et à autocorrélation ergodique.

 Calculer sa densité spectrale de puissance.
 Si x(t) est processus Gaussien

1 𝑥2
−
𝑓𝑥 (𝑥) = 𝑒 2𝜎2
𝜎√2𝜋
 Déterminé la densité de probabilité 𝑓𝑦 (𝑦) du processus aléatoire 𝑦 = 𝑥 2

Solution :

 Ergocité dans la moyenne et l’autocorrélation

L’espérance mathématique et la moyenne temporelle sont déterminées comme suit :

Dr. F. SIABAH Traitement du Signal Licence TLC 32

 Chapitre 2 Signaux aléatoires

2𝜋 1
𝐸[𝑥(𝑡)] = 𝐸[𝐴𝑐𝑜𝑠(𝜔𝑡 + 𝜃)] = ∫0 Acos(𝜔𝑡 + 𝜃) 2𝜋 𝑑𝜃
𝐴 2𝜋
𝐸[𝑥(𝑡)] = ∫ cos(𝜔𝑡 + 𝜃)𝑑𝜃 = 0 Le processus est ergodique
2𝜋 0
dans la moyenne 1
1 𝑇
< 𝑥(𝑡) >= lim ∫ 𝐴𝑐𝑜𝑠(𝜔𝑡 + 𝜑)𝑑𝑡 = 0
𝑇→∞ 2𝑇 −𝑇

𝑅𝑥𝑥 (𝑡 + 𝜏, 𝑡) = 𝐸[𝑥(𝑡 + 𝜏)𝑥(𝑡)] = 𝐸[𝐴𝑐𝑜𝑠(𝜔𝑡 + 𝜔𝜏 + 𝜃)𝐴𝑐𝑜𝑠(𝜔𝑡 + 𝜃)]

𝐴2
𝑅𝑥𝑥 (𝑡 + 𝜏, 𝑡) = 𝐸[𝑥(𝑡 + 𝜏)𝑥(𝑡)] = 𝐸[𝑐𝑜𝑠(𝜔𝜏)𝑐𝑜𝑠(2𝜔𝑡 + 𝜔𝜏 + 2𝜃)]
2

𝐴2
𝑅𝑥𝑥 (𝑡 + 𝜏, 𝑡) = 𝐸[𝑥(𝑡 + 𝜏)𝑥(𝑡)] = [𝑐𝑜𝑠(𝜔𝜏)]
2

1 𝑇
< 𝑥(𝑡 + 𝜏)𝑥(𝑡) >= lim ∫ 𝐴𝑐𝑜𝑠(𝜔𝑡 + 𝜔𝜏 + 𝜃)𝐴𝑐𝑜𝑠(𝜔𝑡 + 𝜃)𝑑𝑡
𝑇→∞ 2𝑇 −𝑇

1 𝑇
< 𝑥(𝑡 + 𝜏)𝑥(𝑡) >= lim ∫ [𝑐𝑜𝑠(𝜔𝜏)𝑐𝑜𝑠(2𝜔𝑡 + 𝜔𝜏 + 2𝜃)]𝑑𝑡
𝑇→∞ 2𝑇 −𝑇

𝐴2
< 𝑥(𝑡 + 𝜏)𝑥(𝑡) >= [𝑐𝑜𝑠(𝜔𝜏)]
2

𝐸[𝑥(𝑡 + 𝜏)𝑥(𝑡)] =< 𝑥(𝑡 + 𝜏)𝑥(𝑡) > alors x(t) est ergodique dans l’autocorrelation 2.

De 1 et 2 LE SIGNAL est stationnaire au sens large (SSL

 Densité spectrale de puissance

En se basant sur la est stationnarité au sens large (SSL) de x(t), la densité spectrale de
puissance peut être calculée par la transformée de Fourier de 𝑅𝑥𝑥 (𝑡 + 𝜏, 𝑡) comme
suit
+∞
𝐴2
𝑆𝑥𝑥 (𝑓) = ∫ [𝑐𝑜𝑠(𝜔𝜏)]𝑒 −𝑗2𝜋𝑓𝜏 𝑑𝜏
−∞ 2
𝐴2 +∞ −𝑗2𝜋(𝑓−𝑓 )𝜏
𝑆𝑥𝑥 (𝑓) = ∫ [𝑒 0 + 𝑒 −𝑗2𝜋(𝑓+𝑓0 )𝜏 ]𝑑𝜏
4 −∞
𝐴2 𝐴2 +∞
𝑆𝑥𝑥 (𝑓) = [𝑆 (𝑓) = ∫ [𝛿(𝑓 − 𝑓0 ) + 𝛿(𝑓 + 𝑓0 )]
4 𝑥𝑥 4 −∞
𝛿 est l’impulsion de dirac
 la densité de probabilité 𝑓𝑦 (𝑦)
On a 𝑔(𝑥) = 𝑥 2

Dr. F. SIABAH Traitement du Signal Licence TLC 33

 Chapitre 2 Signaux aléatoires
𝑦 = 𝑥2 ⇒ 𝑥1 = √𝑦 , 𝑥2 = −√𝑦

𝑓𝑥 (𝑥1 ) 𝑓𝑥 (𝑥2 )
𝑓𝑦 (𝑦) = +
|𝑔′(𝑥1 )| |𝑔′(𝑥2 )|
1 −
𝑦
𝑓𝑦 (𝑦) = 𝑒 2𝜎2 𝑦≥0
𝜎√2𝜋𝑦

SYSTÈME LINEAIRE INVARIANT DANS LE TEMPS (SLIT) AVEC UNE ENTREE

ALEATOIRE

Soit un système linéaire et invariant dans le temps (SLIT) defini par sa réponse impulsionnelle
h(t) ou sa fonction de transfert H(f) :

avec 𝑦(𝑡) = 𝑥(𝑡) ∗ ℎ(𝑡)

Cette expression implique que si x(t) est un signal aléatoire, le signal en sortie y(t) est
forcément un signal aléatoire puisque la sortie est une somme pondérée de l'entrée. Il faudra
donc caractériser y(t) de manière statistique, de même que pour x(t).
+∞
𝑦(𝑡) = 𝑥(𝑡) ∗ ℎ(𝑡) = ∫ 𝑥(𝜏) ℎ(𝑡 − 𝜏)𝑑𝜏
−∞

la moyenne 𝜇𝑦 du signal de sortie (aléatoire aussi) peut se calculer par :

+∞
𝜇𝑦 (𝑡) = 𝐸(𝑦(𝑡)) = 𝐸(𝑥(𝑡) ∗ ℎ(𝑡)) = E {∫ ℎ(𝜏) 𝑥(𝑡 − 𝜏)𝑑𝜏}
−∞

𝜇𝑦 (t) = ∫ ℎ(𝜏) E[𝑥(𝑡 − 𝜏)𝑑𝜏] = ∫ ℎ(𝜏) 𝜇𝑥 (𝑡 − 𝜏)𝑑𝜏 = ℎ(𝑡) ∗ 𝜇𝑥 (𝑡)

𝑅𝑦 ( 𝑡1 , 𝑡2 ) = 𝐸[𝑦(𝑡1 )𝑦(𝑡2 )] = 𝐸[𝑥(𝑡1 ) ∗ ℎ(𝑡1 ). 𝑥 ∗ (𝑡2 ) ∗ ℎ∗ (𝑡2 )]

𝑅𝑦 ( 𝑡1 , 𝑡2 ) = 𝐸 [∫ ℎ(𝜏1 )𝑥 ( 𝑡1 − 𝜏1 )𝑑𝜏1 ∫ ℎ∗ (𝜏2 )𝑥 ∗ ( 𝑡2 − 𝜏2 )𝑑𝜏2 ]

𝑅𝑦 ( 𝑡1 , 𝑡2 ) = ∫ ∫ ℎ(𝜏1 )ℎ∗ (𝜏2 )𝐸[ 𝑥( 𝑡1 − 𝜏1 )𝑥 ∗ ( 𝑡2 − 𝜏2 )]𝑑𝜏1 𝑑𝜏2

Si x(t) est stationnaire au sens large (SSL), La moyenne statistique de y(t) devient alors:
Dr. F. SIABAH Traitement du Signal Licence TLC 34
 Chapitre 2 Signaux aléatoires

𝜇𝑦 (𝑡) = ∫ ℎ(𝜏) 𝜇𝑥 (𝑡 − 𝜏)𝑑𝜏 = ∫ ℎ(𝜏) 𝜇𝑥 𝑑𝜏 = 𝜇𝑥 ∫ ℎ(𝜏) 𝑑𝜏 = 𝜇𝑥 (0)𝐻(0) 𝑓=0

𝑅𝑦 ( 𝑡1 , 𝑡2 ) = ∫ ∫ ℎ(𝜏1 )ℎ∗ (𝜏2 )𝐸[ 𝑥( 𝑡1 − 𝜏1 )𝑥 ∗ ( 𝑡2 − 𝜏2 )]𝑑𝜏1 𝑑𝜏2

𝑅𝑦 ( 𝑡1 , 𝑡2 ) = ∫ ∫ ℎ(𝜏1 )ℎ∗ (𝜏2 )𝑅𝑥 (𝜏 − 𝜏1 + 𝜏2 )]𝑑𝜏1 𝑑𝜏2 = 𝑅𝑦 ( 𝜏)

Ainsi, si le signal d’entree est stationnaire au sens large (SSL) alors le signal de sortie sera
aussi SSL

𝑓 (τ) ∗ ℎ(τ) = ∫ 𝑓(𝜏2 ) ℎ(𝜏 − 𝜏2 )𝑑𝜏2 = ∫ 𝑓(𝜏 − 𝜏2 ) ℎ(𝜏2 )𝑑𝜏2

Alors

𝑓 (τ) ∗ ℎ(−τ) = ∫ 𝑓(𝜏2 ) ℎ(𝜏2 − 𝜏)𝑑𝜏2 = ∫ 𝑓(𝜏 − 𝜏2 ) ℎ(−𝜏2 )𝑑𝜏2 = ∫ 𝑓(𝜏 + 𝜏2 ) ℎ(𝜏2 )𝑑𝜏2

C'est ainsi que

𝑅𝑦 (τ) = 𝑅𝑥 (τ) ∗ ℎ(τ) ∗ ℎ∗ (−τ)

En appliquant la transformée de Fourier aux deux membres, la densité spectrale de puissance

est obtenue :

𝑆𝑥 (𝑓) = 𝑇𝐹(𝑅𝑦 (τ)) = TF(𝑅𝑥 (τ) ∗ ℎ(τ) ∗ ℎ∗ (−τ)) = 𝑆𝑥 (𝑓) ∗ 𝐻(𝑓) ∗ 𝐻 ∗ (𝑓) = 𝑆𝑥 (𝑓)| 𝐻(𝑓)|2

la densité spectrale de puissance du signal de sortie est la transformée de Fourier inverse

𝑅𝑥 (τ) = 𝑇𝐹 −1 (𝑆𝑥 (𝑓)| 𝐻(𝑓)|2 ) = ∫ 𝑆𝑥 (𝑓)| 𝐻(𝑓)|2 𝑒 𝑗2𝜋𝑓𝜏 𝑑𝑓

La puissance moyenne du signal de sortie est alors obtenue par :

E(𝑦(𝑡)2 ) =) = 𝑅𝑦 (0) = ∫| 𝐻(𝑓)|2 𝑆𝑥 (𝑓)𝑑𝑓

On démontre les propriétés suivantes dans le cas ou le signal x(t) est considéré comme
stationnaire :

𝜇𝑦 = 𝜇𝑥 (0)𝐻(0)

𝑆𝑥 (𝑓) = 𝑇𝐹(𝑅𝑦 (τ)) = 𝑆𝑥 (𝑓)| 𝐻(𝑓)|2

|𝜏|
Exemple 1 : Soit le processus stochastique x(t) SSL de corrélation statistique𝑅𝑥 (𝜏) = 𝜎 2 𝑒 𝜃 et
une moyenne nulle

Dr. F. SIABAH Traitement du Signal Licence TLC 35

 Chapitre 2 Signaux aléatoires
le système linéaire et invariant de réponse impulsionnelle ℎ(𝑡) = 5𝑒 −2𝑡

On obtient alors:
𝜇𝑦 = 𝜇𝑥 (0)𝐻(0)

𝑆𝑥 (𝑓) = 𝑇𝐹(𝑅𝑦 (τ)) = 𝑆𝑥 (𝑓)| 𝐻(𝑓)|2

|𝜏| 2
𝑆𝑥 (𝑓) = 𝑇𝐹(𝜎2 𝑒 𝜃 )| 𝑇𝐹(5𝑒−2𝑡 )|

Exemple2
EXERCICE :
Soit X(t) un processus stationnaire au sens large (WSS) de moyenne nulle avec RX(τ) = e−| τ |.
X(t) est l’entré d’un SLIT avec :
Soit Y (t) la sortie.
Trouver mY(t) = E[Y(t)] .
Trouver RY(τ) .
Trouver E[Y(t)2]

SOLUTION
Notez que puisque X (t) est WSS, X(t) et Y(t) sont conjointement WSS, et donc Y(t) est WSS.
Pour trouver mY(t) , nous pouvons écrire mY = mXH (0) = 0×1 = 0.
Pour trouver RY(τ) , nous trouvons d'abord: SY(f) = SX(f)×|H(f)|2.

Dr. F. SIABAH Traitement du Signal Licence TLC 36

 Chapitre 2 Signaux aléatoires
Notion de bruit blanc :
Le bruit blanc est un processus aléatoire stationnaire du second ordre centré et dont la densité
spectrale de puissance est constante sur tout l'axe des fréquences

Sa fonction d'autocorrélation est donc égale à :

Comme le montre la figure, le bruit est de puissance moyenne infinie, ce qui correspond à une
idéalisation de la réalité.
Remarque
On considère généralement que le bruit blanc est stationnaire, ergodique et à moyenne nulle.
Précisons que ce signal aléatoire n'a pas de réalité physique puisqu'il est de puissance infinie.
Il constitue toutefois un objet mathématique très utile pour l'étude de systèmes aléatoires.
Rapport signal sur bruit :
On mesure la nuisance du bruit qui affecte le canal en évaluant le rapport signal sur bruit.
Considérons le signal Y(t) = X(t) + n(t). Si l'on suppose que le bruit n(t) est de valeur moyenne
nulle et non corrélé avec le signal utile X(t), on peut écrire :
E[Y2(t)] = E[X2(t)] +E[n2(t)]
E[X2(t)] représente la puissance totale du signal utile et E[n2(t)] la puissance du bruit. On
définit alors le rapport signal sur bruit de la manière suivante :

Dr. F. SIABAH Traitement du Signal Licence TLC 37

 Chapitre 2 Signaux aléatoires

Bruit de grenaille

Ce bruit, encore appelé shot noise, est dû à la fluctuation du courant lors de la traversée d'une
barrière de potentiel par les électrons. On le retrouve donc dans tous les semi-conducteurs.
Soit un courant I, le nombre de porteurs de charge arrivant au temps t est

(4.163)
N=

où q = 1, 6×10-19 [C] est la charge d'un électron. L'entier N fluctue légèrement en fonction du
temps, d'où il résulte une variation de la valeur instantanée du courant. L'examen analytique
(complexe) de ce problème conduit à considérer en pratique que la fluctuation de courant due
au bruit a l'allure d'un bruit blanc gaussien pour lequel

E{IGr2} = 2qI f [A2]

Dr. F. SIABAH Traitement du Signal Licence TLC 38

 Chapitre 2 Signaux aléatoires

Dr. F. SIABAH Traitement du Signal Licence TLC 39