P UBLICATIONS DU D ÉPARTEMENT DE MATHÉMATIQUES DE LYON A. D USSAUCHOY Loi de probabilité des maxima d’une fonction aléatoire stationnaire Somme d’une partie gaussienne et d’une partie sinusoïdale Publications du Département de Mathématiques de Lyon, 1969, tome 6, fascicule 4 p. 79-95 <http://www.numdam.org/item?id=PDML_1969__6_4_79_0> © Université de Lyon, 1969, tous droits réservés. L’accès aux archives de la série « Publications du Département de mathématiques de Lyon » implique l’accord avec les conditions générales d’utilisation (http://www.numdam.org/legal.php). Toute utilisation commerciale ou impression systématique est constitutive d’une infraction pénale. Toute copie ou impression de ce fichier doit contenir la présente mention de copyright. Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques http://www.numdam.org/ Publications du Diparte m e s i de Mathématiques Lyon 1970 U 6-4 LOI DE PROBABILITE DES MAXIMA D'UNE FONCTION ALEATOIRE STATIONNAIRE SOMME D'UNE PARTIE GAUSSIENNE ET D'UNE PARTIE SINUSOIDALE A. DUSSAUCHOY I. - INTRODUCTION. Nous étudions la loi de probabilité des maxima d'une fonction aléatoire X(t) , somme d'une partie stationnaire et gaussienne c P cos(u)t + p ) sinusoïdale et ayant une phase B(t) et d'une partie aléatoire uniformément répar- tie entre 0 2TT et indépendante de la partie gaussienne. Cette fonction aléatoire X(t) a été utilisée dans [ij pour représenter le rythme alpha des tracés électro-encéphalographiques. Nous étendons à X(t) les résultats classiques ([2],[3]) concernant les fonctions aléatoires gaussiennes. Puis nous montrons que la densité de probabilité des maxima de la fonction aléatoire X(t) tend vers la densité de pro- babilité de l'enveloppe lorsque la mesure spectrale de la partie gaussienne tend vers une mesure concentrée en co , ce qui justifie une approximation faite dans [f] . II. - PROPRIETES PRELIMINAIRES, Soit la fonction aléatoire (1) X(t) - P cos(ojt +<f) • B(t) - oo < t < • oo oû a ) . B(t) est une fonction aléatoire réelle, stationnaire, gaussienne et soparable, B(t) ayant de plus Loi de Probabilité des maxima . .. (i) une moyenne nulle E[B(t)] » 0 • (ii) une fonction de corrélation. IKT) » E[B(t+T) • B(t)] (2) continue, admettant des moments spectraux finis jusqu'à l'ordre 4 et vérifiant : ( 4 ) ( o ) - 0"(o)] 2 (3) *<o) * b) . P et a) sont des constantes et Cf une variable aléatoire uniformément ré- partie entre 0 et * 0 2TT et indépendante de B(t). Nous pouvons alors donner la proposition suivante : Proposition : (i). X(t) est stationnaire au sens strict (ii). Les rêaliQationQ de X(t) sont presque sûrement à dérivées (iii). Sur tout intervalle fini T continues f a) le nombre moyen de fois où X(t) [resp. X (t)] franchit sur f le niveau m est fini b) pour tout m fixé, la probabilité d'au moins une tangence de X(t) au niveau m sur T 3 T est nulle. Les résultats énoncés dans la proposition précédente seront utilisés lors de l'étude de la loi de probabilité des maxima de X(t) • Démonstration : 1°) Considérons aléatoire n instants t j » 2» ' ' * t t P n ' o u r t o u t e *[?»2ïï] le vecteur [x(tj)...X(t )] conditionnellement au fait que *f - 0 vecteur aléatoire gaussien de fonction caractéristique : g(U;0) » exp[i U T m(0) - y U où m(6) - p cos(u)t • e) : P cos(a)tj+ 0) T A u] est un LOI ae rrobZDiiite act xnaxixna . • . est le vecteur moyenne de [x(t. ) , • • • ,X(t )1 1 n -* conditionnellement au fait que Cf = e . où A est la matrice de covariance de Qc(t^) ... X(t^)^ où U est un vecteur de H n et où B T désigne la transposée de la matrice B . [x(t j) ,... X(t )T) Le vecteur aléatoire admet alors pour fonction caracté- n f ristique 2lf 1 f 2TT Jo h(U) - — g(U;0)d0 De même le vecteur aléatoire [x(tj+i) ... X(t *i)J n admet pour fonction caractéristique 1 f h'(U) - — 2TT 2ïï 1 g(U;0+a)T)de Jo - — 1 2T\ JUJT g(U;e)d0 27T i f « — 2TT car g(U;0) | g(U;0)d0 - h(U) JO est une fonction périodique de 0 et de période 2ir . Ce qui démontre la première partie de la proposition. 2 ° ) La fonction de corrélation P (4) R ( T ) du processus X(t) est 2 R ( T ) « * ( T ) • — COS(U>T) Avec les hypothèses faites sur \J>(T) (existence du quatrième moment spec- tral) il est aisé de voir que (o) existe. Par conséquent X(t) est un processus dont les réalisations ont presque sûrement des dérivées continues (d'après [ 3 ] page 1 2 5 ) . 3 ° ) L'étude faite dans [ 3 ] page 3 1 7 d'une fonction aléatoire de même type que permet de donner le nombre moyen de franchissements du niveau m par pendant l'intervalle [b,f] : (5) E[C (0,1)] x[—i_(2n)^ Pexpf- - - ^ 2 exp (V 2 " PW9h 2 o\ M ( m - P C ° P sin 9 o 2 8 8 ) e r f 2 j / o , P sin e \ 1 2#o 2 j d 9 X(t) X(t) Loi de Probabilité des maxima . • • 2 où o 2 et tral de et où a sont respectivement la variance et le second moment spec- 2 B(t). x erf (x) - — ^ — 2 exp [- t J dt . 1 Jo ( 7 T ) # Alors en appliquant au processus de franchissement du niveau m X'(t) la même formule le nombre moyen par X'(t) pendant l'intervalle [ û Q est : f B [ C > . . ) ] . - ^ f e > p [ - ' ^ - t o 2 a (2TT) (6) xp_ e x p ) 2 ^ s 2 e ) " + 2 p c o s e E R 2 ] J 2 p (. e L F ^ 2 P cos <\ 2 où a est le quatrième moment spectral de u B(t) . Les résultats généraux concernant un intervalle de durée en multipliant les résultats (5) et (6) par 4°) On peut tirer T s'obtiennent T . "'.Z-'AY.\[4] qui est rappelé dans : (iii,b) d'un théorème de [3] page 76 en remarquant que la loi de probabilité à une dimension de X(t) admet une densité bornée. [I. - LOI DE PROBABILITE DES MAXIMA DE X(t) • Théorème 1 : 1°) La hauteur du maximum local de maximum local en t X(t) en t sachant que X(t) a un , est une variable aléatoire ayant une loi de -probabilité absolument continue de densité J |z|p(m,o,z)dz f+00 AQ Z j-oo où p(x,y,z) d X J-J I X Z P< »°» ) D Z est la densité de probabilité de la loi conjointe de X(o), X'(o), X"(o) . 2°) En désignant par M i j 0? le moment spectral d'ordre les mineurs de la matrice M j de B(t) et par de covariance de £x(o),X'(o),X"(o)]t 83 Loi de Probabilité des maxima • • . on a g (m) «= — n - ' 4ir M 2 r ftN W p 2 ( * expF- 2 / avec : h 3 3 " L W e c p o s9 - <*- 2 a\ 2 >1 2 a 2 2 . * 2 T (M (m-P cos 6)+M Pw cos 6) 1 13 x U e x 33 (det M ) * p l ( 2 T T ) ^2 |_ 2 M det M / M ( m - P cos 6)+M Pu) cos 6^ \ 3 3 A M ( m - P cos 6 ) + M P w c o 8 e y O 2 13 2 33 +1 13 33 1+erf I X 2(M 3 3 / )^ U l de V L (2 M 1 3 3 det M ) / / J J 2 et D . _ I 1 _ (210* o p p J e x p 2 [- < 2 o 2 °> ] °2 (9) x ( - 1 — exp (- ""* c<» »U ^ 2 1(2«)^ K 2 oj 2 ' 2 PC O S 6 2 o, [l..rf (" ° ) 11 de 2? C L V 2» S9 2 ou 7 JJ Démonstration : A / Sachant que le processus à-dire sachant que tant t X(t) a un maximum local à l'instant t Q (c'est- X'(t) admet un passage par zéro en descendant à l'ins- ) , la loi de probabilité de la variable aléatoire "hauteur de ce maximum" a pour fonction de répartition (d'après [3] page 2 4 3 ) E[D'(OJ)] G(m) - (10) E[D'(O,D] où d'après [3] page 192 : a) D'(0,1) de b) pas [o,l] le nombre de passages par zéro en descendant X'(t) . D^(0,1) de est sur est sur [o,l^ le nombre de passages par zéro, en descendant, X'(t) pour lesquels la valeur correspondante de X(t) ne dépasse m . B/ L'expression du dénominateur de ( 1 0 ) s'obtient facilement en effectuant des calculs similaires à ceux donnés dans [3] pages 3 1 6 et 3 1 7 mais en les fai- Loi de Probabilité des m a x i m a . . • D'(0,1) sant porter sur et en utilisant pour cela les résultats donnés dans [3] page 288. On obtient alors facilement l'expression ( 9 ) . Cl 1) Soit x(t) une fonction telle que : a) x(t) soit dérivable et à dérivée continue b) il y ait un nombre fini de valeurs c) ces valeurs points d) t^ n j/2 , o ^ j < 2 x(t) sur En appelant L a^ 2 n annulant x'(t) , n°l,2... le nombre de maxima de -I m m • x(t) sur [ o l J dont t b le nombre d'intervalles m9n x'(4r)> 0 > x'(J^-) et x ( J - ) < m n-1,2... 2 2 2 tels que n 2 te [0,l] [o,l] soient d'amplitude différente de l'amplitude est inférieure à Mr , de soient situées en dehors de l'ensemble dénombrable des de la forme les maxima de t^ et On voit assez facilement que pour tout e > 0 à partir d'un cer- tain rang a ^ b > a m+e m,n m d'où l'on tire b m,n Vn > N e >a m lorsque 2 ) Comme l'ensemble des trajectoires de propriétés le nombre a ,b , c ,d [ 2 < + » , J et X(-î-) < m n 2 D^(0,1) dont l'amplitude est inférieure à E(Y ) n tels que : n 2 2 converge presque sûrement vers (11) ' X(t) qui ne possèdent pas les A , n 2 X'(J-) > o > X'(J^-) n n E[D'(0,1)] 0 0 énoncées plus haut est de probabilité nulle, d'intervalles M - Y n n —* n le nombre de maxima de X(t) m . Comme D ^ ( 0 , 1 ) * D ' ( 0 , 1 ) et que le théorème de convergence dominée nous donne : ^E[D'(0,1)1 m J lorsque n —> « 85 Loi de Probabilité des macima • . • 3) Soit alors les variables aléatoires y . J . (\ J si X'(-*-) > o > X'(^i) n n ^0 sinon 2 et 2 X(4r) n < m 2 Il est clair que n Y - 2 -l >• J n j=5 n e t U n 2 -l E[Y ] - > [E U ] - 2 j=0 J n n E(U°) n par stati.onnari.te n - 2 n P{[x'(o) > o > X'(2~ )] n et X(o) < m} - 2 n P{[o < X*(o) < - 2 ~ Z 1 n - 2 [x (2~ ) - X'(o)] et X(o) < m} n u n en posant En appelant f X (o) et f n p (x,y,z) la densité de probabilité conjointe de n Z n sous réserve d'existence de cette densité (nous verrons 2 plus loin que l'hypothèse 0(o) ^ ( o ) - (*"(o)) + 0 l'existence de cette densité pour On a donc Î m dx X (o), dz (12) p (x,y,z)dy n Jo P (x,y,z;0) la densité de probabilité conjointe de X ( o ) n sachant que 1 r P (x,y,z) - — ^» 6 on a : 2 7 T l *o n suffisament grand). n J —oo En appelant n P (x,y,z;6)de n Soit alors : ~n çm E W " ir J -oo x p-2 z d J r2n n to d entraîne bien f-2 z ro -oo f X(o) , -oo z d J o y \ e p„<*.y.*; > Jq de f Loi de Probabilité des maxima . • • n = |- n to ç-2 z \ d e ) dx ] dz \ P (x,y z;e)dy J q <y -co J-co Jo nlv Cm n p2î: 03) " ¿ 1 d e t-z ro cm d x j D f Z L x 2 n z 0 d p < » ~ y> ; ) y n en appliquant successivement le théorème de Fubini et le changement de -n en 2 y . y 4) Il est facile de voir que -n (14) p (x,2 .1/2 -3/2 y,z,6) = (2TT) n (det M > n r 1 exp [- \ -1 T . n . uj avec X - P COS 6 u X - P C08 0 n • 2 y + Pu) sin 0 • u • P o) sin 0 n z + 2 M n n Pco(sin(0 + u) 2 ~ ) - sin 0) 2 •> » z + P o) cos 0 f est la matrice de covariance du vecteur gaussien [x(o) , X ( o ) Z *] . n t n -+ » Lorsque 0 *(o) 0 M - — > M la matrice de covariance de [x(o) , X'(o), X"(o)J *"<o) 0 -*"(o) 0 <!>"(o) (l * *\o) Comme : (15) 2 det M = -•"(o)[>(o) •'•(o) - <*"(o)) ] et comme par hypothèse les moments spectraux de l'ordre 4 et que de plus Par conséquent pour ainsi que n P (x,y,z) B(t) existent jusqu'à ip(o) i^(o) - (iI>"(o)) i* o , alors 2 suffisament grand det ^ o et det M o • P (x,y,z;0) n existent d'après (14) et (12). n Alors (16) P ^ X > 2 n . n y > z ; 0 ^ + oo > n probabilité du vecteur que Y m 0 P(x,o,z;0) où p(x,y,z;0) [x(o), X'(o), X"(o)*] est la densité de conditionnellement au fait • 5) Nous allons maintenant donner une majoration de P (x,y,z;0) n qui nous permette d'appliquer à la formule (13) le théorème de la convergence dominée• 87 Loi de Probabilité des maxima . . . Considérons alors la densité de probabilité conjointe du vecteur sachant que *-p= 6 [x(o) , Z j Q(x,z,e) = ! exp[- ^ V 2n(det A ) V S T A"' V ] n n où x - P cos 0 v x - P cos 0 = n _ 11 Z + 2 et où n P (j(SLn(u) 2 0) - n S i n 0) n (o) - (i|/'(o)) ^ 0 2 det A^ ^ 0 suffisament grand 2 oo [x(o), X"(o)] lorsque det A = C(o) i) ^ Comme Z • P O ) cos 0 [x(o), Z^] la matrice de covariance de matrice de covariance de V f converge vers A la 00 n on est assuré que pour et que par conséquent (^(xjz;©) n existe. Alors (17) n p (x,2~ y,z;0) = Q (x,z;0) . n ' (2TT)^ n exp Z MC et nelle de E 2 " 2 y ~ l L n où ( 2 M C ) 2 2 A n sont respectivement la moyenne et la variance conditionX , Z ^ et Çp sont fixées. X'(o) lorsque Or les propriétés des lois conditionnelles de vecteurs gaussiens ([5} page 315) donnent /det Z n = ( M \V2 - \det A / n Soit puisque le dernier terme de (17) est majoré par 1 -n - 3£ -1/2 r 1 T -1 -1 p (x,2 y,z;0).« <2n) (det M > exp [- y V A Vj n n n q n Or a) det *det M donc à partir d'un certain rang T -1 b ) V A V ^ k V n n n n la matrice A~ l det >, y det M > 0 T -1 A V o ù k est la plus petite valeur propre de n n n Y Y Y Y A et puisque A" A • ! , k — • ! et donc à partir 1 n d'un certain rang T -1 V A V n n n 1 T -1 V A V 2 n n "T" d'où à partir d'un certain rang : , .-n 1/2 p (x,2 y,z;0) « 2 (2*) n _l/2 (det M) r 1 T -1 -1 expf- f V A V ] 4 n n u Loi de Probabilité des maxima . . • 88 1 En désignant par n a - 2 n n -> °°) V A" n V 3. . les éléments (tous positifs) de A 1 УJ Pu)(sin(0 + a) 2 ) - sin 0) - Pu> cos 0 (qui tend vers n n - V 1 V n 2 A T ^V 0 lorsque 2 2 V + a . 622 + 2a |6i2(x - P cos 0)+ 89?(z + Pu) cos 0)1 n " n " 'J u A" 1 l £ |a | < 1 A partir d'un certain rang V* A^ et par donc n 2 V - 2[Bi2<|x|+ P) • B (|z|+ Po) )] 22 En écrivant x - P cos 6 V - + - \} + W (0) x y V n A ^ V P W w n * ^ l + > wf k\ y Ci) 2 w A f " ! w 2 2 - 2[B (|x|+ P) + 6 (|z|+ P^ )] 12 - 2P(6 x 2 cos 0 2 22 2 • 6 u ) ) - 2|x|(Bi2 i 2 + p 22 - 2|z| ( B 2 2 2 3 l l + 612 Po) ) + PB 1 2 • Pu 2 B 2 2 ) D'où à partir d'un certain rang : n H p (x,2~ y,z;0) ^ К exp[- | wf A W ]exp(C |x| • C |z|) n 1 1 2 Or la fonction (x,y,z;0) •exp[-|wfA" 1 W ]exp(C |x| + C | z | ) 1 est intégrable sur le domaine 1 -» < x < m 2 , < z < -y < 0 , о < 0 < 2тт D'où finalement en appliquant le théorème de convergence dominée et en utilisant les formules ( 1 3 ) et ( 1 6 ) 1 f 2lT d E[Y] m f 8 f° d x |z| p(x,o,z;0)dz J -°° Jо J -°° 1 Soit en notant jointe de Î 2,r p(x,y,z) =» jjj- I X(o), X'(o), X"(o) m fo dx j —00 f IzI p(x,y,z;9)de ° p(x,o,z)dz J —OO D'où finalement d'après ( 1 1 ) E [ D ^ ( 0 , 1 ) ] = [ dx [ |z| p(x,o,z)dz J —00 J —00 la densité de probabilité con- 89 Loi de Probabilité des maxima . • • d'écrire : dx \ Î G(m) « m J -oo I J |z| p(x,o,z)dz -oo dx ( J —OO |z| p(x,o,z)dz —00 Ce qui achève la démonstration de la première partie du théorème 1 • D/ Pour terminer la démonstration de ce théorème nous allons maintenant calculer le numérateur N de (7). Il est facile de voir que : (det M ) ^ j p(m,o,z) » (2n) ^ 2 1 " exp[- ^ d ] 6 avec Q(m,z;0) - M ( m - P cos 0 ) n 2 2 2 + M P*u> et r M « -•"(o) ^ I M 2 2 - *(o) * *> (o) - (*"(o)) (18) / M 3 3 - - *(o) *"(o) 1 3 - (* (o)) M fl » M 1 ? 2 3 = 0 (o) u k 2 + 2Mj 3 (m - P cos 0)(z • Pu) cos 0) 3 3 M sin 2 • M ( z • Po) cos 0) M 2 22 2 2 o Alors : F M 0)1 (2TT N - - fo 2 (2ir)$ (det M) V J o [ R (z) 2 J z exp d0 exp - L 2 det M J y — dz L 2 d e t *i avec K (e) »M (m- x n 2 P cos 9 ) + M 2 2 2 P 2 2 o) sin 2 0 2 2 et R ( z ) » M ( z + P a) cos 0 ) • 2 M ( m - P cos 0) (z • P u> cos 0) 2 3 3 13 La dernière intégrale de N se calcule en effectuant le changement de variable M W " Hot- <? 2 33 d e t 1/2 m> M^ (m - P cos 0) cos 0) • — 3 (z • P U) 2 (2 M 3 3 det M)V2 Loi de Probabilité des maxima • • . Cette dernière intégrale devient alors : M ^ m - P cos 9)2 exp( 2 det M ^ ) . ( 2 M det M 3 3 ; M 3 3 1 fa (2 M det M ) ^ W - M ( m - P cos 0) - M 3 3 1 3 2 P co cos 0 3 3 x I 2 exp [- W ] dW M J-co 2 M ( m - P cos 9 ) 3 3 2 2 det M 3 - exp( ) . 2 M M « w 1/2 r (iîlil/ exp[- 2]dw2 2 M J —oo a x W 3 3 M avec ) det M 3 3 * x ( 3 3 M (m-Pcos e)+M, Pcu cos 9 : M q 2 13 fa 3 exp[- 2]dW • —oo W 3 2 3 3 P w cos 0 + M] (m - P cos 0) 3 a = (2 M det M ) 3 3 1 2 Soit alors , N - — i — 27T (?.7t) * M f/det M \ . )[ j I 2 M V2 exp r 3 3 - M ) + M 2M33p2a,2 1 3 ( M l 3 ( m " P C O S 9 ) 2 M 3 3 * M 3 3 P 3 3 2 M sin 2 U)2 det M e ° ' O S 9 ) 2 1 det M r AM Po)2 os0 +M (m-Pcos^vD (m - P cos 9) + P co cos 0) Il • erf I ) be / L >> (2 M det M ) V J] 33 l 2 ) 2 M L /.nI/2 2 n Jo 3 3 3 3 + — 2 (m - P Cos 0) ( M M 9 l/2f <-£-) exp( C 13 2 3 3 3 3 f D où finalement la formule (8) ce qui achève la démonstration du théorème 1 II est à remarquer qu'en faisant P «= 0 dans la formule (8) on retrouve le résultat donné dans [2] et [3] dans le cas d'une fonction aléatoire stationnaire gaussienne et de moyenne nulle. IV. - CONVERGENCE DE LA LOI DE PROBABILITE DES MAXIMA DE X(t) VERS LA LOI DE PROBABILITE A UNE DIMENSION DU PROCESSUS ENVELOPPE. Considérons V(t) le processus enveloppe de I/ (19) ou 2 X(t) . 2 2 V(t) =» [X (t) + X (t)] X(t) passage de est la transformée de Hilbert de X(t) à travers un X(t) c'est-à-dire le résultat du filtre linéaire de gain ([3] page 142) : 91 Loi de Probabilité des m a x i m a • • • Î i X <o o A «o O A > •L Si la fonction de répartition spectrale de X(t) est continue en zéro alors on sait que pour tout E[x(t) . X(t)] = o t ([3] page 142) E [ |X(t)|2] = E[ |X(t)|2] En remarquant que, conditionnellement à toires • 0 les variables aléa- X(t) et X(t) sont des variables aléatoires gaussiennes indépendantes de même variance et de moyennes respectives P cos(u)t • 0) et P sin(u>t • 0) on obtient facilement que R(t) admet une loi de probabilité à une dimension absolument continue de densité : O Î si v < o f v 2lT f (v ^p2-2v P cos 6 ) 1 . 2 exp - I Jo 2TT^(O) d0 L 2iJ;(o) si v > o -l Il est à remarquer que cette loi ne dépend pas de la forme du spectre de B(t) (il faut cependant que la fonction de répartition spectrale soit conti- nue en zéro). Intuitivement, il est logique de penser que la loi de probabilité des maxima est proche de celle de l'enveloppe lorsque le processus spectre concentré autour de la valeur B(t) à un u> . Nous allons voir précisément Théorème 2 : Si J $ est une suite de fonctions de corrélation telle que : 3 v ( o ) constante • S (même variance) n (U) 41 (o) ij> (o) - (»|/"(o)) * 0 Vn n n n C,) (iii) pour tout 2 n la mesure spectrale admette des moments jusqu'à (iv) Quand n * , u n converge l'ordre faiblement correspondant 4 et vers à \i>^ u ({o}) • o n S.6^ où 5^ est Loi de Probabilité des maxima • • • (y) X -> X u soit uniformément integrable par rapport à m Soit S ( ) n ^ a u • R densité de probabilité de la loi des máxima d'un processus : X (t) * P cos(u)t n B^it) n ) + B (t) n est un processus stationnaire gaussien centra, separable et de fonction de corrélation ^ ("0 n ^P est une variable aléatoire indépendante de n n [o , 2iT] . ment répartie sur Alors quand B (t) et uniformé- 00 m n •+ S ( ) converge ponctuellement vers la densité n de probabilité de la loi de l'enveloppe de X (t) (indépendante de n ). Démonstration : A/ 1) Il est immédiat de constater que l'hypothèse (v) implique que pour 0 < j< 4 à la fonction À XJ est uniformément integrable par rapport u n 2) Lorsque n » f co Í °n - *n ( o ) = ) d y r 00 n * * ( o ) " S '] r ,^oo (o )2 - - ^ ( o ) -j 2 2 où =J 6 2 X du n 4 w ( d A ) " S 00 >S . I X j 2 2 6 (dX) - co S w 4 (o^) = * W ( o ) X du >S X ô^dX) - u/* S ( a . ) est le moment spectral d'ordre j de B (t) . j n n 2 n r J Ceci résulte immédiatement de l'uniforme intégrabilité de (o ^ j ^ 4) X X^ et de l'hypothèse (iv) (voir par exemple [6] page 183). Remarquons qu'en fait, la première limite de (21) jointe à l'hypothèse (iv) indique que u u étroitement. 3) D'après (15), (18) et (21), lorsque n + • 93 Loi de Probabilité det maxima ... Î det M <"ll> M ( 2 2 (M k s n ) n ) n 3 3 > o r >0 2 (Mi ) 3 2 >* n s 2 s 2 où les (M..) sont les mineurs de la matrice ij n [x <o> , x;(o) , x^(o)] . M n de covariance de n B/ La loi de probabilité des maxima de ) ^ X (t) admet une densité : 2TT * (m,0)d6 n ~ ç2, 1 dm où I f (m,6)d6 ) o f (m,e)d6 n est donnée par l'expression (8) lorsque l'on remplace n (M..) îj r par (M..) ij n et det M r par det M n . Il est aisé de voir, compte tenu de (22) que pour tout C m o) f , a . 4TT ^ 2 2 exp 2 f m +P -2m P cos 0l S 2 ^ Y m > o S Vi< o .0 D'autre part pour m n assez grand (M ) n < 2 S 2 3 3 (M ) n < 2 S 2 1 3 2 u, a* -1/2 (2u) det M < ! n Alors compte tenu que det M r > o on peut obtenir la majoration suivante : f (m,e> < 2n pour tout 2 ! S expf2 2 oo -» < m < +® , m 2 2 P ' H 1 2 S o < 0 < 2TT x [, + 2 ^2(|.| • 2P)1 1 - Loi de Probabilité des maxima . • . En appliquant le théorème de la convergence dominée (après avoir remarqué que la majoration est integrable sur le domaine -oo < < m ) on obtient lorsque f2ïï J o fm ».(-.•>* — » n : 2 f * a) J. ) ~ s * 00 o < 6 < 2TT , P m + P - 2 m P cos el 2 e x p 2 L~ — n r J A l 0 o , r , < , u e m > o lorsque m<o et / — Jo n 2,Jo L 2ÏÏ S J o 2S J Or en remarquant que (20) est une densité de probabilité : T _5L_ Jo 2ii S J o 2 2 ( \J. 2 p p cos e 1 2 " +* 1 d e d m . , J 2 S Soit finalement , s „ g (m) » „ n-.» m f 2 ï ï 1 2nSjo 2 2 f m + P - 2 m P cos é] , L n de exp 2 S J Ce qui achève la démonstration du théorème 2. Remarquons pour terminer que le théorème 2 est applicable au cas gaussien. Il suffit pour cela de faire P « o dans les différentes formules • 95 Loi de Probabilité des maxima • . • BIBLIOGRAPHIE [l] DUSSAUCHOY A. : Contribution à l'étude des propriétés statistiques du rythme alpha. Thèse de doctorat es sciences physiques. LYON 1969. [2] RICE S.O. : Mathematical analysis of random noise. Bell system Techn. Journ. Vol. 2 3 et 2 4 [3] CRAMER J. And LEADBETTER MoR. [4] BULINSKAYA 1945. : Stationary and Related stochastic processes. John WILEY and Sons NEW YORK 1 9 6 7 . : On the mean number of crossings of a level by a stationary Gaussian process. Teorya Veroyatnostei i ee Primeneniya [5] CRAMER il. LOEVE M. p. 474-477. : Mathematical Methods of statistics Princeton University Press [6] 6(1961) Princeton 1 9 4 6 . : Probability Theory. D. Van Nostrand Company Inc. NEW YORK 1 9 5 5 . [7] RICE S.O. : Statistical properties of sine wave plus random noise Bell System Techn. Journal, 2 7 Momcrit remit le 27 avril 1970. f Mars A . DUSSAUCHOY Matoe-aaristaat I.N.S.A. - VILLEURBANNE 1948 - p. 109-157.