Signaux aléatoires et processus stochastiques
Yvon Mori
Hermes Science publications/Lavoisier
Chapitre 1. Introduction à la théorie des probabilités
15
1.1. Notions sur la probabilité15
1.1.1. La théorie et la réalité15
1.1.1.1. Raisonnements déductif et inductif15
1.1.1.2. Déterminisme, causalité et probabilité15
1.1.2. Analyse de problèmes avec les probabilités17
1.1.2.1. Séparation en trois étapes17
1.1.2.2. Exemple des trois étapes19
1.2. Quatre définitions de la probabilité19
1.2.1. Quelques définitions : événements19
1.2.2. Définition axiomatique de la probabilité20
1.2.3. Définition par fréquence relative20
1.2.4. Définition classique21
1.2.5. Définition par mesure de croyance24
Chapitre 2. Théorie des ensembles et espace probabilisé
27
2.1. Théorie des ensembles27
2.1.1. Introduction et définition27
2.1.1.1. Notion de l'ensemble27
2.1.1.2. Définition de l'élément28
2.1.1.3. Ensemble universel S28
2.1.1.4. Ensemble vide ou nul Ø29
2.1.1.5. Sous-ensemble29
2.1.2. Cercles d'Euler et diagrammes de Venn29
2.1.3. Opérations avec les ensembles30
2.2. Espace de probabilité33
2.2.1. Introduction et définition33
2.2.2. Axiomes de probabilité36
2.2.3. Classe et corps37
2.2.4. Espace probabilisé38
Chapitre 3. Probabilités géométriques - Probabilités conditionnelles
43
3.1. Espace probabilisé et probabilités géométriques43
3.1.1. Probabilités discrètes (dénombrables)43
3.1.2. Probabilités continues - Interprétation géométrique44
3.2. Probabilités conditionnelles48
3.2.1. Définitions et interprétations48
3.2.2. Propriétés utiles49
3.2.3. Evénements indépendants49
3.3. Probabilités totales52
3.3.1. Théorèmes des probabilités totales52
3.3.2. Probabilité des causes53
Chapitre 4. Théorie des épreuves répétées
61
4.1. Expériences composées61
4.1.1. Deux expériences61
4.1.2. Espace produit et produit cartésien63
4.1.3. Espace de probabilité et expériences composées64
4.1.4. Espace somme66
4.2. Epreuves de Bernoulli68
4.2.1. Formule de Bernoulli68
4.2.2. Nombre de succès le plus probable69
4.2.3. Probabilité de {k1 </= k </= k2}69
Chapitre 5. Théorèmes asymptotiques - Approximation gaussienne
75
5.1. Introduction aux approximations75
5.1.1. Epreuves de Bernoulli75
5.1.2. Evaluation de la formule de Bernoulli75
5.2. Approximation gaussienne76
5.2.1. Fonction de Gauss76
5.2.2. Théorème de Laplace81
5.2.3. Théorème de De Moivre-Laplace82
5.2.4. Loi des grands nombres84
Chapitre 6. Loi de Poisson - Loi multinomiale
91
6.1. Loi binomiale et poissonnienne91
6.1.1. Approximation à la loi binomiale91
6.1.2. Preuve du théorème de Poisson92
6.1.3. Distribution de Poisson93
6.1.4. Application : points aléatoires sur une droite94
6.1.5. Loi de Poisson95
6.2. Epreuves généralisées de Bernoulli97
6.2.1. Loi binomiale - Epreuves de Bernoulli97
6.2.2. Epreuves indépendantes généralisées98
6.2.3. Approximation de la loi multinomiale99
6.2.4. Exemple global - Points sur une droite100
Chapitre 7. Variables aléatoires et fonction de distribution
105
7.1. Introduction à la notion de variable aléatoire105
7.1.1. Définition physique (imprécise)105
7.1.2. Définition plus concrète106
7.1.3. Notion de fonction107
7.1.4. Définition rigoureuse de variable aléatoire109
7.2. Fonction de distribution d'une variable aléatoire112
7.2.1. Définition de la fonction de distribution112
7.2.2. Interprétation par fréquence relative115
7.2.3. Propriétés des distributions115
Chapitre 8. Densité de probabilité d'une variable aléatoire
121
8.1. Introduction - La nécessité d'un théorème d'existence121
8.1.1. Densité de probabilité définie sans espace121
8.1.2. Théorème d'existence d'une variable aléatoire121
8.2. Fonction de densité de probabilité123
8.2.1. Définition d'une densité de probabilité123
8.2.2. Variables aléatoires continues123
8.2.3. Variables aléatoires discrètes126
8.2.4. Interprétation avec fonction de masse129
8.3. Distributions et densités usuelles130
8.3.1. Variables aléatoires discrètes130
8.3.2. Variables aléatoires continues133
Chapitre 9. Distributions et densités conditionnelles
139
9.1. Définitions et propriétés139
9.1.1. Définition de probabilité conditionnelle P(A|M)139
9.1.2. Définition en fonction de variables aléatoires141
9.2. Applications - Fiabilité et statistiques144
9.2.1. Fiabilité : étude des probabilités de pannes144
9.2.2. Détermination de densités a posteriori146
Chapitre 10. Transformations d'une variable aléatoire
151
10.1. Introduction - Fonction d'une variable aléatoire151
10.1.1. Variable aléatoire X et fonction certaine g(x)151
10.1.2. Variable aléatoire Y = g(X) formée de g(x)151
10.2. Transformation de la distribution et de la densité153
10.2.1. Détermination de la distribution FY(y)153
10.2.2. Transformation de la densité de probabilité160
10.2.3. Transformations courantes de v.a.162
Chapitre 11. Espérance mathématique et moments
171
11.1. Espérance mathématique d'une v.a.171
11.1.1. Interprétation fréquentielle de l'espérance171
11.1.2. Définition de l'espérance mathématique172
11.1.3. Propriétés et formules utiles173
11.1.4. Espérance d'une fonction certaine d'une variable aléatoire174
11.2. Moments d'une variable aléatoire175
11.2.1. Variance - Mesure de la dispersion175
11.2.2. Calcul de variance - Cas continu et discret176
11.2.3. Généralisation - Moments d'une variable aléatoire177
11.2.4. Moments des répartitions courantes178
Chapitre 12. Fonction caractéristique
185
12.1. Introduction, définition et propriétés185
12.1.1. Introduction et utilité185
12.1.2. Variables aléatoires complexes185
12.1.3. Fonction caractéristique (f.c.) d'une variable aléatoire186
12.1.4. Propriétés et exemples de fonctions caractéristiques187
12.1.5. Formule d'inversion et relations utiles189
12.2. Utilisations et applications de la fonction caractéristique189
12.2.1. Calcul de la densité de Y = g(X)189
12.2.2. Théorème des moments - Série entière191
12.3. Produit de f.c. et convolution de densités192
12.4. Variables aléatoires gaussiennes192
12.4.1. Fonction caractéristique192
12.4.2. Relations utiles et théorèmes193
Chapitre 13. Distributions et densités bidimensionnelles
199
13.1. Fonction de distribution bidimensionnelle199
13.1.1. Introduction à deux variables aléatoires199
13.1.2. Définition de distribution bidimensionnelle199
13.1.3. Propriétés de la distribution bidimensionnelle201
13.2. Densité de probabilité bidimensionnelle203
13.2.1. Définition de densité bidimensionnelle203
13.2.2. Utilisation de la densité bidimensionnelle204
13.2.3. Analogie massique de la densité208
Chapitre 14. Deux valeurs aléatoires -
Lois conditionnelles et indépendance
213
14.1. Répartitions bidimensionnelles conditionnelles213
14.1.1. Définitions des relations conditionnelles213
14.1.2. Théorème des probabilités totales et théorème de Bayes216
14.1.3. Autres distributions conditionnelles217
14.1.4. Espérance mathématique de v.a. conditionnelles218
14.2. Variables aléatoires indépendantes218
14.2.1. Définition de l'indépendance stochastique218
14.2.2. Expériences indépendantes220
14.3. Variables aléatoires bidimensionnelles gaussiennes221
14.3.1. Définition de la densité gaussienne fxy(x,y)221
14.3.2. Densités marginales en X et en Y222
14.3.3. Deux variables aléatoires gaussiennes indépendantes222
Chapitre 15. Une fonction de deux variables aléatoires
227
15.1. Les définitions227
15.1.1. Introduction aux fonctions de deux variables227
15.1.2. Fonction de distribution de Z = g(X,Y)228
15.1.3. Densité de probabilité de Z = g(X,Y)230
15.1.4. Variables aléatoires X et Y discrètes231
15.2. Opérations sur deux variables aléatoires231
15.2.1. Somme de deux variables aléatoires231
15.2.2. Opérations «minimum» et «maximum»235
15.2.3. Somme quadratique et racine carrée237
15.2.4. Rapport et produit de variables aléatoires237
Chapitre 16. Deux fonctions de deux variables aléatoires
249
16.1. Deux fonctions de deux variables aléatoires249
16.1.1. Introduction - Intérêt de l'étude249
16.1.2. Distribution bidimensionnelle249
16.1.3. Densité bidimensionnelle250
16.1.4. Opérateur Jacobien251
16.1.5. Théorèmes sur transformations de densités254
16.2. Applications particulières256
16.2.1. Transformations linéaires256
16.2.2. Transformation : Z = +(X2 + Y2)1/2 et W = X/Y257
16.2.3. Variables aléatoires auxiliaires258
16.2.4. Fonctions de variables aléatoires indépendantes259
Chapitre 17. Espérance, moments et fonction caractéristique
de deux variables aléatoires
265
17.1. Espérance pour deux variables aléatoires265
17.1.1. Extension de la notion d'espérance265
17.1.2. Théorème sur l'espérance mathématique
pour deux variables aléatoires266
17.1.3. Espérance conditionnelle bidimensionnelle267
17.1.4. Fonction caractéristique bidimensionnelle267
17.2. Moments de deux variables aléatoires268
17.2.1. Définition des moments pour deux variables aléatoires268
17.2.2. Covariance et corrélation269
17.2.3. Théorèmes sur l'indépendance et la corrélation275
17.2.4. Applications aux v.a. normales centrées275
Chapitre 18. Variables aléatoires à plusieurs dimensions
283
18.1. Variables aléatoires n-dimensionnelles283
18.1.1. Introduction à n variables aléatoires283
18.1.2. Fonction de distribution et densité de probabilité283
18.1.3. Transformation de n variables aléatoires285
18.1.4. Probabilité conditionnelle et l'indépendance286
18.1.5. Espérance mathématique de n variables aléatoires287
18.2. Applications - Théorie des mesures288
18.2.1. Introduction : estimation d'un paramètre288
18.2.2. Moyenne et variance d'un échantillon289
18.2.3. Variables aléatoires gaussiennes centrées291
Chapitre 19. Convergence des variables aléatoires
303
19.1. Notions sur la convergence303
19.1.1. Introduction : convergence de variables aléatoires303
19.1.2. Concentration d'une variable aléatoire autour de sa moyenne304
19.1.3. Réduction de la variable avec épreuves répétées305
19.1.4. Limites appliquées aux variables aléatoires306
19.2. Lois des grands nombres et théorème central-limite310
19.2.1. Lois des grands nombres310
19.2.2. Théorème central-limite312
Chapitre 20. Introduction aux processus stochastiques
319
20.1. Etendue de l'étude et quelques définitions319
20.1.1. Introduction, étude des processus stochastiques319
20.1.2. Définition de stationnarité et ergodicité321
20.1.3. Application des processus stochastiques322
20.2. Définition de «processus stochastique»323
20.2.1. Définition mathématique323
20.2.2. Interprétation du processus X(t, Xi)324
20.2.3. Propriétés générales des processus stochastiques325
20.2.4. Propriétés statistiques des deux premiers moments326
20.2.5. Quelques exemples de processus simples329
Chapitre 21. Exemples et applications de processus stochastiques
335
21.1. Exemples de processus stochastiques335
21.1.1. Processus de Poisson335
21.1.2. Applications du processus de Poisson341
21.1.3. Processus binomial345
21.1.4. Applications du processus binomial347
21.2. Généralisation sur les processus348
21.2.1. Distribution et densité d'ordre n349
21.2.2. Processus à N dimensions349
21.2.3. Processus stochastiques complexes349
21.2.4. Non-corrélation, orthogonalité et indépendance350
21.2.5. Processus gaussien d'ordre n351
Chapitre 22. Processus stationnaires et différenciation
361
22.1. Processus stochastiques stationnaires361
22.1.1. Introduction à la notion361
22.1.2. Stationnarité au sens strict362
22.1.3. Stationnarité au sens large364
22.1.4. Autres formes de stationnarité365
22.2. Transformation de processus stochastiques366
22.2.1. L'opérateur T et les systèmes déterministes366
22.2.2. Systèmes sans mémoire et temporellement invariants366
22.2.3. Systèmes linéaires369
22.3. Continuité et différentiation stochastique369
22.3.1. Continuité stochastique369
22.3.2. Différentiation stochastique371
Chapitre 23. Intégration stochastique et processus ergodiques
381
23.1. Introduction à l'intégration stochastique381
23.1.1. Rappel de la notion d'ergodicité381
23.1.2. Intégration stochastique383
23.2. Processus ergodiques réels386
23.2.1. Définition de moyenne temporelle386
23.2.2. Ergodicité de la valeur moyenne387
23.2.3. Ergodicité de l'autocorrélation388
23.2.4. Ergodicité de la fonction de distribution390
Chapitre 24. Corrélation et spectre de puissance
403
24.1. Corrélation et processus stochastiques403
24.1.1. Introduction : définition du spectre de puissance403
24.1.2. Définition et propriété de la corrélation403
24.1.3. Relations utiles pour deux processus404
24.2. Densité spectrale de puissance405
24.2.1. Définition de la densité spectrale405
24.2.2. Propriétés de la densité spectrale406
24.2.3. Tableau élémentaire de correspondance408
24.2.4. Ergodicité de la densité spectrale de puissance409
Chapitre 25. Applications des processus aux systèmes linéaires
421
25.1. Définition de systèmes421
25.1.1. Rappel des définitions421
25.1.2. Fonction aléatoire comme excitation422
25.2. Statistiques du processus de sortie423
25.2.1. Définition du problème423
25.2.2. Valeur moyenne du processus réponse423
25.2.3. Intercorrélation et autocorrélation423
25.3. Applications avec processus de bruit426
25.3.1. Processus excitation - Bruit blanc (BB)426
25.3.2. Mesure de la réponse impulsionnelle427
25.4. Stationnarité du processus d'entrée427
25.4.1. Stationnarité au sens large427
25.4.2. Stationnarité au sens strict428
25.5. Densité spectrale de puissance428
25.5.1. Représentation avec systèmes équivalents428
25.5.2. Relations entre les densités spectrales428
25.5.3. Propriétés du spectre et de la corrélation429
Chapitre 26. Processus stochastiques à bande limitée
439
26.1. Introduction aux processus à bande limitée439
26.2. Processus stochastique passe-bas439
26.2.1. Définition du processus passe-bas439
26.2.2. Analycité et série de Taylor440
26.2.3. Théorèmes d'échantillonnage441
26.2.4. Processus passe-bas idéal443
26.3. Processus stochastiques passe-bande443
26.3.1. Définition des trois cas443
26.3.2. Processus passe-bande de Rice444
Bibliographie
463
Annexe
467
Index
473